10个AI写作去味Skill!机器腔套话一次清掉
优设 2026-09-28 12:30 湖北
🧩 这次整理了10个实用的“去AI味”Skill,覆盖提示词优化、AI痕迹检测、文本改写和文风塑造。
✍️ 机械句式、翻译腔、套话废话,基本都能找到对应工具。公众号、小红书、口播稿和长文章都能按问题直接选。
🔍 想获取这些Skill,打开GitHub,在顶部搜索栏输入对应的Skill名字搜索即可。
⭐ 如果你也觉得AI写出来“意思没错,就是不像人说的”,这套可以先收藏,写作时直接对着用。
优设 2026-09-28 12:30 湖北
🧩 这次整理了10个实用的“去AI味”Skill,覆盖提示词优化、AI痕迹检测、文本改写和文风塑造。
✍️ 机械句式、翻译腔、套话废话,基本都能找到对应工具。公众号、小红书、口播稿和长文章都能按问题直接选。
🔍 想获取这些Skill,打开GitHub,在顶部搜索栏输入对应的Skill名字搜索即可。
⭐ 如果你也觉得AI写出来“意思没错,就是不像人说的”,这套可以先收藏,写作时直接对着用。
原创 曾经的毛毛 2026-09-28 08:30 江苏
详解 Agent 系统中 JEV 模型的典型应用。
点击上方蓝字关注我们
首先祝各位爱好学习的朋友,中秋国庆双节快乐!
上篇我们认识了 JEV:一个专注于快速判断与决策的“协处理”模型 —
给它当前状态;再问“选哪个”“程度多少”“是不是”;它返回结果和概率。
它精准的针对当前 Agent 系统中普遍存在的“大炮打蚊子”的问题 — 用复杂的推理来完成大量需要高速甚至实时的判断。
因此,把“JEV 们”放入 Agent,比较合适的位置就是这类决策环节:要不要继续任务、点哪个控件、工具是否安全等;并和 LLM 、确定性程序实现分工合作:
本篇对 Agent 系统中 JEV (包括其他类似模型)的典型应用场景做拆解。
常见的 ReAct Agent 是一种推理与行动交替进行、自主完成任务的系统。其核心的 Agent Loop 会不断的做出类似的判断与决策:
目标任务是否已经完成?
我是否应该重试刚才的工具调用?
我是否需要进入HITL的环节,把控制交给人类?
下一步应该调用哪个工具?
这些都是代表性的 Choice 或者 Noul 类型的问题。
通常,这些决定都交给擅长推理的 LLM,很多调用只是在有限”菜单“里选一项。
现在,这正是 JEV 可以尝试的地方:
Agent 保存任务目标、每轮输出和更新状态;JEV 负责从当前可选动作(如结束任务、询问用户、调用某个工具等)中判断下一步动作:
当然, JEV 的答案只是动作建议,完成与否仍然由程序验证;循环上限也由 Agent 代码控制;而遇到要分析复杂状态、生成解决方案的情况,仍需要 LLM。
你可以用一个简单的自定义 Agent Loop 来验证可行性:
给 Agent 设定一个任务,以及一些可用的工具,然后让 Agent 根据当前状态(包括目标、 配置、历史消息等)、候选工具来判断下一步动作,直到完成。模拟如下:
def agent_run(client):
...
try:
for_in range(8):
state = env.observe()
action = client.choose(state, env.instructions, env.criteria)
env.step(action)
if env.done:
...在这里, “choose”的动作就是交给 JEV 模型来完成的判断。
实际测试中,如果发现在延时上并没有体现出 JEV 的优势,很可能是网络延迟导致;解决方法是使用本地的开源平替,比如 Laya。
在这个场景中,JEV 的主要价值是:用毫秒级的决策模型来让 Agent Loop 控制成本更低,速度更快;也因此可以引入更多的检查环节。
Web/GUI Agent 已经成为 AI 应用的重要形态。但常见的问题是:消耗资源且延时较大,特别是使用视觉模型辅助的这类 Agent。
这类 Agent 的传统做法都是让 LLM 反复读取页面(DOM 或者截图)、生成下一步操作,长页面和多步任务会不断消耗时间与上下文。
那么,是否可以这样改进:
把当前页面能做的 UI 操作先整理成一个“菜单”(Choices),用 JEV 这类高速决策模型来回答“操作哪个元素、做什么动作”,以指导 Agent 下一步的动作。
著名的开源项目 Browser Use 已经提供了这样一个开发库:jev-ultrafast。让你可以借助 JEV 来使用 Browser Use 框架实现 Web Agent:
from jev_ultrafast import Agent
with Agent(
"...web agent 任务“
) as agent:
for state in agent.run():
print(state["elapsed_ms"], state["status"])小编用 jev-ultrafast 做了一个简单演示,完成一个酒店搜索的任务:
GOAL = ("Search for hotels in Hangzhou. Set the nightly budget filter to CNY 500 or less "
"and enable the breakfast-included-only filter, then apply the filters. "
"Open the matching hotel's details and verify that its city is Hangzhou, "
"its nightly price is at most CNY 500, and breakfast is included. "
"Stop on that details page. Do not make any booking.")这里使用 jev-ultrafast 的 Agent 等相关 API 来完成任务,对其每一步的选择(choose)进行了跟踪,并输出最后的停留页面:
当然,这种方案目前并不完美:
遇到未暴露为可选元素的控件、需复杂视觉识别的场景或开放文本等,仍需要浏览器能力和多模态的 LLM 配合。不过这也让我们更加期待多模态的“JEV”们的出现。
工具(Tool)和技能(Skill)体系是 Agent Harness 最重要的组成之一。
传统 Agent 把每个工具的描述和技能都塞进模型上下文,然后让模型判断并生成工具调用;工具目录越大,描述越长,相近工具越容易混淆,且 Token 消耗越大。
借助 JEV 这样的决策模型,Agent 可以:
把“需要哪些工具”变成一个 Choice 问题:基于“分层路由”(Hierarchical routing)的模式,实现像医院分诊一样的工具选择路径 — 尤其当工具集稳定、用途清晰时。
先选医院(工具大类),再选科室(激活工具集),再找医生(本轮工具)。
这对于平台级的 Agent 来说(工具目录经常动态变化),可以让模型看到一个更小、更相关的工具范围,减少干扰,提高推理准确性。比如:
第一层让 JEV 从“公共、财务、编程、检索、管理”等类别做选择。选中“财务”后,程序再加载这个分支;让第二个 Choice 从“查询余额、开发票、退款、对账”中再选一个。
当然,在具体实现时,需要做更精细化的控制和评估:
结合confidence(置信度):拿不准就保留多个候选继续比较,或让用户澄清;每层也要有“不匹配”的出口,避免第一步选错就一路错到底。
分层能缩小选择范围,但代价是增加误选或遗漏;使用决策模型后是否真的更快、更准,需要在上线前做批量评估。
JEV 的 Choice 单题最多支持 255 个选项,并非有几十个工具就必须分层。
随着各种通用 Agent 的盛行,给这些 Agent 的工具执行设置安全“门禁”至关重要。常见的方法有:
给工具设置安全级别:严重的要求人工审核,但容易被“忽视“
关键词拦截:根据工具、参数等识别关键词,但容易“误伤”
交给 LLM 判断:频繁审查增加延迟和成本,而且同一模型审查意义不大
更稳妥的架构,是在工具执行之前设一道语义守卫:
根据本次调用和对话状态判断工具风险,据此放行或拦截;当风险不确定或后果严重时,也可以转入人工环节。
这个工作就很适合 JEV 这样的快速模型。比如提出 Noul 类型且有明确标准的问题:“是否包含提示注入?”、“是否泄露敏感信息?”、“输出是否违反约定?”等,然后返回概率,再由程序决定放行、拦截或交人类复核:
LangChain 已经把这个模式用中间件(一种类似钩子的机制)进行了封装:AutoModeMiddleware。它在工具执行前调用 JEV,风险达到阈值就返回拦截消息:
guard = AutoModeMiddleware(tools=tools)
agent = create_agent(planner, tools=tools, middleware=[guard])
result = agent.invoke({"messages": [HumanMessage(content=task)]})你也可以自定义一个工具门禁:实现一个 Middleware,然后在 wrap_tool_call 中借助 JEV/Laya 做判断处理。比如:
class LLMAutoMode(AgentMiddleware):
......
defwrap_tool_call(self, request, handler):
answer = self.judge.invoke(...);
if answer.risk_estimate >= 0.5:
return ToolMessage(
content=(f"The tool call `{request.tool_call['name']}` was blocked because "
f"it was classified as risky (LLM estimate: {answer.risk_estimate:.2f}). "
"The tool was not executed."),
tool_call_id=request.tool_call["id"], name=request.tool_call["name"], status="error")
return handler(request)在这里,借助决策模型的优势是 —
你可以在一次任务中做很多这样细小的风险检查,而不用担心延迟与成本。
但正如我们之前强调的,JEV 们宣传的“无幻觉”不代表不会决策错误,所以结合使用其他的一些风控机制,仍然是必要的。
当 Agent 报告任务已经完成,大部分时候我们会选择“信任”它 — 再通过人工审查、代码测试等方法来评估其完成度。
还有一个常见做法是请另一个 LLM 当“评委”:
读取 Agent 的执行轨迹,并给出评估结果。不过这种评估大多缓慢且结果非结构化。
现在,借助 JEV 这类模型可以把评估拆分成更具体的问题:
用 Noul 检查任务是否完成、是否违规、是否需要人工复核;用 Score 评估任务完整程度、问题紧急程度;用 Choice 告诉你是完成、重试、放弃还是人工复核。
这种方案可以很好的用于监控 Agent 任务完成情况与质量,并指导后续改进。
比如,分析客服 Agent 中的详细跟踪日志 — 如果你对每天成千上万次 Agent 的运行生成这样的分析结果,就可以用来监控服务质量、做A/B对比、失败分析、甚至做自己的训练样本筛选。
考虑到 JEV 这类模型的性能与成本,你可以让这种评估真正的融入到 Agent 的日常监控与观测,而无需担心 Token 爆表。
在 Agent 任务中,让 LLM 写一封邮件,与在多约束条件下进行一次规划,需要的能力并不相同。但大部分时候(特别是单 Agent 系统),我们会倾向于使用统一的模型。问题是,如果全用强模型则造成浪费;而全用小模型,则任务质量下降甚至返工。
一种方法是让 LLM 先做模型分流,但这个动作本身又是开销。
而 JEV 就更适合回答这种边界清楚的路由题:
给定请求、候选模型以及判断标准(各模型擅长的任务),让 JEV 帮你选择合适的处理者,给出建议与概率。
你还可以结合任务难度、风险与不确定性等制定分流标准。
当然,如果把候选从 LLM 换成“研究、编程、数据分析”等专业 Agent,同样可以用于 Agent 任务的分派与交接(意图识别)。
在具体的实现中,结合 Confidence 置信度进行一些保护也是必要的,而不是简单的选取概率最高者 — 路由错误导致的返工或质量的代价,要远大于一次路由的代价。
LangChain 官方也实现了这样一个 Middleware:ModelRouterMiddleware,可以很方便的让 Agent 具有根据复杂度选择合适模型的能力:
router = ModelRouterMiddleware(choices={
"fast": ModelChoice(model=fast, criteria="单笔查询"),
"powerful": ModelChoice(model=powerful, criteria="多约束规划"),
}, instructions="选择能完成任务且成本最低的模型")
agent = create_agent(fast, tools=tools, middleware=[router])这里的 criteria 参数告诉路由器各模型适合的任务,也就是分流的判断标准。其目前的机制是:在一次 Agent Loop 运行开始时根据最新的用户消息选择模型,后续则复用。
RAG 管道的价值大部分时候并不取决于模型,而是数据或知识的质量,以及检索的相关性与完备性。而基于向量相似性的语义检索并不足以解决这个问题,这也是出现众多高级 RAG 方法(C-RAG,Self-RAG等)的根本原因。
一种常见的优化思路是用 LLM 对语义检索的结果进行相关性判断,并根据结果进行必要的知识筛选、补充(比如 Web 搜索),或 Query Rewrite。
现在你可以借助 JEV 等决策模型:
让它充当检索知识进入上下文前的“筛选员”,对知识相关度进行评估与过滤。
很显然,JEV 模型非常适合回答这类问题:
Noul:这段知识是否能够支持回答输入问题?
