AI圈子 · AI 圈的最新动态，一条一条刷

🧠 99%的人用Claude都用错了：给它一个角色，效果翻倍

大部分人用Claude是这样的："帮我写个东西。"

但高手是这样的：

1. 给Claude一个角色
2. 添加上下文
3. 设置明确指令
4. 定义输出格式
5. 必要时提供示例

就这么简单的改变，能彻底改变输出质量。

为什么角色设定这么重要？

Claude是一个大语言模型，它能理解"你是谁"。当你告诉它"你是一个资深Python开发者"，它会切换到那个思维模式。

就像你问一个普通朋友编程问题，和问一个资深程序员，得到的答案质量完全不同。

15个实战Prompt模板：

🧠 研究类：让Claude做深度分析
💻 编程类：代码生成、优化、重构
🐛 调试类：找出bug并提供修复方案
🤖 Agent类：构建智能代理系统
📈 商业类：制定商业计划和策略
✍️ 写作类：专业文案和内容创作
🎓 学习类：解释复杂概念
📄 文档类：分析PDF和长文档
🚀 构建类：从零搭建SaaS项目
👔 顾问类：CEO级别的决策建议
📱 内容类：社交媒体内容创作
✨ 优化类：改进你的Prompt
🧠 推理类：复杂逻辑分析
🤝 助手类：个人助理功能
👑 终极类：综合所有技巧

实战示例：

❌ 错误用法：
"帮我写个营销文案。"

✅ 正确用法：
"你是一个有10年经验的营销专家，擅长科技产品的文案。请为一款AI编程助手写一段100字的营销文案，风格要专业但不生硬，目标用户是程序员。"

看到区别了吗？后者给了角色、背景、具体要求、目标用户、风格指导。

为什么这很重要？

AI不是魔法，它需要上下文才能给出好答案。你给的信息越具体，它输出的质量越高。

这就像你给员工布置任务：说"帮我做点什么"和说"帮我用这个方法、达到这个效果、截止时间是明天"，结果完全不同。

个人思考：

Prompt工程不是玄学，是沟通技巧。

好的Prompt = 好的问题。好的问题 = 好的答案。

学会用正确的方式提问，是每个人在AI时代的核心竞争力。

🔥 Google工程师教你：270M小模型微调后秒杀70B大模型

270M参数的小模型，在特定任务上干翻70B大模型。

这不是段子，是Google工程师演示的实战效果。

怎么做到的？

选Gemma 270M作为基座，然后走这套流程：

1. 生成合成任务数据

不需要海量标注数据，用大模型生成针对你具体任务的训练数据。

1. LoRA微调

只训练少量参数，不用全量微调。一个普通人在家用电脑就能搞定。

1. int4量化

把模型压缩到4位整数，体积砍掉一大半。

1. 部署到手机

在Pixel上跑，完全离线，每秒2000个token。

效果有多猛？

• 准确率从46%飙升到90%
• 21分钟完成微调
• 完全在手机端运行，不需要联网

为什么这很重要？

大模型的问题是：太贵、太慢、需要联网。

对于很多实际场景，比如：

• 企业内部知识问答
• 本地文档搜索
• 边缘设备上的智能助手

你不需要一个通用的70B大模型。你需要的是一个在特定任务上极度专业的小模型。

这套方法的精髓是：用大模型生成训练数据，然后教小模型。

Gemma 270M + 合成数据 + LoRA + int4量化 = 你的专属小模型

成本有多低？

• 训练时间：21分钟
• 硬件要求：一台普通电脑
• 部署成本：几乎为零（手机本地运行）

个人思考：

这套方法的价值在于：它把微调从"大公司专利"变成了"人人可用"。

以前微调大模型需要A100集群、几天时间、几十万美元。现在呢？一台电脑、21分钟、几乎免费。

这可能会催生一波"小模型创业"潮。每个公司、每个团队都可以训练自己的专业模型，不需要依赖大模型API。

从"用别人的大模型"到"训练自己的小模型"，这个转变可能会比我们想象的来得更快。

DeepSeek悄悄放出了一个大招：DeepSeek-V4-Flash-Vision-Exp，一个多模态视觉实验模型。

这个模型在文本能力上跟V4-Flash完全持平——Agent调用、推理、世界知识全都保留。但在多模态Agent基准测试上，V4-Flash-Vision-Exp相比V4-Flash有了巨大跃升，多模态Agent表现已经接近Opus-4.8的水平。

