openg

正在构建 OpengSpace。
研究 AI 如何看懂世界、理解意图、产生行动
OCR｜意图识别｜上下文工程｜记忆系统｜应用生成

[宝玉 @dotey]

MCP 协议今天推出了第五个大版本（版本号 2026-07-28），核心变化：从有状态双向协议变成了无状态的请求/响应协议。

这是 MCP 社区呼声最高的改动。

之前的 MCP 客户端连上来要先握手，服务端要给你一个会话 ID（session ID），后续每次请求都得带着这个 ID。这意味着你的请求被限制在了某一台服务器实例上，不方便做负载均衡。

现在每个请求都是独立的，自带协议版本和客户端信息，可以负载到任何一个实例上。也就是说 MCP 服务器终于可以像普通 HTTP 服务一样部署了，serverless、边缘计算、或者 CDN 后面放一排实例。

那如果业务确实需要跨请求的状态呢？协议的建议是：由工具自己生成一个句柄（handle），让模型在工具调用之间传递。状态放在业务层而不是协议层，模型能看到这个句柄，也能理解要怎么用它。

【其他变化】

MRTR（多轮往返请求）解决中途需要用户输入确认的问题。

比如 Supabase 的 MCP 服务器想在创建项目前告诉你费用，或者在执行删除操作前让你确认。以前这需要维持一个双向流不断开，现在服务端返回“需要输入”状态，客户端带上用户的回答重新发请求即可。

请求头里新增了 Mcp-Method 和 Mcp-Name 两个字段，网关和防火墙可以直接根据请求头做路由和鉴权，不用解析 JSON 请求体。

授权方面做了几项加固，包括要求验证授权服务器的 issuer 参数（堵上了一个授权服务器混淆漏洞）。动态客户端注册（DCR）正式废弃，改用客户端元数据文档（CIMD）。

Roots、Sampling、Logging 三个功能标记为废弃，但至少还能用 12 个月。旧版 HTTP+SSE 传输同样进入废弃轨道。协议首次引入正式的废弃策略，保证最少 12 个月过渡窗口，这对生产环境的团队来说很实际：你可以排期升级，不用被动救火。

【生态与迁移】

四个一级开发工具包（SDK）同步更新：TypeScript、Python、Go、C#。Rust SDK 以 beta 状态跟进。MCP 目前月下载量接近 5 亿次，TypeScript 和 Python SDK 各自累计下载量都超过了 10 亿。

AWS（Amazon Bedrock AgentCore）、Microsoft（Foundry）、Cloudflare（Workers）、Google Cloud 等都已宣布支持新规范。Figma、Supabase、Honeycomb 等工具厂商也在跟进。

新规范有破坏性变更，依赖会话标识符的实现需要改造。SDK 团队表示根据早期测试反馈已经简化了迁移流程，但具体成本因项目而异。如果你现在在生产环境跑着 MCP 服务器，建议先看一遍完整的 changelog 和迁移指南，评估影响面再动手。

[openg @opengwindow]

地铁站的屏幕里之前都是真人拍的公益片，现在换成了AI短片，效果更逼真，情感更丰富

[Yangqing Jia @jiayq]

We are starting Intent Lab, building an autonomous team we call "fleet" that turns intent into production software. Today we are sharing some early results: the fastest GLM5.2 inference engine, one shot database creation, and a fully verified agent filesystem.

https://t.co/CtwtypE0rH

[openg @opengwindow]

非常实用的教程

[Indie Fox @indie_maker_fox]

Cloudflare搭配Gmail免费收发邮件

真的特别好用，分享个操作教程

https://t.co/GcZtpc0kTJ

[摆烂程序媛 @wanerfu]

微软1月放出的语音转文字AI，我在MacBook上试了一下，真的绝了。

叫VibeVoice-ASR，能一口气处理60分钟音频，国内几乎没人提。

① 60分钟音频直接转，不用分段
② 自带说话人识别
③ 每句话带时间戳
④ 50多种语言、MIT协议可商用

而且本地跑，API费用零。会议录音不用上传云端。

原本是做语音生成的，今年1月加了反向识别功能。我这种周周都有录音要处理的，这个"直接扔进去"的特性真的戳中我。

这里可以用：
https://t.co/tvqGb01fAA

[openg @opengwindow]

