Product
1. Buddy：为编码代理设计的桌面状态显示屏
Buddy 是一款基于 ESP32-S3 的小型 USB 桌面显示屏，专门为编码代理设计。它能够实时显示代理的状态，并在代理需要人工干预时亮起提醒。通过触摸屏幕，用户可以直接切换到对应的 Mac 窗口或 Ghostty 标签页。该项目旨在解决多代理运行时的状态监控和上下文切换问题，提供了一种物理化的交互方式。Buddy 的硬件设计开源，且易于部署，为开发者提供了一个简洁、直观的代理监控方案，减少了在多个终端窗口间频繁切换的认知负担。
来源：Buddy — a quiet screen for coding agents
2. brew-browser：Homebrew 的原生 macOS 图形界面
brew-browser 是一个基于 Tauri 2 + Svelte 5 构建的轻量级 macOS 原生应用，为 Homebrew 提供了图形化管理界面。它支持仪表盘查看、包搜索、安装/卸载、后台服务管理，以及将当前环境快照为 Brewfile 以便新机恢复。该应用完全开源，无遥测，无账户要求，旨在提供一个快速、直观的 Homebrew 管理体验。通过将复杂的 CLI 操作可视化，brew-browser 降低了包管理的门槛，并提供了清晰的存储使用情况和漏洞扫描功能，是 macOS 开发者的实用工具。
来源：GitHub
3. tuiboard：基于终端的 Markdown 任务仪表盘
tuiboard 是一个基于 Bun + OpenTUI + SolidJS 构建的终端仪表盘，旨在统一管理看板任务、日程安排和 Claude Code 代理会话。它直接读取 Markdown 文件，无需复杂的配置，支持看板视图、今日/明日任务面板以及 24 小时日程时间轴。tuiboard 的设计理念是“无厂商锁定”，任务文件遵循 CommonMark 标准，可在任何 Markdown 编辑器中编辑。该工具为喜欢终端工作流的开发者提供了一个高效、集中的任务管理环境，将任务追踪与代理会话紧密结合。
来源：GitHub
4. ego Lite：专为 AI 代理设计的浏览器
ego Lite 是一款专为 AI 代理设计的浏览器，旨在解决传统浏览器在自动化任务中的局限性。它基于自定义的 Chromium 引擎，支持在页面内执行复杂的 JavaScript 工作流，相比传统的 JS shim 方案，速度提升了 245%。ego Lite 允许代理在独立的“空间”（Spaces）中并行执行任务，且能够处理跨域 iframe、Shadow DOM 和第三方 SDK 组件。该浏览器为用户和代理提供了分离的工作空间，确保了自动化任务的稳定性和可靠性，是构建高性能 AI 代理浏览器的重要基础设施。
来源：ego lite
Tutorial
1. 构建基于 Claude 与 Obsidian 的 AI 第二大脑
Khairallah AL-Awady 详细介绍了如何将 Claude 与 Obsidian 结合，构建一个能够主动思考的“第二大脑”。该方案利用 Obsidian 的本地 Markdown 存储和双向链接特性，配合 Claude Code 或 MCP 服务器，使 AI 能够直接读取、搜索并推理用户的知识库。文章强调了 PARA 方法论在 AI 友好型知识管理中的应用，并提供了包括周报生成、研究合成、知识缺口分析等五种核心 AI 工作流。通过这种方式，AI 不再是孤立的对话工具，而是成为能够维护知识库、发现跨笔记联系的持续性知识引擎。该方法的核心在于将笔记结构化，以便 AI 能够高效解析，从而实现知识的长期积累与复用。
来源：How to Build an AI Second Brain With Claude and Obsidian (Full Course)
2. 如何构建一个“垃圾”机器人：Mario Zechner 的 STEM 项目
