工具人研究Hive

我用 OpenClaw 做了一个资讯推送。需求很简单——抓 AI 领域的热点，按我的偏好每天推给我。 它跑起来了，每天都能收到。但我决定再做一遍。 不是因为它坏了，是因为我看着它，心里别扭。 这篇文章是关于那个别扭是什么。 不然下面讲的东西

流行的说法是 LLM 让 code 变得廉价了。更准确的版本是：code 的边际生产成本塌方了，但总拥有成本没变，某些场景甚至更贵。 塌方的是"从零到一个能跑的 demo"。没变便宜的是： 所以当自媒体上 AI 框架一周一个、人人 SOTA

这篇文章是一个思考题,不是一篇观点文。不给答案,不站说教位置,目的是让你在某个具体画面上停一下,然后自己想。 前置阅读:[curve-fit：和 AI 协作一年之后，我才知道我每天在防御什么](/docs/curve-fit)——那篇讲清楚

上一篇讲了单次对话里的双向 curve-fit。这次想分享的，是它的时间维度——跨对话的记忆累积。更隐形，也更慢。 起因很简单。我的 Claude 账号被封了，一年的使用历史和记忆，全部丢失。差不多同时，Claude 在 4 月 4 日的新

陈述性知识 程序性知识 两者互相促进:项目暴露基础知识窟窿并定优先级,基础知识让你在项目中看懂更多毛边。不分先后,同时跑。 手搓 → 跑通 → 输出 → 发布 → 反馈 完工线:够用到能收到反馈,不是做到满意。 对你而言,public =

——一段两天对话的结构化整理 对话最初的开场极简——"聊聊"。Claude 问聊啥,猜了 Brief 03 和 P1 ToolRef 的 sync 问题。 接着是"聊聊 curve-fit"。Claude 又猜了一遍:是想聊算法本身(最小二

半年前我对着 ML 视频啃过一次。当时的感觉——和原来的技术栈脱节，没有技能迁移，从复杂的数学和算法开始，劝退了。 劝退我的不是"学不会"，是"学不进去"——技术栈和我多年攒下的全栈经验完全脱节，我看着白板上的偏导符号，找不到一个钩子能把它

用 Harness Engineering 重新设计 TTS 流水线：一个多 Agent 系统的工程实践 TTS（Text-to-Speech）配音是视频生产中最不稳定的环节。我做中文科技短视频，每期

为什么你的 AI Agent 需要认知架构 — 当 Sonnet 打败 Opus 一、问题：19 份报告，零反馈 Scout 是我们在 OpenClaw 框架上构建的 AI 求职市场分析 Agent，