Loading video...

Video Failed to Load

Go Home

发现一个能直接省掉每天2小时重复劳动的东西。 文档提取、信息结构化这块，之前靠正则、靠手写NER、靠天价API、靠人工熬夜抄数据，现在基本可以宣布进入倒计时了。 Google 刚开源了 LangExtract。 一句话讲清楚它能干嘛：把任何乱七八糟的长文本（合同、报告、论文、会议纪要，哪怕上百页），直接变成干净、结构化、还能回溯原文的数据。而且不是那种“大概提取一下就行”的半成品。 它会把每一条结果精确映射回原文的具体位置，生成一个可交互的HTML页面，点进去就能核对。做合规、做审计、做知识库的人，看到这个功能基本会直接尖叫。 支持 Gemini、Ollama、本地模型，想省钱就本地跑，想效果好就上云。 安装极其简单：pip install langextract，几分钟就能跑起来。以前那些脆弱的正则表达式、自己维护的NER管道、一年几十万的提取服务，现在看着都有点滑稽了。 免费、开源、真能干活。

IndieDevHailey's profile picture

开发者Hailey

22,510 subscribers

22,868 views • 19 days ago •via X (Twitter)

LIVE

Anya Rossi• Live Now

Private livecam show

0 Comments

No comments available

Comments from the original post will appear here

Related Videos

GitHub 宝藏项目：MinerU（5.8 万 ⭐） 它把 PDF 直接变成 AI 能用的数据 以前处理 PDF： 表格乱 公式废 排版崩 OCR 一堆垃圾 能用，但很痛苦。 MinerU 不一样： 它在理解文档，不是读文字 文本、表格、公式一起解析 结构完整还原（标题、段落、表格） 公式转 LaTeX 自动去掉页眉页脚 关键就一个： 把非结构化 PDF 变成结构化数据 这一步，正好是 AI 最难的入口。 别人还在做 OCR， 它已经在做 AI 数据预处理了。 做 RAG、Agent、知识库的， 这个可以直接上手试。
0:35

GitHub 宝藏项目：MinerU（5.8 万 ⭐） 它把 PDF 直接变成 AI 能用的数据 以前处理 PDF： 表格乱 公式废 排版崩 OCR 一堆垃圾 能用，但很痛苦。 MinerU 不一样： 它在理解文档，不是读文字 文本、表格、公式一起解析 结构完整还原（标题、段落、表格） 公式转 LaTeX 自动去掉页眉页脚 关键就一个： 把非结构化 PDF 变成结构化数据 这一步，正好是 AI 最难的入口。 别人还在做 OCR， 它已经在做 AI 数据预处理了。 做 RAG、Agent、知识库的， 这个可以直接上手试。

开发者Hailey

35,459 views • 4 months ago

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 • 5 months ago

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

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

开发者Hailey

29,538 views • 5 months ago

Anthropic 把华尔街分析师的整套工作流开源了。DCF、LBO、Comps、财报模型——这些以前要花几十万进券商才能碰的东西，现在一个插件全给你。 34K stars，Anthropic 官方出品，不是第三方玩具。里面 10 个能直接跑的 Agent： 1️⃣ Model Builder：DCF、LBO、三表模型，直接在 Excel 里建 2️⃣ Earnings Reviewer：财报电话会 + 文件 → 自动更新模型 → 出纪要 3️⃣ Pitch Agent：Comps + 先例交易 + LBO → 一键出路演 Deck 4️⃣ Market Researcher：给一个行业 → 竞品格局 → 可比公司 → 标的清单 做量化的朋友，最该看的是它的数据层。FactSet、S&P Capital IQ、Moody's、PitchBook、LSEG、Morningstar，12 家机构级数据源全部 MCP 直连——你自己配 Key 就能接进回测流程，不用再手动扒数据。 Claude Code 一行装： claude plugin install financial-analysis@claude-for-financial-services 装完 /comps、/dcf、/earnings 这些命令直接能用。 以前做基本面量化，光数据清洗和估值建模就要写几周代码。现在 Anthropic 把这一步做成了现成插件。你的策略差的那块"基本面拼图"，可能就在这个仓库里。 转发给还在手写 DCF 的朋友。
1:04

