正在加载视频...

视频加载失败

返回首页

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...

LawrenceW_Zen's profile picture

劳伦斯

12,764 subscribers

51,937 次观看 • 3 个月前 •via X (Twitter)

LIVE

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

OpenAI刚刚开源的这个东西，感觉要把程序员的工作方式给整个改写了。 现在大家都在卷模型写代码有多强，但其实真正的瓶颈早就不是生成了。 一个人每天最多同时有效监督3-5个编码Agent，再多就会注意力崩溃，生产力直接归零。 有了Symphony，直接把这个上限干到了几十个。 它把你的Linear、GitHub Issues直接变成了永远在线的Agent调度器。 你开一个任务，它自动启动一个独立隔离的Codex Agent。 自己写代码，自己跑测试，自己做交叉Review，damn！ 全部搞定之后，会给你提交一个完整的证据包。 CI全绿，安全和性能专项审查通过，改了UI就自动录好操作视频。 所有验证全过了，才会出现在你的Human Review队列里。 以后人类的角色可能会被彻底颠覆了。 以前你是监工，盯着Agent一步一步写代码，上下文切到吐。 现在你是老板，只需要看最终的结果。 满意就点合并，不满意就去仓库里补规则补文档补Guardrails。 记住兄弟们，永远不要手把手指挥Agent，永远不要替它干活。 这可不是啥实验室概念，OpenAI自己已经这么干了。 三个工程师，五个月，写了一百万行代码，0行人工写的。 产品已经有几百个内部用户，每天都在迭代。 我觉得他们最厉害的不是模型，是他们把整个仓库变成了Agent能看懂能自主工作的乐园。 现在很多人都搞错了Agent时代的核心竞争力。未来不是谁的模型更聪明，而是看谁能设计出让Agent可靠自主工作的环境。 我觉得未来最好的工程师，再也不是写代码最快的人，而是那些最会写规则，最会设计反馈回路，最会给Agent搭舞台的人。 现在Symphony已经开源了，它甚至不是一个成品。 是一个17k token的完整SPEC。 你把这个SPEC喂给任何一个编码Agent，十分钟就能生成你自己定制版的Symphony。 GitHub地址评论区自取👇
0:42

OpenAI刚刚开源的这个东西，感觉要把程序员的工作方式给整个改写了。 现在大家都在卷模型写代码有多强，但其实真正的瓶颈早就不是生成了。 一个人每天最多同时有效监督3-5个编码Agent，再多就会注意力崩溃，生产力直接归零。 有了Symphony，直接把这个上限干到了几十个。 它把你的Linear、GitHub Issues直接变成了永远在线的Agent调度器。 你开一个任务，它自动启动一个独立隔离的Codex Agent。 自己写代码，自己跑测试，自己做交叉Review，damn！ 全部搞定之后，会给你提交一个完整的证据包。 CI全绿，安全和性能专项审查通过，改了UI就自动录好操作视频。 所有验证全过了，才会出现在你的Human Review队列里。 以后人类的角色可能会被彻底颠覆了。 以前你是监工，盯着Agent一步一步写代码，上下文切到吐。 现在你是老板，只需要看最终的结果。 满意就点合并，不满意就去仓库里补规则补文档补Guardrails。 记住兄弟们，永远不要手把手指挥Agent，永远不要替它干活。 这可不是啥实验室概念，OpenAI自己已经这么干了。 三个工程师，五个月，写了一百万行代码，0行人工写的。 产品已经有几百个内部用户，每天都在迭代。 我觉得他们最厉害的不是模型，是他们把整个仓库变成了Agent能看懂能自主工作的乐园。 现在很多人都搞错了Agent时代的核心竞争力。未来不是谁的模型更聪明，而是看谁能设计出让Agent可靠自主工作的环境。 我觉得未来最好的工程师，再也不是写代码最快的人，而是那些最会写规则，最会设计反馈回路，最会给Agent搭舞台的人。 现在Symphony已经开源了，它甚至不是一个成品。 是一个17k token的完整SPEC。 你把这个SPEC喂给任何一个编码Agent，十分钟就能生成你自己定制版的Symphony。 GitHub地址评论区自取👇

AYi

63,210 次观看 • 4 个月前

国产最新的多模态模型来了！！ 前两周我刚体验过国产的阶跃星辰大模型，没想到这么快他们的新模型 Step 3.7 Flash 就出了。 现在大模型一发布必卷 benchmark 分数，但真正做 Agent 的人都清楚：跑分高 ≠ 能把活干完。 所以这次阶跃星辰的新模型 Step 3.7 Flash 它再不追求单点最聪明、也不只是单次最快，而是主打“生产任务端到端执行效率”。 一个真实的 Agent 任务从来不是一次问答，而是规划 → 搜索 → 工具调用 → 代码生成 → 多模态理解 → 反复校验的完整闭环，Step 3.7 Flash 这次升级的重点是整条链路的效率，而不是某个孤立指标。 提几个我觉得挺务实的点： 1. 原生多模态模型：它可以直接处理 UI 截图、图表、仪表盘、文档，原生读懂并转成结构化输出和可执行步骤，不需要像一些模型那样外挂视觉理解 MCP，而且现在多模态是顶级模型的标配。 2. 推理加入搜索和视觉检索：网页搜索、图像搜索、视觉验证、多源信息比对，让 Agent 在开放任务里边查边验证边行动，而不是事后再接个外部工具。 3. 198B MoE、约 11B 激活参数，最高 400 TPS：稀疏激活 + 这个速度，意味着高频交互、多步工作流、反复工具调用的场景下，单位任务的成本和延迟都压得很低——快和省是一起来的。 4. 开源、可部署：生产环境要的不只是 API，还有透明度、可控性和部署灵活性。 如果你在做 AI Agent、coding 工作流、搜索类应用或多模态系统，值得用 StepFun 试试这款新模型的能力。 想看更进阶的平台能力，可以了解 Step Plan。 海外平台： 国内平台：
4:53

