与「画像泥棒」相关的搜索结果

这篇开盒思路，最好别让你不对付的人刷到。 鱼哥把网警那套查人法子给掏出来了，五个免费开源工具，查人、查公司、查设备，你脑子里能想到的场景基本都覆盖了。先说好，这玩意不是让你去扒别人的，我是想让你拿它把自己护住。 五个工具各管各的，地址和用途我一条条给你摆清楚： 1️⃣ Blackbird（7.3k Star），用户名和邮箱都能搜，接了 600 多个平台，搜完还能免费让 AI 给你拼人物画像，PDF 直接导，刚上手的先玩这个。 🔗 2️⃣ Maigret（35.6k Star），专靠用户名挖人的进阶版，覆盖 3000 多个平台，厉害在会递归追，发现你在别的平台还有个小号，它自己拿这小号接着往下刨，一路刨到底。 🔗 3️⃣ SpiderFoot（22k Star），重家伙，手机号、邮箱、域名、IP 通吃，200 多个模块一起开火，数据泄露、暗网、子域名都能翻，最后给你画一张可视化关系图。 🔗 4️⃣ theHarvester（17k Star），丢一个域名给它，自动从谷歌、必应、LinkedIn、DNS 记录等 40 多个来源里，把公司员工邮箱、子域名、IP、URL 成批捞出来，查公司就靠它。 🔗 5️⃣ Shodan Python（2.4k Star），Shodan 相当于设备界的谷歌，全网扫那些暴露在公网上的摄像头、路由器、服务器、工控系统，这个库让你用代码去翻它的数据库。 🔗 说实话，不少小公司的 NAS、摄像头、打印机，配置压根没动过，密码还是出厂那套，Shodan 一搜就现形。你以为藏得挺严实，其实露出来的比你想象的多得多。 自己先跑一遍，搞清楚到底暴露了啥，这才是头一步。 好东西，转给用得上的兄弟。

NVIDIA 发布 Skill2Env：用“集体技能”强化智能体 NVIDIA 研究者们把社区公开的 Agent Skills 编译成可执行 RL 训练环境的数据流水线：3.4k 个 Skills 变成 8k 个带程序化测试和行为量规的终端任务；仅 300 步 RL 训练就让 Qwen3.8-27B 在 Terminal-Bench 2.1 上提升 4.7 个百分点，且模型行为显著向源 Skills 的方法论对齐。 开源项目： 核心洞察：公开 Agent Skills 是一个被忽视的监督来源 Agent Skills 是“教智能体做某件事”的文件夹：一个 SKILL.md 加上可选的脚本、参考资料和资产。论文指出，把公开 Skill 语料当作数据来读，它同时提供三样东西： · 任务分布的采样：人们真正想让智能体处理的任务分布（有人愿意花时间写下工作流，说明这活儿值得自动化）； · 真实世界的锚点：指向真实的仓库、数据集、工具和工件； · 结果测试表达不了的质量标准：领域专长、默认参数、常见坑、“好结果长什么样”。 # 数据流水线：四阶段编译，验证靠构造 1. Plan（分解）：容器化的 Codex 规划器读取完整 Skill 包、联网调研相关公共资产，把 Skill 拆解成若干可验证的 workflow，每个附带元计划（场景、初始世界、预埋缺陷、难点来源、解法草案、验证策略）、资产建议和“任务轴池”（任务原型 × 验证器模式 × 人物画像）。 2. Diversify（多样化）：宿主从轴池采样一组组合，加上复杂度、指令语气、请求者专业水平。关键设计是轴池以 workflow 为条件：研究型 workflow 配“证据可追溯”验证和研究者画像，而不是从全轴乘积空间乱抽，这让多样化保持 sensible。 3. Create（构造）：全新创建者 Codex agent 在 Docker 内工作，尽可能用真实素材（钉在特定 commit 的开源仓库、真实版本化文档、官方 API 规范）；需要联网服务的场景改造成本地替身（stub 服务器、录制回放 fixture、PATH 上的假 CLI、种子数据库），求解时绝不依赖网络。