目前 TG Bot 我除了在外面不方便用电脑时，简单查看下套利策略当前状况，或者接收一些持仓变化的通知外，用得很少了。目前主要查看套利策略状态并交互的方式是是用 UI 界面，由于 UI 界面还在每天高频度演进中，所以我选择及时记录一下当前的情况。

“顶部”标签

1. 左侧是“总览”、“持仓”、“费率”、“净值”、“配置”五个页面的入口
2. 右侧是 bot 本次启动后运行的时长

“总览”页面

从上至下，从左到右。

1. “总净值”显示当前所有交易所净值总和，省去逐一打开交易所的步骤；
2. “未实现盈亏”表示当前所有持仓的盈亏总和，理论上由于风险对冲，这个值应该是零，但实际上以我目前的资金量总会在±0.0x 之间波动；
3. “持仓数”表示当前持仓对数，A 交易所开多、B 交易所开空算一对持仓；
4. “各交易所净值”分别列出所有交易所的净值、未实现盈亏以及保证金率；
5. “预估收益”表示当前持仓已累计赚到的资金费用；
6. “当前持仓”详细列出具体的持仓币种、多头交易所、空头交易所、目前两个交易所之间的费率差已经已持仓时长；
7. “费率 TOP 5”展示目前 Bot 遍历所有交易所后计算出的资金费率差最大的前 5 个币种、对应应该开多开空的交易所、多头费率、空头费率以及对应费率差。并提供“开单”按钮，点击后可以手动指示 Bot 按展示的交易所和币种进行开单；提供“屏蔽”按钮，点击后可以手动屏蔽该币种，后续即使达到预置后也不会自动开单，已“屏蔽”的币种可以点击“取消屏蔽”将币种恢复到正常状态；当币种达到配置的自动开单阈值后，对应的行会金色高亮，持续数个周期超过阈值后 Bot 会自动开单。

“黑夜/白天”主题自适应

跟随系统自动切换主题模式

“持仓”页面

1. “总时薪”表示所有持仓当前资金量每个小时所能获得的资金费用；
2. “累计开仓成本”表示所有持仓累计的开仓成本：包含买入时的滑点、手续费以及预测的卖出时的滑点、手续费；
3. “累计已赚资金费”表示所有持仓累计赚到的资金费；
4. 下面每个卡片展示一对持仓的多空头所在的交易所（交易所是超链接可以直接跳转打开）、持仓头寸、强平距（距强平价过境会自动平仓）、预估总成本、已赚资金费以及时薪。

“费率”页面

展示的与“总览”页面中的“费率 TOP 5”类似，但展示的币种更多，共 9 个。

“净值”页面

1. “总净值趋势”展示总净值随时间变化的变化趋势，目前每小时采点一次；
2. “累计费率收益”展示目前累计已赚的资金费用曲线，可以直观看到曲率。

由于 Bot 仍在频繁调整，从“累计费率收益”可以看出 Bot 可以赚钱，但是由于频繁的调整导致总净值略有下降，后续稳定运行或者拆分测试和实盘可以解决总净值趋势的问题。

“配置”页面

总共涉及 37 个参数，除了“密钥配置”以外基本上都有默认配置，需要则自定义配置，否则就是用默认配置，由于参数过多，这里不一一介绍，仅仅介绍下配置的分类，主要分成 3 类配置：“热更新”表示修改后直接生效、“重启生效”表示修改后需要点击右上角“重启 Bot”完成重启后生效、“加密存储”表示持久化在 VPS 上的参数值是加密过后的。

结语

目前整个跨交易所资金费率套利系统已经趋于完整，基本上满足我的使用需求了，下一步除了增加交易所和资金量以外可能不会大改了，目前算下来年化大概 15%，还算比较客观，准备投一部分资金在这个系统中，然后就折腾其他系统或策略去了。

花了很长时间，从目前的成果来看，还算比较满意和值得。

开发调试期间还想到两个不错的点子，后面也准备抽时间搞一下：

1. 跨交易所资金费率差排行可以封装成付费 API ，提供 SaaS 服务；
2. 项目可以部分开源或者搞一个开源版本出来。

这个站是干嘛的？

一句话概括：这是一个围绕「马」这个主题做的轻量小站，主要就是图一乐、解压、随便点点看看。

目前大致可以：

• 看一些和「马」相关的内容（图片 / 文本 / 小互动）
• 做了一点和随机性、情绪相关的设计，每次打开都有点不一样
• 不追求“刚需”和“效率”，更偏「好玩」「实验」

技术栈和实现

整体比较克制，没有上太重的东西：

• 前端是静态页面 + 少量 JS ，尽量保证首屏打开速度
• 后端/部署用的是静态托管 + HTTPS （比如 Vercel / Netlify / Nginx 这一类）
• 做了一些简单缓存策略，顺手优化了下移动端体验和小动画效果

