claude创建figma效果不佳
靠，最近推出了一个新功能， rafitma 的 骨架自建大包店，它叫做 call design， 你 只需要输入一句话，它就可以帮你自建做网站，帮你做 u i 设计，帮你做简报，甚至连 prototype 呢都能自建生成。比如我输入帮我做一个咖啡品 牌官网，它就直接会做出 landing page 字体按钮跟排版做出来哦，真的跟设计师做的一模一样。那么呢，它跟其他的 app 最大的分别呢，有三个，第一，可以自建读你的品牌风， 你可以直接上传你的公司的设计稿，你的 code base， 它就会自动学习你的字体颜色跟 logo 的 风格。之后呢，你伸出来的东西呢，就会跟你的品牌的感觉很像。第二，不只是图片，它可以帮我做成可以修改的 prototype， 比如 canvas 的 话呢，就是偏做图。 fakemail 的 话呢，它就是偏自己拉版靠底在的话呢，它是可以直接帮你生成一个可以继续改的 prototype， 是 不是很赞呢？第三，它可以直接 export 去别的软件或者是 pdf 啦， ppt 啦，你做完了过后呢，可以去 export 去 canvas 里继续的 id， 这样子呢，你就不用再从零开始做啦，做 最夸张的是，还以后可以自己用 cloud code， 就 代表你设计完了过后，他会帮你设计前端代码，所以你们听完这整个 code， 你 再好过后，你们觉得以后设计师会失业吗？还是你们觉得工作效率会直接翻十倍嘞？大家一起留言告诉我吧，拜拜！
粉丝4.1万获赞134.9万
相关视频
00:59查看AI文稿AI文稿我跟市面上百分之九十的 ai 博主都持不一样的意见， polo 的 design 注定是一个失败的产品，它的根源呢在于它的产品形态错了，你用 ai 可以 生成一个页面，但是这个事情不等于 ai 就 可以做出一个完整的设计。 创意类软件的本质是什么？本质呢？是一个画板，那中间是画布，四周呢是各种不同的编辑工具，那设计师最核心的体验呢，叫做所见即所得，他在这个画板上呢，去调用各种的工具去完成它的操作， 去完成它的创作。然后呢，最重要的点是它可以建立很多的分支，去用这些工具很方便的去比较这些分支的不同，从这些细小的改动中呢，去找到最合适的那一个。 那简单来说就是它可以去通过很简单的操作去改变按钮的颜色，改变自己的大小，去改变页面的排版的细节，那这些细节调整的其实在传统的设计工具中是可以很轻松的完成的，但是在科奥迪暂时没有办法完成的 那些克劳迪在没有办法在一个页面之间呢，完成各种改动之间一个版本的比较。所以我们说 ai 可以 帮你完成百分之八十甚至九十的工作，但是对于设计或者对于创意类工作来说呢，往往最后那百分之十呢，恰恰是设计师最需要回到传统的软件里面去操作的地方。
59阿巴阿巴聊 AI
05:38查看AI文稿AI文稿现在市面上各种 agent 的 产品层出不穷，像国外的 cloud code codex， 国内的 coder codebody， 但为什么这些 agent 的 产品用起来总是感觉效果很一般呢？也切了最强的模型，换了各种 agent 的 工具，但总是感觉没有别人说那么好用。其实有一个最关键的点，就是你没有做好善文管理。 现在大部分模型的山亚纹都有一百万的 token， 很多人使用的时候看山亚纹窗口还没满就会一直继续的聊，但实际上这么庞大的山亚纹窗口，在达到百分之四十左右的时候，模型的注意力就会因为被稀释导致能力下降。 osrotiki 官方也说过，山亚纹越长，模型表现就会越差， cloud 的 注意力就会被越来越多的 token 去稀释。 旧方案错误的假设跟无关日制都会开始干扰当前的任务。所以 colloud 它不是到一百万 token 的 时候才会突然变笨，它是从上下文变重的那一刻就开始慢慢的变迟钝。 很多人用 colloud 感觉前面很聪明，后面越聊越不对，它不是模型突然不行了，而是你把它的工作记忆给弄脏了。那什么是上下文呢？你可以把它理解成当前能看见能够依据的全部信息， 他读过的每个文件，跑过的每条命令，你们聊过的每句话，甚至工具和 m c p 的 定义，都会一点点塞进这个窗口里。 问题是这些信息它不会自动的区分有用还是没用，你前面试错留下的错误路线，你临时问过的旁枝问题，都会去的留在模型的脑子里，然后他后面每一步都会被这些信息影响， 所以真正的沙纹管理不是等它满了再说，而从一开始就控制它，看什么丢什么。哈喽，大家好， cc 高级使用指南今天会一个视频，教会你管理沙纹的全部技巧，内容有点多，大家也可以让 ai 工具整理一下，希望大家帮忙点赞收藏关注。 那第一个技巧就是先用 context 命令看当前的占用。 context 命令的作用就是返回当前山下文的使用情况，所以在使用 c c 的 时候，可以多用这个指令，观察山下文的用量，才能更好地去做山下文管理。不要凭感觉去判断，可要的是不是变笨了，而是主动去看山下文的状态。 第二技巧有点反直觉，就是提示词不要太短。很多人以为少写几个字省下文，但如果你只说帮我改一下，可要的就要自己去翻仓库。探索可能会读一堆没用的文件，那更省的方法就是直接告诉他目标是什么，不要动哪里，重点看哪个文件，你写的越明确，他就探索的越少，下文也就越干净。 第三个技巧就是多主动地用 compact 命令，它能保证下文更短，并且更聚焦。比如说探索已经完成了，方案已经定了， 你准备正式改代码了。这时候不要把前面所有的试错过程都带进执行阶段。你可以这样说， compact 保留当前架构的判断，用户的明确要求，已经排除的错误方向，该验证的命令丢弃无关的试错过程。这一步的本质是把删文从聊天记录变成了工作交接。 第四个技巧是新任务要用 clear 指令，这点其实比较简单，一个完全跟当前绘画无关的任务，最好不要继续聊，而是通过 clear 命令新开一个绘画。 第五个技巧是错误路线，要学会用 rewind 的 指令，比如说 cloud， 读了几个文件，尝试了方案 a， 结果发现方案 a 根本走不通。那很多人的做法可能就会继续说刚才不对，你换个方式，但这样就会把失败过程也继续留在下文里。 更好的方式就是回到错误发生之前，把后面的失败尝试丢掉。再补一句新的约束，不要走方案 a， 直接走方案 b。 第六个技巧就是旁支问题，不要污染主线。你正在让 cloud 去改支付流程，突然想问一个数据库自断的含义，这种问题不要直接在主绘画里问，而用 btw 指定，或者说专门去开一个新的绘画去隔离掉主删文，只服务当前的主任务。 第七个技巧就是规划执行验收，不要长期混在同一个沙文里复杂任务，让他先规划列清楚影响的文件风险边界，验证方法确认之后再去执行，执行完之后再验收。每个阶段接触都要问自己一句，现在是要继续还是 compact 还是 clear cc。 自己的 plan 模式本身也会做完规划之后，在退出 plan 模式的时候，问你是否要清理掉山亚文再去执行任务。这时候建议大家采用这种方式，不要担心丢失了之前的探索的山亚文，因为核心关注的内容其实都在 plan 里了，当前的山亚文反而加载着规划 plan 的 时候的一些脏东西。 第八个技巧主要是针对一些大项目，提任务的时候一定要给文件路径，不要让查找在全仓库里去乱猜。你越明确，他读的越少，下文也就越干净，结果也就越稳定。第九个技巧是能隔离的噪音一定要隔离， 如果说下一步会产生大量的中间输出，比如说全仓库搜索，日证分析、测试排查，那就让 sub agent 去做主规划，只拿结论，不吃过程。这也是 iceberg 官方说的一个思路，如果你以后只需要结论，不需要工具输出本身，那就要把它放到独立的账本里面。 第十个技巧是用 r t k 命令给输出截流。 r t k 是 github 上的一个项目，全名是 rust token killer。 他 做的事情很简单，就是在卡拉库德里面的 bug 工具和真实终端之间加一层代理。 卡拉要跑 git status py test， npm test 这些命令的时候，他会先改成 r t k git status r t k test， 然后把工具执行噪音重复日制进度条无意义的空白压掉，只把失败点跟关键摘要送回山亚文。 r d k 主要拦的是 best 命令，山亚文污染不止来自对话，也来自终端。输出一次 n p m test get log 可能就会吐出几百行日制， kalot 会默认把这些东西吃进山亚文。 r d k。 官网给我一个例子， 典型的两小时 ai 编程，会产生大约二十一万 token 的 命令噪音，用了 r d k 之后大概能变成二点三万 token， 减少了约百分之八十九。 这不是让他更会写代码，而是让他更少去吃垃圾输出不仅沙文更可控，也更节约你的额度，让重要的信息留下，让探索噪音离开。以上就是本期的全部内容，关注我，了解更多的 ai 技巧。
170小梅同学
06:03查看AI文稿AI文稿今天我们聊一下 codex 这一个月更新的八个新玩法。我以前一直觉得 codex 是 个备胎，去年四月 codex cli 刚出来那会儿， 我用了两天就回去用 cloud code 了。理由很简单， codex 当时就是个会写代码的终端 agent， 跟 cloud code 比没什么区别，模型还稍微弱一点。直到四月十六日那天， openai 发了一条公告，标题叫 codex for almost everything， 意思是 codex 不 再只是写代码的 agent。 先说最离谱的那一项， computer use codex 现在能看你屏幕点你 u i， 用它自己的光标在你电脑上打字，授权之后它可以操作你电脑上的桌面 app。 我 第一次让它做的活是把这个 figma 设计稿里的色值抓出来，写到 tailwind config 里，它打开 figma 截屏识图写入全程。我没动鼠标 这类跨 app 的 活， cloud code 作为 c l i agent， 很 难直接做 codex 这一步直接跨出了终端，代价是你给他的权限是整台电脑，不是某个项目目录。心智压力比 cloud code 大 一个量级。跟 computer use 配套的 还有一个内置浏览器。最有意思的设计是，你可以在网页上直接评论，把这个 comment 当成指令丢给 agent， 就像在 google docs 上选中一段文字加评论一样，但被评论的是网页 dom。 举个例子，你打开本地预览页，选中一个按钮，评论一句，这个按钮状态太弱，改成更明显的 primary action。 完了， 这种指着浏览器跟 agent 的 说话的交互，比 cloud code 走 mcp 接 api 那 套直觉多了。