铃阅
❌

阅读视图

Seedance新模型,再次拯救了我的钱包和时间!(附实测+提示词)

原创 袋鼠帝 2026-11-16 14:32 云南

你管这玩意儿叫残血版?实测最接近 2.5 的模型

大家好,我是爱用AI做视频的袋鼠帝。

说实话,做了这么多期AI视频,评论区出现最多的问题是:这条视频花了多少钱?然后都说做一条视频好贵。

我之前做的《谢谢你,外星人》2分22秒,花了500块左右,有老哥说贵;于是我换了便宜的模型做《荒原猎手》,又有老哥说效果跟Seedance 2.5差距有点大。。

虽然《谢谢你,外星人》这条视频没有给我带来实质性的收益,但是在B站目前有88万播放量,我觉得给我带来了一定的粉丝量同时也带来了一定的影响力,对我来说,还是挺划得来的。

我还去扒了一些善用Seedance的影视作品:

最近全网杀疯了的 AI 历史漫剧《持械入宋》,核心团队就 6 个非科班普通人,54 岁的大叔带着网约车司机、送货员和宝妈微信远程干活。没花钱投流,靠 Seedance 搓出千军万马攻城战,连更十季干破 120 亿播放,业内估算回报早过了千万级。

还有个人独立手搓的《安徽小木匠》,制作总共才花 2900 多块,全网跑出 3 亿多播放,收益直接破了七位数,真🐂🍺。

Image

Image

我是这么看的,我觉得Seedance本身确实是划时代的工具,这个毋庸置疑。有些人可能会唱衰AI短剧,但是AI视频一定不可能只有短剧这条路,但如果你一定要在评论区追问我有哪些路,那你大概率也不会在AI视频上拿到结果。

ok扯远了,我们言归正传。

在8月份的横测中,我在文章里下过一个结论:Seedance 2.0 fast应该是目前性价比最高的视频模型了。

然而三个月不到,这句话就得收回了🤣

前几天火山引擎发布了他们最新的视频模型Seedance 2.5 flash,上周末API也在火山方舟上线了。正好我火山引擎账号里还有一些之前没用完的额度,我就拿来跑了一些视频。

体验完,我感觉它应该会是我接下来用得最多的视频模型。

一句话概括就是:Seedance 2.5的效果,Seedance 2.0的价格。

ok,先给大家看个好玩的。

这是一条30秒、一镜到底的3D动画,画面里一共13个角色:十二生肖,外加一只倒霉的橘白猫。

猫从左往右走,挨个跟生肖打招呼。老鼠高冷地把头一扭,牛从鼻孔里喷出两股白气,猴子捂着肚子笑它。走到头它突然想起什么,掉头跑回去找牛,结果被牛一脚踢飞,迎面糊在镜头上🤣

整条片子中间没有剪过,是Seedance 2.5 flash一次生成的。

然后周末我熬夜从凌晨3点看LOL总决赛,看到8点多,BLG连败四个韩国队伍,拿下史上含金量最高的一次冠军🎉,朋友圈直接刷屏了!

为了庆祝BLG夺冠,我用Seedance2.5 flash制作了下面这个视频,复刻的是最后一把的大龙团,也非常有意思~

简单介绍一下Seedance 2.5 flash:

Seedance 2.5 flash是当前效果最接近Seedance 2.5的模型,整体效果比上一代旗舰Seedance 2.0要好,生成速度快一倍。

价格的话,以720P的文生视频、图生视频为例,API大约0.99元/秒,比Seedance 2.5便宜约34%,跟Seedance 2.0持平。按这个价格粗算,一条30秒的720P视频,大概在30块钱左右。

规格上,单段最长30秒;单次最多能喂10张图、5段视频、5段音频;分辨率有480P和720P两档。

即梦、LibTV、Updream、Creao AI、TapNow这些平台在陆续上线,API就是(11月15日)在火山方舟上线的。

PS:有两点得说一下。flash目前最高只到720P;参考图上限10张,比满血版2.5少了不少。要做1080P、4K的大片,还得是满血版(后面我会说说两个怎么搭配使用)。

火山方舟 API 接入 Agent

为了批量跑镜头省事,我直接在火山方舟调了 Seedance 2.5 flash 的 API,接进我常用的本地Agent 里(像豆包工作、Codex、Claude Code等等Agent都可以),这样用起来自由度更高一点。出分镜图这块用到了火山最新的Seedream5.5

PS:不想搞 API 的朋友也不用慌,目前它已经陆续登陆即梦、LibTV、Updream、Creao AI、TapNow 等平台了,网页端打开就能用。

一、BLG夺冠!

这次复刻BLG夺冠团战遇到的比较波折的问题就是原版的LOL英雄、场景等设定素材会被 Seedance 系列模型的IP版权保护检测拦截,导致无法提交生成视频。

然后我看了一下某音上面,LOL的视频都是真人版,于是这次只好曲线救国,在原版的设定图基础上进行微调以绕过模型的IP版权检测。

左边是原版,右边是微调后的真人版

Image

Image

角色和场景设定图的问题解决后,咱们需要先找到BLG在比赛中这部分的战斗经过,然后制作成分镜脚本,比赛中最后一波大龙团战如下:

这部分的工作可以交给本地 Agent 来帮我们实现,让它帮我逐帧拆解比赛视频并制作成分镜脚本表格。

通过逐帧分析比赛视频,找到和修正一些关键镜头,然后输出一版专业的视频分镜脚本。

依靠这次最新版的 Seedance 2.5 flash 的强大能力,我制作上述这版电影级CG动画时基本上每个镜头只抽卡了1-2次,部分镜头甚至可以做到一次直出即可投入正片中剪辑使用,极大提高了成片的质量和效率,抽卡次数的降低更是能节省不少积分消耗的成本。而且不愧是flash模型,在视频生成的速度也非常快。

速度的体感上比Seedance2.5快不少,跟2.0速度差不多,但是比2.0 fast还是慢一丢丢。

二、十二生肖为什么没有猫

十二生肖里为什么没有猫,民间流传最广的说法是:玉帝排生肖那天,老鼠答应叫醒猫,结果自己偷偷先去了,猫睡过了头,从此跟老鼠结了仇。

我这次给猫安排了一个更惨的版本。视频的难度挺高的:

13个角色同框,每个角色的体型、服装、站位都不能乱;

30秒一镜到底,画面要先向右横移、再反向向左快速跟拍、再跟着飞过来的猫后退、最后拉远成群像,中间不能切;

画风是高规格的3D动画电影质感,毛发、材质、表情都得自然;

还有牛踢猫这种需要身体接触的动作,特别容易穿模。

参考图角色是我提前用seedream5.5做好的一批3D动画风格的十二生肖+猫拟人形象。

Image

Image

Image

过程中我总结了一个小妙招:flash单次最多只能输入10张图,而我有13个角色。所以我把角色按4个一组,拼成了3张站位图,再加一张猫的单人图和一张全员站位图,一共5张,再一起喂给模型。

提示词:

生成一段30s、16:9画幅的高规格 3D 动画电影级片段(欧美 CG 动画长片质感)。采用国际顶级动画长片制作水准,角色具有精细的毛发系统、真实细腻的材质、丰富自然的面部表情、流畅准确的身体运动和富有弹性的卡通物理表现。整体氛围轻松幽默,具有高质量动画电影的戏剧节奏。
参考图1= 四名拟人化中国生肖角色的外形、服装、体型、身高比例及站位,依次为鼠、牛、虎、兔;
参考图2= 四名拟人化中国生肖角色的外形、服装、体型、身高比例及站位,次为龙、蛇、马、羊;
参考图3= 四名拟人化中国生肖角色的外形、服装、体型、身高比例及站位,依次为猴、鸡、狗、猪;
参考图4= 橘白色年轻拟人化猫角色的唯一造型参考。严格保持其橘白相间的毛发、面部特征、耳朵、身材比例、橄榄绿色针织开衫、米白衬衫、棕色长裤、皮鞋、棕色斜挎包及手中的笔记本。它的体型应为比[image]中的老虎更矮小一些,比兔子更高大一些,体型介于两者之间。
参考图5=12名拟人化生肖角色的完整呈现的站位、全身身高、体型、服装和动物特征参考。
将图1、图2、图3中的12名拟人化中国生肖角色整合到同一个连续摄影棚空间中,按照参考图5的左右顺序排列,形成一条横向延展的角色队列。三组之间保持合理空间间隔,每组内部尽量保留原图人物的相对站位、身高、体型和视觉比例。所有角色均为完整的立体3D动画角色,保持原有动物种类和拟人化特征,不得将角色替换或重新设计。
画面内容:0s-30s全程一镜到底,无跳切
0—2秒:
镜头从参考图1中四名角色的全身站位全景开始,四名角色从左至右依次为拟人化中国生肖角色鼠、牛、虎、兔,全部自然站立在灰色摄影棚地面上,面向镜头。橘白猫先是探出头微笑面对镜头从画面左侧入镜,然后它自然地迈步全身入镜,从左向右自然行走。猫保持轻快、活泼、略带理想主义者气质的步态,手中拿着笔记本,斜挎包随着走路产生轻微自然摆动。摄像机开始平稳向右横向移动,保持猫和前方角色在同一画面空间内。
2—7秒:
猫沿着角色队列向右行走,依次与参考图1中四名角色进行简短自然的互动,不能中断整体行走节奏。
- 鼠:猫微微躬身对着鼠微笑,鼠高冷地稍微抬头并轻微朝反方向转头没有搭理猫的笑意;
- 牛:猫走到牛的身边时,猫有些敬畏地向牛挥手打招呼,牛表情严肃,保持双手背在身后的站姿,眼神轻蔑地瞥了猫一样,从鼻孔里喷出两股白气;
- 虎:猫微笑着朝虎抬手敬礼,虎以威严的姿态轻轻点头回应。
- 兔:兔见到猫靠近后露出活泼的笑容,长耳朵自然晃动,猫温柔地伸手轻轻抚摸了一下兔的耳朵。
猫始终保持从左向右行走,互动动作简洁、自然、清晰。
7—12秒:
摄像机保持连续的向右横移,无缝衔接上一段分镜顺势参考图2中四名角色带入镜。
猫依次经过龙、蛇、马、羊,进行简短互动:
- 龙:猫来到高大的龙身旁,猫短暂停下脚步抬头仰望龙,龙微微低头表情高傲地看了猫一眼。
- 蛇:紧接着猫有些胆怯地从蛇的身前走过,蛇轻轻展开手中的折扇挥手煽动,以妩媚的眼神注视猫走过。
- 马:猫举起笔记本打招呼,马微笑着举起手中的水杯回应。
- 羊:猫轻轻鞠躬,羊害羞地微微低头,双手交叠于身前,温柔地点头回应。
四名角色保持各自原有姿势和性格特点,仅做细微自然的互动动作。猫继续向右行走。
12—18秒:
摄像机继续平滑向右移动,无缝衔接上一段分镜顺势参考图3中四名角色依次带入镜。
猫依次经过猴、鸡、狗、猪:
- 猴:猫友好地点头,猴子一只手捂着嘴,另一只手捂着它的肚子忍不住地对着猫嘲笑。
- 鸡:猫向鸡挥手,鸡迅速潇洒地挥动一次手中的折扇,尾羽轻微摆动。
- 狗:猫礼貌地伸手想跟狗握手,狗只是扶了扶老花眼镜,没有理会,猫见状只好尴尬地继续往前走。
- 猪:猫走到猪身边,猪悠闲地端着茶杯,露出圆滑自得的笑容。
猫继续向前走出猪的站立位置,最终停在猪的右侧,身体面向右方,随后突然转头看向远处第一组中的牛。
18—22秒:
猫在猪站位的身旁短暂停顿约半秒,随后像突然想起什么事情一样,迅速转身,沿原路从右向左快速奔跑,目标明确地跑回第一组中的牛身边。
猫的奔跑动作充满活力,双腿快速交替摆动,双臂自然协调,斜挎包随奔跑剧烈晃动,针织开衫和尾巴产生真实的惯性摆动。
摄像机不切镜头,连续反向向左快速跟拍猫的奔跑轨迹。12名角色依次从背景中掠过,形成明显的横向运动感。
猫最终快速冲到[image]牛与虎之间的站位空隙处,紧急刹车,双脚在地面上滑动一小段距离,身体略微前倾,并抬起头望向牛。
22—24秒:牛愤怒踢飞猫
牛低头看着突然跑回来的猫,原本严肃的表情变得明显不悦,眉头紧皱,眼神带着压抑的怒意。
牛突然抬起一只粗壮的腿,以夸张、干脆、有明显发力过程的卡通动作,向猫做出一次迅速而有力的踢击。
牛的脚与猫的身体发生清晰、合理的接触。
猫受到冲击后,身体出现短暂的卡通式压缩变形,随后双脚离地,整只猫以夸张的抛物线轨迹向镜头方向飞出去。
动作具有经典动画喜剧效果,表现出强烈的速度感和弹性,但不出现血液、伤口或恐怖画面。
24—26秒:猫迎面飞向镜头
猫从角色队列前方高速飞向摄像机,身体在空中出现一次自然的翻转,它的表情惊恐慌乱,以卡通式的夸张地张开嘴巴尖叫,瞳孔惊恐放大,四肢因惯性向外张开,尾巴和斜挎包向后飘动,手中的笔记本仍然保持在画面中。
猫迅速从中景飞向镜头前景,透视比例不断增大,最终几乎占据整个画面。
摄像机以连续、迅速、平滑的后退运动跟随飞来的猫,始终保持猫在画面中心附近,不切镜头,不发生突然跳变。
26—30秒:最终12位生肖角色依次站位的全体大全景揭示(构图参考图5)
摄像机继续沿着原有运动轨迹向后快速拉开,同时略微升高机位,逐渐从猫的近景过渡到整个摄影棚空间的超大全景。
猫迎面摔在镜头前景处,然后从画面下方跌落出镜头。
随着镜头后退并稳定为大全景后镜头不再移动,完整揭示后方整齐排列的12名拟人化生肖角色,所有所有角色均完整呈现全身,保持各自原始身高、体型、服装和动物特征(参考[image])。牛位于第一组中,仍然保持刚刚踢出一脚后的姿势,其他生肖角色则以不同的姿态和动作对被踢飞的猫发出一阵阵的嘲笑和奚落声。画面最终定格在12名角色全部入画的完整大全景构图,具有高规格3D动画电影片尾群像镜头的视觉效果。
【摄影机与动画制作要求】
全片严格采用一个连续摄影机镜头完成。
摄影机运动顺序:开场稳定全景 → 平滑向右横移跟拍 → 反向向左快速跟拍 → 跟随猫飞向镜头 → 连续向后拉远并略微升高机位 → 最终12人群像大全景。
摄影机运动必须具有真实空间连续性,所有人物始终处于同一个摄影棚空间中,不能通过剪辑、跳切或瞬间改变机位完成场景转换。
采用高品质动画电影级运动设计,真实重力、惯性、身体重心转移、脚掌接触地面、衣物摆动和尾巴动态。所有动作具有明确的起始、过程和结束,不允许动作突然跳变。
柔和的电影级摄影棚布光,细腻的角色毛发渲染,真实接触阴影,精致的材质细节,稳定的全局光照,电影级景深与自然运动模糊。
全局约束:
1.禁止任何形式的跳切、转场、闪白、黑场、镜头中断、画面拼接和多镜头蒙太奇。
2.禁止角色瞬间移动、瞬间消失、穿模、身体互相融合或位置无故改变。
3.禁止生成BGM、背景音乐。

注意:虽然我做的是3D动画电影的风格,但提示词里尽量别写那几家知名动画工作室和具体电影的名字,很容易被Seedance的版权审核拦下来(用Seedream生图的时候也一样)。直接描述画面质感就行,比如我写的是欧美 CG 动画长片质感、国际顶级动画长片制作水准。

参考图和提示词发给Agent

如果你用的Agent模型有视觉能力,它还会自己看一遍生成的视频,拿画面去对提示词,告诉你哪些做到了、哪些没做到。

第一次生成,Agent给我的反馈是:前面的行走、互动、踢飞基本都实现了,但最大的硬伤是结尾的群像只出现了11个角色,少了一个。。

这个确实是我最担心的地方。13个角色、30秒,前面镜头一直在横移,到最后拉远的时候,模型得记住所有人站在哪。

我按Agent的建议改了一下提示词,第二次重跑,出来的效果就基本达到我的预期了。

说实话,这次我们极限测试的难度相当高,一共输入了13名角色(十二生肖+猫),并且采用的是一镜到底的30s长镜头一次性生成,并且测试 Seedance 2.5 flash 对于这类仿皮克斯风格的高品质3D建模形象的还原精细度。

