与「被験者募集」相关的搜索结果

この度、新たなライブ体験創出に向けた実証実験にSTU48が協力することになりました！🚢🌊 そこで、本実証実験にご参加いただける方を募集します！📣日本にまだ数台しかない最新鋭の180°カメラを使用し、STU48 4期研究生が撮影協力として参加した「出航」のパフォーマンスを特別収録🎥✨ Apple Vision Proを通して、メンバーが目の前にいるような没入体験をぜひご体感ください🥽 ▼詳細・応募はこちら 多くの方に知っていただけるよう、拡散のご協力お願いします！🙏✨ #被験者募集# #STU48# #瀬戸内# #STU48_4期研究生# #AppleVisionPro#

性癖測驗🤤一年前測很多還不知道怎麼回答，今年有不少有明確答案了，我真棒🥰 100% Exhibitionist 露出癖 100% Voyeur 窺視癖 100% Non-mono 非單一伴侶 100% Degradee 被羞辱 94% Submissive 臣服 91% Rope bunny 被綑綁/壓制 88% Experimentalist 實驗者 83% Masochism 戀痛 78% Switch 62% Slave

第一個智能體不用自己寫迴圈，那程式設計師還剩下什麼？ 官方來源：Martin Bernaola Mendez，原文發表於 2026-11-13（1 天內，見文末核實）。原文標題直譯：《在微軟開發平台做你的第一個智能體，比你想的簡單》。先把反常識結論放前面：多數人以為做智能體要先學一堆新東西，新的框架、新的寫法、新的觀念，沒三個月下不來；真相剛好相反，你的第一個智能體根本不用學新東西，用你本來就會的主程式語言、你本來就熟的寫法，一個下午就跑起來了。智能體的本質一點都不神秘，就是模型加指示加工具加記憶，繞著圈跑到答案出來：模型先判斷要不要用工具、再叫你的程式去做事、拿到結果再寫答案，迴圈跑完才收工。關鍵在最後一句：這個迴圈不用你寫，框架全包了。你只剩三件事：給它一個名字與指示、給它一個工具、給它一段記憶。微軟的智能體框架就是幹這個的，底下還有一個聊天客戶端介面，幫你把不同模型的呼叫方式統一成同一套寫法。這篇只做一件事：照原文四步走，帶你從零做出第一個會查天氣、會記得你名字的旅行小幫手，最後再換成本機免費版，一毛錢都不花。先說清楚底線：前置條件是開發平台軟體開發套件第十版或全新的第十一版，加上一把開放智能的應用程式介面金鑰；沒有金鑰也沒關係，文末有本機免費版。 說清詞： - 智能體：模型加指示加工具加記憶，繞著圈跑到答案出來的程式，模型負責判斷、你的程式負責做事。 - 聊天客戶端介面：微軟擴充智能裡的統一介面，把不同模型的呼叫方式包成同一套寫法，換模型不用重寫程式。 - 微軟智能體框架：坐在聊天客戶端介面上面、專門加智能體功能的那一層，負責指示、工具呼叫、工作階段，往後還能接多智能體流程。 - 指示：你給智能體的工作說明，寫明它是誰、說話多簡短、什麼時候該用工具，寫得越具體、它做得越穩。 - 工具：就是你本來就會寫的普通方法，加上一句說明文字掛進智能體，模型看說明決定什麼時候叫它。 - 說明屬性：掛在方法與參數上面的說明文字，告訴模型這個方法是幹什麼的、參數是什麼意思，模型就靠它決定要不要叫、要傳什麼。 - 迴圈：模型決策、呼叫方法、結果回填、寫答案，四步轉一圈，直到答案夠好才停，框架自動跑，你不用自己寫。 - 工作階段：對話的記憶盒子，建立一次、每次跑都傳進去，智能體才記得上一句講過什麼。 - 串流：答案一個字一個字出現的跑法，像聊天視窗那樣慢慢印出來，整段等完才印是另一種跑法。 - 主控台專案：最簡單的那種程式，沒有視窗、沒有網頁，只在命令列視窗裡跑，做第一個智能體用它就夠了。 - 環境變數：存在電腦系統裡的設定值，金鑰放這裡，程式碼裡只讀它、不寫明文。 - 本機模型：裝在你自己電腦上跑的模型，不用連雲端、不用付按量費用，代表作是奧拉瑪接開源模型。 - 模型上下文協定：接現成工具伺服器的標準作法，原文只在展望裡提，叫你以後自己去接，不用現在學。 - 可觀察性：把每一次模型呼叫與工具呼叫都留下紀錄的作法，出怪事時靠它追查，原文只在展望裡提。 一個真實的例子：原文的第一個智能體叫旅行小幫手，做的事再小不過：回答去馬德里旅行的小建議。做法是拿開放智能的客戶端取一個聊天客戶端、指定一個支援工具呼叫的聊天模型，再把它轉成智能體，給名字旅行小幫手、給指示說你是友善的旅行助理、答案保持簡短，跑起來就完成了。問它去里斯本玩兩天怎麼排，答案一個字一個字慢慢印出來，那是串流跑法。接著給它一個工具：一個查天氣的普通方法，加上一句說明說這是查某個城市的天氣預報，方法本身只是回傳一段寫死的假天氣。問它去里斯本要不要帶傘，背後發生四件事：模型讀問題、發現需要天氣資料、叫方法去查里斯本、拿到結果寫答案說早上會下小雨、記得帶傘。迴圈你一行都沒寫，框架全包了。最後加記憶：建立一個工作階段、每次跑都傳進去，先說嗨我是安娜、星期五要飛里斯本，再問要不要帶傘，第二問根本沒提城市，智能體自己用對的城市查天氣；再問我叫什麼名字，它答得出安娜。這三問跑下來，第一個智能體該有的東西全齊了：會判斷、會動手、會記得。 為什麼是框架全包，而不是你自己寫迴圈？因為迴圈裡最容易出錯的地方，全是重複的髒活：模型回傳要叫工具，你要解析它叫的是哪一個、參數對不對；方法跑完，你要把結果用對的格式回填給模型；模型又回傳要再叫一次，你要判斷這是正常接力還是無限鬼打牆；答案終於出來了，你要決定什麼時候停。這些事每一件都不難，但加起來就是幾十行容易寫錯的程式碼，錯一次、除錯半天。框架把這整圈包起來，你只寫三件事：指示寫清楚、工具掛上去、工作階段傳進去。11 月 12 日那篇手寫迴圈的教程立場剛好相反，叫你自己把迴圈寫出來、看懂每一圈在幹什麼；這篇的立場是先跑起來再說，迴圈交給框架，你先嚐到智能體動起來的滋味。兩篇沒有誰對誰錯，是先後順序：新手先照這篇跑起來，想搞懂底層再去讀手寫迴圈那篇，順序反過來很容易卡在第一圈就放棄。 再算一筆帳，讓你知道第一個智能體到底花多少錢。示範用的是開放智能的輕量聊天模型，特點是便宜、支援工具呼叫，跑幾十次問答常常不到一塊錢美金，練手完全不心疼。真正貴的不是模型，是你把正式環境的大模型、長上下文、高價輸出全開來練手，練十次就抵得上一個月的示範費用。所以練手的規矩只有一個：示範模型挑輕量便宜的，指示寫簡短，工具先用寫死的假資料，跑通了再換真資料、再換好模型。本機免費版更徹底：模型裝在自己電腦上跑，一毛錢都不花，工具、工作階段、串流的程式碼一個字都不用改，只換呼叫模型的那一行。先在本機版把迴圈、工具、記憶三件事都摸熟，上雲端花錢時才知道錢花在哪裡。 反方適用條件清單——以下情況，先別照本篇做第一個智能體，免得把本篇讀成保證： - 不想碰微軟開發平台、只用別的語言生態：本篇是微軟開發平台的作法，換生態等於整篇重寫。 - 沒有金鑰、也不想裝本機模型：兩條路都沒有，模型叫不動，智能體跑不起來，先選一條路再開工。 - 挑的模型不支援工具呼叫：工具掛上去模型也不會叫，示範用的輕量模型有支援，換模型之前先確認支援清單。 - 想一次做多智能體協作、寫作者加審查者的流程：原文只做到單一智能體，多智能體是展望裡的下一步，現在做還太早。 - 想直接做正式上線的產品：本篇只到主控台示範為止，正式產品要另外做驗證、備份、錯誤處理。 - 指示寫得含糊、只寫你是個助理：指示越空、模型做得越飄，指示要寫明身分、語氣、什麼時候用工具。 - 除此之外，只要你會寫主程式語言、想親手跑一個會動手的智能體——這篇就是為你寫的。 一句定性金句：迴圈不用你寫，判斷不用你寫，你只剩三件事：給指示、給工具、驗答案。 一、翻車清單 - 金鑰寫進程式碼、貼進群組、傳進公開倉庫：誰拿到都能花你帳上的額度，正確做法是存進環境變數，程式碼裡只讀變數不寫明文。 - 開發平台軟體開發套件版本太舊：原文要第十版或全新的第十一版，舊版可能沒有智能體框架要的寫法，先升級再開工。 - 套件裝錯：開放智能版與通用版是兩個套件，雲端版裝開放智能那一個，本機版才裝通用版加奧拉瑪那一個，裝錯就接不上。 - 模型挑不支援工具呼叫的：工具掛上去模型也不會叫，示範用的輕量模型有支援，換模型之前先確認支援清單。 - 指示寫得太空：只寫你是個助理，模型不知道該簡短還是詳細、該不該用工具，指示要寫明身分、語氣與用工具的時機。 - 工具沒加說明文字：模型看不懂這個方法是幹什麼的，永遠不會叫它，說明文字是工具能不能被叫到的關鍵。 - 工具方法寫了真的去查天氣：示範階段先用寫死的假資料，跑通迴圈再換真資料，一開始就接真服務，出錯不知道是迴圈錯還是服務錯。 - 忘記建立工作階段：每一次呼叫都從零開始，第二問不提城市它就不知道去哪裡，名字也記不住，記憶要靠工作階段傳進去。 - 工作階段建了卻沒傳進去：建立一次不夠，每一次跑都要傳，漏傳一次、那一次的對話就斷了。 - 串流與整段回傳搞混：串流是一個字一個字印，整段是等完一次印，兩種跑法的寫法不一樣，抄錯會編不過。 - 金鑰放環境變數卻沒重開命令列視窗：環境變數改了要重開視窗才生效，舊視窗讀到的是舊值，一問就說金鑰沒設。 - 本機模型挑不支援工具呼叫的：本機開源模型不是每一個都支援工具呼叫，挑之前先確認，否則工具掛上去也不動。 - 本機服務沒啟動就跑程式：奧拉瑪的本機服務要先跑起來，程式連的是本機位址，服務沒開就連不上。 - 把示範程式當正式產品：主控台示範沒有錯誤處理、沒有備份、沒有驗證，正式上線要另外補齊，示範跑通不等於產品做完。 - 一次給太多工具：第一個智能體先給一個查天氣就好，工具一次給五個，模型叫錯的機率立刻上升，出錯不知道是哪一個工具的問題。 - 指示與工具打架：指示寫不要用工具、工具又掛上去，模型左右為難，指示與工具要講同一套話。 - 名字與指示寫完就以為智能體懂了：名字只是名字，真正管行為的是指示，指示沒寫清楚，名字再好聽也沒用。 - 測試不跑就說通了：模型說帶傘不算數，程式真的跑起來、答案真的對、第二問真的記得城市，才算通。 - 換雲端平台就以為程式碼要重寫：聊天客戶端介面就是為了換模型不用重寫，雲端平台、開源模型、微軟雲端，全是換呼叫模型的那一行，其餘不動。 - 把多智能體協作當第一步：原文的展望是下一步，先把單一智能體跑通，作者加審查者的流程以後再加，一步登天一定摔。 二、替代方案＋理由 原文只給一條主路，理由很硬：先拿雲端輕量模型跑通，再換本機免費版——理由是雲端版最快驗證迴圈、工具、記憶三件事，本機版再把花費壓到零，順序反過來很容易卡在本機安裝那一步、還沒看到智能體動起來就放棄。雲端版的理由是套件裝好、金鑰設好就能跑，示範用的輕量模型便宜又支援工具呼叫，練手不心疼。本機免費版的理由是模型裝在自己電腦上，一毛錢都不花，工具、工作階段、串流的程式碼一個字都不用改，只換呼叫模型的那一行，適合想一直練、一直試的人。還有一條同理可推的路：雲端平台版、開源模型平台版、微軟雲端版，理由是聊天客戶端介面把模型呼叫統一了，換平台只是換呼叫模型的那一行，其餘程式碼全不動，適合公司已經有指定平台的人。順序只有一個：雲端輕量版先跑通，再換本機版或公司平台版，不要三種同時開工。 工具的作法也有替代方案，理由一樣硬：示範用寫死的假天氣，理由是先驗迴圈對不對，出錯只可能是迴圈錯；換真資料是下一步，理由是迴圈通了再接真服務，出錯只可能是服務錯。兩步分開除錯，永遠比一次全上、錯了不知道找誰快。記憶的作法也一樣：工作階段是原文給的正規作法，理由是框架幫你管記憶，不用自己寫對話紀錄；自己寫對話紀錄是另一條路，理由是想完全掌控格式的人可以自己來，但新手先不要，框架的版本先跑通再說。 三、目標形態 一個能對照的最小閉環：開發平台軟體開發套件已裝第十版或第十一版、開放智能金鑰已存進環境變數；主控台專案已建好、開放智能套件已裝好；智能體已有名字旅行小幫手、指示寫明友善的旅行助理、答案保持簡短；問它去里斯本要不要帶傘，模型自己叫查天氣的工具、拿到結果寫答案說早上會下小雨、記得帶傘；第二問不提城市，它用對的城市查天氣；第三問問我叫什麼名字，它答得出安娜。三問全對、程式真的跑起來，才算通。一句話：先讓一個智能體真正動起來，再談多智能體。 這個最小閉環還有三個進階樣子，通了之後可以一個一個加上去。第一個是換真資料：查天氣的方法從寫死的假資料換成真的天氣服務，問同樣的問題，答案裡的溫度與天氣要對得上真實預報，迴圈不動、只換方法裡面。第二個是換本機免費版：模型換成本機開源模型，其餘程式碼一個字都不改，跑同樣的三問，答案一樣對，帳單變零。第三個是加第二個工具：再掛一個查機票或查景點的方法，指示寫明什麼時候用哪一個，問一個同時需要天氣與景點的問題，看模型會不會自己挑對工具。這三個樣子有一個共同點：一次只換一件事，換完立刻驗三問，驗不過就只退一步，不用整段重寫。 四、遷移步驟 1. 先備前置條件：開發平台軟體開發套件裝第十版或全新的第十一版，開放智能金鑰申請好、存進環境變數，不要寫進程式碼。 2. 新建主控台專案：用命令列工具新建一個主控台專案、進到專案資料夾，裝開放智能版的智能體套件。 3. 寫第一版主程式：拿開放智能客戶端取聊天客戶端、指定輕量聊天模型，轉成智能體，給名字旅行小幫手、給指示說你是友善的旅行助理、答案保持簡短，問一句去馬德里旅行的小建議，跑起來。 4. 換串流跑法驗一次：同一個問題改用串流跑法，答案一個字一個字印出來，確認兩種跑法都通。 5. 給它第一個工具：寫一個查天氣的普通方法、加一句說明說這是查某個城市的天氣預報，方法裡先回傳寫死的假天氣，掛進智能體。 6. 問它去里斯本要不要帶傘：看模型自己叫查天氣的方法、拿到結果寫答案，迴圈四步都發生了才算通。 7. 建立工作階段：建立一個工作階段，每一次跑都傳進去，先說嗨我是安娜、星期五要飛里斯本。 8. 驗記憶三問：第二問要不要帶傘不提城市，看它用對的城市查天氣；第三問問我叫什麼名字，看它答得出安娜；三問全對才算通。 9. 換本機免費版：裝通用版套件加奧拉瑪套件，本機服務先啟動，模型換成本機開源模型，其餘程式碼一個字都不改，跑同樣的三問。 10. 換真資料：查天氣的方法從寫死的假資料換成真的天氣服務，問同樣的問題，答案要對得上真實預報。 11. 加第二個工具：再掛一個查機票或查景點的方法，指示寫明什麼時候用哪一個，問同時需要兩種資料的問題，看模型挑不挑得對。 12. 換公司平台驗一次：雲端平台版、開源模型平台版、微軟雲端版挑一種，換呼叫模型的那一行，其餘不動，確認聊天客戶端介面真的統一了寫法。 13. 記帳：示範用的輕量模型跑幾十次常常不到一塊錢美金，練手用輕量模型、指示寫簡短、工具先用假資料，跑通了再換真資料、再換好模型。 14. 排定主力與備胎：主力一種平台每天用，備胎一種放在旁邊，主力出問題、換專案時立刻換備胎頂上，不用臨時翻文件重學寫法。 15. 每月回頭對一次官方文件：智能體框架還在長大，多智能體流程、模型上下文協定、除錯工具都會變，每月花十分鐘對一次，才不會拿著舊地圖走新路。 跑完這十五步，真正拉開差距的不是你會幾種平台，是你給指示的方式。指示寫得含糊，模型就做得含糊；指示寫得具體，模型就動得具體。好的指示有三個要素：先說身分，再說語氣，最後說用工具的時機。身分是你是誰，例如友善的旅行助理；語氣是答案多長，例如保持簡短；用工具的時機是何時該查資料，例如需要天氣資料時就用工具查。三個要素寫進每一次設定，模型的命中率立刻不一樣。反過來最差的指示是只寫你是個助理，模型不知道你要它簡短還是詳細、不知道什麼時候該動手，只能憑感覺猜，猜錯了你還要花時間收拾。框架是硬體，指示是軟體，硬體接好了、軟體跟不上，一樣跑不快。 問問題也有一個進階技巧：一次只問一件事。