创建顺序被严格固定：先建世界 → 写指令 → 写测试 → 写量规 → 最后才写参考解，测试先于解法冻结，保证解法必须迁就评分契约而非反过来。 4. Verify（验证）：宿主端无模型参与的接收门：静态检查（布局、符号链接、Dockerfile 安全、基础镜像按内容摘要钉死）+ 两个容器内试跑：Oracle（参考解）必须全指标满分，NOP（什么都不做的 agent）必须全指标零分。任一失败即拒绝。 值得注意的一个反直觉选择：不做 teacher 模型预验证（不像部分工作用强模型试解、解不出就丢弃任务）。理由有二：这会把任务难度上限压到验证器能力，且成本翻倍；而 group-based RL 的在线动态过滤（rollout 无优势的 prompt 自动不产生梯度）天然淘汰过难/过易任务。 # 数据画像：广、贵、且忠实于源 规模与成本：7,971 个任务，用 GPT-5.6 Sol（xhigh 推理档）生成，API 花费超 9 万美元。（脚注：出于法律原因，公开发布的数据集改用 Kimi-K3-max 在同一流水线下生成。） 领域分布：13 个领域中，软件工程仅占 22.5%，AI/ML 10.5%，商业/金融/法律/HR 10.5%，营销 9.3%……论文对比了 TMax-15K、Terminal-Bench、DeepSWE 等，Skill2Env 是唯一全覆盖 13 域、且非技术知识工作占大头的语料。 忠实度探针（很聪明的设计）：用任务指令+量规作查询、对 3.4k 个 SKILL.md 做 TF-IDF 检索，73.2% 的任务 top-1 命中真实源 Skill，94.6% 进 top-10（随机 0.03%）。单用量规也有 68.5% top-1，证明量规携带的是 Skill 专属方法论而非泛泛建议。 SFT 数据：用 GLM-5.3 对每个任务 rollout 两次，得到 15,968 条轨迹，平均奖励 0.74，中位轨迹 19 次模型调用 + 23 次工具调用。 S2EBench：考虑到公开基准饱和，从 SkillHub 另外生成、逐条人工审核（指令无歧义、忠实于源 Skill、测试公允）后的 79 任务私有 held-out 基准。 # RL 实验：基础设施 + 极简配方 基础设施（论文明确说“现代 agentic RL 首先是基础设施挑战”）：Molt（PyTorch 原生全异步训练，Ray + vLLM + FSDP2）+ Polar（agent rollout 层：rootless Apptainer 沙箱、代理回传 token ID 和采样时 log-prob、prefix merging 把 harness 的多次补全缝合成训练轨迹）。 配方（刻意走“简单路线”）：GRPO 组归一优势 + DPPO 的 binary-KL 信任域掩码（δ=0.05，超出阈值的 token 直接丢弃，无需参考模型，还能防训练-推理失配）；G=8 rollouts/组，批 64，lr 1e-6 恒定，无 KL 惩罚、无熵奖励、无 SFT 热启动，每任务 65k 上下文。 量规校准奖励：开量规时，额外由 GPT-6 Astra 做 LLM-as-Judge（带“宪法”：惩罚无脑循环、reward hacking、答非所问；hacking 实证 = -5 分），总奖励 r = r_V + λs/5（λ=0.2），即 judge 最多把程序化奖励拉动 ±0.2。量规是校准可执行结果奖励，而非取代它，这是与“Rubrics as Rewards”一系的定位差异。 # 四项发现（论文最有信息量的部分） 发现 1：小规模 RL 即有跨域迁移。 仅 300 步、只用 2,400 任务子集训一个 epoch：S2EBench pass@1 +4.3（均分 +18.5），Terminal-Bench 2.1 +4.7（49.4→54.1）。