【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。

大师：Agent Loop 怎么写？ 我：很简单。 while (true) { const result = await llm(messages) if (result.toolCall) { const output = await executeTool(result.toolCall) messages.push(output) continue } return result } 大师：什么时候停？ 我：模型觉得任务完成的时候。 大师：它要是一直觉得差一点呢？ 我：…… 大师：跑了 50 轮，烧了 100 万 Token，Tool 没报错，模型也没报错，就是一直在干活呢？ 我：那得加 maxTurns。 大师：所以谁拥有最终终止权？ 我：Runtime。 大师：对。 模型可以提出： Done。 但 Runtime 还得验证： Really Done? 写代码就跑 Tests。 生成数据就过 Schema。 执行工作流就检查最终 State。 Model completion ≠ Task completion。 我：如果模型一直不说 Done 呢？ 大师：Runtime 还有： maxTurns、Timeout、Budget、Cancellation、Policy。 任何一条触发，都可以： Must Stop。 我：不需要模型同意？ 大师：你关服务器的时候，还准备先征求模型意见？ 我：…… 所以 while (true) 本身没问题？ 大师：当然。 真正的问题不是循环。 而是： 模型可以提出结束。 Runtime 验证是不是真的结束。 Runtime 还必须拥有强制结束的权力。 我：哪怕模型觉得再来一轮就好了？ 大师看了我一眼。 尤其是这种时候。 我：为什么？ 大师： 因为所有失控的 Agent，在最后一轮之前，都觉得自己再来一轮就好了。

Claude Code、Codex 写完项目，架构图不用再另开软件从头画了！ 用这个开源 Skill Archify ，能让 Agent 读取代码库或系统描述，生成架构图、时序图、工作流图等交互式 HTML；出图前会检查 Schema、布局和连线路由。 支持 Cursor、Claude Code、Codex CLI、OpenCode，MIT 开源。 👉

