🦨🦝 🏢裸聊 😾母狗 📤每日大赛 🚦女神婊 🦼线上做爱 😲大胸 🍱语音条 🚦游戏陪玩 ↗王者荣耀 🛃瓦罗兰特 🔞远程遥控 🦅少女音 🕕萝莉音 🥳御姐音 💘女王音 🐞绿男友 🌠丝袜母狗 🐛淫荡 🧝小狗日记 ❗特殊陪玩 😟水声 TG：YYPW777 QQ裙：1045819750 .

🥈📱😀🥝🐙 🔞裸聊 🚡每日大赛 💬陪玩 🚹洗脑 🚡重口味 🤍贱M 🚧女高中生 😓高跟踩踏 💙双飞磕炮 🍛女神婊 🔭线上做爱 🆕大胸 🐄语音条 🕊游戏陪玩 🚿王者荣耀 🧡瓦罗兰特 💹远程遥控 💨少女音 ♣萝莉音 🆙御姐音 🔀女王音 TG：YYPW777 QQ裙：1045819750 .

小区楼下水果店开了三年，老板姓周，安徽人，每天早上五点半卸货，晚上十一点收摊。 对面新搬来一户，男的四十出头，在银行上班，嫌水果店卸货声吵，在业主群@物业骂了半个月，说扰民、说占道、说卫生差。周老板在群里道歉了三次，把卸货时间改到六点，也没用。 银行男每天拍照取证，今天拍一个纸箱角占了盲道，明天拍一片落叶在店门口。最后物业下了通知，限期整改，否则清退。 周老板没说什么，把门口收拾得干干净净，垃圾一天倒五趟。 有天半夜银行男突发心梗，老婆打了120，但小区路窄救护车找不到楼栋。保安在群里喊了条语音，没人听清。周老板听到动静，披了件外套跑下楼，打着手电筒一路跑到小区门口，把救护车领到楼下。全程不到四分钟。 后来银行男出院回来，在业主群发了一段话，大意是：对不起，之前是我太刻薄了。 周老板回复：没事。我这人记性不好，只记得住好人。 群里沉默了很长时间。 后来没人再投诉过水果店的声音。

🔥 抖音语音公会听潮阁 云心黑料曝光！ 平时声音甜美温柔人设拉满，结果被爆在直播间狂撩多位大姐粉丝！ 完整聊天记录和语音证据在这里 👇 聊天记录 + 语音证据流出，她同时维持好几条线，撩骚尺度直接拉满，操作熟练到离谱！ 清纯人设瞬间崩塌，反差炸裂！ 更多内容点击这里 #云心# #听潮阁# #抖音黑料# #语音公会# #云心黑料# #云心撩骚#

昨晚十一点多，手机突然震了好几下，我以为是工作群消息，打开一看，是一个做量化交易的朋友连发了三条语音。 第一条：“你猜我刚才干了件什么事？我给跑网格交易的Agent单独办了张卡。” 第二条：“以后它的API订阅费、数据源续费、算力开销，自己搞定，不用我管了。” 第三条：“它在自己赚，在自己花，我今晚睡得贼踏实。” 我回了一句：“你给它办的什么卡？”他甩过来一条链接，就是 @InterlaceMoney 刚发布的那个Agent Card。 说实话，这个产品我等了挺久的。圈子里一直在喊“AI Agent时代来了”，但有个问题几乎没人认真想过——Agent怎么花钱？ 一个有执行能力的Agent，理论上应该能自己订阅SaaS工具、自己买API额度、自己投广告测试、自己搞定云资源扩容。但实际上呢？要么你给它绑一张你自己的信用卡然后全程提心吊胆，要么你每天手动帮它续费。所谓的“自主执行”，到支付这一步就卡住了，最后还是得人来兜底。 Interlace这次做的事不复杂，但掐住了关键瓶颈：给每个Agent一张独立的虚拟卡，跑在真实的Visa和Mastercard网络上，然后让开发者自己设定规则——什么时间能花、什么类型的商户能刷、单笔上限多少、每月总额多少。规则不是“建议”，是直接同步到卡组织网络里执行的，你想绕都绕不过去。 更妙的设计是那个JIT即时资金拨付机制——卡里平时余额是零，只有交易被授权通过的那一瞬间，资金才会释放过去，交易一完成余额立刻归零。这就意味着就算Agent“脑子抽了”想乱刷，也没钱可刷。资金安全这个坎，靠的不是信任，是机制。 