最近我给自己搭了一套自动化流程：每天追踪 AI / CS 方向的新论文和 GitHub Trending 热门项目，然后自动筛选、整理、生成中文摘要，最后沉淀成日报。 这套系统的目标很简单： 不再靠手动刷 arXiv 、GitHub Trending 、Twitter/X 和各种群消息来追前沿，而是让 AI Agent 每天帮我完成第一轮信息筛选。 我用的是 OpenClaw ，主要让它承担三件事： 定时抓取 arXiv 最新论文和 GitHub 热门项目； 按主题、质量和工程价值做过滤； 自动生成中文摘要、深度解读和每日归档。 这篇文章简单分享一下系统是怎么搭的，以及目前踩到的一些坑。 1. 为什么要做这套东西？ 如果你关注 AI 工程化，信息源会非常碎： arXiv 每天都有大量新论文； GitHub Trending 每天都有新项目冒出来； Hugging Face 、OpenAI 、Anthropic 、Google 、Meta 、微软等团队会不定期发布模型、框架或技术报告； 很多有价值的项目不是一开始就爆火，而是在小范围技术圈里先出现。 手动追踪的问题是： 很容易漏掉重要论文； GitHub Trending 噪声很大，很多项目只是短期热闹； 标题和 README 经常看起来很强，但实际工程价值一般； 每天都刷一遍非常耗时间。 所以我想做一个自动化系统，先让 Agent 帮我做“第一轮粗筛”，把候选论文和项目整理出来，再对其中高价值内容做中文精读。 2. 整体架构 目前流程大概是这样： 定时任务 / Cron ↓ 数据源抓取 ├── arXiv API ├── GitHub Trending / GitHub API └── 其他公开信息源 ↓ 候选池入库 ↓ 规则过滤 + 去重 ↓ Agent 精读 / 摘要生成 ↓ Markdown / JSON / SQLite 归档 ↓ 公众号草稿 / GitHub 日报 / 后续分发 核心不是“抓取”，抓取其实不难。真正麻烦的是： 怎么过滤垃圾信息； 怎么避免每天重复写同一个方向； 怎么判断一个项目是不是真的值得看； 怎么让生成内容尽量可验证，而不是 AI 胡编。 3. 论文部分：从 arXiv 候选到中文精读 论文侧主要关注这些方向： RAG / Retrieval-Augmented Generation Search / Information Retrieval Agent / Tool Use / Function Calling Long Context Evaluation / Benchmark LLM Application Engineering Knowledge Base / Re-ranking / Query Understanding 数据源主要是 arXiv API ，例如： cs.AI cs.CL cs.IR cs.LG cs.CV 中和多模态检索、文档理解相关的部分 每篇论文进入候选池后，会先做基础解析： 标题 作者 arXiv ID 摘要 分类 发布时间 PDF 链接 关键词 然后做几层过滤： 主题相关性 ：是否和 AI 工程化、RAG 、搜索、Agent 等方向有关； 新鲜度 ：优先最近 1 个月，越新越优先； 机构/作者可信度 ：顶级实验室、大厂、知名高校会加权，但不绝对迷信； 工程价值 ：有没有方法、框架、评测或实践启发； 重复度 ：是否和之前已经写过的主题过于接近。 通过过滤后，Agent 会读取论文摘要、PDF 或 HTML 版本，生成结构化产物： paper_slot/ deep_read_article.md deep_read_meta.json sources.md evidence-notes.md seo-title.json 我比较看重 sources.md 和 evidence-notes.md ，因为 AI 写论文解读很容易“看标题发挥”。所以每篇文章都需要保留来源、证据和不确定点。 4. GitHub 部分：不只看 Star ，更看工程价值 GitHub Trending 的噪声非常大。 有些项目一天几千 Star ，但可能只是： 一个简单 UI 壳子； 复刻已有项目； README 写得很夸张； Demo 很漂亮，但代码不可复用； Star 暴涨，但最近维护质量一般。 所以我没有只按 Star 排序，而是做了几个维度： Star 总数； 最近增长速度； 最近 commit 活跃度； README 是否清晰； 是否有真实代码结构； 是否有 license ； 是否有 release / examples / docs ； 是否和 RAG 、Agent 、搜索、LLM 应用工程相关； 是否解决真实工程痛点。 一个项目进入精读流程前，至少要检查： repo_slot/ repo-evidence.json readme.md key-files.md sources.md deep_read_article.md seo-title.json 我希望最后生成的不是“这个项目很厉害，大家快去看”的营销文，而是能回答几个问题： 它解决了什么问题？ 它和已有方案相比有什么不同？ 它的架构或实现有什么可复用点？ 它现在成熟吗？适不适合生产使用？ 