→ 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 · 2026-08-04

🔬 AI 新工艺

1. 手动重打 LLM 生成的代码，用"低效"对抗认知负债
Ankur Sethi 提出与"AI 生成 PR、人类 review"主流模式相反的做法：让编码助手在对话里生成代码，然后自己手动把改动敲进项目，确保理解每一行进入代码库的代码。和你在用的 Agent Plan 模式不同在于——Agent Plan 把拆分、执行、验证都交给 agent，而这种方法刻意保留"亲手实现"环节来维持对系统的掌控感，适合个人项目中不想完全外包理解的部分。
https://ankursethi.com/blog/prevent-cognitive-debt-by-manually-retyping-llm-generated-code/

2. 领域专长才是提示词的第一生产力 ♻️（重推自 2026-07）
Sean Goedecke 分析"LLM 奖励专家"现象：陶哲轩与 ChatGPT 的对话之所以远超常人，靠的不是 prompt 技巧而是数学功底——短促直接的提问、对可疑结果的敏锐推回、自己主导下一步方向。对工程师的启示：与其钻研提示词模板，不如把精力花在提升领域判断力上，LLM 才会切换进"与专家对话"模式。
https://www.seangoedecke.com/llms-reward-expertise/

3. MirrorCode：衡量 AI 能独立完成多大的软件项目
Epoch AI 与 METR 联合发布新基准：让模型在看不到源码的情况下端到端重写 25 个完整程序（Unix 工具、解释器、静态分析、加密、压缩等），用包含 held-out 测试的端到端输出比对评分。最大任务单次运行耗资 $2,600、AI 无人工干预连续工作 19 天——为"长周期自主编程"提供了首个规模化评估尺度，比 SWE-bench 这类短任务基准更能反映 agent 真实上限。
https://epoch.ai/MirrorCode

4. trace-file-lineage：给 AI 产物做本地溯源
用证据和"诚实的置信度"找出某个文件是由哪个脚本、notebook、命令还是 AI agent 生成的，本地运行无需联网。随着 AI 生成代码/数据占比上升，这类"产物血缘追踪"正在成为研发质量控制的必要基础设施。
https://github.com/uczltw6/trace-file-lineage

🛠️ 工具及技巧

1. Hoplite (YC S26)
一键把 coding agent 部署到云端运行，免去自建 agent 环境的折腾。
https://hoplite.sh

2. humanizer-cli
终端里用 33 种方法识别 AI 写出来的文本，含前后对比示例和草稿检查，零依赖。
https://github.com/0xwilliamortiz/humanizer-cli

3. armature.tech
给跑在 MCP 上的 agent 会话加产品分析和 eval 面板，像看产品数据一样观察 agent 行为。
https://armature.tech/

⭐ 开源亮点

1. genoffice
AI 原生的办公套件，覆盖文字/表格/演示/PDF，macOS 和 Windows 双端，开源 4 天已近 700 星。
https://github.com/genspark-ai/genoffice

2. DeterminFlow
面向生产的 AI 工作流运行时，支持构建、校验、恢复、交付复杂 AI 工作流，强调确定性。
https://github.com/alikon-art/DeterminFlow

3. doc7
用视觉理解把文档转成 AI 就绪的 Markdown，喂给 LLM 前的一步预处理利器。
https://github.com/magicrew/doc7

📰 行业动态

1. "Devtools 必须开源"一文登顶 HN，引发对开发工具闭源化趋势的大讨论
2. OpenAI 公布数学与理论计算机科学十项新进展
3. 数据库顶流学者 Andy Pavlo 加入 ClickHouse，成立 ClickHouse Labs
4. Cloudflare Agents Week 分享大规模运行 Kimi 与 GLM 的量化部署实践