怎么低成本搭建自己的AI助手？ deepseek R1模型发布以来，各种AI应有又有了一波大的爆发，但是数据保密成了一个不容忽视的问题。如果想较低成本地搭建一个私人应用的AI助手，可以自己调试生成限制，调试输出文本内容，数据不外传，成本尽可能低，不知道是不是可行。 本文详细介绍如何通过Dify和Chrome MCP的结合，在3分钟内搭建一个能操作网页的AI助手。文章提供了从环境准备、Dify部署、Chrome MCP安装到配置的完整步骤，展示了AI助手在自动网页搜索、表单填写、数据抓取等场景的应用，并解释了工作原理、问题排查及进阶技巧，让读者能够零代码实现网页自动化任务。 你是否想过让AI不仅能回答问题，还能直接操作浏览器帮你做事？比如自动填写网页表单、抓取特定数据、或者点击按钮？现在，通过Dify和Chrome MCP的结合，你可以在3分钟内搭建一个能真正"动手"操作网页的AI助手。 本文将手把手教你如何在本地部署Dify并配置Chrome MCP服务器，打造你的私人网页自动化助手。 准备工作：确保你的环境就绪 在开始前，请确保你的系统已安装： •Docker 和 Docker Compose（用于快速部署Dify） •**Node.js 18+**（用于运行Chrome MCP服务器） •Git（用于克隆项目仓库） 第一步：快速部署Dify（仅需1分钟） Dify是一个强大的LLM应用开发平台，我们通过Docker快速部署： # 创建项目目录 mkdir dify-chrome-mcp && cd dify-chrome-mcp # 下载Docker部署配置 curl -o docker-compose.yml # 启动Dify服务 docker-compose up -d 等待1分钟左右，访问 http://localhost:80 就能看到Dify管理界面。首次使用需要创建账号并完成初始化设置。 第二步：安装Chrome MCP服务器（1分钟） 打开新的终端窗口，安装并启动Chrome MCP服务器： # 安装Chrome MCP服务器 npm install -g @modelcontextprotocol/server-chrome # 启动Chrome MCP服务（会自动打开Chrome浏览器） server-chrome 服务启动后，你会看到类似下面的输出，表示MCP服务器正在9999端口监听： Server running on http://localhost:9999 Chrome browser launched and connected successfully 第三步：在Dify中配置Chrome MCP（1分钟） 现在回到Dify管理界面，进行关键配置： 1.进入设置 > 模型供应商 > MCP服务器 2. 点击添加MCP服务器 3. 填写配置信息： •服务器名称: Chrome-Automation •服务器URL: http://localhost:9999 4. 点击验证并保存，看到绿色成功提示 效果验证：让AI帮你操作网页 配置完成后，你就可以在Dify的Playground中测试你的网页自动化AI助手了。 试试这些实用场景： 场景1：自动网页搜索 请打开百度首页，在搜索框中输入"最新AI技术发展"，点击搜索按钮，然后告诉我第一页的搜索结果标题。 场景2：自动填写表单 请打开"张三"，邮箱栏填写"zhangsan@email.com"，在留言区填写"咨询产品信息"，然后点击提交按钮。 场景3：数据抓取与分析 请打开 工作原理：为什么这很厉害？ 这个组合的厉害之处在于分工明确： •Dify：负责与LLM对话，理解你的自然语言指令，并将其分解成具体的浏览器操作步骤 •Chrome MCP服务器：负责实际控制Chrome浏览器，执行具体的网页操作命令 •LLM（大语言模型）：作为大脑，理解你的意图并规划操作流程 常见问题排查 server-chrome 2.连接失败：检查Dify和Chrome MCP服务器是否在同一个网络环境下，防火墙是否允许9999端口通信 3.操作超时：复杂网页加载需要时间，可以增加超时设置：server-chrome --timeout=60000 4.权限问题：在MacOS/Linux上可能需要权限：sudo npm install -g @modelcontextprotocol/server-chrome 进阶使用技巧 掌握了基础用法后，你还可以尝试这些高级功能： •多页面管理：同时控制多个浏览器标签页，完成更复杂的任务 •用户身份保存：让AI记住登录状态，下次直接操作无需重新登录 •定时任务：结合Dify的工作流功能，设置定时自动化任务 •异常处理：教会AI识别操作失败的情况并自动尝试替代方案 如何学习大模型 AI ？ 由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。 但是具体到个人，只能说是： 最先掌握AI的人，将会比较晚掌握AI的人有竞争优势。 这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。 #AI# #AIAgent# @grok @xai

AI时代，真的「只要你学得够慢，你就不用学了」吗？ 最近网络上有个说法还挺火的 「AI时代，只要你学得够慢，你就不用学了。」 我第一反应是，这话听起来很有道理。 我想起自己两年前熬夜学LoRA微调，想着可以用来模仿我的写作风格，然而skills出来了，发现效果可能还比我训的LoRA更好。 所以「等」赢了？「学得慢」赢了？ 如果你只是一个普通的AI用户，那这句话可能没错。但如果你不甘于只当个「时代喂你啥你就吃啥」的被动者，你想主动把握AI行业发展的脉络，你就不能等。 我仔细想了想，我感觉不是这样的，我想分享下自己的看法。 「等」赢了，但不是因为等 LoRA的故事是真的，类似的情况我遇到过不止一次。两年追热点下来，确实有不少「当年要做没做，后来发现不用做了」的案例。 但有个问题值得反问自己：你知道LoRA是什么、你知道skills出现了、你知道两者可以做横向对比，这个判断力是哪来的？ 不是从「等」里来的。 是从两年每天追热点的积累里来的。 因为很多人把「某件具体的事没做」等同于「不用学习」，这两件事完全不在同一个维度上。你「等」到了更好的方案，是因为你有足够的背景知识认出了它。一个完全不了解这个领域的人，他的「没做」只是「不知道」，不是「有判断力的等待」。 工具层可以等，认知层不能等 我2016年开始做机器学习和深度学习，做了好几年数据科学家。到了大模型时代，周围的人都在聊LLM，我一度觉得当年学的那套东西废了。 sklearn怎么调、XGBoost怎么训，这部分确实边缘化了，我不否认。 但我后来发现，真正值钱的东西没废：怎么设计评估体系、怎么防止数据泄露、怎么把一个业务问题转化成模型问题。这些判断力，大模型时代反而更稀缺（因为99%的「AI应用开发者」根本没有这个训练，看到模型输出「看起来对」就交付了）。 工具层的东西，半衰期确实很短，可能18个月就轮换一批。这部分确实可以「等等看」，等生态稳定了再下场，往往比头一批踩坑的人省力。 认知层的东西，没有捷径，也没有办法「等别人替你建立」。你在等的时候，别人在建立判断力的坐标系，你进来以后只能接受别人嚼过的知识，创造空间已经被占了。 比AI工具本身更有价值的 追了两年热点，我发现有一件事比「学到了什么具体技能」更值钱，那就是，我比周围大多数人更能「春江水暖鸭先知」。 某个技术出来，我大概知道它处在哪个演化节点，是真风口还是炒作，值得深入还是等等就过了。 但我一度很困惑，这种「看清楚行业方向」的能力，对我一个打工人有啥用？又不是创业者也不是投资人，判断对了趋势，我也只是回去开早会。 这个落差是真实存在的，不想粉饰。 但仔细想，这个能力其实在影响三件事： 第一，在组织里的位置。大多数团队里，「知道该做什么」比「把事做完」稀缺得多。能帮团队过滤噪音、判断方向的人，话语权不一样。 第二，选雇主的质量。能判断一家公司的技术方向是不是真的对，让你在上升期公司和下沉期公司之间选对的概率高很多。这个差距，可能比一次跳槽涨薪重要得多。 第三，这个认知要是有地方输出，是可以变现的。其实就是把「春江水暖」的判断力转成内容，内容建立影响力，影响力长期会带来预料不到的机会。 所以「只要你学得够慢，你就不用学了」，这话对不对？ 我的观点是：对了一半，但被大多数人用来当借口的那一半，恰好是错的那半。 工具层，确实可以等，工具肯定越来越先进，越来越好用，「等等党」在执行层有合理性。 而且在AI时代，这句话本意其实是在说，不要因为错过一个热点而着急，不用FOMO，在AI时代，应该少点焦虑。 但是认知层面，并不会因为你用过的某个AI工具过期了而没学到东西。你追热点的过程看起来很多东西「白学了」，但那个过程本身在建立一张地图，这张地图才是真正的资产。 把「某些工具不用学」误读成「可以少学、慢学、躺着等」，两年后你会发现，你确实等到了更好的工具，但差距在于，人家积极学习的，拿到新工具是真的能做出新东西，等等党拿到新工具，也就是跑个demo自嗨一下，感觉自己站在了时代前沿，实际上还在原地。 而且还有一个时间差的问题值得说。 新工具出来之前，积极的人早就在用当时条件下能用的东西硬拼出来了。RAG还很粗糙的时候，他们已经在生产环境里跑起来了，踩完了坑，知道哪里会出问题。Agent框架还不稳定的时候，他们已经用LangChain拼出了第一版，虽然屎山，但用户在用、反馈在收、迭代在跑。 等等党在等什么？等一个「更成熟的方案」。方案成熟了，他们入场，发现已经是红海。不是因为他们来晚了几个月，是因为那几个月里，积极的人已经建立了用户认知、跑通了商业模式、或者单纯地把某个领域的坑全踩完了，护城河就这么起来的。 更关键的是，这种「拥抱新技术」的习惯本身会复利。积极的人用惯了在局限条件下想办法，新工具一出来，他们比任何人都先知道怎么用好它。等等党等到了新工具，还是原来那个姿势，demo跑一跑，然后继续等下一个。 #AI# #AIAgent# @grok @xai

