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。

Manus 体验报告能自动完成任务并交付结果的AI代理全部是在一个云端电脑上完成，AI自动思考分析、自动通过浏览器访问网站收集数据、完成内容撰写最后在云端电脑运行各种程序并编写代码给你交付出相应的文档、音频、视觉、网站交互结果。真实体验是一个任务运行的时间会很长，但是你可以干别的事情等待它完成。总体来看交付的结果还是不错的。

小互

109,115 subscribers

304,062 次观看 • 1 年前 •via X (Twitter)

教育科学技术艺术

Anya Rossi• Live Now

Private livecam show

11 条评论

小互的头像

小互1 年前

还在跑呢快半小时了

Yang 的头像

Yang1 年前

Build powerful AI agents and automations for your business today. Check out our step-by-step video tutorials 100% FREE 🥳

小互的头像

小互1 年前

没有邀请码的同学，可以看看这及个 link，大家可以在这里体验 session 回放，感受下：写一本自定义主题的小说财务估值模型搭建泽连斯基的白宫互动游戏

Shadow Walker 的头像

Shadow Walker1 年前

好奇一个任务具体要等多久，任务复杂度有多少

小互的头像

小互1 年前

简单的可能是十几分钟复杂的30分钟以上

Yu-EGG 的头像

Yu-EGG1 年前

小互小互，想要邀请码🫡

enjoygamelife 的头像

enjoygamelife1 年前

你这个是回放，有没有你自己通过提问提交的任务呢？不要官方录好的回看。。。

小互的头像

小互1 年前

有的在跑呢

𝑊𝑐𝑜𝑤𝑖𝑛 的头像

𝑊𝑐𝑜𝑤𝑖𝑛1 年前

想求个邀请码呀～

Benny 的头像

Benny1 年前

很拉

luo2431 的头像

luo24311 年前

大佬大佬能求个邀请码吗

相关视频

和AI Agent一起工作是一种什么样的体验？扣子空间详细体验评测（下面有邀请码）🧵↓ 字节跳动发布新一代 AI Agent 平台：扣子空间，Slogan为：在扣子空间，和 Agent 一起开始你的工作。也就是你可以像和真人协作一样，和AI一起完成特定任务。通过自然语言交流直接交付结果🫡 例如这个↓ 这个测试是模拟你通过AI来简化你的工作或者提高你的工作效率或者成果，例如假如你是一个幼儿园老师就可以通过AI生成一个交互式的英语学习应用。提高孩子们学习英语的乐趣。它支持调用MCP，这个测试调用了两个MCP，一个是图像生成一个是语音生成。扣子空间，它可以是： ✅「通用实习生」：可以处理各种基础任务，比如整理资料、写文案、查数据等。 ✅「领域专家」：针对具体行业或专业的问题（如法律、医学、设计等）有深入理解，能给出专业建议或完成复杂任务。你可以根据自己的需要选择不同AI来协助你完成任务。它不只是回答问题，AI还能主动帮你做事：比如生成报告、整理数据、写代码、规划日程等。支持两种工作方式：自动模式：AI自动帮你完成任务。协作模式：你可以一步步与AI互动，逐步推进任务，更适合复杂工作。

和AI Agent一起工作是一种什么样的体验？扣子空间详细体验评测（下面有邀请码）🧵↓ 字节跳动发布新一代 AI Agent 平台：扣子空间，Slogan为：在扣子空间，和 Agent 一起开始你的工作。也就是你可以像和真人协作一样，和AI一起完成特定任务。通过自然语言交流直接交付结果🫡 例如这个↓ 这个测试是模拟你通过AI来简化你的工作或者提高你的工作效率或者成果，例如假如你是一个幼儿园老师就可以通过AI生成一个交互式的英语学习应用。提高孩子们学习英语的乐趣。它支持调用MCP，这个测试调用了两个MCP，一个是图像生成一个是语音生成。扣子空间，它可以是： ✅「通用实习生」：可以处理各种基础任务，比如整理资料、写文案、查数据等。 ✅「领域专家」：针对具体行业或专业的问题（如法律、医学、设计等）有深入理解，能给出专业建议或完成复杂任务。你可以根据自己的需要选择不同AI来协助你完成任务。它不只是回答问题，AI还能主动帮你做事：比如生成报告、整理数据、写代码、规划日程等。支持两种工作方式：自动模式：AI自动帮你完成任务。协作模式：你可以一步步与AI互动，逐步推进任务，更适合复杂工作。

