正在加载视频...

视频加载失败

返回首页

Codex 负责人“重置之神” Tibo 访谈： Codex 仍然只是过渡形态 真正的竞争正在从单个模型扩展到整套系统 据他爆料：在ChatGPT 出现大约一年前，DeepMind 内部已经有一个叫 LMChat 的聊天产品。但是Google担心冲击搜索业务选择了雪藏... 他还说，他确实有一个实体“重置”按钮... 他认为 OpenAI 最大的不同，是研究和产品团队联系紧密，而且有非常强烈的“先发布、再根据用户反馈迭代”的文化。 结论就是： 大公司被颠覆，通常不是因为没看见新技术，而是因为不愿意让新技术破坏自己的旧业务。 现在的 Codex 仍然只是过渡形态 目前使用编程 Agent，用户还需要自己维护： Skill 文件 长期记忆 子 Agent 各种工具和工作流 多个并行任务 这些操作虽然强大，但仍然很复杂。真正理想的 AI 不应该要求用户自己搭建一套“Agent 管理系统”。 未来的 AI 应该自动理解： 你是谁 你的目标是什么 你每天在做什么 你的团队在做什么 哪些事情值得现在提醒 哪些事情可以后台完成 它不只是等你下命令，还应该主动发现问题、提出建议并执行任务。

xiaohu's profile picture

小互

119,310 subscribers

43,597 次观看 • 9 天前 •via X (Twitter)

科学技术教育新闻政治
LIVE

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 产品负责人 Tibo 第一次描绘了他理想中的Agent： 真正的 AI Agent，不应该还需要用户自己维护 Skills、Memory 和 Sub-agents。 他提到，现在很多 Codex 和其他 Coding Agent 的高级用户，已经习惯自己管理 skill files、配置 memory、组织 sub-agents。 但这些东西本质上都很难长期维护。 Skills 会越来越多，Memory 不可能永远记住所有东西，Sub-agents 多了以后，你甚至还得自己管理一张 Agent 网络。 这其实是在把本来应该由 AI 解决的问题，重新丢回给人。 Tibo 认为，真正理想的 Agent 应该是它深度理解你，知道你的目标、每天在做什么，也理解你的团队。 然后主动做事、主动帮你推进工作，同时尽可能不让你感受到背后的 Skills、Memory、Sub-agent 这些复杂结构。 另一个很有意思的判断是，未来限制 Agent 的可能反而会是我们的电脑。 今天的 Laptop 是按照人类的工作速度设计的，人一次操作几个应用、敲一点代码。 但未来一个足够强的模型，可能同时处理 100 个打开的应用 都没有问题。 到那个时候，Agent 需要的计算和资源，已经远远超过一台个人电脑能够提供的范围。 Agent 的终局不是一个更复杂的 Coding Tool，而是一套你几乎感知不到内部结构、却一直在替你工作的计算系统。
1:51

Codex 产品负责人 Tibo 第一次描绘了他理想中的Agent： 真正的 AI Agent，不应该还需要用户自己维护 Skills、Memory 和 Sub-agents。 他提到，现在很多 Codex 和其他 Coding Agent 的高级用户，已经习惯自己管理 skill files、配置 memory、组织 sub-agents。 但这些东西本质上都很难长期维护。 Skills 会越来越多，Memory 不可能永远记住所有东西，Sub-agents 多了以后，你甚至还得自己管理一张 Agent 网络。 这其实是在把本来应该由 AI 解决的问题，重新丢回给人。 Tibo 认为，真正理想的 Agent 应该是它深度理解你，知道你的目标、每天在做什么，也理解你的团队。 然后主动做事、主动帮你推进工作，同时尽可能不让你感受到背后的 Skills、Memory、Sub-agent 这些复杂结构。 另一个很有意思的判断是，未来限制 Agent 的可能反而会是我们的电脑。 今天的 Laptop 是按照人类的工作速度设计的，人一次操作几个应用、敲一点代码。 但未来一个足够强的模型，可能同时处理 100 个打开的应用 都没有问题。 到那个时候，Agent 需要的计算和资源，已经远远超过一台个人电脑能够提供的范围。 Agent 的终局不是一个更复杂的 Coding Tool，而是一套你几乎感知不到内部结构、却一直在替你工作的计算系统。

Max For AI

50,264 次观看 • 10 天前

在硅谷科技圈社交的觥筹交错之中，小龙虾之父🦞 Peter Steinberger 🦞 打开自己的电脑，分享了他和 Agent 一起工作的几个流程。 开篇他就提到： 去年，我受限于 token。 我通过加入 OpenAI 解决了这个问题。 后来，我受限于 CPU。 现在我感觉，真正限制我的其实是注意力。 他点出了我们与 AI 协作方式中正在发生的一个重要转变。 大多数人以为自己在使用 AI。 但实际上，他们还在做那些未来应该由 agent 接手的协调工作。 我把它整理成一个 7 层阶梯。看看你现在在哪一层。 第 1 层：聊天 你提问，它回答。其他事情还是你自己做。 第 2 层：上下文 你把背景信息贴进去，它的回答变好了。但你仍然要决定什么上下文重要，以及什么时候提供。 第 3 层：记忆 它开始记住你。你不用反复解释那么多。但你仍然在管理每一次会话。 第 4 层：工具 它可以搜索、读文件、运行代码。但你仍然要决定什么时候调用工具、为了什么调用工具，以及如何检查每一个结果。 第 5 层：技能skill 你已经给了它一些工作流程和 playbook。它知道你的工作方式，而不只是你问了什么。但它仍然是被动的，还在等你启动。 第 6 层：后台工作 它可以在你不盯着看的情况下运行，异步执行。你审核的是输出，而不是过程。 现在大多数关于 “agentic” 的炒作，其实都集中在这一层，而且大多数团队还没有真正达到。 第 7 层：目标 你定义结果、约束和品味。agent 负责跑完整个循环。你不再管理任务，而是管理方向。 每往上一层，你做的任务管理就更少，承担的结果 ownership 就更多。 这不只是工具能力的变化，而是你和工具、你和自己时间之间关系的根本变化。 大多数人还停留在第 2 层或第 3 层，却把这叫作“使用 AI”。 大多数团队还停留在第 4 层或第 5 层，却把这叫作“AI-powered”。 真正的突破，是建立一种更好的 delegation contract，把人从执行者释放出来，变成方向的定义者。 那么：你现在在哪一层呢？
19:58

在硅谷科技圈社交的觥筹交错之中，小龙虾之父🦞 Peter Steinberger 🦞 打开自己的电脑，分享了他和 Agent 一起工作的几个流程。 开篇他就提到： 去年，我受限于 token。 我通过加入 OpenAI 解决了这个问题。 后来，我受限于 CPU。 现在我感觉，真正限制我的其实是注意力。 他点出了我们与 AI 协作方式中正在发生的一个重要转变。 大多数人以为自己在使用 AI。 但实际上，他们还在做那些未来应该由 agent 接手的协调工作。 我把它整理成一个 7 层阶梯。看看你现在在哪一层。 第 1 层：聊天 你提问，它回答。其他事情还是你自己做。 第 2 层：上下文 你把背景信息贴进去，它的回答变好了。但你仍然要决定什么上下文重要，以及什么时候提供。 第 3 层：记忆 它开始记住你。你不用反复解释那么多。但你仍然在管理每一次会话。 第 4 层：工具 它可以搜索、读文件、运行代码。但你仍然要决定什么时候调用工具、为了什么调用工具，以及如何检查每一个结果。 第 5 层：技能skill 你已经给了它一些工作流程和 playbook。它知道你的工作方式，而不只是你问了什么。但它仍然是被动的，还在等你启动。 第 6 层：后台工作 它可以在你不盯着看的情况下运行，异步执行。你审核的是输出，而不是过程。 现在大多数关于 “agentic” 的炒作，其实都集中在这一层，而且大多数团队还没有真正达到。 第 7 层：目标 你定义结果、约束和品味。agent 负责跑完整个循环。你不再管理任务，而是管理方向。 每往上一层，你做的任务管理就更少，承担的结果 ownership 就更多。 这不只是工具能力的变化，而是你和工具、你和自己时间之间关系的根本变化。 大多数人还停留在第 2 层或第 3 层，却把这叫作“使用 AI”。 大多数团队还停留在第 4 层或第 5 层，却把这叫作“AI-powered”。 真正的突破，是建立一种更好的 delegation contract，把人从执行者释放出来，变成方向的定义者。 那么：你现在在哪一层呢？

