01
zeroserve 以零配置方式提供 HTTPS 服务，并允许把 eBPF 脚本随站点 tar 包一起部署，实现请求级中间件。它通过 iouring 统一网络磁盘 I/O，使用用户态 JIT 编译的 eBPF 在单线程事件循环中运行，脚本在沙盒内可进行改写、鉴权、限流等，并可通过 SIGHUP 实现热 reload。这种把配置和业务逻辑合并为一个可编程二进制的模式，将影响使用 nginx/Caddy 的运维者和开发者的部署流程、资源占用及安全审计方式。
ZhangYvJing's
Daily Brief
00
Film / Book Chapter
Moneyball
Moneyball (2011) · Bennett Miller
看《点球成金》会让你在面对日益繁杂的 Agent 与产品评估时，重新体会用数据与全局视角挑选“隐形价值”，这正好对应今天你在探索新框架、零配置服务与安全审计时需要的那种思路校准，帮助把焦虑的噪声整理成明确的决策路线。
The Effective Engineer
The Effective Engineer · Edmond Lau
Chapter 1: Focus on High-Leverage Activities
A direct chapter for choosing what to work on today: it keeps attention on compounding engineering output rather than just being busy.
01
Insight
今天的材料透露出两个清晰的趋势：一是底层可编程基础设施正从“配置即代码”向“运行时即代码”迁移，二是 AI Agent 的评价体系与实际落地能力之间的错位愈发明显。Zeroserve 用 eBPF 把中间件直接嵌进二进制镜像，WoofWare.PawPrint 通过确定性运行时让并发错误可重现，ntsc‑rs 在创意工具链里把真实模拟算子搬上实时 GPU，这三者共同印证了开发者正把部署、调试乃至内容生成的全部可变因素压进可验证的程序块，而不是依赖传统的配置文件或手工脚本；与此同时，Benchmarks in Leipzig 显示大模型在数学推理上已能在多轮尝试后逼近人类解答，但 YouTube 上的几场 Agent 讲座（pyannote AI 的对话识别、Chrome DevTools 的工具拆解、Stripe 的支付安全）却反复强调“评估数值不等于可用性”，Ara Khan 甚至公开承认 benchmark 只能捕获局部改进而忽视系统性失效，这种评估与落地的脱节在 SARDI、MLEvolve 等论文中也被映射为“检索/记忆失效”与“真实推理路径”之间的差距。更进一步，DeepSeek v4 通过输入修复层在工具调用上跑赢商业模型，说明很多所谓的“模型不足”其实是接口和合同层面的缺陷，而不是模型本身的能力短板；相反，DNQ 把博弈求解器嵌进学习循环，却在实现上仍依赖外部求解器的实时调用，显示出高维竞争场景仍受限于外部算子调度。总体来看，技术社区正把可编程性推向系统边界，而 AI Agent 的实际生产力仍被评估框架、工具链碎片化以及安全/支付等业务约束拉扯；如果你想抓住今日的信号，就应关注那些把部署时的配置、检索记忆以及工具选择全部内嵌进可验证运行时的方案，而对单纯的 benchmark 排名要保持审慎——正如《Moneyball》里用数据重塑球队运营，真正的竞争优势在于把信息流和执行流合二为一。
03
Hacker News
02
Nvidia 正在为 Windows PC 提出一种全新 CPU 系统的概念，但当前页面因浏览器未启用 JavaScript 而未能显示具体细节；系统提示用户需切换至支持的浏览器或开启 JavaScript 才能继续访问。错误信息还指出，某些隐私相关扩展可能导致页面加载失败，建议暂时禁用这些扩展后重试。由于技术细节未能公开，硬件研发团队和系统集成商只能在等待页面恢复后评估该方案对产品设计、成本核算以及兼容性测试的潜在影响。
03
网站宣布将通过使用 cookie 等技术存储或访问设备信息来提升用户体验，并要求用户同意后才能处理浏览行为或唯一标识符等数据；同时声明若用户不同意或撤回同意，部分功能将受限；技术存取分为为实现用户明确请求的服务、仅为存储非请求偏好、仅作匿名统计以及用于广告投放或跨站追踪等不同合法目的；这些规定将迫使前端与合规团队在实现功能、设计方案和隐私保护之间重新平衡，并可能增加开发、审计及合规成本，同时对用户数据使用的风险与规则产生直接约束。
04
开源项目 ntsc-rs 发布，可在实时高分辨率下模拟模拟电视和 VHS 的信号失真。它采用基于 composite-video-simulator、zhuker/ntsc、ntscQT 的算法，并使用 Rust 编写的多线程 SIMD 加速，区别于仅使用颜色查找表的常见效果。支持独立、网页以及 After Effects、Premiere、DaVinci Resolve 等 OpenFX 软件插件，降低了创作者添加真实模拟失真效果的门槛。
05
在莱比锡工作坊期间，49位数学家收集了100道已知答案的研究级数学题并用最新大模型进行评估。评估分三阶段，首轮五模型一次尝试后仍有41题未解，二轮三模型各20次后降至16题，三轮两模型各3次后仅剩2题未解，表明数学推理能力大幅提升。此成果将使数学研究与教学对人工求解的依赖下降，促使学者和教育机构调整工作流程并影响审稿成本。
06
