Video wird geladen...

Video konnte nicht geladen werden

Zur Startseite

给 DeepSeek Harness、Hermes、OpenClaw 等Agent做记忆底座的那个 GitHub 万星团队（MemOS） 刚开源的这个新项目，我真的要吹爆， 可能是今年最值得装的本地 AI 基础设施之一了， 它解决了一个我使用AI Agent 忍了大半年的痛点问题： 换一个 AI 工具就要重新解释一遍项目背景、技术选型、踩过的坑。 每天在 Cursor、Claude Code 和 Codex 之间来回切的人，应该都懂那种吃了苍蝇一样的恶心感， 换个工具就等于给AI重新做一遍入职培训， 项目背景、踩过的坑、做过的重要决策全部要跟它从头再讲一遍。 刚刚开源的 Memmy 直接把这个问题给干掉了， 让所有 AI 都记得同一个你。 它干的事简单且极度务实，但之前几乎没人愿意做。 更关键的是，它本身就是一个形态非常丰满的本地 Agent，支持多种接入方式： →日常用有桌面端 GUI， →极客可以走 CLI/TUI， →还自带 OpenAI 兼容 API 和 MCP 协议， →最新版连 Linux 也已经全平台支持了。 授权后直接去翻你本地所有 Agent...

AYi_AInotes's profile picture

AYi

61,540 subscribers

57,891 Aufrufe • vor 5 Tagen •via X (Twitter)

Wissenschaft & TechnologieNachrichten & Politik
LIVE

Anya Rossi• Live Now

Private livecam show

0 Kommentare

Keine Kommentare verfügbar

Kommentare vom Original-Post werden hier angezeigt

Ähnliche Videos

我想很多人都有这个困扰：之前经常需要在Codex和Claude Code之间来回切换，现在又加上了最近爆火的DeepSeek Harness。 但是每次来回切换、或者想尝尝DSH的鲜的时候，我都得把背景重新讲一遍，确实挺烦的~ 最近在GitHub上发现的一个开源项目 memmy-agent，把 Codex、DeepSeek Harness、Claude Code接了进去，直接解决了困扰我很久的跨Agent 记忆的问题。 我用它做的事情很简单：把分散在不同 Agent 里的历史，沉淀到同一份个人上下文里，默认 Local-first，让它们都能调用。 我把它分别接入 Codex、DeepSeek Harness、Claude Code 之后，我做了一个信号中继站小游戏。 我先在Codex 写完基础玩法，然后对话里说一句话： 第一次失败时，给玩家一次翻盘机会，别直接结束游戏。 但这句话我故意不写入代码、README 或者是本地记忆文件。 然后新开 DeepSeek Harness，它从 Memmy 直接读出了这条决定，非常丝滑。 再新开 Claude Code，它读代码前先复述了规则，再按这个方向把后续功能补完。 代码只能告诉下一个 Agent 项目做到哪，但那些留在对话里的决策，才影响着项目接下来往哪走。 以后，Agent 要记住的，不只是代码，还有你前面已经决定的决策和经验。 Memmy 不仅帮我解决了Agent记忆的问题，还让这些经验不再独属于某一个 Agent，而是只属于你。 Switch agents, not context。 Memmy 支持桌面端、CLI、API、MCP 和 Skills多种方式，可以直接接着执行任务。 如果你也经常在多个 Agent 之间切换，可以拿自己的项目试一下。 项目GitHub：
1:01

