即刻App年轻人的同好社区
下载
置顶Readwise Reader 是最好用的阅读软件之一。
但作为一款海外产品，Readwise Reader 在中国有些许水土不服。
为了让你更好地使用 Readwise Reader ，我们做了一款小工具—— wechat 2 reader
这款小工具解决了两个问题：
1. 让收藏文章更加便捷，在微信内转发文章或链接，即可以收藏文章。
2. 解决了Readwise Reader 在收藏中文文章时，图片丢失的问题。
但作为一款海外产品，Readwise Reader 在中国有些许水土不服。
为了让你更好地使用 Readwise Reader ，我们做了一款小工具—— wechat 2 reader
这款小工具解决了两个问题：
1. 让收藏文章更加便捷，在微信内转发文章或链接，即可以收藏文章。
2. 解决了Readwise Reader 在收藏中文文章时，图片丢失的问题。
43 1719
因为自己有大量的 Chat With Page 的寻求。
看文章时，和页面内容聊天，快速进行总结和提问等等。
但市面上的浏览器插件，比如 Monica 和 Sider 等等，动不动就是每月 $10 的订阅费用，根本用不到那么多 token 费用。要么有些插件是限制聊天轮数。要么有些免费的插件 UI 又太丑了。
所以我就 vibe coding 自己手搓做了一个最简单，有禅意的总结插件。准备上架免费开源给大家使用。
有人感兴趣么？
你现在进行 chat with page 是用什么插件？
看文章时，和页面内容聊天，快速进行总结和提问等等。
但市面上的浏览器插件，比如 Monica 和 Sider 等等，动不动就是每月 $10 的订阅费用，根本用不到那么多 token 费用。要么有些插件是限制聊天轮数。要么有些免费的插件 UI 又太丑了。
所以我就 vibe coding 自己手搓做了一个最简单，有禅意的总结插件。准备上架免费开源给大家使用。
有人感兴趣么？
你现在进行 chat with page 是用什么插件？
00:47
1 50
Gemini 的深度研究功能真好用。
让他研究了当前的Kimi KDA、Deepseek DSA 和 Qwen-Next GDN，这些高效注意力方案。
生成了一份报告，并且还生成一个可以交互的网站。
---
它们代表了两种核心思路：状态压缩 vs. 精确剪枝。
🧠 线性/递归范式 (KDA & GDN): 核心是状态递推。Kimi KDA 的突破在于通道级细粒度门控，极大增强了状态 的表达力，实现了 1M 上下文下 75% 的 KV Cache 内存缩减和 6倍解码吞吐量提升！Qwen-Next GDN 则结合 MoE 实现了系统级的 10倍吞吐。
✂️ 稀疏化范式 (DSA): Deepseek DSA 走的是另一条路：保留 结构，通过硬件感知的精确剪枝，将复杂度降至 。DSA 的成功关键在于定制内核 FlashMLA，确保理论效率转化为实际的高吞吐，同时保持与稠密模型几乎一致的性能。
总结对比：混合架构（高效层:全注意力层 ≈ 3:1）是当前平衡效率与性能的共识！
① KDA： 极致的内存优化和性能拓展，适合超长上下文（>1M）。
② DSA： 性能对齐的计算成本削减，依赖系统工程。
③ GDN+MoE： 最高的系统吞吐量和经济效益。
让他研究了当前的Kimi KDA、Deepseek DSA 和 Qwen-Next GDN，这些高效注意力方案。
生成了一份报告，并且还生成一个可以交互的网站。
---
它们代表了两种核心思路：状态压缩 vs. 精确剪枝。
🧠 线性/递归范式 (KDA & GDN): 核心是状态递推。Kimi KDA 的突破在于通道级细粒度门控，极大增强了状态 的表达力，实现了 1M 上下文下 75% 的 KV Cache 内存缩减和 6倍解码吞吐量提升！Qwen-Next GDN 则结合 MoE 实现了系统级的 10倍吞吐。
✂️ 稀疏化范式 (DSA): Deepseek DSA 走的是另一条路：保留 结构，通过硬件感知的精确剪枝，将复杂度降至 。DSA 的成功关键在于定制内核 FlashMLA，确保理论效率转化为实际的高吞吐，同时保持与稠密模型几乎一致的性能。
总结对比：混合架构（高效层:全注意力层 ≈ 3:1）是当前平衡效率与性能的共识！
① KDA： 极致的内存优化和性能拓展，适合超长上下文（>1M）。
② DSA： 性能对齐的计算成本削减，依赖系统工程。
③ GDN+MoE： 最高的系统吞吐量和经济效益。
