Загрузка видео...

Не удалось загрузить видео

На главную

🚨 新一代 SEO 已经不是 Google SEO 了。 而是 AI SEO（GEO）。 刚刚在 GitHub 看到一个很有意思的项目： 👉 geo-seo-claude 简单说，它是一个给 Claude Code 用的 GEO 工具，可以直接分析你的网站 在 AI 搜索里的可见度。比如 ChatGPT / Perplexity / Claude。 很多人还在做传统 SEO， 但未来真正的流量入口是 AI答案里的引用。 而这个工具做的事情非常直接： ⚡ 一条命令跑完整 AI SEO 审计 /geo audit twexapi. io 然后它会自动帮你分析： • AI crawler 是否能访问你的网站 •...

axiaisacat's profile picture

axiaisacat

4,991 subscribers

59,974 просмотров • 5 месяцев назад •via X (Twitter)

ОбразованиеНаука и технологии
LIVE

Anya Rossi• Live Now

Private livecam show

Комментарии: 0

Нет доступных комментариев

Здесь появятся комментарии из оригинального поста

Похожие видео

最近在开发圈很火的 GitHub 项目 Firecrawl， 一个专门给 AI 用的智能爬虫，已经 7万+ Star 了。 一句话总结： 它可以把任何网站，直接变成 AI 能用的数据。 只要给它一个 URL，它就会自动： - 抓取整站页面 - 清洗网页内容 - 解析结构信息 - 输出 Markdown / JSON 也就是说： 网站 → 结构化数据 → 直接喂给 LLM。 现在很多 AI 项目的数据流程其实都是： 网站 → Firecrawl → 向量库 → RAG → AI 应用 如果你在做： - AI Agent - RAG 知识库 - 自动化数据采集 这个工具基本算是 AI 开发的基础设施了
0:25

最近在开发圈很火的 GitHub 项目 Firecrawl， 一个专门给 AI 用的智能爬虫，已经 7万+ Star 了。 一句话总结： 它可以把任何网站，直接变成 AI 能用的数据。 只要给它一个 URL，它就会自动： - 抓取整站页面 - 清洗网页内容 - 解析结构信息 - 输出 Markdown / JSON 也就是说： 网站 → 结构化数据 → 直接喂给 LLM。 现在很多 AI 项目的数据流程其实都是： 网站 → Firecrawl → 向量库 → RAG → AI 应用 如果你在做： - AI Agent - RAG 知识库 - 自动化数据采集 这个工具基本算是 AI 开发的基础设施了

开发者Hailey

140,385 просмотров • 5 месяцев назад

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
8:04

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

548,209 просмотров • 2 месяцев назад

李飞飞这段采访，越听越有压力。 她说未来真正被甩开的，可能不是被 AI 替代的人，而是还在用五年前流程工作的人。 以前产品经理不会写代码很正常：写 PRD、开会、等设计、排开发，几个月做个原型。 但现在旁边的人已经能用 AI 当天把 demo 跑出来，拿真实界面讨论需求，你还在说“我负责协调资源”。 差距可能就是这么拉开的。 AI 最狠的地方，不是替你工作，而是逼你从“传话的人”变成“能把想法做出来的人”。
49:04

李飞飞这段采访，越听越有压力。 她说未来真正被甩开的，可能不是被 AI 替代的人，而是还在用五年前流程工作的人。 以前产品经理不会写代码很正常：写 PRD、开会、等设计、排开发，几个月做个原型。 但现在旁边的人已经能用 AI 当天把 demo 跑出来，拿真实界面讨论需求，你还在说“我负责协调资源”。 差距可能就是这么拉开的。 AI 最狠的地方，不是替你工作，而是逼你从“传话的人”变成“能把想法做出来的人”。

Vincent

69,334 просмотров • 1 месяц назад

「这款自动化 SEO 优化工具，让你躺着也能赚钱！」😍 Outrank 颠覆传统 SEO 方式，一站式解决所有难题。从内容创作、关键词分析到图片生成、文章生成，Outrank 全自动搞定。 最牛逼的是它直接给你生成一个月的 SEO 优化计划，每天定时生成优质 SEO 文章，你只要操作发布即可。 链接见评论👇
2:03