如果我要试用，第一步应该看哪里？ 5. 为什么用 OpenClaw ？ 我需要的不是单次 ChatGPT 问答，而是一个能长期运行的个人自动化 Agent 。 OpenClaw 对我比较有用的点： 可以读写本地工作区文件； 可以跑脚本、定时任务； 可以维护长期记忆和每日日志； 可以把流程拆给多个子 Agent ； 可以把产物写成 Markdown / JSON / SQLite ； 可以接入公众号草稿、Discord 、QQ 等通知渠道。 换句话说，它更像一个“能干活的个人自动化工作台”，而不是只会聊天的模型。 当然，最重要的是：所有自动生成内容都要有检查门禁。比如： 没有来源链接不能进正式稿； 没读 primary source 不能写深度解读； 不能出现“待补充”“TODO”“正式发布前请检查”这类占位词； 标题不能为了吸引点击而歪曲论文或项目本意； GitHub 项目不能把 README 里的宣传语直接当事实。 6. 目前的每日输出 现在我的目标是每天产出两类内容： 论文精读 ：偏研究方法、技术路线、评测和启发； GitHub 项目精读 ：偏架构、代码、工程价值和可落地性。 每日内容会先进入本地归档，再进入公众号草稿箱，最后人工检查后发布。 我也准备把其中一部分公开成 GitHub 仓库，作为每日 AI 论文和 GitHub Trending 的中文索引： 每日论文列表； 每日热门项目列表； 中文简介； 原始链接； 主题标签； 后续可能补充脚本。 完整版的深度解读会继续放在公众号里。 7. 踩过的一些坑 7.1 不要只追热点 GitHub Trending 很容易让人被短期 Star 牵着走。后来我加了“工程价值”和“主题相关性”的过滤，否则日报会变成项目搬运。 7.2 AI 很容易把摘要写成鸡汤 如果 prompt 不约束，论文解读很容易变成： 本文提出了一种创新方法，显著提升了性能，具有重要意义。 这种话基本没信息量。 所以我现在要求每篇都必须回答： 方法具体是什么； 输入输出是什么； 对比基线是什么； 适用边界是什么； 工程上能学到什么。 7.3 需要保留证据文件 自动化写作最怕“看起来很完整，但来源不可查”。 所以每个 slot 都会保留来源文件，例如： arXiv 链接； PDF 链接； GitHub repo 链接； README 摘要； 关键文件路径； 生成时的判断理由。 这样后面出了问题可以回溯。 7.4 公众号不是终点，归档和分发更重要 如果内容只存在公众号里，后续搜索和复用都不方便。 所以我会同时保留： Markdown 版本； JSON 元数据； SQLite 主账本； GitHub 公开索引； 后续可能加网页展示。 8. 后续计划 接下来我想继续做几件事： 开源每日论文和 GitHub Trending 中文索引仓库； 加入更细的主题分类，比如 RAG 、Agent 、Search 、Evaluation ； 对高价值论文做系列化追踪； 对 GitHub 项目增加“可运行性”和“维护质量”评分； 把日报沉淀成一个可搜索的 AI 工程知识库。 如果你也在做类似的论文追踪、GitHub Trending 筛选、AI 技术日报，欢迎交流。 我会把完整的中文精读和每日筛选结果放在公众号「 AltenAI 观察」。 最后放一句软广：如果你关心 RAG 、搜索、Agent 、API 接入和大模型工程化落地，可以关注一下「 AltenAI 观察」。我会持续把每天筛出来的论文和项目做成中文摘要和工程解读。 也把文章放在了 github： https://github.com/AltenLi/daily-paper-github-trends
最近我给自己搭了一套自动化流程：每天追踪 AI / CS 方向的新论文和 GitHub Trending 热门项目，然后自动筛选、整理、生成中文摘要，最后沉淀成日报。 这套系统的目标很简单： 不再靠手动刷 arXiv 、GitHub Trending 、Twitter/X 和各种群消息来追前沿，而是让 AI Agent 每天帮我完成第一轮信息筛选。 我用的是 OpenClaw ，主要让它承担三件事： 定时抓取 arXiv 最新论文和 GitHub 热门项目； 按主题、质量和工程价值做过滤； 自动生成中文摘要、深度解读和每日归档。 这篇文章简单分享一下系统是怎么搭的，以及目前踩到的一些坑。 1. 为什么要做这套东西？ 如果你关注 AI 工程化，信息源会非常碎： arXiv 每天都有大量新论文； GitHub Trending 每天都有新项目冒出来； Hugging Face 、OpenAI 、Anthropic 、Google 、Meta 、微软等团队会不定期发布模型、框架或技术报告； 很多有价值的项目不是一开始就爆火，而是在小范围技术圈里先出现。 手动追踪的问题是： 很容易漏掉重要论文； GitHub Trending 噪声很大，很多项目只是短期热闹； 标题和 README 经常看起来很强，但实际工程价值一般； 每天都刷一遍非常耗时间。 所以我想做一个自动化系统，先让 Agent 帮我做“第一轮粗筛”，把候选论文和项目整理出来，再对其中高价值内容做中文精读。 2. 