AI Pulse

这个开源平台能让你搭建一整支由AI智能体组成的公司。

它可以雇佣AI CEO、工程师和营销人员，每个角色都有自己的预算和权限。

仓库地址：

我在开发项目是，第一版本会先用 Claude Design 设计好 UI 原型/设计，打磨好后放到本地，配合 Baoyu-Design Skill 去维护，每次开发新功能前，不是先去实现功能，而是先修改本地的原型，原型修改确认好了后再去修改功能。

后来直接把规则放到了 Agents.md/claude.md 里面，只要说修改或者增加什么功能，默认会先帮我修改原型。所以到现在为止，原型和实际功能都是保持一致的。

这带来的好处是可以先低成本通过原型验证产品设计和 UI 设计。

另一个好处就是 Claude Design 产出物是 React 代码和结构化的 json 数据，通过 git diff 很清晰的能看到版本变更历史，功能确定了后，agent 参考diff结果代码实现会相对比较容易。

Baoyu-Design Skill

Agentic AI 不是单一工作负载。这就是为什么 AMD EPYC 9006 系列处理器是专门为扩展智能体沙箱、让加速器持续满负载运行、以及为智能体所依赖的企业级工作负载提供算力而打造的。

更多信息请查看我们的新闻中心：

Grok Imagine 正在快速迭代。如今，一个优秀的图像模型不能只停留在美观层面，它还必须提供事实准确性和现实实用性。

要实现这一点，需要推理、规划、事实锚定和自我反思。我们计划发布多个层级的新图像模型，每个层级都提供不同水平的能力与智能。

今天，我们将推出基础版本，后续几天还会推出更多版本。你可以在这里试用：

🔥独家：智谱GLM-5.3泄漏！从5.2的753B+1M上下文、AA榜51分开源SOTA、Coding逼近Opus 4.8，直接跃升“史诗级Plus”！✅ 参数冲万亿级 ✅ 长程Agent再进化，工程交付更稳 ✅ 可能加原生Vision ✅ 开源MIT继续打性价比 国产开源要正式狙击GPT/Opus了？

开发者们准备好本地部署了吗？#GLM5.3 #智谱AI #开源大模型 #唐杰

这看起来很有可能。

想象一下，LLM 主动出击，为了收集数据，向你发送随机问题。

那很可能意味着，未来像 ChatGPT 这类 LLM 应用会对用户完全免费，目的就是获取所有这些数据。

AI 视频生成越来越令人兴奋了，而 Seedance 2.5 绝对值得关注。🔥

吸引我注意的是，这次发布没有只干巴巴介绍功能，而是用富有创意的方式让这款模型活了起来。

Seedance 2.5 现已登陆 Morphic。🚀

我很好奇创作者们会如何用它创作短视频内容、讲故事、做营销，以及实现全新视觉创意。

AI 视频发展速度飞快，这感觉是这个方向上又迈出的有意思一步。👀✨

Morphic — 新时代叙事。🎬✨

🔗

目前一套近似标准化的智能体技术栈正在成型。它包含许多不同组件，而托管智能体解决方案将这些组件很好地整合打包在了一起。

关于 OpenAI 和 Anthropic 相关事件的背景阅读材料：
1. @ApolloResearch 近期的所有论文和博客文章
2. @RyanGreenblatt 的帖子；另外还有：@redwood_ai 在 AI 控制领域的开创性工作