「这款自动化 SEO 优化工具，让你躺着也能赚钱！」😍 Outrank 颠覆传统 SEO 方式，一站式解决所有难题。从内容创作、关键词分析到图片生成、文章生成，Outrank 全自动搞定。 最牛逼的是它直接给你生成一个月的 SEO 优化计划，每天定时生成优质 SEO 文章，你只要操作发布即可。 链接见评论👇

MapleShaw

308,325 просмотров • 1 год назад

Karpathy 说过一句话： 我们现在还处在 AI 的 1960s 这场 40 分钟的 Y Combinator lecture，基本把这个判断讲透了 很多人已经在用 Claude Opus 4.8 但使用方式还停留在： 把它当 search engine 当 chatbot 当更聪明的问答框 而 Karpathy 讲的 Software 3.0，不是这个 它指的是： LLMs as operating systems, not chatbots 也就是模型不只是回答问题，而是开始承接 workflow 读取上下文 调用工具 拆解任务 持续执行 在没人盯着的时候，把一整套流程往前推进。 这也是 autonomous agents 真正有意思的地方。 不是“让 AI 写一段代码” 而是让 agent 跑完整个 workflow 你不需要一直看着它 它自己推进 你回来 review 结果 这篇文章里的 32 个 skills，本质上就是帮你跨过这条线 从“使用 AI”变成“构建 AI workflow” 未来真正的差距，是谁会用 Claude 提问，还是谁能把 Claude 变成自己的 operating system？
37:18

Karpathy 说过一句话： 我们现在还处在 AI 的 1960s 这场 40 分钟的 Y Combinator lecture，基本把这个判断讲透了 很多人已经在用 Claude Opus 4.8 但使用方式还停留在： 把它当 search engine 当 chatbot 当更聪明的问答框 而 Karpathy 讲的 Software 3.0，不是这个 它指的是： LLMs as operating systems, not chatbots 也就是模型不只是回答问题，而是开始承接 workflow 读取上下文 调用工具 拆解任务 持续执行 在没人盯着的时候，把一整套流程往前推进。 这也是 autonomous agents 真正有意思的地方。 不是“让 AI 写一段代码” 而是让 agent 跑完整个 workflow 你不需要一直看着它 它自己推进 你回来 review 结果 这篇文章里的 32 个 skills，本质上就是帮你跨过这条线 从“使用 AI”变成“构建 AI workflow” 未来真正的差距，是谁会用 Claude 提问，还是谁能把 Claude 变成自己的 operating system？

0x_Miko

47,241 просмотров • 2 месяцев назад

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 просмотров • 5 месяцев назад

为什么 AI 播客的范式一定是未来？ 我找到了 NotebookLM 最早在今年5月 Google IO 大会的官方演示，看完就知道这一定是未来的形态。 因为 AI 播客，听众可以随时 JOIN！ 你可以随时向主播提出任何问题 你甚至可以引导主播谈论问题的倾向 内容消费的下一个形态，就是用户直接偏好的实时内容生成。 耐心看完，不是我吹，这TM就是未来。 这种互动式的内容生成范式是未来，但不一定是播客，也许还是视频，视频就是声音做好之后加个图像模态而已。
0:43

为什么 AI 播客的范式一定是未来？ 我找到了 NotebookLM 最早在今年5月 Google IO 大会的官方演示，看完就知道这一定是未来的形态。 因为 AI 播客，听众可以随时 JOIN！ 你可以随时向主播提出任何问题 你甚至可以引导主播谈论问题的倾向 内容消费的下一个形态，就是用户直接偏好的实时内容生成。 耐心看完，不是我吹，这TM就是未来。 这种互动式的内容生成范式是未来，但不一定是播客，也许还是视频，视频就是声音做好之后加个图像模态而已。

