关于AIGC人工智能、思维方式、知识拓展，能力提升等。投稿/合作： @inside1024_bot
AIGC 领域的最新工具、开源项目以及行业大事件
AIGC 领域的最新工具、开源项目以及行业大事件
虽然身在 personal agent 赛道这么说好像不太好...
但是硅谷这批火的 p a 场景都是收邮件订餐厅管日程...
美国人平时有多少这样的需求，又有多少是需要 agent 接管
再看转发的都是 vc，又是商业互推的一场秀
硅谷的不真实比国内更甚
寻求真实的高频刚需任重道远
@aigc1024
但是硅谷这批火的 p a 场景都是收邮件订餐厅管日程...
美国人平时有多少这样的需求，又有多少是需要 agent 接管
再看转发的都是 vc，又是商业互推的一场秀
硅谷的不真实比国内更甚
寻求真实的高频刚需任重道远
@aigc1024
以前让大模型算八字、看风水，它经常是凭空编造，你还分辨不出来。现在有人直接把传统术数体系拆解成工程化组件，集成到Claude Code、Codex这类工具里，还接入了古籍知识库做校验，就是为防止AI随机发挥。
目前能用的几套方案，我帮你整理了一下：
1️⃣ 八字命理 / 赛博算命
🔗 https://github.com/jinchenma94/bazi-skill
2️⃣ 奇门遁甲 + 紫微斗数（这套做得最扎实）
🔗 https://github.com/FANzR-arch/Numerologist_skills
3️⃣ 月老 / 姻缘测算
🔗 https://github.com/Ming-H/yinyuan-skills
4️⃣ 易经风水 / 阳宅分析
🔗 https://github.com/voidforall/fengshui.skill
5️⃣ 塔罗牌解读
🔗 https://github.com/daman-ovo-0404/tarot-skill
6️⃣ 佛学典籍学习
🔗
特别提一下第二套Numerologist skills，它的思路很清晰。它不是让模型变得更“玄”，而是把排盘、历法换算这类刚性计算交给Python脚本处理，不让AI自己推断；流派、换日规则、闰月处理这些口径问，先明确再输出；信息不足时先追问，不强行排盘。
核心就是让过程更透明，出错也能快速定位。
从赛博算命到AI风水，传统文化这回算是搭上了Agent的快车。
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
一个冷知识，Siri 是在 Cook 上任苹果 CEO 第一年 2011 年发布的
直到 Cook 在 2026年下台，Siri 都一直保持着一个弱智的状态
先做个垃圾出来，15年后，仍然是个垃圾
这还是世界上最有钱最有品味的公司之一
@aigc1024
直到 Cook 在 2026年下台，Siri 都一直保持着一个弱智的状态
先做个垃圾出来，15年后，仍然是个垃圾
这还是世界上最有钱最有品味的公司之一
@aigc1024
今年以来，我在使用 Coding Agent 方面有一个很大的变化，就是从 TL（Teach Lead） 的角色变成了 EM（Engineering Manager） 的角色。
这两个角色主要差别在技术参与深度多少。
之前我更像一个 TL，虽然不是说事必躬亲，但是系统设计、代码审查什么的肯定是少不了的，说到底还是对 AI 写的代码不放心。
这样虽然质量更有保障，但是人会成为 Agent 的瓶颈，很多事情需要人去决策，细节需要人去掌握。
转折点在 Fable 5 前后，我发现 AI 写的代码质量已经相当可以了，只要稍加验证就不会有太大偏离，所以我越来越少的去干预 AI 写代码，而是会更站在全局去看一个项目：
决定项目怎么做，去验收好结果。
这极大的释放了 Agent 的生产力，大部分时候我想好要做什么功能，先和 Agent 一起做一个技术方案，然后确认方案没问后，用 /goal 加上方案，让 Agent 去执行，写代码和自动化测试，等做好再去验收下功能，代码不怎么细看。
有 Bug 了就是把 Bug 描述给 Agent 让它自己去重现解决，并且让 Agent 补上相关测试覆盖，修复了后人再去验证一下。
这样还有一个好处，就是在技术选型时，不会局限于你自己的喜好和擅长。
当你是 TL 的角色是，还是会有点过度关注技术实现，包括技术选型会偏向你自己熟悉的喜欢的，而不一定是最适合的。