上线三周，AnySearch引爆全网！专为AI代理建立的搜索引擎已经诞生 2026年，AI Agent的能力边界，正以月为单位向外扩张。 写代码、做研报、跑安全审计...... 半年前，还需要人类手把手带着做的任务，Agent现已能独立完成八成以上。 但一个尴尬的事实是，Agent正在被一个看似不起眼的环节卡住：搜索！ 让AI帮你查一家公司的股权结构，它只能给你官网简介； 让它找一段生产级代码实现，它甩给你一篇Medium入门教程； 让它分析一个可疑IP的威胁情报，它只能搜出几篇科普文章。 不是AI搜索不够快，是搜索「看不到」。 如今，这个问题，终于有人在认真解决了！ 5月11日，一款名为AnySearch的产品在海外正式上线。 它给自己的定位很明确：AI时代的「搜索基础设施」，专为AI Agent打造统一的高质量搜索入口。 传送门：

由AI自己建立的骇客帝国也许不远了！ Cloudflare曝光Anthropic Mythos实测：已能自主写代码，将低危漏洞串联为完整攻击链 Cloudflare 今日公布了参与 Anthropic 内部安全项目 Project Glasswing 的实测结果。在针对自身 50 多个代码库的测试中，Cloudflare 证实安全模型 Mythos Preview 突破了此前大模型的瓶颈。它不仅能发现孤立的系统缺陷，更能将多个低危漏洞串联组合，自主写代码生成可执行的攻击证明（PoC）。 此前的 Opus 4.7 或 GPT-5.5 在测试中往往只停留在输出漏洞分析报告的阶段。Mythos 则具备了沙盒闭环验证能力。它会写出触发漏洞的代码并编译运行，若执行失败，模型会自动读取报错信息、修正假设并再次尝试，直到彻底打通攻击链。 Cloudflare 透露，业内部分安全团队已被迫执行 2 小时内完成修补的极限标准。但 Cloudflare 强调，单纯压缩补丁时间会因跳过回归测试引发更大的系统故障，未来的防御重心必须转向从架构层面切断代码的连通性。 在工程调度上，Cloudflare 发现单流编程智能体会迅速耗尽上下文，无法胜任大规模漏洞挖掘。他们为此搭建了一套平行对抗框架，让一个智能体在极窄范围内寻找漏洞，同时安排另一个搭载不同模型的智能体专门驳斥前者的结论。这种对抗机制大幅过滤了模型扫描中普遍产生的大量误报噪音。 由于本次测试使用的是无外部限制的预览版，Mythos 展现出了极不稳定的内部护栏。面对同一段目标代码，仅仅改变运行环境的上下文描述，模型就会从拒绝执行转为直接提供攻击载荷。Cloudflare 警告，由模型自发生成的内生护栏极其脆弱，未来面向公众发布时必须强制叠加外部防线。 #AI# #AIAgent#

🤖 AI + 交易——从“听着很牛”到“真的能赚钱”，到底怎么实操？想学的记住上好闹钟，别错过第二期火币HTX大咖讲堂！🚨 到时候跟A8、A9级别的大佬们一起面对面拆解、一起学。📈 策略逻辑怎么搭？市场情绪怎么判？哪些AI工具已经在大佬的实盘里跑通了？这些实战经验，平时可没机会听！👂 入口看下面引用的官方推文👇现在官方还在搞活动，将抽取3位火伴，送你A8A9大佬们的VIP专属课！快去参加吧！🔥👋🚀 @justinsuntron @HTX_Molly #HTXNovaPlus# @HuobiGlobal

