claude接大模型啥意思
ai 的 能力起来之后，实现都会变得不值钱，不是技术变得不值钱了，而是单纯把这个东西做出来这件事情会越来越便宜。以前的一些业务人员，他懂场景、懂客户， 但是他做不出来，他只能让程序员去做，但是他们可能沟通非常多，轮下来就导致做出来这个东西。四不像很多的这种软件程序，很多时候做出来都是在吃亏， 但是现在 cloud code、 codex 这些编程智能体起来之后，这个链路会被打穿。一个不懂代码的业务人员，只要他能把流程说清楚，把痛点说清楚，再对这种代码有一定的认知，他只要知道有前后端，知道这个数据库大概是什么样，知道有服务器， 他把这些需求全部喂给 ai， 其实他就能做出来一个能跑、能解决问题的小应用。他可能不完美，代码可能不优雅，架构不高级，但是他是确实能用的，这比之前的很多系统，很多做的非常漂亮的界面， u i 的 这种软件会更有价值。 所以说未来真正值钱的是懂业务、懂场景，然后又大概会一点，这种一线业务人员会非常的有竞争力。
粉丝1.8万获赞20.2万
相关视频
01:46查看AI文稿AI文稿大模型的 api 怎么接？哪里接？价格多少很多人不知道吧，我整理了一份文档给大家看一下。首先我们看一下模型扣德能力的这个评测排行榜啊， gpt 它更新的这个性能提升真的是非常强，直接十二名跳到的第三名。然后我们再看一下它的价格， 堪称是打到的地板价那两块钱啊，对比贴的 gpt 五点五十二百多，相差了几十上百倍。 cloud 一 百多啊，基本上也要八十，嗯，像格鲁克相对便宜一点。那后面呢？还有国产大模型又回到了几块钱啊？然后这个是 kimi， 二点六的话二十七块钱，也是相差了十倍左右，相比 dbc。 可 如果你想要去体验的话，先前面大模型的官方网站可以去接入 apikey。 然后下面的话是云平台， 国内厂商有阿里云，火山引擎，还有腾讯云，买他们的 kodi pro 都可以同时体验。呃，多款国产大模型像 kimi， mini max 都支持。然后是聚合平台，作为一个中转站，嗯，像国内的话，它有规矩流动。呃，只支持国内的 k 元大模型 注册呢，有一个福利啊，后面这个是 open route， 它好处是在于支持全球的 ai 大 模型。那切记笔记格式缺点呢，就是有点贵。那我会分享到交流群里面，推荐大家进阶使用 ai 的 话，都尝试用 webcode， 开发一些好玩的应用插件，工作流甚至 app 都是没有问题的。 至于滔天的这个费用呢，后面肯定还会下降。然后我也再找一些啊算力资源，找代理商去争取更低的折扣。当然最好还是我们普通用户 a r 开发者或者是一些中小团队，我们自己先团结起来，人多力量大才能争取到更低的折扣。 同时邀请有算力滔天资源的企业啊、代理商、运营商来找我合作，我们看能不能探讨交流出一个业务模式，对大家都有帮助，一起加油！
785肖帅AI应用
05:05查看AI文稿AI文稿现在有很多朋友问我就是 cologold 怎么样接入本地的大模型？今天给大家说一下本地大模型是怎么接入的？然后有两种的方式，第一种方式是通过 cc switch， 这个之前的视频也给大家说过 cc switch 怎么使用的。 然后第二种方式就是我们通过欧莱玛装了本地大模型之后，直接呃对接我们的，通过 setting jason 的 文件直接对接我们的 cologold 的 文件。先说第一种方式，通过 cc switch 来对接本地大模型， 我这边的 cc switch， 因为我之前是通过对接了三种方式，第一个是我是用了 deep seek 的 deep seek， 然后第二个就是用了字节的火山方舟 coding plan， 然后第三呃那个 cloud official 我 没用，因为我没买它官方的 a p i。 然后第四个就是本机的 alama 模型，我也安装了这三种方式都跑通了。先一一给大家说一下，呃， 先说怎么样对接本地大模型吗？然后本地大模型其实非常简单，就是大家在这边添加一个新的供应商，然后新的供应商之后，这里面的填写方式像我这样填就可以了，就比如呃我们的供应商名称随便填一个欧拉玛，然后这边呃上面的标志也可以随便选一个， 因为我这边随便选一个，他就是欧拉玛。然后呃官网的链接，因为我们欧拉玛是本地的模型，这边是填空的，什么都不用填，这个 api k 的 话也不用不需要随便填，大家只要填欧拉玛就行了，你随便设置一个就行了。然后另外就这边比较关键，这边就是需要填写一个本地的端口，然后这个端口是什么意思呢？也给大家说一下。 它这个 http 就是 指的是本地服务，然后 local house 就是 我们自己的电脑嘛，它始终指向我们本地的 ip， 一 二七点零点零点零点零一嘛， 然后这个一一一四三四，它就相当于我们本地的端口号嘛，就是我们奥拉玛呃，本地运营大，本地大模型的工具，它是默认这个端口的，所以就是当我们安装奥拉玛之后，会提供一个 api 服务来监听这个端口，所以我们这边要设置呃，在 cc switch 里面要设置这个东西，就它的是请求地址， 这个就是像这样原声的填就可以了，认证自盾也是这个。