Maivi 是一款跨平台应用，利用现代人工智能技术快速将语音转换为文本，并将文本添加到剪贴板。

它提供录音控制快捷键和实时文本显示功能。

适用于 Linux、macOS 和 Windows 系统。

🧬 https://github.com/MaximeRivest/maivi/

#tools

#文件传输

取文件

在线文件传输工具，不限文件格式，最大支持 10 GB，可选择过期时间和永久有效，上传发送文件后，会给到一个取件码，对方输入即可获取文件，免费使用，无需注册。

https://quwenjian.cc

全自动攻击越狱Agent

来自佐治亚理工，UIUC， 清华大学等单位的研究者联合发布了一个非常有力的全自动越狱Agent，通过把有害提问分解成下级的，看似无害的提问，来绕过最强的现代商业大模型中防御机制，实现了近乎完美的攻击成功率（96%-98%）。项目主页。根据开源的代码，理论上只要配置各种key，就可以在家攻击越狱各种商业大模型。在论文中，已经被验证可以攻克Gemini系列，GPT-OSS, Claude Haiku 4.5.

🏷 #越狱 #AI安全

开源项目分享：可去除 Gemini 图片右下角可见水印

这是一款一款名为 GeminiWatermarkTool 的命令行开源工具，可离线去除 Gemini 生成图片右下角的可见水印。工具通过反向 Alpha 混合计算，还原被水印覆盖的像素，支持 jpg、png、webp 等常见格式。该工具为由 C++ 编写，无需依赖，并可批量处理目录。作者表示仅针对 Gemini 当前的可见水印，不支持去除隐藏水印。

另有开发者基于此项目开发出纯前端版本，完全在浏览器本地运行，不依赖服务器。项目使用 JavaScript 实现，通过反向 Alpha 混合算法还原原始像素，避免 AI 修补带来的不确定性。

allenk/GeminiWatermarkTool

你是否想让ChatGPT帮你准备求职面试，却不知道怎么提问才能收到最有效的指导？这里有一套实测有效的“高级提示语”框架，帮你系统性提升面试表现！

🎯 框架核心思路：
1️⃣ 角色设定：让ChatGPT扮演资深职业教练，具备10年以上行业经验，专注你所在领域。
2️⃣ 信息收集：先让AI询问关键背景信息，比如公司规模、文化、招聘经理情况、面试阶段等，确保它理解你的具体需求。
3️⃣ 定制方案：基于完整信息，AI设计个性化面试准备计划，包括行为面试题及答案框架、技术或案例题、文化契合度问题。
4️⃣ 模拟面试：逐题问答，AI即时给出结构和内容上的详细反馈，指出优点和改进点，帮助你逐步完善回答。
5️⃣ 亮点挖掘：教你如何结合简历中的关键成就，精准匹配岗位要求，突出自身优势。
6️⃣ 结尾策略：指导你如何调研公司并在面试尾声提出有深度的问题，留下好印象。

✅ 成功关键：
- AI必须先收集所有缺失信息，避免遗漏。
- 问题与反馈紧密结合职位描述和简历内容。
- 反馈具体且可操作，风格专业且积极鼓励。

举个例子，输入：
“我需要帮忙准备一场面试，我会给你职位描述和简历。你需要问我是否还需要了解公司信息、汇报对象等。”

AI优化为：
“你是一位资深职业教练，我正在准备[行业或职位]的面试。请先问我公司名称、规模、文化，招聘经理角色，面试阶段等问题，确保了解全貌。然后帮我制定详细计划，模拟问答反馈，帮我突出简历亮点，最后推荐调研和提问策略。”

📌 想用这套框架？直接试试给ChatGPT发送类似结构的提示，你会发现你的面试准备效率和质量成倍提升！

日常工作、学习和创作中，信息海量且杂乱，如何高效整理和利用上下文成为挑战。

MineContext 是一个开源的主动式上下文感知AI助手，通过截屏和内容理解（未来支持多模态多源信息），实时捕获你的数字世界全貌，自动生成日/周总结、待办事项和活动记录，帮助你理清思路，提升效率。

主要功能：

- 自动截屏，持续捕捉你的数字工作环境，轻松收集海量上下文；
- 智能重现相关内容，创作时快速调取关键资料；
- 主动推送洞见和总结，让信息主动找上你；
- 本地存储，隐私安全有保障；
- 支持多API接入，灵活定制，完美贴合你的需求。

