Manus 是一个通用目的 AI 代理（General-Purpose AI Agent），它能够在完整的沙盒环境中运行]]>
Manus 是一个通用目的 AI 代理（General-Purpose AI Agent），它能够在完整的沙盒环境中运行]]>
]]>
最近几个月，几个产品让我眼前一亮：Gemini Deep Research、Manus Wide Research，还有 OpenAI 的 Deep Research。它们都在做同一件事——让 AI 具备真正的"研究能力"。
这事儿得从"上下文窗口陷阱"说起。
]]>
本来想写拆解Manus沙箱的文章，结果Manus官方自己写了 :)
了解 Manus Sandbox - 您的云计算机
正如 Manus 名称的出处"Mens et Manus"（Mind and Hand）所说的，Manus 希望让 AI 模型不仅只是思考，更可以帮你做出行动。而在我们给 AI 模型赋予的"手"中，最强大的莫过于一台真正的云计算机 —— Manus Sandbox。
]]>In 2025, several AI coding assistants have been released, which can be accessed directly from the terminal. Codex CLI, Gemini CLI, and Claude Code are some of the popular names that embed large language models into command-line workflows. These programming tools that can generate and fix code via natural language prompts are truly incredible. We document our evaluation of all three of these across different tasks to determine which is most useful.
Each assistant is based on a sophisticated AI model like o4-mini, Gemini 2.5 Pro, or Claude Sonnet 4 to enhance productivity. We place each one in the same environment and test them with specific metrics on realistic programming tasks. Varying from web development to data analysis, through this, we aim to make the strengths of each agent clear!
The command line is quickly becoming a battleground for the next generation of AI coding assistants. Companies, including OpenAI, Google, and Anthropic, have released advanced CLI-based AI coding assistants, each with very powerful and impressive capabilities directly into the terminal. But what are the differences, and which is best for your workflow? Let’s go over the tools.
]]>每款助手都基于先进的 AI 模型，如 o4-mini、Gemini 2.5 Pro 或 Claude Sonnet 4，旨在提高生产力。我们将它们放置在相同的环境中，并通过特定的指标在真实的编程任务中对它们进行测试。这些任务涵盖了从 Web 开发到 数据分析等多个领域，通过此评估，我们旨在清晰地展现每款助手的优势！
]]>上周我介绍了goskills, 支持在常见的LLM 中集成Claude Skills的能力。没两天百度厂内的同学就基于它做了提效的工具，自动为批量的表结构按照特定的要求创建创建“建表SQL”： 类似cat user.data | goskills。
这激发了我的灵感，当初做这个工具的时候我还没想到可以这么简化调用Claude Skills，这促使我进一步优化这个工具，产品化并发布v0.1.3版本，更方便下载使用。
基本上，下载后在命令行中只需执行一句./goskills run --auto-approve --model deepseek-v3 --api-base https://qianfan.baidubce.com/v2 "使用markitdown 工具解析网页 https://baike.baidu.com/item/%E5%AD%94%E5%AD%90/1584", 就可以调用markitdown这个Skill将百度百科上关于孔子的网页转换成markdown格式：
所以你只需在程序中调用goskills run --auto-approve your_prompt 即可。文章后面我附上各种编程语言的示例。
Claude 的各种应用(desktop、code cli、claude.ai等)现在可以使用 “Skills” 来改进其执行特定任务的方式。“Skills”是包含指令、脚本和资源的文件夹，Claude 应用可以根据需要加载这些文件夹。
Claude 应用只会在Skill与当前任务相关时才会使用该Skill。使用Skill后，克劳德可以更高效地完成特定任务，例如使用 Excel 或操作pdf。
在执行任务时，Claude 应用会扫描可用Skill以查找相关匹配项。找到匹配项后，它只会加载所需的最少信息和文件——既保证了Claude的运行速度，又能让他快速获取专业知识。
Skills 功能强大：
下面是官方的一些资源：
除了官方的示例技能，很快又一群网友开发和整理了一批Claude资源，比如：
Claude 官方对SKILL的规范描述的比较清楚了，但是对于LLM 怎么使用SKILLs并没有一个详细的描述，这对于其他大语言模型使用SKILLs带来了很大的挑战。现在你看网上所有的关于Claude Skills讨论都是基于Claude 的各种应用的，鲜有openai、qwen、deepseek如何使用SKILLs的资料。考虑到 Claude官方对中国的敌意，以及在国内也很少能够购买Claude会员和使用Claude应用，我们对其他大语言模型使用SKILLs的研究还是很有意义的。
少有的几篇资料，从外部的视角分析Claude如何调用SKILLs的：
作为对SKILLs在其他大语言模型的探索，我实现了一个Claude SKILL的Go语言库，它提供了下面的功能：
接下来我就详细介绍这个库的功能。 库地址： https://github.com/smallnest/goskills
]]>langchain 本身就很方便的集成进程内的工具，但是加上 MCP的功能，就如虎添翼，可以充分利用网上上万的MCP的服务。
langchain 自从上个月融资了1.25亿美元之后，资金充足，也更加有动力推进产品的演化，相继发布了langchain/langgraph 1.0的版本。 langchain 1.0中统一了agent的创建，使用create_agent代替之前的create_tool_calling_agent、create_react_agent、create_json_agent、create_xml_agent等。
这篇文章介绍 2（MCP的两种模式sse、stdio） x 2 (经典的langchain agent和1.0最新版create_agent两个模式)一共4个例子，介绍了langchain如何使用MCP 工具丰富其功能。
]]>write() 到 recv() 的实用导览。
你运行了 curl http://example.com，现在在终端里得到了一些 HTML，但实际上发生了什么？Linux 会让你的字节经过一套明确的步骤：选定一条路径，查找邻居的 MAC 地址，把包放在，请求网卡发送，然后在另一端执行反向的操作。
这篇文章尽量简单地解释这条路。如果你用过 Linux，运行过 curl，或者试过 ip addr，你完全有能够读懂这篇文章。不需要多么高深的背景。
注意：当我在这篇文章中说“内核”时，我实际上指的是“Linux 内核及其网络栈”，即内核中运行并移动数据包的部分。
]]>.env 文件加载环境变量到应用程序中 1 。它是 Ruby dotenv 项目的 Go 移植版本 1 。
]]>
`
]]>
根据国际能源署，数据中心电力消耗预计到 2030 年将增加一倍以上，达到约 945 太瓦时。 以这个数据为背景，这超过了大多数国家。 例如，德国在 2024 年大约产生了 431.7 太瓦时的电力。
sync 包是其并发编程模型的基石，提供了实现同步和并发控制的关键原语。在过去的两年里（大约从 Go 1.19 到 1.25），sync 包及其子包 sync/atomic 经历了一系列重要的演进。这些变化不仅包括新功能的增加，还涉及性能优化、内部实现的重构以及开发者体验的显著提升。
本文基于 Go 语言官方仓库的 Git 提交历史，对 sync 包近两年的主要变化进行总结。
例如，《红楼梦》全书篇幅巨大，如果我们想让一个语言模型（比如 DeepSeek-V3.2-Exp）记住书里的所有细节，并在读到某个句子时能立刻回想起所有相关信息，效率是个大问题。
]]>