Elara

每天刷微博、刷知乎、刷 X、刷 B 站找热点，几个小时砸进去，真正重要的信息还是错过了。 你缺的不是更多时间刷，是一个高效的监控系统。 三个工具，覆盖三个层面： 🔍 SoPilot — X 平台爆款追踪 自动抓 X 上的起爆帖和热门讨论。 帖子还没彻底炸开之前，你就能看到趋势在往哪走。 适合在 X 上做内容的创作者：提前判方向、跟热点、学爆款结构。 🔗链接： sopilot.net/zh/hot-tweets 🇨🇳 NewsNow — 中文全平台热榜聚合 一页看完微博、知乎、B 站、百度、财联社等平台热搜。 不用在各 App 之间切来切去。 适合做中文内容、需要接地气选题的人。 🔗链接： newsnow.busiyi.world 🆓 X 官方热点监控 打开创作者工作室 → 灵感 → 选国家或语言。 完全免费，数据来自 X 官方。 这是最容易被忽略的功能，但日常已经完全够用。 三个工具各有侧重，但核心逻辑一样：别等人告诉你什么是热点。 热点监控的本质不是知道得更多，而是更早知道重要的事。

我现在更相信，AI 时代的知识工作会从交付制变成养成制。 以前做一个工具，更像雕刻：需求明确，功能明确，做完交付。 现在让 agent 长时间替你工作，更像园艺。 你要长期维护上下文、规则、反馈、边界和判断标准。 这些东西长好了，agent 才能在你睡觉的时候继续推进任务。 这也解释了为什么很多团队不会立刻抛弃 SaaS。 不是因为他们不会用 Codex 写一个 CRM。 而是自己写工具之后，你还要承担数据结构、权限、异常、维护和协作成本。 真正成熟的判断不是能不能自己 vibe code 一个工具。 而是这个工具是不是值得你长期养。 个人小流程可以自己做，因为上下文简单，失败成本低。 团队核心系统要谨慎，因为 AI 帮你省掉了第一版开发，却不会自动省掉长期维护。 agent 让软件更便宜了。 但它也让人更需要判断，哪些系统值得拥有，哪些系统只适合租用。

我越来越觉得，研究里的 AI agent 不能只按产出量衡量。 如果 agent 帮你写了更多草稿、跑了更多实验、生成了更多候选，但你自己对问题的理解没有变深，那只是把盲区放大了。 研究的核心目标不是生产更多文本。 研究的核心目标是让人更理解世界。 所以 AI agent 在研究里的好用方式，应该是逼你看见更好的问题。 它可以帮你展开方向、暴露反例、生成替代解释、提醒你哪里需要重新读输出。 但如果你只是把任务丢给它，然后拿结果当结论，速度反而会变成危险。 因为你可能更快地产出了一堆自己无法判断质量的东西。 严肃的用法应该是慢一点读它的输出。 看它哪里走偏，哪里给了新线索，哪里暴露了你原本没想到的假设。 我对研究型 agent 的判断是：它真正加速的不是论文数量，而是理解循环。 输出只是副产品，理解才是资产。

散户做美股投研，最浪费时间的地方不是看不懂 K 线。 而是行情、新闻、财报、技术指标分散在太多地方，每天都要手动拼一遍。 daily_stock_analysis 这个开源项目，就是把这套流程自动化。 它支持 A 股、港股、美股、日股、韩股、台股和 ETF。 你把自选股配置好后，它会自动拉行情、新闻、公告、基本面和技术指标，然后生成一份 AI 决策报告。 报告里不是只给一句买或卖。 它会给核心结论、评分、趋势、买卖点位、风险警报、催化因素和操作检查清单。 更适合的用法，不是拿它当神谕。 而是每天用 3 分钟快速扫一遍自己的 watchlist，先找出需要重点检查的股票。 它还支持 GitHub Actions、Docker、本地定时任务和多种消息推送。 如果你只是想低成本做一个自动投研助手，可以先从 GitHub Actions 跑起来。 我的建议是：只让它做第一轮筛选，不要让它替你做最终交易决定。 AI 最适合帮你压缩信息量，但仓位和风险还是要自己负责。 🔗链接： github.com/ZhuLinsen/dail…