@rahilpirani cool, we’re doing something same with u

[Nicolas Krassas @Dinosn]

rahilp/second-brain-cloudflare: One memory layer, every AI tool. Store anything once — recall it in Claude, ChatGPT, Cursor, or any MCP client. Self-hosted on Cloudflare's free tier. https://t.co/SxFl8n9DfX

[openg @opengwindow]

@MengkePM 这个AI粗剪+人工微调的流程很实用，特别是提示词模板中对剪辑说明的具体要求能显著提升协作效率。在实际使用中，我发现让AI标注出画面不佳的时间段并建议B-roll替代方案，能节省大量人工检查时间。

[openg @opengwindow]

所有涉及到录制视频的应用，如果不能自动的屏幕常亮，真的是一件非常糟糕的事情，说着说着一回头熄屏了

[openg @opengwindow]

我买了卡还没激活😂

[luolei @luoleiorg]

Giffgaff UK 卡正式关门！
刚刚收到 giffgaff 的邮件，相信绝大多数拥有这个卡的用户，也会在近几天陆续收到这个通知，建议早点迁移相关的关联注册账号。
在审查您的账户使用情况后，我们已决定断开您的服务（手机号码尾号 xxxx）。根据我们的条款和条件，我们的服务主要用于英国境内使用，漫游仅供短期旅行使用。由于您的使用模式显示您可能在英国境外长期或永久使用，您的账户已不再符合该服务的资格要求。因此，您的服务将很快被断开，任何相关访问权限也将终止。

[openg @opengwindow]

现在用户截屏上传到我们服务器之后，我们后台的AI会自动分析页面的内容，自动生成一个页面，然后通过通知的方式触达用户，这是一种使用场景

刚才想到了另外一种场景，用户的这张截图可能会触发多个操作，那我们返回的页面应该是一个类似审批的页面，用户直接去点击决定后续应该触发哪些操作，比如说在展会拍了一张其他公司的介绍，那可能提供的操作有直接发商务邮件，保存联系人公司背景、调查公司业务调研

[openg @opengwindow]

20分钟太短，大家一直用AI，持续4、5年，根据AI对话分析一个人更靠谱，真能坚持伪装这么久也是难得

[0x牛牛 @DrcDAO]

离开Kimi后，前AI搜索技术负责人曾歆勋把同一套技术拿去帮人找对象，还拿到了徐新200万美元天使投资。

产品叫“良配”。注册后先和AI红娘打20分钟语音，系统再从价值观、成长经历和生活方式等信息里做匹配，不再只看年龄、身高和学历。

门槛也不低：实名认证、人脸识别、AI资料评分达到70分才能上线。产品上线第一周，已经拦截了50多名已婚用户。

最特别的是收费方式：会员支付2000元，如果三年内没有领证结婚，平台全额退款。

传统婚恋平台按时间收费，用户留得越久，平台赚得越多。良配把结婚结果写进退款条件，平台必须尽量提高匹配效率。

AI能不能真的把人匹配准，还需要时间验证。但这至少不是在聊天框里再塞一个机器人，而是在重新设计婚恋平台怎么赚钱。

[openg @opengwindow]

@cellinlab 做内容会比较累，但是做自己就会轻松很多

[openg @opengwindow]

线下和一部分人交流之后，发现我自己用AI还是太胆小、含蓄，很多环节还是我自己在控制在思考，聊过的这部分人，他们用AI都非常的暴力，基本都是直接把聊天记录或者是其他的一些信息一次性的全部丢给AI，然后让AI了解自己之后开始做事，大力出奇迹最后效果还挺好

[openg @opengwindow]