Orange AI

112,642 просмотров • 1 год назад

今天在优化我产品 SEO 的时候， 在 GitHub 上挖到一个非常有意思的 repo。 它把 整套 SaaS 营销体系做成了 AI Agent Skills： • SEO audit • Programmatic SEO • Pricing strategy • Launch strategy • Social content • Paid ads • Conversion optimization 基本等于： 给你的 AI Agent 装了一整个 Growth Team 以后做产品的配置可能会变成： Founder AI Agent 30+ Marketing Skills 增长开始被 模块化了。 项目我放评论 👇
0:38

今天在优化我产品 SEO 的时候， 在 GitHub 上挖到一个非常有意思的 repo。 它把 整套 SaaS 营销体系做成了 AI Agent Skills： • SEO audit • Programmatic SEO • Pricing strategy • Launch strategy • Social content • Paid ads • Conversion optimization 基本等于： 给你的 AI Agent 装了一整个 Growth Team 以后做产品的配置可能会变成： Founder AI Agent 30+ Marketing Skills 增长开始被 模块化了。 项目我放评论 👇

axiaisacat

25,374 просмотров • 5 месяцев назад

AI agent 操作网页一直有个根本性的问题：它得像人一样"看"页面，截图识别按钮，猜输入框该填什么格式，猜提交逻辑是什么。慢，还费 token... Google 在 Chrome 146 里推了 WebMCP，思路完全反过来。让网站主动把自己的能力以结构化工具的形式暴露出来，AI agent 直接调用，拿到结构化结果。 举个例子：以前 AI 要在机票网站搜航班，得找搜索框、猜日期格式、点按钮、等页面刷新、再解析结果。 现在网站直接注册一个 searchFlights(出发地, 目的地, 日期) 工具，AI 一次调用拿到 JSON，中间环节全部跳过。 这是 Google 和微软联合推的 W3C 标准草案，目前在实验阶段。两种接入方式：给现有 HTML 表单加属性（轻量），或者用 JS 注册更复杂的工具接口。 以后的网站不只是给人看的，还得给 AI 用。当年移动互联网起来的时候，不做移动适配的网站流量直接腰斩。AI agent 的流量迁移正在发生同样的事。
0:49

AI agent 操作网页一直有个根本性的问题：它得像人一样"看"页面，截图识别按钮，猜输入框该填什么格式，猜提交逻辑是什么。慢，还费 token... Google 在 Chrome 146 里推了 WebMCP，思路完全反过来。让网站主动把自己的能力以结构化工具的形式暴露出来，AI agent 直接调用，拿到结构化结果。 举个例子：以前 AI 要在机票网站搜航班，得找搜索框、猜日期格式、点按钮、等页面刷新、再解析结果。 现在网站直接注册一个 searchFlights(出发地, 目的地, 日期) 工具，AI 一次调用拿到 JSON，中间环节全部跳过。 这是 Google 和微软联合推的 W3C 标准草案，目前在实验阶段。两种接入方式：给现有 HTML 表单加属性（轻量），或者用 JS 注册更复杂的工具接口。 以后的网站不只是给人看的，还得给 AI 用。当年移动互联网起来的时候，不做移动适配的网站流量直接腰斩。AI agent 的流量迁移正在发生同样的事。

小互

67,559 просмотров • 5 месяцев назад

Google 刚刚在 GitHub 开源了一个很有意思的项目： Google Workspace CLI 以后你可以在终端直接操作整个 Google Workspace： Gmail Drive Docs Sheets Calendar Chat 全部用 命令行完成。 几个关键点很有意思： • 用 Rust 写的 • 返回 结构化 JSON（方便自动化） • 内置 50+ agent skills • 甚至直接提供 MCP server 这意味着什么？ AI Agent 可以直接： → 读取你的 Gmail → 创建 Google Docs → 查询 Sheets 数据 → 安排 Calendar 会议 整个 Google Workspace 都变成可编程接口。 未来的办公流可能是： AI Agent + CLI 直接操作你的邮箱、文档、表格和日历。
0:30

