即刻App年轻人的同好社区
下载
置顶Readwise Reader 是最好用的阅读软件之一。
但作为一款海外产品，Readwise Reader 在中国有些许水土不服。
为了让你更好地使用 Readwise Reader ，我们做了一款小工具—— wechat 2 reader
这款小工具解决了两个问题：
1. 让收藏文章更加便捷，在微信内转发文章或链接，即可以收藏文章。
2. 解决了Readwise Reader 在收藏中文文章时，图片丢失的问题。
但作为一款海外产品，Readwise Reader 在中国有些许水土不服。
为了让你更好地使用 Readwise Reader ，我们做了一款小工具—— wechat 2 reader
这款小工具解决了两个问题：
1. 让收藏文章更加便捷，在微信内转发文章或链接，即可以收藏文章。
2. 解决了Readwise Reader 在收藏中文文章时，图片丢失的问题。
43 1719
Claude Code 这次的更新还挺命中痛点的
🚀 Async subagents：任务现在可以生成异步子代理，即使主代理完成任务并变为非活跃状态，子代理也会转入后台独立继续工作，适合处理长时间运行的任务。
⏱️ Instant compact：Claude 现在能以指数级速度压缩上下文，压缩只需几秒钟，避免被打断。
📝 Customer session names：用户可以重命名会话，使其更易于查找和稍后继续使用，输入 `/rename` 为任意之前的会话设置自定义名称。
📊 Usage stats：新增 `/stats` 命令，生成每日 Claude Code 使用情况的可视化图表，并提供关于会话、使用连续天数和常用模型的数据。
其中最重要的是 subagent 可以独立地在后台运行，配合 skills 可以相对稳定地完成工作，很棒。
x.com
🚀 Async subagents：任务现在可以生成异步子代理，即使主代理完成任务并变为非活跃状态，子代理也会转入后台独立继续工作，适合处理长时间运行的任务。
⏱️ Instant compact：Claude 现在能以指数级速度压缩上下文，压缩只需几秒钟，避免被打断。
📝 Customer session names：用户可以重命名会话，使其更易于查找和稍后继续使用，输入 `/rename` 为任意之前的会话设置自定义名称。
📊 Usage stats：新增 `/stats` 命令，生成每日 Claude Code 使用情况的可视化图表，并提供关于会话、使用连续天数和常用模型的数据。
其中最重要的是 subagent 可以独立地在后台运行，配合 skills 可以相对稳定地完成工作，很棒。
x.com
1 01
有哪些 AI 产品/模型，具有自己的品牌调性？
- ChatGPT
- 豆包
（千问就是一个完全没有调性的品牌）
- JINA AI
- Cursor
- Claude
- Deepseek
- Kimi （可能勉强有吧，但感觉定位很不清晰，最开始是长上下文，后来大量投放，现在开始做回技术）
- ...(欢迎补充你喜欢的品牌)
品牌调性如何形成？
首先你得有，得有自己与众不同的产品设计，独特的技术品味。
然后是靠内容进行传播的。
ChatGPT 早期发表的很多 blog，今天 claude，cursor, jina ai 还一直在发 blog 在行业里建立了品牌调性。
豆包在全中文互联网社交媒体做了大量的投放。Deepseek 则是靠去年春节一波大国叙事。
这些内容才让品牌调性深入人心。
- ChatGPT
- 豆包
（千问就是一个完全没有调性的品牌）
- JINA AI
- Cursor
- Claude
- Deepseek
- Kimi （可能勉强有吧，但感觉定位很不清晰，最开始是长上下文，后来大量投放，现在开始做回技术）
- ...(欢迎补充你喜欢的品牌)
品牌调性如何形成？
首先你得有，得有自己与众不同的产品设计，独特的技术品味。
然后是靠内容进行传播的。
ChatGPT 早期发表的很多 blog，今天 claude，cursor, jina ai 还一直在发 blog 在行业里建立了品牌调性。
豆包在全中文互联网社交媒体做了大量的投放。Deepseek 则是靠去年春节一波大国叙事。
这些内容才让品牌调性深入人心。
0 10
因为自己有大量的 Chat With Page 的寻求。
看文章时，和页面内容聊天，快速进行总结和提问等等。
但市面上的浏览器插件，比如 Monica 和 Sider 等等，动不动就是每月 $10 的订阅费用，根本用不到那么多 token 费用。要么有些插件是限制聊天轮数。要么有些免费的插件 UI 又太丑了。
所以我就 vibe coding 自己手搓做了一个最简单，有禅意的总结插件。准备上架免费开源给大家使用。
有人感兴趣么？
你现在进行 chat with page 是用什么插件？
