与「更新」相关的搜索结果

你写的代码，有一半没人看就进库了？ 11 月 14 日更新的一份榜单，把 AI 编程智能体的底裤扒了：看的不是跑分，是真进了仓库的代码。 Claude Code 交的 PR，91.2% 被合并了，五个里最高。 Codex 更夸张：到 11 月 13 日，公开仓库开了约 910 万个 PR，87.4% 被合并。 Copilot 72.2%，Cursor 70.9%，Devin 63.2%。 但最扎心的是这一步：抽查的 268 个已合并的智能体 PR 里，56% 没有任何真人审过😅 Claude Code 合并的 PR，只有 30.5% 有人看过；Codex 更低，28.6%。 反过来，Copilot 合并的 PR 里 80.5% 有人审，Cursor 77.8%。 说白了，合并率高不等于代码对，没人看的那一半，恰恰是合并率最高的那批🤯 这事早不是小圈子玩具了：90% 的职业开发者每周至少用一次 AI 编程智能体。 你团队里 AI 交的 PR，现在到底是谁在审？

天天手动给 WorkBuddy 签到，最容易忘的偏偏就是连续签到。 有人写了个 Python 单文件自动签到脚本，不用额外依赖，只读本机登录态，密钥也不用填。 ① 每天自动签到，避免断签 ② 支持开盲盒、领任务 ③ 断登后可尝试自动补登 ④ Windows / macOS 都能设置定时任务 ⑤ 后台静默运行，不弹窗、不消耗 Token 不过它靠的是逆向接口，官方接口一改就可能失效，用之前记得留意项目更新。 🔗 ：

45.7 万 Star 的逆向神器 REA，这回是真的杀疯了！! 以前只是帮 AI 拆软件，到了 v6.9.0，直接开一个单独的桌面让 AI 录操作、跑验收，就连硬件里的固件和微信小程序都能硬拆！ 读完官方的更新说明，这次升级真的很猛： ▸ 桌面任务做成流水线：一行命令准备好 Linux 构建环境，装好经过校验的程序、把起止节点定下来，录一次就能分成好几条桌面任务，最后用自动校验加屏幕裁判完成验收 ▸ 什么都能硬拆：.NET 单文件、Bun / Deno、Unity / Godot、微信小程序、红白机卡带，一直到 ESP 固件、Electron 缓存，还有离线 NTFS 日志，拿到就能拆 ▸ 解决 Token 爆掉的问题：以前把逆向工具全挂进 Claude Code，上下文一下就被撑爆；现在会按需选工具、把结构精简、分页返回结果，没扫完就标成未知，绝不乱编 ▸ 常用工具开箱即用：Claude Code、Codex、Cursor、LM Studio 都能原生接入 搞逆向、做桌面 Agent、折腾 Claude Code 的朋友可以看看。 仓库链接：

End-to-End 4-Bit Training：让大模型用更粗糙的数字格式完成全流程训练，大幅缩短显卡训练时间 训练大模型需要处理海量数据，直接把数字精度压到4位虽然能加快计算，但四舍五入累积的误差会严重拖垮模型的学习效果。 为了解决这个矛盾，Thinking Machines Lab在英伟达GB300显卡平台上开发了名为BBBK的专用底层加速程序。采取了分工策略，在模型向前推理计算时使用高速度的4位数字格式NVFP4，在向后更新参数时切回较精细的8位格式MXFP8，并在传输数据时顺手进行旋转压缩与随机舍入修正，省去了传统训练完成后还要单独做低精度校准的麻烦步骤。 这套方案应用在Inkling 2 Small模型的全流程训练中，显卡的运算管道和传输带宽同时跑满，没有出现互相等待的卡顿。原本需要好几周才能跑完的同体量模型，现在在GB300机柜上只用了68小时就完成了预训练。对比全程使用8位格式训练，新方案在预训练阶段节省了8%的时间，在强化学习阶段直接提速了20%，省下了大量算力开销，同时模型最终的回答准确率几乎没有受到影响。 链接：

《Claude Code + 接口流水线：跨境电商调研的「免网页」实战》 @gengdaJ 分享了一套把 Claude Code 变成调研流水线的方案，核心点不是「用了什么 AI」，而是「把数据接口变成 Agent 的触手」。他在做家庭厨电出海调研时，全流程没开过一个网页，复现他的思路分五步： 1. 资产盘点：用 Exa 和 TinyFish 搜索目标品牌（如九阳）的公开财报与分析，通过全文解析摸清出海业务占比。这一步是定基调，不看网页直接从分析后的数据里拿结论。 2. 市场锚点：用 Anyapi 调用 TikTok Shop 的商品接口，配合 Exa 查跨境电商政策，选定越南作为主攻市场。逻辑是：不靠「感觉」选市场，靠成交数据和政策窗口重合度选。 3. 品类精选：在 Anyapi 里批量拉取 TikTok Shop 店铺的坚果奶机销售数据，只看增速最快、评价最好的 sku。别人还在浏览网页选品，他已经在按「订单密度」筛选了。 4. 触达通路：用 Tikhub 搜垂类 KOC，筛选近期作品活跃度，再用 Anyapi 拿联系方式，Hunter 验证邮箱有效性。这一步把「人工扫码」变成「数据清洗」。 5. 商务自动跟进：用 AgentMail 接口起草邮件、打标、跟进。邮件分批发送，回复状态自动更新，品牌方只需要最后确认回复意向即可。 核心价值：他把调研从「看网页」变成了「调 API」。 Claude Code 在这里扮演的是「流水线调度员」：帮你写接口调用代码、帮你洗数据、帮你把这一串动作串联起来。 这种思路最值钱的地方在于：你手里的 API 决定了你的触手有多长。当别人还在人工查网页时，你是在用数据覆盖市场。AI Agent 时代，谁能把领域数据库接入到 IDE 里，谁就能直接降维打击。

