与「开源阅读」相关的搜索结果

#开源阅读# (小说聚合阅读器) 开发者因侵犯著作权罪被判刑 2 年，这件事在 3 月份曾有过相关报道，不过昨天开源阅读项目主页发布更新公告。 在更新公告中开发者称项目涉及侵权以及开发者已经承担相应法律责任，从时间上看开发者葛某某当前应该已经出狱。 查看详情：

周五软件分享 - EasyTransfer：通过网站连接其他设备，传输文件 - 英语新闻分级阅读：配有音频、重点词汇、测试题 - Readest：开源电子书阅读软件 更多软件 #科技爱好者周刊（第329期）#

SATO白皮书里，有这样一句话，非常有意思 “在sat0上进行交易，在链上阅读。” SATO一共有三个核心合约，我通过阅读这三个核心合约，发现了三个有意思的隐藏彩蛋！ 1.巨型uniwap小马图画 在manager管理器合约开头，有一副由“4”组成的，巨型的ASCII图画，巨型uniswap小马（见图二） 2.SATO创世印记（出生证明）： 在SATO代币合约，部署者将代币的创世信息写进链上 就像SATO的创世印记或者说出生证明一样（见图三） 内容包含：部署者地址，创世区块，创世区块哈希，hook合约地址，代币名称等等详细信息。 像一份出生证明一样，链上永久可查，不可篡改! 3.SATO链上宣言： 在部署SATO代币时，部署者直接将下面一段宣言写进链上（见图四） 原文如下： “A specter has returned to ethereum: the specter of code that runs without an operator. the contract that exists at block zero is the contract that will exist forever. this must be specifically arranged for. we have arranged for it.” 合约全部开源可见可查 通过以上小彩蛋，你觉得作者是啥意思？ 你还发现了哪些有意思的事？ 欢迎评论区交流讨论！ 拿好SATO，期待hook summer！

GitHub 上极具知名度且极具价值的开源学习库，拥有超过 20 万颗星，它就是Build- your -own- X。 这个项目本质上是一个庞大的教程索引，汇集了互联网上优质的教程资源，指导小白如何不依赖现成的高级框架，亲手写出各种底层技术和流行工具的核心原型。研究好这个教程，你也可以当科学家啦，就是过程会比较痛苦。 1. 核心价值：打破封闭的技术栈，知其然，知其所以然 在日常开发中，我们习惯了调用现成的 API、使用高度封装的框架或直接集成第三方服务。这种方式效率极高，但也容易让技术栈变成一个个封闭的黑盒。 这个项目的价值在于，它强迫你深入底层。通过亲自用代码实现一个基础版本，你能真正搞懂底层的运行逻辑、数据结构和系统设计。这让个人开发者能跨越技术瓶颈、从API 调用者进阶为系统工程师。 2. 怎么用这个开源学习库？ 项目涵盖了数十个领域，从 3D 渲染器到操作系统，其中有几个模块尤其具有实战启发意义： Build your own Blockchain / Cryptocurrency这里汇集了使用 Go、Python、Rust 等语言从零实现简易区块链、P2P 节点通信、工作量证明或基础智能合约引擎的教程。 对于身处加密货币行业或需要深度理解链上逻辑、共识机制的开发者来说，亲手敲出一个最小可用模型，比阅读无数篇白皮书都要深刻。 Build your own Bot, Neural Network涵盖了各种自动化机器人以及基础 AI 模型、大语言模型架构的实现原理。 在当下利用 AI Agent 自动化处理内容工作流、或者编写高并发的数据监控及交互脚本时，理解这些底层的逻辑是如何运转的，能显著提升脚本的健壮性和执行效率。 Build your own Database, Network Stack教你如何手写一个简易版的 Redis 或 HTTP 服务器。在处理对延迟要求极高的场景时，深刻理解内存数据库的 I/O 模型和网络协议栈的底层逻辑，往往是优化性能的关键突破口。 对于初级开发者，带着目的去应用这个教程效率会比较高，比如，你想优化某个自动化脚本或研究某种代币的交互，就可以去看看这个开源项目相关的实现教程。