Anthropic 把华尔街分析师的整套工作流开源了。DCF、LBO、Comps、财报模型——这些以前要花几十万进券商才能碰的东西，现在一个插件全给你。 34K stars，Anthropic 官方出品，不是第三方玩具。里面 10 个能直接跑的 Agent： 1️⃣ Model Builder：DCF、LBO、三表模型，直接在 Excel 里建 2️⃣ Earnings Reviewer：财报电话会 + 文件 → 自动更新模型 → 出纪要 3️⃣ Pitch Agent：Comps + 先例交易 + LBO → 一键出路演 Deck 4️⃣ Market Researcher：给一个行业 → 竞品格局 → 可比公司 → 标的清单 做量化的朋友，最该看的是它的数据层。FactSet、S&P Capital IQ、Moody's、PitchBook、LSEG、Morningstar，12 家机构级数据源全部 MCP 直连——你自己配 Key 就能接进回测流程，不用再手动扒数据。 Claude Code 一行装： claude plugin install financial-analysis@claude-for-financial-services 装完 /comps、/dcf、/earnings 这些命令直接能用。 以前做基本面量化，光数据清洗和估值建模就要写几周代码。现在 Anthropic 把这一步做成了现成插件。你的策略差的那块"基本面拼图"，可能就在这个仓库里。 转发给还在手写 DCF 的朋友。

爱吃折耳根的Ace

17,916 views • 15 days 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

Netflix 把一个内部工具开源了，叫 Headroom。 简单说就是：给 AI 喂数据之前先帮你压一道，token 能省 60%–95%。 最狠的是——省归省，精度一点不掉。因为它是可逆压缩，意思是你省下来的东西还能原样还原回来，信息一个字不丢。 写代码的人应该都懂那种心疼：长日志、RAG 拉来的文本、一开口就 load 好几个文件，每喂一次 AI，token 就在悄悄烧。这工具就是冲着这个去的。
0:41

Netflix 把一个内部工具开源了，叫 Headroom。 简单说就是：给 AI 喂数据之前先帮你压一道，token 能省 60%–95%。 最狠的是——省归省，精度一点不掉。因为它是可逆压缩，意思是你省下来的东西还能原样还原回来，信息一个字不丢。 写代码的人应该都懂那种心疼：长日志、RAG 拉来的文本、一开口就 load 好几个文件，每喂一次 AI，token 就在悄悄烧。这工具就是冲着这个去的。

Vincent

111,777 views • 2 months ago

很多人觉得 AI编程门槛太高，不愿意使用，那么你们有福了！！！ 扣子发布2.0版本 带Skills 功能，非常有幸拿到 Coze Skills 的内测。 试了一下，对于不会用Claude Code，或者惧怕使用的人来说，真是太友好了！ 如果说：Claude的Skills很强，还需要懂一点技术的话，那么扣子把这个门槛降到了零。 对话就能创建 零代码创建 普通人也能拥有AI超能力。 我做了个论文一键转公众号的 Skill，还能自动配图，自动发布！ 1. 支持从论文/文章 PDF 或链接中一键提取核心内容 2. 智能解析：自动提取论文的标题、摘要、核心创新点、实验数据和结论。 3. 文风转换：不是生硬的翻译，而是根据公众号读者的阅读习惯，将晦涩的学术语言转化为通俗易懂的各种文风。 4. AI 自动配图：这是最酷的地方！它会根据论文主题，自动调用绘图模型生成一张吸睛的高清封面图，并且在文章正文中根据段落内容自动插入合适的插图。 5.一键发送草稿箱：连复制粘贴都省了，直接对接公众号 API，生成的图文直接躺在你的公众号草稿箱里，只需要最后确认一下就能发布。 同时扣子也正式推出了 Skills 技能，及技能商店。 我的技能已经免费分享到coze的技能商店！搜索：公众号配图生成技能 就能找到！ 来讲一下如何操作： 技能入口在扣子 2.0 版本的扣子编程这里就可以看到，窗口右上角的“技能”。 在扣子编程中的不需要太多技巧， 直接使用自然语言的方式就可以创建技能，它会完全按照你的意思去生成和调试，非常方便！ 并且支持在线调试预览开发好的技能， 然后还支持一键部署和发布到扣子。 关键是一边预览，左侧还能让它修改 可以打开文件夹，看到 skill 自定义文件、脚本、引用来源等信息。结构和CC非常像，其实我觉得都完全没有必要打开看。 我很多文件，都是从Claude Code里面的skills直接copy过来，上传上去，居然直接能用，省了好多力气，直接可以搬移Claude Skill了！ 技能开发完成后，点击部署，在技能商店中可以看到自己刚刚部署和安装的技能，并支持一键发布到技能商店给所有人使用。 可以发布为免费技能也可以发布为付费技能，想赚钱直接发布成付费就行。 发布完后，所有人都能在技能商店使用你的技能，如果是付费的，用户可以很方便的对技能进行付费，技能开发者也能快速变现。 使用直接 @你的技能 就可以，详细请看视频 Skills 还是太火了，所有的媒体平台都有在讨论 Skills。扣子也第一时间，支持了 Skills 的无代码开发以及技能商店。 目前Coze商店里的技能，我看了一下绝大多数都是免费的，赶紧来找一下你要的？ 用AI工具快两年了，从最开始的"哇，它能写东西"，到后来的"嗯，但还是得我自己改"，再到现在的"它真的能帮我干活了"。 AI不再是一个聊天工具，而是一个真正的同事。 它知道我的工作方式，它能交付我需要的成品，它甚至能主动帮我完成重复性工作。 这才是AI应该有的样子。
0:53

