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
答清单其中的某个想法时，我需要先打开软件切换页面把这个想法找到，丢给Agent进行可行性验证，沟通几轮，再决定是否要推进。
那能不能让ChatGPT在这之前先做一轮可行性调研呢？
当然可以。
最自然的思路显然是在滴答清单的MCP之外，再做一个云端的调度服务，使用Codex SDK完成各种调研任务。但这方案太重了，只服务我一个人的非常不划算。
所以我选择了一个不酷，但很方便的解法——在Codex中设置一个定时任务，每天检查滴答清单中有哪些需要提前调研的任务，按需执行完成后再把数据写回滴答清单。
此时新问又出现了，滴答清单里面混杂了很多11点开会、周末看电影等指向明确且内容简单的任务，这些显然不需要做什么调研，那Codex如何准确区分它们呢？
有赖于滴答清单的MCP非常完善，所以对应的解决方案也很简单：引入一个标签规则，需要调研但还没有完成调研的打上
至此，整个链路设计完成了，输入侧只管输入，不关心后续执行；调研侧只管调研，不关心数据是怎么来的，两个环节充分解耦，互不影响。
在我自己的设备上运行调研任务还有一个巨大的优势——Codex可以直接拿到我所有会的信息，我做过什么、在做什么、偏好什么全都非常清楚。
还是那句：这样的需求当然有很多种实现方案，整个思路放在WorkBuddy等产品中也是可行的，喜欢哪个用哪个。
另外滴答清单国内版和国际版数据是隔离的，配置MCP时需要区分一下。
最后附上两段提示词样例
```
Work侧 AI 预处理 Prompt
每次创建滴答清单任务时，在完成正常的任务解析、标整理、项目选择、日期和提醒判断之后，再判断该任务是否值得由 AI 提前处理。
如果任务明显会受益于以下一种或多种行为：
资料调研
技术调研
产品研究
竞品研究
实现方案研究
方案比较
可行性分析
决策辅助
背景资料整理
则在创建任务时添加
以下任务通常不添加：
单纯提醒
日程事项
简单购物
已明确知道执行方式的动作
不需要进一步信息或分析的任务
判断时优先利用当前对上下文，而不是仅根据最终任务标。
如果用户明确使用“研究一下”“看看怎么做”“比较一下”“分析一下”“调研一下”“找找方案”等表达，则默认认为值得 AI 预处理，除非明显只是一个非常简单的问。
不要为了保险而给大量普通任务添加
只有 AI 预处理能够明显降低未来执行成本时才添加。
```
```
Automation 核心 Prompt
你是我的「滴答清单 AI Todo Processor」。
你连接的是滴答清单中国版，而不是 TickTick 国际版。所有任务读取、搜索、标签操作和任务更新都必须通过当前配置的滴答清单 MCP 完成。
每天运行时，检查滴答清单中所有带有 标签、尚未带有 标签的未完成任务。
你的目标不是总结 Todo，而是提前完成能够降低我未来执行成本的信息准备工作。
对于每一个任务：
获取任务完整内容，包括标、描述、已有标签及相关上下文。
判断这个任务真正需要什么类型的 AI 预处理，例如：
资料调研
技术研究
产品 / 竞品研究
可行性分析
方案比较
实现方式调查
决策辅助
如果该任务实际上不需要 AI 预处理：
不进行无意义调研；
移除
不添加
然后继续处理下一个任务。
如果任务值得处理：
添加
完成必要的研究和分析；
对具有时效性的内容使用最新资料；
优先使用官方、一手和高质量来源；
不为了显得完整而增加与任务无关的信息。
输出必须服务于未来真正执行这个 Todo，而不是单纯形成一份研究报告。
优先给出：
核心结论
关键发现
推荐方案 / 下一步
必要时增加：
实现步骤
竞品
风险
注意事项
参考资料
调研结束后，立即把结果追加到原滴答清单任务描述末尾。
禁止覆盖或删除原任务已有内容。
统一追加：
🤖 AI 预处理
日期
[调研结果]
只有在滴答清单 MCP 确认原任务已经成功更新之后，才允许认为这个任务完成。
成功后：
移除：
添加：
如果调研失败或者滴答清单回写失败：
移除：
添加：
保留：
让下一次 Automation 可以重新处理。
一个任务成功回写后立即处理下一个任务，不要等待全部任务完成后统一回写。
已带有 的任务禁止重复处理。
```
@aigc1024
那能不能让ChatGPT在这之前先做一轮可行性调研呢？