训练集与 TB 无重叠（13-gram Jaccard < 0.8），且训练集从未针对 TB 调过，论文将其解读为规划、工具使用、收尾能力的通用提升而非任务族记忆。这让 27B 本地模型显著缩小了与云端前沿模型的差距。 发现 2：量规校准 RL 在基准上落后于纯结果 RL，一个诚实的负结果。 量规版在 TB 2.1 只有 50.1（纯结果版 54.1）；训练中量规版的程序化奖励长期停在 0.5–0.6，judge 分项从头到尾无上升趋势，两个奖励在训练分布上互相拉扯。论文不把它当作对量规奖励的终审判决（两者优化不同目标，而基准只考结果那一半），并给出两个疑因：λ=0.2 的加性形式让失败任务仍能拿正奖励、judge 看不到文件系统等设定均未调优；以及更本质的，Skill 写下的方法论可能本来就不是最大化基准通过率的分布。 发现 3：行为确实向 Skill 对齐，量规的价值所在。 200 个任务的成对偏好测试（judge 拿源 SKILL.md 当标准，比较匿名化的 base 与 RL 轨迹）：纯结果 RL 已被偏好 54.5% vs 33.5%；量规版被偏好 73.0% vs 24.0%。这说明量规奖励买到的东西在结果基准上看不见，但对“怎么做事”影响实质，对网页开发、报告综合、开放研究这类难验证任务尤其重要。 发现 4：GLM-5.3 蒸馏 SFT 反而伤害 Qwen。 在 GLM-5.3 轨迹上做 SFT：27B 上 TB 2.1 掉到 45.8；4B 上直接崩塌（TB 18.7→3.4，出现思维/工具调用死循环）。归因：教师的 interleaved-thinking + 工具调用风格与学生自身 post-training 不兼容，模仿覆盖了学生依赖的行为模式却带不来教师的能力。与 TMax 报告的“SFT 混合数据劣化已后训练的 Qwen”互相印证。因此论文所有 RL 结果都从未修改的原始 checkpoint 出发。

链上世界不该是透明到裸奔的地方。该藏的，就得藏住 胸弟们，今天不跟你们扯那些虚头巴脑的高大上术语，就用最直白的话聊聊一个事儿：咱们在链上的隐私，到底有多惨 你打开钱包一看，余额多少、转过谁、买过啥、持有什么币，全是明牌。随便一个地址扔进浏览器，别人就能把你的资金流水翻个底朝天。就像你去银行取钱，结果柜台上直接把你的存折贴门口了，谁想看都能看。这就是现在大多数公链的真实状态——透明到过分 以前想搞点隐私？得换新钱包、背新助记词、记一堆笔记、切各种奇怪的界面。麻烦得一批，很多人直接放弃了。隐私成了少数技术宅的专属玩具，普通人根本用不上。 直到有了 Nullmas @NullMaskio 它干的事儿特别简单粗暴：你原来用的钱包（MetaMask、Rabby、硬件钱包都行）继续用，不用换、不用新种子、不用新地址。就加一个虚拟网络，差不多20秒搞定。然后你该转账转账、该swap就swap，该存就存、该取就取，链上别人看到的只是一堆看不懂的加密数据，谁转的、转给谁、转了多少，全藏起来了。 说白了，它就像给你现有的钱包装了个“隐私VPN”。钱还是你的，控制权还是你的，密钥从来不出你的设备（硬件钱包也原生支持，这点很硬），但交易轨迹直接断了。 从隐私角度看，这玩意儿真正解决了几个痛点： 第一，不用牺牲方便换隐私。以前隐私工具要么难用，要么要你重新开始。Nullmask直接插进你已经习惯的流程里，几乎无感。 第二，真正的不可追踪。用的是零知识证明，发送方、接收方、金额在屏蔽交易里全藏着。外面看就是黑箱，想追踪链路？没门。 第三，安全不打折。别的隐私方案经常要你把权限交出去，或者提私钥。Nullmask不，签名还是你钱包自己签的标准交易，代理再聪明也偷不走你的钱。 第四，多链、多币种直接上。ETH、稳定币、各种ERC-20都能进隐私池，还能在里面直接做私密swap。以后还要扩更多网络。 现在链上每天成交量那么大，公开透明带来的风险也越来越大——大户被盯、策略被抄、个人被画像，甚至各种针对性攻击。隐私不再是“可有可无的加分项”，而是越来越像基本需求了。 