李继刚发布 /ljg-classic skill，逐字解读古文并生成卡片
李继刚发布 skill /ljg-classic，用于把古文做成逐字解读加章节释义的卡片，灵感来自小红书上逐字讲解历史典籍的卡片形式。用法为输入书名与章节，如 /ljg-classic 《道德经》第七章、/ljg-classic 《金刚经》第三品，相关代码在 github.com/lijigang/ljg-skills。
全部AI 动态
全部动态
今日 33 条李继刚AI 评估 · 52/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 52/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 bolt.new(@boltdotnew)AI 评估 · 8/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 8/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 bolt.new 分享 13 分钟掌握技能的视频
bolt.new 发布了一条"13 分钟掌握技能"的内容，指向 YouTube 视频 youtu.be/OF4hmqxAzas。该帖互动数据为 2 条评论、5 个点赞、1300 次浏览，并标注由 xgo.ing 提供支持。
强少来了AI 评估 · 34/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 34/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 不写一行代码，用 Codex Subagents 让 AI 每天自动出竞品简报
用飞书/企微机器人加定时任务或 Coze 等平台，把上篇的 AI 流水线提示词存成智能体、设好触发时间和出口，就能让竞品监控、需求池更新、周报月报到点自动跑。作者提醒三个坑：触发别太频繁、自动发出的内容要人工扫一眼、一条流水线别塞太多事。这套「组队—流水线—自动挡」三步玩法，靠现成提示词即可搭建。
Interconnects AI — Nathan LambertAI 评估 · 34/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 34/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Nathan Lambert 新书《Reinforcement Learning from Human Feedback》正式出版，免费在线版与 12 小时课程同步上线
Nathan Lambert 的 post-training 教材《Reinforcement Learning from Human Feedback: Aligning and Post-training LLMs》已由 Manning 出版。
百度Geek说AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 小度如何用 Agent 研发闭环把需求吞吐量提升 6 倍
小度 AI 智能助手团队以信息类 Bot Aries 为试点，打通从 bad case 发现、归因到上线解决的 Agent 研发闭环，主张“不确定的交给 Agent，确定的交给代码，不可逆的交给人”。
QdrantAI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Qdrant 集合如何清理：去重、混合检索与新鲜度过滤实战
在 Qdrant 集合中，重复点占据 top-5 结果槽位会拖垮回答质量：把 8,416 个独立点重复写入至 22,946 个点后，37 个测试问题中有 36 个 top-5 含重复，去重后降至 2 个，回答正确率从 0.57 升到 0.76。
Milvus(@milvusio)AI 评估 · 27/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 27/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Milvus 分享：AI 智能体答错时，该先查向量检索而非模型
Milvus 指出 AI 智能体答错时问题常出在检索层——系统取错上下文、漏掉正确内容或在 LLM 看到前就过滤掉了。Simon Hearne 的分享用可视化方式讲解向量搜索，覆盖暴力搜索、IVF、HNSW、DiskANN 的取舍，量化对速度与存储的影响，以及过滤器可能切断最佳匹配路径。他建议直接用 recall@k、分数分布和过滤命中率调试检索，把索引和嵌入向量的改动当作质量改动。
奇舞精选AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 奇舞周刊第594期：从零开始用 Zig+Python 构建 Coding Agent "Violin"
作者用 Zig+Python 从零构建了 Coding Agent "Violin"，架构借鉴 Pi 的三层分离与 EventBus 设计，核心是 Agent Loop（在"问模型"与"执行工具"间循环直至得到最终答案）。
QdrantAI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Qdrant 为何既不做前置过滤也不做后置过滤：把过滤放进向量搜索内部
Qdrant 不采用前置过滤或后置过滤，而是让过滤在 HNSW 图遍历过程中原地执行，并由查询规划器按每次查询在可过滤 HNSW、开启 ACORN、直接走 payload 索引和全量扫描四条路径中选择。文中基准显示，宽值过滤会把召回率降到 90.8%，两个宽值的 AND 过滤降到 39.7%，而其他过滤形态均高于 97%；这两种失效形态在开启 ACORN 后恢复到 100%。
QdrantAI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Qdrant 解析 ACORN 修复了过滤向量搜索的哪些问题，以及 ACORN 自身如何被修复
Qdrant 在百万点 deep-image-96 基准上测试了四种过滤向量搜索策略：普通 HNSW 在 1% 选择性过滤下 Recall@10 仅 0.1%。
