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。

Hermes Agent真的比OpenClaw更好吗？今天我们面对面实测对比！左OpenClaw，右Hermes Agent，我们反复问同一个问题，不断纠错同一个地方： 1. 测试两边的回答质量/消耗token数量 2.显性的要求记住，两者记忆逻辑有何不同 3.隐形的纠错/提要求，谁能主动get到沉淀下来实测完之后会讲：原理+如何从OpenClaw迁移到Hermes Agent 👇👇 时间戳 00:00 开场与实验设置 00:50 第一轮实测 01:29 显性记忆测试 02:42 文件对比 03:29 连续纠错测试 05:05 Hermes 学会了 05:56 原理解释 08:50 安装 Hermes Agent 10:08 从 OpenClaw 迁移 10:55 总结

木子不写代码

22,753 subscribers

43,196 次观看 • 4 个月前 •via X (Twitter)

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

最近Hermes Agent 爆火，OpenClaw 过时了？现在真实发生的是 AI Agent 正在分成两条路一条是 OpenClaw 这类：系统派 - 强调多 Agent 调度 - 强调工具链、权限、流程控制 - 更像一个AI操作系统本质是：让 AI 更好地“干活” 另一条是 Hermes：进化派 - 强调长期记忆 - 强调自我学习、技能沉淀 - 用得越久越强本质是：让 AI 自己变强很多人觉得 Hermes 更高级是因为它解决了一个痛点： AI 不再用完就忘但这不代表 OpenClaw 没价值 OpenClaw 解决的是另一件更硬的事：多系统、多工具、多人协作的控制问题有人这样用 Hermes 当大脑，OpenClaw 当执行层下面是Hermes的安装文档

最近Hermes Agent 爆火，OpenClaw 过时了？现在真实发生的是 AI Agent 正在分成两条路一条是 OpenClaw 这类：系统派 - 强调多 Agent 调度 - 强调工具链、权限、流程控制 - 更像一个AI操作系统本质是：让 AI 更好地“干活” 另一条是 Hermes：进化派 - 强调长期记忆 - 强调自我学习、技能沉淀 - 用得越久越强本质是：让 AI 自己变强很多人觉得 Hermes 更高级是因为它解决了一个痛点： AI 不再用完就忘但这不代表 OpenClaw 没价值 OpenClaw 解决的是另一件更硬的事：多系统、多工具、多人协作的控制问题有人这样用 Hermes 当大脑，OpenClaw 当执行层下面是Hermes的安装文档

HankAI

36,913 次观看 • 4 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

161,425 次观看 • 2 个月前

这是一个零基础的OpenClaw系统教程，也是一个对往期视频教程的合集串联和总结。从选电脑，到安装openclaw，到连接聊天软件，到openclaw最基础的心跳和定时机制，再到如何让openclaw为你在浏览器上工作，然后我们会讲如何将token的消耗降低95%，以低消耗为底气，我们开始打造的ai团队。为了更好的了解openclaw和多agent的工作状况和成本消耗，我们还会看如何使用openclaw可视化控制中心。完整视频👇 时间戳： 00:00 零基础教程简介与导言 00:38 选机器与安装Openclaw 10:52 浏览器自动化 25:35 降低95%成本 33:54 打造你的AI Agent团队 47:48 监控管理：Openclaw控制中心 52:35 总结与预告

这是一个零基础的OpenClaw系统教程，也是一个对往期视频教程的合集串联和总结。从选电脑，到安装openclaw，到连接聊天软件，到openclaw最基础的心跳和定时机制，再到如何让openclaw为你在浏览器上工作，然后我们会讲如何将token的消耗降低95%，以低消耗为底气，我们开始打造的ai团队。为了更好的了解openclaw和多agent的工作状况和成本消耗，我们还会看如何使用openclaw可视化控制中心。完整视频👇 时间戳： 00:00 零基础教程简介与导言 00:38 选机器与安装Openclaw 10:52 浏览器自动化 25:35 降低95%成本 33:54 打造你的AI Agent团队 47:48 监控管理：Openclaw控制中心 52:35 总结与预告

木子不写代码

193,233 次观看 • 5 个月前

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 次观看 • 5 个月前

从国产SOTA走向世界SOTA? GLM-5.1 实测! 给大家带来 GLM-5.1 编程能力实测! 本次测试涵盖了前端, 后端, Agent 能力, 前端主要面向空间建模, 场景, 材质, 粒子效果等, 后端能力主要面向数据结构与算法, 体系结构, 性能优化, 内存和并发管理, 性能热点分析与调优, 面向编辑器方向的Agent能力(因为AI要自己改代码). 直接说结论, 本次测试前端方面粒子效果和光影鲜果略有提升, 剩下空间理解(甚至感觉下降了)和前端美学上没看到有什么提升, 只能说是提升了一点点. 但是后端性能上有巨大的提升, GLM-5.1 在我的 vector-db-bench 中直接秀了一手量化, 把原本32bit精度的数据量化到了8bit, 然后使用SIMD实现了一个指令周期内计算32个向量, 在我测试的其他模型中(包括Claude-opus-4.6, GPT-5.4-Pro(xhigh)) 都没有实现, 直接来到了榜首. 另外Agent能力上也有不小的提升, 同样是我写的让大模型模拟送外卖的硅基骑手测试, 其他大模型的优化还停留在看一个店能不能取两单上, GLM-5.1 已经优化到了我送餐的顺路还能再接一单, 并且仅用了大概GLM-5 1/4的 token 用量就超越了 GLM-5 的测试总分. 当然本次测试过程也很坎坷, 首先是我周末抢了2天都没抢到 coding plan (目前只有coding plan 能用这个模型), 我最后找智谱的同学给我开了个权限. 以及测试中发现白天API不是很稳定, 偶尔输出速度会掉到10tps, 以及会出现乱码文字(我的规避方法是让它输出英文, 然后再找个便宜模型翻译过来). 总结, 各位前端同学估计会失望, 因为无论是从工程还是页面效果上都看不到提升, 甚至可能会有点倒退, 但果写后端代码或者复杂Agent应用可以试试这个新模型, 会有很大的提升. #GLM51 #智谱 #GLM #AIAgent #大模型编程

