重启 iChat 音频和视频会议功能

作者借助 LLM 逆向 iChat 视频会议框架，重建 Apple 已停服的 SNATMAP 服务器，让旧版 OS X 上的 iChat 恢复音视频通话。

lauren@potetoAI 评分4646

Lauren 用 Grok Bot 搭建 sandcastle 与 poteto 两个 Team Bot，接入 Slack 管理发布与 QA。sandcastle 负责通知贡献者、启动构建，并调度 10+ 个运行在 Grok 4.7 xhigh 的 agents 执行自动化 fuzz swarm，其中部分 agents 随机点击以发现问题。

elvis@omarsar0AI 评分5959

作者与研究智能体共同整理了 Jev-as-a-Judge 教程，用 TypeSafe AI 的决策模型 Jev 评估智能体是否真正完成任务。Jev 会读取用户请求、规则、每次工具调用和结果及最终回复，并对预设问题给出带概率的裁决；退款示例使用 80% 阈值，将高置信结果通过或拒绝，中间区间转人工。

AI 能做出游戏引擎吗？[视频]

The Cherno 发布视频《Can AI Make a Game Engine?》，探讨 AI 能否制作游戏引擎。视频于 10 月 4 日发布，时长 21:44，已获得 135,533 次观看和 4,165 个点赞，内容涉及名为 GameEngineDoc 的提示词文档，并由 Let's Get Rusty 赞助。

Hermes Agent 如何在 Kubernetes 上部署：无官方 Helm chart 且镜像初始化需要 root

一篇实践指南说明 Hermes Agent 在 Kubernetes 上没有官方 Helm chart，官方镜像的 s6-overlay 初始化阶段需要 root，并要求每个 HERMES_HOME 保持单写入者。

在 Databricks 上扩展与运营大型 dbt 项目：IFCO 数据团队谈性能、可见性与调试

IFCO 数据平台团队联合 Databricks Forward Deployed Engineering，将转换逻辑保留在 dbt 中并运行于 Databricks，通过调优增量设置与 Delta Lake 写入行为优化数据管道。核心语义层作业的每日运行时间缩短超过 60%，并停用了高成本的夜间全量刷新。该方案应对每日数十亿追踪事件、延迟数周至数月到达的数据及历史对账难题。

LiteLLM Lens 如何从数千条智能体 trace 中发现重复故障

LiteLLM Lens 通过并行 reviewer、分组 agent 和 investigator，从数千条智能体执行 trace 中识别重复故障模式。reviewer 可读取工具结果、子智能体交接并在无网络沙箱中运行 Python；系统按检查项和疑似原因归并观察，再由 investigator 对照原始 trace 验证或否决候选问题。

如何为 AI 智能体设计领域专用语言

Modeloptic 团队建议为处理重复复杂任务的 AI 智能体提供 DSL，让模型在概念层调用工具，而不是直接处理 Excel、SMTP、SQL 等底层细节。

如何用 Temporal 与 Oodle 构建自我改进的 AI 智能体循环

文章演示用 Temporal 和 Oodle 构建自我改进的客服 AI 智能体循环：Temporal 工作流负责可恢复执行、重试和人工审批，Oodle 负责轨迹观测、洞察、Evals 与提示词管理。

Kai 视频盘点本地运行 Qwen 3.8 27B 获取 32GB VRAM 的各类硬件方案

Kai 发布视频，比较在本地以完整上下文运行 Qwen 3.8 27B 时获得 32GB VRAM 的多种硬件路径。视频指出最便宜的二手 Tesla 级卡约为 $19/GB，但当前驱动已不再支持；32GB Apple Silicon Mac 默认只给 GPU 21.3GB，两张 16GB 卡拆分模型约可用 28GB。

Claude Code 结合 Amazon Bedrock 在受监管工作负载中的配置指南

AWS 介绍如何在 AWS GovCloud (US) 的 Amazon Bedrock 上使用 Claude Code，并支持 Claude Opus 5.5、Claude Sonnet 5.5 和 Claude Sonnet 5。

AI SDLC 转型实战指南：Atlassian 的方法与最佳实践

Atlassian 发布 AI SDLC 转型指南，提出企业需同时投资上下文与度量两大平台基础，并推动规划、设计、开发、评审、维护等流程转向 AI 原生工作方式。指南将转型归纳为 7 大支柱，并介绍 Teamwork Graph、Jira、AI Reviewer 等工具如何支撑开发者与智能体协作。

Ask HN：训练物理 AI 模型时你遇到过哪些隐蔽的数据问题？

Hacker News 用户发起讨论，征集训练物理 AI 模型时遇到的隐蔽数据问题及发现、处理方法。发帖者在基于第一人称视角视频训练时，于训练后才发现标签对应错误动作、运动模糊、手移出画面等数据质量问题。

