币如说币

紧跟事实|分享日常|web3创业者｜量化交易｜赚钱就像呼吸一样简单｜分享行业机会｜认知提升｜跟上我🤓一起穿越牛熊

[币如说币 @menzhou2]

华尔街大佬们并不相信特朗普 关税政策，先跌为敬，后面以波动为主，特殊情况出现的话会接续暴跌。人家是有内部消息的，可以快进快出。对于小散们都是后知后觉，下跌买入，多跌多买，拿住就好了。

[宝玉 @dotey]

RepoPrompt 已经开源了，社区版（Community Edition）已上线 GitHub。

背后的故事是这样的：几个月前，OpenAI 开发者体验负责人 Romain Huet 找到 Provencher，邀请他加入 OpenAI 团队。Provencher 答应之前提了一个条件，要先安排好现有付费用户。于是 Repo Prompt 先免费开放，现在彻底开源。

Repo Prompt 最初只做一件事：帮开发者从代码仓库里挑选文件，拼成一段高质量的 prompt，然后复制粘贴到 ChatGPT 或 Claude 里。听起来很简单，但它切中了一个真实痛点：把整个代码库丢给 AI 模型，效果往往很差，超过 32K token 的 prompt 甚至会让模型变笨，你需要精挑细选，只给模型看它真正需要的代码。这种做法现在有个正式名字叫上下文工程。

开源版本的变化很大。Provencher 把架构做了一个反转：不再让应用本身去调度 agent，而是让内置的 MCP server 成为主控，底层的命令行工具（Claude Code、Codex、OpenCode、Gemini CLI）变成可以随时替换的执行层。这意味着你可以用一个推理模型做规划和任务分解，然后把子任务分发给不同的 agent 并行执行，每个 agent 只看自己负责的那部分文件。

为了适应开源协作，很多老版本的手工拼 prompt功能被砍掉了，项目结构也从 Xcode 依赖中解耦出来，不需要装 Xcode 就能编译。贡献者管理借鉴了 libgdx 作者 Mario Zechner 的做法，维护一个白名单，之前的付费用户只要同意就自动成为认证贡献者。

目前只支持 macOS，跨平台版本还在开发中，可以通过 Homebrew 安装（brew install --cask repoprompt-ce）。

社区版：https://t.co/eYOPTUx2Fh

老版本：https://t.co/QRBfcFFCg8

[Vince 聊开发 @vincemask]

很多人用 Claude Code，项目里却只有一个 CLAUDE.md。

真正可维护的配置，通常会拆成几层：

1、CLAUDE.md：项目级上下文与规范
2、settings.json：权限、模型与 hooks
3、rules/：按主题拆分规则
4、commands/：沉淀可重复工作流
5、skills/：按任务上下文动态加载
6、agents/：定义专用子 Agent
7、hooks/：在工具调用前后自动校验

配置一多，别全塞进一个文件。

分层越清晰，Claude Code 越稳定，也越容易维护和复用。

整理了一张项目结构图，建议收藏。

[叫我阿杭 @Astronaut_1216]

我发现字节跳动是真有点东西，飞书真的是国内最强的办公工具了，完全不需要Obsidian和Notion了
无论你是全栈工程师、独立开发者、内容创作者，还是OPC还是超级个体，感兴趣的可以自己试试

至少我抖音40条视频到10000粉，字节他们的产品功不可没

我来简单说一下我自己用Codex加飞书在做的事情

1、在Codex里用自然语言一键创建云文档、把 Markdown 发布到指定知识库目录、做知识库归档

我自己抖音一个多月做到1万粉丝，我沉淀了各种我的知识，从开头前五秒到钩子的撰写，到内容结构，到论证逻辑，这些方法论，大概整理了近10万字

调用我的课程skill，最后形成了文档，大概20节课的内容完全同步到了飞书上，可以让小伙伴们直接自由的问答，也可以查看课程文档

2、用 Agent 抓取 AI 热点，通过飞书 CLI 写入多维表格，搭建「可复核、可协作、可沉淀」的内容选题看板

用Get笔记抓取我每天关注的对标博主，把他的选题同步到飞书作为多维表格，并列出数据，方便我来选今天讲啥

[诺鸭船长3 @noahduck283]

这几天刷到的真正把loop实操起来的文章

我有预感，会在国内四位数的进阶AI课里看到这篇😂

[Luna @LunaAI519]

此文喂给 codex 或者 cc，小白直接起飞！

[Marco @maarcoofdezz]

Dos ingenieros de Anthropic pasaron 24 minutos exponiendo cada función de Claude Code que no sabías que existía y gratis.

