www.pinRide.AI

Pin your Ride, share the journey.

拼住行程，伴你一程

Pin it. Find it. Share it. Ride it.

[鸟哥 | 蓝鸟会🕊️ @NFTCPS]

AI 圈又变天了，你还在傻乎乎地手动点网页、手动填表？GitHub 上这一波挂着 Jev 名字的项目已经杀疯了，10 个全是真能干活的，我给你换个顺序捋一遍

最近翻 GitHub 我是真被吓到了，一堆带 Jev 的项目集体爆火，star 一个比一个离谱。套路都差不多：决策交给 Jev，打字和执行分开干。我按我自己的排序讲，看完你大概就懂差距在哪了

1️⃣ jev-ultrafast，15k star
浏览器操作 Agent，也是这波里最能打的。给它一个目标，Jev 负责决定下一步点哪、选哪，小模型只在真要打字的时候才出手。苏黎世飞伦敦在 Google Flights 上订票，7.1 秒搞定，连加载等待都算进去了，这速度是真离谱
🔗 https://t.co/n1Nm1MLCQg

2️⃣ jev-trader，1.7k star
Monad 链上做市机器人。每个区块出一次 Jev 买卖决策，延迟压到 81 毫秒左右。搞链上的兄弟应该秒懂，这个是真能上场的那种
🔗 https://t.co/uirfK5qAJj

3️⃣ pg-jev，272 star
Postgres 插件。直接 WHERE jev(...) 对着数据库说人话查数，不用再憋 SQL。star 虽然垫底，但这脑洞我是真服
🔗 https://t.co/mYHGfY8QBG

4️⃣ fast-jev-compaction，5.8k star
专门给 Claude Code 的上下文瘦身。Jev 给每个工具调用打分，垃圾直接扔，干货原封不动留下。上下文老是爆的，赶紧看这个
🔗 https://t.co/Io2GHGe43q

5️⃣ typesafe-computer-use，719 star
macOS 上直接操作电脑，单步只要 0.0002 美元。屏幕 OCR 完，交给 Jev 决定怎么操作再执行。这价格基本约等于白嫖
🔗 https://t.co/OqjR5zfRFW

6️⃣ agent-desktop，1.4k star
桌面自动化，走的是辅助功能树。点哪个按钮、填哪个框，全由 Jev 说了算
🔗 https://t.co/QmXzqXGttq

7️⃣ skills，1.5k star
TypeSafe 官方出的 Agent 技能包，给 Claude Code 和 Codex 用。内置 Choice、Score、Noul 几种模式，官方亲儿子，用着踏实
🔗 https://t.co/N28ro9MxgJ

8️⃣ hermes-jev-skills，360 star
给 Hermes、Claude Code 和 Codex 一整套 Jev 路由、记忆、压缩、技能挑选加电脑操作，缝合得挺全乎
🔗 https://t.co/8xII9p66iV

9️⃣ jev-review，457 star
带本地面板的分阶段代码审阅。在你烧掉最贵模型的额度之前，先让 Jev 把风险筛一遍，省钱又省心
🔗 https://t.co/d7Nt60dtnO

🔟 foreman，454 star
Agent 监工。盯着写代码的 Agent 别在软件工厂那套循环里跑偏，靠的还是 Jev 来做判断
🔗 https://t.co/J9i8OLUrcz

一圈看下来，Jev 这套玩法算是真站住脚了：难决策丢给它，打字和干活各归各。哪个戳中你了，评论区告诉我

[SuSu_酥酥👅 @NFT_Chen]

🔥速码！谁的 Codex 还没装上 Jev 批量必杀技？这波真能起飞 ！

Jev 不写长文、不瞎规划，专门干一件事：选择、分类、打分。Agent 给上下文、自己干活。大规模数据清洗、自循环分类、长程任务里替你拍板，比把 Codex / Claude 当 judge 更便宜、更快、更能并发。

亮点先看：
🔹开源 9 个技能 + 90 个场景，MIT
🔹适合 inbox、文档、代码审查、浏览器动作、工具路由、上下文压缩
🔹社区已经做出：自己选下一步的浏览器、概率版 Tetris、鲸鱼上的城市、MIDI 作曲

