太棒了，orb是Harness 的 Agent 的执行面。电脑上的阅读、对话、预览和审批界面，是人的判断面。
agent就应该有独立的任务空间。而且还可以用gpt的订购额度。 @AmpCode 用起来～
Quinn Slack@sqs
Introducing Amp Subscriptions $20 or $200 gets you on the agentic frontier with us.
中文
Long Chen
1.6K posts
Long Chen
@LongChenNotes
看多AI，长期主义。 在这里只写两件事：怎么用好 AI，怎么过好生活。
Katılım Ekim 2024
300 Takip Edilen3.2K Takipçiler
@howie_serious @jason5ng32 我最近两天用amp里的GLM5.2模型感觉又快又稳定，特别是读内参api的时候也是自动调subagent效果非常好
中文
fable 5 的额度，提前4天用完了。
之前的 agent 主力一直是codex（用量 160 亿），最近因为 fable 5 以及 @jason5ng32 的强力建议，把claude code 做主力用了一阵（用量才 20 亿）
目前的感受：两个 agent 体感差异还挺大。
虽然都是前沿 llm+一套 coding agent harness，都共享同一套 skills 和 plugins，使用的工具，我的使用习惯也都差不多，但差异就是挺大。
但说一个具体的差异：在 claude code 里面一个功能经常跑 40-50 分钟，但是在 codex 里面就短平快，几分钟到十几分钟就跑完一个功能 loop。
不知道大家的感受/经验是怎样的？
中文
陈言老师看了一本讲晚清政策的书，开发了一款HTML游戏 @Linkc
让你扮演光绪皇帝，批奏折，维系住皇权。
配乐和界面都很精美，果然有审美、有知识的人用Vibe Coding可以做好多好玩的东西。
历史爱好者应该喜欢
游戏地址：
guangxu-if.vercel.app
中文
昨天去了一家朋友公司，聊了聊 AI 和智能体（Agent）赋能的事。他知道我一直在研究这个领域，想问问在他们这种传统行业该怎么落地。他们公司这两年不太景气，生意萎缩得很严重，整个行业都在下滑。
聊的时候他提到，他们最近在做一些短视频采访，我看了一下，内容非常基础，甚至显得有点“low”。他问我能不能用 AI 把这些视频做得高级一点，我当时突然冒出一个想法，我说：你不要考虑用 AI 去改造短视频的流程，反而要把这个流程变得越形式化、甚至看起来越“low”越好。
为什么这么说？我给他提了一个非常宝贵的建议：
在市场萎缩的背景下，领域份额最终会集中到少数几家公司手里，能存活下来的公司必须具备极强的行业能力，也就是要获取全环节的实战经验和技能。
你这个短视频真正的价值不在于视频本身，而在于“提取”：
1. 形式化采访：找一个亲和力强的专业主持人（最好是女生），采用这个行业专家或实战派喜欢的风格去采访他们。
2. Agent 深度驱动：由 Agent 准备每一期的采访大纲和问题，主持人不需要思考，只要照着念，按照 Agent 的要求一点点深挖。
3. 核心目标是“经验提取”：把这些在行业里摸爬滚打几十年的专家经验、踩过的坑，全部提取出来。
4. 素材二次利用：录制两个小时，剪出 5 分钟的精华发到平台，或者给专家个人去炫耀，这都不重要。最重要的是把这两个小时的原始素材全部“喂”给 Agent。
你相当于通过一段两小时的视频，就获取了人家几十年的经验值。如果这个事持续做下去，再配合一些投流和数据修饰，你就能把整个行业的知识库全部挖掘出来，赋能给自己公司，或者把这些模型和知识卖给别人。
这才是 Agent 目前最值钱的用法，也是我觉得对你们公司最有价值的东西。
中文
读王小波的小说《万寿寺》，结尾是一句牢骚：这个世界在不可避免地走向庸俗。
最近的互联网观察：现在不是庸俗问题了，而是“义和团化”。
中文
@dontbesilent 的dbskill很多人应该低估了他的价值
今天我用一个线程聊了一个七项商业体验，最上接感受是简单明了，不废话，句句说到点上。最后给出行动。
这种感觉就像你在面对面让 @dontbesilent 为你做商业评估一样，这个线程我会一直保留来处理这个商来问题，已经做好记忆工作。
多数人用AI总想得到一个认同、一个明确的结果。但真正有价值的往往是能把你脑子里模糊的变清晰，把你的问题摆出来给你看引导你自己认识到那些是对的是错的。
这是我认为dbskill给我最大的价值，一个好的skill标准应该是这样的来提升你的能力，而非写出一篇一次性的10万+
中文
确实存在这个问题：不懂技术、不懂 llm 和 agent 原理，确实看起来也能用 agent 干活，但更容易浪费海量 token 在低价值任务上。
不是说非技术员工不能用 agent 模式烧 token，而是要补课，要学习。
现在市面上有什么面向非技术人员的系统性课程或解决方案吗？大家有的话可以推荐推荐。
蓝点网@landiantech
一看账单天都塌了：咨询公司埃森哲开始限制非技术员工使用 AI 服务，原因是这些员工浪费大量 Token 在将 PDF 转成 PPT 等简单任务上。 埃森哲内部录音显示，非技术类员工的 Token 消耗量超过技术团队，且执行的任务都是意义不大的，但这也需要消耗海量的 AI 使用成本，所以现在埃森哲也要限制非技术员工使用公司提供的 AI 服务。 查看全文：ourl.co/113654?x
中文
每天在 AMP 里面用这送的 5 美金，我觉得是特别重要的。
为什么这么说呢？
1. 培养计费触感
平时用 Codex 或者其他的订阅套餐，就像吃自助餐，你是没有概念的。你不知道自己的饥饿感和饱腹感具体在什么程度。