La mayoría de las personas pasarán de largo este contenido

[宝玉 @dotey]

分享一下我管理 Skills 的方式，偏极客风格，不一定适合所有人，但可以给大家提供一个思路。

一、Skills 只装在项目里，不装全局

Agent 的 Skills 可以装在全局（所有项目共享）或者项目内（只有当前项目能用）。我选择只装在项目内，最主要的原因是节约上下文空间。

Agent 在工作时有一个上下文窗口，你可以把它想象成 Claude 的工作台——台面大小是有限的。虽然 Skill 默认只会加载名称、描述等摘要信息（不会把完整内容全部摊开），但积少成多——全局装了几十个 Skill，光是这些摘要加在一起也会占掉不少工作台空间。而且一旦 Claude 判断某个 Skill 跟当前任务相关，就会把它的完整内容加载进来，全局 Skill 越多，被误触发的概率也越大，白白浪费空间。

只在项目内安装真正需要的 Skills，工作台上就只摆当前用得到的资料，把宝贵的空间留给更重要的内容，Claude 干活也更高效。

二、用软链接来安装 Skills

这是我管理方式的核心，先解释一下什么是软链接。

你可以把软链接理解成 Windows 的快捷方式——文件本体只有一份，但你可以在很多地方创建快捷方式指向它。改了本体，所有快捷方式指向的内容都会同步变化。

我的具体做法分三步：

第一步：把开源 Skills 项目下载到统一的目录

我在电脑上有一个专门存放 GitHub 项目的文件夹 ~/GitHub，所有下载的开源项目都放在这里面，比如：

~/GitHub/baoyu-skills ← 存放各种 Skills 的开源项目
~/GitHub/baoyu-design ← 另一个开源项目

这个文件夹就像一个仓库，所有 Skills 的原件都保存在这里。

第二步：在自己的项目中创建软链接

假设我有一个写作项目 ~/GitHub/baoyu-writing，里面需要用到好几个 Skills。我不会把 Skills 复制进来，而是创建软链接，让项目指向仓库里的原件：

项目内的路径 → 实际指向的位置（原件）
.agents/skills/baoyu-comic → ~/GitHub/baoyu-skills/skills/baoyu-comic
.agents/skills/baoyu-design → ~/GitHub/baoyu-design/skills/baoyu-design

第三步：给 Claude Code 建一个入口

最后再创建一个软链接，让 Claude Code 能找到这些 Skills：

.claude/skills → .agents/skills

这样 Claude Code 就能顺着这条链找到所有需要的 Skills 了。

三、不用记命令，让 Agent 帮你干

看到这里你可能会想：软链接的命令我记不住怎么办？

完全不用记。直接用自然语言告诉 Codex/Claude Code 你要做什么就行了，比如：

> 帮我把 ~/GitHub/baoyu-skills/skills/baoyu-comic 软链接到 .agents/skills/baoyu-comic

甚至更简单：

帮我把 baoyu-skills 项目里的 baoyu-comic 这个 skill 链接到当前项目

Agent 会自动帮你创建软链接，后续的维护、添加、删除也都可以交给它。你只需要说清楚要把哪个 Skill 链到哪，剩下的脏活累活让 Agent 干就好。

四、为什么值得这么折腾？

初次设置确实比直接复制粘贴多花几分钟，但后续维护特别省心，主要有两个好处：

好处一：更新只需一次。因为所有项目都是通过软链接指向同一份原件的，所以当开源项目有更新时，我只需要去 ~/GitHub/baoyu-skills 拉取最新代码，所有用到这个 Skill 的项目就自动变成最新版了。

好处二：修了 bug 可以直接反哺。比如我在写作项目里用漫画 Skill 画漫画时发现了一个问题，直接让 Agent 修复就好。因为是软链接，Agent 修改的其实是仓库里的原件（~/GitHub/baoyu-skills/skills/baoyu-comic），我可以直接把修复提交到开源项目，相当于顺手给开源社区做了贡献。

[zhouluobo @zhouluobo]

