🚀 一张照片 + 一段音频，照片直接“开口说话”还能动全身，惊掉下巴了！😱🔥 一直苦恼于如何让静态照片变成会说话、表情自然、动作协调的视频？😭 开源神器 InfiniteTalk 直接实现：上传照片/视频 + 音频，就能生成无限时长的说话视频，嘴型同步超准，头部、身体姿态、微表情全协调，效果自然惊艳，简直了！😱 📌 无限时长生成：不像很多工具限时长，想做多长做多长（取决于显卡） 📌 全身协调驱动：不止动嘴，还同步头部转动、身体姿态、表情变化，减少手部/身体扭曲 📌 双模式支持：Image-to-Video（照片变视频） + Video-to-Video（已有视频重配音） 📌 多人对话也行：支持多段音频，多人同时说话不乱 📌 开源易用：提供 Gradio 界面 + ComfyUI 支持，本地运行，模型权重已开源 用这玩意真正让照片“活”过来，特别适合做短视频、Vlog、数字人、教学视频、内容创作的朋友们！❤️ 🔗 GitHub地址： （6.9k+ Stars） #开源工具# #工具分享# #AI工具# #InfiniteTalk# #说话视频# #数字人# #视频生成# #AI视频# --

【穿山甲VPN】，刷视频流畅 下载立即【赠送免费时长】 支持Windows/Android/IOS/mac 无限速，无广告，无限流量 10年稳定运营有保障,专业线路满足各种需求

【穿山甲VPN】，刷视频流畅 下载立即【赠送免费时长】 支持Windows/Android/IOS/mac 无限速，无广告，无限流量 10年稳定运营有保障,专业线路满足各种需求

AWS 资深专家解决方案架构师 Daniel Abib 在官方博客里算了一笔账：同步调用时，Lambda 的计费时长几乎等于 agent 思考的时长，等待本身在按全量计算计费。 《在无服务器流水线中异步调用 Amazon Bedrock AgentCore agent 的模式》 在无服务器流水线里异步调用 Amazon Bedrock AgentCore agent，可以消除你的 AI agent 处理请求期间的空转计算成本。一个常见的例子是文档校验：在房地产融资的后台办公室里，agent 可以读取房产记录或贷款合同，推理信息是否完整、一致，然后返回一个下游步骤据此行动的结论。Amazon Bedrock AgentCore 提供了一个平台，让你能用任意框架或模型大规模地构建、连接和优化 agent。 这类 agent 带来一个传统流水线步骤没有的特性：它们在回答之前要思考一会儿。思考多久取决于提示词、模型和文档，但很少是即时的，而这个延迟改变了你调用它的方式。最常见的首版实现是用一个计算服务（比如 AWS Lambda 函数）调用 agent 并等待响应。函数等待期间什么都不做，但它仍在运行，每一秒都在计费。 值得看清成本到底落在哪里，因为调用的两侧计费方式不同。Amazon Bedrock AgentCore runtime（Amazon Bedrock AgentCore 的一项能力）采用基于消耗的计费模型，agent 空闲时不收 CPU 费用。例如，在等待大语言模型生成响应、或等待工具或 Model Context Protocol（MCP）调用返回的这段时间里，你只按内存计费，不按 CPU 计费。调用 agent 的那个计算服务没有这种特性。发出同步调用的 Lambda 函数、容器或 Amazon EC2 实例会一直阻塞，在 agent 响应之前始终持有（并支付）完整的计算配额。所以浪费不在 agent 一侧，而在调用方——它挂在一个打开的连接上空转。 这就让调用方的成本跟着 agent 的运行时间走。阻塞在 agent 上的函数，计费时长几乎等于整个处理时间；而启动 agent 后立即返回的函数，只按短暂的派发计费。解法是在等待期间释放调用方的计算资源，等 agent 出了结果再恢复流水线。本文展示三种做到这一点的模式（task-token 回调、直接服务集成、durable function），并与阻塞式反模式对比。 示例流水线 为了让各模式在同等条件下比较，我们把每个模式都跑在同一条流水线上，只更换调用 agent 的那一步。这条流水线是一个刻意简单、虚构的场景（房地产融资文档校验），选它只是为了把编排讲清楚。它不是本文的重点，它代表任何先调用 agent（或其他慢服务）、再对结果采取行动的流程，你可以把自家用例代入。 流水线有五个阶段： 1. Extract：一个 Lambda 函数对文档做 OCR 和文本提取。（提取是模拟的，所以场景不需要真实文档。） 