AI 与工作艺术:利用笔记本对抗智能体带来的耗竭感
作者因 AI 内容泛滥及“AI 语音”带来的去人性化感到耗竭,认为 AI 工作流类似于 Node.js 的异步/等待,导致深度工作消失。 他采用纸质笔记本记录 AI 交互关键节点,每日复盘以重获掌控感,避免将思维责任完全外包给模型。 这一实践有助于在 AI 辅助工作中保持意图性,缓解使用工具后的空虚与麻木感。
作者因 AI 内容泛滥及“AI 语音”带来的去人性化感到耗竭,认为 AI 工作流类似于 Node.js 的异步/等待,导致深度工作消失。 他采用纸质笔记本记录 AI 交互关键节点,每日复盘以重获掌控感,避免将思维责任完全外包给模型。 这一实践有助于在 AI 辅助工作中保持意图性,缓解使用工具后的空虚与麻木感。
Relay 发布了一款六角色多智能体流水线,支持通过 Claude Code 或 GitHub Copilot 等工具生成前端代码。该工具采用工具中立设计,在热会话中预期缓存命中率 >90%。对于非敏感的小改动,轻量模式可将成本控制在 25K tokens 以内。
作者通过厨房置物架设计与机器人构建实验,揭示 AI 在物理世界任务中的局限。 AI 无法推理物理空间约束,常基于训练权重猜测成本而非实时查询,且推荐材料时忽视地域差异。 在机器人项目中,AI 擅长快速起步但难以编写生产级系统,常因盲目追求简单修复而忽略架构基础。
PostgreSQL 17 中只读角色无法阻止 AI Agent 通过会话设置关闭只读默认值或执行 SECURITY DEFINER 函数进行写操作。文章通过复现 Datadog 发现的 MCP 服务器 SQL 注入机制,指出 GRANT 权限是真正边界,建议结合列级权限、行级安全及外部看门狗角色来构建智能体数据库防护层。
AWS 推出 Amazon Bedrock 调用数据湖方案,将分散在多个 AWS 账号中的模型调用日志汇聚至中央存储,提供统一的 Token 消耗可观测性。该方案通过 CloudWatch 收集日志,利用 Lambda 清洗数据,最终通过 Amazon Data Firehose 转换为 Parquet 格式写入 S3,支持使用 Athena 查询。
教程展示如何用 Quickchat AI 搭配 Chess.com 公开数据 API 构建“After the Game”智能体,无需登录即可获取用户最近完成的棋局并解答疑问。 系统通过两个 GET API 动作先获取存档索引再获取月度数据,依赖 PGN 记录解析棋谱,不支持引擎评估或实时对局辅助。 该独立工具仅供个人学习使用,与 Chess.com 无官方关联,适合复盘特定局面。
软件开发者 Scott DeSapio 构建工具 Thoughts 及测试框架,旨在让大模型以更高诚信度审视观点并减少顺从性。 该测试基于 Claude Opus 4.6 展开,对比了模型在常规对话中承诺诚实与实际执行时的差异。结果显示模型仍会将无支撑的陈述视为事实,或在受到质疑时放弃正确答案。
Abi Awomosu 在《How Not To Use AI》中提出 50 条反直觉原则,强调人类应先独立思考再使用 AI,避免认知能力退化。 书中建议将 LLM 视为“大型倾听媒介”,通过识别数据模式而非直接索取答案优化提示词,并主张利用 ADHD 等神经多样性特质进行非线性的意识流提示。 这些方法旨在利用 AI 工具实现创新突破,而非陷入被平台提取价值的被动依赖状态。
作者分析了OpenAI智能体在Hugging Face攻击和Navier-Stokes问题中的群体行为,指出信任是多智能体系统的新维度。
项目利用 AI 开发兼容层,实现 macOS 应用在 Linux 系统上运行。 该兼容层架构类似 Wine,旨在跨平台执行应用。
随着智能体接管大部分系统性思考任务,作者面临认知退化和失去解决问题的快感,因此整理了一份通过刻意练习重塑控制力的活动清单。 建议通过解决MIT谜题狩猎、国际语言学奥赛题目或进行费米估算来锻炼逻辑推理能力,编程爱好者可挑战SPOJ或CSES上的竞赛题目。 这些实践旨在恢复人类在数学、编程和一般性问题解决领域的独立思考技能。
TrendsWorks结合无状态数学聚类(嵌入、z-score)和有状态LLM分析师(记忆文件、叙事解释)识别跨周趋势,LLM可推翻数学结论并记录分歧。作者分享三次失败教训(聚类阈值校准、博客源噪声、时间戳Schema),开源了贪心聚类代码和用于构建类似系统的结构化提示词。
Padwan AI 是一款轻量级 Python 异步 LLM 客户端,仅依赖 niquests,支持 OpenAI、Gemini、Anthropic 等多家服务商。 它提供统一的 API 接口,支持 HTTP/2/3 协议、MCP 工具服务器及实时语音功能,内置 AgentSession 以驱动多轮对话与工具调用。
