ex @Dify_ai | Building Myrio | ACMer & Computer Science Enthusiast | Lesbian | 💖love maimai & 📝writing | 🐱Catgirl | 💝I'll always be with you.
Shibuya-ku, Tokyo
Joined August 2023
- Tweets10K
- Following541
- Followers6K
- Likes34.6K
Pinned Tweet
Know you will wake, on winds rise again
知道你终会醒来，从那之后天空即为极限
For this journey's end but one step forward to tomorrow…
而这旅途的终焉，即为迈向明天的开始
还是来正式宣传一下！昨天在 GOSIM 没讲尽兴的东西（
我们做了 Obelisk，一个让 Coding Agent 能够检索自己所有历史 Session 的开源 Infra
它可以追溯一段代码为什么这样写、接手另一个 Agent 的任务，甚至研究过去两个月的开发历史，重新梳理整个项目的架构演进
而我们没有使用任何 Embedding 或向量数据库
🔗 GitHub: github.com/tommy0103/obelisk
为什么已经有那么多 Agent Memory 产品，我们还要做一个？
因为我们觉得，传统 Memory 可能从一开始就搞错了问题：
为什么要让模型在过去，决定未来需要记住什么？
预先提取的 Memory 不仅会丢失原始语境，还可能让 Agent 把局部结论当成普遍事实
我们的思路是：与其让 Agent 记住过去的结论，不如让它有能力重新研究过去
技术上也很简单：我们放弃了 Embedding 和向量数据库，使用 BM25 / FTS + Code Mode，让 Agent 自己搜索、阅读、验证历史
实际效果比想象中有趣：从追溯代码设计、跨任务 Handoff，到生成 Roadmap，甚至复盘过去一两个月的架构决策，都可以完成
部分 Benchmark 上的表现也优于 Mem0，我们还在寻找更有说服力的评测方式
更完整的技术讨论：
obelisk.antinomie.org/blog/
欢迎来玩，也欢迎挑战我们的设计！
Hey @badlogicgames , curious what you think of Obelisk!
I agree with your take that we don't need a memory system when we use coding agent for something. But agents still need access to their history.
Documents are only lossy projections of past work, while using code to preserve history has a much larger blast radius and context cost.
We think on-demand session retrieval offers a surprisingly cheap alternative. With Code Mode, agents can compose queries and precisely control how much history enters their context.
Given Pi's new-session design, I'm curious whether you'd find a built-in session retrieval layer valuable.
(Attached a couple of slides from my GOSIM talk!)
拿到新设备第一件事情是装 lody，第二件事情是装 magpie
lody 和 magpie 真的好用，一个一键 agent setup，一个一键 ai provider setup
我需要做的所有事情就是 add agent，add provider，去 kimi 和 deepseek console 上拷贝一下 api key，也不需要记住 base url，太舒服了
本来换主力设备是一个很痛苦的过程，但至少在 vibe coding toolchain 上没那么痛苦（反而最痛苦的事情变成了如何迁移本地 workspace 和 repo
@yetone @lody_ai That's so cool!
Yuu💖 retweeted
LayerFS v1.0.0 is out 🎉 Open-source (MIT)
Recursive filesystem for AI agents.
6 core ideas:
1. Ephemeral computing: agents spend ~80% thinking, so each Bash call mounts a Workspace, then commits
2. Decentralized agents: every agent commits to one Store, no DB server
3. Multiagent coordination: every tool call is a Commit; same-file clashes refused
4. Recursive filesystem: forks copy no files, at any depth
5. Ultra storage: dedup, then compression: 10 copies → 0.31
6. Instant bootstrap: ignored files stay in every Commit. ~5 min install vs 0.05 s mount
And 4 more:
7. Auto checkpoints: fork from any step
8. Append-only objects: content-addressed, never rewritten
9. .lww: lockfiles and caches take the newest edit
10. Big file, small edit: a write keeps only its bytes
Here are our links:
github: github.com/Ephemeral-AI-Lab/…
website: layerfs.ai/
Watch the video below, and have Fun!!!
Zed 的选择再次证明在 Obelisk 中选用 bm25 / FTS5，弃用 embedding 是正确的，这些决定让 Obelisk 变得简单和足够小，且不伤害检索的性能和可靠性
Yuu💖 retweeted
Last year’s April, I visited Cloudflare and learned a lot about Cloudflare Workers. It got me thinking about what we could build on top of it.
Fast forward one year, and we’ve built ARC (Agentic Realm Computer) on top of Cloudflare’s infrastructure.
I feel incredibly lucky I made that visit. Sometimes, a single conversation can spark something much bigger than you ever imagined.
