Loading video...

Video Failed to Load

There was a problem loading this video. This could be due to a temporary network issue or the video might be unavailable.

Opencodex 新增 Cursor 订阅导入👀 深度适配原生 Agent 工具协议与 Codex 工具循环 🔗 解决了：工具调用中断、只执行一两个命令就结束、重复搜索、重复规划、工具结果丢失、多个工具请求被吞、流超时……这些问题 ❌→✅ 让 Cursor 真正遵守 Codex 的工具调用流程，不会像之前一样傻傻的重复，从理解任务 → 调用工具 → 执行命令 → 接收结果 → 继续推进任务 🧠🛠️⚡📦 #codex #chatgpt #cursor #opencodex

Ryanxlll2

1,125 subscribers

10,729 views • 2 months ago •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

0 Comments

No comments available

Comments from the original post will appear here

Related Videos

Pokee AI 不需要写代码、不需要配置复杂的“节点流程” 只要输入一句话，Pokee 就能创建一个能实际执行任务的智能代理（Agent）。颠覆了 OpenAI Agent Builder 与 n8n 的复杂逻辑可运行跨平台工作流，兼容数千种 AI 工具（如 Google Workspace、Outlook、Slack、GitHub、Notion 等） Pokee 支持以自然语言下达指令用户无需编写脚本或配置触发条件，只需描述目标。系统会自动：理解任务意图拆解执行步骤调用相应工具执行操作汇总结果并返回用户可在执行前反复调整逻辑 Pokee 在确认后才会启动执行流程...

Pokee AI 不需要写代码、不需要配置复杂的“节点流程” 只要输入一句话，Pokee 就能创建一个能实际执行任务的智能代理（Agent）。颠覆了 OpenAI Agent Builder 与 n8n 的复杂逻辑可运行跨平台工作流，兼容数千种 AI 工具（如 Google Workspace、Outlook、Slack、GitHub、Notion 等） Pokee 支持以自然语言下达指令用户无需编写脚本或配置触发条件，只需描述目标。系统会自动：理解任务意图拆解执行步骤调用相应工具执行操作汇总结果并返回用户可在执行前反复调整逻辑 Pokee 在确认后才会启动执行流程...

小互

19,120 views • 11 months ago

OWL团队刚刚又开源了一款多智能体Manus类工具：Eigent，通过多智能体协作，来更高效的处理更复杂任务从效果看具备整合多种工具和数据的能力，生成的报告内容相对专业全面其处理任务时有清晰的任务拆解和执行过程，它把任务拆解成多个子任务，并会清晰展示出每个子任务的执行状态 Eigent支持根据任务创建或灵活调用workforce，多智能体并行处理执行速度更快支持worker间任务的并行，worker下子任务的并行，子任务执行过程中工具调用的并行可以根据需求定制AI团队，组建一个特定的项目组有Human-in-the-Loop机制，可以在关键节点进行人工干预决策内置200+MCP工具，也支持上传常用的MCP工具 #AI员工 #多智能体团队 #Eigent

OWL团队刚刚又开源了一款多智能体Manus类工具：Eigent，通过多智能体协作，来更高效的处理更复杂任务从效果看具备整合多种工具和数据的能力，生成的报告内容相对专业全面其处理任务时有清晰的任务拆解和执行过程，它把任务拆解成多个子任务，并会清晰展示出每个子任务的执行状态 Eigent支持根据任务创建或灵活调用workforce，多智能体并行处理执行速度更快支持worker间任务的并行，worker下子任务的并行，子任务执行过程中工具调用的并行可以根据需求定制AI团队，组建一个特定的项目组有Human-in-the-Loop机制，可以在关键节点进行人工干预决策内置200+MCP工具，也支持上传常用的MCP工具 #AI员工 #多智能体团队 #Eigent

