游戏自动汉化教程该工具可自动检测游戏文本语种并翻译成简体中文，支持多种游戏引擎自动匹配识别，无需复杂设置。步骤一，将游戏启动文件拖入工具，自动识别是否支持。步骤二，确认支持后 启动预载翻译工具会自动识别并批量汉化游戏文本，翻译完成后启动游戏即可正常阅读，下次启动无需重新翻译，十分便捷。
粉丝707获赞6204
相关视频
06:09查看AI文稿AI文稿千呼万唤始出来啊， mini max 终于是推出了他们自己的桌面端 agent 的 应用 maas。 那 下面呢，是我做的一些测试啊，我先让他分析了一份 excel 数据啊，他不仅呢帮我整理出来了重点，还会自动地去生成这种图标和总结。 然后接着的话呢，我又让他去调研了一下 ai agent 的 一个发展方向，你可以看到他可以去自己搜集资料，然后整理信息，最后直接生成了这样的一个结构化的报告。甚至呢，你还可以让他去生成 ai 慢剧啊，给视频配音生成视觉内容， 玩性还是非常高的。虽然说开局呢，也是这样的一个聊天框，但是他现在能做的其实已经不只是 chat 这么简单了，更像是一个真正能够帮你去工作的 ai 助手。 而且呢，这个 memphis 里面还内置了非常多的 skills， 同时呢，也是可以去支持导入和自己新建的。甚至呢，还可以去记住你的一个偏好，生成新的 skills。 那 这意味着它并不是一个只有固定功能的 ai 工具，而是一个可以不断去被扩展能力的 ai 工作台。但是它真正让我觉得有意思的，还不是说它有这么多的功能，而是它开始让多个 agent 协同工作了。那以前呢，很多 ai 的 工作流本质上面还是 prompt rules， 提示词模板这些，对吧？比如说你保存了一个爆款标题的提示词，那下次你复制进去呢，再让它重新生成一次啊，大概是这样的一个操作。 但是 amazon 呢，它给我的一个感觉就不太一样了啊，就是它更像是在培养一个角色啊，比如说我会去新建这个文档的 agent， 标题的 agent、 封面 agent， 配图 agent， 还有这个审核 agent， 让它们去长期负责不同的事情。而且呢，这些 agent 呢，它不是一次性的使用啊， 他会慢慢地去记住自己的一个职责，包括他做事的一个风格，以及我们使用的一个习惯。如果说你觉得某个 a g 呢，他做的不够好，还可以去单独的跟他对话啊，继续去微调他的一个能力。那这一点呢，我觉得是特别的重要啊，因为以前我们保存的其实是一个 prompt， 现在的话呢，我们更像是在培养一个真实的岗位。那现在的话呢，我们就做一个真实的工作流测试吧，啊，就是帮我做一期这个 agent skills 方向的视频。那这个 agent team 呢，他就已经开始工作了啊，这个视频文案助手呢，就开始去拆解任务，然后做计划。 接下来的话呢，他开始去调用不同的 agent 啊，比如说这个文案助手负责去写这个竹字稿，然后标题助手负责生成标题封面助手负责生成这个横竖 的一个封面，然后配图 agent 开始用这个 html 的 方式去生成对应的口播背景素材。最有意思的是什么呢？就是它不是各干各的，而是真的会相互去协助。那最后的话呢，这个 memphis 是 把各个 agent 呢它生成的一个内容汇聚到了一起， 然后啊调用了本地的这个飞书 c i i， 生成了一篇飞书云文档。那这还没完啊，我们还可以去把这个 memphis 接入到飞书里面啊，就是以后呢， 无论是在电脑端还是在手机端，都可以去指挥 maus 干活啊，就是无处不在，非常丝滑，对吧？ ok， 那 现在的话呢，我们就去飞书里面看一下这个云文档的生成效果啊，首先它的这个结构是非常的清晰啊，前面有这个竹字稿， 然后在标题方案这一块呢，它是区分不同平台的，然后这个封面方案这里的话呢，不同平台的设计思路它也是不一样的，下面还给出了相应的一个视力图片啊，大家可以看一下这个图片的效果 啊，包括这个横屏竖屏都是有的啊，而且我觉得是非常的精美。然后呢就是这个配图方案，它这边呢是给人物口播做背景来使用的一个画面啊， 这里面呢它是同步去生成了一个 html 的 文件啊，这个我们稍后会看一下。那最后呢是这个审核报告啊，包括下面的这个格式化图标，这个我一般是会把它截图下来，然后在剪辑的时候去用啊， 就是我们整体的一个视频的画面内容会更加的丰富一些。