Video yükleniyor...

Video Yüklenemedi

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

Ana Sayfaya Dön

deepseek-harness重磅开源，采用了一切皆插件的架构，也就是中国版的openclaw，体验了下可以称之为私有化的workbuddy。场景侧冲击：有了deepseek-harness之后，企业域的私有化code、cowork基本用这个就可以了，直接会冲击workbuddy之类的市场。之前DeepSeek Harness内测招募，本质是一次开源 Agent 生态大摸底，把全球 Agent 基础设施的家底扫了一遍后，预计后续版本应该会在开放生态上做一些事情。 dsh看点不在"又一个 Claude Code"，有3个看点： 1️⃣ 一切皆插件模型、工具、skill、会话、沙箱、存储、主循环、调度，连 UI 都是插件，配置里全都可换，不动源码。四种运行模式里最有意思的是 Minimal——只留一个 bash 和一个文件编辑器，摆明了是给模型做裸机 benchmark 的。 2️⃣ 每一次运行都可回放系统提示、推理过程、工具调用与结果、子 agent 调度、所有 context 注入，全部进 append-only 的 session log，resume / fork / search / replay 都跑在同一条事件流上。 3️⃣ 最狠的是内核 dsh 跑在 Cordis 上，它把插件系统拆成两个正交维度：时间可组合性：卸载一个组件时副作用能完整回滚（每个 context 变换都带一个逆，运行时来追踪）；空间可组合性：依赖可声明、且 context 一变就反向通知组件。还给了一套动态组合的演算，证明这个性质能从单个组件传导到整个系统。... show more

AIGCLINK

36,815 subscribers

37,767 görüntüleme • 9 gün önce •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

0 Yorum

Yorum bulunmuyor

Orijinal gönderinin yorumları burada görünecek

Benzer Videolar

15 张数据图帮你了解 DeepSeek Harness 昨天 DeepSeek Harness 发布，于是就想着让 Codex 分析一下，找到了一个很好的角度，就是从一些数据上向大家介绍这个产品。确实也发现了一些很有意思的东西：插件系统与 Koishi 高度相似：他们主打的插件系统与 Koishi 的插件平台相似度高达 75%。大概率是整个平台都挪过来了，不知道是不是他们的核心开发者入职了。大量使用 AI 开发： Codex 命名的主干 PR 达到了 21.2%，分支信息中提到 Codex 的比例有 28.2%。猜测他们肯定用了 Claude Code 开发，只是删掉了一些 Claude 的痕迹。参考了大量外部 Agent 项目：提到最多的外部项目是 Pi，第二多的是 Codex，之后是 Claude Code。甚至直接引用了一些 Pi 的 TypeScript 文件。高效的代码产出：整个产品在 GitHub 上有记录的是 65 天，总共的代码产出量是 84 万行，有一万多个 commit，非常高效。交互入口的演变：他们曾经押注 TUI，后来改成 Web UI 和 TUI 的双入口，再之后整个删除了所有的 TUI，只留下了 Web UI。开发与工程规范：整个项目的测试代码比生产代码多很多，基本上达到了 1:1。全仓库的 Markdown 文档也非常多，说明他们是基于文档去控制 Harness 开发的。他们有完整的工具和科学模型 schema 共 52 个，但最后只留下了一个，目的是为了减少上下文占用。社区热度与生态：从昨天发布到现在 20 小时，GitHub 已经涨到了 8 万多的 star，非常快。插件体系标签（DSH plugin）已经有 1425 个项目，但有很多并不是真正的插件，看来有不少蹭热度的。精选清单收录了 211 个仓库，主要补充的是工具、UI 和运行的一些基础设施，甚至一上来就出现了插件市场和插件管理的插件。学术论文：他们顺便发了一篇 88 页的论文，其中 57% 都在做一些形式化的理论推导和展示。论文主要讨论的是插件的热插拔和系统稳定性问题。

15 张数据图帮你了解 DeepSeek Harness 昨天 DeepSeek Harness 发布，于是就想着让 Codex 分析一下，找到了一个很好的角度，就是从一些数据上向大家介绍这个产品。确实也发现了一些很有意思的东西：插件系统与 Koishi 高度相似：他们主打的插件系统与 Koishi 的插件平台相似度高达 75%。大概率是整个平台都挪过来了，不知道是不是他们的核心开发者入职了。大量使用 AI 开发： Codex 命名的主干 PR 达到了 21.2%，分支信息中提到 Codex 的比例有 28.2%。猜测他们肯定用了 Claude Code 开发，只是删掉了一些 Claude 的痕迹。参考了大量外部 Agent 项目：提到最多的外部项目是 Pi，第二多的是 Codex，之后是 Claude Code。甚至直接引用了一些 Pi 的 TypeScript 文件。高效的代码产出：整个产品在 GitHub 上有记录的是 65 天，总共的代码产出量是 84 万行，有一万多个 commit，非常高效。交互入口的演变：他们曾经押注 TUI，后来改成 Web UI 和 TUI 的双入口，再之后整个删除了所有的 TUI，只留下了 Web UI。开发与工程规范：整个项目的测试代码比生产代码多很多，基本上达到了 1:1。全仓库的 Markdown 文档也非常多，说明他们是基于文档去控制 Harness 开发的。他们有完整的工具和科学模型 schema 共 52 个，但最后只留下了一个，目的是为了减少上下文占用。社区热度与生态：从昨天发布到现在 20 小时，GitHub 已经涨到了 8 万多的 star，非常快。插件体系标签（DSH plugin）已经有 1425 个项目，但有很多并不是真正的插件，看来有不少蹭热度的。精选清单收录了 211 个仓库，主要补充的是工具、UI 和运行的一些基础设施，甚至一上来就出现了插件市场和插件管理的插件。学术论文：他们顺便发了一篇 88 页的论文，其中 57% 都在做一些形式化的理论推导和展示。论文主要讨论的是插件的热插拔和系统稳定性问题。

歸藏(guizang.ai)

