Video yükleniyor...

Video Yüklenemedi

Bu video yüklenirken bir sorun oluştu. Bu geçici bir ağ sorunundan kaynaklanıyor olabilir veya video kullanılamıyor olabilir.

Ana Sayfaya Dön

别再复制粘贴了，我让 Apodex直接读完一份 641 页文件最近试了一种更实际的 AI 使用方式：不再复制粘贴一段内容，而是直接上传一份真实文件，看它怎么把任务做完。我把之前参与编写的《最优化：建模、算法与理论》上传到了 Apodex。整份文件有 641 页，覆盖优化建模、最优性理论，以及无约束、约束和复合优化算法等内容。我先问了它一个基础问题： “请帮我分析一下，这份内容由哪些部分组成？” 它需要先真正读取文件，再从大量章节中梳理整体框架，而不是只根据标题生成一段泛泛的摘要。接着我继续追问： “如果想基于这份内容做一些调整，可以从哪些方面修改？” 这一步更接近真实工作：不只是理解现有材料，还要结合原文件继续分析，找到可以调整的方向。整个过程里，我比较在意的不是它最后写了多少字，而是任务过程本身：它如何理解文件、拆解问题、推进分析，并基于同一份材料继续完成下一步。这也是我觉得 Apodex 1.1 和普通问答工具不同的地方——推理不只停留在一份回答里，而是进入真实文件，沿着任务继续执行。如果你手上也有论文、报告、数据表或代码，可以自己上传一份真实文件试试： Web 在线体验： API 平台：开源的 FrontierAgent 也可以在 GitHub 上找到，支持单 Agent 和多 Agent 协作，感兴趣可以顺手点个 Star： Apodex 1.1 mini（35B）模型权重已经开放，可本地部署，并能搭配 FrontierAgent 使用：核心感受就一句：别只问 AI 一个问题。上传一份真实文件，看看它能不能接着把事情做完。

程序员端哥

8,690 subscribers

40,657 görüntüleme • 2 gün önce •via X (Twitter)

Bilim & Teknoloji Eğitim

Anya Rossi• Live Now

Private livecam show

0 Yorum

Yorum bulunmuyor

Orijinal gönderinin yorumları burada görünecek

Benzer Videolar

我靠，有了这个工具，完整的实现了 Office 的自动化。以前做 Office 自动化，AI 能出内容但改不了文件，最后还得人去复制粘贴。OfficeCLI 解决的问题是，让 AI Agent 能直接改 Office 文件。在 AI Agent 工作流里，它的意义更偏基础设施： 1、文档生成 → 可执行写入 2、表格分析 → 可直接回写 Excel 3、PPT 生成 → 结构级编辑而非整页重写 4、多 Agent 协作 → 共享统一文件操作接口 OfficeCLI 把 Word、Excel、PPT 当成结构化对象，AI 可以直接增删改查，不用开 GUI，也不用搭脚本环境。改完就是改完，文件就已经写好了。整体来看，它把AI 会写内容推进到AI可以改真实文件，属于从内容生成到系统执行的一层跃迁。

我靠，有了这个工具，完整的实现了 Office 的自动化。以前做 Office 自动化，AI 能出内容但改不了文件，最后还得人去复制粘贴。OfficeCLI 解决的问题是，让 AI Agent 能直接改 Office 文件。在 AI Agent 工作流里，它的意义更偏基础设施： 1、文档生成 → 可执行写入 2、表格分析 → 可直接回写 Excel 3、PPT 生成 → 结构级编辑而非整页重写 4、多 Agent 协作 → 共享统一文件操作接口 OfficeCLI 把 Word、Excel、PPT 当成结构化对象，AI 可以直接增删改查，不用开 GUI，也不用搭脚本环境。改完就是改完，文件就已经写好了。整体来看，它把AI 会写内容推进到AI可以改真实文件，属于从内容生成到系统执行的一层跃迁。

Vince 聊开发

16,803 görüntüleme • 2 ay önce

到现在都难以相信，Apodex 居然开源了！！我一度认为非常有商业价值的产品！还记得第一次用它，惊艳程度不亚于我第一次用Manus！这次，Apodex 开源正式发布了新版本 Apodex 1.1，并且提出了一个我非常认可的概念： AI的能力单位，不应该是一次回答，而应该是一项完整任务。什么意思？一个AI真正想进入工作流，至少要做到几件事：理解目标、进入真实环境、维持长任务状态、根据中间结果不断调整计划、任务失败后修复、最后交付一份可以核查的成果。最近刚好在做一个AI项目，是一个工作台，需要评估不同模型组合选型的成本，为了测试Apodex能做到什么程度，我把模型价格、评测数据和具体场景需求给到它，让它根据我的需求，为四类业务场景完成 AI 模型/API 选型，统一不同厂商的价格口径，计算月度成本，同时满足性能、上下文、工具能力、预算和供应商集中度约束。它拿到的是不同格式、不同统计口径的数据，有些数据可能不够准确，有些需要清洗，有些需要重新计算。 Apodex没有上来就写报告，它先在Task Board里拆解整个任务，然后根据任务自动组织Agent Team。第一轮，它已经完成了数据清洗、价格标准化、模型筛选和成本测算，然后我临时补充了新的需求：没错，在任务中我可以随时“插话”，补充新的文件和想法。 *中文内容生成的月请求量，从 12 万提高到 24 万； *深度研究中 30% 的场景，必须转到自建环境； *长文档审阅全部涉及敏感文件，也必须本地运行； *月预算不变；普通AI看到这一堆新的需求，一般都会重新跑一遍。但Apodex并没有！它保留了原始数据、价格归一化方法、峰谷计价规则和已经验证的计算口径，没有变化的部分原样保留，只是重新调整了变化的部分！它可以在任务过程中动态调整任务计划！！这个可能是这个版本最大的一个更新！Apodex 1.1 就像是在维护一个持续变化的任务状态：它要读取真实文件、拆解工作、推进计算，还要接收中途反馈，判断保留仍然成立的成果，只修正受影响的部分，最后把结果交付成可以继续使用和核查的文件。这可能才是复杂任务型 Agent 真正应该具备的工作能力。最后，它交付了两份不同粒度的报告，以及一个包含 18 个工作表的 Excel 成本模型；其中专门新增了“变更与场景”“云 API 重算”“本地候选筛选”“本地 TCO 缺失假设”“保留 vs 受影响”5 张表。整个过程，特别丝滑。这也是Apodex 1.1这次最核心的变化：进入真实任务的执行过程。而所谓真实任务的执行，其实就是你随时可以甩给AI新的资料和要求，而它会有条不紊的把任务进行下去，直到交付给你完整可验证的结果！

到现在都难以相信，Apodex 居然开源了！！我一度认为非常有商业价值的产品！还记得第一次用它，惊艳程度不亚于我第一次用Manus！这次，Apodex 开源正式发布了新版本 Apodex 1.1，并且提出了一个我非常认可的概念： AI的能力单位，不应该是一次回答，而应该是一项完整任务。什么意思？一个AI真正想进入工作流，至少要做到几件事：理解目标、进入真实环境、维持长任务状态、根据中间结果不断调整计划、任务失败后修复、最后交付一份可以核查的成果。最近刚好在做一个AI项目，是一个工作台，需要评估不同模型组合选型的成本，为了测试Apodex能做到什么程度，我把模型价格、评测数据和具体场景需求给到它，让它根据我的需求，为四类业务场景完成 AI 模型/API 选型，统一不同厂商的价格口径，计算月度成本，同时满足性能、上下文、工具能力、预算和供应商集中度约束。它拿到的是不同格式、不同统计口径的数据，有些数据可能不够准确，有些需要清洗，有些需要重新计算。 Apodex没有上来就写报告，它先在Task Board里拆解整个任务，然后根据任务自动组织Agent Team。第一轮，它已经完成了数据清洗、价格标准化、模型筛选和成本测算，然后我临时补充了新的需求：没错，在任务中我可以随时“插话”，补充新的文件和想法。中文内容生成的月请求量，从 12 万提高到 24 万；深度研究中 30% 的场景，必须转到自建环境；长文档审阅全部涉及敏感文件，也必须本地运行；月预算不变；普通AI看到这一堆新的需求，一般都会重新跑一遍。但Apodex并没有！它保留了原始数据、价格归一化方法、峰谷计价规则和已经验证的计算口径，没有变化的部分原样保留，只是重新调整了变化的部分！它可以在任务过程中动态调整任务计划！！这个可能是这个版本最大的一个更新！Apodex 1.1 就像是在维护一个持续变化的任务状态：它要读取真实文件、拆解工作、推进计算，还要接收中途反馈，判断保留仍然成立的成果，只修正受影响的部分，最后把结果交付成可以继续使用和核查的文件。这可能才是复杂任务型 Agent 真正应该具备的工作能力。最后，它交付了两份不同粒度的报告，以及一个包含 18 个工作表的 Excel 成本模型；其中专门新增了“变更与场景”“云 API 重算”“本地候选筛选”“本地 TCO 缺失假设”“保留 vs 受影响”5 张表。整个过程，特别丝滑。这也是Apodex 1.1这次最核心的变化：进入真实任务的执行过程。而所谓真实任务的执行，其实就是你随时可以甩给AI新的资料和要求，而它会有条不紊的把任务进行下去，直到交付给你完整可验证的结果！

沐阳

38,361 görüntüleme • 2 gün önce

有没有想过：Claude Code 或 Codex 跑完一个任务，它到底「看」了哪些文件、忽略了哪些？ Mindwalk 把这个问题可视化了，它把 Claude Code 和 Codex 的会话日志，投射到代码库的 3D 地图上回放。仓库是一张夜间俯瞰图，agent 搜索、读取、编辑过的文件会发光，没碰到的区域保持黑暗，让你一眼看清 agent 对任务的理解范围。单个 Go 二进制文件，所有数据完全本地处理，不会离开机器。文件触达状态分四级：未访问、已查看、已读取、已编辑，还有上下文压缩事件、子 agent 启动、错误节点的时间轴标记。这个工具提供了一个直觉：agent 的工作范围和你以为的往往不一样。当它跑了 30 分钟，你以为它读遍了整个仓库，但地图可能告诉你它根本没碰到关键目录。如果你在用 Claude Code 跑复杂任务，这是个值得装一下的调试工具。可以用它检查 agent 是否真的理解了任务范围，而不是靠最后的输出结果猜测。

