→ JSON 在线格式化，支持自动检查 JSON 错误并提示具体位置，压缩、转为 XML、排序等 ←

AI 每日热点 · 2026-08-03

🔬 AI 新工艺

1. Claude Code 负责人：验证（verification）才是 Agent 编码的真正关键技能
Boris Cherny 在 YC Startup School 2026 访谈中提出，现在的核心能力不再是 prompt engineering，而是"给 Claude 一个看起来太难的任务，并让它沿途验证自己的工作"——他把验证称作大部分人没做对的最重要一环。这和你在用的 Agent Plan 模式不同在于：Plan 模式侧重任务拆分与执行，而 Cherny 强调要主动设计验证回路（如何让 agent 自证产出正确），团队正是靠这套方法用 Claude Code 重写了自家 Electron 桌面 App，性能从"sluggish"变"awesome"。
https://daringfireball.net/linked/2026/08/02/cherny-claude-swift

2. Karpathy 的 1M token 实验：Opus 5 花 2 小时写 5500 行代码渲染《指环王》
Karpathy 给 Opus 5 指环王第一段文字、1M token 预算（约 $10），让它用 three.js 渲染整个故事——模型连续自主编码约 2 小时产出 5500 行代码，demo 已开源可玩（karpathy.ai/lotr-movie/）。相比你日常的短任务 Agent 开发，这是"一次性给足预算的长时自主编码"范式；他同时指出该领域暴露的弱点：LLM 无法原生感知视频/游戏画面，只能靠截图慢速自查，产出仍有 jank——原生多模态回环是下一个待补齐的能力。
https://news.ycombinator.com/item?id=49140998

🛠️ 工具及技巧

1. trace-file-lineage：追溯文件由哪个脚本、命令还是 AI agent 生成
本地运行的文件血缘追踪工具，用证据和诚实的置信度回答"这个文件是谁产出的"，数据管线出问题时快速定位源头。
https://github.com/uczltw6/trace-file-lineage

2. ponytail-improved：让 AI agent 像"最懒的资深工程师"一样思考
一份 prompt 工程配方，让 agent 倾向写最少代码、避免过度工程——核心观点是"最好的代码是你根本没写的代码"。
https://github.com/0xwilliamortiz/ponytail-improved

3. humanizer-cli：终端里 33 种方法识别 AI 写的内容
零依赖 CLI，给出 AI 文本检测清单与 before/after 对比示例，适合审稿、招聘初筛等场景快速判断文本是否机器生成。
https://github.com/0xwilliamortiz/humanizer-cli

⭐ 开源亮点

1. aimux：一套 API 接入 172+ 家 LLM 服务商
统一 LLM 服务接入层，屏蔽各家协议差异，切换供应商只改配置不改代码。
https://github.com/arcships/aimux

2. aws/context-ontology-accelerator：AWS 开源的 agent 语义上下文加速器
基于本体论的上下文加速组件，让 AI agent 在决策时获得更准确、一致的语义信息。
https://github.com/aws/context-ontology-accelerator