LLM 之所以被稱為 generative model 就是在於它只會做「加法」無限量生成內容將用戶淹死在文字海裏 👈 這時唯有靠人類發揮足夠的智慧與意志力去把關叫它做「減法」才是增加成功機率~ ( #agentflow# 就是在幫你做這件事 🙌

继 Bing Webmaster Tools 推出 AI Performance 后 现在Google Search Console 也上线 Generative AI 报告了 现在终于可以单独看到网站在 AI Overviews、AI Mode 里的曝光和被引用页面的数据了 SEO 开始进入 GEO 数据化阶段 🥸 快去后台看看

GitHub 上一个 7.4w star 的项目，最近刷屏了。 项目名字叫 generative-ai-for-beginners，是微软官方推出的生成式 AI 入门课程。 我本来以为又是那种“看起来很全、实际全是概念”的合集，结果点进去看了两节，直接被惊艳到。 这不是东拼西凑的博客整理，而是真正按照 「怎么一步步做出 AI 应用」 的逻辑来设计的课程体系。 它从 Prompt Engineering 开始教你怎么和模型高效对话、如何精准控制输出；然后自然过渡到 RAG、向量数据库、Fine-tuning、AI Agent、安全等内容。 顺序特别重要。 很多人学 AI 最大的痛苦不是学不会，而是一上来就被 RAG、MCP、Function Calling、Agent、LoRA 等一堆名词砸懵，完全不知道该先学什么、整个链路怎么串起来。 这个课程最牛的地方就在于，它把「为什么先学这个，后学那个」讲得特别清楚，每一节都有明确的 Learning Goals，不会让你学着学着就迷路。 更关键的是——它极度注重实操。 几乎每节都配了 Jupyter Notebook，打开就能跑。你改几个 Prompt，调一下 temperature、top_p，模型输出立刻变化；RAG 那部分更是手把手带你： • 如何切分本地文档 • 如何生成 Embedding • 如何存入向量数据库 • 如何检索 + 喂给模型生成答案 后面 Fine-tuning 讲 LoRA 轻量微调，Agent 部分演示模型如何调用工具完成多步任务。 刷到后面你会突然明白：现在市面上很多 AI 产品，本质上就是把这些模块聪明地拼在一起而已。 最离谱的是，这套课程完全免费，还有中文翻译。 现在很多人一想学 AI，第一反应就是去报各种付费课。但很多付费课其实也是把官方文档换个说法重新讲一遍。 而微软自己做的这套体系化内容，反而更适合想真正从零构建知识框架的人。 我的建议是： 如果你想系统地学生成式 AI，与其每天刷碎片信息、被各种新名词牵着鼻子走，不如直接把这个仓库从头过一遍。 至少你脑子里会先有一张清晰的地图。 仓库地址： 强烈推荐给正在学 AI 的朋友

🎨 卧槽，有人把 NVIDIA DLSS 5 的那张神经渲染网络用 Vulkan 整个重写了一遍，项目叫 OpenDLSS-NR，而且是逐字节对齐的。 NVIDIA 自己那篇《DLSS 5: Generative Neural Rendering》报告里描述的模型，现在有了一份开源实现。OpenDLSS-NR 对着 DLSS-NR build 310.8.0 把每一个中间块的输出都对到和原版逐字节一致，网络是六个池化层级上的移位窗口 Transformer、底部接一个全局 ViT，激活走 FP8、用 FP16 累加，跑在张量核心上，权重总量 141 MiB。 这东西有意思的地方在于它不是超分。输入输出同分辨率，它拿引擎已经渲染好的那一帧，加上三通道高斯噪声和重投影的上一帧，重新生成细节、调色调和材质表现，输出是每像素四个 f32 通道。换句话说，画面不是被放大的，是被重画的。 性能也量了：RTX 4070 SUPER 上整网单帧最快 768×768 是 2.8 毫秒，1080p 7.8 毫秒，1440p 12.6 毫秒，4K 29.3 毫秒。仓库里还带了第二份完全独立的实现，用 WebGPU 跑在浏览器里，不碰张量核心也不用 FP8，512×512 要 72 毫秒，和本地版 2.7 毫秒放一起，正好把专用硬件到底值多少钱摊开给你看。 要先说清楚的是，权重得使用者自己提供、按指定目录结构放好，仓库本身不含任何 NVIDIA 的权重、代码或头文件，MIT 协议，和 NVIDIA 没有任何隶属关系。 9 月 20 号才建的仓库，一个人啃完了一整张闭源网络。 GitHub：