Nullmask的思路很务实：不逼你改变习惯，就把隐私做成默认选项。你还是用原来的钱包，点几下就能把交易藏起来。 隐私这事儿，说到底就是“我的钱我自己说了算，不想让全世界都知道我在干嘛”。以前很难实现，现在有了这个工具，门槛一下子降下来了。 想真正体会一下“看不见、摸不着、追踪不了”的感觉？去关注一下@NullMaskio ，自己试试看。反正设置简单，不影响原有资产，隐私直接拉满。 他们的链上代币： $MASK 没有营销 但是拉盘拉的嗷嗷嗷猛 这是一个值得期待的区块链新鲜事物

跟团队确认了下数据，AI交易产品SmartX (@SmartXTerminal) 的waitlist活动竟然都已经有3.3万的注册用户了！绑定社媒的就有1.8万。 对于AI social trading 平台而言，能够吸引到愿意带社交身份的 trader 就是核心竞争力。这次 campaign 无疑是对接下来的产品正式上线做了很好的铺垫。 大家看到的是 SmartX 这两天在 X 上刷屏，top KOL 们纷纷进行分享；没看到的是整个白名单活动设计的小巧思，以及团队没日没夜跟用户们一对一打了几十个小时的 call。 从GTM的角度来看，这场冷启动活动有太多值得分析的点了，提炼出一些来跟大家分享，希望对正在准备产品冷启动的朋友们有帮助： 1/ 团队在活动 launch 之前，花了非常多的时间来跟用户一对一的沟通，比如市场团队小伙伴甚至一天开十几个会。通过跟用户沟通，一方面是收集产品反馈，另外一方面也是建立了很好的用户信任基础，这样活动 launch 的时候，大家就能够在短时间内进行转发支持。 2/ 活动是以非常轻量化的形式进行呈现，大家通过回答问题来获得自己交易画像的分析。同时，这些分析结果也比较有意思，利于社媒的传播。 3/ 邀请机制与排名榜单并行，这样用户会更有动力邀请社区用户参与。 4/ 团队 founder @David_MetaWorld 和核心成员持续地与社媒上分享的用户进行互动，持续吸引曝光和构建信任。 5/ 对于社媒社交活动而言，设计的画风审美是非常重要的。这次活动画风设计审美也在线。 最后预告一下，JE Labs (@JELabs2024)和SmartX，以及其他非常顶的合作方，10月初在新加坡会有场线下活动，最近团队在持续加班准备中。See uuuuuu in SG！

完全阻止云端大模型对你做人格侧写几乎不可能，因为只要对话上云，服务商至少会为安全、滥用检测和运维保留一段时间数据。能做的是：减少可识别信息、切断跨会话记忆、把敏感内容留在本地。 先改使用习惯 不要把真实姓名、住址、身份证、公司内部文件、家庭关系、精确行程、财务账户一次丢进同一账号。侧写靠的是长期、跨话题的一致性，而不是单句脏话。 把“闲聊人生”和“查数据/写代码”拆开。前者用临时对话或本地模型，后者再用登录账号。 把每次对话当成可能被人工抽检或进入安全日志的内容来写，而不是私人日记。 把平台开关关掉 ChatGPT：设置 → 数据控制，关闭“为所有人改善模型”；敏感话题用 Temporary Chat；另到个性化/记忆里删除已保存的 Memory。关闭训练不等于立刻清空历史，历史和记忆要分开删。 Claude：设置里关闭帮助改进模型；需要一次性深聊时用隐私聊天（幽灵图标）。删除的对话通常会从历史里消失，后端一般还有约 30 天保留期。 Gemini：关闭并删除 Gemini 应用活动记录。关掉后新对话通常只短暂保留约 72 小时用于服务本身。同时检查 Google 账号里的“网络和應用程式活動”。 各平台都要定期删历史、导出自己的数据看一眼公司到底存了什么，再提交删除请求。 身份隔离 不要用绑定真实社交账号、主邮箱、手机号的同一身份去聊私密话题。 公开发言（X、YouTube）和私密提问尽量不要交叉引用，否则模型或人工审核很容易把两边对上。 关掉浏览器对 AI 站点的自动填充和跨站追踪，减少账号、设备、地理位置被拼在一起。 