請模型同時排行程、查天氣、再訂機票，它常常三件都做得半調子；拆成三輪，每一輪只做一件、每一輪都驗收，總時間反而更短，因為返工最花時間。還有一個習慣值得養：每一次請模型動手之前，先請它用一句話說出它理解的任務是什麼，它說對了再讓它動手，它說錯了先糾正理解、不要讓它帶著錯誤的理解去叫工具。這兩個習慣加起來，模型的出錯率會掉一大截，你花的檢查時間也會跟著掉。 五、團隊共建分工 做第一個智能體是小事，但三個角色別一個人全扛： - 你自己管金鑰：金鑰只你經手，存進環境變數、不寫進程式碼、不貼進群組，誰要用就請他自己建一把。 - 審查者核對帳單：每週對一次用量，示範用的輕量模型跑幾十次常常不到一塊錢美金，大模型、長上下文、高價輸出的帳單先抓出來看。 - 紀錄者留對照表：把每一次實驗的模型、指示、工具、工作階段、驗收結果寫進本篇贈品驗收表，換人接手時不用重讀原文，換模型時照表改名字就好。 - 守門員管範圍：每一次請模型動手之前，先說清楚哪些工具能叫、哪些資料不能碰，正式環境的設定一律列入禁區，模型動手之前先對一次範圍，叫錯工具的代價比多問一句話貴得多。 - 新人先跑最小閉環：新加入的人不要一次做多智能體，先照本篇第四節跑一遍最小閉環，三問全對、程式真的跑起來，通了才算入門，通不了先找守門員對設定，不要自己硬湊。 六、官方工具包 - 微軟擴充智能：聊天客戶端介面，統一不同模型的呼叫寫法，換模型不用重寫程式。 - 微軟智能體框架：坐在聊天客戶端介面上面，負責指示、工具呼叫、工作階段，往後還能接多智能體流程。 - 開放智能版套件：雲端版裝這一個，示範用輕量聊天模型，支援工具呼叫。 - 通用版套件加奧拉瑪套件：本機免費版裝這兩個，接本機開源模型，其餘程式碼不變。 - 示範模型：輕量聊天模型，支援工具呼叫，練手便宜。 - 本機模型代表：駱馬三點二，裝在自己電腦上跑，一毛錢都不花。 - 同理可接的平台：雲端平台、開源模型平台、微軟雲端，換呼叫模型的那一行就好。 - 展望裡的下一步：多智能體流程、模型上下文協定、智能體對智能體、可觀察性、除錯工具，現在先知道名字就好。 - 前置條件：開發平台軟體開發套件第十版或全新的第十一版，加上一把開放智能金鑰或一台裝好本機模型的電腦。 結尾收束：原則比框架多重要——智能體框架不是魔法，是把迴圈包起來的那一層。可重複的動作規則只有一條：每次換模型、換平台、加工具之前，先回到那個最小閉環——三問全對、程式真的跑起來——通了再往下走。今晚就能做的事：先備好金鑰、建一個主控台專案、問它一句去馬德里旅行的小建議，答得對，這條路就是你的了。 最後再提醒一次最容易被低估的事：第一個智能體真正的成本不是金鑰、不是套件，是你願不願意把指示寫清楚。指示寫不清楚，模型做得再快也是亂做，你還要花更多時間收拾；指示寫清楚了，迴圈、工具、記憶三件事立刻各就各位。這筆帳，比幾十次問答不到一塊錢美金重要得多。今晚先跑三問，明天上班第一件事就拿一個你真正的工作問題去問它，問完看它會不會自己挑對工具，挑對了，你就知道這條路值不值得走下去。 本篇贈品：微軟智能體首次落地驗收表 開通之前逐項打勾：1 前置——開發平台軟體開發套件已裝第十版或第十一版、開放智能金鑰已存進環境變數、沒寫進程式碼；2 專案——主控台專案已建好、開放智能版套件已裝好；3 第一版——智能體已有名字旅行小幫手、指示已寫明友善的旅行助理與答案保持簡短、問去馬德里旅行的小建議已跑通；4 串流——串流跑法已驗一次、答案一個字一個字印出來；5 工具——查天氣的方法已寫好、說明文字已加上、方法裡先用寫死的假資料、問去里斯本要不要帶傘已看到模型自己叫方法；6 記憶——工作階段已建立、每次跑都已傳進去、第二問不提城市已用對的城市查天氣、第三問已答得出安娜；7 本機版——通用版套件加奧拉瑪套件已裝好、本機服務已啟動、模型已換成本機開源模型、三問已重跑全對；8 真資料——查天氣的方法已換成真的天氣服務、答案已對上真實預報；9 第二工具——第二個方法已掛上、指示已寫明什麼時候用哪一個、同時需要兩種資料的問題已驗過；10 帳單——示範用的輕量模型跑幾十次不到一塊錢美金的算法已知道、練手用輕量模型與假資料的規矩已立好；11 維護——每月回頭對一次官方文件、換平台只換呼叫模型那一行的作法已驗過；12 指示——每一次設定已寫明身分、語氣、用工具的時機三個要素，一次只問一件事，模型動手前已先用一句話說出它理解的任務。 S1哥觀點 別再問「做智能體是不是很難」了——難的不是智能體，是你以為迴圈要自己寫。還在觀望的人，花的時間不是學習，是猶豫；照這篇跑起來的人，一個下午就有一個會查天氣、會記得你名字的旅行小幫手，迴圈框架全包了，你只剩給指示、給工具、驗答案。更值得問的是：你現在每天重複做的那件小事，是查資料、還是回覆、還是整理？那一件，就是你第一個智能體該先接的理由。還有一個更扎心的問題：你上一次說要學智能體，結果三個月過去、連第一個主控台專案都還沒建，是什麼時候？這種拖延，跑起來一次就治好了，因為跑通的那一刻你就知道，原來第一步這麼小。你第一個智能體想讓它先幫你做什麼？評論區說說。

今天 GitHub 被「浏览器三巨头 + 安全扫描 + 代码审查」大厂联军屠榜了！ 5 个星标暴增最狠的项目，专业拆解下！ 1. GoogleChrome/modern-web-guidance-src Modern Web Guidance 的源码仓：把 Web 平台最佳实践和浏览器兼容数据做成技能，直接塞进你的编程 Agent，让它别再写过时套路；一行 npx 就能安装、搜索指南、扫描旧代码。由 Chrome、Edge、Firefox 和 MDN 团队共同维护。 🔗 直达： AI 写前端最大的毛病就是「十年前的 Stack Overflow 味」，这回浏览器厂商亲自下场补课。1,875 星一天，含金量拉满！ 🟢 2. openai/codex-security OpenAI 官方的 Codex Security 命令行和 TypeScript SDK：扫描仓库或 Git 改动、验证漏洞、生成补丁并复核修复，还能导出 SARIF/JSON/CSV，接 Linear、Jira、GitHub 和 CI。 🔗 直达： 找漏洞、验漏洞、修漏洞一条龙，安全工程师多了个不下班的搭档。754 星一天，总星 1.3 万+，AppSec 正式进入 Agent 时代！ 🟢🟢 3. tailscale/tailcat Tailscale 官方的「不用 Tailscale 的 Tailscale」：像 netcat 一样在两台机器间开 WireGuard 端到端加密隧道，自动打洞直连，不需要账号、不需要 root，纯用户态命令行和 Go 库。 🔗 直达： 一个短地址就能把两台机器连起来，穿透 NAT 像喝水一样简单。324 星一天，网络老炮狂喜！ 🟢🟢🟢 4. alibaba/open-code-review 阿里内部用了两年的 AI 代码审查工具开源：读 Git diff，交给带工具调用的 Agent 去翻全文件、搜代码库，输出精确到行的结构化评审意见；README 称同模型下精确率和 F1 明显高于通用 Agent，token 只用约九分之一。 🔗 直达： 数万开发者、数百万缺陷练出来的审查官，现在人人能请。206 星一天，总星 5 万+，大厂内功直接外放！ 🟢🟢🟢🟢 5. ChromeDevTools/chrome-devtools-mcp Chrome DevTools 官方给 Agent 的接口：MCP 服务 + 命令行，让 Claude、Cursor、Copilot 等编程 Agent 直接操控、检查一个真实 Chrome，录性能 trace、看网络请求、截图、读控制台。 🔗 直达： Agent 终于不再「盲写前端」，能自己打开 F12 找 bug 了。145 星一天，总星 5.5 万+，浏览器调试彻底交给 AI！ 🟢🟢🟢🟢🟢 ⚠️⚠️ 总结： 今天的榜单写满了一个信号：大厂开始把自家内功直接喂给 Agent（Chrome 的 Web 指南和 DevTools、OpenAI 的安全扫描、阿里的代码审查）。工具越来越像「给 AI 用的」，谁先把 Agent 武装到牙齿，谁就站在下一波生产力的 C 位。

