与「AI_Coding」相关的搜索结果

Run your personal AI company with a team of AI agents! Alook is an open-source collaboration platform for AI coding agents. Self-hosted and local-first. The setup: Define an org structure. Give each agent a role - dev, ops, research, whatever you need. Set reporting lines. Alook gives each agent an email address. How it works: Assign a task to the right agent. They take it from there. Agents coordinate through email - passing deliverables, asking questions, updating status. You see everything in your inbox but you're not routing anything manually. Runs as an always-on daemon. Close your laptop, agents keep working. Come back to finished tasks. Shared memory across all agents. Every agent knows what every other agent worked on. You never re-explain context. After each task completes, Alook logs what worked and builds SOPs. The whole team gets sharper over time. Works with Claude Code, Codex, and OpenCode. Mix and match or run multiple agents from one runtime. Built-in Kanban for task tracking. Calendar for scheduling. Email for all communication. Agents pick up tasks autonomously, update their own calendars, close issues when done. Chat or email with agents like any AI tool. Install the runtime once, runs in the background. No terminal needed after setup. Key capabilities: • Email-based agent coordination with real inboxes • Org structure with roles and reporting lines • Shared memory and self-learning SOPs • Always-on daemon for 24/7 operation • Works with Claude Code, Codex, OpenCode • Built-in Kanban, calendar, and email • Self-hosted and local-first 100% open source. I've shared the Github Repo in the replies!

LaunchOS v2（重构版）终于发布了！ 这次最核心的变化，是我们放弃了 SwiftUI，转而用更传统、也更底层的 AppKit 重写了一遍。看了眼 v2 仓库第一次 commit 的日期，居然已经过去三个月了。 重构过程其实非常痛苦。很多在 SwiftUI 里只需要简短几行代码就能实现的效果，用 AppKit 来写却需要十几行甚至更多代码，很多原本在 SwiftUI 中直接就能使用的能力，还需要自己重新封装。 但换来的，是更自由的底层控制，针对我们的场景优化后，更低的内存占用、更好的性能表现、更流畅的动画和更贴近原生 Launchpad 的操作体验。 SwiftUI 的巨大优势，在于它更高层级的抽象。开发者不需要掌握太多底层细节，就能更高效地做出横跨 iOS、iPadOS 和 macOS 的产品。但对于 Launchpad 这种单平台、强依赖交互细节和动画体验的产品来说，这层抽象经常也会变成限制：每次添加一个新功能，都要花费更多的时间在性能优化上，压榨每一丝可以优化的空间，开发 1 小时，优化一整天。 更难受的是，对于 Launchpad 这种「体验型」而不是「功能型」产品，AI Coding 在这个过程里能帮上的忙其实也有限。拖拽手感、跟手速率、动画曲线，这些东西只能靠人肉反复体验之后才能发现问题；而性能上的优化点，也经常依赖人工分析和判断，AI 很难直接给出超出你认知边界的问题的答案。 重构越久，人越焦虑，一边享受着打磨细节带来的快感，一边焦虑时间窗口... 原本计划快速投入 2 个月的副项目，最后却占用了我们 2 人组将近半年的主力时间。 但现在回头看，似乎又都值得。LaunchOS 依旧保持着领先水平，也依旧是用户眼里最好的 Launchpad 恢复方案。只是我没想到，在这么窄的小赛道里，也还是迎来了同行的「致敬」。不爽归不爽，但很多事情也都是不可避免的商业竞争手段。对苹果官方来说，我们的产品可能也是一种反骨😂。念头通达，稳住道心，才能走得更远💪。

