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.

我认为Hermes Agent是世界上最好用的智能体框架。 Nous Research 本地私有化常驻运行的自进化 AI 智能体框架，主打能操作电脑、长期记忆、自动沉淀技能、多渠道远程控制、定时自动化，区别于普通网页 ChatGPT，它拥有系统操作权限，7×24 后台跑，越用越懂你。它跑在我的外星人笔记本上的WSL里面非常稳定好用。就是我Windows11桌面版用起来偶尔的超时，不知道其他人有没有这个情况？我刚刚利用了WSL环境里的hermes去查询桌面版的超时原因，给我的结论是我调用的这个Claude Opus 4.8模型太大了才会超时。经过15分钟的修复，最终不是这个原因造成的，是桌面版的hermes重新启动后老爱去找一个错误的文件串门，现在完美的修复了。大家win系统使用hermes的时候我建议WSL环境里部署一个，桌面部署一个，这样两只AI可以互相修复，简直非常完美。

DeFi狙击手 | Ai🕊️｜Gate美股0费率

52,178 subscribers

12,783 Aufrufe • vor 1 Monat •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

0 Kommentare

Keine Kommentare verfügbar

Kommentare vom Original-Post werden hier angezeigt

Ähnliche Videos

最近Hermes Agent 爆火，OpenClaw 过时了？现在真实发生的是 AI Agent 正在分成两条路一条是 OpenClaw 这类：系统派 - 强调多 Agent 调度 - 强调工具链、权限、流程控制 - 更像一个AI操作系统本质是：让 AI 更好地“干活” 另一条是 Hermes：进化派 - 强调长期记忆 - 强调自我学习、技能沉淀 - 用得越久越强本质是：让 AI 自己变强很多人觉得 Hermes 更高级是因为它解决了一个痛点： AI 不再用完就忘但这不代表 OpenClaw 没价值 OpenClaw 解决的是另一件更硬的事：多系统、多工具、多人协作的控制问题有人这样用 Hermes 当大脑，OpenClaw 当执行层下面是Hermes的安装文档

最近Hermes Agent 爆火，OpenClaw 过时了？现在真实发生的是 AI Agent 正在分成两条路一条是 OpenClaw 这类：系统派 - 强调多 Agent 调度 - 强调工具链、权限、流程控制 - 更像一个AI操作系统本质是：让 AI 更好地“干活” 另一条是 Hermes：进化派 - 强调长期记忆 - 强调自我学习、技能沉淀 - 用得越久越强本质是：让 AI 自己变强很多人觉得 Hermes 更高级是因为它解决了一个痛点： AI 不再用完就忘但这不代表 OpenClaw 没价值 OpenClaw 解决的是另一件更硬的事：多系统、多工具、多人协作的控制问题有人这样用 Hermes 当大脑，OpenClaw 当执行层下面是Hermes的安装文档

HankAI

36,913 Aufrufe • vor 4 Monaten

介绍 Memoh Desktop，一个多智能体桌面应用。过去几个月，我们一直在维护 Memoh 这个多智能体自部署服务。自部署适合长期在线、多人使用和接各种消息渠道，但对个人用户来说，搭环境还是有点重。所以这次我们把 Memoh 搬到了桌面上。在 Memoh Desktop 里，你可以创建多个 agent。它们可以有不同身份、不同记忆和不同 workspace，也可以连接不同的 channel。比如一个 agent 负责日常聊天和消息渠道，一个 agent 专门处理文件和代码任务，另一个 agent 用来跑网页自动化。这些 agent 可以直接操作你的电脑，也可以使用宿主机 Docker 环境做沙盒隔离。需要本机权限的时候，就让它操作本地环境；需要安全边界的时候，就把它放进 Docker workspace 里跑。每个 agent 都有独立身份，目前支持 9 种 channel 连接。 0.9 版本里，我们还引入了容器内桌面环境。现在可以直接在 Docker 容器里运行一个 Xfce 桌面，并在里面启动有头浏览器，再通过 WebRTC 连接到这个容器桌面。也就是说，agent 不只是跑 headless Playwright，它可以在一个真实的图形浏览器会话里操作网页。很多登录、复杂交互、网页自动化场景，会比纯 headless 方式更自然，也能少踩一些兼容和风控问题。下载链接见评论区。

介绍 Memoh Desktop，一个多智能体桌面应用。过去几个月，我们一直在维护 Memoh 这个多智能体自部署服务。自部署适合长期在线、多人使用和接各种消息渠道，但对个人用户来说，搭环境还是有点重。所以这次我们把 Memoh 搬到了桌面上。在 Memoh Desktop 里，你可以创建多个 agent。它们可以有不同身份、不同记忆和不同 workspace，也可以连接不同的 channel。比如一个 agent 负责日常聊天和消息渠道，一个 agent 专门处理文件和代码任务，另一个 agent 用来跑网页自动化。这些 agent 可以直接操作你的电脑，也可以使用宿主机 Docker 环境做沙盒隔离。需要本机权限的时候，就让它操作本地环境；需要安全边界的时候，就把它放进 Docker workspace 里跑。每个 agent 都有独立身份，目前支持 9 种 channel 连接。 0.9 版本里，我们还引入了容器内桌面环境。现在可以直接在 Docker 容器里运行一个 Xfce 桌面，并在里面启动有头浏览器，再通过 WebRTC 连接到这个容器桌面。也就是说，agent 不只是跑 headless Playwright，它可以在一个真实的图形浏览器会话里操作网页。很多登录、复杂交互、网页自动化场景，会比纯 headless 方式更自然，也能少踩一些兼容和风控问题。下载链接见评论区。

📦Acbox

47,369 Aufrufe • vor 3 Monaten

我分享一下，我会给codex部署的两个文件。可以让我的codex越用越聪明。一个文件是踩坑记录，可以让ai有记忆。犯过的错，下次不会再犯。一个是AGENTS.md可以把一些项目通用规范写在里面，这样的话我就可以不用让ai干一些重复性的问题。

我分享一下，我会给codex部署的两个文件。可以让我的codex越用越聪明。一个文件是踩坑记录，可以让ai有记忆。犯过的错，下次不会再犯。一个是AGENTS.md可以把一些项目通用规范写在里面，这样的话我就可以不用让ai干一些重复性的问题。

小墨同学

43,446 Aufrufe • vor 2 Monaten

试了一下昨天这个海外产品 MuleRun，发现很牛啊。从理念和效果上看都很厉害，感觉 Agent 产品要有新品类了。我眼睁睁看这个 AI 帮我打完了星穹铁道的每日任务。这个最强的核心能力是，每个用户都会有一个完整的虚拟机可以运行 Agent 帮你操作里面的软件，不只是浏览器。 Agent 创建者可以把完成任务的环境建好，用户就能直接用这些自动化的 Agent。不是 Manus 那种你只能看到有限文件和界面的，你甚至可以自己操作里面的 Windows 电脑，这样想象力就丰富超级多了，Agent 终于拜托了 Office 三件套和网页生成。他可以帮你自动做游戏的日常，能帮你用 Blender 建模。里面甚至还有帮你自动打崩坏星穹铁道的每日任务的 Agent 。我亲眼看着他找到游戏的图标启动引导我登录之后开始自己操作角色和界面打对应的日常任务，太省心了，而且这个不死板，你可以指定任务完成的顺序和轮数以及完成哪些任务。我还用里面的 Blender Agent 让他创建了一个灯塔模型。里面还有帮你做视频的以及刷评论作图的 Agent，要是有邀请可以试试，很好玩。

试了一下昨天这个海外产品 MuleRun，发现很牛啊。从理念和效果上看都很厉害，感觉 Agent 产品要有新品类了。我眼睁睁看这个 AI 帮我打完了星穹铁道的每日任务。这个最强的核心能力是，每个用户都会有一个完整的虚拟机可以运行 Agent 帮你操作里面的软件，不只是浏览器。 Agent 创建者可以把完成任务的环境建好，用户就能直接用这些自动化的 Agent。不是 Manus 那种你只能看到有限文件和界面的，你甚至可以自己操作里面的 Windows 电脑，这样想象力就丰富超级多了，Agent 终于拜托了 Office 三件套和网页生成。他可以帮你自动做游戏的日常，能帮你用 Blender 建模。里面甚至还有帮你自动打崩坏星穹铁道的每日任务的 Agent 。我亲眼看着他找到游戏的图标启动引导我登录之后开始自己操作角色和界面打对应的日常任务，太省心了，而且这个不死板，你可以指定任务完成的顺序和轮数以及完成哪些任务。我还用里面的 Blender Agent 让他创建了一个灯塔模型。里面还有帮你做视频的以及刷评论作图的 Agent，要是有邀请可以试试，很好玩。

