clouad code 如何实现的

只需要四步，就能够让你的 cloud code 直接调用 codex， 实现 ai 生态最强的一套组合。这套组合可能是普通人能够把想法变成真实落地项目的最优解。 为什么这么说呢？现在 ai 写代码本质上就很离谱，一个模型自己规划，自己生成，自己修，最后再自己说一句，我写的挺好，这像什么？像一个学生自己出卷，自己答题，最后自己在批卷， 这个事听着就不对。 ai 编程最大的问题从来不是不会写，而是太敢写。很多代码表面看起来没问没毛病，能跑也能翻译，甚至功能也是通的，但一上生产，坑就开始疯狂往外冒。 所以这套组合真正的价值就体现出来了。我从两个维度给大家分解一下。第一个维度， code 负责干。 这是一种非常自然的分工复杂，项目里最贵的部分往往不是把代码敲出来， 而是怎么拆任务，怎么定价购，怎么判断方向，以及怎么选择实现方式。这些事交给可洛的这种强模型非常合理， 但后面的执行 codex 完全可以接过去，这样一来，整个工作流会变得更顺，也更省。说白了就是贵的模型干贵的活，便宜的模型干重体力活。第二个维度， codex 最狠的不是执行，而是审查。 这个点我必须要单独拎出来说。就是 codex 有 一个我特别喜欢的思路，叫 underwear review， 翻译成人话就是别对这段代码太客气，默认他有坑，带着敌意去审。因为大模型写代码最大的幻觉之一就是他很容易对自己太宽容。 一到自查这一步，很多时候他就开始放水，而对抗性审查的意思是，我不信你，我先默认你写答了。 那这套组合到底适合哪些人？第一种，重度使用 cloud code 的 用户。第二种，对成本特别敏感的人。第三种，已经开始做真实项目的人。 以上就是我对 c c 和 callex 的 个人感受，希望这期视频对大家有所帮助，感谢观看，下期见。

cloud code 浏览器自动化方案应该怎么选？先说结论，再介绍这几个方案。如果你是普通用户，只是想抓取简单页面的内容，订酒店机票，填写一些网站的表单，就用 agent browser。 如果你是开发者，想在开发中排查页面 bug， 查看接口信息，分析性能瓶颈，就用 chrome dvodes mcp。 如果你是测试，想生成测试脚本，执行测试流程，或者是抓取复杂页面的内容，更推荐使用 playwrite mcp。 如果是一些复杂图标 converse 实现的页面，不想依赖其他方式，例如 mcp 的 话，单纯依靠浏览器来操作，那么 cloud in chrome 几乎是你唯一的方案。 那么接下来具体的介绍一下每个方案。首先是 agent browser， 它会解析页面结构，过滤掉样式图片后，将内容交给大模型识别，在对页面变化的适应性和内容识别的准确度方面得到比较好的平衡， 适合进行日常的浏览操作。例如抓取内容平台数据，预定酒店机票，监控商品信息，填写在线表单深层咨询日报 chromos mcd 底层是通过远程调试端口直接控制浏览器，所以天然的比其他查看页面结构的工具可以做更底层的事情，更适合开发者来使用。 例如排查前端页面的 bug， 查看 api 接口信息，分析性能瓶颈，甚至能绕过页面的反爬虫机制人机验证等拦截。 playwrite mcp 会把整个页面的完整结构都交给大模型，所以它能面对很复杂的页面。如果通过 agent browser 抓取一些页面上的内容时，发现不能抓取或者抓取不完整， 可以考虑用 playrite mcp 来抓取，更多的时候会适合 qa 使用。例如辅助生成自动化测试代码，执行自动化测试脚本。微软还推出了 playrite and coi， 可以 搭配 playrite mcp 来干活。 最后是 cloud in chrome 最大的特点是采用纯视觉方案，好处是显而易见的拟人程度最高，任何人类能够操作和看到的内容它都能执行。例如执行 figma 这样的 canvas 画布类应用操作，可直观图标，填写图形验证码。 最后我们看一下它们大致的任务投币消耗量，从低到高依次是， agent browser、 chrome、 dvodes、 mcp、 per write mcp、 cloud in chrome。

spring ai， 你 嘴也太严了，偷偷把 cloud code 的 强大的功能全部搬到了 spring ai 生态里面，就是这个神器啊， spring ai agent 的 utios 藏在了 spring ai 社区里面， 百分之九十的 java 开发者都不知道，看项目名就可以看出来啊，它是 spring ai 封装的一套 agent 的 工具集，它直接逆向了 cloud code 的 核心功能，基本上刚需的功能全有，也就是说你可以利用 spring ai 加这个工具集， 就可以去手写一个 code code， 包含了这些功能啊，包括 skill， 它基于 function 进行的实现，好处呢，就是不依赖大模型， 能在不同的大模型之间啊，无缝切换，不用改代码。还有 ask user question， 能让 agent 在 执行过程中向用户提出多选择题来补全用户提出的问题，专治用户 提示词不明确以及呢 to do right， 它类似于 agent 的 自动规划，按照规划的明细呢去执行任务，其实就是 agent 下的 plan and execute 方式。还有 out memory， 它是 clotcode 的 经典的长期记忆实现，用 markdown 存储了记忆，即便是跨绘画也能记住你的 需求。还有多 a 证的编排， a to a 的 实现，也就是在复杂任务当中，我们能分多个 a 证的来分工执行。代码呢，也是基于 spring boot 的 我们 java 程序员熟悉的味道。之前我就说啊， spring ai 它也可以开发 a 证的，只不过你需要更多的代码量，那这不就给我们提供了这个工具库， 现在呢，可以不依赖 supreme ai， 阿里巴巴 a 政的框架，我们就可以来开发 a 政的应用，但是不要急啊，就目前来看，阿里巴巴 a 政的框架对于 a 政的开发支持的更加完善，因为阿里巴巴 a 政呢，它不仅包含了 supreme ai， 也就是 supreme ai 的 东西， 在我这我都能用，你 supreme ai 更新的东西再多，也会成为我的垫脚石，所以阿里的这一招吸血战法非常的明智啊，并且阿里巴巴 a 政的宏观啊，它还提供基于 graph 的 work flow 流派的流程编排，还有开箱即用的 agent， 但如果你只需要开发轻量级的 agent 应用，那用 supreme ai 结合这个工具级足够。那接下来我会带着大家来学习这个 supreme ai agent 的 use， 我 们开始吧。那我这里整理了一套 java 程序员学习 ai 的 完整学习路线图加完整学习视频加配套代码笔记加配套的项目实战，从大模型选型到微调，再到 ai 开发 agent 的 框架，最后到项目实战，你像智能客服 red 知识库， 撸小龙虾，垂直 ag 的 walk flow 流程开发，最后到部署。为了让大家更好的去面试呢，还整理了一套 java 家 ai 的 高频面试资料，通通无偿分享，需要的小伙伴留下 ai 就 行。 nice！