从国产SOTA走向世界SOTA? GLM-5.1 实测! 给大家带来 GLM-5.1 编程能力实测! 本次测试涵盖了前端, 后端, Agent 能力, 前端主要面向空间建模, 场景, 材质, 粒子效果等, 后端能力主要面向数据结构与算法, 体系结构, 性能优化, 内存和并发管理, 性能热点分析与调优, 面向编辑器方向的Agent能力(因为AI要自己改代码). 直接说结论, 本次测试前端方面粒子效果和光影鲜果略有提升, 剩下空间理解(甚至感觉下降了)和前端美学上没看到有什么提升, 只能说是提升了一点点. 但是后端性能上有巨大的提升, GLM-5.1 在我的 vector-db-bench 中直接秀了一手量化, 把原本32bit精度的数据量化到了8bit, 然后使用SIMD实现了一个指令周期内计算32个向量, 在我测试的其他模型中(包括Claude-opus-4.6, GPT-5.4-Pro(xhigh)) 都没有实现, 直接来到了榜首. 另外Agent能力上也有不小的提升, 同样是我写的让大模型模拟送外卖的硅基骑手测试, 其他大模型的优化还停留在看一个店能不能取两单上, GLM-5.1 已经优化到了我送餐的顺路还能再接一单, 并且仅用了大概GLM-5 1/4的 token 用量就超越了 GLM-5 的测试总分. 当然本次测试过程也很坎坷, 首先是我周末抢了2天都没抢到 coding plan (目前只有coding plan 能用这个模型), 我最后找智谱的同学给我开了个权限. 以及测试中发现白天API不是很稳定, 偶尔输出速度会掉到10tps, 以及会出现乱码文字(我的规避方法是让它输出英文, 然后再找个便宜模型翻译过来). 总结, 各位前端同学估计会失望, 因为无论是从工程还是页面效果上都看不到提升, 甚至可能会有点倒退, 但果写后端代码或者复杂Agent应用可以试试这个新模型, 会有很大的提升. #GLM51 #智谱 #GLM #AIAgent #大模型编程

karminski-牙医

19,683 次观看 • 4 个月前

概念不错，一款LLM通用记忆MCP：Supermemory MCP，作用是让不同的AI，比如ChatGPT、Windsurf、Claude等之间可以共享上下文也就是说你与一个LLM的对话内容可以被其他LLM访问和使用，实现更连贯的对话体验目前，它的记忆只基于用户与LLM的互动更新，或许扩展到连接Google Drive、Notion等个人应用其使用按需搜索和检索方式，远程存储，本身没有上下文大小的限制，理论上可以提供近乎无限的上下文这个工具解决了不同AI之间记忆割裂的问题，Supermemory MCP相当于提供了一个统一的记忆解决方案，可以实现在不同AI之间共享和延续对话 #AI记忆共享 #MCP #AI记忆工具

概念不错，一款LLM通用记忆MCP：Supermemory MCP，作用是让不同的AI，比如ChatGPT、Windsurf、Claude等之间可以共享上下文也就是说你与一个LLM的对话内容可以被其他LLM访问和使用，实现更连贯的对话体验目前，它的记忆只基于用户与LLM的互动更新，或许扩展到连接Google Drive、Notion等个人应用其使用按需搜索和检索方式，远程存储，本身没有上下文大小的限制，理论上可以提供近乎无限的上下文这个工具解决了不同AI之间记忆割裂的问题，Supermemory MCP相当于提供了一个统一的记忆解决方案，可以实现在不同AI之间共享和延续对话 #AI记忆共享 #MCP #AI记忆工具