关键操作：
1️⃣打开 Codex / Claude Code / OpenCode

2️⃣把这段话丢给 Agent：
「帮我给当前 Agent 安装 Jev Skills，包括通用技能和全部场景技能。请读取并按照这份安装指南操作，完成后验证安装是否成功：https://t.co/L386zXfl4v」

3️⃣Agent 会按宿主复制到对应目录：
Codex → .agents/skills/
Claude Code → .claude/skills/
OpenCode → .opencode/skills/

4️⃣装好后直接点名技能，例如：分类用 jev-triage，路由用 jev-route，审查用 jev-code-review，长程检查点用 jev

5️⃣先小样本核对判断质量，再放开批量和预算

别再让大模型一遍遍当昂贵评委了。

给 Agent 装上 Jev，放手让它自己判、自己跑。

GitHub：https://t.co/LzJ58e0pmx

#Jev #AgentSkills #Codex #ClaudeCode #开源 #AIAgent #TypeSafe #OpenCode

[姚金刚 @yaojingang]

收集整理了60个Jev典型案例，同时重点列出了12个最值得关注的案例合集
这些案例对我们理解与应用，能带来不少帮助和启发
包括GEO，也有一些可以值得尝试的场景

这些案例，基本的逻辑：生成模型负责写作与复杂推理，Jev承担分类、筛选、评分和选择，代码执行后续动作，关键节点保留人工复核

60个Jev应用案例合集：https://t.co/LjEzcnYPwT

12个典型应用案例：
1、Notra：AI回答中的品牌提及识别
在GitHub已开源，GEO模块已有调用Jev评估品牌提及的代码，适合参考自动化监测如何接入业务流程
https://t.co/MPE2RoLlNq

2、TypeSafe：实体对齐与去重
来自官方示例，判断两条商品记录是否对应同一实体，并将模糊情况交给人工。可借鉴到品牌别名归一、同名机构消歧和知识库去重
https://t.co/DNMOk1jFrz

3、TypeSafe：RAG信源筛选与冲突检测
在生成回答前，检查检索段落的相关性、可用性、矛盾和提示注入风险。适合研究知识库问答中的证据筛选
https://t.co/hTnqM7iD3w

4、TypeSafe：文章论断与引用核验
让Jev判断引用片段是否支持文章论断，再由代码检查引文是否存在。可借鉴到GEO文章、研究报告的引用审核
https://t.co/Ew9490htqx

5、Browser Use：网页操作决策
将网页元素整理成候选项，由Jev选择点击、输入、滚动等动作。适合理解“模型做判断、工具执行操作”的协作方式
https://t.co/4sh03WAB0V

6、TypeSafe：为Agent选择合适的Skill
先对技能目录筛选，再读取少量候选的详细说明，判断使用哪个技能或不使用技能。适合工具、插件和Skill数量较多的系统
https://t.co/G76mUUZyoN

7、LangChain：工具执行前的风险检查
将Jev接入Agent中间件，在工具执行前检查并拦截风险操作。适合研究AI后台管理、代码执行等场景的安全审核环节
https://t.co/ORMzVj6BhV

8、Vercel：客服工单自动分流
一次判断工单所属部门、严重程度和退款意图，信息不明确时转人工。适合学习从模型判断到业务分支的完整实现
https://t.co/R72rszCGwm

9、ReplyNodes：SaaS官网表达检查
检查官网的产品清晰度、目标受众、价值主张、差异化、信任依据和行动指引。可参考其检查维度，评分不能直接当作SEO或GEO排名
https://t.co/mdxOFhbtAF

10、Paper Trellis：论文引用验证
将引用句与论文证据配对，由Jev判断支持关系，保留人工最终裁决。适合研究长文章、白皮书和研究报告的审校流程
https://t.co/mWdMyPCNZo

11、TypeSafe：结构化信息抽取的级联校验
小模型先抽取字段，Jev检查结果，困难样本再交给更强模型。可借鉴到网页采集、资料入库和文档字段抽取
https://t.co/y0LDzoqdeT

