Now vibe coding, so learning hammer FE ?
《在本地终端预览OpenGraph卡片》
标签：#前端 #OpenGraph #CLI工具 #Zig #Kitty图形协议 #开发工具
总结：
作者为解决OpenGraph调试痛点，开发了CLI工具
文章要点：
- 传统OG调试流程繁琐：需要部署到公网或使用隧道工具，且Facebook等平台的调试器缓存机制会导致反复迭代困难
-
- 终端图片渲染基于Kitty图形协议，兼容Ghostty、iTerm2、WezTerm等主流终端，不支持的终端会自动降级为文本输出
- 工具内部使用Zig的
- 提供四种输出模式：OpenGraph预览（默认）、Twitter Card预览、表格视图、JSON格式，后者支持管道操作（如配合jq使用）
- 具备校验功能：当缺少必需的OG字段（title、type、image、url）时会输出错误并返回非零退出码，适合集成到CI流程作为布局模板检查
- 安装方式灵活：支持预编译二进制、源码编译（Zig 0.15+）和mise工具管理
文章URL：https://simonhartcher.com/posts/2026-04-15-testing-opengraph-on-localhost-from-the-cli/
标签：#前端 #OpenGraph #CLI工具 #Zig #Kitty图形协议 #开发工具
总结：
作者为解决OpenGraph调试痛点，开发了CLI工具
og-check，可直接在终端内渲染本地开发环境的OG卡片预览，无需部署到公网或使用隧道服务。工具基于Zig编写，支持Kitty图形协议在终端内显示图片，并提供OpenGraph、Twitter Card、表格和JSON四种输出格式，同时可作为CI检查工具确保OG标签完整性。文章要点：
- 传统OG调试流程繁琐：需要部署到公网或使用隧道工具，且Facebook等平台的调试器缓存机制会导致反复迭代困难
-
og-check支持在本地终端直接预览OG卡片，包含图片渲染，将反馈周期从分钟级缩短到秒级- 终端图片渲染基于Kitty图形协议，兼容Ghostty、iTerm2、WezTerm等主流终端，不支持的终端会自动降级为文本输出
- 工具内部使用Zig的
std.http.Client抓取页面，解析meta标签并按命名空间分类（og:、twitter:等），通过zigdown渲染Markdown到终端- 提供四种输出模式：OpenGraph预览（默认）、Twitter Card预览、表格视图、JSON格式，后者支持管道操作（如配合jq使用）
- 具备校验功能：当缺少必需的OG字段（title、type、image、url）时会输出错误并返回非零退出码，适合集成到CI流程作为布局模板检查
- 安装方式灵活：支持预编译二进制、源码编译（Zig 0.15+）和mise工具管理
文章URL：https://simonhartcher.com/posts/2026-04-15-testing-opengraph-on-localhost-from-the-cli/
Simon Hartcher
Testing OpenGraph on localhost from the CLI before you go public | Simon Hartcher
og-check fetches a URL and renders its OpenGraph and Twitter Card metadata directly in your terminal, images and all. Point it at localhost and skip the tunnel.
《OpenHarness：开源智能体基础设施框架》
标签：#AI #Agent #智能体 #开源 #Python #工具调用
总结：
OpenHarness是港大数据智能实验室（HKUDS）推出的轻量级开源智能体基础设施框架，仅用Python实现，代码量比Claude Code轻44倍（1.1万行vs 51万行），提供完整的工具调用、技能加载、记忆管理和多智能体协调功能，让开发者快速构建安全可靠的AI Agent应用。
文章要点：
- 极简架构设计：相比Claude Code的51万行TypeScript代码，OpenHarness仅用1.1万行Python实现，去除了企业级复杂依赖如遥测和OAuth，专注于核心Harness架构
- 五大核心模块：包含Agent循环（支持流式工具调用、并行执行、成本追踪）、工具套件（43种工具覆盖文件/Shell/搜索/Web/MCP）、上下文记忆（CLAUDE.md自动注入、MEMORY.md持久化）、权限治理（多级权限模式、交互式审批）、Swarm多智能体协调（子智能体委派、任务管理）
- 生态兼容性：完全兼容anthropics/skills技能格式和claude-code/plugins插件生态，支持OpenClaw、nanobot、Cursor等CLI工具集成
- 开箱即用：一条命令
文章URL：
https://github.com/HKUDS/OpenHarness
标签：#AI #Agent #智能体 #开源 #Python #工具调用
总结：
OpenHarness是港大数据智能实验室（HKUDS）推出的轻量级开源智能体基础设施框架，仅用Python实现，代码量比Claude Code轻44倍（1.1万行vs 51万行），提供完整的工具调用、技能加载、记忆管理和多智能体协调功能，让开发者快速构建安全可靠的AI Agent应用。
文章要点：
