Olivia
Online
aeolus
@gaeolus
Joined November 2009
319 Following
19 Followers
1.3K Posts
史上最强原生PPT Skill，更适合中国宝宝
使用我创建的这个Skill，一句话即可生成复杂��豪华、可编辑的PPT文件。试一次，要是生成的效果不让你震惊，你来打我。
几大特色：
1、能生成信息密度高、排版复杂、看起来高大上的PPT，也支持生成简约、商务风格的PPT。适合国企、互联网大厂使用。
2、兼容所有模型，DeepSeek、小米Mimo、Claude、GPT均实测过，国产模型也能完成的非常好。
3、技能自动更新机制：如果我更新了可选用的PPT模板，使用技能时会自动更新技能。技能像软件一样可以更新
使用方法：
在当前文件夹安装这个Skill：https://t.co/SIud1wLPQO
然后做一个复杂、豪华的PPT，来介绍XXX项目
最近 guizang 、zarazhangrui 花叔等大佬纷纷开源 PPT Skill，我花了一天测试完了7个ppt skill项目，直接把结论分享给大家：
AI 生成 PPT 丑的核心原因，不是 AI 能力不行，是你没给它正确的审美约束系统
这7个开源 Skill 解决的就是这个问题——它们把“什么样的 PPT 人类才愿意看”编译成了 AI 能理解的规则
下面按使用场景分类推荐，直接对号入座：
1. frontend-slides：看图选风格的 Vibe Coding 典范
GitHub: zarazhangrui/frontend-slides (17k+星）
这是我测下来最符合“Vibe Coding”理念的一个
核心亮点：不问你要什么风格，直接生成3个不同方向的预览图让你挑
挑完之后再生成完整 deck，全程零 CSS/JS 知识门槛
支持12种精选风格模板，PPT 转网页，一键 Vercel 部署或导出 PDF
作者 zarazhangrui 在 X 上说得很直白：“代码生成的 slides 可以比大部分 PPT 工具做得更好，但前提是你得先让 Claude 理解什么叫‘好看’”
这个 Skill 的精髓在于 Show, Don't Tell——不让用户描述审美，而是让用户指认审美
适合场景：需要快速出一套有设计感的演示文稿，尤其是对外 pitch 或线上分享
2. huashu-design：一句话生成 HTML deck + 可编辑 PPTX
GitHub: alchaincyf/huashu-design (13k+星）
花叔这个项目野心更大，不只是做 PPT，而是做“HTML-native 设计系统”
一句 Prompt 能同时输出：
专业 HTML deck（浏览器直接打开）
可编辑 PPTX（给不懂代码的同事改）
MP4导出（直接当视频用）
交互原型（可点击的 App demo）
内置20种设计哲学（Bauhaus、Swiss、Brutalism……）,5维设计评审系统
在 X 中文圈常和 guizang 项目并列推荐，两者审美路线不同：huashu 偏“设计工具消失感”,guizang 偏“杂志编辑部美学”
适合场景：需要多格式交付，或者团队里既有技术也有非技术人员协作
3. guizang-ppt-skill：专治 AI 生成 PPT 审美灾难
GitHub: op7418/guizang-ppt-skill (7k+星）
歸藏在 X 上分享自己的 PPT 模板后，直接把整套审美系统开源成了 Skill
这个项目的定位很明确：横向翻页杂志风 HTML PPT
10种布���骨架，5套主题配色（不允许自定义 hex 值，强制保护美学）
WebGL 流体背景，Motion One 驱动的入场动效，单文件输出（离线可用）
歸藏在 README 里写：“颜色搭配错了画面瞬间变丑，保护美学比给自由更重要”
这句话戳中了 AI 生成内容的核心痛点——自由度和质量往往是反比关系
适合场景：15-30分钟的线下分享、私享会，需要凸显个人风格的场合
4. open-slide:Agent 最后一公里生产力工具
GitHub: 1weiho/open-slide (3k+星）
这个项目思路最特别：不是“生成 PPT”，而是“为 Agent 设计的 Slide 框架”
每张幻灯片是一个 React 组件，固定1920×1080画布
核心 workflow:
一句话 prompt 生成整套 deck
在浏览器里点击任意元素留 comment
运行 /apply-comments,Agent 自动应用���改
支持演讲者笔记、定时器、导出 HTML/PDF
适合场景：需要高频迭代、多轮修改的场景，或者本身就在用 Claude Code/Cursor 的开发者
5. html-ppt-skill：模板党的军火库
GitHub: lewislulu/html-ppt-skill (3k+星）
这个项目走的是“模板丰富度”路线：
36套主题
15个完整 deck 模板
47种动画预设
演讲者模式（讲稿+计时器）
适合不想从零开始设计，直接套模板改内容的场景