有没有想过：Claude Code 或 Codex 跑完一个任务，它到底「看」了哪些文件、忽略了哪些？ Mindwalk 把这个问题可视化了，它把 Claude Code 和 Codex 的会话日志，投射到代码库的 3D 地图上回放。仓库是一张夜间俯瞰图，agent 搜索、读取、编辑过的文件会发光，没碰到的区域保持黑暗，让你一眼看清 agent 对任务的理解范围。单个 Go 二进制文件，所有数据完全本地处理，不会离开机器。文件触达状态分四级：未访问、已查看、已读取、已编辑，还有上下文压缩事件、子 agent 启动、错误节点的时间轴标记。这个工具提供了一个直觉：agent 的工作范围和你以为的往往不一样。当它跑了 30 分钟，你以为它读遍了整个仓库，但地图可能告诉你它根本没碰到关键目录。如果你在用 Claude Code 跑复杂任务，这是个值得装一下的调试工具。可以用它检查 agent 是否真的理解了任务范围，而不是靠最后的输出结果猜测。

Xudong Han

27,488 görüntüleme • 1 ay önce

传统的 Deep Research 已经卷到头了。能写出一份漂亮的总结报告 ≠ 能把真实的复杂任务干完。我拿几十万字的《红楼梦》原著，给 Apodex 1.1 在线工作台，出了个极其变态的任务。统计 20 个核心人物的 → 出场次数 → 出场回数 → 每个人第一次出场时的原句最后还要整理成一张可以直接下载的完整表格。整个完成任务的过程，像是直接「雇佣一个 AI 数据团队」。上传文件后，它自己开始拆任务。一个 Agent 负责解析原著，另一个独立分析，多个任务并行推进；右侧 Task Board 会实时告诉你现在做到哪一步。更有意思的是，任务跑到一半，我突然改需求： “只分析前 80 回，后面的不要了。” 以前遇到这种情况，AI 很可能重新来一遍。 Apodex 直接保留已经完成的成果，只重规划受影响的部分。更关键的是，它不是做完就交卷。交付前，又调起独立核验 Agent，把人物统计、出场回数和 900+ 条出场原句重新检查一遍。最后交付给我的是：可下载的结构化表格 + 完整分析结果 + 口径说明。这可能才是下一代 Deep Research 真正值得关注的变化：从“帮你生成一份报告”，变成“接管一项复杂任务，并把它做完”。目前，Apodex 1.1 Web 端已经正式上线。 🎁 注册即送 credits，强烈建议立刻上传个复杂文件自己跑跑看： 🌐 没想到，更炸裂的是，Apodex 居然开源了开源模型： Apodex 1.1 mini，35B，开放模型权重，支持本地部署。开源框架： FrontierAgent，Agent 执行 Harness，支持 ReAct 单 Agent + Multi-Agent Team。本地运行：支持 macOS / Linux，无需强制依赖 Docker。组合能力： Apodex 1.1 mini + FrontierAgent，可在本地运行完整 Agent 执行流程。 💻 如果你是开发者，这里有开源 Agent 框架，欢迎顺手点个 ⭐： 👉 🤗 想本地自己跑模型的看这里👇 #Apodex #DeepResearch

传统的 Deep Research 已经卷到头了。能写出一份漂亮的总结报告 ≠ 能把真实的复杂任务干完。我拿几十万字的《红楼梦》原著，给 Apodex 1.1 在线工作台，出了个极其变态的任务。统计 20 个核心人物的 → 出场次数 → 出场回数 → 每个人第一次出场时的原句最后还要整理成一张可以直接下载的完整表格。整个完成任务的过程，像是直接「雇佣一个 AI 数据团队」。上传文件后，它自己开始拆任务。一个 Agent 负责解析原著，另一个独立分析，多个任务并行推进；右侧 Task Board 会实时告诉你现在做到哪一步。更有意思的是，任务跑到一半，我突然改需求： “只分析前 80 回，后面的不要了。” 以前遇到这种情况，AI 很可能重新来一遍。 Apodex 直接保留已经完成的成果，只重规划受影响的部分。更关键的是，它不是做完就交卷。交付前，又调起独立核验 Agent，把人物统计、出场回数和 900+ 条出场原句重新检查一遍。最后交付给我的是：可下载的结构化表格 + 完整分析结果 + 口径说明。这可能才是下一代 Deep Research 真正值得关注的变化：从“帮你生成一份报告”，变成“接管一项复杂任务，并把它做完”。目前，Apodex 1.1 Web 端已经正式上线。 🎁 注册即送 credits，强烈建议立刻上传个复杂文件自己跑跑看： 🌐 没想到，更炸裂的是，Apodex 居然开源了开源模型： Apodex 1.1 mini，35B，开放模型权重，支持本地部署。开源框架： FrontierAgent，Agent 执行 Harness，支持 ReAct 单 Agent + Multi-Agent Team。本地运行：支持 macOS / Linux，无需强制依赖 Docker。组合能力： Apodex 1.1 mini + FrontierAgent，可在本地运行完整 Agent 执行流程。 💻 如果你是开发者，这里有开源 Agent 框架，欢迎顺手点个 ⭐： 👉 🤗 想本地自己跑模型的看这里👇 #Apodex #DeepResearch

前端哥Liam

85,553 görüntüleme • 1 gün önce

拿最经典的《Attention Is All You Need》试了下 Apodex。不是问它“Transformer 是什么”，而是直接把原始 PDF 扔进去让它干活：读论文 → 找参数 → 写代码计算 → 对 65M 参数规模 → 复现位置编码 → 生成图表和报告。跑到一半我还临时插话，让它再算 MHA / FFN 的参数占比。重点来了：它没有从头再跑一遍。原来的结果继续保留，任务看板里直接追加受影响的步骤，然后接着往下执行。最后给了我 MD、DOCX、PDF、CSV 四份交付物。这种体验和单纯的 Deep Research 还挺不一样——不是“给我一段回答”，而是真的把一个任务接过去做完。录了完整过程👇

拿最经典的《Attention Is All You Need》试了下 Apodex。不是问它“Transformer 是什么”，而是直接把原始 PDF 扔进去让它干活：读论文 → 找参数 → 写代码计算 → 对 65M 参数规模 → 复现位置编码 → 生成图表和报告。跑到一半我还临时插话，让它再算 MHA / FFN 的参数占比。重点来了：它没有从头再跑一遍。原来的结果继续保留，任务看板里直接追加受影响的步骤，然后接着往下执行。最后给了我 MD、DOCX、PDF、CSV 四份交付物。这种体验和单纯的 Deep Research 还挺不一样——不是“给我一段回答”，而是真的把一个任务接过去做完。录了完整过程👇

恒星sun

17,807 görüntüleme • 3 gün önce

卧槽牛P了 Anthropic 推出 Claude Cowork 大众版 Claude Code 为了让普通用户（不仅是开发者）也能像使用 Claude Code 那样，操控电脑里的文件进行工作和执行任务。他们基于 Claude Code 的底层能力，重新设计了一个更直观、更简单易用的版本：Cowork Cowork 的核心机制：Claude 拿到“动手权” 你可以让 Claude 访问你电脑中的一个文件夹。一旦你授权，它就可以在那个范围内：读取文件：看懂里面的内容；编辑文件：修改或补充；创建文件：从零生成新的文档；整理文件：例如自动分类、重命名、清理下载文件夹。举个例子：你有几十张发票截图散落在下载文件夹里， Cowork 可以识别这些截图中的文字，提取出金额和日期，再帮你生成一份 Excel 表格列出所有支出。和普通 Claude 聊天有何不同？普通 Claude 是“对话式”的，它只会输出文本回答。 Cowork 则是“执行式”的：它会真正动手完成任务。比如你说： “请帮我整理这个资料夹，把文档按年份和主题分类。” Claude 会：制定一份行动计划；通知你它将要执行的步骤；逐步完成；期间实时汇报进度；等待你确认下一步。这让它的体验更像与一个“能干事”的同事协作，而不是一个聊天机器人。

卧槽牛P了 Anthropic 推出 Claude Cowork 大众版 Claude Code 为了让普通用户（不仅是开发者）也能像使用 Claude Code 那样，操控电脑里的文件进行工作和执行任务。他们基于 Claude Code 的底层能力，重新设计了一个更直观、更简单易用的版本：Cowork Cowork 的核心机制：Claude 拿到“动手权” 你可以让 Claude 访问你电脑中的一个文件夹。一旦你授权，它就可以在那个范围内：读取文件：看懂里面的内容；编辑文件：修改或补充；创建文件：从零生成新的文档；整理文件：例如自动分类、重命名、清理下载文件夹。举个例子：你有几十张发票截图散落在下载文件夹里， Cowork 可以识别这些截图中的文字，提取出金额和日期，再帮你生成一份 Excel 表格列出所有支出。和普通 Claude 聊天有何不同？普通 Claude 是“对话式”的，它只会输出文本回答。 Cowork 则是“执行式”的：它会真正动手完成任务。比如你说： “请帮我整理这个资料夹，把文档按年份和主题分类。” Claude 会：制定一份行动计划；通知你它将要执行的步骤；逐步完成；期间实时汇报进度；等待你确认下一步。这让它的体验更像与一个“能干事”的同事协作，而不是一个聊天机器人。