这件事对我触动挺大的。因为我一直觉得，AI Agent能不能真正融入商业世界，看两样东西就行：一个是它能不能自主做出有价值的决策，另一个是它能不能在规则约束下自主完成交易。第一样很多人已经在做了，第二样Interlace算是补上了关键的一块拼图。 如果让我给Agent设规则，第一件事就是强制所有支付走月限额，绝不开“无上限”的口子。然后必须限定商户类型——只允许SaaS订阅、API采购和算力租用，其他类型一律拦截。最后所有交易记录自动推送通知，每一笔都得让我知道。信任是慢慢建立的，但规则得一开始就钉死。 这件事本质上不是“给Agent发了张卡”，而是给Agent装上了钱包。有脑子、有钱包、有规则约束，这才是一个能在商业世界里独立行走的AI Agent。 @InterlaceMoney #稳定币支付#

一位国内交易者，借助Obsidian搭建起专属第二大脑，每天清晨都能收获3个交易思路，仅用半年时间，就凭借这些思路斩获18万美元盈利。 整套系统依托N8N的6条自动化工作流运转，能自动抓取他阅读过的文章、收听的播客以及语音笔记，统一汇总到Obsidian共享知识库。每天早上6点，内置的神经网络分析师会梳理新旧笔记的关联，筛选出当日3个最优交易想法推送至收件箱。 他没有繁杂的分析操作台，没有彭博终端，也不靠交易群交流信息，仅靠一台放在角落的Mac Mini、一部随身携带的iPhone，搭配本地Obsidian知识库，就完成了整套交易决策体系。 对比之下，传统量化基金想要获取同等质量的决策洞见，需要组建8人专业团队，而他的成本仅为Readwise、Whisper API与N8N托管的订阅费用。 6条工作流每日处理近200个信息源，每月API相关支出仅120美元。 Mac Mini本地存储全部知识库，保障神经网络分析师全天候运行。他通过iPhone向Telegram机器人发送路上突发的交易灵感，短短30秒，内容就会同步至知识库收件箱。 在他知识库根目录的VAULT.md文件中，写着这样一段核心指令： “你是独行交易员的AI分析师，每日清晨6点梳理知识库，挖掘新旧笔记关联，输出3个交易想法，供其开盘前一小时验证。 工作流： // 阅读器：从Readwise、推特书签、Kindle抓取文章及高亮内容至笔记库 // 收录器：通过Airr转录播客、Whisper转录语音笔记并归入笔记库 // 接收员：接收Telegram机器人消息，带时间戳存入收件箱 // 关联器：每日夜间遍历知识库，更新4000条笔记的关联图谱 // 简报员：清晨6点生成含3个交易想法与本周核心论点的简报，推送至收件箱 // 移动端：搭载于iPhone，语音解答知识库问题，外出时确认预警通知” 系统仅在新笔记与核心交易观点冲突，或某一交易想法置信度超90%时，才会推送通知提醒他。 具体数据上，阅读器每日抓取80篇左右文章与标注内容，收录器每周转录4-6期播客，接收员每日通过机器人收录15-20条灵感。关联器每晚新增25-30条笔记关联，简报员准时生成决策简报，移动端则随时响应语音查询。 即便他在通勤、用餐时，也能通过iPhone语音查询知识库内容，快速核实股票相关笔记、决策支撑依据与反向观点，在美股开盘前完成下单操作。 上周一的系统简报清晰显示：周末收录78份资料，11份聚焦半导体行业；关联器发现27处新关联，高盛报告与此前英伟达观点高度匹配；当日3个交易想法分别为做多英伟达、财报后做空特斯拉、关注URI，同时预警半导体新笔记与原有观点存在冲突。 整套系统无云服务器、无专业团队、无昂贵终端，仅靠本地设备与轻量化工具，每月成本120美元，却能实现月均3万美元收益，成为极简高效的独行交易典范。

