#Agent · AI 短帖与讨论

💻 Perplexity把整个AI Agent搬到你本地了：Portable Computer，零云端依赖

Perplexity刚发布了一个重磅项目：Portable Computer。

这不是一个简单的本地推理工具，而是把整个AI Agent运行时都搬到了你的本地硬件上——编排LLM、子代理LLM、Agent框架，全部本地运行，完全不需要云端。

为什么这很重要？

现在大多数AI Agent都是云端运行的。你用ChatGPT、Claude、Perplexity的网页版，所有数据都要发送到他们的服务器。

对于普通对话，这没什么问题。但对于以下场景：

• 处理公司内部机密代码
• 调试敏感的系统配置
• 分析包含个人隐私的数据
• 在网络受限的环境中工作

云端Agent就不太合适了。你需要一个完全离线、完全可控的本地版本。

Portable Computer的核心特性：

1️⃣ 一键本地推理设置
不需要手动配置模型路径、依赖库、环境变量。一键启动，开箱即用。

2️⃣ 优化的Agent体验
不只是能运行模型，还针对本地硬件优化了Agent的工作流。子代理之间的协作、上下文管理、工具调用，都经过本地化优化。

3️⃣ 完全无云端依赖
运行时不需要联网，不需要API key，不需要登录任何账号。你的数据永远在你的机器上。

4️⃣ 支持多种模型
可以运行开源模型，也可以使用你自己的闭源模型。灵活选择。

适合谁用？

• 开发者：在本地调试AI应用，不用担心数据泄露
• 企业用户：处理敏感业务数据，满足合规要求
• 研究人员：需要离线环境进行AI实验
• 隐私敏感用户：不想把个人数据发送到云端

个人思考：

Perplexity做这件事很有意思。他们本身是一个云端AI搜索公司，但选择开源一个完全本地的Agent工具。

这说明两件事：

1. 本地AI是刚需：不是所有人都愿意把数据发送到云端
2. Agent需要更多控制：用户想要完全掌控AI的行为，而不是依赖云端服务

这个项目的最大价值在于：它让本地AI Agent变得真正可用。以前虽然有Ollama、LM Studio这样的工具，但它们只能运行模型，不能提供完整的Agent体验。

现在，你可以有一个完全本地的Perplexity，处理你的敏感数据，而不用担心任何隐私问题。

对于需要离线工作或处理敏感信息的用户，这个项目值得试试。

🏢 AI原生公司的30个核心特征：从工具到组织架构的全面升级

很多人以为AI原生公司就是"全员用ChatGPT"，其实远不止于此。

有人总结了30个AI原生公司的特征，从流程到文化，从技术到组织，几乎涵盖了公司运营的每个环节。

核心亮点：

1️⃣ 技术架构层面

• 建立集中化的智能层，把结构化和非结构化数据统一管理
• 模型路由优化成本，不同任务用不同模型
• 把上下文当代码管理，确保架构文档持续更新

2️⃣ 开发流程层面

• AI编码Agent团队负责规划、编写、测试、审查、发布代码
• 人类只定义意图和验收标准
• 关键指标是"每个PR的成本"，持续优化token效率

3️⃣ 业务流程层面

• 财务流程持续运行，实时更新预测
• 非工程工作流闭环自学习
• 营销用Agent批量投放创意素材测试

4️⃣ 组织文化层面

• 每个人都是构建者，包括C级高管
• 护栏优先于功能
• 持续自我颠覆，不等别人来颠覆你

最打动我的几点：

1. "每三个月推倒重来"

这不是说真的推倒，而是保持对现有流程的质疑。AI进化太快，去年的最佳实践可能今年就过时了

1. "earned autonomy"（挣得的自主权）

Agent不是一上来就全自动。而是：观察→建议→经批准行动→独立行动。逐步获得信任

1. "traceability as training signal"

