sitin

@sitinme • 29,649 subscribers

增长黑客/ 社群运营/AI 出海赚美刀对爬虫和RPA机器人有一点研究，https://t.co/bvUDQJguT2 擅长用AI搞点副业 / vx： 257735

Shorts

闲鱼RPA机器人来啦哈，这个机器人适合搞闲鱼的兄弟们，用闲鱼赚点零花钱，节约点时间精力。

闲鱼RPA机器人来啦哈，这个机器人适合搞闲鱼的兄弟们，用闲鱼赚点零花钱，节约点时间精力。

160,505 views

最近在 GitHub 上刷到一个挺炸的开源项目：Wren AI 它本质上是在做一件我们都很熟、但一直没被真正解决好的事：让不懂 SQL 的人，也能自己查数据库。比如说，业务、运营想看数据，第一反应就是来敲后端：“帮我查下上个月销量前 3 的产品”“这个转化率能不能按渠道拆一下”。 SQL 本身不难，但沟通成本、来回确认、临时插队，才是真正耗时间的地方。 Wren AI 的思路很直接：对话即查询。你直接用自然语言问问题，它会自动生成 SQL、跑库、给结果，甚至顺手把图也画好（柱状图、折线图那种）。可以把它理解成一个 “自带 AI 分析师的开源版 Metabase”，但门槛更低，不用拖字段、不用写 SQL。比较关键的一点是，它不是那种“裸 Text-to-SQL”。 Wren AI 引入了 Semantic Layer（语义层），你可以提前把业务指标、表关系、口径定义清楚，相当于给大模型加了一层“业务护栏”。这一步虽然需要懂数据库的人前期配置一下，但一旦理顺，后面业务方基本很难把数据问歪，准确性和安全性都高很多。模型和部署这块也挺对技术人的胃口： ·云模型：OpenAI / Claude / Gemini 都能接 ·数据不出内网：可以配 Ollama + 本地模型（比如 DeepSeek） ·数据库支持也很全：MySQL、Postgres、ClickHouse、DuckDB 基本全覆盖 ·安装也不折腾，有 Docker 基本就是一键起整体看下来，我觉得它特别适合两种场景： 1）想给团队搭一套真正能用的自助查数平台 2）想研究 “AI + BI + 语义层” 这种更偏工程化的落地方案一句话总结：把“查数据”的自由还给业务，把时间还给开发。

最近在 GitHub 上刷到一个挺炸的开源项目：Wren AI 它本质上是在做一件我们都很熟、但一直没被真正解决好的事：让不懂 SQL 的人，也能自己查数据库。比如说，业务、运营想看数据，第一反应就是来敲后端：“帮我查下上个月销量前 3 的产品”“这个转化率能不能按渠道拆一下”。 SQL 本身不难，但沟通成本、来回确认、临时插队，才是真正耗时间的地方。 Wren AI 的思路很直接：对话即查询。你直接用自然语言问问题，它会自动生成 SQL、跑库、给结果，甚至顺手把图也画好（柱状图、折线图那种）。可以把它理解成一个 “自带 AI 分析师的开源版 Metabase”，但门槛更低，不用拖字段、不用写 SQL。比较关键的一点是，它不是那种“裸 Text-to-SQL”。 Wren AI 引入了 Semantic Layer（语义层），你可以提前把业务指标、表关系、口径定义清楚，相当于给大模型加了一层“业务护栏”。这一步虽然需要懂数据库的人前期配置一下，但一旦理顺，后面业务方基本很难把数据问歪，准确性和安全性都高很多。模型和部署这块也挺对技术人的胃口： ·云模型：OpenAI / Claude / Gemini 都能接 ·数据不出内网：可以配 Ollama + 本地模型（比如 DeepSeek） ·数据库支持也很全：MySQL、Postgres、ClickHouse、DuckDB 基本全覆盖 ·安装也不折腾，有 Docker 基本就是一键起整体看下来，我觉得它特别适合两种场景： 1）想给团队搭一套真正能用的自助查数平台 2）想研究 “AI + BI + 语义层” 这种更偏工程化的落地方案一句话总结：把“查数据”的自由还给业务，把时间还给开发。