最近一直在思考一个问题。

很多人都在说要建立自己的 AI 知识库、第二大脑、长期记忆，但真正的问题其实不是「怎么存」，而是：

AI 应该通过什么方式持续了解你？

如果这个问题没有想清楚，你收藏再多内容、接再多工具，最后也只是把信息从一个地方搬到另一个地方。

所以我没有先去研究各种产品，而是先尝试回答一个更基础的问题：

AI 获取信息，到底有哪些入口？

一开始我也是按照产品去理解这个行业。

AI 眼镜、录音笔、智能手表、手机、机器人……

后来发现，这样分类会越来越乱，因为产品形态会一直变化。

于是我换了一个分类维度。

不按产品分类，而是按 AI 获取信息的方式分类。

整个行业一下就清晰了。

目前我把 AI 的信息输入分成三类。

第一类：视觉（Vision）

AI 通过视觉获取信息。

包括截图、拍照、屏幕内容、文档、视频以及现实世界中的图像。

手机、AI 眼镜、Vision Pro，本质上都属于视觉输入，只是获取信息的场景不同。

第二类：听觉（Audio）

AI 通过声音获取信息。

包括语音聊天、会议录音、电话以及环境声音。

录音笔、AI 耳机、语音助手，本质上都是在持续获取声音信息。

第三类：感知（Sensing）

除了看见和听见，还有大量信息来自各种传感器。

例如 GPS、蓝牙、UWB、运动状态、光照、温度等环境数据，以及心率、睡眠、血氧等人体数据。

它们帮助 AI 理解的不只是你说了什么、看到了什么，而是你当时处在什么环境、身体是什么状态。

这个分类对我最大的价值，不是理解行业，而是回答了另一个问题：

如果今天开始构建自己的 AI 知识库，普通人应该从哪里开始？

我的答案是：

先从视觉开始。

原因很简单。

视觉几乎不需要改变任何人的使用习惯。

每个人每天都会截图、拍照、保存图片、浏览网页、阅读文档。

这些行为本身就在持续产生知识。

真正缺少的，不是记录工具，而是一个能够持续理解这些内容的 AI。

相比之下，全天录音需要改变使用习惯，也会涉及隐私问题；各种传感器和健康数据，则需要更多硬件支持。

对于绝大多数普通用户来说，视觉是成本最低、门槛最低，也是最容易开始的一步。

这也是我们最终选择从视觉入口开始做产品的原因。

我们没有试图一次解决所有问题，而是先把截图、拍照和屏幕内容这条链路做好，让 AI 能够持续理解用户每天看到的信息，再逐步扩展到其他输入方式。

我越来越觉得，未来 AI 的竞争，不是谁的模型参数更多，而是谁能够持续获得更完整、更真实的信息。

而对于普通人来说，建立 AI 知识库也不需要一开始就购买各种新的 AI 硬件。

从每天都会产生的视觉信息开始，让 AI 持续理解你的所见，这已经是一个足够好的起点。

[openg @opengwindow]

@SuperGGboy135 @Leobai825 可以试试paseo，文件也可以查看

[openg @opengwindow]

@cellinlab 这个观点有点意思🤔

[openg @opengwindow]

说一个最近在线下参加展会时的感受。

现在几乎所有企业都在发宣传页、产品手册、易拉宝，默认都是给人看的。人拿起来读几分钟，大概就能知道这家公司做什么、产品是什么、适合哪些场景。

但如果换成 AI，就完全是另一回事。

AI 需要先拍照，再 OCR，再恢复版面结构，再理解标题、正文、图片和表格之间的关系，最后才能开始分析内容。整个过程不仅复杂，而且还会丢失很多信息。

我觉得问题并不在 OCR 做得还不够好，而是在于这些资料从设计的时候，就没有考虑过 AI。

以后每一份宣传资料，除了给人看的页面，还应该提供一份 AI 可以直接读取的数据。

不是公众号首页，也不是官网首页，而是一份完整、结构化、机器可读的内容。企业介绍、产品信息、联系方式、产品图片、案例、更新日期……这些信息都应该能够直接提供给 AI，而不是让每个人的 AI 都重新 OCR 一遍。

这样我在线下看到一家感兴趣的公司，不需要拍照识别，也不需要自己整理。

我只需要告诉 AI：

帮我了解这家公司。

或者：

和今天见到的另外几家公司做个对比。

AI 获取的是企业提供的完整数据，而不是一张照片。

就像今天的网站会提供 API、RSS、Sitemap 一样，我觉得未来线下的宣传资料，也应该有一份专门给 AI 使用的标准化数据。

OCR 仍然会存在，但它更像是兼容过去的一种方案。当资料本身就能被 AI 直接读取的时候，OCR 就不应该再是默认的信息获取方式。

[openg @opengwindow]

@sakinotomiura 将GitHub贡献可视化为积木盆栽的想法很有创意，这种实体化表达让代码工作变得触手可及。回顾功能的设计特别触动人心，看到一年前的稀疏草坪与现在的对比，正是开发者成长的生动记录。

[openg @opengwindow]

@IA_Quijote 这个插件的多语言和JSON格式输出功能特别实用，对于需要跨平台协作或本地化AI绘画项目的工作流来说，能显著减少手动转换提示词的时间成本。