Loading video...

Video Failed to Load

There was a problem loading this video. This could be due to a temporary network issue or the video might be unavailable.

昨晚刚测完 3.7 Flash 的充沛额度，今晨 Antigravity 紧接着推送了 v2.9.1 版本。实测 3.7 Flash 的响应速度极快，在开启高档推理时依然保持稳定吞吐，长文本流式输出几乎没有停顿感。在实际工作流中，直接让它查询当天社交平台上的前沿 AI 热点，它能自主调起 agent-reach 工具并在后台执行终端检索，几秒内就把各家动态提炼成结构化研报。配合 v2.9.1 新增的 inheritCustomizations 配置，自定义 Agent 可以一键继承全局已有的 skills 和 rules，避免了重复繁琐的配置。这次底层更新还把 MCP 工具返回的大图和 PDF 等二进制对象改为自动存盘并按文件引用，彻底解决了内联数据塞爆上下文的问题。同时修复了长对话停止后偶发无法回到空闲状态、以及代码审查面板在折叠区域遗漏搜索匹配项的已知缺陷。整套环境大幅提升了多 Agent 自动化排障与高频长上下文调用的稳定性。适合日常重度依赖自定义规则、联网调研与代码重构的开发者，今天可以直接拉取最新版本。

Wei佳

3,491 subscribers

19,525 views • 1 month ago •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

27 Comments

码农暖爸1 month ago

平时还是使用它的IDE多点希望Gemini 4快点来吧

Wei佳1 month ago

同感期待，不过我两个都在用

NoMagic1 month ago

最近在试水Gemini吗？

Wei佳1 month ago

主要是速度快，额度多，用不完，不想浪费哈哈

NoMagic1 month ago

哈哈,这波codex可惨了.丢了无数用户!~

Wei佳1 month ago

codex额度降太多了

Simon1 month ago

我的antigravity登不上

Wei佳1 month ago

检查是不是美国IP和美国账号

Jeffery the Bluey1 month ago

been using Gemini 3.7 Flash on Antigravity CLI this week, quite impressive. So how's GUI?

Wei佳1 month ago

The gui is okay to use and makes dialog management easier

onecookie1 month ago

订阅的是AI Pro吗？我看前三个月40港币，挺香的

Wei佳1 month ago

是的，Google One AI Premium。前三个月 40 港币这个新手车非常值，开通后直接调 3.7 Flash 额度池很深，还有就是我有个学生号

onecookie1 month ago

👍👍

祐1 month ago

作者，这里用Gemini 生图吗？

晚晚1 month ago

高档推理还能这么快，确实有点离谱，agent-reach 是内置能力吗？

Wei佳1 month ago

agent-reach是我自己安装的mcp,本地codex,grok build,cc,antigravity 我都会使用

大猩猩AI量化1 month ago

我前几天看你分享，买了pro。但是我让它作图，每天只能做10个图，有些郁闷。

rockstar1 month ago

IDE和他这个agent app使用体验差别大吗？

NO ONE1 month ago

通过代理登录使用稳定吗？代码开发方面怎么样？

Trader Fond1 month ago

cline上支持3.7xhigh 好像就是3.1pro 加 3.7叠起来的比3.7 high 强多了

Wei佳1 month ago

cline订阅？

Trader Fond1 month ago

我是接vertex ai的

独坐春秋1 month ago

为啥我的一直显示地区不可用，可是我谷歌账号地址是新加坡的

Jin1 month ago

它回答的太快了，有时候回答的事实性内容会错，我经常让 grok 做二轮核查

Wei佳1 month ago

比起3.6flash要稍微靠谱一点，主要速度快了反而觉得没有思考，我也是这样的感觉，但是这几次让他做的，回答还是比较满意，遇到难的还是直接gpt或者让gpt. review

Chasen1 month ago

依旧Gemini窜稀版的爽感

Wei佳1 month ago

哈哈，gemini写大型项目不行，小修小补可以的

Related Videos

实测了一下 Claude 3 的多模态与代码生成能力！用 Anthropic Research Engineer Emmanuel Ameisen 的方法，代码示例：拿自己上周“科技变革与美股投资”的直播视频部分字幕和 Keynote 截图，让 Claude-3-Opus 理解给它的图片和字幕文本，重写并自动生成简洁清晰的图文讲解网页，非常成功🎉 Claude 生成的网页：这也是上周末开发出来的一套工作流，我用 GPT-4 读取字幕重写后转发的这篇长文，可读性很强。实现流程也很简单，先用工具生成字幕，然后在按照内容结构分成若干 chunks，这样可以提高精准度，设定输出 tokens 长度和 temperature 到 0.8 左右，最后修改下连接处文本插入配图即可完功！对于经常做直播后需要整理文档发博客的同学会很有用。现在用 Claude 3 的多图理解功能，连配图这个环节都能自动化了😄