国产最新的多模态模型来了！！ 前两周我刚体验过国产的阶跃星辰大模型，没想到这么快他们的新模型 Step 3.7 Flash 就出了。 现在大模型一发布必卷 benchmark 分数，但真正做 Agent 的人都清楚：跑分高 ≠ 能把活干完。 所以这次阶跃星辰的新模型 Step 3.7 Flash 它再不追求单点最聪明、也不只是单次最快，而是主打“生产任务端到端执行效率”。 一个真实的 Agent 任务从来不是一次问答，而是规划 → 搜索 → 工具调用 → 代码生成 → 多模态理解 → 反复校验的完整闭环，Step 3.7 Flash 这次升级的重点是整条链路的效率，而不是某个孤立指标。 提几个我觉得挺务实的点： 1. 原生多模态模型：它可以直接处理 UI 截图、图表、仪表盘、文档，原生读懂并转成结构化输出和可执行步骤，不需要像一些模型那样外挂视觉理解 MCP，而且现在多模态是顶级模型的标配。 2. 推理加入搜索和视觉检索：网页搜索、图像搜索、视觉验证、多源信息比对，让 Agent 在开放任务里边查边验证边行动，而不是事后再接个外部工具。 3. 198B MoE、约 11B 激活参数，最高 400 TPS：稀疏激活 + 这个速度，意味着高频交互、多步工作流、反复工具调用的场景下，单位任务的成本和延迟都压得很低——快和省是一起来的。 4. 开源、可部署：生产环境要的不只是 API，还有透明度、可控性和部署灵活性。 如果你在做 AI Agent、coding 工作流、搜索类应用或多模态系统，值得用 StepFun 试试这款新模型的能力。 想看更进阶的平台能力，可以了解 Step Plan。 海外平台： 国内平台：

耳朵

12,345 次观看 • 3 个月前

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

41,274 次观看 • 3 个月前

👏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。
0:22

👏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 次观看 • 3 个月前

肝了几天,来回打磨了快 30 遍, 一次性把最新的 Claude Code 的 Workflow 给你完全拆解清楚 有人说它的伟大程度,不亚于 MCP 和 Skill。 第一眼我是不信的,直到拆开看它内部怎么跑： 这不是"问一句答一句"的对话,而是一个能自己跑起来的任务系统:后台持续执行、可监控、可保存进度, 还能一口气派出几十上百个 agent 分头干活/合并汇总。 核心就三个角色: Claude 拆任务、定计划; Runtime 管调度和状态; 每个 agent 只啃一个子任务,配上并发池和队列,有节奏地推进。 它代表的是一种新的工程编排方式:智能负责规划,Runtime 负责执行,状态独立保存,模型按需调度。 最反直觉的一点:它能扩展到上百个 agent,靠的不是模型变强,而是"状态外置"—中间结果全交给执行系统保存,主上下文只看摘要和关键判断。这才是复杂任务能跑稳的真正原因。 这条视频直接给了你把它搬进自己系统的方法: 先用 Claude Code 做高质量规划、拆任务定阶段; 再把 workflow 转成自己的执行格式,按任务难度路由到不同模型池，简单的走便宜模型，复杂的才上高阶模型。 这条视频,值得反复看几遍👇
6:17

肝了几天,来回打磨了快 30 遍, 一次性把最新的 Claude Code 的 Workflow 给你完全拆解清楚 有人说它的伟大程度,不亚于 MCP 和 Skill。 第一眼我是不信的,直到拆开看它内部怎么跑： 这不是"问一句答一句"的对话,而是一个能自己跑起来的任务系统:后台持续执行、可监控、可保存进度, 还能一口气派出几十上百个 agent 分头干活/合并汇总。 核心就三个角色: Claude 拆任务、定计划; Runtime 管调度和状态; 每个 agent 只啃一个子任务,配上并发池和队列,有节奏地推进。 它代表的是一种新的工程编排方式:智能负责规划,Runtime 负责执行,状态独立保存,模型按需调度。 最反直觉的一点:它能扩展到上百个 agent,靠的不是模型变强,而是"状态外置"—中间结果全交给执行系统保存,主上下文只看摘要和关键判断。这才是复杂任务能跑稳的真正原因。 这条视频直接给了你把它搬进自己系统的方法: 先用 Claude Code 做高质量规划、拆任务定阶段; 再把 workflow 转成自己的执行格式,按任务难度路由到不同模型池，简单的走便宜模型，复杂的才上高阶模型。 这条视频,值得反复看几遍👇

huangserva

143,271 次观看 • 3 个月前

给大家带来 Qwen3.7-Max 实测! 这次使用了全新的前端测试集, 直接说结论, Qwen3.7-Max 应该是之前测试过的版本中进步特别大的一个, 甚至这次前端测试能完成之前3.6版本不能完成的测试项目. 而且后端能力测试直接刷了个榜一! 它是参与测试的34个模型中唯一一个实现了 IVF-PQ + ADC 索引方案的模型! 直接把后端测试从之前 GPT-5.5-Pro(xhigh) 的4000分拉到了现在的6947分! 不过需要注意的是, 它的测试表现分布并不是很稳定, 所以建议使用中要多review代码, 来达成更高的输出质量. 另外, 本次 Agent 能力也有提升, 达到了第一梯队的水平. 最后, 我还用 Qwen3.7-Max 实现了一个基于AI的磁盘恢复系统, 用来测试模型的实际工程能力. 编写过程很顺畅, 没有遇到阻碍, 大家可以直接看视频里的效果. #qwen #阿里千问 #qwen37max #AIAgent
7:35

给大家带来 Qwen3.7-Max 实测! 这次使用了全新的前端测试集, 直接说结论, Qwen3.7-Max 应该是之前测试过的版本中进步特别大的一个, 甚至这次前端测试能完成之前3.6版本不能完成的测试项目. 而且后端能力测试直接刷了个榜一! 它是参与测试的34个模型中唯一一个实现了 IVF-PQ + ADC 索引方案的模型! 直接把后端测试从之前 GPT-5.5-Pro(xhigh) 的4000分拉到了现在的6947分! 不过需要注意的是, 它的测试表现分布并不是很稳定, 所以建议使用中要多review代码, 来达成更高的输出质量. 另外, 本次 Agent 能力也有提升, 达到了第一梯队的水平. 最后, 我还用 Qwen3.7-Max 实现了一个基于AI的磁盘恢复系统, 用来测试模型的实际工程能力. 编写过程很顺畅, 没有遇到阻碍, 大家可以直接看视频里的效果. #qwen #阿里千问 #qwen37max #AIAgent

