分享一个增长小技巧：品牌词截流。 假设你发现一个产品已经做起来了，而且每天都有人主动搜索它的品牌名，这时候可以看看： 它的其他域名后缀有没有被注册，比如主站用了 .com，那 .io、.ai、.co 是否还空着。 有人会注册同名的其他后缀，做一个相近品类的产品，然后围绕这个品牌词做 SEO： ·域名里包含品牌词 ·网页标题覆盖品牌词 ·产品定位和原产品接近 ·持续优化内容、外链和点击率 这样用户搜索原品牌时，它也有机会出现在搜索结果前几名，相当于直接承接了一部分已经被市场教育过的精准流量。 这类玩法通常叫竞品品牌词 SEO、同名域名截流，做得比较激进的也会被称为品牌劫持。 它背后的思路其实很通用： 与其从零创造搜索需求，不如找到已经有搜索量、但搜索结果还没有被完全占满的关键词，然后做一个能够承接需求的产品或页面。 当然，不建议直接冒充别人。涉及商标、页面高度模仿或者故意让用户产生混淆，可能面临投诉、域名仲裁甚至法律风险。 更稳妥的做法，是研究竞品相关的长尾词、替代词和对比词，比如： ·某产品 alternative ·某产品 vs 你的产品 ·某产品平替 ·某产品怎么用 适合某类人群的某产品替代方案 本质上都是同一个增长逻辑：找到别人已经验证过的需求，再用 SEO 精准承接流量。

Claude Code 的 Artifacts 功能从 Team / Enterprise 扩展到了 Pro 和 Max 用户。 以前你让 AI 写代码，结果大多是终端输出、文件改动、聊天记录； 现在 Claude 可以把一次工作过程直接发布成一个私有网页，而且会随着它继续工作实时更新。 你只要让 Claude 创建一个 artifact，它就会生成对应的 HTML 或 Markdown，并在发布前询问你是否确认。 确认后会得到一个 链接，点开就能看，不用再手动去项目文件夹里找文件。 这个页面最大的亮点是会实时更新。Claude 继续工作时，网页内容也会同步变化，适合用来看 PR walkthrough、代码架构图、请求链路说明、数据 dashboard 等原本在终端里不太好展示的内容。 安全性也考虑到了：Artifacts 默认私有，每次发布前都会询问确认；页面自包含，不能加载外部脚本、不能发请求，也不能把数据传到外部。 想试的话，更新 Claude Code、登录 Pro 或 Max 账号，然后直接让 Claude 创建一个 artifact 就可以了。 已发布内容可以在 查看，也能用 Ctrl + ] 重新打开最新 artifact。

刚刷到一篇帖子讲如何用好fable5大概这几条： 1.Fable 5 不是普通聊天模型，而是长程任务执行模型 它更适合复杂 coding、研究、文档分析、多 Agent 协作等任务，重点是“持续把事做完”。 2.关键用法是 Loop Engineering 不要一轮一轮手动问，而是设定目标、标准和循环，让 AI 自己持续推进任务，只在需要你决策时找你。 3.成本高，要用“杠铃策略” 前期用 Fable 5 做规划，中间执行交给便宜模型或子 Agent，最后再用 Fable 5 做验收，既保证质量也控制成本。 4.Skills 是提升效率的核心工具 把反复做的工作沉淀成可复用模板，比如写作、研究、分析、脚本生成，让 Fable 5 以后按你的流程和风格执行。 5.视觉能力被低估了 Fable 5 不只是会读文字，还能分析截图、图表、PDF、UI 页面，用来做数据提取、设计评审和产品分析很有价值。 6.必须搭建上下文系统 把公司资料、项目背景、SOP、客户信息、决策记录放进本地 context 文件夹，让 Fable 5 每次都基于真实背景工作。 总结一下： Fable 5 最适合处理高价值、复杂、长周期的任务。真正的用法不是频繁问答，而是让它结合 Loop、Skills、视觉能力和上下文记忆，变成一个可以持续工作的 AI 执行系统。 限时1周，这7天最好用Claude Fable 5把你的所有的工作流、SOP、Skill、项目方案、项目代码全部优化迭代一遍。

塞进 CI/CD，每个 PR 自动过一遍安全 说实话，这个用法才是它真正能落地的地方。 Strix 带了非交互模式（-n 参数），不弹交互界面，实时打印发现的漏洞，跑完输出报告，发现漏洞会以非零退出码结束，这一点很关键，意味着它能直接卡住 CI 流水线。 配进 GitHub Actions 也就十来行：👇 在 PR 场景下，它会自动只扫改动的文件，跑得快，不会每次全量扫，这样有问题的代码在合进主分支之前就被拦下来了，比上线后再补救划算得多。

