OpenSEO 开源 SEO 工具：能替代 Ahrefs / Semrush 吗？ OpenSEO 支持自托管，关键词、排名、外链和站点审计走 DataForSEO，按量付费，不用先订 Ahrefs / Semrush 套餐。 MCP 和 Agent Skills 可以把同一套数据接进 Claude Code、Cursor。 查询量不大、又想自己管部署和成本时比较合适，而且比固定订阅更灵活。 👉

不是段子，大量AI短剧工作室排队停更倒闭！几个月前还处在风口的AI短剧，现在已经是红海了！ 据DataEye的数据：上半年22万部AI剧，77部里才1部能摸到回本线。现在红果热榜里AI剧占七成，可单部剧能留在榜上的时间中位数只剩4天。今天刚上线，明天就被同赛道更“癫”的续集挤下去。 这行现在就是典型的“技术门槛低，生态门槛高”。你以为你是在搞创作，其实你就是个给大模型公司和流量平台打工的“高级操作工”，不是所有人都能做出《剑宗团宠》这种大IP的。

一行代码直接把 Python 数据分析的入门门槛给铲平了。 这就是刚在 GitHub 炸场的 PyGWalker（PyGWalker: Turn your dataframe into an interactive UI for visual analysis）。它是一个开源数据可视化与分析工具，能把原本死板的 Pandas DataFrame 瞬间变成像 Tableau 一样拖拽式的交互界面。 GitHub 星标目前已斩获 13k+ Stars，采用 Apache-2.0 开源协议，完全免费且支持本地部署。 它的核心爽点极其干脆： 零门槛拖拽：不需要写复杂的 Chart 代码，鼠标拖一拖就能出高大上的图表。 一行代码启动：只要输入 pyg.walk(df)，交互界面直接在 Jupyter / Streamlit 里弹出。 数据不出本地：所有分析计算都在你本地环境跑，隐私安全直接拉满。 无缝集成工作流：完美兼容 Jupyter Notebook、Jupyter Lab 以及 Streamlit applications。 说白了，以前要折腾半小时的图表排版，现在 3 秒钟拖完，这效率提升完全是降维打击。 🔗 项目地址：

巴西现任总统、80岁的卢拉将于10月4日宣布正式参选第四个总统任期。由于卢拉的民粹政策贏得底层民众支持，左翼阵营又缺乏像卢拉那样具有高人气的接班人，再加上卢拉不甘心退出政坛，几乎毫无悬念的代表左翼阵营参加总统竞选，也很有可能又一次赢得胜利，开启他在巴西的第四个总统任期。 根据Datafolha民调机构7月24日发布的最新民调，若进入决选，卢拉将获得48%选票，而弗拉维奥·博索纳罗的得票率为43%。弗拉维奥是2019年至2022年间的总统雅伊尔·博索纳罗之子；雅伊尔·博索纳罗被卢拉上台后指控政变判刑27年，其罪名是前总统策划2022年1月8日的未遂政变。 卢拉对外宣称，我虽然已经80岁，但由于做好了充分准备，我的状态比57岁首次就任总统时要好得多。真是权力如同春药，卢拉再次当选，将是第四次担任巴西总统。有意思的是，西方左翼政客和中俄集权政客都站在同一阵线支持卢拉。