关键信息：

• 已经可以在DeepSeek API平台使用，模型名 deepseek-v4-flash-vision-exp
• DeepSeek Harness 0.1.1 今天同步发布，开箱即用支持新模型
• 从文本到图像理解，多模态任务一把梭

这意味着什么？OpenAI和Anthropic在多模态上砸了海量资源，DeepSeek用更小的模型做到了接近的效果。Agent能"看"东西，但成本降到了普通开发者用得起的程度。

如果你在做需要视觉理解的Agent应用——图像分析、UI自动化、文档处理——这个模型值得第一时间试。

原帖来自 @deepseek_ai，1.1万赞，链接：x.com/i/status/20907…

🤖 微软下场卷Go了：Agent Framework正式发布，专为生产环境设计

微软刚发布了用Go语言重写的Agent Framework。

这次不是玩具demo，而是专门用来写能真上生产的AI智能体。

为什么用Go？

Python做Agent开发很流行，但在生产环境有几个痛点：

• 并发处理不够优雅
• 性能瓶颈明显
• 部署和运维复杂

Go语言天生适合这些场景。微软这次把Agent Framework搬到Go上，明显是瞄准了企业级生产环境。

核心特性：

1️⃣ 多模型支持
不锁死一家大模型。OpenAI、Claude、本地模型都能接，灵活选择。

2️⃣ 中间件可插拔
想加日志、监控、限流、认证？随时插拔，不用改核心代码。

3️⃣ 可视化工作流编排
一张图把整个工作流串起来：

• 顺序执行
• 并发处理
• 条件分支
• 检查点
• 人工介入

全部可视化配置，不用写代码。

适合谁用？

• Go开发者：想用Go写Agent，不想学Python
• 企业用户：需要生产级Agent框架，不是玩具demo
• 运维团队：需要易于部署和监控的Agent系统

个人思考：

微软这次下场很有意思。Python生态已经有了LangChain、CrewAI、OpenAI Agent SDK等框架，但Go生态一直是空白。

对于已经在用Go的技术栈来说，这个框架是个好消息。不用为了写Agent而切换到Python，可以直接用熟悉的语言。

不过，Go的AI生态还是不如Python成熟。模型推理库、数据处理工具都比较少。这可能是一个挑战。

总体来说，微软这次押注Go Agent Framework，说明企业级AI Agent市场确实在增长。生产环境需要更稳定、更高效的框架，而Go正好满足这些需求。

🔧 Claude Code/Codex/Cursor的Skill太多了？Skills Hub一键统一管理

你有没有遇到过这种情况：

给Claude Code装了一套Skill，Codex又装了一套，Cursor、OpenCode、Antigravity再各来一份。

用着用着，本地目录就乱了。每个Agent的Skill目录都不一样，手动复制粘贴管理起来很麻烦。

Skills Hub 就是为了解决这个问题而生的。

它是什么？

一个统一的Skill管理器。Skill只安装一次，统一存在 ~/.skillshub 目录下，然后同步给不同的Agent。

现在内置了46个工具适配器，可以自由选择：

• 这个Skill给Claude Code
• 这个给Codex
• 这个项目级启用
• 那个全局启用

核心特性：

1️⃣ 标签系统
给Skill打标签，方便分类管理。比如"代码审查"、"文档生成"、"测试"等。

2️⃣ 批量开关
一键启用或禁用多个Skill，不用逐个操作。

3️⃣ Git更新
支持从Git仓库同步Skill，保持最新版本。

4️⃣ 自动更新
设置自动更新，Skill会定期检查并更新到最新版本。

5️⃣ Symlink优先
优先使用符号链接（symlink/junction），同步不了才复制文件，节省磁盘空间。

适合谁用？

• 多Agent用户：同时使用Claude Code、Codex、Cursor等多个AI编程工具
• Skill收藏家：收集了很多开源Skill，需要统一管理
• 团队协作：团队成员共享同一套Skill配置