美国五角大楼将以色列的间谍活动威胁等级提升至最高“关键”级别；美国防情局在内部通报中指出，以色列正加强对美国高层官员的监视，试图获取特朗普政府在伊朗冲突等关键决策的内部信息；因此，美国官员在赴以色列出差或与以方会面时必须采用更严格的防护措施，如使用一次性通信设备和在酒店内慎言，这将直接提高出行和情报防护的成本并增大操作风险。
07
WoofWare.PawPrint 已在 NuGet 上发布了早期版本，提供了一个确定性 .NET 运行时，实现了对 .NET 10 BCL 的完整解释执行并仅保留了 JIT 本地指令；它通过解释 IL、使用概率并发测试调度线程，并在运行时保持指针和字节数组的来源追踪，以实现对线程交错的系统化探索；这种设计使得能够在调试中精确复现竞争、死锁等错误，已在六个标准竞争案例中快速定位问题；开发者若在现有 BCL 的大量原生代码上直接使用，将面临未实现部分导致的即时崩溃，需要自行补充模型实现，因此在时间旅行调试和历史控制的工作流中将增加实现成本并提升对运行时行为的风险管理要求。
08
04
YouTube
01
The open ASR leaderboard reports Nvidia Parakeet at 11.4% word error rate on AMI meeting data. Hervé Bredin runs the same model on the same dataset and gets 26%. Same model, same recordings, different microphone: the leaderboard uses headset audio, he uses the table mic. Most voice AI benchmarks are measuring single speaker speech and calling it solved. The talk covers speaker diarization (who speaks when), why combining it with transcription is harder than it looks, and what breaks at the word level when two speakers overlap. Bredin demos live on a two speaker phone call, walks through the w
02
Full episode: https://www.youtube.com/watch?v=Jj-kBHzUohs Me on twitter: https://x.com/dwarkesh_sp
03
David Senra has studied hundreds of legendary founders. The common thread is one word — and one maxim. @founderspodcast1 #shorts #podcast #ceo #entrepreneur #leadership
04
OpenClaw hit 3,000 commits in a single day. Vincent Koc's commit history shows exactly when he goes to sleep and when he wakes up. He and Peter Steinberger ran roughly 60 to 70 agents between them during the great refactor: 2,700 commits, close to a million lines of code changed, 82% of the core codebase touched in one night, plugin architecture shipped by morning. The talk covers how you actually manage this at scale: swim lanes of 15 to 20 parallel coding sessions organized by type, when to nuke a session versus let it run, and what he calls reading the reasoning tokens. The skill is not pr
05
Chrome DevTools MCP shipped with one tool: debug_webpage. Agents failed silently because they couldn't compose behaviors. The team decomposed it into 25 focused tools and assumed the problem was solved. It wasn't — now agents had 25 tools and no reliable way to pick the right one. Michael Hablich's talk is an honest account of building the same thing wrong three times and what the fixes actually looked like. The concrete lessons: semantic summaries instead of raw 50,000 line JSON trace files, error messages rewritten so agents can self heal without a human in the loop ("Cannot navigate back,
