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。

万万没想到，居然可以在 Coze 上连接本地 Agent 了。以前我们用 Agent，常常是各跑各的：Claude Code 在本地，Codex CLI 在命令行，OpenClaw 又是另一个入口。 Coze 3.0 把这些能力拉进了同一个项目，让它们像一个真正的本地 Agent 团队一样协作。这期视频我用一个实际案例演示：通过 Coze 3.0 组织 Claude Code、Codex CLI 和 OpenClaw 分工推进，最终Agent团队共同复刻推特一个比较火的Godot小游戏。👇

huangserva

33,730 subscribers

71,142 次观看 • 15 天前 •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

👏扣子3.0 发布了。这版我最期待的两个功能：一是"多人多 Agent 协作"——把不同的 Agent 拉进同一个项目，@ 来 @ 去分工干活；二是能把本地的 Claude Code、Codex 直接接进去托管。我平时主力就用 Claude Code，自己还折腾过几个让多 Agent 协作的小工具： - multi-agent：用 tmux 分屏把 Claude、Codex 拉起来，按顺序调度 - hero-coding：一个 Go 写的小程序，让 Agent 写完代码自动跑测试、再过一遍审查 - roundtable：让几个不同的模型对着同一个问题互相辩论，出一个结论我第一时间就上手了。先接入：本地配好的 Claude Code、Codex 点几下就接进来托管，不用重配；一个项目里我拉三个 Agent —— 本地的 Claude Code、本地的 Codex、Coze Agent。然后我在项目里 @ Claude Code，让它读我本地那个 hero-coding，它确实能读到内容，而且不单单是能读文件。我又让它调我本地的 imgen SKILL（我自己写的文生图工具）生成一张图，再通过我自己的 coze-bridge 把图发回聊天里——图真出来了，一张未来感城市夜景。也就是说，我电脑上的整套工具链、skill 它都能调起来用，云端和本地直接打通。

👏扣子3.0 发布了。这版我最期待的两个功能：一是"多人多 Agent 协作"——把不同的 Agent 拉进同一个项目，@ 来 @ 去分工干活；二是能把本地的 Claude Code、Codex 直接接进去托管。我平时主力就用 Claude Code，自己还折腾过几个让多 Agent 协作的小工具： - multi-agent：用 tmux 分屏把 Claude、Codex 拉起来，按顺序调度 - hero-coding：一个 Go 写的小程序，让 Agent 写完代码自动跑测试、再过一遍审查 - roundtable：让几个不同的模型对着同一个问题互相辩论，出一个结论我第一时间就上手了。先接入：本地配好的 Claude Code、Codex 点几下就接进来托管，不用重配；一个项目里我拉三个 Agent —— 本地的 Claude Code、本地的 Codex、Coze Agent。然后我在项目里 @ Claude Code，让它读我本地那个 hero-coding，它确实能读到内容，而且不单单是能读文件。我又让它调我本地的 imgen SKILL（我自己写的文生图工具）生成一张图，再通过我自己的 coze-bridge 把图发回聊天里——图真出来了，一张未来感城市夜景。也就是说，我电脑上的整套工具链、skill 它都能调起来用，云端和本地直接打通。

劳伦斯

26,809 次观看 • 15 天前

这是我用 OpenClaw 搭的 AI 团队。他们各司其职，不用睡觉，做了很多我一个人根本做不过来的事情。这期视频我想分享我的 AI 团队到底长什么样。然后我们再一步一步，搭出属于你自己的 AI 团队，视频会讲，如何创建一个agent，在openclaw里面Agent具体是什么， Agent 之间怎么协作，什么时候需要多个agent以及最佳实践。

这是我用 OpenClaw 搭的 AI 团队。他们各司其职，不用睡觉，做了很多我一个人根本做不过来的事情。这期视频我想分享我的 AI 团队到底长什么样。然后我们再一步一步，搭出属于你自己的 AI 团队，视频会讲，如何创建一个agent，在openclaw里面Agent具体是什么， Agent 之间怎么协作，什么时候需要多个agent以及最佳实践。

