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 配上 Obsidian，直接给 AI 装上永久记忆！很多人用 Codex，每次打开新任务都要重新解释：项目做到哪了、之前改过什么、哪些方案已经踩过坑、哪些关键决定已经定了、下一步该从哪里继续。聊得越久，重要信息反而越容易被埋在历史对话里。我现在直接把 Obsidian 变成 Codex 的永久知识库。长期偏好、项目资料、关键决策、踩坑记录和下一步计划，全部交给它持续整理。等于直接形成一个闭环：读取过去 ➡️完成任务 ➡️更新记忆 ➡️下次继续接着干只需要输入这段提示词：请将当前 Obsidian 知识库作为我的跨项目长期记忆。为所有项目建立统一索引，整理我的长期偏好、项目背景、关键决策、已完成内容、失败方案和下一步计划。每次开始任务前，先读取相关笔记；任务结束后，把新增结论和项目进度更新回对应文档。只保留后续真正需要的信息，不记录无关对话，不写入密码或密钥。然后再给它安排两个自动任务： 1️⃣ 每日开工简报：每天开始工作前，读取所有进行中的项目，整理今天最重要的 3 项任务、当前阻塞和需要参考的历史资料。 2️⃣ 每月知识体检：每月检查一次整个 Obsidian 知识库，找出重复、过期和相互冲突的信息，更新项目索引并标记建议归档的内容。项目做得越久，它积累的背景越完整；任务开得越多，它越清楚你过去做过什么决定。 Obsidian 负责记住一切，Codex 负责把这些记忆变成行动。

爱丽丝呀！

21,656 subscribers

91,268 次观看 • 20 天前 •via X (Twitter)

科学技术教育健康养生

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 最值得养成的收尾习惯：把长对话压缩成项目交接文档，能节省大量 Token！长期项目对话一旦过长，就会充斥失效决定和报错垃圾，导致 AI 频繁重复扫描代码、重踩旧坑，浪费大量 Token。分享一个我在用的提示词，能省不少无效token： “当前阶段即将结束。请创建或更PROJECT_STATUS.md，把本次工作沉淀成一份可以继续执行的项目交接文档。文档需要包含：当前目标、已完成内容、关键技术决策、修改过的核心文件、测试与验证结果、已知问题、尝试过但失败的方案，以及下一步开发顺序。请结合当前代码、Git 变更和测试结果核对内容。只保留后续开发真正需要的信息，不记录无关讨论，不猜测未确认的结论，也不要写入密码、密钥等敏感信息。” 下次继续项目时，第一句话只需要输入： “请先阅读 PROJECT_STATUS.md，确认当前进度、已知问题和下一步，再继续开发。” 这个习惯真正有价值的地方，是它会让 AI 少读取冗长上下文，少重新分析已经确认的方案，也不会轻易再走一遍之前踩过的坑。更重要的是，这份交接文档不绑定某一次 Session，也不绑定某个平台。你可以把同一个项目交给 Codex、Claude Code、Cursor甚至下一个开发者继续执行。

Codex 5.6 最值得养成的收尾习惯：把长对话压缩成项目交接文档，能节省大量 Token！长期项目对话一旦过长，就会充斥失效决定和报错垃圾，导致 AI 频繁重复扫描代码、重踩旧坑，浪费大量 Token。分享一个我在用的提示词，能省不少无效token： “当前阶段即将结束。请创建或更PROJECT_STATUS.md，把本次工作沉淀成一份可以继续执行的项目交接文档。文档需要包含：当前目标、已完成内容、关键技术决策、修改过的核心文件、测试与验证结果、已知问题、尝试过但失败的方案，以及下一步开发顺序。请结合当前代码、Git 变更和测试结果核对内容。只保留后续开发真正需要的信息，不记录无关讨论，不猜测未确认的结论，也不要写入密码、密钥等敏感信息。” 下次继续项目时，第一句话只需要输入： “请先阅读 PROJECT_STATUS.md，确认当前进度、已知问题和下一步，再继续开发。” 这个习惯真正有价值的地方，是它会让 AI 少读取冗长上下文，少重新分析已经确认的方案，也不会轻易再走一遍之前踩过的坑。更重要的是，这份交接文档不绑定某一次 Session，也不绑定某个平台。你可以把同一个项目交给 Codex、Claude Code、Cursor甚至下一个开发者继续执行。

爱丽丝呀！

144,387 次观看 • 27 天前

Codex 隐藏玩法：把你每天重复教 AI 的提示词，直接做成 Skill 90% 的人用 Codex，其实都在重复做同一件事：开一个新任务，把同一套要求再告诉它一遍。这些 Prompt 你可能已经复制粘贴了几十次。但其实，这种反复使用的工作方法，完全可以直接做成 Codex Skill。详细教程如下： 1️⃣先找一段你经常重复使用的 Prompt，比如我最近一直在用这类提示词： “执行任务前先检查需求漏洞和潜在风险，不要默认接受我的方案。涉及代码和结论必须验证，完成后按验收标准逐项检查。” 这类 Prompt 很好用，但最大的问题是：每开一个新任务，都要重新贴一次。 2️⃣直接让 Codex 把它做成 Skill把原来的 Prompt 发给 Codex，然后告诉它：请把上面这套工作方式整理成一个可重复调用的 Codex Skill。要求： · 明确这个 Skill 适合在什么情况下使用 · 把原来的要求整理成清晰的执行步骤 · 区分任务开始前、执行过程中和完成后的检查 · 保留必要的验证流程 · 删除重复和模糊的要求 · 不要改变原来的核心工作原则 Codex 就会把原来散乱的一段 Prompt，整理成一套完整的 Skill 工作流。以后这些规则就不用一直躺在聊天记录里了。 3️⃣ 后面直接调用这个 Skill 再开新任务时，不需要重新复制那一大段 Prompt。直接告诉 Codex：使用这个 Skill 完成当前任务。最后你的 Codex 里保存的，就不再是一堆 Prompt，而是你自己的一整套工作流。 Prompt 是教 AI 这一次怎么做。 Skill 是把你的工作方法直接固化下来，以后每个项目都能重复调用。

Codex 隐藏玩法：把你每天重复教 AI 的提示词，直接做成 Skill 90% 的人用 Codex，其实都在重复做同一件事：开一个新任务，把同一套要求再告诉它一遍。这些 Prompt 你可能已经复制粘贴了几十次。但其实，这种反复使用的工作方法，完全可以直接做成 Codex Skill。详细教程如下： 1️⃣先找一段你经常重复使用的 Prompt，比如我最近一直在用这类提示词： “执行任务前先检查需求漏洞和潜在风险，不要默认接受我的方案。涉及代码和结论必须验证，完成后按验收标准逐项检查。” 这类 Prompt 很好用，但最大的问题是：每开一个新任务，都要重新贴一次。 2️⃣直接让 Codex 把它做成 Skill把原来的 Prompt 发给 Codex，然后告诉它：请把上面这套工作方式整理成一个可重复调用的 Codex Skill。要求： · 明确这个 Skill 适合在什么情况下使用 · 把原来的要求整理成清晰的执行步骤 · 区分任务开始前、执行过程中和完成后的检查 · 保留必要的验证流程 · 删除重复和模糊的要求 · 不要改变原来的核心工作原则 Codex 就会把原来散乱的一段 Prompt，整理成一套完整的 Skill 工作流。以后这些规则就不用一直躺在聊天记录里了。 3️⃣ 后面直接调用这个 Skill 再开新任务时，不需要重新复制那一大段 Prompt。直接告诉 Codex：使用这个 Skill 完成当前任务。最后你的 Codex 里保存的，就不再是一堆 Prompt，而是你自己的一整套工作流。 Prompt 是教 AI 这一次怎么做。 Skill 是把你的工作方法直接固化下来，以后每个项目都能重复调用。

爱丽丝呀！

39,408 次观看 • 17 天前

你现在可以帮Claude Code / Codex 加上无限记忆了 agentmemory （11.4k+ GitHub stars）：是一个开源的 AI 编码代理记忆引擎，它会自动记录每次会话的操作、决策和全部上下文，用 AI 智能压缩成精炼记忆,下次启动时，通过关键词+向量+知识图谱混合搜索，精准注入最相关的上下文这样就能让各种AI agent（当然也包括openclaw，Hermes等等）拥有真正的长期记忆，不用每次都重复解释项目背景和历史决策，效率大幅提升

你现在可以帮Claude Code / Codex 加上无限记忆了 agentmemory （11.4k+ GitHub stars）：是一个开源的 AI 编码代理记忆引擎，它会自动记录每次会话的操作、决策和全部上下文，用 AI 智能压缩成精炼记忆,下次启动时，通过关键词+向量+知识图谱混合搜索，精准注入最相关的上下文这样就能让各种AI agent（当然也包括openclaw，Hermes等等）拥有真正的长期记忆，不用每次都重复解释项目背景和历史决策，效率大幅提升