29,992 views

m1k1o/neko：Docker 里跑一个虚拟浏览器，WebRTC 串流自托管的虚拟浏览器，跑在 Docker 里，通过 WebRTC 实时串流画面。支持多人共享同一个浏览器会话。用途： • 团队协作看网页 / debug • 给 AI Agent 一个隔离的浏览器沙箱 • 规避本地浏览器指纹 • 远程桌面的轻量替代 Docker 一行命令起，开箱即用。 🔗

m1k1o/neko：Docker 里跑一个虚拟浏览器，WebRTC 串流自托管的虚拟浏览器，跑在 Docker 里，通过 WebRTC 实时串流画面。支持多人共享同一个浏览器会话。用途： • 团队协作看网页 / debug • 给 AI Agent 一个隔离的浏览器沙箱 • 规避本地浏览器指纹 • 远程桌面的轻量替代 Docker 一行命令起，开箱即用。 🔗

22,701 views

刚体验了一把 AI 浏览器 comet，直接批量关注了一堆 Twitter 上的高质量 AI 大佬。提高信噪比很重要

刚体验了一把 AI 浏览器 comet，直接批量关注了一堆 Twitter 上的高质量 AI 大佬。提高信噪比很重要

55,602 views

worktrunk — Git Worktree 管理器，专为并行跑多个 AI coding agent 设计。先说痛点：如果你现在用 Claude Code / Codex 写代码，一个 agent 一次只能改一个功能。想并行跑 5-10 个 agent 同时处理不同任务？Git 原生做不到——多个 agent 共享同一个工作目录，互相踩文件、冲突不断。 Git 其实有一个 worktree 功能可以解决这个问题：给每个 agent 分配独立的工作目录，共享同一个 .git。但原生 UX 极其痛苦：创建一个 worktree 要打三遍分支名： git worktree add -b feat ../repo.feat cd ../repo.feat worktrunk 把这件事简化成了一行命令： wt switch -c -x claude feat 创建 worktree + 切换目录 + 启动 Claude Code，一步到位。核心命令就三个： • wt switch feat → 切换到指定 worktree • wt switch -c feat → 创建新 worktree • wt remove → 清理进阶功能也很实用： • Hooks：创建/合并时自动执行脚本 • LLM commit messages：自动从 diff 生成提交信息 • wt merge main：一行命令完成 squash + rebase + merge + 清理 • 交互式选择器：带实时 diff 和 log 预览 • 构建缓存复制：worktree 之间共享 target/、node_modules/，跳过冷启动当你从"一次跑一个 agent"升级到"同时跑 5 个 agent 做不同任务"，worktree 管理就是第一个要解决的问题。 🔗

worktrunk — Git Worktree 管理器，专为并行跑多个 AI coding agent 设计。先说痛点：如果你现在用 Claude Code / Codex 写代码，一个 agent 一次只能改一个功能。想并行跑 5-10 个 agent 同时处理不同任务？Git 原生做不到——多个 agent 共享同一个工作目录，互相踩文件、冲突不断。 Git 其实有一个 worktree 功能可以解决这个问题：给每个 agent 分配独立的工作目录，共享同一个 .git。但原生 UX 极其痛苦：创建一个 worktree 要打三遍分支名： git worktree add -b feat ../repo.feat cd ../repo.feat worktrunk 把这件事简化成了一行命令： wt switch -c -x claude feat 创建 worktree + 切换目录 + 启动 Claude Code，一步到位。核心命令就三个： • wt switch feat → 切换到指定 worktree • wt switch -c feat → 创建新 worktree • wt remove → 清理进阶功能也很实用： • Hooks：创建/合并时自动执行脚本 • LLM commit messages：自动从 diff 生成提交信息 • wt merge main：一行命令完成 squash + rebase + merge + 清理 • 交互式选择器：带实时 diff 和 log 预览 • 构建缓存复制：worktree 之间共享 target/、node_modules/，跳过冷启动当你从"一次跑一个 agent"升级到"同时跑 5 个 agent 做不同任务"，worktree 管理就是第一个要解决的问题。 🔗

11,777 views

Videos

Anya Rossi

sweetdream.ai

SweetDream.ai•Sponsored•Livecam

Watch Anya Live

Anya is streaming live right now! Join her private show and enjoy exclusive content.

