摸鱼巨匠🔨

🎯 AI + Web 3

📌 Vibe Coding & AI干货 & 自动化工作流 & AI变现

📡 深度学习 | 持续输出

📩 合作：

[Elara @Elara200410]

入门AI，这依然是最好的视频

花几天时间静心学习，你就学会用 AI 搭建工作流、实现自动化、处理复杂任务。

[摸鱼巨匠🔨 @ChatGptAstra]

@Zh_Crypto517 我也要参与进来了

[Whiny Puppy🐶 @WhinyPuppy98]

this is my AI marketing engine

say I have an idea I want to turn into a campaign. a guide, a cohort, a webinar, something we have been planning for a while, or just something cool I came across and want to build around.

it usually starts as one thing, an idea or an evergreen piece, and this engine is how that one thing becomes a full campaign and fans out across every vertical

the engine is a graph, a general step-by-step the idea moves through. at each step I can swap the harness, the loop, the tool, or the model to fit the campaign

right now I'm testing gstack, superpowers, and matt's skills, engineer tools I'm bending toward marketing

the models can write and design well now. what takes work is the context you feed them, the routing per job, and the evals that catch what is weak

there are eval stops all through the graph. both human and other agents evaluating and reviewing output, and then looping it back if it doesnt

here is the path it travels, from a raw idea down to a shipped campaign

PLANNING

1. the idea in
I dictate the whole thing out loud, every half-formed thought, and let the skill bundle catch the mess and hand me back a starting brief. this is the karpathy point, get it out of your head first and clean it up after

2. ideation
off that brief it opens the idea into angles and directions to choose from. I throw most of them out

3. research and context
this is where I pull context, and how much I need depends on the campaign, sometimes a ton of internal history, sometimes barely any. the internal side is our company brain (gBrain), the voice, the past campaigns, what converted, the offers, the ICP. externally I pull the market, the competitors, the hooks working this week

4. synthesis
different models merge all of that into a draft plan. the plan itself, the architecture and the trade-offs, runs on opus 5, and the narrow work underneath gets cheap fast models. that split is model routing

5. the sign-off
nothing crosses into execution until I sign it off. I read the draft against our marketing protocols, the voice rules, the brand, the SOPs, and I cut, sharpen, or send it back

EXECUTION

6. handing it to the build
once the plan clears the sign-off it goes into the build, and the idea splits into all the parts a campaign needs. here I run two shapes depending on the job. when a piece is one task that has to clear a bar I run a loop, the agent drafts, checks itself, fixes, and keeps circling until it is good.

the bigger many-part pieces I build as a graph, drawing the steps and routes ahead of time so the agents travel the map I laid down. it is usually a bit of both

7. the models doing it
routing runs in execution too, you do not pay opus prices to resize a thumbnail for example

8. what stays with people
some of it I coordinate, some assets I make myself, and the work that needs taste, a relationship, or a client in the room I hand to the agency team

that one idea comes out the other end as a full campaign across every vertical, landing pages, blogs and guides, video scripts, email, PR, paid, and the social cuts

then the results come back in, what got bookmarked, what converted, what died, and that updates the brain for the next campaign

everyone has the same models, so the edge is the graph, the brain, and the protocols, and those you have to build yourself

[摸鱼巨匠🔨 @ChatGptAstra]

@Saccc_c @thsottiaux 有点像光遇的画面哈哈哈

[摸鱼巨匠🔨 @ChatGptAstra]

@jiroucaigou 深入分析一下做市商，狗爷

[摸鱼巨匠🔨 @ChatGptAstra]

模型再强大，也需要 Harness 才能更可靠。

学习 Harness，我推荐这个开源课程。

这个课程从理论讲解，到项目实操并深度综合了 OpenAI、Anthropic 等前沿实践，非常适合��些在 Coding 中经常遇到 “上下文丢失、Agent 失控等情况的人。

链接：https://t.co/qVxBPIREND

[摸鱼巨匠🔨 @ChatGptAstra]

@yoheinakajima Get me in！！！

[摸鱼巨匠🔨 @ChatGptAstra]

@Saccc_c 这是啥途径抓取的推文呀？会有风险不

[摸鱼巨匠🔨 @ChatGptAstra]

@dachshundwizard @Beezie Get my dream come true haha

[摸鱼巨匠🔨 @ChatGptAstra]

@MinLiBuilds 模型推理能力已经足够强了，需要补足的是Agent其它方面的能力，这方面Alloomi做得很好

[摸鱼巨匠🔨 @ChatGptAstra]

@jiroucaigou @bitget 装你妹

[摸鱼巨匠🔨 @ChatGptAstra]