那我们接下来就去看一下配合口播使用的那个 html 文件吧，它整体的一个配色动效我觉得做的还是非常的不错，对吧？包括说上面的这些文字呢，也不是说胡乱生成的，都是基于我们 上面的那个文案助手写出来的这个文案啊，来生成的，对吧？所以我说他们是相互协助的，之间是有交流和沟通的。 ok， 这个呢，我用到的其实是一个开源的 skills 来做出来的啊，那生成的时候呢，我们可以去指定某个风格，那也可以去让这个 memphis 自己去决定它用什么样的一个风格是最合适的啊，这都可以，那添加这个 skills 呢，也是非常的方便啊，直接在这个技能，然后点击创建，然后从这个 github 导入啊，就可以了。 在以前的时候啊，很多这个 ai 工具，它其实都希望自己是一个全能选手啊，就是你给他一个任务，然后呢，他会从头做到尾啊。但是这个 maas， 它其实更像真实团队里面的那个 职业的分工啊，就是有人负责写，有人负责审核。并且的话呢，这些 ag 呢，它也是长期存在的啊，就是以前的话呢，你可能保存的只是一条提示词，但是现在的话呢，你更像是在培养一只长期写作的 ai 团队。 后面我又测试了一个真实的开发场景啊，就是我想让他去实现一个数据的查询功能。首先呢，这个 code agent 呢，他很快就把这个功能都写完了啊，那如果说是一个普通 agent 的 话呢，到这里其实就已经结束了。但是呢，这个 reviewer agent 呢，很快就发现了一个问题啊，这里面全量查询可能会导致数据量过大，然后存在一个性能方面的风险啊。 最后的话呢，他会把这个东西反馈给 code agent， 让它重新去修改。那这一点的话呢，其实特别像是我们真实的一个开发团队了啊，因为很多真实的工程问题，其实并不是你能不能够运行，而是说我们到了线上啊，它的这个数据量 一旦大了以后，性能是否会下降啊？系统会不会崩？单 agent， 它其实最大的一个问题就是不是说它写不出来，而是说呢它更容易的去只关注这个功能是否可以被完成，因为它本质上面还是自己写，然后自己检查。 webspace 这里呢，它是有一个独立的 reviewer 啊，它呢是专门负责找问题的，那这个机制呢？它们叫做 produce verify。 那 坐到这里的话呢，我就发现这个 webspace 它其实已经不再只是啊 ai 可以 去帮您干活，而是它开始真正进入工程合作这样的一个 level。 我觉得这个 maas 它其实最核心的东西，不是说啊它会做这个 ppt， 会分析这个 excel 啊，因为现在很多的 ai 工具其实都可以做这些，那真正核心的东西，我觉得是它已经开始解决了这个 ai 和 ai 之间如何去协做的这样的一个问题。以前我们看到的那些 ai 工具，它其实更像是一种 呃，一次性的工具，打开使用，然后关闭，对吧？但是现在的话呢，这个 ai 开始越来越像一个数字员工，甚至是数字团队 这样那个方向来迈进了，就是他会去记住你的一个习惯，然后记住你的一个工作流啊，不同的这个 ag 呢，之间呢，还会去形成真正的协助关系。 ok， 那 以上呢，就是本期视频的一个全部内容了，感谢大家的收看，我们下个视频再见， peace。
782程序员御风
05:06查看AI文稿AI文稿最近的 agent 啊重新又火了起来，先有 cloud bot 火遍大江南北，一度带动了 mac mini 的 销量，后有 ansapic 公司啊推出了 cloud coork， 而最近呢，国产的 ai 公司 mini max 也推出了 mini max agent， 同样可以实现本地文件夹的操作，浏览器自动话，数据分析等等。更良心的是啊，它目前呢是可以去免费体验的，不像 cloud coork 啊，只能最高等级的会员才可以去使用。 好，那我们今天呢就来实际测试一下，看一下它是否有我们想象中的那么好用。好，首先呢，我们直接来到这个 mini max 的 官网，在这个对话页面的上面呢，就可以看到一条消息，在这里直接点击下载，点击安装 好，这里呢就有一个提示，他说是深度打通本地文件，咱们继续一下，全面代理你的网页，点击继续，然后开始使用 好，登录完成呢，咱们来到这个软件的主界面，也就是对话的页面，然后在左边呢，我们可以看到这里有一个探索专家的这样一个栏目，这里啊就是所有的智能体里面呢，有文件整理对吧？