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
TG体育投注平台最优选
赛事信息、玩法展示
快捷提交、状态查询
全部在 Telegram 内完成
文字直投
“ xx 让球 100”
输入球队名xx，发送消息，点击即可完成确认。
一键投注
/today@wjty
发送指令，当日赛事点击即投。
老王讲了个故事印象深刻，也分享给各位做 Agent 的朋友共勉：
Netflix 当年并不是一开始就做流媒体，而是先用当时最可行、成本最低的 DVD 邮寄租赁切入：DVD 足够轻、便宜、适合邮寄，宽带和版权基础设施还没成熟时，流媒体只是一个很弱的附加功能。后来网络速度、设备普及、内容授权和用户习惯一起跨过临界点，Netflix 才真正变成流媒体巨头。
AI 现在也很像这个阶段：模型质量还在波动，推理成本仍然很高，很多产品形态还不稳定，所以前期不能只赌“未来一定便宜”，而需要先围绕成本、效率和真实需求把业务跑通。等模型能力、算力成本、工具链和用户习惯一起到达临界点，可能就会像当年的流媒体一样迎来大爆发。
@aigc1024
Netflix 当年并不是一开始就做流媒体，而是先用当时最可行、成本最低的 DVD 邮寄租赁切入：DVD 足够轻、便宜、适合邮寄，宽带和版权基础设施还没成熟时，流媒体只是一个很弱的附加功能。后来网络速度、设备普及、内容授权和用户习惯一起跨过临界点，Netflix 才真正变成流媒体巨头。
AI 现在也很像这个阶段：模型质量还在波动，推理成本仍然很高，很多产品形态还不稳定，所以前期不能只赌“未来一定便宜”，而需要先围绕成本、效率和真实需求把业务跑通。等模型能力、算力成本、工具链和用户习惯一起到达临界点，可能就会像当年的流媒体一样迎来大爆发。
@aigc1024
😃 😃 😃 😃 😃 😃 😃 😃 😀 体育首周包赔体验！😀 开赛日免费领😀 😀 启动金⚽️ 赛事竞猜瓜分😀 😀 😀 😀 😀 😀 😀 😀 😁 全新代理模式佣金高达😀 😀 🫤
大事件 体育馆 吃瓜偷拍
商家群 小说区 无码传媒
——————————————————
——————————————————
#G7环球 #G7环球娱乐 #世界杯
所以黄仁勋说学文学的人在AI时代很有用
0-2秒：低头垂眸，嘴角噙含蓄淡笑，不露齿，神态温柔安静。
2-4秒：笑意缓缓收敛，嘴角归平；双眼、头部慢慢抬起，视线转向画面右侧，神情转为认真留意。
4-6秒：持续望向右方，眼神添上浅淡疑惑与担忧，双眼微睁（幅度自然），嘴唇轻启呈欲言又止状，眉眼微收，不皱眉。
6-8秒：视线缓缓下沉，头部微低，笑意尽数褪去，神情安静失落，内敛压抑情绪，不流泪、不哭泣。
8-10秒：低头轻阖双眼，平复心绪，嘴角浮现一抹藏起难过的浅淡自嘲式浅笑，呼吸自然，动作极轻。
10-12秒：缓缓抬头，眼眸重新迎向柔光，眼神渐亮却依旧克制，脸部转向前方/偏右，唇角带一丝温柔又委屈的淡意。
12-15秒：目视前方/画面右侧，眼神柔和微润，唇瓣轻动似欲语还休，最终保持安静凝视状态，定格在温柔清冷、略带忧郁的情绪中，结尾无黑屏、无转场。
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
0-2秒：低头垂眸，嘴角噙含蓄淡笑，不露齿，神态温柔安静。
2-4秒：笑意缓缓收敛，嘴角归平；双眼、头部慢慢抬起，视线转向画面右侧，神情转为认真留意。
4-6秒：持续望向右方，眼神添上浅淡疑惑与担忧，双眼微睁（幅度自然），嘴唇轻启呈欲言又止状，眉眼微收，不皱眉。
6-8秒：视线缓缓下沉，头部微低，笑意尽数褪去，神情安静失落，内敛压抑情绪，不流泪、不哭泣。
8-10秒：低头轻阖双眼，平复心绪，嘴角浮现一抹藏起难过的浅淡自嘲式浅笑，呼吸自然，动作极轻。
10-12秒：缓缓抬头，眼眸重新迎向柔光，眼神渐亮却依旧克制，脸部转向前方/偏右，唇角带一丝温柔又委屈的淡意。
