作为一个写了二十多个rust库的人，我越来越不喜欢这个语言，这个语言的膨胀能力比其他语言是次方级别的 当我的代码量超过3万行的时候，调整代码需要1分钟不到，然后cargo test、 build等要10分钟，并且这个时间算短的 而且这是一个非常吃硬盘的语言，你随便写写东西，build一下，几个g就没了，开几个worktree轻松吃掉百G空间 当然性能上如果是直接和ts对比，绝对是秒杀，但和go比起来，他没有那么大的优势，go的编译很快，几万行代码也很快

小红书最近悄悄上线了 REDSkill（红技能），把 AI Skill 直接塞进笔记里。 我看到阮一峰的帖后去研究了一下，觉得这个功能对普通开发者其实挺有意思的——它把「笔记种草」和「Skill 分发」结合了。想跟大家分享一下我理解的来龙去脉和实际价值。 核心玩法很简单：创作者可以在笔记里挂载 Skill 组件，用户点一下就能一键装进自己的 Agent（Claude Code、OpenClaw 等）。 对用户侧超级丝滑： 刷到一篇笔记，下面出现「Red Skill」按钮 → 点击「去使用」→ 复制口令 → 粘贴给你的 AI 助手 → 一键安装完成。 不需要跳 GitHub，也不需要自己折腾配置。Skill 像一个可直接安装的模块（目前示例有生成各种风格 PPT 的 Skill 等）。 对创作者/开发者怎么操作（实用版）： 推荐用电脑登录「小红书创作者服务平台」。 左侧菜单会出现「Red Skill」入口。 上传方式有两种： 文件夹上传（推荐）：准备好文件夹，放 SKILL.md 主文件 相关素材，填写名称、描述、场景标签、来源（GitHub 链接等）。 对话上传：直接跟你的 Claude Code / OpenClaw 对话，让它帮你上传。 审核很快，几分钟就能通过。之后发笔记时，在「添加组件」里选 Red Skill 挂上去即可（已发布的笔记也能编辑追加）。 目前还有点限制（内测/早期阶段）： 主要支持 Markdown 和 TXT 格式，复杂 YAML/Python 脚本还不太行。结构相对基础，复杂 Skill 能力会受限。 但整体流程已经比预期顺畅很多，和发普通笔记差别不大，几乎没有额外技术门槛。 这是小红书把「社交 Skill Hub」结合的一次尝试，目前全球还比较少见。 对 AI Agent 生态是利好——降低了 Skill 的发现和安装门槛，让能力更容易流动。但最终效果取决于平台怎么控质 开发者怎么用内容去种草。

链接： bohrium.com/en/nodes

免费服务器羊毛来了 只要注册，不需要绑卡就可以获取一个2c4G的服务器，可以当临时梯子玩玩。 它适合做： - 远程 Linux 开发机：写代码、跑脚本、编译、小型测试。 - 轻量后端/内网服务：FastAPI、Node、Rust 服务、Redis/Postgres 测试环境。 - GitHub 相关开发：能访问 GitHub，拉代码、装依赖大概率可用。 - 数据处理：小批量文本处理、爬取允许访问的网站、定时任务。 - 文件中转/临时存储：本地盘约 40G，另有 /share、/personal 这种平台挂载盘。 - 国内/部分国际站点访问测试：百度很快，Cloudflare/GitHub 可用。 不付费的服务，不推荐存放重要数据 开通的时候记得勾选一个定期停机，取消掉，不然过24小时会停机

Ai是杠杆，有两件事可以最大放大他的能力: 1. 使用ai的能力 2. 要放大的原始能力

Gemini 3.5 Pro 还没正式发布，但我把全网目前最靠谱的信息（官方 独立分析 泄露）全部梳理了一遍。 核心结论：不是“已经碾压”的状态，而是“有明确优化方向但还在打磨”。 当前真实状态 I/O 2026（5.19）宣布 3.5 系列，Flash 已 GA，Pro 原计划 6 月 → 已确认推迟至 7 月。 目前仅限部分 Vertex AI 企业客户 limited preview。 延迟主因（Business Insider 知情人士）：早期测试反馈需要优化 token 效率 和 长 horizon 多步任务可靠性。Flash 被吐槽在 agent 工作流里 token 吃得比较凶。 为什么 Pro 值得期待（基于泄露 分析） 最常被提到的升级方向：sustained / hard reasoning 大幅提升（major reasoning upgrade）。 预期亮点：更好处理长链 agent 任务（规划、记忆、工具调用连续性）。 传闻支持 2M context（Flash 是 1M）。 可能引入 Deep Think 模式（类似 extended reasoning，适合复杂 coding / 逻辑题）。 目标是让 Pro 在 reasoning 上明显强过 Flash，同时保留 agentic 优势。 4. 泄露情况 & 大V 言论（要带 skepticism） 最近 @LuminaXspace、@chetaslua 等账号在推 “massive leap”“zero-shot 优势”“领先 Fable 5”。 来源多指向 LMSYS Arena 匿名 sighting（SVG 生成等 coding 任务）。

