Video yükleniyor...

Video Yüklenemedi

Bu video yüklenirken bir sorun oluştu. Bu geçici bir ağ sorunundan kaynaklanıyor olabilir veya video kullanılamıyor olabilir.

Ana Sayfaya Dön

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

10,583 subscribers

67,261 görüntüleme • 12 gün önce •via X (Twitter)

Sanat Bilim & Teknoloji Eğitim

Anya Rossi• Live Now

Private livecam show

0 Yorum

Yorum bulunmuyor

Orijinal gönderinin yorumları burada görünecek

Benzer Videolar

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

130,191 görüntüleme • 14 gün önce

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。

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

286,585 görüntüleme • 14 gün önce

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：👇

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 görüntüleme • 4 ay önce

Codex 5.6 真正与普通人拉开 90% 差距的，不是 prompt，而是你会不会配置 config.toml 很多人用 Codex 还停留在“打开就聊”，但真正重度使用的人，早就把模型、任务模式、项目规则和自动化流程写进配置里了。现在 Codex 5.6 最值得折腾的 4 个专业设置： 1️⃣ 固定模型 + Reasoning Effort 别每开一个任务都重新选模型。把默认模型和推理强度写进 ~/.codex/config.toml，日常任务追求速度，复杂架构任务再提高 reasoning effort。输入prompt：请检查我当前 Codex 5.6 实际支持的模型和 reasoning effort 配置，不要猜测或使用已经废弃的参数；然后修改 ~/.codex/config.toml，为日常 Coding 设置合理的默认模型与推理强度，并告诉我具体修改了哪些字段、为什么这样配置，最后验证配置是否成功生效。 2️⃣ 不同任务建立 Profile 写功能、修 Bug、Code Review、做系统架构，根本不应该用完全相同的配置。 Codex 支持 Profiles，可以针对不同任务切换不同工作模式。配置用的prompt，直接用：请基于我当前 Codex 5.6 配置创建 3 套 Profile：fast-dev 用于快速开发和小修改，code-review 用于 PR 和代码审查，deep-architecture 用于复杂系统设计；分别配置合适的模型、reasoning effort 和执行策略，不使用已经废弃的配置项，并告诉我之后如何通过 --profile 切换使用。 3️⃣ 给每个项目建立独立配置全局配置解决“你习惯怎么工作”，项目配置解决“这个项目必须怎么工作”。把技术栈、测试方式、项目约束和工具配置放进项目自己的 .codex/config.toml，不要每开新会话都重新解释。直接输入：请分析当前项目的技术栈、目录结构、测试方式和开发工具，为这个项目设计一份最小化的 .codex/config.toml，只写当前项目真正需要的配置，不覆盖无关的全局设置；完成后解释每项配置的作用，并检查项目级配置是否能够被当前 Codex 正确加载。 4️⃣ 用 Hooks 把规则变成自动执行最浪费时间的方式，就是每次都提醒 Codex 改完记得跑测试、提交前记得检查、别忘了扫安全问题。现在可以直接把这些规则做成 Hooks，在生命周期节点自动触发。Codex 当前官方配置已经支持 lifecycle hooks。直接用这段：请检查当前项目适合配置哪些 Codex lifecycle hooks，并为我建立最精简的一套自动化流程：代码修改完成后运行必要测试和 lint，关键变更执行安全检查，提交前执行最终验证；只配置真正必要的 Hook，避免重复执行和拖慢开发速度，完成后实际触发一次并验证每个 Hook 是否正常工作。真正高效的 Codex 启动就知道该怎么工作。赶紧配置试试吧！

govin.eth | G哥

151,322 görüntüleme • 10 gün önce

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

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 görüntüleme • 7 ay önce

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

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 görüntüleme • 7 ay önce

很多时候，一个生态起不来，并不是因为大家没想法，而是从想法到真正跑起来，中间的摩擦太多。环境搭建、工具适配、链上交互，每一步都会劝退一批人。最后留下来的，往往不是最有创意的，而是最能熬流程的。从这个角度看 Vanar 它更像是在解决一个很现实的问题：怎么让“试一试”这件事变得足够便宜。当一条链从设计上就是 AI-native 的，很多原本需要手动拼接的步骤，会自然被系统吸收掉，创意不需要先翻过一堆基础设施的门槛，才能进入可运行状态。这类差异在早期并不显眼，但时间一拉长，你会发现生态里愿意持续尝试的人明显更多。不是每个想法都会成功，但只要失败成本够低，新的东西就会不断冒出来。也正是在这个意义上 $VANRY 更像是一种对开发者密度和持续试错能力的押注。当“做点东西”不再是一件很累的事，生态才有机会真正活起来。 #Vanar

很多时候，一个生态起不来，并不是因为大家没想法，而是从想法到真正跑起来，中间的摩擦太多。环境搭建、工具适配、链上交互，每一步都会劝退一批人。最后留下来的，往往不是最有创意的，而是最能熬流程的。从这个角度看 Vanar 它更像是在解决一个很现实的问题：怎么让“试一试”这件事变得足够便宜。当一条链从设计上就是 AI-native 的，很多原本需要手动拼接的步骤，会自然被系统吸收掉，创意不需要先翻过一堆基础设施的门槛，才能进入可运行状态。这类差异在早期并不显眼，但时间一拉长，你会发现生态里愿意持续尝试的人明显更多。不是每个想法都会成功，但只要失败成本够低，新的东西就会不断冒出来。也正是在这个意义上 $VANRY 更像是一种对开发者密度和持续试错能力的押注。当“做点东西”不再是一件很累的事，生态才有机会真正活起来。 #Vanar

