Loading video...

Video Failed to Load

Go Home

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：...

GitHub_Daily's profile picture

GitHubDaily

56,341 subscribers

73,758 views • 1 year ago •via X (Twitter)

Health & WellnessScience & TechnologyEducation
LIVE

Anya Rossi• Live Now

Private livecam show

6 Comments

医士吕奥 | 蓝鸟会🕊's profile picture
医士吕奥 | 蓝鸟会🕊1 year ago

很厉害啊 这个工具用起很方便的感觉 爱了，谢谢分享

Mobile Scanner's profile picture
Mobile Scanner1 year ago

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

宝玉's profile picture
宝玉1 year ago

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”！

karminski-牙医's profile picture
karminski-牙医1 year ago

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

ahhhhfs's profile picture
ahhhhfs1 year ago

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 👉

GitHubDaily's profile picture
GitHubDaily1 year ago

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。

Related 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。
0:41

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

102,558 views • 8 months ago

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

139,754 views • 4 months ago

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。
24:14

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)

61,710 views • 2 years ago

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
2:11

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 views • 1 year ago

如果你在用 n8n 构建 AI 自动化，那这个 n8n-mcp 绝对是王炸级的工具。 它是一个专门为 n8n 打造的 MCP 服务器，集成了丰富的工具。AI Agent 通过它就能实现智能搜索 n8n 节点、验证工作流、实时监控执行，甚至直接创建和管理工作流。 开发效率和自动化能力直接拉满！ 链接见评论👇
1:09

如果你在用 n8n 构建 AI 自动化，那这个 n8n-mcp 绝对是王炸级的工具。 它是一个专门为 n8n 打造的 MCP 服务器，集成了丰富的工具。AI Agent 通过它就能实现智能搜索 n8n 节点、验证工作流、实时监控执行，甚至直接创建和管理工作流。 开发效率和自动化能力直接拉满！ 链接见评论👇

