Video wird geladen...

Video konnte nicht geladen werden

Beim Laden dieses Videos ist ein Problem aufgetreten. Dies könnte an einem vorübergehenden Netzwerkproblem liegen oder das Video ist möglicherweise nicht verfügbar.

我把百灵大模型装进 Mac，接进了自己的自动化打狗meme系统如何让大模型全程不消耗云端 Token 额度，写作、编辑、报表和代码都在自己的电脑上完成？我把百灵大模型装进 Mac 后，给它出了一个和我工作直接相关的任务： “如果我有一些加密货币和美股策略，你能不能帮我做自动化监控和辅助决策？” 不到 5 分钟，它从空白开始拆出了数据源、信号生成、风险控制、执行监控和 Python 代码骨架。整个过程由 Ling-3.0-tiny-int4 在我的 M4 Mac mini 本地完成，没有调用云端模型。我没有停留在聊天演示：现在已经把它接入自己的自动化打狗系统，开始测试百灵 AI 的入场复核和影子决策能力。

DeFi狙击手 | Ai🕊️

52,511 subscribers

14,015 Aufrufe • vor 8 Tagen •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

0 Kommentare

Keine Kommentare verfügbar

Kommentare vom Original-Post werden hier angezeigt

Ähnliche Videos

发现个量化交易神器！QuantDinger 直接把量化交易的门槛砸碎了！ QuantDinger（量化丁格），你的私人 AI 量化操作系统，几天时间就在 GitHub 拿下 4.2k stars！这不是普通的交易工具，而是个具备自我进化能力的 AI 交易员： 🤖 AI 智能分析引擎国内外股市、期货、加密货币、外汇全支持 24 小时监控全球交易机会实时推送到手机，不错过任何机会 📊 全自动工作流 AI 自动分析市场 → 生成策略代码 → 自动回测根据历史收益、风险数据自动优化参数大模型帮你调参，让策略更稳定 💻 部署超简单 Docker 一键私有化本地部署两分钟就能跑起来不懂代码的小白也能快速上手 🔒 完全私有在你自己的服务器和自己的密钥上运行数据、策略全掌控支持实盘数据、多市场同时监控、智能风控... 搞量化交易的兄弟，这个必须试试！项目地址放评论区了👇

发现个量化交易神器！QuantDinger 直接把量化交易的门槛砸碎了！ QuantDinger（量化丁格），你的私人 AI 量化操作系统，几天时间就在 GitHub 拿下 4.2k stars！这不是普通的交易工具，而是个具备自我进化能力的 AI 交易员： 🤖 AI 智能分析引擎国内外股市、期货、加密货币、外汇全支持 24 小时监控全球交易机会实时推送到手机，不错过任何机会 📊 全自动工作流 AI 自动分析市场 → 生成策略代码 → 自动回测根据历史收益、风险数据自动优化参数大模型帮你调参，让策略更稳定 💻 部署超简单 Docker 一键私有化本地部署两分钟就能跑起来不懂代码的小白也能快速上手 🔒 完全私有在你自己的服务器和自己的密钥上运行数据、策略全掌控支持实盘数据、多市场同时监控、智能风控... 搞量化交易的兄弟，这个必须试试！项目地址放评论区了👇

Vincent

30,099 Aufrufe • vor 3 Monaten

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

103,052 Aufrufe • vor 1 Monat

Cognition发布首位AI软件工程师Devin，这个演示相当惊艳。 Devin 是一个自主Agents，它通过使用自己的 shell、代码编辑器和网络浏览器来解决工程任务。 Devin成功通过了知名人工智能公司的实际工程面试，甚至还在 Upwork 上完成了实际工作。 Devin 在无辅助情况下正确解决了 13.86% 的问题，远远超过了之前最先进模型 1.96% 的无辅助和 4.80% 的辅助性能。它可以学习如何使用不熟悉的技术，可以为成熟的生产资源库做出贡献，可以训练和微调自己的人工智能模型，甚至试着在 Upwork 上给 Devin 提供真实的工作，它也能完成。

