X千粉复盘：一次冲动消费，意外救活了我的账号
作者复盘了从0到1000粉近3个月的运营历程。前期因互关增长、方向迷茫、把X当公告栏而停滞。转机来自冲动购买SuperGrok Heavy年卡后，深入研究Grok Bot并持续输出实操内容，同时通过线下分享和主动互动建立真实连接。核心经验：找到真实使用的内容抓手，把经历加工成读者价值，发布不是终点而是交流的开始。
全部文档 / 标签: AIAgent
467 篇
如何自动化获客（完整指南）
本文是一份自动化获客完整指南，介绍如何利用 AI agent（如 grok bot、hermes）和 skill 文件，为数字产品、本地实体生意或无产品者自动生成线索。核心方法：找到已付费人群，抓取公开数据，生成买家画像与广告素材，通过 whop ads 投放或渲染物业修复效果触达业主，最终将线索卖给企业。文章分三条 pipeline：数字线索、实体线索、线索变现，并说明 agent 负责寻找、画像、素材、渲染、外联等，仅少数环节需人工决策。
个人网站上线指南｜域名、部署和上线 一次讲清
本文是一篇面向新手的个人网站上线教程，用通俗语言讲解从本地项目到线上访问的完整流程。文章分为四部分：先解释GitHub、Vercel、域名、DNS等概念及平台选择；再以GitHub+Vercel为例，手把手演示创建仓库、上传代码、导入部署、查看结果；接着介绍购买域名、配置DNS解析、绑定自定义网址；最后说明后续更新流程和费用构成。作者强调理解流程的重要性，并提供了可发给AI Agent的提示词模板，帮助读者在遇到问题时能定位排查。
“程序员除了写代码啥也不会”这个前提是错的
文章反驳了“程序员除了写代码啥也不会、将被AI取代”的观点。作者指出软件工程师的核心能力是理解需求、抽象设计、验证与维护，编码只是中间产物；领域专家靠“稍微了解AI”做出可用产品过于乐观，从原型到产品还需处理UI、边界条件、高并发、安全等问题，而AI工程本身就是一门学科，有工程底子的人更容易掌握。能力迁移是双向的，工程师的抽象与系统思维是跨领域的元能力。AI改变的是职业流程中的环节而非职业本身，工程师重心从写代码转向定义问题、验收结果，各行业岗位都在经历类似重新定位。
Easel：用 AI Agent 自动化自媒体运营全流程
做自媒体最累的不是创作，而是每天重复找热点、想选题、写文案、做封面、剪视频、发平台、看数据等流程。文章推荐开源项目 Easel，由浙大和北大实验室开发，运行在 OpenClaw 上的社媒运营 Agent。它将热点发现、内容策划、图文/视频制作、多平台发布和数据复盘串成完整工作流，并为每个账号建立长期画像，记住定位、受众、风格、平台限制和历史表现，通过数据反馈持续优化内容生成，相当于为个人自媒体配了一支会自我复盘的 AI 内容团队。
Why I open-sourced my software factory
作者维护开源软件工厂 OpenInspect，解释为何开源而非商业化销售。他认为软件工厂是将信号（issue、Slack 消息等）转化为成果（PR、修复、答案）的 AI Agent 基础设施。将其作为产品出售困难重重：沙箱和模型推理等核心组件已被商品化，各组织需求差异大。真正的价值在于组织流程——代理路由、知识分发、系统改进、成本优化和 Token 支出的 ROI 归因，这些都需要与公司组织结构深度匹配。作者曾为 10 到 500 人规模的团队部署此类系统，认为软件工厂会成为关键基础设施，应由企业自持，因此选择开源以让团队专注于组织层面的问题。
马尔可夫毯和自由能原理：新一代大模型的演进方向
文章从马尔可夫毯与自由能原理出发，探讨新一代大模型（如GPT-6 Astra）的演进方向。作者认为，模型能力提升的关键在于与环境交互：通过观察、行动和反馈形成闭环，主动推断并选择信息量最大的行动。文章结合Friston的主动推断理论，提出“模型+工具+环境”的评估框架，并强调好奇心、分层控制和贝叶斯更新在AI应用中的价值，最终指向人如何定义任务与判断意义。