Exclusive private shows

1.2k viewers online

Private Show

Join now for exclusive access

Free preview available • Premium content

更新：公众号自动rpa仿写机器人🤖 做公众号AI爆文的兄弟可以搞起来了矩阵搞点零花钱必备兄弟们

更新：公众号自动rpa仿写机器人🤖 做公众号AI爆文的兄弟可以搞起来了矩阵搞点零花钱必备兄弟们

463,771 views • 2 years ago

Vercel 把 Marketplace 直接向 AI Agent 开放了。什么意思？一句话——以后基础设施这块，真的可以全自动了。以前我们用 Claude Code、Cursor 这些 AI 编程工具，写代码已经很猛了，但真正上线一个项目，最麻烦的从来不是代码本身，而是那一堆“杂事”：数据库要去注册，Redis 要单独开，认证服务要配，日志监控要接，邮箱服务要申请 API Key…… 这些步骤过去基本都得人肉操作。AI 能写业务逻辑，却卡在基础设施这一步。这次 Vercel 干了一件很关键的事：不用搞 MCP Server，不用接新协议，直接把自家 CLI 包成一个 AI Skill。一行命令： npx skills add vercel/vercel --skill vercel-cli 装完之后，Agent 就可以像人一样“逛 Marketplace”了。它能做什么？ ·自动 discover 有哪些数据库、认证、日志服务 ·自动 add 安装 Neon、Upstash 这种服务 ·自动注入环境变量 ·自动读取接入文档 ·自己把集成代码写好最后部署上线你只需要说一句：“帮我做个带登录系统的待办 App，部署到 Vercel。” 剩下的流程，理论上 Agent 全跑完。我觉得这件事的意义，不只是“方便”。也是在说：基础设施正在从“人操作”变成“Agent 可操作”。以前：API 是给程序用的；文档是给人看的；CLI 是给人敲的现在必须：返回结构化数据；支持无交互模式；提供机器可读文档；默认假设：调用者可能是 Agent 这其实是 SaaS 形态的一次升级。未来能不能被 Agent 调用，可能会成为一个产品的生死线。如果你的服务不能被自动发现、自动安装、自动配置，那在 AI 自动化流程里，它就会被绕开。目前来说：项目搭建的“时间成本曲线”正在被压平。过去从 0 到 1 搭一套完整基础设施，可能要 2～3 小时。未来可能只是一句 prompt。当部署成本无限接近 0，真正有价值的东西只剩两件： 1.你想解决什么问题 2.你是否有持续迭代能力代码门槛在下降，基础设施门槛在消失。AI + 可编排基础设施，正在把“做产品”这件事，压缩到极致。

Vercel 把 Marketplace 直接向 AI Agent 开放了。什么意思？一句话——以后基础设施这块，真的可以全自动了。以前我们用 Claude Code、Cursor 这些 AI 编程工具，写代码已经很猛了，但真正上线一个项目，最麻烦的从来不是代码本身，而是那一堆“杂事”：数据库要去注册，Redis 要单独开，认证服务要配，日志监控要接，邮箱服务要申请 API Key…… 这些步骤过去基本都得人肉操作。AI 能写业务逻辑，却卡在基础设施这一步。这次 Vercel 干了一件很关键的事：不用搞 MCP Server，不用接新协议，直接把自家 CLI 包成一个 AI Skill。一行命令： npx skills add vercel/vercel --skill vercel-cli 装完之后，Agent 就可以像人一样“逛 Marketplace”了。它能做什么？ ·自动 discover 有哪些数据库、认证、日志服务 ·自动 add 安装 Neon、Upstash 这种服务 ·自动注入环境变量 ·自动读取接入文档 ·自己把集成代码写好最后部署上线你只需要说一句：“帮我做个带登录系统的待办 App，部署到 Vercel。” 剩下的流程，理论上 Agent 全跑完。我觉得这件事的意义，不只是“方便”。也是在说：基础设施正在从“人操作”变成“Agent 可操作”。以前：API 是给程序用的；文档是给人看的；CLI 是给人敲的现在必须：返回结构化数据；支持无交互模式；提供机器可读文档；默认假设：调用者可能是 Agent 这其实是 SaaS 形态的一次升级。未来能不能被 Agent 调用，可能会成为一个产品的生死线。如果你的服务不能被自动发现、自动安装、自动配置，那在 AI 自动化流程里，它就会被绕开。目前来说：项目搭建的“时间成本曲线”正在被压平。过去从 0 到 1 搭一套完整基础设施，可能要 2～3 小时。未来可能只是一句 prompt。当部署成本无限接近 0，真正有价值的东西只剩两件： 1.你想解决什么问题 2.你是否有持续迭代能力代码门槛在下降，基础设施门槛在消失。AI + 可编排基础设施，正在把“做产品”这件事，压缩到极致。

