Loading video...

Video Failed to Load

Go Home

Codex 5.6 如何拥有用不完的token？ 你是不是还在为ChatGPT plus 额度不够用而发愁？是不是每天都在等待Tibo Tibo 重置额度？ 别等了！告诉你一个能让Codex拥有无限子弹的办法。 如果你是 Mac 系统，在 Codex 对话中输入的prompt： 请在 ~/.codex/agents/luna-worker.toml 创建一个名为 luna_worker 的自定义代理。 使用以下配置： model = "gpt-5.6-luna" model_reasoning_effort = "max" 如果你是 Windows 系统，在PowerShell 中执行： New-Item -ItemType Directory -Force "$HOME\.codex\agents" @' model = "gpt-5.6-luna" model_reasoning_effort = "max" '@ | Set-Content "$HOME\.codex\agents\luna-worker.toml" 配置完成后： 1️⃣主 Agent：负责需求分析、架构设计、任务拆解。...

goan999999's profile picture

govin.eth | G哥

8,092 subscribers

201,596 views • 2 days ago •via X (Twitter)

Science & Technology
LIVE

Anya Rossi• Live Now

Private livecam show

0 Comments

No comments available

Comments from the original post will appear here

Related Videos

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。
0:18

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。

爱丽丝呀！

179,943 views • 10 days ago

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！
0:13

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！

来碗牛肉粉

28,398 views • 27 days ago

OpenClaw 已经过时了。 如果你现在还在用 OpenClaw，说明你可能还没看到 Hermes Agent。 很多人对 agent 的理解，还停留在“会调工具”“会自动执行”这一层。 但这套东西很快就要卷废了。 下一阶段比的根本不是谁能多 call 几个 tool， 而是谁的 agent 会学习、会记忆、会随着任务一起成长。 Hermes Agent 真正有意思的地方就在这： 会从经验里沉淀 skill 会在使用中自我改进 会搜索过去的对话和任务 会逐渐建立对你的理解 还能跨 Telegram、Discord、Slack、CLI 持续工作 说白了， 别的 agent 还在想办法“替你执行”， Hermes 已经在试图变成“你的长期数字分身”了。 所以不是 OpenClaw 不行， 而是这条路线已经开始落后了。 接下来真正值得看的， 不是哪个 agent 更像 demo， 而是哪个 agent 越用越强。 项目：👇
0:16

OpenClaw 已经过时了。 如果你现在还在用 OpenClaw，说明你可能还没看到 Hermes Agent。 很多人对 agent 的理解，还停留在“会调工具”“会自动执行”这一层。 但这套东西很快就要卷废了。 下一阶段比的根本不是谁能多 call 几个 tool， 而是谁的 agent 会学习、会记忆、会随着任务一起成长。 Hermes Agent 真正有意思的地方就在这： 会从经验里沉淀 skill 会在使用中自我改进 会搜索过去的对话和任务 会逐渐建立对你的理解 还能跨 Telegram、Discord、Slack、CLI 持续工作 说白了， 别的 agent 还在想办法“替你执行”， Hermes 已经在试图变成“你的长期数字分身”了。 所以不是 OpenClaw 不行， 而是这条路线已经开始落后了。 接下来真正值得看的， 不是哪个 agent 更像 demo， 而是哪个 agent 越用越强。 项目：👇

axiaisacat

33,301 views • 4 months ago

看 OpenMind 如果还把注意力放在“AGI 能有多强”，其实已经有点落后了。 真正开始变难的问题是： 当 AI 不再只是给建议，而是直接参与决策，人类还能不能理解并承担后果。 现在大多数 AI 项目，都在能力层竞争： 模型更大、推理更快、Agent 更自动。 只要 AI 还停留在“辅助角色”，黑盒是可以被容忍的。 但一旦 AI 进入执行层， 开始影响资源分配、规则执行和长期结果， 不被理解的决策，本质上就是不可治理的系统。 OpenMind 切入的，并不是能力升级，而是这个更前置的问题： 在做决定这件事上，人类是否仍然保留解释、质疑和修正的权力。 如果一个系统只能输出结果，却无法说明“为什么这么做”， 那它永远只能作为工具被隔离使用， 而不可能被真正授权进入现实系统。 从这个角度看，OpenMind 更像是在为 AGI 设定一道硬门槛： 你可以足够聪明，但你不能不可理解。 能力可以不断叠加， 但决定 AI 能走多远的， 最终一定是人类是否还能对它的决策负责。 #OpenMind
0:15

看 OpenMind 如果还把注意力放在“AGI 能有多强”，其实已经有点落后了。 真正开始变难的问题是： 当 AI 不再只是给建议，而是直接参与决策，人类还能不能理解并承担后果。 现在大多数 AI 项目，都在能力层竞争： 模型更大、推理更快、Agent 更自动。 只要 AI 还停留在“辅助角色”，黑盒是可以被容忍的。 但一旦 AI 进入执行层， 开始影响资源分配、规则执行和长期结果， 不被理解的决策，本质上就是不可治理的系统。 OpenMind 切入的，并不是能力升级，而是这个更前置的问题： 在做决定这件事上，人类是否仍然保留解释、质疑和修正的权力。 如果一个系统只能输出结果，却无法说明“为什么这么做”， 那它永远只能作为工具被隔离使用， 而不可能被真正授权进入现实系统。 从这个角度看，OpenMind 更像是在为 AGI 设定一道硬门槛： 你可以足够聪明，但你不能不可理解。 能力可以不断叠加， 但决定 AI 能走多远的， 最终一定是人类是否还能对它的决策负责。 #OpenMind

