📚 喵喵的笔记库

Inbox-2026-05-26

25分钟阅读

Inbox 2026-05-26

采集时间: 2026-05-26 05:32 CST | 来源: HN, the-decoder, arxiv, Techmeme

🔬 技术前沿

  1. SkillOpt: Self-Evolving Agent Skills 优化器 — 首个系统化的文本空间优化器，将agent技能视为可训练的外部状态，通过验证集评分决定是否接受编辑。零推理开销。arxiv:2605.23904
  2. CPPL: 电路提示编程语言 — 编译器介导的LLM硬件设计框架，Python DSL声明模块接口→JSON IR→CIRCT→可综合Verilog。比直接生成RTL/MLIR正确率更高。arxiv:2605.17892
  3. IBM拆分首家纯量子芯片代工厂 — 20亿美元Chips Act投资，300mm超导硅量子芯片制造，量子计算从实验室走向工厂。HN 125pts
  4. DeepSeek reasonix coding agent — 原生编码Agent，高缓存+低成本，值得关注其agent架构。
  5. 日本高超音速发动机 — 冲压发动机研发，2小时飞美国的可能性。HN 50pts

💰 商业副业

  1. DeepSeek永久75%折扣 — V4-Pro输入$0.435/M tokens，比GPT-5.5便宜11.5x(输入)和34x(输出)。对token密集型agent系统是巨大利好，可能重塑API定价格局。the-decoder
  2. Bootstrapper's EU Stack (<€10/月) — 欧洲替代方案的完整低成本创业技术栈，避开美国大厂依赖。HN 144pts
  3. Chert (YC P26): iMessage的Twilio — iMessage商业API平台，新通讯渠道机会。trychert.com
  4. Anthropic获NSA合同 — 虽被标记supply chain risk，仍获White House批准供应AI模型给情报机构。AI军工赛道持续升温。
  5. Niantic Spatial: Scaniverse — 360°相机大范围3D重建，AI+机器人空间数据服务，空间计算新商业模式。

🧠 认知效率

  1. George Hotz: Coding Agents将是"最昂贵的错误" — 6个月测试结论：LLM原型快但细节崩，bug越来越难发现。AI社区深度分裂的缩影。the-decoder
  2. AI Paradox: 更多自动化→更多人类→更多工作 — Lenny's Podcast与Dan Shipper讨论，自动化不等于减少人力，而是改变工作性质。
  3. Audiomass: 开源网页多轨音频编辑器 — 纯Web音频编辑工具，无需安装。HN 495pts
  4. SkillOpt启示: 技能即外部可优化状态 — 不用手写prompt也不一次性生成，而是像训练模型一样持续优化技能文档。适用于个人知识管理。
  5. Go写BPF程序: gobee — 用Go替代C写eBPF程序，降低系统编程门槛。HN

📊 市场信号

  1. 白宫批准$90亿新AI芯片投资 — 解决GPU短缺长期方案，国会待批。AI基础设施支出持续加码。the-decoder
  2. DeepSeek永久降价冲击 — 输出token定价GPT-5.5的1/34，价格战挤压西方供应商利润空间，利好agent/应用开发者。
  3. 挪威2PB华为闪存+LLM训练 — 欧洲AI基础设施自主化信号，华为在海外数据中心的角色值得关注。HN 50pts
  4. Mullvad VPN退出IP缓解 — VPN安全与隐私持续升温，网络安全基础设施需求增长。HN 180pts
  5. Netherlands查封800台服务器 — 打击网络攻击基础设施，网络安全执法力度加大。HN 228pts

📥 手动收集

移动端日更太香了！把 Obsidian迁移到“飞书龙虾”后，我的写作流程全自动了

  • 来源：飞书 Wiki
  • 收集时间：2026-05-26 09:06 CST
  • 类型：OpenClaw / 飞书龙虾 / Obsidian 迁移 / 多 Agent 内容自动化

