高质量信源素材库：494个去重信源整理成Agent研究底库
作者将494个去重信源整理为Agent的研究底库，覆盖15个领域，包括342个可导入OPML的信源、Karpathy分享的92条HN 2025 RSS冷启动集，以及58个YouTube频道Feed。该素材库可用于研究、选题、事实核验和撰写推文等场景，帮助快速寻找线索，但作者提醒具体主张仍需回到原始来源进行核验。
相关文档
用 AI 做短片：8 个素材入口，以及 Opus、Codex 的实际用法
文章介绍了用 AI 写代码制作短片的完整流程。作者整理了 8 个免费素材入口，包括 Pexels、Pixabay、Internet Archive、Wikimedia Commons、美国国会图书馆、British Council Film Archive、Open Beelden 和 Europeana，并说明各平台的许可注意事项。文章强调先列镜头清单、再按需求搜索素材的方法，讲解了版权核对的四个要点（下载、改编、发布、署名）及常见 CC 许可含义。最后详细展示了在 Claude Opus 和 Codex 中操作的具体步骤，并提供了两段可直接使用的提示词，涵盖找素材、生成小样、修改反馈和素材归档等环节。
如何构建正在取代 Prompt Engineering 的 AI 循环
文章指出，过去两年提升 AI 效果的关键在于写更好的提示词，但这一方法正逐渐失效，取而代之的是自主循环（loop）。文章以 Karpathy 的 autoresearch 系统为例：该系统两天内自动运行约 700 次实验，发现约 20 项改进。作者阐述了真正循环的五个阶段（发现、规划、执行、验证、迭代），强调验证、记忆和停止条件三大关键组件，并介绍了自愈式 GitHub 仓库的实践案例。最后，文章给出用 AGENTS.md、loop.py、verify.sh 三个文件构建第一个 AI 循环的入门方法，指出外部验证比增加另一个模型更重要。
Anatomy Skill实测：一句话让AI生成任何原理的科普视频
作者分享了一个名为Anatomy的开源Claude Skill，其核心理念是“物体本身就是解释”，能将抽象原理转化为可交互的3D机械模型动画。作者进一步让AI在动画基础上生成带讲解和配音的科普视频，如机械表计时、显卡工作原理、TCP三次握手等，效果清晰易懂且额度消耗低（5分钟视频约占Claude Max周额度1%）。文章还结合Karpathy的观点探讨了AI时代学习新知识的方式：从文字、图表、交互网页到按需生成的科普视频，AI让每个人都能随时获得定制化的学习材料。
十几亿人只拿 AI 聊天，2000 万人已经让它干活：小白用好 AI，第一步不是买会员
文章借 Karpathy 的漏斗模型，指出大众对 AI 能力的认知错位：60亿人没碰过大模型，十几亿人只用免费版聊天，仅约2000万人专业使用前沿模型。作者提出小白用好 AI 的三步法：一是换档，分清聊天与派活，按需选择档位而非盲目付费；二是派活，从可检查、重复性的真实任务入手，让 AI 先复述目标再动手；三是验收，把做完写成可执行的动作，要求 AI 交证据，涉及钱、删除、权限必须亲自确认。文末附派活单和七天上手清单，帮助读者用一件真实任务体验 AI 的实际价值。
如何用好AI？从Andrej Karpathy的提示词策略讲起
文章从Andrej Karpathy提出的四个让AI输出更易理解的方法（ASD-STE100受控英语、画图、交互网页、现做讲解视频）出发，指出盲目照抄提示词到CLAUDE.md等配置文件是错误做法。作者认为真正值得学习的是背后的方法论：先明确想要的效果，再寻找能指向它的'压缩过的名字'。作者设计了A/B对照测试，验证了ASD-STE100、体裁名称、作家风格等词在文字、图片、视频剪辑（如J-cut、Match cut）任务中的实际效果，并给出寻找自己词汇的实践流程：分析喜欢的作品、找术语、测试迭代、验证后存入词表，强调思考、测试、验证才是用好AI的关键。
Jev + Agent：打造一个每小时自动更新的素材库