很多 YouTube 创作者不缺选题，缺的是固定流程：标题、脚本和复盘全凭感觉。 真正门槛不是多找标题，而是把选题、脚本、包装和复盘接成一套动作。 claude-youtube 是一个给 Claude Code 用的创作者技能包。它把频道审计、选题、脚本、缩略图简报、SEO、Shorts 优化等命令整理好了：你可以跑 `/youtube audit` 看频道问题，跑 `/youtube ideate` 想选题，接着让 `/youtube script` 生成脚本，最后再做 metadata。仓库还支持把这些步骤串起来，让前一步输出继续喂给下一步。 真正有用的是上下文会一路传下去：先说清频道赛道、体量和目标，再接着做选题、脚本和包装。YouTube API、DataForSEO 和 NanoBanana MCP 都是可选外接能力。 1️⃣ 别把它当成“爆款预测器”。仓库里的基准和参考数据只能帮你提出检查项，不能替你承诺播放量。你的受众、选题时效、内容质量和频道阶段，仍然决定结果。 2️⃣ 先从一次完整闭环开始，不要把所有命令轮一遍。选一个已经确定的主题，依次做“选题角度—前 30 秒脚本—标题/描述—缩略图简报”，最后和你原来的版本放一起比较。这样才知道问题卡在选题、开头还是包装。 3️⃣ 没有 API Key，就别假装拿到了实时数据。YouTube API、DataForSEO 和缩略图生成都是可选连接；没接的时候，把自己的频道数据、目标观众和竞品样本手动给进去，一样能做结构化推演，但别把它说成实时洞察。 4️⃣ 费用和数据边界要算清。仓库写明 DataForSEO 的典型工作流按命令计费，且外接服务会涉及你提交的关键词、频道和内容信息；先看服务条款、定价和数据范围，再决定接不接。 还有一个最重要的前提：这不是通用网页工具，也不是 Codex 插件。它的核心依赖是 Claude Code，安装方式是把技能目录放到 Claude 的 skills 路径里。你如果不用 Claude Code，能借它的流程框架，但不能把“看了 README”当成“在其他客户端已经装好了”。 说白了，以前你做一条视频像是在分别找标题老师、脚本老师、SEO 老师；现在可以把它们排成一条有上下文的检查链。但工具负责把问题问得更系统，创作者仍要对选题和内容结果负责。 适合谁：已在用 Claude Code、想固定频道复盘和创作流程的人。 什么人别折腾：只想装完就等结果、也不愿提供频道定位和目标的人。 链接：