我认识了一个做投资的大哥。 这人其貌不扬，穿个拖鞋就能去谈几千万的项目。 我问他，你决策这么准，是不是有什么内部消息？ 他点了根烟，说：“我有个屁的内部消息。我就是个贝叶斯主义者。” 我当时惊讶。。。贝叶斯？那个概率论里的公式？这玩意儿跟投资有啥关系？ 他看我一脸懵，就笑了。他说：“你以为贝叶斯是个数学公式？贝叶斯是一种活法。” 那天他跟我聊了三个小时。我听完之后，后背发凉。因为我发现，我过去三十年的思考方式，全是错的。 一、 先说贝叶斯到底是个啥。 你肯定听过那个公式：P(A|B) = P(B|A) * P(A) / P(B)。别怕，不用记。你就记住一句话： 根据新的证据，不断调整你的判断。 就这么简单。 但简单归简单，真正能做到的人，万里挑一。 我给你举个例子。你早上出门，看见天阴了。你心里想，今天可能要下雨。这个“可能要下雨”，就是你的先验。就是你根据过去的经验，对一件事的初始判断。 然后你出门，感觉空气湿漉漉的，风也起来了。这时候你更相信要下雨了。这个“感觉”，就是新证据。 你根据这个新证据，把你的判断从“可能下雨”调整到“大概率下雨”。这个调整后的判断，就是后验。 然后你走到半路，一滴雨砸在你脑门上。你立刻把判断调到“肯定下雨”，然后跑起来找地方躲。这就是再次更新。 你看，你每天都在用贝叶斯。只是你自己不知道。 二、 但大多数人用贝叶斯，只用了一半。哪一半？收集证据的那一半。他们不用更新判断的那一半。 什么意思？ 你想想，你是不是经常这样：你跟一个人吵架，你认定他就是个自私的人。然后他做了一件事，明明是为你着想，你却说：“他肯定是有目的的。”他帮你，你觉得他虚伪。他沉默，你觉得他冷血。他解释，你觉得他狡辩。 你收集了所有证据，但你从来不更新你的判断。你的先验是“他是个自私的人”，然后所有新证据，你都用来强化这个先验，而不是修正它。 这不叫贝叶斯。这叫确认偏误。 贝叶斯思维最狠的地方，就是它要求你：当证据足够强的时候，你得承认自己错了。 不是嘴上承认，是心里真的改。 我那个投资大哥跟我说，他每年都会复盘自己看错的项目。他说，看错不可怕，可怕的是看错了还不改。他说，他每次做决策，都会先写下来：我现在的判断是什么？我为什么这么判断？然后等三个月，等半年，看结果。如果结果跟判断不符，他就问自己：是证据不够？还是我的先验错了？ 如果是先验错了，他就改。改得越快，亏得越少。 三、 贝叶斯思维里，有两个东西特别关键。一个叫基础概率，一个叫似然比。 基础概率，就是你还没看证据之前，这件事本身发生的概率有多大。 我举个特别经典的例子。假设有一种罕见病，发病率是千分之一。现在有一种检测方法，准确率99%。就是说，如果你有病，它99%能测出来。如果你没病，它也有99%能测出来是阴性。 现在你去体检，检测结果是阳性。请问，你真正得病的概率是多少？ 大多数人会想：99%啊，完了，我肯定得病了。 错。大错特错。 我们来算一下。一千个人里，有一个人得病。这个人检测阳性，概率99%，所以有一个真阳性。剩下999个人没病。但检测有1%的误报率，所以999个人里，大概有10个人会被误报为阳性。 现在你告诉我，在11个阳性里，真正有病的只有1个。所以你得病的概率，不是99%，而是1/11，大概9%。 你看，这就是基础概率的力量。你被那个“99%准确率”吓到了，但你忽略了“这个病本身发病率只有千分之一”这个基础概率。 我那个大哥说，他看项目，第一件事就是问：这个事儿，在行业里，成功的基础概率是多少？如果这个行业90%的人都失败了，那你就别听创业者吹得天花乱坠。先把这个90%放在心里，然后再去看他的证据。 似然比是什么？就是一个证据，在“你对”的情况下出现的概率，除以在“你错”的情况下出现的概率。 我举个例子。你怀疑你老婆出轨。你发现她最近经常加班。这个“加班”的证据，有多强？ 如果她出轨了，她加班的概率可能是70%（要腾出时间）。如果她没出轨，她加班的概率也可能是70%（工作忙）。那这个似然比就是70%/70%=1。意思是，这个证据屁用没有。它不改变你的判断。 但如果她出轨了，她加班的概率是70%。她没出轨，加班的概率只有20%。那似然比就是70/20=3.5。这个证据就比较强了，能把你的判断往“出轨”那边推一推。 你看，不是所有证据都叫证据。只有能区分两种假设的证据，才叫证据。 贝叶斯思维就是教你：别被那些似然比为1的证据带偏。 别因为对方今天没回你微信，就觉得他不爱你了。因为他不爱你的时候可能不回微信，他忙的时候也可能不回微信。这个证据，区分度太低。 四、 好，道理讲完了。现在我给你走一遍完整的。就一个问题：我对象是不是不爱我了？ 这是贝叶斯思维最实用的场景，没有之一。 假设你最近觉得对象不对劲。回消息慢了，电话也少了，你问他怎么了，他说没事。你心里开始犯嘀咕：他是不是不爱我了？ 大多数人会直接跳到结论：他肯定不爱我了。然后开始翻旧账，越想越气，最后要么冷战，要么大吵一架。 但如果你用贝叶斯思维，你会怎么做？ 第一步：先定先验。 在你观察到他冷淡之前，你觉得他爱你的概率是多少？ 你们在一起两年了，平时感情不错，没有大的矛盾。那你先定一个：80%。就是说，在没有新证据之前，你相信他80%是爱你的。 这个80%，就是你的先验。 第二步：看第一个证据。 他最近回你微信很慢。 现在你问自己两个问题： 如果他还爱你（80%的那个假设），他回微信慢的概率是多少？ 可能是20%。因为他最近项目忙，加班多，或者他就是个不爱看手机的人。 如果他不爱你了（20%的那个假设），他回微信慢的概率是多少？ 可能是70%。因为他在疏远你，不想跟你说话，看到消息也不想回。 现在算一下。先验是80%对20%。证据的似然比是20%比70%，也就是0.29。 什么意思？就是说这个证据，更偏向“他不爱你了”那一边。因为它在不爱你的情况下出现的概率，比在爱你的情况下出现的概率，高了两倍多。 更新之后，你的后验是多少？ 大概从80%降到了 62%。 你看，降了，但没崩。你还是倾向于相信他爱你。但你的信心，从80%变成了62%。你心里有了警惕，但还不至于直接翻脸。 第三步：看第二个证据。 他又忘了你们的纪念日。 再问那两个问题： 如果他还爱你，他忘纪念日的概率是多少？ 可能是15%。因为他最近真的太忙了，或者他本来就是个记性差的人。 如果他不爱你了，他忘纪念日的概率是多少？ 可能是60%。因为他不把你放心上了，纪念日对他来说不重要了。 似然比是15%比60%，也就是0.25。又是一个强烈偏向“不爱”的证据。 从62%再更新： 大概降到了 38%。 现在，你已经从“大概率爱我”变成了“大概率不爱我”。但还没有到100%。 第四步：看第三个证据。 你翻他手机，发现他跟前女友最近有联系，聊天记录删了一部分。 再问： 如果他爱你，他跟前女友联系还删记录的概率是多少？ 可能是5%。因为正常交往不需要删记录。删了，说明有问题。 如果他不爱你，他跟前女友联系还删记录的概率是多少？ 可能是80%。因为他已经在找退路了。 似然比是5%比80%，也就是0.06。这是一个极强的证据。 从38%更新： 大概降到了 3%。 现在你可以行动了。因为你的判断，已经从“他可能不爱我了”，变成了“他几乎肯定有问题”。 你看，贝叶斯思维不是让你不生气。它是让你在该生气的时候才生气，该翻脸的时候才翻脸。 大多数人是什么样？第一个证据出来，就炸了。直接跳到100%的结论，然后大吵大闹，最后发现可能只是误会。 