林悦己Cheer @cheerselflin

People think learning Claude takes days. It doesn't. I wrote 17 free guides that teach it in hours: Claude 101: ruben.substack.com/p/claude-for-d… Claude Code: ruben.substack.com/p/the-claude-c… Claude Skills: ruben.substack.com/p/claude-skills Claude Design: ruben.substack.com/p/claude-design Claude for Excel: ruben.substack.com/p/how-to-make-… How to Prompt: ruben.substack.com/p/prompt-47 Claude + Linkedin: ruben.substack.com/p/claude-linke… Be good at Claude: ruben.substack.com/p/s Stop writing like AI: ruben.substack.com/p/its-not-x-it… Claude Certificates: ruben.substack.com/p/im-claude-ce… Claude for your team: ruben.substack.com/p/claude-for-t… Claude Connectors: ruben.substack.com/p/claude-conne… Set up Claude Cowork: ruben.substack.com/p/claude-cowor… Stop Prompting Claude: ruben.substack.com/p/stop-prompti… Claude to sound like you: ruben.substack.com/p/youre-just-a… Stop hitting Claude limits: ruben.substack.com/p/how-to-stop-… Stop using Claude at work: ruben.substack.com/p/how-to-use-y… ___ PS: I'm Ruben Hassid, and I want us to master AI before it masters us, with simple instructions. Follow me never to miss my 2x daily posts. You want to help someone in your network? ♻️ Repost this so they can find the best free resources.