bolt.new(@boltdotnew)AI 评估 · 18/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 18/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Bolt 网站排名不靠"好看"：7 个可直接用提示词完成的 SEO 修复
Bolt 官方账号提出 7 个可直接通过提示词在 Bolt 站点上完成的 SEO 修复，无需插件、无需猜测，站点排名不取决于外观是否好看。
Microsoft Research(@MSFTResearch)AI 评估 · 17/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 17/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Vibhasha：构建兼具语言准确性与文化相关性的多语言多文化 AI 系统实用指南
微软研究院发布 Vibhasha 实用指南，面向多语言、多文化 AI 系统的构建，目标是让系统同时做到语言准确与文化相关。该指南为实用性质，具体方法、模型与数据细节未在原文中披露。
Microsoft Research(@MSFTResearch)AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Atlas：面向多元文化语境的人本 AI 系统设计与部署框架及工具
Microsoft Research 发布 Atlas，一套面向多元文化语境、用于设计并部署以人为中心的 AI 系统的框架与工具。该项目的目标是把人本设计与跨文化适配纳入 AI 系统的构建和落地流程。
Weaviate • vector database(@weaviate_io)AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Weaviate 谈数据导入校验：HTTP 200 不等于导入成功，批内单个对象仍可能失败
Weaviate 指出，导入返回 HTTP 200 不代表校验结束，单个对象仍会因限流、向量化器报错或 schema 不匹配而失败。其建议的弹性导入流程包括流式传输数据、由服务端处理批处理与背压、用稳定源键生成确定性 UUID、只重试失败对象，以及记录检查点并将反复失败的对象送入死信队列。确定性 ID 可让重试具备幂等性，避免重复创建对象。
mem0(@mem0ai)AI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 mem0 将向量搜索延迟降低 70 倍：从 8–14 秒降至约 110–120 ms
mem0 把向量搜索延迟降低 70 倍，从 8–14 秒降到约 110–120 ms，关键在于将向量搜索迁移到 turbopuffer，让 Postgres 专注其擅长的事。这一改动面向构建 AI 智能体记忆基础设施的开发者。
Kling AI(@Kling_ai)AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Kling MCP 教程：批量生成美食推广视频
Kling 发布 MCP 教程，演示如何批量生成美食推广视频，覆盖从分析创意风格、搭建分镜到生成成片的完整流程。该工作流现可由 AI 全程运行，官方称可更快创作、更智能推广。
皮蛋漫游记AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 引入 AI 员工的代价是什么？OpenClaw 落地实践讨论
播客节目结合团队近几个月使用经验，讨论 OpenClaw 能否真正进入实际工作，而非又一个需要折腾的新工具。节目指出接入 IM 是 OpenClaw 与普通 AI 客户端的重要差异，Memory 和 Skill 让它有持续演化的可能；但没有结构化数据，它只是另一个聊天机器人，且目前还不能替代员工。
奇舞精选AI 评估 · 33/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 33/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 AI 时代的学习方式：从愚昧山峰上不断跌落
前端开发者 Tapir 借助 Codex 在 ESP32-S3 开发板 LILYGO T-Embed 上做出名为 CadenzaOS 的操作系统，随后尝试让 AI 用 kicad-happy 画 PCB，却在嘉立创 SMT 环节因大量报错崩溃。他退回做 PCB Art 艺术板跑通闭环，并新开项目 PCB Atelier，可像 PS 一样操作图层并导出嘉立创 EDA 工程直接下单。
Rowan Cheung(@rowancheung)AI 评估 · 52/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 52/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 可复用 AI 技能将任意主题生成完整自学课程
一个可复用的 AI 技能能把任意主题转化为完整的自学课程，包含课程模块、课程正文、可用的 YouTube 视频以及会解释错误答案的测验。该内容由 Rowan Cheung 分享并致谢 Charles Clogston，附有 Rundown AI 社区帖链接。原文未提供技能的获取方式或具体实现细节。
强少来了AI 评估 · 46/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 46/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 老板一句「做个XX」，AI跑完调研到原型｜Codex Subagents实操篇
用 Codex Subagents 搭一条三步流水线：business-analyst 与竞品分析专员并行做市场调研和竞品对比，product-manager 基于调研输出 PRD，ux-designer 再产出原型 Demo 说明，最后由 knowledge-synthesizer 串成完整交付物。
