Newlearnerの自留地

#macOS#APP#AI 🧠oh-myusage：面向 macOS 菜单栏的 AI 订阅、额度与账号状态控制台 🔗：GitHub | Download 👉Features - 支持 Codex、Claude、Gemini、Kimi 等多个主流 AI 订阅产品 - 显示额度、百分比、余额、倒计时、刷新状态和异常状态 - 统一管理官方 Provider、本地桌面端会话和账号资料 - 支持低额度、鉴权失效、连续失败等提醒 - 对认证失败、限流、端点配置错误、网络不可达等状态做用户可读诊断等 🧑🏻‍💻适合谁 • 同时使用多个 AI 官方产品，希望在菜单栏快速判断额度状态的人 • 依赖多个第三方中转站，希望统一查看余额、Token 用量和异常原因的人 • 经常在多个 Codex 或 Claude 本地账号之间切换的人 • 希望区分“官方确认”“本地估算”“缓存回退”“鉴权失效”等数据可信度的人 • 想要一个长期常驻、低能耗、可诊断的 AI 用量监控工具的人 🔥 随着各类第三方 AI Agent 和人们日常编程需求的急剧增加，消耗的 Token 也不可同日而语。在这样的背景下，我们需要一个工具来聚合、显示不同 AI 平台的 Token 开销和余量，于是 macOS 端有了 oh-myusage 💡 项目把官方订阅额度、模型使用窗口、第三方中转余额、本地桌面端账号状态和异常诊断统一放到菜单栏里。它不是单一网页余额的封装，而是一个常驻运行、低打扰、可扩展的 AI 用量工作台。文档已经足够详细，欢迎大家试用 📘 关联阅读： 1️⃣面对「龙虾大战」，你可以用到的几个工具网站 2️⃣Open Minis: Your Private On-Device Agent 3️⃣Kaku：极速开箱即用的 AI 友好终端 4️⃣OpenClaw：我见过最强的开源 Al Agent之一，也有很明确的边界 频道：@NewlearnerChannel

#GitHub情报#AI#telegram#bots 📩 接读者来稿，他向我们介绍了自己开发的 AI 股票分析机器人项目 📈TradingAgents-Telegram：基于AI股票分析的Telegram 助手 🔗：GitHub ⭐️Features • 基于 TradingAgents 框架 • 支持通过Telegraph输出股票分析、市场情绪总结与观点 • 可以直接通过 Docker Compose 部署 🧠 最开始是因为我在体验挺火的 TradingAgents 时，发现它原本主要运行在 Terminal 里，虽然功能很强，但日常使用和交互并不是特别方便。所以我尝试把它做成 Telegram Bot，让整个过程更像聊天：你可以直接把股票代码发给 Bot，然后看不同 AI 如何分析、讨论和补充观点。相比传统命令行，这种方式会更轻量，也更接近日常使用习惯。它并不是传统意义上的量化系统，也不是自动交易工具，而更像一个「AI 投资讨论Bot」。 👨🏻‍💻 这个项目本身也是一次很有意思的 Vibe Coding 体验。整个开发过程里，我大量使用了 Claude Code 做协作开发，从需求描述、架构设计到代码生成，很多部分都是通过自然语言一步步完成的。某种程度上，它也是我对「Vibe Coding」方式的一次实践。 ⚠️Disclaimer 这个项目仅用于技术交流与 AI 能力探索，不构成任何投资建议。 AI 输出可能存在错误、幻觉、信息滞后或分析偏差，不应作为实际投资决策依据。投资本身存在风险，请务必独立判断并自行承担风险。 ❤️ 欢迎提 Issue 或者给个 Star！ 频道：@NewlearnerChannel

