国内ai agent咋没动静
粉丝1.2万获赞6.4万
相关视频
03:54查看AI文稿AI文稿国内做电商设计的老板们有救了，你看，仅仅通过一张洁面乳主图，秒出充满意境、高级感拉满的产品海报、一段提示词搞定、风格统一、文案随时能改的详情页、初稿， 甚至联动视频模型，产出自带故事性、大片质感的电影级商业广告。今天我们就来挑战，用这款国产设计 agent， 彻底解决同类设计产品在国内加载慢、访问难的棘手问题。老规矩，本期涉及到的所有文档笔记我都给你打包好了，话不多说，直接上干货！ 首先，直接把这款洁面乳产品图喂给心流 agent， 给他这段提示词作为本次任务的视觉基调，像 cdream、 四点五、 midjourney、 flex 等十一种图像模型，你都可以随意切换使用， 不满意就换，多尝试几次，直到找到我们心仪的深海梦境风格产品海报图海报图有了，可不能少了文字图片模型 v 二的文字生成能力也同样强大，我们只需要把这段提示词交给 ai， 无论是品牌名称、产品卖点还是促销文案，只需要输入这段提示词，系统就能自动生成与画面风格完美匹配的排版文字。但如果你想对图片中已有的文字进行修改呢？ 没问题！星流 agent 的 text edit 功能了解一下，无论这张图来自海报、 ppt、 电商图，还是艺术字、手写字、变形字，你都可以像改文档一样直接修改，这就是 text edit 功能的强大之处。 搞定了海报 agent 还能帮你一键生成完整的电商详情页，只需要输入这段包含产品信息、功能卖点、使用场景等关键要素的结构话题、日词、 智能体就能自动调用适合的图像模型，生成一套风格统一的详情页，出稿、排版、配色、文案全部帮你安排好了。但星流 a 阵子的能力远不止于此，无论是 ai 生成的图片，还是你上传的素材，以前想编辑必须要到 ps 里一层一层抠图， 现在点击分层编辑按钮，它就能帮你一键炸开所有图层，每层都可以单独移动替换、删除、修改。 如果说分层编辑是给你设计自由，那 touch edit 就 能帮你指哪儿改哪儿。不再需要一次次用 prompt 赌运气，不再需要绞尽脑汁想怎么描述画面的某个部分，直接在画布上按住 ctrl 点击你需要的部分， agent 就 能自动识别并精准选中， 说出你的需求模型，就能帮你把设计搞定。光是生成静态图我觉得还不够，这个 agent 还能一次性帮你搞定商业广告大片。首先，你只需要输入广告片脚本提示词， agent 就 能帮你生成详细的视频分镜。接下来选择可零三点零或者视频模型三点一 fast， 根据分镜自动生成对应的视频片段。更有意思的是，生成的视频自带音效和配乐，甚至还能帮你配上人物配音。最后，只需要在剪辑软件中简单剪辑一下，加个背景音乐，一条商业级的产品广告就搞定了。我一直在寻找， 什么才是献给你的完美礼物。为了守护这份纯粹，哪怕潜入深海，我也绝不放手。全校洁面特含微米级深海净透因子与珍惜玫瑰精粹，以深海般的包容力深入肌底，温和泻净一切残妆与疲惫， 卸下世界的尘埃，还原你最原本的净透，这就是我给你的专属承诺。 从产品主图到详情页，从精准修图到商业广告，一套完整的电商营销物料，一个 agent 就 能全部搞定。 详细的提示词和案例我都给你打包好了！智能指手段，人类才是答案。这里是头哥不请自来，我们下期再见，拜拜。
1085投哥不请自来
04:30查看AI文稿AI文稿国内用户如何使用 codex？ 这个视频我将教大家不需要解决网络问题的情况下完美使用 codex 软件， 避免使用 codex 时提示输入手机验证。我们需要准备两个软件和一个网站，那两个软件呢？分别是 codex 和 cc switch， 一个网站就是我们要选择接入哪个模型，或者是我们使用的 api 中转站。首先我们可以到 codex 官网来下载，我们可以直接打开这个网址，国内用户是不需要上网环境就可以打开的， 打开后我们可以直接下载，如果你是 windows 电脑，这里会出现 windows 的 版本， 我们直接点击下载就可以。第二步，我们打开这个 cc switch 的 github 仓库，我们可以直接输入这个网址来打开，在这里我们选择下载它的对应版本，点击后我们向下滑动， 在这里我们可以找到不同的客户端，我的电脑是 mac， 所以 我选择 mac 版本，点击后直接会下载 这里你如果没有配置好上网环境的话，下载这个客户端会比较慢，那我在这里已经帮大家下载好了，并且已经上传到了云盘，如果需要的话，你可以在评论区留言，下载好后我们正常安装就可以。 现在我们打开 codex， 现在我们可以看到它，让我们选择登录，这时如果你没有上网环境的话是无法使用的， 那现在我们就用到了第二个软件 cc switch， 我 们正常安装 cc switch 后，我们选择打开它。 打开这个 cc switch 后，我们看最上方的这一栏，我们选择 codex， 在 首次配置时默认是只有最上方的这一个官方 api 的， 下面这三个都是我自己配置的，那如何配置自己的模型或者 api 呢？我们点击这个加号， 在这里我们可以选择不同的供应商，也可以自己填写供应商的名称。那我这里以这个 ai go code 的 这个 api 网站为例，点击后我们看到这里的参数，它已经帮我们设置好了， 我们现在只需要填写一个 api k， 那 我们可以打开它的官网，在这里我们点击登录或者注册，如果首次使用的话， 它是需要充值额度的，充值好后我们可以点这个 api k， 然后在这里我们可以看到这个 codex 有 不同的两个分组，我们可以选择这个速度更快一些的，或者性价比更高一些的。 