lifcc (@mylifcc)
@mylifcc
0 正在关注 0 粉丝
Cloudflare 悄悄开源了一个文档框架，叫 Nimbus。
它的口号是：文档要同时写给人和 AI agent 看。
我翻完 README，觉得这个方向可能会改变以后大家写文档的方式 🧵
显示更多
为了不给 Adobe 付一个月 20 刀的订阅费…
国外有个老哥干了一件极其抽象的事： 他直接烧了 2000 美元的 AI Token，硬生生用 Vibe Coding 手搓了一个本地版 Photoshop 出来。
没错，花了能开 8 年 PS 会员的钱，就为了退订 Adobe 😅
但看完产品我跪了： 不仅 Win/Mac/Linux 全平台离线跑 图层、曲线、蒙版、液化全齐 甚至还把最恶心的「原生读写 .PSD」给啃下来了。
现在这玩意儿完全免费开源，直接冲上了 Reddit 几个技术大榜第一。
有人笑他算不清账：花 2000 刀省 20 刀？ 但我只看到了极其恐怖的一点：
以前需要几十人工程团队开发两三年的专业级桌面软件 现在一个人 + 2000 刀算力，就能直接把核心护城河给掀了。
传统 SaaS 靠堆砌基础功能收租的时代，真的要到头了。
如果是你，你愿意花 2000 刀买“代码自由”，还是老老实实给大厂交租？👇
显示更多
投中滴滴、饿了么、小红书的朱啸虎，最新专访里说了三件狠事：
> 今年可能是大模型的最后一年。等 Anthropic 和国内几家上完市，故事就讲完了。3–5 年内开源会取代闭源，模型最后就是水电煤。
> 宇树 4000 亿估值太夸张。近 200 家人形机器人公司差别很小，行业要洗三四轮，最后赢的是华为、小米、比亚迪这种有供应链的。
> 这波 AI 创业没有壁垒，他只看增长，月增 20% 是及格线。
显示更多
新西兰工程师 Robert O'Callahan（X 账号 @rocallahan）今天从 Google 辞职了。
工作本身和同事他都喜欢，但他所在的 Google DeepMind（GDM）团队正在做新一代芯片，目标是让 AI 更快、更便宜。
他认为 AI 现在已经推进得太快了，所以选择离开。
哇哦，google也非常快乐
显示更多
I resigned from Google today.
I enjoyed my work and loved the people, but my GDM team was working on a new generation of chips to make AI much faster and cheaper, and I think AI is already progressing too fast, so I had to quit.
显示更多
我只给 Claude 发了一句话："发挥你的想象力，做一个你觉得有创意的动画，你可以先设计思路。"
它交回来一部近三分钟的水墨短片：一滴墨落进水里变成鱼，鱼跃出水面化成鹤，鹤散成云，云落成雨，雨汇成江，最后写成一首诗，回到砚台。
没有一张图片，没有一个音频文件。
显示更多
oai不给开200刀会员，这里还可以开，开了之后下个月到期可以自己续费，也可以点击链接续费
开通很贵，但是之后续费是正常价格
真是离谱了，oai取消200刀的套餐，居然是在给500刀套餐铺路。
现在100刀的套餐是原来200刀额度的1/4。不如改名50刀套餐🤡
同样的20刀套餐，codex有300刀月额度，而claude则有1200刀
显示更多
OpenAI的行为的个人分析，他们觉得200刀会员的额度倍率太亏了，直接取消倍率会有大量用户负面情绪。干脆直接下架。
再上一个500刀的会员，这个会员就赌你用不完。要么选择低倍额度的100刀，要么选择高价格高额度的500刀，我们假设500刀是40的倍率，大概每周20000刀。500刀会员能每周用完的，都是🐮人。
可能大家觉得不就500刀，但是算上重置呢？这意味着大家要在一周内用完20000刀token，否则重置就不是重置，是时间顺延
显示更多
真是离谱了，oai取消200刀的套餐，居然是在给500刀套餐铺路。
现在100刀的套餐是原来200刀额度的1/4。不如改名50刀套餐🤡
同样的20刀套餐，codex有300刀月额度，而claude则有1200刀
显示更多
汇总一下免费模型：
1. Empero（德国实验室，两个都能打）
这是这两天 X 上提得最多的。
站点：
Base URL：
Key：随便填，常用 free
模型：glm-5.3-flash、qwen3.8-flash（就是 Flash-Next）
注意：prompt 和回复会记下来（IP 哈希），用来训他们自己的开源模型。别丢隐私。忙的时候容易 503，重试就行。
2. AIHubMix
站点：
Base URL：
免费项是 Coding GLM 5.3：5 次/分钟、500 次/天、每天 100 万 token
需要注册拿 key。页面上没看到免费 Qwen3.8-Next。
3. Cline
装 Cline 登录就能用 GLM-5.3 / Flash，不用自己配 API。
站点：
适合直接写代码，不适合你自己搭 gateway。
4. TokenHarbor
站点：
Base URL：
Qwen3.8-27B 有免费档，GLM-5.3-Flash 已上架（标价大约 $0.15/M input，新用户通常有一点额度）。也常见 DeepSeek V4 Flash、MiMo V2.5。
5. TokenRouter
站点：
Qwen 3.8 Max 免费、额度很大。这种「旗舰白嫖」消失很快，进去先看模型是不是还标 $0。
6. HiLinkup
官方号刚发：GLM-5.3-Flash 8/27–9/2 限时免费（到 23:59 GMT+8）。OpenAI 兼容，改 Base URL + Key 就能接进现有 agent。
7. 0 积分
他们文档写明：GLM-5.3-Flash 的 API 和 Chat 目前按 0 Credits 结算。