MapleShaw

18,658 views • 11 months ago

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。
0:31

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

29,101 views • 3 months ago

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。
0:39

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

15,348 views • 10 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：
3:32

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

40,515 views • 1 month ago

$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：
2:18

$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 views • 1 year ago

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
2:16

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 views • 11 months ago

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。
0:40

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

63,824 views • 2 months ago

什么是 AI 智能体？（双语字幕） 为了解释这一点，我们必须看一看在生成式 AI 领域看到的各种转变。 *** 从单一模型向复合 AI 系统的转变 单一模型受限于其训练数据，这影响了它们对世界的认知以及它们可以解决的任务类型。而且，这些模型也难以适应变化。尽管可以对模型进行微调，但这需要大量的数据和资源投资。 **** 示例：查询假期天数 例如，我想要为今年夏天计划一次假期，想知道我有多少假期天数可以用。我可以将我的查询输入到一个可以生成回应的模型中。然而，答案会不正确，因为模型并不知道我的身份，也无法访问我的个人信息。因此，模型本身可能对一些任务有所帮助，例如总结文档、撰写电子邮件初稿和各种报告初稿。 但当我们围绕模型构建系统，并将模型集成到现有流程中时，魔力便显现出来。设计一个系统来解决前面提到的问题，需要让模型能访问存储我假期数据的数据库。这样，虽然输入到语言模型中的查询相同，但模型会被提示创建一个搜索查询，这个查询可以访问我的数据库。程序会获取信息并得到答案，再将答案输入语言模型中，生成回答句子，如：“Maya，你的假期数据库里还剩下十天。”这样，我能得到正确的答案。 *** 复合 AI 系统的模块化设计 “系统”意味着有多个组件，因此系统本质上是模块化的。我可以有一个模型，选择微调模型、大语言模型、图像生成模型，但也可以有围绕它的程序化组件。可以有输出验证器、解析查询的程序、与数据库搜索结合的工具、与不同工具结合的程序等。 当我们谈论系统方法时，我可以分解希望程序完成的任务，选择合适的组件来解决问题。这比微调一个模型要容易得多，使过程更快、更方便。 **** 检索增强生成（RAG） 一个流行的复合 AI 系统例子是检索增强生成（RAG）。如果我提出一个完全不同的查询，如问天气情况，这会失败，因为程序的运行路径总是搜索假期数据库，而这与天气无关。因此，复合 AI 系统的大部分都有程序控制逻辑，这些逻辑由人类定义。 *** AI 智能体的作用 另一种控制复合 AI 系统的逻辑方式是让大语言模型负责，这在大语言模型的推理能力显著提高时才可能实现。大语言模型可以处理复杂问题，能根据提示词要求将问题分解并制定解决计划。 在一个极端，我要求系统快速思考，按照设定的规则行动。在另一个极端，可以让系统慢慢思考，制定计划，逐步解决每一部分，理解困难点并调整计划。 当让大语言模型负责逻辑时，就是在采取一种以智能体为中心的方法。 *** 大语言模型智能体的组成部分 **** 推理能力 推理能力将模型置于解决问题的核心位置，在设定计划的过程中对每一步进行推理。 **** 行动能力 行动能力通过称为“工具”的外部程序实现。这些工具是程序的外部模块，模型可以确定何时及如何调用它们以便最有效地解决提出的问题。例如，网络搜索工具、数据库搜索工具、计算器工具、操纵数据库的程序代码、翻译任务的模型等。 **** 访问记忆的能力 “记忆”可以表示几种含义。模型可以通过程序进行思考，类似于自言自语的内部日志，可以存储并随时取用。这也可以是与智能体互动的对话历史，使体验更加个性化。 *** ReACT 方法 配置智能体的受欢迎方法之一是 ReACT 方法，将推理和行动组件结合在一起。 **** 示例：度假计划 例如，我计划下个月去佛罗里达，想知道需要带多少瓶两盎司的防晒霜。这是个复杂的问题，有多步计划： 1. 我打算休多少天假？ 2. 我计划在阳光下待多少小时？查看佛罗里达的天气预报。 3. 尝试了解每小时在阳光下的推荐防晒剂剂量。 4. 进行数学运算，确定防晒霜数量。 这个系统非常模块化，可以解决更复杂的问题。 *** 复合 AI 系统的未来 复合 AI 系统将一直存在，2024 年将看到它们变得更加智能。你可以根据问题的复杂程度在 AI 自治程度上做出权衡。对于狭窄、定义明确的问题，程序化方法更有效。而对于需要独立解决复杂任务的系统，智能体方法更有帮助。 大多数情况下，人工仍会参与以提高准确性。 原始视频来源：
12:28