同一批基准里，本地跑的 DeepSeek V4 Flash 加上 J-Space 控制层之后，在大多数任务上压过了不加控制层的 V4 Pro。 《DeepSeek V4 × J-Space 能力释放报告》 DeepSeek V4 × J-Space：Benchmark 与工程观察记录 © 2026 Tiger3807861189，本记录采用 CC BY-ND 4.0（署名-禁止演绎）许可。 页面范围：本记录整理外部项目已经公开的工程观察、J-Space 使用的操作性术语、项目级 Benchmark 分数及其适用边界。它不是研究论文，非学术性质，不提供模型内部机制证明、形式化判定方法、消融设计或因果贡献分解。 J-Space Cognition Suite V3.6 是一套在推理阶段运行的模型无关控制系统，不修改模型权重。项目地址： 一、外部工程观察 1.1 Anchored Standard：首轮接口锚定 dsh-anchored-standard（ DeepSeek Harness 的首轮接口条件。其基础方案在第一次模型请求中恢复 Minimal 的真实双工具 Schema，抑制自动注入内容；会话产生持久事件后，再开放一个较小的常驻工具目录，并按需解锁其他工具。 该项目的公开实验表明，首轮工具 Schema、输出预算和自动注入内容都可能改变首条推理轨迹。它也明确区分了"轨迹被锚定"和"任务能力已经稳定提升"：当前仓库中的通用组合与早期高分运行并不完全相同，小样本独立复现尚不足以确定稳定的能力增益幅度。因此，本记录只引用其接口敏感性与路径保持观察，不把单项分数推广为普遍结论。 1.2 Routing Suite：任务感知的入口选择 dsh-routing-suite（ 与工具面装配，把新会话送入不同的行为带。其公开材料报告了稳定区域和不稳定过渡区域，并据此避免把连续数值旋钮误当成可连续调节的推理深度。 该项目后来对早期"官方刻意设计双吸引子""自路由绝对不可能"等强归因作出了公开勘误（ mixed 表示不稳定的过渡或竞争区域，不等于一种兼具短、长思维优点的可用中间态。 二、思维链二极管 2.1 操作性定义 本记录所称思维链二极管（chain-of-thought diode），是一个面向黑盒行为的工程术语：在同一个会话中，连续思维链会稳定落入以下两种形态之一： • 短思维直觉：较快形成判断并进入行动，推理块较短； • 长思维推理：先展开较长的分析、重估与规划，再决定是否行动。 两种形态在同一会话中不能稳定、按任务阶段自然地共同出现；首轮形成路径承诺后，后续思维链通常延续同一侧。外部实验中偶尔出现的词汇混合或不稳定过渡，不构成能够同时利用两侧优势的中间态。 这一术语描述的是会话级轨迹，而不是某一句话或某一个词。We need、Let me 等表达最多只能作为外部探针，不能单独证明模型能力、推理质量或内部状态。 2.2 形成原因：极简接口过拟合假说 J-Space 采用的工程诊断是：DeepSeek 的 Agent 后训练行为可能与 DSH 极简模式的接口分布形成了过强耦合。极简 persona、首轮工具 Schema、自动注入边界和输出条件共同构成接口指纹；当实际 Harness 接近这一分布时，一类轨迹更容易被唤起，接口发生变化时则可能落入另一类轨迹。 这里的"过拟合"是对黑盒条件敏感性的工程概括，不表示已经获得 DeepSeek 的训练数据、隐藏状态或官方内部解释。现有公开证据支持"接口条件与轨迹变化相关"，但不足以从外部还原完整训练机制。 2.3 两侧的结构性弊端 • 短思维直觉：过早接受第一个流畅解释；复杂约束整合不足；跳过必要中间桥接；工具证据利用不足；局部测试成功后过早宣布完成。 • 长思维推理：分析惯性和行动延迟；反复推翻或重建已有判断；工具调用过晚；Token 与时间消耗增加；长程状态漂移；信息已经充分仍难以收束。 因此，二极管带来的主要工程问题不是某一侧必然更差，而是会话无法随任务阶段稳定调整推理形态：需要桥接时可能过快，需要行动时又可能持续推演。 三、三套方案的浅层关系 • Anchored Standard：作用于首次模型请求的接口条件。恢复已知的 Minimal 接口指纹，尽量让会话从入口进入并保持一条稳定轨迹。 • Routing Suite：作用于新会话开始前的任务分类与模式选择。根据任务选择较适合的稳定行为带，并回避不稳定过渡区域。 • J-Space：作用于会话进入轨迹后的完整任务生命周期。不宣称消除二极管，而是通过状态、行动、验证与恢复机制缓解会话落入任一侧后的结构性弊端。 三者可以被理解为入口恢复、入口选择和持续任务控制三个不同层面。这是一种便于工程使用的关系整理，不表示三套方案已经在统一 Harness 下完成组合实验，也不构成效果排名。 3.1 J-Space 对两侧弊端的浅层处理 当会话偏向短思维直觉时，J-Space 使用 bridge-before-conclusion、共享约束广播、Empirics、verifier 与 coverage，要求快速判断在交付前补足必要桥接、证据和验证范围。 当会话偏向长思维推理时，J-Space 使用功能性第一人称、明确的 Next、有限候选、差分测试与 checkpoint，把已经形成的判断绑定到行动、取证或收束，减少无新增约束的反复推演。 对于两种形态，Goal / Core / Verified / Open / Next 账本、工具接缝刷新与恢复机制负责维持跨文件、跨工具和长时间任务状态。这些机制调节外部任务过程，并不等同于让模型在同一会话中自由切换两种底层思维链。 四、Benchmark 记录 4.1 评测上下文 J-Space 在 DeepSeek 上的项目评测参照官方 Harness 极简模式。J-Space 通过工作空间路由、状态连续性、验证与恢复参与推理时流程。 结果形成于项目现有的评测环境。硬件条件、进程隔离、工具可用性与信息访问边界共同构成评测上下文；可访问资料及执行轨迹也可能影响观测结果。 以下汇总上述条件下的项目级 Benchmark 记录。其他模型的数据保留各厂商公开评测时的原有上下文，不同环境与 Harness 配置下出现分数变化属于正常现象。各 Benchmark 使用自身原生分数，数值越高越好；"—" 表示没有报告结果。 4.2 分数记录 顺序固定为：V4-Flash-0731 裸跑、V4-Flash-0731 + J-Space、V4-Pro-0813 裸跑、V4-Pro-0813 + J-Space、GLM-5.3、Kimi-K3、Opus-4.8、Fable 5（带 fallback）。 • HLE（无工具）：37.8、45.5、42.7、48.0、未报告、43.5、49.8、53.3（全场最高） • HLE（有工具）：51.5、60.6、60.0、67.7（全场最高）、62.5、56.0、57.9、63.0 • Terminal Bench 2.1：82.7、87.1、87.9、90.1（全场最高）、88.2、88.3、85.0、88.0 • NL2Repo：54.2、70.2、61.5、73.4（全场最高）、58.0、58.0、69.7、未报告 • CyberGym：76.7、81.7、83.3、86.8（全场最高）、84.5、80.0、78.3、83.1 • DeepSWE：54.4、67.4、62.7、72.0（全场最高）、66.9、67.5、58.0、70.0 • Toolathlon-Verified：70.3、77.7、74.1、79.5（全场最高）、73.0、76.5、76.2、77.9 • Agents' Last Exam：25.2、30.1、25.7、30.3（全场最高）、28.5、27.6、25.7、23.8 • AutomationBench（Public）：25.1、31.7、31.8、38.2、48.2（全场最高）、30.8、27.2、29.1 4.3 Benchmark 与二极管弊端的定性对应 • HLE（无工具）：短侧可能过早下结论，长侧可能在知识边界之外无效延伸；J-Space 对应必要桥接、置信控制与独立复核。 • HLE（有工具）、CyberGym：短侧可能少用或少整合证据，长侧可能迟迟不进入工具取证；对应 Empirics、工具接缝与验证覆盖。 • Terminal Bench：短侧可能快速执行但遗漏核验，长侧可能分析过度、行动延迟；对应明确的 Next、诊断重试与 checkpoint。 • NL2Repo、DeepSWE：短侧可能丢失跨文件约束，长侧可能反复重建计划；对应共享广播、Loop 账本与持续验证。 • Toolathlon-Verified：短侧可能跳过编排检查，长侧可能困在工具选择和重新规划；对应共享状态、接缝审计与 coverage。 • Agents' Last Exam、AutomationBench：异构任务或长间隔会放大固定路径与任务阶段的错配；对应选择性 pass、持久状态与恢复。 上述对应关系是工程解释，不是从分数反推出内部状态的证明。当前 Benchmark 记录没有逐次标注会话所处的二极管状态，因此不能据此计算二极管对分数的贡献比例，也不能把全部分数变化归因于单一机制。 4.4 数据来源 • DeepSeek V4-Flash-0731 模型卡： • 智谱 AI（ GLM-5.3 发布评测记录 • Kimi-K3 模型卡： • Claude Fable 5 与 Claude Mythos 5 System Card： • J-Space Cognition Suite V3.6 README： 五、适用边界 • 思维链二极管和极简接口过拟合属于黑盒工程诊断，不是 DeepSeek 官方披露的模型结构或训练事故。 • 词汇、首行风格和思维链长度只能作为轨迹探针，不能替代任务完成、工具行动、验证覆盖和得分。 • Anchored Standard、Routing Suite 与 J-Space 的关系是作用层面的整理，尚未经过统一组合实验验证。 • 当前分数是项目记录，不足以建立跨模型普遍性，也不支持精确的因果贡献分解。 • J-Space 不创造基础模型缺少的知识，也不保证对所有任务、模型或 Harness 产生正向变化。 引用：工程使用请引用 J-Space Cognition Suite V3.6（ 原文： #DeepSeek# #J-Space# #本地AI#