AIGCLINK

24,415 次观看 • 1 年前

KAT-Coder-Pro-V1 实测! 早放3个月就好了? 给大家带来 kat coder pro v1 的测试结果: 首先, 所有的 three js 测试, 全都有包引用错误, 你所看到的所有演示都是我修了一次才能运行的画面. 大象牙膏测试中，三角烧瓶, 液面, 粒子建模的效果比较简陋, 泡沫没有实现逐渐变形并消失的效果, 光照效果也一般, 总体来说实现效果很简陋. 过山车测试, 同样是实现效果很简陋, 另外支撑柱的算法没有设计对, 还是穿模了. 鞭炮连锁爆炸测试, 亮点的地方是还是可以实现连锁爆炸的, 不过性能有很严重的问题, 特别卡 python 杯子倒水测试反而实现的很不错, prompt 中要求的效果基本都实现了. 总结: 前端性能目前看来一般, 大概是7月份那一波大模型的腰部水平, python 性能反而可圈可点. 建议继续打磨, 很高兴看到国产编码大模型又添一员. 早点放出来就好了呀! 这个性能在7月份是可以一战的！另外, 官网演示还用了我7月份写的炸烟囱的 prompt, 但是这个 prompt 已经被我淘汰了, 因为现在头部大模型都能很轻松完成这个测试了. 建议换一些更复杂的体现模型性能. #katcoder #KCORES大模型竞技场

KAT-Coder-Pro-V1 实测! 早放3个月就好了? 给大家带来 kat coder pro v1 的测试结果: 首先, 所有的 three js 测试, 全都有包引用错误, 你所看到的所有演示都是我修了一次才能运行的画面. 大象牙膏测试中，三角烧瓶, 液面, 粒子建模的效果比较简陋, 泡沫没有实现逐渐变形并消失的效果, 光照效果也一般, 总体来说实现效果很简陋. 过山车测试, 同样是实现效果很简陋, 另外支撑柱的算法没有设计对, 还是穿模了. 鞭炮连锁爆炸测试, 亮点的地方是还是可以实现连锁爆炸的, 不过性能有很严重的问题, 特别卡 python 杯子倒水测试反而实现的很不错, prompt 中要求的效果基本都实现了. 总结: 前端性能目前看来一般, 大概是7月份那一波大模型的腰部水平, python 性能反而可圈可点. 建议继续打磨, 很高兴看到国产编码大模型又添一员. 早点放出来就好了呀! 这个性能在7月份是可以一战的！另外, 官网演示还用了我7月份写的炸烟囱的 prompt, 但是这个 prompt 已经被我淘汰了, 因为现在头部大模型都能很轻松完成这个测试了. 建议换一些更复杂的体现模型性能. #katcoder #KCORES大模型竞技场

karminski-牙医

25,271 次观看 • 9 个月前

腾讯放大招啦！不用再担心烧 Token 啦！不用担心 Agent 失忆啦！腾讯历时 6 个月精心打磨，直接开源了 TencentDB-Agent-Memory —— 一个专为 AI Agent 打造的分层记忆引擎！核心亮点如下： · 符号化短期记忆 + 四层长期记忆（L0原始对话 → L1原子事实 → L2结构化总结 → L3用户画像） · 最高压缩 61% Token，长任务成功率直接起飞 · 支持跨会话持续懂你，记住你的工作流、偏好和历史经验 · 零外部依赖，本地就能全量部署，MIT协议随便玩 · 特别适配 OpenClaw、Hermes 等主流 Agent 框架，一键集成地址：感兴趣的朋友们可以去试试哦～dyor

腾讯放大招啦！不用再担心烧 Token 啦！不用担心 Agent 失忆啦！腾讯历时 6 个月精心打磨，直接开源了 TencentDB-Agent-Memory —— 一个专为 AI Agent 打造的分层记忆引擎！核心亮点如下： · 符号化短期记忆 + 四层长期记忆（L0原始对话 → L1原子事实 → L2结构化总结 → L3用户画像） · 最高压缩 61% Token，长任务成功率直接起飞 · 支持跨会话持续懂你，记住你的工作流、偏好和历史经验 · 零外部依赖，本地就能全量部署，MIT协议随便玩 · 特别适配 OpenClaw、Hermes 等主流 Agent 框架，一键集成地址：感兴趣的朋友们可以去试试哦～dyor

爱丽丝呀！

89,876 次观看 • 3 个月前

给大家带来 MiniMax-M3 实测! 本次测试包含了复杂前端, 后端 Agentic Coding, Agent 能力测试, 以及我的使用经验总结. 来看结论: 前端能力上, 可以完全适配 KCORES2026p2 的前端测试题目, 无论是空间理解, 建模精确度, 场景美学都十分在线, 其中我最满意的是美学部分, 它的颜色运用非常好. 不足的地方主要体现在复杂需求不能一次性写对(比如光追引擎), 需要迭代一下就可以了. 后端能力测试这次也是突飞猛进, 得分超过了 deepseek-v4-pro 和其他一众国产大模型, 略逊于 GPT-5.4-Pro(xhigh). Agent 能力上表现同样亮眼, 达成了榜单第二的接单量, 证明它的规划能力特别强。下面是我在测试和实际使用中, 总结出来的 M3 使用经验, 供大家参考: 我的体感是 M3 特别喜欢推理, 它可以单次执行超长的推理. 在咱们的这些前端测试中, 它最长的输出甚至达到了我规定的 64k token上限, 所以, 不要上来就写一个超级复杂的 prompt 让它执行, 而是需要先把需求形成 plan, 然后让 agent 蜂群去执行, 这样才能得到理想的效果, 所以 M3 先天适合放在带 plan 模式的 Coding Agent 中使用. 如果把它嵌入到 Agent 框架中使用, 那么 prompt 编排就一定要做好, 不要一股脑把大量的 tool call 或者超大的 system prompt 丢给它. 还是需要下功夫好好编排一下的. 本次 M3 相比之前的 2.7 版本有了大幅度的提升, 模型偏好上来看, M3 是一个规划能力极强的模型, 所以特别适合用在一些规划性质的 Agent 框架中, 比如任务拆分, 日程管理, 流程设计等. 而本次暴露出来的不足则是执行过程中约束不够强, 比如 prompt 中设置的复杂规则, 一定要增加代码级别的 harness 闭环流程来进行约束, 而不能只靠模型本身来管理自己的行为. #minimaxm3 #minimax #agenticcoding #aiagent #harness