karminski-牙医

10,513 次观看 • 3 个月前

【Plus订阅用户——无限额度的神级工具】 Plus 的 Codex 5 小时额度完全不够用？ 先别急，交给这个神级工具，让你的plus额度也够用 很多 Plus 用户不是不会用 Codex，而是把规划、执行和审查全塞给 Codex，让它变得太“全能”。 先让它通读仓库、自己想方案，再写代码、跑测试，最后还要重新读取全部上下文，审查自己刚才做过的改动。 等到 5 小时额度窗口开始紧张，真正需要 Codex 动手的工作，可能才刚刚开始。 如果你也经常觉得 Plus 的 Codex 额度不够用，我更建议先优化任务分工，而不是继续压缩提示词，或者把所有步骤都塞进同一次调用。 我现在使用的工作流是 Codex with ChatGPT： ChatGPT → PLAN Codex → EXECUTE / TEST ChatGPT → REVIEW 简单来说：ChatGPT 负责把问题想清楚，Codex 负责把改动做出来。 第一步是 PLAN。 在进入 Codex 之前，先让 ChatGPT 网页版明确： • 这次到底要解决什么问题？ • 哪些内容属于本次范围，哪些明确不改？ • 可能涉及哪些文件和依赖？ • 需要运行哪些测试？ • 什么结果才算完成，出问题怎样回滚？ 计划至少要回答这五件事：改什么、不改什么、碰哪些文件、怎样测试、什么结果才算完成。 没有边界的“帮我优化一下整个项目”，往往才是最消耗额度的用法。 第二步是 EXECUTE / TEST。 规划完成后，再把清晰的施工单交给 Codex。此时 Codex 不需要重新做一轮开放式研究，而是专注它最擅长的本地工作： • 编辑文件 • 运行 Shell 和项目命令 • 使用 Git 检查改动 • 执行测试 • 根据真实错误继续修复 给 Codex 的不再是一道没有边界的研究题，而是一项可以直接执行、可以测试、可以验收的任务。 一轮调用最好只有一个明确闭环： 修改 → 测试 → 报告结果 第三步是 REVIEW。 代码完成后，我不会只让执行者重新通读整个仓库，然后告诉我“看起来没问题”。 ChatGPT 会通过只读连接，按需查看相关文件、diff 和测试记录，再从原计划出发做一次独立审查： • 改动有没有超出范围？ • 测试是否真的覆盖了目标？ • 有没有隐藏失败或未经验证的结论？ • 文档、实现和最终结果是否一致？ 只有发现具体问题时，才向 Codex 发回最小修复任务。 这套分工的关键不是让两个 AI 重复干活，而是让每一层只负责自己最合适的事情。 在当前这个视频工程里就有一个真实例子：ChatGPT 审查时发现首帧工作台遮挡了标题；Codex 随后把 `.workspace` 的位置从 `top:128px` 调整到 `430px`。基线检查有 10 个重叠错误，修改后 Layout 变为 0 issues，最后再由 ChatGPT 读取事务 diff 和验证记录完成复核。 这就是完整闭环： 发现问题 → 明确修改 → 本地执行 → 运行检查 → 独立复核 对于 Plus 用户，这套方法最直接的作用，不是把官方额度变多，而是减少 Codex 执行通道里的重复阅读、开放式探索和自我复盘。 普通任务可以先在 ChatGPT 网页版锁定范围，再让 Codex 本地执行；完成后，只让审查层按需读取必要的 diff 和测试记录。这样能把更宝贵的 Codex 调用留给真正需要编辑、命令和测试的步骤。 如果你是 Pro 用户，还可以把最困难的架构规划、跨文件风险分析和最终审查，交给 ChatGPT 网页版中最高能力的 Pro 模型选项；复杂推理由 Pro 负责，本地执行仍由 Codex 完成。具体模型名称和开放范围可能调整，以你账户里的模型选择器为准。 需要说明的是： 这不是增加官方额度，也不会解除 5 小时窗口，更不是绕过平台限制。 它做的事情更朴素：不再让 Codex 同时扮演产品经理、架构师、程序员和审计员，而是让每一次调用都有明确范围、明确任务和明确验收标准。 Codex with ChatGPT 使用只读连接，按需读取完成规划和审查所需的工作区内容；不是一次性上传整个仓库，也不会把写文件、删除文件或执行 Shell 的权限交给 ChatGPT。 如果你也在用 Plus，最近又经常撞到 5 小时额度限制，可以试试先把任务分工做好，再开始下一次编码。 项目地址： 安装后可以直接对 Codex 说： “使用 Codex with ChatGPT 完成首次配置并应用。” #Codex #ChatGPT
0:45

【Plus订阅用户——无限额度的神级工具】 Plus 的 Codex 5 小时额度完全不够用？ 先别急，交给这个神级工具，让你的plus额度也够用 很多 Plus 用户不是不会用 Codex，而是把规划、执行和审查全塞给 Codex，让它变得太“全能”。 先让它通读仓库、自己想方案，再写代码、跑测试，最后还要重新读取全部上下文，审查自己刚才做过的改动。 等到 5 小时额度窗口开始紧张，真正需要 Codex 动手的工作，可能才刚刚开始。 如果你也经常觉得 Plus 的 Codex 额度不够用，我更建议先优化任务分工，而不是继续压缩提示词，或者把所有步骤都塞进同一次调用。 我现在使用的工作流是 Codex with ChatGPT： ChatGPT → PLAN Codex → EXECUTE / TEST ChatGPT → REVIEW 简单来说：ChatGPT 负责把问题想清楚，Codex 负责把改动做出来。 第一步是 PLAN。 在进入 Codex 之前，先让 ChatGPT 网页版明确： • 这次到底要解决什么问题？ • 哪些内容属于本次范围，哪些明确不改？ • 可能涉及哪些文件和依赖？ • 需要运行哪些测试？ • 什么结果才算完成，出问题怎样回滚？ 计划至少要回答这五件事：改什么、不改什么、碰哪些文件、怎样测试、什么结果才算完成。 没有边界的“帮我优化一下整个项目”，往往才是最消耗额度的用法。 第二步是 EXECUTE / TEST。 规划完成后，再把清晰的施工单交给 Codex。此时 Codex 不需要重新做一轮开放式研究，而是专注它最擅长的本地工作： • 编辑文件 • 运行 Shell 和项目命令 • 使用 Git 检查改动 • 执行测试 • 根据真实错误继续修复 给 Codex 的不再是一道没有边界的研究题，而是一项可以直接执行、可以测试、可以验收的任务。 一轮调用最好只有一个明确闭环： 修改 → 测试 → 报告结果 第三步是 REVIEW。 代码完成后，我不会只让执行者重新通读整个仓库，然后告诉我“看起来没问题”。 ChatGPT 会通过只读连接，按需查看相关文件、diff 和测试记录，再从原计划出发做一次独立审查： • 改动有没有超出范围？ • 测试是否真的覆盖了目标？ • 有没有隐藏失败或未经验证的结论？ • 文档、实现和最终结果是否一致？ 只有发现具体问题时，才向 Codex 发回最小修复任务。 这套分工的关键不是让两个 AI 重复干活，而是让每一层只负责自己最合适的事情。 在当前这个视频工程里就有一个真实例子：ChatGPT 审查时发现首帧工作台遮挡了标题；Codex 随后把 `.workspace` 的位置从 `top:128px` 调整到 `430px`。基线检查有 10 个重叠错误，修改后 Layout 变为 0 issues，最后再由 ChatGPT 读取事务 diff 和验证记录完成复核。 这就是完整闭环： 发现问题 → 明确修改 → 本地执行 → 运行检查 → 独立复核 对于 Plus 用户，这套方法最直接的作用，不是把官方额度变多，而是减少 Codex 执行通道里的重复阅读、开放式探索和自我复盘。 普通任务可以先在 ChatGPT 网页版锁定范围，再让 Codex 本地执行；完成后，只让审查层按需读取必要的 diff 和测试记录。这样能把更宝贵的 Codex 调用留给真正需要编辑、命令和测试的步骤。 如果你是 Pro 用户，还可以把最困难的架构规划、跨文件风险分析和最终审查，交给 ChatGPT 网页版中最高能力的 Pro 模型选项；复杂推理由 Pro 负责，本地执行仍由 Codex 完成。具体模型名称和开放范围可能调整，以你账户里的模型选择器为准。 需要说明的是： 这不是增加官方额度，也不会解除 5 小时窗口，更不是绕过平台限制。 它做的事情更朴素：不再让 Codex 同时扮演产品经理、架构师、程序员和审计员，而是让每一次调用都有明确范围、明确任务和明确验收标准。 Codex with ChatGPT 使用只读连接，按需读取完成规划和审查所需的工作区内容；不是一次性上传整个仓库，也不会把写文件、删除文件或执行 Shell 的权限交给 ChatGPT。 如果你也在用 Plus，最近又经常撞到 5 小时额度限制，可以试试先把任务分工做好，再开始下一次编码。 项目地址： 安装后可以直接对 Codex 说： “使用 Codex with ChatGPT 完成首次配置并应用。” #Codex #ChatGPT

