Loading video...

Video Failed to Load

Go Home

我的ads指纹浏览器到期了，我是不打算再续了，本来想 让AI给我写一个出来，后来在git上找了开源的Prism Browser Community。指纹浏览器吗，出现过还多次盗 刷，所以我需要他的安全审计报告，官方没出，我自己想办法 这时候，我发现了Apodex，用 Apodex 1.1 把 Prism Browser Community（DFarm6）的安全审计跑完了。真 正有感觉的不是“会写报告”，是它把 reasoning 放进长任务执行里。 这次不是一个 Agent 从第一行抠到最后一行。开了 Deep Discover 之后，异步 Agent Team 自己看这活能不能拆、 怎么拆、该丢给几个 Subagent。隔离、加密、内核从哪 来、反指纹补丁、联网面，几条线一起跑；谁先出结果就 先回流到共享任务状态，主任务边收边改优先级，不用卡 着等所有支路收工。 更对味的是 mid-task intervention。审计这种事，开头那 句话基本定不完。跑着才会发现要补文件、范围该收一 收、某条线没必要再跟。随时插一句就行。 说白了：Environment Scaling 是让它真能在文件和代码 环境里动手；Agentic Coordination Scaling 是把拆任 务、并行、异步回收结果、中途改计划，练成模型自己会 的事。复杂审计要的就是这种 working capability——能 一直往前推，能随时插手，结论还能回头核对。 另外还有 Apodex 1.1...

smark0428's profile picture

E吴大哥wu|

3,529 subscribers

12,921 views • 2 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

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👇
6:17

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 views • 3 months ago

Claude Opus 4.8 出了之后，我的第一反应是：想试。 第二反应是：算了，token 这东西真的不经烧。 结果看到 ZenMux 现在可以体验 Opus 4.8，就拿它试了一个我最近一直想做的小东西。 我自己有个很真实的问题： 脑子里经常冒出各种产品想法。 但每次真要开始做，就会卡住。 用户是谁？ 第一版到底做什么？ 哪些功能应该先砍掉？ 怎么定价？ 第一周从哪一步开始？ 上线后怎么找第一批用户？ 想法很多，执行很散。 所以我让 Claude Opus 4.8 做了一个「一人公司作战室」。 需求我写得也挺直接： 输入一句产品 idea。 自动拆出产品定位、MVP、开发任务、定价方案。 再生成落地页文案、冷启动实验、风险清单和本周计划。 最好不是一个静态页面，而是真的能点、能改、能导出。 然后我就把这段话丢给 Claude Opus 4.8。 出来的效果比我预期好不少。 它真的把“一人公司怎么从想法走到执行”这件事拆开了。 左边输入产品想法。 中间生成产品蓝图、MVP 范围、定价和官网文案。 右边是任务看板和本周计划。 底部还有冷启动实验、风险雷达和 Markdown 导出。 最让我觉得有意思的是，它不是一味堆功能。 比如我输入“给小红书博主做 AI 选题助手”，它会主动判断： 第一版必须做什么。 哪些功能看起来高级，但现在应该先别碰。 怎么找第一批真实用户。 哪些风险可能让这个项目做不下去。 这点就很能体现 Opus 4.8 的能力。 普通模型经常是：你要什么，我全给你加上。 最后页面很热闹，但产品判断是空的。 Opus 4.8 更像是在帮你收敛：先想清楚用户、场景和第一步，再把它变成可以执行的工作台。 我是在 ZenMux 上试的。 它比较方便的一点是，一个 Key 就能切不同模型，新模型上线也很快。 Opus 4.8 拿来做这种带产品判断、交互状态和复杂信息结构的网页，确实挺顺。 想试 Claude Opus 4.8 的，可以从这里进：
0:43

Claude Opus 4.8 出了之后，我的第一反应是：想试。 第二反应是：算了，token 这东西真的不经烧。 结果看到 ZenMux 现在可以体验 Opus 4.8，就拿它试了一个我最近一直想做的小东西。 我自己有个很真实的问题： 脑子里经常冒出各种产品想法。 但每次真要开始做，就会卡住。 用户是谁？ 第一版到底做什么？ 哪些功能应该先砍掉？ 怎么定价？ 第一周从哪一步开始？ 上线后怎么找第一批用户？ 想法很多，执行很散。 所以我让 Claude Opus 4.8 做了一个「一人公司作战室」。 需求我写得也挺直接： 输入一句产品 idea。 自动拆出产品定位、MVP、开发任务、定价方案。 再生成落地页文案、冷启动实验、风险清单和本周计划。 最好不是一个静态页面，而是真的能点、能改、能导出。 然后我就把这段话丢给 Claude Opus 4.8。 出来的效果比我预期好不少。 它真的把“一人公司怎么从想法走到执行”这件事拆开了。 左边输入产品想法。 中间生成产品蓝图、MVP 范围、定价和官网文案。 右边是任务看板和本周计划。 底部还有冷启动实验、风险雷达和 Markdown 导出。 最让我觉得有意思的是，它不是一味堆功能。 比如我输入“给小红书博主做 AI 选题助手”，它会主动判断： 第一版必须做什么。 哪些功能看起来高级，但现在应该先别碰。 怎么找第一批真实用户。 哪些风险可能让这个项目做不下去。 这点就很能体现 Opus 4.8 的能力。 普通模型经常是：你要什么，我全给你加上。 最后页面很热闹，但产品判断是空的。 Opus 4.8 更像是在帮你收敛：先想清楚用户、场景和第一步，再把它变成可以执行的工作台。 我是在 ZenMux 上试的。 它比较方便的一点是，一个 Key 就能切不同模型，新模型上线也很快。 Opus 4.8 拿来做这种带产品判断、交互状态和复杂信息结构的网页，确实挺顺。 想试 Claude Opus 4.8 的，可以从这里进：

Joruno

16,224 views • 3 months 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 • 5 days 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 • 5 days ago

一个 22 岁美国小哥，下午还完全不会搞，晚上已经把 Claude 搓成了一个能干活的 AI 员工。 最离谱的是，不写代码。 他一开始连从哪下手都不知道，结果当天就让 AI 开始自动处理真实工作流，直接把每周一半的杂活砍掉了。 流程也不玄学： 1. 安装 Claude Desktop 2. 设置工作文件夹和权限 3. 做出第一个 Skill 4. 把任务挂到定时计划里 整个路线就是： 安装 → 第一个任务 → Skill → 定时执行 从 0 到能用，纯新手也能跟。 原帖还给了完整的 beginner-to-pro walkthrough，属于那种该有的都有，不该废话的一句没有。 说白了，很多人还在把 Claude 当高级搜索框用： 问一句，答一句，复制粘贴，再问下一句。 但这套是直接把它往“自主 coworker”那个方向推了。 还有 14 步路线图，每一步都有能直接复制的 prompt。 看完我第一反应是： 这玩意儿比那种 400 刀的 vibe coding 课实在多了。 关键还免费。 有点离谱。
40:11