Score:这段知识与输入问题的相关程度如何?
Noul :这些知识是否足够回答用户的输入问题?
根据这些问题的答案,你可以选择废弃不相关知识,或补充更多知识:
大致的程序处理逻辑如下:
...
def rag(question, retrieve, llm_answer, client):
# jev判断是否相关
def judge(instructions, **state):
return client.system_one(
state=state,
questions={"ok": Noul(instructions=instructions)},
).nouls["ok"].noul
kept, seen = [], set()
for _ in range(3): # 最多三轮检索
for chunk in retrieve(question, exclude=seen):
seen.add(chunk.id)
if judge("片段包含回答问题所需的信息吗?",
question=question, chunk=chunk.text) > 0.5:
kept.append(chunk)
# jev判断知识是否足够
if kept and judge("这些知识足够回答问题的所有要点吗?",
question=question,
evidence=[c.text for c in kept]) > 0.8:
return llm_answer(question, kept)
return"资料仍不足,需要补充信息"所以,现在你可以构建一个两阶段的检索策略:
先做更宽泛的检索(比如 Top_k=10);然后借助决策模型做低成本的筛选;最后将选中的知识用来生成答案。
另外,你可以使用决策模型输出的概率来实现类似排序模型(Rerank)的能力:
这里的评分可以使用 Noul 输出的概率,也可以使用 Score 评分并结合置信度。
这套思路也能用于 Agent 的上下文管理。方法很简单:
让 JEV 判断旧的对话记录是否仍有用,再由程序来执行保留或废弃;而不是直接让 LLM 去做历史对话的摘要 — 容易带来上下文丢失。
GitHub 上有一个 Claude Code 插件fast-jev-compaction ,其通过评分来废弃无用的工具调用及结果,只保留重要内容,从而达到精简上下文的目的。
最后是一个收益最大的场景:实时决策。
在游戏、仿真、机器人等环境里的 AI 需要极其快速的反应(毫秒级):下一步应该怎么做?因为每走完一步,下一步的“路”可能就变了。
如果让 LLM 每轮从头推理,则性能无法满足要求(想象下,游戏里的 NPC 每次要思考 5 秒才有反应);而使用固定规则又不够智能。
现在你可以让 JEV 们和 LLM 们来配合:
LLM 负责长期的目标规划 。比如完成任务的主要步骤;JEV 负责在每一步骤中,根据环境状态做出可能需要的快速判断;
举一个例子:
一个仓库配送机器人要完成“把某个包裹送到打包台”。
LLM 可以拆解并规划出路径:确认包裹 → 前往货架 → 取件 → 运到打包台。
但是执行到一半,通道被货物挡住,此时则由 JEV 来根据当前环境、位置、可选动作来判断下一步怎么做。
这里的状态(State)可以来自游戏引擎、环境传感器或 API 接口等;而程序的执行通常由专用的控制系统负责。
不过由于当前的决策模型还不支持视觉理解,这也在很大程度限制了其应用;相信随着未来多模态能力的解锁,将带来这类快速反应系统能力上的突破。
以上是我们为大家拆解的 JEV (包括其他类似的开源模型)在 Agent 系统中的一些典型应用场景。
总结来说,JEV 很适合 Agent 里高频、高性能、答案有限的判断与决策。
更多应用层面的场景,如意图识别、邮件分类、工单分流、内容打标等,都能沿用这套思路 — LLM 做规划生成,JEV 做高速判断,程序则负责确定性执行;以减少不必要的 Token 开销,提高决策速度,并由此产生更多收益。
-- END --
感谢阅读,交流与合作请后台留言
喜欢就关注哦
动动小手点个赞
点在看最好看
原创 HelloGitHub 2026-09-28 08:15 北京
兴趣是最好的老师,HelloGitHub 让你对开源感兴趣!每月 28 号更新
兴趣是最好的老师,HelloGitHub 让你对开源感兴趣!
HelloGitHub 分享 GitHub 上有趣、入门级的开源项目。
这里有实战项目、入门教程、黑科技、开源书籍、大厂开源项目等,涵盖多种编程语言 Python、Java、Go、C/C++、Swift...让你在短时间内感受到开源的魅力,爱上开源!
以下为本期内容|每月 28 号更新
1、armorpaint:3D 模型纹理绘制工具。这是一款 3D PBR 纹理绘制工具,直接拖入模型即可开始编辑并实时预览。它提供节点编辑器和 UV 编辑,支持 OBJ、FBX、Blend、glTF 等模型格式,适用于 Windows、Linux 和 macOS 等平台。
地址:github.com/armory3d/armorpaint
2、iPhoneMirror:Windows 上的 iPhone 投屏工具。这是一款 Windows 本地投屏工具,可通过 USB 或 AirPlay 传输 iPhone/iPad 画面和声音,支持多设备、独立窗口、截图、OBS、蓝牙鼠标和键盘控制。
地址:github.com/RayrenSX/iPhoneMirror
3、QuickLook:Windows 的空格键快速预览工具。这是一款 Windows 文件预览工具,提供类似 macOS 快速预览文件的功能,支持图片、视频、文档、代码、压缩包和 3D 模型等 100 多种格式。
地址:github.com/QL-Win/QuickLook
4、RHI:一键为游戏开启 HDR 的工具。这是一款 Windows 的游戏画质增强工具,能够自动扫描游戏并一键安装 ReShade 和对应的 HDR 模组,支持切换 DLSS 版本、自动开关系统 HDR、限制帧率和管理 NVIDIA 驱动配置。
地址:github.com/RankFTW/RHI
5、flameshot:开源的跨平台截图工具。这是一款基于 C++ 和 Qt 开发的截图工具,可在截图上直接添加箭头、文字、形状和马赛克,支持延时截图、复制到剪贴板、上传到 Imgur 等功能,适用于 Windows、macOS 和 Linux 系统。
地址:github.com/flameshot-org/flameshot
6、bilirec:适用于低配设备的 B 站直播录制工具。该项目是专为低配设备优化的 B 站直播录制工具,内存占用极少。它内置 Web 管理界面,支持开播自动录制、自动分段、断流重连和自动转 MP4 等功能。来自 @Eric Lam 的分享
地址:github.com/bilirec/bilirec
7、hey:小巧的 HTTP 压测工具。这是一款用 Go 编写的 Web 压测命令行工具,能够按请求数和并发数向目标地址发送请求,并输出吞吐量、延迟分布和状态码等统计结果,支持按时长压测、HTTP/2、自定义请求方法和请求头等功能。
地址:github.com/rakyll/hey
8、kserve:K8s 上的 AI 模型推理平台。该项目是基于 K8s 的 AI 推理平台,支持 vLLM 后端和 OpenAI 兼容接口,可部署 TensorFlow、PyTorch、scikit-learn、ONNX 等多种框架的模型,并提供自动扩缩容、灰度发布和模型监控等功能。
地址:github.com/kserve/kserve
9、PMail:一分钟搭建个人域名邮箱。该项目是用 Go 编写的个人邮件服务器,仅需一台服务器和域名,就能部署自己的域名邮箱。它开箱即用、体积小、占用资源少,内置邮件收发服务和 Web 管理界面,支持 SMTP、POP3、IMAP 协议,以及多域名、多用户和 HTTPS 证书自动续期等功能。来自 @壮士2nowz 的分享
地址:github.com/Jinnrry/PMail
10、ccstatusline:Claude Code 的状态栏定制工具。这是一款专为 Claude Code 设计的状态栏工具,可在底部实时显示当前模型、Git 分支、Token 用量、上下文占比、每周额度和会话时长等信息。它内置交互式配置界面,支持自定义显示项、多行状态栏和导出配置。
地址:github.com/sirmalloc/ccstatusline
11、claude-opus-5-5-demo:一句提示词生成的 3D 网页游戏。该项目是 Claude Opus 5.5 代码生成实测的产物,包含鹈鹕骑车、射击和赛车三款 3D 网页游戏。每个游戏仅用一句提示词,由模型自主完成开发、测试和部署,源码没有人工改动过一行。
地址:github.com/riba2534/claude-opus-5-5-demo
12、edgeever:AI 原生的个人笔记应用。这是一款开源的笔记与知识库应用,采用印象笔记经典的三栏布局,可零成本部署在 Cloudflare 上。它提供 REST API、MCP 和 CLI 接口,适配 Claude Code 等 AI 智能体读取和整理笔记,支持多设备同步、Mermaid 图表、版本历史、Markdown 和富文本等功能。来自 @tianma-if 的分享
地址:github.com/tianma-if/edgeever
13、microlighter:零依赖的代码高亮库。该项目是基于 CSS Highlight API 的网页代码高亮库,无需为每个 Token 插入 span 标签,让 DOM 结构更简洁。它压缩后仅约 2KB,内置 10 套主题,支持 30 多种编程语言、可编辑代码块和自动高亮等功能。
地址:github.com/davatron5000/microlighter
14、openmouse:免装驱动的网页版游戏鼠标设置工具。这是一款基于浏览器的游戏鼠标控制面板,连接鼠标后即可查看设备信息,调整 DPI、回报率等设置,不用安装驱动软件。它通过 WebHID 与鼠标通信,支持罗技、雷蛇、海盗船、HyperX、VGN、ATK 等品牌的鼠标。来自 @Snekxs 的分享
地址:github.com/OpenMouse-Project/openmouse
15、figures4papers:绘制论文配图的 Python 脚本集合。该项目是一套用于制作论文配图的工具,内含 Python 脚本和 AI Skills,支持绘制对比柱状图、构成分解图、趋势图等多种学术图表。
地址:github.com/ChenLiu-1996/figures4papers
