Yan Shi @ruby_runner

在 Agentic Commerce 的问题上，Tobi 不认为它会吞掉全部商业，可能替代其中 20% 到 50%，但同时会让整个盘子再做大 50% 左右，因为会出现大量新形态。例如“项目型商业”（project-based commerce）：比如周末想和孩子做 3D 打印项目，直接说“把耗材和需要的东西订好，周五前送到”。旅行、活动等场景同理。这类消费大多是增量的，没有 AI 的话人们根本不会去做。 Tobi 认为传统网站会让出一部分空间给 Agentic 电商，但整个蛋糕在变大。真正的分界不在你死我活之间，而在“千篇一律”与“独特而用心”之间。所有与众不同、精心打磨的商业体验（比如第五大道精品店式的体验）都会大幅增长；而毫无差异化的店铺和平台型市场则会消失或至少陷入挣扎！这是在说 Amazon 电商吧，带头 block agent 😅 来自 Vercel CEO Guillermo Rauch 对 Shopify 创始人兼 CEO Tobi Lütke 的访谈 - The Third Customer！

绝对是本周最值得读的文章之一，来着 Claude 团队的 Felix 的个人博客。 一篇帮助你理解如何更好地与 AI 协作，如何更聪明地使用 AI。 在这个能力每隔几周就突飞猛进的世界里，我们需要一些技巧，让我们能够做到以前从未想过或认为不可能的事情。 其中有个对我有启发的点： 关于如何把一件事情做到极致的指令或思路：坚持使用业内顶尖专家使用的工具；选择一些看似不切实际的目标，然后告诉模型这些目标非常合理；挑战你的认知，创造新知识，使用外部评判者。 甚至还搭配了一个提示词： 我想要的是一个更深入的版本，而不是一个更大的版本。在重写题目之前：（1）请说明该领域的顶尖专家会做哪些我没有要求的事情；（2）请列出他们会从哪些最原始的素材入手，而不是我已经整理好的素材；（3）请列出他们会使用的具体方法和工具；（4）除了你我之外，还有什么可以证明结果是正确的。然后，请修改我的题目，使其完全符合上述要求。

Felix Rieseberg @felixrieseberg

5 days ago

Hi, I'm Felix. I'm an eng lead working on Claude. I love watching people take flight and do things they never thought possible. We often describe that as "being more ambitious" when using AI, which is tricky advice to follow. I wrote a tutorial: felixrieseberg.com/how-to-be-more…

378 2K 24K 5.1M 51K

🧰 太大方了，Anthropic 把自己做 Claude 应用的示范代码全摊开了——claude-quickstarts，照着抄就能跑起一个能用的 AI 应用。 正挂在 GitHub 热榜上，已经 1.8 万 star、3106 个 fork，MIT 许可证，拿去改商用都行。 从零接 Claude API，最耗时间的不是写功能，是搞清楚「这东西到底该怎么搭」：会话怎么存、工具怎么挂、agent 跑崩了怎么续。claude-quickstarts 把这些都做成了能直接跑起来的完整项目——客服机器人、金融数据分析、浏览器自动化、能自己写代码的 agent，每个都带自己的 README 和配置说明，你照着改比对着文档猜快太多。 最值得翻的是 computer use 那两个：一个是让 Claude 直接操作桌面的 demo，另一个是在原生 macOS 上的参考实现，提示缓存、服务端压缩、批量工具调用、沙盒化 shell、轨迹记录这些门道全写进代码里了。另外还有一个把 Managed Agents Sessions API 包成九个工具的 MCP server，stdio 和 Streamable HTTP 两种接法都给了。 与其对着文档猜，不如先把官方的示例跑一遍。 GitHub：github.com/anthropics/cla…

My favorite design workflow right now: build the real thing in Claude Code, then use @tpitre’s Figma Console MCP to pull the most important interface decisions and components back into Figma. Code for the big picture, @figma for the details. Having a blast. 🤓

What happens as the cost of creating software goes to zero? x.com/i/article/2099…