#telegram#AI#Tools 🧠聊聊 Telegram 的新功能 —— AI Editor 🔗：Blog 三月底的时候，Telegram 发布了一波新功能更新，其中引起我注意的是 AI Editor（AI 文本编辑器）。作为一个经常在 Telegram 写作并发布文字的人，它到底能带来哪些变化？ 👉Features - 一键翻译文本，支持多国语言 - 支持润色改写为多种语言风格，包含正式 / 简短 / 部落 / 圣经 / 禅 / 商务等 - 一键排版、标点符号修改、错别字纠正等 - 使用自研模型 Cocoon AI，注重隐私、不存储用户文本、不用于训练 💡 AI Editor 只有在对话框字数到达一定程度时，才能够触发 AI 编辑选项。它做的事情和去年 WWDC 发布的 Writing Tools 非常像，即像插件一样对文字表达实时润色。它真正改变的不是「写什么」，而是「怎么写」，这一点和生成式 AI 有着本质的不同 👀 最近一直思考这个工具能够带来的实质意义，但几乎微乎其微。用户日常对话，除了极个别需要翻译的场景，几乎不会用到太复杂的文本编辑修正。因此只有发布严肃内容的频道主，可以用它来检查语法、语句通顺等。自留地几乎不需要它，我们很早就确立了一套自己的准则，但用它来润色读者们的长文投稿，经测试意外得好用（对中文的支持还不错，甚至还有 Emoji 模式） 🤖 另外，Telegram 对 AI Agent Bot 的支持格外得优秀，想要发布一些有条理、有内容的文字，也不见得需要再走一遍 AI Editor。所以，我个人理解目前这个功能对我们的帮助非常有限，以至于到现在也没什么人提到。但是，如果未来融合了生成式 AI，就能给我们在 Telegram 生态下的一站式写稿带来许多便捷，希望这是一个好的开始 * 实际上，自留地自 19 年就开始在频道推送中使用多种 Emoji 来进行分段或视觉指引，于 20 年疫情居家后逐步形成了 Emoji 排版体系。我们对后续「滥用 Emoji」以及「Emoji 成为 AI 风格」等事深表遗憾 频道：@NewlearnerChannel

#Blog#AI 🧑🏻‍💻你不知道的 AI Coding：非技术人的上手、场景与实战 🔗：X Article 上个月在公司给产品和业务的同学分享了下怎么上手 AI Coding，加上最近发了条推特，聊到不少同学因为订阅门槛没机会用上一线 AI Coding 工具，方法和习惯不花钱就能先学，索性把上手这部分整理出来。 很多人卡在使用命令行的第一步，看到只有字符的终端会觉得是给程序员用的，自己肯定搞不定。其实门槛没想象的高，会用豆包这类对话框 AI 的人花点时间也能上手，剩下的就是慢慢习惯把执行权交给它。等用顺手后会发现它像个什么活都接的能干助手，跑后台数据、写解决你问题的小工具、把乱七八糟的文档拼成简报、做原型、整理销售报表都能干。 这篇文章想和大伙聊清楚这几个点：第一道坎为什么是命令行、Claude Code 适合什么样的活、CLAUDE.md 到底怎么写、需求精度差一档结果差多少、Plan 和 Auto 模式什么时候用、怎么验收它真的做对了、Skills 怎么沉淀重复动作打包成肌肉记忆，以及几条让账号不被封、代码不出事的安全习惯。 频道：@NewlearnerChannel

#Tools#Design#AI#OpenSource 👷Kami：一个开源的 AI 原生文档设计系统 🔗：GitHub🌐：官网 ⭐️Features • 免费开源，面向 AI 生成文档的排版场景 • 支持一页纸报告、简历、作品集、白皮书、信件、长文档、Slides • 支持中英文双语排版，适合打印、分享和导出 PDF • 内置清晰、美观的图表和关系图绘制能力 • 零配置，适合作为 Claude Code / ChatGPT / Cursor 这类 AI 工具的文档输出 Skill • 风格偏简洁、清晰、克制，避免千篇一律的 AI Design 味道 Kami 可以理解成一个给 AI 文档准备的设计系统。现在 AI 写内容已经不难了，但很多时候最后生成出来的文档，排版还是比较粗糙，要么像网页，要么像模板，要么看着有很重的 AI 味道。Kami 主要解决的就是这一段，把 AI 写出来的内容变成更适合阅读、展示、打印和发送给别人的精致文档。 它适合的场景很多，比如一页纸产品说明、个人简历、作品集 PDF、项目白皮书、长文档、Slides，或者任何需要排版成 PDF 的内容。里面也加入了自动画图的能力，可以把流程图、结构图、关系图这些内容一起做得更清楚。 我会把 Kami 看成 Waza 的妹妹，Kaku 的女儿，一个更偏创作和 Paper 排版的小工具。对于经常用 AI 写文档、做资料、整理作品集、准备对外材料的人来说，Kami 会是一个很顺手的补充。AI 已经能把内容写好了，现在也该让文档本身好看一点。 频道：@NewlearnerChannel