12-15秒：目视前方/画面右侧，眼神柔和微润，唇瓣轻动似欲语还休，最终保持安静凝视状态，定格在温柔清冷、略带忧郁的情绪中，结尾无黑屏、无转场。
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
48支豪强齐聚
104场巅峰大战
谁将捧起大力神杯
边看边聊，神仙预测等你来战
免费观看世界杯直播： 000.live
🎁 新人六重豪礼
💎 代理八重扶持
⚽️ 全球热门赛事覆盖
🎉 每日专属优惠活动
平台特色：
零延迟高清直播，每一次射门都尽收眼底：000.live
🔥 世界杯狂欢，从这里开始！
一位做 AI 培训的老师今天来找我，说她想带学生体验一下 GPT image 2 的能力，问我们的新用户免费 100 张的福利是不是还在。
我说已经结束了，现在赠送大概 10 张左右。
她说这不太够，要完整体验一个模型的能力大概需要 50 张。
我说确实每个人都应该体验下这个模型的能力。
于是我把 ListenHub 的把新用户注册福利增加到了 50 张。
如果不是羊毛党很多的....我们也能承担这个成本
如果你的朋友或学生也想体验 ，可以把使用地址转发给他：
ListenHub.ai
@aigc1024
我说已经结束了，现在赠送大概 10 张左右。
她说这不太够，要完整体验一个模型的能力大概需要 50 张。
我说确实每个人都应该体验下这个模型的能力。
于是我把 ListenHub 的把新用户注册福利增加到了 50 张。
如果不是羊毛党很多的....我们也能承担这个成本
如果你的朋友或学生也想体验 ，可以把使用地址转发给他：
ListenHub.ai
@aigc1024
٩(•̤̀ᵕ•̤́๑)ᵒᵏᵎᵎᵎᵎ 我克隆了网红【峰哥亡命天涯】的声音和记忆，让 AI 用他的方式跟我实时对。
第一次听到"峰哥"的声音从电脑里怼我，愣了几秒。。
像跟直播连麦一样。
这个项目我叫它 Talk to Me，从 V1 到 V3.6 迭代了好几轮。它干的事：你说，AI 用克隆出来的声音回你，记得你们聊过什么，还带着那个人的性格和说方式。
怎么做到的——四个开源项目 + 云 GPU 拼出来的：
• 本地笔记蒸馏 → 352 条笔记压成人格和说风格
• LiveKit → 实时语音通的底层框架
• VoxCPM → 云 GPU 上跑中文音色克隆
• OpenViking → 长期记忆，聊过的内容能找回来
没用大厂现成方案，STT→LLM→TTS 每一环都自己拆过换过踩过坑。比如...
Cartesia 中文克隆翻车、GPU 迁移重配 SSH、粒子 UI 丑到没法看……全链路延迟从 8-20秒/句 压到 1 秒内。
其实一开始只是想跟自己对——蒸馏自己的知识库，克隆自己的声音---- 我太寂寞了，想着自己和自己对呢🤫
后来觉得不够有意思，就换成了网红的音色和人格，体验一下就完全不一样了。
这也让我意识到：不只是"我的分身"，而是谁都可以有一个能实时对的 AI 版本。
代码还很粗糙，坑还很多。但如果大家觉得有意思，后面可以拆解技术细节做个系列。
附一条自测 demo 👇
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
第一次听到"峰哥"的声音从电脑里怼我，愣了几秒。。
像跟直播连麦一样。
这个项目我叫它 Talk to Me，从 V1 到 V3.6 迭代了好几轮。它干的事：你说，AI 用克隆出来的声音回你，记得你们聊过什么，还带着那个人的性格和说方式。
怎么做到的——四个开源项目 + 云 GPU 拼出来的：
• 本地笔记蒸馏 → 352 条笔记压成人格和说风格
• LiveKit → 实时语音通的底层框架
• VoxCPM → 云 GPU 上跑中文音色克隆
• OpenViking → 长期记忆，聊过的内容能找回来
没用大厂现成方案，STT→LLM→TTS 每一环都自己拆过换过踩过坑。比如...
