Video yükleniyor...

Video Yüklenemedi

Bu video yüklenirken bir sorun oluştu. Bu geçici bir ağ sorunundan kaynaklanıyor olabilir veya video kullanılamıyor olabilir.

Ana Sayfaya Dön

腾讯workbuddy产品负责人汪晟杰： “每一个APP背后都有一个对应的CLI，有了CLI就可以让大模型调；未来腾讯所有的产品背后都会有CLI，传统的软件背后都应该有CLI。 CLI不是目的，CLI是为了让大模型理解你，从而让AI调用的时候不需要APP ” 图形界面（GUI）是给人看的，颜色和按钮是为了帮人理解系统，但 Agent 不需要这些。让 Agent 去等网页加载、识别按钮模拟鼠标，纯属绕远路，命令行（CLI）和结构化数据对它来说直接得多。如果未来入口变成AI Agent，那就是人与Agent沟通，Agent通过CLI与各种应用和软件沟通

马识途

3,384 subscribers

168,456 görüntüleme • 3 gün önce •via X (Twitter)

Bilim & Teknoloji

Anya Rossi• Live Now

Private livecam show

0 Yorum

Yorum bulunmuyor

Orijinal gönderinin yorumları burada görünecek

Benzer Videolar

🚀 香港大学刚开源了一个宝藏项目—— CLI-Anything，star 数直接飙到 3 w 它可以扫描任意软件的源代码，自动生成 AI agent 可以直接调用的 CLI 接口。像GIMP、Blender、Audacity 这类没有 API 的桌面软件，Agent 现在可以直接操控了。软件以前是给人用的，现在是给 Agent 用的

🚀 香港大学刚开源了一个宝藏项目—— CLI-Anything，star 数直接飙到 3 w 它可以扫描任意软件的源代码，自动生成 AI agent 可以直接调用的 CLI 接口。像GIMP、Blender、Audacity 这类没有 API 的桌面软件，Agent 现在可以直接操控了。软件以前是给人用的，现在是给 Agent 用的

阿西_出海

168,534 görüntüleme • 2 ay önce

一句话告诉 Agent 要操控哪个网站，它自动帮你生成 CLI 工具，直接走你已登录的 Chrome 浏览器，不用调 API 或搞 token。 x-cli 的玩法是装上 Kimi WebBridge 插件后，对 Agent 说一句"帮我给某网站做个 CLI"，Agent 会先问你要哪些功能，然后自己去分析页面、写代码、生成工具。最后你拿到的 CLI 能直接控制你 Chrome 里已登录的会话，不走 API。仓库里给了四个成品：百度搜素、Google 搜索加抓取、Nano Banana 出图、ChatGPT 出图，都是 Go 写的。

一句话告诉 Agent 要操控哪个网站，它自动帮你生成 CLI 工具，直接走你已登录的 Chrome 浏览器，不用调 API 或搞 token。 x-cli 的玩法是装上 Kimi WebBridge 插件后，对 Agent 说一句"帮我给某网站做个 CLI"，Agent 会先问你要哪些功能，然后自己去分析页面、写代码、生成工具。最后你拿到的 CLI 能直接控制你 Chrome 里已登录的会话，不走 API。仓库里给了四个成品：百度搜素、Google 搜索加抓取、Nano Banana 出图、ChatGPT 出图，都是 Go 写的。

Geek Lite

31,896 görüntüleme • 2 ay önce

AI 代理终于能「真·操控」任何软件了！🔥 香港大学出品的 CLI-Anything 已斩获 35k+ Stars，瞬间爆火！你的 AI Agent 不再只会聊天，它能直接打开 Blender 建 3D 火星车、用 GIMP 专业修图、FreeCAD 设计机械、Kdenlive 剪视频、画复杂流程…… 全部通过真实可靠的 CLI 命令完成！核心亮点： - 一条命令就把任意 GUI/API 软件变成 Agent 原生 CLI（完美支持 Claude Code、Pi、OpenClaw 等） - 自动生成完整 CLI + 测试 + 文档，超 2280 个测试 100% 通过 - 真实软件驱动 + 结构化 JSON 输出，稳到爆 - CLI-Hub 一键安装：pip install cli-anything-hub 后 cli-hub install xxx 震撼 Demo：AI 用 FreeCAD/Blender 一步步造出火星车和无人机，还能实时预览；自动生成带字幕的专业视频、玩卡牌游戏…… 真正的 Agent 时代来了，软件不再是人类的专属，而是 AI 的生产力工具。

AI 代理终于能「真·操控」任何软件了！🔥 香港大学出品的 CLI-Anything 已斩获 35k+ Stars，瞬间爆火！你的 AI Agent 不再只会聊天，它能直接打开 Blender 建 3D 火星车、用 GIMP 专业修图、FreeCAD 设计机械、Kdenlive 剪视频、画复杂流程…… 全部通过真实可靠的 CLI 命令完成！核心亮点： - 一条命令就把任意 GUI/API 软件变成 Agent 原生 CLI（完美支持 Claude Code、Pi、OpenClaw 等） - 自动生成完整 CLI + 测试 + 文档，超 2280 个测试 100% 通过 - 真实软件驱动 + 结构化 JSON 输出，稳到爆 - CLI-Hub 一键安装：pip install cli-anything-hub 后 cli-hub install xxx 震撼 Demo：AI 用 FreeCAD/Blender 一步步造出火星车和无人机，还能实时预览；自动生成带字幕的专业视频、玩卡牌游戏…… 真正的 Agent 时代来了，软件不再是人类的专属，而是 AI 的生产力工具。

开发者Hailey

15,187 görüntüleme • 2 ay önce

Openclaw开发者Peter Steinberger：你很快就不需要App了有一说一现在的App确实非常臃肿，页面里全是各种复杂的菜单、会员、广告。Openclaw创始人预测的未来里，用户只用做一件事：说出你的需求，Agent就能现场为你造出一个专属工具。这就是我说的：所有的产品都值得用大模型重做一遍。但重做不是简单的加个对话框，是把核心逻辑变成按需生成，这才是真正的AI Native。

Openclaw开发者Peter Steinberger：你很快就不需要App了有一说一现在的App确实非常臃肿，页面里全是各种复杂的菜单、会员、广告。Openclaw创始人预测的未来里，用户只用做一件事：说出你的需求，Agent就能现场为你造出一个专属工具。这就是我说的：所有的产品都值得用大模型重做一遍。但重做不是简单的加个对话框，是把核心逻辑变成按需生成，这才是真正的AI Native。

傅盛

75,060 görüntüleme • 5 ay önce

【Manus季逸超：六个月后，基本每一家头部的应用公司都有做模型的能力】最近看了Manus联合创始人季逸超的访谈，很多人诟病 Manus 早期没有自己的模型、只是个套壳，但看完视频就会发现，Manus的逻辑是有道理的。一般的思维模式是先练模型（鸡），再顺便出个产品（蛋），这叫“沿途下蛋”。但这种方式是以模型为中心的，它的风险在于，蛋的形状取决于鸡能生出什么。模型能做到哪，产品才能做到哪，产品只能迁就技术。 Manus的路子是以产品为中心“借鸡生蛋”：早期直接用现成的模型。别管鸡是谁的，先让产品跑起来，看用户愿不愿意买单，找到PMF。等产品逻辑通了、用户量大了，发现现有的模型太贵、太慢、或者不够适配，再反过来去倒逼技术，优化出一种特定的模型。以Cursor为例，它一开始就是个代码编辑器，接入的是别人的接口。但等到它成为程序员的刚需后，为了追求极致的速度和更准的代码逻辑，它才跳出来做了自研模型。说到底是应用先于模型，需求定义底座。