普通人不用懂什么是 api， 但真正让我有点恍惚的是， automations 是 一个持续任务系统，你给 agent 的 一个长期目标，它可以附用原来的对话上下文， 按计划自动唤醒继续做。 openai 的 原话是 potentially， across days or weeks。 比如你可以把任务写成每天监控这个开源项目的 issue， 每出现一个跟性能相关的，就帮我整理背景附线路径和可能的修复方向。它每天自己醒一次，自己扫，结果放到队列里等你看。这开始有点接近让 agent 接长期任务了。然后是 pets， 五月一日左右上线的，是这个月 codex 最初圈的更新。你输入 slash pet 就 能召唤一只虚拟宠物，浮在屏幕上做状态指示器， 它告诉你 codex 现在在跑什么任务，是不是在等你输入，是不是做完了。八只内置宠物可以选。还有一个 slash hatch， 可以 让 ai 生成自定义宠物。这设计妙在，它解决了一个我们都默默忍受的问题。 agent 在 后台跑唱任务的时候，你不知道它现在到哪了。以前要么切终端，要么挂个第二屏幕，现在屏幕上一直有只小猫，它的姿势就是状态，但是区域限制要分清。 open 官方明确说 computer use 初期不再意义。 a u k 瑞士开放 hats 这块我没核到同等强度的官方说明。所以如果你人在欧洲，并不是所有 codex 新功能都能立马可用。第二自定义宠物的画风偶尔会翻车，社区里已经有人把 clippy 动漫角色，各种像素小人都做出来了。好看的是真好看，怪的也是真怪。 但一个虚拟宠物功能能被开发者认真讨论，你就知道它戳到了什么。剩下几样我快点过。五月十四日， codex 进了 chat gpt 手机 app， 准确说是手机端可以远程接入正在运行 codex 的 mac host。 你 在地铁上，在咖啡馆， 可以用手机继续控制回答问题，批准操作，看 df 和测试结果。但电脑那边要保持在线， codex 也要再跑。这事跟 automations 配在一起威力很大。早上出门前交代一个长期任务，路上用手机补两句判断， 回家再看结果。这里要修正一下。 cloud code 也有 remote control， 可以 从 cloud app 或 cloud 网页端继续本机绘画。区别不在有没有手机入口， 而在 codex 把入口放进 chat gpt app 这条产品线里。四月十六日那波还顺手加了九十多个插件， atlanta rover、 circle shade code、 rabbit、 github issues、 microsoft suite 都在里面。 cloud code 走 mcp 也能接，但要自己配 servoach。 codex 这边是点一下装好的体验，底层也换了。 四月二十三日， openai 发布 gpt 五点五，并明确说它正在进入 chatttt 和 codex。 官方说法是， gpt 五点五在同类 codex 任务上更强，也更省 token。 它还跑在 nvidia gb 两百和 gb 三百 n v l 七十二系统上。具体到比 cloud code 省多少，社区里说法很多，我没看到一个能直接当结论引用的统一数字，但我自己的体感是，同样刨长任务 codex 的 成本焦虑确实小不少， cloud code 也没掉队。 antropica 四月十六日发布 opus 四点七 s w e bench verified 报道，百分之八十七点六。 open i 这边 gpt 五点五的 terminal 奔驰二点零是百分之八十二点七， cloud opus 四点七是百分之六十九点四。 这些 benchmark 口径不完全一样，不能简单等同于 codex 工具，打败 codecode 的 工具。我现在更愿意把它理解成 codex 在 长任务、跨 app 成本和可用性上进攻很猛。 cloudcode 在 严肃代码质量和复杂重构上仍然很有竞争力。 dv 上有篇社区余情整理，看了五百多条 reddit 评论和一些盲测，结果给了一个挺贴脸的说法， cloudcode 是 高质量但不好用， codex 是 稍低质量，但真的可用。这不是严格抽样调研，但它很像最近很多开发者的体感社区。现在很常见的一种用法是 codex for keystroke， coded code for commits。 日常输入用 codex 跑得快又省心，关键提交 code review， 复杂重构，切回 code code， 求质量。 甚至有人把同一套 skill 同时喂给两边。聊完功能再退一步看，会发现一件挺有意思的事儿。 cloud code 这一个月在生化， harness 做插件 hack worktree 和 deny rules， 把自己往 os like 做， codex 则跨出代码边界做 computer use， 内置浏览器 automations， 手机入口和虚拟宠物，把自己做成 digital co worker。 一个想做你的操作系统，一个想做你的同事。两条路都对，但两条路真的不一样了。 我现在的姿势是两个都开。 codex 跑，长任务跑，跨 app 的 活跑，需要在手机上启动的活。 codecode 跑，严肃 commit 跑，要保质量的重构跑，开源项目。那只 codex 的 小猫还浮在我屏幕右下角，告诉我它在等我。省一个 p r。 你 用 codex pets 了吗？
3.6万Ali厂长
01:03查看AI文稿AI文稿来分享一下 codex 的 使用感受。 codex 如果改稍微复杂点的 bug， 还是要用 gpt 五点五 x high 啊，不然这个 bug 改的效率实在是太低太低了，但凡少一点点， 嗯，稍微有点难度的 bug 他 都修不了。嗯，但是他对于这个电脑的这个工具上面的操控是真的好。 另外， cloud， 嗯，我觉得 opus 四点七真的真的很厉害，尤其是在写材料 壁入 ppt 这种东西上，哇，实在是无与伦比。它对于这个 office 的 插件的使用和调用，无论从美观度、结构化或者其他等等这种维度都达到了一个新的高度，我再也不用费格玛了。
65平权认知
04:01查看AI文稿AI文稿上期视频我分享了 cloud code 的 安装和常用技巧，但真正用过的小伙伴肯定会遇到一些问题，比如没法联网搜索、没法识别图片、没法阅读网页、没法监控上下文进度和 coding plan 的 使用情况。哈喽大家好，我是专注用动画科普 ai 的 阿 k， 接下来我就为大家一一解决上述困扰。本期依然全程无广走你。 其实想解决联网搜索、图片识别和网页读取这三个问题，只需要用到一个叫 m c p 的 技术。简单来说，以前 ai 的 能力往往局限于自身的知识库，但有了 m c p 以后， ai 就 具备了使用外部软件的能力， 所以从某种意义上来说， m c p 就是 ai 和外部软件之间的一座桥梁。那到底装哪几个 m c p 能够解决上述三个问题呢？这里我给大家推荐目前 github 上最主流而且确实能打的三个免费开源方案。第一种是用来搞定联网搜索的，叫 brief search， 它的强项在于拥有独立的搜索锁影，而且对 ai 的 读取特别友好。第二种是用来解决网页读取的，叫 fetch， 它能过滤掉网页里的杂乱元素，只把最核心的代码和文字扒下来给 ai 看。第三种是搞定图片识别的，强烈推荐 screenshot mcp， 它能自己截取你当前的画面或者指定窗口去分析报错的原因，这种直接让 ai 看图排错的体验妥妥的极品。接下来我就以 brave search 为例，为大家演示一下如何在 cc 里安装 mcp 工具。 首先你需要有一个 brief search 的 api key， 具体获取方法大家可以问问 jimmy， 为了避免被限流，这里实在无法展开了，只有拥有这个 api， 才能安装它的 mcp， 并获得每月两千次的免费搜索次数。放心哈，个人绝对够用了。 然后我们需要打开终端，粘贴这串代码。注意哈，这里要换成你获取的 api key 哈，那敲完回车，等它自动跑完，你的 c c 就 正式通网了。那另外两个工具就没这么复杂，不需要 api， 直接分别执行这两串命令就行。 那这三个外挂都装好了，具体该怎么用呢？简单，比如你直接敲一句，帮我搜一下某某某某，他自己就会去调用 brave search。 又比如直接甩个链接过去，按这个链接里的开源项目说明，帮我搭个环境， 他马上就能又快又准的执行任务。那遇到程序跑不通的情况，也连截图软件都不用打开，直接给他发一句，看一下我现在的屏幕，帮我找找 bug 出在哪，他就会自己咔嚓一下，截取当前的画面去排错。总而言之， m c p 工具的好处就在于清亮和即杀即用，而且 github 里面好用的 m c p 一 抓一大把，大家感兴趣的话可以自行探索哈。 ok， 那 接下来就是解决上下文监控和 callin plan 用量的问题了，大家看这里，这是我安装的一款名叫 cloud hud 的 开源插件，它的优势就是能够挂在在 c c 输入框下方，并且以进度条形式直观显示上下文用量和 callin plan 用量。 那有了刚才安装的 m c p， 我 们只需要把这个项目的仓库地址丢给 c c， 然后让他帮忙安装就行了。但是大家注意，这个插件原本只能监控 cloud 的 订阅套餐的用量，而我用的是国产 callin plan。 所以 接下来我想告诉大家，我是怎么通过使用 c c 来改造这个插件的。 首先我上期视频说过， c c 终端版最大的优势就是自由度高，而且这个插件又是开运项目，这就意味着我们可以用 c c 来修改插件代码。然后我分析 cloud 套餐机制和我使用的国产套餐机制是一样的，都是无小时限制加上周限制， 所以我只要能够获得我的套餐的用量数据，然后把它们替换到插件里就行了。所以我第一步是先让 c c 用 brave search 搜索如何获得我使用的控制 plan 的 数据。第二步就是让 c c 写个脚本，把我的国产套餐的数据替换到插件里面，读取 cloud 套餐数据的代码中，然后设置每五分钟刷新一次，这样我啥也不用干，刷刷手机就完成了。但是这个时候出现了一个问题， 就剩下文监控还是进入一条形式，但套餐监控变成了文本形式了， 按道理来说也能用，但是我有强迫症，我想既然可用的套餐可以用进度条显示，我不过只是换了数据来源样式，应该是不用动的。所以我用自然语言告诉 c c， 我 要插件原本的进度条显示，颜色搭配也必须遵循原来的插件。然后没多久 c c 就 帮我改好了。 当然我说的很简单，它中间其实还有不少细节，受限于篇幅没法展开。但我真正想告诉大家的是，知道原理就自然知道怎么做。比如我不知道什么是前端，什么是后端，就无法修正进度条显示。 所以大家想要玩好 ai， 真的 一定一定一定要多动手多尝试，从而提升自己的知识储备哈。 ok， 那 以上就是本期视频的全部内容了，我是专注动画科普 ai 的 阿 k， 无惊无险又到六点，下了个班。