重大发泄，重大发泄。像如果说玩 curl， curl， curl 的 话，还有那个 hams。 呃，如果是你们想要实现这个 api 的 啊啊， api 免费， 你就直接跟你的 curl 啊，跟你的 viktor body 讲就行了。你看 viktor body 帮我拿那个 curl curl pad 模型是英伟达的，他告诉我在英伟达去找 啊，英伟达的配的是那个 mini max 二点五好像我的汉斯配的是 g m 四点七。我现在目前这两个几乎都已经实现了那个 api， 无无焦虑。 哎，这一点很爽，兄弟们别踩坑，你买一些很多一些模型的话， a p i 不 够，有时候烧钱确实有点困难。那当然，如果说后期要大的话，我估计还是要买，但是这前期还是刚刚摸索的时候，先不要因为这个而焦虑， 我们先试着多问问其他的一些模型。其实国内的模型也不菜，他只是没什么记忆点， 有时候就是你你，你跟沃克巴蒂沟通的时候，你必须要告诉他我昨天跟你聊了什么。好，他要先恢复一下，我确定一下我跟他聊的是什么。好，我接下来 我去问他的时候他才能跟住我昨天跟他聊的记忆就是这一点啊。好，现在目前这个 crocodile 是 前天啊，是昨天下载的，也是只花了三分钟的时间不到就下载了好像 hamster 是 昨天。呃，是前天， 是前天还是大前天啊？是，应该是大前天下载的也是一样的，只要几分钟下载了。你看现在目前的所有的一些配置，我全部是按那按那个，全部是叫这个威克八提给我搞定的。 其实当我们不懂的时候，你我自己也在那个在抖音上去找一些啊，如何部署啊，包括一些教程，其实对于我们小白来讲是没没太大的一些用。为什么？因为 因为你研究这些东西你你找不到，包括我下这个 code code 的 话，嗯，因为我英文也不懂，对吧？这里也不懂那里不懂，我直接就让他执行了，让维克巴蒂执行了，也就相对来讲，现在维克巴蒂他是属于我的。 是是是，属于我的秘书一样的，我叫他干嘛就干嘛了。好，至于配这两个，我现在目前因为配的大脑不一样啊，国外的 啊，毕竟是英伟达的啊，你像 mix max 啊，那个迷你 max 二点五，反正网上也是吹爆了啊，具体怎么样反正我用了再讲，兄弟们，反正别别别，太坑了。别，就是啥也不懂去问， 你一定要去问，你不问它也不行是吧，而且主要的就是会节省一些时间，你花更多的时间去研究。 嗯，一些视频之类的就是你，更多的是你不用按那个操作，因为我们不是这个科班毕业的，对吧？我们是属于是是属于半半调子出来的人，所以说兄弟们别浪费。嗯，这是一个很好的点啊，加油。

你绝对想不到， colode code 的 项目创始人在访谈里说，他这两个月的代码几乎全部是在手机上完成的， mac 都已经吃灰了，并且这种方式已经变成了奥斯洛克团队内部的常态， 你是不是感到非常吃惊？听完这个访谈之后，我立马去把 colode code 也接入了飞书，实现了随时让 cc 帮我做项目。 今天把接入方式分享给大家。它的实现方式非常简单，就是通过 github 上一个开源项目叫 cc connect 这个项目，它的作用是将本地的编程智能体，比如 codex、 cloud code， 还有 jimmy 的 c r i。 这些智能体与飞书、钉钉、微信的聊天软件进行连接。 它的主要优势有以下几点，第一个，它支持超过十种 ai agent 代理，比如 cloud code、 context 和各种 c r i。 第二， 支持十一个聊天软件，像什么飞书、钉钉、微信等等， q q 都可以支持。第三，支持多智能体编排，将多个机器人拉到一个群聊里，让它们彼此交流。 第四，可以通过聊天控制，就是非常方便。第五，持久记忆非常重要。第六，智能调度，可以用自然语言设置定时任务。第七，支持多模态，语音和图像都能够识别，是不是非常强大，是不是特别像龙虾？

