Loading video...

Video Failed to Load

Go Home

TinyFish：独立开发者必备的Web Agent API Web Agent是什么概念？ 相当于你同时雇了一批大学生，按你的文字要求上网点点点访问网页，找到你要的内容，然后按统一的格式把内容汇总起来。 Web Agent不是搜索，搜索只能获取搜索引擎返回的数据，不能一层层点击页面获取到深层的内容；Web Agent也不是Browser use，Browser use同时只能执行一个任务，Web Agent可以大规模并行任务。 Web Agent能做什么？ · 从多个电商网站查找商品价格、库存 · 查询酒店、餐厅是否营业、可预约时间 · 自动化网页测试 下图是搜索、Browser use和Web Agent的能力对比，视频是Web Agent运行流程演示，实际调用API时是并行任务、响应速度快的多

Gorden_Sun's profile picture

Gorden Sun

47,362 subscribers

60,741 views • 6 months ago •via X (Twitter)

LIVE

Anya Rossi• Live Now

Private livecam show

0 Comments

No comments available

Comments from the original post will appear here

Related Videos

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。
0:50

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 views • 8 months ago

我在MIT看到的Agent 新范式 今天在麻省理工学院的EmTech大会上，看到了一个让我重新思考整个AI agent领域的演示。 演示方是TinyFish，一家相当低调的公司。创始团队里有两位华人，获得了ICONIQ领投的近3.5亿元人民币融资，但在今天之前从未公开展示过他们的核心产品。 而他们正在做的事情，已经在为Google和DoorDash运行超过千万级别的web agent操作... 不是实验室demo，是真实的生产环境。 TinyFish产品能让 AI 能够像人类一样自动操作网页、完成企业级任务... 它可以在没有 API 的情况下，让 AI 自动跨网站读取、理解、操作网页，执行业务流程、采集数据、提交信息、监控变化。 从抓数据、比价格、做填表、查库存，到合规审查与动态定价，都能完成... 可以在几千个网站间实时操作、执行任务。 也就是可以以同时运行一千个ChatGPT Atlas ，然后不间断的，同样的答案运行一千万次... 一个被所有人忽视的事实 TinyFish的CEO Sudheesh在演示中分享了一个震撼的洞察： 现在市面上所有的AI agent，都只能操作5%的网络。 不是因为开发者技术不行，而是因为所有人都在基于搜索引擎构建agent。 而搜索这个范式，早就失效了。 搜索是怎么失效的？ 我们来看一个最简单的例子：Amazon。 Amazon的每个产品页面都被Google完整索引，完全可以爬取。这是搜索引擎最理想的场景。 但当你在Amazon搜索"笔记本电脑"时会发生什么？ 你会看到上万个结果。赞助商品、虚假评论、AI生成的描述铺天盖地。你翻了几页就放弃了，最后随便点一个"看起来还行"的，结账走人。 这不是Amazon的问题。这是搜索范式本身的问题：当数据量太大时，排名就失效了。 Google成功地索引了数百万Amazon页面，但这并没有让搜索变得更有用。Amazon自己建了搜索引擎，也没有解决问题。 网络变得太大了。即使是已经被索引的那部分，排名也已经无法工作。 搜索假设你想"找到"某样东西。但如果你需要"检查所有"东西呢？比较所有供应商？验证每一个选项？