sitin

统计数据

789

文章

0

粉丝

0

获赞

11967

阅读

6分钟前

喜大普奔[庆祝]！为了让大家享受极致性价比，愉快 coding，我们 codex 下降 50%！目前支持 Claude code，codex，Gemini3，想要一站式体验三大模型欢迎用起来！

9小时前

Unity-SpatialLingo 是 Meta/oculus-samples 放出来的开源 Unity Showcase（MIT License），定位更像“MR + AI 的参考模板”，用来在 Meta Quest 上做现实物体识别 + 语音/自然语言交互的语言练习体验。它把“语言学习”从屏幕里拽回了现实空间里。你在卧室/办公室戴上 Quest，系统会把你周围的物体识别出来，然后在真实物体上叠加对应语言的词（比如桌子、书、灯），再配合语音练习——你跟读、它纠音/反馈，你继续说，形成一个闭环的沉浸式练习。对比传统背单词，它更像是在“现场建立语义连接”：词不是抽象符号，而是挂在你眼前的真实物体上。从技术角度看，它展示了一个很明确的 MR 交互范式： Passthrough（看到真实世界） + 物体识别/理解（把环境结构化） + Voice/NLP（用自然语言做交互） → 让真实空间变成应用的输入面板。官方的代码样例介绍里也明确提到它会用到 Passthrough、Meta Voice SDK，以及 Llama APIs 来做上下文化的 AI 课程/反馈，这其实就是“空间智能体”的雏形：先理解你在哪、你看到了什么，再决定怎么教你、怎么跟你聊。另外一个我很喜欢的点：它是“可抄作业”的。仓库本身就写得很直白——这是一个给开发者的 template / showcase app：你不一定要做语言学习，完全可以把同一套管线换成别的垂类：工业/维修：识别设备部件 → 语音问答 → 步骤指导线下零售/展厅：识别展品 → 自动讲解 → 互动问答家庭教育：识别物品 → 引导孩子做任务/练习（不止语言）也就是说，它更像一个“MR 时代的交互脚手架”，把空间感知、语音交互、AI 反馈串成了可复用的工程结构。 SpatialLingo 这种项目的意义在于：它让你看到“空间计算”不只是炫技，而是能落到非常具体的学习/训练场景里——并且已经有一份开源工程可以直接拆解、复用、二次开发。

1天前

最近在折腾出海建站的时候，我有一个很强烈的感受：现在 AI 写前端早就不缺“能跑”的代码，真正稀缺的是——不像 AI 的设计。很多用 Claude / Cursor 的兄弟应该都有同感：功能是对的，结构是完整的，但页面一打开就有股“模板味”“AI 味”，放到海外市场其实是很吃亏的。这段时间我重点测试了两个 Claude Code 的设计类 Skill，说实话，有点刷新认知。第一个是 Frontend Design（Anthropic 官方）它最大的优势不是“好看”，而是有设计主观性。同样一句 “build a SaaS landing page”，它会自动拉开信息层级、强化视觉对比、做更激进的版式和数据区块，而不是那种安全但平庸的白底模板。能明显感觉到：这是在“帮你做产品页面”，而不是在“交付一份前端作业”。另一个是 UI UX Pro Max 这个更像是一个可搜索的 UI / UX 知识库外挂。配色体系、字体组合、行业风格、组件选择、甚至 Glassmorphism 这种具体风格，它都有现成的方法论可以调。如果是做垂直行业工具、或者想严格贴合某种品牌调性，它会更稳、更可控。我自己的结论很简单：想要第一眼就抓人、快速拉开和竞品差距 → Frontend Design 想做长期产品、风格统一、方便不断微调 → UI UX Pro Max 这两个 Skill 都有一个共同点： 👉 它们不是让 AI 多写点代码，而是把“设计经验”前置给了 AI。