整体架构 目前流程大概是这样： 定时任务 / Cron ↓ 数据源抓取 ├── arXiv API ├── GitHub Trending / GitHub API └── 其他公开信息源 ↓ 候选池入库 ↓ 规则过滤 + 去重 ↓ Agent 精读 / 摘要生成 ↓ Markdown / JSON / SQLite 归档 ↓ 公众号草稿 / GitHub 日报 / 后续分发 核心不是“抓取”，抓取其实不难。真正麻烦的是： 怎么过滤垃圾信息； 怎么避免每天重复写同一个方向； 怎么判断一个项目是不是真的值得看； 怎么让生成内容尽量可验证，而不是 AI 胡编。 3. 论文部分：从 arXiv 候选到中文精读 论文侧主要关注这些方向： RAG / Retrieval-Augmented Generation Search / Information Retrieval Agent / Tool Use / Function Calling Long Context Evaluation / Benchmark LLM Application Engineering Knowledge Base / Re-ranking / Query Understanding 数据源主要是 arXiv API ，例如： cs.AI cs.CL cs.IR cs.LG cs.CV 中和多模态检索、文档理解相关的部分 每篇论文进入候选池后，会先做基础解析： 标题 作者 arXiv ID 摘要 分类 发布时间 PDF 链接 关键词 然后做几层过滤： 主题相关性 ：是否和 AI 工程化、RAG 、搜索、Agent 等方向有关； 新鲜度 ：优先最近 1 个月，越新越优先； 机构/作者可信度 ：顶级实验室、大厂、知名高校会加权，但不绝对迷信； 工程价值 ：有没有方法、框架、评测或实践启发； 重复度 ：是否和之前已经写过的主题过于接近。 通过过滤后，Agent 会读取论文摘要、PDF 或 HTML 版本，生成结构化产物： paper_slot/ deep_read_article.md deep_read_meta.json sources.md evidence-notes.md seo-title.json 我比较看重 sources.md 和 evidence-notes.md ，因为 AI 写论文解读很容易“看标题发挥”。所以每篇文章都需要保留来源、证据和不确定点。 4. GitHub 部分：不只看 Star ，更看工程价值 GitHub Trending 的噪声非常大。 有些项目一天几千 Star ，但可能只是： 一个简单 UI 壳子； 复刻已有项目； README 写得很夸张； Demo 很漂亮，但代码不可复用； Star 暴涨，但最近维护质量一般。 所以我没有只按 Star 排序，而是做了几个维度： Star 总数； 最近增长速度； 最近 commit 活跃度； README 是否清晰； 是否有真实代码结构； 是否有 license ； 是否有 release / examples / docs ； 是否和 RAG 、Agent 、搜索、LLM 应用工程相关； 是否解决真实工程痛点。 一个项目进入精读流程前，至少要检查： repo_slot/ repo-evidence.json readme.md key-files.md sources.md deep_read_article.md seo-title.json 我希望最后生成的不是“这个项目很厉害，大家快去看”的营销文，而是能回答几个问题： 它解决了什么问题？ 它和已有方案相比有什么不同？ 它的架构或实现有什么可复用点？ 它现在成熟吗？适不适合生产使用？ 如果我要试用，第一步应该看哪里？ 5. 为什么用 OpenClaw ？ 我需要的不是单次 ChatGPT 问答，而是一个能长期运行的个人自动化 Agent 。 OpenClaw 对我比较有用的点： 可以读写本地工作区文件； 可以跑脚本、定时任务； 可以维护长期记忆和每日日志； 可以把流程拆给多个子 Agent ； 可以把产物写成 Markdown / JSON / SQLite ； 可以接入公众号草稿、Discord 、QQ 等通知渠道。 换句话说，它更像一个“能干活的个人自动化工作台”，而不是只会聊天的模型。 当然，最重要的是：所有自动生成内容都要有检查门禁。比如： 没有来源链接不能进正式稿； 没读 primary source 不能写深度解读； 不能出现“待补充”“TODO”“正式发布前请检查”这类占位词； 标题不能为了吸引点击而歪曲论文或项目本意； GitHub 项目不能把 README 里的宣传语直接当事实。 6. 目前的每日输出 现在我的目标是每天产出两类内容： 论文精读 ：偏研究方法、技术路线、评测和启发； GitHub 项目精读 ：偏架构、代码、工程价值和可落地性。 每日内容会先进入本地归档，再进入公众号草稿箱，最后人工检查后发布。 我也准备把其中一部分公开成 GitHub 仓库，作为每日 AI 论文和 GitHub Trending 的中文索引： 每日论文列表； 每日热门项目列表； 中文简介； 原始链接； 主题标签； 后续可能补充脚本。 完整版的深度解读会继续放在公众号里。 7. 