** 这时候，整个范式就崩溃了。 那剩下的95%呢？ 更糟糕的是，刚才说的还只是那5%被索引的网络。 剩下95%的网络藏在哪里？ - 需要登录的供应商门户 - 有身份验证的医疗系统 - 只能通过表单提交访问的政府数据库 - 需要多步骤导航的竞争情报 搜索引擎根本接触不到这些。不是技术问题，是架构问题。你无法爬取需要交互才能访问的内容。 所以我们面临两个问题： 1. 被索引的5%网络因为太大而失效 2. 95%的重要数据根本没被索引 两个问题的根源都一样：搜索这个范式假设人类会手动评估结果。当你需要全面的情报而不是排名选项时，它就失效了。 为什么现有方案都解决不了 你可能会想：RAG呢？更好的embedding呢？Browser agents 呢？ 它们都解决不了 因为它们都继承了搜索的核心局限：假设你想"找到"某样东西，而不是"检查所有"东西。 当一个采购团队需要检查200个供应商门户的竞争定价时，排名帮不了你。 当制药公司需要在数千个研究站点匹配临床试验的患者资格时，检索帮不了你。 这不是"这项工作很繁琐我们想自动化"的问题。这是"这种分析在我们需要的规模上根本不可能完成"的问题。 从可读Web到可执行Web Sudheesh解释了他们的解决方案： 不是更好的搜索，而是操作性基础设施。 TinyFish构建的系统可以： - 登录认证系统 - 导航多步骤工作流 - 提取结构化数据 - 同时运行数十万个并行会话 这就是从"可读Web"到"可执行Web"的转变。 浏览器代理（比如OpenAI的Atlas）帮助个人更快地导航网站：一次一个会话，一个浏览器。 TinyFish 的 Mino： 👉 就像一个“AI工厂”，让公司自己创建、部署和管理这些“网页机器人（Web Agents）”。 Mino可在基础设施规模上运行数十万个并行会话，在需要人类团队数周时间完成的复杂工作流中保持准确性。 这不是自行车和摩托车的区别。这是自行车和货运网络的区别。 规模化的证明 这不是理论 TinyFish已经在为ClassPass、Google、DoorDash等公司每月运行3000万次操作。 ClassPass的例子很典型：他们需要聚合数万家健身工作室的课程。大部分工作室没有API，只有手动更新的预订网站。课程安排每天变化，价格因时间、地点和等级而异。 传统方法全部失败： - 人工录入：无法规模化，数据永远过时 - 爬虫：网站一改版就崩溃 - API对接：长尾永远不会开发集成 使用TinyFish后，他们的场馆覆盖率增加了3-4倍，成本降低了50%。 更具体的实际落地案例： 🏨 Google Hotels 日本许多酒店使用老旧系统，无法接入 Google 聚合平台 TinyFish 的代理能自动获取这些酒店的库存与价格； 无需 IT 改造，让 Google Hotels 实现实时更新。 实现 99% 的实时覆盖率 更新频率提升 20 倍 运行量超过 每月 1,000 万+ 操作 🛵 DoorDash 为每个城市部署 AI 代理，自动抓取竞争网站菜单、价格、促销 每小时更新、自动去重与异常检测； 与 DoorDash 内部数据系统自动对接。 每月收集数百万个定价变量； 用于动态调整价格、优化市场响应； 自动化 95% 市场数据采集； 提高预测模型精度 30%； 大幅降低人工调研成本（原来每月人工工时 1200+ 小时）。 这意味着什么 搜索在过去25年里运行得很好，因为网络足够小，人类可以手动评估排名结果。 现在网络太大了。即使是被索引的部分也变得无法管理。而95%的网络从来没被索引过。 接下来的范式不是更好的搜索或更智能的排名。而是能够在整个网络上导航、推理和提取的操作性基础设施：公开的和私密的，被索引的和未被索引的。 Agent功能的发展速度远超预期。短短36个月，我们就从"AI起草邮件"发展到了"AI运行完整工作流"。 TinyFish可能在企业规模的实际落地上已经领先了。 他们正在向开发者开放这个基础设施。如果你在构建需要大规模可靠性的agent产品，这可能是一个值得关注的早期信号。
0:25