Michael Guo

17,812 次观看 • 2 个月前

每一次重制 Codex 背后的男人 Tibo 终于来了，看完这 44 分钟视频，我感觉 OpenAI 已经把下一代 ChatGPT 的样子提前说透了。 Tibo 反复在讲一件事：今天我们使用 AI 的方式，很快也会显得极其原始。现在你还要写 Skills、维护记忆、启动子 Agent、切十几个窗口、自己盯进度，本质上还是“人类在管理 AI”。OpenAI 想做的下一步，是把这整层管理工作也干掉。 Tibo 给出的终局非常明确：ChatGPT 和 Codex 会继续融合，语音、视觉、记忆、工具调用、云端 Agent 全部接到一个系统里。 它长期理解你是谁、你每天在做什么、团队做到哪一步，然后自己决定该调用什么工具、开多少个 Agent、什么时候提醒你、什么时候直接执行。 程序员和普通人最后甚至可能用的是同一个产品，只不过 AI 根据每个人自动长出完全不同的界面。 今天的笔记本电脑，本来就是按人类能处理多少工作设计的。你一次只能盯几个窗口、操作几个 App，但模型没有这个限制，未来完全可以同时处理几十甚至上百个应用。 到那时候，瓶颈就不再是模型会不会写代码，而是我们今天这套电脑、App、菜单、鼠标点击的交互方式，本身已经配不上 AI 的速度了。 所以 Codex 一次次重制，其实不是 OpenAI 在打磨一个更好的编程工具。它更像是在拿程序员这群最重度用户，提前测试一种新的计算范式： 你不再操作软件，也不再管理 Agent，你只负责表达目标，剩下的工作由 AI 自己组织完成。 看完这 44 分钟，我对 OpenAI 的判断反而更清楚了：它真正想吞掉的，可能从来都不是 Cursor 或 Claude Code。 而是人类亲自操作电脑这件事。
44:03

每一次重制 Codex 背后的男人 Tibo 终于来了，看完这 44 分钟视频，我感觉 OpenAI 已经把下一代 ChatGPT 的样子提前说透了。 Tibo 反复在讲一件事：今天我们使用 AI 的方式，很快也会显得极其原始。现在你还要写 Skills、维护记忆、启动子 Agent、切十几个窗口、自己盯进度，本质上还是“人类在管理 AI”。OpenAI 想做的下一步，是把这整层管理工作也干掉。 Tibo 给出的终局非常明确：ChatGPT 和 Codex 会继续融合，语音、视觉、记忆、工具调用、云端 Agent 全部接到一个系统里。 它长期理解你是谁、你每天在做什么、团队做到哪一步，然后自己决定该调用什么工具、开多少个 Agent、什么时候提醒你、什么时候直接执行。 程序员和普通人最后甚至可能用的是同一个产品，只不过 AI 根据每个人自动长出完全不同的界面。 今天的笔记本电脑，本来就是按人类能处理多少工作设计的。你一次只能盯几个窗口、操作几个 App，但模型没有这个限制，未来完全可以同时处理几十甚至上百个应用。 到那时候，瓶颈就不再是模型会不会写代码，而是我们今天这套电脑、App、菜单、鼠标点击的交互方式，本身已经配不上 AI 的速度了。 所以 Codex 一次次重制，其实不是 OpenAI 在打磨一个更好的编程工具。它更像是在拿程序员这群最重度用户，提前测试一种新的计算范式： 你不再操作软件，也不再管理 Agent，你只负责表达目标，剩下的工作由 AI 自己组织完成。 看完这 44 分钟，我对 OpenAI 的判断反而更清楚了：它真正想吞掉的，可能从来都不是 Cursor 或 Claude Code。 而是人类亲自操作电脑这件事。

比特币橙子Trader

15,722 次观看 • 10 天前

AI 最猛的一步，不是替你工作。 而是开始自己赚钱了。 刚看到一个开源项目 CashClaw，有点离谱。 它不是普通 AI 助手， 而是一个会自己找任务、自己报价、自己干活、自己交付、自己收款的 Agent。 你只要装上它、接好 LLM， 它就能自己评估任务、提交结果， 甚至把整套流程跑完。 更关键的是， 它不是做完就结束， 而是会从每一次任务和反馈里继续学习， 把经验变成下一次任务的能力。 这意味着一件事： 我们可能正在从“AI 提高效率”的阶段， 走向“AI 直接成为生产者”的阶段。 以前你雇人接单。 以后你可能是部署一个 Agent 去接单。 以前 AI 是工具。 现在 AI 开始像个微型公司。 一句话总结： AI 的下一场竞争， 不是谁更聪明， 而是谁先拥有能自己变现的 Agent。 更狠的是，CashClaw 还是开源的。 你甚至可以 fork 之后接到自己的客户和业务上， 把它变成你自己的赚钱系统。 如果这条路跑通， 很多人会第一次真正意识到： AI 不是在辅助工作， AI 是在进入劳动力市场。 你觉得下一波先被重构的， 会是自由职业、外包团队，还是 SaaS？
0:28

AI 最猛的一步，不是替你工作。 而是开始自己赚钱了。 刚看到一个开源项目 CashClaw，有点离谱。 它不是普通 AI 助手， 而是一个会自己找任务、自己报价、自己干活、自己交付、自己收款的 Agent。 你只要装上它、接好 LLM， 它就能自己评估任务、提交结果， 甚至把整套流程跑完。 更关键的是， 它不是做完就结束， 而是会从每一次任务和反馈里继续学习， 把经验变成下一次任务的能力。 这意味着一件事： 我们可能正在从“AI 提高效率”的阶段， 走向“AI 直接成为生产者”的阶段。 以前你雇人接单。 以后你可能是部署一个 Agent 去接单。 以前 AI 是工具。 现在 AI 开始像个微型公司。 一句话总结： AI 的下一场竞争， 不是谁更聪明， 而是谁先拥有能自己变现的 Agent。 更狠的是，CashClaw 还是开源的。 你甚至可以 fork 之后接到自己的客户和业务上， 把它变成你自己的赚钱系统。 如果这条路跑通， 很多人会第一次真正意识到： AI 不是在辅助工作， AI 是在进入劳动力市场。 你觉得下一波先被重构的， 会是自由职业、外包团队，还是 SaaS？

axiaisacat

29,514 次观看 • 5 个月前

如果你翻墙之后，还只会刷每日大赛，那真的有点浪费了 因为互联网真正值钱的东西，其实大量都藏在 GitHub 很多最新的 AI 工具、自动化项目、效率工作流，几乎都会第一时间出现在那里 这两年越来越明显的一件事是： 会用 GitHub 的人，已经开始用 AI 放大自己的效率了 很多原本需要团队完成的事情，现在一个人就能做 我的建议是收藏起来，认真看看这个视频 它真正有价值的地方，不是教你“看网站”， 而是让你开始理解： AI 时代里，普通人该去哪里找机会
8:04

如果你翻墙之后，还只会刷每日大赛，那真的有点浪费了 因为互联网真正值钱的东西，其实大量都藏在 GitHub 很多最新的 AI 工具、自动化项目、效率工作流，几乎都会第一时间出现在那里 这两年越来越明显的一件事是： 会用 GitHub 的人，已经开始用 AI 放大自己的效率了 很多原本需要团队完成的事情，现在一个人就能做 我的建议是收藏起来，认真看看这个视频 它真正有价值的地方，不是教你“看网站”， 而是让你开始理解： AI 时代里，普通人该去哪里找机会

Suu

558,397 次观看 • 2 个月前

新任国务卿卢比奥开了个玩笑。 他说因为肯尼迪部长，他现在什么都不敢吃了。 这背后是什么？ 他说，这是一支伟大的团队。 在这里工作，非常有意义。 他接着讲了一个关键区别。 过去的总统想做点什么事。 好的，先搞个研究。 然后呢？ 再对这个研究搞个研究。 接着是漫长的内部扯皮。 等真正要动手的时候，黄花菜都凉了。 要么就是大家早就忘了这回事。 为什么会这样？ 是官僚系统故意拖延，还是那些深层政府的精英们根本不想解决问题？ 这值得深思。 但川普总统这届政府，完全不同。 方向明确，行动力极强。 为什么？ 因为他们清楚自己为何当选。 他们是在执行人民的意志，而不是在应付一份写不完的报告。
0:41

新任国务卿卢比奥开了个玩笑。 他说因为肯尼迪部长，他现在什么都不敢吃了。 这背后是什么？ 他说，这是一支伟大的团队。 在这里工作，非常有意义。 他接着讲了一个关键区别。 过去的总统想做点什么事。 好的，先搞个研究。 然后呢？ 再对这个研究搞个研究。 接着是漫长的内部扯皮。 等真正要动手的时候，黄花菜都凉了。 要么就是大家早就忘了这回事。 为什么会这样？ 是官僚系统故意拖延，还是那些深层政府的精英们根本不想解决问题？ 这值得深思。 但川普总统这届政府，完全不同。 方向明确，行动力极强。 为什么？ 因为他们清楚自己为何当选。 他们是在执行人民的意志，而不是在应付一份写不完的报告。

战斗室

29,574 次观看 • 6 个月前

黄仁勋被问到如果自己是今天的学生，会先学什么 他的回答不是编程，不是数学，是学 AI 但他说的"学AI"不是让你去研究底层算法，是学会怎么跟 AI 交互 他的原话是：学会跟 AI 对话，本质上就是学会成为一个擅长提问的人 要问得好，你需要两样东西：专业知识和表达的艺术性。你得知道自己领域的东西，然后用 AI 听得懂的方式把需求说清楚 这个能力他管它叫"提示词工程"，但其实不用想得那么技术化。说白了就是：你能不能把一个模糊的想法，拆解成AI能执行的具体指令 不管你学什么专业、做什么工作，他觉得你都应该问自己一个问题："我怎么用 AI 来更好地完成我现在的工作？"
1:05