梭哈.AI

25,025 次观看 • 3 个月前

我想很多人都有这个困扰：之前经常需要在Codex和Claude Code之间来回切换，现在又加上了最近爆火的DeepSeek Harness。但是每次来回切换、或者想尝尝DSH的鲜的时候，我都得把背景重新讲一遍，确实挺烦的~ 最近在GitHub上发现的一个开源项目 memmy-agent，把 Codex、DeepSeek Harness、Claude Code接了进去，直接解决了困扰我很久的跨Agent 记忆的问题。我用它做的事情很简单：把分散在不同 Agent 里的历史，沉淀到同一份个人上下文里，默认 Local-first，让它们都能调用。我把它分别接入 Codex、DeepSeek Harness、Claude Code 之后，我做了一个信号中继站小游戏。我先在Codex 写完基础玩法，然后对话里说一句话：第一次失败时，给玩家一次翻盘机会，别直接结束游戏。但这句话我故意不写入代码、README 或者是本地记忆文件。然后新开 DeepSeek Harness，它从 Memmy 直接读出了这条决定，非常丝滑。再新开 Claude Code，它读代码前先复述了规则，再按这个方向把后续功能补完。代码只能告诉下一个 Agent 项目做到哪，但那些留在对话里的决策，才影响着项目接下来往哪走。以后，Agent 要记住的，不只是代码，还有你前面已经决定的决策和经验。 Memmy 不仅帮我解决了Agent记忆的问题，还让这些经验不再独属于某一个 Agent，而是只属于你。 Switch agents, not context。 Memmy 支持桌面端、CLI、API、MCP 和 Skills多种方式，可以直接接着执行任务。如果你也经常在多个 Agent 之间切换，可以拿自己的项目试一下。项目GitHub：

我想很多人都有这个困扰：之前经常需要在Codex和Claude Code之间来回切换，现在又加上了最近爆火的DeepSeek Harness。但是每次来回切换、或者想尝尝DSH的鲜的时候，我都得把背景重新讲一遍，确实挺烦的~ 最近在GitHub上发现的一个开源项目 memmy-agent，把 Codex、DeepSeek Harness、Claude Code接了进去，直接解决了困扰我很久的跨Agent 记忆的问题。我用它做的事情很简单：把分散在不同 Agent 里的历史，沉淀到同一份个人上下文里，默认 Local-first，让它们都能调用。我把它分别接入 Codex、DeepSeek Harness、Claude Code 之后，我做了一个信号中继站小游戏。我先在Codex 写完基础玩法，然后对话里说一句话：第一次失败时，给玩家一次翻盘机会，别直接结束游戏。但这句话我故意不写入代码、README 或者是本地记忆文件。然后新开 DeepSeek Harness，它从 Memmy 直接读出了这条决定，非常丝滑。再新开 Claude Code，它读代码前先复述了规则，再按这个方向把后续功能补完。代码只能告诉下一个 Agent 项目做到哪，但那些留在对话里的决策，才影响着项目接下来往哪走。以后，Agent 要记住的，不只是代码，还有你前面已经决定的决策和经验。 Memmy 不仅帮我解决了Agent记忆的问题，还让这些经验不再独属于某一个 Agent，而是只属于你。 Switch agents, not context。 Memmy 支持桌面端、CLI、API、MCP 和 Skills多种方式，可以直接接着执行任务。如果你也经常在多个 Agent 之间切换，可以拿自己的项目试一下。项目GitHub：

木马人

62,333 次观看 • 14 天前

Codex 最浪费 token 的阶段之一，可能是刚进一个陌生仓库的时候。你让它改一个功能，它往往先开始：读目录。找入口。搜 routes。看 schema。翻依赖。再打开一堆文件确认项目结构。真正开始写代码之前，已经烧掉不少 context。 CodeSight 做的事情，就是提前给 Codex 准备一张代码库地图。它会扫描整个 repo，把项目结构、关键文件、routes、schema、依赖关系等信息整理成更紧凑的上下文，再通过 MCP 提供给 Codex。这样 Codex 不需要每次都从零开始探索仓库。简单理解：以前： “你自己把这个 repo 看一遍，再告诉我怎么改。” 现在： “这是整个 repo 的地图，直接去该去的地方。” 对于大项目尤其有用。省下来的不只是 token，还有 Agent 在各种目录里来回探索的时间。如果你经常让 Codex 接手陌生项目，这个值得试试。

Codex 最浪费 token 的阶段之一，可能是刚进一个陌生仓库的时候。你让它改一个功能，它往往先开始：读目录。找入口。搜 routes。看 schema。翻依赖。再打开一堆文件确认项目结构。真正开始写代码之前，已经烧掉不少 context。 CodeSight 做的事情，就是提前给 Codex 准备一张代码库地图。它会扫描整个 repo，把项目结构、关键文件、routes、schema、依赖关系等信息整理成更紧凑的上下文，再通过 MCP 提供给 Codex。这样 Codex 不需要每次都从零开始探索仓库。简单理解：以前： “你自己把这个 repo 看一遍，再告诉我怎么改。” 现在： “这是整个 repo 的地图，直接去该去的地方。” 对于大项目尤其有用。省下来的不只是 token，还有 Agent 在各种目录里来回探索的时间。如果你经常让 Codex 接手陌生项目，这个值得试试。

Smartpig | Gate美股0费率

15,126 次观看 • 23 天前

我之前横评了 4 个 PPT Skill，测的是谁能从零做出一份能直接拿去讲的 PPT。这次我换了一个更像真实工作的测试：让 AI 接手上次的旧项目，直接往下改。因为老板平时很少让你重新做一份 PPT，更常说的一句话是：把上次那版改一下。麻烦也从这里开始。上次到底是哪版，评分表放在哪里，结论有没有改，会议里又补了什么要求，最后还得沿用哪套模板。这些项目背景，通常比写提示词本身更费时间。普通聊天工具只知道当前对话。每次开始新任务，你都得把旧 PPT、原始文章、评分表和修改要求重新上传，再花一轮时间解释整个项目。所以我拿之前做过的 PPT Skills 横评项目，测试了一款叫 remio 的工具。我给它的要求很短：把我之前《PPT Skills 实测》的内容，改成一份 8 页、10 分钟的内部分享 PPT。保留 4 个工具的评分和结论，删掉安装过程，增加一页“不同需求怎么选”，输出可编辑的 PPTX。它从已有资料里找出了当时的测试条件、4 个 Skill 的评分、各自优缺点和最终结论，然后重新组织成了一份 8 页 PPT。 93、77、72、58，原来的评分全部保留。新增的“不同需求怎么选”也不是随便按总分排序，而是根据最终交付物来分：正式汇报选 ppt-master，网页演示选 html-ppt-skill，社媒传播选 guizang，需要中文模板再加工可以考虑 GordenPPTSkill。生成结果是可以继续编辑的 PPTX。文字、图形和评分表都能在 PowerPoint 里直接修改，不是把整页做成一张图片塞进去。我又补了一句：帮这份 PPT 配图。 remio 先读取了生图和编辑规范，再判断每一页还有多少留白。中间的表格和对比页信息已经很满，它没有继续塞图，只在封面和结尾页调用 GPT-5.4 Image 2 生成了 2K 插图，配色也沿用了原来的藏青、浅蓝和暖金。最后出来的版本，既保留了原来的评分和判断，也补齐了内部分享需要的结构、选择建议和视觉元素。这次测试让我觉得 remio 比较特别的地方，是它会持续建立个人知识库。本地文件、网页、会议录音、邮件、日历和聊天记录，都可以进入同一套上下文。它还会为这些资料建立本地索引，需要处理任务时，不只看当前对话，也会从已经积累的项目资料里找信息。所以这次做 PPT 时，它调用的不只是一条提示词。原文章讲了什么、4 个 Skill 怎么评分、哪些结论应该保留、最后要交付什么格式，这些信息都来自之前的真实资料。很多 AI 可以根据一句话生成一套看起来不错的 PPT，但真实工作里更高频的任务，是在现有项目上继续修改。你需要的是一个已经知道项目来龙去脉、可以直接接着干活的办公助手。 remio 的知识库数据保存在本地，也支持解析 docx、pptx、Excel、CSV 和 PDF 等常用办公文件。除了改 PPT，它还能根据已有资料补 Excel 字段、整理数据、写公式，生成项目方案、周报和月报，也能把会议录音转成文字，再继续整理结论和行动项。付费用户还可以通过 CLI 调用本地知识库，或者使用自己的 coding plan 和 API Key，把 remio 接进现有工作流。我的理解很简单：资料先进入同一套上下文，Agent 再基于这些资料干活。所以 remio 更像一个通晓项目资料的 AI 办公秘书。它知道文件在哪里、之前讨论过什么、现在要交付什么，然后帮你继续改 PPT、补数据、写报告。如果你平时也要处理大量项目文档，可以去试一下：