我们点击这个创建，可以给这个密钥起一个名称，然后点击创建，这时它会生成一个密钥，我们选择复制，然后把这个密钥粘贴到 cc switch 中， 我们选择添加，添加好后我们在这里点击起用，这时我们再将 codex 重启一下， 这时我们就可以看到他现在可以正常使用了。这里我全程都是使用正常的上网环境，我们来测试一下，帮我生成一张，欢迎大家点赞收藏。评论的图片要求十六比九的比例， 它现在已经按我的要求可以正常对话，并且可以生成图片了，而且调用的还是最新的 emoji 二模型， 并且全程不需要登录，不需要其他的上网环境。我们接入第三方 api 的 话，也是用多少花多少。这个方法主要是针对那些没有上网环境的同学， 如果你在安装过程中出现了任何问题，都可以在评论区留言，我会给大家逐一回复， 下个视频我将教大家如何具体使用这个 codex， 它和 cloud code 有 什么区别？我们下个视频见，欢迎大家点赞收藏评论。
2.0万刘言-AI应用实践员
03:03查看AI文稿AI文稿你到现在还在用小龙虾吗？今天呢，我教你不用魔法，不用微萨卡，让你在国内用上目前世界上最强的 a 级的框架，够够了，真的把小龙虾按在地上摩擦。 windows， mac 系统全部都覆盖了，从安装到上手配置，我也尽量一次性的全部说透。每个阶段的 prompt 呢，我也放在了置顶的评论区里面，点赞收藏、关注，我们直接开始。 先说一个很多人没分清的点啊，一般一个 a 键的产品呢，是由 a 键的框架和模型能力共同组成的。 kol 的 模型国内确实会被封，我也没有办法教大家去弄， 但是作为 a 键的框架， kol 的 并不会被封。也就是说，哪怕你用不了 kol 的 原声模型，把 kol 的 贴上任意一个国产模型，效果会依然非常的好。所以首先我们要先安装 kol 的 这一步非常的简单，把屏幕中间的代码将贴到你的终端里面，然后执行。 这里有一个前提需要注意，没有魔法的麦克呢，需要提前安装这个东西，而 windows 呢，需要提前安装另一个。这两个具体的安装指令如图所示。 那安装好框架之后，下一步自然就是接入模型了，目前我自己用下来效果最好，最接近克劳德原生模型体验的呢，就是 jimmy。 点一，如果你没有抢到他们的 coding plan， 那 你也可以选择接入小米的 miimo v 二点五 pro， 也可以去用 kimi k 二点六等等都可以进入模型。这里可以选择使用更通用的 c c switch。 mac 上需要在终端里面填入这两行的命令， windows 需要你自己动手下载这一个安装包装好之后呢，在 ctrl 内一栏下面点击右上角的加号，选择我们想要使用的模型，在这里只需要填上 a、 p、 r、 key 还有模型配置，剩下的它就会自动帮你全部配好了，以后想换模型在里面切一下就行。到这进入模型终于就全部都搞定了，那我们接下来就是 的使用之后呢，你只需要在终端里输入 cloud 启动它就会让你做一些触式化的设置，一路回车默认下来直到弹出这个界面，就代表着你成功的将 g m 五点一接入到了 cloud code 里面。 但是接下来这一步才是今天的真正的重点，因为很多人到这里就直接开始使用 cloud code 了，但是干着干着你就会发现九二经常干出一些不对味的东西， 这就跟你招了一个特别厉害的实习生进公司，你第一天不跟他说任何规矩，让他自己在那摸索着干，他干出来的东西大概率也就不是你想的那个味，对吧？但是如果你把规矩给他讲清楚，在他后面就能跑的又快又准，干的活就又好。而这个规矩就是接下来你要写的考点， md。 简单来说，这个文档就是 agent 每次开工前他都会读一遍的规则文件。在这里我也给大家准备了一个模板，你只需要按照你自身的要求修改模板中红色标记的部分就可以了，其他的基本上你就可以把直接把内容啪丢给 coco 的， 让他帮我们写进去就 ok 了。 只有当你一开始把这些规范都规定好了，才会方便你后续的所有的管理还有开发，这也是我一直在自己强调的一个原则，叫做约束先行约束定好了，那就真的可以开始玩起来了。用上一两周你的 cloud code， 它就会慢慢长成你想要的样子，而那时候这个 agent 才是真正属于你的 agent。
5431数字生命卡兹克
08:49查看AI文稿AI文稿agent 死了吗？最近网上流传着一种言论，你看，豆包都开始收费了， token 太贵了，根本不是生产力开发， agent 已经死路一条了。 豆包五月四日上线六十八，两百五百三档付费订阅。智普年内三次上调 api 价格累计百分之六十，加腾讯云 ai 算力涨百分之三十四。 免费时代结束的标题铺天盖地，这些结论简直太逆天。前面我们讲过 token 的 计费原理， 这期来讲讲 token 到底会越来越便宜还是越来越贵？先说结论， token 会越来越便宜，便宜到你几乎忘掉它的存在。你眼前看到的涨价，是需求爆发期的供需脉冲， 不是供给侧成本结构的变化把时间拉长。 token 的 价格曲线是过去十五年所有计算资源里跌得最猛的， 比 pc 时代的 cpu、 互联网时代的贷款、云时代的存储都猛。下面挨个猜，你付的每一块钱 token 费大致流向这七处， 硬件折旧、 gpu 七 p u 升腾这类芯片的折旧内存带宽 hbm 显存 l l m 推理的真正瓶颈。