AIGCLINK

16,164 views • 1 year ago

一个放在桌面上或者户外的 AI Agent 控制小方盒：用语音、按键、小屏，去控制电脑/远程服务器、调用所有工具、执行任务在做这个产品的时候有做过调研，现在市面上大都是纯对话的语音AI Hermes Studio 小方盒可以做什么？（视频演示） 1. 控制电脑 /远程服务器小方盒本身是 ESP32，但它可以作为入口，把指令交给 Hermes Studio 在电脑 /远程服务器上执行。（它就是Hermes Agent）可以做：打开/关闭本地应用或网页在电脑/远程服务器上运行命令读取、搜索、整理本地文件上传文件给 Agent 分析下载 Agent 生成的文件控制浏览器访问网页、查资料、填表、抓取信息调用本地 Coding Agent，让它改代码、跑测试、生成项目查看运行日志、任务状态、错误信息用语音触发“帮我总结这个文件夹”“打开今天的任务”“跑一下测试” 2. 调用工具（生产力有待研究） Hermes Studio 的核心优势是 Agent 工具链。小方盒可以作为物理触发器，让 Agent 调用工具。文件工具：浏览文件、搜索文件、读取内容、上传下载、重命名、复制、移动、删除。终端工具：执行 shell 命令、启动服务、查看进程、跑脚本、拉代码、跑测试。浏览器工具：打开网页、搜索资料、读取网页内容、自动化页面操作。代码工具：启动 Codex / Claude Code 等 coding-agent 会话，做代码修改、调试、检查。 MCP 工具：接入外部系统，比如数据库、知识库、Notion、GitHub、邮件、企业内部 API、智能家居等。语音工具：STT 语音转文本，TTS 回复朗读，多种 TTS Provider。自动化工具：定时任务、周期汇报、监控任务、Kanban 工作项。多平台工具：Telegram、Discord、Slack、WhatsApp、Matrix、飞书、微信、企业微信等渠道。一句话：小方盒不是自己完成所有任务，而是唤醒 Hermes Studio 里的工具系统。产品功能：语音唤醒桌面 Agent 实体按键触发本地文件读取、搜索与整理电脑/远程服务器命令执行与任务自动化浏览器自动化与网页信息获取 Coding Agent 启动 MCP 工具扩展，连接外部服务多模型、多 Profile 切换多平台消息接入 TTS/STT 语音输入输出 Nous Research witcheer Teknium 🪽 Hermes community never disappoints! 👀

libapi

31,786 views • 3 months ago

Codex 隐藏玩法：把你每天重复教 AI 的提示词，直接做成 Skill 90% 的人用 Codex，其实都在重复做同一件事：开一个新任务，把同一套要求再告诉它一遍。这些 Prompt 你可能已经复制粘贴了几十次。但其实，这种反复使用的工作方法，完全可以直接做成 Codex Skill。详细教程如下： 1️⃣先找一段你经常重复使用的 Prompt，比如我最近一直在用这类提示词： “执行任务前先检查需求漏洞和潜在风险，不要默认接受我的方案。涉及代码和结论必须验证，完成后按验收标准逐项检查。” 这类 Prompt 很好用，但最大的问题是：每开一个新任务，都要重新贴一次。 2️⃣直接让 Codex 把它做成 Skill把原来的 Prompt 发给 Codex，然后告诉它：请把上面这套工作方式整理成一个可重复调用的 Codex Skill。要求： · 明确这个 Skill 适合在什么情况下使用 · 把原来的要求整理成清晰的执行步骤 · 区分任务开始前、执行过程中和完成后的检查 · 保留必要的验证流程 · 删除重复和模糊的要求 · 不要改变原来的核心工作原则 Codex 就会把原来散乱的一段 Prompt，整理成一套完整的 Skill 工作流。以后这些规则就不用一直躺在聊天记录里了。 3️⃣ 后面直接调用这个 Skill 再开新任务时，不需要重新复制那一大段 Prompt。直接告诉 Codex：使用这个 Skill 完成当前任务。最后你的 Codex 里保存的，就不再是一堆 Prompt，而是你自己的一整套工作流。 Prompt 是教 AI 这一次怎么做。 Skill 是把你的工作方法直接固化下来，以后每个项目都能重复调用。

