Codex 5.6 必装 Obsidian，直接给 AI 装上安全免费的本地永久记忆库！ 很多人想给 AI 增加长期记忆，但又担心云端... Memory 成本、隐私和数据安全问题 今天我找到了正确的解决方法：让 Obsidian 成为 Codex 的外部知识中枢，让Codex 根据当前需求检索相关知识；完成任务后，再把新的经验、结论和变化同步回知识库。 检索知识 → 执行任务 → 沉淀经验 → 优化知识库 直接用下面这段prompt（提示词）： “请将当前 Obsidian 知识库作为我的跨项目长期记忆系统，为所有项目建立统一索引和知识结构。持续整理并维护项目背景、长期偏好、关键决策、已完成内容、当前进度、失败方案、踩坑记录、技术方案和下一步计划。 每次开始新任务前，先检索 Obsidian 中与当前任务相关的笔记，补充必要上下文后再执行任务；任务完成后，将新增的结论、重要决策、代码变更记录和项目进度同步更新到对应文档。 只保留未来有价值的信息，避免记录无关对话、重复内容或临时信息；不要保存密码、api Key、token 等敏感信息。” 还可以创建个自动化流程： “每次完成重要任务后，让 Codex 自动提取本次开发中的关键经验，包括技术决策、解决方案、踩坑原因和可复用方法，沉淀回 Obsidian，持续完善项目知识库。” 随着项目不断推进，Obsidian 不只是存储文件，将逐渐成为属于你的 AI 知识库大脑。show more

Codex 5.6 必须养成的习惯：记得给 AI “存档”！节省80%的token 长期vibe coding最怕上下文越来越长，需求、方案、Bug、废弃思路全堆在对话里，AI 不断重复读取和分析历史记录。 大量... Token 都浪费在“回忆过去”，而不是“解决现在”的问题。 正确的做法，直接让 Codex 做一次项目状态压缩，prompt如下，直接拿去用： 「根据当前项目实际状态，检查代码、Git diff、现有 DEV_STATE.md 和测试结果，创建或更新项目根目录下的 DEV_STATE.md。仅记录已确认的信息，不猜测或虚构；用一段简洁、连贯的文字概括当前目标、已完成内容、关键决策、核心文件、测试结果、已知问题、失败方案和下一步任务，删除无效讨论、重复信息和过时内容，不粘贴代码，不记录密码、Token、API Key、私钥、Cookie 等敏感信息，重点让下一次开发能够快速了解“当前做到哪里、为什么这样做、哪些已验证、哪些未完成以及下一步做什么。」 当下一次继续开发时，只需要说这样一句提示词即可： 「读取 DEV_STATE.md文档，继续按照文档中的项目进度进行开发」 这相当于给 Codex 建了一份项目记忆快照。长项目、多人协作、Vibe Coding，必须养成这个习惯。 把上下文压缩成状态文件，省的是 Token，提升的是整个开发循环的速度。show more

Codex 5.6 必须知道的技巧：清理上下文，减少 85% 的无效 token 消耗 你以为 Agent... 聊得越久，能力越强 但实际上，长对话很可能正在拖慢 Agent。因为上下文里会不断堆积无效信息，包括废弃方案、失败尝试、调试日志、重复输出和过期内容，最终不仅浪费 token，还会干扰 Agent 的判断。 正确的做法：不要让上下文变成垃圾桶，定期让 Codex 清理当前状态。 这段提示词prompt你直接使用： “请整理当前任务的上下文，清理无效信息，删除或标记已废弃方案、已完成无需参考的内容、与当前目标无关的历史记录以及低价值重复输出，并重新生成一份精简任务摘要，仅保留当前目标、核心约束、已确认决策、当前进度、未解决问题和下一步计划；后续执行任务时，以最新摘要作为主要依据，不再依赖已失效信息。” 这样做的好处： 1️⃣ 能避免 Agent 不被旧信息干扰，减少沿着错误路径继续执行 2️⃣ 保持上下文始终围绕当前目标，提高复杂任务的稳定性 3️⃣ 长时间开发不会因为历史信息堆积而导致 Agent 判断能力下降 很多时候，你缺的不是更多 token，而是一个干净、有效的上下文！show more

