Loading video...

Video Failed to Load

Go Home

Codex Plus 也能当 Pro 用，相当于token额度放大 20 倍 大部分人用 Codex，还是让一个模型把读取项目、搜索资料、推理、改代码、测试全部做完，复杂任务一长，Plus 额度很快就被吃掉。 真正省扩大额度的方式，不是继续压 Prompt，而是把 Reasoning 和 Execution 拆开 Luna 负责执行，Sol 负责重推理，具体流程： 1️⃣ Luna 先读取代码库、搜索资料、跑命令，把当前任务相关信息整理出来。 2️⃣ 再把目标、关键代码、核心约束、已尝试方案和问题点，压缩成 1～3K Token 的 Task Packet。 3️⃣ 把 Packet 交给 ChatGPT 5.6 Sol，只做架构判断、复杂推理、疑难 Bug 分析和方案设计。 4️⃣ Sol 输出结构化方案后，Luna 再回来修改代码、运行测试、修复问题并完成验证。 直接让 Codex 自己配置： “请为当前 Codex 工作流建立“Luna 执行...

goan999999's profile picture

govin.eth | G哥

12,007 subscribers

132,071 views • 1 day ago •via X (Twitter)

Science & TechnologyEducation
LIVE

Anya Rossi• Live Now

Private livecam show

0 Comments

No comments available

Comments from the original post will appear here

Related Videos

太炸裂了！为啥没有早点发现CodeX这个神仙用法？！ 30 秒的视频演示--直接把你的 Plus 账号当成 PRO 账号的额度去用，简直爽翻了😂Codex 额度不够用的话强烈推荐试试： Codex （读取本地项目 +发送任务） ↓ 压缩提炼成 1~3K 的精简 Packet ↓ 调用浏览器 ➔ 丢给网页版 ChatGPT（5.6-Sol 做重推理） ↓ 网页端输出精准的结构化方案 ↓ Codex 接收方案 ➔ 修改代码 ─── 【二、具体思路】 1. 网页端当最强大脑（出方案）： 直接在网页端用最高版本的GPT-5.6Sol ，把复杂业务需求丢进去，让它做最严密的架构拆解和精准代码方案 2. 本地 Codex 做调度与落地： 拿到成熟方案后，直接交给本地终端的 Codex。它只需要按图索骥去读写文件、跑测试、自动化改代码，用5.6 LUNA模型消耗轻量 Token就可以用了 ─── 这个方案你可以自己写一个脚本。如果嫌自己手写脚本太麻烦，推荐一个开源工具可以直接使用——Oracle（由知名开发者 Peter Steinberger 🦞 开源）： 👉 开源地址：
0:29

太炸裂了！为啥没有早点发现CodeX这个神仙用法？！ 30 秒的视频演示--直接把你的 Plus 账号当成 PRO 账号的额度去用，简直爽翻了😂Codex 额度不够用的话强烈推荐试试： Codex （读取本地项目 +发送任务） ↓ 压缩提炼成 1~3K 的精简 Packet ↓ 调用浏览器 ➔ 丢给网页版 ChatGPT（5.6-Sol 做重推理） ↓ 网页端输出精准的结构化方案 ↓ Codex 接收方案 ➔ 修改代码 ─── 【二、具体思路】 1. 网页端当最强大脑（出方案）： 直接在网页端用最高版本的GPT-5.6Sol ，把复杂业务需求丢进去，让它做最严密的架构拆解和精准代码方案 2. 本地 Codex 做调度与落地： 拿到成熟方案后，直接交给本地终端的 Codex。它只需要按图索骥去读写文件、跑测试、自动化改代码，用5.6 LUNA模型消耗轻量 Token就可以用了 ─── 这个方案你可以自己写一个脚本。如果嫌自己手写脚本太麻烦，推荐一个开源工具可以直接使用——Oracle（由知名开发者 Peter Steinberger 🦞 开源）： 👉 开源地址：

梭哈.AI

58,620 views • 2 days ago

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。
0:23

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 views • 25 days ago

蚂蚁百灵刚刚发布了 Ling-3.0-flash： 一个AI 执行层的关键拼图 刚刚看到 Ling-3.0-flash 正式发布，我觉得这款模型值得认真关注。原因很简单：在 AI 工程越来越深入到实际业务的今天，大家早就不满足于模型“会不会想”了，更关键的是它“能不能持续做”。 尤其是在 Agent 工作流中，需要高频调用工具、迭代代码、处理长程任务时，一个响应快、执行稳的执行引擎成了刚需。Ling-3.0-flash 的出现，正好瞄准了这个缺口。 1. Agent 的执行层 从我的角度看，它最聪明的一点是没有去硬拼超大模型的深度推理能力，而是把自己定位成一个高速执行引擎——负责把已经规划好的任务快速落地。 这在实际应用中特别实用，比如当大模型把方案设计好之后，剩下的代码生成、工具调用、批量处理就需要一个既快又稳的模型来接手。 2. 为什么它能兼顾速度和成本 技术细节上，它采用 124B 参数的 MoE 架构，但实际激活参数约 5.1B，在推理速度和运行成本之间找平衡。 它还支持混合推理模式：简单任务可以关闭 Reasoning，降低延迟，适合大批量处理；复杂任务则可以开启思考模式，保持逻辑连贯。 原生支持 256K 上下文，对需要持续读取历史指令和项目状态的 Agent 工作流也很重要。 3.如何使用 我觉得 Ling-3.0-flash 最适合做 Agent 工作流里的执行节点。反复调用 API 或 MCP 工具时，它能根据结构化错误信息自我诊断和修复，不容易在循环调试中卡死，因此适合放进 Loop 或 Graph 架构。 4.结对编程和批量任务 结对编程是一个典型场景：人负责架构规划、边界定义和测试，Ling-3.0-flash 负责快速生成代码、调用工具、读取报错，并根据反馈持续修改。 批量处理长文档、日志、简历和结构化数据时，它看重的也是速度、格式稳定性和成本控制。直播数字人或高频办公协作，则需要它的低延迟响应来减少体验断层。 5.边界 当然，它不是万能模型。复杂系统不能只靠一句指令搞定；缺乏架构和测试环境时，结果可能跑偏；需要深度冷门知识的研究任务，还是更适合交给更大规模的推理模型。 更合理的用法是：大模型负责搜索、规划和架构设计，把方案写成规范文档；Ling-3.0-flash 负责高频工具调用、代码执行和批量处理。 总结：Ling-3.0-flash 不是来替代所有模型的，而是把 Agent 工作流里“执行层”这件事做得更快、更稳。大模型负责想清楚，它负责做出来。
0:41