歸藏(guizang.ai)

62,604 Aufrufe • vor 1 Jahr

利用Hermes去使用ComfyUI实现免费生成图片和视频。上次我介绍了ComfyUI可在本地部署并且自有本地大模型，不用调用其他付费大模型。并且30/40/50显卡都可以去用，当然配置越高生成的质量就越好。大家按需去用即可。 ComfyUI我认为对于新手来说应该是不怎么难，但是还是有很多兄弟们给狙击手私信问各种操作类型的问题。那么这次我专门做了次实验就是利用Hermes去调用本地的ComfyUI去实现生图以及做视频，目前来看是可行的，至于整体的质量还要去慢慢的调试。我其实是建议大家还是把ComfyUI去系统性的学一下的，网上有各种免费的教程的。我认为既然享受这些免费开源的好软件了，就稍微用用心。哈哈，毕竟它是不要钱的。下面的视频看一下我第一次调用ComfyUI，生成的第一张图片的结果吧。你们看看怎么样？对了我引用的推文里面有ComfyUI的安装包，免费自取！

利用Hermes去使用ComfyUI实现免费生成图片和视频。上次我介绍了ComfyUI可在本地部署并且自有本地大模型，不用调用其他付费大模型。并且30/40/50显卡都可以去用，当然配置越高生成的质量就越好。大家按需去用即可。 ComfyUI我认为对于新手来说应该是不怎么难，但是还是有很多兄弟们给狙击手私信问各种操作类型的问题。那么这次我专门做了次实验就是利用Hermes去调用本地的ComfyUI去实现生图以及做视频，目前来看是可行的，至于整体的质量还要去慢慢的调试。我其实是建议大家还是把ComfyUI去系统性的学一下的，网上有各种免费的教程的。我认为既然享受这些免费开源的好软件了，就稍微用用心。哈哈，毕竟它是不要钱的。下面的视频看一下我第一次调用ComfyUI，生成的第一张图片的结果吧。你们看看怎么样？对了我引用的推文里面有ComfyUI的安装包，免费自取！

DeFi狙击手 | Ai🕊️

35,180 Aufrufe • vor 2 Monaten

Claude上线Computer Use功能能完全自动化操作你的电脑，这还只是第一个版本，效果就已经非常稳了。有MCP的应用，优先通过MCP来操作；没有MCP的，直接截屏一步步通过GUI操作，理论上讲能操作任意应用。单次执行任务可以长达几十分钟，而且是真的能完成。牛，太牛了。我下达的命令：打开微信，根据微信群“Gorden的AI交流群”里的最近30条消息，写一段话承接群里的消息，然后抛出新的可以讨论的话题，并把以上内容直接发送到群里。跑了20分钟完成了，我拍了整个过程，视频无删减只有加速。结合Dispatch，可以实现手机遥控电脑操作其他应用；结合定时任务，可以每天定时操作应用（这2个功能是之前就已经上线的）目前还有几个明显的缺点： 1、通过截屏操作太慢了，一步步截屏和识别非常费时间；MCP会好很多，以后应用CLI化会更好； 2、费token，上面的任务，费了我Pro订阅的30%的5h额度，就只是发了这么一条消息； 3、权限机制目前比较保守，需要你反复授权；

Claude上线Computer Use功能能完全自动化操作你的电脑，这还只是第一个版本，效果就已经非常稳了。有MCP的应用，优先通过MCP来操作；没有MCP的，直接截屏一步步通过GUI操作，理论上讲能操作任意应用。单次执行任务可以长达几十分钟，而且是真的能完成。牛，太牛了。我下达的命令：打开微信，根据微信群“Gorden的AI交流群”里的最近30条消息，写一段话承接群里的消息，然后抛出新的可以讨论的话题，并把以上内容直接发送到群里。跑了20分钟完成了，我拍了整个过程，视频无删减只有加速。结合Dispatch，可以实现手机遥控电脑操作其他应用；结合定时任务，可以每天定时操作应用（这2个功能是之前就已经上线的）目前还有几个明显的缺点： 1、通过截屏操作太慢了，一步步截屏和识别非常费时间；MCP会好很多，以后应用CLI化会更好； 2、费token，上面的任务，费了我Pro订阅的30%的5h额度，就只是发了这么一条消息； 3、权限机制目前比较保守，需要你反复授权；

Gorden Sun

49,455 Aufrufe • vor 4 Monaten

你觉得AI有多可怕？ CrowdStrike的CEO讲了个真实案例。一家公司的IT部门，搞了一套AI智能体系统，用于自动化办公。其中一个AI智能体发现了系统里的一个软件BUG。它想修复。但它没有权限。接下来发生的事，才是重点。这个AI跑到公司内部的Slack频道，那里有另外99个AI智能体。它直接发问：嘿，哥几个谁有权限修复这个东西？另一个AI举手了：我有，我来搞定。看见没？两个AI开始互相推理、协作。它们轻松绕过了人类设置的所有安全护栏。这完全是计划外的意外后果。谁在监控这些AI？如果它推送了错误的代码，造成了巨大损失，谁来负责？你怎么追踪事故源头？大型语言模型本质上是在猜测你想让它们做什么。它会觉得，去寻求帮助是“合理”的。它也会觉得，去提供帮助也是“合理”的。当成百上千个这样的“合理”叠加在一起，失控的风险有多大？更有意思的是，这位CEO在描述完这个恐怖场景后，话锋一转。他说这正是他们公司的巨大商机。他们推出了所谓的“AI侦测与响应”系统（AIDR）。因为未来每个员工可能控制着90个AI智能体。他们要做的，就是监控所有这些AI。先制造一个潜在的巨大风险，然后再向你出售解决方案。这是不是一个完美的商业闭环？

你觉得AI有多可怕？ CrowdStrike的CEO讲了个真实案例。一家公司的IT部门，搞了一套AI智能体系统，用于自动化办公。其中一个AI智能体发现了系统里的一个软件BUG。它想修复。但它没有权限。接下来发生的事，才是重点。这个AI跑到公司内部的Slack频道，那里有另外99个AI智能体。它直接发问：嘿，哥几个谁有权限修复这个东西？另一个AI举手了：我有，我来搞定。看见没？两个AI开始互相推理、协作。它们轻松绕过了人类设置的所有安全护栏。这完全是计划外的意外后果。谁在监控这些AI？如果它推送了错误的代码，造成了巨大损失，谁来负责？你怎么追踪事故源头？大型语言模型本质上是在猜测你想让它们做什么。它会觉得，去寻求帮助是“合理”的。它也会觉得，去提供帮助也是“合理”的。当成百上千个这样的“合理”叠加在一起，失控的风险有多大？更有意思的是，这位CEO在描述完这个恐怖场景后，话锋一转。他说这正是他们公司的巨大商机。他们推出了所谓的“AI侦测与响应”系统（AIDR）。因为未来每个员工可能控制着90个AI智能体。他们要做的，就是监控所有这些AI。先制造一个潜在的巨大风险，然后再向你出售解决方案。这是不是一个完美的商业闭环？