然后另外这个这边模型的话，就是我们本地安装的模型，你要看一下我们本地安装了哪些模型，比如我这边就是运行了奥拉玛里斯，这边可以看一下，比如运行这个，他这边就我我之前安装了四个模型啊，就是千问三点五九 b 的 千问斯，呃，伽马寺那个 e 四 b， 然后还有干妈四三十一 b 以及干妈四 e two b。 因为我的只有一个独立显卡，就是八 g 的 显存，所以我只能一般是用切分三点五和 e two b 的。 然后这边的设置就是直接把你需要设置的模型，比如复制两过来就行了，然后底下这个东西就会自动生效， 保存好之后就行了，然后我这边就会在使用中给大家看一下效果。我这边就刚问他们，我是他什么大模型，他其实就是干妈四 deep 呃，谷歌 deep money 的， 然后我们可以切换模型的，就是我刚这边安装了是千万三三点五九币和干妈四 e two b 嘛，然后这边就可以选择嘛，你可以选择不同的模型， 我这边就可以切换到切切换三点五九 b 这边之所以能切换是因为我这边只设置了这两个模型，你看只设置这个，当然我这个也可以设置一四那个一一一 four b 都可以， 这是本地大棚型的设置，这是呃，我觉得通过 c c c v 是 最方便的，我们也可以切换到 deepsea， 我 这边切换到 deepsea， 然后就可以很方便的从本地切换到云端了。我就说你好， 它这边是因为呃切换模型之后需要重启一下 cloud， 我 们重启一下就行。 比如我这边重启一下，它就会呃启 用我们的 dips pro， 很 方便的一键切换。然后这个前面就是我之前装的 cloud mail 那 个插件，就它每次启动它都会查取呃最近五十次的 通话内容，就是回忆一下我们之前的那个记忆，这个我就记个记忆插件，非常好用，它是自动自动启动的，然后它上面有你的新增功能啊，还是重构啊，还是改变，它都会给你标出来你之前做了什么样的东西。 我觉得这个非常好用，然后比如它当前它就会告诉呃 vr obv observation 在 这个端口就相当于在这个端口，这就跟我们刚刚那个呃奥奥拉玛端口不一样了。 然后给大家说一下，就是呃关其他的大模型厂商他们的 apis 怎么对接的，其实也很简单，就是我们的 a， 我 拿 deepsea 举个例子，这边顺便说一下，比如 deepsea 这边，他的 u i 只需要填 u i l 啊，就是我们的 u i l 就是 open i 或者 osrogic， 因为 cloud code osrogic 吗？我们只需要复制这个链接，把它填到这就行。然后 apikey 就是 我们自己设置的，这边主模型的话就是 v s pro flash 三点二、三点三点二都可以， 因为马，因为那个三点二后面不是要七月二十号要弃用了吗？就是之前的 chat 和 reason， 一个是 syncing， 一个 on syncing 的 模式，在里面 ipikey 只要设置一下就行了。 然后还有一种方式就是通过线上的，这个我觉得是同样的道理啊，大家就是相当于之前的那个接收文档，就是它这边也会写好的，就是主要就是这个，呃， 这个 anastropic base u i l 给它填好就行了。然后这个这个 token 也是随便填的。然后这个模型就是我们刚设置的那些模型，其实是一个道理，这边就不细说了。
320马斯洛AI智能体
01:28查看AI文稿AI文稿大家好啊，那我是老王啊，评论区好多人问啊，国内是不是不能用 cloud 啊？这个问题不能简单的回答，是能还是不能，首先要分清三件事啊，这个 cloud 还有 cloud code， 还有 cloud cooke 的 三个是不一样东西啊，就大家所说的 cloud， 它是个有官方网页版，还有官方 a p i 是官方服务啊，但是中国大陆是不在它这个 cloud 母公司 ansapic 的 这个官方支持地区啊，所以说直接使用啊，是有门槛的。这 cloud 的 模型又分为这 sonata 啊，四啊，点七是最新的，但是 cloud code 它其实是一个工具，还有 cloud code， 它是在你电脑终端的 呃，一个软件更像一个车，就是一个车壳儿，但是 cloud code 里边它可以 对接不同的这个模型，就是我们说的发动机啊，就说 cloud code 其实是在国内是可以用的，可以接入啊，同的模型，就如果说你接入这个 cloud 模型 啊，肯定是有一定门槛，但是你却可以接入其他的模型，就 mini max 啊， sick 还有这个 kimi 啊，江问这些啊，都是可以接 cloud code 的。 更准确的说啊，国内用户不一定能直接稳定地用这个官方 cloud 的 这个模型服务， 但是它还是可以用这个 cloud code 的 这些编程工具流的啊，不是说你把这个里边的这个动机给换成国内的这个型就行了啊，关键看你背后是用什么模型，大家明白了吗？啊？