说一个暴论，如果想理解 AI 接下来怎么走，先把信息源换一批。

相信很多朋友和我一样，AI 关注列表里，有大量工具号、变现号、提示词号，这些当然有用。

但如果你想看更上游的东西，比如模型方向、Agent 演进、开源生态、机器人、推理、AI 安全、产品化趋势，可以优先关注这些人。

按 4 层来分，咱们一层一层看。

第一层：顶级研究者和思想源头

@karpathy
最适合普通人长期关注的 AI 技术解释者。LLM、训练、Agent、教育内容都讲得非常清楚。

@ylecun
图灵奖得主，Meta AI 代表人物。观点很锋利，经常和主流 LLM 路线辩论。

@fchollet
Keras 作者，ARC-AGI 发起人。很适合看他对智能、泛化、评测的思考。

@ilyasut
Ilya Sutskever，SSI 创始人。发得少，但每次都容易成为行业信号。

@geoffreyhinton
深度学习奠基人之一。AI 风险、智能本质、神经网络历史，都绕不开他。

@goodfellow_ian
GAN 发明者。低频高信号，适合关注基础研究和技术判断。

@NoamShazeer
Transformer 论文作者之一，https://t.co/21h2YzU8lz 联合创始人。真正影响过这一代模型架构的人。

第二层：顶级实验室和负责人

@OpenAI
模型、Codex、Agent、开发者生态，一手更新源。

@AnthropicAI
Claude、Computer Use、AI 安全和可控 Agent，非常适合关注 Agent 工作流的人。

@GoogleDeepMind
Gemini、Alpha 系列、科学 AI、机器人和多模态研究。

@AIatMeta
开源模型、Llama、视觉和基础研究，开源生态必须看。

@xai
Grok、X 算法、实时信息流和 AI 产品结合，和 X 内容生态关系很近。

@sama
OpenAI CEO，看产品方向和行业节奏。

@DarioAmodei
Anthropic CEO，看安全、Scaling、模型治理和长期判断。

@demishassabis
DeepMind CEO，AI for Science 这条线非常重要。

第三层：Agent、工程化和真实工作流

@hwchase17
LangChain 创始人。LangGraph、Agent 架构、Evals、长期工作流，非常适合做 Agent 的人看。

@LangChain
Agent 工程化更新源，LangGraph / LangSmith / Deep Agents 都在这里。

@jerryjliu0
LlamaIndex 创始人。RAG、知识库、数据层和 Agent 结合，实战价值很高。

@goodside
Riley Goodside，提示词、模型行为、边界测试，很多案例都能直接启发工作流设计。

@HamelHusain
做 AI 系统测试、Evals、可靠性，非常适合看“怎么让 Agent 真正可用”。

@swyx
AI Engineer 代表人物之一。Agent、AI UX、开发者生态、产品化趋势都很有密度。

@DrJimFan
NVIDIA 机器人和具身智能方向，非常适合看 Physical AI、世界模型和机器人。

第四层：产品、创业和 AI 应用

@AndrewYNg
AI 教育、应用落地、创业和职业建议，适合长期看。

@levelsio
独立开发者代表，AI 产品化和快速上线能力很强。

@steipete
OpenClaw / 桌面 Agent 相关，适合关注本地 Agent、电脑控制和开发者工具。

@rileybrown
Vibe coding 和 AI 产品实操，适合看普通人怎么把 AI 用成产品。

@gregisenberg
AI 创业、创意、商业化，适合看需求和产品机会。

@yoheinakajima
BabyAGI 作者，早期 Agent 探索者，适合看自主 Agent 的实验。

如果要选出 10 个一定要关注的，我会选下面这个列表，

@karpathy
@fchollet
@ylecun
@ilyasut
@OpenAI
@AnthropicAI
@GoogleDeepMind
@hwchase17
@goodside
@DrJimFan

这 10 个基本能覆盖模型、研究、Agent、产品和未来方向。

工具号可以帮你追热点。

这些账号能帮你判断热点背后的趋势。

[唐华斑竹🦅 @uniswap12]

Claude Code 用到这个程度，我算是开眼了

Matt Van Horn 最近写了一篇长文，把他用 Claude Code 的所有技巧和工作流全盘托出了。这篇文章在开发者社区引起了不小的反响，因为他展示的东西已经远远超出了“用 AI 辅助写代码”的范畴。他的核心主张只有一句话：不用 IDE，只用 plan.md 文件和语音。听起来像是在吹牛，但看完他的整套操作之后，你会发现这句话是认真的。

