AI圈子 · AI 圈的最新动态，一条一条刷

这个工具能让AI编程助手写更少的代码完成同样的任务。

Ponytail是一个开源项目，专门为AI编程助手设计的代码优化工具。它的核心理念是：AI不应该写那么多代码。

实际效果：

• 在真实任务中，代码量减少约50%
• 支持20种不同的AI代理
• 完全保持安全检查

这意味着什么？你用Claude Code、Cursor、Copilot这些工具写代码时，Ponytail会在前面帮你过滤掉不必要的代码，只保留真正需要的部分。

对于重度AI编程用户来说，这个工具可以显著降低Token消耗，提升编码效率。

项目地址：opensourceprojects.dev/post/ponytail

原文作者：@GithubProjects

这30个网站看起来像非法的，但其实是合法的。

1. Free AI Image Generation：免费AI图像生成，文本提示直接出图

midjourney.com

1. Real-time AI Image Generation：实时AI图像生成和编辑

runwayml.com

1. AI Image Upscaling：AI图像放大和增强

upscale.media

1. Background Removal：AI抠图，去背景、去物体、修复图像

remove.bg

1. ElevenLabs：AI语音克隆和文本转语音

elevenlabs.io

1. Codeium：AI代码补全和编程助手

codeium.com

1. Notion AI：AI辅助笔记和文档

notion.so

1. Gamma：AI生成PPT和演示文稿

gamma.app

1. Beautiful.ai：AI设计演示文稿

beautiful.ai

1. Lumen5：AI视频制作

这些工具都是合法的AI应用，可以大幅提升工作效率。建议收藏慢慢体验。

原文作者：@liam_holt7

有人整理了Codex本周最值得安装的9个Skill，覆盖了省Token、做PPT、做网页、做视频、做图表、提升审美等能力。

其中Ponytail可以少写50%无效代码，Token节省94%，它会先判断代码有没有必要写，避免AI过度开发。Guizang PPT Skill支持10种设计风格、22种版式，直接输出排版、内容、视觉都能用的可编辑成品。

GSAP Skills一句话就能让网页拥有专业级动效。AI Product Video支持152张动态卡片、209个动画模板，自动拆卖点、配镜头、做动效。

还有Smart Charts支持CSV、Excel、JSON一键生成数据看板，Gathered Scenes Zine Skill一张照片变一份高级视觉作品，Taste Skill从5个维度干掉AI味，Video Use自动识别废话口误跳帧，ELI5把复杂知识讲到5岁孩子都能懂。

这些Skill的本质是给Codex补上"能力模块"，让它从一个通用编程助手变成专业级的创作工具。如果你在用Codex，这套组合值得收藏慢慢试。

又一个GitHub金矿合集，这次专门针对AI/ML工程师。

这些仓库覆盖了ML基础、数学、神经网络、LLM、RAG、Agent和强化学习，建议收藏：

1. ML-For-Beginners：微软出品，结构化入门经典ML

github.com/microsoft/ML-F…

1. 100 Days of ML Code：每天一个ML概念，实战为主

github.com/george-studenk…

1. The Algorithms - Python：Python实现的各种算法

1. Neural Networks from Scratch：从零实现神经网络

1. LangChain：构建LLM应用的框架

1. RAG-Tutorial：RAG实战教程

1. Agent-Protocol：Agent协议标准

1. Stable-Baselines3：强化学习库

1. Hugging Face Transformers：Transformer模型库

1. Papers with Code：论文+代码合集

这份清单从理论到实战都覆盖了，适合不同阶段的学习者。收藏慢慢看，总有一天用得上。

原文作者：@SCR01111

如果你正在学AI、ML、LLM或者Agent，别再浪费时间到处翻教程了。

这位老哥整理了10个他真正会收藏的GitHub仓库，从Python基础到ML、LLM、Agent、生产级AI全覆盖：

1. Python-100-Days：Python百日学习路线，从基础到数据分析到Web开发

github.com/jackfrued/Pyth…

1. Generative AI for Beginners：微软出品，构建生成式AI应用的实战入门

github.com/microsoft/gene…

1. ML-For-Beginners：微软出品，用Python和Scikit-learn系统入门经典ML

github.com/microsoft/ML-F…

1. 100 Days of ML Code：每天一个ML概念，notebook+实现

github.com/george-studenk…

1. The Algorithms - Python：Python实现的各种算法集合

1. LangChain：构建LLM应用的框架

1. AutoGPT：最早的自主Agent之一

1. MetaGPT：多Agent协作框架

1. OpenAI Cookbook：OpenAI官方实战案例

1. Full Stack LLM Bootcamp：全栈LLM训练营

这套从入门到进阶都覆盖了，建议收藏慢慢啃。

原文作者：@SCR01111

有人分享了AI编程中一个经常被忽视的坑：模块划分。

很多人的工作流是这样的：遇到一个新需求，先让AI从零开始写，最后生成一个几百上千行的大文件，改一个地方牵动全局。然后就陷入无尽的Debug循环，AI说修好了，你一运行还是不行，来来回回浪费大量时间。

根本问题在于：项目稍微大一点就不能一个文件塞所有东西了。好的模块划分应该是逻辑分层清晰，每个模块只做一件事。输入校验、业务逻辑、数据操作、外部调用，各回各家。

一个实用的分层方法是：先画目录骨架，再让AI填内容。比如做一个用户注册功能，手写这几行目录：api/user/register.py（入口层，只做参数校验和格式化）、core/user/service.py（业务逻辑层，注册流程编排）、core/user/model.py（数据层，和数据库打交道）。

这样拆完，每个文件职责单一，AI填完之后逻辑自然就清晰了。模块划分的关键不是技术问题，而是思维方式的转变：先想清楚结构，再让AI执行。