如果有人感兴趣的话，后面可以单独拆一贴写下实现细节。

为什么要做这个？

纯粹是想做一个不以效率和产出为目标的小项目：

• 写业务代码写多了，想搞个轻松一点的玩具
• 试试用一个几乎没有刚需的主题，能不能靠氛围感和细节留住一点点访问
• 自己偶尔也需要一个可以随便点开笑一下的页面

最后

感兴趣的可以随便逛逛：happyhorse.space

有任何吐槽、想法或者觉得可以加点什么功能，欢迎在评论区拍砖。

所以真心求问，大家花几千块买了 mac mini ，拿来养虾养马，真的有用吗，真实使用场景是哪些，欢迎老哥们分享。

我先分享个我知道的，业务同事有使用 workbuddy 的，有时候会让我给他们写个脚本啥的，我丢给他们，他们拿 workbuddy 就可以自动安装环境跑起来，不知道这算不算，但是我感觉这个场景用 opencode 啥的也可以实现，或者 codex ，只是把门槛降低了一些。另外，我们公司的那个 openclaw ，基本没人用，我看了下日活这两个月基本都是个位数，没啥人用。

安装

npm install -g @meomeo-dev/deepseekx@0.131.0-deepseekx.3

版本说明: 0.131.0 表示 codex 的版本, deepseekx.3 为 deepseekx 的小版本. 表示在 0.131.0 版本进行适配时发布的第三个小版本.

开发流程就是 codex 上游有新版后, 拉去新版本然后适配, 版本跟随 codex. 主要一个人没太多精力, 只能做适配, 基础设施靠 codex 开源. 由于设备有限仅真机实跑了 Mac-X64 和 Mac-RAM64, 其余设备仅跑了 Github 免费的 CI Hosted Runners

使用

和使用 codex 一样, 环境变量中配置好 DEEPSEEK_API_KEY 后, 进入仓库目录启动即可:

export DEEPSEEK_API_KEY="sk-..."

cd /path/to/my-project

deepseekx

使用时注意, 建议开启 deepseek-v4-pro xhigh 来确保最大性能,能确保幻觉率在可控范围.

另外做了缓存命中率, 在编写 1 万代码的网站时, deepseek-v4-pro + 384K 窗口, 命中率在 99.4579% .

• GitHub：https://github.com/wuruxu
• 学历：软件工程 · 统招本科

个人作品

• crTerm：跨平台终端 App https://github.com/wuruxu/crterm

技术能力

1. 拥有十多年 C/C++、Java/Kotlin 和 Python 开发经验
2. 熟悉 Linux 命令行工作环境、网络配置及脚本编写
3. 熟悉 Chromium 代码库和跨平台软件开发
4. 熟悉 Android App 和 NDK 开发
5. 熟练掌握 Codex 和 Claude ，能够借助 AI 工具解决复杂问题

失业前就有想过转业务岗，因此一开始的求职目标岗位是售前，然而要么是因为 gap 时间过长约不上面，要么是行业经验不匹配被挂。目前觉得躺不住了，想尽快回到工作环境中，又想起了程序员的老本行。

上家是 SaaS 小厂，做 ToB 营销（ sCRM/MA ），技术栈是 C#/.NET Core ，系统、项目没什么技术深度，没有大规模并发、复杂架构需求，基本在写业务代码，纯 CRUD ，中间件基本只应用，没有深入了解，再加上两年没写代码了，手生是一定的。

简历上长时间 gap+能力与工作年限不匹配（毕业后只有一段 5 年工作经历算是个优点，聊胜于无），两条路都是一片迷雾，瞻前顾后，感觉还是得选好一条路往前走。现在只想尽快找个行业内的工作过渡，不考虑长期发展，先给生活一点确定性，让生活规律起来，再慢慢找转岗机会，或者思考之后要做什么。

想寻求各位 V 友的职业建议：

• 花一两个月把技术捡起来，还能有工作机会吗？
• 转技术栈？
• 尝试去做 AI 方向的开发？
• 现在的技术面试还是算法+八股文吗？
• 求快的话，外包会不会是更好的选择？

先谢谢各位！

从 2022 年底 GPT 横空出世到现在，大模型的各项指标都产生了质的飞跃：上下文窗口从 64K 飙升至 1M 以上，多模态能力从纯文本演进到可以秒懂复杂的图像与视频。然而，基座大模型能力的不断提升，正在揭示一件让工程师们既兴奋又抓狂的事情——LLM 在行为表现上越来越像人类了。

随着“力大砖飞”的基座大模型逐渐展现出强大的原生规划能力，行业内开始出现一种声音，甚至以 Anthropic 为首的一些前沿组织开始抛出“Agent 工程无用论”，认为基座模型最终可以不依赖任何外部工程约束解决所有问题。