木子不写代码

133,522 次观看 • 3 个月前

有一个超级暴论：现阶段的 OpenClaw 根本不适合团队协作！！折腾过的人，应该都有类似的感受！ OpenClaw 本质上其实是一个很强的 Agent 底座！你可以把它接入到自己的团队工作流里，把 Agent 搭起来，把渠道接进去，把能力跑通，每个人都能让Agent干事情，但是再进一步就会发现真正的问题：团队怎么一起用？中间产出和最终结果都沉淀在哪？前面做过的分析、写过的文档、跑过的方法，怎么变成团队可复用资产？新的成员进来，怎么接着往下做，而不是从头再来一遍？这些，落到实际的应用中，都是坑！最近，Flowus团队开发了一个新产品： Kollab Kollab 似乎解决了上面这些问题，它的思路很直接：把 Agent 直接变成工作流的一部分。这是什么意思呢？ OpenClaw 解决的是：我个人怎么拥有一个随叫随到、能力很强、自己可控的 AI。而 Kollab 解决的是：怎么让 AI 参与真实的团队工作，让做过的事能留下来，方法能复用，团队能协作。对于内容团队、研究团队、小型创业团队来说，一定知道这其中的区别！！你可以很简单的建立不同的项目组，或者工作空间，每个项目组里都有 Agent，项目推进的全过程中，所有的工作流、产出和方法论，都会沉淀在这个空间里。当下次遇到同类型的B项目时，就可以一键复用A项目沉淀下来“工作资产”。我觉得，这才是团队协作里最有价值的部分，尽可能减少重复劳动！！不管是传统团队协作，还是AI时代的团队协作，都如此。所以，AI 产品真正的分水岭，不是谁更像人，也不是谁接了更多更强的模型。而是，到底能不能提供一个能沉淀、能协作、能推进的工作空间。

有一个超级暴论：现阶段的 OpenClaw 根本不适合团队协作！！折腾过的人，应该都有类似的感受！ OpenClaw 本质上其实是一个很强的 Agent 底座！你可以把它接入到自己的团队工作流里，把 Agent 搭起来，把渠道接进去，把能力跑通，每个人都能让Agent干事情，但是再进一步就会发现真正的问题：团队怎么一起用？中间产出和最终结果都沉淀在哪？前面做过的分析、写过的文档、跑过的方法，怎么变成团队可复用资产？新的成员进来，怎么接着往下做，而不是从头再来一遍？这些，落到实际的应用中，都是坑！最近，Flowus团队开发了一个新产品： Kollab Kollab 似乎解决了上面这些问题，它的思路很直接：把 Agent 直接变成工作流的一部分。这是什么意思呢？ OpenClaw 解决的是：我个人怎么拥有一个随叫随到、能力很强、自己可控的 AI。而 Kollab 解决的是：怎么让 AI 参与真实的团队工作，让做过的事能留下来，方法能复用，团队能协作。对于内容团队、研究团队、小型创业团队来说，一定知道这其中的区别！！你可以很简单的建立不同的项目组，或者工作空间，每个项目组里都有 Agent，项目推进的全过程中，所有的工作流、产出和方法论，都会沉淀在这个空间里。当下次遇到同类型的B项目时，就可以一键复用A项目沉淀下来“工作资产”。我觉得，这才是团队协作里最有价值的部分，尽可能减少重复劳动！！不管是传统团队协作，还是AI时代的团队协作，都如此。所以，AI 产品真正的分水岭，不是谁更像人，也不是谁接了更多更强的模型。而是，到底能不能提供一个能沉淀、能协作、能推进的工作空间。

沐阳

50,949 次观看 • 1 个月前

Coze 3.0 + Multi-Agent 协作实践 Coze 3.0发布了，跑通了一个完整的多 Agent 协作流程。任务：基于一个开源 mini coding agent 仓库 + 一篇深度文章，制作高质量的 learning tutorial。先制定多 Agent 协作协议（这点在多 Agent 场景中非常重要）：明确职责、固定 workspace、约定通知方式。项目文件作为唯一参考数据，版本可追溯。团队的三个 Agent 各司其职： CodeX Agent（本地） -> 深度理解代码仓库，提取关键代码示例 Claude Agent（本地） -> 精读文章，提炼核心概念与架构分析 Coze Agent（云端） -> 整合两方产出，制作 Apple HIG 风格的交互式 HTML tutorial 过程中产出的 artifacts（learning-coding-agent.md -> tutorial.md -> slides），通过版本号前后衔接，每个 Agent 都基于前序成果继续推进。多 Agent 协作的核心在于先定规则，再分任务。协议写清楚谁做什么，产出放哪里，怎么通知下游，整个流程就像一条流水线，每个环节都可控，可追溯。