2. Identify：一个 Lambda 函数对文档分类并设置路由标志（shouldOrganize、shouldValidate）。 3. Route：一个 Choice 状态根据这些标志决定流程走向。 4. Organize and Validate：一个 Parallel 状态在组织文档的同时，让 Amazon Bedrock AgentCore agent 在另一个分支里做校验。这个 Validate 分支是各模式之间唯一变化的部分。 5. Result：一个 Lambda 函数处理 agent 的结论，决定下一步动作（批准，或退回修改）。 图示如下：水平流程依次是 Start、Extract、Identify、Route（Choice）、并行的 Organize-and-Validate 阶段、Result、End，Validate 分支被标为可更换，图例列出了它的四种实现方式：阻塞反模式、模式 1（task token）、模式 2（直接集成）、模式 3（durable function）。流水线本身在每种情况下保持不变，只有 Validate 分支被换掉来演示各自的调用模式。 同一个 Amazon Bedrock AgentCore agent 服务全部四种情况。agent 检查每次调用并选择如何响应：如果收到 AWS Step Functions 的 task token，就在完成时唤醒那个执行；如果收到 durable function 的 callback ID，就唤醒那个 durable function；两者都没收到，就直接在响应里返回结论。这意味着你可以更换编排模式，而不必修改或重新部署 agent。 agent 如何不阻塞调用方就把控制权交回来 机制是 agent 的 action group 里的一个"归还控制权"动作。agent 推理结束后，调用一个 Lambda，把结果和 task token 发回 Step Functions。（后面的模式 2 会让 Step Functions 直接与 AgentCore 集成，完全省掉这个 Lambda。） 下面这段代码是这个 Lambda 的核心： The tool the agent calls once it reaches a verdict @tool def conclude_validation(approved: bool, issues: list, summary: str) -> str: verdict = {"approved": approved, "issues": issues, "summary": summary, "source": "agentcore"} # A Step Functions task token was passed: resume that execution if task_token: sfn.send_task_success(taskToken=task_token, output=json.dumps(verdict)) return "Step Functions resumed." # A durable-function callback ID was passed: resume the durable function if callback_id: lambda_client.send_durable_execution_callback_success( CallbackId=callback_id, Result=json.dumps(verdict).encode("utf-8")) return "Durable function resumed." # Neither was passed: this is a synchronous call, return the verdict inline return "Verdict recorded." 