我之前横评了 4 个 PPT Skill，测的是谁能从零做出一份能直接拿去讲的 PPT。这次我换了一个更像真实工作的测试：让 AI 接手上次的旧项目，直接往下改。因为老板平时很少让你重新做一份 PPT，更常说的一句话是：把上次那版改一下。麻烦也从这里开始。上次到底是哪版，评分表放在哪里，结论有没有改，会议里又补了什么要求，最后还得沿用哪套模板。这些项目背景，通常比写提示词本身更费时间。普通聊天工具只知道当前对话。每次开始新任务，你都得把旧 PPT、原始文章、评分表和修改要求重新上传，再花一轮时间解释整个项目。所以我拿之前做过的 PPT Skills 横评项目，测试了一款叫 remio 的工具。我给它的要求很短：把我之前《PPT Skills 实测》的内容，改成一份 8 页、10 分钟的内部分享 PPT。保留 4 个工具的评分和结论，删掉安装过程，增加一页“不同需求怎么选”，输出可编辑的 PPTX。它从已有资料里找出了当时的测试条件、4 个 Skill 的评分、各自优缺点和最终结论，然后重新组织成了一份 8 页 PPT。 93、77、72、58，原来的评分全部保留。新增的“不同需求怎么选”也不是随便按总分排序，而是根据最终交付物来分：正式汇报选 ppt-master，网页演示选 html-ppt-skill，社媒传播选 guizang，需要中文模板再加工可以考虑 GordenPPTSkill。生成结果是可以继续编辑的 PPTX。文字、图形和评分表都能在 PowerPoint 里直接修改，不是把整页做成一张图片塞进去。我又补了一句：帮这份 PPT 配图。 remio 先读取了生图和编辑规范，再判断每一页还有多少留白。中间的表格和对比页信息已经很满，它没有继续塞图，只在封面和结尾页调用 GPT-5.4 Image 2 生成了 2K 插图，配色也沿用了原来的藏青、浅蓝和暖金。最后出来的版本，既保留了原来的评分和判断，也补齐了内部分享需要的结构、选择建议和视觉元素。这次测试让我觉得 remio 比较特别的地方，是它会持续建立个人知识库。本地文件、网页、会议录音、邮件、日历和聊天记录，都可以进入同一套上下文。它还会为这些资料建立本地索引，需要处理任务时，不只看当前对话，也会从已经积累的项目资料里找信息。所以这次做 PPT 时，它调用的不只是一条提示词。原文章讲了什么、4 个 Skill 怎么评分、哪些结论应该保留、最后要交付什么格式，这些信息都来自之前的真实资料。很多 AI 可以根据一句话生成一套看起来不错的 PPT，但真实工作里更高频的任务，是在现有项目上继续修改。你需要的是一个已经知道项目来龙去脉、可以直接接着干活的办公助手。 remio 的知识库数据保存在本地，也支持解析 docx、pptx、Excel、CSV 和 PDF 等常用办公文件。除了改 PPT，它还能根据已有资料补 Excel 字段、整理数据、写公式，生成项目方案、周报和月报，也能把会议录音转成文字，再继续整理结论和行动项。付费用户还可以通过 CLI 调用本地知识库，或者使用自己的 coding plan 和 API Key，把 remio 接进现有工作流。我的理解很简单：资料先进入同一套上下文，Agent 再基于这些资料干活。所以 remio 更像一个通晓项目资料的 AI 办公秘书。它知道文件在哪里、之前讨论过什么、现在要交付什么，然后帮你继续改 PPT、补数据、写报告。如果你平时也要处理大量项目文档，可以去试一下：

泊舟

48,955 次观看 • 1 个月前

如何让多个 Agent 之间真正互相学习、互相帮助？现在很多 Agent 都开始有自己的记忆，但问题是：这些记忆彼此不连通。 Codex 记住的坑，Claude 不知道；Hermes 总结的方法，OpenClaw 也用不上。最后每个 Agent 都像一个很努力但失忆的同事，重复问、重复试、重复踩坑。我想要的不是把所有聊天记录都塞进一个大仓库，而是建立一层更克制的“共享记忆”：只记录 Agent 之间最需要互相知道的信息，比如关键结论、踩过的问题、验证过的方法、环境配置、失败教训、用户偏好等。这样一来，一台 Mac 上跑通的流程，另一台 Mac 可以直接继承；一个 Agent 总结出的经验，另一个 Agent 可以继续使用。记忆不再被锁在某个客户端里，而是变成整个 Agent 工作流的公共上下文。新出来的MemOS CLI 对我来说，刚好提供了这个共享记忆层的入口。当然，我需要改造它，因为它默认也是将所有信息都记录起来，我改造成：重要信息才记录，解决不了问题的时候才主动搜索！这样就让 Agent 不只是各自变聪明，而是开始像一个团队一样积累经验、传递经验、减少重复试错。具体看视频，地址在评论区👇

如何让多个 Agent 之间真正互相学习、互相帮助？现在很多 Agent 都开始有自己的记忆，但问题是：这些记忆彼此不连通。 Codex 记住的坑，Claude 不知道；Hermes 总结的方法，OpenClaw 也用不上。最后每个 Agent 都像一个很努力但失忆的同事，重复问、重复试、重复踩坑。我想要的不是把所有聊天记录都塞进一个大仓库，而是建立一层更克制的“共享记忆”：只记录 Agent 之间最需要互相知道的信息，比如关键结论、踩过的问题、验证过的方法、环境配置、失败教训、用户偏好等。这样一来，一台 Mac 上跑通的流程，另一台 Mac 可以直接继承；一个 Agent 总结出的经验，另一个 Agent 可以继续使用。记忆不再被锁在某个客户端里，而是变成整个 Agent 工作流的公共上下文。新出来的MemOS CLI 对我来说，刚好提供了这个共享记忆层的入口。当然，我需要改造它，因为它默认也是将所有信息都记录起来，我改造成：重要信息才记录，解决不了问题的时候才主动搜索！这样就让 Agent 不只是各自变聪明，而是开始像一个团队一样积累经验、传递经验、减少重复试错。具体看视频，地址在评论区👇

huangserva

161,584 次观看 • 2 个月前

我用掉 100 亿 Token 后，最大的变化不是更会写 Prompt。而是 Codex 已经从一个聊天框，慢慢变成了我的： - 自我认识系统 - 工作系统 - 信息系统 - 学习系统 - 甚至是桌面陪伴系统我把自己最常用的 20 个技巧整理出来了。如果你也想把 AI 从“偶尔问一句”变成真正能长期协作的伙伴，建议先收藏。一、让 Codex 逐渐认识你 1. 每天让它问你一个问题我设了一个自动化：每天问我一个能帮助它更了解我、也帮助我认识自己的问题。它会避开已经问过的话题，围绕一个主题慢慢聊。 2. 把对话当成自我观察现在可以直接语音聊。长期积累下来，它能看到我的情绪、偏好、反复出现的困扰和思考方式。 3. 让它把“它眼中的你”画出来把你们的对话和一张漫画参考图交给它，让它生成多格漫画。你会发现：很多时候我们要的不是答案，而是被理解。二、把 Codex 变成工作系统 4. 每周做一次 Codex 使用复盘让它回顾这周我怎么使用它、哪些沟通方式有效、哪些任务返工了、哪些项目该继续推进。 5. 把失败经验写进“第二大脑” 不只是存笔记。把失败原因、偏好、最近关注点沉淀下来，让以后不同 Agent 都能调用同一份上下文。 6. 创意任务先开 Plan Mode 创意型工作最容易“没想清楚就批量执行，最后返工”。先用计划模式讨论目标、方案、数据体系和风险，再开始做。 7. 把 Codex 当思考顾问，而不是执行员你甚至不需要有明确答案。只要说“我想做什么”，让它帮你一起把模糊的想法拆成可执行路径。 8. 需求清楚后切到 Goal Mode 需求确认后，把结果设成目标，让它自己持续推进。我的任务最长跑过 10 小时 44 分钟。 9. 用自动化处理重复但重要的事日报、周报、账号监控、邮箱监控、回复策略、内容归档、同步到个人网站——这些都适合交给自动化。 10. 明确任务就开多 Agent 对于翻译、多语言网站、图片生成、资料整理这类边界清晰的工作，让多个 Agent 分工并行，比一个人盯着快得多。三、让 Codex 跨出聊天框 11. 用 Sites 一键分享作品做好网站后，不要卡在“怎么部署”。Sites 可以直接把成品变成能分享的站点。 12. 把插件当成能力扩展包 Computer Use、数据分析、Investment Banking、GitHub、Outlook / Gmail……很多工作不是“AI 会不会”，而是你有没有给它接上正确的能力。 13. 把生图能力接进日常工作我已经用它生成了 300 多张图。做内容、配图、产品原型和视觉探索，速度会完全不一样。 14. 接入飞书，让手机也能操控 Codex 真正高频的协作不该只发生在电脑前。把它接到飞书后，我在手机上也能下任务、收结果、继续对话。 15. 用 ChatCut 把剪视频变成工作流不是只让 AI 帮忙剪一刀，而是把素材整理、脚本、配图、剪辑一起接进创作链路。四、建立自己的信息雷达 16. 每天订阅 Builder 信息我会用 Follow Builders Skill 定时追踪 Builder 的新想法、新产品和讨论，再把重要信息推送给自己。 17. 做一个“灵感箱” 任何一闪而过的想法都丢进去。后面让 AI 自动搜索、补充背景、分类、处理，而不是靠脑子记住。 18. 盯住 GitHub 和 Product Hunt 让 Agent 帮你筛新项目、周榜、日榜和真正值得试的工具。看见感兴趣的，直接让它安装或进一步研究。五、把输入变成你的输出 19. 把任何学习材料做成 HTML 学习页看到一场好访谈、一个视频、一篇文章：让 AI 拉取内容、生成中文文字稿，边看边记评论，最后再变成摘要或短视频。 20. 给 Codex 一个“实体感”：做成桌宠我很喜欢 Hatch Pet。它会根据状态跑动、办公、提示待办，甚至在你切换文件夹和工作区时给建议。AI 不一定要冷冰冰地躲在聊天框里。 100 亿 Token 给我最大的启发是：不要把 AI 只当作“问答工具”或“临时外包”。当它拥有你的上下文、目标、工作流和反馈后，它会越来越像一个能长期协作的系统。换电脑时，我第一个装的软件就是 Codex。写文档、做网站、剪视频、找资料、整理灵感……它已经覆盖了我工作和生活里非常大的一部分。你最想让我把上面哪一条展开成教程？评论区告诉我，我下一条就拆！ #codex #chatgpt @thsottaux