12、TypeSafe：把文本变成可建模的数据特征
由生成模型提出特征问题，Jev将文本转成数值特征，再交给CatBoost预测。可借鉴到问句意图特征提取、内容标签和线索分析，迁移效果需要单独验证
https://t.co/nQXDGWlGoT

[比特币橙子Trader @oragnes]

卧槽，Jev直接全面开放了，人人都可以注册使用，一个邮箱就可以拿到5美金额度。

这不被羊毛党薅死啊？😂

[梭哈.AI @SUOHA_AI]

上瘾了！JEV 全自动干活又测通一个——全自动高速创建 API Key

我给JEV一个完全陌生的AI中转站网址--B.AI ，全程零人工干预：20 秒一次性建完 10 个 API Key，并全部复制保存下来，没停顿、没点错页、没弹确认框卡死

以前把这套流程丢给大模型，它每点一下都要先想半天，慢得完全没法看，现在配合JEV毫不费力了....

孙哥 @justinsuntron 你的 @BAI_AGI 中转站什么时候再搞个免费活动，我现在可以高速自动化薅秃你了🤣🤣

[AYi @AYi_AInotes]

建议所有试图走出低谷或者想彻底换一种活法的朋友, 把 Dan Koe 刚发出的这套长文系统连看三遍。

很多人都有过同一种令人窒息的经历: 下定决心要早起、健身、做副业, 结果两到四周之后一切又悄无声息地滑回了原点, 甚至被同一个恶习生生困住整整十年。

绝大多数人以为这是自己意志力不够, 但从物理学上看, 你的起步策略从第一天就选错了。

火箭升空需要把总重量 85% 到 90% 的燃料在短短几分钟内全部烧光, 才能挣脱地表引力; 但只要冲破大气层进入既定轨道, 后续飞行的燃料消耗几乎就是零。

启动你人生的燃料, 和维持你人生的系统, 根本就不是同一种东西。

很多人最大的误区是用温吞的微习惯去对抗十年的重力惯性。

在最脆弱的启动阶段, 你需要的根本不是心平气和的自律, 而是极度浓烈的战术压力。

对自己所处现状的极度厌恶, 或者是主动把自己逼进不可退缩的绝境, 才是能点燃 90% 推进剂的脏燃料。

真正让我觉得有意思的是他指出的高手真相。

顶级创业者和运动员每天工作 16 个小时不觉得痛苦, 不是因为他们每天都在咬牙坚持, 而是因为卓越早就成了他们的出厂设置, 让他们去过平庸的生活反而像下地狱一样难受。

一旦火箭被推上了轨道, 就要立刻丢掉脏燃料, 切换到极简的环境自动回路。

输入端必须戒掉智力肥胖, 把每天刷几百条无用碎片的习惯直接掐死;

输出端则把行为拆解成最小可识别动作, 进健身房只承诺做一组硬拉, 坐到桌前只承诺写一行文字, 并在行为发生后立即绑定确定性的奖励。

痛苦和强厌恶负责把火箭暴力推离地面, 极简环境和最小动作负责让系统在轨道上零阻力滑行。

回看你过去经历过的最好的一次蜕变, 当时把你推离地面的到底是一次具体的暴击, 还是慢慢积累的顿悟?

我先说, 以前逼我彻底戒掉熬夜拖延的, 就是一次因为精力涣散当场丢掉核心客户的惨痛教训。

输入端节食与输出端四步回路的完整操作清单, 我整理好沉在一楼了。

[Smartpig @Smartpigai]

https://t.co/cAZnceKmjX

[Smartpig @Smartpigai]

普通人怎么靠Jev赚钱？

可以看看下面一些我觉得可行的方向~

[AYi @AYi_AInotes]

Damn，三天前大家还在争论哪家大模型写代码更便宜, 今天老黄@JensenHuang 和@nvidia 英伟达直接掀桌子了: 问题根本不在模型, 在你的脚手架太蠢了。

