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
的理发师，之所以越来越懂你，不是因为他的剪刀升级了。
是因为他逐渐学会了你的审美和验收标准。
Agent也是一样。
真正优秀的Agent，不会只保存聊天记录。
它会逐渐建立一个关于用户的模型，知道这个用户在什么场景下，想要什么样的结果。
所以我现在越来越觉得，Agent的核心并不只是模型能力。
它还包括需求确认、Context管理、过程反馈和长期Memory。
现在很多Agent最大的问，就是太像一个过度自信的理发师。
用户拿出一张图，说照这个剪。
它回答：明白。
然后低头就是一剪刀。
真正可靠的Agent，必须知道自己不知道什么。
@aigc1024
是因为他逐渐学会了你的审美和验收标准。
Agent也是一样。
真正优秀的Agent，不会只保存聊天记录。
它会逐渐建立一个关于用户的模型，知道这个用户在什么场景下，想要什么样的结果。
所以我现在越来越觉得，Agent的核心并不只是模型能力。
它还包括需求确认、Context管理、过程反馈和长期Memory。
现在很多Agent最大的问，就是太像一个过度自信的理发师。
用户拿出一张图，说照这个剪。
它回答：明白。
然后低头就是一剪刀。
真正可靠的Agent，必须知道自己不知道什么。
@aigc1024
前段时间我去理发，拿了一张GPT帮我改过的发型图，问理发师能不能帮我剪成这样。
他明显有点犹豫。
我问他为什么。
他说，这种需求最难。
因为他根本不知道，这个发型是怎么剪出来的。
这只是一张最终效果图。
没有过程，没有侧面，没有背面，也没有告诉他每个地方该留多长。
他只能盯着结果，反推中间步骤。
更麻烦的是，他也不知道自己到底能不能做到。
图片里的效果可能依赖发质、头型、打理方式，甚至可能根本不符合现实。
他既不知道路径，也无法完全确认自己的能力能不能实现。
我当时突然觉得，这不就是今天所有Agent面对的问吗？
用户给出的通常只是一个模糊的结果。
但这个结果怎么实现，中间需要哪些步骤，有哪些隐藏条件，用户自己往往也说不清楚。
Agent只能猜。
它要猜用户真正想要什么，也要猜自己应该怎么做。
一个模型可能很会写代码，但它不知道这个项目里会不会遇到没权限的接口、不兼容的依赖、缺失的数据，或者某个自己根本处理不了的问。
所以Agent面对的，其实是两种不确定性。
第一种是需求不确定性。
用户说想要一个高级的网站。
什么叫高级？
是视觉高级、交互高级、代码架构高级，还是看起来适合融资？
用户自己脑子里可能有一个感觉，但很难完整表达出来。
第二种是执行不确定性。
Agent即使理解了目标，也不代表它知道最合适的实现路径，更不代表它一定做得到。
这和理发师拿着一张AI发型图时的状态完全一样。
我又问理发师，那你遇到这种需求，怎么尽量避免剪坏？
他说，最好的办法就是剪之前先给你看效果，剪的过程中不断问你。
这其实就是一个可靠Agent应该有的工作方式。
执行前，先把自己的理解展示出来。
执行过程中，也不要一口气直接做到最后。
遇到不可逆操作，需要单独确认。
Agent真正需要优化的，并不是少问问。
它需要学会在正确的时间，问最有价值的问。
问得太多，用户会烦。
完全不问，最后很容易把头发直接推成三毫米，然后告诉你任务已完成。
而理发师还告诉了我另一件事。
我问他，什么情况下你最有可能剪出一个超过客户预期的发型？
他说，最好是这个客户已经在我这里剪过很多次。
我知道他的头发是什么状态，知道他喜欢什么，知道他平时怎么打理，也知道他说剪短一点，到底是多短。
这就是Memory真正的价值。
Memory并不只是记住用户上次说了什么。
一个长期合作
匿名首选
关注
掌握东南亚一线动态，看清风向料定先机
频道每周抽取100名TG会员，群发言积分兑
《算完这笔账，我发现机器人的iPhone时刻比所有人想的都近》
昨天跟做具身智能的朋友吃饭，大家都在说"数据是瓶颈"——真实场景的第一视角操作数据太少，实验室里攒的那点根本不够用。
回家我算了一晚上，结果吓一跳：这个瓶颈，可能根本不需要几千万台机器人，100万台消费级产品进家庭，一年就破了。
先给你们看现在行业有多惨：
• Meta砸了那么多钱做的Ego4D，迄今为止最大的公开第一视角数据集，3670小时
• 斯坦福那个RDT-2，100个专门的UMI采集器扔到100多户人家里玩命录，最后也就1万小时
• 小米机器人吹了半天，预训练用了10万小时UMI，真正来自真实家庭的机器人数据，7200小时
7200小时什么概念？还不够一个人连续看一年。
那要练出一个真正能用的机器人大模型，到底需要多少有效数据？
大家普遍的共识是1000万小时起步，1亿小时基本就够打了。
问来了：得卖多少台机器人进家庭，才能一年攒够这个数？