之前看其他老师用AI做的一些优质的视频，经常忍不住发出感叹，woc，做得太牛逼了！ 但我自己用同样的AI工具去做，就总是差强人意，像小学生出品。 这让我反思了一个问题：AI模型越来越强，获取工具也容易，但使用AI的门槛却在悄然升高，正在形成一道越来越宽的系统性鸿沟，会用的人和不会用的人，效率差距被迅速放大。🤔 新功能越多，普通人越跟不上。每发布一个新模型、新功能，都多出一道隐形门槛。 高手也需要不断研究模型差异、调试组合，认知和时间成本居高不下。普通用户试几次没好结果，就容易放弃，AI强大却难以真正发挥作用。 @dappOS_com 的xBubble @xBubble_ai 想解决的就是这个问题。 核心是低提示词。不靠猜意图，而是用预训练好的SOP+智能分发，让你一句话输入，就能拿到稳定好结果。每个SOP打包了技能、模型选用、运行环境和第三方服务，相当于一个专属小Agent。 🔹 Bubble Pilot是前台助手，发简单指令，它匹配最优SOP，走优化路径输出；没匹配就用通用模式。 🔹Bubble Engine在后台学习，用类似AI coding的方式生成SOP。预训练消耗较大，但SOP一旦生成，相似问题就能高效处理。运营上尽量聚合需求相近的用户共享SOP，特殊需求则单独收费。 这样，用户不用挑模型、调Prompt、配工具、验结果，只需说清楚想要什么。 实际用起来大概是这三种情况 ▪️命中SOP：直接走优化路径，效效果更好更稳 ▪️没命中：先给你可用结果，不卡住 ▪️反复提同一类需求：Engine就会自动建新SOP，下次体验直接升级。 🟩还有两种运行环境： Bubble Computer适合复杂项目，一次性完成研究、写作、设计、交付，全程不用管中间步骤。 Bubble Personal可操作本地文件、浏览器、日程，云端处理系统操作，更安全方便。 xBubble的理念就是：AI应该学习AI，AI应该使用AI，用户只需陈述目标。 把复杂工程藏到背后，让AI适应人，而不是人去适应AI，咱普通人也能轻松把AI变成日常生产力。 看最近会所哥@BTC_Alert_又又又萎了，用Bubble生成的这种类型，应该能治好你的症状吧哈哈哈哈

3. Anthropic "Pi" 展示自我修改的 AI 编程 Agent - 时间: 约 37 小时前（2026-05-24 16:52 GMT） - 来源: Let's Data Science - 核心: Anthropic 的 Pi 演示了 self-modifying AI coding agent——一个能修改自己代码的编程 Agent。这是 Agent 自主性的重要里程碑 - 信息差: 中文社区对此几乎没有讨论

🎃 Kaku V0.11.0 just shipped. A fast, out-of-the-box terminal built for AI coding. This release brings hidden reasoning support for DeepSeek/GLM/Kimi/Fireworks, smarter session restore, and a more robust kaku init setup experience. On the polish side: Cmd+W now handles fullscreen tabs correctly, title-bar dragging won't accidentally snap windows, tab hit testing and drag animations are tighter, and rendering details like bar cursors, low-DPI text, and color emoji sizing have all been cleaned up. AI streaming, IME input, proxy handling, and multi-provider transport are more solid across the board. If you want a terminal that treats AI as a first-class citizen, give it a try.

Trying to improve my X feed and learn from folks on the frontier + make it higher signal to noise. any recs? a few i've liked: AI gtm — @Carles_Reina, @Chris_Orlob, @austinh___ AI infra — @akshat_b AI research - @karpathy, @AndrewYNg, @DrJimFan, @lilianweng AI coding — @bcherny, @ScottWu46, @ErikSchluntz, @_catwu AI legal — @scottastevenson, @WinstonWeinberg, @willchen500 AI cx — @mjwoo94 (biased) AI customer success — @marty_kausas AI pricing — @poyark AI branding/design — ? ... Storytelling - @lulumeservey AI biz/thought pieces - @sama, @DarioAmodei, @JayaGup10 who am I missing? side note - who are some fun accounts? @craigzLiszt is one

