Загрузка видео...

Не удалось загрузить видео

На главную

疯了，这个 GitHub 项目让 AI 自己创业。 最近看到一个很有意思的开源项目： Paperclip 一句话总结： 用一群 AI Agent，自动经营一家公司。 你只需要给一个目标，比如： 做一个 AI 产品，做到 $1M MRR 系统会自动开始： 1. 搭建 AI 公司结构 CEO CTO 工程师 设计师 市场 全部由 AI Agent 扮演。 2. 自动拆解任务 产品规划 写代码 做设计 市场推广 AI 会自己分配任务、协作完成。 3. 多 Agent 团队协作 不同 AI 角色之间会互相沟通、执行任务、推进项目。 4. 你只负责一件事 当老板。...

IndieDevHailey's profile picture

开发者Hailey

21,870 subscribers

23,447 просмотров • 6 месяцев назад •via X (Twitter)

LIVE

Anya Rossi• Live Now

Private livecam show

Комментарии: 0

Нет доступных комментариев

Здесь появятся комментарии из оригинального поста

Похожие видео

AI 最猛的一步，不是替你工作。 而是开始自己赚钱了。 刚看到一个开源项目 CashClaw，有点离谱。 它不是普通 AI 助手， 而是一个会自己找任务、自己报价、自己干活、自己交付、自己收款的 Agent。 你只要装上它、接好 LLM， 它就能自己评估任务、提交结果， 甚至把整套流程跑完。 更关键的是， 它不是做完就结束， 而是会从每一次任务和反馈里继续学习， 把经验变成下一次任务的能力。 这意味着一件事： 我们可能正在从“AI 提高效率”的阶段， 走向“AI 直接成为生产者”的阶段。 以前你雇人接单。 以后你可能是部署一个 Agent 去接单。 以前 AI 是工具。 现在 AI 开始像个微型公司。 一句话总结： AI 的下一场竞争， 不是谁更聪明， 而是谁先拥有能自己变现的 Agent。 更狠的是，CashClaw 还是开源的。 你甚至可以 fork 之后接到自己的客户和业务上， 把它变成你自己的赚钱系统。 如果这条路跑通， 很多人会第一次真正意识到： AI 不是在辅助工作， AI 是在进入劳动力市场。 你觉得下一波先被重构的， 会是自由职业、外包团队，还是 SaaS？
0:28

AI 最猛的一步，不是替你工作。 而是开始自己赚钱了。 刚看到一个开源项目 CashClaw，有点离谱。 它不是普通 AI 助手， 而是一个会自己找任务、自己报价、自己干活、自己交付、自己收款的 Agent。 你只要装上它、接好 LLM， 它就能自己评估任务、提交结果， 甚至把整套流程跑完。 更关键的是， 它不是做完就结束， 而是会从每一次任务和反馈里继续学习， 把经验变成下一次任务的能力。 这意味着一件事： 我们可能正在从“AI 提高效率”的阶段， 走向“AI 直接成为生产者”的阶段。 以前你雇人接单。 以后你可能是部署一个 Agent 去接单。 以前 AI 是工具。 现在 AI 开始像个微型公司。 一句话总结： AI 的下一场竞争， 不是谁更聪明， 而是谁先拥有能自己变现的 Agent。 更狠的是，CashClaw 还是开源的。 你甚至可以 fork 之后接到自己的客户和业务上， 把它变成你自己的赚钱系统。 如果这条路跑通， 很多人会第一次真正意识到： AI 不是在辅助工作， AI 是在进入劳动力市场。 你觉得下一波先被重构的， 会是自由职业、外包团队，还是 SaaS？

axiaisacat

29,514 просмотров • 6 месяцев назад

字节开源了一个 AI 团队大脑：DeerFlow 2.0 刚发就冲上 GitHub Trending 第一，43k ⭐。 它是一个开源的超级代理框架，它让 AI 不再是工具，而是一个能干活的团队。 你只需要一句话： “帮我研究 AI 行业趋势，并做一份 PPT” 它会自动完成： 拆任务 → 分配 Agent → 并行执行 → 汇总交付不是建议，是直接把结果做出来。 更关键的是： 它通过 Agent 协同 + 内存 + 沙箱执行 + 可扩展技能 可以完成几乎任何事情 核心能力就三点： - 多 Agent 协作：一个 AI = 一个团队 - 技能驱动（可扩展）：报告、PPT、网站、视频都能做 - 完整工作流执行：从任务到交付，一步到位 DeerFlow 2.0 不是提升效率，是把几乎所有工作流程交给 AI。
0:35