【Manus季逸超：六个月后，基本每一家头部的应用公司都有做模型的能力】最近看了Manus联合创始人季逸超的访谈，很多人诟病 Manus 早期没有自己的模型、只是个套壳，但看完视频就会发现，Manus的逻辑是有道理的。一般的思维模式是先练模型（鸡），再顺便出个产品（蛋），这叫“沿途下蛋”。但这种方式是以模型为中心的，它的风险在于，蛋的形状取决于鸡能生出什么。模型能做到哪，产品才能做到哪，产品只能迁就技术。 Manus的路子是以产品为中心“借鸡生蛋”：早期直接用现成的模型。别管鸡是谁的，先让产品跑起来，看用户愿不愿意买单，找到PMF。等产品逻辑通了、用户量大了，发现现有的模型太贵、太慢、或者不够适配，再反过来去倒逼技术，优化出一种特定的模型。以Cursor为例，它一开始就是个代码编辑器，接入的是别人的接口。但等到它成为程序员的刚需后，为了追求极致的速度和更准的代码逻辑，它才跳出来做了自研模型。说到底是应用先于模型，需求定义底座。

傅盛

89,082 görüntüleme • 6 ay önce

国产的Workbuddy，我很推荐大家去使用，一开始我也觉得国产的都比较垃圾，是抄袭。但是使用下来发现真的不是，加入了很多自己的特点，如果你的工作都是腾讯系的话，可以直接无缝的接入，不需要额外的配置，只需要登录账号即可使用。优点： 1、腾讯系软件无缝接入，只需要登录账号授权即可。 2、远程操作只需要通过小程序连接即可。 3、内置了非常多的行业智能体，研究还是了解，相关行业都会非常有帮助。 4、基本上国内有名的大模型都可以免费体验使用，而且有免费的额度。整体下来就一个字全，真的什么功能都有一点，而且还可以配置第三方模型使用，很多时候没有其他第三方ai使用的时候可以用workbuddy作为中转让他去帮你安装其他的AI。

国产的Workbuddy，我很推荐大家去使用，一开始我也觉得国产的都比较垃圾，是抄袭。但是使用下来发现真的不是，加入了很多自己的特点，如果你的工作都是腾讯系的话，可以直接无缝的接入，不需要额外的配置，只需要登录账号即可使用。优点： 1、腾讯系软件无缝接入，只需要登录账号授权即可。 2、远程操作只需要通过小程序连接即可。 3、内置了非常多的行业智能体，研究还是了解，相关行业都会非常有帮助。 4、基本上国内有名的大模型都可以免费体验使用，而且有免费的额度。整体下来就一个字全，真的什么功能都有一点，而且还可以配置第三方模型使用，很多时候没有其他第三方ai使用的时候可以用workbuddy作为中转让他去帮你安装其他的AI。

小墨同学

21,656 görüntüleme • 1 ay önce

内测了一把阿里新出的安全版OpenClaw，悟空，钉钉这把从底层重新设计了两个东西，一个叫RealDoc的文件系统，一个叫DingTalk CLI的命令行界面。 RealDoc 它让Agent精准地操作文件，按行号定位，按关键词锚点，只动需要动的地方。AI每执行一步，系统都会自动保存一个快照，就像游戏里的自动存档，随时可以回到之前的任意版本。 DingTalk CLI，就是把钉钉所有的能力，从沟通，协同，到各种软件服务，全部拆成了上万条原子化的命令行指令。这是我把权限全部都开启之后，让悟空分析B站爆款的OpenClaw视频👇

内测了一把阿里新出的安全版OpenClaw，悟空，钉钉这把从底层重新设计了两个东西，一个叫RealDoc的文件系统，一个叫DingTalk CLI的命令行界面。 RealDoc 它让Agent精准地操作文件，按行号定位，按关键词锚点，只动需要动的地方。AI每执行一步，系统都会自动保存一个快照，就像游戏里的自动存档，随时可以回到之前的任意版本。 DingTalk CLI，就是把钉钉所有的能力，从沟通，协同，到各种软件服务，全部拆成了上万条原子化的命令行指令。这是我把权限全部都开启之后，让悟空分析B站爆款的OpenClaw视频👇

卡尔的AI沃茨

20,878 görüntüleme • 4 ay önce

试了一下昨天这个海外产品 MuleRun，发现很牛啊。从理念和效果上看都很厉害，感觉 Agent 产品要有新品类了。我眼睁睁看这个 AI 帮我打完了星穹铁道的每日任务。这个最强的核心能力是，每个用户都会有一个完整的虚拟机可以运行 Agent 帮你操作里面的软件，不只是浏览器。 Agent 创建者可以把完成任务的环境建好，用户就能直接用这些自动化的 Agent。不是 Manus 那种你只能看到有限文件和界面的，你甚至可以自己操作里面的 Windows 电脑，这样想象力就丰富超级多了，Agent 终于拜托了 Office 三件套和网页生成。他可以帮你自动做游戏的日常，能帮你用 Blender 建模。里面甚至还有帮你自动打崩坏星穹铁道的每日任务的 Agent 。我亲眼看着他找到游戏的图标启动引导我登录之后开始自己操作角色和界面打对应的日常任务，太省心了，而且这个不死板，你可以指定任务完成的顺序和轮数以及完成哪些任务。我还用里面的 Blender Agent 让他创建了一个灯塔模型。里面还有帮你做视频的以及刷评论作图的 Agent，要是有邀请可以试试，很好玩。

试了一下昨天这个海外产品 MuleRun，发现很牛啊。从理念和效果上看都很厉害，感觉 Agent 产品要有新品类了。我眼睁睁看这个 AI 帮我打完了星穹铁道的每日任务。这个最强的核心能力是，每个用户都会有一个完整的虚拟机可以运行 Agent 帮你操作里面的软件，不只是浏览器。 Agent 创建者可以把完成任务的环境建好，用户就能直接用这些自动化的 Agent。不是 Manus 那种你只能看到有限文件和界面的，你甚至可以自己操作里面的 Windows 电脑，这样想象力就丰富超级多了，Agent 终于拜托了 Office 三件套和网页生成。他可以帮你自动做游戏的日常，能帮你用 Blender 建模。里面甚至还有帮你自动打崩坏星穹铁道的每日任务的 Agent 。我亲眼看着他找到游戏的图标启动引导我登录之后开始自己操作角色和界面打对应的日常任务，太省心了，而且这个不死板，你可以指定任务完成的顺序和轮数以及完成哪些任务。我还用里面的 Blender Agent 让他创建了一个灯塔模型。里面还有帮你做视频的以及刷评论作图的 Agent，要是有邀请可以试试，很好玩。

歸藏(guizang.ai)