Coze 3.0 + Multi-Agent 协作实践 Coze 3.0发布了，跑通了一个完整的多 Agent 协作流程。任务：基于一个开源 mini coding agent 仓库 + 一篇深度文章，制作高质量的 learning tutorial。先制定多 Agent 协作协议（这点在多 Agent 场景中非常重要）：明确职责、固定 workspace、约定通知方式。项目文件作为唯一参考数据，版本可追溯。团队的三个 Agent 各司其职： CodeX Agent（本地） -> 深度理解代码仓库，提取关键代码示例 Claude Agent（本地） -> 精读文章，提炼核心概念与架构分析 Coze Agent（云端） -> 整合两方产出，制作 Apple HIG 风格的交互式 HTML tutorial 过程中产出的 artifacts（learning-coding-agent.md -> tutorial.md -> slides），通过版本号前后衔接，每个 Agent 都基于前序成果继续推进。多 Agent 协作的核心在于先定规则，再分任务。协议写清楚谁做什么，产出放哪里，怎么通知下游，整个流程就像一条流水线，每个环节都可控，可追溯。

马东锡 NLP

12,536 次观看 • 17 天前

一个人做游戏，真的开始像带团队了。 Claude-Code-Game-Studios 这个项目很猛。它不是单纯给你一个更会写代码的 Claude，而是想把一整个游戏工作室塞进 Claude Code 里。 README 里直接给了： 48 个 AI agents 37 个 workflows 还有完整的 studio hierarchy、slash commands、hooks、rules 和 templates。也就是说，你不是在和一个 AI 助手聊天，而是在调度一支虚拟游戏团队。从创意总监、技术总监、制作人，到玩法程序、关卡设计、叙事、音频、QA、发行，整套分工都已经拆好了。甚至连 Godot、Unity、Unreal 三套引擎专家也都配上了。我觉得这类项目真正有意思的地方，不是“Agent 数量很多”，而是它开始把 AI Coding 从单兵作战，推进到“组织协作”这一步。游戏开发本来就是最典型的多角色协同场景之一，所以这种玩法特别值得看。项目现在 GitHub 也已经有 3.3k Stars、440 Forks。如果你在关注 AI 游戏开发、多 Agent workflow，或者一人游戏工作室这个方向，值得研究一下👇

一个人做游戏，真的开始像带团队了。 Claude-Code-Game-Studios 这个项目很猛。它不是单纯给你一个更会写代码的 Claude，而是想把一整个游戏工作室塞进 Claude Code 里。 README 里直接给了： 48 个 AI agents 37 个 workflows 还有完整的 studio hierarchy、slash commands、hooks、rules 和 templates。也就是说，你不是在和一个 AI 助手聊天，而是在调度一支虚拟游戏团队。从创意总监、技术总监、制作人，到玩法程序、关卡设计、叙事、音频、QA、发行，整套分工都已经拆好了。甚至连 Godot、Unity、Unreal 三套引擎专家也都配上了。我觉得这类项目真正有意思的地方，不是“Agent 数量很多”，而是它开始把 AI Coding 从单兵作战，推进到“组织协作”这一步。游戏开发本来就是最典型的多角色协同场景之一，所以这种玩法特别值得看。项目现在 GitHub 也已经有 3.3k Stars、440 Forks。如果你在关注 AI 游戏开发、多 Agent workflow，或者一人游戏工作室这个方向，值得研究一下👇

axiaisacat

66,885 次观看 • 2 个月前

港大团队这次开源的，不只是一个 Agent 项目，而是把 Agent 从“会做事”推进到“会进化”。项目名叫 OpenSpace。它想解决的不是“再做一个 Agent”，而是让 Agent 具备从实践中学习、持续进化、彼此共享经验的能力，避免每次干活都从零开始、重复踩坑。它的核心卖点有 3 个：自我进化：skill 会自动修复、自动改进、自动学习，在失败中持续迭代。群体智能：一个 Agent 学到的新技能，可以同步共享给其他 Agent。降本增效：复用已经验证过的解决方案，出问题时只修局部，不用每次推翻重来。 README 里还有个很抓人的数字： 4.2× better performance，46% fewer tokens。我觉得这个项目最值得看的地方，不是“又一个 Agent 框架”，而是它在试图回答一个更关键的问题： Agent 能不能像团队一样，把经验真正沉淀下来，并且共享给其他 Agent。