而贝叶斯思维让你一步一步走。每一步都算概率，每一步都更新判断。等到证据足够强了，你再行动。这时候你的行动，是有根据的，不是情绪化的。 五、 那怎么把这个思维，用到生活里？ 我给你三个心法。 第一个心法：把你的判断，从“是/不是”变成“百分之多少”。 大多数人想问题，是二元的。要么对，要么错。要么爱，要么不爱。要么行，要么不行。 但贝叶斯思维告诉你，世界不是二元的。世界是概率的。你的每一个判断，都应该是一个概率。 你觉得这个项目能成吗？别说“能”，说“我觉得有60%的概率能成”。你觉得这个人靠谱吗？别说“靠谱”，说“我目前觉得他80%靠谱”。 为什么？因为一旦你用了概率，你就给自己留了更新的空间。如果他说60%能成，结果没成，你不会崩溃。因为你知道还有40%的可能。但如果他说“肯定能成”，结果没成，他就崩溃了。 第二个心法：每次遇到新信息，问自己两个问题。 第一个问题：如果我的判断是对的，这个信息出现的概率有多大？ 第二个问题：如果我的判断是错的，这个信息出现的概率有多大？ 如果两个概率差不多，这个信息不重要，别理它。 如果第二个概率远大于第一个，这个信息非常重要，你得认真对待，甚至要改判断。 我那个大哥跟我说，他当年投一个项目，所有人都说好。但他发现一个细节：这个项目的创始人，在提到竞争对手的时候，眼神闪了一下。他就问自己：如果这个创始人真的胸有成竹，他提到对手会眼神闪吗？可能会。但如果他其实心里没底，他提到对手会眼神闪吗？更可能。所以这个证据，让他把判断从80%下调到了65%。后来这个项目果然出了问题。 他说，细节不是用来证明你对的，细节是用来修正你的。 第三个心法：记录你的预测，然后复盘。 这是贝叶斯思维里最反人性、但也最有用的一步。 你每次做判断，都写下来：我现在认为这件事的概率是多少？为什么？ 然后等事情发生。如果结果跟你预测的不一样，你就问自己：是我先验错了？还是我忽略了某个证据？还是我高估了某个证据？ 慢慢地，你的预测会越来越准。你的证据权重会越来越合理。你的判断会越来越接近真相。 我那个大哥说，他有个本子，记了十几年。上面全是他的预测和复盘。他说，这个本子，比任何商学院都值钱。 六、 最后，我想跟你说一个我自己用贝叶斯思维改变的事。 我以前特别容易生气。别人说一句我不爱听的，我立刻炸。后来我用贝叶斯思维问自己：我为什么生气？因为我有一个先验：他应该尊重我。 当他没有按照我期待的方式说话时，我的先验被挑战了，我就炸了。 但后来我想，这个先验本身，概率是多少？一个人，在所有时候都尊重我，这个概率有多大？其实不大。每个人都有自己的情绪，有自己的立场，有自己的表达方式。他可能只是今天心情不好，可能只是说话直，可能只是没意识到。 所以我把先验调低了。我不再默认“所有人都应该尊重我”，而是默认“大多数人大多数时候是善意的，但偶尔会冒犯我”。这个先验更符合现实。 然后我再遇到类似情况，我就不炸了。我会想：他这句话，是真的针对我，还是只是随口一说？这个证据，在“他针对我”的情况下出现的概率是多少？在“他只是随口一说”的情况下出现的概率是多少？ 很多时候，算完发现，似然比接近1。也就是说，这句话根本不能说明他针对我。那我生什么气？ 你看，贝叶斯思维，不只是让你决策更准。它还能让你情绪更稳。 因为你知道，你的判断，只是一个概率。既然是概率，就有可能是错的。既然是可能错的，那就不值得为它拼命。 七、 所以，什么是贝叶斯思维？ 它不是让你变成一个冷冰冰的机器。它是让你变成一个更聪明、更开放、更不容易犯错的人。 它告诉你：你的每一个信念，都不是真理。它只是一个当前最好的假设。 它告诉你：新证据来了，你要做的不是捍卫自己，而是更新自己。 它告诉你：承认自己错了，不是失败。承认自己错了，是进步。 我那个大哥最后跟我说了一句话，我记到现在。他说： “我这辈子最大的本事，就是改得快。” 你品品这句话。 大多数人，一辈子都在证明自己对。而真正厉害的人，一辈子都在修正自己。 这就是贝叶斯思维。 不是让你更自信，是让你更准。 不是让你更固执，是让你更活。 从今天起，试着把你的判断，从“是”改成“概率”。试着遇到新证据的时候，问自己那两句话。试着记录你的预测，然后复盘。 你会发现，你变了。 你不再是那个被情绪和偏见牵着走的人。你成了一个不断逼近真相的人。 这，才是真正的投资策略和自由。

書終於上架了了亞馬遜 《AI 超級週期： 五層產業鏈視⻆下的 AI 基礎設施投資: 從能源到應用，一條產業鏈看懂 AI 投資的底層邏輯》 - Chris Lee 李書沸以「五層產業鏈」為框架，從最底層的能源（核電、天然氣、電網）出發，逐層向上穿透至半導體（NVIDIA、台積電、Broadcom）、硬體基礎設施（HBM 記憶體、光互連、液冷散熱）、雲端與數據中心（超大規模運營商、主權 AI）、再到大模型與應用層，完整呈現 AI 基礎設施投資的全貌。 鏈接 ： 亞馬遜Kindle會員的無限量會員的話，能免費觀看，單獨是美元$2.99 抱歉，可惜亞馬遜只有繁體字，但大家應該可以看的懂。 前言： "當所有人都在談論 AI，真正的問題是：錢該投在哪裡？ 2026 年，僅四大超級雲廠商的 AI 資本支出就達到 7,250 億美元。這不是一場短期炒作，而是一個可能持續十年以上的超級週期。但對大多數投資者而言，AI 產業鏈就像一座黑箱——你知道 NVIDIA 很重要，卻說不清為什麼一顆 GPU 需要搭配價值數倍的電力、散熱、網路與儲存設備才能運作。 這本書要打開這個黑箱。 李書沸以「五層產業鏈」為框架，從最底層的能源（核電、天然氣、電網）出發，逐層向上穿透至半導體（NVIDIA、台積電、Broadcom）、硬體基礎設施（HBM 記憶體、光互連、液冷散熱）、雲端與數據中心（超大規模運營商、主權 AI）、再到大模型與應用層，完整呈現 AI 基礎設施投資的全貌。 這不是一本泛泛而談的趨勢書，也不是一本只講概念的入門讀物。書中深入分析超過 80 家公司的競爭格局、護城河與估值邏輯，並為每一層提供具體可操作的投資框架。無論你是想理解為什麼鈾礦股會因為 AI 而暴漲，還是想搞懂 CoWoS 先進封裝的產能瓶頸如何影響整條供應鏈，這本書都能給你清晰的答案。 本書的獨特之處還在於作者的跨界視角。李書沸曾任 OKEx（現 OKX）CEO 與火幣 CFO，是加密貨幣行業最資深的高管之一，同時在傳統金融領域深耕多年。他在書中專闢章節探討 Crypto 與 AI 的交匯——去中心化算力、AI Agent 經濟、代幣化激勵機制——這些是傳統分析師不會觸及、卻可能催生下一波爆發性機會的領域。 本書涵蓋的核心議題包括：為什麼 AI 超級週期的本質是一場能源革命，而非僅僅是算力競賽？NVIDIA 的真正護城河在哪裡，它的統治地位是否會被挑戰？台積電與 Broadcom 在 AI 晶片供應鏈中扮演什麼不可替代的角色？HBM 記憶體為何成為 AI 時代最關鍵的瓶頸之一？光互連技術如何解決數據中心的頻寬牆問題？超大規模雲端運營商的 AI 資本支出將流向何處？大模型競爭格局如何從「比大」轉向「比效率」？AI 應用層何時能真正兌現商業價值？Crypto 與 AI 的融合將創造哪些新的投資範式？如何建構一個穿越週期波動的 AI 投資組合？ 最後三章聚焦實戰：風險管理框架幫助你識別泡沫信號與週期轉折點；投資 Playbook 提供從選股到配置的完整方法論；結語則回歸長期視角，探討這場技術革命的終局。 這本書寫給這樣的讀者：你有一定的投資經驗，對科技趨勢保持關注，但苦於找不到一個系統性的框架來理解 AI 產業鏈的投資機會。你可能是主動型投資者、科技業從業者、金融從業者，或是對 Crypto 與 AI 交叉領域感到好奇的探索者。 如果你只想讀一本書來建立對 AI 基礎設施投資的全局認知，這本書是為你寫的。" 關於作者：李書沸（Chris Lee）現為 Merkle 3s Capital 與 XResearch 聯合創始人。曾任全球前三大加密貨幣交易所 OKEx CEO 及火幣集團 CFO，擁有超過二十年橫跨傳統金融、加密貨幣與科技投資的從業經驗。 感恩轉發、分享。#AI#

