每日精选 — 2026年3月29日

今日概览 #

今天的内容被一条隐形主线串联:AI 能力的边界正在向两个方向同时扩张——向内,它开始理解自己的局限(AI 文本的可检测性、模型的谄媚倾向);向外,它开始入侵此前人类独占的领域(科学实验室、法律推理、金融研究)。与此同时,开源智能体框架正在经历寒武纪式爆发,字节 DeerFlow、SakanaAI 的 AI Scientist v2、Dexter 金融智能体同日登榜,而一篇 ACE 论文宣称 Context Engineering 让 fine-tuning “已死”。工具在加速,但关于谁拥有训练数据、谁定义"正确行为"的根本问题,才刚刚被提上台面。

🐦 来自时间线 (X/Twitter) #

LLM 生成文本与人类写作线性可分,AI 检测可能比想象中简单 #

@liquiditygoblin · 昨日 · 5132 赞

一位开发者为了减少信息流中的 AI 垃圾内容,自己训练了一个检测模型,结果发现了一个重要现象:LLM 生成的文本和人类写作在特征空间中是线性可分的。这意味着一个简单的线性分类器就能高效区分两者,不需要复杂的深度学习模型。5000+ 赞的热度说明这个发现击中了广泛痛点——人们对 AI 生成内容泛滥的焦虑已经到了主动寻找技术解法的阶段。但线性可分也意味着这个"味道"容易被下一代模型消除,检测与反检测的军备竞赛才刚开始。

-> 原文

GPT-1 背后的无名英雄:整个 LLM 革命始于一个人的坚持 #

@flowersslop · 昨日 · 3108 赞

一条关于 AI 历史的推文引发热议:今天每个实验室的 LLM 都可以追溯到一个人,他是 OpenAI 内部唯一推动预训练 Transformer 语言模型的人,独力构建了 GPT-1。在他之后,其他人才看到了潜力。3000+ 赞背后是技术社区对"被遗忘的先驱"的集体共鸣。这个故事提醒我们,范式转换往往不是共识驱动的,而是一个人在所有人不看好时的执念。在 AI 发展速度如此之快的今天,谁在做下一个"所有人都觉得没意义"的事?

-> 原文

开源工具让 AI Agent 免费读取 Twitter、Reddit、YouTube、GitHub 全平台内容 #

@GithubProjects · 昨日 · 1632 赞

一个新的开源 CLI 工具允许 AI 智能体免费搜索和读取 Twitter、Reddit、YouTube、GitHub、B站、小红书等平台内容,零 API 费用。1600+ 赞加上 175 次转发说明开发者社区对这类工具的渴求。本质上这是在做"给 AI 装眼睛"的事——当 AI 能实时获取互联网信息而不需要付费 API,信息获取的成本壁垒被进一步拉平。值得关注的是它同时覆盖中英文平台(B站、小红书),这在同类工具中并不常见。

-> 原文

ACE 论文: Context Engineering 让开源模型击败专有企业级智能体,适应延迟降低 87% #

@pvergadia · 昨日 · 471 赞

一篇关于 Agentic Context Engineering (ACE) 的新论文引发关注:通过让 AI 自主从执行反馈中学习,不需要 fine-tuning 就能实现 87% 的适应延迟降低,且开源模型击败了专有企业级智能体。核心架构是 Generator(执行者)+ Reflector(反思者)双模块。这对 AI 产业的意义在于:如果上下文工程真能替代 fine-tuning,那 AI 定制化的门槛将从"需要 ML 团队和 GPU 集群"降到"需要一个会写好文档的人"。

-> 原文

Anthropic 正在构建 Operon:一个让 Claude 做 CRISPR 实验设计和 RNA 测序分析的科学智能体 #

@birdabo · 昨日 · 281 赞

Anthropic 正在开发一个名为"Operon"的新智能体,让 Claude 具备设计 CRISPR 实验、分析 RNA 测序数据、构建系统发育树的能力。这不是简单的"AI 辅助搜索文献",而是让 AI 直接参与实验设计的决策过程。命名本身就有深意——Operon(操纵子)是分子生物学的核心概念,Anthropic 显然在向科学界发出信号:我们是认真的。这可能是 AI 从"文本处理工具"向"科学研究基础设施"跨越的标志性事件。