最后出来的视频效果相当不错,非常接近满血版 Seedance 2.5 的效果,从画面美术风格到角色的外形、站位和动作的一致性程度都非常高,然而它的价格比 Seedance 2.5 便宜三分之一跟 Seedance 2.0 差不多,效果确实非常接近 Seedance 2.5 的最顶级一档的 SOTA 模型效果。

三、《范进中举》真人版

做完生肖,我想试点更长的视频,就挑了《儒林外史》里的范进中举。

范进二十岁开始应考,考了二十多回,到五十四岁才中。报喜的人一来,他拍着手喊了一声噫!好了!我中了!然后就疯了。

这个故事的情绪转变特别大,这对模型的表演能力、尤其是真人感的微表情,是很严峻的考验。

可以看到Seedance2.5 flash完成得还是很不错的,范进的情绪起伏表现得淋漓尽致,整个表演也很有张力。

四、DeepSeek去Claude家干饭(动漫版)

剧情是Claude 邀请DeepSeek去它家干饭,然后因为地区限制被拒的故事。。。

PS:本故事纯属虚构

可以看到,Seedance2.5 flash处理动漫也是得心应手,动漫人物的微表情,情绪也表演的非常到位。

五、氛围感香水广告

可以看到,这条香水广告设计非常的精美,品牌是我自创的,然后香水瓶也是Agent设计的。

我给我女朋友看完之后,都直呼想买,这个香水看着就梦幻又高级。

而且我感觉,Seedance对中国美女的审美是真滴很棒,记得之前我用一些国外模型生成中国美女,生成出来的根本就不是亚洲人的审美。。甚至我觉得有点丑,而Seedance2.5 flash生成的绝对算得上顶美。

而且这条视频是一次直出,这样算下来,真的非常划算。我不知道之前拍一条30秒的广告要花多少钱,但是肯定不是几十块钱能搞定的。几十块,你拍完请模特吃一顿饭都不够。。

六、做短视频动效素材

我想把我前两天写的《仓颉Skill3.0蒸馏任何视频》公众号文章转成短视频,我感觉还缺少一些视频素材,所以我把短视频文案发给了Claude Code+Fable5.2让它帮我设计科普视频素材的风格。

然后调用火山的seedream5.5和Seedance 2.5 flash生成视频素材

通过Agent调用,可以量产素材。最后一次性生成了9个视频素材,每个素材是5秒左右。

为了方便看效果,我让Agent帮我把这些素材按顺序都合并成了一个视频。

效果挺不错的,我之前刷的很多短视频里面的那些效果很nice又贴合视频的动效就是这么做的,是不是很简单~

所以,Seedance 2.5 flash的使用场景还是非常多的,不管是给自己提效,还是给别人做广告,做短剧、漫剧。并且非常稳定,大部分的场景很少需要去抽卡了。少数复杂的场景可能会出现一些bug,但是我们也可以通过一些平台(比如即梦)的局部重拍、补帧等功能低成本修复。

再回到开头提到的:很多人说Seedance贵

说实话,一开始我也心疼。做外星人短片那会儿,看着积分哗哗往下掉,是真的肉疼。。

但后来我翻了不少行业报道,算了一下账,看法慢慢变了:

传统动态漫,一分钟制作成本在8000到10000元;用上Seedance 2.0这类视频模型之后,降到了几百元一分钟。

真人短剧一部动辄40到50万,用Seedance做AI仿真人短剧,成本能降低四分之三左右。

爆款漫剧《斩仙台下,我震惊了诸神》,有报道写的是12个人的团队、30天做完,拿下超过10亿播放,ROI超过110。相当于投1块钱进去,收回来110块。

整个盘子其实是在变大的(竞争也确实更大了)。2026年前10个月,全国上线的微短剧接近55万部,是2025年全年的近17倍,其中AI剧占了94%以上。

我感觉差别主要在拿它去干嘛。

这让我想起《庄子》里的一个故事:

宋国有户人家,靠一个防手冻裂的祖传药方,世世代代漂洗棉絮。有人花一百金买走方子献给吴王,帮吴国打赢了冬天的水战,被封了一块地。同一个药方,用在不同的场景就能产生巨大的差异。

能不龟手一也,或以封,或不免于洴澼絖,则所用之异也。

放到今天也一样。嫌Seedance贵,有点像租了台挖掘机回家挖花盆,当然贵得离谱;可包工头拿它挖地基,一天就回本了。

当然,也不是说觉得贵的人都是不会用。很多人只是还没找到自己的场景,或者手上的场景本来就撑不起这个成本。这也正常。

所以flash出来,我挺开心的。它把成本又往下打了一截,但是效果依然顶尖。

回头看,Seedance 1.0那会儿,10秒里能切两三个镜头就算厉害了;2.0能吃进文本、图片、视频、音频四种素材;2.5把单次生成拉到了30秒。2.5发布之后这几个月,又陆续出了Draft样片模式、1080P,4K也快上线了,现在又多了个flash。

现在Seedance 2.5家族其实分成了两档:

满血版2.5负责摸高,代表现在最强的效果,配合Draft先出样片、再出正片,去做1080P和4K的大片;flash负责一定程度的量产,把差不多的效果,用更低的价格和更快的速度,送到更多人手上。

我自己接下来的用法大概是这样:日常的分镜试错、A/B版本、长镜头预演,全部先用flash跑;真正重要的镜头,再用满血版2.5的Draft模式出样片,满意了一次升到1080P。

我这里也只是抛砖引玉。你拿AI视频做过什么回本的东西?欢迎评论区聊聊~

我是袋鼠帝,一个致力于帮你把AI变成生产力的博主。我们下期见~

能看到这里的都是凤毛麟角的存在!

如果觉得不错,随手点个赞、在看、转发三连吧~

如果想第一时间收到推送,也可以给我个星标⭐

谢谢你耐心看完我的文章~

跳转微信打开

  •  

8款国内主流办公Agent横测,第一竟然是...

原创 袋鼠帝 2026-11-07 10:46 云南

大家好,我是袋鼠帝。

今天周六,不给大家整教程,也不聊什么技术细节了。这篇简单聊聊,就当唠唠嗑~

前两天刷到SuperCLUE发的一份办公智能体测评:SuperCLUE-Office

Image

他们一口气拉了8款国内主流办公智能体进行横测:豆包工作、Kimi Work、WorkBuddy、百度搭子、千问办公、商汤小浣熊、讯飞星火工作、纳米Work。

结果是,豆包工作以85.33分拿了总榜第一。Kimi Work第二、workbuddy第三。

Image

其中文档处理这一项,豆包工作拿到了87.12分,领先第二名将近5分。

Image

这5分是什么概念呢?前四名的总分,从第二到第四一共才差了1.96分,大家咬得非常紧。在这么卷的局面里,单项能拉开快5分,在这份榜单里还是挺显眼的。

SuperCLUE也表示,文档处理是办公智能体落地日常办公最重要的能力模块。

确实是,你回想一下自己的一天,写方案、改合同、整理纪要、出周报,有多少时间是花在文档上的?几乎所有吧。

然后我好好研究了一下这个榜单,我觉得还是有点东西的。

先简单说下SuperCLUE是啥。

它背后是CLUE,中文语言理解测评基准,2019年就开始做中文大模型的测评了,在中文NLP圈算是老牌机构。

这几年很多国内厂商发新模型,发布会上都会放一张SuperCLUE的成绩。

Image

不过让我觉得这次靠谱的,主要还是它的测法。

第一,它是端到端的。

不是选择题,也不是问答题,而是直接给你一堆真实文件,让Agent们交付一个能打开、能继续编辑的Word、PPT或者Excel出来。

我看了它公开的一道例题:扮演市场监管部门的负责人,给4份附件(两份发布稿、两份不合格明细表,其中一份还是老格式的.xls),要求交一份8到10页的可编辑Word月报,封面、目录、执行摘要、行动表一样不能少,百分比的小数位还得全文统一。

Image

这看起来好熟悉啊,这不就是很多打工人熬夜做的那些事儿吗。。

内容挺多,感觉好复杂。但是很真实了。

第二,评分非常细。每道题都五档评分细则。

Image

而且,编数据会倒扣分,最多扣4档。

这一点非常有必要,办公场景里最怕的就是AI一本正经地瞎编,到时候一个一个核对,说不定最终还要花更多的时间去纠错🤣。

第三,交付物先过一遍脚本,检查格式、页数、能不能打开,再由裁判模型按细则逐条打分(用的是Claude Code框架接入的裁判模型)。超过2小时还没有有效输出的任务,直接算失败。

Image

一直以来,我的文档,各种资料,协作都在飞书上,自从飞书和豆包工作完全打通后。处理文档更丝滑方便了。

然后9月份,豆包工作刚出来那会儿,我跟几个好朋友肝了7天开源了《豆包工作蓝皮书》。

Image

写蓝皮书的那段时间,也是我重度使用豆包工作的时候,各种办公场景,几乎都拿它跑过。

比如说整理会议纪要。要求提取决议事项、行动项和责任人。

我上线会很多。经常都是直接让豆包工作读当天的会议纪要,把待办建成飞书任务,截止日期按会议结论来设。它会先把清单发给我过目。

Image

再说多文件规划与执行。我加了个行业交流群,一天几百条消息,两天没看就得爬楼。我让豆包工作把最近7天的群聊按动态、观点、实操、选题分好类,放进我的飞书文档库。

Image

而且有件事我都没要求,它自己就做了:群里出现过的文档和链接,它翻了出来,挂回了对应的讨论下面。

还有批量处理这种Excel表,也是手拿把掐~

Image

我个人觉得它文档能领先这么多,可能有两个原因(我瞎说的)

第一个原因,是飞书。

巧妇难为无米之炊。模型再聪明,也只是厨子,你得有米。

我所有的文章和资料,上下文基本都沉淀在飞书里,有多维表格,也有很多文档。在我看来,飞书就像一个分好格子的米缸:文档、表格、妙记、群聊、日历、任务都在一处,权限也分得清清楚楚。

自从飞书跟豆包工作打通之后,我觉得目前操作飞书最丝滑的,还是豆包工作。

所以我现在经常让它直接去操作飞书,帮我把活干了。

可能是豆包模型有大量的专门针对飞书文档的操作训练,使豆包模型在文档方面更强了(瞎猜的)。

第二个原因,是字节在Agent这件事上起步很早。

Trae是2025年初发布的,算是国内最早的一批AI编程工具,后来做了SOLO,本质上其实就是一个桌面端Agent,到现在快两年了。

老粉应该知道,我2025年2月写Trae的时候,就在用它写稿了,不只是写代码。

所以我一直觉得,编程Agent和办公Agent,底子其实是一套东西:

读文件、拆任务、调工具、做完自己检查一遍。最开始大家做WorkAgent的时候,很多就是在原来的CodingAgent上硬加了一个Work入口,表面上可以切换Coding Agent和Work Agent,但其实根本没区别🤣。

庄子说,水之积也不厚,则其负大舟也无力。工程上的东西没有捷径,坑都是一个一个踩出来的。

所以我觉得,豆包工作身上是有很多Trae在工程上的积累的。

「最后」

坦白说,一次测评说明不了全部,我自己平时也在用好几款Agent,各有各的优势。

而且现在我感觉国内办公Agent好卷呀,我感觉每天都在升级,基本上打开遇到要更新的频次很高。

但说到底,神仙打架,最后受益的还是我们这些普通人。

但不管怎么说,但自己的效率提升才是王道。

所以不必局限某一个工具,像豆包工作文档处理很强,就可以把文档类工作都丢给它。

Codex操作浏览器的能力很强,所以基本上我都会把操作浏览器的活儿丢给Codex。

找出你手头最繁重的活儿,挑一个用着最顺手的搭子,能踏踏实实帮你把事办了,这就比啥都强。

你现在上班主力用的是哪款办公Agent?欢迎评论区聊聊~

我是袋鼠帝,一个致力于帮你把AI变成生产力的博主。我们下期见~

能看到这里的都是凤毛麟角的存在!

如果觉得不错,随手点个赞、在看、转发三连吧~

如果想第一时间收到推送,也可以给我个星标⭐

谢谢你耐心看完我的文章~

跳转微信打开

  •  

RAG这次真死了!SAG2才是本地知识库的神,又快又准又便宜~

原创 袋鼠帝 2026-11-06 11:02 云南

SAG Wiki 打破知识库的不可能三角,下一代AI知识库来了!

大家好,我是一直在跟知识库打交道的袋鼠帝。

在 AI 圈,每天都有新东西冒出来,但已经好久没有一个东西,能让我看完浑身起鸡皮疙瘩了。

最近开源的SAG2,真就做到了。或许它将彻底颠覆RAG,因为你都不用预处理文件,它直接就能把你的本地文件当成知识库,而且速度极快,准确度贼高,关键都不需要embedding...

https://github.com/Zleap-AI/SAG-Wiki

Image

当然SAG2是理论,而已经实现的可用的工具是SAG Wiki(待会儿会讲到)

这么🐂🍺的开源项目,我必须得提一下作者:广州智跃深空(Zleap),SAG到SAG2都是完全由他们自研,非常厉害的一个团队。

老粉应该记得,6 月我写过一篇SAG第一版的文章。

Image

那会儿 SAG 刚开源,我被它用 SQL 现场串多跳线索的思路吸引了,还建议大家可以把它当 MCP 接进 FastGPT。

但用过的朋友也知道,一代在落地时依然要调大模型逐段提取事项和实体,建库耗时还是比较长,很多人觉得在工程上还是有点折腾。

结果才过了 4 个多月,他们自己把这些全砍了。

现在SAG2建库不调大模型,不做 Embedding,不要向量数据库,也不要 GPU。同样是 11,656 段文本,SAG 一代建库要 4.57 小时,SAG2 只要 2.36 秒。速度直接提升7000倍!

效果呢?还变得更好了。三个多跳检索测试集,8 项指标全部第一。

Image

卧槽。。

知识库一直有个不可能三角,又轻、又便宜、又准,以前最多只能满足两个。这下SAG2直接给它打破了!

我为什么这么兴奋~

可能是因为,我从24年初裸辞 All in AI 开始,就一直在跟知识库打交道。也写过很多关于知识库的文章。

24 年初,我裸辞后的第一桶金,就是帮一个老板部署 FastGPT、搭知识库、调优效果。后来又陆陆续续接了不少类似的单子。

搭一个知识库其实不难,难的是后面的维护和调优。

分块也是个问题,张三负责 A 项目和 500 万预算被切成两段,线索就断了。score 调低了噪音多,调高了又容易漏东西,经常是按下葫芦浮起瓢。我有个好朋友的公司,组了六个人的团队,花了整整半年,才把回复准确率调到一个相对满意的状态。

更烦的是维护。文件一改,就得重新上传、重新切块、重新向量化一遍。

预处理、调优、维护,这几个坑我基本都踩过。所以看到 SAG2 的思路,我是真滴有点激动。

先带大家简单捋一下知识库这几年是怎么走过来的吧,不然很难说清 SAG2 到底新在哪、好在哪。

RAG 这个词其实 2020 年就有了,出自 Facebook(现在的 Meta)的一篇论文。

真正火起来是 23 年 ChatGPT 之后:

大模型不知道你公司的事,那就先把资料切成小块、转成向量存起来,提问时找最像的几块丢给它。FastGPT、Dify 这类平台,把这套流程做成了UI界面点点点的操作。

再往后,大家发现光靠向量不够,全文检索+向量检索+重排序的混合检索就成了标配。到今天,它依然是最成熟的工业方案,日常的单文档问答完全够用。

它的短板是多跳。还是上次那个例子:

文档1:A公司全资收购了B公司。

文档2:张三被任命为A公司的CTO。

文档3:张三离职,加入了盘古大模型项目。

问:收购了B公司的企业,其CTO后来加入了哪个项目?