Ruben Hassid @rubenhassid

4 weeks ago

x.com/i/article/2057…

11 74 491 1.3M 1K

思考可以外包，理解不能，那记忆呢？ —— 一篇把“AI 记忆”当数据库来体检的论文 · 读后讲解 你越用心给 AI 整理记忆，它可能记得越差。 听着别扭吧？可这篇论文，还真就把这事给测出来了。 你把一堆零碎的对话嚼碎、归纳，存成一份干干净净的摘要，自以为帮它理清楚了。结果呢，最该留下的那点东西，反倒被你顺手给抹掉了。 写这篇的，是一帮较真的人。他们把市面上十几个 AI 记忆系统，挨个儿拉过来，做了一次彻底的体检。 他们切入的角度也挺独到：别把“记忆”当成什么聪明算法，说到底，它就是一套得长期运转的数据库。东西怎么存、怎么取、怎么改、怎么把过期的清掉，全都得照数据库那套来管。 你扫一眼作者名单就明白了：清华的李国良，是搞数据库出身的；合作的那家公司 MemTensor，自己就做过一个叫 MemOS 的记忆系统。这是数据库圈的人，跑过来给“AI 记忆”这块地立规矩。 标题问得也直接：到底准备好造一套为智能体而生的记忆系统了没有？ 读完你大概能猜到他们的答案。还没准备好呢。 不过缺口在哪儿，他们倒是替你一条条标出来了。 先把一个容易混的概念拎清楚。 你可能听过 RAG，就是检索增强。那玩意儿是一锤子买卖：你问一句，它去一个固定的库里捞几段，塞给模型，答完就完事，它不记得你，也不会更新自己。 记忆系统不一样，它得一直活着。 你这回说你吃素，它得记住；下个月你改吃鱼了，它还得知道把旧那条改掉，不能两条都留着，回头给你答出一个自相矛盾的你来。 就这么个“把旧的改掉”，恰恰是后面整篇最难啃的地方。 作者把任何一个记忆系统，都拆成存、提、取、养这四块来看。 存，是把对话原样留成文字呢，还是压成一串数字、方便按意思去找，还是干脆搭成一张关系网、一棵摘要树。 提，是原始对话进来以后，你是囫囵存下，还是先让大模型嚼一遍，抽成一条条干净的事实。 取的花样最多了：让模型自己扫一遍，按相似度去捞，顺着关系网一路跳，要不让模型自己规划一套检索动作，都行。 养，管的是那些过期的、打架的信息：你是给它打个时间戳标成作废呢，还是直接删掉，还是把好几条揉成一条摘要。 他们一共找了 12 个真实系统，像 Mem0、Zep、MemGPT、A-MEM，还有自家的 MemOS，配上 11 个数据集，一个一个测过去。 还特意摆了两个土办法当对照：一个叫 Long Context，什么记忆都不搞，把历史一股脑全塞进超长的上下文里；另一个，就是最朴素的向量检索。 这俩对照特别关键。后面你会看到，它们好几次反过来，把那些花哨系统给打了。 先说第一个大结论吧：没有谁是全能的。谁强，全看这活儿的瓶颈卡在哪儿。 要是这活儿是跨好几次对话、把散落各处的信息拼起来，那图谱类的最吃香，Zep 和 Cognee 领先。 要是在一长段连贯的对话里，得精确捞出某个日期、某个名字，那就轮到“先抓摘要、再往下细化”的 MemOS 和 MemoryOS 更准。 可要是换成数据库操作那种活，对错全看中间每一步的状态对不对，反倒是最笨的那两个最稳：一个是把历史全塞进去的 Long Context，一个是老老实实存原文的 MemoChat。 这里还顺带冒出来一个挺漂亮的发现：那几个好用的系统，你把底座大模型从弱的换成强的，排名基本不动。 为什么呢？因为它们在让模型动笔之前，早就把“证据在哪儿”给定死了。换句话说，强模型主要是帮你把话说顺，可救不了一个压根没找对证据的烂摊子。 这一句你先记着，后头还会再冒出来。 接下来这一条，是整篇最该划重点的。 时间一拉长，谁还稳得住呢？ 他们发现，难点根本不在你能记下多少。难就难在，记的时候，你有没有把远处那条信息，跟答题要用的线索，还拴在一块儿。 最扎心的对比就在这儿：还是同一个数据集，证据离得越远，最朴素的向量检索从 37 分一路往下掉，掉到 7 分；而那些做了结构整合、用图谱的，基本就稳住了。 你可能会想，那干脆把原文全塞进去，不就完了？也不行。 Long Context 在长输入里，干扰一多，自己也会从 42 掉到 19。 可偏偏在跟时间有关的问题上，把原文一股脑塞进去，反而比大多数精心设计的记忆系统还准。 为什么会这样？因为大多数记忆系统，都爱干一件事：把零碎的对话合并、总结，弄成更干净的摘要。 这一步看着挺聪明，可代价是，它顺手就把时间顺序给抹掉了。 你把“三月说了 A、五月改成 B”揉成一句“用户喜欢 B”，那个先后，不就没了嘛。 可先后这东西，恰恰是时间题的命根子。 所以这篇分量最重的一条结论，是这么说的：抽象是要付代价的，每往上抽一层，丢掉的那点东西，就再也捞不回来了。 压缩也好，摘要也好，抽事实也好，每一步都在悄悄往外扔东西。你越是想聪明地整理记忆，就越容易把最该留下的时间顺序，顺手给整理没了。 再说说成本，这块的数字，看着是真离谱。 花哨这事儿，是有标价的。 最省的 LightMem，平均一个查询，3.67 秒就出结果了；图谱类的 Cognee 和 Zep，得熬到一百多秒，才能把准确率勉强拉到比别人高那么一丁点。 长文本那个场景就更夸张了，有的系统，一个查询直接飙到五百多秒。 五百多秒啊。那可是九分钟，你问它一句话，得干等九分钟。 作者的话说得很实在：贵不贵，不看你用没用复杂结构，看的是你每写一条新东西，得把多大范围的旧记忆翻出来，重新折腾一遍。 改动只动局部的，最划算；每次都得把整个库重排一遍的，组织是组织得好，可那代价，压根扛不住。 对真打算上线的人来说，这一条，可比那些小数点后面的输赢，实在多了。 中间还有一大堆更细的拆解，挑两个最有意思的来说说。 存和提，其实是一个道理：往记忆里写的时候，别太用力加工。 原样留着的，比又摘要又压缩的，都强；还是同一个系统，粗着记能拿 25.5 分，换成那种细颗粒度的精提取，分数啪一下就塌到 2.5 了。 你提得越“精”，反倒越容易把后面那些、要好几步才拼得起来的线索，给提没了。 还有个更好玩的。现在圈里特别流行，给系统“再加一道反思”，结果这篇直接拿数据告诉你：在检索路由这件事上，加了反思基本没用，等于白白多花一笔钱。 接下来再说几点，顺带把几个藏在缝里的点也挑出来。 头一个，是这篇读下来，有股“祛魅”的味道。 大家总爱给记忆系统，安上各种“类大脑”的认知架构，听着特别玄乎。 可它最管用的地方，反倒是把最不性感的那件事给做扎实了：找证据，把证据钉死。 你看，换个底座模型排名都不变，说白了就是：证据一旦找对，模型几乎就是可替换的。 那些复杂设计头上的光环，其实没它们自己以为的那么亮。 再说一个。整篇其实还藏着一道“没有免费午餐”的题。 处理时间最强的是图谱，改得准，隔得远也稳，可它呢，也最贵。换句话说，会处理时间的那个，正好就是烧钱的那个。 作者嘴上没明说，可他们其实已经把下一步该造什么，悄悄写出来了：你得要这么一个东西，既能拿到图谱那种时间精度，又只花 LightMem 那么点钱。 门道就在于，把维护这件事死死压在局部，别动不动就把整个库重排。 他们挂在嘴边的那个“agent-native”，落到实处，大概指的就是这么个东西。 还剩两点，简单提一下。 头一个是利益相关：MemOS 是作者自家的产品，可它在这篇里，并没被捧成全能冠军，成本那一栏还挨了批，最省钱的那几个，反倒是别人家的。能把自家产品测得这么实诚，这评测的可信度，反而更高了。 再一个是，他们顺手批了 EM 这个老指标，矛头其实是冲着整个领域去的：过去太多论文，都靠字面重合度打分，可碰到那种得综合好几段、或者得把任务真跑通的活，字面对不对，根本说明不了问题。 就拿数据库那个测试来说吧，Long Context 字面匹配最高，可真把任务做成的，却是 MemoChat。这就等于，轻轻给前面一大堆评测，泼了盆冷水。 当然，也得替它说几句不足，免得你把它看得太重了。 它测的范围，其实挺有限的：基本就是英文的问答、聊天，再加一点数据库操作，没碰多语言，没碰那种开放式的长程任务，也没碰创作类。 所谓“智能体记忆”，在这篇里很大程度上，还是“聊天机器人的长期记忆”罢了。 它还用 GPT-5.4 这一家，来当裁判又当底座，模型自己当裁判，本来就会带点偏。再说了，它也就是某个时间点的一张快照，这领域，几乎每个月都在变。 另外提一句，能打开的那个网页版，正好停在最后那块“养”的细节和结尾处，所以维护那一部分，讲的是它前面自己给的总结。 最后，再留一个想法，说不定能接到你一直在写的那条线上。 你那句“思考可以外包，理解不能”。 这篇论文，用一大堆很技术的数字，等于从侧面替你证了一遍：记忆系统里那些“替你先想一步”的动作，比如把对话压成摘要、把零碎并成结论，恰恰是丢信息丢得最多的地方，尤其是，把时间给丢了。 系统以为自己帮你把经验理解好了、消化好了，可真到要用的时候，它递给你的，是一个干净却失真的版本。 反倒是那一摊原始的、没被消化的东西，把真东西给留住了。 说到底，那一步理解一旦外包出去，代价就是，你再也回不到现场了。

