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
但是 YouTube 视频最大的问题是，它真的太长了，动辄一个小时
我想看的部分，可能就只有一部分而已
用 AI 总结也无法获得我想要的部分
解决这个问题的办法有两个，第一个方法是把 YouTube 链接输入到 ListenHub，并且用提示词引导 AI 做一期 10 分钟的播客路上听（ListenHub 对 Youtube 做了特别优化 btw）
第二个方法是最近新发现的新产品叫 TLDW（ 太长没看完）
它的核心功能叫精彩片段。
什么意思呢？就是根据你关心的主题，把YouTube视频中的相关精彩片段标记出来，让你去观看其中最有价值的部分。
这些“精彩片段”随后会以不同颜色显示在进度条上，点击其中任何一个，就能直接跳转到对应的精确时间点。
多看 YouTube，少刷短视频。
你的大脑会感谢你。
TLDW 体验地址：
https://tldw.us/
搞成 SVG 以后还能扔进 Figma 里面改字体，改完就更像了
让 GPT 总结了一套提示词👇
用途：我发一张信息图或海报截图，你把它高保真还原为可编辑 SVG，整体排版尽量一致，但文字改成 {中文}（或保持原语言）。
提示词：
指令
请把我发送的图片转成可编辑 SVG：
保持版式与层级结构（标题、分区、图标、箭头、图表等）尽量一致；
所有文字保留为 可编辑（不要转路径）；
所有图形用向量元素（////），不要嵌入位图；
颜色与风格尽量接近原图；
分组与命名清晰：01_Header、02_Section_*、Icon_*、Chart_*；
画布尺寸按原图推断；坐标/描边尽量用整数；
生成文件到 /mnt/data/infographic.svg 并给出下载链接。
若图片中有不清晰的内容，请做合理假设并在结果底部列出“假设项”。
#182体育封神榜
以小博大直接爆15000倍 点击查看
实力盘总4000一拉直接爆2304000 点击查看
【182体育｜新人专享首存福利】
单笔首存1千 赠送彩金108
单笔首存3千 赠送彩金238
单笔首存5千 赠送彩金358
单笔首存1万 赠送彩金528
单笔首存3万 赠送彩金788
单笔首存5万 赠送彩金1088
单笔首存8万 赠送彩金1488
单笔首存12万 赠送彩金2088
单笔首存20万 赠送彩金3488
单笔首存50万 赠送彩金5288
注册升级领18888， 每周送福利5888
每日存款彩金每日送，每笔存款加赠
🌐 官网注册网址 : 1820036.com
💖专属VIP客服： @vipkf_182ty8
💖吃瓜搞笑：@chiguagaoxiaoxinwen
🌟 财富连爆：PG麻将糊了首充6万U→连爆81万U🌟 势不可挡：神秘盘总首充4万→秒提 60万U🌟 豪赌封神：麻将拉500→单笔提 100万U🌟 连破纪录：大佬当日再爆→ 提币 280万U秒到🌟 命中爆点：高管首充4万→ 翻1520倍提76万U🌟 亿万备用资金池,大额无忧！硬核保障 查看
# 权威认证 # 百亿保障 # 真爆奖 # 信誉首选
在此推出 FlowithOS，全球首个为 Agent 原生打造的操作系统，可能是你的最后一个浏览器。
FlowithOS 让 AI 可以 100% 像人一样与整个数字世界交互。
- browser-use 浏览器使用: 让它可以自主点击网页、上传/下载文件、甚至可以操纵第一视角游戏，与其它玩家对战。
- terminal-use 终端使用: 让它可以通过命令行、访问和操作你的整个计算机，帮你整理文件、或者直接批量创造。
- script-use 脚本使用: 让它可以自主根据你的需求和网页状态、实时生成脚本，以 100 倍效率批量获取信息。
除了这些超能力外，FlowithOS Agent 还搭配了 online-RL 和自我进化和学习的能力，配合经验和记忆系统，你的 OS Agent 可以随着时间变得越来越聪明、越来越懂你。
在 Online-Mind2Web 全球评测中，FlowithOS 以压倒性接近满分成绩超过 OpenAI Atlas、Gemini 2.5 Pro CU 等顶尖浏览器 Agent，成为现地表最强浏览器智能体。
现在，FlowithOS 公测版已全量上线，支持 Windows、Mac 所有平台，在 flowith.com 即可开始
Invalid media: video
FlowithOS 让 AI 可以 100% 像人一样与整个数字世界交互。
- browser-use 浏览器使用: 让它可以自主点击网页、上传/下载文件、甚至可以操纵第一视角游戏，与其它玩家对战。