最近我在 Bitget 上看到一个挺反常的交易对:UNITREEUSDT

宇树刚登陆 A 股，Bitget @bitget 就把它做成了 7×24 小时交易的股票永续合约。

一开始我只是觉得新鲜，但因为自己平时做 Crypto 比较多，我看到这种新品种是它的流动性问题。

毕竟衍生品这东西，真正决定体验的，是盘口深度，所以我顺手看了一下 Bitget 现在整个股票永续的流动性。

这点其实有点超出我的预期。按照 Bitget 今年 7 月 5—11 日对股票永续的流动性监测，在统计的 32 个合约里，5 BPS 深度有 30 个排名第一，10 BPS 有 31 个排名第一，50 BPS 也有 30 个排名第一。

换句话说，它真的是买一卖一附近真的挂着比较厚的单子

后来也仔细想了一下，这个交易对其实对应着一个我最近越来越强烈的判断：过去两年我们一直在交易 AI 的“大脑”，下一阶段，市场可能要开始交易 AI 的“身体”了。

过去我看 AI 项目，大部分注意力都在模型、Agent、算力这些软件层。但模型再聪明，最终还是活在屏幕里。

AI 真正进入现实世界，需要一个物理载体。

所以相比宇树 IPO 首日涨了多少，我更关注的是另一个细节：DeepSeek 直接战略入股了宇树。

而且双方合作方向不是简单的财务投资，而是明确涉及通用人工智能、高性能通用机器人和 AI 大模型。

如果把 DeepSeek 理解成负责推理决策的“大脑”，宇树提供的本体和运动控制，就是“小脑+身体”。

这件事的意义其实挺大。以前大家讨论 AGI，重点基本都在：模型还能聪明多少？

现在产业开始回答另一个问题：模型聪明以后，它靠什么进入工厂、仓库、家庭和现实世界？

机器人可能就是答案。

而宇树有意思的地方，还在于它不是一个纯粹靠故事撑起来的机器人概念。

2025 年人形机器人出货量已经达到 5500+ 台，2026 年截至 8 月 12 日累计下线约 18000 台，单款 G1 下线也已经突破万台。

也就是说，它已经开始跨过机器人行业最难的一道坎：从 Demo 走向量产。

但我觉得更值得看的，其实还不是卖多少台机器人。

真正让我对这个赛道产生兴趣的是后面那一层：

机器人一旦大规模进入现实世界，每一台机器都可以不断产生真实世界的数据。

机器人部署→ 产生数据→ 数据训练模型→ 模型能力提升 → 再部署更多机器人。

最后卖的可能就不只是硬件，而是 RaaS、软件、模型和 AI 服务。

一次卖一台机器，是制造业逻辑；如果最后能够形成“硬件 + 数据 + AI 服务”的持续收入，估值逻辑就完全不一样了。

所以我现在看 Bitget 上的 UNITREEUSDT，反而不只是把它理解成“多了一个股票合约”。

对我这种习惯 Crypto 交易节奏的人来说，它更像一个新的观察窗口：市场到底愿意给“AI进入物理世界”这件事多少钱？

而这里我觉得 Bitget 股票永续还有一个很容易被忽略的优势：传统股票解决的是“资产能不能买”，股票永续还得解决“预期能不能及时交易”。

像机器人这种全球同步竞争的行业，很多真正影响估值的消息根本不会等着 A 股开盘。

晚上特斯拉更新 Optimus、海外机器人公司突然有新进展，甚至周末出现重大产业新闻，叙事其实已经发生变化了。

Bitget 的 Stock Perps 本身支持 7×24 小时交易和多空双向交易，而它在美股股票永续上已经积累起来的盘口深度，又让这种全天候价格发现不只是停留在“形式上可以交易”。

这两者��合起来，我觉得才是重点：24/7 解决的是“什么时候能交易”，流动性解决的是“能不能好好交易”。

尤其 Bitget 现在已经覆盖 200+ 股票永续底层资产，包括 AI、半导体、科技、ETF 等多个传统市场主题。

从这个角度看，UNITREEUSDT 更像是 Bitget 正在做的一件更大的事情里的一个缩影：把越来越多传统市场资产，搬进 Crypto 用户熟悉的交易体系里。

USDT 结算、7×24 小时、多空双向，再加上逐渐做起来的订单簿深度。

对于我这种原本就习惯 Crypto 市场的人，这套体验其实比重新切换到另一套传统券商体系自然很多。

当然，这种标的也绝对不是闭眼冲。

宇树发行市盈率已经达到 219 倍，首日换手率 85.28%，本身就是一个高波动标的；股票永续又带有杠杆属性，再好的流动性也不会消除方向判断错误和爆仓风险。

所以相比预测宇树明天涨还是跌，我现在更想继续跟踪的是：AI 到底会不会真正开始“长出身体”。

如果答案是会，那我们过去交易的是模型、算力和 Agent，下一阶段，可能真的要开始交易机器人了

[摸鱼巨匠🔨 @ChatGptAstra]

@jiroucaigou @tangliuyang2 来自菜狗大人的肯定

[摸鱼巨匠🔨 @ChatGptAstra]

@supezen 真的是，多问它几句，它又觉得没必要了

[摸鱼巨匠🔨 @ChatGptAstra]

