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 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

9,726 subscribers

219,312 次观看 • 10 天前 •via X (Twitter)

科学技术教育新闻政治

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 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 次观看 • 14 天前

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 次观看 • 10 天前

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 次观看 • 14 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

28,465 次观看 • 1 个月前

在GitHub上看到一个专门教怎么用 Claude Code 的项目，已经涨到了 4w star 它不是官方操作文档，而是一条从入门到高级智能体的完整学习路径斜杠命令、MCP配置、钩子脚本、子智能体编排，每个模块都有可视化图解，教你"怎么做"的同时也会教"为什么这么做" 最实用的是里面的模板，钩子脚本、代理配置、斜杠命令、MCP配置文件，全部可以直接复制粘贴到自己的项目里不管你是想补齐 Claude Code 的知识盲区，还是想搭一套属于自己的 AI 工作流，都可以关注下这个项目

在GitHub上看到一个专门教怎么用 Claude Code 的项目，已经涨到了 4w star 它不是官方操作文档，而是一条从入门到高级智能体的完整学习路径斜杠命令、MCP配置、钩子脚本、子智能体编排，每个模块都有可视化图解，教你"怎么做"的同时也会教"为什么这么做" 最实用的是里面的模板，钩子脚本、代理配置、斜杠命令、MCP配置文件，全部可以直接复制粘贴到自己的项目里不管你是想补齐 Claude Code 的知识盲区，还是想搭一套属于自己的 AI 工作流，都可以关注下这个项目

阿西_出海

19,547 次观看 • 1 个月前

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

72,892 次观看 • 1 天前

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 • 7 个月前

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 次观看 • 7 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！

396,086 次观看 • 26 天前

$你是看不懂 Codex 里面那些英文技能是什么意思，对吧？那就让它直接全部汉化。不只是翻译名字，最好连每个技能的作用、什么时候用，也一起说明白。如果你的 Codex 技能/工具列表里还有很多英文名称，可以让 Codex 帮你做一次本地中文化整理。提示词：请帮我检查本机 Codex 技能/插件列表里仍然显示英文的名称和说明，并把它们改成中文显示。要求： 1. 先扫描以下目录里的技能和插件元数据： - C:\Users\Admin\.codex\skills - C:\Users\Admin\.agents\skills - C:\Users\Admin\.codex\plugins\cache - C:\Users\Admin\.codex\cache\remote_plugin_catalog 2. 重点检查： - display_name - short_description - 缺少 agents/openai.yaml 的技能目录 - 远程插件目录缓存里的 interface.display_name 和 interface.short_description 3. 对仍然是英文的技能名和说明，补充或改成自然中文。例如： - Figma Code Connect → Figma 代码连接 - CI Debug → CI 调试 - Branded Presentation → 品牌演示文稿 - Channel Summarization → 频道总结 - BigQuery Data Transfer Service → BigQuery 数据传输服务 4. 不要改 SKILL.md 里的核心触发描述，除非确实需要；优先只改 agents/openai.yaml 和远程目录缓存里的显示字段，避免影响技能调用。 5. 修改前先备份相关目录，方便回滚。 6. 修改后重新检查： - 缺少 agents/openai.yaml 的技能数量是否为 0 - 纯英文 display_name 数量是否为 0 - 纯英文 short_description 数量是否为 0 7. 最后告诉我改了哪些类型的内容、备份在哪里、是否需要重启 Codex App 刷新缓存。$