站点：
文档：
要注册。限时活动，结束就恢复原价。想接 Cursor / Claude Code，优先看这个。
显示更多
免费模型太多了，我不太想发了，发了怕影响自己的权重，不发又觉得这些东西有点浪费，我本是一个AI拆代码博主- -
我把 Claude Code 2.1.234 的包拆开了
昨天我想弄清楚一件小事。两个 Claude Code 窗口互相传话，底下走的是什么。
结果有两种传递方式：
本机session之间传消息用的是 Unix Domain Socket（UDS）
跨机器走云端
可以把它想成每个Claude Code窗口在本机开一个只属于当前系统用户的收件箱。另一个窗口往这个 socket 里丢一行纯文本。/status 里那行 Peer address 前面的 uds:，就是这个东西。
显示更多
把 DeepSeek Harness 的源码翻了一遍，发现一个挺有意思的变化：
它根本没把 Prompt 当成一段 System Prompt。
而是把 Prompt 做成了一个 Runtime。
大概是：
Identity
+
Persona
+
Tool Guidance
+
Runtime Context
+
Tool Schema
+
Variables
+
Middleware
最后动态 Assembly 成模型看到的东西。
这意味着一个能力不再只是：
Tool + Code
而是：
Tool + Schema + Prompt Guidance
谁负责这个能力，谁就负责告诉模型“应该怎么用”。
比如 shell 自己拥有 shell 的 Prompt，filesystem 自己拥有 filesystem 的 Prompt，web 自己拥有 web 的 Prompt。
这其实很像软件工程里的模块化：
Capability = Implementation + Interface + Model-facing Instructions
更有意思的是，它还把 Prompt 分成了不同 Scope。
Global Prompt
↓
Agent Scope
↓
Agent-specific Override
所以不同 Agent 可以继承、覆盖或者增加自己的 Prompt。
这就不是传统的：
“给所有 Agent 塞一个巨大的 System Prompt”
而更像：
Prompt Dependency Injection。
还有一个我觉得特别重要的设计：
DeepSeek 把 Runtime Context 和 Prompt 分开了。
比如 cwd、git 状态、当前任务这些动态信息，不需要每次都修改稳定的 System Prompt，而是作为动态 Context 注入。
于是：
Instruction = 我应该怎么工作
Context = 我现在处于什么状态
Tools = 我现在能做什么
三者被明确拆开。
甚至 Prompt 里的变量也不是简单的 string.format。
未知变量、malformed variable、重复 section 等情况，会倾向于直接 fail。
换句话说：
DeepSeek 把 Prompt 当成了“程序”，而不是文案。
还有一个很容易被忽略的东西：
Tool Schema 本身就是 Prompt Engineering。
Tool 的名字、description、参数描述、tool ordering、tool availability，都在影响模型行为。
所以模型最终看到的其实不是：
System Prompt + Tools
而是：
Instructions + Context + Capabilities
统一组装。
我觉得这才是 DeepSeek Harness 最值得研究的地方。
它真正想解决的可能是
“怎么构建一个可以持续演进的 Prompt Runtime？”
如果这个方向继续发展下去，未来的 Agent Prompt 可能不会再是一份几千行的 system prompt。
而会更像一个软件工程项目：
/identity
/persona
/tools
/context
/agents
/middleware
/variables
每个能力自己携带自己的 Prompt。
Prompt 从“文案”变成“基础设施”。
这可能才是 Harness Engineering 真正有意思的地方。
显示更多
做一个下dsh和pi的对比
Pi 的目标是“最小核心 + 用户自己拼”，DSH 的目标是“几乎所有能力都插件化，官方先给你几套完整组合”。
DSH 的骨架是Cordis。
Cordis 不是普通插件加载器，它强调两件事：
1. 可逆副作用（temporal composability）：插件卸载时，注册的服务、事件、工具 schema、prompt section 全部自动撤销。
2. 依赖声明与空间组合（spatial composability）：插件通过 `inject` 声明需要什么服务，运行时按依赖挂载。
所以在 DSH 里：
- 模型适配器是插件
- 工具注册表是插件
- session log 是插件
- agent loop 本身也是插件
- 甚至 UI 也是插件
没有“神圣不可动的核心”。你想换 loop、换工具策略、换上下文压缩，挂一个新插件 + 改配置就行。
启动时是 Profile + Bundle叠出来的：
空根 → dsh-base（模型、工具、沙箱、凭证…）
→ dsh-web-app 或 dsh-headless
→ 用户自己的 cordis.patch.yml
→ 命令行 --patch
`dsh --profile web --dump-config` 能直接把当前实际挂载的树打出来。
Session 设计是硬核部分
Session 是 append-only 的事件流
模型最终看到的上下文，必须能从这条 log 完整重建出来。官方写得很死：
> Model-visible means logged.