Cognition发布首位AI软件工程师Devin，这个演示相当惊艳。 Devin 是一个自主Agents，它通过使用自己的 shell、代码编辑器和网络浏览器来解决工程任务。 Devin成功通过了知名人工智能公司的实际工程面试，甚至还在 Upwork 上完成了实际工作。 Devin 在无辅助情况下正确解决了 13.86% 的问题，远远超过了之前最先进模型 1.96% 的无辅助和 4.80% 的辅助性能。它可以学习如何使用不熟悉的技术，可以为成熟的生产资源库做出贡献，可以训练和微调自己的人工智能模型，甚至试着在 Upwork 上给 Devin 提供真实的工作，它也能完成。

歸藏(guizang.ai)

64,873 Aufrufe • vor 2 Jahren

我用一台24GB Mac，实现了“Token自由” 最近，我在一台24GB内存的M4 Mac mini上，本地部署了Qwen3.8-27B。不是缩水版，也不是调用云端API，而是： 😎Qwen3.8-27B完整模型 ☑️MLX 4-bit量化 ☑️MTP推测解码加速 ☑️支持文字、图片和思考模式 ☑️提供OpenAI兼容接口 ☑️所有对话完全在本机完成这套模型的主体大约15GB，MTP草稿模型约256MB，实际运行峰值内存约18.17GB。也就是说，一台24GB的Apple Silicon Mac，确实可以把27B级别的多模态模型装进口袋里。 / 我把上下文设置为8K、并发设置为1，并启用了MTP block size 3。在这台M4 Mac mini上的实测结果是：普通短回答约4.12 token/s MTP接受率较高时接近9.94 token/s 1:文字对话正常 2:图片识别正常 3:思考模式正常模型启动大约需要6～8秒它当然没有小模型那么快，也比不上云端服务器集群。但它有一个非常重要的优势：不再按Token付费。模型下载完成以后，即使断开网络也能继续运行。聊天记录、图片、文件和提示词都不需要离开自己的电脑。可以用它做翻译、总结、写作、代码分析、资料整理，也可以通过OpenAI兼容接口接入自己的工作流。浏览器只是一个聊天界面，并不是必需的。终端、桌面客户端或者自己编写的程序，都可以直接调用这个本地模型。我给它分配了独立目录、独立Python环境和独立端口，我主要为了千问和电脑里原有的百灵模型共存。只是24GB内存不适合同时加载两套大模型，使用时切换即可，不会影响原有模型文件。 #Token自由 #Qwen #MLX #MTP #AppleSilicon #MacMini #本地大模型 #AI部署

我用一台24GB Mac，实现了“Token自由” 最近，我在一台24GB内存的M4 Mac mini上，本地部署了Qwen3.8-27B。不是缩水版，也不是调用云端API，而是： 😎Qwen3.8-27B完整模型 ☑️MLX 4-bit量化 ☑️MTP推测解码加速 ☑️支持文字、图片和思考模式 ☑️提供OpenAI兼容接口 ☑️所有对话完全在本机完成这套模型的主体大约15GB，MTP草稿模型约256MB，实际运行峰值内存约18.17GB。也就是说，一台24GB的Apple Silicon Mac，确实可以把27B级别的多模态模型装进口袋里。 / 我把上下文设置为8K、并发设置为1，并启用了MTP block size 3。在这台M4 Mac mini上的实测结果是：普通短回答约4.12 token/s MTP接受率较高时接近9.94 token/s 1:文字对话正常 2:图片识别正常 3:思考模式正常模型启动大约需要6～8秒它当然没有小模型那么快，也比不上云端服务器集群。但它有一个非常重要的优势：不再按Token付费。模型下载完成以后，即使断开网络也能继续运行。聊天记录、图片、文件和提示词都不需要离开自己的电脑。可以用它做翻译、总结、写作、代码分析、资料整理，也可以通过OpenAI兼容接口接入自己的工作流。浏览器只是一个聊天界面，并不是必需的。终端、桌面客户端或者自己编写的程序，都可以直接调用这个本地模型。我给它分配了独立目录、独立Python环境和独立端口，我主要为了千问和电脑里原有的百灵模型共存。只是24GB内存不适合同时加载两套大模型，使用时切换即可，不会影响原有模型文件。 #Token自由 #Qwen #MLX #MTP #AppleSilicon #MacMini #本地大模型 #AI部署