之前做LLM推理芯片架构探索的时候，我把四大AI推理ASIC公司的架构都翻过一遍。Groq、SambaNova、Tenstorrent、Cerebras。前三家的思路虽然各有侧重，但底层逻辑都在同一个框架里：片上大SRAM + dataflow架构 + 确定性调度，核心差异在NoC拓扑、内存层级、编译器抽象这些维度上展开。 Cerebras是里面让我真正被震惊到的一家，而它却这四家里马上第一个拿到IPO结果的。 这家公司的选择比其他三家都激进一个量级：不做芯片，直接做整片wafer。 单颗WSE-3，21.5cm × 21.5cm的整片晶圆，90万个PE通过scribe-line stitching在物理上连成一片连续的silicon。这个工艺是Cerebras和TSMC联合定制的，把原本用于晶圆切割的窄条改造成跨reticle的金属导线，让所有reticle在物理上拼接成一整块芯片。（配图二展示了单颗WSE-3内部结构：左半边是整片晶圆的reticle网格和scribe-line拼接，右半边放大了单个PE的微架构。） 单个PE的结构极简：8-wide FP16 SIMD计算核，48KB本地SRAM直连，没有cache层级，所有数据访问都是确定性的单周期。加上一个5端口路由器（N/S/E/W + loopback），相邻PE之间的通信延迟也是单周期。关键在于，跨reticle边界的mesh在物理参数上和reticle内部完全一致，编译器和runtime完全不需要感知reticle边界的存在。 从LLM推理的视角看，这个均匀性的价值非常大。 LLM推理的瓶颈在decode阶段。每生成一个token，模型权重要被完整读取一次，计算量却很小，典型的memory-bound场景。GPU集群在这个环节的核心问题是数据搬运：HBM带宽有限，多卡之间还要经过NVLink → NVSwitch → InfiniBand → Ethernet四层互联，每一层带宽和延迟都差几个量级，编程模型必须显式处理每一层的拓扑边界。 Cerebras的做法完全绕开了这个问题。单片wafer内部fabric带宽27 PB/s，权重从外部的MemoryX存储集群通过SwarmX流入wafer后，在PE之间按数据流模式传播执行，同一套placement和routing算法跑遍整片wafer。（配图一展示了这个系统级架构：MemoryX参数存储集群到SwarmX互联fabric，再到底层最多2048台CS-3节点，权重广播和梯度规约的数据流方向一目了然。） 90万个PE各自带48KB SRAM，合计约42GB片上存储，每个PE对自己本地SRAM的访问是单周期确定性的，PE间通信每跳single-cycle，延迟和曼哈顿距离成正比。对于推理场景，前提是weight streaming的编译器能把权重有效地分配到对应的PE上，这42GB分布式片上SRAM的聚合带宽远超GPU的HBM方案，没有cache层级带来的访问不确定性，没有跨芯片搬运的开销。 回到我自己的体感。做推理芯片架构的时候，NoC拓扑和内存层级的权衡花了大量精力，因为芯片边界是硬约束，跨芯片通信的成本和片内通信之间永远存在断层。Cerebras的做法等于从片内通信的角度消除了这个断层，代价是整条制造和封装链都要重新定义。 这也解释了Cerebras的工程取舍。所有架构创新集中在wafer内部，scale-out方向直接复用100GbE + RoCE的以太网生态。wafer内27 PB/s对比跨CS-3的SwarmX在Tbps量级，几个数量级的差距全部交给商品化网络承担。推理场景下单wafer内部的带宽和延迟优势可以直接转化成token生成速度。 OpenAI选择和Cerebras合作做推理，从架构层面看逻辑是通的。大规模在线推理需要低延迟、高吞吐、确定性时延，这三点恰好是wafer-scale架构在片上通信均匀性方面的结构性优势。 但这套架构也有几个结构性的问题值得正视。 良率和成本是绕不开的。整片wafer做单颗芯片，任何一个reticle的缺陷都影响整体。Cerebras靠冗余PE和路由绕行来应对，但冗余比例和良率数据从未公开过。一片wafer的制造成本本身就远高于切割后卖单颗die的模式，叠加23kW、15U的单系统功耗和体积，部署密度和TCO在大规模推理集群的经济性上面临考验。 最关键的是KV cache的容量瓶颈。42GB片上SRAM看起来很大，但长上下文推理场景下KV cache随序列长度线性增长。以Llama 70B为参考，FP16下128K上下文的KV cache就要吃掉约40GB，即使做KV cache量化，长序列场景下的容量压力仍然显著。片上放不下的部分必须依赖MemoryX做外部存储，数据要经过SwarmX回传，这条路径的带宽在Tbps量级，和wafer内部27 PB/s的差距意味着长序列场景下decode速度会被外部带宽卡住。这可能是Cerebras在推理场景面临的最核心的架构约束。

