claude配置自动执行
你是不是也遇到过这种情况，想让 ai 帮你查个网页上的信息，他跟你说我无法访问互联网，你想让他帮你填个表单，点个按钮，截个图，他说我只能生成代码，不能执行操作。这就很尴尬了， ai 明明那么聪明，但他没有手，碰不到真实的网页。 那如果我告诉你现在有一双手可以给 ai 装上呢？今天聊的这个工具叫 agent browser， versel labs 开源的， github 上快三万颗星了，用 rust 写的，专为 ai agent 设计它干嘛的一句话，让 cloud code 能真正打开网页，看到网页，操控网页。 装完之后，你跟 cloud code 说帮我去 google 搜个东西，然后截图，它就真的去做了。不是生成代码让你自己跑，是它自己打开浏览器，输入关键词，点搜索、截图，全程自动。 怎么做到的？核心就三步，第一步， open， 打开目标网页。第二步， snapshot i 拍个快照，但不是截图，是把页面上所有能交互的元素按钮、输入框、链接列成一个结构化列表，每个元素配一个唯一的 ref 编号。 第三步，你想点哪个按钮，就直接 click at。 八、想填哪个输入框，就 fill at。 五、关键词。你发现重点了吗？ ai 不 需要看屏幕猜坐标，它拿到的是一个精确的元素地图，每个按钮都有编号，这不比拿鼠标比划强多了？ 你想想以前的浏览器自动化工具，要么让你写脚本定位 css 选择器，要么靠像素坐标点击，换个分辨率就崩了。 agent browser 的 思路完全不一样，它给 ai 一 双能看懂网页的眼睛，那装起来麻烦吗？两条命令就搞定，先 npm install 杠 g agent browser， 再 agent browser install 第二条会自动下载一个 chrome 内核，大概一分钟， 然后再跑一条 npx skills， 阿德，把它注册成 cloud code 的 一个 skill， 装完之后你打开 cloud code 的 一个 skill， 装完之后你打开 cloud code 说一句话就行了。帮我去 google 搜索 cloud code agent browser tutorial， 然后截图保存， ai 就 会自动打开 google 拍快照，找到搜索框的 riff， 输入关键词，点搜索等页面，加载截图。全程你只发了一条指令，从帮我搜个东西到拿到截图，你只需要说一句话。当然，它不只是能搜 google， 你 可以让它用你本地的 chrome 登录状态操作，避免重复登录。你甚至可以批量执行一连串操作。 这才是 ai agent 该有的样子，不是只会聊天，是真的能帮你干活。装一个试试，五分钟的事，你会发现 ai 的 边界又往外扩了一圈。我是老七，下期见。
粉丝298获赞3699
相关视频
00:51查看AI文稿AI文稿大家好，今天教大家如何使用 cloud code 进行 e s p 的 自动化配置。首先我们需要按照指导书要求把拓扑图搭建完成，然后保存到文件家，用 c c 去读取到文件夹中的拓扑图以及我们需要让它配置的要求， 然后他就会去把设备的端口给记住，并且开始配置。这里我们可以看到他已经在设备的命令行开始了内容配置，我们快进一下，等他配置完成。在这过程中出现了一点小问题，就是 c c 在 接口上没有很明确，导致配置错了接口还是需要人为纠正一下。 最后我们进行测试，发现 p c e 去聘其他主机均能聘通，表示实现了跨危乱进行通信。最后如果你也需要使用 n s p 的， 可以评论区留言交流，并且后续我会更新 c c 更多的使用方法。
106南卡米
03:05查看AI文稿AI文稿大家好，今天我们来玩 jam 四加 cloud code， 内容包括下载运行 jam 四，接入 cloud code 编程能力测试。接下来简单讲一下安装和接入。通过欧拉玛瑙 jam 四就能够下载模型， 需要注意的是需要加上模型的具体大小，比如说下载三十一币就是欧拉玛瑙 jamma 四冒号三十一币，等待几分钟模型就能运行。欧拉玛连接 cloud code 也很简单， 用 cc switch 点击右上角，选择自定义配置请求地址，当中填 local host 和端口号，幺幺四三四保存就可以了。 终端输入欧拉玛 launch cloud model jam 四三十一币。 这样来看一下，现在的内存压力是很小的。执行指令登录说一句话，我们内存一下子就上来了，这样子呢，就说明我们的 cloud code 已经在调用 jam 模型了。 要测试的场景是让接入了 jam 四的 cloud code 复刻我们的官网，想让它变成苹果官网的风格， 先到 get design， 点 md 里面找到它的设计风格，进入到前端重构目录下 执行指令。这条指令是安装一个 md 文档，让 cloud code 知道如何模仿苹果的官网设计 design， 点 md 好， 现在已经可以了，命令也很简单，请你使用 next nex 的 gs 复刻我们的官网，参考 design， 点 md 中苹果的设计风格，我们就持续等待吧， 它已经运行了半个小时，还在 plan model， 还在思考该怎么办，我们继续等待吧，现在已经持续运行了快一个小时，代码也编已完成， 打开看一下，启动的时候报错了，让它修复一下，现在来对比一下。 左边是重构之前的效果，右边是重构之后的效果，可以看到右边还是很贴近苹果网站的风格，今天做这个测试主要是想看本地模型在 agent 的 场景下是否能够使用， 相比之前的本地模型只能够聊天，现在已经可以支持一些 agent 的 操作工具调用，基本可以长时间的运行任务，相信再过半年本地模型也能够达到生产的效果。大家有什么想测的可以告诉我， 今天先到这里，谢谢大家。
45深圳AI应用开发
00:28查看AI文稿AI文稿兄弟们，这个开源项目太顶了，开源才几天就在 github 上拿到了十万 star， 这是一个完整的 cloud cool 的 配置合集， agent skill、 快 捷指令规则， m c p 配置等等都包含。安装方式非常灵活，可以一键安装，也可以手动复制需要的组建， 还贴心的把所有的脚本用 note 重写了，全面支持 windows max o s， 并且所有的教程和安装步骤全部都开源给你学习。凭借这个开源项目，这个作者赢得了黑客松的冠军，足以证明这个开源项目的含金量。
1245成也2077
02:17查看AI文稿AI文稿首先呢，我们进入这个 cloud 的 官方网站 cloud 点 com， 然后找到这个 windows 系统的这个下载文件，就是桌面端，我们点击下载， ok， 我 们下载完毕，我们就直接安装 文件，一共大小是两百三十兆左右，耐心等待一下啊。 好，安装完毕了，我们打开开始菜单，找到这个 cloud 的 快捷方式，点击打开， 然后进入这个 cloud for windows 的 这个软件界面以后点击左上角的三横横杠，然后点击后尾帮助，然后选择 drop show button， 然后再选择。 然后呢我们再次进入这个菜单，选择 developer， 就是 开发者的意思，然后选择配置第三方的接口， 然后出现一个新的菜单，然后我们在下面就是网关下面可以看到，呃，你使用的新的第三方大模型的 base url 地址和这个 api， 我 们举个例子，我们填入那个 delete， 那 你要提前准备好啊，然后这里要填入这个 base url 地址， 还有这个 api， 然后这个 er， 这个宾馆，这个相对代理的意思。 好，我们填完以后直接点击提交， 然后现在试一下输入，看能不能使用，比方说我们输入你是谁， ok， 现在看这个状态基本上应该是 ok 的， 没有问题，你看下面就是 flash 和 pro 两个模型，你看现在就出现了，我是 glada 的， 但是实际上我们用的是 gasket 模型。 其他的这些部分菜单的话也非常简单，就是新建任务啊，项目啊，定时器啊，自定义啊，这个是你的日常记录啊，这是你的空间，空间，这是上下文。
