本文介绍了开源工具Hypit，可以给AI Agent（如WorkBuddy）装上一整套视频制作语言和系统，实现复刻爆款视频：输入一条视频后，Agent会生成包含画面、字幕、B-roll、特效的完整制作工作流，也可从零生成视频工作流。作者对比了Seedance、MiniMax H3、可灵等视频生成模型的选择建议，并实操演示了1:1复刻吉列剃须刀广告的全过程：部署Hypit、上传视频、选择视频生成模型（WorkBuddy内置Videogen实际调用可灵kling-v3-t2v），约28分钟完成复刻，消耗约800积分。作者认为Hypit还原度高，比一般视频复刻Skill更稳定，值得体验。
本文是作者在承德OPC线下实训的万字分享整理。前半部分分析一人公司（OPC）兴起的真正原因：Agent使AI能端到端交付任务，突破了个人交付能力的天花板。文章拆解了四种个人商业模式：AI博主卖注意力、专业人士用内容获客、行业小产品变现、知识付费教学，并指出最大的坑是先做产品再找客户。后半部分为完整实操，讲解如何搭建由Context、Memory、Skill、Agent四模块组成的AI分身系统，通过固化身份、知识库与技能，让AI代替自己完成重复交代，实现个人业务的系统化交付。
剪映官方推出 Agent，走封闭全家桶路线，能力仅限软件内并售卖 AI 会员。与此相反，逸尘开源的逆向项目 jianying-headless 将剪映控制权交还外部 Agent：可用 Codex 一条指令批量粗剪、加字幕、配 BGM；借助 DeepSeek 和豆包 ASR，一小时视频成本不到一块钱；生成的是剪映原生工程文件，可随时人工微调。作者认为这是目前最自由、成本最低的视频剪辑自动化方案，并建议大家尽快 Fork 以防项目被下架（404）。该项目替代了此前用 Computer Use 模拟鼠标操作的笨办法。
文章探讨 Jev 这类'认知 ASIC'式类型决策模型的意义。作者指出传统 LLM 的直觉只是符号层面的 System 1，与人类根植于具身经验的直觉存在本质断裂；CoT 推理模型则是显式展开的符号 System 2。Jev 将高频、受 Schema 约束的判断从语言生成中剥离，编译为强类型决策原语，实现低延迟确定性收敛，类比 CPU 与 ASIC 的分工。文章进一步论证 Agent 虽有因果介入权却缺乏不可逆的生存代价，无法产生真实品味，因此需构建价值声明治理体系，守住人类主体经验的溯源锚点。
文章介绍了如何将 TypeSafe 的轻量分类模型 Jev 接入 Grok Bot：包括申请 API Key、通过安全卡片保存密钥、安装 SDK 并测试调用，最后将流程保存为 Skill 复用。作者强调并非工具越多越好，在自己早期游戏项目中接入 Jev 属于负优化，并给出两个适合的场景：一是 Bot 挂载 Skill 过多时让 Jev 先筛候选（官方测试错误率从16.8%降至7.3%），二是搜索结果排序（正确段落进入前十比例从38%提升到62%）。最后建议判断标准是：多接一个模型到底改变了什么。
文章介绍了TypeSafe AI推出的专用判断模型Jev及其背后的System One Models理念。与通用大语言模型逐token生成不同，Jev专注于答案范围明确的判断任务，提供Choice（选择）、Score（打分）、Noul（概率判断）三种能力，可并行输出多项判断及概率，大幅降低响应时间和调用成本。作者以电商评论处理为例演示了三个特性的用法，并指出Jev与大语言模型是互补关系：判断、分类、打分等环节交给Jev，复杂推理和内容生成仍由大模型承担。这种专用化思路对Agent系统（Harness）友好，有望开辟AI模型分工的新赛道。
文章介绍如何通过 Vercel AI Gateway 的 key 免费调用 TypeSafe 的 Jev 模型，无需白名单。作者列举了 7 个开源应用案例：浏览器自动化查找机票、Android 手机自动操作打车、Agent 上下文压缩节省 token、用 Jev 核对任务完成声明的 MCP 工具、PostgreSQL 扩展按语义筛选客户流失记录、工具调用前的自动审批流程、以及多模型自动路由分发任务。最后给出接入教程：登录 Vercel、创建 Gateway key、让编程 Agent 完成调用配置。
文章提出AI原生服务是当下最好的创业方向，市场规模高达千亿美元。作者以会计师与QuickBooks为例：企业为软件付1万美元，却为使用软件的会计师付12万美元，后者如今因AI可被规模化接管。AI原生服务由Agent完成大部分工作，以软件边际成本交付服务结果，可按服务定价、按软件估值。文章对比了SaaS、App和传统代理公司的劣势，解释了为何现在是最佳时机（模型能力提升、成本骤降、4.6万亿美元服务市场开放），并以Harvey、EvenUp、Kick等公司为案例，阐述了如何选择计价单位、设计获客流程等构建AI原生服务的关键要素。