字节开源了一个 AI 团队大脑：DeerFlow 2.0 刚发就冲上 GitHub Trending 第一，43k ⭐。 它是一个开源的超级代理框架，它让 AI 不再是工具，而是一个能干活的团队。 你只需要一句话： “帮我研究 AI 行业趋势，并做一份 PPT” 它会自动完成： 拆任务 → 分配 Agent → 并行执行 → 汇总交付不是建议，是直接把结果做出来。 更关键的是： 它通过 Agent 协同 + 内存 + 沙箱执行 + 可扩展技能 可以完成几乎任何事情 核心能力就三点： - 多 Agent 协作：一个 AI = 一个团队 - 技能驱动（可扩展）：报告、PPT、网站、视频都能做 - 完整工作流执行：从任务到交付，一步到位 DeerFlow 2.0 不是提升效率，是把几乎所有工作流程交给 AI。

开发者Hailey

62,129 просмотров • 6 месяцев назад

和AI Agent一起工作是一种什么样的体验？ 扣子空间详细体验评测 （下面有邀请码）🧵↓ 字节跳动发布新一代 AI Agent 平台：扣子空间，Slogan为：在扣子空间，和 Agent 一起开始你的工作。 也就是你可以像和真人协作一样，和AI一起完成特定任务。 通过自然语言交流直接交付结果🫡 例如这个↓ 这个测试是模拟你通过AI来简化你的工作或者提高你的工作效率或者成果，例如假如你是一个幼儿园老师就可以通过AI生成一个交互式的英语学习应用。 提高孩子们学习英语的乐趣。它支持调用MCP，这个测试调用了两个MCP，一个是图像生成一个是语音生成。 扣子空间，它可以是： ✅「通用实习生」：可以处理各种基础任务，比如整理资料、写文案、查数据等。 ✅「领域专家」：针对具体行业或专业的问题（如法律、医学、设计等）有深入理解，能给出专业建议或完成复杂任务。 你可以根据自己的需要选择不同AI来协助你完成任务。它不只是回答问题，AI还能主动帮你做事：比如生成报告、整理数据、写代码、规划日程等。 支持两种工作方式： 自动模式：AI自动帮你完成任务。 协作模式：你可以一步步与AI互动，逐步推进任务，更适合复杂工作。
1:01

和AI Agent一起工作是一种什么样的体验？ 扣子空间详细体验评测 （下面有邀请码）🧵↓ 字节跳动发布新一代 AI Agent 平台：扣子空间，Slogan为：在扣子空间，和 Agent 一起开始你的工作。 也就是你可以像和真人协作一样，和AI一起完成特定任务。 通过自然语言交流直接交付结果🫡 例如这个↓ 这个测试是模拟你通过AI来简化你的工作或者提高你的工作效率或者成果，例如假如你是一个幼儿园老师就可以通过AI生成一个交互式的英语学习应用。 提高孩子们学习英语的乐趣。它支持调用MCP，这个测试调用了两个MCP，一个是图像生成一个是语音生成。 扣子空间，它可以是： ✅「通用实习生」：可以处理各种基础任务，比如整理资料、写文案、查数据等。 ✅「领域专家」：针对具体行业或专业的问题（如法律、医学、设计等）有深入理解，能给出专业建议或完成复杂任务。 你可以根据自己的需要选择不同AI来协助你完成任务。它不只是回答问题，AI还能主动帮你做事：比如生成报告、整理数据、写代码、规划日程等。 支持两种工作方式： 自动模式：AI自动帮你完成任务。 协作模式：你可以一步步与AI互动，逐步推进任务，更适合复杂工作。

小互

27,254 просмотров • 1 год назад

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 просмотров • 11 месяцев назад