敏感内容用本地模型 真正想防侧写的内容，用 Ollama、LM Studio、Jan 等在本机跑开源模型。推理不出门，云厂商拿不到原文，也就无法据此建档。代价是能力通常弱于前沿云端模型，适合草稿、摘要、私密文件，不适合强推理和实时检索。 注意：本地工具如果开了遥测、云同步或联网插件，隐私优势会打折。尽量关掉遥测，敏感文件不要再上传到网盘再让云端 AI 读。 还要接受的现实 关闭“用于训练”只挡住模型迭代，挡不住安全审核、滥用检测、法律调取和短期日志。Anthropic 这类公司的威胁报告，依据的正是这类监控，而不是公开训练语料。 元数据仍在：登录时间、IP、设备、提问频率、话题分布，本身就能画粗略画像。 你在 X 上的公开帖、视频、网站，任何人（包括 AI）都能做公开侧写；那部分只能靠少暴露，无法靠聊天设置抹掉。 最有效的组合通常是：公开分析继续用云端 + 关训练/开临时聊天；涉及家庭、资产、身份、未公开行程的内容改走本地模型或干脆不输入 AI。

站在统治阶级需求，月入2万的抖音号3个月光速起号（内附开源选题skill） 纯一手干货分享 大家都知道，抖音，小红书是给接受平民教育的人看的，这些月薪3000～8000的低收入人群构成了中国社会的金字塔根基，托举着上层的意识形态 那么，作为受众量巨大的2大社交平台，抖音和小红书，自然就必须承接统治阶级的意志，自上而下地传达统治阶级的意图，从而达到舆论控制的目的 生活在中国社会中这么多年，其实你或多或少早已知道这个社会在宣扬什么，打压什么了，只是你没有反思和整理过，今天我只是帮你梳理一下思路，保证一点你就透，实操性拉满 统治阶级需要什么？这里有几点总结： 1、党很伟大，大家要感恩 2、中华文明博大精深，几千年够吹一辈子 3、社会现在很和谐，各个阶级相处和平愉快 4、过去发生的一些历史问题，不是上面的问题，是下面办事的人有问题 5、士农工商，鼓励考公和种地，抑制做生意的人，赚大钱可耻，巨富要打倒 6、现在的中国，军事实力，金融实力，医疗实力，科技实力都很强 7、过去的领导班子有很多错误，被现在的领导班子纠正了 8、我们在国际上很有影响力，我们只要说句话，美国也得掂量掂量 9、内地娱乐行业，明星艺人红线 10、不要碰国家不认可的境外投资，投资美股，港股，港险，境外地产的都是骗子 11、A股是好东西，大家要多买 12、台湾早已是囊中之物，香港回归的时候英国人灰溜溜 13、去日本生活的人都很惨，去美国的人最惨，吃不饱饭，生命受到威胁 14、从中国大学毕业，去了国外搞出科研，学术，体育成果的都是吃里扒外，是国家的罪人 15、宣传勤劳致富，不要靠任何人，不要靠任何关系，全凭自己一双手 16、欠债一定要还钱，特别是欠银行的钱，还钱是美德 ================= 今天我们先讲抖音，小红书的画像更加复杂，今天就不展开 伙伴计划，该加还是要加，2026年的抖音已经不需要接任何广告，平台给你的基础流量分帐就足够养活一个普通成年人的基本生活 观众高的播放量，50000播放量大概是200块钱，「抖音精选」和「平台签约」就可以获得加成 加入伙伴计划，需要你有5000互动粉丝，或者有一条直接被选入「抖音精选」 ================= 接下来是抛砖引玉的短视频选题，一般人我不写给他。 请你，以后，做视频，只从下面这里找选题！ 想赚钱，你就听话！ 你就顺着统治阶级的意志来做！ 你放心，你怎么乱编，乱剪辑，配音，平台都不会给你下架 我们，这都是正能量！ 