网络互联多卡携同的 nvlink infiniteband 电力散热一台巴卡 h 一 零零满载十到十二千瓦，训练成本摊销，一次训练几百万到上亿美元，要靠 token 收回来。软件研发运为人也是成本，最后还有利润空间。 那这些成本都有哪些降价空间呢？硬件折旧实际寿命远超账面。会计上， gpu 折旧通常按三到五年算，但工程上完全不是这回事。 a 一 百是二零二零年的卡，二零二六年大量推理集群还在跑， 尤其是跑量化后的中小模型，当你把折旧周期从三年拉到六年，单 token 摊到的硬件成本直接砍半。 新一代芯片 h 两百 b 两百，国产生腾的单位算力成本还在每代降百分之三十到百分之五十。再叠加专用 a s i c tpu trinitium 自研芯片，头部厂商自己跑自己的模型， 成本可以比租 gpu 低百分之三十到百分之六十。内存待宽。产能扩张期不是结构性短缺， hpm 现在是 gpu 节点里最紧缺的东西，但这是件产能的问题，不是造不出来的问题。 s k。 海力是三星美光的 h p m。 潜能，从二零二四年开始就在指数级扩张。 h p m 三 e。 量产 h p m 四在路上，这种短缺历史上反复上演，内存、 闪存、面板都经历过，规律都是十八到二十四个月后才能赶上价格回落，甚至倒挂。网络互联全群里铜缆互联的工号， 成本距离限制都到瓶颈了。 c p o。 供风装光学和归光在二零二六年开始，规模商用单位贷款的工号和成本能降一半以上， nvidia、 博通、华为都在压这条路，再过两年，万卡集群的网络 成本结构会被全光重写。最后，算法方面才是降本的真正大头，前面三项都是硬件维度的降本， 加起来一年顶多二到三倍，真正的杠杆在算法上单一突破就能五到十倍降本，而且每隔几个月就有新的稀疏末，越做越极致。 deepsea v 四 pro， 总参数一点六 t， 每个 token 只激活四九币，相当于雇了一点六万亿的团队，每次开会只叫百分之三的人。 v 四 flash 更狠，二八四币总参数只激活一三币， 性能反而超过 v 三点二的三七币。激活混合压缩注意力 v 四的 csa 加 hca 架构 em 上下文下推理， flops 只要 v 三点二的百分之二十七， kvcash 占用只剩百分之十长上下文从 o n 平方这个圆锥里被解放出来了。 量化 f p 十六 f p 八 f p 四每降一档，显存待宽算力需求几乎减半，质量损失控制在百分之一到百分之二以内。 black 我 原声 f p 四上线之后，量化红利还能再吃一波蒸馏。用大模型训小模型 agent 里很多子任务，根本不需要 pro 级别 flash 甚至 nano 就 够预测解码小模型先拆大模型批量验证， 速度直接二到三倍。这些算法红利远没出尽。 epec ai 的 研究，达到 gpt 四同等能力的 token 价格每年下降九倍到九百倍，中位数五十倍每年，这个速度硬件根本贡献不出来，主要就是算法在跑。 v 四一发 flash 把输入价格压到零点一四美元每百万。 token 就是 最新一次算法红利转化成价格的例子。系统工程同卡同模型成本能差十倍。 持续批处理 continuous batching， 把单条请求时百分之十的 gpu 利用率拉到百分之八十。 prompt catching 让缓存命中 的输入只要正常价的百分之十到百分之二十，欲填充和解码分离，让吞吐再翻倍。 v l l m s g 浪 tenor tail l m 每个月都在迭代训练，摊销分母在指数爆炸 豆包譬如过 token 调用量从二零二四年五月的一千两百亿涨到二零二五年九月的三十万亿，一年半涨两百五十倍， 训练成本固定调用量翻两百五十倍，单 token 摊到的训练成本就是原来的两百五十分之一。最后还有市场竞争，会把利润空间挤干到一个合理的范围。 那短期为什么有人在涨价？如果长期是降价，为什么？二零二六年我们看到豆包收费质朴，涨价 第一，需求爆发太快， reasoning 模型出来后，单次请求的 token 消耗涨了十到一百倍。 a n t 一 上线，一个用户一天烧的 token 顶过去一个月 gpu 扩产要十八到二十四个月，供给跟不上。 第二，前期补贴退潮，三点四，五亿月活的豆包每天烧的算力钱以千万计，免费换用户的阶段过去了，开始算账，但算账不等于涨价到不可用。豆包基础版还是免费的 付费，当对标的是 chat gptplus 那 种生产历订阅。第三， c 端订阅涨价不等于 t 肯单价涨价，订阅再涨是因为人均用量爆炸， 但 api 的 token 单价整个二零二五到二零二六都在持续下行。 gpt 四发布时六十美元，百万输出 token， gpt 五点四，现在十美元， 三年降六倍，而且是更强的模型四，所以 agent 死了吗？恰恰相反， token 越便宜， agent 才越成立。 一次聊天烧一千个 token， 一个 agent 跑一个完整任务可能要烧一百万 g p t 四时代一百万 token 要三十六美元，没人愿意为一个任务付这个钱。今天同样能力的一百万 token 只要几毛钱， agent 就 开始有商业价值了， 明年再降一个数量级普及就开始，那些喊 agent 已死的人看的是当下账单上的数字，没看见数字下面那条陡峭的曲线。 token 不是 房地产，越紧缺越贵， token 是 计算资源，越普及越便宜，它最后会变成你下载一首歌，不会去想流量费用一次搜索，不会去想服务器成本，一样 便宜到忘掉它的存在。到那时候我们就该讨论下一个问题了， token 都不要钱了，谁来定义任务才是最值钱的事。