- terminal-use 终端使用: 让它可以通过命令行、访问和操作你的整个计算机，帮你整理文件、或者直接批量创造。
- script-use 脚本使用: 让它可以自主根据你的需求和网页状态、实时生成脚本，以 100 倍效率批量获取信息。
除了这些超能力外，FlowithOS Agent 还搭配了 online-RL 和自我进化和学习的能力，配合经验和记忆系统，你的 OS Agent 可以随着时间变得越来越聪明、越来越懂你。
在 Online-Mind2Web 全球评测中，FlowithOS 以压倒性接近满分成绩超过 OpenAI Atlas、Gemini 2.5 Pro CU 等顶尖浏览器 Agent，成为现地表最强浏览器智能体。
现在，FlowithOS 公测版已全量上线，支持 Windows、Mac 所有平台，在 flowith.com 即可开始
Invalid media: video
球速大会员再创新高：
✅球速体育
✅u存u提每日提款无上限，随便提、全球不限ip、免实名绑定手机号码、银行，大额出款无忧 （您的最佳选择，欢迎体验）
#亚洲顶级真人视讯博彩盘口！
🔥平台
注册升级领18888， 每周送福利5888
每日存款彩金每日送，每笔存款加赠
👑福利频道：@qsty8999
⚽️体育赛事推单：@QSTY988
💖吃瓜搞笑新闻：@chiguagaoxiaoxinwen
💖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
🌐注册网址： qs1736.cc
搞成 SVG 以后还能扔进 Figma 里面改字体，改完就更像了
让 GPT 总结了一套提示词👇#ai创造营##ai编程#
用途：我发一张信息图或海报截图，你把它高保真还原为可编辑 SVG，整体排版尽量一致，但文字改成 {中文}（或保持原语言）。
提示词：
指令
请把我发送的图片转成可编辑 SVG：
保持版式与层级结构（标题、分区、图标、箭头、图表等）尽量一致；
所有文字保留为 <text> 可编辑（不要转路径）；
所有图形用向量元素（<rect>/<circle>/<path>/<line>/<polygon>），不要嵌入位图；
颜色与风格尽量接近原图；
分组与命名清晰：01_Header、02_Section_*、Icon_*、Chart_*；
画布尺寸按原图推断；坐标/描边尽量用整数；
生成文件到 /mnt/data/infographic.svg 并给出下载链接。
若图片中有不清晰的内容，请做合理假设并在结果底部列出“假设项”。
例子：一个工具调用，完整信息是{path: "file.txt", content: "..."}。在“压缩”后，只保留{path: "file.txt"}。
优势：信息“零”丢失，只是被“外置”了。
2. 摘要 (Summarization)：不可逆的“遗忘”
定义：对历史信息进行总结，彻底丢弃原文。
优势：大幅度释放上下文空间。
Manus的策略堪称精妙：
设置“腐烂”闹钟：首先，团队会设置一个“腐烂阈值”，比如128K。
先“压缩”，后“摘要”：当上下文达到128K时，系统首先触发“压缩”。只在“压缩”的收益也变小时，才万不得已触发“摘要”。
“压缩”的艺术：执行“压缩”时，只压缩最老的50%历史，并保留最新的50%工具调用的完整信息。这能确保模型有足够的新鲜“样例”来模仿，防止其行为错乱。
“摘要”的技巧：执行“摘要”时，会使用原始的、未经压缩的数据来总结，以保证信息保真度。并且，同样会保留最后几个工具调用的全量信息，防止模型“忘记自己刚刚在干什么”。
6. 在流沙上构建：5次重构与“更贵”的开源
这套复杂的“上下文工程”架构，就是Manus的护城河。它让Manus有能力在“流沙”（不断迭代的大模型）之上构建稳固的应用。
“从3月到现在，我们已经重构了5次。”Peak说。
这种“上下文工程”能力，也让他们在选择模型时有了更反直觉的洞察。
Peak甚至认为，对于Agent应用，使用开源模型可能“更贵”。
“这很有趣，关键在于成本。”他解释道，“Agent的输入（上下文）远大于输出，KV缓存至关重要。”而头部API厂商（如Anthropic）在分布式KV缓存上做了坚实的基建，使得在超长上下文中，API的成本甚至低于自托管的开源模型。
7. 结语：构建更少，理解更多
回顾Manus的历程，Peak给出了他最深刻的领悟：
“我们最大的飞跃，不是来自添加了更花哨的上下文管理技巧，而是来自‘简化’和‘移除不必要的层’。”
