饼干哥哥AGI

http://x.com/i/article/2076908854659739648

现代 AI 产品开发三件套：GUI、CLI、飞书。 最近一直在开发一个 AI 视频产品。 形式上是 ComfyUI 的自由画布 + n8n 的工作流思维，既能灵活组合各种素材，适配不同的视频需求，又加入了变量系统，去解决批量生成、批量测试这些工作流场景。 开发过程中，我一直在思考一个问题： 还需要 UI 吗？ 因为同样的功能，Agent 完全可以直接跑了。 迭代到现在，我的答案是：还是得有。 而且，我越来越觉得，AI 时代的产品，应该同时具备三种形态。 第一，是 Web UI。 很多人觉得，有了 Agent，页面就没意义了。 但实际上，页面最大的价值已经不是点按钮了。 一方面，它降低了使用门槛，可视化操作更容易激发灵感，尤其是画布这种东西，很多时候不是你规划出来的，而是拖着拖着就有了新的想法。 另一方面，它更像一个个人 AI 数据中心。 所有生成过的视频、图片、提示词、工作流、变量、历史记录，都沉淀在这里，而不是散落在一个个聊天窗口里。 第二，是 CLI。 我把页面上的所有能力，都做成了 MCP，打包成 cli 除了给页面内置的 Agent 调用之外，本地的 Claude Code、Codex 都可以直接调用。 甚至还能反过来，让本地的 Codex 来操作网页上的画布、节点、工作流。 第三，是飞书。 这是我考虑移动端之后想到的。 怎么才能随时随地用到自己的产品？ 做 App，前期完全没必要。 做移动端网页，体验又很蠢。 最后想到，直接在飞书聊天框里操作不就行了吗？ 借鉴了张咋啦用飞书操作 Claude Code 的思路，我直接把页面上的能力全部桥接进去。 以后发一句话，就能生成视频、修改工作流、查询素材、调用 Agent。 飞书本身，就成了移动端。 而这三个入口，其实是互补的。 平时直接找 Agent 干活，最大的缺点就是过程看不到，生成的文件也很乱，过几天自己都找不到。 所以，不管是 CLI，还是飞书，最终所有结果都会回流到 Web UI。 视频、提示词、工作流、运行记录、变量、素材，全都自动沉淀进去。 Web UI 负责沉淀数据。 CLI 负责高效率。 飞书负责随时随地。 三者共用同一套能力、同一套数据。 这下就闭环了。 大家觉得靠谱吗？

http://x.com/i/article/2076550637475807232

http://x.com/i/article/2076500310009450498

http://x.com/i/article/2075768951972519936

http://x.com/i/article/2075383542109122560

http://x.com/i/article/2075094304268365824

http://x.com/i/article/2075023425027108864

欢迎塔塔来 X 线下见过两次，线上也经常聊，很有能量的博主 全是干货内容，推荐关注！

http://x.com/i/article/2074734419131412481

http://x.com/i/article/2074659110050742272

http://x.com/i/article/2074373495673569280

http://x.com/i/article/2074336158470021122

http://x.com/i/article/2074017998667702272

http://x.com/i/article/2072993056027242496

http://x.com/i/article/2072921601562300416

开源 skill： 一句话把图片转成可编辑pptx 昨天开源了把图片转成 psd 的 skill 我把GPT-image-2生成PSD的能力打包成了Skill，免费开源 评论区就有同学问 ppt可以吗？ 可以！ 甚至一句话就让 codex 把图片拆成 57 个可编辑节点的 pptx文件（图一） 经过一晚的打磨，现在开源出来了 依然放在 bggg-skills下 https://github.com/binggandata/bggg-skills 叫 bggg-creator-image2ppt，支持把 png/jpeg 图、以及 html、svg格式的 ppt 图转成 pptx 文件。 逻辑跟 image2psd 类似，同样要用到 codex 的 imagegen 能力，复刻组件图片后，再重新组成可编辑文件， 但对文本框等的识别要好很多。 欢迎 stars 支持👏 这个 skill 对于日常要做分享的人来说非常有用，例如我自己现在ppt页面都是 nano banana 跑的，跑完手动再贴进 pptx文件里， 但要是遇到有问题的、或者要改个标题啥的，就要重跑，很麻烦。 现在有这个skill 后，直接局部改一下就完事了。 问为什么不让 codex 直接生成 pptx呢？ 因为这样的想象力大大受限了，只能按以前代码的方式去跑一些固定模板、老套版式 现在等于整个做 ppt 的逻辑都变了，先用image2 放大想象力做漂亮 ppt 页面，再转成 pptx处理细节 感兴趣的都可以去跑一下，目前仅支持 codex里用。 总之，对codex➕imagegen 潜力的开发还在持续。。。