港大团队这次开源的，不只是一个 Agent 项目，而是把 Agent 从“会做事”推进到“会进化”。项目名叫 OpenSpace。它想解决的不是“再做一个 Agent”，而是让 Agent 具备从实践中学习、持续进化、彼此共享经验的能力，避免每次干活都从零开始、重复踩坑。它的核心卖点有 3 个：自我进化：skill 会自动修复、自动改进、自动学习，在失败中持续迭代。群体智能：一个 Agent 学到的新技能，可以同步共享给其他 Agent。降本增效：复用已经验证过的解决方案，出问题时只修局部，不用每次推翻重来。 README 里还有个很抓人的数字： 4.2× better performance，46% fewer tokens。我觉得这个项目最值得看的地方，不是“又一个 Agent 框架”，而是它在试图回答一个更关键的问题： Agent 能不能像团队一样，把经验真正沉淀下来，并且共享给其他 Agent。

axiaisacat

30,217 次观看 • 2 个月前

Claude Code 和 Codex，已经能直接“说话”了。没走 API。没上专用协议。中间只隔着一个终端。关键不是把两个模型硬绑在一起。而是让它们都能创建、读取、操作 terminal。 smux 做的，就是这件事。于是终端不再只是人类的黑窗口。它成了 agent 之间共享的接口。很多人以为，agent 协作的门槛是统一 API。这次给了一个更朴素的答案。先共享操作面，再谈协议层。能读。能写。能执行。沟通就自然发生了。 Claude Code 和 Codex，现在真能“牵手”了。

Claude Code 和 Codex，已经能直接“说话”了。没走 API。没上专用协议。中间只隔着一个终端。关键不是把两个模型硬绑在一起。而是让它们都能创建、读取、操作 terminal。 smux 做的，就是这件事。于是终端不再只是人类的黑窗口。它成了 agent 之间共享的接口。很多人以为，agent 协作的门槛是统一 API。这次给了一个更朴素的答案。先共享操作面，再谈协议层。能读。能写。能执行。沟通就自然发生了。 Claude Code 和 Codex，现在真能“牵手”了。

墓碑科技

59,469 次观看 • 2 个月前

这条 $2.30 一条的 YouTube 视频生产线，我没把任何一个工具搬进 Tanka。而是把它们串成了一份 SOP。 Python 在本地，ElevenLabs API，Notion 在 web，HyperFrames 在终端。 Tanka 一个工具都没接管，它做的是另一件事：在我现有的工具栈之上，沉淀出一份可以复用的 SOP。视频里是完整搭建过程，末尾接的是这套 SOP 跑出来的视频案例。现在限时领 1 个月 Plus👇 官网:

这条 $2.30 一条的 YouTube 视频生产线，我没把任何一个工具搬进 Tanka。而是把它们串成了一份 SOP。 Python 在本地，ElevenLabs API，Notion 在 web，HyperFrames 在终端。 Tanka 一个工具都没接管，它做的是另一件事：在我现有的工具栈之上，沉淀出一份可以复用的 SOP。视频里是完整搭建过程，末尾接的是这套 SOP 跑出来的视频案例。现在限时领 1 个月 Plus👇 官网:

Yanhua

23,681 次观看 • 1 个月前

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

46,149 次观看 • 2 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

158,991 次观看 • 7 天前

我操太猛了，朋友们！我居然真的一晚上搞定了 Telegram 的连接我的 Agent 客户端 Codepilot，现在是一个小号的 OpenClaw了！一旦学会这套开发体系和 Agent 的使用，工作效率高得要死。本来是想跟他讨论一下，结果我一扭头，他已经把那个雏形开发完了。

我操太猛了，朋友们！我居然真的一晚上搞定了 Telegram 的连接我的 Agent 客户端 Codepilot，现在是一个小号的 OpenClaw了！一旦学会这套开发体系和 Agent 的使用，工作效率高得要死。本来是想跟他讨论一下，结果我一扭头，他已经把那个雏形开发完了。

歸藏(guizang.ai)

