claude记忆导出教程
总算有大神开发出来了， cloud 终于有记忆了。用 cloud code 写代码的朋友注意了，你有没有遇到过这种情况？上次跟 cloud 聊了半天，讲清楚了项目背景，踩过的坑，你的代码风格， 结果第二天重新开个绘画， cloud 又变成了失忆老头，什么都不记得，你得重新解释一遍。 现在有个开源工具叫 cloud mem， 专门解决这个问题。 github 已经六万两千五百颗星，受到 ai 人的热捧，它能做什么？第一，持久化记忆，快绘画保留， cloud 关了重开，照样记得你们聊过什么优化记忆的功能。 第二，自动运行，不需要你手动操作，钩子机制在后台默默帮你把每次绘画的关键信息压缩存档，用的是 cloud 自己的 agent sdk 来压缩，不是瞎存。 第三，支持搜索，可以用自然语言查询历史项目记录， gemini c l i 也能用。第四，隐私保护，用 private 标签包起来的内容不会被存储 敏感信息。放心，数据全存在本地的 sql lite 数据库里，不往外传。第五，还有个外部界面，在本地三七七七七端口实时查内存流，什么信息被存了，一目了然。 安装也很简单，两行命令插件市场直接装，重启 cloud code 就 能用，之前绘画的上下文自动加载进来。如果你不会安装，可以直接问 cloud code 怎么安装。 最近还加了个更狠的功能，跨机器同步，你在公司电脑写的代码记忆，回家之后家里的电脑能直接同步过来。对于重度使用 cloud code 做长期项目的人来说，这个东西真的是刚需，而不是玩具。项目地址放评论区了。
粉丝97获赞1807
相关视频
01:22查看AI文稿AI文稿在你开始使用 cloud 之前，先把这三件事给做了。现在越来越多人已经从 gpt 转到了 cloud， 但如果你今天就开始做这三件事，你可以直接甩开百分之九十五的人。第一件事，开启全局记忆。第一步，进 cloud 的 设置页面，把记忆相关的两个功能全部打开， 这样 cloud 就 能记住你是谁，你之前聊过什么，你的习惯偏好是什么。第二步，如果你是从 excel gpt 转过来的，点一下 start import， 把它给你的提示词复制粘贴，然后到 excel gpt 里跑一遍，然后把 excel gpt 输出的结果完整粘贴为 cloud， 它就能自动把你过去在 gpt 上积累的记忆全部继承过来。 第二件事，连接 google 服务，打通你的工作流，把你的 google drive、 google 日历、 gmail 全部连上去。这一步做完， cloud 直接变你的私人行动助理， 它能帮你规划日程，整理文件、发邮件，那些重复性高但又不得不做的琐事可以全部丢给他。第三件事，为 cloud 装上你的专属技能 skills， 你自己的方法论喂给他。比如你写文案的框架，你做短视频的选题逻辑，你跟客户沟通的话术，整理成文档传上去 之后，每次对话，他就能直接按照你的套路输出你真正能用的东西，而不是一堆正确但没用的废话。如果你想要一套真正能落地能赚钱的 ai 工作流，把我现在每天在用的方法直接发送给你。
290不是小丁-
04:21查看AI文稿AI文稿很多人正从 chat gpt 迁移到 qq， 不 管是因为写作能力有所提升，还是人们更偏爱 qq 生成的代码和 app， 亦或是出于理念上的认同。但事实是，账户迁移这事以前可没那么简单。不过现在 qq 官方推出了一种超级简单的方法，一两分钟就能帮你搞定迁移。 不过有几点需要留意一下，那么我们来看看怎么把你积攒在 x、 g、 p、 t 里的数据搬过来，转移到 q、 r 上，从而实现无缝切换。这样你就不用再担心数据在迁移中丢失，而是可以专注于在你心仪的 ai 助手那里高效干活了。 好了，我们的迁移之旅就从这里开始。 q r 甚至还专门做了一个页面，叫我从其他服务转头 call。 操作起来非常简单，在你的 c、 l、 u、 d、 e 点 ai 账户里，点击左下角的头像，然后进入设置 在这里的功能标签页下，你就能看到这个新按钮。从其他 ai 服务导入记忆，点击这个开始。导入按钮后，我会看到两个输入框， 其中一个是我现在需要复制的一段提示词。这个操作会提取出所有的记忆，所有的背景信息，所有的数据。这些信息可能是叉、 g、 p、 t 或其他服务商已经存储的关于你的内容，而你只需要输入这个提示词，就能把所有相关信息都提取出来。 乍一看，这操作简单的就像点一下复制按钮，然后到恰 gpt 里粘贴这个提示词并执行。有时候事情确实就这么简单，但对很多用户来说，这样操作可能无法获取全部信息，你真正关心的那些信息可能无法全部拿到手，就像你在我这里看到的，它提取出了关于我的五条不同信息， 但我们的目标是尽可能多地转移信息。