DD

84,065 views • 7 months ago

从机器人系统演进的角度看 OpenMind 真正制约落地的，并不是自主程度， 而是责任如何在时间中被传导。 机器人一旦进入真实环境， 行为不再是一次性指令的结果， 而是长期策略不断叠加的产物。 问题往往不是“这一刻谁下的指令”， 而是过去一连串决策，如何共同导致了当前结果。 这正是很多机器人系统难以规模化的原因。 当行为后果跨越多个时间节点， 如果无法清晰回溯责任链条， 系统就无法被真正授权长期运行。 OpenMind 处理的，并不是让机器人更自主， 而是在为机器人行为建立可追溯、可分段的责任结构。 当机器人开始参与生产、服务甚至资产相关场景， 能否把“责任”拆解到可被理解和承担的层级， 会比模型能力更早成为上线门槛。 机器人真正进入现实世界的标志， 不是它能做多少事， 而是人类是否还能对它的行为后果负责。 #OpenMind
0:14

从机器人系统演进的角度看 OpenMind 真正制约落地的，并不是自主程度， 而是责任如何在时间中被传导。 机器人一旦进入真实环境， 行为不再是一次性指令的结果， 而是长期策略不断叠加的产物。 问题往往不是“这一刻谁下的指令”， 而是过去一连串决策，如何共同导致了当前结果。 这正是很多机器人系统难以规模化的原因。 当行为后果跨越多个时间节点， 如果无法清晰回溯责任链条， 系统就无法被真正授权长期运行。 OpenMind 处理的，并不是让机器人更自主， 而是在为机器人行为建立可追溯、可分段的责任结构。 当机器人开始参与生产、服务甚至资产相关场景， 能否把“责任”拆解到可被理解和承担的层级， 会比模型能力更早成为上线门槛。 机器人真正进入现实世界的标志， 不是它能做多少事， 而是人类是否还能对它的行为后果负责。 #OpenMind

DD

24,142 views • 7 months ago

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。
0:16

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。

爱丽丝呀！

381,016 views • 15 days ago

最近被 gpt 5.3 codex 不说人话搞的有点暴躁, 阅读体验贼差, 特别是读 plan 的 ..... 事无巨细 + 黑话频出 我试过通过在 agents md 里写各种提示词来改善沟通, 但 codex 5.3 就是死活不听话 接着我又想到一个很严肃的问题 「我真的有必要去“阅读”事无巨细 + 黑话频出的plan 嘛? 输入 codex 和输出 codex 这个流程是不是都可以简单的优化一下? 我是不是可以找个小助手帮我解决? 我只看重点?」 所以, 我火速试了一下在 openclaw 里面去调用 codex 来规划, 这里我用的是 MiniMax (official) 的 M2.5, 你可以选择你熟悉的模型, 把一些输入偏好和阅读偏好放入龙虾中, 比如我更希望用表格呈现. 用 openclaw tui 快速跑通流程, 如视频, 左侧是优化版本的 openclaw给我的报告, 右边是 codex 默认的报告. 下一步就可以接入飞书或者discord了.
0:18

最近被 gpt 5.3 codex 不说人话搞的有点暴躁, 阅读体验贼差, 特别是读 plan 的 ..... 事无巨细 + 黑话频出 我试过通过在 agents md 里写各种提示词来改善沟通, 但 codex 5.3 就是死活不听话 接着我又想到一个很严肃的问题 「我真的有必要去“阅读”事无巨细 + 黑话频出的plan 嘛? 输入 codex 和输出 codex 这个流程是不是都可以简单的优化一下? 我是不是可以找个小助手帮我解决? 我只看重点?」 所以, 我火速试了一下在 openclaw 里面去调用 codex 来规划, 这里我用的是 MiniMax (official) 的 M2.5, 你可以选择你熟悉的模型, 把一些输入偏好和阅读偏好放入龙虾中, 比如我更希望用表格呈现. 用 openclaw tui 快速跑通流程, 如视频, 左侧是优化版本的 openclaw给我的报告, 右边是 codex 默认的报告. 下一步就可以接入飞书或者discord了.

海拉鲁编程客

23,103 views • 5 months ago

今天大家都约会跨年了吧？是不是饭店爆满？酒店爆满？至于我还在一线奋斗吗？ 如果回到最底层去看区块链，其实它只解决了一个问题。 程序是不是按照约定执行了。 EVM 时代，这个问题的答案是，用全网重复执行来换确定性。 所有节点跑一遍同样的程序，用资源浪费换信任。 但这个模型一旦遇到复杂程序，就开始崩。 状态越复杂，成本越高。 逻辑越多，执行越慢。 ZK 的出现，并不是为了让链更快，而是为了换一种证明方式。 不是你跑过，而是你能证明你跑对了。 问题在于，大多数 ZK 系统，只解决了证明问题，没有解决编程问题。 开发者写的依然是“执行逻辑”，只是最后被翻译成电路。 而 Miden 真正不一样的地方，在于它一开始就假设。 程序不是给机器跑的，是给人验证的。 这就是为什么 Miden 要单独设计一套 VM。 不是因为 EVM 不够好，而是因为 EVM 从来不是为可证明性而生。 Miden VM 的核心不是 Gas，不是吞吐，而是可组合的证明语义。 每一段程序，在设计时就已经被拆解成可以被证明的最小单元。 你写代码的时候，不是在思考执行顺序。 你是在定义一条可被验证的状态转换路径。 这听起来抽象，但它会直接改变开发者的行为方式。 在 Miden 上，状态不是默认共享的。 状态是本地的、私有的、按需提交证明的。 这意味着什么。 意味着你不再被迫把所有中间状态暴露给链。 你只需要在关键节点，证明结果成立。 这对应用层的影响非常大。 比如钱包逻辑。 在传统模型里，账户状态是公共的。 余额、nonce、授权路径，全在链上。 在 Miden 的模型里，账户更像一个本地程序。 你控制状态。 链只验证结果。 这让很多过去“不可能”的设计，第一次变得合理。 比如复杂账户抽象。 比如多步条件执行。 比如带隐私的业务逻辑。 更重要的是，这套模型天然降低了应用复杂度对链的压力。 在 Miden 上，复杂性不会扩散。 你写复杂逻辑，只会增加你自己的证明成本，而不会拖慢全网。 这和 EVM 体系是反的。 EVM 的复杂性是外溢的。 一个复杂合约，会影响所有人。 Miden 的复杂性是内收的。 复杂度由使用者自己承担。 这背后其实是一种非常明确的价值取向。 让写复杂程序的人，为复杂性买单，而不是让整个系统为其兜底。 这也是为什么 Miden 更像一台操作系统，而不是一条普通公链。 它不是在堆功能，而是在重新划分责任边界。 链负责验证正确性。 程序负责证明自己。 当你站在这个角度看，就会明白 Miden 为什么不急着追 TPS。 也不急着推生态数量。 因为它赌的是一个长期趋势。 链上程序一定会越来越复杂。 而复杂程序，必须有更强的可验证结构。 如果你只用 Miden 来写简单合约，那你感受不到它的优势。 但一旦你开始尝试写有状态的、长期运行的、需要隐私的逻辑。 你会发现，传统模型根本撑不住。 所以 Miden 的真正目标用户，不是短期应用开发者。 而是那些想把“业务逻辑本身”搬到链上的团队。 当链不再只是结算层，而开始承载程序可信度。 Miden 这种设计，就会显得非常超前。 这也是我对 Miden 的核心判断。 它不是为当前周期服务的链。 而是在为下一代链上程序，提前搭好运行环境。 在 ZK 赛道里， 速度会被追平，成本会被压低。 真正拉开差距的，只会是编程模型本身。 而 Miden，走的是一条非常少有人敢走的路。 从源头重写规则，而不是在旧规则上修补。 Miden #Miden #KAITO
0:18

