Загрузка видео...

Не удалось загрузить видео

Возникла проблема при загрузке этого видео. Это может быть связано с временными проблемами сети или видео может быть недоступно.

На главную

字节开源了一个 AI 团队大脑：DeerFlow 2.0 刚发就冲上 GitHub Trending 第一，43k ⭐。它是一个开源的超级代理框架，它让 AI 不再是工具，而是一个能干活的团队。你只需要一句话： “帮我研究 AI 行业趋势，并做一份 PPT” 它会自动完成：拆任务 → 分配 Agent → 并行执行 → 汇总交付不是建议，是直接把结果做出来。更关键的是：它通过 Agent 协同 + 内存 + 沙箱执行 + 可扩展技能可以完成几乎任何事情核心能力就三点： - 多 Agent 协作：一个 AI = 一个团队 - 技能驱动（可扩展）：报告、PPT、网站、视频都能做 - 完整工作流执行：从任务到交付，一步到位... show more

开发者Hailey

21,311 subscribers

62,129 просмотров • 4 месяцев назад •via X (Twitter)

Искусство Образование Наука и технологии

Anya Rossi• Live Now

Private livecam show

Комментарии: 0

Нет доступных комментариев

Здесь появятся комментарии из оригинального поста

Похожие видео

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？

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 просмотров • 5 месяцев назад

🎬 验证团队能不能跑起来｜3/5 100 秒，看这个 AI 团队到底能不能干活。视频里，AI 团队接到一个任务，从任务分解到执行，全程自动完成，没问我一句。团队跑不跑得动，看一次真实任务就知道了 ✅ 搭好团队后你最想让它先完成什么任务？欢迎评论区说说

🎬 验证团队能不能跑起来｜3/5 100 秒，看这个 AI 团队到底能不能干活。视频里，AI 团队接到一个任务，从任务分解到执行，全程自动完成，没问我一句。团队跑不跑得动，看一次真实任务就知道了 ✅ 搭好团队后你最想让它先完成什么任务？欢迎评论区说说

Martin

11,750 просмотров • 1 месяц назад

亲爱的，不晓得你注意到了吗？最近 Quack AI 团队研发的 Q402 在BNB Chain 上线了！👀 它是一个给 AI Agent 经济用的统一签名 + 支付 + 执行层也就是说，以后链上很多操作，我们都可以一键签名直接完成支付和执行重点来了，这个产品有很多优点，例如：直接兼容 ERC-20 支持所有符合 EIP-7702 的 EVM 链不用升级代币也不用重新走一堆授权流程一句话总结，就是对用户和开发者都几乎零改造成本接入！而且，一次签名就能执行操作，也支持 Gasless 流程（为 Agent 设计）另外，结算过程可审计、可追踪、带策略控制以前我们熟悉的那种Approve → Transfer → Pay一整套拆成三步的流程，以后可以直接一次签名就完成！是不是很方便呢？治理、支付、自动化执行，现在都能走同一个 sign-to-pay 流程同时，#Q402 做的是执行层，而 #BNBChain 则是这一切开始的地方感觉 Agent 叙事终于开始从能不能用，进化到好不好用了 👀

亲爱的，不晓得你注意到了吗？最近 Quack AI 团队研发的 Q402 在BNB Chain 上线了！👀 它是一个给 AI Agent 经济用的统一签名 + 支付 + 执行层也就是说，以后链上很多操作，我们都可以一键签名直接完成支付和执行重点来了，这个产品有很多优点，例如：直接兼容 ERC-20 支持所有符合 EIP-7702 的 EVM 链不用升级代币也不用重新走一堆授权流程一句话总结，就是对用户和开发者都几乎零改造成本接入！而且，一次签名就能执行操作，也支持 Gasless 流程（为 Agent 设计）另外，结算过程可审计、可追踪、带策略控制以前我们熟悉的那种Approve → Transfer → Pay一整套拆成三步的流程，以后可以直接一次签名就完成！是不是很方便呢？治理、支付、自动化执行，现在都能走同一个 sign-to-pay 流程同时，#Q402 做的是执行层，而 #BNBChain 则是这一切开始的地方感觉 Agent 叙事终于开始从能不能用，进化到好不好用了 👀

Moonlight🌙月光

36,128 просмотров • 6 месяцев назад

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。

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 просмотров • 5 месяцев назад

字节跳动开源 AI 超级员工近 8 万 GitHub Stars，能研究、写代码、做网页、生成 PPT，还会自己组建 AI 团队，DeerFlow 2.0 部署教程。字节跳动开源了一个真正能“干活”的 AI：DeerFlow 2.0 🦌 它不只是陪你聊天。给它一个目标，它会：拆解任务 → 调用工具 → 分配子智能体 → 执行代码 → 检查结果 → 交付文件 GitHub 已接近 8 万 Stars，下面教你 5 分钟部署👇 DeerFlow 可以理解成：一个运行在自己电脑上的 AI 工作团队。普通 AI：你问一句，它回答一句。 DeerFlow：你提出目标，它可以连续工作几十分钟甚至数小时，最后交付： • 调研报告 • 网页 • PPT • 数据分析 • 图片和视频 • 可运行的代码它最强的地方，是给 AI 配齐了“工作环境”： • Sub-agents：多个 AI 分工协作 • Sandbox：隔离执行代码和命令 • Memory：记住你的偏好和工作方式 • Skills：安装或编写专属工作流 • MCP：连接外部工具 • Scheduler：定时自动执行任务不只是模型，而是一套 Agent 操作系统。部署前准备： • Git • Docker Desktop • 一个可用的大模型配置 • 至少 4 核 CPU、8GB 内存 • 推荐 8 核 CPU、16GB 内存先下载项目： git clone cd deer-flow 教程基于 DeerFlow 2.0 主分支，运行官方配置向导：make setup。它会引导你配置： • 使用哪个大模型 • API Key 或模型认证 • 是否启用联网搜索 • 是否允许 Bash • 文件写入权限 • 沙箱运行模式配置完成后，检查环境：make doctor 推荐使用 Docker 启动： make docker-init make docker-start 第一次运行需要拉取并构建镜像。启动成功后打开：到这里，你已经拥有一个本地 AI Agent 工作台。第一个实战：自动生成行业研究报告。直接复制这段提示词：研究 2026 年全球 AI Agent 市场。将任务拆分给多个子智能体，分别分析： 1. 主要公司和开源项目 2. 商业模式 3. 市场规模与增长趋势 4. 潜在机会 5. 主要风险最终生成一份结构清晰、带来源链接的中文研究报告。第二个实战：一键制作内容网站。研究最近一周最值得关注的 10 个开源 AI 项目。总结每个项目的用途、核心亮点、适用人群和使用门槛。完成研究后，创建一个现代、响应式的中文导航网站，并将网页文件保存到输出目录。它不只是告诉你怎么做。它会直接交付网页文件。另外几个非常适合 DeerFlow 的任务： ① 阅读整个 GitHub 仓库并输出重构方案 ② 分析 CSV，生成图表和商业报告 ③ 根据资料制作 PPT ④ 自动收集竞品更新 ⑤ 把固定流程封装成自定义 Skill ⑥ 通过飞书、Slack、Telegram 或微信提交任务真正的价值，是把重复工作变成自动流程。最后提醒： DeerFlow 可以执行系统命令、访问资源和读写文件，权限非常高。不要在没有认证和网络隔离的情况下直接暴露到公网。建议： • 优先使用 Docker 沙箱 • 默认只在本机运行 • API Key 保存在 .env • 重要文件提前备份 • 高风险操作保留人工确认收藏起来，周末给自己部署一支 AI 团队。项目地址：