为什么越来越多人愿意自己搓一个工具
文章以微博VibeLab AI创意赛（2500多件作品）为切入点，分析了Vibe Coding兴起的五大原因：一是AI Agent大幅降低了编程门槛，写代码从专业技能变成语言表达能力；二是传统软件无法满足个性化长尾需求，现在普通人可以自己动手实现；三是开发链条缩短，从想法到交付只需几步，甚至无需界面产品，一个脚本或Agent Skill即可；四是模型能力持续升级，从Copilot补全到Claude Code自主探索再到操作电脑；五是做工具心态变化，从宏大目标转向解决具体痛点。最后作者给出实用建议：从写Agent Skill起步，分步骤做原型、MVP再迭代，注意验收与安全，并把作品发布出来获得反馈。
The Elephant in the Context Window
作者借“盲人摸象”寓言剖析个人 AI Agent（BYOA，自带智能体）进入企业后的系统性风险。个人代理凭私钥托管、私有记忆、授权代表和静默执行四大特性在个人任务中表现出色，但在企业中因缺乏共享的组织记忆和集中协调，会引发信息陈旧导致的错误承诺、针对 Agent 的提示注入欺诈、客户沟通混乱、机密泄露以及智能体间操作冲突等问题。作者指出这不是模型能力问题，而是缺少治理型组织记忆，企业需要单一共享的现实来协调各方 Agent 的行动。
非工程师怎么用好 Grok Bot？
本文整理了 SpaceXAI 官方发布的非工程师使用 Grok Bot 的最佳实践案例。作者发现官方数据显示非技术岗位是 Grok Bot 最重的使用群体，因此调研了招聘、销售、市场、财务、设计五大职能的具体用法：招聘用 Talent Scout Bot 自动搜寻和评估候选人；销售团队以幕僚长 Bot 总控，一人带一队 Bot 覆盖会议准备、拓客、客户跟进全流程；市场用 Bot 自动把研讨会线索分发给对应销售；财务的 Haggle Bot 通过席位审计和供应商比价一周省下超十万美元；设计师用四个协作 Bot 高效完成 Figma 设计和动效原型。文章强调 AI 可自动化流程，但关键决策和审批权应保留在人类手中。
豆包工作的神奇能力：定时，遥控，连接器，视频，图片，ppt，音乐（保姆级教程）
本文是一篇豆包桌面端的保姆级教程，详细介绍了豆包从聊天AI进化为AI Agent后的各项功能。包括安装登录、左侧导航的7个主入口（新工作任务、新对话、定时任务、技能·连接器·伙伴、手机遥控电脑、云盘、更多）、底部对话模式（对话、视频生成、帮我写作、图像生成、PPT生成、解题算题、音乐生成、更多）、工作任务模式（+号、工作任务、项目、按需确认、技能、连接器、模型与推理强度）以及免费与付费方案。文章还分享了使用技巧和避坑指南，帮助打工人充分利用豆包提升工作效率。
一个PR换来一次跳槽：和数千Star开源作者聊聊开源与个人资产
作者与两位数千Star开源项目作者对谈，分享开源实战经验：从自身痛点出发找需求、零预算冷启动、算清开源回报账本。开源带来信任凭证、成就感和职业选择权，而非直接经济回报。作者也分享技术人做社交媒体的心得，强调Learn in Public、立即行动、经营个人账号的长期复利，以及AI Agent开发与效能实践。
How to Use GPT-6 Astra to Find Profitable Trading Strategies 24/7
本文介绍如何利用 OpenAI 于 2026 年 9 月发布的 GPT-6 Astra 构建 24/7 自动发现盈利交易策略的 AI Agent，将过去量化对冲基金（如文艺复兴科技）需数百万美元搭建的策略发现流水线成本降至每月约 300 美元。文章详解四大市场错误定价来源：统计套利（Ornstein-Uhlenbeck 均值回归）、波动率曲面错配（Heston 模型）、因子分解异常（Fama-French 五因子残差 alpha）与内部人信号检测（集群买入 Cluster Score）。作者为后端开发者 Roan，专注系统设计、高频执行与量化交易系统。
