铃阅时讯
❌

普通视图

推荐一个我做的 APP:Lastloops

2026年6月10日 19:27

原创 刘飞Lufy 2026-06-10 19:27 浙江

又做了一个 APP。

1

你有没有这种体验:绿植偶尔忘了浇,叶子已经蔫了才发现。

类似的这类事情不少:换季洗床单、隔阵子给爸妈打电话、洗牙、给猫剪指甲、理发、体检,等等等等。

这些事情,跟普通待办事项的主要区别是:它们没有精确的截止日期和时间,又属于循环任务。

比如我们的提醒工具弹出通知,让我们给爸妈打电话的时候,我们大概率手头有事情在做。不管是工作,还是在看电影、刷视频。总觉得可以晚点做。但晚点就意味着没有具体的提醒时间了。下次再想起来,又到了新的周期了。

这些提醒最大的问题就是,它们的执行周期其实是模糊的。

比如我们一周没有给家里打电话了,那么接下来几天都可以做这件事。但提醒工具该怎么更好的给我们提醒呢?

这就是我做接下来这个工具的出发点。

2

Lastloops 的形态,和市面上绝大多数清单 App 都不太一样。

打开它,没有列表和卡片,只有一堆玻璃弹珠。一件事,就是一颗球。

弹珠的大小,对应事情的紧迫程度。刚做完时,它只是一个不起眼的小圆点;拖着没做,它就会慢慢膨胀。从视觉上获取你的注意力。

如果不断拖延,它最终能占满小半个屏幕。当几颗超期未办的大球戳在那儿,把别的小球挤到角落、卡来卡去时,你就知道现在这些事不得不做了。

而要做这些事的时间,就由你自己决定。当你觉得需要关注一下的时候,打开 APP 直接看弹珠就可以了。

当然,打开 APP 这个门槛也并不低,所以我也做了小组件。

这个 APP 最早就是为我自己做的,我还是想从中获得一些情绪价值的,于是我把弹珠做成了有真实物理引擎的。

手机一歪,小球会顺着方向滚动、互相磕碰,碰撞时还会伴随细腻的手机微震。手感极佳。

完成一件事的操作也很解压:长按那颗球,一圈绿色的涟漪从中心散开,大球会一下变成小圆球,重新腾出屏幕空间。

整个过程没有通知推送,没有弹窗打扰,Lastloops 从不主动催促。就安静地呆在那儿,偶尔打开看一眼,心里有数即可。

3

开发这个 App 的大半时间,我其实都在设法做减法。

新建事项一直在做减法:一个名字,一个建议周期,一个 Emoji 图标。没有分类、没有标签、没有备注,更没有优先级。甚至连名字都限制了中文最多 6 个字。

色彩也降低了优先级。一开始我想用颜色表示紧急度(比如变红代表超时),后来发现很多余,紧迫感交给「大小」去表达就足够了。现在球体的颜色只是根据 Emoji 提取的一点淡淡的色调,纯粹为了让视觉不那么单调。

点击进入详情页,你能看到一张类似 GitHub 的绿格子热力图,最近一年做过几次、节奏如何,一目了然。我刻意去掉了「连续打卡天数」、「平均间隔」或「最长空窗期」这些数据。这些指标看着专业,但本质上只会给人带来被考核的焦虑感。

当然,在这个热力图上,可以直接补记过去的某次完成,也可以取消掉过去的某次完成。

有一个我自己挺喜欢的设计,就是关于背景。我本来想的是可以有自定义上传,但我直观感觉大家很难找到比较舒服的又干净的背景(弹珠是半透明的,所以大部分背景看起来都会很脏)。

所以我设计了一个随机算法,每次点击可以呈现完全不同的渐变色背景,每一张都完全不一样,但又都比较优雅。

4

这次用 AI 辅助开发的整个过程,和上次做 Gamepix 类似,充满乐趣,也同样繁琐。

最磨人的往往是那些用户未必能直接察觉、但极度影响体验的底层细节。比如「球体变大的逻辑」。

不同事情的周期长短不一:3 天一次的事,每天打开都能看到球变大了一圈,反馈很直观;但如果是半年一次的事,前两三个月球体几乎没有视觉变化。

为了让长周期的事情在前期也能有「正在慢慢长大」的动态反馈,我专门加了一道数学公式的非线性曲线校正,把前半段的变化幅度做了一定程度的放大。

还有弹珠的物理引擎。起初我想让 AI 手搓碰撞逻辑,结果写出来一堆 bug,球体不是穿模、卡死,就是直接飞出屏幕。后来索性全盘换成系统的物理引擎在后台跑,才终于稳定下来。

