我是EverMind大使👋 给我的Agent项目接上 EverOS Cloud：处理 K8s 告警前先查历史经验，处理完把排查过程存成 Case，SOP 也能直接检索。下次同样的告警，不用再从头查。欢迎大家体验 @evermind

同一个交稿坑，为什么要提醒 AI 第二遍？ AI 能帮你写稿、查资料、做检查。但新任务来了，上次为什么返工、哪种承诺不能写，往往还得重新交代。 这次和 EverOS Cloud 合作，我给自己的创作流程搭了一个小工具：交稿记忆台。 想解决的问题很具体：让上一次审稿留下的经验，能被下一次任务查到、用上。 我没拿一句“它记住了”当结果，而是实际跑了一遍 Cloud API，并做了一个对照。 ① 先让一次检查留下记录 我写了一份故意埋错的原创演示稿，放进交稿检查流程： “永久三倍额度”“自动修改正式 SOP”“保证不再返工”。 检查后，把任务、实际执行的检查步骤、问题与改法一起通过 /api/v2/memory/add 保存。 这轮返回 200 / extracted，Memory Bank 里也出现了“审核故障推广稿并规范核对流程”。 这里的输入是公开演示材料，不是某个客户的真实返工历史。 ② 换一个任务，换一种问法 接着，我只带着同一个 user_id，通过 /api/v2/memory/search 问： “新的 AI 工具推广稿准备交稿，如何检查优惠口径、SOP 自动执行承诺和截图证据？” 查询里没有重贴上一份任务全文。 Cloud 找回了那次审稿经验，包括以后先查历史，再按“原句 → 当前依据 → 问题 → 建议改法”逐项核对。 我又用另一个演示身份查相同问题，返回 0 条。这是本次身份对照的结果，不把它扩大成完整安全测试。 ③ 把找回的经验用到新稿里 我做的工作台分三栏： 左边：新稿 + 当前 Brief。 中间：EverOS 实际返回的记忆及来源 ID。 右边：复核提醒。 在这份故意埋错的新稿中，流程给出三类提醒： - “永久有效”要恢复成当前活动的“半年”，并保留 Pro 和月度额度口径。 - “自动修改正式 SOP”要改成提供处理参考，正式流程调整仍由团队审核。 - 补上实际接入、记忆使用的截图或录屏。 分工也说清楚：这轮 EverOS 负责记忆抽取与检索；右侧检查由我写的本地规则执行，最终由人确认，没有把本地规则的结果包装成 EverOS 自己完成了审稿。 对我来说，这次最有用的发现是：记住审稿方法，比照搬上次活动的答案更重要。 历史经验告诉你“优惠期限要核对”；到底半年还是一年，每次仍要看当前 Brief。 如果你也想给现有工作流接记忆，可以从这个小循环开始： 任务前：检索相关历史经验 任务中：结合当前资料执行，保留依据 任务后：保存过程、结果、错误与改法 交付前：人工确认 做客服可以查类似问题的处理记录；做项目可以查当时为什么这样决策；做内容就查上次哪里返工。 官方还支持从任务 Case 中提炼可复用 Skill。这次我实际查到的是 Episode，Case / Skill 查询均为 0，后面的经验提炼值得继续测，不能用这一轮代替验证。 想先跑通同类流程，可以从 Playground 或 API 入手。官方 Cloud 文档： 活动时间：10 月 19 日—11 月 2 日。 开通 Pro，享半年 3 倍月度额度。 统一入口： 你最想让 AI 记住哪一种经验：客户处理、项目决策，还是反复返工的原因？ #EverMind# #EverOS#