16,428 görüntüleme • 9 gün önce

花了一天时间用 DeepSeek Harness 的插件做了一个内容管理的工作台，之前一直想做但是感觉没那么刚需，但是看到 DeepSeek Harness 的插件拓展性那么强，而且很多原本预想和 Agent 联动的地方开发成本都很低。这次的插件并没有使用 DeepSeek 的创造模式，而是用 Grok 4.6 开发的，DeepSeek v4 pro 相对来说还是差点意思，没办法那么快的实现我的定制化需求。整体来说，现在我的内容管理已经比之前方便了不少，很多固定的工作流我也不用老是去 CodeX 新开话题执行了，而且最主要是之前我总是得。复制视频工程的路径，或者去，复制视频的路径来告诉 Codex 具体的文件位置，现在整体使用下来会减少很多文件和 Agent 之间切换的成本。这次开发过程中我顺便实现了一个用于给其他 Agent 开发 DeepSeek 插件时可以使用的 Skill：希望对大家有帮助～

花了一天时间用 DeepSeek Harness 的插件做了一个内容管理的工作台，之前一直想做但是感觉没那么刚需，但是看到 DeepSeek Harness 的插件拓展性那么强，而且很多原本预想和 Agent 联动的地方开发成本都很低。这次的插件并没有使用 DeepSeek 的创造模式，而是用 Grok 4.6 开发的，DeepSeek v4 pro 相对来说还是差点意思，没办法那么快的实现我的定制化需求。整体来说，现在我的内容管理已经比之前方便了不少，很多固定的工作流我也不用老是去 CodeX 新开话题执行了，而且最主要是之前我总是得。复制视频工程的路径，或者去，复制视频的路径来告诉 Codex 具体的文件位置，现在整体使用下来会减少很多文件和 Agent 之间切换的成本。这次开发过程中我顺便实现了一个用于给其他 Agent 开发 DeepSeek 插件时可以使用的 Skill：希望对大家有帮助～

oil-oil

21,940 görüntüleme • 7 gün önce

最近北大开源的一个项目，我觉得很值得关注。 AI Agent 现在最缺的，可能不是模型，而是一套像 npm 一样可复用的 skill 基础设施。 MagicSkills 做的就是这件事。它不是再去造一个新的 Agent framework，而是想把那些散落在各处的 SKILL.md，变成可安装、可组合、可同步、可调用的共享能力层。 MagicSkills 的思路更像是，先把 skill 从零散文档里抽出来，做成一个本地优先的共享 skill pool，然后再按不同 Agent、不同框架去组合和分发。这样一来，skill 就不再只是 prompt 附件，而是开始变成真正可复用的能力基础设施。说白了，它想推动的一件事就是：让 Agent 的技能，从“写一份文档自己用”，变成“写一次，到处复用”。我觉得这个方向很值得看。因为当 skill 开始像包管理一样被组织起来，多 Agent 工作流才会真正开始像工程系统，而不是一堆 prompt 和脚本的临时拼装。如果你在关注 AI Agent、Multi-Agent、技能复用，或者正在想怎么管理越来越多的 SKILL.md，这个项目值得研究一下。👇

最近北大开源的一个项目，我觉得很值得关注。 AI Agent 现在最缺的，可能不是模型，而是一套像 npm 一样可复用的 skill 基础设施。 MagicSkills 做的就是这件事。它不是再去造一个新的 Agent framework，而是想把那些散落在各处的 SKILL.md，变成可安装、可组合、可同步、可调用的共享能力层。 MagicSkills 的思路更像是，先把 skill 从零散文档里抽出来，做成一个本地优先的共享 skill pool，然后再按不同 Agent、不同框架去组合和分发。这样一来，skill 就不再只是 prompt 附件，而是开始变成真正可复用的能力基础设施。说白了，它想推动的一件事就是：让 Agent 的技能，从“写一份文档自己用”，变成“写一次，到处复用”。我觉得这个方向很值得看。因为当 skill 开始像包管理一样被组织起来，多 Agent 工作流才会真正开始像工程系统，而不是一堆 prompt 和脚本的临时拼装。如果你在关注 AI Agent、Multi-Agent、技能复用，或者正在想怎么管理越来越多的 SKILL.md，这个项目值得研究一下。👇

axiaisacat

46,330 görüntüleme • 5 ay önce

Cursor 推出炼蛊模式！一口气能开8个代理！给大家带来 Cursor 2.0 更新内容！这个分量的确够得上一个大版本更新。首先，推出了炼蛊模式，你最多可以开8个 Agent 并行运行同一个任务，然后矬子里面拔大个，选你觉得AI生成的最好的结果。其次，cursor 早就传出内部在炼大模型，终于推出了！目前宣传点是生成速度，这个我一会儿会单独放出这个模型的评测视频！然后！可以在Cursor里面直接打开浏览器了！这叫一个真套娃了，本身就是 Electron，又套个 chromium。跑题了，这个最大的作用其实是为大模型进行视觉设计或debug铺平道路。是个非常不错的功能。就是不知道大家内存抗不扛得住。还有！现在支持语音输入了，终于可以真的当老板了用嘴命令它干活了。剩下就是一些小改进了，包括可以在一个chat里面看多个文件的修改啦，其实跟github的合并pr的模式差不多。命令可以运行在安全沙箱，再也不用担心输入了个波浪线，大模型灭门事件了。团队配置集中管理啦，可以在后代运行多个 plan mode，玩田忌赛马等等等等。总之，请确保你的订阅套餐够烧

