Claude疑在做一句话建App，bolt.new CEO回应：去年当面问过Anthropic何时动手！
AI 全栈应用开发平台 bolt.new CEO Eric Simons 在 X 上发文称，去年秋天在一次 Anthropic 晚宴上，他坐在同类竞品 Lovable 的 CTO 旁边，当面问 Anthropic 的人：「你们什么时候让我和这哥们失业？」对方的表情「说明了一切」。
X 上近日流传多张截图，显示 Anthropic 正在 Claude 中开发全栈应用生成功能，用户输入一句描述即可生成带数据库和身份验证的完整应用，与 Lovable 和 bolt.new 做的事一样。Anthropic 暂未确认。
Simons 表示，2024 年 10 月推出 bolt.new 时就预料到所有人都会进这个赛道。过去一年确实如此：新公司涌入，Replit 转型，Wix、Figma、谷歌相继入场。他认为「轻松增长的阶段正式结束了」，把当前局面比作 2021 年：追高增长、高流失率消费者收入的公司已经撞上天花板，过高的融资和估值可能变成负债。出路是深耕高留存率的具体工作流，融资要够打仗但不能把估值撑到下一轮接不住。
佬友们，我看到这个新闻，我后背都在发凉。。。。。
4 个帖子 - 3 位参与者
阅读完整话题
via LINUX DO - 最新话题 (author: 精神点儿 别丢份儿)
AI 全栈应用开发平台 bolt.new CEO Eric Simons 在 X 上发文称，去年秋天在一次 Anthropic 晚宴上，他坐在同类竞品 Lovable 的 CTO 旁边，当面问 Anthropic 的人：「你们什么时候让我和这哥们失业？」对方的表情「说明了一切」。
X 上近日流传多张截图，显示 Anthropic 正在 Claude 中开发全栈应用生成功能，用户输入一句描述即可生成带数据库和身份验证的完整应用，与 Lovable 和 bolt.new 做的事一样。Anthropic 暂未确认。
Simons 表示，2024 年 10 月推出 bolt.new 时就预料到所有人都会进这个赛道。过去一年确实如此：新公司涌入，Replit 转型，Wix、Figma、谷歌相继入场。他认为「轻松增长的阶段正式结束了」，把当前局面比作 2021 年：追高增长、高流失率消费者收入的公司已经撞上天花板，过高的融资和估值可能变成负债。出路是深耕高留存率的具体工作流，融资要够打仗但不能把估值撑到下一轮接不住。
佬友们，我看到这个新闻，我后背都在发凉。。。。。
4 个帖子 - 3 位参与者
阅读完整话题
via LINUX DO - 最新话题 (author: 精神点儿 别丢份儿)
建议大家擦亮双眼！！！
L站确实比别的站氛围好，努力向上。有这么多佬友和始皇无私的贡献，打造了这么好的信任体系，让佬友们待在这里和回家了一样。但是，还是希望佬友们要擦亮眼睛，尤其是关于钱的。毕竟，L站不仅仅作为技术分享交流，仍是我们从各个方面学习的地方。希望佬们一起加油，继续构建L站，成长自己。
1 个帖子 - 1 位参与者
阅读完整话题
via LINUX DO - 最新话题 (author: liyalun)
L站确实比别的站氛围好，努力向上。有这么多佬友和始皇无私的贡献，打造了这么好的信任体系，让佬友们待在这里和回家了一样。但是，还是希望佬友们要擦亮眼睛，尤其是关于钱的。毕竟，L站不仅仅作为技术分享交流，仍是我们从各个方面学习的地方。希望佬们一起加油，继续构建L站，成长自己。
1 个帖子 - 1 位参与者
阅读完整话题
via LINUX DO - 最新话题 (author: liyalun)
ClaudeCodeClaw还是Hermes
目前在Discord连接了两个Agent，两者都是用GPT-5.4.其中ClaudeCode通过cc-connect连接的，Hermes是自带Channel，目前用了一两天，感觉ClaudeCode执行长任务时会好一点，Hermes压缩上下文的时候容易失忆（我改成70%再压缩，效果不是很好），不过有时会自动更新memory或者自己updated skill。ClaudeCode的做梦机制（auto-dream）目前没看到效果，也不会像Hermes自己跑出来