实测了一下 Claude 3 的多模态与代码生成能力！用 Anthropic Research Engineer Emmanuel Ameisen 的方法，代码示例：拿自己上周“科技变革与美股投资”的直播视频部分字幕和 Keynote 截图，让 Claude-3-Opus 理解给它的图片和字幕文本，重写并自动生成简洁清晰的图文讲解网页，非常成功🎉 Claude 生成的网页：这也是上周末开发出来的一套工作流，我用 GPT-4 读取字幕重写后转发的这篇长文，可读性很强。实现流程也很简单，先用工具生成字幕，然后在按照内容结构分成若干 chunks，这样可以提高精准度，设定输出 tokens 长度和 temperature 到 0.8 左右，最后修改下连接处文本插入配图即可完功！对于经常做直播后需要整理文档发博客的同学会很有用。现在用 Claude 3 的多图理解功能，连配图这个环节都能自动化了😄

indigo

73,201 views • 2 years ago

我靠，有了这个工具，完整的实现了 Office 的自动化。以前做 Office 自动化，AI 能出内容但改不了文件，最后还得人去复制粘贴。OfficeCLI 解决的问题是，让 AI Agent 能直接改 Office 文件。在 AI Agent 工作流里，它的意义更偏基础设施： 1、文档生成 → 可执行写入 2、表格分析 → 可直接回写 Excel 3、PPT 生成 → 结构级编辑而非整页重写 4、多 Agent 协作 → 共享统一文件操作接口 OfficeCLI 把 Word、Excel、PPT 当成结构化对象，AI 可以直接增删改查，不用开 GUI，也不用搭脚本环境。改完就是改完，文件就已经写好了。整体来看，它把AI 会写内容推进到AI可以改真实文件，属于从内容生成到系统执行的一层跃迁。

我靠，有了这个工具，完整的实现了 Office 的自动化。以前做 Office 自动化，AI 能出内容但改不了文件，最后还得人去复制粘贴。OfficeCLI 解决的问题是，让 AI Agent 能直接改 Office 文件。在 AI Agent 工作流里，它的意义更偏基础设施： 1、文档生成 → 可执行写入 2、表格分析 → 可直接回写 Excel 3、PPT 生成 → 结构级编辑而非整页重写 4、多 Agent 协作 → 共享统一文件操作接口 OfficeCLI 把 Word、Excel、PPT 当成结构化对象，AI 可以直接增删改查，不用开 GUI，也不用搭脚本环境。改完就是改完，文件就已经写好了。整体来看，它把AI 会写内容推进到AI可以改真实文件，属于从内容生成到系统执行的一层跃迁。

Vince 聊开发

16,803 views • 3 months ago

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 views • 2 months ago

发现一个很离谱的模型，400 TPS 的输出速度，比 DeepSeek-V4 Flash 快 2 倍多还有超强的多模态理解 + 搜索检索 + 推理综合，这居然是一个 Flash 模型能同时做到的我让它帮我写了一个竞品分析 Agent：输入一张产品官网截图，自动完成"读图提取 → 搜索市场数据 → 输出竞争分析"的全流程。然后用 Cursor 的定价页试了一下，不到一分钟跑完，花了一毛多：它先读懂了整个页面（四档定价 × 各档功能差异 × 推荐标签与社会证明），提取出完整的结构化数据。然后自己决定搜什么，自动生成搜索 query 去查竞品定价、用户评价、市场对比。最后综合视觉提取 + 搜索结果，给了我完整的竞争分析：定价对比、竞品定位差异、真实壁垒在哪里、切入建议。这个模型就是 StepFun 的 step-3.7-flash，多模态 + 搜索 + 推理一体化内嵌在模型里，如果你在构建 AI Agent、编码工作流或多模态系统，Step 3.7 Flash 很推荐大家尝试一下： Step海外平台： Step国内平台：

发现一个很离谱的模型，400 TPS 的输出速度，比 DeepSeek-V4 Flash 快 2 倍多还有超强的多模态理解 + 搜索检索 + 推理综合，这居然是一个 Flash 模型能同时做到的我让它帮我写了一个竞品分析 Agent：输入一张产品官网截图，自动完成"读图提取 → 搜索市场数据 → 输出竞争分析"的全流程。然后用 Cursor 的定价页试了一下，不到一分钟跑完，花了一毛多：它先读懂了整个页面（四档定价 × 各档功能差异 × 推荐标签与社会证明），提取出完整的结构化数据。然后自己决定搜什么，自动生成搜索 query 去查竞品定价、用户评价、市场对比。最后综合视觉提取 + 搜索结果，给了我完整的竞争分析：定价对比、竞品定位差异、真实壁垒在哪里、切入建议。这个模型就是 StepFun 的 step-3.7-flash，多模态 + 搜索 + 推理一体化内嵌在模型里，如果你在构建 AI Agent、编码工作流或多模态系统，Step 3.7 Flash 很推荐大家尝试一下： Step海外平台： Step国内平台：