今天这一期我们重点讲怎么样让 agent 可以 有一个高效的大脑，也就是你的第二大脑。其实在这段时间的不停的沉淀过程当中，一直想找好的方案，比如说 cloud or open cloud， 这样在测试下来会发现 啊，它的效率是极低的，而且并没有什么用，所以啊盲盒操作是很难的。 然后最后我们找到一个最好的方案是什么呢？就是 office day 加上，然后去形成这样一套知识库，然后结合自动化 n 八 n 以及非输的一个啊交互优化，通过这种的生活上的日常场景啊去实现。那实际上我简单说一下，这个就是它，这个 office 它的好处是什么？它的好处是首先它对于你所有的 知识和沉淀的过程当中啊，你的很多知识，包括我们用自动化去采集数据梳理，你是没有办法很好的去梳理，这也是一直我在寻找的方案，一个切实可行能解决的方案试了很多， 像以前，比如说以前的时代，我之前跟别人也在聊，就说工业时代是写这个表格，非书表，这是上一个时代的产物，这些它可以加入向量数据库，对你庞大数据库，对文件进行向量缩影，那加快它查找文件的速度，而且它响应是特别特别快的。 好。第三个维度就是它出生成的质量会特别高，在你所有的运营过程中，或者你的生产过程当中，你得到了很多很多的知识，你都需要去沉淀，你只需要很简单的做到头位 给到它，它就可以啊，快速的帮你去建立一套完整的知识库，也就是你的大脑，其实我们可以从这就可以看，实际上像最大的点实际上就是它啊这些产生的这些内容， 比如说像，所以你看他是很大的，对吧？实际上他就是通过这样的一种量子关系，把这些所有的知识点全部串联起来，那你只需要去不停的去跟他，去喂养他，去找一些爆款一些，你只要把你的一套的逻辑给到他， 然后他就会慢慢的越来越聪明，越来越知道你想要什么东西，而且越来越符合你需要的方向，这是 真正的彻底解决了这个 ai 的 运营上面的真正的落地生产的一个场景，而且是持久高效的保存，并且所有的内容是可识化的。比如说像我们在这里结合啊 cloud code 的 相关的这些 skill， 包括一些功能，然后它实际上 它的功能就是实际上和 cloud code 是 一样的功能，比如说啊调用这些啊生图，然后包括调用使用各种 m、 c、 p。 那 就比如说像我们我们的场景里边，比如说我，我去跟他说，我说要去分析一些东西，比如说我们看一下飞书的这个应用场景就很清晰。 比如说我说我要你，你帮我去查找一下飞书，我直接只需要跟机器人去沟通，我说你帮我怎样怎样，然后他就会去 帮你去采集很多爆款笔记，然后自己去做一套你赋能给他的一个思维逻辑去进行。那这一套逻辑不是说你说给他的，而是你去找了很多相关的啊专业的资料，包括你们运营沉淀下相关的一些专业维度，只是 给到他以后，他不停的去做这种量子的关联，然后他的响应速度就会特别特别的快。 然后我们可以看一下，就是比如说像他的这些锁影后，他产生的这些所有的东西，什么叫做量子双链？词条是什么意思？就是说 他所形成的所有的文档，他会产生这种啊 markdown 格式的双链，就很容易的你就可以切换到啊，他的一些，比如说啊相关的一些文档，就 就基本上是毫秒级响应，所以说在 ai 去调用使用的过程读取时候也是相当的快，这就是它的量子磁条的这个底层逻辑，就是这个地方它会很快速的去梳理出来一个很清晰的链路，而且它的功能是特别特别强大的， 而且是这个东西是很容易迁移的，就每个人都可以人手一套，而且你也可以轻松的通过对话，然后去让你的这个智脑越来越聪明，越来越清晰，然后他会根据你传入的很多知识点啊，然后快速去查找。 那我们可以看一眼，比如说举个很简单的例子，我们可以看这几次他的迭代的聪明程度啊，就是比如说像，像我们做一个测试小红书，找爆款笔记，然后啊我们去问他一些问题，然后他回答你的这些东西 啊，他会基于你去给他的一些判断，然后给到你他之前采集到的所有的数据库，因为他自己就会调用 m、 c、 p 去做全维度采集。 之前我们在做很多东西时候考虑的是人来用，但是慢慢我们已经转向到把这些所有的东西交给 ai 来用，他怎么样可以快速和清晰的调用这些啊，很好的工具，给到他一些很完整的东西。 好，那我拿一个真实的案例来举例子，比如说我在问他就是自媒体起号，然后我想推销这个矩阵蜂群系统，那他会 结合现在已有的一些知识，因为我在调试的这个过程会给到什么知识呢？好，那他第一版的时候他会 给到，比如说说，你看好他第一会说矩阵系统到底是什么东西啊？然后相关的采集到的，包括封面模板库啊，相关的知识点库啊， 然后他是结合你现在已有的知识去生成的。然后，嗯，包括小红书的这个什么，我会明显觉得就说像他这个回答的东西就很水，因为很多的维度没有考虑到，那就说明他的这个知识的双链链接没有做到 啊，做的很好。好，那我现在跟他说，我已经导入了这个啊， github 的 啊 skill， 然后你再去把这些 skill 去沉，沉淀一下，提炼一下。好，他就很轻松很快速的去 把这些东西做一个筛选，然后我再次问这个同样的问题。好，然后他给出来的以后就会从产品定位，然后包括我们的目标人群画像平台的这个策略，因为我在这里也导入了小红书的相关的违规机制的，官方的一些运营的一些啊， 这个视力的模板，因为它是可以接受，你可以导图片也好，导文档也好，导 p pdf 也好，因为 cloud code 是 能解决这些所有的问题的，说白了就是说给 cloud code 装上一个量子词汇的搜索级别的啊，能力及一个向量数据库 啊，把这些东西做一个深度的链接。好，我们可以看到，比如说他在第二次问他问题的时候，他就会设计出来， 比如说像矩阵了，他就已经会用到他已经学会的矩阵的知识，那数人矩阵打法以及这个蜂群，那什么叫做量子数？就是你你点这种东西，他马上就会弹跳到啊，他的关联的这些资料， 那他这里边有你所有的采集的资料库，他整理了这些相关的这些啊啊，就是 markdown 文档，然后这里都是你沉淀的一些知识，并且这些会自动去叠代，然后引用的链接在哪？链接很清晰的。 好，然后我们看第二版，第二版的时候他就会给你一个运营方案出来了，好，然后相关的一些啊小题策，然后这些相关的知识来源是哪些 啊？他都是可以很清晰的给给你一个，为什么要这么去做。所以在这一版的时候，然后包括我们可以看一下他，比如说像每篇一种啊标，然后一些经的方向。 好，然后我在这个时候我看了这些内容，包括风险提示，比如说这个对于这个 ai 的 现在小红书运营平台的一些违规的一些同质化的打击，已经会给你输出这种很专业的指导了，就相当于你请的一个运营老师。但是呢我认为他还是不够好， 那因为这个东西是肯定要迭代吗？那我就跟他说，我说你这里边缺少了这个啊双链。然后呢维度，比如说封面的策划，包括最重要的一些热词，这些东西是没有给到一些很好的建议的。好，然后他就会自己去更新，他自己更新了以后，你 进行一个升级，升级以后这个过程中你什么都不需要干预。然后到最后以后他完成了升级，建立了更强大的一个数据链接体系以后， 依然在问他同样的问题，就是，呃，结合到现在支付运营这个蜂群系统，就同样的一句话在丢给他。好，那我们看看他现在生成那些内容，他就会说啊， 你要明确一件事情，你不是在问普通人怎么做选，而是而是在问我应该怎么用这套新媒体的运营知识把矩阵系统给卖出去，这两者完全打法是不同的。好，他会给你一些啊运营账号的这种啊矩阵模式、铁三角模式， 然后比如说主账号、专业操盘人设，然后矩阵复盘、行业认定、信任承载品牌，好，然后 a 号什么真实的学员案例啊， b 号，截流号 c， 然后包括这个相关的一些干货，因为我我不能太去讲太多这些东西，因为我们发了很多之前小红书相关视频全部都已经下架了 啊，被平台已经全部那啥，我也不能再去讲很多种运，然后他就会去告诉你的他通过哪些技能或者提炼出来的一些方向， 好，然后他的一些分分众比例，大家有时间可以把这个节奏放慢一点，然后来看一下这个东西，好，然后啊他就会给出我们的一些矛盾点，然后怎么样去啊？封住反对的声音， 然后它这些是通过我们采集评论区里边所得到的一些啊疫疫情的这种啊元素，因为我们做这个自动化这个东西，不仅仅是吧，包括它所有的采集的内会给到它，我一会可以给大家看 m、 c、 p 最后生成的东西是什么样子的。 好，然后这里还会结合七十五个 skill 这一系列的东西，然后平台的优先级，我们在第一个阵地小红书，然后最低门槛最强的同号信息，就是主号做什么什么东西，小号好美，然后怎么怎么样啊这样子， 然后他去做一个痊愈的策划了，因为我给到他导的，导给他的这个逻辑，他不仅仅是小红书一个平台，就是我们是考虑一个痊愈的这个流量， 然后他就会直接给到一个可执行的一个很清晰的一个方案，那这个东西不是异想的，这都是他一次性去生成的东西，然后包括他就是这种，然后他最强大的好处就是包括你的所有的字典可以很轻松的罗列出来，包括做一些看板， 我可以给大家演示一下就是，好，我们可以看一眼他对于这个响应和反应的速度。 然后后面我也会教大家怎么去用这个东西，包括到底怎么样去培培养出来一个我们自己的这个小红书的这个。然后在这里我也说一下，就是它实际使用的模型， 这就是最大的。第二个我建议大家去用的，就是我实际上用的是 deepsea v 四的啊 flash， 其实我觉得它的一个效果啊就是已经很不错了，是这样子，然后啊 之前比如说用 opencloud， 我 就是做这个定时提醒，没有任务情况，几天就烧了我大概一千块钱人民币，所以我我是觉得那个东西很很没有用，嗯，是不是可能是我现在正在开的这个录屏的这个，然后它有点 卡住了？好，我们我们看一下啊，他这里比如说扫描，然后对我们的所有的知识图谱，然后进行一个深度的分析，然后筛选 啊，其实这就是他这是 ai 所强大的一些东西。那我们来看一下他正常的这个 响应的一个情况，和他正常的一个啊工作逻辑，然后他会去建立我们的这个知识看板， 实际上就是我之前一直有个很苦恼的东西啊，就是我很懒得去做一个 啊，视频的时候去做这种啊，像类似于 ppt 讲解的这种东西，因为我觉得又费马达又费电。那其实很多 博主就喜欢做这个东西，把把把它包装成好像很牛叉的一个样子，实际上归根结底的东西啊，就是怎么说就是知识的这种沉淀和传递，如果还是通过一个 ppt 去讲解的话， 其实你能得到的，你听到的时候你能得到的东西，实际上十之已经去了八九，你能得到百分之就不错了。这是实话实说，因为我们原来做 ppt 做太多了，那个你会遇到这种问题，但真正一直想解决的，实际上就是想建立一套很好的知识系统， 我们到底应该怎么去啊？沉淀下来我们知识，而且他最呃 opus 当最强大的一个地方就是你每次在结合知识形成新的知识中，你还可以依然把它啊建立到知识，因为我们可以看这个知识库的体系啊。实际上如果了解 opus 当的人，他就 啊大概清楚，他还是在大体的逻辑上是参考了那个叫什么，就是那个很出名的博主卡巴斯奇吗？还是叫什么我忘了， 那实际上它就是一个相当于一个物料口，这里就是你的所有的素材和你的资料库。好，我在这里会新增这种附件，因为我，我采集到很多小红书的这些内容的时候，它采集后我会让它把这些啊保存下来， 然后保存下来以后我会让它去调用这个视视频分析模型，用的是本地 olama， 然后去进行一个视频分析 好，然后提取相关的内容，探讨一下需不需要再深度的去啊研究。因为现在这套系统它采集它已经做到什么程度了？就是它采集议论以后，它会去判断哪个作者的东西会比较不错，它会去进一步自动的去深度采集，就是直接进入到 这个作者的这个主页里边去，去进行更多的深度分析啊，包括让他调用这个 nano banana 去生一些参考的，但这都是在调试过程。然后这是我们一个向量库的一个缩影，就对我们的所有的文件 进行一个向量编号，因为你的文件会很多嘛，那查取起来就会很慢。好，最终的就是建立我们自己的那个 啊，维基百科，也就是我们的 wiki， 它的这个知识库，你的所有的内容啊，包括所有的这些，它都会在这里生成，生成了以后它就会去做成你自己的一个知识库沉淀，然后你去定期对它进行啊， 这个啊升级啊，或者好，我们看啊，他已经建立完了，建立完我们看他现在这个怎么样。那我讲一下这个用法，实际上在这里边我们用斜杠就是调用他的命令，这是我们去封装的啊， cloud code 的 相关这些命令，这个命令是可以自定义的。 好，然后呢我们摁 ctrl p 呢，是调我们一些插件啊，包括一些插件的功能。那我们比如说像现在你看他说我已经做好了这个看板了，好，我们怎么用呢？我们让 ctrl 加 o， 然后他就相当于一个快速的一个解锁，我们解锁这个蜂群 啊，系统知识看板，他就会出来这个我好，我们看他生成的这个效果，让我们看他，实际上他会把所有的相关知识，比如说他的整体的这个这个架构啊，去 做一个这个啊看板，然后这个看板呢不太容易阅读，对吧？他现在是生，是我们生成的一个看板吧，然后我们可以让他，我们让他使用一个插件， 哎呀，是哪个插肩呢？因为这个东西我也才用第三天，所以呢 对他的熟练程度还不是太了解，还我自己的能力边界还在学习过程当中。当然我觉得如果感兴趣的人可以啊，跟着更多的去关注，然后把你们好奇什么东西啊，或者对于他的一些啊不太 理解的东西可以提出来，然后我们去做一个交互。好，我们看他生成的这个啊 白板太紧凑了，然后我们让他去重新排个版，好，我们看他就会首先去阅读我们的这个知识看板，然后再根据我们给他设定好的美化协议，然后进行一个美化。 然后当然像这些东西实际上它的运营逻辑和 opencloud 是 很接近的，实际上就是你会给它制定一些 sop， 然后制定它的一些能力边界，然后给它塑造它的这个分析人格。好，这一套东西你全部给到它以后，它就会知道它该做什么，不该做什么，然后做一些东西，它就会通过量子的这个双链链接快速的去查取到所有它需要的一些知识库， 好最终来呈现出来的就是给我们的一个结果，我们最终看下结果是什么样子。要求生成这个白板以后啊，他大概可能跑了几分钟以后，他就会给到我们这个很清晰的 这个白板的文档啊，就是这个白板的文档，然后这里就会把我们这个整个的一个业务逻辑就会梳理出来，实际上就相当于我们一个 ppt。 好， 我们可以看一下它实际上就是通过我们这个啊 搜索的设定那些协议，好，就是 skills， 然后生成啊相关的一些词条，但这是通过非书去传入的， 然后啊人机飞书去进行一个多项交互，然后啊搜索入口，然后他会有一个质量平定 啊搜索笔记的内容是否要进一步深度的去搜索，这都由他自己去判定，自己去调用。那比如说好的一些东西，他会去呃，通过主页号他再去做一个更深度的这个啊对标文案的分析，他会自动再去触发好去进行一个深度的一些拆解，拆解最后以后 回到我们的这个资产的这个沉电池里面，那进入到我们的这个啊知识库里。好，那如果说知识库它延伸出来以后会有空缺的话，它会自动的再去啊提出下一轮的任务计划，就是我们要不要再对其他的维度进行啊？一些啊？ 减少，大概是这样一个逻辑，所以像这一套东西实际上它的自叠带的能力是很强的，所以我们也看它的这个，其实就整体上所有的东西都是源自啊，我们可以看到它实际上所有东西都源自这个，所以那它相当于就是啊，一个完整的一个啊 操作记录啊，或者是一个员工手册。可以这么理解，也是你大脑里面的核心的一个逻辑，然后在这个基础上去建立啊，其他很多的 关联性的东西，然后进入到他的知识库里，是这样子，然后其实这个的可用性会很强，因为现在前期只是在 做，那如果大家对这个东西比较感兴趣，觉得说想了解更多其他的东西也可以。呃，留言告诉我，这样我也知道往哪个去，是怎么样去给你们去讲这个东西 啊，因为我觉得他确实很好用，而且他成本会很低，就那种没有什么用，因为我就养了四天嘛，养了四天我就没有再养，因为我觉得他们是在盲盒里面去进行沟通，这些系统化的知识结构是很难看得到的，最主要的是没有一个量子数呃的双链数据 啊，他的查很慢， opencll 他 会把他所看到所有的文档一篇一篇全部去丢给到这个大模型，然后再反复的记忆反复的生成啊，就是那个托肯就消耗的特别特别多 啊，这个就不会，这个就基本上在查询和记忆呃知识库关联的情况下，就基本上在这里进行一个沉淀，而且他的查询能力会特别快，我们可以查一下，比如说运营的。呃， 那我们可以看它，它基本上就可以很快的啊查的到我们需要的一些知识， 我们可以看一眼它这里边，比如说闭环去生成的一些思维导图，然后啊采集分析，其实这一套的所有的东西啊，包括这些都是沉淀到它自己的知识库 啊，他的响应会特别特别快。所以，呃，因为如果说把 obsidian 只是单纯的当成是一个知识库管理的话，始终还是脱离不了人人去和他进行交互， 那我们一直在做的东西是全 ai 自动化的这种链路的打通，那现在就是彻底实现，就是我们可以通过 ai 完整的自动化去调用。那同样的道理就是我们可以把数据传送进来，我们自然也可以把它生成的结果再提取出去啊，所以形成一个啊，以它 office 为大脑，然后 n、 八 n 以及飞书等多啊平台去进行的一个交互，然后生成一些我的想法，就是生成一些 啊执行的一个啊业务大纲，就比如说我今天要生成一些什么东西，然后一些参考的素材什么，但这你依然是要在这里去建一套知识库，告诉他如何去生产爆款，包括那些知识库。 好，然后最后我是希望，比如说他定期问他一些问题，比如说今天我想最近有些什么方向，然后怎样去起，他会给到一个很清晰的啊运营思路以及一个参考的模板，那做到这一步他就已经完善了，然后你完全 完全看不到他在做什么东西的话啊，在批量生产的这个逻辑上来说的话，他是行不通的，那你说在尝试测试的逻辑上他是通的。就像很简单，我叫员工出去，我说你去执行一个什么什么事情， 对吧？你可以去测试下他的执行能力和能力边界是多多好，那如果不好，你你要反复去教他反复去啥？然后每次都是相当于嗯，你的这个期待的等待结果的回报周期太长。 就是很简单，我让你出去，然后花了很长时间，花了很多托肯，然后最后给我东西不好，我又接着教。那其实最可行的方案就是像恩曼这样的自动化平台，当真正执行的层面时候，就是就像你做老板似的， 你陪了员工，亲自的手把手的指导，走一遍业务流程，把所有的东西全部跟他讲的清清楚楚。好，这这个时候他去生产出来的事情，你就是完全可以放心和托底了。 但之前就是一直没有一个很好的方案能解决，就是在思维这一块的一个问题，因为我一直觉得反反复复的这种数据采集，包括 agent 的 知识层，一直都没有一个很好的方案能解决。那这个方案是我们研究出来目前来说是最好也是最优秀的一个方案了 啊，因为它的基层，它的啊工作能力的边界是基于啊 cloud code 的， 所以 再加上整个的一个啊矩阵的这种就是庞大的数据交互的啊，一个完善的话，所以我认为 基本上现在的一个互动联通，你可以把它理解成是一个你自己的啊 cloud， 我 们不叫 opencloud， 我 们可以叫其他的 cloud， 实际上它就是这样一个，而且它的效能会更高 啊，感兴趣可以留言一下。然后你们对哪些东西不太理解，那可以留言告诉我，到时候我会啊，给你们进行一个解答啊。今天大概分享的就到这里，谢谢大家。