3.6万K森动画
03:30查看AI文稿AI文稿hello， 大家好，如果你也在用 cloud code 的 话，那我会强烈建议你安装这六个 skill， 安装完之后呢，你会发现你的 cloud code 将解锁百分之八十的能力。 这六个 skill 我 简单分类了一下，第一，管理工作流程。第二，管理代码质量。第三，调教 ai。 第四，管理上下文记忆。第五，创建 skill。 第六，帮你找 skill。 为什么是这六个呢？因为他们解决的问题我觉得是可以作为跨项目使用的，不管你是做什么项目，什么框架，这些 skill 呢，都可以作为地基来使用。 第一个， superpowers， 这个是管理工作流程的 ai 写代码，很多时候有一个问题你没说清楚，要什么，他就会自己去拆，拆着拆着那他后面可能会跑偏，回头就会发现方向是错的，就需要返工。这个是给我做的事情，很简单， 在你动手之前呢，他先会把问题定义清楚，他会问你要解决什么，验收标准是什么，你答完之后呢，他才会开始动工。 第二，是啊， capacity skill， 这个是管理代码质量的 capacity 有 个观察， ai 写代码动不动就会 overcomplicated， 过于复杂， 一百行能解决问题的事情呢？他可能会给你写出五百行的代码，还觉得自己在做好事。另外，他有时候会顺手改掉你不想改动的部分，所以说这个 skill 就 一套原则，简单优先，不做多余的事情改动，只改该动的部分用下来我感觉他会， 他就像给你的 cloud code 配了一个云监工，去盯着他工作，保证输出的质量。第三， pua skill， 这个是调教 ai 的， 不知道你有没有遇到过让 ai 修一个 bug， 试了两三轮都没有改好，他后面可能会跟你说，建议您手动检查一下这个 skill， 就是 教你反过来治他，让 ai 保持专注，不要让他糊弄我们，草草了事。 第四个就是 cloud memory scheme， 这个管的是上下文记忆，如果你你用的是 cloud code 的 话，这个一定要装，它不像龙虾和爱马仕，它这两个的话，它是内部内置了上下文记忆的，这也是为什么说 龙虾和爱马仕会越用越懂你。但是 cloud code 本身是没有的，所以啊，非常建议大家把这个装上。 第五是 skill creator。 这个 skill 的 作用就是让你把自己的经验打包起来，变成一个 skill， 比如说你的云服务器有一套你自己的流程，那你可以把这个 skill 直接交给 skill creator， 让他帮你把这条流程呢直接封装成 skill， 后续你就可以轻松获取 了，这就形成你自己的专属 skill 了。第六个 find skill， 这个很好理解，就是替你找 skill 的 skill。 目前 cloud code 现在也有好几千个 skill 了，分布在各个地方。有时候你想用 cloud code 做个项目的话，但是你可能不知道有没有现成可以调用的 skill， 那 你可以直接去调用这个 skill， 帮你搜索一下有没有现成的，那它会告诉你这个项目是谁做的，有多少人装，靠不靠谱。 如果你觉得合适的话，那你就可以直接安装了，这直接省掉了很多的时间。 ok， 这就是本期视频的全部内容，如果说你也有用着不错的 skill 的 话，欢迎评论区讨论，那我们下期再见，拜拜！
198第三曲线
05:34查看AI文稿AI文稿我敢说，百分之九十九的人刚刚安装好的 call 扣，第一步就做错了。就是很多人会着急让 call 扣直接开始干活，然后会发现，哎，为什么好像有些时候还挺难用的呢？ 但实际上并不是说模型不会做，而是他根本不知道你的规则。 ok？ 大家好，我是 fred， 专注从普通小白的视角分享怎么从零到一，用 ai 和 web 扣领提升自己的生活和工作效率。 我建议安装好 cloud 后的呢，第一步不要着急让他直接开始写，而是把 cloud md 配置好。你把规则讲的越清楚，他在后面才会更懂，你也不太容易反攻， 就很多时候很多重复的工作啊，其实问题都差不多，就要么是你讲太多，要么是你改太多，要么就是你每次都会觉得他风风格都不太稳定，对吧？ 你本来只想让他改一个点，他却顺手改了一大片。你本来想让他按照项目的习惯来，他却给你一套看起来通用但正确的，但是又不太符合你要求的一些答案。 这些问题的背后，很多时候不是说模型不行，而是你没有把这个默认的规则交给他。那怎么样才能让他按照你的默认规则来呢？也就是很重要的一个点就是 cloud md。 什么是 cloud md 呢？你可以把它理解为 cloud code 的 一个默认的规则文件写进去之后呢，它不是一个一次性的聊天备注，而是 cloud 开工前就会先读的一个写作的边界。所以说它的真正的价值不是说 多一个文件，而是你终于不用每次再重新去解释。同样的话，一次写好之后就后面会默认去生效。 但这里面还有一个很关键的点啊，就是很多人一上来就在想，我要往 cloud md 里面去写什么，其实第一步不应该想怎么写，而是先想， 呃它有哪些层级？就是正常 cloud md 会有一个全局的层级，一个是项目的层级，也就是通用层和项目层。通用层就是写，写到你在每个项目都不会变的一些长期的习惯和规则。项目层就是写，写到你在每个项目这个仓库它独有的一些规则， 你把这两层分清楚之后，后面写起来才不会乱。 ok， 大家可能会问，哎，那你应该怎么写呢？对吧？通用层应该写什么？呃，像我自己的话，一般会有一些语言的规范、安全红线、工作流程和用户偏好。 我可以给大家看一下我整体的一个配置的一个情况，就比如说语言会要求他用中文跟我沟通，但是代码还是用英文，然后会有一些安全红线的问题， 不要去提交一些我自己的一些 api， key 啊，或者一些密钥。工作流程呢？就是一定要强调， 呃，完成报告之后，然后有报错就得报错。然后且修 bug 之前需要先写一些失败的测试用力，包括说代码标准不能够写得太大，如果写得过多大过长，如果后面要修改，那包括一些用户偏好的一些问题， 包括说其实像我的 cloud md 和我的 codex 所用的 agent md 其实完全是一样的，也就是我在切不同模型之间，它实际上的效果也是很不错的。然后面还会有一些上下文管理的一些问题， 所以说你会发现这些都不是某个项目特有的一些细节，而是我希望 cloud 在 任何项目里面都默认遵守的一些写作习惯，所以说如果在这种我在哪都一样的这样的一些规则，就应该写到通用层里面， ok， 那 项目城里面应该写什么呢？就比如说拿我先 free talk 这个剪辑视频的项目来说，项目城最应该典型的就是，哎，比如说每一层级你的唯一的入口， 你的输入输出怎么放，你的内容生产怎么交接，包括你的一些发布和一些安全的规则，其实这些规则离开这个项目其实就不一定成立了，但是如果只是在这个项目在成立的规则，那就应该写在项目城里面， ok， 如果你也想要开始配，我建议大家理解完这三层的东西之后，然后就够用了。然后如果怎么配置呢？其实很简单，一是我呃在视频后面会分享到相关的一些配置到呃我的粉丝群里面， 然后如果大家呃不感兴趣，也可以去搜索一些，比如说像 tiktok 上面一些高新的一些配置，比如说像 everything cloud code 啊，然后把你这种当做下来的一些规则文件发给 cloud code， 然后它可以根据你的通用层和项目层帮你去抄一份属于你自己的 cloud md。 但是呢，呃，你可以在后面跟它按照你的一些项目细节去补充 啊。写完之后他会有什么变化呢？就最直接的变化，不是说他会马上帮你把这个页面做的好看，或者说帮你把这个项目做的很很厉害，对吧？而是说他会让你的写作更顺，也就是写之前你可能反复在解释，然后他可能会给你一些泛泛的建议。 写之后呢，他会更更容易按照你的项目节奏直接去开干，以及按照你定义好的边界和风格来做，所以他 不会变得完美，他会更像一个更懂你的一个项目的写作者。所以说，总结下来， cloud md 的 本质就是把你反复叮嘱 cloud 的 话一次性写清楚，先分先分成，再定规则，再让 cloud 干活， 然后他才会越来越懂你。 ok， 我是 fred， 后面我会持续用真实的案例告诉大家怎么把 ai 用进自己的工作流里面，我们下期再见。
4494FredTalk
16:24查看AI文稿AI文稿来看一下 cloud code 的 一个全教程，基础的认知定义的话，它是 antiphic 公司二五年二月推出的原声端的一个。什么 原声终端的 ai agent， 简称 c c cloud code 嘛？嗯，它的一个核心原理就是大模型的循环 l l m 的 一个 loop 啊。 l l m 那优势的话是本地运行的，而且它的一个优秀的 harness 的 一个工程控制，控制的工程适用的场景在于编程的开发、文案攸写、资料整理、数据分析等脑力的工作。适用的场景是编程开发、文案攸写、资料整理、数据分析等脑力工作 啊。第二第二点呢，就来看安装和环境的配置。安装方式，命令行，命令行就是用这个电脑的命令行来安装，或者是 ai 来辅助安装。环境搭配可以去搭配，比如说 curson agent 一个 ide， 那 agent ide 是 什么意思？ aggieter integrated development environment 智能体的一个集成开发环境， ide id 一 对 𠲎 集成，呃，集成集成 development environment 集成开发的一个环境是二五到二六年 兴起的一个新一代 ai 原生的开发工具，把人工智能从被动的代码助手升级为主动的自主合作伙伴，彻底改变了软件开发的一个工作方式。简单来说的话，就传统的 id 是 你写代码， ai 帮你补起 补全，而 agent ide 的 话是你说要干什么， ai 会帮你完成整个开发的流程，它内置了具备自主决策和执行能力的一个 ai 智能体，能够理解你的自然语言的需求，独立规划任务，修改多个文件运行终端命令执行测试、修复错误，甚至提交代码和打开 pull request， 整个过程只需要你在关键节点进行审查和确认。 