蚂蚁百灵刚刚发布了 Ling-3.0-flash： 一个AI 执行层的关键拼图 刚刚看到 Ling-3.0-flash 正式发布，我觉得这款模型值得认真关注。原因很简单：在 AI 工程越来越深入到实际业务的今天，大家早就不满足于模型“会不会想”了，更关键的是它“能不能持续做”。 尤其是在 Agent 工作流中，需要高频调用工具、迭代代码、处理长程任务时，一个响应快、执行稳的执行引擎成了刚需。Ling-3.0-flash 的出现，正好瞄准了这个缺口。 1. Agent 的执行层 从我的角度看，它最聪明的一点是没有去硬拼超大模型的深度推理能力，而是把自己定位成一个高速执行引擎——负责把已经规划好的任务快速落地。 这在实际应用中特别实用，比如当大模型把方案设计好之后，剩下的代码生成、工具调用、批量处理就需要一个既快又稳的模型来接手。 2. 为什么它能兼顾速度和成本 技术细节上，它采用 124B 参数的 MoE 架构，但实际激活参数约 5.1B，在推理速度和运行成本之间找平衡。 它还支持混合推理模式：简单任务可以关闭 Reasoning，降低延迟，适合大批量处理；复杂任务则可以开启思考模式，保持逻辑连贯。 原生支持 256K 上下文，对需要持续读取历史指令和项目状态的 Agent 工作流也很重要。 3.如何使用 我觉得 Ling-3.0-flash 最适合做 Agent 工作流里的执行节点。反复调用 API 或 MCP 工具时，它能根据结构化错误信息自我诊断和修复，不容易在循环调试中卡死，因此适合放进 Loop 或 Graph 架构。 4.结对编程和批量任务 结对编程是一个典型场景：人负责架构规划、边界定义和测试，Ling-3.0-flash 负责快速生成代码、调用工具、读取报错，并根据反馈持续修改。 批量处理长文档、日志、简历和结构化数据时，它看重的也是速度、格式稳定性和成本控制。直播数字人或高频办公协作，则需要它的低延迟响应来减少体验断层。 5.边界 当然，它不是万能模型。复杂系统不能只靠一句指令搞定；缺乏架构和测试环境时，结果可能跑偏；需要深度冷门知识的研究任务，还是更适合交给更大规模的推理模型。 更合理的用法是：大模型负责搜索、规划和架构设计，把方案写成规范文档；Ling-3.0-flash 负责高频工具调用、代码执行和批量处理。 总结：Ling-3.0-flash 不是来替代所有模型的，而是把 Agent 工作流里“执行层”这件事做得更快、更稳。大模型负责想清楚，它负责做出来。

奶牛叔

66,157 views • 1 month ago

这两天看到的收获很大的一篇论文《AlphaCodium：引领代码生成新境界，从提示工程到流程工程》，它提出了一种新的生成代码的方法，比传统的直接基于Prompt生成代码的方式准确率更高。 它用的测试集是CodeContests ，这是由 Deepmind 推出的一项挑战性编程数据集。相对来说还是很权威的。以 GPT-4 为例的话，准确率从19%提升到了44%。 它的原理有些复杂，但是如果你有过LeetCode刷题经验，相对比较好理解一些。 普通人刷 LeetCode，上来就做，这样有可能得到答案，也有可能做不出来，这就类似于你把题目直接丢给GPT-4，让它直接给出答案，准确率相对要低一些。 高手刷LeetCode，会有个做题的流程，同样的水平，做出来的概率会大一些。 高手做题时会大概分成几个步骤： 1. 先把题目中的要点一条条列出来，确保不会遗漏任何重要信息 2. 通常LeetCode会提供 1 个或多个测试用例，仔细看测试用例，分析为什么给定的输入能得到给定的输出 3. 在写代码前，列出几种可能的解决方案，例如暴力算法、递归、动态规划，每一种方案写下思路和伪代码 4. 对于列出来的几种方案进行评估，选出最佳方案 5. 可能还会补充一些测试用例帮助事后验证 --- 以下部分是迭代过程： 6. 根据选中的解决方案写代码，如果代码不能运行则修改代码直至能运行 7. 将代码提交到LeetCode的测试集去验证，如果无法通过所有测试，则修改错误，如果通过到第8步 8. 用第 5 步生成的测试用例验证代码，如果运行不通过则继续优化代码 这里留个思考题：如果第8步出错，怎么判断是代码有问题还是自己生成的测试用例有问题？ 而 AlphaCodium 就是完美遵循了以上的步骤来解题，只不过每一步都是由大语言模型帮助完成！ 这给了我一些启示： 1. 不必寄希望于将复杂的任务在一个 Prompt 中完成，拆分成若干子任务成功概率会高一些 2. AI 可以借鉴人类的优秀实践，例如高手是如何解决编程难题的，让 AI 按照高手的步骤去一步步做 3. AI 的潜力还有很大挖掘空间 完整的文章参考： 中文译文：
4:46

这两天看到的收获很大的一篇论文《AlphaCodium：引领代码生成新境界，从提示工程到流程工程》，它提出了一种新的生成代码的方法，比传统的直接基于Prompt生成代码的方式准确率更高。 它用的测试集是CodeContests ，这是由 Deepmind 推出的一项挑战性编程数据集。相对来说还是很权威的。以 GPT-4 为例的话，准确率从19%提升到了44%。 它的原理有些复杂，但是如果你有过LeetCode刷题经验，相对比较好理解一些。 普通人刷 LeetCode，上来就做，这样有可能得到答案，也有可能做不出来，这就类似于你把题目直接丢给GPT-4，让它直接给出答案，准确率相对要低一些。 高手刷LeetCode，会有个做题的流程，同样的水平，做出来的概率会大一些。 高手做题时会大概分成几个步骤： 1. 先把题目中的要点一条条列出来，确保不会遗漏任何重要信息 2. 通常LeetCode会提供 1 个或多个测试用例，仔细看测试用例，分析为什么给定的输入能得到给定的输出 3. 在写代码前，列出几种可能的解决方案，例如暴力算法、递归、动态规划，每一种方案写下思路和伪代码 4. 对于列出来的几种方案进行评估，选出最佳方案 5. 可能还会补充一些测试用例帮助事后验证 --- 以下部分是迭代过程： 6. 根据选中的解决方案写代码，如果代码不能运行则修改代码直至能运行 7. 将代码提交到LeetCode的测试集去验证，如果无法通过所有测试，则修改错误，如果通过到第8步 8. 用第 5 步生成的测试用例验证代码，如果运行不通过则继续优化代码 这里留个思考题：如果第8步出错，怎么判断是代码有问题还是自己生成的测试用例有问题？ 而 AlphaCodium 就是完美遵循了以上的步骤来解题，只不过每一步都是由大语言模型帮助完成！ 这给了我一些启示： 1. 不必寄希望于将复杂的任务在一个 Prompt 中完成，拆分成若干子任务成功概率会高一些 2. AI 可以借鉴人类的优秀实践，例如高手是如何解决编程难题的，让 AI 按照高手的步骤去一步步做 3. AI 的潜力还有很大挖掘空间 完整的文章参考： 中文译文：

