正在加载视频...

视频加载失败

加载此视频时出现问题。这可能是由于临时网络问题，或视频可能不可用。

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。

govin.eth | G哥

24,163 subscribers

305,481 次观看 • 1 个月前 •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

0 条评论

暂无评论

原始帖子的评论将显示在这里

相关视频

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。

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

164,922 次观看 • 1 个月前

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！

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！

govin.eth | G哥

67,261 次观看 • 1 个月前

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

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

AIGCLINK

39,116 次观看 • 2 年前

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。

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。

govin.eth | G哥

142,792 次观看 • 1 个月前

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。

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。

GitHubDaily

57,673 次观看 • 1 年前

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。

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。

govin.eth | G哥

219,312 次观看 • 1 个月前

兄弟们，很多人用 Codex 最大的问题，不是不会写代码。是项目一大，AI直接失忆。昨天聊了几个小时，今天换个窗口，又得重新解释：项目干嘛的。改了什么。哪里有坑。最烦的是，你自己都快忘了。我现在更喜欢让 Codex 先给项目做一个“记忆文件”。直接丢：扫描当前项目，生成 SESSION_HANDOFF.md 记录： 1. 当前架构 2. 已完成内容 3. 未完成任务 4. 技术决策 5. 已知问题只读分析，不修改代码。以后不管换窗口还是换模型。先读这个文件。几十轮聊天压缩成一份项目档案。这个东西看起来简单。但项目越大，价值越明显。

兄弟们，很多人用 Codex 最大的问题，不是不会写代码。是项目一大，AI直接失忆。昨天聊了几个小时，今天换个窗口，又得重新解释：项目干嘛的。改了什么。哪里有坑。最烦的是，你自己都快忘了。我现在更喜欢让 Codex 先给项目做一个“记忆文件”。直接丢：扫描当前项目，生成 SESSION_HANDOFF.md 记录： 1. 当前架构 2. 已完成内容 3. 未完成任务 4. 技术决策 5. 已知问题只读分析，不修改代码。以后不管换窗口还是换模型。先读这个文件。几十轮聊天压缩成一份项目档案。这个东西看起来简单。但项目越大，价值越明显。

火山哥🕊️

16,192 次观看 • 1 个月前

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。

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！

189,458 次观看 • 1 个月前

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。

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。

govin.eth | G哥

50,144 次观看 • 1 个月前

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。

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。

火山哥🕊️

120,912 次观看 • 26 天前

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！

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

28,612 次观看 • 2 个月前

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。

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！

400,574 次观看 • 2 个月前

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！

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！

govin.eth | G哥

102,345 次观看 • 1 个月前

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。

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。

阿西_出海

20,877 次观看 • 4 个月前

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。

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。

GitHubDaily

17,695 次观看 • 10 个月前

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。

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。

爱丽丝呀！

119,749 次观看 • 1 个月前

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

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

等待被割的老韭菜（互关互动一直在路上）

38,023 次观看 • 8 个月前

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。

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。

雪踏乌云

60,621 次观看 • 10 天前

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👇👇👇

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👇👇👇

比特币橙子Trader

78,523 次观看 • 6 个月前