神佬这开源流水线牛啊 用自己的H3 本地部署生成的 一气呵成，效果杠杠滴！

有个叫 Agent Reach 的开源项目，最近火得有点夸张，干的事一句话就能说清，就是给你的 AI Agent 装上一双眼睛，让它能看遍整个互联网。 平时 Claude Code、Codex 这些 Agent 自带搜索和读网页，看着挺全，可一碰到登录墙后面的平台、视频里的内容、中文平台，基本就抓瞎了。 它解决的就是这个缺口，Twitter、Reddit、YouTube、GitHub、B站、小红书这些渠道，一条命令就能读能搜，而且号称零 API 费用。 默认就能用的有 B站、V2EX、GitHub、YouTube 和网页搜索，B站字幕、YouTube 转文字这些也都包了，小红书、雪球、Boss、播客、LinkedIn、Reddit 这些是可选的，Twitter、Facebook、Instagram 还在实验阶段。 设计上还有个挺聪明的点，每个平台不是只绑一个工具，而是一串首选加备选，首选挂了自动换备选，平台改版了，Agent 的用法不用变。 安全性这块它也写得很直白，只读不写，不发帖、不评论、不点赞、不私信，也不替你登录、不要你的密码，需要登录的平台用它自己的专用浏览器，作者还建议你换个小号用。 装好之后的所有东西都收在一个文件夹里，升级、加渠道、去掉渠道、换账号、卸载，都能直接用大白话跟 Agent 说，不用自己到处翻配置。 还有个防坑提醒要记一下，PyPI 上那个同名的包不是它，别装错了，只认 GitHub 这个仓库。 一句话总结，如果你天天让 Agent 帮你查资料、追动态，这个工具就是把 Agent 从只能看公开网页，升级成真正能读互联网的一步。github.com/Panniantong/Agent…

有个刚上线不久的开源小工具叫 UnfairPlay，干的事说起来很直白，就是在 Mac 上把 iOS 应用的 IPA 解密出来。 它本身不登录苹果账号，也不买应用、不下载 IPA，下载那一步得你自己用别的工具解决，它只负责解密这一步。 思路也挺干净，它从一台已经 enrolled 的 Mac 上恢复出 FairPlay 模型，再用这个模型去解密属于同一个账号、同一个 enrollment 的个性化 IPA。 而且它不是只能解密，还能先验证模型对不对，不用非得把解密后的文件留下来，顺手还有检查采集文件、IPA 和模型的诊断功能。 限制也写得很清楚，IPA、已安装的应用、本机状态、硬件身份和模型必须属于同一个 enrollment，账号对不上就会被拒绝，解密出来的 IPA 也只是分析文件，装之前还得自己签名。 平台上，macOS arm64 和 Linux amd64/arm64 都支持，Windows 目前只是能编译，还没法保证必需的私有文件权限。 代码是 Go 写的独立程序，MIT 开源，DarkPhoenix 衍生的部分还单独保留了 Apache-2.0 声明。 一句话总结，这就是个给研究和分析用的解密工具，门槛和边界都写在明面上，用之前先看清它能做什么、不能做什么。github.com/DrWhax/unfairplay

神佬的全流程数字人 开源啦

AI 发展是真的快，快到让人觉得，好像晚一步就彻底掉队了。 可是天天熬夜折腾、一波接一波地追，追到最后才发现，浪是追不完的，人先把自己熬垮了。 我也熬过不少这样的日夜，越追越怕，怕自己学得慢，怕自己跟不上，怕一停下来就被甩在后面。 还有句话听着特别丧，说学得慢了就不用学了，我以前差点就信了。 现在我想说一句不一样的，何时上车都不晚，随时上车都赶得上。 因为工具会一波一波地换，但真正值钱的东西没那么容易过期，你的判断、你的需求、你把东西做出来的手感，都会跟着你走。 后上车的人也不吃亏，路已经被前面的人踩出来了，工具也更成熟了，反而能少走很多弯路。 所以别再跟浪赛跑了，挑一个自己真用得上的方向，先上车，先用起来，慢一点没关系，能一直走下去，才是真的赶上了。

AI Engineering from Scratch 出了份 vLLM 101 手册，作者 @ghumare64，基线钉在 vLLM 0.31.0，机器是 L4 跑 Qwen3-8B 和 DGX Spark 跑 Qwen3-30B-A3B。 它不讲每个开关是干嘛的，讲的是对你这块卡、这路流量，哪一两个开关真正要紧，改完测到了什么。 核心就一句话：能塞多少人看 KV 池，不看参数量，Qwen3-8B 大约 144 KiB/token，参数更多的 Qwen3-30B-A3B 反而大约 96 KiB。 聊天流量别只追吞吐，得盯 P99 间隔，L4 上 8 到 16 用户流就开始破，32 用户时延迟达标率能掉到 0%。 选 vLLM 还是 SGLang 也一样，吞吐常常接近，看流量形状，混长或固定高请求速率 vLLM 更有优势，等长高并发 SGLang 的尾部更平滑。 正在把开源模型从能调通推进到能扛真实流量的，这份按工作流写的实测手册值得收藏当排障索引。 xitter.cf/shao__meng/status/2114…