什么是 AI 智能体？（双语字幕） 为了解释这一点，我们必须看一看在生成式 AI 领域看到的各种转变。 *** 从单一模型向复合 AI 系统的转变 单一模型受限于其训练数据，这影响了它们对世界的认知以及它们可以解决的任务类型。而且，这些模型也难以适应变化。尽管可以对模型进行微调，但这需要大量的数据和资源投资。 **** 示例：查询假期天数 例如，我想要为今年夏天计划一次假期，想知道我有多少假期天数可以用。我可以将我的查询输入到一个可以生成回应的模型中。然而，答案会不正确，因为模型并不知道我的身份，也无法访问我的个人信息。因此，模型本身可能对一些任务有所帮助，例如总结文档、撰写电子邮件初稿和各种报告初稿。 但当我们围绕模型构建系统，并将模型集成到现有流程中时，魔力便显现出来。设计一个系统来解决前面提到的问题，需要让模型能访问存储我假期数据的数据库。这样，虽然输入到语言模型中的查询相同，但模型会被提示创建一个搜索查询，这个查询可以访问我的数据库。程序会获取信息并得到答案，再将答案输入语言模型中，生成回答句子，如：“Maya，你的假期数据库里还剩下十天。”这样，我能得到正确的答案。 *** 复合 AI 系统的模块化设计 “系统”意味着有多个组件，因此系统本质上是模块化的。我可以有一个模型，选择微调模型、大语言模型、图像生成模型，但也可以有围绕它的程序化组件。可以有输出验证器、解析查询的程序、与数据库搜索结合的工具、与不同工具结合的程序等。 当我们谈论系统方法时，我可以分解希望程序完成的任务，选择合适的组件来解决问题。这比微调一个模型要容易得多，使过程更快、更方便。 **** 检索增强生成（RAG） 一个流行的复合 AI 系统例子是检索增强生成（RAG）。如果我提出一个完全不同的查询，如问天气情况，这会失败，因为程序的运行路径总是搜索假期数据库，而这与天气无关。因此，复合 AI 系统的大部分都有程序控制逻辑，这些逻辑由人类定义。 *** AI 智能体的作用 另一种控制复合 AI 系统的逻辑方式是让大语言模型负责，这在大语言模型的推理能力显著提高时才可能实现。大语言模型可以处理复杂问题，能根据提示词要求将问题分解并制定解决计划。 在一个极端，我要求系统快速思考，按照设定的规则行动。在另一个极端，可以让系统慢慢思考，制定计划，逐步解决每一部分，理解困难点并调整计划。 当让大语言模型负责逻辑时，就是在采取一种以智能体为中心的方法。 *** 大语言模型智能体的组成部分 **** 推理能力 推理能力将模型置于解决问题的核心位置，在设定计划的过程中对每一步进行推理。 **** 行动能力 行动能力通过称为“工具”的外部程序实现。这些工具是程序的外部模块，模型可以确定何时及如何调用它们以便最有效地解决提出的问题。例如，网络搜索工具、数据库搜索工具、计算器工具、操纵数据库的程序代码、翻译任务的模型等。 **** 访问记忆的能力 “记忆”可以表示几种含义。模型可以通过程序进行思考，类似于自言自语的内部日志，可以存储并随时取用。这也可以是与智能体互动的对话历史，使体验更加个性化。 *** ReACT 方法 配置智能体的受欢迎方法之一是 ReACT 方法，将推理和行动组件结合在一起。 **** 示例：度假计划 例如，我计划下个月去佛罗里达，想知道需要带多少瓶两盎司的防晒霜。这是个复杂的问题，有多步计划： 1. 我打算休多少天假？ 2. 我计划在阳光下待多少小时？查看佛罗里达的天气预报。 3. 尝试了解每小时在阳光下的推荐防晒剂剂量。 4. 进行数学运算，确定防晒霜数量。 这个系统非常模块化，可以解决更复杂的问题。 *** 复合 AI 系统的未来 复合 AI 系统将一直存在，2024 年将看到它们变得更加智能。你可以根据问题的复杂程度在 AI 自治程度上做出权衡。对于狭窄、定义明确的问题，程序化方法更有效。而对于需要独立解决复杂任务的系统，智能体方法更有帮助。 大多数情况下，人工仍会参与以提高准确性。 原始视频来源：

宝玉

44,356 views • 2 years ago

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
0:52

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

22,056 views • 2 months ago

💥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。
1:16

💥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

33,902 views • 1 year ago

很早前，我们就可以利用 AI 快速抓取网站内容进行提问和理解，但颇为繁琐且技术小白难以上手。 现在有了开源工具 sitemcp 后，这一应用场景将变得非常简单。 它能一键抓取整个网站内容并将其转化为 MCP 服务器，再搭配 Claude 等 MCP 客户端，就能直接对网站内容进行对话提问。 GitHub： 主要功能： - 支持一次性抓取整个网站，并缓存到本地 - 可设置并发数提高抓取速度 - 支持多种工具命名策略，便于 AI 客户端调用 - 提供路径匹配功能，可选择性抓取特定页面 - 支持内容选择器，确保提取页面中最有价值的内容 可通过命令行一键安装使用，并无缝集成到各种 MCP 客户端。
1:09