2. 建立节约意识
当你看着计程车司机打表，数字一个一个跳动的时候，你就会有一根神经紧绷起来，知道该怎么去节约 Token。
3. 应对未来变化
每天刺激一下对 Token 计费的触感，能让你变得特别敏锐。如果未来 Token 都以 API 的方式收费，或者价格更贵时，这种触感就非常有价值。
4. 倒逼思考
这种方式还会倒逼着你，在开口前把很多问题想清楚。想清楚再说，不浪费每一次跟 Agent 的对话和交流。
中文
Long Chen retweetledi
Codex 疯狂写磁盘的问题已经修复了 ✅
但 Codex App 暂时还没更新，需要手动更新 Codex CLI 到 0.142.0 才能解决问题。
两种更新方式：
方式一：在 Claude Code 里用 AI 帮你更新 直接输入提示词：
```search web & update codex cli```
让 AI 自动搜索并完成更新。
方式二：npm 手动更新
```npm install -g @openai/codex@latest```
更新完就不会再疯狂写磁盘了
Vaibhav (VB) Srivastav@reach_vb
This is now fixed along with the latest release of Codex! Make sure to upgrade your codex installation to the latest version via npm or bash installer Thanks again to all of you for raising this issue and to the goated (jif) codex team
中文
这套斯坦福的方法，我今天跑了几次。它本身的这个模型其实没有那么牛逼，是之前斯坦福公开的一个东西，后来被这哥们儿提炼成了四套提示词。
但我试下来，发现真正牛逼的点在于：你必须要接入一个像 Opus 4.8（或者是 5.5 Pro），或者能大量获取外部信息的模型。
第一条其实没什么，就是几个专家的视角去解读，这倒没什么，都是不同的看法。
第二个矛盾地图其实特别有价值。它会去碰撞，在碰撞的同时去找证据，相当于是在辩论。
1、辩论的话必须要有论点和论据，它会不停地去找支撑论点的证据。
2、这个过程非常有价值，你会看到很多支撑它的真实信息和说法，从而在这个过程中判断可信性。
3、最后产出的观点里，可能会有一条是你从来都不知道的，而且这个观点是大家都认同的，同时还有很强的证据链接和文章支持。
所以这是我试下来最牛逼的地方。
最后产出的这个东西，你可以想象成是一份交给老板的深度研究报告，可靠性非常强，有理有据；
也可以是一个大学生面试时去讲的内容，想象空间很足。
它不是一份普普通通的研究报告，而是给你一个看待问题的准确、不同视角的观点，同时具备很强的说服性的一整套东西。
Nav Toor@heynavtoor
中文
计划这两个月，将 知心伙伴 给做成产品了。
最近 7.0 版本，在推上又是单日破 十万 浏览量，两日有十六万浏览量。
去年有一个版本也是有二十万。
可能会分两块，
一是，课程，心智咨询怎么和AI结合起来的。
二是，简约的app，注册就用得起来。
大家有建议和需求都可以留言或私信。
🤗
中文
Ralph 作者分享的一个 GLM-5.2 使用技巧：
他发现 GLM 这类模型有个特点——提示词写得越充分，它表现越惊艳；反之，提示信息不足时效果就比较一般。而 Opus / Fable 则相反，即便提示信息残缺，也能"脑补"着把任务漂亮地完成。
所以他的建议是：先用 Gemini 这类擅长写提示词的模型，帮你打磨出一份足够详尽的提示词，再交给 GLM-5.2 去执行。两者分工，效果会好很多。
geoff@GeoffreyHuntley
alright it seems people are losing their shit about zai glm being good. it’s been a not to open secret that the best hyper token burning engineers for last six months have been doing statsarb in this window of opportunity whilst western companies have been locking in with either openai or anthropic. the glm models are really fantastic but they are like an autistic german. black and white thinking and high precision. whereas opus/fable are great for painting colours/figuring out with gaps of meaning when under specification of prompts. here’s how you should be using it. use another model (ie gemini) which excels at painting to create the prompts used for generation the prompt which is then put into glm. for those similar with Amp’s oracle pattern. it’s that. register another model in as a tool within GLM itself for quality of living benefits.