英伟达与 MIT 团队公开了全新架构 SoL-Pi, 放弃人工打补丁, 让算法自己演化出四套运行时机制。

不仅在 GPT-5.6 Sol 和 Opus 5 上守住了评测水准, 更把 API 成本直接削去三分之一。

那些天天盯着大模型降价、却任由 Agent 脚手架疯狂烧钱的团队, 建议把这篇论文打印出来贴在工位上。

英伟达实验室开源的SoL-Pi 论文，可以说是做了一件全行业早就该做的事: 用自动演化系统重新锻造 Agent 运行脚手架。

在 51 个真实编程任务的严苛评测中, 面对 GPT-5.6 Sol 和 Claude Opus 5 这种巨无霸, 任务得分毫发无损, 但直接把 Token 消耗腰斩了 49%, 每跑一小时就能从 API 账单里直接省出 8.75 到 13.50 美元。

很多团队以前做智能体全靠工程师人肉写死调度逻辑, 试几个用例就自以为调好了, 跑进几十步的复杂长任务里, 臃肿的上下文几分钟就能把账单干爆、把模型智商撑死。

英伟达这次最聪明的一步, 是彻底放弃了人类手工调优。

他们把脚手架扔进多个不同的代码环境里, 让系统开启自动化研究循环, 像自然选择一样让无数机制自我对抗淘汰, 最终只有四个物理机制活了下来。

首先颠覆的是执行节奏。

以前 Agent 走一步看一步, 调一次工具往返一次, 动作融合机制直接把连贯动作在端侧合并批处理, 砍掉了一大半网络和上下文震荡。

然后是给运行中的上下文无损脱水。

它不是等上下文满了再调大模型写假大空的摘要, 而是在任务行进中对观察结果进行重组打包, 并在委托阅读长文件时强制保留证据行, 既把整个 API 成本砍掉整整三分之一, 又死死守住了关键代码细节不被遗忘。

以前是工程师凭直觉给 Agent 编死板的笼子, 从今天起是算法在残酷淘汰中自己进化出最精密的骨骼。

如果你的代码 Agent 每小时也能凭空省下十几美元, 你会选择把省下来的钱用来多跑十倍的并发测试, 还是换更大参数的模型? 我先说, 肯定无脑拉满并发, 把原本舍不得跑的全量回归测到爽。

开源代码、论文地址和这套四机制的详细对照表, 我整理好放在一楼了。

[范凯说AI @fankaishuoai]

别整天折腾各种 AI 工具了！再折腾，你能折腾得过我吗？

我主要的工作流都跑在一台 Mac Studio M4 Max 工作站上，给大家看看我都折腾了哪些工具：

先说软件。远程同步用 Tailscale 组虚拟专用网络，笔记本 / 手机在任何地方都能随时接入 Mac Studio 上的基础设施；电脑之间的工作文件无缝同步用 Syncthing。

如果需要直接远程操控 Mac Studio，我用 Parsec 做远程桌面；
而要远程控制 Mac Studio 上的 Agent、做多 Agent 编排，用的是Paseo 。Paseo 还装在我的 iPhone、iPad 和一加 15 手机上，让我随时随地接入 Agent 来完成工作。

自动化调度分两条路。涉及 Bot 的任务，直接在 Paseo 里配它的定时计划就行。不需要用到 AI 模型的任务，我全都写成 Python 脚本，直接用 macOS 系统自带的定时任务去跑，效率更高也更可控。

然后是我的 Agent 阵容：逐渐收敛到三个开源工具，Pi Agent、Codex CLI、DeepSeek Harness。它们接管的事情已经不少：

- Obsidian：整个知识库的管理全在 Obsidian 里，交给 Agent 来做
- 浏览器：Mac Studio 上常年开着几个 Chrome，让 Agent 操控浏览器处理各种任务：查邮件、回复、分析 YouTube 后台数据、查资料，或者操控 ChatGPT、Grok、Gemini 的网页端
- GitHub：代码提交到 GitHub，在 Codex 里绑定之后可以直接远程 PR
- Cloudflare：网站部署用的是 Cloudflare，我是 5 美元的付费用户。海外域名购买、前后端代码发布，以及数据库 D1、放视频和文档等静态资源的 R2，很多基础设施直接都在 Cloudflare 上；在 Agent 里下命令，全部自动配置和管理，不需要我自己登录 Cloudflare
- Stripe：海外付款同样把 Stripe 连接到 Agent 上了，上面所有相关的测试、配置和数据分析，全部交给 Agent 处理