3. chunky post-training，关于 AI 如何出现「裂脑」，即对特定类型输入表现出不良行为，对其他输入则不会

4. 自然涌现错配：Anthropic 的对齐训练没能修复错配，反而制造出了一个裂脑模型，在部分智能体编码任务中处于错配状态。这种情况在一定程度上是人为构造的。

AI 视频生成越来越令人兴奋了，而 Seedance 2.5 绝对值得关注。🔥

吸引我注意的是，这次发布没有只干巴巴介绍功能，而是用富有创意的方式让这款模型活了起来。

Seedance 2.5 现已登陆 Morphic。🚀

我很好奇创作者们会如何用它创作短视频内容、讲故事、做营销，以及实现全新视觉创意。

AI 视频发展速度飞快，这感觉是这个方向上又迈出的有意思一步。👀✨

Morphic — 新时代叙事。🎬✨

🔗

🔥独家：智谱GLM-5.3泄漏！从5.2的753B+1M上下文、AA榜51分开源SOTA、Coding逼近Opus 4.8，直接跃升“史诗级Plus”！✅ 参数冲万亿级 ✅ 长程Agent再进化，工程交付更稳 ✅ 可能加原生Vision ✅ 开源MIT继续打性价比 国产开源要正式狙击GPT/Opus了？

开发者们准备好本地部署了吗？#GLM5.3 #智谱AI #开源大模型 #唐杰

Grok Imagine 正在快速迭代。如今，一个优秀的图像模型不能只停留在美观层面，它还必须提供事实准确性和现实实用性。

要实现这一点，需要推理、规划、事实锚定和自我反思。我们计划发布多个层级的新图像模型，每个层级都提供不同水平的能力与智能。

今天，我们将推出基础版本，后续几天还会推出更多版本。你可以在这里试用：

Agentic AI 不是单一工作负载。这就是为什么 AMD EPYC 9006 系列处理器是专门为扩展智能体沙箱、让加速器持续满负载运行、以及为智能体所依赖的企业级工作负载提供算力而打造的。

更多信息请查看我们的新闻中心：

这话我之前说过，但如果你现在想要性价比最高的编码模型，GLM-5.2 运行在 Ollama Cloud 上真的打遍无敌手。每月 20 美元能得到这个质量和性价比，实在太离谱了！

我问过 ChatGPT，它觉得哪个模型当 GPT-5.6 Sol 的搭档最好，它也同意是这个。我开的 Ollama Pro 套餐里，Buzz 里我的「Builder」代理用 GLM 跟踪了几十个问题，这周已经帮我提交合并了几十个拉取请求，同时还为 Sol 做跨模型代码评审。

我们在这么短时间里就走到了这一步，太疯狂了。或许确实有更好的开源模型，比如 Kimi-K3 或者 DeepSeek V4，但算上成本的话，你找不到比 GLM-5.2 性价比更高的了。

现在，如果我能让 @ollama 团队帮我解锁 Max 套餐，我就真的心满意足了！

我在开发项目是，第一版本会先用 Claude Design 设计好 UI 原型/设计，打磨好后放到本地，配合 Baoyu-Design Skill 去维护，每次开发新功能前，不是先去实现功能，而是先修改本地的原型，原型修改确认好了后再去修改功能。

后来直接把规则放到了 Agents.md/claude.md 里面，只要说修改或者增加什么功能，默认会先帮我修改原型。所以到现在为止，原型和实际功能都是保持一致的。

这带来的好处是可以先低成本通过原型验证产品设计和 UI 设计。

另一个好处就是 Claude Design 产出物是 React 代码和结构化的 json 数据，通过 git diff 很清晰的能看到版本变更历史，功能确定了后，agent 参考diff结果代码实现会相对比较容易。

Baoyu-Design Skill

别花两年时间去学 Claude 和 ChatGPT 的实际工作原理。斯坦福刚刚放出了一门 2.5 小时的从零搭建 LLM 课程。

0:00 - LLM 分词
25:03 - LLM 如何解码提示词
34:44 - 训练流程
1:14:47 - 架构，从零开始

一定要去看第一部分，因为这是所有人都会跳过的章节。文本→分词→ID→向量。等到模型看到你的提示词时，它已经不是文本了，而是整数，而且分割位置往往会超出你的预期。

这就是为什么改一下工具名称，模型调用的工具就会变，为什么改一个字符就能让结果天差地别。“读取提示文本”是旧的思维模型，“读取实际发送过来的编码”才是新的。

Anthropic 给能理解这一层的工程师开出了每年 750,000 美元的年薪。今天就去看，看完之后再读下方的评估设置。

开发人员不该花几个小时制作 PowerPoint 演示文稿。你已经在用 Codex 或 Claude Code 生成内容了——为什么只为了把内容排版得美观就要切换工具？

