Claude
ChatGPT、Claude、Gemini 怎么代订?先看账号归属、套餐和售后边界
想用微信或支付宝订阅 ChatGPT、Claude、Gemini?先分清代付、独立账号和共享账号,再核对账号控制权、套餐权益、风控和退款规则。
Composer 2.5 标准版与 Fast:价格、预算和使用范围
Composer 2.5 标准版与 Fast 怎样算成本?区分输入、缓存读取和输出,查看可运行的预算示例,并核对 Cursor、SDK 与第三方网关的接入边界。
Tailscale 私有网络指南:VPS 接入、子网路由与访问权限
把 VPS、家里的 NAS 和笔记本接入同一个 tailnet,分别设置设备访问、子网路由、出口节点与 SSH 权限,并用 Serve 访问本机服务。
open-slide 上手:让 AI Agent 写 PPT,关键不是模板,是把幻灯片变成代码工程
open-slide 把幻灯片做成 React 组件,让 Coding Agent 修改布局、处理批注和迭代内容。文章介绍它与 Slidev 的区别、工作区初始化及演示导出流程。
bux 上手:把 Claude Code 变成 24 小时在线的浏览器 Agent
把 Claude Code 装在自己电脑上,适合“坐在桌前写代码”。但真正想让 Agent 干活,问题很快就变成另一种:人不在电脑前怎么办?浏览器登录态怎么保留?任务跑到一半遇到 2FA 或验证码怎么办?手机上能不能只发一句话,让它继续处理? bux 解决的正是这个缝隙。它不是另一个浏览器自动化框架,也不是给 Clau
Semble 上手:给 Coding Agent 一套省 token 的代码搜索层
Semble 为 Coding Agent 提供代码搜索层,返回带文件路径和行号的代码片段。文章介绍 Python API、MCP 接入和继续查找相似代码的方法。
thClaws 上手:用 Rust 做一个主权 Agent 工作台
thClaws 用 Rust 构建本地 Agent 工作台,将 GUI、CLI、MCP、Skills、记忆与多 Agent 协调放进同一套引擎。文章介绍构建条件、入口和模型配置。
World2Agent 上手:让 Agent 先看见世界,再谈自动行动
World2Agent 用 World → Sensor → Agent 协议把外部数据转成结构化信号。文章介绍 Sensor 接入、插件配置,以及外部输入影响 Agent 行动时的权限边界。
video-use 上手:让 Coding Agent 真的剪出 final.mp4
视频剪辑进入 Agent 工作流以后,最容易被误解成“一句话生成视频”。真正有用的方向不是凭空生成,而是把已有素材变成可审计、可重跑的编辑流程:识别素材、切掉废话、调色、加字幕、加动画、渲染、检查边界,再输出 final.mp4。 browser-use/video-use 正是这个方向。它让 Claude Code、
Warp 上手:把终端升级成 Agent 开发工作台
终端正在被重新定义。过去它主要负责执行命令;现在,随着 Coding Agent 进入日常开发,终端开始承担上下文组织、任务分派、输出审查和远程执行入口的角色。
Taste Skill 上手:别让 AI 前端只会紫色渐变和三张卡片
AI 写前端,最容易出现一种熟悉的味儿:居中的大标题,蓝紫渐变背景,三张等宽功能卡片,按钮带一点发光,下面再塞几个“Seamless / Next-Gen / Elevate”之类的词。 功能可能是对的,但一眼就知道是模型直接吐出来的。不是不能用,就是不太像一个认真做过视觉判断的产品页面。 Taste Skill 做的
Headroom 教程:给 Coding Agent 加一层上下文压缩,少花 token 还要不掉准
Coding Agent 的 token 浪费,很多时候不是模型太贵,而是上下文太脏。终端输出、测试日志、重复文件、RAG 片段、工具结果,全都原样塞回去,模型不但花钱,还更容易被噪音带偏。 Headroom 做的是上下文优化层。它可以包装常见 coding agent,也可以作为代理放在应用和模型之间,对消息、工具输
Sentrux:AI 写代码不能只看 diff,还要有架构传感器
AI Agent 写代码最容易让人上头。头几天,功能像开闸一样往外冒;再过几天,项目里开始出现幻觉函数、错位依赖、循环引用、God 文件。不是模型突然变笨了,而是代码库本身开始失去结构。 Sentrux 值得看的地方,不是又多了一个静态分析工具,而是它试图给 Coding Agent 补一个反馈器官:在 Agent 动
Databricks AI Dev Kit:让 Coding Agent 真懂你的湖仓平台
让 Coding Agent 写普通 Web 代码已经不新鲜了。难的是让它进入一个复杂数据平台:Spark、Unity Catalog、Jobs、MLflow、Model Serving、权限、表结构、流水线规范全都在场。 `Databricks AI Dev Kit` 解决的是这个问题:给 Claude Code、C
Lunel:手机不是跑代码的机器,而是 AI Coding 的遥控台
Lunel 用移动端 App、本地 CLI 和中继网关,让手机成为 AI Coding 的遥控台。文章介绍它的架构与使用方式,代码任务仍在开发机上运行。
小米 MiMo 发 Token:更关键的是测的是国产模型的 Agent 耐力
小米 MiMo-V2.5 系列开源之后,又给开发者放了一波更直接的东西:MiMo Orbit Token 激励。表面看,这是一次免费额度活动;往深一点看,这是国产模型主动争取 AI builder 的一次入口战。 别把它只理解成“薅点 Token”。如果只是领完额度、跑几个聊天问题、截个图发朋友圈,那这波额度基本就浪费
VoltAgent 教程:用 TypeScript 把 Agent 写成可观测工程服务
TypeScript 团队做 Agent,常见路线是从前端或 Node 服务里拼一个聊天 demo:接模型、写工具、加一点 memory,再接到页面。能演示,但上线后很快缺东西:trace 看不见,工具失败不好查,RAG 数据难管,guardrail 没地方放,部署也像临时脚本。 VoltAgent 想把这条路工程化:
gstack 教程:把 Claude Code 变成一支会复盘的产品小队
很多人用 Claude Code,习惯是把需求直接扔进去,然后盯着它改。能跑,效率也有,但问题很快出现:产品判断没人做,设计味道没人看,安全审计靠运气,最后发布时再补文档和测试。AI 写代码变快了,工程流程反而容易被省掉。 gstack 值得看的地方,不在“Garry Tan 的同款配置”这个噱头,而在它把 Claud
Entire CLI:AI 写代码,也该留下可追溯的工程账本
AI 编程现在有个越来越明显的断层:代码最后进了 Git,但代码是怎么被 AI 写出来的,往往不在 Git 里。 你能看到 commit diff,能看到谁合了 PR,却很难回答几个更关键的问题:当时给 Agent 的任务是什么?它读过哪些文件?中间跑过哪些命令?为什么放弃了第一版方案?有没有把一个错误假设带进最终代码
anything-analyzer 教程:给 Agent 一套网络观察台,而不是让它盲猜接口
很多 AI Agent 做网页任务时,最尴尬的不是不会写代码,而是看不见真实网络。浏览器里点一下,背后跑了哪些 API、带了什么 Cookie、哪里做了签名、哪个请求失败了,Agent 往往只能靠页面结果猜。 `anything-analyzer` 把这个问题往工程侧推了一步:内嵌浏览器抓包、MITM 代理、JS Ho