Cartesia 中文克隆翻车、GPU 迁移重配 SSH、粒子 UI 丑到没法看……全链路延迟从 8-20秒/句 压到 1 秒内。
其实一开始只是想跟自己对——蒸馏自己的知识库，克隆自己的声音---- 我太寂寞了，想着自己和自己对呢🤫
后来觉得不够有意思，就换成了网红的音色和人格，体验一下就完全不一样了。
这也让我意识到：不只是"我的分身"，而是谁都可以有一个能实时对的 AI 版本。
代码还很粗糙，坑还很多。但如果大家觉得有意思，后面可以拆解技术细节做个系列。
附一条自测 demo 👇
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
早几年 ChatGPT 刚出那会，看新闻还以为 Grammarly 要不行了，今天听 分享，才知道其已然成为 AI 写作领域霸主般的存在。 年收入7亿美金，用户突破4000万。
现在主流的通用 agent 好像都在追求 all in one，希望让用户有事都来找自己。但 Grammarly 的思路恰恰相反，走的是 one in all，在用户真实的使用场景中“适时出现”，靠着疯狂的工程投入，将其嵌入 50 万个 APP 和网站当中，同时打通不同的平台终端，深度集成到用户的每一条写作生产工作流里。唯一的问是，这样是不是在很多人眼里，很不 AI native啊？
@aigc1024
现在主流的通用 agent 好像都在追求 all in one，希望让用户有事都来找自己。但 Grammarly 的思路恰恰相反，走的是 one in all，在用户真实的使用场景中“适时出现”，靠着疯狂的工程投入，将其嵌入 50 万个 APP 和网站当中，同时打通不同的平台终端，深度集成到用户的每一条写作生产工作流里。唯一的问是，这样是不是在很多人眼里，很不 AI native啊？
@aigc1024
劝大家私生活干净一点。
我是00后，今年二十多岁。
因私生活很乱，没有自制力，没做好防护措施，于去年上半年接触了 Codex。
起初只是抱着试试看的心态，想着偶尔用一下。
结果没多久就确诊了：
轻度失眠、重度折腾、看到需求就想自动化、看到重复工作就想写脚本、看到别人加班就想让 AI干。
最近病情进一步恶化。
电脑一天开16个小时，
张口闭口都是 Agent、MCP、Workflow
甚至开始觉得：
有些活不是人干的，应该让Codex 去干。
医生说这种病目前无法根治。
唯一的办法是：
远离电脑，停止折腾，
停止研究新工具。
@aigc1024
我是00后，今年二十多岁。
因私生活很乱，没有自制力，没做好防护措施，于去年上半年接触了 Codex。
起初只是抱着试试看的心态，想着偶尔用一下。
结果没多久就确诊了：
轻度失眠、重度折腾、看到需求就想自动化、看到重复工作就想写脚本、看到别人加班就想让 AI干。
最近病情进一步恶化。
电脑一天开16个小时，
张口闭口都是 Agent、MCP、Workflow
甚至开始觉得：
有些活不是人干的，应该让Codex 去干。
医生说这种病目前无法根治。
唯一的办法是：
远离电脑，停止折腾，
停止研究新工具。
@aigc1024
你的 AI 数字员工，Claude Tag 正式发布了
Claude 的思考和其他产品有点不同
不是基于三省六部给身份，也不是基于 team context 让 Agent 知道一切。
他们选择了一个 channel based context，因此来界定 multi Agent
这也是 Claude 内部使用数字员工的方式。
很有意思，正在实践 AI 新组织的可以看看
@aigc1024
Claude 的思考和其他产品有点不同
不是基于三省六部给身份，也不是基于 team context 让 Agent 知道一切。