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！

40,753 views • 1 month ago

【Plus订阅用户——无限额度的神级工具】 Plus 的 Codex 5 小时额度完全不够用？先别急，交给这个神级工具，让你的plus额度也够用很多 Plus 用户不是不会用 Codex，而是把规划、执行和审查全塞给 Codex，让它变得太“全能”。先让它通读仓库、自己想方案，再写代码、跑测试，最后还要重新读取全部上下文，审查自己刚才做过的改动。等到 5 小时额度窗口开始紧张，真正需要 Codex 动手的工作，可能才刚刚开始。如果你也经常觉得 Plus 的 Codex 额度不够用，我更建议先优化任务分工，而不是继续压缩提示词，或者把所有步骤都塞进同一次调用。我现在使用的工作流是 Codex with ChatGPT： ChatGPT → PLAN Codex → EXECUTE / TEST ChatGPT → REVIEW 简单来说：ChatGPT 负责把问题想清楚，Codex 负责把改动做出来。第一步是 PLAN。在进入 Codex 之前，先让 ChatGPT 网页版明确： • 这次到底要解决什么问题？ • 哪些内容属于本次范围，哪些明确不改？ • 可能涉及哪些文件和依赖？ • 需要运行哪些测试？ • 什么结果才算完成，出问题怎样回滚？计划至少要回答这五件事：改什么、不改什么、碰哪些文件、怎样测试、什么结果才算完成。没有边界的“帮我优化一下整个项目”，往往才是最消耗额度的用法。第二步是 EXECUTE / TEST。规划完成后，再把清晰的施工单交给 Codex。此时 Codex 不需要重新做一轮开放式研究，而是专注它最擅长的本地工作： • 编辑文件 • 运行 Shell 和项目命令 • 使用 Git 检查改动 • 执行测试 • 根据真实错误继续修复给 Codex 的不再是一道没有边界的研究题，而是一项可以直接执行、可以测试、可以验收的任务。一轮调用最好只有一个明确闭环：修改 → 测试 → 报告结果第三步是 REVIEW。代码完成后，我不会只让执行者重新通读整个仓库，然后告诉我“看起来没问题”。 ChatGPT 会通过只读连接，按需查看相关文件、diff 和测试记录，再从原计划出发做一次独立审查： • 改动有没有超出范围？ • 测试是否真的覆盖了目标？ • 有没有隐藏失败或未经验证的结论？ • 文档、实现和最终结果是否一致？只有发现具体问题时，才向 Codex 发回最小修复任务。这套分工的关键不是让两个 AI 重复干活，而是让每一层只负责自己最合适的事情。在当前这个视频工程里就有一个真实例子：ChatGPT 审查时发现首帧工作台遮挡了标题；Codex 随后把 `.workspace` 的位置从 `top:128px` 调整到 `430px`。基线检查有 10 个重叠错误，修改后 Layout 变为 0 issues，最后再由 ChatGPT 读取事务 diff 和验证记录完成复核。这就是完整闭环：发现问题 → 明确修改 → 本地执行 → 运行检查 → 独立复核对于 Plus 用户，这套方法最直接的作用，不是把官方额度变多，而是减少 Codex 执行通道里的重复阅读、开放式探索和自我复盘。普通任务可以先在 ChatGPT 网页版锁定范围，再让 Codex 本地执行；完成后，只让审查层按需读取必要的 diff 和测试记录。这样能把更宝贵的 Codex 调用留给真正需要编辑、命令和测试的步骤。如果你是 Pro 用户，还可以把最困难的架构规划、跨文件风险分析和最终审查，交给 ChatGPT 网页版中最高能力的 Pro 模型选项；复杂推理由 Pro 负责，本地执行仍由 Codex 完成。具体模型名称和开放范围可能调整，以你账户里的模型选择器为准。需要说明的是：这不是增加官方额度，也不会解除 5 小时窗口，更不是绕过平台限制。它做的事情更朴素：不再让 Codex 同时扮演产品经理、架构师、程序员和审计员，而是让每一次调用都有明确范围、明确任务和明确验收标准。 Codex with ChatGPT 使用只读连接，按需读取完成规划和审查所需的工作区内容；不是一次性上传整个仓库，也不会把写文件、删除文件或执行 Shell 的权限交给 ChatGPT。如果你也在用 Plus，最近又经常撞到 5 小时额度限制，可以试试先把任务分工做好，再开始下一次编码。项目地址：安装后可以直接对 Codex 说： “使用 Codex with ChatGPT 完成首次配置并应用。” #Codex #ChatGPT