如果你的需求是“快速出一版能看的”，这个库的模板密度是最高的
6. beautiful-html-templates: Agent 自动挑选填充
GitHub: zarazhangrui/beautiful-html-templates (1k+星）
同样是 zarazhangrui 的项目，这个更像是 frontend-slides 的模板仓库
32套 HTML Slide 模板，专为 coding agent 准备
Agent 可以根据内容类型自动挑选合适的模板填充
适合场景：批量生成多套风格一致的 deck，或者需要建立团队统一视觉规范
7. open-design: Claude Design 的开源替代
GitHub: nexu-io/open-design
Tom Huang 团队开源的设计系统，支持：
幻灯片、图片、视频、HyperFrames 导出
71套品牌设计系统
配套工具 html-anything（多格式转高审美 HTML，包括 Keynote 风 PPT）
这个项目的野心是做“本地优先的 Claude Design 替代方案”
如果你需要的不只是 PPT，而是整套设计工作流，这个是最完整的
这些 Skill 的共同点是：它们都在用代码重新定义“什么是好看的 PPT”
以前做 PPT 是在 PowerPoint 里拖拽，现在是在跟 AI 描述你要什么
但 AI 不懂审美，所以这些开源作者做的事，本质上是把审美编译成了 AI 能理解的规则
这才是这些项目真正的价值
如果你也在用 Claude Code 做内容生产，这7个库值得全部 clone 下来试一遍
因为你会发现：AI 生成内容的天花板，往往不在 AI 本身，而在你给它的“审美约束系统”有多严谨
所有项目都是开源免费，直接 GitHub 搜索项目名就能找到
装好之后在工具里输入对应的 skill 名称就能调用
兄弟们，今天必��卧槽一下了！
昨晚发完这条推文后，终于等到了…
xAI算法开源后，终于有人把源码真正啃完了。
岚叔@LufzzLiz （某大厂架构师，多模态与模型私有化领域专家）直接上手，把xai-org/x-algorithm仓库的每一行结论都追溯到源码，用Opus-4.7花了两天时间，搞出了一个完整wiki。
所有页面都有明确源码出处，跟市面上很多“AI批量生成”的解读完全不一样，直接Wiki库整起来了… 就是不一样啊！
这才是真正有价值的算法拆解。
GitHub仓库：https://t.co/E9ZLnikOVv
在线阅读地址：https://t.co/ASJNJSdRLJ
尝试一下将 PPT Skills 作为产品去迭代和发布。
藏师傅 PPT Skills 截图美化逻辑更新
不需要消耗 GPT-Image 2.0 即可生成了！
现在内置了跟当前颜色和主题相吻合的���图美化背景图。
AI 会根据你的截图大小、长宽比以及 PPT 的模板类型，自动帮你把图片放到截图模板上，添加类似 CleanShot X 这种截图美化软件的背景。
如果你的图片过长或者有其他问题，它也会帮你处理，比如说裁剪成两个并排的形式。
OpenAI 创始成员 一份 CLAUDE.md 扔上 GitHub，一周 44k star，总星飙到 100k，Stack Overflow 都没这待遇。
他发现 AI 编程最大的问题不是不会干，是太爱发挥——让它改个 bug，它给你重构三个文件；让它加个验证，它直接搭框架。
所以他给 AI 立了四条规矩：① 不确定先问别乱猜 ② 能 50 行解决禁止写 200 行 ③ 只动该动的代码 ④ 目标是让测试通过不是秀操作。
一份文档，把 AI 助手从灾难变神器。
https://t.co/JNzpEyIxnO
转译：深度拆解 Hermes Agent 的记忆系统：它如何修正 OpenClaw 的误区
如果你读过我之前关于 ChatGPT、Claude 以及 Clawdbot 记忆系统的文章，你就会知道我一直在钻研同一个问题：这些 AI 智能体（AI Agent）到底是怎么记事的？
Hermes Agent 对我来说格外有趣，因为这次我不需要只靠观察它的行为来搞“逆向工程”。Hermes 是开源的，它的代码库和文档都是公开的。所以，我没有通过提示词（Prompt）去盲测这个黑盒，而是直接翻看了它的代码路径——从它如何构建提示词状态、持久化会话，到如何清理记忆和查询历史对话。
简而言之：Hermes 拥有的不是一套记忆系统��而是四套。
1. 存储在 MEMORY.md 和 USER.md 中、经过高度浓缩的提示词记忆。
2. 通过 session_search 调用的 SQLite 历史会话存档（可搜索）。
3. 像程序记忆（Procedural Memory）一样运作的智能体技能管理。
4. 可选的 Honcho 层，用于更深层的用户建模（User Modeling）。
把这些设计联系在一起的核心逻辑非常简单：保持提示词稳定以便利用缓存（Caching），其他一切繁杂信息都交给工具。
让我们深入聊聊。
Hermes 的上下文结构