http://x.com/i/article/2072563260763803648

http://x.com/i/article/2072509889956700160

http://x.com/i/article/2072228089103527936

http://x.com/i/article/2072144793795469312

http://x.com/i/article/2071833859461910528

创业复盘：2026 年怎么做 AI Native 公司？ 饼干哥哥转眼出来创业 3 个多月了。 但有个很大的问题：我们只是一家「传统公司很会用 AI」 过去几个月团队管理等问题暴露后，我才下定决心要重新做成基于 AI设计的公司 正好今早刷到 YC partner Diana Hu 讲的《How To Build A Company With AI From The Ground Up》，讲AI 如何重构公司的组织形态、流程系统和岗位分工。 先说结论。 AI Native 公司，不是“人在原流程里用 AI 工具”，而是把 AI 变成公司的操作系统，让每个流程、决策、结果都进入一个可查询、可反馈、可自动优化的闭环系统。 第一，不要把 AI 只理解成“生产力工具”。 传统说法是：AI 让工程师写代码更快、让员工处理任务更快。 但 Diana 的判断更激进：AI 带来的不是 20% 或 50% 提效，而是让一个人能完成过去一个团队才能完成的事，甚至产生以前根本做不了的新能力。 第二，AI 应该成为公司的“操作系统”。 她的意思是，公司里的工作流、决策、会议、销售、工程、招聘、运营，不应该散落在人的脑子、微信群、邮件、口头同步里，而应该全部进入一个智能层。 这个智能层持续读取信息、理解上下文、给出建议、推动执行。 第三，公司要从 open-loop 变成 closed-loop。 传统公司是开放环：做决策、执行、开会汇报，但很多结果没有被系统化记录，也不会自动反哺下一次决策。 AI 原生公司要做闭环：每个重要动作都产生结构化数据，AI 能读到结果，并持续改进下一轮流程。 第四，组织要变成“可查询组织”。 她建议公司要尽量减少私聊、邮件和散落信息，把会议记录、Slack/Linear/GitHub、收入、销售、工程、招聘、运营等数据都变成 AI 能查询的资产。 这样 AI 才不是外挂工具，而是公司中枢。 第五，传统中层管理会被压缩。 组织判断我感触很深：过去很多管理层的价值，是帮公司压缩信息、传递状态、协调事项。但如果 AI 能做信息路由、任务协调、进度总结和异常提醒，组织层级会被压扁。 未来更重要的角色会变成三类： IC，也就是直接做事的人； DRI，也就是对结果负责的人； 以及真正懂 AI、能亲自设计系统的 founder 第六，衡量公司效率的指标会从“人数”变成“token 使用量”。 AI 公司不应该盲目扩人，而应该最大化 AI 的调用能力。高 API 账单不一定是坏事，它可能是在替代一大堆传统人力成本。 换句话说，未来公司要问的不是“我们有多少员工”，而是“我们把 AI 杠杆打满了吗” 接下来会按这个去重新实践。 感兴趣可以催更👌