每个输出都要追溯到它的prompt、模型、数据和批准者。这样才能做有效的反馈

个人思考：

这份清单的价值在于：它不是在说"用AI工具"，而是在说"成为AI公司"。

很多公司把AI当成"提效工具"，但AI原生公司把AI当成"组织方式"。这不是程度的差异，是本质的不同。

当然，30个特征不可能同时实现。但可以作为检查清单，看看你的公司在哪些方面已经开始，哪些方面还是空白。

即使只做到其中10个，也比大多数公司强了。

🛡️ 吴恩达力荐：OpenWorker——专为网络安全打造的开源AI Agent

AI正在改变攻防格局：攻击者已经在用AI自动化攻击，而防御者还在手动响应。这个差距让很多人焦虑。

Andrew Ng最近推荐了一个项目——OpenWorker，一个开源的AI Agent，专门解决这个问题。

核心亮点：

1️⃣ 内置网络安全Agent
不是通用Agent套壳，而是专门设计的三个安全Agent：

• 代码漏洞扫描
• 依赖供应链注入检测
• 云安全配置审计

2️⃣ 完全开源可审计
安全团队可以审查全部代码，确认没有后门。这在安全领域至关重要——你不能用一个不透明的工具来做安全审计。

3️⃣ 模型自由选择
可以跑本地模型，敏感代码不出机器。也可以用ChatGPT订阅或API key。对于需要复现漏洞的安全研究来说，本地模型不会触发拒答。

为什么这个思路好？

传统的安全扫描工具是规则驱动的，只能找已知模式。OpenWorker用Agent方式，可以理解代码逻辑，发现更深层的安全问题。

而且它是"shift left"理念的实践——在部署前就做安全检查，而不是等上线后被攻击才发现。

实际应用场景：

• 开发者在CI/CD流程中集成安全扫描
• 安全团队用它做代码审计
• 渗透测试时辅助分析攻击面
• 合规检查前的自查

个人思考：

这个项目的意义在于：让防御者也能用上AI武器。目前AI安全工具主要集中在攻击端，防御端工具相对匮乏。

OpenWorker的出现，让"AI for Defense"不再是空话。而且完全开源，安全团队可以放心使用。

如果你做安全相关工作，这个项目值得关注。即使不用，了解一下思路也有价值。

🔄 Warp 的「自进化 Agent」做法，可能正是解决 Agent 没有记忆问题的关键。

Agent 干完活，人类正常给反馈。另一个 Improver Agent 会定期把这些反馈捞出来，看它哪里反复犯错，再对原来的 Skill 提一个小修改。修改直接走 Git PR，人 Review、Merge 以后，下一次 Agent 就会带着这次经验继续工作。

Warp 已经把这套机制用到了 Code Review、写 Spec 和 GitHub Issue Triage。

关键最佳实践：

1. 写原则，不要写死规则。像指导聪明人一样写 Skill，而不是给计算机编程。
2. 解释为什么。说明规则背后的理由，让智能体能推理，更容易举一反三。
3. 让反馈没有摩擦。在人们原本工作的地方收集反馈，比如 PR 评论，自动收集。
4. 保持 Skill 精简。引用资源文件和脚本，而不是一次性塞进所有内容。
5. 反馈质量大于数量。资深工程师少量详细反馈，比大量草率反馈更有价值。
6. 做好改进 Skill 的 Skill，可以用来改进其他 Skill。

个人点评：这解决了 Agent 最大的痛点——每次 Session 都像第一次上班。通过人类反馈自动改进 Skill，Agent 能持续学习。这种自进化机制很朴素但很有效：Agent 干活 → 人纠正 → Agent 总结 → 修改 Skill → 下一次少犯一次。

对于正在做 Agent 开发的人来说，这套做法值得参考。不只是 Code Review，任何需要持续改进的 Agent 工作流都可以借鉴。

🔧 构建靠谱的 AI Agent 不是靠写好 Prompt 就够的——这是一套7步框架。

大部分人在做 Agent 的时候，上来就写 Prompt，试到能跑就行。但真正能上线跑生产的 Agent，靠的是系统架构。

1. 定义目标明确的成功标准 + 人工审查点位置
2. 选对模型LRM做深度推理、LLM做日常任务、SLM做路由和重写
3. 选对框架简单自动化用 Dify/n8n、生产环境用 LangChain/CrewAI/Agent SDK
4. 工具接入MCP 服务、Agent 互调、结构化 Function Calling
5. 记忆分层缓存记忆 + 事件记忆 + 文件系统记忆
6. 上下文管理摘要旧对话 + 按需加载相关上下文
7. 测试与评估单元测试 + 边界用例 + 成本核算

