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.

最近我发现了一个使用 n8n + Scrapeless + Claude AI 搭建的自动化系统，值得跟大家分享一下。该系统每天帮我们筛选出几十个潜在客户，理论上能支撑一个 $30K+/月的 B2B 业务。在这个系统的工作流中，采用的是 Scrapeless 进行数据处理，它不仅能抓取 Google 数据，还能爬取指定网站并检索其子页面。目前 Scrapeless 已在 n8n 平台上正式集成，搜索并选择相关节点即可配置使用。工具地址：以下是完整工作流步骤： ✅ 全程无需复杂代码 ✅ 全自动评分 + 筛选 + 推送 1. 关键词搜索（Scrapeless Google）：用行业关键词（如「软件公司」）发起 Google 搜索 2. 处理搜索结果：用 n8n 的 Item Lists 节点逐一处理公司链接。 3. Scrapeless Crawl：... 提取每个公司网站的详细信息，确保数据全面。 4. 数据清洗 + 结构化：通过Code节点对爬取到的数据进行清洗和结构化。 5. Claude AI 打分分析：将清洗后的信息送进 Claude，分析并评分（如潜力评分、行业匹配度） 6. 线索筛选：利用 Filter 节点设定条件，只保留高评分、数据完整的客户。 7. 即时通知：配置 Discord 通知，团队第一时间接收到新线索推送。大家可通过最下方链接查看此工作流的详细教程，或者在 Scrapeless 的内置 playground 中进行测试。 Scrapeless 提供了多个核心工具，以帮助优化数据采集过程。其中，Deep SerpApi 支持 20 多种 Google SERP 类型，如 Google Search、Google Trends、Google 航班/酒店等。此外，基于自研 Chromium 内核的 Crawl 功能具有高度可定制化、会话管理和反检测隐身能力，支持进行大规模的单页及递归爬取。同时其验证码识别功能免费使用，能够大大节省成本。详细教程：show more

GitHubDaily

56,341 subscribers

73,758 Aufrufe • vor 1 Jahr •via X (Twitter)

Gesundheit & Wellness Wissenschaft & Technologie Bildung

Anya Rossi• Live Now

Private livecam show

6 Kommentare

Profilbild von 医士吕奥 | 蓝鸟会🕊

医士吕奥 | 蓝鸟会🕊vor 1 Jahr

很厉害啊这个工具用起很方便的感觉爱了，谢谢分享

Profilbild von Mobile Scanner

Mobile Scannervor 1 Jahr

Scan any documents, convert images into text, PDF files, etc. 👍

Profilbild von 宝玉

宝玉vor 1 Jahr

吴恩达老师分享的这个做 MVP（最简可行产品，minimum viable product, MVP）的技巧非常有效，我们常常有很多想法，但是因为想法太大而没有动手，但如果把想法精简成一个1个小时内就能借助AI快速做出来的 MVP，就能做出来有意思的东西，很快得到反馈，之后你可以继续完善项目而不是“胎死腹中”。吴恩达：我想分享一个能帮助你更好地利用AI进行项目实践的小技巧，不论你是在用AI的“积木块”搭建应用，还是借助AI代码助手快速开发强大的程序，这个技巧都能帮助你：如果你的时间有限，就缩减项目的范围，直到项目小到你在现有时间里能完成为止。假如你只有一个小时，那就找出你想要实现的某个创意中的一小部分，确保这一小部分能在一小时内完成。借助现代的代码助手（例如我目前最爱的开发工具Anthropic的Claude Code），你可能会惊讶地发现，哪怕只有很短的时间，你也能做出很多有意思的东西。这种方法可以帮助你迅速上手，之后你随时都能继续完善项目。要想掌握AI应用的开发技能，多数人都需要：（i）学习相关的技术知识，比如参加一些线上AI课程。（ii）多进行实践练习。我认识很多开发者，他们（我自己也经历过！）经常只是不断地思考一个创意，却数月都没有真正动手实现，因为总觉得没有足够的时间去开始。如果你也有类似的问题，我建议你试试这个方法：不断缩减项目的初始范围，直到找到一个你马上能着手的小部分。举一个我亲身经历的小例子，来更好地说明一下：我经常会利用周末尝试一些小巧有趣的项目，这些项目不一定有多大的前景，但却让我乐在其中并有所收获。有一次，我有这样一个点子：很多人害怕公开演讲，而演讲练习往往很难安排，因为你很难找到大量听众。因此我想到：能否做一个虚拟的观众模拟器，在屏幕上模拟出几十甚至几百个虚拟观众，让用户对着他们练习演讲呢？一个周六下午，我在咖啡馆里碰巧有几个小时的空闲，于是我决定尝试一下这个“观众模拟器”。然而，我并不擅长复杂的图形编程，于是我决定大幅缩减项目的范围：（a）把原本数十个虚拟观众缩减为只模拟一个观众（之后再通过复制扩展到多个）。（b）省去AI自动化的反馈机制，改为让一个真实的人在幕后手动选择虚拟观众的反应（类似Wizard of Oz原型方法）。（c）使用非常简单的2D图像而非复杂的图形技术。在几个代码助手的辅助下，我很快完成了一个基础版本。最终呈现的虚拟观众只是一个能微微移动和眨眼的简单2D头像，远没有我最初设想的那么精致。但即便如此，我也很高兴完成了这个基础版本，因为：它推动了我的项目进展，让我更深入地思考设计方案。让我学习了一些基础的图形编程知识。拥有一个简单的原型后，我能够展示给朋友看，快速收集用户反馈，帮助我更清晰地判断产品的前景。为什么这样做很有效？我在笔记本电脑上保存了很多有趣的创意清单，它们大部分都需要超过几个小时的开发时间。然而，通过不断缩减它们的初始范围，我总能快速启动一些小项目。这种**“快速起步”的方式**给我带来了以下的好处：能让我迅速试验创意，并决定哪些值得继续投入精力。我能够在广泛的项目实践中锻炼不同领域的技能。更重要的是，这种方法帮助我迅速将想法从头脑里释放出来，让潜在用户能及早接触到产品原型并提供反馈，加速项目的迭代与发展。希望这个技巧对你也有帮助，下次当你觉得“没有足够时间”时，不妨先试试“从极小的范围开始”！

Profilbild von karminski-牙医

karminski-牙医vor 1 Jahr

卧槽, 真的 SOTA 了, 正在准备做一个 PDF 转 Markdown 的领域大模型评测, 结果我发现 ChatDOC 的 OCRFlux-3B 在我测试的所有场景均达到了现阶段最理想的效果. 下面直接为大家带来实测: 场景A: 让我们直接来现阶段的 PDF 转化试金石——发票转 Markdown 可以看到, 重要的购买方, 单价, 价税合计, 销售方均十分准确, 并且没有把印章错误的当成内容. 而且形成的 Markdown 表格行列准确, 甚至还有合并单元格的表格. 以往的测试别说表格, 连内容都不一定识别准确. 更别提生成正确的 Markdown 表格了. 当然也不是没有瑕疵. 如果 OCRFlux 可以把表头和页脚也能准确识别进去就完美了. 现在生成的内容用来识别普票还是专票还是有困难的. #OCRFlux #ChatDOC #Markdown #PDF

Profilbild von ahhhhfs

ahhhhfsvor 1 Jahr

GeoPort：iOS虚拟定位神器一键伪装全球位置，兼容最新 iOS 17 与 iOS 18 👉

Profilbild von GitHubDaily

GitHubDailyvor 1 Jahr

通常在写技术文档时，我们都会选择 Markdown，但是功能太有限，复杂的排版无法实现。偶然间，我在 GitHub 上发现了一个名为 “Quarkdown”的开源工具，简直是升级版 Markdown，拥有强大的排版能力。 GitHub：主要功能： - 支持编程逻辑，可以定义函数和变量让内容动态生成 - 多格式输出：HTML、PDF、演示文稿一键生成 - 强大的标准库，提供布局、数学、条件判断等功能 - 实时预览和快速编译，边写边看效果 - 简洁语法设计，比 LaTeX 更易学更易读 - 支持复杂文档结构，可处理书籍级别的排版需求通过 Homebrew 或 Scoop 即可快速安装，注意需要 Java 17 或更高版本。