DeFi狙击手 | Ai🕊️

35,975 Aufrufe • vor 11 Tagen

醒醒，APP的时代要翻篇了！大模型只是智商水平，OpenClaw才是进化大脑，不用等大模型出新版本，它自己就能把自己进化成一套系统。比起花几十万买个只能用1%功能的臃肿软件，这种能把业务线全拧成一股绳的工具才是真降维打击。

醒醒，APP的时代要翻篇了！大模型只是智商水平，OpenClaw才是进化大脑，不用等大模型出新版本，它自己就能把自己进化成一套系统。比起花几十万买个只能用1%功能的臃肿软件，这种能把业务线全拧成一股绳的工具才是真降维打击。

傅盛

36,571 Aufrufe • vor 6 Monaten

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 Aufrufe • vor 3 Monaten

做量化不一定非要有一整支团队。把几个开源项目组合起来，已经能搭出一套比较完整的 AI 量化工作流：从市场研究 → 策略生成 → 回测验证 → 交易执行。我目前重点看的几个： QuantDinger 10.3k star AI 量化操作系统。支持市场研究、自然语言生成策略、回测和交易执行，覆盖面比较广。 Freqtrade 53k star 加密货币自动化交易机器人。连接多交易所，策略执行和优化都比较成熟。 vnpy 44.3k star 中文量化里很核心的一个框架，适合股票、期货等市场的策略开发和实盘。 StockSharp 10.5k star 跨市场交易平台，支持股票、外汇、加密等，带策略开发和回测能力。 AI Trader 21.2k star 多 Agent 协作模式，不同角色分工研究、辩论和风控，模拟小型投研团队。 TradeMaster / FinRL 16k star 偏强化学习和策略训练，适合想让模型自己学习和进化的方向。这些项目组合后，大致能覆盖：研究分析 → 策略生成 → 回测验证 → 模拟/实盘执行它们并不能完全替代专业团队，但已经能让个人交易者拥有一套可运行的 AI 量化工作流。对想系统尝试 AI 量化的人来说，值得自己去搭建和验证。

做量化不一定非要有一整支团队。把几个开源项目组合起来，已经能搭出一套比较完整的 AI 量化工作流：从市场研究 → 策略生成 → 回测验证 → 交易执行。我目前重点看的几个： QuantDinger 10.3k star AI 量化操作系统。支持市场研究、自然语言生成策略、回测和交易执行，覆盖面比较广。 Freqtrade 53k star 加密货币自动化交易机器人。连接多交易所，策略执行和优化都比较成熟。 vnpy 44.3k star 中文量化里很核心的一个框架，适合股票、期货等市场的策略开发和实盘。 StockSharp 10.5k star 跨市场交易平台，支持股票、外汇、加密等，带策略开发和回测能力。 AI Trader 21.2k star 多 Agent 协作模式，不同角色分工研究、辩论和风控，模拟小型投研团队。 TradeMaster / FinRL 16k star 偏强化学习和策略训练，适合想让模型自己学习和进化的方向。这些项目组合后，大致能覆盖：研究分析 → 策略生成 → 回测验证 → 模拟/实盘执行它们并不能完全替代专业团队，但已经能让个人交易者拥有一套可运行的 AI 量化工作流。对想系统尝试 AI 量化的人来说，值得自己去搭建和验证。

爱吃折耳根的Ace

33,875 Aufrufe • vor 24 Tagen

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 Aufrufe • vor 3 Monaten

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👇

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 Aufrufe • vor 4 Monaten

对不起，我不是在用 AI，我是在开公司！看到 Kimi 2.5 的集群模式，我直接看呆了…… 以前是“一个模型干所有活”，现在是“模型现场帮我招员工” 只要跟它说你的需求，它会自动分身：有的负责调研，有的负责写代码，有的负责整合最高100个 Agent 并发处理！这种串行+平行的调度能力，以前想都不敢想 “一人公司”的时代真的来了吗唯一的缺点？贵现在的我只想大喊：友商们快跟进！早日实现“数字员工自由”！