所以关于在你的叉 c p t 账户里具体该怎么做，我的建议如下，点击你的头像，进入个性化设置选项卡，在这里确保把下面这几项全部打开，也就是参考保存的记忆，参考浏览器记忆和参考聊天历史这几项。 接下来我建议你换一个不同的模型，因为在模型选择器这里，你可以把模式从自动切换到思考。最后一步，粘贴提示词，然后按回车键。 根据我的测试，这个思考模型实际上能更有效的解锁出关于你的更多信息，因为他拥有更多这样的思考周期。他会扫描你的账户，从中挖掘出不同的信息片段，然后你就可以搬运过来。瞧他已经提取出了更多信息，有些还是来自之前的聊天记录。 现在我们准备完成这个迁移过程。如果你之前从未用过项目功能，如果你用过项目功能，我稍后再详细说。不过要完成这个操作，你只需要来到这里，然后在这个包含你所有信息的代码块右上角点击复制按钮， 接着返回 quad。 现在在这个区域里，我右键点击，然后粘贴所有那些信息，接着点击添加到记忆，就这么简单搞定。现在它会把所有信息整理成全新的记忆条目，这些记忆就会存储在 quad 里面了。 说实话，我觉得 quad 里的记忆甚至更胜一筹，比聊天记录里的那些还要好，因为你瞧它们都被分门别类整理好了，而且它们每晚都会根据你新的聊天内容自动更新，真是太棒了！ 最后一步，我建议你把这些记忆都浏览一遍，如果发现任何错误，点击这里的笔型图标就能修改，如有任何修正，请在这里沟通。不过这一步完全看个人需要，可做可不做， 否则你就可以准备退出这个界面了。这样你就把 check gpt 里所有关于你的记忆和信息都搬到 core 这边了，现在 core 就 可以成为你首选的新恋爱助手了。 再补充一点，如果你用的是项目功能，也就是把聊天记录和相关背景信息都整理在不同的项目里，比方说我就用这个工作相关的项目来管理我工作上的失误，里面还附上了一些文件，能帮我更高效的完成工作。 那么这个项目里的聊天记录，还有我上传的那些文件，连同这个项目专属的记忆和指令，都是打包放在一个容器里的。所以如果你也用项目功能，并且想把这些内容也迁移过去，操作步骤和我刚才演示的完全一样，就是在这个界面里用思考模型运行那段提示词， 你看这里导出的信息可就多的多了。接下来我就在夸尔这边新建一个项目，名字就叫工作相关。然后在这个项目里面，我只需要手动输入指令，把这些信息添加到项目记忆里，然后我就能把所有这些内容都粘贴到项目指令栏这边，这样整个项目就原封不动的迁移过来了。 然后等上大约十二小时，这些记忆更新完毕之后，这个项目会整合你所有的记忆内容。此外， core 里还存有项目级别的记忆迁移工作，就此大功告成，就这么简单。
47大曼哒
06:49查看AI文稿AI文稿hello， 各位，我相信大家呢，和大魔星对话的时候都会有这样的体验，花了四个小时呢，和 cloud 调试了一个 bug， 好 不容易解决了，第二天早上再打开这个新的对话，那 cloud 呢？对昨天的事情，哎，可以说是一无所知啊，你得从头去解释你自己的项目结构，从头去提醒它，再去构建命令， 这个体验呢，真的是烂透了，那二月二十七号呢， ansotek 在 cloud code v 二点一点五九里面，这个版本啊，正是上线的一个功能，叫做 auto memory， 就是 为了解决这个遗忘的问题。但是呢，它解决得好还是不好，有没有新的坑？值不值得大家现在就去打开 这个，大家可能都是诚意的，所以今天我就来深度拆解这个 auto memory 自动记忆这个机制， 把这些问题给大家去说清楚。首先我先给大家去讲清楚这个核心概念， what memory 到底是一个什么东西？那首先呢， cloud code， 它里面的记忆啊，它不是一个东西，而是两个，你看记忆系统呢，其实分了两个，第一个叫做 cloud 点 md 啊，这个是 我们写的，那里面包含了我们之前有写过的，像编码规范，像构建的命令，像一些团队约定。那还有一个板块呢，就是 osm memory 呢，它这个是 cloud 自己写的，那这里呢，就包含了像调试经验，项目模式以及工作习惯， 比如呢，项目用了什么构建命令，测试怎么去跑，你踩过什么坑，包括你填好什么风格 cloud 呢，都会把这些笔记写进本地的一个 markdown 文件，那下次开新的对话的时候，它就会自动加载这个文件，这里呢，一定要注意我刚说的那个词叫做自动，也就是 auto， 你不需要告诉他，哎，你把这个给记住了，然后你也不需要去手动维护这个 mac 档的文件，你只需要正常工作，他自己呢，会决定什么值得去记，怎么去记？这个就是 auto memory 的 一个核心的卖点，也是他最大的一个争议来源啊，那为什么会有争议呢？我们后面再讲，我们先讲他怎么去运作的。 