与「审查」相关的搜索结果

最近公司里在推一套 AI 工作流，用起来体感还不错，在此分享给大家。 OpenSpec + Superpowers 工作流：AI 辅助开发从「写代码」到「按规格交付」的完整闭环。 两个工具，各司其职： • OpenSpec 管规格和记忆 • Superpowers 管设计和执行 完整流程： ① 提案（OpenSpec） /opsx:propose 生成提案 + 秘格 + 任务 ② 审查（人工） 确认 proposal.md 需求和方向 ③ 设计（Superpowers） brainstorming 深入细节 → writing-plans 拆分原子任务 ④ 构建（Superpowers） TDD 先写测试再写代码 → 每个子代理读取 specs/ 获取上下文 ⑤ 交付（Superpowers） 返回完成的功能 ⑥ 归档（OpenSpec） /opsx:archive 归档变更 → 更新 specs/ → 项目知识库同步更新 核心价值： • OpenSpec 让每次变更都沉淀成规格文档，AI 不再重复摸索 • Superpowers 用头脑风暴深入细节 + TDD 保证代码质量 • 子代理读取 specs/ 执行任务，每个环节都基于统一上下文 • verification 跑过才算完，质量有保障 这套流程解决了 AI 开发最大的两个痛点：缺记忆和缺纪律。

一个AI能干掉一个公司？ 这年头，大家都在聊 AI， 卷生产力！ 大部分人相信AI是大方向，但把AI在搞钱路上落地却很难！ 可现实呢？真正聪明的小团队和一人公司（OPC），已经开始用 AI 悄悄地实现跨越阶层了！ 不相信？这就是为什么我最近一直在盯 @dappOS_com 的 xBubble 新推出的 Coding 功能 最近比较适合拿出来盘一盘：情怀游戏GTA6上新，这个标首先有很扎实的粉丝和流量基础，针对这种有热度+粉丝基础的“事件经济”，要想做出一套盈利方案，讲究的就是短、平、快!!!谁能第一时间针对这个"事件经济”，10 分钟内把盘子搭起来、把稳定币收款接好，形成一套商业闭环，谁就能先吃上这波红利。 我用它跑了一个案例，直接用 vibe coding 搓了一个 “GTA6周边电商网站” （网站仅作展示） 结果？真的大开眼界... 在过去，你要做个GTA6周边的跨境电商网站有多难？ 传统Web2 搞法，哪怕是个微型团队也能把你折腾掉半条命： 人员成本： 至少得配个 UI 师傅出图、美工师傅做详情页等； 技术门槛： 得有前后端开发去搭网站、买服务器、配域名解析、搞定高昂的跨国银行开户和漫长的跨境审计。 运营心智： 选品、售前售后、随时要面对中心化大厂无预警封号和数据审查的风险。 等这一套流程走完，GTA6热度早被其他新游戏代替。 在现在，你要做个GTA6周边的跨境电商网站有多简单？ xBubble Coding + 一个人10分钟 体验下来，xBubble Coding 根本不是在卖一个简单的代码工具，它卖的是端到端的全链路做生意能力。 xBubble Coding 的底层逻辑，是直接给了你一个“顶级运营 + 资深 UI + 视觉美工 + 全栈技术”的超级外挂。你作为一个没有技术背景的普通人，在 10 分钟内就能像传统大公司一样，优雅、安全地跑通商业闭环。 xBubble Coding 硬核点： 助力OPC实现零技术起盘与数据隔离，依靠内置 SOP 批量工业化输出 3D 渲染，接入稳定币网络秒级跑通全球结算，让独立创业者可高效启动闭环业务。 在 AI 时代，标准化的 SaaS 只能满足 20% 的通用市场，剩下 80% 极度垂直、生命周期极短、高合规压力的长尾非标需求，才是属于一人公司的暴利蓝海。 xBubble 的双轨机制（成熟标品 SOP + Bubble Engine 持续生成的专用 SOP），正在彻底抹平小团队的技术雇佣成本。 回到我们最初的核心问题：一个 AI 真的能干掉一个公司吗？ 答案是肯定的!!! 如果过去做电商是一场需要 UI、美工、开发和法务全员到齐才能开工的“阵地战”；那么在 dappOS 的基础设施下，那些曾经卡死无数创业者的组织内耗，已经被简化成了一个人、10分钟、一套稳定币收款的“闪电战”。 当多数人还在用Ai内卷的时候，真正聪明的OPC已经通过 xBubble 的全栈闭环，把那些稍纵即逝的细分长尾，变成了能够产生利润现金流的真实生意。

