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。

卧槽，有个编程大神把自己的工程经验蒸馏成了一个开源项目 GitHub 热榜第一，Star数直接冲上了9万 + 作者是前 Vercel 工程师 Mat，参与过 Next.js 早期开发，以把复杂技术讲得通俗易懂著称。他把日常和 Claude 协作的工程实践整理成 16 个 skill，一条命令安装，给 AI 注入几十年的软件工程经验。最受好评的一个叫 Grim，让 AI 反过来拷问你，沿着决策树逐一确认需求，直到彻底搞清楚你想要什么再动手。只有 3 句话 42 个词，被不少人评为"token 回报率最高的提示词"。还有一个 skill 专门解决代码跑不起来的问题，强制 AI 先写一个会失败的测试，再写最少量的代码让它通过，最后重构，经典红绿循环，AI 想走捷径都难。整套项目不只是教 AI 怎么做事，更是帮你和 AI 建立一套持续对齐的工作机制。

阿西_出海

25,772 subscribers

285,175 次观看 • 4 个月前 •via X (Twitter)

教育健康养生科学技术

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

OpenAI 刚给 Codex 加了个录屏回放功能，有点意思。你在 Codex 里做的那些操作流程——写代码、调 API、跑测试、部署上线——它全给你录下来，存成一个可复用的 "AI 技能"。下次遇到类似的活儿，直接回放，不用重新来一遍。说白了就是把你的人工操作变成了一段 AI 可以自己重复跑的自动化流程。

OpenAI 刚给 Codex 加了个录屏回放功能，有点意思。你在 Codex 里做的那些操作流程——写代码、调 API、跑测试、部署上线——它全给你录下来，存成一个可复用的 "AI 技能"。下次遇到类似的活儿，直接回放，不用重新来一遍。说白了就是把你的人工操作变成了一段 AI 可以自己重复跑的自动化流程。

Vincent

14,794 次观看 • 3 个月前

大部分人用 Claude Code 其实是在裸跑打开项目，直接问它改代码、写功能、修bug。能干活，但工作流全靠手动组织 Anthropic 最近出了个官方插件叫 claude-code-setup，做的事情挺简单的：扫描你的项目结构和依赖，然后推荐你应该配哪些东西具体来说它会建议你装： -适合你项目的 MCP servers -可以复用的 skills -自动触发的 hooks -拆分任务用的 subagents -常用的 slash commands 相当于它帮你把 Claude Code 从一个"什么都能干但什么都要你自己安排"的工具，变成一个针对你这个项目定制过的AI开发环境之前这些配置全靠自己摸索，哪些 MCP 好用、hooks 怎么写、subagents 怎么拆，都要一个个试。现在至少有个起点了不是说它推荐的就一定全对，但比从零开始配要省不少事用 Claude Code 的可以试试，尤其是项目已经有一定规模的

大部分人用 Claude Code 其实是在裸跑打开项目，直接问它改代码、写功能、修bug。能干活，但工作流全靠手动组织 Anthropic 最近出了个官方插件叫 claude-code-setup，做的事情挺简单的：扫描你的项目结构和依赖，然后推荐你应该配哪些东西具体来说它会建议你装： -适合你项目的 MCP servers -可以复用的 skills -自动触发的 hooks -拆分任务用的 subagents -常用的 slash commands 相当于它帮你把 Claude Code 从一个"什么都能干但什么都要你自己安排"的工具，变成一个针对你这个项目定制过的AI开发环境之前这些配置全靠自己摸索，哪些 MCP 好用、hooks 怎么写、subagents 怎么拆，都要一个个试。现在至少有个起点了不是说它推荐的就一定全对，但比从零开始配要省不少事用 Claude Code 的可以试试，尤其是项目已经有一定规模的

Vincent | 信号＞噪音

21,388 次观看 • 3 个月前

在GitHub上看到一个专门教怎么用 Claude Code 的项目，已经涨到了 4w star 它不是官方操作文档，而是一条从入门到高级智能体的完整学习路径斜杠命令、MCP配置、钩子脚本、子智能体编排，每个模块都有可视化图解，教你"怎么做"的同时也会教"为什么这么做" 最实用的是里面的模板，钩子脚本、代理配置、斜杠命令、MCP配置文件，全部可以直接复制粘贴到自己的项目里不管你是想补齐 Claude Code 的知识盲区，还是想搭一套属于自己的 AI 工作流，都可以关注下这个项目

在GitHub上看到一个专门教怎么用 Claude Code 的项目，已经涨到了 4w star 它不是官方操作文档，而是一条从入门到高级智能体的完整学习路径斜杠命令、MCP配置、钩子脚本、子智能体编排，每个模块都有可视化图解，教你"怎么做"的同时也会教"为什么这么做" 最实用的是里面的模板，钩子脚本、代理配置、斜杠命令、MCP配置文件，全部可以直接复制粘贴到自己的项目里不管你是想补齐 Claude Code 的知识盲区，还是想搭一套属于自己的 AI 工作流，都可以关注下这个项目

阿西_出海

19,631 次观看 • 2 个月前

独立开发者最大的幻觉："功能做出来，用户就会来。" 现实是：如果你在写第一行代码前没想清楚业务逻辑，这行代码注定是废代码。没做过 PM 不知道怎么想？ PM Skills Marketplace 把 100+ 个顶级产品经理的思考框架塞进了 Claude。一个指令 /discover，AI 帮你跑完一整个真实的产品发现流程。把节省下来的 3 个月乱写代码的时间，花在正确的方向上。 ⬇️👇

独立开发者最大的幻觉："功能做出来，用户就会来。" 现实是：如果你在写第一行代码前没想清楚业务逻辑，这行代码注定是废代码。没做过 PM 不知道怎么想？ PM Skills Marketplace 把 100+ 个顶级产品经理的思考框架塞进了 Claude。一个指令 /discover，AI 帮你跑完一整个真实的产品发现流程。把节省下来的 3 个月乱写代码的时间，花在正确的方向上。 ⬇️👇

axiaisacat

24,728 次观看 • 5 个月前

Codex 5.6 这个 GitHub 插件一定要装，能让你省下90%的token！ 90% 的人都把 Codex 用反了。一上来就让它：帮我写一个 App。分享一条我在用的绝佳省token技巧，先给 Codex 连接 GitHub 插件，然后输入提示词：我要开发一个 XXX。暂时不要创建文件，也不要输出代码。先在 GitHub 调研同类开源项目，筛选出最有参考价值的方案。分析它们解决了什么问题、采用什么架构、依赖哪些技术、目前是否活跃，以及有哪些设计值得复用或避开。最后结合我的需求，给出技术选型、系统架构、MVP 范围和开发顺序。得到我的确认后，再进入实现阶段。这样 Codex 会先做三件事： 1️⃣ 找到经过真实项目验证的方案 2️⃣ 研究别人已经踩过的坑 3️⃣ 根据你的需求做出技术取舍等方向确定后，再让它开始写代码。