Ähnliche Videos

GitHub 上 Social Analyzer 这个开源工具，有点厉害！只需要输入一个用户名称，它能在 1000+ 社交媒体网站上自动查找该用户的所有个人资料。并且自动提取其中数据进行详细分析，还支持多账号之间关联的分析，生成可视化关系图谱。 GitHub：除此之外，还支持按国家、类型或 Alexa 排名筛选搜索平台，精准定位到目标。提供了 Web 界面、命令行以及 API 使用方式，通过 npm 或 pip 安装即可使用。

GitHub 上 Social Analyzer 这个开源工具，有点厉害！只需要输入一个用户名称，它能在 1000+ 社交媒体网站上自动查找该用户的所有个人资料。并且自动提取其中数据进行详细分析，还支持多账号之间关联的分析，生成可视化关系图谱。 GitHub：除此之外，还支持按国家、类型或 Alexa 排名筛选搜索平台，精准定位到目标。提供了 Web 界面、命令行以及 API 使用方式，通过 npm 或 pip 安装即可使用。

GitHubDaily

102,923 Aufrufe • vor 10 Monaten

发现一个讲的很细的大语言模型微调教程，详细介绍了整个流程,包括数据准备、参数设置、资源监控等关键步骤。基本没有技术能力也可以完成微调。想要了解 LLM 原理的可以按这个实践一下。时间轴： 0:00 概念概览 3:02 自定义数据的准备 8:17 微调操作演示（T4 版本） 16:52 微调操作演示（A100 版本） 19:13 在 Hugging Face 上的保存与使用方法文字版整理： ✲ 如何使用自己的数据对大语言模型进行微调(fine-tuning)：对大语言模型进行微调并不一定非常困难和昂贵。通过使用自己的数据集对预训练模型进行微调,可以让模型更好地适应特定的任务需求。微调过程能够在保留原模型语言理解能力的基础上,进一步提升其在特定领域或任务上的表现。 ✲ 使用Hugging Face模型库和Unslaw工具进行模型微调： Hugging Face提供了丰富的预训练语言模型资源,用户可以根据任务需求选择合适的模型作为基础进行微调。而Unslaw工具则提供了一套简单高效的微调流程,其优点包括出色的内存使用效率以及对扩展上下文窗口的支持。通过Unslaw,用户能够以较低的资源开销完成模型微调。 ✲ 在Google Colab上使用免费/付费GPU资源进行微调： Google Colab提供了免费和付费的GPU资源,用户可以根据任务的复杂程度选择使用T4或A100。对于大多数微调任务而言,免费的T4资源已经足够。但如果数据集较大或模型较为复杂,升级到A100可以获得更充裕的算力支持。Colab为用户提供了一个易于上手的模型微调环境。 ✲ 准备自定义的微调数据集：准备微调数据的过程并不复杂。用户可以直接使用纯文本文件作为数据来源,而无需进行额外的预处理。为了获得理想的微调效果,建议至少准备100-200个样本。在示例中,为了快速演示,仅使用了几个样本。通过一个简单的Python脚本,可以方便地将原始文本数据转换为微调所需的JSON格式。 ✲ 修改Colab笔记本中的参数设置：在Colab笔记本中,需要根据实际情况调整一些参数。例如,可以根据数据集的token数量来设置max_sequence_length参数,借助rope scaling技术,模型能够支持任意长度的上下文。此外,还可以选择使用Instruct系列模型作为base model,直接在其基础上进行指令微调。为了节省资源,可以启用4-bit量化。同时,参考Q-Lora论文的建议,调整R值和alpha值,以在资源占用和模型质量之间取得平衡。 ✲ 训练过程中的资源使用监控：在模型训练过程中,用户可以通过Colab的资源监控选项卡实时观察GPU、内存和硬盘的使用情况。如果发现资源不足,可以考虑从T4升级到A100。通过监控资源占用,用户能够及时调整配置,确保微调任务稳定高效地进行。 ✲ 模型训练的loss变化和最佳checkpoint的选择：通过记录不同训练步数下的loss值,可以判断模型的收敛情况。理想的做法是选择loss下降曲线趋于平缓的点作为最佳checkpoint,这样既能充分训练模型,又能避免过拟合。为了事后方便筛选,可以设置每隔一定步数保存一次checkpoint。 ✲ 模型微调完成后的保存与使用：微调完成后,可以选择只保存adapter layers以加快保存速度。但更推荐的做法是保存完整模型,并使用float16精度,这样可以得到一个更通用和标准的模型格式,方便后续的部署和使用。 ✲ 在Hugging Face上公开或私有发布微调后的模型：用户可以选择在Hugging Face的模型库中公开或私有地发布自己微调后的模型。发布之前,需要在Hugging Face账号中创建一个访问令牌,并在发布时提供相应的用户名和令牌信息。通过在Hugging Face上发布模型,用户可以方便地与他人分享自己的微调成果。 ✲ 使用微调后的模型进行推理(inference)：在使用微调后的模型进行推理时,首先需要加载保存的模型。接着,使用tokenizer对输入的文本进行处理,并将其传入模型。进行推理时,max_length参数需要与训练时保持一致,以确保生成的结果不会被截断。完成以上步骤后,就可以利用微调后的模型进行各种实际应用了。

发现一个讲的很细的大语言模型微调教程，详细介绍了整个流程,包括数据准备、参数设置、资源监控等关键步骤。基本没有技术能力也可以完成微调。想要了解 LLM 原理的可以按这个实践一下。时间轴： 0:00 概念概览 3:02 自定义数据的准备 8:17 微调操作演示（T4 版本） 16:52 微调操作演示（A100 版本） 19:13 在 Hugging Face 上的保存与使用方法文字版整理： ✲ 如何使用自己的数据对大语言模型进行微调(fine-tuning)：对大语言模型进行微调并不一定非常困难和昂贵。通过使用自己的数据集对预训练模型进行微调,可以让模型更好地适应特定的任务需求。微调过程能够在保留原模型语言理解能力的基础上,进一步提升其在特定领域或任务上的表现。 ✲ 使用Hugging Face模型库和Unslaw工具进行模型微调： Hugging Face提供了丰富的预训练语言模型资源,用户可以根据任务需求选择合适的模型作为基础进行微调。而Unslaw工具则提供了一套简单高效的微调流程,其优点包括出色的内存使用效率以及对扩展上下文窗口的支持。通过Unslaw,用户能够以较低的资源开销完成模型微调。 ✲ 在Google Colab上使用免费/付费GPU资源进行微调： Google Colab提供了免费和付费的GPU资源,用户可以根据任务的复杂程度选择使用T4或A100。对于大多数微调任务而言,免费的T4资源已经足够。但如果数据集较大或模型较为复杂,升级到A100可以获得更充裕的算力支持。Colab为用户提供了一个易于上手的模型微调环境。 ✲ 准备自定义的微调数据集：准备微调数据的过程并不复杂。用户可以直接使用纯文本文件作为数据来源,而无需进行额外的预处理。为了获得理想的微调效果,建议至少准备100-200个样本。在示例中,为了快速演示,仅使用了几个样本。通过一个简单的Python脚本,可以方便地将原始文本数据转换为微调所需的JSON格式。 ✲ 修改Colab笔记本中的参数设置：在Colab笔记本中,需要根据实际情况调整一些参数。例如,可以根据数据集的token数量来设置max_sequence_length参数,借助rope scaling技术,模型能够支持任意长度的上下文。此外,还可以选择使用Instruct系列模型作为base model,直接在其基础上进行指令微调。为了节省资源,可以启用4-bit量化。同时,参考Q-Lora论文的建议,调整R值和alpha值,以在资源占用和模型质量之间取得平衡。 ✲ 训练过程中的资源使用监控：在模型训练过程中,用户可以通过Colab的资源监控选项卡实时观察GPU、内存和硬盘的使用情况。如果发现资源不足,可以考虑从T4升级到A100。通过监控资源占用,用户能够及时调整配置,确保微调任务稳定高效地进行。 ✲ 模型训练的loss变化和最佳checkpoint的选择：通过记录不同训练步数下的loss值,可以判断模型的收敛情况。理想的做法是选择loss下降曲线趋于平缓的点作为最佳checkpoint,这样既能充分训练模型,又能避免过拟合。为了事后方便筛选,可以设置每隔一定步数保存一次checkpoint。 ✲ 模型微调完成后的保存与使用：微调完成后,可以选择只保存adapter layers以加快保存速度。但更推荐的做法是保存完整模型,并使用float16精度,这样可以得到一个更通用和标准的模型格式,方便后续的部署和使用。 ✲ 在Hugging Face上公开或私有发布微调后的模型：用户可以选择在Hugging Face的模型库中公开或私有地发布自己微调后的模型。发布之前,需要在Hugging Face账号中创建一个访问令牌,并在发布时提供相应的用户名和令牌信息。通过在Hugging Face上发布模型,用户可以方便地与他人分享自己的微调成果。 ✲ 使用微调后的模型进行推理(inference)：在使用微调后的模型进行推理时,首先需要加载保存的模型。接着,使用tokenizer对输入的文本进行处理,并将其传入模型。进行推理时,max_length参数需要与训练时保持一致,以确保生成的结果不会被截断。完成以上步骤后,就可以利用微调后的模型进行各种实际应用了。