【Plus订阅用户——无限额度的神级工具】 Plus 的 Codex 5 小时额度完全不够用？先别急，交给这个神级工具，让你的plus额度也够用很多 Plus 用户不是不会用 Codex，而是把规划、执行和审查全塞给 Codex，让它变得太“全能”。先让它通读仓库、自己想方案，再写代码、跑测试，最后还要重新读取全部上下文，审查自己刚才做过的改动。等到 5 小时额度窗口开始紧张，真正需要 Codex 动手的工作，可能才刚刚开始。如果你也经常觉得 Plus 的 Codex 额度不够用，我更建议先优化任务分工，而不是继续压缩提示词，或者把所有步骤都塞进同一次调用。我现在使用的工作流是 Codex with ChatGPT： ChatGPT → PLAN Codex → EXECUTE / TEST ChatGPT → REVIEW 简单来说：ChatGPT 负责把问题想清楚，Codex 负责把改动做出来。第一步是 PLAN。在进入 Codex 之前，先让 ChatGPT 网页版明确： • 这次到底要解决什么问题？ • 哪些内容属于本次范围，哪些明确不改？ • 可能涉及哪些文件和依赖？ • 需要运行哪些测试？ • 什么结果才算完成，出问题怎样回滚？计划至少要回答这五件事：改什么、不改什么、碰哪些文件、怎样测试、什么结果才算完成。没有边界的“帮我优化一下整个项目”，往往才是最消耗额度的用法。第二步是 EXECUTE / TEST。规划完成后，再把清晰的施工单交给 Codex。此时 Codex 不需要重新做一轮开放式研究，而是专注它最擅长的本地工作： • 编辑文件 • 运行 Shell 和项目命令 • 使用 Git 检查改动 • 执行测试 • 根据真实错误继续修复给 Codex 的不再是一道没有边界的研究题，而是一项可以直接执行、可以测试、可以验收的任务。一轮调用最好只有一个明确闭环：修改 → 测试 → 报告结果第三步是 REVIEW。代码完成后，我不会只让执行者重新通读整个仓库，然后告诉我“看起来没问题”。 ChatGPT 会通过只读连接，按需查看相关文件、diff 和测试记录，再从原计划出发做一次独立审查： • 改动有没有超出范围？ • 测试是否真的覆盖了目标？ • 有没有隐藏失败或未经验证的结论？ • 文档、实现和最终结果是否一致？只有发现具体问题时，才向 Codex 发回最小修复任务。这套分工的关键不是让两个 AI 重复干活，而是让每一层只负责自己最合适的事情。在当前这个视频工程里就有一个真实例子：ChatGPT 审查时发现首帧工作台遮挡了标题；Codex 随后把 `.workspace` 的位置从 `top:128px` 调整到 `430px`。基线检查有 10 个重叠错误，修改后 Layout 变为 0 issues，最后再由 ChatGPT 读取事务 diff 和验证记录完成复核。这就是完整闭环：发现问题 → 明确修改 → 本地执行 → 运行检查 → 独立复核对于 Plus 用户，这套方法最直接的作用，不是把官方额度变多，而是减少 Codex 执行通道里的重复阅读、开放式探索和自我复盘。普通任务可以先在 ChatGPT 网页版锁定范围，再让 Codex 本地执行；完成后，只让审查层按需读取必要的 diff 和测试记录。这样能把更宝贵的 Codex 调用留给真正需要编辑、命令和测试的步骤。如果你是 Pro 用户，还可以把最困难的架构规划、跨文件风险分析和最终审查，交给 ChatGPT 网页版中最高能力的 Pro 模型选项；复杂推理由 Pro 负责，本地执行仍由 Codex 完成。具体模型名称和开放范围可能调整，以你账户里的模型选择器为准。需要说明的是：这不是增加官方额度，也不会解除 5 小时窗口，更不是绕过平台限制。它做的事情更朴素：不再让 Codex 同时扮演产品经理、架构师、程序员和审计员，而是让每一次调用都有明确范围、明确任务和明确验收标准。 Codex with ChatGPT 使用只读连接，按需读取完成规划和审查所需的工作区内容；不是一次性上传整个仓库，也不会把写文件、删除文件或执行 Shell 的权限交给 ChatGPT。如果你也在用 Plus，最近又经常撞到 5 小时额度限制，可以试试先把任务分工做好，再开始下一次编码。项目地址：安装后可以直接对 Codex 说： “使用 Codex with ChatGPT 完成首次配置并应用。” #Codex #ChatGPT

18168

34,355 views • 1 month ago

DeepSeek Harness，现已接入 Ekko Studio。选择 DSH 模式，配置服务商与模型，直接开始对话。使用过程中，还能切换模型、查看工具调用记录与执行结果。 Agent 自由选，模型按需配。把不同的 AI 能力，放进同一个工作台。