- 极简架构设计：相比Claude Code的51万行TypeScript代码，OpenHarness仅用1.1万行Python实现，去除了企业级复杂依赖如遥测和OAuth，专注于核心Harness架构
- 五大核心模块：包含Agent循环（支持流式工具调用、并行执行、成本追踪）、工具套件（43种工具覆盖文件/Shell/搜索/Web/MCP）、上下文记忆（CLAUDE.md自动注入、MEMORY.md持久化）、权限治理（多级权限模式、交互式审批）、Swarm多智能体协调（子智能体委派、任务管理）
- 生态兼容性：完全兼容anthropics/skills技能格式和claude-code/plugins插件生态，支持OpenClaw、nanobot、Cursor等CLI工具集成
- 开箱即用：一条命令
oh即可启动，内置114个单元测试和6个E2E测试套件，提供稳定可靠的基础能力文章URL：
https://github.com/HKUDS/OpenHarness
GitHub
GitHub - HKUDS/OpenHarness: "OpenHarness: Open Agent Harness with a Built-in Personal Agent--Ohmo!"
"OpenHarness: Open Agent Harness with a Built-in Personal Agent--Ohmo!" - HKUDS/OpenHarness
《Python 3.15的JIT编译器重回正轨》
标签：#Python #JIT #CPython #性能优化 #Faster_CPython #编译器 #开源社区
总结：
Python 3.15的JIT编译器开发取得突破性进展，在失去主要赞助商后通过社区协作成功实现性能目标。目前macOS AArch64平台比解释器快11-12%，Linux x86_64快5-6%，提前完成预定目标。文章强调了团队建设、任务分解和幸运的技术决策（如追踪记录解释器和引用计数消除）对项目成功的关键作用。
文章要点：
- **性能目标提前达成**：Python 3.15的JIT在macOS AArch64上比尾调用解释器快11-12%，在Linux x86_64上比标准解释器快5-6%，提前一年多完成目标
- **从困境中重生**：Faster CPython团队2025年失去主要赞助商后，通过社区托管模式维持开发，作者曾怀疑JIT项目能否成功
- **降低"巴士因子"风险**：团队计划在JIT的前端（区域选择器）、中端（优化器）、后端（代码生成器）各配备2名活跃维护者，目前中端已有4名贡献者
- **任务分解吸引新人**：将复杂优化问题拆分为简单任务（如"优化单条指令"），提供详细可操作的指导，让无JIT经验的C程序员也能参与，共11人参与核心重构
- **关键技术决策**：Brandt建议改用追踪式前端，Mark建议双分派表机制，意外地将追踪解释器性能从慢6%提升到快1.x%，并将JIT代码覆盖率提升50%
- **引用计数消除优化**：消除每条Python指令的分支操作，这一优化易于并行化且适合教学，是3.15版本的主要优化方向
- **基础设施支撑**：Savannah Ostrowski一人搭建了等效于整个基础设施团队的CI系统，每日性能测试帮助快速发现回归问题
文章URL：
https://fidget-spinner.github.io/posts/jit-on-track.html
标签：#Python #JIT #CPython #性能优化 #Faster_CPython #编译器 #开源社区
总结：
Python 3.15的JIT编译器开发取得突破性进展，在失去主要赞助商后通过社区协作成功实现性能目标。目前macOS AArch64平台比解释器快11-12%，Linux x86_64快5-6%，提前完成预定目标。文章强调了团队建设、任务分解和幸运的技术决策（如追踪记录解释器和引用计数消除）对项目成功的关键作用。
文章要点：
- **性能目标提前达成**：Python 3.15的JIT在macOS AArch64上比尾调用解释器快11-12%，在Linux x86_64上比标准解释器快5-6%，提前一年多完成目标
- **从困境中重生**：Faster CPython团队2025年失去主要赞助商后，通过社区托管模式维持开发，作者曾怀疑JIT项目能否成功
- **降低"巴士因子"风险**：团队计划在JIT的前端（区域选择器）、中端（优化器）、后端（代码生成器）各配备2名活跃维护者，目前中端已有4名贡献者
- **任务分解吸引新人**：将复杂优化问题拆分为简单任务（如"优化单条指令"），提供详细可操作的指导，让无JIT经验的C程序员也能参与，共11人参与核心重构
- **关键技术决策**：Brandt建议改用追踪式前端，Mark建议双分派表机制，意外地将追踪解释器性能从慢6%提升到快1.x%，并将JIT代码覆盖率提升50%
- **引用计数消除优化**：消除每条Python指令的分支操作，这一优化易于并行化且适合教学，是3.15版本的主要优化方向
- **基础设施支撑**：Savannah Ostrowski一人搭建了等效于整个基础设施团队的CI系统，每日性能测试帮助快速发现回归问题
文章URL：
https://fidget-spinner.github.io/posts/jit-on-track.html
《Claude技能构建完整指南》
标签：#AI #Claude #MCP #Agent_Skills #Workflow_Automation #开发工具 #Anthropic