Google 刚刚在 GitHub 开源了一个很有意思的项目： Google Workspace CLI 以后你可以在终端直接操作整个 Google Workspace： Gmail Drive Docs Sheets Calendar Chat 全部用 命令行完成。 几个关键点很有意思： • 用 Rust 写的 • 返回 结构化 JSON（方便自动化） • 内置 50+ agent skills • 甚至直接提供 MCP server 这意味着什么？ AI Agent 可以直接： → 读取你的 Gmail → 创建 Google Docs → 查询 Sheets 数据 → 安排 Calendar 会议 整个 Google Workspace 都变成可编程接口。 未来的办公流可能是： AI Agent + CLI 直接操作你的邮箱、文档、表格和日历。

axiaisacat

61,526 просмотров • 5 месяцев назад

【 #史上最全 Beep AI 产品使用教程：视频+图文】 亲爱的，你有没有发现？ AI 出现之后，越来越多人开始焦虑了 过去两年，各家公司裁员的理由越来越一致 最先被淘汰的，往往就是那些可以被 AI 自动化的白领岗位 整理资料、写报告、做分析、回邮件…… 你现在每天做的工作里，有多少其实 AI 已经能完成？ 所以真正的问题已经不是： “AI 会不会取代人类？” 而是： “你会不会用 AI，替自己赚钱？” 现在很多 AI 工具，看起来都很聪明 会分析、会生成策略、会给建议 但一旦真正进入市场，很多马上开始亏钱 原因很简单！ 因为大部分 AI，从来没有真正经历过真实市场，它们没有被真实盈亏训练过 会写策略，不等于能在市场里活下来 而 Beep Beep 做的事情，完全不一样 Beep 本质上，是一个让 AI 真正进入市场竞争、筛选、进化的系统 赚钱的策略会被保留，亏钱的策略会被淘汰 每一次真实交易结果，都会继续反哺模型 也就是说，它不是“模拟 AI 交易” 而是在用真实市场，不断训练 AI Beep 的逻辑其实很像自然进化： 更好的模型、更好的策略、更多 agent 加入、更多真实数据、更强的模型 能持续正循环的话，整个系统会越来越聪明 而且 Beep 不只是停留在概念 在 R3 上线之后，已经新增了 1600+ 个预测市场 现在你既可以自己手动预测， 也可以直接把交易全权交给 AI Agent AI 会自己扫描市场、选择机会、执行交易、完成结算 24 小时持续运行，不需要情绪，不需要休息 很多人现在还在担心： “AI 会不会抢走我的工作？” 但真正动作快的人，已经开始研究： 怎么让 AI 替自己工作 因为未来最大的差距， 从来不是 AI 和人类之间的差距 而是懂不懂使用 AI 工具的人之间的差距 尤其像 Beep Beep 这种，真正把 AI 放进真实市场持续训练的系统，可能才是 AI 金融真正开始成熟的第一步 很多机会，一旦被市场定价，窗口就会迅速关闭 而现在，也许正是最早理解它的人，还能提前参与的时候 如果你也好奇： AI 到底能不能真正替人参与市场？ AI Agent 是怎么自动完成交易的？ 为什么越来越多人开始关注 AI Finance？ 可以去看看 Beep Beep 最新上线的 R3 你会发现，真正危险的，从来不是 AI 而是别人已经开始用 AI 创造价值，而你还停留在观望
1:50

