全部 AI 动态 · AI 热点

AITOP

7月24日

20:41

berryxia@berryxia

这篇帖子指出，普通用户在写 Skills 时，只要选择对应工具的模型，通常可以直接调用内置 API，省去繁琐配置。很多新手被 API 配置这一步劝退，而内置方案能大幅降低上手门槛。作者分享了一个被忽视的真相，让技能编写变得更简单。

技巧 API配置入门教程工作流

推荐理由：别再被 API 配置劝退了，选对工具内置模型就能省掉很多步骤，新手也能快速上手写 Skills。

原文

18:32

@koltregaskes@koltregaskes

作者分享了在微软生态中利用 AI 工具的三个进展：获得 Copilot 中 Cowork 的访问权限、开始为 Salesforce 设置 MCP（模型上下文协议）、以及获取 Copilot Studio 的 Computer Use 功能。Cowork 存在任务完成率低和并发限制的问题，例如无法直接保存文件到 SharePoint，需要额外创建技能。Salesforce MCP 服务器默认设置和工具功能有限，计划部署自定义托管 MCP。Computer Use 功能强大，计划主要用于虚拟机操作。

技巧 Copilot MCP Salesforce

推荐理由：如果你在用微软 Copilot 和 Salesforce，这篇讲了怎么把它们接起来、遇到了什么坑，很实操。

原文

15:21

Ate-a-Pi@svpino

开发者Santiago展示了其AI agent通过Coinbase的x402开放协议自动支付数据费用的能力。该协议由Linux Foundation治理，无需API密钥、账户或信用卡。演示视频中agent直接获取付费数据，实现了自主经济行为。

技巧 x402 Coinbase Linux Foundation

推荐理由：以后你的AI agent能自己付钱买数据了，而且不用申请任何API key，看这个演示就明白怎么做到的。

原文

15:14

Ate-a-Pi@svpino

Open Teach是一种通过演示来教AI Agent执行任务的方法。它兼容任何Agent和任何模型。用户可自托管，确保数据隐私。无需编写复杂指令，只需演示操作即可。

技巧 Open Teach 智能体自托管

推荐理由：Open Teach让你像教人一样教AI——演示一遍就行。支持任何Agent，还能自托管，数据全归你。

原文

13:54

官方账号Greg Brockman@gdb

用户 Max Weinbach 在桌面版 ChatGPT 中启用语音功能，通过语音输入想法后，系统自动将内容组织成 Threads 和工作树。他随机分段描述想法，ChatGPT 持续更新整理。该功能让语音交互更自然，适合头脑风暴和任务规划。

技巧 ChatGPT 语音功能桌面版

推荐理由：想试试桌面版 ChatGPT 的语音？有用户实测说边走边聊，它能帮你自动建大纲和工作树，整理思路超方便。

原文

09:55

宝玉@dotey

《Clean Code》作者Bob Martin在X上表示他不阅读AI生成的代码，而是通过设置单元测试、Gherkin测试、QA流程、代码质量指标、变异测试和测试覆盖率等层层约束来确保代码质量。他今年推出了由四个Agent组成的流水线，分别负责需求规格化、编码、重构和架构审查，每个阶段自动化程度递增。他通过检查圈复杂度、模块大小等指标推断代码质量，而非逐行审查。他认为AI时代，写测试、定约束、设指标比读代码和写代码更重要，并在O'Reilly和Clean Coders平台开设相关课程。

技巧 Uncle Bob Martin Clean Code 测试驱动开发

推荐理由：鲍勃大叔亲授怎么用AI写代码又不看代码，靠测试和指标把关，开发者可以学起来。

原文

09:50

向阳乔木@vista8

Tokenizer是AI模型处理文本的前置步骤，将句子切成子词单元。主流模型如GPT-4使用BPE算法，单词'hello'可能被分成'hel'和'lo'两个token。这解释了为什么大模型在要求数'strawberry'中的r时会数错。本教程通过实例演示，帮助理解tokenizer机制。

技巧 Tokenizer BPE 分词

推荐理由：想搞懂大模型数不对数的原因？这个视频讲得特别清楚，几分钟就懂了。

原文

09:49

向阳乔木@vista8

该Skill名为qiaomu-model-cli，通过npx install命令可安装到Codex。安装后，可在Codex中同时调用Grok和Kimi两个模型，用于评估另一个大模型输出的可信度。通过多模型交叉验证，减少单一模型可能存在的错误或偏见。这是一个实用的工作流，适合需要高可靠性答案的场景。