81,250 views • 3 months ago

最近我们在用 Claude Code Skills 做内容发布自动化，体感非常明显：凡是能整理成 SOP 的重复工作，都应该交给 AI。我们的流程很简单：内容本地用 Markdown 管理，首发公众号，发布后只给 Claude 一句指令，它就会自动通知飞书、记录发布状态，并同步到博客和其他网站。以前这些步骤不难，但每天重复做，本质就是在消耗人力。 Skills 的核心价值是：把一整套 SOP 固化成 AI 能执行的能力。不需要点流程、配节点，用自然语言描述需求，Claude 会自己判断是否调用 Skill 并按步骤执行。相比 Make / n8n 这类自动化工具，我更看好 Skills 的原因是：它既有流程性，又有 AI 的判断能力，而且 Token 成本更可控。一句话：80% 的日常提效场景，用 Skills 就已经够了。有一点技术基础的小伙伴，下一步不该只是“用 AI 干活”，而是开始把你每天重复做的事情，直接封装成一个 Skill。（总结一下这篇文章）

最近我们在用 Claude Code Skills 做内容发布自动化，体感非常明显：凡是能整理成 SOP 的重复工作，都应该交给 AI。我们的流程很简单：内容本地用 Markdown 管理，首发公众号，发布后只给 Claude 一句指令，它就会自动通知飞书、记录发布状态，并同步到博客和其他网站。以前这些步骤不难，但每天重复做，本质就是在消耗人力。 Skills 的核心价值是：把一整套 SOP 固化成 AI 能执行的能力。不需要点流程、配节点，用自然语言描述需求，Claude 会自己判断是否调用 Skill 并按步骤执行。相比 Make / n8n 这类自动化工具，我更看好 Skills 的原因是：它既有流程性，又有 AI 的判断能力，而且 Token 成本更可控。一句话：80% 的日常提效场景，用 Skills 就已经够了。有一点技术基础的小伙伴，下一步不该只是“用 AI 干活”，而是开始把你每天重复做的事情，直接封装成一个 Skill。（总结一下这篇文章）

78,153 views • 5 months ago

最近刷帖子，意外发现 Google 的 Code Wiki，感觉还挺好用的，属于那种“你用一次就会想把它塞进日常工作流”的东西。以前读代码慢，是因为项目复杂、历史包袱重；现在更离谱的是——Vibe Coding 一开，AI 堆代码的速度直接把人的理解能力碾过去。代码一天一个版本，文档呢？大概率还停在半年前。你让 AI 按文档跑，十次有九次报错，这不是你水平问题，是“文档天然会腐烂”的结构性问题。 Code Wiki 捅破的点很直接：既然没人愿意维护文档，那就别指望“人肉维护”，让 AI 来维护。它更像是长在仓库里的“活体 Wiki”：代码一有新的 commit，它就用 Gemini 去扫变更，把相关说明、模块介绍、关键逻辑的文档一起更新。对我来说这意义很大，因为它解决的不是“写得更漂亮”，而是“永远别过期”。文档不再是一个需要你记得去更新的负担，而是代码的自然副产物。它的可视化能力还不错，Code Wiki 能直接从代码关系里渲染出类图、时序图、依赖图、架构流转图这种“人类更容易理解”的表达方式。尤其是接手老项目、准备重构、或者经常研究开源项目——这类图的价值很高：大家不是在“逐行读”，而是在“先建立地图，再决定往哪里深挖”。它的交互是“可追溯”的。你在侧边栏问它问题，它会基于当前仓库给解释，而且能给出精确的代码引用，点一下就跳到文件和行号。这一下把 AI 最让人难受的“幻觉焦虑”降了不少：你不需要完全相信它的结论，你只需要顺着引用去核查——它更像一个“带证据链的讲解员”。一句话：在 Claude Code、Codex 这些工具把“生成”变得近乎无限便宜之后，我们真正稀缺的东西变了——不是产出，而是理解与判断。

