Loading video...

Video Failed to Load

Go Home

发现一个很疯狂的开源工具，你输一句话描述你要什么数据，它派出一群 AI Agent 并行跑到各个网站上调研，几分钟后汇总成一张结构化表格给你 其实数据都摆在网上，但想变成一张能用的表格，历来都是苦力活，过去这是一个工程项目： 拼搜索、写爬虫、设计 Schema、去重，再加个定时任务保持更新，每个数据集都要重来一遍。 Exa 融了 2.5 亿验证了一件事：这个距离可以缩短到一句话。 但 Websets 目前只覆盖公司、人和论文。而且都是cacheddata TinyFish 开源了一个叫 Bigset 的东西，做同样的事，但不限主题。 我试了一句：“提供免费层或 Freemium 方案的热门 B2B SaaS 工具，包含名称、类别、免费层概要和定价页面。”几分钟后拿到一张完整的表。 背后是真正的多 Agent 架构：编排 Agent 发现实体，并行子 Agent 各自调研，工具预算 6 次封顶，数据来源可追溯。整个代码库 AGPL-3.0 开源，自托管，用你自己的 Key。 如果 BigSet 对你有用，记得去 GitHub repo 点个 star →

gkxspace's profile picture

余温

37,551 subscribers

126,251 views • 3 months ago •via X (Twitter)

EducationScience & Technology
LIVE

Anya Rossi• Live Now

Private livecam show

0 Comments

No comments available

Comments from the original post will appear here

Related Videos

最近在开发圈很火的 GitHub 项目 Firecrawl， 一个专门给 AI 用的智能爬虫，已经 7万+ Star 了。 一句话总结： 它可以把任何网站，直接变成 AI 能用的数据。 只要给它一个 URL，它就会自动： - 抓取整站页面 - 清洗网页内容 - 解析结构信息 - 输出 Markdown / JSON 也就是说： 网站 → 结构化数据 → 直接喂给 LLM。 现在很多 AI 项目的数据流程其实都是： 网站 → Firecrawl → 向量库 → RAG → AI 应用 如果你在做： - AI Agent - RAG 知识库 - 自动化数据采集 这个工具基本算是 AI 开发的基础设施了
0:25

最近在开发圈很火的 GitHub 项目 Firecrawl， 一个专门给 AI 用的智能爬虫，已经 7万+ Star 了。 一句话总结： 它可以把任何网站，直接变成 AI 能用的数据。 只要给它一个 URL，它就会自动： - 抓取整站页面 - 清洗网页内容 - 解析结构信息 - 输出 Markdown / JSON 也就是说： 网站 → 结构化数据 → 直接喂给 LLM。 现在很多 AI 项目的数据流程其实都是： 网站 → Firecrawl → 向量库 → RAG → AI 应用 如果你在做： - AI Agent - RAG 知识库 - 自动化数据采集 这个工具基本算是 AI 开发的基础设施了

开发者Hailey

140,708 views • 6 months ago

牛逼了兄弟们，TinyFish刚刚开源了BigSet！你可以一句话直接生成任意数据集—— 只需要描述你想要搜索查询的数据，比如AI工具价格、竞品动态、招聘信息、黑客松比赛，BigSet就会调用大模型和网页检索API，直接把公开网页里的信息整理成结构化表格返回，而且能定时刷新数据集。​ ​ 上周偶然的机会，我参加一个线上黑客松，拿了很不错的奖金，所以我一直在关注全球的黑客松赛事，但是这种黑客松赛事比较分散，自己挨个去找太麻烦了，所以我让BigSet帮我构建一个实时数据集，收录全球范围内未来 90 天内正在开放报名的所有黑客松。 最后返回了具体的链接、黑客松名称、报名截止时间、奖金、线上支持......我能直接选择心仪的，直接跳转到具体的黑客松活动网址报名，节省了大量的时间！​ ​ BigSet还是多Agent架构，这就决定了它抓取任务分工明确、速度更快、结果更清楚，天然更适配处理表格类的任务。 如果你经常做竞品调研或者经常需要把分散在公开网页里的信息整理成表格，完全可以试试BigSet。而且它和Firecrawl这种专业数据抓取工具不同，你不需要丢给它URL，只需要把需求说清楚，AI就会自动去找到目标网站、抓取数据并且返回结构化的表格数据。​ ​ BigSet完全开源，AGPL-3.0许可，你可以自托管在本地运行，默认接入OpenRouter 大模型 API和TinyFish网页数据获取的API。​ ​ 如果觉得BigSet有用，可以去GitHub给它点个 star～： TinyFish网页数据获取API Key：
0:34

牛逼了兄弟们，TinyFish刚刚开源了BigSet！你可以一句话直接生成任意数据集—— 只需要描述你想要搜索查询的数据，比如AI工具价格、竞品动态、招聘信息、黑客松比赛，BigSet就会调用大模型和网页检索API，直接把公开网页里的信息整理成结构化表格返回，而且能定时刷新数据集。​ ​ 上周偶然的机会，我参加一个线上黑客松，拿了很不错的奖金，所以我一直在关注全球的黑客松赛事，但是这种黑客松赛事比较分散，自己挨个去找太麻烦了，所以我让BigSet帮我构建一个实时数据集，收录全球范围内未来 90 天内正在开放报名的所有黑客松。 最后返回了具体的链接、黑客松名称、报名截止时间、奖金、线上支持......我能直接选择心仪的，直接跳转到具体的黑客松活动网址报名，节省了大量的时间！​ ​ BigSet还是多Agent架构，这就决定了它抓取任务分工明确、速度更快、结果更清楚，天然更适配处理表格类的任务。 如果你经常做竞品调研或者经常需要把分散在公开网页里的信息整理成表格，完全可以试试BigSet。而且它和Firecrawl这种专业数据抓取工具不同，你不需要丢给它URL，只需要把需求说清楚，AI就会自动去找到目标网站、抓取数据并且返回结构化的表格数据。​ ​ BigSet完全开源，AGPL-3.0许可，你可以自托管在本地运行，默认接入OpenRouter 大模型 API和TinyFish网页数据获取的API。​ ​ 如果觉得BigSet有用，可以去GitHub给它点个 star～： TinyFish网页数据获取API Key：

