三星在 CES 上展出了没有折痕的 OLED 折叠屏
这个突破太大了
原理是配备了一块激光打孔的金属显示板。据称该金属板能够在你折叠屏幕时分散产生的应力，从而实现无折痕。
金属板预计由韩国公司 Fine M-Tec 供应，iPhone 的折叠屏可能也会用这个技术，这就值得期待了
Samsung showcases its first crease-less foldable OLED panel at CES 2026! It could be used in the Galaxy Z Fold 8 and probably even in the foldable iPhone.
Check it out in more detail in our article linked in the thread below. ⏬
#CES2026 #OLED
Python 后端 + Electron 前端 + Claude 大脑，很好，搞了个赛博奴隶。
KIRA - 基于 Claude 的“虚拟同事”，打工人的救星，这玩意能直接连你的 Slack 和 Outlook，它能帮你搜网页、写代码、回邮件、甚至还能帮你背锅。
只要给它喂够 API 额度，它就是你最忠诚的赛博狗腿子
github.com/krafton-ai/kira
Replit 用户正走在时代前沿；其他人还在迎头赶上！Agent 4 将带来又一次重大飞跃。
@Kyrannio 不在 Replit 上的专业开发者在认识到 AI 代理的进步程度方面一直比较迟缓。所以最近发生的事情是他们都有了你在一年前就已经知道的相同认识——即 AI 可以编写所有代码并完成得非常出色。你生活在未来。
你知道可以通过 Gemini 交互 API 调用 Deep Research 吗？
> 使用 Gemini 3 Pro 并支持自定义数据。
> 多模态输入，包括图像、PDF 文件、CSV。
> 通过交互 API（测试版）访问。
> 通过提示词控制报告生成，例如样式和格式。
> MCP 和其他功能即将推出。
这是一位创始人的分享。
最近涌现出许多 @stanine 的新粉丝。这完全在情理之中。
Rippling 首席运营官兼首席产品官 Matt MacInnis (@stanine) 的精华观点：
1. 非凡的结果需要非凡的努力。“如果你在工作中发现自己处于舒适区，那肯定是你犯了错误。”
2. 作为领导者，你的职责是维持高强度，而不是削弱它。管理层的每一个层级都可能将创始人的紧迫感稀释一个数量级。不要让人们回避高标准。主张放松的人数不胜数；别成为其中之一。
3. 绝不要做“佛系老板”。佛系态度一事无成。要投入、要尊重、要优秀，但不要佛系。没有哪个身居领导职位的人真的想混日子。振奋人心的信息不是“轻松点”；而是“我们去赢！”
4. 有意精简每个项目的人员配置。当人员过多时，即使优先级较低的工作也可能被完成，这还会导致内部政治和资源浪费。要刻意保持团队精干。智慧在于懂得何时适可而止。
5. 流程的存在是为了减少波动性——但它们也会抑制创造力。你的薪资系统应该枯燥且可预测（低波动性）。你的新产品实验则应容许混乱（以激发高创造力）。
6. “无聊和疲惫区”是优秀团队与普通团队拉开差距的地方。在你达到一个转折点之前，工作会让人感觉永无止境且没有回报。你不想写那些枯燥的文档，你厌倦了反复修改同样的 bug。无论如何都要坚持下去，因为这正是竞争对手开始掉队的时候。
7. 将升级和投诉视为礼物。客户不想打扰你，你的下属也不想打扰你。那种沉默反而会伤害你。改进的唯一方法是了解问题所在。主动追查它们。每一次升级都是关于如何让系统变得更好的数据。
8. 你从成功中学到的东西远多于失败。‘失败是最好的老师’这句话听起来令人安慰，实则具有误导性。Matt 在 Rippling 七年间学到的，比在他那苦苦挣扎的创业公司九年中学到的还要多。加入获胜的团队。观察他们是如何正确行事的。