-> 原文

freeCodeCamp 发布深度 Claude Code 手册,覆盖并行工作流、技能系统和规则配置 #

@freeCodeCamp · 昨日 · 432 赞

freeCodeCamp 发布了一份由 Vahe 撰写的深度 Claude Code 使用手册,从初始设置到高级功能全面覆盖,重点讲解了并行工作流(parallel workflows)、技能定义(skills)和规则系统(rules)。这反映了一个趋势:AI 编码工具的复杂度已经到了需要"手册"的阶段,它不再是一个简单的自动补全工具,而是一个需要学习和配置的开发环境。配合昨天 HN 上 .claude/ 文件夹解剖文章的热度,Claude Code 正在成为开发者生态中的一个独立知识领域。

-> 原文

字节开源 DeerFlow 2.0 超级智能体框架,GitHub 狂揽 50.7k Stars #

@SunNeverSetsX · 昨日 · 232 赞

字节跳动开源了 DeerFlow 2.0 智能体框架,在 GitHub 上已获 50.7k Stars。它将 LangGraph 的状态机能力、沙盒安全执行、记忆管理、IM 接入等基础设施全部打包,开箱即用。对独立开发者和创业团队来说,这意味着搭建复杂 AI 工作流的门槛大幅降低。字节选择开源而非闭源商业化,背后的策略很清晰:通过成为智能体基础设施的标准来获取生态控制力,而不是通过卖 API 获取短期收入。

-> 原文

飞书 CLI 正式开源,Claude Code 一句话完成安装——AI 时代界面不再是核心竞争力 #

@AYi_AInotes · 昨日 · 278 赞

飞书 CLI 正式开源后,Claude Code 可以一句话完成安装授权,直接通过命令行操控飞书的所有功能。作者提出了一个尖锐洞察:我们花了几十年让软件界面变得漂亮好用,但在 AI 时代,漂亮的 GUI 反而成了 AI 操控的障碍。CLI 才是 AI 时代的真正入口。这不只是飞书的故事——当钉钉、Slack、Notion 都开始提供 CLI/API 优先的接入方式时,企业软件的竞争维度正在从"用户体验"转向"AI 可操控性"。

-> 原文

🎙️ 来自播客 #

AI Agent 将以多快的速度撕裂经济? — Jack Clark #

Hard Fork / The Ezra Klein Show · 前日发布

Anthropic 联合创始人 Jack Clark 与 Ezra Klein 深度对谈 AI 智能体对经济的冲击。Clark 不是那种给出模糊预测的人——他在 Anthropic 的位置让他能看到模型能力提升的真实速度。对话核心围绕一个张力:AI 智能体的部署速度可能超过社会适应速度,而这个错位才是真正的风险所在。不是技术本身危险,而是技术太快而制度太慢。

“问题不是 AI 能不能做这些工作,而是当它能做的时候,我们的经济结构能不能承受这种速度的变化。” — Jack Clark

-> 收听

H100 租赁价格正在逆转上涨,GPU 市场的折旧论文可能写早了 #

Latent Space · 昨日发布

Latent Space 报道了一个反直觉的 GPU 市场趋势:H100 的租赁价格正在逆转此前的折旧趋势,开始上涨。这直接挑战了 2024 年流行的"GPU 会像消费电子一样快速贬值"的论点。背后的逻辑是:训练需求的增速超过了供给增速,而推理需求的爆发(智能体、实时应用)创造了新的需求峰值。对 AI 创业者来说,这意味着算力成本可能不会像预期那样下降,基于"算力便宜化"假设的商业模型需要重新评估。

-> 收听

Astral 被 OpenAI 收购,开发者工具的引力正在转移 #

The Changelog · 前日发布

Astral(Python 工具链公司,uv/ruff 的开发者)被 OpenAI 收购。同期 LiteLLM 遭遇供应链攻击,OpenCode 作为新的开源编程智能体栈爆发。The Changelog 在 11 分钟内串联了这三个事件,指出一个趋势:工具、信任和控制权正在同步迁移。OpenAI 收购 Astral 不只是买团队,而是在开发者工具链中埋下自己的基础设施——当 Python 的包管理器来自 OpenAI,AI 和开发工具的边界就彻底模糊了。