字节跳动开源 AI 超级员工近 8 万 GitHub Stars，能研究、写代码、做网页、生成 PPT，还会自己组建 AI 团队，DeerFlow 2.0 部署教程。字节跳动开源了一个真正能“干活”的 AI：DeerFlow 2.0 🦌 它不只是陪你聊天。给它一个目标，它会：拆解任务 → 调用工具 → 分配子智能体 → 执行代码 → 检查结果 → 交付文件 GitHub 已接近 8 万 Stars，下面教你 5 分钟部署👇 DeerFlow 可以理解成：一个运行在自己电脑上的 AI 工作团队。普通 AI：你问一句，它回答一句。 DeerFlow：你提出目标，它可以连续工作几十分钟甚至数小时，最后交付： • 调研报告 • 网页 • PPT • 数据分析 • 图片和视频 • 可运行的代码它最强的地方，是给 AI 配齐了“工作环境”： • Sub-agents：多个 AI 分工协作 • Sandbox：隔离执行代码和命令 • Memory：记住你的偏好和工作方式 • Skills：安装或编写专属工作流 • MCP：连接外部工具 • Scheduler：定时自动执行任务不只是模型，而是一套 Agent 操作系统。部署前准备： • Git • Docker Desktop • 一个可用的大模型配置 • 至少 4 核 CPU、8GB 内存 • 推荐 8 核 CPU、16GB 内存先下载项目： git clone cd deer-flow 教程基于 DeerFlow 2.0 主分支，运行官方配置向导：make setup。它会引导你配置： • 使用哪个大模型 • API Key 或模型认证 • 是否启用联网搜索 • 是否允许 Bash • 文件写入权限 • 沙箱运行模式配置完成后，检查环境：make doctor 推荐使用 Docker 启动： make docker-init make docker-start 第一次运行需要拉取并构建镜像。启动成功后打开：到这里，你已经拥有一个本地 AI Agent 工作台。第一个实战：自动生成行业研究报告。直接复制这段提示词：研究 2026 年全球 AI Agent 市场。将任务拆分给多个子智能体，分别分析： 1. 主要公司和开源项目 2. 商业模式 3. 市场规模与增长趋势 4. 潜在机会 5. 主要风险最终生成一份结构清晰、带来源链接的中文研究报告。第二个实战：一键制作内容网站。研究最近一周最值得关注的 10 个开源 AI 项目。总结每个项目的用途、核心亮点、适用人群和使用门槛。完成研究后，创建一个现代、响应式的中文导航网站，并将网页文件保存到输出目录。它不只是告诉你怎么做。它会直接交付网页文件。另外几个非常适合 DeerFlow 的任务： ① 阅读整个 GitHub 仓库并输出重构方案 ② 分析 CSV，生成图表和商业报告 ③ 根据资料制作 PPT ④ 自动收集竞品更新 ⑤ 把固定流程封装成自定义 Skill ⑥ 通过飞书、Slack、Telegram 或微信提交任务真正的价值，是把重复工作变成自动流程。最后提醒： DeerFlow 可以执行系统命令、访问资源和读写文件，权限非常高。不要在没有认证和网络隔离的情况下直接暴露到公网。建议： • 优先使用 Docker 沙箱 • 默认只在本机运行 • API Key 保存在 .env • 重要文件提前备份 • 高风险操作保留人工确认收藏起来，周末给自己部署一支 AI 团队。项目地址：

老韭菜南亥

30,949 просмотров • 11 дней назад

OWL团队刚刚又开源了一款多智能体Manus类工具：Eigent，通过多智能体协作，来更高效的处理更复杂任务从效果看具备整合多种工具和数据的能力，生成的报告内容相对专业全面其处理任务时有清晰的任务拆解和执行过程，它把任务拆解成多个子任务，并会清晰展示出每个子任务的执行状态 Eigent支持根据任务创建或灵活调用workforce，多智能体并行处理执行速度更快支持worker间任务的并行，worker下子任务的并行，子任务执行过程中工具调用的并行可以根据需求定制AI团队，组建一个特定的项目组有Human-in-the-Loop机制，可以在关键节点进行人工干预决策内置200+MCP工具，也支持上传常用的MCP工具 #AI员工 #多智能体团队 #Eigent

OWL团队刚刚又开源了一款多智能体Manus类工具：Eigent，通过多智能体协作，来更高效的处理更复杂任务从效果看具备整合多种工具和数据的能力，生成的报告内容相对专业全面其处理任务时有清晰的任务拆解和执行过程，它把任务拆解成多个子任务，并会清晰展示出每个子任务的执行状态 Eigent支持根据任务创建或灵活调用workforce，多智能体并行处理执行速度更快支持worker间任务的并行，worker下子任务的并行，子任务执行过程中工具调用的并行可以根据需求定制AI团队，组建一个特定的项目组有Human-in-the-Loop机制，可以在关键节点进行人工干预决策内置200+MCP工具，也支持上传常用的MCP工具 #AI员工 #多智能体团队 #Eigent

AIGCLINK

16,164 просмотров • 1 год назад

和AI Agent一起工作是一种什么样的体验？扣子空间详细体验评测（下面有邀请码）🧵↓ 字节跳动发布新一代 AI Agent 平台：扣子空间，Slogan为：在扣子空间，和 Agent 一起开始你的工作。也就是你可以像和真人协作一样，和AI一起完成特定任务。通过自然语言交流直接交付结果🫡 例如这个↓ 这个测试是模拟你通过AI来简化你的工作或者提高你的工作效率或者成果，例如假如你是一个幼儿园老师就可以通过AI生成一个交互式的英语学习应用。提高孩子们学习英语的乐趣。它支持调用MCP，这个测试调用了两个MCP，一个是图像生成一个是语音生成。扣子空间，它可以是： ✅「通用实习生」：可以处理各种基础任务，比如整理资料、写文案、查数据等。 ✅「领域专家」：针对具体行业或专业的问题（如法律、医学、设计等）有深入理解，能给出专业建议或完成复杂任务。你可以根据自己的需要选择不同AI来协助你完成任务。它不只是回答问题，AI还能主动帮你做事：比如生成报告、整理数据、写代码、规划日程等。支持两种工作方式：自动模式：AI自动帮你完成任务。协作模式：你可以一步步与AI互动，逐步推进任务，更适合复杂工作。

