Kimi K3 关于 UPX 相关的训练集还在 4.2.4 版本，也就是 2024 年的版本，内测的时候就注意到，关于前端相关的训练集新得可怕。比如刚刚支持 WASM init 的 Vite 8.1 的改动直接就做掉了，Typescript 也默认 7 为最新版。 Java 这块有很多证据佐证其训练数据大概是 2025 年的样子。

Codex 指令入门教程 这篇太好了，非常适合新手，自己就能管理好属于自己的Codex。 还有个适合新手的命令口诀，作者太用心了： 先 /init，让 Codex 认识项目。 再 /status，确认状态。 大任务先 /plan。 关键文件用 /mention。 改完必须 /diff。 提交前跑 /review。 对话长了用 /compact。 明天回来用 /resume。 临时问一句用 /side。 想试新路线用 /fork。 感谢作者

1. 之前在熊链存过钱的，查一下有空投 2. mitosis空投查询和领取 3. 养牛时交互过invariant的查询 $INVT 空投 4. 5. Hemi空投查询

43 个可安装的 AI 编码 skills，一条 npx 命令同时装进 Claude Code 和 Codex——从模糊想法到合并的 PR，整个交付流程有了统一闭环。 《Agent 工作流工具包》 agent-workflow-kit 是一个把"想法 → 合并的 PR"完整开发流程打包成 43 个可安装 skills 的开源工具包，同时支持 Claude Code 和 Codex 两个编码 agent，来自一个德语项目团队的内部实践沉淀（README 自述）。 一条命令装机。 在目标仓库根目录跑 npx github:iKon85/agent-workflow-kit init，skills 和辅助脚本会同时写入 .claude/skills（Claude Code）和 .agents/skills（Codex）。装完跑一次 /setup-workflow，它会探测你的 issue tracker，把 label、GitHub Projects 的字段 ID 写进配置——board 脚本里没有任何硬编码的 ID。 四阶段闭环。 Plan 阶段有 grill-me / grill-with-docs 拷问需求、to-prd 把想法变成 Draft-PRD、to-issues 拆成原子 issue（1 个 slice 一个 issue，多个 slice 升成 wave anchor）；Execute 阶段是严格的 tdd 红绿循环和 implement；Land 阶段 make-landable 跑本地 CI 闸门，land 负责 push、合并 PR、清理 worktree，pre-commit 钩子自动挡坏提交；Learn 阶段 retro 做复盘，把教训写回 rules 配置。另有 codex-review / codex-build 用第二个模型交叉审查 plan。 更新不覆盖你的改动。 init 会记录每个文件的 sha256。update 时你自己改过的文件先备份成 .bak 再替换，或者用 own 声明某个文件永久归你，更新直接跳过。kit 无遥测、MIT 许可，43 个 skills 里有一部分改编自 Matt Pocock 的开源 skills，每个都带 THIRD-PARTY-NOTICES 标注来源。 可选的 wave 管理。 board-to-waves 把积压 backlog 聚类成主题波次；当 slice 之间文件不相交、spec 锁定时，orchestrate-wave 可以端到端落地整个 wave——每个 slice 派一个 implementer 进独立 worktree，常常 AFK 跑完。 适合想让编码 agent 从"聊天写代码"升级成"按流程交付"的团队或个人。要求 Node ≥ 20、Claude Code 或 Codex；repo 今年 6 月才开源，还在 0.x 迭代，流程文档和更新机制已经相当完整，建议先在项目里小范围试。 原文： #AgentWorkflow# #ClaudeCode# #Codex#