本文是 Jev（一个通用 System One 模型）的新手指南。Jev 专为快速、聚焦的判断设计，而非长推理或开放式写作。用户给它提供上下文（状态）和决策表（问题），它返回结构化答案及不确定性概率。答案类型包括 Choice（单选）、Noul（是/否概率）和 Score（有序打分），可一次请求多个互不影响的问题。文章介绍了 Jev Playground 中的六个用例，如支持工单分流、模型路由、Agent 工具调用守卫、智能家居请求等，并强调最终决策应由代码完成：设置阈值、硬规则和权限判断。Jev 适合重复性、答案有界的判断场景，但在算术、计数、日期、对抗性输入等方面表现不均，需谨慎使用。
作者分析了 OpenAI、Anthropic、Google DeepMind 及国内字节、Kimi、智谱等十余家公司 100 多条产品经理招聘 JD，指出「AI 产品经理」并非单一岗位。文章将 AI 行业分为模型公司、平台基础设施、应用公司三层，各层对产品经理的能力要求差异巨大：模型公司看重模型评测与技术理解，平台层关注开发者体验与成本定价，应用层强调产品判断与场景转化。作者归纳出评测度量、跨团队推进、模型技术理解等七大能力维度，并针对应届生、有商业化经验者、大厂产品经理、非产品背景人群分别给出入行路径建议。
本文是一篇豆包工作（豆包面向生产力场景的AI产品）保姆级教程。第一部分系统介绍其核心功能组件：内容生成与文件处理、电脑和浏览器操作、技能（Skill）体系、连接器、工作伙伴与小队、云盘与项目管理、手机遥控电脑、模型选择与推理强度、定时任务以及本地/云电脑执行环境和权限控制。第二部分以'根据简历找岗位'为实战案例，演示从上传简历、联网搜岗、匹配度分析到生成可视化求职看板的完整流程，并附详细提示词模板与常见问题解答。第三部分分享高效提示词编写公式、多文件协同处理、结果校验等进阶技巧。
文章介绍了发布即爆火的新模型 Jev（TypeSafe 公司出品），它不生成文本，只做判断：路由、分类、打分、审核。相比大模型，它判断速度快 40-200 倍（0.1 秒级），成本便宜约 400 倍，且因输出限定在预定义选项内而不存在幻觉空间。创始人 Diogo Almeida 是前 OpenAI 研究员。文章给出了三条免费或低成本使用方式（OpenJev、官方 waitlist、OpenRouter），并冷静指出官方数据的局限：444 倍提升是评测上限，第三方实测准确率约 68%。Jev 定位为给大模型打配角的 System One 模型，适合 Agent 场景中的高频小判断。
文章探讨 Cua 团队基于 TypeSafe 发布的 System One 模型 Jev 的实验。Jev 不做开放式文本生成，而是提供决策接口：输入上下文和候选选项，返回类型化决策（Choice、Score、Noul 三种原语）。作者分析在 computer-use agent 中，表单填写等局部决策并不都需要通用 LLM 完成，可将应用观察状态、构建候选动作，由模型评分选择，再由应用验证执行的循环架构。文中还讨论了纯文本决策模型如何借助 OmniParser 等感知模块将截图转为结构化元素，以及 Kahneman 快慢思维类比在模型分类中的局限。
文章介绍了一个面向小企业、小团队的多租户 Agent Dashboard——腾讯开源的 Octop。团队可以在内部共享一个 Agent 平台来创建技能和 Agent。亮点包括：支持单点登录和简单的多租户权限控制；支持 Docker 服务端部署并提供 Web Dashboard；可对接不同的存储后端、数据库以及沙盒服务。作者将其定位为 Grok Bot 的小团队版，与面向个人的 OpenClaw/Hermes 和桌面端的 WorkBuddy 形成差异化。作者表示非广告，如果领导要求做类似系统可直接参考。
文章基于 Anthropic FDE Kevin Bai 的演讲与 ElevenLabs CEO Mati Staniszewski 的访谈，系统阐述 Forward Deployed Engineer（前置部署工程师）模式：FDE 是派出工程师深入客户业务、基于自有平台构建定制方案、按结果交付的模式，区别于外包。其适用判据是'高复杂度产品 × 非技术买家'。AI 时代几乎所有平台都可被 Agent 深度定制，推动各公司进入该场景。组织上 FDE 应隶属产品团队，关键在于知识回流平台，否则退化为服务业；文章总结 FDE 为'平台杠杆 × 知识回流杠杆'的双向结构，并以 Deutsche Bank 语音 Agent 案例展示交付流程。