逸尘

12,155 views • 3 months ago

🚨 终于有人把“金融数据 + AI Agent”这件事打通了 OpenBB 目前 GitHub 上已有 近 7 万 star，是一个开源的金融数据与研究平台，被很多人称为「开源版 Bloomberg Terminal」 以前做金融研究，最烦的不是不会分析，而是数据太散：一个终端看行情，一个表格存模型，一个网站翻 SEC 文件，一个工具跑图表，最后还要复制给 AI 总结。 现在它把过去只有机构才能轻松获取的专业数据，整合成了人人可用的工具，核心亮点： > 覆盖股票、期权、加密货币、外汇、宏观经济、固定收益等多个市场 > 包含财务数据、高管信息、股东结构、地区分布等细粒度信息 > 支持 AI 集成，一条指令就能让 AI 调取数据并生成深度研报 > 数据可自部署，保护隐私和数据安全 只输入一条指令，AI 就能调取数据、生成深度研报，全球金融数据接口真的被打通了 做股票研究、量化分析、基金投研、AI 金融 Agent 的，强烈建议保存看看
0:51

🚨 终于有人把“金融数据 + AI Agent”这件事打通了 OpenBB 目前 GitHub 上已有 近 7 万 star，是一个开源的金融数据与研究平台，被很多人称为「开源版 Bloomberg Terminal」 以前做金融研究，最烦的不是不会分析，而是数据太散：一个终端看行情，一个表格存模型，一个网站翻 SEC 文件，一个工具跑图表，最后还要复制给 AI 总结。 现在它把过去只有机构才能轻松获取的专业数据，整合成了人人可用的工具，核心亮点： > 覆盖股票、期权、加密货币、外汇、宏观经济、固定收益等多个市场 > 包含财务数据、高管信息、股东结构、地区分布等细粒度信息 > 支持 AI 集成，一条指令就能让 AI 调取数据并生成深度研报 > 数据可自部署，保护隐私和数据安全 只输入一条指令，AI 就能调取数据、生成深度研报，全球金融数据接口真的被打通了 做股票研究、量化分析、基金投研、AI 金融 Agent 的，强烈建议保存看看

爱吃折耳根的Ace

18,508 views • 2 months ago

OpenAI刚刚开源的这个东西，感觉要把程序员的工作方式给整个改写了。 现在大家都在卷模型写代码有多强，但其实真正的瓶颈早就不是生成了。 一个人每天最多同时有效监督3-5个编码Agent，再多就会注意力崩溃，生产力直接归零。 有了Symphony，直接把这个上限干到了几十个。 它把你的Linear、GitHub Issues直接变成了永远在线的Agent调度器。 你开一个任务，它自动启动一个独立隔离的Codex Agent。 自己写代码，自己跑测试，自己做交叉Review，damn！ 全部搞定之后，会给你提交一个完整的证据包。 CI全绿，安全和性能专项审查通过，改了UI就自动录好操作视频。 所有验证全过了，才会出现在你的Human Review队列里。 以后人类的角色可能会被彻底颠覆了。 以前你是监工，盯着Agent一步一步写代码，上下文切到吐。 现在你是老板，只需要看最终的结果。 满意就点合并，不满意就去仓库里补规则补文档补Guardrails。 记住兄弟们，永远不要手把手指挥Agent，永远不要替它干活。 这可不是啥实验室概念，OpenAI自己已经这么干了。 三个工程师，五个月，写了一百万行代码，0行人工写的。 产品已经有几百个内部用户，每天都在迭代。 我觉得他们最厉害的不是模型，是他们把整个仓库变成了Agent能看懂能自主工作的乐园。 现在很多人都搞错了Agent时代的核心竞争力。未来不是谁的模型更聪明，而是看谁能设计出让Agent可靠自主工作的环境。 我觉得未来最好的工程师，再也不是写代码最快的人，而是那些最会写规则，最会设计反馈回路，最会给Agent搭舞台的人。 现在Symphony已经开源了，它甚至不是一个成品。 是一个17k token的完整SPEC。 你把这个SPEC喂给任何一个编码Agent，十分钟就能生成你自己定制版的Symphony。 GitHub地址评论区自取👇
0:42

OpenAI刚刚开源的这个东西，感觉要把程序员的工作方式给整个改写了。 现在大家都在卷模型写代码有多强，但其实真正的瓶颈早就不是生成了。 一个人每天最多同时有效监督3-5个编码Agent，再多就会注意力崩溃，生产力直接归零。 有了Symphony，直接把这个上限干到了几十个。 它把你的Linear、GitHub Issues直接变成了永远在线的Agent调度器。 你开一个任务，它自动启动一个独立隔离的Codex Agent。 自己写代码，自己跑测试，自己做交叉Review，damn！ 全部搞定之后，会给你提交一个完整的证据包。 CI全绿，安全和性能专项审查通过，改了UI就自动录好操作视频。 所有验证全过了，才会出现在你的Human Review队列里。 以后人类的角色可能会被彻底颠覆了。 以前你是监工，盯着Agent一步一步写代码，上下文切到吐。 现在你是老板，只需要看最终的结果。 满意就点合并，不满意就去仓库里补规则补文档补Guardrails。 记住兄弟们，永远不要手把手指挥Agent，永远不要替它干活。 这可不是啥实验室概念，OpenAI自己已经这么干了。 三个工程师，五个月，写了一百万行代码，0行人工写的。 产品已经有几百个内部用户，每天都在迭代。 我觉得他们最厉害的不是模型，是他们把整个仓库变成了Agent能看懂能自主工作的乐园。 现在很多人都搞错了Agent时代的核心竞争力。未来不是谁的模型更聪明，而是看谁能设计出让Agent可靠自主工作的环境。 我觉得未来最好的工程师，再也不是写代码最快的人，而是那些最会写规则，最会设计反馈回路，最会给Agent搭舞台的人。 现在Symphony已经开源了，它甚至不是一个成品。 是一个17k token的完整SPEC。 你把这个SPEC喂给任何一个编码Agent，十分钟就能生成你自己定制版的Symphony。 GitHub地址评论区自取👇

AYi

63,210 views • 4 months ago

这个开源项目是真屌，一比一复刻任何网站 可以配合Claude Code使用，我是用的cursor，给 Agent 提供目标网站的 URL，它会自动帮你克隆整个网站。它会自动去撸目标网站, 然后把整个网站一块一块地拆解重建。试了试我自己当时用Wordpress做的导航网站，一模一样🤡，数据都完完整整爬了下来。
0:27

这个开源项目是真屌，一比一复刻任何网站 可以配合Claude Code使用，我是用的cursor，给 Agent 提供目标网站的 URL，它会自动帮你克隆整个网站。它会自动去撸目标网站, 然后把整个网站一块一块地拆解重建。试了试我自己当时用Wordpress做的导航网站，一模一样🤡，数据都完完整整爬了下来。