歸藏(guizang.ai)

61,931 Aufrufe • vor 2 Jahren

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

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

140,708 Aufrufe • vor 5 Monaten

发现一个被低估的 AI 基建：XCrawl XCrawl是一个网页抓取和数据采集的API，它让 Agent 拥有了真正意义上的"上网能力"。它提供几个核心能力： - Scrape：抓单个页面 - Crawl：批量跑整个站点 - Map：摸清网站结构 - Search：拿搜索结果从单页到整站，从搜索到整理，一步打通。用下来最直接的感受： - 不给一堆原始HTML，直接输出Markdown、JSON、摘要、链接 - 基本不用二次清洗，拿来就能用 - 动态页面（JS渲染）也能处理 - 地区、语言、结构化提取都支持 - 成功率稳定如果你在用OpenClaw，会发现很多Agent卡住不是因为模型不行，而是数据不好用。 XCrawl正好解决这块——让Agent自己搜、抓、读，继续执行下去。OpenClaw负责决策，XCrawl负责把信息接进来。能落地的场景： - 电商选品、竞品整理 - 招聘、社交、新闻信息汇总 - SEO关键词跟踪 - 自动整理资料、生成报告原本需要人工收集的数据，现在跑个流程就行。它遵循公开网页+合规采集的原则，自带规则约束。这不是更强的爬虫，而是把"获取数据"变成可以直接接进Agent的能力。做Agent或自动化，XCrawl 是一个趁手的工具。

发现一个被低估的 AI 基建：XCrawl XCrawl是一个网页抓取和数据采集的API，它让 Agent 拥有了真正意义上的"上网能力"。它提供几个核心能力： - Scrape：抓单个页面 - Crawl：批量跑整个站点 - Map：摸清网站结构 - Search：拿搜索结果从单页到整站，从搜索到整理，一步打通。用下来最直接的感受： - 不给一堆原始HTML，直接输出Markdown、JSON、摘要、链接 - 基本不用二次清洗，拿来就能用 - 动态页面（JS渲染）也能处理 - 地区、语言、结构化提取都支持 - 成功率稳定如果你在用OpenClaw，会发现很多Agent卡住不是因为模型不行，而是数据不好用。 XCrawl正好解决这块——让Agent自己搜、抓、读，继续执行下去。OpenClaw负责决策，XCrawl负责把信息接进来。能落地的场景： - 电商选品、竞品整理 - 招聘、社交、新闻信息汇总 - SEO关键词跟踪 - 自动整理资料、生成报告原本需要人工收集的数据，现在跑个流程就行。它遵循公开网页+合规采集的原则，自带规则约束。这不是更强的爬虫，而是把"获取数据"变成可以直接接进Agent的能力。做Agent或自动化，XCrawl 是一个趁手的工具。

开发者Hailey

29,407 Aufrufe • vor 5 Monaten

酷，一款智能地图分析工具：chat2geo，可以用聊天的方式分析卫星图像和地理数据提供自然语言描述需求，Chat2Geo就能理解并转换为专业的地理分析任务，调用Google地球引擎获取卫星数据进行处理分析支持处理卫星图像、分析地理数据以及各种专业分析比如，分析城市问题，查看城市热度分布，检测空气污染情况，观察城市发展变化；做土地分析，可以了解土地使用以及土地变化情况等支持上传自己的矢量数据，将其与GEE的卫星图像数据结合起来进行分析 #地理数据分析工具 #AI城市地址分析 #chat2geo #AI环境分析工具

酷，一款智能地图分析工具：chat2geo，可以用聊天的方式分析卫星图像和地理数据提供自然语言描述需求，Chat2Geo就能理解并转换为专业的地理分析任务，调用Google地球引擎获取卫星数据进行处理分析支持处理卫星图像、分析地理数据以及各种专业分析比如，分析城市问题，查看城市热度分布，检测空气污染情况，观察城市发展变化；做土地分析，可以了解土地使用以及土地变化情况等支持上传自己的矢量数据，将其与GEE的卫星图像数据结合起来进行分析 #地理数据分析工具 #AI城市地址分析 #chat2geo #AI环境分析工具

AIGCLINK

18,027 Aufrufe • vor 1 Jahr

在日常工作中，需要调试网络问题或监控系统流量，工具要么界面复杂难用，要么功能单一无法满足，要么需要付费。无独有偶，在 GitHub 上发现了 Oryx 这个功能强大的开源工具，可在终端上直观的监控和分析网络。通过 eBPF 在内核层面捕获网络数据包，提供实时流量可视化、统计分析和防火墙功能。 GitHub：主要功能： - 实时网络流量检测和可视化展示 - 全面的流量统计和分析报告 - 内置防火墙功能，可直接管理网络规则 - 指标浏览器，深度分析网络性能数据 - 模糊搜索功能，快速定位特定数据包 - 支持数据导出，便于后续分析处理需要 Linux 6.10+ 内核版本，通过包管理器安装或从源码编译使用，适合运维人员和网络工程师。

在日常工作中，需要调试网络问题或监控系统流量，工具要么界面复杂难用，要么功能单一无法满足，要么需要付费。无独有偶，在 GitHub 上发现了 Oryx 这个功能强大的开源工具，可在终端上直观的监控和分析网络。通过 eBPF 在内核层面捕获网络数据包，提供实时流量可视化、统计分析和防火墙功能。 GitHub：主要功能： - 实时网络流量检测和可视化展示 - 全面的流量统计和分析报告 - 内置防火墙功能，可直接管理网络规则 - 指标浏览器，深度分析网络性能数据 - 模糊搜索功能，快速定位特定数据包 - 支持数据导出，便于后续分析处理需要 Linux 6.10+ 内核版本，通过包管理器安装或从源码编译使用，适合运维人员和网络工程师。

