86-account seed digest: Claude Code background agents, OpenClaw blowback, and India leak chatter — June 30

In the next version of Claude Code: subagents run in the background by default, so you can keep talking to Claude while your subagents work If you want your agent to run in the foreground, just tell Claude

开源项目推荐：Claude Code From Scratch 这是一本学习 Claude Code 的开源电子书，严格来说不仅仅是电子书，还有代码，不需要你去看 Claude Code 的 50 万行代码。 用 ~4300 行代码（TypeScript 和 Python 两个版本分别实现）复现了 Claude Code 的核心架构——Agent Loop、13 个工具（含并行执行 + 流式早期启动）、4 层上下文压缩、语义记忆召回、技能系统、多 Agent、MCP 集成……每一步都对照真实源码讲解它怎么做的 → 我们怎么简化的。 有 13 章内容，每一章都是一份分步教程，跟着动手写几千行代码，快速理解 Claude Code 这样最好用的 coding agent 的精髓。 读完你就能大致理解了 coding agent 的工作原理，我跟着快速浏览了下都有了些新的收获，推荐有兴趣的可以看看。 有中英文版： https://t.co/x2F11US2g0

Q：我们公司有十几个微服务，现在想让开发用 AI Agent 来做系统设计和编码。问题是一个 user story 经常需要多个微服务协作，Agent 必须了解每个服务的职责边界和业务概念才能做出合理的设计。我们打算把所有微服务放到一个 workspace 下，每个服务配上自己的文档，让 AI 自己去处理。这种方式合理吗？有没有更好的实践？ A：用好 Agent 的关键是两点：上下文的质量，和验证的闭环。 先说上下文质量。 放在一个 workspace 下是目前社区比较推荐的做法。 monorepo 天然适合和 AI 配合，因为 Agent 可以在一个地方同时看到 schema 定义、API 协议、各个服务的实现代码。如果因为历史原因确实不方便合成 monorepo，有个折中方案叫虚拟 monorepo，就是把多个仓库 clone 到同一个本地目录下。 除了放在一起，文档也是很好的让Agent获取上下文的方式，最好给 Agent 一张地图，加上按需加载： 1. 根目录放一份总的 AGENTS.md(或 CLAUDE.md)当索引用，列清楚有哪些服务、各自负责什么、要改某个服务就去读它目录下的文档。 2. 每个微服务自己目录里再放一份,写清自己的职责边界和业务概念,这其实就是 DDD 里的 bounded context。 3. 让 Agent 先看根索引，定位到相关的那几个服务，再去加载它们的细节。 不过要注意文档要及时更新，尤其是微服务协议变更了，一定要及时更新文档，否则会误导。 能从代码或规格自动生成的，就别手写。手写文档迟早会和代码对不上，而像 OpenAPI 这种机器可读的接口规格，一份东西既是文档，又能拿去生成 mock 和测试。 除了文档，还有一个很多人忽略的上下文来源：协议测试代码。高质量的 contract test 本身就是最准确的活文档，它精确地描述了服务之间实际的交互协议，比人写的文档更不容易过时，因为错了测试就无法通过。你如果已经有 OpenAPI spec 或者 Pact 契约文件，这些对 Agent 理解服务边界非常有价值。 再说验证。微服务场景下验证是最麻烦的部分，因为一个 user story 可能涉及好几个服务协作，你不可能让 Agent 每改一行代码就把整个系统跑起来做端到端测试。 一个实用的思路是：每个微服务提供 mock server 或者基于 OpenAPI spec 自动生成的模拟服务。Agent 写完代码后可以在本地跑 contract test 验证自己的改动有没有破坏和其他服务的协议约定，不需要依赖线上真实的 API 或者完整的集成环境。这样 Agent 就能形成一个“写代码→跑测试→自我修正”的闭环，不需要人在过程中频繁干预。 想再进一步,建议了解一下契约测试(consumer-driven contract testing，常用工具是 Pact)。思路是调用方把自己实际用到的接口形状记下来，生成一个契约文件，被调方再去验证自己能不能满足这个契约。 简单说：workspace 统一提供全局视图，分层文档 + 协议测试提供精准上下文，mock server + contract test 提供验证闭环。这三层搭好，Agent 处理跨微服务的系统设计就比较靠谱了。 一些参考资料 1. Anthropic 的 Effective context engineering for AI agents，讲怎么把上下文当稀缺资源来经营、按需加载: https://t.co/xhbtymgYjL 2. Anthropic 的 Effective harnesses for long-running agents，讲长任务里怎么给 Agent 搭脚手架(比如用进度文件加 git 记录跨上下文窗口接力)： https://t.co/tERUGrV9wC 3. 怎么在 monorepo 里组织 AGENTS.md 给 Agent 用,可以看 https://t.co/dB4dRBtVR1 上这篇 Steering AI Agents in Monorepos with AGENTS.md： https://t.co/Sy0u0CNFVU 契约测试入门，搜 Pact 加 consumer-driven contract testing 的指南就行。

我草 牛逼！！！有生之年。 我都不敢相信这是 Next.js !!!!!!!! 他甚至还会自动内存回收！！！！ https://t.co/uyfyYnM5zb

Was thinking if I should highlight this tweet or not, but it’s a masterclass in the amount of vitriol people face when working on open source. Is the app great yet? No. It’s a start. It was built by the community. Getting the iOS and Android apps working with secure pairing and push notifications - and getting both through App Review -took a surprising amount of work. OpenClaw wasn’t acquired by OpenAI and isn’t an OpenAI product. It’s an open, independent project under the OpenClaw Foundation. OpenAI sponsors the project’s token usage; I work there. Cristian, your tweet was just one of ~30 I woke up to today. I’d genuinely love your help making it great. Attention is still the scarcest resource. I’d rather spend mine encouraging people who build.

was this vibed https://t.co/keLhgWSKH5

This would have been amazing a few years ago, but in the age of AI, what’s the point?