知识分享官

160,392 views • 4 months ago

在硅谷科技圈社交的觥筹交错之中，小龙虾之父🦞 Peter Steinberger 🦞 打开自己的电脑，分享了他和 Agent 一起工作的几个流程。 开篇他就提到： 去年，我受限于 token。 我通过加入 OpenAI 解决了这个问题。 后来，我受限于 CPU。 现在我感觉，真正限制我的其实是注意力。 他点出了我们与 AI 协作方式中正在发生的一个重要转变。 大多数人以为自己在使用 AI。 但实际上，他们还在做那些未来应该由 agent 接手的协调工作。 我把它整理成一个 7 层阶梯。看看你现在在哪一层。 第 1 层：聊天 你提问，它回答。其他事情还是你自己做。 第 2 层：上下文 你把背景信息贴进去，它的回答变好了。但你仍然要决定什么上下文重要，以及什么时候提供。 第 3 层：记忆 它开始记住你。你不用反复解释那么多。但你仍然在管理每一次会话。 第 4 层：工具 它可以搜索、读文件、运行代码。但你仍然要决定什么时候调用工具、为了什么调用工具，以及如何检查每一个结果。 第 5 层：技能skill 你已经给了它一些工作流程和 playbook。它知道你的工作方式，而不只是你问了什么。但它仍然是被动的，还在等你启动。 第 6 层：后台工作 它可以在你不盯着看的情况下运行，异步执行。你审核的是输出，而不是过程。 现在大多数关于 “agentic” 的炒作，其实都集中在这一层，而且大多数团队还没有真正达到。 第 7 层：目标 你定义结果、约束和品味。agent 负责跑完整个循环。你不再管理任务，而是管理方向。 每往上一层，你做的任务管理就更少，承担的结果 ownership 就更多。 这不只是工具能力的变化，而是你和工具、你和自己时间之间关系的根本变化。 大多数人还停留在第 2 层或第 3 层，却把这叫作“使用 AI”。 大多数团队还停留在第 4 层或第 5 层，却把这叫作“AI-powered”。 真正的突破，是建立一种更好的 delegation contract，把人从执行者释放出来，变成方向的定义者。 那么：你现在在哪一层呢？
19:58

在硅谷科技圈社交的觥筹交错之中，小龙虾之父🦞 Peter Steinberger 🦞 打开自己的电脑，分享了他和 Agent 一起工作的几个流程。 开篇他就提到： 去年，我受限于 token。 我通过加入 OpenAI 解决了这个问题。 后来，我受限于 CPU。 现在我感觉，真正限制我的其实是注意力。 他点出了我们与 AI 协作方式中正在发生的一个重要转变。 大多数人以为自己在使用 AI。 但实际上，他们还在做那些未来应该由 agent 接手的协调工作。 我把它整理成一个 7 层阶梯。看看你现在在哪一层。 第 1 层：聊天 你提问，它回答。其他事情还是你自己做。 第 2 层：上下文 你把背景信息贴进去，它的回答变好了。但你仍然要决定什么上下文重要，以及什么时候提供。 第 3 层：记忆 它开始记住你。你不用反复解释那么多。但你仍然在管理每一次会话。 第 4 层：工具 它可以搜索、读文件、运行代码。但你仍然要决定什么时候调用工具、为了什么调用工具，以及如何检查每一个结果。 第 5 层：技能skill 你已经给了它一些工作流程和 playbook。它知道你的工作方式，而不只是你问了什么。但它仍然是被动的，还在等你启动。 第 6 层：后台工作 它可以在你不盯着看的情况下运行，异步执行。你审核的是输出，而不是过程。 现在大多数关于 “agentic” 的炒作，其实都集中在这一层，而且大多数团队还没有真正达到。 第 7 层：目标 你定义结果、约束和品味。agent 负责跑完整个循环。你不再管理任务，而是管理方向。 每往上一层，你做的任务管理就更少，承担的结果 ownership 就更多。 这不只是工具能力的变化，而是你和工具、你和自己时间之间关系的根本变化。 大多数人还停留在第 2 层或第 3 层，却把这叫作“使用 AI”。 大多数团队还停留在第 4 层或第 5 层，却把这叫作“AI-powered”。 真正的突破，是建立一种更好的 delegation contract，把人从执行者释放出来，变成方向的定义者。 那么：你现在在哪一层呢？

Michael Guo

17,812 views • 2 months ago

做数据分析的人应该都懂那种崩溃感： Excel 一开就卡、SQL 跑半天、模型调参像瞎猜、报告一写就是一下午。 更别说很多人本职工作也不是“数据科学家”，但又不得不啃一堆 CSV、报表和图表。 这两天看到人民大学 RUC Datalab 开源的DeepAnalyze，有点眼前一亮。 它不是那种“帮你写点分析文案”的 AI，而是想做一个真正的「AI 数据分析师」： 能读 Excel/CSV/JSON/TXT，自己规划步骤、清洗数据、建模、画图、最后给你一份完整报告。 甚至还能把推理链（reasoning trace）展示出来，让你看到它是怎么一步步想出来的。 我自己最有感觉的点有几个： 以前 ChatGPT 更像“写稿子、写代码”的助手，但对数据本身不够“懂”； DeepAnalyze 直接把这一块补上了，做到“从数据到报告”的全流程； 对普通人来说，可能第一次有机会把“专业的数据分析能力”当成一个工具来用，而不是一门必须自己啃几年的技能。 当然，它现在肯定还不完美，落地也需要折腾环境、准备数据。 但这个方向我很看好： AI 帮你做繁琐的统计和建模，人类负责问好问题、选好指标、做最后决策。 数据分析不再是少数人的特权，而是变成人人可用的一种“智能能力”。 简单说： 过去是「你学会数据分析再去用工具」， 以后可能是「你先有一个 AI 数据分析师，再慢慢学会怎么问对问题」。
2:33