摘要

文章记录了作者把原本基于 Obsidian + Cloud Code 的公众号日更自动化系统，迁移到 飞书龙虾 / OpenClaw 的过程。核心动机是解决移动端使用不便的问题，让内容生产系统可以在飞书里通过手机随时触发。

主要流程：

  1. 在飞书妙搭中一键部署 OpenClaw / 龙虾；
  2. 配置飞书自建应用、机器人、事件订阅、权限与 openclaw.json；
  3. 通过飞书 CLI 将 Obsidian 知识库同步到飞书知识库；
  4. 把原来的公众号爆款创作 Skill 拆成多个专职 Agent；
  5. 在飞书群聊中由主 Agent 统一调度，自动完成选题、写稿、配图、审校、归档。

关键启发

  • 工具不是壁垒，业务 SOP 才是壁垒：真正值钱的是用户画像、内容标准、写作风格、上下文和私有知识库。
  • 大 Skill 拆小 Agent：将串行的一体化创作流程拆成热点选题、文案生成、配图方案、审校检测、发布归档等独立 Agent，更适合并行和长期维护。
  • 飞书机器人不能 bot@bot 触发：需要用“任务队列 + 主 Agent 单点调度”模式，而不是依赖机器人互相 @。
  • 移动端价值明显：把内容系统搬到飞书后，核心收益不是换工具，而是降低随时启动工作流的摩擦。

可复用到我的系统

  • Humanizer / 内容项目可以借鉴“主 Agent 调度 + 多专职 Agent 执行”的拆分方式。
  • 当前 OpenClaw + 飞书集成可以进一步沉淀一套“内容生产 SOP”：选题 → 草稿 → 去 AI 味 → 配图 → 审校 → 发布清单 → 归档。
  • 如果未来做小程序矩阵或 AI 视频出海，也可以复用同一套多 Agent 编排思想。

AI 团队协作案例：全链路研发提效实践分享

  • 来源：微信公众号·叶小钗
  • 收集时间：2026-05-26 12:22 CST
  • 类型：AI Coding / 团队协作 / SDD / Spec-Kit
  • 原文：~/obsidian/05-Archives/2026-Q2/2026-05-26-AI团队协作全链路研发提效.md

核心观点

  • 个人 AI 提效 ≠ 团队提效：AI Coding 把编码从两周压到两三天，但瓶颈转移到需求质量和协作机制
  • AI 团队协作三阶段：古法编程 → 人机协同 → 自动化交付
  • 从古法→人机协同四步：流程标准化 → 需求结构化 → 知识库建设 → Skills 沉淀
  • SDD 闭环：规范 → 实现 → 验证 → 修复 → 回写

关键金句

  • "如果你想糊弄 AI，那他一定会糊弄你"
  • "个人 AI 提效是工具熟悉度问题，团队 AI 提效是管理机制问题"
  • "一个动作只要出现第二次就考虑沉淀，出现三次直接无脑 Skills 化"
  • "出了问题都在给 AI 甩锅，但 AI 接不了锅"

提到的工具/方法

  • SDD (Spec-Driven Development) — 规范驱动开发
  • Spec-Kit — /specify → /plan → /tasks → /implement 流程
  • Skills 沉淀 — 重复流程封装为可复用能力

与我的关联

  • 和我的 OpenClaw + Skills 体系是同一思路，但扩展到团队层面
  • Humanizer 开发可以借鉴 SDD：先写清楚 spec 再让 AI 实现
  • 团队协作的核心不是工具选型，是流程标准化 + 责任机制

Claude Code Harness 工程：数仓侧落地方案（得物技术）

  • 来源：微信公众号·得物技术
  • 收集时间：2026-05-26 12:24 CST
  • 类型：Claude Code / Harness / Hooks / Subagents / 数仓工程化
  • 原文：~/obsidian/05-Archives/2026-Q2/2026-05-26-Claude-Code-Harness-数仓落地方案.md