02:30查看AI文稿AI文稿最近你是不是经常刷到这些词， cloud code agent ai 员工自动写代码，自动做网站，听起来一个比一个高级，但很多人其实根本分不清 cloud code 到底是啥， codex 又到底是啥？ 为什么现在大家天天都在聊 agent？ 这期我将用普通人能听懂的大白话一次性给你讲清楚。上期我讲了 gpt、 cloud gem 到底该怎么选， 但选对模型只是第一步，真正关键的是你怎么让 ai 不 只是回答你，而是真的帮你干活。首先，我们在日常和网页里使用的豆包 gpt cloud 本质上像是一个聪 明的顾问，你让他写文案，他给你一段文案，你让他做表格，他给你一个表格内容，让他写代码，他就给你一段代码。但表格做好了，你还得自己下载到本地。代码写好了，你还得自己 复制保存，平时打开软件、修改文件、运行测试，很多时候还得你自己来。所以网页上的 ai 模型主要是在给你答案。而 agent 相当于是运行在电脑终端里的 ai， 你 给他权限，他就能从给答案升级成接管你电脑的全能管家。 比如 openai 这边，它家的 ai 叫做 gpt， 它家的 agent 叫做 codex， 它可以读代码、改代码、运行代码，还能在云端后台帮你处理开发任务。而 cloud 作为 ansore pig 这家公司的 ai 大 语言模型， 它们家的 agent 叫做 cloud code， 你 可以把 cloud code 理解为 cloud 的 终端程序员，它和 codex 一 样，能够理解你的代码项目，跨多个文件和工具，帮你写代码、修 bug， 自动化处理并开发任务。 google 这边代表产品可以看 antigravity， 更像是一个 jimmy 的 开发工作台，因为它不只是在聊天框里回答你，而是可以让 agent 在 编辑器，终端浏览器之间去写作，去规划执行验证任务。所以你可以这样理解， g b t cloud jimmy 是一个 ai 大 脑，而 codex cloud code， anti gravity， jimmy c r i 是 让这些大脑真正去干活的工具。大模型往往没有本地客户端，而 agent 则都是下载到电脑上的客户端或者运行在终端里的工具。 普通人先记住三句话，网页 ai 是 给你答案， agent 是 替你执行任务。所以下次再听到 cloud code codex anti gravity 不要再觉得玄乎， 它们本质上就是让 ai 从聊天框里走出来，开始真正替你干活。你想选哪个？ codex， cloud code 还是 antigravity？ 进去告诉我，下一期我直接讲它们到底怎么选。
117不是小丁-
01:10查看AI文稿AI文稿可乐的用不了，现在有一个全新的解决方案，那就是在可乐的中接入 deep seek 的 模型，下面我演示一下，先打开可乐的官网，然后点击下载桌面端， 打开桌面端后，先不要直接进入，点击左上角在 help 中打开开发者模式，在开发者模式中进入配置，在这里填入你 deep seek 的 信息。 啊， deepseek 的 bios u l 和 ipi 要去官网里找啊。打开官网，点击 ipi 文档储磁调用就可以看到 bios u l， 然后创建一个新的 ipa， 然后把这些信息配置在可斗者的模型里就可以了。啊，这里需要注意 啊，下方需要手动填入 deepsea 微四的模型名称，否则只能加载微四之前的老模型，填入后选择确认同意。右下角可以看到我们添加的模型，现在就可以正常对话了。
02:30查看AI文稿AI文稿玩 cloud code 是 不是必须上顶级模型？估计很多同学都会有这样的困扰，其实不止 cloud code， 还有其他智能体，比如 open cloud 也是一样的， 因为现在市面上可选择的大模型实在是太多了，很多人的选择困难症就犯了。我们知道，虽然 cloud 官方模型是顶级的，但架不住贵啊，关键不但贵，使用条件还非常苛刻，除了要架梯子呢，还得要实名认证跟境外支付，很麻烦， 本来是花钱的消费者，这样一来搞的跟谈恋爱的舔狗一样，个人觉得完全没有必要。至于为什么，原因有下面几点。第一个，如果你不是非常猴急的赶任务进度， 或者说需求难度不是特别大的话，就完全没有必要上顶级模型，用便宜的国产模型也完全足够。第二个，顶级模型虽然确实很厉害，但效果也不至于强到让你惊掉下巴的程度， 一样有上下文长度限制，在面对复杂的长线任务时呢，一样需要人的强感雨。所以一定不要指望说只要模型足够牛逼，你就可以什么都不管。 第三个，对于国产模型，虽然在一些方面表现确实差点意思，但优点是非常便宜，而且用起来呢，几乎没有任何门槛， 最关键的是量大管饱。第四个，我们需要承认一个现实啊，那就是如果工具的能力越强，那么人的价值就会显得越弱。如果你习惯了用顶级模型呢？你脑子就会不自觉的少思考，那你肚子里剩的那点专业知识可能慢慢的就忘光了。 第五个，很多国产模型虽然没有那么的聪明，但其实也还算挺聪明的，用这么长时间的国产模型，发现交给他的大部分事情，只要你能够做到心里有谱，在他执行的时候多盯着点，偶尔犯错的时候能敲打一下，最后出来的结果呢，还是能够让人满意的。 第六个，有句话叫由简入奢，由奢入简难，你要是一开始就习惯了用最厉害的模型，那突然哪天因为各种原因只能用国产的，那种落差感就好比你以前上下班都是专车接送，而现在只能每天挤地铁，你受得了吗？ 第七个，如果你是从一个弱鸡模型开始用的，那这个过程中积累的跟 ai 各种斗智斗勇的过程，将会成为你非常宝贵的 ai 使用经验。对那些还需要大量技术精进的同学来说呢，既能够满足一部分智能化需求，同时还可以训练自己的脑子，一举两得，你觉得呢？
27安瑞哥是码农