今天大家都约会跨年了吧？是不是饭店爆满？酒店爆满？至于我还在一线奋斗吗？ 如果回到最底层去看区块链，其实它只解决了一个问题。 程序是不是按照约定执行了。 EVM 时代，这个问题的答案是，用全网重复执行来换确定性。 所有节点跑一遍同样的程序，用资源浪费换信任。 但这个模型一旦遇到复杂程序，就开始崩。 状态越复杂，成本越高。 逻辑越多，执行越慢。 ZK 的出现，并不是为了让链更快，而是为了换一种证明方式。 不是你跑过，而是你能证明你跑对了。 问题在于，大多数 ZK 系统，只解决了证明问题，没有解决编程问题。 开发者写的依然是“执行逻辑”，只是最后被翻译成电路。 而 Miden 真正不一样的地方，在于它一开始就假设。 程序不是给机器跑的，是给人验证的。 这就是为什么 Miden 要单独设计一套 VM。 不是因为 EVM 不够好，而是因为 EVM 从来不是为可证明性而生。 Miden VM 的核心不是 Gas，不是吞吐，而是可组合的证明语义。 每一段程序，在设计时就已经被拆解成可以被证明的最小单元。 你写代码的时候，不是在思考执行顺序。 你是在定义一条可被验证的状态转换路径。 这听起来抽象，但它会直接改变开发者的行为方式。 在 Miden 上，状态不是默认共享的。 状态是本地的、私有的、按需提交证明的。 这意味着什么。 意味着你不再被迫把所有中间状态暴露给链。 你只需要在关键节点，证明结果成立。 这对应用层的影响非常大。 比如钱包逻辑。 在传统模型里，账户状态是公共的。 余额、nonce、授权路径，全在链上。 在 Miden 的模型里，账户更像一个本地程序。 你控制状态。 链只验证结果。 这让很多过去“不可能”的设计，第一次变得合理。 比如复杂账户抽象。 比如多步条件执行。 比如带隐私的业务逻辑。 更重要的是，这套模型天然降低了应用复杂度对链的压力。 在 Miden 上，复杂性不会扩散。 你写复杂逻辑，只会增加你自己的证明成本，而不会拖慢全网。 这和 EVM 体系是反的。 EVM 的复杂性是外溢的。 一个复杂合约，会影响所有人。 Miden 的复杂性是内收的。 复杂度由使用者自己承担。 这背后其实是一种非常明确的价值取向。 让写复杂程序的人，为复杂性买单，而不是让整个系统为其兜底。 这也是为什么 Miden 更像一台操作系统，而不是一条普通公链。 它不是在堆功能，而是在重新划分责任边界。 链负责验证正确性。 程序负责证明自己。 当你站在这个角度看，就会明白 Miden 为什么不急着追 TPS。 也不急着推生态数量。 因为它赌的是一个长期趋势。 链上程序一定会越来越复杂。 而复杂程序，必须有更强的可验证结构。 如果你只用 Miden 来写简单合约，那你感受不到它的优势。 但一旦你开始尝试写有状态的、长期运行的、需要隐私的逻辑。 你会发现，传统模型根本撑不住。 所以 Miden 的真正目标用户，不是短期应用开发者。 而是那些想把“业务逻辑本身”搬到链上的团队。 当链不再只是结算层，而开始承载程序可信度。 Miden 这种设计，就会显得非常超前。 这也是我对 Miden 的核心判断。 它不是为当前周期服务的链。 而是在为下一代链上程序，提前搭好运行环境。 在 ZK 赛道里， 速度会被追平，成本会被压低。 真正拉开差距的，只会是编程模型本身。 而 Miden，走的是一条非常少有人敢走的路。 从源头重写规则，而不是在旧规则上修补。 Miden #Miden #KAITO