2天前

说实话，我一直觉得 Windows 的系统搜索是生产力黑洞。慢、乱、还经常给你塞一堆网页结果，找个本地文件都能把人心态搞崩。有小伙伴推荐用 Everything，但用久了你会发现：它本质只是「文件索引器」，只能解决“找文件”这一件事。一旦你想打开应用、切窗口、搜书签、执行命令，Everything 就有点力不从心了。直到我最近在 GitHub 上刷到 Flow Launcher（12k+ Star）， Flow Launcher 的定位很清晰：它不是 Everything 的替代品，而是把 Everything 升维了。直接集成了 Everything 的内核，文件搜索速度依然是天花板级别，而且对中文非常友好，拼音首字母搜索做得比我预期好很多。比如敲 wx 找微信、用拼音首字母翻出藏在深层目录里的文档，这种「输入即结果」的感觉，用久了真的回不去。搜索之后的“动作链”设计也很爽：预览文件（F1）、定位文件夹（Ctrl + Enter）、直接拖拽给微信或其他应用，全程不离开键盘。你会明显感觉到：它在刻意减少“点开 → 等待 → 再操作”这些无意义的时间损耗。再往上走一步，Flow Launcher 更像一个 Windows 版 Raycast / Spotlight。内置插件市场 180+ 扩展：切窗口、调单个应用音量、翻译、计算、关机、清空回收站……很多事情不再是“我要去哪点”，而是“我敲几个字母就结束了”。对一些兄弟来说，它的价值不只是“快”，而是：把 Windows 从「应用驱动」的操作模式，拉回到「命令 / 意图驱动」。当然也要说缺点：在一些老机器上，Flow Launcher 的内存占用会比 Everything 高一点，但整体仍在可接受范围内，不属于那种“跑不动”的工具。

2天前

Twitter的低保感觉变多了呢，截止12月份开通领了400多美金了，大家记得开通蓝v premium 绑定Stripe 可以用香港卡或者水星银行

3天前

这两年做副业的人，其实都挺累的。以前更多是在拼渠道、拼流量，谁抢到注意力，谁就有机会。现在开始用 AI 做点小产品，一次把东西做出来，面对的是全球用户。它不是一夜暴富的路，更像是用时间和能力，换一个更大的杠杆，至少多一种可能。

4天前

很多人以为出海难，其实难的不是技术，是「系统复杂度」在我的出海社群里有很多同学一开始觉得出海门槛特别高，但真跑下来你会发现，真正难的不是写代码，而是把一整套系统跑顺。比如支付这件事，很多人一开始就搞不清：订阅（subscription）积分充值（one-time payment）这俩在产品层面看着差不多，但在工程和运营层面完全不是一回事。积分充值只关心「钱付没付成功」，Webhook 很简单；订阅要处理创建、扣款、失败、续费、取消、过期、变更一整个生命周期。很多人一上来就做订阅，结果还没赚钱，先把自己搞崩了。所以一个很实操的建议是：前期优先用积分/一次性付费，把系统复杂度压到最低。这是典型的“出海不是炫技，而是先活下来”的思路。

5天前

最近刷帖子看到 Gemini 3 Pro + VSCode 的套官方玩法全实测了一遍，结论只有一句话：模型已经不是瓶颈了，入口才是。 Google Antigravity。它本质就是 VSCode + Gemini 3 Pro + 多 Agent 编程的整合版：键位、插件、调试全是熟的，你几乎不用学习成本，直接把需求丢进去，看 AI 自己拆任务、写代码、跑项目。那种感觉很明显——不是“AI 在帮你写代码”，而是你在指挥一个能干活的技术团队。 Gemini CLI 真的很爽。不用离开命令行，就能让 AI 读整个项目、写脚本、甚至在你确认后直接跑 Shell。它解决的是一个很真实的问题：AI 不该只存在在聊天框里，而应该直接进入你的工作流。 Google AI Studio，把它当成一个“重型工具箱”。读论文、啃长文档、整理大批资料，几百页 PDF、上 G 的内容直接丢进去就能聊，这在很多场景下比写代码更重要。而且 Build 模式一句话生成小 Web App，这个对做工具、做分享、做 Demo 的人特别友好。现在的差距，已经不在“会不会写代码”，而在于你有没有把 AI 放进一个正确的位置。不是让它当搜索引擎，也不是当聊天对象，而是当一个真正参与交付的生产力节点。 Gemini 3 Pro 把 80%～90% 的体力活干完了，剩下真正值钱的，是判断、设计和方向感。