给大家带来 MiniMax-M3 实测! 本次测试包含了复杂前端, 后端 Agentic Coding, Agent 能力测试, 以及我的使用经验总结. 来看结论: 前端能力上, 可以完全适配 KCORES2026p2 的前端测试题目, 无论是空间理解, 建模精确度, 场景美学都十分在线, 其中我最满意的是美学部分, 它的颜色运用非常好. 不足的地方主要体现在复杂需求不能一次性写对(比如光追引擎), 需要迭代一下就可以了. 后端能力测试这次也是突飞猛进, 得分超过了 deepseek-v4-pro 和其他一众国产大模型, 略逊于 GPT-5.4-Pro(xhigh). Agent 能力上表现同样亮眼, 达成了榜单第二的接单量, 证明它的规划能力特别强。下面是我在测试和实际使用中, 总结出来的 M3 使用经验, 供大家参考: 我的体感是 M3 特别喜欢推理, 它可以单次执行超长的推理. 在咱们的这些前端测试中, 它最长的输出甚至达到了我规定的 64k token上限, 所以, 不要上来就写一个超级复杂的 prompt 让它执行, 而是需要先把需求形成 plan, 然后让 agent 蜂群去执行, 这样才能得到理想的效果, 所以 M3 先天适合放在带 plan 模式的 Coding Agent 中使用. 如果把它嵌入到 Agent 框架中使用, 那么 prompt 编排就一定要做好, 不要一股脑把大量的 tool call 或者超大的 system prompt 丢给它. 还是需要下功夫好好编排一下的. 本次 M3 相比之前的 2.7 版本有了大幅度的提升, 模型偏好上来看, M3 是一个规划能力极强的模型, 所以特别适合用在一些规划性质的 Agent 框架中, 比如任务拆分, 日程管理, 流程设计等. 而本次暴露出来的不足则是执行过程中约束不够强, 比如 prompt 中设置的复杂规则, 一定要增加代码级别的 harness 闭环流程来进行约束, 而不能只靠模型本身来管理自己的行为. #minimaxm3 #minimax #agenticcoding #aiagent #harness

karminski-牙医

18,950 次观看 • 2 个月前

卧槽，AI 现在已经可以完全模拟真实人类的消费行为了啊。我其实一直在关注一个模拟真实消费者行为的智能体atypica.AI，刚刷到他们的产品案例让我挺震惊的：国内有个美妆品牌做了组香水电商图测试，拿了五张图来测，同时跑传统的真人测试和 Atypica 的 AI 人设测试。结果两边的排序结果完全一致！关键是两边的成本差距是 100 倍，Atypica 的价格不到传统测试的 1% 而且它出的报告还更具体，还会解释 AI 人设为什么选这张、其他图分别适合放在哪个场景里。原因是 Atypica 背后有 100 多万个合成用户，覆盖不同国家、不同行业、不同消费群体，相当于你随时有一个免费的用户决策智库。目前注册就有 100 万免费 token 可以体验，链接见评论区

卧槽，AI 现在已经可以完全模拟真实人类的消费行为了啊。我其实一直在关注一个模拟真实消费者行为的智能体atypica.AI，刚刷到他们的产品案例让我挺震惊的：国内有个美妆品牌做了组香水电商图测试，拿了五张图来测，同时跑传统的真人测试和 Atypica 的 AI 人设测试。结果两边的排序结果完全一致！关键是两边的成本差距是 100 倍，Atypica 的价格不到传统测试的 1% 而且它出的报告还更具体，还会解释 AI 人设为什么选这张、其他图分别适合放在哪个场景里。原因是 Atypica 背后有 100 多万个合成用户，覆盖不同国家、不同行业、不同消费群体，相当于你随时有一个免费的用户决策智库。目前注册就有 100 万免费 token 可以体验，链接见评论区

阿西_出海

26,543 次观看 • 2 个月前

龙虾专用大模型? GLM-5-Turbo 实测! 给大家带来刚发布的 GLM-5-Turbo 大模型实测, 官方说这是一个加强了 tool call/Agent 能力的大模型, 于是我使用它搭建了一个可以帮我比对大菠萝里面物品的SKILL, 可以帮我辅助判断我是应该把垃圾直接甩商店还是应该留着传三代哈哈哈. 另外本次也是老生常谈的测试了这个模型的基础能力, 包括前后端编程, 以及 Agent 能力, 测试结论是, 前端没有太大的提升, 不过后端提升明显, vector-db-bench 直接跃升到了国产模型SOTA, 另外 Agent 测试中, 虽然没有超过 GLM-5, 但是它的 token 效率特别高, 几乎是 GLM-5 的三倍, 所以只要约束好上下文轮次和长度, 就能在龙虾里面达到非常理想的效果. (P.S. 本次测试使用的是内测版本 pony-alpha-2) #GLM5Turbo #智谱 #GLM5 #AutoClaw #OpenClaw #龙虾