很多人让 AI 做个人网站，失败不是因为代码能力差。 真正的问题是，它一上来就写代码，等你看到成品时，审美已经跑偏了。 @Saccc_c 的这个 identity-skill 这个仓库的思路很值得借鉴。 它不是让 Codex 直接开工，而是先把个人网站拆成几个确认关卡： 1. 先确定内容、站点形态和风格方向。 2. 再用图片模型生成每个区块的参考图。 3. 你确认设计之后，再拆素材、生成素材、最后让 Codex 还原。| 这对做作品集、个人品牌页、求职网站的人很实用。 以前你只能等 AI 写完再挑毛病。 现在变成先看设计，再决定要不要进入实现。 我觉得这个流程最有价值的地方，是把 AI 做网页的不确定性前移了。 设计不好，第一步就能拦住。 素材不对，第四步就能拦住。 等到真正写代码时，任务已经不是让 AI 自由发挥，而是按参考图高保真复刻。 对普通用户来说，这比多写十句 prompt 更有效。 你不是在要求 AI 更懂审美，而是在给它一个更清晰的工作流程。 🔗链接： github.com/Sac-Y/identity…

我最近意识到一个问题：目前最火的 agent 工具（Codex、Cowork、Code）都有一个共同的盲区，它们的底层设计是软件工程师思维。 在软件开发中，代码就是真相来源。最终的代码库可以证明一切，中间过程可以丢弃。 所以这些 agent 工具天然地以交付产品为目标，用 todo list 追逐进度，用 compaction 压缩上下文。但知识工作不是这样的。 对分析师、管理者、研究员来说，过程至少和结果一样重要。 研究已知信息、探索替代方案、失败尝试、原型分支，这些都是价值。 你不能像信任代码库一样信任最后的 PowerPoint，也不能用一个 todo list 来替代被压缩掉的上下文。所以你会在使用中遇到一种持续的摩擦。 长运行模型（比如 Fable）的设计哲学是最终交付一个产品给你。 但知识工作的循环是学习、修正视角、再学习。你当然可以用 prompt 绕过去，但你在对抗整个 harness 的设计意图。 这些工具想让你当一个软件开发者，它们不理解管理者和分析师是怎么思考问题的。 如果 agent 工具不能突破这个软件脑的局限，它们就永远困在编程这个 niche 里。

我最近花了很多 token 做一件事：不是写代码，而是让 LLM 帮我维护知识库。 把原始资料（论文、文章、repo）扔进一个目录，让 LLM 逐步编译成 wiki，纯 .md 文件，自动生成摘要、反向链接和概念交叉引用。 我用 Obsidian 当阅读器，但从不直接写 wiki。LLM 负责所有内容的创建、组织和更新。 当 wiki 涨到约 100 篇文章、40 万词时，你可以直接向 LLM agent 提复杂问题，它会自己去查、去关联、去回答。我本来以为需要 RAG，但这个规模下 LLM 自己维护的索引就够用了。 还有一个关键步骤是 linting：让 LLM 对 wiki 做健康检查，找不一致的数据、补缺失信息、发现新文章候选。它甚至能主动建议下一步该研究什么。 每次查询的结果也存回 wiki，知识库持续生长。这件事的核心不是用 LLM 整理信息，而是把知识体系的管理权交给了模型。你不写 wiki，LLM 替你写。 你不做索引，LLM 自己做。你只负责提问和判断。以前的知识管理工具都是你在输入、你在整理、你在链接。现在角色互换了。 风险当然有：你信任 LLM 的归纳能力，但它可能漏掉对人类来说显而易见的连接。 不过几百篇文章的规模下，收益远大于风险。