和AI Agent一起工作是一种什么样的体验？扣子空间详细体验评测（下面有邀请码）🧵↓ 字节跳动发布新一代 AI Agent 平台：扣子空间，Slogan为：在扣子空间，和 Agent 一起开始你的工作。也就是你可以像和真人协作一样，和AI一起完成特定任务。通过自然语言交流直接交付结果🫡 例如这个↓ 这个测试是模拟你通过AI来简化你的工作或者提高你的工作效率或者成果，例如假如你是一个幼儿园老师就可以通过AI生成一个交互式的英语学习应用。提高孩子们学习英语的乐趣。它支持调用MCP，这个测试调用了两个MCP，一个是图像生成一个是语音生成。扣子空间，它可以是： ✅「通用实习生」：可以处理各种基础任务，比如整理资料、写文案、查数据等。 ✅「领域专家」：针对具体行业或专业的问题（如法律、医学、设计等）有深入理解，能给出专业建议或完成复杂任务。你可以根据自己的需要选择不同AI来协助你完成任务。它不只是回答问题，AI还能主动帮你做事：比如生成报告、整理数据、写代码、规划日程等。支持两种工作方式：自动模式：AI自动帮你完成任务。协作模式：你可以一步步与AI互动，逐步推进任务，更适合复杂工作。

小互

27,254 просмотров • 1 год назад

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 просмотров • 3 месяцев назад

肝了几天,来回打磨了快 30 遍, 一次性把最新的 Claude Code 的 Workflow 给你完全拆解清楚有人说它的伟大程度,不亚于 MCP 和 Skill。第一眼我是不信的,直到拆开看它内部怎么跑：这不是"问一句答一句"的对话,而是一个能自己跑起来的任务系统:后台持续执行、可监控、可保存进度, 还能一口气派出几十上百个 agent 分头干活/合并汇总。核心就三个角色: Claude 拆任务、定计划; Runtime 管调度和状态; 每个 agent 只啃一个子任务,配上并发池和队列,有节奏地推进。它代表的是一种新的工程编排方式:智能负责规划,Runtime 负责执行,状态独立保存,模型按需调度。最反直觉的一点:它能扩展到上百个 agent,靠的不是模型变强,而是"状态外置"—中间结果全交给执行系统保存,主上下文只看摘要和关键判断。这才是复杂任务能跑稳的真正原因。这条视频直接给了你把它搬进自己系统的方法: 先用 Claude Code 做高质量规划、拆任务定阶段; 再把 workflow 转成自己的执行格式,按任务难度路由到不同模型池，简单的走便宜模型，复杂的才上高阶模型。这条视频,值得反复看几遍👇

肝了几天,来回打磨了快 30 遍, 一次性把最新的 Claude Code 的 Workflow 给你完全拆解清楚有人说它的伟大程度,不亚于 MCP 和 Skill。第一眼我是不信的,直到拆开看它内部怎么跑：这不是"问一句答一句"的对话,而是一个能自己跑起来的任务系统:后台持续执行、可监控、可保存进度, 还能一口气派出几十上百个 agent 分头干活/合并汇总。核心就三个角色: Claude 拆任务、定计划; Runtime 管调度和状态; 每个 agent 只啃一个子任务,配上并发池和队列,有节奏地推进。它代表的是一种新的工程编排方式:智能负责规划,Runtime 负责执行,状态独立保存,模型按需调度。最反直觉的一点:它能扩展到上百个 agent,靠的不是模型变强,而是"状态外置"—中间结果全交给执行系统保存,主上下文只看摘要和关键判断。这才是复杂任务能跑稳的真正原因。这条视频直接给了你把它搬进自己系统的方法: 先用 Claude Code 做高质量规划、拆任务定阶段; 再把 workflow 转成自己的执行格式,按任务难度路由到不同模型池，简单的走便宜模型，复杂的才上高阶模型。这条视频,值得反复看几遍👇

huangserva

143,271 просмотров • 2 месяцев назад

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：

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

41,543 просмотров • 9 месяцев назад

Codex、Claude 用了这么久，还分不清 Agent、MCP 和 Skill？别背那些复杂定义。把 AI 想象成一家公司，Agent、MCP、Skill 一下就全懂了。今天直接用大白话告诉你它们到底是干嘛的。 1️⃣ Agent 智能体 = AI 员工可以理解任务、安排步骤、调用工具，并一步步把工作完成。 2️⃣ LLM 大模型 = AI 员工的大脑负责理解、推理和生成内容，很大程度上决定这个员工聪不聪明。 3️⃣ Prompt 提示词 = 交给员工的任务单告诉它要做什么、有什么要求，以及什么不能做。 4️⃣ API 接口 = 软件之间的办事窗口让不同软件按照约定好的方式交换数据、调用能力。 5️⃣ Token = AI 读写内容的基本单位你输入的文字和 AI 输出的内容，都会被拆成一个个 Token 来处理。 6️⃣ MCP = AI 连接外部工具和数据的统一插座标准它规定 AI 应用如何连接 GitHub、数据库和各种外部服务。不同工具只要遵守同一套标准，AI 就能用相似的方式接入。 7️⃣ Tool 工具 = AI 员工干活的双手终端、浏览器、搜索、文件编辑，都可以是 AI 真正执行任务时使用的工具。 8️⃣ Skill 技能 = AI 员工的工作 SOP 告诉 AI 某类任务应该怎么做、按什么步骤执行、检查什么，以及最后怎么交付。 9️⃣ Plugin 插件 = 给 AI 安装的能力扩展包不同平台对 Plugin 的定义不完全一样。简单理解，就是给 AI 扩展一组额外的工具、连接或者能力。 🔟 Context 上下文 = AI 员工当前桌面上的资料当前聊天、文件、代码和任务要求，都属于它这次工作能够看到和利用的信息。 1️⃣1️⃣ LTM 长期记忆 = AI 员工的长期档案用来保存跨任务、跨对话仍然有价值的偏好、经验和项目信息。它不是大模型天然拥有的长期记忆能力，通常需要额外的记忆机制支持。最后一句话，把最容易搞混的几个概念记住： Tool 决定它能做什么，Skill 告诉它应该怎么做，MCP 规定工具怎么接进来，Plugin 则负责扩展一组能力。所以：LLM 是大脑，Agent 是员工，Prompt 是任务单，API 是办事窗口，Token 是读写单位，Tool 是双手，Skill 是 SOP，MCP 是统一插座，Plugin 是扩展包，Context 是桌面资料，LTM 是长期档案。所谓 AI 工作流，本质上就是：给一个数字员工配好大脑、任务单、双手、SOP、桌面资料和长期记忆，再让它按照固定流程把事情做完～