技巧 Codex Grok Kimi

推荐理由：装个Skill就能让Grok和Kimi帮你验证大模型的话，挺实用的，试试看。

原文

08:54

向阳乔木@vista8

橘子分享了一套播客录制与发布工作流：先用Cola语音输入话题，AI自动提炼要点和问题；然后用剪映录制并开启降噪、去回声、人声美化；录完导出转写文本和mp3，再由Cola生成Shownotes，直接上传小宇宙。整个流程从录制到发布接近实时。还提供了5个实用Skill的GitHub地址和安装指令，覆盖视频剪辑、前端设计、PRD生成等。

技巧 Cola 剪映播客工作流

推荐理由：想快速做播客？看看橘子这套工作流，从录到发一气呵成，还附赠几个AI Skill。

原文

08:19

岚叔@lufzzliz

用户在微博提到GPT Voice功能尚未完全开放，但发现一个更实用的更新：创建项目时支持添加多个文件夹。这个功能省去了向Codex额外指定目录的步骤。对于多模块项目，该改动能提升编程效率，减少重复操作。

技巧 Codex GPT 编程助手

推荐理由：哥们，Codex更新了：建项目能加多个文件夹了，再也不用每次都手动说‘参考xx目录’，省事不少！

原文

06:21

官方账号LangChain@LangChainAI

Rillet 是一家面向中端市场和上市公司的 AI 原生 ERP 平台，已服务超过 500 家客户，包括 Mercor、Function Health、Kickstarter 等。该平台使用 LangSmith 作为其可观测性层，实时监控和分析 AI 代理的运行表现，帮助发现效率瓶颈。通过 LangSmith 的追踪与评估功能，Rillet 能够快速定位代理工作流中的异常，提升系统稳定性。

技巧 LangSmith Rillet ERP

推荐理由：Rillet 用 LangSmith 监控 AI 代理的实操案例，500+ 客户验证，帮你理解可观测性如何落地。

原文

06:14

宝玉@dotey

推文作者分享使用 AI 重构的经验，重申软件工程原则：重构前必须写好测试。尽管 AI 降低了重构成本，但做事方式未变，不应盲目重构。AI 擅长出错后的自我纠错，因此良好的测试覆盖对 AI 尤其重要。有观点认为 AI 最擅长重构，可以疯狂重构以清理技术债，但前提是测试到位。

技巧 AI编程重构测试

推荐理由：推文辩论了 AI 时代重构的正确姿势，强调先写好测试，对用 AI 编程的同学有启发。

原文

02:39

Ethan Mollick@emollick

技巧智能体指南 AI工具选择

事件专题

推荐理由：Ethan Mollick 写了篇指南，专门帮非技术用户搞清楚现在哪个AI智能体最好用，不用被各种新名字绕晕。

原文

01:09

elvis@omarsar0

精选

作者分享了构建个人agent orchestrator的经验，称许多想法尚处于早期阶段。通过自建系统，他得以探索难以理解的agent运行方式。目前他仍在寻找最通用的agent harness形式，并持续进行AI基准测试研究。

技巧 agent orchestrator agents 智能体

推荐理由：自己动手造了一个agent编排器，分享早期发现和实验心得，对搞智能体编排的人有启发。

原文

00:46

Weaviate@weaviate_io

精选

Weaviate发布的视频指出，更大的上下文窗口无法解决有问题的Agentic RAG管道。长上下文会引入矛盾信息、掩埋相关工具并导致后续输入被忽略。视频将生产级Agentic RAG拆分为5个系统：查询增强（翻译模糊或多部分输入）、检索（选择平衡精度与上下文的块策略）、记忆（分离短期上下文与长期记忆）、工具（提供清晰描述和schema）和代理（决策编排层）。每个环节都需精心设计上下文工程，而非仅靠扩大窗口。

技巧 Weaviate RAG 智能体

推荐理由：Weaviate出了个视频，把Agentic RAG拆成5个系统讲透了，不是吹大窗口，而是教你怎么控制上下文，推荐搞RAG的人看看。

原文

00:40

elvis@omarsar0

动态工作流是一种元编排方法，可统一Agent的多种执行模式（如自动化、循环、路由、图结构）。该功能由开发者基于Claude Code团队的启发构建，并泛化到多个后端（Claude、Codex、Pi、Hermes等）。支持LLM委员会模式（多模型协作规划）、动态路由（按成本/智能度分配任务）、裁判+执行者模式以及长任务代码审查。尤其适用于AI编辑、内容创作等需要多Agent团队协作的创意任务。

