Mac 自带的 Spotlight 只够搜个应用，换功能全的启动器，不少要注册账号，后台内存也一路往上走。 Tinycast 是纯原生写的 macOS 启动器，一个快捷键呼出，常驻内存压在 100 MB 以内，不用 Electron，不收任何数据，免费开源。 启动应用、文字和图片都存的剪贴板历史、就地算数和汇率换算、窗口分屏这些都有，分屏动作给了 34 个，半屏四分屏挪显示器都在里面。 GitHub： 最让我意外的是，它能直接跑 Raycast 的扩展，装过的那些拿过来就能用，渲染成原生界面，设置也能从 Raycast 一键导入。 还能把网址、文件、搜索做成命令，运行快捷指令 App 里建好的流程，给任意应用绑一个全局快捷键按一下切换。 AI 聊天和选中文本改写这些功能都有，但默认全关着，接自己的密钥才开。Homebrew 一条命令装，要 macOS 26 以上。 用 Raycast 觉得重、又舍不得那些扩展的，可以换这个试试。

在 Mac 电脑上找个文件，Spotlight 搜半天搜不到，名字记不全更是白搭。 Cling 是一款 macOS 上的文件搜索工具，支持模糊匹配，打错字、只记得一半名字也能找到。 搜索速度很快，900 多万个文件里定位一个，不到 100 毫秒。 GitHub： 启动时默认显示最近改过的文件，找到以后可以直接拖拽、用快捷键操作或者跑自定义脚本。 经常翻文件翻到头疼的朋友，装一个试试。

BWENEWS: THE BLOCK spotlighted by the WEF for NHS AI use cases 方程式新闻: THE BLOCK FLOCK MarketCap: 13M (Auto match could be wrong, 自动匹配可能不准确)

推荐这篇文章，Together AI 的 ThunderAgent（ICML 2026 Spotlight）。 把 agent 工作流当成一个"程序"来调度，而非一系列无关的请求——单节点吞吐翻倍，8 节点近线性扩展。 Together AI 在 7 月 29 日发布了 ThunderAgent——一个面向 agentic 推理的高吞吐调度系统。ICML 2026 Spotlight 论文。核心贡献：把 agent workflow 抽象为"程序"而非"一系列不相关的请求"。 问题：KV Cache Thrashing Agent 工作流在两个阶段之间交替：GPU 密集的推理阶段和 GPU 空闲的等待工具返回阶段。当数百个 agent 并发运行时，各自的 KV cache 在每轮不断增长，竞争有限的 GPU 内存。 传统推理引擎（vLLM、SGLang、TensorRT-LLM）按请求级别调度——agent A 暂停等待工具调用时，它的 KV cache 被 LRU 淘汰腾出空间给 agent B 的 prefill。当 A 的工具返回，引擎必须从头重算 A 的整段对话历史，这又淘汰了 C 的 cache。高并发下，这种淘汰和重算的级联反应导致严重的吞吐量和延迟退化——论文称之为 KV cache thrashing。 能通过加 GPU 节点解决吗？不完全。现有多节点路由器（如 SGLang Gateway）把每个 agent 钉在固定节点上以保留 cache 局部性——但 agent 的上下文长度不可预测增长，某些节点被赋予长上下文 agent 导致内存耗尽，其他节点闲置。 能通过 KV cache offloading 解决吗？也解决不了。LMCache 和 HiCache 把 KV cache 卸载到 CPU 内存或磁盘，扩大了总容量但只是延迟 thrasthing。当并发 agent 的工作集超过所有存储层级时，淘汰恢复，同一个恶性循环重现。 ThunderAgent 的解法 ThunderAgent 在 agentic 客户端和推理后端之间插入一个轻量调度层。它将每个 agent 工作流抽象为一个可调度程序（program），追踪其执行阶段、KV cache 占用和节点位置。 Program-level admission control：监控每个节点的内存压力，选择性暂停低优先级工作流，减少竞争 cache 的程序数量。当被暂停的工作流准备恢复时，通过全局等待队列路由到容量最充足的节点。 多节点部署：用全局等待队列替代了基于 session 的静态节点绑定。暂停的工作流恢复时被路由到可用容量最多的节点，在 KV cache 局部性和多节点负载均衡之间取得平衡。 评测 集成在 Together AI 自己的合成数据生成管道里——就是产生 CoderForge 等数据集的那套基础设施。对比 SGLang 默认调度器： 单节点 8×H100（HiCache offloading），batch size 192： • SGLang：吞吐 390 token/s，平均延迟 65s • ThunderAgent：吞吐 803 token/s，平均延迟 10.6s 多节点（2→8 节点）： • 近线性扩展，16 GPU 到 64 GPU 吞吐从 671 增长到 2248 steps/min • 加速比随集群规模增大：2 节点 1.79× → 8 节点 2.39× 使用 一个 program_id 字段，OpenAI 兼容 API，直接适配现成的 offloading 和 speculative decoding。已被 SkyRL 和 NVIDIA Dynamo 集成。 GitHub： 论文： #AgentInference# #KVcache# #ThunderAgent#