小互

119,814 görüntüleme • 7 ay önce

最近和同事吃饭，她提到小孩学校发了一个小学生编程比赛的通知。她觉得编程太难，直接放弃了。全班也没有一个人参加。她说，这类通知发下去，基本没什么声音。我听完冒出一个想法。少儿 AI 编程也许可以试试。我把这个问题交给 Apodex，让它研究家长需求、竞品、成本和教育效果。任务跑起来后，我又补了几次条件。我是一个从零开始的 Vibe Coder，预算只有 3000 元，每周最多投入 20 小时，也没有教师和家长资源。我还补充了家长可能的担心孩子用了 AI 以后，只会复制答案，不再自己思考。 Apodex 这次让我感到与传统 Deep Research明显的差别，是它把调研拆成任务板上的具体分工。几个 sub-agent 分头查需求、竞品、成本和研究证据，条件变化以后，任务板继续更新，交付前还有一个 final_verifier 复核报告。整个过程像在跟一个小型研究团队协作，报告是最后的交付。最终报告给出的判断很直接。以我的预算和时间，直接做 App 的失败模式太多，先做一个小型 MVP 课程，再用 30 天验证家长是否愿意付费，更现实。更值得一提的是，它还给出了家长访谈、最小测试方案和停止条件。招不到付费家庭、孩子留存太差，或者合规走不通，就停下来。这份调研它帮我把一个模糊想法变成了一次可以开始，也可以及时停掉的小测试。以前有个新想法，我很容易直接打开AI coding，先把页面做出来。页面能跑，需求有没有人买单却还不知道。这次我换了一下顺序。先搞清楚值不值得做，再开始 Vibe Coding。这也是我对 Apodex 所说的“把任务做完”最直观的一次理解。想拿自己的真实任务试一遍，可以直接使用想看它背后的开源 Agent Harness，可以去点个 Star。 Apodex 1.1 mini 的模型权重放在

最近和同事吃饭，她提到小孩学校发了一个小学生编程比赛的通知。她觉得编程太难，直接放弃了。全班也没有一个人参加。她说，这类通知发下去，基本没什么声音。我听完冒出一个想法。少儿 AI 编程也许可以试试。我把这个问题交给 Apodex，让它研究家长需求、竞品、成本和教育效果。任务跑起来后，我又补了几次条件。我是一个从零开始的 Vibe Coder，预算只有 3000 元，每周最多投入 20 小时，也没有教师和家长资源。我还补充了家长可能的担心孩子用了 AI 以后，只会复制答案，不再自己思考。 Apodex 这次让我感到与传统 Deep Research明显的差别，是它把调研拆成任务板上的具体分工。几个 sub-agent 分头查需求、竞品、成本和研究证据，条件变化以后，任务板继续更新，交付前还有一个 final_verifier 复核报告。整个过程像在跟一个小型研究团队协作，报告是最后的交付。最终报告给出的判断很直接。以我的预算和时间，直接做 App 的失败模式太多，先做一个小型 MVP 课程，再用 30 天验证家长是否愿意付费，更现实。更值得一提的是，它还给出了家长访谈、最小测试方案和停止条件。招不到付费家庭、孩子留存太差，或者合规走不通，就停下来。这份调研它帮我把一个模糊想法变成了一次可以开始，也可以及时停掉的小测试。以前有个新想法，我很容易直接打开AI coding，先把页面做出来。页面能跑，需求有没有人买单却还不知道。这次我换了一下顺序。先搞清楚值不值得做，再开始 Vibe Coding。这也是我对 Apodex 所说的“把任务做完”最直观的一次理解。想拿自己的真实任务试一遍，可以直接使用想看它背后的开源 Agent Harness，可以去点个 Star。 Apodex 1.1 mini 的模型权重放在

苏打白.Dev

19,847 görüntüleme • 2 gün önce

我之前横评了 4 个 PPT Skill，测的是谁能从零做出一份能直接拿去讲的 PPT。这次我换了一个更像真实工作的测试：让 AI 接手上次的旧项目，直接往下改。因为老板平时很少让你重新做一份 PPT，更常说的一句话是：把上次那版改一下。麻烦也从这里开始。上次到底是哪版，评分表放在哪里，结论有没有改，会议里又补了什么要求，最后还得沿用哪套模板。这些项目背景，通常比写提示词本身更费时间。普通聊天工具只知道当前对话。每次开始新任务，你都得把旧 PPT、原始文章、评分表和修改要求重新上传，再花一轮时间解释整个项目。所以我拿之前做过的 PPT Skills 横评项目，测试了一款叫 remio 的工具。我给它的要求很短：把我之前《PPT Skills 实测》的内容，改成一份 8 页、10 分钟的内部分享 PPT。保留 4 个工具的评分和结论，删掉安装过程，增加一页“不同需求怎么选”，输出可编辑的 PPTX。它从已有资料里找出了当时的测试条件、4 个 Skill 的评分、各自优缺点和最终结论，然后重新组织成了一份 8 页 PPT。 93、77、72、58，原来的评分全部保留。新增的“不同需求怎么选”也不是随便按总分排序，而是根据最终交付物来分：正式汇报选 ppt-master，网页演示选 html-ppt-skill，社媒传播选 guizang，需要中文模板再加工可以考虑 GordenPPTSkill。生成结果是可以继续编辑的 PPTX。文字、图形和评分表都能在 PowerPoint 里直接修改，不是把整页做成一张图片塞进去。我又补了一句：帮这份 PPT 配图。 remio 先读取了生图和编辑规范，再判断每一页还有多少留白。中间的表格和对比页信息已经很满，它没有继续塞图，只在封面和结尾页调用 GPT-5.4 Image 2 生成了 2K 插图，配色也沿用了原来的藏青、浅蓝和暖金。最后出来的版本，既保留了原来的评分和判断，也补齐了内部分享需要的结构、选择建议和视觉元素。这次测试让我觉得 remio 比较特别的地方，是它会持续建立个人知识库。本地文件、网页、会议录音、邮件、日历和聊天记录，都可以进入同一套上下文。它还会为这些资料建立本地索引，需要处理任务时，不只看当前对话，也会从已经积累的项目资料里找信息。所以这次做 PPT 时，它调用的不只是一条提示词。原文章讲了什么、4 个 Skill 怎么评分、哪些结论应该保留、最后要交付什么格式，这些信息都来自之前的真实资料。很多 AI 可以根据一句话生成一套看起来不错的 PPT，但真实工作里更高频的任务，是在现有项目上继续修改。你需要的是一个已经知道项目来龙去脉、可以直接接着干活的办公助手。 remio 的知识库数据保存在本地，也支持解析 docx、pptx、Excel、CSV 和 PDF 等常用办公文件。除了改 PPT，它还能根据已有资料补 Excel 字段、整理数据、写公式，生成项目方案、周报和月报，也能把会议录音转成文字，再继续整理结论和行动项。付费用户还可以通过 CLI 调用本地知识库，或者使用自己的 coding plan 和 API Key，把 remio 接进现有工作流。我的理解很简单：资料先进入同一套上下文，Agent 再基于这些资料干活。所以 remio 更像一个通晓项目资料的 AI 办公秘书。它知道文件在哪里、之前讨论过什么、现在要交付什么，然后帮你继续改 PPT、补数据、写报告。如果你平时也要处理大量项目文档，可以去试一下：

我之前横评了 4 个 PPT Skill，测的是谁能从零做出一份能直接拿去讲的 PPT。这次我换了一个更像真实工作的测试：让 AI 接手上次的旧项目，直接往下改。因为老板平时很少让你重新做一份 PPT，更常说的一句话是：把上次那版改一下。麻烦也从这里开始。上次到底是哪版，评分表放在哪里，结论有没有改，会议里又补了什么要求，最后还得沿用哪套模板。这些项目背景，通常比写提示词本身更费时间。普通聊天工具只知道当前对话。每次开始新任务，你都得把旧 PPT、原始文章、评分表和修改要求重新上传，再花一轮时间解释整个项目。所以我拿之前做过的 PPT Skills 横评项目，测试了一款叫 remio 的工具。我给它的要求很短：把我之前《PPT Skills 实测》的内容，改成一份 8 页、10 分钟的内部分享 PPT。保留 4 个工具的评分和结论，删掉安装过程，增加一页“不同需求怎么选”，输出可编辑的 PPTX。它从已有资料里找出了当时的测试条件、4 个 Skill 的评分、各自优缺点和最终结论，然后重新组织成了一份 8 页 PPT。 93、77、72、58，原来的评分全部保留。新增的“不同需求怎么选”也不是随便按总分排序，而是根据最终交付物来分：正式汇报选 ppt-master，网页演示选 html-ppt-skill，社媒传播选 guizang，需要中文模板再加工可以考虑 GordenPPTSkill。生成结果是可以继续编辑的 PPTX。文字、图形和评分表都能在 PowerPoint 里直接修改，不是把整页做成一张图片塞进去。我又补了一句：帮这份 PPT 配图。 remio 先读取了生图和编辑规范，再判断每一页还有多少留白。中间的表格和对比页信息已经很满，它没有继续塞图，只在封面和结尾页调用 GPT-5.4 Image 2 生成了 2K 插图，配色也沿用了原来的藏青、浅蓝和暖金。最后出来的版本，既保留了原来的评分和判断，也补齐了内部分享需要的结构、选择建议和视觉元素。这次测试让我觉得 remio 比较特别的地方，是它会持续建立个人知识库。本地文件、网页、会议录音、邮件、日历和聊天记录，都可以进入同一套上下文。它还会为这些资料建立本地索引，需要处理任务时，不只看当前对话，也会从已经积累的项目资料里找信息。所以这次做 PPT 时，它调用的不只是一条提示词。原文章讲了什么、4 个 Skill 怎么评分、哪些结论应该保留、最后要交付什么格式，这些信息都来自之前的真实资料。很多 AI 可以根据一句话生成一套看起来不错的 PPT，但真实工作里更高频的任务，是在现有项目上继续修改。你需要的是一个已经知道项目来龙去脉、可以直接接着干活的办公助手。 remio 的知识库数据保存在本地，也支持解析 docx、pptx、Excel、CSV 和 PDF 等常用办公文件。除了改 PPT，它还能根据已有资料补 Excel 字段、整理数据、写公式，生成项目方案、周报和月报，也能把会议录音转成文字，再继续整理结论和行动项。付费用户还可以通过 CLI 调用本地知识库，或者使用自己的 coding plan 和 API Key，把 remio 接进现有工作流。我的理解很简单：资料先进入同一套上下文，Agent 再基于这些资料干活。所以 remio 更像一个通晓项目资料的 AI 办公秘书。它知道文件在哪里、之前讨论过什么、现在要交付什么，然后帮你继续改 PPT、补数据、写报告。如果你平时也要处理大量项目文档，可以去试一下：