DD

68,100 görüntüleme • 7 ay önce

Codex 5.6 必装插件：Sentry，让 AI 修 Bug (缺陷) 不再靠猜最近做 Vibe Coding 项目经常遇到，刚修好一个 Bug，又出现新的问题，反反复复改特别浪费时间。之后我开始找工具，发现 Codex 插件里有 Sentry，安装之后整个 Debug 流程完全不一样了。现在不用反复截图、复制日志、手动排查问题了，只需要告诉它这段 prompt： “使用 Sentry 排查当前线上 Bug。先读取完整 Error、Stack Trace、运行上下文、发生频率和版本信息，再结合当前代码定位根因，不要只根据最后一条报错直接修改。确认原因后先复现问题并补充回归测试，再完成修复，最后重新运行验证；如果发现同类潜在问题，一并指出并处理。” Sentry 就可以直接完成： 1️⃣ 先读取完整 Stack Trace、运行上下文和版本信息，把 Bug 发生时的真实现场还原出来。 2️⃣ 再把线上 Error 对应到具体代码和调用链，结合当前项目直接定位真正根因，不再只看最后一条报错猜答案。 3️⃣ 最后复现问题、补回归测试、修改代码并重新运行验证，确认修复有效，同时避免同类 Bug 再次出现。这样彻底告别 Bug 修了又坏、坏了再修的问题，快试试吧

Codex 5.6 必装插件：Sentry，让 AI 修 Bug (缺陷) 不再靠猜最近做 Vibe Coding 项目经常遇到，刚修好一个 Bug，又出现新的问题，反反复复改特别浪费时间。之后我开始找工具，发现 Codex 插件里有 Sentry，安装之后整个 Debug 流程完全不一样了。现在不用反复截图、复制日志、手动排查问题了，只需要告诉它这段 prompt： “使用 Sentry 排查当前线上 Bug。先读取完整 Error、Stack Trace、运行上下文、发生频率和版本信息，再结合当前代码定位根因，不要只根据最后一条报错直接修改。确认原因后先复现问题并补充回归测试，再完成修复，最后重新运行验证；如果发现同类潜在问题，一并指出并处理。” Sentry 就可以直接完成： 1️⃣ 先读取完整 Stack Trace、运行上下文和版本信息，把 Bug 发生时的真实现场还原出来。 2️⃣ 再把线上 Error 对应到具体代码和调用链，结合当前项目直接定位真正根因，不再只看最后一条报错猜答案。 3️⃣ 最后复现问题、补回归测试、修改代码并重新运行验证，确认修复有效，同时避免同类 Bug 再次出现。这样彻底告别 Bug 修了又坏、坏了再修的问题，快试试吧

govin.eth | G哥

67,678 görüntüleme • 1 gün önce

关于嘴撸，我有些不一样的观点。目前的嘴撸困境几乎是注定的，这跟之前刷tx批量上多号的困境是一样的。我一直说，空投就是债，无论你是用tx、内容还是什么来获取热度，最终都是要还的。于是，问题就变得很简单，每个参与方都希望获得更多的利，矩阵号、AI文本就是必然。说实话，这并不是嘴撸的困境，这是项目对注意力获取的困境。注意力经济，光有注意力不够，还得讲究经济：可持续、成本可控、收益可观。通过算法驱动，去捆绑KOL的注意力，给少了，真正具有决定性影响力的头部KOL不会参与。给多了，你的成本控制不住，变成烧钱游戏。于是，大而泛的注意力转化，到后期，边际递减会非常明显。实际上，这个行业真正高质量的信任传播从来都是基于社区，基于项目方持续与社区进行真实互动、共同建设出来的价值认可。算法能带来注意力，能带来流量，但带不来信任，更带不来长期的价值认同。最糟糕的是，当大多数人开始主动屏蔽这些嘴撸信息的时候，这套打法就彻底失效了。只是，在当前的行业现状下，多数项目图快，毕竟算法的效率远高于社区共建。这也导致，注意力被无限消耗，价值和信任却毫无积累。所以，其实也不能完全怪罪矩阵号或者那些低质量水文。他们在规则范围内挣钱，合情合理。真正需要被反思的，是这套规则本身。谁在用算法把你的注意力变成套现工具，谁是最终的买单人，谁是最终的获益人。我始终反对的是，人们常常批评撸毛人的贪心，却有意无意的忽略游戏背后的规则制定者。最终，撸毛人被批评，人人都希望自己的竞争对手变成没有贪欲的善人，而对那些纵容贪婪，并靠贪婪赚钱的规则方，却神话成效率、创新、增长的代表。