适合知识工作者、内容创作者、项目经理等多种角色。无需频繁切换工具，MineContext让你的数字生活更智能、更高效。
#资源参考 #AI #开源

系统架构和扩展从来不是只靠理论就能掌握的事情。

《The Accidental CTO》由Subhash Choudhary亲述他如何从零基础到打造支撑百万店铺的Dukaan系统。

这不是枯燥的教科书，而是充满实战经验和幕后故事的系统设计手册：
- 从MVP快速迭代到大规模分布式流水线
- 复制、分片、缓存、队列的利弊权衡
- 观测性、容错设计和云成本管理的实战要点
- 真实生产环境中遇到的各种挑战与解决方案

无论你是工程师、架构师还是创业者，都能从这本书中学到如何将分布式系统从理论变成可用、可扩展、可维护的“活机器”。
#CTO #实践 #MVP

系统提示词（system prompts）正逐渐过时 | 推特帖子

通过构建真实世界的智能Agent，我们发现一个反直觉的真理：
拼凑一大堆规则的长prompt，反而会降低模型表现。

举例来说，你先加一条退款政策规则，再加一条语气规范，接着又加一条升级流程……很快，prompt就变成一篇2000字的操作手册。
但大型语言模型（LLM）对此表现极差。

研究也验证了这个现象，称之为“指令诅咒”：
规则越多，模型对单条指令的执行能力反而越差。

更好的方法是——“上下文条件式指导”（contextually conditional guidelines）

不是把所有规则塞进一个大prompt，而是把指令拆成模块，按照当前对话上下文动态加载：

agent.create_guideline(
    condition="客户询问退款",
    action="先检查订单状态，看是否符合退款条件",
    tools=[check_order_status],
)

每条指导包含：
- 条件：何时加载？
- 动作：满足条件时执行什么？

系统后台根据当前对话状态筛选相关规则，只加载真正需要的几条。
这样，模型不用同时处理几十条规则，而只专注当前3-4条，显著提升执行效果。

这种方法叫做“对齐建模（Alignment Modeling）”，通过上下文结构化指导，让Agent更专注、一致且合规。

关键不在于等待更小或更强的模型，而是设计尊重LLM工作原理的架构。

这套思路已在开源框架 Parlant中实现，欢迎尝试
---

额外思考：

- 这其实是“上下文工程”的进阶：给模型正确、精准、及时的信息，而非一股脑堆砌。
- 这种模块化、条件触发的设计，也更便于维护和扩展。
- 与其盲目加规则，不如用工程思维把Agent当成系统来构建，而非仅靠prompt“打鸡血”。
- 长远看，等待更智能的

软件开发过程中，AI协作往往遇到代码臃肿、架构漂移和上下文稀释等难题，导致开发效率低下，调试时间超长。

Disciplined AI Software Development 是一套系统化的 AI 协作开发方法论，采用行为约束和多阶段校验机制，有效解决这些问题。

它通过四个阶段实现：

- 【行为配置】：设定AI行为约束和角色人格，保证协作一致性；
- 【协同规划】：生成结构化开发计划，明确范围、依赖和里程碑；
- 【系统实现】：分阶段、模块化编码，每次专注单一组件，控制代码规模；
- 【数据驱动迭代】：结合性能基准数据，指导持续优化，避免主观判断。

此外，方法论还提供项目结构提取工具，支持持续架构合规检测和性能回归监控。

适合希望与AI高效协作、保持代码质量和架构稳定的开发团队和研究者。

主要特性：

- 行为约束+人格模拟，防止AI输出漂移；
- 明确分阶段规划，减少返工和调试时间；
- 代码文件大小控制（≤150行）提升上下文管理；
- 自动化性能基准反馈，基于数据驱动迭代优化；
- 项目快照导出，方便架构合规审计。

《EasyOffer》是一个专为LLM学习者量身打造的开源项目，汇集了大厂面经、手写代码实现和常见大模型面试题，助你深入理解底层原理，提升实习与秋招竞争力。

项目特色：

- DeepSeek 系列模型核心结构及关键模块详解
- 多种生成采样方法（Top-p、Top-k、温度采样）手写实现
- 强化学习DPO训练代码简单解析
- 持续更新 LLaMA、Qwen 等热门大模型核心代码
- 面试必备大模型手写代码题及答案

