再次推荐 Google Engineering & DevRel Leader @addyosmani 重磅开源的 Agent Skills (69.7✨)，把资深工程师的生产级工程纪律，固化为 AI Agent 可机械执行、强制验证、跨工具复用的工作流 Agent Skills: Production-grade engineering skills for AI coding agents. 它要解决什么问题？ AI Coding Agent 的默认行为是"走最短路径"——跳过规格、跳过测试、跳过安全评审，给出能跑但不可靠的代码。Agent Skills 的立论是：质量不靠提醒出来的，要靠强制流程托底的。它把"什么时候写规格、测什么、怎么评审、何时发布"这类隐性工程判断，固化成 Agent 必须遵循的步骤。 顶层架构：六阶段生命周期 DEFINE → PLAN → BUILD → VERIFY → REVIEW → SHIP /spec /plan /build /test /review /ship 8 个 slash 命令作为入口，分别对应一个阶段，自动激活对应 Skills。Skills 也会按上下文自动触发（写 API → api-and-interface-design，写 UI → frontend-ui-engineering）。/build auto 在一次批准后自动跑完计划与实现，但每个任务仍独立测试、独立提交、遇险即停。 24 个 Skills 的分布 1. Meta - 1 个 using-agent-skills（路由，决定该用哪个技能） 2. Define - 3 个 interview-me、idea-refine、spec-driven-development 3. Plan - 1 个 planning-and-task-breakdown 4. Build - 7 个 incremental-implementation、test-driven-development、context-engineering、source-driven-development、doubt-driven-development、frontend-ui-engineering、api-and-interface-design 5. Verify - 2 个 browser-testing-with-devtools、debugging-and-error-recovery 6. Review - 4 个 code-review-and-quality、code-simplification、security-and-hardening、performance-optimization 7. Ship - 6 个 git-workflow-and-versioning、ci-cd-and-automation、deprecation-and-migration、documentation-and-adrs、observability-and-instrumentation、shipping-and-launch 几个值得点名的设计取向 · doubt-driven-development：对抗性"新上下文复盘"，CLAIM → EXTRACT → DOUBT → RECONCILE → STOP，可选跨模型升级。这是该仓库比较有原创性的一项，针对高代价/不可逆决策。 · source-driven-development：框架决策必须挂在官方文档上，要引源、要标注未验证项。直接对治 LLM 编造 API。 · deprecation-and-migration 把"代码即负债"单列为技能，配套强制 vs 建议性弃用模式与僵尸代码清除——很少见但有工程味。 · Google 工程文化底蕴：Hyrum's Law（API）、Beyonce Rule 与测试金字塔（测试）、变更尺寸约 100 行 + 评审速度规范（评审）、Chesterton's Fence（简化）、主干开发（git）、Shift Left 与 feature flag（CI/CD）。来源明确标注自《Software Engineering at Google》与 Google 工程实践指南。

吴说获悉，tZERO 表示，将把其受监管经纪交易商服务接入高盛 Financial Square Treasury Instruments Fund（FTIXX），并通过其支持的 Lynq Real-Time Settlement Network 向符合条件的美国参与者提供访问。FTIXX 的加入将扩展 Lynq 面向机构的资金与现金管理能力，并将机构投资产品与面向传统资产和数字资产的实时结算基础设施相结合。

我让 GPT 5.6 优化了我的一个 SwiftUI 项目的性能，让它自己用 Instruments 去 Profile、去 Xcode 改代码验证。最后的结果非常满意。 其实 SwiftUI 要用好的话，性能还是可以杠杠的，只是现阶段 AI 很难默认就写出最佳实践，同时开发也很难有时间专门抽出去优化。