首先我们先搞清楚这个 cloud md 啊，到底是存在哪里，它其实存的呢，是在你的这个点 cloud 的 根目录下，然后 projects 里面可能是你的某个项目里面的 memory 这文件夹， memory 里面呢，也包含了四个标准的一个 markdown 的 文件啊。首先就是 memory 点 md， 这个呢就是主入口，它主要做的是一些缩写文件。 那第二个就是 bug 点 md 啊，这个顾名思义就是一些调试的笔记。另外呢还有 api 杠 conventions， md， 这个呢就是 api 的 设计决策，包括 build patterns， 这个呢是构建模式， 每个项目呢都有自己的这个独立的记忆目录，这个路径呢，是从你的 get 仓库的根目录去推导出来的。 ok， 那 重点来了，同一个仓库的所有子目录都共享的是同一份记忆，那 memory 点 md， 它就是 核心，每次你去启动这个新的对话，他要扣的会自动加载这个文件的前面的两百行啊，然后呢，加载到你的这个系统提示词里面。 另外呢一定要注意，就是两百行，他是一个硬的上限，超出的部分也不会去加载。 ok， 那 他可能会有些好奇，为什么会是两百行？其实我自己一开始呢也比较好奇， 大致看了一下，它其实就是一个 cloud 的 设计，它逼着这个 cloud 的 这个模型把这个 memory 点 md 啊，保持得很精简，像一个目录，而不是一个百科全书。 那详细的内容呢？会拆到了像 debugging 点 md， 包括 api convention 点 md 这样的一个主题文件里面，那 cloud 的 需要的时候再去按需提取，前提是它知道自己是需要的。 ok， 接下来我们再去讲 auto memory 的 一个三种的管理方式。第一种呢，就是被动模式，什么都不用做，你正常的去写代码，那 cloud 就 会在工作中列出，自己去判断这个是不是值得记，然后呢去把它给写进去，你甚至都不用去注意到。 ok， 这个呢，我觉得是最轻的一种模式。第二种呢，就是主动指示你直接去跟 cloud 说，你要记住我们要用什么，不要用什么，然后记住呢，每次去提代码之前要去跑一次 m p， m test， 他 呢就会把这些也写进 memory 点 n d， 我 觉得这是一个比较中度的一个管理。那第三种呢，手动管理，你直接在 cloud 里面去 加上这样的一个命令， memory， ok， 那 cloud 呢，它就会弹出一个文件选择器，你可以直接打开任何的记忆文件去做一个编辑，里 面还有个开关，可以键去关闭或者打开 auto memory。 主动管理也定义成一个更重度的一个记忆管理啊，有点像去 hack 这个代码一样。 ok， 我 觉得 auto memory 呢，它不是凭空冒出来的，那在它上线之前的开发者社区其实已经喊了很久了， 所以呢，我给大家去整理梳理一下这个需求的演变，那在二零二五年十二月的时候就有一个意思，又说希望不要让 cloud 每次启动都去从零开始。你看它说 persistent memory between hello code session， 然后到二零二六年一月呢，又有个意思，又说 add automatic memories like chad dt。 哎，关键词呢，就是 automatic。 然后在二零二六年二月啊，他提出在 context window 里面去压缩前啊，主动去保存研究成果。 所以如果把这三个要素给拼在一起，你就能看到一条完整的进化线。第一个就是需要先记住，然后呢再去自动记住加自动化，那自动记住以后呢？在关键的时候自动记住。 而现在呢，奥特曼目前走到了第二步，就是能够自动记住，但是第三步我觉得还没完全到，但是呢，已经在路上了。 好，那到这里，整个奥特 memory 的 这个原理和概念都介绍完了，所以你看呢？其实这么看下来啊，从技术到智能技术，到关键时刻智能技术，这个大家都能想的到， 他也不是一个很革命的突破，但解决的确实就是一个本来就不应该存在的问题。 ai 助手呢，不应该每次对这个对话都失忆，所以从这个角度来说，他只是把一个严重的体验缺陷修补到了及格线。 那他修补的方式是很聪明的，通过成本，通过完全的透明，通过分层架构，再通过多级的控制。这些设计决策表明了 snoop 至少想清楚一件事情，记忆系统最大的问题不是遗忘， 是失控。所以我的建议很简单，就三句话，第一个，哎，打开 cloud 让他跑。第二个，每周花十分钟去审查你自己记录好的这个 memory。 第三个，像对待一个记忆力忠于不为零的新同事一样去对待他。 另外还有个关键就是你需要主动的去管理 memory， 而不是每次都是被动的让 cloud 去自己去写，被动的去接受。 好，那今天的这个 auto memory 这个介绍啊就到这里，然后大家如果有什么其他问题呢，也可以随时去在评论区进行交流，觉得是有价值的人呢，也欢迎点赞关注收藏一下。