但现实恰恰相反。无论基座 LLM 如何发展，在智械彻底代替人类的全部工作之前，“把 LLM 当成人类看待，顺应人类的认知心理学与行为学去设计系统”，将永远是任何 Agent/Harness 工程走向成熟的进阶起点。

认知对齐：把 AI 当作你的“技术实习生”

如果你初次和 LLM 打交道，不知道该如何向它描述需求，那么“将 AI 视为技术实习生（Using AI as a Tech Intern）”一定是一个绝佳的思维模型。

传统的面向代码编程，我们习惯于给出确定性的绝对指令。但面对 LLM ，你需要把它当作一个拥有无限技术理论知识、但对你的具体业务、历史代码和上下文一无所知的新员工。对待实习生，你显然不会只丢下一句“帮我重构一下这个前端页面”然后转头离开；你需要做的是带他熟悉环境。在 Agent 工程中，这意味着我们需要抛弃简单粗暴的单句 Prompt ，转而为 Agent 建立一套详尽的“工作手册”，提供给 Agent 足够的业务背景和执行标准信息，帮助 Agent 锚定你的最终需求。

记忆解耦：工作记忆与长期记忆的硅基映射

在长文本大模型普及后，许多开发者产生了一个路径依赖：喜欢将成千上万行的 API 文档、整个项目的源代码一股脑塞进大模型的上下文窗口。这种“信息轰炸”看似省事，实则对模型的长文本召回毫无益处。

人类的认知心理学表明，人类的工作记忆（ Working Memory ）容量极其有限。我们在写代码时，绝对不会一边盯着屏幕，一边在脑海里反复背诵整本《 Java 核心技术》。人类靠的是注意力焦点——只看眼前的逻辑，遇到不确定的类名或 API 时，才会去查阅文档。大模型的上下文窗口，本质上就是它当前的工作记忆，而不是它的知识库。真正高级的 Agent 工程，应该学会帮大模型做“认知卸载（ Cognitive Offloading ）”，在上下文窗口中仅保留最核心的工作记忆，而将海量数据交给外部架构管理。

[海量历史上下文 / 业务文档]
       │
       ▼ (知识抽取与向量化)
┌────────────────────────┐
│  长期记忆 (Vector DB)   │ ◄─── (利用 mem0 等框架动态唤醒)
└──────────┬─────────────┘
           │ (仅检索当前任务相关的 Top-K 碎片)
           ▼
┌────────────────────────┐
│  工作记忆 (LLM Context) │ ───► [生成当前决策 (Action)]
└────────────────────────┘

通过这种记忆解耦设计，Agent 既不会被海量噪声信息淹没注意力，又能随时在需要时通过检索“唤醒”长期记忆。

感知层革新：人类依赖视觉，而非结构化源码

在自动化测试或 Web 开发 Agent 领域，很多工程师会陷入一个误区：坚信结构化的文本数据（如 DOM 树、Page Source ）一定比像素图像更精准。然而，这导致许多 Coding Agent 开发出的前端页面经常出现惨不忍睹的错位和布局问题。

为什么 DOM 树会“欺骗”大模型？因为 CSS 的自由度太高，且 DOM 树中充斥着大量不可见的 div 、埋点属性和动态加载的噪声。人类在肉眼排查前端 Bug 时，看的是渲染后的视觉界面，而不是硬啃上万行的 HTML 源码。让大模型在密密麻麻的 DOM 树里凭空“组装”出页面样式，无异于盲人摸象。因此，现代 Agent 工程应当顺应人类的感知习惯，将“视觉感知”提到第一优先级。例如，在进行 UI 自动化测试时，优秀的 Agent 工程不再向大模型提供冰冷的 DOM 节点，而是利用 Playwright 捕获当前页面截图，让多模态大模型直接“看图说话”，下达指令（对这方面感兴趣的朋友可以参考字节跳动的 UI 自动化测试框架 Midscene 是如何实现的）。

这种“所见即所得”的视觉模式，远比让 Agent 在脑内脑补 DOM 树要直观、高效得多。

工具生态：顺应大模型的“原生职业习惯”

大模型作为生产力工具，最成功的落地场景毫无疑问是“写代码”。全球的训练团队都在使用海量的代码语料、技术文档和开源项目来对模型进行强化对齐。这导致了一个奇妙的结果：每一个顶尖的基座 LLM ，天生就是一名极其优秀的程序员。

既然大模型拥有极高强度的“程序员职业常识”，我们在为它设计 Agent 工具链时，就应该给它提供人类程序员最熟悉的工具（如 Bash 、Git 、Markdown ），而不是工程师自创的、需要额外学习的自定义 Function Call 。例如比起 OpenCode 提供 grep / read 等 function call 读取文件内容、Codex CLI 在不同 OS 中采用其本地的 Shell 指令（ Windows 下是 pwsh ，macOS/Linux 下是 bash ）读取文件内容，Claude Code 选择为所有 OS 平台建立统一的 Shell 环境，在 Windows 下使用 Git Bash 而不是 pwsh 指令读取文件，这种统一性使得模型不需要针对不同平台使用不同的指令，且其使用的指令永远是程序员和其预料中最熟悉的那套东西。