做数据分析的人应该都懂那种崩溃感： Excel 一开就卡、SQL 跑半天、模型调参像瞎猜、报告一写就是一下午。 更别说很多人本职工作也不是“数据科学家”，但又不得不啃一堆 CSV、报表和图表。 这两天看到人民大学 RUC Datalab 开源的DeepAnalyze，有点眼前一亮。 它不是那种“帮你写点分析文案”的 AI，而是想做一个真正的「AI 数据分析师」： 能读 Excel/CSV/JSON/TXT，自己规划步骤、清洗数据、建模、画图、最后给你一份完整报告。 甚至还能把推理链（reasoning trace）展示出来，让你看到它是怎么一步步想出来的。 我自己最有感觉的点有几个： 以前 ChatGPT 更像“写稿子、写代码”的助手，但对数据本身不够“懂”； DeepAnalyze 直接把这一块补上了，做到“从数据到报告”的全流程； 对普通人来说，可能第一次有机会把“专业的数据分析能力”当成一个工具来用，而不是一门必须自己啃几年的技能。 当然，它现在肯定还不完美，落地也需要折腾环境、准备数据。 但这个方向我很看好： AI 帮你做繁琐的统计和建模，人类负责问好问题、选好指标、做最后决策。 数据分析不再是少数人的特权，而是变成人人可用的一种“智能能力”。 简单说： 过去是「你学会数据分析再去用工具」， 以后可能是「你先有一个 AI 数据分析师，再慢慢学会怎么问对问题」。

sitin

15,309 views • 10 months ago

啊？AI可以自己找活干了？ 给大家介绍一个炸裂的开源项目 Hephaestus - 这玩意儿让AI Agent自己规划工作，自己发现问题，自己创建任务！抽象到什么程度？它内嵌了个kanban....让AI自己拆解card自己做.... 传统的Agent框架都是你提前写死所有流程，遇到没预料到的情况就傻眼。Hephaestus 直接换了个思路：只定义三个阶段（分析-实现-验证），然后Agent自己看着办。 举例：测试Agent在跑测试时，发现了一个性能优化机会，它不是记个log就完事，而是自己创建了一个新的调查任务，然后放到kanban里，然后另一个Agent接手去研究，确认可行后又自己创建实现任务。整个工作流就这么自己长出了一个分支。 你给它一个PRD，它分析出5个组件，创建5个并行任务。其中一个Agent干完了发现bug，自己创建修复任务。另一个Agent发现可以优化，自己创建优化分支。工作流是实时生成的，而不是一开始就预测好的。 我有空也会测一下试试，看看它能不能真的从0到1自己把活干完。总之先增加到待测试列表。 项目地址：
1:29

啊？AI可以自己找活干了？ 给大家介绍一个炸裂的开源项目 Hephaestus - 这玩意儿让AI Agent自己规划工作，自己发现问题，自己创建任务！抽象到什么程度？它内嵌了个kanban....让AI自己拆解card自己做.... 传统的Agent框架都是你提前写死所有流程，遇到没预料到的情况就傻眼。Hephaestus 直接换了个思路：只定义三个阶段（分析-实现-验证），然后Agent自己看着办。 举例：测试Agent在跑测试时，发现了一个性能优化机会，它不是记个log就完事，而是自己创建了一个新的调查任务，然后放到kanban里，然后另一个Agent接手去研究，确认可行后又自己创建实现任务。整个工作流就这么自己长出了一个分支。 你给它一个PRD，它分析出5个组件，创建5个并行任务。其中一个Agent干完了发现bug，自己创建修复任务。另一个Agent发现可以优化，自己创建优化分支。工作流是实时生成的，而不是一开始就预测好的。 我有空也会测一下试试，看看它能不能真的从0到1自己把活干完。总之先增加到待测试列表。 项目地址：

karminski-牙医

41,586 views • 10 months ago

我对国产 AI Agent 一直没抱太大期待，直到这次它干了件让我意外的事。 我让 Tencent WorkBuddy 做个竞品调研，它派出一整个研究团队，其中一个 AI 专门审稿。它把同伴写好的报告退了回去，理由是里面有个数字查不到来源。 一个 AI，自己抓出自己编的数据，要求重做。 最后我拿到的，是一套能直接演示的 10 页 slides，一个字都不用改。 WorkBuddy，全程录屏在这👇
1:29

我对国产 AI Agent 一直没抱太大期待，直到这次它干了件让我意外的事。 我让 Tencent WorkBuddy 做个竞品调研，它派出一整个研究团队，其中一个 AI 专门审稿。它把同伴写好的报告退了回去，理由是里面有个数字查不到来源。 一个 AI，自己抓出自己编的数据，要求重做。 最后我拿到的，是一套能直接演示的 10 页 slides，一个字都不用改。 WorkBuddy，全程录屏在这👇

Yanhua

82,900 views • 2 months ago

发现一个GitHub全站排名第一的开源神器，教你从零手搓任何软件，目前已经斩获52w+ star 它收集了海量教程，教你如何把各种热门软件从头搓出来 比如：用 Java 打造自己的区块链，用 Python 做一个机器人，自己写一个 NoSQL 数据库，用 C++ 开发一款游戏，还有操作系统、渲染引擎…… 它背后的逻辑来自费曼的一句话：真正理解一样东西，唯一的方式就是自己造出来 不管你是刚入门的新手，还是有多年经验的开发者，都能在这里找到能挑战自己的项目
0:22

发现一个GitHub全站排名第一的开源神器，教你从零手搓任何软件，目前已经斩获52w+ star 它收集了海量教程，教你如何把各种热门软件从头搓出来 比如：用 Java 打造自己的区块链，用 Python 做一个机器人，自己写一个 NoSQL 数据库，用 C++ 开发一款游戏，还有操作系统、渲染引擎…… 它背后的逻辑来自费曼的一句话：真正理解一样东西，唯一的方式就是自己造出来 不管你是刚入门的新手，还是有多年经验的开发者，都能在这里找到能挑战自己的项目