个人思考：

这个项目解决了一个很实际的问题。随着AI编程工具越来越多，每个工具都有自己的Skill/Plugin系统，管理起来确实很麻烦。

Skills Hub的思路是：Skill应该是Agent无关的。一个代码审查Skill，不应该只给Claude Code用，应该能同时给Codex和Cursor用。

这种"一次安装，多处使用"的理念，很像Linux的包管理器。只不过这里管理的是AI Agent的Skill。

目前macOS已验证，Windows/Linux作者标的是设计支持但未本地验证，这点先注意。

💻 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。

🧠 给AI编程Agent装上长期记忆：ai-memory项目，不用向量数据库也能做到

你有没有遇到过这种情况：

Claude Code写到一半，退出了。过几个小时再打开Codex继续，它完全不知道之前做了什么。又要从头交代一遍架构、需求、踩过的坑。

这个问题的本质是：AI编程Agent没有长期记忆。

每次新对话都像第一天上班，什么都得重新交代。

ai-memory项目提供了一个简洁的解决方案：把记忆当成纯Markdown文件笔记的Git仓库。

为什么不用向量数据库？

1. 完全透明：所有记忆都是可读的Markdown文件
2. Obsidian可用：直接用Obsidian打开，方便浏览和编辑
3. 完全可控：不想用这个工具了，文档还是你自己的
4. 零依赖：不需要额外的服务或数据库

它是怎么工作的？

1. 自动记录：靠钩子自动把提示词、工具调用、会话节点记下来
2. 写代码的过程就是记录的过程：不需要刻意维护
3. 交接能力：Claude Code退出后，Codex打开会先看到"上回做到哪"

最实用的场景：

• 多工具切换：在Claude Code、Codex、Cursor之间换着用，装一个能省掉重复交代
• 项目交接：新成员加入项目，快速了解之前的决策和踩过的坑
• 个人知识库：积累的开发经验不会随着工具切换而丢失