财报前瞻VECO 在2026年全球半导体资本设备（WFE）市场步入高度分化的背景下，Veeco Instruments Inc. (VECO) 的定位已从传统的设备供应商演变为支撑人工智能（AI）基础设施和先进制程逻辑芯片的关键技术节点。通过对过去五年企业发展轨迹的审视，可以发现Veeco成功地将其技术护城河从日益商品化的发光二极管（LED）和普通功率器件领域，转移到了极紫外光（EUV）掩模保护、2纳米全环绕栅极（GAA）晶体管退火以及高带宽存储器（HBM）先进封装等高门槛细分市场。这种战略转型不仅重塑了公司的营收结构，也使其在当前的AI投资狂潮中占据了独特的生态位。 当前的半导体设备景观正经历一场由物理限制带来的技术变革。随着摩尔定律在3纳米及以下制程面临巨大的热预算和材料沉积挑战，Veeco持有的激光钉扎退火（LSA）和离子束沉积（IBD）技术成为了代工厂实现性能跃迁的“必选项”。这种行业地位的转变，为解读即将发布的2026年第一季度财报提供了必要的前瞻性视角。 针对即将于2026年5月5日发布的财报，其实绩表现将受限于多种复杂因素的交织作用。首先是AI基础设施带动的先进封装与HBM需求。AI加速器对HBM的需求正处于爆发期，Veeco的湿法处理和光刻工具在HBM的垂直堆叠中具有极高的应用价值。AI相关收入占Veeco总收入的比例预计将从2024年的约10%提升至2026年的20%以上，这种营收结构的改善不仅提升了收入的确定性，也增强了市场对公司长期估值中枢上移的信心。 同时，2纳米制程节点转向下的GAA技术红利也在释放。随着台积电和英特尔等领先代工厂加速向2纳米GAA架构转型，激光退火设备的需求进入了新的上行周期。LSA技术的独特之处在于其极短的脉冲时间和精确的热预算控制，这对于维持2纳米制程中超浅结的稳定性至关重要。这意味着即便在宏观经济波动期间，先进制程的资本支出也表现出更强的防御性。 此外，数据存储业务正处于周期性底部回升阶段。在经历了2025年营收近乎腰斩的低谷后，数据存储业务在2026年显示出明显的复苏迹象。这不仅是营收的补充，更是产能利用率提升的关键。一旦该板块在第一季度确认的订单超出预期，将直接对Non-GAAP每股收益产生显著拉动。而Veeco与Axcelis价值44亿美元的合并案则是目前影响股价的重要变量，虽然短期会有费用体现，但协同效应的预期是市场的核心关注点。 基于对上述因素的分析，Veeco在2026年第一季度实现“双重超预期”（营收与EPS均高于一致预期）的可能性较大。目前市场对Q1的营收预期约为1.6299亿美元，Non-GAAP EPS预期约为0.23美元，毛利率预期在37.5%左右。由于Veeco在2025年底积压了5.55亿美元的高质量订单，且很大一部分属于先进制程设备，只要供应链交付不出现重大中断，营收确认在指引上限附近的可能性较高。 尽管财报超预期概率高，但股价反应取决于更复杂的博弈。看涨逻辑在于指引的上修潜力，目前7.4亿至8亿美元的年度指引被认为过于保守；同时合并进度的正面评论以及HBM与GAA叙事的强化，有望推动估值溢价向行业龙头靠拢。相反，利空风险则来自技术面超买（RSI指标显示超买）、中国市场份额的持续萎缩以及先进封装占比过高可能带来的毛利率压力。 在财报表象之下，必须理解更深层的结构性观察。Veeco与Axcelis的合并本质上是一次“防御性”与“进攻性”并重的战略博弈。 Axcelis在SiC和GaN离子注入领域的统治地位，与Veeco在激光退火和EUV掩模领域的地位结合，将创造出一个能与大市值巨头有效抗衡的实体。 其次，Veeco在EUV掩模空白制造领域的独占性是其估值底座。随着High-NA EUV系统的部署，掩模更换频率提升为Veeco带来了具韧性的“耗材化”设备需求。 最后，第一季度财报中关于“订单转化率”的描述将至关重要，5.55亿美元积压订单的转化速度将是衡量供应链瓶颈或客户需求信号的关键指标。 因此，管理层对交付时间表的评论，其重要性不亚于财务数字本身。 免责声明：本人持有文章中提及资产，观点充满偏见，非投资建议dyor

本周财报重点：AI链又要被验证一轮 本周科技财报集中在周二到周四，盘后为主。 周二盘后 Netflix（NFLX） SpaceX（SPCX)，本周最受关注之一 周三盘后 Meta（META） Tesla（TSLA） IBM Lam Research（LRCX，半导体设备） Texas Instruments（TXN，芯片） 周四盘后 Western Digital（WDC，存储） Bloom Energy（BE，电力/燃料电池） 看点
Meta和Tesla会直接验证AI支出节奏和回报预期；SpaceX则看太空+算力叙事；LRCX、TXN、WDC、BE则对应半导体设备、存储和电力这些AI基础设施环节。 上周科技股刚回调，本周这几家的业绩和指引，会对AI链情绪形成新一轮定价。虽然没有英伟达、微软、谷歌、亚马逊这些超大盘，但中游和基础设施相关的验证已经够密集了。

陈sir 音律联觉 我真的会弹古筝哦！过几天更新视频 I can really play this instrument! I have learned this Chinese instrument since I was 7. I will release a video a few days later. Photographer: @hpomgs #cosplay# #明日方舟# #陈sir# #アークナイツ#

白线本周前瞻：Meta、Tesla 与半导体企业财报集中公布。Meta 上季度资本开支达 310.8 亿美元，自由现金流仅 7.84 亿美元，本周重点看广告增长与盈利能否支撑高额 AI 投入。Lam Research、Texas Instruments 和 Western Digital 将更新芯片设备与云存储需求，美国原油库存、初请失业金及欧美 PMI 则影响月底美联储利率预期。阅读全文：

MSX 今日上新｜2 只美股代币开放交易 📈 ⚡ $VICR.M｜现货 Vicor，盯住 AI 芯片供电瓶颈的高密度电源玩家。 Q2 营收指引从 1.26 亿上调至 1.42 亿美元，产品放量和专利授权一起提速。 🗓️ 7 月 21 日盘前公布财报。 🔌 $TXN.M｜现货 Texas Instruments，全球模拟芯片龙头，8 万多款产品横跨工业、汽车和数据中心。 Q1 营收同比增长 19%，还计划斥资约 75 亿美元收购 Silicon Labs，继续补强低功耗无线连接。 🗓️ 7 月 22 日盘后公布财报。 🚀 7 月 20 日（UTC+8），两只现货开放交易。 #半导体#