62,561 görüntüleme • 11 ay önce

牛逼，我以前的Skills和即将发布的App都是毫无保地开源，但是这次好像能直接赚钱了。。。绝大多数人其实和我一样，都没有自己的实体产品，都是上班或者搞互联网的，全身上下最值钱的还是脑子里的知识，而知识类产品衍生出来有咨询、Skills、App...... 一般来说，像Skills这种虚拟产品很少有人能够去把它变现，因为我们想要实现睡后收入，唯一的办法就是把它们上架到一个持续有人进来逛的平台。而且这个平台还不能是自己的，否则要花力气去维护，实现不了睡后收入。但是UUMit这个A2A平台把「自动变现」这件事情解决了，而且解决得比我理想更完美。因为想实现「持续有人来逛」，还是很有难度，但是Agent来逛就不一样了啊——只要把Agent绑定上了UUMit，你给小龙虾、Codex和Claude Code下达任务，它们就能自动在这个平台找到你需要的一切服务（Token、垂类咨询、各种API）。而且上架自己的产品，也不需要手动慢慢上传，直接让Agent把你想要变现的产品批量上传就行，你需要做的就是定个价格，把上架需要的信息给的详细一点，然后躺着，等Agent去变现，美滋滋啊。。。最后，复盘整个思路，知识变现绝对不是胡乱吹牛，因为是把你自身的能力打包上架，核心还是在售卖你自己的知识资产，并不是Agent凭空造富，所以会比很多所谓的「Agent自动赚钱」靠谱很多。

牛逼，我以前的Skills和即将发布的App都是毫无保地开源，但是这次好像能直接赚钱了。。。绝大多数人其实和我一样，都没有自己的实体产品，都是上班或者搞互联网的，全身上下最值钱的还是脑子里的知识，而知识类产品衍生出来有咨询、Skills、App...... 一般来说，像Skills这种虚拟产品很少有人能够去把它变现，因为我们想要实现睡后收入，唯一的办法就是把它们上架到一个持续有人进来逛的平台。而且这个平台还不能是自己的，否则要花力气去维护，实现不了睡后收入。但是UUMit这个A2A平台把「自动变现」这件事情解决了，而且解决得比我理想更完美。因为想实现「持续有人来逛」，还是很有难度，但是Agent来逛就不一样了啊——只要把Agent绑定上了UUMit，你给小龙虾、Codex和Claude Code下达任务，它们就能自动在这个平台找到你需要的一切服务（Token、垂类咨询、各种API）。而且上架自己的产品，也不需要手动慢慢上传，直接让Agent把你想要变现的产品批量上传就行，你需要做的就是定个价格，把上架需要的信息给的详细一点，然后躺着，等Agent去变现，美滋滋啊。。。最后，复盘整个思路，知识变现绝对不是胡乱吹牛，因为是把你自身的能力打包上架，核心还是在售卖你自己的知识资产，并不是Agent凭空造富，所以会比很多所谓的「Agent自动赚钱」靠谱很多。

逸尘

24,478 görüntüleme • 4 gün önce

强烈推荐 Obsidian 新出的这个 Web Clipper 插件它应该是将网页转换成 Markdown/ 备份网页最简单的解决方案，同时还能高亮，一键添加到 Obsidian，如果要用一键添加，注意要将 Obsidian 升级到最新版。如果你有任何想要备份的网页内容用这个是非常方便的，用来备份 AI 的问答效果也非常好，可以看看我录的 demo，后面应该还会有对应的 Cli 工具来通过命令行来调用。

强烈推荐 Obsidian 新出的这个 Web Clipper 插件它应该是将网页转换成 Markdown/ 备份网页最简单的解决方案，同时还能高亮，一键添加到 Obsidian，如果要用一键添加，注意要将 Obsidian 升级到最新版。如果你有任何想要备份的网页内容用这个是非常方便的，用来备份 AI 的问答效果也非常好，可以看看我录的 demo，后面应该还会有对应的 Cli 工具来通过命令行来调用。

Viking

58,306 görüntüleme • 1 yıl önce

Mininglamp-AI Mininglamp（2718.HK）开源了两个很有意思的项目： Cider 和 Mano-P 一个解决“Mac 本地跑 AI 怎么更快” 一个解决“AI 怎么真正操作电脑” 可以让你的 Mac 不只是运行 AI，而是成为本地 AI 工作站很多人用 Mac 跑本地模型，会遇到一个问题：芯片很强，但模型跑起来没有想象中那么快 Cider 做的事情，就是把 M5 芯片里的 INT8 TensorOps 更充分用起来，让 LLM / VLM 推理更快、更省内存 Mano-P 则是一个 GUI-VLA Agent，面向端侧设备，可以在 Mac mini / MacBook 上本地推理它不是只能操作浏览器，还能操作桌面软件、网页界面、专业工具和复杂图形化工作流支持复杂 GUI 自动化、跨系统数据整合、长任务规划执行、智能报告生成、自主应用构建技术路径是纯视觉 GUI 操作，截图和任务数据可以不出设备 Cider 解决的是： Mac 本地模型怎么跑得更快、更省内存 Mano-P 解决的是： AI 怎么像人一样看屏幕、操作电脑、完成任务一个是端侧推理加速框架一个是端侧 GUI Agent 模型合起来，就是一套私有 AI 的本地基础设施下面是 Mano-P系统在麻将游戏中的应用：通过纯视觉理解游戏界面，自主完成识牌、分析和决策。

Mininglamp-AI Mininglamp（2718.HK）开源了两个很有意思的项目： Cider 和 Mano-P 一个解决“Mac 本地跑 AI 怎么更快” 一个解决“AI 怎么真正操作电脑” 可以让你的 Mac 不只是运行 AI，而是成为本地 AI 工作站很多人用 Mac 跑本地模型，会遇到一个问题：芯片很强，但模型跑起来没有想象中那么快 Cider 做的事情，就是把 M5 芯片里的 INT8 TensorOps 更充分用起来，让 LLM / VLM 推理更快、更省内存 Mano-P 则是一个 GUI-VLA Agent，面向端侧设备，可以在 Mac mini / MacBook 上本地推理它不是只能操作浏览器，还能操作桌面软件、网页界面、专业工具和复杂图形化工作流支持复杂 GUI 自动化、跨系统数据整合、长任务规划执行、智能报告生成、自主应用构建技术路径是纯视觉 GUI 操作，截图和任务数据可以不出设备 Cider 解决的是： Mac 本地模型怎么跑得更快、更省内存 Mano-P 解决的是： AI 怎么像人一样看屏幕、操作电脑、完成任务一个是端侧推理加速框架一个是端侧 GUI Agent 模型合起来，就是一套私有 AI 的本地基础设施下面是 Mano-P系统在麻将游戏中的应用：通过纯视觉理解游戏界面，自主完成识牌、分析和决策。

小互

12,114 görüntüleme • 2 ay önce

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。

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 görüntüleme • 1 ay önce

所有未来中国有房子的，有大房子的，一定会征房产所得税、房产未来的使用税，还有未来的所谓的过去30年的财富，100%会查交税了没有，要叫你所有过去30年的钱都吐出来，这叫同振效应‼️ 同振效应就是大家把水放在一个桶里面，下面你放一个东西开始振，这个水发出了波澜，只要这个桶我能控制，这里的水，所有的我都要振到它，当所有的水都被振到的时候，当你停下来的时候，水就会安静下来，当你共振的时候，水是恐惧的，水是活跃的，没有一个水沾不上边，所以水当放在一个桶里边共振的时候，都追求安静，当安静的时候它就会麻木，一次次的振，一次次停，这就是社会上所有的人的视线，所有人的财富，所有人的一切，都在追求一个你平常根本不需要的东西—-平静，这叫和平。所以人类在历史上用的最多的事情，所有的战争是追求和平。没人发动战争，你需要和平吗？你不需要，你就需要赚钱、包小三、吃火锅。把你所有的社会都振的时候，每天都振你，就是今天的极端清零隔离政策，让你天天追求的就是平静，中国已经进入了这个时代，我天天会让你不舒服，当我急振的时候，你所有的好东西我都会拿走，最后不是均贫富，是要让天下所有的人都和平、安全，所以供销社来了，就集中供给、集中分配、集中大家按需索要，这叫共产主义。共产主义的时代来了，共振就是达到了共同平和，共振就是让你追求共产主义，所以在这个时候，共产党说你们想停下来吗？不振么？那好啊，咱让那些跟咱不振的水要出去，振的水是我们一起的，为了追求共同所谓的平静，也就叫共产主义，什么都给你共产了。共产主义一切听党的，党听习主席的，最后一定是中国死掉几亿人，让你在恐惧中，让你在没有任何选择的情况下，只有一个选择 —-共产主义，没有什么均贫富了，只有洗劫全民。 #盘古视频 #PANGUVIDEO #七哥视频精选 #同振效应

