optimizerDuck 是一个 6k+ Star 的开源 Windows 优化工具。它真正值得讨论的不是一键加速，而是风险评级、可回滚、本地运行和透明修改这些机制。
从 Quesma 对 14 个模型、210 次 agentic trials 的测试出发，拆解一次简单 Hi 背后的真实成本：token 账单很小，等待时间、模型过度思考、任务歧义和 Agent 循环才是隐藏大头。
从 Hacker News 上一个 68000 tokens 的 Wikipedia 页面案例出发，复测 AI Agent 读取网页时的 token 成本，拆解 raw HTML、正文抽取、摘要、API 查询之间的成本差异。
Tolaria 是一个本地优先、Git 原生、内置 MCP 的 Markdown 知识库工具。它真正有趣的地方不只是替代 Obsidian，而是把 AI 记忆从黑盒向量库拉回可读、可 diff、可迁移的文件系统。
AI Agent 真正难的不是把模型、提示词和工具串起来，而是上线后如何管理会话、权限、调度、审批、日志和审计。本文拆解为什么框架解决的是开发问题，运行时解决的才是落地问题。
Noma Labs 披露的 GitLost 漏洞，把 AI Agent 的安全问题从“模型会不会胡说”拉回到更硬的一层：当 Agent 同时读取公开 Issue、拥有私有仓库权限、还能公开回复时，提示词注入就不再是文本游戏，而是权限泄露。
micro-radar 是一个基于 ESP32-C3 的开源桌面航班雷达，通过 Wi-Fi 调用 OpenSky API 获取附近实时航班数据，并显示在 1.28 英寸圆形屏幕上。它不是 ADS-B 接收机，却很适合普通人理解开源硬件、公共数据 API 和桌面信息装置的边界。
2026 年爬虫工具怎么选？本文对比 Firecrawl、Crawl4AI、Scrapling、Scrapy、Crawlee、Playwright、Selenium、ScrapeGraphAI，覆盖 AI Agent、RAG、动态网页、传统大规模爬取、本地开源和 API 服务等场景。
Scrapling 不是又一个 BeautifulSoup 包装器，而是在尝试解决传统选择器爬虫最痛的稳定性问题：页面一改，脚本就死。本文从自适应解析、Fetcher、Spider、MCP 接入和与 Scrapy / Playwright / BeautifulSoup 的选型差异，拆解它适合放在哪里、不适合神化到哪里。
Axiom 把 Windows AI 助手拆成 Architect、Builder、Critic 三个角色，再配合沙箱和工具代理执行任务。它真正值得看的，不是“本地运行”，而是个人电脑上的 Agent 工作流正在变成一条可审计、可分工、可纠错的流水线。