Keep on to blur preview images; turn off to show them clearly
消息称苹果正在为 Siri 开发新版本 部分功能将依赖 Google 的 Gemini 模型 如复杂逻辑推理、搜索功能将由 Gemini 模型提供支持 核心 Siri 功能（如设备控制、本地任务执行等）仍由苹果自研模型负责。 似乎要抛弃 OpenAI，毕竟Google 每年还要给苹果几十亿美金🥲 用户在请求复杂查询（如多步骤逻辑推理、创意内容生成、网络搜索）时，Siri 会“委托”请求给 Gemini 模型处理。 这与苹果在搜索领域可能采用 Google Search 作为默认选项的逻辑类似。 据称 Google 将为苹果构建一个基于 Gemini 的定制模型，该模型运行在其 Private Cloud Compute 服务器上，避免直接暴露用户隐私。 Siri 不会直接整合 Google 服务 也不会显示 Gemini 的特性 而是“由 Gemini 模型在后台驱动”，Siri 的表现仍保持苹果的用户界面与体验风格。 新版 Siri 预计 2026年3月左右推出...
学AI找小互，找小互，上 https://t.co/4PVaHEr5r3 ...
RT @hongqn: AI 就像芙莉莲里的魔族，学习人类的语言，模仿人类的感情，让人类信任它，其实只是冷酷的为了最小化损失函数最大化奖励函数
喜欢王小波，大概我们能成为朋友。 我的 2025 https://t.co/pAkSJnpKXA 我的 2024 https://t.co/HfDF6oduB7 我的 2023 https://t.co/QyV8PiZmOY ..............
当 Markdown 遇到乐高，一个跨平台「可编程」的文档编辑器：Podlite 不同于 Markdown，Podlite 把所有内容抽象成「块」——每个块都是独立的功能单元，走的是「积木式自由拼装」路线。 📦 开源地址：https://t.co/y13GL9lQ9d
🧠在家居士 | 🥦素食者 | 🏃🏻马拉松爱好者 | 💰省钱小能手 | 搭🪜技术资深学者 | 👨💻科技宅 | 🆕更新狂 | 🆅 六边型战五渣
RT @indie_maker_fox: 容我再捞下上周分享的 AI编程之大模型基础概念 的科普视频
🚀 The best AI SaaS boilerplate - https://t.co/VyNtTs0jSX 🔥 The best directory boilerplate with AI - https://t.co/wEvJ1Dd8aR 🎉 https://t.co/zubXJCoY92 & https://t.co/tfQf8T7gGF & https://t.co/TqRkfQj41f
At last this is being systematically studied
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
高级上下文工程在编码智能体中的应用 Human Layer 创始人 @dexhorthy 以个人经历和实际案例为基础，强调从原型到生产级代码的转变，核心在于优化 LLM 的“上下文窗口” —— 即模型输入的信息质量和结构。 背景：上下文工程的起源与 AI 编码的演进 Dex 追溯了“上下文工程”一词的起源：早在2022年4月，他发布了一份“12 Factor Agents”宣言，探讨可靠 LLM 应用的 12 条原则。2024年6月，该术语被更广泛推广。他引用了今年 AI Engineer 大会的两场热门演讲：Sean Grove的“The New Code”，强调规格（specs）而非代码本身是未来软件的核心；以及斯坦福大学的一项研究，分析10万名开发者的数据，发现 AI 编码虽能加速原型，但在大规模企业或遗留代码中往往导致重工，甚至适得其反——复杂任务下，AI 生成的代码可能增加 50% 的返工率。 Dex 的观点是：当前模型还无法完全取代人类编写复杂系统代码（如涉及竞态条件、关机顺序的 Go 语言应用）。