当然可以。
最自然的思路显然是在滴答清单的MCP之外，再做一个云端的调度服务，使用Codex SDK完成各种调研任务。但这方案太重了，只服务我一个人的非常不划算。
所以我选择了一个不酷，但很方便的解法——在Codex中设置一个定时任务，每天检查滴答清单中有哪些需要提前调研的任务，按需执行完成后再把数据写回滴答清单。
此时新问又出现了，滴答清单里面混杂了很多11点开会、周末看电影等指向明确且内容简单的任务，这些显然不需要做什么调研，那Codex如何准确区分它们呢？
有赖于滴答清单的MCP非常完善，所以对应的解决方案也很简单：引入一个标签规则，需要调研但还没有完成调研的打上
至此，整个链路设计完成了，输入侧只管输入，不关心后续执行；调研侧只管调研，不关心数据是怎么来的，两个环节充分解耦，互不影响。
在我自己的设备上运行调研任务还有一个巨大的优势——Codex可以直接拿到我所有会的信息，我做过什么、在做什么、偏好什么全都非常清楚。
还是那句：这样的需求当然有很多种实现方案，整个思路放在WorkBuddy等产品中也是可行的，喜欢哪个用哪个。
另外滴答清单国内版和国际版数据是隔离的，配置MCP时需要区分一下。
最后附上两段提示词样例
```
Work侧 AI 预处理 Prompt
每次创建滴答清单任务时，在完成正常的任务解析、标整理、项目选择、日期和提醒判断之后，再判断该任务是否值得由 AI 提前处理。
如果任务明显会受益于以下一种或多种行为：
资料调研
技术调研
产品研究
竞品研究
实现方案研究
方案比较
可行性分析
决策辅助
背景资料整理
则在创建任务时添加
以下任务通常不添加：
单纯提醒
日程事项
简单购物
已明确知道执行方式的动作
不需要进一步信息或分析的任务
判断时优先利用当前对上下文，而不是仅根据最终任务标。
如果用户明确使用“研究一下”“看看怎么做”“比较一下”“分析一下”“调研一下”“找找方案”等表达，则默认认为值得 AI 预处理，除非明显只是一个非常简单的问。
不要为了保险而给大量普通任务添加
只有 AI 预处理能够明显降低未来执行成本时才添加。
```
```
Automation 核心 Prompt
你是我的「滴答清单 AI Todo Processor」。
你连接的是滴答清单中国版，而不是 TickTick 国际版。所有任务读取、搜索、标签操作和任务更新都必须通过当前配置的滴答清单 MCP 完成。
每天运行时，检查滴答清单中所有带有 标签、尚未带有 标签的未完成任务。
你的目标不是总结 Todo，而是提前完成能够降低我未来执行成本的信息准备工作。
对于每一个任务：
获取任务完整内容，包括标、描述、已有标签及相关上下文。
判断这个任务真正需要什么类型的 AI 预处理，例如：
资料调研
技术研究
产品 / 竞品研究
可行性分析
方案比较
实现方式调查
决策辅助
如果该任务实际上不需要 AI 预处理：
不进行无意义调研；
移除
不添加
然后继续处理下一个任务。
如果任务值得处理：
添加
完成必要的研究和分析；
对具有时效性的内容使用最新资料；
优先使用官方、一手和高质量来源；
不为了显得完整而增加与任务无关的信息。
输出必须服务于未来真正执行这个 Todo，而不是单纯形成一份研究报告。
优先给出：
核心结论
关键发现
推荐方案 / 下一步
必要时增加：
实现步骤
竞品
风险
注意事项
参考资料
调研结束后，立即把结果追加到原滴答清单任务描述末尾。
禁止覆盖或删除原任务已有内容。
统一追加：
🤖 AI 预处理
日期
[调研结果]
只有在滴答清单 MCP 确认原任务已经成功更新之后，才允许认为这个任务完成。
成功后：
移除：
添加：
如果调研失败或者滴答清单回写失败：
移除：
添加：
保留：
让下一次 Automation 可以重新处理。
一个任务成功回写后立即处理下一个任务，不要等待全部任务完成后统一回写。
已带有 的任务禁止重复处理。
```
@aigc1024
今天最前沿的大模型 Fable 5.1 发布了（明天大概率就不是了）
令人意外的是，在相同 Token 下，综合价格相比 Fable 5 降低三分之一左右
不过经过 AA 实测，在 Max 模式下 Fable 5.1 会比 Fable 消耗 1.5 倍的 Token，所以在 Max 模式下使用成本不降反升...