做自媒体的都知道，最累的不是想内容，是发内容。 一条视频写完，还要手动传到抖音、小红书、B站、TikTok。每个平台重新写标题、改封面、调格式。一天发三个平台，半天就没了。 GitHub上有个开源项目 AiToEarn，把内容生产到分发整条链路全自动化了。 AI自动生成视频和图文，然后一键同步到14个平台。 抖音、小红书、快手、B站、视频号、公众号、TikTok、YouTube、Facebook、Instagram、Threads、X、Pinterest、LinkedIn，一次全搞定。不只是分发。 它的AI还能自动回复评论、识别高转化信号比如「链接发我」「怎么买」。评论互动不再是体力活，变成了自动化的转化漏斗。变现端也打通了。 CPS和CPM直接对接，内容跑起来的同时就开始产生收入。 支持Docker一键部署，也提供MCP接入方式给Claude Desktop和Cursor用户。 个人创作者和团队都能直接上手，不需要在每个平台注册开发者资质。一个人的内容团队，不需要招人，不需要加班。 🔗链接： github.com/yikart/AiToEarn

拍短剧不需要剧组，不需要预算，也不需要剪视频。 三个开源项目，把剧本到成片全部自动化了。 1.魔因漫创 Moyin Creator 桌面端AI影视生产工具，绑定 Seedance 2.0。 剧本解析、角色生成、场景构建、分镜拆分、视频合成，五步自动串联。 适合短剧和动漫番剧的批量生产。 🔗链接：github.com/MemeCalculate/… 2.AI 影视 Studio 工业级全流程平台，专攻「网文/小说直转视频」。 自动从文本解析角色、场景、剧情，一键生成带多角色配音的完整短剧或漫画视频。 11K+ star，个人开发者维护，迭代极快。 🔗链接：github.com/saturndec/waoo… 3.火宝短剧 huobao-drama 三个里面自动化程度最高，新手最友好。 一句话或一个主题丢进去，自动完成剧本改写、角色提取、分镜拆解、生图、视频生成、TTS配音、FFmpeg合成、字幕导出。 内置5个Mastra Agent协同，等于一个AI短剧工厂。 🔗链接：github.com/chatfire-ai/hu… 三个工具从专业级到一键傻瓜式，你只需要一个创意。

AI 真正进入知识工作的标志，不是帮你写一封邮件，而是能持续跑一个工作循环。 我更关心的是这个变化：人的角色从执行任务，变成维护一套会执行任务的系统。 邮件、招聘线索、会议决策、二手市场扫描，这些任务看起来不相关。 它们共同点是都有输入源、判断标准、行动出口和复盘反馈。 这正是 agent 最适合接管的形态。 但这里也有一个失败模式。 一旦循环跑起来，人很容易误以为自己被解放了。 实际更像从一线操作员变成系统管理员。 你仍然要定义边界、检查异常、校准优先级，并决定什么时候停止自动化。 我的判断是：AI 工作流的价值不在单次任务省几分钟。 价值在把重复判断变成可维护的循环。 谁能管好这些循环，谁才是真的把 AI 用进了工作系统。

我越来越觉得，聊天式 LLM 最大的问题不是模型不会想，而是产品默认它必须立刻回答。 很多难题本来就不适合即时响应。 如果一个问题需要搜索、推理、验证和回看上下文，模型马上给出答案，往往只是把不确定性包装成流畅文本。 更合理的交互应该允许模型争取时间。 它可以先告诉你：这个问题需要 15 分钟。 如果你只要快速猜测，它再切换到低成本答案。 这里的关键取舍是延迟换可靠性。 今天很多 AI 产品把低延迟当成体验本身，但对复杂任务来说，真正的体验是可控。 用户应该能选择：快一点的猜测，还是慢一点的可信结果。 未来的 AI 助手不一定一直像聊天窗口。 它更像一个会判断任务重量的工作系统。 简单问题秒回，困难问题异步处理，并把中间状态讲清楚。