我用掉 100 亿 Token 后，最大的变化不是更会写 Prompt。而是 Codex 已经从一个聊天框，慢慢变成了我的： - 自我认识系统 - 工作系统 - 信息系统 - 学习系统 - 甚至是桌面陪伴系统我把自己最常用的 20 个技巧整理出来了。如果你也想把 AI 从“偶尔问一句”变成真正能长期协作的伙伴，建议先收藏。一、让 Codex 逐渐认识你 1. 每天让它问你一个问题我设了一个自动化：每天问我一个能帮助它更了解我、也帮助我认识自己的问题。它会避开已经问过的话题，围绕一个主题慢慢聊。 2. 把对话当成自我观察现在可以直接语音聊。长期积累下来，它能看到我的情绪、偏好、反复出现的困扰和思考方式。 3. 让它把“它眼中的你”画出来把你们的对话和一张漫画参考图交给它，让它生成多格漫画。你会发现：很多时候我们要的不是答案，而是被理解。二、把 Codex 变成工作系统 4. 每周做一次 Codex 使用复盘让它回顾这周我怎么使用它、哪些沟通方式有效、哪些任务返工了、哪些项目该继续推进。 5. 把失败经验写进“第二大脑” 不只是存笔记。把失败原因、偏好、最近关注点沉淀下来，让以后不同 Agent 都能调用同一份上下文。 6. 创意任务先开 Plan Mode 创意型工作最容易“没想清楚就批量执行，最后返工”。先用计划模式讨论目标、方案、数据体系和风险，再开始做。 7. 把 Codex 当思考顾问，而不是执行员你甚至不需要有明确答案。只要说“我想做什么”，让它帮你一起把模糊的想法拆成可执行路径。 8. 需求清楚后切到 Goal Mode 需求确认后，把结果设成目标，让它自己持续推进。我的任务最长跑过 10 小时 44 分钟。 9. 用自动化处理重复但重要的事日报、周报、账号监控、邮箱监控、回复策略、内容归档、同步到个人网站——这些都适合交给自动化。 10. 明确任务就开多 Agent 对于翻译、多语言网站、图片生成、资料整理这类边界清晰的工作，让多个 Agent 分工并行，比一个人盯着快得多。三、让 Codex 跨出聊天框 11. 用 Sites 一键分享作品做好网站后，不要卡在“怎么部署”。Sites 可以直接把成品变成能分享的站点。 12. 把插件当成能力扩展包 Computer Use、数据分析、Investment Banking、GitHub、Outlook / Gmail……很多工作不是“AI 会不会”，而是你有没有给它接上正确的能力。 13. 把生图能力接进日常工作我已经用它生成了 300 多张图。做内容、配图、产品原型和视觉探索，速度会完全不一样。 14. 接入飞书，让手机也能操控 Codex 真正高频的协作不该只发生在电脑前。把它接到飞书后，我在手机上也能下任务、收结果、继续对话。 15. 用 ChatCut 把剪视频变成工作流不是只让 AI 帮忙剪一刀，而是把素材整理、脚本、配图、剪辑一起接进创作链路。四、建立自己的信息雷达 16. 每天订阅 Builder 信息我会用 Follow Builders Skill 定时追踪 Builder 的新想法、新产品和讨论，再把重要信息推送给自己。 17. 做一个“灵感箱” 任何一闪而过的想法都丢进去。后面让 AI 自动搜索、补充背景、分类、处理，而不是靠脑子记住。 18. 盯住 GitHub 和 Product Hunt 让 Agent 帮你筛新项目、周榜、日榜和真正值得试的工具。看见感兴趣的，直接让它安装或进一步研究。五、把输入变成你的输出 19. 把任何学习材料做成 HTML 学习页看到一场好访谈、一个视频、一篇文章：让 AI 拉取内容、生成中文文字稿，边看边记评论，最后再变成摘要或短视频。 20. 给 Codex 一个“实体感”：做成桌宠我很喜欢 Hatch Pet。它会根据状态跑动、办公、提示待办，甚至在你切换文件夹和工作区时给建议。AI 不一定要冷冰冰地躲在聊天框里。 100 亿 Token 给我最大的启发是：不要把 AI 只当作“问答工具”或“临时外包”。当它拥有你的上下文、目标、工作流和反馈后，它会越来越像一个能长期协作的系统。换电脑时，我第一个装的软件就是 Codex。写文档、做网站、剪视频、找资料、整理灵感……它已经覆盖了我工作和生活里非常大的一部分。你最想让我把上面哪一条展开成教程？评论区告诉我，我下一条就拆！ #codex #chatgpt @thsottaux

Vivi Xiao

103,052 次观看 • 1 个月前

给 DeepSeek Harness、Hermes、OpenClaw 等Agent做记忆底座的那个 GitHub 万星团队（MemOS）刚开源的这个新项目，我真的要吹爆，可能是今年最值得装的本地 AI 基础设施之一了，它解决了一个我使用AI Agent 忍了大半年的痛点问题：换一个 AI 工具就要重新解释一遍项目背景、技术选型、踩过的坑。每天在 Cursor、Claude Code 和 Codex 之间来回切的人，应该都懂那种吃了苍蝇一样的恶心感，换个工具就等于给AI重新做一遍入职培训，项目背景、踩过的坑、做过的重要决策全部要跟它从头再讲一遍。刚刚开源的 Memmy 直接把这个问题给干掉了，让所有 AI 都记得同一个你。它干的事简单且极度务实，但之前几乎没人愿意做。更关键的是，它本身就是一个形态非常丰满的本地 Agent，支持多种接入方式： →日常用有桌面端 GUI， →极客可以走 CLI/TUI， →还自带 OpenAI 兼容 API 和 MCP 协议， →最新版连 Linux 也已经全平台支持了。授权后直接去翻你本地所有 Agent 的历史日志， Cursor 的数据库、Claude Code 的 jsonl、Codex 的 session，几分钟把你过去几个月在各个工具里聊过的废墟，自动整理成结构化记忆，然后通过 Skill、Hook、MCP 按需注入到你当前正在用的任何 Agent 里。全量存在本地 SQLite 数据库，完全 local-first 不上传，敏感项目不用慌。 Memmy 这个项目跟 Mem0、Zep 那些记忆库完全不是一个赛道。那些是给开发者写代码集成的 API，你要自己写代码接入，或者从今天起重新积累。 Memmy 是直接面向我们这种终端用户，把你过去几个月在各工具里已经产生的历史一键接管过来。这一步大多数工具都没做，毕竟是纯脏活累活。技术底座是同团队的 MemOS，GitHub 一万多星，做的是记忆操作系统，不是简单的向量库加摘要。再说几个极其真实的场景：你在 Codex 里确认了一个架构选型，切到 Claude Code 它立刻知道，你在 Cursor 里试错踩过的坑，新开一个 DeepSeek Harness 不会再踩第二遍。一个 Agent 额度用完了换另一个，上下文再也不会归零。代码靠 Git 能同步状态，记忆同步的，是你在对话里留下的决策和意图。这层资产以前被困在每个工具的 session 里，现在可以跟着你走了。当然照例泼盆冷水，这个项目还在 v1.0.x 早期， GitHub 约 1000 星，各家工具本地格式一升级可能带来兼容问题，记忆蒸馏和跨项目隔离也还在持续迭代，但方向我认为是非常对的。多 Agent 并行时代，记忆本来就该属于用户自己，凭什么被锁死在某个工具里。 Switch agents, not context，让所有 AI 都记得同一个你！！！