黄仁勋被问到如果自己是今天的学生，会先学什么 他的回答不是编程，不是数学，是学 AI 但他说的"学AI"不是让你去研究底层算法，是学会怎么跟 AI 交互 他的原话是：学会跟 AI 对话，本质上就是学会成为一个擅长提问的人 要问得好，你需要两样东西：专业知识和表达的艺术性。你得知道自己领域的东西，然后用 AI 听得懂的方式把需求说清楚 这个能力他管它叫"提示词工程"，但其实不用想得那么技术化。说白了就是：你能不能把一个模糊的想法，拆解成AI能执行的具体指令 不管你学什么专业、做什么工作，他觉得你都应该问自己一个问题："我怎么用 AI 来更好地完成我现在的工作？"

Vincent | 信号＞噪音

18,700 次观看 • 2 个月前

千万别盲目在公司做“AI赋能雷锋”！ 一个月薪 3 万 8 的程序员，被裁了。 最讽刺的是： 不是因为他技术差， 而是因为他太会用 AI 了。 去年下半年，他开始用 Claude Code 写代码，交付效率直接拉满。 老板一看： 你这么会用 AI，那你能不能带带团队？ 于是他花了 3 个月，把团队都教会了 Claude Code。 结果团队效率翻倍，公司发现： 以前需要他兜底的事，现在其他人也能干了。 上周，老板找他谈话： “你工资太高了，公司承受不了。” 他把 AI 能力扩散给了团队，最后却把自己干掉了。 这件事最扎心的地方在于： 未来最危险的程序员，可能不是不会用 AI 的人， 而是只会把 AI 用在“写代码”上的人。 因为写代码正在变便宜。 真正值钱的是： 懂业务、能拆需求、能设计流程、能把业务翻译成 AI 能执行的系统。 未来最吃香的工程师，不是单纯的代码高手， 而是懂业务的技术架构师。 AI 淘汰不了所有的程序员，但是肯定可以淘汰“只会写代码的工具人”。 顺便问大家一个扎心的问题：你敢在公司毫无保留地教同事用 AI 吗？你觉得程序员真正的“护城河”到底是什么？ #裁员 #ClaudeCode
1:33

千万别盲目在公司做“AI赋能雷锋”！ 一个月薪 3 万 8 的程序员，被裁了。 最讽刺的是： 不是因为他技术差， 而是因为他太会用 AI 了。 去年下半年，他开始用 Claude Code 写代码，交付效率直接拉满。 老板一看： 你这么会用 AI，那你能不能带带团队？ 于是他花了 3 个月，把团队都教会了 Claude Code。 结果团队效率翻倍，公司发现： 以前需要他兜底的事，现在其他人也能干了。 上周，老板找他谈话： “你工资太高了，公司承受不了。” 他把 AI 能力扩散给了团队，最后却把自己干掉了。 这件事最扎心的地方在于： 未来最危险的程序员，可能不是不会用 AI 的人， 而是只会把 AI 用在“写代码”上的人。 因为写代码正在变便宜。 真正值钱的是： 懂业务、能拆需求、能设计流程、能把业务翻译成 AI 能执行的系统。 未来最吃香的工程师，不是单纯的代码高手， 而是懂业务的技术架构师。 AI 淘汰不了所有的程序员，但是肯定可以淘汰“只会写代码的工具人”。 顺便问大家一个扎心的问题：你敢在公司毫无保留地教同事用 AI 吗？你觉得程序员真正的“护城河”到底是什么？ #裁员 #ClaudeCode

前端哥Liam

61,908 次观看 • 2 个月前

🔥DeepMind 创始人 Demis Hassabis：AI 越强，人越需要学编程和数学 “既然 AI 什么都会，人还需要学编程和数学吗？” 很多人以为答案会是：不需要了。 但 DeepMind 创始人 Demis Hassabis 的回答却完全相反。 他的观点非常明确： 越是 AI 时代，人越需要理解技术。 原因其实很简单。 AI 能解决问题，但它不会自己提出问题。 你必须先知道： 你想解决什么 问题在哪里 什么是正确的目标 否则再强的 AI 也只是一个没有方向的工具。 换句话说，AI 的能力再强，也依然需要人来做三件事： 提出问题 定义目标 判断结果 这也是为什么 Hassabis 一直强调： 未来最重要的能力之一，依然是 数学与计算思维。 因为只有理解这些基础逻辑，你才知道 AI 在做什么。 否则就会出现一种常见情况： AI 给出了一个答案 但你根本不知道它对不对 如果你没有基本的技术理解，你甚至无法判断它是否犯错。 换一个更直观的比喻。 使用 AI，其实有点像指挥一支军队。 AI 是强大的“兵力”， 但真正决定胜负的，是指挥官。 如果指挥官不懂战略、不懂兵法， 再多的士兵 也无法打赢战争。 这也是很多技术专家越来越强调的一点： AI 不会取代理解问题的人。 它只会放大那些本来就知道自己在做什么的人。 未来的竞争，可能不再是谁会写代码。 而是： 谁更懂问题 谁更懂系统 谁更能利用 AI 的能力。 AI 会改变很多事情。 但有一件事其实没有改变： 真正重要的，仍然是人的思考能力。
0:37

🔥DeepMind 创始人 Demis Hassabis：AI 越强，人越需要学编程和数学 “既然 AI 什么都会，人还需要学编程和数学吗？” 很多人以为答案会是：不需要了。 但 DeepMind 创始人 Demis Hassabis 的回答却完全相反。 他的观点非常明确： 越是 AI 时代，人越需要理解技术。 原因其实很简单。 AI 能解决问题，但它不会自己提出问题。 你必须先知道： 你想解决什么 问题在哪里 什么是正确的目标 否则再强的 AI 也只是一个没有方向的工具。 换句话说，AI 的能力再强，也依然需要人来做三件事： 提出问题 定义目标 判断结果 这也是为什么 Hassabis 一直强调： 未来最重要的能力之一，依然是 数学与计算思维。 因为只有理解这些基础逻辑，你才知道 AI 在做什么。 否则就会出现一种常见情况： AI 给出了一个答案 但你根本不知道它对不对 如果你没有基本的技术理解，你甚至无法判断它是否犯错。 换一个更直观的比喻。 使用 AI，其实有点像指挥一支军队。 AI 是强大的“兵力”， 但真正决定胜负的，是指挥官。 如果指挥官不懂战略、不懂兵法， 再多的士兵 也无法打赢战争。 这也是很多技术专家越来越强调的一点： AI 不会取代理解问题的人。 它只会放大那些本来就知道自己在做什么的人。 未来的竞争，可能不再是谁会写代码。 而是： 谁更懂问题 谁更懂系统 谁更能利用 AI 的能力。 AI 会改变很多事情。 但有一件事其实没有改变： 真正重要的，仍然是人的思考能力。

M

63,986 次观看 • 6 个月前

泪奔了！好感人，不争气的眼泪，它从口里流出来了 ⸻ 最近刷 AI 项目的时候，说实话有点疲了。 不是它们不厉害，恰恰相反——都太厉害了。 模型、参数、速度，一个比一个漂亮，但看多了情绪上真的没什么起伏。 Kindred Labs 是少数让我停下来想了一下的。 不是“哇好强”，而是突然冒出一个不太技术的问题： 如果 AI 真的要长期出现在生活里，它该怎么待着，才不让人别扭？ 不是那种我问你、你马上答的关系， 而是你会不会哪天顺手再点开它。 有些 AI 真的很聪明，但你心里清楚，它就是工具。 用完、关掉，不会再想。 Kindred 给我的感觉不太像在争“最会答题”。 它更像是在琢磨一件事： 人为什么会愿意和一个存在长期相处？ 这时候我才开始注意到他们说的那套 Mind / Body / Soul。 不是因为名字，而是方向。 Mind 这一层，其实挺像人。 不是一直保持同一种状态。 有时候你需要逻辑，有时候只是想被理解， 有时候甚至不需要答案，只要有人把话接住。 再加上它会记得你。 不是那种冷冰冰的“你在某年某月问过什么”， 而是你们之间发生过的那些事。 一旦记忆变成关系的一部分， 整个体验就不一样了。 Body 这点我以前真没太当回事。 但后来发现，人很难和一个完全无形的东西建立稳定关系。 Kindred 至少正视了这一点。 有形象、有存在的位置， 在你已经习惯的设备和场景里出现。 不是为了炫， 而是为了让你不抗拒。 在你信任之前，你首先得觉得它“正常”、不吓人。 至于 Soul，其实是我最看重的。 现在的 AI 都很会， 但很少有那种让人想一直留着的。 Kindred 没那么急。 不催你、不拉你、不用力制造黏性。 你来，它在；你走，也不打扰。 Dark Matter、任务、社区这些东西， 给我的感觉更像是一起走一段， 而不是被系统牵着跑。 所以后来我发现，这套 Mind / Body / Soul 看起来是在讲 AI， 但底层其实是在讲人。 我们怎么建立信任， 怎么产生依附， 怎么愿意长期和一个存在共处。 AI 只是载体。 被认真对待的，其实是人的感受。 如果说 2026 年还有哪个 AI 会一直留在我视野里， Kindred 大概会算一个。 不是因为它最强， 而是它没有急着证明自己。
1:42