作者因收藏夹里长文太多而没时间阅读，萌生把X内容转化为播客的想法，于是用Grokbot从零搭建了ListenX平台。文章详细介绍了全AI自动化工作流的搭建过程：先用《Grokbot橙皮书》注入认知并拆解架构，再部署五大AI专家角色——文本脱水与清洗员、播客金牌编剧、全栈开发工程师、视觉设计总监、声音导演与TTS调度员，每个角色都附有完整系统提示词。最后通过群聊协同与SOP工作流实现全自动化：丢入推文链接即可自动生成播客并上线，让X内容可以随时随地用耳朵消费。
文章从AI对话缺乏长期记忆的痛点切入，系统讲解了个人知识库的作用、分类与搭建方法。作者介绍了两大主流方案：以检索为中心的RAG知识库和以持续维护页面为中心的LLM Wiki知识库。RAG部分通过Dify演示了从资料上传、切片、混合检索索引建立到Agent接入的完整流程；LLM Wiki部分则介绍了Karpathy提出的三层结构（raw sources、wiki、schema），强调Markdown页面对AI友好且透明可查。最后作者分享了自己结合两者优势的混合方案，帮助读者根据实际需求选择合适的知识库路线。
作者开源了一套视频封面制作Skill，解决视频剪好后制作封面耗时耗力、缺乏思路的痛点。通过在蔚蓝AI平台的Skill仓库获取'蔚蓝风格封面生成'，复制GitHub仓库地址后交给Codex等Agent完成安装，即可调用Skill快速生成风格统一、包含大标题、人物形象和贴纸的爆款封面，5分钟内一次可生成5张不同风格供挑选，并支持局部修改如调整标题、人物或比例，非常适合小红书等平台的内容创作者使用。
袋鼠帝及其AgentWork开源社区耗时30天推出免费开源的《魔搭紫皮书》，一本约40万字、8篇34章的系统学习AI指南。与侧重AI Agent应用的workbuddy蓝皮书和豆包工作蓝皮书不同，紫皮书面向想从零深入AI领域的读者，涵盖开源模型下载、微调（ms-swift）、评测（EvalScope）、应用场景（AI健身教练、智能客服质检、语音助手等）及Agent篇（Claude Code、DeepSeek Harness等）。作者分享了自己7年前报培训班学习编程的经历，强调开源时代AI学习资源免费可得，唯一门槛是执行力。
本文介绍了 AI 圈新火的模型 Jev——一个不做文本生成、只返回带概率判断的决策模型。文章讲清了它的三种用法（是非判断、选项选择、打分），提供了四种 30 分钟内可上手的接入方式（官方 Skill、Vercel、OpenRouter、SDK），并整理了 8 个可直接复用的真实案例：7 秒订机票、代码审查、工单分流、简历初筛、语义搜索、AI Agent 路由、RAG 重排、动态 UI 拼装等。还总结了 5 个反直觉要点（不写字、零幻觉指格式而非正确性、不会拒绝等）、官方自曝的雷区（不会算术、不懂日期先后、易被提示词注入），以及不适合使用的场景。
作者整理了25道Agent方向高频实操面试题，聚焦一线项目落地痛点，分为五大模块：Agent核心架构（ReAct与Plan-and-Execute选型、多Agent设计、HITL机制）、工具调用落地（Function Calling、Schema设计、重试熔断降级）、记忆与状态管理（长短记忆、Token溢出）、效果优化与问题排查（Bad Case溯源、性能瓶颈定位）以及Agent+RAG落地（检索优化、幻觉防控）。这些题目针对FDE等需要真实项目落地经验的岗位，大多是开放性问题，能同时考察面试官和面试者的实战深度。
本文结合作者维护开源项目 CC Switch 的实际经验，深入分析 Claude Code 的项目级自动记忆（auto memory）机制。文章对比了 CLAUDE.md、自动记忆与会话历史三者的分工，解析了记忆的存储结构（索引 MEMORY.md 加主题文件）、按需加载原理、索引容量上限（200 行或 25K UTF-16 码元）及精简策略。作者通过 JSONL 台账写入纠正、方案决策背景保留、PR 审查接续三个场景说明记忆的实际价值，并指出索引超限截断、信息过时、精简后索引与正文不一致等缺陷，最后给出使用建议：明确表达纠正及原因、定期检查记忆文件、区分当前结论与历史证据。