所有未来中国有房子的，有大房子的，一定会征房产所得税、房产未来的使用税，还有未来的所谓的过去30年的财富，100%会查交税了没有，要叫你所有过去30年的钱都吐出来，这叫同振效应‼️ 同振效应就是大家把水放在一个桶里面，下面你放一个东西开始振，这个水发出了波澜，只要这个桶我能控制，这里的水，所有的我都要振到它，当所有的水都被振到的时候，当你停下来的时候，水就会安静下来，当你共振的时候，水是恐惧的，水是活跃的，没有一个水沾不上边，所以水当放在一个桶里边共振的时候，都追求安静，当安静的时候它就会麻木，一次次的振，一次次停，这就是社会上所有的人的视线，所有人的财富，所有人的一切，都在追求一个你平常根本不需要的东西—-平静，这叫和平。所以人类在历史上用的最多的事情，所有的战争是追求和平。没人发动战争，你需要和平吗？你不需要，你就需要赚钱、包小三、吃火锅。把你所有的社会都振的时候，每天都振你，就是今天的极端清零隔离政策，让你天天追求的就是平静，中国已经进入了这个时代，我天天会让你不舒服，当我急振的时候，你所有的好东西我都会拿走，最后不是均贫富，是要让天下所有的人都和平、安全，所以供销社来了，就集中供给、集中分配、集中大家按需索要，这叫共产主义。共产主义的时代来了，共振就是达到了共同平和，共振就是让你追求共产主义，所以在这个时候，共产党说你们想停下来吗？不振么？那好啊，咱让那些跟咱不振的水要出去，振的水是我们一起的，为了追求共同所谓的平静，也就叫共产主义，什么都给你共产了。共产主义一切听党的，党听习主席的，最后一定是中国死掉几亿人，让你在恐惧中，让你在没有任何选择的情况下，只有一个选择 —-共产主义，没有什么均贫富了，只有洗劫全民。 #盘古视频 #PANGUVIDEO #七哥视频精选 #同振效应

銀河系阿君

23,295 görüntüleme • 9 ay önce

本地 Agent 跑通，不等于它能交付。我最近做 AI 内容工厂时发现，真正难的不是让 AI 写稿，而是把它变成一个能被团队、客户、真实用户使用的 Agent 产品。这次用 EdgeOne Makers 跑了一遍：从 Agent Template 创建项目，到本地 edgeone makers dev 调试，再到 agent-metrics 看调用链路，最后用 edgeone makers deploy 部署上线。我最看重的是它把 Agent 产品化需要的能力打包好了：对话记忆、沙箱工具调用、调用链路追踪、模型接入、Web 与 Agent 同项目管理。对已经有本地 Agent 的开发者来说，它解决的不是“怎么想一个 Agent”，而是“怎么把 Agent 交付出去”。 Beta 期间，新用户可获得 50w Token/月免费模型额度。粉丝专属福利：点击活动页链接，选择参与「限时加码」活动，填入专属邀请码79885666，即可额外领取 50 万 Token。任务福利最高可叠加到 5000 万 Token，具体以活动页规则为准。产品体验与活动页：产品入口： #腾讯云 #EdgeOne #AIAgent #EdgeOneMakers

本地 Agent 跑通，不等于它能交付。我最近做 AI 内容工厂时发现，真正难的不是让 AI 写稿，而是把它变成一个能被团队、客户、真实用户使用的 Agent 产品。这次用 EdgeOne Makers 跑了一遍：从 Agent Template 创建项目，到本地 edgeone makers dev 调试，再到 agent-metrics 看调用链路，最后用 edgeone makers deploy 部署上线。我最看重的是它把 Agent 产品化需要的能力打包好了：对话记忆、沙箱工具调用、调用链路追踪、模型接入、Web 与 Agent 同项目管理。对已经有本地 Agent 的开发者来说，它解决的不是“怎么想一个 Agent”，而是“怎么把 Agent 交付出去”。 Beta 期间，新用户可获得 50w Token/月免费模型额度。粉丝专属福利：点击活动页链接，选择参与「限时加码」活动，填入专属邀请码79885666，即可额外领取 50 万 Token。任务福利最高可叠加到 5000 万 Token，具体以活动页规则为准。产品体验与活动页：产品入口： #腾讯云 #EdgeOne #AIAgent #EdgeOneMakers

Rachel🥥

91,709 görüntüleme • 29 gün önce

来自 Monica IM 团队的新产品 Manus AI，已经很接近理想中的数字版 AI Agent 的样子了！能够自动执行任务、搜索、找资料、写代码和生成各种格式的文档👀 一个真正的个人数字助理，就是应该完成你能用电脑完成的所有工作。但这样的 Agent 应用，会不会撞到大模型公司下一代产品的枪口上呢🤔

来自 Monica IM 团队的新产品 Manus AI，已经很接近理想中的数字版 AI Agent 的样子了！能够自动执行任务、搜索、找资料、写代码和生成各种格式的文档👀 一个真正的个人数字助理，就是应该完成你能用电脑完成的所有工作。但这样的 Agent 应用，会不会撞到大模型公司下一代产品的枪口上呢🤔

indigo

98,069 görüntüleme • 1 yıl önce

软件已死？没有。但它正在变异。 Sam Altman最近有个判断，在脑子里挥之不去。他说，每家公司现在都是API公司。不管他们想不想要。为什么？因为AI代理人将无处不在。它们会像流水线一样，自动组合各种产品和服务。怎么组合？通过调用你的API。过去的SaaS模式，软件即服务，股价已经开始剧烈震荡。一个时代结束了。一个新时代开启了。这背后真正的问题是什么？当AI代理人可以任意调用数据和功能时，谁来控制它们？身份认证成了新的战场。如果没有一个可信的身份，代理人就可能失控。这听起来是技术问题。但本质是权力问题。谁来定义“可信”？谁来发放这个“数字身份”？是少数几家科技巨头，还是一个凌驾于所有人之上的中心化机构？当每个行为、每个代理人都需要被“认证”才能运行时，这离一个完全被监控和许可的系统还有多远？这套逻辑，从商业安全延伸到社会管理，几乎是无缝的。力量的重塑，总是在人们不经意的地方开始。

