1. 文章
1.1 重构开发范式：AI 时代下全栈开发的实践与思考
- 从“搬砖”到“架构”： 编写具体的 CRUD 代码已不再是核心竞争力。定义 Skill、设计系统边界、构建让 AI 高效工作的“上下文环境”成为新的关键能力。
1.2 我研读了 Hermes Agent 的记忆系统，它弥补了 OpenClaw 的设计缺陷 - Lumina
- Hermes 在 ~/.hermes/memories/ 下的两个文件中存储持久性记忆： 文件目的限制MEMORY.md智能体关于环境、约定、工具怪癖、经验教训的笔记2,200 字符USER.md用户配置文件：偏好、沟通风格、身份1,375 字符
- 如果 MEMORY.md 和 USER.md 是 Hermes 的热记忆，那么 session_search 就是其长尾回忆系统。
- 当模型需要从之前的对话中回忆某些内容时，Hermes 不会 搜索 MEMORY.md。它会搜索会话数据库。
1.3 Harness Engineering — Agent 不好用，也许不是模型的问题 - Lumina
- Harness 就是除了模型权重以外的一切。
- Prompt Engineering 大家已经很熟了——few-shot、CoT、角色扮演。
- Context Engineering 是 2025 年 Karpathy 推动的概念升级。核心思想是：不要只关注 prompt 本身，要关注 整个上下文窗口的管理 。LangChain 总结了四个策略：Write（写到外部存储）、Select（按需检索）、Compress（压缩）、Isolate（隔离子任务的上下文）。
- Harness Engineering 再往外扩一层：不只管上下文窗口内的事，还管 执行环境、工具、持久化、反馈循环、架构约束 这些上下文窗口之外的东西。
1.4 理解 KV Cache 与 Prompt Caching：LLM 推理加速的核心机制 | chaofa用代码打点酱油
这里的 Q / K / V 分别就是：
Q = Query（查询向量） K = Key（键向量） V = Value（值向量）
它们是 Attention 机制里，每个 token 在每一层都会生成的三种表示。
假设你在会议室里问问题：
Q = 你心里要找的问题关键词 K = 每个人胸前挂的“我懂什么”的标签 V = 那个人真正能说出来的内容
流程就是：
你拿着自己的 Q 去和所有人的 K 做匹配 匹配分高的人更值得关注 然后把这些人的 V 按权重加权汇总 得到你这一刻的新理解
这就是 Attention。
为什么要分成三个，不直接一个向量不行吗？
因为这三个角色不同：
Q 负责“主动发起匹配” K 负责“被匹配” V 负责“被取用的信息内容”
如果只用一个向量：
匹配空间和内容空间耦合在一起 表达能力更弱 模型更难学到“用什么标准检索”和“检索到后返回什么内容”这两个不同任务
总结：
在朴素实现里，每一步都会对整个序列所有 token 重新计算各层的 Q/K/V，并重新做 attention。 但在增量解码时，历史 token 的 K/V 可以缓存复用，因为它们对未来 token 来说是固定“记忆库”； 每一步只需要为新 token重新计算当前层的 Q/K/V，然后用它的 Q 去和缓存的历史 K 做匹配，再对缓存的历史 V 做加权汇总。
其他
- 如果两次 API 调用的 prompt 有相同的前缀，那么第二次调用可以直接复用第一次 Prefill 阶段算出来的 KV Cache，跳过前缀部分的 Prefill 计算。
- 多轮对话：每轮对话的 prompt 都以之前的对话历史作为前缀
- 相同 system prompt：同一个应用的所有请求共享相同的 system prompt 前缀
- Agent 系统：Agent 每一步的 prompt 都是上一步的 prompt 加上新的 action/observation
- 必须从第一个 token 开始完全一致，一个 token 的差异就会导致该位置之后的 cache 全部失效。
- 这个"前缀精确匹配"的约束，在 AI Agent 系统中变得尤为关键。Agent 每一步都要发送越来越长的 context（历史对话 + 工具调用结果），如果不精心设计 prompt 结构，cache 命中率会很低，成本和延迟都会飙升。
1.5 Agent 系统中的 Prompt Caching 设计（上）：Cache 破坏、Prompt 布局与工具管理 | chaofa用代码打点酱油
-
Prompt Cache 不只是一个省钱技巧，它是 Agent 系统架构设计的核心约束。
-
prompt 怎么组织？→ 稳定内容放前面，变化内容放后面
-
工具怎么管理？→ 工具列表固定，通过其他机制限制可用范围
-
状态怎么切换？→ 不切换工具，用工具模拟状态转换（Claude Code Plan Mode 就是最好的例子）
-
context 怎么压缩？→ 压缩操作本身必须 cache-safe
-
模型怎么选？→ 不在同一会话中切换，用子代理隔离
-
前缀不变：system prompt、tools、早期历史永远不修改
-
追加不修改：Append-only，永远不编辑历史消息
-
工具定义稳定：tools 数组不变，通过其他机制控制可用范围
-
动态信息后置：时间戳、环境状态等放在后面的 user message 中
-
压缩必须 cache-safe：压缩操作复用父对话的 cache prefix
-
Cache 是 model-specific 的。一个反直觉推论：100K token 对话中，切换到更便宜的模型可能更贵 —— Opus 的 100K cached token 只需 $1.50，换 Haiku 后全部重算。
-
Cache Breakpoint 与 Auto-caching
Claude API：从手动 cache_control breakpoint → auto-caching 一个参数搞定
OpenAI API：prompt_cache_key 路由优化，自动缓存 ≥1024 token 前缀
反直觉：900 token prompt 永远不 cache hit，扩展到 1024+ token 反而更省钱。
