meng shao

meng shao

@shao__meng最近同步 2026/11/5 00:18:45

追踪 AI 前沿,精选解读一手技术资料 分享 Agent 构建与 AI Coding 实践 拆解架构、选型与企业落地案例 前 CTO|AI 顾问 · 企业培训 公众号/小红书:AI 启蒙小伙伴 合作私信 | https://t.co/H1BUv4tdyz

7日排名
#539
总粉丝
3.7万
7日涨粉
+454
7日爆帖
3
7日曝光
3.0万
帖均曝光
1.0万

上榜记录

当日上榜实时更新;历史记录保留每日增粉、爆帖、曝光榜前 5 名。点击可查看对应海报。

暂无进入每日前 5 名的上榜记录

粉丝趋势

近7日每日已结算数据

内容表现趋势

曝光/互动与爆帖数均按自然日结算

爆帖趋势

近7日每日爆帖数

帖均曝光趋势

每日总曝光 ÷ 每日爆帖数

参与的话题

共参与 3 个话题

查看话题榜

中文 X 创作者继续围绕 AI 写作去味、Skill 工具和 Agent 课程分享形成高收藏讨论。余温称写作时只加入“禁止使用状语”就能明显减少 AI 味并提升小说质感,铁锤人随后转述类似体验;Viking 分享 show-me Skill,强调让 AI 用最小图示解释技术问题,而不是堆砌长段文字;G哥则分享开源 AI Agent 课程,并称可替代某些付费课程。讨论显示用户关注点正从单条 Prompt 转向可复用工作流、图解能力和系统化学习资源。

参与帖子: Skills 构建完整指南(33页) 这是 26 年看过最完整全面、质量最高的 Skills 构建指南,虽然是 26.01 发布的,应该还有朋友没看过。 强烈建议保存备用,时常拿出来系统学习一遍,会对 Skills 的构建、验证和使用过程有更深更系统的理解。 The Complete Guide to Building Skills for Claude https://t.co/KqPV5yK4Ng
参与 4 帖贡献曝光 6.6万话题热度 1.7万
#AI写作#去AI味#提示词

yetone宣布开展个人AI代理考核,随后披露以屏幕截图寻找最高分辨率壁纸的首轮测试,Muse讨论由使用渠道延伸至实际任务表现。其称,Grok Bot最快找到X上的原图,但图片仅为736×736,返回结果后便结束任务;Muse则搜索了较长时间、浏览多个网页,并要求用户确认,但可见正文未展示完整结果。与此同时,meng shao介绍浙大团队的开源个人Agent系统报告,称其以Meta Muse为对照,并开放nanoMuse项目。这组内容关注个人代理的检索质量、任务完成标准和人工介入需求。候选材料没有完整测试记录、统一配置或论文全文,不能据此确定产品排名,也不能认定nanoMuse已经达到Muse的能力水平。

参与帖子: 浙大团队发表了一份开源个人 Agent 系统报告,以 Meta Muse 为对照,定义「个人 Agent」该长什么样,还开源了他们的 nanoMuse 论文在这:https://t.co/tpSjw3r8et 项目在这:https://t.co/qqk2zWKQOJ
参与 1 帖贡献曝光 4.4万话题热度 610
#Muse#Grok Bot#nanoMuse

中文X开发者围绕DeepSeek Harness(DSH)分享学习与使用计划,讨论从插件架构理解延伸至本地代理系统整合。纳米AI称,为学习DSH先手写迷你版Cordis,因为其设计将LLM调用、工具、记忆和主循环纳入可替换插件框架。Barret李靖分享交给AI的配置任务,要求组合Pi、DSH与Super-Agent,并探索电脑现有CLI、MCP、Skills及浏览器自动化能力。yihong0618则表示准备严肃使用DSH,但未披露具体任务。这组内容显示开发者关注运行时的可扩展性与工具协作,但没有完整执行日志、代码或对照测试,不能确认配置任务已全部完成,也不能将“超级智能”的目标表述视为已实现能力。