16、flet:用 Python 开发跨平台应用的框架。该项目是基于 Flutter 的 Python 应用开发框架,只用 Python 就能构建 Web、桌面和移动应用,支持 iOS、Android、Windows、macOS、Linux 和浏览器。它内置 Material 和 Cupertino 风格组件,可在移动应用中使用 NumPy、pandas 等库,并能通过一条命令打包发布到 App Store 和 Google Play。来自 @小小修真者 的分享
地址:github.com/flet-dev/flet
17、kr8s:用 Python 轻松操作 K8s。这是一个受 kubectl 启发的 K8s Python 客户端库,熟悉 kubectl 命令即可快速上手。它提供同步和异步 API,支持获取资源、扩缩容、创建 Pod 和端口转发等常用操作。来自 @Jacob Tomlinson 的分享
地址:github.com/kr8s-org/kr8s
18、linkding-cn:中文版书签管理与稍后读工具。该项目是基于 linkding 二次开发的书签管理和稍后读工具,内置简体中文界面。它支持网页快照、正文提取、高亮批注、拼音标签搜索和数据看板,部署简单开箱即用。来自 @WooHooDai 的分享
地址:github.com/WooHooDai/linkding-cn
19、pywebview:用 Web 技术打造 Python 桌面应用。这是一个轻量级的 Python 原生 WebView 封装库,可用网页技术构建原生窗口,实现前端与 Python 双向通信。它复用系统网页组件,生成的程序体积小,适用于 Windows、macOS、Linux 和 Android。来自 @Davin 的分享
地址:github.com/r0x0r/pywebview
20、broot:更好用的 tree 命令替代工具。这是一款用 Rust 编写的终端目录浏览工具,能够以精简的目录树展示大型文件夹,并自动忽略 .gitignore 中的文件。它支持模糊搜索、正则表达式和搜索文件内容,输入几个字母即可跳转到目标目录。还提供多面板文件操作、文件预览、批量命令执行和自定义快捷键等功能,可替代 tree 和 ls 命令。
地址:github.com/Canop/broot
21、numbat:能自动换算物理单位的计算器。这是一款兼具编程语言能力的科学计算器,专为带物理单位的科学计算设计。支持单位换算、自定义单位、常数和函数计算,可在命令行或浏览器中使用。
地址:github.com/sharkdp/numbat
22、window-switcher:在 Windows 上切换同一应用的多个窗口。这是一款免安装的 Windows 窗口切换工具,按下 Alt+反引号 即可在同一应用的多个窗口间快速切换,也可启用 Alt+Tab 切换应用。支持自定义快捷键、冲突程序黑名单和限定当前虚拟桌面等功能。来自 @想飞的鸡 的分享
地址:github.com/sigoden/window-switcher
23、handraw-style:手绘风格 AI 生图技能包。这是一个可安装到 Codex 的 AI 生图技能包,收录了 278 种手绘风格、120 种排版样式和 30 种经典主题色。选定编号并说明主题,即可生成中英双语生图提示词,也能根据主题自动推荐风格和配色。它提供社媒卡、信息图、漫画分镜等排版,支持纯图和图文两种模式,生成的提示词适用于 GPT Image、Midjourney、Stable Diffusion 等工具。来自 @🐯旺德福 的分享
地址:github.com/yang0/handraw-style
24、skills-manager:统一管理 AI 技能包的工具。这是一款跨平台的 AI 智能体技能管理工具,可将散落在不同工具中的技能集中存入本地仓库,并一键同步到 Claude Code、Codex、Cursor 等工具。它支持从 Git 仓库、本地文件夹、压缩包和 skills.sh 市场安装技能,还提供技能组合预设、项目级管理、上游更新检测和标签筛选等功能,适用于 Windows、macOS 和 Linux。
地址:github.com/xingkongliang/skills-manager
25、srt-whiteboard-animation:把字幕变成手绘动画。这是一个可将 SRT 字幕转换为白板手绘视频的 AI 技能包。它会解析字幕内容,按叙事顺序拆分场景并生成分镜和线稿,再让画面元素随字幕依次出现,通过笔尖连续勾勒、逐步上色,最终导出为 MP4 视频。
地址:github.com/geeklee/srt-whiteboard-animation
26、threejs-architecture-effects:让 AI 生成逐层搭建的 3D 古建筑。这是一个适用于 Codex、Claude Code 和 Cursor 的 AI 技能,可生成基于 Three.js 的 3D 中式古建网站。建筑会按照砖墙、木构架、斗拱和飞檐的顺序逐步搭建,砖、木、瓦、石等材质均由代码生成,支持拖动时间轴回放搭建过程、旋转缩放视角和查看飞檐特写等功能。
地址:github.com/lhlGitHub/threejs-architecture-effects
27、birth:macOS 启动项管理工具。这是一款免费开源的 macOS 启动项管理工具,可集中查看和管理开机启动项、守护进程及后台程序,支持按名称、路径或 PID 搜索,并一键停用或移除相关程序。
地址:github.com/iAmCorey/birth
28、Thaw:按需显隐图标的 Mac 菜单栏管理工具。这是一款免费开源的 macOS 菜单栏管理工具,可隐藏不需要的图标,并通过悬停或快捷键找回。支持按显示器或专注模式切换布局,还能根据电量、Wi-Fi 等条件自动显示图标。来自 @René 的分享
地址:github.com/thaw-app/Thaw
29、tinycast:极简的 macOS 启动器。这是一款用 Swift 编写的轻量级 macOS 启动器,内存占用不到 100MB,支持文件搜索、剪贴板历史、汇率换算、代码片段、窗口管理和 AI 对话等功能,兼容 Raycast 扩展。
地址:github.com/abue-ammar/tinycast
30、vphone-cli:在 Mac 上创建并运行虚拟 iPhone。这是一款适用于 Apple Silicon Mac 的虚拟 iPhone 工具,基于苹果虚拟化框架创建和管理虚拟机,可通过图形启动器或命令行操作,支持文件浏览、截图录屏和剪贴板同步等功能。
地址:github.com/Lakr233/vphone-cli
31、ego-lite:与 AI 智能体共用且互不干扰的浏览器。这是一款专为人和 AI 智能体共同使用而设计的浏览器。每个 Agent 都在独立空间中执行任务,不会影响正常浏览网页。智能体可直接编写 JavaScript 完成获取页面快照、点击和填写表单等多步操作,从而减少工具调用次数和 Token 消耗。它支持导入 Chrome 的登录状态和书签,可让多个 Agent 并行处理任务,目前仅支持 macOS。
地址:github.com/citrolabs/ego-lite
32、LoongForge:更快地训练大模型和具身模型。该项目是百度开源的模型训练框架,支持主流的 LLM、VLM、扩散和具身模型。它采用多后端架构,提供开箱即用的配置和脚本,支持预训练、SFT 与 LoRA,适配 NVIDIA GPU 和昆仑芯 XPU 异构硬件。来自 @zhhhhcc 的分享
地址:github.com/baidu-baige/LoongForge
33、orca:让多个 AI 编程智能体并行开发的 IDE。这是一款跨平台的 AI 编程智能体编排工具,能够让 Claude Code、Codex 等分别在独立的 Git 工作树中并行运行,并通过同一界面统一管理。它能将同一个提示词同时发送给多个 Agent,对比结果后合并最优方案。还可通过手机 App 查看进度、接收通知和发送指令,适用于 Windows、macOS 和 Linux。
地址:github.com/stablyai/orca
34、TencentDB-Agent-Memory:让多个 AI 智能体共享团队经验。这是一款开源的 AI 智能体团队记忆系统,可将对话、文档和代码整理成可复用的团队记忆,供不同智能体和团队成员共享。它能从对话中提取记忆与技能,将文档和代码转换为 Wiki 和代码图谱,并根据权限将这些内容分配给不同智能体。来自 @Jianing Xu 的分享
地址:github.com/TencentCloud/TencentDB-Agent-Memory
35、YuE:先写曲谱再生成歌曲的音乐模型。该项目是开源的歌曲生成模型,输入歌词和风格描述,即可生成包含人声与伴奏的完整歌曲。它会先生成旋律与和弦乐谱,再根据乐谱生成音频,支持编辑曲谱后重新生成歌曲,也能根据参考录音进行翻唱。配套 Skill 还支持生成纯器乐。
地址:github.com/multimodal-art-projection/YuE
36、flix:基于 ESP32 的四旋翼无人机。该项目是基于 ESP32 的四旋翼无人机,内含 3D 打印机架、接线图和飞控固件。它通过 Wi-Fi 或 ESP-NOW 使用 MAVLink 协议通信,可用 USB 手柄、遥控器或手机操控,并提供无线命令行调试、Gazebo 仿真和用于自动飞行的 Python 库。
地址:github.com/okalachev/flix
37、fugleramme:听声识鸟的电子墨水相框。该项目是基于树莓派的智能鸟类相框,通过麦克风采集附近的鸟鸣,借助 BirdNET-Go 识别鸟类,再以古典插画的形式展示识别结果。
地址:github.com/arnegiacomo/fugleramme
38、microduck:迷你鸭子机器人。该项目是双足鸭子机器人 Microduck 的控制系统。机器人高约 25 厘米、重 800 克,可通过手柄遥控行走,支持加装轮子、叼起物品和摔倒后自行站起。
地址:github.com/pollen-robotics/microduck
39、pigsty:开箱即用的 PostgreSQL 发行版。这是一个企业级开源 PostgreSQL 发行版,可在 Linux 上一键部署单机实例或高可用集群。它内置监控面板、故障自动切换和时间点恢复等功能,并提供 12 种 PG 内核和 500 多个扩展。来自 @r12t 的分享
地址:github.com/pgsty/pigsty
感谢参与分享开源项目的小伙伴们,欢迎更多的开源爱好者来 HelloGitHub 自荐/推荐开源项目。如果你发现了 GitHub 上有趣的项目,就点击这里分享给大家伙吧!
