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。

如何把你的 OpenClaw 调教成“顶级员工”？我的配置清单公开，很多人装了 OpenClaw 却只用来聊天，太浪费了。分享我生产环境的配置逻辑： 1、让他更懂你的团队不要只给系统提示词。我让他去读我团队的知识和团队成员的「职能说明书」（偏好/负责模块/沟通风格）它能像老同事一样，在群里根据 @对象自动切换语气和专业度。 2、闭环工作流配置定时任务：每周五自动抓取群聊关键词（“解决”、“工具”、“Bug”），生成结构化周报并推送至 Notion/飞书知识库知识库实现“零人工”实时更新。 3、多角色分身产研社：先分析需求，完善逻辑，再细分化处理，产品-设计-开发全流程爆款发动机：连接我的选题库，先分析再创作。

Paidax

13,439 subscribers

18,532 次观看 • 5 个月前 •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

0 条评论

暂无评论

原始帖子的评论将显示在这里

相关视频

能当同事的AI，真的来啦！这期视频我们一起实测3 个真实场景: 🛒 跨境电商: 从群聊整理新品 → 写回产品表 → 跨表分析销量, 自动盯库存 📊 ToB 销售: 不同成员的数据权限是否遵守 ,成功的客户经验能否存成团队 Skill 🍰 门店: 结合销售数据 + 知识库, 给新人出选品，补货建议，减少销售流程：飞书的多维表格智能体，让AI 从一个人的助手, 真正变成整个团队的同事章节划分： 00:00 AI同事真的来了 00:34 跨境电商：群聊与自动工作 04:09 销售团队：权限与经验沉淀 06:09 门店：知识库与经营建议 07:03 AI从助手变成团队同事

能当同事的AI，真的来啦！这期视频我们一起实测3 个真实场景: 🛒 跨境电商: 从群聊整理新品 → 写回产品表 → 跨表分析销量, 自动盯库存 📊 ToB 销售: 不同成员的数据权限是否遵守 ,成功的客户经验能否存成团队 Skill 🍰 门店: 结合销售数据 + 知识库, 给新人出选品，补货建议，减少销售流程：飞书的多维表格智能体，让AI 从一个人的助手, 真正变成整个团队的同事章节划分： 00:00 AI同事真的来了 00:34 跨境电商：群聊与自动工作 04:09 销售团队：权限与经验沉淀 06:09 门店：知识库与经营建议 07:03 AI从助手变成团队同事

木子不写代码

21,549 次观看 • 1 个月前

我发现！企业 AI 落地最自然的入口，可能是“知识库 + 工作群” 最近自己组了个GEO学习小组，明明都把链接学习资料都放群里了，但人遇到具体问题的时候，并不会打开知识库，从目录开始一页页翻。他只会在群里问一句： - GEO 新手第一步做什么？ - 官网内容很少，先改哪里？ - 品牌词没被 AI 搜到，怎么补？ - SEO 文章能不能直接改成 GEO 内容？ - ChatGPT / Perplexity 更容易引用什么样的页面？我早就把在 GEO 飞书知识库挂群里了。有些问题属于重复提问，有些是需要从知识库提取重点，再结合具体业务来回答。这都说明知识库离解决真实问题还有一段距离。我发现一个新产品 Lucius AI，能够把“知识库+IM”完美落地！我的做法很简单：把 GEO 飞书知识库、FAQ、执行清单、常见答疑口径接进去，再让它在飞书小群里做一个 AI 助教。 - 普通问题，它先按知识库回答。 - 需要诊断的问题，它先追问背景。 - 超出知识库的问题，它不会硬编，直接提示转人工。知识库以前更像一个仓库，东西都在里面，但要靠人自己进去找。接到 IM 之后，它就更像一个一直在线的小助教，站在真实对话现场，把知识拿出来用。这个形态其实很通用！ - 个人业务可以用在小社群、陪跑群、咨询服务、课程答疑。 - 企业内部可以用在员工手册、客服 SOP、产品 FAQ、销售口径、项目文档。 - 团队缺的是有人在大家提问的那一刻，把正确资料翻出来，并转成一句能执行的话。 Lucius AI 刚好连接知识库和实际业务的“最后一公里”