终于找到了一个可以解决 cloud code 持久化记忆的一个插件，在 get 它上面已经耗取了七十一点八 k 的 star 的 一个插件，它是呃可以解决持久化记忆，并且可以在外部端实时浏览到我们呃和 cloud code 进行的交互，然后它的观察，然后 各个方面这些东西都可以实时展示出来，它帮我们总结了什么东西？ investigate， learn complicated， 还有 next step， 这些都可以统计到实时可以解决到。然后我已经把它总结成了一个飞出的原文档，它的整体的就是它是持久化的跨绘画的记忆系统， 然后它的核心架构以及它的核心模块，观察者， generate 引擎和 sir 和那个语音搜索和和那个文件记忆都可以实时触发。它其实主要就是通过 hook 的 触发机制来实现整体的这个交互的。 然后它有启动时，它会执行动作，绘画开始时提交提示子工具，执行前和执行后绘画结束后它都会生成这个 sunrise， 生成这个绘画专用。 这个很好的解决了我们持久化跨绘画的这个记忆，不需要我们去手动那个，它会自动帮我们存储到各个各个我们的向量库里面。然后这边已经帮大家总结好了，包括安装时候的六大裁砍点也已经总结好了，它的配记忆系统，文件记忆和向量记忆，这个都是插件里面自动已经帮我们封装好的东西。 然后它的和我们之前的呃加拿大记忆，它的关系是什么？这边已经总结好了，对。