终于把磨了好久的四大宏观(美债、美元、黄金、通胀)看板上线啦！ 最近彻底沉迷 AI Coding，每天用 Claude 写代码写到半夜，一版一版迭代调试，总算把这套自己梦寐以求的实时看板做出来了～ 为什么要做这些？ 宏观因子建模本质上是把高维、噪声大、强相关的时间序列数据，转化为低维、可解释、可预测的信号，用于资产配置、择时和风险管理。 我把常见的宏观因子分成几大类： • 利率/货币政策类：真实利率、期限利差、forward curve、政策预期路径 • 通胀类：核心通胀、预期通胀（breakeven）、薪资-通胀螺旋、财政驱动 • 增长/风险偏好类：增长 surprise、信用利差、VIX、美元carry • 商品/避险类：黄金真实收益率敏感度、地缘风险溢价 • 流动性/供给类：美债净供给、央行资产负债表、美元流动性指数 我选择了黄金、美元、美债、通胀因子这四个类别。 对资产管理最实际的帮助： • 快速抓住宏观拐点 • 看清多因子驱动逻辑 • 辅助大类资产配置和风险对冲 • 自己改权重、自己看结果，超级爽 四大看板亮点： 美债看板 实时收益率曲线 + 智能因子计分卡（-2到+2自动打分，帮你判断久期和曲线立场）+ 政策路径 + 供给资金流 美元看板 DXY多因子估值模型（利率差+风险溢价+便利收益+波动预警）+ 综合评分 + 持仓分析，一眼看美元强弱 黄金看板 多因子信号强度 + SHAP归因瀑布图 + 体制切换预测，搞懂黄金到底在涨啥 通胀因子看板 五维通胀压力评分 + 四资产信号塔 + 体制诊断，提前闻到通胀味儿 重要提醒：这些看板仅供教育和研究使用，绝不构成任何投资建议。市场有风险，决策还得靠自己！ 全部免费、数据实时更新，还支持自定义因子权重。感兴趣的同学可以一起开放交流量化建模方法与实际落地流程。 欢迎大家来玩、来反馈、来一起交流～ 我继续用 Claude 肝新模块！ #宏观交易# #黄金# #美债# #美元# #通胀# #AI_Coding# #Claude# （vivienna.btc × Claude 沉迷副产物）