一个 22 岁美国小哥，下午还完全不会搞，晚上已经把 Claude 搓成了一个能干活的 AI 员工。 最离谱的是，不写代码。 他一开始连从哪下手都不知道，结果当天就让 AI 开始自动处理真实工作流，直接把每周一半的杂活砍掉了。 流程也不玄学： 1. 安装 Claude Desktop 2. 设置工作文件夹和权限 3. 做出第一个 Skill 4. 把任务挂到定时计划里 整个路线就是： 安装 → 第一个任务 → Skill → 定时执行 从 0 到能用，纯新手也能跟。 原帖还给了完整的 beginner-to-pro walkthrough，属于那种该有的都有，不该废话的一句没有。 说白了，很多人还在把 Claude 当高级搜索框用： 问一句，答一句，复制粘贴，再问下一句。 但这套是直接把它往“自主 coworker”那个方向推了。 还有 14 步路线图，每一步都有能直接复制的 prompt。 看完我第一反应是： 这玩意儿比那种 400 刀的 vibe coding 课实在多了。 关键还免费。 有点离谱。

淘沙者(TheSandPicker)

51,388 views • 1 month ago

卧槽，我的MacBook第十款软件终于搞定了！ 有了这软件我再也不用天天守电脑了，也是评论区推荐的， 它就是完全免费的远程软件—UU远程， 说实话，一开始我真没把远程控制当回事， 总觉得这东西就是临时救急，看一眼电脑。 结果这两天我在 Mac 上跑 Codex，突然发现不对劲。 AI 写代码不是一下就完事， 它要读项目、改文件、跑测试、等报错、再改。 中间随便一卡，就是十几分钟。 我总不能一直坐电脑前盯着它吧？ 那我到底是在用 AI，还是在给 AI 当保安？ 所以我干脆把 Mac 放桌上跑任务， 自己拿手机用 UU远程连回去看。 现在桌面上基本是 4 个窗口一起开： Codex 在改代码， 测试在实时跑， Demo 输出在刷新， 状态窗口随时验收。 人走开也没事。 手机上一连回 Mac， 直接问 Codex：现在任务完成到哪了？ 测试挂了，就让它继续修； 测试绿了，就看最终输出； 结果对了，当场验收。 这就是UU的终端功能， 可以绕过图形，直接用命令行的形式操作， 改好了直接打开UU远程桌面看结果， 想改的话直接用终端接着改，效率拉满 最关键的是，它现在免费。 不用开会员，也没广告弹窗打断。 这点对我这种刚换 Mac、到处装软件的人太友好了。 早知道 UU远程这么顺手，我前面那些远程工具真不用折腾那么久。 而且它不是只能手机连电脑， 手机、平板、Mac、Windows 都能互连。 远程切窗口、看日志、敲终端，延迟比我想象中低很多。 还有个细节我挺喜欢： 可以开被控端黑屏/静音， 断连后自动锁屏。 人在外面连自己电脑，安全感会强很多。 现在我的新 Mac 基本就是： Mac 在桌上跑， Codex 在里面干活， 我在手机上看进度、补命令、验收结果。 以前远程控制是应急工具， 现在 AI 时代，它反而变成了刚需。
3:20

卧槽，我的MacBook第十款软件终于搞定了！ 有了这软件我再也不用天天守电脑了，也是评论区推荐的， 它就是完全免费的远程软件—UU远程， 说实话，一开始我真没把远程控制当回事， 总觉得这东西就是临时救急，看一眼电脑。 结果这两天我在 Mac 上跑 Codex，突然发现不对劲。 AI 写代码不是一下就完事， 它要读项目、改文件、跑测试、等报错、再改。 中间随便一卡，就是十几分钟。 我总不能一直坐电脑前盯着它吧？ 那我到底是在用 AI，还是在给 AI 当保安？ 所以我干脆把 Mac 放桌上跑任务， 自己拿手机用 UU远程连回去看。 现在桌面上基本是 4 个窗口一起开： Codex 在改代码， 测试在实时跑， Demo 输出在刷新， 状态窗口随时验收。 人走开也没事。 手机上一连回 Mac， 直接问 Codex：现在任务完成到哪了？ 测试挂了，就让它继续修； 测试绿了，就看最终输出； 结果对了，当场验收。 这就是UU的终端功能， 可以绕过图形，直接用命令行的形式操作， 改好了直接打开UU远程桌面看结果， 想改的话直接用终端接着改，效率拉满 最关键的是，它现在免费。 不用开会员，也没广告弹窗打断。 这点对我这种刚换 Mac、到处装软件的人太友好了。 早知道 UU远程这么顺手，我前面那些远程工具真不用折腾那么久。 而且它不是只能手机连电脑， 手机、平板、Mac、Windows 都能互连。 远程切窗口、看日志、敲终端，延迟比我想象中低很多。 还有个细节我挺喜欢： 可以开被控端黑屏/静音， 断连后自动锁屏。 人在外面连自己电脑，安全感会强很多。 现在我的新 Mac 基本就是： Mac 在桌上跑， Codex 在里面干活， 我在手机上看进度、补命令、验收结果。 以前远程控制是应急工具， 现在 AI 时代，它反而变成了刚需。

雨哥向前冲

227,402 views • 3 months 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

昨天看很多人转发Apodex 1.1 一个专门面向深度研究而打造的 Agent 专门解决那种"没有现成答案、需要大量调研才能搞定"的硬问题 好奇测试了下，跑了俩任务，一下午都没跑完😅 执行时间是真长 这玩意能你只要给它个目标，它就能能长时间运行、失败后能自动修复，还能自己验证交付结果是否准确 它在接到任务后，主 Agent 拆解成各种子问题，异步派发给专业化的子 Agent执行，每个子 Agent 有自己独立的上下文、提示词和工具集。 子 Agent 的报告汇入共享报告池，编排器异步读取，不会被最慢的那个卡住。单任务最高可调度 150 个子 Agent 解决的是什么问题呢？ 过去： 一次提问，一段回答，一份报告。 衡量标准通常是： 答案对不对 知识覆盖够不够 引用多不多 报告写得是否完整 Apodex 想提出的新的要求： 一项从输入到交付的完整任务，衡量标准变成： 是否理解目标 是否能操作真实文件 是否能调用代码和工具 是否能维护长任务状态 遇到变化能否局部调整 执行失败能否自行恢复 最终结论是否可以核查 因此，它真正挑战的是当前 Deep Research 的产品形态： 搜集资料和生成报告，只覆盖了复杂任务的一部分。 真正的专业任务还需要读文件、清洗数据、选择方法、执行代码、处理异常、核查结论。 所以特别适合：科研人员、分析师、专业用户
1:25