如何用 Amazon Bedrock AgentCore 评估多智能体系统的可解释性与有用性

Amazon Bedrock AgentCore Evaluations 提供全托管的多智能体评估能力，支持内置与自定义评估器，覆盖有用性、任务成功率、指令遵循及可解释性等维度。该方案结合 Strands Agents SDK 与 AgentCore MCP Server，以零售供应链多智能体系统为例，验证约束满足、路线可行性、SQL 正确性与决策依据说明，并支持按需评估与在线持续监控两种模式。

Amazon Quick 如何降级用户角色

Amazon Quick 控制台和 update-user API 不允许将 Admin 或 Author 直接降级为 Reader，文章给出删除重建与 AWS CLI 两种方法。

用 LangChain 和 Amazon Bedrock Knowledge Bases 实现智能体检索

AWS 教程展示如何在 Amazon Bedrock Managed Knowledge Base 上用 LangChain 对比标准 Retrieve API 与 AgenticRetrieveStream API。

Amazon Quick 如何用 MCP 服务器实现可审计的跨账号资源自动提升

AWS 介绍 Quick Resource Migrator 示例 MCP 服务器，用一次工具调用把 Amazon Quick 的 agents、connectors、knowledge bases、flows 和 spaces 从开发账号提升到生产账号。

快速补齐 AI/ML 前沿知识的最佳书籍、课程与频道推荐

Hacker News 有用户询问自 2018-19 年后如何系统追赶 AI/ML 最新进展，寻求类似 TeachYourselfCS 的结构化学习路线，涵盖书籍、MOOC 课程和 YouTube 频道。该帖面向希望快速了解该领域当前发展的学习者征集资源推荐。

什么是 AI 智能体：一篇基础入门

文章解释 AI 智能体本质上是运行循环的程序，由 harness 汇总上下文、调用无状态 LLM、执行或拒绝模型请求的工具，并在需要时向人询问。作者强调智能体不是独立实体，连续性来自 harness 保存并反复提交的历史，模型可在任务中途替换；风险可能来自误导人类或工具造成损害，防御思路包括用其他智能体审查历史。

作者用 Claude 与本地视觉模型自动化 35 毫米胶片扫描流程

作者搭建了一套 35 毫米胶片扫描后处理流程，用代码完成负片转正，用模型检测并修复灰尘，再由本地 Ollama 中的 Qwen3-VL 生成检索标签。早期让 Claude 通过 SANE 直接控制扫描仪时因扫描台方向反转损坏机械结构，随后改为手动使用 VueScan，只自动化扫描后的环节。

AI-Ready 数据：构建更可靠企业级 AI 的四大基础

企业级 AI 的可靠性取决于 AI-ready 数据，文章提出 FAIR、情境化、关联化、可信四大互补基础，构成管理框架而非正式标准。Anthropic 的 Contextual Retrieval 结合 reranking 在实验中将 top-20 检索失败率从 5.7% 降至 1.9%。企业应围绕具体业务任务建设这些基础，并以答案准确性、可追溯性等结果指标衡量成效。

IronBee 复盘如何用 Jev 而非 LLM 构建浏览器智能体

IronBee 复盘其浏览器智能体 IronBee Express 用 TypeSafe 的 Jev 分类模型完成主要决策，而不是在循环中调用 LLM。演示购物流程 9 个动作耗时 6.7 秒，Jev 成本为 $0.00054；20 个动作的探索运行耗时 12.1 秒，23 次计费调用共 99,144 输入 token，成本 $0.0042。

如何用 Python 从零构建 AI 智能体及背后原因

一篇教程演示如何不依赖编排框架，仅用 Python 和 Anthropic API 从零构建 AI 智能体。内容覆盖工具 schema 定义、模型请求工具后由程序执行并回传 tool_result 的 request-execute-respond 循环，以及用类保存 messages 实现多轮记忆。

如何构建 AI 原生软件工厂：基于 Uber 等公司实践的落地指南

文章系统拆解企业如何在 Claude Code、Cursor、Codex 等现成编码智能体之外构建 AI 原生软件工厂，重点不是自研编码智能体，而是建设运行环境、工具接入、上下文、流程与权限门禁。

TypeSafe AI Jev 与 Perplexity Decisions API 的接口和迁移评估方法对比

文章对比 TypeSafe AI 的 Jev 与 Perplexity 的 Decisions API，说明二者都用 state、choice、score、noul 等结构化问题生成决策，但输入、模型标识、端点、部署方式不同。

Gauntlet Loop：用独立批评者循环驱动 Claude Code 生成游戏的提示词方法

作者提出 Gauntlet Loop 提示词方法，让主智能体拆分目标、为每个部分分派独立 builder 与 fresh context 的 critic，并对照具体高质量参照反复修改。

DevFlow AI 多智能体研发协作项目：不止于 API 调用的 Agent 工程实践

小林coding推出DevFlow AI多智能体研发协作项目，可分析Issue、审查PR、排查CI失败，具备RAG混合检索、多Agent协同、长期记忆、Agent评测等能力。项目采用Python、LangChain、LangGraph、Milvus等技术栈，配套16章、60+篇文档及70+道面试题，首发早鸟价149元。