来认识 @DokieAI。这是基于 MCP（Model Context Protocol）为 Codex 和 Claude Code 打造的最佳 AI 演示插件。你可以直接在你的 AI 工作流中生成美观、符合品牌要求的演示文稿。🧵👇

这个开源平台能让你搭建一整支由AI智能体组成的公司。

它可以雇佣AI CEO、工程师和营销人员，每个角色都有自己的预算和权限。

仓库地址：

关于 OpenAI 和 Anthropic 相关事件的背景阅读材料：
1. @ApolloResearch 近期的所有论文和博客文章
2. @RyanGreenblatt 的帖子；另外还有：@redwood_ai 在 AI 控制领域的开创性工作

3. chunky post-training，关于 AI 如何出现「裂脑」，即对特定类型输入表现出不良行为，对其他输入则不会

4. 自然涌现错配：Anthropic 的对齐训练没能修复错配，反而制造出了一个裂脑模型，在部分智能体编码任务中处于错配状态。这种情况在一定程度上是人为构造的。

这看起来很有可能。

想象一下，LLM 主动出击，为了收集数据，向你发送随机问题。

那很可能意味着，未来像 ChatGPT 这类 LLM 应用会对用户完全免费，目的就是获取所有这些数据。

我开源的这个小说角色解析skill被近2000人收藏 今天花了点时间做了以下更新： 调整了角色图生成提示词（新增动画风格支持） 优化了skill 出的报告页面布局 新增了多语言报告支持 项目地址： 先固定角色，只是做AI短剧的万里长征第一步。 要打通AI短剧工作流，这种角色解析skill也只是很微小的一个环节。 接下来继续探索基于这个skill的报告，做个分镜skill。

兄弟们，今天真挖到个硬核玩意儿，Agent上网搜信息这事儿，终于不用再看各平台脸色了。Twitter要钱、网页抓取要订阅、B站小红书更是严防死守，以前让Claude Code查个资料，简直像在闯迷宫。结果Agent-Reach用一条命令就打通了14个平台，还免费开源。

我装上后让它去扒一条小红书帖子的评论并总结，十秒就搞定了，当时真有点懵。它不来虚的，工具选型和配置全给你包圆了，哪块不顺眼还能自己换。安装也简单粗暴，直接对你的Agent说：帮我安装Agent Reach。

🔗 这才是Agent该有的样子，把短板给补上了。

“我已经不再手动画系统架构图了”，ZOZO对Claude Code的用法很有意思。

他们不是让AI直接从源代码画出图，而是按以下流程分工，把架构图拆分为「结构・规则・排版」三个部分：
・conventions.md → 绘图规则
・structure.yaml → 资源与连接关系
・Claude Code → 从代码提取结构
・D2 → 排版绘图
・GitHub Actions → 发布时自动更新

结果原本要花1小时以上的工作，连微调加起来只需要约10分钟。

我个人觉得最重要的一点在这里：不是「让AI直接做出成品」，而是「让AI生成可供人类审核的中间表达」。

这个思路不只适用于架构图，还可以应用在设计文档、操作手册、数据流图等等场景。

AI时代的文档自动化，比起生成成品，「让AI生成结构」的适用性要强得多。

出自ZOZO TECH BLOG的文章 #ClaudeCode #生成AI #AIエージェント #設計 #自動化 #GitHubActions #ZOZO

这简直是无价之宝，有人整理了AI智能体互相评审背后的研究，其中包含了116个真实编码任务，实验对象是Claude + Codex。

配对组合的影响比人们想的更大。
1. Claude评审Codex代码：成功率从71.6%提升到89.7%
2. Codex自审：达到84.5%
3. Codex评审Claude代码：准确率从91.4%降到82.8%