踩过的一些坑 7.1 不要只追热点 GitHub Trending 很容易让人被短期 Star 牵着走。后来我加了“工程价值”和“主题相关性”的过滤，否则日报会变成项目搬运。 7.2 AI 很容易把摘要写成鸡汤 如果 prompt 不约束，论文解读很容易变成： 本文提出了一种创新方法，显著提升了性能，具有重要意义。 这种话基本没信息量。 所以我现在要求每篇都必须回答： 方法具体是什么； 输入输出是什么； 对比基线是什么； 适用边界是什么； 工程上能学到什么。 7.3 需要保留证据文件 自动化写作最怕“看起来很完整，但来源不可查”。 所以每个 slot 都会保留来源文件，例如： arXiv 链接； PDF 链接； GitHub repo 链接； README 摘要； 关键文件路径； 生成时的判断理由。 这样后面出了问题可以回溯。 7.4 公众号不是终点，归档和分发更重要 如果内容只存在公众号里，后续搜索和复用都不方便。 所以我会同时保留： Markdown 版本； JSON 元数据； SQLite 主账本； GitHub 公开索引； 后续可能加网页展示。 8. 后续计划 接下来我想继续做几件事： 开源每日论文和 GitHub Trending 中文索引仓库； 加入更细的主题分类，比如 RAG 、Agent 、Search 、Evaluation ； 对高价值论文做系列化追踪； 对 GitHub 项目增加“可运行性”和“维护质量”评分； 把日报沉淀成一个可搜索的 AI 工程知识库。 如果你也在做类似的论文追踪、GitHub Trending 筛选、AI 技术日报，欢迎交流。 我会把完整的中文精读和每日筛选结果放在公众号「 AltenAI 观察」。 最后放一句软广：如果你关心 RAG 、搜索、Agent 、API 接入和大模型工程化落地，可以关注一下「 AltenAI 观察」。我会持续把每天筛出来的论文和项目做成中文摘要和工程解读。 也把文章放在了 github： https://github.com/AltenLi/daily-paper-github-trends
最近我给自己搭了一套自动化流程：每天追踪 AI / CS 方向的新论文和 GitHub Trending 热门项目，然后自动筛选、整理、生成中文摘要，最后沉淀成日报。 这套系统的目标很简单： 不再靠手动刷 arXiv 、GitHub Trending 、Twitter/X 和各种群消息来追前沿，而是让 AI Agent 每天帮我完成第一轮信息筛选。 我用的是 OpenClaw ，主要让它承担三件事： 定时抓取 arXiv 最新论文和 GitHub 热门项目； 按主题、质量和工程价值做过滤； 自动生成中文摘要、深度解读和每日归档。 这篇文章简单分享一下系统是怎么搭的，以及目前踩到的一些坑。 1. 为什么要做这套东西？ 如果你关注 AI 工程化，信息源会非常碎： arXiv 每天都有大量新论文； GitHub Trending 每天都有新项目冒出来； Hugging Face 、OpenAI 、Anthropic 、Google 、Meta 、微软等团队会不定期发布模型、框架或技术报告； 很多有价值的项目不是一开始就爆火，而是在小范围技术圈里先出现。 手动追踪的问题是： 很容易漏掉重要论文； GitHub Trending 噪声很大，很多项目只是短期热闹； 标题和 README 经常看起来很强，但实际工程价值一般； 每天都刷一遍非常耗时间。 所以我想做一个自动化系统，先让 Agent 帮我做“第一轮粗筛”，把候选论文和项目整理出来，再对其中高价值内容做中文精读。 2. 整体架构 目前流程大概是这样： 定时任务 / Cron ↓ 数据源抓取 ├── arXiv API ├── GitHub Trending / GitHub API └── 其他公开信息源 ↓ 候选池入库 ↓ 规则过滤 + 去重 ↓ Agent 精读 / 摘要生成 ↓ Markdown / JSON / SQLite 归档 ↓ 公众号草稿 / GitHub 日报 / 后续分发 核心不是“抓取”，抓取其实不难。真正麻烦的是： 怎么过滤垃圾信息； 怎么避免每天重复写同一个方向； 怎么判断一个项目是不是真的值得看； 怎么让生成内容尽量可验证，而不是 AI 胡编。 3. 论文部分：从 arXiv 候选到中文精读 论文侧主要关注这些方向： RAG / Retrieval-Augmented Generation Search / Information Retrieval Agent / Tool Use / Function Calling Long Context Evaluation / Benchmark LLM Application Engineering Knowledge Base / Re-ranking / Query Understanding 数据源主要是 arXiv API ，例如： cs.AI cs.CL cs.IR cs.LG cs.CV 中和多模态检索、文档理解相关的部分 每篇论文进入候选池后，会先做基础解析： 标题 作者 arXiv ID 摘要 分类 发布时间 PDF 链接 关键词 然后做几层过滤： 主题相关性 ：是否和 AI 工程化、RAG 、搜索、Agent 等方向有关； 新鲜度 ：优先最近 1 个月，越新越优先； 机构/作者可信度 ：顶级实验室、大厂、知名高校会加权，但不绝对迷信； 工程价值 ：有没有方法、框架、评测或实践启发； 重复度 ：是否和之前已经写过的主题过于接近。 