872辉哥AI
04:05查看AI文稿AI文稿cloudmed 写得再细， cloud 还是会忘事。这事你肯定遇到过， astropica 官方文档也说了，规则明明白白写在那儿，模型也读了，但执行到某一步，它就是绕过去了。 这一期我想跟你聊清楚为什么以及怎么解决。先说一句，这是一个系列，前两期讲了 cloudmed 怎么写 cloud 目录，下五层配置都干嘛用。 从这一期开始，我们其实在做一件更大的事，把 cloud code 这套东西搭成一条你可以每天照着走的工作流。今天讲的是这条工作流里最容易被低估的一层， hooks ansorepic 自己其实在官方文档里把这层关系写得很清楚，它们把 cloud code 的 能力分成了四层，如果 cloud 每次都该知道的是放 cloud mate， 如果有时需要放 skill 或者 rules， 如果必须每次都发生，放 hulk 也是本期视频重点讲的。 如果某类能力根本不该碰，直接用 permissions 收回来。这四层最容易被混着用的就是第三层， hook。 这一层很多人压根不知道它存在或者知道，但没意识到它解决的是个完全不一样的问题。 那 hook 到底是啥？先问你一句话，你是不是遇到 clod 不 听话的情况？那可不是你的提示词有问题，提示词是软约束，而 hook 是 百分之一百执行。告诉我，你的 clod 是 经常不听话吗？我前阵子让 clod 帮我清个临时目录， 他自己拼了个 r m r f 出来，因为之前在项目目录下已经手动确认跳过这个执行权限，所以自动执行了。还好那是个测试目录。 一句话讲明白 hook 是 什么，它是 code， code 在 自己生命周期的关键节点上让你挂一段强制脚本的入口，用户提交 prompt 之前工具调用之前，工具调用之后，对话结束等等。官方文档列了三十多个事件，但实际上你只要先记住两个就够用。最常用的是 pre to use 和 post to use， 一个在工具跑之前拦，一个在工具跑完之后接先把前面两个用熟，剩下的什么时候要用什么时候再加。这个视频我也是通过 cloud 制作出来的，后面把知识点讲完，会以这个工作流为例讲解。好了，我先分享下我常使用的三个场景， 你看完之后可以直接抄如何使用。第一个 post two news 配自动格式化 cloud， 每次 edit 或者 write 把格式化掉， 配置就六行 json 中 match 写 edit， write 配置命令中写 pretty write 加文件路径，从此你 cloud md 里就不用再写记得格式化这种话了，它一定会发生。这就是 hock 跟提示词的本质区别， 提示词是约定， hook 是 强制。第二个就是我之前提到的，没有让我确认，就执行了 r m r f 操作。在那之后，我加了一个 hook， 在 配置中加上了这个命令的 hook 匹配上就掉一个脚本，脚本里再判断一次完整命令，遇到 r m r f 直接 exit 二，退出码二，这个细节非常关键，我在之前的视频讲过这个，不知道的小伙伴可以翻翻。第三个最舒服， stop 事件配桌面通知我经常让 cloud 跑一个比较慢的任务，自己切去干别的，回来发现他早就停在那等我了。配上 stop hook 之后，他一收尾，桌面直接弹出来消息，我直接确认就好，不用我主动去查看。但我得说一个反话， hooks 不是 越多越好。这事挺微妙，如果某件事不是每次都该发生，硬塞进 hook 反而会变成新的污染源。 它适合勾住那些确定性的，每次都得做的不需要思考的动作。判断要不要思考的标准很简单，你能不能用一个 shell 脚本写完这段逻辑且永远不变，能就上 hook， 不 能就别用。回到开头那个反差点， cloud md 写得再认真也只是契约 期约靠双方履约，你方履约了， cloud 这边偶尔走神一个判断标准，你可以直接拿走。如果你 cloud md 里某条规则，你发现自己会反复去强调这件事，就该下承到 hook 提醒是可跳过的，而 hook 是 应约束。这一期就到这下一期。讲一个更反直觉的东西， sub agent 下期讲怎么判断什么任务该开， sabotage 怎么开，开几个合适。如果对这一期感兴趣，可以点个赞或者收藏，方便回头来抄那几个 hulk 配置回头见，制作不易，觉得文章对你有用，请一键三连。
2753一二说
02:49查看AI文稿AI文稿使用 c c switch 进行 cloudbox 的 使用，好多朋友不会用啊，这个 c c switch 大家入悉一下，首先在这个网站里面搜索一下这个 c c switch， 把 c c switch 下载下来，对应的安装包在这里面点 windows 这个 msi 就 可以了，安装下一步就可以， 我现在是安装完的之后的效果，第一次进入是这样，要进入这个 c c switch 的 设置，在设置里面呢，如果你没有安装 cloudbox 呢？你要把这个 应用这个插件可以点，把这个跳过，初次安装这个一定要点开，这个非常有用，好多朋友因为他没有格式的账号，所以每次要登录时候需要登录账号，这个跳过了，只用咱们国内的 ai 就 可以了。 到这里面这里面，比如说像我的这个，我其实用的 dipstick 和这个 gim， 还有 mini max 它其实国外这个我也没有使用啊，太贵了，大家可以直接点加号加号，比如说你要有一下，比如说你用小米的这个 mini 吧，小米这个 mini 呢？你去把这个 key 添加这里面把，这个一般都不会用。改啊，如果你是 tiktok 的 话，你要去搜索一下 tiktok， 在这里面补充一下，有的朋友使用的是 tokenplay 或者是 codingplay， 这里以小米为例，他的 tokenplay 或者 codingplay 里面的兼容协议是这个名称，但是 c c switch 这个作者呢？他说他自己忘写了，他写的是这个，这个是错误的啊。大家一定要把这个 play 复制一下，复制之后把这个放到这里改一下， 改下之后再把你的 api 复制里面，这才是对的。之前有朋友是写错了，他默认是有问题的，这个一定要看一下，把你的模型需要用的模型改一下，一般都是小写啊，很少有大写的。这个大家自己添一下，点击添加就过来了。 过来之后呢，想像我这样的点试这个余额，这个余额比如说你看我这个 deepsea 的 余额，呃，使用用量查询，官方把这个设为零， 你刷新一下，像我这个还剩二百七十块钱。智普的这个呢？它是我 tiktok plan 吗？我是用 tiktok plan 就 不一样，这个也是在这地方配置前用量查询就可以了，其他的注意的事项没有，因为其他我也没怎么用啊。 注意一下小龙虾，这个好像有点有一点点问题，我不建议小龙虾和爱马仕在这个 cc switch 里配置可能有这两个不太建议在这里面配置，就这个 clod， 再用这个配置就可以了，其他的不要配置 这个 skill。 点击这个像扳手一样的图标，点击之后呢，你就可以直接在这里面去安装 skill， 非常方便啊。比如说你想找一个 skill， 那 点击这个发行技能啊，要保持你的网络通畅啊，你的网络要好， 这里面才能显示你想要安装的 skill。 这个 skill 是 这样，它这个 skill 里面有个 top 上总结上的，在仓库，但是有一些特殊的，比如说我安装的我安装的 canvas 赛，这个 canvas 赛其实没有，你就要去他的网站上，他教你怎么去安装，你就搜索安装，按照他的方法就可以了， 其他的大部分都能搜到，如果搜不到的，很可能他改了名了。这个不要着急，你就去那个 github 上去搜索一下，是这样，你也可以从这个 ip 上去安装导入已有。都可以啊，发现技能就可以直接点击安装，这就安装出来了。这个比较方便，我建议新手小白直接在这里面去找能下载的就可以。