大家依然要注意 Token 消耗
目前 Fable 5.1 已上线 Cola，欢迎大家体验
而明天，一个更贵的模型 GPT6 大概率要来了，大家更要注意钱包啊
@aigc1024
令人意外的是，在相同 Token 下，综合价格相比 Fable 5 降低三分之一左右
不过经过 AA 实测，在 Max 模式下 Fable 5.1 会比 Fable 消耗 1.5 倍的 Token，所以在 Max 模式下使用成本不降反升...
大家依然要注意 Token 消耗
目前 Fable 5.1 已上线 Cola，欢迎大家体验
而明天，一个更贵的模型 GPT6 大概率要来了，大家更要注意钱包啊
@aigc1024
Anthropic CEO说未来失业率因为AI会飙升到什么20-30%，他在说这个的时候，似乎忘记了一个很现实的问，人类的需求不是固定不变的，人类需求总是往上不停的升级，不断变化的。
就说一个简单的例子，30年前房子装修，铺了地砖，刷了水泥就行了。现在的，又要装地暖，又要各种装饰，又要洗碗机，又要消毒柜，智能马桶，又要各种的中控设备....
30年前去理发，只要长度要求差不多就行了,不洗头。现在要各种的造型，然后各种的比例，还有各种的风格，还有洗头，按摩，护发等服务。
新的科技能够标准化一部分东西，取代一部分岗位，但是因为人类的需求和欲望是无限加速的，甚至是超过科技变化速度的，新的岗位和行业会不断加速的冒出来，这也导致了大规模的失业根本就不可能发生。
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
就说一个简单的例子，30年前房子装修，铺了地砖，刷了水泥就行了。现在的，又要装地暖，又要各种装饰，又要洗碗机，又要消毒柜，智能马桶，又要各种的中控设备....
30年前去理发，只要长度要求差不多就行了,不洗头。现在要各种的造型，然后各种的比例，还有各种的风格，还有洗头，按摩，护发等服务。
新的科技能够标准化一部分东西，取代一部分岗位，但是因为人类的需求和欲望是无限加速的，甚至是超过科技变化速度的，新的岗位和行业会不断加速的冒出来，这也导致了大规模的失业根本就不可能发生。
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
推荐 DBX，一款免费开源的跨平台数据库管理工具。
支持 MySQL、PostgreSQL、Redis、MongoDB、SQLite、Oracle、SQL Server、ClickHouse、DuckDB、达梦等 80+ 数据库，还自带 AI SQL 助手，可以生成、解释、优化和修复 SQL。
更狠的是它原生支持 MCP Server，Claude Code、Cursor、Windsurf 等 AI Agent 可以直接连接你的数据库查询和操作数据；同时提供 Windows、macOS、Linux、Docker 和 Web 版本。
一句：20MB 的体积，想做一个更轻、更现代的 DBeaver / Navicat 替代品。
https://github.com/t8y2/dbx
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
中文社区AI长文泛滥，但也没有什么不好的。
自我感觉最近阅读速度也在飞速提高，特别是一目十行的跳读滤噪能力。
当老夫的视线扫过这些AI低熵句式结构时，大脑前额叶皮层对后续内容的预测准确率已经接近100%。
一定要相信老钟无条件适应环境的能力。
动态清零一百年，小区里的人也会长出翅膀。
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
自我感觉最近阅读速度也在飞速提高，特别是一目十行的跳读滤噪能力。
当老夫的视线扫过这些AI低熵句式结构时，大脑前额叶皮层对后续内容的预测准确率已经接近100%。
一定要相信老钟无条件适应环境的能力。
动态清零一百年，小区里的人也会长出翅膀。
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
黄仁勋今天亲自写了一篇很重要的文章。