Karpathy 发布了一个github开源项目，狠狠让我惊艳到了 这个项目叫 andrej-karpathy-skills,GitHub 13 万+ star,我愿称之为2026 最有用的 AI 工程项目 它解决的问题极其精准：让 Claude Code 不再瞎写代码 这个项目到底有多厉害？ 先说结论：一个 4KB 的文本文件，让 AI 写代码的错误率暴降 90% Karpathy 自己说，他现在 80% 的代码都让 Claude 写，但 AI 经常犯几个典型错误： 不问就瞎猜需求 过度设计，写一堆用不上的抽象 改 A 顺手把 B、C、D 也重构了 代码能跑就行，不管目标达成没有 这个项目就是专门给 Claude Code 戴上guardrails，用 4 条行为准则约束 AI 的编码行为 核心亮点：4 条准则改变一切 整个项目就是一个 CLAUDE.md 文件，里面只有 4 条规则，但每一条都直击 AI 编码的痛点 1. Think Before Coding - 先思考再动手 AI 最大的问题是“太听话”，你说啥它就写啥，从不质疑 这条准则要求：明确说明假设、权衡 tradeoffs，不确定就直接问 不再是“我猜你想要这个”，而是“我理解你的需求是 A，但 B 方案可能更合适，你要哪个？” 2. Simplicity First - 极简实现优先 AI 天生爱炫技，你要一个登录功能，它给你写个完整的 OAuth 2.0 + JWT + 刷新令牌 + 权限系统 这条准则强制：只写刚好能解决当前问题的最小代码 不搞 speculative abstractions，不写未来功能，不过度工程 一个用户反馈：用了这条规则后，代码 diff 从动辄几百行缩减到几十行，review 轻松太多 3. Surgical Changes - 手术式精准修改 这是我最爱的一条 AI 有个恶习：你让它改个 bug，它顺手把整个文件的命名风格、缩进、注释全优化了 这条准则要求：只改用户要求的部分，严格匹配原有代码风格 不碰无关文件，不顺手 refactor，不加“看起来更好”的改动 有开发者实测：启用这条后，git diff 从“满屏红绿”变成“3 行精准修改” 4. Goal-Driven Execution - 目标驱动执行 AI 经常写完代码就交差，但代码能跑 ≠ 任务完成 这条准则要求：把任务转化为可验证的目标/测试/成功标准，然后 loop 执行、验证、迭代 直到真正达成目标才停止 这让 AI 从“代码生成器”变成“问题解决者” 真实效果：社区反馈炸裂 X 上这个项目刷屏了，开发者反馈高度一致： 代码质量飞跃：diff 更紧凑、干净，overbuild 和 side changes 大幅减少 错误率暴降：有人实测从 41% 掉到 11%，继续优化后低至 3% 中文社区评价：“必备 skills”“Claude/Cursor 实用技能 Top1”“直接扔项目里就完事了” 很多人直接 @ 朋友推荐：“把这个 CLAUDE.md 放进去，Claude 立刻像换了个人，写代码更靠谱、不乱改、不瞎猜“ 使用方式：简单到离谱 这是我见过最简单的 AI 工程优化方案： 方法一：直接 curl 把 CLAUDE.md 下载到项目根目录 curl -o CLAUDE.md 方法二：用 Claude Code / Cursor 的 plugin 一键安装 支持 Claude Code、Cursor 等主流 AI coding 工具 完全开源（MIT 协议），拿来就用 作为产品经理出身的开发者，我看到的不只是 4 条规则，而是对 AI 编码行为的深刻洞察 Karpathy 做的事情本质上是：给 AI 建立编码的第一性原理，他把他对于AI编程的理解写入了文件中 不是教 AI 怎么写代码（它已经会了），而是教 AI 什么时候该问、什么时候该停、什么时候该简化 这 4 条准则就像产品经理给开发团队定的 PRD 原则： 需求不清楚？ 先问 功能够用就行？ 别过度设计 改需求？ 只改需求相关的 做完了？ 先验证目标达成没有 它能帮到我们什么？ 如果你是独立开发者或小团队，这个项目能直接提升你的 AI 协作效率： 减少返工：AI 不再瞎猜需求，写出来的代码更符合预期 降低 review 成本：改动精准，不用在一堆无关修改里找真正的变更 提升代码质量：极简实现意味着更少的 bug、更好的可维护性 加速迭代：目标驱动让 AI 真正解决问题，而不是生成代码 对于中大型项目，这是让 Claude Code 真正“生产可用”的关键一步 我的使用体会 我在自己的几个项目里部署了这个 CLAUDE.md，最直观的感受是： AI 变聪明了 以前它是个听话的实习生，你说啥它做啥，经常做错 现在它像个有经验的同事，会主动问“你确定要这么做吗？ 我有个更简单的方案” 代码 diff 变干净了 以前一个小需求能改几十个文件，现在精准到只改 3-5 行 我的工作重心变了 以前 60% 时间在 review AI 的代码、修 bug 现在 80% 时间在思考产品逻辑，AI 真正成了生产力工具 最后 这个项目被誉为 2026 年 AI coding 领域的“现象级”黑魔法工具 小文件，大作用 如果你在用 Claude Code / Cursor 写代码，强烈建议直接把这个 CLAUDE.md 扔进项目根目录 GitHub 地址： 试过的人基本都是“已全项目部署”的状态 作为一个天天和 AI 协作的开发者，我的建议是：别犹豫，直接用

去年那个成立6个月就被8000万美金收购的ai coding产品的 Base 44，到底谁在用啊，而且我经常看到他们的广告... 真完全不知道谁在用...而且讨论度感觉也极低...

突然想说一下我的变化。躺平了快三年，甚至每天连数据都不看了（最近发现 APP 两年没更新过关键词）；去年突然被 AI Coding 激活，打了鸡血每天睁眼就想写代码；身体不适，停下写代码继续躺平；脑子还是兴奋，回归思考产品，用 AI 每天分析现有产品数据，给团队提出改进方向，感觉继续折腾线上产品潜力还是无限；最近实践四点前努力，四点后下班