泊舟

48,850 görüntüleme • 28 gün önce

我用掉 100 亿 Token 后，最大的变化不是更会写 Prompt。而是 Codex 已经从一个聊天框，慢慢变成了我的： - 自我认识系统 - 工作系统 - 信息系统 - 学习系统 - 甚至是桌面陪伴系统我把自己最常用的 20 个技巧整理出来了。如果你也想把 AI 从“偶尔问一句”变成真正能长期协作的伙伴，建议先收藏。一、让 Codex 逐渐认识你 1. 每天让它问你一个问题我设了一个自动化：每天问我一个能帮助它更了解我、也帮助我认识自己的问题。它会避开已经问过的话题，围绕一个主题慢慢聊。 2. 把对话当成自我观察现在可以直接语音聊。长期积累下来，它能看到我的情绪、偏好、反复出现的困扰和思考方式。 3. 让它把“它眼中的你”画出来把你们的对话和一张漫画参考图交给它，让它生成多格漫画。你会发现：很多时候我们要的不是答案，而是被理解。二、把 Codex 变成工作系统 4. 每周做一次 Codex 使用复盘让它回顾这周我怎么使用它、哪些沟通方式有效、哪些任务返工了、哪些项目该继续推进。 5. 把失败经验写进“第二大脑” 不只是存笔记。把失败原因、偏好、最近关注点沉淀下来，让以后不同 Agent 都能调用同一份上下文。 6. 创意任务先开 Plan Mode 创意型工作最容易“没想清楚就批量执行，最后返工”。先用计划模式讨论目标、方案、数据体系和风险，再开始做。 7. 把 Codex 当思考顾问，而不是执行员你甚至不需要有明确答案。只要说“我想做什么”，让它帮你一起把模糊的想法拆成可执行路径。 8. 需求清楚后切到 Goal Mode 需求确认后，把结果设成目标，让它自己持续推进。我的任务最长跑过 10 小时 44 分钟。 9. 用自动化处理重复但重要的事日报、周报、账号监控、邮箱监控、回复策略、内容归档、同步到个人网站——这些都适合交给自动化。 10. 明确任务就开多 Agent 对于翻译、多语言网站、图片生成、资料整理这类边界清晰的工作，让多个 Agent 分工并行，比一个人盯着快得多。三、让 Codex 跨出聊天框 11. 用 Sites 一键分享作品做好网站后，不要卡在“怎么部署”。Sites 可以直接把成品变成能分享的站点。 12. 把插件当成能力扩展包 Computer Use、数据分析、Investment Banking、GitHub、Outlook / Gmail……很多工作不是“AI 会不会”，而是你有没有给它接上正确的能力。 13. 把生图能力接进日常工作我已经用它生成了 300 多张图。做内容、配图、产品原型和视觉探索，速度会完全不一样。 14. 接入飞书，让手机也能操控 Codex 真正高频的协作不该只发生在电脑前。把它接到飞书后，我在手机上也能下任务、收结果、继续对话。 15. 用 ChatCut 把剪视频变成工作流不是只让 AI 帮忙剪一刀，而是把素材整理、脚本、配图、剪辑一起接进创作链路。四、建立自己的信息雷达 16. 每天订阅 Builder 信息我会用 Follow Builders Skill 定时追踪 Builder 的新想法、新产品和讨论，再把重要信息推送给自己。 17. 做一个“灵感箱” 任何一闪而过的想法都丢进去。后面让 AI 自动搜索、补充背景、分类、处理，而不是靠脑子记住。 18. 盯住 GitHub 和 Product Hunt 让 Agent 帮你筛新项目、周榜、日榜和真正值得试的工具。看见感兴趣的，直接让它安装或进一步研究。五、把输入变成你的输出 19. 把任何学习材料做成 HTML 学习页看到一场好访谈、一个视频、一篇文章：让 AI 拉取内容、生成中文文字稿，边看边记评论，最后再变成摘要或短视频。 20. 给 Codex 一个“实体感”：做成桌宠我很喜欢 Hatch Pet。它会根据状态跑动、办公、提示待办，甚至在你切换文件夹和工作区时给建议。AI 不一定要冷冰冰地躲在聊天框里。 100 亿 Token 给我最大的启发是：不要把 AI 只当作“问答工具”或“临时外包”。当它拥有你的上下文、目标、工作流和反馈后，它会越来越像一个能长期协作的系统。换电脑时，我第一个装的软件就是 Codex。写文档、做网站、剪视频、找资料、整理灵感……它已经覆盖了我工作和生活里非常大的一部分。你最想让我把上面哪一条展开成教程？评论区告诉我，我下一条就拆！ #codex #chatgpt @thsottaux

我用掉 100 亿 Token 后，最大的变化不是更会写 Prompt。而是 Codex 已经从一个聊天框，慢慢变成了我的： - 自我认识系统 - 工作系统 - 信息系统 - 学习系统 - 甚至是桌面陪伴系统我把自己最常用的 20 个技巧整理出来了。如果你也想把 AI 从“偶尔问一句”变成真正能长期协作的伙伴，建议先收藏。一、让 Codex 逐渐认识你 1. 每天让它问你一个问题我设了一个自动化：每天问我一个能帮助它更了解我、也帮助我认识自己的问题。它会避开已经问过的话题，围绕一个主题慢慢聊。 2. 把对话当成自我观察现在可以直接语音聊。长期积累下来，它能看到我的情绪、偏好、反复出现的困扰和思考方式。 3. 让它把“它眼中的你”画出来把你们的对话和一张漫画参考图交给它，让它生成多格漫画。你会发现：很多时候我们要的不是答案，而是被理解。二、把 Codex 变成工作系统 4. 每周做一次 Codex 使用复盘让它回顾这周我怎么使用它、哪些沟通方式有效、哪些任务返工了、哪些项目该继续推进。 5. 把失败经验写进“第二大脑” 不只是存笔记。把失败原因、偏好、最近关注点沉淀下来，让以后不同 Agent 都能调用同一份上下文。 6. 创意任务先开 Plan Mode 创意型工作最容易“没想清楚就批量执行，最后返工”。先用计划模式讨论目标、方案、数据体系和风险，再开始做。 7. 把 Codex 当思考顾问，而不是执行员你甚至不需要有明确答案。只要说“我想做什么”，让它帮你一起把模糊的想法拆成可执行路径。 8. 需求清楚后切到 Goal Mode 需求确认后，把结果设成目标，让它自己持续推进。我的任务最长跑过 10 小时 44 分钟。 9. 用自动化处理重复但重要的事日报、周报、账号监控、邮箱监控、回复策略、内容归档、同步到个人网站——这些都适合交给自动化。 10. 明确任务就开多 Agent 对于翻译、多语言网站、图片生成、资料整理这类边界清晰的工作，让多个 Agent 分工并行，比一个人盯着快得多。三、让 Codex 跨出聊天框 11. 用 Sites 一键分享作品做好网站后，不要卡在“怎么部署”。Sites 可以直接把成品变成能分享的站点。 12. 把插件当成能力扩展包 Computer Use、数据分析、Investment Banking、GitHub、Outlook / Gmail……很多工作不是“AI 会不会”，而是你有没有给它接上正确的能力。 13. 把生图能力接进日常工作我已经用它生成了 300 多张图。做内容、配图、产品原型和视觉探索，速度会完全不一样。 14. 接入飞书，让手机也能操控 Codex 真正高频的协作不该只发生在电脑前。把它接到飞书后，我在手机上也能下任务、收结果、继续对话。 15. 用 ChatCut 把剪视频变成工作流不是只让 AI 帮忙剪一刀，而是把素材整理、脚本、配图、剪辑一起接进创作链路。四、建立自己的信息雷达 16. 每天订阅 Builder 信息我会用 Follow Builders Skill 定时追踪 Builder 的新想法、新产品和讨论，再把重要信息推送给自己。 17. 做一个“灵感箱” 任何一闪而过的想法都丢进去。后面让 AI 自动搜索、补充背景、分类、处理，而不是靠脑子记住。 18. 盯住 GitHub 和 Product Hunt 让 Agent 帮你筛新项目、周榜、日榜和真正值得试的工具。看见感兴趣的，直接让它安装或进一步研究。五、把输入变成你的输出 19. 把任何学习材料做成 HTML 学习页看到一场好访谈、一个视频、一篇文章：让 AI 拉取内容、生成中文文字稿，边看边记评论，最后再变成摘要或短视频。 20. 给 Codex 一个“实体感”：做成桌宠我很喜欢 Hatch Pet。它会根据状态跑动、办公、提示待办，甚至在你切换文件夹和工作区时给建议。AI 不一定要冷冰冰地躲在聊天框里。 100 亿 Token 给我最大的启发是：不要把 AI 只当作“问答工具”或“临时外包”。当它拥有你的上下文、目标、工作流和反馈后，它会越来越像一个能长期协作的系统。换电脑时，我第一个装的软件就是 Codex。写文档、做网站、剪视频、找资料、整理灵感……它已经覆盖了我工作和生活里非常大的一部分。你最想让我把上面哪一条展开成教程？评论区告诉我，我下一条就拆！ #codex #chatgpt @thsottaux