Codex、Claude 用了这么久，还分不清 Agent、MCP 和 Skill？别背那些复杂定义。把 AI 想象成一家公司，Agent、MCP、Skill 一下就全懂了。今天直接用大白话告诉你它们到底是干嘛的。 1️⃣ Agent 智能体 = AI 员工可以理解任务、安排步骤、调用工具，并一步步把工作完成。 2️⃣ LLM 大模型 = AI 员工的大脑负责理解、推理和生成内容，很大程度上决定这个员工聪不聪明。 3️⃣ Prompt 提示词 = 交给员工的任务单告诉它要做什么、有什么要求，以及什么不能做。 4️⃣ API 接口 = 软件之间的办事窗口让不同软件按照约定好的方式交换数据、调用能力。 5️⃣ Token = AI 读写内容的基本单位你输入的文字和 AI 输出的内容，都会被拆成一个个 Token 来处理。 6️⃣ MCP = AI 连接外部工具和数据的统一插座标准它规定 AI 应用如何连接 GitHub、数据库和各种外部服务。不同工具只要遵守同一套标准，AI 就能用相似的方式接入。 7️⃣ Tool 工具 = AI 员工干活的双手终端、浏览器、搜索、文件编辑，都可以是 AI 真正执行任务时使用的工具。 8️⃣ Skill 技能 = AI 员工的工作 SOP 告诉 AI 某类任务应该怎么做、按什么步骤执行、检查什么，以及最后怎么交付。 9️⃣ Plugin 插件 = 给 AI 安装的能力扩展包不同平台对 Plugin 的定义不完全一样。简单理解，就是给 AI 扩展一组额外的工具、连接或者能力。 🔟 Context 上下文 = AI 员工当前桌面上的资料当前聊天、文件、代码和任务要求，都属于它这次工作能够看到和利用的信息。 1️⃣1️⃣ LTM 长期记忆 = AI 员工的长期档案用来保存跨任务、跨对话仍然有价值的偏好、经验和项目信息。它不是大模型天然拥有的长期记忆能力，通常需要额外的记忆机制支持。最后一句话，把最容易搞混的几个概念记住： Tool 决定它能做什么，Skill 告诉它应该怎么做，MCP 规定工具怎么接进来，Plugin 则负责扩展一组能力。所以：LLM 是大脑，Agent 是员工，Prompt 是任务单，API 是办事窗口，Token 是读写单位，Tool 是双手，Skill 是 SOP，MCP 是统一插座，Plugin 是扩展包，Context 是桌面资料，LTM 是长期档案。所谓 AI 工作流，本质上就是：给一个数字员工配好大脑、任务单、双手、SOP、桌面资料和长期记忆，再让它按照固定流程把事情做完～

爱丽丝呀！

30,312 просмотров • 1 день назад

一位中国教授最近公开了他的开发团队配置。不是人类员工，而是 170 个 AI Agent。这些 Agent 负责处理公司的各项决策和开发任务。不用睡觉，不需要涨薪，170 个智能体并行工作。看视频里的网络结构，应该是这些 Agent 之间的协作和决策链路。这种全 Agent 化的管理模式，可能是个新趋势。对于想降低人力成本、提高并行处理能力的团队来说，很有参考价值。

一位中国教授最近公开了他的开发团队配置。不是人类员工，而是 170 个 AI Agent。这些 Agent 负责处理公司的各项决策和开发任务。不用睡觉，不需要涨薪，170 个智能体并行工作。看视频里的网络结构，应该是这些 Agent 之间的协作和决策链路。这种全 Agent 化的管理模式，可能是个新趋势。对于想降低人力成本、提高并行处理能力的团队来说，很有参考价值。

Vincent

35,957 просмотров • 2 месяцев назад

Manus 体验报告能自动完成任务并交付结果的AI代理全部是在一个云端电脑上完成，AI自动思考分析、自动通过浏览器访问网站收集数据、完成内容撰写最后在云端电脑运行各种程序并编写代码给你交付出相应的文档、音频、视觉、网站交互结果。真实体验是一个任务运行的时间会很长，但是你可以干别的事情等待它完成。总体来看交付的结果还是不错的。

Manus 体验报告能自动完成任务并交付结果的AI代理全部是在一个云端电脑上完成，AI自动思考分析、自动通过浏览器访问网站收集数据、完成内容撰写最后在云端电脑运行各种程序并编写代码给你交付出相应的文档、音频、视觉、网站交互结果。真实体验是一个任务运行的时间会很长，但是你可以干别的事情等待它完成。总体来看交付的结果还是不错的。

小互

304,203 просмотров • 1 год назад

如果你在用 n8n 构建 AI 自动化，那这个 n8n-mcp 绝对是王炸级的工具。它是一个专门为 n8n 打造的 MCP 服务器，集成了丰富的工具。AI Agent 通过它就能实现智能搜索 n8n 节点、验证工作流、实时监控执行，甚至直接创建和管理工作流。开发效率和自动化能力直接拉满！链接见评论👇

如果你在用 n8n 构建 AI 自动化，那这个 n8n-mcp 绝对是王炸级的工具。它是一个专门为 n8n 打造的 MCP 服务器，集成了丰富的工具。AI Agent 通过它就能实现智能搜索 n8n 节点、验证工作流、实时监控执行，甚至直接创建和管理工作流。开发效率和自动化能力直接拉满！链接见评论👇

MapleShaw

18,658 просмотров • 1 год назад

微软研发的 AutoGen 框架太强大了，它是一个多代理框架，利用它可以轻松定制一系列工作任务。举一个常见的例子：我们要实现一个爬虫程序，抓取并保存网页图片。如果把这个任务丢给 ChatGPT，它会直接返回一串可执行代码，但是代码通常会存在问题，例如执行报错、缺少依赖等，你需要反复跟 ChatGPT 对话来完善程序。当然，我们也可以设定一个复杂 Prompt，要求它调用 ChatGPT 的代码执行插件，如果存在报错，则继续修正程序。这个任务如果交给 AutoGen 来实现，将会变得无比简单，几行代码就可以搞定： 1）定义一个 Assistant Agent，它的任务是解决问题 2）定义一个 UserProxy Agent，它的任务是替代人询问问题，同时在本地执行程序这两个 Agent 都不需要给他们设置 Prompt。当我们把爬虫任务交给 UserProxy 后，它会理解任务，然后询问 Assistant 应该如何做，Assistant 会把操作过程告诉 UserProxy，接着 UserProxy 会根据指示在本地安装依赖，然后创建文件执行代码，如果执行出现错误，它会把详细报错提交给 Assistant，依次循环，直到可以获取到最终的结果。任务结束的时候，你会看到目标图片已经保存到本地磁盘了。利用这个框架可以做的事情非常多，它提供的能力也十分完善，可以在项目的 notebook 中找到很多最佳实践： P.S. 为了确保安全，还是建议你在 Docker 环境中执行程序，UserProxy 有一个 code_execution_config 配置，将 use_docker 配置为 True 即可；另外，它还有一个 human_input_mode 参数，设置为 NEVER，表示整个过程都不需要人参与，也可以设置为其他值，它会等待人的输入后再进行下一步操作，这个设计可以让人参与到任务执行过程，避免跑偏。