Codex 5.6 这个 GitHub 插件一定要装，能让你省下90%的token！ 90% 的人都把 Codex 用反了。一上来就让它：帮我写一个 App。分享一条我在用的绝佳省token技巧，先给 Codex 连接 GitHub 插件，然后输入提示词：我要开发一个 XXX。暂时不要创建文件，也不要输出代码。先在 GitHub 调研同类开源项目，筛选出最有参考价值的方案。分析它们解决了什么问题、采用什么架构、依赖哪些技术、目前是否活跃，以及有哪些设计值得复用或避开。最后结合我的需求，给出技术选型、系统架构、MVP 范围和开发顺序。得到我的确认后，再进入实现阶段。这样 Codex 会先做三件事： 1️⃣ 找到经过真实项目验证的方案 2️⃣ 研究别人已经踩过的坑 3️⃣ 根据你的需求做出技术取舍等方向确定后，再让它开始写代码。

爱丽丝呀！

398,685 次观看 • 1 个月前

发现一个适合一人公司的开源神器—MetaGPT，在 GitHub已斩获 6.9w+star 你只需一句话提需求，它就会自动拆解任务产品经理完善需求、架构师设计结构、项目经理统筹安排、工程师负责出代码、QA给出测试用例，整个研发团队的活全包了过去需要一个团队花几天甚至几周的开发工作，现在一个人就能快速搞定

发现一个适合一人公司的开源神器—MetaGPT，在 GitHub已斩获 6.9w+star 你只需一句话提需求，它就会自动拆解任务产品经理完善需求、架构师设计结构、项目经理统筹安排、工程师负责出代码、QA给出测试用例，整个研发团队的活全包了过去需要一个团队花几天甚至几周的开发工作，现在一个人就能快速搞定

阿西_出海

16,617 次观看 • 1 个月前

这是我见过最完整的「一个人公司」教程 GitHub 上有个很值得收藏的项目—— One Person Businesses Methodology 一句话概括：教你一个人做一家公司。很多人做副业的问题其实不是技术，而是：不知道做什么不知道怎么赚钱不知道怎么长期做下去。这套方法论最厉害的一点是：几乎不讲虚的。作者像写代码一样，把一人公司拆成完整流程：发现需求 → 做 MVP → 获取流量 → 完成变现闭环看完会有种感觉：这不是教程，更像一套商业操作系统。尤其是 v2.0 里提到的一些反直觉认知，比如：与其只看收入，不如看税后收益。与其拼命提高效率，不如用 AI 杠杆放大个人产出。核心理念：一人企业的目标不是做大，而是做稳。

这是我见过最完整的「一个人公司」教程 GitHub 上有个很值得收藏的项目—— One Person Businesses Methodology 一句话概括：教你一个人做一家公司。很多人做副业的问题其实不是技术，而是：不知道做什么不知道怎么赚钱不知道怎么长期做下去。这套方法论最厉害的一点是：几乎不讲虚的。作者像写代码一样，把一人公司拆成完整流程：发现需求 → 做 MVP → 获取流量 → 完成变现闭环看完会有种感觉：这不是教程，更像一套商业操作系统。尤其是 v2.0 里提到的一些反直觉认知，比如：与其只看收入，不如看税后收益。与其拼命提高效率，不如用 AI 杠杆放大个人产出。核心理念：一人企业的目标不是做大，而是做稳。

开发者Hailey

108,385 次观看 • 6 个月前

昨天给大家写了个小白如何使用seedance 2.0的教程想必大家都已经下载并且尝试了。 ❓ 是不是发现自己写的提示词效果不是很好，没有别人搞的炫酷呢？ 👉 没事，今天炫酷的提示词来了，先来看下我生成的视频。我给大家提供了一个基础版提示词，只需要放到 Gemini 等 AI 工具中，然后说出你要做的事情，他就会给你生成一个对应的提示词，然后按照昨天教你的使用方式就可以直接生成视频了。什么？你说不懂提示词怎么用？考虑到了，看最后一个图片就好了。 ✅提示词见评论区

昨天给大家写了个小白如何使用seedance 2.0的教程想必大家都已经下载并且尝试了。 ❓ 是不是发现自己写的提示词效果不是很好，没有别人搞的炫酷呢？ 👉 没事，今天炫酷的提示词来了，先来看下我生成的视频。我给大家提供了一个基础版提示词，只需要放到 Gemini 等 AI 工具中，然后说出你要做的事情，他就会给你生成一个对应的提示词，然后按照昨天教你的使用方式就可以直接生成视频了。什么？你说不懂提示词怎么用？考虑到了，看最后一个图片就好了。 ✅提示词见评论区

阿蔺A-Lin

80,773 次观看 • 7 个月前

一个找产品灵感的方法，很多人还不知道：第一步：去 Flippa Flippa 是一个专门买卖网站和 SaaS 的平台上面挂着大量正在盈利的项目，而且数据公开第二步：筛选月收入 $10,000+ 的项目不用买，只看数据这些项目已经验证了市场需求第三步：让 AI 帮你分析把项目的功能、定价、用户评价丢给 Claude 或 GPT 让它拆解：核心需求是什么哪些功能是多余的哪些痛点没被解决第四步：用 AI 做一个更好的版本现在用 Cursor / Claude Code 搭一个 MVP 以前需要一个团队干几个月的事现在一个人几周就能跑出来本质上是：用别人已经验证的需求 + AI 的开发速度跳过"猜方向"这一步你有没有在 Flippa 上看到过让你心动的项目？

一个找产品灵感的方法，很多人还不知道：第一步：去 Flippa Flippa 是一个专门买卖网站和 SaaS 的平台上面挂着大量正在盈利的项目，而且数据公开第二步：筛选月收入 $10,000+ 的项目不用买，只看数据这些项目已经验证了市场需求第三步：让 AI 帮你分析把项目的功能、定价、用户评价丢给 Claude 或 GPT 让它拆解：核心需求是什么哪些功能是多余的哪些痛点没被解决第四步：用 AI 做一个更好的版本现在用 Cursor / Claude Code 搭一个 MVP 以前需要一个团队干几个月的事现在一个人几周就能跑出来本质上是：用别人已经验证的需求 + AI 的开发速度跳过"猜方向"这一步你有没有在 Flippa 上看到过让你心动的项目？