01:40查看AI文稿AI文稿哎，国内的 vr 真实情况到底怎么样？实话实说啊，跟很多国家比，我们至少还是有 vr 的， 而且还不错。那普通人啊，拿它当一些搜索引擎啊，白领，拿它写写公文，做做 ppt， 这些场景还是足够用的。 但是呢，你要真的把 vr 投入到生产，尤其是写代码，做 agent， 处理复杂任务，你就会感受到它。相比 cloud、 车载 gpt code， 国内这些根本没有平替啊。 注意，我说的是没有平替，不是没有替代，替代呢，是咱可以换一个工具使平替呢，是换了以后还能继续干活。所以说，很多的核心场景里面，国内工具还真的顶不上去。 最近又在传这些国外的大模型，要进行一些开发系和实名认证，他不敢想象，如果是真的有一天国外大模型被限制了，那国内有些企业组织可能就真的是无所适从，因为真正使用过这些工具的组织，他已经回不去了， 从效率、流程、研发方式都已经变了。这件事情最严峻的地方在于 a r， 它已经发展到现在，已经不是写文章，做 ppt， 呃，画好图片，它真正变成了基础的生产资料，而生产资料呢，是不能长期依赖别人的。所以说，真的想 期待国内这些字节跳动呀，腾讯，阿里、百度、华为啊，赶紧加油啊。嗯，别只刷榜单，别讲概念， 我们其实最需要的是能真正干活的呀，真正靠谱的 agent， 真正能进生产流程的液压变身工具，这个脖子还真的不能被卡。所以说，哎，你觉得是哪家能够最先出来这个工具呢？来评论区里可以聊聊啊。
05:16查看AI文稿AI文稿别再养十几只龙虾当员工了，纯纯浪费钱。全网都在教你用 ai 当员工，一只当 ceo， 一 只当剪辑，一只当客服，排排坐搞一人公司，我竟然把话放这。 按人类职位给 ai 分 工，是这个世界上最蠢的多 agent 玩法。这模式不是抖音特产， get up 上 y c ceo 开源的 g stack， 几天就四万八千八百颗星。 他把 cloud code 切成一堆公司角色，国内 o p c 也大量让 agent 按人类岗位分工。 wapp 的 记者亲自下场。试过雇五个 ai 当高管，三个月翻车， ai 编假进度报告，写尽记忆，然后相信自己。记者离开几小时，五个 ai 互发一百五十条消息， 烧光三十美元，最后这家公司三个月做出来的东西，一个真人一周就能搞定，为什么注定崩 三个死穴，一个比一个致命。死穴一，零成本。撒谎 ai 没饭碗，丢了这回事，撒谎没代价。将他自审方案，他永远说太棒了， 他知道撒谎不好，那是 r l h f 给的规则，不是他真损失过，没有真正的因果体验。死穴二，传化游戏， ai 的 思考本来是高维精确的向量，你强迫他压缩成人类语言，传给另一个 ai， 对面再解押回去，一来一回信息丢一半。多轮讨论烧的那些 token， 本来一个 a 阵不讨论也能得到。死穴三，五张嘴一个脑，同一个底层模型，切五个人格，假装五个人， 其实是同一张脸换五个面具，这不是写作，是自己跟自己开会。角色扮脸不等于真的在写作。很多人说人类公司不也这么分工的吗？你想过人类为啥要分工？没有真本质。两个， 第一，学习成本，人类学一个专业到专家要十年，因此只能分工，各司其职。 第二，责任和激励，销售签合同，工程交付，法务审条款，各自由奖金甚至法律责任。单人扛不分工等于风险集中，必须分散。但 ai 这两点全反过来， ai 之间能直传 embedding， 翻译损失为零。强行分工等于强迫两个中国人先用英语讲话再翻译回去。 ai 没合同没奖金，没法律责任，你给他分多少部门，他都不承担责任。 那真正需要多 agent 的 只有三种场景，第一种，多维度视角，你手里有多个大模型的时候， cloud deep seek g l m q 弯思维方式真的不一样， 这种易构带来的真分歧，单一模型再多， prompt 也模拟不出来。同样的是多模型讨论， 获得更完整的决策和解决方案。第二种，对抗性，完善创作和审查的奖励机制，天生冲突，让同一个 ai 既写又自审，他一定偷懒拆成两个，反复打磨才能逼出真质量。 第三种，双盲验证，两个不同模型独立解，同一道题，答案一致才通过。 alpha go 自己跟自己下棋练出来的，那不是写作，是自我对抗。再来看看世界上最好的 ai 产品是怎么写作的。 club code， 主 agent， 持续对话，总揽全局。自 agent 按任务类型派生， explore 查代码， planner 做规划， verat iyan 代码 xacture 泡实现 menu， 国产九个月做到年化一点二五亿美元。 多 agent 架构跟 cloud cove 一 样，按任务类型分规划执行。验证汇总，不演。 ceo codex， 主 agent 加 sub agent 机制， sub agent 用完就销毁。三家顶级的 agent 产品没一个在玩角色扮演，所以你以为有个客服龙虾助理龙虾设计龙虾就是多 a 阵词写作了？其实只是只会 ai 在 陪你玩过家家罢了。 你花的每一分偷看都在给 ai 的 演技付费。养十六只龙虾开公司，爽的是你，亏的也是你。真正的多 agent 从来不是模仿人类岗位， 是拆分认知任务。觉得对的点赞收藏评论区，告诉我你养了几只龙虾。
60硅基创生记