余温

41,274 views • 3 months ago

分享下我在 Vibe Coding 中，使用率最高，且最高效的几个工具，覆盖到设计稿生成，到代码交付，网页动效等👇 1、Codex 你只要输入一个需求，它就会调动多个AI智能体并行工作，无论是项目重构，还是从零构建MVP，，它都能独立完成，你无需关注代码，而是把更多精力放在架构设计和创造性问题解决上 2、Paper 这个可以让 AI 生成高质量设计稿，并实现设计与代码双向实时同步，你只需专注界面创作，AI 会自动还原为精准代码交付 3、21st 这个提供超多精美的前端组件，同时带有流畅的交互动画，只需点击复制 Prompt ，粘贴到 AI 对话框即可使用 4、Unicorn 这个，不用写代码，也可以做出丝滑流畅的 GPU 级网页特效，一键导出即可让 AI 接入你的项目 5、Agentation 这个，可以直接在网页上标注需要调整的元素，自动转化为 AI 能够直接理解，和执行的结构化代码上下文，实现网站的精细化调整 6、Axion 这个，能让你的 AI 化身 iOS 开发专家，覆盖从设计、开发到调试的全流程，，输出符合 Apple 高标准、安全、高性能，且易于维护的生产级代码 7、Apple docs mcp 配合这个，可以自动检索 Apple 最新开发文档，能解决日常开发软件中 90% 的问题

分享下我在 Vibe Coding 中，使用率最高，且最高效的几个工具，覆盖到设计稿生成，到代码交付，网页动效等👇 1、Codex 你只要输入一个需求，它就会调动多个AI智能体并行工作，无论是项目重构，还是从零构建MVP，，它都能独立完成，你无需关注代码，而是把更多精力放在架构设计和创造性问题解决上 2、Paper 这个可以让 AI 生成高质量设计稿，并实现设计与代码双向实时同步，你只需专注界面创作，AI 会自动还原为精准代码交付 3、21st 这个提供超多精美的前端组件，同时带有流畅的交互动画，只需点击复制 Prompt ，粘贴到 AI 对话框即可使用 4、Unicorn 这个，不用写代码，也可以做出丝滑流畅的 GPU 级网页特效，一键导出即可让 AI 接入你的项目 5、Agentation 这个，可以直接在网页上标注需要调整的元素，自动转化为 AI 能够直接理解，和执行的结构化代码上下文，实现网站的精细化调整 6、Axion 这个，能让你的 AI 化身 iOS 开发专家，覆盖从设计、开发到调试的全流程，，输出符合 Apple 高标准、安全、高性能，且易于维护的生产级代码 7、Apple docs mcp 配合这个，可以自动检索 Apple 最新开发文档，能解决日常开发软件中 90% 的问题

Paidax

175,113 views • 6 months ago

字节开源了一套 AI Agent 框架：Agent TARS 支持深度研究、电脑操作、文件编辑、MCP。 🌐高级浏览器操作：通过代理框架执行深度研究和操作员功能等复杂任务，实现全面的规划和执行。 🛠️全面的工具支持：集成搜索、文件编辑、MCP，工具来处理复杂的工作流程。 💻️增强的桌面应用程序：改进的用户界面，带有浏览器显示、多模式元素、会话管理、模型配置、对话流可视化以及浏览器/搜索状态跟踪。 🔄 工作流程编排：无缝连接 GUI 代理工具——搜索、浏览、探索链接并将信息合成最终输出。 ⚙️ 开发人员友好框架：简化与 UI-TARS 的集成以及 GUI 代理项目的自定义工作流程创建。演示视频

字节开源了一套 AI Agent 框架：Agent TARS 支持深度研究、电脑操作、文件编辑、MCP。 🌐高级浏览器操作：通过代理框架执行深度研究和操作员功能等复杂任务，实现全面的规划和执行。 🛠️全面的工具支持：集成搜索、文件编辑、MCP，工具来处理复杂的工作流程。 💻️增强的桌面应用程序：改进的用户界面，带有浏览器显示、多模式元素、会话管理、模型配置、对话流可视化以及浏览器/搜索状态跟踪。 🔄 工作流程编排：无缝连接 GUI 代理工具——搜索、浏览、探索链接并将信息合成最终输出。 ⚙️ 开发人员友好框架：简化与 UI-TARS 的集成以及 GUI 代理项目的自定义工作流程创建。演示视频