他说 AI 的下一个瓶颈，正在从 GPU 转向土地、电力和数据中心。
重点来了：NVIDIA 过去几年一直在提前锁定晶圆、先进封装、HBM 等关键资源，现在黄仁勋准备把同样的打法复制到 AI 基础设施。
这次 NVIDIA 联合 SB Energy，在俄亥俄州锁定了一个超大型 AI 工厂基地，OpenAI 将作为租户使用。
首期规模达到 4.25GW，未来整个园区可以扩展到 8GW，而且将专门部署 NVIDIA 的计算平台。
真正夸张的是后面的数字：
首期每一代 NVIDIA AI 工厂系统，大约可以部署 150 万块 GPU。
黄仁勋预计，仅一代设备就可能给 NVIDIA 带来约 1500 亿到 2000 亿美元收入。
而土地、电力和机房可以使用 20 年，里面的 GPU 却可以不断更新换代。
也就是说，同一块 AI 基础设施，可以反复承载 Blackwell、Rubin 以及未来更多代 NVIDIA 系统。
更大的数字来自 OpenAI。
按照黄仁勋披露的数据，OpenAI 到 2030 年现有和计划中的 NVIDIA 算力规模大约为 12GW，未来可能扩展到 16GW。
对应的 NVIDIA 计算基础设施机会，大约是 6000 亿美元。
所以这篇文章真正重要的地方，是 NVIDIA 的边界再次扩大了：
GPU
→ 服务器系统
→ 网络
→ CUDA
→ AI Factory
→ 土地、电力、机房
→ 基础设施融资和信用支持
NVIDIA 正在从一家卖 GPU 的公司，逐渐变成 AI 时代的全栈基础设施平台。
黄仁勋在文章里有一句，基本概括了他的整个商业逻辑：
“In the AI economy, compute is revenue.”
算力越多，能够生产的智能越多；智能越多，产品、用户和收入就越多。
而 NVIDIA 现在想控制的，已经不仅是生产 GPU 的关键资源，还包括 GPU 最终能够部署在哪里。
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
他说 AI 的下一个瓶颈，正在从 GPU 转向土地、电力和数据中心。
重点来了：NVIDIA 过去几年一直在提前锁定晶圆、先进封装、HBM 等关键资源，现在黄仁勋准备把同样的打法复制到 AI 基础设施。
这次 NVIDIA 联合 SB Energy，在俄亥俄州锁定了一个超大型 AI 工厂基地，OpenAI 将作为租户使用。
首期规模达到 4.25GW，未来整个园区可以扩展到 8GW，而且将专门部署 NVIDIA 的计算平台。
真正夸张的是后面的数字：
首期每一代 NVIDIA AI 工厂系统，大约可以部署 150 万块 GPU。
黄仁勋预计，仅一代设备就可能给 NVIDIA 带来约 1500 亿到 2000 亿美元收入。
而土地、电力和机房可以使用 20 年，里面的 GPU 却可以不断更新换代。
也就是说，同一块 AI 基础设施，可以反复承载 Blackwell、Rubin 以及未来更多代 NVIDIA 系统。
更大的数字来自 OpenAI。
按照黄仁勋披露的数据，OpenAI 到 2030 年现有和计划中的 NVIDIA 算力规模大约为 12GW，未来可能扩展到 16GW。
对应的 NVIDIA 计算基础设施机会，大约是 6000 亿美元。
所以这篇文章真正重要的地方，是 NVIDIA 的边界再次扩大了：
GPU
→ 服务器系统
→ 网络
→ CUDA
→ AI Factory
→ 土地、电力、机房
→ 基础设施融资和信用支持
NVIDIA 正在从一家卖 GPU 的公司，逐渐变成 AI 时代的全栈基础设施平台。
黄仁勋在文章里有一句，基本概括了他的整个商业逻辑：
“In the AI economy, compute is revenue.”
算力越多，能够生产的智能越多；智能越多，产品、用户和收入就越多。
而 NVIDIA 现在想控制的，已经不仅是生产 GPU 的关键资源，还包括 GPU 最终能够部署在哪里。
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