我把所有参数拆到最保守算了一遍：
• 单台机器人一天真正干活（不是待机、不是用户瞎玩）的时间：1小时（扫地机器人都能跑1.78小时，操作机器人不会比这个少）
• 录下来的视频里真正能用来训练的有效率：10%（专业采集员8小时也就出2-3小时有效数据，普通用户瞎用能有10%不错了）
• 用户愿意开数据上传的比例：30%（家里的视频，换你你也不一定敢开）
• 买回去不积灰的月活率：50%（参考所有消费电子）
最后算出来单台机器人一年能贡献36.5小时有效数据。
所以答案是：
✅ 1000万小时有效数据 = 27万台活跃贡献的机器人 = 80-120万台总销量
✅ 1亿小时有效数据 = 270万台活跃贡献的机器人 = 800-1200万台总销量
什么概念？
100万台年销量，是什么水平？
——特斯拉Cybertruck去年卖了差不多这个数。
1000万台年销量，就是iPhone首年的销量水平。
换句说：
不需要机器人像手机一样人手一台，只要它能成为一个年销百万级的"小众爆品"，数据飞轮就转起来了。
一旦转起来，后面就是指数级的正向循环：数据越多→机器人越好用→买的人越多→数据更多。
几个反常识的点：
1. 有效率才是最大杠杆：如果能把有效数据率从10%提到30%，需要的机器人数直接砍到1/3。这就是为什么现在所有公司都在死磕自动数据筛选和任务引导——你家机器人擦桌子的10分钟里，哪30秒是真正有价值的，自动挑出来，效率直接翻三倍。
2. 隐私比技术难搞：第一视角拍的是你家全貌，要是能靠端侧计算、联邦学习把opt-in率从30%拉到70%，门槛又降一半。谁先解决"数据可用不可见"，谁就拿到了数据飞轮的钥匙。
3. 临界点比所有人想的都近：之前大家都觉得要几千万台才能破局，现在看，只要有一家公司能把消费级机器人做到年销100万台——注意，是真正能用的、不是玩具——数据瓶颈明年就破。
最后说个玄学：
互联网的历史告诉我们，所有的"数据瓶颈"，最后都是靠消费级产品普及解决的，不是靠实验室堆人。
语音识别的数据瓶颈，是智能手机普及破的；
人脸识别的数据瓶颈，是美颜相机普及破的；
自动驾驶的数据瓶颈，是特斯拉卖车破的。
机器人也不会例外。
现在看100万台好像很多，回头看，可能就是某一款产品发布后一年的事。
那个临界点，比我们所有人想象的，都要近得多。
（欢迎做机器人的朋友来杠，我也想知道我哪里算错了👀）
@aigc1024
昨天跟做具身智能的朋友吃饭，大家都在说"数据是瓶颈"——真实场景的第一视角操作数据太少，实验室里攒的那点根本不够用。
回家我算了一晚上，结果吓一跳：这个瓶颈，可能根本不需要几千万台机器人，100万台消费级产品进家庭，一年就破了。
先给你们看现在行业有多惨：
• Meta砸了那么多钱做的Ego4D，迄今为止最大的公开第一视角数据集，3670小时
• 斯坦福那个RDT-2，100个专门的UMI采集器扔到100多户人家里玩命录，最后也就1万小时
• 小米机器人吹了半天，预训练用了10万小时UMI，真正来自真实家庭的机器人数据，7200小时
7200小时什么概念？还不够一个人连续看一年。
那要练出一个真正能用的机器人大模型，到底需要多少有效数据？
大家普遍的共识是1000万小时起步，1亿小时基本就够打了。
问来了：得卖多少台机器人进家庭，才能一年攒够这个数？
我把所有参数拆到最保守算了一遍：
• 单台机器人一天真正干活（不是待机、不是用户瞎玩）的时间：1小时（扫地机器人都能跑1.78小时，操作机器人不会比这个少）
• 录下来的视频里真正能用来训练的有效率：10%（专业采集员8小时也就出2-3小时有效数据，普通用户瞎用能有10%不错了）
• 用户愿意开数据上传的比例：30%（家里的视频，换你你也不一定敢开）
• 买回去不积灰的月活率：50%（参考所有消费电子）
最后算出来单台机器人一年能贡献36.5小时有效数据。
所以答案是：
✅ 1000万小时有效数据 = 27万台活跃贡献的机器人 = 80-120万台总销量
✅ 1亿小时有效数据 = 270万台活跃贡献的机器人 = 800-1200万台总销量
什么概念？
100万台年销量，是什么水平？
——特斯拉Cybertruck去年卖了差不多这个数。
1000万台年销量，就是iPhone首年的销量水平。
换句说：
不需要机器人像手机一样人手一台，只要它能成为一个年销百万级的"小众爆品"，数据飞轮就转起来了。
一旦转起来，后面就是指数级的正向循环：数据越多→机器人越好用→买的人越多→数据更多。
几个反常识的点：
1. 有效率才是最大杠杆：如果能把有效数据率从10%提到30%，需要的机器人数直接砍到1/3。这就是为什么现在所有公司都在死磕自动数据筛选和任务引导——你家机器人擦桌子的10分钟里，哪30秒是真正有价值的，自动挑出来，效率直接翻三倍。