小互

27,158 次观看 • 1 年前

可以直接在 Web 界面上运行的 AutoGPT 代理测试了一下让它帮忙收集今天 Twitter 上最热门的五条关于 AI 的新闻，代理自动拆分了三个任务：1、利用 Twitter API 获取 24 小时内的 AI 相关的热门推；2、从 Top 100 的推中找出热门新闻；3、创建五个 AI 新闻的列表，并给出 Twitter URL；全过程完全无人工干预，代理调用 GPT 3.5 API 全自动完成。虽然任务简单，结果交付也很粗糙，但这代表了 AI 驱动的应用的范式转移！未来这样的自动代理将在你的需求下全自动完成工作，服务的程序界面或者 API 都是面向 LLMs 的，而不是面向人类的。人类指挥，程序交谈，然后工作自动完成，个人效率提高，企业规模缩小，业务更高效和无缝的运转。。

可以直接在 Web 界面上运行的 AutoGPT 代理测试了一下让它帮忙收集今天 Twitter 上最热门的五条关于 AI 的新闻，代理自动拆分了三个任务：1、利用 Twitter API 获取 24 小时内的 AI 相关的热门推；2、从 Top 100 的推中找出热门新闻；3、创建五个 AI 新闻的列表，并给出 Twitter URL；全过程完全无人工干预，代理调用 GPT 3.5 API 全自动完成。虽然任务简单，结果交付也很粗糙，但这代表了 AI 驱动的应用的范式转移！未来这样的自动代理将在你的需求下全自动完成工作，服务的程序界面或者 API 都是面向 LLMs 的，而不是面向人类的。人类指挥，程序交谈，然后工作自动完成，个人效率提高，企业规模缩小，业务更高效和无缝的运转。。

indigo

259,920 次观看 • 3 年前

测试了下阿里千问APP点外卖的功能整体上还可以，我们可以看到它后台工作的流程，应该也是在一个云端虚拟主机里面完成。自动规划任务，然后去云端电脑中完成这是我昨晚测试点宵夜的过程↓

测试了下阿里千问APP点外卖的功能整体上还可以，我们可以看到它后台工作的流程，应该也是在一个云端虚拟主机里面完成。自动规划任务，然后去云端电脑中完成这是我昨晚测试点宵夜的过程↓

小互

25,487 次观看 • 5 个月前

字节开源了一个 AI 团队大脑：DeerFlow 2.0 刚发就冲上 GitHub Trending 第一，43k ⭐。它是一个开源的超级代理框架，它让 AI 不再是工具，而是一个能干活的团队。你只需要一句话： “帮我研究 AI 行业趋势，并做一份 PPT” 它会自动完成：拆任务 → 分配 Agent → 并行执行 → 汇总交付不是建议，是直接把结果做出来。更关键的是：它通过 Agent 协同 + 内存 + 沙箱执行 + 可扩展技能可以完成几乎任何事情核心能力就三点： - 多 Agent 协作：一个 AI = 一个团队 - 技能驱动（可扩展）：报告、PPT、网站、视频都能做 - 完整工作流执行：从任务到交付，一步到位 DeerFlow 2.0 不是提升效率，是把几乎所有工作流程交给 AI。

字节开源了一个 AI 团队大脑：DeerFlow 2.0 刚发就冲上 GitHub Trending 第一，43k ⭐。它是一个开源的超级代理框架，它让 AI 不再是工具，而是一个能干活的团队。你只需要一句话： “帮我研究 AI 行业趋势，并做一份 PPT” 它会自动完成：拆任务 → 分配 Agent → 并行执行 → 汇总交付不是建议，是直接把结果做出来。更关键的是：它通过 Agent 协同 + 内存 + 沙箱执行 + 可扩展技能可以完成几乎任何事情核心能力就三点： - 多 Agent 协作：一个 AI = 一个团队 - 技能驱动（可扩展）：报告、PPT、网站、视频都能做 - 完整工作流执行：从任务到交付，一步到位 DeerFlow 2.0 不是提升效率，是把几乎所有工作流程交给 AI。

开发者Hailey

61,880 次观看 • 2 个月前

来自 Monica IM 团队的新产品 Manus AI，已经很接近理想中的数字版 AI Agent 的样子了！能够自动执行任务、搜索、找资料、写代码和生成各种格式的文档👀 一个真正的个人数字助理，就是应该完成你能用电脑完成的所有工作。但这样的 Agent 应用，会不会撞到大模型公司下一代产品的枪口上呢🤔