02:33查看AI文稿AI文稿最近 ai 圈又爆了一个新词， harness engineering。 驾驭工程 ai 开发框架公司 lion chin 做了个实验，模型代码一行没换，只改了三个配置。 coding agent 的 排名从三十名开外，直接冲进前五，就是因为他们给 ai 搭了一套清晰的工作环境。这个方法论就叫 harness engineering。 今天用最简单的方式给你讲清楚它是什么， 顺带说说它怎么落地。先快速理解两个前辈，概念，提示词工程和上下文工程。提示词工程 prompt engineering 就是 学会怎么问 ai， 问的越精准， ai 答的越准。上下文工程 contact engineering 是 解决未给 ai 什么信息的问题， ai 的 记忆窗口有限，要在合适的时候塞合适的内容进去。 这两个解决的是让 ai 说对话的问题，但说的再对， ai 还是只能聊天，没法真正帮你干活。这时候就需要 hannahis engineering 了。 is 原意是马具，江神、马鞍这些东西，马很强壮，但没有马具你驾驭不了它。 ai 模型就是那匹马强大，但方向感差。 harness 就是 你套在它身上的那套控制系统， agent 就 等于模型，加上 harness 不 属于模型本身的那部分，都是 harness engineering 要干的事。那么 harness 由哪几层组成？第一层，记忆层，就是给 ai 一 套规则文件，写清楚项目背景、技术要求，禁止事项、代码风格。比如 cloud code 用的 cloud m 里文件，每次调用 ai 的 时候 自动注入进去，保证 ai 始终在你画定的框架里工作，不乱跑偏。第二层，执行层，给 ai 配上能干活的工具，比如文件读写、命令执行、跑测试、调接口，让 ai 不 只是说说，而是真的能动手操作。第三层 反馈层， ai 执行完了，系统自动检查结果对不对，比如跑完代码发现报错，自动把报错信息塞回给 ai， 让它下一轮自己修，这就是自动修复的核心机制。 四层编排层，大任务拆成，小任务按顺序一步步推进，防止 ai 陷入无效循环或者跑偏。理解了哈尼斯的原理，在工作中怎么落地呢？假设你让 ai 帮你每周做竞品分析报告，没有哈尼斯，你每次都要手动告诉他搜哪些网站，用什么格式发给谁。有了哈尼斯， 配置文件里写好，只看近三个月，内容来源必须是原文，非转载报告格式用模板 a 工具层配好搜索和文件生成反馈层设置，如果来源少于两个，就重收。编排层规定，先收集再分析，再写报告，最后发邮件。这套跑起来，你只需要在最开始发个指令，剩下的他自己完成。 实施工程，让 ai 听懂你上下文工程，让 ai 信息充分。哈尼斯 engineering， 让 ai 持续规范的交付。以后你不是在跟一个 ai 聊天，而是在指挥一支 ai 团队干活，你的角色从执行者变成了制定规则和验收标准的人。 越早把这套思路建起来，你就越早解放出来。好了，这期就到这里，如果对你有帮助，记得转发给你身边还在一条一条回复 ai 的 朋友，关注我，走进 ai 不 迷路！
01:01查看AI文稿AI文稿朋友，我求你别去碰 cologold， 真的 碰了这辈子就完了。你会不想睡觉？不想出门，不想搭理？朋友？一睁眼就是 web coding， 玩三角桌，玩计算机，有意思吧？ cologold 这个劲比他们上瘾多了，你下班回家只想打开 cologold， 更可怕是什么？是有些人压根没工作就天天宅在家里，从早到晚的 web coding， 凭着一股劲瞎敲代码，一敲就是一整天。 所以我先把丑话撂这。要是脑子里有那么一丁点想法，有那么一点点创造力，千万别喷他，你一旦上手，你脑子里想要啥，他就能给你做出来啥。 想要个 app 做，想要个网站，没问题，想做个工具，轻轻松松，他没有任何边界。 而且我跟你讲，它还不贵。你要是不想了解 clockcode， 行，划走，别关注我。你要是不想知道怎么把 ai 工具榨到最后一滴价时也行，划走，我给不了你任何东西。别说我没提醒你哦。
3.3万吉米AI工作流
08:33查看AI文稿AI文稿这是我自己手搓的第一款完全由大模型开发的产品，它具备完整的从产品原型设计到前端 css 开发到后端的接口服务的一款真实的产品。它主要依赖的工具有两款， cloud code 和 coser。 cloud code 主要是做一些需要大量编辑的事，比如说爬虫啊，数据清洗， sql 呢，主要是做一些产品原型设计，全程零代码。我们首先来看一下我们的产品 某业，它是一个金融资讯产品，聚焦港股市场。当然了，我的主题是可以自由灵活配置的，用 config 文件配置就行，比如说我要换 a 股市场，我只需要更换一个 tag 就 行。好了，言归正传，我们来看下这款产品。首先是头部区域， 清晰地展示了港股的一个相关的要素，我配置完港股这个 tag 后，加两个金融品种之后呢，标题次标题 底图都是由大模型自主生成的。然后下方就是我们的第一个 type， 叫做事件线索，它实时展示了港股的相关的一个资讯。 我让 cloud code 写到一个定时爬虫的 python 脚本，自动呢，在我指定的网站上十分钟进行爬取一次，然后通过我配置的 tag 匹配对应的资讯流，目前展示的全部是港股相关的一个资讯。 