1.6 Agent 系统中的 Prompt Caching 设计（下）：上下文管理与子代理架构 | chaofa用代码打点酱油
-
更大的 context window 不是万能解药。 能塞进去不代表模型能有效利用。
-
压缩是解决 context 增长的关键手段，但必须是 cache-safe 的。
-
Claude Code 的压缩策略非常精巧：
压缩请求使用完全相同的 system prompt + tools + 对话前缀
只在末尾追加 compaction prompt
这样压缩请求本身就能复用父会话的 cache
预留 “compaction buffer”——context 快满之前就开始压缩
-
文件系统当"无限 context"：执行结果写入文件，context 只保留引用
-
用 glob/grep 搜索文件系统，无需向量索引。
-
Fork 出的子任务必须用和父对话相同的 prompt prefix，才能复用父对话 cache。
-
Claude Code 在 compaction、summarization、skill execution 中都遵循这个原则。核心思想：压缩/fork 是在现有 cache 基础上的延伸，而非另起炉灶。
1.7 4G Spaces — 2016 年，我做过一次 AI 写代码创业
-
未来并不是线性展开的。
所以，焦虑并不能真正帮助我们接近未来。更重要的是，在你当下所能看到的边界之内，做一个对得起自己的选择；至于剩下的部分，就交给时间。
1.8 OpenClaw 与 Agent 的未来 | Bojie Li
-
反共识观点：通用 Agent 的核心不是 Computer Use——而是 Coding Agent。所有高效内容生成最终都通过代码实现：PPT = ZIP + XML 代码，Word = JS 代码生成，比 GUI 操作快几个数量级。
-
丰富的 Connector：21 个聊天渠道——Telegram、iMessage、WhatsApp。不用坐在电脑前，手机发条消息就能指挥 Agent。
-
No Session 设计：像跟真人聊天一样，不用想”在哪个对话里问”。Agent 记得所有历史交互——ChatGPT 和 Cursor 做不到。
-
Skills + CLI 生态：社区贡献即插即用的能力扩展。Skills 本质上是动态注入的 System Prompt——让 Agent 知道有什么工具、怎么用。
-
Agent = 模型 + 上下文 + 工具/动作空间
-
根本局限：Personal Assistant 范式——one person, multiple agents。不支持多用户协作，天然不是企业级产品。99% 的人最终会用企业级 Agent，就像 99% 的人用银行存钱而非加密钱包。
-
结构化文件存储
MEMORY.md — 核心事实和用户偏好（长期记忆）
memory/2026-03-21.md — 按日期归档的每日交互日志
AGENTS.md — Agent 对自身能力的反思
-
未来有价值的三种人
- 电影导演型（0→1 创造）：定义产品愿景。瓶颈是创造性判断力。
- 城市规划师型（1→100 架构）：管理系统规模化。瓶颈是架构判断力。
- F1 赛车手型（极限研究）：推进 AI 前沿。瓶颈是科学洞察力。
- 共同点：核心能力都不是”写代码”，而是判断力。
-
关于 Context 的重要性
- 团队合作最大的问题是 context 不一致。
- AI 短期内无法取代人，最大原因也是 context——它在公司里能访问到的 context 远低于一个人类员工。
- 如果模型有无限 context，最大的应用场景就是做 CEO——解决组织中 context sharing 不一致的千古难题。
-
AI 能取代的 vs 不能取代的
- 第一个被 AI 替代的是 researcher，然后是 infra engineer，最难替代的是 sales。
- AI 能取代的，是没有自己想法、只执行上级指令的人。 拥有隐性知识、历史原因、未曾表达的想法的人，才是不可替代的。人类的核心竞争力不是写代码，而是判断力和对 context 的掌握。
-
对真人来说很难的写代码，AI 干得很快；但对真人来说很简单的操作 GUI，AI 搞不定。
-
电子表更准更便宜，但百达翡丽的价值恰恰在于人类工匠花数百小时亲手打磨。当 AI 能完成一切信息工作，”由人类完成”本身就成为价值的来源。
2. 项目
2.1 zhaoolee/notes: 一个高仿锤子便签的小工具，支持skill调用，支持导出便签为图片
zhaoolee/notes
一个高仿锤子便签的小工具，支持skill调用，支持导出便签为图片
支持将markdown文档导出为锤子便签的样式。不过需要自己再部署一个后端服务。这个后端服务是用TS写的。
2.2 tmwgsicp/wechat-download-api: 一款完全开源的微信公众号文章获取、 RSS 订阅API服务，支持IP代理池反风控。
tmwgsicp/wechat-download-api
一款完全开源的微信公众号文章获取、 RSS 订阅API服务，支持IP代理池反风控。
2.3 iOfficeAI/AionUi at 8c9b8256af045be757617c7117eadb72f465e06c
一个开源的cowork框架。
2.4 chenhg5/cc-connect: Bridge local AI coding agents (Claude Code, Cursor, Gemini CLI, Codex) to messaging platforms (Feishu/Lark, DingTalk, Slack, Telegram, Discord, LINE, WeChat Work). Chat with your AI dev assistant from anywhere — no public IP required for most platforms.
chenhg5/cc-connect
Bridge local AI coding agents (Claude Code, Cursor, Gemini CLI, Codex) to messaging platforms (Feishu/Lark, DingTalk, Slack, Telegram, Discord, LINE, WeChat Work). Chat with your AI dev assistant from anywhere — no public IP required for most platforms.