那它与传统 ide 的 本质区别，传统的 ide， 比如说 vs code， 它这个是吧？ ai 的 定位呢？就是侧边栏的插件是被动的响应， agent ide 是 核心架构，主动协助的工作方式是 开发者逐行去编辑。 ai 提供一些建议，那我们 a 证 id 是 开发者描述这个目标， ai 直接去执行任务能力边界单文件的一个代码生成补缺，而 a 证 id 它是多文件的重构，全流程的自动化。开发者的角色是代码的编辑者。那我们 a 证 id 里面是 需求的定义者和结果审查者。上下文，理解有限的上下文，那我们这里用的是一个完整的代码库和项目架构的理解关键能力特征。真正的 a 政策 id 必须要具备以下的核心能力， 一、目标导向的自主性，理解高层次的开发意图，无需逐行去指令。二、任务规划与分解，将复杂的需求拆分为可执行的子任务。三、环境交互能力， 操作文件系统终端版本控制外部的 a p i。 四、自我修正能力，运行测试，解读错误的信息，迭代，改进代码。五、常上下文，内个处理，理解整个代码库的结构和依赖的关系。主流的 agent id 的 工具，截止到二六年的五月， 市场上主流的这个工具是包括了 cursor 是 市场占有率最高寄予 vs code 的 构建的，那上手门槛是最低的 windows， 这都没听过。 然后这是什么？大大型的代码库和企业级的文件？ jet brain ear， 这个是 什么？隔离式的工作空间， a w s 的 一个规范驱动模式， google 的 anti gravity， anti gravity 的 话它是反重力的 google， google 这个听过就支持多个， 最多支持五个 a 阵的并行工作生成，可验证的交付，还有是字节的。这个 tree 的 tree 是 国内版全部功能免费支持自定义的智能体的一个创建，所以这个 cursor 和这个什么对吧？啊？ anti gravity， 还有这个 tree， 它是自定义智能体的一个构建，它可以干嘛？它是它其实整个是说智能体的集成开发环境，就本来是你自己写代码，现在你只要告诉它需求，然后你去审查结果就 ok 了。 然后模型的配置的话是官方模型的一个登录 cloud code， 它有官方的模型，国产的一个模型的话，比如说 deepsea 这些是国产大模型 啊。基础初步化的一个设置的话，包括了主题的选择，安全配置文件夹的一个信任，安全配置的话你是完全的相信它，还是说你在中间的话要进行确认？三、基础使用权限模式、权限模式 plan mode 是 计划模式、默认模式、自动编辑模式、无确认风险模式，有计划模式、默认模式、自动编辑模式和无确认 分险模式，它就其实就是给它的权限，嗯，是高还是低？交互的方式包括了文字对话，然后 at 文件，发送图片斜杠命令就是怎么去， 嗯，给自己就是说给他下命令，它是包括了文字文件，还有说图片斜杠命令，常用的斜杠命令就是一个斜杠 model， 斜杠 斜杠 b t w 斜杠 simplify， 斜杠 help， 它就是 model 模型 b t w simplify 就 给它简化一些自己的一个命令， help 执行的命令，心中端运行 叹号，前端运行， control b 的 话，它是一个后端后台运行，心中端运行前缀运行，还有就是一个后台的运行 管控的技巧的话，回滚的功能，双击是退出，然后还有这个 re， rename 版本的管理，呃， get get 的 一个存档提交和回滚。上下文管理可以怎么样子？上下文因为有些太多了，你可以给给它进行压缩一些信息，不然会消耗很多的客户坑。 compact 压缩斜杠，它不是说命令吗？ clear 就是 清空斜杠。 contact contest， 它是一个呃，对对比， contact contact 它是一个对比查看账比，然后 对话恢复的话， resolve， 还有 cloud cloud， 它继续进行对话个性化的定制。首先第一层的话，它是一个 cloud cloud 的 一个三层。记忆的话首先是大局，大局的话是通用的规则，对所有的项目都生效，就相当于一个基础的设置 项目级项目专属的规范，可以团队共享文件夹及就指目录特殊的进行规则。 auto memory， auto memory 它是自动记忆，去记忆一些什么东西，它会在你就是在操作的过程中，它会记录你的用户习惯，反馈项目进度。外部资源 操作就是可以开启，可以关闭，还可以去查看记忆和删除一些记忆，自定义文档，比如说品牌规范语言的一个规范。 六、高级拓展功能 skills 就是 一个技能分类，可以分为知识型，流程型，工具型，混合型 skills， 它有这些分类知识流程工具，还有混合型安装，手动放置，还有 final skill 的 一个辅助，创建 skill creator 的 一个辅助外部连接工具 m c p 就 ai 与外部服务器的一个转接， c l i 的 话是命令行工具，高效去调用外部的功能。 m c p 是 ai 与外部服务的转接。 m c p 是 什么？ model context pro protocol， 它就是一个 model context protocol 模型的上下文协议，它是 ai 智能体时代的一个行业标准协议，被称为 ai 世界的一个呃， usb c 接口，也就是刚才问的 ai 就是 agent ide 背后最核心的一个技术之称之一。 m c p l cloud 的 子公司 antopik 二十四年一月推出的开源的标准， 它解决了 ai 发展史上一个关键的问题，就让 a 任何的 ai 智能体都能即插即用地去连接外部的工具、数据和服务，而不需要为每个工具去编辑定制的集成代码。解决了什么问题？在 m c p， 它就相当于一个 usb c 的 一个接口， 那就是在诞生之前的话，其面临着 ai 工具，其实面临着呃嗯 n 乘以 n m 的 一个困境， n 个不同的 ai 应用，比如说 cloud， gpt、 酷 sir v s code， n 个不同的外部工具 github 然后就比如说这个 stack a w s。 结果就是需要开发 n 乘以 m 个独立的一个适配器，成本极高，而且难以维护。 m c p， 它通过统一的标准接口把它这个问题简化为 n 加 m。 只要 ai 应用 支持 m c p 的 客户端工具，支持 m c p 服务器，它们就能自动地互相连接，就能自动互相连接。核心的架构与三大功能 m c p 采用客户端服务器的架构， 然后它们为 ai 的 话提供了三类标准化的交互能力。首先第一个是 resource 资源，让 ai 读取外部的数据文件、 数据库 notion 等界面 tools 就 工具能让 ai 去执行操作运行终端的命令，调用 api， 发送邮件等。 some prompts 就是 一个提示，呃，提供预定制的提示词模板，引导 ai 在 特定的场景下更好地工作。与 ai agent ide 的 一个关系，那他就是之前就问这 agent ide 它是一个 mcp 对 吧？传统的 ide 它是只能在有限的上下文中去生成代码，那现在的 agent ide 呢？它 ai 可以 理解整个项目的结构，读取任意的文件，运行终端命令，测试错，测试执行这个测试，修复错误，甚至提交代码和打开 pr。 截止到二六年的五月，所有的一个主流 agent ide 的 话，都能够原生支持 mcp， 而且有庞大的 mcp 的 一个服务器生态的系统几乎覆盖了覆盖了所有的一个开发工具和服务。 c l i 的 话全称是 command line interface 命令行的界面是最古老最核心的计算机的交互方式之一， 一些通过纯输入就输入纯文本的命令来控制计算机来执行任务，没有图形的按钮、菜单和鼠标的操作。在二六年的技术语境下， c l i 的 话，它就是命令行的一个界面，没有被淘汰，反而因为 ai 智能体和 ai ide 的 兴起，成为了最强大的开发工具接口。核心概念对比， c l i 和跟 g u i graphical user interface 图形界面， 图形用户界面是相对的概念。首先这个命令行的界面交互方式就是文本，那这个图形用户界面的话是要点击拖拽图形元素，图形的一个元素 啊，学习曲线的话，陡峭，需要记忆命令，那这个是平缓的，直观易懂，执行速度极快，几乎没有额外的开销，较慢，需要渲染。页面 自动化能力极强，可以脚本化，批量执行，即有。就图形用户界面的话是较弱，难以自动化，远程操控，原声支持带宽的占用极低。 图形用户界面它是依赖远程的，桌面，带宽要求高。简单来说呢， g u g u i 图形界面， 图形用户界面让用新手更容易上手。 c l i 的 话是命令行界面，让专家效率倍增，为什么开发者离不开 c l i？ 首先是极致的效率，熟练后一条命令就能完成 图形界面里面的十几步点击的一个操作。二、可以自动化，可以将多行命令写成脚本，一键执行重复的任务。三、远程控制，可以通过 s s h 在 全球任何地方都控制服务器，这是这个什么图形用户界面没有办法比拟的。 四、资融资源占用低，在服务器、嵌入式设备等资源有限的环境中是唯一的选择。五、工具生态，几乎所有的一个开发工具，服务器的软件， ai 的 一个工具都优先提供这个 c l i 的 一个接口，每天都在接触的 c l i 工具，系统自带的，比如说这个， 嗯， windows 里面 command command power shell， 还有一个是 windows 的 一个 terminal power shell， 这个是很常见的开发必备， get 的 话是版本控制，所有开发者每天都必备的。 然后 python 的 话，包管理器，还有容器管理，集训管理， obsidian 的 一个命令行的启动工具，以及这个 cursor cursor 的 什么？比如说 agent id 的 命令行的接口， 命令的基本结构， c c l i 的 一个命令的基本结构，一条标准的命令，它由三部分构成，命令选项，参数。命令的话就是要操作的名称，比如说 git git 啊，版本控制，对吧？选项，它是以这个开头修改命令的动作，比如说 git clone depth one， 对 吧？然后再就参数是命令执行那个对象，比如说文件的路径， url 名称等势利害，比如说这个 git clone， 还就是一个网站， 命令是这个 git 呃子，命令就 clone， 然后再参数的话是这个网站 c l i 跟 ai 呃 ai 这个 agent id 的 一个关系， 这是最需要了解的一点，也是 c l c l i 在 今天就是一个叫什么命令行工具，对吧？