“我们最终的哲学是：构建更少，理解更多（Build less and understand more）。”
这位10年NLP老兵最后总结道：
“上下文工程的真正目标，不是让你的系统更复杂，而是让模型的工作，变得更简单。”
from Langchain
Context Engineering for AI Agents with LangChain and Manus
优势：信息“零”丢失，只是被“外置”了。
2. 摘要 (Summarization)：不可逆的“遗忘”
定义：对历史信息进行总结，彻底丢弃原文。
优势：大幅度释放上下文空间。
Manus的策略堪称精妙：
设置“腐烂”闹钟：首先，团队会设置一个“腐烂阈值”，比如128K。
先“压缩”，后“摘要”：当上下文达到128K时，系统首先触发“压缩”。只在“压缩”的收益也变小时，才万不得已触发“摘要”。
“压缩”的艺术：执行“压缩”时，只压缩最老的50%历史，并保留最新的50%工具调用的完整信息。这能确保模型有足够的新鲜“样例”来模仿，防止其行为错乱。
“摘要”的技巧：执行“摘要”时，会使用原始的、未经压缩的数据来总结，以保证信息保真度。并且，同样会保留最后几个工具调用的全量信息，防止模型“忘记自己刚刚在干什么”。
6. 在流沙上构建：5次重构与“更贵”的开源
这套复杂的“上下文工程”架构，就是Manus的护城河。它让Manus有能力在“流沙”（不断迭代的大模型）之上构建稳固的应用。
“从3月到现在，我们已经重构了5次。”Peak说。
这种“上下文工程”能力，也让他们在选择模型时有了更反直觉的洞察。
Peak甚至认为，对于Agent应用，使用开源模型可能“更贵”。
“这很有趣，关键在于成本。”他解释道，“Agent的输入（上下文）远大于输出，KV缓存至关重要。”而头部API厂商（如Anthropic）在分布式KV缓存上做了坚实的基建，使得在超长上下文中，API的成本甚至低于自托管的开源模型。
7. 结语：构建更少，理解更多
回顾Manus的历程，Peak给出了他最深刻的领悟：
“我们最大的飞跃，不是来自添加了更花哨的上下文管理技巧，而是来自‘简化’和‘移除不必要的层’。”
“我们最终的哲学是：构建更少，理解更多（Build less and understand more）。”
这位10年NLP老兵最后总结道：
“上下文工程的真正目标，不是让你的系统更复杂，而是让模型的工作，变得更简单。”
from Langchain
Context Engineering for AI Agents with LangChain and Manus
那么，这个听起来高深的“上下文工程”到底是什么？
3. “上下文悖论”：Agent的阿喀琉斯之踵
2022年，我们谈论的是“提示词工程”（Prompt Engineering），它解决的是单次交互。
而2024年，我们面临的是“上下文工程”（Context Engineering），它要解决的是Agent（智能体）的长序列、多轮工具调用。
LangChain的创始人Lance指出了一个“上下文悖论”：
Agent要完成复杂任务，必须大量调用工具（典型任务约50次）来获取上下文。
但上下文越长，Agent的性能就越差，成本也呈指数级上升。
更糟糕的是，Peak发现，即使是100万Token的上下文窗口，模型在处理到200K（约20万）时，性能就开始“腐烂”（Context Rot），出现重复、缓慢和质量下降。
“上下文腐烂”的阈值，大约就在128K到200K之间。
你的Agent又慢又笨，不是模型不行，是你的“上下文工程”没做好。
4. 破局：上下文工程的4大支柱
如何解决这个悖论？LangChain的Lance总结了业内顶尖团队（包括Manus）都在使用的4大工程支柱：
上下文卸载 (Offloading)
做法：不把所有信息都塞进上下文。比如，一个万字的网络搜索结果，只在上下文中返回一个文件路径（file.txt），Agent需要时自己去读。
场景：处理大文件、大输出。
上下文检索 (Retrieving)
做法：把信息（如记忆）存储在外部（如向量数据库），在需要时通过RAG或简单的grep命令检索回来。
场景：长时记忆、知识库。
上下文隔离 (Isolation)
做法：使用多智能体（Multi-Agent）架构，每个子Agent只处理自己的小上下文窗口，互不干扰。
场景：复杂任务拆解。
上下文缩减 (Reducing)
做法：这是最核心也最精妙的一步，即在上下文“腐烂”之前，主动对其进行“瘦身”。
而Manus团队，正是在“上下文缩减”上，做到了极致。
5. Manus实战：“压缩”与“摘要”的精妙艺术