给 DeepSeek Harness、Hermes、OpenClaw 等Agent做记忆底座的那个 GitHub 万星团队（MemOS）刚开源的这个新项目，我真的要吹爆，可能是今年最值得装的本地 AI 基础设施之一了，它解决了一个我使用AI Agent 忍了大半年的痛点问题：换一个 AI 工具就要重新解释一遍项目背景、技术选型、踩过的坑。每天在 Cursor、Claude Code 和 Codex 之间来回切的人，应该都懂那种吃了苍蝇一样的恶心感，换个工具就等于给AI重新做一遍入职培训，项目背景、踩过的坑、做过的重要决策全部要跟它从头再讲一遍。刚刚开源的 Memmy 直接把这个问题给干掉了，让所有 AI 都记得同一个你。它干的事简单且极度务实，但之前几乎没人愿意做。更关键的是，它本身就是一个形态非常丰满的本地 Agent，支持多种接入方式： →日常用有桌面端 GUI， →极客可以走 CLI/TUI， →还自带 OpenAI 兼容 API 和 MCP 协议， →最新版连 Linux 也已经全平台支持了。授权后直接去翻你本地所有 Agent 的历史日志， Cursor 的数据库、Claude Code 的 jsonl、Codex 的 session，几分钟把你过去几个月在各个工具里聊过的废墟，自动整理成结构化记忆，然后通过 Skill、Hook、MCP 按需注入到你当前正在用的任何 Agent 里。全量存在本地 SQLite 数据库，完全 local-first 不上传，敏感项目不用慌。 Memmy 这个项目跟 Mem0、Zep 那些记忆库完全不是一个赛道。那些是给开发者写代码集成的 API，你要自己写代码接入，或者从今天起重新积累。 Memmy 是直接面向我们这种终端用户，把你过去几个月在各工具里已经产生的历史一键接管过来。这一步大多数工具都没做，毕竟是纯脏活累活。技术底座是同团队的 MemOS，GitHub 一万多星，做的是记忆操作系统，不是简单的向量库加摘要。再说几个极其真实的场景：你在 Codex 里确认了一个架构选型，切到 Claude Code 它立刻知道，你在 Cursor 里试错踩过的坑，新开一个 DeepSeek Harness 不会再踩第二遍。一个 Agent 额度用完了换另一个，上下文再也不会归零。代码靠 Git 能同步状态，记忆同步的，是你在对话里留下的决策和意图。这层资产以前被困在每个工具的 session 里，现在可以跟着你走了。当然照例泼盆冷水，这个项目还在 v1.0.x 早期， GitHub 约 1000 星，各家工具本地格式一升级可能带来兼容问题，记忆蒸馏和跨项目隔离也还在持续迭代，但方向我认为是非常对的。多 Agent 并行时代，记忆本来就该属于用户自己，凭什么被锁死在某个工具里。 Switch agents, not context，让所有 AI 都记得同一个你！！！

AYi

57,891 次观看 • 6 天前

看完 Charlie Guo 用 GPT-5.6 + Codex 做卡牌游戏，我对前几天那篇文章里的判断更确定了！他没有先写一份很长的 PRD，也没有把任务拆成几十个 tickets。只是给了 Codex 一个相对开放的目标，GPT-5.6 就开始自己设计玩法、编写代码、生成美术，并交付了一个可以运行的版本。之后再追加关卡、机制、配乐和美术要求，它也能继续沿着原来的项目往下推进，甚至会自己判断什么时候需要调用 sub-agents，把不同任务并行完成。这段演示真正值得看的是，它展示了一种新的协作方式：你不再需要提前规定模型每一步该怎么思考、怎么拆任务、怎么执行。你需要把真正重要的事情说清楚，然后让模型在工具和项目环境中持续推进。这也正是我在这篇文章里想讲清楚的问题：《GPT-5.6 Prompt 到底该怎么写？OpenAI 官方指南，一篇讲透！》很多人升级模型之后，仍然沿用过去那套很长、很重、充满过程控制的 Prompt。模型变了，Prompt 的重心也应该跟着改变。 Charlie 的演示给出了一个很直观的答案，而文章里我把背后的官方建议、改写方法和可直接复用的 Prompt 框架完整整理了出来。正在使用 GPT-5.6、Codex，或者准备搭建 Agent Workflow 的人，可以把视频和文章放在一起看。

看完 Charlie Guo 用 GPT-5.6 + Codex 做卡牌游戏，我对前几天那篇文章里的判断更确定了！他没有先写一份很长的 PRD，也没有把任务拆成几十个 tickets。只是给了 Codex 一个相对开放的目标，GPT-5.6 就开始自己设计玩法、编写代码、生成美术，并交付了一个可以运行的版本。之后再追加关卡、机制、配乐和美术要求，它也能继续沿着原来的项目往下推进，甚至会自己判断什么时候需要调用 sub-agents，把不同任务并行完成。这段演示真正值得看的是，它展示了一种新的协作方式：你不再需要提前规定模型每一步该怎么思考、怎么拆任务、怎么执行。你需要把真正重要的事情说清楚，然后让模型在工具和项目环境中持续推进。这也正是我在这篇文章里想讲清楚的问题：《GPT-5.6 Prompt 到底该怎么写？OpenAI 官方指南，一篇讲透！》很多人升级模型之后，仍然沿用过去那套很长、很重、充满过程控制的 Prompt。模型变了，Prompt 的重心也应该跟着改变。 Charlie 的演示给出了一个很直观的答案，而文章里我把背后的官方建议、改写方法和可直接复用的 Prompt 框架完整整理了出来。正在使用 GPT-5.6、Codex，或者准备搭建 Agent Workflow 的人，可以把视频和文章放在一起看。

CodeAlpha

62,099 次观看 • 1 个月前

其实不是每个职场人都必须去学 Claude Code 或 Codex。如果你的工作主要只是改 PPT、补 Excel、写汇报，那么你真正缺的不是一个超强的 Agent，而是一个知道你工作上下文的 AI助手。比如 remio，它会持续把你的本地文件、会议、邮件这些资料变成上下文。让它改 PPT 的时候，不需要每次重新上传十个文件、再把项目背景解释一遍，只需要选取本地相关资料，它会自动读取、分析、提炼、并快速汇总成你需要的交付形式。它更像一个已经在公司陪你协作了很久、知道项目来龙去脉的 AI 办公秘书。以后老板一发任务，你就可以直接让remio帮你干。

其实不是每个职场人都必须去学 Claude Code 或 Codex。如果你的工作主要只是改 PPT、补 Excel、写汇报，那么你真正缺的不是一个超强的 Agent，而是一个知道你工作上下文的 AI助手。比如 remio，它会持续把你的本地文件、会议、邮件这些资料变成上下文。让它改 PPT 的时候，不需要每次重新上传十个文件、再把项目背景解释一遍，只需要选取本地相关资料，它会自动读取、分析、提炼、并快速汇总成你需要的交付形式。它更像一个已经在公司陪你协作了很久、知道项目来龙去脉的 AI 办公秘书。以后老板一发任务，你就可以直接让remio帮你干。

木马人

18,487 次观看 • 1 个月前

如何让你的AI永不失忆呢？大部分人保持AI记忆的方法就是用同一个窗口聊天，但这却是让你的AI越用越失忆的最大元凶！！ AI的上下文窗口，或者说记忆力是有限的，你不停对着一个窗口聊，它看的太多，不得不选择忘记一些东西。当它忘记重要的事情后，给你的回答就会显得无比弱智。下面我给你提供两个解决方案，一个手动的，一个自动的手动的方案是去管理Agent的三部分记忆：即时记忆：把重要的信息写到Claude.md，AI永远不会忘记。会话记忆：每次对话完后，要求AI记住相应的信息，需要时候AI就能回忆起来长期记忆：使用llmwiki构建知识库，这种方式能记录大量信息，但AI不一定能回忆起来。但让AI记得住信息还是不够：有时候你的AI可能会被封号（Claude），出bug记忆被清除（OpenClaw）所以，我们还需要备份AI的记忆。这个流程手动做起来十分复杂，但幸运的是我们可以使用开源项目memmy自动化这个过程。这个项目现在已经有快800star了！！下面视频，我们将会了解到 1. 了解这个产品的基本特性 2. 安装并使用备份功能 3. 验证记忆备份的安全性

