韩国男团防弹少年团（BTS）近日宣布，不会提交作品参加2027年葛莱美奖（The Grammy Awards，格林美奖）评选，消息引发全球乐迷讨论。 BTS七名成员在Instagram发布联合声明表示，“希望音乐能够被聆听和喜爱，而不是被地域或语言所分割”。这番表态被不少人解读为对葛莱美新规则的不满。 葛莱美今年新增“最佳亚洲流行音乐表演奖”，但规定提名歌曲必须包含“有意义的亚洲语言”内容，而BTS最新专辑《阿里郎》的主打歌《Swim》，超过八成歌词使用英语演唱，因此无法符合资格。

千万别乱花钱，用以下可以省一大笔钱： 别买 Higgsfield → 用 Syllaby（AI视频创作） 别买 Notion AI → 用 Obsidian（AI笔记/知识管理） 别买 Ahrefs → 用 Ranked AI（SEO分析） 别买 Jasper AI → 用 ChatGPT（AI写作） 别买 Grammarly → 用 LanguageTool（语法检查） 别买 Adobe → 用 Canva Pro（设计/作图） 别买 Zapier → 用 Make（自动化工作流） 别买 Calendly → 用 TinyCal（预约排程） 别买 CapCut → 用 InShot（视频剪辑） 别买 Dropbox → 用 Google Drive（云存储） 别买 Zoom → 用 Google Meet（视频会议） 别买 Figma Pro → 用 Penpot（UI设计，开源免费） 别买 HubSpot → 用 HighLevel（CRM/营销自动化） 收藏这份清单，别等它没了才后悔 🔖

5 月 7 日消息，德国翻译工具初创公司 DeepL 宣布计划裁员约 25%，CEO 雅罗斯瓦夫 · 库蒂洛夫斯基表示，裁员原因是 AI 带来的“巨大结构性转变”。 ——— 原本它和Grammarly和Duolingo是语言星球上的大恐龙，后来AI小行星☄️撞过来了

一个值得英语学习者收藏的宝藏网站:Merriam-Webster #英语小知识# 提供词条释义、发音、词源查询,并持续更新新词新义。个人最爱三个板块: 1. Word of the Day 每日一词(发音+例句+播客) 2. Grammar 语法专栏 3. Wordplay 文字趣闻 全英文界面,喜欢沉浸式挑战的同学不妨一试~

我又整理了一份2026年热门值得收藏的AI工具清单 一、核心AI/搜索（用于聊天、写作、搜索和研究） ChatGPT：综合能力最均衡，日常首选 Claude：长文理解和写作能力强 Gemini：多模态好，超长上下文处理稳 Perplexity：搜索+回答，信息源清晰 NotebookLM：文档总结和知识库好用 Manus AI：中文场景体验不错 二、AI编程/软件搭建（用于写代码、搭网站和做产品） Codex：代码生成能力强 Claude Code：编程辅助细致 Cursor：AI编程编辑器，用着顺 Lovable：快速搭前端/产品 Replit：在线写代码、部署方便 Base44：低代码搭建工具 三、AI视频/视觉创作（用于生成视频、图片和设计素材） Google Veo：视频生成质量高 Kling：视频生成速度快 Midjourney：艺术感和光影强 HeyGen：数字人/口播视频方便 Canva：设计模板多，上手快 Figma：设计协作主力 四、办公/设计/效率（用于文档、设计、邮件日常提效） Notion AI：笔记+知识管理一体 Gamma：快速做演示文稿 Granola：会议记录整理方便 Grammarly：英文写作检查强 Superhuman：邮件效率工具 Wispr Flow：语音转文字流畅 五、自动化/集成/增长（用于流程自动化、数据抓取等） n8n：开源自动化，灵活度高 Zapier：应用连接最方便 Apify：数据抓取工具 Chatbase：快速做AI客服 Clay：获客和线索整理 Beehiiv：Newsletter增长工具 再提醒一句： 以上仅为信息整理 工具在变，适合的才是最好的