由于爬虫过来的资讯是没有带证券标签的，所以我找了一个证券市场的全量码表，通过证券代码和证券名称上市市场这样的一个原数据对资讯进行一个打标签。 这里其实有非常成熟的 python 分 词库进行调用。我这里建议不要用大模型强行去打标签，不但非常消耗 token， 其实打出来的效果也会很差， 自从有了资讯标签后呢，我就可以调取行情接口，展示它的一个实时涨跌幅了。这块其实碰到了很多坑，大多数所谓的免费开源的接口非常的不稳定，基本调用几次就超时报错了，最后我只能用公司的行情接口， 呵呵，当然是仿真的接口了。好了，现在资讯有了标签，有了行情，我准备让大模型去做一件我一直想做的事情，叫做主动提问， 就是现在根据现有的资讯，根据一定的规则，模拟用户看到这条资讯后，最可能会针对这条资讯呢进一步提问的问题。这背后呢，其实逻辑是很复杂的，需要一定的专业知识， 我这里就不再细数了。最终呢，我是让大模型去实现了这个功能。大家可以看这块资讯， 比如说今天一个快讯长飞电缆 q 一 净利润大增百分之两百，我们给到的衍生问题是，为什么业绩增长这么大？ 其实这样的问题呢，是非常符合大多数投资者想去问的问题。然后其实大模型我让它生成了最多三个问题，我们这里可以去换的， 比如说从 roe 角度拆分，业绩增长的因素，净利润、总资产周转率、权益乘数分别贡献了多少。又比如说这次业绩大增里面一次性因素和经营性因素各占多少？ 其实大家可以看到这三个问题对于和业绩相关性是特别的大的，这背后其实是有一套规则的。然后我们再看一下，随便看一下，这问题其实可以点击的啊， 当我们点击这个问题之后呢，其实通过我后台配置的个人版的一个 mini max 去进行通用大模型的一个去搜索了， 当然我会进行简单的提示词规范，让大模型以用一种固定的一个模板进行输出，也就是我们现在看到的样子，但是我感觉还不是很好，我再换个问题试一下， 哎，这个模板还可以的。结论，归音拆解风险点后续跟踪的指标，这个效果还是可以的。好了，我们事件线索讲完了，我们来看一下第二个 type 图片线索， 我个人其实是非常喜欢看券商研报的一些图标的，它的含金量特别的高，所以呢，我就有一个设想，我丢一些研报给大模型，让大模型自己去通过 ocr 抠图，然后去清洗数据，再自己去创建一个 db 库去保存下来。 那最后呢，我自己在闲鱼上花了二十块钱买了大量的本地的一个研报 pdf 去保存下来，那最后呢，也实现了这个功能， 这里就不得不佩服 cloud code 的 强大了，有了研报图片在前端页面上，我只需要让大模型做一件事情就好了，当我在头部配置了什么个股，就把相应个股的研报图片展示出来就行了，这逻辑是非常简单的， 你看这里，我配置了中芯国际和恒生指数这边就相应的把相应的一个对应的一个图标就长在这里了，然后我采用了小红书这样的双瀑布的流的一个交互方式，然后最后产品看起来还是挺高大上的， 我这里也可以切换个股啊。最后呢，我们看最后一个 type， 我 的自选也是完成最快的一个功能， 因为我有了稳登的行情接口后，我只需要再新建一个 config 文件，自己配置一些股票，然后批量获取行情就行了。这个在大模型看来不要太简单了，我本来想再换个分时折现图的接口，不支持就算了。 对了，我再提一个关于产品原型设计这块，首先第一个 figma， 即 figma 里面有个很好用的功能，有个插件吧，叫做 open html to design， 就是 说我本地生成了 html 之后呢，我可以把这个 html 直接去导到 figma， 成为这个 figma 的 一个原文件。 大家可以看到 html 导入进来之后左边的这个，嗯，这个栏目看到相关的元素，我在这个就可以看到相关的参数了。然后我在后续呢，不想迭代的话，就在这边去进行迭代。 在最后迭代完之后呢，我可以通过 cursor 的 一个 figma mcp 的 工具去读取 figma 里面的一个设计原型。 然后第二个工具呢，我介绍了一个 google 旗下的叫做 stitch， 这个功能是非常强大，我基本上在用这个产品进行原型设计的频率特别高的，它的优势呢是它可以帮你生成一个原型，之后呢生成非常详细的一个设计参数， 然后把这些设计参数进行一个前端的一个样式的一个调整， 还原度还是非常高的。但是呢，他有个弊端啊，就是他是他经常的自我发挥，比如说我让我丢了一个他一个我产品本身的一个截图给他，让他去进行一个局部的优化，他呢可能会把整个产品的一个视觉样式都改了， 其实它本身是一个国外的产品，所以它如果靠自己发挥的话，它做最后做出来风格大概率偏国外的风格，比如说像这样的非常美国风的。 嗯，好了，这就是我所有的产品介绍了，整个过程其实还挺有意思的。最后呢，产品所有的规则都统一呢？让大模型写在 rule 和 skill 文档里了，也就成了一个标准化的东西了。 好的，本期我就讲到这儿，以后有功能迭代了我再更新吧，谢谢大家。
107段大大
