本文介绍了使用Julia编程语言实现图像卷积操作的技术实践。卷积是图像处理及卷积神经网络（CNN）的核心算法，文章深入剖析了其数学原理与底层逻辑，并提供了开源代码示例。该项目不仅展示了Julia在矩阵运算上的高性能优势，也为开发者优化AI底层架构提供了新思路。
原文链接：Hacker News
易安作者
长期关注 AI Agent、软件工程、自动化工作流与个人生产力系统。喜欢把复杂技术拆成普通人也能上手的实践教程,也记录自己在工具链、编程、内容创作和知识管理上的真实折腾。
- 分享 AI 工具、Agent 工作流与提示词工程的实战经验
- 记录从想法到产品、从代码到上线的完整实践过程
- 关注普通人如何用 AI 放大能力,而不是被工具牵着走
文章目录
置顶推荐
- 2026最新Claude Code国内上手教程 从安装到第一次跑通完整流程一次讲清2026-05-31
- OpenAI Codex CLI 新手指南：安装、审批模式和项目规则2026-05-25
- Claude Code 国内使用完整教程 从 API Key 到三端安装这次一次配明白2026-05-14
- codex国内编码远超claudecode，2026最新Codex国内保姆级入门教程2026-05-05
- 2026最新Claude Code新手避坑指南 第一次使用最容易卡住的10个问题2026-04-17
- 2026最新Claude Code订阅怎么选 免费版ProMaxTeamAPI一篇讲清2026-04-17
- Codex 国内怎么用才省事：从官方账号到 Code80 CLI，一篇讲清楚稳定玩法2026-04-02
- Claude 国内怎么用最省事：官网订阅、直连平台和第三方入口2026-04-02
前沿哨所
智谱GLM 5.3不够用？Claude Code一个Plan耗尽3M tokens，TPS仅75
据Linux.do论坛用户反馈，智谱GLM 5.3模型在Claude Code中的实际使用体验不及预期。该用户使用智谱start套餐每日赠送的300万tokens额度，在Claude Code中执行一个Plan任务时，任务尚未完成额度即已耗尽。用户还实测了推理速度：GLM 5.3约为75 token/s，GLM 5.3 Flash约为43 token/s，并指出定位轻量高速的Flash版本速度反而低于旗舰版，称这一现象“倒反天罡”。Claude Code是Anthropic推出的AI编程工具，支持接入第三方模型，国内开发者常通过智谱等国产大模型的编程套餐驱动该工具，以降低使用门槛和成本。值得注意的是，智能体编程工作流中，由于每轮请求需重传完整上下文，叠加工具调用、代码读写与多步规划，token消耗远超普通对话场景，单个复杂任务消耗数十万甚至百万级tokens并不罕见。智谱GLM系列近期迭代较快，GLM 5.3定位旗舰模型，Flash定位轻量版本，但此次实测显示其在agent场景下的吞吐表现与套餐额度设计仍有优化空间。该帖已引发社区对国产模型承载Claude Code的实际能力与套餐定价合理性的讨论。
事件分析
从技术层面看，Agentic编程对推理服务的要求远高于普通对话：Claude Code每一轮都会重传完整上下文，叠加多步工具调用与长推理链，单任务消耗数百万tokens并不罕见，这直接考验厂商的KV缓存命中率与单位推理成本控制。TPS方面，75 token/s对交互式编码偏慢，代码生成场景通常需要更高吞吐维持体验；Flash版本速度反低于旗舰版，可能与部署策略、量化方案或调度优先级有关，值得厂商排查。产业层面，国产模型厂商正积极兼容Claude Code协议、承接其外溢流量，套餐额度设计与推理性能正成为新的竞争点。后续智谱可能通过加强prompt cache、上调额度或调整定价来改善体验，此类一线用户反馈将成为产品迭代的重要输入。核心观点：Agent编程的token消耗量级正在重塑大模型定价逻辑，吞吐与额度跟不上，就接不住Claude Code外溢的生态流量。
原文链接：Linux.do
纯AI编程零代码审查：开发者打造地图足迹工具TrailNote
开发者在V2EX分享了一款名为TrailNote的地图标记工具，产品已在trailnote.co上线。该工具的核心功能是帮助用户在地图上记录自己去过的地点，形成个人足迹地图，同时支持旅游行程规划，方便出行前对目的地进行标记与安排。该项目最大的看点在于开发方式：整个产品完全通过AI编程完成，开发者没有人工审查过任何一行代码。这意味着从功能实现到最终交付，代码的编写与调试均由AI工具承担，人类开发者的角色仅限于提出需求与验收结果。这种零代码审查模式是近期AI编程社区的热议话题。随着大模型编程能力的快速提升，越来越多个人开发者开始尝试完全不读代码、只看成品的开发流程。支持观点认为这大幅降低了软件开发门槛，让有想法的人能快速将产品落地；质疑声音则关注代码质量、数据安全与长期可维护性等风险。TrailNote作为一个已上线的完整产品，为这场讨论提供了具体案例：即便是涉及地图交互、地理数据处理与前端可视化的应用，也能在无人审查代码的情况下完成交付。该分享在社区引发关于AI编程能力边界与可信度的讨论。