在理解记忆之前，我们先看看 Hermes 到底给模型发送了什么。
系统提示词（System Prompt）大致是按以下顺序组装的：
-------
[0] 默认智能体身份
[1] 工具使用行为指南
[2] Honcho 集成模块（可选）
[3] 可选系统消息
[4] 固化的 MEMORY.md 快照
[5] 固化的 USER.md 快照
[6] 技能索引
[7] 上下文文件（AGENTS.md, SOUL.md 等规则文件）
[8] 日期/时间 + 平台信息
[9] 对话历史
[10] 当前用户消息
--------
这非常关键，因为 Hermes 正在针对大模型供应商的提示词缓存（Prompt Caching）机制进行优化。代码显示，提示词构建器的目标非常明确：让稳定的前缀部分尽可能长时间地保持不变。
这一个决定就解释了 Hermes 大部分的记忆架构。
如果某条信息每一轮对话都要用到，Hermes 会尽量把它缩得很小并注入进去；如果信息量很大、属于历史旧账或者偶尔才有用，Hermes 就会把它踢出提示词，改用“按需检索”的方式。
第一层：固化的提示词记忆
其内置的记忆系统小得令人惊讶。
Hermes 将持久记忆存储在 ~/.hermes/memories/ 下的两个文件中：
1). MEMORY.md
智能体笔记：环境、规范、工具怪癖、教训
限制：2,200 字符
2). USER.md
用户画像：偏好、沟通风格、身份信息
限制：1,375 字符
这容量真不大。加起来大约只有 1,300 个 Token（模型理解文本的最小单位）。
而这正是刻意为之。
在会话开始时，Hermes 加载这两个文件，把它们渲染进提示词区块，然后在整个会话期间固化这个快照。会话中途写入的记忆会立即存入硬盘，但不会改变已经生成的系统提示词。这些改动只有在开启新会话，或者触发了“压缩（Compression）”导致的提示词重建时才会生效。
渲染后的格式如下：
------
═══════════
MEMORY (你的个人笔记) [67% — 1,474/2,200 字符]
═══════════
用户的项目是一个位于 ~/code/myapi 的 Rust Web 服务，使用 Axum + SQLx
§
这台机器运行 Ubuntu 22.04，安装了 Docker 和 Podman
§
用户喜欢简洁的回复，讨厌冗长的解释
------
这里有几个我非常欣赏的细节设计：
1. 使用字符限制而非 Token 限制：这让记忆逻辑与模型无关。Hermes 不需要调用特定模型的计算工具就能判断记忆是否存满。
2. 简单的分隔符文件格式：条目之间用 § 分隔。没有复杂的向量数据库（Vector DB），没有自定义二进制存储，就是纯文本。
3. 刻意保持极小的系统提示词空间：这是整个设计的重中之重。Hermes 不想把所有历史都塞进提示词，它只想要最有价值的事实。
4. 记忆是“精选状态”，而不是“日记”：这是 Hermes 与 OpenClaw 最大的区别。
OpenClaw 的日志更像是“流水账”。而 Hermes 则反其道而行。它的工具架构和测试逻辑强调：
• 保存用户偏好。
• 保存环境事实。
• 保存反复出现的错误修正。
• 保存稳定的规范。
• 不保存任务进度。
• 不保存会话结果。
• 不保存临时的待办事项（TODO）。
真相是：Hermes 希望 MEMORY.md 和 USER.md 保持精简、高频且对缓存友好。
memory 工具
Hermes 通过一个拥有三种操作的 memory 工具来管理这些文件：add（添加）、replace（替换）、remove（移除）。
一个好用的细节是：replace 和 remove 使用子字符串匹配。你不需要记住条目的内部 ID，只需要传入现有条目中一段唯一的文字即可。
此外，系统会拒绝完全重复的内容，并拦截危险信息。源代码会扫描记忆条目，防止提示词注入（Prompt Injection，即通过输入恶意指令误导 AI）、凭证泄露或隐藏的 Unicode 字符。
第二层：用于情景回溯的 session_search
如果说 MEMORY.md 是 Hermes 的“短期热记忆”，那么 session_search 就是它的“长尾回溯系统”。
所有过去的会话都存储在 SQLite 数据库中，拥有完整的索引和搜索功能。当模型需要想起以前聊过的内容时，它不去翻 MEMORY.md，而��搜索这个会话数据库。
���工作流程是：
1. 在过去的消息中进行全文搜索。
2. 按会话分组结果。
3. 加载匹配度最高的会话。
4. 使用一个便宜的辅助模型对这些会话进行摘要总结。
5. 将精炼后的回顾内容返回给主模型。
这是一种非常务实的设计。它比盲目地把长篇累牍的历史塞进每一个提示词要便宜且高效得多。
第三层：压缩与记忆冲刷（Memory Flush）
Hermes 另一个聪明之处在于它处理长对话“压缩”的方式。
当会话变得太长，Hermes 会压缩对话中间的部分以节省空间。但摘要是有损的，重要事实可能会丢失。
于是，Hermes 会先进行一次“记忆冲刷”。