龙虾专用大模型? GLM-5-Turbo 实测! 给大家带来刚发布的 GLM-5-Turbo 大模型实测, 官方说这是一个加强了 tool call/Agent 能力的大模型, 于是我使用它搭建了一个可以帮我比对大菠萝里面物品的SKILL, 可以帮我辅助判断我是应该把垃圾直接甩商店还是应该留着传三代哈哈哈. 另外本次也是老生常谈的测试了这个模型的基础能力, 包括前后端编程, 以及 Agent 能力, 测试结论是, 前端没有太大的提升, 不过后端提升明显, vector-db-bench 直接跃升到了国产模型SOTA, 另外 Agent 测试中, 虽然没有超过 GLM-5, 但是它的 token 效率特别高, 几乎是 GLM-5 的三倍, 所以只要约束好上下文轮次和长度, 就能在龙虾里面达到非常理想的效果. (P.S. 本次测试使用的是内测版本 pony-alpha-2) #GLM5Turbo #智谱 #GLM5 #AutoClaw #OpenClaw #龙虾

karminski-牙医

41,275 次观看 • 5 个月前

我们给了两个 bot 各 $1,000，然后把它们同时扔进了 Polymarket 一个基于 Claude 另一个基于 OpenClaw 两边接的都是官方 Polymarket API 看到的是同样的市场、同样的事件、同样的价格 Demo mode 真实逻辑 48 小时全程不人为干预一开始的节奏就不一样 Claude 开始 4 分钟后就开了第一单 OpenClaw 分析了 22 分钟后才下第一笔第一天结束时，结果是： Claude：+$340 OpenClaw：-$87 当时我们还在想，这会不会只是运气到了第二天，差距开始变明显 OpenClaw 开始变激进仓位变大明显在尝试把亏损追回来但 Claude 没有变同样的逻辑同样的仓位同样的节奏 48 小时结束后的最终结果： Claude：+$612 OpenClaw：-$231 真正把 OpenClaw 拖死的，不是市场本身而是它在亏损后开始做了三件危险的事：情绪化交易试图回本临场改策略而 Claude 从头到尾都像机器一样执行。不追不急不自我怀疑也不试图翻本因为它本来就是机器现在下一步，就是把这套东西切到真实资金上跑。同样的市场同样的数据最后输赢差距，居然只是因为执行纪律你觉得在 Polymarket 里，真正最值钱的到底是模型，还是不乱改的纪律？

我们给了两个 bot 各 $1,000，然后把它们同时扔进了 Polymarket 一个基于 Claude 另一个基于 OpenClaw 两边接的都是官方 Polymarket API 看到的是同样的市场、同样的事件、同样的价格 Demo mode 真实逻辑 48 小时全程不人为干预一开始的节奏就不一样 Claude 开始 4 分钟后就开了第一单 OpenClaw 分析了 22 分钟后才下第一笔第一天结束时，结果是： Claude：+$340 OpenClaw：-$87 当时我们还在想，这会不会只是运气到了第二天，差距开始变明显 OpenClaw 开始变激进仓位变大明显在尝试把亏损追回来但 Claude 没有变同样的逻辑同样的仓位同样的节奏 48 小时结束后的最终结果： Claude：+$612 OpenClaw：-$231 真正把 OpenClaw 拖死的，不是市场本身而是它在亏损后开始做了三件危险的事：情绪化交易试图回本临场改策略而 Claude 从头到尾都像机器一样执行。不追不急不自我怀疑也不试图翻本因为它本来就是机器现在下一步，就是把这套东西切到真实资金上跑。同样的市场同样的数据最后输赢差距，居然只是因为执行纪律你觉得在 Polymarket 里，真正最值钱的到底是模型，还是不乱改的纪律？