来自 Monica IM 团队的新产品 Manus AI，已经很接近理想中的数字版 AI Agent 的样子了！能够自动执行任务、搜索、找资料、写代码和生成各种格式的文档👀 一个真正的个人数字助理，就是应该完成你能用电脑完成的所有工作。但这样的 Agent 应用，会不会撞到大模型公司下一代产品的枪口上呢🤔

indigo

98,069 次观看 • 1 年前

兄弟们，终极写代码工具来了 Bolt․new：AI 帮你自动写代码自动运行并自动部署而且全部在浏览器中完成你只需撰写简单的提示，它即可帮你自动编写代码、并可一键编辑、运行和自动部署复杂的全栈应用。而且全部在浏览器中完成，不需要安装额外的任何软件。真正的零基础小白也可开发产品... bolt․new 依托于 WebContainers 技术，这是一种能够在浏览器中运行完整开发环境的微型操作系统。它支持现代开发工具链，如 npm、Vite 和 Next.js，让用户无需额外的开发环境配置，即可直接在浏览器中编写、运行、调试和部署应用。这些环境在毫秒内启动并立即在线可分享——只需点击一次

兄弟们，终极写代码工具来了 Bolt․new：AI 帮你自动写代码自动运行并自动部署而且全部在浏览器中完成你只需撰写简单的提示，它即可帮你自动编写代码、并可一键编辑、运行和自动部署复杂的全栈应用。而且全部在浏览器中完成，不需要安装额外的任何软件。真正的零基础小白也可开发产品... bolt․new 依托于 WebContainers 技术，这是一种能够在浏览器中运行完整开发环境的微型操作系统。它支持现代开发工具链，如 npm、Vite 和 Next.js，让用户无需额外的开发环境配置，即可直接在浏览器中编写、运行、调试和部署应用。这些环境在毫秒内启动并立即在线可分享——只需点击一次

小互

88,106 次观看 • 1 年前

最近在开发圈很火的 GitHub 项目 Firecrawl，一个专门给 AI 用的智能爬虫，已经 7万+ Star 了。一句话总结：它可以把任何网站，直接变成 AI 能用的数据。只要给它一个 URL，它就会自动： - 抓取整站页面 - 清洗网页内容 - 解析结构信息 - 输出 Markdown / JSON 也就是说：网站 → 结构化数据 → 直接喂给 LLM。现在很多 AI 项目的数据流程其实都是：网站 → Firecrawl → 向量库 → RAG → AI 应用如果你在做： - AI Agent - RAG 知识库 - 自动化数据采集这个工具基本算是 AI 开发的基础设施了

最近在开发圈很火的 GitHub 项目 Firecrawl，一个专门给 AI 用的智能爬虫，已经 7万+ Star 了。一句话总结：它可以把任何网站，直接变成 AI 能用的数据。只要给它一个 URL，它就会自动： - 抓取整站页面 - 清洗网页内容 - 解析结构信息 - 输出 Markdown / JSON 也就是说：网站 → 结构化数据 → 直接喂给 LLM。现在很多 AI 项目的数据流程其实都是：网站 → Firecrawl → 向量库 → RAG → AI 应用如果你在做： - AI Agent - RAG 知识库 - 自动化数据采集这个工具基本算是 AI 开发的基础设施了

开发者Hailey

138,704 次观看 • 3 个月前

Sider AI 也推出了Deep Research功能但是和其他家的有一点不一样🙃 它可以自动模拟人类进行研究，访问网络去搜索内容，最重要的是它在搜索内容的同时会自动做笔记，你可以在界面右侧看到它做的笔记内容。左侧是搜索来源。最重要的是它会在最终给你生成一个可视化的交互式网页。将报告进行可视化。它在生成整个报告的同时也会自动创建一些图表、流程图、表格等，比其他家也先进一点。

Sider AI 也推出了Deep Research功能但是和其他家的有一点不一样🙃 它可以自动模拟人类进行研究，访问网络去搜索内容，最重要的是它在搜索内容的同时会自动做笔记，你可以在界面右侧看到它做的笔记内容。左侧是搜索来源。最重要的是它会在最终给你生成一个可视化的交互式网页。将报告进行可视化。它在生成整个报告的同时也会自动创建一些图表、流程图、表格等，比其他家也先进一点。