你是看不懂 Codex 里面那些英文技能是什么意思，对吧？那就让它直接全部汉化。不只是翻译名字，最好连每个技能的作用、什么时候用，也一起说明白。如果你的 Codex 技能/工具列表里还有很多英文名称，可以让 Codex 帮你做一次本地中文化整理。提示词：请帮我检查本机 Codex 技能/插件列表里仍然显示英文的名称和说明，并把它们改成中文显示。要求： 1. 先扫描以下目录里的技能和插件元数据： - C:\Users\Admin\.codex\skills - C:\Users\Admin\.agents\skills - C:\Users\Admin\.codex\plugins\cache - C:\Users\Admin\.codex\cache\remote_plugin_catalog 2. 重点检查： - display_name - short_description - 缺少 agents/openai.yaml 的技能目录 - 远程插件目录缓存里的 interface.display_name 和 interface.short_description 3. 对仍然是英文的技能名和说明，补充或改成自然中文。例如： - Figma Code Connect → Figma 代码连接 - CI Debug → CI 调试 - Branded Presentation → 品牌演示文稿 - Channel Summarization → 频道总结 - BigQuery Data Transfer Service → BigQuery 数据传输服务 4. 不要改 SKILL.md 里的核心触发描述，除非确实需要；优先只改 agents/openai.yaml 和远程目录缓存里的显示字段，避免影响技能调用。 5. 修改前先备份相关目录，方便回滚。 6. 修改后重新检查： - 缺少 agents/openai.yaml 的技能数量是否为 0 - 纯英文 display_name 数量是否为 0 - 纯英文 short_description 数量是否为 0 7. 最后告诉我改了哪些类型的内容、备份在哪里、是否需要重启 Codex App 刷新缓存。

阿良｜AI 工作流

17,733 次观看 • 2 个月前

大部分人用 Claude Code 其实是在裸跑打开项目，直接问它改代码、写功能、修bug。能干活，但工作流全靠手动组织 Anthropic 最近出了个官方插件叫 claude-code-setup，做的事情挺简单的：扫描你的项目结构和依赖，然后推荐你应该配哪些东西具体来说它会建议你装： -适合你项目的 MCP servers -可以复用的 skills -自动触发的 hooks -拆分任务用的 subagents -常用的 slash commands 相当于它帮你把 Claude Code 从一个"什么都能干但什么都要你自己安排"的工具，变成一个针对你这个项目定制过的AI开发环境之前这些配置全靠自己摸索，哪些 MCP 好用、hooks 怎么写、subagents 怎么拆，都要一个个试。现在至少有个起点了不是说它推荐的就一定全对，但比从零开始配要省不少事用 Claude Code 的可以试试，尤其是项目已经有一定规模的

大部分人用 Claude Code 其实是在裸跑打开项目，直接问它改代码、写功能、修bug。能干活，但工作流全靠手动组织 Anthropic 最近出了个官方插件叫 claude-code-setup，做的事情挺简单的：扫描你的项目结构和依赖，然后推荐你应该配哪些东西具体来说它会建议你装： -适合你项目的 MCP servers -可以复用的 skills -自动触发的 hooks -拆分任务用的 subagents -常用的 slash commands 相当于它帮你把 Claude Code 从一个"什么都能干但什么都要你自己安排"的工具，变成一个针对你这个项目定制过的AI开发环境之前这些配置全靠自己摸索，哪些 MCP 好用、hooks 怎么写、subagents 怎么拆，都要一个个试。现在至少有个起点了不是说它推荐的就一定全对，但比从零开始配要省不少事用 Claude Code 的可以试试，尤其是项目已经有一定规模的

Vincent | 信号＞噪音

21,388 次观看 • 2 个月前

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 次观看 • 2 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

AI 编程组合 VsCode + Cline + DeepSeek R1 体验完了成功给之前做的小工具「今天吃什么」加上了动画。别看是个小动画，之前在其他几个软件里都失败了。。。总共 API 花费 1 RMB。用下来的心得和避坑： 1. 请直接用 DeepSeek 官网的 API，不要用 Openrouter 的，它的不支持缓存，要贵一些。。。（虽然它支持加密货币，终于可以花掉我的polygon了 2. DeepSeek R1 不支持视觉，所以调试起来不如 Claude 3.5 方便，建议只用于规划设计，这俩模型的价格差不多其实 3. Cline 的完成度和 Cursor 和 Windsurf 都有一定差距，比如还没有回退功能 4. Cline 的理念是不做省token的上下文管理，追求效果，全部项目丢给模型，所以用起来会贵一些，而且每次请求都展示花了多少钱，有点心疼，可能习惯之后就好了 5. 根据线下同学的反馈，遇到疑难杂症，现在最好的办法是把相关代码和问题扔给 o1 Pro，一般都能解决。什么时候能在 IDE 里直接用上 o1 Pro 或者 o3 或者 DeepSeek R2，而不用担心价格随便用呢，也许只要一两个月？