0x_Miko

10,280 次观看 • 5 个月前

Qwen3.5实测!来看贺岁档大模型的实力! 贺岁档大模型来啦! Qwen3.5 这次支持了文本、图片、视频多模态输入, 本次准备了全新的后端能力测试! 以及照例带来前端能力、Agent、长上下文能力的全面测试! 来看本次新增的后端编程测试 vector DB Bench: 要求大模型从零实现一个高性能向量数据库, 只给提示词不给实现方案, 配合 coding agent 自动写代码、编译、跑分. 结果 Qwen3.5 直接甩出王炸 —— QPS 1405, 是 Kimi-K2.5 的 4.8 倍, GLM-5 的 25 倍! 关键在于它不仅用了 IVF 倒排索引 + AVX512F 指令集, 还在有限轮次内自主探索出了最优聚类参数 (K=2048, nprobe=30), 每次查询只需扫描约 15000 条数据, 而 Kimi-K2.5 的参数配比要扫描 75000 条, 正好解释了近 5 倍的性能差距. 这波调参堪称神之一手. 前端编程也有进步: 大象牙膏测试终于能正确建模三角烧瓶, 鞭炮连锁爆炸的粒子光影效果不错, 支持多模态后甚至可以对着网站录屏直接克隆. 但空间理解仍是短板, 陀飞轮机芯测试中齿轮设计暴露了差距. 指令遵循: 洛希极限测试中的指令遵循达到 85.9% (Gemini-3.0-Pro 为 90.6%), 主要扣分在未遵循加速曲线公式. Agent 能力: 硅基骑手测试得分 668.43, 仅次于 GLM-5 的 738.69, 也侧面解释了为什么后端编程 Agent 表现这么强. 长文本召回: 256K 上下文召回 99.1%, 但不给原文时四选一蒙对率高达 75.6%, 结果完全不置信. 总结: Qwen3.5 最亮眼的是后端编程能力, 同样的 IVF 算法靠调参拉开 5 倍差距, Agent 能力同样在线. 不过本次测试还发现了点小问题, 输出偶尔不太稳定, 会漏掉 markdown 语法或把答案输出到 thinking 标签里, 这点要注意, 目前我已经反馈给官方了. 这份新年礼物, 大家觉得怎么样? #Qwen #千问大模型 #Qwen35 #阿里千问 #通义实验室 #AIAgent #向量数据库

Qwen3.5实测!来看贺岁档大模型的实力! 贺岁档大模型来啦! Qwen3.5 这次支持了文本、图片、视频多模态输入, 本次准备了全新的后端能力测试! 以及照例带来前端能力、Agent、长上下文能力的全面测试! 来看本次新增的后端编程测试 vector DB Bench: 要求大模型从零实现一个高性能向量数据库, 只给提示词不给实现方案, 配合 coding agent 自动写代码、编译、跑分. 结果 Qwen3.5 直接甩出王炸 —— QPS 1405, 是 Kimi-K2.5 的 4.8 倍, GLM-5 的 25 倍! 关键在于它不仅用了 IVF 倒排索引 + AVX512F 指令集, 还在有限轮次内自主探索出了最优聚类参数 (K=2048, nprobe=30), 每次查询只需扫描约 15000 条数据, 而 Kimi-K2.5 的参数配比要扫描 75000 条, 正好解释了近 5 倍的性能差距. 这波调参堪称神之一手. 前端编程也有进步: 大象牙膏测试终于能正确建模三角烧瓶, 鞭炮连锁爆炸的粒子光影效果不错, 支持多模态后甚至可以对着网站录屏直接克隆. 但空间理解仍是短板, 陀飞轮机芯测试中齿轮设计暴露了差距. 指令遵循: 洛希极限测试中的指令遵循达到 85.9% (Gemini-3.0-Pro 为 90.6%), 主要扣分在未遵循加速曲线公式. Agent 能力: 硅基骑手测试得分 668.43, 仅次于 GLM-5 的 738.69, 也侧面解释了为什么后端编程 Agent 表现这么强. 长文本召回: 256K 上下文召回 99.1%, 但不给原文时四选一蒙对率高达 75.6%, 结果完全不置信. 总结: Qwen3.5 最亮眼的是后端编程能力, 同样的 IVF 算法靠调参拉开 5 倍差距, Agent 能力同样在线. 不过本次测试还发现了点小问题, 输出偶尔不太稳定, 会漏掉 markdown 语法或把答案输出到 thinking 标签里, 这点要注意, 目前我已经反馈给官方了. 这份新年礼物, 大家觉得怎么样? #Qwen #千问大模型 #Qwen35 #阿里千问 #通义实验室 #AIAgent #向量数据库

karminski-牙医

14,591 次观看 • 6 个月前

今天来 Build in Public 一下。刚刚一个朋友来问我 FastAPI 项目部署到 Zeabur 出问题了，原因是他的 Python 项目结构比较复杂，不是常见的格式，导致部署时需要额外配置，不然 Zeabur 无法自动判断怎么安装依赖、怎么启动服务。这类问题其实一直都有，但我觉得对 Vibe Coders 来说，不该浪费时间在研究怎么设置才能正确部署。于是我们下定决心用 AI 来解决这个问题，也就是我们已经内测一段时间的 —— Zeabur Agent 🧠🚀 部署再复杂，也能一键搞定。

今天来 Build in Public 一下。刚刚一个朋友来问我 FastAPI 项目部署到 Zeabur 出问题了，原因是他的 Python 项目结构比较复杂，不是常见的格式，导致部署时需要额外配置，不然 Zeabur 无法自动判断怎么安装依赖、怎么启动服务。这类问题其实一直都有，但我觉得对 Vibe Coders 来说，不该浪费时间在研究怎么设置才能正确部署。于是我们下定决心用 AI 来解决这个问题，也就是我们已经内测一段时间的 —— Zeabur Agent 🧠🚀 部署再复杂，也能一键搞定。