怎么用：一行命令就能跑 上手很简单。前提是本机装好 Docker 并运行，再准备一个大模型的 API key（OpenAI、Anthropic、Google 这些主流的都支持）。 安装就一行： curl -sSL | bash 然后配一下用哪个模型： export STRIX_LLM="openai/gpt-5.4" export LLM_API_KEY="your-api-key" 跑第一次安全评估，直接指向你的代码目录： strix --target ./app-directory 第一次跑会自动拉沙箱用的 Docker 镜像，结果保存在 strix_runs 目录下。 它的 target 很灵活，不止能扫本地代码。下面几种都行： # 扫一个 GitHub 仓库 strix --target # 黑盒测一个线上应用 strix --target # 带凭证的灰盒测试 strix --target --instruction "用 user:pass 做已登录态测试" # 源码 + 线上应用一起测 strix -t -t 还能用 --instruction 给它定向指令，比如"重点测业务逻辑漏洞和 IDOR"，让它把火力集中到你最担心的地方。

它和普通扫描工具到底差在哪 差别就俩字：验证。 传统静态分析是看代码、找可疑模式，所以特别容易误报，它说这儿可能有 SQL 注入，但到底能不能真打进去，它自己也不知道，得你挨个去核实，这一步，最熬人。 Strix 不一样，它走的是动态路线，它会真的运行你的代码，构造请求、操作浏览器、跑 exploit，一直试到真的打通为止。打通之后给你的不是一句"疑似漏洞"，而是一个可复现的 PoC 加上完整的复现步骤，也就是说，它报上来的每一条，都是验证过确实能利用的，不用你再回去筛误报。 这个区别对开发者特别实在。误报筛多了人是会麻木的，到最后真漏洞混在里面也容易被忽略。 Strix 把"能不能真利用"这一步自己做了，剩给你的就是干货。

这个开源 AI 黑客能自己上手攻击你的代码，还把漏洞打给你看 写过几年代码的人，多少都对安全测试有点又爱又怕。 你知道它重要，可真要做起来就头疼。要么花钱请人做渗透测试，一轮下来动辄几周，报告还死贵；要么上静态扫描工具，跑完吐给你一长串告警，点进去一看，大半是误报，真正能打的没几个。结果就是安全这事一拖再拖，等真出了事才想起来还有这茬。 Strix 想换个思路解决这件事，它是一个开源项目，用 Python 写的，核心是一群能自主行动的 AI agent，说白了就是 AI 黑客。 它不靠扫源码猜哪里有问题，而是真的把你的应用跑起来，像真人黑客那样动手攻击，找到漏洞之后再用一个能跑通的 PoC 把它证明给你看。

Fable 5回来了，Anthropic 这次重新上线了 Claude Fable 5。 简单回顾一下：6 月 12 日，美国政府对 Claude Fable 5 和 Claude Mythos 5 实施了出口管制，要求限制外国用户访问。因为这个要求是立即生效，而且平台没办法实时可靠验证用户国籍，所以 Anthropic 当时直接暂停了所有用户对这两个模型的访问。 现在出口管制已经解除，Fable 5 开始全球恢复访问，覆盖 Claude Platform、 Code 和 Claude Cowork。 Fable 5 重新上线后有什么变化？ 最大变化是加了新的安全分类器。 Anthropic 和美国政府、Amazon 等合作方一起训练了新的 classifier，专门阻断报告里提到的那种绕过方式。 官方给出的数字是：新的分类器能在超过 99% 的情况下阻止该技巧。 如果用户的请求被 Fable 5 的分类器拦下，系统不会直接让 Fable 5 回答，而是会把请求转给 Claude Opus 4.8。用户会收到提示，知道这次请求被 fallback 了。 这个设计很有意思：不是简单拒绝，而是降级处理。 也就是说，Anthropic 试图在两件事之间找平衡： 一边让用户继续用到 Fable 5 的强能力， 一边避免它在 cyber / bio / chemistry / distillation 这些高风险方向释放太多能力。

6 月 27 日，我们在成都办了一场「一人公司 AI 出海交流会」。 这次请到几位实战派朋友，聊了 聊SEO、X 增长、AI 内容和产品出海。 几个重点： 1.先找真实痛点，别先想“大产品” 每天都有人问、有人抱怨、有人愿意付钱的问题，优先做。能马上收费的小工具，通常比“大而全”的项目更容易跑通。 2.先拿到第一笔钱，再谈优化 先做一个最小版本，只要能解决核心问题、能收一次钱就行。卡住大多数人的不是做不出来，而是一直拿不到第一单。 3.用 AI 提高产出，不要只拿来写代码 人负责想目标、定边界、看结果，AI 负责生成、修改、测试、排版、配图这些重复活。 重点是把流程标准化，形成可复用的“工作流”。 4.多试几个小项目，别死磕一个 开发成本低了以后，打法要变成“快速试错”。先做多个小项目，留下跑得通的，挂掉的就当训练成本。 5.内容不是终点，是获客手段 持续发你在做什么、怎么做、踩了什么坑，能慢慢建立信任。 用户不是看你一篇内容就下单，而是先记住你，后面需要时自然想到你。 6.做一人公司，核心是三件事一起跑 低成本做产品，持续做分发，尽量把能力放到更大的市场里。只做其中一项，效果都会打折。