18168

34,268 次观看 • 19 天前

"投了 300 家公司，拿了 0 个 offer。 直到他不再以单一工程师的身份去面试，而是带着 20 个云端 Agent 组成的自动化团队: 对方给他开了 85 万美元年薪。" 这是最近一个SpaceXAI工程师刷屏的开场白。 他讲的这套玩法，核心其实很明确： 多数人还在把 AI 当搜索框单次问答，少部分人已经在搭数字班底了。 架构看似很清晰： 1. 顶层放一个幕僚长（Chief of Staff）统筹全局 2. 中层是 PM Agent 拆解需求、排定优先级 3. 底层挂一排 Worker Agent 在云端并行写代码、做调研 4. 跑完对照测试集自检，早上往 Slack 自动扔一份交付摘要 人睡了，流水线通宵在转。 原作者给出的结论极具煽动性：“这不是技能差距，只是一个晚上就能补上的技术栈差距。” 技术栈确实一晚上就能搭出来，但后半句话经不起推敲。 单窗口聊天和真正把“研究、实现、交叉验证、复盘”拆开跑的流水线，产出确实差了一个数量级。 但这根本不是靠堆 Agent 数量就能赢的事。 很多人只看到了“20 个 Agent 替我通宵干活”的性感，却忽略了真实的工程底色： 没有严密的验收标准，20 个 Agent 只是 20 个通宵幻觉放大器。 没有任务闭环和熔断机制，代码没跑通，API 额度两天就能烧穿。 Agent 越多，系统的混乱度越高。谁来定义任务边界？ 什么才算真正的交付（Done）？ 跑偏了由谁来兜底和回滚？ 这些脏活累活，没有一件能靠模型自己解决。 这从来不是工具过时的问题，而是工程师的工位性质变了： 你不再是那个一行行敲实现细节的写手，而是变成了给机器定规则、排班表、挑毛病的质检官。 照着教程搭一套 Agent 确实只要一个晚上。 但敢不敢放手让它们在你睡着时接着干，全看你白天有没有真正把任务执行标准和边界确定到位。
41:17

"投了 300 家公司，拿了 0 个 offer。 直到他不再以单一工程师的身份去面试，而是带着 20 个云端 Agent 组成的自动化团队: 对方给他开了 85 万美元年薪。" 这是最近一个SpaceXAI工程师刷屏的开场白。 他讲的这套玩法，核心其实很明确： 多数人还在把 AI 当搜索框单次问答，少部分人已经在搭数字班底了。 架构看似很清晰： 1. 顶层放一个幕僚长（Chief of Staff）统筹全局 2. 中层是 PM Agent 拆解需求、排定优先级 3. 底层挂一排 Worker Agent 在云端并行写代码、做调研 4. 跑完对照测试集自检，早上往 Slack 自动扔一份交付摘要 人睡了，流水线通宵在转。 原作者给出的结论极具煽动性：“这不是技能差距，只是一个晚上就能补上的技术栈差距。” 技术栈确实一晚上就能搭出来，但后半句话经不起推敲。 单窗口聊天和真正把“研究、实现、交叉验证、复盘”拆开跑的流水线，产出确实差了一个数量级。 但这根本不是靠堆 Agent 数量就能赢的事。 很多人只看到了“20 个 Agent 替我通宵干活”的性感，却忽略了真实的工程底色： 没有严密的验收标准，20 个 Agent 只是 20 个通宵幻觉放大器。 没有任务闭环和熔断机制，代码没跑通，API 额度两天就能烧穿。 Agent 越多，系统的混乱度越高。谁来定义任务边界？ 什么才算真正的交付（Done）？ 跑偏了由谁来兜底和回滚？ 这些脏活累活，没有一件能靠模型自己解决。 这从来不是工具过时的问题，而是工程师的工位性质变了： 你不再是那个一行行敲实现细节的写手，而是变成了给机器定规则、排班表、挑毛病的质检官。 照着教程搭一套 Agent 确实只要一个晚上。 但敢不敢放手让它们在你睡着时接着干，全看你白天有没有真正把任务执行标准和边界确定到位。

Hux

79,979 次观看 • 5 天前

Pi 用久了，接模型这件事越来越麻烦。 每家模型平台都有自己的账号和 Key，余额散在几个地方。想把同一个任务换个模型再跑一遍，又要重新配置、充值和查账。模型接得越多，配置也越乱。 这次我把 ZenMux 接进 Pi，只维护一个 provider 和一把 Key。 GPT-6 Astra 上线后，我直接在 Pi 里选择 openai/gpt-6-astra，然后做了几个测试测试模型的真实性。 1、模型名称，看看是不是真的GPT-6 2、模型的写作能力，看看最新模型在写作上的提升 3、修改一个代码里面的Bug，测试真实的能力 以后想用同一个任务对比其他模型，直接在 Pi 里切换模型即可。实际 token 和花费也能放在同一处看，省掉了到处找 Key、查余额的麻烦。 GPT-6 Astra 面向复杂 agent 工作流。这次我主要看它能不能把跨文件任务做完整，以及输出里有多少内容可以直接使用。官推提到它通常会减少输出 token，录屏里的实际数字会更有参考价值。 ZenMux 本场还有 7 天限时充值活动。 充 $50 得 $70 充 $100 得 $150 每个账号限兑一次 原本就准备跑 API 的，可以趁这次多留一点测试额度。 GPT-6 Astra
2:09