156,652 次观看 • 3 个月前

介绍 Memoh Desktop，一个多智能体桌面应用。过去几个月，我们一直在维护 Memoh 这个多智能体自部署服务。自部署适合长期在线、多人使用和接各种消息渠道，但对个人用户来说，搭环境还是有点重。所以这次我们把 Memoh 搬到了桌面上。在 Memoh Desktop 里，你可以创建多个 agent。它们可以有不同身份、不同记忆和不同 workspace，也可以连接不同的 channel。比如一个 agent 负责日常聊天和消息渠道，一个 agent 专门处理文件和代码任务，另一个 agent 用来跑网页自动化。这些 agent 可以直接操作你的电脑，也可以使用宿主机 Docker 环境做沙盒隔离。需要本机权限的时候，就让它操作本地环境；需要安全边界的时候，就把它放进 Docker workspace 里跑。每个 agent 都有独立身份，目前支持 9 种 channel 连接。 0.9 版本里，我们还引入了容器内桌面环境。现在可以直接在 Docker 容器里运行一个 Xfce 桌面，并在里面启动有头浏览器，再通过 WebRTC 连接到这个容器桌面。也就是说，agent 不只是跑 headless Playwright，它可以在一个真实的图形浏览器会话里操作网页。很多登录、复杂交互、网页自动化场景，会比纯 headless 方式更自然，也能少踩一些兼容和风控问题。下载链接见评论区。

介绍 Memoh Desktop，一个多智能体桌面应用。过去几个月，我们一直在维护 Memoh 这个多智能体自部署服务。自部署适合长期在线、多人使用和接各种消息渠道，但对个人用户来说，搭环境还是有点重。所以这次我们把 Memoh 搬到了桌面上。在 Memoh Desktop 里，你可以创建多个 agent。它们可以有不同身份、不同记忆和不同 workspace，也可以连接不同的 channel。比如一个 agent 负责日常聊天和消息渠道，一个 agent 专门处理文件和代码任务，另一个 agent 用来跑网页自动化。这些 agent 可以直接操作你的电脑，也可以使用宿主机 Docker 环境做沙盒隔离。需要本机权限的时候，就让它操作本地环境；需要安全边界的时候，就把它放进 Docker workspace 里跑。每个 agent 都有独立身份，目前支持 9 种 channel 连接。 0.9 版本里，我们还引入了容器内桌面环境。现在可以直接在 Docker 容器里运行一个 Xfce 桌面，并在里面启动有头浏览器，再通过 WebRTC 连接到这个容器桌面。也就是说，agent 不只是跑 headless Playwright，它可以在一个真实的图形浏览器会话里操作网页。很多登录、复杂交互、网页自动化场景，会比纯 headless 方式更自然，也能少踩一些兼容和风控问题。下载链接见评论区。

📦Acbox

46,953 次观看 • 1 个月前

开源一个我自用的OpenClaw控制中心！可以一个面板： - 看哪些任务烧了多少 token(百分比) - 看整个 OpenClaw 现在健不健康 - 看每个 Agent 现在在干嘛，有没有卡住 - 看每个 Agent 用的模型、目录、权限 - 直接查看和修改 Agent 的记忆，人设、任务文档 - 看定时任务和心跳任务有没有正常在跑项目地址：

开源一个我自用的OpenClaw控制中心！可以一个面板： - 看哪些任务烧了多少 token(百分比) - 看整个 OpenClaw 现在健不健康 - 看每个 Agent 现在在干嘛，有没有卡住 - 看每个 Agent 用的模型、目录、权限 - 直接查看和修改 Agent 的记忆，人设、任务文档 - 看定时任务和心跳任务有没有正常在跑项目地址：

木子不写代码

366,032 次观看 • 3 个月前

偶然看到一个挺实用的开源项目：Agent Watch，在手表上远程控制 Claude Code。在用 Claude Code 写代码时，经常遇到权限需要确认，如果我们离开了座位，在健身或走在路上。有这个项目，就能在手表上实时查看终端输出，遇到权限请求直接点击批准或拒绝。还能通过语音口述给 Claude 发指令，全程不用碰电脑，还是挺实用的。 GitHub：经常用 Claude Code 跑长任务，又不想一直守在电脑前盯着，想要戴着手表随时掌控进度，这个项目可以安装试试。