一个不错的个人知识库项目：Supermemory，可以保存网络信息，比如网页、推特、笔记等内容，然后基于这些内容进行AI搜索 开源的，比X的书签搜索好用 特点： 1、ChatGPT for Bookmarks： 支持将网页、推特帖子等保存到 Supermemory，使用其内置的 AI... 功能进行搜索、提问 2、知识画布：以二维画布的形式组织信息，方便理解和关联 3、写作助手：支持基于保存的数据进行AI写作 4、集成：支持 Telegram 和 Twitter 等平台的集成 github： 网站： #个人知识库 #AI搜索 #Supermemory #知识库show more

Codex 5.6 能省下 80% 重复 token 的技巧：能缓存的，就别让它重新读第二遍 很多人在用 Codex... 进行vibe coding的时候，每次任务都让模型重新读一遍，项目说明、技术架构、测试规范、固定 Prompt 这就是在白烧 Token 正确做法是：动态信息让 Codex 直接看，静态信息让缓存背。 你可以直接丢这段 Prompt： “请先分析当前项目，把长期不变的项目背景、技术架构、编码规范、测试规则、固定业务约束等内容识别并整理成精简的静态上下文，后续任务优先复用这些已有信息，不要重复读取或重新总结；只有出现新需求、代码修改、新文件、报错日志、测试结果或运行结果等动态变化时才重新读取，并且每次执行任务前告诉我本次复用了哪些静态上下文、新读取了哪些动态信息，以及哪些内容无需重复读取，在保证准确性的前提下尽可能减少重复上下文和 Token 消耗。” 这样做的好处很直接： 1️⃣ 少读重复内容，Token 消耗大幅下降。 2️⃣ 上下文更干净，Codex 能把注意力放在真正变化的代码和需求上。show more

在 GitHub 上发现一个开源项目：Memvid，颠覆传统的向量数据库处理方式，直接将文本数据编码成视频文件。 通过将数百万文本块压缩到单个 MP4 文件中，不仅实现了 10 倍的存储压缩率，还能在亚秒级时间内完成语义搜索，完全无需数据库服务器。 GitHub：... 并且内置对话功能，可与知识库进行上下文感知的对话，同时支持直接导入 PDF 文档并自动索引处理。 可完全离线工作，视频生成后无需网络连接。正在构建大型知识库的 AI 开发者不妨看下这个项目。show more

Codex 5.6 这 4 个设置，能砍掉 80% 无效 token 浪费，复杂长任务效率还能提升... 70% 很多时候不是模型不够强，而是你的上下文、缓存和工具配置正在拖后腿。 1️⃣ 尽量吃满 prompt cache 固定不变的项目规则、AGENTS.md、开发规范、长期 prompt 放前面，经常变化的需求放后面。这样更容易命中缓存，减少重复计算和重复上下文token消耗。 2️⃣ 长任务要及时压缩上下文 不要让日志、失败方案和旧历史一直堆在会话里。 直接输入prompt： “请整理当前任务上下文，清理失效方案、重复日志和无关历史，只保留当前目标、关键决策、核心约束、当前进度、未解决问题和下一步行动，后续基于最新摘要继续执行。” 3️⃣ MCP 不要装一堆不用的 Browser、Figma、GitHub、文档 MCP 都很强，但工具越多，上下文负担也越大。当前项目需要什么，就加载什么，别让一堆无关工具长期占着上下文。 4️⃣ 保持项目配置稳定 不要频繁切模型、工作目录、工具配置和开发规则。稳定的 prompt、稳定的工具链和固定项目结构，更容易持续复用缓存，也能减少 Agent 反复重新理解项目。 真正高效的 Codex 工作流： 高缓存命中 → 干净上下文 → 必要工具 → 稳定配置 很多时候 Codex 不需要再变强，你只需要做的，就是别再浪费它的上下文。show more

Codex 5.6 最强隐藏提示词：让 AI 不再盲目执行，而是先帮你找错！ 很多人用 Vibe Coding 最崩溃的时刻：... AI 花几个小时写完代码，token用完了，最后才发现——方向从一开始就错了。 因为 AI 擅长执行，却不会主动质疑你的想法。 分享一个我反复测试后的codex提示词，让 Codex 开启高级工程师评审模式： “在执行任何任务前，请先进行独立判断： 检查我的需求是否存在错误前提、逻辑漏洞、信息缺失或隐藏风险。 不要默认接受我的方案，如果发现更好的方案或潜在问题，请直接指出。 明确区分：已确认事实、合理推测、未验证假设 涉及代码、数据、版本和技术结论时，请先验证，不要编造。 如果信息不足，请先提出需要确认的问题，而不是自行补全。 在执行前，评估方案的长期维护成本和可能影响。” 换成这种方式后，Codex 最大的变化： 1️⃣ 提前发现问题 在开发开始前，先检查需求漏洞和隐藏风险。 2️⃣ 优化技术决策 不只是完成功能，而是帮助找到更可靠的实现方案。 3️⃣ 减少无效返工 把问题解决在写代码之前，比后面不断重构更省时间。show more