阿西_出海

42,432 views • 1 month 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

50,439 views • 27 days ago

我看到有人在让“Claude Code”自己开新进程 `claude -p `实现多任务，其实没必要，有更简单的办法。这个简单办法就是让它自己开子 Agent。Claude Code 现在有 18 个工具，最特殊的一个工具叫 Task，它本质就是一个 Claude Code 的克隆工具，只不过是作为 Claude Code 的一个工具。 如果你懂递归的话就很好理解。如果你不懂递归，可以这么理解：Claude Code 是个 AI 程序员，它可以用一堆工具，其中最神奇的一个工具叫 Task，就是克隆一个自己的分身去干活！ 这样做有什么好处呢？就是可以并行多任务，还可以控制上下文，让子任务更专注。 举例来说，你粘贴一段错误代码让 Claude Code 去 Debug，并且还让它写测试代码覆盖这个错误。Claude Code 会先调用 TodoWrite 这个工具写一个 TODO List。把任务分成 3 步： - [ ] 根据错误信息收集相关代码 - [ ] 根据错误信息和相关代码解决 Bug - [ ] 写新的测试覆盖 这一步完了后它会起一个 Task，这个 Task 就是专门根据错误信息去找到相关代码的位置，那么这个子任务只需要接受错误信息找上下文，它不管怎么解决 Bug，也不管怎么写测试覆盖。 主任务就会等这个子任务完成，子任务完成后，主任务就调用 TODO Write 更新 TODO List。 - [x] 根据错误信息收集相关代码 - [ ] 根据错误信息和相关代码解决 Bug - [ ] 写新的测试覆盖 然后调用 TodoRead 工具看下一步要干嘛，现在有充足上下文了，它可以再起一个子任务去根据错误信息和代码修复 Bug，等修复 Bug 的子任务完成了，再回到主任务，继续更新 TODO List，继续读取下一个 Item 最后再启动一个子任务去写测试，测试子任务也完成了，返回结果到主任务，这时候调用 TodoRead 一看任务都处理完了，最后根据前面的任务情况给你一个总结摘要，表示任务都完成了。 Claude Code 真的没有做什么工程上的优化，什么上下文压缩、临时存储，都没有的！就是简单粗暴： 1. 把用户问题、系统提示词、能用到的工具一股脑发给 Claude，问下一步该干嘛 2. Claude 就返回说现在你要到 TodoWriter 工具 3. Claude Code 就去调用 TodoWriter 工具，本质上也是一个 AI 请求，最后返回生成的 Todo List 4. 然后 Claude Code 把工具返回结果和前面的所有消息继续发给 Claude，Claude 返回说你现在要去起一个新的 Task 去收集代码了 5. 然后 Claude Code 就起一个新的 Task，把错误信息和要求收集相关代码的任务说明、系统提示词、环境说明、能用到的工具一股脑发给 Claude，问下一步该干嘛 - 在新的 Task 里面，就是不停的问 Claude 该用啥工具，然后发送工具结果和前面所有历史消息 - 任务完成后，返回任务结果 6. 然后 Claude Code 把子 Task 的结果和前面历史信息一起发给 Claude 问下一步干嘛 7. 就这样循环直到 Claude 认为任务完成了 所以你经常看到 Claude Code 在那几十分钟上下文也没爆掉，因为它会启动子任务，这样上下文就分摊到子任务中了，主任务中只是保留子任务完成后的内容。
0:37

我看到有人在让“Claude Code”自己开新进程 `claude -p `实现多任务，其实没必要，有更简单的办法。这个简单办法就是让它自己开子 Agent。Claude Code 现在有 18 个工具，最特殊的一个工具叫 Task，它本质就是一个 Claude Code 的克隆工具，只不过是作为 Claude Code 的一个工具。 如果你懂递归的话就很好理解。如果你不懂递归，可以这么理解：Claude Code 是个 AI 程序员，它可以用一堆工具，其中最神奇的一个工具叫 Task，就是克隆一个自己的分身去干活！ 这样做有什么好处呢？就是可以并行多任务，还可以控制上下文，让子任务更专注。 举例来说，你粘贴一段错误代码让 Claude Code 去 Debug，并且还让它写测试代码覆盖这个错误。Claude Code 会先调用 TodoWrite 这个工具写一个 TODO List。把任务分成 3 步： - [ ] 根据错误信息收集相关代码 - [ ] 根据错误信息和相关代码解决 Bug - [ ] 写新的测试覆盖 这一步完了后它会起一个 Task，这个 Task 就是专门根据错误信息去找到相关代码的位置，那么这个子任务只需要接受错误信息找上下文，它不管怎么解决 Bug，也不管怎么写测试覆盖。 主任务就会等这个子任务完成，子任务完成后，主任务就调用 TODO Write 更新 TODO List。 - [x] 根据错误信息收集相关代码 - [ ] 根据错误信息和相关代码解决 Bug - [ ] 写新的测试覆盖 然后调用 TodoRead 工具看下一步要干嘛，现在有充足上下文了，它可以再起一个子任务去根据错误信息和代码修复 Bug，等修复 Bug 的子任务完成了，再回到主任务，继续更新 TODO List，继续读取下一个 Item 最后再启动一个子任务去写测试，测试子任务也完成了，返回结果到主任务，这时候调用 TodoRead 一看任务都处理完了，最后根据前面的任务情况给你一个总结摘要，表示任务都完成了。 Claude Code 真的没有做什么工程上的优化，什么上下文压缩、临时存储，都没有的！就是简单粗暴： 1. 把用户问题、系统提示词、能用到的工具一股脑发给 Claude，问下一步该干嘛 2. Claude 就返回说现在你要到 TodoWriter 工具 3. Claude Code 就去调用 TodoWriter 工具，本质上也是一个 AI 请求，最后返回生成的 Todo List 4. 然后 Claude Code 把工具返回结果和前面的所有消息继续发给 Claude，Claude 返回说你现在要去起一个新的 Task 去收集代码了 5. 然后 Claude Code 就起一个新的 Task，把错误信息和要求收集相关代码的任务说明、系统提示词、环境说明、能用到的工具一股脑发给 Claude，问下一步该干嘛 - 在新的 Task 里面，就是不停的问 Claude 该用啥工具，然后发送工具结果和前面所有历史消息 - 任务完成后，返回任务结果 6. 然后 Claude Code 把子 Task 的结果和前面历史信息一起发给 Claude 问下一步干嘛 7. 就这样循环直到 Claude 认为任务完成了 所以你经常看到 Claude Code 在那几十分钟上下文也没爆掉，因为它会启动子任务，这样上下文就分摊到子任务中了，主任务中只是保留子任务完成后的内容。