很多公司裁员的时候都会提到 AI，尤其是技术岗位，听起来好像软件工程师是最容易被自动化取代的一群人。 毕竟现在 AI 写代码越来越快，很多人自然会担心：是不是以后一个工程师就能顶好几个？ 如果 AI 真的在大规模替代工程师，最先被压缩的应该就是工程招聘，但现实看起来并不是这样。 相反，很多公司可能是因为有了 AI，工程师反而能做更多事，需求也被“放大”了。 AI 没有让工程师变少，反而让他们更忙了，因为 AI 把很多基础活提速之后，工程师就会继续去做更多新想法、新项目。 所以现在看起来，AI 对工程行业的影响，可能更像是“提高效率、扩大需求”，而不是简单地“替代工作”。 这有点像经济学里说的杰文斯悖论：效率越高，需求反而越大。 至少就目前来看，工程师并没有因为 AI 退场，反而像是进入了一个更忙的阶段。

Notion × Cursor：把文档、任务和讨论线程直接变成 AI 编程入口 昨天看到“Notion 如何使用 Cursor SDK 嵌入编程智能体” 一句话总结： 你现在可以直接在 Notion 里把任务委派给 Cursor。 在文档里 @ 它、在讨论线程里提它、或者在数据库里给它分配一个 issue，Cursor 会自己去规划、构建、测试、验证，然后在发起 PR 前把结果跑通。 这件事背后有两层含义： 对用户来说，这是 “在 Notion 里直接叫一个 coding agent 干活” 对产品和创业团队来说，这是 “Cursor SDK 已经成熟到别家产品能拿来当 agent 引擎了” Notion 并不是自己从零造一个 coding agent，而是把 Cursor SDK 嵌进了自己的工作流里。 Cursor 负责底层的 agent runtime、云端执行环境、模型调用、工具调用和 PR 流程；Notion 负责提供任务入口、文档上下文、讨论记录和团队协作场景。 换句话说，Cursor 更像是“会干活的 agent 引擎”，Notion 则是“组织记忆和任务调度台”。 以前 AI 编程大多发生在 IDE 或聊天框里，现在它开始进入团队真正产生需求的地方：任务板、文档页、评论区和会议记录。 这对团队协作的意义很大。很多时候，问题不是代码没人写，而是需求在 Notion，讨论在评论区，代码在 GitHub，结果没人同步回来。 这样的集成有机会把“任务 → 代码 → 测试 → PR → 文档回写”串成一个更完整的闭环。 当然，它现在还不是人人都能随手用的功能，权限、计费、企业安全、MCP 稳定性这些问题都还需要继续观察。 但方向已经很清楚了：AI coding 不会只停留在编辑器里，它会越来越多地进入团队的工作流系统。 🔗

Docker Desktop 从 2021 年开始改商用收费后，Mac 上跑容器就一直没什么舒服的方案，要么忍着每月订阅，要么折腾 colima、OrbStack 之类的替代品，每一个都有自己的坑。 苹果自己下场了。 一个叫 container 的工具悄悄出现在 apple/container 这个 GitHub 仓库里，Apache-2.0 协议，Swift 写的，专门为 Apple Silicon 优化，免费。

Kimi K2.6 发布，这次重点全面拉满代码能力与智能体 Agent，直接创下了开源模型的新纪录。 像 SWE-Bench Pro 这种看真实改代码能力的基准上，K2.6 甚至已经把 GPT-5.4 和 Claude Opus 4.6 压到后面去了。 单条指令就能连续工作 12 小时以上，支持上千次工具调用、多轮代码迭代优化，甚至能自主排查性能瓶颈、重构老旧大型项目，吞吐量提升数倍。 不再只是简单写代码的助手，更像能独立干活的远程工程师。 同时智能体集群也大幅升级，并行子智能体从 100 个扩充到300 个，可以同时处理海量文件、批量生成内容、做多任务协同； 还新增文档固化技能、后台常驻自主 Agent，能 24 小时无人值守做运维、监控、自动化流程，多 Agent 协作直接从论文概念变成普通人可用的功能。 模型完全开源，采用宽松授权，HuggingFace 可直接下载权重，主流推理框架全部适配； 网页版、终端代码 CLI 工具都能直接上手体验，API 价格依旧保持开源梯队水平。 当然也有短板：上下文长度没有继续升级，纯数学推理、视觉能力依旧落后顶尖闭源模型，而且整体参数量很大，个人家用显卡基本没法本地部署，更适合企业、开发者上云调用。