铃阅时讯
❌

阅读视图

Instinct创始人:百亿美金估值后,让用户少逛App,50%交易是旅游!

随机小助手 2026-09-29 19:59 美国

首次揭秘:23岁,第一次创业,跟所有大厂争入口!

Linkloud 引言

硅谷最火的 AI 助理初创公司 Instinct 创始人 Noah Shinn 今年只有 23 岁,2023 年从 Northeastern University 退学;此前,他是 AI Agent 经典论文《Reflexion》的第一作者,也是 Bret Taylor 创办的 AI 客服公司 Sierra 的早期研究员。

本期播客是 Noah 第一次在长篇访谈里公开谈自己的公司。就在节目录制前一天,Instinct 刚完成 10 亿美元 C 轮融资,由 Sequoia Capital、Benchmark 和 Coatue 联合出资,估值也从一个月前的 25 亿美元,直接跳到 100 亿美元,不可思议!

这场对话从 Instinct 如何在零营销的情况下,把交易额做到接近 10 亿美元讲起,还有聊了几个关键问题:为什么它选择短信、语音等熟悉的入口,放弃另做一个新 App?为什么信任会成为个人 AI 真正的护城河?当做任何事的摩擦趋近于 0,旅行、餐饮和出行行业的生意入口又会怎么变?Enjoy!

01. 邀请码卖到 300 美元,Instinct 凭什么日增 10%?

Instinct 的增长故事很适合用“病毒式传播”概括,却不能只停留在这个词上。

它从 200 名亲友用户开始,每个人只有 5 个邀请码。最初每天只增加约 5 人,增长率一路升到接近每天 10%。产品至今没有花钱做营销,用户却会主动在社交平台分享用例,向创始人索要邀请码,或者炫耀自己还剩几个名额。

甚至有人把邀请码放到 eBay 上出售,价格一度达到 300 美元。

“每天,大约有 10% 的用户会决定把自己 5 个珍贵邀请码中的一个交给别人。”

邀请制制造了稀缺性,但解释不了用户为什么愿意消耗名额。真正的推动力来自产品体验本身:用户第一次感受到,AI 可以接手一件事情,替自己跨过多个网站、多个步骤,最后把结果交回来。

这也是 Instinct 和普通 AI ChatBot 的区别。用户来找它,是要把一个现实目标交出去,得到真实结果。目标完成得越可靠,下一次交代的事情就会越复杂。

按 Noah 在播客中的披露,Instinct 仍然是邀请制产品,但平台年化交易额已接近 10 亿美元,其中约一半来自旅行。虽说 10% 的日增长和交易额并非严格统计的结果,但它们足以说明:个人 AI 助理正在从概念竞争进入真实使用竞争。

02. 没有 App,复杂任务怎么交给 Instinct?

Instinct 的产品逻辑很简单:用户不需要学习一套新的软件操作方式。

它有手机、电脑和自己的邮箱,你可以给它发短信、打电话,也可以让它主动来电。Noah 举过一个例子:如果你下午 3 点前必须签一份文件,而现在已经是 2 点 55 分,Instinct 会打电话提醒你,告诉你文件在收件箱里,甚至可以再发一封邮件把它推到最上面。

复杂的工作发生在后台,用户只看到一个熟悉的入口。

“我们不应该把注意力放在能力上,只应该关注可理解性。”

这句话解释了 Instinct 为什么把“产品感觉”放在功能清单之前。团队会观察用户如何阅读消息,重要信息是否出现在前 30% 的位置,文字是不是让人需要滚动很久,任务结果是不是足够容易预测。

模型能力决定产品上限,用户能否理解它正在做什么,决定了用户是否愿意继续使用。

Instinct 的用例跨度很大。有人扫描自己的衣柜和身体比例,让它规划一周穿搭,再从网上找出对应的衣服并直接下单。有人连接银行账户,让它识别长期不用的订阅,进入网站、完成登录和确认流程,最后回报本月省下了多少钱。还有人让它找回美国网球公开赛现场大屏幕上的视频。

这些案例的共同点,在于用户只需要表达想要的结果,Agent 负责把中间步骤补齐,AI 的多任务能力由此变成了可感知的行动。

(用户通过 WhatsApp 让 Instinct 制定旅行预算和行程,并在发现航班组合问题后要求它重新规划。)

03. 三周交出信用卡,个人 AI 助理如何留住用户?