命令行界面，命令行界面在今天爆发的原因，因为 ai 完美决定 去解决了 c l i 的 最大痛点，需要记大量的一个命令和参数。现在你不需要记住这个 get reset hard 这个 had 是 什么意思？只需要告诉 agent i d e。 撤销我上一次的提交，它就会自动生成正确的一个命令行界面的一个短 命令行界面的命令并且操作。而你之前问的这个 m c p 模型的一个上下文的协议跟 ai ide， 本质上它都是通过这个命令行的命令行的工具来跟计算机交互的。 m c p 服务器很多都是通过 c l i 命令暴露这个工具的能力。然后 agent ide 的 核心功能呢，就是自动生成并且执行终端的 c l i 就是 命令行命令行这个界面的一个工具， 它的一个命令，几乎所有的一个 ai 智能体都优优先用这个命令行界面来操控文件系统，就比如说我们要关机，对吧？关机的话你可以在那点点击关机，也可以用这个命令行工具直接打开这命令行工具，然后输入这个什么关机的这个 指令，然后来操作，所以就是 c u i 的 话来操作文件的系统，运行系统和调用服务。 sub agent， 它是一个子 agent， 功能的话就是能够去并行工作，独立的上下文创建的话是自动派生的，还可以是手动的 agent 创作。 hook， hook， 它是一个自动的触发器， hook， 自动触发器，任务提醒、代码检查等条件触发。还有就是一个插件，插插件的话是打包 skills， 还有 m， c， p 等功能， plugin 的 一个就是插件的一个管理， 而且可以打包这些功能插件可以打包这些功能。学习总结的话，核心的阶段上手使用管控优化、个性化，再到一个高级的一个拓展，核心的逻辑就是从一问一答到构建一个 ai 写作的系统。 再来看一下这 cloud code 的 一个使用的全全部的教程。首先基础的一个认知，它是干嘛的，对吧？它它是一个通过干嘛通过。大模型循环，就是相当于说你，嗯，提问你，你给他一个指令，然后他不断地去 啊，就是找到答案了之后又又又又又把这个答案重新去，去到 deepsea 再再去给它循环，这就要大模型循环，是吧？安装基本的一个使用管控的技巧，个性化的去定制，高级的拓展以及学习的一个总结。
94一颗提提
03:01查看AI文稿AI文稿大项目里用 cologold， 先记住四个，反常时只有一个 cologold， md 不 够， sub agent 也别默认拿去改代码。 skill 不是 越多越好，你去年写的规则，今年可能还在拖后腿。 如果你维护的是 monoraptor， 这期讲的不是小技巧，是怎么给 cologold 打 hannahis。 而索比的。这边官方文章讲的是大代码库落地场景，包括百万行 monoraptor 历史很久的老系统，还有几十个仓库拼出来的服务。 它的判断很直接， cloud code 表现不止看模型，模型外面那套 harness 也同样重要。 harness 可以 理解成工作脚手架、项目地图规则、自动检查技能插件 lsp、 mcp 和 sub agent。 先说 cloud make， 很多团队只在 ripper route 放一个大文件，后来越写越像杂物间。大项目更该分层 route， 只写权局地图和关键坑服务目录，再写自己的构建、测试和约定。 clog 从子目录启动时，会沿着目录往上读这些文件，所以局部现场不会丢，全区背景也还在。这也解释了一个反常识操作，在相关子目录启动 clog， 而不是每次都站在 ripper root。 因为 model ripper 不是 一间屋子，是一栋楼， 你让他先走进具体房间，他才知道该看哪条图纸。要让 clog 少迷路，不是为更多权威，而是把入口放到正确现场。第二个点更容易用反， 很多人把 sub agent 当外包小队，直接分配具体修改，官方更看重的是隔离。让只读 sub agent 的 先探索子系统，把发现写成 note 主 agent， 再读 note 改代码， 这样探索时翻出来的日制搜索结果误判路径不会塞满主上下文。第三个点是 skill， 它不是越多越好，也不该把所有专家知识塞进 c a u d e d m d。 skill 的 好处是按需出现， 做代码审计时加载审计流程，改文档时加载文档流程。在 monitor 里还可以把 scale 绑到路径。 支付服务的部署规矩就别在前端目录里占上下文。第四个点是旧规则会过期，你以前写的限制可能是为了照顾旧模型， 比如曾经要求重构一次，只改一个文件可能帮助旧模型稳住节奏，但新模型能处理跨文件斜作后，这条规则就会把它拦住。 osmic 建议三到六个月做一次配置 review。 所以大项目大 harness 顺序不要反，先让 cloud 看懂项目，再给它自动化，再补技能和插件。 lsp、 mcp、 sub agent 都有价值，但它们应该建立在基础现场之上。如果 cloud md 已经臃肿，规则互相打架，再多工具只会让它更快的跑偏。 这期的核心就一句，大项目别裸跑。 code code 先分层写项目现场，再隔离探索上下文，再按需加载 skill， 再定期清理旧规则。模型越强，越需要清楚的跑道。 harness 搭好以后，他才知道哪里可以大胆，哪里该收手。关注我，继续拆 ai 工程里的真实工作流。
311硅基生命贾克斯
02:54查看AI文稿AI文稿六天时间，九十六万行代码， ai 工具 cloud 亲手重写了 bug 软件。二零二六年五月十一日， bug 创始人 jerry sumner 发推文表示，若合并这个 rust 语言重写版即将发布的 v 一 点三十四，就是 zig 语言版 bug 的 最后一个版本。这不只是换编程语言，更是软件工程里离谱又真实的事。 棒的内存泄露，坑惨了 antropic 公司的 ai 工具 cloud code， 于是开发者让 ai 亲手重写了棒。这事起因很尴尬，二零二五年 antropic 收购棒后，棒成了 cloud code 的 核心支撑，它原本主打快启动，仅需三毫秒，但二零二六年三月，全球开发者纷纷吐槽 cloud code 用着用着就因内存不足卡崩。有截图显示，其主程序三小时内内存从一点七级字节长到十四级字节以上，最终查询问题在半的底层，内存管理，于是形成荒诞循环。开发者用 cloud code 写代码， cloud code 因半内存问题卡死。 android pick 让 cloud 用 rust 重写半，相当于 ai 救自己。 九十六万行代码，人类团队可能要数月甚至一年才能完成。 jerry 的 配合 cloud 仅用六天。他们的方法很高效，先让 ai 把这个语言的代码逻辑原封不动，转为 rest， 再 让 ai 盯着报错，解决适配问题，直到程序能正常运行。五月九日，这个 rest 版棒在 linux 系统上已能通过百分之九十九点八的原有测试。这说明 ai 时代代码是 ai 生成的，人类架构师不再是马农，而是给 ai 下指令的人。 jerry 的 写的五百多行迁移指南，就是给 ai 的 核心指令。质疑声也随之而来，重写版有幺三零零零多个不安全代码调用， 而同类 rust 项目 u v 三十五万行代码仅七三处。 jerry 坦然回应，棒须和大量底层代码打交道，绕不开不安全调用。但大家真正关心的是信任感。以前信任软件是信任开发者和严格审核，现在代码从生成到审核全由 ai 完成。这种靠感觉写代码的方式， 真能支撑未来互联网吗？但放弃这个，除了内存问题，还有理念冲突。这个社区排斥 ai， 禁止 ai 生成的代码和评论，而 antropic 是 ai 领域领军者。 jerry 的 发现，自己为这个做的优化不被社区接受，且 rust 的 生态更成熟，更适配 ai， 于是转向 rust 成了必然。 这也标志着选择编程语言的标准变了。以前看性能好不好写，现在看能否适配 ai。 预测未来开源软件可能禁止人类写代码，这话看似疯狂却合理。人类定需求架构和优先级，具体代码提交、调试等全交给 ai， 核心是追求标准和效率，人类写代码风格杂乱，沟通麻烦，而 ai 六天就能完成九十六万行重写，人类速度与之相差甚远。 one 的 大换血，不是这个性能不行，而是开发模式一变。我们正进入代码遍地都是的时代，最值钱的不是写代码的手，而是驾驭 ai、 理清逻辑的大脑。这场六天的壮举，只是 ai 驱动软件重构的开始。
44InfoQ
06:21查看AI文稿AI文稿别人用 ai 效率翻倍，你却天天在帮他擦屁股，这是两种完全不同的用户体验，为什么差距这么大？问题不在于 ai 不 行，而在于你没给他划清楚工作范围，你没告诉他哪些能碰，哪些不能碰，没给他明确的工作流程和质量标准。今天分享一个方法，五层配置体系， 让你的 ai 从天乱王变成神助攻。我今天以 cloud 为例子，其他的 agent 也一样。先看一下整体结构，你的项目根目录下有一个 cloud 文件夹，里面包含五个子目录， cloud md、 hooks、 rules、 commands、 agents。 每一层各司其职，逐一拆解。第一层叫 cloud md， 你 可以理解成给 ai 的 项目说明书，它告诉 ai 三件事，项目怎么跑，哪些是危险区，代码风格是什么， 日制在哪，看出了问题去哪排查？比如拿项目怎么跑为例，当你把新项目丢给 ai 时，你希望他第一时间就知道怎么安装依赖，怎么启动开发服务器，怎么跑测试，而不是每次都问你要命令。这就是为什么你要把这些写进 cloud md， 哪些是危险区。当你让 ai 帮你修 bug 时，你最怕他手滑，改了电 e n v 文件或者生产配置。如果你不提前告诉他哪些不能碰，他真的会碰你， 因为他不知道那里有什么，所以你要把多 nv 文件、生产配置这些标注出来，让 ai 知道那是禁区。接下来是日制在哪看？当你收到一堆报错时，你希望 ai 能自己去看日制，自己排查，而不是每次都在那问日制在哪，或者你常用的日制路径，让他知道出了问题去哪找信息。 有一个关键点，控制在一百行以内，太长， ai 会开始选择性遗忘，它记不住那么多，建议先用以内，它自动生成出稿，然后删减到最精简文档，不再多在于精。 第二层我要介绍 setting stop jason， 这个是全线防火墙，它解决一个核心问题，提示词根本拦不住。你有没有遇到过这种情况，你说不要执行危险命令，它该执行还是执行？ 提示词的约束力太弱， ai 在 解决问题的过程中，会把这些警告全部忘掉，必须用权限硬卡。 settings json 里的 deny 规则是真正生效的防护， ai 读不进去就是读不进去。 