产品里最容易拖慢节奏的细节，往往是一个小动画。 设计想要 Lottie，开发想要 JSON，最后大家卡在来回改动效上。 text-to-lottie 这个开源工具链值得试。 它把 Skills + Harness 打包好，让 Claude Code、Codex 这类 coding agent 直接按自然语言生成 Lottie 动画。 它适合三类场景。 第一，loading、空状态、引导页这种小动效。 第二，营销页里需要快速试几个视觉节奏的动画。 第三，独立开发者没有动效设计师，但想把产品细节做得更像样。 最快上手方式也很简单。 在项目里安装它的 skill。 然后描述你要的动画、尺寸、节奏和循环方式。 让 agent 生成后，再用仓库里的 harness 预览和修正。 可以直接从这个命令开始： `npx skills add diffusionstudio/lottie` 这个工具真正有用的地方，不是让 AI 一次生成完美动画。 而是把动效从等设计资源，变成可以在代码环境里快速迭代的产品资产。 🔗链接： github.com/diffusionstudi…

做短视频和播客，最麻烦的不是写稿，而是每次都要找一个稳定又像人的声音。 VoxCPM2 这个开源 TTS 我会重点关注。 它的价值很直接：用文字描述生成新音色，也可以用短音频做可控声音克隆。 它支持 30 种语言、9 种中文方言和 48kHz 高质量输出。 你可以用年轻女声、温柔甜美、略带微笑这类描述，先生成一个可用音色。 对自媒体和产品团队来说，这个能力很实用。 短视频旁白、课程配音、产品 Demo、播客片头，都可以先用同一套声音资产跑起来。 我的建议是先把它当成声音原型工具用。 不用一上来买商用配音，也不用每条内容都真人录音。 先用它验证脚本、语气和节奏，确认内容能打，再决定要不要升级成专业制作。 我越来越觉得，TTS 以后不只是文字转语音。 它会变成个人内容生产里的声音组件。 谁能稳定复用自己的声音资产，谁的内容产能就会高一截。 🔗链接： github.com/OpenBMB/VoxCPM

我越来越确定，LLM 的交互范式正在经历第三次重构。 第一代是网站。你打开浏览器，输入文字，得到回复。模型在那里，你去找它。 第二代是 app。你下载到本地，随时调用。模型跟着你走。 第三代是团队成员。一个自包含、持久化、异步运行的实体，拥有整个组织的工具和上下文，和人类并肩工作。 这不是 UI 修补。它要求你从工程上重新思考工具集成、计算环境、记忆系统、安全边界——几乎所有的底层假设。 关键变化是"持久性"。前两代都是同步的——你发起请求，等响应，交互结束。第三代打破了同步假设：你可以给它一个任务然后走开，它会在后台完成。 这对组织的意义比任何 benchmark 分数重要得多。一个持续运行、拥有完整上下文的 AI 和一个需要你每次重新交代背景的 AI，价值差了一个数量级。 最难的环节不是模型能力，而是基础设施。工具集成出错一次，用户不会再信任它。安全边界模糊一次，整个组织会排斥它。 未来两年，第一代和第二代产品会被第三代迅速替代。不是因为模型更聪明了，而是交互范式的效率决定了模型价值的兑现率。

Google 搜的是「谁写得最好」。 这个工具搜的是「谁在真正讨论、争论、下注这件事」。 last30days-skill（github.com/mvanhorn/last3…），GitHub 48K star。 核心逻辑：把 Reddit、X、YouTube、HN、GitHub、Polymarket 的信号拉平 → 交叉验证 → 合并去重 → 按信号质量排序。 比如查「NVIDIA 财报后市场怎么看」。 普通搜索给你财经通稿。 它给你： → Reddit 散户真实情绪 → X 最早喊空/喊多的帖子 → YouTube 播客上下文分析 → Polymarket 真金白银下注方向 → GitHub 相关项目动态 三件事让它和普通搜索不一样： 👉 同一消息多平台出现 → 合并成一个 cluster 👉 同一作者最多 3 条结果 →防刷屏 👉 Polymarket 成交量 + 赔率 → 5 因子评分，拿钱投票 > 嘴炮 三种用法： 一次性研究 /last30days [话题] → Markdown 简报。 对比模式 [X] vs [Y] → 对比表 + 数据裁决。 Watchlist 监控 last30 watch [话题] every week → 定时跑 → 自动生成周报。 适合投研、产品调研、内容选题。 Google 告诉你编辑选了什么，这个工具告诉你人群在讨论什么。 🔗链接： github.com/mvanhorn/last3…

@ScottJenningsKY So amazing

Let’s be completely honest about what happened here. Every single Democrat went out there and defended every other Graham Platner scandal until the wheels came off. They only cared about one thing: poll numbers. Now the numbers are bad, and they have no one to blame but themselves.