我发现！企业 AI 落地最自然的入口，可能是“知识库 + 工作群” 最近自己组了个GEO学习小组，明明都把链接学习资料都放群里了，但人遇到具体问题的时候，并不会打开知识库，从目录开始一页页翻。他只会在群里问一句： - GEO 新手第一步做什么？ - 官网内容很少，先改哪里？ - 品牌词没被 AI 搜到，怎么补？ - SEO 文章能不能直接改成 GEO 内容？ - ChatGPT / Perplexity 更容易引用什么样的页面？我早就把在 GEO 飞书知识库挂群里了。有些问题属于重复提问，有些是需要从知识库提取重点，再结合具体业务来回答。这都说明知识库离解决真实问题还有一段距离。我发现一个新产品 Lucius AI，能够把“知识库+IM”完美落地！我的做法很简单：把 GEO 飞书知识库、FAQ、执行清单、常见答疑口径接进去，再让它在飞书小群里做一个 AI 助教。 - 普通问题，它先按知识库回答。 - 需要诊断的问题，它先追问背景。 - 超出知识库的问题，它不会硬编，直接提示转人工。知识库以前更像一个仓库，东西都在里面，但要靠人自己进去找。接到 IM 之后，它就更像一个一直在线的小助教，站在真实对话现场，把知识拿出来用。这个形态其实很通用！ - 个人业务可以用在小社群、陪跑群、咨询服务、课程答疑。 - 企业内部可以用在员工手册、客服 SOP、产品 FAQ、销售口径、项目文档。 - 团队缺的是有人在大家提问的那一刻，把正确资料翻出来，并转成一句能执行的话。 Lucius AI 刚好连接知识库和实际业务的“最后一公里”

麻酱AI实验室

11,880 次观看 • 2 个月前

来了！从案例分析到提示词写作藏师傅手把手教你制作最火爆的 Veo3 AI视频不只教你如何用视频模型，还会教你用各种工具分析视频从而生成新的创意，给你提示词模板。让你从创意到生成全部自动化。甚至可以用来做视频 Agent 产品先谢谢各位的转发和赞，我们开始👇

来了！从案例分析到提示词写作藏师傅手把手教你制作最火爆的 Veo3 AI视频不只教你如何用视频模型，还会教你用各种工具分析视频从而生成新的创意，给你提示词模板。让你从创意到生成全部自动化。甚至可以用来做视频 Agent 产品先谢谢各位的转发和赞，我们开始👇

歸藏(guizang.ai)

144,348 次观看 • 1 年前

想认真做小红书个人号或者矩阵的朋友，这个 Skill 真的能帮你省掉 80% 的重复劳动。看了我的 AI 工作流分享以后，很多宝子问有没有小红书自动化运营的工具，我GitHub上找了下，这个还不错，说实话，我之前也以为所有小红书自动化工具都是垃圾，要么用两天就封号，要么复杂到要写几百行代码，要么就是个只能发文字的残废，直到我试了这个，最牛逼的是它的安全机制：完全不用小红书 API，全程用浏览器自动化模拟真人点击和输入。第一次扫码登录后，后续所有操作都和你自己手动点一模一样，目前是我见过封号风险最低的方案。而且它真的零代码，你不需要懂任何编程，只要对着你的龙虾或者 hermes 说一句话就行： • 帮我分析一下我的首页推荐流 • 帮我生成五个今天能发的选题 • 帮我复刻这篇爆款笔记 • 帮我回复一下最新的评论它全都能自己干完，最狠的是它不只是一个单纯的发稿工具，它还有一个完整的运营闭环：会分析你的账号数据、拆解别人爆款的结构、生成内容+封面、自动发布、自动回评，还会把所有分析结果和操作自动存成 Markdown 知识库，方便你后续复盘。安装也简单到离谱：打开 Openclaw，直接说 “帮我安装这个 skill 就完事了。仓库地址老规矩评论区自取鸭🦆

想认真做小红书个人号或者矩阵的朋友，这个 Skill 真的能帮你省掉 80% 的重复劳动。看了我的 AI 工作流分享以后，很多宝子问有没有小红书自动化运营的工具，我GitHub上找了下，这个还不错，说实话，我之前也以为所有小红书自动化工具都是垃圾，要么用两天就封号，要么复杂到要写几百行代码，要么就是个只能发文字的残废，直到我试了这个，最牛逼的是它的安全机制：完全不用小红书 API，全程用浏览器自动化模拟真人点击和输入。第一次扫码登录后，后续所有操作都和你自己手动点一模一样，目前是我见过封号风险最低的方案。而且它真的零代码，你不需要懂任何编程，只要对着你的龙虾或者 hermes 说一句话就行： • 帮我分析一下我的首页推荐流 • 帮我生成五个今天能发的选题 • 帮我复刻这篇爆款笔记 • 帮我回复一下最新的评论它全都能自己干完，最狠的是它不只是一个单纯的发稿工具，它还有一个完整的运营闭环：会分析你的账号数据、拆解别人爆款的结构、生成内容+封面、自动发布、自动回评，还会把所有分析结果和操作自动存成 Markdown 知识库，方便你后续复盘。安装也简单到离谱：打开 Openclaw，直接说 “帮我安装这个 skill 就完事了。仓库地址老规矩评论区自取鸭🦆

