Pinned Tweet
昨晚灵感突现,设计了一种迭代式的工程实施,把产品功能拆成一个 Tree,每个功能就是 Tree 上的一个 node。然后我就用 5.6 Sol + Codex 的 Goal 功能
把每个节点都对照其他几个对标Agents,进行代码审核、补测试、跑真机;发现一个细节就继续拆子节点,直到状态、失败、重启和 UI 都有证据。
——
Codex 的迭代式 Goal 工作超过15个小时了,刚刚过去的 3小时,Tree 产出一些新的 Nodes,然后若干节点被标绿了
(小乐趣)虽然 grokbot 早就把 agent runtime 和 host 迁移到了云端,但还是能够继续从工具的定义里找出线索,让我的本地版持续跟上远端进展。
——
更新了 看板和凭证(Vault)功能
359
Lauren Tan 在 AI Engineer 大会上的演讲《All Code Is Slop (Except Mine)》要点。她在 SpaceXAI 负责 Grok Bot 桌面版。
1. 每纠正 AI 一次,就把这次纠正写成 lint 这类自动检查规则,少往 agents.md 这类说明文档里加话。违反 lint 规则的代码会直接报错、提交不上去,文档里的话 AI 不一定照做。
2. 代码库是 AI 最主要的学习材料。里面的坏写法、临时补丁,会被下一个 AI 当成惯例照抄,像杂草一样越长越多,所以代码库要保持干净。
3. 容易用错的东西,直接禁掉。React 里有个功能人都常用错,AI 更用不好,他们在产品代码里禁用了它,这类问题从此不再出现。
4. 禁掉 99% 的代码注释。AI 爱在注释里给自己走的捷径找理由,后来的 AI 就照着学。她在 Cursor 时,这种“有理由的补丁”扩散开来,把应用拖得很卡。
5. 让 AI 自己检查自己的活。AI 把程序跑起来像用户一样点一遍,交上录屏和截图,人审代码就变成看这些材料。她的 Token 大部分花在这一步。
6. 以前用不起的检查方法,现在用得起了。用数学方法证明程序没问题这类严格验证,过去太费人力,AI 把成本降了下来。
7. 结果:团队上个月合并了 1.1 万个 PR,被撤回的约 0.5%,应用比刚发布时还快。
8. 先打好地基,再谈全自动。AI 写代码这一步本身出烂代码的话,全自动化只会出更多烂代码,还更费钱。
my AIE talk is up! come hear how the grok @bot team ships so quickly without compromise on quality
youtu.be/O_zcc6Xl12g
花了点时间在研究各种开源的音视频 workflow,为了马上开始的新课做准备,这次新课就是所见即所得的AI 全自动音、视频生成,这个课主要是为了AI 爱好者、自媒体从业者和需要不断向客户提案的朋友们准备的。
——
目前 Agent+Opus 5.5(或者 Gemini 4)+各类视频 workflow的产出已经很够用了。更重要的是给大家讲清楚如何选择出适合自己的,然后改成可以随时为自己所用的。
4
5
1,210
NO./3 - Agent 的 Skill 到底是什么(夜曲风,2 分 25 秒)
技术栈:这个 skill 自带 86 种风格的风格库。
按文档推荐选了"知识讲解 · 夜曲",画面全部是 Canvas 代码画的,最后从网页逐帧导出成 MP4。
经验:先出 20 秒样片定调,满意了再做整片,返工最少。风格库的价值是不用每次从零描述"我要什么感觉"。
场景:给自己的系列内容定一个固定画风,每期换题不换风格。
73
分享 10 个有趣的纯 AI 视频,这些都是在我本地机器上跑出来的,workflow 都是来自社区。
NO./1 - Code Monkey (超喜欢的 MV)
说明:这个skill 没有内置 LLM 调用,分镜脚本由J Agent + Claude Opus 5.5 照 SKILL.md + references 写成。 歌词文本本身来自歌曲(Whisper 转写 + 对照公开歌词修正),不是生成的。
场景:拿来给家人定制个 MV 岂不美好?