核心内容

五层防御体系（从简到复杂）：

  1. CLAUDE.md 持久化 — 写死迭代约束和全局规范，compact 后自动重新注入
  2. Auto Memory — 跨会话踩坑经验自动积累（MEMORY.md）
  3. Hooks 自动验证 — PostToolUse 写 SQL 后自动检查规范，违规 exit 2 强制阻断
  4. Subagents 上下文隔离 — 血缘查询/自测/数据比对放到独立 context，主会话只收摘要
  5. SKILL 文件改造 — subagent 内部读完整 SKILL，主 context 只接收结果

三层架构分工：

  • CLAUDE.md → 解决"失忆"（持久化）
  • Hooks → 解决"规范靠记忆"（确定性检查，规范遵守率 70%→95%+）
  • Subagents → 解决"context 撑满"（compact 频率降低 50~70%）

关键技巧：

  • hook 阻断必须 exit 2，exit 1 不会阻止 Claude 继续
  • 大型操作（血缘/自测/比对）全部下放 subagent
  • CLAUDE.md 控制在 100 行以内

与我的关联

  • OpenClaw 的 Skills + cron + subagents 体系和这套 Harness 思路高度一致
  • Humanizer 开发可以借鉴 hooks 自动检查：代码提交后自动 lint/type-check
  • 核心启发：把规范从 LLM 记忆迁移到确定性机制

Multica：把编码 Agent 当成团队成员管理的开源平台

  • 来源：微信公众号·AI技术小林
  • 收集时间：2026-05-26 12:25 CST
  • 类型：编码 Agent 管理 / 团队协作 / Managed Agents
  • 原文：~/obsidian/05-Archives/2026-Q2/2026-05-26-Multica-编码Agent团队管理.md
  • GitHub：github.com/multica-ai/multica（22.7K ⭐）

核心内容

Multica 是一个 Managed Agents 平台，用看板+Issue+运行时+技能系统，把多个编码 Agent（Claude Code/Codex/OpenClaw/Hermes 等）管理成"团队成员"。

核心能力：

  1. Agent 像队友分配任务 — 看板、成员列表、任务负责人、评论区中都有 Agent
  2. 完整任务生命周期 — enqueue→claim→start→complete/fail，WebSocket 实时推送
  3. 统一运行时 — 本地 daemon + 云端 Runtime，自动检测 PATH 中可用 Agent CLI
  4. 技能系统 — 经验沉淀为团队可复用 Skills
  5. 多工作区隔离 — 不同项目/团队独立

技术栈：Next.js 16 + Go(Chi+sqlc) + PostgreSQL 17 + pgvector

支持 Agent：Claude Code、Codex、OpenClaw、OpenCode、Hermes、Gemini、Pi、Cursor Agent、Kimi、Kiro CLI

与前两篇文章的关系

三篇文章构成完整画面：

  • 叶小钗说"团队 AI 提效是管理机制问题" → 需要流程标准化
  • 得物技术说"把规范写进 hooks/subagents" → 具体怎么工程化
  • Multica说"把 Agent 管成团队成员" → 工具层落地

与我的关联

  • OpenClaw 已在 Multica 支持列表中
  • 多 Agent 看板管理 + Skills 沉淀 = OpenClaw + Multica 的天然组合
  • 如果未来做小团队 AI 协作，Multica 是现成方案

agenttrace：AI 编程代理的运行复盘可视化工具

  • 来源：微信公众号·月曦博客
  • 收集时间：2026-05-26 12:27 CST
  • 类型：Agent 可观测性 / 成本分析 / 复盘工具
  • 原文：~/obsidian/05-Archives/2026-Q2/2026-05-26-AI代理可视化工具.md
  • GitHub：github.com/luoyuctl/agenttrace（2026年5月新建）