嗨，大家好，我是曹博，那最近 cloud code 非常的火爆，然后我也是尝试了一下，那这期视频呢，就是给大家介绍一下，嗯，无需 cloud 账号，无需梯子就可以使用的啊。 cloud code 首先第一步呢就是安装 vise code 和 node js 这两个软件完全免费，直接百度下载就可以了。 那第二步呢就是准备一个 ai， 那 deepsafe 就 可以，然后无论你有任何的问题都可以问 deepsafe。 然后第三步就是打开 windows code， 然后创建一个新的文件夹，然后输入指令，还有安装 cloud 的 指令，这个指令的话就从 ai 上问，那大概就是这样一段。然后第四点呢，就是 你创建一个 deepsafe 的 账号，然后购买 deepsafe 的 token， 然后创建那个 api。 第五点问 ai 怎么把算力换成 deepsafe 的 算力，然后就是会给你一段代码，然后就是把这里给 api 的 位置换成自己的位置，自己的 api 的 那个代码。 我补充说明一下，所有的执行操作都是在这个位置终端这个位置执行的，那终端的话就点这个，那就可以看到这里所有的命令行都是在这里执行。然后当你完成了所有的上述操操作之后，你要把 bc code 退出，然后重新点开，然后输入 cloud， 当你的界面是这个样子，就是显示这个 deepsea v 四的话以及 welcome back 现在就已经成功了，然后你就可以在这里执行所有的指令，然后最后一步就是改环境变量，嗯，这个这一步操作是为了每次打开 vsco 的， 你就不需要重新去配置你的 api 那 些东西。然后也非常简单，就是问 ai， 然后就是输，打开你的 windows， 输入环境变量，然后创建三个新的环境变量就可以了。 那我最近用 cloud code 也是用来生成 ppt， 因为马上要开启大变。呃，然后还提供了演讲稿之类的东西。 那我觉得作为学生党， cloud code 可以 运用在你的科研方面，可以帮你分析数据，帮你画图，帮你呃，修改论文之类的。第二点呢，是我想拿来用来做自媒体的一些数据分析以及如何。 嗯，写文案，剪视频啊之类的。每个人都应该学会如何去使用 ai 来提供生活上的便利，来提供啊知识上的突破。 ok， 然后今天这期视频就到这里，下期再见。拜拜。

朋友们，这个视频我连看了三遍。一个博主用克洛克的这个工具，花了两个月时间，从零接触小白变成了能给两百个学员搭建自动化系统的技术大神。重点是他用的这套 ai 飞轮方法论，百分之九十的普通人都能复制。 我花了一整晚研究了他的整套打法，总结了四个核心动作。特别是第四点，打透了所有 ai 时代赚钱高手都在用的底层秘诀。第一步， 让 ai 采访你找到真正值得自动化的痛点。 ai 团队每周会花几十个小时手动搜集 youtube、 instagram 的 数据，追踪五十个竞争对手的表现。他把这个需求告诉 cloud， cloud 立刻建议从 youtube api 入手，因为这个最容易实现。 第二步，在构建过程中疯狂提问，每次遇到不懂的话术，他就直接问 cloud 这是什么？为什么会存在？历史是怎么样的结果？他不仅学会了用工具，还搞懂了整个互联网通信协议的演变史。第三步，用 cloud code 直接在你电脑上干活。 它可以直接在终端里创建文件、写代码、运行程序。就这样，两个月时间，它用 cloud code 搭建了支持漂移系统 select 机器人竞品分析仪表板。 朋友们，这绝对是我近期看到的最颠覆认知的 ai 实战案例。我是田锁，关注我，快人一步把握 ai 时代的降维打击机会。

我的小程序终于上线了，这个小程序叫做盲选做什么菜，但你知道吗？我其实是一个编程的小白，我对编程什么都不懂， 但这次借助了 ai， 借助了 cloud code， 我 把这样的一个作品给做出来了。要知道在两年前，我曾问过一个思路很简单的小程序的想法，但是他们报价都要几万块，那这次 我接触了 ai， 其实就花了几十块钱，花了两个月时间，而且这两个月还每天可能只是不到一个小时的，在一些比较闲暇的时间去处理， 然后就把它实现了。这个盲选做菜的小程序，其实是一个我想拿来练手，想拿来玩的这样的一个作品，其实我还有很多其他产品的想法，但是那些都比较复杂，那作为一个小白，还是先从简单的开始，于是我就想到这个盲选做菜的功能，因为我老婆经常会问我 明天要吃什么，或者我也会问我老婆准备做什么吃啊，或者是有家宴的时候，我们又会商量到底要做什么菜。所以这样就面对一个选择，我自己有写一些菜名的卡片，用来抽选，让我们看看可以去做哪些菜。 那我想为什么不把这样的功能呢变成一个程序呢？于是我就做了这样一个小程序，现在当然他不只是只有一个抽选的功能，他还加了其他的一些功能，让我来演示一下。 那我们首先来到微信的首页，然后下了就是小程序的部分，然后在这个小程序的部分选择了盲选做什么菜。那这个第一个呢，就是我的小程序，然后点击登录 就会进入到下程序的主界面，那这里呢就是入菜，我预制了大概两百多道菜在里面，然后在这些菜谱呢，其实都是可以 p n g 的 点拼接，它是有些选项可以去去选择的，然后呢，如果你对某些菜你不喜欢，比如说你不喜欢梅菜扣肉，你就可以隐藏这个菜，那这个梅菜扣肉就没有了，那它是在哪里呢？它是在这个隐藏系统，菜品在这里你可以再去还原还原这些菜， 然后呢如果这里没有你想要的菜呢，你也可以去添加，可以去添加你的这些菜谱啊，那这个呢，它就是可以有一个筛选功能，你可以根据这些选项来去筛选，比如说我只想要主食，只想要主食的话，它就会出现这些主食里面的类目，然后呢如果我是只想吃蒸菜， 那就这里就会出现以蒸方式为主的菜，那如果想吃辣，那这里就会出现一些辣的菜， 还有呢你可以根据材料来去搜，比如说我想吃牛腩类的，那就会出现跟牛腩有关的这些材料， 那每一个筛选呢，其实都是他可以当做添加到菜单，这个才会可以。那我们来到这个主要的盲选功能，那只要点这个盲选呢，他就会出现弹出这个是他推荐抽选出来的菜， 如果你不满意的话，你可以再去点，比如说这个苦老肉，那这里就会下面有个这个复制材料清单，复制出来的话，他就会出现 这样的一个材料清单的内容啊，然后呢，他其实还有个加入菜单的功能，这也是刚才提到的，我选择的是加入菜单，如果我还想吃多几道菜，嗯，比如说我想吃烧鸭， 然后想吃吃鸡，然后呢我又懒得这样一直去抽，不停抽的我喜欢。比如我想吃生菜， 那我就可以把这个添加到这个菜单里面，然后呢在这里这里有个历史菜单展开，这里呢就是有刚才添加的三菜一素，然后呢我就可以复制这个材料清单，它又形成了 这样一个材料清单，你可以根据这一套材料清单去买菜。筛选呢，也是有抽选的功能，比如说我只想吃， 今天我只想吃啊吃鸡，那我可以针对鸡来去选，那他无论怎么选都是跟鸡有关的，如果不想吃鸡，我想吃鸭。也是啊，如果我今天想吃鱼，那他有可能吃什么鱼？ 以上是这个小程序的所有功能，欢迎给我留言改进建议啊，我会持续对它进行一个迭代更新，但我也会继续做一些有趣和好玩的程序，欢迎持续关注。