Peak的团队将“缩减”分为了两种截然不同的操作：
1. 压缩 (Compaction)：可逆的“瘦身”
定义：删除那些可以从外部（如文件系统）重建的信息。
3. “上下文悖论”：Agent的阿喀琉斯之踵
2022年，我们谈论的是“提示词工程”（Prompt Engineering），它解决的是单次交互。
而2024年，我们面临的是“上下文工程”（Context Engineering），它要解决的是Agent（智能体）的长序列、多轮工具调用。
LangChain的创始人Lance指出了一个“上下文悖论”：
Agent要完成复杂任务，必须大量调用工具（典型任务约50次）来获取上下文。
但上下文越长，Agent的性能就越差，成本也呈指数级上升。
更糟糕的是，Peak发现，即使是100万Token的上下文窗口，模型在处理到200K（约20万）时，性能就开始“腐烂”（Context Rot），出现重复、缓慢和质量下降。
“上下文腐烂”的阈值，大约就在128K到200K之间。
你的Agent又慢又笨，不是模型不行，是你的“上下文工程”没做好。
4. 破局：上下文工程的4大支柱
如何解决这个悖论？LangChain的Lance总结了业内顶尖团队（包括Manus）都在使用的4大工程支柱：
上下文卸载 (Offloading)
做法：不把所有信息都塞进上下文。比如，一个万字的网络搜索结果，只在上下文中返回一个文件路径（file.txt），Agent需要时自己去读。
场景：处理大文件、大输出。
上下文检索 (Retrieving)
做法：把信息（如记忆）存储在外部（如向量数据库），在需要时通过RAG或简单的grep命令检索回来。
场景：长时记忆、知识库。
上下文隔离 (Isolation)
做法：使用多智能体（Multi-Agent）架构，每个子Agent只处理自己的小上下文窗口，互不干扰。
场景：复杂任务拆解。
上下文缩减 (Reducing)
做法：这是最核心也最精妙的一步，即在上下文“腐烂”之前，主动对其进行“瘦身”。
而Manus团队，正是在“上下文缩减”上，做到了极致。
5. Manus实战：“压缩”与“摘要”的精妙艺术
Peak的团队将“缩减”分为了两种截然不同的操作：
1. 压缩 (Compaction)：可逆的“瘦身”
定义：删除那些可以从外部（如文件系统）重建的信息。
一位拥有10年NLP（自然语言处理）经验的AI创业公司联创坦言：“对于创业公司，过早微调（Fine-tuning）模型是一个陷阱。”
这不是危言耸听。
Manus的联合创始人兼首席科学家Peak，在最近与LangChain创始人的对谈中，分享了他的“血泪教训”：他的上一个产品，迭代速度被长达1-2周的模型训练周期活活拖死。
这一次，他选择把所有赌注压在“上下文工程”（Context Engineering）上，并为此，他的团队在短短几个月内，将产品重构了整整5次。
为什么他如此笃定？
1. “微调”的陷阱：被模型拖垮的“上一个”公司
在创立Manus之前，Peak已经在NLP领域摸爬滚打了10年。他的上一个创业项目，和现在许多AI团队一样，选择了“训练自有模型”的重度路线。
结果是灾难性的。
“我们的产品创新速度，完全被模型的迭代速度给限制了。”Peak回忆道。
在产品还没找到PMF（市场契合点）的阶段，他们却在花费大量时间“提升那些可能根本不重要的基准测试”。一个单一的“训练-评估”周期，就需要1到2周。
当团队在焦急地等待模型时，市场窗口早已关闭。
但最大的“陷阱”还不是时间，而是“僵化”。
“当你微调一个模型时，”Peak解释道，“你通常会固定一个‘行动空间’（Action Space）。”
这就像你花重金打造了一把精妙绝伦的“屠龙宝刀”。但如果第二天，巨头发布了（比如多模态MCP），市场不再需要“屠龙”，而是需要“飞天”，你这把刀就成了一堆废铁。
“Manus的设计就曾被MCP的发布彻底改变。”Peak坦言，如果他们当时死磕微调，唯一的下场就是被市场活活抛弃。
2. 划清界限：AI应用层的真正边界
经历了上一次的“痛苦”领悟，Peak这次为Manus找到了一个清晰无比的战略边界。
“你必须坚定地划清你的界限（Be firm about where you draw the line）。”
对于AI应用层创业，这条界限就是“上下文工程”。
Peak认为，这是目前应用和模型之间最清晰、最实用的边界。创业公司应该“尽可能久地”依赖通用大模型，而不是试图在模型层与巨头竞争。
巨头的护城河是“模型”，而应用层的护城河，就是你“使用”模型的能力——即“上下文工程”。