核心内容

agenttrace 是一个本地优先的 Agent 运行复盘工具——不替你干活，替你看清 Agent 干了什么。

支持来源：Claude Code、Codex CLI、Gemini CLI、Aider、Cursor、Hermes、OpenCode、OpenClaw

核心能力：

  • 一轮任务跑了多久、多少 token、多少成本
  • 中间有没有长停顿、工具调用失败
  • 任务是否在原地反复打转（死循环检测）
  • 同类任务换不同 Agent 跑的成本对比

定位：第一层是干活 Agent（Claude Code/Codex 等），第二层是 agenttrace 这种可观测性工具

四篇文章完整线索

  1. 叶小钗：团队 AI 提效 = 管理机制 → 流程标准化 + Skills
  2. 得物技术：工程化落地 → Hooks + Subagents 五层防御
  3. Multica：Agent 管理平台 → 看板分配 + 运行时统一
  4. agenttrace：运行可观测性 → 复盘过程 + 成本分析 + 慢点定位

与我的关联

  • OpenClaw 也在支持列表中
  • 当前缺的就是这种可观测性：token 用在哪、哪个步骤慢、哪些任务值得自动化
  • 配合 OpenClaw 心跳/cron 任务跑完后的复盘，agenttrace 可以给出量化的效率数据

智能体团队：从找热点到出视频（OmniWork 平台体验）

  • 来源：微信公众号·郭震AI
  • 收集时间：2026-05-26 12:28 CST
  • 类型：多 Agent 视频生产 / OmniWork 平台 / 内容创作自动化
  • 原文：~/obsidian/05-Archives/2026-Q2/2026-05-26-智能体团队找热点到出视频.md

核心内容

用 OmniWork（www.omniwork.ai）平台搭建多智能体团队，完整跑通找热点→写脚本→分镜→生成视频→加字幕全流程。

三个智能体接力：

  1. Trending-Content-Monitor — 监测热点，筛选适合做短视频的选题（用 Kimi K2.6 + web-search）
  2. Film-Production-Director — 基于选题生成脚本、分镜、场景设定、视频成片
  3. Professional Video Editor — 加字幕、转9:16、自动剪辑

额外测试了竞品分析智能体：输入 OpenClaw/Hermes/OpenHuman/Claude Code，自动生成雷达图、矩阵图。

关键特点：无需编码，在同一个平台内丝滑切换智能体，不用跳转其他工具。

与我的关联

  • AI 视频出海方向直接相关 — 这是"找热点→出视频"的端到端自动化方案
  • 对比 Pixelle-Video（全自动短视频引擎）：OmniWork 是 SaaS 平台，Pixelle 是本地部署
  • 可以参考这个流程设计自己的内容生产 SOP：热点监测 → 选题 → 脚本 → 分镜 → 成片 → 字幕 → 发布

Hermes Agent 满配实战：3万字从 Memory、Skill 到多 Agent 协同

  • 来源：微信公众号·manisfast
  • 收集时间：2026-05-26 12:29 CST
  • 类型：Hermes Agent / 全面指南 / 3万字
  • 原文：~/obsidian/05-Archives/2026-Q2/2026-05-26-Hermes-Agent满配实战指南.md

核心内容

20 章完整指南，Hermes 满配 12 层路线图：

| 层级 | 模块 | 推荐程度 | |---|---|---| | L1 | 安装与模型 Provider | 必配 | | L2 | 输入系统（SOUL/AGENTS/CLAUDE.md） | 必配 | | L3 | Memory 长期记忆 | 必配 | | L4 | Skills 技能系统 | 必配 | | L5 | Tools / Toolsets | 必配 | | L6 | MCP 外部工具连接 | 进阶必配 | | L7 | Gateway 消息入口（飞书/Telegram） | 按需 | | L8 | Cron 自动化 | 强烈推荐 | | L9 | Profiles 多实例隔离 | 强烈推荐 | | L10 | 可视化与可观测 | 进阶必配 | | L11 | Token 精简与上下文管理 | 进阶必配 | | L12 | 多 Agent / 24h Agent 团队 | 高阶玩法 |