对不起，我不是在用 AI，我是在开公司！看到 Kimi 2.5 的集群模式，我直接看呆了…… 以前是“一个模型干所有活”，现在是“模型现场帮我招员工” 只要跟它说你的需求，它会自动分身：有的负责调研，有的负责写代码，有的负责整合最高100个 Agent 并发处理！这种串行+平行的调度能力，以前想都不敢想 “一人公司”的时代真的来了吗唯一的缺点？贵现在的我只想大喊：友商们快跟进！早日实现“数字员工自由”！

XDmnnn不淡

50,270 Aufrufe • vor 5 Monaten

蚂蚁百灵刚刚发布了 Ling-3.0-flash：一个AI 执行层的关键拼图刚刚看到 Ling-3.0-flash 正式发布，我觉得这款模型值得认真关注。原因很简单：在 AI 工程越来越深入到实际业务的今天，大家早就不满足于模型“会不会想”了，更关键的是它“能不能持续做”。尤其是在 Agent 工作流中，需要高频调用工具、迭代代码、处理长程任务时，一个响应快、执行稳的执行引擎成了刚需。Ling-3.0-flash 的出现，正好瞄准了这个缺口。 1. Agent 的执行层从我的角度看，它最聪明的一点是没有去硬拼超大模型的深度推理能力，而是把自己定位成一个高速执行引擎——负责把已经规划好的任务快速落地。这在实际应用中特别实用，比如当大模型把方案设计好之后，剩下的代码生成、工具调用、批量处理就需要一个既快又稳的模型来接手。 2. 为什么它能兼顾速度和成本技术细节上，它采用 124B 参数的 MoE 架构，但实际激活参数约 5.1B，在推理速度和运行成本之间找平衡。它还支持混合推理模式：简单任务可以关闭 Reasoning，降低延迟，适合大批量处理；复杂任务则可以开启思考模式，保持逻辑连贯。原生支持 256K 上下文，对需要持续读取历史指令和项目状态的 Agent 工作流也很重要。 3.如何使用我觉得 Ling-3.0-flash 最适合做 Agent 工作流里的执行节点。反复调用 API 或 MCP 工具时，它能根据结构化错误信息自我诊断和修复，不容易在循环调试中卡死，因此适合放进 Loop 或 Graph 架构。 4.结对编程和批量任务结对编程是一个典型场景：人负责架构规划、边界定义和测试，Ling-3.0-flash 负责快速生成代码、调用工具、读取报错，并根据反馈持续修改。批量处理长文档、日志、简历和结构化数据时，它看重的也是速度、格式稳定性和成本控制。直播数字人或高频办公协作，则需要它的低延迟响应来减少体验断层。 5.边界当然，它不是万能模型。复杂系统不能只靠一句指令搞定；缺乏架构和测试环境时，结果可能跑偏；需要深度冷门知识的研究任务，还是更适合交给更大规模的推理模型。更合理的用法是：大模型负责搜索、规划和架构设计，把方案写成规范文档；Ling-3.0-flash 负责高频工具调用、代码执行和批量处理。总结：Ling-3.0-flash 不是来替代所有模型的，而是把 Agent 工作流里“执行层”这件事做得更快、更稳。大模型负责想清楚，它负责做出来。