Vincent

51,040 次观看 • 3 个月前

Amazon让2847名工程师花8个月文档化所有代码模式，然后AI学会了，最后把这2847人开了。——但你有没有想过，这2847人其实是给自己写了一份"失业说明书"？ 8个月文档化，2847人。这是人类历史上最大规模的"自我替代"实验。工程师用8个月时间，亲手把自己的经验喂给AI，然后被AI取代。这不是Amazon残忍，是这2847人自己选择的结局。历史上每一次技术革命都一样。打字员被Word取代，售票员被自动售票机取代。但这一次不同：这次是工程师自己参与了自己的淘汰。8个月文档化，等于2847人在竞标自己的岗位。恰恰是这种"温水煮青蛙"最可怕。Amazon给了8个月"带薪文档化"，工程师以为是工作，其实是"死亡倒计时"。当你以为在"提升效率"时，镰刀已经在磨了。全球科技行业从业者1亿人。如果Amazon的模式推广，意味着5000万人要"文档化"自己的工作来训练AI。这不是失业潮，是"自我淘汰潮"。在AI时代，最危险的不是不学习的人，是过度学习AI工具的人。所以你现在有两个选择：A）继续帮公司训练AI，等被开。B）现在开始建立AI之外的不可替代能力。你选A还是选B？

Amazon让2847名工程师花8个月文档化所有代码模式，然后AI学会了，最后把这2847人开了。——但你有没有想过，这2847人其实是给自己写了一份"失业说明书"？ 8个月文档化，2847人。这是人类历史上最大规模的"自我替代"实验。工程师用8个月时间，亲手把自己的经验喂给AI，然后被AI取代。这不是Amazon残忍，是这2847人自己选择的结局。历史上每一次技术革命都一样。打字员被Word取代，售票员被自动售票机取代。但这一次不同：这次是工程师自己参与了自己的淘汰。8个月文档化，等于2847人在竞标自己的岗位。恰恰是这种"温水煮青蛙"最可怕。Amazon给了8个月"带薪文档化"，工程师以为是工作，其实是"死亡倒计时"。当你以为在"提升效率"时，镰刀已经在磨了。全球科技行业从业者1亿人。如果Amazon的模式推广，意味着5000万人要"文档化"自己的工作来训练AI。这不是失业潮，是"自我淘汰潮"。在AI时代，最危险的不是不学习的人，是过度学习AI工具的人。所以你现在有两个选择：A）继续帮公司训练AI，等被开。B）现在开始建立AI之外的不可替代能力。你选A还是选B？

Bill The Investor

34,015 次观看 • 6 个月前

我尼玛，Claude Fable 5今天把整个软件行业的底层逻辑给击穿了！以前做软件要几个月，现在只要15分钟，Claude Fable 5把产品经理和程序员的中间环节，直接干掉了。也就是说，15分钟的销售电话打完， AI当场做出了客户要的可运行软件原型，喵个咪，这谁受得了啊🤯 Todd Saunders，Dalton Mills AI 的 CEO，做的是 trades 行业的垂直 SaaS——建筑、家政、暖通这些。他用刚发布的 Claude Fable 5，在跟一个客户的销售电话里，让 AI 在后台实时转录通话，同时自主构建客户刚刚提到的软件功能。通话结束，他当场演示了一个完全可运行的原型，精确匹配客户 15 分钟前描述的需求。一个语音报价系统：AI 实时听服务电话，自动匹配价目表，识别 upsell 机会，生成 Good/Better/Best 三档方案，自动发提案短信。整个过程近乎零人工干预。不是简单的AI 辅助开发，直接对话即构建，damn！平复下激动的心情，这个案例最让我震惊的不只是AI 写代码快，AI 真的能听懂人话了啊啊啊，然后一个长达几十年的产品开发范式，就这么被直接击穿了，holy sh*t！想一想过去几十年我们怎么干活的，客户跟你说工人在现场太乱经常算错钱，你记下来，回去消化，以为懂了，画原型，约评审，排期，开发，几周后拿出来，客户摇头说不对不是这么回事，你一肚子委屈，说我每个字都记了，他说你记的是我说的话，不是我脑子里的东西。这个循环叫理解-翻译-验证，短则几周长则几个月，整个行业就吃这碗饭的，我们管它叫专业服务。但是今天，Fable 5 把这个循环干掉了，不是压缩啊兄弟们，直接彻底干掉了，客户说，AI 听，AI 当场做出来，客户当场看对不对，没有 PRD，没有你在内部群里发那个需求我回去评估一下，没有一切中间件，从客户嘴里说出来的那一刻，一个能跑的东西就在屏幕上等着他。这才是真正要命的地方，这哪是提效啊，简直把整个底层逻辑都改变了。但我们也必须立刻面对一个最尖锐的问题，就是那客户为什么还需要你？这不就 15 分钟的事吗？这个问题必须正面面对，确实是客观存在的，如果你对自己的定位只是把客户需求翻译成代码的那个人，那你完全可以被这 15 分钟取代，因为 AI 现在翻译得比你快，还不用开评审会。但如果你做完项目就知道，原型和系统，中间隔着的不是几行代码，还有权限体系里那几十个你不知道为什么会存在的字段，是客户二十年前的财务系统里藏着的那个没人敢动的数据表，是工人在负二层没信号的地方操作时该怎么缓存，也是某个老小区因为水压问题装不上你方案里那个完美的配件，又或者是当地监管对报价条款里的某个措辞有特殊要求，这些东西，Fable 5 不知道，你问它它也不知道，它甚至不知道它不知道。它的原型是乐高模型，系统是能住人的楼，之间的差距，专业术语叫工程判断，也可以叫领域责任，更可以叫为长期可用性兜底。所以这个案例真正揭示的，不是谁会被替代，是什么在剧烈地变稀缺。第一样，把 AI 的生成能力锚定在真实世界的复杂约束里，这一下子就筛掉两种人：只会做原型不会做系统的人，和只会做系统但不懂行业的人。留下的是那种，你问他这个需求能不能做，他会先问你那边现场平均信号几格、工人习惯左手拿手机还是右手、他们现在用的那个老系统数据库编码是 UTF-8 还是 GBK 的人。第二样，领域知识，我说的不是行业报告里那些漂亮话，是那些只有在这个行业干了十年才知道的脏东西。 AI 能生成完美的三档报价界面，但它不知道某个配件的供应商在雨季会涨价 30%，不知道某个话术在北方好使在南方会让客户挂电话，不知道这个工种的师傅脾气大你不能在流程里多加一步确认否则他宁愿不干，这些脏知识才是真正的护城河。第三样，也是最被低估的一样：把原型变成可信赖系统的治理能力。评估框架你怎么建，AI 改了这一处你怎么知道没把另一处改坏。记忆持久化你怎么做，客户上次改的需求下次对话能不能记住。错误恢复你怎么设计，流程跑到一半 AI 崩了用户看到什么。多代理协作你怎么编排，一个 Agent 听电话提取意图，一个匹配价目表，一个检查合规，一个生成界面，人类在哪个节点介入裁决。这些东西不酷，开会聊这些会让人想抽烟，但就是从酷到能用的最后那一公里。 Fable 5 和后续更强的模型，把生成这件事的成本和速度打到了一个新的量级。这个量级意味着，做出一个看起来能用的东西，以后不再是任何人的竞争力。竞争的分水岭是，谁能把 AI 吐出来的东西，变成一个别人敢在上面跑业务、能长期依赖、出了问题找得到人负责的系统。扯了这么多，最后一句话给大家共勉：从今天起，把 80% 的精力，从怎么让 AI 生成得更快，转移到怎么为 AI 生成的东西负责，说白了，酷是给外人看的，稳是给我们自己续命的。