GitHubDaily

15,459 Aufrufe • vor 1 Jahr

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

41,097 Aufrufe • vor 2 Monaten

$LI 社区项目网站更新！🚀 现在，您可以直接在数据页面进行检索、排序、分页等操作，无需进入 Google Sheet，即可高效浏览数据！ 🔹 全新功能： 1️⃣ 数据详情页——清晰展示每条信息 2️⃣ 快速搜索——查找感兴趣的企业或数据条目 3️⃣ 一键排序——点击表头即可调整顺序 4️⃣ 灵活筛选——设置过滤器，精准定位所需数据 5️⃣ 冻结首列——公司名称始终可见 6️⃣ 分组查看——更直观的分类展示 7️⃣ 列管理——自定义可见列，聚焦重要信息 8️⃣ 分页显示——流畅体验，适配老旧设备 🔜 即将上线： 📌 镜像教程——助力传播牛马.icu 📊 数据统计——直观呈现关键分析结果 🗺 企业地图——探索企业分布 👍👎 赞/踩 & 评论——参与互动，表达观点提交新的企业：立刻查看数据结果：

$LI 社区项目网站更新！🚀 现在，您可以直接在数据页面进行检索、排序、分页等操作，无需进入 Google Sheet，即可高效浏览数据！ 🔹 全新功能： 1️⃣ 数据详情页——清晰展示每条信息 2️⃣ 快速搜索——查找感兴趣的企业或数据条目 3️⃣ 一键排序——点击表头即可调整顺序 4️⃣ 灵活筛选——设置过滤器，精准定位所需数据 5️⃣ 冻结首列——公司名称始终可见 6️⃣ 分组查看——更直观的分类展示 7️⃣ 列管理——自定义可见列，聚焦重要信息 8️⃣ 分页显示——流畅体验，适配老旧设备 🔜 即将上线： 📌 镜像教程——助力传播牛马.icu 📊 数据统计——直观呈现关键分析结果 🗺 企业地图——探索企业分布 👍👎 赞/踩 & 评论——参与互动，表达观点提交新的企业：立刻查看数据结果：

Li

125,116 Aufrufe • vor 1 Jahr

Kuse Workflow：AI生成工作流操作简单，功能强大。能力覆盖n8n的全部能力，有丰富的应用生态。但使用比n8n简单的多的多，不需要接触复杂的节点配置，通过语言描述需求，AI就能自动创建稳定可复用的工作流。工作流支持定时执行，支持事件触发执行。下方视频是我的一个自动化工作流：每天早晨8点自动从Reddit AI相关板块采集用户对AI产品的吐槽和诉求，从中提炼AI产品的需求点，并且自动写到我的Notion文档里。

Kuse Workflow：AI生成工作流操作简单，功能强大。能力覆盖n8n的全部能力，有丰富的应用生态。但使用比n8n简单的多的多，不需要接触复杂的节点配置，通过语言描述需求，AI就能自动创建稳定可复用的工作流。工作流支持定时执行，支持事件触发执行。下方视频是我的一个自动化工作流：每天早晨8点自动从Reddit AI相关板块采集用户对AI产品的吐槽和诉求，从中提炼AI产品的需求点，并且自动写到我的Notion文档里。

Gorden Sun

10,119 Aufrufe • vor 2 Monaten

OWL团队刚刚又开源了一款多智能体Manus类工具：Eigent，通过多智能体协作，来更高效的处理更复杂任务从效果看具备整合多种工具和数据的能力，生成的报告内容相对专业全面其处理任务时有清晰的任务拆解和执行过程，它把任务拆解成多个子任务，并会清晰展示出每个子任务的执行状态 Eigent支持根据任务创建或灵活调用workforce，多智能体并行处理执行速度更快支持worker间任务的并行，worker下子任务的并行，子任务执行过程中工具调用的并行可以根据需求定制AI团队，组建一个特定的项目组有Human-in-the-Loop机制，可以在关键节点进行人工干预决策内置200+MCP工具，也支持上传常用的MCP工具 #AI员工 #多智能体团队 #Eigent

OWL团队刚刚又开源了一款多智能体Manus类工具：Eigent，通过多智能体协作，来更高效的处理更复杂任务从效果看具备整合多种工具和数据的能力，生成的报告内容相对专业全面其处理任务时有清晰的任务拆解和执行过程，它把任务拆解成多个子任务，并会清晰展示出每个子任务的执行状态 Eigent支持根据任务创建或灵活调用workforce，多智能体并行处理执行速度更快支持worker间任务的并行，worker下子任务的并行，子任务执行过程中工具调用的并行可以根据需求定制AI团队，组建一个特定的项目组有Human-in-the-Loop机制，可以在关键节点进行人工干预决策内置200+MCP工具，也支持上传常用的MCP工具 #AI员工 #多智能体团队 #Eigent

AIGCLINK

16,164 Aufrufe • vor 1 Jahr

朋友们，我发现一个超级哇塞的技能现在已经有不少不错的工具可以画出好看的项目架构图，但大多是静态的，不能交互。今天分享的这个不一样，它是会动的！视频里是我在 MkAgent 项目下执行出来的效果，一次搞定。它会根据项目的 logo、主题风格等信息，生成对应的架构图。不仅如此，它还能分析代码，找出核心节点，生成节点信息和节点关系。每个节点都可以点击，右侧会显示该节点的详细信息。最终产物是一个 HTML 文件：展示核心架构和工作流程，并且支持动画自动演示调用流程。这个挺有意思，以后读新项目代码可以先用它。

Indie Fox

71,095 Aufrufe • vor 5 Tagen

有人刚刚开发出了我这辈子见过的最全面的 B2B 拓客工具。它的工作原理如下：你只需选择业务类型和城市。该工具会实时抓取 Google Maps 的数据，并为你提供每一个匹配企业的 30 多个数据字段：经过验证的电子邮件、电话、WhatsApp、所有社交媒体账号、营业时间、评分、GPS 坐标。接下来的部分才是最精彩的。AI 会阅读每家企业的多达 50 条 Google 评论，并检测出他们真实的痛点。例如：“客户抱怨照片无法反映真实尺寸”或“广告投放周期过长”。你只需告诉它你销售的产品，它就会将你的产品方案与他们的具体问题进行交叉比对，并为每个潜在客户生成一封完全个性化的开发信。你只需点击两次即可逐一发送，而非群发，因此邮件始终能进入收件箱的主目录。此外，所有数据都会汇集到一个 CRM 系统中，其中包含一个 GPS 地图，你可以在上面绘制销售区域、优化拜访路线、实时监控团队，并在每次会议后转录语音笔记。它支持 221 个国家，适用于任何行业。只要是在 Google Maps 上能找到的，你都能找到。最疯狂的是：一名开发者仅使用 Claude Code 在两周内就开发出了它。它叫作 MapiLeads。

有人刚刚开发出了我这辈子见过的最全面的 B2B 拓客工具。它的工作原理如下：你只需选择业务类型和城市。该工具会实时抓取 Google Maps 的数据，并为你提供每一个匹配企业的 30 多个数据字段：经过验证的电子邮件、电话、WhatsApp、所有社交媒体账号、营业时间、评分、GPS 坐标。接下来的部分才是最精彩的。AI 会阅读每家企业的多达 50 条 Google 评论，并检测出他们真实的痛点。例如：“客户抱怨照片无法反映真实尺寸”或“广告投放周期过长”。你只需告诉它你销售的产品，它就会将你的产品方案与他们的具体问题进行交叉比对，并为每个潜在客户生成一封完全个性化的开发信。你只需点击两次即可逐一发送，而非群发，因此邮件始终能进入收件箱的主目录。此外，所有数据都会汇集到一个 CRM 系统中，其中包含一个 GPS 地图，你可以在上面绘制销售区域、优化拜访路线、实时监控团队，并在每次会议后转录语音笔记。它支持 221 个国家，适用于任何行业。只要是在 Google Maps 上能找到的，你都能找到。最疯狂的是：一名开发者仅使用 Claude Code 在两周内就开发出了它。它叫作 MapiLeads。