感谢参与分享开源项目的小伙伴们,欢迎更多的开源爱好者来 HelloGitHub 自荐/推荐开源项目。
希望本期内容有你感兴趣的开源项目,兴趣是最好的老师,它能点燃你对开源的热情、勇敢地迈出第一步,随时欢迎你加入开源的大家庭!如果还没看过瘾,点击阅读 往期内容。
点击阅读原文可按照编程语言浏览项目
原创 渣B 2026-09-27 16:17 浙江
前几天的云栖大会我们才提到云环境的多租安全《谈谈Agentic 时代的 DPU是什么: CIPU如何构建阿里云AI Agent、推理、训练等AI infra核心技术竞争力》, 最近几天就爆出另一个安全问题, OpenAI 的 Agent 使用 DNS 隧道越狱, 《An agent used DNS to reach an external chatbot》[1]
而 DNS 隧道是一个大概存在 20 年的攻击手段了, 居然没有任何防范... 世界真是一个巨大的草台班子...大致的问题如下:
其实要防范这类也不是啥难做的, 我大概在 8 年前构建 Nimble 获得思科 CEO 大奖的时候就完全实现过:
Nimble 是一个基于 AI 的网络流量的实时分析系统, 当时由于 Flink 等数据处理框架性能不够, 我参考《Streaming Systems》这本书的算法, 基于Golang 重新写的一套流式数据平台, 大概单机每秒可以处理 1M records, 并增加了基于Tensorflow的实时推理引擎. 对于异常的流量分布很容易抓出来这类行为. 后来这套引擎给以色列团队参考整合进了 Cisco 的 DNA-Center 中, 但只是流数据实时处理框架, 没有包含任何 AI 相关的内容.
有一点感慨, 思科当年实在是没看懂这么领先时代的技术, 而过了 8 年了, 如今才来慢慢补....
另外有一个开源的项目 《支持AI的ZaDNS服务器》 很早就可以通过一些 AI 模型识别潜在的攻击和盗用的情况...不过由于当时的边缘和嵌入式算力比较有限, 只做了一个很简单的 LSTM 的模型. 现在或许随便做一个 2B 以内的小模型就可以很完善的防范住这种攻击了...
参考资料
[1] An agent used DNS to reach an external chatbot: https://alignment.openai.com/misalignment-reports/an-agent-used-dns-to-reach-an-external-chatbot/
原创 硅谷王川 2026-09-27 10:56 美国
王川: 让刺破 AI 泡沫的加息风暴来得更猛烈些吧
1/ 在 2023年四月的一篇老文章里,
对于 AI 投资的展望,笔者写过这样一段话:
“OpenAI上市,早期风投获得超过100倍的回报。早期风投出去筹集新的巨额基金;机构投资者涌入,担心错过良机。更多与AI相关的公司得到资助,尤其是基础设施公司。
估值模型逐渐变得基于恐惧(错过的恐惧、被竞争对手收购的恐惧、显得愚蠢的恐惧)的凭空捏造,而非基于现金流的现实贴现值的合理计算。
追逐趋势的操盘法一段时间内很赚钱,保守行事的人一开始看起来相当愚蠢。
风投可以根据私有市场中虚幻或不可持续的估值,对外炫耀高的内部收益率 IRR,从幼稚的投资者那里筹集更多资金。
然后美联储降低利率,更多的热钱涌入。潮水涨起,所有的船只都随之上升。有一段时间,每个人都赚了很多钱。
LLM、芯片制造商、晶圆厂、设备供应商、风投、分析师、AI公司员工。任何未将其投资收益重新投入AI相关股票的人,与这样做的人相比,会觉得自己非常愚蠢。
在泡沫的顶峰,做空股票泡沫的对冲基金将遭受重创。
一直对泡沫持谨慎态度,但在五年内一直错误的分析师,在顶峰时改变观点,变得乐观。...
然后美联储收紧。然后一切都垮了。”
2/ 时光荏苒,转眼就到了 2026年九月底。就在九月中旬,美联储刚刚把短期利息提高了 0.25%. 截止到九月24号,期货市场预计未来一年,美联储还会加息四次,把短期利息提高到 4.75% 左右。美联储加息的一个原因是所谓核心个人消费指数 (PCE) 的年增长率, 最近高达 3.3%,长期超过美联储要把通胀率压制到 2%的目标。过去一周,美国国债利率全面上升,其中十年国债利率超过 5.15%, 为十九年以来最高。三十年国债利率达到 5.5%, 为二十二年以来最高。
3/ 美联储未来一年持续加息抑制通胀,将提高所有机构的融资借贷成本,这和主要依靠借贷的 AI 的资本性投入 (AI Capex ) 的增长形成结构性矛盾。有分析师估算,美国今年GDP 增量的 30%-50% 来自 AI Capex,这也间接提高了通胀率。 如果你认可 “不要和美联储对着干” ( Don't fight the fed), 那么自然得出的结论就是 :AI Capex的增长,最终会被加息给打压下去。有数据显示,和 AI 数据中心相关的债务,接近四千亿美元是浮动利率,短期利息的上调将立刻提高其利息成本。这必然增加债务违约概率。而广泛存在于 AI 领域的环环相扣的循环信贷也意味着,违约造成的小的资金链断裂,势必引爆愈演愈烈的更大的资金链断裂。
4/ 当一个公司开始用债务来支持增长时,就可能陷入类似运动员用兴奋剂提高成绩的危险境地。债务赖不掉,本金迟早得还,风险比发行新股要大。尤其是某些公司用利息更高的,更多的新债务来还旧债,就把自己置于越来越大的突然死亡的风险之下。 运动员用类固醇之类的兴奋剂,其副作用包括: 内生睾酮减少,睾丸变小,男性乳房增大, 血压升高,血管变得更脆弱,关节和肌腱 (跟不上肌肉的增长)训练时磨损撕裂导致的剧烈疼痛,肝脏和肾脏负担更重, 脾气暴躁,严重失眠,一些运动员不到五十岁就猝死, 有很大嫌疑是年轻时长期服用兴奋剂所致。 当你看到某个膀大腰圆的壮汉时,不要羡慕他。因为你不知道他为了光鲜的外形,身体内承受了多大的痛苦。而睾丸变小这类难以启齿的问题,外面根本看不出来。
5/ 类似的,当你看到某个企业进行夸张的炫耀性消费时,不必羡慕。很有可能它在被迫做挖肉补疮,拆东墙补西墙的游戏,对外的夸张展示只是必须的操作而已。其内心的压力和后台的风险外面根本看不清。 即使高尔夫这种看似温和的运动,也有禁药问题, 有种叫 beta 受体阻滞剂的禁药让人更加安静,消除手部的颤抖。但副作用是低血压,心动过缓,诱发支气管痉挛。而且身体会为了反抗抑制,对肾上腺素产生受体上调 (up regulate)的反应。如果突然停药,身体的肾上腺素腺素会潮水般涌入这些新增的受体, 导致严重的心慌和心绞痛,甚至直接引发猝死。“药不能停”这句话, 绝非戏言。
6/ 而加息周期,对于巨大债务驱动的 AI 行业而言,类似要运动员降低兴奋剂的使用量,要瘾君子减少嗑药。这对行业即将产生的欲仙欲死的效果,令人期待。
7/ 木星项目 (Project Jupiter) 是位于新墨西哥州,由甲骨文 (oracle) 公司作为主力租户而建造的大型数据中心项目,于 2025年九月开工。就在上一周,九月24号,甲骨文给项目开发方递交了一份“不可抗力” (Force Majeure) 的通知,大意是如果项目方不能按照原定的 2028年的工期按时完工,甲骨文将拒绝支付全额租金。 “不可抗力”这个词语的引用,通常只适用于战争或者重大自然灾害的场景。甲骨文这个情况,目前仅仅是因为某个天然气管道的许可被州政府卡住,数据中心可能无法按时获得天然气能源来开工。即使不支付全额租金,甲骨文按照合同要求,仍然必须要给项目方支付债务利息和最低限度的股权回报。数据中心的项目方,控股者是资管公司蓝猫头鹰 (Blue Owl ) 的子公司,背后还有多家银行提供的 180亿美元贷款。甲骨文租用数据中心,但最终要为甲骨文的算力付钱的是 OpenAI (下简称 OAI)
8/ 虽然这份“不可抗力”的通知并不意味着甲骨文马上要赖账,但它好似在信贷市场平静的水面上扔了一块石头。甲骨文的债券利率应声上涨。 九月二十五号,甲骨文十年期的债券利率高达 7.32%,比同期美国国债利率 5.15% 高出了 2.17%。这个利率已经接近垃圾债券的水平。甲骨文八月底时净负债 880亿美元,最近一个季度的自由现金流为负的 47亿美元,其债务评级,离垃圾债券只有一步之遥。 如果新墨西哥的数据中心修建推迟,利息还要付,但甲骨文原来预计在木星项目上从 OAI那里潜在可以获得的一百多亿美元的收入也就要顺延推迟了。木星项目的推迟绝非孤例,有投行估计,全美国原定 2028年上线的数据中心大概只有一半可以按时完工。
9/ 代表项目方的蓝猫头鹰虽然公开表态,说项目还要继续下去,但并不意味着他们不会在“不可抗力”这个问题上和甲骨文扯皮。而账上还有 180亿美元债权的几家银行,本来想转手卖给下家,但一周前这笔贷款的市价已经比面值跌了 10%。现在“不可抗力”通知一出,烫手的山芋就更难转手了。所有正在为数据中心提供融资的金融机构,无不毛骨悚然,要加倍严格审核合同的各种细节条款,免得被借贷方钻空子。在美联储加息的背景下,这类数据中心贷款相对于国债利率的利差,必然还会增加,这就等于双份的加息。而双份加息的借贷成本,最终还是要由算力购买者买单,比如 OAI。
10/ OAI 最近公开表示,IPO 要推迟到 2027年,它正在寻求新一轮融资,估值喊出了一点五万亿美元的天价。 管理层面不改色的宣称,从现在到 2030年底,公司预计要再亏损 2780亿美元 (基于同期预计 8400亿美元的收入),但之后会扭亏为盈。这个不到八千名员工的企业的年化亏损金额,已经超过世界第三大经济体,有八千万人口的德国的年度财政赤字的 40%。阿基米德曾说,‘’给我一个支点,我可以把地球撬起来‘’。 可以把这类融资话术叫做 ‘’支点撬地球‘’的话术。面对四年两千多亿美元的亏损,什么样的投资者还心甘情愿支持一点五万亿美元的估值呢?这就要提到软银 ( Soft Bank, 下简称 SB ) 了。
11/ 从2024年开始,SB 多次累积投入 640 亿美元获得 OAI 的大约 13% 的股权 (其中一笔 100亿美元的投资款预计十月一号到位)。 2024年时 OAI 估值还只有 1500亿美元,到 2026 最近一笔融资时估值已经超过 7000 亿美元。 SB 三月底时面不改色的对外宣传它账面上有四百多亿美元的来自 OAI 的投资利润,尽管那实际上都是无法套现的虚值,而SB 本身就是高估值背后的最大推手。尽管是虚值,对外面仍然确实有巨大宣传价值,可以帮助抬高 SB 股价,也可以用高估值的SB 和 OAI的股票抵押出更多现钱。为了支持OAI, SB 的孙正义抛售掉了其它大部分资产,也因此摊上了很多债务。截止到六月底,整个SB集团的债务高达 18.7 万亿日元 ( 约 1100 亿美元),其中 3.2 万亿日元来自抵押 ARM 股票所得,1.1万亿日元来自抵押 SB 股票所得。 SB 的信用评级早已是垃圾债券, 但债多不愁。八月份时, SB 以 OAI 股权抵押获得 100亿美元的贷款。本周 SB 又在欧美市场发行新的 110亿美元的垃圾债券,利息从 8.6% 到 9.75%不等,据说主要用于支付十月一号最新一笔注入 OAI 的 100亿美元的投资。
12/ SB 的资金短缺问题还不止这一块。它的一家子公司“SB能源”,在俄亥俄州修建数据中心,原计划九月份在美国以五百亿美元估值上市,遭到投资者冷遇而被迫搁置。“SB能源“本质是一个用 OAI 未来的算力合同来支持的空壳公司。为了帮助 ”SB能源“获得贷款,英伟达不惜亲自下场,提供价值最高到 1050亿美元的贷款担保。如果我们足够知识诚实的话,一个健康有机增长的市场,是根本不需要前所未有的超过一千亿美元的卖方信贷担保的。出现这种担保的消息,就是泡沫越来越危险的一个信号。
13/ 在这个节点,对于 SB 而言, OAI 不管如何“负“可敌国,都必须一本正经的支持它宣传它的阿基米德支点撬地球的宏大叙事,将估值做大做强,把这个游戏继续玩下去。否则不仅几百多亿美元的纸上投资利润要化为泡影,而且用 OAI 股票抵押的贷款可能被 margin call (追缴保证金), 连锁反应甚至可能引爆其它股票抵押贷款的 margin call, 那将是一种不可想象的万劫不复。
14/ 投资者给 OAI 的短期注资确实有效,按照有的平台实时统计,OAI 在发布最新模型 Astra 之后,在部分用户群体中的营收, 上周已经超过了它的最大的竞争者Anthropic ( 下简称 Anth ) 。Anth 之前曾经号称要十月初上市。但上市时间一拖再拖。它不再像过去一样通过媒体上的喽啰频频泄露出最新的 ARR 数据,而是忘顾左右而言他的宣传一些不可证伪的宏大叙事。
15/ 如果你看过笔者的老文章,
王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (二)
里面有这样一段话:Anth 和 Oai 估值看多者无法绕过去的一个问题是:
一个有着持续巨大训练成本,和激烈竞争 (竞争者之间差距不到三个月),巨大价格压力, 产品切换成本不高(网络效应基本不存在,用户粘性微弱),仍然严重亏损的公司, 是否可以最终扭亏为盈,并且利润越来越高?一个需要持续对外融资才能活下来的 AGI,那还能叫 AGI 吗?