我在MIT看到的Agent 新范式 今天在麻省理工学院的EmTech大会上，看到了一个让我重新思考整个AI agent领域的演示。 演示方是TinyFish，一家相当低调的公司。创始团队里有两位华人，获得了ICONIQ领投的近3.5亿元人民币融资，但在今天之前从未公开展示过他们的核心产品。 而他们正在做的事情，已经在为Google和DoorDash运行超过千万级别的web agent操作... 不是实验室demo，是真实的生产环境。 TinyFish产品能让 AI 能够像人类一样自动操作网页、完成企业级任务... 它可以在没有 API 的情况下，让 AI 自动跨网站读取、理解、操作网页，执行业务流程、采集数据、提交信息、监控变化。 从抓数据、比价格、做填表、查库存，到合规审查与动态定价，都能完成... 可以在几千个网站间实时操作、执行任务。 也就是可以以同时运行一千个ChatGPT Atlas ，然后不间断的，同样的答案运行一千万次... 一个被所有人忽视的事实 TinyFish的CEO Sudheesh在演示中分享了一个震撼的洞察： 现在市面上所有的AI agent，都只能操作5%的网络。 不是因为开发者技术不行，而是因为所有人都在基于搜索引擎构建agent。 而搜索这个范式，早就失效了。 搜索是怎么失效的？ 我们来看一个最简单的例子：Amazon。 Amazon的每个产品页面都被Google完整索引，完全可以爬取。这是搜索引擎最理想的场景。 但当你在Amazon搜索"笔记本电脑"时会发生什么？ 你会看到上万个结果。赞助商品、虚假评论、AI生成的描述铺天盖地。你翻了几页就放弃了，最后随便点一个"看起来还行"的，结账走人。 这不是Amazon的问题。这是搜索范式本身的问题：当数据量太大时，排名就失效了。 Google成功地索引了数百万Amazon页面，但这并没有让搜索变得更有用。Amazon自己建了搜索引擎，也没有解决问题。 网络变得太大了。即使是已经被索引的那部分，排名也已经无法工作。 搜索假设你想"找到"某样东西。但如果你需要"检查所有"东西呢？比较所有供应商？验证每一个选项？** 这时候，整个范式就崩溃了。 那剩下的95%呢？ 更糟糕的是，刚才说的还只是那5%被索引的网络。 剩下95%的网络藏在哪里？ - 需要登录的供应商门户 - 有身份验证的医疗系统 - 只能通过表单提交访问的政府数据库 - 需要多步骤导航的竞争情报 搜索引擎根本接触不到这些。不是技术问题，是架构问题。你无法爬取需要交互才能访问的内容。 所以我们面临两个问题： 1. 被索引的5%网络因为太大而失效 2. 95%的重要数据根本没被索引 两个问题的根源都一样：搜索这个范式假设人类会手动评估结果。当你需要全面的情报而不是排名选项时，它就失效了。 为什么现有方案都解决不了 你可能会想：RAG呢？更好的embedding呢？Browser agents 呢？ 它们都解决不了 因为它们都继承了搜索的核心局限：假设你想"找到"某样东西，而不是"检查所有"东西。 当一个采购团队需要检查200个供应商门户的竞争定价时，排名帮不了你。 当制药公司需要在数千个研究站点匹配临床试验的患者资格时，检索帮不了你。 这不是"这项工作很繁琐我们想自动化"的问题。这是"这种分析在我们需要的规模上根本不可能完成"的问题。 从可读Web到可执行Web Sudheesh解释了他们的解决方案： 不是更好的搜索，而是操作性基础设施。 TinyFish构建的系统可以： - 登录认证系统 - 导航多步骤工作流 - 提取结构化数据 - 同时运行数十万个并行会话 这就是从"可读Web"到"可执行Web"的转变。 浏览器代理（比如OpenAI的Atlas）帮助个人更快地导航网站：一次一个会话，一个浏览器。 TinyFish 的 Mino： 👉 就像一个“AI工厂”，让公司自己创建、部署和管理这些“网页机器人（Web Agents）”。 Mino可在基础设施规模上运行数十万个并行会话，在需要人类团队数周时间完成的复杂工作流中保持准确性。 这不是自行车和摩托车的区别。这是自行车和货运网络的区别。 规模化的证明 这不是理论 TinyFish已经在为ClassPass、Google、DoorDash等公司每月运行3000万次操作。 ClassPass的例子很典型：他们需要聚合数万家健身工作室的课程。大部分工作室没有API，只有手动更新的预订网站。课程安排每天变化，价格因时间、地点和等级而异。 传统方法全部失败： - 人工录入：无法规模化，数据永远过时 - 爬虫：网站一改版就崩溃 - API对接：长尾永远不会开发集成 使用TinyFish后，他们的场馆覆盖率增加了3-4倍，成本降低了50%。 更具体的实际落地案例： 🏨 Google Hotels 日本许多酒店使用老旧系统，无法接入 Google 聚合平台 TinyFish 的代理能自动获取这些酒店的库存与价格； 无需 IT 改造，让 Google Hotels 实现实时更新。 实现 99% 的实时覆盖率 更新频率提升 20 倍 运行量超过 每月 1,000 万+ 操作 🛵 DoorDash 为每个城市部署 AI 代理，自动抓取竞争网站菜单、价格、促销 每小时更新、自动去重与异常检测； 与 DoorDash 内部数据系统自动对接。 每月收集数百万个定价变量； 用于动态调整价格、优化市场响应； 自动化 95% 市场数据采集； 提高预测模型精度 30%； 大幅降低人工调研成本（原来每月人工工时 1200+ 小时）。 这意味着什么 搜索在过去25年里运行得很好，因为网络足够小，人类可以手动评估排名结果。 现在网络太大了。即使是被索引的部分也变得无法管理。而95%的网络从来没被索引过。 接下来的范式不是更好的搜索或更智能的排名。而是能够在整个网络上导航、推理和提取的操作性基础设施：公开的和私密的，被索引的和未被索引的。 Agent功能的发展速度远超预期。短短36个月，我们就从"AI起草邮件"发展到了"AI运行完整工作流"。 TinyFish可能在企业规模的实际落地上已经领先了。 他们正在向开发者开放这个基础设施。如果你在构建需要大规模可靠性的agent产品，这可能是一个值得关注的早期信号。