模型路由器有一个系统性的盲区——几乎没人认真讨论过。 路由策略几乎都围绕可验证任务设计。代码能不能跑、数学对不对、benchmark 分数高不高。有明确的 ground truth，路由起来很自然。 但最有价值的 AI 应用往往是不可验证的。创意思考、策略分析、市场洞察、定性判断——没有"标准答案"。 路由器在这里暴露了它的核心假设：它把不可验证任务分配给便宜模型，因为它看不出这些任务"有多难"。 这就是 paradox：最值得用最强模型的任务，被路由器判定为不值得。 我见过太多团队把最强模型留给 coding，把便宜的模型分配给策略和创意任务。逻辑是：coding 错了会崩，策略分析反正没标准答案。 但这是反过来的。coding 错误能被 lint、测试、编译器抓到。策略分析错了，三个月后才发现在错误方向上跑了一整个季度。 路由优化省下来的 token 成本，可能在决策质量上十倍百倍还回去。非可验证任务的隐性成本永远不会出现在账单上。 路由器有用，但它的设计假设——按可验证难度分配模型——在不可验证任务上失效了。有些任务根本不应该被路由。

@SunNeverSetsX 是的，谢谢支持

@Elara200410 牛逼，难怪现在抖音的AI视频赛道那么火，原来有这个黑科技

做电影解说的同行一天肝一条视频。 你用这个工具，一句话出一条。 narrator-ai-cli-skill（github.com/NarratorAI-Stu…）是一个 AI 电影解说视频生成 Skill。 内置 93 部电影素材、146 首 BGM、63 种配音（覆盖 11 种语言）、90+ 解说风格模板。 工作流程两步： 🛠 搜片 → 选风格 先搜电影，再选解说风格——悬疑风、幽默风、文艺风…90+ 种可选。 顺手选 BGM 和配音语言。 🎬 一键生成 AI 自动完成：写稿 → 配音 → 剪辑 → 合成 → 输出完整解说视频。 为什么值得关注？ 抖音/B站的电影解说是成熟变现赛道。 流量分成 + 带货，做得好的轻松月入过万。 但以前一条视频的制作流程是： 看电影 → 写稿（2 小时）→ 录音（1 小时）→ 剪辑（3 小时）→ 发布。 一天一条已经是极限。 现在？ 一句话告诉 AI：「帮我做一个《飞驰人生》的悬疑风解说。」 剩下的事全自动。 一天能测试多少个选题、多少种风格？ 以前一个，现在十个。 本质不是视频工具。 是把「做内容赚钱」这件事变成了可复制的流水线。 🔗 链接： github.com/NarratorAI-Stu…

信息差的本质：不是知道更多，而是更早知道重要的事。 每天花几个小时刷微博、刷知乎、刷 X，还是不知道今天发生了什么。 这 13 个工具能把信息获取压缩到每天 5 分钟。 🔍 热榜聚合 → NewsNow — 全网热榜一页看 github.com/ourongxing/new… → 今日热榜 — 中文热榜导航 tophub.today → SoPilot — 推特爆款追踪 sopilot.net → Trends Hub — MCP 热榜聚合 github.com/baranwang/mcp-… → DailyBrief — AI 科技简报 github.com/leiting-eric/D… 📡 RSS 自建 → RSSHub — 万物皆可 RSS github.com/DIYgod/RSSHub → FreshRSS — 开源 RSS 阅读器 github.com/FreshRSS/Fresh… → ReadYou — 高颜值 RSS github.com/Ashinch/ReadYou → Glance — 监控仪表盘 github.com/glanceapp/glan… 💻 开发者 + 资源 → awesome-ai-news — AI 新闻大全 github.com/fabiochiusano/… → Hacker News — 技术新闻源 news.ycombinator.com → Lobsters — 程序员社区 lobste.rs → GitHub Trending — 新项目发现 github.com/trending