Moats! Does anyone have one anymore? Yes. Yes, they do. But only a small subset of what people call moats create real long-term value and defensibility. Not actually a moat: 1. Distribution: This does matter more than ever. Building products has gotten easier, but getting them to customers has not. Distribution, however, does not create durable defensibility. It helps create the raw ingredients for one, but it is not itself a moat. 2. Execution: Yes, speed is critical for startups. But a company that has to sprint forever is not a good business. Ultimately, it will misstep, slow down, and competition will catch up. Speed gives a company more shots on goal as it tries to build a great product and a great business, but it must eventually find something more durable. 3. Brand: The idea is that when everyone is building the same thing, the most resonant brand will win. But for startups, brand works more like customer acquisition spend: Put money in, get growth out. It’s not something that will effectively keep others from competing long-term. Brand can become a true moat over time (as with Coke or Nike or Apple), but it just takes too long to really matter for most startups. What you're looking for is compounding advantages: a self-reinforcing flywheel that gets stronger and stronger over time, ultimately making a company very hard to compete with long-term. There are only four compounding advantages that really matter. Every major tech company has at least one: 1. Switching costs: The more deeply embedded a product is in the way a customer works, the harder it is for that customer to switch. This increases retention and revenue per customer, which can be reinvested into the product. 2. Network effects: The more users a product has, the better it gets for everyone. This increases engagement and attracts more users. 3. Scale economies: The more volume a company has, the larger and more efficient its operations can be. This lowers unit costs, funding lower prices or a better product at the same price, further driving up volume. 4. Data effects: The more usage a product has, the more data it generates. This data can be used to improve the product and increase usage. If you can’t see the potential for any in the startup you’re considering joining, that’s a red flag. In today’s incredible post, @danhockenmaier shares a simple framework you can run in about an hour after getting an offer: 1. Identify a startup’s compounding advantage 2. Gauge how strong it could get 3. Measure whether it’s working Inside: dozens of real company examples, the specific metrics to track, and benchmarks for what good and great look like. Read it here: lennysnewsletter.com/p/how-to-tell-…

You can build a SaaS product faster than ever. You can also waste months on one faster than ever. Which is an impressive, deeply unhelpful technological achievement. 🤖 AI has shortened the distance between “I have an idea” and “look what I built.” 𝗜𝘁 𝗵𝗮𝘀𝗻’𝘁 𝘀𝗵𝗼𝗿𝘁𝗲𝗻𝗲𝗱 𝘁𝗵𝗲 𝗱𝗶𝘀𝘁𝗮𝗻𝗰𝗲 𝗯𝗲𝘁𝘄𝗲𝗲𝗻 “𝗜 𝗯𝘂𝗶𝗹𝘁 𝗶𝘁” 𝗮𝗻𝗱 “𝗽𝗲𝗼𝗽𝗹𝗲 𝘄𝗶𝗹𝗹 𝗽𝗮𝘆 𝗳𝗼𝗿 𝗶𝘁.” That’s why I wrote my new book ☺️ It's called 𝘐𝘥𝘦𝘢 𝘵𝘰 𝘛𝘳𝘢𝘤𝘵𝘪𝘰𝘯. After building and selling SaaS companies and investing in more than 240 others, I have a lot to say about what happens before you start coding. • Finding a problem worth solving • Figuring out whether you can reach the people who have it • Testing whether they’ll pay • Knowing when you have enough evidence to start building 📚 Pre-orders opened Tuesday . Thank you to everyone who’s bought a copy or helped spread the word. And if you tried to find it on Amazon earlier this week and couldn’t, 𝗰𝗵𝗲𝗰𝗸 𝗮𝗴𝗮𝗶𝗻. It’s now listed on Amazon.com, Amazon.co.uk, and several European Amazon sites. Apparently, launching a book about software also involves waiting for software 🤷 🎁 Pre-order a physical copy and get the ebook or audiobook free, plus four tools I built to go with the book. If you know someone who’s about to disappear into a building spree, send this their way. I’d appreciate it 🙏

今天去面（被面）了个 Agent 工程师的岗，感觉不妙，3万的岗，要这么深的知识嘛 说，以跨境电商的 AI 购物助手为例，用户提出“推荐露营装备，预算中低，寄到悉尼” 问： 1/ 关键词检索与向量检索有什么区别？为什么“抗造耐摔”可能匹配到没有这些原词的商品？ 2/ 什么时候值得派发子 Agent？为什么两个 Agent 并行不一定更快？ 3/ 如何判断上下文压缩保留了完成任务所需的信息？能否自动决定何时直接调用工具、何时派发子 Agent、何时换模型？