作者天策记录了与北哥畅聊后对AI时代个人生态位的思考：确立自媒体+线下活动+海外FDE的方向。文章阐述了AI视角下的行业逻辑——skill、agent和AI产品本质上都在为Token打工，关键是扩大应用范围卖出更多Token。作者介绍了合作的AI平台Creao，提供低成本使用顶尖大模型的机会，使其能按想象力开发产品并利用最顶尖大模型套利。作者感叹AI让00后、05后超级个体涌现，一人即一家公司，认为这是最好的时代，鼓励大家顺势而为在AI时代收获财富。后续将专注前端流量，后端承接已稳定。
腾讯开源了 BrowserSkill，作者用 WorkBuddy 实测后评价很高。该工具由 Skill 指令、bsk CLI 和 Chrome 插件三部分组成，可让 Agent 直接复用已登录的浏览器状态，在独立 Agent Window 中打开网页、搜索、点击、读取数据和截图，不影响用户正在使用的页面。它兼容 WorkBuddy、Codex、Cursor、Claude Code 等支持 Shell 调用的 Agent。作者实测完成了环境检查、识别 17 个标签页、搜索并整理结果等任务，安装过程简单，适合网页调研、热点搜索、后台操作和前端测试等场景。
作者借 E.M. Forster 1909 年的科幻小说《机器休止》，剖析企业 AI 转型失败的根源：真正懂业务运转的人已离开，知识只存在于个人脑中、Slack 记录和部落经验里。AI 无法修复无人理解的流程，只会以机器速度放大混乱。MIT 与 RAND 的研究显示，绝大多数 GenAI 试点失败的原因是组织性而非技术性。作者提出解决方案：先梳理并文档化关键流程，建立基线和评估体系，再构建 AI Agent，用循环迭代的方式重新获取并固化组织知识，避免机器在无人理解中停摆。
作者分享了如何制作一个让 Agent（如 Codex）通过 Telegram 账号自动搜书、下载电子书的 Skill。文章详细记录了完整流程：创建 Telegram Bot、绑定 Z-Library、申请 API ID 和 Hash、安装配置 Skill 并登录授权，最终实现一句话即可下载电子书。作者还分享了申请 API 时遇到的报错坑及其解决方法（通过某鱼代申请），并将完整代码开源到 GitHub。文末呼吁尊重版权，建议通过正版渠道支持作者。
作者围绕新模型 Jev 在金融投资领域的应用做了几千次真实 API 调用测试，估算模型费用约 0.05 美元。文章梳理了推特上多个热门应用案例：交易机器人、价格预测、SEC 公告筛选、期货短线交易、代币风险筛查等，并分析了各自优劣。作者认为 Jev 不适合生成完整研报，更适合作为核验检查步骤：区分预计收入与已实现收入、识别数据口径错误、去重消息、发现交易动作与用户意图冲突等。文章还介绍了 Jev 与主模型配合的流程设计、缓存与成本考量，给出了基于 TypeSafe Playground 的上手实验建议。作者用 104 条合成样本测试，99 条符合预设，提醒速度可试研究辅助但不能承诺交易执行，最后透露正在开发期权策略选择器。
作者开源了一套用 Codex Skill 自动化生产抖音读书带货视频的完整流水线。文章详细拆解了八步流程：选书（真实可核验书籍）、定情绪（单一情绪+两字毛笔字遮罩）、写七段式256字逐字稿、火山引擎TTS配音（固定语速4.56字/秒）、AI生图（侧脸+自然山水构图）、图生视频轻动态、四拍片头制作、FFmpeg渲染并生成剪映草稿。该流水线不露脸、物料成本约两元一条，可批量产出情绪读书视频，实现读书号起号变现。
TypeSafe AI 于2026年9月发布的 Jev 是一个不做对话和内容生成的专用判断模型，主打低成本、高速度地解决软件中的小型理解判断任务，如工单分类、优先级评分和概率判断，提供 Choice、Score、Noul 三种能力。其极低价格（每百万输入token 0.042美元）和 Vercel、Netlify 的快速接入引发开发者关注。文章分析了其'零幻觉'宣传的真实含义、评测数字的适用边界，并指出 Jev 的价值在于与生成式模型、程序和人分工协作，让软件能以低成本读懂小问题。
文章介绍了旧金山创业公司 TypeSafe 推出的闭源基础模型 Jev。它不做文本生成，只做判断题、选择题和打分题，输出严格限定在预设选项内，可在约100毫秒内出结果，成本极低。其核心技术是通过 RLCD 强化学习实现概率校准，类似于卡尼曼所说的 System 1 快思考，与传统大模型的慢思考互补。文章展示了社区应用案例，如浏览器 Agent、游戏实时决策、LangChain 工具路由、AI 输出审核等，也指出其在数数、算数、多跳推理和中文上的短板及提示词注入风险，认为 AI 调用正在走向分层架构。