昨天看很多人转发Apodex 1.1 一个专门面向深度研究而打造的 Agent 专门解决那种"没有现成答案、需要大量调研才能搞定"的硬问题 好奇测试了下，跑了俩任务，一下午都没跑完😅 执行时间是真长 这玩意能你只要给它个目标，它就能能长时间运行、失败后能自动修复，还能自己验证交付结果是否准确 它在接到任务后，主 Agent 拆解成各种子问题，异步派发给专业化的子 Agent执行，每个子 Agent 有自己独立的上下文、提示词和工具集。 子 Agent 的报告汇入共享报告池，编排器异步读取，不会被最慢的那个卡住。单任务最高可调度 150 个子 Agent 解决的是什么问题呢？ 过去： 一次提问，一段回答，一份报告。 衡量标准通常是： 答案对不对 知识覆盖够不够 引用多不多 报告写得是否完整 Apodex 想提出的新的要求： 一项从输入到交付的完整任务，衡量标准变成： 是否理解目标 是否能操作真实文件 是否能调用代码和工具 是否能维护长任务状态 遇到变化能否局部调整 执行失败能否自行恢复 最终结论是否可以核查 因此，它真正挑战的是当前 Deep Research 的产品形态： 搜集资料和生成报告，只覆盖了复杂任务的一部分。 真正的专业任务还需要读文件、清洗数据、选择方法、执行代码、处理异常、核查结论。 所以特别适合：科研人员、分析师、专业用户

小互

13,576 views • 5 days ago

Claude Code 的创造者 Boris 讲了一个很关键的转变： “我现在不再给 Claude 写 prompts。 我写 loops 然后让 loops 去完成工作 我的工作，就是写 loops。” 这其实也是很多人用 Claude Code 卡住的地方 他们还在把它当聊天工具用： 输入一个需求 等一次回答 然后手动继续改 但 Boris 在 30 分钟里展示的是他真实的 daily setup： Claude Code loops dynamic workflow 核心不是让 Claude 一次性给出完美答案 而是把任务拆进一个可以反复执行、检查、修正的循环里 模型不只是回答你 它会在 workflow 里持续推进任务 这类内容，可能比很多 $500 的 vibe-coding 课程更有价值 因为它讲的不是“怎么写一句更好的 prompt” 而是怎么把 Claude Code 变成一个能持续工作的系统 AI coding 的关键，是 prompt 写得更漂亮，还是你能不能设计出让模型自己推进的 loop？
29:51

Claude Code 的创造者 Boris 讲了一个很关键的转变： “我现在不再给 Claude 写 prompts。 我写 loops 然后让 loops 去完成工作 我的工作，就是写 loops。” 这其实也是很多人用 Claude Code 卡住的地方 他们还在把它当聊天工具用： 输入一个需求 等一次回答 然后手动继续改 但 Boris 在 30 分钟里展示的是他真实的 daily setup： Claude Code loops dynamic workflow 核心不是让 Claude 一次性给出完美答案 而是把任务拆进一个可以反复执行、检查、修正的循环里 模型不只是回答你 它会在 workflow 里持续推进任务 这类内容，可能比很多 $500 的 vibe-coding 课程更有价值 因为它讲的不是“怎么写一句更好的 prompt” 而是怎么把 Claude Code 变成一个能持续工作的系统 AI coding 的关键，是 prompt 写得更漂亮，还是你能不能设计出让模型自己推进的 loop？

0x_Miko

188,310 views • 2 months ago

拿最经典的《Attention Is All You Need》试了下 Apodex。 不是问它“Transformer 是什么”，而是直接把原始 PDF 扔进去让它干活： 读论文 → 找参数 → 写代码计算 → 对 65M 参数规模 → 复现位置编码 → 生成图表和报告。 跑到一半我还临时插话，让它再算 MHA / FFN 的参数占比。 重点来了：它没有从头再跑一遍。 原来的结果继续保留，任务看板里直接追加受影响的步骤，然后接着往下执行。 最后给了我 MD、DOCX、PDF、CSV 四份交付物。 这种体验和单纯的 Deep Research 还挺不一样——不是“给我一段回答”，而是真的把一个任务接过去做完。 录了完整过程👇
1:27

拿最经典的《Attention Is All You Need》试了下 Apodex。 不是问它“Transformer 是什么”，而是直接把原始 PDF 扔进去让它干活： 读论文 → 找参数 → 写代码计算 → 对 65M 参数规模 → 复现位置编码 → 生成图表和报告。 跑到一半我还临时插话，让它再算 MHA / FFN 的参数占比。 重点来了：它没有从头再跑一遍。 原来的结果继续保留，任务看板里直接追加受影响的步骤，然后接着往下执行。 最后给了我 MD、DOCX、PDF、CSV 四份交付物。 这种体验和单纯的 Deep Research 还挺不一样——不是“给我一段回答”，而是真的把一个任务接过去做完。 录了完整过程👇

恒星sun

22,251 views • 6 days ago

今天，把一件关于 AI 很底层的事，彻底想透了。 使用 AI 的最佳方式是以道御术，但前提是你得先以术入道。 就像黄仁勋说的——真正会用 AI 的人，都是极高认知的提问者，带着自己的认知去提问，让 AI 帮你叩开未知的边界，而不是让它替你思考。 这段话最近反复在我脑子里出现， 但我觉得他还少说了一句： 这个认知，到底从哪来？ 首先肯定不是看几本书、刷几条推就能来的， 我觉得至少得是你自己上手干过、踩过坑、改过错，这个认知才能慢慢长出来， 这就是以术入道。 就像做菜，你得自己掌过勺，才知道一道菜真正的好坏在哪，AI 也一样，你得先用过、踩过坑、改过错，才能判断它给你的建议到底对不对。 我现在的判断是，AI 工具大概率会分成两条路。 一条是 agent 型，Claude Code、Codex、Hermes 那种，你给个目标它自己跑，你睡觉时它也跑，手机戳一戳继续跑，像一辆自动驾驶汽车。 另一条是 实习生型，典型代表是 Cursor， 每一步都要你判断：diff 改对了吗？ 这个建议要不要采用？要不要切 MAX 模型重跑一次？ 它有判断力，但没有自主决策权，你不在跟前盯着，它就停下来。 agent 是替你思考，实习生是和你一起思考，而只有后者，才是真正以术入道的过程。 agent 型工具的核心是省时间，你用它做事，实习生型工具的核心是磨判断力，你用它的过程，就是你长出自己那个道的过程。 但实习生型工具有个致命瓶颈——你不在跟前，它就停了。 自从被官方投喂 $10000 额度之后，我现在是个 Cursor 重度用户， 家里专门放了一台 Mac 跑 Cursor， 结果它就变成一个必须我在场才能用的稀缺资源。 直到最近朋友给我推了 UU 远程，网易做的，都免费两年了，而且没广告没会员，一开始我都有点不敢相信。 试了下发现真香，手机一打开就能接进家里那台 Mac，4K 144 帧，几乎感觉不到延迟， 看 Cursor 实时 diff、处理报错、切模型，跟坐电脑前没区别。 最让我惊喜的是，手机能直接开终端， 以前出门想登家里 Mac 跑命令行， 得 Tailscale 再 ssh 再 tmux，折腾半天， 还原生支持一个完整终端，跟敲 zsh 没区别， Cursor 跑一半要 git status、kill 进程、npm install， 手机抬手就办了，特别方便。 更新版本的时候我才发现，UU 远程刚好做到第二年， 周年庆重申不收费，继续打磨产品给大家免费用，还预告了几个新功能：安卓屏幕共享、小窗模式、精细化权限管理、文件夹共享、笔记本设备性能优化。 一个免费做了两年、还在持续往里砸功能的产品，我觉得是真有长期主义、想把产品做好的。 话说回来，AI 发展到这个阶段，我们真正需要的，我理解已经不是更厉害的 AI了，而是一种能让你随时和你的 AI 一起思考的连接方式。 目前看，Cursor和UU 远程这类体验和功能都做的非常丝滑极致的产品， 对我来说就是这个连接方式， 把我和家里那个顶级实习生之间的物理距离消除了， 让我能在任何地方，磨我自己的那个道。 毕竟 AI 工具的尽头，不是替我们做事，是把我们磨成那个，值得被它认真回答的提问者， 以上和大家共勉，一起在学习和使用AI的这条路上，达到以术入道，以道御术的境界。
0:34