Orange AI

76,894 views • 1 year ago

Vanar 的真正竞争力不在于高TPS或零费用，而在于它简化了开发者的接入门槛。区块链项目的成功往往依赖于生态建设，但这个过程最复杂、最消耗资源的一步就是让开发者顺畅上手。 Vanar通过EVM兼容性和低门槛的合约部署，极大地降低了技术迁移和开发的难度，让开发者可以直接使用熟悉的工具和环境，这一点对生态长期增长至关重要。 Vanar的另一层优势在于其完善的文档和示例库，这为开发者提供了明确的路径。工具链的成熟和文档的完善，意味着开发者可以减少在学习上的投入，更多地专注于构建实际应用。这种便捷的开发环境，不仅帮助Vanar吸引了开发者，也提高了生态内项目的生存率。长远来看，Vanar的竞争力体现在它如何让开发者在最短时间内验证想法并快速上线，从而推动整个生态的繁荣。而这正是生态持续增长的隐性驱动力。 Vanar #Vanar $VANRY

Vanar 的真正竞争力不在于高TPS或零费用，而在于它简化了开发者的接入门槛。区块链项目的成功往往依赖于生态建设，但这个过程最复杂、最消耗资源的一步就是让开发者顺畅上手。 Vanar通过EVM兼容性和低门槛的合约部署，极大地降低了技术迁移和开发的难度，让开发者可以直接使用熟悉的工具和环境，这一点对生态长期增长至关重要。 Vanar的另一层优势在于其完善的文档和示例库，这为开发者提供了明确的路径。工具链的成熟和文档的完善，意味着开发者可以减少在学习上的投入，更多地专注于构建实际应用。这种便捷的开发环境，不仅帮助Vanar吸引了开发者，也提高了生态内项目的生存率。长远来看，Vanar的竞争力体现在它如何让开发者在最短时间内验证想法并快速上线，从而推动整个生态的繁荣。而这正是生态持续增长的隐性驱动力。 Vanar #Vanar $VANRY

阿乐

581,226 views • 7 months ago

最近拿 StepFun 的 Step 3.7 Flash 跑了一次完整的自动编程流水线，从需求文档到能用的工具，65 分钟，中间没碰键盘。先说模型。Step 3.7 Flash 的定位是把 Agent 工作流从头跑到尾：规划、写代码、跑测试、审代码、出错重试，看的是整条流程跑完的综合效率。原生多模态，开源可部署。Agent 循环一次要调几百次模型，快和便宜在这里不是锦上添花，是能不能跑得起的问题。再说项目。hero-coding 是我用 Go 写的一个自动编程流水线：输入一份 Markdown 需求文档，四个 Agent 执行——Planner 把需求拆成带依赖关系的小任务，Worker 在独立的 git worktree 里写代码提交，Verifier 跑测试出硬证据，Reviewer 审 diff，通过就合入主干，不过就打回重做。四个角色全部由 Step 3.7 Flash 驱动，区别只是 system prompt 和工具权限。这次给它的需求：做一个 Agent 运行日志分析工具，读日志文件，统计每个 Agent 的调用次数、成功率、平均耗时、token 消耗，找出最慢和最不稳定的 Agent。实际跑下来： · Planner 把需求拆成 6 个任务，自动排好依赖顺序 · 6 个任务全部自动交付，逐个合入主干 · 期间 Reviewer 打回 5 次——有测试全绿但被审出正确性问题的，有只改测试期望值想糊弄过去被拒收的，全部在重试轮次内自动修复 · 不是一个模型在自言自语，是多个 Agent 在互相检查，而且检查真的拦住了东西 · 最终产出的 CLI 直接能用，视频结尾是它分析真实日志的输出视频是完整过程的运行日志。国内: 海外： StepFun

最近拿 StepFun 的 Step 3.7 Flash 跑了一次完整的自动编程流水线，从需求文档到能用的工具，65 分钟，中间没碰键盘。先说模型。Step 3.7 Flash 的定位是把 Agent 工作流从头跑到尾：规划、写代码、跑测试、审代码、出错重试，看的是整条流程跑完的综合效率。原生多模态，开源可部署。Agent 循环一次要调几百次模型，快和便宜在这里不是锦上添花，是能不能跑得起的问题。再说项目。hero-coding 是我用 Go 写的一个自动编程流水线：输入一份 Markdown 需求文档，四个 Agent 执行——Planner 把需求拆成带依赖关系的小任务，Worker 在独立的 git worktree 里写代码提交，Verifier 跑测试出硬证据，Reviewer 审 diff，通过就合入主干，不过就打回重做。四个角色全部由 Step 3.7 Flash 驱动，区别只是 system prompt 和工具权限。这次给它的需求：做一个 Agent 运行日志分析工具，读日志文件，统计每个 Agent 的调用次数、成功率、平均耗时、token 消耗，找出最慢和最不稳定的 Agent。实际跑下来： · Planner 把需求拆成 6 个任务，自动排好依赖顺序 · 6 个任务全部自动交付，逐个合入主干 · 期间 Reviewer 打回 5 次——有测试全绿但被审出正确性问题的，有只改测试期望值想糊弄过去被拒收的，全部在重试轮次内自动修复 · 不是一个模型在自言自语，是多个 Agent 在互相检查，而且检查真的拦住了东西 · 最终产出的 CLI 直接能用，视频结尾是它分析真实日志的输出视频是完整过程的运行日志。国内: 海外： StepFun