宝玉

76,401 views • 1 year ago

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。
0:30

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 views • 1 month ago

给 DeepSeek Harness、Hermes、OpenClaw 等Agent做记忆底座的那个 GitHub 万星团队（MemOS） 刚开源的这个新项目，我真的要吹爆， 可能是今年最值得装的本地 AI 基础设施之一了， 它解决了一个我使用AI Agent 忍了大半年的痛点问题： 换一个 AI 工具就要重新解释一遍项目背景、技术选型、踩过的坑。 每天在 Cursor、Claude Code 和 Codex 之间来回切的人，应该都懂那种吃了苍蝇一样的恶心感， 换个工具就等于给AI重新做一遍入职培训， 项目背景、踩过的坑、做过的重要决策全部要跟它从头再讲一遍。 刚刚开源的 Memmy 直接把这个问题给干掉了， 让所有 AI 都记得同一个你。 它干的事简单且极度务实，但之前几乎没人愿意做。 更关键的是，它本身就是一个形态非常丰满的本地 Agent，支持多种接入方式： →日常用有桌面端 GUI， →极客可以走 CLI/TUI， →还自带 OpenAI 兼容 API 和 MCP 协议， →最新版连 Linux 也已经全平台支持了。 授权后直接去翻你本地所有 Agent 的历史日志， Cursor 的数据库、Claude Code 的 jsonl、Codex 的 session， 几分钟把你过去几个月在各个工具里聊过的废墟， 自动整理成结构化记忆， 然后通过 Skill、Hook、MCP 按需注入到你当前正在用的任何 Agent 里。 全量存在本地 SQLite 数据库， 完全 local-first 不上传， 敏感项目不用慌。 Memmy 这个项目跟 Mem0、Zep 那些记忆库完全不是一个赛道。 那些是给开发者写代码集成的 API， 你要自己写代码接入，或者从今天起重新积累。 Memmy 是直接面向我们这种终端用户， 把你过去几个月在各工具里已经产生的历史一键接管过来。 这一步大多数工具都没做，毕竟是纯脏活累活。 技术底座是同团队的 MemOS，GitHub 一万多星， 做的是记忆操作系统，不是简单的向量库加摘要。 再说几个极其真实的场景： 你在 Codex 里确认了一个架构选型， 切到 Claude Code 它立刻知道， 你在 Cursor 里试错踩过的坑， 新开一个 DeepSeek Harness 不会再踩第二遍。 一个 Agent 额度用完了换另一个，上下文再也不会归零。 代码靠 Git 能同步状态， 记忆同步的， 是你在对话里留下的决策和意图。 这层资产以前被困在每个工具的 session 里， 现在可以跟着你走了。 当然照例泼盆冷水， 这个项目还在 v1.0.x 早期， GitHub 约 1000 星， 各家工具本地格式一升级可能带来兼容问题， 记忆蒸馏和跨项目隔离也还在持续迭代， 但方向我认为是非常对的。 多 Agent 并行时代， 记忆本来就该属于用户自己， 凭什么被锁死在某个工具里。 Switch agents, not context， 让所有 AI 都记得同一个你！！！
1:17

给 DeepSeek Harness、Hermes、OpenClaw 等Agent做记忆底座的那个 GitHub 万星团队（MemOS） 刚开源的这个新项目，我真的要吹爆， 可能是今年最值得装的本地 AI 基础设施之一了， 它解决了一个我使用AI Agent 忍了大半年的痛点问题： 换一个 AI 工具就要重新解释一遍项目背景、技术选型、踩过的坑。 每天在 Cursor、Claude Code 和 Codex 之间来回切的人，应该都懂那种吃了苍蝇一样的恶心感， 换个工具就等于给AI重新做一遍入职培训， 项目背景、踩过的坑、做过的重要决策全部要跟它从头再讲一遍。 刚刚开源的 Memmy 直接把这个问题给干掉了， 让所有 AI 都记得同一个你。 它干的事简单且极度务实，但之前几乎没人愿意做。 更关键的是，它本身就是一个形态非常丰满的本地 Agent，支持多种接入方式： →日常用有桌面端 GUI， →极客可以走 CLI/TUI， →还自带 OpenAI 兼容 API 和 MCP 协议， →最新版连 Linux 也已经全平台支持了。 授权后直接去翻你本地所有 Agent 的历史日志， Cursor 的数据库、Claude Code 的 jsonl、Codex 的 session， 几分钟把你过去几个月在各个工具里聊过的废墟， 自动整理成结构化记忆， 然后通过 Skill、Hook、MCP 按需注入到你当前正在用的任何 Agent 里。 全量存在本地 SQLite 数据库， 完全 local-first 不上传， 敏感项目不用慌。 Memmy 这个项目跟 Mem0、Zep 那些记忆库完全不是一个赛道。 那些是给开发者写代码集成的 API， 你要自己写代码接入，或者从今天起重新积累。 Memmy 是直接面向我们这种终端用户， 把你过去几个月在各工具里已经产生的历史一键接管过来。 这一步大多数工具都没做，毕竟是纯脏活累活。 技术底座是同团队的 MemOS，GitHub 一万多星， 做的是记忆操作系统，不是简单的向量库加摘要。 再说几个极其真实的场景： 你在 Codex 里确认了一个架构选型， 切到 Claude Code 它立刻知道， 你在 Cursor 里试错踩过的坑， 新开一个 DeepSeek Harness 不会再踩第二遍。 一个 Agent 额度用完了换另一个，上下文再也不会归零。 代码靠 Git 能同步状态， 记忆同步的， 是你在对话里留下的决策和意图。 这层资产以前被困在每个工具的 session 里， 现在可以跟着你走了。 当然照例泼盆冷水， 这个项目还在 v1.0.x 早期， GitHub 约 1000 星， 各家工具本地格式一升级可能带来兼容问题， 记忆蒸馏和跨项目隔离也还在持续迭代， 但方向我认为是非常对的。 多 Agent 并行时代， 记忆本来就该属于用户自己， 凭什么被锁死在某个工具里。 Switch agents, not context， 让所有 AI 都记得同一个你！！！

AYi

60,467 views • 12 days ago

这项目我可太爱了！！ 一个哥们把1324个健身动作全整理完了，英文、西班牙语、意大利语、土耳其语、俄语、中文，六种语言的动作讲解全翻好了。 本来这事你至少得雇两个人，一个整理数据，一个翻译。现在一个开源仓库，建表SQL、API代码、连LLM提示词都给你写好了，复制粘贴就能用了。 我最近减肥中，打算自己搞个小程序，监督训练，就看到了这个宝藏项目。 其实，做健身产品最头疼的从来不是UI界面。是把1324个动作挨个录完，把英文讲解一字一句翻成中文，再琢磨数据存哪、怎么让App读到这些数据。这堆东西，一个人干至少两周，外包出去少说两万。 这个仓库把三件事全替你干了。打开这个仓库你能拿到什么： 1324个动作的数据库，按部位、器械、目标肌肉全部分好了，拿来就能用 六种语言的讲解翻译全齐，不用自己雇人译 选个数据库类型，建表代码自动生成，不用从零建库 接口直接给你写好，七八种语言都能跑，改个地址就行 最狠的，连让AI帮你生成整个后端的提示词都写好了 数据录好了，六种语言翻好了，数据库怎么建也用不着你想了。打开setup.html，选一下你用的数据库类型，四五个主流的一列都支持，建表代码直接生成。 你连接口都不用自己看代码写了，选完框架和数据库，它给你生成一段提示词，直接甩给Claude或者GPT，一条消息整个后端就出来了。 老王自己跑了一趟，先做了个网页版吧，半小时全通了，六种语言的接口一个没落。 你也可以尝试一下，做一个自己的健身管家。
0:47