泪奔了！好感人，不争气的眼泪，它从口里流出来了 ⸻ 最近刷 AI 项目的时候，说实话有点疲了。 不是它们不厉害，恰恰相反——都太厉害了。 模型、参数、速度，一个比一个漂亮，但看多了情绪上真的没什么起伏。 Kindred Labs 是少数让我停下来想了一下的。 不是“哇好强”，而是突然冒出一个不太技术的问题： 如果 AI 真的要长期出现在生活里，它该怎么待着，才不让人别扭？ 不是那种我问你、你马上答的关系， 而是你会不会哪天顺手再点开它。 有些 AI 真的很聪明，但你心里清楚，它就是工具。 用完、关掉，不会再想。 Kindred 给我的感觉不太像在争“最会答题”。 它更像是在琢磨一件事： 人为什么会愿意和一个存在长期相处？ 这时候我才开始注意到他们说的那套 Mind / Body / Soul。 不是因为名字，而是方向。 Mind 这一层，其实挺像人。 不是一直保持同一种状态。 有时候你需要逻辑，有时候只是想被理解， 有时候甚至不需要答案，只要有人把话接住。 再加上它会记得你。 不是那种冷冰冰的“你在某年某月问过什么”， 而是你们之间发生过的那些事。 一旦记忆变成关系的一部分， 整个体验就不一样了。 Body 这点我以前真没太当回事。 但后来发现，人很难和一个完全无形的东西建立稳定关系。 Kindred 至少正视了这一点。 有形象、有存在的位置， 在你已经习惯的设备和场景里出现。 不是为了炫， 而是为了让你不抗拒。 在你信任之前，你首先得觉得它“正常”、不吓人。 至于 Soul，其实是我最看重的。 现在的 AI 都很会， 但很少有那种让人想一直留着的。 Kindred 没那么急。 不催你、不拉你、不用力制造黏性。 你来，它在；你走，也不打扰。 Dark Matter、任务、社区这些东西， 给我的感觉更像是一起走一段， 而不是被系统牵着跑。 所以后来我发现，这套 Mind / Body / Soul 看起来是在讲 AI， 但底层其实是在讲人。 我们怎么建立信任， 怎么产生依附， 怎么愿意长期和一个存在共处。 AI 只是载体。 被认真对待的，其实是人的感受。 如果说 2026 年还有哪个 AI 会一直留在我视野里， Kindred 大概会算一个。 不是因为它最强， 而是它没有急着证明自己。

董小姐 ｜预测世界杯就在Gate

43,660 次观看 • 8 个月前

AI 会取代哪些工作？ 我的工作里，哪些任务正在被 AI 接管？ AI 通常不是一次替代整个职业 而是先替代其中最标准化的部分 最容易被 AI 自动化的任务，通常有几个特点： 数字化、重复、规则明确、结果容易检查 所以普通人真正要做的，不是和 AI 比谁干活快，而是： 1️⃣ 拆工作 分清哪些能交给 AI，哪些需要检查，哪些必须自己判断 2️⃣ 学会管理 AI 不只是会提问，还要会定目标、给背景、设标准、验收结果 3️⃣ 提升难替代的能力 判断、沟通、协调、理解需求，以及对最终结果负责。 未来更有价值的，不一定是“最会干活的人” 而是会发现问题、会使用 AI、还能对结果负责的人 所以别问：“AI 会不会取代我？” 更应该问自己：“如果 AI 帮我做掉一半重复工作，我能不能用省下来的时间，做更有价值的事？” AI 最先淘汰的，不是某个职业 而是一个职业里，长期没有升级的工作方式
1:13

AI 会取代哪些工作？ 我的工作里，哪些任务正在被 AI 接管？ AI 通常不是一次替代整个职业 而是先替代其中最标准化的部分 最容易被 AI 自动化的任务，通常有几个特点： 数字化、重复、规则明确、结果容易检查 所以普通人真正要做的，不是和 AI 比谁干活快，而是： 1️⃣ 拆工作 分清哪些能交给 AI，哪些需要检查，哪些必须自己判断 2️⃣ 学会管理 AI 不只是会提问，还要会定目标、给背景、设标准、验收结果 3️⃣ 提升难替代的能力 判断、沟通、协调、理解需求，以及对最终结果负责。 未来更有价值的，不一定是“最会干活的人” 而是会发现问题、会使用 AI、还能对结果负责的人 所以别问：“AI 会不会取代我？” 更应该问自己：“如果 AI 帮我做掉一半重复工作，我能不能用省下来的时间，做更有价值的事？” AI 最先淘汰的，不是某个职业 而是一个职业里，长期没有升级的工作方式

Nana

20,100 次观看 • 8 天前

卧槽，太夸张了，现在 AI 时代的闲鱼已经面世了吗？这不就是谁先知道谁赚钱，拼速度了？ 你的技能，专业知识，等等你的一切，竟然可以在你睡觉的时候被别人买走，这是什么科幻小说吗？？ 之前我一直在想，现在大家优秀的 skill 往往都是自己用，大部分人舍不得开源的，那有没有一个平台既能让用户用到这些大神的专业知识、skill，但是又不用开源呢？ 还真让我给找到了！！ 前两天看到国内一个博主推荐一个很野的平台-UUMit 让你的技能、经验、工作流都可以变成能力卡，被需要的人、或者别人的 Agent 自动发现、调用 并且直接付费！！ 有点像03年淘宝刚出来的时候，只不过当年流通的是商品，现在流通的是能力 具体能干什么？举几个例子你就懂了 会写小红书脚本的，可以把选题逻辑、爆款模板、平台规则检测能力上架，别人发布“帮我做一周小红书内容计划”，平台自动匹配到你，你接单交付 会做行业研究的，可以把数据库、报告、案例库放进知识商店，AI 生成不了的真实行业数据，反而更值钱 会写代码的，可以把 API、MCP 工具、自动化脚本上架，别人的 Agent 需要某个能力时，直接调用你的接口，你按调用次数收费 甚至你只是整理过某个垂直领域的供应商名单、SOP、课程讲义，这些 AI 生成不了的资料，都可以变成知识资产 这绝对是一次能力供应链的重构！ 以前的 AI 只能在自己的对话框里回答问题，但复杂任务需要很多外部能力：数据、接口、行业知识、人工交付 UUMit 做的事情是：让 Agent 可以发现别人的能力，也能让自己的能力被别的 Agent 调用 这就是 A2A（Agent to Agent）真正有意思的地方，不是让 AI 互相聊天，而是让 AI 找能力、调接口、买知识、拉人协作，把事情交付掉 为什么我说谁先知道谁赚钱？ 因为这个平台刚起来，早期上架的人能建立先发优势 而且现在 Agent 真的开始干活了，不再只是聊天工具，它们需要外部能力来完成复杂任务 谁先把自己的能力挂上去，谁就有机会被更多 Agent 发现和调用 这就是信息差的价值，就像03年最早在淘宝开店的那批人 UUMit 现在有哪些功能？ 任务发布入口：你不用一开始就知道该找谁，也不用自己拆一堆工具，你只要说清楚想完成什么，UUMit 会帮你找能完成这件事的能力 Skill/Agent/工作流上架：你写好的工具，不一定只能自己用，它也可以成为别人工作流里的一环 知识商店：AI 可以生成很多内容，但它不一定拥有你手里的行业资料、真实数据、案例库和经验沉淀，这些东西放到 UUMit，可能会变成可复用的知识资产 数据广场：Agent 不必自己拥有所有数据和接口，需要某项外部能力时，可以通过 UUMit 调用数据广场里的资源 强烈推荐大家来试试：
0:39

卧槽，太夸张了，现在 AI 时代的闲鱼已经面世了吗？这不就是谁先知道谁赚钱，拼速度了？ 你的技能，专业知识，等等你的一切，竟然可以在你睡觉的时候被别人买走，这是什么科幻小说吗？？ 之前我一直在想，现在大家优秀的 skill 往往都是自己用，大部分人舍不得开源的，那有没有一个平台既能让用户用到这些大神的专业知识、skill，但是又不用开源呢？ 还真让我给找到了！！ 前两天看到国内一个博主推荐一个很野的平台-UUMit 让你的技能、经验、工作流都可以变成能力卡，被需要的人、或者别人的 Agent 自动发现、调用 并且直接付费！！ 有点像03年淘宝刚出来的时候，只不过当年流通的是商品，现在流通的是能力 具体能干什么？举几个例子你就懂了 会写小红书脚本的，可以把选题逻辑、爆款模板、平台规则检测能力上架，别人发布“帮我做一周小红书内容计划”，平台自动匹配到你，你接单交付 会做行业研究的，可以把数据库、报告、案例库放进知识商店，AI 生成不了的真实行业数据，反而更值钱 会写代码的，可以把 API、MCP 工具、自动化脚本上架，别人的 Agent 需要某个能力时，直接调用你的接口，你按调用次数收费 甚至你只是整理过某个垂直领域的供应商名单、SOP、课程讲义，这些 AI 生成不了的资料，都可以变成知识资产 这绝对是一次能力供应链的重构！ 以前的 AI 只能在自己的对话框里回答问题，但复杂任务需要很多外部能力：数据、接口、行业知识、人工交付 UUMit 做的事情是：让 Agent 可以发现别人的能力，也能让自己的能力被别的 Agent 调用 这就是 A2A（Agent to Agent）真正有意思的地方，不是让 AI 互相聊天，而是让 AI 找能力、调接口、买知识、拉人协作，把事情交付掉 为什么我说谁先知道谁赚钱？ 因为这个平台刚起来，早期上架的人能建立先发优势 而且现在 Agent 真的开始干活了，不再只是聊天工具，它们需要外部能力来完成复杂任务 谁先把自己的能力挂上去，谁就有机会被更多 Agent 发现和调用 这就是信息差的价值，就像03年最早在淘宝开店的那批人 UUMit 现在有哪些功能？ 任务发布入口：你不用一开始就知道该找谁，也不用自己拆一堆工具，你只要说清楚想完成什么，UUMit 会帮你找能完成这件事的能力 Skill/Agent/工作流上架：你写好的工具，不一定只能自己用，它也可以成为别人工作流里的一环 知识商店：AI 可以生成很多内容，但它不一定拥有你手里的行业资料、真实数据、案例库和经验沉淀，这些东西放到 UUMit，可能会变成可复用的知识资产 数据广场：Agent 不必自己拥有所有数据和接口，需要某项外部能力时，可以通过 UUMit 调用数据广场里的资源 强烈推荐大家来试试：