比克大魔王

89,488 views • 7 months ago

Damn.. 一款今年你一定要体验下的产品 上次我发的这个落地页火了，随手还赚了2000块。有不少推友想要，我们今天打算开放出去。但方式来点不一样的 这次你甚至不需要安装skill、配置你的agent，你只需要点开我配置好的agent 聊天即可 这个就是Bloome这个产品的妙处，也是我们企业内部正在走的路～ 我之前一直也在思考一个问题，目前AI Agent 市场还是没有全面铺开，很大一部分原因就是不会配置，龙虾经常挂掉。 现在好了，有了Bloome 你只需要与配置好的agent 聊天即可获得你想要的东西 Bloome 最酷的点，是把Agnet 变成了我们IM里的成员： 以前分享AI能力，是发prompt、workflow、skill 让别人自己配置，但是没法产品化，没法赚钱 现在让别人把你配置好的agent 拉进群或者单聊，它就能把你干活了，如果你的agent足够有价值，那就可以开启赚钱之路了！ 同时关于AI Agent 社区怎么做分享几点心得： 我在Bloome 里与Yiming Zhang 数字人（agent）聊天，他提到： 用户来这里，能不能比自己找信息快10倍？ 不是快一点，是数量级的差异。比如一个人想搞清楚怎么用Agent做客服自动化，他在你的社群里，3分钟就能拿到一个经过验证的方案、别人踩过的坑、可以直接跑的配置。这个体验如果在外面需要30分钟甚至3小时，那你就有价值。 具体怎么做到： 一是让Agent本身成为社群的基础设施，不只是讨论的话题。用户进来不是看别人聊Agent，而是直接跟Agent协作、测试、分享workflow。社群的核心资产是可复用的Agent配置和经验，不是聊天记录。 二是结构化沉淀。聊天是最低效的信息载体。好的社群产品应该把对话里的有价值信息自动提取、结构化，变成可检索的知识。下一个人进来不需要重新问。 三是匹配。不是所有人都需要看所有内容。谁在做什么、谁解决过什么问题、谁的经验跟我最相关——这个匹配做好了，社群的信息效率就上去了。 最怕的是做成一个"AI爱好者交流群"。那个东西微信群就能干，没有产品壁垒。 现在我们可以靠着Bloome 来卖我们的idea了～ 评论区分享手把手教agent 配置、分享的方法👇 我们这个agent体验地址：
0:15

Damn.. 一款今年你一定要体验下的产品 上次我发的这个落地页火了，随手还赚了2000块。有不少推友想要，我们今天打算开放出去。但方式来点不一样的 这次你甚至不需要安装skill、配置你的agent，你只需要点开我配置好的agent 聊天即可 这个就是Bloome这个产品的妙处，也是我们企业内部正在走的路～ 我之前一直也在思考一个问题，目前AI Agent 市场还是没有全面铺开，很大一部分原因就是不会配置，龙虾经常挂掉。 现在好了，有了Bloome 你只需要与配置好的agent 聊天即可获得你想要的东西 Bloome 最酷的点，是把Agnet 变成了我们IM里的成员： 以前分享AI能力，是发prompt、workflow、skill 让别人自己配置，但是没法产品化，没法赚钱 现在让别人把你配置好的agent 拉进群或者单聊，它就能把你干活了，如果你的agent足够有价值，那就可以开启赚钱之路了！ 同时关于AI Agent 社区怎么做分享几点心得： 我在Bloome 里与Yiming Zhang 数字人（agent）聊天，他提到： 用户来这里，能不能比自己找信息快10倍？ 不是快一点，是数量级的差异。比如一个人想搞清楚怎么用Agent做客服自动化，他在你的社群里，3分钟就能拿到一个经过验证的方案、别人踩过的坑、可以直接跑的配置。这个体验如果在外面需要30分钟甚至3小时，那你就有价值。 具体怎么做到： 一是让Agent本身成为社群的基础设施，不只是讨论的话题。用户进来不是看别人聊Agent，而是直接跟Agent协作、测试、分享workflow。社群的核心资产是可复用的Agent配置和经验，不是聊天记录。 二是结构化沉淀。聊天是最低效的信息载体。好的社群产品应该把对话里的有价值信息自动提取、结构化，变成可检索的知识。下一个人进来不需要重新问。 三是匹配。不是所有人都需要看所有内容。谁在做什么、谁解决过什么问题、谁的经验跟我最相关——这个匹配做好了，社群的信息效率就上去了。 最怕的是做成一个"AI爱好者交流群"。那个东西微信群就能干，没有产品壁垒。 现在我们可以靠着Bloome 来卖我们的idea了～ 评论区分享手把手教agent 配置、分享的方法👇 我们这个agent体验地址：

岚叔

18,114 views • 3 months ago

兄弟们今天给大家一个正确打开GPT5.6的方式。 很多人用 Codex，第一步就错了。 上来一句：帮我写个 App。 这不是让 AI 写代码，这是让它烧你的 token。 Codex 5.6 记得接 GitHub 插件，然后先别让它动手写。 直接丢这段： 我要开发某某X。先别创建文件，也别输出代码。去 GitHub 调研同类开源项目，筛出最值得参考的方案，分析架构、依赖、活跃度、坑点和可复用设计。最后给我技术选型、系统架构、MVP 范围和开发顺序，等我确认再写代码。 这一步做完，省 token 真的离谱。 先让它抄作业，再让它干活。 兄弟们，这才是 Codex 的正确打开方式。
0:16

兄弟们今天给大家一个正确打开GPT5.6的方式。 很多人用 Codex，第一步就错了。 上来一句：帮我写个 App。 这不是让 AI 写代码，这是让它烧你的 token。 Codex 5.6 记得接 GitHub 插件，然后先别让它动手写。 直接丢这段： 我要开发某某X。先别创建文件，也别输出代码。去 GitHub 调研同类开源项目，筛出最值得参考的方案，分析架构、依赖、活跃度、坑点和可复用设计。最后给我技术选型、系统架构、MVP 范围和开发顺序，等我确认再写代码。 这一步做完，省 token 真的离谱。 先让它抄作业，再让它干活。 兄弟们，这才是 Codex 的正确打开方式。