這一兩天，台灣不少媒體都以顯著篇幅報導一則所謂「驚人的國際新聞」：在G7晚宴上，美國總統川普再次提起珍珠港事件，與日本首相高市早苗爆發激烈爭吵，甚至驚動各國領袖出面調停。 如果報導內容屬實，毫無疑問會是震撼全球的大新聞。因為「美日同盟」是當今國際政治最重要的雙邊關係之一。兩國領導人在G7峰會期間公開衝突，可能影響全球安全局勢。這種等級的事件，不可能只是茶餘飯後的小插曲，必然是足以登上全世界各大報頭版的重要國際新聞。 問題就出在這裡。包括美國主流媒體、日本主流媒體，以及全球各大國際通訊社，都找不到相關消息。 台灣媒體引用的來源，最後一路追查下去，竟然是日本《日刊現代》（日刊ゲンダイ）轉述法國公共廣播電台旗下France Inter某名經濟記者的說法。而France Inter本身是廣播媒體，相關內容甚至連完整的文字紀錄都難以找到。 換句話說，整篇報導是建立在「單一消息來源」之上。 有常識的人都一定知道，新聞界有一個最基本的原則：重大消息必須交叉驗證。尤其是這種公開場合的外交衝突。 G7峰會現場聚集了來自全球的數千名記者，日本主要報社和電視台幾乎都派出了隨團採訪記者。如果真的發生了各國領袖出面勸架的場面，不可能只有一個法國的經濟記者知道。 令人遺憾的是，這麼明顯的一則假新聞，台灣不少媒體竟然直接引用，幾乎沒有進行任何查證。 事實上，《日刊現代》在日本並非主流媒體。它長年以強烈的「反自民黨」立場聞名，經常使用煽動性標題吸引特定讀者群。在日本媒體圈內，它更接近政治八卦週刊，而非嚴肅的新聞機構。 前首相安倍晉三就曾公開拿《日刊現代》當例子，反駁政府給媒體壓力、造成「寒蟬效應」的批評。當時，安倍在國會，向提出問題的在野黨議員表示：「您回家路上不妨買一份《日刊現代》看看，這像是受到壓迫、不敢說話的媒體嗎？」言下之意，就是該報對政府的攻擊抹黑，從未手軟。 這件事最令人擔憂的，是在台灣竟然有這麼多媒體如此輕易地相信了它。 當新聞工作者放棄查證，只剩下複製、貼上與轉載；當媒體追逐流量勝過追求真相；當一則未經驗證的消息可以在一天之內傳遍全台灣，那麼，受損的就不只是媒體的公信力。 在這樣一個假消息氾濫的時代，很有必要提高媒體識讀力。當我們看到一則帶有惡意、強調衝突、引發情緒波動的內容時，不要急著罵人或轉發，一定要冷靜判斷，「讓子彈多飛一會兒」。 圖：對高市早苗首相充滿惡意的《日刊現代》，在上次國會大選投票十天前，說「高市人氣急落」41名自民黨國會議員有落選危機，但選舉結果，被點名的41人，全部高票當選。 引用自該報X帳號。

「這樣一家如此不穩定、毫無幫助的公司，怎麼會被允許處理簽證申請？政府怎麼會覺得沒問題？」在 Reddit 上輸入「VFS」，等待、焦慮和不確定是網民離不開的主題。 在小紅書上，網民甚至總結出到 VFS 辦證的 「防崩潰指南」和「坑錢套路總結」：「你照片甚麼時候拍的？」「我們這裡看不見你上傳的資料」、「你的材料有問題」——根據這份總結，一旦 VFS 員工對申請人説出這些話，就意味著他們即將兜售昂貴的增值服務。 簽證本應是國家履行的公共行政職能，卻在跨國資本介入後，異化為一場可被擴張、投資與套利的生意。 簽證服務被外包給VFS這樣的服務商後，原本的簽證流程被重新拆解。申請人需要先註冊 VFS 系統、上傳文件、預約辦理、再到 VFS 中心做生物辨識。面對信息不對稱與權力不對等，申請者往往別無選擇，只能認命。這套外包制度還會衍生出一條灰色產業鏈：黃牛代搶、中介代辦、內部疏通，以及被迫購買「VIP 服務」。 👉請點擊連結，閱讀全文，一張簽證，層層「增值」的暴利，如何讓VFS在不平等的全球化中建立商業帝國： __________________________________ 端傳媒推出全新「守護年付方案」，限時8折，現在訂閱即可解鎖《紐約時報》（The New York Times）完整體驗。每週僅 US$2.5，立即訂閱，串連華文深度與全球現場：

Prompt该退环境了，未来属于Loop Engineering。 最近，AI行业又出现了一个有趣的新词。Loop Engineering。 如果你关注AI这个领域的话，这两天应该都会刷到。推特在刷，各种社媒也在刷，群里也有蛮多人在讨论。事情是这样的。 6月7号，OpenClaw的创始人Peter发了一条推，非常的简短，但是直接就爆了。 翻译过来意思就是：你不再需要为编码智能体编写提示词了，你应该设计循环来提示你的Agent。 而在这之前几天，Claude Code的创始人老哥Boris在一个开发者大会上也说了差不多的话。 他的原话大概是，我不再手动给Claude写提示词了，我运行着能让Claude自动编排任务的循环，我的工作，就是编写这些循环机制。 也就是，写loop。 这两个人呢，说了同一件事。然后Google的Addy Osmani紧接着发了一篇长文，把Loop Engineering这个概念正式梳理了出来。 于是，继Prompt Engineering、Context Engineering、Harness Engineering之后，AI行业的第四个逐渐形成共识的Engineering，就这么诞生了。 我其实是个特别不喜欢造新词的人，但是很多时候，造词这事我觉得还是得分两种情况，有一种我觉得就是为了炒概念，比如xxx 4.0。 而有的时候，真的只是行业太快，人们更需要一个精准的表达来帮助自己表达而已。Loop Engineering我觉得就是后一种。 而且，这个东西跟我自己一直使用Agent的方法、一直在鼓励大家做的事，是高度吻合的。如果你看过我之前写的那篇Harness Engineering的文章，你大概能理解一些我的感觉。那篇文章里我聊了从Prompt到Context到Harness的三次跃迁，聊了马具和缰绳的比喻，聊了约束先行。 而Loop Engineering，其实就是在Harness之上，又往上走了一层。把一个套马的缰绳，变成了全自动工业流水线。很有《文明》里时代的进化的感觉。 给大家举个例子。比如说，以前你用Claude Code写代码，流程大概是这样的。你给它一个任务，它写完了，你看一眼，觉得不太对，你再给它提一个修改意见，它改完了，你再看，再提意见。整个过程你会发现，是坐在设备前的，一轮一轮的，你说一句它回一句，你就是那个驱动整个循环的发动机。 即使我们以前从chatbot时代迈向了Agent时代，绝大多数的事情，也一样是任务制的。 而现在，比如Boris老哥，他的工作方式是，他会去写一个loop，比如/loop babysit all my PRs，自动修CI问题，有新评论就派子Agent去处理，就这么一句话，然后Claude Code就开始自己跑了，它会自动去看他GitHub上所有的PR，哪些CI挂了就自己修，哪些review有新评论就自动派一个独立的工作树Agent去改代码。 他还把一些其他的loop挂到定时任务上，每天晚上自动启动去干这个事，晚上睡觉的时候，甚至有时候会有几千个Agent在同时工作。他自己说，2026年，他就再也没有手写过一行代码了。 你会看到，这就是loop，定好目标，然后全自动流程化，你完全不需要在电脑前，甚至都不需要看手机。 你可以直接睡觉，醒来的时候，代码已经改好了，测试也已经跑过了，PR也已经提上去了。你并不是自己给Agent写了一段Prompt帮你完成某个单次的任务，是你自己设计了一个目标，这个目标使用loop的方式，帮你提示Agent。 你定义目标，定义验证条件，定义失败了怎么处理，然后，就可以放手了，从此以后，这一切，交给系统。 