宝玉

265,105 views • 2 years ago

Codex 最新动态： 从 GPT‑5.6 与 Ultra 模式，到多智能体并行协作、计算机与浏览器操作、应用截图理解、行内代码和文档修改，再到一键发布 Sites、跨项目管理以及完整的 PR 工作流。 Codex 已不只是一个“帮你写代码”的工具，而是能够拆解复杂任务、操作和测试应用、协调多个项目、处理 Bug 与代码审查，并协助完成发布的开发伙伴。 无论你想提高日常开发效率，还是探索更自动化的 AI 编程方式，这支视频都能帮你快速掌握 Codex 的新能力和实际应用场景。 本视频由 baocut 翻译
7:12

Codex 最新动态： 从 GPT‑5.6 与 Ultra 模式，到多智能体并行协作、计算机与浏览器操作、应用截图理解、行内代码和文档修改，再到一键发布 Sites、跨项目管理以及完整的 PR 工作流。 Codex 已不只是一个“帮你写代码”的工具，而是能够拆解复杂任务、操作和测试应用、协调多个项目、处理 Bug 与代码审查，并协助完成发布的开发伙伴。 无论你想提高日常开发效率，还是探索更自动化的 AI 编程方式，这支视频都能帮你快速掌握 Codex 的新能力和实际应用场景。 本视频由 baocut 翻译

宝玉

37,498 views • 1 month ago

在使用 Claude Code 或 CodeX 这些 AI 编程工具，生成的代码虽然能跑，但代码质量如何、有没有冗余或潜在 bug，对于初学者来说确实挺难把握。 这时候，可以使用 pyscn 这款代码质量分析工具，全方位地检测 AI 编写的 Python 代码状况。 检测速度达到惊人的 10 万行/秒，不仅能检测到冗余死代码和重复代码片段，还能分析模块耦合度和复杂度。 GitHub： 主要特性： - 基于控制流图的死代码检测，找出永远不会执行的代码段； - 使用 APTED + LSH 算法识别代码克隆，发现重构机会； - 耦合度分析，追踪模块间依赖关系和架构质量； - 圈复杂度分析，识别需要拆分的复杂函数； - 支持 HTML 和 JSON 报告输出，便于团队协作； - CI/CD 集成友好，可设置质量门禁自动检查。 项目完全开源免费，通过 pipx 或 uv 安装即可使用，有需要的开发者可以看一下。
0:21

在使用 Claude Code 或 CodeX 这些 AI 编程工具，生成的代码虽然能跑，但代码质量如何、有没有冗余或潜在 bug，对于初学者来说确实挺难把握。 这时候，可以使用 pyscn 这款代码质量分析工具，全方位地检测 AI 编写的 Python 代码状况。 检测速度达到惊人的 10 万行/秒，不仅能检测到冗余死代码和重复代码片段，还能分析模块耦合度和复杂度。 GitHub： 主要特性： - 基于控制流图的死代码检测，找出永远不会执行的代码段； - 使用 APTED + LSH 算法识别代码克隆，发现重构机会； - 耦合度分析，追踪模块间依赖关系和架构质量； - 圈复杂度分析，识别需要拆分的复杂函数； - 支持 HTML 和 JSON 报告输出，便于团队协作； - CI/CD 集成友好，可设置质量门禁自动检查。 项目完全开源免费，通过 pipx 或 uv 安装即可使用，有需要的开发者可以看一下。

GitHubDaily

41,084 views • 10 months ago

我靠，Understand Anything 这个开源项目有点东西。 它把 LLM 和静态分析结合起来，自动扫描整个代码库，提取文件、函数、类和依赖关系，最终生成一个可交互的代码知识图谱。 可以直接： 1、浏览代码结构和依赖关系 2、查看业务逻辑如何映射到代码 3、语义搜索“哪些模块处理身份验证” 4、自动生成架构学习路径 5、分析一次改动可能影响哪些模块 6、按架构层级对代码自动分组 7、Claude Code, Codex, Cursor, Copilot 等多种支持 它的分析方式也很合理： Tree-sitter 负责提取 import、函数、类等确定性结构；LLM 负责生成摘要、架构归类和业务领域映射。 内部还拆成了多个专业 Agent，分别负责项目扫描、文件分析、架构识别、业务建模、学习路径生成和图谱校验。 最终生成的知识图谱可以保存成 JSON、提交到仓库，并支持增量更新，不需要每次重新分析整个项目。 对 AI Coding 来说，这类工具的价值很可观：把复杂代码库转换成 Agent 可查询、可复用、可持续更新的结构化上下文。 相比每次让 Agent 从头读代码，这更像是在给代码库建立一层长期记忆。
1:33

我靠，Understand Anything 这个开源项目有点东西。 它把 LLM 和静态分析结合起来，自动扫描整个代码库，提取文件、函数、类和依赖关系，最终生成一个可交互的代码知识图谱。 可以直接： 1、浏览代码结构和依赖关系 2、查看业务逻辑如何映射到代码 3、语义搜索“哪些模块处理身份验证” 4、自动生成架构学习路径 5、分析一次改动可能影响哪些模块 6、按架构层级对代码自动分组 7、Claude Code, Codex, Cursor, Copilot 等多种支持 它的分析方式也很合理： Tree-sitter 负责提取 import、函数、类等确定性结构；LLM 负责生成摘要、架构归类和业务领域映射。 内部还拆成了多个专业 Agent，分别负责项目扫描、文件分析、架构识别、业务建模、学习路径生成和图谱校验。 最终生成的知识图谱可以保存成 JSON、提交到仓库，并支持增量更新，不需要每次重新分析整个项目。 对 AI Coding 来说，这类工具的价值很可观：把复杂代码库转换成 Agent 可查询、可复用、可持续更新的结构化上下文。 相比每次让 Agent 从头读代码，这更像是在给代码库建立一层长期记忆。

Vince 聊开发

11,664 views • 2 months ago

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。
0:21

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 views • 15 days ago

Codex 5.6 真的绝了 用了这么久，最值得装的插件就这几个 👇 ① Browser AI 自动操作浏览器，点击、输入、端到端测试全能干，再也不用手动验证了 ② GitHub 和 Issue、PR 打通，丢个任务给它，从编码到审核全搞定，开发流程快到飞起 ③ Codex Security 自动扫代码漏洞和密钥泄露，还能给出修复方案，省了一堆安全问题 ④ Build Web Apps 描述想法就行，设计、开发、测试一条龙，全栈项目的时间能省一半 ⑤ Figma Figma 设计直接转代码，响应式自动搞定，设计稿和代码终于能对上了 ⑥ Sentry 线上报错自动分析，帮你定位问题还给出修复代码，线上问题不再头大 但最绝的其实是「Sites」功能 开发完直接在里面预览，一键公开分享 还能用自定义域名 这意味着什么？原型秒送客户看 把这些组合起来用 Codex 就从单纯的「写代码 AI」变成了真的开发团队——设计、编码、测试、调试、上线全包
0:23

