【人才大戰】香港IPO升溫催熱人才爭奪 花旗資深銀行家Schrantz將重返高盛 花旗資深銀行家Alexander Schrantz據悉將跳槽高盛，成為花旗香港團隊又一名離職高層。Schrantz此前曾在高盛工作19年。香港IPO市場持續升溫，惟花旗亞洲股票發行承銷排名由2024年第一跌至今年第七。

这个开源项目给 Claude Code、Codex、Pi 准备了 39 种编辑级图表，从架构、状态机到鱼骨图、Sankey、数据库 schema 都有现成版式 还会读取网站的视觉风格，60 秒内把图的配色和排版适配到自己的品牌调性

重磅来袭！我开源的这个skill，将使你的AI编程质量提升最起码1倍以上！！！ 实测数据：我让它审计我自己的代码， 4 轮直接抓出 2 个 Claude Code 跑了几十遍都没发现的事实错误 一个 schema 字段读错了，一个文件位置引用指错了——这种藏在细节缝隙里的 bug，你让 Claude 自己 review 一百遍它绝对看不见，但是这种错误往往非常致命 为什么 Claude Code 自己抓不出这种错？ 因为所有多模型协作方案（包括最近刷屏的 fable-advisor）都有同一个盲区：主模型调子模型的时候，上下文全靠塞 prompt 字符串，子模型看到多少全凭运气 相当于你给外包口头交代需求，10 句话有 9 句它听不明白 codex-bridge 走的是另一条路： 上下文不塞 prompt，外化成文件 Claude Code 调 Codex 之前，必须先把对话上下文、plan、相关文件、项目约定打包成结构化的 bundle 目录，调完拿回 JSON，用 jq 做机械校验 prompt 是口头交代，bundle 是签合同 角色分工也不一样： 大家都让子模型当打字工，我让 Codex 当细节补盲者——schema 字段、边界 case、测试覆盖、文档不一致、藏在代码里的隐藏假设，这些 Claude 单干必漏的东西，全交给它 四个场景开箱即用： 1️⃣ plan-review：Codex 审计你的 plan / 设计 / 代码 2️⃣ codify：Codex 真动手写代码 3️⃣ review-iteration：基于 review 让 Codex 改，硬上限两轮 4️⃣ verification-round：主轮 finding 提取成 pattern 再验证一遍 项目地址： 装完说一句话就能跑，遇到问题评论区找我或者提 issue～

接手同事写了一半的功能分支，几十个文件改动摆在那，不知道从哪看起。 schematic 是个给 Claude Code 和 Codex 用的技能，能反过来从分支代码里，把产品和技术文档倒推出来。 它会先摸清分支改了哪些文件，再开 2 到 4 个智能体并行读代码，最后交出一份 11 个章节的文档。 GitHub： 从要解决什么问题、产品需求、架构设计，一直写到文件清单、测试策略和上线计划。 代码分支合了但文档没补、或者要临时写 PR 描述的时候，拿它顶一下挺合适。

🍎 真给力，Locals 能让一台 Apple 芯片的 Mac，把本地大模型跑出平时三倍的速度。 Locals 在 GitHub 已经揽下 1088 star，背后对应 Arip Asadulaev 2026 年的论文《Breaking the Space Barrier》，不是随手攒的调参工程。 在 Mac 上本地跑模型最烦的，是一旦开多个 agent、对话一长，速度就肉眼可见地垮。实测 M2 Pro 16G 机器同时扛 8 个请求，普通方案只有 87 tokens/s，Locals 能到 271，差不多三倍。 它的巧劲在于把 agent 工具那串又臭又长的系统提示缓存到磁盘，重启还能接着用，工具调用时直接在 GPU 上做语法约束，让输出严格合你的 schema。接口还兼容 OpenAI、Anthropic、Ollama，Claude Code、Cline、Aider 这些现成工具拿来即插。 同样一台 Mac，换个引擎就多出两倍马力，这买卖划算。 GitHub：