很多人觉得 AI编程门槛太高，不愿意使用，那么你们有福了！！！ 扣子发布2.0版本 带Skills 功能，非常有幸拿到 Coze Skills 的内测。 试了一下，对于不会用Claude Code，或者惧怕使用的人来说，真是太友好了！ 如果说：Claude的Skills很强，还需要懂一点技术的话，那么扣子把这个门槛降到了零。 对话就能创建 零代码创建 普通人也能拥有AI超能力。 我做了个论文一键转公众号的 Skill，还能自动配图，自动发布！ 1. 支持从论文/文章 PDF 或链接中一键提取核心内容 2. 智能解析：自动提取论文的标题、摘要、核心创新点、实验数据和结论。 3. 文风转换：不是生硬的翻译，而是根据公众号读者的阅读习惯，将晦涩的学术语言转化为通俗易懂的各种文风。 4. AI 自动配图：这是最酷的地方！它会根据论文主题，自动调用绘图模型生成一张吸睛的高清封面图，并且在文章正文中根据段落内容自动插入合适的插图。 5.一键发送草稿箱：连复制粘贴都省了，直接对接公众号 API，生成的图文直接躺在你的公众号草稿箱里，只需要最后确认一下就能发布。 同时扣子也正式推出了 Skills 技能，及技能商店。 我的技能已经免费分享到coze的技能商店！搜索：公众号配图生成技能 就能找到！ 来讲一下如何操作： 技能入口在扣子 2.0 版本的扣子编程这里就可以看到，窗口右上角的“技能”。 在扣子编程中的不需要太多技巧， 直接使用自然语言的方式就可以创建技能，它会完全按照你的意思去生成和调试，非常方便！ 并且支持在线调试预览开发好的技能， 然后还支持一键部署和发布到扣子。 关键是一边预览，左侧还能让它修改 可以打开文件夹，看到 skill 自定义文件、脚本、引用来源等信息。结构和CC非常像，其实我觉得都完全没有必要打开看。 我很多文件，都是从Claude Code里面的skills直接copy过来，上传上去，居然直接能用，省了好多力气，直接可以搬移Claude Skill了！ 技能开发完成后，点击部署，在技能商店中可以看到自己刚刚部署和安装的技能，并支持一键发布到技能商店给所有人使用。 可以发布为免费技能也可以发布为付费技能，想赚钱直接发布成付费就行。 发布完后，所有人都能在技能商店使用你的技能，如果是付费的，用户可以很方便的对技能进行付费，技能开发者也能快速变现。 使用直接 @你的技能 就可以，详细请看视频 Skills 还是太火了，所有的媒体平台都有在讨论 Skills。扣子也第一时间，支持了 Skills 的无代码开发以及技能商店。 目前Coze商店里的技能，我看了一下绝大多数都是免费的，赶紧来找一下你要的？ 用AI工具快两年了，从最开始的"哇，它能写东西"，到后来的"嗯，但还是得我自己改"，再到现在的"它真的能帮我干活了"。 AI不再是一个聊天工具，而是一个真正的同事。 它知道我的工作方式，它能交付我需要的成品，它甚至能主动帮我完成重复性工作。 这才是AI应该有的样子。

huangserva

28,909 views • 7 months ago

AI开始抢彭博终端的饭碗了。 一家叫Perplexity的AI公司，做了一个新东西。 能直接生成一个金融终端，分析英伟达$NVDA。 数据是实时的。 还不需要任何本地设置。 这说明什么？ 云服务本身已经不重要了，谁都能提供。 真正的护城河，是上面跑的AI模型。 一台彭博终端机一年要多少钱？ 三万美元。 过去这是华尔街精英的专属玩具。 现在，一个AI应用就能挑战它的核心功能。 技术正在打破信息垄断。 把权力从少数机构手里，还给普通人。 华尔街的旧秩序，还能维持多久？
1:34