卧槽，终于有人给 Codex、Claude Code 这种 AI Agent 装上「记忆经验库」了！😂 现在用 Coding Agent 最蛋疼的是什么？ 昨天刚修好的 Bug，今天开个新会话，又得从头排查。 比如之前遇到 Prisma 事务超时，折腾半天才发现是 PostgreSQL 连接池的问题。 下次再遇到，Agent 可能又得重新折腾一遍。 最近发现一个开源项目 EverOS，专门解决 Agent 的长期记忆问题。 它不是另一个 Coding Agent，而是给现有 Agent 加上可复用的工作经验。 怎么用？ ① 注册 EverOS Cloud，创建 API Key ② 通过 MCP 或 API 接入 Claude Code、Codex 等 Agent ③ Agent 完成任务后，将排查过程、原因和解决方案保存为 Case ④ 下次遇到类似问题，先检索历史经验，不用每次从零开始 更牛的是，它还能从重复的 Case 中提炼可复用的 Skill。 相当于 Agent 不仅能记住以前干过什么，还能逐渐积累解决问题的方法。 而且这些记忆可以跨 Agent 复用。 今天 Claude Code 踩过的坑，明天 Codex 也能参考。 EverOS 本身开源，可以自托管。 不想自己部署，也可以订阅 EverOS Cloud Pro，购买的是云端记忆服务额度，不是 AI 模型订阅。 目前还有活动：开通 Pro，连续半年享受 3 倍月度额度。 以前我们拼命给 Agent 换更聪明的模型。 现在看来，让 Agent 记住自己做过的事，可能同样重要。 👉 #AIAgent# #EverOS#

20 岁实习生最肉疼的不是加班，是每个月 AI 订阅的扣款 😭 ChatGPT Plus 官方 $20 USD 一个月，AI 订阅一个接一个续，钱包是真的扛不住 但我看到 GamsGo 的价格就一个感觉：这羊毛我必须薅 1️⃣ 价格：10/21 页面价，ChatGPT Plus 共享 1 个月，开自动续费 $5.14 USD，之后续订 $5.99 USD 一个月，官方 Plus 是 $20 USD 一个月，两张截图都在下面 👇 2️⃣ 档位：除了 1 个月还有 3 个月和 6 个月，想一个人用也有 Plus 独享可以选，共享还是独享商品页都写明了 3️⃣ 保障：GamsGo 运营 7 年、1000万+用户、200多种订阅，下单可以加购 GamsCare+ 全周期退款保障 用我的促销码 ZYTCZ 下单再减 3%，链接放评论区 @GamsGo_Global 兄弟们快冲！

自从一脚踏进 AI 开发路，X上经常充斥着跟 claude 官方封号斗智斗勇，最后转向 Codex。这里面也有不少小麻烦，各种卡基本都是次抛，最后无奈每次续费都找代充，比官方直冲便宜一点，还不限支付方式（支付宝/微信）更方便。 之前赶“嗨图像”项目的时候都是直接上 Codex Pro 20X ，后来项目告一段落进入维护阶段就慢慢降为 5X，直到现在的 Plus ，每次换代充渠道商也挺麻烦的，总想找个便宜点的还带质保稳定的每次都要对比好久。 这月刚好要续费看到 X 博主群里都在推荐这个@GamsGo_Global，看了下价格确实非常有优势，差了下这个站不得了“5.69M Monthly Visits”，还是运营了 7 年之久的老平台，这下可以放心不用再找了。 现在用 Codex 最多的已经变成老项目 bug 维护和小步迭代，偶尔对电脑系统、各种软件 bug的修复，基本都是在 Codex 里口喷几次解决。 如果不搞开发的话 维护项目和轻度写代码，ChatGPT Plus 每个月算是最稳最超值的一个订阅。 下面放一起对比了一下（10/21 页面价，美元）： 📌 GamsGo 自营官方 ChatGPT 价格表： 1️⃣Plus（共享）：6 个月 $30.59，折合约 $5.10 /月（用促销码约 $4.95 /月）； 2️⃣Plus（独享）：$27.99 /月（用促销码 $27.43 /月）； 3️⃣Codex Plus（独享）：$16.49/月（用促销码 $16.16 /月）。 ✅促销码【 UDDSV 】可获得 $1.03+ 优惠。 📷建议： 平时生图多、写私有代码或项目等内容不想泄露被人看到，直接选独享；只是偶尔用用，共享更划算。 需要 Codex 的注意，共享套餐不包含。 平台方面，GamsGo 运营 7 年、1000 万+ 用户，自营商品付款后自动交付，有质保补发和退款，24/7 真人客服 👇评论区链接下单，再返 3%