我尼玛，Claude Fable 5今天把整个软件行业的底层逻辑给击穿了！以前做软件要几个月，现在只要15分钟，Claude Fable 5把产品经理和程序员的中间环节，直接干掉了。也就是说，15分钟的销售电话打完， AI当场做出了客户要的可运行软件原型，喵个咪，这谁受得了啊🤯 Todd Saunders，Dalton Mills AI 的 CEO，做的是 trades 行业的垂直 SaaS——建筑、家政、暖通这些。他用刚发布的 Claude Fable 5，在跟一个客户的销售电话里，让 AI 在后台实时转录通话，同时自主构建客户刚刚提到的软件功能。通话结束，他当场演示了一个完全可运行的原型，精确匹配客户 15 分钟前描述的需求。一个语音报价系统：AI 实时听服务电话，自动匹配价目表，识别 upsell 机会，生成 Good/Better/Best 三档方案，自动发提案短信。整个过程近乎零人工干预。不是简单的AI 辅助开发，直接对话即构建，damn！平复下激动的心情，这个案例最让我震惊的不只是AI 写代码快，AI 真的能听懂人话了啊啊啊，然后一个长达几十年的产品开发范式，就这么被直接击穿了，holy sh*t！想一想过去几十年我们怎么干活的，客户跟你说工人在现场太乱经常算错钱，你记下来，回去消化，以为懂了，画原型，约评审，排期，开发，几周后拿出来，客户摇头说不对不是这么回事，你一肚子委屈，说我每个字都记了，他说你记的是我说的话，不是我脑子里的东西。这个循环叫理解-翻译-验证，短则几周长则几个月，整个行业就吃这碗饭的，我们管它叫专业服务。但是今天，Fable 5 把这个循环干掉了，不是压缩啊兄弟们，直接彻底干掉了，客户说，AI 听，AI 当场做出来，客户当场看对不对，没有 PRD，没有你在内部群里发那个需求我回去评估一下，没有一切中间件，从客户嘴里说出来的那一刻，一个能跑的东西就在屏幕上等着他。这才是真正要命的地方，这哪是提效啊，简直把整个底层逻辑都改变了。但我们也必须立刻面对一个最尖锐的问题，就是那客户为什么还需要你？这不就 15 分钟的事吗？这个问题必须正面面对，确实是客观存在的，如果你对自己的定位只是把客户需求翻译成代码的那个人，那你完全可以被这 15 分钟取代，因为 AI 现在翻译得比你快，还不用开评审会。但如果你做完项目就知道，原型和系统，中间隔着的不是几行代码，还有权限体系里那几十个你不知道为什么会存在的字段，是客户二十年前的财务系统里藏着的那个没人敢动的数据表，是工人在负二层没信号的地方操作时该怎么缓存，也是某个老小区因为水压问题装不上你方案里那个完美的配件，又或者是当地监管对报价条款里的某个措辞有特殊要求，这些东西，Fable 5 不知道，你问它它也不知道，它甚至不知道它不知道。它的原型是乐高模型，系统是能住人的楼，之间的差距，专业术语叫工程判断，也可以叫领域责任，更可以叫为长期可用性兜底。所以这个案例真正揭示的，不是谁会被替代，是什么在剧烈地变稀缺。第一样，把 AI 的生成能力锚定在真实世界的复杂约束里，这一下子就筛掉两种人：只会做原型不会做系统的人，和只会做系统但不懂行业的人。留下的是那种，你问他这个需求能不能做，他会先问你那边现场平均信号几格、工人习惯左手拿手机还是右手、他们现在用的那个老系统数据库编码是 UTF-8 还是 GBK 的人。第二样，领域知识，我说的不是行业报告里那些漂亮话，是那些只有在这个行业干了十年才知道的脏东西。 AI 能生成完美的三档报价界面，但它不知道某个配件的供应商在雨季会涨价 30%，不知道某个话术在北方好使在南方会让客户挂电话，不知道这个工种的师傅脾气大你不能在流程里多加一步确认否则他宁愿不干，这些脏知识才是真正的护城河。第三样，也是最被低估的一样：把原型变成可信赖系统的治理能力。评估框架你怎么建，AI 改了这一处你怎么知道没把另一处改坏。记忆持久化你怎么做，客户上次改的需求下次对话能不能记住。错误恢复你怎么设计，流程跑到一半 AI 崩了用户看到什么。多代理协作你怎么编排，一个 Agent 听电话提取意图，一个匹配价目表，一个检查合规，一个生成界面，人类在哪个节点介入裁决。这些东西不酷，开会聊这些会让人想抽烟，但就是从酷到能用的最后那一公里。 Fable 5 和后续更强的模型，把生成这件事的成本和速度打到了一个新的量级。这个量级意味着，做出一个看起来能用的东西，以后不再是任何人的竞争力。竞争的分水岭是，谁能把 AI 吐出来的东西，变成一个别人敢在上面跑业务、能长期依赖、出了问题找得到人负责的系统。扯了这么多，最后一句话给大家共勉：从今天起，把 80% 的精力，从怎么让 AI 生成得更快，转移到怎么为 AI 生成的东西负责，说白了，酷是给外人看的，稳是给我们自己续命的。