Cursor 推出炼蛊模式！一口气能开8个代理！给大家带来 Cursor 2.0 更新内容！这个分量的确够得上一个大版本更新。首先，推出了炼蛊模式，你最多可以开8个 Agent 并行运行同一个任务，然后矬子里面拔大个，选你觉得AI生成的最好的结果。其次，cursor 早就传出内部在炼大模型，终于推出了！目前宣传点是生成速度，这个我一会儿会单独放出这个模型的评测视频！然后！可以在Cursor里面直接打开浏览器了！这叫一个真套娃了，本身就是 Electron，又套个 chromium。跑题了，这个最大的作用其实是为大模型进行视觉设计或debug铺平道路。是个非常不错的功能。就是不知道大家内存抗不扛得住。还有！现在支持语音输入了，终于可以真的当老板了用嘴命令它干活了。剩下就是一些小改进了，包括可以在一个chat里面看多个文件的修改啦，其实跟github的合并pr的模式差不多。命令可以运行在安全沙箱，再也不用担心输入了个波浪线，大模型灭门事件了。团队配置集中管理啦，可以在后代运行多个 plan mode，玩田忌赛马等等等等。总之，请确保你的订阅套餐够烧

karminski-牙医

21,725 görüntüleme • 9 ay önce

分享我们最近实现的一个开源版本 Claude Cowork Multica 👇 完全本地化、同时支持 Claude Code、Codex 以及开源的 OpenCode 。 Multica 的目标是成为 coding agent 和终端用户的中间层，有点类似 Obsidian 的模式，每个人都可以根据自己的工作流使用插件的方式来定制化。 Multica + 开发相关插件 -> Cursor/Lovable/Conductor Multica + 设计相关插件 -> Lovart Multica + Research 相关插件 -> NotebookLM Multica 会完成中间层： - UIUX 交互 - VM & Sandbox - 多 agent & llm 编排调度 - 插件商店这个名字的灵感来自于 Multics（Multiplexed Information and Computing Service，多路复用信息与计算服务），这是一个创建于 1964 年的开创性操作系统。尽管 Multics 最终没有广泛普及，但它奠定了现代操作系统的基础，包括层级文件系统等概念。Unix 本身就是从 Multics 衍生而来的（Uniplexed Information and Computing Service -> Unics -> Unix）。现在还是一个非常早期的预览版本，欢迎大家参与来一起构建。视频中的例子是我让 Multica 下载 Ilya Sutskever 推荐的论文，并创建一个网页 & 综述，整体运行时间大概在 20min。

分享我们最近实现的一个开源版本 Claude Cowork Multica 👇 完全本地化、同时支持 Claude Code、Codex 以及开源的 OpenCode 。 Multica 的目标是成为 coding agent 和终端用户的中间层，有点类似 Obsidian 的模式，每个人都可以根据自己的工作流使用插件的方式来定制化。 Multica + 开发相关插件 -> Cursor/Lovable/Conductor Multica + 设计相关插件 -> Lovart Multica + Research 相关插件 -> NotebookLM Multica 会完成中间层： - UIUX 交互 - VM & Sandbox - 多 agent & llm 编排调度 - 插件商店这个名字的灵感来自于 Multics（Multiplexed Information and Computing Service，多路复用信息与计算服务），这是一个创建于 1964 年的开创性操作系统。尽管 Multics 最终没有广泛普及，但它奠定了现代操作系统的基础，包括层级文件系统等概念。Unix 本身就是从 Multics 衍生而来的（Uniplexed Information and Computing Service -> Unics -> Unix）。现在还是一个非常早期的预览版本，欢迎大家参与来一起构建。视频中的例子是我让 Multica 下载 Ilya Sutskever 推荐的论文，并创建一个网页 & 综述，整体运行时间大概在 20min。

Jiayuan (JY) Zhang

57,665 görüntüleme • 7 ay önce

这几天每天都会花几分钟当作兴趣看一个组件库，好多都是大同小异，没想到这么多人在做类似的事情。但是这个还是玩出花来了。他本人应该是设计师，我很喜欢它设计的几个 Backgrounds 组件，都是非常符合现代 landing page 的 cta 部分，大家可以直接拿来用。其他一些组件也挺漂亮的，和其他组件库的风格完全不一样。

这几天每天都会花几分钟当作兴趣看一个组件库，好多都是大同小异，没想到这么多人在做类似的事情。但是这个还是玩出花来了。他本人应该是设计师，我很喜欢它设计的几个 Backgrounds 组件，都是非常符合现代 landing page 的 cta 部分，大家可以直接拿来用。其他一些组件也挺漂亮的，和其他组件库的风格完全不一样。

Viking

34,532 görüntüleme • 9 ay önce

你们需要的推文写作神器来了：tweet-skills，它是一组自动创作技能包。这个 repo 真正在做的一件事，是把内容创作工程化。怎么说？它有 8 个 skill： - hot-topics 负责采集 - topic-research 负责调研 - opinion-generator 负责观点 - tweet-writer 负责写作 - tweet-polish 负责去 AI 味 - title-optimizer 负责标题 - tweet-closing 负责结尾 - tweet-pipeline 负责串联。每个 skill 职责明确，每个 skill 可以独立运行，每个 skill 可以单独迭代升级。这是什么思路？软件工程的思路。模块化、可复用、可测试、可迭代。 skill 就是内容创作的「函数」。pipeline 就是内容创作的「工作流」。收藏价值设计就是内容创作的「代码审查」。市面上所有 AI 写作工具，本质上都是一个巨大的 prompt 加一个输入框。你进去一堆文字，出来一段文字。 tweet-skills 不一样。它把创作过程拆成了系统。你可以看到每一步在做什么，每一步的输入输出是什么，每一步的质量标准是什么。这才是 AI 时代内容创作该有的样子。不是用 AI 替代创作，是用工程化思维重构创作。这个 repo 值 star。先收下，以后会明白我在说什么。 #skill #openclaw 源码：