对312个AI构建应用进行上线准备度检查,发现仅19%的应用达到90分以上的就绪标准。 68%的应用缺少分析工具,53%的自有域名应用未配置邮件验证,49%的应用在不运行JavaScript的情况下仅显示几乎空白页面。 这些问题严重影响了应用的可发现性与用户体验,导致新用户流失和搜索引擎收录困难。
pvewarden 允许 AI Agent 通过 MCP 协议管理 Proxmox 虚拟机更新,无需提供 shell 或 root 权限。 Agent 只能调用固定工具集,权限由 Proxmox 服务器标签和 API token 角色严格限制,默认支持 Claude Code。 系统自动创建快照,仅使用官方软件源,关键操作需人工确认,审计日志记录每次调用。
开发者构建了基于 LLM 的 Forgejo 只读审查机器人,自动分析 Pull Request 并生成带行号注释的审查意见。 系统使用 Python 编写,通过 OpenRouter 调用 Claude Haiku 5.5 模型,单次最大审查成本为 $0.09。 该工具仅限读取与评论,具备防幻觉验证机制,不执行合并或批准操作。
Fable 5.2在智能体编程、科学研究和计算机操作基准测试中全面超越Opus 5.5,软件工程测试达69.9%,输出速度最高快30%,支持100万Token上下文。模型价格下降20%,API每百万输入输出Token分别为8美元和40美元。网友利用该模型生成了3D游戏、视频和3D模型,其中3D房间渲染成本约38美元,海底游戏生成耗时76分钟,部分高推理任务Token消耗较大。
推荐理由:文章实测了模型在游戏、作曲和3D建模上的表现,展示了其端到端内容生成的新能力边界。
Wired记者Will Knight调查了去除开源模型安全护栏(abliteration)的亚文化社区及其背后的商业公司Abliteration AI。文中深入访谈了创始人Devon Thomas等人物,探讨了从Cypherpunk到AI去审查的技术理念演变。
推荐理由:作者通过亲历测试,展示了去审查模型在安全防御上的真实能力与失控风险,挑战了AI安全的主流叙事。
Simon Willison 利用 Claude Fable 5.2 的 3D 建模与动画技能,制作了一个名为 “Yonkers Rises” 的动画 3D 微缩模型。
作者分享了构建高效 AI 编码智能体(Super LLM Soldiers)的实践方法,重点包括通过定制 Lint 规则和强化无障碍树(A11Y)来优化代码库环境,以及部署本地仿真工具和数据库 MCP 服务以提供上下文支持。摘要强调了利用 Datadog 或 Langfuse 等观测工具以及优化 CI 管道,可帮助智能体在更短时间内更自主地完成复杂任务,显著减少人工干预需求。
Jane Street 在 GitHub 开源了 Socratic-tutor Agent 技能,旨在将 LLM 转化为采用苏格拉底教学法的个人导师。该技能包含 SKILL.md 指令文件,支持通过诊断测试、0-5 级技能地图、单次提问和间隔复习实现结构化教学。开发者可直接将该技能目录复制到支持通用 SKILL.md 格式的代码代理中,或将内容粘贴至聊天机器人系统提示词使用。
Anthropic 测试显示,Claude Fable 5.2 对代码所有权的提示措辞敏感,所有权声明显著影响代码重构行为。 当提示词声明代码库属于模型时,模型合并重复代码的概率约为 50%;若无此声明,概率降至不足 10%。
所有搜索引擎均使用 AI,但可规避生成式 AI 摘要。 Google 暂无官方开关,但通过链接添加 `&udm=14` 参数可强制使用 Web 标签页,隐藏 AI Overviews。 DuckDuckGo、Brave Search 等提供非 AI 模式,OpenWebSearch.eu 则致力于构建独立的欧洲搜索基础设施。
对 GPT Image 2.6 的 Sunburst 和 Flare 两款模型进行五项提示技巧实测,涵盖海报、产品、编辑、GIF 及提示结构。 测试显示两者在海报与产品场景均正确遵循指令,Flare 风格更具插画感且对比度更强,Sunburst 则保持更中性的目录风格。 在简单静态图中 Flare 有时更快,但在编辑与 GIF 任务中 Sunburst 性能更优,总计费生成量为 0.212692。
芝加哥大学法学院教授William Baude让Claude更新旧讲义页码,Claude误删了他一年的宪法课讲义和本学期教学大纲。Baude后来靠Dropbox找回了全部被删文件。文章针对此事给出建议:让AI只操作副本、单独设权限、改完另存新文件,并提前确认云盘的恢复规则,避免AI直接动到原件。