MiMo罗福莉的3.5小时访谈，讲了 10个观点 01 明明Claude Code更强，OpenClaw为什么反而火了？ 开发者喜欢能改的东西，而cc的源码只能等再次泄露了。罗福莉说，改OpenClaw，是非常非常激发人的创造力的。看着一个工具在自己的手上不断进化，确实是很有成就感的事情。 02 一套好的Agent框架，能让中层模型在85%的任务上发挥出顶尖模型的水准。 这就是Harness工程做的事，用框架补模型的短板：记忆、工具调度、主动性。罗福莉把没有专门训练过的小模型接进OpenClaw，发现能完成超出预期的任务。 03 市场上大部分Multi-Agent是伪的。 速度快了，成本低了，但任务能做到的上限没有因此突破。多加几个Agent，不等于能做更难的事，更多时候只是把事情更复杂化了。 04 A社虽然很可恶，但它仍然是行业天花板。 很长一段时间，大家觉得Anthropic做Context Engineering是因为模型不够强，是省成本的无奈之举。Context管理、Skill Fold、Agent架构，现在回头看都是提前布局。 05 连AI研究员的工作，也开始能被Workflow化了。 罗福莉原话：「我之前认为我们自己做的工作足够有创造力、不会被Skill化。但我现在发现，它竟然也能。」这意味着AI也可以训练更强的AI了。 06 1T参数是进入Agent时代的门槛，不是终点。 接近Claude Opus 4.6水准的Agent能力，1T是最低要求。国内目前迈过这个门槛的有Kimi、MiMo、DeepSeek还有几家。但上一个时代的成功不代表下一个时代的领先。接下来考验谁反应更快。 07 环境比经验重要。驱动团队靠的不是管理，是愿力。 罗福莉倾向于招本科生：「他们的灵活性和适应程度，都感觉没有被污染」。作为初创团队，我们也是同样的判断，更期望找到「新脑子」。一方面是足够热情，你得先相信这件事值得做，才能真的做好。另一方面很残酷，从某种程度而言，他们足够省钱。 08 Code在每次范式转变里，都是最优雅的路径。 AI经历了三次范式：Chat、Reasoning、Agent。每一次，Code都是最核心的训练材料。罗福莉说，每次赛场换了，从Code出发永远是最稳的突破口。 09 算力比例从3:5:1变成了3:1:1。 Chat时代预训练吃掉大头。现在后训练的算力投入已经跟预训练持平，顶尖团队是1:1。重心从「把模型训大」转向「让模型真的能完成任务」。 10 两年内实现AGI。现在进度20%，今年能到60%-70%。 她的判断：工作模式会先被颠覆，生活模式慢一步。工作先变，是因为工作直接产生经济价值。而生活要等更多机器人进入现实世界，才会真正跟着变。

codex之后，开发AI 应用的逻辑全变了！ 最近在跑 seedance+TikTok 项目，用 codex+skills 跑通了各种逻辑 之所以用 codex， 是因为 agent 能自主去识别做判断，尤其是 $computer-use 和 @chrome 这两大杀器，能帮我识别TikTok 红人是否符合我要求，符合的话，浏览一遍首页决定下载哪些视频用作我后续流程 但在纯 codex 里跑就很慢，无法实现日产白条的效果，所以接下来需要考虑稳定量产的技术栈 逻辑是，把原先需要「人」来做决策的，就走 codex agent来判断；一些流程化的步骤就在应用来跑，可以直接共享 skills 里的脚本 最开始还在想用 n8n来跑，发现它真的死了。。我直接让 codex 开发了一个桌面应用叫 NGSPilot，是内部在用的 还内置了一个 AI画布。。直接手搓了 一个 lovart，并且可以接入 comfyui 或者 running hub 的流程 我选择开发桌面应用的还有一个重要原因就是。。直接把 codex通过 app-server 的形式接进来了。。也就是说我应用里就能用 codex 原生的 computer-use、生图等能力。非常顶 相当于我把 原先多个 skills 应用 GUI 化了。而且还用的 codex 的额度。。这谁顶得了？？ 这就是我开头说的开发应用的逻辑全变了。 我要做的，就是关注好我自己的业务逻辑，然后把业务做成一个harness，里面套的是海外顶级的应用能力。。 以后，codex 越牛逼，我的应用就越牛逼。。 谁还自己去开发 agent 啊？？ 况且，今天 Codex 上线手机端后，直接又把 Openclaw杀死了。。 我之前设计了一个项目叫「跨境电商今天卖点啥」 逻辑是让 Openclaw 自己到亚马逊、TikTok 等各大榜单去找今天的「异常值」然后再到Reddit 等平台去搜和做 voc 分析理解为什么它会火 再把结论给到 codex 去更新网站，并且同步到 github vercel 还用上了 codex 的 $imagegen 的能力，每天生成不同的 UI图来更新网站 所以每天打开网站就是一个新的页面、新的内容，开盲盒一样非常有趣 这套逻辑是想我在外面手机端看到网站有什么问题的时候， 就跟小龙虾说让它去改就好。 但现在 codex 出移动端，我就不用了。。 这种手机上命令+网页端直观可视化的逻辑，是我接下来开发新项目的趋势。 昨晚，我让 codex 通过 computer-use 来操作 ngspilot的 debug，它全自动开发、测试、修bug，搞了 4 个小时，就弄好了。 按前面的逻辑，可以直接把开发的过程可视化到网站上，远程的时候，看手机就知道本地开发进度和发命令了 人就该逛街逛街、好好享受生活！