媒体和内容处理这块，下载和处理音视频用 yt-dlp，做简单动画、视频生成用 FFmpeg-full。另外还有一些新工具，比如用来做视频 B-roll 的 OpenMontage。 OpenMontage 加上 FFmpeg-full，视频的粗剪和动画就OK了，后期再用剪映合成一下就行了。

最后才说模型。本地推理用 oMLX，跑的模型主要有这几类：

- 大语言模型：DeepSeek V4 2.4-bit 量化版、Qwen3.8-27B（4-bit / 8-bit 量化版）、Qwen3.6-35B-A3B（4-bit / 8-bit 量化版）
- 语音识别（ASR）：Qwen3-ASR、OpenAI Whisper Large
- 语音合成（TTS）：Qwen3-TTS
- 情绪语气识别：SenseVoice
- RAG 与检索：向量模型 BGE-M3、重排序模型 BGE-Reranker-v2-M3

这么多工具组合在一起已经非常强大了，我觉得我连这些工具 30% 能力都没用上，不能再折腾了。

所以我越来越觉得，作为普通 AI 用户，真没必要天天盯着新模型发布，花大把时间来回测那些“鹈鹕骑自行车”，纯属浪费时间。真要测，也应该拿自己真实的工作流去测不同场景下的模型适用度，完全不需要过度关注。我反倒觉得应该形成一套自己稳定的工具组合，来高效完成日常工作。

[Lonely @Lonely__MH]

🚨翻车了！本来以为本地部署是终局，结果直接翻车

拿 M2 Pro 跑了 两轮 100 题决策模型对决（云端 Jev vs 本地 Laya-MLX），本想吹一波端侧，结果尴尬了😅

- 速度：本地完爆。Laya-MLX 单题推理 13.7ms，10 并发不到 2 秒刷完，QPS 冲到 58。而云端 Jev 10 并发要 5 秒（ 385ms 网络 RTT）

- 准确率：本地拉胯。Laya-MLX 准确率只有 50% 左右，约等于抛硬币；云端 Jev 速度慢点，但准确率极高

- 结论：准确率达不到生产标准，再快也是白搭

给时间一点时间吧

以上。

[Lonely @Lonely__MH]

🎉牛逼！没有最快，只有更快！

比Jev 快50倍是什么体验？！

本地跑 laya-mlx 原地起飞✈️

这种意图决策模型最大的瓶颈就是 网络延迟

Laya 是一个开源的、基于文本输出概率的分类系统我正式，开源社区已经有人将其移植到了 Apple MLX 框架，并进行了深度性能优化！

我用M2 Po实测，仅占用1G内存，每秒 60次的决策速度玩转贪吃蛇😄

丝滑！👇🏻

[环球猎奇🏅 @newsNZcn]

据说，这是高维外星人玩的魔方。

庞加莱圆盘模型：基于规则 {7,3} 铺砌的 24 色魔方。

详情：https://t.co/OiIGbaDEg7

作者：@roice713

[Sunshine @yuqiyong]

解魔方的终极本质是“群论” 为什么高手还原魔方不用背记忆口诀？因为在代数拓扑眼里，魔方不过是一场节点在交叠轨道上的置换游戏 #数学 #数学思维 #魔方 #学霸秘籍 #每天学习一点点

[Philo @Philo2022]

呕心沥血，终于写完了，如何不背公式解开魔方！

你将学会从零到一，不背任何公式而解开一个魔方。你将了解到魔方的起源，并理解魔方是如何运作的。我将从理论到实践，带你一步步完整复原一个完整魔方，并教会你如何观察。

如何不背公式解开魔方：小学生也能看懂
https://t.co/UT81pwbip5

[Chu Wei @ChuWei10]

很多人開車多年車也不一定能搞清楚這些標線的意思……

[Chu Wei @ChuWei10]

