T-Rex Label：开箱即用的AI智能标注工具 一键标注、零样本检测和视觉提示注释 可在无需微调的情况下自动生成高质量标注数据 👉

Claude 好警惕！我有一个 Claude scheduled task 对我的 Gmail 进行自动 labeling。碰巧我今天改了 Coinbase 的 Passkey，然后还在 Coinbase 卖了不少东西，Claude 看到这些通知邮件后立即提醒我「你的账号可能被黑了」。这完全不是 prompt 要它做的事情，但它留意到后就提醒我了。

特斯拉中国又新增了两个“急”岗位。 1、Data Labeler 数据标注员； 2、智驾测试技师 - 上海。 前者让我奇怪的是，之前不是大批裁掉了数据标注员，改用机器自动标注了么？我问了问Grok，给我的回答如下： “基础重复标注逐步自动化，但复杂场景、高精度、专业理解（如交通逻辑、边缘案例）仍高度依赖人类。随着FSD大规模推进 + Optimus落地，数据量和复杂度爆炸式增长，又需要扩充高质量团队（尤其是懂真实世界物理/交通的标注员）。这不是反复无常，而是AI训练的典型周期——自动化取代部分低端工作，同时对高端/规模化人工标注的需求激增。特斯拉在中国上海重点招AI训练、HPC、智驾测试等高端人才，支持本地数据中心和FSD适配，标注工作可能部分本地化处理中国路况数据”。 后者让我看不懂的是，为何要加上“上海”两个字？

43 个可安装的 AI 编码 skills，一条 npx 命令同时装进 Claude Code 和 Codex——从模糊想法到合并的 PR，整个交付流程有了统一闭环。 《Agent 工作流工具包》 agent-workflow-kit 是一个把"想法 → 合并的 PR"完整开发流程打包成 43 个可安装 skills 的开源工具包，同时支持 Claude Code 和 Codex 两个编码 agent，来自一个德语项目团队的内部实践沉淀（README 自述）。 一条命令装机。 在目标仓库根目录跑 npx github:iKon85/agent-workflow-kit init，skills 和辅助脚本会同时写入 .claude/skills（Claude Code）和 .agents/skills（Codex）。装完跑一次 /setup-workflow，它会探测你的 issue tracker，把 label、GitHub Projects 的字段 ID 写进配置——board 脚本里没有任何硬编码的 ID。 四阶段闭环。 Plan 阶段有 grill-me / grill-with-docs 拷问需求、to-prd 把想法变成 Draft-PRD、to-issues 拆成原子 issue（1 个 slice 一个 issue，多个 slice 升成 wave anchor）；Execute 阶段是严格的 tdd 红绿循环和 implement；Land 阶段 make-landable 跑本地 CI 闸门，land 负责 push、合并 PR、清理 worktree，pre-commit 钩子自动挡坏提交；Learn 阶段 retro 做复盘，把教训写回 rules 配置。另有 codex-review / codex-build 用第二个模型交叉审查 plan。 更新不覆盖你的改动。 init 会记录每个文件的 sha256。update 时你自己改过的文件先备份成 .bak 再替换，或者用 own 声明某个文件永久归你，更新直接跳过。kit 无遥测、MIT 许可，43 个 skills 里有一部分改编自 Matt Pocock 的开源 skills，每个都带 THIRD-PARTY-NOTICES 标注来源。 可选的 wave 管理。 board-to-waves 把积压 backlog 聚类成主题波次；当 slice 之间文件不相交、spec 锁定时，orchestrate-wave 可以端到端落地整个 wave——每个 slice 派一个 implementer 进独立 worktree，常常 AFK 跑完。 适合想让编码 agent 从"聊天写代码"升级成"按流程交付"的团队或个人。要求 Node ≥ 20、Claude Code 或 Codex；repo 今年 6 月才开源，还在 0.x 迭代，流程文档和更新机制已经相当完整，建议先在项目里小范围试。 原文： #AgentWorkflow# #ClaudeCode# #Codex#

链上开盲盒，凭什么说它比传统抽卡更公平? 抽卡这件事,老玩家最大的心结就俩字:黑箱。线下拆包、线上抽卡,你永远不知道概率是不是真的、有没有被暗箱操作、稀有卡是不是早被内部捞走了。 Renaiss 的 Pack Access 想解决的,正是这个"抽卡到底公不公平"的信任问题——把随机性做成链上可验证的。 先说它是什么: Pack Access 是 Renaiss 的链上开包 / gacha 玩法:你花钱开一个 pack,抽到的是真实的、经过评级的实体卡,背后同样有金库托管。 它出过好几个系列,比如限量的 Cozy Pack、带 BGS Black Label 10 入池的 Eden Pack,还有 OMEGA 这种"永续 gacha"——卡池持续动态刷新,并按真实市场行情对齐定价。 关键在公平性怎么保证。 每个 pack 里的卡都是加密的,靠 Merkle proof(默克尔证明)加零知识验证(ZK validation)来锚定——确保你抽到的结果是真随机、透明、且链上可验证的。 换句话说,概率和结果不是平台嘴上说说,而是数学上能被验证的,这跟传统抽卡"你只能信我"是本质区别。 再加上你抽到的是真·评级实体卡、由金库托管、链上可查,抽中的价值有实物和评级兜底,而不是一串没有实物支撑的数字。 我很欣赏它用 ZK 加 Merkle 把"抽卡公平"这件事做成可验证的,这是链上相对传统盲盒的真正进步。 但必须说句大实话:开包本质是概率游戏,再公平的随机也不保证你能开出高价卡;一个 pack 几十到上百美元,别上头、别为了追稀有卡超出预算投入;收藏品价格也会波动,盈亏自负。 想体验的话量力而行,先搞懂规则再开。 #Renaiss# #PackAccess# #RWA# @renaissxyz @xhunt_ai @yzilabs @EchoHunt_ai

OpenAI、Anthropic、Mistral 和 Google DeepMind 向陌生人支付报酬以训练他们的 AI。每小时 15 至 300 美元，每周通过 PayPal 或转账支付。 100% 远程。大多数人不知道这些平台的存在。 这些是在 2026 年招募的 17 个平台： Outlier：Scale AI旗下平台，主要负责评估和修正AI模型的回答。 Mercor：高端精英平台，适合专家和工程师，一场20分钟AI面试即可申请所有岗位。 DataAnnotation：适合新手入门的平台，普通项目和代码/STEM任务都有。 Surge AI：为OpenAI、Google、Meta、Anthropic等公司训练模型，支持20多种语言。 RemoExperts：写作、评估和创意类任务，连入职培训都付费。 Alignerr：Labelbox支持的平台，全球开放，平均时薪较高。 Mindrift：专注各类专业任务（Toloka已并入），健康和法律领域薪资更高。CrowdGen：Appen旗下平台，覆盖200多个国家，适合其他平台不开放的地区。Handshake AI：连接学生、毕业生和专家与各大AI实验室的平台。 Braintrust：唯一公开标价且无平台抽成的平台，透明度高。 AfterQuery：Y Combinator支持的AI实验室，工作以项目波次形式进行。 Micro1：通过AI招聘官“Zara”面试认证，可自主设定报价。 Aligned：入门薪资最高的平台之一，适合博士或资深从业者。 Pareto AI：专注RLHF、模型评估和提示词工程，筛选较严格。 Terac：结合付费市场调研和AI数据标注工作，有推荐奖金。 Innodata：纳斯达克上市公司，35年以上LLM数据经验，提供兼职专家岗位。 Fanvue：唯一非按小时计费的平台，创建AI虚拟角色，粉丝订阅付费，你拿80%收入。