文档3里,收购、B公司、CTO 一个词都没有,线索到这就断了。

于是有了知识图谱:

24 年微软开源了 GraphRAG,后来又有 LightRAG、HippoRAG 2 这些。入库前,先让大模型把人名、公司、事件之间的关系全抽出来,画成一张大图。多跳确实强了,代价就是贵和重:索引阶段要大量调用大模型,新文件进来,关系可能还得重算。

今年 4 月,卡帕西分享了 LLM Wiki 的思路:

让大模型把原始资料读一遍,编译成一套 wiki 页面,再对 wiki 做问答,产出的结果再回填进去。我写仓颉.Skill 的时候还专门借鉴过它。这套方式对个人知识整理很友好,页面读起来也舒服。但资料一多,大模型逐篇读、逐篇写的时间和 Token 就上去了,原文一改,对应的页面还是得重写。

还有 Google 的 NotebookLM。年初那篇工具推荐里我还推荐过它,资料往里一扔就能问答、出摘要、生成播客,啃大部头简直是神器。不过资料得传到云端,每个笔记本能放的来源有上限,想让本地 Agent 直接调用也不太方便。

你会发现一个规律:每往前走一步,基本都是在入库时多花一点钱、多调一点模型,换检索的准确度。

SAG 一代也是类似的,只是比 GraphRAG 更轻了:

不画全局大图,只提炼事项和实体,查询的时候再用 SQL 串起来。

Image

但 SAG2 干的事情,是把这条路反过来走。

建库阶段,SAG2 啥模型都不调,直接对原文建关键词索引,用 BM25 打分。

BM25 可能很多人没听过,但它其实是个老古董了,90 年代就有,你用过的 Elasticsearch(开发者应该很熟悉了),默认打分用的就是它。

同样是 11,656 个段落,原 SAG 论文报告的建库时间是 4.57 小时,消耗 2,826 万 tokens。

这次,他们在一台 M4 Pro、64 GB 内存的 Mac 上,从空数据库连续重建三次,中间值只有 2.36 秒。而且没有token消耗~

从 4.57 小时到 2.36 秒,两次记录的建库耗时相差约 7,000 倍!!

一个刷新 SOTA 的新方案,底座是一个三十年前的老算法。难道这就是返璞归真?🤔

那语义理解从哪来?靠 JEV。

JEV 是前 OpenAI 研究员 Diogo Almeida 9 月份发布的模型,它不能写文章,也不能陪你聊天,你给它问题和候选内容,它只回你一个判断和打分,但又快又便宜。

所以 SAG2 的分工是这样的:

BM25 先粗筛出候选,JEV 判断哪些是有用的证据;算法再从有用的段落里挑出关键词,接着往下搜;JEV 结合已经找到的证据,再判断新找到的内容。

Image

还是张三那个例子,SAG2 会这么走:

第一轮,拿收购、B公司去搜,命中文档1,JEV 判断有用。 从文档1里挑出关键词 A公司,接着搜,命中文档2,得知 CTO 是张三。 再拿张三去搜,命中文档3:盘古大模型项目。

SAG 一代串线索靠的是事项和实体,得提前用大模型抽像出来。

SAG2 换成了关键词和段落,一个关键词连着好几个段落,一个段落里也有好几个关键词,这些联系直接来自原文,根本不用提前处理。

打个比方,以前是图书馆开张前,先请人把每本书都读一遍、写好卡片;现在是你来问的时候,管理员拿着目录飞快地翻,旁边站着一位老师傅,每递过来一本,他扫一眼就告诉你:这本有用,那本没用。但这种基于计算机的速度是贼快的。

我上次写 SAG 时,最难的 MuSiQue 上 Recall@5 是 80.04%,这次是 80.68%,比 HippoRAG 2 高了 15.55 个百分点。我本来以为砍掉预处理效果得退一点,结果没退反进。

Image

更让我佩服的是 EnterpriseRAG-Bench,51 万份模拟企业邮件、工单、会议记录的文档。一项规模研究里,LightRAG、MS-GraphRAG、HippoRAG 2 这些图谱方案都没跑完全量。SAG2 全部跑完,建库 8 分 32 秒,文档 Recall@10 达到 81.10%。

Image

另外,基于 SAG2,他们还开源了桌面端 SAG Wiki(这就非常方便了):

Windows 版约 13 MB,macOS 约 18 MB。非常轻量~

添加一个本地文件夹就是知识库,文件不用动,改了自动增量更新。问答模型我配的是 DeepSeek V4.1 Flash。

https://github.com/Zleap-AI/SAG-Wiki

Image

配置只需两步:在设置里配好两个模型,问答模型负责生成回答,可按需自选(譬如便宜大碗的 DeepSeek );决策模型负责找线索,官方论文用的是 TypeSafe 的 Jev 模型,这是官方固定的决策模型,配置时填入对应的 Jev Key 即可,有需要也可以改成别的决策模型。

Image

配置好后,就可以回到首页添加文件夹(知识库)了

Image

然后,即便你电脑上有无数种格式的文件,SAG Wiki都能索引,并识别到,甚至能识别音频、视频。

位置在:设置->文件设置->其他格式

Image

Image

一、检索我自己的文章

我把放着 383 篇历史公众号文章的文件夹扔进去实测:

先问了一下「之前蒸馏公众号文章时,到底处理了多少篇、多少字?」

它搜了两次,翻出了对应的文章,直接给出准确数字:138 篇、79 万字!

说实话,我蒸馏的文章写了好多篇了。它居然能一次搞定,没有找错,确实有东西。

Image

我又追问:

之前有哪些把视频或多模态工具通过 CLI、Skill 接进 Agent 的实测?

它直接把整个历史文章翻了个遍,从不同文章里挑出了 LibTV、拓、Remotion 等案例,把工具、接法、标题和日期整整齐齐排成了一张表,点引用就能直达原文。

这多跳检索,也完全不在话下,而且我检查了一下,真滴准。

Image

Image

2、借六度分隔玩个脑洞,李白和爱因斯坦怎么联系起来?

然后我在 SAG Wiki 里塞进了整整 10 万篇维基词条,算上其他几个目录,整台电脑一共索引了 100,461 个文件,建库我不记得具体多久了,我只记得我上个厕所回来的时间就搞定了。

Image

接下来这几题我们换到终端,在 Claude Code 里跑。

Image

然后我们来做个对比:

「Claude Code + DeepSeek」 VS 「Claude Code + DeepSeek + SAG2」

两边都用 DeepSeek V4.1 Flash 查这份十万词条库,一边是接入了SAG2,一边是原生的模型。

如果只给「李白」和「爱因斯坦」两个八竿子打不着的名字,看能不能顺着线索在几步之内连起来?要求只有一条:每一步都必须有确凿出处,绝对不能瞎编。

PS:终端的图不太好截,截出来也很难看。我就让AI根据真实结果画图展示了。

最终两组给出的答案完全不同:

Image

原生组翻出了刘慈欣的作品表——《朝闻道》(又名爱因斯坦赤道)和《诗云》(又名李白),在科幻作家的作品集里同框了;

而接了 SAG2 的这边,先用关键词定位到学者林庚先生,再顺着 SAG 追查他的生平著作:他年轻时在清华物理系痴迷爱因斯坦相对论,后来成了写出《诗人李白》的文学巨擘!从相对论连到林庚,再连回李白,两头全有原文可查。

Image

Image

3、从几十万字研报,查芯片产业链。

测完脑洞,再来个更硬核的场景:啃几十万字的大部头专业研报。

平时研究算力硬件、折腾本地模型,经常免不了去翻半导体研报。但大家看英文研报深有体会:动辄一两百页全英文,全是专业缩写和各种黑话,想从里面挖一个关键细节简直头大。。

比如大家都知道英伟达 H100 芯片用的是 SK 海力士的 HBM3 显存,走的是 MR-MUF 封装工艺。但我如果想深挖到底:谁给 SK 海力士独家供应核心的底层填充胶水(Underfill)?

这种隐秘的供应链事实,往往既不在官方通稿里,科技新闻也不会细说,可能深深埋在深度研报的某个角落。我正好有 26 份半导体深度研报,刚好拿来做测试一下。

Image

结果差距很大: 接了 SAG2 的这边仅调用了 3 次工具就找到了核心段落,一击命中 Namics 的供货原句;

而原生查找组在各个文档里像无头苍蝇一样乱翻,直到第 11 次工具调用才勉强蒙对!

Image

4、代码排错,能不能直接定位?

最后给两组 Claude Code 都提供了 SAG Wiki v0.2.6 的同一份源码,查底层 Jev 遇到网络错误时的重试逻辑。

原生组抓出一堆文件,逐个打开看; 接了 SAG2 之后,提问直接扔过去,它直接带回了文件、行号和关键代码:明确命中 HTTP 499 状态码重试时不增加失败计数!

Image

Image

Image

总耗时从原生组的 144 秒直接降到了 95 秒。

Image

看来SAG2不仅适合超大规模的快速检索,甚至在数据量不是那么大的场景里,也比原生模型要强得多。

「最后」

这几年在 AI 领域摸爬滚打,我经常会有一种恍惚感。

大家好像都卷进了一种技术执念里:模型参数越来越大,向量数据库要搞集群。系统越做越庞大、越做越贵,门槛也越来越高。

但 SAG2 给我的感觉完全相反。它没去搞那些重型架构,也没扯那些虚头巴脑的概念,反而退回到了 Unix 最朴素的一句话:一切皆文件。

用了几十年的 BM25 倒排索引,用轻巧灵动的动态超边,把繁重的计算推迟到真正需要的那一刻。

用 10几MB 的体积、几秒钟的建库速度,把曾经无比困难的多跳推理能力,平权交到了每一个普通人手里(当然,这也得感谢Jev,新技术的突破往往能带动其他技术突破)。

而且,它真的打破了数据就得处理后存到库才能检索的传统。现在是你的数据根本不用动,它全自动😄

这让我想起老子在《道德经》里说的那句话:大道至简,少则得,多则惑。

SAG2 和 SAG Wiki 已经全部开源,有需要的朋友非常建议亲自去试一下。

另外,这么🐂🍺的先锋开源项目,怎么能忍得住不点个Star呢?

我是袋鼠帝,一个致力于帮你把AI变成生产力的博主。我们下期见~

能看到这里的都是凤毛麟角的存在!

如果觉得不错,随手点个赞、在看、转发三连吧~

如果想第一时间收到推送,也可以给我个星标⭐

谢谢你耐心看完我的文章~

跳转微信打开

  •  

阿里出手了,你现在可以在Qoder免费蒸馏任何书!(附邀请码)

原创 袋鼠帝 2026-11-05 18:22 云南

AI界老规矩,附邀请码,领Token

大家好,我是袋鼠帝。

今年双十一,阿里这波操作属实是把我看愣了,这是要让我下半年实现token自由啊?!

昨天刷到个热搜:

李佳琦在直播间不卖美妆口红,改卖Token了,开播短短半小时就卖出去了整整2万亿Token。。 当时看到这个新闻,直接给我惊呆了!这感觉平时是八竿子打不着的呀,李佳琦的受众这么广吗?🤔

Image

只能说,一代人有一代人的双十一。

以前大家熬夜蹲直播间凑满减囤抽纸面膜,现在倒好,AI时代大风一吹,大家开始在直播间囤词元(Token)了。

照这个架势下去,未来去菜市场买菜,怕不是都得问一句:老板,能刷Token不?🤣

调侃归调侃,作为一个天天泡在AI里的人,我太懂Token了。

平时闲聊确实不费Token;但凡跑个长任务,比如像我一样蒸馏一本几万字的书,那Token烧起来真跟水管爆炸了一样,哗哗往外流。

前几天仓颉Skill的群友提问了,他们想蒸馏《毛选》:

Image

小声逼逼:难道我官网做的太丑了🤔,被群友怀疑真实性🤣,看来我得找时间优化一下了。

毛选最开始的时候确实蒸馏过,但是那一版的产物还是多Skill。被很多朋友吐槽Skill太多难以管理。

最近仓颉skill升级了,已经可以蒸馏成一个统一的Skill了(最终产出一个Skill)。于是我想着再蒸馏一次。

但是蒸馏一本书需要消耗的token确实不少,本来还在心疼算力,结果偶然发现阿里的Qoder CN也加入了双十一大军,而且羊毛厚得有点夸张🤣

Image

新用户用邀请码注册,直接送 800 Credits,每天还能再领 100

再加上 Qoder CN 里自带 Qwen3.8-Flash,不仅响应飞快,算力消耗也非常低。而且Qwen3.8-Flash的模型能力也是挺不错的。非常适合用来蒸馏。

老粉应该有印象,Qoder 算是老朋友了。去年刚发布那会儿我就写过,后面还拿它的设计工作台做音响官网和3D物理网页,非常丝滑。

现在它已经升级成了常驻本机的完整任务工作台Qoder CN,可以读文件、跑脚本、开子任务、做校验,还内置了十几个模型可以随时切换。

还能把在其他Agent的上下文带入Qoder CN

Image

不过这次我想换一个视角蒸馏毛选,于是我挑了温伯陵的《读毛选,走出人生困局》。

先剧透一下结果:整本书蒸馏下来花了 332 Credits,按官方的估值算,大概 10 块钱。新用户送的 800 Credits,蒸馏完还剩一大半。。

然后我厚着脸皮给大家搞了个专属邀请码:HGHAYG,拿到邀请码怎么领Credits,文末有截图指引~

ok,话不多说,直接开蒸!模型选用Qwen3.8-Flash

Image

蒸馏用的是我开源的仓颉 Skill(cangjie-skill,在GitHub 12k Star),专门把书里的方法论拆成 Agent 能调用的Skill。

https://github.com/kangarooking/cangjie-skill

提示词就一句话:

@cangjie-skill 蒸馏一下这本书 /Users/xiangming/.../读毛选,走出人生困局(完整版).pdf

然后它就自己跑起来了。整个流程大概是这样:

Image

整个过程前后开了 20 多个子任务,提取、写卡、测试都是并行跑的。

Image

最终花了30多分钟,蒸馏完毕~

Image

跑完我顺便问了一句"这本书蒸馏花了多少 Token",它去翻本地记录,给了我一份账单:

Image

整本书全流程消耗:约 332 Credits

其中光评测阶段能精确统计的 token,就有 835 万

算了一下送的 800 Credits 约等于 25 块,算下来 1 个 Credit 大概 3 分钱。

332 Credits 就是 10 块钱出头。

10 块钱,一本书变成一个随叫随到的 Skill,这性价比挺高的,跟涨价前的DeepSeek差不多。

重点来了:这波双十一羊毛到底怎么薅?

看完实测大家也发现了,常驻本机的Qoder CN搭配极速Flash模型,干大活又快又省。 那么开头说的双十一羊毛到底在哪?怎么领最划算?

我仔细扒了官方这波活动规则,核心羊毛主要有这5条:

1、KOL专属注册礼(长期活动):新用户注册前输入我的专属邀请码:HGHAYG,在300基础积分上额外加赠500,登录直接拿800 Credits,对外价值约25元。

2、双十一首购礼(限时特价):11月首次订阅的个人用户,享专业版月付首购19.9元特价(送2000 Credits),高级版首购Credits翻倍,一杯奶茶钱就能搞定。

3、老带新双向奖励(最高得1150积分):好友11月首购19.9元拿2500 Credits,你最高拿回1150 Credits(含注册活跃50、7天活跃3天100、30天订阅1000积分)。

4、老用户续费福利:老用户在活动期间续费,最高可得3000 Credits。

5、每日签到福利(长期活动):每天10:00起,客户端内手动领100通用Credits,免费与付费用户均可领,30天有效且能跨天保留,一个月白嫖3000 Credits! 此外新用户完成基础任务,还能额外抽一张奶茶免单卡。

有点晕了吧。

我用AI帮算好了😄:

新用户填邀请码注册先拿800 Credits(价值约25元);

每天上班在客户端顺手点签到,一个月攒下3000 Credits;

平时任务量大再花19.9元买个首购,直接又进账2000 Credits。

一套丝滑连招下来,小6000 Credits就稳稳落袋了!(约等于RMB 190元,约等于19.9翻了10倍)

按实测数据,蒸馏一本5.4万字的书约332个Credits。

这6000个Credits,足够你高强度蒸馏将近20本方法论经典,或者做出几百张高品质的交互动图和前端工具了!

避坑指南:必须按下面这个顺序领取,否则积分不会到账。

邀请码必须在注册账号之前输入并确认,如果先下载Qoder CN接注册了账号,专属的500积分是无法补录的!