AYi

22,988 次观看 • 3 个月前

最近我用了 Grok Bot 一段时间，这是我最近最喜欢的 Agent 产品之一。原因甚至不是 Grok 有多聪明。是它真的有一台自己的电脑。 AI Agent 的最终形态，其实就是给 AI 发一台电脑。 xAI 给 Grok Bot 配了一台持续存在的云电脑，里面有浏览器、文件系统和终端。登录状态、文件、浏览器 Session 都会留下来，你把电脑关了，它也可以继续干活。听起来只是一个产品功能，实际用起来，我觉得它把 Agent 的体验往前推了一大截。比如我每天都要刷 X。以前让我用 AI 帮忙看 X，工作流通常是这样的：我刷到一条东西，复制给 AI；AI 觉得有意思，我再去找原帖；再开几个链接；再把资料复制回来；让它查证；最后再让它帮我写。 AI 干了很多活，但真正操作互联网的那个人一直是我。 Grok Bot 让我第一次很自然地把这部分也扔掉了。我直接在它那台电脑上把 X 登录好，然后告诉它去刷我的 timeline，看看今天大家在讨论什么，发现有意思的东西就点进去，把原帖、引用、相关讨论都看一遍，再去外面查资料，最后觉得值得写的，帮我整理成帖子。它就真的去操作浏览器了。网页没有 API 没关系，没有 MCP 也没关系。只要人能打开网页、登录、点击，它就有机会自己完成。xAI 自己对 Grok Bot 的定义其实也很明确，它可以登录并使用网站和 App，用 computer use 处理那些没有干净 API 的软件。这才是 Agent 真正重要的一步。过去一年大家一直在给 Agent 加工具，Search、Browser、Code、MCP、Connector… 工具越来越多，可我的体验经常还是我才是所有 Agent 背后那个最累的 Agent。我同时开着好几个 AI。这个查资料，那个写代码，另一个做图，还有一个跑 Deep Research。 A 做完以后我复制给 B，B 做完以后再扔给 C。名义上我有一支 AI 团队，实际上我是这支团队里专门负责复制粘贴、开网页和催进度的项目经理。 Grok Bot 有一个特别戳我的能力**，它甚至可以去操作另一个 Agent。** 我可以在它的浏览器里登录其他 AI 产品，然后告诉 Grok Bot 这个任务你去交给它。等它跑完，把结果拿回来，然后继续完成后面的事情。到这里整个关系就开始发生变化了。以前是我管理五个 Agent。现在我开始尝试只管理一个 Agent，然后让它去管理剩下几个。而 Grok Bot 本身也支持多个 Bot 协作，它们可以互相发消息、传递上下文、交接任务，同时共享用户的云电脑、文件和登录状态。我觉得这才是真正让我兴奋的地方。过去我们把 Agent 想成一个会调用很多工具的模型。Grok Bot 给我的感觉，更像是第一次给 AI 分了一张办公桌。电脑在那，账号在那，浏览器开着。有什么事情直接发消息给它，它自己去开网页、找东西、操作软件、叫别的 Agent 干活。这和在聊天框下面再塞十个按钮，完全是两种产品感受。只要 Agent 真正获得了电脑，它能接管的就不再是一两个 AI 功能，而是今天已经存在的整个软件世界。几十年来所有软件，最终都默认一个前提是屏幕前坐着一个人。现在这个人，第一次可以不是我了。

最近我用了 Grok Bot 一段时间，这是我最近最喜欢的 Agent 产品之一。原因甚至不是 Grok 有多聪明。是它真的有一台自己的电脑。 AI Agent 的最终形态，其实就是给 AI 发一台电脑。 xAI 给 Grok Bot 配了一台持续存在的云电脑，里面有浏览器、文件系统和终端。登录状态、文件、浏览器 Session 都会留下来，你把电脑关了，它也可以继续干活。听起来只是一个产品功能，实际用起来，我觉得它把 Agent 的体验往前推了一大截。比如我每天都要刷 X。以前让我用 AI 帮忙看 X，工作流通常是这样的：我刷到一条东西，复制给 AI；AI 觉得有意思，我再去找原帖；再开几个链接；再把资料复制回来；让它查证；最后再让它帮我写。 AI 干了很多活，但真正操作互联网的那个人一直是我。 Grok Bot 让我第一次很自然地把这部分也扔掉了。我直接在它那台电脑上把 X 登录好，然后告诉它去刷我的 timeline，看看今天大家在讨论什么，发现有意思的东西就点进去，把原帖、引用、相关讨论都看一遍，再去外面查资料，最后觉得值得写的，帮我整理成帖子。它就真的去操作浏览器了。网页没有 API 没关系，没有 MCP 也没关系。只要人能打开网页、登录、点击，它就有机会自己完成。xAI 自己对 Grok Bot 的定义其实也很明确，它可以登录并使用网站和 App，用 computer use 处理那些没有干净 API 的软件。这才是 Agent 真正重要的一步。过去一年大家一直在给 Agent 加工具，Search、Browser、Code、MCP、Connector… 工具越来越多，可我的体验经常还是我才是所有 Agent 背后那个最累的 Agent。我同时开着好几个 AI。这个查资料，那个写代码，另一个做图，还有一个跑 Deep Research。 A 做完以后我复制给 B，B 做完以后再扔给 C。名义上我有一支 AI 团队，实际上我是这支团队里专门负责复制粘贴、开网页和催进度的项目经理。 Grok Bot 有一个特别戳我的能力，它甚至可以去操作另一个 Agent。我可以在它的浏览器里登录其他 AI 产品，然后告诉 Grok Bot 这个任务你去交给它。等它跑完，把结果拿回来，然后继续完成后面的事情。到这里整个关系就开始发生变化了。以前是我管理五个 Agent。现在我开始尝试只管理一个 Agent，然后让它去管理剩下几个。而 Grok Bot 本身也支持多个 Bot 协作，它们可以互相发消息、传递上下文、交接任务，同时共享用户的云电脑、文件和登录状态。我觉得这才是真正让我兴奋的地方。过去我们把 Agent 想成一个会调用很多工具的模型。Grok Bot 给我的感觉，更像是第一次给 AI 分了一张办公桌。电脑在那，账号在那，浏览器开着。有什么事情直接发消息给它，它自己去开网页、找东西、操作软件、叫别的 Agent 干活。这和在聊天框下面再塞十个按钮，完全是两种产品感受。只要 Agent 真正获得了电脑，它能接管的就不再是一两个 AI 功能，而是今天已经存在的整个软件世界。几十年来所有软件，最终都默认一个前提是屏幕前坐着一个人。现在这个人，第一次可以不是我了。