通过过滤后，Agent 会读取论文摘要、PDF 或 HTML 版本，生成结构化产物： paper_slot/ deep_read_article.md deep_read_meta.json sources.md evidence-notes.md seo-title.json 我比较看重 sources.md 和 evidence-notes.md ，因为 AI 写论文解读很容易“看标题发挥”。所以每篇文章都需要保留来源、证据和不确定点。 4. GitHub 部分：不只看 Star ，更看工程价值 GitHub Trending 的噪声非常大。 有些项目一天几千 Star ，但可能只是： 一个简单 UI 壳子； 复刻已有项目； README 写得很夸张； Demo 很漂亮，但代码不可复用； Star 暴涨，但最近维护质量一般。 所以我没有只按 Star 排序，而是做了几个维度： Star 总数； 最近增长速度； 最近 commit 活跃度； README 是否清晰； 是否有真实代码结构； 是否有 license ； 是否有 release / examples / docs ； 是否和 RAG 、Agent 、搜索、LLM 应用工程相关； 是否解决真实工程痛点。 一个项目进入精读流程前，至少要检查： repo_slot/ repo-evidence.json readme.md key-files.md sources.md deep_read_article.md seo-title.json 我希望最后生成的不是“这个项目很厉害，大家快去看”的营销文，而是能回答几个问题： 它解决了什么问题？ 它和已有方案相比有什么不同？ 它的架构或实现有什么可复用点？ 它现在成熟吗？适不适合生产使用？ 如果我要试用，第一步应该看哪里？ 5. 为什么用 OpenClaw ？ 我需要的不是单次 ChatGPT 问答，而是一个能长期运行的个人自动化 Agent 。 OpenClaw 对我比较有用的点： 可以读写本地工作区文件； 可以跑脚本、定时任务； 可以维护长期记忆和每日日志； 可以把流程拆给多个子 Agent ； 可以把产物写成 Markdown / JSON / SQLite ； 可以接入公众号草稿、Discord 、QQ 等通知渠道。 换句话说，它更像一个“能干活的个人自动化工作台”，而不是只会聊天的模型。 当然，最重要的是：所有自动生成内容都要有检查门禁。比如： 没有来源链接不能进正式稿； 没读 primary source 不能写深度解读； 不能出现“待补充”“TODO”“正式发布前请检查”这类占位词； 标题不能为了吸引点击而歪曲论文或项目本意； GitHub 项目不能把 README 里的宣传语直接当事实。 6. 目前的每日输出 现在我的目标是每天产出两类内容： 论文精读 ：偏研究方法、技术路线、评测和启发； GitHub 项目精读 ：偏架构、代码、工程价值和可落地性。 每日内容会先进入本地归档，再进入公众号草稿箱，最后人工检查后发布。 我也准备把其中一部分公开成 GitHub 仓库，作为每日 AI 论文和 GitHub Trending 的中文索引： 每日论文列表； 每日热门项目列表； 中文简介； 原始链接； 主题标签； 后续可能补充脚本。 完整版的深度解读会继续放在公众号里。 7. 踩过的一些坑 7.1 不要只追热点 GitHub Trending 很容易让人被短期 Star 牵着走。后来我加了“工程价值”和“主题相关性”的过滤，否则日报会变成项目搬运。 7.2 AI 很容易把摘要写成鸡汤 如果 prompt 不约束，论文解读很容易变成： 本文提出了一种创新方法，显著提升了性能，具有重要意义。 这种话基本没信息量。 所以我现在要求每篇都必须回答： 方法具体是什么； 输入输出是什么； 对比基线是什么； 适用边界是什么； 工程上能学到什么。 7.3 需要保留证据文件 自动化写作最怕“看起来很完整，但来源不可查”。 所以每个 slot 都会保留来源文件，例如： arXiv 链接； PDF 链接； GitHub repo 链接； README 摘要； 关键文件路径； 生成时的判断理由。 这样后面出了问题可以回溯。 7.4 公众号不是终点，归档和分发更重要 如果内容只存在公众号里，后续搜索和复用都不方便。 所以我会同时保留： Markdown 版本； JSON 元数据； SQLite 主账本； GitHub 公开索引； 后续可能加网页展示。 8. 后续计划 接下来我想继续做几件事： 开源每日论文和 GitHub Trending 中文索引仓库； 加入更细的主题分类，比如 RAG 、Agent 、Search 、Evaluation ； 对高价值论文做系列化追踪； 对 GitHub 项目增加“可运行性”和“维护质量”评分； 把日报沉淀成一个可搜索的 AI 工程知识库。 如果你也在做类似的论文追踪、GitHub Trending 筛选、AI 技术日报，欢迎交流。 我会把完整的中文精读和每日筛选结果放在公众号「 AltenAI 观察」。 最后放一句软广：如果你关心 RAG 、搜索、Agent 、API 接入和大模型工程化落地，可以关注一下「 AltenAI 观察」。我会持续把每天筛出来的论文和项目做成中文摘要和工程解读。 也把文章放在了 github： https://github.com/AltenLi/daily-paper-github-trends