劳伦斯

52,280 views • 3 months ago

有没有想过：Claude Code 或 Codex 跑完一个任务，它到底「看」了哪些文件、忽略了哪些？ Mindwalk 把这个问题可视化了，它把 Claude Code 和 Codex 的会话日志，投射到代码库的 3D 地图上回放。仓库是一张夜间俯瞰图，agent 搜索、读取、编辑过的文件会发光，没碰到的区域保持黑暗，让你一眼看清 agent 对任务的理解范围。单个 Go 二进制文件，所有数据完全本地处理，不会离开机器。文件触达状态分四级：未访问、已查看、已读取、已编辑，还有上下文压缩事件、子 agent 启动、错误节点的时间轴标记。这个工具提供了一个直觉：agent 的工作范围和你以为的往往不一样。当它跑了 30 分钟，你以为它读遍了整个仓库，但地图可能告诉你它根本没碰到关键目录。如果你在用 Claude Code 跑复杂任务，这是个值得装一下的调试工具。可以用它检查 agent 是否真的理解了任务范围，而不是靠最后的输出结果猜测。

有没有想过：Claude Code 或 Codex 跑完一个任务，它到底「看」了哪些文件、忽略了哪些？ Mindwalk 把这个问题可视化了，它把 Claude Code 和 Codex 的会话日志，投射到代码库的 3D 地图上回放。仓库是一张夜间俯瞰图，agent 搜索、读取、编辑过的文件会发光，没碰到的区域保持黑暗，让你一眼看清 agent 对任务的理解范围。单个 Go 二进制文件，所有数据完全本地处理，不会离开机器。文件触达状态分四级：未访问、已查看、已读取、已编辑，还有上下文压缩事件、子 agent 启动、错误节点的时间轴标记。这个工具提供了一个直觉：agent 的工作范围和你以为的往往不一样。当它跑了 30 分钟，你以为它读遍了整个仓库，但地图可能告诉你它根本没碰到关键目录。如果你在用 Claude Code 跑复杂任务，这是个值得装一下的调试工具。可以用它检查 agent 是否真的理解了任务范围，而不是靠最后的输出结果猜测。

Xudong Han

27,488 views • 2 months ago

MiroThinker 1.5：全球最强的开源研究智能体仅 30B参数，却超越 1T 级别的 Kimi-K2-Thinking 推理成本 $0.07（ 1/20 成本）它可以自动搜索信息，然后提出假设 → 查找证据 → 验证 → 修正 → 反复验证→ 最终生成完整结果。一次最多可调用400个工具交互... 测试了下确实有点东西啊，兄弟们我让它： “回顾人类历史上每一次知识革命（文字、印刷、电力、互联网），请分析：AI 革命的独特性与潜在风险。它将如何改变文明的演化方向？” 它进行了几十轮的推理和搜索，其中进行了多次的反复验证和再搜索。搜索的内容覆盖了中外的各种资料和文献非常之牛逼最后给我了一个完整报告它能理解问题、规划步骤，然后调用各种工具去解决任务。具备：自动化信息搜索；支持多步思考与自我纠错；具备长时记忆与上下文理解工具调用与执行；研究级信息整合与评估。通过 memory-managed multi-round reasoning：保留最近 5 次对话上下文；清理无关历史；维持信息完整性与低资源开销。这种交互循环让模型具备了“自主探究式学习（self-directed inquiry）”能力。在 v1.5 版本中，单任务可支持多达400次工具交互，使模型能在复杂任务中形成递归式、层级化的推理链。