一个人做游戏，真的开始像带团队了。 Claude-Code-Game-Studios 这个项目很猛。 它不是单纯给你一个更会写代码的 Claude， 而是想把一整个游戏工作室塞进 Claude Code 里。 README 里直接给了： 48 个 AI agents 37 个 workflows 还有完整的 studio hierarchy、slash commands、hooks、rules 和 templates。 也就是说，你不是在和一个 AI 助手聊天， 而是在调度一支虚拟游戏团队。 从创意总监、技术总监、制作人， 到玩法程序、关卡设计、叙事、音频、QA、发行， 整套分工都已经拆好了。 甚至连 Godot、Unity、Unreal 三套引擎专家也都配上了。 我觉得这类项目真正有意思的地方，不是“Agent 数量很多”， 而是它开始把 AI Coding 从单兵作战，推进到“组织协作”这一步。 游戏开发本来就是最典型的多角色协同场景之一， 所以这种玩法特别值得看。 项目现在 GitHub 也已经有 3.3k Stars、440 Forks。 如果你在关注 AI 游戏开发、多 Agent workflow， 或者一人游戏工作室这个方向，值得研究一下👇
0:27

一个人做游戏，真的开始像带团队了。 Claude-Code-Game-Studios 这个项目很猛。 它不是单纯给你一个更会写代码的 Claude， 而是想把一整个游戏工作室塞进 Claude Code 里。 README 里直接给了： 48 个 AI agents 37 个 workflows 还有完整的 studio hierarchy、slash commands、hooks、rules 和 templates。 也就是说，你不是在和一个 AI 助手聊天， 而是在调度一支虚拟游戏团队。 从创意总监、技术总监、制作人， 到玩法程序、关卡设计、叙事、音频、QA、发行， 整套分工都已经拆好了。 甚至连 Godot、Unity、Unreal 三套引擎专家也都配上了。 我觉得这类项目真正有意思的地方，不是“Agent 数量很多”， 而是它开始把 AI Coding 从单兵作战，推进到“组织协作”这一步。 游戏开发本来就是最典型的多角色协同场景之一， 所以这种玩法特别值得看。 项目现在 GitHub 也已经有 3.3k Stars、440 Forks。 如果你在关注 AI 游戏开发、多 Agent workflow， 或者一人游戏工作室这个方向，值得研究一下👇

axiaisacat

67,870 просмотров • 6 месяцев назад

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

140,708 просмотров • 6 месяцев назад

Cursor 写代码已经 out 了，现在 Cursor 可以帮你玩 Minecraft ！ 来看这个叫 Steve 的项目，它把 Cursor 的 AI 助手模式搬到了 Minecraft 里。不是让 AI 帮你写游戏代码，而是直接让 AI 化身成游戏角色，在你的世界里干活。 按 K 键打开面板，输入你想做的事，AI agent 就会理解并执行。说"挖点铁矿"，它会自己判断铁矿深度、找到矿脉、开始挖掘。说"建个房子"，它会规划材料、设计结构、一块一块搭建。 更有意思的是多 agent 协作。让三个 Steve 一起建城堡，它们会自动分工、划分区域、并行施工，不会互相冲突。这不是写死的脚本，而是通过自然语言指令实时规划的： 官方介绍的技术实现, 每个 Steve 运行一个 agent 循环： 1. 把指令发给 LLM（支持 OpenAI/Groq/Gemini） 2. LLM 将请求分解为结构化代码 3. 使用 Minecraft 游戏机制执行 4. 失败了就让 LLM 重新规划 多 agent 协调是服务端管理的，会自动分配任务、防止冲突、动态平衡工作负载。在我看来这个项目最大的用途其实是学习一下是怎么让 agent 操作游戏的. 可以举一反三能学到不少东西. 项目地址：
0:28

Cursor 写代码已经 out 了，现在 Cursor 可以帮你玩 Minecraft ！ 来看这个叫 Steve 的项目，它把 Cursor 的 AI 助手模式搬到了 Minecraft 里。不是让 AI 帮你写游戏代码，而是直接让 AI 化身成游戏角色，在你的世界里干活。 按 K 键打开面板，输入你想做的事，AI agent 就会理解并执行。说"挖点铁矿"，它会自己判断铁矿深度、找到矿脉、开始挖掘。说"建个房子"，它会规划材料、设计结构、一块一块搭建。 更有意思的是多 agent 协作。让三个 Steve 一起建城堡，它们会自动分工、划分区域、并行施工，不会互相冲突。这不是写死的脚本，而是通过自然语言指令实时规划的： 官方介绍的技术实现, 每个 Steve 运行一个 agent 循环： 1. 把指令发给 LLM（支持 OpenAI/Groq/Gemini） 2. LLM 将请求分解为结构化代码 3. 使用 Minecraft 游戏机制执行 4. 失败了就让 LLM 重新规划 多 agent 协调是服务端管理的，会自动分配任务、防止冲突、动态平衡工作负载。在我看来这个项目最大的用途其实是学习一下是怎么让 agent 操作游戏的. 可以举一反三能学到不少东西. 项目地址：