Pi 用久了，接模型这件事越来越麻烦。 每家模型平台都有自己的账号和 Key，余额散在几个地方。想把同一个任务换个模型再跑一遍，又要重新配置、充值和查账。模型接得越多，配置也越乱。 这次我把 ZenMux 接进 Pi，只维护一个 provider 和一把 Key。 GPT-6 Astra 上线后，我直接在 Pi 里选择 openai/gpt-6-astra，然后做了几个测试测试模型的真实性。 1、模型名称，看看是不是真的GPT-6 2、模型的写作能力，看看最新模型在写作上的提升 3、修改一个代码里面的Bug，测试真实的能力 以后想用同一个任务对比其他模型，直接在 Pi 里切换模型即可。实际 token 和花费也能放在同一处看，省掉了到处找 Key、查余额的麻烦。 GPT-6 Astra 面向复杂 agent 工作流。这次我主要看它能不能把跨文件任务做完整，以及输出里有多少内容可以直接使用。官推提到它通常会减少输出 token，录屏里的实际数字会更有参考价值。 ZenMux 本场还有 7 天限时充值活动。 充 $50 得 $70 充 $100 得 $150 每个账号限兑一次 原本就准备跑 API 的，可以趁这次多留一点测试额度。 GPT-6 Astra

小墨同学

20,221 次观看 • 11 天前

wow，刚发布的 Apodex 1.1 把一整套开箱即用的多 Agent 架构（35B 权重 + 单机 harness）全开源了，支持本地单机部署！！！ 大家都在看它跑分，我直接拿它做了一次AI副业赚钱项目真实长任务实测： 2000 块启动资金、每周 15 小时、零粉丝不会编程，普通人做什么 AI 副业最值得先试？ 结果它跑出来的第一个核心结论，直接把网上的暴富营销滤镜给砸碎了。 8 个 Agent 并行跑了几十步，最后在公开采样范围内，满足 A 级证据标准的个人收入成功案例是 0。 这大概是我见过最不给暴富营销留面子的 Agent 跑测了，不是说现实里真没人赚钱，而是抓到的那些月入几万的故事，大多只有单人自述或单张收入截图，缺少完整成本、投入周期、既有资源和失败样本，根本撑不起普通人照做就能成的承诺。 但比这个打脸结论更狠的，是它跑任务的过程： 整个界面右侧的任务看板一直在实时更新，它不是丢给你一个转圈的黑盒页面，你能清楚看到后台有 8 个专业 Agent 并行在跑，谁在负责反方证伪（income_skeptic）、谁在核算成本（cost_analyst）、谁在抓需求（demand_scout）。 任务初始条件其实是 2000 块启动，跑了一半，1 个 Agent 已经完成、另外 7 个还在深度检索，我临时插了一句话：把预算砍到 1000，追加零粉丝、无品牌、不会编程，并排除卖课和泛流量。 换成普通 Agent 早就崩溃或者推倒重来了，但它在看板里立刻列出影响分析，把依然成立的需求和反例证据保留下来，只针对成本、获客和排序做了局部重算，原来的证据分支继续往下推进。 更硬核的是交付前的独立审查（Statement Review）。 生成和审查完全物理隔离，另一组审查 Agent 主动推翻了原稿里文案需求居首的断言，指出视频剪辑需求实际上最多，把简历优化移出了独立候选，还主动指出了 40 条样本里 90% 来自英文平台的局限性以及免费工具的商用授权风险。 经过两轮回归复核，所有问题全部修复才最终放行。 最后交付的不仅是一份报告，而是带有证据清单、验证优先级表、30 天去留标准、需求样本和业务模板等一整套可以直接落地的执行文件。 留下的是文案/脚本、PPT/办公文档、口播短视频剪辑、垂直头像/插画这几类需求明确、交付边界清楚的小单服务。 但必须把边界说明白：这是 30 天验证优先级，不是赚钱榜；30 天是验证周期，不是回本承诺。 这次最让我意外的，是他们不仅做了 Web 工作台，还把整套多 Agent 执行框架直接开源了——命令行框架 FrontierAgent 已经放上 GitHub，连带可本地跑的 35B mini 模型权重也同步上了 Hugging Face。 不想依赖云端、不想上传敏感数据的，macOS/Linux 一行命令就能在本地把这套多 Agent 跑起来。 跑完这一圈，我真正关心的早就不只是模型能不能吐出一个漂亮答案了。 在真实世界里，需求随时会变、证据经常打架、计算和引用也难免出错——它能让你全程看清进度，保留已经做对的结果，局部打补丁，还能拉着独立审查去反复挑刺，把能直接拿去用的文件稳稳交到你手里。 比起只会写报告的 AI，这种在混乱和变化中把任务真正做完的交付力，才是我理解里成熟的 Agent 能力单位啊。
1:08

wow，刚发布的 Apodex 1.1 把一整套开箱即用的多 Agent 架构（35B 权重 + 单机 harness）全开源了，支持本地单机部署！！！ 大家都在看它跑分，我直接拿它做了一次AI副业赚钱项目真实长任务实测： 2000 块启动资金、每周 15 小时、零粉丝不会编程，普通人做什么 AI 副业最值得先试？ 结果它跑出来的第一个核心结论，直接把网上的暴富营销滤镜给砸碎了。 8 个 Agent 并行跑了几十步，最后在公开采样范围内，满足 A 级证据标准的个人收入成功案例是 0。 这大概是我见过最不给暴富营销留面子的 Agent 跑测了，不是说现实里真没人赚钱，而是抓到的那些月入几万的故事，大多只有单人自述或单张收入截图，缺少完整成本、投入周期、既有资源和失败样本，根本撑不起普通人照做就能成的承诺。 但比这个打脸结论更狠的，是它跑任务的过程： 整个界面右侧的任务看板一直在实时更新，它不是丢给你一个转圈的黑盒页面，你能清楚看到后台有 8 个专业 Agent 并行在跑，谁在负责反方证伪（income_skeptic）、谁在核算成本（cost_analyst）、谁在抓需求（demand_scout）。 任务初始条件其实是 2000 块启动，跑了一半，1 个 Agent 已经完成、另外 7 个还在深度检索，我临时插了一句话：把预算砍到 1000，追加零粉丝、无品牌、不会编程，并排除卖课和泛流量。 换成普通 Agent 早就崩溃或者推倒重来了，但它在看板里立刻列出影响分析，把依然成立的需求和反例证据保留下来，只针对成本、获客和排序做了局部重算，原来的证据分支继续往下推进。 更硬核的是交付前的独立审查（Statement Review）。 生成和审查完全物理隔离，另一组审查 Agent 主动推翻了原稿里文案需求居首的断言，指出视频剪辑需求实际上最多，把简历优化移出了独立候选，还主动指出了 40 条样本里 90% 来自英文平台的局限性以及免费工具的商用授权风险。 经过两轮回归复核，所有问题全部修复才最终放行。 最后交付的不仅是一份报告，而是带有证据清单、验证优先级表、30 天去留标准、需求样本和业务模板等一整套可以直接落地的执行文件。 留下的是文案/脚本、PPT/办公文档、口播短视频剪辑、垂直头像/插画这几类需求明确、交付边界清楚的小单服务。 但必须把边界说明白：这是 30 天验证优先级，不是赚钱榜；30 天是验证周期，不是回本承诺。 这次最让我意外的，是他们不仅做了 Web 工作台，还把整套多 Agent 执行框架直接开源了——命令行框架 FrontierAgent 已经放上 GitHub，连带可本地跑的 35B mini 模型权重也同步上了 Hugging Face。 不想依赖云端、不想上传敏感数据的，macOS/Linux 一行命令就能在本地把这套多 Agent 跑起来。 跑完这一圈，我真正关心的早就不只是模型能不能吐出一个漂亮答案了。 在真实世界里，需求随时会变、证据经常打架、计算和引用也难免出错——它能让你全程看清进度，保留已经做对的结果，局部打补丁，还能拉着独立审查去反复挑刺，把能直接拿去用的文件稳稳交到你手里。 比起只会写报告的 AI，这种在混乱和变化中把任务真正做完的交付力，才是我理解里成熟的 Agent 能力单位啊。

