🪙 太强了，idurar-erp-crm 这个开源项目把 ERP、CRM、发票、财务一把全给了，个人和商用都免费 GitHub 揽获 8.5K Star，开公司三件套不花一分钱 以前小商家做日常，开发票用一个工具，管客户用一个 CRM，记账再开第三个软件。 三套系统数据不互通，来回切、来回抄，每月还各收一笔订阅费。IDURAR 把它们全打成一个系统——发票、报价、客户管理、库存、付款流水，都在一个界面里。 MERN 技术栈加 Ant Design 界面，自己部署一次就能跑起来。 生意人最需要的三套软件，一个开源项目全给包了。 GitHub：

个人情况更新： 今天正式加入爱快RD团队，希望能一起把路由系统做得更好 从4.0开始，做好安全、插件和License OS会更开放，插件生态会更完善，解决痛点！ 很多人选择iKuai+OpenWrt组合，更是对爱快流控稳定性的信赖，以及OP开放的生态，任重而道远 本推仅代表个人观点，不代表公司

折腾过软路由的推友应该都认识爱快系统，包括之前我借助pmd适配了一些原生插件，也能让OpenWRT插件和LuCI在上面跑，总的来说有点像在做卓易通（当然因为全讯汇聚，也就是爱快官方找上门了就停止了，还好人家公司格局大不然就成被告了 iKuaiOS现在已经4.0Beta，不过pmd挂载方式也变了，目前只允许Docker插件。我能感觉到他们团队并不想放root权限，以及对原生（二进制）插件进行签名校验。包括在研发团队的许可尝试突破了新系统的root权限，只能说加固得很彻底，能看到爱快官方对于盗版的打击力度之大 因此我比较好奇一件事，路由上跑插件是不是刚需？好像大部分人用爱快做流控然后用OpenWRT跑Clash的较多，如果说NAS是家庭娱乐网关，那将Router+NAS会不会是更好的选择？我看飞牛OS那套插件生态（原生+Docker）就很不错，甚至还有第三方应用商店支持。当然已经实测ShellClash和Mihomo内核都可以在iKuai上正常工作，其实像Apple那样做个App Store审核插件也不是件坏事 如果说哪一天爱快开放root和第三方插件市场共存，那我觉得是更上一层楼的事情。此外，爱快销售那边也有小道消息说要单独卖企业版授权，除了买硬件送OEM版外，还有通过订阅获得与官方企业硬件一样的功能，我认为值得期待