强烈推荐大家看看DeepMind CEO Demis的最新判断。 真的，Google DeepMind 的 CEO Demis Hassabis 每一期访谈我觉得值得都花时间看看。这哥们讲东西很实在，而且通俗易懂。 早上边跑步边听完了他和 YC CEO Garry Tan 的最新一期播客。 刚刚把笔记写完，也给大家分享下。 多说一句，好多人问我这种笔记是不是 AI 写的。我说下自己的流程。 我会先完整听完播客，然后用语音输入法把感触尽量充分地讲出来，再让 AI 帮着整理初稿，最后自己逐字修改优化。 如果全部交给 AI 做总结，那等于把思考和理解的能力让渡给了 AI，对自己理解这件事其实没有任何价值。 OK，咱们进正题。 1 Demis 的态度非常明确，现在的大模型范式（大规模预训练 + RLHF + CoT）一定会是 AGI 最终架构的一部分，他不认为这会是条死路。 但要实现 AGI，还有几个关键问题要解决。这几个问题包括：持续学习、长程推理和记忆系统。 先从最容易看到的现象讲起，Context Window。 现在大模型处理长信息，最常用的招就是把 Context Window 一直撑大。一开始 8k，后来 32k，再后来 100 万 Token。听起来很厉害，但本质上是暴力堆砌。 Context Window 其实就相当于人脑里的 Working Memory，工作记忆。人的工作记忆能同时装多少东西？心理学里有个经典数字，7 个左右。背电话号码能记住 7 位上下，再多就溢出了。 大模型呢？已经做到 100 万 Token。 按理说，模型的工作记忆比人大几十万倍，应该比人聪明几十万倍才对。但显然不是。 问题也恰恰就出现在这。把所有东西都塞进 Context Window 里，里面包含了不重要的东西、错的东西、过时的东西。看起来信息很多，其实是一团乱麻。 那人为什么 7 个数字的工作记忆就够用？ 因为人脑背后还有另一套机制在工作。我们记得几年前的事，记得童年的事，记得几小时前发生的事。这些都不塞在工作记忆里，而是另一套系统。 具体来说这套系统是海马体，大脑里负责把新知识整合进已有知识库的那个部分。 研究发现，人睡觉的时候，特别是 REM 睡眠阶段，大脑会重放白天重要的片段，让大脑从中学习。新东西在睡觉的过程里，温柔地融进了旧的知识体系。 这个把新东西融进旧知识库的过程，就是持续学习。 模型现在没有这套机制。每一次对话结束，刚学到的东西就会忘记。下次重新打开，还是上次那个模型，没长进。 2 再聊聊长程推理的问题。英文表达是 Long-term Reasoning。我翻译为了长程。 长程推理这个词太抽象了。Demis 讲了一个特别具体的故事，听完会立刻明白他说的是什么。 他说自己喜欢跟 Gemini 下国际象棋。下棋的过程里能看到模型的 thinking trace，也就是它在那里到底想了什么。 然后他发现一件怪事。 模型考虑一步棋的时候，思考链里清清楚楚写着，这步是个昏招。但接下来，它没找到更好的走法，于是又走回这步昏招。 明明知道是错的，还是把错的那一步走出去了。 这个细节比任何 benchmark 数据都说明问题。因为它暴露的是模型缺少对自己思考过程的某种内省能力。 正常人下棋，意识到一步是昏招之后，脑子里会有一个反应，停一下，再想想。停一下、再想想这个能力，模型现在没有。它能在每一步局部判断对错，但没法基于整盘棋的局势去调整整体策略。 这就是长程推理还没搞定的样子。模型可以一步一步往前走，每一步看起来都合理，但走到后面整盘棋的方向其实是错的。它没有那种退回到当前思考的上一层、重新审视一下的能力。 