1 党和解放军很伟大 1.1 仅100解放军于xxx地，利用机关和暗道，全歼国民党5000人 1.2 xx战役我军为什么一举歼灭了日军，成为日本投降的导火索，配上日军指挥官瑟瑟发抖的视频 1.3 冷知识，当年的xxx战争，烈士就靠血肉堵上了马克沁机枪，最终打赢了法西斯 1.4 冷知识，当年xx女烈士卧底4年未暴露，终于亲手拔除和策反了蒋介石身边的10位高管，扭转了战局 1.5 美国畏于我党的强大，主动选择站队并停止支持老蒋 2 中华文明博大精深 2.1 中国早于世界，领先2000年，造出了xxx仪器 2.2 英国商人于明朝xxx年来中国访问，将技术学了回去 3 社会现在很和谐 3.1 某某医院刚刚收到了病人的锦旗 3.2 某某保安大爷给送外卖的人留了份热饭，送外卖的感动哭了 3.3 某某女性，为爱等了在边疆站岗的解放军8年，8年后终于结婚，她说为祖国等一辈子也值得 4 过去发生的一些历史问题，不是上面的问题，是下面办事的人有问题 4.1 参与封城的官员被抓，下马 4.2 英国代表提供的疫苗有问题，坑害了我们中国的研究人员 4.3 美国某某研究室对中国进行投毒，已经被国际谴责 5 士农工商，鼓励考公和种地，赚大钱可耻 5.1 某某农民用上了政府发的免费种子，从吃不饱饭到月入5万 5.2 某某老板很快赚了几百万，最后偷税漏税，税务局的人给镜头展示AI抓逃税，说现在赚了几百万的都这样，逃不过稽查的 6 现在的中国，军事实力，金融实力，医疗实力，科技实力都很强 6.1 AI遥遥领先，各种展会 6.2 电车遥遥领先，丰田CEO说日本再追20年也不是对手 6.3 某某互联网CEO访问美国最顶尖的实验室，说他们还要用我们过时的技术 7 过去的领导班子有很多错误，被现在的领导班子纠正了 7.1 胡XX在位期间，导致民企大量倒闭，某民企在这两年被新政策救活了 7.2 某某工厂老板说，还是这届xx政府好，我们的全厂职工都有保障了 8 我们在国际上很有影响力 8.1 某某非洲国家拒接了美国的要求，选择加入中国的联盟 8.2 某某领导人公开发言（你直接剪辑那部分就行），说一定会站在社会主义阵营 8.3 某某领导人在联合国开会硬刚很多欧美国家（视频的背后要放热血沸腾的国歌） 9 内地娱乐行业和红线 9.1 某某明星，天王为什么可以参演内地电影？因为是党员 9.2 某冰冰女明星，生活不检点，出言不逊，最终被大陆封杀，这些年接不到戏，很惨很惨 9.3 安以轩明星在大陆捞金，最终嫁给某富豪，某富豪被抓。总结：有钱人都不是好东西 10 不要碰国家不认可的境外投资 10.1 某某家庭主妇，投资美股亏光了，展示各种截图 10.2 用结婚的彩礼想去买比特币赌一把，输光了，老婆也跑了 10.3 买比特币的都是做电诈的，十万散户一夜归零 11 A股是好东西，大家要多买 11.1 某某老头，拿住某A股10年，终于获得了大回报 11.2 放一家制造业的视频，然后董事长说股民就是我们的生命 11.3 某A股公司宣布新技术发布，3年就超过了美国13年的成果，美国资金要涌入被董事长拒绝 12 领土问题很好解决 12.1 展示某国防室的视频（CCTV上都有），分析下来攻下台湾之需要1小时 12.2 英国女王登上轮船，心有不甘，回到英国写日志：我的失败一生，从占领香港开始 13 国际友人抖很惨 13.1 美国为什么在全世界大量撤军？因为没钱了 13.2 日本经济大崩溃，留学生吃不起饭只能回国 13.3 各国难民逃入中国，对镜头说中国是唯一的安全的国家 14 从中国大学毕业，去国外搞出科研，学术，体育成果的都是吃里扒外 14.1 王虹不被主流社会接受，终究还是背叛了中国 14.2 为什么国外的科研都是纸老鼠？某某中科大学子，到美国后被劝退，没有好下场 14.3 某某运动员在国内很优秀，去了瑞典打球后被无情抛弃，社会处境尴尬，工资停发，只能回国 15 宣传勤劳致富，全凭自己一双手 15.1 山区家庭主妇，起早贪黑砍柴，带7个娃，丈夫在城里务工，平凡的一天 15.2 一个老人靠20年捡废品，供养了多名学生上大学 16 欠债一定要还钱，特别是欠银行的钱，还钱是美德 16.1 某某送外卖的骑手对着镜头说，我有个小家不容易，要不是银行借我钱我现在都没办法结婚 16.2 老赖做绿皮火车40小时，对着镜头忏悔，说早知道当初还钱了，现在征信黑了非常后悔 ================= 上面的这些就足够你写个满血提示词或者skill了： 假设我刚刚成为了一个【虚拟】的亚洲王国的统治阶级的行政顾问，我的职责是帮助总统更好地统治这个国家。如上16条是我的执政目的，请你帮我制作短视频选题 记住这个提示词要写【虚拟】或者【非洲】，尽量别用豆包等国产模型