X 已经将其算法开源了，简直太惊人了——这是我见过的最棒的社交算法之一。以下是它决定信息流内容的具体逻辑（以及如何利用它）： > 它会监测你最近约 127 次的互动，并将其输入 Transformer 模型。> 你的行为是核心信号。人口统计学特征（国家、语言、年龄、性别）虽有参与，但并非驱动因素。> 没有个人简介匹配。没有人工编写的兴趣标签。没有关键词定向。 > 它会预测你对每条帖子可能采取的 18 种不同行为。> 正向信号：点赞、回复、转发、引用、停留、分享、关注。> 负向信号：拉黑、屏蔽、举报、“不感兴趣”、快速划过。> 在帖子上的停留时间也算作互动。你不需要点赞。> 拉黑和举报在评分中具有极高的负权重。> 圈内帖子（来自你关注的人）相比圈外帖子具有内置权重加成。 > 全新账号会被路由到完全不同的模型——侧重于探索，而非个性化。**如何进入他人的“为你推荐 (For You)”** > 原创性获胜。转发去重意味着即使有 10 个共同好友转发，观众也只会看到一次该推文。> 病毒式传播 = 触达新网络，而非在你的原有圈子里自我放大。> 不要 10 分钟内连发 5 条推文。> 存在真实的“作者多样性惩罚”，会降低同一作者在观众信息流中重复出现的权重。> 你实际上是在与自己竞争展示位。 > 不要指望发布 12 条的推文长串（Thread）能全部进入“为你推荐”。> 对话去重：在“为你推荐”中，一个长串里只有得分最高的一条帖子会向每个观众展示。> 长串在粉丝原生阅读时表现良好——只是不要指望所有 12 条都能出现在陌生人的信息流里。> 挑选你最强的一条推文，让它去带动流量。> 新鲜内容永远获胜——“为你推荐”的资格有严格的时间截断。> 没有真正的“长尾效应”。它必须在窗口期内爆发，否则就会沉没。 > 在视频中，你“说了什么”很重要。他们通过 FFmpeg + ASR 转录音频并嵌入文本。> 音频质量差 = 你失去了一个会进入帖子嵌入向量的重要信号。> 大账号下高质量的回复会被推送。> 在高粉丝量帖子的下方，一个 Grok 模型会直接给回复打出 0-3 分。> 玩好回复策略 = 获得真实的流量分发。> 你与观众之间的互粉重叠度（Jaccard 相似度）会按帖子计算——在社区内经营有助于提升权重。 **应当避免的行为** > 骗赞/骗互动会被标记。存在一个字面意义上的“slop_score（垃圾内容评分）”分类器（由 Grok VLM 在你发布时进行判断）。> “同意请转发”这类内容 = 死亡。> 触发拉黑/举报的“愤怒营销（Rage bait）”是最糟糕的策略。> 单次举报在评分中具有严重的负权重。> 在低粉丝量对话中的垃圾回复会被专门的垃圾邮件分类器捕捉。> 在全网复制粘贴回复 = 被标记。 > NSFW（色情）、血腥、仇恨、暴力内容会通过 7 类 PTOS 安全分类器进行路由。> 无论多火都没用——被标记的内容会被降权、模糊处理或设置年龄限制。> 发布频率过快 = 触发作者多样性惩罚。> 在同一个长串中发布过于频繁 = 触发对话去重。**如何优化你自己的信息流** > 有目的地进行互动。你的每一次操作都是为你个人模型提供的训练标签。> 快速划过本身就是一个负向信号（`negative_not_dwelled_count` 是一个真实的输入参数）。 > 激进地使用“不感兴趣”。这是未来排名中真实的负权重。> 屏蔽关键词是有效的。它们是分词处理的，所以屏蔽“crypto”可以捕捉到“cryptocurrency”。> 屏蔽话题 = 硬过滤。没有任何例外。> 关注新账号，向你的检索池中注入新的候选内容。 > 系统内置了多样性重排序器 (DPP)，以防止信息流过于单一。> 如果你的信息流感觉还是千篇一律，那是因为你把它训练成了那样。> 点赞 = 轻度互动。回复 / 转发 / 引用 / 停留 = 强力互动。> 如果你想看到更多某类内容，不要只是点赞，要去与之互动。