AYi

60,051 次观看 • 26 天前

昨天看很多人转发Apodex 1.1 一个专门面向深度研究而打造的 Agent 专门解决那种"没有现成答案、需要大量调研才能搞定"的硬问题 好奇测试了下，跑了俩任务，一下午都没跑完😅 执行时间是真长 这玩意能你只要给它个目标，它就能能长时间运行、失败后能自动修复，还能自己验证交付结果是否准确 它在接到任务后，主 Agent 拆解成各种子问题，异步派发给专业化的子 Agent执行，每个子 Agent 有自己独立的上下文、提示词和工具集。 子 Agent 的报告汇入共享报告池，编排器异步读取，不会被最慢的那个卡住。单任务最高可调度 150 个子 Agent 解决的是什么问题呢？ 过去： 一次提问，一段回答，一份报告。 衡量标准通常是： 答案对不对 知识覆盖够不够 引用多不多 报告写得是否完整 Apodex 想提出的新的要求： 一项从输入到交付的完整任务，衡量标准变成： 是否理解目标 是否能操作真实文件 是否能调用代码和工具 是否能维护长任务状态 遇到变化能否局部调整 执行失败能否自行恢复 最终结论是否可以核查 因此，它真正挑战的是当前 Deep Research 的产品形态： 搜集资料和生成报告，只覆盖了复杂任务的一部分。 真正的专业任务还需要读文件、清洗数据、选择方法、执行代码、处理异常、核查结论。 所以特别适合：科研人员、分析师、专业用户
1:25

昨天看很多人转发Apodex 1.1 一个专门面向深度研究而打造的 Agent 专门解决那种"没有现成答案、需要大量调研才能搞定"的硬问题 好奇测试了下，跑了俩任务，一下午都没跑完😅 执行时间是真长 这玩意能你只要给它个目标，它就能能长时间运行、失败后能自动修复，还能自己验证交付结果是否准确 它在接到任务后，主 Agent 拆解成各种子问题，异步派发给专业化的子 Agent执行，每个子 Agent 有自己独立的上下文、提示词和工具集。 子 Agent 的报告汇入共享报告池，编排器异步读取，不会被最慢的那个卡住。单任务最高可调度 150 个子 Agent 解决的是什么问题呢？ 过去： 一次提问，一段回答，一份报告。 衡量标准通常是： 答案对不对 知识覆盖够不够 引用多不多 报告写得是否完整 Apodex 想提出的新的要求： 一项从输入到交付的完整任务，衡量标准变成： 是否理解目标 是否能操作真实文件 是否能调用代码和工具 是否能维护长任务状态 遇到变化能否局部调整 执行失败能否自行恢复 最终结论是否可以核查 因此，它真正挑战的是当前 Deep Research 的产品形态： 搜集资料和生成报告，只覆盖了复杂任务的一部分。 真正的专业任务还需要读文件、清洗数据、选择方法、执行代码、处理异常、核查结论。 所以特别适合：科研人员、分析师、专业用户

小互

13,825 次观看 • 25 天前

啊？AI可以自己找活干了？ 给大家介绍一个炸裂的开源项目 Hephaestus - 这玩意儿让AI Agent自己规划工作，自己发现问题，自己创建任务！抽象到什么程度？它内嵌了个kanban....让AI自己拆解card自己做.... 传统的Agent框架都是你提前写死所有流程，遇到没预料到的情况就傻眼。Hephaestus 直接换了个思路：只定义三个阶段（分析-实现-验证），然后Agent自己看着办。 举例：测试Agent在跑测试时，发现了一个性能优化机会，它不是记个log就完事，而是自己创建了一个新的调查任务，然后放到kanban里，然后另一个Agent接手去研究，确认可行后又自己创建实现任务。整个工作流就这么自己长出了一个分支。 你给它一个PRD，它分析出5个组件，创建5个并行任务。其中一个Agent干完了发现bug，自己创建修复任务。另一个Agent发现可以优化，自己创建优化分支。工作流是实时生成的，而不是一开始就预测好的。 我有空也会测一下试试，看看它能不能真的从0到1自己把活干完。总之先增加到待测试列表。 项目地址：
1:29

啊？AI可以自己找活干了？ 给大家介绍一个炸裂的开源项目 Hephaestus - 这玩意儿让AI Agent自己规划工作，自己发现问题，自己创建任务！抽象到什么程度？它内嵌了个kanban....让AI自己拆解card自己做.... 传统的Agent框架都是你提前写死所有流程，遇到没预料到的情况就傻眼。Hephaestus 直接换了个思路：只定义三个阶段（分析-实现-验证），然后Agent自己看着办。 举例：测试Agent在跑测试时，发现了一个性能优化机会，它不是记个log就完事，而是自己创建了一个新的调查任务，然后放到kanban里，然后另一个Agent接手去研究，确认可行后又自己创建实现任务。整个工作流就这么自己长出了一个分支。 你给它一个PRD，它分析出5个组件，创建5个并行任务。其中一个Agent干完了发现bug，自己创建修复任务。另一个Agent发现可以优化，自己创建优化分支。工作流是实时生成的，而不是一开始就预测好的。 我有空也会测一下试试，看看它能不能真的从0到1自己把活干完。总之先增加到待测试列表。 项目地址：

