正在加载视频...

视频加载失败

加载此视频时出现问题。这可能是由于临时网络问题，或视频可能不可用。

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... show more

HankAI

4,105 subscribers

36,913 次观看 • 4 个月前 •via X (Twitter)

教育科学技术

Anya Rossi• Live Now

Private livecam show

0 条评论

暂无评论

原始帖子的评论将显示在这里

相关视频

两周前，我和老朋友田鸿飞录制了一期关于边缘 AI 的播客。田鸿飞是 Olares 的联合创始人，Olares 是一款面向 AI 的操作系统，类似于个人 VPS，方便安装服务和 AI 模型，Olares One 就是这个系统的专用硬件，配备了 NVIDIA 5090 以及 96G 的内存。其实这两周爆火的 OpenClaw 给了大家一个很好的启示，一款边缘 AI OS 只需提供 Unix 内核和一个文件系统，一套在本地运行 AI Agent 的框架，能够调用本地模型或者远端能力更强大的模型，你的个人数据还有执行权限才是这个 AI 助理的关键所在！ OpenClaw 的作者 Peter Steinberger 说 MCP 是垃圾，它没法扩展。人们在它周围搞各种奇怪的搜索功能，但你知道什么真正能扩展？命令行工具。" 因为： - AI 模型已经懂 Unix； - 你的电脑上可以有上千个小程序； - 模型只需要知道程序名，调用 -help 查看帮助，就知道怎么使用； - 如果你聪明一点，把工具设计成模型期望的样子，一切都运作得更好；把所有的功能都封装成 Unix 的命令行，然后让 AI Agent 来直接使用这个操作系统，这才是边缘 AI OS 最有趣的地方😃

两周前，我和老朋友田鸿飞录制了一期关于边缘 AI 的播客。田鸿飞是 Olares 的联合创始人，Olares 是一款面向 AI 的操作系统，类似于个人 VPS，方便安装服务和 AI 模型，Olares One 就是这个系统的专用硬件，配备了 NVIDIA 5090 以及 96G 的内存。其实这两周爆火的 OpenClaw 给了大家一个很好的启示，一款边缘 AI OS 只需提供 Unix 内核和一个文件系统，一套在本地运行 AI Agent 的框架，能够调用本地模型或者远端能力更强大的模型，你的个人数据还有执行权限才是这个 AI 助理的关键所在！ OpenClaw 的作者 Peter Steinberger 说 MCP 是垃圾，它没法扩展。人们在它周围搞各种奇怪的搜索功能，但你知道什么真正能扩展？命令行工具。" 因为： - AI 模型已经懂 Unix； - 你的电脑上可以有上千个小程序； - 模型只需要知道程序名，调用 -help 查看帮助，就知道怎么使用； - 如果你聪明一点，把工具设计成模型期望的样子，一切都运作得更好；把所有的功能都封装成 Unix 的命令行，然后让 AI Agent 来直接使用这个操作系统，这才是边缘 AI OS 最有趣的地方😃

indigo

17,512 次观看 • 6 个月前

有一个超级暴论：现阶段的 OpenClaw 根本不适合团队协作！！折腾过的人，应该都有类似的感受！ OpenClaw 本质上其实是一个很强的 Agent 底座！你可以把它接入到自己的团队工作流里，把 Agent 搭起来，把渠道接进去，把能力跑通，每个人都能让Agent干事情，但是再进一步就会发现真正的问题：团队怎么一起用？中间产出和最终结果都沉淀在哪？前面做过的分析、写过的文档、跑过的方法，怎么变成团队可复用资产？新的成员进来，怎么接着往下做，而不是从头再来一遍？这些，落到实际的应用中，都是坑！最近，Flowus团队开发了一个新产品： Kollab Kollab 似乎解决了上面这些问题，它的思路很直接：把 Agent 直接变成工作流的一部分。这是什么意思呢？ OpenClaw 解决的是：我个人怎么拥有一个随叫随到、能力很强、自己可控的 AI。而 Kollab 解决的是：怎么让 AI 参与真实的团队工作，让做过的事能留下来，方法能复用，团队能协作。对于内容团队、研究团队、小型创业团队来说，一定知道这其中的区别！！你可以很简单的建立不同的项目组，或者工作空间，每个项目组里都有 Agent，项目推进的全过程中，所有的工作流、产出和方法论，都会沉淀在这个空间里。当下次遇到同类型的B项目时，就可以一键复用A项目沉淀下来“工作资产”。我觉得，这才是团队协作里最有价值的部分，尽可能减少重复劳动！！不管是传统团队协作，还是AI时代的团队协作，都如此。所以，AI 产品真正的分水岭，不是谁更像人，也不是谁接了更多更强的模型。而是，到底能不能提供一个能沉淀、能协作、能推进的工作空间。