AYi

21,923 次观看 • 3 个月前

🚀提示词已死，Loop Engineering 已来！最近，AI 编程领域的 Loop Engineering（循环工程）概念引发了技术圈的广泛讨论。 Claude Code 负责人 Boris Cherny 在近期采访中，分享了团队内部正在发生的范式转变： 1. 从 Prompt 走向 Loop：他表示自己已不再直接编写提示词去调用 Claude，而是通过编写循环程序，让系统自动化、连续性地去提示和调教 AI。 2. 工程师的核心任务：未来开发者的核心竞争力不再是研究如何写出更好的提示词，而是转变为设计高效的自动化循环，让 AI 自主运行并解决问题。 3. 抽象层级的演进趋势：软件开发的技术抽象层次一直在向上提升，经历了从 Coding 到 Prompting，再到如今Looping 的演化。 4. 开发门槛的全面拉平：由于操作逻辑的简化，团队内部非技术背景的设计师、财务、高层管理等角色，目前都在通过构建循环程序来直接产出代码。正如他在采访中所言：我现在的工作，就是写循环！

🚀提示词已死，Loop Engineering 已来！最近，AI 编程领域的 Loop Engineering（循环工程）概念引发了技术圈的广泛讨论。 Claude Code 负责人 Boris Cherny 在近期采访中，分享了团队内部正在发生的范式转变： 1. 从 Prompt 走向 Loop：他表示自己已不再直接编写提示词去调用 Claude，而是通过编写循环程序，让系统自动化、连续性地去提示和调教 AI。 2. 工程师的核心任务：未来开发者的核心竞争力不再是研究如何写出更好的提示词，而是转变为设计高效的自动化循环，让 AI 自主运行并解决问题。 3. 抽象层级的演进趋势：软件开发的技术抽象层次一直在向上提升，经历了从 Coding 到 Prompting，再到如今Looping 的演化。 4. 开发门槛的全面拉平：由于操作逻辑的简化，团队内部非技术背景的设计师、财务、高层管理等角色，目前都在通过构建循环程序来直接产出代码。正如他在采访中所言：我现在的工作，就是写循环！

Lonely

66,131 次观看 • 2 个月前

Kuse Workflow：AI生成工作流操作简单，功能强大。能力覆盖n8n的全部能力，有丰富的应用生态。但使用比n8n简单的多的多，不需要接触复杂的节点配置，通过语言描述需求，AI就能自动创建稳定可复用的工作流。工作流支持定时执行，支持事件触发执行。下方视频是我的一个自动化工作流：每天早晨8点自动从Reddit AI相关板块采集用户对AI产品的吐槽和诉求，从中提炼AI产品的需求点，并且自动写到我的Notion文档里。

Kuse Workflow：AI生成工作流操作简单，功能强大。能力覆盖n8n的全部能力，有丰富的应用生态。但使用比n8n简单的多的多，不需要接触复杂的节点配置，通过语言描述需求，AI就能自动创建稳定可复用的工作流。工作流支持定时执行，支持事件触发执行。下方视频是我的一个自动化工作流：每天早晨8点自动从Reddit AI相关板块采集用户对AI产品的吐槽和诉求，从中提炼AI产品的需求点，并且自动写到我的Notion文档里。

Gorden Sun

10,144 次观看 • 2 个月前

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

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

沐阳

51,104 次观看 • 4 个月前

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：

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 次观看 • 18 天前

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

102,892 次观看 • 1 个月前

Anthropic 7 月 10 日发布了一场关于 Agent 基础设施的对谈。Claude 平台工程负责人 Katelyn Lesse、产品负责人 Angela Jiang 和产品经理 Jess Yann，分享了几个来自一线的观察。【Agent 的“脚手架”正在变薄】几个月前，搭建 Agent 往往需要写大量流程控制代码：先执行 A，满足条件再进入 B，遇到不同情况还要切换不同分支。流程越复杂，系统越容易出错。随着模型的推理和工具调用能力增强，这些编排层（harness）正在变薄。开发者不用再规定每一步，只需给出目标和基本边界，让模型自己决定怎么完成。与此同时，一种更高层的编排方式开始出现：让多个 Agent 同时解决一个问题，从中选出最佳方案；让一个 Agent 提方案，另一个负责挑错；或者在 Agent 卡住时，请另一个能力更强的 Agent 提供建议。重点正在从“控制每一步”，转向“设计 Agent 之间如何协作”。【衡量 Agent “投入产出比”（ROI，Return on Investment），先看一个人快了多少】 Angela 建议，企业不要一开始就规划上百个自动化流程，而应该先看一个具体的人：用了 Agent 之后，他的工作速度和产出提高了多少？验证有效后，再从个人推广到团队，最后才处理跨部门流程。前期重点看速度和生产力，等应用逐步成熟，再衡量收入、成本和用户指标。很多企业做 AI 转型时，喜欢先画一张宏大的自动化蓝图。问题是，流程涉及的部门越多、规则越复杂，落地阻力就越大。从个人开始，更容易看到效果，也更容易持续推进。【工程团队没消失，但每个人的角色都变了】 Katelyn 观察到，Anthropic 的工程团队和半年前相比，人员构成没有太大变化，但协作方式已经不同。过去通常由技术负责人决定架构，其他工程师领取任务、编写代码。现在，更多工程师会参与产品和架构决策，再分别指挥 Claude 完成具体工作。 Agent 的作用也不再只是“帮忙写代码”。她提到 Shopify 的 River 系统，已经把需求文档、开发环境、代码实现和 QA 测试串成了一套端到端的 Agent 工作流。【个体变强，不等于团队自然变好】 Agent 降低了开发和试错成本，也可能带来新的问题。过去，一个团队会先讨论十个方案中哪个最值得做。现在，每个人都可以快速做出十个原型，甚至全部上线，让市场决定谁胜出。这样做速度很快，但如果缺少统一方向，产品很容易无序扩张。Agent 能显著放大个人能力，却不会自动解决团队的协调、取舍和决策问题。来源：