一切从计划开始，代码是最后才写的东西

Matt 说他学到的最重要的一件事就是：脑子里一冒出想法，第一反应永远是 /ce: plan。不管是一个疯狂的产品创意、一个 GitHub 上的 bug 报告，还是终端里弹出的一条报错信息，他都是先截图或者复制链接，扔进 Claude Code，让它先出一份计划。

这个 /ce: plan 命令背后的机制挺有意思的。它会同时启动好几个研究 Agent 并行工作，一个去分析你的代码库，读文件、找模式、检查代码规范；另一个去翻你以前修 bug 时积累的经验文档；如果话题需要，还会有更多 Agent 去查外部的最佳实践和框架文档。全部同时进行，最后汇总成一份结构化的 plan.md，里面写清楚了问题是什么、用什么方案、要动哪些文件、验收标准带勾选框，而且这些内容全部是基于你自己的代码库和历史记录的，不是泛泛而谈的通用建议。

然后 /ce: work 接过这份计划去执行，拆任务、写代码、跑测试、逐条勾掉验收标准。如果中间上下文丢了，开个新会话指向那份计划就能继续。计划文件就是一个永远不会丢的存档点。

传统开发是 80% 写代码、20% 做规划，Matt 把这个比例完全反过来了。思考发生在计划里，执行交给机器。这个理念其实不只适用于写代码，做任何复杂的事情，花更多时间想清楚要做什么、怎么做，然后把执行层面的事情尽可能自动化，效率都会高得多。很多人习惯上来就动手，边做边想，结果经常做到一半发现方向不对，推倒重来。先规划再执行这个道理大家都懂，但 Matt 用工具把它变成了一个强制性的流程，这才是关键。

Compound Engineering：让计划驱动开发成为现实的插件

让这套 plan 优先的工作流真正跑起来的，是一个叫 Compound Engineering 的插件，来自 Every 公司。安装命令就一行：/plugin marketplace add EveryInc/compound-engineering-plugin.

Matt 从这个插件的死忠粉变成了 GitHub 上的第三大贡献者，提交了 21 个 commit。他现在有 70 个 plan 文件，过去 30 天提交了 263 个 commit。他给自己定了一条铁律：除非真的只改一行代码，否则一定先写 plan.md。

这个数字本身就很说明问题。70 个计划文件对应 263 个代码提交，意味着平均每份计划产出将近 4 个 commit。计划写得越清楚，执行的效率就越高，返工的概率就越低。这跟很多项目管理方法论里强调的“前期投入”是一个道理，只不过 Matt 把它落地到了每天的开发工作中，而且有工具来保证执行。

语音输入：当听的人足够聪明，说话就变成了最高效的输入方式

Matt 说他以前特别受不了语音备忘录，苹果自带的听写功能让他想摔手机。但语音转 LLM 完全不一样。转录不需要完美，因为 Claude Code 能理解上下文，它会猜出麦克风没听清的部分。你可以含糊不清、说到一半跑题、重新起头，都没关系。

他用的工具叫 Monologue，也是 Every 公司做的，能把你说的话直接输入到当前聚焦的应用里。你说话，它就往 Claude Code 里打字。他还专门买了个鹅颈麦克风放在办公桌上。更夸张的是，他写那篇文章的时候，有一段就是在特斯拉的 FSD 自动驾驶模式下一边送孩子一边口述的。

语音输入这件事之所以过去一直不好用，核心问题在于转录精度。你说的每个字都必须被准确识别，否则就会出错。但当接收方从一个死板的文字处理器变成一个能理解上下文的 AI 之后，这个瓶颈就消失了。AI 不需要你每个字都说清楚，它能根据前后文推断出你的意思。这个变化看似很小，但它实际上解锁了一种全新的人机交互方式：你可以像跟同事说话一样跟 AI 交流，不用字斟句酌，不用担心措辞，甚至不用担心语法。

四到六个窗口并行跑：一个人活成一个团队

Matt 日常的工作状态是同时开四到六个 Ghostty 终端窗口，每个跑一个独立的 Claude Code 会话。一个在写计划，一个在根据另一份计划构建代码，一个在跑 /last30days 做调研，一个在修他测试上一个功能时发现的 bug。

