国内部分Ai应用股还是依靠Ai模型降价盈利（这是一家的叙事；当然本人还并不看好）： AI短剧+AI硬件+AI音乐+算力芯片 行业原因： 1、当地时间7月30日，OpenAI下调GPT-5.6部分模型价格，其中，GPT-5.6 Luna模型价格下调80%，GPT-5.6 Terra模型价格下调20%。 2、据国元国际7月22日研报，国内AI商业化进程加速，月之暗面发布2.8万亿参数开源模型Kimi K3，7月15日网信办发布7款手机端侧生成式AI服务备案信息，应用端价值有望重估。 公司原因： 1、据2026年5月6日投资者关系活动记录表，公司短剧和AI短剧平台截至2026年3月底单月流水超4800万美元，ARR超5.7亿美元，预计2026年全年收入保持高速增长。 2、据集团7月31日官微，Skywork Note正式上线七天，首批海外库存全部售罄。Skywork智能AI挂件Recall与AI戒指TriRing将于近期陆续上线。 3、据2026年7月28日互动易，公司围绕人工智能全产业链布局，以视频模型、音乐音频模型等四大SOTA级人工智能模型为技术底座，支撑AI短剧、AI音乐、AI游戏三大AI Native平台经济体。 4、据2026年7月28日互动易，公司旗下艾捷科芯AI算力芯片业务进展顺利；据2026年5月11日业绩说明会，2026年4月艾捷科芯完成新一轮增资扩股，融资总规模达5.5亿元，投后估值突破40亿元。

微软最怕的 GitHub 项目，54K stars，只干一件事 把 Windows 11 变回一台正常的电脑 开始菜单搜本地文件，跳出来 Bing 网页 右键菜单藏在一层"显示更多选项"后面 任务栏塞满小组件、Copilot、搜索框，关都关不掉 OneDrive 开机弹窗提醒你备份，比闹钟准时 这个脚本一条命令干翻全部： & ([scriptblock]::Create((irm ""))) ▸ 批量卸载预装应用和推广软件 ▸ 关闭遥测、广告ID、诊断数据回传 ▸ 移除 Copilot、Recall、Click to Do ▸ 禁用 Bing 搜索结果和 Edge AI ▸ 恢复 Windows 10 经典右键菜单 ▸ 一键开启 Sandbox 和 WSL MIT 开源，免费用，所有操作可回滚 微软花了十年把 Windows 塞成广告牌 这脚本一条命令把它变回操作系统

Hermes官方认可的外置大脑（负责记忆的），POLO不允许你们还不知道。 每天跟 Hermes 跑长任务的人最需要这个。你调过的参数、让它分析过的文件、当时你坚持的输出格式，下次重开一个新对话，这些东西不用再重复一遍。开箱即用，配一行 API 就能挂上。 它能把 Hermes 的对话记忆、用户偏好、引用过的资源、做过的 skill 全部塞到一个文件系统里。 设计上解决 RAG 五个老毛病：上下文碎片化、长期任务 token 爆仓、扁平检索召回差、检索过程不可调试、memory 只会堆聊天记录不会迭代。 和 Hermes 集成是 first-class，不用装插件。Hermes 官方文档明说 "viking_remember、viking_recall" 这些工具会自动可用。配完 `hermes memory setup` 选 openviking 就行。官方给的实测数据是把 Claude Code、Hermes、OpenClaw 拉到 80%+ 任务完成率，输入 token 砍 63%。

1/ 翻到一个刚开源的 agent 项目 Zleap-Agent，专为本地小模型设计，思路挺有意思。 出发点：本地小模型笨、上下文又小。你要是像用 cc、codex 那样，把系统提示词、工具、记忆、十几轮历史再加个长文档全丢给它，模型基本就被干烧了。。。 2/ 所以他们的想法是：大模型在做的稀疏注意力、长上下文压缩，本质就是别让模型每一步都看所有东西。那这套思路，干脆挪到 harness 层来做，更直接。 3/ 设计有点像电脑桌面。agent 一进去是个主空间，但这个空间纯调度，不配任何工具，只有四个控制能力 dispatch、recall、deliver、task_detail，唯一能干的就是“进到别的 workspace”。 (顺便，workspace 不是子 agent。子 agent 用完即弃，workspace 是常驻的，有记忆有上下文，相当于把我们手写进 md 文件的那部分固化在这儿。) 4/ 跟 Claude Code 最大的区别是做减法的时机。CC 默认模型够强，厚上下文、复杂工具链全给它，装不下了再用 compaction 事后压。Zleap 是事前做减法，东西没进模型就按 workspace 切干净了，对模型能力的要求天生就低。 5/ 想搓本地 agent 的可以试试 Mac 跑本地 7B、14B，套上这层 harness，很多活就能跑起来，也不用什么都丢给云端按 token 付费。 企业多人共享我感觉用处更大：不同部门进不同 workspace，权限、记忆隔离、操作可审计（共用一个 Agent，但不共享同一坨上下文）。 6/ 它最值钱的点，是把工具和上下文做了隔离、提出 workspace 这个概念。这套反过来也能用到 cc 那类 harness 上。之前本地模型 + agent 几乎跑不起来，这算补上了一块空白。还是 preview，但思路我挺喜欢🫡