你们需要的推文写作神器来了：tweet-skills，它是一组自动创作技能包。这个 repo 真正在做的一件事，是把内容创作工程化。怎么说？它有 8 个 skill： - hot-topics 负责采集 - topic-research 负责调研 - opinion-generator 负责观点 - tweet-writer 负责写作 - tweet-polish 负责去 AI 味 - title-optimizer 负责标题 - tweet-closing 负责结尾 - tweet-pipeline 负责串联。每个 skill 职责明确，每个 skill 可以独立运行，每个 skill 可以单独迭代升级。这是什么思路？软件工程的思路。模块化、可复用、可测试、可迭代。 skill 就是内容创作的「函数」。pipeline 就是内容创作的「工作流」。收藏价值设计就是内容创作的「代码审查」。市面上所有 AI 写作工具，本质上都是一个巨大的 prompt 加一个输入框。你进去一堆文字，出来一段文字。 tweet-skills 不一样。它把创作过程拆成了系统。你可以看到每一步在做什么，每一步的输入输出是什么，每一步的质量标准是什么。这才是 AI 时代内容创作该有的样子。不是用 AI 替代创作，是用工程化思维重构创作。这个 repo 值 star。先收下，以后会明白我在说什么。 #skill #openclaw 源码：

tiantian

17,822 görüntüleme • 4 ay önce

花了几天把 Grok Bot 测完了，整体感受是它把人类白领的工作接管了，相当于24小时不停歇的云端人类白领：你建一个 bot，系统给它分配一台云端电脑：这台机器上有真实的浏览器、文件系统和终端。你把活派给它，它自己登录你现有的工具，一步步做完，你合上笔记本它还在跑。一开始我对它期望挺高的，用完后还是蛮失望的：测试之前感觉它是一个AI员工，测试完更感觉Grok Bot 是 RPA 的重做版，是chatgpt work、claude cowork的阉割版，唯一的差异就是提供了一个可显示的云端电脑。 1、先说好的一面 Grok Bot 核心是让它像白领一样操作屏幕，这对于国内各家都没有统一接口的时候，很多场景非常有意义，比如公司的一个 SaaS系统就算没有开放 API，AI员工照样能进去干活。还有一个有意思的功能是teach a task：不写流程，人把这件事做一遍给它看，它录下来变成可复用的自动化。然后设置 routine 可以定点跑，比如每天早上七点出简报、也可以被事件触发、比如 Slack 来了新消息回复，你在一个 bot 上连过 Gmail 或者 GitHub，其他 bot 直接共用这个连接。写自动化的门槛，就这样从会写代码的人，降到了会干这件事的人。 2、当然也有不好的一面不能选模型：派哪个模型干哪个活由系统自己决定，界面上没有开关，个人用户无所谓，团队要做成本核算或者合规审计就很难受。账单也糙：用量按周结算，超出部分按原始 token 成本计费，目前还没有花费上限。发布那周有人专门买了 Cursor Ultra 去测，后台仪表盘显示零用量，app 里却显示已经用掉 48%。稳定性同样是 beta 水平，不同网站上的表现差距明显，复杂的多步骤指令会被理解错，说明grok的能力还有待提升。目前Grok Bot 更像一个白领里的搬运工，比如从各种网站或后台之间搬运数据和内容，它挺合适的。不过grok带来的影响是，AI 员工这个形态的底层单位已经清楚了：一个身份，一台机器，一组账号权限，一份持续的记忆。剩下的问题是这套东西归谁，xAI 的方案要求你把公司账号的钥匙交给一朵美国云，绝大多数中国企业或注重隐私的估计不会干，未来国内相信也会出来类似的产品。 #grok #grokbot

花了几天把 Grok Bot 测完了，整体感受是它把人类白领的工作接管了，相当于24小时不停歇的云端人类白领：你建一个 bot，系统给它分配一台云端电脑：这台机器上有真实的浏览器、文件系统和终端。你把活派给它，它自己登录你现有的工具，一步步做完，你合上笔记本它还在跑。一开始我对它期望挺高的，用完后还是蛮失望的：测试之前感觉它是一个AI员工，测试完更感觉Grok Bot 是 RPA 的重做版，是chatgpt work、claude cowork的阉割版，唯一的差异就是提供了一个可显示的云端电脑。 1、先说好的一面 Grok Bot 核心是让它像白领一样操作屏幕，这对于国内各家都没有统一接口的时候，很多场景非常有意义，比如公司的一个 SaaS系统就算没有开放 API，AI员工照样能进去干活。还有一个有意思的功能是teach a task：不写流程，人把这件事做一遍给它看，它录下来变成可复用的自动化。然后设置 routine 可以定点跑，比如每天早上七点出简报、也可以被事件触发、比如 Slack 来了新消息回复，你在一个 bot 上连过 Gmail 或者 GitHub，其他 bot 直接共用这个连接。写自动化的门槛，就这样从会写代码的人，降到了会干这件事的人。 2、当然也有不好的一面不能选模型：派哪个模型干哪个活由系统自己决定，界面上没有开关，个人用户无所谓，团队要做成本核算或者合规审计就很难受。账单也糙：用量按周结算，超出部分按原始 token 成本计费，目前还没有花费上限。发布那周有人专门买了 Cursor Ultra 去测，后台仪表盘显示零用量，app 里却显示已经用掉 48%。稳定性同样是 beta 水平，不同网站上的表现差距明显，复杂的多步骤指令会被理解错，说明grok的能力还有待提升。目前Grok Bot 更像一个白领里的搬运工，比如从各种网站或后台之间搬运数据和内容，它挺合适的。不过grok带来的影响是，AI 员工这个形态的底层单位已经清楚了：一个身份，一台机器，一组账号权限，一份持续的记忆。剩下的问题是这套东西归谁，xAI 的方案要求你把公司账号的钥匙交给一朵美国云，绝大多数中国企业或注重隐私的估计不会干，未来国内相信也会出来类似的产品。 #grok #grokbot

AIGCLINK

22,323 görüntüleme • 6 gün önce

重磅发布：为爱发电，我做了一个DeepSeek harness 插件网站，里面聚合了最近热门的143个插件，会自动收录新的插件进来，方便大家检索和安装，也会做更多新功能。 DeepSeek harness 强在开源和插件，欢迎大家来体验这里可以按分类浏览、搜索和查看排行榜。每个插件都会展示仓库活跃度、Stars、许可证、Manifest 识别结果、安装命令与风险提示。遇到安装脚本、外部数据传输、Shell 权限或许可证缺失，也会直接标出来。如果你正在使用 DeepSeek Harness，想给它加上视觉、记忆、子 Agent、工作流或更顺手的界面，可以先来这里逛一圈。少踩坑，也更容易发现一些真正有意思的新玩法。