02:02查看AI文稿AI文稿我觉得所有灵活就业个体户、艺术类、自媒体、法律、建筑工程，甚至是人文社科、生物医学的从业人员，都应该知道怎么装 cloud code， 就是 不要觉得它是编程软件，就假装自己不会用。首先呢，搜索 tree， 安装 tree i d e 这个软件不是广告啊，它是字节跳动，基于 vs code 开发的编程软件， 你直接下 vs code 的 也可以。装好之后呢，往左边找到四个小方块，你可以理解为软件插件的应用商店，打开之后搜索 cloud code 的 插件，点击安装， 安装完成之后，你就会看到侧边栏这个小菊花，点开出现这个小螃蟹，它就是 cloud code。 这就已经装好了，但是还差一步啊，它需要登录，你可以用 c c switch 这个 api 管理软件，在设置里面跳过登录页面。 配置其实也很简单，只需要 api 的 key 和请求地址，几乎每一个大模型服务商的控制台或者后台的开发文档都会有，没有的话，这个软件已经预填了一部分的地址，我相信应该够绝大部分人去使用了。 然后重启软件，新建一个文件夹，就可以开始使用你的 cloud code。 那 回到最开始那个问题，我为什么建议所有人，无论什么工种，无论什么工作，甚至不工作的人，都要立刻马上去用它？ 举个例子啊，我前段时间准备看一部电影世界的主人，他的豆瓣评分已经到九点二了，但是他没有字幕，连原声的韩语字幕都没有。以前的话，我肯定要等专业的字幕工作者去做好，或者是等上映之后再看，如果没人帮我干，我一辈子都看不了这个电影， 但现在呢？我把这个电影丢给 cloud code， 让他直接给我做个字幕，他直接给我规划了任务，安装了工具，用推理和代码的方式把字幕做了出来。尽管我不懂字母文件是怎么做的，也不懂代码是怎么写。所以理论上来说，他可以干一切的知识类的工作， 它是大模型的手和脚，大模型只能回答你，但它无法上手干。而 cloud code， 它可以直接接管你的任务，在你的电脑进行操作。如果你给了它操作工具的权限，那它其实可以去操作你的飞书，操作你的 figma。 如果哪天抖音和小红书也开了 c l i， 它其实也可以去操作的。 如果我不用，其实我可以一直理所当然的以为我的经验还是太重要了。 ai 根本替代程序员，但还是替代不了我们靠这种实践累积出来的工作。但真的在我上手用之后呢，一切的认知就改变了。
47杨某人
02:16查看AI文稿AI文稿今天分享三个 cloud code 必装的开源工具，能让 cloud code 替你二十四小时干活。装完之后人不在电脑前， ai 也能改，跑完还会主动喊你，并且能优雅切换不同的大模型。我每天都在用，今天用三分钟全部演示完。第一个工具是 cc connect， 它可以远程操控你的 cloud code， 当你在外面遛狗坐地铁的时候，也可以让 ai 继续干活。 这个开源工具的安装非常简单，直接把这个给他的地址甩给 cloud code， 让他自己装，一两分钟就搞定了。装完之后打开可以选一个平台连接，比如飞书，扫个二维码就自动连上了，非常简单。看你在飞书发一句话，电脑上的 cloud code 就 会替你干活，查资料、改代码、写文档都是 ok 的， 结果会直接发回到手机， 这样我出门在外的时候， ai 也会继续在家替我工作。第二个开源工具叫 cc notify， 我 之前自己写了一个 cloud code 的 hook， 可以 让 cloud code 跑完任务的时候自动告诉我我已干完，报告 boss 我 已完成。 这样我去干别的事情的时候，听到声音就知道他跑完了。 cc notify 就是 把这套思路做成了完整版。装的方法跟刚才一样，把 github 地址给 cloud code， 让他自己装，装完后他会自动接管 root 配置，需要确认时弹通知，跑完时弹通知还会告诉你这个任务跑了多久，我 现在还留着我之前的语音户客长，任务，跑完后，他会喊一声让我知道这个开源工具则告诉我具体哪个项目，跑完用了多久。两个方案我都会一起用，不过有个限制， c c notify 只支持 micro s windows， 需要用其他的开源工具。 我之后也打算开启一个新的开源项目，算是 c c notify 的 升级版了，包含语音的功能，并且支持多平台。第三个开源工具， c c switch。 当你想要给 cloud code 接入智普、 kimi think 这些国产模型的时候，以前需要去手动修改 cloud code 的 配置，对不会写代码的人是个不小的坎，而且要切换也很麻烦。 c c switch 是 一个跨平台的桌面 app， 它有图形化界面，不用敲命令，点开就能切换不同的模型。它最爽的点在于 cloud code 干活干到一半的时候，你可以在 c c switch 切换模型，下一轮对话立刻就是新的模型回应你了， 不用重启终端，也不用关闭对话。它还有个故障转移的功能，在夜里给 ai 派大货，一家供应商如果挂了，他会自动提到下一家，第二天起床后活就已经干完了。 这三个开源工具不适合的是还没有装过可 out 的 的人，我的主页有一条可 out 的 基建安装法的视频，可以先装好它再回来装这三个工具。我是雷克 build， 在 做一人公司，用 ai 把一个人变成一个团队，我们下期见。
4259鲤哥builder