最近刷帖子，意外发现 Google 的 Code Wiki，感觉还挺好用的，属于那种“你用一次就会想把它塞进日常工作流”的东西。以前读代码慢，是因为项目复杂、历史包袱重；现在更离谱的是——Vibe Coding 一开，AI 堆代码的速度直接把人的理解能力碾过去。代码一天一个版本，文档呢？大概率还停在半年前。你让 AI 按文档跑，十次有九次报错，这不是你水平问题，是“文档天然会腐烂”的结构性问题。 Code Wiki 捅破的点很直接：既然没人愿意维护文档，那就别指望“人肉维护”，让 AI 来维护。它更像是长在仓库里的“活体 Wiki”：代码一有新的 commit，它就用 Gemini 去扫变更，把相关说明、模块介绍、关键逻辑的文档一起更新。对我来说这意义很大，因为它解决的不是“写得更漂亮”，而是“永远别过期”。文档不再是一个需要你记得去更新的负担，而是代码的自然副产物。它的可视化能力还不错，Code Wiki 能直接从代码关系里渲染出类图、时序图、依赖图、架构流转图这种“人类更容易理解”的表达方式。尤其是接手老项目、准备重构、或者经常研究开源项目——这类图的价值很高：大家不是在“逐行读”，而是在“先建立地图，再决定往哪里深挖”。它的交互是“可追溯”的。你在侧边栏问它问题，它会基于当前仓库给解释，而且能给出精确的代码引用，点一下就跳到文件和行号。这一下把 AI 最让人难受的“幻觉焦虑”降了不少：你不需要完全相信它的结论，你只需要顺着引用去核查——它更像一个“带证据链的讲解员”。一句话：在 Claude Code、Codex 这些工具把“生成”变得近乎无限便宜之后，我们真正稀缺的东西变了——不是产出，而是理解与判断。

43,028 views • 3 months ago

一直在用 Claude Code 的朋友，应该都有个同感：默认终端界面太素了，跑着任务完全看不到关键信息。发现一个超火的开源小工具 ccstatusline，它是专门给 Claude Code CLI 加状态栏的，装上之后，终端底部会多一排实时信息比如你现在用的是什么模型、Token 跑了多少、Git 在哪个分支、会话跑了多久，会话时长、内存占用等一堆实用信息，都会直接显示出来。还支持 Powerline 箭头风格，配上 Nerd Font 颜值直接拉满。内置 25+ 组件可自由组合，支持多行状态栏，信息密度想怎么调就怎么调。自带交互式配置界面，不用手写配置文件，点点选选就能搞定配色、组件和分隔符，几分钟就能把终端从 “毛坯房” 变成 “精装修”。跨平台支持 Mac、Linux、Windows，Node 和 Bun 都能跑，一行命令就能启动。

一直在用 Claude Code 的朋友，应该都有个同感：默认终端界面太素了，跑着任务完全看不到关键信息。发现一个超火的开源小工具 ccstatusline，它是专门给 Claude Code CLI 加状态栏的，装上之后，终端底部会多一排实时信息比如你现在用的是什么模型、Token 跑了多少、Git 在哪个分支、会话跑了多久，会话时长、内存占用等一堆实用信息，都会直接显示出来。还支持 Powerline 箭头风格，配上 Nerd Font 颜值直接拉满。内置 25+ 组件可自由组合，支持多行状态栏，信息密度想怎么调就怎么调。自带交互式配置界面，不用手写配置文件，点点选选就能搞定配色、组件和分隔符，几分钟就能把终端从 “毛坯房” 变成 “精装修”。跨平台支持 Mac、Linux、Windows，Node 和 Bun 都能跑，一行命令就能启动。

24,399 views • 2 months ago

来嘛！小红书自动评论RPA机器人，做私域，矩阵必备这个机器人一出来，好几个老板找我，其实很简单，rpa学起来！

来嘛！小红书自动评论RPA机器人，做私域，矩阵必备这个机器人一出来，好几个老板找我，其实很简单，rpa学起来！

156,271 views • 2 years ago

最近在 GitHub 上刷到一个挺炸的开源项目：Wren AI 它本质上是在做一件我们都很熟、但一直没被真正解决好的事：让不懂 SQL 的人，也能自己查数据库。比如说，业务、运营想看数据，第一反应就是来敲后端：“帮我查下上个月销量前 3 的产品”“这个转化率能不能按渠道拆一下”。 SQL 本身不难，但沟通成本、来回确认、临时插队，才是真正耗时间的地方。 Wren AI 的思路很直接：对话即查询。你直接用自然语言问问题，它会自动生成 SQL、跑库、给结果，甚至顺手把图也画好（柱状图、折线图那种）。可以把它理解成一个 “自带 AI 分析师的开源版 Metabase”，但门槛更低，不用拖字段、不用写 SQL。比较关键的一点是，它不是那种“裸 Text-to-SQL”。 Wren AI 引入了 Semantic Layer（语义层），你可以提前把业务指标、表关系、口径定义清楚，相当于给大模型加了一层“业务护栏”。这一步虽然需要懂数据库的人前期配置一下，但一旦理顺，后面业务方基本很难把数据问歪，准确性和安全性都高很多。模型和部署这块也挺对技术人的胃口： ·云模型：OpenAI / Claude / Gemini 都能接 ·数据不出内网：可以配 Ollama + 本地模型（比如 DeepSeek） ·数据库支持也很全：MySQL、Postgres、ClickHouse、DuckDB 基本全覆盖 ·安装也不折腾，有 Docker 基本就是一键起整体看下来，我觉得它特别适合两种场景： 1）想给团队搭一套真正能用的自助查数平台 2）想研究 “AI + BI + 语义层” 这种更偏工程化的落地方案一句话总结：把“查数据”的自由还给业务，把时间还给开发。

