与「REVIEW」相关的搜索结果

herdr 真棒，自从之前推友介绍 agent skills 以后， 可以在 harness 之间可以互相召唤 互相指挥以后，很多场景都顺了。 如图是我用我的 review-forge 流程 做 code-review， 可以让 codex 先 review，然后它自动创建两个 agent panel，kimi k3 和 opencode 的 deepseek v4，去 review。然后主 codex 接收到两个 review 结果以后，生成 summary，我汇总 check 以后，再让 kimi 去修 bug，修好以后自动通知让 codex 去 verify， verify 后，kimi 再去读结果来回反复直到所有问题都解决，整个流程除了中间必须让我去 check 哪个 bug 要修之外，其他全都是自动化的，非常非常好用！

Fable 和 Codex 一起用开发效率真的绝了 有个开源 Skill 叫 /codex-build，专门为这个组合设计的 Fable 负责规划和决策，Codex 写代码。中间有审核卡点，代码必须过 review 和测试才能上线 装这个 Skill 就能直接用，不用自己再折腾流程了

Someone made a Mole review and it genuinely made my day. Andy Hutchinson over at Mostly Mac ran the open-source CLI on his M2, cleared ~13GB, and after six months of daily use called it "no subscription, no bloat, no drama." That means a lot for something I started as a weekend shell script. Huge thanks, Andy. If you make Mac content and want to feature Mole, I'd love to help, reach out and I can set you up with license keys to give away to your audience.

Apple: We briefly removed Telegram from the App Store after our review found content that violates our strict guidelines prohibiting child sexual abuse material. The app was subsequently restored after the developer promptly removed the content and banned the user who posted it.

gstack这个项目火了，116.9k star不是没道理 1️⃣ 内置23个角色化工具，CEO、设计师、工程经理、QA全给你配齐...我跑了一次代码重构，它自己出方案还review，真像多了个团队。 2️⃣ 每个工具都是Garry Tan调好的opinionated配置，不用自己写prompt。实测clone下来就能跑，比我从零调Claude Code省了俩小时。 3️⃣ 覆盖从写码到发布全流程。Release Manager自动整理变更日志，Doc Engineer顺手把README写了，开会汇报材料都省了 建议先收藏，下次搞AI直接抄作业。 说个背景 这项目作者是YC现任总裁Garry Tan，他平时就用这套配置跑自己的代码，属于把日常实战工作流直接开源了。 等于硅谷顶级创始人天天在用的 🔗 #AI# #AI工具老炮#

