NPCkui

Exploring the silicon-based evolution of NPCs.
Researching workflows and AI agents in the AI field.
Main occupation: tourism and cultural content operations.

[NPCkui @NPCkui]

@aweiht 老天爷在哪

[Andy L @AndyL5cc]

赚钱其实很简单：

我一个发小，最近用 Hypit + Codex，专门拆解爆款短视频。

AI 复刻爆款结构，替换成自己的商品素材，再批量发布到抖音、视频号、TikTok 等平台赚带货佣金。

一个人，一套 AI 工作流，月入小几万。😂

项目地址：
https://t.co/XuOw9egslu

[TianqiaoChen @tianqiao_chen]

If AI Can Solve Almost Everything, What Should We Teach Our Children?

Education is part of a natural human process. We discover problems, look for solutions, bring those solutions into the real world, face the consequences, and learn from the results. New questions emerge, and the cycle continues.

Yet most of modern education concentrates on just one part of this process: solving problems. We teach knowledge and skills, assign tasks, and measure how well students complete them. The underlying assumption is that the better you are at solving problems, the more value you can create.

AI is changing that assumption. When increasingly powerful problem-solving capabilities become available to everyone, perhaps education should spend much more time on the two ends of the process: deciding what is worth pursuing and taking responsibility for what happens in reality.

AI can already help us ask questions, compare possibilities, and make decisions. But intelligence alone cannot determine what matters to a particular human being. We live in vulnerable bodies, with limited time and lives that cannot be restarted. Every decision costs us other possibilities. That scarcity is what makes our choices personal.

The same applies to reality. AI can simulate a situation and predict its outcome, but a simulation is not the same as living with the consequences. In the real world, our decisions affect other people, consume time and resources, and sometimes create irreversible results. We cannot simply reset and try again without cost.

This is what I mean by Human Agency: I choose. I take responsibility. Therefore, I am.

Consider Elon Musk. He doesn’t personally possess all the knowledge required to build rockets, electric vehicles, or AI systems. His ability to pursue such ambitious projects comes in large part from the whole loop: making consequential decisions, accepting responsibility, and bringing together external intelligence whose expertise makes execution possible. He is an example of what I would call a super individual: one person able to mobilize capabilities far beyond their own knowledge.

AI may not make everyone another Elon Musk, but it could make it possible for many more people to attempt things that once required someone like him.

That possibility changes the meaning of motivation. Why should a young person spend years learning? Not simply to outperform others at tasks AI may soon do better, but because they may now have the ability to pursue ideas and make changes that previous generations could only dream of.

[Miles Ma @miles_mazy]

天啊， REA 这个工具放出来，软件行业真的完蛋了

放以前会被律师告的东西，现在直接开源出来了

简单来说，REA 用这个工具可以复刻任何一个网站、小程序、APP

项目地址：https://t.co/XQYCqEhHR0

最恐怖的是，闲鱼之前的逆向生意，都可以靠 REA 实现了，赶紧去卖铲子

[NPCkui @NPCkui]

@XixixLing 必须蓝v吗

[NPCkui @NPCkui]

@KimLIE0 duang duang duang

[NPCkui @NPCkui]

@aweiht 我老实

[NPCkui @NPCkui]

@yiren_ai @Camol1 那就不用买飞书ai会员了？

[NPCkui @NPCkui]

@liuchan41094685 好

[NPCkui @NPCkui]

最近逛闲鱼逛得停不下来剁手怎么办？

[NPCkui @NPCkui]

憋一晚上没发言

[NPCkui @NPCkui]

入围了✌️

[NPCkui @NPCkui]

@aweiht 群里我才看明白，哈哈哈

[黄赟 @huangyun_122]