karminski-牙医

41,586 次观看 • 10 个月前

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。
0:30

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 次观看 • 2 个月前

给大家带来 MiniMax-M3 实测! 本次测试包含了复杂前端, 后端 Agentic Coding, Agent 能力测试, 以及我的使用经验总结. 来看结论: 前端能力上, 可以完全适配 KCORES2026p2 的前端测试题目, 无论是空间理解, 建模精确度, 场景美学都十分在线, 其中我最满意的是美学部分, 它的颜色运用非常好. 不足的地方主要体现在复杂需求不能一次性写对(比如光追引擎), 需要迭代一下就可以了. 后端能力测试这次也是突飞猛进, 得分超过了 deepseek-v4-pro 和其他一众国产大模型, 略逊于 GPT-5.4-Pro(xhigh). Agent 能力上表现同样亮眼, 达成了榜单第二的接单量, 证明它的规划能力特别强。 下面是我在测试和实际使用中, 总结出来的 M3 使用经验, 供大家参考: 我的体感是 M3 特别喜欢推理, 它可以单次执行超长的推理. 在咱们的这些前端测试中, 它最长的输出甚至达到了我规定的 64k token上限, 所以, 不要上来就写一个超级复杂的 prompt 让它执行, 而是需要先把需求形成 plan, 然后让 agent 蜂群去执行, 这样才能得到理想的效果, 所以 M3 先天适合放在带 plan 模式的 Coding Agent 中使用. 如果把它嵌入到 Agent 框架中使用, 那么 prompt 编排就一定要做好, 不要一股脑把大量的 tool call 或者超大的 system prompt 丢给它. 还是需要下功夫好好编排一下的. 本次 M3 相比之前的 2.7 版本有了大幅度的提升, 模型偏好上来看, M3 是一个规划能力极强的模型, 所以特别适合用在一些规划性质的 Agent 框架中, 比如任务拆分, 日程管理, 流程设计等. 而本次暴露出来的不足则是执行过程中约束不够强, 比如 prompt 中设置的复杂规则, 一定要增加代码级别的 harness 闭环流程来进行约束, 而不能只靠模型本身来管理自己的行为. #minimaxm3 #minimax #agenticcoding #aiagent #harness
5:39

给大家带来 MiniMax-M3 实测! 本次测试包含了复杂前端, 后端 Agentic Coding, Agent 能力测试, 以及我的使用经验总结. 来看结论: 前端能力上, 可以完全适配 KCORES2026p2 的前端测试题目, 无论是空间理解, 建模精确度, 场景美学都十分在线, 其中我最满意的是美学部分, 它的颜色运用非常好. 不足的地方主要体现在复杂需求不能一次性写对(比如光追引擎), 需要迭代一下就可以了. 后端能力测试这次也是突飞猛进, 得分超过了 deepseek-v4-pro 和其他一众国产大模型, 略逊于 GPT-5.4-Pro(xhigh). Agent 能力上表现同样亮眼, 达成了榜单第二的接单量, 证明它的规划能力特别强。 下面是我在测试和实际使用中, 总结出来的 M3 使用经验, 供大家参考: 我的体感是 M3 特别喜欢推理, 它可以单次执行超长的推理. 在咱们的这些前端测试中, 它最长的输出甚至达到了我规定的 64k token上限, 所以, 不要上来就写一个超级复杂的 prompt 让它执行, 而是需要先把需求形成 plan, 然后让 agent 蜂群去执行, 这样才能得到理想的效果, 所以 M3 先天适合放在带 plan 模式的 Coding Agent 中使用. 如果把它嵌入到 Agent 框架中使用, 那么 prompt 编排就一定要做好, 不要一股脑把大量的 tool call 或者超大的 system prompt 丢给它. 还是需要下功夫好好编排一下的. 本次 M3 相比之前的 2.7 版本有了大幅度的提升, 模型偏好上来看, M3 是一个规划能力极强的模型, 所以特别适合用在一些规划性质的 Agent 框架中, 比如任务拆分, 日程管理, 流程设计等. 而本次暴露出来的不足则是执行过程中约束不够强, 比如 prompt 中设置的复杂规则, 一定要增加代码级别的 harness 闭环流程来进行约束, 而不能只靠模型本身来管理自己的行为. #minimaxm3 #minimax #agenticcoding #aiagent #harness

karminski-牙医

18,950 次观看 • 3 个月前

传统的 Deep Research 已经卷到头了。 能写出一份漂亮的总结报告 ≠ 能把真实的复杂任务干完。 我拿几十万字的《红楼梦》原著，给 Apodex 1.1 在线工作台，出了个极其变态的任务。 统计 20 个核心人物的 → 出场次数 → 出场回数 → 每个人第一次出场时的原句 最后还要整理成一张可以直接下载的完整表格。 整个完成任务的过程，像是直接「雇佣一个 AI 数据团队」。 上传文件后，它自己开始拆任务。 一个 Agent 负责解析原著，另一个独立分析，多个任务并行推进； 右侧 Task Board 会实时告诉你现在做到哪一步。 更有意思的是，任务跑到一半，我突然改需求： “只分析前 80 回，后面的不要了。” 以前遇到这种情况，AI 很可能重新来一遍。 Apodex 直接保留已经完成的成果，只重规划受影响的部分。 更关键的是，它不是做完就交卷。 交付前，又调起独立核验 Agent，把人物统计、出场回数和 900+ 条出场原句重新检查一遍。 最后交付给我的是： 可下载的结构化表格 + 完整分析结果 + 口径说明。 这可能才是下一代 Deep Research 真正值得关注的变化： 从“帮你生成一份报告”，变成“接管一项复杂任务，并把它做完”。 目前，Apodex 1.1 Web 端已经正式上线。 🎁 注册即送 credits，强烈建议立刻上传个复杂文件自己跑跑看： 🌐 没想到，更炸裂的是，Apodex 居然开源了 开源模型： Apodex 1.1 mini，35B，开放模型权重，支持本地部署。 开源框架： FrontierAgent，Agent 执行 Harness，支持 ReAct 单 Agent + Multi-Agent Team。 本地运行： 支持 macOS / Linux，无需强制依赖 Docker。 组合能力： Apodex 1.1 mini + FrontierAgent，可在本地运行完整 Agent 执行流程。 💻 如果你是开发者，这里有开源 Agent 框架，欢迎顺手点个 ⭐： 👉 🤗 想本地自己跑模型的看这里👇 #Apodex #DeepResearch
0:45