免费 隐私优先（本地/云端草稿随意切换）。 内容创作者和独立开发者的效率神器。 再也不用为格式浪费时间了 👇markdown2social.com/

你是不是也遇到过这些崩溃时刻？ • 在 X 上发帖要手动数字、删删减减？ • LinkedIn 想加粗列表却只能纯文本？ • 同一个内容要在 5 个平台发，排版重复劳动 3 小时？ Markdown2Social 直接解决这些问题： 用熟悉的 Markdown 写一次 → 实时看到各平台最终效果 → 一键复制完美适配的富文本。 支持 X、LinkedIn、Instagram、Threads 等 10 平台，自动处理字数限制和富文本格式。

原文很短，强烈推荐读一下（2 分钟就能看完）： simonwillison.net/2026/Jul/3… 你们在用 Claude Code / Fable 时，有没有做过类似的「judgment delegation」实验？

另一个例子是测试策略。 很多人会硬性规定：「小改动不要写测试」。 Simon 的建议是直接让 Fable 判断「这个改动值不值得花测试成本」。 模型自己会权衡收益和代价，而不是执行死规则。

这其实就是在 Claude Code 里实现了一个轻量判断层 动态模型路由。 和我目前在做的多代理编排思路高度一致： 不是写死「小任务别用顶级模型」，而是给强模型判断权和委派权。 判断、证据、委派 —— 这三件事越来越成为 agent 系统里的核心能力。

为什么有效？ 机械实现、简单编辑 → 丢给 Sonnet / Haiku 子代理 架构判断、代码审查、需求综合 → 留在 Fable 结果就是：Fable token 消耗明显下降，同时输出质量没掉。 Simon 说自己「getting a ton of work done」的同时，额度消耗变慢了。

他的具体做法非常干净： 在 Claude Code 项目 memory 里加了这样一条 prompt： For all coding tasks use your judgement to decide an appropriate lower power model and run that in a subagent. 主循环只负责 review 判断类工作。

Fable 是 Anthropic 目前最强的公开模型（Mythos-class），特别适合复杂 coding 和长时程 agentic 任务。 但它 token 贵、速度慢。 Simon 从 Claude Code 团队的 Fireside Chat 里得到一个关键 tip： 让 Fable 自己决定「这个任务值不值得用我」。

Simon Willison 今天发了一条很短但很扎心的笔记：《Fable's judgement》。 核心就一句话： 用顶级模型时，别再写死规则了，让它自己判断到底用什么模型，使用便宜的子agent来节省token 尤其是 Claude Fable 这种又强又贵的模型。

这篇论文属于2025-2026 RL for reasoning浪潮里的重要观察——从“怎么训”开始转向“训哪里最有效”。 对构建更高效、可持续的reasoning agent pipeline有直接参考价值。 论文链接：arxiv.org/abs/2607.01232推荐直接下PDF，看那些layer contribution的柱状图，中间的峰值非常明显。

当然也要看到局限性： 主要在Qwen系列（1.5B-8B）验证，其他架构（Llama、MoE、更大模型）是否成立还需要更多实验 数学、代码、agentic任务上成立，传统人类偏好alignment RL是否一样？可能有差异 还需要更多mechanistic interpretability工作来解释“为什么是中间层” 但这个pattern的跨模型、跨算法、跨任务稳定性已经很强了。

更实用的部分是作者验证的几种Layer-Adaptive Training策略： 只训练中间层子集（无需先做profiling）：比标准全参RL高 0.5-1.8% 只训Top-10高贡献层：Qwen3-8B上达到 69.11%（ 2.68% vs 全参66.43%） 给高贡献层提升学习率：进一步增益 把多个高贡献层做ensemble投票：在OlympiadBench上甚至 6.7% 这些都是可以直接落地的优化方向。

为什么中间层贡献这么大？ 论文的合理推测是： 早期层主要负责低级特征提取 后期层主要负责输出格式化和对齐 中间层承担了核心的推理、规划、表示整合工作 而RL（尤其是针对复杂reasoning的reward信号）主要在强化这部分能力，而不是均匀修改整个网络。 这和我们对Transformer机制的直觉高度吻合。

核心发现非常一致： RL增益高度集中在少数层，经常只1层就能拿下大部分甚至全部收益 高贡献层稳定集中在模型中间位置（middle layers，大约40-60%深度） 输入端（early layers）和输出端（late layers）贡献很低，甚至为负 最夸张的例子：Qwen3-1.7B（28层） 的 Layer 10，C = 1.14，即恢复了114%的全参增益，直接超过全参数RL训练。