冷知识，RAG 技术的演进路径 ① 2020 — 基础 RAG（解决"知识不在模型里"） 起点是 Lewis 等人的 RAG：DPR 稠密检索 + 向量相似度 + 生成。它第一次让 LLM 能"外接知识库"，缓解幻觉和时效性问题。但这代是"无脑检索"——先把所有文本切成 chunk 做向量索引，查询时取 top-k 就完事。痛点：chunk 彼此孤立、检索粗糙、对复杂问题无力。这正是所有分支要解决的问题。 ② 2022–2023 — 检索精度升级（更准） ColBERTv2：把"单向量"改成 token 级多向量 + MaxSim 延迟交互，匹配更细；残差压缩把存储降 6–10 倍。检索器本身从"粗"变"准"。 Modular RAG：意识到 RAG 不该是固定管道，而是一堆可编排模块（检索/重排/生成），像乐高一样组合。架构开始"模块化"。 ③ 2023–2024 — 反思纠偏 + 结构增强（更准、更懂关系） Self-RAG / CRAG：给系统装"质检员"——Self-RAG 用反思 token 自己决定要不要检索、内容对不对；CRAG 用轻量评估器三路径纠正（正确用/错误重写或联网/模糊混合）。解决了"检索到垃圾也不知道"的问题。 RAPTOR：用递归摘要树组织文档，适合全局性、多跳、总结类问题。 GraphRAG / LightRAG / HippoRAG2：把文本抽成实体–关系知识图谱，用图谱做多跳推理（Microsoft GraphRAG 用 Leiden 社区摘要；HippoRAG 用个性化 PageRank）。这是"结构化知识"路线，但全量图谱构建很贵。 ④ 2024–2025 — 路由与成本优化（更省） Adaptive RAG：按查询复杂度动态路由——简单问题直接 LLM 答、复杂问题才走多步检索。 LazyGraphRAG：把社区摘要延迟到查询时才算，索引成本降到 GraphRAG 的 0.1%。 长上下文路由：2M token 窗口出现后，结论是"不替代 RAG，而是分工"——简单查走 RAG（几分钱），复杂多跳走长上下文，视觉文档走 ColPali。GraphRAG-Bench（ICLR 2026）给出经验法则：图的价值随查询复杂度上升。 ⑤ 2025–2026 — 自主智能体 + 强化学习（更自主） Agentic RAG：让 AI agent 动态决定"用什么工具（向量库/网页/API/SQL）、查几轮、怎么合成"。 Search-R1 / DeepRetrieval / DeepResearcher / MCTS-RAG：用 RL 端到端训练 LLM 学会"何时搜、搜什么"。Search-R1 在 Qwen2.5-7B 上比普通 RAG 提升 41%；DeepRetrieval 直接以检索指标（recall@k、NDCG）为奖励优化查询；MCTS-RAG 把蒙特卡洛树搜索融进推理。这是从"固定流程"走向"会自己找信息的智能体"。