DeepSeek Harness，现已接入 Ekko Studio。选择 DSH 模式，配置服务商与模型，直接开始对话。使用过程中，还能切换模型、查看工具调用记录与执行结果。 Agent 自由选，模型按需配。把不同的 AI 能力，放进同一个工作台。

libapi

10,912 views • 18 days ago

第一次发露脸视频，我让小白1min就能学会只要你有手，跟着点，1 分钟也能跑起来。用 Codex Desktop 连接 bilibili-cli，让 Codex 帮你自动操作 B 站工具。你不用懂代码。不用会命令行。不用知道什么是环境变量。跟着视频做就行。最后你会看到： Codex 可以自己安装工具、登录账号、搜索 B 站视频、读取结果、整理内容。这不是“AI 聊天”。这是让 AI 开始替你干活。工具链接👇 Codex 下载： bilibili-cli GitHub：时间轴👇 00:00 第一次露脸：小白也能做 AI 自动化 00:20 什么是 CLI？一句话讲明白 01:20 打开 Codex Desktop 01:40 找到 bilibili-cli 工具 02:00 让 Codex 看安装方法 02:20 创建一个新项目 03:00 让 Codex 自动判断怎么装 03:20 Codex 自动安装 bilibili-cli 03:40 开始登录 B 站 04:20 运行 bili login 04:40 手机 / 网页确认登录 05:20 验证 B 站账号信息 06:00 接入 Skill.md，让 Codex 学会用工具 06:40 开始真正实战 07:00 让 Codex 搜索 B 站关键词 07:20 Codex 自动筛选结果 08:00 输出搜索结果和总结 08:20 收尾：小白也能开启 AI 自动化如果你一直觉得 AI 工具很复杂，先看这个。有手就会。 1 分钟入门。

第一次发露脸视频，我让小白1min就能学会只要你有手，跟着点，1 分钟也能跑起来。用 Codex Desktop 连接 bilibili-cli，让 Codex 帮你自动操作 B 站工具。你不用懂代码。不用会命令行。不用知道什么是环境变量。跟着视频做就行。最后你会看到： Codex 可以自己安装工具、登录账号、搜索 B 站视频、读取结果、整理内容。这不是“AI 聊天”。这是让 AI 开始替你干活。工具链接👇 Codex 下载： bilibili-cli GitHub：时间轴👇 00:00 第一次露脸：小白也能做 AI 自动化 00:20 什么是 CLI？一句话讲明白 01:20 打开 Codex Desktop 01:40 找到 bilibili-cli 工具 02:00 让 Codex 看安装方法 02:20 创建一个新项目 03:00 让 Codex 自动判断怎么装 03:20 Codex 自动安装 bilibili-cli 03:40 开始登录 B 站 04:20 运行 bili login 04:40 手机 / 网页确认登录 05:20 验证 B 站账号信息 06:00 接入 Skill.md，让 Codex 学会用工具 06:40 开始真正实战 07:00 让 Codex 搜索 B 站关键词 07:20 Codex 自动筛选结果 08:00 输出搜索结果和总结 08:20 收尾：小白也能开启 AI 自动化如果你一直觉得 AI 工具很复杂，先看这个。有手就会。 1 分钟入门。

Adrian Punk

67,798 views • 4 months ago

BrowserSkill 是腾讯开源的本地桥接工具，为 Cursor、Claude Code、Codex 等能调用 shell 的 AI 智能体提供桥接，让它们操作你已登录的浏览器而不打断你的正常工作。智能体通过 shell 调用 bsk 命令发起浏览器任务，本地守护进程经 WebSocket 把请求转给扩展，扩展在独立的 Agent Window 中执行，不触碰用户其他窗口。复用真实登录态，遇到验证码、登录或确认弹窗时触发人工接管，再交回智能体继续；兼容 macOS、Linux、Windows 上的 Chrome 和 Edge。

BrowserSkill 是腾讯开源的本地桥接工具，为 Cursor、Claude Code、Codex 等能调用 shell 的 AI 智能体提供桥接，让它们操作你已登录的浏览器而不打断你的正常工作。智能体通过 shell 调用 bsk 命令发起浏览器任务，本地守护进程经 WebSocket 把请求转给扩展，扩展在独立的 Agent Window 中执行，不触碰用户其他窗口。复用真实登录态，遇到验证码、登录或确认弹窗时触发人工接管，再交回智能体继续；兼容 macOS、Linux、Windows 上的 Chrome 和 Edge。