08:49查看AI文稿AI文稿去年年末啊，大家都可能都知道一个新闻，就是 mata 花了二十亿的美金收购中国的一家 ai 公司叫 minas， 这件事情还是扎克伯格亲自去操盘，花了十天的谈判时间把这件事情给敲定下来了。但是在上周呢，中国国家发改委说了，你 mata 禁止收购 minas， 而且我要求当事人叫停这笔交易。这个我们从技术角度上考虑。这家公司啊，就是 minas， 它没有自己的大模型，它用的是阿里的谦问或者是 cloud code 啊，它自这个别人家的大模型，它在我们业内戏称它是一个套壳公司。为什么扎克伯格花了这么大的价钱去收购这家公司呢？ 是吧？然后 mata 一 季度的电呃，财报电话会里，扎克伯格说了，这个市面上的 agent 有 很多，但是我没有几个想让我妈用， 他的意思就很明确了，是吧？ madam 呢？所以说现在他缺的不是大模型，他缺的是落地，他有点急了，什么意思啊？就是说我现在的这个大元模型，我跟他说你去给我做一下市场调研，那他就会跟我说，你应该先去确定一下目标，目标用户，再去做一下竞品分析，在干嘛干嘛。 但是他这个有很很大的一个问题，就是我想要一个私人助理的话，他没有帮我做。另外呢，还你不知道我当前的一些新闻和当前的一些数据， 还有一个关键点就是他既然要做市场调研，他是不是得先知道我企业内部的一些资料，或者是我个人的一些信息啊？这就衍生出了 一个技术叫 r a g。 这个技术很简单啊，就是我让他做一下市场调研，然后呢他首先去我企业内部的数据库找一些答案， 然后一起发送给大模型。注意啊，这里没有用到大模型啊，没有思考，它只是一个查找和剪索，然后一起喂到喂给大模型，然后综合给出一个输出，在这种情况下，它就知道我的个人资料和企业的一些信息了。不过还有一个问题就是它没有去 调用工具，这就会衍生出下一个技术叫 tall use。 这个显而易见就是让大冒险会调研工具了，比如说我现在让他给我查一下从北京到厦门的机票有哪些啊？航班有哪些，然后他就会利用这个技术，然后 我的出发地是北京，然后一直到目的地厦门，然后航班信息返回来了以后，大冒险再结合整理一下，给出一个输出，在这种情况下呢，他就会有一个落地的雏形了。但是呢， 我们来考虑一下，我我我只有这一个工具吗？啊？只有查航班这一个工具吗？假如说我让他查一下明天的天气，他是不是得现调用下一个工具了 啊？这个工具一多，我五花八门的工具一多，每一个工具每一个人，他的编辑代码的习惯是有一点不同的，在这种情况下，他留给大魔仙的 api 接口他可能就不太一样。 那么为了统一这些规则和保证我数据传输之间的安全，就会出现了一个技术叫 m c p， 然后有了 m c p 以后，就把这些工具都给串联给了大研模型，那么还会还会有问题啊？我们技术还在迭代，就是说我现在让它做一下市场调研，我们正常就刚才说的就是我们呃，大研模型，去 搜一下网页，找一个外部端，然后得到了数据之后，再综合给出用户一个详细的一些信息。但我们正常的工作流程当中 不会一次调度，我会有很多的调用工具的次数。在这种情况下呢，就是我 找了这个外部呢，我发现，哎，数据不够，然后我再去找下一个网页，然后我再找下一个网页，再综合的去给出一个结果，那在这个过程当中我我发现数据不够，是不是我就思考了，哎，我思考了以后，我再找下一个网页，我是不是就执行了 这个技术叫 react， react 呢？就是 reason 加 act， 就是 思考和行动。但是 react 其实也有弊端啊，就是就是我们自己啊，我们个人在做事的时候不是说我想到哪步做哪步，其实在之前我们都会有一个 pie， 就是都会有一个计划，这个其实也是一个技术吧，算是。然后得到问题了以后，我在执行之前先做一个计划，我第一步应该做什么，第二步应该做什么，然后我逐步的去执行。 在这个过程当中啊，我简单的任务还好，比如说我让他做市场调研，我让他做一个这个白板底的市场调研，那么他可能，哎，就是这一步一步下来就好了，但是我要让他做一个新能源汽车的市场调研，是不是就不太行了？因为因为这个流程实在是太多了， 这个情况下就会有一个多 agent 的 编排，就是我现在 apply 啊给出了一个计划，我这第一步呢，我再交给一个大语言的模型啊，再交给一个 agent， 也就是说我这个主 agent 是 一个大脑，它是一个 leader， 然后我分配给下面的一些员工，你这个 员工就做第一步，然后我这个员工呢就做第二步，然后最后我再把这好几个 agent 的 结果综合给这个 leader， 然后再给出一个调研报告， 这个就叫 multi agent 啊，在这种情况下，你看我，你，我们回忆一下，就刚才我们有个 m c p 这个出现是为什么？是因为我工具越来越多，那么我 a 帧它越来越多，在 a 帧和 a 帧之间，它们是不是也会有交流啊？比如说我，我确定目标用户，然后我竞品分析了以后，我发现这个目标用户有点不太现实，那么我这个 a 帧呢，就告诉上一个啊，大圆模型， 你这个应该进行一下调整，也就说 a 帧和 a 帧之间的交流，它也会有一个协议，叫 a two a， 这个技术呢就是为了让我们不同的 agent 之间安全的交互信息，和这个协同啊一起的去工作。 那么整个的这个流程呢，就是我们现在很多市面上的 agent 是 怎么落地的啊？还会有一个问题，就是 我现在的这个代言模型，不是我自己去想啊，有什么第一步干什么第二步干，但是如果说我想固定呢啊，我想给他一个固定的流程，我不，我第一步就先竞品分析行不行啊？我第二步再去确定目标用户，这是不是也是可以的？这个呢？ 