Seedance 2.5 上线 Higgsfield，33 天无限量，现在 51% OFF，目前看倒计时还有不到 11 小时。 这可能是真正了解 Seedance 2.5 能力的最佳窗口了。 这个折扣真正省掉的不是你的订阅费，而是你脑子里的那本账。以前一个镜头调到满意要烧几十次的生成，如果再乘以三十个镜头，这个时候大部分人算完就把这个项目放下了。但是这 33 天里这笔账是不存在的，剩下的只是做不做的问题了。

我天天研究 Claude Code、Codex 来怎么省 token，今天聊个反向操作：每月免费白送 100,000 美元算力。 最近几个月，无论工作还是学习，我时不时的就要面对一个词：成本。从 Fable 5 到 5.6 Sol 的极限 PK不断重置额度，再到 Kimi K3 价格大幅度反超 DeepSeek。什么任务用什么价格的模型、prompt caching 能省多少、token 用量怎么监控……对绝大多数开发者来说，推理成本就是那堵绕不过去的墙。 但有一类人，被这堵墙卡得比我们狠得多的狠得多。 做靶点验证的实验室，用商业 API 跑一轮深度推理的成本，够交一篇论文的版面费。A 轮前的 AI 制药、量化团队，业务核心就是严谨的多步推理与证据综合，却被算力账单压得只能浅尝辄止。最需要重型推理的人，恰好最付不起——经费申请以年计，算力账单以月计。 所以看到 @Apodex_AI 面向顶尖科研机构、高校实验室和深科技早期创业公司，开放每月最高 100,000 美元免费算力的 Frontier Program（AFP），我把它完整研究了一遍。 他们到底为什么白送？往下看 🧵

(手机APP的普号Claude阵亡了，电脑端的付费版还活着) Anthropic 正式发布 Claude Sonnet 5，并将其定位为迄今为止最具 Agent 能力的 Sonnet 模型。 根据官方介绍，Claude Sonnet 5 可以进行任务规划，调用浏览器、终端等工具，并在更高自主性下完成复杂任务。Anthropic 表示，这类能力在几个月前通常还需要更大、更昂贵的模型才能实现，而 Sonnet 5 正在缩小 Sonnet 系列与 Opus 系列之间的能力差距。 相比 Claude Sonnet 4.6，Sonnet 5 在推理、工具使用、编码、知识工作以及 Agentic 任务完成方面都有提升。官方称，Sonnet 5 的整体表现已经接近 Claude Opus 4.8，但成本更低，因此更适合作为开发者和企业在日常高频 AI 工作流中的主力模型。与此同时，Opus 4.8 仍然是更高精度复杂 Agent 任务的首选。 Claude Sonnet 5 已面向所有计划开放，包括 Free、Pro、Max、Team 和 Enterprise 用户，同时也可在 Claude Code 和 Claude Platform 中使用。API 模型名为 claude-sonnet-5。在定价方面，Anthropic 提供了截至 2026 年 8 月 31 日的 introductory pricing：输入价格为每百万 tokens 2 美元，输出价格为每百万 tokens 10 美元；之后标准价格为输入每百万 tokens 3 美元、输出每百万 tokens 15 美元。 总体来看，Claude Sonnet 5 的重点不是单纯提升聊天能力，而是进一步强化 AI Agent 在真实工作流中的执行力：包括写代码、查资料、操作工具、处理长任务，以及在成本可控的前提下完成更多自动化工作。它更像是 Anthropic 把高阶 Agent 能力下放到主力模型层级的一次更新。