AI开始抢彭博终端的饭碗了。 一家叫Perplexity的AI公司，做了一个新东西。 能直接生成一个金融终端，分析英伟达$NVDA。 数据是实时的。 还不需要任何本地设置。 这说明什么？ 云服务本身已经不重要了，谁都能提供。 真正的护城河，是上面跑的AI模型。 一台彭博终端机一年要多少钱？ 三万美元。 过去这是华尔街精英的专属玩具。 现在，一个AI应用就能挑战它的核心功能。 技术正在打破信息垄断。 把权力从少数机构手里，还给普通人。 华尔街的旧秩序，还能维持多久？

墓碑科技

105,410 views • 6 months ago

卧槽，太夸张了，现在 AI 时代的闲鱼已经面世了吗？这不就是谁先知道谁赚钱，拼速度了？ 你的技能，专业知识，等等你的一切，竟然可以在你睡觉的时候被别人买走，这是什么科幻小说吗？？ 之前我一直在想，现在大家优秀的 skill 往往都是自己用，大部分人舍不得开源的，那有没有一个平台既能让用户用到这些大神的专业知识、skill，但是又不用开源呢？ 还真让我给找到了！！ 前两天看到国内一个博主推荐一个很野的平台-UUMit 让你的技能、经验、工作流都可以变成能力卡，被需要的人、或者别人的 Agent 自动发现、调用 并且直接付费！！ 有点像03年淘宝刚出来的时候，只不过当年流通的是商品，现在流通的是能力 具体能干什么？举几个例子你就懂了 会写小红书脚本的，可以把选题逻辑、爆款模板、平台规则检测能力上架，别人发布“帮我做一周小红书内容计划”，平台自动匹配到你，你接单交付 会做行业研究的，可以把数据库、报告、案例库放进知识商店，AI 生成不了的真实行业数据，反而更值钱 会写代码的，可以把 API、MCP 工具、自动化脚本上架，别人的 Agent 需要某个能力时，直接调用你的接口，你按调用次数收费 甚至你只是整理过某个垂直领域的供应商名单、SOP、课程讲义，这些 AI 生成不了的资料，都可以变成知识资产 这绝对是一次能力供应链的重构！ 以前的 AI 只能在自己的对话框里回答问题，但复杂任务需要很多外部能力：数据、接口、行业知识、人工交付 UUMit 做的事情是：让 Agent 可以发现别人的能力，也能让自己的能力被别的 Agent 调用 这就是 A2A（Agent to Agent）真正有意思的地方，不是让 AI 互相聊天，而是让 AI 找能力、调接口、买知识、拉人协作，把事情交付掉 为什么我说谁先知道谁赚钱？ 因为这个平台刚起来，早期上架的人能建立先发优势 而且现在 Agent 真的开始干活了，不再只是聊天工具，它们需要外部能力来完成复杂任务 谁先把自己的能力挂上去，谁就有机会被更多 Agent 发现和调用 这就是信息差的价值，就像03年最早在淘宝开店的那批人 UUMit 现在有哪些功能？ 任务发布入口：你不用一开始就知道该找谁，也不用自己拆一堆工具，你只要说清楚想完成什么，UUMit 会帮你找能完成这件事的能力 Skill/Agent/工作流上架：你写好的工具，不一定只能自己用，它也可以成为别人工作流里的一环 知识商店：AI 可以生成很多内容，但它不一定拥有你手里的行业资料、真实数据、案例库和经验沉淀，这些东西放到 UUMit，可能会变成可复用的知识资产 数据广场：Agent 不必自己拥有所有数据和接口，需要某项外部能力时，可以通过 UUMit 调用数据广场里的资源 强烈推荐大家来试试：
0:39