942爱玩的极客
01:51查看AI文稿AI文稿谁懂啊，家人们真的会被气笑，把任务丢给 club， 看着他秒回开始执行，瞬间放心了， 美滋滋去刷短视频，想着回来就能收成果，结果十分钟后一看，人直接傻了， club 纹丝不动，见面就一行字，请确认是否执行该操作，你不在，他就一直等，一步都不往下走。说好的全自动干活，半路直接卡成人肉审批。 但这个问题其实不是 cloud 不 行。恰恰相反，它是太守规矩了。默认情况下，针对改文件、执行命令、安装依赖等关键操作，它都会自动暂停并向你确认，只有你授权通过，它才会继续执行。 那怎么办？核心就一句话，把每一步都要授权变成提前一次性授权。做法很简单，在项目里加一个 permissions 配置， 这个配置的作用就一句话，提前告诉 cloud， 哪些操作你可以直接做，不用再问我。比如全量文件读写全并精准解锁， pmpm 和 no 的 命令 都可以一次性放开。你可以理解成给他发了一张通行证，常规操作直接放行，不用层层审批。配完之后会发生什么？以前是走一步问一句卡一步，现在是接到任务直接从头跑到尾，一路直行，中间不会再突然停下来等你点确认。 刷完视频回来，看到的不再是请确认操作，而是已执行完成。问题的本质其实很简单，你之前用的是一个需要时刻盯着的 cloud， 只要提前配置好 settings local json 文件中的 permission 属性，它就能变成一个能独立干完所有工作的高效助手。关注我，持续获取实用技巧，让你的开发更高效！
2699AiAppWorks
01:20查看AI文稿AI文稿用 cloud code 做开发的人，应该都有一个特别烦的痛点，每次关掉会话，重新打开窗口，都要反反复复介绍一遍项目架构，用的什么技术栈、代码、命名规范，还有自己的开发习惯，一遍又一遍重复交代，既浪费时间，还特别影响开发效率。其实根本没必要这么麻烦， cloud code 自带一个超强隐藏功能，项目记忆 cloud md， 而且重点是不用你手动建文件，不用自己手写配置，你只需要直接跟他口述指令，把我这个项目的技术栈、目录、规范、代码风格、开发习惯全部写入项目记忆，它就会自动在项目根目录生成并更新 cloud md 专属记忆档案， 全程不用你动手写一个字， ai 全自动帮你整理存档，里面会自动记录好项目整体架构、所用技术栈、文件夹、命名规则、 代码、书写风格、注视习惯，还有你平时的开发要求，也都会记录进去。只要设置一次，永久生效，以后不管新开多少次绘画换多少个窗口， cloud code 都会自动读取这份项目记忆。不用你再重复介绍任何背景信息， 它会完全按照你的编码习惯、你的项目规则去写代码、改 bug、 做功能、重构，写出来的风格跟你完全契合，不用反复磨合。 新手也可以直接输入斜杠命令 init， 一 键自动生成标准 cloud md 模板，稍微微调一下就能直接用。学会用好项目记忆， cloud md 彻底告别重复交代项目的麻烦，让 cloud code 越用越懂你，开发效率直接拉满！关注我，带你了解更多 ai 知识！
00:35查看AI文稿AI文稿四个月 github 干到十九万星 and rapid 黑客松的获奖者，打造了 clark code 生态第一神级开源项目，自带三十八个 agent， 一 百五十六个技能，七十二个快捷指令，甚至内置了能扫描一千两百八十二项测试的安全防御塔。首先，他解决了 ai 最头疼的失忆症， 系统会自动保存上下文代码风格，项目结构，下次接着干。等于 ai 第一次拥有了长期工作记忆，而且它会自己学习你写过的架构，修过的 bug， 它会自动沉淀成 skill， 下次直接复用，越用越像你的数字分身工程师，所有能力从技能记忆并形化到此智能体编排全部本地部署，一次集成。
3836阿博粒
03:07查看AI文稿AI文稿相信很多人在使用 cloud code 的 时候都有过这样一个困扰，你让 cloud code 读写文件这些命令网络请求的时候，他都要问你是否允许。今天亮哥教你一个方法，完全跳过这一步。今天这期视频亮哥教你们在使用 cloud code 的 过程中， 灵活运用三种权限模式，它的模式显示在这个终端的左下角，这个位置按 shift 加 tab 切换。大家可以看到这里面有四种模式，我一一给你们讲解一下。计划模式，它就是不直接执行任何操作， 先制作详细的执行计划，等待你确认后才执行，适合需要仔细审核的操作。接下来就是第二种模式， 智能模式。智能模式的话就是在你安装好克拉的扣的时候，它默认进入的一种模式，自主判断需要确认还是直接执行，根据风险等级来自动决策，它适合大多数的日常使用场景。还有一个就是自动编辑模式， 他在修改文件的时候是不请求的，只有在运行命令的时候需要你确认。今天亮哥就重点给你们讲一下这个特殊模式，安全访访问的模式。在视频的开头， 亮哥聊到了你们的一个痛点，就是你在用卡拉拉扣的帮你执行任务，或者说是多写文件的时候，他时不时过个两三分钟就弹出来一个窗口， 需要你确认，需要你允许。像我们大多数人都是希望 cloud code 我 交给他一个任务之后，他自动去完成这个任务， 不用老是来问我允许还是禁止，所以说我们怎么用到这种模式呢？你在启动 cloud code 的 时候运行这一行， mini cloud endlessly skip permissions， 这什么意思呢？ danger， 大家知道是危险的意思。 escape permissions， 它的意思是跳过所有的权限，具体就是说，读写文件、执行命令、网络请求等操作的时候， 不会再问你是否允许一路执行一路绿灯。当你在启动 cloud code 的 时候，输入这一行命令，就代表你已经开启了这种模式。 你看，我演示给大家看啊， shift 加 tab 就 切换到这种模式了，它是以红色的字体显示的，这句话的意思就是安全访问。好的， 今天的视频亮哥就讲到这里，关注亮哥，每天跟你分享一个干货内容，大家有什么不懂的可以在评论区留言，我看到了都会一一回复。需要这行命令也可以在评论区里面 按。 snapchat 公司做过统计，百分之九十三的人都是让 cloud code 直接执行命令跳过的，让我们去审核 cloud code 的 修改，所以说大家可以放心地使用这个模式。
