PaperDog 论文解读
AI papers, visualized and explained
论文解读
-
多智能体 Scaling Law：人多不一定是好事
Google Research + DeepMind + MIT 用 260 种配置严格实验，首次给多 agent 系统建立定量 scaling law。Agent 数量不是越多越好——特定条件下单 agent 反而比多 agent 更强。
-
可学习的新奇性：一个公式打通智能的三个面孔
Tufts 大学 Michael Levin 组用一个可微分的"可学习新奇性"统一统计学习、复杂系统、强化学习三大领域。无需标签、无需 reward shaping，系统自主发现环境中的有趣行为。
-
optimize_anything：一个API统一所有文本优化——UC Berkeley的通用优化引擎
代码、prompt、agent架构、CUDA kernel、云调度策略——全用一个API优化。ARC-AGI 32.5%→89.5%，Claude Code 79%→100%且快47%，云成本砍40%。八个领域全面打平甚至超越专用工具。
-
Loopie：把循环塞进 Transformer 每一层，小模型跑出大模型的推理力
Layer-Loop 架构让每层注意力/MoE 先对自己循环 R 次，20B 总参 2B 活跃参跑出 AIME 92%、IMO 银牌——计算匹配时代的全新扩展维度。
-
自改进 Agent 全景综述：从 Good 的终局发明到 Schmidhuber 的自指涉学习
KAUST / Jilin / IDSIA 联合出品，Schmidhuber 署名。97 页综述统一自改进 Agent 框架 A_t = (θ_t, Σ_t)：参数改得慢但深，脚手架改得快但浅，好的系统双层并跑分层收敛。覆盖 200+ 篇论文，从 1790 年 Laplace 一路梳理到 2026 年的 GPT Agent。 -
Schema：一个让 AI 像物理学家一样思考的 Harness
Schema 不改变模型权重，而是改变模型周围的过程——让 AI 像物理学家一样从原始像素中构建可编程的世界模型。ARC-AGI-3 Public 集 RHAE 98.98%，固定模型仅换 harness 提升 +56pp。 -
Agent 的"操作系统"也需要学习：MemoHarness 把执行经验变成可复用的控制层
Notre Dame / LMU Munich / USC 提出 MemoHarness：agent harness 不应手写，而应从执行经验中学习。六维 harness 空间 + 双层经验银行 + 测试时无标签适应，Terminal-Bench 达 0.806，超越所有固定 harness 基线，跨模型迁移平均提升 +0.098。 -
GenCeption：视频生成模型的真正使命——通用视觉智能
Google DeepMind提出视觉基础模型第三条道路：文本到视频生成预训练同时覆盖空间-时间-语言三维度，扩散backbone改造为单步前馈感知模型，3B规模匹配DepthAnything V3/SAM3/VGGT-Ω等专用SOTA，训练数据少7-500倍；纯合成人体视频训练即可zero-shot泛化到真实世界和未见类别（动物、机器人）。 -
LOTUS：用循环Transformer弥合隐式推理与显式推理的鸿沟
Microsoft Research联合ETH提出LOTUS：循环backbone并行打磨隐向量破解序列生成瓶颈，gold CoT token直接交叉熵监督破解对齐信号缺失——隐式推理首次在3B规模匹配显式CoT准确率，推理快2.5-6.9倍；隐空间可被LM head直接解码出推理步骤，还编码了训练中未见的等价推理路径。 -
持续学习到底什么时候需要"真学习"？
UC Berkeley统一评测八种持续学习方法，证明没有银弹——真正的分水岭在于任务需要"改prompt就够了"还是"必须学进权重"：上下文可容纳的知识用检索/prompt方案更稳，超出上下文或需要技能内化时参数更新不可替代。 -
大模型需要"睡觉"：从人类记忆巩固机制到LLM持续学习新范式
LLM有和人类顺行性遗忘症相似的缺陷——只有短期记忆（上下文）和凝固的长期记忆（预训练参数），中间没有巩固机制。Google Research提出"睡眠"范式：NREM式记忆巩固（参数扩展+向上蒸馏+突触修剪）+ REM式做梦（自生成合成数据+MoE混合知识域）。Qwen3-8B上AIME-24达79.2%，ARC抽象推理80%，达到同等性能比SFT快4.3-4.8倍。 -