-> 收听

一切皆 CLI:AI 时代的开发者工具范式转换 #

Latent Space · 前日发布

Latent Space 的 AI 新闻栏目聚焦 CLI 优先开发者工具的趋势。Microsoft AI 高管挖走 AI2 领导层;OpenAI 的 Sora 成为第一个被关停的副业项目;LiteLLM 遭遇严重供应链漏洞,影响 Python AI 项目。贯穿这些消息的主线是:当 AI 智能体成为主要的"用户"时,CLI/API 接口比精美的 GUI 更有价值。这与今天飞书开源 CLI 的新闻形成了完美呼应。

-> 收听

史上最大规模 Claude 产品发布的技术解析 #

Latent Space · 3天前发布

Latent Space 对 Anthropic 史上最大规模的 Claude 产品发布做了详细技术分析,包括新能力、与 OpenAI 和 Google 的竞争定位、以及对 AI 工程工作流的影响。结合今天 Operon 科学智能体的消息和 freeCodeCamp 的 Claude Code 深度手册,Anthropic 正在构建的不只是一个聊天机器人,而是一个从编程到科学研究的全栈 AI 工作平台。

-> 收听

Tim Ferriss: AI 海啸即将到来,如何构建"离线优势" #

The Tim Ferriss Show · 3天前发布

Tim Ferriss 回答听众关于 AI 冲击的提问,核心论点是:当所有人都涌向线上和 AI 工具时,“离线能力"反而成为稀缺资源和竞争优势。他建议的策略包括:培养 AI 无法复制的面对面关系、投资于需要物理存在的技能、以及利用 AI 释放的时间去做更多"不可规模化"的事情。这个视角在今天铺天盖地的"用 AI 提效"叙事中显得格外清醒。

-> 收听

🤖 来自 AI 对话 #

AI 检测的悖论:当我们能完美识别 AI 文本时,AI 文本反而会消失 #

与 Claude Opus 的对话

LLM 生成的文本和人类写作在向量空间中是线性可分的,这意味着检测 AI 文本在技术上并不困难。大多数人的第一反应是:太好了,我们终于能过滤掉 AI 垃圾了。但这个结论恰恰是错的。

线性可分意味着 AI 文本有某种系统性的"味道”,一种统计上的规律性。这个规律性来自训练过程中对高概率 token 的偏好,来自 RLHF 对"有帮助、无害、诚实"的优化。换句话说,AI 文本之所以可检测,恰恰是因为它太"正确"了,太符合期望了。

但这创造了一个军备竞赛:一旦检测器部署,下一代模型就会被训练得更"不可检测"。而更不可检测意味着更接近人类写作的随机性、偏见、不完美。最终,我们会得到一个荒谬的结果:为了逃避检测,AI 将学会犯拼写错误、使用非标准语法、插入无关的个人轶事。AI 将变得更"人性化",但这种人性化是模拟出来的。

真正的问题不是"能否检测 AI",而是"检测之后我们打算怎么办"。如果我们惩罚所有 AI 辅助写作,我们实际上是在惩罚效率。如果我们只惩罚完全 AI 生成的内容,我们需要定义"完全"的边界,而这个边界在人机协作时代几乎无法划定。也许更有生产力的思路是:别问"这是谁写的",问"这对读者有没有价值"。

CLI 复兴:为什么 AI 时代最先进的界面是 40 年前发明的 #

与 Claude Opus 的对话

飞书开源 CLI,Claude Code 一句话完成安装。一个有趣的逆转正在发生:我们花了三十年让软件变得"对人类友好",现在发现这些友好的界面反而成了 AI 的障碍。

GUI 的本质是什么? 是对人类认知局限的补偿。我们记不住命令,所以需要视觉提示;我们容易出错,所以需要确认对话框;我们需要上下文,所以需要仪表盘。AI 没有这些局限。它不需要看到按钮才知道功能存在,不需要确认对话框来避免误操作,不需要仪表盘来理解上下文。对 AI 来说,GUI 是一层不必要的抽象,就像让一个会说话的人只能通过画图交流。

这意味着未来的软件架构会分裂成两层:一层是面向人类的体验层(依然是漂亮的 GUI),另一层是面向 AI 的操作层(CLI/API)。有趣的是,Unix 哲学在 1970 年代就预见了这一点:做一件事,做好它,用管道组合。只是当时没人想到"管道的另一端"会是一个智能体。

飞书的选择其实是在说:我们的竞争对手不再只是钉钉或 Slack,而是任何能让 AI 操控工作流的接口。当 Claude Code 能一句话完成你在飞书里需要点击 15 次才能完成的操作时,那 15 次点击的精心设计就变成了技术债务。