5

最近做 AI 辅助编程,感受还是挺独特的。上瘾的地方在于,还是上次说的,想到就能做的感觉特别棒。不用过各种复杂的会议,不用去给程序员买奶茶,不用担心效果好不好,觉得有意思就直接做了。

上瘾的其实不是AI,上瘾的是「闭环」。现代人的大部分日常工作都是流水线的环节,只能依赖协作。对我这种协作能力比较差的人来说,AI解决的就是能让我真的完成一些事情(播客和现在的公众号也是)。

我自己在 Lastloops 增加了一个事项: AI 编程。我也希望保持做工具的这种状态,能让我不断思考,不断去训练手感。

到了一定年纪和到了一定的人生阶段,思考就是会自然懒惰下来。一方面是生理性的,就是没有年轻的时候那么容易兴奋。另一方面,自己不在真实的产业里了,靠鬻文为生,赚钱的方式不复杂,社会产生连接的感知就变弱了。

思考这件事就跟肌肉一样,还是得平时多用用,不然就会萎缩。而萎缩的人不会感觉自己在萎缩。

有一些事情能拽着自己继续思考,也是不变老登的一种很重要的方式。一个人,如果到了可以依赖存量观点和惯性思考就过上不错日子的时候,通常来说就不会再吸收新鲜知识了。

我自己的体感是越来越喜欢用 AI 做一些事情,同时越来越不喜欢「聊 AI」了。单纯聊 AI 和用 AI 做事情,就是完全不同的体验。当然,能对AI行业有洞察,甚至做出了不起的预测,本身是很厉害的。但多数时候,都容易变成痴心妄想、镜花水月。

6

目前 Lastloops 已经正式在 App Store 上架了,搜索名字就能搜到,感兴趣的朋友可以下载体验一下。

是永远免费的,没有订阅,也没有内购,也不需要注册账号(目前支持备份和导入,但暂时不支持自动备份)。

用起来觉得哪里别扭、哪里不对,欢迎反馈到公众号后台,或者点 App 里的「联系 / 反馈」,会直接打开邮件,可以发到 opencup2026@outlook.com。

自己用了一阵子,我还挺喜欢这个产品的。如果说之前做的 Gamepix 是一个非常低频的工具,这次的 Lastloops 我真的是每天会扫两眼了。

浇花、洗牙、给父母打个电话……看似是微不足道的小事。但这些一遍遍重复的、没有 ddl 的小事,也构建了我们日常生活的底色。就像我们总会做紧急重要乃至紧急不重要的事,却经常错过很多重要但不紧急的事。

希望 Lastloops 能帮到大家。

跳转微信打开

AI 产品实战社团🥲

2026年6月10日 16:30

idoubi 2026-06-10 16:30 广东

跟风变科技合作搞了个《AI 产品实战社团》,主打 Vibe Coding 开发生产级项目

今晚 7 点第一场直播,主题是《案例实操:用 ShipAny TanStack 开发 AI 图片生成器》

直播链接:

https://fclive.pandacollege.cn/p/GzfFt2

社团七月中旬正式运营,现在是开团前的预热直播活动,感兴趣的朋友可以来听,觉得讲得好再参团,有专业的助教老师对接。[让我看看]