Agent的"健忘症"该怎么治？Meta提出主动记忆Agent，让长程任务不再丢状态
Meta提出Proactive Memory框架——Agent在推理间隙自动执行记忆维护（记忆选择→检索→更新→写入），用元学习训练记忆策略网络替代规则型memory模块。AiderHumanEval 94.4%完成率、ALFWorld 95%成功率、WebArena 60.9%，全面超越ReAct/RAG/COT等基线。 -
LLM-as-a-Verifier：把验证本身变成可扩展的新轴
验证和生成一样，是可以被系统化扩展的维度。从离散 argmax 分数换成 logprob 分布期望，三个扩展轴（粒度/重复/分解）互不冲突、可叠加，zero-shot 跨域 SOTA——Terminal-Bench 86.5%、SWE-Bench 78.2%、机器人 87.4%。 -
当权重变成代码：PAW 如何用 0.6B 模型打败 32B 大模型
把自然语言规格编译成 23MB 的 LoRA 适配器，0.6B 解释器本地运行。0.6B+PAW 精度超过 32B 直接调用，内存省 50 倍——权重即代码的新编程范式。 -
LLM的科研品味比人类窄得多
从分布层面测量LLM与人类在科研品味上的系统性差异：人类12%走桥接路径，LLM直接50-60%。不是不会做科研，是只会做一种口味——缝合。 -
AdaJEPA：世界模型不该冻住，边用边学才是正道
一步梯度更新 predictor，每个 MPC step 仅多 0.01 秒，规划成功率翻倍。低数据 regime 下 1k 轨迹 + adaptation 碾压 16k 轨迹的冻结模型。 -
AutoMem：把记忆管理变成一种可训练的认知技能
Stanford 团队将元记忆认知能力搬到 LLM agent：文件系统操作提升为一等公民动作，meta-LLM 驱动的两个自动优化循环（结构迭代 + 熟练度训练）在长时任务上实现 2x–4x 性能提升，32B 模型达到 frontier 级别。 -
LoopWM：循环世界模型——迭代隐深度，世界模拟的第三条缩放轴
1B 参数的循环世界模型，参数共享 Transformer 块迭代精化隐状态，谱约束保证稳定。ScienceWorld 上超越 100x 大的 Claude Opus 4 Max 整整 21 个百分点。世界模型的第三缩放轴：迭代隐深度。 -
OverLoCK：纯卷积网络第一次真正学会"先看全局再看细节"
第一个纯 ConvNet 骨干显式引入自上而下注意力——Base-Net 编码底层 → Overview-Net 快速扫全局 → Focus-Net 在语义引导下精确定位。ContMix 动态卷积让固定尺寸核也能捕捉长程依赖。
-
红皇后哥德尔机：让考官也进化
RQGM 让生成器和评估器共同进化——考官不再是固定标准，而是跟学生一起变强的红皇后竞赛。代码审查、论文写作、数学证明全面碾压。
-
Autodata：让 AI Agent 当数据科学家，自己造高质量合成数据
四子 agent 架构（Challenger/Weak Solver/Strong Solver/Judge）迭代造题、调难度、验证质量。外循环元优化让 agent 越造越强。CS/法律/科学推理三领域全面优于传统 Self-Instruct。 -
思考即回忆：推理如何解锁 LLM 的参数化知识
CoT 推理帮助简单事实回忆，不是因为分解了问题，而是两个互补机制：计算缓冲效应（额外 token 提供更多前向传播，无意义内容也有效）和事实启动效应（生成相关事实做语义热身，类似人类扩散激活）。中间步骤幻觉会显著拉低最终正确率。 -
用成功轨迹的访问分布学习过程奖励：让稀疏奖励 RL 真正跑起来
训练判别器区分成功/失败轨迹的 state-action 访问分布，用输出比率作为过程奖励。理论上保证不改变最优策略（Theorem 4.1），LIBERO-90 + 真实 WidowX 机械臂上约 5 倍加速。对抗式逆 RL 在稀疏奖励设定下的优雅变体。 -
Tapered Language Models：MLP 宽度单调递减，免费的性能提升
让 MLP 中间层宽度沿深度 cosine 递减，总参数量和 FLOPs 完全不变。440M Transformer ppl 从 16.28 降到 14.44。跨四种架构（Transformer、Gated Attention、Hope-attention、Titans）、三种规模全部提升。层新颖度分析揭示深层 MLP 越来越冗余，前宽后窄是自然匹配。 -
Spatial-TTT：用 Test-Time Training 给 MLLM 装上空间记忆