关于嘴撸，我有些不一样的观点。目前的嘴撸困境几乎是注定的，这跟之前刷tx批量上多号的困境是一样的。我一直说，空投就是债，无论你是用tx、内容还是什么来获取热度，最终都是要还的。于是，问题就变得很简单，每个参与方都希望获得更多的利，矩阵号、AI文本就是必然。说实话，这并不是嘴撸的困境，这是项目对注意力获取的困境。注意力经济，光有注意力不够，还得讲究经济：可持续、成本可控、收益可观。通过算法驱动，去捆绑KOL的注意力，给少了，真正具有决定性影响力的头部KOL不会参与。给多了，你的成本控制不住，变成烧钱游戏。于是，大而泛的注意力转化，到后期，边际递减会非常明显。实际上，这个行业真正高质量的信任传播从来都是基于社区，基于项目方持续与社区进行真实互动、共同建设出来的价值认可。算法能带来注意力，能带来流量，但带不来信任，更带不来长期的价值认同。最糟糕的是，当大多数人开始主动屏蔽这些嘴撸信息的时候，这套打法就彻底失效了。只是，在当前的行业现状下，多数项目图快，毕竟算法的效率远高于社区共建。这也导致，注意力被无限消耗，价值和信任却毫无积累。所以，其实也不能完全怪罪矩阵号或者那些低质量水文。他们在规则范围内挣钱，合情合理。真正需要被反思的，是这套规则本身。谁在用算法把你的注意力变成套现工具，谁是最终的买单人，谁是最终的获益人。我始终反对的是，人们常常批评撸毛人的贪心，却有意无意的忽略游戏背后的规则制定者。最终，撸毛人被批评，人人都希望自己的竞争对手变成没有贪欲的善人，而对那些纵容贪婪，并靠贪婪赚钱的规则方，却神话成效率、创新、增长的代表。

冰蛙

49,255 görüntüleme • 1 yıl önce

现在用 Hermes 最聪明的做法，不是堆提示词，而是给它搭一个会自己复盘迭代的记忆循环，越用越贴合你的工作习惯，能力拉满。核心靠一份 [Memory.md](Memory.md)，跑「会话学习 - 记录沉淀 - 迭代优化」闭环，每次对话都承接过往经验，不再重复踩坑、反复重说偏好。精准落地 4 步流程 1️⃣桌面新建 [Memory.md](Memory.md)，固定分层框架 ## 偏好 ## 更正 ## 模式 ## 学到的经验 2️⃣粘贴绑定提示词，接入代理每次会话开始，阅读 [Memory.md](Memory.md) 并完整应用全部内容。每项任务结束完成三件事：・记录有效做法 + 核心原因・记录失败问题 + 根源分析・总结提炼下次复用规则，不重复堆砌条目，新结论覆盖旧内容 3️⃣每周执行精炼提示词压缩收敛通读 [Memory.md](Memory.md)，提炼零散经验为精简通用规则，移除过时被覆盖内容，压缩留存高质量核心逻辑 4️⃣定期日期命名归档备份文件，避免改写出错丢失历史不用微调模型、无需开发部署，几分钟就能启动运行。从零散随机输出，慢慢收敛成贴合你的行文节奏、工作逻辑、纠错记录的专属智能代理，成倍放大日常效率。收藏留存，立刻就能改造你的代理工作流，把单次会话的临时效果，变成长期滚动成长的核心资产。

现在用 Hermes 最聪明的做法，不是堆提示词，而是给它搭一个会自己复盘迭代的记忆循环，越用越贴合你的工作习惯，能力拉满。核心靠一份 [Memory.md](Memory.md)，跑「会话学习 - 记录沉淀 - 迭代优化」闭环，每次对话都承接过往经验，不再重复踩坑、反复重说偏好。精准落地 4 步流程 1️⃣桌面新建 [Memory.md](Memory.md)，固定分层框架 ## 偏好 ## 更正 ## 模式 ## 学到的经验 2️⃣粘贴绑定提示词，接入代理每次会话开始，阅读 [Memory.md](Memory.md) 并完整应用全部内容。每项任务结束完成三件事：・记录有效做法 + 核心原因・记录失败问题 + 根源分析・总结提炼下次复用规则，不重复堆砌条目，新结论覆盖旧内容 3️⃣每周执行精炼提示词压缩收敛通读 [Memory.md](Memory.md)，提炼零散经验为精简通用规则，移除过时被覆盖内容，压缩留存高质量核心逻辑 4️⃣定期日期命名归档备份文件，避免改写出错丢失历史不用微调模型、无需开发部署，几分钟就能启动运行。从零散随机输出，慢慢收敛成贴合你的行文节奏、工作逻辑、纠错记录的专属智能代理，成倍放大日常效率。收藏留存，立刻就能改造你的代理工作流，把单次会话的临时效果，变成长期滚动成长的核心资产。

AYi

30,862 görüntüleme • 2 ay önce

很多基础设施讨论的都是“最终结果”，但在真实使用中，更影响体验的是：从你产生一个操作意图，到结果真正生效，中间隔了多久。这段时间越不可控，系统就越难被放进复杂流程里。不确定的等待，会直接放大风险判断，也会压缩操作空间。从这个角度看 Plasma 它关注的并不是把结果推到极限，而是缩短并稳定这段“意图到生效”的路径。当行为反馈更清晰、时间预期更稳定，使用者才敢连续操作，而不是每一步都重新评估风险。也正因为如此 $XPL 更像是一种对操作确定性和系统响应质量的判断。真正可被反复使用的基础设施，往往不是最耀眼的，而是让你不用反复确认“这一步会不会出问题”的那一个。 #plasma

很多基础设施讨论的都是“最终结果”，但在真实使用中，更影响体验的是：从你产生一个操作意图，到结果真正生效，中间隔了多久。这段时间越不可控，系统就越难被放进复杂流程里。不确定的等待，会直接放大风险判断，也会压缩操作空间。从这个角度看 Plasma 它关注的并不是把结果推到极限，而是缩短并稳定这段“意图到生效”的路径。当行为反馈更清晰、时间预期更稳定，使用者才敢连续操作，而不是每一步都重新评估风险。也正因为如此 $XPL 更像是一种对操作确定性和系统响应质量的判断。真正可被反复使用的基础设施，往往不是最耀眼的，而是让你不用反复确认“这一步会不会出问题”的那一个。 #plasma