作者介绍了用 TypeSafe 新发布的判断型模型 Jev 与 Agent 协作搭建广告素材自动化筛选库的实践。Jev 不生成文本，只做选择题、打分和是非判断，单次判断 70-500 毫秒，输入价格极低。作者将 RollerAds 的 4,000 多条素材接入 Polaris 追踪系统，让 Jev 每条回答 12 个问题（钩子类型、优惠、CTA、审核风险等），400 条素材 20.6 秒即可读完。每小时自动为新素材补标签，再按规则筛选出置信样本交给 Agent 做二创和测试，大幅节省 Token 成本，实现高效的投放自动化工作流。
用豆包工作搭建个人阅读系统
作者分享了如何利用豆包工作的定时任务搭建个人阅读信息系统。系统由三个模块构成：采集（豆包定时任务抓取播客、博主、Newsletter等）、存储（飞书文档和多维表格）、展示（基于多维表格搭建卡片式前端页面）。作者详细介绍了五步搭建流程：整理信息源、测试抓取、制作Skill、AI改写文章、推送到飞书。通过设置每6小时抓取AI热点、每日抓取热门播客、每周汇总周刊等定时任务，实现了24小时自动化的信息采集。文章还分享了阅读数据库的字段设计和页面搭建方法，让阅读体验像刷信息流一样。相关Skill已在GitHub开源。
用5块钱的Gemini订阅自动搞定每日选题和素材库
作者分享了一个低成本利用Gemini Pro会员搭建个人选题与素材库的思路：通过Gemini Spark结合YouTube与Google Drive，自动搜集感兴趣创作者（如Dan Koe）的高播放量视频，将标题、链接、摘要与逐字稿整理到Google Sheets和Docs中。同时演示了打造X情报雷达的方法，自动汇总特定主题的可核实推文。文章强调素材搜集后需自行筛选与核对，并将素材库与写作Skill衔接，形成搜集、整理、入库、筛选、写作、回存的完整流程。
AI 裁员最值得盯的，不是裁掉谁，而是不再招谁：我用 Apodex 查了 43 条案例
作者使用 Apodex 1.1 的 Deep Discover 功能，对 43 条 AI 裁员公开案例进行核验研究，并重点复现 Salesforce、Klarna、Duolingo 和 Snap 四家公司。研究发现：只有 17/43 条案例与 AI 存在明确或模糊关联，最值得关注的信号不是裁员本身，而是“岗位入口收缩”——离职后不补、初级岗减少、岗位职责扩大。文章详细演示了如何用 Agent Team 并行查证、中途追加招聘入口核验、通过 Statement Review 复核结论，最终交付可复用的报告、证据表和 CSV。核心观点：AI 对就业的影响更常表现为招聘入口变窄，而非直接裁员。
未来 Skill 的终极形式 → Agent 大脑
文章探讨为什么同一个 Skill 在不同人手中运行效果差异巨大：Skill 如同课本，本身不等于能力，离开适配的环境便难以发挥作用。作者引用 OpenAI 产品负责人 Tibo 的观点和 Karpathy 的 LLM Knowledge Bases 实践，提出未来 Skill 的终极形式是 Agent 大脑——一个持续吸收 Skill、理解本地环境、积累真实运行反馈并自主更新演化的个人知识库。真正拉开 Agent 能力差距的，不是安装了多少 Skill，而是外部知识能否被熔炼进属于自己的系统。
6个AI SEO Agent习惯：3个月获得57100次AI提及
作者通过对120个购买类搜索的分析发现，谷歌排名第一的网站只有52%的概率被谷歌自家AI提及，78%的搜索中AI会引用排名前10以外的网站。文章提出一套6步AI SEO策略：向AI提问记录竞争对手、挖掘Search Console中接近排名的关键词、分析AI引用的竞品页面并超越、利用谷歌自动补全挖掘购买意图词、持续将品牌与关键词关联搜索、以及在YouTube、Reddit等AI实际读取的平台布局内容。
自动化内容生产，6 个 Agent 怎么把选题、截图、评分和写作接进一个飞书看板
文章介绍了利用 6 个 Agent（运营、选题、内容写作、自媒体、数据复盘、开发）实现内容生产自动化的实践。通过飞书多维表格作为看板，Agent 们分工协作完成 URL 去重、评分、截图、写作和数据复盘，实现高效的内容创作流程。