用 fast weights 做流式压缩的空间记忆，以线性复杂度处理任意长度空间视频流。混合 TTT 架构保护预训练知识，空间预测机制注入 3D 时空归纳偏置。2B 模型在 VSI-Bench 上超越 GPT-5 和 Gemini-3-Pro。 -
Skill-MAS：把多 Agent 编排能力变成可进化的"元技能"
把 MAS 编排能力抽象为可进化的 Meta-Skill（prompt 级），解耦模型能力和经验积累。Multi-trajectory rollout + selective reflection 两步闭环进化。跨 LLM、跨任务迁移有效，四个 benchmark + 四个 LLM 全部最优。 -
Looped World Models：把"深度"变成一个可调的旋钮
第一个把 looped transformer 用在 world model 上。参数共享 block 反复迭代隐状态，简单场景迭代 1 次，复杂碰撞迭代多次。谱约束保数值稳定，最高 100× 参数效率。开辟"迭代隐深度"这个全新 scaling 维度。 -
Variable-Width Transformers：不是所有层都该一样宽
系统研究 Transformer 层间宽度分配。× 形（两头宽中间窄）轮廓一致优于等宽 baseline：perplexity 低 ~3%，训练 FLOPs 省 22%，KV cache 省 15%。固定 residual slice 机制零参数开销。 -
NextLat：让 Transformer 学会压缩世界
给 next-token prediction 加辅助目标——预测模型的下一个隐状态。理论上证明隐状态收敛到 belief states，推理速度 3.3× 且零额外开销。不改架构、不改推理流程，只改训练目标。 -
DeLM：用去中心化共享上下文打破多智能体协作瓶颈
用共享上下文 + 任务队列替代中央控制器，彻底去掉 scatter-gather 瓶颈。SWE-bench Verified 65.7%（+10.5pp），成本砍半。与 DecentMem 天然互补：一个去中心化协调，一个去中心化记忆。 -
DecentMem：去中心化记忆拯救多智能体多样性
首个去中心化 MAS 记忆框架。每个 agent 维护私有双池记忆（利用池 + 探索池），LLM-as-a-judge 在线动态加权。理论证明全局可达性 + O(log T) 累积遗憾。15 组实验 14 组最佳，比最强中心化基线高 8.6%，token 减少最多 49%。协调随机性越高，去中心化优势越大。 -
From AGI to ASI：DeepMind 首次系统性描绘后 AGI 时代的技术路线图
57 页报告，以 Legg-Hutter 智能量表为理论基础，提出 AGI→ASI 四条路径：scaling、范式转移、递归自改进、多智能体涌现。系统列举数字智能结构性优势与摩擦力瓶颈。核心判断：AI 进步不太可能精确停滞在人类水平，多智能体架构可能是最被低估的 ASI 路径。 -
LLM 自改进全景：从数据飞轮到自我修改代码的完整生命期
113 页综述，提出 GRO（生成-奖励-优化）统一框架覆盖从 STaR 到 Gödel Machine 的全谱系。五阶段闭环（数据获取→筛选→优化→推理精炼→自主评估）+ 六种结构性失败模式（数据自噬、reward hacking 等）。核心判断：自改进的未来在系统层面的闭环设计，而非模型层面的技巧优化。 -
Mapping Networks：用低维潜变量替代高维权重空间
权重流形假说 + 映射定理严格证明：仅训练一个千维潜向量即可生成完整网络权重，实现 200-500× 参数压缩。四项 Mapping Loss 分别对应定理假设，消融验证缺一不可。微调场景落地点最快——1024 参数适配 ResNet50 超越 17M 全参数微调。 -
LEAP：用 Agentic 框架让通用大模型在形式化数学上达到 SOTA
AND-OR DAG 证明图架构，把通用 LLM 在形式化定理证明上的解决率从不到 10% 提升到 70%。Putnam 2025 全对（12/12），超越金牌级 IMO 专用系统 Aristotle。核心设计：引理记忆化 + 前瞻性规划 + LLM Reviewer 作搜索过滤器。 -
最后一篇人类写的论文：Agent-Native Research Artifact
学术论文把分支迭代的探索过程压缩成线性叙事，丢掉大量沿途发现。ARA 协议用四层机器可执行研究包替代叙事论文，理解准确率 72.4% → 93.7%。最深刻的发现：结构化知识对弱 Agent 是助力，对强 Agent 可能变成约束。 -
