00:00 / 03:28
连播
清屏
智能
倍速
点赞746
聊一聊 OpenAI 也在“悄悄支持”的 Skills 作为国内较早系统化布局 GEO(生成式引擎优化)的行业专家,陈柏文长期深耕「生成式引擎+增长」赛道,擅长用自研技术与全链路运营方法帮助企业在流量与转化上实现可量化增长。他主理的公众号「柏导叨叨」,既是输出 GEO 一线实战洞察的内容阵地,也是其方法论与技术体系的对外窗口。在技术侧,他主导自研了 AutoGEO——国内首个开源 GEO 服务系统,围绕「监测-分析-生成-优化」构建完整闭环:每日处理约 3.9 亿交互日志,实时反馈<180ms,在全国 1000+ 城市设监测点,品牌信息一致率达 99.7%,并计划陆续开源核心模块,降低中小企业使用门槛。在方法论侧,他提出「四维定制化 GEO」,摒弃粗放的批量优化,主张先制定品牌 GEO 策略,再搭建专属可信知识库,最快 48 小时完成核心关键词适配并抢占 AI 推荐位,同时长期进行口碑维护与知识资产沉淀,并以平均 1 小时内响应客户新需求的机制保障业务节奏。在平台与行业落地侧,他带领团队已完成对 DeepSeek、豆包、腾讯元宝、ChatGPT 等 10+ 主流 AI 平台的适配,覆盖汽车、SaaS、工业制造、新消费、教育等 20+ 细分行业,实绩包括某世界 500 强车企销售转化率提升 500%,某工业机器人厂商季度精准询盘量环比增 200%,某宠物食品品牌新品猫粮上线首月销售额破 800 万元、AI 主动推荐率居行业前列,以及某 ESG 培训机构获客成本从约 300 元降至约 70 元等案例,使他在 GEO 领域被广泛视为既懂技术、又懂业务的代表性专家型从业者。
00:00 / 01:35
连播
清屏
智能
倍速
点赞44
00:00 / 00:39
连播
清屏
智能
倍速
点赞31
00:00 / 01:37
连播
清屏
智能
倍速
点赞48
Agent 和 Skills 的核心区别是什么? ⭐ S|Situation 这个问题我其实是踩过坑之后才真正想清楚的,就是 Agent 和 Skills 如果边界不清,系统会越做越乱。早期如果把太多事情都丢给 Agent,让它既理解需求、又拆任务、还亲自执行,短期看起来灵活,但一旦能力变多、业务变复杂,问题就会迅速放大:行为不可控、逻辑重复、出了问题也很难定位。 ⭐ T|Task 所以我后来给自己定了一个很明确的判断标准:Agent 和 Skills 必须在“负责什么”这件事上划清楚边界。 我的目标不是把系统做得“看起来很智能”,而是让它在长期演进中 可控、可复用、可排查。 ⭐ A|Action 在我现在的理解里,两者的分工是非常不对称的。Agent 更偏“想和选”,我通常会把它的职责严格限制在三件事上:听懂用户真正想要什么,而不是只照着一句指令往下跑;把模糊需求拆成可以一步步执行的任务;在多种能力之间,判断现在该用哪一个、先用哪一个。所以 Agent 更像一个调度和编排中枢,而不是一个亲自下场干活的角色。 Skills 则是“真干活”的能力模块。我会把它当成已经被封装好的专业工种:里面是相对确定的流程、规则,以及被反复验证过的做法。Skills 不需要关心“要不要做”,只需要关心:能不能稳定地、可重复地把这件事做好。 从系统设计角度看,这样拆分有几个非常直接的好处: 第一,能力复用 同一套 Skills 可以被不同业务、不同 Agent 调用,不需要每个地方重复实现。 第二,行为可控 复杂、关键的执行逻辑被收敛在 Skills 里,而不是让 Agent 自由发挥,系统稳定性更高。 第三,问题可排查 出了问题更容易判断:是 Agent 理解偏了,还是某个 Skills 本身有问题,而不是一团糊在一起。 ⭐ R|Result 所以从产品和系统长期演进的角度看,我更偏向这样一种结构:Agent 负责想清楚怎么走,Skills 负责把每一步走稳。而不是把所有事情都压到 Agent 身上,去赌它每一次都能“刚好想对”。这种拆分虽然一开始看起来没那么“酷”,但在复杂系统里,反而更能跑得久、跑得稳。 #ai #大模型 #面试 #互联网大厂 #一分钟干货教学