小互

27,663 次观看 • 1 年前

Vitalik：AI是一个用自然语言的命令行人机交互正在经历第三次范式革命。第一代是命令行，第二代是图形界面，而第三代就是 AI。它的本质不是一个新的 App，而是一个用自然语言写的命令行。你开口说话，电脑调动程序，完成你的目标，同时兼具命令行的开放互通与图形界面的易用体验。这也意味着，现在的钱包概念可能两年后就会消失。当 AI 可以替你发消息、替你签交易，传统钱包的交互逻辑将被彻底重写，你不再需要手动点击签名或填写 Gas，开口即可完成操作。

Vitalik：AI是一个用自然语言的命令行人机交互正在经历第三次范式革命。第一代是命令行，第二代是图形界面，而第三代就是 AI。它的本质不是一个新的 App，而是一个用自然语言写的命令行。你开口说话，电脑调动程序，完成你的目标，同时兼具命令行的开放互通与图形界面的易用体验。这也意味着，现在的钱包概念可能两年后就会消失。当 AI 可以替你发消息、替你签交易，传统钱包的交互逻辑将被彻底重写，你不再需要手动点击签名或填写 Gas，开口即可完成操作。

PANews丨APP全面升级

12,161 次观看 • 1 个月前

第二条露脸视频来了。小白的AI成就感，来源于一个微小的进步。这次讲一个更适合小白的东西：怎么用 Codex 搭建自己的自动化流程。不是写代码。不是背命令。也不是看一堆复杂文档。你只要知道自己每天重复做什么，剩下的交给 Codex、插件和 Skill。比如：自动抓取信息自动分析重点自动生成总结自动发送结果每天固定完成以前这些东西听起来像程序员专属。但现在更像是搭积木：你告诉 Codex 目标，它帮你把工具接起来，再一步一步跑完流程。这条视频适合完全没基础的人看。有手就能跟。时间轴👇 00:00 第二条露脸：为什么普通人也该学 AI 自动化 00:20 什么是 Codex 自动化流程？一句话讲明白 00:50 插件、Skill、CLI 分别是干什么的 01:30 小白最容易卡住的地方：不是代码，是不知道怎么拆任务 02:10 用 Codex 把一个重复任务拆成步骤 03:00 接入工具：让 Codex 不只是聊天，而是能干活 04:00 自动抓取信息：把每天要看的内容交给 AI 05:00 自动分析重点：让 AI 帮你筛重点、提炼结论 06:00 自动生成总结：从信息流变成可读报告 07:00 自动发送 / 每日完成：真正变成工作流 08:00 总结：AI 自动化不是程序员专属，小白也能开始如果你每天有一件事重复做，那它就值得被自动化。别再只把 AI 当聊天框了。从今天开始，把它变成你的执行助手。

第二条露脸视频来了。小白的AI成就感，来源于一个微小的进步。这次讲一个更适合小白的东西：怎么用 Codex 搭建自己的自动化流程。不是写代码。不是背命令。也不是看一堆复杂文档。你只要知道自己每天重复做什么，剩下的交给 Codex、插件和 Skill。比如：自动抓取信息自动分析重点自动生成总结自动发送结果每天固定完成以前这些东西听起来像程序员专属。但现在更像是搭积木：你告诉 Codex 目标，它帮你把工具接起来，再一步一步跑完流程。这条视频适合完全没基础的人看。有手就能跟。时间轴👇 00:00 第二条露脸：为什么普通人也该学 AI 自动化 00:20 什么是 Codex 自动化流程？一句话讲明白 00:50 插件、Skill、CLI 分别是干什么的 01:30 小白最容易卡住的地方：不是代码，是不知道怎么拆任务 02:10 用 Codex 把一个重复任务拆成步骤 03:00 接入工具：让 Codex 不只是聊天，而是能干活 04:00 自动抓取信息：把每天要看的内容交给 AI 05:00 自动分析重点：让 AI 帮你筛重点、提炼结论 06:00 自动生成总结：从信息流变成可读报告 07:00 自动发送 / 每日完成：真正变成工作流 08:00 总结：AI 自动化不是程序员专属，小白也能开始如果你每天有一件事重复做，那它就值得被自动化。别再只把 AI 当聊天框了。从今天开始，把它变成你的执行助手。