✨💗YouTube更新💗✨ レミエールの「Two to Tango」を歌って踊ってみました！ 初めて歌ってみた！すごく緊張しました…！ ぜひ見てくださいね🎶

最近 Mole CLI 有非常多的更新，Mac、Windows 和 Linux 都有很多优化和增强，打算了一起同步给大伙。 首先非常建议使用 CLI 小伙伴看到后，辛苦直接 mo update 更新到最新，因为有可能你本地还是半年前的版本，现在版本相比之前要完善更多，特别是对于一些AI 工具清理的加强和安全的保护上。 首先 Mac 这一块的卸载能力差不多完成了之前 GUI 版本差不多 900 款软件的卸载详细同步，可以享受一样的残留清理效果，然后对于开发工具的清理、以及代码编译过期内容的清理也有很多完善，甚至其实iPhone和Android模拟器工具里面也有非常多的缓存，也可以一起清理了。 然后 Windows 版本补了很多大伙常用的软件，360 极速浏览器、夸克、QQ、飞书、剪映、Trae 这些缓存都能清了，卸载的时候游戏存档、Epic 游戏和 WSL 磁盘会留着，还新加了 mo installer 命令，可以把下载文件夹里放了很久的安装包挑出来让你删除。 最后 Linux CLI 在上线后继续完善，Arch、Omarchy、Debian、Ubuntu 都可以用了，clean、uninstall、analyze、status、purge 这些命令和 Mac 上一样，像 Omarchy 这种会打 btrfs 快照的系统，删掉的旧包要等快照轮换后空间才回来，Mole 也会如实告诉你详细的清理现状。 最后假如你对各个系统的清理、维护、电脑优化、卸载有任何的建议，都可以找我，我来帮你把需要的地方完善好，把 Mole 做成好用易用效果好的电脑优化工具，哈哈，发完这个，我就去看李志去，期待今晚的演出！

这个 Grok Bot 跑出来的收益，确实有点夸张 我让 Grok Bot 的全自动交易终端运行了一整晚，期间持续自主执行交易。初始本金只有 69.67 美元，睡醒后账户余额已经达到 13,370 美元 整个过程我没有手动干预过任何一笔订单 只需要充值、启动自动交易，后续的机会筛选、进场时机、仓位管理，以及按照预设风控执行止盈止损，都交给机器人完成 我把这套 AI 自动交易系统涉及的 GitHub 开源工具整理成了下面这份清单： 1. Cryptofeed 实时获取各大交易所的成交、价格和盘口数据，为策略扫描提供行情输入 2. CCXT 统一交易所 API 接口，一套代码即可连接多个平台，完成行情查询、资产读取和订单执行 3. Freqtrade 量化交易的核心框架，支持策略回测、模拟交易、仓位监控，并提供可视化管理后台 4. VectorBT 利用历史行情测试不同的开仓和平仓策略，评估收益表现与最大回撤 5. TA-Lib Python 计算常见技术指标，从行情中提取 RSI、MACD、移动平均线等交易信号 6. skfolio 优化投资组合，根据资产权重、换手率和交易成本，辅助制定仓位配置 7. QuantStats 自动分析交易绩效，生成报告，直观呈现胜率、回撤和波动率等指标 8. DuckDB 轻量级数据库，用于保存盘口快照、订单和交易记录，方便后续分析与复盘 9. APScheduler 定时任务调度工具，可自动更新行情、检查账户状态，并按计划生成每日交易报告 10. Lightweight Charts 提供终端 K 线可视化，实时展示行情走势和策略执行的交易标记 这些组件可以通过脚本、API 和 MCP 协议连接起来，组成一套协同工作的自动化交易系统 不过，真正准备接入实盘时，有几条规则不能忽略： 独立管理下单权限，严格限制最大持仓和单日亏损 遇到状态不明确的订单，先核实执行结果，再决定是否重试 策略上线前，先在模拟盘完整运行一个周期 每日复盘必须区分已实现盈利、未平仓头寸、手续费、失败订单和账户资金变化，确保每笔资金流向都有记录 AI 自动交易的价值，不只是让机器人替你下单，而是把行情扫描、策略判断、风险控制和交易复盘串成一套自动化流程

用了 AI，感觉干活快了，实际却更慢了？ METR 的一项研究出现了这个反差：16 名资深开源开发者完成 246 项真实任务，每项任务随机决定是否允许使用 AI。 结果是，使用当时的 AI 工具，完成时间增加了约 19%。但实验结束后，开发者仍估计 AI 帮自己节省了约 20% 的时间。 推荐读这篇《Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity》。它提醒我们：初稿出来得快，不代表任务完成得快。等待生成、检查结果、修改返工，都要算进总时间。 不过，别把它概括成“AI 让程序员变慢”。研究针对熟悉成熟项目的开发者，使用的是 2025 年初的工具，不能代表所有编程工作，更不能直接代表今天。 还有个值得一起读的后续：METR 在 2026 年更新中观察到一些加速信号，但也指出参与者选择和计时方式等问题，使新数据难以可靠估计提效幅度。 比起争论 AI 到底提不提效，更实用的办法是：选一项重复任务，记下从开始到真正交付的总用时，再看质量和返工有没有变化。 “用起来很顺”和“确实省了时间”，可以分别记录。