karminski-牙医

28,211 просмотров • 10 месяцев назад

GitHub 看不下去了，亲自下场给 AI 编程立规矩！🔥 Spec Kit，GitHub 出品，短短几天已经 109k+ Star。 如果你经常用 Claude Code、Cursor 或 Copilot 写项目，大概率遇到过这种情况： 第一版看着挺对。 第二版开始偏。 改了十几轮后发现，AI 理解的根本不是你想做的东西。 Spec Kit 想解决的就是这个问题。 先把需求定义清楚。 再让 AI 干活。 需求 → 计划 → 任务 → 代码。 整个过程都有据可依，而不是一路靠 Prompt 猜。 核心亮点： - 一句话需求自动生成 Spec，验收标准、边界条件一起补全。 - Spec 自动转开发计划，任务拆分、技术方案、测试清单直接生成。 - Claude Code、Copilot、Gemini、Codex 等 30+ AI Coding Agent 全兼容。 - 支持 Preset 和 Extension，团队规范、行业模板直接复用。 - 新项目、功能迭代、遗留系统改造，一套流程全覆盖。 我最喜欢的一点是： 它不是教 AI 写更多代码。 而是尽量避免 AI 从第一步就写错代码。 如果你已经开始用 AI 做开发，这个项目值得放进收藏夹。
0:31

GitHub 看不下去了，亲自下场给 AI 编程立规矩！🔥 Spec Kit，GitHub 出品，短短几天已经 109k+ Star。 如果你经常用 Claude Code、Cursor 或 Copilot 写项目，大概率遇到过这种情况： 第一版看着挺对。 第二版开始偏。 改了十几轮后发现，AI 理解的根本不是你想做的东西。 Spec Kit 想解决的就是这个问题。 先把需求定义清楚。 再让 AI 干活。 需求 → 计划 → 任务 → 代码。 整个过程都有据可依，而不是一路靠 Prompt 猜。 核心亮点： - 一句话需求自动生成 Spec，验收标准、边界条件一起补全。 - Spec 自动转开发计划，任务拆分、技术方案、测试清单直接生成。 - Claude Code、Copilot、Gemini、Codex 等 30+ AI Coding Agent 全兼容。 - 支持 Preset 和 Extension，团队规范、行业模板直接复用。 - 新项目、功能迭代、遗留系统改造，一套流程全覆盖。 我最喜欢的一点是： 它不是教 AI 写更多代码。 而是尽量避免 AI 从第一步就写错代码。 如果你已经开始用 AI 做开发，这个项目值得放进收藏夹。

开发者Hailey

22,153 просмотров • 3 месяцев назад

AI 会取代哪些工作？ 我的工作里，哪些任务正在被 AI 接管？ AI 通常不是一次替代整个职业 而是先替代其中最标准化的部分 最容易被 AI 自动化的任务，通常有几个特点： 数字化、重复、规则明确、结果容易检查 所以普通人真正要做的，不是和 AI 比谁干活快，而是： 1️⃣ 拆工作 分清哪些能交给 AI，哪些需要检查，哪些必须自己判断 2️⃣ 学会管理 AI 不只是会提问，还要会定目标、给背景、设标准、验收结果 3️⃣ 提升难替代的能力 判断、沟通、协调、理解需求，以及对最终结果负责。 未来更有价值的，不一定是“最会干活的人” 而是会发现问题、会使用 AI、还能对结果负责的人 所以别问：“AI 会不会取代我？” 更应该问自己：“如果 AI 帮我做掉一半重复工作，我能不能用省下来的时间，做更有价值的事？” AI 最先淘汰的，不是某个职业 而是一个职业里，长期没有升级的工作方式
1:13