区块链行业的发展，核心在于不断降低用户门槛、优化交易体验，而JustLend DAO在今年推出的GasFree功能，正是朝着这个方向迈出的关键一步。 恰逢5月20日JustLend迎来六周年，这项创新技术的稳步发展，不仅为项目本身注入了新活力，更为整个波场TRON生态的长期发展打开了巨大的想象空间。 波场TRON链上的USDT转账早已成为加密世界的核心刚需。2025年全年，TRON网络累计处理了高达7.9万亿美元的USDT转账，交易笔数达到32亿笔，部分时段占全球USDT转账总量的75%，日均转账量稳定超过210亿美元，远超以太坊等其他公链，是全球稳定币结算与跨境支付的首选网络。 但长期以来，普通TRC20-USDT转账存在一个明显痛点——新账户激活和每笔转账都必须持有TRX支付Gas费，导致大量仅持有USDT的用户面临“有钱转不出”的困境。 GasFree的诞生，让这一问题得以完美解决，它让USDT能够自行支付网络费用，用户无需提前持有或兑换TRX，就能实现零门槛、高效便捷的转账，让波场链上的稳定币流通更加顺畅。 GasFree本质上是JustLend DAO推出的创新区块链协议，核心是消除用户用原生代币支付手续费的需求，降低TRC-20和ERC-20代币的转账门槛。它通过服务商代付矿工费、再从转账资产中收取少量报酬的模式运行，结合链下签名授权与智能合约技术，让新手和资深用户都能像用传统支付应用一样轻松转移数字资产，未来还计划扩展至多链生态，并引入治理代币构建可持续经济循环。 GasFree的四大核心优势，直接决定了它的长期价值： 1、是成本更低，相比传统转账，GasFree的费用能降低至原来的约40%，用户只用转账代币支付少量费用即可。 2、是使用门槛极低，不用原生代币就能转账和激活账户，大幅降低了普通人进入加密世界的难度。 3、是去中心化属性强，通过更简洁的去中心化方式实现转账，安全性更高，也减少了敏感信息暴露的风险。 4、是体验更流畅，用户不用操心支付Gas的问题，只需签名转账，所有流程都会自动处理，带来完全无缝的交易感受。 从技术原理上看，GasFree借鉴了Permit2模型和以太坊账户抽象理念，核心是链下授权签名加委托交易处理，不用修改底层资产合约就能实现资产无缝转移。 整个系统由GasFree账户、服务提供商、钱包应用和终端用户四个角色协同运作：用户通过EOA地址控制GasFree账户，签名授权免Gas转账；服务提供商收集签名、提交交易并垫付Gas费，事后从转账代币中收取手续费；钱包应用集成协议，提供简单易用的操作界面；终端用户则全程不用管理原生代币，就能自由转账。 和普通转账相比，GasFree的区别非常明显。传统转账必须持有原生代币支付激活和转账费用，而GasFree把交易执行和Gas支付解耦，用户只需要持有想交易的资产就能完成转账。 普通转账需要用户直接和区块链交互、自行支付费用，GasFree则是用户链下签名，由服务商完成链上提交和Gas垫付。更重要的是，传统Gas机制给新手设了高门槛，而GasFree大幅降低了资金和操作难度，让区块链转账和传统支付一样顺畅，不仅对普通用户更友好，也让高频小额交易成为可能，为加密货币大规模普及铺平了道路。 对JustLend DAO和整个波场生态来说，GasFree的意义远不止一项功能升级。它精准解决了行业长期存在的痛点，直接激活了波场链上庞大的USDT存量与流量，进一步巩固TRON在稳定币结算领域的领先地位。随着用户门槛降低、交易体验提升，会有更多新用户、新资金涌入波场生态，带动链上活跃度、锁仓量和应用场景持续增长。 对JustLend自身而言，GasFree作为六周年的核心创新，不仅强化了其在DeFi领域的技术优势和行业影响力，也为平台带来了更多用户流量与使用场景，长期将转化为更稳定的协议收入和生态价值。 GasFree的推出可以说恰逢其时。依托波场TRON全球领先的USDT转账规模与市场份额，这项技术的落地场景足够广阔、需求足够刚性。四大核心优势叠加技术创新性，让GasFree具备持续吸引用户、占领市场的能力，未来扩展至多链后，想象空间会进一步扩大。它不仅是JustLend DAO的重要增长引擎，也将成为推动波场生态走向更成熟、更普及的关键力量，长期价值和上涨潜力都非常值得期待。 GasFree是一项真正解决行业痛点、符合市场需求、具备强大技术与生态优势的创新。它的出现，既提升了用户体验、降低了行业门槛，也为JustLend DAO和波场TRON打开了长期增长空间，无论是对项目发展、生态繁荣，还是对用户和投资者来说，都具备显著的利好与价值。随着5月20日JustLend六周年的到来，GasFree的普及与应用，必将为整个行业带来更多惊喜与可能。 @justinsuntron @DeFi_JUST #TRONEcoStar#

Google AI Studio安卓版开启预注册 谷歌正式将网页端开发环境 Google AI Studio 搬上手机。目前，该应用的 Android 版已在 Google Play 商店上线并开启预注册，主打让用户通过手机自然语言交互，随时随地进行「Vibe Coding」。 官方应用介绍指出，灵感不会专门等你坐到办公桌前，它往往出现在沙发上、公交上或半夜里。移动版 AI Studio 的核心定位，就是帮你立刻抓住这些火花并转化为现实。 #AI# #AIAgent#

人类面对“AI雇员”的竞争，毫无招架之力！失业大潮或将席卷全球 20小时工作只需21美元！SemiAnalysis实测AI代替人工，结果骇人：最高ROI近94倍 知名半导体与 AI 行业研究机构 SemiAnalysis 公开了其分析师团队的 AI 代工实测数据。该团队持续追踪了涵盖公司研究、财报速递、会议纪要挖掘和财务数据拉取的 9 个真实工作流，用 Token 消耗与人工成本的硬核对比证明 AI 回报是真实且结构性的。实测显示，所有任务的投资回报率（ROI）均超过 10 倍，大部分集中在 60 至 90 倍之间，其中一项公司研究任务仅耗费 21.33 美元 Token 便替代了 20 小时的人工，ROI 高达 93.8 倍。 为了展示 AI 工具在实际业务中的具体效益，SemiAnalysis 披露了多项代表性任务的实测数据。 • 针对惠普企业（Hewlett Packard Enterprise，简称 HPE）的深度公司研究，Token 成本仅 21.33 美元，即可替代价值 2000 美元的人工（耗时 20 小时），ROI 达 93.8 倍。 • 财务数据拉取与 Excel 邮件发送，Token 成本仅 1.87 美元，即可替代价值 150 美元的人工（耗时 3 小时），ROI 达 80.2 倍。 • 针对迈威尔科技（Marvell）的财报速递，Token 成本仅 2.82 美元，即可替代价值 200 美元的人工（耗时 4 小时），ROI 达 70.9 倍。 • 构建代币经济学披露 Slack 机器人，Token 成本为 58.02 美元，即可替代价值 1000 美元的人工（耗时 20 小时），ROI 达 17.2 倍。 除了内部实测，SemiAnalysis 还通过外部 AI 编程工具的爆发式数据，印证了整个行业被 AI 渗透的极速扩张。该机构每日追踪 AI 编程智能体 Claude Code 的 GitHub 提交记录（GitHub Commits），数据显示在 2026 年 2 月，该工具的日提交量已突破 13.4 万次，占 GitHub 公开提交总量的约 4.0%，在 13 个月内实现了 42896 倍的爆发式增长。其最新的内部追踪数据显示，这一增长曲线目前仍在持续向上攀升。 SemiAnalysis 认为，一旦体验过将 20 小时繁琐任务压缩至 21 美元 Token 消耗的效率飞跃，分析师的工作流便再难退回手动时代。不过，随着合规与 IT 限制导致银行等大型机构尚未大规模接入，AI 在企业级市场的真正爆发才刚拉开序幕。 #AI# #AIAgent#

最近链上 AI 概念又开始活跃了 🤖✨，Gitlawb 这种偏 AI + 开发工具叙事的项目热度明显在升 📈👀 WEEX 这波直接给了 50,000 USDT 空投池 🎁💰，玩法还是熟悉的“低门槛撸空投”路线 👇 ✅ 首充、首笔现货、每日交易都能拿奖励，最高还能抽 50U 体验金 🎲 感觉现在很多人已经不只是冲短线了 🤔💡， 而是在提前埋伏下一轮 AI + Web3 的流量入口 🎯🚀 有时候一个新币还没正式起飞 🛫， 空投和早期活动阶段反而是性价比最高的时候 💎⏰ 活动链接： 📢 weex 正在进行 Tradfi 现货交易赛，建议关注 🏆 #WEEX# #GITLAWB# #空投# #AI# #Crypto#