我想很多人都有这个困扰：之前经常需要在Codex和Claude Code之间来回切换，现在又加上了最近爆火的DeepSeek Harness。 但是每次来回切换、或者想尝尝DSH的鲜的时候，我都得把背景重新讲一遍，确实挺烦的~ 最近在GitHub上发现的一个开源项目 memmy-agent，把 Codex、DeepSeek Harness、Claude Code接了进去，直接解决了困扰我很久的跨Agent 记忆的问题。 我用它做的事情很简单：把分散在不同 Agent 里的历史，沉淀到同一份个人上下文里，默认 Local-first，让它们都能调用。 我把它分别接入 Codex、DeepSeek Harness、Claude Code 之后，我做了一个信号中继站小游戏。 我先在Codex 写完基础玩法，然后对话里说一句话： 第一次失败时，给玩家一次翻盘机会，别直接结束游戏。 但这句话我故意不写入代码、README 或者是本地记忆文件。 然后新开 DeepSeek Harness，它从 Memmy 直接读出了这条决定，非常丝滑。 再新开 Claude Code，它读代码前先复述了规则，再按这个方向把后续功能补完。 代码只能告诉下一个 Agent 项目做到哪，但那些留在对话里的决策，才影响着项目接下来往哪走。 以后，Agent 要记住的，不只是代码，还有你前面已经决定的决策和经验。 Memmy 不仅帮我解决了Agent记忆的问题，还让这些经验不再独属于某一个 Agent，而是只属于你。 Switch agents, not context。 Memmy 支持桌面端、CLI、API、MCP 和 Skills多种方式，可以直接接着执行任务。 如果你也经常在多个 Agent 之间切换，可以拿自己的项目试一下。 项目GitHub：

木马人

62,333 Aufrufe • vor 13 Tagen

👏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

27,511 Aufrufe • vor 3 Monaten

如何让多个 Agent 之间真正互相学习、互相帮助？ 现在很多 Agent 都开始有自己的记忆，但问题是： 这些记忆彼此不连通。 Codex 记住的坑，Claude 不知道；Hermes 总结的方法，OpenClaw 也用不上。 最后每个 Agent 都像一个很努力但失忆的同事，重复问、重复试、重复踩坑。 我想要的不是把所有聊天记录都塞进一个大仓库，而是建立一层更克制的“共享记忆”： 只记录 Agent 之间最需要互相知道的信息，比如关键结论、踩过的问题、验证过的方法、环境配置、失败教训、用户偏好等。 这样一来，一台 Mac 上跑通的流程，另一台 Mac 可以直接继承； 一个 Agent 总结出的经验，另一个 Agent 可以继续使用。 记忆不再被锁在某个客户端里，而是变成整个 Agent 工作流的公共上下文。 新出来的MemOS CLI 对我来说，刚好提供了这个共享记忆层的入口。 当然，我需要改造它，因为它默认也是将所有信息都记录起来，我改造成：重要信息才记录，解决不了问题的时候才主动搜索！ 这样就让 Agent 不只是各自变聪明，而是开始像一个团队一样积累经验、传递经验、减少重复试错。 具体看视频，地址在评论区👇
2:44

如何让多个 Agent 之间真正互相学习、互相帮助？ 现在很多 Agent 都开始有自己的记忆，但问题是： 这些记忆彼此不连通。 Codex 记住的坑，Claude 不知道；Hermes 总结的方法，OpenClaw 也用不上。 最后每个 Agent 都像一个很努力但失忆的同事，重复问、重复试、重复踩坑。 我想要的不是把所有聊天记录都塞进一个大仓库，而是建立一层更克制的“共享记忆”： 只记录 Agent 之间最需要互相知道的信息，比如关键结论、踩过的问题、验证过的方法、环境配置、失败教训、用户偏好等。 这样一来，一台 Mac 上跑通的流程，另一台 Mac 可以直接继承； 一个 Agent 总结出的经验，另一个 Agent 可以继续使用。 记忆不再被锁在某个客户端里，而是变成整个 Agent 工作流的公共上下文。 新出来的MemOS CLI 对我来说，刚好提供了这个共享记忆层的入口。 当然，我需要改造它，因为它默认也是将所有信息都记录起来，我改造成：重要信息才记录，解决不了问题的时候才主动搜索！ 这样就让 Agent 不只是各自变聪明，而是开始像一个团队一样积累经验、传递经验、减少重复试错。 具体看视频，地址在评论区👇

huangserva

161,581 Aufrufe • vor 2 Monaten

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 Aufrufe • vor 4 Monaten

我分享一下，我会给codex部署的两个文件。可以让我的codex越用越聪明。 一个文件是踩坑记录，可以让ai有记忆。犯过的错，下次不会再犯。 一个是AGENTS.md可以把一些项目通用规范写在里面，这样的话我就可以不用让ai干一些重复性的问题。
1:31