Codex 5.6 真的绝了 用了这么久，最值得装的插件就这几个 👇 ① Browser AI 自动操作浏览器，点击、输入、端到端测试全能干，再也不用手动验证了 ② GitHub 和 Issue、PR 打通，丢个任务给它，从编码到审核全搞定，开发流程快到飞起 ③ Codex Security 自动扫代码漏洞和密钥泄露，还能给出修复方案，省了一堆安全问题 ④ Build Web Apps 描述想法就行，设计、开发、测试一条龙，全栈项目的时间能省一半 ⑤ Figma Figma 设计直接转代码，响应式自动搞定，设计稿和代码终于能对上了 ⑥ Sentry 线上报错自动分析，帮你定位问题还给出修复代码，线上问题不再头大 但最绝的其实是「Sites」功能 开发完直接在里面预览，一键公开分享 还能用自定义域名 这意味着什么？原型秒送客户看 把这些组合起来用 Codex 就从单纯的「写代码 AI」变成了真的开发团队——设计、编码、测试、调试、上线全包

科技混子Chris

110,735 views • 1 month ago

Codex 5.6 最强的隐藏技巧：不仅能省下 90% 的 Token，还能让 AI 少交半成品、少做无效返工！ 很多人Vibe Coding，第一句话就是： 帮我把这个功能做出来。 但结果常通常是半成品，因为它拿到的只是需求，不是交付标准。 分享一条我反复调整后一直在用的提示词，直接开启 Codex 的交付工程师模式： 暂时不要写代码。请先确认需求，最多向我提出 5 个决定方案方向的关键问题，每次只问一个；已有信息不要重复确认，非关键细节请自行做合理假设。 提问结束后，把需求整理成一份精简、可验证的验收清单，覆盖核心流程、异常情况、空状态、加载状态和不同设备适配，并单独列出你的假设、本次范围以及明确不做的内容。 等我确认后再开始开发。完成后必须实际运行项目，按照验收清单逐项验证并汇报结果；未通过的项目继续修改，直到达到验收标准。 换成这种方式后，Codex 的产出质量会明显提升： 1️⃣ 在开发前补齐模糊需求，发现逻辑漏洞和遗漏场景。 2️⃣ 不再改完文件就交差，而是主动运行项目、检查页面、验证核心流程。 3️⃣ 方向提前对齐，避免反复推倒重写，节省时间和 Token。
0:29

Codex 5.6 最强的隐藏技巧：不仅能省下 90% 的 Token，还能让 AI 少交半成品、少做无效返工！ 很多人Vibe Coding，第一句话就是： 帮我把这个功能做出来。 但结果常通常是半成品，因为它拿到的只是需求，不是交付标准。 分享一条我反复调整后一直在用的提示词，直接开启 Codex 的交付工程师模式： 暂时不要写代码。请先确认需求，最多向我提出 5 个决定方案方向的关键问题，每次只问一个；已有信息不要重复确认，非关键细节请自行做合理假设。 提问结束后，把需求整理成一份精简、可验证的验收清单，覆盖核心流程、异常情况、空状态、加载状态和不同设备适配，并单独列出你的假设、本次范围以及明确不做的内容。 等我确认后再开始开发。完成后必须实际运行项目，按照验收清单逐项验证并汇报结果；未通过的项目继续修改，直到达到验收标准。 换成这种方式后，Codex 的产出质量会明显提升： 1️⃣ 在开发前补齐模糊需求，发现逻辑漏洞和遗漏场景。 2️⃣ 不再改完文件就交差，而是主动运行项目、检查页面、验证核心流程。 3️⃣ 方向提前对齐，避免反复推倒重写，节省时间和 Token。

爱丽丝呀！

152,949 views • 27 days ago

Codex 5.6 真的绝了 用了这么久，最值得装的插件就这几个 👇 ① Browser AI 自动操作浏览器，点击、输入、端到端测试全能干，再也不用手动验证了 ② GitHub 和 Issue、PR 打通，丢个任务给它，从编码到审核全搞定，开发流程快到飞起 ③ Codex Security 自动扫代码漏洞和密钥泄露，还能给出修复方案，省了一堆安全问题 ④ Build Web Apps 描述想法就行，设计、开发、测试一条龙，全栈项目的时间能省一半 ⑤ Figma Figma 设计直接转代码，响应式自动搞定，设计稿和代码终于能对上了 ⑥ Sentry 线上报错自动分析，帮你定位问题还给出修复代码，线上问题不再头大 但最绝的其实是「Sites」功能 开发完直接在里面预览，一键公开分享 还能用自定义域名 这意味着什么？原型秒送客户看 把这些组合起来用 Codex 就从单纯的「写代码 AI」变成了真的开发团队——设计、编码、测试、调试、上线全包
0:23

Codex 5.6 真的绝了 用了这么久，最值得装的插件就这几个 👇 ① Browser AI 自动操作浏览器，点击、输入、端到端测试全能干，再也不用手动验证了 ② GitHub 和 Issue、PR 打通，丢个任务给它，从编码到审核全搞定，开发流程快到飞起 ③ Codex Security 自动扫代码漏洞和密钥泄露，还能给出修复方案，省了一堆安全问题 ④ Build Web Apps 描述想法就行，设计、开发、测试一条龙，全栈项目的时间能省一半 ⑤ Figma Figma 设计直接转代码，响应式自动搞定，设计稿和代码终于能对上了 ⑥ Sentry 线上报错自动分析，帮你定位问题还给出修复代码，线上问题不再头大 但最绝的其实是「Sites」功能 开发完直接在里面预览，一键公开分享 还能用自定义域名 这意味着什么？原型秒送客户看 把这些组合起来用 Codex 就从单纯的「写代码 AI」变成了真的开发团队——设计、编码、测试、调试、上线全包

露西的百宝箱

100,443 views • 6 days ago

Codex 5.6 真的绝了 用了这么久，最值得装的插件就这几个 👇 ① Browser AI 自动操作浏览器，点击、输入、端到端测试全能干，再也不用手动验证了 ② GitHub 和 Issue、PR 打通，丢个任务给它，从编码到审核全搞定，开发流程快到飞起 ③ Codex Security 自动扫代码漏洞和密钥泄露，还能给出修复方案，省了一堆安全问题 ④ Build Web Apps 描述想法就行，设计、开发、测试一条龙，全栈项目的时间能省一半 ⑤ Figma Figma 设计直接转代码，响应式自动搞定，设计稿和代码终于能对上了 ⑥ Sentry 线上报错自动分析，帮你定位问题还给出修复代码，线上问题不再头大 但最绝的其实是「Sites」功能 开发完直接在里面预览，一键公开分享 还能用自定义域名 这意味着什么？原型秒送客户看 把这些组合起来用 Codex 就从单纯的「写代码 AI」变成了真的开发团队——设计、编码、测试、调试、上线全包
0:23