1
385
Google 推出 Gemini Decisions API:不写回答只做判断,一次最多问 1000 个问题,输入每百万 Token 0.1 美元、输出不收钱
Google 今天在 Gemini API 里上线了 Decisions API,配套新模型 Gemini Decision 1。它不生成文字,只答题:给它一份输入和一组问题,它直接返回每道题的答案,外加一个“有多大把握”的置信度。
【它解决什么问题】
做 AI 应用时,很多调用其实只要一个判断:这条客服消息转给哪个组?这个问题交给便宜模型还是推理模型?这张图违不违规?以前只能让大模型写一段话,再从里面解析答案,慢,容易解析失败,还要为输出 Token 付钱。
Decisions API 只有三种题型:是非题,返回“是”的概率;单选题,2 到 255 个选项,返回选中项和每个选项的概率;打分题,按你写的档位打分。每个答案带 0 到 1 的置信度,代码可以设门槛,比如高于 0.7 自动执行,低于就转人工。官方说这些概率是校准过的,意思是模型说 90% 的时候,大约十次里真对九次,所以置信度能直接拿来当门槛。
Google 博客的例子:上传一张茶水间台面的照片,同时问三个问题。“有没有洒了的液体”答 0.95;“怎么处理”选“用抹布擦”,置信度 0.98;“脏乱程度按 0 到 2 打分”给 1.19,置信度 0.77。
【多快、多便宜】
一次请求的输入最多 256K Token,文字、JSON、图片、音频、视频、PDF 可以混着放,比如一段客服通话录音加账户信息。同一份输入上最多挂 1000 个问题,彼此互不影响。输入只计一次费,每多一个问题只多算这道题本身的字数。
Google 称输入在 1.6 万 Token 以内时,端到端延迟 150 到 250 毫秒,问 1 个和问 100 个问题耗时差不多;同一批评测下,比用 Gemini 3.5 Flash-Lite 生成答案便宜近 5 倍。Gemini Notebook 已经用它给每个提问挑模型,日常问题延迟最多降了 40%。
【谁能用】
在 Google AI Studio 拿个 API Key 就能调,模型名 gemini-decision-1,走 v1beta 接口。有免费层,每分钟 200 次、每天 1 万次,免费层的数据会被 Google 用来改进产品,付费层不会。OpenRouter、LangChain、Vercel 等正在接入,Google Cloud 上的 Gemini 要稍后才支持。
不支持上下文缓存和 Batch API,同一份大文档反复问,每次都按全价算输入;不能直接传 YouTube 链接;问题本身只能写文字。
【跟 OpenAI 的同名产品比】
OpenAI 早一个月做了同样的东西,名字也叫 Decisions API:10 月 6 日出测试版,10 月 22 日正式开放,用 GPT-6 Luna,同样每百万输入 Token 0.1 美元、输出不收费。区别是 OpenAI 一次最多 400 个问题,只收文字、图片和 JSON,不收音视频和 PDF;但它支持缓存,重复输入能打折,还能直接塞进对话历史和工具调用记录。
创业公司 TypeSafe 的 Jev 1.14 也专做这类判断,在 OpenRouter 上每百万输入 Token 0.042 美元,只收文字和图片。
Google 博客附的对比表里,Gemini Decision 1 在 9 项测试中 7 项第一(其中音频、视频两项只有它和 Flash-Lite 参测),校准误差 0.025,GPT-6 Luna 是 0.072;网页操作和“该不该调用工具”两项输给了 Jev 1.14。7 项共同评测的总花费,Jev 最低,0.68 美元,Gemini Decision 1 是 0.88 美元,GPT-6 Luna 0.93 美元。以上跑分都是 Google 自己测的。
Google 博客:blog.google/innovation-and-a…
官方文档:aistudio.google.com/docs/dec…
OpenAI Decisions API 文档:developers.openai.com/api/do…
Today we’re launching the Gemini Decisions API, powered by our new Gemini Decision 1 model in @GoogleAIStudio.