任何会进模型请求的内容，都要先变成 session event。
所以 fork、resume、回放、UI 渲染、telemetry，全部从同一条流投影。这点比大多数 coding agent 做得更彻底。
Turn / Step 有claudecode的影子，流程如下：
turn/start
→ claim input
→ agent/pre-step（可拦截、可改写）
→ step/start
→ llm/stream
→ tool/call → tools/pre-execute → execute → post-execute
→ step/end
→ 继续 or turn/end
`agent/pre-step`、`tools/*` 这些是 waterfall，监听者必须显式 `next()` 才能往下传。扩展点设计得很规整。
Pi 的实际交集
DSH 仓库里有一个包：
`@deepseek-ai/dsh-llm-pi-ai`
它就是把 pi-ai当成 LLM 适配器的后端。
多 provider、协议兼容、reasoning effort 映射、catalog 覆盖，都走 pi-ai 的能力，再包一层 Cordis 插件契约。
所以：
- LLM 调用层：吃了 Pi 的基础设施
- Agent 编排、工具、session、UI、沙箱：完全自己的 Cordis 体系
“LLM 适配层直接用了 pi-ai，上层重做了一套更重的可组合 Runtime”。
模式上的对应
DSH 的 Minimal 模式才最接近 Pi 的默认体验：只留 shell + 文件编辑器，专门给 benchmark 用。
官方之前在 V4 的 agent 评测里就用过这个模式。
Standard 模式和 Code（PTC）模式则是完整工具集 + 程序化工具编排，已经远超 Pi 默认的 4 工具。
如果你喜欢 Pi 那种“核心极瘦、自己动手加东西”的感觉，DSH 会显得重，配置和概念也更多。
如果你要的是可替换的 agent loop、完整事件回放、多模式预设、以及官方已经搭好的 Web 界面，DSH 的插件树和 seam 设计更系统。
一句话：
Pi 是极简可扩展的 coding harness；DSH 是基于 Cordis 的完整 Agent Runtime，LLM 层复用了 pi-ai，但整体不是同一套代码。
显示更多
做一个下dsh和pi的对比
Pi 的目标是“最小核心 + 用户自己拼”，DSH 的目标是“几乎所有能力都插件化，官方先给你几套完整组合”。
DSH 的骨架是Cordis。
Cordis 不是普通插件加载器，它强调两件事：
1. 可逆副作用（temporal composability）：插件卸载时，注册的服务、事件、工具 schema、prompt section 全部自动撤销。
2. 依赖声明与空间组合（spatial composability）：插件通过 `inject` 声明需要什么服务，运行时按依赖挂载。
所以在 DSH 里：
- 模型适配器是插件
- 工具注册表是插件
- session log 是插件
- agent loop 本身也是插件
- 甚至 UI 也是插件
没有“神圣不可动的核心”。你想换 loop、换工具策略、换上下文压缩，挂一个新插件 + 改配置就行。
启动时是 Profile + Bundle叠出来的：
空根 → dsh-base（模型、工具、沙箱、凭证…）
→ dsh-web-app 或 dsh-headless
→ 用户自己的 cordis.patch.yml
→ 命令行 --patch
`dsh --profile web --dump-config` 能直接把当前实际挂载的树打出来。
Session 设计是硬核部分
Session 是 append-only 的事件流
模型最终看到的上下文，必须能从这条 log 完整重建出来。官方写得很死：
> Model-visible means logged.