Codex 5.6 真的绝了 用了这么久，最值得装的插件就这几个 👇 ① Browser AI 自动操作浏览器，点击、输入、端到端测试全能干，再也不用手动验证了 ② GitHub 和 Issue、PR 打通，丢个任务给它，从编码到审核全搞定，开发流程快到飞起 ③ Codex Security 自动扫代码漏洞和密钥泄露，还能给出修复方案，省了一堆安全问题 ④ Build Web Apps 描述想法就行，设计、开发、测试一条龙，全栈项目的时间能省一半 ⑤ Figma Figma 设计直接转代码，响应式自动搞定，设计稿和代码终于能对上了 ⑥ Sentry 线上报错自动分析，帮你定位问题还给出修复代码，线上问题不再头大 但最绝的其实是「Sites」功能 开发完直接在里面预览，一键公开分享 还能用自定义域名 这意味着什么？原型秒送客户看 把这些组合起来用 Codex 就从单纯的「写代码 AI」变成了真的开发团队——设计、编码、测试、调试、上线全包

暖暖爱AI

101,360 views • 1 month ago

Codex 5.6 最强的隐秘技能：能省下 90% 的 token，还能提高 90% 的vibe coding效率 别再跟AI直接说：“帮我把某某功能做出来了” 。这样是在浪费token和生命！ 比如我要做个恋爱交友软件。 正确的做法是，直接让 Codex 进入编码交付工程师状态，以下prompt（提示词）直接用： 我要做个[某某项目]。先不要写代码，第一步确认需求，向我提供 3 个不同方向的企业级别决定方案，非关键细节请自行做合理假设，简单问题或者重复问题你可以自行确认，关键决定或者方案由我来选择确认。 询问结束后，把需求整理成一份准确率和精准度足够高的精简、可验证的markdown格式的验收清单，覆盖项目背景、核心流程、具体架构、异常情况、骨架屏状态、加载状态、以及适配哪些终端。 等我确认后再开始开发。完成后必须实际运行项目，按照验收清单逐项验证并汇报结果；未通过的项目继续修改，直到达到验收标准。 按照这种方式，CodeX的效率极大提高： 1️⃣ 开发前补齐需求，提前发现漏洞和遗漏，减少返工提高效率。 2️⃣ 开发后主动运行测试，逐项验收，未通过就继续修改，真正做到交付即完成。
0:29

Codex 5.6 最强的隐秘技能：能省下 90% 的 token，还能提高 90% 的vibe coding效率 别再跟AI直接说：“帮我把某某功能做出来了” 。这样是在浪费token和生命！ 比如我要做个恋爱交友软件。 正确的做法是，直接让 Codex 进入编码交付工程师状态，以下prompt（提示词）直接用： 我要做个[某某项目]。先不要写代码，第一步确认需求，向我提供 3 个不同方向的企业级别决定方案，非关键细节请自行做合理假设，简单问题或者重复问题你可以自行确认，关键决定或者方案由我来选择确认。 询问结束后，把需求整理成一份准确率和精准度足够高的精简、可验证的markdown格式的验收清单，覆盖项目背景、核心流程、具体架构、异常情况、骨架屏状态、加载状态、以及适配哪些终端。 等我确认后再开始开发。完成后必须实际运行项目，按照验收清单逐项验证并汇报结果；未通过的项目继续修改，直到达到验收标准。 按照这种方式，CodeX的效率极大提高： 1️⃣ 开发前补齐需求，提前发现漏洞和遗漏，减少返工提高效率。 2️⃣ 开发后主动运行测试，逐项验收，未通过就继续修改，真正做到交付即完成。

govin.eth | G哥

190,624 views • 18 days ago

Ling-3.0-flash ：一个更适合实际工作的 AI 执行助手 过去一段时间，大模型的发展重点一直集中在能力提升上。模型能回答什么问题、能处理多复杂的任务，成为行业关注的焦点。但随着 AI 开始进入真实工作流程，用户对于模型的期待也在发生变化：除了能够提供高质量答案，更希望它能够稳定、高效地完成具体任务。 在日常工作中，真正消耗时间的往往不是复杂问题，而是大量重复性的处理工作。例如整理资料、分析数据、生成文档、处理代码、执行流程任务。这些事情需要投入大量精力，但其中有很多环节都可以通过 AI 进行优化。 Ling-3.0-flash 的定位正是在这一方向展开。它并不是单纯追求更大的模型规模，而是聚焦 Agent 工作流中的执行效率，帮助用户将明确的任务快速推进完成。官方介绍，该模型面向长程 Agent 工作流设计，重点提升响应速度、工具调用能力以及任务执行稳定性。 从实际体验来看，它最大的特点是能够很好地融入已有工作流程，让 AI 从一个问答工具变成一个真正参与任务执行的助手。 实测一：资料整理效率明显提升 第一个测试场景是长文档处理。 在实际工作中，经常会遇到需要快速阅读大量资料的情况，例如行业报告、会议记录、产品文档等。如果完全依靠人工整理，需要花费大量时间筛选重点、提取信息，再重新组织内容。 测试过程中，我将一批较长的资料交给 Ling-3.0-flash 处理，让它完成信息提取、重点归纳和结构化整理。 整个过程比较符合实际工作习惯。它能够快速抓取文档中的核心内容，并按照任务要求整理成更加清晰的结构。尤其是在面对大量相似信息时，它可以帮助用户减少重复阅读和手动整理的时间。 这类能力对于内容运营、产品分析、市场研究等岗位非常实用。很多时候，用户并不是需要 AI 替自己完成最终判断，而是希望它先完成信息整理，把大量基础工作处理好，让人可以把精力放在更重要的分析和决策上。 实测二：代码协作更加高效 第二个体验场景是代码辅助。 AI 编程已经成为大模型应用的重要方向，但真正影响开发效率的，不只是生成代码的速度，更重要的是能否持续参与开发过程。 在测试中，我让 Ling-3.0-flash 协助完成一个简单工具开发任务，包括生成基础代码、调整功能逻辑以及根据反馈进行优化。 我需要做一个AI 会议纪要整理助手，请帮我生成代码，把会议录音转文字或会议记录，自动生成：会议摘要、决策事项、待办任务、负责人、截止时间 首字耗时：337ms·完成耗时：68984ms·每秒 token 数：371 ，Ling-3.0-flash生成的会议纪要整理助手功能完整、专业美观，支持录音转文字、AI自动生成摘要/决策/待办任务，并支持导出和多种交互功能。 实际体验下来，它更适合成为开发过程中的协作助手。开发者可以先确定整体需求和功能方向，再让 AI 快速完成代码生成、修改和补充。这样一来，开发者不需要把大量时间花在重复编码和基础调整上，而可以更多关注产品逻辑和技术方案。 这种协作方式更接近真实开发场景。人负责判断方向，AI 负责提高执行效率。 实测三：批量任务处理展现执行优势 除了开发场景，批量信息处理也是 Ling-3.0-flash 比较适合的方向。 例如整理用户反馈、分析业务数据、处理文本分类等任务，通常具有数据量大、格式相对固定的特点。 在测试中，我模拟了用户反馈整理场景，让模型对大量文本进行分类，并提炼其中的主要问题。 从结果来看，它能够快速完成信息归类，并输出较为清晰的结构化结果。 这类任务的价值在于帮助用户减少大量机械操作。以前需要人工逐条查看和整理的信息，现在可以先由 AI 完成初步处理，再由人工进行确认和优化。 对于企业团队来说，这种能力可以应用在客服分析、市场调研、内部知识整理等多个环节。 速度和效率，是 Flash 模型的重要优势 随着 AI 应用逐渐深入业务流程，模型的效率同样成为重要指标。 很多实际任务并不需要每一次都进行复杂推理，而更需要快速响应和稳定执行。例如信息分类、内容整理、数据转换等工作，如果能够以更高效率完成，就能明显提升整体生产力。 Ling-3.0-flash 支持混合思考模式，可以根据任务复杂程度调整处理方式，在响应速度和任务能力之间进行平衡。 这种设计让它更适合高频使用场景。用户可以将更多日常任务交给 AI 处理，而不必担心流程效率受到影响。 从使用体验来看，它更像一个高效执行伙伴 经过几个场景测试后，Ling-3.0-flash 给我的整体感受是，它并不是单纯提升聊天体验，而是在帮助用户重新分配工作时间。 它可以处理大量信息整理工作，可以辅助开发过程，也可以参与自动化任务执行。 对于普通用户来说，它能够减少重复操作，提高工作效率。 对于开发者来说，它能够加快开发流程，降低基础工作的时间成本。 对于企业来说，它能够帮助更多业务流程实现自动化。 未来 AI 的价值，不只是回答问题，而是逐渐参与到真实工作流程中，帮助人完成更多具体任务。 Ling-3.0-flash 所体现的方向，就是让 AI 从一个提供答案的工具，进一步成为一个能够执行任务、提升效率的工作伙伴。 官推： 感兴趣可以自己试试 👉
0:32