263亮哥·AI实战![[补档]自动化不是终点 自动化不是终点：如何构建以 Agent 为核心的“意图驱动”投放中台？（有人私信说为啥不发上一期）#claude #agent #openclaw #mcp #增长知识](https://p3-pc-sign.douyinpic.com/tos-cn-p-0015/okQTUobwd8AUBIsOCKvAaVOmPiIONiDIWTBGz~tplv-dy-resize-origshort-autoq-75:330.jpeg?lk3s=138a59ce&x-expires=2098742400&x-signature=3rCaRwuj34XaMdGbXTEiwJYa6XA%3D&from=327834062&s=PackSourceEnum_AWEME_DETAIL&se=false&sc=cover&biz_tag=pcweb_cover&l=20260707083808BDD8AE3E4E5262CD6772)
09:46查看AI文稿AI文稿大家好，今天我们来聊聊一个核心话题，自动化不是终点。我从二十一年开始做投放自动化，经历过完整的建设周期，这篇文章是踩过坑后的复盘。核心问题只有一个，投放自动化的尽头在哪里？我的答案是， agent 不是 用来替代自动化，而是用来处理自动化做不了的事。 第一章我们来看看自动化的三大局限。首先是审美断层、批量合成、效果差强人异。最后是上下文缺失，无法处理、模糊判断。 这三大问题构成了自动化系统的逻辑僵化困境。投放侧的自动化理想状态讲的是从素材生产到广告创编，再到效果追踪的全链路自动化。这里面每个 part 面对的问题都相当复杂。 过去我们尝试尽可能去堆积一座完美的堡垒，但随着业务深入，我发现过度自动化的陷阱正变得越来越明显。这种重度研发、缓慢交付的模式在日新月异的投放战场上已经显得力不从心。 第一个陷阱是素材生产的审美断层。自动化可以实现批量合成，但所谓混剪的效果总是差强人意，不管是 aigc 还是多模态，内容理解，在当前阶段已经成为了成本黑洞。 第二个陷阱是广告创编的逻辑爆炸。当我们适配了多套投放逻辑，多个业务线底层的代码逻辑已经膨胀到了难以维护，代码门槛极高的程度。 第三个陷阱是效果追踪的上下文缺失。自动化只能做到看到 a 触发 b， 但他无法处理因为大盘竞争激烈导致的瞬时 roi 波动这种需要模糊判断的场景。 所以自动化系统的瓶颈不在于功能的多寡，而在于逻辑的僵化。我们投入了大量的研发资源，却只是在用代码去死磕那些瞬息万变的业务 sop。 第二章从硬编码到解偶执行，我曾经寄希望于规则引擎来解决无止境的适配，但最终发现规则引擎有两个深坑，配置成本的自身灾害和飞镖场景的逻辑踏梭。 这一刻，我意识到我们应该寻找一种解偶执行的新范式，把逻辑处理的权力移交给 agent。 规则引擎没有落地，我预判到了两个无法避开的深坑，第一是配置成本的自身灾害，运营学习配置语法的门槛并不比直接提需求低，最终研发还得帮运营写配置。 第二是飞镖场景的逻辑塌缩，带有强烈上下文背景的判断，规则引擎极难覆盖，强行去写只会让规则库变成黑盒。 与其花三个月造一个可能上限及过时的规则引擎，不如直接把逻辑处理的权力移交给更具通用推理能力的 agent。 我们要做的是能力的原子化研发，不再负责写死逻辑，只负责提供原子化的执行能力。这种结偶带来的改变是颠覆性的，研发的工作从适配运营的每一个奇思妙想，变成了维护一套稳定、标准、高性能的底层工具库。 第三章 inforce 是 基本功这部分是落地 a 阵最关键的一部分。 openai 温家易提到模型差距的三个大因素是算力、数据和 inforce。 对 于我们普通公司而言， inforce 的 基本功是一切的大前提，我们需要分钟级的数据响应作为视神经，全链路的监控预警作为安全阀，以及语义化的报错处理。作为闭环能力。 看看 infr 监控中心数据服务、监控预警、语义反馈三项核心能力全部运行正常。这里我要强调一点，没有实时性， agent 的 灵活性就是伪命题。如果数据链路延迟半小时， agent 就 会根据过去的信息指挥现在的动作。 我们从二十一年开始构建分钟级别的数据系统，这个基本功是一切的大前提。看看我们的数据时效性提升趋势。从二十一年开始构建分钟级数据系统，到二十五年使用动态 rds 订阅解决千万存量账户的分钟级数据变更，数据延迟从三十分钟降低到一分钟以内，降低了百分之九十七。 没有实时性， agent 的 灵活性就是伪命题。如果数据链路延迟半小时， agent 就 会根据过去的信息指挥现在的动作。第四张 mcp 是 过度期的最强神经元。在确定了节偶执行的方向后，最现实的问题是 agent 怎么调动我的 inforce？ 如果只是写一堆私有的 ap skill， 那 我们就又回到了为每个 agent 定制逻辑的老路。这时候 mcp 成了我们的破局点，我把它定位为 agent 的 时代的神经元，因为它解决了三个最棘手的落地难题。 我把它定位为 agent 的 时代的神经元，因为它解决了三个最棘手的落地难题。第一是资产的即插即用，拒绝烟囱式开发。我们将内部树仓和投放 api 封装成独立的 mcp server， agent 看到的只是标准化的动作指令。 第二是安全与权限的物理隔绝， mcp server 运行在独立的宿主环境， agent 接触不到任何底层敏感信息。 第三是语义化的自愈能力， m c p 接口会返回语义化信息， agent 能理解错误并修正动作。 m c p 有 四大核心能力，第一，资产即插即用，实现标准化能力资产。第二，安全物理隔绝， agent 接触不到敏感信息。第三，语义化自愈， agent 能理解错误并修正。 第四，工程安全感精准控制 agent 的 操作权限。这四者共同构成了 m c p 的 本质价值，让 agent 真正具备工业化落地能力，从玩具变成生产工具。这是 m c p 相比于传统 api 最硬核的地方。当自动化系统报错代码四零零幺时，传统系统就死机了。 但我们的 m c p 接口会返回语义化信息，当前计划处于审核中，无法调整预算， agent 读到这个反馈后会自我修正逻辑。既然在审核，那我先去检查同组的其他计划，或者记录下该状态，十分钟后重试。这种理解错误并修正动作的能力是过度到纯托管的关键。 第五章给模型长出眼和手如果说 m c p 解决了百分之八十的标准化数据和 api 操作，那么剩下的百分之二十则是最令投手头疼的飞镖深水区。这些地方 api 触达不到，是传统自动化无法逾越的鸿沟。 为了填补这最后的百分之二十，我们引入了 open claw。 如果说 m c p 是 agent 的 神经接口，那么 open claw 就是 给它装上了模拟人眼的视觉和模拟人手的触觉。 open claw 是 眼手合一的解决方案， 演自动化系统看到的是计划已关停的状态码，而 agent 通过 openclaw 看到的是具体的诊断详情页截图能识别出是因为文案存在夸大宣传还是图片背景过于杂乱。 手在没有 api 开放的旧系统， agent 可以 驱动 openclaw 模拟鼠标点击完成重新提交申请复合等动作。 这种严守合一的架构让 agent 真正具备了处理业务 case 的 闭环能力。我们的实战闭环逻辑分四步，第一步，感知自动化底座触发异常告警， agent 通过数据 mcp 确认消耗与 roi 异常。 第二步，诊断 agent 的 驱动， openclaw 亲自去投放后台看一眼，通过视觉分析锁定剧审原因。第三步，决策， agent 结合数据与截图信息，判断是该换素材重发还是调低出价观望。第四步，执行最终通过操作 mcp 一 键下发指令， 这种严守合一的架构让 agent 真正具备了处理业务 case 的 闭环能力。第六章边界划定在落地过程中，我最先解决的是权力分配问题。 