推文
357 tweets · 110 sources账号:全部mattpocockukdair_aisimonwbchernyadocompletetrq212felixriesebergdani_avila7dexhorthyyetonezarazhangruibadlogicgamespetergyang0xblacklightctatedeviamzhihuikarpathykunchenguidmckaywrigleyryancarsontheoaidenybaidoteygarrytankieranklaassenleon7haoomarsar0thdxr9hillsGeminiAppRLanceMartinRhysSullivanZaynHaodillon_mulroylennysanmvanhornnummanalivikingmuteyiliush0xPauliusAYi_AInotesAlchainHustAnthropicAIBenJames_____ChadMoranClaudeDevsDanielMiesslerDaveJDavidKPianoGoogleDeepMindHilaShmuelJack_W_LindseyJiaxi_CuiLinghuaJMeari_V2_0_GMnilaxRaillyHugoTaniyatweets_addyosmaniaibuilderclub_alliekmillerandrewfarahantirezartmanasynkimobbssppllvvcailynyongyongcgtwtscharmaine_kleechrisbarberchrisparkXclairevodanshipperdemishassabisdingyidoodlesteinelithrarelonmuskericzakariassonhylarucoderimdigitalashishjakevin7jarredsumnerjerryjliu0joshalbrechtjpschroederkaiofreitaslexruslogancyangmitchellhpetradonkaprathamgrvprathyvshquanruzhuoxiuraroquerohanpaul_aisamasawyerhoodservasyy_aishao__mengsteipetetechgirl1908thorstenballtobiaswuptricalttuturetomuntraceable_thevelvet_sharkycombinatorziwenxu_
@yetone·3d agoFor You
说起我们的 Yansu App 的真实案例，不得不提 Yansu 的 Hand-off 功能，最近发生了两个特别好玩的事情：
首先，我们的 CEO Bo @bozhao 最近在准备旅行，Yansu 看到这个信息之后，主动向 Bo 发出了一个 Hand-off 的消息提醒，说想要帮他去调研目的地的 Airbnb 房源。Bo 点击确认后，它果然给出了一个质量特别高的房源推荐列表。
Bo 是个英文用户，但最后 Yansu 是用中文总结的。Bo 问它：「你为什么用中文总结？」最后发现是因为在它做 Hand-off 之前，Bo 刚跟我们开了一个全中文的会议，所以它就延用了中文进行总结。
这件事情还没完。在这之后 Bo 刷推看到了我现在引用的这条推文，他就想把上面这个案例给分享出来，有意思的是，Yansu 紧接着就发起了一个新的 Hand-off，问道：「是否需要我把 Yansu 的这个案例推文帮你写出来？」，Bo 点击 ok 后，Yansu 一气呵成写出了推文。
这两件事情真的震惊了我们。
@maundygaga
@yetone 为何不直接分享具体的案例故事？更生动，也不需要解释为什么有价值。
说到 Yansu App 的 Hand-off 功能，最近发生了两件特别好玩的事： 首先，我们 CEO Bo 最近在准备旅行，Yansu 看到这个信息后，主动发出 Hand-off 提醒，说想帮他调研目的地的 Airbnb 房源。Bo 确认后，它给出了质量很高的推荐列表。 Bo 是英文用户，但 Yansu 最后用中文做了总结。Bo 问为什么用中文——发现是因为 Hand-off 之前，Bo 刚和我们开了一个全中文的会议，它就沿用了中文。 这件事还没完。Bo 刷推看到引用的这条推文，想把这个案例分享出来——Yansu 紧接着又发起了一个新的 Hand-off：「是否需要我帮你把这个案例写成推文？」Bo 点 OK 后，Yansu 一气呵成写出了推文。 这两件事真的震惊了我们。 [引用评论]：为何不直接分享具体案例故事？更生动，也不需要解释为什么有价值。