大多数人打开 Codex 第一句就是「帮我做个网站」。五分钟之后文件全乱了，项目跑不起来，还不知道它改了啥。 问题不在模型。是你没告诉它在哪工作、能碰什么、怎么做完。 正式干活前配好这 5 个设置。 🔧 1. 指定项目文件夹 一个项目一个文件夹，别让 Codex 读桌面。 先 git init && git add . && git commit -m "backup"，改坏了有后悔药。 ⚡ 2. 模型和思考强度 别所有任务都开最高。 Low：改文案调颜色 Medium：日常开发搭页面（新手默认） High：复杂 Bug、跨文件改架构 Extra High：长时间大任务 平时用 Medium，难的再升档。 🔒 3. 权限配置 审批设 on-request，沙箱设 workspace-write。 别让它在你看不清时删文件改数据库。生产环境、API 密钥尤其收紧。 📋 4. 写一份 AGENTS.md Codex 的员工手册，每次启动都读。 至少写：沟通语言、改前先读文件、复杂任务先出计划等确认、不删现有功能、新依赖先说明原因、改完跑测试。 每次它重复犯错就加一条规则。 ✅ 5. 运行环境和验收流程 开发前先问：「检查运行环境——依赖、启动命令、测试、环境变量。缺什么告诉我，别改代码。」 再加验收清单：改了什么、解决了什么、跑了什么测试、还有没有风险。 这五步是你和 Codex 的工作协议。签了再开工。

每次搭 AI 应用，都从零开始连模型、接工具、写 prompt、处理输出……等真的能跑，已经过去半天了。 LangChain 解决的就是这个问题。它把所有重复动作封装成标准组件——模型、嵌入、向量库、工具调用——然后让你像搭积木一样拼起来。 核心价值不是“能做什么”，而是“不用反复重写”。换模型？改一行配置。换数据源？换一个组件。把 AI 应用开发从“写代码”变成“拼积木”。 快速开始： uv add langchain from import init_chat_model model = init_chat_model("openai:gpt-5.5") result = model.invoke("Hello, world!") 它自己已经演化成一个生态：Deep Agents（高级 Agent 套件）、LangGraph（可控 Agent 工作流）、LangSmith（调试和评估）、LangSmith Deployment（部署和扩展）。 如果你正在做 AI 应用，LangChain 大概率是那个“省下 80% 重复劳动”的基础层。 开源，仓库： 适合三类人： 1. 刚开始做 AI 应用、想快速出原型的开发者 2. 需要频繁换模型、接不同数据源的技术团队 3. 想建 Agent 系统但不想从零写编排的人 收藏备用，下一个 AI 项目从它开始。

字节跳动开源 AI 超级员工 近 8 万 GitHub Stars，能研究、写代码、做网页、生成 PPT，还会自己组建 AI 团队，DeerFlow 2.0 部署教程。 字节跳动开源了一个真正能“干活”的 AI：DeerFlow 2.0 🦌 它不只是陪你聊天。给它一个目标，它会：拆解任务 → 调用工具 → 分配子智能体 → 执行代码 → 检查结果 → 交付文件 GitHub 已接近 8 万 Stars，下面教你 5 分钟部署👇 DeerFlow 可以理解成：一个运行在自己电脑上的 AI 工作团队。 普通 AI：你问一句，它回答一句。 DeerFlow：你提出目标，它可以连续工作几十分钟甚至数小时，最后交付： • 调研报告 • 网页 • PPT • 数据分析 • 图片和视频 • 可运行的代码 它最强的地方，是给 AI 配齐了“工作环境”： • Sub-agents：多个 AI 分工协作 • Sandbox：隔离执行代码和命令 • Memory：记住你的偏好和工作方式 • Skills：安装或编写专属工作流 • MCP：连接外部工具 • Scheduler：定时自动执行任务 不只是模型，而是一套 Agent 操作系统。 部署前准备： • Git • Docker Desktop • 一个可用的大模型配置 • 至少 4 核 CPU、8GB 内存 • 推荐 8 核 CPU、16GB 内存 先下载项目： git clone cd deer-flow 教程基于 DeerFlow 2.0 主分支，运行官方配置向导：make setup。 它会引导你配置： • 使用哪个大模型 • API Key 或模型认证 • 是否启用联网搜索 • 是否允许 Bash • 文件写入权限 • 沙箱运行模式 配置完成后，检查环境：make doctor 推荐使用 Docker 启动： make docker-init make docker-start 第一次运行需要拉取并构建镜像。 启动成功后打开： http://localhost:2026 到这里，你已经拥有一个本地 AI Agent 工作台。 第一个实战：自动生成行业研究报告。 直接复制这段提示词： 研究 2026 年全球 AI Agent 市场。 将任务拆分给多个子智能体，分别分析： 1. 主要公司和开源项目 2. 商业模式 3. 市场规模与增长趋势 4. 潜在机会 5. 主要风险 最终生成一份结构清晰、带来源链接的中文研究报告。 第二个实战：一键制作内容网站。 研究最近一周最值得关注的 10 个开源 AI 项目。 总结每个项目的用途、核心亮点、适用人群和使用门槛。 完成研究后，创建一个现代、响应式的中文导航网站，并将网页文件保存到输出目录。 它不只是告诉你怎么做。 它会直接交付网页文件。 另外几个非常适合 DeerFlow 的任务： ① 阅读整个 GitHub 仓库并输出重构方案 ② 分析 CSV，生成图表和商业报告 ③ 根据资料制作 PPT ④ 自动收集竞品更新 ⑤ 把固定流程封装成自定义 Skill ⑥ 通过飞书、Slack、Telegram 或微信提交任务 真正的价值，是把重复工作变成自动流程。 最后提醒： DeerFlow 可以执行系统命令、访问资源和读写文件，权限非常高。不要在没有认证和网络隔离的情况下直接暴露到公网。 建议： • 优先使用 Docker 沙箱 • 默认只在本机运行 • API Key 保存在 .env • 重要文件提前备份 • 高风险操作保留人工确认 收藏起来，周末给自己部署一支 AI 团队。 项目地址：