当一个窗口里 /ce: plan 正在启动研究 Agent 的时候，他切到另一个窗口 /ce: work 执行一份已经写好的计划。那边在构建的时候，第三个窗口又粘进去一个新 bug。等他切回第一个窗口，计划已经写好了，安静地等在编辑器里。

为了让这种并行工作模式跑得通，他改了三个关键配置。第一个是跳过权限确认，Claude Code 默认每个操作都要你点“允许”，他直接在配置文件里把所有权限都放开了，让每个会话完全自主运行。第二个是完成时播放提示音，这样他可以走开去干别的，听到声音再回来看结果。第三个是 Zed 编辑器每 500 毫秒自动保存，这样 Claude Code 改了文件，编辑器里立刻能看到变化，反过来他在编辑器里打字，Claude 一秒内就能感知到。整个体验就像在 Google Docs 上跟人协作，只不过协作者是个 AI。

这种工作方式的代价也很直观：他的 MacBook 大概一小时就没电了，六个 Claude 会话并行跑太耗电了，他刚下单了新款 MacBook Pro。但换个角度想，一个人同时推进四到六个任务，这在以前是不可想象的。过去你需要一个团队来并行处理不同的工作流，现在一个人加一组 AI 会话就能做到。

/last30days：做任何决策之前，先看看社区在聊什么
Matt 在做 /ce: plan 之前，经常先跑一个叫 /last30days 的调研工具。这个工具是他自己开源的，GitHub 上已经有 4500 颗星了。它能并行搜索 Reddit、X、YouTube、TikTok、Instagram、Hacker News、Polymarket 和网页，几分钟内把某个话题在过去 30 天里的社区讨论全部拉回来。

他举了个例子。当时他在 Vercel 的 agent-browser 和 Playwright 之间做选择，没去翻文档，直接跑了 /last30days。几分钟后结果出来了：78 个 Reddit 帖子、76 条推文、22 个 YouTube 视频、15 个 Hacker News 讨论。数据显示 agent-browser 的上下文 token 消耗比 Playwright 少 82% 到 93%，Playwright 光工具定义就要吃掉 13700 个 token。

然后他把全部输出喂给 /ce: plan，写出来的计划是基于社区当下真实认知的，不是六个月前的训练数据。

这个做法的价值在于：AI 模型的训练数据总是有滞后的，但技术社区的讨论是实时的。先用工具抓取最新的社区共识，再让 AI 基于这些信息做规划，决策质量会高很多。这个思路不只适用于技术选型，做产品决策、市场调研、竞品分析的时候，先看看真实用户在聊什么，比自己闭门造车靠谱得多。

午餐聊天变产品提案：上下文的复利效应

Matt 讲了一个特别有意思的故事。他跟一个潜在候选人吃了顿午饭，聊了一个半小时，内容包括一个新产品想法、美食、餐厅、孩子，什么都聊。他全程开着 Granola 录音。

午饭后，他把完整的会议记录粘贴到 Claude Code 里，让它把这段对话变成一份产品提案。关键在于，Claude Code 已经知道他们公司的产品代码在 GitHub 的什么位置，还能访问他之前写的每一份战略 plan.md。所以它处理这段午餐对话的时候，不只是提取里面的产品想法，而是在跟实际代码库和过去所有战略决策做交叉比对。

结果一次就生成了一份非常出色的提案，目标、用户故事、技术方案、里程碑一应俱全，关于餐厅和寿司的部分自动忽略了。当晚发给了那个候选人，这个人后来全职加入了他们，现在就在做那个产品。

这个故事里最值得关注的概念是“上下文的复利效应”。每一份你写过的战略文档、每一个你做过的技术决策、每一次你积累的经验，如果都以结构化的方式存下来，它们就会成为 AI 做下一次决策时的参考依据。时间越长，积累越多，AI 给出的建议就越精准。这就像复利一样，前期看不出什么差别，但随着时间推移，差距会越来越大。