665清华姜学长
01:16查看AI文稿AI文稿cloud 再次抄了 open ai 的 家，它最新发布了一个功能叫 memory import， 不 用装插件，只需要三步复制 cloud 给你的提示词，然后再发送给你的 chat gpt， 然后再把 text gt 返回的结果发回给你的 cloud， 你 的 cloud 就 拥有了和 text gt 一 样的灵魂。因为现在我们去训练我们的 ai， 需要大量的去让 ai 记住我们的一些关键信息， 如果你要去利用另外一个 ai 的 话，那这个信息是很难转移的。 cloud 现在做的这个 memory import 就是 解决这个问题的，那 ai 对 用户的记忆其实也是 open ai 的 护城河，因为 大量的用户还是比较熟悉使用嵌的 gpt 的。 那现在 cloud 发布这样一个功能之后，可以说是直接超了 open ai 的 加。其实我们每个人把自己的数据喂给 ai， 其实就是把一种资产投资在了 openai 这上面，现在这个资产不是固定的了，它变成可携带可转移的了。那从今天起的话，带着你的数字灵魂，哪个 ai 好 用，你就可以去用哪个 ai 了，但是对于 openai 来说可能有点难受。
06:42查看AI文稿AI文稿大家好，我是景恒，欢迎来到景恒 ai 笔记 cloud 开始做梦了？不是打比方，是 anstop 官方给这个功能取的名字就叫追命。 五月六号， anstopip 在 旧金山举办了首届开发者大会，三项重磅更新里，有一项就叫追命，名字先放一边。从工程角度看，追命要解决的是一个具体问题， aj 执行完任务后运行日制里的经验如何被提取和附用？一个典型的 aj 任务接收指令，调用工具访问网页，解析数据，遇到错误重试输出结果 几十次工具调用多次，页面跳转若干次失败重试全记在赛神日制里。问题是这些日制在任务结束后就沉寂了，下次遇到类似任务， aj 不 会自动参考上次的成功路径或失败教训，需要重新摸索一遍。 今天就来拆解做梦背后的工程逻辑，以及三大 agent 框架各自怎么解决。记忆管理 abstract 的 官方文档描述得比想象中更具体。智能体在工作时持续往 memory store 写入经验，但写入是局部的、增量的。 经过多次 session 后， memory store 里会积累重复条目、互相矛盾的记录和过时信息。追命做的事情就是清理这些，合并重复，用最新值替换过时或矛盾的条目，从中发现新的规律。具体来说，一个追命任务接收两个输入、一个已有的 memory store， 以及最多一百个历史 session 的 对话记录， 它会产出一个全新的 output memory store， 不 修改原始输入。这个设计保证的安全性，如果你对产出不满意，直接丢弃就行，原始数据毫发无损。开发者还可以通过 instruction 参数引导 dream 的 聚焦方向，比如关注编码风格偏好忽略一次性调试笔记。 目前支持 cloud opus 四七和 cloudsonnet 四六两个模型，两种实现形态。 manage 的 智能题 s dreamings 是 异步后台任务，手动触发一次最多读取一百个 session， 需要几分钟到十几分钟。产出全新的 memory store 共审查 cloud code 的 auto dream 是 后台自动运行，每轮对话结束后评估是否需要做梦，默认二十四小时自动执行一次。 一个值得注意的设计决策审查环节， manage 智能体 s 产出 memory 后必须经过用户审查才能生效。这承认 ai 提炼出来的经验不一定可靠，把最终决定权留给了人。智能体为什么不能直接记住所有历史操作？ 答案是一个硬约束。上下文窗口有限且成本高昂。过去一年， ai 行业的关注点从提示词工程转向了上下文工程。 系统提示用户输入短期对话、长期记忆解锁回来的文档工具调用的输出，这些层叠加起来，就是智能体真正能感知到的世界。 hipok 是 大模型加速推理的核心机制，模型在生成每个 token 时，为前面所有 token 计算建置队并缓存，避免重复计算。 代价是显存消耗随上下文长度限性增长。一个七零 b 参数的模型跑满一百二十八 k 上下文，单单 kb catch 就 需要约六十四 gb 显存。六十四 gb 显存仅仅用来缓存一次对话的上下文，这意味着上下文窗口不可能无限扩张。 g b d 四的一百二十八 k 发布于二零二三年底。一年半后，主流模型的上下文仍然在一百二十八 k 到两百五十六 k 之间。