很多人一年在软件订阅上花好几千，其实一大半有免费的顶。不是那种能用但难用的，是真能替。 1. 修图（浏览器直接开） 付费：Photoshop 免费：Photopea 界面和 PS 几乎一模一样，直接打开 PSD 文件，图层、蒙版、调整层都在。装不了 PS 的电脑上救过我很多次。 2. 修图（本地重度） 付费：Photoshop 免费：GIMP 功能最全的开源修图，上手比 PS 别扭，但装完永久能用。 3. 矢量绘图 付费：Illustrator 免费：Inkscape 做 logo、画图标、改 SVG。印刷的 CMYK 支持不如 AI，网络用途完全够。 4. 界面设计 付费：Figma 免费：Penpot 开源，能自己部署，设计稿直接生成开发能用的代码。想把设计文件放自己服务器的，只有它这一条路。 5. 办公三件套 付费：Microsoft Office 免费：OnlyOffice 或 LibreOffice OnlyOffice 对 docx、xlsx 的还原度更高，发给用 Office 的同事不会排版错乱。 6. 视频剪辑（专业） 付费：Premiere Pro 免费：DaVinci Resolve 免费版不是阉割版，调色、剪辑、音频、特效全给，好莱坞真的在用它调片子。 7. 视频剪辑（轻量） 付费：Premiere Pro 免费：Kdenlive 达芬奇吃显卡，老电脑跑不动就用这个，剪个口播绰绰有余。 8. PDF 处理 付费：Acrobat Pro 免费：Stirling PDF 合并、拆分、压缩、加水印、去密码、转格式，五十多种操作，能自己部署。合同和身份证明不用再传给不认识的在线网站。 9. 照片管理调色 付费：Lightroom 免费：darktable RAW 调色加照片管理，非破坏性编辑，摄影党用它替代 Lightroom 的不少。 10. 视频会议 付费：Zoom 免费：Jitsi Meet 打开网页建个房间就能开会，不注册、不装客户端、不限 40 分钟。 11. 文件同步 付费：Dropbox 免费：Syncthing 设备之间点对点直接同步，不经过任何公司的服务器，多大的文件都不看你脸色。 12. 英文校对 付费：Grammarly 免费：LanguageTool 语法拼写检查，几十种语言，浏览器插件和 Word 插件都有。