给 LLM Agent 堆越花哨的"记忆"架构，效果不一定越好。一篇新论文实测了 12 个记忆系统，没有通用赢家。 它把 Agent 记忆当成数据库来拆——表示与存储、抽取、检索与路由、维护四个模块，拉来 Mem0、Letta、Zep、Cognee、MemOS、MemTree、A-MEM、LightMem 等 12 个系统，外加 Long Context 和 Embedding RAG 两个基线，跑 5 类负载、11 个数据集。 几个反直觉的点： 1）在数据库操作类任务 DB-Bench 上，裸的 Long Context（48.20 EM）和最朴素的 MemoChat 反而赢过一众精致记忆系统。强记忆看的是它对主导瓶颈的对齐程度，而不是用了多花哨的表示。 2）检索的关键是怎么组织证据供后续重建，而不是把最相关那条排第一。证据拉远时图/层级结构碾压扁平：A-MEM Recall@10 达 85.9，而 Embedding RAG 的 Answer-F1 从 37.1 断崖跌到 7.4。 3）成本由"维护范围"而非"结构本身"决定，局部维护远胜全局重组。LongBench 上 LightMem 稳在 17.3 秒，而做全局协调的 Mem0/MemoChat/MemoryOS/A-MEM 飙到 374~552 秒，20~30 倍延迟差。 4）别急着压缩：保留原文胜过摘要，压一压 Substring-EM 就从 26.0 掉到 10.7；抽取要保上下文（MemOS Fast 25.5 EM vs Fine 2.5）；维护要保守整合，激进的延迟刷新反而把分数拉低。 还有个普遍毛病叫"过去的幻觉"：事实更新后系统照样返回旧值。所以论文标题才会问，我们真的准备好迎接 Agent 原生的记忆系统了吗。

AI模型评分都是被专项攻坚创造出来的，于是我对比了Fable5，Grok4.5， Kimi K3针对同一个交易系统审计结果进行了对比。 先说结论： Fable5：最适合作为系统级主审核模型 Kimi：最适合作为代码缺陷与一致性专项审核模型 Grok：最适合作为代码梳理和方案发散模型，不适合单独决定策略修改 最佳组合：Fable5全面审核+Grok 4.5代码梳理+K3代码审核 具体细节： 1. Fable5：系统级判断能力最强 Fable5 最大的优势不是代码读得比另外两个模型更多，而是它能把： 代码规则； sizing snapshot； intent ledger； 实际 block 统计； 当前资产 headroom； SELL/REDEEM 回流路径； 放进同一个因果框架。 它使用了几个非常关键的实盘指标： ADD 近 7 天约占新增资金 43%； 84% 资金已经部署； ETH、SOL、XRP headroom 为 0； 近 40 个周期中主要阻塞是：blocked_capital_efficiency=47 blocked_asset_cap=28 deployment cap=0 runway=0 这让它能够区分： “某个机制理论上可能限制资金” 和 “当前实盘真正正在限制资金的机制”。 最终它得出： ADD 对资金流向重要，但当前周转主因在回收端、资产 cap 和效率过滤，不在 ADD 准入本身。 这是三个模型中最接近生产系统审核要求的判断。 弱点 Fable5 仍有一些过度推断： 把 ADD 描述为让资金“锁得更久”，实际上 ADD 的剩余 TTE 通常比 ENTRY 短； 把超 cap 资产总持仓约 $382 说成可以“直接解锁 $382”，没有区分总持仓、超额部分和可成交部分； 把模型中的 redeem_lag_days=2 一度当作实际回款延迟； “$5 仓位几乎不受每美元每日利润门约束”的推理不正确，因为该指标已经按资金归一化； 2-lot 最低 ENTRY 建议可能系统性损失覆盖率。 因此，Fable5 的系统方向判断最好，但具体数字和金融指标仍需二次校验。 最适合的角色 PRIMARY_SYSTEM_REVIEWER LIVE_OPERATIONAL_DIAGNOSIS CHANGE_PRIORITY_DECISION CROSS_MODULE_ROOT_CAUSE_ANALYSIS 2. Kimi：代码缺陷侦测能力最强 Kimi 对代码结构的还原比较准确： 固定 ADD 次数和 interval 已退役； ADD 采用 target-gap 模型； ENTRY 60%，ADD 补到 100%； allocator 是最终数量权威； style 仅作诊断； 现金、集中度、shock、深度共同限制订单。 更重要的是，Kimi 找出了其他两个模型没有明确指出的具体问题： shared_deployable_pool() 读取 account_snap["capital"]["deployable_cash"] 但该字段可能没有实际写入 → 回退到 free_cash → 策略层与 allocator 层资金口径可能不一致 它还发现了： 合同写 debounce 60 秒，代码/配置为 30 秒； 注释周期 16 分钟，实际 loop 600 秒。 这些是典型的静态审核、字段追踪和合同一致性检查优势。 弱点 Kimi 在资本效率和交易语义上的推理弱于它的代码检查能力。 典型错误是： ADD 价格更高，所以边际 edge/day 必然更差。 这忽略了剩余持有时间也缩短。更高 ask 并不必然意味着更低 edge/day。 