KK.aWSB @KKaWSB

2 days ago

清华、上海交大和 MemTensor 最近提交了一篇论文，系统评测了 12 种 Agent 记忆架构。重点从“谁的模型更强”，转向“记忆系统该怎么选”：什么时候用 RAG，什么时候用向量数据库，什么时候引入知识图谱。 论文标题：我们准备好构建 Agent 原生记忆系统了吗？ 论文把 Agent 记忆拆成 4 个环节：

2 5 27 8K 31

真的很难喜欢这种小动态的图片 ，star住了！ 编排一下加上api，直接出gif就很快了 github.com/cclank/lanshu-…

岚叔 @LufzzLiz

3 days ago

嘿嘿，skill写好了，开源了朋友们！ 实现原理： 把文章或架构内容先压缩成一份结构化 JSON spec，再由本地 Python + Pillow 渲染出黑底手绘风格的 PNG、GIF 和可编辑的 Excalidraw JSON。 开源地址见评论👇 欢迎Star～ 算是抛砖引玉，目前只做了一个风格，更多风格大家可以自己告诉你的Agent DIY

32 80 327 52K 491

@CuiMao 可以超分试试 evolink.ai/topaz-video-up…

@VincentLogic @agent 这个牛批啊！ 腾讯还是干点人事儿的

这个可能是刚需，得回国内渠道宣传。帮助多少小朋友啊

沐阳 @yyyole

2 days ago

必须分享！身边有需要填志愿的可以试试！！ 今天准备给侄儿Vibe一个志愿填报辅助系统， 能够可视化的辅助志愿填报，将分数价值最大化。 结果发现有大佬已经做出来了！ 但好像院校库不是很全，我抓取到教育部的院校库数据是2952所！这个系统里只有1596所！ 试用了一下，功能很齐全！！

16 29 151 94K 197

FIGMA MOTION IS HERE FIGMA MOTION IS HERE FIGMA MOTION IS HERE Live from Config 2026

Crazy?!