入口函数根据同样的信号决定在后台跑还是同步跑： @app.async_task async def validate_document_async(prompt, document, extracted_text): # Background work; conclude_validation fires the right callback when done agent = build_agent() await agent.invoke_async(message(prompt, document, extracted_text)) @app.entrypoint async def handler(event): task_token = event.get("taskToken") # passed by the task-token pattern callback_id = event.get("callbackId") # passed by the durable-function pattern # Asynchronous: start the work and return "accepted" right away if task_token or callback_id: asyncio.create_task(validate_document_async(...)) return {"status": "accepted"} # Synchronous: run now and return the verdict in the response agent = build_agent() await agent.invoke_async(message(...)) return verdict agent 就位之后，本文剩下的部分聚焦于调用它的四种方式。代码和基础设施定义都是示例中的摘录，用来演示每种模式。 调用 agent：四种方式 先讲阻塞式反模式以确立基准成本，再展示避开它的三个模式。 阻塞式反模式 最直接的实现：在同一个 Lambda 函数里调用 agent 并等待答案。它能用，而且实现简单——这正是它如此常见的原因——但函数在 agent 思考的整个期间一直活着。 // The Lambda function blocks here until the agent responds const response = await agentcore.send( new InvokeAgentRuntimeCommand({ agentRuntimeArn: AGENT_RUNTIME_ARN, payload: new TextEncoder().encode(JSON.stringify(payload)), runtimeSessionId: sessionId, }) ); // The function stays alive and billed for the entire time the agent is thinking. 函数的计费时长最终大约等于 agent 的处理时间。后面三个模式消除这段空闲成本，各自做出不同的取舍。特别是模式 2 使用 Step Functions 对 AgentCore Harness (InvokeHarness) 的优化集成，完全去掉 Lambda。 模式 1：task-token 回调 + 派发函数 这个模式在路径里保留一个 Lambda 做自定义逻辑，但去掉空闲成本。Step Functions 用 waitForTaskToken 集成调用这个函数——传入一个 task token 后暂停执行。函数用这个 token 启动 agent，然后在几秒内返回。执行保持暂停，不产生任何计算计费，直到 agent 用这个 token 调用 SendTaskSuccess 恢复它。 // Start the agent, pass the task token, and return without waiting const response = await agentcore.send( new InvokeAgentRuntimeCommand({ agentRuntimeArn: AGENT_RUNTIME_ARN, payload: new TextEncoder().encode(JSON.stringify({ ...payload, taskToken })), runtimeSessionId: sessionId, }) ); // Returning here does not complete the step. Step Functions stays paused until // the agent calls SendTaskSuccess with this task token. return { dispatched: true }; 对应的状态从上下文取出 token，并设置超时和心跳作为安全网——这样沉默的 agent 会让执行干净地失败，而不是无限期停在那里： "ValidateDispatch": { "Type": "Task", "Resource": "arn:aws:states:::lambda:invoke.waitForTaskToken", "Parameters": { "FunctionName": "${ValidateDispatcherFunctionArn}", "Payload": { "taskToken.