MiroThinker 1.5：全球最强的开源研究智能体仅 30B参数，却超越 1T 级别的 Kimi-K2-Thinking 推理成本 $0.07（ 1/20 成本）它可以自动搜索信息，然后提出假设 → 查找证据 → 验证 → 修正 → 反复验证→ 最终生成完整结果。一次最多可调用400个工具交互... 测试了下确实有点东西啊，兄弟们我让它： “回顾人类历史上每一次知识革命（文字、印刷、电力、互联网），请分析：AI 革命的独特性与潜在风险。它将如何改变文明的演化方向？” 它进行了几十轮的推理和搜索，其中进行了多次的反复验证和再搜索。搜索的内容覆盖了中外的各种资料和文献非常之牛逼最后给我了一个完整报告它能理解问题、规划步骤，然后调用各种工具去解决任务。具备：自动化信息搜索；支持多步思考与自我纠错；具备长时记忆与上下文理解工具调用与执行；研究级信息整合与评估。通过 memory-managed multi-round reasoning：保留最近 5 次对话上下文；清理无关历史；维持信息完整性与低资源开销。这种交互循环让模型具备了“自主探究式学习（self-directed inquiry）”能力。在 v1.5 版本中，单任务可支持多达400次工具交互，使模型能在复杂任务中形成递归式、层级化的推理链。

小互

30,992 views • 8 months ago

很多人可能不知道，你和Codex的聊天记录隐藏了大量节省上下文token消耗的方法输入下面这段提示词，让 Codex 找出过去 30 天的重复工作，并判断该做成 skill、subagent、还是自动化任务。之后，你的工作效率将大幅提升： “检查我最近 30 天的 Codex 会话、Memories、Chronicle，以及已有的 Skills、Agents 和 Automations。找出至少重复出现两次、耗时、容易出错、需要大量上下文的人工工作。对每个候选项给出：实际证据和日期、出现频率、适合做成 Skill / Agent / Automation，或者暂时跳过、预计能节省什么。先输出候选清单，不要直接修改文件。只保留高置信度、输入稳定、流程可重复、结果可验收的任务”

很多人可能不知道，你和Codex的聊天记录隐藏了大量节省上下文token消耗的方法输入下面这段提示词，让 Codex 找出过去 30 天的重复工作，并判断该做成 skill、subagent、还是自动化任务。之后，你的工作效率将大幅提升： “检查我最近 30 天的 Codex 会话、Memories、Chronicle，以及已有的 Skills、Agents 和 Automations。找出至少重复出现两次、耗时、容易出错、需要大量上下文的人工工作。对每个候选项给出：实际证据和日期、出现频率、适合做成 Skill / Agent / Automation，或者暂时跳过、预计能节省什么。先输出候选清单，不要直接修改文件。只保留高置信度、输入稳定、流程可重复、结果可验收的任务”

Sac

99,911 views • 1 month ago

强，字节刚刚开源了一款“ChatGPT Pulse”类工具： MineContext，它会主动推送洞察、日/周总结、待办、活动记录等信息以每日总结、每周回顾、关键Tips或待办事项等形式，主动推送到主页 MineContext具有上下文感知能力，它目前基于屏幕截图+内容理解，看到看懂用户数字世界的上下文，再基于底层的上下文工程框架，进行主动推送未来会支持其他来源的多模态信息，文档、图片、视频、代码、外部应用数据等无感收集，开启后，它会在后台自动收集上下文，无需进行任何额外操作智能浮现，当需要创作或查找资料时，它可以智能浮现出相关历史上下文，以辅助创作比ChatGPT Pulse，MineContext所有的数据都会经过压缩后保存在本地，更具安全性 MineContext等于把沉默的电脑数据变成了随时可用的第二大脑，学生或研究者可以用来辅助构建知识体系，内容创作者可以用来提供灵感、优化工作流等 #MineContext #AI信息推送助手

强，字节刚刚开源了一款“ChatGPT Pulse”类工具： MineContext，它会主动推送洞察、日/周总结、待办、活动记录等信息以每日总结、每周回顾、关键Tips或待办事项等形式，主动推送到主页 MineContext具有上下文感知能力，它目前基于屏幕截图+内容理解，看到看懂用户数字世界的上下文，再基于底层的上下文工程框架，进行主动推送未来会支持其他来源的多模态信息，文档、图片、视频、代码、外部应用数据等无感收集，开启后，它会在后台自动收集上下文，无需进行任何额外操作智能浮现，当需要创作或查找资料时，它可以智能浮现出相关历史上下文，以辅助创作比ChatGPT Pulse，MineContext所有的数据都会经过压缩后保存在本地，更具安全性 MineContext等于把沉默的电脑数据变成了随时可用的第二大脑，学生或研究者可以用来辅助构建知识体系，内容创作者可以用来提供灵感、优化工作流等 #MineContext #AI信息推送助手

AIGCLINK

35,881 views • 1 year ago

👏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

27,519 views • 3 months ago

Codex 最新动态：从 GPT‑5.6 与 Ultra 模式，到多智能体并行协作、计算机与浏览器操作、应用截图理解、行内代码和文档修改，再到一键发布 Sites、跨项目管理以及完整的 PR 工作流。 Codex 已不只是一个“帮你写代码”的工具，而是能够拆解复杂任务、操作和测试应用、协调多个项目、处理 Bug 与代码审查，并协助完成发布的开发伙伴。无论你想提高日常开发效率，还是探索更自动化的 AI 编程方式，这支视频都能帮你快速掌握 Codex 的新能力和实际应用场景。本视频由 baocut 翻译