AI 会取代哪些工作？ 我的工作里，哪些任务正在被 AI 接管？ AI 通常不是一次替代整个职业 而是先替代其中最标准化的部分 最容易被 AI 自动化的任务，通常有几个特点： 数字化、重复、规则明确、结果容易检查 所以普通人真正要做的，不是和 AI 比谁干活快，而是： 1️⃣ 拆工作 分清哪些能交给 AI，哪些需要检查，哪些必须自己判断 2️⃣ 学会管理 AI 不只是会提问，还要会定目标、给背景、设标准、验收结果 3️⃣ 提升难替代的能力 判断、沟通、协调、理解需求，以及对最终结果负责。 未来更有价值的，不一定是“最会干活的人” 而是会发现问题、会使用 AI、还能对结果负责的人 所以别问：“AI 会不会取代我？” 更应该问自己：“如果 AI 帮我做掉一半重复工作，我能不能用省下来的时间，做更有价值的事？” AI 最先淘汰的，不是某个职业 而是一个职业里，长期没有升级的工作方式

Nana

20,378 просмотров • 1 месяц назад

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。
0:49

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 просмотров • 5 месяцев назад

推荐一个最近爆火的 AI 团队组建神器。 项目叫 Agency Agents，在 GitHub 上已经收获 35K+ Star。 它把 ClaudeCode 一键变成 51 位 AI 专家 + 9 大部门的完整团队，从产品、开发、设计到营销、社媒、QA，全流程覆盖。装上它，你基本可以让 AI 帮你干掉一整家公司的工作量。 核心能力非常硬核： - 前端/后端工程师：自动生成原型代码 - 内容创作团队：自动产出社媒内容、文章、文案 - 设计师：UI/UX 方案、品牌视觉创意 - 增长黑客：社媒策略、增长计划 - QA & 测试：上线前性能和质量检查 同时还涵盖管理、分析、财务、法律合规等部门，让 AI 真正像团队一样运转。 而且每个 AI 代理都有 人格设定 + 工作流程 + 可交付成果，开源、可定制、随时集成到你的工作流。 这个项目几乎把一整家 AI 公司搬到你面前，全套团队一键启动。
0:49

推荐一个最近爆火的 AI 团队组建神器。 项目叫 Agency Agents，在 GitHub 上已经收获 35K+ Star。 它把 ClaudeCode 一键变成 51 位 AI 专家 + 9 大部门的完整团队，从产品、开发、设计到营销、社媒、QA，全流程覆盖。装上它，你基本可以让 AI 帮你干掉一整家公司的工作量。 核心能力非常硬核： - 前端/后端工程师：自动生成原型代码 - 内容创作团队：自动产出社媒内容、文章、文案 - 设计师：UI/UX 方案、品牌视觉创意 - 增长黑客：社媒策略、增长计划 - QA & 测试：上线前性能和质量检查 同时还涵盖管理、分析、财务、法律合规等部门，让 AI 真正像团队一样运转。 而且每个 AI 代理都有 人格设定 + 工作流程 + 可交付成果，开源、可定制、随时集成到你的工作流。 这个项目几乎把一整家 AI 公司搬到你面前，全套团队一键启动。

开发者Hailey

86,406 просмотров • 6 месяцев назад

GitHub 神级项目，65k ⭐️ 爆款！—— MetaGPT，直接把写代码变成开公司的玩法。 一句话，让 AI 组建全套开发团队。 一句话需求： “开发一个 CLI 黑杰克游戏” 它会自动生成： - 用户故事 & 产品需求文档(PRD) - 竞争分析 - 系统架构设计 - 数据结构 & API接口 - 可执行代码 & 测试用例 核心亮点： 角色分工明确：产品经理、架构师、项目经理、工程师……AI 按标准化流程(SOP)协作 效率惊人：传统团队几天工作，AI 分分钟搞定 技术支撑：Python 3.9+，支持 conda/pip 快速部署 理念颠覆：代码 = SOP，让 AI 按公司流程打工 本质： 用自然语言输入，替代整个软件开发流程。 一个人 = 一家公司 被 ProductHunt 评为周最佳产品，多个独立应用已成功上线。
0:23

GitHub 神级项目，65k ⭐️ 爆款！—— MetaGPT，直接把写代码变成开公司的玩法。 一句话，让 AI 组建全套开发团队。 一句话需求： “开发一个 CLI 黑杰克游戏” 它会自动生成： - 用户故事 & 产品需求文档(PRD) - 竞争分析 - 系统架构设计 - 数据结构 & API接口 - 可执行代码 & 测试用例 核心亮点： 角色分工明确：产品经理、架构师、项目经理、工程师……AI 按标准化流程(SOP)协作 效率惊人：传统团队几天工作，AI 分分钟搞定 技术支撑：Python 3.9+，支持 conda/pip 快速部署 理念颠覆：代码 = SOP，让 AI 按公司流程打工 本质： 用自然语言输入，替代整个软件开发流程。 一个人 = 一家公司 被 ProductHunt 评为周最佳产品，多个独立应用已成功上线。