sleepy.md

21,551 次观看 • 18 天前

说个暴论，你的审美和品味就是你的提示词，并决定了你使用AI的上限。咱们看看这个案例，零游戏开发经验，两周时间，一个人，做出了一个完整可玩的3D外卖配送游戏🆒 主角是一只戴粉色头盔的卡皮巴拉，骑着电动车在城市里穿梭接单，订单会真实堆叠在后座，掉了就会失败，还有完整的手机App导航和超市捡货系统，很多人看完第一反应都是AI太厉害了，但其实并不是是AI的胜利，本质是人类品味的胜利，他没写几行代码，所有的逻辑模型贴图音乐音效，全都是AI生成的，他只做了3件事， 1️⃣告诉AI我想要一个卡皮巴拉送外卖的游戏， 2️⃣然后在AI生成的一万个版本里， 3️⃣选出那个看起来最好玩的，最后花两周时间一点点打磨细节，调参数摆道具改手感，其实这就是现在大家说的vibe coding，让AI接管了所有的执行层，人类只需要负责方向和品味，以前你得学会编程建模配乐剪辑，才能做出一个游戏，现在你只需要知道，什么东西是好的，很多人说这是作弊，但这才是真正的创意民主化呀，一年前需要一个小团队干几个月的活，现在一个普通人两周就能搞定，我相信未来会有无数这样的作品冒出来，创意会比技术重要一百倍甚至更多。这也回答了那个很多人都在问的问题， AI时代人类到底还有什么用❓ AI确实能生成一切，但它不知道的是什么东西看起来舒服，什么东西玩起来爽，什么东西能让人会心一笑，比如那些纯AI生成的游戏为什么不好玩，因为它们只有技术，没有灵魂，那什么是灵魂呢？我理解灵魂就是那个站在AI背后，做每一个微小选择的人，就是那个知道什么时候该停手，什么时候该再改一下的人，而且我觉得这只是一个开始，今天是浏览器3D游戏，那明天可能就是完整的App，后天甚至是3A级别的游戏原型，我们正在见证一个全新的创作时代，任何人都能把自己的脑洞，变成真正的产品，游戏链接放在评论区了，直接浏览器打开就能玩，建议大家去试试，你会真切地感受到，那个属于普通人的创作黄金时代，真的已经来了！ #AI #游戏开发 #vibecoding

说个暴论，你的审美和品味就是你的提示词，并决定了你使用AI的上限。咱们看看这个案例，零游戏开发经验，两周时间，一个人，做出了一个完整可玩的3D外卖配送游戏🆒 主角是一只戴粉色头盔的卡皮巴拉，骑着电动车在城市里穿梭接单，订单会真实堆叠在后座，掉了就会失败，还有完整的手机App导航和超市捡货系统，很多人看完第一反应都是AI太厉害了，但其实并不是是AI的胜利，本质是人类品味的胜利，他没写几行代码，所有的逻辑模型贴图音乐音效，全都是AI生成的，他只做了3件事， 1️⃣告诉AI我想要一个卡皮巴拉送外卖的游戏， 2️⃣然后在AI生成的一万个版本里， 3️⃣选出那个看起来最好玩的，最后花两周时间一点点打磨细节，调参数摆道具改手感，其实这就是现在大家说的vibe coding，让AI接管了所有的执行层，人类只需要负责方向和品味，以前你得学会编程建模配乐剪辑，才能做出一个游戏，现在你只需要知道，什么东西是好的，很多人说这是作弊，但这才是真正的创意民主化呀，一年前需要一个小团队干几个月的活，现在一个普通人两周就能搞定，我相信未来会有无数这样的作品冒出来，创意会比技术重要一百倍甚至更多。这也回答了那个很多人都在问的问题， AI时代人类到底还有什么用❓ AI确实能生成一切，但它不知道的是什么东西看起来舒服，什么东西玩起来爽，什么东西能让人会心一笑，比如那些纯AI生成的游戏为什么不好玩，因为它们只有技术，没有灵魂，那什么是灵魂呢？我理解灵魂就是那个站在AI背后，做每一个微小选择的人，就是那个知道什么时候该停手，什么时候该再改一下的人，而且我觉得这只是一个开始，今天是浏览器3D游戏，那明天可能就是完整的App，后天甚至是3A级别的游戏原型，我们正在见证一个全新的创作时代，任何人都能把自己的脑洞，变成真正的产品，游戏链接放在评论区了，直接浏览器打开就能玩，建议大家去试试，你会真切地感受到，那个属于普通人的创作黄金时代，真的已经来了！ #AI #游戏开发 #vibecoding

阿绎 AYi

12,095 次观看 • 4 个月前

如果你的浏览器经常开大几十个 Tab，然后找不到目标页，给你推荐一个 Chrome 插件：AI Group Tabs，它会利用 Chrome 的 Tab Group API 帮你一键搞定所有 Tab 的分类和命名，超级实用。目前项目还在持续迭代中，你可以过去给作者提更多需求，或者直接贡献你的代码。

如果你的浏览器经常开大几十个 Tab，然后找不到目标页，给你推荐一个 Chrome 插件：AI Group Tabs，它会利用 Chrome 的 Tab Group API 帮你一键搞定所有 Tab 的分类和命名，超级实用。目前项目还在持续迭代中，你可以过去给作者提更多需求，或者直接贡献你的代码。

Barret李靖

88,237 次观看 • 2 年前

Qwen 今天发了 Qwen3.6-Plus，顺手把它接到 Claude Code 里试了下，效果比预期好不少。我让它帮我做一个工程师的个人作品网站，主要看审美和前端实现的表现，直接感受是这次质量提升很明显，Agentic Coding 也更清楚了。放到前端开发和长一点的任务里，它不会停在给你一段代码上，而是会自己接着拆需求、找路径、改代码、跑测试，发现问题再继续修，中间少了很多反复接手的地方。这次另一个比较明显的点，这次任务拆解、规划、编码交付这条链路更好了，多模态和推理也基本到位了，图像、文本、视频这些输入能放到同一条链路里统一处理，接真实工程任务的感觉更完整，执行过程录了个视频，大伙有兴趣可以看看它是怎么一步步跑下来的。

Qwen 今天发了 Qwen3.6-Plus，顺手把它接到 Claude Code 里试了下，效果比预期好不少。我让它帮我做一个工程师的个人作品网站，主要看审美和前端实现的表现，直接感受是这次质量提升很明显，Agentic Coding 也更清楚了。放到前端开发和长一点的任务里，它不会停在给你一段代码上，而是会自己接着拆需求、找路径、改代码、跑测试，发现问题再继续修，中间少了很多反复接手的地方。这次另一个比较明显的点，这次任务拆解、规划、编码交付这条链路更好了，多模态和推理也基本到位了，图像、文本、视频这些输入能放到同一条链路里统一处理，接真实工程任务的感觉更完整，执行过程录了个视频，大伙有兴趣可以看看它是怎么一步步跑下来的。