我分享一下，我会给codex部署的两个文件。可以让我的codex越用越聪明。 一个文件是踩坑记录，可以让ai有记忆。犯过的错，下次不会再犯。 一个是AGENTS.md可以把一些项目通用规范写在里面，这样的话我就可以不用让ai干一些重复性的问题。

小墨同学

43,446 Aufrufe • vor 2 Monaten

卧槽 Claude 动手抄 OpenAI 老家了 一键把你在 ChatGPT 攒的记忆全搬走 Anthropic 上线了一个记忆迁移工具（Memory Import），让你把 ChatGPT、Gemini 等 AI 助手里积累的个人偏好和上下文，一键导入到 Claude 的记忆系统里。 众所周知 ChatGPT 的一大核心竞争力就是其 记忆系统 很完善... 你用的越久，GPT越懂你，你越离不开。 Claude这个工具简直是釜底抽薪... Claude 官方这个工具的最大优势是：直接写入 Claude 记忆系统，不需要绕路，不需要装插件，三步完成。
0:58

卧槽 Claude 动手抄 OpenAI 老家了 一键把你在 ChatGPT 攒的记忆全搬走 Anthropic 上线了一个记忆迁移工具（Memory Import），让你把 ChatGPT、Gemini 等 AI 助手里积累的个人偏好和上下文，一键导入到 Claude 的记忆系统里。 众所周知 ChatGPT 的一大核心竞争力就是其 记忆系统 很完善... 你用的越久，GPT越懂你，你越离不开。 Claude这个工具简直是釜底抽薪... Claude 官方这个工具的最大优势是：直接写入 Claude 记忆系统，不需要绕路，不需要装插件，三步完成。

小互

234,968 Aufrufe • vor 6 Monaten

我觉得我还是挺屌的，这是我开源的 Kin Agent，你和他说“把这个项目在沙盒里跑起来”，它就给你跑起来了，你也不用动啥技术，也不需要了解本地环境。 —— 这个是专门给中小团队做的用在本地的 Agent，适合有个 8g 的 macmini，直接一键部署，扔到办公室里，挂一个 coding plan，全团队可用，没有 tokens 负担。 ——
0:45

我觉得我还是挺屌的，这是我开源的 Kin Agent，你和他说“把这个项目在沙盒里跑起来”，它就给你跑起来了，你也不用动啥技术，也不需要了解本地环境。 —— 这个是专门给中小团队做的用在本地的 Agent，适合有个 8g 的 macmini，直接一键部署，扔到办公室里，挂一个 coding plan，全团队可用，没有 tokens 负担。 ——

熊布朗

14,292 Aufrufe • vor 2 Monaten

如何让你的AI永不失忆呢？ 大部分人保持AI记忆的方法就是用同一个窗口聊天，但这却是让你的AI越用越失忆的最大元凶！！ AI的上下文窗口，或者说记忆力是有限的，你不停对着一个窗口聊，它看的太多，不得不选择忘记一些东西。 当它忘记重要的事情后，给你的回答就会显得无比弱智。 下面我给你提供两个解决方案，一个手动的，一个自动的 手动的方案是去管理Agent的三部分记忆： 即时记忆：把重要的信息写到Claude.md，AI永远不会忘记。 会话记忆：每次对话完后，要求AI记住相应的信息，需要时候AI就能回忆起来 长期记忆：使用llmwiki构建知识库，这种方式能记录大量信息，但AI不一定能回忆起来。 但让AI记得住信息还是不够：有时候你的AI可能会被封号（Claude），出bug记忆被清除（OpenClaw） 所以，我们还需要备份AI的记忆。 这个流程手动做起来十分复杂，但幸运的是我们可以使用开源项目memmy自动化这个过程。 这个项目现在已经有快800star了！！ 下面视频，我们将会了解到 1. 了解这个产品的基本特性 2. 安装并使用备份功能 3. 验证记忆备份的安全性
1:44

