那个免费数字人工具火到英文圈也刷屏了。THIS IS FUCKING INSANE 的语气配上两万六千颗星,热度就没得争了。lanshu create ai presenter video,中文开发者丢出来的开源货,英文技术圈转起来的架势跟自家发布一样。
A CHINESE DEVELOPER JUST DROPPED A FREE AI VIDEO TOOL,标题喊得凶,内容倒是配得上。ONE SCRIPT 加 ONE PHOTO 进去,出来的是 A COMPLETE VIDEO WITH A TALKING PRESENTER。
流程再过一遍也不亏,因为它正是卖点。脚本和出镜照片传上去,配音自动生成,人像跟着念,口型对上音频。字幕自动铺,封面替你出,最后系统查一遍同步给份质量报告。
THE FINAL RESULT 是能直接发的竖屏视频。九比十六,一千零八十乘一千九百二十,三十 FPS,四十五到七十五秒。短内容平台的标准尺寸一样不缺。
最疯的那句是 RUNS THE ENTIRE WORKFLOW IN ONE GO ON YOUR OWN COMPUTER。全流程在你自己的电脑上跑完,不用把文件在五个工具之间搬来搬去。人脸和声音也不必传上谁家的服务器。
我的看法是星数比功能列表更能说明问题。GitHub 上的两万六千颗星意味着不止一波尝鲜。开源社区的收藏夹不为营销话术买单,能攒到这个量级,要么真解决了痛点,要么踩在了需求的风口上,这个项目两样大概都占。
热度起来之后,下一关是维护。开源工具死于三分钟热度的比比皆是,问题攒一堆没人管,新平台出来没人适配,都是常见死法。星数是门面,响应速度才是去留的真凭据。
BOOKMARK THIS BEFORE YOU MAKE YOUR NEXT VIDEO。做短内容的可以先装,跑通一条自己的片子,比看十篇介绍管用。
Sonnet 5.5、GPT-6 Sol、DeepSeek 正在免费,多数人却还在掏钱。
这份清单按截止时间排序,两条当天关门:
附赠的那条提示我照抄了:Hy4 默认高档推理,腾讯自己都说它爱反复核验,快改调低档,硬 bug 再开高档。
这个"先免费后收费"的节奏我看着熟。前面聊过,够用的线越压越低,厂商拿免费档拉人进场,习惯养成了再谈价。试用窗口开得越大方,说明后端成本曲线降得越快。
保留的提醒也实在:限时免费的东西别囤,尤其当天截止那两条,过点就作废。真想对比,挑自己最常用的场景各跑一遍,比清单上六个名字都有用。
链接都在上面,按截止时间挑着点,别等关门。
一亿人同时用 Muse,要烧多少电?有人把这笔账从头算了一遍。
粗结论先摆:基准情形约 1 吉瓦,其中沙箱层只占约 0.1 吉瓦。真正的大头在推理,按每用户每天产生多少次推理等效调用浮动,3 到 4 吉瓦完全可能。这也解释了 Meta 明年增建 7 到 10 吉瓦算力的传闻。
拆开看是两块基建。一块是 Muse 的 VM 沙箱,一块是 Spark 推理,后者走 Meta 的外部推理设施。
沙箱这笔账最有意思。第一个坑是以为一亿日活等于一亿台同时算的虚拟机。按每用户日均活跃两小时折算,一亿乘二除以二十四,平均同时活跃约 800 万台。再按 2.5 倍峰值比放大到 2000 万,加两成余量,配置 2500 万台存活。也就是说,Meta 要备足支撑日活四分之一同时在线的机器。
第二层是 vCPUs 虚拟核与物理核的区别。沙箱最爱空转,等待期几乎不吃 CPU,超售空间很大。作者搬来 DeepSeek 新发布的 DSec 当标尺:三万物理核、250TB 的 DRAM 内存、160 个节点撑起 38 万沙箱峰值并发,单节点约 800 个 microVMs,折合约 0.23 个物理核撑一台活沙箱。
Muse 按每台 0.5 核估,2500 万台就是 1250 万个物理核,5 万颗 256 核机器,公开牌价约 8 亿美元。
内存反而压不了。虚拟机活着就得保住工作状态,实测有的只用 3GB,2500 万乘下来 75 到 100PB,公开牌价约 20 亿美元。CPU 能靠等待期超售,内存不能,这道不对称是整笔账的骨架。
沙箱层的电力折算约 0.1 GW,全量叠加推理按 GWh 计就是另一番量级。我服气的是那个乘法链。每个假设都能复算,每个中间量都留了出处,不像常见的宏大估算先给结论再倒推。作者自己也招呼,变量假设一大堆,欢迎来杠。
保留的疑点集中在推理侧:每次调用的等效算力才是变量最大的一格,也最能解释为何传闻的增量是 7 到 10 吉瓦这种量级。
推理那半篇要是补上,这份估算才算完整,眼下先记下沙箱这半张账单。