Tw93

94,740 次观看 • 5 个月前

我让 AI 找一个值得做的产品，它盯上了律师账单里的 6 分钟最近用 AI 做产品调研时，我越来越明显地感觉到一个问题：信息并不缺，缺的是判断。问“下一个 AI 机会在哪里”，很容易得到一长串听起来都对的答案：AI 法务、AI 财务、AI 营销、AI 编程…… 但真正准备行动时，还是不知道哪个需求真实存在，哪个只是被反复包装的趋势。所以这次我换了一种问法。我让 AI 从用户抱怨、产品评论、GitHub Issues、行业报告和现有产品中寻找信号。每提出一个方向，还必须主动寻找反证：竞争太强、付费意愿不足，或者已经有成熟工具解决，就淘汰。它一共比较了12个方向。广告上线前 QA 的损失很直接，但链接和落地页检查已经有成熟工具；AI 代码审计的痛点很强，但市场拥挤，而且人仍然可能需要逐行复核；财务对账高频，却绕不开数据权限和“到底以哪个系统为准”的问题。最后留下的，是一个我原本完全没有想到的场景：律师的工时记录与账单叙事（比如美国的法律服务）。许多按小时计费的律师以0.1小时，也就是6分钟为单位记账。会议、邮件、电话和文档修改结束后，他们还要回忆自己做过什么、匹配案件、补记时间，再把记录改成客户能够接受的账单描述。 AI 在这里不需要替律师做法律判断。它只需要把日历、邮件和文档活动整理成带来源的候选记录，再由律师确认、修改或删除。它真正解决的也不是“写得更快”，而是减少漏记、降低审核返工，并让每条收费描述都有依据。这次测试用的是 Apodex。它里面的 Deep Discover 最让我意外的地方，不是能生成多少想法，而是会主动反驳自己的想法，把一个宽泛的问题逐步收敛成可以验证的假设。它也没有把这个结果包装成确定的创业机会，而是给出了一套30天验证方案：访谈律师和 billing manager，用脱敏样本测试草稿编辑时间，再验证是否真的有人愿意进入付费试点。如果律师不愿开放数据、修改草稿和自己重写一样费时，或者现有软件已经够用，那这个方向就应该停止。我觉得这才是这次测试最有价值的地方。它没有替我宣布一个答案，而是帮我排除了一批看起来正确的答案，最后告诉我：下一步最值得验证什么，以及出现什么结果时应该放弃。有时候，真正有用的 AI 不是让人更快得到结论，而是让一个模糊的问题，终于有了可以行动的下一步。 Open Source Harness: Open Weights: Website:

我让 AI 找一个值得做的产品，它盯上了律师账单里的 6 分钟最近用 AI 做产品调研时，我越来越明显地感觉到一个问题：信息并不缺，缺的是判断。问“下一个 AI 机会在哪里”，很容易得到一长串听起来都对的答案：AI 法务、AI 财务、AI 营销、AI 编程…… 但真正准备行动时，还是不知道哪个需求真实存在，哪个只是被反复包装的趋势。所以这次我换了一种问法。我让 AI 从用户抱怨、产品评论、GitHub Issues、行业报告和现有产品中寻找信号。每提出一个方向，还必须主动寻找反证：竞争太强、付费意愿不足，或者已经有成熟工具解决，就淘汰。它一共比较了12个方向。广告上线前 QA 的损失很直接，但链接和落地页检查已经有成熟工具；AI 代码审计的痛点很强，但市场拥挤，而且人仍然可能需要逐行复核；财务对账高频，却绕不开数据权限和“到底以哪个系统为准”的问题。最后留下的，是一个我原本完全没有想到的场景：律师的工时记录与账单叙事（比如美国的法律服务）。许多按小时计费的律师以0.1小时，也就是6分钟为单位记账。会议、邮件、电话和文档修改结束后，他们还要回忆自己做过什么、匹配案件、补记时间，再把记录改成客户能够接受的账单描述。 AI 在这里不需要替律师做法律判断。它只需要把日历、邮件和文档活动整理成带来源的候选记录，再由律师确认、修改或删除。它真正解决的也不是“写得更快”，而是减少漏记、降低审核返工，并让每条收费描述都有依据。这次测试用的是 Apodex。它里面的 Deep Discover 最让我意外的地方，不是能生成多少想法，而是会主动反驳自己的想法，把一个宽泛的问题逐步收敛成可以验证的假设。它也没有把这个结果包装成确定的创业机会，而是给出了一套30天验证方案：访谈律师和 billing manager，用脱敏样本测试草稿编辑时间，再验证是否真的有人愿意进入付费试点。如果律师不愿开放数据、修改草稿和自己重写一样费时，或者现有软件已经够用，那这个方向就应该停止。我觉得这才是这次测试最有价值的地方。它没有替我宣布一个答案，而是帮我排除了一批看起来正确的答案，最后告诉我：下一步最值得验证什么，以及出现什么结果时应该放弃。有时候，真正有用的 AI 不是让人更快得到结论，而是让一个模糊的问题，终于有了可以行动的下一步。 Open Source Harness: Open Weights: Website:

Ashlyn He

15,445 次观看 • 24 天前

LibTV 全新视频 Agent 评测可以接入Claude Code，一句话出片... LiblibAI 发布了一个全新的工作流 AI视频 Agent 平台LibTV，它可以在一张无限大的画布上，通过拖放节点来组合各种模型进行视频生成创作。最牛P的是他们发布了一个skill技能，接入Claude Code、小龙虾，让AI能自动帮你编排节点... Claude Code等通过 Skill 接口全自动调用它的各种节点，自动帮你搭建节点，从剧本构思到最终成品剪辑自动跑完，一句话进去，成片出来。我测试的过程中一直感叹，非常的牛P...

LibTV 全新视频 Agent 评测可以接入Claude Code，一句话出片... LiblibAI 发布了一个全新的工作流 AI视频 Agent 平台LibTV，它可以在一张无限大的画布上，通过拖放节点来组合各种模型进行视频生成创作。最牛P的是他们发布了一个skill技能，接入Claude Code、小龙虾，让AI能自动帮你编排节点... Claude Code等通过 Skill 接口全自动调用它的各种节点，自动帮你搭建节点，从剧本构思到最终成品剪辑自动跑完，一句话进去，成片出来。我测试的过程中一直感叹，非常的牛P...