蚂蚁百灵刚刚发布了 Ling-3.0-flash：一个AI 执行层的关键拼图刚刚看到 Ling-3.0-flash 正式发布，我觉得这款模型值得认真关注。原因很简单：在 AI 工程越来越深入到实际业务的今天，大家早就不满足于模型“会不会想”了，更关键的是它“能不能持续做”。尤其是在 Agent 工作流中，需要高频调用工具、迭代代码、处理长程任务时，一个响应快、执行稳的执行引擎成了刚需。Ling-3.0-flash 的出现，正好瞄准了这个缺口。 1. Agent 的执行层从我的角度看，它最聪明的一点是没有去硬拼超大模型的深度推理能力，而是把自己定位成一个高速执行引擎——负责把已经规划好的任务快速落地。这在实际应用中特别实用，比如当大模型把方案设计好之后，剩下的代码生成、工具调用、批量处理就需要一个既快又稳的模型来接手。 2. 为什么它能兼顾速度和成本技术细节上，它采用 124B 参数的 MoE 架构，但实际激活参数约 5.1B，在推理速度和运行成本之间找平衡。它还支持混合推理模式：简单任务可以关闭 Reasoning，降低延迟，适合大批量处理；复杂任务则可以开启思考模式，保持逻辑连贯。原生支持 256K 上下文，对需要持续读取历史指令和项目状态的 Agent 工作流也很重要。 3.如何使用我觉得 Ling-3.0-flash 最适合做 Agent 工作流里的执行节点。反复调用 API 或 MCP 工具时，它能根据结构化错误信息自我诊断和修复，不容易在循环调试中卡死，因此适合放进 Loop 或 Graph 架构。 4.结对编程和批量任务结对编程是一个典型场景：人负责架构规划、边界定义和测试，Ling-3.0-flash 负责快速生成代码、调用工具、读取报错，并根据反馈持续修改。批量处理长文档、日志、简历和结构化数据时，它看重的也是速度、格式稳定性和成本控制。直播数字人或高频办公协作，则需要它的低延迟响应来减少体验断层。 5.边界当然，它不是万能模型。复杂系统不能只靠一句指令搞定；缺乏架构和测试环境时，结果可能跑偏；需要深度冷门知识的研究任务，还是更适合交给更大规模的推理模型。更合理的用法是：大模型负责搜索、规划和架构设计，把方案写成规范文档；Ling-3.0-flash 负责高频工具调用、代码执行和批量处理。总结：Ling-3.0-flash 不是来替代所有模型的，而是把 Agent 工作流里“执行层”这件事做得更快、更稳。大模型负责想清楚，它负责做出来。

奶牛叔

66,157 Aufrufe • vor 1 Monat

👏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。

👏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 Aufrufe • vor 2 Monaten

普通人如何最低成本创建自己的量化交易？您只需要用最简单的方式就能创建自己的策略，从而24小时永不间断的去运行。关键是即使你的设备关机了它也能一直去运行下去，策略创建完成后进入Agent平台托管，除非你点击停止。那么这个时候就不用发愁配什么API key了，因为WalletV已经配备好了大模型（GPT、Qwen、minimax、Gemini、kimi、deepseek 这几个主流的大模型都有），也不发愁自己的主机风扇嗡嗡作响了。重点是现在跑策略不用自己掏 token 费用，官方暂时给兜底了，等于白嫖 AI 帮你自动交易，这确实良心哈哈。现在只要一部手机下载WalletV然后跟着下面我的视频进行操作，就能创建自己的Agent实现自动化的交易。狙击手的策略目前搬到WalletV正在进行测试中，我的策略是自己写的并且针对Qwen大模型去深度调试的，不过刚开始跑我拿了130U去跑的，等稳定了再增加仓位调整倍率等。对了资产是在自己创建的钱包里非常安全。狙击手始终认为AI Agent交易是普通人离量化最近的一步。想创建自己的策略兄弟们去看看吧：纯分享不是投资建议。

普通人如何最低成本创建自己的量化交易？您只需要用最简单的方式就能创建自己的策略，从而24小时永不间断的去运行。关键是即使你的设备关机了它也能一直去运行下去，策略创建完成后进入Agent平台托管，除非你点击停止。那么这个时候就不用发愁配什么API key了，因为WalletV已经配备好了大模型（GPT、Qwen、minimax、Gemini、kimi、deepseek 这几个主流的大模型都有），也不发愁自己的主机风扇嗡嗡作响了。重点是现在跑策略不用自己掏 token 费用，官方暂时给兜底了，等于白嫖 AI 帮你自动交易，这确实良心哈哈。现在只要一部手机下载WalletV然后跟着下面我的视频进行操作，就能创建自己的Agent实现自动化的交易。狙击手的策略目前搬到WalletV正在进行测试中，我的策略是自己写的并且针对Qwen大模型去深度调试的，不过刚开始跑我拿了130U去跑的，等稳定了再增加仓位调整倍率等。对了资产是在自己创建的钱包里非常安全。狙击手始终认为AI Agent交易是普通人离量化最近的一步。想创建自己的策略兄弟们去看看吧：纯分享不是投资建议。