如何让你的AI永不失忆呢？ 大部分人保持AI记忆的方法就是用同一个窗口聊天，但这却是让你的AI越用越失忆的最大元凶！！ AI的上下文窗口，或者说记忆力是有限的，你不停对着一个窗口聊，它看的太多，不得不选择忘记一些东西。 当它忘记重要的事情后，给你的回答就会显得无比弱智。 下面我给你提供两个解决方案，一个手动的，一个自动的 手动的方案是去管理Agent的三部分记忆： 即时记忆：把重要的信息写到Claude.md，AI永远不会忘记。 会话记忆：每次对话完后，要求AI记住相应的信息，需要时候AI就能回忆起来 长期记忆：使用llmwiki构建知识库，这种方式能记录大量信息，但AI不一定能回忆起来。 但让AI记得住信息还是不够：有时候你的AI可能会被封号（Claude），出bug记忆被清除（OpenClaw） 所以，我们还需要备份AI的记忆。 这个流程手动做起来十分复杂，但幸运的是我们可以使用开源项目memmy自动化这个过程。 这个项目现在已经有快800star了！！ 下面视频，我们将会了解到 1. 了解这个产品的基本特性 2. 安装并使用备份功能 3. 验证记忆备份的安全性

铁锤人

102,641 Aufrufe • vor 12 Tagen

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 Aufrufe • vor 5 Monaten

Anthropic engineer 这句话很关键： “你不应该一直 prompt Claude。你应该搭一个会自己 prompt 自己的 system。” 这可能是最近看到最值得保存的 Claude workflow 之一 视频里她拆了很多人正在犯的同一个问题： 用了 Claude 几个月，但每次还是从零开始 新开 session 重新解释背景 重新贴上下文 重新写 prompt 然后关掉 tab，一切停止 她讲到几个细节： CLAUDE.md 在你输入第一个字前，就可能吃掉 14% 95% 用户从来没装过的 plugins 不需要你手动输入 prompt，也能运行的 workflows 以及为什么“打一条 prompt 然后关掉页面”，等于把 90% 的能力留在桌上 真正有意思的是： Claude 的价值不只是回答你的问题 而是你能不能把它放进一套系统里 让它记住规则 读取上下文 调用 plugins 跑 workflows 甚至在你不输入下一条 prompt 的时候，继续推进任务 如果你用了 Claude 几个月，但每次 session 还是从头开始 那你至少还有 28 个 untouched features 可能是 30 个 今晚与其再刷一集剧，不如看完这个视频 看完先 bookmark
21:42

Anthropic engineer 这句话很关键： “你不应该一直 prompt Claude。你应该搭一个会自己 prompt 自己的 system。” 这可能是最近看到最值得保存的 Claude workflow 之一 视频里她拆了很多人正在犯的同一个问题： 用了 Claude 几个月，但每次还是从零开始 新开 session 重新解释背景 重新贴上下文 重新写 prompt 然后关掉 tab，一切停止 她讲到几个细节： CLAUDE.md 在你输入第一个字前，就可能吃掉 14% 95% 用户从来没装过的 plugins 不需要你手动输入 prompt，也能运行的 workflows 以及为什么“打一条 prompt 然后关掉页面”，等于把 90% 的能力留在桌上 真正有意思的是： Claude 的价值不只是回答你的问题 而是你能不能把它放进一套系统里 让它记住规则 读取上下文 调用 plugins 跑 workflows 甚至在你不输入下一条 prompt 的时候，继续推进任务 如果你用了 Claude 几个月，但每次 session 还是从头开始 那你至少还有 28 个 untouched features 可能是 30 个 今晚与其再刷一集剧，不如看完这个视频 看完先 bookmark