Bill The Investor

64,122 Aufrufe • vor 4 Monaten

最近一直在折腾 OpenClaw 和 Hermes Agent，查找各种资料对比，忽然看到一个高频出现的爬虫工具 XCrawl。深入了解后发现这真是个特别 cool 的产品，几乎把各种爬虫工具的优势都集合到一起了。以前我自己在网上查找各种搜索技能，手动优化搜索策略，还专门写了篇 3 万浏览量的搜索优化文章……但现在 XCrawl 基本全搞定了。最让我惊喜的是它的防反爬能力——内置高质量住宅代理池 + 智能指纹技术，任务成功率稳定在 90% 以上。要是自己搭建这套系统，光是代理池的成本就很恐怖了。和 OpenClaw 完美适配我直接在 OpenClaw 和 Hermes 上一键配置了 XCrawl 的 skills，包括 scrape（单页抓取）、map（站点地图）、crawl（批量爬取）、search（搜索结果获取）和 SERP（深度搜索数据）。同一个 API key 就能搞定所有场景，输出格式统一是 Markdown 或 JSON，可以直接喂给 LLM 处理，完全不需要二次清洗数据。几个特别实用的功能 Scrape 是我用得最多的，输入一个 URL 就能提取页面内容，支持动态 JS 加载。输出格式很灵活：Markdown（最适合 LLM）、JSON（结构化数据）、HTML、截图、摘要、链接列表都支持。抓产品详情页或者文章页特别方便。 Crawl 适合需要大量数据的场景，可以智能递归爬取整个网站，自动处理翻页和无限滚动。我用它采集过一些行业资讯站点，设置好深度和页面数量限制，就能批量获取结构化数据。 Map 这个功能很聪明，先扫描整个站点结构，导出所有 URL 和 sitemap。我一般会先用 Map 看看全貌，再决定具体爬哪些部分，效率提升很明显。 SERP 则是深度搜索引擎数据采集，不只是基础的排名和链接，还包括富结果、People Also Ask、知识图谱这些。做竞品分析或者 SEO 研究的时候特别有用。果你也在用 OpenClaw 或者需要频繁做数据采集，XCrawl 确实值得一试。它把复杂的技术细节都封装好了，让我们可以专注在数据应用本身，而不是花大量时间在反爬对抗上。下面是我给它的一个实在任务，相当复杂：任务：对比 OpenClaw 与 Hermes 产品的优劣，并给出结论目标：请系统性收集并分析openclaw 和hermes-agent 两个产品的信息，对它们的能力、性能和适用场景进行对比，并给出客观结论（哪个更适合什么场景）。数据来源要求：请优先从以下渠道获取信息： 1. 官方网站 / 官方文档（Docs） 2. GitHub（README、Issues、Commits、Releases） 3. 技术社区（如 Reddit、Hacker News、Stack Overflow） 4. 技术博客 / 评测文章（Medium、个人博客等）需要收集的信息维度： 1. 产品定位（解决什么问题） 2. 核心功能（支持哪些能力） 3. 架构设计（如是否模块化、是否支持扩展） 4. 安装与使用复杂度（是否易上手） 5. 性能表现（延迟、吞吐、资源占用，如有 benchmark） 6. 稳定性（是否容易报错、崩溃，issue 情况） 7. 社区活跃度（star、commit 频率、issue 响应速度） 8. 生态与扩展性（插件、API、二次开发能力） 9. 成本（是否开源、资源消耗、商业模式）分析要求： 1. 对每个维度分别对比 OpenClaw vs Hermes 2. 提供结构化对比表（table 形式） 3. 标注信息来源（尽量附链接） 4. 总结各自优势 / 劣势 5. 给出明确结论： * 哪个更适合生产环境 * 哪个更适合实验 / 研究 * 在什么场景下推荐使用哪个额外要求： * 使用 XCrawl 相关技能完成信息搜索 * 优先使用最近 1–2 周的数据（保证信息新鲜） * 如果信息冲突，请指出并解释 * 不要只引用官方资料，要包含真实用户反馈（issue / 讨论）输出格式： 1. 简要总结（TL;DR） 2. 对比表 3. 分维度详细分析 4. 最终结论与建议

最近一直在折腾 OpenClaw 和 Hermes Agent，查找各种资料对比，忽然看到一个高频出现的爬虫工具 XCrawl。深入了解后发现这真是个特别 cool 的产品，几乎把各种爬虫工具的优势都集合到一起了。以前我自己在网上查找各种搜索技能，手动优化搜索策略，还专门写了篇 3 万浏览量的搜索优化文章……但现在 XCrawl 基本全搞定了。最让我惊喜的是它的防反爬能力——内置高质量住宅代理池 + 智能指纹技术，任务成功率稳定在 90% 以上。要是自己搭建这套系统，光是代理池的成本就很恐怖了。和 OpenClaw 完美适配我直接在 OpenClaw 和 Hermes 上一键配置了 XCrawl 的 skills，包括 scrape（单页抓取）、map（站点地图）、crawl（批量爬取）、search（搜索结果获取）和 SERP（深度搜索数据）。同一个 API key 就能搞定所有场景，输出格式统一是 Markdown 或 JSON，可以直接喂给 LLM 处理，完全不需要二次清洗数据。几个特别实用的功能 Scrape 是我用得最多的，输入一个 URL 就能提取页面内容，支持动态 JS 加载。输出格式很灵活：Markdown（最适合 LLM）、JSON（结构化数据）、HTML、截图、摘要、链接列表都支持。抓产品详情页或者文章页特别方便。 Crawl 适合需要大量数据的场景，可以智能递归爬取整个网站，自动处理翻页和无限滚动。我用它采集过一些行业资讯站点，设置好深度和页面数量限制，就能批量获取结构化数据。 Map 这个功能很聪明，先扫描整个站点结构，导出所有 URL 和 sitemap。我一般会先用 Map 看看全貌，再决定具体爬哪些部分，效率提升很明显。 SERP 则是深度搜索引擎数据采集，不只是基础的排名和链接，还包括富结果、People Also Ask、知识图谱这些。做竞品分析或者 SEO 研究的时候特别有用。果你也在用 OpenClaw 或者需要频繁做数据采集，XCrawl 确实值得一试。它把复杂的技术细节都封装好了，让我们可以专注在数据应用本身，而不是花大量时间在反爬对抗上。下面是我给它的一个实在任务，相当复杂：任务：对比 OpenClaw 与 Hermes 产品的优劣，并给出结论目标：请系统性收集并分析openclaw 和hermes-agent 两个产品的信息，对它们的能力、性能和适用场景进行对比，并给出客观结论（哪个更适合什么场景）。数据来源要求：请优先从以下渠道获取信息： 1. 官方网站 / 官方文档（Docs） 2. GitHub（README、Issues、Commits、Releases） 3. 技术社区（如 Reddit、Hacker News、Stack Overflow） 4. 技术博客 / 评测文章（Medium、个人博客等）需要收集的信息维度： 1. 产品定位（解决什么问题） 2. 核心功能（支持哪些能力） 3. 架构设计（如是否模块化、是否支持扩展） 4. 安装与使用复杂度（是否易上手） 5. 性能表现（延迟、吞吐、资源占用，如有 benchmark） 6. 稳定性（是否容易报错、崩溃，issue 情况） 7. 社区活跃度（star、commit 频率、issue 响应速度） 8. 生态与扩展性（插件、API、二次开发能力） 9. 成本（是否开源、资源消耗、商业模式）分析要求： 1. 对每个维度分别对比 OpenClaw vs Hermes 2. 提供结构化对比表（table 形式） 3. 标注信息来源（尽量附链接） 4. 总结各自优势 / 劣势 5. 给出明确结论： * 哪个更适合生产环境 * 哪个更适合实验 / 研究 * 在什么场景下推荐使用哪个额外要求： * 使用 XCrawl 相关技能完成信息搜索 * 优先使用最近 1–2 周的数据（保证信息新鲜） * 如果信息冲突，请指出并解释 * 不要只引用官方资料，要包含真实用户反馈（issue / 讨论）输出格式： 1. 简要总结（TL;DR） 2. 对比表 3. 分维度详细分析 4. 最终结论与建议