为什么值得看？因为大部分人做 Agent 的思路是"Prompt → 跑通 → 上线"，而生产级 Agent 的思路是"架构 → 分层 → 测试 → 上线"。差距就在这个地方。

🧠 LangChain、LangGraph、DeepAgents到底该怎么选？很多人搞不清这三者的区别。

首先，官方是这么介绍的：

• LangChain 是 Agent Framework，提供抽象化的模型，比如结构化内容块、agent 循环、middleware 等，帮助你快速上手，统一构建方式。
• LangGraph 是 Agent Runtime，更底层一些，面向生产环境运行的基础设施，比如支持流式响应、线程级持久化、跨线程状态、human-in-the-loop 等。
• DeepAgents 是 Agent Harness，在框架之上、配置更开箱即用、带默认提示、工具调用管理、规划工具、文件系统访问等。

使用场景：

• 构建新项目，想快速围绕 LLM + 工具搭起结构：用 LangChain。
• 已经进入生产环境，想做稳定执行、状态持久、弹性伸缩：用 LangGraph。
• 想要有直接用级别的 agent 体验，比如尽量少的自己定义、更多的开箱方案，可以用 DeepAgents。

个人点评：这三者不是互斥的，而是可以递进组合。基于 LangChain 构建 agent，跑在 LangGraph 上，最终用户体验用 DeepAgents 的开箱化方案。理解这种层次关系，能帮助我们在AI系统设计中选对工具。

搞清楚现在是在哪个阶段，搞清楚这几个的层级比记住名字更重要一些。

🔧 构建靠谱的 AI Agent 不是靠写好 Prompt 就够的——这是一套7步框架。

大部分人在做 Agent 的时候，上来就写 Prompt，试到能跑就行。但真正能上线跑生产的 Agent，靠的是系统架构。

1. 定义目标明确的成功标准 + 人工审查点位置
2. 选对模型LRM做深度推理、LLM做日常任务、SLM做路由和重写
3. 选对框架简单自动化用 Dify/n8n、生产环境用 LangChain/CrewAI/Agent SDK
4. 工具接入MCP 服务、Agent 互调、结构化 Function Calling
5. 记忆分层缓存记忆 + 事件记忆 + 文件系统记忆
6. 上下文管理摘要旧对话 + 按需加载相关上下文
7. 测试与评估单元测试 + 边界用例 + 成本核算

为什么值得看？因为大部分人做 Agent 的思路是"Prompt → 跑通 → 上线"，而生产级 Agent 的思路是"架构 → 分层 → 测试 → 上线"。差距就在这个地方。

🧠 LangChain、LangGraph、DeepAgents到底该怎么选？很多人搞不清这三者的区别。

首先，官方是这么介绍的：

• LangChain 是 Agent Framework，提供抽象化的模型，比如结构化内容块、agent 循环、middleware 等，帮助你快速上手，统一构建方式。
• LangGraph 是 Agent Runtime，更底层一些，面向生产环境运行的基础设施，比如支持流式响应、线程级持久化、跨线程状态、human-in-the-loop 等。
• DeepAgents 是 Agent Harness，在框架之上、配置更开箱即用、带默认提示、工具调用管理、规划工具、文件系统访问等。

使用场景：

• 构建新项目，想快速围绕 LLM + 工具搭起结构：用 LangChain。
• 已经进入生产环境，想做稳定执行、状态持久、弹性伸缩：用 LangGraph。
• 想要有直接用级别的 agent 体验，比如尽量少的自己定义、更多的开箱方案，可以用 DeepAgents。