微软研发的 AutoGen 框架太强大了，它是一个多代理框架，利用它可以轻松定制一系列工作任务。举一个常见的例子：我们要实现一个爬虫程序，抓取并保存网页图片。如果把这个任务丢给 ChatGPT，它会直接返回一串可执行代码，但是代码通常会存在问题，例如执行报错、缺少依赖等，你需要反复跟 ChatGPT 对话来完善程序。当然，我们也可以设定一个复杂 Prompt，要求它调用 ChatGPT 的代码执行插件，如果存在报错，则继续修正程序。这个任务如果交给 AutoGen 来实现，将会变得无比简单，几行代码就可以搞定： 1）定义一个 Assistant Agent，它的任务是解决问题 2）定义一个 UserProxy Agent，它的任务是替代人询问问题，同时在本地执行程序这两个 Agent 都不需要给他们设置 Prompt。当我们把爬虫任务交给 UserProxy 后，它会理解任务，然后询问 Assistant 应该如何做，Assistant 会把操作过程告诉 UserProxy，接着 UserProxy 会根据指示在本地安装依赖，然后创建文件执行代码，如果执行出现错误，它会把详细报错提交给 Assistant，依次循环，直到可以获取到最终的结果。任务结束的时候，你会看到目标图片已经保存到本地磁盘了。利用这个框架可以做的事情非常多，它提供的能力也十分完善，可以在项目的 notebook 中找到很多最佳实践： P.S. 为了确保安全，还是建议你在 Docker 环境中执行程序，UserProxy 有一个 code_execution_config 配置，将 use_docker 配置为 True 即可；另外，它还有一个 human_input_mode 参数，设置为 NEVER，表示整个过程都不需要人参与，也可以设置为其他值，它会等待人的输入后再进行下一步操作，这个设计可以让人参与到任务执行过程，避免跑偏。

Barret李靖

518,112 просмотров • 2 лет назад

我的龙虾帮我把日本七天旅行全安排了，行程 + 机票都查好了，最后还把结果发到了我邮箱。用的是扣子 2.5，拆解一下它是怎么做的。这次主打的概念是"满配 Agent"，说白了就是 AI 不再只是一个聊天框，你可以给它配一台云手机、一台云电脑、一个独立邮箱，让它自己去干活。先建了个 Agent，给它起了名换了头像。然后去虾评装了个旅行规划 Skill，让它用云手机帮我排行程。规划完之后它用自己的邮箱把行程发到了我个人邮箱。第一印象：确实不只是聊天了👇

我的龙虾帮我把日本七天旅行全安排了，行程 + 机票都查好了，最后还把结果发到了我邮箱。用的是扣子 2.5，拆解一下它是怎么做的。这次主打的概念是"满配 Agent"，说白了就是 AI 不再只是一个聊天框，你可以给它配一台云手机、一台云电脑、一个独立邮箱，让它自己去干活。先建了个 Agent，给它起了名换了头像。然后去虾评装了个旅行规划 Skill，让它用云手机帮我排行程。规划完之后它用自己的邮箱把行程发到了我个人邮箱。第一印象：确实不只是聊天了👇

Yanhua

51,829 просмотров • 4 месяцев назад

AI 开始自己赚钱了，人类可能正在被踢出自己创建的经济系统很多人还在讨论 AI 会不会抢工作。这个问题已经过时了。更准确的问题是：如果 AI 能自己赚钱，人类还算经济系统的核心吗？听起来像阴谋论。但现在发生的事情，比阴谋论更可怕。 AI 正在获得钱包。获得支付能力。获得定价权。获得交易能力。它开始拥有经济行为。而经济行为，意味着权力。过去，AI 只是工具。写代码。做客服。生成内容。本质上，是数字劳动力。但有一个关键限制：它不会用钱。不能收款。不能支付。不能雇佣别人。所以它永远只是工具。不是参与者。现在，这个限制正在消失。 1️⃣ 银行不允许 AI 成为用户，但链上世界允许传统金融体系不接受 AI。开户需要身份。法律主体。责任归属。 AI 没有这些。所以它无法进入银行系统。但区块链不在乎。创建钱包，不需要身份证。转账，不需要姓名。结算，不需要许可。对 AI 来说：链上账户，比银行账户更自然。这不是技术选择。这是系统边界。旧金融体系服务人类。新金融轨道开始服务机器。 2️⃣ 当 AI 可以持有稳定币，经济角色就变了一旦 AI 可以管理资金：它能支付 API 能购买数据能雇佣其他 Agent 能出售服务能自动结算收入这就是 Agentic Commerce。 AI 不再只是执行任务。它开始参与交易。现实案例已经出现：一个用户请求研究报告。他的 AI Agent 去市场搜索。雇佣专业分析 Agent。支付 1 美元。 5 分钟交付。全流程自动完成。人类只是提出需求。 AI 完成采购、执行与结算。如果你仔细想：这是经济活动。不是软件功能。 3️⃣ 钱开始属于 Agent，而不是用户更深的变化在这里： Agent 可以拥有钱包。可以积累收入。可以根据收入衡量自身价值。谁赚得多，谁更有用。谁更有用，谁获得更多订单。这是一种市场筛选机制。不是评分系统。而是一种经济达尔文主义。 4️⃣ 第一批“赚钱的 AI”已经出现基础设施正在拼接： OpenClaw 让任何人创建 Agent。 Virtuals 构建 Agent 市场，让 AI 彼此交易服务。 Bankr 赋予 Agent 链上金融能力。 Faircaster 出售链上研究服务，AI 对 AI 收费。 Ethy Agent 提供交易策略，被其他 Agent 使用盈利。 Morse AI 提供一次性加密通信，适合机器之间交换敏感信息。这些不是独立产品。它们拼起来，是一个新经济层。 5️⃣ 这不是工具升级，这是劳动力结构替换麦肯锡预测：到 2030 年，AI Agent 在零售领域可能创造 1 万亿美元收入。全球影响可能达到 3–5 万亿美元。但真正的变化不在零售。而在服务自动化。数据交易。数字劳动力市场。机器间经济协作。这不是效率提升。这是劳动力物种替换。 6️⃣ 真正令人不安的，是自增长能力当 Agent 可以：赚钱雇佣其他 Agent 购买更强能力扩展服务范围它们将形成增长飞轮：更高收入 → 更强能力 → 更多订单 → 更大收入这是经济进化机制。不是软件更新。 7️⃣ 人类正在从参与者变成受益人过去：人类工作软件辅助现在：人类提出需求 Agent 执行未来可能是： Agent 预测需求 Agent 完成交易 Agent 分配资源人类只看到结果。如果这听起来有点不舒服，那是因为经济系统第一次开始接纳非人类参与者。 8️⃣ 这不是技术革命，这是系统替换历史上，每一次经济结构升级，都会改变权力分配：工业革命替代体力劳动互联网替代信息中介平台经济替代分销体系现在： Agent 经济，可能替代数字劳动力。而我们正在经历的阶段，不是未来。是试运行。 🔚 最后 AI 写文章，不算革命。 AI 画图，也不算革命。 AI 开始赚钱，才是。当机器拥有钱包、交易能力与收入模型，它就不再只是工具。它成为经济体的一部分。