Anthropic 7 月 10 日发布了一场关于 Agent 基础设施的对谈。Claude 平台工程负责人 Katelyn Lesse、产品负责人 Angela Jiang 和产品经理 Jess Yann，分享了几个来自一线的观察。【Agent 的“脚手架”正在变薄】几个月前，搭建 Agent 往往需要写大量流程控制代码：先执行 A，满足条件再进入 B，遇到不同情况还要切换不同分支。流程越复杂，系统越容易出错。随着模型的推理和工具调用能力增强，这些编排层（harness）正在变薄。开发者不用再规定每一步，只需给出目标和基本边界，让模型自己决定怎么完成。与此同时，一种更高层的编排方式开始出现：让多个 Agent 同时解决一个问题，从中选出最佳方案；让一个 Agent 提方案，另一个负责挑错；或者在 Agent 卡住时，请另一个能力更强的 Agent 提供建议。重点正在从“控制每一步”，转向“设计 Agent 之间如何协作”。【衡量 Agent “投入产出比”（ROI，Return on Investment），先看一个人快了多少】 Angela 建议，企业不要一开始就规划上百个自动化流程，而应该先看一个具体的人：用了 Agent 之后，他的工作速度和产出提高了多少？验证有效后，再从个人推广到团队，最后才处理跨部门流程。前期重点看速度和生产力，等应用逐步成熟，再衡量收入、成本和用户指标。很多企业做 AI 转型时，喜欢先画一张宏大的自动化蓝图。问题是，流程涉及的部门越多、规则越复杂，落地阻力就越大。从个人开始，更容易看到效果，也更容易持续推进。【工程团队没消失，但每个人的角色都变了】 Katelyn 观察到，Anthropic 的工程团队和半年前相比，人员构成没有太大变化，但协作方式已经不同。过去通常由技术负责人决定架构，其他工程师领取任务、编写代码。现在，更多工程师会参与产品和架构决策，再分别指挥 Claude 完成具体工作。 Agent 的作用也不再只是“帮忙写代码”。她提到 Shopify 的 River 系统，已经把需求文档、开发环境、代码实现和 QA 测试串成了一套端到端的 Agent 工作流。【个体变强，不等于团队自然变好】 Agent 降低了开发和试错成本，也可能带来新的问题。过去，一个团队会先讨论十个方案中哪个最值得做。现在，每个人都可以快速做出十个原型，甚至全部上线，让市场决定谁胜出。这样做速度很快，但如果缺少统一方向，产品很容易无序扩张。Agent 能显著放大个人能力，却不会自动解决团队的协调、取舍和决策问题。来源：