个人 AI 助理最关键的数据,体现在用户愿意交出多少真实生活的控制权。

Instinct 观察到,用户通常需要几周时间才会逐步建立信任。使用约三周后,约 40% 的用户已经愿意绑定信用卡;在至少向 Instinct 连接一项敏感信息、并真正建立信任的用户中,留存率甚至能达到 80%。这种信任一旦建立,就会自我强化,滚成一套产品飞轮。

(Instinct 使用用户授权的信用卡完成酒店预订,并同步创建日历事项。)

用户提供的数据越多,AI 助理越能理解他的偏好,主动完成的事情也越多;而 AI 助理越可靠,用户也越愿意继续授权。信任因此同时决定功能上限和留存质量。

“用户应该始终掌控自己的数据。”

Instinct 设计了一个“可信任的人网络(Trusted network)”。配偶可以分享更多信息,同事只获得工作日历和特定收件箱内容。每段关系都有不同的访问范围,连接本身不等于获得全部权限。

这套设计把现实社会里的信任规则搬进了软件。AI 助理需要理解的,除了“允许”或“拒绝”,还有谁可以在什么时间、以什么理由访问哪一部分信息。

安全架构也必须跟上。Instinct 会用防火墙拦截可能诱导 AI 助理执行恶意操作的文本和媒体,并用与 AI 助理分离的监控系统,在工具调用前暂停、审核和拒绝。早期版本也出现过防护不足的问题,于是团队后来重做了系统。

信任还决定了商业模式。

如果一个免费 Agent 主要靠广告赚钱,很可能会为了广告主,主动向用户推荐并不真正需要的东西。Noah 更希望 Instinct 采用类似 Apple Pay 或支付网络的模式:用户免费使用,商家在交易完成后向 Instinct 支付服务费。这样,Instinct 的收入来自促成真实交易,而不是占用用户注意力或诱导消费。

这条路线的前提,是 AI 助理的利益和用户目标保持一致。AI 助理越聪明,越不能轻易被一套激励牵着走。

(用户分享测试 Instinct 的过程:当 AI agent 开始调用支付卡处理真实购买时,他直言自己“紧张得冒汗”。)

04. 当下单不必打开 App,谁还拥有入口?

旅行是最能体现 个人 AI 助理价值的场景。

用户只需要说:“我今晚要到纽约。”Instinct 可以结合当前位置、常用航司、座位偏好、餐食、支付方式和过去住过的酒店,完成航班、酒店、机场接送和日程安排。用户不需要打开旅行网站逐项填写,也不用记住每次预订时的偏好。

餐厅预订也会发生变化。生日、纪念日或朋友远道而来,Agent 可以把这些背景传递给餐厅,让稀缺座位匹配到更重要的场景。

“我们正在把做任何事情的摩擦降到接近 0。”

这样很可能会改变互联网的分发逻辑。平台过去依赖停留时长、点击和广告,AI 助理却能把用户注意力从交易过程中抽离出来,App 内停留减少,真实交易反而可能增加。

Noah 认为,数字业务大致有两种价值来源:一种赚用户注意力,靠停留时长、点击和广告变现;另一种赚真实交易,靠完成更多订单获得收入。

AI 个人助理让用户少逛 App,前一种平台可能因此承压;旅行、餐饮、出行和外卖等交易型服务,则可能因为下单更省事,获得更多订单。

这也是传统公司需要提前准备的变化。未来,用户可能不再打开 App,而是让个人 AI 助理替自己完成搜索、比较和下单。公司首先要判断,自己的收入究竟来自用户停留,还是来自真实交易:前者需要重新思考用户关系和商业模式,后者则可以把 Agent 当作新的分发入口,先在少量用户和具体场景中测试合作,再根据交易量、用户满意度和商品匹配效率决定是否扩大。