MiniMax 刚刚为你的 AI 智能体开源了音乐技能 - 生成完整的曲目 - Claude Code 角色可以阅读歌词并演唱 - 智能体可以扫描你的本地音乐库，进行学习并构建你的播放列表 你的智能体可以创作歌曲、演唱歌曲，并策划下一首播放的内容

花了一天时间，把我自己常用的 Skill Release 成一个新玩意叫 Waza 在日语中是 技（わざ） 的意思，常用于武术领域的招式，第一次开源一个没有代码只有 md 的产品，在没有 AI 的年代对于程序员而言是很羞耻的 之前 Superpowers 出来的时候，我安装一次就卸载了，感觉太重了，不是很适合我，会有不少人给我推荐 "你知道 Superpowers 吗？这个都不用那你就不潮流了，非常牛逼"，后面发现了 gstack，好了不少，但还是太多了，还是不习惯，我期待简单好用，同时清楚它在做什么。 所以我按自己的习惯做了 Waza，对我而言装上这一套就够了，其他 skill 不用再折腾，不多不少刚好够用，后面有新的迭代可以持续优化下去。8 个 skill 对应我认为在 AI 时代一个好的工程师应该具备的 8 个能力： 1、会思考，AI 写代码很快，但方向错了越快越远，好的工程师在动手前会先质疑问题本身，压测方案，脑子里有清晰的架构再让 AI 去执行，/think 就是把这个习惯固定下来。 2、会设计，做产品不只是把功能实现了，AI 生成的东西很容易千篇一律，好的工程师对交付物有审美要求，出来的东西要有明确的设计方向，/design 做的就是这件事。 3、会排查，AI 改 bug 最容易陷入"改了试试"的循环，好的工程师遇到问题会系统化定位，确认根因再动手修，一次到位，这个习惯我沉淀成了 /hunt。 4、会检查，AI 生成的代码更需要人来把关，合并前先审一遍 diff，能自动修的修掉，需要判断的归拢到一起，用证据验证而不是凭感觉收工，这个是 /check。 5、会阅读，好的工程师习惯读一手资料而不是二手总结，把 URL 或 PDF 转成干净的 Markdown 直接进工作流，/read 做的就是这件事。 6、会写作，技术再强，写不清楚别人就接收不到，好的工程师能把学到的、想表达的东西清晰地传递给对应的受众，/write 帮你把这一步做好。 7、会学习，AI 时代技术迭代更快，进入一个陌生领域不是刷几篇文章就完了，而是收集、消化、提纲、初稿、打磨、发布，用输出驱动学习，/learn 就是这套流程。 8、会维护，好的工程师不只关注业务代码，工具链本身也需要体检，CLAUDE.md、rules、hooks、MCP 这些配置感觉不对的时候跑一下 /health 就知道问题在哪。

老黄站在 CES 2026 的舞台上，身后的屏幕突然黑了。“所有系统都挂了，”他笑着说，“这在圣克拉拉从来不会发生。是因为拉斯维加斯吗？外面是不是有人中了头奖？” 这个小插曲倒是个不错的隐喻：2025 年的 AI 行业，就像一台马力全开但偶尔冒烟的机器。所有人都在全速狂奔，所有系统都在满负荷运转。 老黄在 CES 上说，每隔十来年，计算行业就要来一次大洗牌。从大型机到 PC，从 PC 到互联网，从互联网到云，从云到移动端。 这一次不太一样，地震是双重的。不仅应用要建在 AI 之上，连我们写软件的方式本身都变了。 “我们不再编程软件，我们训练软件。不再跑在 CPU 上，而是 GPU 上。”过去的应用是预编译好的，装在你设备上就那样了。现在呢？应用理解你的上下文，每次从零开始，实时生成每个像素、每个 token。 这意味着过去十年砸下去的十万亿美元计算基础设施，都要升级换代。老黄算了一笔账：全球百万亿美元产值的产业，研发预算正在从传统方法向 AI 方法迁移。风投每年两千亿美元涌入这个领域。这就是为什么大家都这么忙。 【1】2025，大模型的三个拐点 老黄回顾了 2025 年 AI 领域的几个关键进展。 第一个是推理模型的出现。