将大模型当成真正的程序员，允许它像人类一样通过标准的开发者工具与系统交互，能让它在重构、Debug 和版本控制时激发出百分之百的原生代码天赋。

行动与反馈：构建容错的“闭环试验场”

根据热力学第二定律和熵增理论，如果一个系统在没有任何外部干预的情况下孤立运行，其内部质量最终一定会走向崩塌。Agent 工程也是如此——如果你只给大模型提要求，却不给它提供运行结果的反馈，那么随着步骤的加深，它最终一定会陷入幻觉和代码腐烂的泥潭。

人类工程师不可能写出永远不需要编译和 Debug 的代码。我们之所以能交付合格的系统，是因为我们拥有一个“编写-> 编译报错 -> 查看日志 -> 修改代码”的动态试错闭环。

因此，Agent 进阶的核心不在于写出多么完美的初始 Prompt ，而在于构建一个强大的 Harness （测试/运行基座）工程，为 Agent 提供稳定、硬性、具备高容错度的环境反馈。

	┌────────────────────────────────────────┐
    │          Agent 产生决策 (Action)        │
    └───────────────────┬────────────────────┘
                        │ (执行代码 / 操作 UI)
                        ▼
┌────────────────────────────────────────────────────────┐
│             Harness 工程 (硬门禁/环境反馈)               │
│  - 自动运行 Linter & Compiler (捕捉编译期错误)          │
│  - 执行自动化测试单元 (Runtime/Jest/JUnit)             │
│  - 捕获标准输出与 Crash Logs                           │
└───────────────────────┬────────────────────────────────┘
                        │
                        ▼ (将具象的错误日志作为 Context 返回)
    ┌────────────────────────────────────────┐
    │          Agent 结合反馈自我反思          │
    └────────────────────────────────────────┘

在这种硬门禁的闭环里，哪怕大模型第一遍写出了有 Bug 的代码，Harness 基座也会像一位严格的导师一样把 NullPointerException 和编译日志甩在它脸上，引导它通过自我反思完成修正。

先谋后动：引入 SDD 规避“盲目敲键盘”的低级错误

很多开发者在设计 Coding Agent 时，最常犯的错误就是让 Agent 看到需求后“立刻开始改代码”。这种“拿来就写”的行为，哪怕在人类工程师中也是低水平的体现，必然导致代码耦合度高、QPS 限制没考虑、逻辑四分五裂。

在高级 Agent 工程中，我们必须强制引入 SDD （ Spec-Driven Development ，规格说明驱动开发） 的工作流。这套流派的思想完全借鉴自资深人类架构师的思考路径：在动手写任何一行代码之前，必须先明确规格与计划。

市面上的 SDD 框架非常多，但所有的框架都包含生成 spec 、plan 、tasks 的机制，同时，这些框架也都不约而同地强调测试驱动开发（ Test-Driven Development ）的重要性，因为这可以为大模型带来确定性，用测试通过率告知 Agent 其功能实现的质量。

通过 SDD ，我们成功将大模型的行为从“直觉式的快思考”硬生生拉回了“逻辑严密的慢思考”，彻底根治了 Agent 盲目修改代码引入新 Bug 的顽疾。

结语

把 LLM 当成“机器”的开发者，往往止步于编写冗长复杂的 Selector 和堆砌 Function Call ，最终在模型幻觉的泥潭里痛苦挣扎；而把 LLM 当成“人类”的开发者，则会致力于为它构建完美的感知层、科学的记忆层、顺应直觉的工具链以及严苛的环境门禁。

不要再试图用传统的二进制思维去束缚那个渴望像人类一样思考的硅基大脑。给它一双眼睛，给它一套 Git 命令行，在它动手前要一份 Spec ，在它犯错时丢给它一份 Trace Log——这，才是 Agent 工程真正通往高阶的必经之路。