Why Muon Outperforms Adam: A Curvature Perspective
Muon 比 Adam 快 2 倍的原因：不是梯度对齐更好，而是谱归一化更新方向有更低的 Normalized Directional Sharpness (NDS)，每步曲率代价更小。数据越不平衡、训练越到后期，优势越明显。 -
Depth-Attention：让 Transformer 在深度维度上也学会"选择性注意力"
自注意力在序列维度自由选择信息，但在深度维度只是残差累加。Depth-Attention 在注意力模块内部增加"沿深度方向的注意力"，让每层从前面的层选择性复用 value——零参数、零额外 KV cache、不到 0.01% 额外 FLOPs，1.5B/3B Qwen3 风格解码器全面最优。 -
当 AI 构建自身——Anthropic 递归自我改进进展报告
Anthropic 首次披露内部数据：80%+ 代码由 Claude 编写，工程师代码产出是 2024 年的 8 倍，Claude 单次提交 800+ 修复将 API 错误降低 1000 倍。反馈循环已启动——每次 Claude 升级都加速下一个版本的构建。研究判断力是通向完整递归自我改进的关键鸿沟。罕见提出"可验证的暂停"政策立场。 -
动态短卷积：给 Transformer 加一个"会看情况的"局部感受野
将静态短卷积替换为输入依赖的动态卷积，150M-2B 模型上 1.33-1.60× 计算优势，端到端训练仅 +8% 开销。泛化至 MoE、Mamba-2、Gated DeltaNet。思路简单、收益显著——几乎无脑可加的架构改进。 -
为什么大模型能学会小模型学不会的东西？——梯度干扰与稀有任务的留存
大模型不是"更聪明"——而是参数多到高频任务的梯度变得极微弱，不再覆盖稀有任务缓慢积累的特征。用 OLMo 4M–4B 实验验证：1B 模型对非任务 token 的梯度干扰仅 7.58×10⁻⁵，20M 模型高达 0.10。数据中心化：提高数据频率可能比盲目扩大模型更有效。 -
δ-mem：用 8×8 矩阵给冻结 LLM 加上在线记忆
在冻结 LLM 旁维护 8×8 在线关联记忆矩阵，通过 delta-rule 持续更新，读取向量直接注入 attention 生成低秩修正。MemoryAgentBench +31%，移除全部上下文后仅凭 64 元素矩阵仍能恢复关键推理链。 -
Video-o3：让视频理解模型学会"主动找线索"
Video-o3 给视频 MLLM 装上"主动寻线索"能力——迭代调用 VideoCrop 精查关键片段，攒够证据再下结论。7B 模型在 MLVU 72.1%、Video-Holmes 46.5% 刷 SOTA。 -
Oryx：在序列维度上自由切换 Attention 和线性循环
序列轴混合：tied K/V 投影共享 90%+ 参数，一套表示同时更新 KV cache 和 RNN state，序列内动态切换 attention 和 linear RNN。linear prefill + attention generation 即追平 Transformer 检索，算力省得多。 -
Latent Prediction：LLM 的下一个范式？把 Token Prediction 换成潜变量预测
Meta 提出将 LLM 预训练从离散 token prediction 换成连续潜变量预测——autoencoder 先压缩 token 到 latent，模型预测 latent 向量而非 next token。推理速度提升 2.7×，质量持平甚至超越，语义等价性大幅增强。 -
SIA：同时拧两颗螺丝的自改进 AI
第一个在同一个闭环中同时更新 scaffold 和模型权重的系统。Feedback-Agent 运行时动态选择 RL 算法，三个跨域实验一致证明 harness 与权重更新增益不互相饱和。 -
BES：给大模型一杆秤，它就能自己改代码
DeepMind 的自改进代码优化器：给定一个评分函数，模型在三个阶段（种群采样→自我评估→自我优化）中迭代生成、评分、改进代码，无需外部 solver。3× 计算量即可达到 2× 最终性能，且跨模型泛化。 -
Polar：把任意 Agent 框架变成 RL 环境的黑盒方案
NVIDIA NeMo 团队的 rollout 框架：在 LLM API 边界架代理捕获 token 级交互，把任意 agent harness 当黑盒做 scalable RL。Qwen3.5-4B + GRPO 在 Codex harness 上 SWE-Bench Verified 从 3.8%→26.4%，prefix merging 压缩 5.4× trace。 -