#preOPAI# 是否会受到OpenAI股权转让限制的影响？ 1、preOPAI 底层的 OpenAI 股权通过直接投资获得，而非投资者之间的股权转让，不受该份近期声明影响。 2、preOPAI 由Republic发行的债务凭证，旨在反映 OpenAI 业绩表现，并非真实股票，持有代币不代表持有OpenAI股权。因此，preOPAI 的交易和转移不受OpenAI股权转让限制，因为它不等于 OpenAI 的股权。 Will preOPAI be affected by OpenAI’s equity transfer restrictions? 1. The underlying OpenAI equity exposure of preOPAI was obtained through direct investment, not through equity transfers between investors, and is therefore not affected by the recent statement. 2. preOPAI is a debt instrument issued by Republic, designed to reflect OpenAI’s performance. It is not actual equity, and holding the token does not represent ownership of OpenAI shares. Therefore, trading and transferring preOPAI are not subject to OpenAI’s equity transfer restrictions, as preOPAI is not OpenAI equity.

SLAS（Society for Laboratory Automation and Screening，国际实验室自动化与筛选学会）是全球实验室自动化、高通量筛选（HTS）、药物发现和 AI + Wet Lab 最重要的行业组织之一。 如果说 NeurIPS、ICML 代表 AI 算法的发展方向，NVIDIA GTC 代表 AI 算力的发展方向，那么 SLAS 正逐渐成为 AI for Science 和 AI 驱动 Wet Lab 的产业风向标。 今年的 SLAS Europe 2026，行业关注点发生了明显变化。从模型性能转向实验室现实。 数据质量（Data Quality）、系统互联（Interoperability）、实验执行（Lab Execution）、自动化基础设施（Automation Infrastructure）成为会议最频繁出现的关键词。 行业开始意识到，AI 已经不是最大的瓶颈。真正的瓶颈是实验室。 过去几年，AI 可以轻松设计数百万个候选分子，但这些候选分子最终仍然需要实验验证。真正限制研发效率的，不是模型还能提升多少，而是实验能否更快完成、数据能否高质量产生、结果能否快速反馈。 AI 本身已经开始走出 super Cycle，但对ai驱动的生命科学来说，模型越来越成熟，实验能力开始成为新的稀缺资源。 新的关键词是Orchestration。（是不是有点耳熟？） 过去谈实验室自动化，更多指的是 Automation。 自动移液机器人，自动培养，自动筛选。。。 今天讨论是整个实验室如何作为一个整体协同运行。 Automation 关注单个设备，Orchestration 管理整个实验室。 未来实验室越来越像数据中心。AI、机器人、仪器、数据库、分析平台需要组成一个连续运行的系统，而不是一堆独立设备。 整个流程开始变成：AI 提出假设、自动设计实验、机器人执行实验、仪器产生数据、AI 分析结果、重新设计下一轮实验、不断循环。 这就是 Closed-loop Lab。真正重要的不是机器人，而是整个实验流程能够形成闭环。 因此，API 开始成为新的基础设施。未来 Agent 不仅需要调用大模型，还需要调用实验室、调用仪器、调用机器人、调用分析平台。 没有统一 API，Agent 无法真正操作实验室。没有数据接口，AI 无法形成反馈。 未来实验室的核心竞争力，是谁拥有最好的 Instrument API、Workflow API 和 Data API。 AI 与 Wet Lab 的融合，本质上就是数字世界和物理世界之间建立统一接口。 这也是为什么 LIMS、ELN、SDMS 这些实验室的信息化软件，未来，它们更像 AI 的长期记忆。 LIMS（Laboratory Information Management System）负责管理样品、实验流程和实验结果。 ELN（Electronic Laboratory Notebook）负责保存实验设计和研究记录。 SDMS（Scientific Data Management System）负责管理科学仪器产生的大规模原始数据。 未来 AI 并不是直接读取 PDF 或 Excel，而是直接调用这些系统，理解过去所有实验历史，设计下一轮实验。 实验室开始从事后分析（Reactive）进入预测干预（Predictive）。Agent 不再只是分析实验，而是开始参与实验。整个行业也越来越认可一个现实，Wet Lab将越来越重要（这点从wet lab大牛最近加入anthropic也可以看出）： 模型必须经过实验验证。 实验不断产生真实数据。 真实数据继续训练模型。 模型再提出新的假设。 Hypothesis → Experiment → Learn → Hypothesis。 这个循环无法被跳过，这就是未来的Closed-loop Lab 对于接下来的ai驱动生物科学的重要节点，最值得关注的可能是实验室基础设施。 高通量实验平台、实验室机器人、液体处理系统、LIMS、ELN、SDMS、Workflow Orchestration、Lab OS、Connected Lab、Closed-loop Lab，这些过去相对边缘的领域，正在成为 AI for Science 最重要的新基础设施。