木马人
@cnyzgkc
👨💻 前大厂工程师 · 多年一线开发经验
💼 主业程序员，副业 AI自媒体
🛠️ 实测AI 工具 / Skill / 工作流，主打手把手教程
✉️ 商务合作：cnyzgkc@gmail.com
1.9K 正在關注 17K 粉絲
周末刷小破站，差点没给我笑死，居然有人让AI去组局玩狼人杀。
刷到一个UP主 十月枫林尽染出了一期特别有意思的AI测评——「AI 狼人杀」，让12 个国内外大模型同桌开局，一个比一个心眼子深，太好玩了 他的测评思路很有意思，给定一个主题，然后让每个模型扮演对应的角色，每个模型说完下一个模型会根据他们的对话来判断谁是好人谁是狼人，开头豆包2.1刚说完，Claude Opus直接跳警查杀，真是越看越过瘾。
讲实话，各种新模型发布太多，跑分（benchmark）也看多了，普通人其实看不太懂，他们更关心实际应用场景下模型的真实能力。
所以看到B站各个UP主的测评还挺意思，后来看了下发现是B站搞了一个AI 无限竞技场的活动：他的思路比较好，不搞跑分那套，而是让各领域 UP 主自己想场景自己测评，然后让模型在实际应用下展示最真实的实力。
各种场景都有：有让AI玩狼人杀的，有给AI 1万块去赌球的，还有拉坨大的，然后让AI去修屎山代码的，真是一个比一个绝。
当然了，一局比赛或者测评肯定不能直接评判谁是最强模型，但我觉得B站搞的这个思路挺不错：把大家真正有意思的场景摆上来，让 AI 当场表演，看看到底谁夯谁拉。
感兴趣可以去小破站搜「AI竞技场」，除了狼人杀还有很多好玩的测评。
顯示更多
昨天申请的，今天Jev官方就审核通过了，通过很快，一般一天~
官方申请链接：
如果想知道Jev是干嘛的，可以先看官方文档：
更多有意思的案例：
顯示更多
回来了，兄弟们，Pro 20x回来了！Tibo 大善人啊~
速度续上，不然又没了~
中午刚跟余温大博主吃饭，20岁出头，已经月入10w+
再看看自己，好像这个月才赚了5、6万了，还得算工资~
罢了，一代更比一代强，还是不跟年轻人比了~
顯示更多
去年的今天，我懵逼的发了第一条推文
今天，粉丝近 50k，直接、间接在推特赚了 50w+
从大三到大四，下个月也要 21 岁了
提前一年实现了自己大学定下的目标：毕业前年入百万
这个过程，经历了很多个第一次：
第一次一天赚 1000，第一次一天赚 1 万，第一次一周赚 10 万，第一次单月赚 10 万，单月赚到 20 万......
推特带给我的收益非常大！！！！！！
金钱上包括：老马的收益、商单、返佣、社群和咨询、以及推特给我带来的客户......
非金钱收益：好用的社交名片、结实很多一起做事的朋友、认识了很多遥不可及的大佬，全方面拉高了我的认知和圈子。
毫不夸张地说：给我带来的价值，超过一个亿。
我这一年最大的感受：很多结果，真的是做出来的。
1、如果你想靠自媒体赚钱，就要把它当成一件业务，去研究发什么、谁会看、别人为什么信你、最后愿意为什么付钱。
2、你想靠 AI 赚钱，就去真实业务里摸索啊。别幻想。
年初我 OpenClaw 跑了很多活动，给老板做了不少 AI 落地的杂活。
像这些工作不高级、不标准，但你只有做进去，才知道客户真正缺什么。
你总得先把时间卖出更高的价格，再想怎么把经验交给别人、做成产品，这就是大多数人更现实的起点。
3、我以前也很自大，很看不起 low 的赚钱方式，看不起那些“傻逼”自媒体博主，就觉得对方只是运气好。
但是，他们赚钱啊！！！
我们都应该有个观念，只要对方拿到了结果，就值得我认真研究他到底做对了什么。
我们以为他们越傻逼，那他们就越值得我们学习，都是我们缺的东西......