LeJEPA 何时学到 World Model？JEPAs 的首个线性可辨识性理论
LeCun 团队用 Hermite 多项式谱分解证明：LeJEPA 在高斯潜变量下必然线性恢复 World Model（h(z)=Qz），且高斯是唯一满足此条件的分布。反转了经典 ICA 的结论——Gaussian 的旋转不变性从 bug 变成 feature。四个定理递进，Lean 4 形式化验证。 -
DiffusionBlocks：残差连接就是扩散步，反向传播从此可选
残差连接天然等价于扩散去噪的欧拉离散化——利用这一等价关系，把网络拆成独立块训练，显存降 B 倍，效果和端到端训练几乎一样。五种架构验证通过，包括非扩散原生的自回归模型。 -
RLVR 数据集的家谱：ATLAS 追踪 145 万条数据回到 20 个原子源头
给 RLVR 数据集做家谱：1.45M 条训练数据 90%+ 来自 20 个原子源，3.6 万条 benchmark 泄露。提出 SCA 源级归因和 Q 质量评分，用洞察打磨出 DAPO++ 数据集，两个规模上全面第一。 -
AutoResearchClaw：让AI科研系统学会从失败中爬起来
五大机制（多Agent辩论、Pivot/Refine自修复、可验证结果报告、七档人机协作、跨Run进化）驱动的23阶段自主科研流水线。ARC-Bench上比AI Scientist v2高54.7%。 -
SkillOpt：把 Agent Skill 当成可训练的外部权重来优化
把 skill 文档当成 frozen agent 的外部权重，用训练的纪律来优化。52/52 全胜，skill 可跨模型跨环境迁移。 -
强老师不是必需品？LLM 预训练蒸馏的常识颠覆
知识蒸馏的黄金法则被推翻：弱老师也能教出好学生，强老师反而可能让蒸馏收益饱和甚至逆转。蒸馏的真正价值在泛化而非拟合。 -
Language Models Need Sleep：让模型睡一觉再做推理
SSM-Attention 混合模型在深度推理上失败的原因不是记忆容量不足，而是巩固已驱逐上下文的计算量不够。解决方案：让模型在清除 KV cache 之前用循环前向传播反复精炼快速权重，推理延迟不变，睡得越久推理越深。 -
Project Glasswing 首月战报：AI 漏洞挖掘速度已超越人类修补速度
Anthropic 用 Claude Mythos Preview 联合 50 家合作伙伴，一个月发现超过 10,000 个高危漏洞。网络安全进步的瓶颈已从"发现"变为"修补"——传统 90 天披露窗口和志愿者驱动的补丁流程已不够用。 -
EvolveMem：让记忆系统的"检索引擎"自己进化
检索基础设施不该是静态的。把 BM25 权重、融合模式、上下文预算等十几个旋钮暴露为动作空间，LLM 读失败日志→诊断根因→提案调参→守卫回退的四步循环自动进化，从 F1 30.5% 七轮跑到 54.3%。 -
AlphaProof Nexus：AI 自动解决 9 个 Erdős 开放问题
LLM + Lean 编译器验证的 agentic loop 自动解决 9/353 Erdős 问题（含 56 年悬而未决难题）和 44 个 OEIS 猜想。最意外发现：最基础的 LLM+编译器循环就解决了全部成功案例，进化搜索反是锦上添花。 -
PTRM：7M 参数干翻 Claude-4，噪声解锁推理潜能
给递归推理模型加噪声、跑 K 条并行轨迹、用 Q 头选最优——不重训练、不增数据，7M 参数成本 $0.001，PPBench 准确率 91.2%（Claude Opus 4 仅 34.7%）。推理瓶颈在探索能力，不在模型容量。 -
GRAM：生成式递归推理，让神经网络学会"发散思维"
将递归推理从确定性变成概率性：高层随机探索 + 低层确定性精炼，支持宽度式推理扩展。Sudoku 97%、N-Queens 覆盖率 90.3%，20 条并行轨迹超越所有确定性模型 320 步迭代。 -
HRM-Text：40B token + $1500 训练出打平 2-7B 的 1B 模型
分层递归架构替代标准 Transformer，配合 task-completion 目标和 PrefixLM attention，40B token 从零训练 1B 模型，计算效率比 Llama/Qwen/Gemma 高 96-432 倍。$1,500 预算让任何实验室都能做预训练研究。 -