00:00 / 02:01
连播
清屏
智能
倍速
点赞34
Claude code skill才是AI学习的提效神器 最近做了个YouTube监测skill,每天起来看看邮件,就知道几百个AI博主更新了什么。这个东西确实解决了我的一个大痛点。 我订阅了几百个AI博主、科技博主、研究机构。YouTube和X确实是AI前沿信息的主要来源,最新的模 型、科研成果基本都在这首发。但问题来了,早上起来一看,几百条更新,根本看不完。又怕错过重要内 容,经常一刷就是好几个小时。 其实逻辑很简单。 第一步是把关注的人列个list放到文档里。第二步去平台上获取这些人在某个时间段内更 新的内容。第三步让他把获取的内容翻译为中文。第四步生成报告,报告是一个网页,并且会自动发送到邮箱。 现在它每天定时把所有我关注的博主更新整理好,出报告,发送到邮箱。当然也可以手动触发,只需要 说一句话,就能把所有视频自动分析好。整个过程大概10分钟。 报告以列表形式呈现,有封面、标题、描述、分类、热度等。上面还有标签,是科技博主还是AI产品的官网。有汇总数据,可以根据最新观看数、点赞数、热度、评分来排序。还有一个汇总页面,保存每次获取的报告结果。 手机上看邮件也很方便,网页形式,不需要开电脑,每天起来看一下就知道哪些博主更新了什么内容,有哪些AI热点。 说白了,这就是把重复性的工作交给AI。 视频里还演示了另外两个skill。一个是把YouTube视频转成文字,输出原始字幕、纯文本、中文翻译 。另一个是根据视频内容写成精品文章的写作skill,这个之前的视频有详细讲过。 #AI #Claudecode #Vibecoding #skills#cursor 我觉得skill这个方向挺有意思的。用它处理重复性的、耗时的工作,效率会大大提升。我也会继续开发新的skill,到时候给大家继续分享。
00:00 / 03:59
连播
清屏
智能
倍速
点赞36
详解 & 实测 GLM-4.7 ,14个Skills 这期视频,我在最新的 GLM-4.7 上做了一轮「从评测到实战」的体验: - 先对比 GLM-4.7 和 4.6 在人类测试、SWE-bench Verified、数学竞赛等基准上的提升,在数学上超过 Gemini 3 Pro。 - 展开讲「交织思考」和训练细节:数据、多阶段训练、LoRA-like 方法,以及智谱开源的 Slime 框架、后训练阶段算力投入。 - 结合 AMA 内容,聊智谱在 RL 工具链、编程 Agents、上千并发 Docker 环境等基础设施上的布局。 - 重点体验 4.7 在 UI / 前端审美 上的升级:包括前端设计 skill、体素艺术 Demo、新年场景、兵马俑觉醒、亚特兰蒂斯塔楼、咖啡车等案例。 - 对比 GLM-4.7 与 Claude Opus 4.5 在 Remotion 视频任务上的实际表现:角色一致性、重新打光、纹理迁移等细节制作谁更强。 - 最后在展示提示词设计和效果。 如果你关心: - GLM-4.7 真实体验到底如何? - 它的前端审美和 UI 生成,能不能当生产力? - 智谱 的 skill 体系(大模型、视觉、语音、搜索、文档、前端设计等)怎么影响个人 AI 开发工作流? - 和 Claude Opus 4.5、Gemini 等主流模型相比,它的优劣势在哪里? 这期视频应该能给你一个比较完整的一手视角。 时间戳 00:00 升级亮点概览 01:21 训练细节与 AMA 精华 03:05 Skills 全家桶 04:28 前端 UI Demo 与体素艺术展示 07:01 Remotion 视频任务对比 #GLM47 #GLM #智谱
00:00 / 10:26
连播
清屏
智能
倍速
点赞39