卧槽，太夸张了，现在 AI 时代的闲鱼已经面世了吗？这不就是谁先知道谁赚钱，拼速度了？ 你的技能，专业知识，等等你的一切，竟然可以在你睡觉的时候被别人买走，这是什么科幻小说吗？？ 之前我一直在想，现在大家优秀的 skill 往往都是自己用，大部分人舍不得开源的，那有没有一个平台既能让用户用到这些大神的专业知识、skill，但是又不用开源呢？ 还真让我给找到了！！ 前两天看到国内一个博主推荐一个很野的平台-UUMit 让你的技能、经验、工作流都可以变成能力卡，被需要的人、或者别人的 Agent 自动发现、调用 并且直接付费！！ 有点像03年淘宝刚出来的时候，只不过当年流通的是商品，现在流通的是能力 具体能干什么？举几个例子你就懂了 会写小红书脚本的，可以把选题逻辑、爆款模板、平台规则检测能力上架，别人发布“帮我做一周小红书内容计划”，平台自动匹配到你，你接单交付 会做行业研究的，可以把数据库、报告、案例库放进知识商店，AI 生成不了的真实行业数据，反而更值钱 会写代码的，可以把 API、MCP 工具、自动化脚本上架，别人的 Agent 需要某个能力时，直接调用你的接口，你按调用次数收费 甚至你只是整理过某个垂直领域的供应商名单、SOP、课程讲义，这些 AI 生成不了的资料，都可以变成知识资产 这绝对是一次能力供应链的重构！ 以前的 AI 只能在自己的对话框里回答问题，但复杂任务需要很多外部能力：数据、接口、行业知识、人工交付 UUMit 做的事情是：让 Agent 可以发现别人的能力，也能让自己的能力被别的 Agent 调用 这就是 A2A（Agent to Agent）真正有意思的地方，不是让 AI 互相聊天，而是让 AI 找能力、调接口、买知识、拉人协作，把事情交付掉 为什么我说谁先知道谁赚钱？ 因为这个平台刚起来，早期上架的人能建立先发优势 而且现在 Agent 真的开始干活了，不再只是聊天工具，它们需要外部能力来完成复杂任务 谁先把自己的能力挂上去，谁就有机会被更多 Agent 发现和调用 这就是信息差的价值，就像03年最早在淘宝开店的那批人 UUMit 现在有哪些功能？ 任务发布入口：你不用一开始就知道该找谁，也不用自己拆一堆工具，你只要说清楚想完成什么，UUMit 会帮你找能完成这件事的能力 Skill/Agent/工作流上架：你写好的工具，不一定只能自己用，它也可以成为别人工作流里的一环 知识商店：AI 可以生成很多内容，但它不一定拥有你手里的行业资料、真实数据、案例库和经验沉淀，这些东西放到 UUMit，可能会变成可复用的知识资产 数据广场：Agent 不必自己拥有所有数据和接口，需要某项外部能力时，可以通过 UUMit 调用数据广场里的资源 强烈推荐大家来试试：

超级个体｜柿子

46,283 views • 18 days ago

Anthropic 出的 Claude Design 功能，一条推文直接冲上 6000万+ 曝光 我用它做的笔记，随手就获得近 1000 赞，这个设计能力真的在降维打击。 但目前功能只有会员能用，大多数人用不了 我把它重新封装成了开源 Skill，免费开源 这条视频我会手把手带你从 0 到 1： ✅ 把 Skill 装好 ✅ 跑出一个完整的成品效果
5:33

Anthropic 出的 Claude Design 功能，一条推文直接冲上 6000万+ 曝光 我用它做的笔记，随手就获得近 1000 赞，这个设计能力真的在降维打击。 但目前功能只有会员能用，大多数人用不了 我把它重新封装成了开源 Skill，免费开源 这条视频我会手把手带你从 0 到 1： ✅ 把 Skill 装好 ✅ 跑出一个完整的成品效果

阿西_出海

24,055 views • 4 months 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

27,495 views • 2 months ago

推荐个好东西：火山引擎的 PromptPilot。 之前看 Google 的提示词白皮书，有个点让我印象很深： 他们直接用 Google Doc 管理 prompt，写任务、版本、评估效果。 那时候我就在想，有没有人真把这事儿做成一套完整系统？ 现在看到火山这套，有点意思了。 它不只是“帮你写好提示词”，而是把这事儿当作工程问题来解的。 最打动我的，是它在 prompt 优化这件事上做得极其系统，甚至有点狠。 ✅ 从任务出发构造 prompt（带结构、带变量、不是拍脑袋） ✅ 每一版 prompt 都挂着独立评测集 + 自动评分机制 ✅ 没有理想答案也能比对打分（GSB 模式） ✅ 每轮迭代都能 trace 效果，版本可控、可回溯 我们之前做客服对话调 prompt，最常见的就是“改了一句，但说不上来到底有没有变好”。 很多时候上线的版本其实就是“看着还行就先上”。 现在它是：“打一套样本集，系统直接帮你跑出哪一版效果稳定”。 我一直坚持： 模型越强，对 prompt 的要求只会更高。 尤其是在多轮任务、复杂场景里，prompt 不只是“写得好”，而是“是否可控、可管理、可进化”。 PromptPilot 解决的，是这个底层问题。 它不仅能让 prompt 生出来，更重要是——能持续改下去。 版本有 trace，样本能评分，逻辑能反推，工具还能外接， 整个就是“prompt 的 AutoML + GitOps” 一体化工具链。 顺带说一句：这是 2025 火山引擎 FORCE 大会上刚发布的产品，免费版和 Plus 版都开放，9 月前能直接上手全功能体验。 现在市面上很多 prompt 工具做的是“编辑器 + 改写器”， 但你会发现，真正上线之后需要的是一整套治理机制。 PromptPilot 是我目前看到国内第一个跑通这个闭环的， 不是 fancy 的界面，而是认真在解决 prompt 系统演化能力这个问题。 如果你也在做 AI 应用落地，推荐你认真研究一下。 要说缺点：自定义模型没找到海外模型，差评！
1:34

