Jason Zhu (@GoSailGlobal)

🎬 apimart 上新：豆包 doubao-seedance-2.0-mini apimart に Doubao Seedance 2.0 mini 登場 🇯🇵 同 9 张关键帧、同 prompt、同 15s、R2V 实测 doubao-seedance-2.0-mini vs HappyHorse 1.0 ✅ 价格官方原价（比 HH 便宜 3-5×） ✅ 不卡人脸（face 变体直出真人） ✅ 7 月 Seedance 2.5 上线，依然原价；有官方折扣同步透传 🔗 同一个忠犬八公，9 张关键帧 R2V 实测 「忠犬ハチ公」9 枚キーフレーム R2V 实测 HappyHorse 1.0 vs Seedance mini 价格便宜 3-5×，不卡人脸，画风电影感 💰 便宜 3-5×・激安 👤 不卡人脸・顔OK 🎬 画风更电影感・映画的 📊 数据对比（同输入） HappyHorse vs Seedance mini 比特率 6.98 Mbps vs 5.30 Mbps 画风 暖萌插画感 vs 冷调电影感 节奏 慢 vs 快推进 1-2 panel 真人脸 ❌ 卡 vs ✅ face 变体放行 费用 ~$1.49 vs ~$0.30-0.50 doubao-seedance-2.0-mini 更忠于参考图，HappyHorse 更"图画书翻页" mini はリファレンスに忠実・映画的構図

现在的 OCR 处理几十页文档，是逐页跑的 每翻一页，记忆清零一次 百度今天悄悄在 GitHub 和 HuggingFace 开源了一个模型，叫 Unlimited OCR，它的灵感，来自人类抄书： - 你抄一本书，不会每写一个字就把前面几百页重读一遍 - 你只瞄一眼附近写到哪了，剩下的，做的是「软遗忘」 - 人就是靠这种低负荷的连续认知状态，扛住了长程任务 百度把这个直觉，做成了一个注意力机制 R-SWA（参考滑动窗口注意力）： 每个 token 看得到整张图，但输出端只回看最近 128 个 token KV Cache 全程恒定，不随页数膨胀 结果是：在 32K 上下文下，一次前向推理，转录几十页文档，从逐页 for-loop，变成一口气抄完 逐页 for-loop 是工程权宜 连续的认知状态，才更像智能该有的样子 百度最近的路子，确实不太一样了 🌟 🌟

别看这马尾辫很宅男风，但代码减少量是实打实的 ponytail 的核心，是一道写代码前必须先爬的阶梯 agent 动手前，停在第一个能成立的台阶上： 1 这东西需要存在吗？不需要就跳过（YAGNI） 2 标准库能做吗？能就用 3 平台原生功能有吗？有就用 4 已装的依赖能做吗？能就用 5 一行能搞定吗？那就一行 6 实在不行，才写「能用的最小实现」 关键是它「懒而不渎职」： 信任边界校验、数据丢失处理、安全、可访问性，这四样永远不许砍 两个我特别喜欢的设计： 每处走的捷径，都在代码里留一条 ponytail: 注释，标明将来怎么升级 /ponytail-debt 命令，把你欠下的这些捷径收成一本账，免得「以后」变成「永远」 跨 11 个 agent 通用（Claude Code / Codex / Cursor / Gemini / Copilot…） 🔗

介绍下 GOSAIL LAB：一个专门做 AI 产品营销推广的工作室 我们不做万金油代运营，只做一件事：帮 AI 产品 Founder 和独立开发者，把"好产品没人知道"这个问题解决掉 具体能做： ✅ 平台冷启动：X / 小红书 / 知乎 / B 站，从内容定位到首批用户 ✅ 创始人 IP：把你和你的产品故事写成能传播的内容 ✅ PMF 验证：用真实流量帮你判断哪个钩子最能打中市场 ✅ 顶流 KOC/KOL 联动：圈层内的真实创作者，不是水军 号 如果你的产品确实做得好，但卡在"没人知道"，欢迎来聊 🎥 介绍视频在这👇

AI agent 这个词被吹了一整年 真打开看 一共 300 行代码 GitHub 有个项目叫 Simple-ReAct-Agent 把 ReAct 论文那个循环直接写了一遍 没用 LangChain，没用 LlamaIndex，没用 AutoGen 就是一个 while 循环 循环里只有三件事 第一 把当前历史 + 任务 + 工具列表 拼成 prompt 喂给模型 第二 模型输出 Thought / Action / Action Input 第三 执行 Action 把结果拼回历史 进下一轮 完事！！！ · 300 行看完一遍，几个被框架包装得很玄的概念立刻祛魅 memory？历史拼接 tool？JSON schema + 函数指针 planning？让模型在 Thought 里写下一步该干什么 self-correction？把错误结果也拼回历史 让模型自己看到然后改 · 但最有杀伤力的发现，不在祛魅这一段 是作者那句 「Action 可以是任何东西」 你给 agent 接了 shell.exec 就等于把 rm -rf 交给了模型 最近几条新闻全是这么来的 agent 自己 commit 把 API key 写进了仓库 agent 自己 npm publish 把 推上去 agent 跑了一个不该跑的 shell 命令，把机器删了 agent 跟工具单独看都没问题 问题出在「工具暴露面」这一层被低估了 · 第二个被忽略的细节 context window 每一轮都把整段历史重发一次 10 步循环，同一段 prompt 送进模型 10 次 prompt caching 能省一些 但省不掉结构性消耗 · 作者那句话挺扎心 「让你少烧 token 这件事，不在 provider 的商业利益里」 · 写完这 300 行 你能换一种视角看每一个 AI 助手 我的 context 里现在装着什么 我接出去的工具能碰到什么 模型答错的时候，损失会从哪一处扩散 Prompt 在这一切里的权重到底有多大（剧透 非常大） · GitHub · 原文（300 行代码 + 完整拆解）

2026 找工作 = 你和算法过招。 简历投 200 份没回音，不是你不行 —— 是 ATS 已经在用 AI 筛你了。 5 类对手已上线：CV 优化 / 实时面试 copilot / LinkedIn 自动 outreach / 一键投递 / 行业 prep。 你的求职 stack 也得是 AI 的。 📚 完整 25 个工具：