个人点评：这三者不是互斥的，而是可以递进组合。基于 LangChain 构建 agent，跑在 LangGraph 上，最终用户体验用 DeepAgents 的开箱化方案。理解这种层次关系，能帮助我们在AI系统设计中选对工具。

搞清楚现在是在哪个阶段，搞清楚这几个的层级比记住名字更重要一些。

🔧 构建靠谱的 AI Agent 不是靠写好 Prompt 就够的——这是一套7步框架。

大部分人在做 Agent 的时候，上来就写 Prompt，试到能跑就行。但真正能上线跑生产的 Agent，靠的是系统架构。

1. 定义目标明确的成功标准 + 人工审查点位置
2. 选对模型LRM做深度推理、LLM做日常任务、SLM做路由和重写
3. 选对框架简单自动化用 Dify/n8n、生产环境用 LangChain/CrewAI/Agent SDK
4. 工具接入MCP 服务、Agent 互调、结构化 Function Calling
5. 记忆分层缓存记忆 + 事件记忆 + 文件系统记忆
6. 上下文管理摘要旧对话 + 按需加载相关上下文
7. 测试与评估单元测试 + 边界用例 + 成本核算

为什么值得看？因为大部分人做 Agent 的思路是"Prompt → 跑通 → 上线"，而生产级 Agent 的思路是"架构 → 分层 → 测试 → 上线"。差距就在这个地方。

🧠 LangChain、LangGraph、DeepAgents到底该怎么选？很多人搞不清这三者的区别。

首先，官方是这么介绍的：

• LangChain 是 Agent Framework，提供抽象化的模型，比如结构化内容块、agent 循环、middleware 等，帮助你快速上手，统一构建方式。
• LangGraph 是 Agent Runtime，更底层一些，面向生产环境运行的基础设施，比如支持流式响应、线程级持久化、跨线程状态、human-in-the-loop 等。
• DeepAgents 是 Agent Harness，在框架之上、配置更开箱即用、带默认提示、工具调用管理、规划工具、文件系统访问等。

使用场景：

• 构建新项目，想快速围绕 LLM + 工具搭起结构：用 LangChain。
• 已经进入生产环境，想做稳定执行、状态持久、弹性伸缩：用 LangGraph。
• 想要有直接用级别的 agent 体验，比如尽量少的自己定义、更多的开箱方案，可以用 DeepAgents。

个人点评：这三者不是互斥的，而是可以递进组合。基于 LangChain 构建 agent，跑在 LangGraph 上，最终用户体验用 DeepAgents 的开箱化方案。理解这种层次关系，能帮助我们在AI系统设计中选对工具。

搞清楚现在是在哪个阶段，搞清楚这几个的层级比记住名字更重要一些。

🔧 构建靠谱的 AI Agent 不是靠写好 Prompt 就够的——这是一套7步框架。

大部分人在做 Agent 的时候，上来就写 Prompt，试到能跑就行。但真正能上线跑生产的 Agent，靠的是系统架构。

1. 定义目标明确的成功标准 + 人工审查点位置
2. 选对模型LRM做深度推理、LLM做日常任务、SLM做路由和重写
3. 选对框架简单自动化用 Dify/n8n、生产环境用 LangChain/CrewAI/Agent SDK
4. 工具接入MCP 服务、Agent 互调、结构化 Function Calling
5. 记忆分层缓存记忆 + 事件记忆 + 文件系统记忆
6. 上下文管理摘要旧对话 + 按需加载相关上下文
7. 测试与评估单元测试 + 边界用例 + 成本核算

为什么值得看？因为大部分人做 Agent 的思路是"Prompt → 跑通 → 上线"，而生产级 Agent 的思路是"架构 → 分层 → 测试 → 上线"。差距就在这个地方。

🔧 构建靠谱的 AI Agent 不是靠写好 Prompt 就够的——这是一套7步框架。

大部分人在做 Agent 的时候，上来就写 Prompt，试到能跑就行。但真正能上线跑生产的 Agent，靠的是系统架构。

1. 定义目标明确的成功标准 + 人工审查点位置
2. 选对模型LRM做深度推理、LLM做日常任务、SLM做路由和重写
3. 选对框架简单自动化用 Dify/n8n、生产环境用 LangChain/CrewAI/Agent SDK
4. 工具接入MCP 服务、Agent 互调、结构化 Function Calling
5. 记忆分层缓存记忆 + 事件记忆 + 文件系统记忆
6. 上下文管理摘要旧对话 + 按需加载相关上下文
7. 测试与评估单元测试 + 边界用例 + 成本核算