看到一个有意思的开源项目——trajectory。 不同 AI 编程助手产生不同的会话格式。当你换工具时，过去积累的经验无法跨工具使用。有点像你用 GitHub Copilot 写过的代码，到了 Codex 就完全看不到你的习惯记录。 Letta AI 做的 trajectory 解决了这个问题：它把 Claude Code、Codex、LangChain deepagents 等工具的会话统一成一种对 Agent 友好的格式。 关键设计是极致简化，目标不是人类可读，而是 Agent 可处理。数据对比：原生 Claude Code 会话约 95 万 token，trajectory 格式压缩到约 17 万 token（默认截断模式下 5.6 倍压缩）；原生 Codex 约 392 万 token，压缩到约 73 万 token（5.4 倍压缩）。 这个格式不是为了复现完整执行过程，而是为了让 Agent 从过去的经验中高效学习。所谓的“Agent 梦”，也就是让 Agent 在空闲时回顾自己的行动、形成记忆，依赖这种标准化格式才能在不同工具之间通用。 使用方式： npm install -g @letta-ai/trajectory 然后在 Letta Code 里运行 /init，就可以回顾来自其他工具的会话记录。 这件事的意义在于：它是在为一个“Agent 经验市场”铺路。如果所有工具都支持这种格式，Agent 的跨工具学习就能实现——你在 Claude Code 里解决的问题，Codex 能直接从中学习。 这是一个标准化的早期尝试，方向值得关注。

爆肝整理，.claude 文件夹完整解剖指南 👇👇 从 CLAUDE.md 到 hooks、skills、agents、settings.json，每个文件的作用和套路一次讲透： 1.CLAUDE.md：项目级核心指令，每次会话自动加载，告诉 Claude 你的架构、命令、规范。200行以内效果最佳。 2.CLAUDE.local.md：个人覆盖文件，自动 gitignore，不污染团队配置。 3.rules/：模块化指令拆分，支持路径作用域（YAML frontmatter），API规范、测试标准各归其位。 4.hooks/：确定性控制。 PreToolUse 挡危险命令，PostToolUse 自动格式化，Stop 强制测试通过再收工。 关键：exit 0=成功，exit 1=记录但不阻止，exit 2=阻止执行并触发 Claude 自纠错。 Stop hook 必须检查 stop_hook_active，否则会死循环。 5.skills/：可自动触发的可复用工作流，描述匹配时 Claude 自己调用。 6.agents/：子智能体角色，隔离上下文，只给读权限，跑完汇报结果。 7.settings.json：权限总控，allow 放行，deny 封死，中间的会先问你。 8.两个目录：项目级 .claude/（提交 git）+ 全局 ~/.claude/（个人偏好+session历史） 9.hooks 不热重载，改完重启会话才生效。 10.实践起步：/init → settings.json → 建命令 → 拆 rules → 加全局 CLAUDE.md 建议直接把这份指南存下来，建 .claude 的时候对着配一遍。 感谢 @akshay_pachaar 的完整解剖。