宝玉

67,350 次观看 • 1 个月前

简直太强悍了！飞书＋豆包，绝对是自媒体内容生产的王炸组合！！多模态豆包+飞书多维表，可塑性真的超级强！在飞书里获得Codex一般的体验！！我原本以为，飞书里的豆包只是一个聊天助手。结果它直接在飞书里，帮我搭出了一套能持续“自我进化”的内容生产系统。自动寻找爆款、拆解内容、沉淀方法、追踪热点、生成图文和视频、管理排期、复盘数据…… 一整套流程，它可以自己跑起来。 🔍 自动检索小红书、抖音等平台的热门内容 📊 自动提取标题、作者、互动数据并写入表格 🧠 拆解文案、节奏与内容结构，沉淀为爆款方法库 🔥 结合实时热点，自动筛选值得跟进的选题 ✍️ 调用已有方法论，批量生成图文或视频内容 🎨 通过 Seedream、Seedance 完成图片和视频生成 📅 统一管理内容修改、审核、排期与发布 📈 定期复盘发布数据，把优质内容重新写入知识库最关键的是：我几乎没有手动搭建！我只是把确定好的流程告诉“书包”，它就直接帮我创建了选题库、爆款案例库、方法论库、内容生产库和数据复盘库。整个工作台的使用方式也很简单。只需要告诉它：“帮我做几条关于某个方向的内容。” 最后交付给我的，已经不是一份“创作建议”，而是可以直接发布的成品。比如小红书，它会一次性给出标题、正文、配图（或视频）、话题标签、发布建议。我需要做的，只是确认内容，然后发布。如果接入不同的 Skill，还可以进一步控制文案风格、内容质量、视觉偏好和审核标准。内容发布以后，这套系统还会定期回收数据，分析点击、互动和转化表现。表现好的内容会被重新拆解，再次沉淀进案例库和方法库，继续影响下一轮创作。这样一来，整个工作台就形成了一个真正的内容闭环：发现爆款 → 拆解规律 → 沉淀方法 → 追踪热点 → 生成内容 → 发布管理 → 数据复盘 → 更新知识库用得越久，对你的账号、用户和内容偏好就越了解。豆包负责理解、生成和执行，飞书负责存储、管理、协作与复盘。这才是我理解的 AI 工作流：不需要每天从零开始写提示词，也不需要在好几个工具之间反复复制粘贴。你只需要给出目标。剩下的事情，它会按照流程一步一步做完。下面是我搭建这个工作台的思路！

简直太强悍了！飞书＋豆包，绝对是自媒体内容生产的王炸组合！！多模态豆包+飞书多维表，可塑性真的超级强！在飞书里获得Codex一般的体验！！我原本以为，飞书里的豆包只是一个聊天助手。结果它直接在飞书里，帮我搭出了一套能持续“自我进化”的内容生产系统。自动寻找爆款、拆解内容、沉淀方法、追踪热点、生成图文和视频、管理排期、复盘数据…… 一整套流程，它可以自己跑起来。 🔍 自动检索小红书、抖音等平台的热门内容 📊 自动提取标题、作者、互动数据并写入表格 🧠 拆解文案、节奏与内容结构，沉淀为爆款方法库 🔥 结合实时热点，自动筛选值得跟进的选题 ✍️ 调用已有方法论，批量生成图文或视频内容 🎨 通过 Seedream、Seedance 完成图片和视频生成 📅 统一管理内容修改、审核、排期与发布 📈 定期复盘发布数据，把优质内容重新写入知识库最关键的是：我几乎没有手动搭建！我只是把确定好的流程告诉“书包”，它就直接帮我创建了选题库、爆款案例库、方法论库、内容生产库和数据复盘库。整个工作台的使用方式也很简单。只需要告诉它：“帮我做几条关于某个方向的内容。” 最后交付给我的，已经不是一份“创作建议”，而是可以直接发布的成品。比如小红书，它会一次性给出标题、正文、配图（或视频）、话题标签、发布建议。我需要做的，只是确认内容，然后发布。如果接入不同的 Skill，还可以进一步控制文案风格、内容质量、视觉偏好和审核标准。内容发布以后，这套系统还会定期回收数据，分析点击、互动和转化表现。表现好的内容会被重新拆解，再次沉淀进案例库和方法库，继续影响下一轮创作。这样一来，整个工作台就形成了一个真正的内容闭环：发现爆款 → 拆解规律 → 沉淀方法 → 追踪热点 → 生成内容 → 发布管理 → 数据复盘 → 更新知识库用得越久，对你的账号、用户和内容偏好就越了解。豆包负责理解、生成和执行，飞书负责存储、管理、协作与复盘。这才是我理解的 AI 工作流：不需要每天从零开始写提示词，也不需要在好几个工具之间反复复制粘贴。你只需要给出目标。剩下的事情，它会按照流程一步一步做完。下面是我搭建这个工作台的思路！

沐阳

118,896 次观看 • 19 天前

最近发现一套不错的办公 skills - SenseNova Skills，已经 4.1k 个 stars 了。这是基于底座 SenseNova 智能体模型开发的一系列 skills，针对办公需求，专注帮 AI Agent 做 PPT 生成、信息图、可视化、Excel 分析等真实办公场景。我测试了两种常见需求，第一是自动生成高质量 PPT，sn-ppt-entry / sn-ppt-standard，我把英伟达最新一季的财报数据丢给它，让它去生成，几分钟就能出一份结构清晰、设计专业的 PPTX，连图表都自动做好。第二是生成信息图，sn-infographic，高质量信息图 / 技术分解图 / 产品可视化把最近很流行的事件：Nvidia 与 SK Hynix 达成多年合作的的新闻丢给它，直接生成出了类似下面这种很形象富有科技感的新闻信息图，感觉很不错。除了这两个需求，它还可以完成其他常见的办公需求： * Excel 数据分析：自动处理大文件、多 Sheet 分析、出图表 * 深度研究：完整研究报告生成我已经把它集成到自己的 Agent 工作流里了，OpenClaw Hermes 都可以，我是用的 Codex，有类似任务现在直接丢给 Agent 全自动搞定，需要的朋友们可以收藏备用下。