Adrian Punk

45,499 次观看 • 29 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？

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

28,917 次观看 • 3 个月前

【测评向】Flap 出了一个 AI Oracle 部署方案，花了2个钟头，直接在 BNB Chain 测试网落地了一个可用的简易demo Flap Flap 🦋 提供了一个标准化的 AI Oracle，号称可以让任何智能合约，直接获得可验证的 LLM 推理能力，一切推理过程，都可在链上可追溯看了下文档比较简单，直接搓个 Demo，看看怎么个事儿 👀 👉 无需后端代码，纯合约交互实现的 AI Agent 是如何实现的： 1️⃣ 实现一个可对话的前端界面，每次对话发起交易，将问题提交上链 2️⃣ 使用 ChatConsumer 方法，与 FlapAI Oracle 合约交互 3️⃣ Oracle 后端调用 Gemini Flash，使用 LLM 生成结果上传 IPFS 4️⃣ 前端监听链上回写事件，拉取 IPFS数据，解析展示结果 —— 至此，一次 AI Oracle 对话交互完成 👉 我的问题也很简单，询问某个 CA 你能不能买点？ Flap AI 收到问题后，先调用了 ave_toke_info 的 MCP，获取了代币的市场信号（价格波动、交易量、市值等），给出结论： > 24h 趋势有下跌风险，虽然交易量和持仓人数很高，但是波动性很大，而且最近的行情低迷，建议观望还是很有意思的，AI 的决策过程变成了链上可观察的行为，主要是开箱即用 🤣 感兴趣可以自己去体验一下，把 AI Oracle 集成到项目里，让你的链上合约，也获得 AI 推理能力。

【测评向】Flap 出了一个 AI Oracle 部署方案，花了2个钟头，直接在 BNB Chain 测试网落地了一个可用的简易demo Flap Flap 🦋 提供了一个标准化的 AI Oracle，号称可以让任何智能合约，直接获得可验证的 LLM 推理能力，一切推理过程，都可在链上可追溯看了下文档比较简单，直接搓个 Demo，看看怎么个事儿 👀 👉 无需后端代码，纯合约交互实现的 AI Agent 是如何实现的： 1️⃣ 实现一个可对话的前端界面，每次对话发起交易，将问题提交上链 2️⃣ 使用 ChatConsumer 方法，与 FlapAI Oracle 合约交互 3️⃣ Oracle 后端调用 Gemini Flash，使用 LLM 生成结果上传 IPFS 4️⃣ 前端监听链上回写事件，拉取 IPFS数据，解析展示结果 —— 至此，一次 AI Oracle 对话交互完成 👉 我的问题也很简单，询问某个 CA 你能不能买点？ Flap AI 收到问题后，先调用了 ave_toke_info 的 MCP，获取了代币的市场信号（价格波动、交易量、市值等），给出结论： > 24h 趋势有下跌风险，虽然交易量和持仓人数很高，但是波动性很大，而且最近的行情低迷，建议观望还是很有意思的，AI 的决策过程变成了链上可观察的行为，主要是开箱即用 🤣 感兴趣可以自己去体验一下，把 AI Oracle 集成到项目里，让你的链上合约，也获得 AI 推理能力。

泵泵超人 | Pumpman 🔶

23,018 次观看 • 2 个月前

在做浏览器自动化脚本时，我们常常需要编写大量代码来处理复杂的网页交互，不仅耗时耗力，还难以调试和优化，要是出错更是难以精准定位问题所在。最近在 GitHub 上我发现了一款强大的开源自动化浏览器智能体：Index。它能够在浏览器上自动执行复杂的网页任务，无需编写代码脚本，简单描述任务需求即可完成各种网页操作。 GitHub：主要功能 - 基于 Claude 3.7 Sonnet 提供强大的 AI 能力，后续将支持更多模型 - 提供 API 和可视化操作 UI 界面，也支持完全自托管部署使用 - 能执行复杂的网页任务，如数据收集、表单填写和内容分析 - 支持自定义浏览器窗口大小和远程 CDP 连接安装部署简单，几行代码即可开始使用，也可直接使用托管 API 服务。

在做浏览器自动化脚本时，我们常常需要编写大量代码来处理复杂的网页交互，不仅耗时耗力，还难以调试和优化，要是出错更是难以精准定位问题所在。最近在 GitHub 上我发现了一款强大的开源自动化浏览器智能体：Index。它能够在浏览器上自动执行复杂的网页任务，无需编写代码脚本，简单描述任务需求即可完成各种网页操作。 GitHub：主要功能 - 基于 Claude 3.7 Sonnet 提供强大的 AI 能力，后续将支持更多模型 - 提供 API 和可视化操作 UI 界面，也支持完全自托管部署使用 - 能执行复杂的网页任务，如数据收集、表单填写和内容分析 - 支持自定义浏览器窗口大小和远程 CDP 连接安装部署简单，几行代码即可开始使用，也可直接使用托管 API 服务。