有落地页的制作， 各种包括故事的生成，文档的助手。好，然后呢我们直接来测试一下这个文件助理他这个功能能否去使用的，我们点击文件助理好，在下方呢，咱们需要去选定一个文件夹，就是说咱们需要在哪个地方让他去整理哪个文件夹里面的内容， 比如说咱们就测试一下，在我的下载文件夹里面来测试一下。好，咱们来打开这个文件夹来看一下啊，我们的这个下载文件夹里面呢，可以看到有非常多的之前下载过的文件，对吧？有图片，有些安装包， 有一些软件之类的，咱们就不用管，咱们让他呢按照这个文件夹的这个文件的类型去给咱们去分类。来，在这里啊去进行一个对话。 好，这个时候呢咱们可以打开这个后台，看一下是否有变化。 好，它还没有开始整理，但是呢它会给我们一个选择的方案，那么这个方案 a 呢就是按照文件类型去分类，按照文件 b 是 清理， c 是 按时间。好，咱们就按照这个 a 的 类型就可以了，咱们直接输入一个 a， 然后点击 好第二步创建分类的文件夹，可以看到这里它是自动的帮我们生成了非常多的文件夹，下一步就开始去移动这个文件了。 好，现在呢就已经完全飞了。完成，咱们可以看到它会把所有的文件都放在对应的文件夹里面。 好，这个功能呢还是非常的方便的，而且他如果是给你误删了之后呢，咱们直接可以点击备份所有的文件都在这个里面，再给他去恢复一下。好，下面呢我们再试一个更高级一点的能力啊，就是让他自动的去浏览网页，帮我们去提取资料，看他能否是完成。 好，我们让他去小红书搜索 agent 这个关键词，然后点击图文菜单，提取前十篇文章，并且保存到本地，咱们直接点击发送。 现在呢已经打开浏览器的界面，咱们可以实时的去看到啊，它现在呢应该是正在去理解这个页面的内容。好，正在输入 agent 已经输入完成。 哦，它这边其实啊已经完成了所有的任务，然后呢是加载了所有的页面，提取了十篇。好，这里啊是列出了所有的文章的标题，作者发布时间， 再往下看呢，是，他说的是两个文件都保存在了 c 盘的。好，在这里啊，可以看到有一个 markdown 格式的一个文件，我们来打开一下哦，这个是目前来说是有问题的，他并没有打开具体的文章来提取，他只是说在这个文章列表的页面，直接通过提取网页的方式去提取这个作者链接封面摘要， 对吧？并没有咱们想要的这个正纹，这个呢还是有一定的问题。好，咱们再来看一下是否有其他的功能可以让我们去尝试。 好，我们来到这个啊，现在已经没有办法尝试了。大家可以看到我这边的新建任务这里啊，这个积分已经完全是负数了，刚开始啊是一千两百的积分， 刚开始测试的时候，那现在呢，已经完全用完，应该都浪费在了这个搜索网页，因为他需要去识别这个网页的内容，这个是非常消耗 talkin 的 一个步骤。 好，那么现在咱们这个免费任务就已经没有了，只能等明天去刷新，那么每天呢刷新是两百积分，你做这个自动化肯定是不够的，所以说咱们还是要去开通会员，那么这个价格大家可以去看一下。 好，至少来说呢，他是可以去操作本地的文件。在浏览器自动化方面呢，效率确实是很低一些。 好，如果大家有更专业的 ai 方面的需求啊，比如说你要打造一个智能体来帮你完成工作，那么可以看一下我们的这个智能体打造的指南，在这里面呢不仅有专业的题词的结构，而且有实际的案例，包括知识库的搭建等等，有需要的呢可以直接来说一下。
01:54查看AI文稿AI文稿宣布个重磅消息，我要进军短制了！都是我不好，家里已经掏不出一分钱了，签了字，这五十万就是你的。 我这个剧情卡的怎么样？想要继续看的话，先把这条看完哦。其实呢，我之前就想做短剧，但一想到剧本拍摄分镜这一套，就觉得太麻烦了。短剧虽短，工程量却一点都不小，绝对不是一件成片就能搞定的事。但这段时间我体验了 mini max agent 一下，就对 ai 短剧的工程有了信心。 这期视频就教大家怎么用 agent 搓短剧。我们来到 mini max agent 里的 max claw， 这个是 mini max 自家的龙虾 agent， 底层跑的是 m 二点七，这个能自我净化的模型部署很简单，鼠标点一下这里，点一下开始，然后就好了。整个流程其实就三步。第一步，找一个短剧专家。 