推荐个好东西：火山引擎的 PromptPilot。 之前看 Google 的提示词白皮书，有个点让我印象很深： 他们直接用 Google Doc 管理 prompt，写任务、版本、评估效果。 那时候我就在想，有没有人真把这事儿做成一套完整系统？ 现在看到火山这套，有点意思了。 它不只是“帮你写好提示词”，而是把这事儿当作工程问题来解的。 最打动我的，是它在 prompt 优化这件事上做得极其系统，甚至有点狠。 ✅ 从任务出发构造 prompt（带结构、带变量、不是拍脑袋） ✅ 每一版 prompt 都挂着独立评测集 + 自动评分机制 ✅ 没有理想答案也能比对打分（GSB 模式） ✅ 每轮迭代都能 trace 效果，版本可控、可回溯 我们之前做客服对话调 prompt，最常见的就是“改了一句，但说不上来到底有没有变好”。 很多时候上线的版本其实就是“看着还行就先上”。 现在它是：“打一套样本集，系统直接帮你跑出哪一版效果稳定”。 我一直坚持： 模型越强，对 prompt 的要求只会更高。 尤其是在多轮任务、复杂场景里，prompt 不只是“写得好”，而是“是否可控、可管理、可进化”。 PromptPilot 解决的，是这个底层问题。 它不仅能让 prompt 生出来，更重要是——能持续改下去。 版本有 trace，样本能评分，逻辑能反推，工具还能外接， 整个就是“prompt 的 AutoML + GitOps” 一体化工具链。 顺带说一句：这是 2025 火山引擎 FORCE 大会上刚发布的产品，免费版和 Plus 版都开放，9 月前能直接上手全功能体验。 现在市面上很多 prompt 工具做的是“编辑器 + 改写器”， 但你会发现，真正上线之后需要的是一整套治理机制。 PromptPilot 是我目前看到国内第一个跑通这个闭环的， 不是 fancy 的界面，而是认真在解决 prompt 系统演化能力这个问题。 如果你也在做 AI 应用落地，推荐你认真研究一下。 要说缺点：自定义模型没找到海外模型，差评！

凡人小北

95,078 views • 1 year ago

AI 最猛的一步，不是替你工作。 而是开始自己赚钱了。 刚看到一个开源项目 CashClaw，有点离谱。 它不是普通 AI 助手， 而是一个会自己找任务、自己报价、自己干活、自己交付、自己收款的 Agent。 你只要装上它、接好 LLM， 它就能自己评估任务、提交结果， 甚至把整套流程跑完。 更关键的是， 它不是做完就结束， 而是会从每一次任务和反馈里继续学习， 把经验变成下一次任务的能力。 这意味着一件事： 我们可能正在从“AI 提高效率”的阶段， 走向“AI 直接成为生产者”的阶段。 以前你雇人接单。 以后你可能是部署一个 Agent 去接单。 以前 AI 是工具。 现在 AI 开始像个微型公司。 一句话总结： AI 的下一场竞争， 不是谁更聪明， 而是谁先拥有能自己变现的 Agent。 更狠的是，CashClaw 还是开源的。 你甚至可以 fork 之后接到自己的客户和业务上， 把它变成你自己的赚钱系统。 如果这条路跑通， 很多人会第一次真正意识到： AI 不是在辅助工作， AI 是在进入劳动力市场。 你觉得下一波先被重构的， 会是自由职业、外包团队，还是 SaaS？
0:28

AI 最猛的一步，不是替你工作。 而是开始自己赚钱了。 刚看到一个开源项目 CashClaw，有点离谱。 它不是普通 AI 助手， 而是一个会自己找任务、自己报价、自己干活、自己交付、自己收款的 Agent。 你只要装上它、接好 LLM， 它就能自己评估任务、提交结果， 甚至把整套流程跑完。 更关键的是， 它不是做完就结束， 而是会从每一次任务和反馈里继续学习， 把经验变成下一次任务的能力。 这意味着一件事： 我们可能正在从“AI 提高效率”的阶段， 走向“AI 直接成为生产者”的阶段。 以前你雇人接单。 以后你可能是部署一个 Agent 去接单。 以前 AI 是工具。 现在 AI 开始像个微型公司。 一句话总结： AI 的下一场竞争， 不是谁更聪明， 而是谁先拥有能自己变现的 Agent。 更狠的是，CashClaw 还是开源的。 你甚至可以 fork 之后接到自己的客户和业务上， 把它变成你自己的赚钱系统。 如果这条路跑通， 很多人会第一次真正意识到： AI 不是在辅助工作， AI 是在进入劳动力市场。 你觉得下一波先被重构的， 会是自由职业、外包团队，还是 SaaS？