跳转微信打开

Claude Fable 5 发布:AI 工作流的关键正在转向 Loop 循环

2026年6月10日 09:53

高可用架构 2026-06-10 09:53 广东

刚刚,Anthropic 发布了 Fable 5,它在几乎所有测试过的基准上都达到顶尖水平

今天,Anthropic 发布了 Fable 5,它在几乎所有测试过的基准上都达到顶尖水平,在软件工程、知识工作、科学研究和视觉任务上表现尤其出色。

image.png
image.png

任务越长、越复杂,Fable 5 相比其他模型的领先幅度就越大。

发布如此强大的模型也伴随着风险。如果没有防护措施,Fable 5 在网络安全等领域的能力可能遭到滥用,造成严重损害。

针对少数几类主题的查询,系统会改用 Claude 次强的模型 Opus 4.8 来响应。

Fable 5 的防护机制会检测与网络安全、生物与化学、蒸馏相关的请求。每当发生回退时,用户都会收到提示,平均发生在不到 5% 的会话中。

Claude 会继续完善这些防护措施,减少误判。

同时也面向一小部分网络防御人员和关键基础设施提供方推出 Claude Mythos 5。Mythos 5 与 Fable 5 共享同一个底层模型,但在部分领域放宽了防护限制。

很快,计划通过更广泛的可信访问计划扩大 Mythos 5 的访问范围,用于防御性网络安全工作和生物医学研究。

Claude Fable 5 今天已在所有平台可用。Claude Mythos 5 目前仅限 Glasswing 合作伙伴使用,直到 Anthropic 扩大可信访问计划。

接下来是官方工程师 @RLanceMartin 介绍如何设计循环的教程

使用 Fable 5 设计循环

像 Claude Fable 5 这样的 Mythos-class 模型,已经改变了 Anthropic 许多人的工作方式。我想分享两个技巧,帮助你更好地使用这类模型。

自我纠正循环

最近大家对循环很感兴趣。@bcherny[1]提到过[2],“我的工作就是写循环”。让模型围绕评测进行迭代优化,是提升任务表现的常见做法:Claude Code 里的 /goal[3] 和 Claude Managed Agents 里的 Outcomes[4],都是能让你把这套通用方法应用到具体任务上的原语。

正如我们在 提示词指南[5] 中提到的,Fable 5 擅长在循环中自我纠正。设计良好的目标或评分标准,会给 Claude 的运行环境加入反馈。这样 Claude 就能运行任务,通过目标或评分标准收集反馈,自我纠正,并持续推进,直到满足目标或评分标准为止。

Image
Image

我分享一个用来测试 Fable 的玩具示例:Parameter Golf[6] 是一个开源 ML 工程挑战,目标是在 8xH100 上于 10 分钟内训练出最佳模型,并且模型产物要控制在 16MB 内。

它有点像 @karpathy[7] 的 autoresearch[8] 项目:它测试的是一个 Agent(智能体)编辑基础训练代码的能力,包括修改单个 train_gpt.py 文件、启动训练、轮询日志、读取分数,并决定下一步该运行什么实验。

我用 Claude Managed Agents[9](CMA)在这个挑战上比较了 Fable 5 和 Opus 4.7。CMA 提供 Agent 运行框架以及托管沙箱[10],因此很适合 Fable 5 这类长时间运行任务。针对 Parameter Golf,我让 CMA 通过 自托管沙箱[11] 访问 8xH100 GPU。

一个微妙但重要的点是:由谁来做评判很关键。我们看到,模型在评判自己输出时会遇到问题。Prithvi Rajasekaran 在这篇文章中[12] 写过这一点。

Image
Image

我们发现,对于 Fable 5,验证器子 Agent 通常优于[5] 自我批判,因为评分发生在一个独立的上下文窗口中。CMA 里的 Outcomes[4] 会通过生成一个评分子 Agent 来处理这件事。

每次测试中,我都提供一份评分标准文件,其中包含九条可验证的标准,例如运行基线、运行 20 个实验等。然后,我让 Parameter Golf 最多运行 8 小时。Outcomes 评分器会确认所有实验标准都已满足,才允许 Claude 停止工作。

Fable 5 对训练流水线的改进幅度约为 Opus 4.7 的 6 倍。如果把实验分为两类:结构性实验(如架构改动)和标量实验(如调整常数),Fable 5 更倾向于押注更大的结构性改动。它还表现出很强的韧性,例如在量化回归中坚持推进,最终取得了最大收益。