一个人就是一个剧组！拿一句灵感喂给腾讯 OnSolo，48 小时后它回我一部 8 集 AI 短剧 前面几篇写过 WorkBuddy 做办公、跑自动化、剪视频粗剪，那条线是“桌面数字员工”。这次换一个同属腾讯、但完全不是一路货的 AI 新物种——OnSolo。它由此前内测的 WorkSolo 更名而来，2026 年 8 月正式上线，Slogan 就一句：“a Crew of One”，一个人就是一个剧组。如果说 WorkBuddy 是给你配了个行政+数据搭子，那 OnSolo 是给你塞进一个“编剧+分镜+美术+摄像+配音+剪辑”六合一的小剧组，只不过这六个人都是 Agent。 一、它和 WorkBuddy 不是兄弟，是两条平行线 先纠个容易混的点：OnSolo 不是 WorkBuddy 的视频版。WorkBuddy 出自腾讯云 CodeBuddy 团队，长在全场景办公智能体上；OnSolo 来自腾讯视频智能创作平台部，和工业级 AIGC 平台 WorkRally 共用同一套技术底座——只是 WorkRally 砍给专业工作室/机构做规模化漫剧，OnSolo 把协同、资产管理、复杂权限这些“团队件”全拆掉，留给个人一个轻量但完整的成片流水线。 一句话分野：WorkBuddy 替你在桌上搬 Excel/PPT，OnSolo 替你在屏幕上拍片子。 二、四入口，不是“生成一段视频”那么浅 打开 onsolo_ai 首页四个入口并列排开，对应四种创作人格： Start a story：主战场。丢一句“夜班店员和急救员在便利店重逢”进去，AI 先结构化出角色、场景、道具，确认后批量出人物三视图、多视角参考图、分镜提示词，再一键批量生成各场景视频片段，最后在时间轴里重排镜头、加转场、字幕、配音，导出 MP4。 FMV Game：互动影游。设好叙事视角/画幅/风格，AI 生成剧情树，每个节点展开成分支对白+视频，观众点不同选项走不同结局。 Meme Play：把热点梗/表情包拉成 60 秒带叙事节奏的轻短片，是引流和试水最快的入口。 Canvas：无限画布，Idea/Story/Image/Video 四类节点拖拽组合，左侧 PIN 区固定角色卡、道具参考，专治“换一镜就变脸”的 AI 视频老毛病。 三、最狠的不是生成，是 Story Flow 把“卡壳”外包了 我这次试的是 Start a story，灵感就一句：“她杀了我，而在他臂弯里，我忘了自己曾是个男人。”AI 先反问 4 个问题——类型（短剧/短片/病毒式）、集数、画幅、视觉风格（56 种里选了“霓虹冷调心理惊悚”），然后出 8 集剧本。 中途卡在第 3 集反转，我点开 Story Flow：整个故事被摊成一张节点地图，AI 在每个卡点自动延展 3 条剧情走向，我选了“记忆不是被抹掉，是被移植”那支，反推回剧本重写——这比在剪映里硬憋强太多。OnSolo 的自研视频模型也确实在“角色一致性”上比纯接外部模型稳一点，同主角跨 20 个镜头没崩脸，这是它敢叫板可灵/Seedance 的底气。 四、泼盆冷水：能成片 ≠ 能爆 DataEye 那组数据还是得贴在屏幕上：2026 上半年抖音端原生 AI 剧漫剧新剧 22.19 万部，播放破亿的 1055 部，破亿率 0.48%。OnSolo 把“一个人能不能拍”的门槛打到地板，但“拍出来有没有人看”还是你的故事、你的人设、你的钩子说了算。另外两点也别忽略： 积分不是无限：图像渲染、分镜视频、配音、导出都吃 Credits，8 集短片我烧掉约 60% 新手包，长剧批量产真不便宜； 目前主推英文界面+海外模型，国内直连某些外部视频模型偶有抖动，中文版还没正式铺开，尝鲜可以，当生产主力再等等。 收一句 OnSolo 的意义不是“AI 替你当导演”，而是把短剧生产里最耗人、最重复的那 80%（拆剧本、画分镜、做参考图、批量渲镜头、套配音）吞掉，把你从“六边形战士”放回“唯一该负责审美和故事的人”。等中文版再稳一版，网文作者自己把小说改成可播短剧、独立 UP 主做原创剧情番、小店老板娘给自己拍一支 30 秒带货漫剧——这些以前要凑 6 个人的活，2026 年下半年开始，真的在一个网页里就够。

关于AI短剧的一些数据： - 中国有8.5亿短剧观众，其中7成以上，也就是6亿人开始看AI短剧了，转化率极高； - 今年预计上架的AI短剧总量可能突破50万部，是去年整个短剧上架量的15倍； - 浙江集中了中国最会做AI短剧的一批公司，单剧平均播放量超过6000万，独一档的领先； - 婚姻情感、玄幻修仙、求生种田是三大热门题材，分别对应重生改命、秒天秒地、荒诞逆袭三种不同的爽感； - 阅文、知乎这些公司正在靠变卖小说IP版权闷声发大财，成为这条供应链的最上游； - AI短剧的生产线，制作成本和人力成本差不多是46开，平均下来，制作一部AI短剧最少也要花10万块钱； - 海量供给造成ROI狂跌，万播收益从去年的30-100块钱萎缩到现在的5-10块钱； - Seedance 2.0是最主流的生成模型，都在用1块钱/秒的720P尺寸，更贵的1080P和4K是承担不了的； - AI短剧的全年产值在400亿人民币左右，应该和今年的电影票房差不了太多。 （整理自新榜、DataEye的报告）