最近在 GitHub 上刷到一个挺炸的开源项目：Wren AI 它本质上是在做一件我们都很熟、但一直没被真正解决好的事：让不懂 SQL 的人，也能自己查数据库。比如说，业务、运营想看数据，第一反应就是来敲后端：“帮我查下上个月销量前 3 的产品”“这个转化率能不能按渠道拆一下”。 SQL 本身不难，但沟通成本、来回确认、临时插队，才是真正耗时间的地方。 Wren AI 的思路很直接：对话即查询。你直接用自然语言问问题，它会自动生成 SQL、跑库、给结果，甚至顺手把图也画好（柱状图、折线图那种）。可以把它理解成一个 “自带 AI 分析师的开源版 Metabase”，但门槛更低，不用拖字段、不用写 SQL。比较关键的一点是，它不是那种“裸 Text-to-SQL”。 Wren AI 引入了 Semantic Layer（语义层），你可以提前把业务指标、表关系、口径定义清楚，相当于给大模型加了一层“业务护栏”。这一步虽然需要懂数据库的人前期配置一下，但一旦理顺，后面业务方基本很难把数据问歪，准确性和安全性都高很多。模型和部署这块也挺对技术人的胃口： ·云模型：OpenAI / Claude / Gemini 都能接 ·数据不出内网：可以配 Ollama + 本地模型（比如 DeepSeek） ·数据库支持也很全：MySQL、Postgres、ClickHouse、DuckDB 基本全覆盖 ·安装也不折腾，有 Docker 基本就是一键起整体看下来，我觉得它特别适合两种场景： 1）想给团队搭一套真正能用的自助查数平台 2）想研究 “AI + BI + 语义层” 这种更偏工程化的落地方案一句话总结：把“查数据”的自由还给业务，把时间还给开发。

29,992 views • 4 months ago

简单说下闲鱼项目怎么做，配合我们之前说的闲鱼批量上传RPA工具，以及pdd，tmall采集rpa工具

简单说下闲鱼项目怎么做，配合我们之前说的闲鱼批量上传RPA工具，以及pdd，tmall采集rpa工具

90,380 views • 1 year ago

深夜放一个！老板们要的 tiktok搜索关键词再自动评论RPA机器人，来了哈！各位老板们速度安排上！

深夜放一个！老板们要的 tiktok搜索关键词再自动评论RPA机器人，来了哈！各位老板们速度安排上！

66,378 views • 2 years ago

重磅RPA机器人放送！小红书、知乎、快手、百家号、抖音，B站，微博、视频号等8个平台自动同步。做矩阵，自媒体的老板们冲鸭！

重磅RPA机器人放送！小红书、知乎、快手、百家号、抖音，B站，微博、视频号等8个平台自动同步。做矩阵，自媒体的老板们冲鸭！

59,704 views • 2 years ago

更新：采集tmall 电商rpa机器人有图有真相，方便大家迁移搞点小副业

更新：采集tmall 电商rpa机器人有图有真相，方便大家迁移搞点小副业

37,287 views • 1 year ago

上新，全自动RPA发布小红薯思维导图笔记机器人来源是杭州一个朋友说思维导图对小红书赞藏数据有提升，于是有这么一个机器人。功能：从百度文库下载思维导图 Kimi识别内容生成小红书内容全自动发小红书。搞起来啊！做小红书赚点零花钱。

上新，全自动RPA发布小红薯思维导图笔记机器人来源是杭州一个朋友说思维导图对小红书赞藏数据有提升，于是有这么一个机器人。功能：从百度文库下载思维导图 Kimi识别内容生成小红书内容全自动发小红书。搞起来啊！做小红书赚点零花钱。

37,826 views • 2 years ago

上新-小红书RPA批量生产爆款文案机器人。入门级别的机器人，人人都能开发的。

上新-小红书RPA批量生产爆款文案机器人。入门级别的机器人，人人都能开发的。

23,422 views • 2 years ago

No more content to load