minimax agent 里面有一个专家社区，里面有好多好用的 agent 配置，这里我用的是这个专家，他能帮我把简略的短剧想法一步步丰富为有人物、有分镜、 有风格、有戏剧冲突的脚本。这个也是 agent 很 擅长的规划和思考，在前期的策划阶段，这非常重要，决定了剧情的上限。第二步，要用对应的 skill 打磨细节。 max pro 里面有一个 skill 社区， 里面是用户自己沉淀的各种 skill 包，像这个可以补人物和场景的视觉，这个可以把分镜往视频推进，这个还能够帮你回头检查镜头和动作的问题。这些社区贡献的 skill 都能拿给自己的分镜打磨细节。当然你也可以自己做 skill， 也能传上去，方便自己附用，也能和别人分享。 第三步，开始执行分镜，打磨好以后直接让他开始进行到下一步就好了，也就是跑图跑视频。这一步呢，主要就是跟他反复确认画面的故事性和情绪氛围啥的，但是因为他在策划阶段就和我碰过很多想法，这一步呢就会非常的省事，跑出来的图基本上都是我想要的 图片，跑了再跑视频，再让他结合成视频就好了，感兴趣的朋友可以去试试。上手呢，比你想象的要快很多哦。还有我的狗血短剧马上就要来了，豪门残疾少爷和他的七月妻子，敬请期待！
327AI红发魔女
05:58查看AI文稿AI文稿大家好，我是彪哥，这一期是 agent 安装教程的第一期，今天我们来讲讲 cursor 的 安装以及汉化。打开谷歌，然后在这里输入 cursor， c u r s o r， 然后搜出来的第一个就是我们点击进来，然后我们这里点下载，然后点这个 windows 下载， 我这里之前已经下载过了，然后我就直接打开下载好了就行了。然后你们可能要稍微等一会，下载完了之后，我们点击打开，然后点运行， 然后点同意协议，点下一步，这个地方直接点下一步就可以了。下一步，然后点下一步，然后把这个快捷方式勾选，然后点下一步安装， 然后我们耐心等一会，他已经开始安装了， 然后我们点完成， 嗯，这些软件会自动打开，我们点击这个 capp 注册一下账号， 我们点击继续， 这里面点注册，我们输入我们的名字， 然后输入我们的邮箱， 点继续，然后我们把密码输上去，点继续， 然后回到我们的邮箱去，把这个收到的验证码复制过来， 然后这里我给你点加 八六，输入自己的手机号， 然后我们手机就会出到一条短信，我们把短信这个验证码复制过来， 然后我们点 myself， 然后这里选第一个，继续 这里挑过，这是要付费的， 我们把这个 share 关闭，这个不要绑定。挑过， 然后我们点登录 这里，我们挑过，然后就打开了我们的 cursor， 我 们这里可以。嗯，点这个新建一个项目， 然后我们就直接创建，在这点确定 好，然后我们测试一下现在能不能正常使用。 你好，你是什么模型？ 好，这样就说明我们已经配置好了，然后我们下面来进行一下这个汉画，我们点这，然后我们点这里， 你在这里搜索 chinese。 好， 第一个就是我们点击下载， 然后我们把软件关闭掉，重新打开一下， 好，然后现在的话就已经变成中文了。如果你觉得这个视频有帮助，别忘了点赞和关注我，下次见。
145悟空爬虫
01:45查看AI文稿AI文稿同样是问 mini max， 为什么别人得到的答案比你精确十倍呢？今天教你三个官方推荐的提问技巧，看完就能用。 你有没有遇到过这种情况，问 ai 一个问题，他答非所问，你说不是我的意思，他又偏到另一边去了， 来来回回改了十几次。记得你想砸键盘，其实不是 ai 不 行，是你的问法有问题。第一个技巧，指令要明确， 别让 ai 猜错误示范，帮我写文案。正确示范，帮我写一条朋友圈推广文案，一百五十次以内，语气轻松活泼， 主要针对上班族，推广我们的早餐订阅服务。你看多了，这么多的细节， ai 一下子就能理解你要什么。第二个技巧，告诉 ai 你 的使用场景还有目的。比如你想让 mini max 帮你分析数据，错误示范只说分析这份数据，正确示范就是 分析这份销售数据，找出销售下滑的原因。我要向老板汇报，所以请给出结论加数据支撑，把你的意图说出来， ai 给你的答案完全不一样。第三个技巧呢，就是给 ai 举个例子，他不懂你说的时候，你就举个例子给他看。 比如呢，帮我写一封拒绝信，拒绝的理由是预算不足，语气要专业但友好，就像这样。然后你再附上一封参考邮件，有例子呢， ai 就 会精准复制。没有例子呢， ai 就 会自由发挥。 三个技巧，指令明确，补充意图，注重举例。现在就去试试，看看你问的 mini max 是 不是瞬间变聪明了，觉得有用的收藏慢慢用。今天就讲到这，我们下期再见啦！