Sebastian Raschka 的《Building Reasoning Models from the Ground Up》完整视频系列全上线了。 一共 8 个视频，11 个多小时，全是动手写代码，用 Python 和 PyTorch 从预训练模型出发，从零把推理模型搭出来。 内容覆盖评估、推理时扩展、强化学习和蒸馏，算是去年《Coding LLMs from the Ground Up》的续集，但不先修那门也能看。 配套书叫《Build a Reasoning Model (From Scratch)》，视频都集中在他的杂志页面上。 Raschka 说先短暂休息一下，11 月再回来更新 LLM 模型和研究动态。 马东锡转发时直接说非常推荐，是他心目中地球上最好的三门推理模型课之一。 xitter.cf/dongxi_nlp/status/2114…

比尔·盖茨在 The Verge 的 Decoder 访谈里说，AI 已经越过了一个能力门槛，是迄今发明的最危险的技术。 他说这东西会对经济和战争的打法产生普遍影响，不是某个行业的小变化。 他真正盯着的是能搞复杂网络攻击的强模型，主张用法律把安全防护和监控留住，不许私自拆掉。 开发者还是可以免费使用和定制这些模型，但只能在认证平台上跑，平台得能检测并拒绝任何剥离防护的尝试。 说白了，强大的开源权重模型以后只能在被允许的地方运行。 xitter.cf/rohanpaul_ai/status/21…

出海，不做他想,就做工具站。 --哥飞，2024

nofollow 这组词，听起来像一堆技术黑话，其实就是给链接贴的标签，告诉搜索引擎这条链接该怎么算。 先说一个最容易踩的坑，dofollow 根本不是一个正式属性，链接上什么都不写，默认就是 dofollow，也就是正常投票、正常传递权重的意思，你写个 rel="dofollow" 反而是白写。 nofollow 是最早的一个，2005 年出来就是为了对付评论区垃圾链接，意思是这条链接我不背书、别把票算给我，别跟着它走，站长用来对付自己没法完全把关的链接。 后来谷歌在 2019 年又拆了两个更细的标签，sponsored 是专门给花钱来的链接用的，广告、赞助、带货、联盟链接都得标这个，不标就等于在买票，被抓到是要吃亏的。 ugc 则是给用户自己生产的内容用的，评论、论坛帖子、用户投稿里的链接，站长没逐条审核，就用 ugc 告诉搜索引擎，这不是我站方写的，我不替它背书。 这几个标签还能组合着用，比如又付费又是用户发的，就写 nofollow sponsored，或者 ugc nofollow，意思叠加，不冲突。 还有一点很多人会搞反，2019 年之后，nofollow 在谷歌眼里已经从硬指令变成了参考信号，也就是说它平时还是不传票，但谷歌有权在某些情况下把它当线索看一看，不是说它彻底变成 dofollow 了。 所以实操上就记住一条线，自己真心推荐的、愿意背书的链接就正常放，付了钱的标 sponsored，没审核过的用户内容标 ugc，拿不准又不想背书的就标 nofollow，别图省事全标 nofollow，也别该标的故意不标。 最后顺手区分两个容易混进来的词，noopener 和 noreferrer 管的是安全和隐私，不是投票，noindex 管的是页面让不让收录，不是链接，这三个跟 nofollow 那组根本不是一回事。

微软研究院把 Agensh 开源了，这是一个去中心化的多智能体编码框架，里面根本没有中心编排器。 每个 worker 自己认领子任务，自己看同伴的进展和发现，干完就把代码合并到共享的 Git 仓库里。 这套东西在 ProgramBench 最难的 5 个任务上测过，规模一路从 1 个 agent 拉到 1024 个。 人越多不只是分摊活，分数也跟着涨，5 个任务的平均通过率从 1 个 agent 的 19.31% 涨到 128 个 agent 的 28.78%。 单看 pandoc 更明显，1024 个 agent 时能到 55.06%，换 GPT-6.1-sol、32 个 agent 时甚至冲到 79.59%。 有意思的是那些分工角色都不是写死的，agent 多了之后自己就冒出了审稿人、整合者，还会主动接手别人失败的活。 它现在是 MIT 开源，默认跑在 Linux + Docker Compose 上，实验用的是 Copilot CLI，理论上也能接别的单 agent 框架。marktechpost.com/2026/10/24/…

