关于AIGC人工智能、思维方式、知识拓展，能力提升等。投稿/合作： @inside1024_bot
AIGC 领域的最新工具、开源项目以及行业大事件
AIGC 领域的最新工具、开源项目以及行业大事件
公司没有任何经营困难，只是...
AI 已经改变了组织运作的方式
AI + 扁平化的组织方式，可以比之前 2 倍多的人做更多的事。
未来的公司里，每个人都必须成为超级个体，做超出自己岗位边界的事。
不要被动等待，现在就主动开始转变。
基于 Gemini Flash 模型做推理，相比 Nano Banana Pro 的使用成本下降 50% 以上。
在成本下降的同时，模型的文字能力大幅增强，且生成速度更快
同事用它刻了一座石碑...效果极其震撼
模型使用方式：
1. Gemini 官方可以体验，提供2k分辨率，压缩画质，但好在每天有一些额度可以免费体验
2. Labnana 与官方深度合作，提供4k分辨率，无损高清画质，批量生成，API 接入，Skills 调用等服务。每天签到可免费体验，也可以充值积分解锁无限使用。
Labnana 是全球首个 Nano Banana Pro 套壳独立站，全部按照官方规范，去掉了一切的负优化，专注把🍌这个 Agentic 生图模型的实力发挥到最大，我们在昨晚凌晨也在第一时间支持了 Nano Banana 2，欢迎体验。
GitHub 上一个叫 system-prompts-and-models-of-ai-tools 的仓库，已经 11.8 万 Star，堪称 AI 行业最大规模的底裤泄露事件。
这个仓库不仅仅有提示词，还包括各家的内部 tools 定义和模型配置。我仔细翻了一遍，扒出了几个真正有价值的发现：
1）Cursor 的 Agent Prompt 足足有 772 行！里面有一条核心设计哲学：「不要猜测，不要编造答案，用工具去查」，它要求 AI 在不确定的时候必须主动调用搜索和读文件，而不是靠幻觉瞎蒙。
2）Cursor 明确禁止 AI 把代码输出给用户看，而是必须用编辑工具直接改文件，从提示词层面就把聊天和干活分开了。
3）所有工具都在提示词里塞了大量的反面示例。不只是告诉 AI 该怎么做，还要告诉它不该怎么做。这跟我自己写 http://AGENTS.md 的经验一模一样，必须把踩过的坑也写进去，AI 才不会反复犯同样的错。
4）Cursor 在代码编辑上有个精妙设计，要求 AI 只写出要改的那几行，其余部分用 `// ... existing code ...` 占位，通过让 AI 做「最小修改」而不是把整段内容重新生成，出错概率直接降一个量级。
以我自己用 Cursor 和 Claude Code 的体验来说，看完这些提示词最大的启发是：AI 编程工具之间的体验差距，核心不是模型，而是提示词工程。几百上千行精心打磨的系统指令，才是拉开差距的关键。
大家有什么好的提示词编写技巧么？欢迎这里分享~
@aigc1024
介绍第一个 vibe coding 项目：ClawFeed——AI 阅读解决信息焦虑
我在 Twitter 上 follow 了 5000 人。
每天花 2 小时刷 feed，重要的还是漏了。
直到我让 Agent 替我读完所有人的推文。
现在每天只花 5 分钟。
这就是 ClawFeed(https://github.com/kevinho/clawfeed/) 🦞
试过 RSS、Pocket、Newsletter——
全是把信息从一个地方搬到另一个地方。
问不是信息太多，是筛选成本太高。
每一条"要不要点开"的判断，都在消耗注意力。
ClawFeed 的解法：AI 全量阅读，你只看精华。
每 4 小时：自动生成结构化简报
每天：5000 条 → 20 条精华摘要
标记任意内容 → AI 秒级深度分析
格式： + 原。
不是"业界讨论"，是" 说了什么"。
跑了 10 天的真实数据：
Before → After：