03:0889Natt设计留学
01:00查看AI文稿AI文稿每天被杂事堆满，感觉身体被掏空，是时候让 minimax agent 这个最强外挂上场了！它不只是个聊天框，而是一个能跑能算能干活的数字分身。 开启方法超简单，直接搜这个网址或者下载桌面客户端，体验更丝滑。不管是写代码、做方案，还是查资料，他就在你的桌面上随叫随到，妥妥的生产力神兵。 举个例子，你要推新品，直接给他指令看，他会先全网搜竞品分析，再自动生成营销大纲，连配套的文案都给你整的明明白白，甚至还能帮你找配图参考。 他是你的钓儿员、文案专家，甚至是全能策划 minimax agent！ minimax agent 把 ai 从对话框变成了行动派，快去试试，把时间留给更有趣的事情吧！
11小西说AI
04:59
06:48查看AI文稿AI文稿二零二六年，做一个 ai agent 已经不稀奇了，但能在生产环境里稳定跑出了问题，能恢复，随着模型升级，还能继续用的 agent 很 少。这篇稿子，我们来聊聊 anthropic 最近发布的 agent harness 架构思路。这不是一篇如何写更聪明的提示词的文章，它讲的是怎么设计一个能活下去的 agent。 运行时， anthropic 对 agent 的 理解经历了四个阶段。第一阶段，重心在长，上下纹窗口从十万托克扩到二十万，大家都在想怎么把更多信息塞进去，但很快发现，更大的工作台不等于可靠的记忆，托克越多，成本越高，性价比越低。第二阶段，开始区分工作流和自主 agent。 工作流是有固定路径的流程，模型，只在特定节点介入， agent 是 开放循环模型，自己规划，调工具，读结果，继续执行。这个区别比很多人意识到的重要得多。 大多数业务场景，其实用工作流就够了，把它强行换成 agent， 往往只是把一个可控流程变成了黑箱。第三阶段，工程细节开始主导。 think two 多 agent、 研究系统上下文、工程、 agent skills、 沙箱、隔离。 这些看起来是分散的话题，但指向同一个问题。当 agent 真的 开始干活，问题就不再是模型能不能回答，而是系统能不能承载模型的行动。工具太多，上下文爆炸任务太长，对话历史撑不住，执行太自由，安全边界塌了。 第四阶段，也就是现在， ansorepic 把问题提升到了运行时层面，不再讨论怎么写某一个具体的 harness， 而是如何设计一个稳定的接口，让 agent 的 系统能持续演进。 managed agents 的 核心一句话概括，把会持续变化的东西拆开来，模型会变， harness 策略会变，工具会变，沙箱会变，上下文策略会变，安全要求会变，全。塞在一个容器，一个循环，一个 prompt 站里， 一年以后，你的系统就是一块谁也不敢动的砖。 anthropic 举了个很直接的例子， cloud sonnet 四点五有个习惯，快到上下文上线时，倾向于提前结束任务，所以当时的 harness 里加了一个上下文重置逻辑。但 等到 cloud opus 四点五，这个行为消失了，那段重置逻辑就从解决方案变成了负担。教训很清楚，不要把今天的模型缺陷烧进明天的架构里。 manage agents 抽出来的核心接口大概是这些 session 记录任务期间发生了什么， harness 决定下一步做什么。 sandbox 动作在哪里执行？ tool interface 动作怎么被调用？ credentials 动作是否被授权？ context builder 这轮模型看到什么？ trace evil 这次运行怎么被复盘？重点不是设计出一个优雅的固定 agent 循环，而是让这套系统在模型工具执行环境变化时依然能够继续演进。 第一个关键设计，大脑和手分开，大脑等于 cloud 加 harness， 手等于沙箱。 m c p server 外部工具，浏览器代码执行环境早期默认做法是把大脑放在手里面，一个容器既跑 harness， 又拿着 session， 又执行工具，顺手把密钥也放进去了生产环境里。