阿超

有志者，事竟成，破釜沉舟，百二秦关终属楚；苦心人，天不负，卧薪尝胆，三千越甲可吞吴。——蒲松龄 所有 AI 做的页面，为什么长得像同一批人做的一张你肯定见过的截图浅灰背景。左上角一个圆角方形图标块，里面塞着一个细线条的几何图形。大标题用的是 Inter。按钮是一片从紫到蓝的渐变，圆角十六像素，底下压着一层淡淡的紫色光晕。内容区被切成三张卡片，卡片里又套着两层卡片。 这套东西不丑。它的问题在于太熟了——熟到你打开任何一个「AI 生成的落地页」，都能在第三秒猜到第七屏长什么样。 Impeccable 就是冲这件事来的。它的描述只有一句：让你的 AI harness 更懂设计的那个设计语言。 项目地址：https://github.com/pbakaus/impeccable 文档的第一行把它的构成讲得很干脆：一个 skill、24 个命令、浏览器里的实时迭代，以及 62 条针对 AI 生成前端的确定性检测规则。 四个数字，对应四种不同的干预方式。skill 是教材，命令是词汇，实时迭代是手，检测规则是尺子。 问题的根源，不在模型笨Impeccable 对这件事的诊断，写得比大多数...

纸上得来终觉浅，绝知此事要躬行。——陆游 漏洞报告里最贵的部分，是它敢不敢说「不确定」一个很熟悉的场景你让一个 agent 去审代码，它读了一遍，回来给你一份报告：这里有 SQL 注入，那里有越权，某处还有硬编码密钥。格式漂亮，措辞笃定，每一条都附了行号。 然后你逐条去核。第一条，参数其实走了预处理。第二条，那个接口前面挂着一层鉴权，agent 没看见。第三条，密钥是个测试夹具里的假值。 一份报告的可信度，不是被错误本身摧毁的，是被错误的确定性摧毁的。当一份报告里既有真问题也有假问题时，你没法只信一半——你只能开始怀疑全部，然后退回人工复审，工具的价值归零。 Cloudflare 开源的这份 security-audit，就是冲这件事来的。它是一份给编码 agent 用的技能，描述写得很克制：多阶段安全审计，结论经过独立核验，且机器可读。 项目地址：https://github.com/cloudflare/security-audit-skill 拆开看，三个关键词：多阶段、独立核验、机器可读。这三个词其实对应三种失败模式——流程走不全、自己验自己、结论没法被程序检查。 它...

熟读唐诗三百首，不会作诗也会吟。——孙洙 她不住在云端：Cindy 把一整支 agent 团队安在了你的桌面上「开箱即用」这四个字，通常是最贵的四个字软件行业有个老习惯：把「开箱即用」写进第一行宣传语，然后在第三页开始列出十七步配置。 所以当我看到 Cindy 的描述时，第一反应是怀疑。英文一句「Consider it done」，中文一句「想到，就能做到」，两边都没有讲功能，只讲了一个状态：你说完，事情就办完了。 支撑这句话的，是紧随其后的三个限定词，而且每一个都很具体：开源、开箱即用、在你自己的电脑上干活。 项目地址：https://github.com/makecindy/cindy 第三点是最容易被忽略、也最要紧的一点。她跑在你自己的机器上，用的是你真实的文件、你真实登录着的应用。这不是一句部署方式的说明，这是一个立场：agent 要干活，就得进到工作现场，而不是站在门外递纸条。 她是谁一句自我介绍：Cindy 是一个开箱即用的开源 AI agent。她把多种 harness、模型和工具收进同一个 agent 里，在你的项目和 app 里把真活干完。第一天就能用，之后...