他们选择了一个 channel based context，因此来界定 multi Agent
这也是 Claude 内部使用数字员工的方式。
很有意思，正在实践 AI 新组织的可以看看
@aigc1024
使用 Claude Code 级别的 AI 进行工作产出的几个经验性习惯：
1. 对 AI 的追问做出回应
Claude Code 完成任务后，有较高比例会主动提出下一步要做什么。其中 80% 都没什么用，但如果忽略它，它可能会一直提，影响它的判断。所以要回应它的这些追问，哪怕只是简单地告诉它不用做这些。
就好像我们带一个实习生一样。实习生很积极，有想法，但很多想法不对，那就要告诉他或纠正他，防止他一直沿着这种想法走偏。
2. 尽量让 AI 来修改 AI 的产出
AI 的产出，尽量让 AI 来修改，而不要自己修改。如果实在要自己修改，请告诉它你修改过，且让它读一遍，再和它进行下一步的任务。
BTW：我在 claude.md 文件中有要求：如果 Claude Code 最终的产出包含文件，请在某个我指定的默认文件夹下建一个子文件夹，把这些产出放到这个文件夹下，且 Git 初始化。每次运行任务前，检测这个文件夹有没有变动，有的，帮我进行一次手动提交。每次完成任务后，自己进行一次手动提交，以保存我和它的所有修改，且将我和它的修改进行区分。
3. 对 Claude Code 提出修改意见时，下意识思考如何让它一步到位完成结果
对 Claude Code 提出任何修改意见时，请下意识地思考：我要怎样修改、完善我的 claude.md 和 skill.md 文件，或者请它帮我完善这两个文件，能让它一步到位地实现我的想法，而不需要我再给出这些修改意见。
4. 最重要的：将最终产出反馈给 Claude Code
如果 Claude Code 交付了成果，我最终应用了一部分，成为了我的实际产出，请把这个产出发回给 Claude Code，让它思考要怎样善 claude.md 和 skill.md ，才能更趋近于这个产出的结果。
把 Claude Code 当成一个实习生。实习生渴望成长，渴望反馈，渴望有闭环。我们要给它这个闭环，帮助它成长。
进一步地，关于第四点，特别是对于重复性工作，可以借助此让 AI 实现“自进化”。
以我的周报文档为例： 我让 AI 基于我所有的文档和消息，按照一定的格式撰写周报。它本地会留存一份它写的 MD 版本，且它会直接填充到飞书文档上。我会修改这个飞书文档的版本作为我的正式交付。等到下一周，它会首先比较它生成的原始 MD 文档版本和我最终交付的飞书文档版本，思考怎样完善它的 skill.md ，才能尽可能让它的产出无限趋近我的产出，然后基于新的 skill.md 再生成新的周报，循环往复。
我非常惊叹于 Claude Code 的自进化能力。第一周的时候，它写的周报大概只有 20% 的东西能用。这样迭代了两次，等到第三周的时候，它写的东西竟然能有 90% 的东西可以直接用了。
除此之外，还有让 AI 帮我做简历评估。每天通过 Broswer Use 拉取飞书招聘中简历待评估列表中所有它还没评估的简历，帮我自动评估是否通过，理由如何。
一开始做得不好，后来我突然联想到了周报的这个自进化过程，让它每次在评估之前，先拉取我过去所有的我最终拍板的面试评价和简历评估，以及它本地原始的简历评估，并自行思考要怎样评估才能更接近我的判断，然后它再对最新的简历进行评估，不断自进化。
包括我让 Claude Code 帮我做面前准备，通过 browser-use 拉取所有的简历、作品集、评语、附件和网站，然后帮我整理面试者的基本信息。同时，基于对我的工作的理解和岗位需求的理解，准备一些个性化的问。
在每天读取未来的面试列表做面前准备之前，我也会让它去读一下我过去面试的转写逐字稿，看看我真的会问哪些问。如果有些问我问了，但它在准备时没考虑到，它应该如何调整才能更接近我真实的面试流程，从而实现自进化。