在压缩之前，它会发送一条指令告诉模型：
> “会话即将压缩，请保存任何值得记住的东西。优先保存用户偏好、修正建议和重复模式，而非具体的任务细节。”
然后它运行一次额外的模型调用，只开启 memory 工具。如果���型觉得有什么东西该留下来，就会在对话被“洗掉”之前把它写入 MEMORY.md。
第四层：作为程序记忆的技能（Skills）
Hermes 不仅能记住事实，还能记住技能。
技能（Skills）存储在 ~/.hermes/skills/ 下。当 Hermes 发现了一个复杂的流程、修复了一个棘手的问题或学会了更好的方法时，它可以将其保存为“技能”。
大多数记忆系统只关注“语义回溯”（名字、偏好、事实），但智能体还需要记住如何做事。
为了效率，Hermes 不会把所有技能都塞进提示词，而是只放一个技能索引，只有在需要时才加载具体的技能内容。
第五层：用于深层建模的 Honcho
最后是可选的 Honcho 层。如果说本地记忆是 Hermes 的笔记本，Honcho 就是它尝试构建的复杂用户模型。它能实现跨设备、跨平台的记忆连续性。
最精妙的是它如何在不破坏提示词缓存的前提下实现集成：
• 在会话的第一轮，Honcho 的上下文会被织入系统提示���。
• 在之后的对话中，为了保持提示词稳定，Honcho 的回溯内容会附加在当前用户的提问后面，而不是修改系统提示词。
这确保了缓存依然有效，同时 AI 依然能读到最新的背景信息。
Hermes 与 OpenClaw 的区别
• OpenClaw：��忆更接近“以 Markdown 为中心的存储”，日志和长效文件是主要事实来源。
• Hermes：提示词记忆被严格限制，历史记录存在 SQLite 里，只有需要时才搜索。
Hermes 更加关注缓存效率。 它认为：不是所有东西都配住在“系统提示词”这个黄金地段。
总结：Hermes 做对了什么？
1. 冷热分离：小规模提示词记忆负责常驻信息，搜索负责偶尔用到的信息。
2. 缓存优先：它意识到频繁改动提示词会导致延迟增加和成本上升。
3. 记忆的多样性：它承认记忆是分层的——包括个人画像、情景回溯、操作技能和深层建模。
Hermes 的核心设计原则最令我折服：记忆应该让智能体变得更好用，而不是通过摧毁提示词的稳定性来换取博闻强识。
真正的诀窍不是记住更多，而是在正确的层级、以正确的成本，记住正确的事情。
![dotey's tweet photo. 转译：深度拆解 Hermes Agent 的记忆系统：它如何修正 OpenClaw 的误区
如果你读过我之前关于 ChatGPT、Claude 以及 Clawdbot 记忆系统的文章，你就会知道我一直在钻研同一个问题：这些 AI 智能体（AI Agent）到底是怎么记事的？
Hermes Agent 对我来说格外有趣，因为这次我不需要只靠观察它的行为来搞“逆向工程”。Hermes 是开源的，它的代码库和文档都是公开的。所以，我没有通过提示词（Prompt）去盲测这个黑盒，而是直接翻看了它的代码路径——从它如何构建提示词状态、持久化会话，到如何清理记忆和查询历史对话。
简而言之：Hermes 拥有的不是一套记忆系统��而是四套。
1. 存储在 MEMORY.md 和 USER.md 中、经过高度浓缩的提示词记忆。
2. 通过 session_search 调用的 SQLite 历史会话存档（可搜索）。
3. 像程序记忆（Procedural Memory）一样运作的智能体技能管理。
4. 可选的 Honcho 层，用于更深层的用户建模（User Modeling）。
把这些设计联系在一起的核心逻辑非常简单：保持提示词稳定以便利用缓存（Caching），其他一切繁杂信息都交给工具。
让我们深入聊聊。
Hermes 的上下文结构
在理解记忆之前，我们先看看 Hermes 到底给模型发送了什么。
系统提示词（System Prompt）大致是按以下顺序组装的：
-------
[0] 默认智能体身份
[1] 工具使用行为指南
[2] Honcho 集成模块（可选）
[3] 可选系统消息
[4] 固化的 MEMORY.md 快照
[5] 固化的 USER.md 快照
[6] 技能索引
[7] 上下文文件（AGENTS.md, SOUL.md 等规则文件）
[8] 日期/时间 + 平台信息
[9] 对话历史
[10] 当前用户消息
--------
这非常关键，因为 Hermes 正在针对大模型供应商的提示词缓存（Prompt Caching）机制进行优化。代码显示，提示词构建器的目标非常明确：让稳定的前缀部分尽可能长时间地保持不变。
这一个决定就解释了 Hermes 大部分的记忆架构。
如果某条信息每一轮对话都要用到，Hermes 会尽量把它缩得很小并注入进去；如果信息量很大、属于历史旧账或者偶尔才有用，Hermes 就会把它踢出提示词，改用“按需检索”的方式。
第一层：固化的提示词记忆
其内置的记忆系统小得令人惊讶。
Hermes 将持久记忆存储在 ~/.hermes/memories/ 下的两个文件中：