agent 不是 来取代自动化的，它是来接管自动化处理不了的模糊地带。对于那些非黑即白、高频触发的逻辑，我们依然坚定地留在自动化规则里。 但当规则进入灰色地带，或者需要看树加看图加看趋势进行综合判断时，才是 agent 出场的时刻。对于那些非黑即白高频触发的逻辑，我们依然坚定地留在自动化规则里。比如预算垄断秒级，监控执行成本几乎为零，且对响应时间要求是毫秒级。 如果这类活也叫 agent 去思考一下，不仅浪费 token， 更会因为 llm 的 推理延迟导致超支风险。但当规则进入灰色地带，或者需要看书加看图加看趋势进行综合判断时，才是 agent 出场的时刻。调动一次 agent 的 成本虽然远高于自动化规则，但它节省的是昂贵的人工决策时间。 第七张算清楚这笔成本虽然远高于自动化规则，但它节省的是昂贵的人工决策时间。第七张算清楚这笔成本账。作为一个技术负责人，为什么不继续写代码实现？ 我的答案是，研发成本与维护损耗的账必须算在内。这里有三个关键数字，效率提升十倍。偷看成本只占百分之一，解决百分之九十的枯燥工作，避免万倍的错误损失。 agent 有 三大成本优势，第一，研发成本的杠杆效应。传统自动化增加一个复杂规则，研发周期以天计，人力成本过万。 agent 架构下研发只需提供 mcp 接口运营，通过 prompt 描述策略分钟级上线，效率提升十倍。第二，动作与思考的成本剥离。我们用自动化脚本进行二十四小时全量扫描，只有当数据触发异动预值时才唤醒 agent。 这样我们用百分之一的 token 成本解决了百分之九十需要人工盯着屏幕的枯燥工作。 第三，避免硬代码导致的坏账。错误的规则适配造成的直接损失往往是 token 费用的几万倍。 agent 具备的语义理解能力，本质上是为投放买了一份逻辑保险。第八章未来的护城河在从自动化向 agent 过度的过程中，我最深刻的感悟是，代码不再是护城河，逻辑才是。过去一个投放团队的壁垒，可能是他们拥有一个多重多复杂的自动化中台， 但在二零二六年，这种壁垒正在瓦解。随着 agent 架构的普及，任何公司都能在短时间内通过标准的 mcp 接口组装出一套具备执行力的系统。在从自动化向 agent 过渡的过程中，我最深刻的感悟是，代码不再是护城河，逻辑才是。 过去一个投放团队的壁垒，可能是他们拥有一个多重多复杂的自动化中台，里面堆砌了无数个研发熬夜写出来的规则。但在二零二六年，这种壁垒正在瓦解， 真正的护城河正悄然转移到如何将顶尖投手的盘感进行数字化复刻。首先是盘感提炼，以前老投手的经验是口传心授，现在我们可以将其转化为 agent 的 system prompt。 然后是 mcp 封装转化成 mcp 工具的调用逻辑。接着是 sop 沉淀，转化成 open cloud 的 巡检 sop。 最后是持续净化，看着这些 agent 在 投手的指挥下，在千变万化的市场中自我演化。 总结一下，我们提供了最稳固的 infa 底座，最标准的 m c p 接口。然后看着这些 agent 在 投手的指挥下，在千变万化的市场中自我演化。从招人到育种，未来增长团队的核心资产是沉淀了多少套高质量的 skill 库，让 agent 成为你的增长伙伴？谢谢大家！
01:03查看AI文稿AI文稿如何在 cloud 桌面端接入 deep、 四 v 四 k、 米 k、 二点六等任意大模型？大家好，我是云好。注意，这次是桌面端，无需登录 cloud 账号，纯本地配置，不担心网络波动，不担心账号风险。配置一次直接起飞 来，三十秒，手把手带你操作手这样安装，进入开始界面，点击开始，然后会跳转到登录页面，是时候别登录，直接点击 help， 找到 trouble shooting， 点击 enable developer mode， 确认它会自动重启。重启成功后点击 developer， 再点击 configure 三 part inference， 进入配置页面，输入你的模型的 base url 和 api key， 接着添加制定页模型 id， 把对应的 id 填进去。 easy gemini 通一千万任意平台的大模型，原理完全一样。然后点击 apply local 里起用本地配置再次自动重启。重启后会直接进入到 co worker 页面，选择你刚刚添加的模型，随便发一句，测试是否成功。 一个靠的客户端接入全网大模型，这才是真正的 o 赢 one。
4223Winhao学AI
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。
382慢炖AI
12:08查看AI文稿AI文稿openspec 和 superpowers 是 当下做 spec coding 非常出名的两个项目。在日常使用过程中，我们一定有组合 skill 的 需求，但问题是，两套 skill 的 技能命令是分散的，没办法自动触发。并且有的部分 skill 我 可能不是那么想用， 比如我更喜欢用 superpowers 的 t d、 d 执行，而不是 openspec 的 apply， 更需要用 openspec 的 archiv 能力规档 spec， 而不是 superpowers 的 一次性 spec。 怎么组合市面上的高斯大项目，让它们自动触发，互相取长补短， 怎么让整个状态扭转更可靠？这些看起来能够实现的点，在实际的开发过程中依然还有很多细节考量。 同时，两个 skill 都会产出 spec 文档，这部分也需要自然地融合在一起。 comet 就是 组合这两者产生的项目 想要做的事很直接，把 openspec 管需求的能力和 superpowers 管实现的能力接到同一条流程里，他不改这两套东西，只做组合调度。先看 openspec 这边，他很擅长管理 spec 的 生命周期， 当前需求放在哪里，变更材料放在哪里，最后怎么归导这条线是很清楚的。所以这对应于 what 部分，也就是要改什么内容。 openspec 能够很好地列出大纲，但其实 openspec 依旧有一些不好用的地方，它的 proposal 和 tasks 能说明要做什么，但不等于已经说明怎么做。 到了工程设计阶段， agent 还要补方案、补边界、补判断画面。中间这个问号就是这个的设计缺口。 openspec 的 需求澄清能力并不是那么强。再看 superpowers， superpowers 补的是 how， 是 怎么去做， 他会先澄清需求，再做深度设计，然后写计划，按 tdd 推进，最后验证和收尾。中间会不断地和用户交互沟通细节。也就是说，他把真正实现时需要的链路拉细了，两者均会产出 spec 文档。 但是如果只靠 markdown， 也会存在另一个问题，任务打勾了不代表阶段状态可靠，人事能够通过，看文档能猜出来，但 agent 下一轮回来不一定能稳定判断现在到底走到哪一步。 所以断点恢复才是核心问题。下一次绘画开始时，通常的断点恢复， agent 会先读文档，再扫代码，然后再推断阶段代码还没写， token 已经花在恢复现场上了。 comet 通过一个清亮的状态机机制来实现断点恢复，要省掉的就是这段重新找路的成本。 comet 的 定位不是再造一套方法论，它更像一条稳定轨道，把 openspec 和 superpowers 放进同一个项目流程里，让两边各做自己擅长的事，并在执行过程中对齐两边产出的文档。 openspec 管需求世界 需求是什么，题案怎么写， spec 怎么变更，最后怎么归党，这些都属于 what， 他 负责把要做的事讲清楚。 