Vivi Xiao

102,364 görüntüleme • 1 ay önce

昨天我花了 30 分钟，做了一件如果放在以前，至少要花几万块的事。我没写代码，也没发问卷，只想回答一个问题： AI 漫剧这个赛道，现在到底还能不能做？真正做过商业研究的人都知道，一场深度访谈、一场焦点小组，再加一份完整的消费者洞察报告，预算动辄几万到几十万元，而且通常要等上几周。如果研究海外市场，价格还得再翻几倍。所以，大多数创业者最后得到的答案都是：感觉还有机会。但感觉，是创业里最贵的东西。于是我把这个问题丢给了 Atypica。它没有像普通 AI 一样直接输出分析，而是先反问我：你准备做什么类型？面向哪些用户？希望验证什么？最担心什么风险？确认完这些问题，它才开始联网查资料、整理竞品、构建研究计划。真正让我觉得有意思的是后面。它生成了一组符合目标用户画像的 AI Persona，模拟真实用户做一对一深访，再把这些观点放进焦点小组里继续讨论。也就是说，我不是在问一个 ChatGPT。而是在采访几十个模拟目标用户。这两个东西完全不是一个概念。 Atypica 官网：注册会送 1M token，足够免费跑一次分析。 atypica.AI

昨天我花了 30 分钟，做了一件如果放在以前，至少要花几万块的事。我没写代码，也没发问卷，只想回答一个问题： AI 漫剧这个赛道，现在到底还能不能做？真正做过商业研究的人都知道，一场深度访谈、一场焦点小组，再加一份完整的消费者洞察报告，预算动辄几万到几十万元，而且通常要等上几周。如果研究海外市场，价格还得再翻几倍。所以，大多数创业者最后得到的答案都是：感觉还有机会。但感觉，是创业里最贵的东西。于是我把这个问题丢给了 Atypica。它没有像普通 AI 一样直接输出分析，而是先反问我：你准备做什么类型？面向哪些用户？希望验证什么？最担心什么风险？确认完这些问题，它才开始联网查资料、整理竞品、构建研究计划。真正让我觉得有意思的是后面。它生成了一组符合目标用户画像的 AI Persona，模拟真实用户做一对一深访，再把这些观点放进焦点小组里继续讨论。也就是说，我不是在问一个 ChatGPT。而是在采访几十个模拟目标用户。这两个东西完全不是一个概念。 Atypica 官网：注册会送 1M token，足够免费跑一次分析。 atypica.AI

泊舟

111,786 görüntüleme • 1 ay önce

最近陶哲轩在 2024 年第 65 届国际数学奥林匹克上，陶哲轩做了一次 AI 和数学的演讲，非常精彩，从数学使用计算计算机的历史开始讲起，一直讲到大语言模型，干货相当多，尤其适合对数学有兴趣的同学。（对数学没那么感兴趣的同学只想看 AI 部分的建议直接跳到 41 分的位置开始观看）先摘录几个冷知识： 1. 我们使用机器做数学计算已经有数千年，最早的机器辅助计算可能是罗马人，然后是中国的算盘 2. 二战时就有人肉“计算机”，计算弹道和其他任务，多位女孩子，因为男士们在打仗，所以那时候的计算基本单位不是GPU，而是kilogirl-hour——“千名女孩工作一小时的计算量” 3. 现在，数学家们使用一种现代化的证明辅助编程语言，叫做 Lean。在 Lean 中有一个核心的数学库，通过众包的方式开发的，本科数学课程中看到的内容，比如微积分基础、群论基础或者拓扑学等等，这些都已经被形式化了，所以你不用从公理开始。 4. 现在数学领域有一种团队协作证明复杂数学定理的工作流程，那就是先编写一个称为“蓝图”的详细证明计划，将整个证明分解为数百个小步骤。每个步骤可以单独形式化，然后再将它们整合在一起，这样你就可以将一个庞大的论证分解成许多小块。先编写这个蓝图，然后团队中的其他人可以对论据的不同步骤的不同部分进行形式化。去年，陶哲轩和几位同事一起解决了一个组合数学问题。这是一个组合学的问题。大约20人在短短三周内完成了，使用了蓝图工具，参与的人中有概率论专家，甚至还有一些并非数学家的人，他们是程序员，但在解决这些小型拼图问题上非常擅长。每个人都挑选了一个觉得自己能做的小任务，并完成了它。在数学领域，通常很难这么多人一起合作，一般最多可能五个人合作。因为在大项目上合作时，你必须相信每个人的数学都是正确的。但是，一旦超过一定规模，这就无法实现了。但现在借助 Lean 编译器，它能自动检查。团队成员无法上传任何编译不通过的内容，会被拒绝。因此，你可以与一些从未见过的人合作。最后是讲大语言模型，首先陶哲轩就打脸了 GPT-4 的论文（我猜是微软那篇《GPT-4，通用人工智能的火花》），论文中号称 GPT-4 能解决国际数学奥林匹克问题，但实际上，这个问题不是 2022 年国际奥数竞赛的原始问题，而是一个简化版本，并且他们测试了几百道国际奥数竞赛问题，成功率只有1%，论文里的这个是精心挑选的恰巧能做对的。并且陶哲轩提到了基于大语言模型的一些改进的方案：比如 CoT（Chain of Thought），也就是 LLM 做简单的算术运算都做不对，但是如果让它一步步解释，可能就对了。还可以教 AI 一些解题技巧，比如尝试简单的例子，反证法，尝试逐步证明等。比如让模型和编程语言或者工具连接，将大语言的输出结果交给 Wolfram 这样的专业数学工具或者 Python 这样的编程语言验证，并且迭代的进行修正和验证，直到得到正确的结果，这可以提升大语言模型生成的效果。即使借助这些手段，大语言模型还远远不能解决大多数数学问题，更不用说数学研究问题了！当然陶哲轩也没太过打击大家对于 AI 的信心，表示我们在 AI 上还是在不断的取得进展，还提到了他日常是怎么用 AI 的，比如说把 AI 当成灵感之源。 > 我曾遇到过一个问题，我尝试了几种方法，但都无法解决。于是，我尝试询问 GPT，你建议我使用什么其他方法来解决这个问题？GPT 给我提供了 10 种可能的方法，其中有 5 种我已经尝试过，或者明显没有帮助。的确，有几种方法并不实用。但其中有一种我还没尝试过的方法，那就是针对这个问题使用生成函数。当 GPT 建议我使用这种方法时，我意识到这就是我漏掉的正确方法。所以，将 GPT 视为一个交流伙伴，它确实具有一定的用处。还有使用 GitHub Copilot 帮他写代码，让它自动生成下一步的证明结果，Copilot 的智能提示有 20% 的概率能生成正确的下一步结果。 > 例如我使用的一个叫 GitHub Copilot 的工具，你只需要写下一半的证明，它就会尝试猜测接下来的内容。大概有 20% 的情况下，它能猜到接近正确的答案。然后你就可以说，我接受这个答案。好的，那么在这种情况下，我正在试图证明这个陈述。灰色的部分是 Copilot 给出的建议。结果发现第一行完全没用。不过第二行，尽管你可能看不清楚，却真的解决了这个问题。所以，你不能盲目接受它的输入，因为这些代码未必能顺利编译。但如果你对代码的运作方式已经有所了解，这将大大节省你的时间。这些工具正在变得越来越好。现在如果一个证明只需要一两行，它们就能自动完成。现在已经有了这样的实验，即通过迭代地让 AI 提供证明，然后让编译器进行反馈，如果编译出错，就把错误信息反馈给 AI。通过这种方法，我们开始能够验证四五步长的证明。当然，一个大型的证明可能需要数万行。所以，我们还没有达到能够立即得到一个正式证明的程度。但是，这已经是一个相当有用的工具。对于大家关心的问题： AI 在数学领域现在到了哪一个阶段？是否未来几年利用 AI 能直接解决数学问题？陶哲轩也给出了他的看法： > 我认为我们还远远没有达到这个阶段。如果我们专注于非常特定的问题，你可以定制专门的 AI 来处理一小部分问题。即便如此，它们也不是完全可靠的，但还是有用的。不过至少在接下来的几年里，它们基本上将是非常有用的辅助工具，超越了我们已经熟悉的暴力计算辅助。他还提到了一些可能的 AI 能在数学领域提供帮助的方向： - AI 能够非常好地生成有价值的猜想 > 比如，我们已经看到了关于结理论的例子，它们已经可以推测出两个不同的统计量之间的关系。因此，我们希望能够创建大量的数据集，输入到 AI 中，它们就会自动找出各种不同的数学对象之间的有趣联系。虽然我们还不知道如何做到这一点，部分原因是我们没有这些庞大的数据集。但我认为这是未来可能实现的一个方向。 - 批量或者说规模化的证明大量数学定理 > 现在，因为证明定理是如此繁琐和艰难的过程，我们一次只能证明一个定理，如果你效率很高，可能一次能证明两三个。但是有了 AI，你可以设想一下未来的情况，我们不是试图解决一个问题，而是处理一类类似的1000个问题，然后告诉AI，尝试用这个方法解决这 1000 个问题，然后报告结果，哦，我能用这种技术解决 35% 的问题。那么另一种技术呢？我能解决这个百分比的问题。或者如果结合这些方法，又能解决多少问题？你可以开始探索问题的空间，而不是一个接一个地解决问题。这是你现在根本无法做到的事情，或者是你需要几十年时间，通过数十篇论文慢慢搞清楚各种技术能做什么，不能做什么。但是有了这些工具，你真的可以开始做规模前所未有的数学研究。所以，未来将会非常令人兴奋。演讲环节结束前的最后一句话说的特别好： > 我们仍然会以传统方式证明定理。事实上，我们必须这样做，因为如果我们自己都不知道如何做这些事情，就无法引导这些 AI。但是我们将能够做很多现在无法做到的事情。这恰恰也是我们现在使用 AI 辅助编程的问题：如果我们自己都不知道如何构建软件，就很难引导好 AI 帮助我们生成高质量的代码。尽管 AI 在数学和编程领域变得越来越有用，但人类的洞察力和创造力仍然是创作价值的关键。原始 YT 视频：

