jiang hu @matrixping

@wyl2035 @realDonaldTrump

@wyl2035 我愿意

@wyl2035 我不信哈

@crystal42ik3 怎么玩哈

@v_zavalza 滨江

@akisao1215 滨江

兄弟们，MiniMax速度太快了！ 居然 搞了一个手机版的龙虾，已经在App Store 可以直接下载使用。 感兴趣的可以试试，到底完成度如何，等我测试后反馈！ apps.apple.com/hk/app/minimax…

MiniMax_Agent @MiniMaxAgent

7 months ago

Meet MaxClaw on Mobile 📱 MaxClaw is now live in inside our app. It syncs with web messages, and you can chat with 🦞 directly on mobile — no IM required!

47 60 818 279K 545

刚开始搭一人 AI 公司的时候踩过这个坑 看到任务来了，直接找对应的 Agent—— 写推文找内容运营，做调研找研究员，要早报找情报员 每个 Agent 都跑得挺快，但我越来越累 因为我成了那个协调员 后来才反应过来：我缺的不是 Agent，是总管 现在我搭系统的第一原则就是—— 总管是唯一入口 不管我要什么，只跟总管说 总管去判断优先级、分配任务、收集结果 我不用再操心研究员和产品师要不要同步，情报员和运营怎么协作 总管替我管 最爽的是什么？ 是我不需要知道背后谁在跑，只需要看结果 这感觉就像—— 以前我是厨师，天天在厨房炒菜 现在我是老板，点菜就行 一人 AI 公司，玩的不是 Agent 数量，是决策层级 你加一层总管，就从执行者变成了决策者 这层转变，才是真的有价值

有人已完成了雇佣小龙虾来管理自己的闲鱼账号的代码了. 小龙虾支持： - 选品（虚拟电影-夸克发货）、 - 上架（自动生成图文和有吸引力的文案、竞品和定价）、 - 调价（总是比竞品第） - 下架（看量，量不行的下架） - 24小时客服，有人情味，给足情绪价值。 - 自动发货 简直就是个自动赚钱机器 ...

Y11 @seclink

7 months ago

有个哥们在闲鱼上卖claude的号，让我们计算一下： 1. 在小红书160元人民币一个号； 2. 实际上都是0成本的东西（虚拟邮箱 + 海外虚拟手机号接码 + 虚拟信用卡），试用期30天，总成本不到6元人民币一个号； 3. 问题是，在他这里买的号实际存活不超过3天就会被封

60 51 575 408K 542

最近 Agent 圈子真的有点卷出新阶段了，最近刷帖子有刷到一个叫OpenFang的项目 它不是单纯让 Agent 更聪明，而是试图把零散的 AI 能力——爬虫、写作、剪辑、浏览器自动化、数据分析——全部串成一条可以持续自动运转的流水线。 我觉得它最有意思的设计，是那个叫 Hands 的概念。 普通 Agent 像什么？像外包。 你说一句，它干一句；流程断了，还得你自己接。 Hands 更像一个有完整 SOP 的员工。 你给目标，它自己按计划跑，知道什么时候干什么、用什么工具、最后把结果交到哪里。中间不需要你盯着。 这点非常关键。 我们以前谈 Agent，大多是在谈“能力”； 现在开始谈的是“工作方式”。 OpenFang 这次内置的几个 Hands，我看下来思路都很工程化： ·Collector 持续盯竞对、舆情变化，自动构建知识图谱 ·Lead 自动跑潜在客户挖掘，打分、去重、打包输出 ·Researcher 用交叉验证生成带引用报告 ·Clip 自动剪视频、做字幕、封面、发布 ·Browser 自动操作网页，但涉及支付会强制人工确认 这不是“会不会用工具”的问题，而是——能不能自己把一条流程闭环跑完。 更重要的是安全架构。 Agent 权限越大，风险越大。 OpenFang 把 16 层安全机制直接写进架构里，WASM 沙箱、哈希链日志、消费强制人工确认……这些设计说明它不是在做玩具，而是在往“生产级系统”方向走。 OpenFang 明显是在第三阶段发力。 这有点像当年的 Docker。 Docker 不是让程序变聪明，而是让部署变标准化、可复制。 Hands 本质上也是在做同一件事——把 AI 的工作流程标准化、封装化。 未来的竞争，可能不再是谁模型更强，而是谁的 Agent 流程跑得更稳、更安全、成本更低。 当一个人能管理 10 条、50 条、100 条自主运行的流程，那他本质上是在管理一支数字团队。 OpenClaw 打开了能力，ZeroClaw 打磨了性能，OpenFang 开始做“组织”。 Agent 这条线，越来越清晰了。