RAEv2：用预训练视觉编码器替代 VAE 的改进基线
三个简洁改进——多层特征聚合、保留 REPA、REPA head 免费做 guidance——实现比原版 RAE 快 10 倍收敛，80 epoch 达到 gFID 1.06，并在文生图和导航世界模型上一致验证有效。 -
MeMo：把记忆本身变成一个模型
用独立小模型当「记忆」，主模型完全不动参数。训练时消化语料，推理时多轮对话提问——RAG、微调、latent memory 之外的第四条路。 -
AI Agent 自动设计神经网络架构：AIRA-Compose 和 AIRA-Design
用 AI Agent 自动完成神经网络架构搜索。AIRA-Compose 通过组合现有模块进行设计，AIRA-Design 则从零开始构造全新架构——无需人工设计经验，端到端自动化。 -
OPD 为什么比 RL 快？"预见性"是答案
Opinion-Driven Policy Distillation 提出了一种比传统 RL 更高效的方法论。核心洞察是"预见性"——Agent 能够预判决策后果，从而跳过大量试错。 -
有用的记忆，在 LLM 持续更新中变得有缺陷
探索 LLM 持续更新中一个反直觉现象：即使是正确的、有用的记忆，在模型更新后也可能变得不可靠。对持续学习系统的记忆管理提出警示。 -
Visual Planning：只用图像思考，不用语言推理
挑战"语言是推理必需载体"的假设，证明纯视觉规划可以完成复杂推理任务，且在某些场景下优于语言链式推理。
技术博客
-
Claude Code Loops：四种循环模式，AI 编程从回合制到自主迭代
Anthropic 发布 Claude Code Loops，将 AI 编程助手从单次问答推进到自主循环执行。Turn-based / Goal-based / Time-based / Proactive 四种递进模式，覆盖人工协作到全自动化的一切场景。evaluator 模型防偷懒、adversarial review 保质量、渐进式控制权释放的设计哲学。 -
禅与机器学习研究艺术
硅谷研究员 Jordan Mass 用禅宗公案串起 ML 研究底层心法：好结果大概率是 bug、别读太多论文、别追热点学底座、实验结果的平等心、Coding Agent 的理解外包陷阱。技术会变，但好奇心、偏执、对真相的敬畏不会过时。 -
Loop Engineering：别再 Prompt Agent 了，去设计循环
基于 Addy Osmani 文章：五个构件（自动化、Worktree、Skill、Connector、Sub-agent）加一块外部记忆，构成完整的 agent 自动化循环。杠杆点从 prompt 能力移到了系统设计，但系统产出的上限仍然是你对工作的理解深度。 -
一个工程师的 Agentic Engineering 全部家底
Matt Van Horn 从"高中后再没交付过有价值的东西"到多个万 star 项目贡献者，靠的不是更努力写代码，而是彻底改变和计算资源的关系。Plan First 翻转 80/20、双层规划破解模型偷懒、多 Tab 并行人变调度员——一整套正在形成的 Agentic 工程方法论。 -
Anthropic 用 Claude 做自助数据分析的完整工程体系
裸 Claude 回答数据分析问题准确率仅 21%，加上 skill 稳定 95%+，不维护一个月掉回 65%。四层架构（Data Foundations → Sources of Truth → Skills → Validation），精加工知识而非原始检索，LLM 自动生成元数据定义"净效果为负"。 -
AI 攻击者画像：832 个恶意账户揭示的三个关键趋势
Anthropic 审查 832 个恶意账户，映射到 MITRE ATT&CK 框架。三大发现：攻击重心从钓鱼向后渗透转移、传统威胁评估体系因 AI 而失效、编排架构成为高危攻击者唯一持久区分信号。 -
用一台树莓派养两只 AI：我跑了三个多月的"家庭 AI 实验室"
600元树莓派 + 开源 nanobot，挂两个飞书AI助手（熊大&熊二），三个月自动出19期论文播客、近百篇论文解读、A股日报、美股模拟交易——每月电费1块8，API费用50块。一套普通人也能复制的7×24小时AI方案。
系列教程
-
Claude Code 101 系列教程 · 9 课从入门到实战
来自 Claude 官方频道的完整教程系列：从安装到 MCP 集成、Hooks 钩子，覆盖 Agentic Loop、CLAUDE.md、Explore→Plan→Code→Commit 工作流、上下文管理等核心概念。