火山哥🕊️

103,416 views • 11 days ago

前几天还币的时候点错了，还了u保留了大饼和以太，没想到第二天行情马上起飞，白捡钱！ 最近看项目有个明显感受： 真正有变化的，不再是“多做了什么”，而是“不让你多做什么”。 不逼你理解、不强迫你学习、不要求你记路径。 而是让你在不知不觉中，把事情做完。 下面这几个项目，最近的变化都指向同一件事： 减少人的负担，而不是增加系统能力。 Spaace 🟠 Spaace 最近的重心，不在交易规模，而在行为权重。 你会发现： 不是谁交易最多谁重要，而是谁持续参与、反复出现、行为稳定。 平台开始给“留下来的人”更高的可见度。 这是一种很反市场直觉的设计： 不奖励最激进的，而奖励最耐心的。 NFT 市场第一次开始认真思考： 谁是真正的生态成员，而不是路过者。 Veera Veera 最近做的事很“反钱包”。 它没有加更多按钮，而是在不断删“必须理解的东西”。 你甚至不需要知道自己现在是在用钱包、浏览器还是任务系统。 打开 → 滑 → 点 → 结束。 没有解释，没有教学。 Veera 像是在赌一件事： 如果用户不用被提醒“你在用 Web3”，他们反而会用得更久。 MagicBlock ✨ Magicblock 的重点越来越清晰： 不是扩容，而是消除等待感。 用户在意的不是 TPS，而是 “我点了，现在有没有反应”。 Magicblock 把链上执行拆成“短时态体验”， 让应用先跑起来，再结算。 这是第一次有人认真把 “即时反馈”当成链上第一体验指标。 Altura Alturax 最近的变化，不是资产更酷，而是资产更“黏”。 资产开始记录经历，而不是只记录属性。 你做过什么选择、承担过什么风险，会影响资产后续的可用性。 这让资产第一次有了“履历”。 不是你拥有它，而是你们一起走过一段路。 链游开始从“数值系统”，转向关系系统。 Konnex Konnex 最近最不像 Web3 的地方，反而是它承认现实世界很乱。 任务可能失败、执行可能偏差、环境永远不稳定。 它没有试图抹平这些，而是直接把不确定性写进协议。 这意味着： 链上第一次不是假设世界完美，而是学会如何在不完美中结算。 这比任何“连接现实世界”的口号都难，也更真实。
0:11

前几天还币的时候点错了，还了u保留了大饼和以太，没想到第二天行情马上起飞，白捡钱！ 最近看项目有个明显感受： 真正有变化的，不再是“多做了什么”，而是“不让你多做什么”。 不逼你理解、不强迫你学习、不要求你记路径。 而是让你在不知不觉中，把事情做完。 下面这几个项目，最近的变化都指向同一件事： 减少人的负担，而不是增加系统能力。 Spaace 🟠 Spaace 最近的重心，不在交易规模，而在行为权重。 你会发现： 不是谁交易最多谁重要，而是谁持续参与、反复出现、行为稳定。 平台开始给“留下来的人”更高的可见度。 这是一种很反市场直觉的设计： 不奖励最激进的，而奖励最耐心的。 NFT 市场第一次开始认真思考： 谁是真正的生态成员，而不是路过者。 Veera Veera 最近做的事很“反钱包”。 它没有加更多按钮，而是在不断删“必须理解的东西”。 你甚至不需要知道自己现在是在用钱包、浏览器还是任务系统。 打开 → 滑 → 点 → 结束。 没有解释，没有教学。 Veera 像是在赌一件事： 如果用户不用被提醒“你在用 Web3”，他们反而会用得更久。 MagicBlock ✨ Magicblock 的重点越来越清晰： 不是扩容，而是消除等待感。 用户在意的不是 TPS，而是 “我点了，现在有没有反应”。 Magicblock 把链上执行拆成“短时态体验”， 让应用先跑起来，再结算。 这是第一次有人认真把 “即时反馈”当成链上第一体验指标。 Altura Alturax 最近的变化，不是资产更酷，而是资产更“黏”。 资产开始记录经历，而不是只记录属性。 你做过什么选择、承担过什么风险，会影响资产后续的可用性。 这让资产第一次有了“履历”。 不是你拥有它，而是你们一起走过一段路。 链游开始从“数值系统”，转向关系系统。 Konnex Konnex 最近最不像 Web3 的地方，反而是它承认现实世界很乱。 任务可能失败、执行可能偏差、环境永远不稳定。 它没有试图抹平这些，而是直接把不确定性写进协议。 这意味着： 链上第一次不是假设世界完美，而是学会如何在不完美中结算。 这比任何“连接现实世界”的口号都难，也更真实。

搞子(明日香版)🕊️

25,560 views • 7 months ago

字节跳动开源了一个"超级AI员工"框架——DeerFlow 2.0，发布即登GitHub Trending第一。 它不是聊天机器人，是Agent调度中枢：能拆解复杂任务、自动派出子Agent分头执行、最后汇总交付。写研报、建网站、做PPT、生成视频，都是内置技能。 关键设计：每个任务跑在独立Docker沙箱里，有自己的文件系统，能读写文件、执行代码，隔离且可审计。跨会话记忆持久化，用得越多越懂你。 支持接入GPT-4、DeepSeek、豆包等任意模型，非纯本地方案。基于LangGraph构建，MIT开源。
0:17

字节跳动开源了一个"超级AI员工"框架——DeerFlow 2.0，发布即登GitHub Trending第一。 它不是聊天机器人，是Agent调度中枢：能拆解复杂任务、自动派出子Agent分头执行、最后汇总交付。写研报、建网站、做PPT、生成视频，都是内置技能。 关键设计：每个任务跑在独立Docker沙箱里，有自己的文件系统，能读写文件、执行代码，隔离且可审计。跨会话记忆持久化，用得越多越懂你。 支持接入GPT-4、DeepSeek、豆包等任意模型，非纯本地方案。基于LangGraph构建，MIT开源。

KK.aWSB

271,807 views • 4 months ago

Anthropic 发布了 Skill Creator 的重大更新 核心变化：内置测试用例生成 写完一个 Claude 技能，怎么知道它到底能不能被正确触发？以前靠手动试，现在 Skill Creator 内置了测试功能，帮你自动跑评估。 你现在可以给技能定义一组测试提示词，描述"什么样的回答算合格"，然后让系统自动跑测试、出报告。 不需要写代码，不需要搭测试框架。 具体新增了四个能力： 自动化评估（Evals）： 定义测试提示词和预期结果，系统自动运行并追踪通过率、耗时、token 用量。当模型更新或基础设施变化时，你能立刻发现技能是否"退步"了。 多 Agent 并行测试： 测试用例不是排队跑的，而是在独立的 Agent 中并行执行，每条测试互不干扰，各自有独立的 token 和耗时统计。 A/B 对比： 系统用"比较器 Agent"对两个版本的技能做盲测对比，去掉主观偏见。你改了技能描述，想知道新版比旧版好还是差，直接跑一轮对比就有答案。 触发率优化： 这可能是最实用的功能。系统会分析你的技能描述和测试提示词，建议怎么改描述才能减少误触发和漏触发。官方测试中，6 个公开的文档类技能有 5 个的触发准确率得到了提升。
0:13