5天前

在我的出海群里讨论的比较多的这个问题——需求到底从哪来？当然不是从你脑子里来。一个非常稳的做法是：去看已经存在的流量聚集地：Reddit、Twitter 评论区、AI 导航站、小红书吐槽区。这就不需要找“新需求”，只需要观察：哪些问题被反复提到/哪些工具被反复吐槽/哪些场景已经有人在付费，但体验很差重复出现的抱怨，本身就是需求信号。这比一个人闭门造车靠谱得多。

6天前

最近刷 GitHub发现几个有意思的开源项目，分享一下👇 1.Anthropic 开源的 Skills 合集你可以把 Skills 理解成：把复杂的提示词、流程、模板，直接封装成“能力模块”。不是每次重新教 AI，而是直接加载一个 Skill 去执行任务。这个思路非常像 SOP + Agent 的结合，对做自动化、内容、文档、数据处理的人，启发很大。的 A2UI。它不是让 AI 直接写前端代码，而是让 AI 用结构化 JSON 描述“这个 UI 想干嘛、长啥样”，然后由客户端去渲染成本地组件。这一步其实很关键——把智能体的“意图”和具体 UI 实现解耦了，以后同一个 Agent，可以在 Web、App、桌面端都有一致体验。 3.Resemble AI 开源的 Chatterbox 低延迟、高质量、还支持在文本里插入“笑声、停顿、咳嗽”这种标签，听感非常自然。更重要的是，它还自带可检测水印，把“好用”和“可控”同时考虑进去了。的 LangExtract 它解决的是一个很现实的问题：怎么从复杂文本里提取结构化信息，而且还能回溯到原文位置。这对医疗、法律、金融这种对准确性极高的场景特别重要，幻觉问题在工程上是被认真对待的。一句话：AI 开源项目已经从“模型炫技”，进入到工程化、系统化、可落地的阶段了。谁能早点把这些东西变成自己的工作流，谁就能先吃到效率红利。

6天前

工具会淘汰人，但更常见的是——没有结构的人，会被工具淹没。之前参加一个航海大会的时候听到有嘉宾在分享AI时代的生存法则的内容，脑子里就突然冒出这段话。在 AI 工具极速迭代、信息过载的时代，个人和组织要想持续“活下来并且增长”，不能只学工具，而是要建立一套长期有效的增长结构。 AI 越来越强，但有一部分小伙伴反而越容易迷路。工具每天都在变，模型不断升级，如果只是追着工具跑，很容易今天学 A、明天换 B，最后没有一个真正沉淀下来的能力或资产。在“产品和价值”这一块，未来真正有价值的，不是教人用 AI，而是帮人“过滤 AI”。用户真正痛苦的不是“没有工具”，而是“工具太多、不会选、不会组合、不会落地”。所以有价值的角色，往往是能把一堆 AI 能力，封装成一个「直接可用、贴合业务场景、能出结果」的解决方案，而不是一堆零散教程。

1周前

最近刷帖子，看到这个👉 Claude Code Workflow Studio（为 Anthropic Claude Code CLI 打造的可视化工作流编辑器，支持拖拽式 AI 工作流设计，无需编程即可创建和导出自动化流程。）说一句直观感受：这是我目前见过，把「Claude Code 自动化」门槛压得最低的一种方式。如果你用过 Claude Code CLI，大概知道它很强，但也有个问题：流程一复杂，就全靠手写 prompt + 文件结构，很快就乱。 Workflow Studio 做的事，其实很简单，但非常关键：把“写 Markdown + 想流程”这件事，变成「画流程图」。你在 VSCode 里：拖几个节点——连几条线——跟 AI 说一句「帮我改下流程」，它就能给你生成真正能跑的 Claude Code 自动化命令。不是 Demo，不是 PPT，是能直接 claude run 的那种特点： 1.用“流程”而不是“提示词”在思考问题你不再纠结一句 prompt 怎么写得更花，而是想清楚：第一步做什么/什么时候分支/哪一步该让子 Agent 接手这其实非常接近我们平时写 SOP、带实习生、拆任务的方式。AI 自动化真正卡的，从来不是模型，而是流程结构。不是只帮你“生成”，而是帮你“改流程”。这个是它的杀手级功能。你可以直接对 AI 说：“在这里加一个校验”/“如果内容太长就拆段”/“结果存成文件而不是直接输出” 然后它会：改节点——调连接——调逻辑——保证流程还能跑。这一步，已经不是「写代码」，而是和 AI 一起设计系统。 3.导出的是 Claude Code 原生结构它不是自己搞一套私有格式，而是直接生成： .claude/agents/*.md .claude/commands/*.md 这点非常重要。意味着：你随时可以脱离 UI；手写 / 自动化 / CI 都能接；不被工具“锁死” 对长期做项目的人来说，这是一个很“工程化”的设计选择。