用Grok Bot搭建自媒体团队：保姆级教程
本文详细介绍如何用 xAI 推出的 Grok Bot（配有云端电脑的 AI Agent）搭建一支自媒体内容团队。作者配置了五个角色：情报侦察员、选题策划师、内容主笔、事实编辑和数据复盘师，形成从信息收集到发布复盘的完整内容流水线。文章涵盖 Grok Bot 与 Codex、Claude Code 的区别、权限边界设置、共享目录结构搭建，以及每个 Bot 的完整提示词配置。作者强调保留人工确认环节：发布、点赞、私信等敏感操作必须人工执行，并给出了关掉本地电脑执行、写入禁止项等安全建议。
AI会不会成为人类历史上的“新物种”？
文章从人类进化史切入，借助赫拉利《人类简史》《智人之上》的观点，指出智人依靠语言构建想象共同体而胜出。作者认为AI与蒸汽机等以往技术革命截然不同，它进入语言、判断与决策领域，成为信息网络中的主动节点。文章提出两大反常识观点：AI无需意识即可深刻改变文明；真正的威胁不是失业，而是人类对复杂系统决策权的垄断逐渐外包。作者分析了AI在复制、永生、并行存在等方面突破生物边界的特征，并讨论人类与AI共存的三种路径，最终警示：改变历史走向的往往不是技术本身，而是谁拥有这项技术。
Harness Engineering: 构建可靠 AI Agent 的完整指南
文章指出许多 Agent 失败并非模型推理问题，而是环境（Harness）设计缺陷。作者系统阐述了 Harness Engineering 这一工程学科：将模糊请求转化为包含目标、范围、约束、验收标准和审批要求的任务契约；通过渐进式披露提供项目地图而非信息轰炸；构建带校验和风险控制的工具网关而非工具堆砌；分离大脑（推理）、双手（执行）和历史（状态）三大职责；将对话历史转化为包含事实、决策、进度和教训的持久化状态，从而将模型智能转化为可靠的工作成果。
Build a business second brain: the 13-lesson guide
本文是 Nick Spisak 的 13 节课教程指南，讲解如何为企业搭建'第二大脑'（second brain）知识库，并结合 AI Agent 使用。作者以自己的公司 Capstone Brands 为例，完整展示了从选择业务问题、创建 GitHub 组织与仓库、用 GitHub Desktop 克隆本地副本、在 Codex 中使用知识库模板发起构建请求，到按销售、营销、情报、财务、运营五大业务职能组织知识的全过程。最终目标是让 Slack 中的 Agent 能阅读公司知识库、回答真实业务问题并引用来源文件。教程还涵盖版本历史管理、访问权限控制、标准操作流程转化为 Agent Skill 等实践要点。
用机器人自动化你的生活
作者分享了一套通过 AI Agent 自动化个人生活的实用方案。文章提供了一份可直接复制使用的 Markdown 提示词，角色为「AI Agent 架构师」，用于对用户的生活和工作做全面审计与访谈。核心原则是最小化有用的 Agent 编制（通常 1-3 个即可），遵循从手动任务到一次性 AI 任务、技能、例行程序、命名专家 Agent、多 Agent 协作再到定时自动化的渐进升级层级。文章详细给出工作流决策漏斗、Agent 拆分测试的六个维度（所有权、上下文、工具、工作风格、审批边界、触发节奏）、Agent ROI 评估方法，以及 Grok Bot 与 Hermes 两个运行时平台的选型指导。
GPT-6 Astra 不会让外行秒变专家
作者亲测 GPT-6 Astra 操控专业软件（Blender、Audacity），指出 AI 是放大器而非许愿池：它能跨越操作门槛，却无法补上领域知识与审美判断。Blender 建模测试中因缺乏建模知识反复翻车，只能给出'不好看'的模糊反馈；Audacity 测试则展现了 Astra 惊人的跨工具调度能力。文章还探讨了 AI 操作留下的中间产物可能成为新的原创证明，并分析 Astra 常停在'下一步'不执行的行为差异，认为门槛没有消失，只是往里挪了一层。