事件分析
从技术角度看，地图类应用涉及地图API集成、地理坐标存储、前端交互渲染等环节，属于AI编程中具备一定复杂度的场景，全程无需人工读码即完成交付，说明当前AI编程工具已能胜任中小型完整产品的开发。这一案例折射出Vibe Coding模式的演进：开发者角色正从代码编写者转变为需求定义者与产品验收者。对行业而言，若此类实践持续被验证，可能进一步繁荣独立开发者生态，降低创业与产品试错成本；但企业级场景对代码审计、安全合规要求更高，零审查模式短期内难以渗透。后续值得观察该产品的长期可维护性，以及AI生成代码在多轮需求迭代中的稳定性表现。核心观点：当一行代码都不读也能交付产品，软件开发的核心门槛正从编码能力转向需求表达与产品判断。
原文链接：V2EX 分享发现
奥特曼向数学界致歉：AI数学成果仍将公开，发布方式有待改进
OpenAI CEO 萨姆·奥特曼于10月29日上线的Cheeky Pint播客中，首次直接回应AI对数学界的冲击。他表示理解被搅乱的数学家们的处境，但坚持认为世界理应了解宇宙如何运转，重要的科学发现应当公开，因此AI数学成果仍会继续发布。此次争议源于OpenAI此前的密集发布动作：该公司先声称用AI攻克了纳维-斯托克斯问题，随后又集中放出近400个数学难题的求解成果，以及数百篇未经同行评审的数学证明。由于这些成果缺乏充分解释、引用与验证流程，遭到多位顶尖数学家的批评，认为其发布方式破坏了数学界的学术规范。面对质疑，奥特曼承认发布方式确实需要改进，表示OpenAI未来会在公开成果的同时，给数学界留出足够的解释空间和审阅时间，试图在“科学发现应公开”的理念与学术共同体对严谨验证的要求之间寻找平衡。这一事件也引发了业界对AI数学能力的真实水平以及AI公司科研伦理边界的广泛讨论。
事件分析
争议核心并非AI数学能力本身，而是成果发布流程：未经同行评审的大批量“证明”正确性难以独立验证，纳维-斯托克斯这类千禧年大奖难题的攻克声明尤其需要严苛检验。产业层面，此事可能推动AI实验室与数学界建立协作机制，例如分级发布、引入独立验证渠道、提供机器可读的形式化证明等。后续走向上，OpenAI或将在正式数学成果发布前引入外部审阅环节，数学界也可能加速接纳Lean等形式化验证工具，作为检验AI生成证明的标准化手段。AI深度介入基础数学已是确定趋势，双方的摩擦本质上是AI产出速度与传统学术验证体系之间的适配问题，这一矛盾在其他基础学科同样会逐步显现。核心观点：AI产出速度与学术验证体系的错位，正成为AI进军基础科学绕不开的核心矛盾。
原文链接：Linux.do
DeepSeek探索Super-agent架构：让智能体摆脱单会话束缚，迈向多任务自主运行
文章探讨了Agent系统从单任务向持续自主实体演进的路径。过去一年，以Coding Agent为代表的单任务Agent已证明模型能够使用工具解决复杂问题，且对人类持续监控的依赖不断降低；同时模型的多Agent协同能力提升，使跨会话的组织与调度成为可能。随着人在底层执行中的参与减少，其角色正上移至更高层的决策与验收。在此背景下，接入消息、日程、邮件与工作平台的个人助手（Personal Agent）近期集中涌现，形成持续在线、事件驱动的工作模式，该模式在软件开发等商业场景中同样具有价值。然而，现有主流Agent设计以单一Session为基本单位，各Session彼此独立。用户并行推进多项工作时，必须手动切换并记住各Session上下文，而一个人通常只能同时跟进3到5个活跃Session。在这种设计下，单任务上限取决于模型能力，多任务上限取决于人的注意力。即便借助CLI、MCP或外部连接器扩展本地单会话Agent，仍受制于单会话同步阻塞、多任务上下文混乱、本地设备离线即停止运行等问题。文章提出，要突破这些限制，需打破Agent与单次手动会话的绑定，使其成为能跨会话保持上下文、同时推进多项复杂任务且互不干扰的连续实体，这一Agent形态及系统架构被称为Super-agent。
事件分析