最稳妥的领取步骤如下:

方式一:电脑网页端领取(最推荐)

第一步:复制专属邀请码:HGHAYG

第二步:打开QoderCN官网的活动页:

Image

第三步:点击页面上的「已有邀请码?点击输入」,粘贴邀请码并点击「解锁额度」;

Image

第四步:提示解锁成功后,点击「立即注册,锁定免费福利」,用手机号或阿里云账号,或者支付宝注册;

Image

第五步:到官方下载客户端,登录后在「套餐与用量」里就能看到800 Credits全额到账了!

Image

对了,手机端也可以领取,手机想必大家玩得非常溜了,就不一一展示步骤了。

不过特别注意两点:

第一,名称是Qoder CN;

第二,去中文网站,中国站和国际站是两套独立的账号体系,切勿搞错了。

「最后」

从李佳琦直播间半小时卖出2万亿Token,到各大厂商在双十一猛卷算力福利,我最大的感受是:

Token这玩意儿,终于要从技术极客口中的专业术语,变成了AI时代的大众日用品了。

我觉得国家可能也是在借助这次双11给普罗大众普及AI使用率吧,毕竟之前可是定过指标的。

今年双11,也算是人类首次的AI购物狂欢了。

期待算力越来越便宜,并且越来越普及,不久的将来,它可能会像水电煤一样,融进我们的日常生活。

比如,你家机器人,以后你不仅每个月要给它付电费,流量费,还要付个Token费。

不过,现阶段可能可以把薅到的羊毛放在在刀刃上,让算力真正变成自己的生产力,这才是我们折腾这些AI工具最大的意义。

双十一套路多,这种实打实能领到手的算力,趁着活动刚开不久,囤一份备着用吧~

专属邀请码:HGHAYG

我是袋鼠帝,一个致力于帮你把AI变成生产力的博主。我们下期见~

能看到这里的都是凤毛麟角的存在!

如果觉得不错,随手点个赞、在看、转发三连吧~

如果想第一时间收到推送,也可以给我个星标⭐

谢谢你耐心看完我的文章~

跳转微信打开

  •  

狂揽 83.7K Star!开源版Super-agent来了,告别AI监工~

原创 袋鼠帝 2026-11-04 22:15 云南

接下来,迎接超级智能体吧!

大家好,我是袋鼠帝。

上周六,DeepSeek的Harness团队发了一篇硬核长文《Super-agent 设计探索:迈向更自主的 Agent 系统》,各种AI群里直接炸锅了。

Image

Image

Image

文中的描述的痛点真滴戳中了每一个天天用Agent的人(包括我自己):

现在的Coding Agent单兵确实强,但任务一多,人就快被折腾疯了。。你得开几个窗口一边盯代码,一边人肉复制上下文。

而且现在的Agent大多像临时工,电脑一合上直接断开连接。看看下面这个图就知道了。。

这不就是出差的我吗🤣

Image

Image

到头来,人好像反而成了打下手的,天天当人肉路由器,把Agent们捧在手心

DeepSeek正是为了解决这些痛点,提出了Super-agent设想:

跨信道连续、高效并发、主动干活、存算分离持久在线。

说实话上面提到的都是我的痛点,我是真想早点用上这套系统。可惜DeepSeek说明这只是架构探索原型,并非正式产品。。

Image

不过我在众多信息里面注意到,其中一个群友分享的内容。原来已经有成品可以用了啊~

Image

我了解了一下,没想到LobeHub早在半年前就已经把这套类Super-agent的体系跑在生产环境里了(这个待会儿会详细说说)。

提起LobeHub这个名字,我非常熟悉。

如果是一直玩 AI的朋友肯定也会LobeHub不陌生,毕竟它在GitHub上已经有83.7K Star了。

即便名字没记住,我相信你应该对这个图标有印象,他们还有一个非常全面的Skills市场:

Image

Image

不过,说到LobeHub,很多人的第一反应可能还是2023年开源的LobeChat。相信有不少人用它套过壳,比如给公司内部部署模型使用,或者对外提供服务去卖token。我那时候还专门本地部署了一套,用来连接各种大模型API。

但如果你对它还停留在UI聊天框,那就太低估开源的进化速度了。

我翻了一下GitHub的迭代记录,两年多里,它早就从一个单纯的聊天框架,进化成了一个完整的多智能体协作平台:

从本地存储的聊天框到补齐数据库的1.0,再到今年推出拥有CAO、支持跨设备调度与异构框架管理的完整平台。目前GitHub斩获超83.7K Star,Docker部署破700万次。

而且DeepSeek官方多次选用LobeHub作为发布演示平台。展示V3、R1的深度思考与工具调用时,用的前端界面正是LobeHub。

Image

他们不仅做产品,还联合新加坡国立大学NUS发起了MCP的压力测试基准MCPMark,以及专注评测 Coding Agent 能否打磨好用户体验的 Interaction Bench (iBench)基准。真是高精力啊。

Image

最骚的是他们团队表示:"We Build LobeHub with LobeHub"(我们正在用LobeHub开发LobeHub)

主管Agent在Discord群里主动巡检、拆解需求;专门的执行Agent在各自隔离的环境里写代码、跑测试;代码改完直接交付PR;最后再自动生成包含录屏和截图的多模态验收报告。

卧槽,这不就是我理想中的人和AI的交互方式吗?

DeepSeek的Super-agent是系统架构推演;而LobeHub已经用这套架构在自己的生产环境里跑了大半年了。

为了搞清楚这套研发闭环到底是怎么运转的,我对照着DeepSeek文章的几个核心设计,去深挖了一下LobeHub现在的架构和代码。

首先解决人类注意力上限的问题:

如何避免一个人同时最多盯 3~5 个会话。在不同窗口切来切去传达上下文。

一、Router和Worker分层。

DeepSeek在第二节提到,为了兼顾连续交互与多任务高并发,底层必须做双层解耦:由常驻的Router层统一对外交互和分派任务,由独立的Worker层并发执行。

LobeHub的实践几乎完全对应了这个思路:

上层是Manager Agent,在他们团队里有一个叫Nasa的主管Agent,常驻在协作频道里,负责理解需求、拆任务、派活和验收。

Image

下层则是特化的Worker Agent,比如专门跑Claude Code或者Codex的编程Agent Dario。

Image

Image

Worker绝对不能直接在外部群里说话!只需要埋头干活即可,所有产出和状态都沉淀在任务内部,干完之后由Manager Agent统一整理成简短的高层摘要,汇报给人类。

而且每个任务只设两个位置:一个执行Agent,一个负责人。负责人可以是人,也可以是另一个主管Agent。Agent能力不够时人是主驾驶,Agent成熟了人就变成副驾驶。

如何让Agent们变主动?而不是每次都要我发消息它才干活?

二、事件驱动与两级过滤:无需@也能主动干活

DeepSeek文章第三节强调了主动性,提出了规则层Fast Path加语义层Slow Path的两级过滤。绝大部分群聊消息靠规则直接忽略,只有真正相关的才交给模型判断。

在LobeHub里,这套逻辑不仅做成了,而且直接做成了界面里可以点选配置的规则,非常方便。

这在群聊里面就特别方便,以前是只能@触发,要不就是每条消息都触发,就很烦人。现在可以从源头设置智能触发就很好。

Image

你可以给频道设置监听关键词、事件范围,再由模型按照职责进行语义二次裁决。

简单来说,就是该出手时才出手,不需要介入时保持静默即可。

如何解决本地电脑一合上,就直接GG的问题?

三、存算环境三层分离:云端的脑子,本地Mac mini的手

很多玩本地Agent的兄弟肯定遇到过这个恶心的情况:

电脑一合盖、网络一波动,跑了一半的任务直接断开。

为了解决这个问题,DeepSeek第五节提出了存算分离和环境解耦(BYOM,带上你自己的机器):

Agent Loop常驻云端,端侧只留一个轻量daemon守护进程。

Image

我看了一下,其实LobeHub在今年1月份发布的架构里,就已经实现了这种彻底的分离:

Image

脑子(Agent Loop)跑在云端无状态容器里,哪怕受制于某些云平台的单次执行时长限制,它也能把每一次工具调用变成异步推进,然后状态(记忆)存进Redis和数据库。

而干活的手(工具链和代码环境),既可以放在云端沙箱,也可以直接挂载到你办公室里那台长期开机的Mac Mini上。

你在网页或者手机上给它安排任务,云端的大脑会开始调度,实际执行命令的是你本地设备上的轻量守护进程。

理论上只要守护进程没挂,这时你合上屏幕去睡觉,它照样能默默把活干完。

四、用Task管理上下文:解开DeepSeek留下的开放问题

DeepSeek在文章第8.3节,特意把上下文边界与多Agent协作列为了一个待探索的开放问题:谁共用Agent?谁共享上下文?如果边界没搞清楚,要么信息割裂,要么上下文爆炸。

而LobeHub给出的解法比较朴素,但管用:

用类似Linear的任务(Task)来作为信息锚点。

他们把整个团队的协作搬到了Workspace(工作空间)里。多任务并行推进的时候,每个任务拥有独立的Task看板。

这个Task从一开始的提问、代码修改的Thread对话、中间产物、CI结果,到最终的PR链接,全部沉淀在同一个任务页里。

Image

团队里的所有人和其他Agent,只要点进这个Task,上下文天然是完整的、可追溯的。它不需要一个万能的大脑去记住全世界的事,而是让每个具体的目标拥有自己的完整闭环。

这就有点像我以前做项目经理的时候的那种,冲刺看板。。

这玩意儿是怎么工作的?

Agent改完代码后,会把需求拆解成一个个可观察的验收项。它自己在无头浏览器里跑一遍,把每一个界面的截图、动效录屏、甚至控制台日志打成一份在线验收报告。

比如移动端小屏显示是否正常、明暗模式切换是否掉色、键盘Tab键能不能顺畅选中按钮……

人类开发者只需要在网页端打开这份报告,像刷X一样快速过一遍录屏和截图。哪一项看着不对劲,直接在画面上圈选打回;通过的项保留,Agent带着打回的意见自动去改下一版。

甚至每次打回的记录都会变成经验沉淀下来,Agent下次交付前自己就会自动先查一遍。

我觉得这种多模态验收闭环,是非常有必要的。

看到这里,可能有些朋友会问:袋鼠帝,这听起来全是软件工程的重型武器,对我们普通人或者普通开发者来说,门槛是不是太高了?

其实完全不用慌。

你甚至不需要去配置复杂的本地环境,只需要到LobeHub官网注册一个账号(他们有网页版、桌面客户端和CLI工具),花个十几分钟,就能很直观的感受到这种主管Agent组织多Agent协作到底是个什么感觉。

先直观看看它是怎么合上电脑后还能工作的:

可以多任务并行执行,然后有云端主机(原理跟上面DeepSeek 提出的存算环境三层分离类似,这里不重复赘述了)。

Image

Image

1、群里一句话,它自己接活、拆活、派活

我拉了一个小飞书群,同时把LobeHub和OpenClaw拉进了群,然后在飞书群里发了一句测试。

我没有没有 @任何一个agent、没有唤醒词、没有「在吗」,但他理解到要干活了,一号牛马上线。

Image

比如我把我在github上开源的仓颉.Skill 的一个真实维护需求丢给它

仓颉.Skill 的 README 好像和现在的用法有点对不上了

同样的问题,我也丢给了OpenClaw。

9 秒后,我的LobeHub回复「已接单」。

然后它做的第二件事不是继续聊天,是去建好任务给部门里的员工们:

然后我打开 LobeHub 桌面端的任务页,它干了这么几件事:

建主任务 T-1 自己当统筹;

拆出 T-2 给文档小袋鼠agent核对、拆出T-3 修订和T-4 示例给代码小袋鼠agent去完成,最后再给我的产品写一个新的产品介绍(单独新增task拆了一个T-5);

还把依赖链配好了:T-2 → T-3 → T-4 → T-5。任务可以并行执行并且可以点开看任务内容、步骤、中间产物等。

Image

这确实让我感受到了新奇。

以往我们用 Agent,是「我 @ 它,它回答」,活是我安排的、进度需要我亲自盯着。

然后我又接着问:

现在到哪一步了?请分别说明每个任务的负责人、状态和卡点。

有进行中、运行中、未开始等等

能实时定位到任务、负责人和卡点的进度,很像一个小公司达到的颗粒度。哈哈 颗粒度,这个词大家很熟吧🤣

Image

所以,LobeHub 的核心是 Task

Image

2、同一个群里的OpenClaw

相反同一句话,我 @ 了 OpenClaw后才收到了回复:

不 @ 它完全静默。@ 之后等了 3 分 36 秒才回;回的是张卡片,内容还挺专业,确实指出了 README 和 v2.5.0 对不上的地方。但它没有任务树、没有分工、没有负责人。更不能并行执行任务,效率上就差了好几个量级。

Image

3、第二天接着干,记得昨天的事

我隔了一天在群里问:

继续之前 README 的任务。请先告诉我哪些内容已经完成,哪些还没有完成。

不需要重新交代背景,直接给出。

Image

这种有个总管其实挺好的。它有所有任务的上下文,以后想干嘛,直接找它就行,不需要每次交代上下文。

4、验收环节实事求是,不讨好不美化

LobeHub 的验收机制确实被他们的团队做的很好,这主要依赖于他们开源的另外一个Agent loop工具:Acceptance。

Image

往往Agent在制作完成我们叫它自行验收时,它只会做正常的功能代码测试,代码测试能证明程序跑得通,却发现不了被截断的菜单、暗色模式下消失的文字、或小屏上溢出的按钮这样的细节--这些恰恰是人会留意的地方。 Acceptance在工作时Agent 会把一条需求拆成若干可观察的检查项,在真实产品上逐一运行,并为每个检查项附上截图、录屏和日志,汇总成一份在线报告并记住每一次打回的原因;人可以整体接受,也可以把单个检查项打回,已通过的部分保持有效,单个项目继续去打磨优化。

以我们现在跑的项目为例:T-2 上挂着一个验收清单,一共 5 项,已经跑过 3 轮,其中第 2 轮是返工。

Image

但这轮我要求它「重启卡住的 T-2、跑完把验收报告贴出来」时,它回了我一段很实在的话:

一、重启失败了,而且是连续第三次。我 pause 后重跑了两次,加上之前挂住的那次,三次运行都被运行时直接 cancel / interrupted,一条产物都没有。T-2 现在还是 running 的僵尸状态,不是在工作。 二、截图证据我给不了。验收关卡输出的是逐项判定 + 依据文本,不产出图片;这轮也没跑出任何东西可以截。你要的截图我造不出来,也不会拿假的糊过去。

Image

说实话,这一刻我对它的印象反而更好了。

很多产品的 Agent 到这一步会开始瞎编——给你一张看起来像那么回事的图,或者一段所有功能验收无误的漂亮话试图告诉你完成的很完美。但LobeHub没有。

后面我干预了一下后,它还是把活干完了:T-2 核对、T-3 修订、T-4 示例三个子任务全部完成,差异清单和 README 改动都写在了任务评论和本地仓库里。

Image

LobeHub还有 CLI,也可以直接通过Cli 把报告完整渲染出来:

Image

其实在之前,多Agent就火过好几波,但是那个时候我并不看好。

因为我觉得当时单Agent都还没进化好,都还没到一个好用的状态,就去考虑多Agent。就有点还没学会走,就想着跑的感觉。

直到Codex、Claude Code上的单Agent模式,逐渐成熟,且越来越强大(现在已经非常强大了)

我就预感下一步肯定是要发展多Agent了

而体验完LobeHub后我感觉:

它不仅仅是简单地使用多Agent团队运行项目,而是从一个工具到一个真正的团队的进化。

是真正的多Agent的起点~

「最后」

我们简单回顾Agent的演化过程:

第一代是Workflow+智能体,确定但脆弱,业务一变就需要改写很多节点;

第二代是单兵Agent,学会了自主推理和调工具,但局限于单人会话。

而以DeepSeek架构探索和LobeHub工程实践为分水岭,行业正迈向第三阶段:

组织化协作。 未来的Agent的竞争,不仅仅再取决于模型在榜单上的跑分,更取决于工程架构。

期待我关机睡觉时,这帮Agent们还能帮我把活干好的那天快点到来😄。

DeepSeek在上周的长文里,从理论上勾勒出了Super-agent的蓝图;

而LobeHub最让我佩服的地方在于,他们没有停留在理论上,而是先实际应用到了业务里面变成生产力,进而逐渐沉淀到了8.3万 Star。

AI进化远比我们想象的更快。我感觉Agent,很快将迎来一波全面的进化。

建议大家可以抽空体验一下LobeHub,确实是前沿的Agent,它也许会颠覆你对未来团队形态的认知~

我是袋鼠帝,一个致力于帮你把AI变成生产力的博主。我们下期见~

能看到这里的都是凤毛麟角的存在!