当你是 EM 的角色做技术选型，就不再关注自己擅长什么，而是什么技术最适合项目。
我因为前端熟悉，所以最开始开发字幕翻译 App 时，就优先考虑 Electron 这样的技术栈，因为自己熟悉，有问能解决也能写的出来。
后来发现 Electron 性能很难满意，就换成了 Swift + AppKit 原生技术栈，本来我 Swift 是不熟悉的，但有 AI 辅助，整个过程毫无压力。
现在在设计 BaoCut 下一个大版本的时候，要考虑跨平台方案，首选是 Rust，哪怕我从来没写过一行 Rust 代码，但我知道这是一个很好的跨平台选择。
目前基于 Rust 的第一个版本已经写完了，整个过程几乎没有任何语言上的障碍。
通过这样的模式我在开发 BaoCut 的时候，基本上可以每天一个小版本迭代。https://baocut.app/releases/
这两天速度慢下来了，是因为需要构思新的大版本，这时候人就又成了瓶颈了：如果人没想清楚该做什么，Agent 再厉害也帮不上。
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
这两个角色主要差别在技术参与深度多少。
之前我更像一个 TL，虽然不是说事必躬亲，但是系统设计、代码审查什么的肯定是少不了的，说到底还是对 AI 写的代码不放心。
这样虽然质量更有保障，但是人会成为 Agent 的瓶颈，很多事情需要人去决策，细节需要人去掌握。
转折点在 Fable 5 前后，我发现 AI 写的代码质量已经相当可以了，只要稍加验证就不会有太大偏离，所以我越来越少的去干预 AI 写代码，而是会更站在全局去看一个项目：
决定项目怎么做，去验收好结果。
这极大的释放了 Agent 的生产力，大部分时候我想好要做什么功能，先和 Agent 一起做一个技术方案，然后确认方案没问后，用 /goal 加上方案，让 Agent 去执行，写代码和自动化测试，等做好再去验收下功能，代码不怎么细看。
有 Bug 了就是把 Bug 描述给 Agent 让它自己去重现解决，并且让 Agent 补上相关测试覆盖，修复了后人再去验证一下。
这样还有一个好处，就是在技术选型时，不会局限于你自己的喜好和擅长。
当你是 TL 的角色是，还是会有点过度关注技术实现，包括技术选型会偏向你自己熟悉的喜欢的，而不一定是最适合的。
当你是 EM 的角色做技术选型，就不再关注自己擅长什么，而是什么技术最适合项目。
我因为前端熟悉，所以最开始开发字幕翻译 App 时，就优先考虑 Electron 这样的技术栈，因为自己熟悉，有问能解决也能写的出来。
后来发现 Electron 性能很难满意，就换成了 Swift + AppKit 原生技术栈，本来我 Swift 是不熟悉的，但有 AI 辅助，整个过程毫无压力。
现在在设计 BaoCut 下一个大版本的时候，要考虑跨平台方案，首选是 Rust，哪怕我从来没写过一行 Rust 代码，但我知道这是一个很好的跨平台选择。
目前基于 Rust 的第一个版本已经写完了，整个过程几乎没有任何语言上的障碍。
通过这样的模式我在开发 BaoCut 的时候，基本上可以每天一个小版本迭代。https://baocut.app/releases/
这两天速度慢下来了，是因为需要构思新的大版本，这时候人就又成了瓶颈了：如果人没想清楚该做什么，Agent 再厉害也帮不上。
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
看着我手里烂掉的塑胶颗粒
我想了一下，应该夸一夸...
soundcore 飞跃线用了快三年，洗衣机还洗过，用得多所以用得烂...
可惜二代改了造型，佩戴很疼，很失望
同期买的韶音openfit 买了一年就无法充电了...也没啥保修政策
以后应该不会买这种耳机了
还是耳夹好，跟眼镜不打架
@aigc1024
AI 正在出现非常典型的 commoditization（商品化）特征。
很多人没有意识到，AI 可以成为人类历史上最伟大的生产率革命之一，同时模型本身却成为利润率越来越薄的商品。两者不矛盾。
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
很多人没有意识到，AI 可以成为人类历史上最伟大的生产率革命之一，同时模型本身却成为利润率越来越薄的商品。两者不矛盾。
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