这项目我可太爱了！！ 一个哥们把1324个健身动作全整理完了，英文、西班牙语、意大利语、土耳其语、俄语、中文，六种语言的动作讲解全翻好了。 本来这事你至少得雇两个人，一个整理数据，一个翻译。现在一个开源仓库，建表SQL、API代码、连LLM提示词都给你写好了，复制粘贴就能用了。 我最近减肥中，打算自己搞个小程序，监督训练，就看到了这个宝藏项目。 其实，做健身产品最头疼的从来不是UI界面。是把1324个动作挨个录完，把英文讲解一字一句翻成中文，再琢磨数据存哪、怎么让App读到这些数据。这堆东西，一个人干至少两周，外包出去少说两万。 这个仓库把三件事全替你干了。打开这个仓库你能拿到什么： 1324个动作的数据库，按部位、器械、目标肌肉全部分好了，拿来就能用 六种语言的讲解翻译全齐，不用自己雇人译 选个数据库类型，建表代码自动生成，不用从零建库 接口直接给你写好，七八种语言都能跑，改个地址就行 最狠的，连让AI帮你生成整个后端的提示词都写好了 数据录好了，六种语言翻好了，数据库怎么建也用不着你想了。打开setup.html，选一下你用的数据库类型，四五个主流的一列都支持，建表代码直接生成。 你连接口都不用自己看代码写了，选完框架和数据库，它给你生成一段提示词，直接甩给Claude或者GPT，一条消息整个后端就出来了。 老王自己跑了一趟，先做了个网页版吧，半小时全通了，六种语言的接口一个没落。 你也可以尝试一下，做一个自己的健身管家。

产品经理老王霸

33,757 views • 2 months ago

Codex 自己配音 更离谱的是，用的还是我自己的声音。 一个 41K Star 的开源项目：Voicebox。 它可以几秒钟克隆你的嗓音，打一行字，就能直接用你的声音念出来。 重点是： • 本地运行，声音数据不出电脑 • 支持 7 大 TTS 引擎 • 支持 23 种语言 • 可以调语速、情绪和声音风格 • 接入 MCP 后，Codex / Cline / Claude Code 这类 AI Agent 能直接开口汇报 • 完全开源免费 以前做配音，要么买付费软件，要么用云端 TTS。 现在 Voicebox 直接把声音克隆、语音生成、Agent 语音输出放到本地跑。 一句话： 它像是开源版 ElevenLabs + AI Agent 语音中枢。 如果你想让 Codex 写完代码后，直接用你的声音汇报结果，这个项目值得收藏。 GitHub：
1:12

Codex 自己配音 更离谱的是，用的还是我自己的声音。 一个 41K Star 的开源项目：Voicebox。 它可以几秒钟克隆你的嗓音，打一行字，就能直接用你的声音念出来。 重点是： • 本地运行，声音数据不出电脑 • 支持 7 大 TTS 引擎 • 支持 23 种语言 • 可以调语速、情绪和声音风格 • 接入 MCP 后，Codex / Cline / Claude Code 这类 AI Agent 能直接开口汇报 • 完全开源免费 以前做配音，要么买付费软件，要么用云端 TTS。 现在 Voicebox 直接把声音克隆、语音生成、Agent 语音输出放到本地跑。 一句话： 它像是开源版 ElevenLabs + AI Agent 语音中枢。 如果你想让 Codex 写完代码后，直接用你的声音汇报结果，这个项目值得收藏。 GitHub：

撸毛吃猪脚饭| 美股合约首选Gate

51,679 views • 1 month ago

Codex 产品负责人 Tibo 第一次描绘了他理想中的Agent： 真正的 AI Agent，不应该还需要用户自己维护 Skills、Memory 和 Sub-agents。 他提到，现在很多 Codex 和其他 Coding Agent 的高级用户，已经习惯自己管理 skill files、配置 memory、组织 sub-agents。 但这些东西本质上都很难长期维护。 Skills 会越来越多，Memory 不可能永远记住所有东西，Sub-agents 多了以后，你甚至还得自己管理一张 Agent 网络。 这其实是在把本来应该由 AI 解决的问题，重新丢回给人。 Tibo 认为，真正理想的 Agent 应该是它深度理解你，知道你的目标、每天在做什么，也理解你的团队。 然后主动做事、主动帮你推进工作，同时尽可能不让你感受到背后的 Skills、Memory、Sub-agent 这些复杂结构。 另一个很有意思的判断是，未来限制 Agent 的可能反而会是我们的电脑。 今天的 Laptop 是按照人类的工作速度设计的，人一次操作几个应用、敲一点代码。 但未来一个足够强的模型，可能同时处理 100 个打开的应用 都没有问题。 到那个时候，Agent 需要的计算和资源，已经远远超过一台个人电脑能够提供的范围。 Agent 的终局不是一个更复杂的 Coding Tool，而是一套你几乎感知不到内部结构、却一直在替你工作的计算系统。
1:51

Codex 产品负责人 Tibo 第一次描绘了他理想中的Agent： 真正的 AI Agent，不应该还需要用户自己维护 Skills、Memory 和 Sub-agents。 他提到，现在很多 Codex 和其他 Coding Agent 的高级用户，已经习惯自己管理 skill files、配置 memory、组织 sub-agents。 但这些东西本质上都很难长期维护。 Skills 会越来越多，Memory 不可能永远记住所有东西，Sub-agents 多了以后，你甚至还得自己管理一张 Agent 网络。 这其实是在把本来应该由 AI 解决的问题，重新丢回给人。 Tibo 认为，真正理想的 Agent 应该是它深度理解你，知道你的目标、每天在做什么，也理解你的团队。 然后主动做事、主动帮你推进工作，同时尽可能不让你感受到背后的 Skills、Memory、Sub-agent 这些复杂结构。 另一个很有意思的判断是，未来限制 Agent 的可能反而会是我们的电脑。 今天的 Laptop 是按照人类的工作速度设计的，人一次操作几个应用、敲一点代码。 但未来一个足够强的模型，可能同时处理 100 个打开的应用 都没有问题。 到那个时候，Agent 需要的计算和资源，已经远远超过一台个人电脑能够提供的范围。 Agent 的终局不是一个更复杂的 Coding Tool，而是一套你几乎感知不到内部结构、却一直在替你工作的计算系统。