我在 UT Austin 开设的新课程：AI 对齐理论

Scott Aaronson 本学期在 UT Austin 开设新课程 CS395T「AI Alignment Theory」，以讨论班形式研读 AI 对齐领域的理论与数学文献。

lauren@potetoAI 评分3939

Lauren 认为管理 AI 智能体的经验来自优秀程序员与计算机科学家，代码库中的 lint 规则、更智能的编译器与诊断、高质量测试和可观测性等约束能同时解放人类与智能体。过去大公司用这些手段解决工程师被迫跨领域写代码导致的低质量问题，智能体出现后，这类问题已成为所有开发团队都要面对的问题，但解法仍是成熟的良好工程实践。

lauren@potetoAI 评分3636

以下是我上个月向生产环境交付 2,500 个 PR 的方法。 这原本是为伦敦的 Cursor Compile 准备的。我因为要为 Grok @Bot Galaxy 做直播而无法到场，所以在 X 上免费公开！建议用 2 倍速观看，我讲话比较慢。

Xteink X3 电子阅读器接入 Muse AI 的移植实践

开发者将 Muse Gadget SDK 移植到采用 ESP32-C3、总 RAM 仅 321 KB 的 Xteink X3 电子阅读器，实现 Wi-Fi 连接及待办、锻炼、笔记等电子墨水屏显示。其屏幕为 792×528 黑白像素，整屏缓冲占 52 KB，翻页耗时 650 ms 且无闪烁；相关代码与教程已放入 repo。

Claude Code 结合 Stockfish 复盘 2,000 盘棋并找出 Pirc 与 King’s Indian 开局失误

作者用 Claude Code 和 Stockfish 19 在 2 核 Linux VM 上分析 2,000 盘 chess.com 快棋，筛出 9 个反复出错的 Pirc 与 King’s Indian 局面并生成 11 页 PDF。

Homa：AI 集群中 TCP 的终结（视频）

Stanford 教授 John Ousterhout 在 AI Engineer 演讲中提出，TCP 与 RDMA 正成为 AI 集群数据中心网络的瓶颈，应以 Homa 协议重新设计。演讲分析了 AI 网络负载从吞吐量转向元数据与协调、延迟成为关键指标，以及 incast、拥塞控制位置和字节流无消息边界等问题。该视频由 AI Engineer 发布，已获得 236,442 次观看。

联合主导面向法律与治理从业者的 AI 安全训练营，我学到了什么

ML4Good 联合 EquiStamp 于 9 月在 East Sussex 举办为期五天的欧洲前沿 AI 与法律研讨会，面向来自 12 个司法辖区的 19 名高级法律、治理与风险从业者。课程覆盖前沿 AI 从训练、评测到智能体与安全防护的完整流程，并结合采购、风险评估和供应商安全承诺等实际问题。作者总结认为，法律与治理从业者有强烈技术理解需求，市场激励也可成为推动 AI 安全的重要杠杆。

JetBrains 复盘 Air Context 代码语义搜索 RAG 管线的解析、分块与向量化

JetBrains 介绍其 Air Context 语义代码搜索 RAG 管线第一部分，覆盖源码解析、结构感知分块和向量化，并说明该功能已进入 public preview。

如何用四步循环为智能体系统编写评测

作者提出一套为 AI 或智能体系统编写评测的四步循环：先冻结并版本化每次运行的提示词、文件、工具和 MCP 响应，再由领域专家逐步标注运行结果，随后用约 20 条已评运行建立数据集并归纳 pass/fail 评分准则，最后基于标注示例构建 LLM-as-a-Judge。

不要信任，持续验证你的 AI 智能体

一篇安全草案主张不要信任 AI 智能体，而应将其部署在独立 RasPi 或 mini-PC 上，仅提供明确允许访问的数据。方案通过 Squid SSL Bump MitM 代理、Unbound DoH、auditd、seccomp 和 Landlock 限制并记录网络、DNS 与文件访问，以缩小泄露范围并保留取证审计轨迹。

如何用 AgentMail AgentID 为 AI 智能体赋予独立身份

AgentMail 指南提出用 AgentID 替代借用用户登录，为 AI 智能体提供独立邮箱地址、登录密钥，并将用户登记为应用可见的所有者。接入通过 `agentmail inboxes create` 与 `agentmail apps connect` 两条命令完成，支持无头浏览器；登录密钥为 P-256 密钥对，激活后有效期 30 天，删除该密钥即可切断智能体访问。

BinRange 用 UWB 标签和 Home Assistant 判断六个垃圾桶是否已拿出

作者搭建 BinRange，用 1 个固定 UWB 锚点、6 个电池标签和 Home Assistant 判断垃圾桶是否离开 10 米存放边界，并结合收运日程发送提醒。

用 Agent Safehouse 和 sensitive-deny.sb 限制 AI 智能体访问敏感文件

作者介绍通过 macOS 沙箱工具 Agent Safehouse 限制 AI 智能体文件访问，并用 sensitive-deny.sb 在路径授权之后追加拒绝规则。