DeFi 项目 infiniFi 宣布完成超 300 万美元种子轮融资，由 Electric Capital 领投，New Form Capital、Generative Ventures、Fasanara Capital、2Square、4th Revolution Capital、DCFGod 和 The Rollup 等参投，其种子轮及 Pre-Seed 轮累计融资超过 600 万美元。新资金将用于协议开发、新增集成、多链扩展及产品推广，TGE 已确定于 2026 年第四季度进行。此前，infiniFi 曾于 2025 年 2 月完成 300 万美元超额认购 Pre-Seed 轮融资，Electric Capital 领投。

兄弟们，今天挖到一个做 AI 短视频连续剧的狠活。 做 AI 女孩最烦的真不是生图，是第二条开始脸就飘了，像换了个演员。 这个 26K 星的 Open Generative AI，可以把正脸、侧脸、穿搭、产品图一起丢进去，最多 14 张参考图，先把人物钉死。 后面接视频，再丢音频做口型，9 套数字人方案都在一个后台。 我自己看完第一反应是，这玩意值钱的不是模型多，是能让一个 AI 女孩连续拍下去。 做矩阵号的，真可以先塞密码库。

现在全网做 AI 产品的，起码有一半的方案都是照着这个清单偷抄的。 这是 GitHub 顶级大神维护的 Generative AI 全景图谱，把全球最顶尖的生成式 AI 项目、开源工具、底模和商用服务全给搜刮干净了。 仓库：steven2358/awesome-generative-ai 协议：CC0 1.0 (完全开源 / 无版权限制) 🔹 从文本、图像到语音、视频 AI，全赛道顶级项目无死角覆盖 🔹 囊括最新的开源模型与商业服务，找工具不用再瞎折腾 🔹 大厂工程和独立开发都在偷偷看的“AI 创业与选型军火库” 🔹 一键直达代码库与 API，省去 90% 筛选和测试成本 👉 链接：

用 Codex 做自媒体，真正省时间的不是让它帮你写一篇稿，而是把选题到复盘的每一步都交给合适的 Skill。 一、找选题和看趋势 1、Agent-Reach：搜索国内外多个平台的热点，用来找选题、挖素材。 2、Horizon：每天提供热点和趋势简报，帮你快速判断当天有什么值得跟进。 3、MediaCrawler：采集公开内容和用户反馈，看看真实用户在讨论什么。 二、做内容和视觉 4、huashu-design：生成 HTML 和原型，制作可编辑的 PPT，也能做动画，适合把想法快速变成视觉稿。 5、Auto-Redbook-Skills：写文案、写长文、生成配图，适合先把初稿做出来。 6、Generative-Media-Skills：处理图片、视频、音频的生成流程，适合做多模态内容。 7、nuwa-skill：固定写作风格，让账号长期保持统一的表达方式。 8、guizang-social-card-skill：生成图文卡片和封面图，提升内容被点开的机会。 三、发布和复盘 9、social-auto-upload：支持多平台自动上传，不用在每个平台重复发布。 10、MediaCrawler 再次登场：内容发出去以后，继续用它采集评论和反馈，为下一轮选题和优化提供依据。 这里有个容易忽略的细节：MediaCrawler 在开头和结尾各出现一次。前期用它了解用户在关心什么，后期用它检查内容有没有真正打动用户，整条流程也就能形成闭环。新手不必一次全部装上，可以先从选题和发布这两头开始，把最耗时间的环节交给工具，再根据需要逐步补齐。

🔮 又发现一个变态开源项目，把出图、生成视频、配音和对口型全做进了同一个桌面应用 GitHub 揽获 2.7 万 stars，Mac、Windows、Linux 的安装包都已经打好了。 以前做一条短视频素材，画面在一个网站生成，配音去另一个平台，对口型再找第三个工具，几个标签页来回切，文件下了传、传了下。Open Generative AI 把这一串收进同一个界面，图像、视频、音频、口型同步和工作流都在里面，一步做完直接接下一步。 桌面端集成了 sd.cpp，也能接一个自己跑的 Wan2GP 服务。联网的活交给 的接口去跑，想在本机出图就走本地推理，两条路自己选。 创作工具的终点，大概就是不用再来回切窗口。 GitHub：