DD

65,689 görüntüleme • 7 ay önce

玩币的过年坐小孩那桌！截止目前，上证连着第18个阳，反观加密近30天的恐惧指数有28天低于40。有这样一种感觉：你打开一个新的应用，点了几下，突然发现——“嘿，这比我想象中顺手多了！” 真正让人愿意重复进入一个产品的，并不是一堆炫酷的功能，而是细节上的 “无感优化”、行为路径上的连贯性提升。这些项目正在悄悄做的，正是这种让体验变得自然的改进。 Spaace 🟠 — NFT 不只是市场，而是用户体验的“积木场” Spaace 走得不是那种一次性爆发交易量的路线，而是在逐步把 NFT 交易转变为一种可持续参与的行为链条。在它的生态里，每一次挂单、浏览、任务参与不仅能获得奖励，还会形成一个更连贯的用户轨迹。你不再是“来一次、走一次”的游客，而是一个在生态里慢慢“成长”的参与者——这让 NFT 使用不再像一笔单一操作，而像一个可以反复进入、反复体验的互动空间。 Veera — 让链上入口变成你愿意点开的“探索入口” Veera 的方向并不只是做一个钱包，它试图把 Web3 的入口从命令式的“按钮堆栈”变成一种更像信息流的自然浏览感。你打开它，不是看到一墙按钮，而是像打开一个可以滑动、查看和探索的界面。这种把“入口”变成“探索空间”的思路，让用户从“被迫了解复杂操作”转向“顺手发现有趣内容”的习惯性行为，这对提高留存和用户连续参与是非常重要的一步。 MagicBlock ✨⬜ — 把实时体验和可扩展性带到链上应用 MagicBlock 是一个基于 Solana 的实时执行引擎，目标是让链上应用具备Web2 级的交互性能，并且保持去中心化的安全性。它使用 Ephemeral Rollups 技术，在不拆分状态的前提下提供极低延迟、几乎零手续费的执行环境，这适合实时游戏、DeFi 以及需要高频交互的场景。其设计让开发者不再为性能牺牲链上特性，同时也极大提升了用户“无延迟感”的体验可能性。除了技术本身，MagicBlock 还在孵化器层面发力，吸引开发者来构建更具创意和实时性质的应用，这让生态不仅是底层引擎，更成为创新场景的催化器。 Altura — 资产不再只是标签，而是可调用的“行为构件” Alturax 的核心变化在于，它让链上资产具备更强的生态参与能力：不是只有买和卖的逻辑，而是一种资产在不同协议与玩法之间调用的能力。资产不再是静止的符号，而是可以参与多种逻辑、被策略调用的构建块。这种思路让资产在链上进一步融入生态协同，而不是只能在市场上看价格。 Konnex — 把现实世界的任务纳入链上协作图谱 Konnex 的有趣点在于：它不单是一个链上协议，而是试图把现实世界的不确定性直接带进链上。在它的构想中，机器人、自动化系统和协议之间可以协作，通过链上可验证的数据完成现实任务的结算 —— 使得现实世界的执行与去中心化结算建立起一种可验证的信任。这是 Web3 往现实落地迈出的一步，不再把链上交互限定在数字资产，而是融入实体世界的执行逻辑之中。

玩币的过年坐小孩那桌！截止目前，上证连着第18个阳，反观加密近30天的恐惧指数有28天低于40。有这样一种感觉：你打开一个新的应用，点了几下，突然发现——“嘿，这比我想象中顺手多了！” 真正让人愿意重复进入一个产品的，并不是一堆炫酷的功能，而是细节上的 “无感优化”、行为路径上的连贯性提升。这些项目正在悄悄做的，正是这种让体验变得自然的改进。 Spaace 🟠 — NFT 不只是市场，而是用户体验的“积木场” Spaace 走得不是那种一次性爆发交易量的路线，而是在逐步把 NFT 交易转变为一种可持续参与的行为链条。在它的生态里，每一次挂单、浏览、任务参与不仅能获得奖励，还会形成一个更连贯的用户轨迹。你不再是“来一次、走一次”的游客，而是一个在生态里慢慢“成长”的参与者——这让 NFT 使用不再像一笔单一操作，而像一个可以反复进入、反复体验的互动空间。 Veera — 让链上入口变成你愿意点开的“探索入口” Veera 的方向并不只是做一个钱包，它试图把 Web3 的入口从命令式的“按钮堆栈”变成一种更像信息流的自然浏览感。你打开它，不是看到一墙按钮，而是像打开一个可以滑动、查看和探索的界面。这种把“入口”变成“探索空间”的思路，让用户从“被迫了解复杂操作”转向“顺手发现有趣内容”的习惯性行为，这对提高留存和用户连续参与是非常重要的一步。 MagicBlock ✨⬜ — 把实时体验和可扩展性带到链上应用 MagicBlock 是一个基于 Solana 的实时执行引擎，目标是让链上应用具备Web2 级的交互性能，并且保持去中心化的安全性。它使用 Ephemeral Rollups 技术，在不拆分状态的前提下提供极低延迟、几乎零手续费的执行环境，这适合实时游戏、DeFi 以及需要高频交互的场景。其设计让开发者不再为性能牺牲链上特性，同时也极大提升了用户“无延迟感”的体验可能性。除了技术本身，MagicBlock 还在孵化器层面发力，吸引开发者来构建更具创意和实时性质的应用，这让生态不仅是底层引擎，更成为创新场景的催化器。 Altura — 资产不再只是标签，而是可调用的“行为构件” Alturax 的核心变化在于，它让链上资产具备更强的生态参与能力：不是只有买和卖的逻辑，而是一种资产在不同协议与玩法之间调用的能力。资产不再是静止的符号，而是可以参与多种逻辑、被策略调用的构建块。这种思路让资产在链上进一步融入生态协同，而不是只能在市场上看价格。 Konnex — 把现实世界的任务纳入链上协作图谱 Konnex 的有趣点在于：它不单是一个链上协议，而是试图把现实世界的不确定性直接带进链上。在它的构想中，机器人、自动化系统和协议之间可以协作，通过链上可验证的数据完成现实任务的结算 —— 使得现实世界的执行与去中心化结算建立起一种可验证的信任。这是 Web3 往现实落地迈出的一步，不再把链上交互限定在数字资产，而是融入实体世界的执行逻辑之中。