技巧动态工作流 Agent编排 LLM委员会

推荐理由：作者分享了动态工作流如何统一多种Agent模式，支持LLM委员会、动态路由等，很有启发性。

原文

7月23日

22:57

Philipp Schmid@_philschmid

Google DeepMind的Gemini Live实时语音代理现在可在LangChain中追踪speech-to-speech循环。Speaker回调钩子只捕捉中断事件前用户听到的精确音频。时间线高亮用户语音（蓝色）和Gemini响应（橙色），以及耗时1.29秒的城市天气查询等自定义工具执行。使用元数据区分常规文本token与原生Gemini音频token，便于精确计算用量。注册LangSmithGoogleADKLivePlugin即可启用。

技巧 Gemini Live LangChain LangSmith

推荐理由：谷歌这个新集成让你用LangChain看清Gemini Live语音交互的每一步，连1.29秒的天气查询都能追踪，调试超方便。

原文

22:40

官方一手歸藏(guizang.ai)@op7418

精选

HyperFrame 团队发布了一段屏幕录制视频，详细讲解了复刻其框架的完整流程。视频中展示了运动图形技巧和核心技术步骤。团队同时将整个开源框架代码发布在推文链接中。该视频时长约几分钟，适合快速理解复刻方案。

技巧 HyperFrame 教程开源

推荐理由：想学别人怎么做AI框架？HyperFrame 团队录了屏，一步步讲怎么复刻的，代码也全开源了，适合动手党。

原文

11:51

Geek@geekbb

精选

该工具通过 ps 和 lsof 扫描终端进程，在 MacBook 刘海右侧展示 Claude Code 和 Codex 等代理的实时状态。每个代理有独立槽位：运行中吉祥物在刘海旁走动，完成后变绿点。点击吉祥物可展开面板，按会话分组显示每轮对话的提示词和子代理。

技巧 Claude Code Codex 编程助手

推荐理由：用这个小工具，MacBook 刘海就能实时显示 Claude Code、Codex 等代理的运行状态，还有吉祥物走动，点开还能看每轮对话的提示词，挺有意思的。

原文

09:46

向阳乔木@vista8

embedding（词向量）是将文字转化为数值向量的技术，是大模型理解语言的基础。经典例子中，通过向量运算 '国王-男人+女人' 得到接近'王后'的结果。词向量能捕捉词语间的语义关系和类比逻辑。

技巧 embedding 词向量大模型

推荐理由：用国王-男人+女人=王后这个经典例子，一秒讲清embedding的本质，零基础也能懂。

原文

05:46

官方账号LangChain@LangChainAI

精选

LangChain 举办“The Art Of Loop Engineering”线上研讨会，讲解如何构建能持续自我改进的智能体。核心在于设计检查、响应新输入、利用生产追踪数据优化 prompts、tools、graders 和配置等循环。LangChain 与 LangSmith 提供全流程支持，帮助将单次工作的智能体升级为不断进化的系统。

技巧 LangChain LangSmith 智能体

推荐理由：LangChain 办的免费线上课，讲怎么让智能体越用越好，适合做 AI 应用的同学听听。

原文

05:40

elvis@omarsar0

作者为dair_ai社区实现新界面，先用Fable 5构思概念设计并生成HTML artifact（带附件图片）。随后将artifact作为提示输入给GPT-5.6-Sol，由后者构建完整界面。这种跨模型协作方式显著提升了开发效率。

技巧 Fable 5 GPT-5.6-Sol dair_ai

事件专题

推荐理由：教你用Fable 5做设计原型，然后丢给GPT-5.6-Sol自动实现，省时省力。

原文

05:36

ChatGPT@ChatGPTapp

@daniellezaghian演示了如何在ChatGPT Work中设置重复任务，这些任务可以检查你连接的Slack、Google Calendar等工具，自动创建项目简报，并对客户反馈进行分类。通过自定义触发条件和执行动作，你可以让AI在指定时间自动完成多项后台工作。该功能目前面向ChatGPT Work用户开放。

技巧 ChatGPT 定时任务工作流

事件专题

推荐理由：ChatGPT Work新增定时任务功能，能自动检查工具、生成简报、分类反馈，适合想减少重复手动操作的人。

原文

04:30

Jerry Liu@jerryjliu0

LlamaIndex 团队将于7月30日举办在线研讨会，演示如何将密集的金融文档（含表格、脚注、风险备注）转化为结构化输出。研讨会由解决方案架构师 Harsha 主持，重点展示表格和脚注保持完整不扁平化、提取数据可溯源至源页、以及自动校验规则并标记异常。活动时间为太平洋时间上午9点/东部时间中午12点。