axiaisacat

29,514 views • 5 months ago

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
0:45

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

92,119 views • 4 days ago

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！
0:57

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

43,632 views • 4 days ago

AI 会写 HTML 之后，下一个被重做的行业可能就是视频。 HeyGen 开源了 HyperFrames： 不是用 React 做视频， 而是直接用 HTML 生成可渲染的视频。 对 AI agent 极其友好， 还能接 GSAP、Lottie、Three.js， 本地预览，直接导出 MP4。 一句话： 它正在把“做视频”变成“写 HTML”。 👇
0:46

AI 会写 HTML 之后，下一个被重做的行业可能就是视频。 HeyGen 开源了 HyperFrames： 不是用 React 做视频， 而是直接用 HTML 生成可渲染的视频。 对 AI agent 极其友好， 还能接 GSAP、Lottie、Three.js， 本地预览，直接导出 MP4。 一句话： 它正在把“做视频”变成“写 HTML”。 👇

axiaisacat

14,223 views • 4 months ago

谁懂啊！被蚊子🦟咬醒了！气坏我了！ ⸻ 《Integra 不是“房地产 + 区块链”，而是一条真的懂房地产的链》 很多项目喜欢给自己贴一个“某某赛道”的标签，但 integra. | Testnet Arc 不是那种在通用公链外面套一层房地产概念的项目。它从一开始，就是按“房地产这种东西，真正要怎么跑在链上”来设计的。 底层用 Cosmos SDK，加上 Ethermint，这个选择其实很清楚：确定性最终性、IBC、强安全性，同时还能直接跑 EVM。不是为了炫技术，而是因为现实资产本来就需要这些能力同时成立。 但 integra. | Testnet Arc 真正拉开差距的，不是性能，而是它对合规和市场结构的处理方式。在房地产里，身份、KYC、文件、验证不是可选项，而是前提条件。Integra 干脆把这些直接做成链上的基础能力，而不是后面再补的插件。谁能参与、资产是否合法、文件能不能被信任，这些问题不是靠外部系统兜底，而是链本身就能给出答案。 在这个基础上，才有真正的市场层：资产护照、全球订单簿，以及一个为合规参与方服务的原生稳定币，用来承接真实的美元流动。这不是在做“链上房产概念”，而是在尝试把现实世界的市场逻辑原样搬进来。 说到底，房地产本来就是法律、资本、身份和流动性纠缠在一起的东西。integra. | Testnet Arc 没有把这些拆开分别解决，而是直接把它们当成协议逻辑来对待。 从这个角度看，它选择做一条主权级的 Cosmos 链，其实很自然。不是因为它想做一条链，而是因为这件事，本来就需要一条真的懂房地产的链。 integra. | Testnet Arc Kaito AI 🌊 #Yap #KaitoYap #RWA #integra_layer
0:37

谁懂啊！被蚊子🦟咬醒了！气坏我了！ ⸻ 《Integra 不是“房地产 + 区块链”，而是一条真的懂房地产的链》 很多项目喜欢给自己贴一个“某某赛道”的标签，但 integra. | Testnet Arc 不是那种在通用公链外面套一层房地产概念的项目。它从一开始，就是按“房地产这种东西，真正要怎么跑在链上”来设计的。 底层用 Cosmos SDK，加上 Ethermint，这个选择其实很清楚：确定性最终性、IBC、强安全性，同时还能直接跑 EVM。不是为了炫技术，而是因为现实资产本来就需要这些能力同时成立。 但 integra. | Testnet Arc 真正拉开差距的，不是性能，而是它对合规和市场结构的处理方式。在房地产里，身份、KYC、文件、验证不是可选项，而是前提条件。Integra 干脆把这些直接做成链上的基础能力，而不是后面再补的插件。谁能参与、资产是否合法、文件能不能被信任，这些问题不是靠外部系统兜底，而是链本身就能给出答案。 在这个基础上，才有真正的市场层：资产护照、全球订单簿，以及一个为合规参与方服务的原生稳定币，用来承接真实的美元流动。这不是在做“链上房产概念”，而是在尝试把现实世界的市场逻辑原样搬进来。 说到底，房地产本来就是法律、资本、身份和流动性纠缠在一起的东西。integra. | Testnet Arc 没有把这些拆开分别解决，而是直接把它们当成协议逻辑来对待。 从这个角度看，它选择做一条主权级的 Cosmos 链，其实很自然。不是因为它想做一条链，而是因为这件事，本来就需要一条真的懂房地产的链。 integra. | Testnet Arc Kaito AI 🌊 #Yap #KaitoYap #RWA #integra_layer