Yuanlin Lin

16,874 次观看 • 1 年前

抱歉我们只有超大杯! GLM-4.7实测! 本次测试覆盖了GLM-4.7的编程能力, Agent/ToolCall能力, 长上下文召回能力, 给大家带来刚发布的 GLM 4.7 的测试结果: 考验Agent能力的硅基骑手测试, 简单讲是让大模型使用工具模拟骑手取外卖送餐. GLM 4.7 在24小时总计300回合的极限送餐中收益达到了 571.91 元, 执行了总计 354 次 tool call, 测试使用了大约 50% 的上下文空间, 直到超过100K后才停止工作. Agent 测试这次是创了新高, 执行效率特别高, 得益于模型可以在一次会话中发起多个 tool call, 节省了时间并能选择收益最大的方案. 然后是考验长上下文召回能力的霍格沃茨测试, 简单来讲就是在长上下文中, 能否记住上下文并准确的回答问题. GLM 4.7 在192K以内召回水平在91%到100%区间, 而200K也有95%, 召回效果同样也很不错. 最后再来看编程能力测试上最大的感受是粒子, 建模, 光影效果都有提升, 尤其是空间能力有了巨大的提升. 当然性能问题仍然存在, 希望下个版本着重优化下生成代码的性能问题. 总结, 这次GLM 4.7 在各个方面都有明显的提升, 作为主力编程模型不是问题, LMArena 和 SWE-bench 等编程测试中都取得了开源大模型 SOTA 的水平. 不过还是要说一句, 测试中我发现API速度时快时慢, 是不是因为大家都在用新版本导致的? 希望官方赶紧加机器. #GLM47 #智谱AI #智谱GLM #AIAgent #ai编程 #大模型 #开源 #KCORES大模型竞技场

抱歉我们只有超大杯! GLM-4.7实测! 本次测试覆盖了GLM-4.7的编程能力, Agent/ToolCall能力, 长上下文召回能力, 给大家带来刚发布的 GLM 4.7 的测试结果: 考验Agent能力的硅基骑手测试, 简单讲是让大模型使用工具模拟骑手取外卖送餐. GLM 4.7 在24小时总计300回合的极限送餐中收益达到了 571.91 元, 执行了总计 354 次 tool call, 测试使用了大约 50% 的上下文空间, 直到超过100K后才停止工作. Agent 测试这次是创了新高, 执行效率特别高, 得益于模型可以在一次会话中发起多个 tool call, 节省了时间并能选择收益最大的方案. 然后是考验长上下文召回能力的霍格沃茨测试, 简单来讲就是在长上下文中, 能否记住上下文并准确的回答问题. GLM 4.7 在192K以内召回水平在91%到100%区间, 而200K也有95%, 召回效果同样也很不错. 最后再来看编程能力测试上最大的感受是粒子, 建模, 光影效果都有提升, 尤其是空间能力有了巨大的提升. 当然性能问题仍然存在, 希望下个版本着重优化下生成代码的性能问题. 总结, 这次GLM 4.7 在各个方面都有明显的提升, 作为主力编程模型不是问题, LMArena 和 SWE-bench 等编程测试中都取得了开源大模型 SOTA 的水平. 不过还是要说一句, 测试中我发现API速度时快时慢, 是不是因为大家都在用新版本导致的? 希望官方赶紧加机器. #GLM47 #智谱AI #智谱GLM #AIAgent #ai编程 #大模型 #开源 #KCORES大模型竞技场

karminski-牙医

19,592 次观看 • 7 个月前

让AI连续工作10小时不崩溃？揭秘Anthropic官方推崇的“Harness工程”！很多人用Claude Code跑长任务，跑着跑着AI就变傻、甚至罢工。原因很简单：上下文窗口爆了。今天分享一套让AI“无限续航”的系统级方案（Harness Engineering），不仅能让AI干活，还能让它自我进化。 1⃣ 核心原理：重置上下文 AI的记性有限。官方Anthropic的思路是：把大任务拆碎，每次只让AI在一个全新的、干净的上下文里干一件小事。 ❌ 错误做法：把所有需求一次性塞给AI。 ✅ 正确做法：拆解任务 -> 独立会话执行 -> 记录进度 -> 下一个循环。 2⃣ 方案对比：Ralph vs 多智能体方案A（Ralph循环）：用Bash脚本写个while循环，强制重启新会话。简单粗暴，适合极客。方案B（多智能体协同 - 推荐）：我在用的方案。更灵活，更像真实团队。主Agent（Coordinator）：只负责调度，绝不写代码（保持上下文极其干净）。子Agent（Workers）：计划、开发、测试（布局/美观/动画）。各司其职，独立上下文。 3⃣ 工作流设计（关键！）我的实战工作流：主Agent 接收需求 -> 丢给计划Agent 出排期。主Agent 拿到计划 -> 派给开发Agent 写代码（只传文件路径，不传大段代码！）。开发完 -> 派给测试Agent 找Bug。 Bug修复闭环：测试挂了？用 resume 参数唤醒同一个开发Agent修Bug（保留现场上下文），而不是开新号！ 4⃣ 让AI自我进化的Secret Sauce Lessons Learned：建一个经验库文件。每次踩坑，强制AI把错误写进去。下一次开发，先读这个文件，避免重复犯错。文件通信： Agent之间只传文件路径（Path），不传具体内容。主Agent的上下文永远只有几行字，永不爆窗。这套系统我跑了一个通宵，生成了20多页PPT，质量极高。真正的Harness不是让AI更聪明，而是设计一套不依赖AI记性的流程。