http://x.com/i/article/2071421861662269440

http://x.com/i/article/2071418593317978112

http://x.com/i/article/2070351933781790720

原来 AI 是有斩杀线的 200 美金的 pro 会员，斩杀 20 美金的用户。非常明显。 例如写文章， 以前我20 美金的时候，来来回回改几遍，最后还得自己写很多 现在用 ChatGPT 5.5 Pro，或者 opus 4.7 一次过，并且能获得几千上万的阅读 例如用 Seedance 跑 TikTok 以前想尽办法绕过官方限制（真人、NSWF），原来买大套餐就能一键实现了。。 所以我现在越来越觉得，AI 不是来改命的。 AI 是给本来就厉害的人，增加垄断的。 普通人用 AI，很多时候只是少动脑。以前不会写，现在更不会写；以前不会判断，现在更不会判断；以前还有一点笨办法，现在连笨办法都懒得试。 时间久了，前额叶真的会退化。 但业务专家不一样。 他知道什么是好，什么是坏，知道怎么提需求，知道结果哪里不对，也知道怎么把 AI 生成的东西放进真实业务里。 这种人用 AI，不是提效一点点，是十倍、百倍，甚至万倍放大。 所以 AI 时代的机会，其实不是平均分给普通人的。 它更像是把已有积累重新放大一遍。 有经验积累的人，用 AI 把经验变成规模。 有技术积累的人，用 AI 把技术变成产品。 有财富积累的人，用 AI 买更好的模型、更大的套餐、更快的算力，然后继续拉开差距。 以前穷人和富人的差距，是信息差、资源差、人脉差。 现在又多了一个 AI 差。 所以很多人还在研究怎么白嫖，别人已经在用最贵的工具打穿赛道了。 所以，再穷不能穷 AI。 因为 AI 不是玩具，是新的生产资料。 你不用，或者用最差的，最后不是省钱，是把自己放到了斩杀线下面。

最贵的AI 才是最便宜的。 由于 Seedance 一块多一秒，我们每天跑 2、300 条，每天烧 5k 有点肉疼 所以，我决定去研究平替。 例如用wan做动作迁移，改语言，再做配音等等。。 就这样一顿操作算下来，工作量翻了几倍，但价格好像更贵了。。 于是，我就这样浪费了半天时间 更肉疼了 这个时候才理解这个定价的性价比：一个模型就把动作参考、声音复刻、人物替换、创意实现等一系列的功能合并在一起了。 简单到一句话就能把过去一整个工作流给替换了。。。 所以现在我觉得很便宜了 前晚在厦门夜话会的时候，我也说过这句话 大家很认可 尤其是关于「抽卡」 好模型抽卡率低，算下来肯定是比“便宜”模型更划算的 再比如现在没人提的知识库问答。 之前我做的时候也想过省钱。 想着不就是 RAG 吗？ 切文档、做 embedding、上向量库、加 rerank、再接一个便宜模型回答。 看起来每一步都很便宜，很工程化，很有性价比。 结果真跑起来才发现，便宜的是单次调用，贵的是整个系统。 文档切碎了，关键信息丢了。 召回多了，噪音一堆。 召回少了，答案缺胳膊少腿。 rerank 要调。 prompt 要调。 模型回答不稳，还要再加校验。 最后为了让它少胡说，还得补规则、补测试、补人工审核。 一套下来，链路越来越长，bug 越来越多，人也越来越累。 后来 Gemini 更贵的大上下文模型出来了，把原始文档、表格、截图、业务规则一起塞进去，让它先读，再总结，再结构化，再回答，再自己检查引用来源。 单次看是贵了。 但答案稳定很多，系统复杂度直接降下来了。 以前是用十几个便宜环节，拼一个看起来省钱的方案。 现在是用一个更强的模型，直接吃掉中间大量胶水工程。 这时候我才意识到，很多便宜方案不是便宜，只是把成本藏起来了。 藏在调参里。 藏在返工里。 藏在坏答案里。 藏在你每天盯着系统擦屁股的时间里。 所以 AI 这件事，不能只看单价。 要看最终能不能一次过。 好模型贵，但它把不确定性买走了。 而不确定性，才是最贵的。