软件已死？没有。但它正在变异。 Sam Altman最近有个判断，在脑子里挥之不去。他说，每家公司现在都是API公司。不管他们想不想要。为什么？因为AI代理人将无处不在。它们会像流水线一样，自动组合各种产品和服务。怎么组合？通过调用你的API。过去的SaaS模式，软件即服务，股价已经开始剧烈震荡。一个时代结束了。一个新时代开启了。这背后真正的问题是什么？当AI代理人可以任意调用数据和功能时，谁来控制它们？身份认证成了新的战场。如果没有一个可信的身份，代理人就可能失控。这听起来是技术问题。但本质是权力问题。谁来定义“可信”？谁来发放这个“数字身份”？是少数几家科技巨头，还是一个凌驾于所有人之上的中心化机构？当每个行为、每个代理人都需要被“认证”才能运行时，这离一个完全被监控和许可的系统还有多远？这套逻辑，从商业安全延伸到社会管理，几乎是无缝的。力量的重塑，总是在人们不经意的地方开始。

墓碑科技

20,767 görüntüleme • 5 ay önce

说个暴论，再过三年，一个公司说我们没有AI agent，给人的感觉，跟今天说我们没有网站一模一样。扎克伯格这段话，信息量太大了，但90%的人会漏掉最关键的那一句，未来每个企业都会有自己的AI agent，就像今天你开公司必须有网站、有邮箱、有电话一样，不是加分项，是最低配置，你仔细想想这个类比的杀伤力， 2024年一个公司说我们没有网站，你会觉得这公司是不是已经倒闭了，再过几年，一个公司说我们没有AI agent，给人的感觉是一模一样的，而且这里面最残酷的一点是，你没法靠更努力来追，对手的AI两秒响应，记住每个客户的名字，同时服务上万人，你靠加班加人加预算，全都追不上，因为这根本不是同一个维度的竞争，但我觉得这个视频里最容易被忽略的，是Zuck明确押注开放和分布式，他要的不是所有人都来租Meta的AI，而是让每个企业、每个创作者自己改模型、自己建agent，这步棋才是真正值得琢磨的，他赌的不是AI agent会火，这个谁都知道，他赌的是去中心化会赢。

说个暴论，再过三年，一个公司说我们没有AI agent，给人的感觉，跟今天说我们没有网站一模一样。扎克伯格这段话，信息量太大了，但90%的人会漏掉最关键的那一句，未来每个企业都会有自己的AI agent，就像今天你开公司必须有网站、有邮箱、有电话一样，不是加分项，是最低配置，你仔细想想这个类比的杀伤力， 2024年一个公司说我们没有网站，你会觉得这公司是不是已经倒闭了，再过几年，一个公司说我们没有AI agent，给人的感觉是一模一样的，而且这里面最残酷的一点是，你没法靠更努力来追，对手的AI两秒响应，记住每个客户的名字，同时服务上万人，你靠加班加人加预算，全都追不上，因为这根本不是同一个维度的竞争，但我觉得这个视频里最容易被忽略的，是Zuck明确押注开放和分布式，他要的不是所有人都来租Meta的AI，而是让每个企业、每个创作者自己改模型、自己建agent，这步棋才是真正值得琢磨的，他赌的不是AI agent会火，这个谁都知道，他赌的是去中心化会赢。

阿绎 AYi

28,223 görüntüleme • 3 ay önce

$大家都在卷云端Agent，我却把多Agent做进了桌面端在技术社区，多Agent系统的文章越来越多，但大多数都围绕框架展开： ➢LangChain ➢AutoGen ➢CrewAI 我这次想讲的不是框架，而是一个更实际的问题：如果不搭云端基础设施，只靠一个桌面应用，能不能从零构建一个“活的”多 Agent 协作系统？答案是：可以 --- 而且它不是Demo 这套系统，长在一个真实的桌面Web3应用里，已经集成了： -EVM / Solana 双链监控 -SWAP 聚合交易 -链上新币追踪 -交易仪表盘 -AI 深度解读多Agent不是从PPT里设计出来的，而是在生产环境中自然演化出来的。 --- 在讨论多Agent技术实现之前，我先回答一个方向性问题：为什么我最后选的是桌面端，而不是更主流的云端部署，或者更轻的浏览器插件方案？这个选择的本质，不是“谁更先进”，而是三条技术路径之间的权衡。 --- 云端部署，是当下最主流的多Agent实现方式。它的优势很明显：可以随时为Agent团队加GPU 模型升级不需要用户干预服务端可以维护全局共享记忆但代价同样明显：用户数据必须经过服务器中转链上交易往往要对服务器开放私钥访问权限而且会持续产生部署和维护成本 --- 浏览器插件，是另一条轻量路线。它可以直接注入页面，读取DOM，模拟用户操作，对单一自动化任务非常高效。但问题也很直接： >它运行在浏览器沙箱里 >缺少持久化存储能力 >缺少长时间运行的后台线程 >很难支撑复杂的记忆系统 >也很难支撑Agent与Agent之间的异步互动 --- 桌面应用则处在一个独特的位置。它拥有完整的系统资源访问权限： ➢可以自启动后台线程 ➢可以读写本地文件系统 ➢可以建立持久化数据库连接这些能力，恰恰是多Agent系统真正需要的底层设施代价当然也有：它依赖本地算力，模型推理通常仍要调用云端 API 它需要完整 Python 环境更新和分发也比网页应用更复杂。 --- 所以，选择桌面端构建多Agent，本质上是在用分布式能力，换取数据隐私和调度效率。这不是绝对优势，而是场景决定的选择。对加密货币交易、链上分析、监控这类系统来说，数据隐私要求远高于常规应用： >钱包地址 >交易历史 >持仓数据这些信息落在云服务器上，本身就是风险面。 --- 更重要的是调度效率在单体桌面应用里，主Agent调度子Agent执行任务，不需要走HTTP / RPC这类网络协议，而是可以直接进程内调用。这意味着： →网络开销被彻底消除 →调用延迟从毫秒级压到微秒级对高频分析、链上监控、交易辅助这种场景来说，这种差异会直接影响系统的时效性。 --- 多Agent系统的第一个核心挑战，其实不是“怎么让它们聊天”，而是“怎么把它们隔离开” 主Agent、合约分析Agent、安全审计Agent，再加上用户，如果聊天记录和记忆混在一起，身份就会混淆。而一旦混淆，信息丢失和错误推理的代价，随时会发生。 --- 我的做法是：代码模板统一，运行数据隔离所有子Agent共用同一套 ` 引擎，但通过动态表名，实现物理级的数据隔离： `table_name = f"chat_history_{self.agent_id}"` 然后自动创建对应表。也就是说： trader Agent会生成 `chat_history_trader` 审计 Agent 会生成自己的 `chat_history_xxx` 主 Agent 也有自己的独立聊天表这不是逻辑隔离，而是数据库层面的物理隔离。 --- 反思笔记也是同样的设计。每个子 Agent 都会记录自己的反思键： `reflection_key = f"auto_reflection_{self.agent_id}"` `self.api._agent_remember("master_insight", reflection_key, summary)` 这样每个Agent只积累自己的长期反思，不会污染其他Agent的记忆。这套方案最精髓的地方在于：一次设计，终身复用。 --- 后面再新增第三个、第四个Agent，不需要改任何核心代码。只需要复制目录结构，补上配置文件。模板引擎就会自动为它生成： →独立数据库表 →独立反思键 →独立聊天存储区这让我越来越相信一件事：好的架构，不一定更复杂，但一定更容易复用。 --- 接下来是调度问题。在分布式系统里，主Agent调子Agent，通常要依赖： -HTTP / RPC 通信 -服务发现 -负载均衡但在单体桌面应用里，我把这件事简化成了一个直接函数调用： `sub = self.sub_agents[agent_id]` `result = sub.process(task, save_history=False)` 这就是“命令而非请求”。 --- 这种“传话式调度”有两个好处：第一，延迟从毫秒级降到微秒级，所有数据都留在本地流转第二，主 Agent 不需要知道子 Agent 的内部实现细节，只需要知道： “它可以处理什么类型的任务” 这其实就是清晰的职责边界。 --- 为了让主Agent真正会“派活”，我把所有子Agent的能力清单，动态注入进主Agent的系统提示词。例如：合约分析 Agent：可用工具 `get_contract_market_data`、`run_contract_risk_check` 安全审计 Agent：可用工具 `check_token_security`、`check_token_audit_binance` 这样主Agent接到用户指令后，就能自动判断任务类型，并选择合适的子Agent执行。 --- 权限控制，是整个多Agent系统里最核心的安全问题之一。主Agent持有26个Web3专属工具，覆盖： SWAP 报价链上分析安全检测数据查询但每个子Agent只应该使用自己那一小部分工具。所以第一层，我在代码层做了严格白名单过滤： `return [t for t in all_tools if t["function"]["name"] in self.allowed_tools]` --- 但只有代码过滤还不够。因为大模型会产生“幻觉”，它可能尝试调用未授权工具。所以第二层，我在系统提示词末尾，直接写入“工具使用铁律”：你只拥有以下这些工具，绝对不能越界。如果任务需要其他工具，必须明确告诉老板你没有权限。代码层负责“不能看到” 提示词层负责“不会越界” 这是我在权限隔离上做的双层防护。 --- 还有一个我自己很喜欢，但最不显眼的设计：我给整个Agent 团队，单独做了一个茶水间市面上多数多Agent系统，只做“用户 -> Agent”的交互。 Agent 之间互不交流。但我单独设计了一个 `agent_interactions` 空间，让 Agent 和 Agent 之间也能异步互动。 --- 它的触发机制甚至很简单： `selected_id = random.choice(list(api.sub_agents.keys()))` `selected_sub = api.sub_agents[selected_id]` 每次触发时，引擎随机选人，动态生成一轮对话，再写回数据库，前端实时渲染。我还额外加了后台检查线程和防无限循环机制：每隔 2-3 分钟检查最后一条消息如果最近 3 条都是自动回复，就自动暂停避免它们半夜自己聊到停不下来。 --- 这个“茶水间”的价值不在于直接创造业务收益，而在于一种潜移默化的系统人格塑造。它不强调自己的存在，却在悄悄维持 Agent团队的凝聚力、性格关系和健康状态。你几乎感觉不到它，但系统会因为它，变得更像一个“活着的团队”。 --- 在记忆层设计上，我最后没有引入向量数据库，而是继续深度定制 SQLite。不是因为技术保守，而是因为工程决策必须在约束条件下做权衡。对桌面应用来说，多一个依赖，就多一个故障点、多一个安全风险面、多一个打包负担。结果是： >几张SQLite表 >动态表名 >结构化JSON字段就支撑起了3个乃至更多Agent的独立记忆系统。 --- 这套记忆系统现在已经形成了一条完整链路：短期对话记忆（20条） -> 长期反思笔记（6小时一次） -> 结构化 JSON 记录而我还在继续推进8个方向： ➤上下文延续 ➤记忆结构化 ➤记忆驱动行为 ➤心理学三类长期记忆 ➤团队协作记忆 ➤动态进化记忆 ➤知识图谱记忆 ➤记忆压缩与高效检索我的目标，不是让Agent记住你说过什么而是让它从记住你说过什么的工具，慢慢进化成能理解你、预测你、协同你的长期伙伴 GitHub: 作者：Powerpei（萧楠）$