9. 如果你还在疑惑自己是否有产品市场契合度，那你就没有。当它真正到来时，是毋庸置疑的。Matt 在一家创业公司花了九年时间，以为他‘可能’达到了这一点。但在 Rippling，这种契合度显而易见。那才是真正的 PMF 的感觉。
10. 有时，放弃是最明智的举动。如果四五年过去了，仍然没有明确的进展？也许是时候放弃了。“永不放弃”这句话是说给风险投资家听的，而非创始人。时间是你唯一无法挽回的资源。
11. 这一切其实都不重要——而这反而让人感到释然。我们身处地球这一颗漂浮在太空中的蓝色星球上。2025 年的硅谷，就像文艺复兴时期的佛罗伦萨一样：一个千载难逢的历史性时刻。竭尽全力投身这场“运动”，但永远不要忘记，它只是一场运动。这种认知是让你能持续保持高强度的基石。
Claude Desktop App 现在集成 Claude Code 了，不是命令行界面，可以用来写代码，其实还可以做很多其他事，比如写作什么的
如果你想使用 Claude Code 但不习惯终端界面，现在可以通过 Claude Desktop 使用它的本地功能了！
操作步骤如下：
1. 下载 Claude Desktop
2. 打开侧边栏，点击“Code”开关
3. 选择你希望 Claude Code 访问的文件夹
4. 提交你的提示词！
本周观点：增长率超过 30% 时，市场不予重视。
作者：David George，a16z Growth 的 GP
https://t.co/KDq3G4Pz7m
“我认为对于超过 30% 的a16z.news/p/above-30-the…我想仅仅是因为它难以建模。
我研究过所有这些我们称之为 ‘模式破坏者’ 的公司，即使看到了所有这些成功案例，对于任何投资者来说，建立一个高增长能持续五到十年的模型仍然很困难。这根本不自然。
没有人为谷歌或维萨建立一个财务模型，预测它们在存在 20 年后仍能增长 15% 或 20%。这样做完全不自然。”
Smaug 像《霍比特人》中囤积宝藏的巨龙 Smaug 一样，自动将你的 Twitter/X 书签（以及点赞内容）“囤积”并归档为 Markdown 格式。它不仅是简单的下载，还利用 AI 进行智能整理。
🚨硬核警告
它需要你的 Cookiegithub.com/alexknowshtml/…x
Cursor 发布最新上下文工程模式「动态上下文发现」
传统 AI Agents 通常采用“静态上下文”方式，即预先将所有可能的相关信息（如代码文件、工具描述、聊天历史）一次性注入提示中。这容易导致上下文窗口膨胀、token 消耗过多，甚至引入无关或矛盾信息。
Cursor 的动态上下文发现则反其道而行：Agents 只在需要时，通过工具动态拉取相关上下文，从而保持提示简洁高效。这一模式适用于 Cursor 支持的所有模型，无需特定高端模型。
工作原理
· 文件作为核心接口：大型或潜在无关的数据（如工具输出、聊天历史、终端会话）被转换为文件或引用，而不是直接注入提示。
· 动态检索工具：Agents 可以使用语义搜索、grep、tail 等命令，按需读取文件内容。
· 具体应用场景：
· 工具响应（如长 JSON 或 MCP 工具输出）写入文件，Agents 只读取必要部分。
· 聊天历史超出限制时，转为文件供 Agents 搜索，避免总结丢失细节。
· MCP 工具描述同步到文件夹，仅在静态提示中包含工具名称，详细描述动态加载。
· 终端输出同步到文件系统，Agents 可搜索历史日志。
· Agent Skills 通过 grep 和语义搜索动态拉取。
主要优势
· token 效率提升：显著减少上下文 token 使用，例如在使用 MCP 工具的运行中平均降低 46.9%（统计显著，但因 MCP 数量而异）。
· 响应质量改善：避免无关信息干扰，减少数据截断导致的信息丢失。
· 更好知识保留：历史细节可通过文件恢复，Agents 能主动处理工具状态。
· 整体体验优化：更接近真实开发流程，Agents 能“回忆”长会话中的关键信息。
与传统方法的对比
· 优于静态上下文：过去方法容易造成提示臃肿；动态模式初始信息更少，按需扩展。