翁家翌新 blog：超越梯度的学习 昨天看到翁家翌（前 OpenAI 研究员）新写了一篇 blog《Learning Beyond Gradients》，挺有意思的，分享一些我读下来的感受。 原文较长且偏技术，下面这版做了不少删减和重组，建议感兴趣的同学直接读原文 · · · 翁家翌：超越梯度的学习 持续学习（Continual Learning）之所以一直很难，很大程度上是因为神经网络的顽疾：灾难性遗忘。那如果我们不只盯着权重更新这一条路呢？ 随着 LLM agent 越来越强，写代码这件事变得又快又好。但翁家翌注意到一个更有趣的现象：agent 可以反复读取失败信息、修改策略代码、添加测试、回放录像，让整套程序在不动任何网络权重的情况下持续变强。 · · · 这个视角让他重新审视了一个老朋友：heuristic，也就是手写规则和程序化策略。之前很多 heuristic 不是没用，而是维护太贵了，而coding agent 改变的正是这条维护曲线。那些曾经用完就扔的一次性补丁，开始变得值得长期拥有。 凡是能被持续迭代的东西，都开始变得更可解，这也恰恰是持续学习一直追求的目标。 它有没有可能成为继 pretraining → RLHF → 大规模 RL/RLVR 之后的下一个范式？ · · · 翁家翌用 Codex（gpt-5.4）做了实验，纯写规则版本，完全不碰神经网络。结果超出预期： — Atari Breakout 的打砖块分数从 387 一路升到 864，达到理论最高分； — MuJoCo 四足和跑步机器人任务中，纯 Python 策略也跑进了常见 Deep RL 结果的量级，HalfCheetah 五轮均值 11836.7； — 跑完 Atari 全部 57 个游戏后，在相同的环境交互步数下，中位数得分已经远高于 PPO 这类标准算法。 这里被更新的对象早就不是单纯的策略函数了，而是一整套带着记忆、反馈入口和回归机制的软件系统。翁家翌把它叫作 Heuristic Learning（HL，启发式学习）。 （我自己也做过 evolve，但不训练神经网络，纯靠规则约束，感觉系统怎么都智能不起来。其实不管 RL 还是 HL，能不能跑起来都是看一件事，优化结果的评分能不能清晰定义。） · · · Heuristic Learning（HL） 是什么？HL 怎么持续学习？ HL 的核心是用 coding agent 维护一个 Heuristic System（HS）。 和 Deep RL 的差异： — 反馈来源：不是 loss 函数，而是测试结果、环境奖励、日志、视频、失败模式分析； — 更新方式：不走反向传播，agent 直接改 policy、状态检测器、测试、配置或记忆结构； — 维护对象：不止一个 trace（黄金轨迹）、环境 wrapper 等。 以前怎么没人搞？专家系统 70 年代就有，但人维护起来是噩梦：加一条规则修好 case A，case B 崩了；规则堆到几百条后，除了原作者没人看得懂。 而 coding agent 不怕堆规则。它能同时读所有代码、跑全量测试、对比日志，把维护成本打下来。用翁的比喻说，就像纺纱机改变纺线成本曲线一样：手工纺贵得要死，机器一上来就塌掉了。 · · · Heuristic Learning 怎么做 Continual Learning 神经网络把经验压进权重，忘没忘、怎么忘的都是黑箱。HL 的历史则是显式的：版本 diff、回归测试、replay、视频、golden trace 全透明。新增能力前先固化旧能力：跑回归测试、跑固定种子回放。如果新规则破坏旧 case，agent 能直接定位到哪行代码引入的 regression。 但规则叠太多、agent 自己都维护不动的时候，就需要"历史压缩"，把一堆 case-specific 的补丁合并成更通用的逻辑，否则系统迟早变成没人敢碰的代码泥球。 · · · 当然，HL 不是万能药。因为 Heuristic Learning 并不能做所有神经网络能做的事情。它的上限卡在代码的表达能力：比如复杂感知和长程泛化。翁家翌也坦率地说，他想不出有哪个 agent 能纯靠 Python、不用网络去搞定 ImageNet。 所以真正的问题变成了：怎么把神经网络和 HL 结合起来，同时搞定在线学习和持续学习？ 最有希望的方向是：用 HL 快速处理在线数据，把在线经验变成可训练、可回归、可筛选的数据，再周期性地更新神经网络。以机器人为例，借用 System 1 / System 2 的说法，一种可能的分工是： — 专用浅层 NN 作为 System 1 的一部分：快、便宜，负责感知、分类、物体状态估计； — HL 也可以当做 System 1 的一部分：负责最新数据处理、规则、测试、回放、memory、安全边界、局部恢复； — LLM agent 作为 System 2：负责给 HL 提供反馈、改进数据，并周期性把 HL 生成的数据拿过来更新自己。 · · · Agentic coding 改变的不仅是写代码的速度，更改变了"哪些代码值得被长期拥有"。过去很多 heuristic 看上去没前途，不是它们太弱，而是维护不起。 coding agent 改变的就是这条维护成本曲线。 规则、测试、日志、记忆和补丁，原来只是散落的工程材料，现在开始能组成一个持续进化的 Heuristic System，去解决在线学习和持续学习一直没搞定的事。 欢迎来到下一个范式。 · so，skills + instruction following = AGI？