低成本手搓太陽能充電器，成本不到30元，變廢為寶的樂趣誰懂啊

[AYi @AYi_AInotes]

有点燃炸，这才是数学最狂暴的力量，全屏静音把这十几秒流动的拓扑轨迹看完，去感受一下什么叫真正的智识震撼！

这段在推特上狂揽 180 万播放的动态数学动画，直接把全世界玩了几十年的魔方，从根源上降维打击得体无完肤！

兄弟们你知道一个普通的三阶魔方，到底藏着多少种绝望的混乱吗？
整整 4300 亿亿种（$$4.3 \times 10^{19}$$ 种状态）！
如果你每秒钟转一种组合，就算从宇宙大爆炸那一刻转到现在，你连全盘状态的百分之一都试不完！
绝大多数人一辈子都在被动当人肉打字机——死记硬背七八套公式、一层一层转，转错一步全盘报废；
但在顶级数学家眼里，这个塑料块从诞生第一天起就不是玩具——
它是一个纯粹的对称置换群，是一张横跨高维空间的巨型「凯莱图（Cayley Graph）」！

看懂这段视频背后令人战栗的数学暴力美学，你的认知会被当场连根拔起：

1️⃣ 空间映射：把玩具变成宇宙级拓扑图：
魔方的每一个物理状态，在图论里就是一个孤立的“节点”；
你的每一次顺时针或逆时针旋转，就是连接两个节点之间的“有向边”！
4300 亿亿种混乱被编织成了一张巨大的超图；
解魔方的本质，根本不是把红色对齐红色、白色对齐白色，
而是在这张巨型网络里，寻找一条从当前节点通往“绝对对称点”的最短路径！
2️⃣ 算术级神迹：“上帝之数是 20”：
这是人类计算机科学史上最浪漫的公理之一：
数学家用了等效上万年的计算时间，跑完了这张图的每一个角落，
最终得出了震撼全人类的结论——这张包含 4300 亿亿个节点的巨网，它的最大直径，居然只有整整 20！
这意味着什么？
无论魔方被世界上最刁钻的人打得多乱、看起来多么病入膏肓，
在上帝视角里，距离完美还原，最多永远只需要 20 步！
3️⃣ 真正的降维解法：群论分层（Kociemba 算法）：
计算机绝不会像普通人一样从底层开始拼十字；
它利用抽象代数，先把整个置换群压缩投影到一个仅有 20 亿状态的“子群”里，
先解决朝向，再解决位置；
别人在平地像无头苍蝇一样乱撞，数学家在高维空间里直接开虫洞！

这段视频最让人热血沸腾的，不仅仅是魔方被攻破，
而是它用无懈可击的几何美感告诉你：
宇宙中看似最复杂的混沌，在足够高维度的规律面前，本质上不过是极其纯净的对称折叠。

生活和商业里的很多绝境也是一模一样：
低维的视角里全是死循环、全是撞墙、全是不可逾越的阻力；
但只要你站在图论的上帝视角往前看，
最黑暗的混乱背后，其实一直静静躺着一条不超过 20 步的最短测地线！

[Hyperagent @hyperagentapp]

42 agents. 216 threads. One dashboard. Every agent gets its own prompt, tools, skills, and budget. Deploy specialized agents across your company.

[🦌 概率鹿梦Pro ｜BET @DeerOdds]

潘石屹36分钟公开演讲
分享人生感悟
通透观点引人深思🤔
很久才找到的，内网见不到了；

很多人赚到了钱，却没想明白人生。

潘石屹这场36分钟公开演讲，我找了很久。没有鸡汤，没有炫耀，而是站在人生走过一段路之后，聊财富、选择、欲望、成功与得失。

有些话，年轻时听是道理；经历过一些事，再听才真正有感觉。

最关键的是，这段演讲现在很难找，内网已经很难看到。

我把它整理分享出来。

如果你最近正在迷茫、焦虑，或者重新思考自己到底想要什么，不妨花36分钟认真听完。

🤔 有些人生答案，越早想明白，越少走弯路。