小互

43,186 views • 10 months ago

🚀太强了！Claude Code 现在可以控制 Workflow 的规模了。 目前一共有 4 个选项： unrestricted：不限制规模，由 Claude 根据任务复杂度自行决定 small：少于 5 个 Agent medium：少于 15 个 Agent，也是默认选项 large：少于 50 个 Agent 需要注意的是，这些更像是“规模建议”，而不是硬性上限。 如果你的 Prompt 明确要求使用不同数量的 Agent，Claude 仍然可能覆盖当前设置，采用更适合任务的规模。 对于担心 Workflow 开太多 Agent、消耗过高，或者想控制执行复杂度的人来说，这个功能非常实用。 #ClaudeCode #Workflows
0:24

🚀太强了！Claude Code 现在可以控制 Workflow 的规模了。 目前一共有 4 个选项： unrestricted：不限制规模，由 Claude 根据任务复杂度自行决定 small：少于 5 个 Agent medium：少于 15 个 Agent，也是默认选项 large：少于 50 个 Agent 需要注意的是，这些更像是“规模建议”，而不是硬性上限。 如果你的 Prompt 明确要求使用不同数量的 Agent，Claude 仍然可能覆盖当前设置，采用更适合任务的规模。 对于担心 Workflow 开太多 Agent、消耗过高，或者想控制执行复杂度的人来说，这个功能非常实用。 #ClaudeCode #Workflows

AI超元域

15,061 views • 1 month ago

兄弟们，这个项目简直是搞自媒体神器啊！ 斩获3.5K Star，还直接开源免费啊！ 还不赶紧给你的Agent搞起来啊 又有一个给AI Agent装“互联网眼睛”的开源项目，叫Agent-Reach。 它通过一个CLI工具，让Agent能免费读取和搜索Twitter、Reddit、YouTube、GitHub、B站、小红书等多个平台的内容。 核心不是自己写爬虫，最牛的是智能选择当下最稳定的开源后端工具，并自动做健康检查和故障切换。 安装后，Agent就能直接处理“帮我看这个YouTube视频的字幕”“搜一下Twitter上对这个产品的评价”“全网搜LLM框架对比”这类任务，而且全程零API费用、本地运行。 最实用的是它把这些碎片化的能力封装成了Agent可直接调用的skill，还做了多后端路由和自动降级，让整个系统更稳定可靠。 这其实是在补齐当前很多agent最缺的一块能力：低成本、可靠的网页和社交媒体内容获取。 非常丝滑和nice，搞创作搜集信息的兄弟们，别错过了！ ✍🏻项目地址，记得给作者Star啊，见评论区👇🏻
0:48

兄弟们，这个项目简直是搞自媒体神器啊！ 斩获3.5K Star，还直接开源免费啊！ 还不赶紧给你的Agent搞起来啊 又有一个给AI Agent装“互联网眼睛”的开源项目，叫Agent-Reach。 它通过一个CLI工具，让Agent能免费读取和搜索Twitter、Reddit、YouTube、GitHub、B站、小红书等多个平台的内容。 核心不是自己写爬虫，最牛的是智能选择当下最稳定的开源后端工具，并自动做健康检查和故障切换。 安装后，Agent就能直接处理“帮我看这个YouTube视频的字幕”“搜一下Twitter上对这个产品的评价”“全网搜LLM框架对比”这类任务，而且全程零API费用、本地运行。 最实用的是它把这些碎片化的能力封装成了Agent可直接调用的skill，还做了多后端路由和自动降级，让整个系统更稳定可靠。 这其实是在补齐当前很多agent最缺的一块能力：低成本、可靠的网页和社交媒体内容获取。 非常丝滑和nice，搞创作搜集信息的兄弟们，别错过了！ ✍🏻项目地址，记得给作者Star啊，见评论区👇🏻

Berryxia.AI

26,564 views • 2 months ago

llm_wiki v0.5 版本更新发布🎉🎉🎉 本次更新是一个大的功能更新，llm_wiki 正式从 RAG 形式修改为 Agent 形式运行 现在的 chat 对话，背后流程是一个完善的 agent 智能体处理流程，以知识库为基础，引入模块化的 tools 调用，以前每次对话都会进行 RAG 召回，现在改为 AI 智能判断，是否检索知识库、还是调用 Web 搜索 同时优化了界面显示，未来将会不断引入 skills 以及更多内置 tools 能力，让 llm_wiki 更加强大更加智能。 同时 star 数也来到了 12.6k ，感谢大家支持 项目地址：
1:11

llm_wiki v0.5 版本更新发布🎉🎉🎉 本次更新是一个大的功能更新，llm_wiki 正式从 RAG 形式修改为 Agent 形式运行 现在的 chat 对话，背后流程是一个完善的 agent 智能体处理流程，以知识库为基础，引入模块化的 tools 调用，以前每次对话都会进行 RAG 召回，现在改为 AI 智能判断，是否检索知识库、还是调用 Web 搜索 同时优化了界面显示，未来将会不断引入 skills 以及更多内置 tools 能力，让 llm_wiki 更加强大更加智能。 同时 star 数也来到了 12.6k ，感谢大家支持 项目地址：