Instead of generating text token by token, it’s built for closed-set choices scoring up to 1,000 questions across text, images, audio, video + PDFs in a single pass. A few details:
- 3 decision types: yes/no, multiple choice (up to 255 options) + rubric scoring
- $0.10 / 1M input tokens with $0 billed for output tokens (~5x cheaper than Flash-Lite)
- leads on several benchmark evals with lowest calibration error
Google teams are already building with it, below is a look at Stitch Rapid designing a full product flow in seconds (1x speed)
最近给自己的身体做了一次深度的 Debug,以下均为实施,我 TM 还有一份长达 5 页的报告。
连续 3 个月高强度设计和实施 AI Agent,叠加上个月的新冠恢复期和疫苗免疫应激,我的自主神经系统直接触发了“熔断”:
白天坐到电脑前心率就条件反射式飙升、胸口发紧(Air Hunger),夜间平均心率卡在 75 bpm 下不来,HRV 跌穿到 21 ms,静息心率从基线的 62 一路连跳到 72 bpm。最荒谬的是,周五去跑了个自以为很轻松的常规慢跑,心率直接干到了 153 bpm,成了压垮系统的最后一根稻草。
复盘了一下底层生理机制,给同样高强度用 AI 的朋友们提个醒:
1. 前额叶算力过载 = 丧失对交感神经的抑制:高密度架构抽象 + 高频上下文切换,会把前额叶的代谢额度榨干,导致杏仁核和交感神经失去“总控刹车”。
2. Agent 异步循环的多巴胺陷阱:等待模型流式输出、看日志排错的几分钟间隙,大脑其实处于高频的“捕猎唤醒”状态,极易诱发隐匿性屏气(Screen Apnea)。后台僵尸进程未杀除:哪怕晚上 10 点就断联手机看书,只要大脑的默认模式网络(DMN)还在后台偷偷跑架构推演,前半夜的类淋巴系统就无法开启“内存垃圾回收”。
3. 这几天开始强制执行“人机协同降载协议”:读写分离:不在工位苦思冥想,去沙发上想清楚架构,回电脑前只做纯粹的指令输入。利用 AI 间隙做微恢复:把等 Agent 跑任务的 3-5 分钟,从“盯屏监工”改成远眺(Panoramic Gaze)和双吸长呼(Physiological Sigh)。自下而上(Bottom-up)踩刹车:停掉高心率运动,改用 NSDR(非睡眠深度休息)、睡前甘氨酸镁、Omega-3 和修复瑜伽(倒箭式)物理激活迷走神经。
执行熔断的第一晚,静息心率已经从 72 降回了 66 bpm。未来十年用 AI 工作,拼的不是像耕牛一样超频死跑,而是做“脉冲式猎豹”——高维思考时算力全开,AI 执行时瞬间切断交感神经。看好自己的 HRV,别让肉身成了算力的瓶颈。
你知道 grokbot 的新版本把 agent runtime 搬到云端了吗?
然后,local-exec-daemon 做了增量(0.78.1)
——
新本地服务(全部在用户计算机上运行):
1. Vault 凭证代理:/v1/vault 端点、listGrokBotVaultCredentials RPC、
vault items 带 sites[]、targetRules[]、expectedGeneration、expirationMode、
credentialExpiresAtMs、ticketExpiresAtMs、policyVersion。
2. 本地审批存储(auto-review 落地):approvalsPath / retirementsPath / standingGrantsPath、
approvalId、accountScope、authorizedByApproval、serverAuthoritative、
1 小时审批窗口(36e5ms,对应 0.77 "30 分钟"→实际 1h)。
"The local-tool approvals file is unreadable" —— 审批状态是 daemon 管理的 JSON 文件。
3. 1Password 集成:工具名 RequestOnePasswordConnect / RequestOnePasswordLogins / SetOnePasswordPreference;
RPC beginOnePasswordConnection / completeOnePasswordConnection / getOnePasswordState / syncOnePasswordConnections / deleteOnePasswordConnection;回调
/v1/onepassword-oauth-callback、/v1/onepassword-approval-callback。
4. 凭证 provider 框架:FillCredential / GetCredentialProviderStatus / ListCredentials、
local-exec-daemon-credential.json(daemon 自身凭证)、OAuth 动态客户端注册
(redirect_uris/token_endpoint_auth_method/grant_types…)、Keychain 引用。