当一个智能体执行复杂任务时，上下文窗口就像一张有限大小的桌面，系统提示占了左上角，用户指令放在中间，工具调动结果堆在右边，长期记忆文件从底部塞进来。 桌面一旦满了，要么把旧的收走，要么换更大的桌子。两条路线正在同时推进，一条是扩大窗口。五月初， subquadratic 发布了 subcube 模型，宣称支持最高一千两百万 token 的 上下文窗口。 核心技术是从筹密注意力转向次二次架构，给出了精准数据。乌鲁尔一二八 k 测试中， subq 以百分之九十五准确率八美元成本对比 koopus 的 百分之九十四，约两千六百美元成本。不过， subq 还没有发布技术论文，社区持谨慎态度。 另一条路线是让智能体自己判断什么值得保留，就是做梦。 subquadrig 解决单词任务能处理多少信息，追命解决跨任务的累积经验，如何管理， 两者加在一起才是完整的智能体记忆架构。 ensolepic 不是 唯一给智能体装上记忆整理功能的， opencore 和 hermes 智能体也各自实现了类似机制。三家面对同一个问题，智能体如何从历史经验中学习，并把这些经验变成可付用的资产？ opencore 的 三阶段设计最接近对人类睡眠的模拟， light 阶段初步整理， r e m 阶段反思和主题规划， deep 阶段才写入长期记忆。 deep 阶段的写入决策有六个，加权信号，共同决定频率、相关性、查询多样化性、时效性、跨天重复度、概念丰富度。 写入时同时生成两份文件，一份面向机器的状态文件，一份面向用户的可读报告。还会生成 dream diary， 用序式方式记录记忆，整理成 skill 文件。 这些 skill 被平分，重复的自动合并，长期不用的自动归档，用户还能把重要的 skill 聘住，防止系统清理。最近的 v 零点一、二点零更新，加入了基于遥测数据的自动平分。从开发者角度看， openclaw 最有仪式感， anthropomorphic 最可控， hermes 最自动化。 需要审美和需适感的选 open cloud， 需要严格审查每个记忆的选 ansaurpik， 希望完全放手的选 hermes。 三家的共同选择透露出一个信号，智能体的竞争力正在从单次执行能力转向持续学习能力。 从工程角度看，追命就是离线日制批处理，加模式提取，加记忆巩固，换一套词汇。 session based optimization 或 post task tuning 描述的是同一个流程，但 episodic 没有选择这些名字。过去两年， ai 行业把一系列处于人类认知的词汇逐一安在了机器身上。 open a 的 thinking， 行业通用的 memory 和 hallucination abstract 的 dreaming， 一个叫基于绘画的优化的后台任务和一个叫做梦的产品功能在工程上是同一件事。在用户心里，不是选择什么样的词，塑造什么样的预期。 一个会做梦的 ai 比一个会执行离线批处理的 ai 更容易被感知为一个有内心活动的存在。这种感知偏移是产品决策有明确商业逻辑，神经科学对人类睡眠的理解是，白天获取的信息先进入临时存储，睡眠时大脑进行重放、巩固和清理，重要的留下，无关的丢掉。 我们记不住昨天上班路上每一辆车的颜色，但记得怎么去公司。 ai 的 做梦确实在做结构上相似的事，只是它不产生意外，不产生那些荒诞的醒来后觉得好笑的碎片。 cloud 的 梦只产出 memory 文件，不产出这些。唯一的区别大概就是 cloud 做梦的时候还是在消耗构想。如果你喜欢今天的分析，欢迎关注、点赞、评论转发。锦恒 ai 笔记， ai 实战，发现 ai 的 真正价值。我是锦恒，我们下期见！
9景桁闻道
01:22查看AI文稿AI文稿一觉醒来去 h p 的 家又被偷了。 and 贝刚刚发布了一项新功能，叫做记忆迁移。你有没有想过，你想换个大模型试试，但为什么却一直没有换呢？因为你在那里喂了太多东西了。你的表达习惯，你的工作背景，你喜欢什么语气，你不喜欢什么格式，这些东西花了你数月甚至几 几年才调教好重新来过。算了，我懒得折腾了。这就是 ai 平台最隐形的锁，不是技术壁垒，不是价格壁垒，是你自己攒下来的沉没成本。而 andrew 现在把这把锁给撬开了，而且操作极其简单粗暴。 cloud 会提供一段提示词，你复制粘贴给其他大模型，比如 比如说 check gpt， 他 会把关于你的所有记忆都整理出来交还给你。然后你把这段内容导入到 crop 结束，整个过程不到一分钟， crop 就 变成了那个已经认识你很久的老朋友了。这件事的本质是 ai 行业一个底层逻辑的改变。以前大家比的是谁更聪明，接下来要比的是 谁更了解你。而那些我很懂你的数据，第一次可以开始自由流动了。你的编号，你的习惯，这些本来就是你的资产，凭什么被某一个平台永远扣押呢？ ai 的 竞争才刚刚进入新的阶段，这就是上下文的抢夺 大战。不过这项功能暂时只对破版本开放。你会充值迁移那些属于你的专属记忆吗？评论区里聊一下？ ok， 以上就是今天的所有内容，我们下期再见。