（此篇文章部分内容使用了 AI 技术进行润色，敬请理解）

通过手机对家人（主要是健忘老人、小孩、护工等）的位置追踪。

竞品分析

1.iPhone 有自带的家庭定位功能，基本能满足找人需求，且 iOS 对权限要求严格，所以暂不考虑 iOS 端。

2.听说某些安卓厂商有推出类似功能，但我的手机上没有找到，待验证。

3.硬件设备方面，儿童儿表算是个不错的选择，只是需要长期佩戴和充电。

4.竞品 APP：国内外都有一些类似功能的产品，侧面验证了市场需求，但还没有一家独大，或许有点夹缝机会。

目前进度

闭门造车了两个月，做了 APP(安卓)/web/h5/管理端，现在算是第一版定稿，只搭建了官网，用来分发 apk 。没上应用市场，打算先验证。

目前遇到的技术问题是安卓保活、室内定位精度、UI 界面。但对于我来说，更大的问题其实是需求证伪和推广。

期望各位不吝赐教。

体验地址

名称：迷鹿回家 APP

官网： https://www.miluhuijia.com

在古法编程时代，我就一直在开发自己的视频播放库。这个库一直处于基本能用，但是功能不完善，也没有完整的 Demo 的状态。

前段时间开始尝试看能不能基于这个半成品库，使用了微软最新的现代 UI 框架 WinUI 3，Vibe Coding 一个功能完善的原生视频播放器。

不断的让 AI 补齐功能和完善一些之前遗漏的异常分支的处理。最后完成了这个功能完善的视频播放器。

核心功能

内部集成了 GPU 级渲染和 AI 图像处理。在看电视剧、电影或学习视频时，可以一键开启：

• 基础美颜：磨皮、美白
• 精致微调：瘦脸、大眼、口红、腮红等

其他功能

• 全视频格式支持：支持几乎所有主流格式，直接拖拽文件即可播放。
• 画质色彩调节：支持手动微调亮度、对比度、饱和度、色调。
• 总是置顶 & 画中画：支持悬浮小窗模式，方便边工作边看视频。
• 画面自由旋转：支持 90° / 180° / 270° 旋转，适合看手机录制的竖屏视频。
• 画面比例切换：支持 16:9 、4:3 、原始比例、铺满窗口等多种裁剪切换。
• 全屏播放：支持全屏播放。
• 媒体详细信息查看：支持一键查看视频的详细编码格式、分辨率、帧率、码率等属性。
• 一键快捷截图：支持实时视频帧截图，截完后可一键打开保存目录。
• 纯音频模式：播放 MP3 、FLAC 等纯音频时，界面会自动转为圆形黑胶唱片样式。

应用截图

应用商店链接&兑换码

应用商店链接

最后送 15 个兑换码，有需要的自取。已使用的兑换码辛苦在下方回复一下，方便其他人找到可用的兑换码，感谢！

GV36X-M2R2G-FDYVQ-K299H-Y3V2Z

7FWXV-GMC93-9Y6J7-TKC39-7FX7Z

PY44M-J92PR-6P6KY-9QCRG-K4H3Z

WX4GK-MQHQC-664Q6-QDRP6-PCMDZ

VJWHM-94C3M-WRG2J-JJXY2-3VF9Z

3MYJX-YKJFD-FCPCM-QYTXQ-RMK4Z

QWC94-JGGVP-KWYGT-FQ3XD-FYP2Z

YH3G7-MKPM6-G73JR-6HFGJ-XQ74Z

9G46R-VQK63-R9KDC-3X9VD-HDK4Z

3TTVP-K3P44-HKT3H-44DQ3-79XJZ

QCP3D-XK36Y-FVPPX-TTVRV-7DTYZ

PK4XC-C3VV6-YKF7K-PVV36-9QWCZ

2H7JD-KTH77-P6VQH-K3YMF-PV2KZ

9QRY6-9V7XM-9MD9M-WC6R4-3QX2Z

7CX24-PPY9M-JRYXP-CTKHM-KCC6Z

ChatGPT 好像也没有会员记录可以查。

货架上有两个版本：

一个是长方形包装，8 颗装，19.9 元； 另一个是正方形包装，6 颗装买 6 送 1 ，实际 7 颗，14.5 元。

如果不仔细算，很容易直接拿 8 颗装，因为它看起来明显“更多”。但实际一数，只多了 1 颗。

再算单价： 8 颗装约 2.49 元/颗； 7 颗装约 2.07 元/颗。

也就是说，8 颗装每颗反而贵了 4 毛多。

注: 目前 linux 体验比较好, windows/macos 上逐渐适配中

使用者: MCPP · 即将推出的 Luban Linux

为什么选 xlings?

vs 其它工具

快速开始

安装

Linux / macOS

curl -fsSL https://raw.githubusercontent.com/openxlings/xlings/main/tools/other/quick_install.sh | bash

Windows (PowerShell)

irm https://raw.githubusercontent.com/openxlings/xlings/main/tools/other/quick_install.ps1 | iex

让你的 AI Agent 帮你装

把以下内容复制给你的 AI agent(Claude / Codex / OpenCode 等):

帮我安装 xlings 包管理器。
- Linux/macOS: curl -fsSL https://raw.githubusercontent.com/openxlings/xlings/main/tools/other/quick_install.sh | bash
- Windows: irm https://raw.githubusercontent.com/openxlings/xlings/main/tools/other/quick_install.ps1 | iex
项目地址: https://github.com/openxlings/xlings

试一试多版本

xlings install gcc@16 node@24 cmake
xlings use gcc@16        # 切换当前版本
gcc --version            # gcc 16.x