$": "$$.Task.Token", "document.$": "$.document", "extractedText.$": "$.extract.extractedText", "executionId.$": "$$.Execution.Id" } }, "TimeoutSeconds": 120, "HeartbeatSeconds": 60, "Next": "AgentCoreValidation" } 成本。 Lambda 函数仍然会跑，但只跑到启动 agent 并返回为止：几秒钟，无论 agent 之后要跑多久。你只为这次短暂派发付费，不为等待付费——因为函数在 agent 干活时已经关掉了。等待由暂停的 Step Functions 执行承担，它不为空闲计算计费。这是与阻塞版本的关键区别：阻塞版本里函数的计费时间跟着 agent 的处理时间走。 模式 2：直接服务集成 当你不需要围绕 agent 调用写自定义代码时，可以去掉派发函数，让 Lambda 完全离开路径。Step Functions 可以通过 AWS SDK 服务集成直接调用 Amazon Bedrock AgentCore，所以 agent 的响应直接流入下一个状态。Validate 分支于是变成单个 Task 状态： "ValidateDirect": { "Type": "Task", "Resource": "arn:aws:states:::aws-sdk:bedrockagentcore:invokeAgentRuntime", "Parameters": { "AgentRuntimeArn": "${AgentRuntimeArn}", "RuntimeSessionId.$": "States.Hash($$.Execution.Id, 'SHA-256')", "Payload.$": "States.JsonToString($.prep.agentInput)" }, "ResultSelector": { "raw.$": "$.Response" }, "TimeoutSeconds": 120, "Next": "ParseVerdict" } 成本。 路径里没有 Lambda，所以没有空闲的 Lambda 计算可付。Step Functions 承担等待，Standard 工作流按状态转换计费而不是按等待时长计费——处理期间的实质成本只有 agent 本身。 模式 3：Lambda durable function 如果你更愿意用代码而不是状态机来表达编排，Lambda durable function 给你同样的成本行为。用 @aws/durable-execution-sdk-js SDK，流水线阶段变成 context.step 调用，并行工作变成 context.parallel，等待 agent 变成 context.waitForCallback。等待期间函数挂起，不计计算费。agent 用 SendDurableExecutionCallbackSuccess 恢复它。 // Suspend the function until the agent calls back const result = await ctx.waitForCallback( "validate-agentcore", async (callbackId) => dispatchAgentCore(callbackId, document, extractedText, executionId), { timeout: { seconds: 120 } } ); 成本。 一个函数承载整条流水线，但挂起等待 agent 期间不按计算计费。你只为挂起之间短暂爆发的那几次执行付费——与 task-token 模式相同的经济性——而不是为等待付费。 测量差异 重点不是某个具体数字。agent 的运行时间随提示词、模型和文档变化。重要的是 task-token 模式里两个值之间的关系：Validate 状态活跃了多久，对比派发函数实际被计费了多久。