一个极简的个人仪表盘项目，核心亮点是内置了类似 macOS Spotlight 的搜索启动器（Ctrl+F 唤起）。支持模糊搜索排名、智能搜索引擎切换（

🚀 SHIB suddenly woke up. 一根大阳线，把沉睡已久的 SHIB 拉回了大家的视线。 ethereum:0x95ad61b0a150d79219dcf64e1e6cc01f0b64c4ce 是新一轮 MEME 行情的开始，还是一次短暂的情绪拉升？👀 🚀 SHIB is finally moving again. One strong candle has brought SHIB back into the spotlight. The start of a new meme season, or just a short-lived pump? 🤔 #SHIB# #ShibaInu# #Crypto# #Memecoin# #Binance# #Altcoins# #BTC# #Ethereum# #Web3# #CryptoTrading# #BullMarket#

这个不错，原生 macOS 视频下载工具，在一个应用内完成视频下载、裁剪和管理，背后跑的是 yt-dlp。 粘贴链接，一个 Spotlight 风格的小窗口弹出来，点一下就开始下载。下载完自动转成通用 MP4、复制到剪贴板、存到你选的文件夹，还带缩略图历史。

Base 每日速报 过去24小时 Base 都发生了什么～ 🟦新闻 @base 交易量一年增长 38%； Ecosystem Fund 面向代币化、稳定币、信用、预测市场、机构市场、Agentic commerce 领域寻找并资助 builder @baseapac BC Card 完成 Base 上 USDC 支付 PoC 并支持韩元结算；Circuit Accelerator（联合 @newcampushq）加速进行中，30 天 7 支团队； 与 Inco 联合直播 vibecoding 游戏 @jessepollak Base 正快速成长为最大稳定币卡链（largest stablecoin card chain） 🟦AI @bankrbot Builder Spotlight 聚焦 @EARNONHOOD，EARN 构建 RWA 收益层，通过自动化做市策略把股票/RWA 变成生息资产 @KorProtocol 推出 Streamline，面向内容创作者的 24/7 AI 智能体，自动审计内容、识别爆款并复盘发布表现 🟦生态项目 @AerodromeFi 目标成为 #1# 代币化股票交易场所； 上月 BTC-USD 交易量超所有 EVM DEX 总和，上周 BTC-ETH 超所有 DEX @avantisfi V2 正式上线 Private Beta，史上最大升级，扩大流动性、市场与功能 @DinariGlobal dShares 代币化股票上线 Ethereum、Avalanche、Arbitrum、Base，Sei 与 Solana 即将上线 @MoonwellDeFi 探索借力 Chainlink 24/7 喂价，在 Base 与 Robinhood Chain 支持对代币化资产的抵押借贷

打工人 学生党 生产力玩家必备的AI？！✅ Misa发现了一款微软亲自开源的神器markitdown，直接把 Word PDF Excel PPT 变成了AI友好的干净 Markdown～ 以前复制粘贴报告 合同 演示文稿到 ChatGPT或者Claude 里，排版全乱，表格丢掉，图片看不懂 现在全解决了！ markitdown 能把几乎所有办公文件转成结构清晰的 Markdown，让 AI 完美吃进去。 总结 提取数据 分析报告非常的快。 普通人 10 分钟上手，零基础也能用～ 而且GitHub 最近星标暴涨，Daily Work 系列都在推。 超详细新手教程！快来试试💚 第1步：准备环境（一次就好） 1确保电脑有 Python 3.10 或更高版本（没装的去 下载最新版，安装时勾选“Add to PATH”） 2打开终端/命令提示符： ◦Windows：按 Win + R 输入 cmd 回车 ◦Mac：Spotlight 搜 “Terminal” 3（推荐）创建虚拟环境（避免冲突）：
python -m venv markitdown-env 4markitdown-env\Scripts\activate # Windows 5# source markitdown-env/bin/activate # Mac/Linux 第2步：安装神器（一行命令） pip install 'markitdown[all]' （[all] 会自动装 PDF、Office 文件所有依赖，懒人首选） 第3步：一键转换文件（最常用方式） 把文件拖到桌面或记下来路径，然后在终端输入： # 示例1：把 PDF 转成 Markdown（输出到文件） markitdown "我的报告.pdf" -o 报告总结.md # 示例2：Word 文档 markitdown "合同.docx" -o 合同.md # 示例3：Excel 表格（表格会自动转成超级干净的 Markdown 表格！） markitdown "数据.xlsx" -o 数据.md # 示例4：PPT 演示文稿 markitdown "演示.pptx" -o 幻灯片.md 转换完直接打开 .md 文件，用记事本、Typora、VS Code 都能看，内容干净到可以直接丢给 AI！ 第4步：更懒的用法（不用输出文件） markitdown "报告.pdf" # 直接在终端显示内容，复制粘贴给 AI 就行 第5步：进阶玩法（想让 AI 帮你描述图片/幻灯片） 安装完后可以用 Python 简单脚本（复制下面代码保存为 运行）： from markitdown import MarkItDown md = MarkItDown() # 想让 AI 看图就加 LLM 参数 result = md.convert("带图片的报告.pdf") print(result.text_content) # 复制这个结果给 AI 立即冲 GitHub： #AI工具# #效率神器# #打工人# #Office# #生产力# #Markdown# #微软开源# #AI教程#