Codex 最新动态：从 GPT‑5.6 与 Ultra 模式，到多智能体并行协作、计算机与浏览器操作、应用截图理解、行内代码和文档修改，再到一键发布 Sites、跨项目管理以及完整的 PR 工作流。 Codex 已不只是一个“帮你写代码”的工具，而是能够拆解复杂任务、操作和测试应用、协调多个项目、处理 Bug 与代码审查，并协助完成发布的开发伙伴。无论你想提高日常开发效率，还是探索更自动化的 AI 编程方式，这支视频都能帮你快速掌握 Codex 的新能力和实际应用场景。本视频由 baocut 翻译

宝玉

37,498 views • 2 months ago

太炸裂了！为啥没有早点发现CodeX这个神仙用法？！ 30 秒的视频演示--直接把你的 Plus 账号当成 PRO 账号的额度去用，简直爽翻了😂Codex 额度不够用的话强烈推荐试试： Codex （读取本地项目 +发送任务） ↓ 压缩提炼成 1~3K 的精简 Packet ↓ 调用浏览器 ➔ 丢给网页版 ChatGPT（5.6-Sol 做重推理） ↓ 网页端输出精准的结构化方案 ↓ Codex 接收方案 ➔ 修改代码 ─── 【二、具体思路】 1. 网页端当最强大脑（出方案）：直接在网页端用最高版本的GPT-5.6Sol ，把复杂业务需求丢进去，让它做最严密的架构拆解和精准代码方案 2. 本地 Codex 做调度与落地：拿到成熟方案后，直接交给本地终端的 Codex。它只需要按图索骥去读写文件、跑测试、自动化改代码，用5.6 LUNA模型消耗轻量 Token就可以用了 ─── 这个方案你可以自己写一个脚本。如果嫌自己手写脚本太麻烦，推荐一个开源工具可以直接使用——Oracle（由知名开发者 Peter Steinberger 🦞 开源）： 👉 开源地址：

太炸裂了！为啥没有早点发现CodeX这个神仙用法？！ 30 秒的视频演示--直接把你的 Plus 账号当成 PRO 账号的额度去用，简直爽翻了😂Codex 额度不够用的话强烈推荐试试： Codex （读取本地项目 +发送任务） ↓ 压缩提炼成 1~3K 的精简 Packet ↓ 调用浏览器 ➔ 丢给网页版 ChatGPT（5.6-Sol 做重推理） ↓ 网页端输出精准的结构化方案 ↓ Codex 接收方案 ➔ 修改代码 ─── 【二、具体思路】 1. 网页端当最强大脑（出方案）：直接在网页端用最高版本的GPT-5.6Sol ，把复杂业务需求丢进去，让它做最严密的架构拆解和精准代码方案 2. 本地 Codex 做调度与落地：拿到成熟方案后，直接交给本地终端的 Codex。它只需要按图索骥去读写文件、跑测试、自动化改代码，用5.6 LUNA模型消耗轻量 Token就可以用了 ─── 这个方案你可以自己写一个脚本。如果嫌自己手写脚本太麻烦，推荐一个开源工具可以直接使用——Oracle（由知名开发者 Peter Steinberger 🦞 开源）： 👉 开源地址：

梭哈.AI

68,528 views • 27 days ago

GitHub Copilot大更新，增加了MCP支持，推出Copilot Agent模式，面向所有VS Code用户开放 1、Agent模式不仅仅是回答问题，而能主动执行任务，它可以理解更复杂的指令，跨多个文件进行修改，建议终端命令、调用工具等，可以自动识别或生成所需的文件，并执行必要的步骤实现开发目标，还能分析运行时错误并进行自我修复 2、提供了一个本地MCP服务器，这个MCP服务为agent模式提供了强大的功能，比如跨代码库搜索代码、管理issues 以及创建 PR等 3、增加了对Claude 3.5/3.7、Google Gemini 2.0 Flash、OpenAI o3-mini等的支持推出了GitHub Copilot Pro+订阅计划，$39/月 4、Copilot的代码审查Agent正式发布，新增了个"下一步编辑建议"功能 #AI编程助手 #GitHubCopilot