喜报，捷报（第一次发前沿快讯，如果写得有问题，请指正）： 1. 来自财新： 5月中国对美国出口在去年低基数上显著回升，对韩国出口增速在主要贸易伙伴中最快；集成电路、自动数据处置设备等AI相关商品进出口均高增 2. 来自海关总署： 2026年前5个月，我国货物贸易进出口总值20.68万亿元人民币，同比（下同）增长15.3%。 从重点商品看，出口方面，前5个月，我国出口机电产品7.58万亿元，增长18.4%；劳密产品1.61万亿元，下降3.1%；农产品3007.9亿元，增长1.6%。进口方面，前5个月，我国进口机电产品3.54万亿元，增长25.3%；原油2.18亿吨，减少4.8%；农产品6181.6亿元，增长7.6% 截至5月，月度进出口已经连续三个月超过4万亿元人民币” 3. 来自zaobao： 分领域来看，中国5月集成电路出口307.3亿个，同比增长2.1%，稀土出口5490.4吨，同比下降6.4%，手机出口同比下降3.5%，家同电器出口同比增8.8%，船舶出口同比下降2.2% cn出口增速加快，5月出口按人民币计同比增加13.8%，以美元计价增长19.4%，超出预期。 4. 来自cn汽车流通协会乘用车市场信息联席分会(“乘联分会”) 8日发布的数据显示，5月中国乘用车出口78.4万辆，同比增长75.1%，环比增长2.3%。 1 个帖子 - 1 位参与者 阅读完整话题
怀念乔布斯那时候熬夜看发布会，每一次都惊艳刷新自己对 iPhone 的认知，感受到前沿科技，如今还来个阉割版的 iOS，没有人工智能，当然政策原因无可厚非，起床上班。[grid] [/grid] 20 个帖子 - 18 位参与者 阅读完整话题
国家网信办、市场监管总局联合印发《网络测评活动规范》 前沿快讯 近日，国家网信办、市场监管总局联合印发《网络测评活动规范》（以下简称《规范》）。国家网信办有关负责人表示，《规范》旨在规范网络测评活动，维护公平市场竞争秩序，保护公民、法人和其他组织合法权益。 近年来，网络测评快速兴起，测评类经营主体通过开展测试、对比分析数据、引用专业检测结果或者表达使用感受等方式，发布测试过程与评价结果，为消费者购物提供参考。但一些网络测评存在夸大宣传、只评不测、商测一体等问… 18 个帖子 - 18 位参与者 阅读完整话题
有大佬们是这样用么，利用Zed Pro体验最前沿模型，以及通过Claude Çode + DeepSeek API让完成具体实现和开发 3 个帖子 - 2 位参与者 阅读完整话题
从下面帖子接着讲 Mox Bank 疑似即将开放内地访港旅客开户 前沿快讯 如题，Mox Bank 近日于官网上线了“訪港旅客常見問題”的FAQ页面，疑似即将开放内地访港旅客开户。 对于内地访港旅客，需使用同名的香港或内地银行户口，进行一笔最少 1000 HKD/950 CNY/130 USD 的同名转账至 Mox 户口完成激活，在完成同名转账前，部分交易将设有限额，部分交易限额则为 0。 同时，内地居民开立的 Mox 户口无法使用 Mox Credit、Mox In… 奇技淫巧：使用 Trip.com 员工专属链接拉起 Mox Bank 隐藏的内地居民开户入口 前沿快讯 从 Mox Bank 疑似即将开放内地访港旅客开户 接着讲 [photo_2026-06-07_12-53-23] [photo_2026-06-07_12-53-24] [photo_2026-06-07_12-53-25] [photo_2026-06-07_12-53-26] [photo_2026-06-07_12-53-28] 如题，扫描图 1 二维码或使用 Chrome 浏览器开启链接… 据多例 DP，如未使用已登记的以 @trip.com 结尾的电子邮箱进行开户，在填写完信息后则会直接被拒绝。 同时，由于 Mox Bank 对于所有未完成的在线申请均保留 90 天，因此存在如果 90 天内即开放所有访港旅客开户，却因本次留有记录，无法新开户的情况。 转自encmasuta 1 个帖子 - 1 位参与者 阅读完整话题
首先还是要提醒 一些推测:可能是套壳 新画图模型Riverflow2.5可能是套壳模型 前沿快讯 从 [image] [image] [image] 实际拿我昨天跑的图测了一下 [image] [image] 难绷哥们，拿更贵的价格给我路由大香蕉和image 2吗 原帖佬友的图 [image] 搜了一下，SynthID是Google DeepMind的闭源技术，通过合作授权给第三方。目前拿到授权的有：OpenAI（和 C2PA 元数据一起用）、ElevenLabs、K… 画了一张图，用了3分10秒 实际分辨率还是接近1k的 可以画JOJO风 但是，不能画荒木飞吕彦风 对比: 2 个帖子 - 2 位参与者 阅读完整话题