http://x.com/i/article/2070038592064536576

http://x.com/i/article/2070035535578681344

一切恐惧都来源自火力不足。 前两天有个朋友问我，是不是在做 AI。她说公司想开发一些 AI 工具，用来做外贸，问我有没有课。 我说，其实你先别急着上课。 直接买 Codex 或者 Claude 的 200 美金大套餐，然后围着你的业务不断对话。只要你问题是真实的，场景是真实的，很多工具都能被你一点点跑出来。 这句话很粗暴，但我现在越来越觉得，它是对的。 很多时候，我们不是不会用 AI，而是畏手畏脚的。 用最便宜的模型，问两句就心疼额度；跑到一半限制了，就停下来；生成结果一般，也不敢继续让它改。最后就会得出一个结论：AI 好像也就那样。 而且这个火力，不一定只关乎钱。 它也包括上下文够不够，样本够不够，算力够不够，测试次数够不够，甚至你的耐心够不够。 我最近在做 AI 自动剪辑开发，主要是换装视频和音乐自动卡点。逻辑大概是，AI 会去拆视频里的帧画面，再去分析音频里的 beat，然后让画面变化和音乐节奏对上。 一开始效果并不好。 卡点、转场、换装节奏都不行。 我本来还在想，是不是逻辑写错了，是不是算法不行，是不是这条路本身就跑不通。 后来突然想起这句话。 于是我换了个思路。 别省了。 直接让 AI 把我电脑性能吃满。 原本只是分析 100 帧画面、200 个 beat 后来直接翻倍，提高到 200 帧画面、400 个 beat。让它看得更细，听得更密，判断得更充分。 还真别说，效果一下子就出来了。 以前是大概卡一下，现在明显能感觉到节奏贴住了。以前画面变化像硬切，现在开始有那种跟着音乐走的感觉。 这件事给我的启发很大。 很多 AI 效果不好，不是方向错了，而是投入密度不够。 你让它看 10 条数据，它只能给你一个很粗的判断。你让它看 100 条、1000 条，它的判断就会完全不一样。 你让它生成 1 个方案，你只能碰运气。你让它生成 20 个方案，再自己筛选、对比、迭代，结果就开始变得可控。 所以我现在用 AI，越来越不喜欢小打小闹。 能批量就批量。 能多轮就多轮。 能跑测试就跑测试。 能把性能吃满，就不要让机器闲着。 如果总想着省一点额度，省一点时间，省一点算力。结果省来省去，把结果也省没了。 还是那句话，再穷不能穷 AI。 很多时候，那个看起来跑不通的东西，不是没希望。 只是火力还没打满。

FDE 只是新瓶装旧酒，AI 落地还是很难 5 月 11 日，OpenAI 宣布成立 OpenAI Deployment Company，专门帮助企业把 AI 系统真正部署到业务里，同时同意收购 Tomoro，直接带来约 150 名 Forward Deployed Engineers 和部署专家，也就是 FDE 这些人会嵌入客户组织，和业务、技术、一线团队一起改造流程、连接数据和工具，把 AI 做成能每天运行的生产系统。 这件事我看着特别熟。 因为我做了 10 年数据分析师，完整经历过上一轮“数字化转型”——这件事的起点依然是硅谷，提出 增长黑客 的概念，讲数据中台、BI、用户增长、精细化运营，本质也是一批人进到业务现场，梳理流程，搭指标体系，做看板，跑实验，最后推动企业改变工作方式。 现在换成了 FDE。 名字很新，但问题没变：企业买了工具，不代表能用好工具；有了模型，不代表业务会自动变好。 所以 FDE 的本质不是“工程师外派”，而是要把 AI 落地翻译成业务语言。 他要懂模型，也要懂业务；要会写代码，也要能坐在客户旁边看流程；要能做 demo，也要能把东西接进 CRM、ERP、客服系统、审批系统和数据仓库里。 实际上， Anthropic 都在做类似的事： A 社 5 月 4 日联合 Blackstone、Hellman & Friedman、Goldman Sachs 成立企业 AI 服务公司，目标也是把 Claude 带进企业核心运营。 在我看来， FDE 更像“增长黑客 + 数据分析师 + 解决方案架构师 + 交付顾问”的重新打包。 但这次有一点不一样：AI 工具让实施速度变快了。 以前数字化项目卡在开发、取数、报表、系统集成。现在 FDE 可以用模型写代码、生成 agent、做自动化、搭评估框架，交付杠杆明显更高。 但同样的问题也会出现。 第一，企业自己不知道要什么。 第二，数据质量一塌糊涂。 第三，业务部门只想要魔法，不想改流程。 第四，POC 很漂亮，进生产就死。 第五，项目做完没人接，最后又变成一堆没人维护的系统。 所以不用神话 FDE 它真正解决的企业 AI 的最后一公里：不是模型能力，而是组织落地。 所以说，如果 FDE 能把客户现场的问题沉淀回产品，才有价值。 如果不能，它就只是换张皮收高价咨询。