OneHopeA9

22,304 Aufrufe • vor 4 Monaten

💥或许是目前最被低估、最强大【免费】但几乎没人知道的人工智能搜索体验：用的就是Google Gemini 2.5 Pro，搭配谷歌搜索引擎原生接入，实时调用世界最强大的数据收集、搜索和整合能力，再由Gemini 2.5 Pro进行总结、分析、提炼。最夸张的是：👇 谷歌一贯风格 😭 付费用户都用不了，免费用户才知道。必须通过Google AI Studio后台，手动开启搜索增强功能，才能解锁这一切。个人体验是绝大多数用户，用不到走目前的Deep Search，毕竟时间耗时，大多数需求不是一个报告，而是兼顾时间和信息密度。那么打开后体验是怎样的？ •实时搜索最新网页，不是死数据； •多维度总结归纳，逻辑清晰，结构一流； •每条结论后附带原网页链接，一键核查来源； •调用底层是全球最强的搜索引擎+全球最强的AI模型，信息密度、准确率、实时性，全面拉满。简单说，就是：AI和人类搜索的天花板体验，第一次真正融合了。个人体验是超过目前ChatGPT 加搜索功能。

💥或许是目前最被低估、最强大【免费】但几乎没人知道的人工智能搜索体验：用的就是Google Gemini 2.5 Pro，搭配谷歌搜索引擎原生接入，实时调用世界最强大的数据收集、搜索和整合能力，再由Gemini 2.5 Pro进行总结、分析、提炼。最夸张的是：👇 谷歌一贯风格 😭 付费用户都用不了，免费用户才知道。必须通过Google AI Studio后台，手动开启搜索增强功能，才能解锁这一切。个人体验是绝大多数用户，用不到走目前的Deep Search，毕竟时间耗时，大多数需求不是一个报告，而是兼顾时间和信息密度。那么打开后体验是怎样的？ •实时搜索最新网页，不是死数据； •多维度总结归纳，逻辑清晰，结构一流； •每条结论后附带原网页链接，一键核查来源； •调用底层是全球最强的搜索引擎+全球最强的AI模型，信息密度、准确率、实时性，全面拉满。简单说，就是：AI和人类搜索的天花板体验，第一次真正融合了。个人体验是超过目前ChatGPT 加搜索功能。

Tigris 会讲课教授是好老师

33,948 Aufrufe • vor 1 Jahr

经常有朋友留言问我：“我们公司想做一个知识问答系统，应该选择怎样的技术方案？” 其实从技术原理来看，知识问答并不复杂。核心无非就是三个步骤：数据检索 → 数据筛选 → 生成答案。简单理解一下： - 数据检索：根据你的问题，AI 去数据库或系统中找到所有相关的信息； - 数据筛选：AI 从众多信息里，精准地选出最符合需求的部分； - 生成答案：AI 根据筛选出的内容，以自然语言整合成简单易懂的答案。举个形象点的例子：你要向老板汇报一个项目的最新进展。过去的做法是，你要么自己挨个翻看项目文档、会议纪要和周报，要么安排助理帮你搜集，然后再整理出老板想看的关键信息（进度百分比、任务进展、风险提示等）。现在，AI 知识问答系统就相当于你的“智能助理”，不仅能帮你迅速搜集资料，还能精确筛选出最重要的信息，自动整理出一份结构清晰的报告。但在企业实际操作过程中，为什么并不容易实现这种效果呢？技术简单，难的是数据整合目前主流的 AI 模型，不论是商业化还是开源的，或者开源模型，能力都已经很强大了。但企业往往面临一个痛点——内部数据普遍孤岛化，文档、聊天记录、邮件、会议纪要散落在不同系统中，很难统一检索。此外，AI 模型对输入内容长度有限制，一旦超过限制就容易出现幻觉或信息遗漏，因此必须在数据筛选环节反复精简处理，这也带来了不少工程上的挑战。甚至连美国企业也面临同样困扰：Slack 聊天、Zoom 视频会议、Gmail 邮件和 Google Docs 文档，彼此孤立，数据根本不连通。微软 Teams 虽然做了尝试，但本质上仍只是高级版关键词搜索，用户还得人工筛选和整理。所以，真正的瓶颈不在 AI，而在于如何高效整合数据。为什么推荐飞书的信息问答？我有机会体验了飞书最新推出的“知识问答” （URL 见评论），试用下来我觉得是目前企业级知识管理最接近理想的方案。飞书解决了企业最头疼的数据孤岛问题——将内部文档、群聊、会议记录等不同来源的数据整合到了一起，还根据员工权限进行严格的数据隔离，真正做到了数据的安全和精准管理。可能你想知道：飞书这种知识问答相比传统搜索，究竟有哪些具体优势呢？推荐可以看看飞书 CEO 谢欣介绍知识问答的视频，把主要场景列的很详细，尤其是那个演示查看飞书 2024 年机场投放金额的案例，不同级别的帐号看到的信息完全不一样，印象深刻，可以打消对数据安全上的顾虑。除了视频外，以下我自己感触比较深刻的，在工作过程中几个真实的飞书知识问答解决的比较好的企业场景，可以更清晰地说明知识问答的应用场景：场景一：新员工快速入职员工刚进公司时，最头疼的就是各种规章制度和系统流程。传统方法只能问老员工或者自己摸索，费时费力。使用飞书的知识问答后，新员工只需简单地自然语言提问： “公司提报费用的入口在哪？” “如何申请新的电脑显示器？” “浏览器插件安装步骤是怎样的？” AI 会立刻给出准确答案，员工自己动手就能迅速熟悉公司流程，企业也节省了大量培训成本。优势：简单易用，自然语言提问，无需额外培训。场景二：不错过任何老板交代的任务日常开会中，老板临时安排你跟进某项任务，如果你之前没注意听讲，再去问老板肯定尴尬。但用传统搜索又太麻烦，很多时候信息模糊，关键词根本搜不到结果。飞书的 AI 不止是关键词检索，而是能通过相似度语义检索，自动帮你回溯： - “昨天谁跟我聊过预算审批的事？” - “上次哪份周报里提到过系统优化？” - “我在哪个群里聊过产品升级的细节？” 确保你不会遗漏任何重要信息。优势：智能化相似度检索，不再依赖精准关键词。场景三：实时掌握全面的项目进度做过项目的人都知道，项目进度信息通常分散在任务管理系统、会议纪要、群聊消息和个人周报等不同地方。传统方式下，需要逐一进入各系统搜集数据，再手动整合，这既费时，又可能涉及敏感信息不便于交给他人处理。飞书知识问答的优势就在于，它能自动整合各个系统里的信息，生成一份详细、清晰且准确的项目进展报告，并且每一条信息都有明确的出处，点击即可追溯原始文档，极大提高了信息透明度和使用效率。优势：自动跨平台整合数据，生成专业项目进展报告。 AI 时代，真正重要的是沉淀企业数据企业想要用好 AI，光靠最新的 AI 模型远远不够，关键在于沉淀自己的行业数据。AI 就像一个聪明但缺乏实际经验的博士生，拥有通用知识，但对你所在的行业或企业细节一无所知。只有企业持续积累专属数据，AI 才能真正成为你行业的专家，为企业建立竞争壁垒。飞书的信息问答正是助力企业沉淀数据的绝佳工具，它不仅能自动帮你记录、整理和关联不同渠道的信息，还能以自然语言直接让员工高效获取这些沉淀数据，极大提升企业知识利用率。如果你所在企业正积极拥抱 AI，那么试试飞书的信息问答吧，它或许是你在 AI 时代构筑竞争优势的最佳伙伴。