大家都在卷云端Agent，我却把多Agent做进了桌面端在技术社区，多Agent系统的文章越来越多，但大多数都围绕框架展开： ➢LangChain ➢AutoGen ➢CrewAI 我这次想讲的不是框架，而是一个更实际的问题：如果不搭云端基础设施，只靠一个桌面应用，能不能从零构建一个“活的”多 Agent 协作系统？答案是：可以 --- 而且它不是Demo 这套系统，长在一个真实的桌面Web3应用里，已经集成了： -EVM / Solana 双链监控 -SWAP 聚合交易 -链上新币追踪 -交易仪表盘 -AI 深度解读多Agent不是从PPT里设计出来的，而是在生产环境中自然演化出来的。 --- 在讨论多Agent技术实现之前，我先回答一个方向性问题：为什么我最后选的是桌面端，而不是更主流的云端部署，或者更轻的浏览器插件方案？这个选择的本质，不是“谁更先进”，而是三条技术路径之间的权衡。 --- 云端部署，是当下最主流的多Agent实现方式。它的优势很明显：可以随时为Agent团队加GPU 模型升级不需要用户干预服务端可以维护全局共享记忆但代价同样明显：用户数据必须经过服务器中转链上交易往往要对服务器开放私钥访问权限而且会持续产生部署和维护成本 --- 浏览器插件，是另一条轻量路线。它可以直接注入页面，读取DOM，模拟用户操作，对单一自动化任务非常高效。但问题也很直接： >它运行在浏览器沙箱里 >缺少持久化存储能力 >缺少长时间运行的后台线程 >很难支撑复杂的记忆系统 >也很难支撑Agent与Agent之间的异步互动 --- 桌面应用则处在一个独特的位置。它拥有完整的系统资源访问权限： ➢可以自启动后台线程 ➢可以读写本地文件系统 ➢可以建立持久化数据库连接这些能力，恰恰是多Agent系统真正需要的底层设施代价当然也有：它依赖本地算力，模型推理通常仍要调用云端 API 它需要完整 Python 环境更新和分发也比网页应用更复杂。 --- 所以，选择桌面端构建多Agent，本质上是在用分布式能力，换取数据隐私和调度效率。这不是绝对优势，而是场景决定的选择。对加密货币交易、链上分析、监控这类系统来说，数据隐私要求远高于常规应用： >钱包地址 >交易历史 >持仓数据这些信息落在云服务器上，本身就是风险面。 --- 更重要的是调度效率在单体桌面应用里，主Agent调度子Agent执行任务，不需要走HTTP / RPC这类网络协议，而是可以直接进程内调用。这意味着： →网络开销被彻底消除 →调用延迟从毫秒级压到微秒级对高频分析、链上监控、交易辅助这种场景来说，这种差异会直接影响系统的时效性。 --- 多Agent系统的第一个核心挑战，其实不是“怎么让它们聊天”，而是“怎么把它们隔离开” 主Agent、合约分析Agent、安全审计Agent，再加上用户，如果聊天记录和记忆混在一起，身份就会混淆。而一旦混淆，信息丢失和错误推理的代价，随时会发生。 --- 我的做法是：代码模板统一，运行数据隔离所有子Agent共用同一套 ` 引擎，但通过动态表名，实现物理级的数据隔离： `table_name = f"chat_history_{self.agent_id}"` 然后自动创建对应表。也就是说： trader Agent会生成 `chat_history_trader` 审计 Agent 会生成自己的 `chat_history_xxx` 主 Agent 也有自己的独立聊天表这不是逻辑隔离，而是数据库层面的物理隔离。 --- 反思笔记也是同样的设计。每个子 Agent 都会记录自己的反思键： `reflection_key = f"auto_reflection_{self.agent_id}"` `self.api._agent_remember("master_insight", reflection_key, summary)` 这样每个Agent只积累自己的长期反思，不会污染其他Agent的记忆。这套方案最精髓的地方在于：一次设计，终身复用。 --- 后面再新增第三个、第四个Agent，不需要改任何核心代码。只需要复制目录结构，补上配置文件。模板引擎就会自动为它生成： →独立数据库表 →独立反思键 →独立聊天存储区这让我越来越相信一件事：好的架构，不一定更复杂，但一定更容易复用。 --- 接下来是调度问题。在分布式系统里，主Agent调子Agent，通常要依赖： -HTTP / RPC 通信 -服务发现 -负载均衡但在单体桌面应用里，我把这件事简化成了一个直接函数调用： `sub = self.sub_agents[agent_id]` `result = sub.process(task, save_history=False)` 这就是“命令而非请求”。 --- 这种“传话式调度”有两个好处：第一，延迟从毫秒级降到微秒级，所有数据都留在本地流转第二，主 Agent 不需要知道子 Agent 的内部实现细节，只需要知道： “它可以处理什么类型的任务” 这其实就是清晰的职责边界。 --- 为了让主Agent真正会“派活”，我把所有子Agent的能力清单，动态注入进主Agent的系统提示词。例如：合约分析 Agent：可用工具 `get_contract_market_data`、`run_contract_risk_check` 安全审计 Agent：可用工具 `check_token_security`、`check_token_audit_binance` 这样主Agent接到用户指令后，就能自动判断任务类型，并选择合适的子Agent执行。 --- 权限控制，是整个多Agent系统里最核心的安全问题之一。主Agent持有26个Web3专属工具，覆盖： SWAP 报价链上分析安全检测数据查询但每个子Agent只应该使用自己那一小部分工具。所以第一层，我在代码层做了严格白名单过滤： `return [t for t in all_tools if t["function"]["name"] in self.allowed_tools]` --- 但只有代码过滤还不够。因为大模型会产生“幻觉”，它可能尝试调用未授权工具。所以第二层，我在系统提示词末尾，直接写入“工具使用铁律”：你只拥有以下这些工具，绝对不能越界。如果任务需要其他工具，必须明确告诉老板你没有权限。代码层负责“不能看到” 提示词层负责“不会越界” 这是我在权限隔离上做的双层防护。 --- 还有一个我自己很喜欢，但最不显眼的设计：我给整个Agent 团队，单独做了一个茶水间市面上多数多Agent系统，只做“用户 -> Agent”的交互。 Agent 之间互不交流。但我单独设计了一个 `agent_interactions` 空间，让 Agent 和 Agent 之间也能异步互动。 --- 它的触发机制甚至很简单： `selected_id = random.choice(list(api.sub_agents.keys()))` `selected_sub = api.sub_agents[selected_id]` 每次触发时，引擎随机选人，动态生成一轮对话，再写回数据库，前端实时渲染。我还额外加了后台检查线程和防无限循环机制：每隔 2-3 分钟检查最后一条消息如果最近 3 条都是自动回复，就自动暂停避免它们半夜自己聊到停不下来。 --- 这个“茶水间”的价值不在于直接创造业务收益，而在于一种潜移默化的系统人格塑造。它不强调自己的存在，却在悄悄维持 Agent团队的凝聚力、性格关系和健康状态。你几乎感觉不到它，但系统会因为它，变得更像一个“活着的团队”。 --- 在记忆层设计上，我最后没有引入向量数据库，而是继续深度定制 SQLite。不是因为技术保守，而是因为工程决策必须在约束条件下做权衡。对桌面应用来说，多一个依赖，就多一个故障点、多一个安全风险面、多一个打包负担。结果是： >几张SQLite表 >动态表名 >结构化JSON字段就支撑起了3个乃至更多Agent的独立记忆系统。 --- 这套记忆系统现在已经形成了一条完整链路：短期对话记忆（20条） -> 长期反思笔记（6小时一次） -> 结构化 JSON 记录而我还在继续推进8个方向： ➤上下文延续 ➤记忆结构化 ➤记忆驱动行为 ➤心理学三类长期记忆 ➤团队协作记忆 ➤动态进化记忆 ➤知识图谱记忆 ➤记忆压缩与高效检索我的目标，不是让Agent记住你说过什么而是让它从记住你说过什么的工具，慢慢进化成能理解你、预测你、协同你的长期伙伴 GitHub: 作者：Powerpei（萧楠）