http://x.com/i/article/2069694811163262976

Codex 功能上新，彻底把 RPA 杀死了 OpenAI 给 Codex 上了 Record & Replay，目前仅支持 macOS 用户在电脑上操作，把一个流程完整做一遍给Codex看，它会把这次演示生成一个可复用的 Skill。下次再做类似任务，只需要替换文件、标题、日期范围、issue 内容这些输入，Codex 就能按这个 Skill 执行。 这功能意味着 Codex 已经彻底打穿传统 RPA 我记得以前到用RPA 的时候，销售卖力给我们介绍这种“录制流程，自动回放”。但 RPA 录的是动作：点哪里、填哪里、下一步去哪。 Codex 学的是流程：这个任务什么时候触发，需要哪些输入，执行中怎么判断，最后怎么验证。 这是代际差。 Codex 已经覆盖了传统 RPA 200% 的场景 前 100%，是 RPA 原本擅长的重复流程：报销、填单、下载报表、建工单、跨系统搬数据。 后 100%，是 RPA 原本很痛苦的场景：复杂网页、桌面软件、内部系统、界面变化、半结构化输入、视觉判断、异常处理。 例如操作Photoshop，传统 RPA 往往只能靠坐标、快捷键、图像识别、OCR 去硬做。界面一变、分辨率一变、面板一折叠，流程就要改。 但 Codex 有 Computer Use，可以直接看屏幕、理解界面、操作桌面应用。它不是在机械找按钮，而是在理解任务目标。 RPA 是流程自动化。 Codex 是任务自动化。 这才是关键差别。 当然，RPA 短期不会消失。它最后的护城河不是技术，而是存量：大企业已经接入了，权限、审计、账号、流程都跑起来了，迁移成本很高。 但新企业呢？ 今天一个公司从零开始做自动化，还会优先买 RPA、招 RPA 工程师、维护一堆脆弱脚本吗？ 我觉得很难。 建议 OpenAI 应该直接收购一家 RPA 公司。不是买技术，而是买它沉淀下来的企业场景、流程模板、连接器和客户资源，然后原地做成 Codex 的插件和 Skill 市场。 那才是终局。

Anthropic怕是已经被自己反噬了 最爱讲AI安全的 Anthropic，偏偏因为安全问题翻车了。 之前 Mythos 一直藏着掖着，只给少数合作方看。最近，Anthropic好不容易将Fable 5 版本推向市场，主打更可控、更安全。结果Fable 5也是发布没几天，美国政府一纸出口管制下来，谁都用不了。 真正好笑的地方在于，问题不是竞争对手捅出来的，而是被自己的金主爸爸亚马逊先举了手。 但从商业逻辑看，这也不是单纯背刺，更像亚马逊的自保。 毕竟，亚马逊更大的身份是云服务商。Anthropic 的模型如果被证明存在不可控风险，牵连的是 AWS、政府客户、企业客户的合规信任。 也就是说，平时可以一起讲融资、讲算力、讲生态、讲增长。但风险一旦外溢到国家安全层面，资本关系就要让位于风控责任。 这才是最尴尬的地方。 一个靠安全叙事起家的公司，最后是被自己的安全问题砸到脚。 更麻烦的是，这事发生在 Anthropic 冲 IPO 的前夕。 IPO 前，市场最想看到的是收入增长、模型领先、安全合规三件事同时成立。偏偏 Fable 5 这次出事，把三件事全搅在了一起。 你越说模型强，监管越要问边界在哪。 你越说自己安全，外界越会追问为什么连金主都不放心。 你越接近上市，资本市场越会重新计算一个问题：如果旗舰模型随时可能被政府叫停，那未来收入和估值到底该怎么讲？积攒许久的“安全人设”，还能换取信任吗？ 再看创始人 Dario 这个人，其实也很有意思。 从SVAIL实验室到 Google Brain，从 OpenAI 再到自己出来做 Anthropic，他几乎每一步都踩在 AI 产业爆发前夜。你可以说他看得准，但也可以说，他非常清楚什么时间点该站到什么位置。 更微妙的是，Dario 过去多次对华强硬表态，也基本都发生在融资、政策和估值的关键周期里。禁用中资、渲染技术外流、把芯片问题上升到国家安全叙事，本质上都在给 Anthropic 换取美国政界和资本市场的信任。 但现在反噬来了。 一边呼吁全球警惕 AI 失控，一边自己推出最强模型冲商业化；一边高举安全大旗，一边被金主举报、被白宫管制；一边想用安全叙事换取 IPO 前的高估值，一边又在安全问题上支支吾吾。 说白了，Anthropic 不是不会讲安全故事，而是这次故事讲脱了。 Fable 5 被停掉，只是表层。 真正掉下来的，是 Anthropic 过去几年最值钱的那层信任。