4、关于自媒体，我的建议还是：别管是海外还是国内，大胆去发，持续去发。
第一条可能没几个人看，一百条也未必赚得到钱。但只要你真的是“以目标为导向”，并且做的过程中不断校正方向，那机会会比你想象中多。
很感谢这一路上遇到的所有朋友和黑子，带我赚钱、帮我解决问题的朋友得有上百个，就不一一列出了，我给大家磕一个！🧎🧎🧎🧎🧎🧎
还剩一年毕业，肯定还是要向更大的目标迈进，看毕业那天能做到什么样吧。
最后还是那句话：
持续学习，保持清醒，无限进步！
顯示更多
收到字节的中秋礼盒，太贴心了！
东西也很实用，一套户外运动装备～
AI博主平时还得多出去动弹动弹～
字节的产品和模型一直很能打，最近一直用豆包工作结合飞书优化我的工作流，非常丝滑～
最后感谢@BytedanceTalk ，祝越来越好！
顯示更多
分享一套抖音起号工作流，不需要真人拍摄，一条命令直接低成本复刻真人带货视频~
非常适合批量生产解说视频，建议收藏，直接拿去抖音带货起号，库库涨粉啊！
操作方法如下：
1、首先准备你希望对标的参考视频，我这里以两个女生在店里讨论 iPhone 12 的视频为例；
2、然后我用WorkBuddy 海外版中的GPT-6 Astra + Hypit @hypitai 的Clone 命令，把那种双人评测的视频稍作修改，就复刻出两个科技人物的手机评测视频；整个过程不用手动操作，让AI自动把人物、背景都换了，保持原来的台词、字幕和产品内容不变；
3、最后，在生成过程中，Hypit Studio 会先给我看一个预览，里面待生成的画面会先用灰色占位，如果发现结构有问题，也可以先修改，不用着急去生成素材。
我按照这个流程尝试先做了第一版，效果还行：两个人还在手机店里，但对白和字幕已经ok了。
第二版我的想法是把两个人换成科技人物，把背景换成某iPhone手机发布舞台。
场景变成其中一位拿着麦继续说中文，另一位在旁边听，身后是白色和深蓝色的舞台，还有展开的双屏和铰链装置；最后人物和场景重新生成了，最关键是字幕、手机图片和产品卡都没变，还是沿用同一套编排。
这就是 Hypit 牛逼的地方了：参考视频 Clone 完，还能留在原工程里继续改，不用把已经做好的部分重新摆一遍。
感兴趣的可以试试他们的开源仓库，顺手点个 Star ⭐：
顯示更多
Introducing Hypit: Clone any viral video with AI agents.
继WorkBudddy蓝皮书、豆包工作蓝皮书之后，我们AgentWork社区又开源了，
这次是开源模型的实战指南。
我们认为，随着work agent、硬件设备的不断发展，本地模型部署也将变成大众技能，就跟现在的vibe coding一样。
这次开源模型的实战指南，取名叫魔搭紫皮书，
主要魔搭上有免费GPU资源可以使用（白嫖），对于现在很多没有资源的人来说，太刚需了。
所有实战内容，都有notebook，开源一步一步跟着走，
目前共 8 篇、34 章，内容覆盖认识开源模型、模型选型、推理部署、微调评测、业务场景、AIGC、Agent，以及基础知识补充，
欢迎大家star，
在线网站：
顯示更多
太魔幻了，Astra 还在让大家惊叹：AI 终于会用 Blender 了。
结果Nex-AGI 已经直接出现在现实世界里了。
我只给了一个 Prompt：
做一根 6cm 的粉色活动香蕉，省点料。
然后我基本没碰 Blender。
它自己用 MCP 建模，Computer Use 看结果、自己修，最后直接吐给我一个 STL。
我顺手扔进拓竹。
👇 视频里正在一层一层长出来的，就是它自己设计的香蕉。
这一刻我是真有点惊到了。
Nex-AGI + Computer Use，能力完全超出我预期。
一句话 → Blender → STL → 3D 打印 → 实物。
🔥 这真的有点科幻了。
直接免费体验nex-agi ：
顯示更多
卧槽，我终于不用盯着AI 干活了，可以解放双手了~
最近GPT-6 Astra 太火了，我想查一下相关用户的真实评价，反其道而行之，找找吐槽点，整理成一篇相关推文。
换作之前，需要调用多个不同的Agent：一个搜资料，一个选题，一个写和审稿，结果多了就忘了哪对哪了。
但是我这两天试了下Teamily @Teamily_AI，只要丢了一句话，从查资料、选题、写稿、审稿，全是它们在群里自己干完的。
我相当于直接组了个推特编辑部，把资料编辑、选题编辑、推文写手、审核官拉进群，然后 Teamily Agent 作为总指挥。
我只跟总指挥说需求，后面他们就会根据安排去完成任务。
资料编辑先搜，把事实、官方口径和争议点拆开，交给选题编辑。
选题编辑挑一个适合发 X 的角度，再给推文写手。
推文写手出第一版，审核官直接挑刺，哪里像新闻稿，哪里数字不稳，哪里太专业，哪里不像正常人说话，一条条标出来。
然后退回去改，过审才停。
重点不是同时开了 4 个 AI。
是这 4 个真的在同一个群里接力，查完选题，选完写，写完审，审完再改。
分工和返工也是总指挥自己排的。
现在我就负责组建团队，后面任务的落实，谁去查、谁去写、谁去改，都不用我盯～
感兴趣的可以玩玩：
顯示更多
“ 现在大家不再只为“更聪明的模型”付钱，反而是愿意为那些真正能解决问题的agent付费。”
这个观点来源我最近听的一档新的播客《深度进化》
这期的嘉宾是我的朋友——公众号知名博主 刘聪NLP，聊的内容是最近的风口—— Work Agent~
最近各个大厂都在卷，从 Coding Agent 卷到办公场景：不再卷模型，而是卷各种报告、网站、数据分析、营销物料的交付~
我感觉这波 AI 办公 Agent 讨论，真正争论的点已经不在是“谁家模型更聪明”，而是谁能把活干完、交出来、还能被核验。
毕竟回答得再溜，在办公场景下能不能交付才是关键。
百度搭子 DuMate @Baidu_Inc 在这期播客中被拿来当样本，讲的不单是一个聊天窗口，而是怎么把 Agent 推进到可核验的工作结果。
我的理解：下一轮入口，不看谁家宣传更强，而是看谁的“交付”更硬。
播客切条和产品页可以在这看：
顯示更多
Welcome back to AI, Evolving.