https://gemini.google.com/share/d8a67da576af
3 01
EvermemOS 是一个新的开源的企业级的 AI 对话记忆系统。
这个系统的大概逻辑：
1. 用户聊天后，LLM 判断是不是断点，如果是的话，从 session 中提取记忆，同时也会保存原文。
2. 记忆会被提取成：
- 核心记忆：用户基础信息，名称部门等
- 画像记忆：用户性格偏好，习惯，动机
- 情景记忆：具体对话事件，时间序列性
- 语义记忆：抽象概念关系，去时间化
- 原子事实：事实记录，细颗粒度数据
3. 这些记忆会按照合适的方式，存储到不同的数据库。包括 mongodb 非关系型数据库，Elastic search BM25 数据库，向量数据库, Redis 缓存数据；这里面的逻辑还是挺复杂的。
4. 使用记忆时：在调用接口时定义检索记忆的方式：包括全文搜索，向量搜索，数据库检索和混合检索。
5. 检索到的信息传给 LLM
> github.com
记忆数据的类图图图如下
这个系统的大概逻辑：
1. 用户聊天后，LLM 判断是不是断点，如果是的话，从 session 中提取记忆，同时也会保存原文。
2. 记忆会被提取成：
- 核心记忆：用户基础信息，名称部门等
- 画像记忆：用户性格偏好，习惯，动机
- 情景记忆：具体对话事件，时间序列性
- 语义记忆：抽象概念关系，去时间化
- 原子事实：事实记录，细颗粒度数据
3. 这些记忆会按照合适的方式，存储到不同的数据库。包括 mongodb 非关系型数据库，Elastic search BM25 数据库，向量数据库, Redis 缓存数据；这里面的逻辑还是挺复杂的。
4. 使用记忆时：在调用接口时定义检索记忆的方式：包括全文搜索，向量搜索，数据库检索和混合检索。
5. 检索到的信息传给 LLM
> github.com
记忆数据的类图图图如下
7 01
用 AntiGravity 作为 Agentic 浏览器
👀 Google's IDE 反重力(AntiGravity) 最大的创新是给 IDE 加了一个浏览器。让 Agent 原生拥有了操控和读取浏览器信息的能力。
这个能力的设计出发点是在编写程序的时候，可以打开真实的浏览器环境进行测试，读取浏览器控制台的数据，更多的数据反馈可以指导模型更好的工作。
之前我使用 Claude Code 的时候，就经常遇到这个问题。
Claude Code 一般是打开一个无头浏览器来测试网站。数据并不准确，环境也不对，有时候在本地调通了，项目部署以后反而调不通。
但和其他 IDE 工具不同，AntiGravity 是真的给按照了一个新的 Chrome，你可以在浏览器里登录账号，浏览器可以访问到东西（规避登录墙）例如获取即刻的信息。
AntiGravity 完全可以完成 Agentic Browser 中的类似工作，比如 Atlas、Comet 或者 fellou 中的 Agent，完全可以使用 AntiGravity 来代替。
可以看看我的使用 Case：
➡️直接让 AntiGravity 来爬取 @歸藏 在即刻最近发布的内容并整理成报告。
ps: 本来想要登录推特的，但不知道为什么，浏览器里推特登录不上去。不清楚是不是有什么限制。
👀 Google's IDE 反重力(AntiGravity) 最大的创新是给 IDE 加了一个浏览器。让 Agent 原生拥有了操控和读取浏览器信息的能力。
这个能力的设计出发点是在编写程序的时候，可以打开真实的浏览器环境进行测试，读取浏览器控制台的数据，更多的数据反馈可以指导模型更好的工作。
之前我使用 Claude Code 的时候，就经常遇到这个问题。
Claude Code 一般是打开一个无头浏览器来测试网站。数据并不准确，环境也不对，有时候在本地调通了，项目部署以后反而调不通。
但和其他 IDE 工具不同，AntiGravity 是真的给按照了一个新的 Chrome，你可以在浏览器里登录账号，浏览器可以访问到东西（规避登录墙）例如获取即刻的信息。
AntiGravity 完全可以完成 Agentic Browser 中的类似工作，比如 Atlas、Comet 或者 fellou 中的 Agent，完全可以使用 AntiGravity 来代替。
可以看看我的使用 Case：
➡️直接让 AntiGravity 来爬取 @歸藏 在即刻最近发布的内容并整理成报告。
ps: 本来想要登录推特的，但不知道为什么，浏览器里推特登录不上去。不清楚是不是有什么限制。
01:25
1 02