今天，把一件关于 AI 很底层的事，彻底想透了。 使用 AI 的最佳方式是以道御术，但前提是你得先以术入道。 就像黄仁勋说的——真正会用 AI 的人，都是极高认知的提问者，带着自己的认知去提问，让 AI 帮你叩开未知的边界，而不是让它替你思考。 这段话最近反复在我脑子里出现， 但我觉得他还少说了一句： 这个认知，到底从哪来？ 首先肯定不是看几本书、刷几条推就能来的， 我觉得至少得是你自己上手干过、踩过坑、改过错，这个认知才能慢慢长出来， 这就是以术入道。 就像做菜，你得自己掌过勺，才知道一道菜真正的好坏在哪，AI 也一样，你得先用过、踩过坑、改过错，才能判断它给你的建议到底对不对。 我现在的判断是，AI 工具大概率会分成两条路。 一条是 agent 型，Claude Code、Codex、Hermes 那种，你给个目标它自己跑，你睡觉时它也跑，手机戳一戳继续跑，像一辆自动驾驶汽车。 另一条是 实习生型，典型代表是 Cursor， 每一步都要你判断：diff 改对了吗？ 这个建议要不要采用？要不要切 MAX 模型重跑一次？ 它有判断力，但没有自主决策权，你不在跟前盯着，它就停下来。 agent 是替你思考，实习生是和你一起思考，而只有后者，才是真正以术入道的过程。 agent 型工具的核心是省时间，你用它做事，实习生型工具的核心是磨判断力，你用它的过程，就是你长出自己那个道的过程。 但实习生型工具有个致命瓶颈——你不在跟前，它就停了。 自从被官方投喂 $10000 额度之后，我现在是个 Cursor 重度用户， 家里专门放了一台 Mac 跑 Cursor， 结果它就变成一个必须我在场才能用的稀缺资源。 直到最近朋友给我推了 UU 远程，网易做的，都免费两年了，而且没广告没会员，一开始我都有点不敢相信。 试了下发现真香，手机一打开就能接进家里那台 Mac，4K 144 帧，几乎感觉不到延迟， 看 Cursor 实时 diff、处理报错、切模型，跟坐电脑前没区别。 最让我惊喜的是，手机能直接开终端， 以前出门想登家里 Mac 跑命令行， 得 Tailscale 再 ssh 再 tmux，折腾半天， 还原生支持一个完整终端，跟敲 zsh 没区别， Cursor 跑一半要 git status、kill 进程、npm install， 手机抬手就办了，特别方便。 更新版本的时候我才发现，UU 远程刚好做到第二年， 周年庆重申不收费，继续打磨产品给大家免费用，还预告了几个新功能：安卓屏幕共享、小窗模式、精细化权限管理、文件夹共享、笔记本设备性能优化。 一个免费做了两年、还在持续往里砸功能的产品，我觉得是真有长期主义、想把产品做好的。 话说回来，AI 发展到这个阶段，我们真正需要的，我理解已经不是更厉害的 AI了，而是一种能让你随时和你的 AI 一起思考的连接方式。 目前看，Cursor和UU 远程这类体验和功能都做的非常丝滑极致的产品， 对我来说就是这个连接方式， 把我和家里那个顶级实习生之间的物理距离消除了， 让我能在任何地方，磨我自己的那个道。 毕竟 AI 工具的尽头，不是替我们做事，是把我们磨成那个，值得被它认真回答的提问者， 以上和大家共勉，一起在学习和使用AI的这条路上，达到以术入道，以道御术的境界。

AYi

695,078 views • 3 months ago

看完 Charlie Guo 用 GPT-5.6 + Codex 做卡牌游戏，我对前几天那篇文章里的判断更确定了！ 他没有先写一份很长的 PRD，也没有把任务拆成几十个 tickets。 只是给了 Codex 一个相对开放的目标，GPT-5.6 就开始自己设计玩法、编写代码、生成美术，并交付了一个可以运行的版本。 之后再追加关卡、机制、配乐和美术要求，它也能继续沿着原来的项目往下推进，甚至会自己判断什么时候需要调用 sub-agents，把不同任务并行完成。 这段演示真正值得看的是，它展示了一种新的协作方式： 你不再需要提前规定模型每一步该怎么思考、怎么拆任务、怎么执行。 你需要把真正重要的事情说清楚，然后让模型在工具和项目环境中持续推进。 这也正是我在这篇文章里想讲清楚的问题： 《GPT-5.6 Prompt 到底该怎么写？OpenAI 官方指南，一篇讲透！》 很多人升级模型之后，仍然沿用过去那套很长、很重、充满过程控制的 Prompt。 模型变了，Prompt 的重心也应该跟着改变。 Charlie 的演示给出了一个很直观的答案，而文章里我把背后的官方建议、改写方法和可直接复用的 Prompt 框架完整整理了出来。 正在使用 GPT-5.6、Codex，或者准备搭建 Agent Workflow 的人，可以把视频和文章放在一起看。
1:58