反向链接和外链这事，很多人一开始都会搞混，其实说白了就是同一条链接，站的位置不一样，名字就不一样。 比如 A 站链向了 B 站，对 A 来说这就是一条外链，对 B 来说这就是一条反向链接，链接还是那条链接，视角换了而已。 中文 SEO 圈里还有个说法上的坑，平时大家说做外链，很多时候意思其实是给自己网站攒反向链接，就是让别的网站链向你，严格讲这俩词不能完全画等号。 作用上差得也挺远，反向链接是别人给你投票，搜索引擎看你值不值得排前面，很大程度就看这个，你自己链出去的链接可不会直接给你加分。 不过链出去也不是白链，链到靠谱、相关的来源，你的内容看起来就更有证据、更可信，要是链一堆低质站、广告站，反而会把自己拖下水。 看质量的时候，两边用的其实是一套标准，来源跟你主题贴不贴、来源本身硬不硬、是不是正文里自然出现的链接、锚文本是不是自然多样，nofollow 的链接也不是完全没用，曝光和引流还在。 还有个很大的区别是可控性，你自己站链出去的链接，想加想删想加 nofollow 都随你，反向链接可不归你管，只能靠内容好、被人引用、客座、目录这些办法慢慢攒，这也是它值钱的原因。 流量上也是两头看，反向链接能直接给你带人、带曝光，爬虫也是顺着链接找到新页面的，出站链接是把人送走，好的出站是送人去看证据，坏的出站就是把人送走还不回来。 风险也得两头防，反向链接突然暴涨、锚文本全是一个商业词、来源全是垃圾站群，很容易被判定成操纵排名，出站这边要是链到被惩罚的站、恶意站、满屏带货链接，搜索引擎也会怀疑你这个站本身就不干净。 最后再纠几个误区，外链不是越多越好，十个相关权威站的正文链接，远胜一千个论坛签名的垃圾链接，nofollow 不是零作用，买链接见效快，但被抓到代价也大。

FlareStarter 是个全栈、边缘原生的 SaaS 起步模板，基于 TanStack Start 加 Cloudflare Workers，作者一句话总结就是登录、付费、邮件、多语言、SEO、管理后台都已经接好、测过、能直接 fork 改。 它有个态度挺硬，仓库里只放真正能跑的功能，不放 mock、不放空壳、不拿占位 TODO 凑数，整套跑在 Cloudflare 免费到便宜的组合上，也就是 Workers 加 D1 加 KV。 边缘这点是卖点，全球毫秒级响应、没有冷启动，运维成本也压得很低，从 0 美元起步，流量突然涨上来也能扛住。 登录用 better-auth，邮箱密码强制验证、能找回密码、能删账号，Google 和 GitHub 登录没配环境变量时会自动藏起来，会话以 D1 为准、再加一层 cookie 缓存。 付费走 Stripe，月付年付都有，还能一次买断，带客户自助门户和按套餐 gating 的页面，webhook 做了幂等处理，续费失败会在站内提醒你更新付款方式。 其他杂七杂八也都齐了，R2 存头像、Resend 发邮件、带 Turnstile 的等候名单、MDX 的站内更新日志、纯捐赠不解锁权益的赞助页、用户提反馈加管理员处理，还有中英双语、按语言的 sitemap 和 hreflang。 管理后台是真数据，不是假数字，注册数、活跃数、订阅数、用户角色、封禁、冒充登录、分页搜索都有，主题是深色优先、浅深色切换存在 cookie 里。 技术栈从数据库到前端是一条 TypeScript 链，Drizzle 加 D1、KV 做缓存、R2 做对象存储、Tailwind v4，测试用 Vitest，还有定时清理过期会话的 Cron 和 GitHub Actions 的 CI。 仓库是 Apache-2.0 开源，已经 414 个 star 了，README 还有中文版。github.com/FlareStarter/flar…