Codex 5.6 别再疯狂堆 prompt 了，少写 41%–66% token，执行效果反而能提高 90% 很多人用... Codex 最大的问题，就是怕 AI 不懂，于是把规则、背景、工具、要求一股脑全塞进去。 结果就是，prompt 越来越长、无关工具越来越多、上下文越来越脏，agent 反而更容易跑偏。 正确的做法，只保留当前任务真正需要的指令和工具。 直接在 Codex 里输入这段重要prompt： 请优化当前 Codex 工作上下文，删除重复、冲突、低价值以及与当前任务无关的指令，只保留当前目标、核心约束、验收标准和必要工具；同时检查 agent 当前可调用的工具，移除本任务不会使用的工具。优化前后分别统计 prompt 长度、工具数量和保留的核心信息，确保减少上下文占用的同时不丢失关键执行要求。 核心目的就这两件事： 1️⃣ 减少重复指令 同一条规则不要同时出现在 System Prompt、AGENTS.md、项目说明和当前对话里，保留一个权威版本即可。 2️⃣ 减少无关工具暴露 当前只做 Code Review，就别同时把 Figma、Browser、数据库、部署工具全部塞给 Agent。 真正高效的 Context Engineering，是让 Codex 只看到当前任务最重要的信息。show more

兄弟们，用GPT-6 Astra，一定要把这个开关打开。 找到 ~/.codex/config.toml，加上： [features.context_management] experimental_mode = true 保存，再新开一个任务。... 以前对话一长，前面的细节容易被压成一坨摘要。 打开以后，Astra会自己记笔记，还能回头搜索同一任务里的历史消息和工具结果。 这才是它真正狠的地方。 不是一轮回答更聪明，是项目做了几天，它还记得你为什么这么干。 长项目不开这个，真有点拿跑车送外卖。show more

我用Codex从零搓出来的GPT 5.6 Router 版正式开源了！ 无需手动操作，自动帮你根据任务复杂度选择对应5.6模型版本！ 帮你省下不必要的推理时间的同时还能降低Token费用！ 同时，这个项目和原生codex cli 完全隔离，不影响常规使用！... 安装和使用的步骤非常简单 第一步：把这个链接发给你的 CodeX，让它帮你安装 第二步：打开终端工具，输入codex-router 就可以在cli中使用该模型了 欢迎各位老师来试用这个项目，点点star，给给建议～ 关于缓存和记忆优化也在持续进行当中 继续坚持build in public，冲冲冲！show more

Codex 5.6 这个 GitHub 插件一定要装，能让你省下90%的token！ 90% 的人都把 Codex 用反了。... 一上来就让它： 帮我写一个 App。 分享一条我在用的绝佳省token技巧，先给 Codex 连接 GitHub 插件，然后输入提示词： 我要开发一个 XXX。暂时不要创建文件，也不要输出代码。先在 GitHub 调研同类开源项目，筛选出最有参考价值的方案。分析它们解决了什么问题、采用什么架构、依赖哪些技术、目前是否活跃，以及有哪些设计值得复用或避开。最后结合我的需求，给出技术选型、系统架构、MVP 范围和开发顺序。得到我的确认后，再进入实现阶段。 这样 Codex 会先做三件事： 1️⃣ 找到经过真实项目验证的方案 2️⃣ 研究别人已经踩过的坑 3️⃣ 根据你的需求做出技术取舍 等方向确定后，再让它开始写代码。show more

