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！
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。
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。