中文
@LongChenNotes 这套我也这么干 不过你这三条都得先有个翻车现场才修得动 最坑的恰恰是没现场的那种。一种是触发了也跑完了 输出看着也对 其实中间悄悄漏了步或者用了个过期判断 你根本没发现它错过 哪有失败给你复盘。另一种更隐蔽 description写废了从来没被触发 它压根没跑过 连证据都不存在
中文
这张图不是给人看的，是给codex agent看的
很多人刚接触 Skill 的时候，会把它当成一段更长的提示词。
我以前也是这么想的。
但用得越久，越觉得不对Skill 根本不是 Prompt。
Prompt 像是你临时喊一嗓子：帮我干这个。说完就完了，下次还得重新喊。
而 Skill 更像一位老师傅退休前留下的那本工作手册：什么时候该动手、先看哪儿、怎么判断好坏、哪儿最容易翻车、活儿干完了怎么验收。
所以你会发现，一个真正好用的 Skill，几乎不可能一次写成。
它是在一次次真实任务、真实翻车、真实复盘里，一点点磨出来的。
我给这个过程起了个名字，叫"技能迭代老师傅"。
这是昨天老陈在直播里提到我记下来，然后今天内参群友分享了自己的reskill后我把他又迭代提升了一下。
这个老师傅有三条特别朴素的规矩：
第一条：先看病，再动刀。
Skill 不好用，先别急着推倒重写。
先弄明白它到底卡在哪儿了是该触发的时候没触发？流程漏了一步？输出忽好忽坏？还是压根没说清楚"什么样算干完了"？病因没找到，重写也是白写。
第二条：照着证据修，别照着感觉修。
光说我觉得不好用是不行的。得回到翻车那一刻去看：用户当时到底怎么说的？Skill 实际又是怎么做的？哪一步开始跑偏的？有没有运行记录、报告、页面或者文件能作证？把失败现场看清楚了，你才知道刀该往哪儿下。
第三条：能小修就别大改，但改完一定要验。
一个小毛病，不该让整个 Skill 陪葬。更聪明的做法是做个小手术
补一条触发规则、加一个检查项、钉死一个最容易跑偏的点然后跑一遍验证，确认它下次是真的不会再犯，而不是你以为它不会再犯。
这也是为什么我把 Reskill 收进了"技能迭代老师傅"里。
群友分享的Reskill 不是从零造一个新 Skill，而是修旧的那个。
比如它还在用老模板、触发触错了地方、输出不稳定、漏了检查，或者你已经明明白白说过下次别再这样了。
碰到这些，要做的不是重写，而是回头复盘那次失败，找到根上的原因，把这次的教训写回 Skill 里。
对我来说，Skill 最值钱的地方，就是能把一次次用下来的经验沉淀住。它应该越来越懂我干活的方式，越来越不用我反复解释，越来越能做到"指哪打哪"。
真正好的 Skill，不是写得最长的那个，也不是看着最专业的那个。
而是下一次真刀真枪干活的时候，它能少踩一个你已经踩过的坑。
这一版本也不是最后的版本老师傅还会迭代，把图给到codex 它可以看懂
中文