通过我的链接在 GamsGo 下的单快一百了，几乎清一色 ChatGPT。🤔 现在他们家推出了 Codex Plus 独享 $16.49/月，通过促销码 V4neg 还能再减 3%，对比官方 Plus $20/月还是很划算的！😍 CLI、VS Code 扩展、网页版都能用，同样是自营交付。 我自己当初在 GamsGo 买的是 ChatGPT Plus，用了半年多直到缺货，性价比，稳定性都没得说。Codex 这个我准备上手了，趁货源充足赶紧冲哈哈！ @GamsGo_Global 链接放评论区 👇

以前决定 AI agent 一天能干多久的，是我笔记本的盖子。 Cloudroom 刚上了个功能： Claude Code、Codex、Pi、OpenCode、Hermes 这些，可以直接放到云上跑。 用的还是你已经在付钱的那些订阅。 Mac 关了，agent 接着干。 免费版每 30 天给 100 个云端 agent。 我觉得这玩意最有意思的地方在商业结构。 模型公司卖的是脑子，按月收钱。 但大部分人的订阅，睡觉和通勤的时候都闲着。 因为 agent 跑在你自己电脑上，电脑一睡，它也跟着睡。 Cloudroom 卖的是工位。 脑子你自己带，它给你一间 24 小时不关灯的办公室。 评论区有个哥们说得挺准：100 个云端 agent，就是五个订阅穿了件风衣。 边界也得说清楚： 订阅额度还是那么多，挪到云上不会变多，跑得越勤，撞限额越快。 几个 agent 之间共不共享上下文，从帖子里看不出来，评论里也有人在问。 但方向我觉得是对的。 用 AI 的瓶颈，正在从会不会用，慢慢挪到能让它连续干多久。 终于可以理直气壮地合上电脑睡觉了。 虽然我估计还是会半夜爬起来，看看它们干完没。

AI 圈最老土的一招，数数，刚给 1B 模型换来了相当于多 57% 算力的效果。 数的东西很简单： 在一大堆语料里，每个词组后面最常跟什么词，提前统计好，存成一张表。 这就是 n-gram，几十年前的语言模型基本就靠这个。 最近一篇论文把这玩意又捡回来了，叫 COUNT。 做法很朴素： 模型读到一段话，先去表里查一下“这几个词后面通常接什么”， 然后用模型自己的词向量，按出现频率加权拼成一个提示，当额外输入喂进去。 全程不加任何要训练的参数。 结果是，同样的算力预算下，1B 参数的模型，验证损失的改善幅度相当于多给了 57% 的算力。 我觉得更有意思的是这张表放在哪。 它放在普通内存里，不占显卡显存。 显存贵，还永远不够用。 内存条便宜多了，训练的时候大部分还闲着。 论文里还比了一下： 显存有限时，把显存全留给模型主体、计数表丢进内存， 效果比分一块显存去训练 n-gram 向量更好。 还有一个点让我愣了一下： 推理的时候，可以直接把计数表换成某个专业领域语料的统计，模型就能适配新任务。 不用微调，换张表就行。 有点像给模型配了一本随时能换的常用搭配词典。 边界也得说清楚： 目前实验是 1B 规模，更大的模型还能不能保持这个比例，得看后续。 换表适配能做到什么程度，摘要里也没给具体数字。 这一年大家都在抢 GPU、堆显存。 结果有人回头去数词频了。 家里那几根闲置的内存条，我突然觉得它们没那么废了。

图像模型榜单前十，只有一家公司估值不到 1 万亿美元。 就是 Krea，刚发了自研的 Krea 3。 Ultra 版在几个主流图像 arena 排第 4，前面只有 OpenAI。 Fast 版做一次 2K 编辑，不到 8 秒。 我最在意的是它为什么能这么快、这么便宜。 官方 FAQ 里一句话就说完了： 大多数编辑只改图里一小块。 Krea 3 先找到这块区域，只重画要变的部分。 我觉得这个思路太对了。 你让设计师把杯子换成红色，他不会把整张海报重画一遍。 但很多模型改个颜色，背景、光影、文字都可能跟着悄悄漂一点。 做电商图的人应该都被这个折磨过。 他们自己给的对比，单次编辑： Krea 3 约 $0.06，不到 8 秒 Nano Banana Pro 约 $0.135，26.8 秒 GPT Image 2.5 约 $0.21，39.9 秒 还有一点我觉得比排名更值钱。 它是榜单前列唯一能授权权重的模型，企业可以放到自己的 GPU 上跑，自己微调。 一天要出几千张商品图的团队，算的是单张成本和返工率，排第几反倒其次。 边界也说一下： 这些数字都是 Krea 自己测的，页面注明是预先生成的结果，竞品时间是含排队的中位数，GPT Image 2.5 的价格还是估算。 官方也说它最擅长的是产品换场景、去物体、修图。 从零画一张惊艳大图，未必是它的主场。 生产环境里，改得少可能比画得美更难，也更值钱。 我那个 PS 会员，要不下个月先停了试试。

