如何自动化获客（完整指南）
本文是一份自动化获客完整指南，介绍如何利用 AI agent（如 grok bot、hermes）和 skill 文件，为数字产品、本地实体生意或无产品者自动生成线索。核心方法：找到已付费人群，抓取公开数据，生成买家画像与广告素材，通过 whop ads 投放或渲染物业修复效果触达业主，最终将线索卖给企业。文章分三条 pipeline：数字线索、实体线索、线索变现，并说明 agent 负责寻找、画像、素材、渲染、外联等，仅少数环节需人工决策。
全部文档 / 作者: lauren（@poteto），yibie 翻译
43 篇
我在 22.7B token 上从零训了一个 348M 模型，它能做 14 位加法
作者 nkthebass 从零训练了一个 348M 参数的 decoder-only 小模型 TinyBrainBot 350M V3 Math，用带纸笔（scratchpad）的竖式算术方式做计算。九项 GPT-3 算术子任务均值达 99.4%，加法干净做到 14 位，三位数乘法 98.0%。文章详细分析了首版三个缺陷的修复过程、加法天花板源于词表位名不足、减法错误集中在大小比较、应用题弱与算术高分不矛盾等发现，并分享了训练中关于联合分布控制和显式对齐步骤两个关键经验，以及 LoRA adapter 合并的意外收益。
Agent 能做的、与写代码无关的有用之事
本文由 Automattic 工程师 Elijah Potter 撰写，探讨 AI coding agent 在写代码之外的实际用途。作者分享了三个工作流用例：修复 PR 的 merge conflict、查找与分支相关的 issue、诊断并修复 GitHub Actions 失败，并附上其在 pi 中使用的 prompt 模板。作者强调这些 prompt 仅作灵感，鼓励读者根据自身工作流灵活调整，将重复性、低认知负荷的任务交给 agent 处理。
你的 Agent Harness 应该自我修复
文章探讨了 Agent 系统如何在不更新模型权重的情况下实现自我改进。作者提出两条独立回路：成功运行可产出可复用流程（如 Hermes 的 SKILL.md 程序性记忆），失败运行可产出经审查的修复和回归用例。通过 Opik 工具链，生产失败被转化为结构化反馈：trace 记录、源码级诊断、人工批准 diff、重跑验证、回归测试。文章强调改动需版本管理、评估需确定性校验器，系统并非自动学习，而是把事故变成可审查的改进输入。
Harness 是组合泛化器
本文介绍 Alex L. Zhang 与 Omar Khattab 提出的观点：Transformer 不擅长组合泛化，而更好的泛化应主要由 harness 完成。Harness 位于外部世界与神经网络之间，通过 context offloading（上下文卸载）和程序化子 agent 调用两个机制，让每次 LM 调用看到的观察处于训练分布内（LID），把复杂、陌生的问题归约为简单、熟悉的问题。实验基于 Qwen3-30B 的递归语言模型（RLM）显示在长度泛化和跨域策略泛化上远胜裸 Transformer，30B RLM 甚至可逼近 GPT-5.5。作者提醒不要手工硬编码 harness 结构，数据 scaling 仍是最大驱动力，但 harness 决定 scaling 系数。
the fly can 大赏：一个果蝇大脑，被全世界安排了各种活
Google 开源完整雄性果蝇大脑图谱（16.6 万神经元）后，X 上掀起「the fly can」热潮：果蝇大脑被接入 Minecraft、逃生游戏、比特币交易、YMCA 舞蹈、Figma 设计、Doom、Beat Saber、发币、发布视频等场景，甚至小鼠视觉皮层也被用来炒股。文章梳理了这些荒诞又硬核的案例，并指出其爆火源于数据开源、Agent 工具高效与荒诞感传播，同时引出关于意识与伦理的严肃讨论。
Pi 生态周报：缓存命中 99.93%、一周三版本、沙箱与安全成新方向
本文是 Pi 生态的一周动态总结。作者提到创始人转推用户实测数据：在 pi harness 上 DeepSeek V4 Flash 缓存命中率达 99.93%，仅花费 2.65 美元获得近 10 亿 token，凸显缓存经济学优势。Pi 本体一周内发布三个版本（0.84.0-0.84.2），带来全屏转录搜索、AGENTS.override.md、defaultTools 等实用更新。此外，作者介绍了多个新插件，如 Feynman（研究型 agent）、pi-landstrip（沙箱化 Bash）、pi-chrome-devtools 等，并指出两个重要信号：缓存优化成为卖点，以及沙箱与安全成为 agent 生产化的关键方向。
百万级文档RAG实战：检索质量由重排和查询改写决定，模型选型反而是小事
本文总结了HN上关于RAG系统实战的讨论，核心结论是检索质量主要由重排和查询改写等流程环节决定，而非模型选型。文章整理了微软Pamela Fox和Usul AI作者Abdellatif等一线工程师的学习清单，涵盖生产级RAG的ROI排序、检索理论、开源模板、模型评测、存储基础设施及产品案例，并指出query generation和reranking是性价比最高的优化点，chunking最耗时。
为什么 Claude Code 会话会随时间变差
本文深入探讨了 Claude Code 等智能体工具在长对话中性能下降的现象。作者将其归因于“上下文腐烂”，分为无法避免的内在腐烂（模型架构限制）和可管理的内容腐烂（过时信息积累）。文章提供了具体的治理实践，包括前期策展、保持上下文清洁、及时重置以及使用 git 树结构管理会话，以维持工具的敏锐度。
推荐这期 Pi 插件合集
文章推荐了6个实用的Pi插件，包括必装的pi-agent-extensions、多代理协作的pi-agents-team、跨会话记忆增强插件、上下文工程工具以及连接Claude Code生态的桥梁插件，旨在提升Pi作为Agent Harness的扩展能力和效率。
多 Agent vs 单 Agent：Pi 社区实战总结
文章总结了 Pi 社区关于多 Agent 与单 Agent 使用的实战经验。单 Agent 适合简单和密集上下文任务，多 Agent 适合可拆分的大任务，但需承担上下文转移、重复工作、验证和编排成本。作者还介绍了 pi-workflow 工具，通过 JSON 规范标准化多 Agent 工作流。
训练小模型：2026 年最被低估的 AI 技能
本文探讨了 2026 年 AI 领域的边缘趋势：个人开发者训练小模型（SLM）。文章详细介绍了 CJ Zafir 的方法论，即利用 Codex 和 DeepSeek 生成数据、Unsloth 进行训练、Qwen 作为基座，以极低成本（最低 11 美元）在垂直任务上超越大模型。文章指出，真正的护城河在于高质量数据集的生成工厂，而随着硬件门槛降低和工具成熟，模型微调正从企业军备竞赛转向个人技能。
AI 时代的友好语言设计
文章基于 Armin Ronacher 的观点，探讨了在 AI 时代如何设计适合 Agent 的编程语言。AI 偏好显式类型、刚性语法和显式副作用声明，讨厌宏、重导出和不稳定的工具链。理想的面向 Agent 的语言应具备显式契约（类型、依赖、语法），将衡量标准从“写起来准”转变为“读起来准”，以提高代码的独立理解度、修改局部性和工具一致性。