2 小时刷 feed → 5 分钟看摘要
收藏 500 篇读 5 篇 → 标记后 AI 直接分析
100% 噪声暴露 → AI 过滤 95%
总觉得错过 → 重要的自动浮出来
54 份结构化简报，零漏读。
怎么做的：
零框架依赖——Node.js 原生 HTTP + better-sqlite3。 不到 50MB 内存。
从 v0（Telegram 推 Markdown）→ v0.5（OAuth 多用户 Dashboard），4 个版本迭代。
作为 OpenClaw Skill + Zylos Component 双发布，一行命令安装。
开源：
http://github.com/kevinho/clawfeed ⭐MIT 协议，clone 就能跑。
在线版：
http://clawfeed.kevinhe.io无需注册，打开即用。
少刷多知。
Built by
&
@aigc1024
我在 Twitter 上 follow 了 5000 人。
每天花 2 小时刷 feed，重要的还是漏了。
直到我让 Agent 替我读完所有人的推文。
现在每天只花 5 分钟。
这就是 ClawFeed(https://github.com/kevinho/clawfeed/) 🦞
试过 RSS、Pocket、Newsletter——
全是把信息从一个地方搬到另一个地方。
问不是信息太多，是筛选成本太高。
每一条"要不要点开"的判断，都在消耗注意力。
ClawFeed 的解法：AI 全量阅读，你只看精华。
每 4 小时：自动生成结构化简报
每天：5000 条 → 20 条精华摘要
标记任意内容 → AI 秒级深度分析
格式： + 原。
不是"业界讨论"，是" 说了什么"。
跑了 10 天的真实数据：
Before → After：
2 小时刷 feed → 5 分钟看摘要
收藏 500 篇读 5 篇 → 标记后 AI 直接分析
100% 噪声暴露 → AI 过滤 95%
总觉得错过 → 重要的自动浮出来
54 份结构化简报，零漏读。
怎么做的：
零框架依赖——Node.js 原生 HTTP + better-sqlite3。 不到 50MB 内存。
从 v0（Telegram 推 Markdown）→ v0.5（OAuth 多用户 Dashboard），4 个版本迭代。
作为 OpenClaw Skill + Zylos Component 双发布，一行命令安装。
开源：
http://github.com/kevinho/clawfeed ⭐MIT 协议，clone 就能跑。
在线版：
http://clawfeed.kevinhe.io无需注册，打开即用。
少刷多知。
Built by
&
@aigc1024
🔥 拼手气 · 拼速度 · 现在就
其他福利速览：
永久网址
🏆#182体育 豪礼大放送、#高端嫩模、劳力士手表、奔驰E300等大礼等你来豪夺 首存日存彩金送不停
🏆182体育 封神榜🏆
➡️ 12月14号神秘盘总pp电子极速糖果直接炸150万成功提款142万
➡️ 12月26日实力大哥PA真人豪赢170万成功提款163万
➡️ 1月7号神秘大哥PG麻将胡了直接爆120万成功提款117万
🏆平台优势：
1️⃣ #平台公平、公正、公开，信誉第一、服务第一
2️⃣ #免实名 不限ip 无需绑定手机号码和银行卡
3️⃣ #u存u提 每日提款无上限 资金保障、大额无忧
4️⃣ #平台支持
🎖每日存款彩金每日送，每笔存款加赠
🎖182 体育 #电子 #真人 #0审核包出款 日出亿U
🌐 官网注册链接： 1820036.com
🍎专属VIP客服： @vipkf_182ty8
➡️ 双向用户点击： @vipkf_182ty2_bot
🍉 吃瓜搞笑：@chiguagaoxiaoxinwen
✅ 更多优惠活动关注福利频道： @vip182ty888
永久网址
👑 #球速体育 #豪礼大放送、高端嫩模、劳力士手表、奔驰E300等大礼等你来豪夺、首存日存彩金送不停