下面是一些我经常自己用的权限配置内容，大家可以自己看一下，让我们增加真正的防护，少踩一些重复的坑。配置策略建议三步走，第一步，保守配置权限最小化，宁可少放权，不可超授权。第二步，等项目成熟了，根据需要慢慢放开。 第三步，等你熟练掌握了，可以灵活调整。第三层是 hux， 这是最有意思的一层，它不管能不能做，而是管做完以后会怎样。你有没有过这种经历？ ai 写完代码，你一看格式乱七八糟，缩进有问题，你让它改，它改了，下次写出来又乱了。如果你配了格式化 hook， 每次 ai 写完代码自动触发，代码自动格式化，提交前就已经是规范格式，你再也不用为格式问题操心。 再举一个例子，配了测试 hulk， 每次代码提交前自动跑测试，确保这次修改没有破坏现有功能。如果你配了安全 hulk， 危险命令直接被拦截，根本执行不了。你设置好规则，剩下的交给 hulk 来兜底。这里有个关键细节，必须用 exit 二才能真正拦住。 exact 二和 exit 一 完全不同， exit 二是执行终止命令，被真正拦截。 exit 一 只是报警，但继续执行。很多人配了 hoox， 但从来没真正拦成功过。问题根源就在这，用成了 exit 一。 建议先加三类， hoox， 安全防火墙代码格式化提交前测试，这三类能覆盖百分之八十的踩坑场景。第四层是 command 和 skills， 很多人把它当提示词收藏夹，其实它更适合做团队流程的入口。你有没有过这种经历？ 同事 a 写的代码，你 review 了一遍没发现问题，上线后出 bug 了。同事 b review 另一处也没问题，上线后也出 bug 了。因为每个人的关注点不一样，每个人 review 的 标准不一样。如果你团队有 review， 这个 command 每次代码审查都按固定的检查清单来空止针、边界条件、错误处理，测试覆盖所有人，用同一套标准代码，质量有保证， bug 率明显下降。如果有 fix 这个 command， 它自动帮你拉取相关日制，拉取报错信息，结合上下文给出修复方案，排查效率完全不一样。我在项目上还遇到发版的问题，但是你有 release， 这个 command 按团队模板自动生成发布日制，保证格式一致，内容完整，你只需要检查一下就可以发布。 一个好的 command 的 价值是让团队每个人触发代码审查时， ai 都按相同的入口，相同的关注点，相同的输出预期来工作。建议先沉淀三到五个高频 commands， 别贪多，命令越多，维护成本越高。第五层是 agents， 这是隔离上下文的专家。你有没有过这种经历？让 ai 做代码审查，他在那读了半天文件 grab 了半天，提出了十几个假设，推翻了十个，最后给了你三个建议，结果主上下文被这些中间过程填满了。 等你让他做下一件事时，他已经开始健忘了，因为上下文太长了。代码审查、安全审计这类耗时任务会产生大量中间过程， 读文件 grab 失败。假设临时判断、常日制。这些东西如果都留在主上下文里，会把工作记忆弄脏。 sub agent 的 价值就是把探索过程留在子上下文里。主线程只受到压缩后的结论。你让主线程做决策时，他只看到最终建议， 不被中间过程干扰。建议普通小改动，不用上 agent， 等支线任务真的变重再考虑。如果从零开始配置，建议按五步走，第一步，写一个短的 cloud md， 别超过一百行。第二步，不 有一个保守的 settings， jason 先抵耐高风险动作。第三步，加一两个关键 hooks， 比如 bash 防火墙和提交前测试。第四步，沉淀高频， command skills 三到五个就够。第五步，等支线任务变重了，再加 agents。 说实话，百分之九十五的项目，前三步就够了。 skills 和 agents 是 等真的遇到重复性复杂工作流时才需要的，别为了配置而配置。 cloudy 不是 魔法，而是 ai 工程化落地的第一层地基，五层各司其职。 cloud md， 让 ai 少猜项目规则。 settings detection， 让能力有边界。 hooks， 让关键动作可拦截，可验证。 command skills， 让团队流程可附用 agents， 让支线探索别污染主上下文。真正能长期留下来的不是某一句神奇提示词， 而是项目里沉淀的工程资产规则权限验证流程边界。现在就去配置下一个用它提效的就是你。下期预告 cool 的 到底怎么写才能少犯错？关注我，下期不见不散！
326一二说
04:26查看AI文稿AI文稿如何让 cloud 高效的设计出有质量的需求说明书啊？今天给大家分享一个干货，可以关注和收藏一下。 第一点就是在你写一个说明书的时候，首先你要对这个需求有基本的了解，比如说需求的背景，需求涉及到哪些功能点，有哪些接口，或者说哪些地方需要考虑性能的， 然后有大致的一个呃表明，就有可能会涉及哪些表，可能字段你不需要出，但是你表明要出来，出出来。然后这个写一个小型的一个 microsoft 文件，然后把这个微 microsoft 文件扔给大模型，比如是 kol kolld， 那可乐就会给你出一个出版的需求说明书，然后你寄入这个出版的需求说明书，然后比如说那明显有问题的，前后逻辑有问题的，或者说有些字段设计用于的，或者有些接口设计的不规范的，然后你给他做一个呃修改，让他让他直直接进行修改， 然后来到第二点。第二点就是比如说你基于某一个功能，你说啊某某某功能，你给我以人类的自然语言给我描述一下这个需求的功能点， 他的业务逻辑是什么样子，然后看他说的是不是符不符合你的需求，然后在这个把整个的所有的功能点啊需求功能点再修改一下啊。第三点 这个斜修的地方就来了，因为你让一个大模型给你设计一个模型，它可能呃它有自己的训练的那种范式啊，然后它就会给你出出一定的那个 呃需求说明书，呃和或者是功能点或者一些文字，但这个是可能有偏差的，比如说我用 kol 的 设计，底层用的是 deepsea， 那 你就把这个需求说明书放在，比如说那个 kimi， 大家说我基于这个需求说明书，看看你是否有优化的点，然后他大概率会吐给你呃三到五个点，然后你再根据这三个五点再来一个修复， 修复完了之后，然后就来到第四个点，就是你把这个需求说明书，你说基于这个需求说明书给我写完整的测试案例，并根据这些测试案例对需求说明书进行测试。 然后这个这个点他真的会像我今天做了一个数据说明，他会给我出七十多个案例，并且会把这个七十多个案例全部都跑完，跑完之后他真的会给我出一个 呃，非常符合逻辑的测试啊。举个例子，比如说呃，我给他设计 呃出两个叫板，然后叫板来跑任务，而其中一个叫板说是要把这个呃某一个固定时间延长十分钟，然后再来呃，再来获取一些数据，然后对这个数据进行冲阵。但是呢， 你可能另外一个叫板是当到某一个时间点之后，直接把这个任务给关了，那这个时候他就会有一个时间冲突的一个点，那这个时候这个测试案例就会把它给测出来， 是不是？如果说你写一个文档是不是测不出来？就是你有有些点是忽略掉啊，直接让直接让这个大母熊给你跑一遍这个测试案例，对，你这个需求说明书啊。完成这个四点之后，然后你再把这个需求说明书放到你 准备用呃来编码的大模型里边，比如说我用 clark， clark code 给我设计书需要说明书，然后我用 ctrl 给我编辑代码。那你在放进这个 ctrl 之前， 你也让科索进入科勒科索的培养模式，让他说看一下这个需要说明书有没有什么问题，然后是否符合编码习惯，是否遵循现在的技术站等等这些问题啊，他可能也会有这么一到三点给你优化，而基本上你这个 需求的详细说明书就完成了。那那众所周知的代码已经完成了，就标志着代码已经完成了， 起码百分之九十五的代码已经完成了。然后续你可能呃和，比如说你和其他系统呃连调呀，或者说有一些小 bug 呀，然后你就可以自己不断的来给他迭代迭代修复，基本上代码就完成了。 所以这个就是我给大家分享的如何做一个有质量的需求说明书的一个点，大概这么五点，你觉得有有是否对你有帮助呢？欢迎评论留言。
42飞向蓝天的8鸟
03:45查看AI文稿AI文稿为什么我认为国内普通人使用 cloudco 的 推荐组合方式就是 westco 加 cloudco， 再加 cc switch？ 对 大多数 mac windows 用户来说，这套方案的门槛相对较低，即使不用官方的 cloud 模型，也可以接入合规可用的模型服务。 但我知道，每次一提 cloudco 评论区，一定会有人说，国内连 cloud 都用不上，学这个有什么用？今天我就想认真聊聊这个误区，因为这种想法是把厨师的名气和做菜这件事本身混淆了。 打个比方，模型不管是 cloud， 还是国内的 minimax、 dixie、 g l m、 kimi 这些，它们其实都是厨师。厨师当然有高下之分，米青大厨做出来的红烧肉，味道确实更地道 高扣它是厨房，这里面有灶台，有刀具，有流水线，是真正干活的地方。而 skill 是 它的菜谱，它是告诉厨师先做什么，后做什么，做成怎么样才是合格的。所以讲到这里，关键的问题来了，厨房其实不是绑定某一类厨师的，你想做一道红烧肉，可以请米其林的大厨来做，也可以请国产的厨师来做。 口味可能有点差别，但红烧肉这道菜照样能端上桌。可现在很多人听到请不到米其林大厨，转头就把厨房封了，菜谱也扔了。那最后的结果就是永远只能去餐厅点菜， 也就是在网页上跟 check gpt 聊聊天，问问问题，复制粘贴，拿走答案。而别人已经在家开了私厨，让 ai 自己开火切菜，直到做完为止，端到你的面前。 所以我想说，用不上 cloud 的 官方模型，不是放弃 cloudco 的 理由，模型只是厨师，厨房和菜谱还在，换个厨师照样能开饭，放弃这类 a 准工具可能就会错过了让 ai 在 你确认授权的情况下面去执行具体任务的能力。 那明白了这个道理，我们再来看一下这三个工具。为什么说这是国内普通人用上 cloudco 的 推荐组合方式。第一个就是这个 vsco， 它是你的开放式厨房，你可以理解成这是一个能让你和 ai 一 起站着干活的工作台， 左边能看见所有的食材，你的文件夹中间是切菜台，下面还有个对讲机，也就是你的终端面板。你跟 ai 说一句，开始做菜，它就会在你面前动手，它不是给程序员用的，它就是一个有窗户的能看得见的厨房，比那种黑漆漆的命令行的窗口对新手友好太多了。 第二个就是 coloco， 它就你的专业厨房系统，它是整套方案的核心，聊天 ai 只能告诉你菜怎么做，而 coloco 能自己去做，最后把成品交给你。 这个就是 ai agent 跟聊天机器人最大的区别，一个动嘴，一个动手。那第三个就是 cc switch， 它是你的厨师调度台 clarkco， 这个厨房原本默认只能联系 frotty 官方的厨师，那 cc switch 就是 一个图形化的调度台，你点几下鼠标，它就会让厨房可以接到任意一家国产的模型。今天用智普的 glm， 明天换成 mini max， 它可以让你降低切换配置的麻烦。所以三个工具合在一起的化学反应就是 c c 思维去解决厨师从哪来的问题。 cloudco 提供专业的厨房 vsco， 就是 给你一个看得见的工作台。 那讲到这，把基本的环境和工作都搭建好之后，大家就要掌握对应的 skill， 才能做出各种精美的菜式，也就是让 ai 帮你干活的说明文档。 skill 是 cloudco 最厉害的地方，它本质上就是别人沉淀好的工作流， 把做某件事的完整方法打包好。而更进一步，你完全可以让 colco 帮你写一个属于你自己的 skill。 所以 再回到开头那个问题，为什么我说 vsco 加 colco 再加 cc？ switch 是 国内普通人用上 ai ai 的 推荐组合，因为它把那道门槛踢开了，它不挑系统，不挑模型，第三方的 api 服务、订阅套餐都能接它。不管你是程序员 懂不懂代码，它都可以让你从在网页上面跟 ai 聊天，升级到让 ai 帮你自动处理任务。听到这，不知道你对这些概念是否有了一个更清晰的了解，如果这些内容对你有帮助，欢迎一键三连，我们下期再见！