偶然看到一个挺实用的开源项目：Agent Watch，在手表上远程控制 Claude Code。在用 Claude Code 写代码时，经常遇到权限需要确认，如果我们离开了座位，在健身或走在路上。有这个项目，就能在手表上实时查看终端输出，遇到权限请求直接点击批准或拒绝。还能通过语音口述给 Claude 发指令，全程不用碰电脑，还是挺实用的。 GitHub：经常用 Claude Code 跑长任务，又不想一直守在电脑前盯着，想要戴着手表随时掌控进度，这个项目可以安装试试。

GitHubDaily

13,818 次观看 • 2 个月前

我分享一下，我会给codex部署的两个文件。可以让我的codex越用越聪明。一个文件是踩坑记录，可以让ai有记忆。犯过的错，下次不会再犯。一个是AGENTS.md可以把一些项目通用规范写在里面，这样的话我就可以不用让ai干一些重复性的问题。

我分享一下，我会给codex部署的两个文件。可以让我的codex越用越聪明。一个文件是踩坑记录，可以让ai有记忆。犯过的错，下次不会再犯。一个是AGENTS.md可以把一些项目通用规范写在里面，这样的话我就可以不用让ai干一些重复性的问题。

小墨同学

42,386 次观看 • 12 天前

兄弟们！花半小时，一定要看完它! Claude Code的缔造者Boris Cherny，亲自站上台，用整整30分钟把这个工具的全部高级用法一次性讲透了。免费、干货真的夯到爆！。他从最基础的全局安装开始，一路讲到： - 如何通过CLAUDE.md在企业级、项目级、本地级层层注入上下文，让Claude真正“懂你的团队规矩” - 怎么把团队内部工具（日志、CI、数据库）无缝插进Agent工作流 - 优化终端设置、权限管理、语音输入、通知提醒等40多个隐藏细节 - 以及Claude Code SDK的完整使用姿势最狠的是，他反复强调：你给Claude的上下文越多，它就越聪明。而现实是：大多数人每天都在用Claude Code，却只发挥了它10%的实力，像用ChatGPT一样简单prompt，错过了真正让生产力起飞的工程级用法。 Boris这场30分钟的分享，含金量直接秒杀市面上任何1000美元付费课程。想把Claude Code玩成生产力基础设施的人，这条视频必须立刻收藏、反复看。你现在用Claude Code到什么程度了？是还在简单聊天，还是已经把它当成整个工程团队在跑？欢迎讨论。

兄弟们！花半小时，一定要看完它! Claude Code的缔造者Boris Cherny，亲自站上台，用整整30分钟把这个工具的全部高级用法一次性讲透了。免费、干货真的夯到爆！。他从最基础的全局安装开始，一路讲到： - 如何通过CLAUDE.md在企业级、项目级、本地级层层注入上下文，让Claude真正“懂你的团队规矩” - 怎么把团队内部工具（日志、CI、数据库）无缝插进Agent工作流 - 优化终端设置、权限管理、语音输入、通知提醒等40多个隐藏细节 - 以及Claude Code SDK的完整使用姿势最狠的是，他反复强调：你给Claude的上下文越多，它就越聪明。而现实是：大多数人每天都在用Claude Code，却只发挥了它10%的实力，像用ChatGPT一样简单prompt，错过了真正让生产力起飞的工程级用法。 Boris这场30分钟的分享，含金量直接秒杀市面上任何1000美元付费课程。想把Claude Code玩成生产力基础设施的人，这条视频必须立刻收藏、反复看。你现在用Claude Code到什么程度了？是还在简单聊天，还是已经把它当成整个工程团队在跑？欢迎讨论。

Berryxia.AI

87,665 次观看 • 1 个月前

内测了一把阿里新出的安全版OpenClaw，悟空，钉钉这把从底层重新设计了两个东西，一个叫RealDoc的文件系统，一个叫DingTalk CLI的命令行界面。 RealDoc 它让Agent精准地操作文件，按行号定位，按关键词锚点，只动需要动的地方。AI每执行一步，系统都会自动保存一个快照，就像游戏里的自动存档，随时可以回到之前的任意版本。 DingTalk CLI，就是把钉钉所有的能力，从沟通，协同，到各种软件服务，全部拆成了上万条原子化的命令行指令。这是我把权限全部都开启之后，让悟空分析B站爆款的OpenClaw视频👇