Yuu💖 retweeted
国庆的时间说动 @frostming90 做了一件在最开始做 bub 的时候我们一直想干但没有干的事情。
重写后的 republic 是一个纯粹的 AI provider sdk，没有任何 Agent 或者 Gateway 假设，只是提供一致的抽象来对接各种 Provider 。
同时提供了对 OAuth 等鉴权方式的支持，所以你可以通过一套接口自由使用你的 Codex 订阅或者 DeepSeek API 。
Introducing Republic 0.6.0.
An AI provider SDK that iss just a provider SDK.
OpenAI, Anthropic, Gemini, DeepSeek and more. Chat, streaming, tool calls, structured output. One Python API.
Built for providers, not an in-house harness or gateway.
github.com/bubbuild/republic
Really loved GOSIM Shenzhen! These 3 days were unforgettable. It was especially meaningful to share some insights on building Obelisk at the Agentic OS & App track. I am grateful for the conversations and the energy in the room.
Looking forward to seeing everyone again at GOSIM next year☺️
Two days. 2,000+ builders. Pure open-source energy.
From agentic OS architecture to real-world open-weight model deployments, GOSIM Shenzhen 2026 proved that the next wave of open tech is already here.
Huge thanks to every speaker, developer, and community contributor who packed the halls.
The conversations don’t stop here. 🚀
#GOSIMShenzhen #OpenSource #AgenticAI #DevCommunity
Want to know our speech?
xitter.cf/QuantumTransf/status/2…
还是来正式宣传一下！昨天在 GOSIM 没讲尽兴的东西（
我们做了 Obelisk，一个让 Coding Agent 能够检索自己所有历史 Session 的开源 Infra
它可以追溯一段代码为什么这样写、接手另一个 Agent 的任务，甚至研究过去两个月的开发历史，重新梳理整个项目的架构演进
而我们没有使用任何 Embedding 或向量数据库
🔗 GitHub: github.com/tommy0103/obelisk
为什么已经有那么多 Agent Memory 产品，我们还要做一个？
因为我们觉得，传统 Memory 可能从一开始就搞错了问题：
为什么要让模型在过去，决定未来需要记住什么？
预先提取的 Memory 不仅会丢失原始语境，还可能让 Agent 把局部结论当成普遍事实
我们的思路是：与其让 Agent 记住过去的结论，不如让它有能力重新研究过去
技术上也很简单：我们放弃了 Embedding 和向量数据库，使用 BM25 / FTS + Code Mode，让 Agent 自己搜索、阅读、验证历史
实际效果比想象中有趣：从追溯代码设计、跨任务 Handoff，到生成 Roadmap，甚至复盘过去一两个月的架构决策，都可以完成
部分 Benchmark 上的表现也优于 Mem0，我们还在寻找更有说服力的评测方式
更完整的技术讨论：
obelisk.antinomie.org/blog/
欢迎来玩，也欢迎挑战我们的设计！
Yuu💖 retweeted
YC 孵化的 Reason Machines 开源了 Reason Network，让不同电脑上的 Claude Code、Codex、Cursor、OpenCode 等 Coding Agent 可以直接交流。
它给每个 Agent 会话建立地址，显示所属开发者、工作仓库、分支和当前任务。比如一个 Codex 正在开发网页，需要确认后端接口有没有变化，就可以直接给同事电脑上的 Claude Code 发消息，不用人类在两个聊天窗口之间反复传话。
底层通过 iroh 建立 P2P 连接，直连失败时使用加密中继。消息到达目标电脑后，再通过 Claude Code 的会话 Socket、Codex CLI、Hook 等机制送进对应会话。已经打开的 Agent 也可以接收消息，不必专门为通信启动一个新任务。
Reason Network 的宣传很容易让人想到 @xuanwo 最近开源的 Agenvo。两者都展示过 Grok Bot、Muse 与本地 Codex 连接的场景，但源码里的实现思路完全不同。
Reason Network 更像给 Agent 装了一套通讯录。每个正在工作的会话都有自己的地址，Agent 可以找到同事电脑上的其他 Agent，直接发消息、问问题。收到消息后怎么处理，还是由对方 Agent 自己决定。
Agenvo 则更像远程控制台。它通过自建 Relay 和 MCP，连接本地已经运行的 Codex app-server、Herdr 等服务。ChatGPT 不仅能查看已有任务，还可以创建新的 Codex 线程、读取输出，甚至通过 turn/steer 向正在执行的 Codex 追加指令，或者中断任务。