硬地骇客AI 评估 · 18/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 18/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 对话刘可凡：用 try-catch-finally 给独立开发者的内耗写个处理流程
独立开发者刘可凡在播客「硬地骇客」中分享了一套用编程逻辑 try-catch-finally 管理内耗的方法论，把程序员熟悉的异常处理流程引入人生与产品管理。他还谈到用 Finally 仪式感稳住长期节奏、借助 AI 任务拆解，以及如何识别伪命题、应对创业焦虑。
Rowan Cheung(@rowancheung)AI 评估 · 54/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 54/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 约 1 美分的会议助手：手机录音经 Telegram 转本地 AI 智能体
Rowan Cheung 介绍了一套约 1 美分/场的会议助手方案，来源署名 Steve Farmer。做法是用手机录制会议，把音频发送到 Telegram，再由本地托管的 AI 智能体完成转写、说话人识别、提取行动项并归档任务。
Andrej Karpathy(@karpathy)AI 评估 · 18/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 18/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Karpathy 把 simonw 的"骑自行车鹈鹕"测试源码上传，可在浏览器中试玩
Andrej Karpathy 将 Simon Willison "骑自行车鹈鹕"测试的源码上传到 karpathy.ai/lotr-movie/，该测试如今可在浏览器中直接运行并支持 fork。他还调侃说 GTA Hobbiton 会在 GTA VI 之前推出。
idoubi(@idoubicc)AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 thinkany-ai 发布 ds… 项目
开发者 idoubi 在 X 上分享了 thinkany-ai 的 GitHub 项目 ds…，帖文附带仓库链接，获得 20 次点赞、1 次转发和 4248 次浏览。原文未披露该项目的具体功能、模型或版本信息。
奇舞精选AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 奇舞周刊第593期：当理解成为瓶颈——AI 编程时代的认知债与意图债
奇舞周刊第593期聚焦 AI 编程时代瓶颈从"生产代码"转向"理解代码"，作者提出技术债、认知债、意图债的"三元债模型"，认为 AI 在降低技术债的同时正加速累积后两者，开发者不能外包"理解"。
前端早读课AI 评估 · 63/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 63/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 从月中断粮到绰绰有余：AI 编程省 Token 全攻略
作者 Daniela Baron 分享了一套降低 Claude Code token 消耗的工具与习惯组合，用于解决企业版月度额度月中耗尽的问题。方案包括用 rtk 压缩 CLI 命令输出、用 Caveman 精简模型回复、用 CodeGraph 以图数据库回答代码结构问题，以及默认使用 Sonnet 并把 advisor 设为 Opus。
Weaviate • vector database(@weaviate_io)AI 评估 · 17/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 17/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Weaviate 的 Building Foundry 第一集：创意资产为何总被重复制作
Weaviate 启动 Building Foundry 系列，第一集聚焦创意工作流中的检索难题：项目变大后文件名和文件夹结构越来越不可靠，设计师记得氛围却记不住文件名。文章提出用语义搜索按含义而非精确词匹配素材，并让元数据、嵌入向量与向量搜索协同工作，最终将用 Weaviate 做成创意搜索原型。
Martin Fowler(@martinfowler)AI 评估 · 40/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 40/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Giles Edwards-Alexander 实验：拆分大函数能否降低 token 成本
Giles Edwards-Alexander 做了一项实验，验证把大函数拆解为小函数是否能降低 token 成本，结果表明如今或许已经可以衡量重构带来的经济收益。该文发表于 martinfowler.com。
QdrantAI 评估 · 35/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 35/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Qdrant 推出 FastEmbed：高效 Python 嵌入向量生成库
Qdrant 发布 FastEmbed，一个专注文本嵌入向量生成的 Python 库，默认加载 BAAI/bge-small-en-v1.5 模型，输出 384 维向量，最大上下文 512 tokens。
QdrantAI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 如何用 LangChain 和 Qdrant 实现问答系统
LangChain 与 Qdrant 集成实现检索增强生成问答流水线，需两个模型配合：FastEmbed 默认使用 BAAI/bge-small-en-v1.5 将事实向量化存入 Qdrant，再检索相关文档拼入提示词交给 Claude 或 GPT 生成答案。教程用 Natural Questions 数据集演示，仅需几行代码，Qdrant Cloud 提供 URL 和 API key 接入。