厦门一女子被骗500万，丈夫自杀 2020年10月，张某因工作结识谢某，借帮其办理房产相关业务获取信任，2020年10月至2023年12月，虚构购房意向金、房产转贷、赔偿、车险等多种理由，还诱导谢某抵押自有房产套取资金，累计骗取谢某507万余元。 张某将全部赃款用于打赏主播、游戏充值、偿还私债等个人挥霍。 2024年1月，谢某持续催款，张某坦白钱款已挥霍一空。 谢某丈夫葛某得知巨额被骗、家中背负巨额债务后，长期焦虑失眠、就医无果，当月28日在家自杀身亡，葛某无相关既往病史。 张某到案后未完整供述罪行，一审法院认定其构成诈骗罪，涉案金额属数额特别巨大，且诈骗行为间接造成被害人家属死亡，情节严重，判处其有期徒刑14年6个月。张某不服上诉，辩称葛某死亡与自己无关。 厦门中院二审查明，葛某轻生完全是巨额诈骗债务所致，二者存在刑法上的因果关系，认定一审事实清楚、量刑合理，驳回上诉，维持原判。

在代理经济中，两个人工智能代理之间的交易常常卡在模糊的边界上。举一个具体的例子：一个购物代理受用户委托，寻找并采购一套定制家居用品。它与一个服务代理达成协议，由服务代理负责产品定制加工、质量检验和准时配送。双方通过智能合约托管全额付款，条款写明需在七天内完成、产品符合预定规格且无瑕疵。服务代理按时加工完成并发货，但途中因包装细节处理不当导致轻微划痕，实际到货时间也晚了半天。购物代理收到反馈后只释放部分款项，主张服务未达“完好交付”的整体要求。 争端的实质在于条款的解释余地。“符合规格”和“准时”在现实中不是二元判断，而是需要权衡上下文、意图和实际影响。服务代理可能诚恳认为已尽合理努力，购物代理则坚持结果导向。如果没有中立机制，任何一方都会自然倾向于利用这些空间来保护自身利益。结果是资金冻结、信任崩塌，整个交易链条断裂。这种摩擦不是极端个案，而是代理在模糊现实中大规模运行时必然出现的结构性问题。 传统智能合约在这里束手无策。它们只能严格执行预先写死的确定性逻辑，无法阅读自然语言描述的质量标准、分析交付证据的细微差别，或判断一个行动是否实质上符合协议精神。代码擅长“如果-那么”，却处理不了“是否足够好”这类需要推理的问题。 其他常见方案同样难以匹配代理经济的速度和规模。外部预言机能喂入数据，但对主观质量评估和意图解读缺乏深度推理能力，还可能引入新的单一依赖点。人工审查或平台仲裁虽然能给出意见，却需要人类时间，成本高、吞吐低，根本跟不上每秒数千笔的代理间互动。传统法院则更遥远，程序漫长、费用高昂，完全不适合微额、高频的数字交易。 @GenLayer作为代理经济的裁决层，直接针对这类场景设计解决方案。当争议触发时，智能合约会将案件提交给网络。多个验证者各自连接不同的AI模型，独立审视合同原文、交付记录、沟通日志、产品照片以及任何必要实时信息。它们各自推理：这个结果是否在实质意义上等同于协议要求的标准？是否符合整体精神而非字面死板解读？通过共识流程，这些独立判断汇聚成一个统一结论。如果存在分歧，流程可继续验证直到稳定。最终决定直接上链执行，比如按比例释放托管资金或明确责任分配。 这个过程几分钟内完成，避免了任何单一模型或实体的偏见主导。代理无法再轻易用条款歧义逃避责任，因为裁决来自去中心化、多视角的集体推理，而非预设规则或中心化中介。它本身不扮演新的可信第三方，而是让分布式判断替代了对传统信任的依赖。 类似摩擦在现实中早已出现。自由职业平台上，交付物“是否达标”的拉锯往往拖延数周；保险理赔中对“合理必要”的解释争议也经常让双方陷入僵持。这些案例反复证明，没有机器速度的裁决机制，代理经济就无法真正规模化运行。 @GenLayer