我们测试中的单次运行让这个关系可见： Step Functions, ValidateDispatch state Returned (TaskSubmitted): 14:08:19 <- the function returned and shut down Resumed (TaskSucceeded): 14:08:34 <- the agent woke the execution State active ........ 19.6s Lambda, dispatcher function (CloudWatch REPORT) Billed duration ..... 4.8s Result: the state was active for 19.6s, but the function was billed for 4.8s. The ~14.8s in between is wait time with no Lambda function running. 在 Step Functions 的事件历史里也能看到同样的事：task-token 模式下，TaskSubmitted 事件（函数返回）与 TaskSucceeded（agent 恢复流程）之间隔着 agent 的处理时间。同步调用没有这样的间隔。 下表总结了每种模式下 Validate 分支（前面图示中高亮的部分）的实现方式： • 编排器：阻塞＝Step Functions；模式 1＝Step Functions；模式 2＝Step Functions；模式 3＝Lambda（代码） • 路径中的 Lambda：阻塞＝有，存活且计费；模式 1＝有，但提前返回；模式 2＝无；模式 3＝durable function 本身（挂起） • 等待期间的空闲 Lambda 计算：阻塞＝为整个等待付费；模式 1＝无；模式 2＝无；模式 3＝无 • agent 调用周围的自定义代码：阻塞＝有；模式 1＝有；模式 2＝有限（状态转换）；模式 3＝有 • 调用方与 agent 解耦：阻塞＝否；模式 1＝是；模式 2＝否；模式 3＝是 • 相对复杂度：阻塞＝最低；模式 1＝较高（token 和回调的 IAM）；模式 2＝最低；模式 3＝中等（检查点/重放） 读这张表时有一个提醒：总流水线时长不是有用的比较指标，因为它被 agent 自己的推理时间主导——每次运行都不同，而且在所有场景里基本相同。有意义的差异是等待期间你为多少计算付了钱，这由上表和计费时长读数体现。agent 运行时间增长时，派发函数的计费时间保持平稳。上面的数字来自单次运行，把它们当作这个关系的示意而非基准，请测量你自己的负载。 如何选择模式 下表总结了取舍，帮你选择模式： • 调用方成本：阻塞＝整个 agent 处理时间；模式 1＝几秒（仅派发）；模式 2＝零（无 Lambda）；模式 3＝几秒（仅派发） • 集成工作量：阻塞＝低；模式 1＝中高（IAM、心跳、超时）；模式 2＝低（单个 Task 状态）；模式 3＝中等（检查点-重放模型） • 业务逻辑位置：阻塞＝在 Lambda（前 + 后）；模式 1＝在 Lambda（前 + 后）；模式 2＝只在 Amazon States Language（ASL）（内置函数）；模式 3＝在 Lambda（顺序代码） • 最适合：阻塞＝原型、短 agent；模式 1＝自定义前后处理逻辑；模式 2＝纯编排、无自定义代码；模式 3＝单个函数里的复杂异步工作流 最佳实践 防 agent 永不回答。 给每个 waitForTaskToken 状态设置 TimeoutSeconds，让执行以 States.Timeout 失败，而不是无限期挂起。如果你的 agent 发送心跳，也设置 HeartbeatSeconds 以更快发现死掉的 agent。捕获错误并路由到失败或人工审核路径。 重试时使用稳定的会话 ID。 把 sessionId 设为从执行上下文派生的值（比如 Step Functions 执行名），这样重试会恢复同一个 agent 会话，而不是重新开始。task-token 模式里在派发函数中设置；直接集成模式里在 Task 状态参数中设置。 打开 AWS X-Ray。 在 Step Functions 和 Lambda 配置中启用 Tracing: Active。X-Ray 会精确显示 agent 思考了多久、调用方等待了多久，确认你的模式确实在间隔期间释放了计算。 按速度而不是按 agent 的负载来配派发函数。 派发函数只序列化请求并调用端点。256 MB 内存和 30 秒超时通常就够。重活都在 agent 那边。 