支持的工具：

Claude Code、Codex、Cursor、Gemini CLI等15种以上

个人思考：

这个项目的价值在于：它把"记忆"从"AI的黑盒"变成了"人的文档"。

很多AI记忆方案是把数据塞进向量数据库，看起来很"AI"，但实际使用中：

• 你不知道它记了什么
• 你没法手动编辑
• 换工具可能就不兼容了

ai-memory的思路是：记忆应该是可读、可编辑、可迁移的。这更接近人类的记忆方式——我们不会用向量数据库来记笔记，我们会用笔记本。

对于经常在多个AI编程工具之间切换的人来说，这个项目值得试试。

🎬 Google发布Gemini Omni 1.1 Flash：视频生成进入"连续叙事"时代

很多人觉得AI视频生成已经够好了，能生成几秒钟的高质量视频。

但Google刚发布的Gemini Omni 1.1 Flash，把视频生成推向了一个新阶段：从"生成片段"到"连续叙事"。

核心升级：

1️⃣ 场景扩展能力大幅提升
以前只能基于1秒上下文扩展视频，现在可以基于10秒上下文扩展。这意味着更连贯的故事线、更自然的镜头过渡。

2️⃣ 4K超分辨率
直接从低分辨率生成4K视频，不需要后期处理

3️⃣ 首尾帧控制
可以指定视频的第一帧和最后一帧，让生成的视频精确连接到你想要的画面上

4️⃣ 快速草稿模式
360p的快速生成，用于测试想法，然后再用高分辨率版本

这意味着什么？

以前做AI视频：

• 生成5秒片段A → 生成5秒片段B → 手动拼接 → 容易断裂

现在：

• 输入10秒上下文 → 生成连贯的20秒视频 → 自然过渡

这不只是时长的增加，而是叙事能力的质变。你可以真正讲述一个有开头、发展、结尾的故事了。

实际应用场景：

• 短视频创作：从"5秒切片"变成"完整故事"
• 广告制作：快速测试不同创意方向
• 教育内容：生成连续的教学演示
• 产品演示：展示完整的使用流程

个人思考：

这个升级的意义在于：AI视频终于开始理解"时间"了。

以前的AI视频生成是"空间思维"——生成一帧漂亮的画面。现在开始有了"时间思维"——理解画面之间的因果关系、情感递进。

这对创作者来说是巨大的效率提升。以前要花几天时间拍摄、剪辑的素材，现在可能只需要几个提示词。

当然，目前还做不到完美。但趋势很明确：AI视频正在从"玩具"变成"工具"。

🏢 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。

📱 Google工程师揭秘：如何在手机上21分钟微调一个LLM，准确率从46%飙到90%

很多人觉得在手机上跑AI已经是极限了，微调？那是数据中心的事。

但Google工程师展示了完全不同的可能性：用Gemma 270M这个超小模型，在手机上21分钟完成微调，准确率从46%提升到90%，每秒能跑2000个token。

核心流程：

1️⃣ 选对模型
不是用GPT-4那种大模型，而是Gemma 270M——只有2.7亿参数，专门为移动端设计

2️⃣ 生成合成数据
用大模型生成针对特定任务的训练数据，不需要人工标注

3️⃣ LoRA微调
只调整少量参数，显存占用极低，手机上也能跑

4️⃣ int4量化
把模型压缩到4bit，进一步减少内存占用

5️⃣ 部署到Pixel
直接在手机上运行，完全离线，不联网

为什么这个思路重要？

1. 成本极低：不需要买昂贵的GPU，手机就能训练
2. 隐私安全：数据不出手机，完全本地处理
3. 即时部署：训练完直接在手机上用，不需要部署到云端
4. 定制化：可以针对特定任务微调，比通用模型效果更好

实际应用场景：

• 企业内部文档分类（敏感数据不出内网）
• 个人语音助手定制
• 离线翻译模型
• 医疗领域的本地诊断辅助

个人思考：

这个实验的意义在于证明了"小模型+微调"的路线是可行的。

很多人追求大模型，觉得参数越多越好。但如果你的任务足够具体，一个2.7亿参数的小模型经过微调，可能比700亿参数的通用模型效果更好。

而且完全离线运行意味着：不需要网络、不需要API费用、不需要担心数据隐私。

这才是真正的"AI for Everyone"——不是让所有人都用上ChatGPT，而是让每个人都能训练自己的AI。

🧠 AGENTS.md其实是一个神经网络——这个维护思路很优雅

很多人维护AGENTS.md的方式是：Agent犯一次错，就往里补一条规则。

时间久了文件越来越长，旧规则没删，新规则继续加。最后Agent每次都要读一堆已经没用的东西，token浪费严重，效果反而变差。

这篇文章换了个思路：把AGENTS.md当成一个需要"训练"的神经网络。

核心思路：

1️⃣ 每次Session都是一次forward pass
Agent走过的弯路和被你纠正的地方就是loss

2️⃣ 定期做backward pass
从真实session里提取问题，小幅更新AGENTS.md

3️⃣ 给固定Token budget
新增一条规则，就要考虑删掉或移走什么

具体怎么做？

作者开源了一个叫backpass的工具，可以自动完成这个过程：

• 分析最近的session记录
• 提取Agent犯错的地方和你的纠正
• 生成AGENTS.md的修改建议（新增/删除/更新）
• 你Review后合并

为什么这个思路好？

1. 数据驱动：基于真实session，不是凭感觉
2. 有增有减：强制token budget，避免无限膨胀
3. 自动提取：不用手动整理，工具帮你做
4. 渐进优化：每次只改一点点，风险可控

实际效果：

• AGENTS.md保持精简有效
• Agent不再读一堆无用规则
• 每次改进都有数据支撑

个人思考：

这个思路本质上是把"人工维护配置"变成了"自动训练模型"。虽然AGENTS.md还是文本，但维护方式已经接近机器学习了。

很多Agent现在缺的就是这种持续进化的能力。每次session都积累了很多反馈，但下一次又像第一次来上班一样。

如果你也在用Claude Code或Codex，可以试试这个思路。让Agent越用越懂你，而不是每次都要重新教。

整理了9个适合自媒体/短视频创作者的开源项目，从选题到成片基本快把整条生产线拼出来了。

1. MoneyPrinterTurbo (10.7w+ stars)

给一个主题，自动写脚本、找素材、配音、生成视频。

1. video-shotcraft (5.3k+ stars)