工程师如何用好 Grok Bot？
SpaceXAI 工程师分享如何用 Grok Bot 打造 AI 工程团队：将 Grok Bot 视为能管理编码 agent 的“工程实习生”，通过五个各司其职的工程师 Bot 负责移动端、桌面端、基础设施等领域，配合运营 Bot Jenny 处理 onboarding 与复盘。核心方法包括共享 Notion 数据库突破上下文限制、夜间自动代码审计、P0 紧急流程等，实现同时管理 200+ cloud agent。作者总结了给 agent 完整反馈闭环、减少重复工作、让 Bot 互相编排等实践建议。
2026 我的 Obsidian 完整分享
作者 Jackywine 基于六年重度使用经验，全面分享 Obsidian 知识管理体系的万字长文。文章回顾了自己从疯狂装 47 个插件、反复删库重建的「工具崇拜」弯路，到形成成熟使用方法的历程；汇总并点评了多篇入门教程与论坛精华；介绍了 Obsidian 的创始人故事、本地 Markdown 数据持久性理念、双链优先于分类的核心思想、2500+ 插件生态，以及与 Notion、Logseq、Roam 的对比；最后结合 Karpathy 用 LLM 构建知识库的实践，探讨了 AI Agent 时代 LLM-Wiki 的知识管理新范式。
万字长文｜AI Agent 从入门到精通，通俗易懂讲解
本文是一篇通俗易懂的 AI Agent 入门到进阶教程，讲解了 Agent 的核心原理与工程实践。作者用公式'Agent = 模型 + 目标 + 工具 + 记忆 + 运行循环 + 安全边界'拆解 Agent 构成，对比聊天机器人、自动化流程与 Agent 的差异。文章详细介绍三种经典模式（ReAct、Plan-and-Solve、Reflection）、工具设计的六条硬规则、提示词注入攻击防范、记忆/RAG/上下文工程的区别与用法，以及工作流、低代码、框架、自研四条实现路线的选择建议，并涉及 MCP、多智能体和 A2A 等概念。
AI Agent 跑通了，怎么证明它真的可以上线？
文章指出 Agent 最危险的失败不是报错，而是做错了却显示"已完成"。作者以一个资料研究 Agent 为例，搭建了一套最小可用的 Agent 评测框架，回答三个问题：任务有没有做成、失败发生在哪里、新版本能否发布。核心方法包括：先明确评测要回答的发布决策；把"做完"写成可检查的完成条件和 Hard Failure；建立 30 条起步的分层评测数据集（dev/holdout/regression/challenge）；将 Outcome 与 Trajectory 分开评估；采用 Rules + LLM Judge + Human 三层打分体系。最终通过重复运行对比 v1/v2、设置发布门禁、把线上失败送回评测集，形成完整评测闭环。
用 Eval 工程测试 AI Agent 的 6 种方法
文章指出传统确定性单元测试无法覆盖 AI Agent 的多轮、非确定性行为，提出将评估视为可自动化、可度量的 CI/CD 测试套件。作者给出 6 种生产级 Eval 实践：1）先做确定性 schema 检查（JSON 有效性、工具调用参数）；2）用 Check Grounding API 等数学化度量事实依据，低于阈值即拒绝输出；3）检查多轮工具调用轨迹的依赖顺序并惩罚循环调用；4）构建带严格评分标准、输出推理过程的 AutoRater 评审模型；5）用 AutoSxS 成对对决和胜率数据安全替换模型；6）在 CI 中建立黄金回归数据集作为硬门禁。文中提到 Firebase 团队借此将复杂多步任务通过率从 31.7% 提升至 78.0%。
构建你的 AI FDE 能力入门篇：0x04 Ontology 系统