成本 这些模式会产生 Lambda 计算、Step Functions 状态转换、durable function 执行存储的费用，以及所有方案共有的 Amazon Bedrock AgentCore runtime 和 Amazon Bedrock 模型推理费用。agent 和模型成本在四种情况下相同。架构只改变编排开销，以及阻塞反模式中浪费的空闲 Lambda 计算。当前价格请查看各服务的定价页。 结论 把 AI agent 放进流水线是简单的部分。让它被经济地调用，才是区分原型与生产设计的地方。阻塞在 agent 上的 Lambda 函数实现简单，却在悄悄烧钱——计费时间里的大部分都在等待。本文展示了三种规避方式：需要在路径里保留 Lambda 时用 task-token 回调；最简单的情况用直接服务集成；偏好用代码表达编排时用 durable function。三者由同一个 Amazon Bedrock AgentCore agent 驱动，它会根据被调用方式调整自己的响应。 完整示例（完整的 agent、状态机定义和 durable function）在 GitHub 的 sample-bedrock-agentcore-async-stepfunctions 仓库。想深入的话，可以看 Amazon Bedrock AgentCore 关于异步任务处理的文档。生产部署请使用 Amazon Bedrock Guardrails，对 agent 的输入输出实施负责任 AI 控制。 原文： #Bedrock# #Serverless# #StepFunctions#

🚨SpaceX第三代星舰完成第二次试飞的关键点： 1. 成功释放20颗星链V3实测卫星。V3比v2强太多了。 2.创下最长时长太空真空二次点火纪录。为去月球做准备，去月球要多点火。 3.印度洋实现史上最柔和溅落。从试飞靠炸到完整再入、完好落水、全程可控，星舰已无限接近正式商用复用

接上条，我仍然想谈一谈AI浪潮。 现在的硅谷和顶尖 AI 圈子，正在上演一种极度脱节的技术神权政治。一帮站在金字塔尖的技术精英、风投家和科技巨头，一手握着无限的资本与算力，另一手拿AGI的技术降临论圣经。 他们对普通人输出的，只有两种东西：FOMO与Nihilism。 很多科技巨头和科学家在媒体上轻飘飘抛出的豪言壮语，不仅不是人文关怀，反而是对现实社会复杂性极度无知的傲慢。 许多人假想了一个“只要技术够强，财富就会自动平铺给每个人”的纯真世界，却完全无视了现有的生产关系、分配机制、政治博弈与社会安全网。 很多人大谈特谈碳基生命的终结与硅基文明的崛起时，他们并没有为那个被替代的普通程序员、客服、卡车司机或文员提供哪怕一天具体的过渡保障。我上条说了，他们只是在用时代趋势这个词，行社会达尔文主义之实，跟不上的，就是被淘汰的代价。 这种技术压迫感让亿万普通人陷入了存在主义焦虑。人们感觉自己不是在迎接一项改善生活的工具，而是在亲手建造自己的绞刑架，还要被逼着为绞刑架的建造进度喝彩。 如果一项技术的落地，最终只是让企业裁员 30%、让剩下的 70% 人用 Agent 一个人干三个人的活，而社会整体的焦虑、工作时长和生存压力不减反增，那这种效率提升对现有的人类文明毫无意义，只有痛苦。 为什么很多人认为AI是泡沫的点？ 因为文明的度量衡是人，而不是算力，更不是token，也不是所谓的AI大模型。 科技的本质应该让绝大部分人不再焦虑自己的存在，实现幸福的最大化。 人类文明的进步，从来不是看你建造了多庞大的算力中心，也不是看你的AI神明有多智能。文明的度量衡是这项技术是否让个体获得了更多的自由、更多的尊严、以及对生活的掌控感。 如果你的技术没有做到，也没有大众好的期待在未来做到，这就是文明的退行。

开发者每月付 3 美元跑 AI，其他人却 300 美元买只工作 8 小时的软件。Mac Mini 600 美元配 iPad Pro 做监控，外加电池包就能变移动服务器，彻底摆脱订阅费与电源依赖。 这招让个人算力成本暴跌至企业级的零头：第一，硬件一次性投入替代无限月；第二，7x24 小时离线运行不欠费停机；第三，数据私有化避免云端泄露风险。旧软件商靠卖时长赚钱的逻辑正在失效，谁先自建本地节点谁就掌握定价权。

讲个故事，你是一个剪辑师。 在公司每天的任务是渲染制作视频， 你对一台电脑一开始的要求是gpu要够好，内存要够大，才能渲染得动你制作的视频。 随着你的业务精进， 你能接单时长更长难度更高的电影， 但你渲染制作视频的电脑已经不能满足你的工作要求了，你需要换更先进的gpu，换更大的内存。 等你成长成一个专业的剪辑师，gpu和内存虽然对你的工作有很大提升，但更需要很大的固态硬盘，来存储你工作这么多年日积月累下来的素材视频。 但我不敢说现在继续梭哈闪迪， 但是捏住 $DRAM 绝对没毛病 以后需求的强度肯定慢慢会从hbm往hbf和ssd转，但需要时间可能得一俩年后。 未来是智能体的天下，它跟单个人对电脑的需求很像，所以cpu用量被提升，以后hbf和ssd需要也会上升。 未来AI的需求变化会很像一个程序员或者设计师工作几年的需求变化。因为AI会演变成上亿上百亿千亿的智能体集合，数量无限暴增，台积电的生产速度就是agent生殖繁育速度。