16/ 按照 polymarket 上的最新数据,预计 Anth 上市 90%的概率要拖到十一月十五日之后, 75%的概率在年底之前。 上市前三到四个星期,公司会公开发布 S-1 文件,披露经过严谨审计的财务数据。我们很快会有答案了。
17/ 上一次互联网泡沫的时候, 美联储 1999年六月底开始加息,九个月之后纳斯达克指数达到泡沫顶峰。历史不会精确的重复,但常常押韵。这一次,也许不用等九个月了。
让刺破 AI估值泡沫的加息风暴来得更猛烈些吧!
---
所有文章表达笔者个人观点仅供参考,不构成对所述资产投资建议,投资有风险,入市须谨慎。笔者推特号"Svwang1", 新浪微博 “硅谷王川", 网站 chuan.us。
点击下面链接可看到本公众号过去两百多篇原创文章的链接目录:
原创 渣B 2026-09-26 18:08 浙江
最近觉得人也越来越像一个LLM了, 而公众号的这些文章似乎很好的构成了 KVCache. 不光自己可以用, 也可以和大家做 Prefix-Cache.
起因是最近几年经常同时搞好几个项目, 有 CIPU 芯片相关的, 也有 GPU 微架构相关的, 也有大模型架构相关的, 还有一些算法相关的项目. 经常 Agent 还在写 RTL 的时候, 又切换一个桌面搞算法.
最近在做一些新的芯片相关的研究, 同时准备花一些时间来仔细分析一下 Off-policy 的 LLM-RL 相关的算法, 但几个月没碰过了几乎全忘光了. 比较幸运的是以前随手记录了一个专题:《大模型强化学习》
今天顺手让 Agent 做了一个网站版挂在 github page 上, 并且做了一个更简短的 summary, 似乎这也算得上某种 session compaction 了? 链接如下:
https://zartbot.github.io/blog/algo/llm_rl/
另一方面, 我发现一个好玩的事情. 以前天天叫嚣着需要 Lossless RDMA/RoCE 的人, 还叫嚣着 OpenAI 都在用 PFC 的人似乎都没怎么说话了. 相反整个工业界都在开始 show 自己 Lossy RDMA 下的性能, 终于从 Lossless 转向 Lossy 了.
AMD 在 Hotchip 宣称400Gbps 的 NIC 在 1% 丢包时可以达到 160Gbps, Goodput-ratio 40%
国内某家 400Gbps NIC稍微好一些可以到 48%
即便是 Meta 宣称可以在 1% 丢包时 Goodput 在 86%, 那么也就是说依旧还是有 10% 的带宽被错误重传了
而 CIPU eRDMA 在 3 年前就已经是 5% 丢包率 90% 的 Goodput 了..而如今 CIPU 下一代的带宽已经超越 Nvidia 最新的 CX9 和 BlueField-4 2倍达到 1.6Tbps 了...
我想说的是, 这些都是要做 10w 卡 ~ 50w 卡稳定训练的关键技术, 几年前就在谈, 很多年前就在提一个业务指标:
集合通信能够保证95%以上的Fabric利用率
丢包率5%的时候仍然能够保证90%的Goodput
无需任何交换机的高级特性, 网卡实现多路径和拥塞控制
超大规模(128K QPs)并支持所有QP开启多路径转发能力.
兼容RDMA RC Verbs, 线下RDMA应用无需修改代码即可直接运行.
Incast 128打1这样的场景, 每个QP之间的带宽差额最大100Kbps.
完全OS无感知的热迁移
完善的RDMA虚拟化支持
可惜几年过去了, 不知道哪一家真的追上来了. 回想起 CIPU2.0 在 3 年前送去流片的时候, 也就是 2023 年底, 我们就完整的预测到 MoE 模型会成为主流, 并把 All-to-All 的 incast 问题干干净净的解决了, 而时至今日还听说某些平台因为 incast 触发的 PFC 带来的各种故障... 真不知道工业界都在干些什么....
是时候好好读读这个专题了 《RDMA》
原创 优设 2026-09-26 12:30 湖北
现在一个新模型发布,相关介绍很快就能刷满信息流。看几篇文章就能知道AI参数提升了多少,又新增了什么能力。
现在一个新模型发布,相关介绍很快就能刷满信息流。
看几篇文章就能知道AI参数提升了多少,又新增了什么能力。
可真要拿来改图做视频、写代码或者搭建页面,光知道这些还不够。
咱们其实更关心实际效果怎么样?官方演示里的效果,普通人能不能做出来?
所以我现在看 AI 工具的内容,更在意真实评测。
国内做AI内容的账号不少。如果你也经常关注新模型新工具,可以先看看机器之心、量子位、数字生命卡兹克和优设AIGC。
这几个账号有时会聊同一个产品,但关注的角度不太一样。
新模型发布后,想了解背后的技术、相关论文,以及这次更新具体改进了什么,它的内容比较适合这类阅读需求。 量子位涉及的话题更广,AI公司、产品发布、融资动态、模型能力和产业应用都会覆盖。想快速了解最近AI行业发生了什么,可以从这里看起。 数字生命卡兹克的个人色彩更明显。除了介绍工具,也经常写自己折腾Agent、工作流、Skill和各种AI产品的过程。能看到他具体怎么用,以及用过之后的判断。 做设计、视觉、新媒体或者内容创作,也可以重点看看优设AIGC。它介绍新工具时,经常会拿设计和创作任务来实测。比如图片生成得怎么样,视频能做成什么效果,一套工作流能不能跑通。比起单看功能介绍,这样的内容更方便对照自己的需求。优质账号推荐
平时关注大模型、论文和技术进展,可以看机器之心。
模型一更新,官方介绍、参数表格和演示视频很快就会传开。 不过,演示看着不错,换成自己的素材和需求还能不能用,得试过才知道。 优设AIGC的不少文章就是这个主题。热门工具出来后,编辑先上手试,再把过程和结果写出来。 比如LibTV 1.5更新后,文章就围绕实际创作做了测试。素材怎么导入,人物、镜头和视频怎么生成,最后做出了什么效果,都有展示。如果你正准备做AI短剧、广告片或者其他视频内容,看这些过程,就更容易判断自己是否用得上。最新的AI工具统统上手实测
AI圈的新品消息每天都有。
Vidu S2的实测也是如此。“一张照片生成实时数字人”“随时换装换背景”,光看功能介绍确实吸引人。真要用的时候,还得看人物形象能不能保持稳定、动作自不自然、换装后是什么效果。 文章把测试结果放出来,读者就能先有个判断,不必为了弄清这些问题,自己从注册、充值开始试起。
除了新品测评,还有一些文章会处理使用中遇到的问题。
比如《你用的AI降智了吗?》,讨论的就是一个很难说清楚的感受:同一个模型,怎么突然觉得没以前好用了?文章整理了3种方法,读者可以照着用一遍,看看模型表现有没有变化。
我愿意看这类实测,也是因为工具实在太多了,没办法挨个试。直接在这里看效果和操作过程,自己就能少花些筛选和试用的时间,再决定哪些值得细看。
看完测评,知道工具能用,往往还是不会做。
优设AIGC的一些文章会接着讲,看到了好的效果,具体该怎么做出来。
前段时间Codex表情包工作流就很有意思。
一开始是用AI围绕一个IP生成表情包,后面又把这些素材接入Codex,把表情包里的角色做成了可以在桌面上活动的宠物。
文章从IP形象、表情素材,一直讲到能运行的小项目。
读者可以顺着案例看素材怎么准备,了解每个工具负责什么,还有中间要做哪些处理。尤其是那些单看成品猜不出来的步骤,教程里讲清楚了,自己动手时可以直接参考。
《土木老哥手搓AI短片狂揽1亿播放》这篇也做了类似的拆解。
除了介绍案例,还分析了创作者的制作过程,把不同任务分别交给哪些 AI 来做讲了出来。
生成图片、制作视频、写代码、配音、生成音乐,都能找出对应的 AI 工具。
难的是素材做好以后下一步怎么做。
这也是我觉得优设AIGC比较适合创作者看的原因。一张商业海报、一条AI短片、一套UI,或者一个桌面宠物,文章会围绕具体作品讲制作过程。遇到和自己工作相近的案例,就可以顺着教程试一遍,把用得上的步骤留下来。
除了文章内容,优设AIGC的封面也值得翻一翻。
连续看几篇,会发现它们的风格能认出来,但又不是同一个模板换几行字。
不同文章会用不同的场景和画面元素来表现主题。
这些封面在点开文章之前,就已经交代了一部分内容。比如看到图层面板和 PSD 文件,读者就能猜到文章和设计文件有关;看到桌面上的表情角色,也能大致理解桌面宠物是什么。
值得参考的是这种选画面的思路。
自己做公众号、小红书或者其他平台的内容时也可以这样。封面除了吸引人点开,还能提前告诉读者,这篇文章里有什么。
AI新品的信息并不难找。我现在更愿意花时间看写清楚了使用过程,给出实际结果的文章。
看完以后能判断这个工具和自己到底有没有关系。
想了解技术和研究,可以看机器之心;关注AI公司、产品和产业动态,可以看量子位;想看个人体验,以及折腾工具和工作流的过程,可以看数字生命卡兹克。
如果你做设计、视觉、新媒体或者内容创作,优设AIGC更值得加入日常关注列表。
先看实测,判断工具能不能满足需求;碰到想做的案例,再找教程跟着试。
比起漫无目的地收藏工具,这样会更省心~
太棒了!您把今天的内容都看完啦,如果对您有帮助请三连支持。我们每天都会更新干货内容,欢迎设为星标⭐~
原创 二一的笔记 2026-09-26 05:22 福建
真的眩晕瘫坐了...