个人 AI 助理带来的变化,未必意味着平台会消失。更可能的情况是,平台从用户每天花时间浏览的目的地,变成 Agent 调用的底层服务。

05. 10% 日增长的另一面:算力需求可能每周翻倍

Instinct 面对的最大约束,可能来自增长本身。

传统消费产品的扩张,主要意味着更多请求、更多数据库和更多带宽。个人 AI 助理还要承担持续发生的后台工作。它需要在用户起床前扫描信息,在用户即将迟到时安排车辆,在用户还没有提出问题时判断是否值得提醒。

用户增长和后台任务一起复合,算力需求可能每周翻倍。Noah 说,自己大约 40% 的时间都在思考算力采购,困扰的地方在于,算力资源的交付周期可能长达数月。买少了,服务会因为增长过快而失速;买多了,几个月后又可能承担数倍的闲置成本。

即使日增长从 10% 放缓到 5% 至 8%,连续复合三四个月也会带来巨大规模算力消耗。主动式 Agent 消耗的 Token 远多于一次问答产品。

Instinct 的做法,是按任务的紧急程度分配算力:用户正在对话的请求优先快速响应,日历、邮件等后台扫描则可以延后几分钟甚至几小时处理。这样,团队就能对不同任务采用不同的模型和部署方式,再配合批处理,减少不必要的高性能计算,在保持接近前沿模型效果的同时压低服务成本。

这件事的难度在于,Agent 越主动,越需要更多计算;用户越信任它,交给它的目标越复杂。产品体验和基础设施不会沿着两条平行线发展,它们会彼此推高。

06. 如果软件只剩一个入口,App 还需要存在吗?

Instinct 的终局想象,远不止“帮我订一张机票”。

短期内,交互会从短信走向语音按钮、耳机和实时语音。用户走路时可以让它整理新闻、清理日历、回复邮件。部分用户有超过 90% 的交互通过语音完成,这说明自然语言正在成为更顺手的操作入口。

中期,Agent 会即时生成旅行行程、婚礼计划或完整网页。过去,新界面需要团队开发、发布,再等待反馈。未来,Agent 可以按目标即时生成界面,用完即走。

长期,用户交代的事情会从一连串单独任务升级为持续数月的目标。比如减重、提升跑步成绩、存下一笔钱,或者让小企业库存始终维持在某个范围。用户只需要给出约束和结果,Agent 自己选择工具与步骤。

“我认为,所有软件最终都会坍缩成一个非常容易使用的界面。”

能力会随着界面简化继续扩大。界面越简单,后台承担的工作越多。软件从固定应用变成按目标生成的服务层,用户面对的是一个入口,背后连接的是越来越多的工具、数据和商业服务。

真正决定这条路能否成立的,仍然是信任。Agent 需要知道什么时候该行动,什么时候该等待,什么时候必须请求确认。它还需要把错误挡在用户受到影响之前。

Instinct 这个名字,指向一种可靠的协作关系。它懂场合、记得偏好,也愿意站在用户一边。

个人 AI 助理的下一场竞争,可能不会先发生在模型排行榜上。它会发生在一个更难测量的地方:用户什么时候愿意把下一件重要的事情交出去。

如果你想继续了解这波个人 AI 助理浪潮,可以延伸阅读我们写过的 Town 如何用 15% 付费率证明需求、Poke 如何靠打造千万播放的营销视频,以及 Cola、Photon 创始人参与的 AI 个人助理专题对谈。

更多完整内容,请点击阅读原文。


往期回顾

阅读原文

跳转微信打开

  •  

Linkloud协办:全球最硬核的AI Engineer大会,来上海了!

精选小助手 2026-09-29 19:59 美国

以下文章来源于:Linkloud精选

Linkloud精选

欢迎来到Linkloud社区,所有活动实录和精彩内容都在这里!

图片

2023 年 6 月,Shawn "swyx" Wang 在他的播客 Latent Space 上发表了一篇文章,标题叫《The Rise of the AI Engineer》。核心论断只有一句话:

LLM 的出现,催生了一种全新的 AI 工程师角色——不需要从零训练模型,但能用 API 等工具把 AI 能力真正落地成产品。

文章发布后 24 小时内,第一届 AI Engineer Summit 收到超过 1,000 份预报名,最终以 10:1 的申请比例售罄。连 Andrej Karpathy 都公开表示认同。