说到底，模型缺的是一种内省。 3 学习、长程推理、记忆，这是 Demis 在播客里点出来的三个 AGI 鸿沟。 除此之外，他还反复提到了创造力。 2016 年 AlphaGo 跟李世石下棋，第二局走出了著名的 Move 37。那一步棋走出来的瞬间，全世界的围棋高手都看呆了。 所有人类几千年下围棋积累的经验都告诉它不该下那里，但 AlphaGo 下了。下完之后大家发现，是一步神来之笔。 很多人觉得，这就是 AI 的创造力来了。 但 Demis 说，对他自己来说，Move 37 只是起点。他真正想看到的是另一件事。AI 能不能发明围棋这件事本身。 这两件事的区别非常关键。 Move 37 是在围棋这个现成的规则里，找到了一步人类没想到的招。但围棋的规则、棋盘的形状、黑白子的对弈方式，是人类发明出来的。AI 在已有的框架里非常厉害，但能不能自己造一个框架，是另外一回事。 Demis 给了一个具体的设想。 如果给 AI 一个高层次的描述。造一个游戏，五分钟能学会规则，要好几辈子才能精通，棋局有审美，一下午能下完一局。AI 能不能根据这个描述，自己倒推出围棋？ 目前做不到。 为了把这件事讲得更清楚，Demis 还提了一个测试，他自己叫爱因斯坦测试。 用 1901 年人类已有的全部知识训练一个模型，看它能不能在 1905 年那个时间点，自己推出狭义相对论。 爱因斯坦在 1905 年那一年里，连写了几篇改变物理学的论文，后来叫爱因斯坦奇迹年。那些工作不是从已有的物理学论文里通过拼接得到的，是基于已有材料做了一次全新的概念跳跃。 爱因斯坦测试想问的就是这件事。AI 能不能做这种跳跃。 目前的大模型主要在做两件事，pattern matching 和 extrapolation。一个是从大量数据里找规律，一个是把规律往外延伸一点。但发现新东西需要的是类比推理的能力。从一个领域里抽出深层结构，搬到另一个全新的领域去用。 这个能力，模型现在还没有。也可能是有，但用法不对所以激发不出来。 4 除此之外，Demis 还分享了一个让我特别出乎意料的判断，他说未来 6 到 12 个月，真正的价值不在更大的模型，在更小的模型。 这一部分内容我反复听了好几次，确实突破我的已有认知。 不知道大家的想法，反正我自己，这一年来并没有怎么关注小模型的进展。毕竟行业的焦点就是把模型做大嘛。 那小模型的价值到底在哪？ 最直接的是成本。同样一个任务，小模型的推理价格可能只是前沿模型的十分之一甚至更少。 但 Demis 说，比成本更重要的其实是速度。 这里有一个前提得先说清楚。Demis 不是在说速度可以替代智能。 他的原话是，当小模型的能力已经达到前沿模型的 90% 到 95%，也就是已经相当不错的时候，剩下那 5% 到 10% 的能力差距，比不上速度带来的好处。 比如现在工程师用 AI 写代码，已经形成了一种新的工作节奏。一个想法冒出来，几秒之内就能看到结果，不行就改，再不行再改。 这个一改再改的循环跑得越快，做出来的东西就越好。如果每次调用都要等十秒，整个工作流就被打断了。 更关键的是，快到一定程度，工程师在这种节奏里能进入心流。一个想法、一次尝试、一个反馈、再来一个想法，思维不被打断。 这件事写过代码的人都懂，进入心流和频繁掉出心流，产出的差距是数量级的。 Agent 也是同样的逻辑。一个 Agent 跑完一个任务可能要调几十次模型，每次慢一秒，整个任务就慢一分钟。慢到一定程度，Agent 就从一个能用的东西变成鸡肋。 小模型不是大模型的廉价替代品。有些事只有小模型能做。 比如手机、眼镜、家用机器人，需要的就是一个能在本地跑起来的模型。本地跑除了反应快，还有一个特别重要的好处，隐私。 