DeFi狙击手 | Ai🕊️

23,272 Aufrufe • vor 1 Monat

50秒的视频--用CodeX尝试入门量化交易/AI交易以前量化交易门槛很高，普通人基本接触不到——不懂复杂的数学模型、不会写代码，很难上手现在有了Codex，你可以完全不懂代码了。配合微软开源的明星AI 量化平台--Qlib（GitHub 43k+星），从数据处理、因子挖掘到信号生成全流程都开源了这是我目前正在测试的玩法： ➤ Qlib —— 微软开源的 AI 量化全流程平台，能基于比特币历史数据自动挖掘因子、训练模型，输出多空预测信号 ➤ Moss MOSS —— 100%模拟 Hyperliquid 实盘环境。支持一句话生成 Agent实时测试，完全免费。还能每周自动进化策略，最近新增了更多币种，是验证自己交易策略最好的地方我现在只用 Codex ，结合 Qlib + Moss，完全接管我交易 Agent，所有策略制定、开仓平仓、仓位、杠杆、风控，全部基于 Qlib 生成的信号自主决策，并且实时跑在MOSS MOSS 中文的模拟盘上测试，真正 24/7 全自动运行 moss直达：具体提示词在下一条推文👇

50秒的视频--用CodeX尝试入门量化交易/AI交易以前量化交易门槛很高，普通人基本接触不到——不懂复杂的数学模型、不会写代码，很难上手现在有了Codex，你可以完全不懂代码了。配合微软开源的明星AI 量化平台--Qlib（GitHub 43k+星），从数据处理、因子挖掘到信号生成全流程都开源了这是我目前正在测试的玩法： ➤ Qlib —— 微软开源的 AI 量化全流程平台，能基于比特币历史数据自动挖掘因子、训练模型，输出多空预测信号 ➤ Moss MOSS —— 100%模拟 Hyperliquid 实盘环境。支持一句话生成 Agent实时测试，完全免费。还能每周自动进化策略，最近新增了更多币种，是验证自己交易策略最好的地方我现在只用 Codex ，结合 Qlib + Moss，完全接管我交易 Agent，所有策略制定、开仓平仓、仓位、杠杆、风控，全部基于 Qlib 生成的信号自主决策，并且实时跑在MOSS MOSS 中文的模拟盘上测试，真正 24/7 全自动运行 moss直达：具体提示词在下一条推文👇

梭哈.AI

26,346 Aufrufe • vor 3 Monaten

从国产SOTA走向世界SOTA? GLM-5.1 实测! 给大家带来 GLM-5.1 编程能力实测! 本次测试涵盖了前端, 后端, Agent 能力, 前端主要面向空间建模, 场景, 材质, 粒子效果等, 后端能力主要面向数据结构与算法, 体系结构, 性能优化, 内存和并发管理, 性能热点分析与调优, 面向编辑器方向的Agent能力(因为AI要自己改代码). 直接说结论, 本次测试前端方面粒子效果和光影鲜果略有提升, 剩下空间理解(甚至感觉下降了)和前端美学上没看到有什么提升, 只能说是提升了一点点. 但是后端性能上有巨大的提升, GLM-5.1 在我的 vector-db-bench 中直接秀了一手量化, 把原本32bit精度的数据量化到了8bit, 然后使用SIMD实现了一个指令周期内计算32个向量, 在我测试的其他模型中(包括Claude-opus-4.6, GPT-5.4-Pro(xhigh)) 都没有实现, 直接来到了榜首. 另外Agent能力上也有不小的提升, 同样是我写的让大模型模拟送外卖的硅基骑手测试, 其他大模型的优化还停留在看一个店能不能取两单上, GLM-5.1 已经优化到了我送餐的顺路还能再接一单, 并且仅用了大概GLM-5 1/4的 token 用量就超越了 GLM-5 的测试总分. 当然本次测试过程也很坎坷, 首先是我周末抢了2天都没抢到 coding plan (目前只有coding plan 能用这个模型), 我最后找智谱的同学给我开了个权限. 以及测试中发现白天API不是很稳定, 偶尔输出速度会掉到10tps, 以及会出现乱码文字(我的规避方法是让它输出英文, 然后再找个便宜模型翻译过来). 总结, 各位前端同学估计会失望, 因为无论是从工程还是页面效果上都看不到提升, 甚至可能会有点倒退, 但果写后端代码或者复杂Agent应用可以试试这个新模型, 会有很大的提升. #GLM51 #智谱 #GLM #AIAgent #大模型编程