内置电影级镜头配方，Agent 自动做分镜、运镜、动效。

1. AI-Youtube-Shorts-Generator (4.6k+ stars)

长视频自动切 Shorts，适合二次内容分发。

1. Remotion Skills (4.3k+ stars)

让 Agent 用代码做视频，动态图表、字幕、产品 Demo 程序化生成。

1. FireRed-OpenStoryline (3.2k+ stars)

小红书开源项目，对话式一键出片还能中途微调。

1. jianying-editor-skill (2.7k+ stars)

让 AI Agent 操作剪映，自然语言指挥剪辑、字幕、特效。

1. Claude Code Video Toolkit (1.9k+ stars)

完整视频生产工具箱，脚本+素材+生成+自动化。

1. RN Skill (1.2k+ stars)

视频生产全链路：选题、改写、动效、质检一条龙。

1. CS Skills

AI 创业者工作流，产品设计、开发、写作、调研、视频策划全覆盖。

建议收藏，很多项目能直接拿来干活。

你们用 AI 做短视频吗？

#短视频 #开源 #AI视频 #MoneyPrinterTurbo #Remotion

发现一个挺有意思的开源项目：T3 Code。

简单说，它是个"智能体监控控制台"，让你用手机远程控制电脑上的 AI 编程代理。

支持的工具：
• Claude Code
• Codex
• Cursor
• Grok Build

怎么用？

1. 电脑上运行 npx t3@latest 开启服务端
2. 手机/平板打开 T3 Code 应用
3. 实时观测并指挥 AI 编码进度

解决了什么问题？
以前用 AI 编程代理，得一直守在电脑前盯着。现在可以：

• 在地铁上监控长任务进度
• 躺在床上审核生成的代码
• 出差途中随时干预和纠偏

技术角度：
这不是一个新的大模型，而是一个聚合层。它调用你本地已安装的 CLI 工具接口，把终端输出实时同步到移动端。

意义：
AI 编程正在从"持续输入"向"任务监控"转型。开发者的工作重心从手写代码演变为审核与编排。

GitHub: pingdotgg/t3code

你们觉得远程控制 AI 编程代理有用吗？

#T3Code #AI编程 #远程控制 #ClaudeCode #Codex #Cursor

发现一个开源神器：自动追踪全网最近30天的AI热点，告别信息碎片化

刷X、Reddit、YouTube、GitHub、Hacker News最头疼的是什么？信息太碎。同一个热点重复刷，真正有价值的新东西却藏在不同平台里，等你看到的时候可能已经是几周前的旧讨论了。

Last 30 Days 这个开源工具的核心逻辑很简单：只研究最近30天，全网真正在讨论什么。

它能做什么

🔍 多平台聚合搜索
自动抓取 Reddit、X、YouTube、TikTok、Hacker News、GitHub 等平台最近一个月的内容，不用一个个平台翻。

📊 真实信号筛选
结合点赞、评论、互动数据，优先筛出真正有人关注的话题，而不是按时间排序的噪音。

📈 趋势归纳
自动识别最近什么开始升温、哪些工具突然变火、哪些观点反复出现，帮你发现早期信号。

🎯 实用场景

• 做产品研究：看最近一个月真实用户在夸什么、吐槽什么
• 做自媒体：找正在起量的选题和新玩法
• 投研分析：追踪技术趋势和竞品动态

输出格式
搜索结果会整理成一份结构化报告，可以直接丢给 AI 继续分析，不用自己再整理。

使用方式
命令行直接跑：/last30days AI Video
就会把最近30天 AI 视频相关的新工具、新玩法、社区讨论和趋势变化一起扒出来。

适合谁用

• 每天花大量时间刷各种平台找信息的人
• 需要快速了解某个领域最新动态的研究者
• 想找选题、找灵感的内容创作者

GitHub 开源，可以自己部署改需求。

#AI工具 #信息聚合 #开源 #趋势追踪 #效率工具