我了解到 Hermes Agent 也有自进化的概念，但它的自进化本质上是面向过程进化来优化 token 效率，而不是面向结果的。因为作为一个通用产品，它无法对结果的好坏进行评估，也就无法基于结果进行自进化。
但个人使用的，结果好坏的置信度是非常高的，可以让 AI 基于结果来自进化。进化的载体就是 claude.md 和 skill.md。虽然这样做会导致太个性化、无法泛化，但对个人使用来说完全不是问。
当我真正用熟这个体验后，我突然联想到这可能也是一种 continual learning。怎么联想到的呢，因为我发现这种自进化竟然也有类似灾难性遗忘的问。我发现它为了弥合最近一段时间的简历评估结果，会导致过拟合。如果真的让它再回测之前的评估，大概会有偏离。但这些任务本身都很消耗 token，目前不太好回测。
目前对于简单的问有比较好的解法。例如我让它做自动的 bug 优先级分类，每次分类完都会通过飞书消息发给我，我会告诉它哪些分得不合理。因为 bug 描述和分类消耗的 token 很少，所以我直接把历史数据全部存档了。当它有大的 skill 优化时，就回测一下过去所有的分类方法，保证不要过拟合到当下的 case。这有点像它同时负责评测提分和构建评测集，既当裁判又当运动员。对于简单问来说这没什么问，但对于复杂问，很难让历史数据全部回归一次。目前只能依赖它自身的通用能力，配合提示词来防止过拟合。
@aigc1024
1. 对 AI 的追问做出回应
Claude Code 完成任务后，有较高比例会主动提出下一步要做什么。其中 80% 都没什么用，但如果忽略它，它可能会一直提，影响它的判断。所以要回应它的这些追问，哪怕只是简单地告诉它不用做这些。
就好像我们带一个实习生一样。实习生很积极，有想法，但很多想法不对，那就要告诉他或纠正他，防止他一直沿着这种想法走偏。
2. 尽量让 AI 来修改 AI 的产出
AI 的产出，尽量让 AI 来修改，而不要自己修改。如果实在要自己修改，请告诉它你修改过，且让它读一遍，再和它进行下一步的任务。
BTW：我在 claude.md 文件中有要求：如果 Claude Code 最终的产出包含文件，请在某个我指定的默认文件夹下建一个子文件夹，把这些产出放到这个文件夹下，且 Git 初始化。每次运行任务前，检测这个文件夹有没有变动，有的，帮我进行一次手动提交。每次完成任务后，自己进行一次手动提交，以保存我和它的所有修改，且将我和它的修改进行区分。
3. 对 Claude Code 提出修改意见时，下意识思考如何让它一步到位完成结果
对 Claude Code 提出任何修改意见时，请下意识地思考：我要怎样修改、完善我的 claude.md 和 skill.md 文件，或者请它帮我完善这两个文件，能让它一步到位地实现我的想法，而不需要我再给出这些修改意见。
4. 最重要的：将最终产出反馈给 Claude Code
如果 Claude Code 交付了成果，我最终应用了一部分，成为了我的实际产出，请把这个产出发回给 Claude Code，让它思考要怎样善 claude.md 和 skill.md ，才能更趋近于这个产出的结果。
把 Claude Code 当成一个实习生。实习生渴望成长，渴望反馈，渴望有闭环。我们要给它这个闭环，帮助它成长。
进一步地，关于第四点，特别是对于重复性工作，可以借助此让 AI 实现“自进化”。
以我的周报文档为例： 我让 AI 基于我所有的文档和消息，按照一定的格式撰写周报。它本地会留存一份它写的 MD 版本，且它会直接填充到飞书文档上。我会修改这个飞书文档的版本作为我的正式交付。等到下一周，它会首先比较它生成的原始 MD 文档版本和我最终交付的飞书文档版本，思考怎样完善它的 skill.md ，才能尽可能让它的产出无限趋近我的产出，然后基于新的 skill.md 再生成新的周报，循环往复。