superpowers 管执行方法、头脑风暴、技术设计、实现、计划、执行、验证、收尾，这些都属于 how， 他 负责把怎么做拆细。 commit 站在中间，把 what 和 how 接起来。左边是 openspec 的 需求材料， 右边是 superpowers 的 实现方法。下面输出一条 open design build verify or shift 的 流程。 commit 不 替代 open spec， 也不替代 superpowers， 它只负责把阶段状态和 skill 出发点对齐，这样两套能力就不是两堆文档了。 proposal spec， 生命周期、 archive 状态和 brainstorming design， doc execution plan 会进入同一条 shared state， 最后落到出发规则。 open 阶段找 openspec， design 和 build 找 superpowers。 verify 阶段两边一起收口，在对应的阶段真正的触发正确的 skill， 而不是让 ai 产生触发了 skill， 但实际上是 ai 自己写的幻觉。 完整流程可以拆成五个阶段，每一段都有自己的命令和产物，不靠 agent 临场拆下一步。第一段是 comet open， 这里由 openspec 接手，打开 change 生成 proposal design 和 tasks， 先把这次到底要改什么固定住。 第二段是 commit design， openspec 的 产物会交给 superpowers 继续细划，重点不是马上写代码，而是先把边界、方案和风险讲清楚。第三段是 commit build， 这里进入工程实线， plan、 tdd、 subagent 都在这一段接上， 能按计划推进就不要临时乱跑。第四段是 comet verify， 这里 openspec 和 superpowers 会进行同步收缩，一个处理文档，一个处理代码，收尾测试要过，报告要有，需求和实现也要对齐，不是跑完代码就算验证结束。 第五段是 come to archive， 所有的需求变更同步回 main spec， change 进入 archive 状态机补充文档核心状态，这时候 open spec 和 superpowers 产出的文档会进行双向关联，到这里产出的 spec 关联文档才不会留下半截流程。所以需求不是代码写完就结束， task 勾完也不够，真正结束是实现文档和状态都对齐，使用 command 出使化之后，项目会被分成三层平台， skill 放一层，包含了 command 的 核心脚本， opensback 的 change 和状态放一层 superpowers 的 设计文档和计划放一层 斜杠。 comit 是 skill 的 核心入口，用户在使用的时候，不管当前 spec 状态如何，都可以通过这个入口进行工作。他会先检测当前 spec 状态，读取 workflow phase， 然后决定下一步该进哪个阶段。 入口先判断现场，再路由动作。当我们面对长城任务做到一半工具关掉了的情况时， 回来之后不应该重新讲一遍背景，而是直接输入 comet 继续。它会从当前 spec 状态恢复现场，不再需要重新探索项目。 如果项目里有多个活跃 spec 时， comet 会先把它们列出来。当你选择了具体的某一个 change 时，它再进入阶段判断，这样就不会把几个需求的状态混在一起。选定之后，它会定位当前阶段，比如现在是 build 就 从 build 继续，而不是重新扫描项目。 长城任务真正需要的就是这种明确的继续位置，这种设计能够极大的减轻你的使用认知负担。我们拿到 skill 不 再需要记多个命令，而是直接 comit 继续就好。 comit 会帮你把状态记住，帮你把流程走下去。支撑恢复能力的是这个轻量状态机，每个 open spec change 都绑定自己的状态，也就是说状态不是大局混在一起，而是跟着具体的状态。是 workflow 和 face。 workflow 决定走完整流程， hotfix 还是 tweak。 face 决定现在卡在 design， build， verify 还是 archive。 再往下是恢复上下文， design， doc 在 哪？ plan 在 哪？ build mode 是 什么？当前是否在隔离分支里？ 这些字段让 agent 回来后能接上，而不是重新扫。项目验证和归档状态也需要写进去。 verify result， verified at archived， 这些字段不复杂，但足够判断下一步是不是可以继续。关键是状态不能靠 agent 手改。烟雾 commit 要通过脚本写回状态， 只有条件真的满足，阶段才允许流转，这样能减少看起来完成的状态飘逸。 commit guard 脚本就是阶段闸门，它检查文件是否存在， face 是 否匹配 tasks 是 否完成， 条件不满足就 hard stop， 只有带上 apply 才真正更新状态。 com state 脚本提供统一读写接口。 com tm validate 脚本负责校验必填字段，每举直路径引用和未知字段，一个负责改，一个负责查，状态就不容易飘。最后是 coming r shift 的 脚本，它会验证入口状态，同步 spec， 移动 change， 再把 r shift 写成 true。 需要先看效果，也可以走 dryrun preview。 安装过程如图所示，从 npm 安装之后进入你的项目执行。 commit in it commit 采用交互式命令集成，安装步骤非常简单， 说实话会先确认三件事，平台配置、安装范围。 skill 语言，你可以装到当前项目，也可以装到局目录。为了方便理解 commit 的 原理，分发的时候也支持中文或英文， 选择依赖后，相关的 skill 就 会自动就位。 open spec skill、 superpower skill、 comet skill 会部署到选定平台， specs 和 plans 这些工作目录也会一起创建好。 平台分发也交给 comet in it cloud code， cursor codex、 open code， winsole 还有其他 ai coding 平台，都按自己的目录结构放好，你不用手动搬 skill 文件。 除了完整流程，还有 comet、 hotfix， 当 bug 已经明确时，它会跳过完整 brainstorm 和 design， 直接走 open build， verify archive， 适合目标很清楚的修复。第二个是 comet tweak， 文案调整、配置调整、文档修改、 prompt 优化都可以走这条清路径，它比完整流程更清，但仍然保留 comet 的 入口和状态管理。 comet 还有一个价值，它是组合 skill 的 参考 强工具很多，但真实使用时，你常常只需要其中一部分能力，比如 openstack stack 管理、 superpowers 的 tdd 和深度设计，再加上规党能力。难点不是把文档拼在一起，难点是稳定组合嵌套。 skill 要真的触发，不能只是让 agent 看着说明访写文件，状态也要可观察，不能看起来像触发了，实际没有跑多阶段流转。 也不能看起来像触发了，实际没有跑多阶段流转。也不能看起来像触发了，实际没有跑多阶段流转。