最近发现一套不错的办公 skills - SenseNova Skills，已经 4.1k 个 stars 了。这是基于底座 SenseNova 智能体模型开发的一系列 skills，针对办公需求，专注帮 AI Agent 做 PPT 生成、信息图、可视化、Excel 分析等真实办公场景。我测试了两种常见需求，第一是自动生成高质量 PPT，sn-ppt-entry / sn-ppt-standard，我把英伟达最新一季的财报数据丢给它，让它去生成，几分钟就能出一份结构清晰、设计专业的 PPTX，连图表都自动做好。第二是生成信息图，sn-infographic，高质量信息图 / 技术分解图 / 产品可视化把最近很流行的事件：Nvidia 与 SK Hynix 达成多年合作的的新闻丢给它，直接生成出了类似下面这种很形象富有科技感的新闻信息图，感觉很不错。除了这两个需求，它还可以完成其他常见的办公需求： * Excel 数据分析：自动处理大文件、多 Sheet 分析、出图表 * 深度研究：完整研究报告生成我已经把它集成到自己的 Agent 工作流里了，OpenClaw Hermes 都可以，我是用的 Codex，有类似任务现在直接丢给 Agent 全自动搞定，需要的朋友们可以收藏备用下。

Viking

28,025 次观看 • 2 个月前

🚨兄弟们！复合多 AI 智能体股票团队分析系统来了 oficcejo 开源的 aiagents-stock，用多个 AI 智能体模拟真实券商分析师团队，做 A 股全流程分析和决策。核心亮点： > 多 Agent 协作分析：技术、资金、风险、游资、板块等多角色并行讨论 > A 股深度适配：内置龙虎榜跟踪 + 板块轮动预警 + T+1 规则 > 批量分析 + 实时监测：支持多线程分析，关键点位自动触发警报（邮件/钉钉/飞书） > 完整闭环：分析 → 报告导出（PDF/Markdown）→ MiniQMT 量化交易接口 > 支持 DeepSeek 等模型自由切换，Streamlit 可视化界面 > Docker 一键部署，已有 B 站用户靠这个系统实盘操作对想用 AI 构建股票分析团队、做 A 股短线和板块策略的人来说，目前这是开源里最完整、最落地的多 Agent 股票分析系统之一。

🚨兄弟们！复合多 AI 智能体股票团队分析系统来了 oficcejo 开源的 aiagents-stock，用多个 AI 智能体模拟真实券商分析师团队，做 A 股全流程分析和决策。核心亮点： > 多 Agent 协作分析：技术、资金、风险、游资、板块等多角色并行讨论 > A 股深度适配：内置龙虎榜跟踪 + 板块轮动预警 + T+1 规则 > 批量分析 + 实时监测：支持多线程分析，关键点位自动触发警报（邮件/钉钉/飞书） > 完整闭环：分析 → 报告导出（PDF/Markdown）→ MiniQMT 量化交易接口 > 支持 DeepSeek 等模型自由切换，Streamlit 可视化界面 > Docker 一键部署，已有 B 站用户靠这个系统实盘操作对想用 AI 构建股票分析团队、做 A 股短线和板块策略的人来说，目前这是开源里最完整、最落地的多 Agent 股票分析系统之一。

爱吃折耳根的Ace

14,958 次观看 • 1 个月前

最近 Claude Cowork 让「桌面 Agent」赛道彻底爆火。阿里 Qoder 团队也迅速跟进，并秀了一波极限操作：团队仅用 5 个人，7 天时间，便打造了一款全新的桌面端 Agent 工具：QoderWork。用户无需任何复杂部署工作，只要简单输入一句话，它就能按需调用授权本地应用，完成文件整理、数据处理、文档生成等任务。其核心优势在于提供「双重保障」：一是主打本地执行，无需走云端传输，高效且安全；二是集成了全球顶尖 SOTA 模型，赋予它极强的意图识别与任务拆解能力。再配合内置的 MCP 工具，用户不仅能自定义扩展技能，更能实现工作流的全面自动化：比如让它自动清洗 Excel 数据，生成可视化报告；或者将长音频一键转成文案、小红书笔记。把数小时的工作缩短至分钟级。地址：