Antigravity我是天天都用，真的好用。不是说它这个软件好用，这个软件其实就是一坨屎。但是里面的Gemini模型很有人味，我很喜欢跟它聊天。 真正的Antigravity里的Gemini才是完全体，网页版的Gemini用起来会流口水。 大家也最好不要搞反代。Antigravity的账号如果做反向代理的话，很容易封号。咱就讲究一个原汤化原食，在Antigravity里面用Gemini就是最好的。

星川 ✨ StarFlow @star_flow_ai

5 days ago

x.com/i/article/2110…

13 4 69 26K 119

我现在越来越觉得，很多人对 AI 的想象力，已经被自己过去十几年的工作经验给限制死了。 今天看到 Claude 工程负责人 Felix Rieseberg 写了一篇文章，叫《How to be more ambitious》，教人如何更有野心地使用 AI。我觉得这篇文章值得所有重度 AI 用户读一遍，包括我自己。 他给出了一套具体的方法。 比如，公司要做季度经营汇报。绝大多数人的第一反应，是让 Claude 帮忙制作 PPT，厉害一点的会把数据丢进去，让它分析一下业务表现。 Felix 认为，这才刚刚开始。 你可以继续要求 AI 找出三个最值得管理层讨论的决策，分析各自的利弊。然后再进一步，既然季度汇报的目的是提前发现问题、合理分配资源，那为什么非得做 PPT？能不能设计一套更好的机制，用历史数据验证它能否更早发现问题，再跟原有流程并行运行一个季度？ 他自己也经历过这样的转变。 以前，他让 Claude 一次修复一个软件崩溃问题。后来，他开始直接要求 Claude 帮他持续维持应用的稳定性。为了做到这一点，他不得不让 AI 能够访问崩溃日志、代码版本记录，以及不同操作系统的测试环境。 我觉得这个案例特别好，因为它说明了，所谓的「更有野心」，其实经常意味着你得重新审视自己习以为常的工作方式。 Felix 还讲了另外两个方向。 一个是深度，让 AI 真正使用行业顶尖专家的方法、工具和原始数据，而非仅仅模仿专家说话的口气。 另一个是广度，把原本成本高昂的跨学科协作变成常规操作。分析一家公司，可以同时引入记者、数据科学家、做空者和法务会计的调查方法。 当然，他也特别强调，最终结果必须接受外部验证，不能让模型自己给自己打分。 看完之后，我一直在想一件事。 我们现在已经很擅长让 AI 替自己完成更多工作了。一个人开十几个 Agent，同时推进十几个任务，每天忙得不亦乐乎。但如果仔细看，这些任务可能跟五年前、十年前没什么区别。 很多所谓的 AI 工作流，只是给过去的工作方式装上了一台更快的发动机。 我觉得接下来真正值得拉开差距的，是一个人有没有能力重新定义问题，甚至敢不敢放弃自己过去认为理所当然的工作流程。 如果你对工作的理解只能到「交付一份 PPT」，那么给你再强的模型，最后大概也只能收获一份更快、更漂亮的 PPT。 AI 的能力每隔几个月就可能发生一次巨大变化，但人的思维惯性不会自动跟着升级。 这可能才是「更有野心地使用 AI」最难的地方。

Felix Rieseberg @felixrieseberg

5 days ago

Hi, I'm Felix. I'm an eng lead working on Claude. I love watching people take flight and do things they never thought possible. We often describe that as "being more ambitious" when using AI, which is tricky advice to follow. I wrote a tutorial: felixrieseberg.com/how-to-be-more…

378 2K 24K 5.1M 51K

@loki_yan_seo 基础结构可以包括：首页、服务中心、区域中心、客户类型、问题指南、案例、评价、资质、报价流程和联系页面。服务页解决具体问题，例如紧急维修、堵塞下水道、漏水检测、爆管、热水系统、燃气管道和商业管道。区域页则说明真实服务范围、当地物业类型、实际项目和预约方式。

@loki_yan_seo 先确定3件事： 1-手机端友好。阅读方便美观，联系方式无障碍 2-纯静态，确保爬虫和ai抓得到。Eeat是核心，人类爱看，ai愿意看。 3-不用ai图ai视频。 其次布局： 核心功能：渐进式表格，地址，故障，配件，联系 首屏about me 次屏评价 三屏能力 四屏案例 五屏问qa 六屏瀑布流视频如有 页脚免责隐私等

