老韭菜南亥
@daweifs • 19,939 subscribers
AI｜美股｜Meme叙事｜GT → 100U 蓝鸟会｜全真社区｜所有推文不构成投资建议 DYOR 欢迎优质合作，TG：@daweifs
Shorts
Videos
现在学 AI 挺常见的一个坑： API 调得溜，LangChain 用得熟，Agent 也能搭，可真问到 Attention 怎么算、Tokenizer 怎么切、反向传播到底在干嘛，很多地方还是一脸懵。 最近刷到一个挺猛的开源仓库：AI Engineering from Scratch，GitHub 已经快 4.8 万星了。它不搞“十分钟做一个 AI 应用”那种，而是从数学基础一路往上推：机器学习、深度学习、Transformer、LLM、RAG、MCP、Agent，再到多 Agent。一共 511 节，20 个阶段，大概 329 小时。我比较吃它的一点是：很多核心东西都得先自己手写一遍。 反向传播自己写，Tokenizer 自己写，Attention 自己写，Agent 循环也自己写。搞明白了再去碰 PyTorch 这些现成框架。 每节课最后还得交点实际东西，Prompt、Skill、Agent、MCP Server 都有。Python、TypeScript、Rust、Julia 都支持。 甚至能直接装进 Claude Code 或 Codex 里，让 Agent 当你的老师，先测你现在水平，再决定从哪一章开啃。平时工具用得挺多，但总觉得底层缺一块的话，这个仓库挺适合慢慢啃。511 节肯定不是周末能刷完的，但当成一份完整的 AI Engineering 学习路线，我觉得挺值。
老韭菜南亥40,505 Aufrufe • vor 1 Monat
AI Agent 最大的瓶颈，可能根本不是模型。 而是你的公司数据散落在：Slack + Notion + Gmail + Linear + HubSpot…… 这个 2.6K ⭐️ 的开源项目 Macro，想把它们直接干掉。 Email、Chat、Docs、Tasks、CRM、Calls、AI Agents 全部放进一个 Workspace。 更关键的是：所有东西互相 linked，AI 共享整个团队的 Memory。 Claude Code / Codex 还能直接通过 MCP 接进来，读上下文、建任务、处理邮件、操作整个 Workspace。 以前 AI 只是你公司的一个 Chatbot。 现在有人开始把整家公司变成一个 AI 可以理解和操作的系统。 这可能才是 Agent 真正进入企业的方式。
老韭菜南亥33,042 Aufrufe • vor 1 Monat
GitHub 上有些仓库挺神奇的。 它不是突然火几个月，它是一维护就是十几年。这段时间才看到 bannedbook/fanqiang，2015 年就建了，现在 GitHub 已经 5W+ ⭐️，居然还在更新。 它不仅仅单独一个软件，而是一个“科学上网工具箱”。 Windows、macOS、Linux、Android、iPhone 基本都整理好，Chrome、Edge、Firefox 也有自己对应的方案。里面还能看到 V2Ray、Shadowsocks、Tor Browser 这些大家比较熟的工具和教程。 其实我以为这种仓库应该早就没人维护了，结果翻了一下，已经 1400+ commits，最近还在继续更。而且从目录能明显看出来，这十几年里工具换了一批又一批。 SSR、V2Ray、Trojan、各种客户端…… 很多当年很火的方案已经进了 deprecated，新的又不断补进来。所以这个仓库好玩的地方，反而不只是拿来找工具。 把 Git 历史拉开看，某种程度上也是一份过去十多年网络代理工具的“考古记录”。如果对这类开源项目感兴趣，可以存一下。 仓库：
老韭菜南亥17,088 Aufrufe • vor 19 Tagen