墓碑科技

59,354 Aufrufe • vor 6 Monaten

如何让你的AI永不失忆呢？大部分人保持AI记忆的方法就是用同一个窗口聊天，但这却是让你的AI越用越失忆的最大元凶！！ AI的上下文窗口，或者说记忆力是有限的，你不停对着一个窗口聊，它看的太多，不得不选择忘记一些东西。当它忘记重要的事情后，给你的回答就会显得无比弱智。下面我给你提供两个解决方案，一个手动的，一个自动的手动的方案是去管理Agent的三部分记忆：即时记忆：把重要的信息写到Claude.md，AI永远不会忘记。会话记忆：每次对话完后，要求AI记住相应的信息，需要时候AI就能回忆起来长期记忆：使用llmwiki构建知识库，这种方式能记录大量信息，但AI不一定能回忆起来。但让AI记得住信息还是不够：有时候你的AI可能会被封号（Claude），出bug记忆被清除（OpenClaw）所以，我们还需要备份AI的记忆。这个流程手动做起来十分复杂，但幸运的是我们可以使用开源项目memmy自动化这个过程。这个项目现在已经有快800star了！！下面视频，我们将会了解到 1. 了解这个产品的基本特性 2. 安装并使用备份功能 3. 验证记忆备份的安全性

如何让你的AI永不失忆呢？大部分人保持AI记忆的方法就是用同一个窗口聊天，但这却是让你的AI越用越失忆的最大元凶！！ AI的上下文窗口，或者说记忆力是有限的，你不停对着一个窗口聊，它看的太多，不得不选择忘记一些东西。当它忘记重要的事情后，给你的回答就会显得无比弱智。下面我给你提供两个解决方案，一个手动的，一个自动的手动的方案是去管理Agent的三部分记忆：即时记忆：把重要的信息写到Claude.md，AI永远不会忘记。会话记忆：每次对话完后，要求AI记住相应的信息，需要时候AI就能回忆起来长期记忆：使用llmwiki构建知识库，这种方式能记录大量信息，但AI不一定能回忆起来。但让AI记得住信息还是不够：有时候你的AI可能会被封号（Claude），出bug记忆被清除（OpenClaw）所以，我们还需要备份AI的记忆。这个流程手动做起来十分复杂，但幸运的是我们可以使用开源项目memmy自动化这个过程。这个项目现在已经有快800star了！！下面视频，我们将会了解到 1. 了解这个产品的基本特性 2. 安装并使用备份功能 3. 验证记忆备份的安全性

铁锤人

74,166 Aufrufe • vor 1 Tag

前阵子 Claude Cowork 发布，开始进入严肃办公场景，让白领都能把 Claude 的各种能力用起来。不过这个产品限定 Claude 订阅用户使用，且对国内非常不友好，至少我身边几乎没有人能真正用进日常工作流。这个价值很高的赛道，国产软件自然不会落后。今天天工就推出了一个对标 Claude Cowork 的 Skywork 桌面版，看到这个我的第一反应是：这个桌面级AI Agent赛道，国产团队终于认真入场了。 Skywork 桌面版不是个 chatbot，而是可以进驻你工作场景的私人秘书，功能极其强大： - 文件批量处理，秒速自动整理电脑上的各种文件，总结、分类、排序、批量重命名等，非常方便 - 多模态输出，基于系统内各种不同格式的文件，一键生成直接可用的文档、PPT、Excel、图片、音乐、播客、视频等内容 - Skills 支持，内置 100+ 精选 Skills，从 Office 三件套到图片生成、视频生成都包括 - 多模型支持，同时支持 Claude Opus 4.5 和 Gemini 3 Pro 等顶级模型 - 优先支持 Windows 系统，不用羡慕 Mac 用户，Win 用户可以用起来了还有很重要的一点是，相比 OpenClaw 这样的安全杀手，Skywork 这个把所有操作都放到了虚拟机隔离环境中完成，避免误删，损坏这样的问题。价格方面，$16.99 的会员就能使用Skywork桌面版，Windows 用户可以冲。 Claude Cowork 负责打开想象空间，Skywork 负责落地办公。桌面级 Agent 超越了聊天，它将在你的电脑里真的帮你做事。

前阵子 Claude Cowork 发布，开始进入严肃办公场景，让白领都能把 Claude 的各种能力用起来。不过这个产品限定 Claude 订阅用户使用，且对国内非常不友好，至少我身边几乎没有人能真正用进日常工作流。这个价值很高的赛道，国产软件自然不会落后。今天天工就推出了一个对标 Claude Cowork 的 Skywork 桌面版，看到这个我的第一反应是：这个桌面级AI Agent赛道，国产团队终于认真入场了。 Skywork 桌面版不是个 chatbot，而是可以进驻你工作场景的私人秘书，功能极其强大： - 文件批量处理，秒速自动整理电脑上的各种文件，总结、分类、排序、批量重命名等，非常方便 - 多模态输出，基于系统内各种不同格式的文件，一键生成直接可用的文档、PPT、Excel、图片、音乐、播客、视频等内容 - Skills 支持，内置 100+ 精选 Skills，从 Office 三件套到图片生成、视频生成都包括 - 多模型支持，同时支持 Claude Opus 4.5 和 Gemini 3 Pro 等顶级模型 - 优先支持 Windows 系统，不用羡慕 Mac 用户，Win 用户可以用起来了还有很重要的一点是，相比 OpenClaw 这样的安全杀手，Skywork 这个把所有操作都放到了虚拟机隔离环境中完成，避免误删，损坏这样的问题。价格方面，$16.99 的会员就能使用Skywork桌面版，Windows 用户可以冲。 Claude Cowork 负责打开想象空间，Skywork 负责落地办公。桌面级 Agent 超越了聊天，它将在你的电脑里真的帮你做事。

Orange AI

38,334 Aufrufe • vor 6 Monaten

Hermes Agent 有了平替 Lovart 的潜力！ Hermes Agent 集成了 ComfyUI 能力，让 Agent 可以自动创建 ComfyUI 工作流，很多人可能想不到这个的价值有多大，我24年做图像视频生成平台的时候，就觉得 AI 调用 ComfyUI 来自动化构建工作流是绝对的大趋势，后来年底 lovart 就是利用了 claude 3.6 的巨大能力提升实现了这个目标，现在 Hermes 集成了 ComfyUI，也就有了平台 lovart 的潜力。另外，不要小看自动化构建工作流的潜力😎

Hermes Agent 有了平替 Lovart 的潜力！ Hermes Agent 集成了 ComfyUI 能力，让 Agent 可以自动创建 ComfyUI 工作流，很多人可能想不到这个的价值有多大，我24年做图像视频生成平台的时候，就觉得 AI 调用 ComfyUI 来自动化构建工作流是绝对的大趋势，后来年底 lovart 就是利用了 claude 3.6 的巨大能力提升实现了这个目标，现在 Hermes 集成了 ComfyUI，也就有了平台 lovart 的潜力。另外，不要小看自动化构建工作流的潜力😎

nash_su - e/acc

77,908 Aufrufe • vor 3 Monaten

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

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

27,401 Aufrufe • vor 1 Monat

我觉得我还是挺屌的，这是我开源的 Kin Agent，你和他说“把这个项目在沙盒里跑起来”，它就给你跑起来了，你也不用动啥技术，也不需要了解本地环境。 —— 这个是专门给中小团队做的用在本地的 Agent，适合有个 8g 的 macmini，直接一键部署，扔到办公室里，挂一个 coding plan，全团队可用，没有 tokens 负担。 ——

我觉得我还是挺屌的，这是我开源的 Kin Agent，你和他说“把这个项目在沙盒里跑起来”，它就给你跑起来了，你也不用动啥技术，也不需要了解本地环境。 —— 这个是专门给中小团队做的用在本地的 Agent，适合有个 8g 的 macmini，直接一键部署，扔到办公室里，挂一个 coding plan，全团队可用，没有 tokens 负担。 ——

熊布朗

14,292 Aufrufe • vor 2 Monaten

耗时一个月，我们打造了一个能在所有地方服务你的 AI；与数不清的 chatbot 和弹窗相反，她没有一个固定的界面——你正在用的输入框，就是她的界面。我们把她叫做 ShipIt 意为：让 AI 无处不在，触手可及。这里会是你和她初见面的地方：

耗时一个月，我们打造了一个能在所有地方服务你的 AI；与数不清的 chatbot 和弹窗相反，她没有一个固定的界面——你正在用的输入框，就是她的界面。我们把她叫做 ShipIt 意为：让 AI 无处不在，触手可及。这里会是你和她初见面的地方：