内测了一把阿里新出的安全版OpenClaw，悟空，钉钉这把从底层重新设计了两个东西，一个叫RealDoc的文件系统，一个叫DingTalk CLI的命令行界面。 RealDoc 它让Agent精准地操作文件，按行号定位，按关键词锚点，只动需要动的地方。AI每执行一步，系统都会自动保存一个快照，就像游戏里的自动存档，随时可以回到之前的任意版本。 DingTalk CLI，就是把钉钉所有的能力，从沟通，协同，到各种软件服务，全部拆成了上万条原子化的命令行指令。这是我把权限全部都开启之后，让悟空分析B站爆款的OpenClaw视频👇

卡尔的AI沃茨

20,878 次观看 • 3 个月前

卧槽，太强了。用 Codex 就一句话，直接生成了我的个人宣传片。以前这种级别的片子，可能要拍摄团队 + 剪辑师折腾几天，现在只需要一个想法 + 一条指令就能跑出来。 AI Native 时代，个人品牌的制作成本，真的是肉眼可见地在被拉低。

卧槽，太强了。用 Codex 就一句话，直接生成了我的个人宣传片。以前这种级别的片子，可能要拍摄团队 + 剪辑师折腾几天，现在只需要一个想法 + 一条指令就能跑出来。 AI Native 时代，个人品牌的制作成本，真的是肉眼可见地在被拉低。

森叔

17,744 次观看 • 1 个月前

最近看到一个很值得研究的开源项目：learn-claude-code。它不是在教你怎么堆 prompt、连工作流、搭节点图，而是在教你一件更底层的事：怎么从 0 到 1 搭一个类 Claude Code 的 agent harness。这个项目最有意思的观点是：真正的 Agent 是模型本身，外面的代码只是 harness。所以它讨论的重点，不是“怎么把流程编排得更复杂”，而是怎么给模型准备一个真正能工作的环境。 README 里把 harness 拆成了： Tools Knowledge Observation Action Interfaces Permissions 也就是工具、知识、观察、动作接口和权限边界。说白了，模型负责思考， harness 负责让它看见世界、调用工具、执行动作。我觉得这个视角很重要。因为很多人现在做 Agent，还停留在“拼工作流”和“堆胶水代码”的阶段。但真正决定 Agent 能不能跑起来的，往往是你给它什么环境，而不是你给它多少层 prompt。这个项目现在 GitHub 已经有 36k Stars、5.8k Forks。如果你在关注 AI Agent、Claude Code，或者 agent engineering，这个项目很值得看看。👇

最近看到一个很值得研究的开源项目：learn-claude-code。它不是在教你怎么堆 prompt、连工作流、搭节点图，而是在教你一件更底层的事：怎么从 0 到 1 搭一个类 Claude Code 的 agent harness。这个项目最有意思的观点是：真正的 Agent 是模型本身，外面的代码只是 harness。所以它讨论的重点，不是“怎么把流程编排得更复杂”，而是怎么给模型准备一个真正能工作的环境。 README 里把 harness 拆成了： Tools Knowledge Observation Action Interfaces Permissions 也就是工具、知识、观察、动作接口和权限边界。说白了，模型负责思考， harness 负责让它看见世界、调用工具、执行动作。我觉得这个视角很重要。因为很多人现在做 Agent，还停留在“拼工作流”和“堆胶水代码”的阶段。但真正决定 Agent 能不能跑起来的，往往是你给它什么环境，而不是你给它多少层 prompt。这个项目现在 GitHub 已经有 36k Stars、5.8k Forks。如果你在关注 AI Agent、Claude Code，或者 agent engineering，这个项目很值得看看。👇

axiaisacat

44,334 次观看 • 2 个月前

🚀 香港大学刚开源了一个宝藏项目—— CLI-Anything，star 数直接飙到 3 w 它可以扫描任意软件的源代码，自动生成 AI agent 可以直接调用的 CLI 接口。像GIMP、Blender、Audacity 这类没有 API 的桌面软件，Agent 现在可以直接操控了。软件以前是给人用的，现在是给 Agent 用的

🚀 香港大学刚开源了一个宝藏项目—— CLI-Anything，star 数直接飙到 3 w 它可以扫描任意软件的源代码，自动生成 AI agent 可以直接调用的 CLI 接口。像GIMP、Blender、Audacity 这类没有 API 的桌面软件，Agent 现在可以直接操控了。软件以前是给人用的，现在是给 Agent 用的

阿西_出海

167,566 次观看 • 1 个月前