看完 Charlie Guo 用 GPT-5.6 + Codex 做卡牌游戏，我对前几天那篇文章里的判断更确定了！ 他没有先写一份很长的 PRD，也没有把任务拆成几十个 tickets。 只是给了 Codex 一个相对开放的目标，GPT-5.6 就开始自己设计玩法、编写代码、生成美术，并交付了一个可以运行的版本。 之后再追加关卡、机制、配乐和美术要求，它也能继续沿着原来的项目往下推进，甚至会自己判断什么时候需要调用 sub-agents，把不同任务并行完成。 这段演示真正值得看的是，它展示了一种新的协作方式： 你不再需要提前规定模型每一步该怎么思考、怎么拆任务、怎么执行。 你需要把真正重要的事情说清楚，然后让模型在工具和项目环境中持续推进。 这也正是我在这篇文章里想讲清楚的问题： 《GPT-5.6 Prompt 到底该怎么写？OpenAI 官方指南，一篇讲透！》 很多人升级模型之后，仍然沿用过去那套很长、很重、充满过程控制的 Prompt。 模型变了，Prompt 的重心也应该跟着改变。 Charlie 的演示给出了一个很直观的答案，而文章里我把背后的官方建议、改写方法和可直接复用的 Prompt 框架完整整理了出来。 正在使用 GPT-5.6、Codex，或者准备搭建 Agent Workflow 的人，可以把视频和文章放在一起看。

CodeAlpha

62,099 views • 1 month ago

OpenClaw/Clawdbot作者 Peter Steinberger 讲了一个让他顿悟的瞬间。 他给自己的clawdbot发了条语音消息，然后才反应过来：我根本没做语音功能啊。但"正在输入"的指示器亮了。十秒后，agent若无其事地回复了。 Peter问它：你怎么做到的？ Agent的回答让他震住了：你发的消息只有一个文件链接，没有扩展名。我查了文件头，发现是Opus格式。用你Mac上的FFmpeg转成Wave。想用Whisper但没装，还报错了。不过我翻了翻发现你环境变量里有OpenAI的key，就用curl调了API拿到转写，然后回复你了。 这个故事的意义在于，这不是预设好的workflow，不是写好的代码，是agent在遇到一个从未见过的问题时，自己想办法把链路串起来。文件头分析、格式转换、找可用工具、翻环境变量、调第三方API，一气呵成。 Peter说了一句话我很认同：这些东西是该死的聪明、足智多谋的野兽，只要你真的赋予它们力量。 "if you actually give them the power"才是关键。大多数人还在用AI写个总结、改个文案，把它当高级搜索引擎用。但当你给它shell权限，给它访问你本地工具链的能力，它展现出的自主探索完成任务能力完全是另一个量级。 与此同时，行业里有一大批人在反方向努力。有人在绞尽脑汁省token，精心设计让AI 更少思考，生怕多花几分钱。还觉得模型做事太慢，自己来设计一些流程替代 AI 的思考探索，美其名曰加速。这种思路本质上是把一个足智多谋的野兽关进笼子里，然后抱怨它不够聪明。 更神奇的是，市面上95%的软件压根就不是为面向智能设计的。还是传统思路：产品经理写PRD，开发者把逻辑一条条写死在代码里，用户只能在预设的按钮和流程里点来点去。这些软件在AI时代就像是用打孔纸带写程序，技术上能用，但完全错过了这个时代真正的可能性。 --- 注，这段切片是我丢下一句话给 claude code 完成的下载切片添加字幕，只是提出要求，没有任何 Skills，没有告诉他怎么做。
1:02

OpenClaw/Clawdbot作者 Peter Steinberger 讲了一个让他顿悟的瞬间。 他给自己的clawdbot发了条语音消息，然后才反应过来：我根本没做语音功能啊。但"正在输入"的指示器亮了。十秒后，agent若无其事地回复了。 Peter问它：你怎么做到的？ Agent的回答让他震住了：你发的消息只有一个文件链接，没有扩展名。我查了文件头，发现是Opus格式。用你Mac上的FFmpeg转成Wave。想用Whisper但没装，还报错了。不过我翻了翻发现你环境变量里有OpenAI的key，就用curl调了API拿到转写，然后回复你了。 这个故事的意义在于，这不是预设好的workflow，不是写好的代码，是agent在遇到一个从未见过的问题时，自己想办法把链路串起来。文件头分析、格式转换、找可用工具、翻环境变量、调第三方API，一气呵成。 Peter说了一句话我很认同：这些东西是该死的聪明、足智多谋的野兽，只要你真的赋予它们力量。 "if you actually give them the power"才是关键。大多数人还在用AI写个总结、改个文案，把它当高级搜索引擎用。但当你给它shell权限，给它访问你本地工具链的能力，它展现出的自主探索完成任务能力完全是另一个量级。 与此同时，行业里有一大批人在反方向努力。有人在绞尽脑汁省token，精心设计让AI 更少思考，生怕多花几分钱。还觉得模型做事太慢，自己来设计一些流程替代 AI 的思考探索，美其名曰加速。这种思路本质上是把一个足智多谋的野兽关进笼子里，然后抱怨它不够聪明。 更神奇的是，市面上95%的软件压根就不是为面向智能设计的。还是传统思路：产品经理写PRD，开发者把逻辑一条条写死在代码里，用户只能在预设的按钮和流程里点来点去。这些软件在AI时代就像是用打孔纸带写程序，技术上能用，但完全错过了这个时代真正的可能性。 --- 注，这段切片是我丢下一句话给 claude code 完成的下载切片添加字幕，只是提出要求，没有任何 Skills，没有告诉他怎么做。

kAI

171,400 views • 7 months ago

刚刚刷到影视飓风Tim的分享，他说了一个做内容的秘诀，把我给听愣了，但回过味来又觉得“太对了！” 他说，想创意的时候，千万不要一上来就追求线性、有条理。 人的大脑天生就不擅长这个。 正确的姿势是：先疯狂地、不分类地把所有零散的想法，哪怕再不靠谱，全都扔到一个乱七八糟的思维导图里1。就像打游戏放大招一样，先把所有技能都丢出去，直到感觉自己“山穷水尽”了。 然后再跳出来，像个局外人一样，审视这些乱七八糟的点子，给它们分类，找到哪个是核心观点，哪个是表现手法。 这感觉就像什么呢？先把一大堆乐高零件全都倒在地板上，看个过瘾，然后再慢慢地找零件，拼成你想要的模型。而不是一开始就按说明书一步步来。 这招真的绝了，不仅是做视频，感觉写东西、做PPT、策划活动都能用上。下次再没灵感，就知道该怎么办了：先允许自己“乱七八糟”一会！
1:56

刚刚刷到影视飓风Tim的分享，他说了一个做内容的秘诀，把我给听愣了，但回过味来又觉得“太对了！” 他说，想创意的时候，千万不要一上来就追求线性、有条理。 人的大脑天生就不擅长这个。 正确的姿势是：先疯狂地、不分类地把所有零散的想法，哪怕再不靠谱，全都扔到一个乱七八糟的思维导图里1。就像打游戏放大招一样，先把所有技能都丢出去，直到感觉自己“山穷水尽”了。 然后再跳出来，像个局外人一样，审视这些乱七八糟的点子，给它们分类，找到哪个是核心观点，哪个是表现手法。 这感觉就像什么呢？先把一大堆乐高零件全都倒在地板上，看个过瘾，然后再慢慢地找零件，拼成你想要的模型。而不是一开始就按说明书一步步来。 这招真的绝了，不仅是做视频，感觉写东西、做PPT、策划活动都能用上。下次再没灵感，就知道该怎么办了：先允许自己“乱七八糟”一会！