最近 Claude Cowork 让「桌面 Agent」赛道彻底爆火。阿里 Qoder 团队也迅速跟进，并秀了一波极限操作：团队仅用 5 个人，7 天时间，便打造了一款全新的桌面端 Agent 工具：QoderWork。用户无需任何复杂部署工作，只要简单输入一句话，它就能按需调用授权本地应用，完成文件整理、数据处理、文档生成等任务。其核心优势在于提供「双重保障」：一是主打本地执行，无需走云端传输，高效且安全；二是集成了全球顶尖 SOTA 模型，赋予它极强的意图识别与任务拆解能力。再配合内置的 MCP 工具，用户不仅能自定义扩展技能，更能实现工作流的全面自动化：比如让它自动清洗 Excel 数据，生成可视化报告；或者将长音频一键转成文案、小红书笔记。把数小时的工作缩短至分钟级。地址：

GitHubDaily

70,850 次观看 • 7 个月前

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

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

Berryxia.AI

89,175 次观看 • 3 个月前

OpenClaw正让传统视频制作团队感到威胁。整合了视频制作的AI工具Pexo，不再只是编辑片段，而是直接在你常用的聊天应用中完成整片制作。以前需要复杂软件和专业团队的事情，现在几乎零门槛，任何人都能在几分钟内完成。视频创作者们，这意味着你的竞争对手不再只是同行，还有数以万计的普通用户。

OpenClaw正让传统视频制作团队感到威胁。整合了视频制作的AI工具Pexo，不再只是编辑片段，而是直接在你常用的聊天应用中完成整片制作。以前需要复杂软件和专业团队的事情，现在几乎零门槛，任何人都能在几分钟内完成。视频创作者们，这意味着你的竞争对手不再只是同行，还有数以万计的普通用户。

Bill The Investor

19,104 次观看 • 5 个月前

最近我发现了一个使用 n8n + Scrapeless + Claude AI 搭建的自动化系统，值得跟大家分享一下。该系统每天帮我们筛选出几十个潜在客户，理论上能支撑一个 $30K+/月的 B2B 业务。在这个系统的工作流中，采用的是 Scrapeless 进行数据处理，它不仅能抓取 Google 数据，还能爬取指定网站并检索其子页面。目前 Scrapeless 已在 n8n 平台上正式集成，搜索并选择相关节点即可配置使用。工具地址：以下是完整工作流步骤： ✅ 全程无需复杂代码 ✅ 全自动评分 + 筛选 + 推送 1. 关键词搜索（Scrapeless Google）：用行业关键词（如「软件公司」）发起 Google 搜索 2. 处理搜索结果：用 n8n 的 Item Lists 节点逐一处理公司链接。 3. Scrapeless Crawl：提取每个公司网站的详细信息，确保数据全面。 4. 数据清洗 + 结构化：通过Code节点对爬取到的数据进行清洗和结构化。 5. Claude AI 打分分析：将清洗后的信息送进 Claude，分析并评分（如潜力评分、行业匹配度） 6. 线索筛选：利用 Filter 节点设定条件，只保留高评分、数据完整的客户。 7. 即时通知：配置 Discord 通知，团队第一时间接收到新线索推送。大家可通过最下方链接查看此工作流的详细教程，或者在 Scrapeless 的内置 playground 中进行测试。 Scrapeless 提供了多个核心工具，以帮助优化数据采集过程。其中，Deep SerpApi 支持 20 多种 Google SERP 类型，如 Google Search、Google Trends、Google 航班/酒店等。此外，基于自研 Chromium 内核的 Crawl 功能具有高度可定制化、会话管理和反检测隐身能力，支持进行大规模的单页及递归爬取。同时其验证码识别功能免费使用，能够大大节省成本。详细教程：

最近我发现了一个使用 n8n + Scrapeless + Claude AI 搭建的自动化系统，值得跟大家分享一下。该系统每天帮我们筛选出几十个潜在客户，理论上能支撑一个 $30K+/月的 B2B 业务。在这个系统的工作流中，采用的是 Scrapeless 进行数据处理，它不仅能抓取 Google 数据，还能爬取指定网站并检索其子页面。目前 Scrapeless 已在 n8n 平台上正式集成，搜索并选择相关节点即可配置使用。工具地址：以下是完整工作流步骤： ✅ 全程无需复杂代码 ✅ 全自动评分 + 筛选 + 推送 1. 关键词搜索（Scrapeless Google）：用行业关键词（如「软件公司」）发起 Google 搜索 2. 处理搜索结果：用 n8n 的 Item Lists 节点逐一处理公司链接。 3. Scrapeless Crawl：提取每个公司网站的详细信息，确保数据全面。 4. 数据清洗 + 结构化：通过Code节点对爬取到的数据进行清洗和结构化。 5. Claude AI 打分分析：将清洗后的信息送进 Claude，分析并评分（如潜力评分、行业匹配度） 6. 线索筛选：利用 Filter 节点设定条件，只保留高评分、数据完整的客户。 7. 即时通知：配置 Discord 通知，团队第一时间接收到新线索推送。大家可通过最下方链接查看此工作流的详细教程，或者在 Scrapeless 的内置 playground 中进行测试。 Scrapeless 提供了多个核心工具，以帮助优化数据采集过程。其中，Deep SerpApi 支持 20 多种 Google SERP 类型，如 Google Search、Google Trends、Google 航班/酒店等。此外，基于自研 Chromium 内核的 Crawl 功能具有高度可定制化、会话管理和反检测隐身能力，支持进行大规模的单页及递归爬取。同时其验证码识别功能免费使用，能够大大节省成本。详细教程：