搞子(明日香版)🕊️|🐬TermMax

102,534 görüntüleme • 7 ay önce

99%的人用AI做预测，从第一步就错了！大多数人找AI问未来，本质是在找电子算命先生。要一个确定答案，对了就吹AI神，错了就当没发生。但AI预测真正的价值，从来就不是猜对结果。而是把混乱、打架、定义模糊的零散信息，结构化成有证据、可迭代、能自纠错的概率判断。绝大多数人用AI预测都死在三步上。题目不写死，会不会上市这种模糊问题，从根上就是废问题。信源平权，官方公告和自媒体八卦混在一起，最后只能和出一团稀泥。只要结论不要过程，中了当玄学，错了没复盘，永远不会进步。真正有效的用法，是给AI搭一套完整的认知脚手架。先把题写死，明确定义、层级、截止时间，堵死所有偷换概念的空间。再钉死已发生的事实，把没发生的事也明确列出来，负面信息和正面信息同等重要。然后给信源分层加权，官方权重最高，主流媒体次之，预测市场做对照，二手内容只当气氛组。接着分情景输出概率，基准、上行、下行各配对应的观察信号，什么情况该上修，什么情况该下修。最后一定要追问，逼它自洽，逼它解释冲突，逼它承认之前的判断偏差。其实最值钱的环节恰恰是AI改口，就像Anthropic上市的预测，三刀追问之后，模型主动把9月1日前上市的概率从8到12个百分点，下修到4到7个百分点。敢当面认错并讲清原因，比一次性给出一个漂亮的答案，可信一百倍。这套方法不止能用在公司上市上，产品发布，政策节点，竞品动态，甚至个人的职业选择，只要是答案在未来、信源互相打架的场景，全部可以复用。它本质上是把专业分析师的思考过程，外化出来强制AI走完全链路。 AI当然也有局限，它拿不到内部信息，它会过度自信，它的概率永远是判断不是事实。但真正的高级用法，就是承认这些局限，然后用结构和流程，把局限变成可管理的部分。求答案永远是最低级的用法，借AI的算力，打磨自己的判断系统，才是真正的长期杠杆。

99%的人用AI做预测，从第一步就错了！大多数人找AI问未来，本质是在找电子算命先生。要一个确定答案，对了就吹AI神，错了就当没发生。但AI预测真正的价值，从来就不是猜对结果。而是把混乱、打架、定义模糊的零散信息，结构化成有证据、可迭代、能自纠错的概率判断。绝大多数人用AI预测都死在三步上。题目不写死，会不会上市这种模糊问题，从根上就是废问题。信源平权，官方公告和自媒体八卦混在一起，最后只能和出一团稀泥。只要结论不要过程，中了当玄学，错了没复盘，永远不会进步。真正有效的用法，是给AI搭一套完整的认知脚手架。先把题写死，明确定义、层级、截止时间，堵死所有偷换概念的空间。再钉死已发生的事实，把没发生的事也明确列出来，负面信息和正面信息同等重要。然后给信源分层加权，官方权重最高，主流媒体次之，预测市场做对照，二手内容只当气氛组。接着分情景输出概率，基准、上行、下行各配对应的观察信号，什么情况该上修，什么情况该下修。最后一定要追问，逼它自洽，逼它解释冲突，逼它承认之前的判断偏差。其实最值钱的环节恰恰是AI改口，就像Anthropic上市的预测，三刀追问之后，模型主动把9月1日前上市的概率从8到12个百分点，下修到4到7个百分点。敢当面认错并讲清原因，比一次性给出一个漂亮的答案，可信一百倍。这套方法不止能用在公司上市上，产品发布，政策节点，竞品动态，甚至个人的职业选择，只要是答案在未来、信源互相打架的场景，全部可以复用。它本质上是把专业分析师的思考过程，外化出来强制AI走完全链路。 AI当然也有局限，它拿不到内部信息，它会过度自信，它的概率永远是判断不是事实。但真正的高级用法，就是承认这些局限，然后用结构和流程，把局限变成可管理的部分。求答案永远是最低级的用法，借AI的算力，打磨自己的判断系统，才是真正的长期杠杆。