06
07
08
Agents are evolving from calling free APIs to executing real transactions, creating a new challenge: how do we let software spend money autonomously without catastrophic risk? This talk presents Stripe's approach to solving the dual problems of secure credential transmission and making businesses discoverable to agents. Through live code examples, we'll explore how to build guardrails that make autonomous spend safe and examine what infrastructure is needed as agents purchasing becomes a core capability. Whether you're building agent frameworks or enabling your business to work with agents, yo
09
Full episode: https://www.youtube.com/watch?v=Jj-kBHzUohs Me on twitter: https://x.com/dwarkesh_sp
10
Cline started at 43% on Terminal Bench. The improvements came from container CPU and memory settings, raised timeouts, and prompt engineering techniques specific to Anthropic model families that do not transfer to Codex or Gemini. Not from switching to a better model. Ara Khan's argument is that benchmark numbers are not gospel and vibes are not a system, and that the truth is inconveniently in between. The practical framework: after a run, portfolio allocate the failures by sending another agent through all the failure traces to find which small levers actually move the score. Zone one is ob
11
The demo profiles a Go app running bubble sort and Fibonacci and the result renders as an interactive flame graph directly inside the VS Code chat window. Not a link. Not a text summary. A live iframe you can scroll and query, sandboxed for the same reason you put a hamster in a cage: so it cannot chew up your VS Code settings or call external APIs. The mechanism: an MCP tool returns both data and a resource reference pointing to a bundled HTML UI. VS Code fetches the HTML and renders it in a sandboxed iframe in chat. The app calls back to the server, the server returns fresh data, the UI upd
12
https://x.com/MrAhmadAwais/status/2050956678502420612 We sit down with Ahmad Awais, CEO of CommandCodeAI, who developed a lightweight "tool-input repair layer" in their open-source AI CLI that dramatically improves tool-calling reliability for open models like DeepSeek. By analyzing failure patterns across billions of tokens, he shifted from rigid validation to a "validate-then-repair" approach, allowing cheaper open models (especially DeepSeek V4 Pro) to outperform premium ones like Opus 4.7 in 6 out of 10 internal evaluations. The core insight: most perceived "open model weaknesses" in tool