它还认为： 60/40 会让剩余资金长期闲置； 提高 entry share 会改善周转； CONFIRMATION_NO 应收紧； 增加单市场软 cap 会改善组合周转。 这些结论缺少真实候选竞争、实际 block attribution 和反事实分配数据支持。 最适合的角色 STATIC_CODE_AUDITOR SCHEMA_AND_FIELD_FLOW_CHECKER CONTRACT_IMPLEMENTATION_DIFF LOCALIZED_BUG_DISCOVERY Kimi 很适合回答： “代码是否存在字段没有写入、默认值回退、文档与实现不一致、某个 gate 实际是否生效？” 但不适合单独回答： “应该如何改变交易策略和资本分配？” 3. Grok：代码梳理最完整，但最容易过度设计 Grok 对整个 ADD 路径的整理最详尽： 各层准入条件； risk latch； REDUCE reentry cooldown； 价格带； fingerprint； emergency cap； market target； ENTRY/ADD gap； allocator 的现金、集中度、shock 和深度约束； ADD 与 ENTRY 的评分和 continuity； SELL/REDEEM 对现金回收的影响。 它对当前代码执行模型的概括非常清楚： 能不能加由 headroom 决定；加多少由 target gap 离散为 lot；ADD style 只是解释标签。 因此，在“快速理解一个陌生复杂系统”方面，Grok 表现很好。 弱点 Grok 最大的问题是： 从“发现一个可能的机制副作用”快速跳到“建议修改策略”。 它提出了大量未经实盘证明的改动： TIME_TOPUP 冷却； ADD 1.5 倍 edge/day 门槛； ask≥0.97 限制为 1 lot； 降低 peak target； 提高 entry share； 单次仅补部分 gap； 弱化 continuity； 降低 TTE confirmation 权重。 这些建议表面上都很合理，但存在三个问题： 没有先证明这些机制实际造成了损失； 没有量化被 ADD 挤出的 ENTRY 是否更优； 可能重新引入此前已经修复的低 ADD recall 和 leader fidelity 偏差。 Grok很擅长生成完整优化空间，但容易把： POSSIBLE SIDE EFFECT 升级成： CONFIRMED ROOT CAUSE 再进一步升级成： SHOULD CHANGE PRODUCTION LOGIC 这是生产交易系统审核中最危险的倾向。 最适合的角色 SYSTEM_MAPPING CODE_AND_CONFIG_EXPLANATION HYPOTHESIS_GENERATION DESIGN_OPTION_ENUMERATION 不适合作为唯一的： PRODUCTION_CHANGE_APPROVER ROOT_CAUSE_FINAL_AUTHORITY STRATEGY_SEMANTICS_GATEKEEPER 三个模型的典型思维模式 Grok 发现机制 → 推演可能副作用 → 生成多种优化 → 倾向建议修改 优点：覆盖广、思路多。 风险：过度设计、假设升级过快。 Kimi 追踪代码和字段 → 找实现不一致 → 找局部缺陷 → 尝试从缺陷推导策略改进 优点：代码问题定位强。 风险：局部正确不等于系统结论正确。 Fable5 理解代码 → 读取运行数据 → 找实际 binding constraint → 区分主因和次因 → 按实盘收益排序 优点：最接近生产运营思维。 风险：仍会在个别指标含义和金额口径上过度断言。

AI really isn’t that mysterious. 叼毛们，AI 真没那么玄。 I’m not a coder, but with Codex, I still built my own small web page. 不是程序员， 用 Codex 也能慢慢搭出一个自己的网页。 Not perfect. But it works. It can run, display, and be improved. 不完美， 但能跑、能看、能继续改。 Meanwhile, some people are still selling “magic prompts” and beginner courses. 有些人还在卖“万能提示词”和“AI入门课”。 Nothing wrong with learning. But at some point, you need to stop collecting lessons and start building something. 一直准备学习，真不如先做出一个东西。 Build first. Improve later. 先做出来， 再优化。 强过纸上谈兵 #AI# #ChatGPT# #Codex# #AITools# #NoCode# #BuildInPublic# #Productivity# #WebTools# #DigitalTools# #WorkSmarter# #AI时代# #工具分享# #效率工具#

I really want to show my new work to everyone soon. Like and comment, and you will be randomly given a benefit. 😜 我好想向大家展示我的新作品😍 点赞加评论，随机抽取粉丝宝宝送新作品福利哦 Love u so～