AI模型评分都是被专项攻坚创造出来的，于是我对比了Fable5，Grok4.5， Kimi K3针对同一个交易系统审计结果进行了对比。 先说结论： Fable5：最适合作为系统级主审核模型 Kimi：最适合作为代码缺陷与一致性专项审核模型 Grok：最适合作为代码梳理和方案发散模型，不适合单独决定策略修改 最佳组合：Fable5全面审核+Grok 4.5代码梳理+K3代码审核 具体细节： 1. Fable5：系统级判断能力最强 Fable5 最大的优势不是代码读得比另外两个模型更多，而是它能把： 代码规则； sizing snapshot； intent ledger； 实际 block 统计； 当前资产 headroom； SELL/REDEEM 回流路径； 放进同一个因果框架。 它使用了几个非常关键的实盘指标： ADD 近 7 天约占新增资金 43%； 84% 资金已经部署； ETH、SOL、XRP headroom 为 0； 近 40 个周期中主要阻塞是：blocked_capital_efficiency=47 blocked_asset_cap=28 deployment cap=0 runway=0 这让它能够区分： “某个机制理论上可能限制资金” 和 “当前实盘真正正在限制资金的机制”。 最终它得出： ADD 对资金流向重要，但当前周转主因在回收端、资产 cap 和效率过滤，不在 ADD 准入本身。 这是三个模型中最接近生产系统审核要求的判断。 弱点 Fable5 仍有一些过度推断： 把 ADD 描述为让资金“锁得更久”，实际上 ADD 的剩余 TTE 通常比 ENTRY 短； 把超 cap 资产总持仓约 $382 说成可以“直接解锁 $382”，没有区分总持仓、超额部分和可成交部分； 把模型中的 redeem_lag_days=2 一度当作实际回款延迟； “$5 仓位几乎不受每美元每日利润门约束”的推理不正确，因为该指标已经按资金归一化； 2-lot 最低 ENTRY 建议可能系统性损失覆盖率。 因此，Fable5 的系统方向判断最好，但具体数字和金融指标仍需二次校验。 最适合的角色 PRIMARY_SYSTEM_REVIEWER LIVE_OPERATIONAL_DIAGNOSIS CHANGE_PRIORITY_DECISION CROSS_MODULE_ROOT_CAUSE_ANALYSIS 2. Kimi：代码缺陷侦测能力最强 Kimi 对代码结构的还原比较准确： 固定 ADD 次数和 interval 已退役； ADD 采用 target-gap 模型； ENTRY 60%，ADD 补到 100%； allocator 是最终数量权威； style 仅作诊断； 现金、集中度、shock、深度共同限制订单。 更重要的是，Kimi 找出了其他两个模型没有明确指出的具体问题： shared_deployable_pool() 读取 account_snap["capital"]["deployable_cash"] 但该字段可能没有实际写入 → 回退到 free_cash → 策略层与 allocator 层资金口径可能不一致 它还发现了： 合同写 debounce 60 秒，代码/配置为 30 秒； 注释周期 16 分钟，实际 loop 600 秒。 这些是典型的静态审核、字段追踪和合同一致性检查优势。 弱点 Kimi 在资本效率和交易语义上的推理弱于它的代码检查能力。 典型错误是： ADD 价格更高，所以边际 edge/day 必然更差。 这忽略了剩余持有时间也缩短。更高 ask 并不必然意味着更低 edge/day。 它还认为： 60/40 会让剩余资金长期闲置； 提高 entry share 会改善周转； CONFIRMATION_NO 应收紧； 增加单市场软 cap 会改善组合周转。 这些结论缺少真实候选竞争、实际 block attribution 和反事实分配数据支持。 最适合的角色 STATIC_CODE_AUDITOR SCHEMA_AND_FIELD_FLOW_CHECKER CONTRACT_IMPLEMENTATION_DIFF LOCALIZED_BUG_DISCOVERY Kimi 很适合回答： “代码是否存在字段没有写入、默认值回退、文档与实现不一致、某个 gate 实际是否生效？” 但不适合单独回答： “应该如何改变交易策略和资本分配？” 3. Grok：代码梳理最完整，但最容易过度设计 Grok 对整个 ADD 路径的整理最详尽： 各层准入条件； risk latch； REDUCE reentry cooldown； 价格带； fingerprint； emergency cap； market target； ENTRY/ADD gap； allocator 的现金、集中度、shock 和深度约束； ADD 与 ENTRY 的评分和 continuity； SELL/REDEEM 对现金回收的影响。 它对当前代码执行模型的概括非常清楚： 能不能加由 headroom 决定；加多少由 target gap 离散为 lot；ADD style 只是解释标签。 因此，在“快速理解一个陌生复杂系统”方面，Grok 表现很好。 弱点 Grok 最大的问题是： 从“发现一个可能的机制副作用”快速跳到“建议修改策略”。 它提出了大量未经实盘证明的改动： TIME_TOPUP 冷却； ADD 1.5 倍 edge/day 门槛； ask≥0.97 限制为 1 lot； 降低 peak target； 提高 entry share； 单次仅补部分 gap； 弱化 continuity； 降低 TTE confirmation 权重。 这些建议表面上都很合理，但存在三个问题： 没有先证明这些机制实际造成了损失； 没有量化被 ADD 挤出的 ENTRY 是否更优； 可能重新引入此前已经修复的低 ADD recall 和 leader fidelity 偏差。 Grok很擅长生成完整优化空间，但容易把： POSSIBLE SIDE EFFECT 升级成： CONFIRMED ROOT CAUSE 再进一步升级成： SHOULD CHANGE PRODUCTION LOGIC 这是生产交易系统审核中最危险的倾向。 最适合的角色 SYSTEM_MAPPING CODE_AND_CONFIG_EXPLANATION HYPOTHESIS_GENERATION DESIGN_OPTION_ENUMERATION 不适合作为唯一的： PRODUCTION_CHANGE_APPROVER ROOT_CAUSE_FINAL_AUTHORITY STRATEGY_SEMANTICS_GATEKEEPER 三个模型的典型思维模式 Grok 发现机制 → 推演可能副作用 → 生成多种优化 → 倾向建议修改 优点：覆盖广、思路多。 风险：过度设计、假设升级过快。 Kimi 追踪代码和字段 → 找实现不一致 → 找局部缺陷 → 尝试从缺陷推导策略改进 优点：代码问题定位强。 风险：局部正确不等于系统结论正确。 Fable5 理解代码 → 读取运行数据 → 找实际 binding constraint → 区分主因和次因 → 按实盘收益排序 优点：最接近生产运营思维。 风险：仍会在个别指标含义和金额口径上过度断言。