QdrantAI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 FastEmbed：Qdrant 的高效 Embedding 生成 Python 库
FastEmbed 是 Qdrant 维护的 Python 库，可在 CPU 上生成嵌入向量，无需 GPU、PyTorch 或 API key，默认模型为 BAAI/bge-small-en-v1.5，首次使用时下载量化 ONNX 文件，单条嵌入为 384 维。
QdrantAI 评估 · 17/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 17/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 如何用 LangChain 和 Qdrant 构建问答系统
LangChain 与 Qdrant 集成实现检索增强生成问答：先用 FastEmbed 默认的 BAAI/bge-small-en-v1.5 量化模型（可在 CPU 运行）将事实向量化存入 Qdrant，检索最相关文档后拼入提示词，交给 Claude 或 GPT 生成答案。示例使用 Natural Questions 数据集（含 10 万+ 行），演示时取前 100 对问答。
强少来了AI 评估 · 58/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 58/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Codex Subagents 入门：172 个 AI 角色分工干活
作者以 Codex Subagents 为例，讲如何用大白话把任务拆给多个子智能体：只需说清叫谁、干啥、并行还是排队、结果给谁，文中给出了代码排查和 reviewer、security-auditor、qa-expert 并行审核两类可照抄范例。
Hugging Face(@huggingface)AI 评估 · 23/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 23/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Hugging Face 建议在网站/应用中添加「Sign-In with Hugging Face」OAuth 按钮
Hugging Face 建议开发者在网站或应用中添加「Sign-In with Hugging Face」OAuth 按钮，让社区成员可便捷地分享邮箱、创建模型或数据集仓库、在 Buckets 中存储数据，甚至启动 GPU 支持的 Jobs。相关接入文档见 huggingface.co/docs/hub/en/oauth。
Kling AI(@Kling_ai)AI 评估 · 31/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 31/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Kling MCP 教程：几分钟生成时尚电商视频
Kling MCP 教程演示了如何把产品照片转化为高质量时尚视频，涵盖定义视觉风格、准备模特图片到批量生成产品展示视频的完整流程。该流程主打更少制作、更多内容。
Berkeley AI Research BlogAI 评估 · 55/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 55/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 从 CUDA 到 MLX：K-Search 如何把内核优化经验迁移到 Apple Silicon
Berkeley Sky Lab 与 IBM Research 将演化式内核搜索框架 K-Search 扩展到 MLX 后端，通过结构化 CUDA-to-MLX 翻译层把现有 CUDA 内核知识适配成 Apple Silicon 内核。
土猛的员外AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 做完企业级知识库总体设计后，我重新理解了企业级知识库
一次企业级智能知识库项目的总体设计实践表明，企业级知识库的真正门槛不是支持多少文件格式或单次测试准确率，而是能否建立知识持续进入、使用、发现问题并优化的运行机制。
宝玉的分享AI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 从 TL 到 EM：我如何不再盯着 AI 写代码
作者在使用 Coding Agent 时从 TL 转向 EM 角色，转折点在 Fable 5 前后——发现 AI 写的代码质量已相当可以，只需稍加验证。他现在只与 Agent 一起定技术方案，再用 /goal 加上方案让 Agent 执行写代码和自动化测试，最后验收功能。
Fei-Fei Li(@drfeifei)AI 评估 · 27/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 27/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 李飞飞：生成式世界模型驱动的 real-to-sim-to-real 仿真引擎
借助生成式世界模型，real-to-sim-to-real（R2S2R）仿真引擎可将一个物理任务转化为多个可控、可复用的世界，帮助机器人团队更快训练策略模型、更早发现失败并减少昂贵的硬件实验。
Hugging Face(@huggingface)AI 评估 · 29/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 29/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Training Agents 3：如何用强化学习训练本地开源权重智能体
Hugging Face 发布 "Training Agents 3" 教程，讲解如何用强化学习训练一个本地运行的开源权重智能体（open weight agent），并以直播形式呈现。内容聚焦训练流程本身，具体模型、参数与效果原文未披露。