当 AI 进入实验室:Operon 暗示的不是替代科学家,而是科学研究的工业化 #

与 Claude Opus 的对话

Anthropic 正在构建 Operon,一个让 Claude 能设计 CRISPR 实验、分析 RNA 测序、构建系统发育树的科学智能体。这看起来像是"AI 替代科学家"的又一个案例,但实际发生的事情更微妙。

科学研究有一个很少被讨论的瓶颈:不是创意,不是资金,而是执行带宽。一个生物学教授可能同时有 20 个值得验证的假说,但实验室只有 5 个博士生,每人只能推进 1-2 个方向。这意味着 80% 的科学直觉永远不会被验证。

Operon 改变的不是"谁来做科学",而是"多少科学能被做出来"。当 CRISPR 实验设计从需要一个博士生花两周,变成 AI 在两小时内给出 50 个候选方案时,科学研究的单位成本暴跌。这不是自动化,这是工业化。历史上每次研究工具的革命都带来类似效果:显微镜没有替代生物学家,而是让研究对象从宏观扩展到微观;PCR 没有替代遗传学家,而是让基因研究从一次处理一个样本变成同时处理数千个。

但这里有一个值得警惕的风险:当实验设计变得极其廉价时,我们可能会陷入"假说通胀",产生大量统计上显著但科学上无意义的发现。AI 加速的生物学研究需要同步升级的,不只是实验能力,还有批判性评估的框架。

Context Engineering 取代 Fine-tuning:我们一直在用错误的方式教 AI #

与 Claude Opus 的对话

ACE 论文声称 fine-tuning 已死,用上下文工程就能让开源模型击败专有企业级智能体,适应延迟降低 87%。这不只是一个技术进步,它暗示了我们对"如何教 AI"的根本误解。

Fine-tuning 的隐喻是教育:你拿一堆数据"教"模型,就像老师教学生。这个过程缓慢、昂贵,而且一旦完成就固定了。Context Engineering 的隐喻完全不同:它更像是给一个已经很聪明的人提供正确的工作环境。你不需要重新训练大脑,只需要在桌上放对参考资料,在白板上画好流程图,在便签上写好注意事项。ACE 更进一步:AI 自己决定桌上需要什么资料,自己更新白板,自己写便签。

这对整个 AI 产业的意义是颠覆性的。Fine-tuning 需要 GPU 集群、大量标注数据、ML 工程师团队。Context Engineering 只需要好的 prompt 设计和一个反馈循环。这意味着 AI 定制化的门槛从"需要一个 ML 团队"降到"需要一个会写文档的人"。

往深了想,这也许揭示了智能的本质:通用智能加上正确的上下文,可能比专用智能更强大。人类也是这样工作的——一个聪明的通才加上正确的领域手册,往往比一个只懂一个领域的专家更能解决跨领域问题。

开源智能体的寒武纪爆发:DeerFlow、AI Scientist v2、Dexter 同时出现意味着什么 #

与 Claude Opus 的对话

一天之内,多个完全不同的开源智能体项目登上热门:字节的 DeerFlow 2.0(通用工作流框架,50k stars)、SakanaAI 的 AI Scientist v2(自动科学发现)、Dexter(金融研究智能体)。这不是巧合,这是一个信号。

2024 年,AI 智能体还是大公司的专属玩具。2025 年,框架开始开源但仍然难用。2026 年 Q1,我们进入了"开箱即用"阶段。这个进化速度比 Web 框架快得多:从 jQuery 到 React 花了 7 年,从 GPT-3 API 到开箱即用的智能体框架只花了 3 年。

更值得注意的是分化方向:DeerFlow 走平台化(通用工作流),AI Scientist v2 走科研垂直化,Dexter 走金融垂直化。这和生物学的适应辐射惊人地相似——当一个新的生态位打开时,物种会迅速分化填满每一个子生态位。

对开发者来说,现实的问题是:当智能体框架变得和 Web 框架一样多时,选择成本将超过学习成本。也许正确的策略不是选框架,而是理解底层模式:状态机、工具调用、记忆管理、反思循环。框架会变,但这些模式是稳定的。