1 个帖子 - 1 位参与者
阅读完整话题
via LINUX DO - 最新话题 (author: floralsei)
目前在Discord连接了两个Agent，两者都是用GPT-5.4.其中ClaudeCode通过cc-connect连接的，Hermes是自带Channel，目前用了一两天，感觉ClaudeCode执行长任务时会好一点，Hermes压缩上下文的时候容易失忆（我改成70%再压缩，效果不是很好），不过有时会自动更新memory或者自己updated skill。ClaudeCode的做梦机制（auto-dream）目前没看到效果，也不会像Hermes自己跑出来
1 个帖子 - 1 位参与者
阅读完整话题
via LINUX DO - 最新话题 (author: floralsei)
问一问现在claude还好吗
claude禁止第三方应用 需要走extra usage
而且反代封号似乎也很变态
各位佬还好吗？
现在还有用openclaw的吗 用什么模型？
1 个帖子 - 1 位参与者
阅读完整话题
via LINUX DO - 最新话题 (author: Hary)
claude禁止第三方应用 需要走extra usage
而且反代封号似乎也很变态
各位佬还好吗？
现在还有用openclaw的吗 用什么模型？
1 个帖子 - 1 位参与者
阅读完整话题
via LINUX DO - 最新话题 (author: Hary)
原来L站是这样的L站
注册L站以来一直潜水，今天突然看到，有一个买卖举报的帖子，只看见召唤了始皇，帖子都没看完呢，始皇真就出来了，震惊了
原贴在这
https://linux.do/t/topic/1957415/86
5 个帖子 - 3 位参与者
阅读完整话题
via LINUX DO - 最新话题 (author: 陈皮)
注册L站以来一直潜水，今天突然看到，有一个买卖举报的帖子，只看见召唤了始皇，帖子都没看完呢，始皇真就出来了，震惊了
原贴在这
https://linux.do/t/topic/1957415/86
5 个帖子 - 3 位参与者
阅读完整话题
via LINUX DO - 最新话题 (author: 陈皮)
AI的更新实在是学不过来，然后小组还有人码奸,真的这种好累啊。ai的工具我也用的比较早了，但是呢，小组中有的人遇到一个新的skills，然后就能巴拉巴拉一堆，真的很反感这种…
1 个帖子 - 1 位参与者
阅读完整话题
via LINUX DO - 最新话题 (author: HR)
1 个帖子 - 1 位参与者
阅读完整话题
via LINUX DO - 最新话题 (author: HR)
搭建了cf域名邮箱怎么导入到注册机
按照站内大佬的教程用cloudflare部署了域名邮箱只能接收，Web界面只有一个管理员登录密码，怎么导入注册机使用，有什么凭证或者验证码吗
1 个帖子 - 1 位参与者
阅读完整话题
via LINUX DO - 最新话题 (author: Alex)
按照站内大佬的教程用cloudflare部署了域名邮箱只能接收，Web界面只有一个管理员登录密码，怎么导入注册机使用，有什么凭证或者验证码吗
1 个帖子 - 1 位参与者
阅读完整话题
via LINUX DO - 最新话题 (author: Alex)
prompt engineering, context engineering 和 harness engineering之间的区别是什么
这三个词本质上是在大模型应用工程化不同层级的“控制手段”，可以理解为从“写一句提示词”→“组织上下文”→“搭建完整执行系统”的递进关系。
----------------------
1. Prompt Engineering（提示词工程）
核心：怎么对模型说话
指通过设计输入提示词（prompt），让模型输出更符合预期。
关注点
● 任务描述怎么写更清晰
● few-shot 示例怎么设计