小互

145,082 次观看 • 6 个月前

腾讯这个新模型是真牛逼啊，我之前一直觉得 AI 整理数据就是帮你排个序的打杂活，直到看到把 101 个乱成一团的 SKU 销售数据丢给了腾讯 Hy3，竟然返回了一整套能直接拿去开会的完整分析。 Excel 里分了执行摘要，异常值，定价梯度，重复命名好几个 sheet，它自己用 IQR 把离群的贵价货单独挑了出来，还顺手识别整理了重名的重复 SKU。最超出预期的是最后同步生成了一份 30 页的汇报 PPT，所有图表都已经做好，不用再二次调整。它根本不是在帮你整理数据，是把一个分析师一整个下午的标准化工作，直接还给了你。当然不是说分析师就失去价值了，需要深度业务洞察和定制化判断的分析，依然要靠真人落地。而是这种标准化的流程化分析交付，AI 已经能直接做到成品级别，不再是需要反复修改的半成品。

腾讯这个新模型是真牛逼啊，我之前一直觉得 AI 整理数据就是帮你排个序的打杂活，直到看到把 101 个乱成一团的 SKU 销售数据丢给了腾讯 Hy3，竟然返回了一整套能直接拿去开会的完整分析。 Excel 里分了执行摘要，异常值，定价梯度，重复命名好几个 sheet，它自己用 IQR 把离群的贵价货单独挑了出来，还顺手识别整理了重名的重复 SKU。最超出预期的是最后同步生成了一份 30 页的汇报 PPT，所有图表都已经做好，不用再二次调整。它根本不是在帮你整理数据，是把一个分析师一整个下午的标准化工作，直接还给了你。当然不是说分析师就失去价值了，需要深度业务洞察和定制化判断的分析，依然要靠真人落地。而是这种标准化的流程化分析交付，AI 已经能直接做到成品级别，不再是需要反复修改的半成品。

AYi

15,468 次观看 • 2 个月前

又发现一个变态开源项目，叫agency-agents 这哥们儿把世界上几乎所有职位都做成了 AI 员工，包括：前端开发、UI 设计、自媒体运营、销售、市场分析师、数据工程师、法务顾问…… 现在已经有 144 个 AI 员工，还在持续加。 GitHub 星标直接冲到 6 万+，完全免费开源。在小龙虾或者 Claude code 里，几分钟就能跑起来一整个虚拟团队。你需要哪个工种，直接调哪个 AI 员工，随时开干。适合「需要某个专项能力，但又不值得专门招人」的情况，比如独立开发者、一人创业者、小团队

又发现一个变态开源项目，叫agency-agents 这哥们儿把世界上几乎所有职位都做成了 AI 员工，包括：前端开发、UI 设计、自媒体运营、销售、市场分析师、数据工程师、法务顾问…… 现在已经有 144 个 AI 员工，还在持续加。 GitHub 星标直接冲到 6 万+，完全免费开源。在小龙虾或者 Claude code 里，几分钟就能跑起来一整个虚拟团队。你需要哪个工种，直接调哪个 AI 员工，随时开干。适合「需要某个专项能力，但又不值得专门招人」的情况，比如独立开发者、一人创业者、小团队

阿西_出海

296,752 次观看 • 4 个月前

Anthropic 刚甩出一份 33 页的文档，讲 Claude 怎么做交易 agent。结果昨晚就有人拿它试了个东西：让 Claude 自己搭一套 Polymarket 交易流程 10 个小时后，脚本已经赚了 561 美元胜率目前 71% 钱包在这：这事最有意思的，不是那几百刀是这套玩法本身他没有让 Claude 每次都现想现做而是把交易拆成一组专门的 skill 每一个 skill 就是一个独立模块，里面装着： • 操作指令 • 执行脚本 • 参考数据一旦市场触发了对应条件，那个 skill 自己就动起来了全程不用人手动去敲 prompt 这套架构也很清晰每个模块只干一件固定的事：扫市场更新概率跑执行逻辑而且 Claude 不会一上来就把所有东西都塞进脑子它先读最精简的 metadata，真要用了，才去调完整指令结果是：跑得快逻辑还不丢这套东西会在特定市场信号出现时启动素材里列的条件包括： • 概率偏离 • 成交量异常 • 价格剧烈波动一旦触发，系统就按写好的多步流程自动开干这个 agent 做的事很简单： • 读市场概率 • 跟自己算的值做对比 • 正期望值就进 • 自动找机会退重点是这因为交易流程已经固化进 skill 里了，bot 的行为稳得一批不是临时乱 prompt 不是现场猜也不是每笔都从零开始想按素材里的说法，真正的优势其实是自动化它不是每笔交易都重新解一遍题，而是把一套已经跑顺的流程，反复塞进不同市场里反复跑最后的效果就是： prompt 复杂度更低一致性更高还有一台永远不会累的交易机器你觉得这种把 Claude 拆成 skill 来跑交易的方式，会不会比让它临时做判断更稳？想在 Polymarket 上用跟单交易的话推荐这个 Bot： #Polymarket

Anthropic 刚甩出一份 33 页的文档，讲 Claude 怎么做交易 agent。结果昨晚就有人拿它试了个东西：让 Claude 自己搭一套 Polymarket 交易流程 10 个小时后，脚本已经赚了 561 美元胜率目前 71% 钱包在这：这事最有意思的，不是那几百刀是这套玩法本身他没有让 Claude 每次都现想现做而是把交易拆成一组专门的 skill 每一个 skill 就是一个独立模块，里面装着： • 操作指令 • 执行脚本 • 参考数据一旦市场触发了对应条件，那个 skill 自己就动起来了全程不用人手动去敲 prompt 这套架构也很清晰每个模块只干一件固定的事：扫市场更新概率跑执行逻辑而且 Claude 不会一上来就把所有东西都塞进脑子它先读最精简的 metadata，真要用了，才去调完整指令结果是：跑得快逻辑还不丢这套东西会在特定市场信号出现时启动素材里列的条件包括： • 概率偏离 • 成交量异常 • 价格剧烈波动一旦触发，系统就按写好的多步流程自动开干这个 agent 做的事很简单： • 读市场概率 • 跟自己算的值做对比 • 正期望值就进 • 自动找机会退重点是这因为交易流程已经固化进 skill 里了，bot 的行为稳得一批不是临时乱 prompt 不是现场猜也不是每笔都从零开始想按素材里的说法，真正的优势其实是自动化它不是每笔交易都重新解一遍题，而是把一套已经跑顺的流程，反复塞进不同市场里反复跑最后的效果就是： prompt 复杂度更低一致性更高还有一台永远不会累的交易机器你觉得这种把 Claude 拆成 skill 来跑交易的方式，会不会比让它临时做判断更稳？想在 Polymarket 上用跟单交易的话推荐这个 Bot： #Polymarket

区块链行情研究

28,078 次观看 • 6 个月前