Ling-3.0-flash ：一个更适合实际工作的 AI 执行助手 过去一段时间，大模型的发展重点一直集中在能力提升上。模型能回答什么问题、能处理多复杂的任务，成为行业关注的焦点。但随着 AI 开始进入真实工作流程，用户对于模型的期待也在发生变化：除了能够提供高质量答案，更希望它能够稳定、高效地完成具体任务。 在日常工作中，真正消耗时间的往往不是复杂问题，而是大量重复性的处理工作。例如整理资料、分析数据、生成文档、处理代码、执行流程任务。这些事情需要投入大量精力，但其中有很多环节都可以通过 AI 进行优化。 Ling-3.0-flash 的定位正是在这一方向展开。它并不是单纯追求更大的模型规模，而是聚焦 Agent 工作流中的执行效率，帮助用户将明确的任务快速推进完成。官方介绍，该模型面向长程 Agent 工作流设计，重点提升响应速度、工具调用能力以及任务执行稳定性。 从实际体验来看，它最大的特点是能够很好地融入已有工作流程，让 AI 从一个问答工具变成一个真正参与任务执行的助手。 实测一：资料整理效率明显提升 第一个测试场景是长文档处理。 在实际工作中，经常会遇到需要快速阅读大量资料的情况，例如行业报告、会议记录、产品文档等。如果完全依靠人工整理，需要花费大量时间筛选重点、提取信息，再重新组织内容。 测试过程中，我将一批较长的资料交给 Ling-3.0-flash 处理，让它完成信息提取、重点归纳和结构化整理。 整个过程比较符合实际工作习惯。它能够快速抓取文档中的核心内容，并按照任务要求整理成更加清晰的结构。尤其是在面对大量相似信息时，它可以帮助用户减少重复阅读和手动整理的时间。 这类能力对于内容运营、产品分析、市场研究等岗位非常实用。很多时候，用户并不是需要 AI 替自己完成最终判断，而是希望它先完成信息整理，把大量基础工作处理好，让人可以把精力放在更重要的分析和决策上。 实测二：代码协作更加高效 第二个体验场景是代码辅助。 AI 编程已经成为大模型应用的重要方向，但真正影响开发效率的，不只是生成代码的速度，更重要的是能否持续参与开发过程。 在测试中，我让 Ling-3.0-flash 协助完成一个简单工具开发任务，包括生成基础代码、调整功能逻辑以及根据反馈进行优化。 我需要做一个AI 会议纪要整理助手，请帮我生成代码，把会议录音转文字或会议记录，自动生成：会议摘要、决策事项、待办任务、负责人、截止时间 首字耗时：337ms·完成耗时：68984ms·每秒 token 数：371 ，Ling-3.0-flash生成的会议纪要整理助手功能完整、专业美观，支持录音转文字、AI自动生成摘要/决策/待办任务，并支持导出和多种交互功能。 实际体验下来，它更适合成为开发过程中的协作助手。开发者可以先确定整体需求和功能方向，再让 AI 快速完成代码生成、修改和补充。这样一来，开发者不需要把大量时间花在重复编码和基础调整上，而可以更多关注产品逻辑和技术方案。 这种协作方式更接近真实开发场景。人负责判断方向，AI 负责提高执行效率。 实测三：批量任务处理展现执行优势 除了开发场景，批量信息处理也是 Ling-3.0-flash 比较适合的方向。 例如整理用户反馈、分析业务数据、处理文本分类等任务，通常具有数据量大、格式相对固定的特点。 在测试中，我模拟了用户反馈整理场景，让模型对大量文本进行分类，并提炼其中的主要问题。 从结果来看，它能够快速完成信息归类，并输出较为清晰的结构化结果。 这类任务的价值在于帮助用户减少大量机械操作。以前需要人工逐条查看和整理的信息，现在可以先由 AI 完成初步处理，再由人工进行确认和优化。 对于企业团队来说，这种能力可以应用在客服分析、市场调研、内部知识整理等多个环节。 速度和效率，是 Flash 模型的重要优势 随着 AI 应用逐渐深入业务流程，模型的效率同样成为重要指标。 很多实际任务并不需要每一次都进行复杂推理，而更需要快速响应和稳定执行。例如信息分类、内容整理、数据转换等工作，如果能够以更高效率完成，就能明显提升整体生产力。 Ling-3.0-flash 支持混合思考模式，可以根据任务复杂程度调整处理方式，在响应速度和任务能力之间进行平衡。 这种设计让它更适合高频使用场景。用户可以将更多日常任务交给 AI 处理，而不必担心流程效率受到影响。 从使用体验来看，它更像一个高效执行伙伴 经过几个场景测试后，Ling-3.0-flash 给我的整体感受是，它并不是单纯提升聊天体验，而是在帮助用户重新分配工作时间。 它可以处理大量信息整理工作，可以辅助开发过程，也可以参与自动化任务执行。 对于普通用户来说，它能够减少重复操作，提高工作效率。 对于开发者来说，它能够加快开发流程，降低基础工作的时间成本。 对于企业来说，它能够帮助更多业务流程实现自动化。 未来 AI 的价值，不只是回答问题，而是逐渐参与到真实工作流程中，帮助人完成更多具体任务。 Ling-3.0-flash 所体现的方向，就是让 AI 从一个提供答案的工具，进一步成为一个能够执行任务、提升效率的工作伙伴。 官推： 感兴趣可以自己试试 👉