AI 编程组合 VsCode + Cline + DeepSeek R1 体验完了成功给之前做的小工具「今天吃什么」加上了动画。别看是个小动画，之前在其他几个软件里都失败了。。。总共 API 花费 1 RMB。用下来的心得和避坑： 1. 请直接用 DeepSeek 官网的 API，不要用 Openrouter 的，它的不支持缓存，要贵一些。。。（虽然它支持加密货币，终于可以花掉我的polygon了 2. DeepSeek R1 不支持视觉，所以调试起来不如 Claude 3.5 方便，建议只用于规划设计，这俩模型的价格差不多其实 3. Cline 的完成度和 Cursor 和 Windsurf 都有一定差距，比如还没有回退功能 4. Cline 的理念是不做省token的上下文管理，追求效果，全部项目丢给模型，所以用起来会贵一些，而且每次请求都展示花了多少钱，有点心疼，可能习惯之后就好了 5. 根据线下同学的反馈，遇到疑难杂症，现在最好的办法是把相关代码和问题扔给 o1 Pro，一般都能解决。什么时候能在 IDE 里直接用上 o1 Pro 或者 o3 或者 DeepSeek R2，而不用担心价格随便用呢，也许只要一两个月？

Orange AI

68,652 次观看 • 1 年前

在 GitHub 上发现一款创新性的开源自动化 AI 工具：Terminator。它不像以往通过 OCR 识别屏幕内容，而是直接 “理解” 电脑上的应用像解析 HTML 网站一样，快速、准确地控制我们电脑上的各种软件。对比传统 OCR 自动化工具，有如下的特点： - 速度特别快，比传统方法快很多倍； - 即使软件窗口被遮挡或在后台，也能操作； - 非常稳定，不容易因为界面变化而失效。 GitHub：目前主要支持 Windows 系统，macOS 系统仅支持部分功能。如果你对让电脑自动完成任务感兴趣，这个项目的原理不妨学习看下。

在 GitHub 上发现一款创新性的开源自动化 AI 工具：Terminator。它不像以往通过 OCR 识别屏幕内容，而是直接 “理解” 电脑上的应用像解析 HTML 网站一样，快速、准确地控制我们电脑上的各种软件。对比传统 OCR 自动化工具，有如下的特点： - 速度特别快，比传统方法快很多倍； - 即使软件窗口被遮挡或在后台，也能操作； - 非常稳定，不容易因为界面变化而失效。 GitHub：目前主要支持 Windows 系统，macOS 系统仅支持部分功能。如果你对让电脑自动完成任务感兴趣，这个项目的原理不妨学习看下。

GitHubDaily

38,589 次观看 • 1 年前

🔥 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 次观看 • 7 个月前

Claude Code 桌面板发布本地定时任务功能设定好任务执行的频率，Claude 会在你电脑开着的时候自动执行，无需你每次手动触发。比如：每周五下午，汇总本周进度，生成一份 Markdown 报告存到本地有几个细节值得注意：任务第一次跑完之后，Claude 会自动重写你的 Prompt，记住具体该去哪里找文件、用哪些工具，下次会更准可以开 Git Worktree 模式，每次运行在独立分支里，不会动你的主干代码如果电脑在任务时间点刚好休眠了，App 重新打开后会自动补跑，并发通知目前需要 Claude Pro 以上的付费订阅，桌面端专属，网页和手机暂不支持。怎么用在侧边栏点击 "Schedule"，再点 "+ New task" 就能创建一个定时任务。也可以在任意会话里直接描述需求，比如"帮我设置一个每天早上9点执行的代码 review 任务"，Claude 会自动完成配置。