http://x.com/i/article/2069688467957882880

http://x.com/i/article/2069390541465452544

http://x.com/i/article/2069270335690821632

最窒息的不是200 美金太贵，而是根本花不完 上一篇我说 AI 有斩杀线，其实： AI大会员真正的门槛，不是付费，是你有没有能力把它用完。 如果只是拿来写文章，或者开发一个小工具，到周末一看，额度还剩 80%，不窒息吗？ 谁的钱都不是大风刮来的，这问题在于没有一个持续消耗 AI 的业务系统。 说一下，我现在是怎么用 Codex 的。刚好今天在把我多台设备配在一起，Codex 内置的远程管理能力太好用了！！ 现在我有 4 台 Mac。 1 台用来落地 AI Native，跑 ngs 的 AI Center Gateway，里面直接把 Codex 能力共享出来，整个团队团队一起用。 1 台专门做 TikTok 视频批量生成服务，多并发，一天至少生成 100 条视频，而且不是无脑生成，是 AI 要接入内容判断，先判断选题和脚本，再生成 image2，再生成视频，再检查结果，不对劲就继续改。 1 台我自己随身带，远程连接上面两台的 codex，平时还开发项目。 还有 1 台专门连 Claude Code，做调研、规划、拆任务，然后安排其中一台 Codex 干活。 如果快到期了，想一次性烧大量额度，就要跑长任务，而且是 8 小时以上的长任务。 比如做一个产品，不要上来就让 AI 写代码。而是让 AI 调研用户、竞品、功能边界、数据结构、页面交互、验收标准。再把这些整理成文档，丢给 Codex。 Codex 先读项目，不准改文件。读完写计划。计划通过后再执行。执行完自己跑测试。测试失败，自己看日志，自己修。 修完继续跑。每一轮都记录改了什么、为什么改、下一步是什么。 不过，现在也不用这么复杂了， AI大厂都在帮我们消耗额度。 Codex新出了「追求目标」的功能，就是你设置一个目标，它不跑出来誓不罢休。 有点磨平技术差的意思了。 当然，前提是你得有目标，有系统，有验收标准。不然它再努力，也只能围着你的空需求转。 再比如我自己用 Seedance 跑 TikTok，直接在 Codex 里跑。 人物、场景、动作、镜头、商品卖点、字幕节奏、前三秒钩子、结尾转化，都可以做成变量。 自由组合，批量跑 10个提示词。 跑完自己检查，人物稳不稳，商品清不清楚，节奏适不适合 TikTok，画面有没有问题。 不对劲就继续改，继续跑，直到达到目标。 所以大会员真正买的不是答案，是持续试错的能力。 没有大会员，怎么用得起这种跑法？ 还是那句话，再穷不能穷 AI。 但更重要的是，再穷不能穷系统。只买会员，不搭系统，最后就是每个月续费一次焦虑。有系统的人，额度不是用来省的，额度就是产能。

开源TikTok调研Skills：自动抓取、总结爆款视频模板 很多人明明看到了好的赛道，但无从下手。 怎么找对标？怎么扒文案？怎么用 AI 生成视频？ 此时，我们可以用 AI 来抓取爆款对标视频，分析后生成这样的报告 不仅能告诉你别人是怎么火的，还直接总结出了可以直接复用的起号模板和提示词。