Today, I want to share something that happened to me on Kraken. I’m completely new to crypto, and this was my first time using Kraken. All I wanted to do was convert USDC into USD. Unfortunately, because USDT and USD differ by only one letter, I accidentally selected USDT instead of USD. I didn’t realize my mistake until the transaction had already been completed. In less than a minute, a single misclick resulted in a loss of approximately 810 USDT—more than $800. To be honest, I was shocked and devastated. Like many newcomers, I assumed that all major stablecoins were worth roughly the same, so converting between them would involve little or almost no loss. I never imagined that such a simple mistake could instantly cost me more than 1% of my funds. I immediately contacted Kraken Support, hoping they would understand that this was an honest human error and review my case, or at least consider making a one-time exception. What disappointed me even more was that almost every response came from AI. I was never able to speak with a real support agent. The only explanation I received was that the transaction had already been executed, the conversion details had been displayed before confirmation, and therefore nothing could be reversed or refunded. I understand that Kraken may not have violated its own rules, and I acknowledge that the final amount I would receive was displayed before I confirmed the transaction. But I believe that “the information was displayed” does not necessarily mean “a new user truly understands what it means.” As a beginner, I saw what I believed was a normal stablecoin conversion. I had no idea that the number shown on the confirmation screen meant I was about to lose more than $800. If a platform expects users to recognize an $800+ pricing difference on their own, instead of proactively warning them that the conversion is unusually unfavorable, I don’t believe that’s a user-friendly experience—especially for beginners. I believe that a platform responsible for customers’ assets should do more than simply display numbers. It should also be designed to help users avoid obvious mistakes that can lead to significant financial losses. Crypto is already complicated enough. The risks users take should come from the market—not from a product design that makes such costly mistakes so easy to make. This experience has left me deeply disappointed and has almost completely destroyed my trust in Kraken. I’m not trying to deny Kraken’s rules, and I’m not asking for special treatment. I’m simply asking @kraken and @krakensupport to review my case, seriously consider improving the user experience, provide real human support when genuine mistakes happen, and consider a one-time resolution for customers who make an honest human error. If this could happen to me, it could happen to any newcomer entering the world of crypto. I hope my experience helps others avoid making the same mistake. Please double-check every click. @krakenfx @krakenpro @krakensupport

开源项目 LoopX：超长程 Agent 自主运行 200+ hours，状态不漂移。 我的技术主张是：LLM 上下文有限，长程 Agent 需要外置状态，通过完备的状态管理、监督和规划，让 Agent 无人干预时跑得稳、持续有产出；有人干预时跑得更好，能吸收反馈继续演进。 两条真实 trajectory 分别跨越 220.7 / 272.9 小时，跨多轮执行、等待、人工决策、writeback 与 resume 后，整个 loop 仍能找回目标、证据和下一步。 目前 LoopX 已有 3 个 showcase：auto PR issue fix、AutoML experiment 和 auto coredump fix。 以 OpenViking 开源仓库的 PR issue fix 为例，Agent 不只是循环写代码。它需要持续理解 issue 的不同状态，判断何时开发、何时等待、何时请求 review，处理 CI、冲突和上游变化，并连续交付多个 PR。 这对应 LoopX 的 domain state 管理：领域系统决定真实状态，LoopX 负责把状态投影成下一步可执行的工作。 与此同时，Agent 还可以在干活过程中实现能力自进化。当它发现现有系统缺少某项能力时，可以提出 feature、完成开发与验证、发布新的离线或在线版本，再使用新能力继续原来的任务。 长程 Agent 天然适合自进化，“完成工作”和“升级完成工作的系统”可以在同一条长程轨迹中发生。 LoopX 把这些信息外置成结构化控制面： • Goal / Vision：目标是什么，什么不能被局部优化牺牲 • Todo / Gate：当前执行的 frontier，以及必须留给人的关键判断 • Identity / Authority：谁能 claim、writeback、approve • Evidence / Receipt：每次推进留下什么可回读证据 • Quota / Scheduler：何时继续执行，何时安静等待 • Handoff / Recovery：换模型、换会话、换 host 后如何恢复 你也可以把它理解为一块专门给 Agent 设计的可执行 Kanban。 普通看板只展示“谁在做什么”；LoopX 的状态会直接约束和驱动下一次 bounded turn，让看板本身成为执行系统的一部分。 这套系统最强的地方是通用性。它不只可以修 PR，还可以做 auto research、长期实验、自媒体运营、复杂 feature 开发和办公任务。 Agent 不再只是一次性的回答机器，而可以围绕一个人的 vision，长期工作、等待、吸收反馈、积累证据并持续演进。 LoopX 从一开始 build in public：状态协议、CLI、控制面实现和真实运行轨迹都进入了开源仓库；它也已经和 OpenViking、NoKV 等 agent infra 项目形成了开源合作伙伴关系。 我希望 LoopX 最终能放大每个人的 vision 和想象力。只要你有自己的目标、想法或技术主张，就能拥有一个全天候继续工作和探索的 Agent 系统，帮助你把愿景一点点变成现实。 欢迎试用、提 issue、贡献代码，或者用一个真实的 multi-day task 跑 LoopX。