【 #史上最全 Beep AI 产品使用教程：视频+图文】 亲爱的，你有没有发现？ AI 出现之后，越来越多人开始焦虑了 过去两年，各家公司裁员的理由越来越一致 最先被淘汰的，往往就是那些可以被 AI 自动化的白领岗位 整理资料、写报告、做分析、回邮件…… 你现在每天做的工作里，有多少其实 AI 已经能完成？ 所以真正的问题已经不是： “AI 会不会取代人类？” 而是： “你会不会用 AI，替自己赚钱？” 现在很多 AI 工具，看起来都很聪明 会分析、会生成策略、会给建议 但一旦真正进入市场，很多马上开始亏钱 原因很简单！ 因为大部分 AI，从来没有真正经历过真实市场，它们没有被真实盈亏训练过 会写策略，不等于能在市场里活下来 而 Beep Beep 做的事情，完全不一样 Beep 本质上，是一个让 AI 真正进入市场竞争、筛选、进化的系统 赚钱的策略会被保留，亏钱的策略会被淘汰 每一次真实交易结果，都会继续反哺模型 也就是说，它不是“模拟 AI 交易” 而是在用真实市场，不断训练 AI Beep 的逻辑其实很像自然进化： 更好的模型、更好的策略、更多 agent 加入、更多真实数据、更强的模型 能持续正循环的话，整个系统会越来越聪明 而且 Beep 不只是停留在概念 在 R3 上线之后，已经新增了 1600+ 个预测市场 现在你既可以自己手动预测， 也可以直接把交易全权交给 AI Agent AI 会自己扫描市场、选择机会、执行交易、完成结算 24 小时持续运行，不需要情绪，不需要休息 很多人现在还在担心： “AI 会不会抢走我的工作？” 但真正动作快的人，已经开始研究： 怎么让 AI 替自己工作 因为未来最大的差距， 从来不是 AI 和人类之间的差距 而是懂不懂使用 AI 工具的人之间的差距 尤其像 Beep Beep 这种，真正把 AI 放进真实市场持续训练的系统，可能才是 AI 金融真正开始成熟的第一步 很多机会，一旦被市场定价，窗口就会迅速关闭 而现在，也许正是最早理解它的人，还能提前参与的时候 如果你也好奇： AI 到底能不能真正替人参与市场？ AI Agent 是怎么自动完成交易的？ 为什么越来越多人开始关注 AI Finance？ 可以去看看 Beep Beep 最新上线的 R3 你会发现，真正危险的，从来不是 AI 而是别人已经开始用 AI 创造价值，而你还停留在观望

Moonlight🌙月光

33,101 просмотров • 3 месяцев назад

你看视频，开头是不是用 AI 做的特效，再看看人家粉丝数和收益，你就知道大多数人用 AI 整天不知道在干吗。 有的人把 AI 当赚钱工具 有的人把 AI 当新型娱乐工具，还套了一个「我研究 AI 为了不被时代淘汰」的幌子。 1 个一分钟不到的视频，70 万金额（实际会更多，因为这是已结算的数据），我们算 5% 的佣金，35000 元 而很多人还在用 AI 去薅什么流量分成计划，什么流量主，这难道不是一个认知和能力的问题吗？
0:48

你看视频，开头是不是用 AI 做的特效，再看看人家粉丝数和收益，你就知道大多数人用 AI 整天不知道在干吗。 有的人把 AI 当赚钱工具 有的人把 AI 当新型娱乐工具，还套了一个「我研究 AI 为了不被时代淘汰」的幌子。 1 个一分钟不到的视频，70 万金额（实际会更多，因为这是已结算的数据），我们算 5% 的佣金，35000 元 而很多人还在用 AI 去薅什么流量分成计划，什么流量主，这难道不是一个认知和能力的问题吗？

U哥

11,099 просмотров • 1 месяц назад

李飞飞：使用AI的最高原则 1. 不要用工具做蠢事 要永远思考“我为什么要用AI”和“我该怎么用它”。 2. 不要因为AI而变懒 AI可以快速给你答案，但不能代替真正的学习和思考。 正确用法是：用AI帮你提出更好的问题、理清思路，而不是直接抄答案。 3. 不要用AI做坏事 警惕AI被用来制造假图像、假声音、假文本，破坏信息的真实性和完整性。这不仅是技术问题，更是整个社会的问题。
0:57

李飞飞：使用AI的最高原则 1. 不要用工具做蠢事 要永远思考“我为什么要用AI”和“我该怎么用它”。 2. 不要因为AI而变懒 AI可以快速给你答案，但不能代替真正的学习和思考。 正确用法是：用AI帮你提出更好的问题、理清思路，而不是直接抄答案。 3. 不要用AI做坏事 警惕AI被用来制造假图像、假声音、假文本，破坏信息的真实性和完整性。这不仅是技术问题，更是整个社会的问题。