Mario Zechner 分享了如何将一个廉价的玩具机器人改造成由 LLM 驱动的 STEM 学习项目。该项目利用现有的开源模型、语音转文字（STT）和文字转语音（TTS）技术，将一个仅有简单遥控功能的玩具变成了能够与孩子互动的智能机器人。作者详细记录了拆解、逆向工程 PCB、重写电子元件、纸板工程以及软件实现的过程。该项目旨在通过低成本材料和简单的技术栈，鼓励家长与孩子共同参与硬件与 AI 的结合，是一个极佳的教育实践案例。
来源：How to build a shitty robot
3. RLHF 深度解析：从 SFT 到 PPO
本文详细介绍了强化学习从人类反馈中学习（RLHF）的三个核心阶段：监督微调（SFT）、训练奖励模型以及使用 PPO 进行强化学习微调。RLHF 是将原始预训练 LLM 转变为有用、诚实且安全的助手的关键技术。文章还探讨了奖励黑客（Reward Hacking）、KL 惩罚等概念，并总结了最佳实践。对于希望深入理解 LLM 对齐机制的开发者来说，这是一篇极佳的入门与进阶指南，清晰地阐述了如何通过人类偏好引导模型行为。
来源：Outcome School | Get a High-Paying Tech Job
Opinions/Thoughts
1. Sergey Levine：通用机器人的自我改进飞轮
机器人专家 Sergey Levine 认为，通用机器人正处于“自我改进飞轮”的临界点，预计到 2030 年机器人将能完全自主运行家庭任务。Levine 探讨了基础模型在机器人技术（VLA 模型）中的应用，以及如何通过部署实现自我改进。他指出， emergent capabilities（涌现能力）的真正来源是组合性（compositionality），而非仅仅是训练数据中的隐式知识。这一观点挑战了传统的预训练范式，强调了数据规模、硬件优势以及机器人自主学习能力在未来五年内将带来的巨大变革。
来源：Fully autonomous robots are much closer than you think – Sergey Levine
2. 代理评估新指标：有效反馈计算（EFC）
研究人员引入了“有效反馈计算”（Effective Feedback Compute, EFC）这一新指标，用于评估 AI 代理的性能。研究发现，传统的 raw token 或工具调用计数无法准确预测代理失败率，而 EFC 通过仅计算代理能够实际利用的、有效的、非冗余的反馈，显著提升了预测准确性（R² 从 0.33 提升至 0.99）。该研究表明，通过预算分配优化，基于 EFC 的策略可以将任务成功率从 0.27 提升至 0.90。这一发现为代理评估提供了更科学的量化标准，有助于开发者从猜测转向可预测的 harness 设计。
来源：arXiv.org
3. 研究：主动代理是否真的需要 LLM 来决定唤醒？
微软与普渡大学的研究人员提出，主动代理无需在每次事件中都调用 LLM 来决定是否唤醒。他们引入了一个 220MiB 的时间图编码器（TGL），能够以 11ms 的速度处理事件流，决定唤醒时机和上下文锚点。该方法在 14 个基准测试中平均 F1 分数提升了 16.7，运行速度提升了 4 到 83 倍。这一研究揭示了 always-on 代理循环中，轮询决策往往是主要的成本驱动因素。通过使用轻量级编码器替代昂贵的 LLM 调用，开发者可以在不牺牲准确性的前提下，显著降低代理的运行成本。
来源：arXiv.org
4. ChatGPhish：ChatGPT 网页摘要功能的钓鱼风险
研究人员发现了一种名为“ChatGPhish”的新技术，能够将 OpenAI 的 ChatGPT 网页摘要功能转化为钓鱼工具。攻击者无需特殊提示，只需让 ChatGPT 总结恶意网页，即可在受信任的界面中显示钓鱼链接、虚假安全警报、二维码和攻击者托管的图像。这一发现揭示了 AI 代理在处理外部内容时的安全漏洞，即 AI 可能会无意中成为恶意内容的传播载体。该研究提醒开发者和用户，在利用 AI 进行网页摘要时，必须警惕潜在的钓鱼风险，并加强对 AI 输出内容的验证。
来源：ChatGPhish Vulnerability Turns ChatGPT Web Summaries Into a Phishing Surface