· 优于简单截断：许多 Agents 直接丢弃长响应；Cursor 用文件持久化，避免丢失。
· 在 MCP 处理上更高效：传统方式加载所有工具描述导致 token 爆炸；动态加载仅需时使用。
应用实例
· Agents 处理长工具输出时，先用 tail 查看结尾，再决定是否读取更多。
· 用户问“命令为什么失败？”，Agents 搜索终端历史文件找到错误日志。
· 在多 MCP 环境中，Agents 只加载当前任务相关的工具描述。
目前的局限性
· 高度依赖文件作为抽象接口。
· 总结过程仍可能丢失信息（虽有文件缓解）。
· 对第三方工具的优化需额外适配。
· 收益因项目规模和工具数量而异。
Cursor 官方博客
cursor.com/blog/dynamic-c…
Cursor 的 agent 现已在所有模型中采用动态上下文。
在保持相同质量的前提下，它能更智能地填充上下文。这在使用多个 MCP 服务器时，将总 token 减少了 46.9%。
上下文是下一代数据平台：为何“上下文图谱”是理解企业流程的关键
来自 Glean 创始人兼 CEO Arvind Jain 的文章。作为企业搜索和 AI 领域的领军人物，他认为：智能体若想在企业中真正落地并实现自动化，不能仅靠单纯的“数据”，必须依赖“上下文图谱”来理解业务流程的真实全貌。
核心观点：什么是“上下文图谱”？
Arvind 指出，企业数字化已经进入了一个新阶段。过去，我们关注的是存储在系统中的结构化数据（如 Salesforce 中的客户记录）；现在，我们需要关注工作是如何实际发生的。
· 现状：大部分工作流程分散在通讯工具（Slack/Teams）、文档（Docs）、代码库和各种碎片化操作中。这些通常被称为“部落知识”，难以被记录。
· 定义：“上下文图谱”不仅仅是对数据的索引，它是对企业人、事、物之间关系的映射。它能理解谁负责什么账户、谁批准合同、哪个团队在处理突发事件。
· 价值： 它是 AI Agent 的导航地图。只有拥有这种上下文，AI 才能在复杂的企业环境中进行推理和行动。
Glean 的独特哲学：捕捉 “How” 而非 “Why”
Arvind 提出了 Glean 构建上下文图谱的方法论：
“你无法可靠地捕捉‘为什么（Why）’，但你可以捕捉‘如何（How）’。”
· Why（意图）难捕捉：意图往往存在于人的脑海中，或者隐含在零散的对话里，很难直接建模。
· How（过程）有迹可循：每一个操作都会留下数字足迹——文档的编辑、字段的更新、审批的流转。
· 通过 How 推导 Why：通过长期观察大量的“How”（操作模式和流程轨迹），系统可以反向推导出“Why”（业务逻辑和意图）。这就是 AI Agent 学习如何像员工一样处理工作的路径。
技术壁垒：构建上下文图谱为何困难？
Arvind 强调，这不仅仅是一个概念，而是一项高门槛的技术投资。要实现它，必须解决三个层次的难题：
· 全链路的可观测性：不能只看结果（如交易完成），要看过程。需要深度的连接器去捕捉跨应用的操作——比如在 Salesforce 更新交易前，员工在 Google Docs 改了什么，在 Slack 聊了什么。
· 原子级的活动数据：系统必须记录带时间戳的微小动作（编辑、评论、发送消息），并按时间顺序排列，以此作为原始素材。
· 从噪点中提取信号：这是最难的一步。系统需要从海量的碎片操作中，自动识别出“这是一个客户上线项目”或“这是一次产品发布”。
终局思维：下一代数据平台
Arvind 认为，“上下文图谱”只是拼图的一部分。为了支撑 智能体自动化，我们需要一个新的技术栈，这构成了一个全新的数据平台：
· 连接器 (Connectors)： 用于观察。
· 索引 (Indexes)： 用于快速检索。
· 图谱 (Graphs)： 用于理解结构和关系。
· 记忆 (Memory)： 用于记录 Agent 的执行轨迹和结果。
这个平台不是为了做报表或分析，而是为了作为智能体的脊梁，支撑它们在企业中可靠地执行任务。