👑 球速体育 大会员再创新高：
➡️ 泰国大老板百家乐存50万出512万 查看记录
➡️ 柬埔寨大盘总喜提42万u查看记录
➡️ 单笔提款530万全网独一档查看记录
🏆平台优势：
1️⃣ u存u提每日提款无上限，随便提、全球不限ip、免实名、无需绑定手机号码和银行卡
2️⃣ 平台
3️⃣ 每日存款彩金每日送，每笔存款加赠
🌐官网注册网址： qs1736.cc
✅福利频道：@qsty8999
⚽️体育赛事推单：@QSTY988
㊙️午夜剧场：@madoudp9
☎️vip客服专属热线，添加客服领取活动福利
🌐官网客服： @QSTY567
➡️双向用户点击：@qsty168168_bot
你能光看图猜到这是哪里吗？（去过的先别说哈
我问了 Gemini 的思考模式，它猜错了，提示它错了之后，第二次又猜错了，而且它只知道按图上的文字搜索来猜
我又问了豆包新出的专家模式，它第一次也错了，我提示它错了，这时候，它突然进入了狂暴模式，思考了大概有几分钟，思维链条有上千字，又是分析城市地理，又是分析各个景点的街道方向，建筑特征，中间还调用了搜图工具来对比…
我看它的思维链里有好几次说出正确答案又都自我否定，感觉它也没戏了
结果它最后竟然答对了…
我问他怎么猜的，它列了四个步骤，三个小细节验证，严丝合缝，毫无破绽
这个照片是我自己拍的小众景点，网上也没有发过，能猜到这里我是真的有点佩服…
今晚谷歌可能要发布最新的图像模型 banana 🍌 flash
又便宜又快速，质量还有保证
我们将在 Labnana 第一时间支持这个模型
ListenHub 用户也可以直接使用通过 Labnana 使用此模型，账户打通的哈
http://Labnana.com
又便宜又快速，质量还有保证
我们将在 Labnana 第一时间支持这个模型
ListenHub 用户也可以直接使用通过 Labnana 使用此模型，账户打通的哈
http://Labnana.com
过去 4 个月，我们一直用「token 消耗」作为基准来对齐增长。按同样口径回算，最近一周日均 token 消耗已经接近 3000 亿。
最新的一个版本里，有工程师主动重写了请求结构，在不影响效果的前提下，把单次请求的 token 消耗降低了 40%+。团队开始自然关注结构效率，而不是简单增加 token。
规模上来之后，一个很直观的变化是：一些过去需要我们自己工程化绕过的问题，会在模型的新版本中被直接解决。模型厂商会针对真实负载中暴露的问题持续优化。某种意义上，产品本身也在参与模型的优化过程——这种应用层与模型层相互强化的关系，之前季逸超（Peak）在聊 Manus 时也提到过。
现在回头看，token 更像电表读数——它反映规模和成本结构，但不再适合作为我们的核心指标。
更重要的是：用户是否持续把 context 交给产品，以及我们是否能用更少的 token 完成同样的事情。
我们还在早期，还有很多可以重写的部分。
也在继续找人：增长 / 设计师 / 后端 / 前端🙋♂️
最新的一个版本里，有工程师主动重写了请求结构，在不影响效果的前提下，把单次请求的 token 消耗降低了 40%+。团队开始自然关注结构效率，而不是简单增加 token。
规模上来之后，一个很直观的变化是：一些过去需要我们自己工程化绕过的问题，会在模型的新版本中被直接解决。模型厂商会针对真实负载中暴露的问题持续优化。某种意义上，产品本身也在参与模型的优化过程——这种应用层与模型层相互强化的关系，之前季逸超（Peak）在聊 Manus 时也提到过。
现在回头看，token 更像电表读数——它反映规模和成本结构，但不再适合作为我们的核心指标。
更重要的是：用户是否持续把 context 交给产品，以及我们是否能用更少的 token 完成同样的事情。
我们还在早期，还有很多可以重写的部分。
也在继续找人：增长 / 设计师 / 后端 / 前端🙋♂️