分享 8 个我最近在用的 AI Coding Agent 基础设施开源项目,全部破万星,最高 68k ⭐ Agent 干活的两大瓶颈:反复 grep 找代码,和爆炸的上下文成本。这 8 个项目从压缩层、代码记忆、技能安全到长任务稳定性,基本覆盖了 Agent 工程化的关键缺口 1️⃣ headroom ⭐53k 日志/文件/工具输出/RAG 分块进 LLM 前先压缩,号称省 60–95% token。库 / 代理 / MCP 三种接入,本地优先、可逆。 上下文成本是长任务核心瓶颈,压缩层是省钱最直接的方向。 2️⃣ agent-skills ⭐68k 面向编程 Agent 的生产级工程技能集,把资深工程师的纪律(写 spec、测试、review、何时 ship)固化成结构化工作流,灵感来自 Google 工程实践。 Agent 默认走"最短路径完成",这个把不体现在 diff 里、却决定质量的环节补回来。 3️⃣ Agent-Reach ⭐45k 给 Agent "看见互联网"的能力,读取/搜索 Twitter、Reddit、YouTube、GitHub、B站、小红书。定位是能力层(选型+安装+体检+路由),一个 CLI、零 API 费用。 内容监控和自媒体选题神器。⚠️需登录的平台建议用专用小号,有封号风险。 4️⃣ OpenMontage ⭐28k 开源 Agentic 视频生产系统,把 AI 编程助手变成完整视频工作室。12 条流水线、52 个工具,支持纯免费本地链路(Piper TTS、FFmpeg、Remotion、开放素材)也支持付费云端。 从研究、脚本到剪辑合成的端到端流水线,内容人值得关注。 5️⃣ DeepSeek-Reasonix ⭐25k DeepSeek-native 终端 coding agent,围绕字节稳定的 prefix-cache 优化运行循环,长会话缓存命中 90%+、输入 token 成本大幅下降。单 Go 二进制。 DeepSeek 生态里的 coding agent,低成本、国内开发者友好。 6️⃣ Planning with Files ⭐24k 给 coding agent 基于 Markdown 的持久计划管理:长任务、上下文丢失/clear 后恢复、确定性完成校验、多 Agent 共享状态。本质是 Claude Code skill,兼容 60+ Agent。 Agent 做复杂任务最容易"忘记计划",解决的是长任务稳定性。 7️⃣ codebase-memory-mcp ⭐21k 高性能代码智能 MCP Server,把代码库索引成持久知识图谱,支持 158 种语言,亚毫秒查询,号称省约 99% token。单静态二进制、零依赖。 让 Agent 不再反复 grep,而是拥有可查询、可复用的代码库记忆。 8️⃣ SkillSpector ⭐11k NVIDIA 开源的技能安全扫描工具,安装前检测技能里的漏洞、恶意模式和潜在风险(68 个模式、17 类),输出 0–100 安全评分。 技能以隐式信任执行,是个基本没被审查的攻击面,装前先扫一遍。

大家都讲烂的 Transformer，内部到底装了什么？ Left 写了一篇大模型底层参数的科普文，尝试用最接地气的大白话把这套架构彻底讲透。 1.Embedding 层： 怎么把文字变成有语义的“数字坐标 2.注意力层： QKV 之间如何上演老和尚和小和尚的暗号对接 3.FFN 层： 几十层网络如何进行高维的知识库加工 4.归一层： 怎么给语义做动态保本，防止传话游戏偏到姥姥家 5.输出层： 最后的翻译官，怎么通过概率计算完成临门一脚？ 这可能是你今年能看懂的最通俗的大模型入门拆解，如果你也对Transformer架构感兴趣，那么这篇文章值得一读

使用 CC-Switch 在 Codex 接入国产模型 DeepSeek，有个小坑要注意。 配置完成后,你可能会发现模型名显示成了「自定义」。这个问题 GitHub 上已经有人提过,作者也亲自做了回复。 解决办法很简单:进入「通用设置」→「Codex 增强」,勾选「切换第三方时保留官方登录」这个选项即可。 五分钟的视频介绍非常详尽，让你从此使用国产模型也能游刃有余的玩耍Codex。

🚀牛逼，这个必须分享！ 这可能是我见过最硬核的 AI 编程 Agent 基础设施了！ 今天必须安利这个刚刚破 16k Star 的神级开源项目：codebase-memory-mcp 传统 Agent 用 Grep 全文搜索代码，不仅慢还极其烧 Token。而这个仓库直接用 C 语言干到了极致： 把整个代码库压缩成本地知识图谱。 1. 毫秒级索引：普通项目瞬间完成，2800万行的 Linux 内核也只需 3 分钟！ 2. 省钱神器：图谱结构化查询，相比传统方案直接狂省 99.2% 的 Token！ 3. Hybrid LSP：不只是语意解析，它还内置了轻量级类型推导，跨库/微服务调用链一摸清。 4. 100% 本地化：单静态二进制，零依赖，代码绝不离机。 🔥完美适配 Claude Code, Aider, Zed 等 11 种主流 Agent 客户端，自带 3D 图谱可视化 UI 简直炫酷。 GitHub 传送门：