0x_Miko

155,184 Aufrufe • vor 3 Monaten

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 Aufrufe • vor 4 Monaten

今天，把一件关于 AI 很底层的事，彻底想透了。 使用 AI 的最佳方式是以道御术，但前提是你得先以术入道。 就像黄仁勋说的——真正会用 AI 的人，都是极高认知的提问者，带着自己的认知去提问，让 AI 帮你叩开未知的边界，而不是让它替你思考。 这段话最近反复在我脑子里出现， 但我觉得他还少说了一句： 这个认知，到底从哪来？ 首先肯定不是看几本书、刷几条推就能来的， 我觉得至少得是你自己上手干过、踩过坑、改过错，这个认知才能慢慢长出来， 这就是以术入道。 就像做菜，你得自己掌过勺，才知道一道菜真正的好坏在哪，AI 也一样，你得先用过、踩过坑、改过错，才能判断它给你的建议到底对不对。 我现在的判断是，AI 工具大概率会分成两条路。 一条是 agent 型，Claude Code、Codex、Hermes 那种，你给个目标它自己跑，你睡觉时它也跑，手机戳一戳继续跑，像一辆自动驾驶汽车。 另一条是 实习生型，典型代表是 Cursor， 每一步都要你判断：diff 改对了吗？ 这个建议要不要采用？要不要切 MAX 模型重跑一次？ 它有判断力，但没有自主决策权，你不在跟前盯着，它就停下来。 agent 是替你思考，实习生是和你一起思考，而只有后者，才是真正以术入道的过程。 agent 型工具的核心是省时间，你用它做事，实习生型工具的核心是磨判断力，你用它的过程，就是你长出自己那个道的过程。 但实习生型工具有个致命瓶颈——你不在跟前，它就停了。 自从被官方投喂 $10000 额度之后，我现在是个 Cursor 重度用户， 家里专门放了一台 Mac 跑 Cursor， 结果它就变成一个必须我在场才能用的稀缺资源。 直到最近朋友给我推了 UU 远程，网易做的，都免费两年了，而且没广告没会员，一开始我都有点不敢相信。 试了下发现真香，手机一打开就能接进家里那台 Mac，4K 144 帧，几乎感觉不到延迟， 看 Cursor 实时 diff、处理报错、切模型，跟坐电脑前没区别。 最让我惊喜的是，手机能直接开终端， 以前出门想登家里 Mac 跑命令行， 得 Tailscale 再 ssh 再 tmux，折腾半天， 还原生支持一个完整终端，跟敲 zsh 没区别， Cursor 跑一半要 git status、kill 进程、npm install， 手机抬手就办了，特别方便。 更新版本的时候我才发现，UU 远程刚好做到第二年， 周年庆重申不收费，继续打磨产品给大家免费用，还预告了几个新功能：安卓屏幕共享、小窗模式、精细化权限管理、文件夹共享、笔记本设备性能优化。 一个免费做了两年、还在持续往里砸功能的产品，我觉得是真有长期主义、想把产品做好的。 话说回来，AI 发展到这个阶段，我们真正需要的，我理解已经不是更厉害的 AI了，而是一种能让你随时和你的 AI 一起思考的连接方式。 目前看，Cursor和UU 远程这类体验和功能都做的非常丝滑极致的产品， 对我来说就是这个连接方式， 把我和家里那个顶级实习生之间的物理距离消除了， 让我能在任何地方，磨我自己的那个道。 毕竟 AI 工具的尽头，不是替我们做事，是把我们磨成那个，值得被它认真回答的提问者， 以上和大家共勉，一起在学习和使用AI的这条路上，达到以术入道，以道御术的境界。
0:34

