最新

检查模型是否支持多模态输入。

开发了 EvoCat，一款使用“屏幕使用时间”API 的严格 iOS 应用拦截器。<p>大多数应用仍然允许你在使用过程中绕过拦截。 而这款应用不会。<p>“猫”是强制执行模式： – IronCat（铁猫）：硬性拦截 – BuffCat（猛猫）：需要付出努力才能解锁 – SageCat（智猫）：挑战 – ZenCat（禅猫）：延迟<p>每天选择一种模式。使用过程中无法切换。<p>欢迎提供反馈。

大家好，我们是Willy和Dan，Twill.ai（<https://twill.ai/>）的联合创始人。Twill在隔离的云沙箱中运行像Claude Code和Codex这样的编码CLI。您可以通过Slack、GitHub、Linear、我们的Web应用程序或CLI提交任务，它会返回一个PR、一个审查、一个诊断或一个后续问题。当它需要您的输入时，它会通知您，让您保持控制。<p>演示：<https://www.youtube.com/watch?v=oyfTMXVECbs><p>在Twill之前，使用本地的Claude Code进行构建时，我们一直遇到三个问题：<p>1. 并行化：两个同时触及您的Docker配置或相同基础设施文件的任务，在本地同时运行会很痛苦，手动端口重新绑定和单独的构建上下文无法扩展到几个任务以上。<p>2. 持久性：合上笔记本电脑，代理就停止了。我们希望在睡前启动一批任务，醒来时看到PR。<p>3. 信任：给一个自主代理完全访问您的本地文件系统和进程是一个飞跃，每个任务一个沙箱感觉更安全，可以无人值守地运行。<p>这三个问题都指向了同一个答案：将代理移到云端，给每个任务分配其自己的隔离环境。<p>所以我们构建了我们想要的。第一个版本是纯粹的委托：描述一个任务，然后获得一个PR。然后是多人协作，这样整个团队就可以与同一个代理对话，每个人都在自己的线程中。然后是记忆功能，这样“使用lib/log.ts中现有的记录器，永远不要使用console.log”就变成了对每个未来任务的持续指令。然后是自动化：用于重复性工作的cron作业，用于CI中断等事件的触发器。<p>这个领域竞争激烈。AI实验室发布他们自己的编码产品（Claude Code，Codex），本地IDE在您的编辑器中封装模型，并且一波初创公司在定制的框架上构建定制的云代理。我们采取以下路径：在云沙箱中重用实验室原生的CLI。实验室将继续向他们自己的框架中投入RL，这样它们只会随着时间的推移而变得更好。这样，就没有供应商锁定，您可以为每个任务选择不同的CLI或将它们组合起来。<p>当您给Twill一个任务时，它会启动一个专用的沙箱，克隆您的存储库，安装依赖项，并调用您选择的CLI。每个任务都有自己的文件系统、端口和进程隔离。机密信息通过环境变量在运行时注入。任务完成后，Twill会为沙箱文件系统创建快照，以便在同一个存储库上进行的下一次运行可以预先安装好依赖项。我们选择这种架构是因为每次实验室发布对其编码框架的改进时，Twill都会自动获取该改进。<p>我们还开源了agentbox-sdk，<https://github.com/TwillAI/agentbox-sdk>，这是一个用于在沙箱提供商之间运行和与代理CLI交互的SDK。<p>这里有一个例子：一个三人团队将Twill分配给了一个关于向他们的Rails应用程序添加CSV导入功能的Linear待办事项。Twill克隆了存储库，设置了开发环境，实现了该功能，运行了测试套件，截取了屏幕截图并将它们附加到PR上。PR需要一轮修改，他们通过Github请求了修改。对于更复杂的任务，Twill会在编写代码之前提出澄清问题，并录制一个浏览器会话视频（使用Vercel的Webreel）作为工作证明。<p>免费套餐：每月10个积分（1个积分= 1美元的AI计算成本，无加价），无需信用卡。付费套餐起价为每月50美元，可获得50个积分，更高层级提供BYOK支持。开源项目提供免费的专业套餐。<p>我们很乐意听取您关于云编码代理如何融入您当前工作流程的意见，如果您尝试了Twill，请告诉我们哪些有效，哪些无效，以及还缺少什么。

我一直以来都有一个简单但令人烦恼的问题：我想了解最新的开源项目和技术趋势，但我真的不想再依赖刷推特来获取这些信息了。 现在，推特上的信息质量越来越差。为了找到几个真正有价值的项目，我大部分时间都浪费在无意义的噪音、煽动性内容和广告上。 我尝试过各种聚合器和订阅源，但最终还是需要手动点击和筛选信息。核心问题并没有得到解决。 所以我构建了一个名为 TechDistill 的小型自动化工作流程。目标很简单： 完全停止浏览信息源，每天只获取一个经过整理的结果。 现在，这个流程每天生成四个 Markdown 文件： 一个总览，用于快速了解今天值得关注的内容。 三个特定来源的报告（GitHub Trending、Hugging Face、Product Hunt），包含更详细的信息。 我的日常流程是这样的：我首先浏览总览，快速判断是否有任何值得深入研究的内容。如果有，我会查看特定来源的报告以获取详细信息。每个项目都附带一个简短的介绍，告诉我它“到底做什么”，所以大多数时候我甚至不需要点击 README 就能理解它。 整个过程是完全自动化的：直接从来源抓取数据 → 清理数据 → 让模型提炼信息。我基本上不再访问原始网站了。 它每天在 GitHub Actions 上运行一次，耗时不到 4 分钟，每次运行的成本约为 0.008 美元（OpenRouter + DeepSeek v3.2）。 我已经使用了几天，最直接的变化是：我实际上已经停止了下意识地刷推特来获取科技新闻。 对我来说，这个项目的重点不是“AI 摘要”。它在于将分散的、高噪音的信息转化为一个稳定、低噪音的输入流，我可以随着时间的推移积累这些信息。 目前，它主要是一个个人工具，但我很好奇：还有其他人尝试用类似的方式解决这个问题吗，或者您有更好的方法？ GitHub: <a href="https:&#x2F;&#x2F;github.com&#x2F;JunstinLee&#x2F;TechDistill" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;JunstinLee&#x2F;TechDistill</a>