Max For AI

50,776 views • 14 days ago

👏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。
0:22

👏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

27,519 views • 3 months ago

做了个叫 Arkloop的东西,是个 Agent 客户端 开源,本地优先,简单优先 你可以把他想象成 claude desktop but open source, 并且带有自己的 taste 哦对了,另说一点,不是任何 agent sdk 套壳,也没有任何 base 任何 claudecode 行为,我一个人打磨了三个月 和市面上大部分产品不同 我花了很多时间在一个细节上 : 减少认知负担 一个例子 : 我平常只用一个模型聊天，那为什么每条消息前面都要告诉我用了什么模型？这是噪音 再举一个 : 开发者总是喜欢让 agent 的 tool use 完整的展示到前端,但是背后真正的用户体验逻辑是我需要知道 agent 在工作/在往哪个方向偏,所以我们并不需要如此详细的信息 设计哲学：认知负担,信息,价值导向,美学 换个话题 我一个人做 Arkloop 用了三个月,现在他能用了,但是它离完美很远 做产品很重要的一件事是…不要闭门造车,也就是我需要你们的真诚建议 引用来自 Arkloop readme 中的一句话 “我欢迎所有形式的贡献。即使你不是开发者，只是一个普通用户——如果你在使用中感到任何不舒服的地方，哪怕只是一点间距、一个颜色、一个很小很小的细节，或者是一个很大的方向，都可以直接开一个 issue。 我认真对待每一个体验细节，你的反馈会让所有人的体验变得更好。 如果你是开发者，Arkloop 的 Agent 核心、记忆系统、hook 机制都是开放的。你可以接自己的 provider、写自己的插件、甚至改掉你不喜欢的任何设计。” 这是我认为整个项目最精髓的一点,我希望看到你们的反馈,不管是细节还是方向 我在用 dify 的时候,我常常发现,一个特别小的间距问题,竟然在这么大的仓库里没人修 因此,我很重视这点理念 Arkloop 现在并不稳定，还有很多不完善的地方。希望大家多多包容,多提意见 另带一提,Arkloop 可以从 openclaw/hermes 导入配置 Github 仓库: Arkloop 官网兼下载: 关注我的推特: 加入 Arkloop 的 telegram 群组:
1:03

做了个叫 Arkloop的东西,是个 Agent 客户端 开源,本地优先,简单优先 你可以把他想象成 claude desktop but open source, 并且带有自己的 taste 哦对了,另说一点,不是任何 agent sdk 套壳,也没有任何 base 任何 claudecode 行为,我一个人打磨了三个月 和市面上大部分产品不同 我花了很多时间在一个细节上 : 减少认知负担 一个例子 : 我平常只用一个模型聊天，那为什么每条消息前面都要告诉我用了什么模型？这是噪音 再举一个 : 开发者总是喜欢让 agent 的 tool use 完整的展示到前端,但是背后真正的用户体验逻辑是我需要知道 agent 在工作/在往哪个方向偏,所以我们并不需要如此详细的信息 设计哲学：认知负担,信息,价值导向,美学 换个话题 我一个人做 Arkloop 用了三个月,现在他能用了,但是它离完美很远 做产品很重要的一件事是…不要闭门造车,也就是我需要你们的真诚建议 引用来自 Arkloop readme 中的一句话 “我欢迎所有形式的贡献。即使你不是开发者，只是一个普通用户——如果你在使用中感到任何不舒服的地方，哪怕只是一点间距、一个颜色、一个很小很小的细节，或者是一个很大的方向，都可以直接开一个 issue。 我认真对待每一个体验细节，你的反馈会让所有人的体验变得更好。 如果你是开发者，Arkloop 的 Agent 核心、记忆系统、hook 机制都是开放的。你可以接自己的 provider、写自己的插件、甚至改掉你不喜欢的任何设计。” 这是我认为整个项目最精髓的一点,我希望看到你们的反馈,不管是细节还是方向 我在用 dify 的时候,我常常发现,一个特别小的间距问题,竟然在这么大的仓库里没人修 因此,我很重视这点理念 Arkloop 现在并不稳定，还有很多不完善的地方。希望大家多多包容,多提意见 另带一提,Arkloop 可以从 openclaw/hermes 导入配置 Github 仓库: Arkloop 官网兼下载: 关注我的推特: 加入 Arkloop 的 telegram 群组:

清凤

98,569 views • 4 months ago

疯了，这个 GitHub 项目让 AI 自己创业。 最近看到一个很有意思的开源项目： Paperclip 一句话总结： 用一群 AI Agent，自动经营一家公司。 你只需要给一个目标，比如： 做一个 AI 产品，做到 $1M MRR 系统会自动开始： 1. 搭建 AI 公司结构 CEO CTO 工程师 设计师 市场 全部由 AI Agent 扮演。 2. 自动拆解任务 产品规划 写代码 做设计 市场推广 AI 会自己分配任务、协作完成。 3. 多 Agent 团队协作 不同 AI 角色之间会互相沟通、执行任务、推进项目。 4. 你只负责一件事 当老板。 审批策略、查看进度、控制预算。 剩下的工作 —— 交给 AI 员工。 更有意思的是： - 支持 Claude Code / Codex / Cursor / OpenClaw 等 Agent - 每个 Agent 可以设置 预算、权限、任务范围 - 所有决策都有 日志和审计记录 一句话总结这个项目： 它不是 AI 工具，而是一个「AI 公司操作系统」。 如果你在研究： AI Agent 自动化创业 AI 团队协作 这个项目非常值得收藏。
0:35

疯了，这个 GitHub 项目让 AI 自己创业。 最近看到一个很有意思的开源项目： Paperclip 一句话总结： 用一群 AI Agent，自动经营一家公司。 你只需要给一个目标，比如： 做一个 AI 产品，做到 $1M MRR 系统会自动开始： 1. 搭建 AI 公司结构 CEO CTO 工程师 设计师 市场 全部由 AI Agent 扮演。 2. 自动拆解任务 产品规划 写代码 做设计 市场推广 AI 会自己分配任务、协作完成。 3. 多 Agent 团队协作 不同 AI 角色之间会互相沟通、执行任务、推进项目。 4. 你只负责一件事 当老板。 审批策略、查看进度、控制预算。 剩下的工作 —— 交给 AI 员工。 更有意思的是： - 支持 Claude Code / Codex / Cursor / OpenClaw 等 Agent - 每个 Agent 可以设置 预算、权限、任务范围 - 所有决策都有 日志和审计记录 一句话总结这个项目： 它不是 AI 工具，而是一个「AI 公司操作系统」。 如果你在研究： AI Agent 自动化创业 AI 团队协作 这个项目非常值得收藏。

开发者Hailey

23,447 views • 6 months ago