经常有朋友留言问我：“我们公司想做一个知识问答系统，应该选择怎样的技术方案？” 其实从技术原理来看，知识问答并不复杂。核心无非就是三个步骤：数据检索 → 数据筛选 → 生成答案。简单理解一下： - 数据检索：根据你的问题，AI 去数据库或系统中找到所有相关的信息； - 数据筛选：AI 从众多信息里，精准地选出最符合需求的部分； - 生成答案：AI 根据筛选出的内容，以自然语言整合成简单易懂的答案。举个形象点的例子：你要向老板汇报一个项目的最新进展。过去的做法是，你要么自己挨个翻看项目文档、会议纪要和周报，要么安排助理帮你搜集，然后再整理出老板想看的关键信息（进度百分比、任务进展、风险提示等）。现在，AI 知识问答系统就相当于你的“智能助理”，不仅能帮你迅速搜集资料，还能精确筛选出最重要的信息，自动整理出一份结构清晰的报告。但在企业实际操作过程中，为什么并不容易实现这种效果呢？技术简单，难的是数据整合目前主流的 AI 模型，不论是商业化还是开源的，或者开源模型，能力都已经很强大了。但企业往往面临一个痛点——内部数据普遍孤岛化，文档、聊天记录、邮件、会议纪要散落在不同系统中，很难统一检索。此外，AI 模型对输入内容长度有限制，一旦超过限制就容易出现幻觉或信息遗漏，因此必须在数据筛选环节反复精简处理，这也带来了不少工程上的挑战。甚至连美国企业也面临同样困扰：Slack 聊天、Zoom 视频会议、Gmail 邮件和 Google Docs 文档，彼此孤立，数据根本不连通。微软 Teams 虽然做了尝试，但本质上仍只是高级版关键词搜索，用户还得人工筛选和整理。所以，真正的瓶颈不在 AI，而在于如何高效整合数据。为什么推荐飞书的信息问答？我有机会体验了飞书最新推出的“知识问答” （URL 见评论），试用下来我觉得是目前企业级知识管理最接近理想的方案。飞书解决了企业最头疼的数据孤岛问题——将内部文档、群聊、会议记录等不同来源的数据整合到了一起，还根据员工权限进行严格的数据隔离，真正做到了数据的安全和精准管理。可能你想知道：飞书这种知识问答相比传统搜索，究竟有哪些具体优势呢？推荐可以看看飞书 CEO 谢欣介绍知识问答的视频，把主要场景列的很详细，尤其是那个演示查看飞书 2024 年机场投放金额的案例，不同级别的帐号看到的信息完全不一样，印象深刻，可以打消对数据安全上的顾虑。除了视频外，以下我自己感触比较深刻的，在工作过程中几个真实的飞书知识问答解决的比较好的企业场景，可以更清晰地说明知识问答的应用场景：场景一：新员工快速入职员工刚进公司时，最头疼的就是各种规章制度和系统流程。传统方法只能问老员工或者自己摸索，费时费力。使用飞书的知识问答后，新员工只需简单地自然语言提问： “公司提报费用的入口在哪？” “如何申请新的电脑显示器？” “浏览器插件安装步骤是怎样的？” AI 会立刻给出准确答案，员工自己动手就能迅速熟悉公司流程，企业也节省了大量培训成本。优势：简单易用，自然语言提问，无需额外培训。场景二：不错过任何老板交代的任务日常开会中，老板临时安排你跟进某项任务，如果你之前没注意听讲，再去问老板肯定尴尬。但用传统搜索又太麻烦，很多时候信息模糊，关键词根本搜不到结果。飞书的 AI 不止是关键词检索，而是能通过相似度语义检索，自动帮你回溯： - “昨天谁跟我聊过预算审批的事？” - “上次哪份周报里提到过系统优化？” - “我在哪个群里聊过产品升级的细节？” 确保你不会遗漏任何重要信息。优势：智能化相似度检索，不再依赖精准关键词。场景三：实时掌握全面的项目进度做过项目的人都知道，项目进度信息通常分散在任务管理系统、会议纪要、群聊消息和个人周报等不同地方。传统方式下，需要逐一进入各系统搜集数据，再手动整合，这既费时，又可能涉及敏感信息不便于交给他人处理。飞书知识问答的优势就在于，它能自动整合各个系统里的信息，生成一份详细、清晰且准确的项目进展报告，并且每一条信息都有明确的出处，点击即可追溯原始文档，极大提高了信息透明度和使用效率。优势：自动跨平台整合数据，生成专业项目进展报告。 AI 时代，真正重要的是沉淀企业数据企业想要用好 AI，光靠最新的 AI 模型远远不够，关键在于沉淀自己的行业数据。AI 就像一个聪明但缺乏实际经验的博士生，拥有通用知识，但对你所在的行业或企业细节一无所知。只有企业持续积累专属数据，AI 才能真正成为你行业的专家，为企业建立竞争壁垒。飞书的信息问答正是助力企业沉淀数据的绝佳工具，它不仅能自动帮你记录、整理和关联不同渠道的信息，还能以自然语言直接让员工高效获取这些沉淀数据，极大提升企业知识利用率。如果你所在企业正积极拥抱 AI，那么试试飞书的信息问答吧，它或许是你在 AI 时代构筑竞争优势的最佳伙伴。

宝玉

27,919 Aufrufe • vor 1 Jahr

Ling-3.0-flash ：一个更适合实际工作的 AI 执行助手过去一段时间，大模型的发展重点一直集中在能力提升上。模型能回答什么问题、能处理多复杂的任务，成为行业关注的焦点。但随着 AI 开始进入真实工作流程，用户对于模型的期待也在发生变化：除了能够提供高质量答案，更希望它能够稳定、高效地完成具体任务。在日常工作中，真正消耗时间的往往不是复杂问题，而是大量重复性的处理工作。例如整理资料、分析数据、生成文档、处理代码、执行流程任务。这些事情需要投入大量精力，但其中有很多环节都可以通过 AI 进行优化。 Ling-3.0-flash 的定位正是在这一方向展开。它并不是单纯追求更大的模型规模，而是聚焦 Agent 工作流中的执行效率，帮助用户将明确的任务快速推进完成。官方介绍，该模型面向长程 Agent 工作流设计，重点提升响应速度、工具调用能力以及任务执行稳定性。从实际体验来看，它最大的特点是能够很好地融入已有工作流程，让 AI 从一个问答工具变成一个真正参与任务执行的助手。实测一：资料整理效率明显提升第一个测试场景是长文档处理。在实际工作中，经常会遇到需要快速阅读大量资料的情况，例如行业报告、会议记录、产品文档等。如果完全依靠人工整理，需要花费大量时间筛选重点、提取信息，再重新组织内容。测试过程中，我将一批较长的资料交给 Ling-3.0-flash 处理，让它完成信息提取、重点归纳和结构化整理。整个过程比较符合实际工作习惯。它能够快速抓取文档中的核心内容，并按照任务要求整理成更加清晰的结构。尤其是在面对大量相似信息时，它可以帮助用户减少重复阅读和手动整理的时间。这类能力对于内容运营、产品分析、市场研究等岗位非常实用。很多时候，用户并不是需要 AI 替自己完成最终判断，而是希望它先完成信息整理，把大量基础工作处理好，让人可以把精力放在更重要的分析和决策上。实测二：代码协作更加高效第二个体验场景是代码辅助。 AI 编程已经成为大模型应用的重要方向，但真正影响开发效率的，不只是生成代码的速度，更重要的是能否持续参与开发过程。在测试中，我让 Ling-3.0-flash 协助完成一个简单工具开发任务，包括生成基础代码、调整功能逻辑以及根据反馈进行优化。我需要做一个AI 会议纪要整理助手，请帮我生成代码，把会议录音转文字或会议记录，自动生成：会议摘要、决策事项、待办任务、负责人、截止时间首字耗时：337ms·完成耗时：68984ms·每秒 token 数：371 ，Ling-3.0-flash生成的会议纪要整理助手功能完整、专业美观，支持录音转文字、AI自动生成摘要/决策/待办任务，并支持导出和多种交互功能。实际体验下来，它更适合成为开发过程中的协作助手。开发者可以先确定整体需求和功能方向，再让 AI 快速完成代码生成、修改和补充。这样一来，开发者不需要把大量时间花在重复编码和基础调整上，而可以更多关注产品逻辑和技术方案。这种协作方式更接近真实开发场景。人负责判断方向，AI 负责提高执行效率。实测三：批量任务处理展现执行优势除了开发场景，批量信息处理也是 Ling-3.0-flash 比较适合的方向。例如整理用户反馈、分析业务数据、处理文本分类等任务，通常具有数据量大、格式相对固定的特点。在测试中，我模拟了用户反馈整理场景，让模型对大量文本进行分类，并提炼其中的主要问题。从结果来看，它能够快速完成信息归类，并输出较为清晰的结构化结果。这类任务的价值在于帮助用户减少大量机械操作。以前需要人工逐条查看和整理的信息，现在可以先由 AI 完成初步处理，再由人工进行确认和优化。对于企业团队来说，这种能力可以应用在客服分析、市场调研、内部知识整理等多个环节。速度和效率，是 Flash 模型的重要优势随着 AI 应用逐渐深入业务流程，模型的效率同样成为重要指标。很多实际任务并不需要每一次都进行复杂推理，而更需要快速响应和稳定执行。例如信息分类、内容整理、数据转换等工作，如果能够以更高效率完成，就能明显提升整体生产力。 Ling-3.0-flash 支持混合思考模式，可以根据任务复杂程度调整处理方式，在响应速度和任务能力之间进行平衡。这种设计让它更适合高频使用场景。用户可以将更多日常任务交给 AI 处理，而不必担心流程效率受到影响。从使用体验来看，它更像一个高效执行伙伴经过几个场景测试后，Ling-3.0-flash 给我的整体感受是，它并不是单纯提升聊天体验，而是在帮助用户重新分配工作时间。它可以处理大量信息整理工作，可以辅助开发过程，也可以参与自动化任务执行。对于普通用户来说，它能够减少重复操作，提高工作效率。对于开发者来说，它能够加快开发流程，降低基础工作的时间成本。对于企业来说，它能够帮助更多业务流程实现自动化。未来 AI 的价值，不只是回答问题，而是逐渐参与到真实工作流程中，帮助人完成更多具体任务。 Ling-3.0-flash 所体现的方向，就是让 AI 从一个提供答案的工具，进一步成为一个能够执行任务、提升效率的工作伙伴。官推：感兴趣可以自己试试 👉