这就是 AI Engineer 的起点。

在这篇文章之前,swyx 已经用播客 Latent Space 在 AI 工程师社区建立了无可替代的话语权。Greg Brockman、Andrej Karpathy、George Hotz、PyTorch 作者 Soumith Chintala 等等这些定义了整个 AI 时代的人,都曾坐在 Latent Space 的麦克风前。

2025 年,Latent Space 全年读者与听众超过 1,000 万,是全球 AI 工程师社区公认的最高信噪比内容来源之一。

此后三年,AI Engineer 以惊人的速度成长。2024 年,旗舰活动 World's Fair 首届在旧金山举办,吸引超过 3,000 名参会者。2026 年 6 月,29 条并行议题轨道、300 位演讲者、100 家展商,最终到场超过 6,000 人。

核心规则只有一条:只讲真正在生产环境里跑的东西,不讲概念。历届演讲者几乎是 AI 工程领域的权力榜单——Greg Brockman、Andrej Karpathy、LangChain CEO Harrison Chase、Docker 创始人 Solomon Hykes、Conviction 创始人 Sarah Guo……

所有顶级演讲视频全部免费公开,目前已覆盖超过100 万名 AI 工程师、创业者和技术负责人。

三年,从一篇文章到四大洲的旗舰大会,从 500 人到 6,000 人,从旧金山到纽约、伦敦、新加坡、墨尔本。AI Engineer 已经成为全球 AI 工程师社区最核心的年度坐标。

而这一次,Swyx 和他们即将来到上海!

2026 年 11 月 5-6 日,AI Engineer 首次踏上中国。Linkloud 作为联合主办方深度参与其中,与全球团队共同将这场盛会带到中国 AI 创新最活跃的城市之一。

图片

首批确认嘉宾

图片

  • Shawn (Swyx) Wang — AIE 创始人 / Latent Space 创始人

  • Christoph Lassner — World Labs 联合创始人

  • Yibo Zhu — StepFun 首席技术官

  • Vincent Koc — OpenClaw 基金会首席架构师

  • Faye Zhang — Google Gemini 资深工程师

  • Ryo Lu — Cursor 首位设计师

  • Bin Liu — HeyGen 工程副总裁

  • Andrew Qu — Vercel CTO

  • Nancy Wang — 1Password CTO

  • Chen Peng — Arena 数据负责人

  • Gavin Luo — VAST 战略负责人

  • Ivan Burazin — Daytona 创始人兼 CEO

名单持续更新中🔥!

全球最高信噪比的 AI 工程师社区,与中国本土最活跃的创新力量,在这里第一次真正相遇!

图片

报名方式

图片

📅 时间:2026 年 11 月 5 日 – 6 日

📍 地点:上海虹桥祥源希尔顿酒店

🔗 详情介绍:https://ai.engineer/shanghai/2026

🎫 购票:扫描下方海报二维码或点击阅读全文报名!

11 月,我们与他们,上海见 🌊!

图片

THE END

图片

阅读原文

跳转微信打开

  •  

用了一个月,这个 AI 把我说哭了:它比我更清楚我的短板

原创 AI产品黄叔 2026-09-29 18:00 北京

AI这么几年下来,我一直寻求一个很懂我的小助理,这件事情一直到今年才成为可能,龙虾爆火之后,我也一直在观察大家的Agent使用。。。

AI这么几年下来,我一直寻求一个很懂我的小助理,这件事情一直到今年才成为可能,龙虾爆火之后,我也一直在观察大家的使用,发现从排队安装到闲鱼卸载,大家还是没有养成使用的习惯。

 ㅤ

包括今天,即使我仍然安装着Hermes Agent并接入微信,还是被它缓慢的响应所头疼。你想,谁家的小助理给你干活的时候慢慢悠悠的回你一句?

 ㅤ

我理解中的Personal AI,在我选择的授权范围里,能够充分的理解我的上下文,能帮我管理日程/精力,知道我关心什么,最终能帮我推进生活和工作!