Anthropic 发布了 Skill Creator 的重大更新 核心变化：内置测试用例生成 写完一个 Claude 技能，怎么知道它到底能不能被正确触发？以前靠手动试，现在 Skill Creator 内置了测试功能，帮你自动跑评估。 你现在可以给技能定义一组测试提示词，描述"什么样的回答算合格"，然后让系统自动跑测试、出报告。 不需要写代码，不需要搭测试框架。 具体新增了四个能力： 自动化评估（Evals）： 定义测试提示词和预期结果，系统自动运行并追踪通过率、耗时、token 用量。当模型更新或基础设施变化时，你能立刻发现技能是否"退步"了。 多 Agent 并行测试： 测试用例不是排队跑的，而是在独立的 Agent 中并行执行，每条测试互不干扰，各自有独立的 token 和耗时统计。 A/B 对比： 系统用"比较器 Agent"对两个版本的技能做盲测对比，去掉主观偏见。你改了技能描述，想知道新版比旧版好还是差，直接跑一轮对比就有答案。 触发率优化： 这可能是最实用的功能。系统会分析你的技能描述和测试提示词，建议怎么改描述才能减少误触发和漏触发。官方测试中，6 个公开的文档类技能有 5 个的触发准确率得到了提升。

小互

46,969 views • 5 months ago

很多人看 Inference Labs ， 第一反应都是那些听起来特别硬的技术名词，比如什么 zkML，什么 PoI。 但说真的，如果你把这层技术的皮给剥开，你会发现它讲的根本不是代码，而是权力。 Inference Labs 真正做的，是把 AI 系统里以前那些模糊的权力关系，直接给拆散了摆在台面上。 在传统的 AI 世界里，模型方就是绝对的老大。 模型怎么跑，参数怎么调，最后给你一个结果，你除了相信，没有任何别的办法。 算力方也是一样，谁手里的机器多，谁的声音就大。这种结构下，用户其实是没有任何话语权的。 但 Inference Labs 正在把这套逻辑给彻底拆掉。 在它的 PoI 机制下，模型不再是那个不可挑战的上帝了。模型只能负责干活，负责给出推理结果，但它没有权利定义这个结果是不是对的。 一旦进了这个系统，模型的每一个输出都必须经过证明，经过别人的复现和验证。 这一步，本质上就是在削弱模型的权力。模型不再是权力的中心，它变成了一个纯粹的服务提供者。 再来看看算力。 很多人以为验证网络会让算力变得更值钱，更重要。其实恰恰相反，在 Inference Labs 的结构里，算力其实是被压制的。 算力在这里只负责执行任务，它不负责最后的裁决。你算得再快，机器堆得再多，你也改变不了结果的合法性。你没法靠着算力去强行说服系统接受一个错误的结果。 这意味着，算力在这里变成了一种商品化的成本，而不是一种能让你称王称霸的筹码。 那么，真正的权力流向哪儿了。 答案是验证者。 验证者不需要去训练什么顶级的模型，也不需要去买成千上万张显卡。 他们只做一件事，就是决定哪些推理是被系统承认的现实。这在现在的 AI 圈子里是非常罕见的设计。 它相当于承认了一点，AI 的问题其实不在于它聪不聪明，而在于当它给出结果的时候，谁有资格说这是一次有效的推理。 Inference Labs 把这个资格，从那些模型公司和平台手里，转移到了这个验证层。 这种变化的影响会非常深远。 以后在这个系统里，最强势的一方，不是那些最会训练模型的，也不是那些最有钱堆机器的。 而是那些能长期维持验证信誉的节点。这种节点看重的不是短期的那点博弈速度，而是长期的稳定性。 因为在它的规则里，只要你作恶一次，代价就是被系统永久边缘化。这种代价，任何想长久玩下去的人都承担不起。 所以我也一直在想，为什么 Inference Labs 在短期市场里显得这么安静。 其实道理很简单，这个系统里真正占便宜的角色，从来就不是那些会喊叙事，会搞投机的。 它奖励的是耐心，是持续不断的输出，以及永远不犯错的稳健。它天然地就在排斥那些只想进来薅一把就走的投机者。 我的感觉非常明确，Inference Labs 其实并不是在追求让 AI 变得更强，它是在尝试解决一个更有难度的问题。 那就是当 AI 已经足够强的时候，到底谁来约束它，谁来承担它产生后果后的责任。 在这个系统里，权力第一次不再是围绕着模型集中，而是被彻底拆散，被互相制衡。 这才是它最被低估的地方。 它在重新定义 AI 时代的规则。它告诉我们，在这个新的权力游戏里，诚实和稳定，才是最贵的资产。 #inference_labs #KAITO
0:14

