ota

这个不就是那个 anything.ai 嘛。

可惜没有 Endpoint ，不然有人逆向出来用。

AI 还是太强了。人辅助 AI 干活，现在就是这么倒反天罡。
我完全不会浏览器的 debug ，今天 ai 协助我做 amazon 的订阅 debug ，从 0 开始引导，教我 hook api ，并且实时教我对比 ARN 强解编码规律。这些自己搞的话，我可能想都想不到。
同时完成了 4 中解决方案。订阅书签，油猴，debug console ，浏览器插件。
这放以前，根本不现实。

用 agentic ide ，比如 claude code ，codex ，这些。也提供 cli 的。直接远程就把活干了。桌面清爽。
cursor 还是 ai ide ，虽然有 Composer 。

@ximaoyang https://docs.piebald.ai/ 这个也许有点意思，可以尝试尝试。
我看了几个功能挺不错的，我也刚上手。
Agent rules
Permission modes
Pausing the agentic loop
Context management
Subagents
Tool calls + Builtin tools
Default system prompt
Using @pierre/diffs for file edit diffs ✓
Branching

工具我觉得也就这极限了，llm 底层结构决定了漂移的必然性。

@rnldburn 好多人推 surge ，我感觉 gui for sb 貌似就够了呀。surge 除了好看，有啥特别加持？

那有专门做规范层的 skill 嘛？推荐推荐。我也想知道怎么保持统一性。
agent 生成时严格按照 Schema 结构定义，不然回滚重新来。然后加个全局约束作为锚点。
为了防止 agent 对上下游的自然语言依赖，这一层要清洗成 Schema 。agent 之间禁止传送自然语言？这样指数飘就能缓解不少了。但工程实践具体怎么个 flow ，还有待 op 实践分享。

個人覺得沒意義。看書的動機在演變。
最初，看書是爲了補充知識盲區。但利用率很可憐。有的甚至要精讀，復讀來强化吸收和掌握，但具有極强的目標指向，如學業，論文，工程原理等。
AI 時代，我們發現知識存儲轉化率低的問題可以通過合理的提問（ prompt ）進行完善。所以讀書方向發生了變化。重思考，輕存儲。也就是腦需要有快速索引的能力，而非存儲知識的容量。

爲此，現在還在使用傳統的方式（讀書）來攝入知識，能效比極低。而是將知識作爲 rag 存儲到自己的物理磁盤,scheme 決定質量，進而決定 index 效果，進而決定 rag 準確度。而人，就是要訓練 index 能力，只需要一維的 index 即可。相當於 cpu 的緩存，只要求快。後續推理到二級 index ，三四級都可以藉助 ai 完成。

這樣，腦子就可以用來構建 pre-prompt 解決實際問題。

我們的大腦大多數是一個鑰匙的作用，檢索意義遠遠大於存儲意義。開啓了，ai 自己會跑。

別給自己找麻煩，ltsc 也一樣。很多東西沒有依賴還得自己整。又不是所有安裝包都會提示你缺少什麽依賴。
我雖然也堅持用 ltsc ，但我也是一個一個坑踩過來的。

我遠程服務器是 windows pro ，正常版本。本機 ltsc ，只是習慣了。