这个也是一个技术啊，这也是个技术，因为开发就是这样子的，这个技术叫 work flow， 这个 work flow 啊， 我就讲完了，就是就是我人工设置它的流程，然后你执行到某一步的时候，需要我人去确认一下，你别，你别自己执行，执行错了。比如说我们现在写 cloud code 啊，它在那个编辑器里面写完代码了以后，它不是直接运行的，它需要我们人工去写一个 yes or no， 是吧？如果 yes， 然后他再到编辑器里面执行，再往下呢？其实还会有一个小问题，就是说我一步一步执行啊，无论是说我自己想的这个流程，我一步一步执行，我在某一步的时候出现卡死了啊，我这个页面 加载啊，他出现错误，网络出现错误了，他是不是就得从头开始了？这肯定是不行。那么在这个过程当中呢，我就需要记录一下他的一些状态， 这个叫 state， 记录 agent 做到了哪一步，然后他用了什么工具，拿到了什么，结果哪里失败了。 比如说我电脑关机了以后，他还下一次开机的时候还能从这部，然后再往下走，这个就叫 state， 再往后呢，就是 high risk engineer， 我 在执行代码的时候， 你，你们用 gpt 的 时候，我不知道有没有发现啊？就是你现在是可以让它写代码的，然后它直接输出结果，那么它这个它既它没有编辑器，它是在哪里执行的呢？这个就是一个虚拟的环境，这个技术就是 harness engineering， 就是 它，它 有 agent， 一个外部的环境啊，这是 agent 主流的环境，然后它有一个外部的环境，在外部的环境执行完了之后再返回结果，它不影响我当前的这个状态，如果说我现在每一个代码和每一个结果都在我本地的编辑器里面执行的话，那是不是就比较混乱呢？内存储存也不够啊？ 然后还有一些细节的问题啊，就比如说我现在虽然说 tow use 有 有很多工具了，我可以调用，但是其实比如说企业的一些软件，它还是以人的交互为主，所以说就会有一个个技术叫 computer use， 就是 我 看屏幕，让 agent 去看屏幕，点按钮传输文字。所以我回到刚才 manasa 的 这个案例啊，就是说 ai agent 其实它是已经很成熟的一个技术了，它已经不能绕开我们国家的监管去境外转移了。
726你没活干吗
02:55查看AI文稿AI文稿反正我是觉得国内就真的很垃圾，就是目前能用的模型只有国外的模型，并且我是觉得还是要用国外最强和最贵的模型，就不要用傻子模型，没有意义。 为什么会出现这个问题呢？我也在思考。就是因为国内的模型大部分全是真流和海外的这些优质的模型，所以真流出来的效果是你去跑分的时候，他的分数跑的很高，但你实际用下来，你发现说他这问题一大堆，这就是真流出来的问题，这是一个 第二呢，我觉得这个可能跟中国公司咱们的这个理念有关系，咱们做的东西还是太急功近利了，就前两天那个千万的一个负责人不是走了吗？对，我就觉得都政治问题吧，对中国公司就太急功近利了， 就做东西不细，因为我原来做投资呢，我离实际业务员我感觉不明显，我但凡自己现在抠定了一点东西之后，我才发现就我一直在强调这个工程化能力，其实 idea 非常非常努力， idea 都不值钱， 当然好的也还是很重要，但是实际上是你工程化的东西能不能把它做的能用、可用和好用非常重要。 我是觉得中国人在这方面就是挺差的，就为什么我的大国行做不好，全是细节，你细节优化不到位。就像我刚讲就是这两天特斯拉的 f、 s、 d 不是 在美国也很多人不是在吹吗？都很牛逼吗？你这东西其实从基础的角度中国人也不差，但为什么我们产品做不好， 我觉得跟这些东西是有关系，再就是说我觉得还是生产效果，就是说你还是要把它用在你自己的工作和生活环境里，尽快先把它做出来用啊，好用再说。 第第三个坑是啥呢？就是开源工具的这个代价，就是今天我认为绝大部分人对 open call 的 认知是有问题的，就是这个东西它本质上是一个框架，而且它完全开源，它的开发者只有一个人。 所以就跟咱们当时的技术老板讲的问题是一样，他的 bug 非常非常多，所以我在这个过程中我也踩过这种坑，就是我解决 bug 的 时间，其实在这两个月的时间已经远远超过我做生产本身了，其实是不对的，因为你长期看，要用发展眼光看，就有的时候有问题，你不要管他，他可能就多好，对，迟早会有人解决的，你不要去钻这个牛角尖。 然后第四个问题，其实老板已经讲过了，我们用来用人的思维，人类公司的组织去做，其实是不对的，就你让 a 转换身份就好了。 一一句指定的问题，一句 promise 的 问题，是吧？特别简单。多 agent 呢？意味着什么呢？因为他 open file 里面的这个构架啊，那个机器人他其实是有个 work space 的， 他这个 work space 里面有很多的 md 文件，就 memory， md 文件， agent 的 md 文件、 id 文件，就是存储你的个人信息，但是呢，他知道你，所以你如果要做了多 agent， 就 意味着你必须多 work space。 嗯，多了一个 work space， 你 就多了一份儿工作量，然后就多了一份儿记忆，然后他的这个记忆是彼此都互通了，本身在当下的构架下，他的记忆就成问题。 如果你再做多 a 证，他这个记忆其实问题就会更大，所以我就见到很多推特上的人发的东西，就这几周还陆续有人发，我就一眼我就知道了，大家都很嗨。做个截图说我又做了一家艺人的 ai 公司，很牛逼，然后 cpu 非常嗨。但我很快就知道，我就说这纯自嗨， 他只是做了一个他很嗨的这么一个构想而已，但实际上生产不可用，真正生产的不是工厂，所以我就说这个就是他是来解决问题的，他不是为了让给你当赛道公司老板，自嗨的就没有意义。