#Blog#AI 🧑🏻‍💻你不知道的大模型训练：原理、路径与新实践 🔗：X Article 今天这篇是「你不知道的」系列第三篇，写完 Claude Code 和 Agent 之后，想着继续挑战一下，把大模型训练到底怎么回事梳理清楚，尽量让非专业背景的人也能读懂。 刚开始我也以为模型变强就是参数堆大、数据喂多。后来发现用户真正感受到的那些提升，大部分不是来自预训练，而是来自它后面那整套流程：后训练、评测、奖励、Agent 训练、蒸馏，每一层都在影响最终体感。InstructGPT 当年有个数字，1.3B 做过对齐的模型，人类偏好评测里能赢过 175B 的 GPT-3，差了两个数量级，但用户更喜欢那个小的。 这篇文章想聊清楚这几个点：训练为什么是条流水线、数据配方怎么决定能力分布、系统约束为什么要在训练前就想清楚、后训练到底在调什么、奖励模型和 RLHF 怎么回事、蒸馏怎么把大模型能力压进小模型，以及 Agent 训练和部署侧还有哪些工程现实。 频道：@NewlearnerChannel

#Blog#AI 🧑🏻‍💻你不知道的 Agent：原理、架构与工程实践 🔗：X Article 今天这篇文章源于写完「你不知道的 Claude Code」之后，发现自己对 Agent 底层的理解还差一截，加上团队在 Agent 方向已经有不少业务落地，一直缺一份系统梳理，所以又把资料、开源实现和自己写的代码重新过了一遍。 刚开始我也觉得 Agent 效果不稳是模型能力不够，换更贵的模型就能解决。后来发现提升往往没有想象中那么大，反而是 Harness 搭得好不好、工具描述准不准、上下文有没有分层管理，才是决定成功率的真正变量。 这篇文章想和大伙聊清楚这几个点：Agent Loop 的控制流怎么运转、Harness 为什么比模型更关键、上下文工程为什么决定稳定性、工具设计的核心原则、记忆系统怎么分层、多 Agent如何协作组织，以及评测和追踪体系怎么搭。 频道：@NewlearnerChannel

