保持刻意：Agent 完全可以反过来考你、采访你、向你展示它的证据，但前提是你得主动去设置这套机制。诚实面对自己在光谱上的位置：如果你连在 Agent 的帮助下都解释不清楚一个答案，那你就已经缴械投降了。先有假设：在开口问 Agent 之前，先形成自己的假设，哪怕是个很烂的猜想也没关系。绿勾只代表一件事：多问一句，它到底验证了什么？它又漏掉了什么？先看证据：在读它漂亮的总结之前，先去看它实际执行了

这次折腾下来，我觉得 LobeHub 最有意思的地方，是它开始把多个 Agent 的协作当成一套可以持续运行和管理的系统来做，而不是一次性的任务编排。以前自己搭 Multi-agent 的时候，解决的大多是一个任务怎么拆分给几个 Agent。任务只要一复杂，新问题就来了：进度、状态、异常如何处理、交接怎么做，如何验收。但这一轮实测也让我看到，能把任务分派出去和能稳定交付结果之间隔着一大截。

最后想说一下，我看到这块的时候其实非常激动。现在市面上很多大模型都在玩概念炒作，没两天熄火了，完事儿之后又炒下一轮。所以当一个正经搞过底层的人看到 DSH 团队说的这些话的时候，我觉得有一种相见恨晚的感觉。终于有正经团队能够从底层动刀子了，而不是天天玩一堆 tools 和 skills ，再怎么优化拿到 Transformers 的注意力机制上也是抽卡。与其搞一堆华而不实的东西来博眼球，不如优化底

回到最初抛出的那个问题：把记忆的读写放进模型计算里，到底意味着什么？过去很长一段时间，模型变强的主要路径是堆参数量、灌海量数据和拉长上下文窗口。在长上下文和外部检索方案的帮助下，模型已经能记住用户说了什么，或者在被问起时临时找来一段历史参考来回答。但当大模型演进为需要连续行动的 Agent 时，这就不一样了。用户关心的不仅是聊天记忆，更是 Agent 在一次次尝试中积累下来的程序性经验：面对同类

说到积分无限白嫖，我可就不困了。我之前写过 ChatGPT 可以无限使用额度的方式，今天我们来聊聊 WorkBuddy 如何白嫖无限积分。废话不多说，我们开始跟大家说如何做。目前在 WorkBuddy 中，有两种积分领取方式，一个是每日登录会送 100 积分，一个是派喵喵去旅行，也会领取积分，不过派喵喵旅行送的积分需要先完成任务才可以。而且每次喵喵执行任务的时间不一样，有可能 1 个小时就完成了，

真正站在金字塔塔顶的是这大约 5000 人，这类人群画像只有约 0.00006% ，这 5000 人操纵数千个 Agent，它们彼此协作，build 0-day 任务，进行网络攻击和防御，研究前沿科学，比如前段时间很出名的数学事件。大概只有 10 - 20 亿人，用过 AI 比如 ChatGPT，但是用的很随意，这类人主要把 ChatGPT 当做 chatbot 来用，替代一下搜索引擎，或者平常用

关于计算机网络如何学习，我就拿自己亲身实践的来举例吧，因为我也自学学起的。我觉得最重要的就是看书(博客) + 实践。当然视频是最快速的入门方式，你可以先看视频有所了解后再去看书系统学习视频今天在 b 站看视频的时候，看到了一句话众所周知，b 站是用来搞学习的，对于我们学习编程的童鞋来说，b 站有着非常多的学习资源，但是有一些质量并不是很好，看了之后不容易理解，这也是写这一篇文章的原因，为大家分享一

按组合键: Command + Shift + G, 输入:/Library/Preferences/SystemConfiguration删除目录下如下文件:com.apple.airport.preferences.plistcom.apple.network.identification.plistNetworkInterfaces.plistpreferences.plist清空...

前言计算机系统中有很多独占性的资源，在同一时刻只能每个资源只能由一个进程使用，我们之前经常提到过打印机，这就是一个独占性的资源，同一时刻不能有两个打印机同时输出结果，否则会引起文件系统的瘫痪。所以，操作系统具有授权一个进程单独访问资源的能力。两个进程独占性的访问某个资源，从而等待另外一个资源的执行结果，会导致两个进程都被阻塞，并且两个进程都不会释放各自的资源，这种情况就是 死锁(deadlock)

除了模型本身的提升，这次升级，OpenAI 带来了一个新的东西，Sketch ，它让你可以直接在 ChatGPT 里画草图，比如你画个大致的布局或轮廓，ChatGPT 会把它变成完整的图像。Images 2.5 能够呈现更自然的光照和更丰富的纹理，更好地保留照片中的主题，甚至比如我找了一张牛来的图片发给了它。是不是就火不起来了。在官方的介绍中，有一个自由画布挺有意思的，这些内容代表着不同风格，风格