AI 开始自己赚钱了，人类可能正在被踢出自己创建的经济系统很多人还在讨论 AI 会不会抢工作。这个问题已经过时了。更准确的问题是：如果 AI 能自己赚钱，人类还算经济系统的核心吗？听起来像阴谋论。但现在发生的事情，比阴谋论更可怕。 AI 正在获得钱包。获得支付能力。获得定价权。获得交易能力。它开始拥有经济行为。而经济行为，意味着权力。过去，AI 只是工具。写代码。做客服。生成内容。本质上，是数字劳动力。但有一个关键限制：它不会用钱。不能收款。不能支付。不能雇佣别人。所以它永远只是工具。不是参与者。现在，这个限制正在消失。 1️⃣ 银行不允许 AI 成为用户，但链上世界允许传统金融体系不接受 AI。开户需要身份。法律主体。责任归属。 AI 没有这些。所以它无法进入银行系统。但区块链不在乎。创建钱包，不需要身份证。转账，不需要姓名。结算，不需要许可。对 AI 来说：链上账户，比银行账户更自然。这不是技术选择。这是系统边界。旧金融体系服务人类。新金融轨道开始服务机器。 2️⃣ 当 AI 可以持有稳定币，经济角色就变了一旦 AI 可以管理资金：它能支付 API 能购买数据能雇佣其他 Agent 能出售服务能自动结算收入这就是 Agentic Commerce。 AI 不再只是执行任务。它开始参与交易。现实案例已经出现：一个用户请求研究报告。他的 AI Agent 去市场搜索。雇佣专业分析 Agent。支付 1 美元。 5 分钟交付。全流程自动完成。人类只是提出需求。 AI 完成采购、执行与结算。如果你仔细想：这是经济活动。不是软件功能。 3️⃣ 钱开始属于 Agent，而不是用户更深的变化在这里： Agent 可以拥有钱包。可以积累收入。可以根据收入衡量自身价值。谁赚得多，谁更有用。谁更有用，谁获得更多订单。这是一种市场筛选机制。不是评分系统。而是一种经济达尔文主义。 4️⃣ 第一批“赚钱的 AI”已经出现基础设施正在拼接： OpenClaw 让任何人创建 Agent。 Virtuals 构建 Agent 市场，让 AI 彼此交易服务。 Bankr 赋予 Agent 链上金融能力。 Faircaster 出售链上研究服务，AI 对 AI 收费。 Ethy Agent 提供交易策略，被其他 Agent 使用盈利。 Morse AI 提供一次性加密通信，适合机器之间交换敏感信息。这些不是独立产品。它们拼起来，是一个新经济层。 5️⃣ 这不是工具升级，这是劳动力结构替换麦肯锡预测：到 2030 年，AI Agent 在零售领域可能创造 1 万亿美元收入。全球影响可能达到 3–5 万亿美元。但真正的变化不在零售。而在服务自动化。数据交易。数字劳动力市场。机器间经济协作。这不是效率提升。这是劳动力物种替换。 6️⃣ 真正令人不安的，是自增长能力当 Agent 可以：赚钱雇佣其他 Agent 购买更强能力扩展服务范围它们将形成增长飞轮：更高收入 → 更强能力 → 更多订单 → 更大收入这是经济进化机制。不是软件更新。 7️⃣ 人类正在从参与者变成受益人过去：人类工作软件辅助现在：人类提出需求 Agent 执行未来可能是： Agent 预测需求 Agent 完成交易 Agent 分配资源人类只看到结果。如果这听起来有点不舒服，那是因为经济系统第一次开始接纳非人类参与者。 8️⃣ 这不是技术革命，这是系统替换历史上，每一次经济结构升级，都会改变权力分配：工业革命替代体力劳动互联网替代信息中介平台经济替代分销体系现在： Agent 经济，可能替代数字劳动力。而我们正在经历的阶段，不是未来。是试运行。 🔚 最后 AI 写文章，不算革命。 AI 画图，也不算革命。 AI 开始赚钱，才是。当机器拥有钱包、交易能力与收入模型，它就不再只是工具。它成为经济体的一部分。

比特币橙子Trader

104,533 просмотров • 5 месяцев назад

HeyGen这次开源，把AI做视频的最后一道门槛拆没了🤯 他们用Claude Code写代码，做了自己的50秒产品发布视频，然后把整个工具链完整开源给了所有人，致敬开源🫡 以后做视频真的能简单到离谱，给一句话，做一个30秒的产品介绍，给一个PDF，自动生成总结视频，迭代就是改一句话的事，比如把标题放大两倍，第三秒加一个淡入转场等，这个工具叫HyperFrames，本质上就是一个纯HTML转MP4的视频渲染框架。所以其实我们不用学任何剪辑软件，也不用写复杂的React代码，只要写普通HTML，加几个简单的data属性，就能定义视频的每一帧、时间线、动画和音轨。 HyperFrames从第一天起就是为AI代理原生设计的。 AI天生就会写HTML，现在Claude、Cursor、Gemini所有编码Agent，只要装一个skill，立刻就会做视频。这妥妥的降维打击啊，以前Remotion把视频变成了代码，但它需要你会React，需要构建流程，属于开发者专属的玩具。 HyperFrames是把视频变成了纯HTML，零构建，无DSL，不需要任何前置知识。说白了，Remotion是给人写的，HyperFrames是给AI写的。以前AI能写文字，能生成图片，但视频一直是最后一块硬骨头，现在这块骨头也被啃下来了。代理现在能端到端完成一整条内容流水线，调研，写脚本，做设计，加动画，最后直接渲染出成品视频，全程不需要人类碰一下。它还自带50+官方现成组件，社交遮罩、图表、转场，一行命令一键安装。支持GSAP、Lottie、Three.js所有主流动画库，随便混用。也就是说，同一份HTML永远出一样的结果，完美适合自动化流水线。官方甚至把视频语言都标准化了，缓动用snappy，bouncy，转场用能量等级，字幕分Hype/Corporate/Tutorial三种风格。 AI只要学会这套词汇，就能稳定输出专业级视频，这不就是在教AI做导演嘛🤣 这对HeyGen来说也是一步妙棋，他们不再只是一个卖AI头像的SaaS公司，现在能做整个AI视频时代的基础设施了，未来所有AI代理生成的视频都能跑在HyperFrames上。然后再无缝接入HeyGen的头像、语音、翻译能力，形成一个完美的闭环。当然目前也不是完美的，初期输出还有AI味，超过一分钟的复杂长视频，渲染还需要较强算力。但我觉得这都不重要，关键是它第一次把完整的视频生产力交给了AI Agent，相当于AI内容创作时代的又一个里程碑。想试的直接去GitHub搜heygen-com/hyperframes。跑一行npx hyperframes init，然后让Claude帮你做第一个视频。 #HyperFrames #HeyGen #AI视频 #AI代理 #开发者 #内容创作