Mac Mini 变成 24 小时在线的 AI 工作站

Matt 有一台 Mac Mini 专门跑 OpenClaw，但他还用它做了两件很聪明的事。

第一件是通过 Telegram 远程操控。Claude Code 有 Telegram 集成，他从手机给 Mac Mini 发消息就行。吃饭的时候想到一个 bug，往 Telegram 里打一句 /ce: plan fix the timeout issue，等回到电脑前，计划已经在编辑器里等着了。

第二件是飞机上用 tmux。Claude Code 处理飞机 WiFi 的能力很差，连接一断会话就挂了。但如果先 tmux 到 Mac Mini 上，会话就跑在那台机器上，笔记本只是一个窗口。WiFi 断了 20 分钟？重新连上就行，会话还在原来的地方，而且一直在干活。他从欧洲飞回来的整趟航班都在发布功能。

一台几千块的 Mac Mini，加上一些配置，就变成了一个 24 小时在线、随时可以远程调度的 AI 工作站。这个思路的性价比极高，对于任何需要长时间跑 AI 任务的人来说都值得参考。

费用策略：Claude 负责思考，Codex 负责干活
这种高强度的使用方式自然会带来费用问题。四到六个 Opus 会话全天并行跑，每月 200 美元的 Claude Max 套餐很快就会烧完。

Matt 的解决办法是再买一个每月 200 美元的 Codex 套餐。他给 Compound Engineering 提交了一个 /ce: work --codex 功能，当 Claude 额度不够时自动切换到 Codex 执行。两个套餐互补：Claude 负责规划和编排，Codex 负责重度代码实现。

有些朋友用 Codex 来 review Claude Code 写的代码，反过来也一样。还有人更喜欢 Codex 的代码输出质量，但通过 Claude Code 来做编排调度。这种“让不同的 AI 各司其职”的思路，跟管理团队其实是一个逻辑：你不会让同一个人既做战略规划又做具体执行，AI 也一样，让擅长思考的去思考，让擅长执行的去执行。

他还提到自己有一个“晚安模式”，能在睡觉的时候让 Agent 继续干活，但具体怎么做他说下次再讲。光是这个概念就已经够让人兴奋了，相当于你的工作时间从每天十几个小时变成了 24 小时。

迪士尼世界：这套工作流不只是用来写代码的

文章最后 Matt 讲了一个完全跟代码无关的实战案例，非常生动。他在足球场看孩子比赛，旁边一个家长跟他聊迪士尼世界的旅行计划。他当场掏出笔记本演示。

先跑 /last30days Disney World，两分钟后拿到了 66 个 Reddit 帖子、34 条推文、8 个 YouTube 视频的最新信息，包括价格趋势、哪些项目在维修、哪些即将重新开放。然后用 /ce: plan 输入自己的需求：一天跑四个园区、想玩哪些项目、预算多少、孩子多大。Claude 的研究 Agent 交叉比对数据后，写出了一份结构化的攻略，包括园区顺序、快速通道预订策略、提前一周要设的闹钟提醒，甚至还列了孩子的身高要求。

他还帮那位家长也做了一份三天的攻略，305 行，包含逐日行程和一条“这周先给你家五岁的穿着鞋量一下身高”的提醒。然后一句话让 Claude 把攻略部署成了一个 Vercel 网页，方便在手机上看。最后通过 Telegram 把计划扔给 OpenClaw，让它在日历上设好提醒，还做了 cron 定时任务作为双重保险。

语音到调研到计划到网站到自动提醒，全程在足球场边完成。

这个案例的意义在于，它证明了这套工作流的适用范围远远超出了软件开发。调研、规划、执行、部署、自动化，这个循环适用于任何需要处理复杂信息并做出决策的场景。旅行规划只是一个例子，换成市场调研、活动策划、投资分析，逻辑都是一样的。

Matt 在文章结尾总结了他的全部装备：

一个语音应用、一个计划文件插件、三个配置修改、四到六个并行会话、一台 Mac Mini，再加上能变成产品提案的午餐会议。没有 IDE，没有代码。说、规划、构建。在书桌前、在沙发上、在车里、在球场边。

这篇文章最大的价值可能不在于具体的工具和配置，而在于它展示了一种全新的工作范式：人负责思考和决策，AI 负责调研和执行。当你把这两者之间的协作流程打磨得足够顺畅的时候，一个人能做到的事情会远远超出你的想象。

而这一切的起点，只是一个简单的习惯：有想法的时候，先写计划。

#AI #AIAgent @grok

[Amto @XAMTO_AI]