KK.aWSB

58,988 просмотров • 8 месяцев назад

今天免费给大家挖到一个牛的工具 Stanford University 放出来的一套 AI 课程，直接用 1 个半小时，把 Claude 和 ChatGPT 背后的工作原理，拆得非常透。 很多人天天都在用 AI。 写内容。 做研究。 跑工作流。 做自动化。 但大部分人，说实话连模型 10% 的能力都没真正用出来。 问题从来不是 AI 不够强。 而是你根本不知道，它到底是怎么思考、怎么推理、怎么处理信息的。 你一旦理解底层逻辑，你会发现，提示词、自动化、Agent、工作流这些东西，全部都会进入另一个层次。 建议直接收藏，少刷一小时短剧。 明天醒来，你可能就比大部分人，多了一条真正能赚钱的路。 AI 最大的红利，永远属于理解它的人。
1:44:25

今天免费给大家挖到一个牛的工具 Stanford University 放出来的一套 AI 课程，直接用 1 个半小时，把 Claude 和 ChatGPT 背后的工作原理，拆得非常透。 很多人天天都在用 AI。 写内容。 做研究。 跑工作流。 做自动化。 但大部分人，说实话连模型 10% 的能力都没真正用出来。 问题从来不是 AI 不够强。 而是你根本不知道，它到底是怎么思考、怎么推理、怎么处理信息的。 你一旦理解底层逻辑，你会发现，提示词、自动化、Agent、工作流这些东西，全部都会进入另一个层次。 建议直接收藏，少刷一小时短剧。 明天醒来，你可能就比大部分人，多了一条真正能赚钱的路。 AI 最大的红利，永远属于理解它的人。

空投龙 |Gate美股0费率

19,633 просмотров • 1 месяц назад

最近看到一个很值得研究的开源项目：learn-claude-code。 它不是在教你怎么堆 prompt、连工作流、搭节点图， 而是在教你一件更底层的事： 怎么从 0 到 1 搭一个类 Claude Code 的 agent harness。 这个项目最有意思的观点是： 真正的 Agent 是模型本身，外面的代码只是 harness。 所以它讨论的重点，不是“怎么把流程编排得更复杂”， 而是怎么给模型准备一个真正能工作的环境。 README 里把 harness 拆成了： Tools Knowledge Observation Action Interfaces Permissions 也就是工具、知识、观察、动作接口和权限边界。 说白了，模型负责思考， harness 负责让它看见世界、调用工具、执行动作。 我觉得这个视角很重要。 因为很多人现在做 Agent， 还停留在“拼工作流”和“堆胶水代码”的阶段。 但真正决定 Agent 能不能跑起来的， 往往是你给它什么环境，而不是你给它多少层 prompt。 这个项目现在 GitHub 已经有 36k Stars、5.8k Forks。 如果你在关注 AI Agent、Claude Code，或者 agent engineering， 这个项目很值得看看。👇
0:38

最近看到一个很值得研究的开源项目：learn-claude-code。 它不是在教你怎么堆 prompt、连工作流、搭节点图， 而是在教你一件更底层的事： 怎么从 0 到 1 搭一个类 Claude Code 的 agent harness。 这个项目最有意思的观点是： 真正的 Agent 是模型本身，外面的代码只是 harness。 所以它讨论的重点，不是“怎么把流程编排得更复杂”， 而是怎么给模型准备一个真正能工作的环境。 README 里把 harness 拆成了： Tools Knowledge Observation Action Interfaces Permissions 也就是工具、知识、观察、动作接口和权限边界。 说白了，模型负责思考， harness 负责让它看见世界、调用工具、执行动作。 我觉得这个视角很重要。 因为很多人现在做 Agent， 还停留在“拼工作流”和“堆胶水代码”的阶段。 但真正决定 Agent 能不能跑起来的， 往往是你给它什么环境，而不是你给它多少层 prompt。 这个项目现在 GitHub 已经有 36k Stars、5.8k Forks。 如果你在关注 AI Agent、Claude Code，或者 agent engineering， 这个项目很值得看看。👇