最近陶哲轩在 2024 年第 65 届国际数学奥林匹克上，陶哲轩做了一次 AI 和数学的演讲，非常精彩，从数学使用计算计算机的历史开始讲起，一直讲到大语言模型，干货相当多，尤其适合对数学有兴趣的同学。（对数学没那么感兴趣的同学只想看 AI 部分的建议直接跳到 41 分的位置开始观看）先摘录几个冷知识： 1. 我们使用机器做数学计算已经有数千年，最早的机器辅助计算可能是罗马人，然后是中国的算盘 2. 二战时就有人肉“计算机”，计算弹道和其他任务，多位女孩子，因为男士们在打仗，所以那时候的计算基本单位不是GPU，而是kilogirl-hour——“千名女孩工作一小时的计算量” 3. 现在，数学家们使用一种现代化的证明辅助编程语言，叫做 Lean。在 Lean 中有一个核心的数学库，通过众包的方式开发的，本科数学课程中看到的内容，比如微积分基础、群论基础或者拓扑学等等，这些都已经被形式化了，所以你不用从公理开始。 4. 现在数学领域有一种团队协作证明复杂数学定理的工作流程，那就是先编写一个称为“蓝图”的详细证明计划，将整个证明分解为数百个小步骤。每个步骤可以单独形式化，然后再将它们整合在一起，这样你就可以将一个庞大的论证分解成许多小块。先编写这个蓝图，然后团队中的其他人可以对论据的不同步骤的不同部分进行形式化。去年，陶哲轩和几位同事一起解决了一个组合数学问题。这是一个组合学的问题。大约20人在短短三周内完成了，使用了蓝图工具，参与的人中有概率论专家，甚至还有一些并非数学家的人，他们是程序员，但在解决这些小型拼图问题上非常擅长。每个人都挑选了一个觉得自己能做的小任务，并完成了它。在数学领域，通常很难这么多人一起合作，一般最多可能五个人合作。因为在大项目上合作时，你必须相信每个人的数学都是正确的。但是，一旦超过一定规模，这就无法实现了。但现在借助 Lean 编译器，它能自动检查。团队成员无法上传任何编译不通过的内容，会被拒绝。因此，你可以与一些从未见过的人合作。最后是讲大语言模型，首先陶哲轩就打脸了 GPT-4 的论文（我猜是微软那篇《GPT-4，通用人工智能的火花》），论文中号称 GPT-4 能解决国际数学奥林匹克问题，但实际上，这个问题不是 2022 年国际奥数竞赛的原始问题，而是一个简化版本，并且他们测试了几百道国际奥数竞赛问题，成功率只有1%，论文里的这个是精心挑选的恰巧能做对的。并且陶哲轩提到了基于大语言模型的一些改进的方案：比如 CoT（Chain of Thought），也就是 LLM 做简单的算术运算都做不对，但是如果让它一步步解释，可能就对了。还可以教 AI 一些解题技巧，比如尝试简单的例子，反证法，尝试逐步证明等。比如让模型和编程语言或者工具连接，将大语言的输出结果交给 Wolfram 这样的专业数学工具或者 Python 这样的编程语言验证，并且迭代的进行修正和验证，直到得到正确的结果，这可以提升大语言模型生成的效果。即使借助这些手段，大语言模型还远远不能解决大多数数学问题，更不用说数学研究问题了！当然陶哲轩也没太过打击大家对于 AI 的信心，表示我们在 AI 上还是在不断的取得进展，还提到了他日常是怎么用 AI 的，比如说把 AI 当成灵感之源。 > 我曾遇到过一个问题，我尝试了几种方法，但都无法解决。于是，我尝试询问 GPT，你建议我使用什么其他方法来解决这个问题？GPT 给我提供了 10 种可能的方法，其中有 5 种我已经尝试过，或者明显没有帮助。的确，有几种方法并不实用。但其中有一种我还没尝试过的方法，那就是针对这个问题使用生成函数。当 GPT 建议我使用这种方法时，我意识到这就是我漏掉的正确方法。所以，将 GPT 视为一个交流伙伴，它确实具有一定的用处。还有使用 GitHub Copilot 帮他写代码，让它自动生成下一步的证明结果，Copilot 的智能提示有 20% 的概率能生成正确的下一步结果。 > 例如我使用的一个叫 GitHub Copilot 的工具，你只需要写下一半的证明，它就会尝试猜测接下来的内容。大概有 20% 的情况下，它能猜到接近正确的答案。然后你就可以说，我接受这个答案。好的，那么在这种情况下，我正在试图证明这个陈述。灰色的部分是 Copilot 给出的建议。结果发现第一行完全没用。不过第二行，尽管你可能看不清楚，却真的解决了这个问题。所以，你不能盲目接受它的输入，因为这些代码未必能顺利编译。但如果你对代码的运作方式已经有所了解，这将大大节省你的时间。这些工具正在变得越来越好。现在如果一个证明只需要一两行，它们就能自动完成。现在已经有了这样的实验，即通过迭代地让 AI 提供证明，然后让编译器进行反馈，如果编译出错，就把错误信息反馈给 AI。通过这种方法，我们开始能够验证四五步长的证明。当然，一个大型的证明可能需要数万行。所以，我们还没有达到能够立即得到一个正式证明的程度。但是，这已经是一个相当有用的工具。对于大家关心的问题： AI 在数学领域现在到了哪一个阶段？是否未来几年利用 AI 能直接解决数学问题？陶哲轩也给出了他的看法： > 我认为我们还远远没有达到这个阶段。如果我们专注于非常特定的问题，你可以定制专门的 AI 来处理一小部分问题。即便如此，它们也不是完全可靠的，但还是有用的。不过至少在接下来的几年里，它们基本上将是非常有用的辅助工具，超越了我们已经熟悉的暴力计算辅助。他还提到了一些可能的 AI 能在数学领域提供帮助的方向： - AI 能够非常好地生成有价值的猜想 > 比如，我们已经看到了关于结理论的例子，它们已经可以推测出两个不同的统计量之间的关系。因此，我们希望能够创建大量的数据集，输入到 AI 中，它们就会自动找出各种不同的数学对象之间的有趣联系。虽然我们还不知道如何做到这一点，部分原因是我们没有这些庞大的数据集。但我认为这是未来可能实现的一个方向。 - 批量或者说规模化的证明大量数学定理 > 现在，因为证明定理是如此繁琐和艰难的过程，我们一次只能证明一个定理，如果你效率很高，可能一次能证明两三个。但是有了 AI，你可以设想一下未来的情况，我们不是试图解决一个问题，而是处理一类类似的1000个问题，然后告诉AI，尝试用这个方法解决这 1000 个问题，然后报告结果，哦，我能用这种技术解决 35% 的问题。那么另一种技术呢？我能解决这个百分比的问题。或者如果结合这些方法，又能解决多少问题？你可以开始探索问题的空间，而不是一个接一个地解决问题。这是你现在根本无法做到的事情，或者是你需要几十年时间，通过数十篇论文慢慢搞清楚各种技术能做什么，不能做什么。但是有了这些工具，你真的可以开始做规模前所未有的数学研究。所以，未来将会非常令人兴奋。演讲环节结束前的最后一句话说的特别好： > 我们仍然会以传统方式证明定理。事实上，我们必须这样做，因为如果我们自己都不知道如何做这些事情，就无法引导这些 AI。但是我们将能够做很多现在无法做到的事情。这恰恰也是我们现在使用 AI 辅助编程的问题：如果我们自己都不知道如何构建软件，就很难引导好 AI 帮助我们生成高质量的代码。尽管 AI 在数学和编程领域变得越来越有用，但人类的洞察力和创造力仍然是创作价值的关键。原始 YT 视频：

宝玉

301,920 görüntüleme • 2 yıl önce

飞书+豆包这个组合真的太牛逼了！自从豆包和飞书集成之后，结合抖音的字节生态，可以直接提取某个抖音博主的（don哥、李守洲等人）逐字稿了如果你觉得一个博主的方法论特别有用，那你就可以和豆包说直接把它提取出来，并分门别类进行多维表格化的整理你就会发现他变成一组数据进入到你的飞书了我这次用飞书里的豆包，做了一件原来很烦的事，并最后形成了一套用AI做选题的方法论我这次抓 20 个“用 AI 做选题”的视频，直接把这些视频的内容转成逐字稿，再放进飞书多维表格里这件事我一开始是没想到的，因为按原来的做法，你想拆一个视频的方法论，基本就是：用Get笔记复制一下项目链接，再复制再粘贴，最后拿到的东西很散说豆包和飞书这次结合起来，我就直接把任务派给了豆包，看视频就行了我把任务丢给豆包「先抓 20 个 AI 找选题相关视频」再把视频内容转成逐字稿，然后落到飞书多维表格里，继续做分类、提炼、整理最后出来了 3 个交付物，这些我觉得都很实用：一张原始素材表：20 条视频记录，带逐字稿、点赞数据和视频链接一张方法论整理表：32 条方法论，拆成 5 大类，做了 13 个字段一篇约 6000 字的文章：从工具使用者到系统构建者的五层进阶这才是我觉得飞书里的豆包最适合内容创作者的地方，这也是它和WorkBuddy等仅仅切入B端市场不同的地方，就是它真的在照顾每一个使用飞书的人，每一个使用字节产品的人，把生态打造成了一个绝对的壁垒它能把“找素材”和飞书结合起来，往后推进成一个可以继续用的工作台最有意义的就是它先帮我把别人视频里的有效表达扒出来再把这些逐字稿变成结构化表格，再从表格里提炼方法论最后沉淀成一篇可以发出去的文章，甚至可以反过来做成一个“AI 找选题方法论”的 skill 这条链路很像我最近一直在讲的那句话：AI 内容创作不是生成，而是消化而豆包进入飞书表格之后，飞书多维表格在这里就不是普通表格了它更像一个内容生产的中控台：原始素材、逐字稿、方法分类、适用场景、后续文章，都能接在一起，还有更多玩法，我后面慢慢来更新飞书还有各类免费的直播课！想听的直接扫描评论区的二维码及时接收提醒，量大管饱！！！