圈子里至今流传着恒大公子当年开会的规矩。 一根“3字头”的软中华，金属火机一打，青烟刚冒头，人家点上只吸一口。由着那一点红色的火星在指尖自顾自地往下燃，等火候差不多了，手腕一翻，直接往烟灰缸里一杵，掐了。 这不是谁添油加醋编出来的段子，而是很多人当年真见过的场面。 最扎人的，不是抽得多凶，是那种对“浪费”近乎理直气壮的态度：一根好烟，大半截没碰过嘴，说不要就不要；烟灰缸不够“档次”，还要皱眉；一屋子高管汇报工作，最后决定会议时长的，不是议程，不是效率，竟然是秘书兜里还剩几包烟。 一根点上，抽一口，掐掉。再来一根，再掐。 秘书手里的烟盒空了，会议才算结束。 这种细节，放在今天看都荒唐，放在当年那个“烈火烹油”的时候，却偏偏成了一种被默认的气场。你很难说那只是个人习惯，因为真正让人不舒服的，不是一口烟，而是那种已经不把成本当成本、不把分寸当分寸的劲儿。 有个做生意的朋友当年在场，实在看得牙酸，忍不住搭了一句。对方轻飘飘回他一句：“后半截杂质多，抽着不舒服。” 这句话厉害就厉害在，它不是解释，它更像一种下意识的暴露。因为一个人如果长期活在资源无限、有人兜底、花掉也不会心疼的环境里，他对“东西”的感觉会变，对“钱”的感觉会变，最后连对规则的感觉也会变。 烟抽半截嫌杂质多，项目做到一半嫌不够体面，楼盘卖出去以后嫌麻烦，债压下来以后还总觉得会有人接。 很多事情，最开始看着都只是作派，是排场，是小题大做的讲究。可一路放大下去，就会变成另一种东西：对浪费没感觉，对风险没敬畏，对代价没概念。 外人当年看到这一幕，也许只会觉得有钱人真会摆谱。可现在回头真正让人后背发凉的，是这种细节里藏着的信号太明显了。一个企业如果从上到下都默认这种逻辑，默认“贵一点没关系，扔掉也没关系，反正总有人埋单”，那它出问题，往往不是突然翻车，而是早就把方向开歪了，只不过那时候没人愿意承认。 后来再看那些塌下来的高楼、断掉的资金链、被拖住的人生，才明白最先坏掉的，很多时候不是报表上的数字，而是对边界的感觉。 一根烟只抽一口，听着像小事。可小事背后站着的，是一种把一切都当成消耗品的心态。烟可以掐，钱可以烧，时间可以拖，别人承担的后果，也可以被轻轻带过。 可现实不会一直陪着这种任性演下去。 最后被按灭的，从来不只是烟头。还有太多普通人攒了一辈子的首付，太多家庭原本指着那套房子过日子的盼头。

从去年年底开始，就一直想给自己找个兼职项目做 之前也说过，过年的时候去看了两个工作室，一个是做游戏直播的，还有个是做无人直播的 最近又陆陆续续的看了几个，下限有点低，我不是太能做 最终还是选了无人直播，能不能做起来就不知道了 游戏直播那个要求有点高，我不是太能拿下来 其实之前就简单的说过这两个项目的玩法，但是还是收到了很多私信问 我只能把我了解到的给你们说下，主要说游戏直播吧 首先，不是你推什么游戏，就一定要用这个游戏进行直播，用他的话来讲，播的游戏要有热度，能吸引眼球就行，属于挂羊头卖狗肉 他们直播是纯自然流，播的游戏是绝地求生，就是pubg 这个游戏有个模式叫沙盒模式，最近这个模式放开了，之前是特邀主播类的才能用，现在开了会员，创建个工会就能开了 这个沙盒模式很重要，可以自定义游戏里边的一切内容 你们应该都看到过很多主播在树上拿个弓箭到处乱射，或者在塔上那种，无限子弹，无限药 而且还一直在圈里，动不动就是几十杀，用的就是这个沙盒模式 用他的话来讲，我一直在圈里，而且杀人数量高，节目效果好，最后还能吃鸡，所以抖音会一直给流量，所以这种直播间的人数会持续增加 如何制造节目效果？ 他们现在的做法是自己写个剧本，一般那种蹲树上一顿乱杀那种，用户都看腻了，不会在直播间长时间停留，所以这就是他强调的节目效果很重要 剧本写完之后，可以去自己开沙盒模式把这个剧本演绎出来，或者去咸鱼，专门有人接这种演员局的，演的时候录制下来 接着开直播，然后放自己录好的剧本，声音一定是现场的 直播期间，每个直播间会有10个左右的小号，给出引导话术，或者活跃直播间气氛，同时扔开奖红包，增加用户的停留时长，保证抖音不停的推流 最后就是找游戏公司去进行对接，直播间里推他们这个游戏 说的可能有点乱，你们自己消化下，反正整个流程就是这么回事了