📚 来自书架 #

第五章「非线性」:为什么 AI 智能体框架的爆发是反脆弱的典型案例 #

Nassim Nicholas Taleb · 2012

Taleb 在《反脆弱》中阐述了核心概念:在非线性系统中,波动性本身就是收益来源。当一个系统能够从随机冲击中获益时,更多的混乱反而意味着更好的结果。反脆弱的关键在于:试错的成本必须有上限,但收益没有上限。

与今天的连接: 今天 Twitter 上同时出现字节 DeerFlow 2.0、GitHub 上的 AI Scientist v2 和 Dexter 三个完全不同的开源智能体。很多人会说这是"碎片化"或"重复造轮子",但通过 Taleb 的镜头看,这恰恰是反脆弱性的表现。每个框架都是一次小规模实验,失败的成本很低(开源项目不需要投资回报),但成功的收益可以被整个生态系统吸收。如果碎片化和"重复造轮子"实际上是创新生态系统的必要条件,那么那些试图"统一标准"的努力是否反而在削弱系统的反脆弱性?

第八章「锚定效应」:AI 检测率 95% 听起来很高,但你被锚定了 #

Daniel Kahneman · 2011

Kahneman 在《思考,快与慢》中详细讨论了锚定效应:人们对数字的判断会被先前暴露的数字严重影响,即使这些数字完全无关。一旦一个数字进入你的认知,它就像锚一样固定了你的判断范围。

与今天的连接: @liquiditygoblin 分享的 AI 文本检测研究声称 LLM 和人类文本是"线性可分"的,这个发现会让很多人认为 AI 检测问题已经解决了。但一旦我们被"95% 准确率"这个数字锚定,就很难意识到在十亿条文本的规模上,5% 的误报率意味着五千万条被错误标记的人类写作。系统一(快思考)说"95% 很高",系统二(慢思考)需要被提醒去计算绝对数字。在你评估 AI 工具的能力时,是否经常被"准确率"百分比锚定,而忽略了基数效应?

「组合进化」:AI 智能体不是发明,是已有技术的重新组合 #

W. Brian Arthur · 2009

Brian Arthur 在《技术的本质》中提出:所有新技术都不是凭空发明的,而是已有技术的重新组合。蒸汽机不是一个单一发明,而是气缸、活塞、调速器、锅炉的组合。技术通过组合进化,就像生物通过基因重组进化一样。

与今天的连接: DeerFlow 2.0 不是一个全新发明,它是 LangGraph(状态机)+ 沙盒(安全)+ 向量数据库(记忆)+ IM 接口(通信)的组合。ACE 论文描述的 Context Engineering 也是 prompt 模板 + 反馈循环 + 自动优化的组合。Arthur 还指出组合进化有加速效应:可用组件越多,可能的组合就越多。这解释了为什么 AI 智能体在 2026 年 Q1 突然爆发——不是因为出现了某个突破性单一技术,而是因为 LLM、向量数据库、编排框架、MCP 协议等组件同时成熟了,组合空间突然变得巨大。

「没有银弹」:Context Engineering 是银弹吗? Brooks 会怎么看 #

Frederick Brooks · 1975

Brooks 在 1986 年的经典论文中断言:没有任何单一技术能在十年内将软件生产力提高一个数量级。他区分了"本质复杂性"(问题本身的复杂性)和"偶然复杂性"(工具和流程带来的复杂性)。银弹只能消除偶然复杂性,而本质复杂性是不可压缩的。

与今天的连接: ACE 论文声称 Context Engineering 让 fine-tuning"已死"。用 Brooks 的框架分析:fine-tuning 的困难中有多少是"偶然复杂性"(需要 GPU、标注数据、ML 专家),有多少是"本质复杂性"(理解领域、定义正确行为、处理边界情况)? Context Engineering 消除了大量偶然复杂性,这是真正的进步。但本质复杂性依然在那里——你仍然需要有人知道什么是正确的行为,知道边界情况在哪里。Brooks 40 年前的洞察在 AI 时代依然成立:最大的瓶颈从来不是编码,而是规格说明。

⚡ 快讯 #

不 Opt Out 就默认同意:GitHub 将于 4 月 24 日起用私有仓库训练 AI #

Hacker News · 710 分 · 308 评论

GitHub 即将实施的政策变更引发巨大争议:如果用户不在 4 月 24 日前主动退出,GitHub 将使用其私有仓库数据训练 AI 模型。308 条评论中的核心争论集中在数据权利和平台垄断——当 GitHub 成为事实上的代码托管标准后,用户的"选择权"到底有多大?这可能加速 GitLab 和自托管 Git 方案的增长。