参与帖子: 斯坦福大学课程 CS329A Self-Improving AI Agents @achowdhery @Azaliamirh 两位老师主讲,以 "一线经验 + 论文精读" 为骨架,以 "造一个能自我改进的智能体" 为课程目标,Youtube 已收录全部 9 节课程。 还没学过这个课程的朋友,可以先看看我做的这个演示视频,强烈推荐大家系统学习原课程视频,虽然花一些时间,但沉下心来系统学习思考,很有收获! 另外也欢迎朋友们对这个演示视频的制作多提宝贵意见,最近在磨一套演示视频的 Skills,想用于课程、开源项目、产品发布、文章等的快速表达演示。等我自己磨满意了会发布出来。 课程主页:https://t.co/C3pYFHioLs 课程视频:https://t.co/JQYAei9yr1
参与 1 帖贡献曝光 1.2万话题热度 4.5万
#DeepSeek Harness#Cordis#插件架构

近7日爆款推文

按近 7 日曝光排序,展示前 10 条。

2
3.7万 粉丝
曝光1.2万
斯坦福大学课程 CS329A Self-Improving AI Agents @achowdhery @Azaliamirh 两位老师主讲,以 "一线经验 + 论文精读" 为骨架,以 "造一个能自我改进的智能体" 为课程目标,Youtube 已收录全部 9 节课程。 还没学过这个课程的朋友,可以先看看我做的这个演示视频,强烈推荐大家系统学习原课程视频,虽然花一些时间,但沉下心来系统学习思考,很有收获! 另外也欢迎朋友们对这个演示视频的制作多提宝贵意见,最近在磨一套演示视频的 Skills,想用于课程、开源项目、产品发布、文章等的快速表达演示。等我自己磨满意了会发布出来。 课程主页:https://t.co/C3pYFHioLs 课程视频:https://t.co/JQYAei9yr1
3
3.7万 粉丝
曝光9.7K
DeepSeek Harness 团队 Super-agent 设计探索:迈向更自主的 Agent 系统 DeepSeek Harness 团队的工程架构探讨分享,团队认为,单任务 Agent 已经够强,瓶颈变成「人同时盯得住几个 Session」。Super-agent 要把 Agent 做成跨信道连续、能并行多任务、事件驱动主动干活、云端持久在线的实体;做法不再堆一个聊天窗口,转而用经典计算机系统思路(双层 Router/Worker、事件过滤与直通、异步 ReAct、存算分离加端侧 daemon、外部 Watchdog)把 Session 变成实现细节,人只做高层决策与验收。 问题从哪来 Coding Agent 证明模型能少盯着干活;个人助手又把消息、日程、邮件接进来,变成持续在线、事件驱动。但主流设计仍以单一 Session 为基本单位:并行几件事就要人手动切 Session、自己记上下文,一个人通常只能跟住大约 3–5 个活跃 Session。于是单任务上限看模型,多任务上限看人的注意力。只在本地单会话上挂 CLI/MCP,仍躲不开同步阻塞、上下文搅在一起、设备离线就停。 # 四个基础特征 连续(IM、GitHub 评论像同一个 Agent,不问「Session X 里有没有 Y」)、高效(可并行多任务,不必等上一条做完才能说下一条)、主动(持续观察环境,该出手才出手)、持久(始终在线,异常能自愈)。文中举例:同一开发任务在 IM 与 GitHub 之间连续推进;公共群无人 @ 也能主动定位根因并提修复 PR。 单个 ReAct Loop 撑不住这四点,于是拆成五个模块。 1. 双层架构:连续性 vs 吞吐 · 全进一个 Session:上下文最连,但串行慢、细节互相污染。 · 每条事件新开 Session:吞吐高,缺全局上下文,对用户也乱。 解法:Router 层常驻,承接人类交互与全局协调,当序点、协调点、记忆;不亲自执行具体任务(甚至可不挂 Bash)。Worker 层上下文隔离、挂满工具,专做单任务,用最强模型;对外不直接说话,状态汇报给 Router,由 Router 统一回复。 文中刻意区分:常见 Agent Team 是一个复杂任务内部拆角色,Lead 推理很重;这里的 Router 只管任务之间的高层分派。实践里 Router 往往用更轻模型就够。