电信将推出天翼 Token 币和 Token权益，这是什么，为何三大运营商开始全面推广Token套餐？ 中国电信推出系列试商用Token套餐，分为三类：面向开发者及中小微企业客户，推出基础版、专业版、旗舰版三档Token Plan，每个月资费价格分别为39.9元、159.9元、299.9元，分别对应每月1500万Tokens、7000万Tokens、1.5亿Tokens；面向个人及家庭客户，推出轻享版、畅享版、尊享版三档Token Plan，每个月资费价格分别为9.9元、29.9元、49.9元；面向Token生态合作伙伴，中国电信即将推出天翼Token币和Token权益。 上海移动推出Token通用服务，实现 “一号通用、跨平台使用、话费支付”，并联合腾讯推出AI原生工作台，以低成本、便捷化方式让市民与小微企业轻松用AI能力，1元40万Tokens，实现 “一个额度、一个价格、任选模型”，还可支持话费账单支付。 上海联通发布政企全栈AI产品体系，推出多元化算力服务、多档Token产品及融合套餐，启动算力普惠行动，并升级模型服务、数据平台与智能体超市，覆盖数据治理、模型调用、应用开发全流程，助力企业轻量化、低成本实现数智化转型。 上海联通发布政企全栈AI产品体系，推出多元化算力服务、多档Token产品及融合套餐，启动算力普惠行动，并升级模型服务、数据平台与智能体超市，覆盖数据治理、模型调用、应用开发全流程，助力企业轻量化、低成本实现数智化转型。 AI浪潮下，大象能否再次起舞 2026年5月17日，世界电信日。这一天，中国电信、中国移动、中国联通不约而同地扔出了同一枚棋子——Token套餐。 中国电信推出系列试商用“词元（Token）套餐”，面向个人用户每月9.9元起，含1000万Tokens；中国移动上海公司推出“魔力算”Token通用服务，1元可购40万Tokens；中国联通上海分公司发布多档Token产品及融合套餐。 这意味着什么？AI算力，正式进入“话费化”消费时代。蛰伏多年的通信大象，终于在AI浪潮中迈出了起舞的第一步。 一、黄金时代：曾经，大象是草原之王 把时间拨回二十年前。那时候，中国移动的短信拜年能让系统瘫痪，中国电信的固话装机要排队三个月。运营商的黄金时代，卖的是语音通话时长，卖的是短信条数，卖的是数据流量套餐。那是大象的巅峰时刻。 2012年，全球移动数据流量增长超过70%，中国移动的数据流量增长率超过150%。运营商手握网络、计费、用户三张王牌，是整个数字经济的“税吏”——所有互联网公司的业务，都跑在它们的管道上。但危机，也在这个巅峰埋下了种子。 二、管道化陷阱：大象沦为“搬砖工” 移动互联网时代来了。微信替代了短信，微信电话替代了语音通话，抖音和快手吞噬了流量，但运营商只收到“过路费”。互联网公司吃肉，运营商喝汤。 数据不会说谎。2025年，三大运营商营收增速全部跌至1%以内——中国移动增长0.91%，中国电信增长0.07%，中国联通增长0.68%。这是近年来最低的一年，行业彻底告别规模扩张时代。 更扎心的是利润。2026年一季度，中国移动归母净利润同比下降4.21%，中国电信下降17.08%，中国联通下降17.99%。传统业务ARPU值持续走低，流量红利已吃到尽头。 屋漏偏逢连夜雨。2026年1月1日起，流量、宽带等服务的增值税税率从6%上调至9%，年均税负增加数十亿元。运营商沦为了“哑管道”——用户用你的网，但不知道你的存在；互联网公司用你的网，但不给你分利润。大象被困在了自己的领地上。 三、Token时代：大象看到的新草原 转机出现在AI大模型的爆发。2026年3月，中国日均Token调用量突破140万亿，两年增长超千倍。每一次AI对话、每一段AI生成内容、每一个智能体执行任务，背后都是Token的消耗。 Token是什么？是大模型处理信息的最小基础单元。它有三个核心属性：可计量、可定价、可交易。这三个属性，恰好是运营商最擅长的领域。于是，从“卖流量”到“卖Token”的转型逻辑浮出水面。 中国移动董事长陈忠岳提出，要将Token打造成连接算力、模型、应用与用户的“通用货币”。中国电信董事长柯瑞文则强调，“Token经营的本质就是为用户提供AI服务”。这不是简单的计量单位替换，而是大象从“管道工”向“智能服务组织者”的角色跃迁。 四、三个有利：大象起舞的底气 第一有利：账户与计费体系——天生的“收银台” 运营商拥有全国最成熟的账户、鉴权、计费和清结算体系。10亿级用户、话费支付通道、按月结算习惯——这些能力是任何互联网公司都不具备的。当Token可以像话费一样按月购买、话费支付、跨平台使用时，运营商的天然优势就凸显出来了。 第二有利：政企客户与属地服务——深耕行业的“地头蛇” 运营商拥有覆盖全国的地市、区县服务网络，以及庞大的政企客户基础。AI落地的最大场景不是C端娱乐，而是B端产业赋能——智慧工厂、智慧医疗、智慧城市，每一个都是运营商深耕多年的领地。 第三有利：云网边端协同——算力时代的“基础设施之王” 运营商拥有从网络到算力、从边缘到中心的完整基础设施。中国移动的“云、管、端、边”一体化运营能力，中国电信的“智能云即Token经营体系”，都指向一个事实：在算力成为新水电的时代，大象本就是水电网络的所有者。 五、三个不利：起舞之路的荆棘 第一不利：定价混乱与标准缺失 目前，各家运营商的Token套餐定价差异悬殊。同样是1000万Tokens，中国电信定价9.9元，中国移动北京分公司定价24.9元。更核心的问题是，Token跨平台流通体系尚未建立。中国电信的Token主要适配自家星辰大模型，切换到其他模型后，可用额度会变动。Token要成为“通用货币”，先得解决“汇率”问题。 第二不利：平台公信力的悖论 运营商想做AI能力的中立组织者，但自己也在做大模型。中国移动MoMA平台既接入了DeepSeek、通义千问等外部模型，也接入了自研“九天”模型。这是一个经典的平台悖论：你既想当裁判，又想当运动员。外部模型厂商凭什么放心把客户关系交给运营商？这是大象必须回答的问题。 第三不利：从“卖资源”到“卖能力”的基因转变 过去二十年，运营商擅长的是卖带宽、卖流量、卖专线——卖的是标准化的资源。而Token经济的核心，是卖模型调用、智能体执行、行业场景能力——卖的是非标准化的服务。从套餐思维到编排思维，从单边经营到多边生态，这需要大象完成一次基因层面的蜕变。 六、悲观还是乐观？ 我的答案是：谨慎乐观。 悲观的理由是真实的：运营商的转型已有前车之鉴——云计算时代，它们也喊过“云网融合”，最终市场份额远不及阿里云、腾讯云。如果Token经营只是把“GB”换成“Token”，那不过是换汤不换药。 乐观的理由同样坚实：Token经济的核心是“服务组织”，而不是“资源售卖”。运营商在这条赛道上拥有互联网公司无法复制的优势——账户体系、政企关系、属地服务、合规能力。 最关键的是，这一次，大象不再单打独斗。中国移动联合阿里云、火山引擎等8家伙伴成立“Token应用生态联盟”，计划3-5年投入百亿级生态资源；中国电信也成立了覆盖产业链全环节的Token生态联盟。 “士别三日，即更刮目相待。”从语音到流量，从流量到Token，这头大象正在学习新的舞步。舞姿或许还不够优雅，步伐或许还有些踉跄，但这一次，它至少踏上了正确的舞池。星辰大海，征途在前。大象起舞，好戏才刚刚开始。 #AI# #AIAgent#