这就是经典问题， 容器变成了宠物服务器，不敢扔，不敢重启，崩了要进去抢救。正确的做法，让 harness 离开沙箱， harness 变成相对无状态的控制平面，沙箱变成可随时调用、随时重建的执行资源。两者之间只需要一个最简单的接口， execute name input string harness 不 需要关心对面是容器、远程服务还是客户。 vpc 里的某个工具环境， 它发出动作，拿回结果。好处是沙箱挂了，任务不挂大脑，可以先启动沙箱，晚点加载一个大脑，可以驱动多双手。第二个关键设计， session 不 等于上下文窗口， 很多 a 阵系统把 session 对 话、历史记忆、上下文窗口混在一起，短任务活下来了，长任务在这里翻车。上下文窗口是模型，在单词推理中看到的头肯是工作台。 session 应该是整个任务发生了什么的持久记录。更像一个事件日制，一个认真的 session， 至少要记录用户输入模型、响应工具、调用工具，结果、文件变更、报错、重试、人工审批、检查点。每次调用模型时，哈尼斯从 session 里取内容，动态组装。这一轮的上下文 工作台是被整理、压缩、裁剪的，台账要尽可能完整，可查询，可恢复。把所有历史都扔进上下文，成本爆炸。模型淹没在造深里，只靠摘掉你丢掉的细节，很可能是明天的关键 bug。 这个分层才是立得住的。结构，原始事件长期保留 context builder 每轮动态选举模型，这轮看到高清造笔的上下文。 第三个关键设计，沙箱设计被严重低估，大多数团队从给 agent 一个 shell 开始，能跑命令，能读文件，能改代码，感觉够用了。生产环境里，沙箱是你的安全边界，执行边界也是成本和延迟的重要来源。 entropic 在 cloud code 沙箱和 manage agents 里推进的原则，沙箱要隔离文件系统和网络，把模型生成的代码视为不可信代码，否则提示词注入可以让 agent 读到他不该读的文件，访问他不该访问的服务，然后把结果带出去。 沙箱不应该持有长期有效的凭证。每一个 github token、 数据库密钥、云服务密钥放在沙箱里，就是可以被攻击者通过 agent 泄露出去的东西。 沙箱要能重建，能恢复，长时间运行的 agent 一定会遇到失败。把沙箱和 session 绑定太死，失败就会把整个任务拖下去。正确的做法，沙箱可重建，可恢复，理想状态下支持快照和续跑。 很多 agent demo 看起来很好，进了生产环境就变得臃肿昂贵，无法调试。原因很简单，研究型 harness 和生产型 harness 的 目标不一样，研究型 harness 追的是能力，天花板，多烧 token， 多开子， agent 多叠评估器，任务成功率上去了，实验就成了。 生产型哈尼斯追的是稳定回报。要算成本，看延迟控权限，从失败中恢复，可观测，可灰度，可回滚。这里有一句话值得反复想。哈尼斯策略，每次模型升级都要重新定价，今天的规划器是帮手，明天可能只是拖累。 今天的评估器能抓错误，明天可能只是成本。今天的上下文重置是必要补丁，明天是死代码。所以生产型哈尼斯不能只是加东西，它也必须删东西，每次模型升级都应该重新测试。 记忆模块还在赚钱吗？ critic 还在赚钱吗？工具搜索还在赚钱吗？多 agent 的 删除还在赚钱吗？上下文重置还在赚钱吗？在 agent 的 工程里，删掉过时，复杂度本身就是一种能力。 agent 产品会越来越复杂，但复杂度不应该全注在 prompt 和循环里，它属于运行时 session 管持久状态。 harness 是 控制平面， context builder 做上下文调度， tooler router 负责动作分发， sandbox 隔离执行 credentials 守住凭证边界 trace 记录过程亦要做结果判断，这才是 agent 真正能跑进生产的基础。 多 agent 会继续引进 m c p， 生态会继续扩展，上下文窗口会继续变长，模型在工具调用规划、自我修正上会继续变强，但这些都不会软化核心问题只会让它更尖锐。 你的系统必须能换掉旧策略，把所有东西硬编码、禁 prompt 容器和固定循环的 a 阵平台每个季度都会变得更难维护。而那些在状态、执行、凭证、上下文评估之间划清边界的系统，才是真的能跟模型一起进化的系统。