Geek

24,720 views • 2 months ago

字节开源了一套 AI Agent 框架：Agent TARS 支持深度研究、电脑操作、文件编辑、MCP。 🌐高级浏览器操作：通过代理框架执行深度研究和操作员功能等复杂任务，实现全面的规划和执行。 🛠️全面的工具支持：集成搜索、文件编辑、MCP，工具来处理复杂的工作流程。 💻️增强的桌面应用程序：改进的用户界面，带有浏览器显示、多模式元素、会话管理、模型配置、对话流可视化以及浏览器/搜索状态跟踪。 🔄 工作流程编排：无缝连接 GUI 代理工具——搜索、浏览、探索链接并将信息合成最终输出。 ⚙️ 开发人员友好框架：简化与 UI-TARS 的集成以及 GUI 代理项目的自定义工作流程创建。演示视频

字节开源了一套 AI Agent 框架：Agent TARS 支持深度研究、电脑操作、文件编辑、MCP。 🌐高级浏览器操作：通过代理框架执行深度研究和操作员功能等复杂任务，实现全面的规划和执行。 🛠️全面的工具支持：集成搜索、文件编辑、MCP，工具来处理复杂的工作流程。 💻️增强的桌面应用程序：改进的用户界面，带有浏览器显示、多模式元素、会话管理、模型配置、对话流可视化以及浏览器/搜索状态跟踪。 🔄 工作流程编排：无缝连接 GUI 代理工具——搜索、浏览、探索链接并将信息合成最终输出。 ⚙️ 开发人员友好框架：简化与 UI-TARS 的集成以及 GUI 代理项目的自定义工作流程创建。演示视频

Orange AI

76,894 views • 1 year ago

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

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

奶牛叔

66,157 views • 2 months ago

AI 写前端越来越“一眼 AI”了？最近又发现一个工具：Impeccable，一个给 Codex、Claude Code、Cursor 安装的一套“设计语言”的工具更准确地说，Impeccable 是一套安装在 AI 编程工具里的“设计语言层”：它通过设计知识、工作流命令、项目上下文和反模式检测，让 Codex、Claude Code、Cursor 等编码代理在修改前端时，少一些模型默认审美，多一些真正的设计判断。平时我们给 AI 的设计要求可能会非常模糊，设计师有时候都未必能真正了解你的需求，何况是AI 所以Impeccable 想补齐那些专业性的知识要求。它不会单纯告诉 AI“把页面做漂亮”，而是把设计工作拆成了多个可以明确调用的专业维度。目前 Impeccable 提供了 23 个命令。它们并不只是一些短提示词，而是包含了相应设计领域的检查步骤、判断标准和工作方法。

AI 写前端越来越“一眼 AI”了？最近又发现一个工具：Impeccable，一个给 Codex、Claude Code、Cursor 安装的一套“设计语言”的工具更准确地说，Impeccable 是一套安装在 AI 编程工具里的“设计语言层”：它通过设计知识、工作流命令、项目上下文和反模式检测，让 Codex、Claude Code、Cursor 等编码代理在修改前端时，少一些模型默认审美，多一些真正的设计判断。平时我们给 AI 的设计要求可能会非常模糊，设计师有时候都未必能真正了解你的需求，何况是AI 所以Impeccable 想补齐那些专业性的知识要求。它不会单纯告诉 AI“把页面做漂亮”，而是把设计工作拆成了多个可以明确调用的专业维度。目前 Impeccable 提供了 23 个命令。它们并不只是一些短提示词，而是包含了相应设计领域的检查步骤、判断标准和工作方法。