Codex 5.6 必装金融分析工具，让你秒变股票分析专家 你是不是还在每天盯 A股、港股、美股，还要自己看新闻、资金流、技术指标，最后再手动做复盘？其实这些AI都能帮你搞定。 用这个开源项目 daily_stock_analysis 自动抓取行情和相关信息，生成 AI... 分析报告，再推送到企业微信、飞书、Telegram 等渠道。 可以直接让 Codex 帮你把整套流程跑起来。 你只需要把项目交给 Codex，输入这段prompt： 帮我部署并配置 daily_stock_analysis，先检查当前项目依赖和运行方式，再使用 GitHub Actions 设置工作日自动执行；添加我的自选股，开启 AI 分析和风险提示，并配置消息推送。部署完成后实际运行一次，检查行情获取、AI 分析、报告生成和推送是否全部正常，有问题直接修复直到完整跑通。 整个流程变成： 自动抓行情 → AI 分析 → 生成报告 → 定时推送 以前你每天自己盯盘，现在直接让 Codex 5.6 帮你把“盯盘 + 分析 + 复盘 + 推送”自动化。 赶紧去试试吧，真是太方便了！show more

为什么很多人的 Agent 用不起来？ 不管 Agent 多聪明，像Claude Code、Codex、OpenClaw，都会遇到同一个问题：上次说好的偏好，下次对话全忘了。 不是模型不够聪明，是记忆架构本身的问题。 很多市面上的Agent... Memory，说的好听点叫长期记忆，其实就是个聊天记录仓库。 最近在 GitHub 看到 MemOS 出的一个本地记忆插件，叫 MemOS Local Plugin，上线没多久就斩获了近万 Star。 直接装进你的 Agent 里就能用，Hermes 和 OpenClaw 都已经支持，核心思路是执行即学习。 Agent 每跑一次任务，过程本身就在转化成经验，下次遇到类似的事能直接调用。 最近 Local Plugin 2.0 还升级了记忆架构，让 Agent 能从任务里学到东西、沉淀经验。 具体3件事： 1、每步操作都会被打分 不只记录做了什么，还会标注是怎么做的、哪一步起了作用。 这些被拆解成一个个可学习的单元，慢慢积累成 可复用的经验。 2、记忆分层，按需读取 记忆按层分类存放，短期的、任务相关的、长期沉淀的各归各处。 用什么取什么，不会把不相关的东西一起翻出来干扰判断。 3、换 Agent也没事，经验不清零 在一个Agent里积累的东西，换另一个也能直接用，记忆资产一直都在。show more

有时想在 Obsidian 笔记里直接和 AI 对话，又不想来回切换窗口，或者担心隐私问题不想用在线服务。 最近在 GitHub 上看到 ChatGPT... MD 这个插件，能把 ChatGPT、OpenRouter 和本地大语言模型无缝集成到 Obsidian 中。 支持在任何笔记里直接发起对话，还能引用其他笔记作为上下文，对话内容完全保存在本地，不经过第三方服务器。 GitHub： 除了支持 OpenAI，还能接入 OpenRouter 平台的 Claude、Gemini、DeepSeek 等模型，或者通过 Ollama 和 LM Studio 使用本地模型，完全离线运行。 每个笔记都能单独配置模型参数，支持 Markdown 渲染、自动生成标题、模板复用等功能。 如果你想在 Obsidian 里高效使用 AI，又希望对话记录和笔记保持一致，这个插件值得一试。show more

Codex 5.6 必装插件：Sentry 很多人都遇到过：刚修好一个 Bug，旧问题又出现，项目陷入反复返工的循环 那是因为你丢给Codex的截图或者日志通常只有最后一条报错。真正决定能不能修好的调用链、影响范围、发生频率、版本信息和运行上下文，可能全都丢了。 最近我给 Codex 接入了... Sentry 插件，整个排查流程完全不一样。 现在不需要反复搬运报错，只要告诉它： 用 Sentry 找出当前的线上 Bug，别只看报错信息，结合调用链和当前代码查出真正根因。 Codex 就可以直接读取你有权限的错误数据，再结合当前项目代码完成： 1️⃣ 还原现场：查看完整调用链和运行上下文，确认 Bug 在什么条件下发生。 2️⃣ 定位根因：把线上错误对应到具体代码，避免只根据最后一条报错猜答案。 3️⃣ 验证修复：先复现问题并补充回归测试，再修改代码，避免修好这里又弄坏那里。 彻底告别 Bug 修了又坏、坏了再修的循环。show more