因此，上下文工程的目标是“榨取”现有模型的最大价值：通过精心设计输入，提升输出的正确性和效率。 核心挑战：为什么传统 AI 编码失败？ · Naive Prompting：简单地与代理反复对话（如“不对，重来”），容易耗尽上下文窗口，导致模型迷失方向或产生“噪声”（无关信息）。 · 上下文瓶颈：LLM 本质上是“纯函数”——输出质量仅取决于输入。编码智能体的循环过程（搜索文件、理解流程、编辑代码）会快速填充窗口，造成信息过载、遗漏或错误。 · 团队痛点：AI 生成的20,000行代码 PR 难以审查，导致团队脱节。Dex 分享个人经历：与顶尖 AI 编码者合作时，他被迫放弃逐行审阅，转而依赖规格来“放手”。 目标设定：适用于大型复杂代码库、解决真实问题、无“垃圾”代码、生产级输出，并最大化 tokens 利用率。 关键策略：从压缩到工作流程的重构 Dex 提出“一切皆上下文工程”的理念，优化四个维度：正确性（无坏信息）、完整性（无缺失）、大小（控制噪声）和轨迹（保持方向）。他避免了低效工具（如简单的/slashcompact 命令），转而采用以下高级方法： 1. 有意压缩（Intentional Compaction）： · 非简单重启，而是创建“进度文件”（progress file），记录关键摘要（如文件路径、变更意图、测试计划）。这比原始代码短得多，便于后续代理继承上下文。 · 公式化思考：有效 tokens ≈ 总 tokens（~170k） - 噪声 tokens。Dex 引用 Jeff Huntley 的 “Ralph Wigum as a Software Engineer” 文章，证明循环运行相同提示（而非随意迭代）能显著提升结果。 2. 子智能体（Subagents）的上下文控制： · 用于隔离任务，如“查找信息流”而不污染主上下文。子智能体返回结构化响应（e.g., 文件名+行号），避免“电话游戏”式的信息失真。 · 挑战：非确定性系统易混乱，因此需精确提示父智能体如何指导子智能体。 3. 频繁有意压缩与三阶段工作流程： · 研究阶段：使用开源提示模板，生成系统概述（文件、数据流、问题定位）。输出简洁，便于智能体快速定位。 · 规划阶段：要求智能体列出所有变更（文件、代码片段、验证步骤），形成“实施计划”。计划通常比代码短，易于人类审查。 · 实施阶段：基于计划编码，保持上下文利用率<40%。每步完成后更新计划，重启新窗口。 · 整体循环：研究 → 规划 → 实施 → 人类审查 → 迭代。Dex强调：审阅200行计划远胜于2000行代码，能及早捕获错误，并维持团队“心智对齐”（mental alignment）——代码审查的核心价值。 这些提示模板开源，可在 GitHub 找到。Dex 坦言：这不是“魔法”，需仔细阅读和调整。 实践案例：从 Rust 修复到 WASM 集成 · Rust 代码库修复：Dex 与另一 YC 创始人 Vibhav（BAML创建者）合作，一次性修复30万行 Rust 代码库的 bug。过程记录在75分钟播客中，最终 PR 被 CTO 悄然合并——证明适用于遗留系统，无需重工。 · 复杂问题解决：与 Boundary CEO 合作，7小时内生成/编写35,000行代码，添加 WASM 支持，相当于1-2周工程工作。验证了策略在生产环境的可行性。 启示与未来展望 Dex 的核心洞见：代码错误源于上游——坏研究可酿成数千行坏代码，坏计划则放大数百倍。因此，优先投资规格和系统理解，而非纠结代码细节。他的团队（3人）一个月内消耗大量 API 信用，但节省了大量工程时间：实习生首日即发2个 PR，第8天达10个；Dex 本人两个月未打开非 Markdown 文件。 展望：编码智能体将趋于商品化，但团队转型（拥抱规格优先、频繁审查）才是难点。Human Layer 正协助从6人 YC 初创到千人大企实现这一转变。 视频地址：
专注 - Context Engineering, AI(Coding)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 🔗 信息卡提示词 🔽