技巧 LlamaIndex 金融文档文档解析

推荐理由：金融数据乱糟糟？LlamaIndex 教你直播拆解最难的表格和脚注，还能自动校验规则，做决策用的数据终于干净了。

原文

03:39

Harrison Chase@hwchase17

Harrison Chase在推文中指出构建评估（evals）难度高，团队正开发技能以自动化流程。其方案包括：用编码代理处理代码库和实际追踪（traces），与用户迭代评估方向，使用Harbor构建评估并运行，再根据结果迭代。流程仍需人类参与，但能加速启动。

技巧 Harrison Chase LangChain Harbor

事件专题

推荐理由：LangChain创始人分享了他们用Harbor和编码代理自动化评估构建的实操流程，适合做LLM应用评测的人参考。

原文

03:09

elvis@omarsar0

精选

Karpathy提出长语音漫谈在多模态下效果更佳。用户分享了一种将长语音笔记、当前屏幕、注释和精确文本打包成单个“task”单元的提示方式。智能体从多个信号中重建意图，大幅减少纠正循环，从而高效交接更大块的工作。该方法适合需要复杂上下文理解的智能体交互场景。

技巧 Karpathy 智能体多模态

推荐理由：有人把语音、屏幕和文字打包成一个任务喂给智能体，纠正循环几乎消失，试试这个思路。

原文

02:54

LlamaIndex@llama_index

7月30日，LlamaIndex 解决方案架构师 Harsha 将展示如何把真实金融文档（含密集表格和脚注）转化为结构化上下文。演示中表格和脚注不会被压平成文本，提取的数字可追溯至原始页面。系统会根据预设规则检查数值，并标记异常项。活动时间 9:00 AM PT / 12:00 PM ET。

技巧 LlamaIndex 金融文档智能体工作流

推荐理由：LlamaIndex 教你处理金融文档里的复杂表格和脚注，提取结构化数据，还带溯源和规则校验，做智能体工作流的可以看看。

原文

02:18

官方账号LangChain@LangChainAI

精选

LangChain 发布了 langchain-skills 代码库，可用于在 Codex 或 Claude Code 中安装并评估 agent 行为。用户打开对应仓库后，只需输入提示词即可开始评估。评估过程通过 Harbor 框架生成 eval 任务和实际目标运行，并自动检查验证器是否准确测量了预期行为。该工具目前已在 GitHub 上开放。

技巧 LangChain Codex Claude Code

推荐理由：想测你的 agent 好不好用？LangChain 这个新技能库让你直接用 Codex 或 Claude Code 跑 eval 任务，还能自动检查验证器准不准。

原文

02:12

AI Engineer@aiDotEngineer

RLanceMartin 在视频中讨论了构建有效智能体（agents）的四个核心主题：解耦大脑与工具（3:21处）、使用验证器（6:20处）、自我学习与记忆（10:11处）、全局/组织级利用（16:08处）。该教程基于Claude模型，针对长周期任务设计，提供具体实施框架。视频源自AI工程师频道的第三次专访，时长约20分钟。

技巧 Claude RLanceMartin 智能体

推荐理由：想用Claude做复杂长周期任务？这个教程讲了四个实操要点：脑子跟手分开、加验证器、自己学习记忆、整组织级别控制。别错过。

原文

00:44

Y Combinator@ycombinator

精选

API提供商频繁变更接口，但通知方式仍然落后——破坏性更新常被忽略，新功能埋没在更新日志中，客户往往在服务中断后才发现问题。YC的Harsha Gaddipati提出一种新方案：利用编码代理（coding agents）扫描客户代码库中所有受影响的API调用，自动生成并提交拉取请求（PR）来修复。这使得API维护从被动通知转变为主动修复，无需人工介入。

技巧 Coding Agents API 智能体

推荐理由：YC创业公司提出的idea：用coding agents自动修复API变更，再也不怕更新导致代码崩了。

原文

00:33

宝玉@dotey

精选

Codex使用OpenAI的gpt模型时，依赖服务端加密的上下文压缩，效果优于其他方案。但第三方框架如Pi默认不启用此功能，导致长任务性能下降。用户可通过安装alexisgallagher开发的插件（github.com/algal/pi-opena…）在Pi中启用相同压缩。该插件的benchmark结果支持OpenAI服务端压缩确实更优的结论。

技巧 Codex Pi OpenAI

事件专题

推荐理由：Codex的上下文压缩很强，但Pi用户默认享受不到。装这个插件就能用上，长任务性能直接起飞。

原文

7月22日

23:54

官方账号快手可灵 Kling@Kling_AI

Kling AI发布了MCP教程，演示如何在智能体中使用Kling MCP完成从角色创建、情感设计到批量视频生成的完整创作工作流。教程展示了通过MCP连接智能体，快速设定角色表情与动作，并批量输出高质量视频片段。用户可借助该工具在几分钟内构建具有电影感的AI视频表演。