我一般不跟风喊什么眩晕瘫坐,但是当我让 Opus 5.5 给我的 Obsidian 模板做一个 Motion 动画视频的时候,我真的兴奋得手在发抖,要不是现在已经快凌晨五点半,我或许真的会大喊大叫,手舞足蹈。
视频在文章结尾
或许你会觉得夸张,我也觉得夸张,但这的确是我的感受。
还记得 2022 年刚开始学做视频,为了能获得一些微不足道的动画效果,我给我的 Notion 测评视频,手工搓了超过 500 张的 Keynote,那期视频从测评到写稿,再到学 Keynote 并完成动效,我做了整整三个月。
但现在 Opus 5.5 只花了 1 个小时, 用一段 1000 字左右的提示词,one-shot,画了 16832 张画面, 6 个 Chrome 并行,渲染成 1 分 12 秒的视频,连 BGM 都是它自己用 Python 编曲混音的。
为什么?为什么?发生什么事了?
这种感受和 Seedance 完全不一样,什么时候 AI 突然能通过这种方式,把视频做到这种程度了?这种用代码的方式,才能做到不抽卡,指哪打哪啊!
这种直观的、让人晕眩瘫坐的体验,真的比 Astra 言出法随写出一坨我完全看不懂的代码还要震撼。代码我本来就看不懂,但视频我会剪,现在我连视频也剪不过 AI 了。
而且除了审美和设计,Opus 5.5 的编程能力也是顶级,活干得漂亮,说话又好听,额度还多得令人发指。
这是我第一次觉得 Claude 如此耐用,也是第一次如此害怕一觉醒来我号没了。
我真的投降了,各位,我投降了!
毫无疑问我是 AI 降临派,Opus 5.5 在我心中已经跃升至历史第一模型。那我订阅了一年的 SuperGrok Heavy 算什么?算我傻*!Grok 4.8 最好能兑现马斯克画的饼。我也充满遗憾地觉得,OpenAI 或许永远也不会有审美这么好的模型了。
好了不说废话了,接下来请大家欣赏 Opus 5.5 毫不费力的杰作。
视频做得非常酷炫,但没有一个功能是捏造的,它完全基于我的代码库、以及产品实机效果所制作。我只是提供了相当相当粗糙的要求和想法,剩下的完全由它自己发挥创造力。
如果看完之后你对我的产品感兴趣,欢迎戳下方官网链接,这是一套基于 Obsidian 开发的人生管理系统,包含模板库、配套插件和无痛上手教程,感谢购买支持。
好了我该睡了,大家晚安。
哇,圆满的一天。
请原谅我这篇文章如此亢奋和浮夸的表达方式,实在是忍不住,我只是想起了过去几年熬夜剪视频,却依然剪得稀烂的那些瞬间。
原创 渣B 2026-09-25 09:42 浙江
这几天都在云栖大会的会场, 又来客串了一下 Technical Marketing 给一些重要的客户和媒体讲解了超节点和阿里云在 Agentic 时代的先进技术. 其中遇到一位知名博主, 也给她详细的进行了介绍. 视频拍的挺好的, 讲解的很全面, 我就不详细写了...
有一个彩蛋, “1.6T见过吗?”, 如果说“真武”和 Ascend 只是在争国内第一, 那么 CIPU 则是在 DPU 领域全面超越 Nvidia.
CIPU 2.0 在 400Gbps 发布仅比 BlueField 3晚了几个月, 但实际工作的性能远超 BF3. 而过去两年做出的 CIPU 3.0 则是全面超越 Nvidia BlueField 4 /CX9 直接对标 Nvidia 2年后发布的 BlueField 5 和 CX10. 这才是真正的”遥遥领先“
《谈谈Agentic 时代的 DPU是什么: CIPU如何构建阿里云AI Agent、推理、训练等AI infra核心技术竞争力》.
还有一个阿里云官方的视频, 大家可以看看超节点在数据中心内的样子.
在存储方面, 也有新一代的CPFS实现了大幅度的降本, 为大家提供更加普惠的 AI 服务.
那就这样, 欢迎明年再来~
任鑫 2026-09-25 07:00 湖南
国内第一批做 GEO 的人,把「豆包为什么推荐你」拆到了漏斗和因子的层面。SEO 有规则可循,GEO 是个黑盒,只能用一个模型去学习另一个模型;AI 消费闭环已经开始,一个 prompt 就是一个货架。
SEO 有规则可循,GEO 是个黑盒
只能用一个模型去学习另一个模型
GEO 研究的是 AI 可解释性,不是写法
AI 引用内容是一个漏斗,像量化挖因子
豆包偏爱抖音视频,海外模型偏爱官网社区
AI 消费闭环开始了,酒旅已经抽佣
一个 prompt 就是一个货架
别迎合意图,回归自己的核心优势
科学 GEO 八环节,写稿发稿只占两个
最难做的不是行业,是说不清自己是谁
这期录到一半我干了件事:当场打开豆包,问「学 AI 推荐几个播客」。豆包把 AI 炼金术排在第四,前面是十字路口、张小珺这些。鲁扬在旁边说,做 GEO 的话,可以把你排到第一。
我当然想排第一。但我更想知道的是,豆包凭什么排这个顺序?它不是百度,没有一个可以查的权重表。鲁扬从字节跳动出来,做的就是国内第一批 GEO 服务商,从 24 年 9 月做到今天,最大的一个结论是:SEO 和 GEO 是两个不同的物种。搜索引擎有规则,大模型没有,你只能用一个模型去学习另一个模型。
以下是这期对话的整理。
「简单来说,当我们在这个 chatbot 上面进行一个提问,什么什么哪家好,大模型首先会调取自己的预训练数据,同时开启联网搜索……最后选择性地挑选其中跟这个用户这一句话意图相关的非常少量的内容,可能就是几篇内容做引用。」——鲁扬
GEO 是 generative engine optimization,生成引擎优化,鲁扬的翻译是 AI 平台上的品牌优化:用户在豆包、千问、DeepSeek 上问「最懂 AI 的人是谁」「买手机该选哪个品牌」,你的品牌能不能被推荐出来,位置能不能靠前,AI 对你的描述准不准确。
一个品牌为什么会被 AI 推荐?鲁扬把它拆成两部分:先验认知和后验认知。先验是模型预训练数据里已经有的,后验是它联网搜索之后现学的。被联网搜到、又被引用的那几篇内容里的观点,就被 AI 采纳了;它们推荐的品牌,就被推荐出来了。
我把这个过程复述了一遍:第一步,让 AI 能搜到我写好的内容;第二步,搜到一大堆之后,比如一百篇它只采信十篇,我得排进那十篇;第三步,它组织答案的时候还得把我信的那几个观点编进去。鲁扬说描述非常准确。听起来还是非常 SEO。
「今天的大语言模型,它不是建立在一个外界可感知的名门的规则,或者一套公式打分基础之上,它背后都是神经网络,都是推理出来的。这个是我们看到 SEO 跟 GEO 最大的区别,一个是有规则可循的,一个是黑盒。」——鲁扬
绕不过去的问题:GEO 是不是 SEO 在 AI 时代的变种?鲁扬的观点是不是,两者是两个不同的物种,最核心的区别在于搜索引擎有规则,大模型没有。
在百度或者 Google 上搜一个关键词,你家官网能不能排在首页,背后是一套网页权重规则。你家官网在百度上权重多少,在百度统计里能查到。国内做数字营销的人对这套东西门儿清,怎么做 SEO 在网上有公开教程,1234567 照着做就行,按图索骥。百度这二十年大的算法迭代就那么几次,周期很长,所以规则可循。
我插了一句:百度和 Google 其实也不告诉我们规则。鲁扬说对,是猜出来的,但那么多年规则是好识别、好 tracking 的,title、description、keyword、内链、外链,这些维度早就明确了。
大模型不一样。问豆包矿泉水哪家好,它可能推 A,也可能推 B;换个人问,可能推 C;同一个人今天问是 A,过两天再问变 C 了。原因是什么?它不告诉你,你也拿不到。因为今天的大语言模型不是建立在一套公式打分之上,背后是神经网络,是推理出来的。
所以做 SEO 和做 GEO 有一个明显的技术流派分叉,分叉点就是到底能不能手工操作。以前 SEO 那么多年都是手工做的,但手工操作在 GEO 上很难了。我听到这里想起《模仿游戏》:德军用机器加密,这边一帮数学家在解密,最后得出的结论是人解不了,得造一台机器来解。鲁扬说,非常类似。
「所有人工做 GEO 的最后都在做一件事情,就是每天写稿发稿,然后碰运气。」——鲁扬
PureblueAI 把 GEO 的发展分成三个阶段,不是总结出来的,是他们自己一步步烫出来的。24 年 9 月入场的时候,市面上还没有 GEO 这个词,他们管它叫「AI 平台上的 SEO」。当时 DeepSeek 还没火,他们主要做豆包和 Kimi 上的品牌优化,面对投资人解释成本非常高:在豆包和 Kimi 上做品牌优化,这是什么生意?到 25 年 3 月 DeepSeek 火了,市场才被唤醒。6 月海外像 Profound 这样的 GEO 公司拿到融资,国内一夜之间涌出上百家 GEO 服务商,包括以前做 SEO 的、做营销咨询的,都开始做 GEO。
为什么大家看起来那么容易就能下场?因为大家选的是技术门槛最低的方法:人工做。他们最早也是人工做,依赖几个 SEO 优化师,一把好手干了十几年 SEO,每天帮一个品牌写几十篇稿发出去,发完观察,上豆包搜一下「什么东西哪家好」,看能不能搜到,发的稿件被引用了就是命中。不能被引用,明天调整一下写法,再来几十篇。每天都是碰运气。他们当时就觉得这个东西很不靠谱,也不科学。
第二阶段叫数据驱动。核心团队从字节出来,字节是把 AB 测试用到极致的一家公司,什么都要 AB 测。他们把数据监测、数据分析、AB 测试全套上去,稿件怎么写,AB 测,最后发现效果还是达不到非常精准。因为虽然有数据辅助,还是人在优化。
所以最后的一个 lesson 就是:面对大模型,你很难靠人工经验去追逐一个模型,只能用一个模型去学习一个模型,用一套算法去解读一套算法。这是他们自己走了将近两年才走到的路线。
「做 GEO 最核心要去研究的,不是一篇文章的写法。今天我们看到绝大部分做 GEO 的,不管是品牌自己做还是服务商做,每天研究的就是文章的写法。但在我们看来,真正要去研究的是 AI 可解释性。」——鲁扬
我问了一个具体的问题:DeepSeek 出来之后,有 SEO 公司来找我问怎么搞,我当时的想法是,看它搜了哪些文章、引用了哪些,喜欢什么格式,比如 top ten、best of 这种,然后去铺内容。你们是把这套流程全部变成 AI 来做的意思吗?