#GitHub情报#macOS#AI ☠️ANE — 逆向工程解锁 Apple Neural Engine 训练能力 首个绕过 CoreML、在 Apple M4 神经引擎上实现完整反向传播的开源概念验证，证明 ANE 硬件本身具备训练能力，软件封锁才是真正壁垒。 ✨特点 • 私有 API 直连：通过逆向工程 _ANEClient、_ANECompiler 等私有接口，完全绕过 CoreML，实现对 ANE 硬件的直接控制，吞吐提升 2–4x。 • 完整前向 + 反向传播：在 ANE 上运行 Transformer 的前向与 dx 梯度计算，权重梯度 dW 由 CPU（Accelerate cblas）并发处理，支持 Adam 优化器与 checkpoint 续训。 • 动态权重管道：将权重打包进空间维度，实现权重更新无需重新编译，突破 ANE 每进程约 119 次编译上限的约束。 • INT8 W8A8 量化：利用 MIL quantize/dequantize 算子在 L2 SRAM 缓存 INT8 激活值，M4 上实测 1.88x 吞吐提升（35.1 TOPS vs 18.6 TOPS）。 • GPU↔ANE 零拷贝流水线：基于 IOSurface 共享内存，GPU 负责 prefill，ANE 负责 decode，Stories110M 总延迟仅 8.8ms。 • 硬件基准体系：系统性揭示 Apple「38 TOPS」宣传存在虚高。ANE 实际将 INT8 反量化为 FP16 后执行，真实峰值为 19 TFLOPS FP16，并提供 SRAM 带宽、TFLOPS 峰值等详细测量数据。 ⚙️机制 ANE 是一个图执行引擎，接受编译好的 MIL（Model Intermediate Language）计算图后原子执行，本身不暴露可编程的指令集。项目通过运行时 objc_msgSend 解析 AppleNeuralEngine.framework 中 40+ 个私有 Objective-C 类，构建出「MIL 程序生成 → 内存编译 → IOSurface I/O」的完整链路。训练时前向与反向 dx 计算在 ANE 完成，权重梯度 dW 由 CPU cblas 并行执行，Adam 更新在 CPU 完成后权重重新打包回 ANE 空间维度。全程无外部依赖，仅使用系统框架。 主要依赖：Objective-C + Foundation + IOSurface + Accelerate（纯系统框架，零第三方依赖），Python 仅用于训练监控 Dashboard（blessed 库）。 🧑‍💻使用场景 • NPU 编译器研究者：希望深入了解 Apple ANE 的 MIL IR 格式、Kernel Fusion 策略和 SRAM 行为，可直接参考 inmem_bench.m、sram_probe.m、inmem_peak.m 等基准工具，无需从零逆向工程。 • 边缘 AI 推理优化工程师：gpu_prefill_ane_decode.m 实现的 GPU prefill + ANE decode 混合流水线（Stories110M 总延迟 8.8ms、功耗 2.8W），可作为低功耗本地部署方案的参考架构。 • Apple 平台 ML 开发者：需要在 CoreML 训练 API 限制之外实现设备端持续学习或个性化微调时，可通过 bridge/ane_bridge.h 提供的 C-callable API 接入 ANE 计算能力。 • 硬件性能研究者：验证 38 TOPS 虚高发现，或研究 Apple Silicon ANE 与 SME（Scalable Matrix Extension）在不同工作负载下的分工边界。 • 开源社区建设者：在本项目基础上构建更完整的运行时，如已涌现的 Orion（完整 ANE 训练 + 推理框架）、hybrid-ane-mlx-bench（Apple Silicon 推理策略系统评测）。 🛣社区关注方向 • Mega-kernel 层融合：将完整 Transformer 层融合为单一 MIL kernel • macOS 26 API 适配：Apple 更改了 compile API。Apple 据报将推出「Core AI」替代 CoreML • 扩展到更大模型：Qwen3-0.6B（596M 参数）GQA 支持已合并，社区在探索 1B+ 参数范围的可行性 • 模型加载支持：目前只能从随机初始化训练，无法加载预训练权重 💭感想 ANE 项目最有价值的地方，不在于能立即替代 MLX 或 llama.cpp。作者在 README 里写得很清楚，这从来不是目标。它真正做到的是把一个「不可能」命题变成了有据可查的事实：Apple Neural Engine 的硬件本身具备训练能力，6.6 TFLOPS/W 的功效比（约为 A100 的 80 倍）让人想知道，若 Apple 开放训练 API，边缘端持续学习会走向哪里。 技术完成度上，最扎实的是基准测试体系中 38 TOPS 虚高的实验性反驳、SRAM 带宽性能悬崖的量化分析，都是不多见的一手硬件数据。训练实现接近 PoC 状态。5–9% 的 ANE 利用率说明距离高效 NPU 训练还有很长的软件工程路要走。相比 MLX（GPU 路线，开箱即用）和 CoreML（推理受限但稳定），ANE 这条路适合想深入理解 Apple Silicon 底层的系统工程师，不适合期望开箱即用的应用开发者。 项目的另一面是方法论本身：逆向工程、基准分析、训练代码，全程与 Claude Opus 4.6 协作完成。 AI 可用性得到了另一次证明 频道：@NewlearnerChannel