果然啊，方法论还得看抖音 200万商业粉的巨佬，清华陈晶。

听了她和北大刘思毅的对谈，拆解短视频和直播的获客逻辑，把我脑里的结，理顺了一半：

0/ 为什么产品一定在先
1/ 为什么不要在公域讲实操
2/ 为什么只讲策略，只负责制造问题，不直接解决问题
3/ 怎么讲才能让顾客第一眼看到就想付款

---以下是视频提炼，逐字稿在评论区 TLDR---

本视频共 13 个主题：

产品定位：先定产品，再定人群和人设。
获客算账：获客成本、升单率与后端客单价如何匹配。
获客闭环：短视频、直播、私域与投放如何联动。
短视频目标：围绕直播预约和成交制作内容。
直播成交四问：为什么跟我买、为什么需要买、为什么买这个、为什么此刻买。
差异化自我介绍：用能力、案例和结果建立购买理由。
认知型内容：解释客户的问题，自然引出产品。
低价引流品：靠内容筛选人群，靠价值说明推动购买。
产品价值与行动理由：讲清权益、场景、保障和购买时机。
现场销售示范：从人群调研到问题解释、产品介绍与领课承接。
开播前检查：检查账号信息、商品名称、直播主题与贴片。
长期信任：明确为谁服务，用方法和客户结果积累认可。
可持续经营：降低直播频率、培养中层、控制接单与交付节奏。

[NPCkui @NPCkui]

@wangray 好像是这样

[NPCkui @NPCkui]

我已跟认证导师上了 220 小时的英语课。

现在加入，还可享受 70% 的首课折扣：https://t.co/dGDj0FUJQZ

[NPCkui @NPCkui]

Today, an older colleague at work was deleting his chat history with an AI one by one, and asked me if there was a way to delete them in bulk. I told him that if it was about privacy, he said no,he was just worried it would slow his phone down…

[NPCkui @NPCkui]

@yiren_ai 来啦

[AYi @AYi_AInotes]

Anthropic 的 这个13 页 Agent 记忆白皮书有点牛逼啊，是今年我看过对「智能体记忆工程」拆解得最通透、最值钱的一份生产级手册：

很多做 Agent 的人死都想不明白：为什么自己的机器人越跑越蠢、矛盾百出？
因为你的 Agent 从来不会遗忘，
读懂这套把大模型调用成本砍掉 90% 的 5 层记忆金字塔，你才会看清工业级 Agent 的生死线在哪里：

它开篇第一句就直击所有开发者的灵魂痛点：
大模型这两年聪明了 10 倍，但缺乏记忆的 Agent，每天都在你的代码库里重演《土拨鼠之日》——
每天早上重新读一遍同样的 12 个文件、重新踩一遍昨天的坑、再向你收取一模一样的 Token 账单！

手册把能学习、能自愈的 Agent，严格拆成了 5 个物理层级：

• Layer 1【工作记忆（Working Memory）· 上下文窗口】：
模型当前这一瞬间看到的全部信息。90% 的玩具 Agent 止步于此，一旦填满就从头硬性截断，把最初的任务目标和关键决策直接切碎丢掉，然后纳闷为什么系统又崩溃了；
• Layer 2【情景记忆（Episodic Memory）· 发生了什么】：
带时间戳的完整交互流水日志。当工作记忆溢出时，关键事件下沉到这里。它会清楚记得“周二凌晨 3 点脚本报错是因为第 42 行有个拼写错误”，防止在同一个坑里跌倒两次；
• Layer 3【语义记忆（Semantic Memory）· 什么是客观事实】：
从日志中提纯出来的知识图谱与实体关系。比如“该用户偏好 TypeScript”、“生产数据库禁止直接写入”。即使会话关闭，这些跨会话事实也永远不会过期；
• Layer 4【程序记忆（Procedural Memory）· 怎么把事情做成】：
这是 Agent 产生“技能复利”的核心！它尝试了 3 种报错解法，最后发现第 3 种行得通——系统自动将这次成功路径固化为一个可重用的 Skill 脚本。下次遇到类似任务，跳过所有试错，直接调用最优解；
• Layer 5【最反直觉的一层：遗忘引擎（Forgetting Engine）· 什么时候该删】：
从不遗忘的 Agent，最终一定会精神分裂！
旧偏好会和新指令激烈冲突（用户早就搬家了，它还在执着地推荐前东家楼下的外卖）。没有定期的垃圾修剪与矛盾消解，上下文只会演变成不可维护的毒瘤。