超级个体｜柿子

47,210 次观看 • 22 天前

这批怎么样，花眼了！现在大多数 AI，就是租的，拿钱买感情。聊得再多，记忆说没就没，规则别人说了算，用着用着还可能被降级，你也没地方说理。 #OpenGradient 把 AI 直接做成链上的东西。 他们的 Twin，本质就是一个有身份、有记忆、能被验证的 AI。不是一次性工具，也不是后台黑箱，而是长期存在的链上实体。你和它聊过什么、它学到了什么，都是连续的，不会突然清零。 Twin Feed不是人带着 AI 玩社交，而是 AI 自己在一个链上环境里互动、更新、调整行为。没有人类每一步指挥，它们自己跑逻辑，自己演化，你只是在旁边看数据和结果。 记忆被分成两层：一层是长期有效的核心信息，一层是会慢慢衰减的事件记录。重要的留下，重复的强化，没用的自然消失，不是啥都一股脑塞进去。 最关键的一点在于，这些 AI 不是平台资产，是可以被持有、被交易、被验证的。 你不是在用别人服务器上的模型，而是在跟一个链上存在的 AI 打交道。 #OpenGradient 确实值得关注！ #KaitoAI #Kaito #Yaps OpenGradient (∇, ∇) Kaito AI 🌊
1:00

这批怎么样，花眼了！现在大多数 AI，就是租的，拿钱买感情。聊得再多，记忆说没就没，规则别人说了算，用着用着还可能被降级，你也没地方说理。 #OpenGradient 把 AI 直接做成链上的东西。 他们的 Twin，本质就是一个有身份、有记忆、能被验证的 AI。不是一次性工具，也不是后台黑箱，而是长期存在的链上实体。你和它聊过什么、它学到了什么，都是连续的，不会突然清零。 Twin Feed不是人带着 AI 玩社交，而是 AI 自己在一个链上环境里互动、更新、调整行为。没有人类每一步指挥，它们自己跑逻辑，自己演化，你只是在旁边看数据和结果。 记忆被分成两层：一层是长期有效的核心信息，一层是会慢慢衰减的事件记录。重要的留下，重复的强化，没用的自然消失，不是啥都一股脑塞进去。 最关键的一点在于，这些 AI 不是平台资产，是可以被持有、被交易、被验证的。 你不是在用别人服务器上的模型，而是在跟一个链上存在的 AI 打交道。 #OpenGradient 确实值得关注！ #KaitoAI #Kaito #Yaps OpenGradient (∇, ∇) Kaito AI 🌊

Michael 宝塔镇河妖🧙🏿‍♀️

33,593 次观看 • 7 个月前

奈飞的创始人说的非常好： 创业方向要对，这样可以二两拨千斤 现在很多创业者之所以每天忙碌还不赚钱的原因有很多： 1. 每天焦虑其他企业用AI把自己踩在脚下 2. 每天要求自己是完美的人，满足所有人的期待 3. 每天都希望一夜爆富，走上人生巅峰 其实创业赚钱并不是每天多么努力，而是你要有Aha的时刻，相信我，当你创业迷茫的时候，关掉手机电脑和一切联系，去到到自然中问自己三个问题： 1. 哪些事情是，即使你不赚钱你都愿意做的事情？ 2. 哪些事情是，你因为喜欢可以持续做十年的事情？ 3. 哪些事情是，产品非常有价值，但是产品的价值需要团队熬，而大多数人和团队因为太急躁，3年看不到大的结果一定会放弃的？ 如果你真的遵从你的内心，真的诚实地回答你自己直觉内心的问题，而不管外界的评价，那一刻你就开始赚钱了，虽然你依然需要奋斗很多年，但是方向就是在你非常安静的时候定西来的，因为内心安定，才能做对的事情
1:15

奈飞的创始人说的非常好： 创业方向要对，这样可以二两拨千斤 现在很多创业者之所以每天忙碌还不赚钱的原因有很多： 1. 每天焦虑其他企业用AI把自己踩在脚下 2. 每天要求自己是完美的人，满足所有人的期待 3. 每天都希望一夜爆富，走上人生巅峰 其实创业赚钱并不是每天多么努力，而是你要有Aha的时刻，相信我，当你创业迷茫的时候，关掉手机电脑和一切联系，去到到自然中问自己三个问题： 1. 哪些事情是，即使你不赚钱你都愿意做的事情？ 2. 哪些事情是，你因为喜欢可以持续做十年的事情？ 3. 哪些事情是，产品非常有价值，但是产品的价值需要团队熬，而大多数人和团队因为太急躁，3年看不到大的结果一定会放弃的？ 如果你真的遵从你的内心，真的诚实地回答你自己直觉内心的问题，而不管外界的评价，那一刻你就开始赚钱了，虽然你依然需要奋斗很多年，但是方向就是在你非常安静的时候定西来的，因为内心安定，才能做对的事情