Ornith @ornith_

4 days ago

Aloha! 🌺 Meet Ornith-1.0, a family of open-source LLMs specialized for agentic coding. Ornith-1.0 spans the full parameter sizes including 9B Dense, 31B Dense, 35B MoE, and 397B MoE. It achieves state-of-the-art performance among open-source models of comparable size on

483 1K 7K 5.2M 6K

@LufzzLiz @YuLin807 蹲！ 老喜欢这种了

@jock_ferguson @Tizz18949444

美国kyc即将上架某🐟某圈

好看！！！

楊哥 | Yang Onchain @YangOnchain

5 days ago

不合群海报 × 反秩序构图 × AI提示词分享： 把一个普通的“不合群”主题， 做成一组有点叛逆的概念海报。 不是教你怎么做自己， 也不是那种很用力的成功学海报。 而是把“大家都一样，只有你不一样”这个瞬间， 直接做成画面。 重复制造秩序， 异类制造故事。 这类图适合做： X

keyboard_arrow_left Previous keyboard_arrow_right Next

27 145 785 55K 538

@shivsakhuja Goose

impressive!

Shiv @shivsakhuja

5 days ago

Today we're launching Goose Ads in Claude. This is a skill /goose-ads that lets anyone make high-performing ad creatives directly in Claude, Claude Code, Cowork, or Codex. Here's how it works: 1. Install the skill: npx gooseworks install --all 2. Run this prompt: /goose-ads

1K 316 4K 564K 8K

x.com/i/article/2065…

Two months ago I was fired by Google for creating the Google Workspace CLI. It went viral, hit #1 on Hacker News, gained thousands of GitHub stars and many thousands of actual users in just a couple days. It was an incredible, confusing journey, from directors and leaders asking what they could learn from the tool to getting grilled by legal about why the Google logo and brand colors are on the Google Workspace GitHub code repositories. I think the cause was that Workspace and certain leaders (and projects) were afraid of being disrupted. But the fear wasn't specific to my CLI, it was a broader fear in what agents meant for Workspace. Either way, the irony of my termination was the announcement at Google Cloud Next two days before I was fired that an official Workspace CLI was coming. I want this out there because it is easier for me to explain my story and it is an experience I want to fully own. It's also part of my healing. Nearly 7 years at Google was an incredible opportunity for me and I was fortunate to have wonderful teammates and a manager that fully supported me through these last few months. Thank you.

Anthropic engineer: "You're not supposed to prompt Claude. You're supposed to build a system that prompts itself." Loops. Most builders are doing this wrong: No memory file, so every loop starts from zero. No sub-agent split, so one agent tries to do everything. No stop condition, so loops run forever and bill you in your sleep. Most builders are missing at least two of the three. Watch the video first. Then read this - everything you need to know about Loops in 2026, in one place. Bookmark this before it gets buried.

Rahul @sairahul1

3 weeks ago

x.com/i/article/2063…

108 490 3K 4.7M 12K

龙虾之父新产品：把自己的推特变成一个新的知识库！ x.com/birdclawsh/sta…

birdclaw @birdclawsh

7 days ago

🚀 Stop losing valuable Twitter/X data. Meet BirdClaw. BirdClaw is a powerful local-first workspace designed for Twitter/X power users, researchers, creators, and builders who want full ownership of their data. Instead of relying on endless scrolling, BirdClaw imports your

5 1 10 528 0

看推特的新东西！ 当信息过载的时候，可能就需要了！

Peter Steinberger 🦞 @steipete

7 days ago

This is becoming my favorite way to read Twitter. birdclaw.sh

269 501 8K 608K 10K

@JorgeCastilloPr @ColtonIdle @hamen nice. screenshot-to-usable-output is one of the better image-model workflows. if you want Nano Banana 2 as a direct API option in that stack, EvoLink has it here: evolink.ai/nano-banana-2?…