如何让你的AI永不失忆呢？大部分人保持AI记忆的方法就是用同一个窗口聊天，但这却是让你的AI越用越失忆的最大元凶！！ AI的上下文窗口，或者说记忆力是有限的，你不停对着一个窗口聊，它看的太多，不得不选择忘记一些东西。当它忘记重要的事情后，给你的回答就会显得无比弱智。下面我给你提供两个解决方案，一个手动的，一个自动的手动的方案是去管理Agent的三部分记忆：即时记忆：把重要的信息写到Claude.md，AI永远不会忘记。会话记忆：每次对话完后，要求AI记住相应的信息，需要时候AI就能回忆起来长期记忆：使用llmwiki构建知识库，这种方式能记录大量信息，但AI不一定能回忆起来。但让AI记得住信息还是不够：有时候你的AI可能会被封号（Claude），出bug记忆被清除（OpenClaw）所以，我们还需要备份AI的记忆。这个流程手动做起来十分复杂，但幸运的是我们可以使用开源项目memmy自动化这个过程。这个项目现在已经有快800star了！！下面视频，我们将会了解到 1. 了解这个产品的基本特性 2. 安装并使用备份功能 3. 验证记忆备份的安全性

铁锤人

102,641 次观看 • 13 天前

兄弟们，用 Codex 别再每次开新窗口都从盘古开天地讲起了。我前几天也是这么蠢，需求越聊越长，Token 像漏水一样掉。现在直接丢一句给它： “把我在这个项目里反复要求过的规则整理出来，只留下长期有效的，写进 AGENTS.md，包含禁止事项、验收标准、检查办法。” 后面再进项目，它会先看这本小账本。我自己的习惯是：同一个问题被我骂过两次，立刻写进去。 Codex 不是听不懂，是你没给它操作规范。

兄弟们，用 Codex 别再每次开新窗口都从盘古开天地讲起了。我前几天也是这么蠢，需求越聊越长，Token 像漏水一样掉。现在直接丢一句给它： “把我在这个项目里反复要求过的规则整理出来，只留下长期有效的，写进 AGENTS.md，包含禁止事项、验收标准、检查办法。” 后面再进项目，它会先看这本小账本。我自己的习惯是：同一个问题被我骂过两次，立刻写进去。 Codex 不是听不懂，是你没给它操作规范。

火山哥🕊️

44,529 次观看 • 18 天前

最近经常用 OpenClaw 帮我阅读文章，我就突然想到，为什么我不能直接做一个独立的 Telegram Bot 来帮我保存我传给它的链接，并做好摘要和分析呢？正好我前段时间看到了 QMD 这个项目，它可以把本地的笔记库变成一个可语义化和向量化搜索的知识库。我就在想可以把这两点结合起来：让 AI 帮我把想读的链接放到知识库里搜索，找到相关的笔记，甚至找到之前保存过的链接。有了丰富的上下文之后，再帮我输出一份更有价值的摘要。说干就干，我今天上午就让 OpenClaw 帮我 vibe 了这样一个项目，名字也是它起的，叫 LinkMind。 1. 运行方式： (a) 在本地启动一个 nodejs 服务 (b) 配置一个 Telegram Bot 的 Token 即可 2. 主要功能： (a) 作为 Bot 后端接收我发送的链接 (b) 自动进行内容抓取和文章存档 (c) 匹配相关链接和笔记，输出 insight 并通过消息发给我 (d) 提供一个界面查看近期保存的所有链接及详情 (e) 在详情页可以打开相关笔记，看到具体是哪一段内容与之产生了共鸣不知道大家对这样的工具有没有兴趣？有的话可以给我留言。我打算整理一下之后开源发布出来，然后再做一份 SaaS 版本邀请大家内测使用一下

最近经常用 OpenClaw 帮我阅读文章，我就突然想到，为什么我不能直接做一个独立的 Telegram Bot 来帮我保存我传给它的链接，并做好摘要和分析呢？正好我前段时间看到了 QMD 这个项目，它可以把本地的笔记库变成一个可语义化和向量化搜索的知识库。我就在想可以把这两点结合起来：让 AI 帮我把想读的链接放到知识库里搜索，找到相关的笔记，甚至找到之前保存过的链接。有了丰富的上下文之后，再帮我输出一份更有价值的摘要。说干就干，我今天上午就让 OpenClaw 帮我 vibe 了这样一个项目，名字也是它起的，叫 LinkMind。 1. 运行方式： (a) 在本地启动一个 nodejs 服务 (b) 配置一个 Telegram Bot 的 Token 即可 2. 主要功能： (a) 作为 Bot 后端接收我发送的链接 (b) 自动进行内容抓取和文章存档 (c) 匹配相关链接和笔记，输出 insight 并通过消息发给我 (d) 提供一个界面查看近期保存的所有链接及详情 (e) 在详情页可以打开相关笔记，看到具体是哪一段内容与之产生了共鸣不知道大家对这样的工具有没有兴趣？有的话可以给我留言。我打算整理一下之后开源发布出来，然后再做一份 SaaS 版本邀请大家内测使用一下

Reorx

11,765 次观看 • 7 个月前

你的 Codex 是不是用久了越来越慢？越问越傻？需求加多了，改到后面它已经完全不记得你一开始要做什么了？我分享一个正在用的 Skill：keep-codex-fast 专门解决做长任务不断改版时： Token 狂占 → 响应变慢 → 压缩后失忆核心思路： Handoffs First（先做交接文档）→ Archive（安全归档）→ Fresh Thread（新对话保持速度）它能帮你： · 自动扫描 bloated 的旧聊天、worktree、大日志 · 生成详细 handoff 文档（项目目标、风格要求、进度、关键文件、复活 Prompt 全都有） · 安全归档老内容，备份后再清理，所有操作都需你确认一句话就可以安装：在 Codex 聊天框里说： Install the keep-codex-fast skill from 然后运行： Use $keep-codex-fast to inspect my Codex local state and recommend a safe maintenance plan. 用上之后，Codex 真的能长期保持轻快状态，尤其是长期做长任务视频的朋友，真的可以看看～地址

你的 Codex 是不是用久了越来越慢？越问越傻？需求加多了，改到后面它已经完全不记得你一开始要做什么了？我分享一个正在用的 Skill：keep-codex-fast 专门解决做长任务不断改版时： Token 狂占 → 响应变慢 → 压缩后失忆核心思路： Handoffs First（先做交接文档）→ Archive（安全归档）→ Fresh Thread（新对话保持速度）它能帮你： · 自动扫描 bloated 的旧聊天、worktree、大日志 · 生成详细 handoff 文档（项目目标、风格要求、进度、关键文件、复活 Prompt 全都有） · 安全归档老内容，备份后再清理，所有操作都需你确认一句话就可以安装：在 Codex 聊天框里说： Install the keep-codex-fast skill from 然后运行： Use $keep-codex-fast to inspect my Codex local state and recommend a safe maintenance plan. 用上之后，Codex 真的能长期保持轻快状态，尤其是长期做长任务视频的朋友，真的可以看看～地址

爱丽丝呀！

47,417 次观看 • 3 个月前

Codex、Claude 用了这么久，还分不清 Agent、MCP 和 Skill？别背那些复杂定义。把 AI 想象成一家公司，Agent、MCP、Skill 一下就全懂了。今天直接用大白话告诉你它们到底是干嘛的。 1️⃣ Agent 智能体 = AI 员工可以理解任务、安排步骤、调用工具，并一步步把工作完成。 2️⃣ LLM 大模型 = AI 员工的大脑负责理解、推理和生成内容，很大程度上决定这个员工聪不聪明。 3️⃣ Prompt 提示词 = 交给员工的任务单告诉它要做什么、有什么要求，以及什么不能做。 4️⃣ API 接口 = 软件之间的办事窗口让不同软件按照约定好的方式交换数据、调用能力。 5️⃣ Token = AI 读写内容的基本单位你输入的文字和 AI 输出的内容，都会被拆成一个个 Token 来处理。 6️⃣ MCP = AI 连接外部工具和数据的统一插座标准它规定 AI 应用如何连接 GitHub、数据库和各种外部服务。不同工具只要遵守同一套标准，AI 就能用相似的方式接入。 7️⃣ Tool 工具 = AI 员工干活的双手终端、浏览器、搜索、文件编辑，都可以是 AI 真正执行任务时使用的工具。 8️⃣ Skill 技能 = AI 员工的工作 SOP 告诉 AI 某类任务应该怎么做、按什么步骤执行、检查什么，以及最后怎么交付。 9️⃣ Plugin 插件 = 给 AI 安装的能力扩展包不同平台对 Plugin 的定义不完全一样。简单理解，就是给 AI 扩展一组额外的工具、连接或者能力。 🔟 Context 上下文 = AI 员工当前桌面上的资料当前聊天、文件、代码和任务要求，都属于它这次工作能够看到和利用的信息。 1️⃣1️⃣ LTM 长期记忆 = AI 员工的长期档案用来保存跨任务、跨对话仍然有价值的偏好、经验和项目信息。它不是大模型天然拥有的长期记忆能力，通常需要额外的记忆机制支持。最后一句话，把最容易搞混的几个概念记住： Tool 决定它能做什么，Skill 告诉它应该怎么做，MCP 规定工具怎么接进来，Plugin 则负责扩展一组能力。所以：LLM 是大脑，Agent 是员工，Prompt 是任务单，API 是办事窗口，Token 是读写单位，Tool 是双手，Skill 是 SOP，MCP 是统一插座，Plugin 是扩展包，Context 是桌面资料，LTM 是长期档案。所谓 AI 工作流，本质上就是：给一个数字员工配好大脑、任务单、双手、SOP、桌面资料和长期记忆，再让它按照固定流程把事情做完～