也不能每一步都靠人提醒，人工接线很容易断。 commit 把必要选择留给用户，把核心推进交给状态机和守护脚本，所以它也是一个参考，实现 skill 调度、状态机、阶段守护、规章自动化，这四块组合起来才是一套能落地的多 skill。 工作流收缩一下 openstack， 让需求有生命周期。 superpowers 让实现有方法论。 commit 把两者接成一条可恢复、可验证、可规党的流程。 从两条命令开始安装 commit， 然后在项目里执行 commit init 初步化之后就可以用斜杠 commit 加你的想法，进入完整流程。最后我想说的是， commit 留下的不是某一个命令，它证明的是一套组合范式，千套 skill。 要真正出发，多阶段流程要能自动流转 状态机和守护脚本，要让这套组合在真实项目里可靠落地。希望大家能从这个项目里学习到好用的知识，一起创造更适合自己的 skill。 接下来我们来看一段时机演示。以我本地的一个项目为例，现在我输入斜杠 compt 为我的项目创建一个电子宠物功能。我们可以看到 comet 触发了 comet open， 在 comet open 中又触发了 open spec 的 explore， 这时候 agent 会根据 explore 的 要求进行一轮项目探索。每一个嵌套 skill 在 真实出发时，都会在 cloud code 中显示 skill 的 打印。这个探索的过程比较长，我们稍微快进一下。探索完毕之后， explore 会进行多轮大碎方向的澄清，这几步需要用户进行反馈。 完成之后会生成 open spec 对 应结构的 proposal、 design、 spec、 task 等文件，并在 changes 目录下创建当前激活的需求。 然后是 comi 的 状态机核心文件出场和状态守护执行。我们可以看到，当 open 阶段完成时， agent 想要退出 open 阶段，会有强制的状态机交易，对于核心文件和状态一定得满足之后才能够进入下一阶段。 这里都 pass 通过之后， comte design 也成功被 comte open 触发了。之后 design 阶段会将 openspec 创建的文档作为上下文传递给 superpowers 进行头脑风暴，更加细化需求之后的步骤我这里不再接着展示了，欢迎大家亲自体验。下面我演示一下阶段活跃检测及断点恢复功能。 当我们在多台电脑上工作或者临时有事离开了，回来之后只需要输入斜杠 commit 继续 commit， 就 能够通过状态文件自动识别当前活跃需求。 我们可以看到不再需要重新大量的探索项目 agent 很 快就知道了当前需求的活跃状态，如果存在多个需求，也会将它们列出来供用户选择。以上就是本期视频的全部内容了，欢迎大家点赞关注 star 本项目，谢谢大家！
2495Biu😉
02:56查看AI文稿AI文稿cloud code 有 几十个命令，但是如果你是新手呢，就一定先掌握下面这九个，其他的你可以先去放一放， 把这九个用熟了，你的使用效率和头肯的消耗都会好太多了。第一个命令就是 config， 这个是 cloud code 的 一个控制中心，那你输入杠 config 呢，就可以去查看和修改当前的一个配置， 比如说是否去自动的压缩对话，是否自动切换思考模式等建议呢，你可以把每个配置项都去过一遍。 第二个命令呢，叫做 model， 想切换模型呢，直接去输入杠 model。 普通的任务呢，你可以去选 sonnet。 复杂任务呢，你可以上 opus， 性价比啊最高，你看，就这么一个简单的选择，也能够去帮你去省不少的 token。 第三个命令是 clear， 聊着聊着呢， cloud 开始抽风了，越来越慢，透坑消耗的越来越快呢，这是因为你的上下文啊，已经太长了，那你呢，可以输入让 clear 去清空当前对话的一个上下文，重新开始一个新的对话。那我建议呢，每个独立的任务都开一个新的对话。第四个命令呢是 compact， 如果你不想完全的去清空对话，但又想减少上下文的一个长度，你可以输入杠 compact， 它会自动的去压缩历史对话，去保留关键信息，简单去理解呢，就是给对话做一次瘦身。第五个命令呢是 resume， 想回到之前的对话，你就输入杠 resume， 就 能看到当前目录下的一个历史对话列表，选择任意一个，就能直接去跳回去继续，相当于给你的 ai 编程加了一个历史记录的功能， 随时去切换不同的任务。第六个命令呢是 revend， cloud 写着写着去偏离方向了，或者提示词写错了，你不用重开对话，输入杠 revend 就 能回到刚才那一步对话，相当于给你的 ai 编程加了一个撤销键。 第七个命令呢，是 btw 任务中途突然想到了一个小的问题，比如这个文件是干嘛的？输入杠 btw， 解释文件作用， cloud 会去回答，但是不会去打断当前任务流程，也不会污染你的上下文。第八个命令域 name， 给对话去重命名有三种用法，第一个就是杠驴 name， 加上首页重构，你可以去做直接命名，然后如果你杠驴 name 不 带参数呢？让 cloud 自动从对话去生成这个名称。 第九个命令 export， 把诊断对话导出成一个 plaintext 文件打杠例 export， 当前的这个对话会被导出，包括每一个提示回复和工具调用，也可以加文件名参数，直接去写入指定文件，适合呢？在去解决棘手问题后啊，这个备份 方便后续的复盘或者分享。 ok， 那 总结一下这九个大的命令啊，覆盖了配置，覆盖了效率、覆盖管理三大场景，显著去改善你使用 cloud code 的 一个体验，输出质量呢，也会更加稳定，透根的消耗也会降低。 至于像 simplify， 像 branch 分 支等功能和 insights 复盘报告可以去，等进阶了再去学。现在已经有两千多位朋友了，如果你想在 ai 的 路上和我一起同行呢？欢迎在评论区我们一起去交流一下。
1849清华姜学长
02:39查看AI文稿AI文稿大家好，今天聊一个我觉得 cloud code 的 最被低估的功能， hoops。 为什么说被低估呢？因为很多人用 cloud code 的 痛点其实不是它不够聪明，是它不够守规矩，不会。原上有个开发者说特别好 cloud 的， 经常给你自信满满地说成功完成，结果你一测试全都红，它不是不威胁，而是跳过该跑的检验。 hoops 就是 解决这个问题的， 你在点 cloud 的 目录下 setting， 在 这次里面配好规则， cloud code 在 干活的时候就会自动触发你的检查，不是建议，是强制，我自己目前在用的，我去说几个吧。 第一个，文件保护点 e、 n、 v 配置文件，这些就是我们平常去配 a、 n、 k 的 地方，可乐都要动，我们就直接拦住。之前就遇到过一次，他帮我改他码的时候把点 e、 n v 里的 k 覆盖了，排查了半天才发现配了 h 之后就没有发生过这个事了。之前有一个国外开发商写一篇博客，说得很好，他说 hux 被拦住的时候， loud 不 会报错或者卡住，他会把他当成一个正常反馈来处理，然后自己就会调整方案，绕过去就很自然。第二个，每次改完文件自动跑 link 跟测试，这个体验对我来说提升最大的。以前可 loud 改完代码给自己去跑一遍，检查发现问题的告诉他，现在他改一个文档 link 自动跑， 没过的报错直接就给他修了。然后有时候我去倒杯水回来，他已经改了三轮了。这种感觉就是你不再需要一直盯着他去做每一步了，只需要看他最后交出来结果。 