[前端设计 Skills 分享] Make Interfaces Feel Better 把界面的"高级感"翻译成了一套可执行、可审查的量化细节规则，能系统地发现并修复那些单个不起眼、叠加起来却决定界面高级感的细节问题。 开源作者 @jakubkrehel 👍🏻 这个 Skill 的核心设计想法 细节复利：优秀界面来自小细节的叠加，而非单一亮点。 融入既有体系：修复必须用项目现有的样式方案表达（Tailwind 项目就用 Tailwind），绝不为了润色引入第二套样式系统。 慢速审查法：在浏览器动画面板以 10% 速度重放动效，并遍历 hover/focus/active/loading/empty 所有状态——慢速下感觉不对的，就是全速下隐约出错的地方。 # Skill 的十九条原则（五大类） 1. 表面与布局（Surfaces） · 同心圆角：外层圆角 = 内层圆角 + 内边距，嵌套圆角不匹配是最常见的"感觉不对"来源。 · 视觉对齐优先于几何对齐：图标按钮图标侧内边距减 2px、播放三角形右移、不对称图标直接修 SVG。 · 阴影表达层级、边框表达结构：仅为制造深度的边框应换成三层透明 box-shadow；分割线、选中/聚焦态保留边框。 · 图片描边：1px 低透明度内缩 outline，亮色模式用纯黑、暗色用纯白（oklch 10%），绝不用 slate/zinc 等带色调的近黑——会吸附底色显得脏。 · 最小点击区域：触屏 44×44px，密集桌面端至少 40×40px，可用伪元素扩展，但两个元素的热区永不重叠。 2. 动画（Animations） · 可中断性：交互动画用 CSS transition（中途可转向），keyframes 只用于一次性序列。 · 入场拆分交错：低频入场按语义分块、约 100ms 交错；高频交互（行悬停、键入）绝不加动画。 · 退场弱于入场：小固定位移（如 translateY(-12px)），时长更短（150ms），均用 ease-out。 · 图标情境动画：固定参数——scale 0.25→1、opacity 0→1、blur 4px→0；spring 的 bounce 必须为 0；无动效库时双图标同 DOM 交叉淡入淡出。 · 按压缩放：固定 scale(0.96)，不低于 0.95；提供 static prop 关闭。 · 页面加载跳过动画：AnimatePresence 加 initial={false}，但要确认不破坏有意设计的入场。 · 动效克制：动效是预算不是装饰；动效不能是唯一反馈渠道，必须配静态提示（颜色/图标/文字）。 3. 排版（Typography） · text-wrap: balance 用于标题（≤6 行），pretty 用于正文防孤词，长文本都不用。 · macOS 根布局统一加 antialiased 字体平滑。 · 动态数字用 tabular-nums 等宽数字防布局抖动；不要求更换项目字体族。 4. 图标（Icons） · 描边粗细匹配文字字重：常规文本配 1.5px，半粗配 2px。 · 单一 SVG + currentColor，状态全靠 CSS 颜色和透明度，绝不为每个状态出独立资源。 · 默认描边样式、填充样式只标记激活态；按渲染尺寸设计；RTL 场景只翻转方向性图标。 5. 性能（Performance） · 禁用 transition: all，明确列出过渡属性。 · will-change 仅用于 transform/opacity/filter，且只在观察到首帧卡顿（尤其 Safari）时才加。 审查输出规范 Skill 对审查报告有严格格式要求，这也是它区别于普通"设计建议清单"的地方： · 覆盖声明：列出五类各自实际检查了什么，未检查的必须标注"Not reviewed"，不许暗示已审。 · 发现表格：按原则分组，含严重度（HIGH/MEDIUM/LOW）、精确到行的位置、Before/After、违反的原则及用户影响。系统性问题合并为一行并列出所有受影响位置。 · 已否决候选：必须列出 1–5 个考虑过但否决的修改及理由，防止"为改而改"。 · 验证与裁决：列出实际运行的验证命令；有 HIGH 未解决则 Block，仅中低优问题则 Needs changes，无问题才 Approve。

Thank you, @cursor_ai, for providing free credits to several FFmpeg developers. These credits will support their ongoing work on FFmpeg, including development and code review. We greatly appreciate Cursor’s support for FFmpeg and its community.