5. 多用户计算机:userComputers[](按 accountScope 区分)、userComputerRetry、
userComputerRemoved —— 对应 0.77 "Route traffic through this computer" 多设备。
6. 移动设备工具:MobileReadCalendar/WriteCalendar、IOSReadHome/ControlHome/ReadHealth/ ReadReminders/WriteReminders、MobileReadContacts、DeviceGetLocation(iOS/Mobile 配对链路)。
7. 工具权限面:权限组 [Computer, Read, Screenshot, Shell, Skill, Vault] + 单独的
CopyToBox/CopyFromBox/ListMachines/AwaitShell。
6
1,473
这个很有用,对于 worktree 也是深受其扰 。也推荐大家看看宝玉老师的 agents.md
避免 worktree 残留的最佳策略是在 AGENTS.md 里面添加规则,要求 worktree 不遗留,让 Agent 自己去清理。
github.com/JimLiu/baocut/blo…
> worktree 不遗留:在 worktree(含 subagent 的 .claude/worktrees/agent-*)里做的任务,完成时必须删除该 worktree 及其分支。它专用的 cargo target 目录一并删掉。删除前二选一:合并进 main;或不合并时先把未提交改动提交到该分支,打 archive/<worktree 名> tag 存档,再 git worktree remove + git branch -D。编排 subagent 的会话负责收尾它派生的 worktree。确需保留的(待用户裁决、有冲突待解)在最终回复里点名路径与原因,不得默默留下。
这是 Gemini 诞生以来第一次爬到第一的位置
I did say we'd be releasing our models periodically...introducing Gemini 4 Carbon, our next frontier model.
Following Argon's release just two weeks ago, Carbon shows the pace at which we’re pushing the frontier, it ranks #1 on the recently updated v5.0 of @ArtificialAnlys Intelligence Index at 59. It also leads across key cybersecurity evaluations scoring 88.2% on SEC-bench Pro for finding vulnerabilities, 54.8% on ExploitGym for exploitation, and 71.0% on CWE-bench for patching.
We’re seeing significant improvements in long-horizon tasks even compared to Argon, and we’ve strengthened frontier safeguards.
As we did with Argon, we’re going to roll it out gradually + responsibly. Some trusted cyber defenders will get access starting this week. We'll be expanding it to more partners through our Fairwind Program, ahead of wider availability soon, so hang tight!
1
380
Browser Agent 实测分享,结果会追到这个threads里:
结合最新的 WebVoyager、Online-Mind2Web 评测与我们自己的工程实践,目前浏览器 Agent 真正的“死亡重灾区”其实非常集中:
1️⃣ 读写断层(Read vs. Write Gap):只读提取容错率极高,但一旦涉及“写操作”(填表、加购、改设置),成功率直接腰斩。
2️⃣ 长轨迹指数级衰减:超过 11 步的任务,每一步微小的 DOM 解析偏差都会累积成灾难。
3️⃣ 非智能因素占一半:高达 30%–50% 的失败根本不是模型不够聪明,而是死在 Cloudflare 验证、Shadow DOM、跨 Tab 失明、以及前端静默报错后的“幻觉完成(以为自己点成功了)”。
4️⃣ 流派盲区:纯 DOM 派遇到 Google Sheets 这种 Canvas 画布直接变瞎;纯视觉派遇到复杂动态下拉框又容易坐标漂移。
为了摸清 Agent 的真实边界,我整理了一套《12 个生产级 Browser Agent 极限测试任务(含标准 Prompt、测试靶场与 Pass/Fail 验收标准)》。
覆盖了:多站点邮编对齐比价、OS 级文件上传、虚拟列表边滚边记、抗 Indirect Prompt Injection 劫持、高风险支付急停、以及前端红字报错自我纠错等最吃硬功夫的场景。
——
12 个任务详细提示词:
docs.google.com/document/d/1…
3
1
538
