In our second episode, we compare how companies in China and other markets are building AI agents for the workday — and what will set them apart as advanced models and infrastructure become more widely available.
This time, we turn to DuMate to examine what it takes for agents to earn our trust and help both individuals and teams do more.
顯示更多
Grok Bot 极简安装教程，一共2步：
1. 打开Codex
2. 输入帮我装下 grok bot
嗯，没了~
有个朋友写公众号正好被出版社看到，让他写了个书稿的初版，其中有个内容让我帮忙去修改。
像这种文件最麻烦的地方就是，它已经不是一堆单纯的文字了。
章节结构、排版、图片、编号全部已经串在一起，改一个地方很容易牵一发动全身。
我直接在原稿里选中开头，让 WorkBuddy 帮我重新调整，然后又调用里面的「制作图标的专家」，根据这一段内容补了一张流程图。
这里有个细节，我觉得特别牛逼。
这一章原本已经有 60 多张图。
中间突然插进来一张新图，意味着后面所有图片的编号都要跟着往后顺。如果自己处理，就是从这里开始一路改到章节最后。
WorkBuddy 插完图之后，连后面这些编号也一起帮我处理掉了。
这种活才是我真正想交给 AI 的。
不是重新给我写新的内容，而是在已经写好的书稿里，帮我把最麻烦的修改继续做下去。
顯示更多
我想很多人都有这个困扰：之前经常需要在Codex和Claude Code之间来回切换，现在又加上了最近爆火的DeepSeek Harness。
但是每次来回切换、或者想尝尝DSH的鲜的时候，我都得把背景重新讲一遍，确实挺烦的~
最近在GitHub上发现的一个开源项目 memmy-agent，把 Codex、DeepSeek Harness、Claude Code接了进去，直接解决了困扰我很久的跨Agent 记忆的问题。
我用它做的事情很简单：把分散在不同 Agent 里的历史，沉淀到同一份个人上下文里，默认 Local-first，让它们都能调用。
我把它分别接入 Codex、DeepSeek Harness、Claude Code 之后，我做了一个信号中继站小游戏。
我先在Codex 写完基础玩法，然后对话里说一句话：
第一次失败时，给玩家一次翻盘机会，别直接结束游戏。
但这句话我故意不写入代码、README 或者是本地记忆文件。
然后新开 DeepSeek Harness，它从 Memmy 直接读出了这条决定，非常丝滑。
再新开 Claude Code，它读代码前先复述了规则，再按这个方向把后续功能补完。
代码只能告诉下一个 Agent 项目做到哪，但那些留在对话里的决策，才影响着项目接下来往哪走。
以后，Agent 要记住的，不只是代码，还有你前面已经决定的决策和经验。
Memmy 不仅帮我解决了Agent记忆的问题，还让这些经验不再独属于某一个 Agent，而是只属于你。
Switch agents, not context。
Memmy 支持桌面端、CLI、API、MCP 和 Skills多种方式，可以直接接着执行任务。
如果你也经常在多个 Agent 之间切换，可以拿自己的项目试一下。
项目GitHub：
顯示更多
杨立昆转发了，百度 Unlimited OCR 又回到 HuggingFace Models Trending 第二。
这个 3B 开源模型发布刚满一个月，GitHub 已有约 1.66 万 Star，HuggingFace 近月下载超过 223 万次。我翻了下 HuggingFace Trending 榜单，它竟然还排在 GLM-5.2 前面。
我去读了论文。开发者持续讨论它，核心原因是长 PDF 终于有机会不再逐页识别、最后硬拼成一份结果。
它的 R-SWA 会一直看着原文里的视觉信息，只保留最近 128 个输出 Token 作为“工作记忆”。像抄一本书：眼睛一直看着原文，脑子只记刚刚抄到哪儿。
官方给出的边界是：标准 32K 最大长度下，一次前向推理可连续解析数十页，解码阶段的 KV Cache 保持恒定。海外帖子里流传的“100 页”更猛，但那不是论文给出的通用承诺。
我的判断是，OCR 下一轮要卷的已经不止单页识别率，还包括整份文档能否连续读完，以及页数增加后成本会不会跟着失控。
项目地址：
#无限OCR# #UnlimitedOCR# #百度# #文心大模型# #文心#
顯示更多