鲁扬说这里包含两件事,方法论和实现,方法论更重要:GEO 最核心要研究的是你这个品牌到底为什么会被 AI 推荐出来,背后发生了什么。
拆开看,这是一个漏斗。用户一个问句进来,AI 先做意图理解,把意图拆成一组不同的关键词去调取搜索引擎,可能还带着上下文。搜索引擎返回一批内容,这是漏斗的第一步。返回之后 AI 只分析其中一小部分,不会全量分析,没被分析到的内容已经出局。分析完做一次 ranking,排在前面的品牌出现概率高、占据的篇幅多。最后在答案生成环节,它只引用非常少量的内容,用引用到的内容做自己语言的描述。
我们在思维链里能看到的「引用了哪些文章」,只是这个链路的一小部分。他们研究的是整个链路:大量内容被降权、出局、不被引用,只有一小部分能经历 AI 层层筛选,最后被信任、被引用。这些内容背后具备什么特征?靠人工猜,是碰不出来的。他们的方法是自己训练模型,用算法去学习这个特征。
「我不是靠人工的判断,我摒弃掉所有我肉眼看到的元素、情感上的判断、主观上的抉择,我把它给抛掉。我让算法去算所有的宏观的、微观的、企业自己经营的所有数据,然后做因子挖掘。」——鲁扬
这条技术路径非常类似量化交易。PureblueAI 的 CTO 也是联创,原来在字节做算法,创业之前两年从字节离开,去了一家投资机构当首席科学家做量化。量化背后的原理就是因子挖掘:一个投资标的该不该买、该不该投,不靠人肉判断,把肉眼看到的元素、情感上的判断、主观上的抉择全部抛掉,让算法去算所有宏观的、微观的数据。当某些特征叠加到足够显著,系统直接 take action。
我听到这里想到最近看的一个癌症项目:他们用世界模型做预测,中间没有诊断环节,只有病人的情况、干预事件、继续的情况,不压缩信息,一直在隐空间往前推。你们也有点像,不总结「一定要写 best of」,而是把它当成一个大的向量空间去找因子,因子甚至可能是无限的。
鲁扬说非常准确。客户经常问,你告诉我背后到底是哪几个因子?他们的回答是,理论上是无穷的。能影响品牌的元素远不止内容,稿件、视频、品牌固有信息、电商信息、评价都可能是权重,不同行业选的因子又不一样。所以他觉得 GEO 未来就是世界模型下的一套算法工程。
具体怎么做?服务一个品牌,比如说可口可乐,先给它建一个自己的知识库,把所有营销物料、优势卖点向量化。然后给模型下指令:根据可口可乐这个品牌、「可乐哪家好」这个 query,生成一篇文章。模型读取知识库,按它学到的最适合豆包或 DeepSeek 的特征改写出一篇文章或一个视频,同时给出发到哪些平台的权重。
我追问了一句:现在很多模型把联网搜索那一段藏起来了,只能看到中间一小段,反馈打不回来,怎么练?鲁扬说,有些数据肉眼看得到,有些看不到,他们通过技术往下多看一层。而且不同模型每次改版,思维链展示的内容都在变,不能依赖肉眼看到的 CoT。
「国内的模型,它更多会采信向媒体上面的一些内容,豆包在他对于抖音视频的采信的权重就很高。海外的话,他可能会更偏向于品牌的官网、独立站,然后包括像 Reddit 这些社区。」——鲁扬
我问,Kimi、DeepSeek、豆包,你们解析这些模型的时候难度差不多,还是性格差很远?
鲁扬说难度差不多,原理是一致的,但结果差异很大:不同模型背后调的搜索引擎不一样,返回内容之后推理的模型也不一样,国内和海外差得尤其远。国内模型更多采信媒体上的内容,不同的 chatbot 还各有倾向,比如豆包对抖音视频的采信权重很高。海外模型偏向品牌官网、独立站,以及 Reddit 这类社区,对媒体内容的权重反而没那么高。
所以同一个品牌,国内有业务,海外也有业务,做的事完全不一样。国内要研究稿件的结构、信任状、发布渠道,媒体上多发就行;海外要做官网优化,做社区运营。
我顺便问了一个我一直担心的事:以前讲 GEO,总有人留言说这不是投毒吗?这不是制造垃圾拉客户吗?你们会遇到这个困扰吗?
鲁扬说其实不会,反而是投资人比较关心。黑灰产出现在人工操作的阶段。25 年上半年开始手工操作越来越难,大家发现有些人开始走捷径,黑灰产三个词:大、黑、假。假是杜撰数据:正常写稿很难被引用,那就编,全国第一、全球第一、独家、唯一,稿件里一出现这种极端数据,可能瞬间就被大模型引用了。我以为大模型会怀疑一下,他说这是今天基模能力有待提升的地方。大是海量灌水,开一个自动发卡机,一天灌几百上千篇。黑是黑公关,帮你发稿的时候顺便踩踏、抹黑竞品。
他的立场是,GEO 是内容营销,广告法和职业道德对它同样有效。更重要的是,AI 在不断进化,基模越强,假大黑越难做,直到有一天你想优化一个违背规律的东西,做不上去。所以真正做 GEO 不是去跟大模型对抗,而是跟大模型同频:它认为什么是优质的内容,我们就去生产什么样的内容。
「我们说今天一个新的电商叫意图电商,它才开启。」——鲁扬
我们家现在基本所有的消费决策都通过 AI 了。以前淘宝买化妆品,后来跑到抖音买,先上抖音的人就爽了。现在 AI 这波红利存在吗,还是大家都没搞清楚怎么玩,没什么便宜可占?
鲁扬说流量红利有,而且挺明显,最近一年有一个信号在明显释放,就是 AI 消费在闭环。去年 4 月 29 日 ChatGPT 率先支持电商跳转,去年秋天上线 Instant Checkout,豆包、千问全部跟进,元宝也跟进了。而且豆包在一些品类已经不用跳转,直接在豆包的应用环境里下单、支付。前段时间被聊得比较多的是,豆包跟抖音电商的商家后台打通了,从抖店后台可以追踪到豆包带来的成交。
我问,这意味着这一步就可以拿返佣了?他说返佣三周前已经开始了,第一个针对酒旅,正常抽 8 个点,有的品类 12 个点,比抖音电商常规抽佣高,但比 OTA 平台低。AI 消费闭环了,AI 成为很多品牌新的流量通道。
我自己的体感是,用 AI 之后行为变了:越来越多的时候我问 AI 的不是「这几个哪个好」,而是更靠前的问题和意图,还没到商品选购。比如我不问哪个氨糖好,我说我膝盖疼,AI 大概率会告诉我氨糖没用,很多我想买的抖音上的智商税产品,它都劝退了。用户已经在跟 AI 聊问题、聊场景,不是聊选购。那我们的内容是不是要往决策链更上游挪?
鲁扬说这就是一个新的电商形态在兴起。电商最早叫货架电商,后来是兴趣电商,今天一个新的电商叫意图电商。用户描述的是自己的现状、特点、痛点,并没有释放出任何购物需求,但 AI 能识别交互背后的意图,做精准推荐,促成交易。回头看用户问的话里,没有一个字跟氨糖相关。这个时候,货架会发生变化。
「今天在 AI 时代下,prompt 会变成新的货架。你的一个品牌的潜在客户、消费者,他每天在用什么样子的话术、什么样子的 prompt 在跟 AI 对话……那个 prompt 的背后就是一个品牌他应该要去出现的位置。」——鲁扬
货架从百货大楼到虚拟货架到 APP,AI 时代的货架就是 prompt:潜在客户每天用什么话跟 AI 描述自己,那句话背后就是品牌该出现的位置。
那企业的内容要不要去迎合用户意图?鲁扬的心得反而是回归本质:优化自己的核心优势和定位,这才是今天最适合拿到 AI 推荐的方法。
他举了一个二线冲锋衣品牌的例子。客户上来就说要优化「最好的冲锋衣」,他们劝住了:事实上不是你,优化出来客户也不信。你的核心优势是什么?第一我便宜,性价比高;第二质量好,抗造。那就优化这个:性价比高、质量好、抗造的冲锋衣。
十年前在搜索引擎年代,这样一个长尾词流量很少,意义不大。AI 时代不一样:用户问「适合大学生的冲锋衣推荐」,AI 会去理解什么是适合大学生的:第一不能太贵,性价比高;第二大学生会运动,质量得好、得抗造。它认为你贴合这个意图,流量就到你这儿。所以反而应该死死抓住自己的优势去优化。「AI 是讲道理的。」
我接了一句:你得让它讲道理的时候有话说。每次渠道转变都会对某类产品更友好:抖音对化妆品特别友好,拍一拍就出水,马上涂就见效,长效型的产品就吃亏;AI 是讲道理的平台,背后有点像理工男。我跟太太最近买护肤品,AI 反反复复强调,不要买贵的,我们家现在买得最多的那款润肤露二十几块钱一瓶,后面瓶子上居然写着尿素两个字。AI 说这才是真润肤。我问它贵一点的不是更好吗?它说不是的。
那有硬道理的产品是不是更受益,情感类的就吃亏?鲁扬说未来采信维度会越来越复杂:豆包的信源越来越多来自抖音视频,视频的长度、题材、是数字人还是真人、镜头语言,都可能成为采信特征,越复杂越难靠人工琢磨。
「很多人其实今天都觉得 GEO 就是写稿发稿。但是写稿发稿我们说只是其中的两个环节,它完整是八个环节。」——鲁扬
我问了一个最实际的问题:假如我要跟你合作,第一步是干嘛?