AYi

21,675 görüntüleme • 1 ay önce

Kaku 这个产品我在琢磨和 AI 的结合点，让 AI 在里面属于润物细无声，需要时候能雪中送炭的那种，而非强塞。我计划分 3 个阶段来做，刚好借助春节休假时间，当前差不多完成 1.5 阶段，希望通过开源建设对工程师有帮助。第一个阶段，0.4 版本已经可以通过 kaku ai 命令一键列出当前你所有的 AICoding 的cli 配置，可以进行登录状态、key、模型选择的管理。后面这里也计划加上额度的展示，就更方便了。第二个阶段，昨晚在写差不多ok，还需打磨再放出，正是下面那个视频的展示，这个阶段属于润物无声，平时不会出现，当你命令执行错误，或者你运行过程中报错了，我会把错误信息传递给一个快速准确的模型处理，立马告诉你如何处理，可以快捷键一键处理，只在你出错时候找你，就不需要把错误信息再 copy 出来问 AI，此外在环境内可以获取到更多上下文信息，处理更便捷。第三个阶段，会是我更想做的，既然终端是最接近系统级别上下文的应用，而且 Kaku 本身可以给 Agent 提供对应运行环境和手的地方，加上好的大模型脑袋，好比手和干活场地在 Kaku，更好施展，然后直接在终端就可以说话干活了，不过不是面向小白，而是有技术背景的工程师，要爽快，干脆，指哪打哪不啰嗦那种感觉，这个正在思考中。哈哈非常欢迎大伙比如有 Codex、Claude Code 额度用不完的来给 Kaku 贡献代码，这样做起来就更快啦。

Kaku 这个产品我在琢磨和 AI 的结合点，让 AI 在里面属于润物细无声，需要时候能雪中送炭的那种，而非强塞。我计划分 3 个阶段来做，刚好借助春节休假时间，当前差不多完成 1.5 阶段，希望通过开源建设对工程师有帮助。第一个阶段，0.4 版本已经可以通过 kaku ai 命令一键列出当前你所有的 AICoding 的cli 配置，可以进行登录状态、key、模型选择的管理。后面这里也计划加上额度的展示，就更方便了。第二个阶段，昨晚在写差不多ok，还需打磨再放出，正是下面那个视频的展示，这个阶段属于润物无声，平时不会出现，当你命令执行错误，或者你运行过程中报错了，我会把错误信息传递给一个快速准确的模型处理，立马告诉你如何处理，可以快捷键一键处理，只在你出错时候找你，就不需要把错误信息再 copy 出来问 AI，此外在环境内可以获取到更多上下文信息，处理更便捷。第三个阶段，会是我更想做的，既然终端是最接近系统级别上下文的应用，而且 Kaku 本身可以给 Agent 提供对应运行环境和手的地方，加上好的大模型脑袋，好比手和干活场地在 Kaku，更好施展，然后直接在终端就可以说话干活了，不过不是面向小白，而是有技术背景的工程师，要爽快，干脆，指哪打哪不啰嗦那种感觉，这个正在思考中。哈哈非常欢迎大伙比如有 Codex、Claude Code 额度用不完的来给 Kaku 贡献代码，这样做起来就更快啦。

Tw93

13,910 görüntüleme • 6 ay önce

🔥 MemeMax，正在完成从“内容热点”到“长期坐标”的转变很多项目的生命周期很短，是因为它们只能在某个情绪窗口里成立。而 MemeMax 不一样，它正在脱离单一情绪的依赖，逐渐变成一个可以被长期使用、反复回访的存在。你会注意到，它的节奏非常克制。没有强行制造高潮，也不急着证明自己“很大”。内容持续输出，但不疲劳；讨论不断发生，却不空转。meme 提供足够的传播张力，AI 保证效率与密度，两者形成了一种稳定且可复制的模式。这种模式带来的直接结果，是参与门槛被不断拉低。你不需要等热点，也不需要理解复杂背景，只要进入，就能自然参与。久而久之，MemeMax 不再是“要不要试试”的对象，而是顺手就会点开的存在。更重要的是，项目的信用正在通过行为而不是承诺建立。更新没有中断，互动有反馈，节奏有延续性。参与者开始形成心理预期：它会继续运转，它不会突然消失。这种预期一旦稳固，外部变量反而成了加速器。市场真正放大的，往往不是最吵的项目，而是那些已经把结构搭好、只差情绪的系统。MemeMax 正在这个阶段，把时间变成自己的筹码。等到注意力重新集中时，很多人会发现，它早就站在那儿了。参与入口👇 👉 #MemeMax MemeMax Kaito AI 🌊

🔥 MemeMax，正在完成从“内容热点”到“长期坐标”的转变很多项目的生命周期很短，是因为它们只能在某个情绪窗口里成立。而 MemeMax 不一样，它正在脱离单一情绪的依赖，逐渐变成一个可以被长期使用、反复回访的存在。你会注意到，它的节奏非常克制。没有强行制造高潮，也不急着证明自己“很大”。内容持续输出，但不疲劳；讨论不断发生，却不空转。meme 提供足够的传播张力，AI 保证效率与密度，两者形成了一种稳定且可复制的模式。这种模式带来的直接结果，是参与门槛被不断拉低。你不需要等热点，也不需要理解复杂背景，只要进入，就能自然参与。久而久之，MemeMax 不再是“要不要试试”的对象，而是顺手就会点开的存在。更重要的是，项目的信用正在通过行为而不是承诺建立。更新没有中断，互动有反馈，节奏有延续性。参与者开始形成心理预期：它会继续运转，它不会突然消失。这种预期一旦稳固，外部变量反而成了加速器。市场真正放大的，往往不是最吵的项目，而是那些已经把结构搭好、只差情绪的系统。MemeMax 正在这个阶段，把时间变成自己的筹码。等到注意力重新集中时，很多人会发现，它早就站在那儿了。参与入口👇 👉 #MemeMax MemeMax Kaito AI 🌊