GitHubDaily

35,779 次观看 • 1 年前

拿到Cursor赠送的$10000额度之后，我专门研究下这家公司，看到Cursor CEO这个演讲，我突然意识到，我们对AI编程的理解，从根上就错了，当大多数人还在纠结哪个模型写代码更快更准的时候， Cursor已经直接进入了下一个时代，工程师不再是写代码的人，而是管理一整队AI同事的团队经理，现在Cursor内部30%的合并PR，都是由异步云代理自动创建的，单周运行两千多个并发代理，生成三百万行代码，消耗几十亿个token，一个任务发出去，系统会自动拆成规划，编码，测试，发PR四个角色，每个代理独占一台远程机器，并行在云端运行，人类只需要在最开始定义范围，和最后做一次最终审核，中间所有的脏活累活，AI全部自己搞定，这就是多代理比单代理强的根本原因，

拿到Cursor赠送的$10000额度之后，我专门研究下这家公司，看到Cursor CEO这个演讲，我突然意识到，我们对AI编程的理解，从根上就错了，当大多数人还在纠结哪个模型写代码更快更准的时候， Cursor已经直接进入了下一个时代，工程师不再是写代码的人，而是管理一整队AI同事的团队经理，现在Cursor内部30%的合并PR，都是由异步云代理自动创建的，单周运行两千多个并发代理，生成三百万行代码，消耗几十亿个token，一个任务发出去，系统会自动拆成规划，编码，测试，发PR四个角色，每个代理独占一台远程机器，并行在云端运行，人类只需要在最开始定义范围，和最后做一次最终审核，中间所有的脏活累活，AI全部自己搞定，这就是多代理比单代理强的根本原因，

AYi

21,453 次观看 • 1 个月前

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

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

50,739 次观看 • 6 天前

我看到有人在让“Claude Code”自己开新进程 `claude -p `实现多任务，其实没必要，有更简单的办法。这个简单办法就是让它自己开子 Agent。Claude Code 现在有 18 个工具，最特殊的一个工具叫 Task，它本质就是一个 Claude Code 的克隆工具，只不过是作为 Claude Code 的一个工具。如果你懂递归的话就很好理解。如果你不懂递归，可以这么理解：Claude Code 是个 AI 程序员，它可以用一堆工具，其中最神奇的一个工具叫 Task，就是克隆一个自己的分身去干活！这样做有什么好处呢？就是可以并行多任务，还可以控制上下文，让子任务更专注。举例来说，你粘贴一段错误代码让 Claude Code 去 Debug，并且还让它写测试代码覆盖这个错误。Claude Code 会先调用 TodoWrite 这个工具写一个 TODO List。把任务分成 3 步： - [ ] 根据错误信息收集相关代码 - [ ] 根据错误信息和相关代码解决 Bug - [ ] 写新的测试覆盖这一步完了后它会起一个 Task，这个 Task 就是专门根据错误信息去找到相关代码的位置，那么这个子任务只需要接受错误信息找上下文，它不管怎么解决 Bug，也不管怎么写测试覆盖。主任务就会等这个子任务完成，子任务完成后，主任务就调用 TODO Write 更新 TODO List。 - [x] 根据错误信息收集相关代码 - [ ] 根据错误信息和相关代码解决 Bug - [ ] 写新的测试覆盖然后调用 TodoRead 工具看下一步要干嘛，现在有充足上下文了，它可以再起一个子任务去根据错误信息和代码修复 Bug，等修复 Bug 的子任务完成了，再回到主任务，继续更新 TODO List，继续读取下一个 Item 最后再启动一个子任务去写测试，测试子任务也完成了，返回结果到主任务，这时候调用 TodoRead 一看任务都处理完了，最后根据前面的任务情况给你一个总结摘要，表示任务都完成了。 Claude Code 真的没有做什么工程上的优化，什么上下文压缩、临时存储，都没有的！就是简单粗暴： 1. 把用户问题、系统提示词、能用到的工具一股脑发给 Claude，问下一步该干嘛 2. Claude 就返回说现在你要到 TodoWriter 工具 3. Claude Code 就去调用 TodoWriter 工具，本质上也是一个 AI 请求，最后返回生成的 Todo List 4. 然后 Claude Code 把工具返回结果和前面的所有消息继续发给 Claude，Claude 返回说你现在要去起一个新的 Task 去收集代码了 5. 然后 Claude Code 就起一个新的 Task，把错误信息和要求收集相关代码的任务说明、系统提示词、环境说明、能用到的工具一股脑发给 Claude，问下一步该干嘛 - 在新的 Task 里面，就是不停的问 Claude 该用啥工具，然后发送工具结果和前面所有历史消息 - 任务完成后，返回任务结果 6. 然后 Claude Code 把子 Task 的结果和前面历史信息一起发给 Claude 问下一步干嘛 7. 就这样循环直到 Claude 认为任务完成了所以你经常看到 Claude Code 在那几十分钟上下文也没爆掉，因为它会启动子任务，这样上下文就分摊到子任务中了，主任务中只是保留子任务完成后的内容。