keyboard_arrow_left Previous keyboard_arrow_right Next

软件工程的杰文斯悖论！但如果你降低了某种原本供应受限的商品的价格，那么对这种商品的需求就会上升。现在 AI Agent 把软件工程的价格打了下来。每个中小企业、IT 团队都意识到，工程技术如今能够大幅提升产出，于是他们开始考虑自己构建和自动化，那些原本只有大企业用豪华开发团队才能实现的功能。 现在这个方法奏效了，但发现自动化还有很多维护工作要做，于是，他们开始雇佣更多工程师来完成这些工作。那些被科技公司裁掉的软件工程师可以去其它需要他们的行业再就业，但被自动化替代掉的职位就没那么幸运了；同样，也会有大量的 SaaS 被中小企业用 Agent 替代掉，因为 AI 能够完全按照自己的需求构建。 今天下午和一个传统金融贷款公司的老板聊，一个完全没有技术人员的公司，都有了找 AI 技术顾问的需求，来构建自己的自动化 Agent 降本增效，完全印证了这张图的数据局势🤔

@ws_xiaoyiyi 11

评估 AI Agent 的上下文压缩策略 在处理软件开发等需要连续性的任务时，单纯追求上下文高压缩率并不足够，更重要的是压缩后是否保留了 AI Agent 继续有效工作的关键信息。 @FactoryAI 提出的结构化总结方法，在实际任务表现上优于 OpenAI 和 Anthropic。 factory.ai/news/evaluatin… 主要问题 AI Agent 在长时间运行时，会产生海量的对话历史（> 1M token），超出模型上下文窗口限制。简单压缩容易丢失关键细节，例如修改过的文件路径、错误信息或先前决策，导致 AI Agent 重复工作、产生幻觉或任务中断。文章强调，应优化“每任务 token 消耗”而非“每次压缩 token 减少”，以实现高效连续工作。 评估方法创新 传统指标（如 ROUGE 或 Embedding 相似度）仅衡量文本相似性，无法评估压缩后上下文是否支持实际任务延续。文章提出一种基于“探针”的评估框架： · 在压缩后，向 AI Agent 提问特定细节，测试其保留情况。 · 探针分为四类：Recall、Artifact、Continuation 和 Decision。 · 使用 GPT-5.2 作为 LLM 评判器，在六个维度打分（0-5 分）：准确性、上下文感知、工件追踪、完整性、连续性和指令遵循。 三种压缩策略比较 · Factory：采用“anchored iterative summarization”，维护一个结构化的持久总结，包括意图、文件修改、决策和下一步计划。新内容逐步合并，而非每次重新生成。 · OpenAI：使用 `/responses/compact` 接口，压缩率最高（99.3%），但总结不透明，常丢弃文件路径等低熵内容。 · Anthropic：生成详细结构化总结（包含分析、文件、任务等部分），但每次压缩都完整重新生成，可能导致总结漂移。 示例与结果 通过一个调试 401 错误的具体案例说明：Factory 压缩后能准确回忆错误细节和根因，而 OpenAI 和 Anthropic 丢失部分技术 specificity。 在真实生产数据（36,611 条消息）上的大规模测试结果见下方图片。 Factory 在准确性和上下文感知上领先。尽管 OpenAI 压缩率最高，但质量最低，可能因信息丢失导致额外重取成本。 关键启示 · 结构化优先于极端压缩：显式分节总结能更好保留关键信息。 · 压缩率不是唯一指标：高压缩可能牺牲任务效率，总 token 消耗更重要。 · 工件追踪是难点：所有方法在此维度得分较低，需额外索引机制。 · 探针评估更可靠：比传统 NLP 指标更能反映真实可用性。

Factory @FactoryAI

10 months ago

To solve long-running agents, one must first solve context compression. We evaluated compaction/compression strategies from OpenAI, Anthropic, and Factory on 36,000+ messages from real agentic software development sessions.