3024子鸣
02:00查看AI文稿AI文稿如果通公司突然把你用的好好的 a 件的给禁用了，你会怎么办？今天我们公司正式对我们的 a 件的下手了，就是要逐步禁用我们公司电脑的豆包、元宝通、亿千万和沃克堡利这些桌面应用，让我们使用公司内部采购的字眼那些。 首先遇到这种问题就很烦，因为你已经在 workbook 上跟它形成了一定的默契吧，觉得就问你的，呃使用风格和偏好呀，像我们知识，你的记忆，你的 skill， 你 的 plug in， 你 的包括一些连接器啊等等这些东西已经很习惯了。 再就让我们突然切换成抠，抠的很烦，然后对比了这两样东西。我今天下午简单对比一下，我觉得三个点，其实抠的和 workbook 使用体验很差。第一个就是抠的它不支持切换模型，只有旗舰版和普通版。 第二个就是它没有，它不支持项目制，它每次都要新建任务，然后让你手动关联一个本地文件夹，就没有 work buddy 那 种可拉的模式。第三点就是 to kill 消耗的数量太快了， 我们公司在 code 上面每个月只给我们批一千 credits， 但是一下午只迁移了个项目文档就花费了大概百分之五十。然后我要增加的话，我到外头去申请，申请也只能每个月再加两千，两千的话只能用个最多一周或者四五天，而且你还要节约，说是省着用。 通过这个事情我也反思了一下，就是我们突然切换大模型或者 a 键的，那什么东西是我们个人最宝贵的东西呢？我觉得第一点就是我们自己的一些 prompt 和我们的使用偏好，就是包括电台 md 啊和我们 user md 这些文档对于我们来说非常重要，还有一些我们常用的 prompt。 第二点就是我们自己沉淀的 skill， 我 们自己建的小工具和我们建立的 skill， 这些是我们高频最使用的，就其他 skill 可能不重要，但我们自己建的一定对我们的工作生活影响最大。 第三点就是我们的工作流，就是我们通过 skill 和小工具去搭建了一套属于自己的工作流，然后可以让我们生活和工作和一些副业大大提升的一些东西，这是我觉得个人一定要去和别人拉开差距非常重要的点。
106马斯洛AI智能体
03:09查看AI文稿AI文稿最新的数据， sars 股呢，遇到了前所以来最大的公盘，过去一年呢，所有的 sars 股都在大规模下跌，很多都是超过百分之五十的跌幅，其中前面的一些都是非常耳熟能详的名字，比如说 entrepreneur， 就是 travel 跟 giro 公司跌了百分之六十三点七。 monet com 就是 做办公的， sars， 跌了百分之五十七点八。 figulet 跌了接近百分之五十， lingo 跌了百分之四十八点九八，也就差不多百分之五十。 dapp 百分之四十八点二一。 workday 百分之四十七点四八， trade desk 百分之四十六点五七。芒果 db 也跌了百分之四十五点一七。 applaunch 就是 之前的一个做营销广告的一个腰股， 去年涨的是很疯狂，今年呢，也跌了百分之四十五以上，也包括之前上市特别火的 snowflake， 就是 做数据库跌了百分之四十。 csfour 跌了百分之三十五点六八。 adobe 百分之三十四点五八。巴克赛百分之三十四点一六。 s c p 跌了百分之三十二点二八。基本上耳熟能详的所有的萨斯的股份都在跌，跌的呢，是远比预期的要更夸张。 有一个黑色幽默又做人力资源的软件的公司，握对，把自家的百分之八点五的员工都给裁掉了。这种理由呢，是 ai 已经全面的被融入，效率也上来了，那一个卖软件给别人管人的公司，因为 ai 把自己的人给裁了。这个呢，感觉呢，是很讽刺。 ai 呢，应该说是对整个的萨萨行业呢，进行了一场悄无声息的单方向的屠杀。华尔街的做空基因呢，称称呢，据说赚了三百四十亿美元。摩根大通的研报说的是软件崩盘，全面获赛，无处可藏。 萨克斯是什么？萨克斯呢？其实就是一个人头税的概念。原来呢，我们说很多的软件是面向用户的，面向人类，现在的 ai 呢，已经改变了它的这种共识关系，软件变成给 ai， ai 来使用，通过 canada， 通过更简单的业务逻辑，通过代码层的对接，甚至数据库对接，就可以完成所有的工作，根本不需要一个软件做出的一个 g u i 这样的产品。 原来呢，你可能思考的是让一百个人用软件，现在呢，其实用十个 ai， ai 层的工作直接对接就好了。 第二个逻辑呢，就是现在有了 cloud co， 有 了 cursor 这样的产品 agent， 自己呢，是可以做软件的，背后你就不需要软件公司，因为软件公司使用的还是客户自己的数据，只不过是提供了一个 g u i， 而现在的客户通过 cloud co 可以 快速的搭建一套自己的业务系统，一比一的还原复制，而且所有的数据都留在自己的仓里。很多萨斯公司现在也说自己是锤了， ai 公司 为什么依然会被市场所接受呢？而那些 ai 的 底层的模型公司或者哈尼斯公司反而会被热捧。背后原因呢，其实是整个的市场逻辑产生很大的变化， 因为现在单纯做应用的话，市场变化太快了，就像去年比较火的一些产品，今年呢，很多都不火。