sitin

10,762 views • 2 months ago

MiroThinker 1.5：全球最强的开源研究智能体仅 30B参数，却超越 1T 级别的 Kimi-K2-Thinking 推理成本 $0.07（ 1/20 成本）它可以自动搜索信息，然后提出假设 → 查找证据 → 验证 → 修正 → 反复验证→ 最终生成完整结果。一次最多可调用400个工具交互... 测试了下确实有点东西啊，兄弟们我让它： “回顾人类历史上每一次知识革命（文字、印刷、电力、互联网），请分析：AI 革命的独特性与潜在风险。它将如何改变文明的演化方向？” 它进行了几十轮的推理和搜索，其中进行了多次的反复验证和再搜索。搜索的内容覆盖了中外的各种资料和文献非常之牛逼最后给我了一个完整报告它能理解问题、规划步骤，然后调用各种工具去解决任务。具备：自动化信息搜索；支持多步思考与自我纠错；具备长时记忆与上下文理解工具调用与执行；研究级信息整合与评估。通过 memory-managed multi-round reasoning：保留最近 5 次对话上下文；清理无关历史；维持信息完整性与低资源开销。这种交互循环让模型具备了“自主探究式学习（self-directed inquiry）”能力。在 v1.5 版本中，单任务可支持多达400次工具交互，使模型能在复杂任务中形成递归式、层级化的推理链。

MiroThinker 1.5：全球最强的开源研究智能体仅 30B参数，却超越 1T 级别的 Kimi-K2-Thinking 推理成本 $0.07（ 1/20 成本）它可以自动搜索信息，然后提出假设 → 查找证据 → 验证 → 修正 → 反复验证→ 最终生成完整结果。一次最多可调用400个工具交互... 测试了下确实有点东西啊，兄弟们我让它： “回顾人类历史上每一次知识革命（文字、印刷、电力、互联网），请分析：AI 革命的独特性与潜在风险。它将如何改变文明的演化方向？” 它进行了几十轮的推理和搜索，其中进行了多次的反复验证和再搜索。搜索的内容覆盖了中外的各种资料和文献非常之牛逼最后给我了一个完整报告它能理解问题、规划步骤，然后调用各种工具去解决任务。具备：自动化信息搜索；支持多步思考与自我纠错；具备长时记忆与上下文理解工具调用与执行；研究级信息整合与评估。通过 memory-managed multi-round reasoning：保留最近 5 次对话上下文；清理无关历史；维持信息完整性与低资源开销。这种交互循环让模型具备了“自主探究式学习（self-directed inquiry）”能力。在 v1.5 版本中，单任务可支持多达400次工具交互，使模型能在复杂任务中形成递归式、层级化的推理链。

小互

30,992 views • 8 months ago

一行命令,让 AI 别再废话装完 caveman 之后问同样的问题回复直接从一大段废话变成几句干货 token 省了快 90%,关键信息一点没少 npx -y github:JuliusBrussee/caveman 仓库: 视频以 Codex 为例👇 我是金鱼,工具先自己跑通再推荐每天挖一个美股/AI 好工具,欢迎关注

一行命令,让 AI 别再废话装完 caveman 之后问同样的问题回复直接从一大段废话变成几句干货 token 省了快 90%,关键信息一点没少 npx -y github:JuliusBrussee/caveman 仓库: 视频以 Codex 为例👇 我是金鱼,工具先自己跑通再推荐每天挖一个美股/AI 好工具,欢迎关注

JinYu金鱼

13,511 views • 2 months ago

市面上AI工具层出不穷，但每个工具基本上只能解决一个点，实际的工作流里面需要逐个调用，非常费时间，且很难复用 MyShell.AI 近期上线了应用组件拼接能力，我搭了1个Bot, 1分钟把播客变成短视频，还获得了token奖励！本🧵分3部分介绍 1️⃣ 如何搭建复杂任务bot 2️⃣ 经济系统 3️⃣ 终极个人助手 👇

市面上AI工具层出不穷，但每个工具基本上只能解决一个点，实际的工作流里面需要逐个调用，非常费时间，且很难复用 MyShell.AI 近期上线了应用组件拼接能力，我搭了1个Bot, 1分钟把播客变成短视频，还获得了token奖励！本🧵分3部分介绍 1️⃣ 如何搭建复杂任务bot 2️⃣ 经济系统 3️⃣ 终极个人助手 👇

Star@Day1Global Podcast

38,519 views • 2 years ago

这个免费工具让程序员效率暴涨1000%，可以专心摸鱼了🥳 Github 上有个开源自动化工具 Eko，只需几行代码，就能完成以前要花一整天的工作。特别适合于优化平时很耗时的工作流程，从简单的任务到复杂的项目管理，一键搞定! 比如自动帮你分析股票，生成报告💰 链接见评论👇

这个免费工具让程序员效率暴涨1000%，可以专心摸鱼了🥳 Github 上有个开源自动化工具 Eko，只需几行代码，就能完成以前要花一整天的工作。特别适合于优化平时很耗时的工作流程，从简单的任务到复杂的项目管理，一键搞定! 比如自动帮你分析股票，生成报告💰 链接见评论👇