17 49 485 171K 317

AI 智能体的下半场：为什么“上下文工程”将成为新的技术护城河？ 来自 Box CEO @levie 的精彩分享，以客观严谨的视角分析了 AI 智能体从“模型能力”向“系统架构”演进的必然趋势。 核心范式的转移：从逻辑缺陷到信息不对称 Levie 认为，随着大模型推理能力的跨越式提升，智能体在执行复杂任务时的失败，其根源将不再是逻辑推演的无能，而在于相关背景信息的匮乏。 在这种语境下，开发者的重心正从“提升模型智力”转向“解决信息差”。“上下文工程”的本质，就是通过逆向工程的方法，推导出一个跨领域的超级专家在处理特定任务时，究竟需要哪些维度、何种密度的信息输入。 智能体的悖论：高智商的“失忆全才” 他提出了一个深刻的比喻，揭示了当前智能体架构的物理局限性： · 全域专家属性：智能体具备横跨法律、工程、商业等多个领域的专家级知识库。 · 无状态与空间约束：尽管智力极高，但它是“无状态”的，且受限于上下文窗口，一次只能精准处理中等规模的信息量。 · 这种“高智商但易忘”的特性，决定了系统必须具备极高的信息投喂精度。信息过多会导致模型因噪声而困惑，信息过少则无法支撑决策。 攻坚方向：构建高效的信息供应链 为了弥补智能体的记忆缺陷，行业的技术投入正高度集中在以下四个维度，旨在构建一套闭环的信息分发系统： · 检索与召回：建设超大规模、低延迟的搜索与检索架构，确保数据获取的实时性。 · 启发式排序：通过算法对检索到的信息进行权重排序，确保最关键的 Context 被优先推送到模型前端。 · 系统提示词工程：通过精细化的 System Prompts 定义任务边界与执行逻辑。 · 状态与空间优化：在有限的上下文窗口内，通过创新的数据管理方式，最大限度地节省空间以承载更复杂的推理逻辑。 算力杠杆：AI 处理数据的非对称优势 Levie 强调了一个被低估的优势：AI 在处理上下文时的计算强度远超人类。 人类在短时间内处理海量异构数据的能力是有限的，但智能体可以利用大规模计算资源，在毫秒级完成对海量数据的扫描、精炼与重组。这种“算力驱动的信息处理”能力，正是构建高性能智能体的核心壁垒。

Aaron Levie @levie

10 months ago

We will soon get to a point, as AI model progress continues, that almost any time something doesn’t work with an AI agent in a reasonably sized task, you will be able to point to a lack of the right information that the agent had access to. This is why context engineering is

76 52 537 133K 365

4.5千Star！这个开源PPT神器，一张图就能生成全套模板 这个开源PPT项目太牛逼了！名叫：banana-slides 现在有4千多Star，支持Docker部署安装 昨天朋友推荐的，用过的都说好。 可以提供大纲补全生成，可控性很好。 模版只需要上传一张图片参考就行。 底层基于Nano Banana Pro + 大语言模型，支持第三方API。 地址见评论

