吴说获悉，以太坊 Protocol Architecture 团队公布 Hegotá 升级建议方案，拟将 FOCIL（EIP-7805）作为核心升级，以协议级包含保证提升抗审查能力，并将 Frame Transactions（EIP-8141）作为执行层重点，配合 Keyed Nonces 等改进隐私交易体验。团队提出重新校准交易数据与状态增长成本，为 Gas Limit 提升至 5–6 亿做准备；同时支持在数据验证充分的前提下，将 Slot 时间由 12 秒缩短至约 10 秒。

東方宮闕 · 鳳儀 | MJ出图Seedream5Pro优化提示词分享 使用Akool AI视频聚合平台 @AkoolInc 概念分镜設計 #Midjourney# MJ8.2 分镜細節優化 #Seedream# Seedream5Pro 影片生成 #Seedance# Seedance2.5 Film by @KishenArt ------------------------- --提示词分界线-- Reimagined, futuristic Oriental Heavenly Palace, cinematic‑world architecture, volumetric fog, floating dreams, grain, atmospheric perspective, surreal materials, futuristic Oriental mythology, ARRI Alexa 65 cinematography, 35mm film grain, shallow depth of field, cinematic masterpiece, epic Oriental sci‑fi fantasy, 8K ultra‑detailed #AIart️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️# #AIphotograper# #AI寫真# #AI創作# #东方美学# #巨构美学#

把架构图画成可拖、可分享的图 现在有个开源 skill 直接干这事 名字叫 draw-architecture 你丢一段文字描述的系统架构 它吐一张像 Figma 一样的 canvas： 拖拽、缩放、点元件隔离看 一键导出高清 PNG 丢进文档/PPT 还能把链接甩给同事在图上留言 平时跟团队对架构 最烦的不是「画不出来」 是图画完就死了 别人只能看截图 这种「可交互 + 可讨论」才是协作资产

我这些年反复讲过，让AI Agent好好写代码，所有的秘诀都写在了1990年代的教材里： - 踏踏实实写test，多写test，让test coverage尽可能高 - 认真做好CI/CD，千方百计避免messed up - 对于一个新项目，做好top-down design（specs driven），从features和requirement出发，设计architecture 和 interface，一层一层设计下去 - 对于一个快速增长的项目，先切分好文件，再切分好module，再划分成一堆service或者executives，提前解耦 - 对于一类的功能，提前做好design pattern的功课，减少重复，增加复用 - 如果codebase足够大，要么一点点修复但是提高test coverage，要么保持好specs、test、interface直接推倒重写，有空就重写， 永远重写，重写重写重写 近两年人类做的事情，就是把上面这些东西重新实践了一遍。

韩国第一大加密货币交易所 Upbit 宣布将于 6 月 15 日上线 OpenGradient（OPG），开放 BTC 和 USDT 交易对，支持 Base 网络充提。OpenGradient 是一个去中心化 AI 基础设施网络，采用 Hybrid AI Compute Architecture（HACA）架构，将 AI 推理执行与验证分离，以提升 AI 结果的可验证性。

Scaling Law的下一个：Power Scaling Blackwell之后，AI服务器进入Power Scaling阶段。单GPU持续提升功耗，Rack正从几十kW快速迈向100kW、200kW，未来甚至可能达到300-500kW。未来几年，Power的重要性将持续提升。 目前市场普遍预计，Vera Rubin继续采用高性能SiC Rectifier，Rubin Ultra则有望进一步演进至Solid State Transformer（SST）架构。SST尚未得到官方确认，但整个产业已经开始围绕MVDC、中压供电以及高密度Power Architecture进行布局。真正重要的不是Rectifier还是SST，而是两条路线最终都指向同一个底层技术——SiC。 Rectifier完成AC/DC转换，SST进一步集成变压、隔离、双向功率流以及数字控制，更接近整个供电系统的平台升级。随着Rack功率不断提升，铜耗、转换损失以及动态响应开始成为新的约束，SST正是围绕这些问题演进。 SiC的重要性是，无论最终采用Rectifier还是SST，高压、高频、高效率的功率开关几乎都离不开SiC。 相比传统硅器件，SiC拥有更低的导通损耗、更低的开关损耗、更高的耐压能力以及更高的工作频率。当供电电压进入800V以上、单机柜功率进入数百kW之后，这些优势开始持续放大。 GaN和SiC经常被放在一起讨论，但它们解决的是不同的问题。SiC商业化的主流器件是SiC MOSFET，GaN商业化的主流器件则是GaN HEMT。未来最有可能形成明确分工：中压、高压、大功率转换采用SiC，板级、高频DC/DC转换采用GaN。两条路线长期更可能协同发展。 SiC份额提升，也意味着传统硅功率器件开始重新定位。目前硅功率器件主要包括IGBT以及Super Junction MOSFET。IGBT适合极高电压、大电流场景，目前仍广泛应用于轨交、工业驱动以及风电。Super Junction MOSFET通过超结结构显著降低导通电阻，长期成为服务器电源和工业电源的主流方案。 几十kW服务器时代，Super Junction MOSFET已经足够优秀。数百kW AI Rack时代，高压、高频、高效率开始成为新的优化目标，SiC逐渐进入价值量最高的供电环节。 AI数据中心的SiC需求更多取决于算力需求、电力基础设施以及Hyperscaler CapEx。这意味着行业周期可能比过去单纯依靠汽车市场更加稳定。 如果这一趋势继续发展，受益的将不仅仅是SiC器件公司。目前全球主要供应商包括Infineon、ON Semiconductor、STMicro、ROHM以及Wolfspeed。除Wolfspeed之外，大多数都是IDM。同一座Fab通常同时生产Si MOSFET、IGBT、模拟芯片以及SiC器件。 另一个重点是制造端。SiC虽然需要外延、高温退火等特殊工艺，但大量设备仍然沿用成熟制程平台，包括光刻、刻蚀、薄膜、CMP以及测试。未来如果8英寸SiC进入持续扩产周期，受益范围将进一步扩展到成熟制程设备、SiC外延设备以及衬底供应商，而不仅仅局限于器件企业。 接下来，值得持续跟踪的领先包括：NVIDIA是否正式导入SST，Hyperscaler是否开始部署MVDC，Vertiv、Delta、Schneider、Eaton是否推出下一代AI供电架构，Infineon、ON、ST是否开始单独披露AI数据中心收入，全球8英寸SiC Fab是否进入新一轮资本开支周期。 这些信号比短期销量更加重要。