很早前，我们就可以利用 AI 快速抓取网站内容进行提问和理解，但颇为繁琐且技术小白难以上手。 现在有了开源工具 sitemcp 后，这一应用场景将变得非常简单。 它能一键抓取整个网站内容并将其转化为 MCP 服务器，再搭配 Claude 等 MCP 客户端，就能直接对网站内容进行对话提问。 GitHub： 主要功能： - 支持一次性抓取整个网站，并缓存到本地 - 可设置并发数提高抓取速度 - 支持多种工具命名策略，便于 AI 客户端调用 - 提供路径匹配功能，可选择性抓取特定页面 - 支持内容选择器，确保提取页面中最有价值的内容 可通过命令行一键安装使用，并无缝集成到各种 MCP 客户端。

GitHubDaily

27,123 views • 1 year ago

近期我们研究员正在寻找优质的全流通项目，避免了VC抛售的困扰，同时属于热门赛道，比如 #DEPIN+#AI。并且尽可能上线币安等一线交易所。 我很兴奋的给大家分享挖掘出的一颗宝石：Streamr Network ，代币名称为：#DATA ，币安上线。5000万市值，全球通，目前价格0.055。 #Streamr: 一个去中心化实时数据共享网络，旨在提供高速、可靠的数据流传输和处理。通过去中心化的 P2P 架构，无需中央服务器，避免供应商锁定和单点故障。Streamr 为开发者和企业提供了一个无需信任的环境来发布、订阅和交易数据流。其核心目标是使数据变得更加自由和开放，从而推动数据生态系统的发展。 数据传输在 #AI 和 #DEPIN 领域应用广泛。数据隐私+低延迟+安全性+抗审查至关重要，#Streamr 为此努力了6年之久，今年一季度发布了 #Streamr 1.0 主网！标志着项目的重要里程碑，将带来更稳定和高效的数据网络性能。 看好的理由： ①实时数据流 Streamr 支持实时数据的发布和订阅，用户可以创建或加入数据流，享受即时的数据更新。这在DEPIN、AI、金融市场数据分析等领域非常重要。 ②去中心化网络： 网络的P2P去中心化架构确保了数据的安全性和隐私性，消除了单点故障的风险。所有数据流和交易都是在无需信任的环境中进行，具备抗审查性。 ③数据市场： Streamr 内置了一个数据市场，允许用户自由交易数据流。数据提供者可以通过出售数据流获利，而数据消费者可以根据需要购买实时数据。 ④集成与可扩展性： Streamr 提供了强大的 API 和 SDK，使开发者能够轻松地将数据流功能集成到现有的应用程序和平台中。此外，Streamr 网络能够与其他区块链系统（如以太坊）无缝对接，进一步拓展了其应用范围。 实际使用案例： Crypto Queries： 项目利用 AI 语言工具与 Web3 数据进行交互，提供了一个强大的工具来查询和分析区块链数据。 Streamr ML Demo： 项目将 Streamr 平台与 Binance API 连接，使用 ARIMA 机器学习模型来预测未来的交易数据，并在网页上显示实时和预测数据。 Breathing Easy： 项目通过Streamr网络和 AI 聊天机器人展示实时空气污染数据，使得用户可以轻松理解空气质量信息。 Streamr+AI： AI数据源：为AI模型提供高质量的实时数据以进行训练和微调。 $DATA 激励数据提供商推动AI数据经济的发展。 同时 $DATA 可充当数据交换媒介，通过P2P网络大规模分发带宽密集型AI生成的内容（视频/音频）。 Streamr+DEPIN： DEPIN数据交换媒介：DePIN 中，Streamr 可以促进互联设备之间向去中心化数据交换的转变，使 DePIN 从中心化数据管道过渡到完全去中心化的贡献者阵列。Streamr 协议允许 DePIN 用户通过其网络和技术堆栈向上、向内或向下传输数据。 未来展望 Streamr 的去中心化实时数据共享网络具有广阔的应用前景。随着 1.0 版本的发布和更多开发者加入生态系统，Streamr 有望在AI、DEPIN、金融数据和更多领域发挥重要作用。通过不断的技术创新和社区驱动的发展，Streamr 正在努力实现其构建开放和自由数据生态系统的愿景。 👇视频详细了解：
13:50