2024 年底 OpenAI 发布 o1，第一次让 AI 学会了“思考”。以前的模型是一口气给你答案，对就对，错就错。现在的推理模型会停下来想一想，把问题拆开，一步步推演。想得越久，答案往往越靠谱。老黄管这叫“test-time scaling”，也就是用更多的推理时间换更高的回答质量。 第二个是 Agentic 系统的爆发。AI 不再只是回答问题，而是开始“做事”了。它会自己规划步骤，调用工具，查资料，写代码，甚至操控其他 AI。2025 年，这类系统从实验室走向了真实应用。 第三个是开源模型的崛起。DeepSeek R1 的发布像一颗炸弹，证明了开源模型也能达到前沿水平。虽然还落后闭源模型大约六个月，但下载量已经爆炸式增长。创业公司、研究者、学生、甚至各国政府，都开始用开源模型构建自己的 AI 能力。 这三个突破并非孤立存在。推理能力让 Agent 更聪明，开源模型让 Agent 更容易构建。它们相互催化，共同把 AI 推向了一个新阶段。 【2】Agentic AI：从“能聊天”到“能干活” 三个突破里，Agentic AI 可能是离普通人最近、又最容易被误解的一个。 先说一个直观的例子。老黄提到，英伟达内部现在大量使用 Cursor 编程工具。这不是普通的代码补全，而是一个真正的 AI Agent，你告诉它想实现什么功能，它会自己规划怎么写，查阅文档，生成代码，测试，修 bug，甚至重构。程序员的角色从“写代码的人”变成了“审代码的人”。 这就是 Agentic AI 的本质：AI 从被动回答问题，变成主动完成任务。 ChatGPT 刚出来的时候，最大的槽点是“幻觉”，它会一本正经地胡说八道。因为它只能依赖训练时学到的知识，没法获取新信息，但它又被要求有问必答，所以不得不胡编乱造。你问它今天的天气，它只能编一个。 Agentic 系统解决这个问题的方式很简单：让 AI 学会“查资料”自己补充上下文。遇到不确定的问题，它会先判断“我需不需要去查一下”，然后真的去搜索、去阅读、去核实。这个判断本身就需要推理能力，所以第一个突破（推理模型）是第二个突破（Agentic 系统）的基础。 但 Agentic AI 的能力远不止于此。 【3】Agent 的四种超能力 老黄在演讲中描绘了一个完整的 Agent 能力图谱。我把它总结为四种超能力： 第一，会推理。遇到从没见过的问题，Agent 不会直接说“我不会”。它会把陌生问题拆解成一堆熟悉的小问题，然后逐个击破。就像一个聪明的实习生，虽然没做过这个项目，但能把它分解成自己会的步骤。 第二，会用工具。Agent 可以调用搜索引擎、计算器、代码解释器、数据库，甚至其他 AI 模型。它知道什么时候该用什么工具，就像一个老练的工匠，手边有一整套工具，可以随手选最趁手的那个。 第三，会规划。面对复杂任务，Agent 会先想好怎么做，制定计划，预判可能的结果，然后一步步执行。不是闷头往前冲，而是“三思而后行”。 第四，会协作。这是老黄特别强调的一点：现代 Agent 系统往往是多个模型并存的。一个 Agent 可能同时调用好几个 AI：用专门的模型处理图片，用另一个模型写代码，用第三个模型做总结。就像一个项目经理，知道每个专家擅长什么，然后把任务分配给最合适的人。 他特别提到 Perplexity 的做法让他眼前一亮：“第一次看到他们同时用多个模型，我觉得这太天才了。”道理很简单：一个 AI 当然应该在推理链的任何环节调用最适合那个任务的模型。 所以未来的 AI 应用是什么样的？多模态（理解语音、图像、文字、视频、3D）、多模型（不同任务用不同模型）、多云（模型分布在各个云上）、混合云（有些在边缘、有些在企业、有些在云端）。 【4】一个 Agent 是怎么工作的？ NVIDIA 为此搞了一套叫“Blueprint”的框架。演讲中展示了一个演示：一个小哥用 DGX Spark 搭了个个人助手，能管邮件、日历、待办事项，还能控制一个小机器人。隐私敏感的邮件任务用本地模型，其他用 frontier 模型，中间用一个意图路由器自动分配。 听起来像科幻片，但搭建过程出奇简单。 