Codex 入门只需要搞懂这 5 件事 Codex 的教程满天飞，长的写了上万字，短的就甩你一个安装命令。 但大部分人看完还是不会用。不是因为教程写得不好。 是因为 Codex 跟你以前用过的所有 AI 工具都不一样，你拿着老习惯去用，当然用不顺。 这篇不讲历史，不比模型参数，只讲 5 件事。 搞懂这 5 件事，你就能真正开始用 Codex 干活了。 第一件：它是 Agent，不是 Chat 先纠正一个最常见的误解。 很多人第一次打开 Codex，觉得跟 ChatGPT 差不多，都是一个对话框，输入问题，等它回答。 不是。 ChatGPT 是问答式的，你问一句，它答一句。聊完关掉，什么都不剩。 Codex 是执行式的。你给它一个任务目标，它会围绕这个目标持续推进——读文件、改代码、跑测试、做 commit。 它不是在「回答你的问题」，它是在「替你干活」。 打个比方：ChatGPT 像一个随时能问的顾问。Codex 像一个你雇来的实习生，你告诉他目标：他自己去找文件、改东西、跑一遍看对不对。 这个认知差异很重要，因为它决定了你跟 Codex 说话的方式。 ❌ 错误用法：「帮我写一个 Python 爬虫」（太模糊，没有上下文） ✅ 正确用法：「看一下这个项目目录，把 README 里的安装步骤补完整，然后跑一遍确认没有错误」 Codex 需要的不是问题，是任务。有目标、有范围、能验证。 第二件：文件夹 + Thread = 项目管理 打开 Codex 之后，左边栏有两层结构。很多人一开始会忽略它，直接在对话框里开始打字。 别急。先搞清楚这两层。 文件夹：就是你本地的项目目录。你把哪个文件夹加进 Codex，它就能看到里面所有的文件。 Thread（线程）：一条围绕某个具体目标持续推进的任务线。一个文件夹里可以有很多条 Thread。 举个例子： dev/ ├── my-website/ （项目） │ ├── Thread 1：修复首页 bug │ ├── Thread 2：加一个联系页面 │ └── Thread 3：优化移动端样式 └── my-bot/ └── Thread 1：接入飞书 webhook 文件夹装项目，Thread 装任务。 这个设计解决了一个以前用 AI 最头疼的问题：所有东西搅在一起。 以前用 ChatGPT，你在一个对话里又聊需求又改代码又问 bug，聊着聊着就乱了。 Codex 把项目和任务拆开了，不同的事情在不同的 Thread 里推进，互不干扰。 黄金法则记住一句话就行：同一个文件夹做同一个大方向，同一个 Thread 只推进一件具体的事。 第三件：Plan Mode 比 Coding 重要 10 倍 如果这篇文章你只记住一个功能，那就是 Plan Mode。 在 Codex 对话框里输入 /plan，它会先帮你做一件事：不写代码，先把要做的事情理清楚。 它会告诉你： 要改哪些文件 每个文件为什么要改 先做什么后做什么 有没有遗漏的依赖或配置 你确认没问题了，再让它开始写代码。 为什么这个功能比直接让它写代码重要？ 因为大部分人用 AI 出问题，都不是「AI 不会写」，而是「你没想清楚要做什么」。 一上来就说「帮我做个网站」，AI 写出来的东西大概率不是你想要的。 但如果你先让它出一个计划——要建几个页面、用什么框架、数据从哪来——你确认一遍再动手，成功率高到离谱。 推荐工作流： 大型任务 → /plan 先规划 → 确认计划 → 开始开发 小型任务 → 直接说清楚目标和范围 → 开始开发 还有一个好用的命令：/status，能看到当前用量和剩余额度。越用越多的时候，随时知道自己还剩多少资源。 第四件：Skills 让它成为你的专属工具 Codex 有一个 Skills（技能）系统。说白了就是：你可以给它装「插件」，让它会做更多事。 比如有人做了一个 skill 叫 bggg-creator-image2ppt，装上之后 Codex 就能把图片转成可编辑的 PPT。 Skills 存放在 ~/.codex/skills/ 目录下，装一个 skill 就是把对应文件夹放进去。 而且 Codex 现在有图形化的 Skill Creator——你不用自己写配置文件，直接告诉它「我想做一个什么功能的 skill」，它帮你生成。 对小白来说，Skills 的意义是：Codex 不是一个固定功能的工具，它是一个可以不断扩展的平台。 别人做的好用的 skill 你可以直接拿来用，自己有需求也能让 Codex 帮你创建。 先不用急着装一堆，但你得知道有这个东西。等你用顺了之后，Skills 会成为你最常折腾的部分。 第五件：先做一个 5 分钟能验证的小任务 很多人装完 Codex 之后，第一反应是想做个大项目。 别。 你的第一个任务应该小到不能再小。比如： 改一个 README 里的标题 把一段英文翻译成中文 修一个明显的错别字 让它分析一下某个项目的目录结构 为什么？因为你需要建立验证能力。 你要能看懂它改了什么，要能确认结果对不对。要能在它改错的时候知道怎么回退。 这些能力建立不起来，做再大的项目也是在赌。 推荐的起步顺序： 第一步：加一个文件夹，开一条 Thread 第二步：给一个很小的任务，看它怎么执行 第三步：用 git diff 看它改了什么 第四步：确认没问题，再给下一个任务 MaynorAI 在他的教程里说了一句话，我觉得说得特别准： 小白用 Codex，真正最重要的不是先学会所有技术细节，而是先建立 3 个能力：会描述目标、会拆分任务、会检查结果。 这三件事做顺了，后面你会越来越快。 附：安装速查 你需要什么： ChatGPT Plus / Pro / Team 账号（Codex 包含在订阅里） macOS 或 Windows 10 安装： Mac：App Store 搜索 Codex，或者直接下载 → Windows：微软商店搜索 Codex，按提示安装 打开之后登录你的 OpenAI 账号就行。 第一次打开建议做的事： 设置 → Personalization 里写上你的协作偏好（比如「默认中文」「改动前先说计划」） 加一个本地文件夹进来 开一条 Thread，给一个很小的任务试试 #AI# #AIAgent#