01:16查看AI文稿AI文稿很多人没发现 cloud 的 聊天， coldwork、 cloud code 其实共用的是同一个额度池。你白天疯狂让 cloud code 瞟项目，晚上再想聊天，直接提示额度不足。最难受的是，额度一旦耗尽， cloud code 也会跟着停工， 相当于程序员下班了，老板也不能继续开会。但 gpt 这边是另一种逻辑， chat gpt 聊天额度和 codex 的 执行额度是分开的， 哪怕 codex 的 运行额度用完了，你依然还能继续在 gpt 里面聊天。你可以继续整理需求，继续修改方案，继续把想法提前写好，等 codex 额度恢复，直接接着干。这个体验差别非常大。 cloud 更像一个人，既负责开会，又负责搬砖，只要搬砖搬累了，连会都开不了了。而 gpt 加 codex 更像 产品经理和程序员是分开的，程序员累了可以休息，但产品经理还能继续写需求。所以很多重度 ai 开发用户最近开始把 cloud 用来高强度代码生成， gpt 用来长期项目管理和持续对话。因为真正痛苦的不是额度少，而是脑子还在线，工具已经下班了。
22AI播
00:48查看AI文稿AI文稿主要的桌面端刚刚悄悄开放了一个功能，可以直接接入国产大模型了。不知道是不是感受到了 openai 口袋的压力，这次更新把原来只有付费订阅用户才能用的 color code 桌面版直接向所有人放开了。 很多人都听说过 color code 很 强，号称是目前编程内最顶级的 ai 工具，但一直被它的命令行界面劝退。现在不一样了，桌面版的 color code 界面清晰，操作直观，新手也能直接上手。 接下来说最关键怎么接国产模型？配置方法， windows 和 mac 基本一致，三步搞定所有依赖操作步骤，我整理成了一份文档，大家按需取用。第一步，确保你已经安装了 call 的 桌面客户端。第二步，打开开发者模式。第三步，配置 get away， 填入支持 osrbic 协议的模型厂商地址，比如我这里接的是 mini max 模型。最后给大家快速过一下， call 的 桌面端支持哪些功能。
1.4万LIGHT
06:08查看AI文稿AI文稿最近产品同学问了一个问题，到底什么是 harness？ 很多同学听过这个词，也知道它和 ai， ai 有 关，但并不清楚它在工程上到底指什么。要回答这个问题，单独定义 harness 是 不够的，它必须和它周围的几层概念放在一起看边界才会清楚。 所以这期我们换一个视角，不是孤立的解释哈尼斯，而是看一次 agent 跑一次任务，到底有哪几层工程在协助。从这个视角出发，再回头看哈尼斯是什么就清楚多了。先看 prompt engineering， 它的本质不是写一句更聪明的话，而是设计模型的输入协议。它解决的是怎么把任务告诉模型、 角色、任务输入、输出格式、视力约束这几块都要说清楚。这个思路的背景是 gpt 三之后大模型展现出的 in context learning 能力，也就是模型参数不变，只要在输入里放任务说明和少量视力，就能完成新任务。后来 change of thought 还证明 prompt 可以 作为推理脚手架。所以 prompt 不 只是自然语言，它开始变成一种工程接口。所以工程上 prompt 会被模板化、版本化、结构化。页面上这个例子里的 role task constraints， input output， scheme examples 就是一个典型的输入协议。但它的边界也很清楚， prompt 只能组织已经在输入里的信息，如果模型看不到项目文件、历史状态、工具、结果提示词写得再好，它还是只能凭空生成。这就是为什么下一层抽象会出现 context engineering。 context engineering 的 本质不是把更多东西塞进上下文，而是为模型当前这一步推理构造最合适的信息状态。也就是说，模型不是一次性看到整个世界，而是在每一部由外部系统组织它该看到的信息。这个概念很容易被简化成上下文，越多越好。 但这其实是误解，上下文窗口可以越来越长，但越长注意力越散，推理越贵，响应越慢，缓存越容易失效。 所以工程上 context engineer 要做的是筛选、排序、压缩、加载、缓存、附用和渐近式。譬如哪些文件该进来，历史记录保留，哪几轮工具返回要不要加载，这些都在影响模型下一步的判断质量。具体来源可以拆成六类， system proc files、 memory reg 二、 results 和 cash。 常听到的 rich prompt、 catching 乃至 cloud code 里的代码。上下文选择都是 context engineering 的 具体形态，但它也有边界。 context 决定模型当前能看到什么，却不决定系统什么时候调用工具怎么执行，动作失败后怎么恢复。 这就是为什么下一层抽象会出现 harness engineering。 把刚才两个概念放在一张图上对比，这张图改编自 anthropic 二零二五年那篇 effective context engineering for ai agents。 左半边是单轮 context， window 里就 system prompt 和 user message 模型，读完给一个回复，一锤子买卖。右半边是多轮 agent， 外面多了一个 possible context 文件工具，记忆解锁历史远远超过上下文窗口能装下的量。 