近期我们研究员正在寻找优质的全流通项目，避免了VC抛售的困扰，同时属于热门赛道，比如 #DEPIN+#AI。并且尽可能上线币安等一线交易所。 我很兴奋的给大家分享挖掘出的一颗宝石：Streamr Network ，代币名称为：#DATA ，币安上线。5000万市值，全球通，目前价格0.055。 #Streamr: 一个去中心化实时数据共享网络，旨在提供高速、可靠的数据流传输和处理。通过去中心化的 P2P 架构，无需中央服务器，避免供应商锁定和单点故障。Streamr 为开发者和企业提供了一个无需信任的环境来发布、订阅和交易数据流。其核心目标是使数据变得更加自由和开放，从而推动数据生态系统的发展。 数据传输在 #AI 和 #DEPIN 领域应用广泛。数据隐私+低延迟+安全性+抗审查至关重要，#Streamr 为此努力了6年之久，今年一季度发布了 #Streamr 1.0 主网！标志着项目的重要里程碑，将带来更稳定和高效的数据网络性能。 看好的理由： ①实时数据流 Streamr 支持实时数据的发布和订阅，用户可以创建或加入数据流，享受即时的数据更新。这在DEPIN、AI、金融市场数据分析等领域非常重要。 ②去中心化网络： 网络的P2P去中心化架构确保了数据的安全性和隐私性，消除了单点故障的风险。所有数据流和交易都是在无需信任的环境中进行，具备抗审查性。 ③数据市场： Streamr 内置了一个数据市场，允许用户自由交易数据流。数据提供者可以通过出售数据流获利，而数据消费者可以根据需要购买实时数据。 ④集成与可扩展性： Streamr 提供了强大的 API 和 SDK，使开发者能够轻松地将数据流功能集成到现有的应用程序和平台中。此外，Streamr 网络能够与其他区块链系统（如以太坊）无缝对接，进一步拓展了其应用范围。 实际使用案例： Crypto Queries： 项目利用 AI 语言工具与 Web3 数据进行交互，提供了一个强大的工具来查询和分析区块链数据。 Streamr ML Demo： 项目将 Streamr 平台与 Binance API 连接，使用 ARIMA 机器学习模型来预测未来的交易数据，并在网页上显示实时和预测数据。 Breathing Easy： 项目通过Streamr网络和 AI 聊天机器人展示实时空气污染数据，使得用户可以轻松理解空气质量信息。 Streamr+AI： AI数据源：为AI模型提供高质量的实时数据以进行训练和微调。 $DATA 激励数据提供商推动AI数据经济的发展。 同时 $DATA 可充当数据交换媒介，通过P2P网络大规模分发带宽密集型AI生成的内容（视频/音频）。 Streamr+DEPIN： DEPIN数据交换媒介：DePIN 中，Streamr 可以促进互联设备之间向去中心化数据交换的转变，使 DePIN 从中心化数据管道过渡到完全去中心化的贡献者阵列。Streamr 协议允许 DePIN 用户通过其网络和技术堆栈向上、向内或向下传输数据。 未来展望 Streamr 的去中心化实时数据共享网络具有广阔的应用前景。随着 1.0 版本的发布和更多开发者加入生态系统，Streamr 有望在AI、DEPIN、金融数据和更多领域发挥重要作用。通过不断的技术创新和社区驱动的发展，Streamr 正在努力实现其构建开放和自由数据生态系统的愿景。 👇视频详细了解：

Rocky

64,824 views • 2 years ago

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。
8:17

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 views • 1 year ago