这篇文章收集了Claude Code这款神器的一些常用命令，包括 CLI启动参数、快捷键 和 反斜杠命令等，熟练使用这些命令能极大提升工作效率。 我的 Top 使用： 1）Shift + Tab（切 Auto/Plan 模式） 2）/plan 3）/compact + /context 4）/memory + /permissions 5）Ctrl + G（写复杂提示） 你的呢？

Apodex的免费公测将于 6 月 29 日结束。 所有在 6 月 28 日之前注册的用户，都还能额外获得 2 周免费体验。 很多 AI 产品出来之后，大家都会第一时间给它贴标签。 这是 ChatBot。 这是 Deep Research。 这是 Agent。 这是 Workflow。 但真正有意思的产品，往往不是因为它属于哪个类别，而是它重新定义了一种工作方式。 最近体验下来，Apodex 就给我这种感觉。 很多人第一次打开它，会觉得它就是一个 Deep Research。 输入一个问题，它自动检索资料、阅读网页、分析信息，最后生成一份研究报告。 但如果只是这样，它并没有什么特别。 真正让我觉得有意思的是，它没有把整个研究过程交给一个 AI，而是把一件复杂的事情拆成了多个角色共同完成。 举个例子。 当你让它分析一家公司的商业模式、预测世界杯比赛、研究某个行业，或者做一份竞品分析时。 Apodex 并不是让一个 Agent 从头做到尾。 而是像一个真正的研究团队一样开始分工。 有人负责搜集事实，把背景、数据、时间线整理出来； 有人负责分析和推演，根据已有事实提出不同判断； 有人负责寻找权威证据，包括论文、媒体报道、公开数据等； 有人专门检查不同结论之间有没有矛盾； 最后还有 Verifier 对整份研究进行质疑、校验和修正。 看起来只是 Agent 变多了。 其实真正改变的是整个推理流程。 很多 AI 长任务都会遇到一个问题。 模型一边查资料，一边分析，一边写结论，一边验证自己。 随着上下文越来越长，事实、推测、引用和模型自己的判断开始混在一起。 最后虽然能生成一份很长的报告，但很难知道哪些内容是真实依据，哪些只是模型推演出来的。 而 Apodex 把这些环节拆开以后，每个角色只负责自己的工作。 研究归研究。 判断归判断。 验证归验证。 不同角色之间互相制衡，再由 Verifier 做最后审核。 这种方式，更接近现实中的研究团队，而不是一个人在闭门造车。 所以我觉得，它最大的价值并不是「比别人搜索得更多」，也不是「报告写得更长」。 而是在尝试回答一个更重要的问题： 面对复杂任务，AI 应该如何组织自己的思考过程？ 尤其是在投资研究、行业分析、技术调研、商业尽调、产品竞品分析这些场景里，真正重要的不是输出多少文字，而是把事实、证据、推理和结论清晰地区分开。 这也是我认为 Apodex 最值得关注的地方。 如果你也想体验一下，现在还来得及。 6 月 29 日开始正式收费，6 月 28 日前注册还能额外获得 2 周免费体验。 👉

太强了！Hermes Agent 的浏览器扩展来了 🚀 结合这篇文章的思路使用，完全告别刷 X 焦虑 现在 Hermes 直接住在每个网页的侧边栏： - 任意页面实时聊天 - 一键切换 Grok / GPT / Claude / Opus / 本地模型 - 支持视觉分析 + 截图 - 连接本地或远程 Gateway 非官方开源，但社区真爱！浏览器体验直接起飞～ github:

值得一读。 AI 正在进入一个新的阶段：比起「模型能力」，真正拉开差距的越来越是工程化、产品化，以及把模型嵌入真实业务流程的能力。 很多观点都来自一线实践，而不是纸上谈兵。对于关注 AI Agent、Workflow、企业 AI 应用以及创业方向的朋友，都有不少值得思考的地方。 推荐认真看完原文，欢迎交流不同观点。