2.5 qiaoshouqing/drive-escape: 周末自驾逃离计划 - 交互式驾车时间地图
qiaoshouqing/drive-escape
周末自驾逃离计划 - 交互式驾车时间地图
2.6 runkids/skillshare: 📚 Sync skills across all AI CLI tools with one command and simplify team sharing. Supporting Codex, Claude Code, OpenClaw & more
runkids/skillshare
📚 Sync skills across all AI CLI tools with one command and simplify team sharing. Supporting Codex, Claude Code, OpenClaw & more
2.7 TomBadash/Mouser: A lightweight, open-source, fully local alternative to Logitech Options+ for remapping Logitech HID++ mice.
TomBadash/Mouser
A lightweight, open-source, fully local alternative to Logitech Options+ for remapping Logitech HID++ mice.
2.8 [FireRedTeam/FireRed-OpenStoryline: FireRed-OpenStoryline is an AI video editing agent that transforms manual editing into intention-driven directing through natural language interaction, LLM-powered planning, and precise tool orchestration. It facilitates transparent, human-in-the-loop creation with reusable Style Skills for consistent, professional storytelling.]
(https://github.com/FireRedTeam/FireRed-OpenStoryline )
FireRedTeam/FireRed-OpenStoryline
FireRed-OpenStoryline is an AI video editing agent that transforms manual editing into intention-driven directing through natural language interaction, LLM-powered planning, and precise tool orchestration. It facilitates transparent, human-in-the-loop creation with reusable Style Skills for consistent, professional storytelling.
2.9 alibaba/page-agent: JavaScript in-page GUI agent. Control web interfaces with natural language.
alibaba/page-agent
JavaScript in-page GUI agent. Control web interfaces with natural language.
阿里开源了一个前端库。比如这个库就可以通过大模型操作网页的元素。比如完成表单的填写以及一些页面的点击之类的。
2.10 noah-nuebling/mac-mouse-fix: Mac Mouse Fix - Make Your $10 Mouse Better Than an Apple Trackpad!
noah-nuebling/mac-mouse-fix
Mac Mouse Fix - Make Your $10 Mouse Better Than an Apple Trackpad!
2.11 AnInsomniacy/motrix-next: A full-featured download manager — rebuilt from the ground up
AnInsomniacy/motrix-next
A full-featured download manager — rebuilt from the ground up
2.12 kepano/defuddle: Get the main content of any page as Markdown.
kepano/defuddle
Get the main content of any page as Markdown.
2.13 f/prompts.chat: f.k.a. Awesome ChatGPT Prompts. Share, discover, and collect prompts from the community. Free and open source — self-host for your organization with complete privacy.
f/prompts.chat
f.k.a. Awesome ChatGPT Prompts. Share, discover, and collect prompts from the community. Free and open source — self-host for your organization with complete privacy.
评论