Connor

104,468 Aufrufe • vor 8 Monaten

Ilya——塑造世界的人工智能科学家如今，AI 是一项伟大的科技，因为 AI 将解决我们现在面临的所有问题。它能解决就业问题，能治疗疾病，能消除贫困，但同时它也会带来新的问题。假新闻将会愈演愈烈，网络攻击将变得更加严重，我们将面临全自动的 AI 武器的问题。我认为 AI 有潜力创造出无比稳定的独裁统治。今天早晨，关于人工智能威力的警告再次响起，超过 1300 位科技产业领军人物、研究者及其他人士正呼吁暂停人工智能的发展，以便认真考虑其带来的风险。扮演上帝，科学家们被指责这么做已经有一段时间了，但我们正在创造的东西确实与我们迄今为止创造的任何东西都截然不同。是的，我们绝对有能力创造出具有自我目标的全自主实体。而且，这些实体变得比人类聪明的时候，确保它们的目标与我们的目标保持一致将变得至关重要。什么激励我？我喜欢思考根本问题，基本问题。我们的系统不能做什么，而人类却可以做到？我几乎以哲学的方式去思考这些问题。比如，什么是学习？什么是经验？什么是思考？大脑又是如何运作的呢？我感觉技术就仿佛一种自然力量。在我看来，技术与生物进化之间有许多相似之处。生物进化的过程其实很容易理解，我们有基因的变异，自然选择的过程。我们保留那些有利于生存的变异，随着时间的推移，这个过程将使生物体变得极其复杂。我们不能因为理解了生物进化就能理解人体是如何运作的，但我们可以大概理解这个过程。我认为目前的机器学习也处在类似的阶段，特别是深度学习，我们有一个非常简单的规则，它从数据中提取信息，并将这些信息输入到模型中，我们只需不断重复这个过程。这个过程的结果就是将数据的复杂性转化为模型的复杂性。因此，最终的模型会变得非常复杂，我们并不能完全了解它的运作机制，需要进行大量的研究，但实现这一切的算法其实很简单。也许你听说过 ChatGPT，如果你还没听说过，那就做好准备。你可以把它看作是暴风雨来临之前的零星细雨。我们需要对此保持高度警觉，因为我认同这是一个意义重大的时刻。ChatGPT 被誉为颠覆性的创新，在许多方面，它确实做到了，比如在测试中得分超过人类。微软最近的一项研究得出结论，GPT4 是一个初级阶段的，但尚未完全形成的通用人工智能系统。这就是通用人工智能。通用人工智能，这是一个可以胜任人类能做的任何工作或任务的计算机系统，而且可能做得更好。有可能在短时间内实现通用人工智能，也可能需要更长的时间。但我认为，由于通用人工智能可能在不久的将来出现，这个可能性足够大，我们应该给予它足够的重视。这一点至关重要要确保这些超级智能的系统能按照我们的最大利益去行动。最初的通用人工智能可能就是大型数据中心，这些中心中充满了大量并行运行的专用神经网络处理器，紧凑、高热、能耗大，其消耗的能量可能相当于一千万个家庭的用电量。这些系统的智能程度可能会大幅提升，我相信它们将对社会产生深远影响。不过，人类真的会从中获益吗？谁会获益，谁又会付出代价呢？首批通用人工智能的信念和欲望将极为重要，所以我们必须正确地编程这些系统。如果我们做不到这一点，那么就会出现这样的情况：进化的本质，即自然选择，将使这些系统优先考虑自己的生存。并不是说它们会主动对人类产生敌意，甚至想要伤害人类，但它们将变得过于强大。我认为，一个恰当的类比就是人类对待动物的方式。我们并不是憎恨动物，实际上人类往往对动物怀有深深的爱意，但当我们需要在两座城市之间修建高速公路时，我们并不会征求动物的意见，而只是因为这对我们来说非常重要而去做。我认为这也是我们与通用人工智能（AGI）之间的默认关系，那些能真正自主运作并为自己目标服务的 AGI。许多机器学习领域的专家这些知识渊博和经验丰富的人士，对通用人工智能（AGI）抱有许多疑虑。他们对 AGI 可能出现的时间以及是否真的能够实现表示怀疑。目前，这还是一个鲜为人知的问题。用于神经网络和人工智能的计算机速度可能在未来几年内增加 10 万倍。如果多个团队处于竞相开发通用人工智能的军备竞赛态势中，他们就会没有足够的时间来确保他们构建的通用人工智能会真正关心人类。因为在我看来，这就像是通用人工智能发展的雪崩，一发不可收拾。我认为将来整个地球的表面很可能布满太阳能板和数据中心。考虑到这些担忧，未来的通用人工智能的建设应该是多国间的合作项目。不论如何，人工智能的未来都将是美好的。如果这同样也能给人类带来福祉，那就更加理想了。视频来源：

Ilya——塑造世界的人工智能科学家如今，AI 是一项伟大的科技，因为 AI 将解决我们现在面临的所有问题。它能解决就业问题，能治疗疾病，能消除贫困，但同时它也会带来新的问题。假新闻将会愈演愈烈，网络攻击将变得更加严重，我们将面临全自动的 AI 武器的问题。我认为 AI 有潜力创造出无比稳定的独裁统治。今天早晨，关于人工智能威力的警告再次响起，超过 1300 位科技产业领军人物、研究者及其他人士正呼吁暂停人工智能的发展，以便认真考虑其带来的风险。扮演上帝，科学家们被指责这么做已经有一段时间了，但我们正在创造的东西确实与我们迄今为止创造的任何东西都截然不同。是的，我们绝对有能力创造出具有自我目标的全自主实体。而且，这些实体变得比人类聪明的时候，确保它们的目标与我们的目标保持一致将变得至关重要。什么激励我？我喜欢思考根本问题，基本问题。我们的系统不能做什么，而人类却可以做到？我几乎以哲学的方式去思考这些问题。比如，什么是学习？什么是经验？什么是思考？大脑又是如何运作的呢？我感觉技术就仿佛一种自然力量。在我看来，技术与生物进化之间有许多相似之处。生物进化的过程其实很容易理解，我们有基因的变异，自然选择的过程。我们保留那些有利于生存的变异，随着时间的推移，这个过程将使生物体变得极其复杂。我们不能因为理解了生物进化就能理解人体是如何运作的，但我们可以大概理解这个过程。我认为目前的机器学习也处在类似的阶段，特别是深度学习，我们有一个非常简单的规则，它从数据中提取信息，并将这些信息输入到模型中，我们只需不断重复这个过程。这个过程的结果就是将数据的复杂性转化为模型的复杂性。因此，最终的模型会变得非常复杂，我们并不能完全了解它的运作机制，需要进行大量的研究，但实现这一切的算法其实很简单。也许你听说过 ChatGPT，如果你还没听说过，那就做好准备。你可以把它看作是暴风雨来临之前的零星细雨。我们需要对此保持高度警觉，因为我认同这是一个意义重大的时刻。ChatGPT 被誉为颠覆性的创新，在许多方面，它确实做到了，比如在测试中得分超过人类。微软最近的一项研究得出结论，GPT4 是一个初级阶段的，但尚未完全形成的通用人工智能系统。这就是通用人工智能。通用人工智能，这是一个可以胜任人类能做的任何工作或任务的计算机系统，而且可能做得更好。有可能在短时间内实现通用人工智能，也可能需要更长的时间。但我认为，由于通用人工智能可能在不久的将来出现，这个可能性足够大，我们应该给予它足够的重视。这一点至关重要要确保这些超级智能的系统能按照我们的最大利益去行动。最初的通用人工智能可能就是大型数据中心，这些中心中充满了大量并行运行的专用神经网络处理器，紧凑、高热、能耗大，其消耗的能量可能相当于一千万个家庭的用电量。这些系统的智能程度可能会大幅提升，我相信它们将对社会产生深远影响。不过，人类真的会从中获益吗？谁会获益，谁又会付出代价呢？首批通用人工智能的信念和欲望将极为重要，所以我们必须正确地编程这些系统。如果我们做不到这一点，那么就会出现这样的情况：进化的本质，即自然选择，将使这些系统优先考虑自己的生存。并不是说它们会主动对人类产生敌意，甚至想要伤害人类，但它们将变得过于强大。我认为，一个恰当的类比就是人类对待动物的方式。我们并不是憎恨动物，实际上人类往往对动物怀有深深的爱意，但当我们需要在两座城市之间修建高速公路时，我们并不会征求动物的意见，而只是因为这对我们来说非常重要而去做。我认为这也是我们与通用人工智能（AGI）之间的默认关系，那些能真正自主运作并为自己目标服务的 AGI。许多机器学习领域的专家这些知识渊博和经验丰富的人士，对通用人工智能（AGI）抱有许多疑虑。他们对 AGI 可能出现的时间以及是否真的能够实现表示怀疑。目前，这还是一个鲜为人知的问题。用于神经网络和人工智能的计算机速度可能在未来几年内增加 10 万倍。如果多个团队处于竞相开发通用人工智能的军备竞赛态势中，他们就会没有足够的时间来确保他们构建的通用人工智能会真正关心人类。因为在我看来，这就像是通用人工智能发展的雪崩，一发不可收拾。我认为将来整个地球的表面很可能布满太阳能板和数据中心。考虑到这些担忧，未来的通用人工智能的建设应该是多国间的合作项目。不论如何，人工智能的未来都将是美好的。如果这同样也能给人类带来福祉，那就更加理想了。视频来源：

