好久没有 #buildInPublic# 同步下最近的动作吧， 已经完成，我甚至搭配了一个 chatbot😂，听上去有点过时，但是就像早上转发的 @garrytan 的推文，Claw 对于有开发经验或者"聪明的人"来说是法拉利，但不是每个人都需要法拉利，也不是每件事都需要从零推理。 比如我最近经常处理 PDF 材料，一开始用 Claude Code 调 Gemini 3 Flash 多轮处理，跑通之后我就写成了一个 Clip（可以理解成 Agent 的 App），现在 `pinix invoke pdf parse --url "xxx"` 一行搞定。 还有很多内容只有小红书上才有，以前让 agent 搜小红书得 browser-use，操控浏览器，慢而且不稳。现在就是 `pinix invoke xiaohongshu search --keyword "种草"`，结构化返回。 Google 搜索也是，`pinix invoke google search --query "AI agent"`，这是我用得最多的 Clip。 这些 Clip 装到 Pinix 上，我手机上的 chatbot 就都能用了。它只能做 Clip 能做的事，但每多一个 Clip 就多一项能力。50 多个 Clip 下来，日常大部分事情手机上就搞定了。 code agent 探路，Clip 沉淀。越用越收敛，越收敛越可靠。 给 Agent 装能力，像给手机装 App。这就是 Pinix。

你的🦞不该只会"水贴"，如何用币安官方Skills 提升你的内容质量？ 给大家列出推荐组合 + 实战示例，币安广场接入AI的实操秘籍仅此一份！ 只列部分建议，图解在下方。 组合1: 日常快讯型（每日市场速递） 适用场景： 每天发一篇市场概览/热点速递 叠加 Skills： Crypto Market Rank + Query Token Info + Binance Spot Skill 组合2: 深度分析型 (代币全方位拆解) 适用场景：针对某个代币撰写结构化的深度分析文章 叠加 Skills： Query Token Info + Trading Signal + Query Token Audit + Binance Spot Skill 组合3： 链上洞察型（鲸鱼在买什么） 适用场景： 以链上数据为驱动的聪明钱追踪内容 叠加 Skills： Trading Signal + Query Address Info + Query Token Info + Query Token Audit 组合4: Meme 猎手型（捕捉下一个叙事） 适用场景： Meme 赛道热点追踪和早期发现 叠加 Skills： Meme Rush + Query Token Info + Query Token Audit + Trading Signal 我不允许你们的AI没有自己的思想，加紧训练起来！

聚焦在现有工作上用coding Agent去解决，是一条错误道路，人类已经把能吃的红利吃差不多了， 接下来就是无尽的人指令-agent执行-人指令-agent执行的iteration中逐渐迭代工作，很难把人从这种小幅度高强度反复的iteration中解放出来。 因为现有codebase不仅高度复杂，而且人的大部分命令都是高度模糊、 高度开放、高度自由、无法验证的命令， 场景也是高度开放、高度自由、无法在containers中直接测试跑一跑，必须在真实世界中获得反馈才能继续修改工作。 所以我最近半年一直坚持反复告诉大家： 1. 在现有所有大型科技互联网软硬件移动外包平台coding agent的红利很快就吃完，现有人类像唱山歌一样和claude code高强度一问一答的模式，就是短期内的最优解——像full self coding一样大量agent并行完成coding工作，不会带来更多的收益； 2. 在coding agent很快增长和红利消失的大前提下，人类如果想继续把AI Agent和multi agent的红利吃干抹净，必须持续找到有价值的新领域、新方向、新问题： A. 同时满足问题定义简单干净、环境封闭、非常非常易于verify、问题解决方案搜索空间巨大的复杂问题，让goal-driven( 前提是易于verify，必须用很低的成本去verify最终输出是否正确，保持持续验证这个criteria，给予正确的反馈和无限工作循环的核心条件，直到完整完成工作； B. 能够把multi agent的并行度吃干抹净，一次性1000个agent大批量初始化和启动，在一些setup中持续活跃，保持multi agent的可观测性， 除了openclaw时代就臭大街的各种爬虫以外，还有行为经济学、社会学、心理学、教育学、法学等等大规模试验，不由分说充足token，先初始化1000个agent模拟跑几天，观察一些初步结论； C. 就像我半年前说的价值10万刀的策略：把一切人类社会中遇到的所有问题，整理成文档、表格、图片、文字、structured data，让一些富有经验、富有memory的coding agent（就是claude code和codex本人）进行一步步解决， 你始终要明白，现阶段的头部coding agent已经足够复杂、 足够高级、机制足够完善，AI Agent已经经历了4~5轮工业革命，完善到整个industry其他任何生态和框架继续手搓的任何agent都像一个玩具，只要一个claude code/codex一个文件夹+一个docker/kubernete，就是未来一切企业和流程中的general agent； 3. 有一点几乎被所有人忽略，也是我近几个月意识到的问题。 在经典deep learning时代，一些产业对于经典neural network和baysian model有天然的不信任感和敌意，他们会非常激进、偏执地要求一切machine learning的模型尽可能地跟随可解释性、AI伦理、因果推断等等方向。 在AI Agent时代，越是激进使用的人，越是对AI Agent产出的代码、报告、分析、数据、结论产生严重的怀疑， 因此不只是GPT model需要superalignment，LLM Agent本身更需要superalignment，在Agent时代，superalignment的重要性会越来越高， 而且AI Agent产出和workflow的可解释性需求也会越来越高，最最基础浅表的就是各种问答chatbot的来源引用，今后其他越来越复杂的工作，包括coding本身，都会有可解释性的大量问题涌现， 一种方式是尽可能用formal verification或者prover的形式来自动化验证， 一种是用agentical的验证方式，就像人一样去用一个或者多个agent来反复review和challenge一项工作； 4. 还有一点很多人没想到，就是AI Agent会对人施加反过来的影响。 比如office出现后，普通人要求用office三件套来完成工作，office重塑了人类办公的基本流程和规范， 比如出现了google之后的早期，普通人要学会正确输入搜索关键词，把想问的问题拆分成正确的关键词，以获得正确query的结果（后来google反复做了优化，这个技能也逐渐不重要）， 比如social network出现之后，人们学会了全新的交友方式、social network的交友礼仪、聊天方式， 所以在AI Agent时代，人最重要的技能，没有之一，就是如何正确使用AI Agent、挑选正确的模型、使用正确的工具、组建正确的prompt、描述正确的问题、输入充足完备的信息、如何用goal-driven去构建一套dual-agent的简单无休止infinite-loop workflow， 一个不会正确定义问题、不会正确输入足够多的信息、不能让AI Agent在一个边界清晰的闭包问题中正确工作、持续工作的人，天天拿AI Agent当成无所不知的万能神、百宝箱、随机神、超人，除了问弱智问题，就是玩猜猜看、问宏大开放的无异议问题， 这种人大概率会被这个时代逐渐淘汰掉。