开发者Hailey

33,097 просмотров • 6 месяцев назад

AI Agent 最大的瓶颈，可能根本不是模型。 而是你的公司数据散落在：Slack + Notion + Gmail + Linear + HubSpot…… 这个 2.6K ⭐️ 的开源项目 Macro，想把它们直接干掉。 Email、Chat、Docs、Tasks、CRM、Calls、AI Agents 全部放进一个 Workspace。 更关键的是：所有东西互相 linked，AI 共享整个团队的 Memory。 Claude Code / Codex 还能直接通过 MCP 接进来，读上下文、建任务、处理邮件、操作整个 Workspace。 以前 AI 只是你公司的一个 Chatbot。 现在有人开始把整家公司变成一个 AI 可以理解和操作的系统。 这可能才是 Agent 真正进入企业的方式。
1:26

AI Agent 最大的瓶颈，可能根本不是模型。 而是你的公司数据散落在：Slack + Notion + Gmail + Linear + HubSpot…… 这个 2.6K ⭐️ 的开源项目 Macro，想把它们直接干掉。 Email、Chat、Docs、Tasks、CRM、Calls、AI Agents 全部放进一个 Workspace。 更关键的是：所有东西互相 linked，AI 共享整个团队的 Memory。 Claude Code / Codex 还能直接通过 MCP 接进来，读上下文、建任务、处理邮件、操作整个 Workspace。 以前 AI 只是你公司的一个 Chatbot。 现在有人开始把整家公司变成一个 AI 可以理解和操作的系统。 这可能才是 Agent 真正进入企业的方式。

老韭菜南亥

33,042 просмотров • 1 месяц назад

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 просмотров • 6 месяцев назад

Claude code 发布 多任务统一窗口管理工具：Agent View 以前你同时跑多个 Claude Code 任务，要开一堆终端窗口、标签页，分不清哪个任务在等你确认、哪个还在跑、哪个已经做完。 现在 Agent View 把会话集中到一个界面里管理。 你可以一眼看到所有Agent 的状态， 谁在工作，谁等你输入，谁已经结束。 它现在很像： AI 多任务调度中心 你可以： • 同时看到所有 Claude Code 窗口状态 • 任意切换到某个 Agent 对话 • 某个 Agent 卡住时立刻处理 • 某个 Agent 完成时立刻接管 • 不需要再回原 terminal 这个思路其实已经很接近： “AI IDE 的任务栏”
0:38

Claude code 发布 多任务统一窗口管理工具：Agent View 以前你同时跑多个 Claude Code 任务，要开一堆终端窗口、标签页，分不清哪个任务在等你确认、哪个还在跑、哪个已经做完。 现在 Agent View 把会话集中到一个界面里管理。 你可以一眼看到所有Agent 的状态， 谁在工作，谁等你输入，谁已经结束。 它现在很像： AI 多任务调度中心 你可以： • 同时看到所有 Claude Code 窗口状态 • 任意切换到某个 Agent 对话 • 某个 Agent 卡住时立刻处理 • 某个 Agent 完成时立刻接管 • 不需要再回原 terminal 这个思路其实已经很接近： “AI IDE 的任务栏”

小互

34,394 просмотров • 4 месяцев назад

这个开源项目PenguinHarness，有点牛逼！ 一句话让AI自己写Agent，成本直接干到Claude Code的1/70，还自进化越用越强。 桌面端一键下，全透明开源，真AI建AI。 这不比手搓LangChain香多了？
0:24

这个开源项目PenguinHarness，有点牛逼！ 一句话让AI自己写Agent，成本直接干到Claude Code的1/70，还自进化越用越强。 桌面端一键下，全透明开源，真AI建AI。 这不比手搓LangChain香多了？