家里机器人看到的视频、听到的对话，全部在设备本地处理，根本不上云。这件事对很多用户来说不是加分项，是底线。 成本、速度、边缘部署，这是小模型的价值。 5 讲完小模型的价值，接下来一个更关键的问题是，能力被压到这么小的参数里，会不会有上限？ Demis 的判断是，目前没看到信息密度有任何理论上限。小模型的智能天花板还远没看到。 支撑这个判断的，是 DeepMind 在蒸馏这件事上的积累。蒸馏简单说就是先训练一个超大的模型，然后用这个超大模型去教一个小模型。教完之后，小模型用极少的参数，能复现原来 95% 以上的能力。 为什么 DeepMind 这么重视蒸馏？因为要把 AI 能力放进谷歌的头部产品中，前提是低延迟、低成本。前沿模型再强，每次推理花几秒钟、花几毛钱...这条路，恐怕很难走得通。 一个前沿模型发布之后，6 到 12 个月内，他们就能把这个模型的能力蒸馏到边缘设备能跑的小模型上去。这个时间表比很多人想的要快。 在很多场景中，小模型和大模型会相互配合。 举个例子，一个端到端的智能助手，绝大部分日常任务在本地的小模型上跑。智能眼镜看到的画面、家里机器人听到的对话、手机里的私人助理，模型直接在设备里读懂，不需要往云端传一遍。 只有遇到特别复杂、本地搞不定的问题，才向云端的前沿模型发起请求。 也就是说小模型在边缘做主力，前沿模型在云端做后援。 不过，这个构想对小模型的要求也比较高，它不能只会处理文字，还得能理解物理世界。 这就是为什么 Gemini 从一开始就坚持多模态，不光处理文字，也处理图像、视频、声音。 一开始这么做比只做文本要难得多，但眼镜也好，机器人也好，需要的是一个能看懂周围世界的模型，不是一个只会聊天的模型。 讲到这里，小模型这条路的轮廓就完全清楚了。它独立成立，不是前沿模型的廉价替代品，而是另一条同样重要的路。 嗯，很有启发。

推特交友/起号其实很简单，很多人以为随便发帖就能认识朋友，其实背后有不少小技巧，能大大提高匹配度和互动率。下面是我总结的实用干货小技巧（结合真实投稿的经验），分成准备阶段、发帖阶段和互动阶段 1. 先把个人主页“装修”好（基础中的基础） •头像+封面：用清晰、高质量的照片，封面可以放兴趣相关的图（旅行、宠物、爱好）。 •Bio（简介）：一句话说清自己+想找什么样的人。比如：“30+ 程序员/爱旅行/找能一起的灵魂伴侣，私信前请看置顶帖”。别写太长，也别留空白。 •置顶帖：固定一条自我介绍帖，让新人一眼看懂你是谁。 小贴士：资料别频繁改，改一次就定型。想引流可以把Telegram或小号ID放进去，但别写太直接（避免被限流）。 2. 发帖要“养号+蹭流量” •内容定位：别只发“求友”，多分享日常生活（美食、日常吐槽、兴趣观点）。真实感越强，越容易被算法推给同频人。有身材的发身材，有日常生活的发生活照，也可以多发引起大家共鸣或有趣的文案。 •文案技巧： ◦开头用问题或共鸣点：“找什么搭子，有没有同好一起约？”也可以用一些有趣的文案。 ◦中间加照片/视频（现拍最好，别盗图）。 •频率：每天3条左右，别一天狂发10条（容易被当成机器人）。 •蹭热梗：看到热门话题或 #交友帖# 就参与，自我介绍，别纯复制。评论区多参与，多介绍自己 避坑：别发露骨/低俗内容，容易被举报或限流。隐晦一点，引流到私聊再深入。 3. 互动才是交友核心 •主动出击：高质量回复3次以上（不是“哈哈”那种），再礼貌私信。 •回复别人：别人评论你的帖一定要回！营造“真实”的感觉，算法会给你更多曝光。 4. 进阶小技巧（容易被忽略但超有效） •用X Spaces（语音房）进去听/聊，转化率很高。 •发帖时间选晚上8-10点或周末，活跃度高。 •安全第一：先公开互动，确认三观合再加联系方式；别急着发私密照或个人信息。 •想批量投稿/被看到？可以私信一些专门的交友号（比如我这种接投稿的账号），但要先看对方规则。 最后一句大实话：真诚+坚持=最高效。推特交友不像抖音那么快，但认真玩一段时间，认识一堆高质量朋友很正常！ 最重要的一点是一定要防诈骗！！！