推荐路径：先跑通 → 再记住你 → 再沉淀技能 → 再接工具 → 再定时运行 → 再多入口触达 → 最后多 Agent 协同

两个完整实战：

  1. AI 工具雷达 Agent（自动搜集 + 每日报告）
  2. 头脑风暴聊天室 Agent（多角色讨论 + 知识卡片）

与我的关联

  • OpenClaw 和 Hermes 是同生态（都出现在 Multica/agenttrace 支持列表中）
  • 12 层路线图和我的 OpenClaw 配置高度对应：SOUL.md/MEMORY.md/Skills/cron/subagents
  • 可参考 Hermes 的 Gateway 接入方式，对比 OpenClaw 飞书集成
  • 原文是极好的参考文档，需要时可以按章节查阅

Claude Code 最佳实践：87 条实战技巧（核心开发者 Boris Cherny 等）

  • 来源：微信公众号·多智能体实验室
  • 收集时间：2026-05-26 12:30 CST
  • 类型：Claude Code / 最佳实践 / Skills 设计 / 上下文管理
  • 原文：~/obsidian/05-Archives/2026-Q2/2026-05-26-Claude-Code-87条最佳实践.md

核心要点

三种扩展方式（别搞混）：

  • 命令（Command） → 注入当前上下文的提示模板，每天重复多次的轻量操作
  • 技能（Skill） → 可配置可预加载，支持 context:fork 隔离，可复用
  • 子智能体（Agent） → 独立上下文，重量级，适合复杂隔离任务

技能设计五个坑：

  1. 技能是文件夹不是文件 → 用 references/scripts/examples 子目录
  2. description 是触发器不是摘要 → 写触发条件
  3. 构建 Gotchas 部分 → 记录 Claude 失败点，信噪比最高
  4. 给目标和约束，别写逐步指令
  5. 用 context:fork 隔离运行

CLAUDE.md 技巧：

  • 每个文件 ≤200 行，太长会被忽略
  • 用 <important if="..."> 条件标签
  • monorepo 多个 CLAUDE.md 层级加载
  • 用 settings.json 控制工具权限，别写在 CLAUDE.md 里

上下文管理：

  • 50% 时手动 /compact，避免"智能体愚蠢区"
  • 切换任务时 /clear
  • 说"使用子智能体"保持主上下文干净

调试经验：智能体搜索（glob+grep）胜过 RAG，Claude Code 试过向量数据库后来放弃了

与我的关联

  • OpenClaw Skills 体系同理：description 要写触发条件，Gotchas 部分值得在现有技能中补充
  • "智能体搜索胜过 RAG" 这个结论很有参考价值
  • 50% compact 阈值 → OpenClaw 的 compaction 策略可借鉴

Agent Skill 框架正在吃掉软件开发

  • 来源：微信公众号·AI知识体系礼记
  • 收集时间：2026-05-26 12:33 CST
  • 类型：Agent Skills 生态 / 行业分析 / 趋势判断
  • 原文：~/obsidian/05-Archives/2026-Q2/2026-05-26-Agent-Skill框架正在吃掉软件开发.md

核心观点

Agent Skills 正在经历 2015 年 npm 爆发时刻：从"分享 CLAUDE.md 文本"到"共享标准化制品"，生态正反馈已启动。

生态四层格局：

  • 框架层：obra/superpowers — 定义"怎么用 skills 做软件工程"的完整方法论
  • 库层：mattpocock/skills(81K⭐)、K-Dense-AI/scientific-agent-skills — 即插即用 skill 集合
  • 基础设施层：agentmemory、danielmiessler/Personal_AI_Infrastructure — 记忆+运行时
  • 市场层：还没出现 — ClawHub 最接近但还远未成为基础设施