MapleShaw

548,033 views • 1 year ago

一个中国小伙，非程序员出身，利用AI工具，一人一家公司OPC，成功干出了一年1000万的收入！他就是使用CHATGPT等AI工具设计付费的APP工具。他的工作流程是这样子的： 1.洞察需求 2.打磨需求 3.总结需求文档 4.做产品原型图 5.做产品的功能 6.做出MVP 7.验证MVP 8.找到1000个用户 9.设计变现点 10.验证失败验证成功 11.投放市场 AI时代，懂得使用AI工具的人可以放大自身的能力，创造一切可能性，值得我们好好学习。他具体是怎么实现的？请看下面的视频，听他的一一介绍工作流程。

一个中国小伙，非程序员出身，利用AI工具，一人一家公司OPC，成功干出了一年1000万的收入！他就是使用CHATGPT等AI工具设计付费的APP工具。他的工作流程是这样子的： 1.洞察需求 2.打磨需求 3.总结需求文档 4.做产品原型图 5.做产品的功能 6.做出MVP 7.验证MVP 8.找到1000个用户 9.设计变现点 10.验证失败验证成功 11.投放市场 AI时代，懂得使用AI工具的人可以放大自身的能力，创造一切可能性，值得我们好好学习。他具体是怎么实现的？请看下面的视频，听他的一一介绍工作流程。

小龙先生

66,522 views • 4 months ago

兄弟们，火山哥这期给大家带来一篇最全、最简洁、最白话通俗易懂的Codex保姆级完整教学！如果你还在把 AI 当聊天框，一问一答、复制代码、手动调试，那这期真建议直接看完。 Codex 已经不是普通聊天机器人了。它能在本地干活，能同时处理多个复杂任务，还能接管文件、调用外部工具，更像一个真正能执行任务的 AI Agent。视频里主要讲了这些： 00:02 为什么 Codex 比传统 AI 更像“AI 员工” 01:00 基础界面怎么用：丢任务、加文件、加项目文件夹、规划模式、权限设置 02:38 怎么接插件：Gmail、Google Calendar 这类外部工具都能挂进去 05:58 怎么配置 Agent.md：把人设、语言风格、工作原则一次写好，以后不用反复交代 08:40 技能系统怎么用：PDF 生成、图片处理这些技能装一次，后面反复调用 12:47 真实应用场景：IG 图文、广告文案、网站代码、视频脚本、提示词都能跑 16:54 最炸的案例：从零做一个 iOS 音乐播放器 App，从界面到功能再到预览，Codex 自己一路干这期看下来最大感受： Codex 不是“帮你写代码”。是开始替你干活了。建议照着视频顺序跑一遍，先别搞大项目，拿一个落地页、小工具或者内容工作流试试。跑通一次，你大概率就不想回去了。

兄弟们，火山哥这期给大家带来一篇最全、最简洁、最白话通俗易懂的Codex保姆级完整教学！如果你还在把 AI 当聊天框，一问一答、复制代码、手动调试，那这期真建议直接看完。 Codex 已经不是普通聊天机器人了。它能在本地干活，能同时处理多个复杂任务，还能接管文件、调用外部工具，更像一个真正能执行任务的 AI Agent。视频里主要讲了这些： 00:02 为什么 Codex 比传统 AI 更像“AI 员工” 01:00 基础界面怎么用：丢任务、加文件、加项目文件夹、规划模式、权限设置 02:38 怎么接插件：Gmail、Google Calendar 这类外部工具都能挂进去 05:58 怎么配置 Agent.md：把人设、语言风格、工作原则一次写好，以后不用反复交代 08:40 技能系统怎么用：PDF 生成、图片处理这些技能装一次，后面反复调用 12:47 真实应用场景：IG 图文、广告文案、网站代码、视频脚本、提示词都能跑 16:54 最炸的案例：从零做一个 iOS 音乐播放器 App，从界面到功能再到预览，Codex 自己一路干这期看下来最大感受： Codex 不是“帮你写代码”。是开始替你干活了。建议照着视频顺序跑一遍，先别搞大项目，拿一个落地页、小工具或者内容工作流试试。跑通一次，你大概率就不想回去了。

火山哥🕊️

23,740 views • 1 month ago