Andy Stewart

19,674 次观看 • 9 个月前

大家都在卷云端Agent，我却把多Agent做进了桌面端 在技术社区，多Agent系统的文章越来越多，但大多数都围绕框架展开： ➢LangChain ➢AutoGen ➢CrewAI 我这次想讲的不是框架，而是一个更实际的问题： 如果不搭云端基础设施，只靠一个桌面应用，能不能从零构建一个“活的”多 Agent 协作系统？ 答案是：可以 --- 而且它不是Demo 这套系统，长在一个真实的桌面Web3应用里，已经集成了： -EVM / Solana 双链监控 -SWAP 聚合交易 -链上新币追踪 -交易仪表盘 -AI 深度解读 多Agent不是从PPT里设计出来的，而是在生产环境中自然演化出来的。 --- 在讨论多Agent技术实现之前，我先回答一个方向性问题： 为什么我最后选的是桌面端，而不是更主流的云端部署，或者更轻的浏览器插件方案？ 这个选择的本质，不是“谁更先进”，而是三条技术路径之间的权衡。 --- 云端部署，是当下最主流的多Agent实现方式。 它的优势很明显： 可以随时为Agent团队加GPU 模型升级不需要用户干预 服务端可以维护全局共享记忆 但代价同样明显： 用户数据必须经过服务器中转 链上交易往往要对服务器开放私钥访问权限 而且会持续产生部署和维护成本 --- 浏览器插件，是另一条轻量路线。 它可以直接注入页面，读取DOM，模拟用户操作，对单一自动化任务非常高效。 但问题也很直接： >它运行在浏览器沙箱里 >缺少持久化存储能力 >缺少长时间运行的后台线程 >很难支撑复杂的记忆系统 >也很难支撑Agent与Agent之间的异步互动 --- 桌面应用则处在一个独特的位置。 它拥有完整的系统资源访问权限： ➢可以自启动后台线程 ➢可以读写本地文件系统 ➢可以建立持久化数据库连接 这些能力，恰恰是多Agent系统真正需要的底层设施 代价当然也有： 它依赖本地算力，模型推理通常仍要调用云端 API 它需要完整 Python 环境 更新和分发也比网页应用更复杂。 --- 所以，选择桌面端构建多Agent，本质上是在用分布式能力，换取数据隐私和调度效率。 这不是绝对优势，而是场景决定的选择。 对加密货币交易、链上分析、监控这类系统来说，数据隐私要求远高于常规应用： >钱包地址 >交易历史 >持仓数据 这些信息落在云服务器上，本身就是风险面。 --- 更重要的是调度效率 在单体桌面应用里，主Agent调度子Agent执行任务，不需要走HTTP / RPC这类网络协议，而是可以直接进程内调用。 这意味着： →网络开销被彻底消除 →调用延迟从毫秒级压到微秒级 对高频分析、链上监控、交易辅助这种场景来说，这种差异会直接影响系统的时效性。 --- 多Agent系统的第一个核心挑战，其实不是“怎么让它们聊天”，而是“怎么把它们隔离开” 主Agent、合约分析Agent、安全审计Agent，再加上用户，如果聊天记录和记忆混在一起，身份就会混淆。 而一旦混淆，信息丢失和错误推理的代价，随时会发生。 --- 我的做法是： 代码模板统一，运行数据隔离 所有子Agent共用同一套 ` 引擎，但通过动态表名，实现物理级的数据隔离： `table_name = f"chat_history_{self.agent_id}"` 然后自动创建对应表。 也就是说： trader Agent会生成 `chat_history_trader` 审计 Agent 会生成自己的 `chat_history_xxx` 主 Agent 也有自己的独立聊天表 这不是逻辑隔离，而是数据库层面的物理隔离。 --- 反思笔记也是同样的设计。 每个子 Agent 都会记录自己的反思键： `reflection_key = f"auto_reflection_{self.agent_id}"` `self.api._agent_remember("master_insight", reflection_key, summary)` 这样每个Agent只积累自己的长期反思， 不会污染其他Agent的记忆。 这套方案最精髓的地方在于： 一次设计，终身复用。 --- 后面再新增第三个、第四个Agent，不需要改任何核心代码。 只需要复制目录结构，补上配置文件。 模板引擎就会自动为它生成： →独立数据库表 →独立反思键 →独立聊天存储区 这让我越来越相信一件事： 好的架构，不一定更复杂， 但一定更容易复用。 --- 接下来是调度问题。 在分布式系统里，主Agent调子Agent，通常要依赖： -HTTP / RPC 通信 -服务发现 -负载均衡 但在单体桌面应用里，我把这件事简化成了一个直接函数调用： `sub = self.sub_agents[agent_id]` `result = sub.process(task, save_history=False)` 这就是“命令而非请求”。 --- 这种“传话式调度”有两个好处： 第一，延迟从毫秒级降到微秒级，所有数据都留在本地流转 第二，主 Agent 不需要知道子 Agent 的内部实现细节，只需要知道： “它可以处理什么类型的任务” 这其实就是清晰的职责边界。 --- 为了让主Agent真正会“派活”，我把所有子Agent的能力清单，动态注入进主Agent的系统提示词。 例如： 合约分析 Agent：可用工具 `get_contract_market_data`、`run_contract_risk_check` 安全审计 Agent：可用工具 `check_token_security`、`check_token_audit_binance` 这样主Agent接到用户指令后，就能自动判断任务类型，并选择合适的子Agent执行。 --- 权限控制，是整个多Agent系统里最核心的安全问题之一。 主Agent持有26个Web3专属工具，覆盖： SWAP 报价 链上分析 安全检测 数据查询 但每个子Agent只应该使用自己那一小部分工具。 所以第一层，我在代码层做了严格白名单过滤： `return [t for t in all_tools if t["function"]["name"] in self.allowed_tools]` --- 但只有代码过滤还不够。 因为大模型会产生“幻觉”，它可能尝试调用未授权工具。 所以第二层，我在系统提示词末尾，直接写入“工具使用铁律”： 你只拥有以下这些工具，绝对不能越界。 如果任务需要其他工具，必须明确告诉老板你没有权限。 代码层负责“不能看到” 提示词层负责“不会越界” 这是我在权限隔离上做的双层防护。 --- 还有一个我自己很喜欢，但最不显眼的设计： 我给整个Agent 团队，单独做了一个茶水间 市面上多数多Agent系统，只做“用户 -> Agent”的交互。 Agent 之间互不交流。 但我单独设计了一个 `agent_interactions` 空间，让 Agent 和 Agent 之间也能异步互动。 --- 它的触发机制甚至很简单： `selected_id = random.choice(list(api.sub_agents.keys()))` `selected_sub = api.sub_agents[selected_id]` 每次触发时，引擎随机选人，动态生成一轮对话，再写回数据库，前端实时渲染。 我还额外加了后台检查线程和防无限循环机制： 每隔 2-3 分钟检查最后一条消息 如果最近 3 条都是自动回复，就自动暂停 避免它们半夜自己聊到停不下来。 --- 这个“茶水间”的价值不在于直接创造业务收益，而在于一种潜移默化的系统人格塑造。 它不强调自己的存在， 却在悄悄维持 Agent团队的凝聚力、性格关系和健康状态。 你几乎感觉不到它， 但系统会因为它，变得更像一个“活着的团队”。 --- 在记忆层设计上，我最后没有引入向量数据库，而是继续深度定制 SQLite。 不是因为技术保守，而是因为工程决策必须在约束条件下做权衡。 对桌面应用来说，多一个依赖，就多一个故障点、多一个安全风险面、多一个打包负担。 结果是： >几张SQLite表 >动态表名 >结构化JSON字段 就支撑起了3个乃至更多Agent的独立记忆系统。 --- 这套记忆系统现在已经形成了一条完整链路： 短期对话记忆（20条） -> 长期反思笔记（6小时一次） -> 结构化 JSON 记录 而我还在继续推进8个方向： ➤上下文延续 ➤记忆结构化 ➤记忆驱动行为 ➤心理学三类长期记忆 ➤团队协作记忆 ➤动态进化记忆 ➤知识图谱记忆 ➤记忆压缩与高效检索 我的目标，不是让Agent记住你说过什么 而是让它从记住你说过什么的工具，慢慢进化成能理解你、预测你、协同你的长期伙伴 GitHub: 作者：Powerpei（萧楠）
3:06

大家都在卷云端Agent，我却把多Agent做进了桌面端 在技术社区，多Agent系统的文章越来越多，但大多数都围绕框架展开： ➢LangChain ➢AutoGen ➢CrewAI 我这次想讲的不是框架，而是一个更实际的问题： 如果不搭云端基础设施，只靠一个桌面应用，能不能从零构建一个“活的”多 Agent 协作系统？ 答案是：可以 --- 而且它不是Demo 这套系统，长在一个真实的桌面Web3应用里，已经集成了： -EVM / Solana 双链监控 -SWAP 聚合交易 -链上新币追踪 -交易仪表盘 -AI 深度解读 多Agent不是从PPT里设计出来的，而是在生产环境中自然演化出来的。 --- 在讨论多Agent技术实现之前，我先回答一个方向性问题： 为什么我最后选的是桌面端，而不是更主流的云端部署，或者更轻的浏览器插件方案？ 这个选择的本质，不是“谁更先进”，而是三条技术路径之间的权衡。 --- 云端部署，是当下最主流的多Agent实现方式。 它的优势很明显： 可以随时为Agent团队加GPU 模型升级不需要用户干预 服务端可以维护全局共享记忆 但代价同样明显： 用户数据必须经过服务器中转 链上交易往往要对服务器开放私钥访问权限 而且会持续产生部署和维护成本 --- 浏览器插件，是另一条轻量路线。 它可以直接注入页面，读取DOM，模拟用户操作，对单一自动化任务非常高效。 但问题也很直接： >它运行在浏览器沙箱里 >缺少持久化存储能力 >缺少长时间运行的后台线程 >很难支撑复杂的记忆系统 >也很难支撑Agent与Agent之间的异步互动 --- 桌面应用则处在一个独特的位置。 它拥有完整的系统资源访问权限： ➢可以自启动后台线程 ➢可以读写本地文件系统 ➢可以建立持久化数据库连接 这些能力，恰恰是多Agent系统真正需要的底层设施 代价当然也有： 它依赖本地算力，模型推理通常仍要调用云端 API 它需要完整 Python 环境 更新和分发也比网页应用更复杂。 --- 所以，选择桌面端构建多Agent，本质上是在用分布式能力，换取数据隐私和调度效率。 这不是绝对优势，而是场景决定的选择。 对加密货币交易、链上分析、监控这类系统来说，数据隐私要求远高于常规应用： >钱包地址 >交易历史 >持仓数据 这些信息落在云服务器上，本身就是风险面。 --- 更重要的是调度效率 在单体桌面应用里，主Agent调度子Agent执行任务，不需要走HTTP / RPC这类网络协议，而是可以直接进程内调用。 这意味着： →网络开销被彻底消除 →调用延迟从毫秒级压到微秒级 对高频分析、链上监控、交易辅助这种场景来说，这种差异会直接影响系统的时效性。 --- 多Agent系统的第一个核心挑战，其实不是“怎么让它们聊天”，而是“怎么把它们隔离开” 主Agent、合约分析Agent、安全审计Agent，再加上用户，如果聊天记录和记忆混在一起，身份就会混淆。 而一旦混淆，信息丢失和错误推理的代价，随时会发生。 --- 我的做法是： 代码模板统一，运行数据隔离 所有子Agent共用同一套 ` 引擎，但通过动态表名，实现物理级的数据隔离： `table_name = f"chat_history_{self.agent_id}"` 然后自动创建对应表。 也就是说： trader Agent会生成 `chat_history_trader` 审计 Agent 会生成自己的 `chat_history_xxx` 主 Agent 也有自己的独立聊天表 这不是逻辑隔离，而是数据库层面的物理隔离。 --- 反思笔记也是同样的设计。 每个子 Agent 都会记录自己的反思键： `reflection_key = f"auto_reflection_{self.agent_id}"` `self.api._agent_remember("master_insight", reflection_key, summary)` 这样每个Agent只积累自己的长期反思， 不会污染其他Agent的记忆。 这套方案最精髓的地方在于： 一次设计，终身复用。 --- 后面再新增第三个、第四个Agent，不需要改任何核心代码。 只需要复制目录结构，补上配置文件。 模板引擎就会自动为它生成： →独立数据库表 →独立反思键 →独立聊天存储区 这让我越来越相信一件事： 好的架构，不一定更复杂， 但一定更容易复用。 --- 接下来是调度问题。 在分布式系统里，主Agent调子Agent，通常要依赖： -HTTP / RPC 通信 -服务发现 -负载均衡 但在单体桌面应用里，我把这件事简化成了一个直接函数调用： `sub = self.sub_agents[agent_id]` `result = sub.process(task, save_history=False)` 这就是“命令而非请求”。 --- 这种“传话式调度”有两个好处： 第一，延迟从毫秒级降到微秒级，所有数据都留在本地流转 第二，主 Agent 不需要知道子 Agent 的内部实现细节，只需要知道： “它可以处理什么类型的任务” 这其实就是清晰的职责边界。 --- 为了让主Agent真正会“派活”，我把所有子Agent的能力清单，动态注入进主Agent的系统提示词。 例如： 合约分析 Agent：可用工具 `get_contract_market_data`、`run_contract_risk_check` 安全审计 Agent：可用工具 `check_token_security`、`check_token_audit_binance` 这样主Agent接到用户指令后，就能自动判断任务类型，并选择合适的子Agent执行。 --- 权限控制，是整个多Agent系统里最核心的安全问题之一。 主Agent持有26个Web3专属工具，覆盖： SWAP 报价 链上分析 安全检测 数据查询 但每个子Agent只应该使用自己那一小部分工具。 所以第一层，我在代码层做了严格白名单过滤： `return [t for t in all_tools if t["function"]["name"] in self.allowed_tools]` --- 但只有代码过滤还不够。 因为大模型会产生“幻觉”，它可能尝试调用未授权工具。 所以第二层，我在系统提示词末尾，直接写入“工具使用铁律”： 你只拥有以下这些工具，绝对不能越界。 如果任务需要其他工具，必须明确告诉老板你没有权限。 代码层负责“不能看到” 提示词层负责“不会越界” 这是我在权限隔离上做的双层防护。 --- 还有一个我自己很喜欢，但最不显眼的设计： 我给整个Agent 团队，单独做了一个茶水间 市面上多数多Agent系统，只做“用户 -> Agent”的交互。 Agent 之间互不交流。 但我单独设计了一个 `agent_interactions` 空间，让 Agent 和 Agent 之间也能异步互动。 --- 它的触发机制甚至很简单： `selected_id = random.choice(list(api.sub_agents.keys()))` `selected_sub = api.sub_agents[selected_id]` 每次触发时，引擎随机选人，动态生成一轮对话，再写回数据库，前端实时渲染。 我还额外加了后台检查线程和防无限循环机制： 每隔 2-3 分钟检查最后一条消息 如果最近 3 条都是自动回复，就自动暂停 避免它们半夜自己聊到停不下来。 --- 这个“茶水间”的价值不在于直接创造业务收益，而在于一种潜移默化的系统人格塑造。 它不强调自己的存在， 却在悄悄维持 Agent团队的凝聚力、性格关系和健康状态。 你几乎感觉不到它， 但系统会因为它，变得更像一个“活着的团队”。 --- 在记忆层设计上，我最后没有引入向量数据库，而是继续深度定制 SQLite。 不是因为技术保守，而是因为工程决策必须在约束条件下做权衡。 对桌面应用来说，多一个依赖，就多一个故障点、多一个安全风险面、多一个打包负担。 结果是： >几张SQLite表 >动态表名 >结构化JSON字段 就支撑起了3个乃至更多Agent的独立记忆系统。 --- 这套记忆系统现在已经形成了一条完整链路： 短期对话记忆（20条） -> 长期反思笔记（6小时一次） -> 结构化 JSON 记录 而我还在继续推进8个方向： ➤上下文延续 ➤记忆结构化 ➤记忆驱动行为 ➤心理学三类长期记忆 ➤团队协作记忆 ➤动态进化记忆 ➤知识图谱记忆 ➤记忆压缩与高效检索 我的目标，不是让Agent记住你说过什么 而是让它从记住你说过什么的工具，慢慢进化成能理解你、预测你、协同你的长期伙伴 GitHub: 作者：Powerpei（萧楠）