296oneone
02:57查看AI文稿AI文稿前面给大家带来的汉化版脚本预设包得到了大家的一致好评，脚本好用，预设质量高，中文汉化的体验更是非常棒，那今天就是属于进阶，将使用方法进一步提升。 除了各种文字视频、海报标题、文字字幕条呼出指示线、背景图形转场之外，本期主要是 a 版本使用，涉及到调色效果，色彩搭配以及强大的动画工具包，还有 pr 调色板使用， 正是这期内容前麻烦大家在评论区打上牛牛牛。首先调色效果这里共分为了四组共计一百五十一个调色预设可以使用，点击打开可以看到非常多的调色预设，不同分组也可以直接切换， 点击修改图标即可直接应用，在修改键即可进行详细的参数设置。另外提示，因为官方脚本程序 bug 复古分组不要点击使用，这里点击会出现脚本卡顿的情况，卡顿了直接关闭脚本重新打开即可正常使用。 色彩搭配这里共分为了六组，六组完全不同的色彩风格，共计三百三十个色彩预设，每个预设都是由四种颜色搭配而来，可以直接作为参考，使用吸管来吸取颜色。 点击预设可以打开颜色应用窗口，选中需要填充的图层，点击颜色直接应用。针对一个图层中有多个形状，则可以点击。随机应用则可以自动的为不同形状随机上色，包括秒变颜色也在控制之内。同样的也可以同时选中多个图层，直接选择颜色应用。 哇！动画工具这里是最有分量的分类，包含了四组共计六十个工具。首先是动画工具，共十四个，是图形动画、文字动画、 mg 动画制作的强力辅助神器。 设计工具，共计十六个，是每一位设计师的必备选择。快捷交互工具，辅助你更快的完成复杂的工作内容。图层与关键帧工具，一共十八个，帮助你快速的对图层和关键帧进行处理，让很多复杂操作现在都可以直接一键完成。 效率工具共计十二个，都是快捷小工具，非常实用，将诸多操作简化为一键点击。这里每一个工具其实都是对应一个脚本， 点击后有的可以直接应用，有的就是直接打开脚本窗口，进一步的选择使用，绝大部分的脚本都是中文，零基础使用也是无压力。 最后 p r 这边也有三百三十个色彩预设可以选择使用，虽然不常用，但是也确实有。这里的颜色都是 ap 格式文件，默认情况下直接使用吸管工具来吸取颜色即可。当然可以单机导入到视频训练时间线中，会在视频左上角自动导入一个色卡，使用也很方便。 那今天的视频到这里就结束了，如果你觉得本期视频对你有帮助，欢迎点赞、收藏，转发给正在学习的朋友，支持一波，我们下期视频很快就见！
58影视后期系统教学
02:11查看AI文稿AI文稿把电脑交给 ai 管理，让他帮我完成百分之八十的重复工作，是怎样一种体验？今天测试一下二零二六年的原生工作台。这是 mini max 最新推出的 agent 桌面端，它和普通 ai 助手最大的不同是，它能直接操作你电脑里的文件、 浏览器，甚至帮你部署网站。今天我测试两个 case， 看看他到底能帮我节省多少时间。第一个 case， 我 让他帮我部署一个个人简历网站。以前大家要做这件事，得先找模板、改代码、配置服务器、上传文件要花半天时间吧。现在我直接告诉 agent 分 析博主李哥 builder， 参考我发的这篇图文笔记， 制作一份李哥的 pdf 个人简历，可以看到他阅读了这个网页的内容，然后为我制作了个人简历。 我再说一句，根据这份简历，做一个李哥个人网站，风格要简洁、专业、现代化，突出独立开发和内容创作经验。你看他开始执行，这就部署成功了。全程只需要说两句话，我们可以看看这个网站的效果。 第二个 case， 我 平常写视频脚本，会存在不同的文件夹分类里，我想整理这些脚本，得一个个打开文件，手动复制数据，再分类整理，光是整理就要浪费不少时间。 但现在我可以让 agent 帮我做这件事，只需要选择对应的文件夹目录，然后告诉 agent， 帮我分析这个文件夹里的所有视频脚本，提取标题、标签、发布时间，整理到 excel 表格里， 然后生成一份数据报告，你看它就自动完成了。 minimax agent 搭载的是 m 二点五模型，在 office 高级处理、深度搜索、调研、长文档摘要等生产历场景中都有提升。传统的 ai 助手，你问他问题，他能给你答案，但你还得自己动手去执行。 而 agent 类的 ai 就 像你雇了一个助理，你只需要告诉他目标，他会自己想办法完成更进一步。他通过分析我的视频脚本，实际上变成了我的工作分身。他知道我的写作风格、常用的表达方式和关注的话题之后，他就能写出更符合我个人风格的内容，做到帮我提效的结果。 这就是二零二六年的工作方式，你专注做更有价值的事，而那些重复性的执行工作交给 ai 就 行。 ok 啊。以上就是我测试 mini max agent 的 桌面端的真实体验，如果你也在探索 ai 提交的方法，欢迎在评论区分享你的经验，我们下期见，拜拜！