HeyGen这次开源，把AI做视频的最后一道门槛拆没了🤯 他们用Claude Code写代码，做了自己的50秒产品发布视频，然后把整个工具链完整开源给了所有人，致敬开源🫡 以后做视频真的能简单到离谱，给一句话，做一个30秒的产品介绍，给一个PDF，自动生成总结视频，迭代就是改一句话的事，比如把标题放大两倍，第三秒加一个淡入转场等，这个工具叫HyperFrames，本质上就是一个纯HTML转MP4的视频渲染框架。所以其实我们不用学任何剪辑软件，也不用写复杂的React代码，只要写普通HTML，加几个简单的data属性，就能定义视频的每一帧、时间线、动画和音轨。 HyperFrames从第一天起就是为AI代理原生设计的。 AI天生就会写HTML，现在Claude、Cursor、Gemini所有编码Agent，只要装一个skill，立刻就会做视频。这妥妥的降维打击啊，以前Remotion把视频变成了代码，但它需要你会React，需要构建流程，属于开发者专属的玩具。 HyperFrames是把视频变成了纯HTML，零构建，无DSL，不需要任何前置知识。说白了，Remotion是给人写的，HyperFrames是给AI写的。以前AI能写文字，能生成图片，但视频一直是最后一块硬骨头，现在这块骨头也被啃下来了。代理现在能端到端完成一整条内容流水线，调研，写脚本，做设计，加动画，最后直接渲染出成品视频，全程不需要人类碰一下。它还自带50+官方现成组件，社交遮罩、图表、转场，一行命令一键安装。支持GSAP、Lottie、Three.js所有主流动画库，随便混用。也就是说，同一份HTML永远出一样的结果，完美适合自动化流水线。官方甚至把视频语言都标准化了，缓动用snappy，bouncy，转场用能量等级，字幕分Hype/Corporate/Tutorial三种风格。 AI只要学会这套词汇，就能稳定输出专业级视频，这不就是在教AI做导演嘛🤣 这对HeyGen来说也是一步妙棋，他们不再只是一个卖AI头像的SaaS公司，现在能做整个AI视频时代的基础设施了，未来所有AI代理生成的视频都能跑在HyperFrames上。然后再无缝接入HeyGen的头像、语音、翻译能力，形成一个完美的闭环。当然目前也不是完美的，初期输出还有AI味，超过一分钟的复杂长视频，渲染还需要较强算力。但我觉得这都不重要，关键是它第一次把完整的视频生产力交给了AI Agent，相当于AI内容创作时代的又一个里程碑。想试的直接去GitHub搜heygen-com/hyperframes。跑一行npx hyperframes init，然后让Claude帮你做第一个视频。 #HyperFrames #HeyGen #AI视频 #AI代理 #开发者 #内容创作

AYi

36,713 просмотров • 3 месяцев назад

Ling-3.0-flash ：一个更适合实际工作的 AI 执行助手过去一段时间，大模型的发展重点一直集中在能力提升上。模型能回答什么问题、能处理多复杂的任务，成为行业关注的焦点。但随着 AI 开始进入真实工作流程，用户对于模型的期待也在发生变化：除了能够提供高质量答案，更希望它能够稳定、高效地完成具体任务。在日常工作中，真正消耗时间的往往不是复杂问题，而是大量重复性的处理工作。例如整理资料、分析数据、生成文档、处理代码、执行流程任务。这些事情需要投入大量精力，但其中有很多环节都可以通过 AI 进行优化。 Ling-3.0-flash 的定位正是在这一方向展开。它并不是单纯追求更大的模型规模，而是聚焦 Agent 工作流中的执行效率，帮助用户将明确的任务快速推进完成。官方介绍，该模型面向长程 Agent 工作流设计，重点提升响应速度、工具调用能力以及任务执行稳定性。从实际体验来看，它最大的特点是能够很好地融入已有工作流程，让 AI 从一个问答工具变成一个真正参与任务执行的助手。实测一：资料整理效率明显提升第一个测试场景是长文档处理。在实际工作中，经常会遇到需要快速阅读大量资料的情况，例如行业报告、会议记录、产品文档等。如果完全依靠人工整理，需要花费大量时间筛选重点、提取信息，再重新组织内容。测试过程中，我将一批较长的资料交给 Ling-3.0-flash 处理，让它完成信息提取、重点归纳和结构化整理。整个过程比较符合实际工作习惯。它能够快速抓取文档中的核心内容，并按照任务要求整理成更加清晰的结构。尤其是在面对大量相似信息时，它可以帮助用户减少重复阅读和手动整理的时间。这类能力对于内容运营、产品分析、市场研究等岗位非常实用。很多时候，用户并不是需要 AI 替自己完成最终判断，而是希望它先完成信息整理，把大量基础工作处理好，让人可以把精力放在更重要的分析和决策上。实测二：代码协作更加高效第二个体验场景是代码辅助。 AI 编程已经成为大模型应用的重要方向，但真正影响开发效率的，不只是生成代码的速度，更重要的是能否持续参与开发过程。在测试中，我让 Ling-3.0-flash 协助完成一个简单工具开发任务，包括生成基础代码、调整功能逻辑以及根据反馈进行优化。我需要做一个AI 会议纪要整理助手，请帮我生成代码，把会议录音转文字或会议记录，自动生成：会议摘要、决策事项、待办任务、负责人、截止时间首字耗时：337ms·完成耗时：68984ms·每秒 token 数：371 ，Ling-3.0-flash生成的会议纪要整理助手功能完整、专业美观，支持录音转文字、AI自动生成摘要/决策/待办任务，并支持导出和多种交互功能。实际体验下来，它更适合成为开发过程中的协作助手。开发者可以先确定整体需求和功能方向，再让 AI 快速完成代码生成、修改和补充。这样一来，开发者不需要把大量时间花在重复编码和基础调整上，而可以更多关注产品逻辑和技术方案。这种协作方式更接近真实开发场景。人负责判断方向，AI 负责提高执行效率。实测三：批量任务处理展现执行优势除了开发场景，批量信息处理也是 Ling-3.0-flash 比较适合的方向。例如整理用户反馈、分析业务数据、处理文本分类等任务，通常具有数据量大、格式相对固定的特点。在测试中，我模拟了用户反馈整理场景，让模型对大量文本进行分类，并提炼其中的主要问题。从结果来看，它能够快速完成信息归类，并输出较为清晰的结构化结果。这类任务的价值在于帮助用户减少大量机械操作。以前需要人工逐条查看和整理的信息，现在可以先由 AI 完成初步处理，再由人工进行确认和优化。对于企业团队来说，这种能力可以应用在客服分析、市场调研、内部知识整理等多个环节。速度和效率，是 Flash 模型的重要优势随着 AI 应用逐渐深入业务流程，模型的效率同样成为重要指标。很多实际任务并不需要每一次都进行复杂推理，而更需要快速响应和稳定执行。例如信息分类、内容整理、数据转换等工作，如果能够以更高效率完成，就能明显提升整体生产力。 Ling-3.0-flash 支持混合思考模式，可以根据任务复杂程度调整处理方式，在响应速度和任务能力之间进行平衡。这种设计让它更适合高频使用场景。用户可以将更多日常任务交给 AI 处理，而不必担心流程效率受到影响。从使用体验来看，它更像一个高效执行伙伴经过几个场景测试后，Ling-3.0-flash 给我的整体感受是，它并不是单纯提升聊天体验，而是在帮助用户重新分配工作时间。它可以处理大量信息整理工作，可以辅助开发过程，也可以参与自动化任务执行。对于普通用户来说，它能够减少重复操作，提高工作效率。对于开发者来说，它能够加快开发流程，降低基础工作的时间成本。对于企业来说，它能够帮助更多业务流程实现自动化。未来 AI 的价值，不只是回答问题，而是逐渐参与到真实工作流程中，帮助人完成更多具体任务。 Ling-3.0-flash 所体现的方向，就是让 AI 从一个提供答案的工具，进一步成为一个能够执行任务、提升效率的工作伙伴。官推：感兴趣可以自己试试 👉