43陈虾仁AI
08:02查看AI文稿AI文稿给大家介绍一下 cloud code 常用的命令速查手册，因为我们在使用 cloud code 呃命令行交互的时候，其实有很多命令是很重要，且对于我们上下文管理和一些记忆的管理是非常重要的。今天挑一些重点来给大家介绍一下，每条命令都会 包含它的功能说明、深度解析，实战场景和高阶技巧。我们先从绘画和上下文管理来看，其实最常用的就是 kleiman， 这里面我就不 呃这个我就不直接演示了，因为这个非常简单。克利亚其实就是清空当前的对话，相当于重开对话嘛。然后呃他的深度解析这边大家也有，就是他的上下文是有限的，然后每次工具对话，提取文件，工具执行的结果都会占用上下文嘛。所以说，呃，我们需要及时的清理上下文，来保证我们的关键任务的主线嘛。但呃他什么情况下会用呢？就是上下文超过百分之七十的时候， 我们就可以会用，因为这时候 cologlio 就 会有犯糊涂了嘛，它的回答质量就会下降，这时候它就会忘记前面的指令，就会出现关键信息遗漏的东西。然后它和 compad 的 区别就是 compad 可以 精炼总结，保留关键信息，但 kleia 是 全部丢弃。 如果我们需要项目的上下文的话，就需要用 compad。 然后高阶技巧这边也有，就是建立一个全局的 cologlio， md 就是 把我们常用的偏好写进去，即使 cologlio 之后， 然后 color code 也能加载我们的平衡，这个我就不直接演示了。然后 compad 也是一样的东西啊，然后上面介绍过了，它就是压缩上下文嘛，然后这里面有个点注意的话，它会告诉我们手动压缩其实是更好的。然后上下文超过百分之五十五到六十的时候，就应该去我们去主动压缩了，因为这时候它的呃 color code 就 会肥肤变慢，开始旺盛。 对，然后高级技巧的话，其实也是写在这个 cloud md 里面，我给大家演示一下，就是这样，其实我们呃 compad 在 后面其实是可以看到这边是可以写一些东西的，比如我给他写保留 核心关键信息，这样的话，其实就比如我们直接 canpad 对 它有一些指示嘛，这样的可能它就会帮我们保留 canpad 的 同时帮我们保留核心的关键信息，然后这是 canpad 的 作用。然后下面就是 resume， resume 就是 恢复对话嘛，就是我们呃比起重开一个绘画，它可以直接省去大量重建建立上下文的头壳和时间嘛， 恢复是直直接可以复用的，这个也不说了。然后 branch 的 话，这个呃它的功能啊，深度解析工具，上下文什么情况下用这边都会，效率分析 这边都会。比如它新分支就是相当于继承原有对话的历史，然后文件提取工具执行结果，然后两个分支是独立发展的，新分支可以尝试 a 呃 b 方案，然后主分支可以尝试 a 方案，如果我们的分支上市了，方案 a 还不错的话，虽然它不在主分支的上下文，但可以用文字来传递关键的发现，这个编程我就不说了，然后 context 是 非常关键的， 其实可以实时展示我们的上下文的使用情况，包括其实上下文是可拉库的最稀缺的资源嘛。然后我们通过这个命令可以看到我们的上下文的完整的分布，这个可以给大家演示一下，这个就不让他去做了。然后我这边就直接呃 context， 我 觉得这个命令，这个命令其实用起来是非常关键和有用的。你看它这边其实就是可以看到我们我们的系统提示词是多少，我们的系统工具呃 占用了多少？然后 mcp tools 占用了多少？下面还会有每个 mcp tools 的 skill 占用了多少？下面还会有每个 mcp 的 它的具体的使用的数量。这边每个 mcp 具体使用多少？包括我们的记忆 memory files 它使用了多少，它的 md 文档使用了多少？然后 skills， 每个 skills 它使用了什么东西？ 对，还有 make plugging， 每个插件用了什么东西，其实这个东西都可以帮我们很明确的看到我们的上下文的使用的呃地方和具体的东西，当然它高级技巧可以开启常驻状态栏，使用我们的上下文的余量。呃，就是我们之前提到的 status line， 哎，这次不知道为什么没生效。然后 就是 status line， 另外的话就是 cost， cost 其实就是可以看到我们大模型它的具体的对话花了多少钱嘛？但是这个是需要接本地外接 cloud code 的 本地模型的时候才会有的。 