小宝| TermMax⚡️.🕊️

23,503 görüntüleme • 7 ay önce

我一直觉得，判断一个交易系统是不是偏心，最好的办法不是看谁赚得多，而是看谁更容易活下来。在 MemeMax 里，这个问题尤其重要，因为它不是一个试图平滑风险的系统，而是一个把风险放在台面上的系统。在 MemeMax 里，天然更占优势的，不是消息最快的人，也不是手法最花的人，而是能和清算结构长期共存的人。这听起来有点抽象，但拆开看，其实非常现实。第1️⃣层优势：时间，而不是判断 MemeMax 的清算逻辑，本质上并不奖励判断正确一次，而是奖励在多次波动中不断留下来。高波动、高杠杆、快节奏，决定了任何一次重仓判断，都可能直接被市场抹掉。所以你会发现，真正活得久的人，往往不是最会猜顶猜底的，而是允许自己看错很多次的人。他们的仓位天然更轻，节奏更慢，不是因为保守，而是因为清楚一件事，清算不是意外，是常态。第2️⃣层优势：结构理解，而不是操作技巧很多人把 MemeMax 当成一个操作空间很大的地方，但真正的优势，其实来自对结构的理解。清算线不是风险提示，而是系统的核心齿轮。只要你愿意频繁去触碰它，系统就一定会把你吃掉。所以在 MemeMax 里，占优势的人往往有一个共同点：他们不试图和清算线博弈，而是围绕它设计行为。什么时候必须退，什么时候允许错，什么时候宁愿少赚。这不是技术，是结构感。第3️⃣层优势：资金曲线，而不是单笔盈亏在 MemeMax 里，系统真正偏向的，是能维持平滑资金曲线的人。不是不亏，而是不爆。因为一旦爆仓，你在系统里的“参与权”就被强行中断。而 MemeMax 的很多机会，本质上是给持续参与者准备的，而不是给一次性玩家准备的。换句话说，这不是一场比聪明的游戏，而是一场比谁能持续留在桌上的游戏。第4️⃣层优势：心理结构这点很多人不愿意承认。在 MemeMax 里，情绪越强烈的人，反而越容易成为系统的燃料。系统对 FOMO、重仓、加速下注的容忍度非常低。不是道德问题，而是结构问题。清算机制不会关心你的理由，只会执行结果。所以真正占优势的人，往往情绪并不激烈，甚至有点冷。不是因为他们不信 Meme，而是因为他们接受不确定性是常态。说一句很实在的判断MemeMax 从来没有试图让所有人都赚钱。它真正做的，是在一开始就把“谁更容易被淘汰”这件事，写进了系统里。如果你追求的是刺激、爆发、一次翻倍，那你会觉得这个系统很残酷。但如果你追求的是在高波动环境中，尽可能多地活过几个周期，那你会慢慢理解它的偏向。我个人的选择很简单。我不会把 MemeMax 当成提款机，也不会把它当成赌场。我更愿意把它当成一个会不断筛人的系统。如果你也在参与，不妨问自己一个问题你是在赌一次判断，还是在和这个结构长期共存。想清楚这一点，再决定怎么玩，结果会完全不一样。 #Mememax #KAITO

我一直觉得，判断一个交易系统是不是偏心，最好的办法不是看谁赚得多，而是看谁更容易活下来。在 MemeMax 里，这个问题尤其重要，因为它不是一个试图平滑风险的系统，而是一个把风险放在台面上的系统。在 MemeMax 里，天然更占优势的，不是消息最快的人，也不是手法最花的人，而是能和清算结构长期共存的人。这听起来有点抽象，但拆开看，其实非常现实。第1️⃣层优势：时间，而不是判断 MemeMax 的清算逻辑，本质上并不奖励判断正确一次，而是奖励在多次波动中不断留下来。高波动、高杠杆、快节奏，决定了任何一次重仓判断，都可能直接被市场抹掉。所以你会发现，真正活得久的人，往往不是最会猜顶猜底的，而是允许自己看错很多次的人。他们的仓位天然更轻，节奏更慢，不是因为保守，而是因为清楚一件事，清算不是意外，是常态。第2️⃣层优势：结构理解，而不是操作技巧很多人把 MemeMax 当成一个操作空间很大的地方，但真正的优势，其实来自对结构的理解。清算线不是风险提示，而是系统的核心齿轮。只要你愿意频繁去触碰它，系统就一定会把你吃掉。所以在 MemeMax 里，占优势的人往往有一个共同点：他们不试图和清算线博弈，而是围绕它设计行为。什么时候必须退，什么时候允许错，什么时候宁愿少赚。这不是技术，是结构感。第3️⃣层优势：资金曲线，而不是单笔盈亏在 MemeMax 里，系统真正偏向的，是能维持平滑资金曲线的人。不是不亏，而是不爆。因为一旦爆仓，你在系统里的“参与权”就被强行中断。而 MemeMax 的很多机会，本质上是给持续参与者准备的，而不是给一次性玩家准备的。换句话说，这不是一场比聪明的游戏，而是一场比谁能持续留在桌上的游戏。第4️⃣层优势：心理结构这点很多人不愿意承认。在 MemeMax 里，情绪越强烈的人，反而越容易成为系统的燃料。系统对 FOMO、重仓、加速下注的容忍度非常低。不是道德问题，而是结构问题。清算机制不会关心你的理由，只会执行结果。所以真正占优势的人，往往情绪并不激烈，甚至有点冷。不是因为他们不信 Meme，而是因为他们接受不确定性是常态。说一句很实在的判断MemeMax 从来没有试图让所有人都赚钱。它真正做的，是在一开始就把“谁更容易被淘汰”这件事，写进了系统里。如果你追求的是刺激、爆发、一次翻倍，那你会觉得这个系统很残酷。但如果你追求的是在高波动环境中，尽可能多地活过几个周期，那你会慢慢理解它的偏向。我个人的选择很简单。我不会把 MemeMax 当成提款机，也不会把它当成赌场。我更愿意把它当成一个会不断筛人的系统。如果你也在参与，不妨问自己一个问题你是在赌一次判断，还是在和这个结构长期共存。想清楚这一点，再决定怎么玩，结果会完全不一样。 #Mememax #KAITO