如果觉得不错,随手点个赞、在看、转发三连吧~

如果想第一时间收到推送,也可以给我个星标⭐

谢谢你耐心看完我的文章~

跳转微信打开

  •  

腾讯又迈出关键一步!一个Buddy One,直接打通全生态!(Token+上下文)

原创 袋鼠帝 2026-11-02 08:30 云南

WorkBuddy生态越来越强大了~

大家好,我是袋鼠帝。

刚过去的这几天,腾讯全球数字生态大会刚落幕,我微信朋友圈和公众号信息流里有个东西还挺火:Buddy One。

先是看到卡子哥(卡兹克)写了一篇 Buddy One 10万+文章,然后好基友苍何发了体验文章。

熟悉我的老粉都知道,我这个人最大的毛病就是"手欠"。

但凡市面上冒出什么宝藏的、能真正改变工作流的 AI 新玩意儿,我基本上是按捺不住的。

刚好到周末了,我把把刚刚上线的 Buddy One 好好体验了一遍。

workbuddy.cn/buddyone

Image

我发现这次腾讯正式把会议、文档、知识库、网盘和 Agent 串在一起,推出了 Buddy One 这一整套跨应用 AI 协同体系。在首页点击「加入Buddy One」直接就能绑定关联。

Image

说实话,我和腾讯的 AI 产品线渊源还挺深的:

从最早测 CodeBuddy,到后来 WorkBuddy 刚发布那会儿,我写了一篇 14 万+ 阅读的深度解析;

Image

再到后来,我跟社区里几位志同道合的朋友一起开源了《WorkBuddy蓝皮书》,甚至我还入驻了一个宣传片专家团到workbuddy。

Image

Image

我最近也分享了不少workbuddy的内容。

正因为一路深度参与、看着它一点点长出来,所以当看到Buddy One的时候,我感觉:

腾讯这次,是在看准了行业的又一块病灶后,再次挥出的一记势大力沉的重拳。

过去这两三年,大模型领域可以说是烈火烹油。

今天这家发布一个刷榜模型,明天那家搞一场万人瞩目的发布会,各种生造的词汇满天飞。更有甚者,大张旗鼓地疯狂招人、四处跑马圈地,结果当部分泡沫退潮,又急匆匆地裁员收缩甚至整条业务线砍掉。前两天看到微软又在裁员。

Image

但在腾讯身上,你几乎很难看到这种盲目的躁动。

很多人之前私下跟我吐槽:“感觉腾讯在 AI 上总是不慌不忙的,甚至有点‘慢半拍’?”

其实如果你仔细复盘,就会发现这不是慢,而是一种老练的克制:

大概是先观察,磨刀不误砍柴工;不盲目跟风去卷那些脱离实际的浮夸概念,而是把精力放在搞清楚真实用户的真实工作流上。一旦时机成熟,便全力出击。

回忆一下:

当海外 Claude Code、Codex等本地Agent爆火的时候,腾讯没有第一时间跟风吹概念,而是反复打磨,后来拿出的 WorkBuddy 直接拿下国内用户最多的办公Agent榜首;

而这一次的 Buddy One,同样是在整个行业陷入“单点工具内卷”瓶颈的时,腾讯做出的关键抉择之一。

因为只要你天天用 AI 干活,就会发现一个非常荒谬的现实:

大模型的智商越来越高,但我们的工作好像并没有变得更轻松。我们好像反而越来越忙了...

每天在应用间“肉身搬运”的我们。

我们平时是怎么用 AI 的?

如果你一直在用腾讯系产品,可能会有下面这种情况:

开会用腾讯会议,上面有实时语音和智能纪要;

整理方案和汇报用腾讯文档;做个人积累和资料研究用 ima 知识库;存大文件、存历史视频和项目物料用腾讯网盘;遇到复杂的自动化操作、跑代码或者批量任务,打开 WorkBuddy。

这些产品单拎出来,每一个都是各自领域体验非常Nice的顶流。

但问题在于,它们彼此之间是相对割裂的,本质上还是各自为政的孤岛。

你大概经历过这种抓狂的时候:

周五开完一个长达一小时的跨部门项目会,腾讯会议里生成了一份详尽的 AI 纪要;

你想把纪要里的待办转成项目企划书,只能手动复制粘贴到腾讯文档里,重新排版、给大模型喂提示词;

中间涉及到三个月前的方案背景,你得切换到网盘里翻找历史 PPT;

遇到一些行业专业问题,你又得跑去 ima 知识库里搜;

好不容易在 WorkBuddy 里跑完了方案,想生成最终交付物,发现这个月的 AI 额度用完了,而另一边的腾讯文档会员里还有剩余积分还在白白闲置…

所以数据散落在各个地方,上下文割裂,特别是算力还要分开买单。

这也是为什么腾讯这次做 Buddy One,官方的核心主张是八个字:「各展所长,协同如一」。

Image

前两天朋友看到我在用Buddy One的时候,他们还非常诧异,觉得腾讯又出了一款应用?难道又是一匹新的"马"?会有这种误区。

但它其实不是要再造一个什么超级 App,而是把腾讯自身最强的几个生态完全打通:

协作(会议/文档)+ 知识(ima)+ 存储(网盘)+ AI Agent(WorkBuddy) 真正用底层立交桥贯通起来。

而且是以workbuddy为中心的一个网络。

Image

不改变操作习惯,但彻底打通了数据和算力。

要明确一点,绑定 Buddy One ID 是 100% 免费的,不需要花一分钱。

它的本质,是给腾讯办公与 AI 生态做了一次统一的“身份证认证”。只要你把手头的 WorkBuddy、ima、腾讯文档、腾讯网盘一键绑定:

  • 跨应用检索直接开放:下面我演示的能力,绑定后就能免费用;

  • 积分池全端打通:这是非常爽的点!以前 WorkBuddy 的积分只能在 WorkBuddy 用,文档的算力只能在文档用。现在只要加入体系,积分默认升级为统一的 Buddy One 积分,在 WorkBuddy、ima、腾讯文档和腾讯网盘里通用(腾讯会议不消耗积分)。

Image

这意味着你每天免费领取的workbuddy积分也可以在腾讯网盘、会议、文档、ima里面用。

Image

把闲散的算力合并成一个池子,这才是正常的工具逻辑。也是生态打通后的巨大优势。

ok,关联之后,怎么用上Buddy One?

其实非常简单,直接打开WorkBuddy就能用了。

比如直接让它帮我汇总最近一周的资料和进展,整理关键结论和待办。

Image

Image

PS:提醒一下大家,后续腾讯会议要开 AI 纪要或者录制,才能被Buddy One所引用到。

还可以把公众号文章转发到workbuddy。

Image

然后让它帮我同步到ima

Image

搞定~

Image

帮我做项目复盘

找一下我24年做的产品资料,并复盘一下那次产品最后为什么失败了

Image

Image

Image

它完全把所有资料获取到了,并且给出了比较中肯原因,以及复盘后需要注意的东西。

这就是我想要的丝滑打通~

Buddy One VIP(适用于重度生产力用户)

如果说最开始讲的绑定Buddy One ID 是负责把生态“打通”,那么 VIP 就是在服务层面上做了一次高价值的“打包”。

以往我们如果想在各个工具里获得最顶级的体验,得分别买:

WorkBuddy 旗舰版、腾讯会议专业版、腾讯文档超级会员 Plus……每个月不仅要应付好几个扣费通知,算下来更是一笔不小的开销。

这次的 Buddy One VIP,直接把这几个核心权益全部贯通:

Image

Image

而且对于已经是 WorkBuddy 旗舰版的老用户来说,官方这次给出的政策还挺良心的:

支持 0 元无感升级,权益增加,剩余时长直接向上取整。

简单来说就是四个字:加量不加价。

「最后」

回想从 2023 年大模型元年走到今天,AI 行业经历了一轮又一轮的喧嚣。

我们见过无数惊艳一时的 Demo,见过无数跑分爆表的模型,也见过太多红极一时、最后却在用户桌面逐渐落灰的单点工具。

走到 2026 年的今天,行业里真正干活的人越来越明白一个道理:

决定一项技术能不能成为水和电的,从来不是它在象牙塔里有多炫酷,而是它能不能无缝嵌进真实世界里。

腾讯在 AI 这条路上,或许从不是那个最迅速的,但一定是对“协同”与“场景”理解最深刻的巨头之一。

因为纵观整个国内互联网生态,同时拥有国民级会议系统、顶级在线文档、深厚知识库积淀、海量云端存储,以及能深入底层的 AI Agent 产品的,独此一家。

过去,这些珍珠像是散落在各处,各自闪光;

而今天 Buddy One 做的,就是腾讯自己把所有的珍珠穿成了一条项链。

你甚至可以看到,连飞书、LibTV、百度网盘、美图开拍等都在workbuddy上支持了。

技术终究是为人服务的。包容、开放的产品和技术一样更有温度,能走的更远~

同时,我们探索 AI、折腾工具,也不是为了把自己变成一个运转更快的机器,而是为了在那些琐碎的重复的日常中,省出哪怕半个小时、一个小时的时间。

用省下来的时间,去旅旅游,喝喝咖啡,去陪陪家人,抱抱家里的猫,去过真正属于我们自己的生活。

这大概就是AI能给我们普通人最有价值的地方吧。

我是袋鼠帝,一个致力于帮你把AI变成生产力的博主。我们下期见~

能看到这里的都是凤毛麟角的存在! 

如果觉得不错,随手点个赞、在看、转发三连吧~ 

如果想第一时间收到推送,也可以给我个星标⭐

谢谢你耐心看完我的文章~

跳转微信打开

  •  

代码+sd2.5免费用,下一代AI视频生产力来了!(可批量复刻爆款)

原创 袋鼠帝 2026-10-30 16:13 广东

AI视频的春天,来了

大家好,我是袋鼠帝。

这个月我的X和朋友圈,基本被Opus 5.5写代码做出来的视频刷屏了。产品宣传片、MG动画、界面动效,文字一清二楚,效果非常丝滑。

(PS:简单说下原理。Opus 5.5本身不是视频模型,它是写了一个会自己动的网页,再让浏览器一帧一帧截图,拼成视频。字是浏览器排出来的,所以不会乱码。)

但代码生视频也有短板:它画不出真实的东西。真实的产品、人物、光影,还得靠视频模型。

而视频模型也有短板,就是随机性较高,局部调整需要抽卡。遇到一些细节,比如小字,会出现不清晰,模糊的情况。

前阵子写代码做MG动画那篇的时候,我就说过,代码+视频模型大概率会结合到一起。没想到这么快就出来了(待会儿讲)。

而且我发现它俩组合到一起之后,特别适合批量复刻爆款视频。然后我一直推荐的就是,做传播最好、最简单的方式是借鉴低粉爆款的选题。不管是做自媒体起号,还是做广告都很适用。

先给大家看两条我参考低粉爆款做的短片。

是在X上找的一个低粉爆款,作者只有几千粉。

Image

原视频在这里,大家可以看一下:

复刻的短片1:水果挞网页设计

复刻的短片2:草莓挞广告宣传片

是不是食欲拉满了哈哈哈哈,这两个视频审美真的让人眼前一亮,很难想象这是我一个理科生做出来的视频。而且文字清晰可见。细节非常到位。

我甚至还能照着低粉爆款快速复刻,随时换产品、换文案。并且不用抽卡,成本低,速度快。

这就是代码+视频模型的优势。

接下来我给大家分享这样的视频是怎么快速制作的~

以及怎么去批量复刻爆款,轻松换视频文案,换产品的。

用的是OiiOii最近新出的全能复刻/一键替换素材功能,入口如下图

在输入框中添加参考视频和准备的产品图,在提示词中写清楚想要突出的产品卖点。

Image

这个功能的做法就是:视频模型和写代码,一起上。

OiiOii全能复刻功能的分工是这样的:

画面里需要拍出来的东西,比如草莓挞、产品、人物,交给视频模型;界面、文案、动效这些,直接用代码生成。复刻爆款的效果能媲美Opus 5.5,而且因为有视频模型的加入,生成的视频的质感有极大的提升,同时代码生成的部分,帧率和清晰度比直接用Seedance生成更高。

这个互补的方式真是无敌了!

而全能复刻的具体玩法,就是你给它一条爆款当参考,它先把整条片子看懂,把镜头、节奏、转场、动效都拆解出来,你直接换上自己的产品、角色和文案,它就能照着这套结构做一版新的。

而且支持批量:一条爆款可以一次出好几个版本,好几条爆款也可以一次全换成你的产品(后面细说)。

水果挞视频是一键复刻的?

整个过程其实非常简单。一分钟学会~

在OiiOii里选择全能复刻,输入框里添加参考视频和准备好的自己的产品图,再在提示词里写清楚想突出的卖点就行。

Image

这里唯一要注意的就是:第一次生成时最好使用480p(如上图)

生成的效果满意之后再用(下图的)升级高清的功能升级到1080p甚至4k。这样可以省一些积分。

Image

生成过程中,还会单独自动生成提示词里面提到所需的其他物料,比如我这个视频里面用到的各种食材物料(如下图),都是由OiiOii单独生成的精灵图。

Image

PS:精灵图(Sprite Sheet),就是把多张小图片,按一定规则排列在一张大图里。 通常会采用透明背景、整齐排列,方便后续裁切和使用。

所以,精灵图的好处就是可以重复使用,比如下次要生成草莓奶茶就直接可以使用第一张草莓+奶油的精灵图了,完全不需要重新再生成,这何尝不是一种省积分策略呢。

然后到这里,开头的第一条视频就复刻完毕了,真就一键搞定,是不是非常简单😄~

另外说明一下,一开始上传的产品图我是用MJ生成的。

像美食、时尚杂志感这种特别吃审美的画面,我还是更喜欢MJ的光影、配色和质感。推荐大家也可以先用MJ生成或者优化一下产品图。

然后一条15秒左右的视频,大概花了260盒饭(OiiOii的积分),一般一次就能生成符合预期的成片。(这个积分消耗是我自己视频生成前后的积分相减计算得出的)

批量复刻爆款视频

然后不是马上圣诞节、元旦、七夕就要到了嘛,我又顺手批量做了三条宣传视频,分别针对圣诞,元旦,七夕不同节日。

同样用全能复刻功能,直接在对话框跟Agent说就行。这里还可以在提示词里面要求直接复用上一条视频的精灵图~非常方便。

Image

过一小会,3个视频就一次生成好了,在右侧的画布上可以看到

Image

为了方便呈现给大家观看,我自己用剪映把三个视频剪在了一起。

真的是顺手就做了,完全不需要重新准备物料。巨简单...