第三个是一个，很多人都不知道用法 stop hook glock code 有 个毛病，就是它会干着干着突然停下来问你要继续吗？明明还没做完它就停了。配一个 stop hook 检测它是因为任务没完成停的就让它继续跑，不要停不， 如果这地方有坑，你得在脚本里去检查 swap hook active 这个字段，不然然后的扣子就会无限循环的继续下去，停不了。然后说一下 hook 是 跟 skill 的 区别，这个很多人分不清。你把提交前跑测试写到 cloud md 里面，他有时候会遵守，有时候不会遵守。有人测过同样一条，就是不要执行 remove 杠 i f 这样一个规则。 如果你写到 cloud md 里面，可能百分之七十他会遵守，用 hux 的 话就百分之百。因为 cloud md 跟 skill 都是建议性的 包子，可以参考，但是不保证 pos 不 一样，代码层的强制触发了就必须得跑，没得商量。社区里有个说法，我觉得总结的非常好， skill 是 去提供方法论和指导 pos 保证最低质量标准，一个管上线，一个管下线。其实往深了想， pos 解决的不只是一个人用卡拉扣的问题。如果你是团队在用， 以前开发规范写到 wiki 里，写到 realme 里，新人来了，看不看是另一回事。现在你可以直接把这些规范写成 books， 放到 the cloud settings， 在 jason 里面跟着项目走。不管是谁在用这个 cloud code， 这些规则他都得遵守，相当于你把团队的开发标准变成可执行的代码， 而不是一份没人看的文档。好了，大家可以从文档保护开始试五分钟的配好评论区，聊聊你遇到过 cloud code 的 最不守规矩的时候是什么样？我挺好奇的。我是小新，关注我，带你一起去冒 ai。
172小新AI实战
05:49查看AI文稿AI文稿code code 最近上线了一个 go 命令，它的核心作用就是让你设一个完成条件，然后 ai 会自动持续运行，直到任务达成。 这能让很多复杂的调试任务实现无人止手。今天我会带你彻底搞清楚它的运行机制，怎么写出有效的完成条件，哪些场景最值得挂载，以及有哪些必须避开的坑。 这个功能经历了三个阶段的演进，第一代是社区流行的 roughwig 模式，本质是利用 bash 循环和字符串匹配来让任务重复。 第二代是 antropics 抽象出的 stop hooks api， 虽然提供了底层能力，但用户需要处理复杂的配置。直到现在的第三代，官方直接将其原生化为 go 命令。 最关键的变化是引入了嗨哭模型作为评估器，实现了从字面匹配到智能判断的跨越。挂上钩后，后台会形成一个自动闭环。 首先 stophook 会拦截 cloud 的 退出动作，把当前的对话内容交给评估器。接着， antropic 使用轻量级的嗨哭模型读取这段对话判断条件是否满足。如果嗨哭判定任务已完成，流程就结束。 如果判定没完成，他会把判断理由作为新的指令重新灌回给 flow。 由于嗨哭的运行成本极低，这种高频的评估循环几乎不会增加额外的开销。 这种机制的升级让 go 从字面裁判变成了智能裁判，以前的模式更像是在检查一张写着我做完了的纸条，只要字幕串对上了，任务就结束了。但 go 引入了嗨库，就像请了一位真人阅卷老师，他不只是盯着特定的字体，而是能读懂你整个对话的逻辑。 如果任务没达标，他能通过对话内容发现问题，并给出具体的语意反馈，告诉你哪里还没做对， 而不是机械地检查有没有完成口令编辑。完成条件时，最关键的一点是， condition 本身就是给 ai 的 指令。 由于评估器无法直接读取你的本地文件，它只能通过对话记录来做判断，所以你不能只写让测试全过。你必须要求 cloud 把证据贴在对话里。一个完整的 condition 应该包含三要素，一是结束状态。二是验证方式。三是过程约束。 比如你可以这样写，要求 cloud 运行测试，并将完整的 pass 和 fail 技术贴在对话里，同时要求它不许修改测试文件本身。只有这样嗨哭，才能通过对话里的数据判定任务真正达标。 最后，如何判断一个任务是否适合挂载 go？ 可心看他是否需要反复验证。适合挂载的任务包括需要修复大量测试用力的长任务、基于数据的性能优化、跨文件的重构，以及需要长时间无人值守的 link 修复。 而以下四类情况，挂载 go 反而会浪费资源。单文件的小修改、规模极小的合约升级、没有客观标准的创造性任务，以及强依赖人工审美和判断的任务。简单来说，凡是需要你盯着看结果的任务，都不适合用 go。 编辑 condition 时，最核心的逻辑是， condition 本身就是给 ai 的 指令，你不能只给他一个模糊的目标，必须把它写成具体的任务。 一个完整的 condition 包含三个要素，一是 end state， 即任务结束后的状态。二是 state check， 即要求 cloud 必须把证明结果贴在对话里。三是 constraints， 即执行过程中的约束。 比如你想让它跑测试，不能只写让测试全过，而应该写运行 npm test， 把完整的 pass 和 fill 技术贴在对话里，并且不许修改测试文件本身。 这里有一个致命的坑，因为评估器嗨酷是一个独立的模型，它无法读取你的本地文件，它只能看到对话框里的文字。 如果 cloud 跑完测试，没有把具体的 pass 或 fail 技术贴回到对话里，嗨酷就拿不到判定依据，它会因为看不见证据而判定任务没完成，导致你的任务一直卡在那里。 所以在写 condition 时，一定要强制要求 cloud 把关键的输出结果贴在对话里，给评估器提供证据。 什么样的任务最适合挂载购核心，看他是否需要闭环验证。第一类是涨任务的测试修复，让 ai 根据报错信息自动补漏。第二类是性能优化，通过设定具体的性能域值来驱动迭代。第三类是大型重构，处理跨文件的逻辑迁移。 第四类是无人值守任务，比如自动修复 link 错误或者处理 pr 评论。第五类是外部诊断任务，比如根据 profile 的 输出结果来自动调整代码。凡事需要通过观察结果修改代码再看结果的任务都非常适合。 反过来，有些任务挂在 go 反而会浪费资源。首先是单文件的小修改，比如改个变量名或者注是这种任务 opus 秒出，挂了反而多了一次评估开销。 其次是规模很小的合约升级文件太少，评估器根本没法指导。第三类是创造性任务，比如写文案或者设计 u i， 这些任务没有客观标准，评估器判不了。最后是强依赖人工审美的任务，比如让代码更优雅，这种主观性太强的东西还是得靠人工。 从工程哲学上看， cloud 和 openai 选择了完全不同的路径。 cloud 走的是外部裁判路线，用独立的嗨酷模型来判，核心是防止工作模型自欺欺人。而 openai 的 codex 走的是自我审判路线，靠模型自评，并配合托盘预算来防止空转或超支， 这两者没有绝对优劣。但如果你不信任 ai 的 自评能力， cloud 这种通过外部模型进行较验的路径会让你用得更放心。 总结一下， go 的 本质不是为了让 ai 反复试错，而是为了让 ai 跑完任务后，你不需要再盯着屏幕，只要你记住了 condition 就是 指令，以及必须提供证据这两点，它就能成为你最高效的无人止手助手。
57AI赚钱研究社
09:45查看AI文稿AI文稿嗯，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。
2050stayme7o