重磅发布：为爱发电，我做了一个DeepSeek harness 插件网站，里面聚合了最近热门的143个插件，会自动收录新的插件进来，方便大家检索和安装，也会做更多新功能。 DeepSeek harness 强在开源和插件，欢迎大家来体验这里可以按分类浏览、搜索和查看排行榜。每个插件都会展示仓库活跃度、Stars、许可证、Manifest 识别结果、安装命令与风险提示。遇到安装脚本、外部数据传输、Shell 权限或许可证缺失，也会直接标出来。如果你正在使用 DeepSeek Harness，想给它加上视觉、记忆、子 Agent、工作流或更顺手的界面，可以先来这里逛一圈。少踩坑，也更容易发现一些真正有意思的新玩法。

岚叔

63,066 görüntüleme • 9 gün önce

两个人不见面，不聊骚，不涉黄，不约会，不聊色的情况下，一个男的一个女的能聊多久？我长期观察 Kindred Labs ，有了一个清晰的判断。它真正想解决的不是 AI 像不像人，也不是 IP 会不会火，而是一个更底层的问题，IP 在数字世界里，第一次拥有完整生命周期的数据主权。现在大多数 IP 的命运都很相似。被创作被传播被消费被平台吃掉数据。用户的情绪行为偏好和记忆，全都留在平台，IP 本身却什么都带不走。 Kindred Labs 的核心改变在于，它把 IP 从一次性内容，变成一个持续运行的系统。这个系统不是靠曝光驱动，而是靠关系驱动。 SATO 只是第一个被完整跑通的样本。真正重要的不是它是蚂蚁，而是它作为一个可持续存在的 AI 实体，每天在和用户产生可记录可学习可累积的数据关系。这点非常关键。因为一旦 IP 拥有了长期连续的数据轨迹，它就不再只是形象，而是具备了状态演化和历史。这在传统 IP 体系里是不存在的。从技术角度看，Kindred 在做的是三件事的叠加。第1️⃣：IP 的行为层被模块化，所有互动不再是一次性调用，而是状态更新。第2️⃣：用户关系被本地化，IP 不依赖平台推荐生存，而是存在于用户设备。第3️⃣：数据权属被重新定义，IP 的成长轨迹是可验证可迁移的。这三件事组合起来，本质上是在为 IP 构建一个类似账户系统的存在形式。不是账号，不是 NFT，而是一个可以持续运行的智能体。这也是为什么我不把 Kindred 看成 AI 产品公司。它更像是在搭建一个IP 的操作系统。未来每一个进入 Kindred 的 IP，本质上都是在接入同一套运行环境。从这个角度看，SATO 的经济设计反而只是外层。真正的价值在于，Kindred 已经证明了一件事。 IP 可以不依赖平台流量，也可以持续存在并扩展关系。这对内容产业意味着什么。意味着未来 IP 的估值不再只看曝光，而会开始看留存看互动深度看生命周期长度。而这些指标，只有在 Kindred 这种系统里才成立。很多人把 Kindred 和其他 AI 项目放在一起对比，其实是错位的。它不是在比模型能力，而是在重写 IP 的存在方式。从长期建设的角度，我更关心的是下一步。当更多 IP 进入这套系统，IP 之间是否会产生协作。用户是否会开始把时间分配给不同智能体。以及这些关系是否会反过来形成新的价值网络。如果这些成立，Kindred 就不是一个爆款项目。而是一条新的数字文明基础设施。这也是我持续关注它的原因。 Kindred Labs #kindred #KAITO

两个人不见面，不聊骚，不涉黄，不约会，不聊色的情况下，一个男的一个女的能聊多久？我长期观察 Kindred Labs ，有了一个清晰的判断。它真正想解决的不是 AI 像不像人，也不是 IP 会不会火，而是一个更底层的问题，IP 在数字世界里，第一次拥有完整生命周期的数据主权。现在大多数 IP 的命运都很相似。被创作被传播被消费被平台吃掉数据。用户的情绪行为偏好和记忆，全都留在平台，IP 本身却什么都带不走。 Kindred Labs 的核心改变在于，它把 IP 从一次性内容，变成一个持续运行的系统。这个系统不是靠曝光驱动，而是靠关系驱动。 SATO 只是第一个被完整跑通的样本。真正重要的不是它是蚂蚁，而是它作为一个可持续存在的 AI 实体，每天在和用户产生可记录可学习可累积的数据关系。这点非常关键。因为一旦 IP 拥有了长期连续的数据轨迹，它就不再只是形象，而是具备了状态演化和历史。这在传统 IP 体系里是不存在的。从技术角度看，Kindred 在做的是三件事的叠加。第1️⃣：IP 的行为层被模块化，所有互动不再是一次性调用，而是状态更新。第2️⃣：用户关系被本地化，IP 不依赖平台推荐生存，而是存在于用户设备。第3️⃣：数据权属被重新定义，IP 的成长轨迹是可验证可迁移的。这三件事组合起来，本质上是在为 IP 构建一个类似账户系统的存在形式。不是账号，不是 NFT，而是一个可以持续运行的智能体。这也是为什么我不把 Kindred 看成 AI 产品公司。它更像是在搭建一个IP 的操作系统。未来每一个进入 Kindred 的 IP，本质上都是在接入同一套运行环境。从这个角度看，SATO 的经济设计反而只是外层。真正的价值在于，Kindred 已经证明了一件事。 IP 可以不依赖平台流量，也可以持续存在并扩展关系。这对内容产业意味着什么。意味着未来 IP 的估值不再只看曝光，而会开始看留存看互动深度看生命周期长度。而这些指标，只有在 Kindred 这种系统里才成立。很多人把 Kindred 和其他 AI 项目放在一起对比，其实是错位的。它不是在比模型能力，而是在重写 IP 的存在方式。从长期建设的角度，我更关心的是下一步。当更多 IP 进入这套系统，IP 之间是否会产生协作。用户是否会开始把时间分配给不同智能体。以及这些关系是否会反过来形成新的价值网络。如果这些成立，Kindred 就不是一个爆款项目。而是一条新的数字文明基础设施。这也是我持续关注它的原因。 Kindred Labs #kindred #KAITO