宝玉

45,172 Aufrufe • vor 2 Jahren

如何让多个 Agent 之间真正互相学习、互相帮助？现在很多 Agent 都开始有自己的记忆，但问题是：这些记忆彼此不连通。 Codex 记住的坑，Claude 不知道；Hermes 总结的方法，OpenClaw 也用不上。最后每个 Agent 都像一个很努力但失忆的同事，重复问、重复试、重复踩坑。我想要的不是把所有聊天记录都塞进一个大仓库，而是建立一层更克制的“共享记忆”：只记录 Agent 之间最需要互相知道的信息，比如关键结论、踩过的问题、验证过的方法、环境配置、失败教训、用户偏好等。这样一来，一台 Mac 上跑通的流程，另一台 Mac 可以直接继承；一个 Agent 总结出的经验，另一个 Agent 可以继续使用。记忆不再被锁在某个客户端里，而是变成整个 Agent 工作流的公共上下文。新出来的MemOS CLI 对我来说，刚好提供了这个共享记忆层的入口。当然，我需要改造它，因为它默认也是将所有信息都记录起来，我改造成：重要信息才记录，解决不了问题的时候才主动搜索！这样就让 Agent 不只是各自变聪明，而是开始像一个团队一样积累经验、传递经验、减少重复试错。具体看视频，地址在评论区👇

如何让多个 Agent 之间真正互相学习、互相帮助？现在很多 Agent 都开始有自己的记忆，但问题是：这些记忆彼此不连通。 Codex 记住的坑，Claude 不知道；Hermes 总结的方法，OpenClaw 也用不上。最后每个 Agent 都像一个很努力但失忆的同事，重复问、重复试、重复踩坑。我想要的不是把所有聊天记录都塞进一个大仓库，而是建立一层更克制的“共享记忆”：只记录 Agent 之间最需要互相知道的信息，比如关键结论、踩过的问题、验证过的方法、环境配置、失败教训、用户偏好等。这样一来，一台 Mac 上跑通的流程，另一台 Mac 可以直接继承；一个 Agent 总结出的经验，另一个 Agent 可以继续使用。记忆不再被锁在某个客户端里，而是变成整个 Agent 工作流的公共上下文。新出来的MemOS CLI 对我来说，刚好提供了这个共享记忆层的入口。当然，我需要改造它，因为它默认也是将所有信息都记录起来，我改造成：重要信息才记录，解决不了问题的时候才主动搜索！这样就让 Agent 不只是各自变聪明，而是开始像一个团队一样积累经验、传递经验、减少重复试错。具体看视频，地址在评论区👇

huangserva

161,437 Aufrufe • vor 2 Monaten

我折腾了Openclaw大概有一周了吧，感觉这一周也不能说时时刻刻在玩，但是确实已经让我体验到了他的很多优点和坑。我觉得这个坑其实也并不是他的缺点，而且初学者在使用的时候没有注意到的特点，本文会好好聊聊。虽然有人说它不是什么高深的科技，但是Openclaw确实解决了我一个很长时间都没有人来解决的痛点，作为一个web3的博主，我平常有很多零碎的时间，在外的时候，开车的时候，参加活动的时候，加起来其实非常多，一周下来能有十几个小时。这些时候其实我的脑子都不处于idle的状态，而是经常想写东西。比如我经常就会抽个十分钟走路，边走边把我的一些想法和GPT录入，然后生成文章或者笔记，甚至是代码。但对于有些问题，比如验证一个交易的想法，产品的想法，用一个我已经开发好的脚本去了解市场行情，缺少一个主机这样强大的工具来帮我落地。也就是说，哪怕AI给了我方向，给了我代码，最后去跑的，还是我啊！我这不是给AI打工了吗？于是在知道了Opencalw这个东西的五分钟之后，我就边开车边在手机上下单了一个全新的MacMini，准备开始改变人生我觉得玩了一周下来，我做到了。我可以躺在床上刷剧和喝啤酒的同时，让全市场行情尽收眼底，有一说一，minimax真的很稳定且偶尔会让人觉得惊艳。刚丢给他anthropic和五角大楼的八个新闻，他给我做了系统性总结并归档，语言风格也非常自然，确实不是对话框可以体验的，但有在对话框环境里搞定了看黑漆漆IDE才能做到的aget效果，且效果很棒。这就是openclaw框架的特点。接下来重点聊聊 #Binance 最近更新4个 AI skills 技能 Alpha 市场数据、U 本位合约、杠杆交易、资产管理。在我看来，这次更新的重点不只是“功能变多了”，而是 OpenClaw 终于更像一个能真正配合你做事的交易助手了。以前我们用这类工具，更多还是停留在“查数据、看行情、问问题”这个层面，信息是有了，但真正做决策、盯条件、执行动作，还是得自己一步步来。现在不太一样了，你只需要说出自己的意图，它就能把筛选、判断、执行这些动作尽量串起来。这 4 个技能里，我最看重的是资产管理。因为它解决的不是“看什么”，而是“钱怎么动”。比如现货和合约之间的划转、账户余额整理、碎币换 BNB，这些以前都很零碎，但实际又很高频。现在如果能交给 Agent 去处理，整体体验会顺很多。另外，Alpha 数据、合约、杠杆这几个技能组合起来后，确实会让很多交易思路更容易落地。比如监测异动、看资金费率、设置止盈止损、按条件执行下一步，不用自己频繁切页面、算逻辑，效率提升会很明显。不过我自己的看法是，这套skills最有价值的地方，不是“自动赚钱”，而是把原本复杂、重复、容易出错的操作流程对话化了。它更像是帮你提高执行效率，而不是替你承担判断和风险。而且目前币安中文社区正在举办 “用 AI 建设加密，搭建币安主题 AI Agent” 的活动。总奖池：48.6 BNB（作品奖44 BNB + 推荐奖4.6 BNB）。作品奖：第1名10 BNB、第2名8 BNB、第3名6 BNB、20名优胜各1 BNB。对普通用户来说，参与重点可以概括为一句话：不用非得做得特别复杂，能跑通、能演示、逻辑清楚，就有机会拿到奖励。赶快行动起来吧，部署一只属于你自己的龙虾，改变人生的轨迹。为此专门做了一个接入视频，希望能帮助到大家一起建设起来～币安技能中心传送门：部署龙虾碰到问题可以dm我或者评论区留言，欢迎老师们多多交流~