Agent 需要什么样的基础工具集合 看到大家在聊 Agent 工具集的问题——是不是提供一个 shell 就都搞定了？做了 holon 之后发现，其实没有那么简单。 读：为什么放弃了 Read/Glob，全走 shell holon 的工具集改了几个版本，最后废弃了类似 Claude Code 提供的 Read（读文件）、Glob（模式搜索）这类专用工具，读取和查找全部通过 shell 来完成。这和 Codex 的路线一致——Codex 的 ExecCommand 一把梭，读文件就是 cat，搜代码就是 rg，不再单独给每种"读"操作定义一个工具。 这样做的理由很朴素：shell 是 LLM 最熟悉的"编程语言"。与其让模型去学你定义的 Read 工具的参数语义，不如直接让它写已经训练了几十亿次的 shell 命令。每多一个专用工具，模型的认知负担就加一层；而 shell 这个界面，模型已经足够熟练了。 但全走 shell 有一个代价：输出截断。框架为了避免 shell 返回值太长撑爆上下文，会给每个命令设输出上限。Agent 用 cat 读一个大文件，可能只拿到前半截，剩下的在 artifact 文件里，还得再 cat 一次甚至多次才能读完。Claude Code 的 Read 工具压缩阈值比通用 shell 高很多，读大文件一步到位，少了好几个来回。本质上是取舍：少定义工具降低认知负担，但专用工具在边界场景效率更高。 写：从 sed 到 ApplyPatch，以及 free grammar tool 的难题 但写操作就无法完全用 shell 搞定。 如果让 Agent 全用 sed 做编辑，就会发现遇到复杂的多行匹配很难处理——换行、转义、缩进，任何一层出了问题都会导致编辑失败。所以很多系统会提供 Replace String 这样的编辑工具，让 Agent 传一大段 old_string 来精确匹配并替换成 new_string。虽然笨拙，但比 sed 稳得多。 Codex 则走得更远，发明了自己的 ApplyPatch 工具，让 Agent 直接生成 patch，一次搞定批量编辑。holon 就借鉴了这个思路。 但落地的时候踩到一个坑：Codex 用的是一套 OpenAI 自己定义的简化 patch 格式，并且搭配了一种叫做 free grammar tool 的特殊工具机制来解决格式传递问题。 为什么要专门搞一种新机制？因为 LLM 的标准工具定义都是 tool(args) 这种 JSON 参数格式。如果把 patch 作为 JSON 字符串参数传递，会牵扯到大量的转义——换行要变 \n，引号要加反斜杠，缩进也得小心处理。Agent 写 patch 时本身就容易出错，再叠一层 JSON 转义，出错概率翻倍。free grammar tool 的思路是把 patch 的原始文本直接作为 tool 的输入体，不经过 JSON 参数编码，模型写什么就是什么。这大幅降低了模型生成 patch 时的出错率。 而这套机制目前只有 OpenAI 的 Codex 接口支持。holon 是要兼容多模型提供方的，没法只靠这一条路。 于是 holon 的做法是：根据模型注入不同的 ApplyPatch 定义。对支持 free grammar 的模型，直接走原始 patch 格式；对其他模型，就接收标准的 git diff 格式。我觉得 LLM 经过 GitHub 上几十亿次 diff 的训练，对 git diff 格式应该相当熟练。实践下来效果还可以——虽然也常出错，但多数时候能改对，而且随着训练数据积累，这个能力只会越来越好。不过我还是建议各家模型厂商都支持一下 free grammar tool，这对 Agent 写代码的场景确实是刚需。 调度：长时间命令和 task 抽象 第三个问题是 Agent 执行的 shell 命令不一定会很快结束——启动 dev server、跑测试、构建项目，都可能跑很久，甚至根本不退出。早期的 Agent 框架处理得很粗暴：要么同步阻塞把自己卡死，要么所有命令一律丢后台，结果 Agent 把同一个命令反复执行很多遍。 现在业界逐渐收敛到一个基本共识：不给 Agent 暴露"前台/后台"的选择——这件事 Agent 自己判断不准。更好的方式是设置一个时间阈值，命令超时自动转后台，对 Agent 完全透明。Agent 不需要预判这个命令该不该放后台，runtime 自己处理就行。 但自动转后台只是第一步。转后台之后，真正的工程问题才浮出来——而这些问题，目前业界还没有标准答案。 首先是输出怎么读。后台任务可能还在跑也可能已经结束，输出可能很大。但各家 API 的语义并不统一——有的走轮询，有的走事件推送。 其次是任务怎么停。各家都有取消机制，但取消是即时 kill 还是优雅退出、已产生的部分输出要不要保留? 最后是谁来叫醒 Agent。Agent 把任务丢后台以后休眠了，任务结束那一刻谁来叫醒它？这要求 runtime 和 Agent 调度深度绑定，不是独立工具层能解决的。 这三件事——读输出、停任务、叫醒 Agent——合在一起，就是后台任务完整的生命周期管理。各家都实现了"能后台跑"，但管理面还没有标准化方案，这可能是下一阶段 Agent 工具链演进的关键节点。 还没到无脑用一个现成模式的时候 所以回到开头的问题：shell 能解决 80%，但剩下 20%——编辑的精确性、patch 格式与模型能力的匹配、长任务的调度抽象——恰恰决定了 Agent 能不能从 demo 走向真正可用的系统。 工具集的选择远不止"封装一个 shell"那么简单，也远没到大家可以无脑套用一个现成模式的时候。这也是为什么 Codex 和 Claude Code 在这些基础问题上给出了不同的答案，而 holon 又根据自己的场景做了不同的取舍，这中间可以探索和改进的点，还很多。