Claude Code 桌面板发布本地定时任务功能设定好任务执行的频率，Claude 会在你电脑开着的时候自动执行，无需你每次手动触发。比如：每周五下午，汇总本周进度，生成一份 Markdown 报告存到本地有几个细节值得注意：任务第一次跑完之后，Claude 会自动重写你的 Prompt，记住具体该去哪里找文件、用哪些工具，下次会更准可以开 Git Worktree 模式，每次运行在独立分支里，不会动你的主干代码如果电脑在任务时间点刚好休眠了，App 重新打开后会自动补跑，并发通知目前需要 Claude Pro 以上的付费订阅，桌面端专属，网页和手机暂不支持。怎么用在侧边栏点击 "Schedule"，再点 "+ New task" 就能创建一个定时任务。也可以在任意会话里直接描述需求，比如"帮我设置一个每天早上9点执行的代码 review 任务"，Claude 会自动完成配置。

小互

23,651 次观看 • 5 个月前

终于，终于有人把所有模型缝合到一起了😭 Claude Code 编码、codex生图、检索抖音，小红书，youtube x的热点信息……全在一个工作台里这就是我一直在等的“缝合怪max”！！以前我得开五六个客户端，Claude 写完复制到 Midjourney 出图，再切到 Codex 写代码，脑子都要炸了现在 dethink 直接把这些全塞进来了一个界面切遍所有模型——Claude、Grok、Gemini、DeepSeek、Kimi、GLM 关键是 Claude Code 和 Codex 也在里面，编码、写作、生图，一个工作台全干了更爽的是什么？微信、支付宝直接付款不需要外币卡，不需要找代充，不需要担心封号 $20 / $100 / $200 三档套餐，按 token 计费，用多少算多少以前想用多个模型，要么分别订阅（每个月固定扣费，用不用都得付），要么来回切账号 dethink 按 token 计费，$20 / $100 / $200 三档，用多少算多少对我这种有时候用得多、有时候用得少的人来说，这种灵活性才是真正省钱的地方而且所有模型在一个工作台里，Claude 写文案、Grok 出图、Gemini 做分析，切换无缝省下的不只是钱，是那种"终于不用管支付问题、不用来回切工具“的心智负担还有三个让我意外的点： 1. 数据聚合直接内置想查抖音、小红书、YouTube、X 的热点？直接在 dethink 里搜以前我得开 Semrush、飞瓜、新榜好几个工具，现在一个地方全搞定做选题、找热点、SEO 分析，效率直接翻倍 2. 图像生成的组合玩法你可以用 Claude 理解需求、优化提示词，然后调用 GPT Image 2 或 Grok Image 出图相当于把“最会理解人话的模型”和“最会画图的模型”组合起来用以前我得在 Claude 和 Midjourney 之间来回复制粘贴，现在一句话搞定 3. 桌面端真的好用 Windows 和 macOS 都支持，本地文件直接拖进去就能让 AI 处理做 Agent 任务、跑工作流，比网页版丝滑太多现在 dethink 8月15日刚上线，前 500 名注册直接送 $5 使用额度给大家申请了8折优惠码，限量500个！先到先得了：DETHINK2026 如果你也在用多个 AI 工具，每个月为订阅费头疼或者你想用海外模型但支付一直是个坎，真的可以试试 dethink 链接：