飞书+豆包这个组合真的太牛逼了！自从豆包和飞书集成之后，结合抖音的字节生态，可以直接提取某个抖音博主的（don哥、李守洲等人）逐字稿了如果你觉得一个博主的方法论特别有用，那你就可以和豆包说直接把它提取出来，并分门别类进行多维表格化的整理你就会发现他变成一组数据进入到你的飞书了我这次用飞书里的豆包，做了一件原来很烦的事，并最后形成了一套用AI做选题的方法论我这次抓 20 个“用 AI 做选题”的视频，直接把这些视频的内容转成逐字稿，再放进飞书多维表格里这件事我一开始是没想到的，因为按原来的做法，你想拆一个视频的方法论，基本就是：用Get笔记复制一下项目链接，再复制再粘贴，最后拿到的东西很散说豆包和飞书这次结合起来，我就直接把任务派给了豆包，看视频就行了我把任务丢给豆包「先抓 20 个 AI 找选题相关视频」再把视频内容转成逐字稿，然后落到飞书多维表格里，继续做分类、提炼、整理最后出来了 3 个交付物，这些我觉得都很实用：一张原始素材表：20 条视频记录，带逐字稿、点赞数据和视频链接一张方法论整理表：32 条方法论，拆成 5 大类，做了 13 个字段一篇约 6000 字的文章：从工具使用者到系统构建者的五层进阶这才是我觉得飞书里的豆包最适合内容创作者的地方，这也是它和WorkBuddy等仅仅切入B端市场不同的地方，就是它真的在照顾每一个使用飞书的人，每一个使用字节产品的人，把生态打造成了一个绝对的壁垒它能把“找素材”和飞书结合起来，往后推进成一个可以继续用的工作台最有意义的就是它先帮我把别人视频里的有效表达扒出来再把这些逐字稿变成结构化表格，再从表格里提炼方法论最后沉淀成一篇可以发出去的文章，甚至可以反过来做成一个“AI 找选题方法论”的 skill 这条链路很像我最近一直在讲的那句话：AI 内容创作不是生成，而是消化而豆包进入飞书表格之后，飞书多维表格在这里就不是普通表格了它更像一个内容生产的中控台：原始素材、逐字稿、方法分类、适用场景、后续文章，都能接在一起，还有更多玩法，我后面慢慢来更新飞书还有各类免费的直播课！想听的直接扫描评论区的二维码及时接收提醒，量大管饱！！！

叫我阿杭

35,086 görüntüleme • 15 gün önce

中文创作者开源的 AI Skill，挑了 5 个我觉得写内容真能用上的。 ① Humanizer-zh：去 AI 味这个是 op7418 汉化的，它不是简单让文字“更口语化”，而是专门帮你抓文章里的 AI 痕迹。比如：过度强调意义、万能结尾、虚假范围、填充短语、空泛总结。这些东西单独看没问题，但堆在一起，读者一眼就能看出“这味儿不对”。写完推文、公众号、小红书，丢进去过一遍，能把那种模板感压下来。 ② dbskill：选题诊断 + 爆款标题 dontbesilent 做的，一套 21 个 skill，这个比较狠，它不是单纯教你“怎么写得更好”，而是帮你拆：为什么这个选题没人点？为什么标题没吸引力？为什么内容看完没记忆点？里面有选题分析、对标拆解、小红书标题公式、AI 痕迹扫描。据说是从一万两千多条推文里提炼出来的，不是那种空泛方法论，更像一个内容创作者自己的实战经验库。适合经常卡在“我知道要写，但不知道怎么切角度”的人。 ③ NotebookLM Skill：用自己的资料库写内容这个连的是 Google NotebookLM，我觉得它最适合写长文、研报、项目解析、信息整理类内容。它的价值不是让 AI 写得更花，而是让 AI 不要乱编，你把资料上传进去，Agent 基于你的资料库回答，每条内容都能带引用，写需要信息准确的东西时，这个很重要。尤其是加密、AI、开源项目、行业分析这种内容，最怕的不是写得慢，而是写错了还不知道。 ④ khazix-skills：卡兹克的写作套件数字生命卡兹克把自己的写作节奏和分析方法做成了 skill，最有意思的是“横纵分析法”。你丢一个产品、公司或者项目进去，它能拉出一份很完整的研究报告。适合做：项目拆解、公司分析、产品研究、长文选题预研。里面还夹了一个 storage-analyzer，可以扫 Mac 磁盘，用三色分级告诉你哪些能删、哪些别乱动。这个就很创作者真实工作流，不只是写作，还包括电脑里那堆素材和缓存怎么清。 ⑤ ian-xiaohei-illustrations：正文配图这个不是信息图，也不是那种商业插画模板。它的风格是白底黑线手绘，一个叫“小黑”的角色，加少量红橙蓝中文批注。 16:9 横版，一张图只讲一个判断，我觉得它很适合放在公众号、长推、小红书里。现在内容配图要么是截图，要么是 AI 感很重的视觉图，看多了都差不多。这种怪诞手绘风反而有辨识度。

中文创作者开源的 AI Skill，挑了 5 个我觉得写内容真能用上的。 ① Humanizer-zh：去 AI 味这个是 op7418 汉化的，它不是简单让文字“更口语化”，而是专门帮你抓文章里的 AI 痕迹。比如：过度强调意义、万能结尾、虚假范围、填充短语、空泛总结。这些东西单独看没问题，但堆在一起，读者一眼就能看出“这味儿不对”。写完推文、公众号、小红书，丢进去过一遍，能把那种模板感压下来。 ② dbskill：选题诊断 + 爆款标题 dontbesilent 做的，一套 21 个 skill，这个比较狠，它不是单纯教你“怎么写得更好”，而是帮你拆：为什么这个选题没人点？为什么标题没吸引力？为什么内容看完没记忆点？里面有选题分析、对标拆解、小红书标题公式、AI 痕迹扫描。据说是从一万两千多条推文里提炼出来的，不是那种空泛方法论，更像一个内容创作者自己的实战经验库。适合经常卡在“我知道要写，但不知道怎么切角度”的人。 ③ NotebookLM Skill：用自己的资料库写内容这个连的是 Google NotebookLM，我觉得它最适合写长文、研报、项目解析、信息整理类内容。它的价值不是让 AI 写得更花，而是让 AI 不要乱编，你把资料上传进去，Agent 基于你的资料库回答，每条内容都能带引用，写需要信息准确的东西时，这个很重要。尤其是加密、AI、开源项目、行业分析这种内容，最怕的不是写得慢，而是写错了还不知道。 ④ khazix-skills：卡兹克的写作套件数字生命卡兹克把自己的写作节奏和分析方法做成了 skill，最有意思的是“横纵分析法”。你丢一个产品、公司或者项目进去，它能拉出一份很完整的研究报告。适合做：项目拆解、公司分析、产品研究、长文选题预研。里面还夹了一个 storage-analyzer，可以扫 Mac 磁盘，用三色分级告诉你哪些能删、哪些别乱动。这个就很创作者真实工作流，不只是写作，还包括电脑里那堆素材和缓存怎么清。 ⑤ ian-xiaohei-illustrations：正文配图这个不是信息图，也不是那种商业插画模板。它的风格是白底黑线手绘，一个叫“小黑”的角色，加少量红橙蓝中文批注。 16:9 横版，一张图只讲一个判断，我觉得它很适合放在公众号、长推、小红书里。现在内容配图要么是截图，要么是 AI 感很重的视觉图，看多了都差不多。这种怪诞手绘风反而有辨识度。

撸毛吃猪脚饭|Gate美股0费率

31,665 görüntüleme • 2 ay önce

来辣，晚上拿到的月之暗面 Kimi Chat 200 万上下文的资格，做了几个测试看了看效果。先说结论200万上下文确实没问题，找内容也很精准，这下真的国内独一份了，长上下文太方便了。我顺便录了一个视频，具体效果也可以看视频里的内容，下面是具体的测试过程：首先我尝试了一下日常经常做的任务就是长文本翻译，不管是GPT-4还是Claude我们都没办法直接发给他一个超长文章让他一次性全翻译完，都需要点击多次继续，而且还可能出现幻觉。我拿今天英伟达发布会的公告加上宝玉的二次翻译提示词让kimi翻译，它一步就完成了全部内容的翻译，不过二次的有些小问题最后一段丢了，第一次翻译的非常完整。然后是一个人工的大海捞针测试，我给了他一本比较出名的收费小说《道诡异仙》这本小说全文是220万字超了一些我删到了150万字，然后问他里面不同位置的内容。我首先问了四个主要情节和人物的内容，比如主角的师傅叫什么，某个生物的信息之类的答得都非常准确，最后是一个开放题问他小说中的所有势力，他给出了五六个没有全部给出，不过已经很不错了。现在可以去Kimichat首页申请200万字上下文的测试资格，感兴趣可以试试。