适合大模型初学者和秋招备战者。
#资源参考 #面试准备 #AI #DeepSeek #LLM

深度学习为何有效？——全息原理揭秘 | 相关视频

🔍 深度学习的核心秘密，或许藏在“全息原理”（Holographic Principle）中。这个概念来源于物理学，意味着高维信息可以浓缩于较低维度的结构中，而神经网络正是利用了类似的“张量网络”结构，实现对复杂数据的高效表达与处理。

📊 图示解析：
(a) 标量、向量、矩阵、张量的基本表示，揭示数据从简单到复杂的多维扩展。
(b) 张量的分组，说明如何将复杂结构拆解成更简单的部分，便于计算。
(c) 张量乘积与缩并，揭示神经网络中信息融合与特征抽取的数学本质。
(d) 张量网络示意，展示神经网络层间复杂连接如何通过张量缩并实现高效计算。

💡 深度学习通过张量网络将高维数据映射为紧凑结构，类似全息图将三维信息储存在二维表面。这样的结构不仅节省了计算资源，还提升了泛化能力，解释了为何深度神经网络能在海量数据中捕捉关键特征。

🔗 这为理解深度学习的工作机制提供了新的视角：不是简单的堆叠层级，而是信息的全息编码与解码过程。

——深度学习的力量，正源于对信息结构的“全息”把握。
#资源参考 #深度学习 #全息原理

AI工程不断迭代升级，想掌握LLM、RAG和智能代理的实战技巧？

AI Engineering Hub 是一个集深度教程与实战案例于一体的开源项目，覆盖大语言模型、检索增强生成、AI代理等前沿内容。无论你是入门者、开发者还是研究者，都能在这里找到丰富资源，助力项目落地和技能提升。

主要特色：
- 系统讲解大型语言模型（LLM）和检索增强生成（RAG）技术
- 丰富的AI智能代理实战案例，展示真实业务应用
- 详细示例代码，方便快速上手和二次开发
- 免费数据科学电子书赠送，涵盖150+核心课程，订阅即得
#资源参考 #AI Engineering Hub #LLM #RAG #AI前沿内容

ollm：在仅8GB显存的GPU上，利用SSD卸载技术运行超大语言模型（LLM）并支持10万token上下文，无需量化处理。这意味着即使硬件受限，也能处理海量上下文数据。

🔹 速度约为0.5 token/秒，虽不适合实时交互，但适合非实时、离线或后台任务。
🔹 这种做法对SSD寿命有较大影响，需权衡性能与硬件耐用性。
🔹 业内讨论关注点：
- 是否值得牺牲SSD寿命换取超大上下文？
- 未来能否结合新内存扩展技术（如三星CXL DRAM扩展）实现更高效方案？
- 量化与混合硬件策略是否更实用？

这项技术拓宽了超大模型的部署边界，尤其适合资源有限但需要处理海量上下文的场景。未来优化空间巨大，值得持续关注。

当前主流LLM部署受限于显存大小，SSD卸载为“显存瓶颈”提供了新思路，但速度和硬件磨损是现实挑战。结合硬件创新（如CXL内存扩展）与软件优化（量化、分布式推理），未来或能实现高效、耐用的超长上下文推理，为复杂任务提供更强支持。

PrimisAI Nexus 是一款强大灵活的 Python 框架，专为多智能体系统和大型语言模型（LLM）驱动的复杂任务编排设计。它支持创建多层级主管和助理主管结构，自动管理对话历史和日志，支持结构化输出和YAML配置，轻松实现任务分工和多智能体协作。| #框架

核心优势：

- 统一管理多智能体，支持主控与助理主管分层协作
- 内置持久化历史记录，保证会话连续性和复现性
- 灵活配置LLM参数，支持自定义模型调用
- 支持通过MCP协议集成远程或本地工具服务器，实现智能体功能扩展
- 可使用YAML文件定义复杂智能体架构，方便快速部署和修改
- 丰富调试与日志功能，助力开发与问题排查