很多人谈 AI 记忆，首先想的是： “把聊天记录存下来，再做 RAG。” 但这可能是最浅的一层。 真正的 AI Memory，不是“存过什么”，而是要回答 4 个问题： 1. 什么值得被记住？​ 不是每句话都该进长期记忆。临时情绪、一次性偏好、过期背景、错误推断，如果全都沉淀下来，AI 会越来越“自信地误解你”。 2. 记忆如何被修正？​ 人会变，项目会变，偏好会变。一个长期 Agent 不能只会追加记忆，还必须允许用户和 Agent 一起编辑、覆盖、降权、遗忘。 3. 记忆属于谁？​ 用户记忆、项目记忆、Agent 技能、团队知识库，边界完全不同。混在一起，短期看是“更懂你”，长期看就是上下文污染。 4. 记忆如何变成能力？​ 如果记忆只是被召回，那它只是资料。 如果记忆能沉淀成流程、检查清单、避坑经验、可复用 skill，它才真正让 Agent 成长。 所以我觉得长期 Agent 的关键，不是“更长上下文”，而是“可治理的记忆系统”。 上下文窗口解决的是这一轮对话。 记忆系统解决的是下一次还能不能更好。 OpenHer 这种 AI Being 项目有意思的地方，不只是陪伴感，而是它把一个深层问题暴露出来了： AI 如果要从工具变成长期协作者，就必须拥有可读、可控、可边界化、可进化的记忆。​ 这一定是Agent 产品接下来真正的分水岭。

AI 的下一阶段，可能不在于谁回答得更快，关键在于谁更会验证。 Apodex 定位为面向复杂研究任务的重型求解系统。 它的核心是让一组 Agent 分工、协作、互相审查。 普通 Deep Research 更偏向“搜更多资料、写更长报告”；Apodex 更像一个小型研究组，有人调研、有人核验、有人挑刺、有人终审。 复杂问题真正需要的是拆解问题、验证证据、发现冲突、修正判断。 未来 AI 的分水岭，不只看生成能力，更看验证能力。

一个新时代的开启。字节跳动今天正式发布，豆包 Seedance 2.5 视频 AI 模型，创作者可一次性直接生成 30 秒连续视频，支持同时输入最多 50 个内容素材，自带原生 4K 分辨率。 为了解决此前的版权问题，还开放了 IP 授权使用等模式，预计在 7 月初公测。

现在 AI 最大的问题，很多时候不是答错得很离谱，而是答得太像对的。 我觉得核心有 4 点： 1. 伪正确比胡说更危险：胡说你一眼能看出来，伪正确会带着你往沟里走。 2. 格式漂亮不等于内容可靠：表格、引用、逻辑链都齐全，也可能有过时信息或偷换概念。 3. 高风险问题不能只看一次答案：尤其是 VPS 对比、价格、规则、技术选型，这类内容必须二次验证。 4. 未来更值钱的是验证能力：不是谁会写答案，而是谁能查、能比、能交叉核实。 所以我现在越来越看重 AI 的可信度，而不是单纯的会说话。 真正能用的 AI，得先过验证这一关。

看完劳总这篇写给 Claude Code 零基础新手的上手教程，作为老司机我总结了六点： 1、装环境——用一句提示词让 AI 装机助手一次性装好 Node.js、Git、Claude Code、CC Switch，并逐项报版本号验证。 2、配大脑——给 Claude Code 接大模型，推荐国产 DeepSeek（便宜量大）。强调安全做法：不要把 API key 直接发给助手，而是在 CC Switch 里自己填（Base URL、Key、模型），避免污染配置、方便切换。 3、第一个项目——不急着学概念，先用"说人话"的方式一句话做出一个能玩的网页版贪吃蛇，再逐句迭代（加重开按钮、霓虹像素风、最高分），全程不写一行代码。 4、用 Claude 接管 Git——把 GitHub 当"后悔药"，新手不用背命令，用人话让 Claude 完成建仓、提交、回退、看改动等操作，gh 网页授权只需做一次。 5、核心 AI 概念——用大白话解释 LLM（超级文字接龙机）、幻觉、提示词、Token、Context、上下文窗口与自动压缩（"越用越笨" / context rot）、Agent（大脑+手脚的工具箱）。 6、四个高频命令——/init(生成项目说明书 CLAUDE.md)、/clear(清空上下文换话题)、/compact(压缩长对话保留脉络)、/rewind(回退到检查点，与 Git 互补的另一张安全网)。 劳总的核心心法贯穿全文：就是把"我想要什么"说清楚，让 AI 翻译成命令并执行。