nash_su - e/acc

11,723 views • 2 months ago

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。
0:35

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

62,129 views • 5 months ago

昨天看很多人转发Apodex 1.1 一个专门面向深度研究而打造的 Agent 专门解决那种"没有现成答案、需要大量调研才能搞定"的硬问题 好奇测试了下，跑了俩任务，一下午都没跑完😅 执行时间是真长 这玩意能你只要给它个目标，它就能能长时间运行、失败后能自动修复，还能自己验证交付结果是否准确 它在接到任务后，主 Agent 拆解成各种子问题，异步派发给专业化的子 Agent执行，每个子 Agent 有自己独立的上下文、提示词和工具集。 子 Agent 的报告汇入共享报告池，编排器异步读取，不会被最慢的那个卡住。单任务最高可调度 150 个子 Agent 解决的是什么问题呢？ 过去： 一次提问，一段回答，一份报告。 衡量标准通常是： 答案对不对 知识覆盖够不够 引用多不多 报告写得是否完整 Apodex 想提出的新的要求： 一项从输入到交付的完整任务，衡量标准变成： 是否理解目标 是否能操作真实文件 是否能调用代码和工具 是否能维护长任务状态 遇到变化能否局部调整 执行失败能否自行恢复 最终结论是否可以核查 因此，它真正挑战的是当前 Deep Research 的产品形态： 搜集资料和生成报告，只覆盖了复杂任务的一部分。 真正的专业任务还需要读文件、清洗数据、选择方法、执行代码、处理异常、核查结论。 所以特别适合：科研人员、分析师、专业用户
1:25

昨天看很多人转发Apodex 1.1 一个专门面向深度研究而打造的 Agent 专门解决那种"没有现成答案、需要大量调研才能搞定"的硬问题 好奇测试了下，跑了俩任务，一下午都没跑完😅 执行时间是真长 这玩意能你只要给它个目标，它就能能长时间运行、失败后能自动修复，还能自己验证交付结果是否准确 它在接到任务后，主 Agent 拆解成各种子问题，异步派发给专业化的子 Agent执行，每个子 Agent 有自己独立的上下文、提示词和工具集。 子 Agent 的报告汇入共享报告池，编排器异步读取，不会被最慢的那个卡住。单任务最高可调度 150 个子 Agent 解决的是什么问题呢？ 过去： 一次提问，一段回答，一份报告。 衡量标准通常是： 答案对不对 知识覆盖够不够 引用多不多 报告写得是否完整 Apodex 想提出的新的要求： 一项从输入到交付的完整任务，衡量标准变成： 是否理解目标 是否能操作真实文件 是否能调用代码和工具 是否能维护长任务状态 遇到变化能否局部调整 执行失败能否自行恢复 最终结论是否可以核查 因此，它真正挑战的是当前 Deep Research 的产品形态： 搜集资料和生成报告，只覆盖了复杂任务的一部分。 真正的专业任务还需要读文件、清洗数据、选择方法、执行代码、处理异常、核查结论。 所以特别适合：科研人员、分析师、专业用户

小互

13,825 views • 14 days ago

要想Agent好用，它搜索到数据源是关键！！ 但问题是大部分Agent自带的AI搜索，往往会出现很多搜索多次，搜索返回结果混乱等问题 昨天朋友推荐我试用他们接了专业数据源的AnySearch 官网： GitHub： 发现它的搜索效果很好，特别适合办公用（具体可以看视频，我展示一个用法），更关键的是，免费就能用。 当然，这它还有不少优点👇
0:41

要想Agent好用，它搜索到数据源是关键！！ 但问题是大部分Agent自带的AI搜索，往往会出现很多搜索多次，搜索返回结果混乱等问题 昨天朋友推荐我试用他们接了专业数据源的AnySearch 官网： GitHub： 发现它的搜索效果很好，特别适合办公用（具体可以看视频，我展示一个用法），更关键的是，免费就能用。 当然，这它还有不少优点👇

铁锤人

36,629 views • 3 months ago

千问现在除了点外卖、定机票、酒店预订外，还出了个任务助理， 刚刚体验了下，感觉还不错的，实际就是agent，，能查资料，写报告，做办公总结及网站开发 一个任务能查4000个网页，115次API调用😂，果然大厂有资源优势啊，框框给你一顿查，速度也还行。 可惜主要是查国内资源，百度比较多。。。 要是能查国际资源就好了，不过内容让Gemini复核了下，准确度还是可以的 我这里还有两个邀测码有需要的朋友可以留言，明早随机抽两位私发😊
0:51

千问现在除了点外卖、定机票、酒店预订外，还出了个任务助理， 刚刚体验了下，感觉还不错的，实际就是agent，，能查资料，写报告，做办公总结及网站开发 一个任务能查4000个网页，115次API调用😂，果然大厂有资源优势啊，框框给你一顿查，速度也还行。 可惜主要是查国内资源，百度比较多。。。 要是能查国际资源就好了，不过内容让Gemini复核了下，准确度还是可以的 我这里还有两个邀测码有需要的朋友可以留言，明早随机抽两位私发😊