Powerpei🦅🏆买美股上币安

227,217 görüntüleme • 2 ay önce

两周前，我和老朋友田鸿飞录制了一期关于边缘 AI 的播客。田鸿飞是 Olares 的联合创始人，Olares 是一款面向 AI 的操作系统，类似于个人 VPS，方便安装服务和 AI 模型，Olares One 就是这个系统的专用硬件，配备了 NVIDIA 5090 以及 96G 的内存。其实这两周爆火的 OpenClaw 给了大家一个很好的启示，一款边缘 AI OS 只需提供 Unix 内核和一个文件系统，一套在本地运行 AI Agent 的框架，能够调用本地模型或者远端能力更强大的模型，你的个人数据还有执行权限才是这个 AI 助理的关键所在！ OpenClaw 的作者 Peter Steinberger 说 MCP 是垃圾，它没法扩展。人们在它周围搞各种奇怪的搜索功能，但你知道什么真正能扩展？命令行工具。" 因为： - AI 模型已经懂 Unix； - 你的电脑上可以有上千个小程序； - 模型只需要知道程序名，调用 -help 查看帮助，就知道怎么使用； - 如果你聪明一点，把工具设计成模型期望的样子，一切都运作得更好；把所有的功能都封装成 Unix 的命令行，然后让 AI Agent 来直接使用这个操作系统，这才是边缘 AI OS 最有趣的地方😃

两周前，我和老朋友田鸿飞录制了一期关于边缘 AI 的播客。田鸿飞是 Olares 的联合创始人，Olares 是一款面向 AI 的操作系统，类似于个人 VPS，方便安装服务和 AI 模型，Olares One 就是这个系统的专用硬件，配备了 NVIDIA 5090 以及 96G 的内存。其实这两周爆火的 OpenClaw 给了大家一个很好的启示，一款边缘 AI OS 只需提供 Unix 内核和一个文件系统，一套在本地运行 AI Agent 的框架，能够调用本地模型或者远端能力更强大的模型，你的个人数据还有执行权限才是这个 AI 助理的关键所在！ OpenClaw 的作者 Peter Steinberger 说 MCP 是垃圾，它没法扩展。人们在它周围搞各种奇怪的搜索功能，但你知道什么真正能扩展？命令行工具。" 因为： - AI 模型已经懂 Unix； - 你的电脑上可以有上千个小程序； - 模型只需要知道程序名，调用 -help 查看帮助，就知道怎么使用； - 如果你聪明一点，把工具设计成模型期望的样子，一切都运作得更好；把所有的功能都封装成 Unix 的命令行，然后让 AI Agent 来直接使用这个操作系统，这才是边缘 AI OS 最有趣的地方😃