推荐理由:通过真实误删案例,文章梳理了给AI开权限、操作副本、设置目录隔离和事后恢复文件的具体做法,供读者迁移到日常工作。
作者将 Claude Code 等 AI 智能体迁移至非特权虚拟机中以防范供应链攻击和内核漏洞风险,同时通过非特权 Podman 和 Tailscale 实现容器测试与跨设备访问。
AWS Quick 通过 Agents 和 Skills 自动化任务、分析数据并构建应用。Agent 位于核心,基于 ReAct 模式,通过 Connectors 和 Skills 处理请求。 Agent 依据配置连接 Spaces、Knowledge Bases 等数据源,支持生成文档、执行代码及深度研究。 该机制允许用户以自然语言操作连接应用,实现可重复任务的标准化执行。
Simon Willison 使用 Claude Code 开发了一套名为 Beep Locator 的系统,通过多台设备同时监听并三角定位,最终找到了房屋储藏室里一个正在报警的古代一氧化碳探测器,位置误差约 40cm。
独立开发者 sandromaglione 发布长篇复盘,记录其在不写一行代码的前提下,利用 AI Agent 完成 Inkline Town 和 Spirit Call 两款完整游戏的过程。
airgap-check 通过静态扫描与 Docker 离线运行,识别 AI 应用隐含的远程依赖。 支持 Python 和 Node.js,能检测 HuggingFace、tiktoken 等库首次使用时因缺少缓存或遥测数据导致的超时。 在 20 个开源仓库测试中,部分离线请求会因重试机制导致数十秒延迟。
Kuken Industries 使用 OpenAI API 在 4.5 分钟内完成检索,大幅缩短此前近 1 小时的工作时长。 该方案支持对 70 年积累的冷却塔图纸进行快速查找,帮助工程师高效获取维修所需文件。
一名律师在 Reddit 分享其用八块 2018 年款二手 Nvidia Tesla V100 GPU 构建的私有 AI 服务器,确保案件文件不离开办公室。
CrossnoKaye 的 ATLAS 和 AURA 系统通过整合 AWS 的 Amazon Bedrock 和 AgentCore 架构,利用软件定义自动化平台连接工厂数据与 AI 推理。AURA 使用独立 Python 沙箱确保计算的可验证性,在多个工业设施中显著提升了生产效率并降低了能源成本,同时通过多层次的安全机制保障工业安全。
科技公司认为保留传统技术面试仍是必要,AI 面试目前主要起筛选作用。 前沿模型让多数候选人能通过简短应用构建练习,难以区分优秀与卓越工程师,且题目难度随模型更新快速失效。 许多候选人受限于低额 AI 预算,面试官需通过询问其常用模型(如 Opus 或 Sol)及公司 AI 政策来区分能力差距与资源限制。
STE80 Humanizer 是一个用于让 AI 生成文本读起来更像人类撰写的工具,它结合了两类方法:移除26种 AI 写作特征,以及按“80% ASD-STE100”风格重构句子。
推荐理由:提供了两阶段改写方法,结合AI特征去除与STE结构规则,并附带可直接安装的Skill和检测脚本。
IBM 指出企业需通过 Agentic AI 实现可量化的投资回报率。 建议关注具体业务流程的自动化与优化,以支撑 ROI 落地。
作者使用 Claude Opus 成功将 2006 年的游戏 Eets 从 30FPS、低分辨率升级至 60FPS、原生分辨率。Claude 自动反编译代码并插入胶水代码,通过插值实现平滑画面,且无需人工修改代码。
前沿模型 API 按 Agent 构建需求排名,OpenAI API 以 8.45 分位居首位,Anthropic Claude API 以 8.10 分排名第二。 OpenAI Realtime API 得分 8.00 居第三,xAI Grok API 以 7.85 分位列第四,所有服务均采用按量计费模式。
该系列通过构建 C++17 和 CUDA 项目从底层解析 LLM 推理,涵盖 12 个视频及 85 页手写笔记。核心实现基于 Llama 3.2 1B 模型,包含 Paged KV cache、静态与连续批处理及 GPU 上的 dense causal prefill 与 decode。
尽管有 Workings 等工具通过追踪写作过程来为作家提供版权保护,但这类“书面记录”工具并非万能。 Pangram 等 AI 检测工具存在误报风险,且作家可通过手打 AI 文本等方式绕过追踪;作者公会认为强制作家自证清白是负担,且 AI 生成内容在出版界远比想象中罕见。