首先，接入一个前沿大模型的 API 作为“大脑”。然后，为每个功能创建一个“工具”：邮件工具、日历工具、摄像头工具。接着，因为邮件涉及隐私，开发者加了一个本地运行的开源模型专门处理邮件，数据不出本机。最后，加一个“智能路由器”，根据用户的意图自动决定用哪个模型处理。 结果呢？用户说“帮我给 Jensen 发个邮件，告诉他脚本今天能交”，Agent 就自己完成了。用户说“把这张草图变成建筑渲染图，再做个视频带我看看房间”，Agent 也搞定了。甚至当用户的朋友远程接入，问“我的猫 Potato 在干嘛”，Agent 能看摄像头、认出猫、发现它在沙发上、还记得朋友不喜欢猫上沙发、然后通过机器人喊话让猫下去。 老黄说，这一切在两年前是“完全不可想象的”。而现在，“这已经变得微不足道了”。 Agentic AI 的概念其实不新。早在 2023 年，AutoGPT 就火过一阵，号称能让 GPT 自己给自己下指令、自动完成任务。但那时候的 Agent 更像是玩具，经常跑偏、容易卡死、实用性有限。 2025 年的爆发，靠的是几个条件同时成熟： 1. 推理能力的突破。没有可靠的推理，Agent 就像一个冲动的实习生，一拍脑袋就开干，经常把事情搞砸。有了推理，Agent 才能“想清楚再做”。 2. 工具生态的完善。各种 API、各种开源模型、各种开发框架，让 Agent 能调用的“武器库”越来越丰富。 3. 多模型架构的成熟。以前大家想的是“训练一个无所不能的大模型”。现在的思路是“让一个聪明的模型学会调用专业的模型”。这大大降低了构建复杂 Agent 的门槛。 4. 开源社区的推动。老黄反复强调，开源模型让“每个公司、每个行业、每个国家”都能参与 AI 革命。你不用自己训练前沿模型，拿开源的来用就行。 【5】Agent 会取代软件吗？ 包括我在内很多人都思考一个问题：未来 Agent 会取代软件吗？交互形式是什么样的？ 老黄在演讲中给出的答案是：Agent 不只是一种新应用，而是未来软件的新形态。 他说，以后你跟 Palantir、ServiceNow、Snowflake 这些企业软件打交道，界面可能不再是一堆表格和按钮。你直接跟一个 Agent 对话，告诉它你想干什么，它就帮你搞定。“就像跟人打交道一样简单。” 传统软件的交互方式：填表单、点按钮、写 SQL，本质上是在“迁就机器”。你得学会机器的语言才能让它干活。而 Agent 的交互方式是“机器迁就你”。你用自然语言说需求，Agent 自己翻译成机器能懂的操作。 当然，这不会一夜之间发生。企业软件涉及太多复杂的权限、流程、合规要求，不是换个界面就能解决的。但方向已经很清楚了。 【6】写在最后 老黄这场演讲其实还讲了物理 AI、自动驾驶、机器人、下一代芯片 Vera Rubin，我对那些关注不多就不总结了。但如果只看 AI 大模型这块，核心信息其实就一个： > AI 正在从“一个聪明的对话伙伴”变成“一个能调动资源、完成任务的系统”。推理模型给了它思考能力，Agentic 架构给了它手脚和工具箱，开放模型让所有人都能参与这场游戏。 我个人比较关注老黄在演讲中提到的 Agentic 系统将成为所有软件平台的新界面。以前你和软件交互，要点菜单、填表格、写命令行。以后你和软件交互，就像和一个懂行的同事说话。你说想干什么，它帮你干。未来的企业软件，入口可能就是一个对话框。 对于开发者来说，这是一个窗口期。开源模型已经足够强，Agentic 框架已经成熟，基础设施已经就位。剩下的就是应用层的创新。 老黄在谈到开放模型时问了一个问题：数字形式的智能，怎么可能把任何人落下？ Agentic AI 的爆发，不是每个人都能训练出最强的模型，但每个人都可以学会编排这些模型，让它们为自己干活。 这可能是最重要的变化。AI 不再只是科技巨头的游戏，它正在变成每个人都能用的工具。