如果你还是用 this character ai 的 方式在做角色陪伴的话，现在基本上没有什么新意， 因为 opencloud 的 主动性和记忆，以及更像 skills 已经在重新定义很多的产品逻辑，这里面包括了陪伴编程、自动化的一些脚本。 当然这里面的另外一个逻辑呢，就是通用性的智能体呢，是在快速的收割垂类智能体的市场份额。为什么通用性智能体到垂类智能体唯一的区别就是一个增加一些 skills 未来的决定的方式，已经不再是通过软件，不再是基于一个锤炼的经验来去定市场，而是不断地提升的底层能力，这里面包括了模型，也包括了 hollis 这样的一些去 a 正的环境。而所有的锤炼能力呢，已经压缩成了只有 skills 和 mcp 工具等一些边缘的能力。 我们相信，在各有未来定义并改写整个市场规则的，至少有一半的公司呢，是来自于最近这段时间新生的一些 ai 公司，而老牌的互联网公司如果没法彻底的迭代的话，市场的份额是会不断被蚕食的。
69杨博士说AI
00:27查看AI文稿AI文稿我真的很努力在做这个了，然后我刚才其实已经调通了，刚在调优，然后把我自己的 ip 跑崩了，估计是我的 ip 被放到了黑名单里，我上不去了。等解封的期间我 看看有没有别的更好的方案吧，如果不是非常稳定可能就不会放给大家了。天呐。
02:07查看AI文稿AI文稿做 agent 的 人应该都经历过这个时刻，你看着自己的 demo， 觉得卧槽，这东西快成了，它会拆任务，会调工具，会写代码，甚至会自己反思自己纠错。 你甚至开始想，这玩意再迭代两板，能剃掉一个初级工程师，然后你把它放进真实环境，崩了，不是那种报错崩，是那种页面刷新一下状态没了长链，跑到第七步开始胡说， read 之后上下文全串了， memory 越积越脏， a 阵开始自己骗自己，多个 a 阵的邪作，互相把对方带沟里，一个小异常，整条链全崩。 你修了三天，修好了，换个页面又崩了。这时候你开始怀疑，是不是我的 prompt 写的不够好，是不是模型还不够强？是不是我该换个框架？我之前也这么想，后来我想明白了一件事，这个问题的根可能根本不在模型。 过去两年，整个行业都在压一个赌注，模型再强一点， agent 就 自然好用。所以所有人都在卷 crumpet tool， calling， workflow， memory， multi agent。 但你有没有发现一个事实， gpt 三点五到 gpt 四到 clogs 三五到 gpt 四 o， 模型强了四五倍，但 agent 在 生产环境的稳定性几乎没怎么变。 为什么？因为问题已经不再聪不聪明，而在稳不稳。你现在用的那些 agent 架构， react 也好， workflow 也好， multi agent 也好，它们有一个共同的隐藏，假设 世界是稳定的，但真实世界不稳定，它会漂移，会中断，会污染，会重入失败，会权限突变，会状态错乱。 尤其当 agent 进入浏览器企业系统长周期任务，你面对的已经不是 ai 问题，是系统工程问题，但几乎没有人在认真做这一层， 因为太脏太重太慢，没有 demo 价值。这也是为什么我后来开始做一个东西，不是更聪明的 agent， 是 让 agent 能稳定执行的底层系统。 后面我会拆开讲主流架构到底在解决哪一层的问题，以及哪一层，其实根本没人管，想听的评论区扣一。
02:04查看AI文稿AI文稿百分之八十二的老板说十八个月内要在团队里用上 ai agent， 但只有百分之二十三的人有信心真正落地。这个差距说明什么？说明大多数人根本不理解 ai agent 是 什么，今天来说清楚。很多人以为 ai agent 就是 更高级的 chat gpt， 这个理解是错的。 聊天工具是你问他才懂，他等你发令。真正的 ai agent 是 你给他一个目标，他自己拆解任务，跨软件调用工具闭环完成全程，不需要你每步盯着类比一下。 chat gpt 是 一个能干的员工，但你得一直指挥。 ai agent 是 一个能独立完成项目的团队。三个原因， 第一，培训体系之后，大学和培训机构还在教 chat gpt 怎么用 a 阵调度，课程基本空白。第二，技术门槛，大多数教程一上来就讲 lincoln 代码， 非技术背景直接劝退。第三，算法信息减房，你刷到的都是 ai 工具教程 agent 的 调度内容少之又少，所以你根本不知道它存在。某个拥有数亿用户的社交平台今年启动了全自主 ai 审核集群， 结果人工审核成本降到原来的百分之三，这不是才几个人，这是整个审核只能部门同时归零， 而那些设计和管理这套 a 阵系统的人，身价翻倍。这就是会用工具和会馆 a 阵之间的真实差距。学 ai a 阵调度，核心要掌握三个能力，第一，任务拆解，把复杂目标分解成 ai 可以 一步步执行的序列。第二，流程设计， 设计多个 a 阵之间怎么协助分工。第三，质量把控，知道在哪些节点需要人工介入，识别 ai 输出的风险点， 这三个能力和你用什么工具无关？ ai agent 不是 工具，是一种组织能力，百分之八十二的老板要他只有百分之二十三的企业能落地，缺口就是你的机会。下条我给你一条普通人没有技术背景也能跟着走的三十天入门路线。 好，今天深挖了 ai agent 的 本质，如果你看完还想继续，说明你已经在那不到百分之一里面了。我每天更新一个 ai 知识点， 帮你把这些别人没讲清楚的东西弄明白，关注一下，不然刷不到下一条评论区。告诉我你觉得 ai a 阵最难的部分是什么？任务拆解？流程设计还是质量把控？我下期针对你的困惑继续讲，明天见。
43AI Yang