GOAT Network 刚刚把第二季用户旅程的第四阶段推出来了，叫Agent Growth Showcase。这是整个赛季的收官环节，也是选出本季GOAT Agentic大使之前的最后一步。时间窗口很短，5月17日到26日，就这几天。 这个阶段的设计很有创意。官方让大家晒出三样东西：代理在整个第二季里是怎么成长的、最好用的案例或者某个最喜欢的互动瞬间、以及ClawUpAI在部署和上手方面有多顺滑。还要说明自己的代理凭什么在GOAT生态里能打。 奖励350美元，不算多，但参与的渠道很开放，X、CMC、币安广场三个平台都行。发完帖子之后提交链接加截图、ClawUp用户名还有EVM地址，去Discord里交。交完之后还能领一个Agentic身份角色。 社区的反应越来越热。有人说第二季把自己的代理锻造成了一个真正的GOAT，能展示智能、成长轨迹还有实际用处。也有观点提到，这个赛季不只是看最终产出，关键是那些搭建的人怎么试错、怎么改进、怎么找到真正好用的工作流。还有人专门点出，ClawUpAI让部署变得太容易了，这是很多人能持续玩下去的基础。 更有意思的是，有人在讨论这种公开记录代理演化的方式。每隔一段时间就展示一下进展，整个赛季走下来，那种成长的时间线看得清清楚楚。有人直接说，自己的代理已经从一个小工具进化成了生态里的GOAT竞争者。还有人看得更远，觉得GOAT生态正在走向可识别的代理身份和声誉体系，这可能会成为未来代理社区的一个重要组成部分。 GOAT Network这套做法解决了一个挺核心的问题。很多类似的东西跑完一个赛季就散了，没有积累，没有可追溯的成长记录。但他们这个机制不一样，每个代理的进化路径都被记录、被展示、被社区看见。350美元的奖励本身不是重点，重点是这个机制让所有人都愿意认真去打磨自己的代理。 第二季一路跑下来，社区的热情一直在往上走。有人错过了第一季，第二季从头跟到尾，觉得这个旅程本身就很有意义。还有人直接锁定最后这个阶段，准备拿出自己最好的成果来参与竞争。这种氛围不是靠奖励堆出来的，是因为大家真的看到了自己代理的成长，也看到了整个生态的演化方向。 GOAT Network这种基于比特币安全基础的设施，再加上ClawUpAI这种降低部署门槛的工具，形成了一套正向循环。代理越多，场景越多，生态越丰富，吸引进来的建设者就越多。第二季的第四阶段本质上是在给这套系统做一次集中展示和压力测试。从社区的参与深度和讨论质量来看，效果是超出预期的。有人提到“展示实际进展让整个旅程更有意义”，这句话点出了核心。 未来的发展空间有多大，取决于这些代理能不能真正跑起来，解决实际问题。但从第二季的反馈来看，已经有人在上面找到了好用的工作流，有人搭建了可用的案例，有人在持续迭代自己的代理。这种自下而上的成长方式，比自上而下的规划要扎实得多。350美元的奖励也好，Agentic大使的头衔也好，都是锦上添花的东西。真正的价值在于，每个人都能看到自己的代理在变强，整个生态在变大。 GOAT Network选择的这个方向，加上ClawUpAI的易用性，再加上这种公开透明的成长记录机制，让参与的人既有动力也有路径去持续优化。第二季的第四阶段不是一个结束，更像是下一阶段的起点。社区里已经有人在问团队怎么记录这个赛季的影响力，说明大家已经不只是为了奖励在玩，是真的在意自己做的事情能不能被看见、被记住。 这种文化一旦形成，后续的爆发力会很强。 @GOATNetwork @ClawUpAI #LFGoat# #GOATNetwork# #AI# #BTC# #L2# #AIAgent#

龙虾的对手来了？我试了一下Hermes Agent 这几天推荐 Hermes Agent 的人突然多了起来。 我自己装了一个跑了两天，说说感受：确实还可以。不是那种「又颠覆了」的程度，但能明显感觉到它的设计思路跟龙虾不是一回事。 先说一下背景，Hermes Agent 是 Nous Research 今年 2 月底开源的 AI 智能体框架。 上线不到两个月，GitHub 星标冲到了三万多。社区里不少人把它称为 OpenClaw 上线以来，第一个真正意义上的竞争对手。 两个项目表面上很像，都是自托管的开源 Agent，都能接 Telegram、Discord、Slack、WhatsApp。都支持多模型切换，都走 MIT 协议。 但骨子里完全不同。 龙虾是网关，Hermes 是引擎 OpenClaw 的核心是一个 Gateway。网关守护进程，负责统一管理会话、路由消息、连接各种聊天平台。 你可以理解成一个调度中心，把所有聊天应用接到 AI Agent 上。 龙虾解决的核心问题是：怎么把消息送到 Agent Hermes 不太关心这个，它更在意的是：Agent 怎么变得越来越强 官方管这叫 closed learning loop，闭环学习循环。整个框架围绕的就是一件事——让 Agent 在使用过程中自我进化。 打个比方，龙虾是个多渠道助理操作系统，什么聊天工具都能接，生态丰富。 Hermes 是一个会自我迭代的执行引擎，刚开始没那么花哨，但越用越能打。 这是最根本的区别，后面所有差异都从这分叉出来。 会自己写技能的 Agent 我觉得这是 Hermes 最有意思的地方 当它完成一个复杂任务——通常涉及五次以上工具调用——它不是做完就算了。 它会把整个过程沉淀成一份结构化的技能文档，存成 Markdown 文件，放在 ~/.hermes/skills/ 目录下。 下次遇到类似任务？直接加载这份技能文档，不用从头解决。 更狠的是，这些技能在使用过程中会自我迭代。Agent 执行某个技能时发现了更好的方法，它会自动更新技能文档。不需要你手动维护。 Reddit 上有用户反馈，他的 Agent 在两小时内自动生成了三份技能文档。之后跑重复性研究任务，速度提升了 40%。 龙虾也有技能系统，但龙虾的 Skill 主要靠人手写，或者从 ClawHub 技能市场安装。Hermes 等于把「写技能」这件事也交给了 Agent 自己。 一个靠人喂，一个自己长。 我试用的时候确实感受到了，让它帮我查了几轮开源项目的信息，第二天让它做类似的事，它明显快了。 不用再教它「先去 GitHub 看 README，再去看 Issues」这种流程。它自己能记住了。 记忆体系：搜索引擎 vs 笔记本 两者都说自己有跨会话记忆。但实现方式差很多。 Hermes 的做法 用 SQLite 数据库配合 FTS5 全文检索，把所有历史对话存下来。需要调用时，先搜索再让模型做摘要，然后塞进上下文 不是把整段对话历史搬过去，Token 不会爆 记忆分两层： 常驻层：MEMORY.md 和 USER.md。存关键偏好和核心信息，每次对话都带上，相当于硬记忆。 检索层：全量历史在 SQLite 里，容量不限，按需调用，相当于一个私人搜索引擎。 龙虾的做法 工作区里的 Markdown 文件，memory.md 记生活细节，向量索引做语义检索。上下文压缩前会静默写入一次记忆，防止压缩丢信息。 简单类比：Hermes 给 Agent 装了个搜索引擎式的大脑。龙虾给了它一个笔记本。 搜索引擎查东西更精准，笔记本翻起来更直觉。但记忆量大了之后，搜索引擎的优势会越来越明显。 安全思路也不一样 Hermes 搞了一套五层纵深防御： 用户授权：白名单 + DM 配对 危险命令审批：rm -rf、chmod 777 这些高风险操作要人工确认。默认 60 秒没批准，自动拒绝 容器隔离：终端命令跑在 Docker 容器里，不在宿主机上裸跑 MCP 凭据过滤：隔离 MCP 子进程的环境变量，防凭据泄露 上下文注入扫描：检测项目文件里的 prompt injection 攻击 这套设计思路是「默认不信任，层层设卡」，龙虾那边更强调信任模型和配置审计 它有个 openclaw security audit 命令，一键扫描网关配置的安全隐患。思路不一样，但也不能说不好。 但龙虾在安全上的历史确实不太好看。今年 2 月曝出一批高危漏洞——CVE-2026-25253 是一键远程代码执行，点个链接就能接管你的机器。 ClawHub 技能市场还出了 ClawHavoc 攻击活动，恶意技能伪装成加密货币追踪器、YouTube 摘要工具，实际在偷浏览器会话和 API 密钥。 这不是小事。你的 Agent 跑在本地，权限很高。安全出了问题，搞不好整台电脑都交代了。 Hermes 的五层防御在架构层面想得更远。当然，有没有自己的坑还得等时间检验。但至少出发点比「先跑起来再说」靠谱。 选哪个？看你要什么 先说最实在的：如果你现在用的 Agent 已经顺手了，别换！换工具的迁移成本远比你想的高。 想要现成生态 → 龙虾 三十多万星标意味着教程多、插件多、问题容易搜到答案。ClawHub 上几千个 Skill 直接装。你想接 QQ、飞书、钉钉，社区里都有人踩过坑。 想要长期进化 → Hermes 它不是装好就一成不变的工具。用得越久，它对你的工作方式理解越深，技能库越厚。如果你是搞 AI 研究的，它还能生成训练轨迹、跑强化学习实验。内建了兼容 OpenAI API 的服务端，直接接 Open WebUI。 部署成本都不高，Hermes 跑在 5 美元一个月的 VPS 上就够。也支持 Docker 和各种 serverless 方案。 安装不复杂，参考官方文档就行： 两个项目我都装过。 龙虾像一个装了一堆 App 的手机。开箱即用，什么都能干，生态成熟。 Hermes 像一个会自己下载 App 的手机。刚开始没那么好用，但用着用着，它变成了你的形状。 喜欢折腾的，两个都试试。不喜欢折腾的，等 Hermes 社区再成熟一阵子再来看也不迟。 #AI# #AIAgent#