岚叔

19,936 views • 7 months ago

肝了几天,来回打磨了快 30 遍, 一次性把最新的 Claude Code 的 Workflow 给你完全拆解清楚 有人说它的伟大程度,不亚于 MCP 和 Skill。 第一眼我是不信的,直到拆开看它内部怎么跑： 这不是"问一句答一句"的对话,而是一个能自己跑起来的任务系统:后台持续执行、可监控、可保存进度, 还能一口气派出几十上百个 agent 分头干活/合并汇总。 核心就三个角色: Claude 拆任务、定计划; Runtime 管调度和状态; 每个 agent 只啃一个子任务,配上并发池和队列,有节奏地推进。 它代表的是一种新的工程编排方式:智能负责规划,Runtime 负责执行,状态独立保存,模型按需调度。 最反直觉的一点:它能扩展到上百个 agent,靠的不是模型变强,而是"状态外置"—中间结果全交给执行系统保存,主上下文只看摘要和关键判断。这才是复杂任务能跑稳的真正原因。 这条视频直接给了你把它搬进自己系统的方法: 先用 Claude Code 做高质量规划、拆任务定阶段; 再把 workflow 转成自己的执行格式,按任务难度路由到不同模型池，简单的走便宜模型，复杂的才上高阶模型。 这条视频,值得反复看几遍👇
6:17

肝了几天,来回打磨了快 30 遍, 一次性把最新的 Claude Code 的 Workflow 给你完全拆解清楚 有人说它的伟大程度,不亚于 MCP 和 Skill。 第一眼我是不信的,直到拆开看它内部怎么跑： 这不是"问一句答一句"的对话,而是一个能自己跑起来的任务系统:后台持续执行、可监控、可保存进度, 还能一口气派出几十上百个 agent 分头干活/合并汇总。 核心就三个角色: Claude 拆任务、定计划; Runtime 管调度和状态; 每个 agent 只啃一个子任务,配上并发池和队列,有节奏地推进。 它代表的是一种新的工程编排方式:智能负责规划,Runtime 负责执行,状态独立保存,模型按需调度。 最反直觉的一点:它能扩展到上百个 agent,靠的不是模型变强,而是"状态外置"—中间结果全交给执行系统保存,主上下文只看摘要和关键判断。这才是复杂任务能跑稳的真正原因。 这条视频直接给了你把它搬进自己系统的方法: 先用 Claude Code 做高质量规划、拆任务定阶段; 再把 workflow 转成自己的执行格式,按任务难度路由到不同模型池，简单的走便宜模型，复杂的才上高阶模型。 这条视频,值得反复看几遍👇

huangserva

143,271 views • 3 months ago

WorkBuddy中SkillHub官网的技能个数已经来看了7.8 万，这正是我觉得WorkBubby 的恐怖之处。 你在Codex中只能眼巴巴的到网上到GitHub 到其他平台上找，但是在WorkBuddy你可以直接搜索这7.8万个技能。 但是在搜索技能的时候有个小技巧，WorkBuddy中的搜索好像是关键字的，所以能搜索出符合你要求的技能就很少。这里我教你一招，在WorkBuddy中点击跳转到 进行搜索。 同时搜索出来的skill，有三种方式进行安装，有需要的详情请看视频。 最后附上skillhub官网地址：
2:39

WorkBuddy中SkillHub官网的技能个数已经来看了7.8 万，这正是我觉得WorkBubby 的恐怖之处。 你在Codex中只能眼巴巴的到网上到GitHub 到其他平台上找，但是在WorkBuddy你可以直接搜索这7.8万个技能。 但是在搜索技能的时候有个小技巧，WorkBuddy中的搜索好像是关键字的，所以能搜索出符合你要求的技能就很少。这里我教你一招，在WorkBuddy中点击跳转到 进行搜索。 同时搜索出来的skill，有三种方式进行安装，有需要的详情请看视频。 最后附上skillhub官网地址：

AI少年

40,292 views • 1 month ago

发现一个被低估的 AI 基建：XCrawl XCrawl是一个网页抓取和数据采集的API，它让 Agent 拥有了真正意义上的"上网能力"。 它提供几个核心能力： - Scrape：抓单个页面 - Crawl：批量跑整个站点 - Map：摸清网站结构 - Search：拿搜索结果 从单页到整站，从搜索到整理，一步打通。 用下来最直接的感受： - 不给一堆原始HTML，直接输出Markdown、JSON、摘要、链接 - 基本不用二次清洗，拿来就能用 - 动态页面（JS渲染）也能处理 - 地区、语言、结构化提取都支持 - 成功率稳定 如果你在用OpenClaw，会发现很多Agent卡住不是因为模型不行，而是数据不好用。 XCrawl正好解决这块——让Agent自己搜、抓、读，继续执行下去。OpenClaw负责决策，XCrawl负责把信息接进来。 能落地的场景： - 电商选品、竞品整理 - 招聘、社交、新闻信息汇总 - SEO关键词跟踪 - 自动整理资料、生成报告 原本需要人工收集的数据，现在跑个流程就行。 它遵循公开网页+合规采集的原则，自带规则约束。 这不是更强的爬虫，而是把"获取数据"变成可以直接接进Agent的能力。 做Agent或自动化，XCrawl 是一个趁手的工具。
0:31