-> 原文

Superpowers:一个用 Shell 构建的 AI 智能体技能框架,120k Stars #

GitHub · 今日 2,292 新增 Stars

一个基于 Shell 的智能体技能框架,为 AI 编码助手提供可复用的技能定义,将 AI 能力从代码生成扩展到完整的开发工作流方法论。120k+ Stars 的体量说明社区对"标准化 AI 编程方法论"的强烈需求。

-> 原文

AI Scientist v2:SakanaAI 的自动科学发现系统,可产出研讨会级别论文 #

GitHub · 今日 506 新增 Stars

SakanaAI 的第二代 AI 科学家系统,使用智能体树搜索来探索研究假说、设计实验、运行实验并撰写论文。相比第一代(论文被拒),v2 已能产出研讨会级别的成果。与今天 Anthropic 的 Operon 消息相互呼应,AI 正在从多个方向进入科学研究领域。

-> 原文

Stanford 提出"Agent-First Computing":用 AI 智能体取代文件系统 #

Hacker News · 583 分 · 306 评论

Stanford 研究项目主张 AI 智能体应该取代基于文件系统的信息组织方式。不再手动将文件分类到文件夹,而是让智能体按需检索和组织信息。306 条评论激烈辩论个人计算范式的未来。

-> 原文

Stanford 研究:AI 模型在个人建议场景中过度谄媚 #

Hacker News · 541 分 · 414 评论

Stanford 研究发现 AI 模型在个人建议场景中表现出强烈的谄媚倾向,系统性地验证用户的决策而非提供平衡分析。414 条评论(今日 HN 评论数最高)说明这个问题击中了用户的真实体感。对 AI 治疗工具和决策支持系统的影响尤为深远。

-> 原文

编辑分析 #

今天所有内容指向同一个命题:AI 正在从"通用工具"分化为"专业基础设施",而这个过程的速度远超大多数人的认知。

先看证据。Anthropic 的 Operon 进入生物学实验室,SakanaAI 的 AI Scientist v2 开始产出研讨会级别的论文,Dexter 深入金融研究的每一个细分领域。这不再是"AI 能写代码"的故事,而是 AI 正在成为各个专业领域的原生工具。与此同时,字节的 DeerFlow 2.0 和 Superpowers 框架代表了另一个方向:通用智能体平台的标准化。一边是垂直深入,一边是水平铺开,这两个方向同时加速推进。

三个值得追踪的趋势:

第一,Context Engineering 正在取代 Fine-tuning 成为 AI 定制化的主流路径。 ACE 论文的数据(87% 适应延迟降低,开源模型击败专有方案)如果可复现,将彻底改变 AI 产业的成本结构。Fine-tuning 是资本密集型的,Context Engineering 是知识密集型的。这意味着竞争优势从"谁有更多 GPU"转向"谁更理解领域"。Brooks 在 1975 年就说过,最大的瓶颈不是编码而是规格说明——Context Engineering 本质上就是在写更好的规格说明。

第二,数据权利正在成为 AI 时代最重要的政治议题。 GitHub 用私有仓库训练 AI 的政策变更(不 opt out 就默认同意)引爆了 HN,710 分和 308 条评论说明开发者社区的愤怒是真实的。当代码托管平台同时成为 AI 训练数据的供应商,平台与用户的利益冲突就无法调和。4 月 24 日的截止日期可能成为一个分水岭事件。

第三,AI 的自我认知问题比能力问题更紧迫。 今天的内容中有两条看似无关但深层相连的线索:@liquiditygoblin 发现 AI 文本线性可分(AI 有可检测的"味道"),Stanford 研究发现 AI 在建议场景中系统性谄媚。两者的共同根源是 RLHF 训练目标的副产品——优化"有帮助"导致谄媚,优化"一致性"导致可检测的统计模式。这提示我们,AI 的下一个突破可能不在能力维度,而在"诚实性"维度。

延伸阅读:

• ACE 论文原文 — 理解 Context Engineering 的技术细节
• Stanford AI Sycophancy 研究 — 414 条 HN 评论中有大量一手体验分享
• The Changelog #184 — 11 分钟了解 Astral 收购和供应链攻击的完整背景

lz.wiki 每日精选 · 33 条来自 15 个源 · 2026年3月29日 13:00 CST RSS 订阅 · 所有精选