● 角色设定（system prompt）
● 输出格式约束（JSON / Markdown）
● 提示词模板优化
本质
👉️ 控制“单次输入 → 单次输出”
举例
局限
● 只作用于单轮或局部输入
● 对长任务、多步骤推理控制弱
● 不管理外部数据/工具
----------------------
2. Context Engineering（上下文工程）
核心：给模型“喂什么信息”
强调的不只是 prompt，而是整个输入上下文的构建与组织。
关注点
● 如何拼接 system / user / memory / history
● RAG（检索增强）如何插入知识
● 长上下文裁剪（context pruning）
● 信息排序（重要信息放前）
● token budget 管理
● 多轮对话状态管理
本质
👉️ 控制“模型看到什么世界”
举例
一个完整 context 可能包含：
● system：角色定义
● memory：用户偏好
● retrieved docs：外部知识
● conversation history：对话记录
● user query：当前问题
特点
● 比 prompt engineering 更“系统化”
● 是 agent / RAG 系统的核心基础
----------------------
3. Harness Engineering（编排/框架工程）
核心：如何让模型在系统中“跑起来并可控”
harness = “马具/控制系统”，在 AI 里指模型执行框架与运行控制层。
关注点
● 多步 agent workflow 编排（plan → act → observe）
● tool calling / function calling
● 多模型协作（planner / executor / critic）
● retry / fallback / guardrails
● evaluation & logging
● 并发执行与调度
● 安全控制与权限管理
本质
👉️ 控制“模型如何被系统调用与执行任务”
举例系统
● AutoGPT / LangGraph / Semantic Kernel
● 企业级 AI workflow engine
● agent pipeline（检索→推理→执行→校验）
----------------------
三者关系（非常关键）
可以用一个层级图理解：
----------------------
一个直觉类比
----------------------
一个真实例子（AI客服系统）
Prompt Engineering
Context Engineering
● 用户历史订单
● FAQ知识库检索结果
● 用户身份信息
● 当前对话上下文
Harness Engineering
● 判断是否需要调用退款API
● 调用订单系统
● fallback 到人工客服
● 记录日志 + 评估满意度
----------------------
总结一句话
● Prompt Engineering：让模型“怎么说”
● Context Engineering：让模型“知道什么”
● Harness Engineering：让模型“怎么干活”
1 个帖子 - 1 位参与者
阅读完整话题
via LINUX DO - 最新话题 (author: ning li)
这三个词本质上是在大模型应用工程化不同层级的“控制手段”，可以理解为从“写一句提示词”→“组织上下文”→“搭建完整执行系统”的递进关系。
----------------------
1. Prompt Engineering（提示词工程）
核心：怎么对模型说话
指通过设计输入提示词（prompt），让模型输出更符合预期。
关注点
● 任务描述怎么写更清晰
● few-shot 示例怎么设计
● 角色设定（system prompt）
● 输出格式约束（JSON / Markdown）
● 提示词模板优化
本质
👉️ 控制“单次输入 → 单次输出”
举例
你是一个中文摘要助手，请将以下内容总结为100字以内：
...