草帽 boy

42,304 görüntüleme • 7 ay önce

Distil-Whisper：让语音识别的速度提高 5.8 倍，参数减少 51%，准确度保持在 99%。 Whisper 在语音识别方面表现卓著，但是它有一个明显的缺点：训练出来的小模型支持的语言比较少，而大模型推理速度又很慢。如果你有海量的数据需要处理，或者对实时性要求略高，那使用 Whisper 可能会让你比较头疼。你可以使用工程手段来加速推理，例如将语音分片后并发处理然后合并结果，但这里涉及到本地计算资源瓶颈的问题，以及合并分片时容错处理的问题，工程复杂度比较高。《Distil-Whisper: Robust Knowledge Distillation via Large-Scale Pseudo Labelling 》， Whisper 的 Large-v2 model 生成了一系列的 soft targets（也就是概率分布），然后复制 Whisper 网络的第一层和最后一层解码器，最后生成了一个更小、更快效果更好的蒸馏模型 Distil-Whisper。论文数据写的是：速度提高了 5.8 倍，参数减少了 51%，准确度保持在 99%。这个模型的效果之所以不错，主要还是得益于训练数据的完备，它结合了九个公开可用的语音识别数据集，合并后包含 21170 小时的语音数据，涵盖超过 18260 名说话者和 10 个不同的领域；自从 Whisper 大力出奇迹（它从互联网爬取了 68w 小时的数据，未公开）以后，相信后续语音领域的论文都会配置更庞大的数据集。 Distil-Whisper 目前开源在 Hugging Face 上，模型地址： Demo： Demo 会把模型下载到本地，然后通过 WebGPU 直接在网页上跑起来，测试了下效果，还是挺不错的。目前仅支持英文，如果想让它支持中文，需要使用同样海量的中文语料数据，重新做一次知识蒸馏，但我觉得即便是这样做，效果也不一定好，因为 Whisper 本身对中文、韩语等支持就不太优秀，这个信息可以从 Whisper 的论文中找到数据支撑。下面这个视频是 Whisper 和 Distil-Whisper 的对比效果：

Distil-Whisper：让语音识别的速度提高 5.8 倍，参数减少 51%，准确度保持在 99%。 Whisper 在语音识别方面表现卓著，但是它有一个明显的缺点：训练出来的小模型支持的语言比较少，而大模型推理速度又很慢。如果你有海量的数据需要处理，或者对实时性要求略高，那使用 Whisper 可能会让你比较头疼。你可以使用工程手段来加速推理，例如将语音分片后并发处理然后合并结果，但这里涉及到本地计算资源瓶颈的问题，以及合并分片时容错处理的问题，工程复杂度比较高。《Distil-Whisper: Robust Knowledge Distillation via Large-Scale Pseudo Labelling 》， Whisper 的 Large-v2 model 生成了一系列的 soft targets（也就是概率分布），然后复制 Whisper 网络的第一层和最后一层解码器，最后生成了一个更小、更快效果更好的蒸馏模型 Distil-Whisper。论文数据写的是：速度提高了 5.8 倍，参数减少了 51%，准确度保持在 99%。这个模型的效果之所以不错，主要还是得益于训练数据的完备，它结合了九个公开可用的语音识别数据集，合并后包含 21170 小时的语音数据，涵盖超过 18260 名说话者和 10 个不同的领域；自从 Whisper 大力出奇迹（它从互联网爬取了 68w 小时的数据，未公开）以后，相信后续语音领域的论文都会配置更庞大的数据集。 Distil-Whisper 目前开源在 Hugging Face 上，模型地址： Demo： Demo 会把模型下载到本地，然后通过 WebGPU 直接在网页上跑起来，测试了下效果，还是挺不错的。目前仅支持英文，如果想让它支持中文，需要使用同样海量的中文语料数据，重新做一次知识蒸馏，但我觉得即便是这样做，效果也不一定好，因为 Whisper 本身对中文、韩语等支持就不太优秀，这个信息可以从 Whisper 的论文中找到数据支撑。下面这个视频是 Whisper 和 Distil-Whisper 的对比效果：

Barret李靖

124,227 görüntüleme • 2 yıl önce

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：

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 görüntüleme • 3 ay önce