事件积压时 Router 会把多条 Trigger 批进一次长输入短输出的调用;积压适度时,单个决定摊到的推理时间反而下降(7.2 节有压测)。规模再大再谈 Router 内多层过滤或水平切分——切得越细吞吐越高、全局连续性越差,在全局记忆未解前这权衡一直在。 Worker 内部仍可再开 Subagent 或自己就是 Team,对 Router 透明。个人助手前端一个聊天框,底层也可按话题分 Worker。 2. 事件驱动:Trigger,不是等人逐条打字 驱动主输入改成群聊、邮件、日程、Code Review、CI 等半结构化 Trigger。 · 两级过滤(Fast/Slow Path):程序层按来源、群组、白名单等确定性规则先砍噪音;过线的再交给 LLM 做语义判断(提示词可随时改策略)。 · 订阅与直通:同一 PR / IM 话题 / 邮件串 = Thread。Router 冷启动建 Worker 并订阅后,同 Thread 后续事件程序直通 Worker,不再每次经 Router 转发;Router 仍可观测全局,但只管未订阅的新事件。Thread↔Worker 多对多:多人改同一环境时共享事件、自行发现冲突,结论仍经 Router 对用户说。 · Inline & Spill + 链式召回:把上下文窗口当 Cache,近期高概率信息 Inline,长内容 Spill 成摘要/续读入口。对象带唯一 ID,注入时内联下一跳关联 ID,形成引用图,需要时多跳按需展开(消息→Thread→Worker→另一评审 Thread)。 · 投机执行:会议邀约可先对日程、备资料、起草回复;群里讨论 bug 时可后台静默复现,确认简单可修才交结果,否则保持安静。 3. 面向人的交互 · 异步 ReAct:耗时工具从同步 run() 改为 start()/stop(),立刻返回 Started,结果事后当事件投回;前台可继续收指令。文称 DeepSeek Harness 已实现但尚未默认开启。 · 按信道改输出带宽:IM 低打扰、单次回复不超过约 100 词;GitHub/邮件写结构化背景、改动说明与验证。 4. 计算、状态与环境分离 本地 Agent 常把 Loop 计算、会话状态、仓库与工具链绑在一台机器上,休眠即停。两步拆开: · Loop 放云端无状态弹性容器,Session 状态进数据库 → 云端持久在线。 · 重状态执行环境留在原地,端侧只跑无会话状态的轻量 daemon 执行命令、回结果(BYOM:日常开发机也可接入)。文中对齐 Anthropic「脑手分离」,但场景更强调个人机上未提交改动与本地凭据,而不仅是托管沙箱/VPC。 5. Watchdog(外部 Control Loop) 独立 Watchdog Session,定时消息驱动:既看接口/状态等基础设施,也用模型看 Worker 有没有实质进展、是否跑偏。维护者可用自然语言问它、让它改提示词或触发规则。 实验(合成负载,初步参考) 约 300 条消息、约 20 条工作请求,编码用耗时占位工具。Super-agent 任务完成时间 p50/p95 约 12.4 / 15.7 分钟,好于「单 Session + Subagent」:中性提示下模型 5 次都不委派、被新消息打断,p95 约 29.5 分钟;强调委派后仍整体更慢且偶发长尾。代价是多会话带来更高读缓存 token。去掉直通后完成时间差不多,但 Router 决定数约 +30%、读缓存 token 约 +37%;直通主要省 Router 开销,不直接加快完成。Router 压测:Trigger 从约 1 条/分到约 40 条/分,平均 batch 1.0→2.8,单次请求 2.5s→3.9s,单个决定分摊推理时间 6.4s→1.6s。 未解问题(第 8 节) Router 何时切分、Worker 何时要直连通信;跨月长程记忆;Session 对用户隐藏后,产品侧任务呈现与中途介入怎么做;组织级上下文边界与 A2A;云端 Loop + 端侧 daemon 的入侵面与「用不接触凭据本身」的凭据使用。文末强调:若安全隐私无解,Super-agent 只能缩在很小的可信范围里。 GitHub dsh-superagent-prototype 主笔 Yujia Qiao https://t.co/X0QHiz1EWP 公众号文章地址 https://t.co/uV7BYwUpGu
meng shao 的图片 1