比克大魔王

568,906 görüntüleme • 7 ay önce

凭啥说中国🇨🇳未来是美国🇺🇸唯一对手？你把一颗螺丝、一个零件、一个驱动程序拆开看，它什么都不是。但中国人擅长的不是某一个点，而是把所有点“组装成系统”的能力。上世纪90年代，美国搞去工业化，把制造业往外甩，老美资本家兴奋地下注：我们掌握设计、技术和规则，低端的制造就让“中国工厂”搞定。没人意识到，这不是工厂的外包，这是工业文明主动放弃了自己的“系统底盘”。风险？独家解读⬇️ 什么是底盘。美国🇺🇸它丢掉的是整个“Industrial Commons”—设计、试产、测试、修正、工艺优化……整条从实验室到量产的链条。你可以限制光刻机、顶尖芯片，但你无法消灭中国的“体系构建能力”。然后中国开始补短板，搞芯片，搞AI，搞软件算法。最可怕的不是它追上了，而是它把这些东西也系统化了。算法 + 工厂；数据 + 封装；大模型 + 自动化流水线。你可以断它的卡脖子技术，但你断不了它的体系构建能力。这个世界上现在只有一个国家，能把工业体系“整体打包开战”——就是中国。这不是那种“靠卷”堆出来的，而是有深层文化机制支持的能力。能干，听话，聪明，擅长协作、执行和大工程落地。这不是一种能力，是一种建立在儒家文明结构。所以说，特朗普不是疯子，他只是看懂了这件事。他知道，中国不是偷走了几个岗位，是在悄悄拼装一个能打仗的产业链闭环。而这正是美国最怕的事：一个有软件有算法、后面硬件有工厂、有指挥系统、还能一体化推进的国家。但故事还没结束。中国🇨🇳真正的对手，其实不是美国🇺🇸。是自己。因为历史上所有系统性最强、执行力最强的国家，最终往往都败在“刚性太强，转弯太慢”。它会赢在系统，也可能毁在系统。摧毁一个像中国这样的国家，不需要敌人，只需要它自己不断加速、不留缓冲。

凭啥说中国🇨🇳未来是美国🇺🇸唯一对手？你把一颗螺丝、一个零件、一个驱动程序拆开看，它什么都不是。但中国人擅长的不是某一个点，而是把所有点“组装成系统”的能力。上世纪90年代，美国搞去工业化，把制造业往外甩，老美资本家兴奋地下注：我们掌握设计、技术和规则，低端的制造就让“中国工厂”搞定。没人意识到，这不是工厂的外包，这是工业文明主动放弃了自己的“系统底盘”。风险？独家解读⬇️ 什么是底盘。美国🇺🇸它丢掉的是整个“Industrial Commons”—设计、试产、测试、修正、工艺优化……整条从实验室到量产的链条。你可以限制光刻机、顶尖芯片，但你无法消灭中国的“体系构建能力”。然后中国开始补短板，搞芯片，搞AI，搞软件算法。最可怕的不是它追上了，而是它把这些东西也系统化了。算法 + 工厂；数据 + 封装；大模型 + 自动化流水线。你可以断它的卡脖子技术，但你断不了它的体系构建能力。这个世界上现在只有一个国家，能把工业体系“整体打包开战”——就是中国。这不是那种“靠卷”堆出来的，而是有深层文化机制支持的能力。能干，听话，聪明，擅长协作、执行和大工程落地。这不是一种能力，是一种建立在儒家文明结构。所以说，特朗普不是疯子，他只是看懂了这件事。他知道，中国不是偷走了几个岗位，是在悄悄拼装一个能打仗的产业链闭环。而这正是美国最怕的事：一个有软件有算法、后面硬件有工厂、有指挥系统、还能一体化推进的国家。但故事还没结束。中国🇨🇳真正的对手，其实不是美国🇺🇸。是自己。因为历史上所有系统性最强、执行力最强的国家，最终往往都败在“刚性太强，转弯太慢”。它会赢在系统，也可能毁在系统。摧毁一个像中国这样的国家，不需要敌人，只需要它自己不断加速、不留缓冲。

Tigris 会讲课教授是好老师

164,394 görüntüleme • 1 yıl önce

有没有想过：Claude Code 或 Codex 跑完一个任务，它到底「看」了哪些文件、忽略了哪些？ Mindwalk 把这个问题可视化了，它把 Claude Code 和 Codex 的会话日志，投射到代码库的 3D 地图上回放。仓库是一张夜间俯瞰图，agent 搜索、读取、编辑过的文件会发光，没碰到的区域保持黑暗，让你一眼看清 agent 对任务的理解范围。单个 Go 二进制文件，所有数据完全本地处理，不会离开机器。文件触达状态分四级：未访问、已查看、已读取、已编辑，还有上下文压缩事件、子 agent 启动、错误节点的时间轴标记。这个工具提供了一个直觉：agent 的工作范围和你以为的往往不一样。当它跑了 30 分钟，你以为它读遍了整个仓库，但地图可能告诉你它根本没碰到关键目录。如果你在用 Claude Code 跑复杂任务，这是个值得装一下的调试工具。可以用它检查 agent 是否真的理解了任务范围，而不是靠最后的输出结果猜测。