出处与延伸:
starkinsider.com/2026/09/meta-m…
research.meta.ai/blog/security-…
arxiv.org/abs/2609.22978
microsoft.com/en-us/research…
robonomics.substack.com/p/agent-muse-c…
给编码 agent 补工作能力的四个 GitHub 资源被整理了出来。一句话戳中痛点:每次都要把同一件事重新解释一遍的人,该停手了。
常见做法其实不复杂。把高频工作固化成 skill,模型就会一直记得项目的规矩和干活方式,提示词不用天天重写。重复的活存下来一次,省下的是往后每一轮的口舌。
四个资源按用途分。官方示例放第一位,Anthropic 自家的技能库,看文档处理和样例技能怎么做,自己给 Claude 写工作技能时照着参考,地址在 github.com/anthropics/ski… 。
第二是社区合集,调研、文档、开发、效率类的技能攒在一起,适合先逛再挑,地址在 github.com/ComposioHQ/awe… 。
后两个面向更广。GitHub 官方的 awesome-copilot 收着 Copilot 用的指令、智能体、提示词和配置文件,地址在 github.com/github/awesome… 。
再往大里找,GitHub 的 agent-skills 主题页把 Claude Code、Codex、Cursor、Gemini CLI 的技能和插件一网打尽,地址在 github.com/topics/agent-s… 。
这四个仓库的分工很清楚,前两个管质量,后两个管广度。我看新手从前两个起手最好,老手直接去主题页按工具筛,能省不少翻找的时间。老话还是对的:提示词是给单次对话的,技能才是给长期干活的,写一次,一直用。
二十个 AI agent 技能被串成一条流水线。从想法到上线,四段全包,十七条仓库地址全部摆开。这份清单的组织方式比单个技能更值得抄。
先说它怎么读。四段是按开工顺序排的,不是按热门度,这本身就是经验。多数人选技能的习惯是看哪家火装哪家,真做项目时卡住的却是上游没定型,或者下游根本没验证。按工序挑,比按热度挑准得多。清单的作者把每个技能压成一句话说明它挡哪个坑,读起来省力,用起来对得上号。装之前花五分钟对照自己当前的进度,比盲目收藏有意义。
第一段叫 DEFINE THE JOB,先把活儿定义清楚。这一步最容易被跳过,而跳过的代价会在两周后兑现:需求没对齐,agent 越勤快,返工越彻底。规格不写,后面每一段都在替前面还债。
模糊想法要变成带验收标准的工程规格,bmad-spec 干这个,仓库在 github.com/bmad-code-org/… 。提示词肥了会让工具调用飘,prompt-optimizer 负责瘦身,仓库在 github.com/getsentry/skil… 。
代码库的文件层级、依赖 DAGs 和架构边界得先画出来,否则 agent 一改就崩。TypeScript 域类型先行的领域建模也在这一段,逻辑没写先定型。这两个技能出自同一套仓库 github.com/mattpocock/ski… 。
多智能体的编排流程和命令行执行规范,走谷歌那套 github.com/google/agents-… 。
第二段叫 BUILD THE SYSTEM,把系统立起来。这里拼的是各家多年的看家本领,Neon 把数据库分支做成日常操作,Fastify 把高吞吐的坑写成条文,Prisma 管结构,类型安全那条线则贯穿始终。
服务端 Postgres 的分支与迁移、测试沙箱的库管理,Neon 这份在 github.com/neondatabase/a… 。高吞吐 Node.js 微服务的最佳实践出自 Fastify 维护者之手,规则都写在 github.com/mcollina/skill… 。
AI 输入、工具参数和结构化输出得有严格运行时校验,用的就是前几天聊过的 github.com/typesafe-ai/sk… 。代理开发工具包的代码生成原语同样在谷歌仓库里。
类型安全的智能体框架带工作流、评测和同步,Mastra 在 github.com/mastra-ai/skil… 。
第三段叫 MAKE IT USABLE,让产品能给人用。工程圈的老毛病在这里最明显:功能全通,界面糙,用户第一眼就走。这一段是把糙劲儿交给清单管。动效、权限、视频、结构,四样都是团队里最容易被排到最后一周的东西,提前固化进技能,上线前才不会集体返工。
