Introducing Gemma 4 12B: a unified, encoder-free multimodal model
name: authority-discipline
description: 权威与约束纪律。强制 agent 任何进入项目事实的行动都必须有权威来源，禁止凭空编造数据、凭据、字段、事实或验证结果。定义权威来源分层、临时产物与正式产物的边界、docs/代码/运行事实冲突的处理、以及必须停下问人的红线。当 agent 要引用约束、写入数据或配置、声称验证通过、填凭据、或不确定某依据是否真实存在时触发。
任何进入"项目事实"的行动，都必须能指向一个权威来源。指不出来，就不许做——停下问人，或明确标注为"假设/未验证"，绝不伪装成事实。
docs/ 下的权威文件（如 AGENTS.md、ARCHITECTURE.md、CONTEXT.md、docs/adr/、docs/contracts/）。这是最高权威。.scratch 里的草稿
在你准备继续提交一个 prompt 时，套上这个
把我说的翻成产品经理跟工程师agent交流的prompt{
<也许是，你的口述，语音输入最佳>
}
| 工具 | 项目数 |
|---|---|
| Codex | 19 |
| Claude Code | 9 |
| Cursor | 7 |
| VS Code | 6 |
| CodeBuddy（腾讯） | 1 |
| CodeGeeX | 1 |
| Lovable | 1 |
| TapTap Maker | 1 |
| Trae（字节） | 1 |
| 模型 | 项目数 |
|---|---|
| GPT | 20 |
| DeepSeek | 11 |
| Claude | 10 |
| Gemini | 7 |
| MiniMax | 6 |
| 豆包（字节） | 5 |
| 智谱 GLM | 3 |
| Kimi（月之暗面） | 2 |
| Grok | 1 |
| 条目 | 项目数 |
|---|---|
| unity | 2 |
| aistuio | 1 |
| MiMo2.5 | 1 |
| open code | 1 |
| OpenClaw | 1 |
| unity-mcp | 1 |
| 反重力 | 1 |
今天撸了个小玩意 —— luma
背景是这样的
有多个服务器，有的在国内，有的在海外，有的在家里
有已备案的域名，用cloudflare的dns
每次上线小垃圾的时候，都要来回倒腾，不然就是用一些成熟的paas（比较费钱，虽然也不是很费钱，但买了服务器空着也是空着）
所以现在有了luma
配置好之后，让你的agent安装luma skill，帮你写部署yaml
只需要：指定一个域名，比如 doc.example.com，指定一个部署的 region
然后 luma depoly 这个 yaml 即可
luma会自动申请证书、修改 dns，然后用对应 region 的 worker 负载它。
还支持 egress，无论是join node时候开启， 还是 yaml 开启，luma会识别并将流量通过代理转发（也就是说你可以配置✈️订阅，然后luma自动把流量给你走机场，cn 域名 -> cn server -> ✈️）
vibe 1 天还很粗糙～
说实话，“必然”这词听着就挺忽悠的。没有哪条法律说AI必须上链，也没有物理定律说区块链必须蹭AI。
但为什么现在一堆人吹？因为俩货正好能互相擦屁股：
AI太吃数据和算力，最后全被大厂捏着。Web3的画饼是：算力、数据、模型都分给社区，别让OpenAI一家爽。
Web3的合约是死的，不能判断“这价格合不合理”。AI可以喂实时行情，让合约变得“懂点事”。
用户给AI喂数据，大厂白嫖。Web3想让你自己卖数据，自己收钱。
Web3的体验烂得像上世纪网银。AI帮你翻译成人话：“我要买一个ETH”，后面自动搞定。
逻辑上挺美，但现实是：
链上跑AI贵到死。现在主流是链下算完了，把结果或证明扔链上。
去中心化又慢又便宜不了，AI要的是又快又贵的大集群。两者本质矛盾。
Web3的人开源信仰拉满，AI那边烧了上亿美元的不可能给你白嫖。
万一AI搞出幺蛾子，谁是责任人？DAO？代码？没人背锅的事监管第一个盯上。
所以大概率不会“合体成一个东西”，而是分层：
脏活累活（训练、推理）放链下
关键证据或Zk证明上链
钱和治理用合约跑
真正能成的场景：数据市场、算力市场、AI生成内容确权、AI辅助的DAO治理。
结论：不是必然，但会在几个小圈子里先跑通。别信“革命”，信具体项目。
Cursor 发布了一份开发者报告，里面有些数据很有意思
挑几个比较重要的点来说：
头部用户的 AI 代码产出、token 消耗、PR 合并量都远高于中位数，而且差距还在扩大。
AI 写代码前读得越来越多，input/output token ratio 大幅上升。真正贵是理解一个代码库和任务。
缓存变得非常重要，如果每次 agent 都从零读上下文，成本会爆炸。这意味着未来 coding agent 的竞争力很可能在上下文缓存、增量理解、长期记忆这些地方。
放权越来越多，手动 diff acceptance 变少，更多 AI 改动直接进入 commit 流程。
PR 变大，工作颗粒度变大，报告里说单个 PR 的新增行数、1000 行以上的大 PR 占比都在上升。副作用是 review、测试、架构边界会更重要。
Cursor (@cursor_ai) on X
Anthropic 今天正式推出 Claude Opus 4.8，这是对前代 Opus 4.7 的重大升级，
立即在 claude.ai、Claude Code 和 Claude API 上可用，
价格保持不变（常规模式：输入 $5/M tokens，输出 $25/M tokens；快速模式更便宜）。
在 Super-Agent、Legal Agent、Online-Mind2Web 等多个基准测试中超越 Opus 4.7 及 GPT-5.5 等竞品，是目前唯一能端到端完成所有 Super-Agent 测试的模型，并在 Legal Agent Benchmark 上首次突破 10% 全通过标准。
工具调用更高效（步骤更少）、判断更可靠、主动发现输入/输出问题，代码缺陷通过率降低至前代的 1/4。
信息密度更大、信噪比更好，长上下文和风格保持能力显著增强。
默认高努力，可选“extra”或“max”应对复杂任务。
支持大规模任务。
支持在消息数组中插入 system prompt，实现中途动态更新。