#Reading#APP#AI 📩 接读者来稿，TA 向我们推荐了自己开发的 AI 有声书软件 🎧免费听书应用悦读 Readify 迎来重大更新，朗读功能更强大，并且新增音色克隆功能 🔗：官网链接 | 安卓下载 | 苹果下载 👓基础功能 📚 多格式支持：TXT / PDF / EPUB / MOBI / AZW3 / DOCX； 🔊 100+ AI 音色：自研模型，40+ 语言，高保真自然发音，秒杀微信读书和番茄小说； 🔍 AI 搜书：内置搜书功能（需梯子），免费下载所有你想要的图书； 🤖 AI问答：专属读书搭子，帮你深层了解书籍内容； 💻 多端同步：同一账号，书库自动同步多个设备（平板，网页，手机）。 ⭐️重磅新功能 - 🎙音色克隆 只需录一段话或上传音频，即可马上生成你的专属音色来听书。 - 📄 TXT AI 排版 自动清理 TXT 里的乱码和广告， 生成清晰目录与书籍封面，阅读体验大幅提升。 - 📖 听读分离 一键进入纯阅读模式， 隐藏播放器，页面可自定义，看书更专注。 - 👓首页改版+添加公版书库 首页全新改版，视觉与体验全面升级； 智能公版书推荐，打开就能读，不再依赖手动导入。 👏 100%免费使用，欢迎大家体验！ 📘 关联阅读：Readify - 让 AI 为每个人朗读世界 频道：@NewlearnerChannel

#Blog#AI 🧑🏻‍💻你不知道的 Claude Code：架构、治理与工程实践 🔗：X Article 今天这篇文章源于自己最近半年深度使用 Claude Code、两个账号每月 40 刀氪金换来的一些踩坑经验，希望能给大伙一些输入。 刚开始我也把它当 ChatBot 用，后来很快遇到这样的问题：上下文越来越乱、工具越来越多但效果越来越差、规则越写越长却越不遵守，折腾了一段时间，研究了 Claude Code 本身之后才意识到，这不是 Prompt 问题，而是这套系统的设计就是这样的。 这篇文章想和大伙聊清楚这几个点：Claude Code 底层怎么运作、上下文为什么会乱以及怎么治理、Skills 和 Hooks 应该怎么设计、Subagents 的正确用法、Prompt Caching 的架构影响，以及怎么写一个真正有用的 CLAUDE.md。 频道：@NewlearnerChannel

#GitHub情报#AI#Web 🦞面对「龙虾大战」，你可以用到的几个工具网站 正如上周总结里面提到的，OpenClaw 前不久全面爆发，大厂纷纷下场、各种「轮子」让人眼花缭乱。普通人如何在碎片信息中快速整理有用信息？今天和大家分享近期看到的一些有帮助的（中文）网站 1️⃣OpenClaw 橙皮书：从入门到精通 🔗：Web 颇有一种当年为 macOS 写白皮书的意味，其中覆盖了从认识 OpenClaw 到真正把它用起来的所有关键信息。从认识、部署、接入、技能、安全、生态多个角度，带领大家入门 OpenClaw 2️⃣虾塘 ClawCave 🔗：Web 本质上是一个 AI 时代的「导航站」，收集的对象是「国产龙虾」。作者观察到 OpenClaw 推出后，官方版太重且有安全隐患，大厂下场也导致了信息极度碎片化，因而制作网站帮助大家进行筛选 主要整理了市面上 20 多种「龙虾」变种，并从部署难度、 运行环境、生态支持等维度做了矩阵对比，希望能够帮助新手快速了解不同大厂之间产品的差异，从而做出适合自己的选择 3️⃣Claw 导航 🔗：Web 同样是一个 AI 导航，不同的是其收集的对象范围更加广泛，涵盖了国内外大厂出品、开源项目和一些小作坊轮子。此外，导航站还专门收集了和 OpenClaw 相关的生态工具，能够帮助你更好地使用「龙虾」及其变体 4️⃣OpenClaw 卸载完全指南 🔗：Web 安装热潮过后，一定有许多人觉得 OpenClaw 不适合自己、暂时找不到用途以及有一些隐私担忧，那么如何正确地卸载呢？本 Vide Coding 网站根据官方文档 + 社区整理 + 安全研究，总结了一套合适的卸载方法 这不是「删个应用“那么简单：你需要处理后台 Gateway 服务、状态/配置目录、容器化部署残留，以及（强烈建议）撤销你授予过的第三方权限与密钥 👀 正如上周末聊到的那样，OpenClaw 成为了各大厂的香饽饽，连政府也下场推广。从长远来看，「龙虾」一定会有更本土化、更方便易用的落地形态，同时大厂之间将充分展开竞争：争夺流量入口、培养用户习惯、拓展 Token 卖金渠道 它大概率不是昙花一现的东西，而是将 AI Agent 这一形式通过大家更能接受的方式，成为你硬件上的一款 App。作为普通用户，我有一些思考和大家分享： ① 建博客的目的是写博客 很难想象从我熟悉的「全民博客」到「全民 AI」时代，只用了不到十年。当年博客火热的时候，许多人都热衷于买域名、建站、选主题、折腾插件，如此反复，但一直没有什么实质性的内容产出 对于 OpenClaw 我也想说，随着 AI 不断发展，安装、配置之类的事情只会越来越简单，无需跟风享受「折腾」带来的满足感，找准你的使用目标和需求才是最关键的 ② 成为合格的饲养员 随着新技术革命的到来，编程、设计这类较为垂类、对专业性有相当要求的领域，开始被 AI 很好地完成。我们当然需要有人去不断探索前沿编程，但绝大多数人应该思考的，是身处「技术」不再是全部的今天，我们如何学习并做好「创意」和「管理」 这就好比，从一个程序员变成了产品经理，好点子和落地才是需要关心的事情。OpenClaw 本质上也可以理解成 IFTTT、快捷方式的 AI 加持版，且在前一两年就有了 AI Agent 的概念，但只有 OpenClaw 做对了且成功落地，才走进了大众视野 作为「龙虾」饲养员，我们要不断结合自身需求、发挥创意，去探索可能实用的场景，譬如： • 定期抓取某网站内容，并翻译成中文以供阅读 • 维护一个电影上映日 / 演出开票日日历，并结合个人喜好进行提醒 • 结合我的交通订票、酒店住宿情况，为我安排当地行程 • 修改 / 维护较为复杂的配置文件和文档 我们要做的，是让「龙虾」充分吸取互联网养分，最终通过复杂的流程链，带着结果端到我们的餐桌上 最后，许多场景其实是 Apple 在 WWDC 中曾经提到过的。快两年过去了，Apple Intelligence 依然半死不活，让人十分意难平。硬件的「惯性」比我们想象中还要大，作为已经有些「路径依赖」的人，我还是希望苹果能够尽快将注重隐私、安全且实用的 Apple Intelligence 带给我们 📘 关联阅读：OpenClaw - 我见过最强的开源 Al Agent之一，也有很明确的边界 频道：@NewlearnerChannel