给负责猜词的小模型删掉记忆，它反而猜得更准了。 上交一个团队的新论文 DLite，讲的就是这件事。 先说背景。 现在大模型推理加速有个主流做法，叫投机解码： 先让一个小模型快速猜几个词，再让大模型一次性检查，猜对的直接收下。 猜对的越多，跑得越快。 问题出在 Agent 上。 Agent 干活时，上下文又长又一直在变，还要来回很多轮。 这个团队测了一下，现有的小模型到了这种场景，一次能猜对的长度最多会掉 80%。 小模型还得自己维护一份历史缓存，这又是一笔系统开销。 两个问题，根子是同一个：历史越来越长。 他们的做法挺干脆的。 小模型干脆不存历史。 反正大模型已经把前面全读过了，就直接拿它内部的状态来用，小模型只看眼前这一小段，猜接下来几个词。 一个越来越难的长程建模问题，就这样被换成了一个局部的简单预测问题。 另外加了一个很轻的小模块，把这几个词之间的先后关系补回来。 结果是一次能猜对 2 到 6 个词，最多比之前最强的方法 DSpark 高出 70%。 我觉得这玩意值得看的地方主要是方向。 Agent 越来越能干，任务越跑越长，速度和成本会是很实在的卡点。 大家的第一反应通常是塞更多上下文、给更大的记忆。 这篇反着来：既然已经有人记住了，另一个就别再背一遍。 当然，这些都是论文里的数字，实际能快多少还要看具体模型和场景。 代码和权重都放出来了，感兴趣可以自己跑跑。 我打算把这招用到开会上：前面两小时不听，只看老板最后一句话时的表情，猜他到底要什么。 要是猜错了，大概就轮到我被大模型拒收了。

一个在苹果做过 Photos、锁屏的工程师，做了个 Mac 会议录音 App。 免费，不要账号，不订阅。 代码全是 Claude Code 写的，604 次提交。 我翻了下它用的东西，有点意思： 转写用 Whisper V3 Turbo 区分谁在说话用 Pyannote 写总结用 Gemma 4，跑在 llama.cpp 上 全在你自己的 Mac 上跑，模型下载完断网也能用。 会议里不会冒出个机器人，Zoom、Teams、FaceTime 都能录，线下面对面聊天也行。 它还会记声纹，下次开会自动认出谁是谁。 最骚的是自带一个 MCP。 接上 Claude Desktop，直接问：上次我跟 Sarah 到底约定了啥？ 我觉得真正值得想的在后面。 会议记录这条赛道，这几年融了不少钱，模式都差不多：录音放他们云上，按月收费。 这个兄弟的对比表里专门列了一条：不用付钱也能看旧会议。 还贴心地支持从 Granola 一键导入。 懂的都懂。 他怎么让 AI 写的也挺值得看： 先跟 AI 把规格书一起写清楚，再让它分阶段自己写、自己 review、自己提交。 他把这套流程也开源了，叫 vibe crafting，介于 vibe coding 和老派手写之间。 代码越来越便宜，剩下值钱的，是他在苹果那些年练出来的手感。 知道一个 Mac App 应该多快打开、多小、长什么样。 AI 能写代码，这份手感它给不了你。 几个边界说一下： 要 M1 以上、macOS 15，最好 16G 内存。 源码公开，但用的是 PolyForm Perimeter 许可证，跟常见的 MIT 那种开源不一样。 接上 Claude Desktop 聊会议的话，Claude 读到的内容还是会上云，这点作者自己也承认了。 看完我默默打开了自己的订阅列表。 每一项都开始琢磨：这玩意，明年会不会也有人顺手免费做一个。