@yetone·3d agoFor You
很多人可能还是低估了 agent skill 作为 Agent 时代标准化交付物的两个核心能力：evolving 和 shareable。
一旦一个标准品被开源并进入协作网络，它就不再是一个静态产物，而会在持续使用、反馈和改造中自我演进，甚至超出原作者最初的设想。
更关键的是，agent skill 天然具备可共享、可复用、可传播的属性，这会让原本单点的内容和能力被不断放大，形成一个极其强大的杠杆效应。
@zty0826
@yetone 为什么要把它变成一个skill，而不是直接让agent去读这篇文章呢？Learning is better than installing
很多人可能还是低估了 agent skill 作为 Agent 时代标准化交付物的两个核心能力：evolving（持续演进）和 shareable（可共享）。 一旦一个标准品被开源并进入协作网络，它就不再是一个静态产物，而会在持续使用、反馈和改造中自我演进，甚至超出原作者最初的设想。 更关键的是，agent skill 天然具备可共享、可复用、可传播的属性，这会让原本单点的内容和能力被不断放大，形成一个极其强大的杠杆效应。 [引用 @zty0826]：@yetone 为什么要把它变成一个 skill，而不是直接让 agent 去读这篇文章呢？Learning is better than installing
@yetone·3d agoFor You
由于这篇文章太伟大了，所以我把它变成了一个 Agent Skill。
大家可以使用自己的 Coding Agent 安装一下这个 Skill，这样就可以用「最佳实践」来轻松地重构或者开发一个既容易跨平台、又极其接近 Native 性能的桌面端应用。
https://t.co/VdAhLhoSQE
@peduarte
everything you need to know about how the team built the new @raycast from the ground up honestly worth a read 👉 https://t.co/vP4OUpIHSV there's nothing to hide
@yetone: 因为这篇文章太精彩，我把它变成了一个 Agent Skill。 大家可以在自己的 Coding Agent 里安装这个 Skill，用「最佳实践」轻松重构或开发一个既支持跨平台、又极度接近 Native 性能的桌面端应用。 引用 @peduarte：关于 @raycast 团队如何从头构建新版 Raycast 的完整记录——诚意推荐阅读，没有任何保留。
@yetone·3d agoFor You
很开心向大家分享一下，这一年多以来最能够节省我时间的个人时尚单品：
1. --dangerously-skip-permissions
2. --dangerously-bypass-approvals-and-sandbox
3. /goal
很开心向大家分享一下，这一年多以来最能够节省我时间的个人时尚单品： 1. --dangerously-skip-permissions 2. --dangerously-bypass-approvals-and-sandbox 3. /goal
@yetone·5d agoFor You
殊不知我昨天写的那个 distribution filesystem 背后就是 PostgreSQL。拼命实现成一个 filesystem 就是为了方便 LLM 啊。如果大家做过 Coding Agent 开发的话，就知道 LLM 多么喜欢用 Bash，按照我的经验，LLM 喜欢用 Bash 操作文件的意愿比用其他 tool 的意愿大几十倍不止。
我至今忘不了我还在迭代 Avante.nvim 的时候，Claude Sonnet 3.7 出来的那一刻。收到了大量用户的吐槽，说我明明用了 Plan 模式，为什么还在改我的代码呢？
后面发现这个模型，即使你去掉所有的 file tool 只给它一个 Bash tool，然后强烈地在 system prompt 强调只能读文件，不能改文件，最后他还是疯狂地使用 Bash tool 调用 cat + HereDoc 去修改文件。感觉调用 bash tool 操作文件就是 LLM 的膝跳反射。
@yetone
DB base 和 file base，在 harness memory 系统中不是冲突的。只是 firstly 和 secondly 的区别。一切都是为了照顾 LLM 的喜好。至少在 2026 年，LLM 还仍然是个 Bash 爱好者。 这也是为什么大多数当代 Harness 都是多层记忆，我们的 Harness Memory 也是多层的，有基于 embedding db 的记忆，也有基于 file system 记忆。