 ㅤ

它的定位不是酷炫吊炸天,那不是真实的,只是炫技,也有Astra/Opus 5.5这些模型去接管,但成本也巨高,普通人用不起,Personal AI必须是和大家非常近,成本不高,能懂事会来事的那种,让我很放心的把记忆交给它。

 ㅤ

我觉得国内出现第一个这样的Personal AI产品,是Today。

 ㅤ

作为一个重度需求者,黄叔使用了接近一个月后,从三个角度来给大家分享下体验和思考:

 ㅤ

01 它记住了我是谁

 ㅤ

聊了非常多,我直接让它输出一下,到底记住了什么。

 ㅤ

问题:仔细说说,你眼中的我,好的可以夸夸,坏的一定要指出!

Image

Image

可以看到非常详细的对黄叔做了总结,

比如前几天去苏州Inter做评委,也深度的学习了一下目前的端侧算力/模型进展的趋势,和Today也交流了一下,所以它说:

“在苏州评委现场,你观察到"小模型智力在涨、高价值Token开始有专门模型"”

 ㅤ

我也很开心的是,它能从多次交流里提取一些重要信息,比如

“从好几次对话里慢慢浮出来的。这种东西是真的。”

 ㅤ

当然,问题更有价值,我很需要这种洞察来帮助自己提高:

“精力管理是真实的短板。”

这个确实是,OPC最怕这个,我的“深度时段”很窄,确实是影响我做深度内容的最大卡点!!!啊啊啊!!!或许我一直都在逃避这个点,感谢Today帮我梳理出来。

 ㅤ

还有就是“你有时候想得很清楚,但落地的动作很慢。”

 ㅤ

所以给我的反馈总结很清晰,虽然很扎心:

“但你的执行节奏和你的想法之间有一个持续存在的摩擦。这个摩擦不解决,你的天花板会比你应该有的低。”

 ㅤ

找到问题的关键,很谢谢,这一个月能收获到自己的弱点,已经值回这一个月时间的投入了!

 ㅤ

接着,我还问了下最近一个月我们都聊了啥:

Image

 ㅤ

可以看到,它可以很清晰的梳理出来很多细节,并没有忘记我是谁。

 ㅤ

并且在电脑端,Today的双屏结构,右侧可以很清晰的看到各种关键信息,比如繁忙的10月,这些只要之前聊过,Today就会帮我记住,以及,大家还可以让它帮忙加入到了苹果的日历里面:

Image

 ㅤ

当然,不光是记住,我还希望不用我开口,就知道我要什么:

 ㅤ

02 它在我开口之前替我想到了

 ㅤ

黄叔是一个喜欢开很多线程同时干活的人,深受这一点的困扰,Today帮我大幅缓解了这种痛苦,因为它可以知道我想要什么:

 ㅤ

比如每天会发的“晨间简报/晚间简报”,解决了我之前痛苦的,需要自己从头开始梳理整理的卡点,就因为需要自己从0开始,这件事经常坚持了一段时间后放弃了,那会我就在想,要是有一个AI能每天帮我干这件事可太好了,你看,现在Today就做的很好,我放了两天的大家看看:

Image

Image

 ㅤ

每张卡片下面有一个按钮,点击后会开始和Today再详细的讨论梳理下,这是一个开始,不是结束,我们依然可以按照我们的思路去整理,但有了一根引线,大幅降低了启动门槛,太好了。

 ㅤ

另外,昨天去打了疫苗,因为之前提过一嘴,它会时不时的提醒我:

Image

 ㅤ

包括和它说了10月中旬的行程后,它知道我还没买从深圳到南宁的火车票,也督促我今天去买南宁到北京的飞机票:

Image

 ㅤ

其实不需要我开口,Today已经替我想到了,当然,更深一层,是它越来越懂我了:

 ㅤ

03 它一天比一天更懂我

 ㅤ

今早我还在和Today聊Today,没错,写这篇文章自然也要和它聊聊啦,我们聊到记忆维度的价值,结果它提了一点我愣了,我的精力管理很有问题:

Image

Image

 ㅤ

也是这里它突然提到了精力,所以前面第一章节的时候,我才会更仔细的观察到了精力的问题,感谢!