从国产SOTA走向世界SOTA? GLM-5.1 实测! 给大家带来 GLM-5.1 编程能力实测! 本次测试涵盖了前端, 后端, Agent 能力, 前端主要面向空间建模, 场景, 材质, 粒子效果等, 后端能力主要面向数据结构与算法, 体系结构, 性能优化, 内存和并发管理, 性能热点分析与调优, 面向编辑器方向的Agent能力(因为AI要自己改代码). 直接说结论, 本次测试前端方面粒子效果和光影鲜果略有提升, 剩下空间理解(甚至感觉下降了)和前端美学上没看到有什么提升, 只能说是提升了一点点. 但是后端性能上有巨大的提升, GLM-5.1 在我的 vector-db-bench 中直接秀了一手量化, 把原本32bit精度的数据量化到了8bit, 然后使用SIMD实现了一个指令周期内计算32个向量, 在我测试的其他模型中(包括Claude-opus-4.6, GPT-5.4-Pro(xhigh)) 都没有实现, 直接来到了榜首. 另外Agent能力上也有不小的提升, 同样是我写的让大模型模拟送外卖的硅基骑手测试, 其他大模型的优化还停留在看一个店能不能取两单上, GLM-5.1 已经优化到了我送餐的顺路还能再接一单, 并且仅用了大概GLM-5 1/4的 token 用量就超越了 GLM-5 的测试总分. 当然本次测试过程也很坎坷, 首先是我周末抢了2天都没抢到 coding plan (目前只有coding plan 能用这个模型), 我最后找智谱的同学给我开了个权限. 以及测试中发现白天API不是很稳定, 偶尔输出速度会掉到10tps, 以及会出现乱码文字(我的规避方法是让它输出英文, 然后再找个便宜模型翻译过来). 总结, 各位前端同学估计会失望, 因为无论是从工程还是页面效果上都看不到提升, 甚至可能会有点倒退, 但果写后端代码或者复杂Agent应用可以试试这个新模型, 会有很大的提升. #GLM51 #智谱 #GLM #AIAgent #大模型编程

karminski-牙医

19,683 Aufrufe • vor 5 Monaten

太硬核了！英伟达黄仁勋撕穿了传统计算机科学的底层逻辑：云计算的“按需触发”时代已经彻底终结，未来的AI智能体是永远在线的“永动机”！别再把大模型当成简单的文字接龙了。老黄一针见血：大模型生成内部 token 进行逻辑推演，叫思考；生成外部 token 去调用各种接口，就叫使用工具。这就是为什么像 Claude Code 或 DeepSeek V4 这种新生代智能体，能切入硬核的开发工作流，甚至能全自动帮你排查 Python 异步网关里 aiohttp 的并发报错！最恐怖的颠覆在于运行模式。以前我们写代码，不管是跑在 MacBook Pro 上的本地脚本，还是云端微服务，全都是按需调用——你不戳它，它就不动。但现在的 Agent 系统是连续不断运行的。它们在后台全天候感知、推演、自我迭代和执行任务。这根本不是工具的升级，而是整个计算范式的跨代重构！搞懂这种从被动按需到全自动连续运行的跃迁，你才会真正明白，为什么未来所有的云服务和软件架构都面临着被彻底推倒重来的命运。

太硬核了！英伟达黄仁勋撕穿了传统计算机科学的底层逻辑：云计算的“按需触发”时代已经彻底终结，未来的AI智能体是永远在线的“永动机”！别再把大模型当成简单的文字接龙了。老黄一针见血：大模型生成内部 token 进行逻辑推演，叫思考；生成外部 token 去调用各种接口，就叫使用工具。这就是为什么像 Claude Code 或 DeepSeek V4 这种新生代智能体，能切入硬核的开发工作流，甚至能全自动帮你排查 Python 异步网关里 aiohttp 的并发报错！最恐怖的颠覆在于运行模式。以前我们写代码，不管是跑在 MacBook Pro 上的本地脚本，还是云端微服务，全都是按需调用——你不戳它，它就不动。但现在的 Agent 系统是连续不断运行的。它们在后台全天候感知、推演、自我迭代和执行任务。这根本不是工具的升级，而是整个计算范式的跨代重构！搞懂这种从被动按需到全自动连续运行的跃迁，你才会真正明白，为什么未来所有的云服务和软件架构都面临着被彻底推倒重来的命运。