恭喜 Aether AI 喜获投资。Aether AI 由 UCSD 助理教授黄碧薇创立。黄教授@huang_biwei深耕因果 AI 领域 12 年，是 Causal-Learn 作者，发表过 100+ 篇顶会论文，并曾获 Apple Scholar。 过去几年，AI 行业默认相信：模型越大、数据越多、算力越强，智能就会继续进步。这套方法在语言模型上很成功。但当 AI 走向物理世界，问题就复杂了。 文字说错了可以改，机器人抓空一次，杯子可能就碎了。桌面高两厘米，光线、材质、角度一变，任务都可能失败。 所以具身智能真正需要的，不只是识别画面，而是理解物理世界如何变化。 现在很多 AI 模型学的是相关性：什么词后面接什么词，什么画面后面出现什么画面，什么动作后面大概率出现什么结果。这在文本、图像、视频里有效。 但机器人要判断的是：手有没有碰到杯子，摩擦力够不够，重心会不会变，继续动作会不会摔。 它真正要知道的是：如果我现在动一下，世界接下来会怎样？ 这就是因果问题。 因果大模型关注的，不只是预测下一个状态，而是理解变量之间如何相互影响。 改变一个动作，结果会怎样？换个环境，技能还能不能迁移？如果没有执行这个动作，另一种结果会不会发生？ 这些能力，对 Physical AI 很关键。因为真实世界不可能被训练数据完全覆盖。机器人不可能提前见过所有桌面高度、物体材质、失败姿态和真实环境。 只记住过去见过的模式，很难稳定工作。理解背后的因果结构，才有机会举一反三。 这也是 Aether AI 正在探索的方向：以因果世界模型为核心，打造下一代机器人大脑。 过去一年，“世界模型”很热。视频生成模型能生成连续画面，空间智能模型能理解三维结构。 但机器人还需要更进一步：和物理世界交互，处理接触、碰撞、摩擦、重心和反馈，在变化的环境里完成任务。 所以世界模型不能只停留在画面和空间结构上，还要进入因果推演：理解动作为什么导致结果，变量变化后系统如何演化，失败背后真正影响结果的因素是什么。 只有这样，机器人才能从“看起来会做事”，走向“真的能做事”。 大语言模型成功之后，Scaling Law 成了很多人的信仰。但在具身智能里，更重要的问题是： Scale What？你到底在放大什么？ 如果只是采集更多遥操数据、堆更多视频、买更多算力，未必能解决泛化问题。真正重要的是，模型能不能从同样的数据里抽取更深层的信息。 同样的数据，相关性模型看到的是表层模式，因果模型要挖的是背后的结构。 Aether AI 的短期目标，是打造一个能够跨本体、跨任务、跨环境泛化的机器人大脑，服务机器人本体厂商，以及工厂、仓储物流、家居、医疗健康等真实场景。 这家公司做的，不是简单给机器人接入一个语言模型，而是从算法、模型到系统层面，构建一套以因果智能为核心的新范式。 过去这一波 AI，让机器学会了生成语言、图像和代码。下一阶段，AI 要面对更难的问题：理解世界如何运转。 当 AI 进入机器人、科学发现、生物医药、新材料这些领域，它必须处理变量、干预、反馈和反事实推理。 这些问题，天然指向因果。 因果大模型值得关注，不只是因为它是一个新概念。它可能代表 AI 从“学习已有数据”，走向“理解世界机制”的一次范式变化。 如果说大语言模型打开了数字世界里的智能入口，那么因果世界模型，正在尝试打开物理世界里的下一扇门。 Aether AI 官网：

极客Drunk 一个视频带你实操上手Codex。从界面使用、权限说明、再到个性化设置，还有常用的实用功能：自定义常用快捷键、屏幕快捷截屏、自动化浏览器操作、控制电脑模拟真人操作、手机远程控制Codex、以及会话归档。 看完视频，并实操一遍就能让你轻松上手Codex。

最近刚好在研究这堆AI工具，既然字节跳动的 TRAE有活动，分享出来有兴趣的一起参加。 TRAE AI 创造力大赛，零门槛参与，报名成功得速通Pro和现场门票，百万现金池和3000份参与奖等你来拿。 决赛奖励： 进入决赛现场路演，最少获得 1 万元现金奖励，最高可得 35 万元现金奖励大奖。 复赛奖励： 在复赛阶段，提交最终合格产品即可获得： 大赛定制周边礼包（价值 ¥800） 有机会获得火山引擎 V-START 加速器 5 万元 AI 及云资源代金券专项扶持 完赛荣誉证书 初赛奖励： 初赛参与奖（2,000 名）：大赛专属礼包（价值 ¥100），专业评审得分前 2,000 名即可获得； 复赛晋级奖：晋级复赛即可获得 TRAE 中国版速通 Pro+ 月卡、明星导师沟通机会及高曝光传播资源。 最后附上官网链接，有兴趣的去看看吧：