冰糖雪梨

15,661 views • 1 month ago

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。
1:58

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 views • 1 month ago

肝了几天,来回打磨了快 30 遍, 一次性把最新的 Claude Code 的 Workflow 给你完全拆解清楚 有人说它的伟大程度,不亚于 MCP 和 Skill。 第一眼我是不信的,直到拆开看它内部怎么跑： 这不是"问一句答一句"的对话,而是一个能自己跑起来的任务系统:后台持续执行、可监控、可保存进度, 还能一口气派出几十上百个 agent 分头干活/合并汇总。 核心就三个角色: Claude 拆任务、定计划; Runtime 管调度和状态; 每个 agent 只啃一个子任务,配上并发池和队列,有节奏地推进。 它代表的是一种新的工程编排方式:智能负责规划,Runtime 负责执行,状态独立保存,模型按需调度。 最反直觉的一点:它能扩展到上百个 agent,靠的不是模型变强,而是"状态外置"—中间结果全交给执行系统保存,主上下文只看摘要和关键判断。这才是复杂任务能跑稳的真正原因。 这条视频直接给了你把它搬进自己系统的方法: 先用 Claude Code 做高质量规划、拆任务定阶段; 再把 workflow 转成自己的执行格式,按任务难度路由到不同模型池，简单的走便宜模型，复杂的才上高阶模型。 这条视频,值得反复看几遍👇
6:17

肝了几天,来回打磨了快 30 遍, 一次性把最新的 Claude Code 的 Workflow 给你完全拆解清楚 有人说它的伟大程度,不亚于 MCP 和 Skill。 第一眼我是不信的,直到拆开看它内部怎么跑： 这不是"问一句答一句"的对话,而是一个能自己跑起来的任务系统:后台持续执行、可监控、可保存进度, 还能一口气派出几十上百个 agent 分头干活/合并汇总。 核心就三个角色: Claude 拆任务、定计划; Runtime 管调度和状态; 每个 agent 只啃一个子任务,配上并发池和队列,有节奏地推进。 它代表的是一种新的工程编排方式:智能负责规划,Runtime 负责执行,状态独立保存,模型按需调度。 最反直觉的一点:它能扩展到上百个 agent,靠的不是模型变强,而是"状态外置"—中间结果全交给执行系统保存,主上下文只看摘要和关键判断。这才是复杂任务能跑稳的真正原因。 这条视频直接给了你把它搬进自己系统的方法: 先用 Claude Code 做高质量规划、拆任务定阶段; 再把 workflow 转成自己的执行格式,按任务难度路由到不同模型池，简单的走便宜模型，复杂的才上高阶模型。 这条视频,值得反复看几遍👇

huangserva

143,271 views • 3 months ago

Claude 桌面端升级后，第三方模型（特别是 DeepSeek Pro）是不是都加载不出来了？ 刚看到个超实用的解决方案，只要 5 分钟就能复活！🔥 不用自己苦逼写代码，直接让 AI 帮你写个本地代理脚本。 1️⃣ 用 Codex/Claude 生成代理代码（视频里有提示词）。 2️⃣ 终端跑一下 `npm start`。 3️⃣ 把 Claude 的 Gateway 地址改成 ` 搞定！DeepSeek-v4-pro 瞬间满血复活，亲测能正常消耗 Token。 有同样问题的兄弟集美们赶紧试一下，简单粗暴好用！👇
1:26

Claude 桌面端升级后，第三方模型（特别是 DeepSeek Pro）是不是都加载不出来了？ 刚看到个超实用的解决方案，只要 5 分钟就能复活！🔥 不用自己苦逼写代码，直接让 AI 帮你写个本地代理脚本。 1️⃣ 用 Codex/Claude 生成代理代码（视频里有提示词）。 2️⃣ 终端跑一下 `npm start`。 3️⃣ 把 Claude 的 Gateway 地址改成 ` 搞定！DeepSeek-v4-pro 瞬间满血复活，亲测能正常消耗 Token。 有同样问题的兄弟集美们赶紧试一下，简单粗暴好用！👇

Vincent

16,367 views • 3 months ago

我第一次用 Ling 3.0 flash，做的只是一个很基础的任务，整理50条用户评论。 评论来自不同用户，内容很杂。有 bug 报告，有功能请求，也有对整体体验的评价。 过去处理这类材料，我得一条条读，再手动归类重复问题，统计出现频率，最后才能开始写汇总报告。这个过程不难，却很耗时间，也很容易漏掉信息。 ## 把重复劳动交给模型 这次我把全部反馈一次性发给 Ling 3.0 flash，同时给了它一套更清楚的处理流程。 它需要完成的事情包括。 - 对评论按主题分类。 - 提取每条反馈里的核心信息。 - 合并重复或高度相似的建议。 - 去掉无关和冗余内容。 - 输出一份可直接查看的汇总报告。 几分钟后，结果就出来了，结构很清楚，查看起来也很省力。 像记录问题，增加深色模式，一次性导出多条消息这类反复出现的建议，都被归到了一起。不同类别的反馈也完成了统计，哪些问题出现得更多，一眼就能看出来。 ## 模型负责产出，人负责判断 这件事帮我省下来的，不只是阅读五十条评论的时间。 我不需要反复检查有没有遗漏，也不用重新核算相似评论，更少了很多手动整理时容易发生的小错误。 模型没有替我决定产品该怎么做，它只是把杂乱的信息整理成了我能判断的材料。 产品要不要做深色模式，导出功能该排在什么优先级，bug 修复要投入多少资源，这些决定依然要由人来做。 我觉得这才是更接近真实工作场景的 AI 用法。人掌握目标，规则和最终决策，模型承担整理，归纳，格式化和生成这些执行工作。 ## 很多办公任务，不需要顶级推理 不少办公场景并不缺复杂思考，真正缺的是稳定完成重复任务的能力。 日常工作里，经常会遇到这些事情。 - 阅读一批文档。 - 汇总不同来源的材料。 - 统一格式。 - 按既定规则分类。 - 生成可以直接交付的内容。 这类流程每天可能发生很多次。它们不一定需要一个负责规划全局，决定方向的模型，却很需要一个响应快，输出稳，能按要求执行的工具。 Ling 3.0 flash 给我的感觉，更像项目流程里可靠的执行环节，而不是替代负责人做判断的控制中心。 只要我把目标和流程交代清楚，它就能更快完成后续步骤。我也能把时间留给更需要批判性思考，沟通协调和决策判断的事情。 并不是每个问题都要动用最强的推理能力。把高频，重复，规则明确的流程交给更快更稳定的模型处理，往往才是效率真正提升的地方。 体验地址： 👇以下视频 是我亲自体验录制的过程
1:12