任何会进模型请求的内容，都要先变成 session event。
所以 fork、resume、回放、UI 渲染、telemetry，全部从同一条流投影。这点比大多数 coding agent 做得更彻底。
Turn / Step 有claudecode的影子，流程如下：
turn/start
→ claim input
→ agent/pre-step（可拦截、可改写）
→ step/start
→ llm/stream
→ tool/call → tools/pre-execute → execute → post-execute
→ step/end
→ 继续 or turn/end
`agent/pre-step`、`tools/*` 这些是 waterfall，监听者必须显式 `next()` 才能往下传。扩展点设计得很规整。
Pi 的实际交集
DSH 仓库里有一个包：
`@deepseek-ai/dsh-llm-pi-ai`
它就是把 pi-ai当成 LLM 适配器的后端。
多 provider、协议兼容、reasoning effort 映射、catalog 覆盖，都走 pi-ai 的能力，再包一层 Cordis 插件契约。
所以：
- LLM 调用层：吃了 Pi 的基础设施
- Agent 编排、工具、session、UI、沙箱：完全自己的 Cordis 体系
“LLM 适配层直接用了 pi-ai，上层重做了一套更重的可组合 Runtime”。
模式上的对应
DSH 的 Minimal 模式才最接近 Pi 的默认体验：只留 shell + 文件编辑器，专门给 benchmark 用。
官方之前在 V4 的 agent 评测里就用过这个模式。
Standard 模式和 Code（PTC）模式则是完整工具集 + 程序化工具编排，已经远超 Pi 默认的 4 工具。
如果你喜欢 Pi 那种“核心极瘦、自己动手加东西”的感觉，DSH 会显得重，配置和概念也更多。
如果你要的是可替换的 agent loop、完整事件回放、多模式预设、以及官方已经搭好的 Web 界面，DSH 的插件树和 seam 设计更系统。
一句话：
Pi 是极简可扩展的 coding harness；DSH 是基于 Cordis 的完整 Agent Runtime，LLM 层复用了 pi-ai，但整体不是同一套代码。
显示更多
DeepSeek 这出戏，挺离谱的。
8月12日深夜，V4 Pro 正式版几乎没声没响就上了。API 文档把版本号改成 DeepSeek-V4-Pro-0813，官网首页也挂了句提示，官方群里还甩出一组很高的 Agent 分数，Terminal Bench 2.1 到了 87.9，DeepSWE 直接拉到 62.7。看着像是从 Preview 正式转正了。
结果当晚到第二天凌晨，社区实测一片骂声。最明显的问题是思维链。复杂任务本来该好好想一阵子，结果很多场景思考时间压到 10 秒以内，有的甚至直接开写。长程 Agent 任务还容易早停。同一条直升机 3D 游戏任务，凌晨 0 点左右做出来很糙，过了不到 4 小时再测，已经能完整跑出像样结果。差距大到像换了个模型。
很多人怀疑不是权重本身废了，而是集群部署、推理配置或者服务端 Harness 出了问题，正式版当时根本没跑满。
北京时间今天凌晨 3 点左右，疑似紧急回滚了一波。之后表现明显好转。官网首页的发布公告和开放平台公告也跟着撤了，只剩 API 文档里版本号还在。
到今天下午，官方才正式发推宣布 V4 Pro 上线，APP、网页、API 同步更新，并放出完整更新说明。思考强度支持 low / high / max 三档，原生支持 Responses API，还专门适配了 Codex。价格也要调，8 月 17 日起实行峰谷定价。
现在 0813 已经重新挂出来，权重也上了 Hugging Face。但昨晚那一晚的翻车，确实让人觉得发布节奏和线上稳定性之间，还有不小的缝。难道是用ai发的？
显示更多
OpenAI 内部已经看到了比现在 Codex 更进一步的结果。
他们认为 AI coding / agent 的使用方式马上要再跳一次台阶，而不是线性小改。
本地 laptop 级别的 harness 很快会触到天花板，真正把下一代模型用起来，需要更重的基础设施和系统设计。
下一代模型的能力已经强到，单靠本地笔记本电脑的算力 + 简单 agent 循环已经不够用了。意思是agent将会在一台电脑上无休止的运行任务，这个时候如果你有一百个任务，你需要不止一台电脑才能支撑，不然会卡死，会有网络问题。
可能需要更强的基础设施（云端大规模推理、多机协作、更复杂的工具生态、更持久的状态/记忆系统、更重的验证与规划层等）。
换句话说，agent 的“运行环境”本身正在从“个人电脑上的一个程序”升级成需要更重资源的系统。
显示更多
Given some of the results I'm seeing recently, it's pretty clear Codex is a good harness.
But it will seem primitive in 2-3 months and we're about to go through another major evolution in how we use AI at the frontier. The next generation of models need more than your laptop.
显示更多
绝了！Cloudflare直接把Kimi和GLM这两大顶级开源模型优化到起飞！
又快又便宜，精度还不掉！中国模型出海部署直接降维打击！ 技术党速看这篇神文
Kimi and GLM are some of the best open models available. They're also some of the hardest to serve efficiently. Check out this writeup to learn how we're making them faster and cheaper without losing accuracy.
显示更多