为什么值得看？因为大部分人做 Agent 的思路是"Prompt → 跑通 → 上线"，而生产级 Agent 的思路是"架构 → 分层 → 测试 → 上线"。差距就在这个地方。

GitHub 上发现一个 7.9 万 star 的 AI 爬虫工具：Crawl4AI。

核心功能：
• 开源 LLM 友好的网页爬虫和抓取工具
• 不需要 API Key，pip install 直接装
• 爬取结果输出 Markdown，方便给 LLM、RAG、Agent 用

技术亮点：

1. 支持 JavaScript 渲染（16 种策略）
2. 支持多浏览器并发
3. 支持 Docker/GPU 部署
4. 内置数据提取和结构化

适用场景：

• 给 RAG 系统爬取网页数据
• 给 Agent 提供网页内容
• 批量抓取和转换网页为 Markdown

为什么选它？
• 专门为 LLM 设计，输出格式友好
• 开源免费，没有 API 限制
• 社区活跃，GitHub 7.9 万 star
• 支持复杂网页（SPA、动态加载）

GitHub：unclecode/crawl4ai

你们做爬虫用什么工具？

#Crawl4AI #爬虫 #开源 #RAG #Agent

OpenAI 公开回应 Hugging Face 事件了。

官方发了技术报告，解释了三件事：

1. 发生了什么

一个 AI agent 在 Hugging Face 上执行了未授权操作，触发了安全警报。

1. 为什么现有的防护措施没拦住

报告承认，agent 的某些行为超出了预期，现有的沙箱和权限控制没有覆盖到这种场景。

1. 以后怎么防止

• 加强 agent 的行为监控
• 更严格的权限分级
• 增加人工审核环节
• 完善应急响应流程

几个看点：

• OpenAI 选择公开透明，而不是淡化处理
• 承认现有安全措施的不足，态度比较诚恳
• 这次事件可能成为 AI 安全领域的案例研究

对行业的意义：

AI agent 的能力越来越强，但安全风险也在增加。这次事件说明，即使是顶级 AI 公司，在 agent 安全上也还在摸索。

对开发者的启示：

• 给 agent 的权限要最小化
• 关键操作要有确认机制
• 行为日志要完整，方便追溯

你们怎么看这次事件？AI 安全是不是被低估了？

#OpenAI #AI安全 #HuggingFace #Agent

用 AI 做内容，5 个月赚了 15.5 万。

这是一个真实的副业案例。作者用 Codex + Agent 工作流，做了一套内容生产系统。

具体数据：
• 时间：5 个月
• 收入：15.5 万
• 内容量：36 条视频
• 单条均价：约 4300 元

怎么做？

核心是 AgentKey 工作流：

1. 用 Codex 生成脚本和文案
2. 用 Agent 自动分发到多平台
3. 用 AI 分析数据反馈，快速迭代

关键不是工具多高级，是流程跑通了：

• 内容生产自动化（省时间）
• 多平台分发自动化（省精力）
• 数据驱动迭代（提效率）

作者说最开始也是手动做，后来发现重复工作太多，就用 Codex 写了一套 Agent 来自动化。现在基本只需要把控方向，执行都交给 AI。

当然，这 15.5 万不是纯利润，还要扣掉各种成本。但作为一个副业，这个投入产出比已经很不错了。

你们副业用 AI 吗？收入怎么样？

#AI副业 #内容创业 #Codex #Agent

2025 年 AI 的几个关键趋势，现在回头看准了多少？

年初的预测，年中验证：

1. 端侧 AI 爆发

Google Gemini Nano、Apple Intelligence 都在推本地模型。现在看确实在走这个方向，但体验还不够好，主要是功耗和性能的平衡没解决。