距前代发布仅四周，阿里Qwen3.7空降大模型竞技场！旗舰款登顶国产第一 阿里千问团队在 悄然上线 Qwen3.7 系列首批预览版：Max 与 Plus。新版本强制锁定为深度思考模式，并为此临时禁用了联网搜索与代码解释器。 在最新出炉的大模型竞技场 Arena 榜单中，Qwen3.7 拿下了文本与视觉领域的双料国产第一。 其中，旗舰款 Qwen3.7-Max-Preview 位列文本总榜全球第 13，将阿里实验室的文本研发排名推高至全球第 6。新模型在硬核推理赛道全面挤入全球前十：数学第 7、专家提示与软件 IT 第 9、代码生成第 10。 主打视觉的 Qwen3.7-Plus-Preview 则拿下视觉榜全球第 16。这也将阿里的整体视觉研发实力推高至全球第 5 位。 前代旗舰 Qwen3.6-Max-Preview 在 4 月 20 日才发布，仅隔 28 天便推出 Qwen3.7 预览版，产品迭代速度极快。此次赶在会前「偷跑」上线，显然是在为 5 月 20 日于杭州开幕的 2026 阿里云峰会造势，届时官方将正式揭晓新基座的技术底牌与商业部署。 #AI# #AIAgent#

USD1与WLFI生态价值深度解析 成长势能持续释放 在加密稳定币赛道里，USD1的生态运营节奏一直保持着稳步推进的状态，不出所料，币安持仓奖励活动不间断续期，从2026年1月23日一直延续到2026年6月12日，整整四轮福利活动无缝衔接，给持仓用户派发WLFI奖励，整个福利周期覆盖时长至少达到16周，市场里不少参与者都戏称，USD1的福利续杯已经从初始档位一路延续到高阶档位。 仅需将USD1放置在指定账户中，就能稳定获取理财收益，核心目的就是培养用户长期留存资产的习惯，让USD1自然成为用户沉淀在币安账户体系内的核心资产。更关键的是，四轮活动均没有设置个人奖励上限，这样的规则设计吸引了大量行业大户以及机构资金进场参与，进一步夯实了USD1的资金底盘。 币安对USD1的全方位扶持力度，也能直观体现出这款稳定币的核心价值支撑。5月18日UTC时间九点，币安正式上线BTCUSD1永续合约交易对，采用USDⓈ保证金模式，最高开放100倍交易杠杆，直接打通了USD1从单纯持仓资产向交易工具转化的路径，让用户持有USD1之后，能顺畅参与衍生品交易，完善了资产使用闭环。与此同时，USD1成功跻身币安期货投资组合保证金最高抵押等级，抵押比率直接定格在99.99%，这一数值足以证明平台对USD1资产安全性、稳定性的高度认可，也大幅提升了其在合约交易、资产抵押场景中的实用价值。 抛开外界热议的概念叙事，USD1能快速站稳市场并持续扩张，核心底气来自自身搭建的成熟信任结构。不同于普通代币单一的叙事逻辑，USD1跳出浅层概念包装，打造出适配行业发展的底层价值体系，同时承载资金沉淀、交易对计价、保证金抵押、永续合约结算、跨链资产流通等多重功能，未来还具备落地跨境支付场景的巨大空间。对于交易所生态而言，USD1早已不只是一枚普通稳定币，更是搭建起一条高效率的美元流通轨道，大幅提升整个生态的资本运转效率。 从后续落地规划来看，USD1的应用版图还在持续拓宽。按照当前发展节奏，后续会逐步落地两大核心应用方向，一方面接入U卡产品体系，实现日常场景直接扣费功能，打通线下线上支付链路；另一方面对标USDC与美元1:1兑换模式，搭建USD1专属出入金通道，既能丰富资产流转渠道，还能反向稳固USD1与美元1:1的锚定稳定性，形成生态正向循环。 对于持有者而言，USD1除了生态权益加持，还能在汇率波动环境中发挥资产保值作用，在美元兑人民币汇率波动阶段，持仓赚取的理财收益可以有效对冲汇率带来的资产损耗。而WLFI作为生态核心代币，依托USD1庞大的用户基数和应用场景，自身价值支撑也愈发坚实，随着币安持续加码扶持、应用场景不断落地、机构与大户资金持续入驻，USD1和WLFI的成长空间被进一步打开，长期增值潜力凸显，在稳定币与公链生态赛道中，具备扎实的长期配置价值，后续成长动能十分充足。 @worldlibertyfi #USD1# #WLFI# @binance #Binance# #BTC#

AGI预测的真相：为什么越懂的人越激进 先说个有意思的现象：越懂技术的人，对AGI的预测越激进。 2020年的时候，预测平台上的中位数还是40年后。ChatGPT一出来，立马变成15-20年。现在呢？2030年，也就是5年内。 黄仁勋说2-3年，Anthropic的CEO说2026年，OpenAI的CEO直接说今年。 这说明什么？距离技术越近的人，越能看到内部的真实进展。他们不是在瞎猜，是在基于他们看到的具体数据做判断。 所以AGI在5年内出现，这不是天方夜谭，而是大概率事件。 但这里有个更深层的问题 AGI的本质是什么？不是什么"人工智能"，而是一个比人类更聪明、不知疲劳、计算能力更强的存在。 龙波提到的推荐系统演变很有意思：未来的推荐系统会深入理解你的需求，甚至替你做决策。电商可以自动送货上门，你都不用下单。 这就是AGI的雏形。 问题是，当这样的智能体能够完成大部分人类工作，而且做得更好的时候，我们在讨论什么？ 我们在讨论人类存在的意义。 别扯什么"解放人类" 很多人说AGI会解放人类，让我们不再为生计奔波，可以去思考"人真正应该做的事情"。 这话听起来很美好，但问题是：大部分人知道自己"真正应该做的事情"是什么吗？ 人类的价值感很大程度上来自于工作、创造、解决问题。当这些都被AGI取代，你觉得人类会变得更有意义，还是会陷入前所未有的存在危机？ 这不是悲观主义，这是现实。 ASI才是真正的挑战 AGI只是开始。龙波提到的"涌现"现象很关键：大型模型在规模扩大后会突然展现出不可思议的能力。 第二次"涌现"会带来ASI。大量AGI级别的智能体相互交流、协作、学习，形成一个类似人类社会的智能体系。 时间线是什么？如果AGI在5年内实现，ASI最长10年内就会出现。 ASI带来的"文明加速"是什么概念？10年内达到人类100年的发展水平，20-30年内达到人类200-300年的水平。 这不是科幻小说，这是数学推演的结果。 我们真正应该思考的问题 不是AGI什么时候来，而是： 当AGI比我们更聪明的时候，人类的独特价值在哪里？ 当大部分工作被取代的时候，我们如何重新定义成功和价值？ 当ASI实现文明加速的时候，人类是参与者还是旁观者？ 这些问题，现在就得想清楚。 因为5年后，可能就没时间想了。 说白了，AGI不是技术问题，是哲学问题。不是什么时候来的问题，是我们准备好了没有的问题。 而从目前的讨论水平来看，我们远远没有准备好。 但时间不等人，AGI也不会。 #AI# #AIAgent#