传统的 Deep Research 已经卷到头了。 能写出一份漂亮的总结报告 ≠ 能把真实的复杂任务干完。 我拿几十万字的《红楼梦》原著，给 Apodex 1.1 在线工作台，出了个极其变态的任务。 统计 20 个核心人物的 → 出场次数 → 出场回数 → 每个人第一次出场时的原句 最后还要整理成一张可以直接下载的完整表格。 整个完成任务的过程，像是直接「雇佣一个 AI 数据团队」。 上传文件后，它自己开始拆任务。 一个 Agent 负责解析原著，另一个独立分析，多个任务并行推进； 右侧 Task Board 会实时告诉你现在做到哪一步。 更有意思的是，任务跑到一半，我突然改需求： “只分析前 80 回，后面的不要了。” 以前遇到这种情况，AI 很可能重新来一遍。 Apodex 直接保留已经完成的成果，只重规划受影响的部分。 更关键的是，它不是做完就交卷。 交付前，又调起独立核验 Agent，把人物统计、出场回数和 900+ 条出场原句重新检查一遍。 最后交付给我的是： 可下载的结构化表格 + 完整分析结果 + 口径说明。 这可能才是下一代 Deep Research 真正值得关注的变化： 从“帮你生成一份报告”，变成“接管一项复杂任务，并把它做完”。 目前，Apodex 1.1 Web 端已经正式上线。 🎁 注册即送 credits，强烈建议立刻上传个复杂文件自己跑跑看： 🌐 没想到，更炸裂的是，Apodex 居然开源了 开源模型： Apodex 1.1 mini，35B，开放模型权重，支持本地部署。 开源框架： FrontierAgent，Agent 执行 Harness，支持 ReAct 单 Agent + Multi-Agent Team。 本地运行： 支持 macOS / Linux，无需强制依赖 Docker。 组合能力： Apodex 1.1 mini + FrontierAgent，可在本地运行完整 Agent 执行流程。 💻 如果你是开发者，这里有开源 Agent 框架，欢迎顺手点个 ⭐： 👉 🤗 想本地自己跑模型的看这里👇 #Apodex #DeepResearch

前端哥Liam

104,436 次观看 • 25 天前

🚀 发现一个能让 Claude 变得更好用的开源神器 只有一个65行的 Markdown 文件,GitHub 上已经冲到了 13万+ Star 灵感来自 Karpathy 说模型喜欢在不确定的时候瞎猜、把代码写得过度复杂、还会悄悄改掉不该碰的东西。 这个项目把给AI 编程总结了4条铁律： 1、想清楚再动手，不懂就问，绝不瞎猜 2、用最少的代码解决问题 3、精准修改，需求之外的代码一行不动 4、先写测试用例，跑通再说 这几条约束下来，Claude 写代码更稳，还能省 token
0:20

🚀 发现一个能让 Claude 变得更好用的开源神器 只有一个65行的 Markdown 文件,GitHub 上已经冲到了 13万+ Star 灵感来自 Karpathy 说模型喜欢在不确定的时候瞎猜、把代码写得过度复杂、还会悄悄改掉不该碰的东西。 这个项目把给AI 编程总结了4条铁律： 1、想清楚再动手，不懂就问，绝不瞎猜 2、用最少的代码解决问题 3、精准修改，需求之外的代码一行不动 4、先写测试用例，跑通再说 这几条约束下来，Claude 写代码更稳，还能省 token

阿西_出海

42,846 次观看 • 4 个月前

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

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

axiaisacat

44,334 次观看 • 6 个月前

Claude Code 的创造者 Boris 讲了一个很关键的转变： “我现在不再给 Claude 写 prompts。 我写 loops 然后让 loops 去完成工作 我的工作，就是写 loops。” 这其实也是很多人用 Claude Code 卡住的地方 他们还在把它当聊天工具用： 输入一个需求 等一次回答 然后手动继续改 但 Boris 在 30 分钟里展示的是他真实的 daily setup： Claude Code loops dynamic workflow 核心不是让 Claude 一次性给出完美答案 而是把任务拆进一个可以反复执行、检查、修正的循环里 模型不只是回答你 它会在 workflow 里持续推进任务 这类内容，可能比很多 $500 的 vibe-coding 课程更有价值 因为它讲的不是“怎么写一句更好的 prompt” 而是怎么把 Claude Code 变成一个能持续工作的系统 AI coding 的关键，是 prompt 写得更漂亮，还是你能不能设计出让模型自己推进的 loop？
29:51

Claude Code 的创造者 Boris 讲了一个很关键的转变： “我现在不再给 Claude 写 prompts。 我写 loops 然后让 loops 去完成工作 我的工作，就是写 loops。” 这其实也是很多人用 Claude Code 卡住的地方 他们还在把它当聊天工具用： 输入一个需求 等一次回答 然后手动继续改 但 Boris 在 30 分钟里展示的是他真实的 daily setup： Claude Code loops dynamic workflow 核心不是让 Claude 一次性给出完美答案 而是把任务拆进一个可以反复执行、检查、修正的循环里 模型不只是回答你 它会在 workflow 里持续推进任务 这类内容，可能比很多 $500 的 vibe-coding 课程更有价值 因为它讲的不是“怎么写一句更好的 prompt” 而是怎么把 Claude Code 变成一个能持续工作的系统 AI coding 的关键，是 prompt 写得更漂亮，还是你能不能设计出让模型自己推进的 loop？

0x_Miko

188,516 次观看 • 3 个月前

拿到Cursor赠送的$10000额度之后，我专门研究下这家公司， 看到Cursor CEO这个演讲，我突然意识到， 我们对AI编程的理解，从根上就错了， 当大多数人还在纠结哪个模型写代码更快更准的时候， Cursor已经直接进入了下一个时代， 工程师不再是写代码的人， 而是管理一整队AI同事的团队经理， 现在Cursor内部30%的合并PR， 都是由异步云代理自动创建的， 单周运行两千多个并发代理，生成三百万行代码， 消耗几十亿个token， 一个任务发出去， 系统会自动拆成规划，编码，测试，发PR四个角色， 每个代理独占一台远程机器，并行在云端运行， 人类只需要在最开始定义范围， 和最后做一次最终审核， 中间所有的脏活累活，AI全部自己搞定， 这就是多代理比单代理强的根本原因，
9:37

拿到Cursor赠送的$10000额度之后，我专门研究下这家公司， 看到Cursor CEO这个演讲，我突然意识到， 我们对AI编程的理解，从根上就错了， 当大多数人还在纠结哪个模型写代码更快更准的时候， Cursor已经直接进入了下一个时代， 工程师不再是写代码的人， 而是管理一整队AI同事的团队经理， 现在Cursor内部30%的合并PR， 都是由异步云代理自动创建的， 单周运行两千多个并发代理，生成三百万行代码， 消耗几十亿个token， 一个任务发出去， 系统会自动拆成规划，编码，测试，发PR四个角色， 每个代理独占一台远程机器，并行在云端运行， 人类只需要在最开始定义范围， 和最后做一次最终审核， 中间所有的脏活累活，AI全部自己搞定， 这就是多代理比单代理强的根本原因，

AYi

21,453 次观看 • 4 个月前

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。
0:41

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 次观看 • 1 个月前