@yetone: 没想到我昨天写的那个分布式文件系统底层就是 PostgreSQL——拼命把它实现成 filesystem 就是为了方便 LLM。做过 Coding Agent 开发的人都知道，LLM 有多爱用 Bash，按我的经验，它用 Bash 操作文件的意愿比用其他 tool 大几十倍不止。 我至今忘不了 Avante.nvim 迭代期间 Claude Sonnet 3.7 刚出来的那一刻——收到了大量用户吐槽：明明用了 Plan 模式，为什么还在改我的代码？ 后来发现这个模型，即使你去掉所有 file tool 只留 Bash tool，然后在 system prompt 里反复强调只能读文件、不能改文件，它最终还是会疯狂用 Bash 调 cat + HereDoc 去修改文件。调用 bash tool 操作文件，就是 LLM 的膝跳反射。 [引用] DB-based 和 file-based 在 harness memory 系统里并不冲突，只是优先级先后的区别。一切都是为了迎合 LLM 的喜好。至少在 2026 年，LLM 仍然是个 Bash 爱好者。这也是为什么大多数当代 Harness 都采用多层记忆——我们的 Harness Memory 也是多层的，既有基于 embedding db 的记忆，也有基于 filesystem 的记忆。
@yetone·6d agoFor You
2.5GB 冷启动不到 2 分钟…………
我在前厂给大模型 serverless 部署的优化是 8GB 冷启动不到 20 秒。
@0xLogicrw
Avarok Cybersecurity 开源了 Atlas，一个用 Rust + CUDA 从零写的大模型推理引擎。它不依赖 Python 和 PyTorch，项目方称 Docker 镜像约 2.5GB，冷启动不到 2 分钟，目前主要面向 NVIDIA DGX Spark 的 GB10 平台优化。 官网模型矩阵显示，Atlas 在单台 DGX Spark 上跑 Qwen3.5-35B-A3B 可到约 130 tok/s，跑 Qwen3.6-35B-A3B 约 71 tok/s。Atlas 官网和 Hugging Face 页面称，在同硬件下，Qwen3.5-35B 平均约 111 tok/s、峰值 130 tok/s，vLLM 约 37 至 38 tok/s。 这组「3 倍 vLLM」数据来自项目方公开基准。GitHub README 写明，测试使用的是「法国首都是哪」这类短 prompt，生成上限不超过 30 个 token，temperature 为 0.1。这个口径更接近短请求、低并发、快速响应场景，也正好对应 Atlas 想打的卖点：用更小镜像、更少依赖和更快冷启动，把本地大模型服务变得更轻。 Atlas 现在仍是早期项目，真实生产场景还要看后续长文本、高并发和复杂工具调用测试。GitHub 上已有用户反馈输出质量和工具调用稳定性问题，相关 Issue 截至 2026 年 5 月 11 日仍处于 Open 状态。对开发者来说，它更像一个值得关注的新推理底座，而不是已经能全面替代 vLLM 的成熟方案。
2.5GB 冷启动不到 2 分钟…… 我在前厂给大模型 serverless 部署做的优化是 8GB 冷启动不到 20 秒。 【引用】Avarok Cybersecurity 开源了 Atlas，一个用 Rust + CUDA 从零写的大模型推理引擎。不依赖 Python 和 PyTorch，Docker 镜像约 2.5GB，冷启动不到 2 分钟，主要面向 NVIDIA DGX Spark 的 GB10 平台优化。 官方 benchmark：单台 DGX Spark 跑 Qwen3.5-35B-A3B 约 130 tok/s，而 vLLM 约 37-38 tok/s，号称「3 倍 vLLM」。但这组数据口径是短 prompt、低并发、生成上限 30 token——正好对应其卖点：更小镜像、更少依赖、更快冷启动。 仍是早期项目，输出质量和工具调用稳定性有 Open Issue，更像值得关注的新推理底座，而非成熟的 vLLM 替代方案。
@yetone·6d agoFor You
Alma streaming rendering: 0 render stall + word level fade-in + smooth scrolling https://t.co/N9ChwBoqYD
Alma 流式渲染：0 渲染卡顿 + 词级淡入 + 平滑滚动
357 tweets · 110 sources