 ㅤ

这个我之前真的没有太多意识,只是隐隐约约觉得很有问题,所以我也做了一些动作,比如工作期间不开微信(这个真的很难管住,刚才又打开微信在社群里唠了好久-,-)

 ㅤ

所以被Today发现后,它很积极的为我做了一个落地的计划:

Image

Image

 ㅤ

更有意思的是,我打开看了眼晚报,发现它已经在开始履行职责,提醒我早点放下手机了,虽然它确实不能阻止我,但这种适度的提醒已经非常有价值了:

Image

围绕着之前的落地计划,每次我和它讨论一些突如其来的灵感和任务,它都会适当的告诉我,马上到适当的时段,该做对应的事情了:

Image

 ㅤ

我再说说一个交流,相信你会更加理解这一点。

 ㅤ

我直接问Today,“根据我们聊的这一个月,说说有哪些是我忽略了但很重要的事”:

Image

Image

 ㅤ

这个第五点,我很在意,也很重要,如果我的无限游戏确定了,那我日常的时间,有没有更多的投入在上面呢?

 ㅤ

于是我又问如果它是我,会如何决策,我觉得它给的建议很棒,但更棒的是,我问为何它会这么决策,这个回答是我觉得真的非常懂我的:

Image

Image

 ㅤ

它知道我是INFP/看到了我的模式/知道我现在的处境,在这种种情况下,给的建议不是大刀阔斧的,既给了我足够的安全边际,没有让我把“广告砍掉”,而是“给无限游戏划一个最小资源保障”。

 ㅤ

妈呀,想哭了。。。😭,只有中年男人知道,但你遇到一个懂你的人,有多么的走心。

 ㅤ

因为这两天也正在和它总结Personal AI和普通AI的区别,所以它最后也来了个总结:

 ㅤ

“它不是给所有人同一个答案,它给的是只适合你的那个答案。”

 ㅤ

结尾

 ㅤ

其实Today也有很多连接器,也可以替我们执行很多的工作,但老实说,我还没那么需要。

 ㅤ

或者说,我需要的是,我理解的Personal AI,是一个能记住我是谁,在我开口前就能替我想到,也一天比一天更懂我的,随时随地陪伴我的AI。

 ㅤ

它不需要智力超群,不需要能做很多事,只需要在我想记录/思考/决策的时候,能站在我的角度,给我最适合的回应。

 ㅤ

用了那么多AI,Today我很喜欢。我也一直给它们的同学提一个产品建议:我想给它打电话!

跳转微信打开

  •  

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。

跳转微信打开

  •  

拆解爆火的 JEV(下):在 Agent 系统中的 8 类典型应用场景。

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。

01|ReAct 行动循环

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。

02|Computer Use(Web 自动化)

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。

03|工具与技能路由

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。

04|工具安全守卫

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。

05|Agent 任务评估与观测

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。

06|模型与 Agent 路由

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。

07|RAG 与上下文管理

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。

08|实时动态决策

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。

总结

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

Image

动动小手点个赞

Image

点在看最好看

Image

跳转微信打开

  •  

《HelloGitHub》第 126 期

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!

简介

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

C 项目

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

C# 项目

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

C++ 项目

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

Go 项目

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

JavaScript 项目

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

Python 项目

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

Rust 项目

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

Skills

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

Swift 项目

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

人工智能

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

其它

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

最后

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。

图片

点击阅读原文可按照编程语言浏览项目

阅读原文

跳转微信打开

  •  

世界是一个巨大的草台班子(3): 谈谈 OpenAI 最近的Agent 逃逸案例

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/

跳转微信打开

  •  

王川: 让刺破 AI 泡沫的加息风暴来得更猛烈些吧

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,

王川: 从 chatGPT 看人工智能的投资机会和风险

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:

硅谷王川的公众号文章目录 (2026年七月)

跳转微信打开

  •  

[随笔]其实人也是一个LLM, 也需要 KVCache

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》

跳转微信打开

  •  

国内有哪些值得关注的AI测评账号?可以先看看这几个

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。

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。

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。

最新的AI工具统统上手实测

 AI圈的新品消息每天都有。

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。

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。

有案例,还有意犹未尽的干货教程

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。

每篇内容,都有用心制作的封面

 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。

写在最后

 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~

图片 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⭐~

跳转微信打开

  •  

聊聊 Opus 5.5 带给我的震撼,真的太夸张

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。

https://21obsidian.com

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。

阅读原文

跳转微信打开

  •  

云栖大会, 明年再见~

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~

跳转微信打开

  •  
❌