技术层面，Super-agent的核心挑战在于跨会话的上下文持久化与多任务调度机制，涉及状态存储、事件驱动触发、任务间资源隔离等工程问题，其复杂度远超现有单会话Agent框架。产业层面，这一构想指向“数字员工”形态——Agent从按需调用的工具转变为常驻的组织成员，可能重塑办公软件与SaaS的交互范式，并催生新的Agent基础设施赛道。值得注意的是，DeepSeek以模型能力著称，此次将视角延伸至系统架构层面，若后续开源相关设计或实现，或将为Claude Code等主流Agent框架提供新的演进参照。短期内，跨会话记忆的可靠性、多任务并行的成本控制以及与外部平台的深度集成，仍是该形态落地的关键瓶颈。核心观点：Agent竞争的下半场不在模型参数，而在架构：谁先摆脱单会话束缚，谁就能承载真正的自主智能。
原文链接：Linux.do
GPT Pro网页版实测：单任务连跑10小时，可并行4个Agent
一位从事计算摄影算法开发的用户近日在Linux.do论坛分享了对OpenAI GPT Pro网页版的实测体验。该用户需要对多张图片的合成算法进行优化，将所需图片打包压缩后，配合需求说明和提示词直接通过网页端提交给GPT Pro。实测结果显示，该任务可在网页版上连续运行10至11个小时以上，期间系统还会自动开启4个Agent并行处理，展现出较强的长时间复杂任务执行能力。用户估算，一个窗口的持续运行量就可能消耗掉GPT Pro 20x档位一周的用量上限，而网页版GPT Pro的整体可用量相当于至少二三十个20x档位的周额度。基于这一体验，该用户建议，对于目标明确、验收条件清晰的任务，如算法优化、代码迭代等，可优先交给网页版ChatGPT执行，以更充分地利用订阅额度。该帖子在社区引发了对大模型订阅额度体系与Agent长任务执行能力的讨论，为重度用户选择订阅方案提供了实际参考。
事件分析
GPT Pro网页版展现的长时运行与多Agent并行能力，反映出OpenAI正将ChatGPT从对话工具推向自主任务执行平台。10小时以上的连续运行意味着背后具备任务状态管理、断点续跑与资源调度等工程能力，这是Agent产品从演示走向生产环境的关键门槛。从产业角度看，订阅额度与实际算力产出之间的兑换比正在成为重度用户选择平台的核心指标，网页端若能以固定订阅价承载高强度任务，将对API按量计费模式与第三方Agent框架形成挤压效应。后续值得关注的是此类高强度用法是否会促使OpenAI调整限流策略，以及Anthropic、谷歌等厂商如何在长任务执行能力与额度设计上跟进竞争。核心观点：大模型竞争正从对话质量转向长任务执行力，订阅额度的算力兑换比成为重度用户选平台的核心标尺。
原文链接：Linux.do
OpenAI 官宣：12 月起 ChatGPT 与 Codex 将共享使用额度
OpenAI 宣布一项订阅政策调整：自 12 月起，ChatGPT 与 Codex 将共享统一的使用额度，用户在两个产品中的消耗将计入同一配额池，不再各自独立计算。此前，ChatGPT 对话与 Codex 编程任务分属两套独立的限流体系，Plus 和 Pro 订阅用户可分别享有各自额度。调整落地后，重度使用 Codex 进行编码开发的用户，额度消耗速度可能明显加快，需要在高频对话与编程任务之间权衡分配。Codex 是 OpenAI 面向开发者推出的 AI 编程智能体，支持代码生成、重构、调试与多文件编辑等任务，被视为与 Anthropic 的 Claude Code 直接竞争的产品。此次额度打通被外界解读为 OpenAI 整合产品体系、简化订阅体验的一步：统一计量可降低用户理解成本，也为后续跨产品的统一计费与功能联动铺路。据披露，OpenAI 将在额度接近上限时向用户发出提醒，并可能针对不同订阅档位提供加购或弹性方案。对于以 Codex 为核心工作流的开发者而言，在 12 月前评估额度是否够用、规划使用习惯，将成为需要正视的现实问题。
事件分析
从技术架构角度看，额度共享意味着 OpenAI 后台正从按产品隔离的限流体系，转向以账户为中心的统一计量，这需要在 API 网关、配额服务与计费系统层面完成整合，是典型的平台化收敛动作。对行业而言，AI 编程工具的竞争焦点正从功能差异转向额度经济学：Claude Code 与 Codex 都在探索订阅制下的成本控制边界，统一额度实质上是对重度用户的一种隐性定价调整。后续值得关注的走向包括：各订阅档位的额度分配比例、是否推出额度加购包，以及 Codex 与 ChatGPT 在模型调用资源上的优先级策略。若额度收紧明显，部分高频用户可能转向按量付费 API 或竞品，引发开发者工具市场的连锁迁移。核心观点：额度打通表面是简化体验，实质是对重度用户的隐性提价，AI 订阅制的成本博弈已进入精细核算阶段。
原文链接：Linux.do
最新文章
热门标签
网站统计
- 日志总数：29549
- 评论总数：7
- 标签总数：17932
- 用户总数：3675
- 最后更新：2026-11-01
评论前必须登录！
立即登录 注册