我看到有人在让“Claude Code”自己开新进程 `claude -p `实现多任务，其实没必要，有更简单的办法。这个简单办法就是让它自己开子 Agent。Claude Code 现在有 18 个工具，最特殊的一个工具叫 Task，它本质就是一个 Claude Code 的克隆工具，只不过是作为 Claude Code 的一个工具。如果你懂递归的话就很好理解。如果你不懂递归，可以这么理解：Claude Code 是个 AI 程序员，它可以用一堆工具，其中最神奇的一个工具叫 Task，就是克隆一个自己的分身去干活！这样做有什么好处呢？就是可以并行多任务，还可以控制上下文，让子任务更专注。举例来说，你粘贴一段错误代码让 Claude Code 去 Debug，并且还让它写测试代码覆盖这个错误。Claude Code 会先调用 TodoWrite 这个工具写一个 TODO List。把任务分成 3 步： - [ ] 根据错误信息收集相关代码 - [ ] 根据错误信息和相关代码解决 Bug - [ ] 写新的测试覆盖这一步完了后它会起一个 Task，这个 Task 就是专门根据错误信息去找到相关代码的位置，那么这个子任务只需要接受错误信息找上下文，它不管怎么解决 Bug，也不管怎么写测试覆盖。主任务就会等这个子任务完成，子任务完成后，主任务就调用 TODO Write 更新 TODO List。 - [x] 根据错误信息收集相关代码 - [ ] 根据错误信息和相关代码解决 Bug - [ ] 写新的测试覆盖然后调用 TodoRead 工具看下一步要干嘛，现在有充足上下文了，它可以再起一个子任务去根据错误信息和代码修复 Bug，等修复 Bug 的子任务完成了，再回到主任务，继续更新 TODO List，继续读取下一个 Item 最后再启动一个子任务去写测试，测试子任务也完成了，返回结果到主任务，这时候调用 TodoRead 一看任务都处理完了，最后根据前面的任务情况给你一个总结摘要，表示任务都完成了。 Claude Code 真的没有做什么工程上的优化，什么上下文压缩、临时存储，都没有的！就是简单粗暴： 1. 把用户问题、系统提示词、能用到的工具一股脑发给 Claude，问下一步该干嘛 2. Claude 就返回说现在你要到 TodoWriter 工具 3. Claude Code 就去调用 TodoWriter 工具，本质上也是一个 AI 请求，最后返回生成的 Todo List 4. 然后 Claude Code 把工具返回结果和前面的所有消息继续发给 Claude，Claude 返回说你现在要去起一个新的 Task 去收集代码了 5. 然后 Claude Code 就起一个新的 Task，把错误信息和要求收集相关代码的任务说明、系统提示词、环境说明、能用到的工具一股脑发给 Claude，问下一步该干嘛 - 在新的 Task 里面，就是不停的问 Claude 该用啥工具，然后发送工具结果和前面所有历史消息 - 任务完成后，返回任务结果 6. 然后 Claude Code 把子 Task 的结果和前面历史信息一起发给 Claude 问下一步干嘛 7. 就这样循环直到 Claude 认为任务完成了所以你经常看到 Claude Code 在那几十分钟上下文也没爆掉，因为它会启动子任务，这样上下文就分摊到子任务中了，主任务中只是保留子任务完成后的内容。