适合 AI 研究者、开发者以及需要复杂自动化任务管理的团队。
#资源参考 #AI框架 #PrimisAI Nexus

ResumeToJob

⭐️ 网站功能：简历生成

📁 网站简介：一个免费的开源简历制作网站，提供多种模板和自定义选项，简历数据保存在本地浏览器中，可以轻松导出高质量的PDF文件。

🔗 网站网址：点击打开

SubMix

⭐️ 网站功能：订阅转换

📁 网站简介：一个强大的代理订阅链接转换器，用于将单独的代理订阅链接转换为Mihomo内核所需的YAML配置文件。

支持多种协议，包括VLESS、Hysteria、Shadowsocks等，可以通过简单的操作快速生成、复制和下载配置文件。

🔗 网站网址：点击打开

🔗 项目地址：点击访问

无损音乐下载

⭐️ 网站功能：音乐下载

📁 网站简介：一个提供高品质无损音乐下载的平台，可以在这里找到丰富的音乐资源，包括各种流派和风格的歌曲。

可以通过搜索功能快速找到自己喜欢的音乐。还支持用户上传和分享自己的音乐作品，促进音乐爱好者之间的交流与互动。

🔗 网站网址：点击打开
#无损音乐 #音乐下载

飞书文档转换器下载转换

输入飞书文档 URL，获取并转换为 Markdown 格式，支持预览与复制下载。无法复制的飞书问题，可以来转换一下保存

📎网站地址

OpenAI ChatKit 是一个开箱即用的聊天框架，帮你快速集成高质量、AI 驱动的对话体验。无论是客服、智能助理还是社交应用，只需简单配置，就能拥有流畅自然的聊天界面和强大功能。| #框架

主要亮点：

- 完全可定制的UI，自然融入你的应用
- 支持响应流，打造交互式会话体验
- 内置工具和工作流集成，支持智能推理和多步骤操作
- 丰富的交互组件，支持文件和图片上传
- 线程和消息管理，轻松组织复杂对话
- 来源注释与实体标注，保证透明度和引用准确

只需几步，添加 ChatKit 组件，连接客户端令牌，就能快速上线，省时又高效。

一个面向工业4.0的开源框架，专为资产运维和维护打造。它集成了4个领域专用AI代理和2套多代理协同框架，支持模拟多步复杂工作流程的开发与评估。

功能亮点：
- 涵盖物联网传感器管理、故障模式识别、时间序列预测及工单自动生成
- 141个真实工业场景数据集，助力训练和测试AI模型
- 支持多智能体协同，提升复杂任务的自动化执行能力
- 提供Docker环境快速部署，方便工程师和研究者使用

适合维护工程师、可靠性专家和设施规划师，助力实现工业资产的智能化运维升级。

AssetOpsBench | #框架 #资源参考 #工具 #工业4.0

Jason Zhou 分享了如何通过“上下文工程”（Context Engineering）和完善的文档系统，让 Claude Code 在复杂代码库中的表现提升10倍，干货满满，值得深度学习：

1. 上下文工程是关键
Claude Code 默认接收系统提示（System prompt）、系统工具、MCP工具、CLAUDE.md文档和消息。使用 /context 指令可以查看上下文结构，合理设计上下文能极大提升代码智能生成质量。

2. 子代理（Sub-agent）管理上下文
子代理适合只读任务（如调研），能将大量信息浓缩成关键摘要，帮助主代理聚焦核心内容，避免上下文爆炸。

3. 高效的文档系统至关重要
Jason推荐建立 .agent 文件夹，包含：
- System：项目结构、技术栈、数据库模式、关键模块
- SOP：常见错误及最佳实践流程
- Tasks：产品需求文档（PRD）
- README：文档总目录，支持管理大型代码库

这个结构借鉴了 Manus 的本地缓存上下文卸载思路，能处理复杂项目。

4. 自动更新文档
设计 /update-doc 命令，代理每完成关键功能或修正错误后自动更新文档，保持知识库与代码同步，防止“上下文漂移”。

5. 实践案例：管理遗留代码库
@ODMtweets 分享了用类似方法管理基于 WordPress 的大规模遗留代码库。为每个类生成文档，并配合定制代理模式，显著提升了代理对旧代码的理解和操作效率。

上下文工程改变游戏规则：合理设计上下文不仅提升效率，还能让初级开发者产出接近资深水平。
- 文档驱动开发（DDD）落地：结合PRD和细化任务计划，让AI协助代码实现与评审，形成闭环。
- 防止提示漂移：保持文档即时更新和子代理分工，避免上下文信息丢失或偏离目标。
- 成本与收益权衡：更智能的上下文管理虽增加计算成本，但带来的开发效率提升远超投入。