总结：Anthropic官方发布的Claude技能构建指南，系统介绍了如何通过SKILL.md文件创建可复用的AI工作流。技能采用渐进式披露架构（YAML前置元数据+Markdown指令+引用资源），可与MCP工具集成实现多步骤自动化。文档涵盖规划、测试、分发全流程，提供5种设计模式（顺序工作流、多MCP协调、迭代优化等），并给出量化评估指标（90%触发准确率、零API失败率），目标帮助开发者在15-30分钟内构建生产级AI技能。
文章要点：
- 技能定义：包含SKILL.md（必需）、scripts/、references/、assets/的文件夹结构，采用kebab-case命名规范，支持Claude.ai、Claude Code和API三端通用
- 渐进式披露设计：三级加载机制（YAML元数据→SKILL.md正文→链接资源），最小化token消耗同时保持专业性
- 三大应用场景：文档/资源创建（如前端设计）、工作流自动化（如项目管理）、MCP增强（如Sentry代码审查），后者将工具访问转化为可靠工作流
- 成功指标：技能应在90%相关查询中自动触发，单次工作流工具调用次数明确，零失败API调用，用户无需提示下一步操作
- 核心设计模式：顺序工作流编排、多MCP协调（跨Figma/Linear/Slack等）、迭代优化循环、上下文感知工具选择、领域特定智能（如合规检查）
- 测试策略：触发测试（ obvious/paraphrased/negative cases）、功能测试、性能对比（有无技能时的token消耗和交互轮次差异）
- 分发方式：GitHub托管+Claude.ai设置上传，支持组织级部署和API程序化调用，定位为MCP的"知识层"（厨房类比：MCP是厨房设备，技能是食谱）
- 常见陷阱：描述字段过于模糊导致触发失败、包含XML标签的安全限制、README.md与SKILL.md混淆、指令过于冗长导致模型"懒惰"
https://resources.anthropic.com/hubfs/The-Complete-Guide-to-Building-Skill-for-Claude.pdf
标签：#AI #Claude #MCP #Agent_Skills #Workflow_Automation #开发工具 #Anthropic
总结：Anthropic官方发布的Claude技能构建指南，系统介绍了如何通过SKILL.md文件创建可复用的AI工作流。技能采用渐进式披露架构（YAML前置元数据+Markdown指令+引用资源），可与MCP工具集成实现多步骤自动化。文档涵盖规划、测试、分发全流程，提供5种设计模式（顺序工作流、多MCP协调、迭代优化等），并给出量化评估指标（90%触发准确率、零API失败率），目标帮助开发者在15-30分钟内构建生产级AI技能。
文章要点：
- 技能定义：包含SKILL.md（必需）、scripts/、references/、assets/的文件夹结构，采用kebab-case命名规范，支持Claude.ai、Claude Code和API三端通用
- 渐进式披露设计：三级加载机制（YAML元数据→SKILL.md正文→链接资源），最小化token消耗同时保持专业性
- 三大应用场景：文档/资源创建（如前端设计）、工作流自动化（如项目管理）、MCP增强（如Sentry代码审查），后者将工具访问转化为可靠工作流
- 成功指标：技能应在90%相关查询中自动触发，单次工作流工具调用次数明确，零失败API调用，用户无需提示下一步操作
- 核心设计模式：顺序工作流编排、多MCP协调（跨Figma/Linear/Slack等）、迭代优化循环、上下文感知工具选择、领域特定智能（如合规检查）
- 测试策略：触发测试（ obvious/paraphrased/negative cases）、功能测试、性能对比（有无技能时的token消耗和交互轮次差异）
- 分发方式：GitHub托管+Claude.ai设置上传，支持组织级部署和API程序化调用，定位为MCP的"知识层"（厨房类比：MCP是厨房设备，技能是食谱）
- 常见陷阱：描述字段过于模糊导致触发失败、包含XML标签的安全限制、README.md与SKILL.md混淆、指令过于冗长导致模型"懒惰"
https://resources.anthropic.com/hubfs/The-Complete-Guide-to-Building-Skill-for-Claude.pdf
#开源 storybook 10 - ESM only, CSF 3
https://storybook.js.org/blog/storybook-10/
https://storybook.js.org/blog/storybook-10/
Storybook Blog
Storybook 10
ESM-only, 29% lighter, module automocking, and more
#开源 【RSC 除了 Nextjs 以外的选择，只是一个 vite 插件】这个新包可能有助于您基于 Fastify 网络服务器和 Vite 构建自己的自定义 React 元框架（创建自己的“Mini Next.js”）。它支持 React 19，RSC 将在以后推出。
https://fastify-vite.dev/
https://fastify-vite.dev/
#开源 node 社区添加了 volta 工具
https://github.com/orgs/nodejs/discussions/56691
https://github.com/orgs/nodejs/discussions/56691