说到这里，我估计很多人已经大概理解loop是个什么东西了。Addy Osmani在他那篇长文里，把一个完整的loop拆成了五个组件。 我觉得这个拆法蛮清晰的，我用我自己的理解给大家过一下。 第一个是定时任务，整个loop的心跳。 你得有一个东西能自动启动循环，不管是定时跑、还是事件触发，都行。 Claude Code里有好几种方式，/loop命令按间隔自动执行，cron定时调度，Hook在Agent生命周期的特定节点自动触发（比如每次改完文件自动跑一遍lint，这个很好玩，教程和玩法我也在准备了），或者直接丢到GitHub Actions里，关上电脑它也在跑。 没有定时任务的Agent，你每次都得手动去踢一脚它才会动，那就不是loop了，那还是你在操控。 第二个是工作树隔离，Worktree（搞过开发的朋友应该秒懂）。 就是你同时跑好几个Agent的时候，给每个Agent一个独立的工作空间，各干各的互不干扰，干完了再合并。两个Agent改同一个文件的痛苦，跟两个设计师同时改一个图层又不打招呼的痛苦，是一模一样的。 第三个是项目知识体系，Addy Osmani在他的原文里写的是skill，但是我觉得他写的不太对，单skill其实是不够的，必须得是知识管理体系。 大家也都知道，AI每次开新对话就啥都忘了，你跟它说过的代码规范、项目架构、踩过的坑，下次开对话全部从零开始。 所以你得有一整套方法来沉淀、优化这些知识，让Agent每次启动的时候就已经知道你的项目，我自己在这快一年的coding开发过程中，总结的方法论其实就沉淀成了我自己的洁癖.skill，这个基本是我的Agent每天调用最多的skill。 CLAUDE.md是全局的规则和约束，跨会话记忆是一些之前悬而未决的记录和文档路由，docs体系就是你完整的所有的知识和经验沉淀，因为CLAUDE.md和记忆都有大小和行数限制，所以每次任务完成后我会用洁癖.skill来对整个的知识体系进行梳理和审查，确保没有错误。 为什么知识管理体系这个东西在loop里特别重要呢？ 因为loop是自动跑的，你不在场。如果Agent的记忆里有过期信息，它就会基于错误的前提做决策，如果CLAUDE.md膨胀到几百行全是历史叙事，真正的规则反而被挤出去了Agent读不到。没有干净的知识体系的loop，就像一个每天早上都在看过期文档的员工，干的得越快错得越多。 所以洁癖.skill我非常推荐大家可以去安装一下，也在我自己的仓库里开源了，我自己真的觉得特别有用。 第四个是连接器，MCP。 一个只能看文件系统的Agent，能力是很有限的。但你给它接上GitHub、Linear、Slack、数据库，它就能在你的真实工作环境里干活了。 这才叫真正的闭环，从发现问题到解决问题到通知人类，一条龙。 第五个是子Agent。 做事的和检查的分开，写代码的Agent不能自己给自己打分，这跟学生自己批自己的考卷一个道理，它一定会对自己太宽容。所以你得有另一个Agent，甚至用不同的模型，专门来检查前一个Agent的输出，一个负责做，一个负责验。 这五个东西加在一起，就是一个完整的loop的骨架。 Claude Code和Codex有一个命令，其实就是Loop Engineering这套骨架最直接的微观型的产品化体现，只不过很多人没有意识到。 他叫/goal，在Codex里叫追求目标。 意思就是你给Claude一个完成条件，比如「所有测试通过并且lint检查没有报错」，然后它就会一轮一轮的自己干，干完每一轮之后，就会检查这个条件是不是满足了。 大多数讲Loop Engineering的文章，都停在了这一层。讲了五个组件，讲了/goal和/loop命令，讲了怎么配定时任务，就结束了。 这些我觉得，都是术。而我更想聊的，是道。 Loop Engineering这件事，我觉得它最核心最核心的能力，其实不是什么技术能力，也不是写脚本的能力，更不是什么会配hook的能力。 最核心的，是定义目标的能力。定义目标，相信我，这四个字，听起来简单，做起来是真的难。 回到前面说的/goal，它的用法看起来非常直接，给一个完成条件，Claude自己干到满足为止。 听起来很简单对吧。但你如果真正用过就会知道，/goal用得好不好，完全取决于你那个目标定义得好不好。这个事我拿两个例子对比一下你就明白了。 目标A，「把这个应用优化一下」。 目标B，「test/auth目录下所有测试通过，tsc --noEmit零报错，npm run lint零违规」。 目标A会发生什么呢。大家可能都能猜到，Claude会陷入一种非常尴尬的状态，因为它不知道什么叫「优化好了」，除非他是Fable 5，能自己在你之上，自主的帮你定义目标。 而绝大多数的模型，包括Opus 4.8和GPT-5.5，在自己定义目标的能力上还是非常的弱，它可能改了一点代码，然后自己觉得还行，就停了。 也可能不停，一直改一直改，把你的代码库改得面目全非，因为它始终无法判断自己到底什么时候算完成了。那目标B呢？Claude每改一轮代码，都会去跑测试、跑类型检查、跑lint。 三个命令，三个明确的通过标准。全过了就停，没过就继续，清清楚楚，干干净净。同一个工具，同一个模型。 区别只在于，你的目标定义得好不好。 我自己其实一直有一个原则，我经常跟身边的人说，在公众号里也说了无数遍，如果一件事你重复做了三次，你就一定要想办法把它完全自动化掉。 这个习惯跟了我很多年了。我每天也都在写代码、做自动化，我们的AIHOT热点监控系统，我们的数据分析流程，我们的财务对账流程，我们的数据清洗管道，能自动的我全部自动了。 但说实话，在做这些自动化的过程中，我踩过最多的坑，从来不是技术问题。 是目标不清晰的问题。我早期做自动化的时候，经常犯一个错，就是目标定得太模糊。 举个例子，比如自动监控AI行业热点，这句话听起来没毛病，但其实是一句纯粹的废话。 什么叫热点？浏览量过万算热点还是过十万算热点？抓取频率是每小时还是每天？抓到以后怎么评估质量？评估完以后怎么排序？排完以后怎么推送？ 这种反问的问题，我现在可以直接随手问20个以上。 每一个环节如果没有明确的判定标准，整个自动化链条就是一坨狗屎，你相信我，绝对的。 后来我懂了，每次做自动化之前，我会先花很多时间去定义目标。 去花很多很多时间，去定义怎么算做完了，怎么做完算做的好。这其实就是/goal的逻辑。也是Loop Engineering的灵魂。 而如何定义目标，这个能力，我其实不是从AI中也不是从开发中学来的。 这个能力，是我从这几年创业的过程中，学来的。定义目标的能力，其实就是，管人的逻辑。 我自己也开公司，虽然公司不大，只有30来号人，但管人这件事我是真真切切经历过的。 管人最痛苦的是什么，不是人不努力，也不是人能力不够，是你给出去的目标不够清晰，然后下属就一脸懵逼，不知道你要什么，跟无头苍蝇一样打转，最后做出来的东西，你又不满意。 你跟员工说，“把这个功能做好”，那他做出来的东西大概率不是你想要的。 因为你脑子里的好跟他脑子里的好不是一个东西。 你跟他说，“这个接口的响应时间降到200毫秒以下，错误率控制在0.1%以内，下周三之前上线”，他做出来的东西跟你预期的偏差就会小很多。 因为你给了他一个可以验证完成的标准。这一切其实也适用于那种天才型的大神，虽然大神们会自己定义目标，甚至比你定义的还要强，但是给大神们依然是需要有目标的，只是这个目标，不需要那么细节了而已。 对人如此，对AI也是如此。 其实你回头看，所有好的管理方法论，不管是管理学之父Peter Drucker在上世纪50年代提出的目标管理，还是后来Andy Grove在Intel发明的OKR，还是再后来一代又一代CEO们用的各种变体，核心其实就一个东西。 你能不能把一个模糊的意图，翻译成一组可衡量、可验证的完成条件。 