2. 隐私比技术难搞：第一视角拍的是你家全貌，要是能靠端侧计算、联邦学习把opt-in率从30%拉到70%，门槛又降一半。谁先解决"数据可用不可见"，谁就拿到了数据飞轮的钥匙。
3. 临界点比所有人想的都近：之前大家都觉得要几千万台才能破局，现在看，只要有一家公司能把消费级机器人做到年销100万台——注意，是真正能用的、不是玩具——数据瓶颈明年就破。
最后说个玄学：
互联网的历史告诉我们，所有的"数据瓶颈"，最后都是靠消费级产品普及解决的，不是靠实验室堆人。
语音识别的数据瓶颈，是智能手机普及破的；
人脸识别的数据瓶颈，是美颜相机普及破的；
自动驾驶的数据瓶颈，是特斯拉卖车破的。
机器人也不会例外。
现在看100万台好像很多，回头看，可能就是某一款产品发布后一年的事。
那个临界点，比我们所有人想象的，都要近得多。
（欢迎做机器人的朋友来杠，我也想知道我哪里算错了👀）
@aigc1024
即使你没有美国其他的健康应用，只是有 Apple Watch 的一些健康数据，它也能分析出非常多的信息。
比如说我长期的那个“有氧适能”低问。我一直以为是自己身体有什么问，导致长期运动以后依然无法提升。
但是 GPT 就分析出来了（尤其是配合 ChatGPT Pro 使用，效果更顶）：
它分析出这是因为 Apple Watch 的有氧适能测试只针对徒步和跑步，而我这两个运动进行得比较少，所以它就没有机会进行测试。
还有就是它对你身体的运动量、睡眠，以及其他一些因素对健康的影响，分析得都非常准确。
其实我们在 Apple Watch 中的很多数据平时都被浪费了，如果拉长时间维度来看，这些数据非常有用。
现在 ChatGPT 可以对这些数据进行非常准确和清晰的分析，它还会去检索各种权威的健康信息网站。
如果你经常使用 Apple Watch 的，建议你开启这个功能试试。目前该功能只针对美国市场开启。
甚至可以设置一个定时任务，让它每周针对你这周的这个 Apple Watch 数据，给你一份健康报告
@aigc1024
Low：低成本快速检查
Medium：性价比最高，适合日常使用
High：深度审查重要功能
Ultra：多个 Agent 并行找 Bug，再独立复现验证，减少误报
投入更多算力，检查就更深入。现在的开发流程，已经是 AI 写代码，另一组 AI 负责挑错，人类只审核关键决策。
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
第一句：
“帮我拆解这张图片，重点分析主体、场景、风格、色调、构图和细节，越详细越好。”
第二句：
“根据以上分析，反向生成一套完整的 AI 生图提示词，最大程度还原原图的风格、氛围和质感。”
第三句：
“把这套提示词优化成 AI 可直接生图的版本，补充细节，优化表达，确保复制即可使用。”
@aigc1024
美国总统科技顾问David Sacks公开甩出一句：Kimi K3修好了15个关键安全漏洞，而Codex和Fable以"网络安全护栏"为由拒绝修。
有趣的市场，有人指出他现在骂的护栏，正是他当初支持的那类；拿一个"修bug轶事"去推翻整套AI安全政策，逻辑上跳得太快。
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
有趣的市场，有人指出他现在骂的护栏，正是他当初支持的那类；拿一个"修bug轶事"去推翻整套AI安全政策，逻辑上跳得太快。
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
看输出猜模型这个环节太好玩了，就连研究员们也猜不准！
听听Open AI研究员们对御三家AI大模型的一些理解，对于新模型发布前旧模型会降智的问，看看他们怎么答👇
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
看输出猜模型这个环节太好玩了，就连研究员们也猜不准！
听听Open AI研究员们对御三家AI大模型的一些理解，对于新模型发布前旧模型会降智的问，看看他们怎么答👇
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
看输出猜模型这个环节太好玩了，就连研究员们也猜不准！
听听Open AI研究员们对御三家AI大模型的一些理解，对于新模型发布前旧模型会降智的问，看看他们怎么答👇
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
清华开源 20k star，只需单击一下，即可获得沉浸式多智能体学习体验
输入主或扔份文档，OpenMAIC 立刻生成完整课堂：AI老师实时讲课+白板画图，AI同学主动辩论，你随时插提问，还能上手调参数跑3D模拟、玩小游戏、在线写代码。