发现一个被低估的 AI 基建：XCrawl XCrawl是一个网页抓取和数据采集的API，它让 Agent 拥有了真正意义上的"上网能力"。 它提供几个核心能力： - Scrape：抓单个页面 - Crawl：批量跑整个站点 - Map：摸清网站结构 - Search：拿搜索结果 从单页到整站，从搜索到整理，一步打通。 用下来最直接的感受： - 不给一堆原始HTML，直接输出Markdown、JSON、摘要、链接 - 基本不用二次清洗，拿来就能用 - 动态页面（JS渲染）也能处理 - 地区、语言、结构化提取都支持 - 成功率稳定 如果你在用OpenClaw，会发现很多Agent卡住不是因为模型不行，而是数据不好用。 XCrawl正好解决这块——让Agent自己搜、抓、读，继续执行下去。OpenClaw负责决策，XCrawl负责把信息接进来。 能落地的场景： - 电商选品、竞品整理 - 招聘、社交、新闻信息汇总 - SEO关键词跟踪 - 自动整理资料、生成报告 原本需要人工收集的数据，现在跑个流程就行。 它遵循公开网页+合规采集的原则，自带规则约束。 这不是更强的爬虫，而是把"获取数据"变成可以直接接进Agent的能力。 做Agent或自动化，XCrawl 是一个趁手的工具。

开发者Hailey

29,538 views • 5 months ago

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

50,830 views • 28 days ago

试了一下昨天这个海外产品 MuleRun，发现很牛啊。 从理念和效果上看都很厉害，感觉 Agent 产品要有新品类了。 我眼睁睁看这个 AI 帮我打完了星穹铁道的每日任务。 这个最强的核心能力是，每个用户都会有一个完整的虚拟机可以运行 Agent 帮你操作里面的软件，不只是浏览器。 Agent 创建者可以把完成任务的环境建好，用户就能直接用这些自动化的 Agent。 不是 Manus 那种你只能看到有限文件和界面的，你甚至可以自己操作里面的 Windows 电脑，这样想象力就丰富超级多了，Agent 终于拜托了 Office 三件套和网页生成。 他可以帮你自动做游戏的日常，能帮你用 Blender 建模。里面甚至还有帮你自动打崩坏星穹铁道的每日任务的 Agent 。 我亲眼看着他找到游戏的图标启动引导我登录之后开始自己操作角色和界面打对应的日常任务，太省心了，而且这个不死板，你可以指定任务完成的顺序和轮数以及完成哪些任务。 我还用里面的 Blender Agent 让他创建了一个灯塔模型。 里面还有帮你做视频的以及刷评论作图的 Agent，要是有邀请可以试试，很好玩。
1:21

试了一下昨天这个海外产品 MuleRun，发现很牛啊。 从理念和效果上看都很厉害，感觉 Agent 产品要有新品类了。 我眼睁睁看这个 AI 帮我打完了星穹铁道的每日任务。 这个最强的核心能力是，每个用户都会有一个完整的虚拟机可以运行 Agent 帮你操作里面的软件，不只是浏览器。 Agent 创建者可以把完成任务的环境建好，用户就能直接用这些自动化的 Agent。 不是 Manus 那种你只能看到有限文件和界面的，你甚至可以自己操作里面的 Windows 电脑，这样想象力就丰富超级多了，Agent 终于拜托了 Office 三件套和网页生成。 他可以帮你自动做游戏的日常，能帮你用 Blender 建模。里面甚至还有帮你自动打崩坏星穹铁道的每日任务的 Agent 。 我亲眼看着他找到游戏的图标启动引导我登录之后开始自己操作角色和界面打对应的日常任务，太省心了，而且这个不死板，你可以指定任务完成的顺序和轮数以及完成哪些任务。 我还用里面的 Blender Agent 让他创建了一个灯塔模型。 里面还有帮你做视频的以及刷评论作图的 Agent，要是有邀请可以试试，很好玩。

歸藏(guizang.ai)