这个我就不演示了，因为我之前是用火，是用 c c， 呃， switch 是 用火山引擎来配置这个底下的 csline 的， 但现在我因为我那个这个火山引擎到期了，所以我目前用的是，呃呃， deepsea 四点零，然后这个就需要重新配置，然后我们来看一下 cost， cost 的 话就可以看到我们这个总共花费了多少。然后啊 api 持续的时间呀？比如我们当前使用的模型是什么？它输入输入了多少，输出了多少，读了多少缓存，然后读写了多少缓存，这个都可以看到。然后通过这个还可以看到我们的 config， 就是 配置嘛，然后 status， 当前我们的绘画名称，绘画 id， 包括我们使用的这个 u i l 包，我们的模型是什么？ m c p 有 多少，然后这个东西都可以看到，还可以看到 status， status 就是 我们这个具体 具体使用了这个任务数呀，最我们的偏好就是我们的最爱的模型是什么，我们的个人偏好是什么，这个都可以看到。然后另外就是 model， model 就是 可以切换模型嘛，这个不也是，这个很很简单。另外 effort 就是 我们可以选择它的思考深度嘛，推理的努力程度。 config 就 刚刚说过了，就是你输入 输入 config 的 时候，这边就可以配置是自动压缩，它是不是展示我们的建议，然后呃它的思考是否采用这个模式，我们可以关闭，然后它的，呃， 包括它的生活领域输出，我们这边肯定是 force， 然后它的 teleprompter 啊，然后还有一些，呃，这些都会展示的。然后主题的话其实就是主题配色，我可以切换它的主题配色，这边可以看一下，你看我就可以选择。比如我选择这个亮的模式，它这边就会展示白色嘛，然后可以选，也可以选择黄色、 dark 模式、 dark s、 c、 l 这个都是可以切换的。然后呃你可以改状态颜色，你可以用 color， 如果选择 color 就是 这个就是青紫色嘛，它这边就会变成这个 color， 它应该是可以设置 看这边就会有很多的颜色，我们就可以选，比如选 red， 它这边就会设置成红色，这个都比较简单的。然后 fast 这个就不说了。另外的话一 呃 innit 和这个 memory 我 觉得非常关键。 innit 就是 我们在开始一个文件夹之前，需要让它扫描我们当前的项目，然后它就会生成我们的 cloud md 文档，它它如果有的话它就会在之前改，如果没有的话它就会新建，因为 呃他没有 colldmd 文件就相当于没有锁影了，有了 colldmd 他的他就知道项目是干什么的，文件在哪？效率提供提升在哪，然后他引领他生成的是初稿。他之后如果我们去去编辑这个 colldmd， 可以 补充更多的细节，把我们踩过的坑啊，编码规范和技术选音都写进去，这个非常关键。然后另外就是 memory memory 我 觉得是最重要的，就是我们上下文记忆，比如我们看一下 memory， 它功能就是其实它是可以手动编辑我们的 cloud md 文档，但是也可以开启我们的自动记忆啊，就是我可以演示一下，你看这边的话，如果我们点击我们 user memory 和这个 project memory， 它就把我们的文档给打开，这就是我们的文档，我们可以直接编辑的，然后我们就可以直接编辑我们的个人片号，还有什么东西，但是我们可以选择呃底下这个， 这个 open out memory folder， 它就会自动去记忆我们这个东西，哦，对， 它就会记忆这个东西，然后呃，我们再看这个 m c p a 介词，这，这个大家都会给自己去看的。然后子 a 键它有独立的上下文啊，不会污染主 a 键的这些上下文啊，这个其实都是常识， 这里面都很简单。然后 skills， 包括我们列出来这些东西，这些东西都很重要，都很简单，然后包括这个 simple five， 这里面，呃 b t w 就是 旁路提问嘛，它是相当于不会写进我们的主绘画上下文的，这边都介绍得非常清楚。 对，然后下面还有一些，比如我们的权限跳过啊，就是我们在启动 cloud code 的 时候把这个命令给它写，写上去啊，然后它就会，呃，相当于它有对我们的充分的完全信任的场景，它就会去做。 然后还有一些快捷键，这里面，呃相当于，比如仅用文件，用 app， 然后按 tab 自动补全文件名啊，精准提取应用审核文，对，切换权限啊，这种 play 这种三种模式，然后包括这个都非常简单， 我就不过多的介绍了。对，然后这个文档如果大家需要的话，可以进我的那个群里面，微信群里面，因为在评论区发它会被吞。
39马斯洛AI智能体