07
Papers
01
它针对现有机器学习工程（MLE）LLM 代理在长时序任务里出现的“枝间信息孤岛、记忆缺失、层次控制弱”等痛点，提出 MLEvolve ——一个自进化的多代理框架。核心做法是把树搜索拓展为 Progressive MCGS，用图形引用边实现跨枝信息流，配合基于熵的渐进探索‑利用调度；再加入 Retrospective Memory，融合冷启动知识库和动态全局记忆，实现经验的检索与复用；最后把策略规划和代码生成解耦，提供自适应编码模式，保证长周期迭代的稳定性。价值在于，它在 MLE‑Bench 上只用 12 小时就跑出业界顶水平（奖牌率、有效提交率双领先），并且在数学算法发现等跨域任务上也优于 AlphaEvolve，展示了真正可复用、跨域的自动算法发现能力，值得关注其记忆/搜索机制在实际 Agent 产品中的落地潜力。
02
它把离散扩散语言模型在去噪过程中被丢弃的低置信度预测当作提前出现的实体线索，用来即时检索相关文档，从而在生成最终答案前补足证据。方法是 Self‑Augmenting Retrieval for Diffusion Language Models（SARDI），一个无需再训练、兼容任意检索器的动态 RAG 框架，直接在每一步去噪时用这些“看向前”的 token 驱动检索。对需要多跳推理和高吞吐量的 Agent 系统，这种训练成本为零、速度提升多倍的检索增强方案值得一试。
03
它针对 RNN 训练时的“时间串行、梯度消失/爆炸”痛点，提出一种叫 Supervised Memory Training（SMT）的方案：先用 Transformer 学会只保留预测未来所必需的记忆状态，再把 RNN 的记忆更新视作单步监督映射 (mₜ, xₜ₊₁)→mₜ₊₁ 来训练。这样就把传统的 BPTT 拉长链路全部切掉，实现了 O(1) 梯度路径、全时序并行，显著提升长程依赖建模和预训练效率。对要在大规模序列任务或需实时推理的 Agent 系统上使用非线性 RNN 的产品工程师来说，SMT 提供了更稳健、更可并行的训练方式，潜在打开时间抽象模型的规模化路径。
04
它针对多方同时出价、信息不完全的竞争场景（如拍卖、资源分配等）缺乏高效的学习框架的问题，提出了 DNQ——一个“solver‑in‑the‑loop” 的深度 Nash Q 网络。核心做法是让共享的 critic 预测各玩家的收益（可选成对矩阵或完整 N 维张量），随后调用外部博弈求解器算出 Nash 均衡，再用 KL 损失让各智能体模仿该均衡策略；通过交替收集轨迹、估值、求解、模仿，实现端到端训练。因为采用了可扩展的成对收益近似，显著降低了求解成本，使得在上百甚至上千玩家的重复博弈中仍能保持可训练、可部署的速度，值得做大规模竞争式 Agent 系统的工程师快速了解。
05
该论文聚焦日益常见的“人‑AI协同编辑”文档，指出现有检测基准只看最终稿，无法揭示AI痕迹在编辑过程中的生成、累积或消失规律。作者构建了 OpAI‑Bench：在多领域、四层粒度（文档、句子、词元、跨度）上，基于预设AI覆盖率和五类编辑操作，生成同一篇初始人写文档的九个逐步编辑版本，并保留完整作者来源标签，供 8 种文档级、7 种句子级、2 种细粒度检测器全面评估。该资源揭示了检测难度随编辑历史、编辑类型和领域非单调变化，为研发更稳健的 AI‑写作监测或防伪 Agent 提供了真实、可控的实验平台，值得关注。
06
它要解决代码语言模型在不同项目里缺少仓库级上下文的问题：传统做法要么把全部依赖、API 信息拼进长输入，要么对每个库做专门的 LoRA 微调，既耗时又在代码演进时容易失效。作者设计了 Code2LoRA——一个超网络系统，能即时生成对应仓库的 LoRA 适配器，静态模式一次快照生成适配器，演进模式用 GRU 跟踪代码差分实时更新，推理时不增加任何 token。对经常需要在大量、快速变动的代码库上跑 AI 助手的工程师来说，这种「零时延、低成本」的仓库感知方式直接提升模型的准确率，又免去了频繁微调的运维负担，值得一看。
07
它聚焦于“指令空间”的设计——即让任务规划器和全身控制器之间的接口既简洁又能表达丰富的操作意图，解决了现有全身控制器需要密集姿态或空间轨迹、规划器难以直接输出的问题。作者提出 HANDOFF，一套基于“任务空间”显式接口的单一全身控制器，并通过多教师 KL 蒸馏+上下文门控，把运动跟踪、行走和跌倒恢复三类专家的经验压缩到一个混合专家模型里。实验表明，它在 Unitree G1 上既保持了最先进的速度跟踪，又大幅拓宽了稳健操作空间，并能直接配合 VLM 驱动的自然语言任务规划，无需专门数据或调参。对张玉璟在 Agent/AI 产品里想把大语言模型与机器人控制无缝对接、实现即插即用的全身动作控制，这篇工作提供了一个值得参考的完整流水线。
08
它聚焦于在参数高效的持续学习中，如何避免新任务更新把已有任务的主成分（dominant singular directions）弄乱。作者直接把预训练权重的奇异基 U、V 当作固定坐标系，只在奇异值矩阵上做低秩更新，并加软光谱惩罚把改动压到长尾、灵活的谱方向上，从而降低干扰、保持核心表征。对要在边缘设备或多任务 Agent 上频繁微调、又不能失去已有能力的工程团队，非常值得一看。