keyboard_arrow_left Previous keyboard_arrow_right Next

Agent Skills：开放的 AI Agent 技能标准 Agent Skills 是一个简单、开放的标准格式，用于为 AI Agents 提供新的能力和专业知识，上个月 Claude Skills 首次推出，后续快速得到各家 AI Agent 跟进支持，现在 Anthropic 正式发布为开放标准！ agentskills.io/home 核心概念 · Skill 的结构：一个 Skill 就是一个文件夹，里面必须包含一个 SKILL. md 文件。该文件以 YAML frontmatter 开头，定义技能的 name 和 description，后面是详细的指令、脚本或资源文件。 · 工作原理：Agent 不会一次性加载所有技能内容，而是采用“渐进式加载”： · 启动时，只加载所有技能的简短元数据（名称 + 描述），放入系统提示中，让模型知道有哪些可用技能。 · 当任务匹配某个技能的描述时，代理才动态加载该技能的完整内容（通过读取 SKILL. md 或执行相关脚本）。 · 这解决了传统工具的痛点：上下文窗口有限、所有工具定义需提前加载。Skills 更高效、更灵活，尤其适合复杂或领域特定的工作流。 主要优势 · 为技能作者：一次构建技能包，即可在多个兼容 Agent 产品中复用，便于版本控制和分享。 · 为 Agent 开发者：用户可以轻松添加自定义技能，无需重新训练模型。 · 为团队/企业：将组织内部的流程知识（如法律审查、数据分析管道）封装成可移植的包，实现知识捕获和标准化。 · 启用场景： · 注入领域专家知识（如特定行业的审查流程）。 · 赋予新能力（如生成演示文稿、处理 PDF/Excel、构建服务器）。 · 创建可重复、可审计的工作流。 · 跨产品互操作性：同一个技能可在不同代理中使用。 目前已获得快速采用： · Anthropic Claude、Claude Code · Microsoft 集成到 VS Code 和 GitHub Copilot · Codex、Cursor · OpenCode、Amp、Goose、Letta 等 · 合作伙伴如 Atlassian、Figma、Canva、Notion，提供预构建技能 · 甚至 OpenAI Codex 被观察到在内部悄然采用类似结构 集成方式 Agent 支持 Skills 有两种主要路径： 1. 文件系统型：Agent 有访问文件系统的能力，直接通过命令读取 SKILL. md。 2. 工具型：无文件系统时，实现专用工具让模型触发技能加载。

Alex Albert @alexalbert__

10 months ago

Agent Skills is now an open standard It's been great to see the traction Skills are already getting in the industry and this makes it easier for everyone to build and contribute to them🚀 agentskills.io/home

113 350 3K 789K 2K

年终 PPT 靠 Gemini 了。 - 使用 slidev 框架配合各类前端动效 - ide 可以选择 Gemini cli 或者 antigravity - 加上 chrome devtool mcp 就可以和 Gemini 协同了

🔥兄弟们，在发现了个牛逼 GitHub 开源项目，可以一键用AI生成 draw.io的图，并且能够可视化来创建、修改和增强图表。 这种体验还是很丝滑的，不仅是生成draw.io的图，而是能够在编辑区灵活编辑，可以看做是 draw.io 的一个增强插件。 同样也支持上传PDF文件或者截图按照要求生成指定的图，并在左边编辑区做展示。 地址我放评论区了，可以狠狠收藏起来了。

更新了 Vibe Coding 编码方案(第四条)： 1. 架构设计：Claude Opus + Codex Opus 给出第一版方案，GPT 完善方案返给 Opus ，形成最终方案。然后做 Spec ，进行功能拆分 2. 写代码：Claude Sonnet Sonnet 干活快，不卡壳，赶时间的最优选择 3. 完善代码 + 修 Bug：Codex Codex 修代码 Bug 公认精准 4. 重大更新：Antigravity ① 开三个窗口用不同模型做并行分析 ② Gemini 模型能够直接依据上下文生图填充，不需要再手动生成或者搜索图片了。 最重要的是 Antigravity 目前还没有收费，强烈推荐作为新手入坑的选择，可以熟悉了各个模型再选择适合自己的。

架构即资产：Claude Code 驱动的开发新范式 这是我对AI开发的新想法，按文章这个思路，做一个 claude code skills, 此skill有这样的能力 🚀 标准化导出从成熟项目中提炼模块化架构、依赖注入及核心逻辑，沉淀为 AGENTS.md 模板库。将最佳实践按生命周期目录化，让“成功经验”转化为可复制的项目 DNA。 ⚙️ 自动化初始化新项目导入 PRD 后，AI 自动生成 PgSQL 表结构与 SVG 实体关系图。通过精准拆解任务并关联模板，实现从需求到代码的工程化衔接。 🏗️ 闭环进化这套 Skill 让 AI 不再是盲目写代码的助手，而是严格遵循架构标准的数字化架构师。

宝玉 @dotey

10 months ago

刚看了 OpenAI 发的那篇《How we used Codex to build Sora for Android in 28 days》的凡尔赛文章，整个Sora 的安卓客户端 App大约85%的代码是AI写的。发布首日，用户24小时内生成了超过100万条视频，并且质量很稳定，无崩溃率99.9%。

25 117 579 134K 599