卧槽，这个仓库思路我是挺佩服的～ 能把任意公开的 GitHub 仓库逆向工程成“原始自然语言提示（prompt）”。 简单说就是： 你输入一个 GitHub 仓库链接，它就会自动抓取仓库的结构、README、文件树等信息，用 AI（比如... Gemini）帮你生成一个完整、自然的提示词。 把这个提示词直接丢给 Claude、Cursor、Windsurf 等 AI 编程工具，AI 就能更好的理解。 主要用处： 快速学习一个项目的“构建思路”和提示风格（不用一行一行读代码） 复制/重现别人用 AI 写的项目（学习提示词） 仓库&体验地址👇👇👇show more

听说 Kaito AI 🌊 算法又更新了，对项目有深刻的理解，文章有自己的独特见解，这样才能有头部yapper互动，yaps才能增长，这样不仅能防止作弊，而且还逼着中低端yapper成长，没办法时代在进步我们也要跟上 我想试着写写 MemeMax ，最早的一次活动应该是五六月份，项目方的奖励也是直接给的U，印象深刻的是和💩有关，当时X被💩攻占了，满屏的都是屎味，掀起了一股有味道的活动 经过半年多的沉淀，#MemeMax... 从原来的社交项目转变成了永续合约的去中心化交易平台，这一步很关键，持续稳定的收入对项目很重要，也是项目继续生存发展的根基，虽然前期有融资，但这个钱是有数的，项目只有自身能够创造收益，这才是运作下去的因素，比如 $uni $hype 项目方在我看来是很有魄力和格局的，也不缺资金，只要方向选对，成功对它来说并不难show more

Anthropic 在 2026 年 9 月 17 日公布了一组进展：在两名技术人员监督下，Claude 用了不到四周时间，协助优化了... 30 多个开源生物学模型，其中包括 AlphaFold3 和 Boltz-2，相关优化代码已经开源。 这件事情吸引人的地方，在于它处理实际科研代码的具体过程，也就是从进入工程仓库、定位问题、修改代码，到最后一步步拿指标做检查。 顺着这种科研工作流的思路，我最近试用了 ScienceBuddy。它是 PhAI Labs 推出的生物医学 Agent 工作台，我先用它跑了一个具体的文献梳理任务。 我给出的提示词是整理近几年用机器学习预测 CRISPR-Cas9 脱靶活性的相关研究，主要看基因编辑在目标区域之外产生误切的情况。 为了方便后续比对，我直接指定了输出结构，要求把研究任务、数据规模、主要发现、研究局限和 DOI 整理成规整的列。 ScienceBuddy 在当前任务窗口里生成了一张论文信息表格。不同研究使用的数据集、得出的结论以及原文入口被归纳在同一套字段下。这样的交互挺省事：输入的提示词、生成的表格以及后续的追问都停留在同一个工作界面，左侧列表也保留着历史任务记录，随时可以点回来继续补充条件。 拿到了整理好的表格，我抽查了其中一行，点击 CRISMER 对应的 DOI 链接，跳转到了 bioRxiv 上的原始预印本摘要。 表格里抓取的 CHANGE-seq 和 SITE-seq，确实是原文摘要里明确写出的训练数据；论文自身报告的 F1 值为 0.728、PR-AUC 值为 0.818，也逐字出现在摘要数据中，页面同时标有预印本提示。这里需要说明，这些准确率数值是 CRISMER 那篇论文自己的实验结果，并不是软件的性能数据。这次抽查做的事情很简单，就是顺着生成结果里的来源链接，确认关键字段能不能在原文里找到出处。 在另一个关于 GEO 公开组学数据的任务中，我查看了它的运行轨迹（Trajectory）。界面上展示了 query_geo、fetch_source、query_pubmed 等工具调用节点，清晰记录了系统在推进任务时尝试发起的查询动作。 关于底层的实现，项目方提到 ScienceIDE 是 ScienceBuddy 的底层技术框架，主要作用是把真实的科研代码封装成 Agent 可以执行、练习和验证的环境，并尝试通过科学标准来检查结果。面向普通用户日常使用的产品是 ScienceBuddy。 整套体验下来，最直观的感受是ScienceBuddy 把文献线索集中整理成表，并在同一个任务流里继续追问，遇到关键数据也能够直接从引用中找到 DOI 回原文做核对。 产品访问地址是 PhAI Labs 开发。我体验的时候 Preview 版本处于免费开放状态。如果平时需要梳理生物医学领域的论文脉络或收集开题证据，可以找一个具体课题试一试。show more