有一个超级暴论：现阶段的 OpenClaw 根本不适合团队协作！！折腾过的人，应该都有类似的感受！ OpenClaw 本质上其实是一个很强的 Agent 底座！你可以把它接入到自己的团队工作流里，把 Agent 搭起来，把渠道接进去，把能力跑通，每个人都能让Agent干事情，但是再进一步就会发现真正的问题：团队怎么一起用？中间产出和最终结果都沉淀在哪？前面做过的分析、写过的文档、跑过的方法，怎么变成团队可复用资产？新的成员进来，怎么接着往下做，而不是从头再来一遍？这些，落到实际的应用中，都是坑！最近，Flowus团队开发了一个新产品： Kollab Kollab 似乎解决了上面这些问题，它的思路很直接：把 Agent 直接变成工作流的一部分。这是什么意思呢？ OpenClaw 解决的是：我个人怎么拥有一个随叫随到、能力很强、自己可控的 AI。而 Kollab 解决的是：怎么让 AI 参与真实的团队工作，让做过的事能留下来，方法能复用，团队能协作。对于内容团队、研究团队、小型创业团队来说，一定知道这其中的区别！！你可以很简单的建立不同的项目组，或者工作空间，每个项目组里都有 Agent，项目推进的全过程中，所有的工作流、产出和方法论，都会沉淀在这个空间里。当下次遇到同类型的B项目时，就可以一键复用A项目沉淀下来“工作资产”。我觉得，这才是团队协作里最有价值的部分，尽可能减少重复劳动！！不管是传统团队协作，还是AI时代的团队协作，都如此。所以，AI 产品真正的分水岭，不是谁更像人，也不是谁接了更多更强的模型。而是，到底能不能提供一个能沉淀、能协作、能推进的工作空间。

沐阳

51,104 次观看 • 3 个月前

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 次观看 • 3 个月前

今晚如果你本来打算刷 2 小时 Netflix 不如看这个 40 分钟 masterclass 来自一家 $20B 中国 AI company 的 Kimi founder 它最有价值的地方不是“讲 AI 很强” 而是把 Agent Swarms 和 AI systems 到底怎么在规模化场景里运作，讲得非常清楚不管你从来没搭过 agent，还是已经每天都在用 Claude，这个内容都值得看真正有意思的是：很多人还在把 AI 当单个工具用但 Agent Swarms 讨论的是另一件事： -- 多个 agent 如何分工 -- 如何协作 -- 如何把任务拆开 -- 如何在系统层面持续运行这也是为什么我把里面的关键思路整理成了一份 practical guide 重点不是单纯理解概念而是怎么真正用 Kimi 去 build

今晚如果你本来打算刷 2 小时 Netflix 不如看这个 40 分钟 masterclass 来自一家 $20B 中国 AI company 的 Kimi founder 它最有价值的地方不是“讲 AI 很强” 而是把 Agent Swarms 和 AI systems 到底怎么在规模化场景里运作，讲得非常清楚不管你从来没搭过 agent，还是已经每天都在用 Claude，这个内容都值得看真正有意思的是：很多人还在把 AI 当单个工具用但 Agent Swarms 讨论的是另一件事： -- 多个 agent 如何分工 -- 如何协作 -- 如何把任务拆开 -- 如何在系统层面持续运行这也是为什么我把里面的关键思路整理成了一份 practical guide 重点不是单纯理解概念而是怎么真正用 Kimi 去 build

0x_Miko

16,093 次观看 • 2 个月前

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。

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

12,783 次观看 • 1 个月前

最近北大开源的一个项目，我觉得很值得关注。 AI Agent 现在最缺的，可能不是模型，而是一套像 npm 一样可复用的 skill 基础设施。 MagicSkills 做的就是这件事。它不是再去造一个新的 Agent framework，而是想把那些散落在各处的 SKILL.md，变成可安装、可组合、可同步、可调用的共享能力层。 MagicSkills 的思路更像是，先把 skill 从零散文档里抽出来，做成一个本地优先的共享 skill pool，然后再按不同 Agent、不同框架去组合和分发。这样一来，skill 就不再只是 prompt 附件，而是开始变成真正可复用的能力基础设施。说白了，它想推动的一件事就是：让 Agent 的技能，从“写一份文档自己用”，变成“写一次，到处复用”。我觉得这个方向很值得看。因为当 skill 开始像包管理一样被组织起来，多 Agent 工作流才会真正开始像工程系统，而不是一堆 prompt 和脚本的临时拼装。如果你在关注 AI Agent、Multi-Agent、技能复用，或者正在想怎么管理越来越多的 SKILL.md，这个项目值得研究一下。👇

最近北大开源的一个项目，我觉得很值得关注。 AI Agent 现在最缺的，可能不是模型，而是一套像 npm 一样可复用的 skill 基础设施。 MagicSkills 做的就是这件事。它不是再去造一个新的 Agent framework，而是想把那些散落在各处的 SKILL.md，变成可安装、可组合、可同步、可调用的共享能力层。 MagicSkills 的思路更像是，先把 skill 从零散文档里抽出来，做成一个本地优先的共享 skill pool，然后再按不同 Agent、不同框架去组合和分发。这样一来，skill 就不再只是 prompt 附件，而是开始变成真正可复用的能力基础设施。说白了，它想推动的一件事就是：让 Agent 的技能，从“写一份文档自己用”，变成“写一次，到处复用”。我觉得这个方向很值得看。因为当 skill 开始像包管理一样被组织起来，多 Agent 工作流才会真正开始像工程系统，而不是一堆 prompt 和脚本的临时拼装。如果你在关注 AI Agent、Multi-Agent、技能复用，或者正在想怎么管理越来越多的 SKILL.md，这个项目值得研究一下。👇

