原文地址 www.nibzard.com
Boris Cherny 关于 Claude Code 演讲的总结和速查表：设置、工作流程、工具和技巧。
Claude Code 是一个强大、灵活的终端优先 AI 编程助手，旨在与现有开发者工作流程和工具深度集成。
有效使用涉及理解其代理性质，提供丰富的上下文，并学会通过提示和配置来指导其工具使用。其功能正在不断扩展，特别是通过 SDK 进行程序化访问和脚本编写。
这是 Boris Cherny 关于"30 分钟掌握 Claude Code"演讲的详细总结。
原文地址 www.anthropic.com
一篇涵盖了在各种场景下有效使用 Claude Code 的技巧和窍门的博客文章......
我们最近发布了 Claude Code，这是一个用于智能编程的命令行工具。作为一个研究项目开发，Claude Code 为 Anthropic 的工程师和研究人员提供了一种更原生的方式来将 Claude 集成到他们的编程工作流程中。
Claude Code 故意设计得底层且不带偏见，提供接近原始模型访问的能力，而不强制特定的工作流程。这种设计理念创造了一个灵活、可定制、可脚本化且安全的强大工具。虽然功能强大，但这种灵活性为刚接触智能编程工具的工程师带来了学习曲线——至少在他们形成自己的最佳实践之前。
这篇文章概述了已被证明有效的通用模式，既适用于 Anthropic 的内部团队，也适用于在各种代码库、语言和环境中使用 Claude Code 的外部工程师。此清单中的内容都不是一成不变的，也不是普遍适用的；请将这些建议视为起点。我们鼓励您进行实验，找到最适合您的方法！
本次对话内容摘自 Anthropic YouTube 频道上发布的视频 “How Cursor is building the future of AI coding with Claude” (Cursor 如何利用 Claude 构建 AI 编码的未来) 的文字记录。
该视频汇集了来自 Anthropic 的 Alex（负责 Claude 关系）以及来自 Cursor 的 Lukas（从事代理系统）、Aman（创始人之一，负责机器学习和检索）和 Jacob Jackson（从事机器学习）等专家，共同探讨了 Cursor 如何利用 Anthropic 的 Claude 模型来革新 AI 编码领域。
If you've ever dreamed of building a digital walkie-talkie from scratch, one that works without the internet, routers, or cellular networks, you're in the right place. Introducing EchoLink Mini, a compact, low-latency wireless voice communicator powered by ESP32, I2S audio components, and ESP-NOW.
Super fast and high accuracy lightweight anchor-free object detection model. Real-time on mobile devices.
Github link: https://github.com/RangiLyu/nanodet
Paper: [NeurIPS 2021] K-Net: Towards Unified Image Segmentation
Arxiv: https://arxiv.org/abs/2106.14855
Github: https://github.com/ZwwWayne/K-Net/
语义、实例和全景分割之间尽管存在潜在联系，但是它们使用不同的和特定的框架来解决各自任务。这个工作为这些任务提供了一个统一、简单且有效的框架，即 K-Net。它通过一组可学习的 kernels 来分割实例和语义类别，其中每个 kernel 负责为潜在实例或 stuff 类别生成 mask。为了解决区分不同实例的困难，论文提出一种 kernel update 策略，改策略使每个 kernel 能够动态并以输入图像中意义组为条件。K-Net 可以通过二分匹配进行端到端的训练，其中训练和推理是不需要 NMS 和 矩形框的。
Paper: [ICCV 2021] SOTR: Segmenting Objects with Transformers
Arxiv: https://arxiv.org/abs/2108.06747
Github: https://github.com/easton-cau/SOTR
最近 tansformer-based 模型在视觉任务上表现出令人印象深刻的性能，甚至超过了卷积神经网络。在这项工作中，作者提出了一种新颖、灵活且有效的 tranformer-based 模型用于高质量的实例分割。所提出的模型，即 Segmenting Objects with TRansformers (SOTR)，简化了分割的pipeline，具有2个并行的子任务：（1）通过 transformer 预测每个实例类别，（2）使用多层级上采样模块动态生成 segmentation mask。SOTR 可以分别通过特征金字塔（FPN）和 twin transformer 有效地提取较低级别的特征表示（lower-level feature representations）并不惑远程上下文依赖关系（long-range context dependencies）。同时，与原始的 tranformer 相比，多提出的 twin transformer 在时间和资源上都是有效的，因为只涉及行和列注意力（a row and a column attention ）来编码像素。此外，SOTR 很容易与各种 CNN backbones 和 transformer 模型变体结合，从而显著提高分割精度和收敛性。
# 首先安装 beancount
pip install beancount
# 然后安装 fava
pip install fava
Fava 是复式簿记软件 Beancount 的 Web 界面，侧重于功能和可用性，使用非常友好。