@evilcos grok不是最open的吗？这也不写哈哈哈

[摸鱼巨匠🔨 @ChatGptAstra]

@Saccc_c 来玩玩了！！！

[摸鱼巨匠🔨 @ChatGptAstra]

大部分 Agent 即使替你做了 500 次工作，也不会因为你纠正了它 500 次，就真正变成一个经验丰富的员工。

这其实是今天 Agent 最容易被忽视的问题。

现在的 Agent 已经能写邮件、查资料、整理文档、调用工具，甚至可以独立跑完整个 Workflow。

但你真正把它放进公司里，很快就会发现：它会做事，却很难真正积累经验

比如你让一个 AI Agent 帮律师审合同。

第一次，它把某一条违约责任判断错了，��告诉它：

这个客户对责任上限非常敏感，以后类似合同必须优先检查这一条。

第二次，它可能因为当前对话还在，记��了。

但一个月后换了一个项目、换了一轮 Context，它很可能又重新犯一次。

你改了它 20 次，它并没有真的拥有一个工作了 20 次的律师助理应该具备的经验。

这和真人员工完全不同，今天绝大部分 Agent，每一次启动，都多少有点像重新入职。

更麻烦的是，企业真实工作中的信息从来不是干净地放在一个 Knowledge Base 里的。它可能散落在 Gmail、Slack、WhatsApp、会议纪要、合同、项目文档和几十轮聊天里。

但是，这些信息是谁说的、什么时候说的、针对哪个项目、什么时候生效、后来有没有被新的信息覆盖？Agent 一拿到手，压根不知道哪一条是有效信息。

这就是 @alloomiai 想解决的两个核心问题。

01. Holistic Context：让 Agent 理解“信息是怎么变化的”

Alloomi 的第一项核心技术是 Holistic Context。

传统 RAG 更关注的是：“哪些信息和当前问题相似？”

而 Holistic Context 进一���关心：“这些信息属于谁、什么时候有效、彼此是什么关系、哪条信息已经被更新？”

它不会单纯把企业数据拆成一堆 Chunk，而是围绕客户、项目、案件、人员、决策等实体建立持续更新的 Context Timeline。

每一条信息都可以附带：来源与对应实体、发生时间与有效区间、与其他信息的冲突关系、是否被后续信息替代。

其中还会进一步识别 Support、Compete、Conflict、Supersede 等关系。

这意味着 Agent 不只是记得公司说过什么，而是开始理解哪条信息现在仍然成立，哪条只是历史状态。

对于 Legal、Insurance、Patent 这类上下文长、决策频繁变化的专业场景，这一点非常关键。

因为真正危险的往往不是 Agent 没找到信息，而是它找到了旧信息，却把旧信息当成了现在的事实。

02. Self-Evolving Agent：把人工修改变成可积累的经验

如果 Holistic Context 解决的是“���忆”，那么 Alloomi 的第二项技术 Self-Evolving Agent，解决的就是“成长”。

它的核心思路是每一次真实任务，都应该沉淀成一条经验。

一次任务可以被抽象成：Context → Decision → Feedback

也就是，当时是什么情况，Agent 做了什么判断，人类最后是接受、修改还是否定。

这些真实交互不会简单留在聊天记录里，而是进入一个 Experience Pool。

之后还会经过 Experience Filtering，过滤掉低质量、一次性或不可复用的反馈，把真正有价值的经验保留下来。

这些经验再通过不同层级进入 Agent：
Memory：遇到类似任务时调用过去案例；

Experience Replay：反复学习高质量历史决策；

LoRA Adaptation：把长期积累的领域经验进一步固化到模型能力中；

Teacher Distillation：利用更强模型提炼历史经验，再迁移给执行 Agent。

于是形成一个持续循环：执行任务 → 人类审核 → 获取反馈 → 沉淀经验 → 更新能力 → 下一次做得更好。

这也是 Alloomi 最值得关注的地方。

很多 Agent 项目仍然在竞争能接多少工具、能跑多少 Workflow。

而 Alloomi 在尝试回答一个更长期的问题：一个 Agent 在公司里工作三年之后，为什么还应该和第一天一样？

它给出的答案是：Holistic Context 让 Agent 拥有持续更新的组织记忆，Self-Evolving Agent 让这些记忆和反馈进一步变成经验。

最终目标不是做一个 “会调用工具的 AI”。

而是做一个 “工作得越久，越理解组织；被纠正得越多，能力越贴近企业真实工作方式的 AI Employee。”

这可能才是企业 Agent 下一阶段真正值得竞争的东西。

快来试试吧！

官网：https://t.co/0M3BbjAK3Z

官方 X：@alloomiai

技术报告 Holistic Context：https://t.co/X3KDIed7mh

技术报告 Self-Evolving Agent：https://t.co/xPMowh1VHF

[摸鱼巨匠🔨 @ChatGptAstra]

@Elara200410 谢谢你的关心噢

[摸鱼巨匠🔨 @ChatGptAstra]

@vintcessun 关注一下！