axiaisacat

44,334 просмотров • 5 месяцев назад

最近 Miden 公布奖励后 明显大家怠慢了 Inference Labs ,没有前几天那么卷了，那我就开始冲啦。 很多人把 Inference Labs 当成一个 AI 基础设施，但我越看越觉得，它真正做的不是算力、不是模型、甚至不是验证本身。 它更像是在给 AI 世界搭一套司法系统。 现在大部分 AI 项目，都在解决一件事，怎么让模型更强、更快、更便宜。 但几乎没人认真回答另一个问题，如果 AI 的判断是错的，甚至是被操纵的，谁来否认它。 这不是一个技术问题，这是一个制度问题。 现实世界里，任何能影响结果的系统，都一定有一套否认机制。 金融有仲裁，法律有上诉，市场有清算。 但 AI 世界没有。 今天的 AI 输出，一旦被系统采用，就会一路向下执行。 自动清算、自动交易、自动风控、自动推荐。 问题不在于 AI 会不会犯错，而在于犯错之后，系统本身有没有能力说不。 Inference Labs 的位置，就在这里。 它不是在帮 AI 生成结果，而是在为结果提供一种可被挑战、可被回溯、可被否认的路径。 你可以把它理解成 AI 世界里的证据链，而不是算力层。 这一点很关键，因为它决定了 Inference Labs 真正的用户是谁。 它的核心用户，其实不是开发者。 开发者只是接入工具的人。 真正依赖它的，是那些已经被 AI 深度接管，却无法承担失误成本的系统。 比如 DeFi 协议。 AI 在里面做策略、做风控、做参数调节。 如果一次判断失误，损失是真实发生的。 但现在的系统里，几乎没有办法证明，这个结果到底是不是“按规则运行”得出来的。 DAO 也是一样。 越来越多的治理建议、预算分配、风险评估，开始交给 AI 辅助甚至直接决策。 但一旦结果被质疑，DAO 没有证据链可以审计，只能靠信任模型本身。 这就是 Inference Labs 的用武之地。 它并不是让 AI 更聪明，而是让系统在出现争议时，有一套可以站得住脚的说法。 这和 zk、算力、模型大小都没那么直接关系，而更接近制度建设。 如果你从这个角度看，就会发现 Inference Labs 的节奏和大多数 AI 项目完全不同。 它不追求用户爆发，不追求调用量暴涨，也不太在意短期热度。 因为这种系统，只有在规模足够大、风险足够真实的时候，才会被真正需要。 就像现实世界里的法院。 没人会天天夸法院多高效，但一旦没有它，秩序会立刻崩。 Inference Labs 服务的，其实是一群被动用户。 他们可能根本不知道自己在用这个协议。 他们只知道，自己的系统需要一个能够在关键时刻说清楚发生了什么的底层。 这也是为什么我认为 Inference Labs 很容易被低估。 它不制造爽点，只负责兜底。 而兜底型协议，在牛市里永远不性感，但在出事的时候，永远第一个被翻出来。 如果未来 AI 真正开始成为经济系统的一部分，那一定不是只有生成层和执行层。 中间一定需要一层，负责裁定、回溯、否认和问责。 从这个角度看，Inference Labs 更像是 AI 世界的制度组件，而不是工具组件。 而制度型基础设施，往往前期安静，后期不可替代。 这类项目，从来不是用来追热度的。 它们是用来活得最久的。 #KAITO #Inference
0:44