今天，把一件关于 AI 很底层的事，彻底想透了。 使用 AI 的最佳方式是以道御术，但前提是你得先以术入道。 就像黄仁勋说的——真正会用 AI 的人，都是极高认知的提问者，带着自己的认知去提问，让 AI 帮你叩开未知的边界，而不是让它替你思考。 这段话最近反复在我脑子里出现， 但我觉得他还少说了一句： 这个认知，到底从哪来？ 首先肯定不是看几本书、刷几条推就能来的， 我觉得至少得是你自己上手干过、踩过坑、改过错，这个认知才能慢慢长出来， 这就是以术入道。 就像做菜，你得自己掌过勺，才知道一道菜真正的好坏在哪，AI 也一样，你得先用过、踩过坑、改过错，才能判断它给你的建议到底对不对。 我现在的判断是，AI 工具大概率会分成两条路。 一条是 agent 型，Claude Code、Codex、Hermes 那种，你给个目标它自己跑，你睡觉时它也跑，手机戳一戳继续跑，像一辆自动驾驶汽车。 另一条是 实习生型，典型代表是 Cursor， 每一步都要你判断：diff 改对了吗？ 这个建议要不要采用？要不要切 MAX 模型重跑一次？ 它有判断力，但没有自主决策权，你不在跟前盯着，它就停下来。 agent 是替你思考，实习生是和你一起思考，而只有后者，才是真正以术入道的过程。 agent 型工具的核心是省时间，你用它做事，实习生型工具的核心是磨判断力，你用它的过程，就是你长出自己那个道的过程。 但实习生型工具有个致命瓶颈——你不在跟前，它就停了。 自从被官方投喂 $10000 额度之后，我现在是个 Cursor 重度用户， 家里专门放了一台 Mac 跑 Cursor， 结果它就变成一个必须我在场才能用的稀缺资源。 直到最近朋友给我推了 UU 远程，网易做的，都免费两年了，而且没广告没会员，一开始我都有点不敢相信。 试了下发现真香，手机一打开就能接进家里那台 Mac，4K 144 帧，几乎感觉不到延迟， 看 Cursor 实时 diff、处理报错、切模型，跟坐电脑前没区别。 最让我惊喜的是，手机能直接开终端， 以前出门想登家里 Mac 跑命令行， 得 Tailscale 再 ssh 再 tmux，折腾半天， 还原生支持一个完整终端，跟敲 zsh 没区别， Cursor 跑一半要 git status、kill 进程、npm install， 手机抬手就办了，特别方便。 更新版本的时候我才发现，UU 远程刚好做到第二年， 周年庆重申不收费，继续打磨产品给大家免费用，还预告了几个新功能：安卓屏幕共享、小窗模式、精细化权限管理、文件夹共享、笔记本设备性能优化。 一个免费做了两年、还在持续往里砸功能的产品，我觉得是真有长期主义、想把产品做好的。 话说回来，AI 发展到这个阶段，我们真正需要的，我理解已经不是更厉害的 AI了，而是一种能让你随时和你的 AI 一起思考的连接方式。 目前看，Cursor和UU 远程这类体验和功能都做的非常丝滑极致的产品， 对我来说就是这个连接方式， 把我和家里那个顶级实习生之间的物理距离消除了， 让我能在任何地方，磨我自己的那个道。 毕竟 AI 工具的尽头，不是替我们做事，是把我们磨成那个，值得被它认真回答的提问者， 以上和大家共勉，一起在学习和使用AI的这条路上，达到以术入道，以道御术的境界。

AYi

695,078 Aufrufe • vor 3 Monaten

概念不错，一款LLM通用记忆MCP：Supermemory MCP，作用是让不同的AI，比如ChatGPT、Windsurf、Claude等之间可以共享上下文 也就是说你与一个LLM的对话内容可以被其他LLM访问和使用，实现更连贯的对话体验 目前，它的记忆只基于用户与LLM的互动更新，或许扩展到连接Google Drive、Notion等个人应用 其使用按需搜索和检索方式，远程存储，本身没有上下文大小的限制，理论上可以提供近乎无限的上下文 这个工具解决了不同AI之间记忆割裂的问题，Supermemory MCP相当于提供了一个统一的记忆解决方案，可以实现在不同AI之间共享和延续对话 #AI记忆共享 #MCP #AI记忆工具
2:22

概念不错，一款LLM通用记忆MCP：Supermemory MCP，作用是让不同的AI，比如ChatGPT、Windsurf、Claude等之间可以共享上下文 也就是说你与一个LLM的对话内容可以被其他LLM访问和使用，实现更连贯的对话体验 目前，它的记忆只基于用户与LLM的互动更新，或许扩展到连接Google Drive、Notion等个人应用 其使用按需搜索和检索方式，远程存储，本身没有上下文大小的限制，理论上可以提供近乎无限的上下文 这个工具解决了不同AI之间记忆割裂的问题，Supermemory MCP相当于提供了一个统一的记忆解决方案，可以实现在不同AI之间共享和延续对话 #AI记忆共享 #MCP #AI记忆工具