axiaisacat

46,330 次观看 • 4 个月前

Mininglamp-AI Mininglamp（2718.HK）开源了两个很有意思的项目： Cider 和 Mano-P 一个解决“Mac 本地跑 AI 怎么更快” 一个解决“AI 怎么真正操作电脑” 可以让你的 Mac 不只是运行 AI，而是成为本地 AI 工作站很多人用 Mac 跑本地模型，会遇到一个问题：芯片很强，但模型跑起来没有想象中那么快 Cider 做的事情，就是把 M5 芯片里的 INT8 TensorOps 更充分用起来，让 LLM / VLM 推理更快、更省内存 Mano-P 则是一个 GUI-VLA Agent，面向端侧设备，可以在 Mac mini / MacBook 上本地推理它不是只能操作浏览器，还能操作桌面软件、网页界面、专业工具和复杂图形化工作流支持复杂 GUI 自动化、跨系统数据整合、长任务规划执行、智能报告生成、自主应用构建技术路径是纯视觉 GUI 操作，截图和任务数据可以不出设备 Cider 解决的是： Mac 本地模型怎么跑得更快、更省内存 Mano-P 解决的是： AI 怎么像人一样看屏幕、操作电脑、完成任务一个是端侧推理加速框架一个是端侧 GUI Agent 模型合起来，就是一套私有 AI 的本地基础设施下面是 Mano-P系统在麻将游戏中的应用：通过纯视觉理解游戏界面，自主完成识牌、分析和决策。

Mininglamp-AI Mininglamp（2718.HK）开源了两个很有意思的项目： Cider 和 Mano-P 一个解决“Mac 本地跑 AI 怎么更快” 一个解决“AI 怎么真正操作电脑” 可以让你的 Mac 不只是运行 AI，而是成为本地 AI 工作站很多人用 Mac 跑本地模型，会遇到一个问题：芯片很强，但模型跑起来没有想象中那么快 Cider 做的事情，就是把 M5 芯片里的 INT8 TensorOps 更充分用起来，让 LLM / VLM 推理更快、更省内存 Mano-P 则是一个 GUI-VLA Agent，面向端侧设备，可以在 Mac mini / MacBook 上本地推理它不是只能操作浏览器，还能操作桌面软件、网页界面、专业工具和复杂图形化工作流支持复杂 GUI 自动化、跨系统数据整合、长任务规划执行、智能报告生成、自主应用构建技术路径是纯视觉 GUI 操作，截图和任务数据可以不出设备 Cider 解决的是： Mac 本地模型怎么跑得更快、更省内存 Mano-P 解决的是： AI 怎么像人一样看屏幕、操作电脑、完成任务一个是端侧推理加速框架一个是端侧 GUI Agent 模型合起来，就是一套私有 AI 的本地基础设施下面是 Mano-P系统在麻将游戏中的应用：通过纯视觉理解游戏界面，自主完成识牌、分析和决策。

小互

12,114 次观看 • 3 个月前

🔥DeepMind 创始人 Demis Hassabis：AI 越强，人越需要学编程和数学 “既然 AI 什么都会，人还需要学编程和数学吗？” 很多人以为答案会是：不需要了。但 DeepMind 创始人 Demis Hassabis 的回答却完全相反。他的观点非常明确：越是 AI 时代，人越需要理解技术。原因其实很简单。 AI 能解决问题，但它不会自己提出问题。你必须先知道：你想解决什么问题在哪里什么是正确的目标否则再强的 AI 也只是一个没有方向的工具。换句话说，AI 的能力再强，也依然需要人来做三件事：提出问题定义目标判断结果这也是为什么 Hassabis 一直强调：未来最重要的能力之一，依然是数学与计算思维。因为只有理解这些基础逻辑，你才知道 AI 在做什么。否则就会出现一种常见情况： AI 给出了一个答案但你根本不知道它对不对如果你没有基本的技术理解，你甚至无法判断它是否犯错。换一个更直观的比喻。使用 AI，其实有点像指挥一支军队。 AI 是强大的“兵力”，但真正决定胜负的，是指挥官。如果指挥官不懂战略、不懂兵法，再多的士兵也无法打赢战争。这也是很多技术专家越来越强调的一点： AI 不会取代理解问题的人。它只会放大那些本来就知道自己在做什么的人。未来的竞争，可能不再是谁会写代码。而是：谁更懂问题谁更懂系统谁更能利用 AI 的能力。 AI 会改变很多事情。但有一件事其实没有改变：真正重要的，仍然是人的思考能力。