我非常惊叹于 Claude Code 的自进化能力。第一周的时候，它写的周报大概只有 20% 的东西能用。这样迭代了两次，等到第三周的时候，它写的东西竟然能有 90% 的东西可以直接用了。
除此之外，还有让 AI 帮我做简历评估。每天通过 Broswer Use 拉取飞书招聘中简历待评估列表中所有它还没评估的简历，帮我自动评估是否通过，理由如何。
一开始做得不好，后来我突然联想到了周报的这个自进化过程，让它每次在评估之前，先拉取我过去所有的我最终拍板的面试评价和简历评估，以及它本地原始的简历评估，并自行思考要怎样评估才能更接近我的判断，然后它再对最新的简历进行评估，不断自进化。
包括我让 Claude Code 帮我做面前准备，通过 browser-use 拉取所有的简历、作品集、评语、附件和网站，然后帮我整理面试者的基本信息。同时，基于对我的工作的理解和岗位需求的理解，准备一些个性化的问。
在每天读取未来的面试列表做面前准备之前，我也会让它去读一下我过去面试的转写逐字稿，看看我真的会问哪些问。如果有些问我问了，但它在准备时没考虑到，它应该如何调整才能更接近我真实的面试流程，从而实现自进化。
我了解到 Hermes Agent 也有自进化的概念，但它的自进化本质上是面向过程进化来优化 token 效率，而不是面向结果的。因为作为一个通用产品，它无法对结果的好坏进行评估，也就无法基于结果进行自进化。
但个人使用的，结果好坏的置信度是非常高的，可以让 AI 基于结果来自进化。进化的载体就是 claude.md 和 skill.md。虽然这样做会导致太个性化、无法泛化，但对个人使用来说完全不是问。
当我真正用熟这个体验后，我突然联想到这可能也是一种 continual learning。怎么联想到的呢，因为我发现这种自进化竟然也有类似灾难性遗忘的问。我发现它为了弥合最近一段时间的简历评估结果，会导致过拟合。如果真的让它再回测之前的评估，大概会有偏离。但这些任务本身都很消耗 token，目前不太好回测。
目前对于简单的问有比较好的解法。例如我让它做自动的 bug 优先级分类，每次分类完都会通过飞书消息发给我，我会告诉它哪些分得不合理。因为 bug 描述和分类消耗的 token 很少，所以我直接把历史数据全部存档了。当它有大的 skill 优化时，就回测一下过去所有的分类方法，保证不要过拟合到当下的 case。这有点像它同时负责评测提分和构建评测集，既当裁判又当运动员。对于简单问来说这没什么问，但对于复杂问，很难让历史数据全部回归一次。目前只能依赖它自身的通用能力，配合提示词来防止过拟合。
@aigc1024
😃 爆庄实录｜3天狂揽1086万U😃 新客首存6万U，豪提209万U😃 500一拉，PG实力兑现133万U
1.PG电子赏金女王一举斩获830万并成功提现
2.PA真人豪赢644万一路长虹一天实现暴富
3.PG电子爆890万并以成功提现实现财富自由
4.大哥在PA真人百家乐累计盈利突破1000万
大额出款额外奖励8888-128888，双重日存彩金128888+4688每日送，周流水彩金68888每周送，双重签到彩金16888+3888送不停
【 #182体育 全网独此一家】
公平、公正、公开、 信誉第一、服务第一
不限ip、 免实名、免绑卡、免绑手机号码
每日存款彩金每日送，每笔存款加赠1%
专属VIP客服：@vipkf_182ty8
体育赛事推荐：@VIP182TYTJ
双向用户点击： @vipkf_182ty2_bot
吃瓜搞笑：@chiguagaoxiaoxinwen
✅ 关注福利频道：@vip182ty888