支持本地部署、Ollama/Lemonade零API key，PPTX/HTML一键导出，也能直接从飞书/Telegram拉起。
MIT协议，自部署随便玩，学东西终于不是被动刷视频了。
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
输入主或扔份文档，OpenMAIC 立刻生成完整课堂：AI老师实时讲课+白板画图，AI同学主动辩论，你随时插提问，还能上手调参数跑3D模拟、玩小游戏、在线写代码。
支持本地部署、Ollama/Lemonade零API key，PPTX/HTML一键导出，也能直接从飞书/Telegram拉起。
MIT协议，自部署随便玩，学东西终于不是被动刷视频了。
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
OPC 的第一原则就是：
从你下决心做 OPC 第一天开始，你就应该是盈利的！
为什么说第一天就应该开始盈利，因为：
一台电脑 + 一个AI订阅 + 一个有Wi-Fi的咖啡馆足够你开始赚钱！
如果没有赚到钱，那就说明你没有发现需求的能力，没有找到客户的能力，没有开发产品的能力…
那么找个班上是最好的选择…
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
从你下决心做 OPC 第一天开始，你就应该是盈利的！
为什么说第一天就应该开始盈利，因为：
一台电脑 + 一个AI订阅 + 一个有Wi-Fi的咖啡馆足够你开始赚钱！
如果没有赚到钱，那就说明你没有发现需求的能力，没有找到客户的能力，没有开发产品的能力…
那么找个班上是最好的选择…
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
aude)
但在真正删减之前，还应该先建立评测。
因为 Anthropic 所说的是在其编程评测中没有观察到损失，不代表删除 80% 的规则适用于每个公司、每个 Agent 和每个业务场景。
客服、金融、医疗、生产运维和代码生成面对的风险完全不同。
更合理的方式是：
先建立一组真实任务和历史失败案例。
记录当前版本的完成率、错误率和人工干预率。
逐步删除重复和过度限制的规则。
比较修改前后的结果。
保留真正能降低风险的规则，删除只是在制造心理安全感的规则。
最后
这篇文章表面上讨论的是 Claude Code 的系统提示词，背后反映的其实是人类与模型协作关系的变化。
模型能力弱的时候，人类需要把每一步都写清楚。
模型能力增强以后，人类更重要的工作不再是替它决定每一步，而是：
定义目标。
提供真实环境。
设计工具。
划定边界。
建立反馈。
验证结果。
这和管理一个团队很像。
面对经验不足的人，需要给详细 SOP；面对能力强的人，继续事无巨细地规定每一个动作，反而会降低他的判断力和创造力。
因此，模型越强，上下文工程越不应该追求“把所有事情都写进去”。
真正优秀的上下文，不是信息最多、规则最细，而是：
该出现的信息，在正确的时候出现；该由模型判断的，留给模型判断；该由系统保证的，绝不只依赖模型自觉。
提示词工程没有消失。
它只是从“教模型说什么”，升级成了“设计模型如何工作”。
@aigc1024
但在真正删减之前，还应该先建立评测。
因为 Anthropic 所说的是在其编程评测中没有观察到损失，不代表删除 80% 的规则适用于每个公司、每个 Agent 和每个业务场景。
客服、金融、医疗、生产运维和代码生成面对的风险完全不同。
更合理的方式是：
先建立一组真实任务和历史失败案例。
记录当前版本的完成率、错误率和人工干预率。
逐步删除重复和过度限制的规则。
比较修改前后的结果。
保留真正能降低风险的规则，删除只是在制造心理安全感的规则。
最后
这篇文章表面上讨论的是 Claude Code 的系统提示词，背后反映的其实是人类与模型协作关系的变化。
模型能力弱的时候，人类需要把每一步都写清楚。
模型能力增强以后，人类更重要的工作不再是替它决定每一步，而是：
定义目标。
提供真实环境。
设计工具。
划定边界。
建立反馈。
验证结果。
这和管理一个团队很像。
面对经验不足的人，需要给详细 SOP；面对能力强的人，继续事无巨细地规定每一个动作，反而会降低他的判断力和创造力。
因此，模型越强，上下文工程越不应该追求“把所有事情都写进去”。
真正优秀的上下文，不是信息最多、规则最细，而是：
该出现的信息，在正确的时候出现；该由模型判断的，留给模型判断；该由系统保证的，绝不只依赖模型自觉。
提示词工程没有消失。
它只是从“教模型说什么”，升级成了“设计模型如何工作”。
@aigc1024