看文章时，和页面内容聊天，快速进行总结和提问等等。
但市面上的浏览器插件，比如 Monica 和 Sider 等等，动不动就是每月 $10 的订阅费用，根本用不到那么多 token 费用。要么有些插件是限制聊天轮数。要么有些免费的插件 UI 又太丑了。
所以我就 vibe coding 自己手搓做了一个最简单，有禅意的总结插件。准备上架免费开源给大家使用。
有人感兴趣么？
你现在进行 chat with page 是用什么插件？
00:47
1 50
Gemini 的深度研究功能真好用。
让他研究了当前的Kimi KDA、Deepseek DSA 和 Qwen-Next GDN，这些高效注意力方案。
生成了一份报告，并且还生成一个可以交互的网站。
---
它们代表了两种核心思路：状态压缩 vs. 精确剪枝。
🧠 线性/递归范式 (KDA & GDN): 核心是状态递推。Kimi KDA 的突破在于通道级细粒度门控，极大增强了状态 的表达力，实现了 1M 上下文下 75% 的 KV Cache 内存缩减和 6倍解码吞吐量提升！Qwen-Next GDN 则结合 MoE 实现了系统级的 10倍吞吐。
✂️ 稀疏化范式 (DSA): Deepseek DSA 走的是另一条路：保留 结构，通过硬件感知的精确剪枝，将复杂度降至 。DSA 的成功关键在于定制内核 FlashMLA，确保理论效率转化为实际的高吞吐，同时保持与稠密模型几乎一致的性能。
总结对比：混合架构（高效层:全注意力层 ≈ 3:1）是当前平衡效率与性能的共识！
① KDA： 极致的内存优化和性能拓展，适合超长上下文（>1M）。
② DSA： 性能对齐的计算成本削减，依赖系统工程。
③ GDN+MoE： 最高的系统吞吐量和经济效益。
让他研究了当前的Kimi KDA、Deepseek DSA 和 Qwen-Next GDN，这些高效注意力方案。
生成了一份报告，并且还生成一个可以交互的网站。
---
它们代表了两种核心思路：状态压缩 vs. 精确剪枝。
🧠 线性/递归范式 (KDA & GDN): 核心是状态递推。Kimi KDA 的突破在于通道级细粒度门控，极大增强了状态 的表达力，实现了 1M 上下文下 75% 的 KV Cache 内存缩减和 6倍解码吞吐量提升！Qwen-Next GDN 则结合 MoE 实现了系统级的 10倍吞吐。
✂️ 稀疏化范式 (DSA): Deepseek DSA 走的是另一条路：保留 结构，通过硬件感知的精确剪枝，将复杂度降至 。DSA 的成功关键在于定制内核 FlashMLA，确保理论效率转化为实际的高吞吐，同时保持与稠密模型几乎一致的性能。
总结对比：混合架构（高效层:全注意力层 ≈ 3:1）是当前平衡效率与性能的共识！
① KDA： 极致的内存优化和性能拓展，适合超长上下文（>1M）。
② DSA： 性能对齐的计算成本削减，依赖系统工程。
③ GDN+MoE： 最高的系统吞吐量和经济效益。
https://gemini.google.com/share/d8a67da576af
3 01
EvermemOS 是一个新的开源的企业级的 AI 对话记忆系统。
这个系统的大概逻辑：
1. 用户聊天后，LLM 判断是不是断点，如果是的话，从 session 中提取记忆，同时也会保存原文。
2. 记忆会被提取成：
- 核心记忆：用户基础信息，名称部门等
- 画像记忆：用户性格偏好，习惯，动机
- 情景记忆：具体对话事件，时间序列性
- 语义记忆：抽象概念关系，去时间化
- 原子事实：事实记录，细颗粒度数据
3. 这些记忆会按照合适的方式，存储到不同的数据库。包括 mongodb 非关系型数据库，Elastic search BM25 数据库，向量数据库, Redis 缓存数据；这里面的逻辑还是挺复杂的。
4. 使用记忆时：在调用接口时定义检索记忆的方式：包括全文搜索，向量搜索，数据库检索和混合检索。
5. 检索到的信息传给 LLM
> github.com
记忆数据的类图图图如下
这个系统的大概逻辑：
1. 用户聊天后，LLM 判断是不是断点，如果是的话，从 session 中提取记忆，同时也会保存原文。
2. 记忆会被提取成：
- 核心记忆：用户基础信息，名称部门等
- 画像记忆：用户性格偏好，习惯，动机
- 情景记忆：具体对话事件，时间序列性
- 语义记忆：抽象概念关系，去时间化
- 原子事实：事实记录，细颗粒度数据
3. 这些记忆会按照合适的方式，存储到不同的数据库。包括 mongodb 非关系型数据库，Elastic search BM25 数据库，向量数据库, Redis 缓存数据；这里面的逻辑还是挺复杂的。
4. 使用记忆时：在调用接口时定义检索记忆的方式：包括全文搜索，向量搜索，数据库检索和混合检索。
5. 检索到的信息传给 LLM
> github.com
记忆数据的类图图图如下
7 01