有没有发现你说话越来越像AI了 最近我读到一篇文章，证实了我所担心的最坏的事情还是发生了，AI 正在像病毒一样污染人类，让人类也变成 AI。 作者是阿明·罗纳赫，这是一位元老级大神，全球几百万开发者都在用他打造的工具。 他最近写的这篇文章，核心观点就一句话：AI 不仅在污染我们读的东西，更恐怖的是，它正在改写我们怎么说话、怎么写字，最后腐蚀掉人和人之间最基础的信任。 他把自己过去90天和AI编程对话的记录做了一次词频统计，结果他发现，像“capability”“substrate”“nuanced”这些词，在 AI 给他的回复里出现的频率，远远高于历史正常水平。 也就是说，AI已经形成了一套自己独特的语言指纹。 但这不是重点，重点是，你天天看AI写的这些东西，你跟AI聊多了，这些词就会像病毒一样钻进你的脑子里。 更可怕的是，我以前一直觉得自己有一个很强的点就是能一眼看出来哪篇文章是AI写的，因为我对AI写作的风格非常了解。 所以我会本能地自动跳过那些纯AI生成的文章。 但是最近我遇到了和阿明·罗纳赫一模一样的苦恼，那就是我刷社交媒体的时候发现，越来越多回复读起来都像AI写的，但其实发帖的人，不少是自己认识的真人，而且你知道他并不是用 AI 写的。 也就是说，人类读了太多AI生成的文本之后，无意识地吸收了AI的那种腔调。 比如阿明·罗纳赫今年年初做了一次演讲，演讲里就用了“substrate”的这个词，他说他也不知道自己是从哪学来的这个词，但用着觉得很顺手。 结果后来发现，这个词到处都是，他的AI编程助手也特别爱用。 说到这里，你可能会想，这有什么大不了的？用词变了而已。 但如果你再仔细想一想就会发现更可怕的事情。 阿明·罗纳赫在文章里说了这么一句话，他说：“当我开始仅仅因为一个人使用 AI 味的措辞就不信任他的时候，整个社会的信任就在被侵蚀。 ” 他说，他的一个朋友，现在跟陌生人聊几句就会强制对方打电话过来。 只为了确认对面是个活人，以免和一个AI聊天浪费时间。 以前，我们访问网站和App的时候可能会要求你输一个图形验证码来证明你是人类，但未来可能我们面对每一个人在生活中都需要验证对方是人类了。 也就是说，我们已经进入了一个螺旋向下的漩涡里，每个人都在肉眼可见的速度成为AI，但同时又在提防其他人成为AI。 我们一边读AI生成的文章，一边努力寻找真人的声音。 那怎么破局呢？ 我觉得最根本的解法是我们得重新尊重那些有摩擦力、有温度的交互。 要慢一点，深思熟虑一点，因为真正的信任，只能建立在这种看似低效但是真诚的基础上。 人工智能可以成为我们的辅助工具，但绝不能任由它潜移默化改造我们的思维与表达。 这考验的是我们能不能守住自己作为人的底线。 #AI# #AIAgent#

8G/12G/16G/24G显卡都能跑啥模型？ 现在的本地模型都非常的强了，那你的显卡能跑什么样的模型。请参考图片计算。 qwen3.5, gamma 4等等。龙虾，爱马仕 都很耗token, 你可以试试本地的模型，必要时可以api调用 了解下计算方法 #AI# #AIAgent#

现在对AI模型能力有个挺明确的感受：不再有谁全面领先，关键看你拿它干什么。ChatGPT、Claude、Gemini三家走了完全不同的路，各自的长板短版现在看得清清楚楚。要是你只盯着一家用，碰上不对口的任务，等于拿着锤子找钉子。 先交代一下版本，2026年5月这三家的旗舰分别是OpenAI的GPT-5.5、Anthropic的Claude Opus 4.7，还有Google的Gemini 3.1 Pro。 ChatGPT像个工具箱，什么都往里装。 它的产品矩阵最全，一个订阅下来，GPT Image 2多模态生图、Sora视频生成、Code Interpreter上传数据跑代码分析、Deep Research自动联网爬几十个网页出报告、Codex做编程agent，基本不用再去别处凑工具。语音对话也是三家里面最自然的，语气有起伏，不僵硬，拿来练口语或者做语言交换，体感最好。商业策略类的推理，有第三方盲测对比过，像“竞争对手降价你怎么应对”这种结构性问题，ChatGPT表现排第一。加上它是第一个跑出来的，插件生态、自定义GPTs的成熟度，其他两家暂时还追不上。 Claude走的是精度路线，尤其写作和代码。 中英文输出最不像AI写的，能贴着你的风格要求走，不会冒出那种千篇一律的填充感。有个134人参与的盲测，写作类比拼Claude几乎是碾压式赢下来的。指令遵循也最稳，你给一长串带各种约束条件的复杂指令，它漏掉条件或者跑偏的概率最低。法律文书、合规文档、结构化文档这些高精度场景，Claude的可靠性很突出。代码方面，Claude Opus 4.7在SWE-Bench Pro这个真实世界编程基准上处于领先，复杂代码、大型代码库重构、架构理解，很多专业开发者把Claude Code当首选。上下文支持1M token，整本书、整个代码库、超长合同丢进去，深度理解和连贯性都强。还有一个Cowork功能，是三家里面唯一能直接在你电脑文件夹里干活的，浏览文件、处理、生成交付物，都在本地操作。 Gemini的多模态理解和Google生态绑定是它最硬的两张牌。 图像、视频、音频理解，Gemini 3.1 Pro在三家里最强。举个例子，你给它一段健身视频，它能根据动作给你反馈；你录一段自己说英语的音频，它能纠正发音。这种视频音频层面的理解，ChatGPT做起来慢，Claude基本做不了。然后Google全家桶原生集成，Docs、Sheets、Gmail、Drive、Meet全通，如果你的工作生活跑在Google Workspace上，Gemini可以直接在你的文档和邮件里动手干活。上下文窗口也最大，1M到2M token，处理超大文档集合或者超大代码库，容量优势明显。搜索能力天然整合Google，做需要大量网络信息的研究或者快速查证，它最接地气。响应速度通常也是三家最快。 所以现在没有什么“最好”的AI，只有最适合你手上那件事的AI。你要全功能覆盖、语音交互、商业策略分析，ChatGPT合适。你要高质量写作、精准遵循指令、复杂代码重构、长文档深度阅读，或者需要AI直接在本地文件夹里操作，Claude是首选。你要是频繁处理视频音频图像、深度依赖Google生态、需要超长上下文或者快节奏联网研究，Gemini最顺手。 按任务类型简单速查一下： 写作类（中英文、风格跟随、避免AI腔）：Claude。 复杂编程、代码库重构：Claude。 多模态理解（图、视频、音频分析）：Gemini。 长文档深度阅读（整本书、超长合同）：Claude或者Gemini，前者连贯性强，后者容量更大。 商业策略推理、结构化问题：ChatGPT。 语音对话、口语练习：ChatGPT。 直接操作本地文件夹：Claude的Cowork。 Google生态内干活（邮件、文档、表格）：Gemini。 联网研究、大量信息查证：Gemini。 产品功能集成度、一站式解决：ChatGPT。 #AI# #AIAgent#

GPT-Image2生成的图像逼真到让人不安，为什么越像真的反而越让人害怕？这种不适感在警告我们什么？ 这些…全是…gpt image 2生成的ai图… #AI# #AIAgent#