开发者Hailey

17,659 просмотров • 1 месяц назад

字节跳动开源 AI 超级员工 近 8 万 GitHub Stars，能研究、写代码、做网页、生成 PPT，还会自己组建 AI 团队，DeerFlow 2.0 部署教程。 字节跳动开源了一个真正能“干活”的 AI：DeerFlow 2.0 🦌 它不只是陪你聊天。给它一个目标，它会：拆解任务 → 调用工具 → 分配子智能体 → 执行代码 → 检查结果 → 交付文件 GitHub 已接近 8 万 Stars，下面教你 5 分钟部署👇 DeerFlow 可以理解成：一个运行在自己电脑上的 AI 工作团队。 普通 AI：你问一句，它回答一句。 DeerFlow：你提出目标，它可以连续工作几十分钟甚至数小时，最后交付： • 调研报告 • 网页 • PPT • 数据分析 • 图片和视频 • 可运行的代码 它最强的地方，是给 AI 配齐了“工作环境”： • Sub-agents：多个 AI 分工协作 • Sandbox：隔离执行代码和命令 • Memory：记住你的偏好和工作方式 • Skills：安装或编写专属工作流 • MCP：连接外部工具 • Scheduler：定时自动执行任务 不只是模型，而是一套 Agent 操作系统。 部署前准备： • Git • Docker Desktop • 一个可用的大模型配置 • 至少 4 核 CPU、8GB 内存 • 推荐 8 核 CPU、16GB 内存 先下载项目： git clone cd deer-flow 教程基于 DeerFlow 2.0 主分支，运行官方配置向导：make setup。 它会引导你配置： • 使用哪个大模型 • API Key 或模型认证 • 是否启用联网搜索 • 是否允许 Bash • 文件写入权限 • 沙箱运行模式 配置完成后，检查环境：make doctor 推荐使用 Docker 启动： make docker-init make docker-start 第一次运行需要拉取并构建镜像。 启动成功后打开： 到这里，你已经拥有一个本地 AI Agent 工作台。 第一个实战：自动生成行业研究报告。 直接复制这段提示词： 研究 2026 年全球 AI Agent 市场。 将任务拆分给多个子智能体，分别分析： 1. 主要公司和开源项目 2. 商业模式 3. 市场规模与增长趋势 4. 潜在机会 5. 主要风险 最终生成一份结构清晰、带来源链接的中文研究报告。 第二个实战：一键制作内容网站。 研究最近一周最值得关注的 10 个开源 AI 项目。 总结每个项目的用途、核心亮点、适用人群和使用门槛。 完成研究后，创建一个现代、响应式的中文导航网站，并将网页文件保存到输出目录。 它不只是告诉你怎么做。 它会直接交付网页文件。 另外几个非常适合 DeerFlow 的任务： ① 阅读整个 GitHub 仓库并输出重构方案 ② 分析 CSV，生成图表和商业报告 ③ 根据资料制作 PPT ④ 自动收集竞品更新 ⑤ 把固定流程封装成自定义 Skill ⑥ 通过飞书、Slack、Telegram 或微信提交任务 真正的价值，是把重复工作变成自动流程。 最后提醒： DeerFlow 可以执行系统命令、访问资源和读写文件，权限非常高。不要在没有认证和网络隔离的情况下直接暴露到公网。 建议： • 优先使用 Docker 沙箱 • 默认只在本机运行 • API Key 保存在 .env • 重要文件提前备份 • 高风险操作保留人工确认 收藏起来，周末给自己部署一支 AI 团队。 项目地址：
1:26