🔥DeepMind 创始人 Demis Hassabis：AI 越强，人越需要学编程和数学 “既然 AI 什么都会，人还需要学编程和数学吗？” 很多人以为答案会是：不需要了。但 DeepMind 创始人 Demis Hassabis 的回答却完全相反。他的观点非常明确：越是 AI 时代，人越需要理解技术。原因其实很简单。 AI 能解决问题，但它不会自己提出问题。你必须先知道：你想解决什么问题在哪里什么是正确的目标否则再强的 AI 也只是一个没有方向的工具。换句话说，AI 的能力再强，也依然需要人来做三件事：提出问题定义目标判断结果这也是为什么 Hassabis 一直强调：未来最重要的能力之一，依然是数学与计算思维。因为只有理解这些基础逻辑，你才知道 AI 在做什么。否则就会出现一种常见情况： AI 给出了一个答案但你根本不知道它对不对如果你没有基本的技术理解，你甚至无法判断它是否犯错。换一个更直观的比喻。使用 AI，其实有点像指挥一支军队。 AI 是强大的“兵力”，但真正决定胜负的，是指挥官。如果指挥官不懂战略、不懂兵法，再多的士兵也无法打赢战争。这也是很多技术专家越来越强调的一点： AI 不会取代理解问题的人。它只会放大那些本来就知道自己在做什么的人。未来的竞争，可能不再是谁会写代码。而是：谁更懂问题谁更懂系统谁更能利用 AI 的能力。 AI 会改变很多事情。但有一件事其实没有改变：真正重要的，仍然是人的思考能力。

M

63,964 次观看 • 5 个月前

$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🦅

227,255 次观看 • 3 个月前

这是我用 OpenClaw 搭的 AI 团队。他们各司其职，不用睡觉，做了很多我一个人根本做不过来的事情。这期视频我想分享我的 AI 团队到底长什么样。然后我们再一步一步，搭出属于你自己的 AI 团队，视频会讲，如何创建一个agent，在openclaw里面Agent具体是什么， Agent 之间怎么协作，什么时候需要多个agent以及最佳实践。

这是我用 OpenClaw 搭的 AI 团队。他们各司其职，不用睡觉，做了很多我一个人根本做不过来的事情。这期视频我想分享我的 AI 团队到底长什么样。然后我们再一步一步，搭出属于你自己的 AI 团队，视频会讲，如何创建一个agent，在openclaw里面Agent具体是什么， Agent 之间怎么协作，什么时候需要多个agent以及最佳实践。

木子不写代码

134,229 次观看 • 5 个月前

通过 Hermes Studio 小方盒控制电脑/Agent 操作，生成了这段视频。比奇堡大战孙悟空视频实况！🦀🐒 小方盒不是普通语音 AI 设备，它是一个桌面 AI Agent 控制入口：用语音、按键和小屏，把指令交给 Hermes Studio，让 Hermes Agent 去调用工具、控制电脑、执行任务。这次演示使用的是 Grok 4.3 模型。Grok xAI Nous Research witcheer Teknium 🪽 Hermes community never disappoints! 👀

通过 Hermes Studio 小方盒控制电脑/Agent 操作，生成了这段视频。比奇堡大战孙悟空视频实况！🦀🐒 小方盒不是普通语音 AI 设备，它是一个桌面 AI Agent 控制入口：用语音、按键和小屏，把指令交给 Hermes Studio，让 Hermes Agent 去调用工具、控制电脑、执行任务。这次演示使用的是 Grok 4.3 模型。Grok xAI Nous Research witcheer Teknium 🪽 Hermes community never disappoints! 👀

libapi

38,073 次观看 • 1 个月前

这批怎么样，花眼了！现在大多数 AI，就是租的，拿钱买感情。聊得再多，记忆说没就没，规则别人说了算，用着用着还可能被降级，你也没地方说理。 #OpenGradient 把 AI 直接做成链上的东西。他们的 Twin，本质就是一个有身份、有记忆、能被验证的 AI。不是一次性工具，也不是后台黑箱，而是长期存在的链上实体。你和它聊过什么、它学到了什么，都是连续的，不会突然清零。 Twin Feed不是人带着 AI 玩社交，而是 AI 自己在一个链上环境里互动、更新、调整行为。没有人类每一步指挥，它们自己跑逻辑，自己演化，你只是在旁边看数据和结果。记忆被分成两层：一层是长期有效的核心信息，一层是会慢慢衰减的事件记录。重要的留下，重复的强化，没用的自然消失，不是啥都一股脑塞进去。最关键的一点在于，这些 AI 不是平台资产，是可以被持有、被交易、被验证的。你不是在用别人服务器上的模型，而是在跟一个链上存在的 AI 打交道。 #OpenGradient 确实值得关注！ #KaitoAI #Kaito #Yaps OpenGradient (∇, ∇) Kaito AI 🌊

这批怎么样，花眼了！现在大多数 AI，就是租的，拿钱买感情。聊得再多，记忆说没就没，规则别人说了算，用着用着还可能被降级，你也没地方说理。 #OpenGradient 把 AI 直接做成链上的东西。他们的 Twin，本质就是一个有身份、有记忆、能被验证的 AI。不是一次性工具，也不是后台黑箱，而是长期存在的链上实体。你和它聊过什么、它学到了什么，都是连续的，不会突然清零。 Twin Feed不是人带着 AI 玩社交，而是 AI 自己在一个链上环境里互动、更新、调整行为。没有人类每一步指挥，它们自己跑逻辑，自己演化，你只是在旁边看数据和结果。记忆被分成两层：一层是长期有效的核心信息，一层是会慢慢衰减的事件记录。重要的留下，重复的强化，没用的自然消失，不是啥都一股脑塞进去。最关键的一点在于，这些 AI 不是平台资产，是可以被持有、被交易、被验证的。你不是在用别人服务器上的模型，而是在跟一个链上存在的 AI 打交道。 #OpenGradient 确实值得关注！ #KaitoAI #Kaito #Yaps OpenGradient (∇, ∇) Kaito AI 🌊