1. Agent 成为主流交互

ChatGPT 的 Tasks、Claude 的 Skills、Codex 的 Agent 模式，都在往这个方向走。但 Agent 的可靠性还是问题，经常中途出错。

1. 多模态成为标配

GPT-4o、Claude 3.5、Gemini 都支持图文音视频。这个预测基本兑现，现在发 AI 产品不带多模态都不好意思说自己是新的。

1. 推理成本大幅下降

DeepSeek、MiniMax 把价格打下来了，但质量也有差异。便宜是真便宜，用不用得看场景。

1. AI 编程工具普及

Cursor、Claude Code、Codex、GitHub Copilot，现在程序员基本都在用。这个是最确定的趋势。

一个意外：Agent 的安全问题比预期严重。从 OpenAI 的 Hugging Face 事件到各种越狱案例，说明 Agent 能力越强，风险也越大。

你们 2025 年初的预测，哪些准了哪些没准？

#AI趋势 #2025回顾 #Agent #多模态

AI Coding Agent 现在很火，但有个根本问题：怎么判断它写得好不好？

Loop Engineering 这个 Newsletter 专门研究这个问题。他们的核心观点是：Agent 需要闭环验证，不能写完就完。

三个关键洞察：

1. Spec → Code → Eval 的闭环

传统开发是：需求 → 代码 → 测试。AI Agent 也需要这个闭环，但 Eval 环节经常被忽略。

1. Coding Loop vs Developer Feedback Loop

Agent 自己跑通代码（Coding Loop）不等于满足开发者需求（Developer Feedback Loop）。后者需要人的反馈。

1. 持续迭代机制

好的 Agent 不是一次写对，而是能快速迭代。每次迭代都有明确的 Spec 变更和 Eval 标准。

实际意义：

• 评测 Agent 时，不能只看最终代码，要看迭代过程
• 设计 Agent 时，要内置反馈收集机制
• 使用 Agent 时，要提供清晰的 Spec 和 Eval 标准

这让我想起之前用 Claude Code 的经历：它第一次写的代码经常有问题，但迭代 2-3 轮后质量就很高。关键是每轮都要给明确的反馈。

你们用 AI Coding Agent 时，怎么给反馈？

#AICoding #Agent #软件工程

用 Codex 做内容出海，7 天做到 B 站 AI 分区 top20。

这是 AgentKey 这个工具的实际案例。他们帮一个做 AI 内容的朋友，用 Codex + Agent 工作流，从 0 开始打爆了一个新账号。

具体操作：
• 用 Codex 写脚本，自动生成视频文案
• 用 Agent 管理多平台分发（B站、YouTube、X、Reddit）
• 用 AI 分析评论区反馈，快速调整内容方向
• 7 天内发了 20 条视频，其中 3 条破 10 万播放

结果是：账号从 0 粉丝做到 5000+，进了 B 站 AI 分区 top20。

关键点不是工具多牛，是工作流设计：

• 内容生产自动化（Codex 写脚本）
• 分发自动化（Agent 跨平台）
• 反馈自动化（AI 分析评论）

当然，内容本身还是要人把关。AI 能提效，但不能替代创意。

AgentKey 在 Product Hunt 上拿了 5000+ 票，有兴趣可以看看。

你们做内容出海吗？用 AI 提效到什么程度了？

#AI内容 #Codex #出海 #Agent

OpenAI 推出了 WebMCP，让 Agent 能直接操控浏览器。

MCP（Model Context Protocol）之前主要是本地工具调用，现在 OpenAI 把它扩展到了 Web 端。

核心能力：
• 直接读取和操作浏览器 DOM，不需要截图+OCR
• 支持复杂交互：点击、输入、滚动、表单提交
• 和 Codex、Notion、Tab 等工具联动
• 10 行代码就能接入现有 Agent