1周前

之前看到有兄弟说“照着手册做，一步一卡”，特别有感触在AI编程出海这条路上，很多人把“踩坑”看作是挫败，觉得为什么自己这么慢？其实换个角度看，“踩坑”恰恰是目前最好的筛选机制如果这件事顺风顺水，谁都能两分钟跑通，赚到美金，那意味着根本没有护城河，红利期会瞬间被卷没。踩点坑才是你的壁垒、坑越多，门槛越高，竞争越小。每一个报错、每一次环境配置失败、每一次流程卡顿，其实都是在帮你“劝退”那些想赚快钱、缺乏耐心的竞争对手。当解决了一个晦涩的问题，你就比别人多了一分不可替代的竞争力。而我们不应该沉迷学习本身，要为了商业化有针对性学习

1周前

出差学习的这几天，基本都是凌晨三四点才睡。白天跑大会，晚上私下聊，交换了不少新的信息和玩法。有台面上的趋势，也有台面下的黑科技、邪修路子，确实开眼界人一到出门的状态，就会发现时间过得特别快。每次出发前都嫌麻烦，出来了，又觉得这种折腾很值得。

1周前

最近看到一个挺有意思的东西：AntV Infographic（阿里巴巴 AntV 团队推出的一个新一代信息图生成与渲染框架。）。一句话理解： 👉 你用文字说清楚信息，AI 就直接把它画成一张信息图。不是做图表那种「先想坐标、再写配置」，而是更接近： “帮我把这段内容画成一张结构清晰的信息图 / 思维导图 / 说明图” 几个让我觉得很爽的点： AI 原生设计：语法就是给 ChatGPT / Gemini 这种大模型用的，AI 特别好接声明式画图：用自然语言描述结构，不用碰复杂绘图命令直接输出 SVG：清晰、可编辑，丢进 PPT / 网页都很舒服模板很多：200+ 信息图样式，一句话切换风格风格可玩性高：手绘风、渐变风、卡通、商务风都支持边说边画：AI 流式输出时，图也能同步生成，像在“实时画思路” 本质上，它把一件事做通了：让 AI 的文字输出，直接变成“可视化资产”。适合：教学、报告、AI 输出展示、复杂概念解释、内容创作。

1周前

做 AI 编程出海训练营这段时间，我反而对“能力”没那么执念了。决定结果的，只有一件事：自己是一直在准备，还是已经动手了。有人把时间花在研究、对比、收藏上；有人直接做出第一个最小产品，不完美，但真实存在。拿到结果的，只会是已经动手的人。

1周前

分享一个最近做 AI Go Code 的运营心得最近很多人问，为什么我们不做售前手把手教学，甚至不买不让进群？我看过太多同行把所有人拉进一个大群，结果就是：捣乱的、起哄的、各种广告满天飞，最后真正想用产品的用户反而被吵得没法交流。我们的逻辑很硬：付费即筛选。不管是 50 还是 399，付费动作本身就是最好的诚意过滤器。这个逻辑其实还是来自知识付费这一套，不做免费群 1.服务边界：精力有限，我们的时间只留给真正认可价值的付费用户。 2.静默交付：我们的群现在非常安静，除非系统崩了，否则大家都在闷声用 API 搞钱。做产品，有时候宁愿损失一部分“伸手党”，也要保住核心团队的“高人效”。