1.2万小歪学姐(AI版)
05:06查看AI文稿AI文稿大家好，欢迎来到 cloud code 的 使用教程。在这个视频中，我会演示 cloud code 的 核心功能，从零开始创建一个项目，我们开始吧。首先第一步启动 cloud code， 我 们可以在这个输入框里面来输入我们的需求。为了节省时间，我已经提前把 嗯辞要做的这个项目的需求写出来了。来一起看一下。我想制作一个关于团队记账的应用程序， 他会有以下功能，成员管理，项目管理，分类管理，记账管理以及消费统计，还有一些其他的要求。这些 最重要的一句是，这个请向我提问。如果你不向他描述这一句，他可能就直接开始干活了。有可能添加了你不想要的功能，或者说使用了一些你不喜欢的库。这样子，我们现在把它复制， 然后粘贴到命令行里面。如果是你自己手动在命令行里面输入的话，你可以使用 option 加回车来换行。现在我们回车，我打算让它打开 play mode。 在 这个模式下，它是不会直接开始写代码的，它会不断地跟你 确认的需求，最终形成一个详细的完整的计划。这里可能会比较慢过程。为了节省时间，我们就使用纯前端。我需要智能结算。 我们使用 tailwind 一个状态管理。提交我刚才的选择，使用单付款人模式平均分摊状态管理。 这里 cloud code 已经开始编辑它的实现计划了。我们先快进一下 这里，我们看到它已经完成了它的计划，显示它需要请求一些权限。我们选择第一个 bypass permissions， 意思就是说后面它可以自动地去执行命令了。 好了，现在 cloud code 已经开始真正在干活了。 cloud code 它是可以调用我们命令行里面的命令的。比如说我们看到左边的 v i o 的 侧边栏里面已经有 项目初使的架构已经出来了，初使的项目结构已经出来，我在启动可 out code 的 时候给他加的一个参数， 当你开启了这个以后，执行命令行里面的命令的时候，他就不再需要你手动去一个一个的确认了，包括创建文件这些。在 vs code 的 命令行里面的时候，他可能会出现这种乱码的情况啊，你可以在颜色主题里面切换一下主题，回来 他就恢复正常了。我也不知道为什么，我们已经可以看到这里他已经开基本的功能已经开发完成了哈。我们可以大致先看一下， 比如说这是他生成的代码数据账单管理、统计分析、智能结算结算方案，这里有成员管理分类，我们可以新建一个项目来测试一下。 创建了一个出去玩的项目，那我要开始添加账单。比如说我今天花了一千元在交通上面，付款人是张三付的款，消费成员为四个人都消费。人家完成之后， 那这个时候的智能结算里面应该是大家都要给张三转钱，还是很厉害的。回到项目，他现在正在编辑项目文档，感觉真的是很夸张，我们来看一下他是不是把 写到 readme， readme 文件真的是很厉害。现在我想把它生成的代码推送到 github， 还是依旧让 cloud code 帮我完成。我们看到他已经帮我把代码 成功推送到 github 上面来了，感兴趣的话可以来看一下。需要部署到 whatsapp 吗？暂时不需要。这里还有一个点就是说如果你在 cloud code 的 工作的过程中，你不小心退出了中断，那你怎么 进来之后找不到刚才的绘画了，怎么办呢？教大家一个，比如说你不小心从命令行里面退出来了，你找不到刚才的绘画了，那怎么办？我们来重新进入 code 十杠就可以了，这里会显示你之前的绘画，那你目前我们只有一个，那你直接回车 可以了。还有一个点就是大家可以看到我是在命令行里面敲了 cc， 我 就可以进到 cloud code 里面了。其实这一步是怎么做的呢？可以看一下。我在这里加了一个，如果你用过命令行，你应该是可以看懂的，说 相当于是一个便捷命令，而这个参数就是最开始的时候我说的，如果你起用了这个参数的话，它就可以 全自动的去创建文件，去安装依赖，就不需要你一步一步的去手动确认。好了，以上就是本期视频的全部内容了，如果你喜欢，请帮我点个赞吧，谢谢！
165逍遥子（湘西）
04:17查看AI文稿AI文稿今天的目标是手把手教大家在没有魔法、没有 cloud 账号的情况下，如何安装 cloud code， 不 需要任何代码基础。纯小白友好，我从 cloud code 的 内侧就开始用，到现在已经一年多了，每天工作都在用。但我并不是程序员，也没有任何技术背景，所以我想从我的视角做一个系列视频， 结合我实际的工作场景，从安装开始，一步一步带大家上手。先快速回答几个大家在安装前可能有的问题，第一， cloud code 和前段时间很火的小龙虾是一个东西吗？都是顶尖的 ai agent， 但路线不同， 小龙虾走的是广度路线，他活在聊天软件里，覆盖几十个平台，帮你处理跨平台的消息、日常邮件、 qq 了，走的是深度路线，他的规划模式、上下文管理这些设计，都是为了把一件复杂的事从头做到尾。我们在工作中要做的调研分析、小工具、工作流，本质上都是造一个完整的东西， 这是 ko 擅长的。第二，有那么厉害吗？能用来干啥？我是零技术背景的产品经理。举个例子，一份行业调研报告，以前我要花一周，现在跟他说一句话，十分钟出来做一个内部投票工具，以前要找开发排期，现在我自己半小时就做好了。我甚至还自己搭了一套广告物料投放生产的工作流，一天可以做十几组物料图。 第三，没魔法，没 ko 账号，还有必要装吗？市面上大多数 ai 编程产品，本质是 ai 辅助你写代码，前提你得懂代码， code 是 你说目标 ai， 自己从头做到尾，全程不用空代码。对零技术背景的人，这才是真正的用的形态，而且国产扣顶模型这一年做的特别快，接近 qq 里使用，可以满足大部分场景。我用 mac 来演示 windows 的 安装命令，我截图放在视频最后了，大部分步骤是一样的。第一步，装 homebrew， homebrew 是 mac 上的一个软件管理器，可以通过它来安装 qq 的。 打开终端，复制这行命令，粘贴发送。这个时候要输入密码，看到这个提示的时候回车就行。装好之后，这里会提示我们加一个路径，照着他给的命令我们复制粘贴跑一下， 我们可以输入这个命令验证一下。好，这个时候我们可以看到 homebrew 的 版本号了，说明已经安装成功。接下来就是安装 curl code， 同样是复制这一行命令，粘贴到终端里发送。 当我们看到这个 successfully installed， 说明 curl code 已经安装成功了，我们可以复制这一行命令验证一下。 看到最新的版本号是二点一点一四三，说明安装成功。同时我们可以输入 cloud， 当我们看到这个橙色的小螃蟹的时候，就说明已经安装成功，但这个时候还没有接入模型，它只是一个壳，我们可以先退出，连按两下 ctrl 加 c 退出。第三步是安装 cc switch， 我 们把这一行命令复制下来，然后在终端内发送 c c switch 是 一个模型管理工具，装好之后可以一键切换不同的国产模型，不用手动去改配置文件提示 c c switch 已经成功安装了。第四步，拿 api key。 我 今天用的是小米 miimo， 选小米纯粹是我自己用，觉得效果不错，性价比也高。浏览器搜索小米 api， 小米的话，因为我是订阅了它的一个月度套餐，所以 api key 和 base url 都跟 api 这边呢是不一样的。进到 cc switch， 点击右上角的加号，然后选择自定义配置。这里我们需要手动填写相关信息，把小米的 key 填进来，然后把兼容 andropic 接口协议的这一个 base url 复制粘贴过来。 点击获取模型列表，在列表当中选择 mimo v 二点五 pro 默认兜底模型。选择 mimo v 二点五 pro 添加仅用刚刚添加的这个。回到 terminal， 输入 cloud， 可以 选择一个自己喜欢的配色。看到安全提示继续按回车就好。选择使用推荐的设置，确认信任这个文件夹目录。 这里已经出现了 mimo v 二点五 pro 的 模型名，我们尝试对话试试。看到这里，恭喜你在没有魔法且没有 qq 账号的情况下成功安装了 qq， 可以 开始开 coding 了。可以尝试让它做一个小网站试试看。 除了小米， mimo c c switch 里还可以接其他的国产模型， g l m， deepsea， kimi， mini max 都行。配置方式是一样的，在 c c switch 里加一个供应商就行。 qq 很 快就把这个 excel 文件写好了，打开这个看一下效果。 到这里，我们已经成功地用 color code 写了第一个 web coding 的 小应用。 windows 的 同学安装逻辑完全一样，只是命令不同。 第一步用 winget 装 git， 第二步用 winget 装 color code， 第三步到第五步跟 mac 完全一样。装好只是第一步。下一期我会讲安装后的必要设置，不同的模式以及 skill 体系。大家有什么想要了解的，也欢迎评论区留言。这是 color code 从零到实战系列的第一期，如果你觉得这个视频有用的话，可以给我一个一线三连催更，我们下期见。
5895嗨妮好