306鲤哥builder
03:34查看AI文稿AI文稿五月十三日， minmax 征集了他的 agent 系统，并起了一个新名字 mevers， 意思是 minmax has a jarris。 那 这次主要的更新呢？是 minmax 上线了 agent teams。 但更值得关注的是，它并不是简单地多了几个 agent， 而是它把多 agent 的 系统背后的写作逻辑、验证机制和成本问题比较完整地公开拆解了出来。 imax 认为一个 ai 已经越来越难以独立完成复杂任务了。过去很多 agent 本质上还是单兵作战，但任务一旦变长，就会出现几个非常典型的问题，比如做到一半突然停了上下文，越来越长之后开始跑偏， 用户中途追加需求，历史任务和新任务就会互相污染，甚至同一个 agent 一 边执行任务，一边还得自己检查自己。 尤其是在 coding research、 office 这种长链路场景里，复杂度会迅速上升。所以 minimax 这次直接把 agent 拆成了三个角色， owner 负责拆任务和调度， worker 负责执行， verify 负责检查和验收。而且 minimax 特别强调，角色扮演不等于角色分工， 真正的分工是不同 agent 之间工具不同、上下文不同、记忆不同、权限不同，甚至验收标准也不同。那为了能够让这些 agent 长期写作， minmax 还专门做了一个 teamng， 去管理 agent 当前状态、任务周期和消息交换流程。但这里面我觉得最有意思的其实是 verify。 因为过去很多 agent 默认生成即完成，但 minmax 这次明确提出来，完成不等于可以交付。 所以 verifier 不 只是简单检查一下，而是会真正的参与到事实来源核实、代码测试、格式验证、风险审查、任务回退和重试。甚至 minimax 专门提到 worker 和 verifier 之间本质上是对抗关系，就有点像企业里的研发和 qa 部门， worker 停下， verifier 开始检查，那 verifier 发现问题又重新打回给 worker， 本质上它是在让 ai 形成一种内部的制衡，而不是依赖单个模型的自我检查。但是第四波实际上手册了一下， 大部分场景还是能跑通的，但我们让他跑了一个全站的 python 项目，结果要么就是全线一直被拒，要么就是 node 环境有问题， teamplan 直接跑不起来。 所以坦白说，目前这款产品更偏向于 demo 阶段，但它的价值在于，它比较完整的把多 agent 到底怎么写作这件事情拆开来讲了， 因为多 agent 真正难的，其实从来都不是多几个 ai 那 么简单，而是他们怎么沟通。那 mini max 这次甚至还专门讨论了多 agent 的 to 坑成本问题。 minimax 引用论文提到，在某些多 agent debit 场景下， token 消耗可能达到单 agent 的 两到三倍。那原因很简单，越来越多的 token 已经不是花在解决问题这件事情上了，而是花在 agent 之间的信息同步、任务交接、验证聚合和内部协助上。 比如 research agent 查回来几十个网页儿， writer 未必能直接理解，中间还得重新摘要结构化再提炼重点。那 writer 写完之后， very fair 还要重新检查，如果检查不过再重新修改， 所以同一个任务， ai 内部可能都已经来回跑了很多轮。所以不难发现，多 a 这个架构下，一个更现实的问题开始出现， ai 也有自己的沟通成本了，那如果这个成本问题解决不了，真正意义上的贾维斯可能离我们还有一段距离。
24第四波