🗂️ 太强了，把导入的资料自动编译成一个不断长大的 Wiki GitHub 上 16.2K stars 存资料的人都有一个共同结局：几百篇收藏躺在硬盘里，需要的时候搜不出来，因为它们从来没被真正读过一遍。市面上的 RAG 工具是每次提问再去检索，资料之间的关系永远建立不起来。 LLM Wiki 走的是另一条路：资料导入以后，模型把关键信息编译进已有的 Wiki 页，维护条目之间的双向链接，知识是一次编译、持续维护的，不是每次现推。结构分原始资料、Wiki 和 Schema 三层，用 index.md、log.md、YAML frontmatter 和 Wikilink 组织。 能吃的格式很杂：PDF、Office 文档、EPUB、MOBI、Org mode、图片、音视频、网页剪藏和批量网址。配套还做了个基于 Readability.js 和 Turndown.js 的 Chrome 剪藏扩展，看到好文章一键送进去。 知识图谱那块做得比较认真，用直接链接、来源重叠、Adamic–Adar 和页面类型亲和度四类信号算相关性，再用 Louvain 算法找知识群落。技术栈是 Tauri v2 加 Rust 和 React 19，三个系统都有安装包。 收藏不等于拥有，编译进自己的体系才算。 GitHub：

程序员和架构师最头疼的画数据库关系图，被 GitHub 这个开源项目彻底给废掉了。 如果你还在用 Visio 或 一条线一条线地手动拉 ER 图，赶紧停手，信息差这不就来了。 这个叫 Liam ERD 的开源神器（GitHub 5k+ Stars，Apache-2.0 协议），能直接反向解析你的数据库 Schema 文件，秒级自动生成极其惊艳且支持缩放拖拽的交互式关系图。 零配置秒出图：公有库只需在 GitHub 链接前加前缀即刻渲染。 极佳交互体验：支持平移、缩放、搜索高亮，百张表也不卡顿。 全语言通用：完美兼容 SQL Dump、Prisma、Rails schema.rb 等。 私有库本地跑：一行 npx 指令直接在本地跑，绝对保护隐私。 ④ 链接 + 收口 🔗 项目地址： 🌐 官方演示：

给 Claude、Cursor 手写 MCP 接口写到头秃？Prefect 开源的这个神器能救你一命。几行 Python 代码直接把函数转成 MCP 服务，不用搞啥繁琐的 JSON-RPC 协议了。 📦 PrefectHQ / fastmcp Prefect 团队（对，就是那个做工作流大厂）出品的高级 MCP 框架。直接把 MCP 的接入门槛压到了极致，甚至连官方 Python SDK 1.0 用的都是它的底子。 装饰器即插即用：写个普通 Python 函数加 @mcp.tool，类型推导、Schema 校验和 Docstring 文档全自动生成。 增强代码 REST API 一键转 MCP：原生支持从 OpenAPI / FastAPI 直接生成 MCP 服务，现有后端系统几分钟就能改成 AI 工具库。 开箱即用企业级功能：内置 OAuth 2.1 鉴权、OpenTelemetry 链路追踪，生产环境该有的东西全给你准备好了。 极简本地调试 CLI：命令行直接 fastmcp call 或 fastmcp list 测试，不需要为了调一个接口开一堆客户端。 🔗 传送门：