03:49查看AI文稿AI文稿今天给所有想入门 cloud code 的 小白推荐一套组合，它就是 v s code 加 cloud code 插件加 deepsafe vs pro。 我 有三个理由。首先第一点是它的安装简单，不用繁琐的配置环境、操作命令， 直接在 v s code 中安装 cloud code 插件就可以了，两分钟就可以搞定。我们打开 v s code， 在 左侧的应用商店搜索 cloud code， 选择第一个 osmotic 官方发布的 cloud code 插件，点击安装，右上角出现 cloud code 的 图标，就代表安装成功了。第二个理由是在 vs code 里边的操作比较方便，你不用记那么多命令行， 可以直接通过界面点击的方式切换新的对话，查看对话历史上传文件，添加上下文切换命令， 而且对话窗口看起来比终端更友好一些。终端里边实现不了的换行啊，移动光标啊在这里面都可以实现。那另外呢，在左边你可以清晰的看到文件的目录，随时可以查看和修改里面的内容。 markdown 格式的文件，如果你看着比较费劲的话，可以点击右上角的预览， 那这样看起来是不是舒服多了？那第三个理由是 deepsea v 四 pro 的 性价比是比较高的，它支持百万的上下文 talkin， 性能还不错，最关键的是百万 talkin 现在仅需要六块钱，相当于是 cloud opera 四点七的二十八分之一啊，那适合小白练手，用起来也不心疼。 那我是充了二十块钱啊，高强度用了一个周是没有问题的。那具体应该怎么去接 deepsea switch， 打开它的官网，点击下载，进入到 github， 往下找到资源，选择到适合自己电脑的安装包安装完了以后呢，我们去打开 c c switch， 添加供应商，选择 deepsea。 我 们继续往下看啊，这里会看到 api k 和模型， 我们去 deepsafe 的 开放平台充值一定的 token， 创建 api key， 然后复制我们刚刚创建的 api key， 回到 c c switch 里边，把它粘贴回去。在模型配置这儿啊，主力模型我们就用 deepsafe v 四 pro 清亮模型，用 deepsafe v 四 flash， 然后启动这个供应商，在通用设置这儿打开启动 cloud code 插件的开关儿，这样 c c switch 里边就可以正常地对话了。 那如果你要切换模型啊，点击这个斜盖，选择 switch model 就 可以了。这里能切换的模型啊，就是刚刚我们在 c c switch 中所起用的供应商的模型，也就是我们选的 deepsea。 那 如果你要用其他供应商的模型啊，就在在 c c switch 中切换供应商，那到这啊， cloud code 的 百分之九十五的功能你基本上就可以用了。那如果你还是想在中单装 cloud code 解锁，那百分之五你直接和他说就行了。给我装终端版的 cloud code， 插件版的 cloud code 呢，就会自己去上网找安装教程，然后自己动手帮你安装。什么配置环境啊， get 安装啊，都不需要你去操作了，你只需要去确认就行了。那这期间你遇到的任何报错、操作、下载的问题啊，你都可以让 cloud code 想办法给你去解决，你直接下命令就行了， 你就可以把它当成一个高级的程序员，他不光懂，而且还能够帮你去做执行。那很多人会好奇 vs code 中的 cloud code 和终端里的 cloud code 有 什么关系吗？那首先啊，它们其实是两个不同的安装包，但是呢，共享一套配置文件 接入的模型啊，安装的 skill， 对 话，历史记忆， cloud md 这些都是用的是一套。那另外在 vs code 中啊，也是可以唤起 cloud code 的 终端的，我们点击右上角这个图标，把终端调出来， 然后输入 crowd 回车执行就可以。那这样两个都可以在 vs code 中去用。如果你不是很习惯 vs code 的 英文界面，你可以在应用商店里面搜一个中文简体， 找到这个插件，然后安装以后呢，这个界面就变成中文了。好了，今天的视频就到这里，如果视频对你有帮助，别忘了点赞关注，我们下期见。
441慢炖AI
02:10查看AI文稿AI文稿如果你的 cloud 用不了，可以接入 deep sync。 v 四，用很低的预算解锁一百万上下文，加 max 思考等级。第一步，安装 c c switch c c switch 是 一个开源工具，专门解决 cloud code 切换模型的问题，一键将供应商导入应用， 一键在不同的供应商之间进行切换，内置五十家供应商预设软件可以进粉丝群获取。第二步，买 deepsea 的 a p i 并配置。打开 deepsea 官网，进 a p i 开放平台，网页版聊天是免费的， 但调 a p i 必须先充值。他们目前没有按约定约那种 token plan， 纯粹用多少花多少，对个人用户其实更友好。 v 四 pro 现在打二点五折， 每百万头肯缓存，命中输入零点零二五元，未命中三元，输出六元，这个价格到五月三十一号截止。点充值，选金额和支付方式，建议先小额试一笔，用完再补 付款完进左边 api keys 点创建，随便起个名字，把生成的密钥复制下来。注意，这个密钥只在创建那一刻能看到， 关掉就再也看不见了，丢了只能重建。打开 c c switch， 点 cloud 图标，添加预设供应商，选 deepsafe， 把刚才的 key 填进去，默认模型写 deepsafe vs pro， 然后添加后缀，这个后缀是官方公告里指定的，加了才会起用。一百万上下文 填完点添加，列表里就会多出 deep seek 这一项点测试按钮，验证 api 是 否可用。最后点起用 cloud code 就 可以正常用了。打开 vs code， 输入 model， 启动的就是 v 四 pro， 加一百万上下文，输 context， 验证一下，确实是一百万 tokens， 默默认思考等级是 medium， 敲 effort 加空格会列出所有可选档位，填 max 车就拉到最高 切模型用 model 社会列出来。 opus 和 sonnet 都映射到 v 四 pro haiku 是 v 四。 flash 上下键选中回车确认切到 flash 之后再敲 contacts 能看到上下纹变成二百 k。
6505吉米AI工作流
00:30查看AI文稿AI文稿这个 cloud 我 用着用着突然间它就不好使了， a p a 上一秒还好使呢，突然间它就四点零了， a p a 显示不对，说是这个用户名没有， 然后后来我发现我连续半天得有一个多小时，现在我发现在后面给它加上一个这个代码，这个代码啊， u i d i d， 然后给这个后面随便建一个用户名，然后把它创建在这个这次文件上，然后这就好使了啊？然后是我后来是发你好，后来才出，你看我今天是突然间这个问题，你们应该有没有这个毛病。
327华耀技术
03:13查看AI文稿AI文稿装了 cloud 桌面端，但又用不起来，我猜你们八成是卡在这几个问题上的。今天一条视频我给你们讲的明明白白， 建议点赞关注加收藏，防止以后找不到哦！大家好，我是 win 好。 问题一，搜外部网址的时候直接报错，提示无法访问，这是为什么？这是最常见的问题，原因是 cloud 桌面端默认所指的外部网址的访问。 解决这个问题很简单，点击 developer， 点击 configure free party inference 侧边栏点击 sandbox and workspace， 然后找到 allow egress hose， 点击 allow all 保存重启，再进入对话框，然后你就发现可以访问外部的网址了。问题二，上传图片的时候 a i 完全读不 懂，这不是靠的桌面端的问题，是你用的模型不支持多模态，你得换一个能读的懂图的模型，国产模型里面通一千万字谱，还有 kimi 这几个都是支持识图的 deepseek 的 v 四，它的多模态已经在飞度测试了，相信在不久的将来可以用上。问题三， skills 到底怎么在 co work 上面用 skills， 你 们可以理解成为 ai 的 快捷指令，把你常用的提示词、流程打包成模板，然后一键调用，不用每次都重新写。那么在桌面端怎么使用 skill 呢？很简单，第一步， 添加 skill， 点击对挂框旁边的加号，选择 manager skills， 进入 skill 的 管理页，然后点击页面里的加号，选择 create skill， 然后点击 upload a skill， 把你从 skill 网站上下载好的压缩包拖进来， 它就会添加成功。第二步，使用 skill， 回到对话框，直接输入一个斜杠，会弹出你装好的 skill 列表，选中你要用的那个 skill， 再补上具体的提示词发送就可以使用了。第三步，删除 skill 还是进到 manage skill 的 页面，找到要删除的那个 skill， 点击右上角的那三个点，然后选中 uninstall， 就 可以卸 载干净了。这就是 skill 的 具体使用过程。问题是 cooke 模式和 co 的是开发模式， co work 默认跑在沙箱里面， skills 和 co 模式是隔离的，不会改坏你的电脑，写文档，做表格，处理图片这些小活 直接用 co work 来做。 co 的 模式直接跑在本地权限大，写代码，跑指令，提 gift， 相当于是 call co c i i 的 格式化操作台和 c i i 都是共用一套 skills 和配置的。办公选 co work， 写代码选 co 的 问题五，开了开发者模式，怎么退回正常登录模式呢？ 如果你之前为了接第三方 a p i 开的开发者模式，现在想切回 entropic 的 账号登录，点击 app 左下角，然后点击 sign out， 等待 app 重启，重启后点击 sign into entropic， 就 可以切到账号登录了。点击 continue with gateway， 就 可以回到选择 gateway 和登录的页面。问题六，想同时配置不同厂商的模型怎么办？还是进入到我们的 configue free party inference， 点击 new configuration 命名之后还是和之前同样的操作。当你把这些问题都搞懂之后，靠的桌面端用起来就会丝滑 无比。想用 ai 提效，但又受不了靠的和 gpt 太贵，那几十块的国产大模型加靠的桌面端就是你最好的选 择，直接让你的办公效率翻倍。不会接靠的桌面端的话，可以翻我上一期的视频，后面我还会持续更新更多靠的桌面端的教程，关注我，不要错过。
4976Winhao学AI