技巧 Kling MCP/工具视频生成

推荐理由：Kling官方出的MCP教程，手把手教你用智能体批量生成带情感的角色视频，几分钟搞定电影级效果。

原文

23:37

官方账号LangChain@LangChainAI

LangChain 的 dcode 新增原生浏览器控制功能，用户只需一个 /goal 命令即可调用。该功能由 @its_ao 添加，可在 dcode 中直接操作浏览器，无需额外配置。具体使用方法和示例代码在 LangChain 文档中提供。

技巧 dcode /goal LangChain

推荐理由：想用 dcode 自动控制浏览器？写个 /goal 就行，比你想象简单。

原文

23:31

Ethan Mollick@emollick

精选

Ethan Mollick指出Codex和Claude Code的一个问题是用户需要更多控制权来决定编排AI使用的子代理具体配置。用户希望自主选择将研究、写作或用户测试等任务委托给哪个模型。否则这又会退化成一个路由问题。该观点强调了用户对多模型协作的灵活调度需求。

技巧 Codex Claude Code 编程助手

推荐理由：Ethan Mollick聊Codex和Claude Code的痛点：用户该能自己选副手干不同活，别让AI瞎路由。

原文

23:09

Viking@vikingmute

精选

作者为让TinyShip适配Cloudflare，将三个SMS服务的SDK改写成基于HTTP请求的thin wrapper。原SDK依赖几百KB，改写后仅需204行代码。阿里云SDK臃肿且依赖多，AI辅助生成的新代码更轻量。改写的wrapper覆盖了三个provider的全部功能。

技巧 SDK thin wrapper HTTP请求

推荐理由：试试让AI帮你重写那些臃肿的SDK，几百KB缩小到200行，阿里云SDK的痛点瞬间解决。

原文

23:07

berryxia@berryxia

精选

OCR 将物理文档和图像转为电子文字，是信息抽取、RAG、Agent 等 AI 流程的入口。硬地骇客播客曾强调过这一观点，在 AI 时代依然适用。没有 OCR，后续的文本分析、问答系统难以直接处理非数字化内容。

技巧 OCR RAG Agent

推荐理由：硬地骇客播客聊透了OCR在AI工作流里的基础地位，想做RAG或信息抽取的得先过这关。

原文

22:54

官方账号LangChain@LangChainAI

LinkedIn在Interrupt大会上分享了如何利用LangGraph构建一个招聘代理，将时间到面试缩短了60%。该代理基于LangGraph框架，通过自动化筛选和匹配流程，显著提升了招聘效率。具体做法和架构细节在完整视频中有展示。这一案例展示了AI在人力资源领域的实际应用效果。

技巧 LinkedIn LangGraph 招聘代理

推荐理由：LinkedIn用LangGraph搞了个招聘代理，面试时间直接砍掉六成，效率提升很实在。

原文

21:52

Ate-a-Pi@svpino

通过将代码中model参数替换为ship-like/前缀（如model='ship-like/your-favorite-model'），即可使用智能路由服务。该服务承诺相比直接连接模型节省50%成本，同时保持100%的能力和行为一致性。其核心是在收到请求后动态决定计算量、模型组合、工具和执行方式。代价是增加额外延迟，但对多数开发者来说性价比很高。

技巧 ship-like 智能路由模型调用

推荐理由：你写代码调模型时，试试在model前加个ship-like/，据说能省一半钱，功能和效果丝毫不差。适合追求性价比的开发者。

原文

21:33

官方账号LangChain@LangChainAI

LangChain 团队回顾了三年用图（graph）构建 agent 的经验。Sydney Runkle 在推文中分享了图工程在 Agent 开发中的实践心得。文章总结了图结构如何提升 agent 的可控性与可组合性，并给出了具体的工作流建议。

技巧 LangChain graph engineering Agent

推荐理由：LangChain 团队用三年实战告诉你，图工程不是新噱头，而是做 agent 的硬核技能，想搞复杂 agent 的可以看看。

原文

20:13

小互@imxiaohu

Databricks 在数百万行复杂代码库中进行实测，比较了不同模型搭配 Harness 框架的性价比和易用性。测试评估了多种组合在实际代码处理中的效率与稳定性，并给出了最佳搭配建议。结果显示某些模型与 Harness 的组合在成本控制和开发体验上表现突出。

技巧 Databricks Harness 编程助手

推荐理由：Databricks 用真实的百万行代码库帮你试了一遍，哪个模型配哪个框架最省钱最好使，直接看结果选就行

原文