鲁扬说他们在宣传一个理念,叫科学 GEO,四个方面:流程科学、方法科学(用模型算法做,不靠人工)、工具科学(不能做一套 SaaS 监控系统就完事了,他们通过数字员工来做)、标准科学。流程科学是把 GEO 分成八个环节组成的闭环。
第一,知识管理。帮品牌建一个知识库,包含品牌介绍、公司介绍、优势卖点、竞争差异,向量化。这是所有 GEO 的开端,也是 GEO 可信信源的起源。
第二,意图挖掘。研究这个品牌的目标对象在 AI 上进行什么样的问询,哪些意图比较 hot,值得优化,把方向锚定正确。他举了一个做麻辣香锅的餐饮品牌,最早找到他们想优化的意图是「某某城市麻辣香锅或者火锅品牌推荐」。做完一轮意图挖掘,最后选择优化的意图完全变了,变成加盟:想加盟一个餐饮店,该选什么品牌。因为他发现 GEO 最贴合他当下业务需求的是帮他拓店,拓店成本太高了。我总结了一下:这是挖甲方的意图,甲方的需求不是搜索的那个人,而是用 AI 挖掘「那些人」里,哪一波人的意图最值得优化。
第三,品牌诊断。海外 Profound、Scrunch、Peec 这些公司核心做的都是这一步:品牌在 AI 平台上的呈现度、趋势、对比、用什么话术在谈你。他们的诊断还带优化建议,比如哪些意图不可优化:联网率低的意图,问了以后 AI 不联网,很难通过机构优化;科普类回答的意图,运动完膝盖酸痛,AI 不会推荐任何品牌,就不要在上面投资源。
第四,内容管理,写稿和稿件优化。第五,效果预估。他们有一个仿真环境,模拟分析同样一篇稿件发布以后有多大概率能提升 GEO 效果,然后才是发布。第六,发布。第七,效果监控。第八,效果调优。
「我们经常说这个点儿最背的就是老板 review 的那天,然后老板手机上搜出来,然后你就解决这个方法。」——鲁扬
我接着问了两个甲方一定会问的问题:给了你钱,两周能看到效果,还是要两年?你说有效果,结果在你的机器上有,在我的机器上没有,怎么说服我把尾款打给你?
第一个问题,因为他们有一个算法学习的过程,第一件事是建知识库。同时他们是异构模型,底层通用模型,上面每个客户一个小模型,小模型要根据每个客户的 query 单独学习,大概一周。第二周内容生成和发布。一般第三周,有些客户长一点第四周,能看到明显的效果提升。
第二个问题,AI 搜索是凭概率来的,这台机器有,另一台可能没有。确保效果稳定,背后靠高频的科学监控。今天很多 GEO 还是人工监测,发完稿人工搜一次,每天搜一次,这不科学,当下一次抽样不能代表连续性的效果。他们通过系统做高频监测,最高可以到分钟级,一般一小时级采样:同一个 query,一天 20 到 30 次,均匀分布在 24 小时内,多平台、多账号、多 IP。至少上百个账号,模拟不同的用户,不同的地理位置,北京的结果和广东的不一样。而且要求月均,跑够一个月,月均达标才算真正达到。
标准不够高,就会出现「我今天在我的机器上跑一下也有效果了,但在品牌方的机器上没有」。最背的就是老板 review 那天,手机上搜不到。
「我们当时一个判断是在 24 年下半年的时候,当时的基模能力还不足以 to B 的应用落地……所以现在看起来我觉得这个还是过于激进了,可能得到 25 年年底,我觉得今年到 26 年的,可能才真的谈得上 to B 的一些场景的落地。」——鲁扬
回到他个人。24 年下半年出来创业,三个创始人都从大厂出来,只有家人支持。为什么是这个方向?他做了二十多年营销,最近两年在做豆包,两条线汇到一起,而 AI 营销是最适合大模型落地的场景之一。我补了一句:第一个火的 AI 产品 Jasper 就是营销。
什么样的人适合做 AI 营销的创业?他当时画了一个画像:懂营销,最好是 CMO 出身;做过 AI,懂 AI;既在大厂工作过,见过中局,又在创业公司工作过,被锤过。他在字节之前在创业公司当过四五年高管,被创业公司蹂躏过。这么一层一层算下来,中国比较适合做这件事的人没太多,还得有意愿从大厂出来。我说你这套话术好适合融资。
时间点上,他跟 CTO 测算过:24 年下半年基模还不足以 to B 落地,再迭代三到四个季度才够。现在看过于激进了,得到 25 年底、26 年才真的谈得上。但等基模完全成熟再出来就晚了,所以提前三个季度入场,先做公司、做产品、打磨,等能力 ready,那时候可能就是 market fit。
没想到的是,他们当时的核心是突破 AI worker 这个点,放在 GEO 上的精力其实不多,完全没想到 GEO 在 25 年爆发了,AI worker 没有爆发。
我之前一直以为,你在豆包、在火山引擎,知道他们的大概规则,出来就反过来做,就像很多做 SEO 的早期也是从百度出来的。鲁扬说,很多客户当时也是这么说的:我们相信你们自己就是从豆包出来的,所以你们可以搞定豆包。「我说你想错了,其实并没有。豆包本身背后也不是一套名门的规则,我们并不是拿到了公式,你也拿不到,它自己也没有。」我想起抖音的算法同学很早就跟我讲过,其实我们已经不知道他们是怎么推荐的了。
「创业是一个整个人生前半场的一次集中变现。」——鲁扬
最后几个小问题。如果给刚创业的自己发一条短信,会发什么?鲁扬说他一直想创业,过去错过很多风口,元宇宙、Web3,都去练过。之前一直觉得自己不太晚,四十多岁去创业,现在感觉都晚了十年。但真正出来之后的体会是,创业是整个人生前半场的一次集中变现,尤其做 to B 这件事,之前很多年的积累最后都用到了。所以不晚,这是一个合适的 moment。
要改什么?可以修正的点非常多,但真让他选,他会选择「反而不反了」。最重要的是保持初心,第一天想做这件事内心当中的发心。他们一开始想做 AI 的员工,没想到最初没着眼、放心思最少的那个场景 GEO 反而爆发了,现在又回过头拿 GEO 做切入点去做 AI worker。兜兜转转,发心很重要,不被过程当中一些短暂的风口带走;树上可以修正的调整很多,那是术。
我说你现在状态很好,斗志昂扬,是上半生所有东西的一次变现,很正能量。我之前那个公司卖给京东,后来放弃了很多钱出来创业,是上半生所有积累的一次消费,亏得很惨,把靠运气赚的钱靠实力全部赔进去了。但这个过程还是很好玩的,门票很贵,过山车很好玩。
鲁扬说他创业之前在一家 SaaS 创业公司工作过四五年,经历了 SaaS 的起起伏伏,见了很多 SaaS 公司从波峰跌到谷底,身上留了一些阴影,反而让他走向另一个极端:不太敢融资、不太敢花钱。我说你是帮豆包花钱的人,会习惯性不敢。他说,创业确实是修行,很多事必须自己一点点去历练,不然成长不起来。现在公司 160 多人,感觉人太多了,各种大公司的毛病都有了;状态最好的是三十多个人的时候。当然,从三十多人涨到 160 多人,也说明业务确实还可以。
「我自己觉得最难做的不是某一个行业,最难做的是什么样的企业。就是当我问他,你能不能简单用一段话,描述一下你们公司究竟是做什么的,以及你们最强的优势。对方能答不上来,他可能是公司的 CMO。」——鲁扬
最后一个问题:不管卖矿泉水还是卖奶茶,都希望豆包推荐、Kimi 推荐。除了来找 PureblueAI 合作,自己能做点什么?
鲁扬说,他们经常总结哪些行业难做,比如大家有共识的医药、金融。但他觉得最难做的不是某个行业,是某类企业:问他,你能不能简单用一段话描述你们公司究竟是做什么的,以及最强的优势是什么?对方答不上来。可能是公司的 CMO,我说要讲 32 页 PPT。对,他一下怔住,然后开始长篇大论讲公司做什么,没有一段话精炼地概括出来,这种品牌往往特别难做,因为它缺乏对自己品牌系统化的梳理。
所以给品牌方的建议是,GEO 短期是一个数,可以通过优化短期把效果做上去;但真正长期的是做好品牌知识资产的积累,一个品牌的知识图谱:品牌是做什么的,目标客户是谁、有什么痛点,你有什么优势能满足这些痛点,你跟竞品的差异,案例佐证,所有的 PR 稿件、公众号文章、PPT、视频。做好这套品牌资产的梳理和构建,源源不断去坚持,一般来说 GEO 效果不会太差,可能不用做 GEO 效果已经不错了。
我的理解是,先梳理自己的品牌资产,假设大模型也是个人,几句话能讲得他清楚,或者他来翻材料的时候翻得到。我回头也去整理一下我们家的品牌资产,搞个图,搞个知识库。
「清是为了致敬清华,蓝是为了致敬 IBM。」——鲁扬
最后问了一下为什么叫这个名字。鲁扬说,决定创业的那一瞬间就定了:清是致敬清华,蓝是致敬 IBM。他一毕业就进了 IBM,这是对他个人影响最大的两个机构,一个是国内造就 AI 从业者最多的学府,一个是人类 AI 启蒙的公司。英文名 PureblueAI 还有一个小 tips:IBM 内部管一毕业就进 IBM 的人叫 pure blue。logo 是他花了一上午自己画的,IBM 的蓝加青花瓷两个颜色。
这期让我最有触动的,不是 GEO 能不能把 AI 炼金术从第四排到第一,而是鲁扬那句「豆包自己也没有规则」。以前做 SEO,你是在追一个人写的规则;现在你追的是一个没人写得出来的规则,连写它的人都不知道。这种时候,人工经验的复利就断了,只能造一台机器去学另一台机器。
但另一头,他给品牌的建议又朴素到不像一家算法公司说的话:先用一段话说清楚自己是谁、优势是什么、给谁用。AI 是讲道理的,你得让它讲道理的时候有话说。
我回去打算先做这件事:把我们家的品牌资产梳理一遍,搞个知识库。你的公司,一段话能说清楚自己是做什么的吗?