1). MEMORY.md
智能体笔记：环境、规范、工具怪癖、教训
限制：2,200 字符
2). USER.md
用户画像：偏好、沟通风格、身份信息
限制：1,375 字符
这容量真不大。加起来大约只有 1,300 个 Token（模型理解文本的最小单位）。
而这正是刻意为之。
在会话开始时，Hermes 加载这两个文件，把它们渲染进提示词区块，然后在整个会话期间固化这个快照。会话中途写入的记忆会立即存入硬盘，但不会改变已经生成的系统提示词。这些改动只有在开启新会话，或者触发了“压缩（Compression）”导致的提示词重建时才会生效。
渲染后的格式如下：
------
═══════════
MEMORY (你的个人笔记) [67% — 1,474/2,200 字符]
═══════════
用户的项目是一个位于 ~/code/myapi 的 Rust Web 服务，使用 Axum + SQLx
§
这台机器运行 Ubuntu 22.04，安装了 Docker 和 Podman
§
用户喜欢简洁的回复，讨厌冗长的解释
------
这里有几个我非常欣赏的细节设计：
1. 使用字符限制而非 Token 限制：这让记忆逻辑与模型无关。Hermes 不需要调用特定模型的计算工具就能判断记忆是否存满。
2. 简单的分隔符文件格式：条目之间用 § 分隔。没有复杂的向量数据库（Vector DB），没有自定义二进制存储，就是纯文本。
3. 刻意保持极小的系统提示词空间：这是整个设计的重中之重。Hermes 不想把所有历史都塞进提示词，它只想要最有价值的事实。
4. 记忆是“精选状态”，而不是“日记”：这是 Hermes 与 OpenClaw 最大的区别。
OpenClaw 的日志更像是“流水账”。而 Hermes 则反其道而行。它的工具架构和测试逻辑强调：
• 保存用户偏好。
• 保存环境事实。
• 保存反复出现的错误修正。
• 保存稳定的规范。
• 不保存任务进度。
• 不保存会话结果。
• 不保存临时的待办事项（TODO）。
真相是：Hermes 希望 MEMORY.md 和 USER.md 保持精简、高频且对缓存友好。
memory 工具
Hermes 通过一个拥有三种操作的 memory 工具来管理这些文件：add（添加）、replace（替换）、remove（移除）。
一个好用的细节是：replace 和 remove 使用子字符串匹配。你不需要记住条目的内部 ID，只需要传入现有条目中一段唯一的文字即可。
此外，系统会拒绝完全重复的内容，并拦截危险信息。源代码会扫描记忆条目，防止提示词注入（Prompt Injection，即通过输入恶意指令误导 AI）、凭证泄露或隐藏的 Unicode 字符。
第二层：用于情景回溯的 session_search
如果说 MEMORY.md 是 Hermes 的“短期热记忆”，那么 session_search 就是它的“长尾回溯系统”。
所有过去的会话都存储在 SQLite 数据库中，拥有完整的索引和搜索功能。当模型需要想起以前聊过的内容时，它不去翻 MEMORY.md，而��搜索这个会话数据库。
���工作流程是：
1. 在过去的消息中进行全文搜索。
2. 按会话分组结果。
3. 加载匹配度最高的会话。
4. 使用一个便宜的辅助模型对这些会话进行摘要总结。
5. 将精炼后的回顾内容返回给主模型。
这是一种非常务实的设计。它比盲目地把长篇累牍的历史塞进每一个提示词要便宜且高效得多。
第三层：压缩与记忆冲刷（Memory Flush）
Hermes 另一个聪明之处在于它处理长对话“压缩”的方式。
当会话变得太长，Hermes 会压缩对话中间的部分以节省空间。但摘要是有损的，重要事实可能会丢失。
于是，Hermes 会先进行一次“记忆冲刷”。
在压缩之前，它会发送一条指令告诉模型：
> “会话即将压缩，请保存任何值得记住的东西。优先保存用户偏好、修正建议和重复模式，而非具体的任务细节。”
然后它运行一次额外的模型调用，只开启 memory 工具。如果���型觉得有什么东西该留下来，就会在对话被“洗掉”之前把它写入 MEMORY.md。
第四层：作为程序记忆的技能（Skills）
Hermes 不仅能记住事实，还能记住技能。
技能（Skills）存储在 ~/.hermes/skills/ 下。当 Hermes 发现了一个复杂的流程、修复了一个棘手的问题或学会了更好的方法时，它可以将其保存为“技能”。
大多数记忆系统只关注“语义回溯”（名字、偏好、事实），但智能体还需要记住如何做事。
为了效率，Hermes 不会把所有技能都塞进提示词，而是只放一个技能索引，只有在需要时才加载具体的技能内容。
第五层：用于深层建模的 Honcho
最后是可选的 Honcho 层。如果说本地记忆是 Hermes 的笔记本，Honcho 就是它尝试构建的复杂用户模型。它能实现跨设备、跨平台的记忆连续性。
最精妙的是它如何在不破坏提示词缓存的前提下实现集成：
• 在会话的第一轮，Honcho 的上下文会被织入系统提示���。