现在用 Claude Code / Codex 做产品，写代码反而越来越不是最难的部分。 真正麻烦的是：去哪找数据？ 刚翻到一个 GitHub 46W ⭐️ 的老牌仓库：public-apis。 股票、Crypto、新闻、天气、地图、航班、体育、政府数据、机器学习…… 各种公开 API 全部按类别整理好了。 以前做一个产品： 先搜 API → 看文档 → 注册 → 测接口 → 再开始写代码。 现在完全可以反过来： 先告诉 Agent：“我要做一个美股 + 新闻 + Crypto 情绪 Dashboard。”然后让它来这里找数据源，再自己接 API、写后端、做前端。 AI Coding 把“代码”变便宜以后，真正值钱的开始变成数据和接口。 模型负责思考；代码负责执行；API 负责把 AI 接到真实世界。 仓库：
老韭菜南亥27,185 Aufrufe • vor 1 Monat
字节跳动开源 AI 超级员工 近 8 万 GitHub Stars，能研究、写代码、做网页、生成 PPT，还会自己组建 AI 团队，DeerFlow 2.0 部署教程。 字节跳动开源了一个真正能“干活”的 AI：DeerFlow 2.0 🦌 它不只是陪你聊天。给它一个目标，它会：拆解任务 → 调用工具 → 分配子智能体 → 执行代码 → 检查结果 → 交付文件 GitHub 已接近 8 万 Stars，下面教你 5 分钟部署👇 DeerFlow 可以理解成：一个运行在自己电脑上的 AI 工作团队。 普通 AI：你问一句，它回答一句。 DeerFlow：你提出目标，它可以连续工作几十分钟甚至数小时，最后交付： • 调研报告 • 网页 • PPT • 数据分析 • 图片和视频 • 可运行的代码 它最强的地方，是给 AI 配齐了“工作环境”： • Sub-agents：多个 AI 分工协作 • Sandbox：隔离执行代码和命令 • Memory：记住你的偏好和工作方式 • Skills：安装或编写专属工作流 • MCP：连接外部工具 • Scheduler：定时自动执行任务 不只是模型，而是一套 Agent 操作系统。 部署前准备： • Git • Docker Desktop • 一个可用的大模型配置 • 至少 4 核 CPU、8GB 内存 • 推荐 8 核 CPU、16GB 内存 先下载项目： git clone cd deer-flow 教程基于 DeerFlow 2.0 主分支，运行官方配置向导：make setup。 它会引导你配置： • 使用哪个大模型 • API Key 或模型认证 • 是否启用联网搜索 • 是否允许 Bash • 文件写入权限 • 沙箱运行模式 配置完成后，检查环境：make doctor 推荐使用 Docker 启动： make docker-init make docker-start 第一次运行需要拉取并构建镜像。 启动成功后打开： 到这里，你已经拥有一个本地 AI Agent 工作台。 第一个实战：自动生成行业研究报告。 直接复制这段提示词： 研究 2026 年全球 AI Agent 市场。 将任务拆分给多个子智能体，分别分析： 1. 主要公司和开源项目 2. 商业模式 3. 市场规模与增长趋势 4. 潜在机会 5. 主要风险 最终生成一份结构清晰、带来源链接的中文研究报告。 第二个实战：一键制作内容网站。 研究最近一周最值得关注的 10 个开源 AI 项目。 总结每个项目的用途、核心亮点、适用人群和使用门槛。 完成研究后，创建一个现代、响应式的中文导航网站，并将网页文件保存到输出目录。 它不只是告诉你怎么做。 它会直接交付网页文件。 另外几个非常适合 DeerFlow 的任务： ① 阅读整个 GitHub 仓库并输出重构方案 ② 分析 CSV，生成图表和商业报告 ③ 根据资料制作 PPT ④ 自动收集竞品更新 ⑤ 把固定流程封装成自定义 Skill ⑥ 通过飞书、Slack、Telegram 或微信提交任务 真正的价值，是把重复工作变成自动流程。 最后提醒： DeerFlow 可以执行系统命令、访问资源和读写文件，权限非常高。不要在没有认证和网络隔离的情况下直接暴露到公网。 建议： • 优先使用 Docker 沙箱 • 默认只在本机运行 • API Key 保存在 .env • 重要文件提前备份 • 高风险操作保留人工确认 收藏起来，周末给自己部署一支 AI 团队。 项目地址：
老韭菜南亥32,519 Aufrufe • vor 1 Monat
Keine weiteren Inhalte verfügbar