#iOS#APP#AI 💬Open Minis: Your Private On-Device Agent 🔗：官网 | App Store | TestFlight | Telegram Group 👉软件亮点 - 内置 iSH，提供完整Alpine Linux的 Shell 环境 - 内置浏览器和浏览器控制工具 - 系统原生能力集成：健康（HealthKit），闹钟（AlarmKit），家庭 (HomeKit)，天气等 - 支持 Skills和持久化记忆系统 - 内置ffmpegg等工具硬件加速 👀 大语言模型技术爆发的当下，电脑端的 AI Agent 工具早已变成一片红海，各大厂商和独立开发者都在争抢这块蛋糕。但在 iOS 端，由于系统的沙盒机制限制，一直没有找到能接近电脑体验的Agent工具。 💡 Open Minis 的作者走了一条全新的路。他将 iSH虚拟机内置到App中，提供完整的 Alpine Linux环境，让AI像在电脑环境一样直接执行Shell命令，也能自主的通过`apk add` 安装需要的软件。同时将健康、闹钟、家庭、天气等系统接口封装成命令行工具，让 AI 像调用普通命令一样就能调用系统的原生能力。 🌐 除了 Shell 能力，浏览器控制也是当前 AI Agent 的核心之一。受限于 iOS 沙盒，Open Minis 在 App 内自行实现了浏览器与控制工具，模拟人的操作方式进行网页交互，实现填写表单、点击按钮、提取内容，对于日常的网页信息获取和简单任务已经足够。 🤔 这条路走到极致，就是在 iOS 生态上构建了一个完整的 AI Agent 运行时：自己实现 Shell 环境、改造虚拟机、内置浏览器、封装所有 iOS 原生能力。这套系统，已经不像是在做一款 App，更像是打造一个平台。就在两天前软件已通过 App Store 审核上架，这大概是 iOS 生态下，开发者在系统权限和商店审核多方面限制下，夹缝生存故事的最好结局。 频道：@NewlearnerChannel