• 在之后的对话中，为了保持提示词稳定，Honcho 的回溯内容会附加在当前用户的提问后面，而不是修改系统提示词。
这确保了缓存依然有效，同时 AI 依然能读到最新的背景信息。
Hermes 与 OpenClaw 的区别
• OpenClaw：��忆更接近“以 Markdown 为中心的存储”，日志和长效文件是主要事实来源。
• Hermes：提示词记忆被严格限制，历史记录存在 SQLite 里，只有需要时才搜索。
Hermes 更加关注缓存效率。 它认为：不是所有东西都配住在“系统提示词”这个黄金地段。
总结：Hermes 做对了什么？
1. 冷热分离：小规模提示词记忆负责常驻信息，搜索负责偶尔用到的信息。
2. 缓存优先：它意识到频繁改动提示词会导致延迟增加和成本上升。
3. 记忆的多样性：它承认记忆是分层的——包括个人画像、情景回溯、操作技能和深层建模。
Hermes 的核心设计原则最令我折服：记忆应该让智能体变得更好用，而不是通过摧毁提示词的稳定性来换取博闻强识。
真正的诀窍不是记住更多，而是在正确的层级、以正确的成本，记住正确的事情。](https://pbs.twimg.com/media/HHFnyLpaEAArswH.jpg)
小胡子哥用 1000 多字 prompt 实现了这��功能
我看到后我把这个推文的文章和图片发给 claude，睡了个午觉，打开就复刻了，一周额度跑完了
真是个离谱的时代
最近好多小伙伴问，我文章里这样的简笔画插图是怎么做出来的，分享一下我的方法。
1. 装一个宝玉老师@dotey 的生图 skills：https://t.co/ZolORC9wuJ
里面有两个 skills：
baoyu-cover-image 封面生成
baoyu-article-illustrator 插图生成
2. 用claude code，使用插件，@你的文章，让 ai 根据你的文章进行生图。
具体的风格，你可以看宝��老师文档，可以按需选择。
3. 也可以直接描述，想要什么风格的图片，ai 会自动去找到合适的风格生成提示词。
比如，我这篇的插图，我就是这么描述的：
/baoyu-article-illustrator @文章.md 我想对文章生成插图，风格采用简笔画，要简洁，稍微有一点色彩，不要花里胡哨，每一幅图都包含一个金句。比例是16:9。
这样，ai 会自动根据你文章内容，分段构建图片。
当然，你也可以手动描述，图片里要什么元素，要呈现什么内容。一般我会在生成封面图的时候，自己主动描述一下，来保证封面图达到自己想要的效果。然后封面图的比例一般是 2.35:1，这个要指明。
4. 我没有配置生图 api，因为我都是用生图软件的免费积分，所以我会再加上一句：直接生成提示词保存在文件里即可。
5. 用生成好的提示词，到 https://t.co/qg0BVtEaIp 上 @lovart_ai nano banana pro。每天会有 80 积分，一个账号能免费生成6幅图，准备一两个账号就足够一天的用量的。（lovart 团队抱歉了😂���
6. 如果某一套图的风格你特别喜欢，你可以让ai把这套图的风格总结成一段通用风格提示词，下次再生图，可以直接让ai根据这段风格提示词来生成同样风格的图片了。
我这套简笔画的通用风格提示词我放在评论区，需要的自取。
最近爆火的 XCrawl Skill，很多大佬都在测评，我也说下自己的真实使用感受。
我在用 OpenClaw 时最痛的点就是"随便跑点网页采集分析，token 消耗都很吓人"
我是按这个文档接入的：https://t.co/804xMlYT0g
接入后 OpenClaw 在网络收集/学习阶段会自动调用 XCrawl 来处理网页信息，先采集再结构化，最后把干净数据交给 Agent 分析。
在我的实际流程里，用了 OpenClaw 后 token 的消耗最高能降到接近 64.34%，成本压力明显小很多。
XCrawl 这套Skill能力基本把大规模网页数据提取需要的东西都补齐了：
单页：直接返回 JSON / Markdown / 截图
结构化：采集 Google 等搜索结果，输出结构化 SERP 数据
智能爬虫：多页面/整站智能抓���，支持深度和范围控制
结构梳理：快速导出域名下可发现 URL，自动识别站点���构
整理了几个最实用的几个点：
1. 完整网页抓取 API 平台：从日常到高并发场景都能稳定跑
2. 专为 AI/LLM 优化：直接拿结构化 JSON 和干净 Markdown，基本不用额外清洗
3. 99%+ 数据提取成功率：复杂站点也能保持较稳定采集
4. AI 驱动结构化提取：表格、列表、元数据、自定义字段可统一 Schema 输出
适用场景也很全：
生成式 AI / RAG / 训练数据构建
线索获取与 B2B 商机挖掘
竞争情报与市场监测
价格监控与动态定价
内容聚合与媒体监测
SEO 监控与 SERP 分析
评论挖掘与情感分析
AI 代理自动化工作流
强推给所有在用 OpenClaw 做网页数据采集和分析的兄弟们，XCrawl值得直接上手试一试。