这种一键批量生成的感觉真挺爽的。

前几天还有群友问我:目前有没有比较好用的自动化视频软件或者产线。

Image

我感觉OiiOii的这个批量复刻低粉爆款能力就算一个。

因为现在各种促销活动真的太多了,节日促销,双十一,双十二等等,这种一键批量生成多个节日营销版本的功能用着确实不烧心🤣。运营同学再也不用节日加班赶物料了。

玩法:一条爆款,批量裂变

还有个适合自媒体创作者的玩法,在流量为王的时代,不管是图文还是视频都可以通过快速批量试错来跑出最有流量的那一个。也可以用OiiOii的全能复刻/一键替换素材的功能来快速堆量碰爆款~

一条爆款,批量裂变:

同一个产品还可以套用不同的爆款视频结构。以前这类视频需要一条条制作出来在社交媒体跑看反馈。现在可以直接套不同的模板,批量出视频。

文章一开头的第2个视频就是这样跑出来的。我重新提供了参考视频,直接在输入框中和Agent说把参考视频中的产品替换成附件的图片。

提示词:遵循原视频的内容结构和格式,并将主体替换为图片1,生成一个新的视频。

Image

大家可以对比一下两个视频,原视频的动效已经算是比较复杂的动效,还是完美复刻了。

终于不怕反复修改了

然后还有一个问题,等视频做好以后,反复改稿才是日常(不管是甲方还是老板,肯定都会有修改意见)。

比如什么标题换一个、背景换个颜色,产品图不对等等...相信改过的人应该知道这个痛苦。

总不能每次都从头再做一遍吧(抽卡是既费钱又费时间)。

所以我又拿这条水果挞视频试了一下能不能局部修改,提示词很简单:

“现在要正式接圣诞订单,得把标题和片尾改成预订信息,最后生成480p的视频”。很快圣诞宣传视频就变成了预定引导视频。

Image

修改后的成片

因为复刻的时候 Agent 会保存过程中的工程文件,当生成中的视频中含有文字/界面/动效等元素时,就可以对这些元素进行批量修改生成,由于使用代码生成会相较于直接使用 Seedance 等视频模型生成大幅降低盒饭消耗,改一次几乎零成本,既省钱又省时间。

这就是代码+视频模型的优势~

二次修改速度大概能快5倍、如果修改10条,积分消耗相比只有视频模型便宜约89%

下面是一个数据统计:

Image

简单总结一下:

基于代码+视频模型,OiiOii这次的全能复刻功能,有超强的复刻效果,业界最难搞的文字/界面/动效类视频,也能完美复刻了~

然后支持批量操作:

多条一把改:支持上传多条视频,一次性全部替换为新产品;

一条生多条:一条爆款视频,一次性生成多版本。

最后把反复改稿的成本(时间/金钱成本)降低了很多。

我觉得有批量自动化视频需求的朋友都可以试试,既简单,又好用。

还得是代码+视频模型,真心是目前最好的AI视频生成方式,妥妥的版本答案。

「最后」

这一年AI视频卷得很猛。从年初Seedance 2.0杀疯了,到8月Seedance 2.5单次能生成30秒,我们越来越难以分清ai和现实。这个月代码生成视频也终于跨过了临界点。

我觉得代码+视频模型是现阶段必然的趋势,因为商用视频里,大部分画面其实都在讲信息,产品卖点、价格、功能界面、排行名次,这些交给代码会更稳;真正需要写实的那部分,再交给视频模型。

还有一点,做过商用视频的应该都懂,最花钱/耗时的不是产出第一条视频,是后面修改的过程。

而且现在爆款视频的寿命越来越短了,今天水果挞,明天奶皮子草莓。谁能在热度还在的时候一天出十个版本,谁就更有机会先吃到这波流量。

下一代的 AI 视频生产力已经来了!

下下一代,我预测要不是视频模型把Code2Video能力内化了。要不就是视频模型自身进化到足够强的状态后,自然也不需要代码了。

然后有个薅羊毛的福利:

OiiOii双十一限时活动,10.28-11.04,首次开通会员,Seedance2.5等20款热门模型免费畅用,最长7天(具体天数看开通的套餐档位)。有素材要赶的朋友,可以趁这波薅一把~

Image

你最想复刻哪条爆款视频?欢迎评论区互相交流、学习~

我是袋鼠帝,一个致力于帮你把AI变成生产力的博主。我们下期见~

能看到这里的都是凤毛麟角的存在!

如果觉得不错,随手点个赞、在看、转发三连吧~

如果想第一时间收到推送,也可以给我个星标⭐

谢谢你耐心看完我的文章~

跳转微信打开

  •  

挖到个宝藏27B开源Code2Video模型!可本地安装,还送MG Skill~

原创 袋鼠帝 2026-10-29 21:04 广东

可本地部署使用,私密性高。附6大代码生视频玩法,带提示词。

我去,最近代码生成视频是真火呀!

大家好,我是袋鼠帝。

老粉应该知道,我最开始是一个后端开发,剪辑和AE是完全一窍不通。

但从今年2月开始,我陆陆续续用代码做了不少视频:

用Remotion把公众号文章转成动画视频,基于HyperFrames搭了个宣传片专家团,给仓颉.Skill和WorkBuddy都拍过宣传片等等。

Image

Image

用代码做视频这条路,其实工具这一块早就开源了不少,之前有Remotion,HyperFrames。但每次片子的效果,主要还是看背后那个写代码的模型,而且生成一次不便宜。

上周HeyGen在Kaggle上更新了一个Code2Video榜单。

玩法是给模型一份很细的创意brief,让它在HyperFrames里写代码出片,再拿去跟人做的参考片比。

Image

前八名清一色是闭源模型,Claude Opus 5.5排第一,原始分33.5%。

GLM、Kimi、DeepSeek等开源模型,基本在10%上下。

榜单说明里有句话我挺认可的,大意是:很多前沿模型都会写HTML、CSS和JS,但要把代码变成一支靠谱的视频,模型得在时间上去理解画面,而不只是画好一个静态页面。难度是指数级上升的。

所以现在的局面其实有点尴尬。

想要效果,就得用付费用闭源。之前我用Opus5.5做一条1分钟的视频,花了半个小时,跑一条可能都要几十块。。也没办法在本地使用。

一些通用的开源模型本来也不是专门为做视频训练的,所以用起来也不是太ok。

不过,我发现最近发现了一个宝藏开源Code2Video模型:SenseNova-6.8-Code2Video

哈哈,刚想睡觉,枕头就递来了~

https://github.com/OpenSenseNova/SenseNova-6.8-Code2Video

Image

它是一个专门为代码做视频训练的模型,模型权重在Hugging Face。直接填补了这个中空地带。

https://huggingface.co/sensenova/SenseNova-6.8-Code2Video

SenseNova-6.8-Code2Video是一个27B的小模型,基于Qwen3.8-27B微调,支持512K上下文。

它虽然小,但它的定位居然是干长任务:写代码、渲染、回看画面、再改,一轮接一轮,甚至最多能连续跑10个小时以上、2000多轮。推荐接入Claude Code使用~

Image

而且,没想到还有配套的code-video Skill,把做片子拆解成了一套标准流程:

Image

先写规格,再写代码渲染,然后把渲染出来的画面读取自己检查,最后验收交付。里面带了8份领域指南,科普讲解、角色动画、3D场景、音乐卡点这些都有,贼全。

同时,它可以增强 Prompt 生成,也就是自动优化提示词后再生成视频,极大降低创作门槛。

Image

开放的制作轨迹也非常详细,每一条消息、每一次工具调用、看了哪几张渲染图,都有。

想知道片子是怎么一步步做出来的,直接翻轨迹就行。

省流总结一下这个Code2Video模型(SenseNova 6.8)的特点:

1、一句话出片:说需求,它自己组织画面、设计动态文字,能直接出一支多镜头的完整短片。手上有现成的视频素材,也能编进成片里。

2、能直接改,不用推倒重来:整体换风格,信息、节奏和动画,可以直接往画面里加新元素,它会自己处理。一轮一轮改,慢慢改到你满意。

3、看视频就能复刻:只给一段参考视频,不用原始代码和工程文件,它会逐帧拆解画面和动效,重新写一份代码,还能顺手改成你要的样子,比如换个产品名、换个配色。

4、许愿式创作:想法很模糊也没关系,配套的Skill会先跟你聊清楚需求,把零散的想法扩成完整方案,优化好提示词再开做。

说实话,我还第一次见到专用的Code2Video开源模型(不知道是不是首个)。

不知道你们有没有这种感觉,作为开发者,对开源完全没有抵抗力,每次出来一个全新的开源项目,就会像见到了一个令人兴奋的"玩具"。特别是Code2Video最近还很火。甚至开辟出一条新的AI视频方向。

现在安装部署也非常简单,把GitHub或者huggingface链接直接丢给Codex等本地Agent,让它帮忙部署模型,并配置到Claude Code,顺便把code-video Skill也安装上。中途如果遇到问题,让它解决就好。

ok,接下来,我们一起看看SenseNova-6.8-Code2Video做视频的效果如何~

1、《周末的48小时,到底去哪了》

我找了一个大字报风格的短片,让他来复刻。看看效果怎么样。

提示词:请参考我上传的视频,为《周末的48小时,到底去了哪里?》生成一支30秒竖屏动画的完整代码。
采用瑞士动态排版风格(参考我上传的视频):黑白灰加一种强调色,统一网格、单一字体家族、强烈字号对比和大面积留白。文字通过裁切显现,图形精准移动、卡点落位,不使用弹跳、粒子或复杂三维效果。
用巨大的“48”、时间方块和简短文字,表现周末被睡觉、家务、刷手机等活动逐渐占满,最后落到“怎么又星期一了?”的共鸣。时间分配为虚构示意,合计48小时。具体分镜自行设计。
使用 HTML、Canvas 或 SVG 实现,适配1080×1920,提供完整可运行代码和渲染说明。如果当前平台支持执行和视频导出,请继续完成并交付MP4。

参考的原视频由Opus5.5生成:

SenseNova 6.8 Code2Video 生成的视频:

可以看到格子填色的动效其实做的和原视频一样丝滑。

整个视频的动效,BGM卡点都做得很不错。不足的就是画面布局少了些设计感和精致感,还有一个小瑕疵一开头的数字48没有显示完全(这种可以让SenseNova 6.8 Code2Video直接修复)。

接下来我继续让他修改了配色和画面内容,我这里先把配色改成蓝色了,接着修改了数字48 的显示问题和换了一首更轻松愉快的电子音乐,一共做了两轮修改。

修改只是相应代码块的修改,而不是传统视频生成那样的整支视频重新生成。

最后的成片如下:

提示词:

制作30秒、9:16《128GB,都去哪了?》存储空间动态图解。角落全程注明“容量分配示意”,数据虚构,不使用真实手机品牌或声称系统实际统计。128个等大方格,每格1GB,16列×8行,留足手机安全区。照片34GB珊瑚色、视频46GB钴蓝、应用22GB橙色、系统16GB灰色、剩余10GB空心,总和128。
0—4秒:手机轮廓打开为方格面板,标题“128GB,都去哪了?”4—14秒:依次高亮五类,34/46/22/16/10与方格个数精确一致,数字和图例可读。14—20秒:方格连续重排成五组,强调视频46GB,不使用随意的百分比条。20—26秒:模拟用户已确认删除14GB重复视频,把14个视频方格转换为空闲格,视频变32GB、剩余变24GB,照片34/应用22/系统16不变,128格全程守恒。26—30秒:“剩余24GB”“先看占用,再决定清理。”不要表现未经确认自动删除真实文件。配乐与重排、释放动作同步,避免格子闪烁或凭空增减。

像这类把一组数字变成可以跟着看的动态图就很适合用这个模型生成,数字色块的增减数量都是对应的,色块变动的动效也够丝滑。

2、超现实主义气泡水广告

提示词:制作一支24秒、16:9的虚构气泡水广告,品牌叫ROUND,主打柚子口味。
采用明快的二维与简单立体图形混合风格。易拉罐由圆柱和上下两个薄圆盘构成,水果由圆形、扇形和短线构成,气泡用圆点。主色是柚子黄、青绿和米白,使用简单渐变和落地阴影。
0—4秒:黄色圆形弹入,展开为柚子切片,三片水果沿弧线错位排开,背景圆环和短线跟随运动。文字“给今天”。
4—10秒:切片向下运动,带动一只ROUND易拉罐进入中心。罐体轻转20°,标签始终附着在罐体正面。前景水果滑过,中景产品运动,背景气泡上升,形成三层构图。
10—18秒:三只罐子排开,中间是最大的柚子黄主罐,左侧青柠绿,右侧莓果粉。背景大色块随节拍滑动,三种口味依次被强调。
18—24秒:回到单只柚子主罐,水果切片和气泡沿环形路径运动。出现“给今天,加点气泡”和ROUND。最后2秒让产品与文案完整停留。
音乐轻快,产品入场、口味切换、片尾定格都有对应音效。画面层次来自水果、产品、背景图形及其遮挡关系。交付带声音的视频。

成片

说实话,这条属实让我有点惊艳到了,在这条视频里面我终于看到了些设计感,不管是字体的设计还是整个画面的配色都比较和谐。

我是没有想到一个27B的小模型,能做到这种程度。看来微调还是很权威的,微调好,得学啊!

3、开源项目宣传片

我开源的仓颉Skill 马上12 K Star啦~

顺便用SenseNova 6.8 Code2Video,再来给仓颉Skill做一个宣传片吧。整个视频1分钟。

说实话,做的还不错,虽然整体设计略显粗糙,但是各种细节,动效都是很到位的。该表达的都表达清楚了。

4、科普讲解

再来看看对于数学问题它处理的怎么样--《两个圆,能画出直线?》

说实话,我光看这个题目根本想象不到咋画的直线🤦‍♂️

要是我当年学数学的时候老师拿出这玩意也不用我自己费劲巴拉自己想象了。

当年听过数学老师说的最多的一句话就是你们自己想象一下🤣。

接下来再看看他的3D能力,这是一个距微缩动画,用简单的3D模型讲解了平常我们购物过程中快递是怎么实现分流的。

提示词:制作32秒、16:9等距微缩物流动画《一件快递,怎么找到自己的路?》。角落标注“物流流程示意”,不冒充真实物流算法。奶油白地面、蓝色设备、橙色传送带路径,A/B/C三个明确分流终点。主角包裹标签始终“017”,目的地B,身份与外观保持一致。
0—4秒:完整仓库建立空间关系,标题“一件快递,怎么找到自己的路?”4—11秒:跟随017通过扫描门,读取结果清楚显示“017 → B”。11—21秒:橙色高亮B路线,分流挡板先转到正确方向,包裹沿真实的传送带路线进入B通道,不能穿透设备或瞬移到另一带。21—27秒:017到达B装载区,标注“目的地匹配”,其他包裹作少量背景但不抢主体。27—32秒:镜头回全景,流程“识别 → 分流 → 到达”。

可以看到整个视频中几乎没有穿模的镜头,发光特效和音效也配上了,总的来说还不错。

所以,我觉得它对教育也是有非常大的意义,比如你是一位数学,或者物理老师,经常需要备课。

就可以本地部署这个小模型,上课前让它自己生成一些帮助学生理解的动画,本来一图胜千言,视频就更是了。

5、小猫DJ

这个主要是看生产的鼓点是否和画面同步,我想要的效果是小猫每按一个按钮(3个按钮代表低鼓、和弦与短音旋律)发出的声音要和小猫的动作符合。

提示词:制作一支16秒、9:16竖屏、首尾无缝衔接的音乐动画。
主角是参考图中的猫,坐在一台有三个大按键的迷你合成器后面(图参考图所示),小猫整体轮廓在手机缩略图里也能识别。
背景奶油黄,三个按键分别为珊瑚红、天蓝和薄荷绿。采用平面插画与轻微立体阴影,画面不出现文字。
音乐为120BPM、4/4拍,共8小节,准确16秒。用程序合成简洁的鼓点、低音和短音旋律,不使用现成歌曲。
三个按键分别对应低鼓、和弦与短音旋律。建立统一的音符事件表,声音触发、按键下压、对应颜色光环、小猫前爪动作都读取这张表。
0—4秒:小猫敲出清楚的基础节奏,主体和三个按键立即可见。
4—8秒:加入旋律,彩色圆环从按键向外展开。
8—12秒:节奏最丰富,背景出现少量随节拍旋转的几何图形,小猫尾巴按节奏摆动。
12—16秒:逐渐减少装饰,回到与开头兼容的姿态、构图和音乐状态。
每次落爪前有短暂抬起准备,接触按键时发声,然后回弹;不允许爪子还悬空,声音已经响起。身体动作保持简单,避免关节拉长或突然多出肢体。
循环边界不能靠黑场或淡出隐藏。检查第16秒的理论状态与第0秒一致,实际最后一帧到第一帧应连续前进。音乐在循环处不能有明显爆音或截断。
重点检查全部落爪时点的音画同步,以及把成片连续播放三遍时的衔接。

成片

可以看到视频里面生成的音乐鼓点与小猫的敲打按球动作是一致的,鼓点严格按照我的提示词生成。还挺好玩的,可以作为视频素材啥的。

6、动效能力

看看他的动效能力,这个的提示词很简单

提示词:制作一段动态的 15 秒动态图形视频,展示你是多么出色的动态设计师,就像简历的展示集。全力以赴。

生成的视频

这次动效测试让我发现,它基础 MG 动画的处理效果还是不错的。

像视频里面的文字弹跳、粒子聚散、动态渐变和透视层叠,都能融合在一个视觉风格里,画面也有一定丰富度。不过,仔细看看看还是能发现完成度上有一些瑕疵,尤其是画面的精细度,还达不到隔壁Opus5.5的水平。不过小模型能做到这个程度已经属实不易了。

「最后」

坦白讲,它做动态图形、科普讲解、风格化的2D/3D场景这些可以,写实的拍摄画面做不了。

同时,一次制作要跑几十分钟,甚至一两个小时(也跟本地算力有关)。

画面完成度和长程稳定性,跟最强的Opus5.5还有明显的差距。连提示词增强,官方都建议交给Claude这类更强的模型来做(还是很诚实的)。。但这个方向,确实是有需求的。

回头看这两年,开源模型追得是真快。甚至在在通用能力上,开源和闭源的差距正在越来越小。

可回到某些具体的场景,差距又变得明显了起来。就像最开始那个榜单,同样是写代码做视频,开源模型的分数只有闭源的三分之一左右。

所以我觉得:开源模型接下来更有机会的地方,是在一个个具体的场景上做到够用。

而够用加上能本地跑,对很多人来说,比榜单第一更重要。

比如有些国企客户要求非常苛刻,从大模型到知识库再到应用,所有东西都必须部署在他们自己的内网服务器上,物理隔绝。这些单位也想用好东西,但数据只能在本地,私密性要求很高。

现在可以试着把SenseNova-6.8-Code2Video模型放进内网,还没对外的项目、内部的业务数据,都可以直接做成动画。

企业培训也是。我做企培经常要给不同企业重做课件,上次去国企培训,台下大多是年轻人,讲久了容易走神。要是能把一些抽象的流程、原理做成几十秒的小动画,肯定比干巴巴的PPT要更容易理解。而人家的业务资料,很多也是不方便往外传的。

还有自媒体。我之前说过,起号阶段要轻量化、低成本。代码视频特别适合做科普、数据、排行榜这类内容,量一上来,token消耗也挺恐怖的。特别是对做矩阵号的朋友来说。

如果模型部署在自己机器上,跑一百支和跑一支,成本差不了太多(电费另算🤣)。

不得不说,SenseNova-6.8-Code2Video作为一个只有27B的小模型,确实做到了小而美。

宝藏开源项目,Star了!