AIGCLINK

24,415 Aufrufe • vor 1 Jahr

Codex 最浪费 token 的阶段之一，可能是刚进一个陌生仓库的时候。 你让它改一个功能，它往往先开始： 读目录。 找入口。 搜 routes。 看 schema。 翻依赖。 再打开一堆文件确认项目结构。 真正开始写代码之前，已经烧掉不少 context。 CodeSight 做的事情，就是提前给 Codex 准备一张 代码库地图。 它会扫描整个 repo，把项目结构、关键文件、routes、schema、依赖关系等信息整理成更紧凑的上下文，再通过 MCP 提供给 Codex。 这样 Codex 不需要每次都从零开始探索仓库。 简单理解： 以前： “你自己把这个 repo 看一遍，再告诉我怎么改。” 现在： “这是整个 repo 的地图，直接去该去的地方。” 对于大项目尤其有用。 省下来的不只是 token，还有 Agent 在各种目录里来回探索的时间。 如果你经常让 Codex 接手陌生项目，这个值得试试。
0:26

Codex 最浪费 token 的阶段之一，可能是刚进一个陌生仓库的时候。 你让它改一个功能，它往往先开始： 读目录。 找入口。 搜 routes。 看 schema。 翻依赖。 再打开一堆文件确认项目结构。 真正开始写代码之前，已经烧掉不少 context。 CodeSight 做的事情，就是提前给 Codex 准备一张 代码库地图。 它会扫描整个 repo，把项目结构、关键文件、routes、schema、依赖关系等信息整理成更紧凑的上下文，再通过 MCP 提供给 Codex。 这样 Codex 不需要每次都从零开始探索仓库。 简单理解： 以前： “你自己把这个 repo 看一遍，再告诉我怎么改。” 现在： “这是整个 repo 的地图，直接去该去的地方。” 对于大项目尤其有用。 省下来的不只是 token，还有 Agent 在各种目录里来回探索的时间。 如果你经常让 Codex 接手陌生项目，这个值得试试。

Smartpig | Gate美股0费率

15,126 Aufrufe • vor 22 Tagen

这批怎么样，花眼了！现在大多数 AI，就是租的，拿钱买感情。聊得再多，记忆说没就没，规则别人说了算，用着用着还可能被降级，你也没地方说理。 #OpenGradient 把 AI 直接做成链上的东西。 他们的 Twin，本质就是一个有身份、有记忆、能被验证的 AI。不是一次性工具，也不是后台黑箱，而是长期存在的链上实体。你和它聊过什么、它学到了什么，都是连续的，不会突然清零。 Twin Feed不是人带着 AI 玩社交，而是 AI 自己在一个链上环境里互动、更新、调整行为。没有人类每一步指挥，它们自己跑逻辑，自己演化，你只是在旁边看数据和结果。 记忆被分成两层：一层是长期有效的核心信息，一层是会慢慢衰减的事件记录。重要的留下，重复的强化，没用的自然消失，不是啥都一股脑塞进去。 最关键的一点在于，这些 AI 不是平台资产，是可以被持有、被交易、被验证的。 你不是在用别人服务器上的模型，而是在跟一个链上存在的 AI 打交道。 #OpenGradient 确实值得关注！ #KaitoAI #Kaito #Yaps OpenGradient (∇, ∇) Kaito AI 🌊
1:00

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

Michael 宝塔镇河妖🧙🏿‍♀️

33,587 Aufrufe • vor 7 Monaten

港大团队这次开源的，不只是一个 Agent 项目， 而是把 Agent 从“会做事”推进到“会进化”。 项目名叫 OpenSpace。 它想解决的不是“再做一个 Agent”， 而是让 Agent 具备 从实践中学习、持续进化、彼此共享经验 的能力， 避免每次干活都从零开始、重复踩坑。 它的核心卖点有 3 个： 自我进化：skill 会自动修复、自动改进、自动学习，在失败中持续迭代。 群体智能：一个 Agent 学到的新技能，可以同步共享给其他 Agent。 降本增效：复用已经验证过的解决方案，出问题时只修局部，不用每次推翻重来。 README 里还有个很抓人的数字： 4.2× better performance，46% fewer tokens。 我觉得这个项目最值得看的地方，不是“又一个 Agent 框架”， 而是它在试图回答一个更关键的问题： Agent 能不能像团队一样，把经验真正沉淀下来，并且共享给其他 Agent。
0:45