看到yucheng @yucheng 发了个最近6个月中推涨粉top榜单
发现基本都有好友了，也是排名老8了 哈哈哈
1️⃣ 铁锤人 (@lxfater) — 46K 粉 AI创业实践者，GitHub 3w star 项目维护者，公众号"铁锤人"
2️⃣ 向阳乔木 (@vista8) — 38K 粉 产品经理，运营 https://t.co/aLl0iLGC4n，专注 AI 工具使用心得
3️⃣ 鱼总聊AI (@AI_Jasonyu) — 35K 粉 AI/出海/SaaS 实战干货，8年产品经验，单产品营收 $200k+
4️⃣ Orange AI (@oran_ge) — 31K 粉 MarsWave CEO，AI Agent 开发与 Claude Code 实战
5️⃣ Frank Wang 玉伯 (@lifesinger) — 23K 粉 科技/AI 洞察，互联网产品观察
6️⃣ 松果先森 (@songguoxiansen) — 21K 粉 LLM/AI编程/图像视频生成，提示词资源分享，公众号"松果先森"
7️⃣ dontbesilent (@dontbesilent) — 20K 粉 商业哲学，在线生意系统搭建，小红书/抖音实战方法论
8️⃣ Jason Zhu (@GoSailGlobal) — 20K 粉 独立开发者/SaaS出海，GoSail Lab (MCN) 运营者 (你本人)
9️⃣ Mr Panda (@PandaTalk8) — 20K 粉 程序员转AI创业者/个人IP教练，公众号"PandaTalk8"
🔟 underwood (@underwoodxie96) — 20K 粉 AI 提示词/工作流/使用技巧专家
1️⃣1️⃣ Gorden Sun (@Gorden_Sun) — 18K 粉 AI 资讯日报，连续日更 3 年
1️⃣2️⃣ Laurence (@LaurenceMister) — 15K 粉 互联网/经济/社会话题观察，YouTube 创作者
1️⃣3️⃣ 卫斯理 (@imws90) — 14K 粉 程序员/产品经理/销售，互联网/编程/AI 内容
1️⃣4️⃣ Jackywine (@Jackywine) — 13K 粉 AI 原生产品/品牌设计/UI/UX，清华背景，前苹果/英伟达
1️⃣5️⃣ MapleShaw (@msjiaozhu) — 13K 粉 AI 虚拟人/AI 工具与提示词实践
1️⃣6️⃣ AI产品黄叔 (@PMbackttfuture) — 12K 粉 大厂 AI 产品顾问，AI编程社群主理人，Skill/Agent 实战
1️⃣7️⃣ 徐冲浪 (@cyrilxuq) — 12K 粉 多次创业被收购，美股交易员，小隐寺社区创始人，YouTube 创作者
1️⃣8️⃣ Yihui (@yihui_indie) — 12K 粉 AI编程/Agent/工作流专家，公众号"袋鼠帝AI客栈"，数字游民
1️⃣9️⃣ WquGuru (@wquguru) — 11K 粉 AI+量化+工程，Qwen 技术负责人背景，Vibe Coding/Agent
2️⃣0️⃣ 冰河 (@binghe_sun) — 11K 粉 拆解赚钱项目/副业避坑
2️⃣1️⃣ Tz (@Tz_2022) — 10K 粉 AI/科技/创业/工具分享
2️⃣2️⃣ Cell 细胞 (@cellinlab) — 9K 粉 一人公司/订阅制商业模式
2️⃣3️⃣ Yangyi (@Yangyixxxx) — 9K 粉 AI 与科技观察
2️⃣4️⃣ tangjinzhou (@tangjinzhou) — 8K 粉 科技/自媒体/AI 观察，https://t.co/GktRWb73Xd 维护者
2️⃣5️⃣ 艾略特 (@elliotchen100) — 8K 粉 AI 及产品内容创作者
2️⃣6️⃣ AI Will (@FinanceYF5) — 8K 粉 金融与 AI 结合内容
2️⃣7️⃣ YC (YuCheng Liu) (@yucheng) — 8K 粉 YC 相关/创业分享
2️⃣8️⃣ 凡人小北 (@frxiaobei) — 8K 粉 AI 商业验证/管理咨询/个人 IP 打造
2️⃣9️⃣ Tony出海 (@iamtonyzhu) — 8K 粉 AI startup founder，跨境电商/出海，10年海外市场经验
3️⃣0️⃣ M. (@wlzh) — 7K 粉 通用内容创作者（AI/创业方向）
3️⃣1️⃣ Rey英语自由与创造力 (@ReynoldDai) — 7K 粉 英语/自由/创造力
3️⃣2️⃣ Olivert (@indiehackercase) — 7K 粉 Indie Hacker 案例与实践
3️⃣3️⃣ 马天翼 (@fkysly) — 7K 粉 AI/科技内容
3️⃣4️⃣ 西里森森 (@sirisensen) — 6K 粉 持续关注 AI，公众号/小红书同名
3️⃣5️⃣ 吕立青_JimmyLv (@Jimmy_JingLv) — 5K 粉 Claude Code/Agent Skill 实践，AI 工程与笔记方法