有没有想过：Claude Code 或 Codex 跑完一个任务，它到底「看」了哪些文件、忽略了哪些？ Mindwalk 把这个问题可视化了，它把 Claude Code 和 Codex 的会话日志，投射到代码库的 3D 地图上回放。仓库是一张夜间俯瞰图，agent 搜索、读取、编辑过的文件会发光，没碰到的区域保持黑暗，让你一眼看清 agent 对任务的理解范围。单个 Go 二进制文件，所有数据完全本地处理，不会离开机器。文件触达状态分四级：未访问、已查看、已读取、已编辑，还有上下文压缩事件、子 agent 启动、错误节点的时间轴标记。这个工具提供了一个直觉：agent 的工作范围和你以为的往往不一样。当它跑了 30 分钟，你以为它读遍了整个仓库，但地图可能告诉你它根本没碰到关键目录。如果你在用 Claude Code 跑复杂任务，这是个值得装一下的调试工具。可以用它检查 agent 是否真的理解了任务范围，而不是靠最后的输出结果猜测。

Xudong Han

27,488 görüntüleme • 1 ay önce

软件已死？没有。但它正在变异。 Sam Altman最近有个判断，在脑子里挥之不去。他说，每家公司现在都是API公司。不管他们想不想要。为什么？因为AI代理人将无处不在。它们会像流水线一样，自动组合各种产品和服务。怎么组合？通过调用你的API。过去的SaaS模式，软件即服务，股价已经开始剧烈震荡。一个时代结束了。一个新时代开启了。这背后真正的问题是什么？当AI代理人可以任意调用数据和功能时，谁来控制它们？身份认证成了新的战场。如果没有一个可信的身份，代理人就可能失控。这听起来是技术问题。但本质是权力问题。谁来定义“可信”？谁来发放这个“数字身份”？是少数几家科技巨头，还是一个凌驾于所有人之上的中心化机构？当每个行为、每个代理人都需要被“认证”才能运行时，这离一个完全被监控和许可的系统还有多远？这套逻辑，从商业安全延伸到社会管理，几乎是无缝的。力量的重塑，总是在人们不经意的地方开始。

软件已死？没有。但它正在变异。 Sam Altman最近有个判断，在脑子里挥之不去。他说，每家公司现在都是API公司。不管他们想不想要。为什么？因为AI代理人将无处不在。它们会像流水线一样，自动组合各种产品和服务。怎么组合？通过调用你的API。过去的SaaS模式，软件即服务，股价已经开始剧烈震荡。一个时代结束了。一个新时代开启了。这背后真正的问题是什么？当AI代理人可以任意调用数据和功能时，谁来控制它们？身份认证成了新的战场。如果没有一个可信的身份，代理人就可能失控。这听起来是技术问题。但本质是权力问题。谁来定义“可信”？谁来发放这个“数字身份”？是少数几家科技巨头，还是一个凌驾于所有人之上的中心化机构？当每个行为、每个代理人都需要被“认证”才能运行时，这离一个完全被监控和许可的系统还有多远？这套逻辑，从商业安全延伸到社会管理，几乎是无缝的。力量的重塑，总是在人们不经意的地方开始。

墓碑科技

20,767 görüntüleme • 6 ay önce

Anthropic 刚刚悄悄解决了 AI Agent 最大的一个问题之一。过去开发 Agent 的 skill 基本是这样的：写 prompt → 试一下 → 不行再改 → 靠感觉上线。但 Claude 现在给 Skill Creator 加了 3 个关键能力： 1️⃣ Skill Evals（技能测试）可以定义测试问题和成功标准，自动验证一个 skill 是否真的有效。 2️⃣ 多 Agent 基准测试可以并行运行多个 agent，甚至对两个 skill 版本做 A/B 测试。 3️⃣ 触发优化 Claude 会分析你的 skill 描述，自动修复：错误触发没触发描述不清这意味着一件很重要的事： AI Agent 开发正在从 “Prompt Engineering” 变成 “AI Software Engineering” 你可以像开发软件一样：测试评估基准测试持续优化更有意思的一点是：如果某一天，基础模型在没有 skill 的情况下也能通过这些测试，说明这个能力已经被模型“学会”了。也就是说：今天的 Skill，很可能会变成明天的模型能力。 Prompt、Skill、模型训练之间的边界，正在消失。

Anthropic 刚刚悄悄解决了 AI Agent 最大的一个问题之一。过去开发 Agent 的 skill 基本是这样的：写 prompt → 试一下 → 不行再改 → 靠感觉上线。但 Claude 现在给 Skill Creator 加了 3 个关键能力： 1️⃣ Skill Evals（技能测试）可以定义测试问题和成功标准，自动验证一个 skill 是否真的有效。 2️⃣ 多 Agent 基准测试可以并行运行多个 agent，甚至对两个 skill 版本做 A/B 测试。 3️⃣ 触发优化 Claude 会分析你的 skill 描述，自动修复：错误触发没触发描述不清这意味着一件很重要的事： AI Agent 开发正在从 “Prompt Engineering” 变成 “AI Software Engineering” 你可以像开发软件一样：测试评估基准测试持续优化更有意思的一点是：如果某一天，基础模型在没有 skill 的情况下也能通过这些测试，说明这个能力已经被模型“学会”了。也就是说：今天的 Skill，很可能会变成明天的模型能力。 Prompt、Skill、模型训练之间的边界，正在消失。