62,627 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! 👀
1:31

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 • 2 months ago

国产最新的多模态模型来了！！ 前两周我刚体验过国产的阶跃星辰大模型，没想到这么快他们的新模型 Step 3.7 Flash 就出了。 现在大模型一发布必卷 benchmark 分数，但真正做 Agent 的人都清楚：跑分高 ≠ 能把活干完。 所以这次阶跃星辰的新模型 Step 3.7 Flash 它再不追求单点最聪明、也不只是单次最快，而是主打“生产任务端到端执行效率”。 一个真实的 Agent 任务从来不是一次问答，而是规划 → 搜索 → 工具调用 → 代码生成 → 多模态理解 → 反复校验的完整闭环，Step 3.7 Flash 这次升级的重点是整条链路的效率，而不是某个孤立指标。 提几个我觉得挺务实的点： 1. 原生多模态模型：它可以直接处理 UI 截图、图表、仪表盘、文档，原生读懂并转成结构化输出和可执行步骤，不需要像一些模型那样外挂视觉理解 MCP，而且现在多模态是顶级模型的标配。 2. 推理加入搜索和视觉检索：网页搜索、图像搜索、视觉验证、多源信息比对，让 Agent 在开放任务里边查边验证边行动，而不是事后再接个外部工具。 3. 198B MoE、约 11B 激活参数，最高 400 TPS：稀疏激活 + 这个速度，意味着高频交互、多步工作流、反复工具调用的场景下，单位任务的成本和延迟都压得很低——快和省是一起来的。 4. 开源、可部署：生产环境要的不只是 API，还有透明度、可控性和部署灵活性。 如果你在做 AI Agent、coding 工作流、搜索类应用或多模态系统，值得用 StepFun 试试这款新模型的能力。 想看更进阶的平台能力，可以了解 Step Plan。 海外平台： 国内平台：
4:53

国产最新的多模态模型来了！！ 前两周我刚体验过国产的阶跃星辰大模型，没想到这么快他们的新模型 Step 3.7 Flash 就出了。 现在大模型一发布必卷 benchmark 分数，但真正做 Agent 的人都清楚：跑分高 ≠ 能把活干完。 所以这次阶跃星辰的新模型 Step 3.7 Flash 它再不追求单点最聪明、也不只是单次最快，而是主打“生产任务端到端执行效率”。 一个真实的 Agent 任务从来不是一次问答，而是规划 → 搜索 → 工具调用 → 代码生成 → 多模态理解 → 反复校验的完整闭环，Step 3.7 Flash 这次升级的重点是整条链路的效率，而不是某个孤立指标。 提几个我觉得挺务实的点： 1. 原生多模态模型：它可以直接处理 UI 截图、图表、仪表盘、文档，原生读懂并转成结构化输出和可执行步骤，不需要像一些模型那样外挂视觉理解 MCP，而且现在多模态是顶级模型的标配。 2. 推理加入搜索和视觉检索：网页搜索、图像搜索、视觉验证、多源信息比对，让 Agent 在开放任务里边查边验证边行动，而不是事后再接个外部工具。 3. 198B MoE、约 11B 激活参数，最高 400 TPS：稀疏激活 + 这个速度，意味着高频交互、多步工作流、反复工具调用的场景下，单位任务的成本和延迟都压得很低——快和省是一起来的。 4. 开源、可部署：生产环境要的不只是 API，还有透明度、可控性和部署灵活性。 如果你在做 AI Agent、coding 工作流、搜索类应用或多模态系统，值得用 StepFun 试试这款新模型的能力。 想看更进阶的平台能力，可以了解 Step Plan。 海外平台： 国内平台：

耳朵

12,345 views • 3 months ago

酷，阿里出的一个可以让LLM像人类一样在网上搜索信息的多智能体框架：WebWalker，它可以让LLM能自动点击链接、阅读网页、理解信息、最终给出答案，解决传统搜索引擎只能浅层搜索的问题 系统包含两个智能体，一个找信息助手，负责点击链接、浏览网页内容； 一个判断助手，判断找到的信息够不够， 是否需要继续找，给出答案 垂直搜索能力强，能处理复杂问题，可以深入多个网页，找到隐藏的信息 它可以和现有的AI问答系统（比如RAG）结合，比如RAG系统以前只能找到一些简单的答案，加上WebWalker后，可以增强处理复杂网络信息的能力 #AI上网助手 #WebWalker #AI问答助手 #RAG
0:20

酷，阿里出的一个可以让LLM像人类一样在网上搜索信息的多智能体框架：WebWalker，它可以让LLM能自动点击链接、阅读网页、理解信息、最终给出答案，解决传统搜索引擎只能浅层搜索的问题 系统包含两个智能体，一个找信息助手，负责点击链接、浏览网页内容； 一个判断助手，判断找到的信息够不够， 是否需要继续找，给出答案 垂直搜索能力强，能处理复杂问题，可以深入多个网页，找到隐藏的信息 它可以和现有的AI问答系统（比如RAG）结合，比如RAG系统以前只能找到一些简单的答案，加上WebWalker后，可以增强处理复杂网络信息的能力 #AI上网助手 #WebWalker #AI问答助手 #RAG

AIGCLINK

34,435 views • 1 year ago