GitHub
Does the official Node.js website recommend adding Volta? · nodejs · Discussion #56691
I've been using it for a long time and noticed that TS and Sentry are also using it. I would like to recommend this excellent management tool as well. Of course, this is just a question I have ...
#开源 #文章 styled-components 进入维护状态。
- React 核心团队已决定事实上弃用某些 API，例如 Context API（在 RSC 中不可用，且没有迁移路径。）
- 总体而言，生态系统已基本脱离 css-in-js 概念，而 tailwind 等其他技术的普及度则呈现爆炸式增长。
- quantizor （自 2018 年左右以来一直是 styled-components 的核心维护者）不再在大型应用程序中积极部署 styled-components 的生产，因此在实际产品中的使用环境将持续减弱并最终完全停止。
https://opencollective.com/styled-components/updates/thank-you
- React 核心团队已决定事实上弃用某些 API，例如 Context API（在 RSC 中不可用，且没有迁移路径。）
- 总体而言，生态系统已基本脱离 css-in-js 概念，而 tailwind 等其他技术的普及度则呈现爆炸式增长。
- quantizor （自 2018 年左右以来一直是 styled-components 的核心维护者）不再在大型应用程序中积极部署 styled-components 的生产，因此在实际产品中的使用环境将持续减弱并最终完全停止。
https://opencollective.com/styled-components/updates/thank-you
#开源 Tanstack 新成员！标准 schema ，强类型提示（甚至可以约束field 上面的 name 自动提示！）
https://tanstack.com/form/latest
https://tanstack.com/form/latest
Tanstack
TanStack Form
Headless, performant, and type-safe form state management for TS/JS, React, Vue, Angular, Solid, Lit and Svelte.
#开源 #AI 一个基于 UI-TARS（视觉-语言模型）的 GUI 代理应用程序，允许您使用自然语言控制您的计算机。需要配置模型，输入自己的 API KEY，目前仅支持 OpenAI 和 Claude
https://github.com/bytedance/UI-TARS-desktop
https://github.com/bytedance/UI-TARS-desktop
GitHub
GitHub - bytedance/UI-TARS-desktop: The Open-Source Multimodal AI Agent Stack: Connecting Cutting-Edge AI Models and Agent Infra
The Open-Source Multimodal AI Agent Stack: Connecting Cutting-Edge AI Models and Agent Infra - bytedance/UI-TARS-desktop
#开源 Lightpanda 浏览器是一款开源、超快、低内存的无头浏览器，专为网络自动化、AI训练和测试而设计。同时也兼容Playwright、Puppeteer。速度却是chrome headless的11倍
https://lightpanda.io/
https://lightpanda.io/
Lightpanda
Lightpanda | The headless browser
The AI-native web browser built from scratch for machines. Not a fork. Not a patch. Fast, scalable web automation with a minimal memory footprint. 10x faster, 10x less RAM, and 100x better than Chrome headless.
#开源 #React hCaptcha 组件库，适用于 ReactJS 和 Preact
https://github.com/hCaptcha/react-hcaptcha
https://github.com/hCaptcha/react-hcaptcha
GitHub
GitHub - hCaptcha/react-hcaptcha: hCaptcha Component Library for ReactJS and Preact
hCaptcha Component Library for ReactJS and Preact. Contribute to hCaptcha/react-hcaptcha development by creating an account on GitHub.