Boris Cherny（Anthropic 工程负责人）在最近的红杉 AI Ascent 大会上说，他现在大部分工作从手机完成。Claude App 里常驻 5 到 10 个 session、几百个 Agent，夜里有几千个在跑深度任务。他管这种做法叫 Loop，让 Claude 用 cron 起一个定时任务，可以每分钟、每五分钟、或者每天跑一次。 我本来还不太习惯用手机操作 Agent。这几天受邀测试最新版的 TRAE SOLO Mobile，刻意多在手机上试用，越用越能理解 Boris 说的那种变化。 This content is only supported in a Feishu Docs 这次 TRAE SOLO 首次实现了移动端、Web 端、桌面端（含 Windows 版）的全量开放，并真正做到三端同步联动，让 Agent 使用的场景大幅扩展。我在手机端体验了几天，结合官方新推出的功能，一些感受： 【1】Agent 已经不是程序员专属 打开 TRAE SOLO，首页让我先选模式：Code 还是 MTC（More Than Coding，意思是“不只是写代码”）。Code 模式好理解，写代码、跑 Git、看 Diff，而 MTC 模式则全面覆盖了写文档、数据分析、报表生成等日常办公场景。 从 Claude Cowork 发布开始就已经有了这个趋势，上周 Codex 的升级也是宣称：“用 Codex 做几乎一切工作（use Codex for (almost) everything）”。 TRAE SOLO 最新的升级同样顺应了这个趋势，从一个编程 Agent 泛化到了通用 Agent。 最新版本特别强化了飞书 CLI 接入功能。现在只要简单授权，就能在 TRAE SOLO 里直接操作飞书文档：例如，输入一句指令，“帮我整理一份本月 AI 编程工具市场动态”，Agent 会自动去网上检索，最后直接生成飞书文档或者动态网页，完全不需要人工再去排版或复制粘贴。 与过去“AI 给文字、用户再粘到飞书”的繁琐流程相比，这种一步到位的体验已经完全不是一回事了。 【2】三端连起来是什么体验 这次 TRAE SOLO 的一个大动作是三端（手机、Web、桌面端）全量开放，不再需要邀请码，所有用户都能用。 单独看 Mobile 端，它主要解决随时下发任务和确认任务的问题。但只有当 Mobile、Web 和 Desktop（包括最新上线的 Windows 版）真正打通之后，你才能真正做到随时随地让 Agent 持续执行任务。 过去云端执行环境总有局限，不能访问本地工具。而 TRAE SOLO Mobile 解决了这个痛点——只要完成简单的设备配对，你的手机就可以直接控制云端环境与本地多台设备。任务信息在所有设备之间实时同步，手机端下发的任务可以立即在 Web 和 Desktop 端查看执行进度，反过来也一样，真正实现跨设备的无缝接力。 比如上周末我在外面看孩子踢比赛，间歇刷手机，看到一篇不错的英文技术文章，顺手在 TRAE SOLO Mobile 上给 Agent 发了条指令：“把这篇文章翻译成中文，写一份推荐稿”，家里的 TRAE SOLO Desktop 就会启动我一套配置好工作流开始工作。