在英伟达 Nemotron 3 Ultra、谷歌 Gemma 4 12B 等 25 款开源权重模型集中发布后，科技投资人 Chamath Palihapitiya 指出，开源与闭源前沿模型的能力差距正在迅速收窄，但调用价格仍存在巨大鸿沟。 以企业每月消耗 10 亿输入与 10 亿输出 Token 测算，GPT-5.5 Pro 成本高达 10.5 万美元，Claude Opus 4.8 为 3 万美元，而 DeepSeek R1 仅需 2740 美元，GPT-5.5 Pro 的溢价近 40 倍。Chamath 警告，多数公司 CEO 并不知道技术团队在缺乏治理与审计的情况下，直接默认选用最昂贵的大模型 API，导致预算超支。 随着他本人联合创立并担任首席执行官的 AI 原生软件开发生命周期编排平台 Software Factory 等模型路由控制面逐渐普及，企业将转向模型无关架构，将大规模推理默认分流至 DeepSeek，高端代理流导入 Claude Opus，仅在产生明确高额增量价值时按需调用 GPT-5.5 Pro。Chamath 预测，精细化路由将导致 OpenAI 和 Anthropic 等前沿实验室的 API 营收增速显著放缓，而开源及低成本推理生态的收入将迎来暴增。 1 个帖子 - 1 位参与者 阅读完整话题
从 Riverflow 2.5系列发布，新神登基 前沿快讯 Riverflow 2.5 系列（Flash/Pro）是Sourceful开发的统一的文本到图像和图像到图像家族，它将生成视为一个生产工作流，使用集成的推理模型来规划多步编辑，并在接受结果前判断候选方案。推理努力程度可通过推理参数（低/中/高/极高）控制——较高等级会进行更多编辑轮次并应用更严格的内部评判，其中极高等级适用于需要高可重复性的批量运行。它能够生成 1K、2K 和 4K 分辨率，并… 实际拿我昨天跑的图测了一下 难绷哥们，拿更贵的价格给我路由大香蕉和image 2吗 原帖佬友的图 搜了一下，SynthID是Google DeepMind的闭源技术，通过 合作授权 给第三方。目前拿到授权的有：OpenAI（和 C2PA 元数据一起用）、ElevenLabs、Kakao、NVIDIA。如果河流生成的图确实能被检测出 SynthID 水印，那更可能的解释是 河流后端直接调谷歌或者OpenAI的模型 ，不是自己训的模型拿了 SynthID 授权 8 个帖子 - 5 位参与者 阅读完整话题
L站邀请注册机制调整，github年限查询方式 前沿快讯 https://api.github.com/users/[你的账户名] 可以快速查看自己github信息 [image] 各位佬，你们多少年的了 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 点击以查看投票。 9 个帖子 - 6 位参与者 阅读完整话题
本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容： 我的帖子已经打上 开源推广 标签： 是 我的开源项目完整开源，无未开源部分： 是 我的开源项目已链接认可 LINUX DO 社区： 是 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是 以上选择我承诺是永久有效的，接受社区和佬友监督： 是 以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出 想法：AI现行的当前，信息爆炸严重，对于科研人员，检索文献繁琐，且不易整理。基于这个问题，我想让AI基于主题每天去找前沿的文献。然后总结，不用多么详细，对于硕博而言，只需要大概的内容和方向，就能明白自己这个领域最近学者们都在做哪些工作，也可以给自己的科研做一些启发，所以做了这个项目。欢迎佬友们指导和交流。 图片先行： 主要功能： 1.根据主题，基于配置的多源，进行文献检索，同时对文献进行历史去重，证据完整性评分等工作。流程比较复杂，感兴趣的话可以让AI分析源项目，加了太多内容了。检索到的文献支持doi链接回看，支持科研人员一键查看文献原文。 2.调用LLM进行文献综述撰写，我总感觉AI写出的内容不够完美，欢迎佬友和我一起完善这部分的提示词。 3.公众号自动稿件撰写，手动推送。目前这部分就是把原文全部内容写在公众号里面，感觉还需要完善。大概功能已经实现了。 开源地址： yyy-OPS/YFR.frontier-review-daily 在线查看地址： https://yfr.yangy.cn/ 欢迎各位科研佬交流，再点点小星星~谢谢各位佬友~ 1 个帖子 - 1 位参与者 阅读完整话题
Anthropic 呼吁全球主要 AI 实验室考虑放缓前沿模型开发节奏。该公司在博客中表示，AI 进步速度极快，可能很快出现无需人类干预即可自我改进的“递归自我改进”能力，这会带来重大社会风险。公司警告，若没有全球协调机制，单方暂停只会让对手抢跑，因此提议多国主要 AI 企业同步停止并遵守可验证规则，避免单一暂停让对手趁机赶超。 该提议在华盛顿和硅谷遇冷，批评者认为其夸大风险，实为借安全之名打压对手，且放缓研发恐让中国获得战略优势。Anthropic 近日刚完成近万亿美元估值的融资，并已提交 IPO 保密文件。 anthropic.com When AI builds itself Our progress toward recursive self-improvement, and its implications. 24 个帖子 - 24 位参与者 阅读完整话题