一个让 Agent 彼此通信，一个让 AI 直接控制 Agent 的执行过程。
看到这两个项目，我想起自己今年 3 月开源的练手项目 AGPair。
当时我只是想让 Codex 和 Antigravity 配合干活。主要是看中了 Antigravity 当时近乎无限的 Claude 额度，希望让 Codex 负责派活，Antigravity 负责执行。
最初，我用本地 SQLite 做消息总线，靠 Antigravity IDE 扩展接收任务、回传结果。其实也尝试过直接调用 Antigravity 的会话接口，但遇到了不少问题：创建会话时返回了无法正常使用的 ID，读取完整对话的接口也不可用。最后只能通过 IDE 命令新建会话、发送任务，再要求 Agent 把执行结果写成文件，由 AGPair 读取。
后来我又想支持更多 Agent，逐渐改成直接启动 Grok CLI、Claude Code、Codex CLI 等外部执行器。
接下来问题一个接一个：任务卡住了怎么办？进程退出后怎么判断是否完成？多个 Agent 同时改代码会不会冲突？怎么确认它真的交付了结果？
于是又加了任务状态机、失败重试、Git worktree 隔离和结构化回执。折腾到 6 月，已经能并行派活、追踪结果、检查 Diff，再决定是否采用修改。功能越来越多，整个项目也越来越重。
现在回头看，早期其实已经摸到了 Agent 的原生会话接口，但没能把这条路走通。后来为了绕开各种接口问题，我开始自己管理执行进程，再通过日志、进程状态和回执判断任务进展。
每遇到一个新问题，就继续往外面套一层监控或恢复逻辑。到最后，大部分精力都花在让这套复杂的任务系统正常运转上，最初想要的简单协作体验却始终没有做好。
Worktree 隔离、结果验收当然有用，但我花了太多精力处理这些后续问题。最基本的交互体验还没做好，就先开始对付各种复杂的异常情况。代码越写越多，使用起来却没有变得更简单。
到 6 月底，我停止了 AGPair 的开发，把关注点转向 Herdr、tty7 和 CodexHost，开始更多地研究终端、会话管理，以及如何直接与 Agent 的原生运行时交互。
现在看到 Reason Network 和 Agenvo 分别从通信、远程控制切入，确实有点可惜。
AGPair 当时就是个边学边做的小项目。最初只想让 Codex 和 Antigravity 配合干活，后来想支持更多 Agent，技术方案改了好几轮，最后也没打磨出一个真正好用的产品。
当时确实没有跨电脑通信、云端 AI 接管会话的需求，但我一直没想明白，应该把哪一项能力做成最简单、最直接的产品体验。
三个月里，我解决了不少任务派发、失败恢复和结果验收的问题，一直在给自己搭建的系统打补丁。
最初只是想让两个 Agent 简单地配合干活，最后却把大部分精力花在维护这套系统上。
思路越做越窄，系统越做越复杂，最后走进死胡同了。
**提到的所有开源项目链接**：
github.com/reason-machines/r…
github.com/Xuanwo/agenvo
github.com/logicrw/agpair
github.com/herdrdev/herdr
github.com/l0ng-ai/tty7
github.com/BytePioneer-AI/co…
Let your Grok Bot / Muse talk to your Claude Code / Codex or any other agents
Introducing Reason Network,
Free, peer to peer and Open-Source Engine
Loop in your teammates too so no live agents work collides when coding.
Try it for free: reasonmachines.com/network
one click install and setup!
Yuu💖 retweeted
彻底胜利, 家人们✌️。
就等我两天后先LayerFS x DSH发布。
然后之后all in LayerFS x Pi Durable。
github.com/Ephemeral-AI-Lab/…
然后如果看得喜欢的话，可以也看一眼我 gosim 的 speech 主题吗（不是
xitter.cf/QuantumTransf/status/2…
还是来正式宣传一下！昨天在 GOSIM 没讲尽兴的东西（
我们做了 Obelisk，一个让 Coding Agent 能够检索自己所有历史 Session 的开源 Infra
它可以追溯一段代码为什么这样写、接手另一个 Agent 的任务，甚至研究过去两个月的开发历史，重新梳理整个项目的架构演进
而我们没有使用任何 Embedding 或向量数据库
🔗 GitHub: github.com/tommy0103/obelisk
为什么已经有那么多 Agent Memory 产品，我们还要做一个？
因为我们觉得，传统 Memory 可能从一开始就搞错了问题：
为什么要让模型在过去，决定未来需要记住什么？
预先提取的 Memory 不仅会丢失原始语境，还可能让 Agent 把局部结论当成普遍事实
我们的思路是：与其让 Agent 记住过去的结论，不如让它有能力重新研究过去
技术上也很简单：我们放弃了 Embedding 和向量数据库，使用 BM25 / FTS + Code Mode，让 Agent 自己搜索、阅读、验证历史
实际效果比想象中有趣：从追溯代码设计、跨任务 Handoff，到生成 Roadmap，甚至复盘过去一两个月的架构决策，都可以完成
部分 Benchmark 上的表现也优于 Mem0，我们还在寻找更有说服力的评测方式
更完整的技术讨论：
obelisk.antinomie.org/blog/
欢迎来玩，也欢迎挑战我们的设计！