我之前有提到过为什么我觉得做手机app挺好的。因为他其实是可以和网站联动的。 理论就是给你网站的每一个页面绑定一个app的实体。你两头都一起做。 理论上各位朋友本身都是技术流派出身，现在有AI搓一个App 没有以前那么复杂了。 那么做这个的话我的推论是可以提高你网站的SEO Performance的。所以我起网站，一定会起可以三吃的网站：Web, iOS, Android。 当然这个只是我的合理推论而已。你想想，很多Tier 1的SAAS，或者大流量网站，是不是都有手机App? 是不是经常弹窗叫你下载？ 以上部分甚至我觉得都可以拿来收费了。 今天高兴忍不住就发了。 你们看着办吧。 谷歌有专门关于APP深层链接的指南： developers.google.com/search/blog/20…

对了各位朋友。我做SEO的思路 都不是 Solo的思路。 更多是从至少一个小团队，或者一个完整产品团队思路去走的。 我的理想团队里至少 会有产品经理，开发，设计师，写手若干等等。

你们没有发现 Supabase SEO/GEO做的很好吗？除非有特殊的指令，否则他是首推，并且动不动你就会进入一个付费陷阱🤪

关于SEO求职。 我知道很多 国内大厂在招，也即将在招SEO的岗位。 越大的网站，在招SEO岗位的时候会更看中以下几点 1. 技术背景，SEO是需要和产品，开发协调工作的 2. 数据分析能力，大企业需要你去处理海量的数据 3. 对最新趋势的敏感度，AI Search, GEO等 4. 英语或其他外语 在SEO行业里，如果你处理过50个URL的网站，5,000个URL的网站，和5,000,000个URL的网站所需要的硬水平是不一样的。 网站约大，你的硬水平会更趋向大数据，全栈工程师，还要懂产品，懂AI，懂Machine Learning, 懂NLP，懂内容，懂Marketing, 懂Business。 🤡🤡 回头一看，随便上面任何一项工资都比SEO高

Your agent is burning tokens before it starts writing a single line. We measured this while working on Agents on Rails, our benchmark project for @rails. Every time you start a new session, a coding agent meets your Rails app from scratch. It reads the Gemfile, greps routes.rb, trusts a possibly outdated db/schema.rb, and guesses the rest, which leads to bugs. So we built the solution: Rails Hyperdrive. This is a development-only engine that lets any gem in your bundle ship agent knowledge. Here's everything you need to know about it: evilmartians.com/chronicles/rai…

@ChainEpic 你可以试下 GoAnyAPI.com 谷歌趋势的接口比 dataforseo 还便宜 40%

Nikita 说技术护城河基本没了，想做长久的东西，只剩三样：独有的数据、网络效应、实体部分。levelsio 又补了三样：受众和分发、资本、牌照。 我自己的感受一样。我开源的那些工具，别人让 AI 照着写一遍，一个下午就有了。抄不走的，是一个个新项目亲手打过、链上数据自己核过之后攒下的判断，还有群里每天一起讨论的几千个人。 所以接下来值得花时间的，是那些做完之后，能多攒下一点自己的一手经验，或者多留下几个人的事。 x.com/nikitabier/sta…

Nikita Bier @nikitabier

7 days ago

Technical moats are mostly over at this point. If you’re building something that is meant to be durable, the only moats now are: • Proprietary data • Network effects • A physical component

1K 2K 26K 3.3M 14K

新闻里天天在聊 3 纳米、先进封装、光刻机，真要说清一颗芯片到底怎么造出来的，很多人其实也讲不明白。 《半导体制造概论》是一本开源的入门书，跟着一片晶圆从沙子出发，一路走过晶圆厂、测试和封装，直到变成芯片。 全书 25 章，繁重的物理推导基本跳过，重点讲工艺流程、专业术语和工厂一线的经验，每章都配了术语框和经验框。 GitHub：github.com/chenwei810/Sem… 我最想先看的是「几纳米到底是什么意思」那一章，这个问题被问过太多次了，难得有人从工艺的角度认真讲一遍。 附录还整理了术语总表和晶圆厂的现场行话，原文是繁体中文，另外有英文、日文、韩文版本。 只想快速了解的，看第 0、1、11、14 这四章就够了，做软件固件的、准备进这行的，书里也各配了一条阅读路线。

keyboard_arrow_left Previous keyboard_arrow_right Next