Watching the news is a way to learn foreign languages, and he says who is naive, he has a playground. 極度囂張，全民公敵，這個什麼內塔胡的政府應該遭到審判。

分享一个最近看到的最有诚意的 Agent 教学仓库:learn-claude-code 它把 Claude Code 完整拆成 20 个最小可运行的章节,每章一个 + 三语 README + SVG 流程图 + 真实 CC 源码对照(标到文件名和行号)。 亮点: • s01 只有 137 行,核心 30 行 while True,就是一个能跑的 Agent • s08 的四层压缩管线写得非常清楚:snip → micro → budget → LLM summary,L1-L3 全部 0 API 成本 • s11 的错误恢复涵盖 max_tokens 8K→64K 升级、prompt_too_long reactive compact、429/529 指数退避 + fallback model • s14 的 cron scheduler 是 daemon 线程 + queue + agent_lock 非阻塞抢占,跨进程 durable 落盘 • s18 直接基于 git worktree 做多 agent 并行隔离 • s20 把所有机制挂回同一个循环,27 个工具,处处都标了"这一段对应循环的哪个位置" 最厉害的是每章末尾都有一个折叠区叫"深入 CC 源码",对比教学版和真实 Claude Code 的差异 地址👇

日读论文： From Context to Skills: Can Language Models Learn from Context Skillfully? (Ctx2Skill) 互斗写书，越斗越偏 ──────── 医生想用一份刚出的临床指南调整治疗方案。50 页文档，密密麻麻全是术语，规则之间还交叉引用。他真正需要的是把"什么病合什么药"变成几条能照着走的步骤。直接把整份指南扔给 GPT-5.1 让它答题，全 benchmark 平均对率 21%——大模型读完了，用不出来。这不是它"长上下文"不行，是 *它没把规则提炼成可以反复调用的小手册*。 老办法是把人类标注员请来给文档画重点：把规则、流程、注意事项提炼成自然语言"技能"，附在 prompt 前面给模型用。但这条路有两个死结：一是*标注成本爆炸*——50 页技术文档，标注员要把整套领域逻辑读到能复述，几小时才标一份；500 份这么搞，人累死也搞不完。二是*没有外部反馈*——如果想让 AI 自动写技能，怎么验证它提炼对了？没有 ground truth、没有执行结果、没有标准答案，它瞎写你都不知道。已有的"自动写技能"方法（AutoSkill、SkillX 等）都需要环境给反馈信号——比如"代码跑出来对不对""任务完成没"——可面对一份纯文档，没人替你判对错。 作者说不需要外人。让模型自己跟自己打——一个出题，一个解题，第三方判 pass/fail。每一回合，错题让解题方反省"我漏了什么知识"，过得太轻松的题让出题方反省"我出题不够刁"。两边各自维护一份自然语言的"技能手册"，回合结束之后改写各自的手册。这套循环不依赖人类标注，也不依赖任务本身的对错反馈—— *只用模型互相之间的胜负就能把技能写出来*。 ──────── 按常识，5 个回合互相磨练完，第 5 回合的 Reasoner 手册应该最强吧？ 错。论文做了固定回合的对照实验（GPT-4.1）：*单调下降*。越练越差。 为什么？作者起了个名字： *adversarial collapse*——对抗坍缩。Challenger 越来越凶，开始出"考钻牛角尖"的题；Reasoner 为了应付这些极端题，把手册改得越来越歪——专为对付怪题而存在的条目挤掉了通用知识。两边都在围着一个不代表真实任务分布的"病态点"打转。 更阴险的是， *这种崩塌在循环内部察觉不到*——Judge 每一回合只看当前题，没有信号告诉你"之前学会的事是不是被新条目挤丢了"。 ** 怎么找回早期的好手册：Cross-Time Replay 既然不能信"最后一版"，得回头挑。但凭什么挑？ 办法：在 5 个回合里偷偷攒两套小探针—— - *Hard probe*：每回合败得最惨（评分点通过率最低）的那道题 - *Easy probe*：每回合解得最轻松（评分点最少）的那道题 循环跑完，把 5 个版本的 Reasoner 手册*回去重做*这两套探针。每个版本算两个分：在难题集上的解题率 ρ_h、在易题集上的解题率 ρ_e。 *选哪一版？* 让 ρ_h × ρ_e 最大的那一版赢。 为什么是乘积不是相加？*乘积惩罚"舍弱保强"*——一个版本如果为了多解几道难题、把易题做塌了，乘积立刻塌（一个 0 拉低全场）；加法只算总分，掩盖短板。消融：换成加法 → -0.6%。 ──────── *你的对手如果只服你一个人，他会变成你的镜子，不是你的镜鉴*。 Self-play 跑久了，Challenger 出的题不再代表真实世界，只代表 Reasoner 当下还不会的边角；Reasoner 的手册也不再是知识，只是这场私局的应试手册。两个人在屋里关久了，一起走进自己造的回音壁。 破解的办法不在循环里——*在循环之外保留一份"代表性参照"*，回头挑哪一版没飘走。Cross-Time Replay 是这个论文真正的灵魂，不是某个技术细节。它在说：*对抗优化必须配一个不参与对抗的判别器*，否则一定会塌。这个判别器不一定是人，可以是从对抗自己内部偷出来的、有代表性的小样本——但它必须独立于"当下这一刻在追什么"。

距离世界杯决赛还有两天哈，抽空发个预告。 预告一个新功能，MANA Learn 即将加入在线翻译的功能。 其实这个功能不新鲜，也没多特别，就是一个普通的文本翻译。 不过，我觉得这是最适合MANA Learn 的外挂功能了。毕竟学习外语的时候，遇到不懂的句子复制过来翻译一下，很合理啊。 还有朋友问过我能不能把语音翻译功能也加进来？ 这个只能说，真的很难。语音实时翻译成本不低，真心送不起。如果做的话，非要买会员才能用，大家愿意用吗？

GM FAM💛 Let’s study Chinese 🖤 I selected 5 most used Chinese Crypto words for u guys to learn (⁎⁍̴̛ᴗ⁍̴̛⁎) Hope this video can help u trading better Love from Anna🫶🫶🫶🫶 宝贝们 让我们说中文o(｀ω´ )o 出了个简单的教学视频 有啥不足欢迎指出 谢谢大家指点(>^ω^<)

In this era, even robots have to go to school. Come take a look at what robots learn in school? #IntelligentRobot# 這年頭，機器人也得上學了。來看看機器人在學校都學啥？ #智能機器人#

📋 awesome-autoresearch 周期巡检 本轮新增 1 条目（discussions）： Introspection（Latent Space 采访）：ex-xAI 的 Roland Gavrilescu 创立新公司 Introspection，明确围绕自改进 autoresearch 系统构建基础设施，在 AI Engineer World's Fair 发表「Autoresearch in the Wild」演讲，提出三个生产模式：loop is the product、learn before automating、ground feedback in real signals。标志 autoresearch 从开源项目走向专门创业公司。 📂 📊 463 entries