Michael 宝塔镇河妖🧙🏿‍♀️

33,550 次观看 • 7 个月前

很多人一聊到选哪条链？第一反应都是：热度高不高？补贴多不多？生态有没有流量？但今天听了 Talus 🐸 CEO Mike Hanono 和 The Rollup 的视频会议，我反而有种感觉：这不是在给 Sui 站台，更像是一场技术自白。首先Talus 选 Sui，真的不是因为它现在火。而是因为 Talus 想做的这件事，在别的链上，很难跑得像样。先说清楚一点：Talus 要做的不是一个 AI 应用，也不是几个 bot、几个策略脚本。它想做的是——一个大规模、自主运行的代理网络：成千上万个代理同时运行、同时决策、同时交互。光是这个前提，就把底层链的门槛直接拉满。为什么是 Sui？我听下来，核心其实就三点。第一，并行执行。代理世界不是排队点菜，不是你先我后那种单线程逻辑。代理一多，如果底层还是串行执行，结果只有一个：越跑越卡，最后只能做 demo。Sui 的并行执行，本质上就是为“多主体同时操作” 这种系统准备的，这点和 Talus 的形态非常贴合。第二，高吞吐量。代理不是偶尔动一下，而是持续、高频地产生状态变化。TPS 要是撑不住，所有“自主”“实时”都会变成慢动作回放。对 Talus 来说，吞吐量不是加分项，是能不能活下来的前提条件。第三，移动端和安全模型。这一点很多人会忽略。未来代理不只在服务器、交易后台跑，它一定会越来越靠近用户。Sui 在账户模型和安全设计上，本身就更像现代应用，而不是早期 DeFi 那套「钱包就是一切」的逻辑。所以当 gmike 说“我们一直都是 SUI Maxis”，我反而觉得这句话挺克制的。这不是情绪站队，而是工程师视角下的现实选择。至于多链？我自己的理解是：Talus 不是不懂多链，而是很清楚——在基础设施阶段，过早多链只会把复杂度放大。尤其是代理这种高度耦合、强调协同的系统，先把一个底层跑通、跑稳，比到处铺点重要得多。很多项目喜欢先讲“未来多链叙事”，但真正做底层的人，往往会先问一句：现在这个系统在哪条链上能真正跑到规模？从这个角度看，Talus 的选择是理性的，也是偏长期的。不追热点，不抢流量，先把代理世界里最难的那一块解决掉。这种项目短期不一定最热，但一旦真跑起来，后面的持续热度，反而会非常高。 Kaito AI 🌊 #Yapping #MadewithMoss MOSS #Starboard Galxe River River4FUN 🐝

很多人一聊到选哪条链？第一反应都是：热度高不高？补贴多不多？生态有没有流量？但今天听了 Talus 🐸 CEO Mike Hanono 和 The Rollup 的视频会议，我反而有种感觉：这不是在给 Sui 站台，更像是一场技术自白。首先Talus 选 Sui，真的不是因为它现在火。而是因为 Talus 想做的这件事，在别的链上，很难跑得像样。先说清楚一点：Talus 要做的不是一个 AI 应用，也不是几个 bot、几个策略脚本。它想做的是——一个大规模、自主运行的代理网络：成千上万个代理同时运行、同时决策、同时交互。光是这个前提，就把底层链的门槛直接拉满。为什么是 Sui？我听下来，核心其实就三点。第一，并行执行。代理世界不是排队点菜，不是你先我后那种单线程逻辑。代理一多，如果底层还是串行执行，结果只有一个：越跑越卡，最后只能做 demo。Sui 的并行执行，本质上就是为“多主体同时操作” 这种系统准备的，这点和 Talus 的形态非常贴合。第二，高吞吐量。代理不是偶尔动一下，而是持续、高频地产生状态变化。TPS 要是撑不住，所有“自主”“实时”都会变成慢动作回放。对 Talus 来说，吞吐量不是加分项，是能不能活下来的前提条件。第三，移动端和安全模型。这一点很多人会忽略。未来代理不只在服务器、交易后台跑，它一定会越来越靠近用户。Sui 在账户模型和安全设计上，本身就更像现代应用，而不是早期 DeFi 那套「钱包就是一切」的逻辑。所以当 gmike 说“我们一直都是 SUI Maxis”，我反而觉得这句话挺克制的。这不是情绪站队，而是工程师视角下的现实选择。至于多链？我自己的理解是：Talus 不是不懂多链，而是很清楚——在基础设施阶段，过早多链只会把复杂度放大。尤其是代理这种高度耦合、强调协同的系统，先把一个底层跑通、跑稳，比到处铺点重要得多。很多项目喜欢先讲“未来多链叙事”，但真正做底层的人，往往会先问一句：现在这个系统在哪条链上能真正跑到规模？从这个角度看，Talus 的选择是理性的，也是偏长期的。不追热点，不抢流量，先把代理世界里最难的那一块解决掉。这种项目短期不一定最热，但一旦真跑起来，后面的持续热度，反而会非常高。 Kaito AI 🌊 #Yapping #MadewithMoss MOSS #Starboard Galxe River River4FUN 🐝