做自媒体的朋友，这次真来了个狠角色。

冲上 GitHub Trending 的 AiToEarn，目前已经拿到 9.3k Star，像是把一套变现流程直接封装好了。

以后不用再没日没夜剪视频、刷后台、一条条回评论、愁怎么变现。它一个工具就把创作→多平台发布→互动运营→赚到钱整个串了起来，形成闭环。

四个核心能力👇

1️⃣ 变现方式
内置交易市场，接商家任务按 CPS/CPE/CPM 结算
线下场景也能用，推广餐厅、健身房、民宿等拿佣金
结果是实打实的收入，不是画大饼
2️⃣ 多平台一键发布
支持抖音、小红书、快手、B站、TikTok 等 10+ 平台
做一次排期，系统自动分发，省时省力
3️⃣ 自动化互动
通过浏览器插件自动完成点赞、收藏、关注
智能识别评论中的“求链接”“怎么买”等高意向内容并自动回复
实时追热点，从被动等流量变成主动养流量
4️⃣ 内容生产
丢一个需求进去，自动完成视频生成、翻译、剪辑
图文内容也能批量输出，方便矩阵号快速跑量

五种上手方式👇
👉 最简单：评论区直接点网址试试
👉 AI玩家：一句话指令调用所有功能
👉 接任务型：通过 OpenClaw 无缝对接任务
👉 团队自用：三行 Docker 命令就能部署
👉 开发者：MIT 协议全开源，随意改
别观望了，GitHub 地址给你放这了
🔗 https://t.co/xqQRny0phN

[淘沙者(TheSandPicker) @Etudecn]

这哥们28分钟的视频教怎么写提示词
我看过300刀的课都没他前10分钟讲得透
Claude文档、记忆快捷键、并行对话、提示模式全给拆明白了
最骚的是完全免费
刚才点开一看已经5万多播放了
硬核分享

[老白（每日 AI 干货✊） @laobaishare]

与其刷一小时短视频，

不如花 60 分钟，听一遍 乔布斯 在 MIT 的这场讲座。

关于"怎么建一家公司"这件事，

乔布斯讲的，比所有创业书加起来还要多。

先收藏，找时间一定要听完。

[H.E. Justin Sun 👨‍🚀 🌞 @justinsuntron]

史上最强 AI 中转站 https://t.co/nMjQcILxG5 白来了。

一个 API Key = Claude + GPT + Gemini + 国产大模型全系列

✅ 区块链地址登录，纯匿名支付（兼容邮箱Visa/Master/Apple Pay）

✅ 官方 API 直连，零篡改，价格卷到全网最低

✅ BAIClaw 上线"孙哥大脑"——用孙哥思维交易加密

可以冲了！🚀

[宝玉 @dotey]

https://t.co/8lkJ3qv29q

[梭哈.AI @SUOHA_AI]

这是目前让你最快上手的 Codex 教学视频！

仅仅38分钟，手把手教你从零到精通Codex

各种版本安装、语音交互、GitHub拉代码、插件注入、MCP连接、自动化测试、工作流搭建……

还是最新版本 + 全中文讲解，一看就会

[Yanhua @yanhua1010]

https://t.co/xgkLU3HIQQ

[Mr Panda @PandaTalk8]

昨天听了罗福莉在张小珺播客的聊天内容，很受启发。

我们这些开发者虽然不能去训练的模型，但是在现有的模型能力之上， 继续进行工程应用上的创新，仍然大有可为。

熊猫老板肝了两个晚上， 终于把 Claude Code 和 OpenClaw 的Harness 工程全面深入进行了解。

结合我目前的日常工作与使用， 这是一篇非常干的工程技术分析。
请大家放心食物。

[宝玉 @dotey]

https://t.co/nFca1Ce6xh

[KK.aWSB @KKaWSB]

Anthropic工程师Cal Rueb的25分钟Claude Code工作坊，比你今年看过的所有教程都实用。

核心：用CLAUDE.md写清项目规范，用规划模式让它先想再做，用测试驱动让它自己验证结果。

Cal的设计哲学四个字：简单但有效。不追求炫酷，追求可靠。

推荐观看并收藏👇

[Bill The Investor @billtheinvestor]

这家伙简直演示了如何将 Claude Code 的使用效率提升 10 倍。