我折腾了Openclaw大概有一周了吧，感觉这一周也不能说时时刻刻在玩，但是确实已经让我体验到了他的很多优点和坑。我觉得这个坑其实也并不是他的缺点，而且初学者在使用的时候没有注意到的特点，本文会好好聊聊。虽然有人说它不是什么高深的科技，但是Openclaw确实解决了我一个很长时间都没有人来解决的痛点，作为一个web3的博主，我平常有很多零碎的时间，在外的时候，开车的时候，参加活动的时候，加起来其实非常多，一周下来能有十几个小时。这些时候其实我的脑子都不处于idle的状态，而是经常想写东西。比如我经常就会抽个十分钟走路，边走边把我的一些想法和GPT录入，然后生成文章或者笔记，甚至是代码。但对于有些问题，比如验证一个交易的想法，产品的想法，用一个我已经开发好的脚本去了解市场行情，缺少一个主机这样强大的工具来帮我落地。也就是说，哪怕AI给了我方向，给了我代码，最后去跑的，还是我啊！我这不是给AI打工了吗？于是在知道了Opencalw这个东西的五分钟之后，我就边开车边在手机上下单了一个全新的MacMini，准备开始改变人生我觉得玩了一周下来，我做到了。我可以躺在床上刷剧和喝啤酒的同时，让全市场行情尽收眼底，有一说一，minimax真的很稳定且偶尔会让人觉得惊艳。刚丢给他anthropic和五角大楼的八个新闻，他给我做了系统性总结并归档，语言风格也非常自然，确实不是对话框可以体验的，但有在对话框环境里搞定了看黑漆漆IDE才能做到的aget效果，且效果很棒。这就是openclaw框架的特点。接下来重点聊聊 #Binance 最近更新4个 AI skills 技能 Alpha 市场数据、U 本位合约、杠杆交易、资产管理。在我看来，这次更新的重点不只是“功能变多了”，而是 OpenClaw 终于更像一个能真正配合你做事的交易助手了。以前我们用这类工具，更多还是停留在“查数据、看行情、问问题”这个层面，信息是有了，但真正做决策、盯条件、执行动作，还是得自己一步步来。现在不太一样了，你只需要说出自己的意图，它就能把筛选、判断、执行这些动作尽量串起来。这 4 个技能里，我最看重的是资产管理。因为它解决的不是“看什么”，而是“钱怎么动”。比如现货和合约之间的划转、账户余额整理、碎币换 BNB，这些以前都很零碎，但实际又很高频。现在如果能交给 Agent 去处理，整体体验会顺很多。另外，Alpha 数据、合约、杠杆这几个技能组合起来后，确实会让很多交易思路更容易落地。比如监测异动、看资金费率、设置止盈止损、按条件执行下一步，不用自己频繁切页面、算逻辑，效率提升会很明显。不过我自己的看法是，这套skills最有价值的地方，不是“自动赚钱”，而是把原本复杂、重复、容易出错的操作流程对话化了。它更像是帮你提高执行效率，而不是替你承担判断和风险。而且目前币安中文社区正在举办 “用 AI 建设加密，搭建币安主题 AI Agent” 的活动。总奖池：48.6 BNB（作品奖44 BNB + 推荐奖4.6 BNB）。作品奖：第1名10 BNB、第2名8 BNB、第3名6 BNB、20名优胜各1 BNB。对普通用户来说，参与重点可以概括为一句话：不用非得做得特别复杂，能跑通、能演示、逻辑清楚，就有机会拿到奖励。赶快行动起来吧，部署一只属于你自己的龙虾，改变人生的轨迹。为此专门做了一个接入视频，希望能帮助到大家一起建设起来～币安技能中心传送门：部署龙虾碰到问题可以dm我或者评论区留言，欢迎老师们多多交流~

百里 🦅

16,721 Aufrufe • vor 5 Monaten

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 2 Monaten

如果你翻墙之后，还只会刷每日大赛，那真的有点浪费了因为互联网真正值钱的东西，其实大量都藏在 GitHub 很多最新的 AI 工具、自动化项目、效率工作流，几乎都会第一时间出现在那里这两年越来越明显的一件事是：会用 GitHub 的人，已经开始用 AI 放大自己的效率了很多原本需要团队完成的事情，现在一个人就能做我的建议是收藏起来，认真看看这个视频它真正有价值的地方，不是教你“看网站”，而是让你开始理解： AI 时代里，普通人该去哪里找机会

如果你翻墙之后，还只会刷每日大赛，那真的有点浪费了因为互联网真正值钱的东西，其实大量都藏在 GitHub 很多最新的 AI 工具、自动化项目、效率工作流，几乎都会第一时间出现在那里这两年越来越明显的一件事是：会用 GitHub 的人，已经开始用 AI 放大自己的效率了很多原本需要团队完成的事情，现在一个人就能做我的建议是收藏起来，认真看看这个视频它真正有价值的地方，不是教你“看网站”，而是让你开始理解： AI 时代里，普通人该去哪里找机会