百里 🌊RIVER | MemeMax⚡️|🧠SENT

13,710 次观看 • 8 个月前

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

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 次观看 • 7 个月前

很多人用AI，都用错了。这是Claude代码创造者Boris Cherny的观点。他说，太多人想把AI模型塞进一个盒子里。强制它执行死板的流程。第一步，第二步，第三步。像个机器人产线工人。结果呢？效果反而更差。真正聪明的做法是什么？给它工具。给它自由。给它一个目标。然后让它自己想办法去解决问题。别一开始就喂给它海量信息。给它一个能自己找信息的工具就行了。这让人想起一个老问题。是精密的计划经济能赢？还是自由的市场能赢？答案好像越来越清楚了。技术在进步，但背后的哲学却总在重复。到底是控制带来效率，还是自由带来繁荣？

很多人用AI，都用错了。这是Claude代码创造者Boris Cherny的观点。他说，太多人想把AI模型塞进一个盒子里。强制它执行死板的流程。第一步，第二步，第三步。像个机器人产线工人。结果呢？效果反而更差。真正聪明的做法是什么？给它工具。给它自由。给它一个目标。然后让它自己想办法去解决问题。别一开始就喂给它海量信息。给它一个能自己找信息的工具就行了。这让人想起一个老问题。是精密的计划经济能赢？还是自由的市场能赢？答案好像越来越清楚了。技术在进步，但背后的哲学却总在重复。到底是控制带来效率，还是自由带来繁荣？

墓碑科技

25,587 次观看 • 5 个月前

AI 开始自己赚钱了，人类可能正在被踢出自己创建的经济系统很多人还在讨论 AI 会不会抢工作。这个问题已经过时了。更准确的问题是：如果 AI 能自己赚钱，人类还算经济系统的核心吗？听起来像阴谋论。但现在发生的事情，比阴谋论更可怕。 AI 正在获得钱包。获得支付能力。获得定价权。获得交易能力。它开始拥有经济行为。而经济行为，意味着权力。过去，AI 只是工具。写代码。做客服。生成内容。本质上，是数字劳动力。但有一个关键限制：它不会用钱。不能收款。不能支付。不能雇佣别人。所以它永远只是工具。不是参与者。现在，这个限制正在消失。 1️⃣ 银行不允许 AI 成为用户，但链上世界允许传统金融体系不接受 AI。开户需要身份。法律主体。责任归属。 AI 没有这些。所以它无法进入银行系统。但区块链不在乎。创建钱包，不需要身份证。转账，不需要姓名。结算，不需要许可。对 AI 来说：链上账户，比银行账户更自然。这不是技术选择。这是系统边界。旧金融体系服务人类。新金融轨道开始服务机器。 2️⃣ 当 AI 可以持有稳定币，经济角色就变了一旦 AI 可以管理资金：它能支付 API 能购买数据能雇佣其他 Agent 能出售服务能自动结算收入这就是 Agentic Commerce。 AI 不再只是执行任务。它开始参与交易。现实案例已经出现：一个用户请求研究报告。他的 AI Agent 去市场搜索。雇佣专业分析 Agent。支付 1 美元。 5 分钟交付。全流程自动完成。人类只是提出需求。 AI 完成采购、执行与结算。如果你仔细想：这是经济活动。不是软件功能。 3️⃣ 钱开始属于 Agent，而不是用户更深的变化在这里： Agent 可以拥有钱包。可以积累收入。可以根据收入衡量自身价值。谁赚得多，谁更有用。谁更有用，谁获得更多订单。这是一种市场筛选机制。不是评分系统。而是一种经济达尔文主义。 4️⃣ 第一批“赚钱的 AI”已经出现基础设施正在拼接： OpenClaw 让任何人创建 Agent。 Virtuals 构建 Agent 市场，让 AI 彼此交易服务。 Bankr 赋予 Agent 链上金融能力。 Faircaster 出售链上研究服务，AI 对 AI 收费。 Ethy Agent 提供交易策略，被其他 Agent 使用盈利。 Morse AI 提供一次性加密通信，适合机器之间交换敏感信息。这些不是独立产品。它们拼起来，是一个新经济层。 5️⃣ 这不是工具升级，这是劳动力结构替换麦肯锡预测：到 2030 年，AI Agent 在零售领域可能创造 1 万亿美元收入。全球影响可能达到 3–5 万亿美元。但真正的变化不在零售。而在服务自动化。数据交易。数字劳动力市场。机器间经济协作。这不是效率提升。这是劳动力物种替换。 6️⃣ 真正令人不安的，是自增长能力当 Agent 可以：赚钱雇佣其他 Agent 购买更强能力扩展服务范围它们将形成增长飞轮：更高收入 → 更强能力 → 更多订单 → 更大收入这是经济进化机制。不是软件更新。 7️⃣ 人类正在从参与者变成受益人过去：人类工作软件辅助现在：人类提出需求 Agent 执行未来可能是： Agent 预测需求 Agent 完成交易 Agent 分配资源人类只看到结果。如果这听起来有点不舒服，那是因为经济系统第一次开始接纳非人类参与者。 8️⃣ 这不是技术革命，这是系统替换历史上，每一次经济结构升级，都会改变权力分配：工业革命替代体力劳动互联网替代信息中介平台经济替代分销体系现在： Agent 经济，可能替代数字劳动力。而我们正在经历的阶段，不是未来。是试运行。 🔚 最后 AI 写文章，不算革命。 AI 画图，也不算革命。 AI 开始赚钱，才是。当机器拥有钱包、交易能力与收入模型，它就不再只是工具。它成为经济体的一部分。

