00:00 / 02:17
连播
清屏
智能
倍速
点赞142
00:00 / 00:53
连播
清屏
智能
倍速
点赞78
00:00 / 08:08
连播
清屏
智能
倍速
点赞146
蔡荣均1周前
10分钟跑通视频号自动发布,别让工具替你盲发 如果你经常发视频号,这个 Skill 可以看看。 它叫 wechat-video-publish,中文名是“腾讯视频号发布”。 一句话说清楚: 它不是生成视频,也不是写爆款脚本,而是帮你把准备好的视频发布到视频号。 SkillHub 页面信息: 下载量:1023 版本:1.0.0 来源:ClawHub 安全检测:安全、无风险 API Key:不需要 我测完的结论: 它适合省发布步骤,不适合替你盲发。 它适合谁? 视频号运营人 短视频团队 客户代运营 经常发布 AI 视频的人 想把发布流程标准化的人 使用前先准备 5 样东西: 1. MP4 视频,建议小于 100MB 2. 标题,必须 6-50 字 3. 视频描述 4. 话题标签 5. 可见范围、原创声明等发布设置 我按 6 步测试: 第一步,准备浏览器自动化环境。 第二步,打开视频号发布页。 第三步,微信扫码登录。 第四步,上传本地视频。 第五步,填写标题、描述、话题、位置、原创声明、可见范围。 第六步,发布后进内容管理页确认。 最关键的是最后一步。 自动化发布最怕的不是失败,而是你以为成功了。 它最有用的地方,是把视频号发布变成一张检查清单。 以前手动发布,很容易漏: 标题字数不够 忘记加话题 可见范围选错 原创声明没确认 发布后没检查 同一条视频重复发 但这几个坑一定要避开: 不要未经审核批量发布。 不要把客户账号交给不可信环境。 不要让工具替你声明原创。 不要规避平台规则。 不要发完就走。 发布前检查清单: 视频是不是 MP4? 标题是否 6-50 字? 描述是否写清楚? 话题是否准备好? 原创声明是否确认? 可见范围是否正确? 发布后是否验证? 一句话总结: wechat-video-publish 是视频号发布助理,不是视频号运营负责人。 工具可以省步骤,但账号安全、内容质量和平台合规,还是要人负责。 #AI工具测评 #SkillHub #视频号运营 #短视频运营 #AI工作流 #内容运营
00:00 / 01:52
连播
清屏
智能
倍速
点赞5
00:00 / 02:26
连播
清屏
智能
倍速
点赞426
00:00 / 04:20
连播
清屏
智能
倍速
点赞35
00:00 / 00:57
连播
清屏
智能
倍速
点赞36
用了Skill还是一头雾水?一次讲透 很多人用了Skill之后还是一头雾水,今天把这件事彻底说清楚。 Skill本质上就是一个markdown格式的文本文件,里面存的是提示词,但必须按固定格式来写。文件分两块,上面是配置区,下面是指令区。配置区里最关键的是Name,必须用英文,因为这个文件要放进同名文件夹,文件夹再放进Agent的指定目录。如果名字是中文,路径里出现中文字符,Agent调用时大概率会报错。指令区就是写提示词的地方,规定这个Skill遵循什么规则、走什么流程。 为什么一定要用Skill而不是直接写提示词?核心原因是按需加载。没有匹配任务的时候,它不占任何token,只有当你的需求触发了它,AI才把这个文件加载进来。这样既节省消耗,又能让AI随时切换成不同的专家身份来处理事情。 那怎么写一个好用的Skill?不用自己硬想,Claude官方仓库里有一个专门生成Skill的Skill,叫skill creator。把整个仓库下载解压,找到这个文件夹,丢进你的Agent的skills目录里。启动Agent之后输入斜杠Skill就能调出来。然后用大白话描述你想要什么,描述越细,生成的结果越贴合需求。 说三个真实场景,帮你判断它能不能解决你的问题。 第一个是处理繁琐杂活。比如会议纪要,以前录音加笔记再手动归档,现在可以做一个Meeting Skill,把整个流程固定死:第一步调用转写工具把录音变成文字,第二步清理语气词,第三步分析整理内容,第四步自动保存到指定位置。开完会直接把录音扔给它,剩下的它自己跑完。 第二个是把多个工具串成一条线。如果你每周都有固定的内容生产任务,不想在各种工具和网站之间反复切换,就可以用Skill把这些环节串起来,变成一个一键启动的流程。 第三个是多个Skill同时协作,构建完整的生产流水线。比如内容生产场景,配三个Skill,一个负责选题分析,一个负责按风格写文案,一个负责审查违禁词和逻辑漏洞。你只需要下达一个初始任务,Agent会自动按顺序调用这三个Skill跑完全程。这种模块化的方式还有一个额外好处,能有效降低大模型在处理长任务时出现的逻辑偏移。 最后说一下Skill和MCP的区别,一句话:Skill是指令和流程,MCP是工具和接口。Skill可以调用MCP来扩展能力,但MCP只能在Skill定义的规则框架里运行。
00:00 / 02:17
连播
清屏
智能
倍速
点赞148
00:00 / 09:06
连播
清屏
智能
倍速
点赞207
00:00 / 23:21
连播
清屏
智能
倍速
点赞79
LLM、Agent、MCP、Skill的关系,看完就懂了 很多人最近都在聊 Agent、MCP、RAG,但这几个词经常被混在一起。其实可以用一句话记住:LLM 是大脑,RAG 是资料补给,MCP 是工具插座,Agent 是把它们组织起来干活的执行系统。 LLM 负责理解语言、推理和生成内容,它决定了系统“会不会思考”。但只有 LLM 还不够,因为模型本身不会自动查你的公司文档,也不会主动打开工具完成任务。 RAG 解决的是“知识从哪里来”。它会先从文档库、网页、数据库或私有知识库里检索相关资料,再把这些资料放进模型上下文,让回答更贴近事实,也更适合企业知识问答、客服、投研、内部助手等场景。 MCP 解决的是“工具怎么接”。过去每个工具都要单独适配,现在 MCP 更像统一插座,让 Agent 更标准地连接 API、浏览器、文件、数据库、表格、代码工具和企业系统。 Agent 解决的是“任务怎么完成”。它会理解目标、拆解步骤、调用 LLM 思考、用 RAG 查资料、通过 MCP 接工具执行动作,再根据结果反复调整,形成一个任务闭环。 所以不要再把这几个概念混为一谈:LLM 不是 Agent,RAG 不是搜索引擎,MCP 也不是 Agent。真正强大的 AI 应用,往往是 LLM + RAG + MCP + Agent 组合起来:既能理解,又有知识,还能接工具,最后能把任务做完。#大模型 #大语言模型 #大模型微调 #大模型训练 #大模型应用 @AI大模型资料
00:00 / 00:17
连播
清屏
智能
倍速
点赞128