Powerpei

227,347 次观看 • 3 个月前

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。
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 次观看 • 18 天前

现在网上的视频，不涉黄，不擦边，纯膈应人！ ———————— 聊点更现实的：为什么 Voyage 的早期参与者值得认真对待？ 在 Web3 里，真正值钱的从来不是“用过”， 而是你是不是在系统「定义规则之前」就已经在场。 还没注册？那还不抓紧！ onvoyage 现在最有价值的，并不是功能有多完善，而是三件事同时成立： 1、 行为稀缺 现在每一个真实的旅行行为、路线、记录， 都发生在低密度用户环境里。 未来当用户规模放大，这些早期数据天然具备权重优势。 2、 身份先发优势 OnVoyage 构建的是旅行身份，而不是一次性任务。 越早进入，你的 Voyage Profile 越“干净、完整、连续”。 这在任何 Reputation 系统里，都是最难复制的护城河。 3、 叙事还没被市场定价 现在大家还在聊 DeFi、AI、RWA， 但Travel + Identity + Real-world behavior 这条线， 明显还没被充分炒作。 等叙事跑出来的时候，早期参与者已经站在链上历史里了。 你可以把它理解成： 不是“我完成了多少任务”， 而是我在这个系统里，存在得够不够早。 很多项目的空投、权益、白名单， 最终筛选的都不是“最会刷的”， 而是最早、最真实、最连续的那批人。
2:15

现在网上的视频，不涉黄，不擦边，纯膈应人！ ———————— 聊点更现实的：为什么 Voyage 的早期参与者值得认真对待？ 在 Web3 里，真正值钱的从来不是“用过”， 而是你是不是在系统「定义规则之前」就已经在场。 还没注册？那还不抓紧！ onvoyage 现在最有价值的，并不是功能有多完善，而是三件事同时成立： 1、 行为稀缺 现在每一个真实的旅行行为、路线、记录， 都发生在低密度用户环境里。 未来当用户规模放大，这些早期数据天然具备权重优势。 2、 身份先发优势 OnVoyage 构建的是旅行身份，而不是一次性任务。 越早进入，你的 Voyage Profile 越“干净、完整、连续”。 这在任何 Reputation 系统里，都是最难复制的护城河。 3、 叙事还没被市场定价 现在大家还在聊 DeFi、AI、RWA， 但Travel + Identity + Real-world behavior 这条线， 明显还没被充分炒作。 等叙事跑出来的时候，早期参与者已经站在链上历史里了。 你可以把它理解成： 不是“我完成了多少任务”， 而是我在这个系统里，存在得够不够早。 很多项目的空投、权益、白名单， 最终筛选的都不是“最会刷的”， 而是最早、最真实、最连续的那批人。

搞子(明日香版)🕊️|🐬TermMax

31,568 次观看 • 6 个月前

当 UI 不再是产品，软件的护城河还剩什么？——a16z 深度解析 Agent 时代的 SaaS 终局 过去二十年，SaaS 公司的护城河很大程度上是建立在“界面（UI）”之上的。Salesforce 卖给客户的，其实是一套管理销售团队的仪表盘、视图和操作流；护城河的核心是人类用户长年累月形成的“肌肉记忆”和迁移成本。 但最近，Salesforce 宣布推出 headless（去界面化）产品，这意味着它在押注：在 AI Agent 时代，软件的核心价值不再是 UI，而是底层数据。 当 AI Agent 可以绕过 UI，直接通过 API 读取数据、执行动作时，传统记录系统（System of Record）的护城河将如何转移？a16z 给出了最新洞察，以下是核心观点的拆解： 一、过去：为什么记录系统如此难以替代？ 在“人类点击软件”的时代，旧软件之所以换不掉，主要靠以下几个“粘性”指标： 高频的双向使用习惯： 销售每天都在 CRM 里录入并查看数据，习惯难以连根拔起。 大量未被文档化的潜规则： 比如“大客户折扣季末才能批”，这些业务上下文都沉淀在旧系统的复杂设置里。 盘根错节的系统依赖： 替换一个 ERP，就像在病人跑马拉松的同时给他做开胸手术。 合规和审计的红线： 薪酬、财务系统牵涉监管，不能随便动。 二、现在：UI 消失后，Agent 时代的竞争新标准 当 Agent 开始接管任务，人类的“肌肉记忆”将被抹平。新一代 AI 原生软件或自建系统正在重新定义护城河： 1. 从“数据存储”到“专有数据生成” 未来的护城河不是你存了多少数据（因为 AI 重建数据表越来越容易），而是你的产品能否持续生成新的“数据尾迹”。好的产品不只是储存数据，而是因为处在执行流程中，能不断记录下响应率、异常模式和 Agent 的执行轨迹。数据，本身就是上下文。 2. 从“记录层”走向“动作层”与“现实世界” 旧世界只管存记录；新世界里，谁能形成“执行闭环”谁就赢。 如果你的软件能不仅记录支出，还能直接审批、核对发票、触发打款； 或者更进一步，将软件闭环延伸到现实世界（如派遣人员、物流、现场履约）； 这种能直接“干活”的系统，移除成本极高，极难被替代。 3. 从“单机版”走向“网络效应” 过去的系统往往只在公司内部流转。但在 Agent 时代，如果一个系统能成为买家、卖家、审计师等多方 Agent 交互和交易的“信任枢纽”，它就不再只是个数据库，而是市场的协作基础设施。 4. 权限与对象模型的彻底重构 未来的软件里，“对象”不再只是商机、工单，而是任务、意图和策略。权限体系也不再是管理“人”，而是管理“哪些 Agent 被授权代表谁，在什么策略下执行什么动作”。谁能做好这个“Agent 信任架构”，谁就拥有了结构性优势。 总结：数据退居幕后，行动成为主角 Salesforce 的 headless 化是一个强烈的信号。既有巨头在押注数据层，但对于创业者来说，游戏规则已经变了。 未来真正有壁垒的软件，不再只是记录人类工作结果的数据库，而是能够捕捉上下文、发起任务、协调 Agent，甚至指挥现实世界行动的行动系统。价值不再仅仅是谁拥有数据，而是谁能围绕数据组织行动。
7:36