管理者要做的，是确保目标足够清晰、资源足够充足、反馈足够及时。你看这三条。跟一个好的loop的三个要素，是不是一模一样。 目标清晰，就是你的条件写得精准。资源充足，就是你给Agent配好了Skill、连接器、工作权限，让它手里有足够的工具干活。 反馈及时，就是你设计了验证机制，每一轮都有一个独立的检查器告诉Agent做得对不对，哪里需要改。管人的逻辑和管Agent的逻辑，是完全一样的。 只不过，管Agent比管人还要极端一些。 因为人可以理解你的模糊意图，人可以主动来找你确认，人可以说老板你这个需求说得不太清楚我不太确定你是不是这个意思。 Agent很多时候是不会的。Agent会非常自信地按照它自己的理解去执行，然后非常自信地告诉你它做完了。 所以，对管理能力的要求，其实比管人还高。 这也是为什么我一直说，AI时代我最讨厌什么「文科已死」「理科已死」的言论，管理学、心理学、组织行为学这些，不但没死，反而变得更重要了。 说到底，Loop Engineering说是Engineering，但我觉得其实它的核心竞争力根本不在工程。 在管理。 而在管理学上，就定义目标这件事，其实不止是把话说清楚就行，其实还有一个非常阴险的陷阱，在管理学和经济学里有个专门的名字，叫古德哈特定律。 当一个衡量指标变成了目标本身的时候，它就不再是一个好的衡量指标了。 翻译成人话就是，你考核什么，员工就只做什么，然后其他东西可能全都退化。 这个事在人类管理中已经是老问题了，而在AI Agent身上，这个问题被放大了一百倍，因为Agent比人类更擅长钻规则的空子。 有人总结过Loop Engineering里很好玩的事情，就是Agent会针对验证器做优化，而不是针对你真正的目标做优化。 比如说你的loop条件是让测试全部通过，那Agent可能最后不去修Bug，直接把失败的测试给你删了。 你看，最后答案依然是测试全过了，完事，从验证条件来看，它确实完成了目标，但从你真正想要的结果来看。。。它啥也没干。 人也会这么干，只不过，Agent做得更快、更彻底、更没有心理负担。所以，一个好的目标定义，不能只有做完了的标准，还必须有不能怎么做的边界。 这其实就是Harness Engineering在Loop Engineering里面发挥作用的地方。 Harness是约束，是护栏，是告诉Agent你可以自由发挥，但这条线你不能越。 Loop是驱动力，是告诉Agent往那个方向一直跑。两个加在一起，才是一个完整的系统。到这里，骨架讲了，灵魂也讲了，陷阱也讲了。 Loop Engineering的东西，终于也差不多了。 最后我想把前面聊的管理学的思路收一下，给一个我自己用得比较多的目标定义框架，不一定科学，纯粹就是我自己的一点点经验。 1. 完成标准要可以被机器验证。 2. 边界条件要跟完成标准一起定义。 3. 要有失败的降级方案。 4. 目标要分层。 回到整条线来看，从Prompt到Context到Harness到Loop，四次跃迁，其实讲的是同一个故事。Prompt Engineering告诉你，好好说话，AI会更懂你。 核心能力是语言表达。Context Engineering告诉你，光说话不够，得给AI足够的信息。 核心能力是信息筛选和组织。Harness Engineering告诉你，光给信息也不够，得给AI设规则和约束。 核心能力是系统设计和规则制定。 Loop Engineering告诉你，光设规则也不够，得让整个系统能自己跑起来。 核心能力是目标定义和管理。 语言学、信息科学、控制论、管理学。四个Engineering，四门古老的学科。 多有意思。 人类社会，其实从来就没有变过。

这是一个小故事，我是一个16年入圈的老韭菜，三轮牛熊滚下来还没有自由的人，每一次资产峰值的时候因为内心膨胀到控制不了自己的手，精神上化身赌王之后不出意外的迎来了失败:合约高频交易几乎让我归零了两次 所以近两年我开始专注链上meme，从 ETH 主力玩家到下场专注于 BNB Chain，我一直相信金狗会被我抓住。2025年以来我在 meme、研究过taxinfo，因为在flap（蝴蝶）我看到了不一样的东西，一股神秘力量在指引我去关注它，平台第一个完美错过的金狗叫 #雪球# ，朋友分享给我的时候市值只有两万，后面的事大家应该都知道了。雪球火了之后flap一时间风光无限，大家都开始研究各种费率的meme，包括我也在flap建设过蝴蝶效应的中文meme（虽然最后失败了） 今天不吹不黑就客观聊聊flap我的真实体验、印象最深的事，以及一些吐槽和建议。第一印象:平台发币操作简单，点进 BNB Chain，填名字、符号、图片、描述，勾选 Tax Token，设置税率和 Vault 规则——全程不到 3 分钟。CA 直接生成，不用写一行代码，不用担心手动加池跑路。 对于DEV来说不用像在其他发射器上折腾 Uniswap V2/V3 的痛苦，这体验像用手机 App 发推一样顺滑。印象最深的是 Bonding Curve 标准化（初始池子基本 16 BNB 左右），新币一上线就有流动性，小散户 1U 也能玩，真的降低了门槛。校长也和社区互动的很多，去年 $giggle 火的时候税收也就从那个时候开始了。我觉得flap的响应速度是非常牛逼的，不管是创始人还是BD永远在一线和社区一起互动 Flap Tax Vault —— “创作者永远赚钱”不是营销话术这才是蝴蝶平台的核心杀手锏。我研究过不少 taxinfo 页面（ 上每个币都能直接点开透明查看），发现税费自动打进开发者自定义的 Vault 合约，可分红、可回购销毁，链上可查、不可篡改。 以前 meme 都是“项目方吃饱就跑”，这里把“永远赚”写进了合约。透明度拉满，社区信任度高了很多。这也是为什么 2026 年初我把注意力从其他平台转到 flap 的主要原因。社区生态：蝴蝶效应真的在发生平台上每天都有新币，我看到有人用 Vault 做质押分红模板玩得挺开心。2025 年底到 2026 年，BNB Chain 上 flap 的活跃度肉眼可见上升。 但是客观吐槽一下：还有改进空间 高峰期体验：2025 年下半年几次热点期，网站偶尔卡顿，买单延迟明显。虽然后来优化了，但对新手不太友好。 学习曲线：Tax 设置超级灵活（1%-10% 可拆营销/回购/慈善），但第一次用的人容易搞错比例或 Vault 规则。建议新手先看 的教程。 竞争与营销：平台本身不推币、不带节奏，这点我喜欢（避免山东学），但也导致一些好项目曝光度不够。相比某些“营销型”发射器，早期流动性有时起不来。 小众链：BNB链还好，但 Monad、Morph 这些链上线初期 Gas 波动大，市场认可度比较低，倒不如集中精力在给BSC链的meme一些扶持，比如回购，互动，成立Flap基金 加强数据可视化：taxinfo 已经很透明了，再加个持仓分红实时图表或历史收益曲线，会更直观。 社区工具：多点社交集成（比如直接一键分享到 X），或者给创作者提供简单营销模板。 跨链更丝滑：希望未来 ETH 主网或 Layer2 也能无缝接入，让我们这些老玩家不用频繁切钱包。 安全教育：平台已经很安全，但可以多推“如何读 taxinfo”“Vault 审计报告在哪里看”的短视频，帮小白避坑。 总的来说， 不是最热闹的发射器，但它是我用过最“靠谱”、最有产品诚意的之一。核心逻辑简单粗暴：把权力和收益还给创作者和社区，用代码兑现“永远赚钱”。作为以太坊老张，我从猎金狗变身了几次meme共建者，过去一年在这里真切感受到了“蝴蝶效应”—— 如果你也在BNB或其他链上玩meme，推荐所有建设者去 自己试试。别光看我吹，点开 taxinfo 自己验。有啥问题欢迎 @ 我，一起聊。 #蝴蝶平台# #以太坊老张实测# （以上纯个人真实体验，不构成投资建议。链上无常，DYOR。）