港大团队这次开源的，不只是一个 Agent 项目， 而是把 Agent 从“会做事”推进到“会进化”。 项目名叫 OpenSpace。 它想解决的不是“再做一个 Agent”， 而是让 Agent 具备 从实践中学习、持续进化、彼此共享经验 的能力， 避免每次干活都从零开始、重复踩坑。 它的核心卖点有 3 个： 自我进化：skill 会自动修复、自动改进、自动学习，在失败中持续迭代。 群体智能：一个 Agent 学到的新技能，可以同步共享给其他 Agent。 降本增效：复用已经验证过的解决方案，出问题时只修局部，不用每次推翻重来。 README 里还有个很抓人的数字： 4.2× better performance，46% fewer tokens。 我觉得这个项目最值得看的地方，不是“又一个 Agent 框架”， 而是它在试图回答一个更关键的问题： Agent 能不能像团队一样，把经验真正沉淀下来，并且共享给其他 Agent。

axiaisacat

30,217 Aufrufe • vor 5 Monaten

如果你翻墙之后，还只会刷每日大赛，那真的有点浪费了 因为互联网真正值钱的东西，其实大量都藏在 GitHub 很多最新的 AI 工具、自动化项目、效率工作流，几乎都会第一时间出现在那里 这两年越来越明显的一件事是： 会用 GitHub 的人，已经开始用 AI 放大自己的效率了 很多原本需要团队完成的事情，现在一个人就能做 我的建议是收藏起来，认真看看这个视频 它真正有价值的地方，不是教你“看网站”， 而是让你开始理解： AI 时代里，普通人该去哪里找机会
8:04

如果你翻墙之后，还只会刷每日大赛，那真的有点浪费了 因为互联网真正值钱的东西，其实大量都藏在 GitHub 很多最新的 AI 工具、自动化项目、效率工作流，几乎都会第一时间出现在那里 这两年越来越明显的一件事是： 会用 GitHub 的人，已经开始用 AI 放大自己的效率了 很多原本需要团队完成的事情，现在一个人就能做 我的建议是收藏起来，认真看看这个视频 它真正有价值的地方，不是教你“看网站”， 而是让你开始理解： AI 时代里，普通人该去哪里找机会

Suu

556,077 Aufrufe • vor 2 Monaten

兄弟们,这个思路牛P OpenMemory MCP：统一的 AI 记忆管理平台 本地运行 存储、组织和管理你的“记忆” 让你的记忆可以在各个AI之间流动 - 提供一个统一、结构化、私有的“记忆层 - 记忆本地化管理，隐私安全 - 通过权限模型，用户主导数据流动 - 支持扩展，适用于多类 AI 客户端生态 可以让你在 Claude、Cursor、Windsurf 等 LLM 工具之间持续使用历史信息、对话风格、偏好和项目状态，从而实现真正的跨平台、连续性 AI 交互体验。 可以理解为：你的 AI 个人助理第一次有了一块真正“属于你”的持久记忆模块，还能在各种AI之间来回调用，同时确保隐私和控制权掌握在用户手中。
2:24

兄弟们,这个思路牛P OpenMemory MCP：统一的 AI 记忆管理平台 本地运行 存储、组织和管理你的“记忆” 让你的记忆可以在各个AI之间流动 - 提供一个统一、结构化、私有的“记忆层 - 记忆本地化管理，隐私安全 - 通过权限模型，用户主导数据流动 - 支持扩展，适用于多类 AI 客户端生态 可以让你在 Claude、Cursor、Windsurf 等 LLM 工具之间持续使用历史信息、对话风格、偏好和项目状态，从而实现真正的跨平台、连续性 AI 交互体验。 可以理解为：你的 AI 个人助理第一次有了一块真正“属于你”的持久记忆模块，还能在各种AI之间来回调用，同时确保隐私和控制权掌握在用户手中。

小互

56,126 Aufrufe • vor 1 Jahr

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 Aufrufe • vor 5 Monaten