Ling-3.0-flash ：一个更适合实际工作的 AI 执行助手过去一段时间，大模型的发展重点一直集中在能力提升上。模型能回答什么问题、能处理多复杂的任务，成为行业关注的焦点。但随着 AI 开始进入真实工作流程，用户对于模型的期待也在发生变化：除了能够提供高质量答案，更希望它能够稳定、高效地完成具体任务。在日常工作中，真正消耗时间的往往不是复杂问题，而是大量重复性的处理工作。例如整理资料、分析数据、生成文档、处理代码、执行流程任务。这些事情需要投入大量精力，但其中有很多环节都可以通过 AI 进行优化。 Ling-3.0-flash 的定位正是在这一方向展开。它并不是单纯追求更大的模型规模，而是聚焦 Agent 工作流中的执行效率，帮助用户将明确的任务快速推进完成。官方介绍，该模型面向长程 Agent 工作流设计，重点提升响应速度、工具调用能力以及任务执行稳定性。从实际体验来看，它最大的特点是能够很好地融入已有工作流程，让 AI 从一个问答工具变成一个真正参与任务执行的助手。实测一：资料整理效率明显提升第一个测试场景是长文档处理。在实际工作中，经常会遇到需要快速阅读大量资料的情况，例如行业报告、会议记录、产品文档等。如果完全依靠人工整理，需要花费大量时间筛选重点、提取信息，再重新组织内容。测试过程中，我将一批较长的资料交给 Ling-3.0-flash 处理，让它完成信息提取、重点归纳和结构化整理。整个过程比较符合实际工作习惯。它能够快速抓取文档中的核心内容，并按照任务要求整理成更加清晰的结构。尤其是在面对大量相似信息时，它可以帮助用户减少重复阅读和手动整理的时间。这类能力对于内容运营、产品分析、市场研究等岗位非常实用。很多时候，用户并不是需要 AI 替自己完成最终判断，而是希望它先完成信息整理，把大量基础工作处理好，让人可以把精力放在更重要的分析和决策上。实测二：代码协作更加高效第二个体验场景是代码辅助。 AI 编程已经成为大模型应用的重要方向，但真正影响开发效率的，不只是生成代码的速度，更重要的是能否持续参与开发过程。在测试中，我让 Ling-3.0-flash 协助完成一个简单工具开发任务，包括生成基础代码、调整功能逻辑以及根据反馈进行优化。我需要做一个AI 会议纪要整理助手，请帮我生成代码，把会议录音转文字或会议记录，自动生成：会议摘要、决策事项、待办任务、负责人、截止时间首字耗时：337ms·完成耗时：68984ms·每秒 token 数：371 ，Ling-3.0-flash生成的会议纪要整理助手功能完整、专业美观，支持录音转文字、AI自动生成摘要/决策/待办任务，并支持导出和多种交互功能。实际体验下来，它更适合成为开发过程中的协作助手。开发者可以先确定整体需求和功能方向，再让 AI 快速完成代码生成、修改和补充。这样一来，开发者不需要把大量时间花在重复编码和基础调整上，而可以更多关注产品逻辑和技术方案。这种协作方式更接近真实开发场景。人负责判断方向，AI 负责提高执行效率。实测三：批量任务处理展现执行优势除了开发场景，批量信息处理也是 Ling-3.0-flash 比较适合的方向。例如整理用户反馈、分析业务数据、处理文本分类等任务，通常具有数据量大、格式相对固定的特点。在测试中，我模拟了用户反馈整理场景，让模型对大量文本进行分类，并提炼其中的主要问题。从结果来看，它能够快速完成信息归类，并输出较为清晰的结构化结果。这类任务的价值在于帮助用户减少大量机械操作。以前需要人工逐条查看和整理的信息，现在可以先由 AI 完成初步处理，再由人工进行确认和优化。对于企业团队来说，这种能力可以应用在客服分析、市场调研、内部知识整理等多个环节。速度和效率，是 Flash 模型的重要优势随着 AI 应用逐渐深入业务流程，模型的效率同样成为重要指标。很多实际任务并不需要每一次都进行复杂推理，而更需要快速响应和稳定执行。例如信息分类、内容整理、数据转换等工作，如果能够以更高效率完成，就能明显提升整体生产力。 Ling-3.0-flash 支持混合思考模式，可以根据任务复杂程度调整处理方式，在响应速度和任务能力之间进行平衡。这种设计让它更适合高频使用场景。用户可以将更多日常任务交给 AI 处理，而不必担心流程效率受到影响。从使用体验来看，它更像一个高效执行伙伴经过几个场景测试后，Ling-3.0-flash 给我的整体感受是，它并不是单纯提升聊天体验，而是在帮助用户重新分配工作时间。它可以处理大量信息整理工作，可以辅助开发过程，也可以参与自动化任务执行。对于普通用户来说，它能够减少重复操作，提高工作效率。对于开发者来说，它能够加快开发流程，降低基础工作的时间成本。对于企业来说，它能够帮助更多业务流程实现自动化。未来 AI 的价值，不只是回答问题，而是逐渐参与到真实工作流程中，帮助人完成更多具体任务。 Ling-3.0-flash 所体现的方向，就是让 AI 从一个提供答案的工具，进一步成为一个能够执行任务、提升效率的工作伙伴。官推：感兴趣可以自己试试 👉

冰糖雪梨

15,661 Aufrufe • vor 1 Monat