局限
● 只作用于单轮或局部输入
● 对长任务、多步骤推理控制弱
● 不管理外部数据/工具
----------------------
2. Context Engineering（上下文工程）
核心：给模型“喂什么信息”
强调的不只是 prompt，而是整个输入上下文的构建与组织。
关注点
● 如何拼接 system / user / memory / history
● RAG（检索增强）如何插入知识
● 长上下文裁剪（context pruning）
● 信息排序（重要信息放前）
● token budget 管理
● 多轮对话状态管理
本质
👉️ 控制“模型看到什么世界”
举例
一个完整 context 可能包含：
● system：角色定义
● memory：用户偏好
● retrieved docs：外部知识
● conversation history：对话记录
● user query：当前问题
特点
● 比 prompt engineering 更“系统化”
● 是 agent / RAG 系统的核心基础
----------------------
3. Harness Engineering（编排/框架工程）
核心：如何让模型在系统中“跑起来并可控”
harness = “马具/控制系统”，在 AI 里指模型执行框架与运行控制层。
关注点
● 多步 agent workflow 编排（plan → act → observe）
● tool calling / function calling
● 多模型协作（planner / executor / critic）
● retry / fallback / guardrails
● evaluation & logging
● 并发执行与调度
● 安全控制与权限管理
本质
👉️ 控制“模型如何被系统调用与执行任务”
举例系统
● AutoGPT / LangGraph / Semantic Kernel
● 企业级 AI workflow engine
● agent pipeline（检索→推理→执行→校验）
----------------------
三者关系（非常关键）
可以用一个层级图理解：
Harness Engineering（系统层）
↓ 管理执行流程
Context Engineering（信息层）
↓ 构建输入世界
Prompt Engineering（表达层）
↓ 控制单次输出
Model
----------------------
一个直觉类比
----------------------
一个真实例子（AI客服系统）
Prompt Engineering
“请礼貌回答用户问题”
Context Engineering
● 用户历史订单
● FAQ知识库检索结果
● 用户身份信息
● 当前对话上下文
Harness Engineering
● 判断是否需要调用退款API
● 调用订单系统
● fallback 到人工客服
● 记录日志 + 评估满意度
----------------------
总结一句话
● Prompt Engineering：让模型“怎么说”
● Context Engineering：让模型“知道什么”
● Harness Engineering：让模型“怎么干活”
1 个帖子 - 1 位参与者
阅读完整话题
via LINUX DO - 最新话题 (author: ning li)
吐槽：这个爱马仕代理（hermes agent）的bug有点多啊。
有个老板朋友说想玩龙虾。给他装了个龙虾配微信。然后又听说这个爱马仕很火，又给他装了个爱马仕，这次接的是企业微信机器人渠道。这个wecom的代码里面一堆问题。比如聊天上传图片，收不到。我远程上去让其他AI看了源代码，说解密方法写错了，修了可以发了。但发个图片它没跑到图片缓存文件夹，跑到文档文件夹了，导致ai不知道我发了图片，但通过语言让他自己去文档文件夹去找，也翻得到。然后又发现ai那边也不能反过来发文件或图片。说好像又是什么代码prompt漏写wecom这块的内容了。又修代码。。
你们在用吗？最好的适配渠道是哪个？tg吗？如果国内渠道用哪个比较好？
1 个帖子 - 1 位参与者
阅读完整话题
via LINUX DO - 最新话题 (author: limars)
有个老板朋友说想玩龙虾。给他装了个龙虾配微信。然后又听说这个爱马仕很火，又给他装了个爱马仕，这次接的是企业微信机器人渠道。这个wecom的代码里面一堆问题。比如聊天上传图片，收不到。我远程上去让其他AI看了源代码，说解密方法写错了，修了可以发了。但发个图片它没跑到图片缓存文件夹，跑到文档文件夹了，导致ai不知道我发了图片，但通过语言让他自己去文档文件夹去找，也翻得到。然后又发现ai那边也不能反过来发文件或图片。说好像又是什么代码prompt漏写wecom这块的内容了。又修代码。。
你们在用吗？最好的适配渠道是哪个？tg吗？如果国内渠道用哪个比较好？
1 个帖子 - 1 位参与者
阅读完整话题
via LINUX DO - 最新话题 (author: limars)
chatGpt-plus免费试用咨询
有佬知道gpt的这个免费试用怎么开通吗？使用招商的visa卡好像不行唉~
1 个帖子 - 1 位参与者
阅读完整话题
via LINUX DO - 最新话题 (author: GQQ)
有佬知道gpt的这个免费试用怎么开通吗？使用招商的visa卡好像不行唉~
1 个帖子 - 1 位参与者
阅读完整话题
via LINUX DO - 最新话题 (author: GQQ)