Opus 4.7 的第一次实验带来了一点小收益,之后几乎所有实验都沿着同一个模板推进:调整一个标量、测量结果,如果为正就保留。

记忆

记忆是 Fable 擅长的另一个领域[13]。我们可以把它看成跨会话的外层循环:Claude 在一次会话中写入记忆,这些记忆可以在后续会话中检索出来。

@pgasawa[14] 和团队最近发布了 Continual Learning Bench 1.0,所以我想用它来对比 Fable 5 和更早的模型。

5 月 5 日

今天,我们发布 Continual Learning Bench 1.0:第一个用于衡量 AI 系统在真实线上环境中如何持续进步的基准。目前的基准都假设模型是无状态的,每个样本彼此独立,一旦系统完成一个任务,它就会像……

我比较了 Fable 5、Opus 4.7 和 Sonnet 4.6 在该基准中一项任务上的表现:任务要求 Agent 在可以访问 SQL 数据库的情况下,依次回答一系列问题。每个问题都是一个独立的 Agent 会话,并且系统会提供记忆。

为此,我使用了带有 记忆功能[15] 的 CMA,它让每个 Agent 都能访问一个可跨会话共享的挂载文件系统。

Image
Image

在这项任务中,有效使用记忆通常需要经历一个递进过程:① 失败,答错并记录下来;② 调查,在继续之前弄清楚为什么错;③ 验证,把诊断变成经过检查的事实;④ 提炼,把验证结果转化为通用规则;⑤ 查阅,读取规则,而不是重新推导一遍。

Sonnet 4.6 大约停在 ① 阶段:它的存储内容是一串失败笔记和未验证的猜测,例如”也许应该用 prc,不该用 prc_usd?”。它很少查阅之前的笔记。要提升表现,需要加入任务特定的记忆指令。

Opus 4.7 大约停在 ③ 阶段:它会创建一个带有不确定性标记的 schema 参考,例如”prc 可能以美分计价?验证一下。”,但验证覆盖率很低,只覆盖 7-33% 的问题,中位数约为 17%。

Fable 5 往往能完成这个递进过程:在最强的一些运行中,验证覆盖率最高达到 73%,即 30 个问题中的 22 个,并且它会把学到的知识提炼成有助于未来任务的通用规则。

与其直接提示和引导 Fable 5,不如设计循环,让模型根据环境反馈自我纠正(例如通过 /goal 或 Outcomes),并管理自己的上下文(例如通过记忆)。

我这里只分享了几个自己做过的小规模实验,但建议你亲自用 Fable 5 测试有挑战性的任务,并用循环来做自我纠正或记忆管理。

要开始使用,可以阅读我们的 文档[5],或者询问最新版 Claude Code。它可以使用我们内置的 /claude-api[16] 技能,告诉你 Fable 5 的相关内容,例如提示词最佳实践、/goal、Claude Managed Agents 或其他 API 功能。

参考阅读

References

  1. @bcherny: https://x.com/@bcherny
  2. 提到过: https://x.com/sairahul1/status/2064279904989147577?s=20
  3. /goal: https://code.claude.com/docs/en/goal
  4. Claude Managed Agents 里的 Outcomes: https://platform.claude.com/docs/en/managed-agents/define-outcomes
  5. 提示词指南: https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/prompting-claude-fable-5
  6. Parameter Golf: https://github.com/openai/parameter-golf
  7. @karpathy: https://x.com/@karpathy
  8. autoresearch: https://github.com/karpathy/autoresearch
  9. Claude Managed Agents: https://platform.claude.com/docs/en/managed-agents/overview
  10. Agent 运行框架以及托管沙箱: https://www.anthropic.com/engineering/managed-agents
  11. 自托管沙箱: https://platform.claude.com/docs/en/managed-agents/self-hosted-sandboxes
  12. 在这篇文章中: https://www.anthropic.com/engineering/harness-design-long-running-apps
  13. Fable 擅长的另一个领域: https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/claude-prompting-best-practices
  14. @pgasawa: https://x.com/@pgasawa
  15. 记忆功能: https://platform.claude.com/docs/en/managed-agents/memory
  16. /claude-api: https://github.com/anthropics/skills/tree/main/skills/claude-api

如果你也在关注 AI 应用如何真正落地到生产环境,2026.6.26 - 6.27 GIAC 深圳站值得关注。这次大会会集中讨论智能应用开发、架构演进,以及来自一线实践的经验与案例。

识别二维码可申请大会体验门票,点击阅读原文了解大会详细议程。

Image

阅读原文

跳转微信打开

❌