Ian (伊恩)

407,900 views • 10 months ago

刚刚刷到影视飓风Tim的分享，他说了一个做内容的秘诀，把我给听愣了，但回过味来又觉得“太对了！” 他说，想创意的时候，千万不要一上来就追求线性、有条理。 人的大脑天生就不擅长这个。 正确的姿势是：先疯狂地、不分类地把所有零散的想法，哪怕再不靠谱，全都扔到一个乱七八糟的思维导图里1。就像打游戏放大招一样，先把所有技能都丢出去，直到感觉自己“山穷水尽”了。 然后再跳出来，像个局外人一样，审视这些乱七八糟的点子，给它们分类，找到哪个是核心观点，哪个是表现手法。 这感觉就像什么呢？先把一大堆乐高零件全都倒在地板上，看个过瘾，然后再慢慢地找零件，拼成你想要的模型。而不是一开始就按说明书一步步来。 这招真的绝了，不仅是做视频，感觉写东西、做PPT、策划活动都能用上。下次再没灵感，就知道该怎么办了：先允许自己“乱七八糟”一会！
1:56

刚刚刷到影视飓风Tim的分享，他说了一个做内容的秘诀，把我给听愣了，但回过味来又觉得“太对了！” 他说，想创意的时候，千万不要一上来就追求线性、有条理。 人的大脑天生就不擅长这个。 正确的姿势是：先疯狂地、不分类地把所有零散的想法，哪怕再不靠谱，全都扔到一个乱七八糟的思维导图里1。就像打游戏放大招一样，先把所有技能都丢出去，直到感觉自己“山穷水尽”了。 然后再跳出来，像个局外人一样，审视这些乱七八糟的点子，给它们分类，找到哪个是核心观点，哪个是表现手法。 这感觉就像什么呢？先把一大堆乐高零件全都倒在地板上，看个过瘾，然后再慢慢地找零件，拼成你想要的模型。而不是一开始就按说明书一步步来。 这招真的绝了，不仅是做视频，感觉写东西、做PPT、策划活动都能用上。下次再没灵感，就知道该怎么办了：先允许自己“乱七八糟”一会！

Fang知识分享

187,755 views • 5 months ago

自从马云重新现身后， 蚂蚁集团一直猛冲AI，大动作不断！ 像是卯足劲在追赶阿里QWEN！ 最近更是连发两款实用拉满的模型！！！ 先是百B级的 Ling 2.6 Flash， 盲测阶段就冲上 OpenRouter 趋势榜第一， 直接火到了海外！！ 还不算完，Ant Ling 今天又甩出一张底牌： Ling 2.6 1T ！ 名字就能看得出来，这个模型能力会更强！！ 但有一个误区：能力强的不一定是思考模型！ Ling 2.6 1T 不靠拉长推理链条来显得"很聪明"， 而是把 token 更多花在理解、规划和输出上。 换句话来说： 它的核心定位，是面向复杂任务，是精准指令下的执行模型！！ 1M 超长上下文，能把会议纪要、群聊记录、项目文档、零散资料一次性扔进去统一处理。 强工具调用能力，可以接进 OpenClaw、Hermes、LangGraph、Dify 等跑工作流。 真实问题处理，不只生成漂亮 demo，而是能够读懂已有代码，按照你的要求去干活。 Token 效率更高，不默认展开超长思考，成本控制到最低。 最近一段时间都是免费用，不用白不用， 我拿了几个真实任务跑了一遍，感受超级明显—— 如果是模糊的指令，它可能不太适合。 但如果是比较详细的指令，给它一个工作流， 就完全起飞了！！ 没有了推理过程，感觉非常丝滑， 这一点，就挺重要的！！ 减少了很多“AI自作聪明”的麻烦！！ 说回蚂蚁这两款模型， 完全是冲着落地应用来的，几乎把简单和复杂的应用场景全部包圆。 1T 负责理解复杂目标、拆解任务、整理材料、制定计划。 Flash 负责快速执行、快速改写、快速补全。 这精准切入了现在大多数人用AI的“痒点”： 总想着用一个“最强模型”解决所有的事情。 但我认为真正重要并且正确的是： 让对的模型干对的事。 这样无论是速度、成本、还是结果一致性，都更能符合预期。
0:34

自从马云重新现身后， 蚂蚁集团一直猛冲AI，大动作不断！ 像是卯足劲在追赶阿里QWEN！ 最近更是连发两款实用拉满的模型！！！ 先是百B级的 Ling 2.6 Flash， 盲测阶段就冲上 OpenRouter 趋势榜第一， 直接火到了海外！！ 还不算完，Ant Ling 今天又甩出一张底牌： Ling 2.6 1T ！ 名字就能看得出来，这个模型能力会更强！！ 但有一个误区：能力强的不一定是思考模型！ Ling 2.6 1T 不靠拉长推理链条来显得"很聪明"， 而是把 token 更多花在理解、规划和输出上。 换句话来说： 它的核心定位，是面向复杂任务，是精准指令下的执行模型！！ 1M 超长上下文，能把会议纪要、群聊记录、项目文档、零散资料一次性扔进去统一处理。 强工具调用能力，可以接进 OpenClaw、Hermes、LangGraph、Dify 等跑工作流。 真实问题处理，不只生成漂亮 demo，而是能够读懂已有代码，按照你的要求去干活。 Token 效率更高，不默认展开超长思考，成本控制到最低。 最近一段时间都是免费用，不用白不用， 我拿了几个真实任务跑了一遍，感受超级明显—— 如果是模糊的指令，它可能不太适合。 但如果是比较详细的指令，给它一个工作流， 就完全起飞了！！ 没有了推理过程，感觉非常丝滑， 这一点，就挺重要的！！ 减少了很多“AI自作聪明”的麻烦！！ 说回蚂蚁这两款模型， 完全是冲着落地应用来的，几乎把简单和复杂的应用场景全部包圆。 1T 负责理解复杂目标、拆解任务、整理材料、制定计划。 Flash 负责快速执行、快速改写、快速补全。 这精准切入了现在大多数人用AI的“痒点”： 总想着用一个“最强模型”解决所有的事情。 但我认为真正重要并且正确的是： 让对的模型干对的事。 这样无论是速度、成本、还是结果一致性，都更能符合预期。