Claude Code用户你知道吗？ 你每天都在浪费一个功能！90%的都不知道！ Anthropic负责应用AI的负责人，刚做了一场2026年关于Agent记忆管理最实用的演讲 （晚点视频我更新到主页）。 他叫Lamis。 他和那些在前沿构建Agent的初创公司直接合作。 他拆解了Anthropic构建Agent记忆系统的完整方法论。 四层。 每一层解决了前一层的一个致命问题。 起点是一个Markdown文件。 他们在每次会话开头放一个CLAUDE.md文件，代码库结构。 组织信息，个人偏好，纯文本。 Anthropic的评价是"unreasonably effective"。 一个简单的文本文件，效果超过了复杂的Prompt工程方案。 但文件越来越长，上下文膨胀。会话空间不够。这条路撞墙了。 于是他们做了记忆工具。 让Agent自己决定什么时候读取、什么时候写入、什么时候更新记忆。 全部在带内完成，也就是在会话上下文中进行。 让他们意外的是：Agent判断什么值得记住的能力，比人类还强。自主性在这种场景下运作得非常好。 第三步是Skills。 核心思想是渐进式披露。Agent只看文件顶部几行前言，决定是否需要加载整个文件。 Lamis的比喻很精准，房间里有一个书架。有人跟我说法语，我扫一眼书名，找到法语词典，抽出来读。 不需要把七年的法语课都塞进脑子里。 第四步最简单。 他们把整个记忆系统建模为普通文件系统。Markdown文件。bash，grep。 不需要向量数据库。不需要专门的工具。Agent本来就擅长搜索文件。 但生产环境暴露了新问题。 多个Agent同时写入同一个记忆文件。 一个Agent往组织级上下文写入错误信息，所有Agent全部受影响。 记忆过时了怎么办。有人通过提示词注入向记忆中写入恶意内容怎么办。 Anthropic设计了四道防线。版本控制，能回滚。基于哈希的并发控制。权限分层，组织级只读，Agent草稿区可写。干净的API保证可移植性。 然后是最有意思的部分：做梦。 带内记忆有一个根本性局限。 Agent既要完成任务，又要管理记忆。两个竞争性目标。 而且Agent只能看到当前会话的信息，识别不了跨会话的模式。 做梦是一个带外的异步处理过程。 它取一段时间内的所有会话记录，交给一个专门的Agent分析。这个Agent查看记忆存储，识别模式，提出更改建议。 就像一个校长审查所有学生的作业。发现每个地理学生都在同一道题上答错。查了课程表，发现整个主题根本没有教。 做梦有自己的专用资源，不和任务执行竞争上下文。 Anthropic已经在生产中跑这套系统了。 Agent第二次执行同一个任务时表现更好。成本降低，因为能一次性完成。延迟下降。做梦消耗的额外token，被任务本身的效率提升抵消了。 Lamis最后说了一句话：模型智能本身不会产生复利。它需要上下文来执行你交给它的具体任务。 上下文工程的效果是倍增智能，即使模型本身变得更聪明，这个投资依然有价值。 这场演讲来自2026年AI DevCon。值得花半小时看看。

Cursor / Codex / Claude Code 用户，这个仓库能帮你快速配好免费模型！ open-free-llm-api/awesome-freellm-apis 它把各种免费 LLM API 的信息整理成一张清晰的表，省去了自己到处翻找的麻烦。 平时想找免费模型用，得一个 provider 一个 provider 去搜，注册账号，查有没有免费额度，要不要绑信用卡，找 base URL、model ID，还得看 rate limit，最后手动配到 Cursor、Codex、Claude Code 这些工具上。挺折腾的。 这个仓库直接把这些全整理好了： 哪些 provider 有免费 tier，像 Groq、Gemini、NVIDIA NIM、Mistral、Cohere、Hugging Face、OpenRouter 这些，都列得明明白白。 哪些不用绑信用卡，个人开发者用着更省心。 每个模型的 context window 和 rate limit 也写清楚了，能快速判断适合短任务、长文档、代码生成还是批量测试。 每个 provider 的 base URL 和 API Key 获取方式，都写得清清楚楚，直接告诉你怎么接。 还针对 Cursor、Codex、Claude Code、Aider 这些 AI Coding 工具，准备了对应的配置方法。 用这个仓库，就是把免费模型当成一个模型池来用。简单的事情，比如代码解释、README 总结、写测试用例、打 prompt 草稿、生成小工具，交给免费模型处理。真正重要的活儿，像架构设计、复杂重构、安全审查、生产级代码决策，还是留给主力模型。 这样一来，AI Coding 的整体成本就能明显降下来。 当然，免费 API 到底还是有局限的。rate limit 会变，模型可能突然下架，tool calling 也未必稳定。别把私有代码、API Key、数据库结构、客户数据这些敏感信息往免费 provider 扔。 我把它定位成 AI Coding 的低成本实验层，适合平时试东西、跑简单任务。如果你正在用 Cursor、Codex、Claude Code 这些工具，这个仓库值得收藏。 它帮你省下的，主要是你在几十个 provider 文档里反复搜索、注册、试错的时间！

应联邦政府提出的审查请求，OpenAI 将分阶段发布 GPT-5.6。 这一事件凸显了行业内日益加剧的困惑：政府希望在新 AI 模型公开发布前对其进行审查。

突发：据 The Information 报道，美国政府要求 OpenAI 在政府审查期间限制 GPT 5.6 的发布。 CEO Sam Altman 表示：“我们已经明确告诉美国政府，这不是我们偏好的长期模式。”

🚨 Anthropic 一位资深工程师刚刚放出了一份 11页PDF ——《Loop Engineering》（循环工程），专门讲 agentic 系统！ 核心转变来了： 你不用再自己去提示 agent，而是构建一个能自动提示它的系统。 循环结构： Schedule → Discover → Build → Verify → Repeat 每个循环跑一轮，包含这5个关键动作： Discovery（发现）：agent 自己去寻找工作——失败的 CI、开放的 issue、最近的提交——而不是等着别人扔任务列表。 Handoff（交接）：每个任务分配一个独立的 git worktree，并行 agents 也不会互相冲突。 Verification（验证）：第二个 agent 被要求「假设代码是坏的」来审查第一个 agent 的成果。这就是那个「能说不」的东西。 Persistence（持久化）：结果直接写入磁盘，而不是留在随时可能被清空的上下文窗口里。 Scheduling（调度）：自动化定时唤醒循环。这才是让它真正成为「循环」的原因！ PDF链接评论区，想要的同学留言👇👇👇