界面动效的自动审计专查时间曲线、掉帧和布局抖动,资深设计工程那套手感细节与微交互也在内,两者同出 github.com/emilkowalski/s… 。多租户认证、组织 RBAC 和会话令牌门控,交给 Clerk 的 github.com/clerk/skills 。
React 里做程序化视频,撑起上手引导和演示短片,Remotion 在 github.com/remotion-dev/s… 。零停机的 ORM 结构与类型安全查询,Prisma 这份在 github.com/prisma/skills 。
第四段叫 VERIFY THE REAL THING,验真货。前面三段干得再快,没有这一段兜底,上线就是开盲盒。静态扫描挡住注入、密钥泄漏和不安全的求值,用 github.com/semgrep/skills 。
从生产环境拉回调用栈并自动生成修复提交,Sentry 给的是 github.com/getsentry/sent… 。事务邮件的脚手架连高送达率和域名 DKIM/SPF 验证一起备好,出自 github.com/resend/resend-… 。
无头浏览器自主测试、多页流程和 DOM 断言,用微软的 github.com/microsoft/play… 。最后埋点,漏斗、留存和事件追踪自动接上,PostHog 在 github.com/posthog/skills 。安全、异常、邮件、测试、数据五道关摆齐,产品才算出了厂。
这五道关里我最看重异常自动修复那条。调用栈拉下来直接生成修复提交,等于把值班最烦的那一步自动化了。剩下的判断留给人,繁琐的搬运交给机器,这类分工以后会越来越多。真正省时间的从来不是多写代码,是少打断。夜里被报警吵醒的人都懂这句话的分量。
发布前的自查也一样,静态扫描和无头测试替人守着底线,作者的精力才能留给设计取舍这种机器根本替不了的活。
整条循环的公式很直白:想法变规格,规格变领域模型,模型变智能体和后端,浏览器旅程测过,异常补掉,遥测收数,下一版接着迭代。二十条链路里任何一段掉链子,成品都出不来,这也是它比零散技能合集值钱的原因。散装技能只解决单点问题,这条流水线解决的是交付问题,两者根本不在一个量级上。
我的建议照抄原作者那句就好。挑出你当前最卡的那一环,装打那一环的技能,别一口气全装。一口气装二十个的问题不在占地方,在互相打架,规则重叠时 agent 自己都不知道听谁的,分批按卡点上才是正路。
这清单同时说明一件事,平台方和工具方都在把自家能力沉成标准技能。谁先把自己的环节写成 skill,谁就在下一波开发方式里占住了插槽。四段名单全摆在这儿了,下次有人问从哪开始,按卡点取用即可。
TypeSafe 官方出了个 skill,教 Claude Code 怎么在 Jev 上干活。几个数字先摆出来。十三个问题并成一次调用,成本降到十二分之一,耗时从二点七一秒压到零点二七秒。
skill 改的是做事顺序,五步被硬性固定:先读文档,再写行为,然后列出判断,攒成一次请求,剩下的交给普通代码执行。这套 API 一共三个原语,看一眼就明白。挑选项用 Choice,判真假用 Noul,打分用 Score,一次请求把判断打包带走,这在 AgentSkill 圈算标准姿势了。
效果那两组对比最直观。攒批之后,榜首命中率从百分之五提到百分之十八,前十命中从三十八提到六十二。靠的不是模型变聪明,是提问方式变对了,证据重排省下的全是冤枉钱。
我最服的是那十一条指令,每条都对着一种真实翻车。凭记忆猜字段名。一个问题一个问题串着问。把置信度当成放行许可。阈值照着样例抄。看得出是踩过坑的人写的说明书,不是拍脑袋的规范。
上手的讲究也列了八条,几处细节容易被跳过。两套安装入口选一个即可,装重了会打架。凭据只认 TYPESAFE_API_KEY,只活在环境变量里,仓库和提示词都不许碰。文档先喂给 agent,字段宁可查不可猜。
行为定义动手前写一行。剩下的活交给普通代码,判断才进模型。选项要留出不匹配的出口。阈值跟问题放同一份可审文档,用自家标注集校准并锁死版本。出错时留下现场,顺手给故障归个类。
skill 本体在 github.com/typesafe-ai/sk… ,文档入口 docs.typesafe.ai/llms.txt 。
收在那句定位上:Jev 不是写代码的 LLM,是七十到五百毫秒的 System One 判断器,代码掌权,模型只给带概率的答案。
判断层这条线到这一步算进入了手艺期,框架定了,剩下的全是把踩过的坑写成规矩,这套 LLMOps 味儿的讲究正是标志。