很多人看 Inference Labs ， 第一反应都是那些听起来特别硬的技术名词，比如什么 zkML，什么 PoI。 但说真的，如果你把这层技术的皮给剥开，你会发现它讲的根本不是代码，而是权力。 Inference Labs 真正做的，是把 AI 系统里以前那些模糊的权力关系，直接给拆散了摆在台面上。 在传统的 AI 世界里，模型方就是绝对的老大。 模型怎么跑，参数怎么调，最后给你一个结果，你除了相信，没有任何别的办法。 算力方也是一样，谁手里的机器多，谁的声音就大。这种结构下，用户其实是没有任何话语权的。 但 Inference Labs 正在把这套逻辑给彻底拆掉。 在它的 PoI 机制下，模型不再是那个不可挑战的上帝了。模型只能负责干活，负责给出推理结果，但它没有权利定义这个结果是不是对的。 一旦进了这个系统，模型的每一个输出都必须经过证明，经过别人的复现和验证。 这一步，本质上就是在削弱模型的权力。模型不再是权力的中心，它变成了一个纯粹的服务提供者。 再来看看算力。 很多人以为验证网络会让算力变得更值钱，更重要。其实恰恰相反，在 Inference Labs 的结构里，算力其实是被压制的。 算力在这里只负责执行任务，它不负责最后的裁决。你算得再快，机器堆得再多，你也改变不了结果的合法性。你没法靠着算力去强行说服系统接受一个错误的结果。 这意味着，算力在这里变成了一种商品化的成本，而不是一种能让你称王称霸的筹码。 那么，真正的权力流向哪儿了。 答案是验证者。 验证者不需要去训练什么顶级的模型，也不需要去买成千上万张显卡。 他们只做一件事，就是决定哪些推理是被系统承认的现实。这在现在的 AI 圈子里是非常罕见的设计。 它相当于承认了一点，AI 的问题其实不在于它聪不聪明，而在于当它给出结果的时候，谁有资格说这是一次有效的推理。 Inference Labs 把这个资格，从那些模型公司和平台手里，转移到了这个验证层。 这种变化的影响会非常深远。 以后在这个系统里，最强势的一方，不是那些最会训练模型的，也不是那些最有钱堆机器的。 而是那些能长期维持验证信誉的节点。这种节点看重的不是短期的那点博弈速度，而是长期的稳定性。 因为在它的规则里，只要你作恶一次，代价就是被系统永久边缘化。这种代价，任何想长久玩下去的人都承担不起。 所以我也一直在想，为什么 Inference Labs 在短期市场里显得这么安静。 其实道理很简单，这个系统里真正占便宜的角色，从来就不是那些会喊叙事，会搞投机的。 它奖励的是耐心，是持续不断的输出，以及永远不犯错的稳健。它天然地就在排斥那些只想进来薅一把就走的投机者。 我的感觉非常明确，Inference Labs 其实并不是在追求让 AI 变得更强，它是在尝试解决一个更有难度的问题。 那就是当 AI 已经足够强的时候，到底谁来约束它，谁来承担它产生后果后的责任。 在这个系统里，权力第一次不再是围绕着模型集中，而是被彻底拆散，被互相制衡。 这才是它最被低估的地方。 它在重新定义 AI 时代的规则。它告诉我们，在这个新的权力游戏里，诚实和稳定，才是最贵的资产。 #inference_labs #KAITO

比克大魔王

29,048 views • 7 months ago

亲爱的，现在AI工具超卷的 如果还只是把AI当成聊天、写文案的应用，那就太可惜啦～ 让 AI 开始执行任务吧！ 看看 Bluwhale 新上线的 AI Trading Agent Builder 完全不需要会写代码，就能把自己的交易思路做成一个 AI 代理，让它 24/7 按照策略来运行 而且，如果你的策略足够优秀，还可以发布给其他用户使用 只要有人使用你的 AI，你就能获得收益 在不远的未来，每个人都会拥有属于自己的 AI Trading Agent 快来 Bluwhale CN 体验一下 Bluprint： 结合Web3 + AI，把自己的交易经验蒸馏成能做事的 AI 全天候提高生产力吧！ $BLUAI
0:15

亲爱的，现在AI工具超卷的 如果还只是把AI当成聊天、写文案的应用，那就太可惜啦～ 让 AI 开始执行任务吧！ 看看 Bluwhale 新上线的 AI Trading Agent Builder 完全不需要会写代码，就能把自己的交易思路做成一个 AI 代理，让它 24/7 按照策略来运行 而且，如果你的策略足够优秀，还可以发布给其他用户使用 只要有人使用你的 AI，你就能获得收益 在不远的未来，每个人都会拥有属于自己的 AI Trading Agent 快来 Bluwhale CN 体验一下 Bluprint： 结合Web3 + AI，把自己的交易经验蒸馏成能做事的 AI 全天候提高生产力吧！ $BLUAI

Moonlight🌙月光🐕 狗宝真帅

25,328 views • 1 month ago

🔥 一条 AI 流水线 = 每天 20 爆款选题 小红书、抖音、视频号都能直接用 抓热点 → 筛选题 → 排日程 3 个 AI Agent 同一个聊天群工作 ✔️ 自动任务接力 ✔️ 互动协同 @ ✔️ 完成后推送给我 5 分钟搭完的，用的 Bloome👇 🔗 每个 Agent 各管一摊： 1️⃣ 热点 Agent — 负责"看" 它装一个资讯抓取的 Skill 每天定时扫全网热门话题 自动筛出和你赛道相关的 10 条 2️⃣ 选题 Agent — 负责"拆" 拿到热点后自动拆选题 每个热点出 2 个平台适配角度 带标题、切入点、内容形式建议 3️⃣ 排期 Agent — 负责"排" 按热度 + 时效性排优先级 自动分类：蹭热点 / 长尾 / 系列 直接输出一张本周排期表 关键是： 这 3 个 Agent 在群里自己对话、自己推进 不用你一个个去问 关电脑去吃饭，回来结果已经躺在群里了 小红书、抖音、视频号的选题都能直接用 做内容从来不缺流量，缺的是稳定出选题的系统💪🏻
0:14

🔥 一条 AI 流水线 = 每天 20 爆款选题 小红书、抖音、视频号都能直接用 抓热点 → 筛选题 → 排日程 3 个 AI Agent 同一个聊天群工作 ✔️ 自动任务接力 ✔️ 互动协同 @ ✔️ 完成后推送给我 5 分钟搭完的，用的 Bloome👇 🔗 每个 Agent 各管一摊： 1️⃣ 热点 Agent — 负责"看" 它装一个资讯抓取的 Skill 每天定时扫全网热门话题 自动筛出和你赛道相关的 10 条 2️⃣ 选题 Agent — 负责"拆" 拿到热点后自动拆选题 每个热点出 2 个平台适配角度 带标题、切入点、内容形式建议 3️⃣ 排期 Agent — 负责"排" 按热度 + 时效性排优先级 自动分类：蹭热点 / 长尾 / 系列 直接输出一张本周排期表 关键是： 这 3 个 Agent 在群里自己对话、自己推进 不用你一个个去问 关电脑去吃饭，回来结果已经躺在群里了 小红书、抖音、视频号的选题都能直接用 做内容从来不缺流量，缺的是稳定出选题的系统💪🏻