沐阳

116,421 views • 4 months ago

06大学生（大专生）第一个企业项目 本项目使用的是codex+Claude+hermes修改的过程中几乎是用codex和hermes。项目最开始的时候是先把公司那边的需求传给Claude code进行需求分享和框架搭建，然后中期是使用的codex进行ui设计，执行任务和计划，包括一些功能的测试和验证，最好完成阶段是使用的hermes进行全部功能测试，然后后面还进行了十几次修改调整也是使用的hermes进行修改验证，改一个功能就验证一下，然后再部署到云端服务器上面，循环。 因为有的地方有项目方的名字还有域名那些就没有展示，帮一个企业做的，大概就是做成了现在这样，上上周就是上一次跟公司的老板在学校里面当面谈了一会，当时说是很满意，说了一些地方需要修改和调整，你们觉得有没有什么问题啊，我现在是在自己的阿里云服务器上面跑的，后面的话再迁移部署到他们公司的服务器，但是现在还没有谈交付和收费怎么弄？比如是一次买定还是租用，还有后期的维护和后续修改的费用，部署需要收费吗？不知道怎么定价，那个公司的老板是我一个老师的朋友🤔🤔🤔 图二是新的老板，额，一个GitHub大佬推荐的，挺漂亮 说是要做一个支付宝的小程序，但是现在还没有说具体的需求🤔🤔🤔应该这几天会说。做之前一定要先谈清楚怎么分阶段交付？怎么算完成？然后根据难度和花费的时间去计费，这是这次项目的目标，也是对自己的一种锻炼吧🫡🫡🫡加油
3:02

06大学生（大专生）第一个企业项目 本项目使用的是codex+Claude+hermes修改的过程中几乎是用codex和hermes。项目最开始的时候是先把公司那边的需求传给Claude code进行需求分享和框架搭建，然后中期是使用的codex进行ui设计，执行任务和计划，包括一些功能的测试和验证，最好完成阶段是使用的hermes进行全部功能测试，然后后面还进行了十几次修改调整也是使用的hermes进行修改验证，改一个功能就验证一下，然后再部署到云端服务器上面，循环。 因为有的地方有项目方的名字还有域名那些就没有展示，帮一个企业做的，大概就是做成了现在这样，上上周就是上一次跟公司的老板在学校里面当面谈了一会，当时说是很满意，说了一些地方需要修改和调整，你们觉得有没有什么问题啊，我现在是在自己的阿里云服务器上面跑的，后面的话再迁移部署到他们公司的服务器，但是现在还没有谈交付和收费怎么弄？比如是一次买定还是租用，还有后期的维护和后续修改的费用，部署需要收费吗？不知道怎么定价，那个公司的老板是我一个老师的朋友🤔🤔🤔 图二是新的老板，额，一个GitHub大佬推荐的，挺漂亮 说是要做一个支付宝的小程序，但是现在还没有说具体的需求🤔🤔🤔应该这几天会说。做之前一定要先谈清楚怎么分阶段交付？怎么算完成？然后根据难度和花费的时间去计费，这是这次项目的目标，也是对自己的一种锻炼吧🫡🫡🫡加油

阿金

27,597 views • 2 months ago

前几天看到量子位的视频说Perplexity Computer 复刻彭博机，就一直对这个有所种草 今天看到官方发布，秒付钱，一句指令就能build一个产品 和Claude code/Cursor有所不同的是，Perplexity Computer 并没有plan mode这种需要多个指令或者调试开发计划的步骤，是仅仅一句话“指令”就能人类无干预做出几乎满足用户需求的产品设计 另外值得一说的是，Perplexity Computer的原理和Cursor有点不一样的是，它把复杂任务拆分给很多不同的agent去做，针对不同agent的特长来分配任务，更像一台computer 目前收费是200U一个月🫡下面附上我的测试录屏，这次开箱体验我给到夯爆
0:44

前几天看到量子位的视频说Perplexity Computer 复刻彭博机，就一直对这个有所种草 今天看到官方发布，秒付钱，一句指令就能build一个产品 和Claude code/Cursor有所不同的是，Perplexity Computer 并没有plan mode这种需要多个指令或者调试开发计划的步骤，是仅仅一句话“指令”就能人类无干预做出几乎满足用户需求的产品设计 另外值得一说的是，Perplexity Computer的原理和Cursor有点不一样的是，它把复杂任务拆分给很多不同的agent去做，针对不同agent的特长来分配任务，更像一台computer 目前收费是200U一个月🫡下面附上我的测试录屏，这次开箱体验我给到夯爆

Ru7.ai

91,133 views • 5 months ago

最近当大家都在刷屏Fable 5和GPT-5.6 的时候， 殊不知腾讯已经悄无声息的把大模型能力给追上来了。 你们知道腾讯低调到什么程度吗？ 前几天发布的Hy3 ，21B的激活参数已经可以打平旗舰水准，并且直接塞进微信10 亿+用户手里 ， 这才是国产大模型真正的王炸啊兄弟们！ 说实话周一刷到 Hy3 发布消息那会儿， 我第一反应跟很多人一样：又一个卷参数的国产模型？ 趁着周末有空，我仔细翻了一圈资料， 发现完全不是这么回事。 原来Tencent Hy这个模型从一开始就不是朝着聊天模型去的，人家的定位就是奔着干活去的 Agent 向 LLM。 另外最反直觉的是它的推理效率，295B 总参数， 实际激活只有 21B 的 MoE 架构， 就能打平参数是它 2 到 5 倍的旗舰模型， 这事儿我琢磨了一下，其实有点像团队管理， 并不是说人越多产出越高， 关键得看真正干活的那几个人靠不靠谱。 为什么这个效率重要呢？ 你想想微信每天服务 10 亿人， token 成本多一厘都是天文数字， 21B 激活还能打出旗舰水准， 我觉得这才是它能被规模化铺开的根本原因， 跟刷榜没半毛钱关系。 说到刷榜，我仔细研究之后这个版本还真不是， 从 preview 到正式版，Hy3 是Hunyuan团队拿了50 多个真实业务的反馈不断迭代出来的，内部 WorkBuddy 任务成功率从 72% 干到 90%，耗时降了 34%，幻觉和常识错误全往下掉。 我原来以为 Agent 的核心是想得多深， 后来发现真正决定能不能上生产的，是稳不稳， 比如工具编排会不会中途崩，出错了能不能自己爬回来，换个框架差不差太多等等， 就是这些不起眼的东西， 才是能跑完一整套 workflow 不掉链子的关键。 当然实际测试下来Hy3 也有短板， 比如纯视觉它还不够强，不过腾讯也有单独的多模态大模型线，它能打的主要还是 coding、办公、复杂任务规划这几块。 最后说个我的一个判断：就是接下来大模型拼的可能不是谁参数更大了，核心看谁能把干活的能力以最低摩擦送到更多人手里，比如Hy3 我理解它可能不是一个更会聊天的模型，更像是一个更会干活的 Agent 底座。 话说回来，腾讯这步棋确实走得挺狠， 我觉得国产大模型的拐点真的要到了， 下方视频是我用Hy3跑的几个测试案例， 分别让它做了一个介绍自己的HTML网页， 一个我的认知系统agent网页， 和做了一个10页的PPT，都很惊艳，大家可以感受下， 会干活、会自检、还会主动说自己哪没做到位， 我觉得这才是 Agent 时代，真正能用的模型该有的样子hh～ #Hy3 #Hunyuan #TencentAI
1:48