GitHubDaily

73,758 次观看 • 1 年前

我靠，Understand Anything 这个开源项目有点东西。它把 LLM 和静态分析结合起来，自动扫描整个代码库，提取文件、函数、类和依赖关系，最终生成一个可交互的代码知识图谱。可以直接： 1、浏览代码结构和依赖关系 2、查看业务逻辑如何映射到代码 3、语义搜索“哪些模块处理身份验证” 4、自动生成架构学习路径 5、分析一次改动可能影响哪些模块 6、按架构层级对代码自动分组 7、Claude Code, Codex, Cursor, Copilot 等多种支持它的分析方式也很合理： Tree-sitter 负责提取 import、函数、类等确定性结构；LLM 负责生成摘要、架构归类和业务领域映射。内部还拆成了多个专业 Agent，分别负责项目扫描、文件分析、架构识别、业务建模、学习路径生成和图谱校验。最终生成的知识图谱可以保存成 JSON、提交到仓库，并支持增量更新，不需要每次重新分析整个项目。对 AI Coding 来说，这类工具的价值很可观：把复杂代码库转换成 Agent 可查询、可复用、可持续更新的结构化上下文。相比每次让 Agent 从头读代码，这更像是在给代码库建立一层长期记忆。

我靠，Understand Anything 这个开源项目有点东西。它把 LLM 和静态分析结合起来，自动扫描整个代码库，提取文件、函数、类和依赖关系，最终生成一个可交互的代码知识图谱。可以直接： 1、浏览代码结构和依赖关系 2、查看业务逻辑如何映射到代码 3、语义搜索“哪些模块处理身份验证” 4、自动生成架构学习路径 5、分析一次改动可能影响哪些模块 6、按架构层级对代码自动分组 7、Claude Code, Codex, Cursor, Copilot 等多种支持它的分析方式也很合理： Tree-sitter 负责提取 import、函数、类等确定性结构；LLM 负责生成摘要、架构归类和业务领域映射。内部还拆成了多个专业 Agent，分别负责项目扫描、文件分析、架构识别、业务建模、学习路径生成和图谱校验。最终生成的知识图谱可以保存成 JSON、提交到仓库，并支持增量更新，不需要每次重新分析整个项目。对 AI Coding 来说，这类工具的价值很可观：把复杂代码库转换成 Agent 可查询、可复用、可持续更新的结构化上下文。相比每次让 Agent 从头读代码，这更像是在给代码库建立一层长期记忆。

Vince 聊开发

11,664 次观看 • 2 个月前

Claude高级玩法：MCP多工具组合，自动化工作流搭建指南 | GitHub、SQLite、Fetch、Filesystem等在本期视频中，我介绍了多个MCP工具的实际使用案例。我们一起来看如何将GitHub、SQLite、Fetch等工具高效集成到项目中，探索它们的强大功能和实际应用场景。时间戳： 0:00 - MCP 快速入门 & 工具配置 3:59 - Fetch实战：网页内容抓取 & 多风格内容生成 5:20 - SQLite和Claude集成：100M+大数据分析 7:34 - GitHub集成：自动搜索 & 代码仓库管理 9:10 - CSV数据分析脚本创建 11:15 - 多工具协同：Puppeteer+GitHub自动化工作流

Claude高级玩法：MCP多工具组合，自动化工作流搭建指南 | GitHub、SQLite、Fetch、Filesystem等在本期视频中，我介绍了多个MCP工具的实际使用案例。我们一起来看如何将GitHub、SQLite、Fetch等工具高效集成到项目中，探索它们的强大功能和实际应用场景。时间戳： 0:00 - MCP 快速入门 & 工具配置 3:59 - Fetch实战：网页内容抓取 & 多风格内容生成 5:20 - SQLite和Claude集成：100M+大数据分析 7:34 - GitHub集成：自动搜索 & 代码仓库管理 9:10 - CSV数据分析脚本创建 11:15 - 多工具协同：Puppeteer+GitHub自动化工作流

nicekate

23,921 次观看 • 1 年前