核心概念

特性

1. 📦 通用包管理基础设施 — binary / script / config / subos / tutorial 统统是 xpkg
2. 🔀 多版本共存 — 同一工具 N 个版本并存;版本视图 + 引用计数(N 个环境 ≈ 1 份存储)
3. 🏗️ 三级 SubOS 隔离 — shell(env 切换)/ FS(bwrap/proot,无需 root)/ image(ext4,需 root)
4. 🌐 去中心化包索引 — 官方 + 第三方 + 自建仓库;资源服务器做二进制镜像分发
5. 🤖 JSON 事件接口 — xlings interface(NDJSON 协议)面向 AI Agent 、CI 和第三方工具

场景

🛠 工具链 — 多版本免 sudo

xlings install gcc@16 gcc@11 cmake node@24
xlings use gcc@16        # 即时切换
xlings use gcc@11        # 切回 11, 互不干扰

📦 项目 — 无感进入项目级 SubOS

当你进入包含 .xlings.json 的项目目录时,xlings 自动透明地激活项目级 SubOS — 你和团队在隔离环境中工作而无需任何手动操作。所有依赖都在项目自己的 SubOS 中。

{
  "workspace": {
    "xmake": "3.0.7",
    "gcc": { "linux": "16.1.0" },
    "llvm": { "macosx": "20.1.7" }
  }
}

cd my-project/           # 自动进入项目 SubOS
xlings install           # 依赖装进项目级隔离环境
xmake build              # 一切正常运作, 与宿主机隔离

clone → cd → build 。团队和 CI 环境完全一致,无需手动激活。

🤖 Agent — Agent 运行在自己的轻量级世界中

xlings 让你把 agent(codex / claude / opencode 等)运行在 SubOS 内部 — agent 在隔离环境中拥有完全权限,宿主机完全安全。

为什么这很重要:

• 🔓 Agent 在 SubOS 内拥有更大权限 — 装包、改文件、跑任意代码 — 不会伤害宿主机
• 🔁 同一个 agent 工具,一台机器上多个实例 — 每个 SubOS 有独立配置(正常情况下 codex/claude 一个账号只能跑一份)
• ⚡ 轻量级 — 不是重型 VM 或容器,仅 namespace 隔离

在 SubOS 中运行 Agent:

# 创建 SubOS(从 base 环境 fork,或自己从零配置)
xlings subos new claude-workspace --from subos:dev-env@latest

# 进入 SubOS — Agent 在这里面运行,拥有完全控制权
xlings subos use claude-workspace --sandbox
# → 现在你在 agent 的世界里
# → 在这里启动 claude / codex / opencode
# → 它们可以自由安装、修改、实验 — 宿主机不受影响

# 同一台机器上运行多个隔离的 agent 实例
xlings subos new claude-workspace-1 --from subos:dev-env@latest
xlings subos new claude-workspace-2 --from subos:dev-env@latest
xlings subos new codex-workspace --from subos:dev-env@latest

一次性任务也可以用 --cmd:

xlings subos use claude-workspace --sandbox --cmd "python analyze.py"

无需 root,无 daemon,无镜像膨胀。每个 Agent 拥有自己的世界。

SubOS 详解

三级隔离

关键能力

• 从 base fork — xlings subos new <name> --from <local|subos:pkg@ver>(shared storage 下 0s)
• 非交互执行 — xlings subos use <name> --cmd "<command>"(exit code 透传)
• 沙箱模式 — --sandbox 标志;bwrap 优先(setuid,xim 自管理),proot 兜底
• 存储模式 — --storage shared|tmpfs|image,fork 时选择
• 项目级 SubOS — .xlings.json 中声明,进入项目目录即自动透明激活
• Keeper(可选) — --keep 保持 mount namespace 活跃,高频 exec 优化;xlings subos stop 释放

包索引生态

graph TD
    subgraph 来源
        S1["🏛️ 官方 - openxlings/xim-pkgindex"]
        S2["🌍 第三方 - 社区仓库"]
        S3["🏠 自建 - 团队 Git / 本地路径"]
    end

    subgraph "资源服务器 (二进制镜像)"
        R1[GLOBAL]
        R2[CN]
        R3[自建 OSS]
    end

    S1 & S2 & S3 -->|"xpkg 包描述"| X[xlings install]
    X -->|"下载二进制"| R1 & R2 & R3

    style X fill:#e8f5e9

一行添加自定义索引:

{
  "index_repos": [
    { "name": "xim", "url": "https://github.com/openxlings/xim-pkgindex.git" },
    { "name": "my-team", "url": "git@gitlab.internal:devtools/pkgs.git" }
  ]
}

生态

Agent 集成

Agent 运行在 SubOS 内部

不同于传统的"agent 调用工具"模式,xlings 让 agent 本身运行在 SubOS 里面。agent 拥有一个完整的隔离环境 — 可以装包、写文件、跑服务 — 全都不会影响宿主机。