最近 Miden 公布奖励后 明显大家怠慢了 Inference Labs ,没有前几天那么卷了，那我就开始冲啦。 很多人把 Inference Labs 当成一个 AI 基础设施，但我越看越觉得，它真正做的不是算力、不是模型、甚至不是验证本身。 它更像是在给 AI 世界搭一套司法系统。 现在大部分 AI 项目，都在解决一件事，怎么让模型更强、更快、更便宜。 但几乎没人认真回答另一个问题，如果 AI 的判断是错的，甚至是被操纵的，谁来否认它。 这不是一个技术问题，这是一个制度问题。 现实世界里，任何能影响结果的系统，都一定有一套否认机制。 金融有仲裁，法律有上诉，市场有清算。 但 AI 世界没有。 今天的 AI 输出，一旦被系统采用，就会一路向下执行。 自动清算、自动交易、自动风控、自动推荐。 问题不在于 AI 会不会犯错，而在于犯错之后，系统本身有没有能力说不。 Inference Labs 的位置，就在这里。 它不是在帮 AI 生成结果，而是在为结果提供一种可被挑战、可被回溯、可被否认的路径。 你可以把它理解成 AI 世界里的证据链，而不是算力层。 这一点很关键，因为它决定了 Inference Labs 真正的用户是谁。 它的核心用户，其实不是开发者。 开发者只是接入工具的人。 真正依赖它的，是那些已经被 AI 深度接管，却无法承担失误成本的系统。 比如 DeFi 协议。 AI 在里面做策略、做风控、做参数调节。 如果一次判断失误，损失是真实发生的。 但现在的系统里，几乎没有办法证明，这个结果到底是不是“按规则运行”得出来的。 DAO 也是一样。 越来越多的治理建议、预算分配、风险评估，开始交给 AI 辅助甚至直接决策。 但一旦结果被质疑，DAO 没有证据链可以审计，只能靠信任模型本身。 这就是 Inference Labs 的用武之地。 它并不是让 AI 更聪明，而是让系统在出现争议时，有一套可以站得住脚的说法。 这和 zk、算力、模型大小都没那么直接关系，而更接近制度建设。 如果你从这个角度看，就会发现 Inference Labs 的节奏和大多数 AI 项目完全不同。 它不追求用户爆发，不追求调用量暴涨，也不太在意短期热度。 因为这种系统，只有在规模足够大、风险足够真实的时候，才会被真正需要。 就像现实世界里的法院。 没人会天天夸法院多高效，但一旦没有它，秩序会立刻崩。 Inference Labs 服务的，其实是一群被动用户。 他们可能根本不知道自己在用这个协议。 他们只知道，自己的系统需要一个能够在关键时刻说清楚发生了什么的底层。 这也是为什么我认为 Inference Labs 很容易被低估。 它不制造爽点，只负责兜底。 而兜底型协议，在牛市里永远不性感，但在出事的时候，永远第一个被翻出来。 如果未来 AI 真正开始成为经济系统的一部分，那一定不是只有生成层和执行层。 中间一定需要一层，负责裁定、回溯、否认和问责。 从这个角度看，Inference Labs 更像是 AI 世界的制度组件，而不是工具组件。 而制度型基础设施，往往前期安静，后期不可替代。 这类项目，从来不是用来追热度的。 它们是用来活得最久的。 #KAITO #Inference

紫川 | ∞KIN |

12,423 просмотров • 7 месяцев назад

我发现！企业 AI 落地最自然的入口，可能是“知识库 + 工作群” 最近自己组了个GEO学习小组，明明都把链接学习资料都放群里了，但人遇到具体问题的时候，并不会打开知识库，从目录开始一页页翻。 他只会在群里问一句： - GEO 新手第一步做什么？ - 官网内容很少，先改哪里？ - 品牌词没被 AI 搜到，怎么补？ - SEO 文章能不能直接改成 GEO 内容？ - ChatGPT / Perplexity 更容易引用什么样的页面？ 我早就把在 GEO 飞书知识库挂群里了。有些问题属于重复提问，有些是需要从知识库提取重点，再结合具体业务来回答。 这都说明知识库离解决真实问题还有一段距离。 我发现一个新产品 Lucius AI，能够把“知识库+IM”完美落地！ 我的做法很简单：把 GEO 飞书知识库、FAQ、执行清单、常见答疑口径接进去，再让它在飞书小群里做一个 AI 助教。 - 普通问题，它先按知识库回答。 - 需要诊断的问题，它先追问背景。 - 超出知识库的问题，它不会硬编，直接提示转人工。 知识库以前更像一个仓库，东西都在里面，但要靠人自己进去找。 接到 IM 之后，它就更像一个一直在线的小助教，站在真实对话现场，把知识拿出来用。 这个形态其实很通用！ - 个人业务可以用在小社群、陪跑群、咨询服务、课程答疑。 - 企业内部可以用在员工手册、客服 SOP、产品 FAQ、销售口径、项目文档。 - 团队缺的是有人在大家提问的那一刻，把正确资料翻出来，并转成一句能执行的话。 Lucius AI 刚好连接知识库和实际业务的“最后一公里”
0:55

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

麻酱AI实验室

11,475 просмотров • 2 месяцев назад