你最想拿它做什么视频?欢迎评论区聊聊~

我是袋鼠帝,一个致力于帮你把AI变成生产力的博主。我们下期见~

能看到这里的都是凤毛麟角的存在!

如果觉得不错,随手点个赞、在看、转发三连吧~

如果想第一时间收到推送,也可以给我个星标⭐ 谢谢你耐心看完我的文章~

跳转微信打开

  •  

WorkBuddy+LibTV,新一代爆款短片工作台来了!【附3种神仙玩法】

原创 袋鼠帝 2026-10-28 20:23 上海

干货满满,建议收藏~

大家好,我是最近一直在捣鼓AI视频的袋鼠帝

WorkBuddy做视频/设计这个系列,我前后写了两篇。

第一篇做爆款AI短片,6.7万阅读、1.1万转发;第二篇做设计工作台,现在3.6万阅读,还在慢慢涨(看来大家需求非常旺盛)。

第一篇里我提过一嘴:据说WB后续会支持更多主流视频模型。

没想到来得挺快,而且这次WorkBuddy干脆直接把我们的老朋友LibTV整个接了进来!这意味着,我们可以使用几乎所有前沿的图片/视频模型了。

WorkBuddy+LibTV可以说是强强联合了。我试了一下,合体之后真的达到了1+1大于2的效果!

老粉应该知道,LibTV我用了大半年。4月靠它抢先用上Seedance2.0,7月在上面爆肝2天做了两集AI美剧,出海疯狂卷老外!还顺手沉淀了一个Skill。

Image

直到昨天,还有朋友加过来找我,想要美剧Skill。

Image

先看一支我用workbuddy + LibTV给我的开源项目仓颉.Skill做的宣传片:

需求、分镜、生成,都是在WorkBuddy的对话框里推进的。

说实话,要想视频质感更好,Opus5.5生成的视频确实不如Seedance这种视频模型。

PS:下面是我之前用Opus5.5 生成的仓颉Skill宣传视频

Image

还有,做AI视频有个问题一直都存在:很多时候我视频想呈现的东西,上下文不在视频平台里。

产品资料在飞书,卖点在PPT,个人介绍、记忆都在本地文档,我平时干活的上下文很多都在WorkBuddy。

每次做片,得先整理一遍上下文,再搬到LibTV,很麻烦。

这次LibTV接入WorkBuddy后,直接就爽了。生态完全打通,在WorkBuddy里就能直接调用LibTV的全套专业能力:

Seedance2.0 Fast、Wan 3这些模型都是性价比非常高的视频模型,以及LibTV的专业功能,导演级的Skills,都可以按任务需要组合使用。

Image

整个创作过程大概就是WB看资料、想创意、拆分镜,LibTV出镜头、产出片子,中间一些过程,我拍板就行。

这次给大家带来了3种神仙玩法,都有非常详细的过程。冲着这份诚意,先来个三连吧😄~

先说一下怎么用上

打开WorkBuddy(我这里是V5.9.2),左侧点专家·技能·连接器,切到连接器,搜索LibTV,点右边的+,按页面提示授权LibTV账号。

Image

Image

然后回到任务对话,上传产品图或参考素材,说需求。

需求尽量讲清楚:拍什么、用在哪、想要什么风格、哪些内容必须保留。

Image

我最近有一些做片子的需求,正好用这个组合全自动帮我搞~

1、给仓颉.Skill拍一支宣传片

上上周我用Claude Opus5.5,给仓颉做过一支宣传片。是Code To Video,说白了是HTML动画,界面、字幕,但有个画面一直做不好:蒸馏过程。

成片效果

workbuddy+LibTV做的仓颉Skill宣传视频是不是挺有高级感的,而且动效啥的非常流畅~

创作过程:

本次创作用到了一个开源的创作Skill:

https://github.com/feitangyuan/onetake

Image

因为我们只是想要调用 onetake 这个 skill 的视频策划和分镜设计能力,然后再让 WB 连接调用 LibTV 内置模型和相关功能进行视频制作,所以我们先让它帮我们制作这个视频的策划方案。

Image

输出视频策划案后,咱们简单验收一遍没问题,就可以让WB基于现有方案调用 LibTV 生成分镜图,这里咱们可以在提示词指令中明确要求用哪个图像模型和生成参数,我这里要求的是使用 image 2.5 fast 模型,参数设置为标准画质、2K分辨率进行生成。

Image

同理,上一步生成的分镜图确认通过后,咱们在给 WB 发送生成视频指令提示词时,也可以明确要求采用的视频模型和生成参数,我这里要求的是 Seedance 2 fast 模型 720p,其他参数和视频提示词 WB 会基于策划方案帮我们配置好。

Image

这里 WB 会基于策划案中的视频脚本,在 LibTV 创建的画布中帮我们创建和设置好相关节点,并填充好参考图和提示词。

Image

我们可以回到 LibTV 官网中查看,上图中的图像节点、视频节点以及它们之间的连线和提示词都是由 WB 帮我们配置好了,再也不用手动连线和手搓提示词了,爽!

我们也能看到上面的 仓颉Skill 宣传片成片效果是相当不错的,画面风格清新、动态效果流畅,也能准确地给观众传达了仓颉Skill 的使用场景和能力。

接着我又在想,既然可以制作 Skill 类的宣传片,那实体产品的广告是否也能进行创作?

2、双11广告制作

成片效果

A版(高端概念广告)

B版(双十一促销广告)

接下来我又基于以下这个虚构品牌的无线耳机实体商品,创作了两版风格迥异的电商广告。

Image

首先还是先让 WB 为咱们款耳机设计一个视频策划案,可以看到它输出了三个不同概念的视频方向,并且推荐我们采用A方向。

Image

咱们采纳它的建议,往下推进先基于产品原型制作广告的分镜图。

Image

这里有个小细节需要注意,就是 WB 在调用 LibTV 内置的视频模型时,默认时关闭了视频模型音频生成开关(会导致生成的视频没有音频),这时我们可以在提示词明确要求开启音频开关,并且要求 WB 帮我们检查视频提示词中是否缺少音效、配音相关的描述,如果是就让它帮我们进行合理补充,完全不需要我们自己纠结应该如何补写相关的音效提示词。

Image

这里我生成了A版是高端概念风格的耳机广告,画面质感和调性相当高级了,但总觉得有些不够接地气,于是我决定再让它生成一个通俗版的双十一大促风格电商广告,就是咱们经常可以在某音、某宝上面刷到的那种喊麦口播风格的视频。

Image

这次我明确要求视频中需包含双十一的促销文案和口播旁白,再看看它能够设计怎样的视频策划案。

Image

创作过程中,WB 提示是否要对这款无线耳机进行3D建模,这里我们就不把积分和时间消耗在建模上了,可以要求它使用 LibTV 图像模型基于耳机原型生成多角度视图素材替代3D建模,这样在生成视频时可以采用不同视角下的产品图作为参考图。

Image

调用 LibTV 生成的视频片段咱们也可以在 WB 客户端内查看和下载。

Image

这里给大家安利一个小技巧:

在 WB 中让它帮我们创建和配置好视频节点与提示词后,不一定要在 WB 中按要求它帮我们执行提交生成视频这一步(同时 WB 也会在遇到需要消耗大量积分,或者生成视频前提示我们授权执行)。

可以返回 LibTV 官网找到对应的画布,直接进入画面中手动点击生成视频(可以节省执行环节的 WB 积分消耗)。

可以看到这个由 WB 自动创建的画布规划还挺好合理的,把多视角和局部镜头补充的素材、分镜图素材以及视频素材都分好了组,很方便后续我们手动进行调整和继续制作。

3、个人网站的动效素材

最近在弄个人网站,页面里放了一些动效。

效果如下:

做法之前也讲过一次,是先生成短视频,然后交给workbuddy处理。

在此之前,先把我的帅照交给LibTV处理一下生成如下皮克斯3D风格的照片~

Image

提示词:我的商务形象照.png用LibTV生图,参考上传的图片,保持图中人物的动作与穿搭,将其转换为皮克斯风格的3D手工戳针羊毛毡Q版人偶,皮肤与衣物呈现真实的粗糙毛绒纤维质感,面带微笑,纯白背景。

Image

Image

再设计一个具有记忆点的 3D 卡通IP形象,这里我用我自己的真人照片制作了我的 3D 卡通形象,再与上一期 Work Buddy 教程中基于我的袋鼠头像创作的 3D 盲盒手办形象结合,得到了一只可爱袋鼠坐在我的 3D 形象肩膀上的 IP 形象。

Image

制作步骤非常简单,直接在 WB 中发送指令让它调用 LibTV 连接器帮我合成即可。

Image

第二步

我们需要基于上述 IP 形象,生成角色(包括袋鼠)自然地看上、下、左、右四个不同方向的图片,参考以下这段提示词即可。

Image

看一下生成的效果,角色的姿态和眼神还是相当自然的。

Image

第三步

基于上述5张角色不同视线的图片作为参考图,以及一张合适的背景图,让WB调用 LibTV 为我们生成一个首尾无缝衔接的循环视频。

Image

视频提示词参考如下

生成一段时长10 秒、16:9 横版的高品质 3D 个人品牌官网首页动态背景视频。
采用固定机位、一镜到底、首尾无缝循环的表现形式。以图1 袋鼠帝肩头小袋鼠手办合成图.jpg 作为人物初始状态,依次流畅衔接图2 视线向上版.png、图3 视线向右版.png、图4 视线向下版.png、图5 视线向左版.png 所示的视线和头部姿态,最终回到图1的初始状态。
将图6 背景图.png 中的暖白色抽象几何场景作为整个视频的唯一固定背景底板,完整保留其原始构图、颜色、几何结构、光照和空间层次。人物与肩头袋鼠位于画面右侧,作为独立的前景视觉主体,与背景自然融合。
最终画面应当像一个高品质 AI 创作者个人品牌官网首页的动态 Hero Section:左侧干净留白,右侧人物自然亲切,背景简洁而富有设计感。
二、参考图职责
图1:人物初始状态与最终循环状态。 锁定人物正面注视镜头的眼神、头部角度、微笑、身体姿态、服装与肩头袋鼠的初始状态。视频首帧与尾帧均以图1为唯一人物状态基准。
图2:向上注视的动作目标。 人物眼球自然向上移动,头部轻微抬起;肩头袋鼠保持原有坐姿并配合向上看。
图3:向画面右侧注视的动作目标。 人物眼球向右移动,头部轻微转向画面右侧;袋鼠同步向右注视。
图4:向下注视的动作目标。 人物眼球自然向下移动,头部轻轻低下;袋鼠同步低头向下看。
图5:向画面左侧注视的动作目标。 人物眼球向左移动,头部轻微转向画面左侧;袋鼠同步向左注视。
图6:唯一的固定背景底板。 使用提供的 16:9 暖白色抽象几何平台背景图,严格保留原图中的象牙白空间、暖金色立体拱形、圆角几何模块、柔和光晕、连接曲线、球体与平台。禁止重新生成背景、改变几何结构或让背景随人物动作发生变化。
图1至图5仅用于约束同一角色的身份、造型、表情与动作状态,不得将这些图片中的白色摄影棚背景直接带入最终视频。
三、人物主体与网页构图
严格采用 16:9 横版网站首屏构图。
人物与袋鼠整体位于画面右侧,人物主体约占画面宽度的 40%–48%,高度约占画面高度的 85%–92%,呈现从头顶至大腿上部的自然半身至三分之二身构图。保持人物比例真实协调,不裁切头发、耳朵、袋鼠耳朵或拳击手套。
人物必须是图1至图5中的同一位 3D 卡通青年男性,严格保留:
蓬松的深色短发与黑色圆框眼镜。
温和自然的面部比例、肤色与微笑。
深炭灰色针织毛衣及黑色长裤。
棕黄色毛绒袋鼠、奶油白腹部、粉色耳朵内侧、棕色鼻头与鲜红色拳击手套。
双手始终插在裤袋中,身体自然直立,袋鼠始终稳定坐在人物左肩。
人物的初始站位、大小与身体姿态全程固定。所有动作只改变眼球方向和极轻微的头部角度,不改变身体在画面中的位置。
左侧约 45%–50% 的画面必须保持为干净的品牌文案留白区。 不允许人物、袋鼠、装饰物或高对比度动态元素进入该区域。左侧背景应保留图6原有的柔和暖白渐变,为后续网站标题、职业定位、介绍文案和按钮提供清晰的可读空间。
人物与背景之间采用自然的环境光融合和柔和接触阴影。人物轮廓必须清晰,不能出现白色抠图边缘、矩形白底、光晕溢出或明显的贴图感。
四、固定镜头与背景锁定
整个视频只有一个连续镜头,镜头固定在图6原始背景的正面视角。
严格禁止推镜、拉镜、平移、摇摄、旋转、变焦、重新取景、镜头切换与景深变化。
背景图必须作为静止的完整视觉底板,视频开始至结束保持完全不动:
暖白色背景的渐变和亮度保持不变。
右侧暖金色拱形、圆角几何模块、立体平台和悬浮球体保持原位。
所有连接曲线与装饰节点保持静止,不闪烁、不生长、不漂移。
背景的光照、阴影、透视关系和空间层次保持一致。
背景不是动画场景,不允许出现额外的粒子、流动光线、科技特效或装饰动画。整个画面的动态来源仅为人物与袋鼠的细微视线表演。
五、10 秒动作时间轴
0.00–0.15 秒|首帧锁定
严格呈现图1的初始人物状态。人物正面看向镜头,保持自然微笑,袋鼠维持图1的初始眼神与坐姿。背景严格匹配图6,所有元素静止。
0.15–1.80 秒|向上注视
人物先自然转动眼球向上看,随后头部轻微抬起,平滑过渡至图2的姿态。袋鼠同步向上注视。动作细腻、自然,不做夸张抬头。
1.80–2.00 秒|短暂停留
人物与袋鼠稳定在图2的向上注视状态。身体、服装和背景保持不动。
2.00–3.65 秒|向右注视
人物眼球平滑转向画面右侧,头部轻微跟随转动,过渡至图3的姿态。袋鼠同步向右看,保持原有身体轮廓与肩部接触关系。
3.65–3.85 秒|短暂停留
自然稳定在图3的向右注视状态。
3.85–5.50 秒|向下注视
人物视线从右侧自然转向下方,头部轻轻低下,过渡至图4的姿态。袋鼠同步低头,呈现温和、略带好奇的互动感。
5.50–5.70 秒|短暂停留
自然稳定在图4的向下注视状态。
5.70–7.35 秒|向左注视
人物眼球从下方转向画面左侧,头部轻微跟随,平滑过渡至图5的姿态。袋鼠同步向左看。动作连贯,不出现眼球跳动、头部抽搐或角色变形。
7.35–7.55 秒|短暂停留
自然稳定在图5的向左注视状态。
7.55–9.80 秒|回归初始状态
人物与袋鼠从图5的状态平滑恢复至图1的初始姿态。眼球首先回到正面注视方向,头部随后自然归位,微笑、身体位置与袋鼠坐姿逐渐恢复至初始状态。动作逐渐减速,最后稳定下来。
9.80–10.00 秒|尾帧锁定
严格回到图1的人物初始状态。人物视线、头部角度、微笑、肩头袋鼠的姿态与眼神必须尽可能匹配首帧。
背景必须与视频第一帧保持完全一致。尾帧不得出现额外动作、位置漂移或光照变化,使视频从第 10 秒回到第 0 秒时尽可能无缝。
六、动画与视觉质量
人物的视线转移遵循自然的眼球先动、头部轻微跟随的运动规律。所有动作采用平滑的缓入缓出曲线,避免机械式匀速转动。
人物保持温和、聪明、友好的微笑,不出现夸张表情、嘴部运动或明显眨眼。袋鼠只进行与视线方向一致的轻微眼神和头部调整,不改变坐姿,不摆动拳击手套,不跳动或滑落。
保持原图的精致 3D 角色渲染风格、自然皮肤质感、蓬松毛发、针织毛衣纹理、黑色眼镜材质和袋鼠的细腻绒毛。
人物与背景使用协调的高调柔光和暖色环境光。人物边缘具有自然的环境反射和柔和接触阴影,避免明显抠图边缘与不合理的悬浮感。
整体画面干净、温暖、专业、具有高级数字品牌的视觉质感。背景装饰不应压过人物,也不应影响左侧文案区域的可读性。
七、硬性负面约束
禁止镜头运动、切镜、闪切、交叉溶解、跳帧、画面抖动、背景重绘、背景几何体位移、装饰物动画、背景闪烁、色彩漂移、光照变化、透视变化和画面裁切变化。
禁止人物身份变化、脸型改变、发型变化、眼镜扭曲、瞳孔错位、眼球变形、服装变化、身体晃动、手臂离开裤袋、嘴部变形、额外眨眼、额外表情、额外肢体、袋鼠变形、袋鼠滑落、袋鼠离开肩膀或拳击手套改变。
禁止人物进入左侧文案留白区,禁止出现文字、字幕、Logo、水印、UI、卡片、按钮、额外人物或额外动物。
最终交付标准
10 秒,16:9 横版,固定镜头,一镜到底。
背景始终使用图6;人物动作严格按图1 → 图2 → 图3 → 图4 → 图5 → 图1 的顺序连续变化。
左侧保持静态、干净的品牌文案留白;右侧呈现与暖白色抽象几何背景自然融合的 3D 人物和袋鼠。
首尾构图、人物姿态、眼神和背景尽可能精确闭合,形成适用于个人品牌官网首页 Hero Section 的无缝循环动态视觉。