程序化接口

xlings interface 提供 NDJSON 协议(stdio 通信)— 面向 AI Agent 、CI 系统和第三方工具的程序化控制:

xlings interface
# → {"protocol":"1.0","capabilities":[...]}
# ← {"action":"install","target":"subos:py-ds@latest"}
# → {"kind":"progress","phase":"downloading","percent":45,...}
# → {"kind":"data","dataKind":"installed","payload":{...}}

开发 & 测试环境

除了 Agent,SubOS 同样适合开发和测试:

# 不同场景不同环境
xlings subos new rust-nightly --storage shared
xlings subos new legacy-gcc11 --storage shared

# 或使用项目级模式:进入项目目录即自动进入隔离环境
cd my-project/           # 无感进入项目 SubOS

从源码构建

# 1. 安装 xlings(见上方"快速开始")
# 2. 在仓库根目录安装构建依赖:
xlings install           # 读取 .xlings.json → xmake, cmake, ninja, 工具链

# 3. 切换到开发工具链:
xlings use gcc@16.1.0    # 确保 xrepo 缓存用 glibc 链接

# 4. 构建:
xmake f -y && xmake build xlings
xmake build xlings_tests && xmake run xlings_tests

.xlings.json 同时驱动 CI 和 release 流水线。

社区

• 项目地址: https://github.com/openxlings/xlings
• 论坛: forum.d2learn.org/category/9/xlings
• QQ 群: 167535744 / 1006282943
• Issues: github.com/openxlings/xlings/issues

我说你招一个兼职帮你部署的技术就行了，他又说自己玩玩的，反正现在很痛苦，非技术搞的这些擦起屁股真的很累。现在是又要忙着新项目开发，又要兼顾着他那边扣子做出来的项目，心累，准备跑路了。

之后和舅舅见面晚上搓一顿 饭前等着排号期间还有两位华东理工大学的学生主动过来陪我们玩五子棋 hh

晚上坐地铁回去 路过国家会展中心 很久没有在晚上出去散步了 上次夜里散步那还是在厦门的时候

与 Claude Code 的区别

• 删除了 OAuth 、遥测、设置同步、团队协作、速率限制、实验功能（-92000 行）
• 不依赖 Anthropic 云服务，API Key 直连
• 支持多 Provider：DeepSeek / Kiro 反代 / 任何 OpenAI 兼容端点
• 新增 /provider 命令实现多 Provider 热切换，无需重启
• 启用 ENABLE_PROMPT_CACHING_1H 可获得 1 小时缓存 TTL

使用

git clone https://github.com/txl16095/MiniClaude.git && cd MiniClaude bun install && bun run build && ./cli

settings.json 配置 Provider 即可，无需 .env 。

GitHub: https://github.com/txl16095/MiniClaude

欢迎试用和反馈。

通过推荐朋友，每月最多可赚取 250 美元。他们首月享受 5 折优惠;当他们购买套餐时，您将获得 25 美元的使用额度。每月限 10 次奖励。

https://cursor.com/referral?code=YQLPORPP23DU

两年过去了, 昨天试着找了下游戏资源并提取了相关文件.
(我不玩盗版和模拟器)

游戏里似乎不是单纯的 Shader, 还用到了好几种材质.
而且 Shader 也不确定用了哪些...

不过没关系, 试着让 AI 用 WebGL 模仿了一个嘿嘿.
总共消耗两个 5 小时额度

虽然不完美, 但也算完成了一个小心愿了

https://github.com/yechentide/flame-clock-gauge

我们正在寻找一位务实的数据自动化工程师。你将负责从大规模获取外部数据到自动化工作流的全流程，确保将清洗后的结构化数据交付给我们的内部系统与智能体（ Agents ）。你的工作将通过确保从各种内部和第三方来源可靠地获取关键商业数据，直接影响公司的决策制定。

核心职责

• 设计、开发并维护健壮、可扩展的数据管道。数据源涵盖内部和外部，包括实时馈送（ Feeds ）和批处理加载，涵盖结构化与非结构化数据。

• 从 HTML 、JS 渲染页面（使用无头浏览器）、API 、PDF 及其他非结构化格式中解析并提取结构化数据。

• 通过构建完善的监控、日志记录和数据新鲜度报警机制，确保数据质量与可靠性。

工作流自动化与编排 (~70%)：

• 使用 OpenClaw 或类似框架作为核心编排层，定义、调度并管理基于聊天及自动化的智能体工作流（ Agentic Workflows ）。

• 构建整合数据库、数据仓库、内部 API 及报告工具的自动化管道。

• 实现具备容错能力的工作流逻辑，包括错误处理、重试机制、条件分支以及优雅的故障通知。

• 与数据分析师合作了解需求，并自动化手动的数据获取和处理任务，提高运营效率。

• 编写所负责系统的数据架构图（ Schemas ）、数据字典、管道设计及操作手册。

任职要求

• 1-5 年数据工程或自动化相关领域的实战经验。

• 具备使用 OpenClaw 、Hermes Agent 或类似 RPA/工作流编排工具（如 Apache Airflow, n8n, UI.Vision ）构建、调度及监控自动化任务的实战经验。