嗯，大家好，在上一个视频后面有很多同学想让我嗯出一个怎么配置，嗯， c c 加 deepsafe 加 maclab mcp 的 教程，今天我就嗯录了个视频，简单介绍一下。首先呢，有同学问就是为什么要嗯把这个 maclab 接入到这个 cloud 的 里面，然后关于这个我让都包做了个 ppt， 这是我第一次让都包做 ppt， 我 只能说嗯，真可以。 然后，呃，我就简单说一下吧，就是呃传统的网页端 ai 工具呢，就是我们只能去嗯，我问他答案，然后我自己去复制粘贴，然后运行，这样有的时候代码出现 bug， 或者说结果不对的时候，我再去问他怎么解决。然后嗯，就是 所谓的难以实现真正的自动化啊。有了这个可乐扣加 macbook mcp 之后呢，呃，我们就可以让 ai 自己去写脚本，然后自己去跑 macbook 仿真，自己绘图，自己发现 bug， 自己修改，然后同时呢判断结果是否正确。 比如说对于一个呃 pid 控制来说呢，呃，它会根据呃控制性能自主调整 pid 的 参数。然后这样呢，对于我们来说，我觉得很多时候我们就可以告诉他，呃，我们想做一个什么样的控制器，然后呃我们的 id 是 什么，然后让他自己去写代码，跑仿真验证就可以。呃，然后接下来就是我们就开始讲怎么去配置这个环境。 首先是准备工作，第一个是要确保已经正确的安装了可乐扣的，并配配置好的 deepsea v 四 pro。 嗯，如果说大家有条件用其他的大魔镜也可以，就不一定非要用 deepsea v 四 pro。 然后这里我放了一个我参考的 教程，大家可以网上有很多，大家可以去参考这个教程，也可以去参考其他的，反正就把这个东西装好就行。然后第二个是要确保电脑上有 mate lab， 最好是二零二四 b 或更高版本。我问 deepsea， 他 说低版本可能不兼容。好，那接下来我们就开始操作。第一个是要，呃，就是把这个 mate lab mc 或者低版本可能不兼容。好，那我们首先打开浏览器，然后搜索它， 这里我已经搜过了，我再搜一遍。好，这个就是 massworks 的 官网，大家感兴趣可以进去仔细地研究一下。里面就是，呵呵，它是怎么讲解的啊？不好意思，我最近有点感冒。然后，嗯，这里我就不打开它看了。然后我们就直接到 github 里面去下载这个，呃， m c p 的 co server， 呃，有时候这个 github 打不开，我们可能要上一些手段，我先暂停录制一下。好，经过不懈的努力，我把它打开了。打开之后我们找到这个 release， 我 还在加载，看一下能不能打开。还可以， 我换了个浏览器，打开了就是，呃，进入到这个 release 里面，然后找到，因为我是 windows 系统，所以我就选这个。呃， win 六四点 e x e， 然后点击它就可以下载了。 然后，呃，选择你要下载的地方让我看一下，我应该是下载了，下载到了这儿， 在这里我已经下好了。呃，就大家要记住自己把它下载到了哪个文件夹后面要用的。然后接下来就是可以去，嗯，返回到上页。呃，我们可以看到，嗯，往下翻 cloud code 这里，然后这里有安装的命令， 我复制的是第二个。然后大家，呃，咳，其实复制这个就可以，然后我看就我给大家看一下，我把它复制到了这里。 我们需要改的是，呃第一个这个路径，这个路径就是我们刚才下载的那个，呃， esd 的 位置，就是大家可以对应着看，就是我刚才把它下到了，就是这个文件夹里面，然后就把这里改成它，然后接着就是第二个，这个是，呃，就是你的这个目标的工作区，然后我是呃自己专门建了一个， 呃，自己专门建了一个文件夹，应该是这样的，就是我专门去建了一个专门做这个事情的 cloud code maclab 这个文件夹，然后我把它改了，对我的个人工作区在这里， 然后这是一些其他的设置，大家可以根据。呃，这是这个浏览器，大家可以根据呃下面的这个参数设置选择你需要的，然后这里我就不一一讲解了。呃，大家感兴趣的自己看一下，然后根据自己的需要去设置对应的参数就行。嗯，然后那我就在这里，呃直接用我的这个 号，然后现在，呃进入我的这个目标工作区，然后出 cmd 打开终端，然后在终端里面我们复制这个命令， 然后把我们其他的这些参数设置也都放进去。好，呃，然后我们稍回车，呃，看到这个 id 的 这个 mcp server， mytable with command 什么什么就应该已经搞好了，嗯，搞好之后呢？呃，我们打开它。 好，然后现在我们就测试一下我们这个，呃它能不能跑 mytable 的 代码，然后这是我给他准备的一个提前准备的一个任务，就是做一个这个，呃倒立摆的一点 c 控制器 复制，复制进来给他，然后看他能不能做这个事情。嗯，这个任务就呃，首先包括，呃构建这个，呃倒立白的一个模型，然后设置控制器，然后我给他一些呃需求，然后让他自行选择合适的参数，然后给给定了缓存时间，然后让他去呃复制什么样的图像，最后呃保存滤 镜，他可能思考的比较慢。 好，这里大家可以看一下，就是在这个文件夹里，目前啊只有呃两个 ppt 和一个这个 tst， 然后我呢全程就是，呃没有没有打开 mate app， 我们等会儿可以看看他能不能自己写完这个脚本，然后自己去运行它。 好，他就想完了，他要开始呃做了，就是他把呃目标分成了，就是他把这个任务分成了两步，第一步是设计 a a r c c 参数，然后写 my tab 脚本，第二个是运行 my tab 脚本并验证结果，我们等会儿看一下他做的怎么样。嗯， 他就写好了，我们看一下，大家可以看到这里出现了，就是呃我让他生成的这个脚本，现在他要做的是运行这个脚本 遇见了 bug， 然后他现在在自己修复， 从刚才弹出来的那个图上看还凑合，虽然不是特别好。呃，我们可以看到它已经按照要求生成了我们几个想要的图片。呃，这个是角度控制的， 然后这个是 e s o 估计的。哎，对不起，怎么打成 figure？ 就是 看到，嗯，还行吧，还行任务才算是完成了，至于效果怎么样那，呃可以后面再慢慢调，我们自己也可以去调 好。然后最后他运行完之后，嗯，他会说，嗯，他就是做一个完整的结果汇总，包括生成的文件，然后控制器的参数是什么。这个时候我还打那个飞文件，把 wifi 打开了， 然后还会分析，对，大概就是这个情况，我们可以，嗯，再做一个人物，第一个是让 e s o 的 数值不要和系统数值一样 测试，不同待关。嗯， 其实在这里已经分析过了，可以看到嗯，他这个，他会自己计算出这些嗯指标，来判断他是否达到我们最初嗯提的这些要求。 这个我觉得是一个很方便的地方， 他现在说他正重新写脚本， 好，他现在是改脚 本，这就是他画的图， 对吧？然后我让他找到一个最优的， 那这样有什么用呢？就是我们在设计其他控制器的时候，呃，我们可以让它，就是可以主动的让它去呃，针对这个控制性能，然后去选择最合理的那个控制参数，呃，我觉得这个就可以，嗯，极大的就是降低我们这个手动去调餐的一个复杂度吧。嗯， 读出了点问题，等会还可以让它改一下，不过问题不大，这个都是小问题，反正最后目标我们是达到了哈。 我怀疑他是不是已经发现这个问题了，等会看一下。 我记错，怎么又把 wifi 给打开了啊？这个图 你问问他是怎么回事啊？是这个 啊，他说了，他说第一，呃，前两个 subplot， 呃是不稳定的，所以没有曲线的数据，然后他说，呃，他使用了，呃，就是他选择了稳定的参数。六， 现在就好了，对吧？ 这个图现在就正常了，可以的。好，那这个任务，呃，包括那个 bug 的 修复就就算是完成了，其实应该也不算是 bug， 反正就是它。呃，跑出了我想要的东西。嗯，开始说了，分析了问题的原因，然后进行了修复。 好，那今天的视频就录到这里了。呃，因为是我第一次呃录这种教学类的视频，如果有什么地方呃，没有没有讲清楚，或者说没有做好的，欢迎大家批评指正。呃，如果有什么地方就是大家还不太懂，可以在评论区问我或者说私信我都可以。