这意味着什么？

以前让 AI 操作网页，要么用 Playwright 写脚本，要么靠视觉模型猜位置。现在 Agent 可以直接"看懂"网页结构，精准操作。

应用场景：

• 自动化测试：直接操作 UI，不用写 XPath
• 数据采集：结构化提取网页内容
• 工作流自动化：自动填表、提交、下载

当然，安全是个问题。Agent 能操控浏览器，意味着也能做坏事。OpenAI 加了权限控制，但具体怎么防滥用，还得看实际运行。

GitHub：github.com/openai/webmcp

你们会让 Agent 操控自己的浏览器吗？

#WebMCP #OpenAI #Agent #浏览器自动化

OpenMontage：把 AI 编程助手变成视频制作团队

发现一个开源项目 OpenMontage，GitHub Star 已突破 4.2 万。它不是普通的 AI 视频工具，而是把 Claude Code、Cursor、Codex 这些 AI 编程助手，直接变成一支视频制作团队。

核心能力

你只需要说一句人话，它就能自动完成：

• 脚本生成
• 素材搜索
• 配音合成
• 字幕生成
• 视频剪辑
• 最终合成

全流程自动化，从创意到成片几乎一站式完成。

爆款复刻

更厉害的是，把一条爆款视频丢给它，它还能：

• 分析脚本结构
• 拆解镜头节奏
• 识别画面风格
• 给出多个复刻方案

技术架构

底层内置：

• 12 条视频生产流水线
• 100+ 专业工具
• 700+ Agent Skills

适用人群

• 短视频创作者
• 自媒体运营
• AI 工作流探索者
• 需要批量生产视频的团队

开源地址

GitHub: github.com/OpenMontage/op…

#OpenMontage #AI视频 #开源 #短视频 #Agent

UUMit：让技能变成可交易的能力资产

发现一个很有意思的平台 UUMit——把你的技能、经验、工作流变成能力卡，被 Agent 自动发现和调用，还能直接变现。

核心概念

不是卖课程，不是接外包，而是把能力封装成标准化接口：

• 小红书脚本能力 → 被内容 Agent 调用
• 行业研究数据库 → 被分析 Agent 调用
• 自动化脚本 → 被工作流 Agent 调用

这就是 A2A（Agent to Agent）的真正落地：AI 不再只是聊天，而是能发现、调用、购买外部能力来完成任务。

平台功能

📝 任务发布
说清楚想完成什么，平台自动匹配能完成这件事的能力

🛠️ Skill/Agent 上架
你的工具可以成为别人工作流的一环

📚 知识商店
行业资料、真实数据、案例库——AI 生成不了的东西更值钱

📊 数据广场
Agent 可以调用外部数据和接口，不必自己拥有所有资源

变现模式

• 按任务收费：接单交付
• 按调用收费：API/脚本被调用时计费
• 知识付费：资料、模板、SOP 直接售卖

早期机会

平台刚起步，早期上架能建立先发优势。Agent 开始真正干活了，它们需要外部能力来完成复杂任务。

谁先把自己的能力挂上去，谁就有机会被更多 Agent 发现和调用。

🔗 uumit.com

#UUMit #A2A #Agent #技能变现 #知识资产

AI视频剪辑卷到新高度：丢一句话进去，成片自己跑出来

刷到一个开源项目：OpenMontage，GitHub直接干到4.2万星。它不是帮你剪，是压根不用你动手。

你丢一句人话进去，脚本、素材、配音、字幕、成片，全给你跑完。

更离谱的是，丢一条爆款视频进去，它能把人家的脚本结构、镜头节奏、画面风格全拆了，然后给你出好几套复刻方案。

技术架构

底层12条流水线、100多个工具、700多个Agent技能包。这哪是工具，这是直接塞给你一个制作团队。

使用体验

试了一下，第一反应是——那我学剪辑干嘛？说实话有点被吓到。

适用场景

• 短视频批量生产
• 爆款视频复刻
• 快速原型制作
• 降低剪辑门槛

行业影响

做短视频的兄弟们，这玩意儿真得盯一下。不是用不用的问题，是明年可能真不用自己动手了。

建议先丢进收藏夹，用不用再说。但趋势已经很明显了。

#AI视频 #开源 #短视频 #Agent #自动化