最近当大家都在刷屏Fable 5和GPT-5.6 的时候， 殊不知腾讯已经悄无声息的把大模型能力给追上来了。 你们知道腾讯低调到什么程度吗？ 前几天发布的Hy3 ，21B的激活参数已经可以打平旗舰水准，并且直接塞进微信10 亿+用户手里 ， 这才是国产大模型真正的王炸啊兄弟们！ 说实话周一刷到 Hy3 发布消息那会儿， 我第一反应跟很多人一样：又一个卷参数的国产模型？ 趁着周末有空，我仔细翻了一圈资料， 发现完全不是这么回事。 原来Tencent Hy这个模型从一开始就不是朝着聊天模型去的，人家的定位就是奔着干活去的 Agent 向 LLM。 另外最反直觉的是它的推理效率，295B 总参数， 实际激活只有 21B 的 MoE 架构， 就能打平参数是它 2 到 5 倍的旗舰模型， 这事儿我琢磨了一下，其实有点像团队管理， 并不是说人越多产出越高， 关键得看真正干活的那几个人靠不靠谱。 为什么这个效率重要呢？ 你想想微信每天服务 10 亿人， token 成本多一厘都是天文数字， 21B 激活还能打出旗舰水准， 我觉得这才是它能被规模化铺开的根本原因， 跟刷榜没半毛钱关系。 说到刷榜，我仔细研究之后这个版本还真不是， 从 preview 到正式版，Hy3 是Hunyuan团队拿了50 多个真实业务的反馈不断迭代出来的，内部 WorkBuddy 任务成功率从 72% 干到 90%，耗时降了 34%，幻觉和常识错误全往下掉。 我原来以为 Agent 的核心是想得多深， 后来发现真正决定能不能上生产的，是稳不稳， 比如工具编排会不会中途崩，出错了能不能自己爬回来，换个框架差不差太多等等， 就是这些不起眼的东西， 才是能跑完一整套 workflow 不掉链子的关键。 当然实际测试下来Hy3 也有短板， 比如纯视觉它还不够强，不过腾讯也有单独的多模态大模型线，它能打的主要还是 coding、办公、复杂任务规划这几块。 最后说个我的一个判断：就是接下来大模型拼的可能不是谁参数更大了，核心看谁能把干活的能力以最低摩擦送到更多人手里，比如Hy3 我理解它可能不是一个更会聊天的模型，更像是一个更会干活的 Agent 底座。 话说回来，腾讯这步棋确实走得挺狠， 我觉得国产大模型的拐点真的要到了， 下方视频是我用Hy3跑的几个测试案例， 分别让它做了一个介绍自己的HTML网页， 一个我的认知系统agent网页， 和做了一个10页的PPT，都很惊艳，大家可以感受下， 会干活、会自检、还会主动说自己哪没做到位， 我觉得这才是 Agent 时代，真正能用的模型该有的样子hh～ #Hy3 #Hunyuan #TencentAI

AYi

194,015 views • 1 month ago

最近和同事吃饭，她提到小孩学校发了一个小学生编程比赛的通知。 她觉得编程太难，直接放弃了。全班也没有一个人参加。她说，这类通知发下去，基本没什么声音。 我听完冒出一个想法。少儿 AI 编程也许可以试试。 我把这个问题交给 Apodex，让它研究家长需求、竞品、成本和教育效果。 任务跑起来后，我又补了几次条件。我是一个从零开始的 Vibe Coder，预算只有 3000 元，每周最多投入 20 小时，也没有教师和家长资源。我还补充了家长可能的担心孩子用了 AI 以后，只会复制答案，不再自己思考。 Apodex 这次让我感到与传统 Deep Research明显的差别，是它把调研拆成任务板上的具体分工。 几个 sub-agent 分头查需求、竞品、成本和研究证据，条件变化以后，任务板继续更新，交付前还有一个 final_verifier 复核报告。整个过程像在跟一个小型研究团队协作，报告是最后的交付。 最终报告给出的判断很直接。以我的预算和时间，直接做 App 的失败模式太多，先做一个小型 MVP 课程，再用 30 天验证家长是否愿意付费，更现实。 更值得一提的是，它还给出了家长访谈、最小测试方案和停止条件。招不到付费家庭、孩子留存太差，或者合规走不通，就停下来。 这份调研它帮我把一个模糊想法变成了一次可以开始，也可以及时停掉的小测试。 以前有个新想法，我很容易直接打开AI coding，先把页面做出来。页面能跑，需求有没有人买单却还不知道。 这次我换了一下顺序。先搞清楚值不值得做，再开始 Vibe Coding。 这也是我对 Apodex 所说的“把任务做完”最直观的一次理解。 想拿自己的真实任务试一遍，可以直接使用 想看它背后的开源 Agent Harness，可以去 点个 Star。 Apodex 1.1 mini 的模型权重放在
1:17

最近和同事吃饭，她提到小孩学校发了一个小学生编程比赛的通知。 她觉得编程太难，直接放弃了。全班也没有一个人参加。她说，这类通知发下去，基本没什么声音。 我听完冒出一个想法。少儿 AI 编程也许可以试试。 我把这个问题交给 Apodex，让它研究家长需求、竞品、成本和教育效果。 任务跑起来后，我又补了几次条件。我是一个从零开始的 Vibe Coder，预算只有 3000 元，每周最多投入 20 小时，也没有教师和家长资源。我还补充了家长可能的担心孩子用了 AI 以后，只会复制答案，不再自己思考。 Apodex 这次让我感到与传统 Deep Research明显的差别，是它把调研拆成任务板上的具体分工。 几个 sub-agent 分头查需求、竞品、成本和研究证据，条件变化以后，任务板继续更新，交付前还有一个 final_verifier 复核报告。整个过程像在跟一个小型研究团队协作，报告是最后的交付。 最终报告给出的判断很直接。以我的预算和时间，直接做 App 的失败模式太多，先做一个小型 MVP 课程，再用 30 天验证家长是否愿意付费，更现实。 更值得一提的是，它还给出了家长访谈、最小测试方案和停止条件。招不到付费家庭、孩子留存太差，或者合规走不通，就停下来。 这份调研它帮我把一个模糊想法变成了一次可以开始，也可以及时停掉的小测试。 以前有个新想法，我很容易直接打开AI coding，先把页面做出来。页面能跑，需求有没有人买单却还不知道。 这次我换了一下顺序。先搞清楚值不值得做，再开始 Vibe Coding。 这也是我对 Apodex 所说的“把任务做完”最直观的一次理解。 想拿自己的真实任务试一遍，可以直接使用 想看它背后的开源 Agent Harness，可以去 点个 Star。 Apodex 1.1 mini 的模型权重放在

苏打白.Dev

22,721 views • 5 days ago