这笔账在工程上极其惊人：
实测引入这套架构后，Mem0 的单次查询 Token 消耗从 26,000 个断崖式暴降至 1,800 个（账单直接砍掉 90%），延迟压低 91%；
Snowflake 加上语义实体层后，不仅准确率飙升 20%，工具调用轮次更是暴减 39%。

别再去无脑迷信更大的上下文窗口了。
没有分层沉淀和遗忘机制，给你 1000 万 Token 也只是买了一个更昂贵的失忆黑盒；
把记忆做成可检索、可进化、可修剪的工程资产，你的 Agent 才算真正拥有了灵魂。

[超级个体｜柿子 @yaohui12138]

在大环境如此不好的时候，我就知道这个项目迟早出世..

ai-job-search 这个项目在github上已经2.9 万+ star了！！

其实之前就一直想给自己做这么个东西，结果我还没开始，别人做的已经比我想的好了...

作者 Mads Lorentzen 是个地球物理学家，被裁后用 Claude Code 搭了套求职框架，投了 69 份简历、拿到 20 个一面，最后成功转行 AI 工程师

但这不是重点

重点是他把求职这个高度主观、多步骤、容易崩溃的过程，拆解成了一套可被 AI 执行、验证、迭代的标准化工作流

这才是这个项目真正值得关注的地方

大部分人用 AI 写简历，就是把 ChatGPT 当个文案工具
丢进去职位描述，让它改改简历，润色求职信，然后复制粘贴

但 ai-job-search 做的是把整个求职供应链重构了

从职位搜索、匹配度评估、简历定制、求职信撰写、面试准备到申请追踪，全链路自动化

更关键的是，它用了双 agent 互审机制：

Drafter（起草者）：根据你的档案生成定制化简历和求职信
Reviewer（评审者）：用全新上下文启动的第二个 Claude Agent，独立调研目标公司，从第三方视角批判初稿

这个设计直接解决了单次生成内容质量不稳定的问题

四个核心命令，覆盖求职全流程

/setup — 建立你的职业档案
支持三种方式：读取你的 documents 文件夹（CV PDF、LinkedIn 导出、学历证书、推荐信），导入单份简历，或者通过对话式访谈建立档案
/scrape — 搜索并排序职位
内置丹麦本地求职平台的搜索工具（Jobindex、Jobnet、Jobbank），但核心框架语言和地域无关，可以通过 /add-portal 命令快速扩展到任意地区的职位平台
还有个 linkedin-search 工具，零依赖，支持任意国家和地区
/apply — 一键生成定制化申请材料
这是整个框架最硬核的部分：
解析职位描述
评估匹配度（技能、经验、文化、地点、职业发展）
用 LaTeX 起草简历和求职信
启动 Reviewer Agent 调研公司并批判初稿
基于反馈修订

编译并检查 PDF：确保简历正好 2 页、求职信正好 1 页、签名可见、字体一致

ATS 验证：提取 PDF 文本层，验证联系方式、关键词覆盖率，确保 ATS 系统能正确解析

输出最终版本和验证清单

/interview — 生成面试准备包
针对已追踪的申请，生成阶段性面试准备包，包括公司调研、面试官背景、可能问题、STAR 案例映射，还能进行模拟面试

这个项目最让我放心的一点：所有数据都在你本地

不是某个 SaaS 平台，不用担心隐私泄露

Fork 完就是你的，想怎么改就怎么改

作者在 LinkedIn 上分享了完整的申请漏斗数据：69 份申请 → 20 个一面 → 最后拿到 offer

这个转化率已经很高了

如果你正在找工作，尤其是技术岗位，这个框架能帮你省下大量时间

如果你是产品经理或者独立开发者，这个项目本身就是一个很好的 Agentic 工作流编排案例

它展示了如何把一个复杂、高主观性的任务，拆解为可被 AI 执行的标准化流程

这才是 AI 应用从“问答工具”向“工作流代理”演进的正确方向
项目地址：https://t.co/v9lPuCkGgb