之前教大家用 co work 去配置第三方的国内的模型啊，很多小伙伴说没办法联网，那应该就是你的模型选的不对，你比如六叔配置的 deep seek 模型，我们试一下能不能联网，你看他就直接调用他的 search web， 嗯，结果不就出来了吗？啊，所以 deep seek 模型接入进去是可以联网的。还有小伙伴说突然用不了了，我一直用都是很正常的呀。啊，如果说你现在配置 deep seek 发现报 api 的 错误啊， 这个里面呢，可能是需要你把它的这个 model list， 把这个 model id 之前的视频讲完，把它删掉，不用去指定 model id 了，直接把 base url 和你的 api key 配上去就可以用了。另外智普的模型也是可以的，我们切到智普的模型再去演示一下，还是在 develop 有 个 configure third party inference 换成智普的 base url， 然后把智普的 key 贴进去， model id 都不需要了，点击 apply locally 重新启动，我们再来试一下， 你看也可以调用 search web 显示到具体的结果了。我目前测试下来，智谱的和 deep seek 都是可以联网搜索的。那如果你用的没法联网搜索，比如小米 mi mode， 没办法联网搜索啊。我看到啊，网上有大神给提供了一个方式，还是点击 third party 配置啊。这里面有个 sandbox workspace， 点击 allow more， 让它自动调用 fetch web 的 模式去替代 search web， 这样的话也可以部分地去实现联网的模式啊。因为我没有其他的模型去测试，所以大家自行地去试试这个开关，点击 allow or 或者你就干脆像我一样直接使用智普的或者 deepsafe 接入进去就可以联网了。这个客户端目前依旧能够支持国内的模型啊，学会了吧，关注我，持续风靡你的街头 book 了个拜。

ai 时代说到底其实就是转型，包括个人向 ai 时代转型，企业向 ai 时代转型。那么接下来的话，我们会用一系列的课程去教会大家怎么样从个人向 ai 时代转型，以及企业怎么向 ai 时代转型， 同时能够让大家能够实现自己的人生价值，然后在 ai 的 时代更好地去工作，去找到更更好的工作。 今天我们给大家讲一个基础课，就是 cloud code 怎么样进行工作， 然后怎么样用好这个 cloud code。 那 么首先的话我们首先就是要了解 cloud code 它是怎么样 工作的。 hello code 其实它的含义就是 azrbic 开发的一个可以在你终端上面进行运行的这个代理助手，他在这个编码能力上面表上表现非常的出色，目前是目前最好的这个智能体可以帮助你从这一个命令行 的这个方式，然后做任何的事情，比如说编辑文档运行构建探索文件、研究主题这些任务都能够完成。 那么我我们这节课的话，其实重点就讲 cloud code， 它内在的核心的架构和内置的功能，以及有效使用这个 cloud code 的 这个提示。 另外的话 cloud code 怎么样去用这个 skills， 怎么样用这个 m c p， 怎么用这个 hux 这些功能我们也会在后续的课程里面详细的讲解。首先的话就当你给 cloud 一个任务的时候，它会历经三个阶段， 第一个阶段的话他就是收集这个上下文，然后采取行动验证结果， 这些阶段相互融合 cloud 使用工具，无论是搜索这个文件，了解你的代码编辑，还是进行更改，还是运行测试检查这个工作都是无外乎这几个流程，就是你输入这一个 文件，然后它收集这个上下文，然后采取行动，然后再验证结果，然后最最后觉得完成了之后 edge 通过这一个 edge tick loop 就是 这一个 ai 的 这个循环，然后会显示这一个运行完成，那么循环的话会根据你的要求进行填填调整。关于你的这个代码库的问题，可能只需要收集上下文， 错误修复会循环通过所有的这一个三个阶段多次，然后重构，可能涉及到广泛的这个验证。 cloud 根据从前一步学到的这个内容决定每一步需要什么， 将数十个这个操作链接，然后在一起，并且沿途进行这个纠正， 那么你输入的这一个文字里面其实也是它循环的一部分，同时的话你可以在任何的时刻打断这个 cloud， 去朝不同的方向发展。你可以提供额外的这个上下文，或者是要求它尝试不同的方法， 那么 cloud 会自主来进行工作，对你的这个输入来保持这一个回应。另外的话就是代理循环，它有两个组建驱动模型来进行推理，而工具采取行动。 cloud code 可以 充当 cloud 周围的这个代理框架，它提供工具上销文管理执行环境， 将语言模型转变成它能够进行编码的这一个代理。那么 cloud 模型的话，它其实 cloud code 通常就是采用使用这一个 cloud 模型来 理解你的代码，并且进行这一个推理的任务，当然也是最好的模型就是用 cloud， 如果你不能用 cloud 的 话，你在中国可以用这一个 glm 五， glm 五点一来进行代替，它是天然也是支持这个 cloud code 的。 其他的模型当然也支持 cloud code， 但是可能没有天生地去适配这个 cloud code 的 这个智能体。 后面的话，你会发现就是这一个模型的话，其实它是都是要有自己的这个智能体的。 cloud 可以 读取任何语言的这个代码，理解组建如何链接，以及找出需要改变什么来实现你的目标。对于复杂的任务的话，它会将工作分部分解为步骤 来进行执行它们，并且根据学到内容来进行调整。多个模型可用具有不同的这个权衡。 sony 的 可以很好的处理大多数的编码任务。 opus 就 为复杂的这个架构决策提供更强的这个推理能力。在绘画期间的话，使用这个 model 就是斜杠 model， 可以 进行这一个大模型这个切换和启动。那么工具的话就是是这一个 cloud code 成为代理的这个核心的原因。 如果没有工具的话， cloud 只能用文本来进行响应，但是有了工具， cloud 就 可以采取这个行动，读取你的代码，编辑文件，运行命令， 搜索网络，还有外部服务交互。每个工具使用都会返回信息反馈到循环中，告知 cloud 的 下一个决定。内置的这个工具通常分为五个类别，那每个类别它就代表着不同的这一个类型。 那首先的话就是这个文件的这个操作， cloud 可以 用这一个工具进行文件操作，创建新文件，重命名和重新组织。 而搜索的工具的话，它可以按照模式去查找文件，使用正则表达式搜索内容，探索代码库，然后同时的话它也可以执行，工具的话，它可以运运行 shell 命令， 启动这一个服务器，运行测试和使用 get。 另外的第三个的话就是这个网络，网络工具的话，它可以用来搜索网络，获取文档，查找错误消息。 然后第五个工具的话就是这个代码智能工具，那编辑后可以查看类型错误和这个警告，以及跳转到定义，查找引用这一个代码智能的这个插件， 这些是主要的功能。 cloud 还可以用于生成这一个 sub agents， 就 询问你的这个问题，然后其他的这个编排任务的工具， 那么同时的话， cloud 可以 根据你的提示沿途学到的内容来选择使用哪些工具。当你说这一个修复失败的测试的时候，那么 cloud 可能会就是运行这个测试的套件，查看这个失败的内容，以及读取这一个错误的输出，搜索相关的原文件。 同时的话那么它还会去执行，就是读取这些文件来理解代码，编辑这一个对应的这个文件，以修复问题，还有再次的运行和测试来验证问题。 那么 cloud 的 话，它能够访问什么呢？ cloud 其实它能够在这个 vs code 和这一个不同的 ide 的 这一个工具里面和其他环境里面进行运行， 那么你的当你的目录运行这个 cloud 的 时候， cloud code 可以 访问就是你的这个项目，你的目录和子目录的这个文件以及其他地方，你有许可的这个文件，还有你的这个终端，你可以运行任何的这个命令，构建工具 get 和包管理器以及这个系统使用的这个程序和脚本，如果你可以从这个命令行做到的话， cloud 也可以。 然后你的 get 状态，当前分支未提交的这个更改和最近的这个提交历史。你的 cloud 点 md 是 一个 mongodown 的 文件，然后你可以在其中去存储项目特定的这个说明 约定，还有这个 cloud 会在每一个绘画里面了解这个上下文，还有自动内存，就是 cloud 在 你工作的时候会自动保存学习的内容，比如说这个项目的模式，你的拼音号 memory 点 md 的 这个前两百行二十五 k， 每个绘画开始时就会进行这个加载， 因为 cloud 可以 看到你整个项目，他可以跨越整个项目文档之间来进行一个工作。你要求这个 cloud 修复身份验证错误的时候，他会搜索相应的这个文件，然后读取多个文件理解上下文，同时他会跨去跨去，他们来进行这一个协调编辑运行测试，还有这个验证修复， 并且在你要求提交修改的时候就会进行这一个只看到这个当前的内内连的这个代码的助手其实会有所不同的。 那么同时的话，它的这个环境和界面的话，其实是采用这个终端的方式，它可以运现在本地，也可以运现在云端上，同时也可以运行在这一个远程控制上面，你可以通过这个终端桌面应用和 ide 扩展 cloud 点 ai 和 code， 以及这个远程控制 slack c s d 的 这个管道来访问 cloud code， 然后这个界面就决定了你如何看到 cloud， 并且与它进行交互。底层的这一个代理循环是相同的， 同时的话你可以使用这个绘画，比如说 cloud code 在 你工作的时候将你的这个对话保存在本地，每天消息和工具使用结果都会被存储，这使得这个回退和恢复分叉绘画成为这个可能。 在 cloud 进行这个代码更改之前，他还会对受影响的这一个文件进行这个快照，以便你可以在需要的时候进行恢复。同时他绘画是独立的，每个新绘画都会以这一个新的上页文的窗口开始。 没有来自以前的这个绘画的对话历史， cloud 可以 使用这个自动内存和快 绘画保持学习，可以在 cloud 的 点 m d 里面添加你的持久的这个说明，同时它也具备这个跨分支的工作。每个 cloud code 的 这个对话都是一个与你当下的这个目录相关的绘画，当你恢复的时候，你会只看到 这一个目录下面的这一个绘画，同时的话 cloud 可以 看到你当前这个分支的文件。当你切换这个分支的时候， cloud 会看到这个新的分支的文件，但你的这个对话历史会保持不变。 cloud 会记得跟你讨论过的这个内容，即使切换之后也是会记得你的跟它对话过的这个内容， 同时的话就是它还可以进行这一个恢复和这一个分叉绘画。 那么恢复分叉绘画的话，我们就在下一课来进行讲解。