1周前

最近刷开源项目有点上头，分享一下我刷到几个比较有意思的AI 开源项目 GLM-4.7（智谱）国产模型在“编程”这条主赛道上真的越来越硬了。GLM-4.7 这种定位很明确：就是冲着 coding + agent 去的。我的感受是：以后选模型不再只看“会不会写代码”，而是看“能不能把一个需求从描述→跑起来→迭代到可用”。拿它做 PPT、Canvas 小游戏、像素模拟这种任务，本质是在测它的“工程化理解力”。 Datawhale 的 Vibe Coding 系统教程国内 AI 编程内容最大的问题就是碎片化：到处是“10 分钟做个网站”的短视频，但缺一条从 0 到 1、再到能独立交付的路线。这个教程的价值在于“系统化”：工具怎么选、提示词怎么写、产品怎么落地、踩坑怎么避。 VideoPipe：视频 AI 分析工程化框架属于那种“一看就知道是干过工程的”。把视频分析拆成流水线节点，解决的是 AI 真正落地时最头疼的那一堆脏活累活。 Personal AI Infrastructure Skills / Agents / Hooks / History 这套结构很对味：你不是每天跟 AI 聊天，你是在把自己的工作流沉淀成可复用的技能库。一句话：AI 正在从“工具”进化成“基础设施”。有点技术基础的，真的可以选一个方向 clone 下来狠狠干，比刷资讯值多了。

1周前

之前跟几个小伙伴聊到「项目天花板」这个事，我想说一句很重要的话：关于「项目天花板」，普通人真的不用太纠结。任何一个细分赛道的项目，做到百万级别，都是完全没问题的。很多人最近会说：AI 代写不行了、闲鱼不行了、小红书不行了但这其实是一个视角问题。就像「小马过河」：松鼠过河，会被淹死；大象过河，可能只到脚踝同一个项目，对大佬来说可能一般，但对普通人来说，依然是好项目。项目没有“好坏”，只有“是否匹配你现在的阶段”

1周前

AI 不是选择题，是普通人的超车必选项很多人总觉得 AI 编程、AI 写作门槛高，其实完全是误解。不管是 ChatGPT、Claude 还是 Gemini3，这些工具的核心不是 “难”，而是 “用”。咱们不用死磕技术原理，只要学会提需求、会沟通，就能把 AI 变成自己的生产力外挂。尤其是已经跑通 0-1 的小伙伴，AI 更是帮你把项目放大到 1-10、1-100 的关键杠杆。为什么我一直反复强调AI 编程？因为它彻底打破了 “技术壁垒”，让普通人也能低成本做工具、搭系统。我们团队现在就是最好的例子：运营小姐姐们，不用写一行代码，靠和 AI 沟通，就能独立开发网站、做 AI 工具代理平台、搭线下活动报名系统。更有意思的是，现在不少深圳、杭州的 KOL，明明是文科生，照样靠 AI 编程玩得风生水起。文科生之前的卡点很明显：一听到 “编程”“代码” 就头疼，自动屏蔽抵抗。但现在真的不用怕 ——你负责提需求、讲逻辑，AI 负责写代码、落地执行，人人都能当产品经理。反观传统程序员，优势是对代码有亲切感，不怵技术；但缺点也很突出：容易陷入技术自嗨，没法共情普通用户的真实需求，最后做出的东西没人用。现在有了 AI帮忙干活，效率直接拉满。大家做项目的过程中，一定要多问 AI、多用 AI，它不是你的竞争对手，是帮你快速破局的最强队友。