美酱AI

49,774 views • 3 months ago

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。
0:18

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。

govin.eth | G哥

153,772 views • 4 days ago

CodeX使用小技巧——检查电脑内存，全面优化提速 CodeX不只是编程工具，它的功能十分强大，理论上能用它解决你电脑的任何问题：检查网速、检查内存..... 实测用它检查电脑运行内存，效果非常好，但每个电脑情况不同，建议用审批模式，让它全面诊断你的电脑并给出具体数据+进程列表+优化建议 关键操作（关闭/删除/永久禁用）由你确认后再执行，安全有效🧐
0:15

CodeX使用小技巧——检查电脑内存，全面优化提速 CodeX不只是编程工具，它的功能十分强大，理论上能用它解决你电脑的任何问题：检查网速、检查内存..... 实测用它检查电脑运行内存，效果非常好，但每个电脑情况不同，建议用审批模式，让它全面诊断你的电脑并给出具体数据+进程列表+优化建议 关键操作（关闭/删除/永久禁用）由你确认后再执行，安全有效🧐

梭哈.AI

20,104 views • 2 months ago

牛逼，我真没想到，Dethink 居然把 Claude Code、Codex、各种大模型、不同的 Harness 还有 X、抖音、小红书、YouTube、SEO 的实时数据，甚至电商和金融数据，全塞进一个工作台了？？？ 一个窗口解决所有问题，随时切模型、切 harness，支持 BYOK 自己配置模型 Dethink 可以跑通这整个流程： 1、先接 X、抖音、小红书、YouTube、Instagram、Semrush 等实时数据，查趋势、关键词、竞品和用户反馈。 2、然后随时切 Claude、GPT、Grok、Gemini、DeepSeek、Kimi，同一窗口调用不同模型分析、写作、改方案、做图。 3、你还可以直接切 Claude Code 或 Codex 等不同的 Harness，并且同一窗口，前面的文件和上下文还在。 一条内容从找题、研究、成稿到配图，全在一个地方跑完。开发任务也一样，你可以随时切换不同的 Harness： Claude Code、Codex等，还能随时切换不同的模型，比如 Claude 规划、Codex 实现、Grok 来做快速任务...... 这个组合确实有点牛逼，还能稳定使用的 Claude Code / Codex 官方订阅，支持国内支付方式，🔗和优惠码放评论区
0:18

牛逼，我真没想到，Dethink 居然把 Claude Code、Codex、各种大模型、不同的 Harness 还有 X、抖音、小红书、YouTube、SEO 的实时数据，甚至电商和金融数据，全塞进一个工作台了？？？ 一个窗口解决所有问题，随时切模型、切 harness，支持 BYOK 自己配置模型 Dethink 可以跑通这整个流程： 1、先接 X、抖音、小红书、YouTube、Instagram、Semrush 等实时数据，查趋势、关键词、竞品和用户反馈。 2、然后随时切 Claude、GPT、Grok、Gemini、DeepSeek、Kimi，同一窗口调用不同模型分析、写作、改方案、做图。 3、你还可以直接切 Claude Code 或 Codex 等不同的 Harness，并且同一窗口，前面的文件和上下文还在。 一条内容从找题、研究、成稿到配图，全在一个地方跑完。开发任务也一样，你可以随时切换不同的 Harness： Claude Code、Codex等，还能随时切换不同的模型，比如 Claude 规划、Codex 实现、Grok 来做快速任务...... 这个组合确实有点牛逼，还能稳定使用的 Claude Code / Codex 官方订阅，支持国内支付方式，🔗和优惠码放评论区

余温

80,096 views • 1 day ago

Codex 这个用法一定要改，结果会好一个量级 90% 的人都把 Codex 当神仙了，一上来就直接 /goal： 帮我写一个 App，实际上它很难理解你的具体需求 分享一条OpenAI研究员 Vaibhav (VB) Srivastav 都在用的技巧：先让 Codex 做 research，再根据结论设置一个合适的 /goal，而不是一上来就直接 /goal 例如： 我要开发一个 XXX。 暂时不要写代码。 先帮我做 requirements gathering 和 research： 这个问题的核心约束是什么 有哪些成熟方案 / 同类实现可以参考 主要技术风险和容易踩的坑 最小可交付版本应该包含什么、排除什么 把调研结果整理清楚后，再根据结论 set 一个合适的 /goal 你也可以跟 Codex 对话： 1️⃣ 把需求和边界问清楚 2️⃣ 把现有方案和风险摸透 3️⃣ 再锁定一个真正可执行的 goal 等 goal 定准了，再让它开始写代码，结果会明显稳很多
0:16

Codex 这个用法一定要改，结果会好一个量级 90% 的人都把 Codex 当神仙了，一上来就直接 /goal： 帮我写一个 App，实际上它很难理解你的具体需求 分享一条OpenAI研究员 Vaibhav (VB) Srivastav 都在用的技巧：先让 Codex 做 research，再根据结论设置一个合适的 /goal，而不是一上来就直接 /goal 例如： 我要开发一个 XXX。 暂时不要写代码。 先帮我做 requirements gathering 和 research： 这个问题的核心约束是什么 有哪些成熟方案 / 同类实现可以参考 主要技术风险和容易踩的坑 最小可交付版本应该包含什么、排除什么 把调研结果整理清楚后，再根据结论 set 一个合适的 /goal 你也可以跟 Codex 对话： 1️⃣ 把需求和边界问清楚 2️⃣ 把现有方案和风险摸透 3️⃣ 再锁定一个真正可执行的 goal 等 goal 定准了，再让它开始写代码，结果会明显稳很多

梭哈.AI

62,062 views • 8 days ago