生成片段效果

第四步

咱们还需要生成IP个人网站其他几屏的效果图,我这里设计的分别为欢迎动作、坐着使用 MacBook、和与常用的APP Icon一同跃起 这三个镜头,这三个分镜图都是让 WB 通过调用 LibTV 内置图像模型帮我生成的。

Image

Image

Image

第五步

咱们需要把上述的几个镜头,通过首尾帧生视频的方式连贯起来,这里我们给 WB 发送指令时需要明确说明是用那一张图作为首帧,哪一张作为尾帧,它就会帮我们在 LibTV 的自由画布中创建好相关节点并配置参数和提示词。

Image

Image

最终生成了4个动效素材

Image

大概长下面这样

最后我给WB的东西就两样:

上面的几个动效视频,还有飞书上的袋鼠帝个人介绍。

这里就能看出接在WB里的好处了。个人介绍不用我复制粘贴全内容,WB通过飞书连接器自己去读,再从里面挑能做成画面的东西。

Image

4、设个定时任务,早上起来收菜

还有个很nice的玩法:

WorkBuddy本来就有定时任务。接上LibTV之后,可以把明确的出片需求设成周期任务。

比如双十一这段时间,每天晚上按当天的选品出3条新开头的素材,第二天早上起来直接收菜,挑能用的去投。新品上架、日常更新,也能提前排好。

睡后还能让自动跑片子,这个想想还挺爽的~

「最后」

我感觉,自从在workbuddy里面做视频之后,我发现做视频这件事,越来越像写文档、做PPT一样的日常活了。变得没那么重,或者说更轻松了。

以前做一支宣传片,是个要排期的项目。得搞提示词,拆解分镜,生成分镜,然后一个一个视频生成之后要拼起来。

现在上下文本来就在WB里,说清楚要什么,自己去找LibTV拍好,还能顺便帮我自动剪辑,自动做网站

一人公司,最缺的一直是人手。LibTV就是视频生产力工具,workbuddy充当人手,匹配起来简直完美~

2024年刚回昆明那会儿,我也做过三个月抖音和B站,视频做得很粗糙,一分钱没赚到。

要是放在现在,可能结局会不太一样。因为现在做视频的门槛一直在降低。

最后,我觉得不管是在用workbuddy还是LibTV的朋友,都可以尝试打开WorkBuddy,在连接器里搜LibTV连上,然后试一试,做出来的片子欢迎发到评论区~

我是袋鼠帝,一个致力于帮你把AI变成生产力的博主。我们下期见~

能看到这里的都是凤毛麟角的存在!

如果觉得不错,随手点个赞、在看、转发三连吧~

如果想第一时间收到推送,也可以给我个星标⭐

谢谢你耐心看完我的文章~

跳转微信打开

  •  

中国电信悄悄开源本地29B模型,不仅会决策,还能填空,实测夯!

原创 袋鼠帝 2026-10-23 08:35 浙江

送1亿tokens,免费用!也可本地部署,私密性强~

大家好,我是袋鼠帝。

上个月,硅谷开发者圈最火的一个模型,是一个不会说话的模型,叫Jev

是前OpenAI研究员Diogo Almeida发布的模型。它不写文章,也不陪你聊天。你给它一段话和几个选项,它只回你选哪个、有几成把握。

就这么一个"哑巴"模型,上线Vercel的AI网关24小时,将近13%的付费团队就接进去用了。一周之内,网上冒出来20来个仿品,Kev、Laya、TinyJev……光Laya一个,开源5天就破了1.9万Star。

说实话,我第一眼看到Jev的时候,心想:我半年前给MobileClaw也干过这事。

老粉应该记得,4月我爆肝两天搓了个语音唤醒的Agent App。当时为了省钱,也为了快,我在前面塞了个速度很快的免费模型GLM-4.7-Flash,专门做意图识别:你说"看一眼、这是什么",它就把摄像头抽的几帧图一起传给后面的大模型;你说帮我设个闹钟,它就只传文字。

这其实跟Jev在干的事类似--做选择题。

但选完之后呢?闹钟设几点,明早7点还是7点半,周末响不响?最后还是得交给后面那个又慢又贵的大模型去执行。

再比如你对家里音箱说,把卧室的灯调成暖黄。系统要搞清楚的不止你想开灯,还有哪个房间、亮度调多少、色温调多少。

Jev能告诉你,用户想控制灯光。剩下这几个空它管不了,因为它只做选择。我原本以为Jev是个开源模型,结果一搜,发现还是闭源的。。。

不过,前两天,我刷到中电信人工智能科技有限公司星辰通用人工智能实验室(下文简称星辰实验室)开源了一个意图理解专用模型,叫Xing4.0-29B-Intent

名字太长了,就叫它Xing(行)吧,行模型😄,看完感觉它刚好补齐了Jev的短板。关键是开源!!! 29B完全可以本地部署了~

https://github.com/XingChen-AGI/Xing4.0-29B-Intent

https://huggingface.co/XingChen-AGI/Xing4.0-29B-Intent

Image

最爽的是,现在天翼AI开放平台,可以免费体验API,有3个月和1亿tokens的免费试用额度。

Image

这里直接领取即可

Image

Image

Xing4.0-29B-Intent除了能选择,还能告诉你怎么干、参数是什么。也就是它除了能做选择题,还能做填空题。

我刚看到“既能做选择题,又能做填空题”时,其实也有点懵逼:这两件事,放到一个 AI 产品里,到底有啥差异?

后来我实际放到程序里面跑了一下,就懂了:

就拿找客服改收货信息这个场景来举例说明一下。

比如我说:“这个包裹还没发货,把地址改成杭州市西湖区文三路 88 号,收件人改成林晓。”

系统先要判断,我想退款、查物流,还是修改收货信息。这一步就是做选择题:业务类型已经列好,模型根据用户的意思选中其中一个。

但选对业务类型,还不足以处理这件事。系统还要把新地址、新收件人分别记下来。这一步像填表(填空):“地址”和“收件人”两个变量是提前设置好的,模型从原话里提取具体内容赋值即可。

Jev 主要围绕给定选项做判断,也支持是非判断和评分;Xing4.0-29B-Intent 则可以把意图识别与参数抽取一起干了,既判断要办什么业务,也提取后续程序需要的信息。

当然,如果地址本来就有几条备选,Jev 也可以选。Xing4.0-29B-Intent更省心的地方,是不必先把所有可能的字段值列成菜单。

对系统来说,这一步的价值,是把一句用户要求整理成程序可以继续处理的工单。

可能有点抽象,这块还是需要写过代码的人更容易看懂。

如果还不清楚的小伙伴可以看下下面这张图,会更形象,详细:

Image

可以上下滚动的图片 

我自己也跑了一些Xing4.0-29B-Intent和Jev的案例,下面一个个说。

一、冷启动比Jev更稳

先说大家最关心的,跟Jev正面比。GitHub上Xing4.0-29B-Intent有个表格。

准备了5606道意图分类题,所有模型同一批题、同一份提示词,一个示例都不给,全靠模型自己读懂类别描述,也就是冷启动。Jev只能做选择题,所以测了两种回答方法:N个选项里挑一个,和每个选项单独判是非。

Image

类别F1,Xing4.0是70,比Jev最好的那种答法高出十几个点,也超过了GPT-4.1,跟GPT-5.5基本打平。

Image

拉开差距的是严格全对,也就是答案一个不漏、一个不多才算对。Xing4.0-29B-Intent是61,通用大模型在50到56之间,Jev最低只有21。

最让我意外的是题库里那839道正确答案是什么都不该选的题。Xing4.0-29B-Intent拿了70分,Jev逐个判是非的答法只拿了5分。。

有点像考场上那种必须选一个的学生,题目明明在说以上都不对,他还是硬着头皮蒙了个C。

如果放到产品里面,这就很要命了:用户随口说了句跟业务无关的话,系统非要给他匹配一个意图,然后真的去执行。。

肯定有人会问,这种模型到底有什么实际的用途吗? 我实际应用之后,发现还真有很多场景可以用。

二、电商过滤差评

要是我第一份工作要是有它就好了

我的第一份工作是在一家做跨境电商的创业公司。有一个工作是过滤差评(哈哈 不给老外展示差评,他们能看到的全是好评),几千万个评论,各式各样,当时是写程序去尽量过滤差评,比如关键词过滤,过滤2颗星以下的评论等等,设置了非常多的条件,逻辑复杂。过滤效果还很一般。

PS:当然这种做法肯定是不可取的,我们这里主要讨论模型的应用。不过这家公司在疫情的时候就倒闭了。。。

现在用像Xing4.0-29B-Intent这样的模型,效果会更好,而且实现逻辑更简单,速度也很快。

为了验证,也为了对比测试一下Xing4.0-29B-Intent和Jev在选择题上到底孰强孰弱,我专门在网上找了6万条真实的电商评论,覆盖各种品类。

Image

然后它里面还有个label,为1表示好评,为0代表差评。

Image

6万条太多了,测试起来比较费时。所以我让codex帮我收取了每种品类各200条好评和差评,抽齐2000条,丢给Xing4.0-29B-Intent和jev去判断好评和差评。因为有标准答案,所以最后很方便判断准确性。

Image

Image

测试结果如下。

可以看到Xing4.0-29B-Intent的正确率会高一些,完成得也更快。

Image

三、融入我的开源AI截图产品:Ta

还有个非常🐂🍺的用法,我把Xing4.0-29B-Intent融入了我的开源项目Ta,它是一个 AI原生截图工具。

Image

先给你们看下我是怎么用的,我通过Xing4.0-29B-Intent的能力,给Ta新增了一个「智能标注」功能。

Image

比如我写文章,经常需要用到一些微信聊天记录的截图。但是每次都需要给聊天记录里面所有头像、昵称、备注的电话、群名等打码。

这样不仅繁琐,还容易漏打码,有一次就是忘记给聪哥的电话打码了,都是看评论区有人提醒才知道🤣。。

所以这次利用Xing4.0-29B-Intent的判断能力,可以实现截图之后自动打码,而且处理速度也很快,关键可以免费~

类似这种效果:

Image

给你们好好演示一下:

它能快速判断处理哪些地方是要打码的,并自动打码。你看它连引用的那种名字也能打码,确实方便不少~

除了打码,我经常写的一些教程啥的,会需要画红框,也可以让它自动帮我们框选,减少工作量。不需要的框选可以手动去除,还是挺方便的。

这里也跟Jev对比了一下,Jev还是有点问题啊,第二次直接啥都没选,第三次还给打上马赛克了。。。

还可以混合用:

Image

虽然,这种功能用正常的大模型也能实现。

但是开源的小模型xing,不仅免费,而且非常快。就是非常适合在这种小节点上发光发热。这就是属于它的位置。

所以,大家也可以想想,自己的产品,自己的业务,是否有可以融入xing的地方,不仅可以提高速率,还能本地部署使用,降低成本,还能保证数据私密性。

「最后」

写这篇文章的时候,我一直在思考一个问题。

做判断的AI,早就有了。ChatGPT出来之前,搜索广告要判断你爱不爱点击,邮箱要判断是不是垃圾邮件,小爱同学、Siri这些语音助手背后,也是一套意图识别加槽位填充:先判断你想干嘛,再把时间、地点这些参数提取出来。

Xing4.0-29B-Intent这次评测用到的ATIS,是1990年的航空订票语料;SNIPS是2018年一家语音助手公司放出来的数据集。都是老演员了。

更好玩的是,最火的开源Jev平替Laya,底座用的是ModernBERT,算是2018年那个BERT的后代。

所以Jev爆火,是不是轮回?我觉得是。但要说是旧瓶装新酒,我不太认同。

以前的分类器,标签是训练时就写死的。想加一个查看摄像头回放的意图,得先标几千条数据,再重训一遍。小公司玩不起,所以大家宁愿用程序写规则,就像我第一份工作那样。

现在的标签直接写在请求里,相当于现场出题,换一份意图清单就能用。这是有了大模型之后才做得到的,这些专用模型本身就是从大模型底座里练出来的。

再说说小模型。

很多人可能觉得大模型越来越强,小模型就没活路了。我感觉不是。

Jev这个名字取自经济学家杰文斯:蒸汽机越省煤,煤反而用得越多。AI可能也一样,单次判断越便宜,用到的地方就越多。Agent跑一圈,背后是成百上千次小判断,不可能每次都用最贵的那个模型。

但只会做选择题可能还不够。Agent真要干活,最后都需要调工具,调工具要的是参数。光知道用户想开灯没用,得知道开哪盏、开多亮。所以我觉得,意图模型下一步拼的是谁能把参数填对、填全,这也是我觉得Xing4.0-29B-Intent这条路走对了的地方。

还有一点,Jev目前只有托管API,服务在美国西海岸。但手机、车机、智能家居对延迟和隐私都敏感,国内厂商要落地,大概率还得靠开源、能本地部署的模型。所以,我推荐有需要的朋友都可以去试试开源的Xing4.0-29B-Intent。

如果这篇文章阅读量能超过2w,后续我将分享如何在本地部署使用Xing4.0-29B-Intent,感兴趣的朋友可以多多三连😄

我是袋鼠帝,一个致力于帮你把AI变成生产力的博主。我们下期见~

能看到这里的都是凤毛麟角的存在!

如果觉得不错,随手点个赞、在看、转发三连吧~

如果想第一时间收到推送,也可以给我个星标⭐

谢谢你耐心看完我的文章~

跳转微信打开

  •  
❌