DPS Build

周末开始跑 Karpathy 的新工具，试了两个场景，一个是 SEO 优化，一个是爬虫数据的清洗。 步骤很简单： 1. 让 agent 读取 autoresearch 的文档和代码； 2. 让它根据你的需求改写条件和目标，审核之后，就开始跑。 很适合跑多种组合+明确目标+快速迭代的实验。 https://github.com/karpathy/autoresearch

周末开始跑 Karpathy 的新工具，试了两个场景，一个是 SEO 优化，一个是爬虫数据的清洗。 步骤很简单： 1. 让 agent 读取 autoresearch 的文档和代码； 2. 让它根据你的需求改写条件和目标，审核之后，就开始跑。 很适合跑多种组合+明确目标+快速迭代的实验。 https://github.com/karpathy/autoresearch

https://labclaw-ai.github.io/

昨天看到一个逆向工程 Apple ANE 的项目，于是顺手丢给 Claude 改了改跑 Qwen 3.5 的 dense model。 一开始效果一般，只能跑通 0.8b 的模型，4b 和 9b 都跑不起来。因为 ANE 有119 kernels 的限制。 今天看到 ANE-LM 这个项目，有更多的创新，于是又让 Claude 改了改，这下三个模型都能在 M4 Pro 上跑起来了。 效果见截图，模型越大，ANE 的优势越明显。 - Opt 1: Saves ~64KB zeroing × 96…

昨天看到一个逆向工程 Apple ANE 的项目，于是顺手丢给 Claude 改了改跑 Qwen 3.5 的 dense model。 一开始效果一般，只能跑通 0.8b 的模型，4b 和 9b 都跑不起来。因为 ANE 有119 kernels 的限制。 今天看到 ANE-LM 这个项目，有更多的创新，于是又让 Claude 改了改，这下三个模型都能在 M4 Pro 上跑起来了。 效果见截图，模型越大，ANE 的优势越明显。 - Opt 1: Saves ~64KB zeroing × 96 calls/forward → minor latency reduction - Opt 2: Eliminates 320 powf/cosf/sinf calls per layer → measurable CPU savings - Opt 3: Removes inner loops in conv1d hot path → tighter CPU code - Opt 4: Saves 1 ane_eval + 1 IOSurface round-trip per layer → ~36ms total for ANE mode (biggest win) - Opt 5: Eliminates MPS object allocation per matvec → GPU mode overhead reduction 最后再贴一个项目： https://github.com/vipuldivyanshu92/ANEgpt

终于设置了我的 claw，选用了 比较简单的的 nanobot，几千行代码，不像 openclaw 几十万行。 本地分装成 docker，部署到了 orbstack 上跑，限死了权限。本来想部署到另外一台闲置的老机器上跑，然后用 lm-studio 新发布的 lm-link 调用远程的模型，但配置起来更复杂，暂且就这样吧。 模型选了在 lm-studio 上跑最近刚发布的 qwen/qwen3.5-35b-a3b （Q4_K_M, 22G 显存），基本够用。 选了 telegram 作为入口；开启了…

终于设置了我的 claw，选用了 比较简单的的 nanobot，几千行代码，不像 openclaw 几十万行。 本地分装成 docker，部署到了 orbstack 上跑，限死了权限。本来想部署到另外一台闲置的老机器上跑，然后用 lm-studio 新发布的 lm-link 调用远程的模型，但配置起来更复杂，暂且就这样吧。 模型选了在 lm-studio 上跑最近刚发布的 qwen/qwen3.5-35b-a3b （Q4_K_M, 22G 显存），基本够用。 选了 telegram 作为入口；开启了 claude-code mcp 和 OpenAI's Codex CLI 官方的 codex mcp。 这样一来，可以用本地跑的 qwen 3.5 指挥 claude code 和 codex 干活。既然我本来就订阅了 claude 和 ChatGPT，这样的配置没有额外的开销。 不知道今晚会不会发布更强劲的 Mac mini，也许跑可以跑更强的本地模型。

前几天看到这条，试了试在 nanobot 下面跑，结果总是失败，能开 thread，但是一直回复到主对话里。 让 nanobot 自己修复也不行，问 claude 怎么办，看了看代码，说是 nanobot 暂时还不支持，但是调用的 python-telegram-bot 支持的，改几行代码就行。于是让它改了，瞬间就好了。 https://t.me/reorx_share/6479

把两台 magic trackpad 当作分体式键盘用 https://x.com/anomalog/status/2027025988182474796 https://github.com/disarmyouwitha/AppleMagicTouchstreamLP

最近感觉 bug 越修越多，让 claude 和 codex 分别分析了一下，大概40%的时间在 debug 上。 我自己的感觉是： 1. AI slop 确实存在，很多代码越写越烦琐，写得越来越复杂，tech debt 越来越多； 2. 就我本身而言，一下子要学这么多新东西，根本学不过来。后端算是半路出家，前端完全零入门。选了 reflex 作为前端，原本以为是 python 生态下的容易上手，结果一半 python 语法，一半 js 语法，连 agent 都难以上手； 3. agentic engineering 大大压缩了开发时间，短时间可以写出更多的功能，也意味着暴露更多的 bug。也许 bug 总量的变化不大，但是因为在相对短的时间内爆发，所以让我感觉疲于奔命

有朋友问我现在还用不用 IDE，最近基本不怎么用了，返璞归真，回到了 terminal 里。主要是因为 claude code 的 vs 插件和claude code 本身还是有区别，直接在 terminal 里跑，感觉功能更全面。 1. 在一台Mac mini 上配置了 tmux + claude code + codex cli。这样所有的任务都跑在 tmux 里，开了两个 claude session 和一个 codex session。两个 claude 写不同的功能，codex 审核。 2. 用一台机器上还有 orbstack + lm studio，可以随时编译各种服务，调用本地模型测试 prompt 的效果。前端，后端都在 tmux 里跑着，supabase 跑在容器里。因为这台 Mac min 是顶配 M4 Pro，所以编译起来比 MacBook 快多了。 3. 同一台机器上跑着 tailscale + mosh，这样远程可以随时连上去，也不怎么需要折腾多个环境。另外的好处是，即使睡觉了，这台机器也随时跑着；就算回国了，也可以无障碍使用 claude 等服务。 4. 前阵子收了一台翻新的 MacBook Air M4，出门的时候就背这台，15寸的屏幕，13寸 MacBook pro 的重量，性能不是问题。 朋友问我要不要专门买 Mac mini 折腾成这样，我觉得其实手头有闲置的机器都可以折腾，没必要专门买。如果要大内存的机器，在闲鱼上可以看看有没有断头 Mac，性价比可能更高。

本来制作邮件模版基本是手工活，现在基本全靠代码。 我用的是 resend，先在本地安装 bun install resend，然后在 resend 上生成一个 api key。 之前已经做了一些网页设计，所以直接拿这些素材丢给 claude 之类的 agent，让它设计合适的邮件模版。 本地预览了之后还算满意，就让 claude 写了一个上传的脚本，并且清理之前的版本。 整个流程都在代码里，不需要手工在后台拖拽，而且还还有版本控制。方便太多了！