Impeccable 是给 AI 编程助手用的设计指导，核心就一个 skill、24 条命令，再加 62 条确定性检测规则，目标是让 AI 做出来的前端别再一眼 AI 味。 它最早是从 Anthropic 的前端设计 skill 演化来的，作者说的问题很实在，所有模型都学同一批 SaaS 模板，不给指导，做出来全是一个样。 那些老套路大家都见过，什么都用 Inter，紫蓝渐变，卡片套卡片，彩色背景上放灰字，每个标题上面再顶一个圆角方块图标。 用法先跑一次 init，它会把产品的受众、用途、使用场景、约束、语气这些硬事实写进 PRODUCT.md，后面命令就按这个来，不会把产品事实和视觉风格混在一起，视觉系统另外记在 DESIGN.md 里。 命令就是跟 AI 共用的一套设计词，craft 是从定型到建成全流程，audit 查无障碍、性能和响应式，critique 是审稿，polish 是收尾，bolder 是把太平的设计推一把，quieter 是把太闹的收一收，distill 是砍到本质，live 是直接在浏览器里迭代看效果。 检测规则这块有意思，CLI 和浏览器扩展跑的是确定性规则，不用大模型也不用 API key，剩下需要判断的部分才交给大模型做评审。 反模式也写得很直白，别用烂大街的字体，别在彩色背景上用灰字，别用纯黑纯灰、一定要带一点色调，别什么都包卡片、更别套娃，别用弹跳缓动，觉得过时。 支持的工具挺全，Claude Code、Cursor、Codex、Copilot、Gemini CLI、Grok 这些都能装，仓库是 Apache-2.0 开源，已经 8.6 万多个 star 了。github.com/pbakaus/impeccabl…

这个项目把 ESP32-S3 的实验台教程做成了一个网页应用，叫 ESP32 Labs，里面有 32 个动手实验，带实时模拟器、3D 板子、引脚图，还有一个能逐行讲固件的代码阅读器。 每个实验就是一张单子，写着目标、用到的引脚在实时引脚图上的位置、接线、烧录命令和要打勾的步骤，旁边还有个模拟器，能先在浏览器里看到应该出现的效果。 模拟串口也挺像回事，在里面敲个命令，板子会像真固件一样回你，不用先把硬件接好就能先练一遍。 代码阅读器读的是实验真正烧进去的固件，Tour 模式一次只走几行，还先让你猜，Story 模式跟着程序从 setup() 一路往下走，Explore 是点哪行讲哪行，生词一次只给三个，词典还会记住你见过的词。 语言做了 8 种，英法西意德中日阿都有，阿拉伯语还是从右往左排版，手机 390 像素宽也能用，浅色深色、减动效都照顾到了。 里面还有个 3D 的 DevKitC-1 板子，六个标注点一点就亮，还会列出用它的实验，实验台日志就是 public/data 里的一份普通 JSON，改了不用重新编译，学习进度只存在你自己浏览器里，不用注册账号。 实验主题分得挺全，入门、显示和按键、Wi-Fi、RFID、蓝牙、声音都有，传感器那块还是计划中，每个实验的固件都是 esp-labs 里独立的 PlatformIO 工程。 技术栈是 React 19、TypeScript 严格模式、Vite 8，仓库已经有 191 个 star 了。 最后项目自己也说清楚了，这只是个学习项目，跟 Espressif 没关系，引脚排布按 DevKitC-1 v1.0 来，真板子上的丝印说了算。github.com/agharsallah/esp-l…

有个开源项目 gpu-unlock-ada，干的是给 RTX 4090 解锁张量算力，办法是做个 Linux 内核模块，在官方 NVIDIA 驱动启动之前先把速度选择覆盖打开。 作者给的数据挺夸张，RTX 4090 上 FP16 和 BF16 张量吞吐在 FP32 累加下都接近翻倍，从 165.6 TF/s 左右涨到 331.6 TF/s 左右。 不过要分清，上面是张量指令吞吐，实际 cuBLAS GEMM 的中位数提升没那么大，FP16 涨了 12% 到 34%，BF16 在两个形状上是 16% 到 20%，4096 立方那个形状基本没变。 另外一个独立机主在 Arch 上复跑了一遍，结果也差不多，FP16 从 160.4 涨到 320.4 TF/s，BF16 从 159.7 涨到 320.2 TF/s，数值检查都通过了。 这个项目不光是 4090，还把 Ada 的口子做了实验性移植，RTX 4070 Ti SUPER 上冷启动测出来 FP16 和 BF16 也接近翻倍，从 95 TF/s 涨到 189.9 TF/s 左右，TF32 则是 47.49 涨到 94.51 TF/s。 但 FP8 就没这么好看，同一个 E4M3 的 CUTLASS GEMM 只从 59.326 涨到 59.495 TF/s，0.3% 的差别，基本等于没涨。 4070 Ti SUPER 和 4060 Ti 16GB 都只是实验目标，各自只在一张卡上验证过，其他板子没验证过，项目自己也说共享固件不等于支持没测过的卡。 Windows 那边还有个实验性的 MSI 4070 Ti 参考移植，单次手动启动测出 FP16 涨 80.1%，但只绑一张卡的配置，不算进 Linux 模块的支持范围。 仓库是 GPL-2.0 开源，固件是在本地生成的，不直接发预编译的固件包，刚建两天就已经破千 star 了。 这种改动毕竟动的是固件和驱动启动顺序，作者也提醒要留一个没改过的启动项，出了问题能回去。github.com/JustAResearcher/g…