🔌 又发现一个前端接大模型的神器 TanStack AI，同一套代码就能在 OpenAI、Anthropic、Gemini 之间随便切。 TanStack AI 在 GitHub 3200+ star，自称拿了 2026 年 JavaScript 开源奖的年度 AI 项目，10 月 21 号刚发 0.71。 以前给网页加个 AI 聊天，选定一家模型就等于绑死了它的 SDK，哪天想换一家，流式输出、工具调用、结构化返回全得重写一遍。 TanStack AI 把这层抽成了统一接口：工具用 toolDefinition() 定义一次，服务端和客户端都能挂实现；结构化输出直接吃 Zod、Valibot 这些你本来就在用的 schema；换模型只是换个适配器，光 OpenRouter 一个适配器就覆盖 300 多个模型，还能按请求算成本。React、Vue、Svelte、Solid、Preact 都有对应的包。 还有个 Code Mode，让大模型在隔离沙箱里自己写 TypeScript 去编排工具；项目也提供了能装进 Claude Code、Cursor、Codex 的 Agent Skills。 模型换来换去，前端代码不用跟着搬家。 GitHub：

现在大多数开发者的真实工作流都是割裂的：用 Codex 改前端 UI、开个终端跑 Claude Code 重构后端、再挂个 Gemini 或 OpenCode 查文档跑脚本。每个工具都很强，但它们被困在各自的进程沙盒里，互不相通。 agentsocks 的工程解法是做一层极简的本地 Broker 与 Gateway： 1. 做了一层Agent的连接器：通过各家原生的 Hook 机制（preToolUse / sessionStart 等）和 MCP Server，把 Claude、Cursor、Copilot、Gemini、OpenCode 变成网络里的 Peer 节点 2. 原生协同原语：支持点对点发信、多频道广播 (Channels)、跨 Agent 提问 (Asks) 与任务派发 (Tasks)，甚至能在休眠会话收到消息时自动唤醒 (Wake) 3. 生产级安全边界：带完整的敏感凭据脱敏 (Redact)、权限控制和跨设备 Tailscale 组网 当 Cursor 改完 API Schema，直接通过本地 Socket 通知隔壁终端的 Claude 更新单元测试，完全不需要人类在中间传话。

我们是不是高估了 Harness 对 Coding Agent「能力」的提升？ 这篇论文中把模型固定，只替换 Claude Code、mini-SWE-agent 和 OpenCode，在 SWE-bench Verified 上重新测试。 结果很有意思。 在 447 个任务上，最重的 Claude Code 和最轻的 mini-SWE-agent，成绩差异落在 5 个百分点以内。 在 45 个高难任务、5 个模型上，换 Harness 会让 13% 的任务结果发生变化；但什么都不改，只把同一个配置再跑一遍，同样有 13% 的任务会翻转。 也就是说，很多看起来像 Harness 带来的提升，可能还没有明显超过运行本身的随机波动。 真正拉开差距的反而是成本。 同一个模型、同一批任务，不同 Harness 的单任务成本最高能差 3 倍。主要原因很简单：系统 Prompt 和工具 schema 会在每一步重复进入上下文，初始开销再被执行步数不断放大。 论文还提醒了一个容易被忽略的问题： 45 个任务连 13 个百分点的差距都只有约一半概率能检出；即使做到 447 个任务，分辨率也大约只有 5 个百分点。 所以我们得把 Harness 的价值拆开看了。 它当然会影响 Agent 怎么工作，但很多时候，最稳定、最容易测出来的差异，可能先体现在 token、成本和执行效率上。 📎 arxiv:

🪝 太强了，MCP Python SDK 能把你随手写的 Python 函数直接变成 Claude 能调用的工具。 它是 Model Context Protocol 的官方 Python 实现，GitHub 上已经揽获 2.4 万 star，近 4000 个 fork、450 多个 issue 还开着，9 月初刚发完 2.2.0。 以前想给 AI 接一个自己的小能力，真正费时间的不是那十行业务逻辑，而是外面那一圈：手写 JSON Schema 描述参数、解析请求、校验字段、再把协议的收发对上。十行的活儿，外面套两百行胶水。 用 MCP Python SDK 之后这一层整个没了。写一个带类型注解的函数，把文档字符串当说明写清楚，schema、参数解析、校验、协议握手它全替你生成，模板化的资源也是一个函数的事。本地调试用 stdio 子进程拉起来，上线换成 Streamable HTTP 就行，SSE 也在支持范围里。它还带了一个客户端类，哪天你要反过来写个程序去连别人的服务器，用的还是同一套东西。 把自己的工具接给 AI 用，门槛已经降到写一个函数了。 GitHub：