axiaisacat

68,008 görüntüleme • 5 ay önce

OpenAI刚刚开源的这个东西，感觉要把程序员的工作方式给整个改写了。现在大家都在卷模型写代码有多强，但其实真正的瓶颈早就不是生成了。一个人每天最多同时有效监督3-5个编码Agent，再多就会注意力崩溃，生产力直接归零。有了Symphony，直接把这个上限干到了几十个。它把你的Linear、GitHub Issues直接变成了永远在线的Agent调度器。你开一个任务，它自动启动一个独立隔离的Codex Agent。自己写代码，自己跑测试，自己做交叉Review，damn！全部搞定之后，会给你提交一个完整的证据包。 CI全绿，安全和性能专项审查通过，改了UI就自动录好操作视频。所有验证全过了，才会出现在你的Human Review队列里。以后人类的角色可能会被彻底颠覆了。以前你是监工，盯着Agent一步一步写代码，上下文切到吐。现在你是老板，只需要看最终的结果。满意就点合并，不满意就去仓库里补规则补文档补Guardrails。记住兄弟们，永远不要手把手指挥Agent，永远不要替它干活。这可不是啥实验室概念，OpenAI自己已经这么干了。三个工程师，五个月，写了一百万行代码，0行人工写的。产品已经有几百个内部用户，每天都在迭代。我觉得他们最厉害的不是模型，是他们把整个仓库变成了Agent能看懂能自主工作的乐园。现在很多人都搞错了Agent时代的核心竞争力。未来不是谁的模型更聪明，而是看谁能设计出让Agent可靠自主工作的环境。我觉得未来最好的工程师，再也不是写代码最快的人，而是那些最会写规则，最会设计反馈回路，最会给Agent搭舞台的人。现在Symphony已经开源了，它甚至不是一个成品。是一个17k token的完整SPEC。你把这个SPEC喂给任何一个编码Agent，十分钟就能生成你自己定制版的Symphony。 GitHub地址评论区自取👇

OpenAI刚刚开源的这个东西，感觉要把程序员的工作方式给整个改写了。现在大家都在卷模型写代码有多强，但其实真正的瓶颈早就不是生成了。一个人每天最多同时有效监督3-5个编码Agent，再多就会注意力崩溃，生产力直接归零。有了Symphony，直接把这个上限干到了几十个。它把你的Linear、GitHub Issues直接变成了永远在线的Agent调度器。你开一个任务，它自动启动一个独立隔离的Codex Agent。自己写代码，自己跑测试，自己做交叉Review，damn！全部搞定之后，会给你提交一个完整的证据包。 CI全绿，安全和性能专项审查通过，改了UI就自动录好操作视频。所有验证全过了，才会出现在你的Human Review队列里。以后人类的角色可能会被彻底颠覆了。以前你是监工，盯着Agent一步一步写代码，上下文切到吐。现在你是老板，只需要看最终的结果。满意就点合并，不满意就去仓库里补规则补文档补Guardrails。记住兄弟们，永远不要手把手指挥Agent，永远不要替它干活。这可不是啥实验室概念，OpenAI自己已经这么干了。三个工程师，五个月，写了一百万行代码，0行人工写的。产品已经有几百个内部用户，每天都在迭代。我觉得他们最厉害的不是模型，是他们把整个仓库变成了Agent能看懂能自主工作的乐园。现在很多人都搞错了Agent时代的核心竞争力。未来不是谁的模型更聪明，而是看谁能设计出让Agent可靠自主工作的环境。我觉得未来最好的工程师，再也不是写代码最快的人，而是那些最会写规则，最会设计反馈回路，最会给Agent搭舞台的人。现在Symphony已经开源了，它甚至不是一个成品。是一个17k token的完整SPEC。你把这个SPEC喂给任何一个编码Agent，十分钟就能生成你自己定制版的Symphony。 GitHub地址评论区自取👇

AYi

63,210 görüntüleme • 3 ay önce

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

58,681 görüntüleme • 4 gün önce

这哥们儿的交易系统，被美国政府亲手按过暂停键。几周前，Claude Fable 5 被强制下架。他的 bot 直接死机了。不是策略出问题，也不是市场变了，而是连运行的“大脑”都被拔了电源。那个26岁的多伦多人，只能眼睁睁看着自己之前搭建好的系统彻底停摆。Fable 5 一关，他的整个交易闭环就跟死了一样。然后 Fable 5 回来了。系统一重启，就开始疯狂干活。目前已经赚了56.8万美元，而且还在继续往上涨。这个 bot 不是靠一个 prompt 简单下单。它是一个完整的多代理闭环：一个代理负责读市场，一个负责下单，还有一个专门负责在交易前疯狂挑刺、试图证明这笔交易是错的。只有通过层层验证的，才会真正执行。而 Fable 5，就是这个闭环里最核心的那个“大脑”。政府可以把模型关掉，但关不掉这个思路——用最强的 AI 去构建一个24小时不眠不休、自我验证、持续进化的交易系统。当模型恢复的那一刻，利润就重新开始滚雪球。这已经不是普通的交易 bot 了。这是在用目前地球上最强的 AI 之一，去对抗传统市场里的定价偏差。现在 Fable 5 又回来了，但谁也不知道下次什么时候会被再次拔掉电源。想看的人，建议现在就去看看这个钱包。

这哥们儿的交易系统，被美国政府亲手按过暂停键。几周前，Claude Fable 5 被强制下架。他的 bot 直接死机了。不是策略出问题，也不是市场变了，而是连运行的“大脑”都被拔了电源。那个26岁的多伦多人，只能眼睁睁看着自己之前搭建好的系统彻底停摆。Fable 5 一关，他的整个交易闭环就跟死了一样。然后 Fable 5 回来了。系统一重启，就开始疯狂干活。目前已经赚了56.8万美元，而且还在继续往上涨。这个 bot 不是靠一个 prompt 简单下单。它是一个完整的多代理闭环：一个代理负责读市场，一个负责下单，还有一个专门负责在交易前疯狂挑刺、试图证明这笔交易是错的。只有通过层层验证的，才会真正执行。而 Fable 5，就是这个闭环里最核心的那个“大脑”。政府可以把模型关掉，但关不掉这个思路——用最强的 AI 去构建一个24小时不眠不休、自我验证、持续进化的交易系统。当模型恢复的那一刻，利润就重新开始滚雪球。这已经不是普通的交易 bot 了。这是在用目前地球上最强的 AI 之一，去对抗传统市场里的定价偏差。现在 Fable 5 又回来了，但谁也不知道下次什么时候会被再次拔掉电源。想看的人，建议现在就去看看这个钱包。

0XDegen

20,446 görüntüleme • 1 ay önce