3️⃣6️⃣ Paidax（@xin_pai88825） — 5K 粉 AI 工具/支付/产品相关
A Chinese open-source LLM + Claude Code + goal-driven = 76% SWE-bench Lite
That's +13 points over Claude Opus 4.6 (62.7%) — powered by a dead-simple dual-agent loop.
Goal-Driven: https://t.co/Tzc35yNP6N
Small architecture change, big performance jump.
这个Skill不错，养龙虾最怕的不是它不干活，是你不知道它在干什么。我自己跑着7个子Agent，有时候一觉醒来根本不知道谁干了什么、谁卡住了、token烧到哪去了。这个仪表盘一目了然，感觉很适合我，准备装上试试。
作为一个初代的 UI 设计师，我觉得，Stitch 确实是可以取代了百分之八九十的 UI 设计师了。不信你可以自己试一试！！
我问了我家三万需不需要这个Skill，三万的回复是：我正好需要这个 Skill。每次帮老板找推文素材都是临时搜，太低效。装上 clawfeed 相当于给我配个24小时情报哨兵，重要内容自动送到眼前。
智谱前几天发布的这个专为本地使用的OCR 模型，又一次极大利好本地设备。
比如个人或者小公司直接部署到自己设备或者Mac mini上就可以开始使用！
模型只有0.5B 大小，是个电脑都可以跑。
可以套个壳子在公司给大家就用起来了，或者鬼才可以卖给公司🤣
100%免费！不需要花费API！
地址见评论区！！！
今天还说公众号爬不下来，这不也解决了
想啥来啥！我本来想翻译的，宝玉老师直接翻译好了。
这份小龙虾的核心大脑的Skills使用手册，直接收藏学习吧！赶紧的！
https://t.co/r6I7nn2eQV
我就喜欢直接看彩蛋的部分！
需要配合安装这个Chrome插件。
https://t.co/Rmi5GoW43z
开源地址
https://t.co/3GPe79rbcq
安装这个Skillhttps://github.com/joeseesun/opencli-skill
这是开源版本的剪映，确实有很多人还不知道的，其实可以自己部署的。
https://t.co/Ned1haBMD8
Last Seen Users on Sotwe
SAHİP
Seen from Turkey
⭐️
Seen from Colombia
Love bites 😘
Seen from France
Vicky The Cucky
Seen from India
Alam_09
Seen from Pakistan
زوجين سلمى علي سلوم سلوم
Seen from Netherlands
my name
Seen from Indonesia
ptkamkang
Seen from Pakistan
Alejandro Twink 
Seen from Kuwait
Cihangir Kurtuluş
Seen from Turkey
Trends for you
Most Popular Users
Elon Musk
@elonmusk
240.1M followers
Barack Obama
@barackobama
119.3M followers
Donald J. Trump
@realdonaldtrump
111.6M followers
Cristiano Ronaldo
@cristiano
108.9M followers
Narendra Modi
@narendramodi
107M followers
Rihanna
@rihanna
97.3M followers
NASA
@nasa
92.1M followers
Justin Bieber
@justinbieber
90.6M followers
KATY PERRY
@katyperry
86.8M followers
Taylor Swift
@taylorswift13
80.6M followers
Lady Gaga
@ladygaga
72.1M followers
Kim Kardashian
@kimkardashian
69.4M followers
YouTube
@youtube
68.6M followers
Virat Kohli
@imvkohli
68.5M followers
Bill Gates
@billgates
63.4M followers
The Ellen Show
@theellenshow
62.5M followers
CNN
@cnn
61.9M followers
Neymar Jr
@neymarjr
61M followers
X
@x
60.9M followers
CNN Breaking News
@cnnbrk
59.9M followers