比特币橙子Trader

69,195 Aufrufe • vor 3 Monaten

Deepseek V4 Flash 真的惊艳到我了，我就用一句话就生成了一个AI控制台。我使用open code+Deepseek V4 Flash测试了一下模型的能力，总共不到五十秒，就给我生成了对应能力了。主要是该有的模块都有，而且很多细节上面做了特定的优化。模块划分： 1、仪表盘：做中央把控看模型消耗。 2、任务：看任务指派和模型上下文处理。 3、对话：直接在网页上可以和AI直接对话。现在最重要的是open code还能免费使用，可以马上上手体验一下，国产模型是越来越强了，以后真的可以不使用国外模型了。

Deepseek V4 Flash 真的惊艳到我了，我就用一句话就生成了一个AI控制台。我使用open code+Deepseek V4 Flash测试了一下模型的能力，总共不到五十秒，就给我生成了对应能力了。主要是该有的模块都有，而且很多细节上面做了特定的优化。模块划分： 1、仪表盘：做中央把控看模型消耗。 2、任务：看任务指派和模型上下文处理。 3、对话：直接在网页上可以和AI直接对话。现在最重要的是open code还能免费使用，可以马上上手体验一下，国产模型是越来越强了，以后真的可以不使用国外模型了。

小墨同学

27,520 Aufrufe • vor 29 Tagen

字节跳动开源了一个能直接操控你电脑的 AI 叫 UI-TARS，开源免费，本地运行你用说话的方式告诉它：「帮我在 Priceline 订9月1日最早的旧金山到纽约的机票」「帮我把 VS Code 的自动保存延迟设置成500毫秒」「帮我查一下杭州这个月的天气然后画成图表」它不是帮你写代码它是直接看着你的屏幕，自己动鼠标键盘去做浏览器和桌面应用都能操控 MCP 工具全部打通模型大小 2B / 7B / 72B 任选，本地跑 Anthropic 的 Computer Use 要收费 OpenAI 的 Operator 要会员字节直接开源了整个技术栈这是国内大厂开源最有诚意的一个项目之一没有之一

字节跳动开源了一个能直接操控你电脑的 AI 叫 UI-TARS，开源免费，本地运行你用说话的方式告诉它：「帮我在 Priceline 订9月1日最早的旧金山到纽约的机票」「帮我把 VS Code 的自动保存延迟设置成500毫秒」「帮我查一下杭州这个月的天气然后画成图表」它不是帮你写代码它是直接看着你的屏幕，自己动鼠标键盘去做浏览器和桌面应用都能操控 MCP 工具全部打通模型大小 2B / 7B / 72B 任选，本地跑 Anthropic 的 Computer Use 要收费 OpenAI 的 Operator 要会员字节直接开源了整个技术栈这是国内大厂开源最有诚意的一个项目之一没有之一

axiaisacat

47,345 Aufrufe • vor 3 Monaten

可灵今天更新了 2.1 的首尾帧视频模型提示词理解和遵循能力大幅提升，即使好不相关的图片也可以实现自然过渡可以看我做的这个视频的效果，所有分镜都是一次生成没有抽卡，就是素材拼接没有剪辑我还打磨了一套提示词和工作流帮你降低抽卡频率提高生成质量模型测评和提示词在下面👇：

可灵今天更新了 2.1 的首尾帧视频模型提示词理解和遵循能力大幅提升，即使好不相关的图片也可以实现自然过渡可以看我做的这个视频的效果，所有分镜都是一次生成没有抽卡，就是素材拼接没有剪辑我还打磨了一套提示词和工作流帮你降低抽卡频率提高生成质量模型测评和提示词在下面👇：

歸藏(guizang.ai)

58,198 Aufrufe • vor 1 Jahr