00:00 / 01:53
连播
清屏
智能
倍速
点赞376
00:00 / 04:24
连播
清屏
智能
倍速
点赞309
00:00 / 03:07
连播
清屏
智能
倍速
点赞417
00:00 / 03:17
连播
清屏
智能
倍速
点赞114
00:00 / 04:09
连播
清屏
智能
倍速
点赞722
00:00 / 02:18
连播
清屏
智能
倍速
点赞47
00:00 / 29:09
连播
清屏
智能
倍速
点赞238
00:00 / 04:40
连播
清屏
智能
倍速
点赞50
韦东东1周前
openclaw和claude code的一些区别和联系 上下文碎片化在企业商业模式/治理体系成熟之前,很难靠“全局统一数据定义+强结构化”一次性解决,反而更可能从个人 Agent 这种 wedge 形态开始,也就是先把跨应用的“访问、筛选、压缩、写入记忆、检索与执行”跑通,再逐步长出更强的组织级整合。 CC架构我也很认同它的落脚点,私以为它的价值不在把上下文压短,而在于把 Agent 变成一个可执行的闭环系统。具体来说,主控(orchestrator)基于当前证据做计划,然后调用工具去执行(读/写/查/跑),再用结果(测试、报错、diff、日志)做反馈迭代。也就是说,CC 更像一个“控制回路/执行回路”的范式:检索把证据拿进来,CC 负责把事情做完并用反馈纠偏。因此我会把“个人 Agent 统一上下文”理解成两件事一起成立:一是你说的检索+信息压缩,把碎片信息变成可用记忆;二是像 CC 这种多步工具调用的执行闭环,让记忆不仅能“被问”,还能驱动动作。 补充两个我在企业项目里反复遇到的问题,也许能把这条路径更工程化: 第一,记忆层不只是存储,更重要是可追溯与可更新。Markdown/文件系统当然可以做载体,但建议至少分层:原始证据层、压缩摘要层、面向任务的结构卡片层等。 第二,你提到的“筛选与组织信息字段”本质是检索+压缩(信息有损),而它能否长期可用取决于评测与 bad case 回收机制:压缩丢了哪些关键约束、哪些字段最容易被误摘要、哪些场景需要强结构化兜底,都得靠持续的失败样本迭代出来。 #claudecode[话题]# #openclaw[话题]#
00:00 / 05:00
连播
清屏
智能
倍速
点赞34
00:00 / 09:02
连播
清屏
智能
倍速
点赞24
黄大厨2天前
OpenClaw自动剪辑口播视频,实战演示多助手协同 AI 终于从玩具变成生产力工具!本期手把手带你用 OpenClaw 配置多 Agent 协作系统,并上线一条全自动口播视频剪辑流水线——这是真正能落地的 AI 生产力实战,不是演示给你看的 Demo! 你将看到:如何让多个 AI 助手各司其职、互不干扰,以及一个能自动识别口误、清理废话、输出精准字幕的剪辑 Agent 是如何从零搭建的。保姆级实战教学,小白也能跟着跑通! --- 本期你将学到哪些硬核生产力技巧? 多 Agent 系统配置:不同群聊绑定不同专属 AI,各自独立运行,上下文绝不串台; 专属模型分配策略:复杂任务用高级模型,简单任务用轻量模型,精准控制使用成本,告别天价token; 口播剪辑 Skill 实战:云端 ASR + FunASR + Whisper 三模型协作,精准识别口误、结巴、重复句,语意剪辑,语气词边界精细处理,个人专属词典系统; 适合谁看? 想用 AI 提升工作效率的普通人|学会多 Agent 系统的配置逻辑,把 AI 真正变成你的团队 做视频内容的创作者|跑通一条全自动剪口播的流水线,告别手动逐帧找废话 想深入理解 Skill 设计的开发者 学会如何拆解复杂任务、让多模型各司其职的工程化思路 #openclaw #ai #视频剪辑 #AIAgent #生产力工具 #FunASR #Whisper #自动剪辑 #数字员工 #效率工具
00:00 / 19:42
连播
清屏
智能
倍速
点赞103