吾生也有涯，而知也无涯。——庄子 把显存一寸一寸抠回来：vLLM 的推理引擎长什么样三个词，一句自我定位「Easy, fast, and cheap.」 这是 vLLM 给自己写的 slogan，短得有点不像话：简单、快、便宜，人人可用。三个形容词，没有一个是技术名词，但它们恰好对应了部署一个大模型时最疼的三件事——装不起来、跑得太慢、算下来太贵。 它的正式定位也只有一句：一个面向大语言模型的高吞吐、内存高效的推理与服务引擎。 注意这两个限定词。高吞吐说的是一段时间里能吐出多少 token；内存高效说的是这些 token 是用多少显存换来的。这两个词放在一起，其实是一个约束条件的两面：显存是硬的，吞吐是软的，想让吞吐上去，只能在显存的使用方式上做文章。 项目地址：https://github.com/vllm-project/vllm vLLM 做的所有事情，几乎都可以追溯到这一条线上。 它从哪儿来这份代码最早诞生在加州大学伯克利分校的 Sky Computing Lab。一个实验室项目，长到今天这个体量——文档里用了一个很克制的说法：它已经成为最活跃的开源 AI 项目之一，...

一寸光阴一寸金，寸金难买寸光阴。 只在一小块地方动刀：Jasna 把视频里的马赛克逐帧修回去先把画面讲清楚一段视频里，有一小块区域被马赛克盖住了。其余的一切——背景、人物、光线、噪点、镜头的轻微抖动——都是完好的，没有任何问题。 大多数视频修复工具的思路是「整帧处理」：把每一帧当成一张图，送进模型，出来一张更清晰、更平滑、也更陌生的图。代价是全局的，收益也是全局的，你没法只要其中一小块。 Jasna 走的是另一条路。它的定位只有一句：找出视频里的马赛克，把它们修回来，画面其余部分一概不动。 项目地址：https://github.com/Kruk2/jasna 这句话听起来像一句寻常的功能介绍，其实是整份工程设计的原点。因为「只改一小块」这件事，在视频里比在图片里难得多——图片改一块就完了，视频里同一块区域会移动、会变形、会被切镜打断，你必须先知道它在每一帧的哪里，才谈得上修。 它到底能做什么把功能摊开看，五条： 找出来，再修回来。 在视频里定位马赛克区域并还原，画面其余部分不受影响。 两种还原模型。 快的 BasicVSR++，免费；慢但细节更多的 LTX，面向支持者，且...

少壮不努力，老大徒伤悲。——《汉乐府・长歌行》 把「孩子学会了什么」画成一张会生长的地图一张会呼吸的星图想象这样一个画面：整个小学阶段所有能被称为「一个知识点」的东西，被拆成一千多颗小星星，铺在一块黑色的画布上。星星按学科上色，高度代表年龄——越小的孩子站得越低，越大的孩子站得越高；星与星之间有线，线不是装饰，是「必须先懂这个，才能懂那个」。 这不是比喻，这是一份开源数据集自带的视觉说明。它叫 Marble Skill Taxonomy，一个开放的、结构化的分类体系，描述的是孩子们在小学阶段究竟学到了什么。它把这些内容拆成细颗粒的「微主题」，串成一张前序依赖图，再对齐到各国的国家课程标准。 更关键的是它的姿态：不是一个被锁在产品里的黑箱，而是一份可以直接下载、直接解析、直接拿去做东西的纯数据。 项目地址：https://github.com/withmarbleapp/os-taxonomy 先说结论式的自我介绍这份数据的自我定位很短，但每个词都有分量：开放的、结构化的、「孩子学什么」的分类体系，覆盖小学阶段，拆成微主题，接上依赖图，对齐课标。 它出现的原因也很直接：市面上大...

桃花潭水深千尺，不及汪伦送我情。——李白 LLM Course：从基础知识到生产部署的大语言模型学习路线图项目地址：https://github.com/mlabonne/llm-course 学习大语言模型，最容易遇到的问题往往不是资料太少，而是资料太多。 数学、Python、神经网络、Transformer、预训练、微调、对齐、量化、RAG、智能体、推理优化、部署、安全……每一个主题都像一扇门。推开之后，里面又有新的概念、新的论文、新的工具与新的实践路径。 真正困难的，并不是找到某一篇教程。 而是找到一条能让知识逐步连接起来的路线。 LLM Course 正是围绕这件事建立的学习项目。它是一门面向大语言模型的课程，提供学习路线图与 Colab Notebook，并将学习内容组织为三个部分：LLM Fundamentals、The LLM Scientist 与 The LLM Engineer。 它并不把大语言模型理解成一个只需要学会调用 API 的领域。 它希望学习者既能理解模型背后的基础知识，也能接近构建、训练、评估与优化模型的技术路线，还能进一步学习如何把 LLM ...