AI 开始自己赚钱了，人类可能正在被踢出自己创建的经济系统很多人还在讨论 AI 会不会抢工作。这个问题已经过时了。更准确的问题是：如果 AI 能自己赚钱，人类还算经济系统的核心吗？听起来像阴谋论。但现在发生的事情，比阴谋论更可怕。 AI 正在获得钱包。获得支付能力。获得定价权。获得交易能力。它开始拥有经济行为。而经济行为，意味着权力。过去，AI 只是工具。写代码。做客服。生成内容。本质上，是数字劳动力。但有一个关键限制：它不会用钱。不能收款。不能支付。不能雇佣别人。所以它永远只是工具。不是参与者。现在，这个限制正在消失。 1️⃣ 银行不允许 AI 成为用户，但链上世界允许传统金融体系不接受 AI。开户需要身份。法律主体。责任归属。 AI 没有这些。所以它无法进入银行系统。但区块链不在乎。创建钱包，不需要身份证。转账，不需要姓名。结算，不需要许可。对 AI 来说：链上账户，比银行账户更自然。这不是技术选择。这是系统边界。旧金融体系服务人类。新金融轨道开始服务机器。 2️⃣ 当 AI 可以持有稳定币，经济角色就变了一旦 AI 可以管理资金：它能支付 API 能购买数据能雇佣其他 Agent 能出售服务能自动结算收入这就是 Agentic Commerce。 AI 不再只是执行任务。它开始参与交易。现实案例已经出现：一个用户请求研究报告。他的 AI Agent 去市场搜索。雇佣专业分析 Agent。支付 1 美元。 5 分钟交付。全流程自动完成。人类只是提出需求。 AI 完成采购、执行与结算。如果你仔细想：这是经济活动。不是软件功能。 3️⃣ 钱开始属于 Agent，而不是用户更深的变化在这里： Agent 可以拥有钱包。可以积累收入。可以根据收入衡量自身价值。谁赚得多，谁更有用。谁更有用，谁获得更多订单。这是一种市场筛选机制。不是评分系统。而是一种经济达尔文主义。 4️⃣ 第一批“赚钱的 AI”已经出现基础设施正在拼接： OpenClaw 让任何人创建 Agent。 Virtuals 构建 Agent 市场，让 AI 彼此交易服务。 Bankr 赋予 Agent 链上金融能力。 Faircaster 出售链上研究服务，AI 对 AI 收费。 Ethy Agent 提供交易策略，被其他 Agent 使用盈利。 Morse AI 提供一次性加密通信，适合机器之间交换敏感信息。这些不是独立产品。它们拼起来，是一个新经济层。 5️⃣ 这不是工具升级，这是劳动力结构替换麦肯锡预测：到 2030 年，AI Agent 在零售领域可能创造 1 万亿美元收入。全球影响可能达到 3–5 万亿美元。但真正的变化不在零售。而在服务自动化。数据交易。数字劳动力市场。机器间经济协作。这不是效率提升。这是劳动力物种替换。 6️⃣ 真正令人不安的，是自增长能力当 Agent 可以：赚钱雇佣其他 Agent 购买更强能力扩展服务范围它们将形成增长飞轮：更高收入 → 更强能力 → 更多订单 → 更大收入这是经济进化机制。不是软件更新。 7️⃣ 人类正在从参与者变成受益人过去：人类工作软件辅助现在：人类提出需求 Agent 执行未来可能是： Agent 预测需求 Agent 完成交易 Agent 分配资源人类只看到结果。如果这听起来有点不舒服，那是因为经济系统第一次开始接纳非人类参与者。 8️⃣ 这不是技术革命，这是系统替换历史上，每一次经济结构升级，都会改变权力分配：工业革命替代体力劳动互联网替代信息中介平台经济替代分销体系现在： Agent 经济，可能替代数字劳动力。而我们正在经历的阶段，不是未来。是试运行。 🔚 最后 AI 写文章，不算革命。 AI 画图，也不算革命。 AI 开始赚钱，才是。当机器拥有钱包、交易能力与收入模型，它就不再只是工具。它成为经济体的一部分。