我第一次用 Ling 3.0 flash，做的只是一个很基础的任务，整理50条用户评论。 评论来自不同用户，内容很杂。有 bug 报告，有功能请求，也有对整体体验的评价。 过去处理这类材料，我得一条条读，再手动归类重复问题，统计出现频率，最后才能开始写汇总报告。这个过程不难，却很耗时间，也很容易漏掉信息。 ## 把重复劳动交给模型 这次我把全部反馈一次性发给 Ling 3.0 flash，同时给了它一套更清楚的处理流程。 它需要完成的事情包括。 - 对评论按主题分类。 - 提取每条反馈里的核心信息。 - 合并重复或高度相似的建议。 - 去掉无关和冗余内容。 - 输出一份可直接查看的汇总报告。 几分钟后，结果就出来了，结构很清楚，查看起来也很省力。 像记录问题，增加深色模式，一次性导出多条消息这类反复出现的建议，都被归到了一起。不同类别的反馈也完成了统计，哪些问题出现得更多，一眼就能看出来。 ## 模型负责产出，人负责判断 这件事帮我省下来的，不只是阅读五十条评论的时间。 我不需要反复检查有没有遗漏，也不用重新核算相似评论，更少了很多手动整理时容易发生的小错误。 模型没有替我决定产品该怎么做，它只是把杂乱的信息整理成了我能判断的材料。 产品要不要做深色模式，导出功能该排在什么优先级，bug 修复要投入多少资源，这些决定依然要由人来做。 我觉得这才是更接近真实工作场景的 AI 用法。人掌握目标，规则和最终决策，模型承担整理，归纳，格式化和生成这些执行工作。 ## 很多办公任务，不需要顶级推理 不少办公场景并不缺复杂思考，真正缺的是稳定完成重复任务的能力。 日常工作里，经常会遇到这些事情。 - 阅读一批文档。 - 汇总不同来源的材料。 - 统一格式。 - 按既定规则分类。 - 生成可以直接交付的内容。 这类流程每天可能发生很多次。它们不一定需要一个负责规划全局，决定方向的模型，却很需要一个响应快，输出稳，能按要求执行的工具。 Ling 3.0 flash 给我的感觉，更像项目流程里可靠的执行环节，而不是替代负责人做判断的控制中心。 只要我把目标和流程交代清楚，它就能更快完成后续步骤。我也能把时间留给更需要批判性思考，沟通协调和决策判断的事情。 并不是每个问题都要动用最强的推理能力。把高频，重复，规则明确的流程交给更快更稳定的模型处理，往往才是效率真正提升的地方。 体验地址： 👇以下视频 是我亲自体验录制的过程

拳头👊🕊️

14,393 views • 1 month ago

一个人，也能让 Codex 持续开发一款游戏。 The Infinite Build 把用 Codex 长期做游戏的方法，整理成了一套可以直接复制的工作流。 先用 ImageGen 确定视觉和玩法，再让 Codex 做出一个可玩 5—10 分钟的版本。之后自动试玩、发现问题、迭代测试、记录版本并部署上线。 你负责创意、审美和方向，Codex 负责开发、验证与持续迭代。 页面还展示了 4 款已经上线的游戏，部分案例已被 OpenAI Developers Showcase 收录。
0:30

一个人，也能让 Codex 持续开发一款游戏。 The Infinite Build 把用 Codex 长期做游戏的方法，整理成了一套可以直接复制的工作流。 先用 ImageGen 确定视觉和玩法，再让 Codex 做出一个可玩 5—10 分钟的版本。之后自动试玩、发现问题、迭代测试、记录版本并部署上线。 你负责创意、审美和方向，Codex 负责开发、验证与持续迭代。 页面还展示了 4 款已经上线的游戏，部分案例已被 OpenAI Developers Showcase 收录。

开发者Hailey

25,634 views • 1 month ago

最近拿 StepFun 的 Step 3.7 Flash 跑了一次完整的自动编程流水线，从需求文档到能用的工具，65 分钟，中间没碰键盘。 先说模型。Step 3.7 Flash 的定位是把 Agent 工作流从头跑到尾：规划、写代码、跑测试、审代码、出错重试，看的是整条流程跑完的综合效率。原生多模态，开源可部署。Agent 循环一次要调几百次模型，快和便宜在这里不是锦上添花，是能不能跑得起的问题。 再说项目。hero-coding 是我用 Go 写的一个自动编程流水线：输入一份 Markdown 需求文档，四个 Agent 执行——Planner 把需求拆成带依赖关系的小任务，Worker 在独立的 git worktree 里写代码提交，Verifier 跑测试出硬证据，Reviewer 审 diff，通过就合入主干，不过就打回重做。四个角色全部由 Step 3.7 Flash 驱动，区别只是 system prompt 和工具权限。 这次给它的需求：做一个 Agent 运行日志分析工具，读日志文件，统计每个 Agent 的调用次数、成功率、平均耗时、token 消耗，找出最慢和最不稳定的 Agent。 实际跑下来： · Planner 把需求拆成 6 个任务，自动排好依赖顺序 · 6 个任务全部自动交付，逐个合入主干 · 期间 Reviewer 打回 5 次——有测试全绿但被审出正确性问题的，有只改测试期望值想糊弄过去被拒收的，全部在重试轮次内自动修复 · 不是一个模型在自言自语，是多个 Agent 在互相检查，而且检查真的拦住了东西 · 最终产出的 CLI 直接能用，视频结尾是它分析真实日志的输出 视频是完整过程的运行日志。 国内: 海外： StepFun
11:35

最近拿 StepFun 的 Step 3.7 Flash 跑了一次完整的自动编程流水线，从需求文档到能用的工具，65 分钟，中间没碰键盘。 先说模型。Step 3.7 Flash 的定位是把 Agent 工作流从头跑到尾：规划、写代码、跑测试、审代码、出错重试，看的是整条流程跑完的综合效率。原生多模态，开源可部署。Agent 循环一次要调几百次模型，快和便宜在这里不是锦上添花，是能不能跑得起的问题。 再说项目。hero-coding 是我用 Go 写的一个自动编程流水线：输入一份 Markdown 需求文档，四个 Agent 执行——Planner 把需求拆成带依赖关系的小任务，Worker 在独立的 git worktree 里写代码提交，Verifier 跑测试出硬证据，Reviewer 审 diff，通过就合入主干，不过就打回重做。四个角色全部由 Step 3.7 Flash 驱动，区别只是 system prompt 和工具权限。 这次给它的需求：做一个 Agent 运行日志分析工具，读日志文件，统计每个 Agent 的调用次数、成功率、平均耗时、token 消耗，找出最慢和最不稳定的 Agent。 实际跑下来： · Planner 把需求拆成 6 个任务，自动排好依赖顺序 · 6 个任务全部自动交付，逐个合入主干 · 期间 Reviewer 打回 5 次——有测试全绿但被审出正确性问题的，有只改测试期望值想糊弄过去被拒收的，全部在重试轮次内自动修复 · 不是一个模型在自言自语，是多个 Agent 在互相检查，而且检查真的拦住了东西 · 最终产出的 CLI 直接能用，视频结尾是它分析真实日志的输出 视频是完整过程的运行日志。 国内: 海外： StepFun

劳伦斯

51,937 views • 2 months ago