Codex、Claude 用了这么久，还分不清 Agent、MCP 和 Skill？别背那些复杂定义。把 AI 想象成一家公司，Agent、MCP、Skill 一下就全懂了。今天直接用大白话告诉你它们到底是干嘛的。 1️⃣ Agent 智能体 = AI 员工可以理解任务、安排步骤、调用工具，并一步步把工作完成。 2️⃣ LLM 大模型 = AI 员工的大脑负责理解、推理和生成内容，很大程度上决定这个员工聪不聪明。 3️⃣ Prompt 提示词 = 交给员工的任务单告诉它要做什么、有什么要求，以及什么不能做。 4️⃣ API 接口 = 软件之间的办事窗口让不同软件按照约定好的方式交换数据、调用能力。 5️⃣ Token = AI 读写内容的基本单位你输入的文字和 AI 输出的内容，都会被拆成一个个 Token 来处理。 6️⃣ MCP = AI 连接外部工具和数据的统一插座标准它规定 AI 应用如何连接 GitHub、数据库和各种外部服务。不同工具只要遵守同一套标准，AI 就能用相似的方式接入。 7️⃣ Tool 工具 = AI 员工干活的双手终端、浏览器、搜索、文件编辑，都可以是 AI 真正执行任务时使用的工具。 8️⃣ Skill 技能 = AI 员工的工作 SOP 告诉 AI 某类任务应该怎么做、按什么步骤执行、检查什么，以及最后怎么交付。 9️⃣ Plugin 插件 = 给 AI 安装的能力扩展包不同平台对 Plugin 的定义不完全一样。简单理解，就是给 AI 扩展一组额外的工具、连接或者能力。 🔟 Context 上下文 = AI 员工当前桌面上的资料当前聊天、文件、代码和任务要求，都属于它这次工作能够看到和利用的信息。 1️⃣1️⃣ LTM 长期记忆 = AI 员工的长期档案用来保存跨任务、跨对话仍然有价值的偏好、经验和项目信息。它不是大模型天然拥有的长期记忆能力，通常需要额外的记忆机制支持。最后一句话，把最容易搞混的几个概念记住： Tool 决定它能做什么，Skill 告诉它应该怎么做，MCP 规定工具怎么接进来，Plugin 则负责扩展一组能力。所以：LLM 是大脑，Agent 是员工，Prompt 是任务单，API 是办事窗口，Token 是读写单位，Tool 是双手，Skill 是 SOP，MCP 是统一插座，Plugin 是扩展包，Context 是桌面资料，LTM 是长期档案。所谓 AI 工作流，本质上就是：给一个数字员工配好大脑、任务单、双手、SOP、桌面资料和长期记忆，再让它按照固定流程把事情做完～

爱丽丝呀！

150,446 次观看 • 21 天前

我用Codex重建了自己的知识库，发现一件事：大多数人的Obsidian，本质上是个高级剪贴板。笔记存进去，就再也没出来过。问题不在工具，在于缺了一个会”思考”的中间层。 Codex的出现，补上了这个缺口。它不是另一个AI聊天框，而是OpenAI专门为知识工作设计的编码代理——能读懂你的文件结构，能跨文档检索，能把零散的信息片段重新组织成有逻辑的输出。接入Obsidian之后，发生了什么变化？以前：我记录一篇投资笔记，它就躺在某个文件夹里。现在：Codex能跨越我三年积累的vault，把巴菲特笔记、行业分析、个人反思串联起来，给我一个没想到的视角。这不是搜索，是知识的重新激活。本教程会手把手带你完成三件事：一、配置Codex读取本地Obsidian vault的权限和路径；二、建立让AI真正”看懂”你笔记的文件命名与标签规范；三、设计5个高频prompt模板，让Codex帮你做知识综合、生成MOC（内容地图）、以及输出可直接发布的内容草稿。适合有Obsidian使用基础、对AI工作流感兴趣、但还没找到高效接入方式的知识工作者。跟着视频做一遍，你的vault会第一次真正”活”起来。

我用Codex重建了自己的知识库，发现一件事：大多数人的Obsidian，本质上是个高级剪贴板。笔记存进去，就再也没出来过。问题不在工具，在于缺了一个会”思考”的中间层。 Codex的出现，补上了这个缺口。它不是另一个AI聊天框，而是OpenAI专门为知识工作设计的编码代理——能读懂你的文件结构，能跨文档检索，能把零散的信息片段重新组织成有逻辑的输出。接入Obsidian之后，发生了什么变化？以前：我记录一篇投资笔记，它就躺在某个文件夹里。现在：Codex能跨越我三年积累的vault，把巴菲特笔记、行业分析、个人反思串联起来，给我一个没想到的视角。这不是搜索，是知识的重新激活。本教程会手把手带你完成三件事：一、配置Codex读取本地Obsidian vault的权限和路径；二、建立让AI真正”看懂”你笔记的文件命名与标签规范；三、设计5个高频prompt模板，让Codex帮你做知识综合、生成MOC（内容地图）、以及输出可直接发布的内容草稿。适合有Obsidian使用基础、对AI工作流感兴趣、但还没找到高效接入方式的知识工作者。跟着视频做一遍，你的vault会第一次真正”活”起来。

概率鹿梦｜DeerLucid

27,384 次观看 • 2 个月前

看到一个很牛逼的开源项目，完全契合HTML是新一代Markdown的理念。如何做呢？你可以将你obsidian笔记甚至代码库交给它，它会通过多agent分析、生成一个对话的交互式知识图谱。然后你就可以可视化地去了解整个项目的逻辑或流程，或者笔记的脉络。不过大家要注意：第一次分析很吃token，我试着分析了下我的Reddit项目就用掉了Claude Code接近20%的周额度🤣🤣，可以切换国产模型跑。

看到一个很牛逼的开源项目，完全契合HTML是新一代Markdown的理念。如何做呢？你可以将你obsidian笔记甚至代码库交给它，它会通过多agent分析、生成一个对话的交互式知识图谱。然后你就可以可视化地去了解整个项目的逻辑或流程，或者笔记的脉络。不过大家要注意：第一次分析很吃token，我试着分析了下我的Reddit项目就用掉了Claude Code接近20%的周额度🤣🤣，可以切换国产模型跑。