卧槽，14.8万星！TypeScript大神把几十年工程经验直接做成了Claude Code的Skill Matt Pocock——就是那个 TypeScript 界封神的老哥——把自己 .claude 目录里的东西开源了。 一行命令安装： npx skills@latest add mattpocock/skills 然后在 Claude Code 里你就有了这些：🔥 /tdd — 强制红绿重构循环，AI写代码必须先写测试，不让它自由发挥 /diagnosing-bugs — 结构化 Bug 诊断，复现→最小化→假设→验证→修复，一步不跳 /grill-with-docs — 需求对齐，让 AI 在动手之前先建立项目的领域模型，不再鸡同鸭讲 /to-prd — 把对话直接变成 PRD 扔进你的 Issue 追踪器 /handoff — 上下文压缩成交接文档，下一个 Agent 直接接着跑 /improve-codebase-architecture — 扫架构问题，出 HTML 报告 他在 README 里写了一句话：这是给真正的工程师用的，不是氛围编程（vibe coding）。 特么的说到我心坎里了😂 AI写代码快是快，但代码质量烂，测试没有，架构是泥球，这些问题这套 Skill 都在帮你堵。 14.8 万星不是吹出来的，是真的有用。

千万别拿我和张雪峰这个大傻逼作对比。 网友：我想学AI相关的专业，我对AI很感兴趣，请问我应该选计算机还是数学？ 我：你一定要选计算机，先把python和数据结构基础打好， 然后从deep learning这门课开始学，可以在家配置一个nvidia GPU的笔记本或者台式机，或者用google colab，先从最简单的 CNN 开始训练，找一个dataset，自己安装好pytorch和cuda、cudnn，抄一个经典CNN model，训练你的第一个神经网络， 然后可以学习transformer，学习encoder only的BERT，学习decoder only的GPT模型，从minGPT开始，训练你的最小版本的GPT模型， 如果你对训练模型感兴趣，可以读个PhD，如果你的inference感兴趣，可以多花点时间看cuda，简单学习一下nvidia tensor core architecture，可以了解GPT后续的模型的架构， 如果你对inference感兴趣，你也可以直接看vllm的架构，读里面的代码，理解vllm是如何load一个用pytorch训练好的LLM模型， 如果你对AI Agent感兴趣，可以从ReAct Agent开始看，然后看SWE Agent，知道一个Agent是如何抽象出来的，如何调用function call，如何自己做reasoning，如何把一个软件开发的任务用agentical的方式拆分和执行的， 然后你可以看codex的架构，看看codex是如何设计memory、auto compact、multi agent、background task这些现代coding Agent功能的。 张雪峰（下面视频中可以找到原话）： 孩子，你一定要学数学，数学学好了可以转互联网、AI、科技、半导体、金融所有专业，数学是一切专业之母，所有专业的老祖宗！ 孩子，deepseek就是一群纯数学博士造出来的，这些人天天研究数学，就把deepseek造出来了！ 孩子，AI本质就是数学建模，就是一个个自变量，你只有研究数学，一直读到数学博士，才能把这些数学建模研究明白，计算机毕业生是永远研究不明白AI的！ 我的结论是，鼓吹“数学万能论”、“数学是一切专业的老祖宗”、“只有数学博士才能研究AI”的张雪峰和他们的粉丝，都是彻彻底底的大傻逼。

🔥 用 AI 写代码最烦的不是 AI 不会写，而是它一上来就乱写！ 需求没问清、术语不统一、测试没反馈、架构越改越乱。 最近发现一个神级项目，Matt Pocock 把自己每天做真实工程的 Agent Skills 整理成了开源仓库。 GitHub： 1️⃣ /grill-me 和 /grill-with-docs 开工前先追问需求，减少 Agent 理解偏差。 2️⃣ /tdd 🧪 引导 Agent 走 red-green-refactor，用测试约束输出。 3️⃣ /diagnose 🐛 按复现、最小化、假设、插桩、修复、回归测试的流程排 bug。 4️⃣ /improve-codebase-architecture 🏗️ 定期检查代码结构，避免越写越像泥球。 5️⃣ /to-issues 和 /to-prd 📋 把想法拆成更适合执行的 PRD 或 issue。 6️⃣ 一键安装支持 ⚡ 支持通过 npx skills@latest add mattpocock/skills 安装到不同 Coding Agent 里。 如果你已经在用 Claude Code、Codex 或其他编程 Agent，这个项目很适合作为工作流参考。