通过榕某 ai 平台部署的模型可以和任意 ai agent 对 接。下面我们以 cloud code 为例进行演示。首先点击部署好的推理实力，查看模型的对外服务地址，然后点击 api 秘钥为用户，即 cloud code 创建 api 秘钥，以实现安全的模型访问。 随后在 cloud code 中通过配置服务地址和密钥实现和模型的对接。完成后启动 cloud code， 让它完成一个任务，如在本机中启动一个 engine x 容器，并在容器启动后完成服务健康检查。 在 cloud code 执行完成后，手动执行 docker ps 命令，检查 agent 是 否真的完成了容器的部署，可以看到 agent 已成功按照要求在本地启动了容器。接下来执行第二个任务，删除刚才创建的 my engine x 容器， 删除完成后同样手工执行命令，确认已删除成功。随后我们可以在 ai 平台中查看 cloud code 完成上面两个任务消耗了多少头衔。 然后进入到推理实力详情页面，查看模型推理的性能指标，我们可以根据性能指标调整模型模板中的参数，进一步调优。

deepsea toothy 今天在 get up 冲上二点三 k 星，这简直就是 deepsea 玩家的 cloud code。 同时 openai 和 antropic 都在搞企业级合资公司，商业化路子越走越远了， deepsea 也有了自己的专属 coding agent。 这个叫 deepsea toy 的 项目刚刚在 get up 冲破二点三 k 星，作者 hunter bow 用 rust 撸出了这个工具， 主打一个在终端里流畅运行，且专门针对 deepseek 的 a p i 做了适配优化，它像极了 cloud code。 但对国内开发者来说， deepseek 的 性价比和响应速度配合这个 t u i 工具，生产力直接拉满，只能说这波是金鱼兄弟们的狂欢。 聊完工具，来看看巨头们的商业化变阵。 opennine 和 antropic 最近都在低调推进企业集合资公司计划，简单说就是不再只卖 a p i， 而是要和垂直行业的巨头深度绑定，成立合资实体来提供定制化 ai 服务。这种模式能绕过很多合规和数据隐私的弯路。 看来在通用模型卷不动的时候，下沉到企业深水区搞合资成了大家共同的财富密码。说到企业级 ai， brettaylor 创办的 sierra 刚拿到了九点五亿美金的巨额融资， 这公司主打的是能帮大企业构建自主 agent， 不是 简单的聊天机器人，而是能处理复杂业务逻辑的智能体。这笔钱砸下去，意味着硅谷对 agent 替代传统萨斯的信心已经爆棚。 对于开发者来说，这预示着未来企业应用的架构将全面转向 agtech 工作流。 a w s 这边也在猛攻基础设施。 stage maker ai 连发三个更新，首先是 agent core 优化环进入预览，解决了 agent 性能评估的闭环难题。 其次是 agent 引导的工作流降低了模型定制的门槛。最后还上线了自动实力回退功能，当算力资源紧张时，能自动切到备用节点。这套组合拳下来， ados 是 想把 agent 的 全生命周期管理都锁死在自己的云生态里。 一个有趣的行业趋势， tech crunch 报导显示，现在驱动移动应用增长的已经不再是聊天机器人的升级，而是图像 ai 模型。用户对能生成图和能改图的需求明显比能聊天更愿意掏钱 多。 dash 刚上线的 ai 菜单修图工具就印证了这一点。看来多模态能力的商业化落地图像还是走在最前面。最后照例吃个瓜。马斯克和 openai 的 诉讼案又有新进展， openai 声称马斯克在寻求和解后给 gribble、 rockman 和奥特曼发了不祥的短信。 马斯克的唯一专家证人也公开表达了对 a g i 军备竞赛的恐惧。这场硅谷顶流的互撕，已经从技术路线之争演变成了充满悬疑感的个人恩怨剧。 观众老爷们，这关你们怎么看？以上就是今天的 ai 早报， deep seek 挑起的出现，再次证明了 r s 的 垂直领域适配才是生产力工具的正确姿势。巨头们搞合资公司，说明 ai 已经从实验室玩具变成了生一场利器。 你觉得合资模式会是 open nine 的 救命稻草吗？在评论区聊聊，记得点赞关注，咱们明天见！