codex之后，开发AI 应用的逻辑全变了！ 最近在跑 seedance+TikTok 项目，用 codex+skills 跑通了各种逻辑 之所以用 codex， 是因为 agent 能自主去识别做判断，尤其是 $computer-use 和 @chrome 这两大杀器，能帮我识别TikTok 红人是否符合我要求，符合的话，浏览一遍首页决定下载哪些视频用作我后续流程 但在纯 codex 里跑就很慢，无法实现日产白条的效果，所以接下来需要考虑稳定量产的技术栈 逻辑是，把原先需要「人」来做决策的，就走 codex agent来判断；一些流程化的步骤就在应用来跑，可以直接共享 skills 里的脚本 最开始还在想用 n8n来跑，发现它真的死了。。我直接让 codex 开发了一个桌面应用叫 NGSPilot，是内部在用的 还内置了一个 AI画布。。直接手搓了 一个 lovart，并且可以接入 comfyui 或者 running hub 的流程 我选择开发桌面应用的还有一个重要原因就是。。直接把 codex通过 app-server 的形式接进来了。。也就是说我应用里就能用 codex 原生的 computer-use、生图等能力。非常顶 相当于我把 原先多个 skills 应用 GUI 化了。而且还用的 codex 的额度。。这谁顶得了？？ 这就是我开头说的开发应用的逻辑全变了。 我要做的，就是关注好我自己的业务逻辑，然后把业务做成一个harness，里面套的是海外顶级的应用能力。。 以后，codex 越牛逼，我的应用就越牛逼。。 谁还自己去开发 agent 啊？？ 况且，今天 Codex 上线手机端后，直接又把 Openclaw杀死了。。 我之前设计了一个项目叫「跨境电商今天卖点啥」 逻辑是让 Openclaw 自己到亚马逊、TikTok 等各大榜单去找今天的「异常值」然后再到Reddit 等平台去搜和做 voc 分析理解为什么它会火 再把结论给到 codex 去更新网站，并且同步到 github vercel 还用上了 codex 的 $imagegen 的能力，每天生成不同的 UI图来更新网站 所以每天打开网站就是一个新的页面、新的内容，开盲盒一样非常有趣 这套逻辑是想我在外面手机端看到网站有什么问题的时候， 就跟小龙虾说让它去改就好。 但现在 codex 出移动端，我就不用了。。 这种手机上命令+网页端直观可视化的逻辑，是我接下来开发新项目的趋势。 昨晚，我让 codex 通过 computer-use 来操作 ngspilot的 debug，它全自动开发、测试、修bug，搞了 4 个小时，就弄好了。 按前面的逻辑，可以直接把开发的过程可视化到网站上，远程的时候，看手机就知道本地开发进度和发命令了 人就该逛街逛街、好好享受生活！

http://x.com/i/article/2049414966663598080

太难了，现在Claude、ChatGPT和 app store 都拒绝了我这个 safepal的支付 现在还有什么好的渠道，可以订阅呢？老师们 同时PayPal 是不是也可以搞个美区的？球球

月入百万的 ai 中转站是怎么赚钱的？卖 api token 只是第一层

http://x.com/i/article/2047322803725369344

GPT-IMAGE-2 出来绝对是利好微商们 尤其是各种微商做假转账记录、假聊天记录之类的工具 现在也就是一句话的事了。。。

GitHub copilot 爽用一周opus4.6后就用不了了，虽然额度显示只用了39%，但一直报错 Error during execution 查了一下，大概率就是有Claude的隐形限额了 昨晚着急，用了接口，一句话就花了8rmb 而我在copilot用了703次对话，买的35美金的pro+ 折算起来5000元成本了 接下来，重新用另一个号继续爽

OpenClaw 已死？ 我之前本地 Mac mini 搭了整一套 5 人 AI 员工团队，跨境选品、TikTok UGC、Reddit 种草、亚马逊运营全自动，结果发现调试的精力还大过实际去用，因为环境太原生了。https://x.com/bggg_ai/status/2030123309594259506?s=20 各个大厂也是看到这个问题，陆续出了很多云端 openclaw一站式开箱就能搭起 agent 团队 最近我在看Moxt，它叫 Agent-Native Workspace，就是原生搭 Agent 的。 以前本地 OpenClaw 要折腾飞书路由、workspace 隔离、技能白名单，现在 Moxt 里直接拖拽就行，agent 自己记住上下文、自己调用工具、自己跨任务协作。 最离谱的是效果比本地好太多：不用担心断电、梯子、目录污染。 还有个亮点技能：记忆是是持久且全团队共享的，跑完一次下次直接接上，不用重新喂 prompt。 这个过程中，我发现，真正拉开差距的不是模型，而是 workspace 能不能让这些 AI 同事真正跟你一起长大、一起犯错、一起变聪明。 Moxt 目前让我看到这个方向最清晰的落地。

听劝上了github copilot 还挺爽，首月甚至还免费试用？ 然后我今早就遇到这个 error during execution的问题，退出重来就会变成说是用户取消了 我以为是没充值，所以买了35刀的套餐 结果现在还是这样，请教一下有没用过的老师，这是什么问题哇

http://x.com/i/article/2040593379118153728

问题来了，前面那个max账号200美金，今天新注册被封的20美金，说要退给我，怎么还没收到，是怎么回事？

好家伙，重新注册一个被秒封，难道Claude也要先养号

一早起来，Claude被封了，求一下大家的网络方案 这下要彻底解决网络问题了

http://x.com/i/article/2039139907273363456