00:30查看AI文稿AI文稿朋友们，我发现这个最新的 plus 三零七模型真的非常好用，任意一个顶台上的技术愿图你都可以给他复刻。比如说这样一个原图啊，这个图片是比较模糊，并且没有相关的一些内容的， 然后你搭配这个指令呢，可以直接给这个图片复刻出来，并且输入你自己的这个研究方向，可以直接给你替换成这样一个模板，给你补全相关的一些研究内容。呃，而且最重要的是，这个图片是可以输出导入为这个 pp 格式的，比如说，呃，在 pp 中进行更深入的一个美化的编辑啊，所以这个功能真的非常强大，大家可以多去试一下啊。
1335合金日记
01:56查看AI文稿AI文稿我老婆生日快到了，我们在一起已经十年了，很多年前，她删了我们的聊天对话框，我就想着一定要把这些珍贵的回忆找回来。现在 ai 来了，终于可以把我的想法变成现实。第一步，先从微信数据导出开始。微信数据存在电脑本地， 四点零以上的微信版本加密了整个数据库没法直接查看，得通过密钥解密。还好 get 布上有开源的解密方法。我觉得自己的聊天记录是属于自己的资产，所以我自己做了个叫 uchat 的 软件， 能直接把所有聊天记录导出到本地，我建议用 jason 格式，这样方便 ai 读取。第二步，要做是聊天记录的分析。把聊天记录保存到电脑本地后，我要总结每一年每一月的词云变化。 我用 open cloud、 cloud code、 gemini 分 别去分析，虽然不是开发场景，但括寥的 code 因为超长上下文和超强的逻辑推理能力， 生成的内容是最优质的。我根据我们过去的聊天记录，做了每个月的词云，也就是最高频聊的事物。根据我们的聊天时间，找到我们最频繁聊天的时间节点和秒回率， 最重要的是读取几万条内容。当以上都做好以后， 就到了 app 产品设计和开发阶段。需求阶段，我和 jammon 反复聊需求梳理 p r d， 很多产品模块都是和它讨论出来的， 之后用 codex 生成产品框架，跨的扣，优化细节和修复 bug。 这过程中我得不断测试验证功能的完整性，还让 jammon 基于开发结果提供前端视觉的修改建议。我还发现了一个叫 react bits 的 代码，能直接复制用，超方便。 测试完成后，我们俩都是安卓手机，就用安卓 studio 进行最后的打包。只要用心，就能把平凡的日子过出不一样的精彩，也让我更加珍惜和老婆在一起的每一刻。
183人工智障指北师
01:07查看AI文稿AI文稿我让 cologod 长出了记忆，新开一个窗口，上一轮干了什么，聊到哪，他自动就接上了。 cologod 是 一个叫 cologod 插件， excel 上已经快七万颗星了。他干的事情呢，非常简单。 你用 cologod 的 时候，他在后台自动记录了用了哪些工具，做了什么操作。在每一轮对话结束之后，他用 ai 把这些记录压缩成一份，精简的摘下来。 再一次，你开新的对话，他自动把这些相关的历史上下文注入进去。等于呢，我们给卡拉扣的封装了一块外置的硬盘，安装其实也不复杂， 一条命令就搞定，重启下卡拉扣的就能用。我觉得呢，这个插件解决了一个非常核心的一个痛点，很多人觉得 ai 不 够好用，其实不是 ai 不 聪明，是你每次都得重新教他一遍，我们的项目背景是什么？ 你的偏好是什么？之前踩了哪些坑，有了记忆之后就会越用越深。那除了 cloud code、 cursor codex、 open cloud 这些主流的工具，它基本都支持。好了，今天的分享就到这里，欢迎大家在评论区交流，关注松哥，一起少加班！
116松哥的AI办公室
05:14465暴躁哐哐
01:01查看AI文稿AI文稿你有没有想过，现在剪视频， ai 可以 帮你一键完成？以前两个小时的功夫，现在五分钟搞定。于是我做了三个分开的 skill 来解决这件视频的麻烦事。把录好的口播 a ro， 使用语音转文字的 ai 导出一份带时间戳的字幕。这一步的模型一定要调好一点的，让语音识别才准确。第二步，剪 a ro， 这是最爽的一步。 让 color code 或者你的 coding agent 读带字幕的时间戳，你和它一起来判断一下哪些地方可以剪掉，比如说重复的话，磕磕巴巴的地方，安静超过多少秒的地方呢？都可以剪掉。它会输出一个 f m m p g 的 命令。好玩，就是一条干净的 a row。 以前我一针一针拖时间戳，现在 color code 马上搞定。第三步， b row 和字幕 用 remote 一个 react 写动画的库。我说加一个 b row， 重点强调两小时变十分钟这句话，它就会生成这样的事 步，样式也可以在这配好了。重点来了，这是三个独立的 skill， 不是 一个。我一开始想做一个超级大的 skill， 结果几个问题。第一， token 烧的飞快，并且它做的每一步都没有很准确。第二，改一个地方，影响大局。第三，调试地域错误出现的时候，你不知道出现在哪一步，所以小的 skill 才是对的方向，快去试试吧。
122Snow AI