董小姐

21,695 views • 7 months ago

昨天刷到个视频，image2杀死了比赛！ 现在真的能一句话让gpt-image2直接做出可以编辑的psd文件！ 我们群里好几个设计师为此感叹，天这会是真的要变了 以前要好好长时间做的工作，现在一句话就可以搞定，提质增效得不要不要的！ 操作步骤也是so easy： 先让 image-2 生成设计图，然后多轮对话调整，拆分分成若干图像，生成单独一个独立图像，需求进行精确收窄 差不多定稿后，让它直接分层生成png素材，最后整图拼合成 psd 文件！ 唰的一下，整个压缩包下载下来 最后，直接交付，或者 PhotoShop 里精调一下！！ perfect！！！ 不过，目前这个算是新东西，可能，现阶段生成的psd文件可能不会很精细，分层或许不太精确。 其未来可期，下一个版本迭代就不好说是什么样恐怖的存在了
1:18

昨天刷到个视频，image2杀死了比赛！ 现在真的能一句话让gpt-image2直接做出可以编辑的psd文件！ 我们群里好几个设计师为此感叹，天这会是真的要变了 以前要好好长时间做的工作，现在一句话就可以搞定，提质增效得不要不要的！ 操作步骤也是so easy： 先让 image-2 生成设计图，然后多轮对话调整，拆分分成若干图像，生成单独一个独立图像，需求进行精确收窄 差不多定稿后，让它直接分层生成png素材，最后整图拼合成 psd 文件！ 唰的一下，整个压缩包下载下来 最后，直接交付，或者 PhotoShop 里精调一下！！ perfect！！！ 不过，目前这个算是新东西，可能，现阶段生成的psd文件可能不会很精细，分层或许不太精确。 其未来可期，下一个版本迭代就不好说是什么样恐怖的存在了

Soran

74,128 views • 4 months ago

我用Codex重建了自己的知识库，发现一件事： 大多数人的Obsidian，本质上是个高级剪贴板。 笔记存进去，就再也没出来过。 问题不在工具，在于缺了一个会”思考”的中间层。 Codex的出现，补上了这个缺口。 它不是另一个AI聊天框，而是OpenAI专门为知识工作设计的编码代理——能读懂你的文件结构，能跨文档检索，能把零散的信息片段重新组织成有逻辑的输出。 接入Obsidian之后，发生了什么变化？ 以前：我记录一篇投资笔记，它就躺在某个文件夹里。 现在：Codex能跨越我三年积累的vault，把巴菲特笔记、行业分析、个人反思串联起来，给我一个没想到的视角。 这不是搜索，是知识的重新激活。 本教程会手把手带你完成三件事： 一、配置Codex读取本地Obsidian vault的权限和路径； 二、建立让AI真正”看懂”你笔记的文件命名与标签规范； 三、设计5个高频prompt模板，让Codex帮你做知识综合、生成MOC（内容地图）、以及输出可直接发布的内容草稿。 适合有Obsidian使用基础、对AI工作流感兴趣、但还没找到高效接入方式的知识工作者。 跟着视频做一遍，你的vault会第一次真正”活”起来。
13:22

我用Codex重建了自己的知识库，发现一件事： 大多数人的Obsidian，本质上是个高级剪贴板。 笔记存进去，就再也没出来过。 问题不在工具，在于缺了一个会”思考”的中间层。 Codex的出现，补上了这个缺口。 它不是另一个AI聊天框，而是OpenAI专门为知识工作设计的编码代理——能读懂你的文件结构，能跨文档检索，能把零散的信息片段重新组织成有逻辑的输出。 接入Obsidian之后，发生了什么变化？ 以前：我记录一篇投资笔记，它就躺在某个文件夹里。 现在：Codex能跨越我三年积累的vault，把巴菲特笔记、行业分析、个人反思串联起来，给我一个没想到的视角。 这不是搜索，是知识的重新激活。 本教程会手把手带你完成三件事： 一、配置Codex读取本地Obsidian vault的权限和路径； 二、建立让AI真正”看懂”你笔记的文件命名与标签规范； 三、设计5个高频prompt模板，让Codex帮你做知识综合、生成MOC（内容地图）、以及输出可直接发布的内容草稿。 适合有Obsidian使用基础、对AI工作流感兴趣、但还没找到高效接入方式的知识工作者。 跟着视频做一遍，你的vault会第一次真正”活”起来。

概率鹿梦｜DeerLucid

27,384 views • 2 months ago