宝玉

76,401 次观看 • 1 年前

Firecrawl 推出了一个 AI 驱动的数据爬虫Agent 无需提供任何信息不需要你提供网址，不用写爬虫，不怕反爬机制只要输入你的需求它就能自动爬取任何你想要的信息它会自动搜索、浏览、提取网站内容（包括深层网页），整合信息，然后给你返回结构化结果。支持并发抓取多个网站，自动爬取并深入网站结构，能找到”隐藏”或难以直接访问的网页数据。

Firecrawl 推出了一个 AI 驱动的数据爬虫Agent 无需提供任何信息不需要你提供网址，不用写爬虫，不怕反爬机制只要输入你的需求它就能自动爬取任何你想要的信息它会自动搜索、浏览、提取网站内容（包括深层网页），整合信息，然后给你返回结构化结果。支持并发抓取多个网站，自动爬取并深入网站结构，能找到”隐藏”或难以直接访问的网页数据。

小互

41,547 次观看 • 5 个月前

推荐一下张咋啦的 PPT Skill：frontend-slides。对于我这种不爱做 PPT，但又有演示需求的人来说，实在是太友好了。这个 Skill 的思路是把 PPT 变成网页。并且动画效果比 PowerPoint 好、生成的是单个 HTML 文件、浏览器直接打开。 AI 会生成多个不同风格的预览，每个风格都是定制的，字体、配色、动画都不一样。同时还能直接在浏览器里编辑文字，改完自动保存。如果你有现成的 .pptx 文件，也能直接转成网页版。经常做 PPT 的话，可以试试，链接放评论区。

推荐一下张咋啦的 PPT Skill：frontend-slides。对于我这种不爱做 PPT，但又有演示需求的人来说，实在是太友好了。这个 Skill 的思路是把 PPT 变成网页。并且动画效果比 PowerPoint 好、生成的是单个 HTML 文件、浏览器直接打开。 AI 会生成多个不同风格的预览，每个风格都是定制的，字体、配色、动画都不一样。同时还能直接在浏览器里编辑文字，改完自动保存。如果你有现成的 .pptx 文件，也能直接转成网页版。经常做 PPT 的话，可以试试，链接放评论区。

余温

114,704 次观看 • 2 个月前

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👇

阿绎 AYi

61,332 次观看 • 1 个月前

太硬核了！英伟达黄仁勋撕穿了传统计算机科学的底层逻辑：云计算的“按需触发”时代已经彻底终结，未来的AI智能体是永远在线的“永动机”！别再把大模型当成简单的文字接龙了。老黄一针见血：大模型生成内部 token 进行逻辑推演，叫思考；生成外部 token 去调用各种接口，就叫使用工具。这就是为什么像 Claude Code 或 DeepSeek V4 这种新生代智能体，能切入硬核的开发工作流，甚至能全自动帮你排查 Python 异步网关里 aiohttp 的并发报错！最恐怖的颠覆在于运行模式。以前我们写代码，不管是跑在 MacBook Pro 上的本地脚本，还是云端微服务，全都是按需调用——你不戳它，它就不动。但现在的 Agent 系统是连续不断运行的。它们在后台全天候感知、推演、自我迭代和执行任务。这根本不是工具的升级，而是整个计算范式的跨代重构！搞懂这种从被动按需到全自动连续运行的跃迁，你才会真正明白，为什么未来所有的云服务和软件架构都面临着被彻底推倒重来的命运。

太硬核了！英伟达黄仁勋撕穿了传统计算机科学的底层逻辑：云计算的“按需触发”时代已经彻底终结，未来的AI智能体是永远在线的“永动机”！别再把大模型当成简单的文字接龙了。老黄一针见血：大模型生成内部 token 进行逻辑推演，叫思考；生成外部 token 去调用各种接口，就叫使用工具。这就是为什么像 Claude Code 或 DeepSeek V4 这种新生代智能体，能切入硬核的开发工作流，甚至能全自动帮你排查 Python 异步网关里 aiohttp 的并发报错！最恐怖的颠覆在于运行模式。以前我们写代码，不管是跑在 MacBook Pro 上的本地脚本，还是云端微服务，全都是按需调用——你不戳它，它就不动。但现在的 Agent 系统是连续不断运行的。它们在后台全天候感知、推演、自我迭代和执行任务。这根本不是工具的升级，而是整个计算范式的跨代重构！搞懂这种从被动按需到全自动连续运行的跃迁，你才会真正明白，为什么未来所有的云服务和软件架构都面临着被彻底推倒重来的命运。

比特币橙子Trader

69,195 次观看 • 1 个月前