所以中间要有一步 curation 筛选压缩缓存，把这一步真正需要的部分送进窗口，模型推理后产生突抗，结果再回流到 possible context， 进入下一轮核心差异就一句话， prompt 是 一次性输入， context 是 循环 curate。 但这就引出一个问题， 这个循环到底是谁在驱动？ anthropic 在 scaling managed agents 里给了答案， context management in the harness 上下文管理在 harness 里，这就是下一页要讲的。 harness engineering 的 本质是把思考、执行和记录分开，再由 harness 串成一个可恢复的循环。 antropics 在 scaling managed a 金词里有一个很好的说法叫 decouple the brain from the hands， 意思是把大脑和双手解偶，页面上这三张卡就是 brain hands session。 我 们一张张看，先说 brain， 就是 quad 这样的模型 基于上下文推理生成下一步意图。这里要补一句， in graphic 原文里的 brain 其实是 cloud 加 hannis， 本期为了讲清边界，把 hannis 的 单拿出来讲。 hands 是 执行动作的部分。 三 box m c p 终端浏览器外部工具比较稳的做法是把它们抽象成统一接口，而不是和某个具体容器绑死。三申则是事件日制，它不是跨的 the context window， 而是持久化在外部的事件流。 hannis 可以 通过事件接口读取历史事件， 筛选切片将要之后再决定哪些内容进入下一轮上下文上一页说的 context management in the harness 在 这个架构里就落地了。 harness 从筛选和工具结果中筛选、裁剪、回放信息，再送给 brain， 进入下一轮推理。而这个从 brain 到 hands 再到筛选，最后回到 brain 的 外部循环， 其实就是 react 耐克思考动作观察循环的工程版本，放到 ai 参与软件开发里看，模型不会主动读文件，跑测试，维护任务状态，把这些能力组织成可受控、可验证、可恢复的工程闭环的就是 harness。 但哈尼斯也有边界，哈尼斯决定做什么，怎么做，沙箱与全线决定动作在哪里发生，能影响什么。这一块在工程实践里通常被合并进哈尼斯作为其 sandbox primitives。 这就是为什么最后要把三层重新摆在一起。看看这张图， prompt engineering， context engineering， harness engineering 不是 一条时间线，而是欠套的关系。举个例子，上网搜一下最新的 antropics 博克， prompt 决定怎么把任务说给模型， context 决定这一步，模型看到哪些已有信息， harnis 决定调哪个工具走哪个沙箱，搜回来的结果怎么进入下一轮 context 三层各管一段，缺一层都跑不起来。回到开头的问题， harnis 在 工程上做了什么？我的答案就是这一层，把模型、工具和状态串成可恢复的执行循环。本期反复提到的 context engineering， 我 有一个专门的系列在讲， 感兴趣的同学可以去翻翻，感觉有所收获的同学可以点赞收藏加关注，我们下期见！
225新
02:06查看AI文稿AI文稿今天给大家介绍一下 canada code 的 命令行窗口的安装配置，然后呢我们是结合呃 gps 微四的模型来配置安装。然后首先大家可以看一下 canada code c o i 是 什么，就是命令行的那种窗口，就是我们常规理解的这种黑黑的窗口， 就是你需要做一些准备工作，包括你电脑，包括你的网络环境，包括安装的一些配套和依赖，哪些要装，哪些不不要装，我这里也做了一些说明， 这是安装 note gs 如何安装 get 的 安装和说明， get 就是 一个软件版本的管理工具， 接下来是重点就是安装 cloud code cio 的 命令行，大家可以看一下。这个呢是我们常规的安装方式，这个呢就是呃你的网络呃没有 vpn 的 话，然后用这个镜像的方式进行安装， 一双命令就搞定。然后安装完以后呢，你就直接输入 kol 的， 然后 v 幺 s i o 就是 版本号 也可以验证是否安装成功。然后接下来呢就是你注册好 dsp， 然后获取到它的那个 api k， 然后获取到 api k 以后呢，你打开安装好的 kol 的 设置点监视文件，就在你的 c 盘的用户根目录下面一个点 kol 的 文件， 然后把这一串那个环境配置的接送配置内容直接粘贴进去，对应的把你的那个 api k 更换成你真实的 api k。 修改完这个设计师监审文件以后呢，我们直接打开迷你行窗口，输入 cloud， 回车就可以进入经典的 cloud code 的 界面了。 我也把 cloud code 的 常用的秘密素材表我也放在上面了，包括我一些 get 的 秘密，然后遇到一些问题怎么处理？基本上经过我们前面的极简的几步，我们就已经把那个 cloud code 的 安装已经全部装好了，你可以体验你的 ai 编程之旅了。
69辉哥AI