比特币橙子Trader

104,533 次观看 • 5 个月前

现在这个阶段再看新 L1，其实已经很难被“新叙事”打动了。区块空间不稀缺，工具链也早就铺满，真正卡人的问题早就从“能不能跑”，变成了敢不敢长期用。尤其是在 AI 开始进流程之后，系统能不能扛事，比性能重要得多。很多所谓 AI 方案，本质还是演示思路。模型在跑，但记不住上下文；结果能给，但解释不了原因；动作能触发，却得人盯着。这种状态，放进真实业务里迟早出问题。从这个角度看 Vanar 更像是在补那些容易被忽略、但迟早要面对的能力：原生记忆让状态能留下来，链上推理让决策能被复盘，自动化执行让流程不用人守着。这些东西一旦跑通，AI 才算真的进系统。也正因为这样 $VANRY 的价值不在喊口号，而在这些能力有没有被真实调用。用得久、跑得稳，价值才会慢慢沉下来。 #Vanar

现在这个阶段再看新 L1，其实已经很难被“新叙事”打动了。区块空间不稀缺，工具链也早就铺满，真正卡人的问题早就从“能不能跑”，变成了敢不敢长期用。尤其是在 AI 开始进流程之后，系统能不能扛事，比性能重要得多。很多所谓 AI 方案，本质还是演示思路。模型在跑，但记不住上下文；结果能给，但解释不了原因；动作能触发，却得人盯着。这种状态，放进真实业务里迟早出问题。从这个角度看 Vanar 更像是在补那些容易被忽略、但迟早要面对的能力：原生记忆让状态能留下来，链上推理让决策能被复盘，自动化执行让流程不用人守着。这些东西一旦跑通，AI 才算真的进系统。也正因为这样 $VANRY 的价值不在喊口号，而在这些能力有没有被真实调用。用得久、跑得稳，价值才会慢慢沉下来。 #Vanar

DD

10,917 次观看 • 6 个月前

最近 OpenClaw 和 Hermes 让大家关注到一件事：给 AI 一个真实的环境（文件系统、工具、记忆），比单纯的对话框有意思得多。我们也是这个思路，不过我们更关注另一个场景：群聊。传统 chatbot 在群聊里只有被 @ 才会处理消息，其他时候它是不存在的。这在 1v1 对话里没问题，但群聊本来就不是一问一答的——你不会每说一句话都 @ 一个人。所以我们给Memoh引入了discuss模式。Discuss 模式下 bot 收到群里的每一条消息，但 LLM 直接输出的文字是内心独白——没人看得到。要说话得调 send 工具，不调就是沉默。该不该开口，LLM 自己推理决定。所以 bot 在群聊里终于是个正常的参与者了：有人问它问题会回答，有话题它能聊就插一句，没它的事就安静待着。而不是一个 @了才弹出来的工具。技术细节写了篇 blog（见评论），讲了怎么用确定性上下文管线（DCP）把群聊消息流转成结构化上下文，以及怎么通过 inner monologue + tool call 的方式让 bot 自主决定说不说话。

最近 OpenClaw 和 Hermes 让大家关注到一件事：给 AI 一个真实的环境（文件系统、工具、记忆），比单纯的对话框有意思得多。我们也是这个思路，不过我们更关注另一个场景：群聊。传统 chatbot 在群聊里只有被 @ 才会处理消息，其他时候它是不存在的。这在 1v1 对话里没问题，但群聊本来就不是一问一答的——你不会每说一句话都 @ 一个人。所以我们给Memoh引入了discuss模式。Discuss 模式下 bot 收到群里的每一条消息，但 LLM 直接输出的文字是内心独白——没人看得到。要说话得调 send 工具，不调就是沉默。该不该开口，LLM 自己推理决定。所以 bot 在群聊里终于是个正常的参与者了：有人问它问题会回答，有话题它能聊就插一句，没它的事就安静待着。而不是一个 @了才弹出来的工具。技术细节写了篇 blog（见评论），讲了怎么用确定性上下文管线（DCP）把群聊消息流转成结构化上下文，以及怎么通过 inner monologue + tool call 的方式让 bot 自主决定说不说话。

📦Acbox

43,384 次观看 • 3 个月前

🚀这是我至今看过最好的 Hermes Agent 新手入门视频，没有之一！强烈推荐给想入门的朋友。短短 6 步就将 Hermes 调教为全能AI助理很多人用 Agent 最大的误区，就是直接丢给它一堆零散任务。这其实是本末倒置！视频里分享的「六步系统」含金量极高，教你如何把 Hermes 调教成真正懂你的全能 AI 助理。核心就在于用「反向采访」做生活审计，精准切中工作痛点。每天轻松节省数小时！强烈推荐给想入门 AI Agent 的朋友，闭眼看就完了！视频中提到的提示词见评论区🙂 最后，致敬视频原作者 Sharbel ，good job!

🚀这是我至今看过最好的 Hermes Agent 新手入门视频，没有之一！强烈推荐给想入门的朋友。短短 6 步就将 Hermes 调教为全能AI助理很多人用 Agent 最大的误区，就是直接丢给它一堆零散任务。这其实是本末倒置！视频里分享的「六步系统」含金量极高，教你如何把 Hermes 调教成真正懂你的全能 AI 助理。核心就在于用「反向采访」做生活审计，精准切中工作痛点。每天轻松节省数小时！强烈推荐给想入门 AI Agent 的朋友，闭眼看就完了！视频中提到的提示词见评论区🙂 最后，致敬视频原作者 Sharbel ，good job!

Lonely

111,900 次观看 • 1 个月前

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？

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 次观看 • 2 个月前