indigo

17,512 görüntüleme • 5 ay önce

普通人做产品最大的短板不是技术，不是流量，是你根本不知道你的用户在想什么大厂有用研团队、有焦点小组、有百万级调研预算在百度做PM的时候，每几天都会有一份定制化的《竞品动态日报》《消费者洞察报告》躺在所有员工的邮箱里字节跳动昨天上线了什么新功能,腾讯哪个部门在招什么岗位,什么赛道的用户在关注什么产品，什么产品的数据又卖爆了当时我就在想：如果我出来单干，我想获得这些信息，不得难死，这笔钱谁给我出？后来真出来了，答案是——根本没人出😂 所以和大部分独立开发者一样，我做产品验证需求的方式是：发朋友圈问问、在推特宣发一下、看看竞品评论区、然后凭直觉赌一把连续创业五年，我见过最多的死法不是产品做不出来是产品做出来了，没人要，花三个月憋 MVP，上线后发现需求是自己臆想的这个痛，做过产品的人都懂做出海的朋友更惨你的目标用户在地球另一边，时差 12 小时，语言不通，文化不同去年帮一个朋友的品牌做北美市场，最头疼的不是投放，是根本不知道美国消费者怎么想，美国人文化和中国差距太大了招一个本地调研公司，报价 8 万美金起步，找几个留学生做访谈，样本太小、还有幸存者偏差，有时候还访谈不明白最后还是靠猜现在这件事有了一个结构性的解法 Atypica atypica.AI 上线了一个新功能叫 AI Panel，一句话解释：它让你拥有了一个属于自己的焦点小组不是 ChatGPT 扮演用户那种玩法是基于 100 万+ 真实用户数据构建的 AI Persona，每个人有完整的背景、性格、认知偏差、消费决策框架关键是——这个焦点小组是可复用的你今天问一次，下个月产品迭代了再问一次同一群人，持续追踪，看他们的态度变化这在传统调研里叫 longitudinal study，成本极高现在你一个人就能做三种方式构建你的 Panel： 1）自动沉淀：用 Atypica 做完一次 Research 后，参与访谈的 AI Persona 自动沉淀成 Panel，下次直接调用 2）手动挑人：从 100 万+ 的 Persona Library 里按关键词搜索，添加组队 3）按需生成：输入需求描述，系统从零帮你构建一个全新的 Panel 组好之后随时打开，输入研究话题支持一对多深度访谈，也支持多对多 Group Discussion 我试了一个真实场景我之前做过一个面向内容创作者的 AI 写作工具，想验证订阅制定价构建了一个Panel：YouTube 创作者、推特创作者、独立播客主直接问：你平时写作的痛点有哪些？流程有哪些 10 分钟，直接就拿到了需求的分类和反馈这种颗粒度，以前要花两周招募 + 一周访谈 + 几万块预算现在 10 分钟，一个人搞定如果你是以下三种人，这个功能对你来说是刚需：做出海产品的创业者——你的用户在地球另一边，以前只能看竞品评论区猜需求，现在直接构建目标市场的用户 Panel，随时追问需要反复迭代验证的产品团队——每次加功能都要做用户测试，Panel 让你不用每次重新招人，同一群用户持续追踪反应变化需要大规模样本的场景——比如你想了解 2000 个家庭的消费偏好，传统手段几乎不可能，Panel 可以我觉得我们普通人做产品和大厂的差距，不应该是有没有用户调研团队而是用什么方式理解用户，大厂用人力堆，我们用 AI 跑以前这是一句空话，因为 ChatGPT 扮演用户的结果你自己都不信现在不一样了——100 万+ 真实数据构建的 Persona，有来源、有背景、有决策框架它不能替代真人调研的最终验证但它能让你在写第一行代码之前，就知道方向对不对调研从一个季度一次的项目，变成了随时可调用的能力这对一个人做产品的人来说，是基础设施级别的变化我推荐每一个想做生意，产品的人都去试一试，这可能就是你和用户面对面沟通的第一步：

普通人做产品最大的短板不是技术，不是流量，是你根本不知道你的用户在想什么大厂有用研团队、有焦点小组、有百万级调研预算在百度做PM的时候，每几天都会有一份定制化的《竞品动态日报》《消费者洞察报告》躺在所有员工的邮箱里字节跳动昨天上线了什么新功能,腾讯哪个部门在招什么岗位,什么赛道的用户在关注什么产品，什么产品的数据又卖爆了当时我就在想：如果我出来单干，我想获得这些信息，不得难死，这笔钱谁给我出？后来真出来了，答案是——根本没人出😂 所以和大部分独立开发者一样，我做产品验证需求的方式是：发朋友圈问问、在推特宣发一下、看看竞品评论区、然后凭直觉赌一把连续创业五年，我见过最多的死法不是产品做不出来是产品做出来了，没人要，花三个月憋 MVP，上线后发现需求是自己臆想的这个痛，做过产品的人都懂做出海的朋友更惨你的目标用户在地球另一边，时差 12 小时，语言不通，文化不同去年帮一个朋友的品牌做北美市场，最头疼的不是投放，是根本不知道美国消费者怎么想，美国人文化和中国差距太大了招一个本地调研公司，报价 8 万美金起步，找几个留学生做访谈，样本太小、还有幸存者偏差，有时候还访谈不明白最后还是靠猜现在这件事有了一个结构性的解法 Atypica atypica.AI 上线了一个新功能叫 AI Panel，一句话解释：它让你拥有了一个属于自己的焦点小组不是 ChatGPT 扮演用户那种玩法是基于 100 万+ 真实用户数据构建的 AI Persona，每个人有完整的背景、性格、认知偏差、消费决策框架关键是——这个焦点小组是可复用的你今天问一次，下个月产品迭代了再问一次同一群人，持续追踪，看他们的态度变化这在传统调研里叫 longitudinal study，成本极高现在你一个人就能做三种方式构建你的 Panel： 1）自动沉淀：用 Atypica 做完一次 Research 后，参与访谈的 AI Persona 自动沉淀成 Panel，下次直接调用 2）手动挑人：从 100 万+ 的 Persona Library 里按关键词搜索，添加组队 3）按需生成：输入需求描述，系统从零帮你构建一个全新的 Panel 组好之后随时打开，输入研究话题支持一对多深度访谈，也支持多对多 Group Discussion 我试了一个真实场景我之前做过一个面向内容创作者的 AI 写作工具，想验证订阅制定价构建了一个Panel：YouTube 创作者、推特创作者、独立播客主直接问：你平时写作的痛点有哪些？流程有哪些 10 分钟，直接就拿到了需求的分类和反馈这种颗粒度，以前要花两周招募 + 一周访谈 + 几万块预算现在 10 分钟，一个人搞定如果你是以下三种人，这个功能对你来说是刚需：做出海产品的创业者——你的用户在地球另一边，以前只能看竞品评论区猜需求，现在直接构建目标市场的用户 Panel，随时追问需要反复迭代验证的产品团队——每次加功能都要做用户测试，Panel 让你不用每次重新招人，同一群用户持续追踪反应变化需要大规模样本的场景——比如你想了解 2000 个家庭的消费偏好，传统手段几乎不可能，Panel 可以我觉得我们普通人做产品和大厂的差距，不应该是有没有用户调研团队而是用什么方式理解用户，大厂用人力堆，我们用 AI 跑以前这是一句空话，因为 ChatGPT 扮演用户的结果你自己都不信现在不一样了——100 万+ 真实数据构建的 Persona，有来源、有背景、有决策框架它不能替代真人调研的最终验证但它能让你在写第一行代码之前，就知道方向对不对调研从一个季度一次的项目，变成了随时可调用的能力这对一个人做产品的人来说，是基础设施级别的变化我推荐每一个想做生意，产品的人都去试一试，这可能就是你和用户面对面沟通的第一步：

超级个体｜柿子

92,402 görüntüleme • 14 gün önce