终于，终于有人把所有模型缝合到一起了😭 Claude Code 编码、codex生图、检索抖音，小红书，youtube x的热点信息……全在一个工作台里这就是我一直在等的“缝合怪max”！！以前我得开五六个客户端，Claude 写完复制到 Midjourney 出图，再切到 Codex 写代码，脑子都要炸了现在 dethink 直接把这些全塞进来了一个界面切遍所有模型——Claude、Grok、Gemini、DeepSeek、Kimi、GLM 关键是 Claude Code 和 Codex 也在里面，编码、写作、生图，一个工作台全干了更爽的是什么？微信、支付宝直接付款不需要外币卡，不需要找代充，不需要担心封号 $20 / $100 / $200 三档套餐，按 token 计费，用多少算多少以前想用多个模型，要么分别订阅（每个月固定扣费，用不用都得付），要么来回切账号 dethink 按 token 计费，$20 / $100 / $200 三档，用多少算多少对我这种有时候用得多、有时候用得少的人来说，这种灵活性才是真正省钱的地方而且所有模型在一个工作台里，Claude 写文案、Grok 出图、Gemini 做分析，切换无缝省下的不只是钱，是那种"终于不用管支付问题、不用来回切工具“的心智负担还有三个让我意外的点： 1. 数据聚合直接内置想查抖音、小红书、YouTube、X 的热点？直接在 dethink 里搜以前我得开 Semrush、飞瓜、新榜好几个工具，现在一个地方全搞定做选题、找热点、SEO 分析，效率直接翻倍 2. 图像生成的组合玩法你可以用 Claude 理解需求、优化提示词，然后调用 GPT Image 2 或 Grok Image 出图相当于把“最会理解人话的模型”和“最会画图的模型”组合起来用以前我得在 Claude 和 Midjourney 之间来回复制粘贴，现在一句话搞定 3. 桌面端真的好用 Windows 和 macOS 都支持，本地文件直接拖进去就能让 AI 处理做 Agent 任务、跑工作流，比网页版丝滑太多现在 dethink 8月15日刚上线，前 500 名注册直接送 $5 使用额度给大家申请了8折优惠码，限量500个！先到先得了：DETHINK2026 如果你也在用多个 AI 工具，每个月为订阅费头疼或者你想用海外模型但支付一直是个坎，真的可以试试 dethink 链接：

超级个体｜柿子

88,924 次观看 • 14 天前

写自动化测试脚本或者写爬虫时，用传统的 Playwright 往往需要频繁维护各种元素选择器。一旦目标网页的结构发生微调，原有的脚本就容易直接报错罢工，维护起来颇为费神。最近在 GitHub 上看到到 HyperAgent 这个开源项目，巧妙地将 Playwright 与大模型结合在了一起。通过自然语言就能控制浏览器，完成复杂的自动化任务，不用再写一堆脆弱的选择器代码。 GitHub：支持单步操作，速度快成本低，以及能处理多步骤复杂任务，支持视觉理解和自适应调整。还内置动作缓存功能，录制一次工作流后可以反复回放，不需要每次都调用大语言模型。底层直接使用 Chrome 开发者工具协议，动作执行更精确，自动过滤广告框架，支持深层嵌套的 iframe 操作。同时支持云端扩展，可以通过 Hyperbrowser 快速扩展到数百个会话，还能连接 MCP 工具实现完整工作流。如果你正在用 Playwright 做自动化测试或数据采集，又厌倦了频繁维护选择器代码，这个项目值得一试。

写自动化测试脚本或者写爬虫时，用传统的 Playwright 往往需要频繁维护各种元素选择器。一旦目标网页的结构发生微调，原有的脚本就容易直接报错罢工，维护起来颇为费神。最近在 GitHub 上看到到 HyperAgent 这个开源项目，巧妙地将 Playwright 与大模型结合在了一起。通过自然语言就能控制浏览器，完成复杂的自动化任务，不用再写一堆脆弱的选择器代码。 GitHub：支持单步操作，速度快成本低，以及能处理多步骤复杂任务，支持视觉理解和自适应调整。还内置动作缓存功能，录制一次工作流后可以反复回放，不需要每次都调用大语言模型。底层直接使用 Chrome 开发者工具协议，动作执行更精确，自动过滤广告框架，支持深层嵌套的 iframe 操作。同时支持云端扩展，可以通过 Hyperbrowser 快速扩展到数百个会话，还能连接 MCP 工具实现完整工作流。如果你正在用 Playwright 做自动化测试或数据采集，又厌倦了频繁维护选择器代码，这个项目值得一试。

GitHubDaily

17,999 次观看 • 5 个月前

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 次观看 • 7 个月前