来辣，晚上拿到的月之暗面 Kimi Chat 200 万上下文的资格，做了几个测试看了看效果。先说结论200万上下文确实没问题，找内容也很精准，这下真的国内独一份了，长上下文太方便了。我顺便录了一个视频，具体效果也可以看视频里的内容，下面是具体的测试过程：首先我尝试了一下日常经常做的任务就是长文本翻译，不管是GPT-4还是Claude我们都没办法直接发给他一个超长文章让他一次性全翻译完，都需要点击多次继续，而且还可能出现幻觉。我拿今天英伟达发布会的公告加上宝玉的二次翻译提示词让kimi翻译，它一步就完成了全部内容的翻译，不过二次的有些小问题最后一段丢了，第一次翻译的非常完整。然后是一个人工的大海捞针测试，我给了他一本比较出名的收费小说《道诡异仙》这本小说全文是220万字超了一些我删到了150万字，然后问他里面不同位置的内容。我首先问了四个主要情节和人物的内容，比如主角的师傅叫什么，某个生物的信息之类的答得都非常准确，最后是一个开放题问他小说中的所有势力，他给出了五六个没有全部给出，不过已经很不错了。现在可以去Kimichat首页申请200万字上下文的测试资格，感兴趣可以试试。

歸藏(guizang.ai)

83,243 görüntüleme • 2 yıl önce

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

46,330 görüntüleme • 5 ay önce

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！

38,673 görüntüleme • 11 gün önce

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

27,254 görüntüleme • 1 yıl önce

Karpathy 说过一句话：我们现在还处在 AI 的 1960s 这场 40 分钟的 Y Combinator lecture，基本把这个判断讲透了很多人已经在用 Claude Opus 4.8 但使用方式还停留在：把它当 search engine 当 chatbot 当更聪明的问答框而 Karpathy 讲的 Software 3.0，不是这个它指的是： LLMs as operating systems, not chatbots 也就是模型不只是回答问题，而是开始承接 workflow 读取上下文调用工具拆解任务持续执行在没人盯着的时候，把一整套流程往前推进。这也是 autonomous agents 真正有意思的地方。不是“让 AI 写一段代码” 而是让 agent 跑完整个 workflow 你不需要一直看着它它自己推进你回来 review 结果这篇文章里的 32 个 skills，本质上就是帮你跨过这条线从“使用 AI”变成“构建 AI workflow” 未来真正的差距，是谁会用 Claude 提问，还是谁能把 Claude 变成自己的 operating system？

Karpathy 说过一句话：我们现在还处在 AI 的 1960s 这场 40 分钟的 Y Combinator lecture，基本把这个判断讲透了很多人已经在用 Claude Opus 4.8 但使用方式还停留在：把它当 search engine 当 chatbot 当更聪明的问答框而 Karpathy 讲的 Software 3.0，不是这个它指的是： LLMs as operating systems, not chatbots 也就是模型不只是回答问题，而是开始承接 workflow 读取上下文调用工具拆解任务持续执行在没人盯着的时候，把一整套流程往前推进。这也是 autonomous agents 真正有意思的地方。不是“让 AI 写一段代码” 而是让 agent 跑完整个 workflow 你不需要一直看着它它自己推进你回来 review 结果这篇文章里的 32 个 skills，本质上就是帮你跨过这条线从“使用 AI”变成“构建 AI workflow” 未来真正的差距，是谁会用 Claude 提问，还是谁能把 Claude 变成自己的 operating system？

0x_Miko

47,241 görüntüleme • 2 ay önce

我最近一边写内容，一边在验证一个问题：如果要做一个面向 AI 创作者的小工具，到底该做什么？直接问 AI“给我想个产品 idea”，意义不大。它能给你 20 个想法，但不代表有人愿意付钱。我最近用 Airtap Ai Airtap 跑了两个任务。第一个很简单。我给一个真实的美国号码发了一条 iMessage： +1 (650) 248-0054 “在 X 上帮我查一下今天最热的 AI 信息和话题。” Airtap 收到消息后，直接操作云手机里的 Chrome，打开 X 搜索。我不用守在页面前，它会通过 iMessage 回传进度： “正在查看 Grok 4.6，整理高互动帖子。” “已经拿到 Grok Imagine 的数据，接下来检查 Claude 工具。” 过了一会儿，热点、原帖链接和互动数据就发回来了。这个任务很适合做内容的人。它像一份每日选题雷达，解决的是：今天有什么值得写？哪些海外话题可以转成中文内容？并且它的入口非常方便，一项任务交给一条imessage就可以搞定。但我还想解决另一个问题：如果我要做一个服务 AI 创作者的产品，哪些问题真的值得做？这次我在 Airtap 的 Web 端发了一个更长的调研任务：去 Reddit 和 X 找 AI 创作者已经花钱、却仍没解决的问题。我只保留四类讨论：买过多个工具，问题还是没解决；已经雇人或购买过服务；每周仍要投入大量人工时间；因为价格、功能或稳定性反复换工具。同时要求它记录原帖、评论、链接、已经尝试的方案和实际成本。任务跑起来后，我会在 Web 端看它执行：搜索了什么关键词，打开了哪些帖子，有没有进评论区，又怎样切到 X 做交叉验证。这一步对我很重要。我要的是能回头核对证据，而非一份看起来很厉害的 AI 总结。最后拿到的是一份付费痛点机会表。其中有两个结论让我印象很深。第一个是多工具订阅。不少重度用户同时订阅 GPT、Claude 和一堆垂直工具，每月花费超过 100 美元，但依然搞不清额度、频繁遇到限流，还要处理支付和区服问题。他们缺的不是又一个模型。更像是一个能看清“钱花到哪、额度还剩多少、哪个工具该留”的管理层。第二个是 AI 内容返工。有些创作者已经付费买了生成工具，但内容出来后，还是要花大量时间改脚本、核对事实、去掉 AI 味。他们要的也不是更多的生成。而是把内容变成“能发、可信、像自己”的最后一步。这份报告没有告诉我“做这个一定能赚钱”。但它让我排除了一个方向：我没必要再做一个 AI 内容生成器。反而可以先验证一个更小的产品：帮重度 AI 用户看清订阅、额度和重复支出。下一步，我会把这个痛点做成一页简单的产品说明，找 10 个同时订阅 GPT 和 Claude 的创作者聊聊。如果有人愿意给出自己的账单和额度使用情况，再做 MVP。这就是 Airtap 给我的第二个结果：不是帮我找到一个“看起来很酷”的点子。而是帮我找到一个有公开证据、有付费行为、能继续访谈验证的产品方向。如果这类调研想要长期做，还可以保存成 Routine，每天自动追踪 Reddit 和 X 上新出现的付费痛点，不用反复发同一段 Prompt。我现在理解的 Airtap 工作流很简单：临时内容任务，直接用 iMessage 发出去；复杂调研任务，打开 Web 看过程、核对证据；值得长期追踪的方向，再保存成 Routine。完整调研报告和执行过程放在视频里。

我最近一边写内容，一边在验证一个问题：如果要做一个面向 AI 创作者的小工具，到底该做什么？直接问 AI“给我想个产品 idea”，意义不大。它能给你 20 个想法，但不代表有人愿意付钱。我最近用 Airtap Ai Airtap 跑了两个任务。第一个很简单。我给一个真实的美国号码发了一条 iMessage： +1 (650) 248-0054 “在 X 上帮我查一下今天最热的 AI 信息和话题。” Airtap 收到消息后，直接操作云手机里的 Chrome，打开 X 搜索。我不用守在页面前，它会通过 iMessage 回传进度： “正在查看 Grok 4.6，整理高互动帖子。” “已经拿到 Grok Imagine 的数据，接下来检查 Claude 工具。” 过了一会儿，热点、原帖链接和互动数据就发回来了。这个任务很适合做内容的人。它像一份每日选题雷达，解决的是：今天有什么值得写？哪些海外话题可以转成中文内容？并且它的入口非常方便，一项任务交给一条imessage就可以搞定。但我还想解决另一个问题：如果我要做一个服务 AI 创作者的产品，哪些问题真的值得做？这次我在 Airtap 的 Web 端发了一个更长的调研任务：去 Reddit 和 X 找 AI 创作者已经花钱、却仍没解决的问题。我只保留四类讨论：买过多个工具，问题还是没解决；已经雇人或购买过服务；每周仍要投入大量人工时间；因为价格、功能或稳定性反复换工具。同时要求它记录原帖、评论、链接、已经尝试的方案和实际成本。任务跑起来后，我会在 Web 端看它执行：搜索了什么关键词，打开了哪些帖子，有没有进评论区，又怎样切到 X 做交叉验证。这一步对我很重要。我要的是能回头核对证据，而非一份看起来很厉害的 AI 总结。最后拿到的是一份付费痛点机会表。其中有两个结论让我印象很深。第一个是多工具订阅。不少重度用户同时订阅 GPT、Claude 和一堆垂直工具，每月花费超过 100 美元，但依然搞不清额度、频繁遇到限流，还要处理支付和区服问题。他们缺的不是又一个模型。更像是一个能看清“钱花到哪、额度还剩多少、哪个工具该留”的管理层。第二个是 AI 内容返工。有些创作者已经付费买了生成工具，但内容出来后，还是要花大量时间改脚本、核对事实、去掉 AI 味。他们要的也不是更多的生成。而是把内容变成“能发、可信、像自己”的最后一步。这份报告没有告诉我“做这个一定能赚钱”。但它让我排除了一个方向：我没必要再做一个 AI 内容生成器。反而可以先验证一个更小的产品：帮重度 AI 用户看清订阅、额度和重复支出。下一步，我会把这个痛点做成一页简单的产品说明，找 10 个同时订阅 GPT 和 Claude 的创作者聊聊。如果有人愿意给出自己的账单和额度使用情况，再做 MVP。这就是 Airtap 给我的第二个结果：不是帮我找到一个“看起来很酷”的点子。而是帮我找到一个有公开证据、有付费行为、能继续访谈验证的产品方向。如果这类调研想要长期做，还可以保存成 Routine，每天自动追踪 Reddit 和 X 上新出现的付费痛点，不用反复发同一段 Prompt。我现在理解的 Airtap 工作流很简单：临时内容任务，直接用 iMessage 发出去；复杂调研任务，打开 Web 看过程、核对证据；值得长期追踪的方向，再保存成 Routine。完整调研报告和执行过程放在视频里。

木马人

43,659 görüntüleme • 15 gün önce