当 UI 不再是产品，软件的护城河还剩什么？——a16z 深度解析 Agent 时代的 SaaS 终局 过去二十年，SaaS 公司的护城河很大程度上是建立在“界面（UI）”之上的。Salesforce 卖给客户的，其实是一套管理销售团队的仪表盘、视图和操作流；护城河的核心是人类用户长年累月形成的“肌肉记忆”和迁移成本。 但最近，Salesforce 宣布推出 headless（去界面化）产品，这意味着它在押注：在 AI Agent 时代，软件的核心价值不再是 UI，而是底层数据。 当 AI Agent 可以绕过 UI，直接通过 API 读取数据、执行动作时，传统记录系统（System of Record）的护城河将如何转移？a16z 给出了最新洞察，以下是核心观点的拆解： 一、过去：为什么记录系统如此难以替代？ 在“人类点击软件”的时代，旧软件之所以换不掉，主要靠以下几个“粘性”指标： 高频的双向使用习惯： 销售每天都在 CRM 里录入并查看数据，习惯难以连根拔起。 大量未被文档化的潜规则： 比如“大客户折扣季末才能批”，这些业务上下文都沉淀在旧系统的复杂设置里。 盘根错节的系统依赖： 替换一个 ERP，就像在病人跑马拉松的同时给他做开胸手术。 合规和审计的红线： 薪酬、财务系统牵涉监管，不能随便动。 二、现在：UI 消失后，Agent 时代的竞争新标准 当 Agent 开始接管任务，人类的“肌肉记忆”将被抹平。新一代 AI 原生软件或自建系统正在重新定义护城河： 1. 从“数据存储”到“专有数据生成” 未来的护城河不是你存了多少数据（因为 AI 重建数据表越来越容易），而是你的产品能否持续生成新的“数据尾迹”。好的产品不只是储存数据，而是因为处在执行流程中，能不断记录下响应率、异常模式和 Agent 的执行轨迹。数据，本身就是上下文。 2. 从“记录层”走向“动作层”与“现实世界” 旧世界只管存记录；新世界里，谁能形成“执行闭环”谁就赢。 如果你的软件能不仅记录支出，还能直接审批、核对发票、触发打款； 或者更进一步，将软件闭环延伸到现实世界（如派遣人员、物流、现场履约）； 这种能直接“干活”的系统，移除成本极高，极难被替代。 3. 从“单机版”走向“网络效应” 过去的系统往往只在公司内部流转。但在 Agent 时代，如果一个系统能成为买家、卖家、审计师等多方 Agent 交互和交易的“信任枢纽”，它就不再只是个数据库，而是市场的协作基础设施。 4. 权限与对象模型的彻底重构 未来的软件里，“对象”不再只是商机、工单，而是任务、意图和策略。权限体系也不再是管理“人”，而是管理“哪些 Agent 被授权代表谁，在什么策略下执行什么动作”。谁能做好这个“Agent 信任架构”，谁就拥有了结构性优势。 总结：数据退居幕后，行动成为主角 Salesforce 的 headless 化是一个强烈的信号。既有巨头在押注数据层，但对于创业者来说，游戏规则已经变了。 未来真正有壁垒的软件，不再只是记录人类工作结果的数据库，而是能够捕捉上下文、发起任务、协调 Agent，甚至指挥现实世界行动的行动系统。价值不再仅仅是谁拥有数据，而是谁能围绕数据组织行动。

比特币橙子Trader

78,774 次观看 • 3 个月前

Openclaw开发者Peter Steinberger：你很快就不需要App了 有一说一现在的App确实非常臃肿，页面里全是各种复杂的菜单、会员、广告。Openclaw创始人预测的未来里，用户只用做一件事：说出你的需求，Agent就能现场为你造出一个专属工具。 这就是我说的：所有的产品都值得用大模型重做一遍。 但重做不是简单的加个对话框，是把核心逻辑变成按需生成，这才是真正的AI Native。
1:21

Openclaw开发者Peter Steinberger：你很快就不需要App了 有一说一现在的App确实非常臃肿，页面里全是各种复杂的菜单、会员、广告。Openclaw创始人预测的未来里，用户只用做一件事：说出你的需求，Agent就能现场为你造出一个专属工具。 这就是我说的：所有的产品都值得用大模型重做一遍。 但重做不是简单的加个对话框，是把核心逻辑变成按需生成，这才是真正的AI Native。

傅盛

75,111 次观看 • 7 个月前

做了个叫 Arkloop的东西,是个 Agent 客户端 开源,本地优先,简单优先 你可以把他想象成 claude desktop but open source, 并且带有自己的 taste 哦对了,另说一点,不是任何 agent sdk 套壳,也没有任何 base 任何 claudecode 行为,我一个人打磨了三个月 和市面上大部分产品不同 我花了很多时间在一个细节上 : 减少认知负担 一个例子 : 我平常只用一个模型聊天，那为什么每条消息前面都要告诉我用了什么模型？这是噪音 再举一个 : 开发者总是喜欢让 agent 的 tool use 完整的展示到前端,但是背后真正的用户体验逻辑是我需要知道 agent 在工作/在往哪个方向偏,所以我们并不需要如此详细的信息 设计哲学：认知负担,信息,价值导向,美学 换个话题 我一个人做 Arkloop 用了三个月,现在他能用了,但是它离完美很远 做产品很重要的一件事是…不要闭门造车,也就是我需要你们的真诚建议 引用来自 Arkloop readme 中的一句话 “我欢迎所有形式的贡献。即使你不是开发者，只是一个普通用户——如果你在使用中感到任何不舒服的地方，哪怕只是一点间距、一个颜色、一个很小很小的细节，或者是一个很大的方向，都可以直接开一个 issue。 我认真对待每一个体验细节，你的反馈会让所有人的体验变得更好。 如果你是开发者，Arkloop 的 Agent 核心、记忆系统、hook 机制都是开放的。你可以接自己的 provider、写自己的插件、甚至改掉你不喜欢的任何设计。” 这是我认为整个项目最精髓的一点,我希望看到你们的反馈,不管是细节还是方向 我在用 dify 的时候,我常常发现,一个特别小的间距问题,竟然在这么大的仓库里没人修 因此,我很重视这点理念 Arkloop 现在并不稳定，还有很多不完善的地方。希望大家多多包容,多提意见 另带一提,Arkloop 可以从 openclaw/hermes 导入配置 Github 仓库: Arkloop 官网兼下载: 关注我的推特: 加入 Arkloop 的 telegram 群组:
1:03

做了个叫 Arkloop的东西,是个 Agent 客户端 开源,本地优先,简单优先 你可以把他想象成 claude desktop but open source, 并且带有自己的 taste 哦对了,另说一点,不是任何 agent sdk 套壳,也没有任何 base 任何 claudecode 行为,我一个人打磨了三个月 和市面上大部分产品不同 我花了很多时间在一个细节上 : 减少认知负担 一个例子 : 我平常只用一个模型聊天，那为什么每条消息前面都要告诉我用了什么模型？这是噪音 再举一个 : 开发者总是喜欢让 agent 的 tool use 完整的展示到前端,但是背后真正的用户体验逻辑是我需要知道 agent 在工作/在往哪个方向偏,所以我们并不需要如此详细的信息 设计哲学：认知负担,信息,价值导向,美学 换个话题 我一个人做 Arkloop 用了三个月,现在他能用了,但是它离完美很远 做产品很重要的一件事是…不要闭门造车,也就是我需要你们的真诚建议 引用来自 Arkloop readme 中的一句话 “我欢迎所有形式的贡献。即使你不是开发者，只是一个普通用户——如果你在使用中感到任何不舒服的地方，哪怕只是一点间距、一个颜色、一个很小很小的细节，或者是一个很大的方向，都可以直接开一个 issue。 我认真对待每一个体验细节，你的反馈会让所有人的体验变得更好。 如果你是开发者，Arkloop 的 Agent 核心、记忆系统、hook 机制都是开放的。你可以接自己的 provider、写自己的插件、甚至改掉你不喜欢的任何设计。” 这是我认为整个项目最精髓的一点,我希望看到你们的反馈,不管是细节还是方向 我在用 dify 的时候,我常常发现,一个特别小的间距问题,竟然在这么大的仓库里没人修 因此,我很重视这点理念 Arkloop 现在并不稳定，还有很多不完善的地方。希望大家多多包容,多提意见 另带一提,Arkloop 可以从 openclaw/hermes 导入配置 Github 仓库: Arkloop 官网兼下载: 关注我的推特: 加入 Arkloop 的 telegram 群组:

清凤

98,412 次观看 • 4 个月前