Yanhua

11,435 次观看 • 2 个月前

AI 每天都在干活，最后为什么只长了数据库？现在做 Agent，很容易产生一种虚假的繁荣。日志越来越多，向量库越来越大，接入的工具越来越全，工作流也越来越复杂。系统看起来什么都留下了。可下一项相似任务到来时，模型的判断未必比上一次更好。这就像一个员工每天写十页工作日报。年底一看，硬盘写满了，脑子还停在年初。存得更多，不等于学得更多。今天很多 AI 缺的不是第二块硬盘，而是一条能把真实工作变成模型能力的路。我更愿意把它叫作：能力复利。工具解决的是“这一次能不能完成”；能力复利解决的是“这一次完成之后，下一次能不能更好”。这件事必须从完整的工作现场开始。客户之前说过什么，项目为什么这样决策，哪些方案被否决，谁修改了结果，最终反馈发生在什么时间——如果这些信息散落在邮件、会议、文档和聊天记录里，模型看到的就只是几个孤立碎片。 Alloomi 的 Holistic Context，试图把分散的信息重新组织成一个持续变化的业务世界。在验证跨会话问答、时间关系和多跳推理的 LoCoMo‑V2 上，取得 97.4%，对照 Mem0‑V3 的 92.5%。在验证长期信息提取、知识更新和多会话综合推理的 LongMemEval‑S 上，取得 97.6%，对照 Mem0‑V3 的 94.4%；该项公开人类参考为 82.9%。在千万 Token 历史规模下测试全局理解与信息定位的 BEAM 10M 上，取得 67.0%，对照 Hindsight 的 64.1%。这些数据背后真正重要的，不是给 AI 增加一个更大的记忆库。而是让它理解一件事情为什么发生、怎样变化，又是如何走到最终结果的。当工作现场被完整还原，真正困难的部分才刚刚开始：这些经历，能不能改变模型下一次的判断？一次真实任务会留下 Context、Decision 和 Feedback：模型当时看见了什么、做出了什么选择、最后获得了怎样的反馈。但并不是所有轨迹都值得学习。错误判断、偶然成功和低质量反馈如果直接进入训练，模型不但不会进化，反而可能把错误放大。所以 Alloomi 的 Self‑Evolving Agent 会先进行质量筛选和专家锚定，再通过 Online LoRA、跨任务回放与能力蒸馏，把有效经验逐步写入模型。在验证从复杂上下文中学习新规则并用于后续执行的 CL‑Bench 上，SEA 取得 47.6%，同基座参考为21.5%。在验证长周期、多阶段经验积累与迁移的 CL‑Bench‑Life 上，取得 32.1%，公开榜单中的 GPT 5.5（High）为22.2%。在验证跨任务持续学习、环境适应和抗遗忘的 Con.L Bench 上，取得 32.6%，对照 Claude Sonnet 4.6 的22.3%。跨模型成绩更适合观察公开榜单位置。真正能够判断框架贡献的，仍然是相同基座和相同评测条件下，21.5% 到47.6%的变化。因为数据库保存的是“曾经发生过什么”。训练改变的是“以后遇到类似问题会怎么做”。但能力进入模型，还不能算完成。最后仍然要回到现实世界，接受一个很朴素的检查：代码修好了吗？报告能交吗？复杂任务形成了可以验收的结果吗？在覆盖高经济价值职业任务的 GDPval‑AA Normalized 上，Alloomi 取得 74.2%，对照 Claude Opus 5 的67.9%。在验证真实职业工作流与专业交付的 JobBench 上，取得57.5%，报告列出的公开参考为54.7%。在验证真实 GitHub 问题修复、连续软件工程经验迁移和抗遗忘能力的 SWE‑Bench‑CL 上，取得80.6%，对照 OpenCode、Kimi K3 与 FAISS 组合方案的73.3%。从真实工作进入上下文，从任务反馈进入训练，再从模型能力回到专业交付，这才构成一条完整的成长路径：真实任务轨迹 → 质量筛选 → 专家锚定 → 后训练 → 评测准入 → 版本回滚。效果变好，新的能力才能进入下一版本；如果更新破坏了旧能力，系统就回滚。所以，自进化不是让模型随意修改自己。而是让它在可验证、可审计、可撤销的条件下持续成长。过去我们看 Agent，喜欢看第一次 Demo 有多惊艳。但 Demo 看的是峰值，长期工作看的是斜率。真正值得观察的，不是它今天执行了多少任务，而是这些任务有没有让能力曲线继续向上。工具的价值，是帮 AI 做完一件事。自进化的价值，是让这件事没有白做。这就是 Alloomi 想建立的能力复利：让 AI 每完成一次交付，就获得一次成长。 AlloomiAI

AI 每天都在干活，最后为什么只长了数据库？现在做 Agent，很容易产生一种虚假的繁荣。日志越来越多，向量库越来越大，接入的工具越来越全，工作流也越来越复杂。系统看起来什么都留下了。可下一项相似任务到来时，模型的判断未必比上一次更好。这就像一个员工每天写十页工作日报。年底一看，硬盘写满了，脑子还停在年初。存得更多，不等于学得更多。今天很多 AI 缺的不是第二块硬盘，而是一条能把真实工作变成模型能力的路。我更愿意把它叫作：能力复利。工具解决的是“这一次能不能完成”；能力复利解决的是“这一次完成之后，下一次能不能更好”。这件事必须从完整的工作现场开始。客户之前说过什么，项目为什么这样决策，哪些方案被否决，谁修改了结果，最终反馈发生在什么时间——如果这些信息散落在邮件、会议、文档和聊天记录里，模型看到的就只是几个孤立碎片。 Alloomi 的 Holistic Context，试图把分散的信息重新组织成一个持续变化的业务世界。在验证跨会话问答、时间关系和多跳推理的 LoCoMo‑V2 上，取得 97.4%，对照 Mem0‑V3 的 92.5%。在验证长期信息提取、知识更新和多会话综合推理的 LongMemEval‑S 上，取得 97.6%，对照 Mem0‑V3 的 94.4%；该项公开人类参考为 82.9%。在千万 Token 历史规模下测试全局理解与信息定位的 BEAM 10M 上，取得 67.0%，对照 Hindsight 的 64.1%。这些数据背后真正重要的，不是给 AI 增加一个更大的记忆库。而是让它理解一件事情为什么发生、怎样变化，又是如何走到最终结果的。当工作现场被完整还原，真正困难的部分才刚刚开始：这些经历，能不能改变模型下一次的判断？一次真实任务会留下 Context、Decision 和 Feedback：模型当时看见了什么、做出了什么选择、最后获得了怎样的反馈。但并不是所有轨迹都值得学习。错误判断、偶然成功和低质量反馈如果直接进入训练，模型不但不会进化，反而可能把错误放大。所以 Alloomi 的 Self‑Evolving Agent 会先进行质量筛选和专家锚定，再通过 Online LoRA、跨任务回放与能力蒸馏，把有效经验逐步写入模型。在验证从复杂上下文中学习新规则并用于后续执行的 CL‑Bench 上，SEA 取得 47.6%，同基座参考为21.5%。在验证长周期、多阶段经验积累与迁移的 CL‑Bench‑Life 上，取得 32.1%，公开榜单中的 GPT 5.5（High）为22.2%。在验证跨任务持续学习、环境适应和抗遗忘的 Con.L Bench 上，取得 32.6%，对照 Claude Sonnet 4.6 的22.3%。跨模型成绩更适合观察公开榜单位置。真正能够判断框架贡献的，仍然是相同基座和相同评测条件下，21.5% 到47.6%的变化。因为数据库保存的是“曾经发生过什么”。训练改变的是“以后遇到类似问题会怎么做”。但能力进入模型，还不能算完成。最后仍然要回到现实世界，接受一个很朴素的检查：代码修好了吗？报告能交吗？复杂任务形成了可以验收的结果吗？在覆盖高经济价值职业任务的 GDPval‑AA Normalized 上，Alloomi 取得 74.2%，对照 Claude Opus 5 的67.9%。在验证真实职业工作流与专业交付的 JobBench 上，取得57.5%，报告列出的公开参考为54.7%。在验证真实 GitHub 问题修复、连续软件工程经验迁移和抗遗忘能力的 SWE‑Bench‑CL 上，取得80.6%，对照 OpenCode、Kimi K3 与 FAISS 组合方案的73.3%。从真实工作进入上下文，从任务反馈进入训练，再从模型能力回到专业交付，这才构成一条完整的成长路径：真实任务轨迹 → 质量筛选 → 专家锚定 → 后训练 → 评测准入 → 版本回滚。效果变好，新的能力才能进入下一版本；如果更新破坏了旧能力，系统就回滚。所以，自进化不是让模型随意修改自己。而是让它在可验证、可审计、可撤销的条件下持续成长。过去我们看 Agent，喜欢看第一次 Demo 有多惊艳。但 Demo 看的是峰值，长期工作看的是斜率。真正值得观察的，不是它今天执行了多少任务，而是这些任务有没有让能力曲线继续向上。工具的价值，是帮 AI 做完一件事。自进化的价值，是让这件事没有白做。这就是 Alloomi 想建立的能力复利：让 AI 每完成一次交付，就获得一次成长。 AlloomiAI

知识猫AI实验室

12,017 次观看 • 19 天前

很多人可能不知道，你和Codex的聊天记录隐藏了大量节省上下文token消耗的方法输入下面这段提示词，让 Codex 找出过去 30 天的重复工作，并判断该做成 skill、subagent、还是自动化任务。之后，你的工作效率将大幅提升： “检查我最近 30 天的 Codex 会话、Memories、Chronicle，以及已有的 Skills、Agents 和 Automations。找出至少重复出现两次、耗时、容易出错、需要大量上下文的人工工作。对每个候选项给出：实际证据和日期、出现频率、适合做成 Skill / Agent / Automation，或者暂时跳过、预计能节省什么。先输出候选清单，不要直接修改文件。只保留高置信度、输入稳定、流程可重复、结果可验收的任务”

很多人可能不知道，你和Codex的聊天记录隐藏了大量节省上下文token消耗的方法输入下面这段提示词，让 Codex 找出过去 30 天的重复工作，并判断该做成 skill、subagent、还是自动化任务。之后，你的工作效率将大幅提升： “检查我最近 30 天的 Codex 会话、Memories、Chronicle，以及已有的 Skills、Agents 和 Automations。找出至少重复出现两次、耗时、容易出错、需要大量上下文的人工工作。对每个候选项给出：实际证据和日期、出现频率、适合做成 Skill / Agent / Automation，或者暂时跳过、预计能节省什么。先输出候选清单，不要直接修改文件。只保留高置信度、输入稳定、流程可重复、结果可验收的任务”

Sac

99,911 次观看 • 27 天前