1周前

这两年 AI 写代码把“做产品”的门槛拉得很低，但真正开始做出海项目之后，越来越清楚一件事：难点从来不是“能不能写出来”，而是“能不能稳定交付、持续迭代”。很多 AI Coding 工具，本质解决的是「单点效率」：一个需求、一段代码、一次生成。但 Indie Maker 真正头疼的是：功能越来越多、分支越来越乱、改动越来越频繁，AI 一多参与，反而更容易失控。我最近在用一个 GitHub 2.3K star 的开源项目 Auto Claude，它给我的感觉是：终于有人在认真把「AI 写代码」当成一件工程交付来做了。它不是帮你写一段代码，而是把整个流程拉直：规划 → 编码 → 自检 → 合并。你下需求，AI 先读懂仓库和技术栈，再拆任务、并行推进，写完会自己跑校验，不通过就回去修，所有改动都在独立的 git worktree 里，主分支始终是干净的。我最认可的一点是：它解决的不是「写得快」，而是“这段代码我敢不敢合进主分支”。合并冲突也不是一股脑全丢给你，而是 Git 能合的先合，只有冲突块交给 AI 去处理，还会做语法校验。一句话总结：如果你已经在用 Claude Code，但开始觉得项目一大就乱、任务一多就崩，那 Auto Claude 很可能是你从「玩 AI 写代码」走向「用 AI 交付项目」的关键一步。从写得快，到交付稳，这一步，真的很重要。

1周前

美国水星银行IO信用卡卡额度情况细节

1周前

在一个圈子里面名声和信用是最重要的资产。你可能短期靠骚操作赚到一点便宜，但时间一拉长，所有人都会记账。为什么很多人的私域、社群最后玩不下去？不是方法问题，而是早期不够克制。刷数据、割一波就跑、合作不守边界，这些事当下看似“聪明”，但都会在圈子里留下痕迹。有些判断，其实不需要公开说。谁靠谱、谁不靠谱，圈子内部早就筛选过一轮了。很多时候不会发朋友圈、不写文章、不互怼，但会默默拉黑、默默避开——结果就是：你以后几乎接触不到优质的合作对象。我自己一直的做法是：第一次，默认对你友好；之后，完全根据你的行为来回应。你守规则，我就继续合作；你越界一次，关系基本就结束了。这背后其实不是情绪，而是长期博弈的理性选择。一味当老好人，并不是善良，而是把风险转嫁给身边的人。真正靠谱的人，往往是有边界、有记忆、也有原则的。圈子不大，因果很慢，但一定在。很多东西，不是当下报应，而是未来机会的消失。

2周前

Claude skills 感觉可以重视起来做一些自动化事，尤其是那些「重复、但又很重要」的工作。像我们现在做导航站、SEO、发外链、抓数据，其实本质都是一套一套 SOP：筛选 → 处理 → 生成内容 → 记录状态。单次不难，但量大、重复率高，非常适合交给 AI 跑。自媒体也是一样，自动生成文章、改写不同平台版本、找配图，这些本来就是流程化的事。 Skills 的核心不是炫技，而是用一段稳定的提示词，把一整套 SOP 固化成一个 Agent。你不用每次重新教 AI 怎么做，而是直接“执行流程”。这点和我们平时写 SOP 给同事，几乎是同一套逻辑。换个说法：你现在能教会一个实习生的事情，大概率就能用 Skills 自动化掉。

2周前

阿里这次把 TTS 的玩法直接往前推了一大步。 Qwen3-TTS 新拆出来两条很“产品化”的能力线：一个是 Voice Design（VD-Flash），一个是 Voice Cloning（VC-Flash）。 VD-Flash 本质上是在做一件事：你用自然语言“描述一个声音”，模型就能把这个声音捏出来。不用选预设音色，不用调一堆参数，直接说“像纪录片旁白一样沉稳”“有点傲娇的少女语气”“温柔的女老师”，它就能生成对应的人设音色，甚至还能在一个场景里多角色对话。声音第一次真的变成了 promptable 的资产，就像我们现在用 prompt 控制画风一样。 VC-Flash 则更偏工程落地： 3 秒语音样本就能克隆音色，而且还能跨 10 种语言输出。同一个声音，说中英法日都保持一致，对混合语言、公式、复杂文本也很稳。这对出海内容、有声书、课程、虚拟人来说，意义非常直接：一个声音＝一个可复用的全球接口。我个人觉得这套东西真正厉害的点不只是“像不像”，而是三件事同时成立了：可控（用语言控制风格）+ 复用（跨语言、跨场景）+ 实时（能流式对话）。这已经不是“配音工具”，而是可以直接接到 Agent、产品交互里的基础能力了。当然也要说一句：音色克隆越强，合规越重要。授权、边界、风控不提前想清楚，能力越强风险越大。

...