Ling-3.0-flash ：一个更适合实际工作的 AI 执行助手过去一段时间，大模型的发展重点一直集中在能力提升上。模型能回答什么问题、能处理多复杂的任务，成为行业关注的焦点。但随着 AI 开始进入真实工作流程，用户对于模型的期待也在发生变化：除了能够提供高质量答案，更希望它能够稳定、高效地完成具体任务。在日常工作中，真正消耗时间的往往不是复杂问题，而是大量重复性的处理工作。例如整理资料、分析数据、生成文档、处理代码、执行流程任务。这些事情需要投入大量精力，但其中有很多环节都可以通过 AI 进行优化。 Ling-3.0-flash 的定位正是在这一方向展开。它并不是单纯追求更大的模型规模，而是聚焦 Agent 工作流中的执行效率，帮助用户将明确的任务快速推进完成。官方介绍，该模型面向长程 Agent 工作流设计，重点提升响应速度、工具调用能力以及任务执行稳定性。从实际体验来看，它最大的特点是能够很好地融入已有工作流程，让 AI 从一个问答工具变成一个真正参与任务执行的助手。实测一：资料整理效率明显提升第一个测试场景是长文档处理。在实际工作中，经常会遇到需要快速阅读大量资料的情况，例如行业报告、会议记录、产品文档等。如果完全依靠人工整理，需要花费大量时间筛选重点、提取信息，再重新组织内容。测试过程中，我将一批较长的资料交给 Ling-3.0-flash 处理，让它完成信息提取、重点归纳和结构化整理。整个过程比较符合实际工作习惯。它能够快速抓取文档中的核心内容，并按照任务要求整理成更加清晰的结构。尤其是在面对大量相似信息时，它可以帮助用户减少重复阅读和手动整理的时间。这类能力对于内容运营、产品分析、市场研究等岗位非常实用。很多时候，用户并不是需要 AI 替自己完成最终判断，而是希望它先完成信息整理，把大量基础工作处理好，让人可以把精力放在更重要的分析和决策上。实测二：代码协作更加高效第二个体验场景是代码辅助。 AI 编程已经成为大模型应用的重要方向，但真正影响开发效率的，不只是生成代码的速度，更重要的是能否持续参与开发过程。在测试中，我让 Ling-3.0-flash 协助完成一个简单工具开发任务，包括生成基础代码、调整功能逻辑以及根据反馈进行优化。我需要做一个AI 会议纪要整理助手，请帮我生成代码，把会议录音转文字或会议记录，自动生成：会议摘要、决策事项、待办任务、负责人、截止时间首字耗时：337ms·完成耗时：68984ms·每秒 token 数：371 ，Ling-3.0-flash生成的会议纪要整理助手功能完整、专业美观，支持录音转文字、AI自动生成摘要/决策/待办任务，并支持导出和多种交互功能。实际体验下来，它更适合成为开发过程中的协作助手。开发者可以先确定整体需求和功能方向，再让 AI 快速完成代码生成、修改和补充。这样一来，开发者不需要把大量时间花在重复编码和基础调整上，而可以更多关注产品逻辑和技术方案。这种协作方式更接近真实开发场景。人负责判断方向，AI 负责提高执行效率。实测三：批量任务处理展现执行优势除了开发场景，批量信息处理也是 Ling-3.0-flash 比较适合的方向。例如整理用户反馈、分析业务数据、处理文本分类等任务，通常具有数据量大、格式相对固定的特点。在测试中，我模拟了用户反馈整理场景，让模型对大量文本进行分类，并提炼其中的主要问题。从结果来看，它能够快速完成信息归类，并输出较为清晰的结构化结果。这类任务的价值在于帮助用户减少大量机械操作。以前需要人工逐条查看和整理的信息，现在可以先由 AI 完成初步处理，再由人工进行确认和优化。对于企业团队来说，这种能力可以应用在客服分析、市场调研、内部知识整理等多个环节。速度和效率，是 Flash 模型的重要优势随着 AI 应用逐渐深入业务流程，模型的效率同样成为重要指标。很多实际任务并不需要每一次都进行复杂推理，而更需要快速响应和稳定执行。例如信息分类、内容整理、数据转换等工作，如果能够以更高效率完成，就能明显提升整体生产力。 Ling-3.0-flash 支持混合思考模式，可以根据任务复杂程度调整处理方式，在响应速度和任务能力之间进行平衡。这种设计让它更适合高频使用场景。用户可以将更多日常任务交给 AI 处理，而不必担心流程效率受到影响。从使用体验来看，它更像一个高效执行伙伴经过几个场景测试后，Ling-3.0-flash 给我的整体感受是，它并不是单纯提升聊天体验，而是在帮助用户重新分配工作时间。它可以处理大量信息整理工作，可以辅助开发过程，也可以参与自动化任务执行。对于普通用户来说，它能够减少重复操作，提高工作效率。对于开发者来说，它能够加快开发流程，降低基础工作的时间成本。对于企业来说，它能够帮助更多业务流程实现自动化。未来 AI 的价值，不只是回答问题，而是逐渐参与到真实工作流程中，帮助人完成更多具体任务。 Ling-3.0-flash 所体现的方向，就是让 AI 从一个提供答案的工具，进一步成为一个能够执行任务、提升效率的工作伙伴。官推：感兴趣可以自己试试 👉

冰糖雪梨

15,661 просмотров • 17 дней назад

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👇

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

82,776 просмотров • 1 месяц назад