莫等闲，白了少年头，空悲切。——岳飞 Orca：把一支 AI 编程代理舰队带进同一个工作台项目地址：https://github.com/stablyai/orca 当 AI 编程代理开始真正参与开发流程，开发者面对的问题已经不只是“该选哪一个助手”。 更常见的场景是：一个任务交给 Claude Code 探索，另一个任务交给 Codex 实现，再让 OpenCode、Pi 或其他命令行代理处理不同方向。它们各自拥有能力，也各自占据独立的终端、上下文和代码状态。任务一多，窗口一多，分支一多，真正难管理的便不再只是代码，而是整支代理队伍。 Orca 希望把这件事重新组织起来。 它是一款面向 AI 编程代理的编排工具，支持在同一个工作空间中运行 Codex、Claude Code、OpenCode、Pi 以及其他可在终端中运行的代理。每个代理可以位于独立的 Git 工作树中，多项任务可以并行推进，开发者则能在一个地方观察、管理、审阅和继续推动它们。 Orca 的目标很明确：让开发者不必在一堆终端、编辑器、分支和对话之间来回切换，而是把代理协作带入一个更集中、更可见的工作环境。 当...

三更灯火五更鸡，正是男儿读书时，黑发不知勤学早，白首方悔读书迟。——颜真卿 ai-memory：让 AI 编程助手真正记住项目的长期记忆项目地址：https://github.com/akitaonrails/ai-memory AI 编程助手最擅长的事情之一，是快速进入代码、阅读上下文、提出修改并执行任务。 但它们也有一个非常现实的限制：会话会结束，窗口会关闭，工具会切换，机器会更换，协作者会加入。昨天刚刚讨论过的架构决策，今天可能又要重新解释；刚刚尝试失败的方案，换一个助手后又可能被重复尝试；一个任务做到一半从 Claude Code 切换到 Codex，新的助手甚至未必知道前一个助手已经走到了哪里。 ai-memory 想解决的，就是这种持续性缺失。 它是一套面向 AI 编程助手的长期记忆方案，能够帮助不同工具之间交接任务，也能够让项目知识跨越会话、机器与人员继续存在。它将 AI 助手工作过程中产生的关键信息沉淀为可阅读的 Markdown 页面，并以 Git 支持的 Wiki 作为事实来源。 它不是让某个助手单独记住一点偏好。 它希望让一个项目拥有真正可延续的记忆。 ...

一年之计在于春，一日之计在于晨。——萧绎 TokenSpeed：面向智能体工作负载的极速大模型推理引擎项目地址：https://github.com/lightseekorg/tokenspeed 当大语言模型开始从一次性问答走向持续规划、工具调用、多轮执行与复杂协作，推理系统面对的问题也随之改变。 模型不再只是接收一段输入，再返回一段输出。它需要处理更长的请求生命周期，需要在多个请求之间调度资源，需要管理 KV 缓存，需要让计算、通信与请求处理尽可能重叠，也需要在速度、吞吐与可用性之间找到更合理的平衡。 TokenSpeed 正是面向这样的场景而来。 它是一款面向智能体工作负载的大语言模型推理引擎，目标是在保持高性能的同时，提供接近易用推理框架的使用体验。项目将自身定位为速度极快的推理引擎，并强调希望成为性能最强的大模型推理系统之一。 它追求的不只是更快地产生下一个 token。 它试图从控制面、执行面、内核系统与请求入口等多个层次重新组织推理路径，让复杂的大模型服务在面对智能体式工作负载时，拥有更清晰、更可控、更高效的运行方式。 为智能体时代重新思考推理智能体工作负载有自...