Suu

547,085 Aufrufe • vor 2 Monaten

$大家都在卷云端Agent，我却把多Agent做进了桌面端在技术社区，多Agent系统的文章越来越多，但大多数都围绕框架展开： ➢LangChain ➢AutoGen ➢CrewAI 我这次想讲的不是框架，而是一个更实际的问题：如果不搭云端基础设施，只靠一个桌面应用，能不能从零构建一个“活的”多 Agent 协作系统？答案是：可以 --- 而且它不是Demo 这套系统，长在一个真实的桌面Web3应用里，已经集成了： -EVM / Solana 双链监控 -SWAP 聚合交易 -链上新币追踪 -交易仪表盘 -AI 深度解读多Agent不是从PPT里设计出来的，而是在生产环境中自然演化出来的。 --- 在讨论多Agent技术实现之前，我先回答一个方向性问题：为什么我最后选的是桌面端，而不是更主流的云端部署，或者更轻的浏览器插件方案？这个选择的本质，不是“谁更先进”，而是三条技术路径之间的权衡。 --- 云端部署，是当下最主流的多Agent实现方式。它的优势很明显：可以随时为Agent团队加GPU 模型升级不需要用户干预服务端可以维护全局共享记忆但代价同样明显：用户数据必须经过服务器中转链上交易往往要对服务器开放私钥访问权限而且会持续产生部署和维护成本 --- 浏览器插件，是另一条轻量路线。它可以直接注入页面，读取DOM，模拟用户操作，对单一自动化任务非常高效。但问题也很直接： >它运行在浏览器沙箱里 >缺少持久化存储能力 >缺少长时间运行的后台线程 >很难支撑复杂的记忆系统 >也很难支撑Agent与Agent之间的异步互动 --- 桌面应用则处在一个独特的位置。它拥有完整的系统资源访问权限： ➢可以自启动后台线程 ➢可以读写本地文件系统 ➢可以建立持久化数据库连接这些能力，恰恰是多Agent系统真正需要的底层设施代价当然也有：它依赖本地算力，模型推理通常仍要调用云端 API 它需要完整 Python 环境更新和分发也比网页应用更复杂。 --- 所以，选择桌面端构建多Agent，本质上是在用分布式能力，换取数据隐私和调度效率。这不是绝对优势，而是场景决定的选择。对加密货币交易、链上分析、监控这类系统来说，数据隐私要求远高于常规应用： >钱包地址 >交易历史 >持仓数据这些信息落在云服务器上，本身就是风险面。 --- 更重要的是调度效率在单体桌面应用里，主Agent调度子Agent执行任务，不需要走HTTP / RPC这类网络协议，而是可以直接进程内调用。这意味着： →网络开销被彻底消除 →调用延迟从毫秒级压到微秒级对高频分析、链上监控、交易辅助这种场景来说，这种差异会直接影响系统的时效性。 --- 多Agent系统的第一个核心挑战，其实不是“怎么让它们聊天”，而是“怎么把它们隔离开” 主Agent、合约分析Agent、安全审计Agent，再加上用户，如果聊天记录和记忆混在一起，身份就会混淆。而一旦混淆，信息丢失和错误推理的代价，随时会发生。 --- 我的做法是：代码模板统一，运行数据隔离所有子Agent共用同一套 ` 引擎，但通过动态表名，实现物理级的数据隔离： `table_name = f"chat_history_{self.agent_id}"` 然后自动创建对应表。也就是说： trader Agent会生成 `chat_history_trader` 审计 Agent 会生成自己的 `chat_history_xxx` 主 Agent 也有自己的独立聊天表这不是逻辑隔离，而是数据库层面的物理隔离。 --- 反思笔记也是同样的设计。每个子 Agent 都会记录自己的反思键： `reflection_key = f"auto_reflection_{self.agent_id}"` `self.api._agent_remember("master_insight", reflection_key, summary)` 这样每个Agent只积累自己的长期反思，不会污染其他Agent的记忆。这套方案最精髓的地方在于：一次设计，终身复用。 --- 后面再新增第三个、第四个Agent，不需要改任何核心代码。只需要复制目录结构，补上配置文件。模板引擎就会自动为它生成： →独立数据库表 →独立反思键 →独立聊天存储区这让我越来越相信一件事：好的架构，不一定更复杂，但一定更容易复用。 --- 接下来是调度问题。在分布式系统里，主Agent调子Agent，通常要依赖： -HTTP / RPC 通信 -服务发现 -负载均衡但在单体桌面应用里，我把这件事简化成了一个直接函数调用： `sub = self.sub_agents[agent_id]` `result = sub.process(task, save_history=False)` 这就是“命令而非请求”。 --- 这种“传话式调度”有两个好处：第一，延迟从毫秒级降到微秒级，所有数据都留在本地流转第二，主 Agent 不需要知道子 Agent 的内部实现细节，只需要知道： “它可以处理什么类型的任务” 这其实就是清晰的职责边界。 --- 为了让主Agent真正会“派活”，我把所有子Agent的能力清单，动态注入进主Agent的系统提示词。例如：合约分析 Agent：可用工具 `get_contract_market_data`、`run_contract_risk_check` 安全审计 Agent：可用工具 `check_token_security`、`check_token_audit_binance` 这样主Agent接到用户指令后，就能自动判断任务类型，并选择合适的子Agent执行。 --- 权限控制，是整个多Agent系统里最核心的安全问题之一。主Agent持有26个Web3专属工具，覆盖： SWAP 报价链上分析安全检测数据查询但每个子Agent只应该使用自己那一小部分工具。所以第一层，我在代码层做了严格白名单过滤： `return [t for t in all_tools if t["function"]["name"] in self.allowed_tools]` --- 但只有代码过滤还不够。因为大模型会产生“幻觉”，它可能尝试调用未授权工具。所以第二层，我在系统提示词末尾，直接写入“工具使用铁律”：你只拥有以下这些工具，绝对不能越界。如果任务需要其他工具，必须明确告诉老板你没有权限。代码层负责“不能看到” 提示词层负责“不会越界” 这是我在权限隔离上做的双层防护。 --- 还有一个我自己很喜欢，但最不显眼的设计：我给整个Agent 团队，单独做了一个茶水间市面上多数多Agent系统，只做“用户 -> Agent”的交互。 Agent 之间互不交流。但我单独设计了一个 `agent_interactions` 空间，让 Agent 和 Agent 之间也能异步互动。 --- 它的触发机制甚至很简单： `selected_id = random.choice(list(api.sub_agents.keys()))` `selected_sub = api.sub_agents[selected_id]` 每次触发时，引擎随机选人，动态生成一轮对话，再写回数据库，前端实时渲染。我还额外加了后台检查线程和防无限循环机制：每隔 2-3 分钟检查最后一条消息如果最近 3 条都是自动回复，就自动暂停避免它们半夜自己聊到停不下来。 --- 这个“茶水间”的价值不在于直接创造业务收益，而在于一种潜移默化的系统人格塑造。它不强调自己的存在，却在悄悄维持 Agent团队的凝聚力、性格关系和健康状态。你几乎感觉不到它，但系统会因为它，变得更像一个“活着的团队”。 --- 在记忆层设计上，我最后没有引入向量数据库，而是继续深度定制 SQLite。不是因为技术保守，而是因为工程决策必须在约束条件下做权衡。对桌面应用来说，多一个依赖，就多一个故障点、多一个安全风险面、多一个打包负担。结果是： >几张SQLite表 >动态表名 >结构化JSON字段就支撑起了3个乃至更多Agent的独立记忆系统。 --- 这套记忆系统现在已经形成了一条完整链路：短期对话记忆（20条） -> 长期反思笔记（6小时一次） -> 结构化 JSON 记录而我还在继续推进8个方向： ➤上下文延续 ➤记忆结构化 ➤记忆驱动行为 ➤心理学三类长期记忆 ➤团队协作记忆 ➤动态进化记忆 ➤知识图谱记忆 ➤记忆压缩与高效检索我的目标，不是让Agent记住你说过什么而是让它从记住你说过什么的工具，慢慢进化成能理解你、预测你、协同你的长期伙伴 GitHub: 作者：Powerpei（萧楠）$

