Keep on to blur preview images; turn off to show them clearly
RT @apples_jimmy: Wow. “ 🥇 Gold-Medal Performance: V3.2-Speciale attains gold-level results in IMO, CMO, ICPC World Finals & IOI 2025. “…
Co-founder & CEO @HuggingFace 🤗, the open and collaborative platform for AI builders
构建现代 AI Agent 的实战指南：融合 Anthropic、GitHub 与 Docker 的理念和工程化智慧 核心观点一：设计理念（来自 Anthropic） ——“拒绝过度设计，从简单工作流开始” Effective harnesses for long-running agents https://t.co/rPsI6NMUVs 1. 先有“工作流”，再有“智能体”： · 不要一上来就试图构建一个全知全能、完全自主的 AI。 · Lesson：大多数业务需求只需要确定性的工作流。比如“先搜索，再总结，最后发邮件”，这是一条直线。只有当路径不确定，需要 AI 自己做决定时（“我该搜索还是直接回答？”），才称之为 Agent。 2. 简单的力量： · 文章强调使用可组合的模式而不是复杂的框架。 · 推荐模式： · Prompt Chaining：把任务切碎，一步步喂给 AI。 · Orchestrator-Workers：一个 AI 负责分配任务，几个 AI 负责具体干活。 · Evaluator-Optimizer：一个 AI 写，另一个 AI 负责挑刺和修改。 核心观点二：基础设施（来自 Docker） ——“给 AI 一个安全的‘家’和统一的‘手’” Docker + E2B: Building the Future of Trusted AI https://t.co/WHYQxIplPD 如果说 LLM 是大脑，Docker 正在成为 AI Agent 的躯干和手脚。文章强调了 Docker 在 Agent 时代的两个新角色： 1. 标准化的工具接口（MCP）： · 以往 AI 要连接数据库或 Google 日历，每家公司都有不同的写法。 · Lesson：Docker 正在大力推广 MCP (Model Context Protocol)。这是一种通用标准，让 AI 像插 USB 一样即插即用地连接外部工具。你不需要为每个工具重写代码，只需使用标准化的 MCP 服务。 2. 安全沙箱（Sandboxing）： · Agent 需要执行代码、读写文件，直接在你的电脑上跑太危险（可能会误删文件）。 · Lesson：利用 Docker 容器为 Agent 提供一个隔离环境。Agent 可以在里面随意折腾、安装软件、运行代码，即便搞砸了，把容器删掉即可，不会影响主机。 核心观点三：交互与落地（来自 GitHub） ——“上下文就是一切” How to write a great agents. md: Lessons from over 2,500 repositories https://t.co/rRZMyQtaD8 GitHub 通过 Copilot Workspace 展示了 Agent 如何真正融入工作。 1. 感知环境： · 一个好的 Agent 不能只看你的一句话，它必须看懂你的“整个世界”。 · Lesson：就像 GitHub Copilot 的 @ workspace 功能一样，Agent 需要能够理解整个项目仓库、文件结构和依赖关系。构建 Agent 时，关键在于如何高效地把这些背景信息喂给 AI。 2. 人机协作而非替代： · GitHub 的经验表明，Agent 不应该是一个黑盒，它应该是一个透明的合作伙伴。 · Lesson：让用户看到 Agent 的计划，并允许用户在 Agent 执行任务的过程中进行干预和纠正。 总结：如何构建现代 AI Agent？ · 大脑：使用 Anthropic 提倡的简单模式（如指挥官模式），不要迷信复杂的 Agent 框架。 · 身体：使用 Docker 容器来运行 Agent，确保安全；使用 MCP 协议来连接工具，确保通用性。 · 灵魂：像 GitHub 一样重视上下文，让 Agent 理解业务全貌，而不仅仅是回答问题。 一句话总结： 现在的 AI Agent 开发已经过了“甚至不知道怎么写 Prompt”的草莽阶段，正在进入 标准化（Docker/MCP）、模式化（Anthropic Patterns）和工程化（GitHub Context）的成熟期。 博客地址：
邵猛，中年失业程序员 😂 专注 - Context Engineering, AI Agents. 分享 - AI papers, apps and OSS. ex Microsoft MVP 合作 - 私信/邮箱：shaomeng@outlook.com 📢 公众号/小红书: AI 启蒙小伙伴
RT @acquiredotcom: Interest hit fast. Questions came early. Two products. Same smooth path. Happening every day on @acquiredotcom. https…
Founder and CEO of @acquiredotcom. https://t.co/wRMIssDmhl has helped 100s of startups get acquired and facilitated $500m+ in closed deals.
RT @1littlecoder: Deepseek casually drops a 685 Billion Parameter model on Hugging Face with MIT license! The higher variant performance…
Co-founder & CEO @HuggingFace 🤗, the open and collaborative platform for AI builders
They really could stand to cite published work, even if they had developed the same solutions convergently But given that the first third of the paper is literally a repetition of V3.2 exp. I think they're not spending much attention on propriety. Maybe in an update.
We're in a race. It's not USA vs China but humans and AGIs vs ape power centralization. @deepseek_ai stan #1, 2023–Deep Time «C’est la guerre.» ®1
这位朋友刚出炉了一个Mac 端 MLX 本地推理项目。 把 Qwen3-omni-30b-a3b 搬到了 Mac 上，实现了完全离线的 End-to-End 语音交互。这应该是目前社区里第一个做出来的 MLX 适配版本。 Qwen3-omni用的是Thinker-Talker 双模块架构、MoE混合专家结构，移植到 MLX 肯定是需要大量重写工作的，能实现出来应该也是踩了很多坑 有需要mac端 本地化e2e语音模型的推荐看看！ Demo: https://t.co/6ZAGwmgJDr Github: https://t.co/cscW99XTJw
Believing is seeing