字节跳动开源 AI 超级员工 近 8 万 GitHub Stars，能研究、写代码、做网页、生成 PPT，还会自己组建 AI 团队，DeerFlow 2.0 部署教程。 字节跳动开源了一个真正能“干活”的 AI：DeerFlow 2.0 🦌 它不只是陪你聊天。给它一个目标，它会：拆解任务 → 调用工具 → 分配子智能体 → 执行代码 → 检查结果 → 交付文件 GitHub 已接近 8 万 Stars，下面教你 5 分钟部署👇 DeerFlow 可以理解成：一个运行在自己电脑上的 AI 工作团队。 普通 AI：你问一句，它回答一句。 DeerFlow：你提出目标，它可以连续工作几十分钟甚至数小时，最后交付： • 调研报告 • 网页 • PPT • 数据分析 • 图片和视频 • 可运行的代码 它最强的地方，是给 AI 配齐了“工作环境”： • Sub-agents：多个 AI 分工协作 • Sandbox：隔离执行代码和命令 • Memory：记住你的偏好和工作方式 • Skills：安装或编写专属工作流 • MCP：连接外部工具 • Scheduler：定时自动执行任务 不只是模型，而是一套 Agent 操作系统。 部署前准备： • Git • Docker Desktop • 一个可用的大模型配置 • 至少 4 核 CPU、8GB 内存 • 推荐 8 核 CPU、16GB 内存 先下载项目： git clone cd deer-flow 教程基于 DeerFlow 2.0 主分支，运行官方配置向导：make setup。 它会引导你配置： • 使用哪个大模型 • API Key 或模型认证 • 是否启用联网搜索 • 是否允许 Bash • 文件写入权限 • 沙箱运行模式 配置完成后，检查环境：make doctor 推荐使用 Docker 启动： make docker-init make docker-start 第一次运行需要拉取并构建镜像。 启动成功后打开： 到这里，你已经拥有一个本地 AI Agent 工作台。 第一个实战：自动生成行业研究报告。 直接复制这段提示词： 研究 2026 年全球 AI Agent 市场。 将任务拆分给多个子智能体，分别分析： 1. 主要公司和开源项目 2. 商业模式 3. 市场规模与增长趋势 4. 潜在机会 5. 主要风险 最终生成一份结构清晰、带来源链接的中文研究报告。 第二个实战：一键制作内容网站。 研究最近一周最值得关注的 10 个开源 AI 项目。 总结每个项目的用途、核心亮点、适用人群和使用门槛。 完成研究后，创建一个现代、响应式的中文导航网站，并将网页文件保存到输出目录。 它不只是告诉你怎么做。 它会直接交付网页文件。 另外几个非常适合 DeerFlow 的任务： ① 阅读整个 GitHub 仓库并输出重构方案 ② 分析 CSV，生成图表和商业报告 ③ 根据资料制作 PPT ④ 自动收集竞品更新 ⑤ 把固定流程封装成自定义 Skill ⑥ 通过飞书、Slack、Telegram 或微信提交任务 真正的价值，是把重复工作变成自动流程。 最后提醒： DeerFlow 可以执行系统命令、访问资源和读写文件，权限非常高。不要在没有认证和网络隔离的情况下直接暴露到公网。 建议： • 优先使用 Docker 沙箱 • 默认只在本机运行 • API Key 保存在 .env • 重要文件提前备份 • 高风险操作保留人工确认 收藏起来，周末给自己部署一支 AI 团队。 项目地址：

老韭菜南亥

32,519 просмотров • 1 месяц назад

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。
14:10

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

134,382 просмотров • 6 месяцев назад

一位中国教授最近公开了他的开发团队配置。 不是人类员工，而是 170 个 AI Agent。 这些 Agent 负责处理公司的各项决策和开发任务。 不用睡觉，不需要涨薪，170 个智能体并行工作。 看视频里的网络结构，应该是这些 Agent 之间的协作和决策链路。 这种全 Agent 化的管理模式，可能是个新趋势。 对于想降低人力成本、提高并行处理能力的团队来说，很有参考价值。
0:21

一位中国教授最近公开了他的开发团队配置。 不是人类员工，而是 170 个 AI Agent。 这些 Agent 负责处理公司的各项决策和开发任务。 不用睡觉，不需要涨薪，170 个智能体并行工作。 看视频里的网络结构，应该是这些 Agent 之间的协作和决策链路。 这种全 Agent 化的管理模式，可能是个新趋势。 对于想降低人力成本、提高并行处理能力的团队来说，很有参考价值。

Vincent

35,957 просмотров • 3 месяцев назад

做项目管理和团队协作的人有福了！这个开源项目管理工具屌爆了 Plane 是一个把 issue、迭代、产品路线图和文档收进同一套工作台的项目管理平台 最屌的是，它不是只做任务列表，还把 cycles、roadmaps、富文本任务、文件上传、子属性、共享视图和 analytics 一起塞进来了，像是开源版团队作战台 GitHub：5.2 万 stars
0:57

做项目管理和团队协作的人有福了！这个开源项目管理工具屌爆了 Plane 是一个把 issue、迭代、产品路线图和文档收进同一套工作台的项目管理平台 最屌的是，它不是只做任务列表，还把 cycles、roadmaps、富文本任务、文件上传、子属性、共享视图和 analytics 一起塞进来了，像是开源版团队作战台 GitHub：5.2 万 stars

奶牛叔

13,192 просмотров • 3 месяцев назад