大家都在卷云端Agent，我却把多Agent做进了桌面端在技术社区，多Agent系统的文章越来越多，但大多数都围绕框架展开： ➢LangChain ➢AutoGen ➢CrewAI 我这次想讲的不是框架，而是一个更实际的问题：如果不搭云端基础设施，只靠一个桌面应用，能不能从零构建一个“活的”多 Agent 协作系统？答案是：可以 --- 而且它不是Demo 这套系统，长在一个真实的桌面Web3应用里，已经集成了： -EVM / Solana 双链监控 -SWAP 聚合交易 -链上新币追踪 -交易仪表盘 -AI 深度解读多Agent不是从PPT里设计出来的，而是在生产环境中自然演化出来的。 --- 在讨论多Agent技术实现之前，我先回答一个方向性问题：为什么我最后选的是桌面端，而不是更主流的云端部署，或者更轻的浏览器插件方案？这个选择的本质，不是“谁更先进”，而是三条技术路径之间的权衡。 --- 云端部署，是当下最主流的多Agent实现方式。它的优势很明显：可以随时为Agent团队加GPU 模型升级不需要用户干预服务端可以维护全局共享记忆但代价同样明显：用户数据必须经过服务器中转链上交易往往要对服务器开放私钥访问权限而且会持续产生部署和维护成本 --- 浏览器插件，是另一条轻量路线。它可以直接注入页面，读取DOM，模拟用户操作，对单一自动化任务非常高效。但问题也很直接： >它运行在浏览器沙箱里 >缺少持久化存储能力 >缺少长时间运行的后台线程 >很难支撑复杂的记忆系统 >也很难支撑Agent与Agent之间的异步互动 --- 桌面应用则处在一个独特的位置。它拥有完整的系统资源访问权限： ➢可以自启动后台线程 ➢可以读写本地文件系统 ➢可以建立持久化数据库连接这些能力，恰恰是多Agent系统真正需要的底层设施代价当然也有：它依赖本地算力，模型推理通常仍要调用云端 API 它需要完整 Python 环境更新和分发也比网页应用更复杂。 --- 所以，选择桌面端构建多Agent，本质上是在用分布式能力，换取数据隐私和调度效率。这不是绝对优势，而是场景决定的选择。对加密货币交易、链上分析、监控这类系统来说，数据隐私要求远高于常规应用： >钱包地址 >交易历史 >持仓数据这些信息落在云服务器上，本身就是风险面。 --- 更重要的是调度效率在单体桌面应用里，主Agent调度子Agent执行任务，不需要走HTTP / RPC这类网络协议，而是可以直接进程内调用。这意味着： →网络开销被彻底消除 →调用延迟从毫秒级压到微秒级对高频分析、链上监控、交易辅助这种场景来说，这种差异会直接影响系统的时效性。 --- 多Agent系统的第一个核心挑战，其实不是“怎么让它们聊天”，而是“怎么把它们隔离开” 主Agent、合约分析Agent、安全审计Agent，再加上用户，如果聊天记录和记忆混在一起，身份就会混淆。而一旦混淆，信息丢失和错误推理的代价，随时会发生。 --- 我的做法是：代码模板统一，运行数据隔离所有子Agent共用同一套 ` 引擎，但通过动态表名，实现物理级的数据隔离： `table_name = f"chat_history_{self.agent_id}"` 然后自动创建对应表。也就是说： trader Agent会生成 `chat_history_trader` 审计 Agent 会生成自己的 `chat_history_xxx` 主 Agent 也有自己的独立聊天表这不是逻辑隔离，而是数据库层面的物理隔离。 --- 反思笔记也是同样的设计。每个子 Agent 都会记录自己的反思键： `reflection_key = f"auto_reflection_{self.agent_id}"` `self.api._agent_remember("master_insight", reflection_key, summary)` 这样每个Agent只积累自己的长期反思，不会污染其他Agent的记忆。这套方案最精髓的地方在于：一次设计，终身复用。 --- 后面再新增第三个、第四个Agent，不需要改任何核心代码。只需要复制目录结构，补上配置文件。模板引擎就会自动为它生成： →独立数据库表 →独立反思键 →独立聊天存储区这让我越来越相信一件事：好的架构，不一定更复杂，但一定更容易复用。 --- 接下来是调度问题。在分布式系统里，主Agent调子Agent，通常要依赖： -HTTP / RPC 通信 -服务发现 -负载均衡但在单体桌面应用里，我把这件事简化成了一个直接函数调用： `sub = self.sub_agents[agent_id]` `result = sub.process(task, save_history=False)` 这就是“命令而非请求”。 --- 这种“传话式调度”有两个好处：第一，延迟从毫秒级降到微秒级，所有数据都留在本地流转第二，主 Agent 不需要知道子 Agent 的内部实现细节，只需要知道： “它可以处理什么类型的任务” 这其实就是清晰的职责边界。 --- 为了让主Agent真正会“派活”，我把所有子Agent的能力清单，动态注入进主Agent的系统提示词。例如：合约分析 Agent：可用工具 `get_contract_market_data`、`run_contract_risk_check` 安全审计 Agent：可用工具 `check_token_security`、`check_token_audit_binance` 这样主Agent接到用户指令后，就能自动判断任务类型，并选择合适的子Agent执行。 --- 权限控制，是整个多Agent系统里最核心的安全问题之一。主Agent持有26个Web3专属工具，覆盖： SWAP 报价链上分析安全检测数据查询但每个子Agent只应该使用自己那一小部分工具。所以第一层，我在代码层做了严格白名单过滤： `return [t for t in all_tools if t["function"]["name"] in self.allowed_tools]` --- 但只有代码过滤还不够。因为大模型会产生“幻觉”，它可能尝试调用未授权工具。所以第二层，我在系统提示词末尾，直接写入“工具使用铁律”：你只拥有以下这些工具，绝对不能越界。如果任务需要其他工具，必须明确告诉老板你没有权限。代码层负责“不能看到” 提示词层负责“不会越界” 这是我在权限隔离上做的双层防护。 --- 还有一个我自己很喜欢，但最不显眼的设计：我给整个Agent 团队，单独做了一个茶水间市面上多数多Agent系统，只做“用户 -> Agent”的交互。 Agent 之间互不交流。但我单独设计了一个 `agent_interactions` 空间，让 Agent 和 Agent 之间也能异步互动。 --- 它的触发机制甚至很简单： `selected_id = random.choice(list(api.sub_agents.keys()))` `selected_sub = api.sub_agents[selected_id]` 每次触发时，引擎随机选人，动态生成一轮对话，再写回数据库，前端实时渲染。我还额外加了后台检查线程和防无限循环机制：每隔 2-3 分钟检查最后一条消息如果最近 3 条都是自动回复，就自动暂停避免它们半夜自己聊到停不下来。 --- 这个“茶水间”的价值不在于直接创造业务收益，而在于一种潜移默化的系统人格塑造。它不强调自己的存在，却在悄悄维持 Agent团队的凝聚力、性格关系和健康状态。你几乎感觉不到它，但系统会因为它，变得更像一个“活着的团队”。 --- 在记忆层设计上，我最后没有引入向量数据库，而是继续深度定制 SQLite。不是因为技术保守，而是因为工程决策必须在约束条件下做权衡。对桌面应用来说，多一个依赖，就多一个故障点、多一个安全风险面、多一个打包负担。结果是： >几张SQLite表 >动态表名 >结构化JSON字段就支撑起了3个乃至更多Agent的独立记忆系统。 --- 这套记忆系统现在已经形成了一条完整链路：短期对话记忆（20条） -> 长期反思笔记（6小时一次） -> 结构化 JSON 记录而我还在继续推进8个方向： ➤上下文延续 ➤记忆结构化 ➤记忆驱动行为 ➤心理学三类长期记忆 ➤团队协作记忆 ➤动态进化记忆 ➤知识图谱记忆 ➤记忆压缩与高效检索我的目标，不是让Agent记住你说过什么而是让它从记住你说过什么的工具，慢慢进化成能理解你、预测你、协同你的长期伙伴 GitHub: 作者：Powerpei（萧楠）

Powerpei🦅

227,285 Aufrufe • vor 3 Monaten

Claude Fable 5 重新开放了最近刚好有一个demo，就是看能不能用顶级模型做一个meme工厂 “ 就是我输入一个 Meme Coin 创意然后这个工具自动生成品牌 / 叙事 / 经济模型 / 营销方案支持中文全流程输出，可以反复优化迭代 “ 也是想尝试一下，做一个可以验证 Fable 5 长任务能力最终做出了一个能够简单跑的框架（我没有投入任何信息源，没有喂数据所以跑起来效果没有那么屌，不过我觉得后期再投喂一些案例，我觉得确实是可以落地的）说说我为什么用Fable 5 来测？因为这个任务本质不是写代码更像是说去测试AI的长链路规划能力测试它需要： 1/ 语义理解 2/ 叙事能力 3/ 结构能力 4/ 一致性 5/ 自我检查这刚好是 Claude Fable 5 主打的能力整体跑下来我觉得还算是可以的，毕竟我这种不会写代码不会设计的小屌丝，确实在Fable 5 上面使用得其乐融融的哈哈再说说我的TOKEN使用量吧：112.31K（按照官方的收费标准大概是在：$4.2）要是加上文本案例再接入一个AI对话的API框架我觉得应该费用还要再多出个大几十吧（个人猜测，毕竟投喂数据可能会比较烧tokens）总的来说的话我个人还是觉得这笔消费还算挺值得的，因为这本身在传统行业的话可能会是比较高的费用，AI真的弄挺好的说完Claude Fable 5的体验，那我不得不说我是在哪里体验的Claude Fable 5了我这次没有走官方通道，而是走的是我之前给大家分享的中转站 Zenmux ZenMux 因为他这几天又搞活动了，只要你账号的余额＞$0 你就可以免费体验Claude Fable 5 并且 Zenmux支持（不限于）： 200+ 模型统一入口无 RPM 限制 PK 模式可以直接做横评如果大家也想低成本体验一下 Claude Fable 5 我觉得当前使用Zenmux是最好的选择

Claude Fable 5 重新开放了最近刚好有一个demo，就是看能不能用顶级模型做一个meme工厂 “ 就是我输入一个 Meme Coin 创意然后这个工具自动生成品牌 / 叙事 / 经济模型 / 营销方案支持中文全流程输出，可以反复优化迭代 “ 也是想尝试一下，做一个可以验证 Fable 5 长任务能力最终做出了一个能够简单跑的框架（我没有投入任何信息源，没有喂数据所以跑起来效果没有那么屌，不过我觉得后期再投喂一些案例，我觉得确实是可以落地的）说说我为什么用Fable 5 来测？因为这个任务本质不是写代码更像是说去测试AI的长链路规划能力测试它需要： 1/ 语义理解 2/ 叙事能力 3/ 结构能力 4/ 一致性 5/ 自我检查这刚好是 Claude Fable 5 主打的能力整体跑下来我觉得还算是可以的，毕竟我这种不会写代码不会设计的小屌丝，确实在Fable 5 上面使用得其乐融融的哈哈再说说我的TOKEN使用量吧：112.31K（按照官方的收费标准大概是在：$4.2）要是加上文本案例再接入一个AI对话的API框架我觉得应该费用还要再多出个大几十吧（个人猜测，毕竟投喂数据可能会比较烧tokens）总的来说的话我个人还是觉得这笔消费还算挺值得的，因为这本身在传统行业的话可能会是比较高的费用，AI真的弄挺好的说完Claude Fable 5的体验，那我不得不说我是在哪里体验的Claude Fable 5了我这次没有走官方通道，而是走的是我之前给大家分享的中转站 Zenmux ZenMux 因为他这几天又搞活动了，只要你账号的余额＞$0 你就可以免费体验Claude Fable 5 并且 Zenmux支持（不限于）： 200+ 模型统一入口无 RPM 限制 PK 模式可以直接做横评如果大家也想低成本体验一下 Claude Fable 5 我觉得当前使用Zenmux是最好的选择

车九

48,436 Aufrufe • vor 1 Monat