这张图把这个结论和自修复、代码评审、多智能体验证联系了起来。

结论非常简单：最好的智能体不一定是最好的评审者。

在你让同一个模型写代码又自己审批之前，先把这篇存下来。

目前一套近似标准化的智能体技术栈正在成型。它包含许多不同组件，而托管智能体解决方案将这些组件很好地整合打包在了一起。

Reddit 上刚冒出了一套 Claude 工作流，它通过禁止一个 Agent 审查自己的工作，把 6 到 7 次编码后续跟进压缩到了 1-2 次。

这套工作流得分 85/100，置信度 0.90，它把 Claude Code 清晰划分成了三个角色：
Architect 负责规划，Builder 负责实现，Reviewer 用全新上下文审核所有内容。

流程是：Architect → 出方案 → Builder → 做实现 → Reviewer → 标出缺口 → Builder 修复 → 同一个 Reviewer 重新审核。

核心在于彻底隔离：Builder 从不审查自己的代码，Reviewer 在全新的清空会话中启动，只带一条指令：假设实现是错的，找出所有漏洞。

和单 Agent 循环相比，这套工作流报告的 bug 数量大约少 60%，同时把人工后续跟进控制在仅 1-2 个周期，而不是让同一个 Claude 会话自己规划、自己构建、自己盖章批准。

在你让同一个 Agent 写 500 行代码、然后让它告诉你自己的工作有多完美之前，先把这篇收藏起来。

在这里观看：

从零学习AI扯淡第17天 → 进一步研究了Attention → 终于快搞懂Transformers了 → 在Seq2Seq的基础上实现了它 → 搞懂了对齐分数和注意力权重。

还做了解码器注意力位置的可视化。我昨天开始研究自注意力之后，我的睡眠周期彻底转了个360度，我大概是今天中午12点录下这段内容的。

今天我要试着实现一些真实场景的内容，还会尝试把它做成可用的在线工具。

博客已经更新了，我把我正在学习的所有新资源都加进去了。

grok imagine2品質模式，語速模式就跟以前一樣一刷一大堆那種，不過沒一個能用的，提示詞準確度還是不行啊，拿GPT的提示詞來用，女帝跟娜美也不能說他做的不對，就是連張符合人物的都沒有，我還是用GPT好了

这不是我平常发的游戏开发帖子，但我本职工作是产品设计师，我已经逐渐转型成了更多偏向「搭建者」的角色，为我的团队创作工具。

几周前，我在 Cursor 里用 Grok 4.5 搭建了一个简单的 Design Canvas 工具。它能在几分钟内为不同客户生成社交媒体帖子的视觉设计，到目前为止，团队已经用它在 100 多个项目里产出了超过 1200 张视觉内容。

我猜想很多公司现在已经在这么做了：设计师和产品经理（以及其他角色）都在搭建自己的内部工具，提升团队生产力。

搭建内部工具是很好的入门方向。它风险相对较低，容易独立运行，而且可以围绕单个团队的特定需求搭建，不会影响更大范围的公司业务。

我认为定制工具和定制软件的时代已经到来。「一刀切」的 SaaS 产品仍会有自己的位置，但我相信会有更多团队开始围绕自己实际的工作方式，搭建更多轻量软件。

该用户分享了自己搭配多个组件的OpenCode使用方案，这套方案组合了OpenCode Go、oh-my-opencode-slim、opencode-dcp，还融入了Matt Pocock的相关技巧。这套方案配额消耗极低，仍能稳定提供服务。除此之外，搭配使用的DeepSeek Flash当前有两倍配额活动，实际使用成本几乎为零。

如果想要测试这套方案，可以使用分享者的推荐链接，双方都可以获得5美元奖励。

用户@cjzafir分享，给Deepseek flash设定明确目标后运行循环推理，就能生成和Fable 5效果相近的输出，成本仅为原来的五分之一。他连续五天每天夜间运行五次循环，总共花费4.77美元。

Deepseek flash本身是一款循环推理模型。当给它设定可衡量的目标并运行循环时，模型会持续重复推理，直到达成目标。

只要给出清晰指令，让模型自行运行循环即可。整个过程耗时稍长，但模型遵循指令的表现比Opus 5更好。