GitHub Copilot大更新，增加了MCP支持，推出Copilot Agent模式，面向所有VS Code用户开放 1、Agent模式不仅仅是回答问题，而能主动执行任务，它可以理解更复杂的指令，跨多个文件进行修改，建议终端命令、调用工具等，可以自动识别或生成所需的文件，并执行必要的步骤实现开发目标，还能分析运行时错误并进行自我修复 2、提供了一个本地MCP服务器，这个MCP服务为agent模式提供了强大的功能，比如跨代码库搜索代码、管理issues 以及创建 PR等 3、增加了对Claude 3.5/3.7、Google Gemini 2.0 Flash、OpenAI o3-mini等的支持推出了GitHub Copilot Pro+订阅计划，$39/月 4、Copilot的代码审查Agent正式发布，新增了个"下一步编辑建议"功能 #AI编程助手 #GitHubCopilot

AIGCLINK

39,383 views • 1 year ago

如果去可视化ClaudeCode的工作轨迹可以看到 AI agent 在真实代码库中浏览、审查结构、做决策并提交修改的过程软件开发正进入新的阶段，并非传统意义上的自动化,而是Agent能理解上下文、应对复杂情况、并做出有意义贡献的系统。虽然目前仍处于vibe coding的早期阶段,但这个趋势毋庸置疑：人类和Agents正在进行人机协同的合作来构建未来

如果去可视化ClaudeCode的工作轨迹可以看到 AI agent 在真实代码库中浏览、审查结构、做决策并提交修改的过程软件开发正进入新的阶段，并非传统意义上的自动化,而是Agent能理解上下文、应对复杂情况、并做出有意义贡献的系统。虽然目前仍处于vibe coding的早期阶段,但这个趋势毋庸置疑：人类和Agents正在进行人机协同的合作来构建未来

Yangyi

36,912 views • 10 months ago

$🚀Anthropic 悄无声息地推出了一项功能：Agent Teams 让 Claude 在 Claude code 内构建自己的 AI 代理团队! 该功能改变了传统的上下级 AI 架构，允许 Claude 构建一个同级代理团队。这些代理可以共享任务列表、直接互相发送消息并审查彼此的工作，实现类似于真人团队的协作模式。在演示中，一个由 QA 工程师、前端开发者和后端开发者组成的 3 人团队展示了这一能力。 QA 代理发现 3 个错误后，直接向前后端开发者发送反馈。开发者修复问题后，应用程序在一轮测试中即成功上线。该功能在 Claude Code v2.1.32 及更高版本中可用。以下是开启方法与运行规则： 1. 启用方法确保版本符合要求。在 settings.json 中添加以下配置： "env": { "CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS": "1" } 或者将此内容粘贴给 Claude 并说明“添加到我的设置中”，随后重启。 2. 提示词设定使用纯英文进行提示。开始时需要设定一个明确的目标（代理启动时没有上下文）。提示词示例："使用 Sonnet 创建一个 3 人团队"，并详细描述每个角色的职责、交付物以及完成后需要联系的下一个代理。 3. 运行规则 - 每个代理拥有自己的独立文件。 - 必须定义确切的输出。 - 指定明确的通信链路（谁与谁交谈）。 - 团队规模建议保持在 3-5 个代理。 4. 适用场景与限制该功能适用于有独立部分且可以并行运行的复杂工作。对于简单或顺序任务，不建议使用该功能，因为团队协作会消耗 3-4 倍的 Token。$

🚀Anthropic 悄无声息地推出了一项功能：Agent Teams 让 Claude 在 Claude code 内构建自己的 AI 代理团队! 该功能改变了传统的上下级 AI 架构，允许 Claude 构建一个同级代理团队。这些代理可以共享任务列表、直接互相发送消息并审查彼此的工作，实现类似于真人团队的协作模式。在演示中，一个由 QA 工程师、前端开发者和后端开发者组成的 3 人团队展示了这一能力。 QA 代理发现 3 个错误后，直接向前后端开发者发送反馈。开发者修复问题后，应用程序在一轮测试中即成功上线。该功能在 Claude Code v2.1.32 及更高版本中可用。以下是开启方法与运行规则： 1. 启用方法确保版本符合要求。在 settings.json 中添加以下配置： "env": { "CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS": "1" } 或者将此内容粘贴给 Claude 并说明“添加到我的设置中”，随后重启。 2. 提示词设定使用纯英文进行提示。开始时需要设定一个明确的目标（代理启动时没有上下文）。提示词示例："使用 Sonnet 创建一个 3 人团队"，并详细描述每个角色的职责、交付物以及完成后需要联系的下一个代理。 3. 运行规则 - 每个代理拥有自己的独立文件。 - 必须定义确切的输出。 - 指定明确的通信链路（谁与谁交谈）。 - 团队规模建议保持在 3-5 个代理。 4. 适用场景与限制该功能适用于有独立部分且可以并行运行的复杂工作。对于简单或顺序任务，不建议使用该功能，因为团队协作会消耗 3-4 倍的 Token。

Lonely

19,931 views • 3 months ago