让AI连续工作10小时不崩溃？揭秘Anthropic官方推崇的“Harness工程”！很多人用Claude Code跑长任务，跑着跑着AI就变傻、甚至罢工。原因很简单：上下文窗口爆了。今天分享一套让AI“无限续航”的系统级方案（Harness Engineering），不仅能让AI干活，还能让它自我进化。 1⃣ 核心原理：重置上下文 AI的记性有限。官方Anthropic的思路是：把大任务拆碎，每次只让AI在一个全新的、干净的上下文里干一件小事。 ❌ 错误做法：把所有需求一次性塞给AI。 ✅ 正确做法：拆解任务 -> 独立会话执行 -> 记录进度 -> 下一个循环。 2⃣ 方案对比：Ralph vs 多智能体方案A（Ralph循环）：用Bash脚本写个while循环，强制重启新会话。简单粗暴，适合极客。方案B（多智能体协同 - 推荐）：我在用的方案。更灵活，更像真实团队。主Agent（Coordinator）：只负责调度，绝不写代码（保持上下文极其干净）。子Agent（Workers）：计划、开发、测试（布局/美观/动画）。各司其职，独立上下文。 3⃣ 工作流设计（关键！）我的实战工作流：主Agent 接收需求 -> 丢给计划Agent 出排期。主Agent 拿到计划 -> 派给开发Agent 写代码（只传文件路径，不传大段代码！）。开发完 -> 派给测试Agent 找Bug。 Bug修复闭环：测试挂了？用 resume 参数唤醒同一个开发Agent修Bug（保留现场上下文），而不是开新号！ 4⃣ 让AI自我进化的Secret Sauce Lessons Learned：建一个经验库文件。每次踩坑，强制AI把错误写进去。下一次开发，先读这个文件，避免重复犯错。文件通信： Agent之间只传文件路径（Path），不传具体内容。主Agent的上下文永远只有几行字，永不爆窗。这套系统我跑了一个通宵，生成了20多页PPT，质量极高。真正的Harness不是让AI更聪明，而是设计一套不依赖AI记性的流程。

Vincent

28,508 次观看 • 3 个月前

提升明显! Qwen3-Max 正式版 vs Preview版实测! 距离 Qwen3-Max-ThinkingPreview 版发布已经过去3个月了, 正式版终于来了! 这次提升有多大? 给大家直接上测试结果! 编程能力测试: 鞭炮连锁爆炸测试史诗级提升, 之前Preview版完全无法连锁, 现在不仅能连锁, 效果还相当不错; 大象牙膏测试锥形瓶建模改善明显, 甚至有液体下降动画了, 不过粒子动画还是有些问题; 陀飞轮机芯从无法完成到顺利建模; Python杯子倒水的粒子弹性和碰撞检测都修好了. 这次追加了美学测试: 用文字描述让它还原p5.js现代艺术作品, 效果还可以, 但空间理解能力还是拖后腿, 小窗口的横线错位了. Agent能力测试: 60K上下文以内表现优秀, 预估能刷到500分SOTA水平, 但超过60K后性能急剧下降, 会出现任务循环或遗忘工具的问题. 召回能力接近70%, 但出现了奇怪现象——上下文越短召回反而越差, 目前还不清楚是什么问题, 我已经反馈给官方了. 总结: 正式版比Preview版提升肉眼可见, 编程和美学都有进步, 但空间理解、Agent能力和长上下文召回还需打磨. 另外, 本次测试的是正常的thinking版本, 而那个分数超高的TTS模式目前还没上线呢! 期待一波！ #Qwen3Max #Qwen3MaxThinking #KCORES大模型竞技场 #AI编程 #大模型测评 #阿里千问

提升明显! Qwen3-Max 正式版 vs Preview版实测! 距离 Qwen3-Max-ThinkingPreview 版发布已经过去3个月了, 正式版终于来了! 这次提升有多大? 给大家直接上测试结果! 编程能力测试: 鞭炮连锁爆炸测试史诗级提升, 之前Preview版完全无法连锁, 现在不仅能连锁, 效果还相当不错; 大象牙膏测试锥形瓶建模改善明显, 甚至有液体下降动画了, 不过粒子动画还是有些问题; 陀飞轮机芯从无法完成到顺利建模; Python杯子倒水的粒子弹性和碰撞检测都修好了. 这次追加了美学测试: 用文字描述让它还原p5.js现代艺术作品, 效果还可以, 但空间理解能力还是拖后腿, 小窗口的横线错位了. Agent能力测试: 60K上下文以内表现优秀, 预估能刷到500分SOTA水平, 但超过60K后性能急剧下降, 会出现任务循环或遗忘工具的问题. 召回能力接近70%, 但出现了奇怪现象——上下文越短召回反而越差, 目前还不清楚是什么问题, 我已经反馈给官方了. 总结: 正式版比Preview版提升肉眼可见, 编程和美学都有进步, 但空间理解、Agent能力和长上下文召回还需打磨. 另外, 本次测试的是正常的thinking版本, 而那个分数超高的TTS模式目前还没上线呢! 期待一波！ #Qwen3Max #Qwen3MaxThinking #KCORES大模型竞技场 #AI编程 #大模型测评 #阿里千问

karminski-牙医

15,566 次观看 • 6 个月前