等比赛结束回到家，打开电脑，稿子已经在那了。这种感觉有点像你出门前跟一个助手说了句话，回来活儿已经干完了。 【3】手机是用来指挥 Agent 的意图路由器，不是用来操作电脑的 这个区分挺关键。我之前不太爱用手机端办公，潜意识觉得是在用手机操作电脑。但是转换一下：“人操作 Agent，Agent 操作电脑”，那么用手机就很自然了。你不需要在小屏幕上精确点击什么按钮，你只需要说清楚你要什么。 用手机还有个障碍是输入速度，打字慢。TRAE SOLO 手机端有语音交互讨论功能，可以跟 AI 语音对话讨论一个问题，讨论结束后自动生成会议纪要，然后直接从手机把工作任务派发出去，电脑端同步接上后续操作。一部手机可以连接管理云端环境加多台 PC，在环境选择面板里挑一下设备和工作目录，剩下的全部交给 Agent。 这个功能在外面的时候特别好用。走路的时候、坐地铁的时候，想到一个点子，按住说话就行了，比打字快很多。过去这些碎片时间里冒出来的想法，要么记在备忘录里回头再处理，要么干脆就忘了。现在一句话就能让 Agent 开始干活。 【4】不着急的事，让定时任务自己跑 回到 Boris Cherny 跑几百个 Agent 的场景。做法很简单，让 Claude 用 CRON 给自己设一个重复执行的任务，一分钟跑一次、五分钟跑一次、每天跑一次，都行。 Boris 开着几十个定时任务，举三个例子。 一个 Loop 在照看他的 PR：CI 挂了就去修，需要 rebase 就自动 rebase。 一个 Loop 在维护整个项目的 CI 健康，发现 flaky test（不稳定的测试）就去定位修复。 还有一个 Loop 每 30 分钟从 Twitter 上抓他的反馈，自动聚类成几个主题汇报给他。 我自己也在用类似的方式。我有一个定时任务监控我 GitHub 上开源项目的 Issues，有人提了 Issue 就自动总结并给出处理意见，我看一眼觉得没问题，再指示 Agent 去操作。还有一个定时任务盯着我 X 的收藏夹，我平时刷到好文章随手收藏，它帮我自动抓取到本地，英文的还会翻译成中文，到时候集中看就行。 很多需求其实没那么紧急，但需要持续做。每天看一眼竞品动态、每周整理一次行业新闻、每月生成一次数据报表，这些活适合扔给定时任务。 现在 TRAE 的桌面端和网页端都已支持定时任务，无论是在云端还是本地环境，都能稳定地自动执行。比如你告诉 Agent：“每天早上 10 点发一份最新的 AI 新闻动态整理”，第二天早上工作台就会自动收到文档。你只需要专注于真正有创造性的判断，把那些重复且不着急的任务统统交给 Agent。 总结与体会 整体来说，这次对 TRAE SOLO Mobile 试用的感受就是： - Agent 使用门槛大大降低，不再只是程序员专属，很多日常办公、写作场景已经可以由 Agent 来做了。 - 三端真正打通后，无论何时何地，都能轻松管理并延续任务。 - 手机不再是远程桌面，而是随时随地的“意图路由器”。 - 通过 Loop 定时机制，真正把重复且耗时的任务自动化，让用户只做关键决策。 Boris 说他夜里有几千个 Agent 在跑，很多人大概觉得这是大厂工程师的特权。但我这几天的体感是，这件事的门槛已经比想象中低很多了。一部手机、一台电脑、一个 Agent 工具，你就可以开始把重复的事交出去。未来办公的趋势，或许就是这种“人随时随地指挥 Agent、Agent 做具体工作、人只负责验收成果”的模式吧。 推荐可以去用下 TRAE SOLO Mobile，体验随时随地指挥 Agent 干活的感受。 想试用的 Mac 可以去官网下载了——国内：