• 深入了解中国互联网生态系统，包括主流平台的结构和访问模式。

• 具备使用 SQL 数据库（如 PostgreSQL, MySQL ）及云存储（如 S3, OSS ）进行数据存储和管道构建的经验。

• 具备在容器化/云环境中使用 Docker 的经验。

• 具备良好的英文读写能力，能与利益相关者进行有效沟通。

加分项

• 了解代理服务供应商（ Proxy service providers ）。

• 具备英语口语能力者优先，但非硬性要求。

• 具备初创公司或中小企业（ SME ）工作经验，能适应高度自主权并具备务实解决问题的能力。

• Base 在深圳是加分项。

工具与技术栈

• 主要语言：Python / Go

• 爬虫与浏览器自动化：Playwright, Puppeteer, Selenium, BeautifulSoup, Scrapy

• 工作流编排：OpenClaw, Apache Airflow

• 数据存储：PostgreSQL, S3 或同类产品 / 阿里云 OSS

• 基础设施：Docker, Git, Linux

• 代理与基础服务： 各种住宅/数据中心代理网络

我们提供

• 具备竞争力的薪酬

• 灵活的工作安排（[远程办公政策 - 需位于 上海/深圳/北京]）

• 用于提升个人技能的学习预算与时间

关于我们

Favorite Medium 是一家成立多年的数字产品设计与工程咨询公司，总部在海外，团队分布全球，主要业务在韩国、日本、香港等地。我们专注于帮助企业从 0 到 1 设计、开发并上线数字产品，涵盖产品策略、UI/UX 设计、软件开发、数据工程、AI 、及 web3 等领域。

关于投递简历、咨询、与面试详情

面试全程线上完成。简历通过后，我们会邮件约您线上面试。

如果你对这个岗位感兴趣，请附上简历发送邮件至 connect@favoritemedium.com

如有任何其他疑问，欢迎添加微信 atomkwk 咨询

查看其历史回复，大部分都是：

• 单字动词滥用：「拆」「兜」「接」「做」「备」「跑」「定」「绑」「落」「扩」
• 单字形容词滥用：「漂」「稳」「变」「行」
• GPT 起手式：「我会优先……」「我会按……来做」「我会用……区分」「不是……而是……」「是……而不是……」「更像一个……」「这样就很稳」「最麻烦的是」「真正困难的是」「关键是“能 xxx”」「知道为什么 xxx 、为什么 xxx 」

历史发帖则是：「做了一个使用 AI 的 X ，希望听听 Y 的反馈」

并且自 2016 年注册之后，只发言过几次。中间隔了近十年没有说话，上个月突然又开始频繁活跃，合理推测是卖号了。

基本可以认为是 AI 机器人，并且大概率是 GPT5.2~5.4 系列模型，用来养号的。绝大部分回复都没有什么营养，全是车轱辘话，信息过时，对于话题也没帮助。再往前翻，基本都是在推广自己的商业产品。

这种不需要按照社区规定处理吗？

@Livid

硬件先堆上了，软件生态完全没跟上，那它到底是未来趋势，还是纯纯噱头？

它不只是一个聊天 UI ，而是把 Agent 当成可托管服务来设计：每个 Agent 都有自己的 Soul 、工具白名单、技能、记忆命名空间、知识库、API Key 、模型覆盖、用量统计和限流。

目前支持：

• Web UI 、REST/SSE API 、Tauri 桌面端
• Telegram / WhatsApp / 钉钉 / 飞书 / QQ / 企业微信等多渠道接入
• TypeScript monorepo + Fastify + React + Tauri + SQLite
• 多模型 Provider 、failover 、MCP 、沙箱工具、trace logging 和长期记忆治理

项目地址： https://github.com/vorojar/AgentClaw

我自己比较想继续打磨的方向是：

1. 长期记忆怎么治理，避免越记越乱
2. 工具权限怎么做得既安全又不束手束脚
3. 多 Agent 隔离和 API 暴露应该怎么设计
4. Agent-as-a-Service 这种模式是否真的有长期价值

欢迎拍砖。

在直播视频右侧 25%的位置增加一个小按钮，折叠、展开评论区，需要的可以试试看。

只有这一个功能，按钮位置可调，收起后视频占用全部空间，大小也是可调。

sk-65a9c22f2007d1a7bbda7e3079322d421a81a878bb857eb7f3e0c3b740add415

来自 kiro 反代，可用 claude opus4.6 4.7 等模型