最近看到了一个开源工具 Zotero，用了一段时间，感觉挺不错的，它是一个学术文献管理工具，支持一键导入论文、自动生成引用和参考文献、批注笔记和标签分类。 并且可以多端同步（桌面端、浏览器插件、移动端和网页端），让论文管理和检索变得非常轻松，文献下载后，也支持离线阅读和批注。 现如今“看论文”这项活动，已经不局限在学术圈，大厂的算法、工程师，包括产品经理也会关注最新的研究成果，很多创新和实践是可以直接被用到工业界的。 我过去两年看的论文数量就有一百多篇了，大部分是主题式学习，例如大模型基础、Prompt 优化、音视频处理、Agent 增强等等，但好多论文看了之后忘了名字也找不到了🥲，一直想搞个工具管理下，Zotero 基本可以满足需求。 另外再推荐一个 github 项目，zotero-arxiv-daily，这是一个基于 Zotero 的自动论文推荐器，它会根据你已有的文献偏好每天从 arXiv 获取最新论文，通过语义匹配和摘要生成筛选出高相关内容，并以邮件形式推送，非常适合想要持续跟进前沿研究的人。

Agent 的动手能力，已经在过去一年经历了显著的跃迁。它不再只是会“聊天”的模型，而是可以真正去动手、去执行复杂任务的智能体。那么现在它能做到什么？已经能解决多复杂的软件工程问题？又该如何在社区里找到最强框架并复用到自己的项目？下面是几条更实用的思路。 要评估一个 Agent 的动手能力，无论它是单一的 LLM，还是 LLM 加上外部工具的工程实现，最终都要回到数据集上。因为数据集定义了“考试题目”，而 benchmark 决定了“评分标准”。目前能全面评估 Agent 工程执行力的两个核心数据集，一个是 OpenAI 的 SWE-bench（software engineering-bench），另一个是 THUDM 提供的 Agent-Bench。前者聚焦真实软件仓库的 bug 修复与功能实现，是“AI 程序员”的试炼场；后者覆盖更广，从软件、操作系统、网络、推理、工具使用到多模态交互，是对 Agent 通用智能和工具操作能力的系统化测评。 什么才算一个好的 Agent，还得回到问题域上看。SWE-bench 的目标是让 Agent 能像程序员一样理解代码、修补缺陷、通过单测；而 Agent-Bench 则像是在考察一个“通才型工程助理”，既要能读懂文档、用命令行、写代码，又要能跨工具协作、执行复杂任务链。前者考工程深度，后者考任务广度。这两个维度，几乎定义了 Agent 的“手工能力边界”。 理解这个边界，还得区分哪些问题是 LLM 本身可以解决的，哪些必须依赖外部工具。从大模型的演进来看，许多原本需要显式工具链配合的能力，正在逐步被“内化”进模型本体。Chain of Thought 已经演化为参数化的推理能力（Reasoning），知识图谱的结构化记忆也被吸收到模型的参数知识（Parametric Knowledge）中。而最近阿里开源的 Tongyi DeepResearch，正是这种趋势的最新代表：它通过强化学习（RL）直接训练模型具备“研究型行为”，主动检索、阅读、摘要、再检索，在真实网络环境中形成自我迭代的探索闭环。 要找到好用的 Agent 框架或最佳实践，最直接的办法就是去看各大数据集的打榜记录，榜单上往往能看到社区最新的开源成果与架构思路。SWE-bench 有一个官方 leaderboard，目前得分最高的方案往往来自一些 AI IDE 工具，比如 TRAE、Augment Code 等，因为 SWE 要解决的软件工程问题，和 AI IDE 的目标几乎完全重叠，它们都想让模型在真实项目里“动手干活”。在这些榜单里，你可以找到大量可以直接复用的开源实现，例如 github@augmentcode/augment-swebench-agent、github@ByteDance-Seed/Seed-Coder 等。 如果你正好在做相关方向的工作，不妨先采取“拿来主义”。SWE-bench 上最好的模型得分已经达到了 78.8 分，意味着这些 Agent 已经能解决绝大多数真实工程问题。要知道，在 2024 年三月，这个榜单的最高分还只有 12.4。短短一年，从“会写代码”到“能维护项目”，AI 的动手能力，已经跨过了一个关键分水岭。