本文介绍 Palantir 架构核心的 Ontology 系统，强调其关注的不是孤立数据，而是企业中复杂关联的决策。Ontology 通过数据、逻辑、行动和安全四重整合来表达决策，将 ERP、CRM、传感器等多源数据统一为对象、属性和链接，并结合行动逻辑支持实时写回运营系统。文章以医疗制造企业为例说明多团队权限与 AI 智能体安全继承机制，并将 Ontology 概念上分为语言、引擎和工具链三层，支持把 Ontology 当作后端构建 AI 应用，最终形成可持续吸收反馈、支持人机协作的运营决策底座。
AI Agent 记忆的四种类型与记忆生命周期
本文是 Agent 记忆系列第二篇，基于普林斯顿的 CoALA 认知架构框架，将 Agent 记忆分为四种类型：工作记忆（当前上下文）、语义记忆（事实性知识）、情景记忆（带时间戳的具体事件）和程序性记忆（Agent 自行从重复经验中学到的规则）。作者强调仅靠厂商记忆功能只覆盖语义记忆的一小部分，完整的生产级 Agent 还需理解记忆的六阶段生命周期：提取、存储、检索、注入、更新与遗忘。文章为后续动手构建带记忆的 Agent 系统奠定概念基础。
用 Grok Bot 打造一人公司完全指南
作者分享如何用 Grok Bot 搭建一人公司的完整指南。她将自己获得 4100 万次浏览的营销系统（基于 7 个 Claude Skills）迁移到 Grok Bot 中，组建了 4 个专职 Bot 组成的 AI 营销团队。文章强调：不要构建一个通用 Bot，而应让每个 Bot 只做一件事，共享云端电脑，相互传递工作。作者给出选择第一个自动化任务的 5 条标准（周期性、稳定、多步骤、可逆、可衡量），并提供了首席幕僚、营销、销售、客服、运营、财务等功能的组织架构表，指出关键是在关键操作上设置审批边界，让自己从瓶颈变成决策者。
用数据库的语言讲透区块链：从链上模型到 OKX AI 交易工具
文章面向有编程经验的开发者，用数据库的类比讲透区块链核心概念：链是一个只能追加、不可篡改的数据库；钱包只是存密钥的容器，资产记录在链上账本中；转账是带签名的写请求，Gas 是写入计价与排队机制；智能合约是部署上链的公开代码。作者总结了链与普通数据库的四大区别：写入付费、不可回滚、代码即规则、没有管理员。最后以 OKX 开源的 MCP 工具为例，介绍如何让 AI Agent 安全接入交易所 API，并给出从查行情到模拟盘的上手路径。
AI Agent会不会杀死SaaS？我用Apodex跑了一遍美股软件股投研
作者针对'AI Agent会不会杀死SaaS'这一争议问题，使用Apodex投研工具进行了系统分析。Apodex先拆解任务，研究Salesforce、ServiceNow、Workday等公司，分析seat-based模式、AI收入及Agent与SaaS的关系。核心结论是：Agent绕过的是人机界面，但依赖数据、权限、工作流和system of record。AI Agent会压缩浅层SaaS的席位和界面定价权，但增强掌握企业数据轨道的平台。AI收入是真实增量但尚未完全验证。短期是AI增强SaaS确认期，中期转向seat+usage+workflow混合模式，长期SaaS将演变为'轨道+Agent市场'。
软件工厂拆分任务的惊人复杂性
文章探讨了构建软件工厂时最困难的问题之一：如何将人类语言描述的大型目标拆解为代理可执行的具体工作。作者梳理了五种逐步演进的方法：直接委派子代理（如 Claude Code、Codex）、可追踪任务系统（如 Gemini CLI、OpenAI Symphony）、工厂形态的工作结构（如 Warp）、结果关联的工作（如 Factory 的 Missions），以及动态工作图。作者指出，随着代理日益自主，系统本身需要围绕模型构建自己的智能来塑形、追踪和修正工作，这是软件工厂区别于普通代理框架的关键，也是当今 AI 领域最有趣创新的方向。