Anthropic于近日发表长文《When AI builds itself》，首次系统性地披露了AI系统在其内部开发流程中所扮演的角色，并就 递归自我改进 （即AI完全自主地设计和开发自身后继系统）的前景发出预警。 anthropic.com When AI builds itself Our progress toward recursive self-improvement, and its implications. 文章援引的内部数据显示，截至2026年5月，Anthropic合并至生产代码库的代码中 超过80%由Claude编写 。2026年第二季度，工程师人均每日合并的代码行数达到2024年的 8倍 ——这并非因为人写得更多，而是工程师的角色已从编写者转变为审阅者和指挥者。与此同时，Claude在最开放性工程任务上的会话成功率在半年内提升了50个百分点，达到76%。Anthropic内部员工在2026年3月的调查中，中位数估计认为借助Claude后产出约为无AI辅助时的 4倍 。 在研究侧，Claude同样展现出加速趋势。Anthropic设计了一项内部测试：给定小型AI模型的训练代码，要求Claude在保证正确性的前提下尽可能提升运行速度。2025年5月Claude Opus 4的平均加速倍数约为3倍，而2026年4月Mythos Preview已达到约52倍——作为参照，一名熟练的人类研究员在同一任务上通常需要4至8小时才能达到4倍加速。在一项关于"判断下一步研究方向"的评估中，Mythos Preview给出优于人类研究员选择的比率从2025年11月的51%上升到2026年4月的64%。Anthropic认为这是AI系统在研究判断力上正在改善的早期信号。 文章描述了三种可能的未来情景：能力增长曲线趋于平缓但现有能力已广泛扩散；AI实验室持续获得复合效率提升、人类仍掌握研究方向设定权；以及AI系统实现完全的递归自我改进、自主构建后继模型。Anthropic表示目前尚未达到递归自我改进阶段，且该结果并非必然，但其到来可能早于多数机构的预期。 Anthropic在文末明确表态：如果全球范围内存在可验证的协调机制，使前沿开发者能够确认彼此确实减速或暂停， Anthropic愿意放慢甚至暂时停止前沿AI开发 。但文章同时指出，训练运行远比导弹发射井更容易隐匿，单方面暂停只会改变领跑者身份而无法建立所需的协商进程。Anthropic表示将在未来数月组织政策制定者、研究人员、公民社会和其他AI公司共同讨论这些问题。 25 个帖子 - 24 位参与者 阅读完整话题
以下内容是我写在简历上的部分内容，想找个 Agent 研发的工作。 持续关注 AI 与 Agent 前沿技术，长期投入大模型应用架构、Agent Runtime 、RAG 与 Context Engineering 等方向的研究与实践，具备较强的自主学习与技术探索能力。 具备从 0-1 独立设计与实现 AI 系统的能力，能够快速完成技术调研、架构设计、原型验证与工程落地。 深度使用 Claude Code 、Cursor 等 AI Coding 工具辅助研发，具备 AI Native 开发思维，能够结合 Prompt Engineering 与自动化工作流提升研发效率。 熟悉 Agent 、RAG 、多模型调度、向量检索、MCP （ Model Context Protocol ）等 AI 应用核心技术，具备完整 AI 应用系统实践经验。 对新技术保持持续学习热情，长期关注 OpenAI 、Anthropic 、DeepSeek 、LangChain 、Dify 、n8n 等 AI 生态发展与工程实践。
现在上 V 站，先是看看有没有什么 前沿或者好玩的技术贴，没事摸鱼了看看生活、问与答。有时候实在不知道看什么了，跑到 水深火热 看看几年前的帖子。 总结：技术、好玩、最热、问与答、生活、水深火热 大家有没有什么平常经常看的其他节点，推荐下
现在上 V 站，先是看看有没有什么 前沿或者好玩的技术贴，没事摸鱼了看看生活、问与答。有时候实在不知道看什么了，跑到 水深火热 看看几年前的帖子。 总结：技术、好玩、最热、问与答、生活、水深火热 大家有没有什么平常经常看的其他节点，推荐下
现在上 V 站，先是看看有没有什么 前沿或者好玩的技术贴，没事摸鱼了看看生活、问与答。有时候实在不知道看什么了，跑到 水深火热 看看几年前的帖子。 总结：技术、好玩、最热、问与答、生活、水深火热 大家有没有什么平常经常看的其他节点，推荐下
现在上 V 站，先是看看有没有什么 前沿或者好玩的技术贴，没事摸鱼了看看生活、问与答。有时候实在不知道看什么了，跑到 水深火热 看看几年前的帖子。 总结：技术、好玩、最热、问与答、生活、水深火热 大家有没有什么平常经常看的其他节点，推荐下