飞轮机制：用 Agent 写代码 → Agent 犯错 → 经验写进 skill → 犯错更少 → 写更多代码 → 更多 skill

关键判断：不是最好的 skills 集合赢，是最先成为开发者默认选择的赢（npm 剧本重演）

金句："标准化 skill 可以替你积累，但不能替你判断"

与我的关联

  • 我已经在用 OpenClaw Skills + ClawHub，正处于这个生态里
  • ClawHub 被文章提到是"最接近市场层的玩家" — 值得持续关注
  • 核心行动：继续积累自己的 Skills，把和 Agent 协作的经验变成可复用知识
  • 七篇文章完整线索：从工程实践到行业趋势，Agent Skills 是贯穿始终的底层趋势

一个人 + 48 个 AI = 一家游戏工作室（GitHub 14.5K ⭐）

  • 来源：微信公众号·ColaAI
  • 收集时间：2026-05-26 12:34 CST
  • 类型：多 Agent 协作 / 游戏开发 / 组织架构化 AI 管理
  • 原文：~/obsidian/05-Archives/2026-Q2/2026-05-26-48个AI游戏工作室.md
  • GitHub：github.com/Donchitos/Claude-Code-Game-Studios（14.5K ⭐）

核心内容

Claude Code Game Studios：把一个 Claude Code 会话变成完整的游戏工作室。

三层架构（模仿真实工作室）：

  • Tier 1 总监层（Opus）：创意总监、技术总监、制作人 — 3位
  • Tier 2 主管层（Sonnet）：游戏设计、主程、美术、音频、叙事、QA、发布、本地化 — 8位
  • Tier 3 执行层（Sonnet/Haiku）：37位专业执行者

协作铁律：提问 → 给选项 → 你决定 → 给草稿 → 获批准（人在环里）

安全机制：8个自动 Hook — 提交前扫描、推送前保护、资源写入校验、权限隔离

核心洞察：管住 48 个 Agent 靠的不是更聪明的 prompt，而是清晰的职责、层级、审批流和质量关卡。同样的架构可复制到 SaaS、自媒体、电商等任何场景。

与我的关联

  • 三层架构 + 协作协议 = Multica 的另一种实现（Multica 用看板，这个用组织层级）
  • "人在环里"的审批机制和得物的 hook 阻断是同一个思路
  • 启发：Humanizer 开发可以用类似的分层——一个架构师 Agent + 几个实现 Agent + review Agent

AI原生研发范式和流程（后端篇）

  • 来源：微信公众号·程序猿的自留地
  • 收集时间：2026-05-26 12:35 CST
  • 类型：AI 原生研发流程 / SDD / 文档驱动 / 后端工程
  • 原文：~/obsidian/05-Archives/2026-Q2/2026-05-26-AI原生研发范式后端篇.md

核心内容

"文档先行、任务驱动、人机协同、持续收敛" 闭环：

  1. Spec 收敛 — PRD → spec.md（定边界、用户故事、验收标准、编号体系）
  2. Design 设计 — spec.md → design.md（架构图、接口契约、映射 spec 编号）
  3. 约束前置 — design.md → 接口文档 + issues.json（填空题模式）
  4. 分层实现 — DAO→Service→API，按依赖顺序
  5. 多维验证 — AI 自检 + 人工 Review + 接口测试 + 联调
  6. 迭代反馈 — 先修文档，再修实现，所有变更可追溯

三大文档载体：spec.md（需求边界）→ design.md（技术方案）→ issues.json（执行任务）

核心原则：AI 不再自由发挥，而是严格按照 issues.json 的待办事项和验收标准增量开发。

与我的关联

  • 这套流程和 Claude Code 87 条里提到的 Spec-Kit（/specify→/plan→/tasks→/implement）完全一致
  • Humanizer 后续开发可以套用这个流程：先写 spec.md 定边界，再 design.md 定方案，最后让 AI 按 issues.json 填空
  • "验证不通过不直接改代码，而是回到文档层修正" — 这个原则很重要，避免碎片化修改

关系图谱