Good morning @aiDotEngineer ! Are we talking loops today?

敢这么说的，起码正厅级起步 https://t.co/ARFiFALuhI

网传塔塔电子把苹果印度工厂把工程资料全漏了，其中包括秋季即将上市的iPhone 18 Pro主板原理图、芯片手册等等资料 喜欢折腾PCB的佬可以手搓Apple开发板，属于是库克卸任前给新CEO特努斯整了个大的 https://t.co/JHc0Qjl6XO

看网安把中转站老板搞急了，都说GPT的道德感很高，反而不是干这活的料 https://t.co/WO4p2c0zxp

兄弟们，还在为最近梯子不稳定烦恼吗？ 今天给你们分享一个超级实用的省钱技巧！ 以后再也不用花钱买机场梯子了！ 首先，你需要准备两样东西： 1. 一个Cloudflare账号（这个免费注册就行） 2. 一个域名（几块钱一年，白菜价） 然后呢，就用这个开源工具，简单设置一下，你就能拥有： - 无限节点随便用 - 永久免费不花钱 - 看油管4K视频不卡 - 刷Netflix流畅得很 - 用ChatGPT丝滑访问 最关键的是，这个对小白特别友好！我亲自试过了，跟着教程一步步操作，大概十分钟就能搞定。而且稳定性比那些一个月要几十块的机场还靠谱，毕竟是用的Cloudflare自家的CDN通道，全球节点任你挑。 给你们整理好了链接，照着做就行： 1️⃣ 工具开源地址：https://t.co/xeCmGCImtN 2️⃣ Demo演示站点：https://t.co/l34J3Wh2fe 3️⃣ 保姆级图文教程：https://t.co/5RFiM6bVuf 说白了，就是用最少的钱，办最大的事！还在花钱买机场的兄弟，看完这条推文就能省下一大笔钱了。

Meta 今天同时放出两个大动作：Brain2Qwerty v1 论文正式登上 Nature Neuroscience，v2 同日发布。v1 去年以预印本形式公开时，能从脑电信号里逐字母还原打字内容，字符错误率 32%。v2 跳过了字母这一层，直接做到句子级别的实时解码，平均单词准确率 61%，表现最好的被试达到 78%，超过一半的句子解码误差在一个词以内。 作为参照，此前非侵入式方法的单词准确率只有 8%。 这里说的“非侵入式”，就是不需要开颅手术、不需要往脑子里植入电极。被试戴的是 MEG（脑磁图）设备，通过头皮外的传感器捕捉大脑活动产生的微弱磁场。相比之下，Neuralink 那类侵入式脑机接口准确率能到 90% 以上，但代价是一台开颅手术。 v2 的训练数据来自 9 名志愿者，每人戴着 MEG 设备打字 10 小时，总共录了约 22,000 个句子。系统用端到端深度学习直接处理原始脑信号，再通过微调大语言模型来利用语义上下文，把嘈杂的神经数据“翻译”成连贯的语言。Meta 还提到他们用 AI Agent 来探索解码流程的优化方案，最终的训练配置由工程师人工选定。 一个有意思的发现：解码准确率随数据量呈对数线性提升。也就是说，单靠增加训练数据就有可能继续缩小和侵入式方法之间的差距。 Meta 开源了 v1 和 v2 的全部训练代码，合作方 BCBL（巴斯克认知、大脑与语言中心）则开放了 v1 的数据集。 离实用还有多远？ MEG 设备体积大、造价数百万美元、需要磁屏蔽房间，目前只能在实验室环境下运行。而且这次的被试都是健康人，能否在真正需要帮助的脑损伤患者身上复现效果，还没有验证。便携式 MEG 替代方案（基于光泵磁力计）正在研发中，但离消费级产品还有相当距离。 不过，把非侵入式脑机接口的句子解码能力从“几乎不能用”拉到“大致能沟通“，这一步本身的意义在于：它证明了不开刀也有可能做到接近开刀的效果，剩下的是工程问题而非原理问题。 对全球数百万因脑损伤而丧失沟通能力的人来说，一条不需要手术的路径，哪怕还很远，还是很值得期待。 官方介绍：https://t.co/TZLlVkyE9X

去年吧，还在念语校，以前出版社的朋友找我用AI帮他做几张童书插图。 发给他后他挺满意，于是聊到长期合作，我问一张图准备给多少钱。 他说他们领导很懂 AI，觉得这个东西就是坐在电脑前跟机器人说几句话，然后点点鼠标的事。 所以决定一张图给1块钱😓 是呗，很多人看AI文生图只是点一下鼠标，却没想过做书的插图，要先读内容、理解上下文、构思画面、统一风格、反复调整提示词，还要保证人物、服装、色彩前后一致，修 AI 的各种错误，再根据编辑意见一遍遍返工。 烦都烦死了。 现在 AI 做视频也是一样。 虽然输入一句话就能出片，实际上从脚本、分镜、人物设定，到镜头生成、重抽、角色一致性、配音、字幕、剪辑，每一步都在消耗时间和精力。 一个一分钟的视频，背后可能生成了几百个片段，最后才能挑出几十秒真正能用的内容。 AI 确实降低了制作门槛，却没有消灭创作本身。 无论用什么工具，创作永远都是最花功夫的环节。

Had to own this one https://t.co/c4Tg1blWzD

昨日外食 @ Shabour，很特别的米其林⭐️以色列菜，艺术家朋友送了我一个可爱玻璃杯子，厨房收藏➕1 https://t.co/T0FovsTqZy