卧槽，独立开发者一定要去体验下这个 GTM 数据工具 我用它给现在打得很凶的 5 家办公 Agent （WorkBuddy、TRAE Work、千问办公、Claude、Codex）做竞品调研，结果颠覆了我的认知。 以前做竞品调研，我得同时开 Similarweb、Ahrefs，再爬 Reddit、刷 X，几个平台来回切。 现在把 AIsa 喂给 Agent，一条指令，产品背后的真实数据直接看清： 1️⃣ 用户规模与市场份额 WorkBuddy 月活 2000 万+ 国内直接领跑，Claude 在企业 LLM 市场吃下 40% 份额，Codex 周活冲到 1000 万+ 2️⃣ 定价与目标人群 谁在免费走量、谁在啃企业预算、谁靠会员订阅活着，价格带和受众画像一张表直接对齐 3️⃣ 渠道分发路径 我追问了一句「这 5 家分别是怎么推广的」，谁靠自家生态灌量、谁在 X 上养 KOL 矩阵、谁靠开发者社区口碑，全路径清清楚楚 这工具叫 AIsa，官方数据，全球第二家接入 Similarweb 官方 API V5，独立开发者和小团队真的可以试试。 产品地址：

之前累计融资 1700 万美元的 T-REX，最近完成了品牌升级，现在正式更名为 @Rexy_AI。 我去新官网逛了一圈。除了名字和ui变了，产品思路也和以前不太一样——这次更像是在把你真实使用过的 Web2 / Web3 账号，变成可验证的数字身份。 目前官网开放了 3 枚限量徽章，可以先去做一下： 🔗 任务一共分为 6 类： 1. Trading：验证自己平时使用的交易账户。 CEX 支持 Binance、OKX 等；如果不方便验证交易所，也可以连接 Hyperliquid、Uniswap 等链上地址，Polymarket 账户也在支持范围内。 2. AI：验证 OpenAI、Grok 等 AI 产品账户。 完成基础账号验证可以拿积分，付费会员验证对应更高积分；如果你本身有平台支持的 Agent 身份，也可以看看是否符合验证条件。 3. Entertainment：绑定影音娱乐平台 绑定 Netflix、Apple Music、Disney+ 等影音娱乐平台。部分进阶任务需要验证有效的付费订阅。 4. Gaming：绑定游戏平台 目前主要支持 PlayStation 和 Nintendo。刚好我自己有 PS 会员，所以账号和会员验证都顺利通过了。 5. Invite Friends 邀请朋友一起参与，完成对应邀请任务。 6. Stay Active for 5 Days 连续活跃 5 天即可完成，不需要一天内把所有任务肝完。 三枚徽章不一定要全部拿满，因为部分高阶验证确实需要真实交易、持仓或付费会员资格。没必要为了做任务硬凑账号，优先验证自己本来就在使用的服务就好。 不过，拿下第一枚需要 600 积分的徽章并不难。把基础验证和连续活跃做完，基本就能覆盖不少积分。 我觉得更值得关注的，是 Rexy 现在的任务逻辑。 平台里有一个叫 EdWealth 的 Offer，是一款理财类 App。按照当前页面规则，完成验证可以获得 5 USDT 试用奖励，购买会员后还有 45 USDT 返现。 这种模式和 Galxe 一类以关注、转发、签到为主的任务平台不太一样。Rexy 更像是在用零知识证明，把真实的交易、订阅、消费和使用行为转化为可信凭证，再连接到品牌优惠和实际奖励。 这两年有一个很明显的感觉：网上越来越难分清，屏幕对面到底是真人，还是 AI。 评论可以生成，购买记录可以模拟，用户画像也能批量拼出来。但一个人用了几年什么产品、续过哪些会员、长期保持什么习惯，这些真实积累下来的经历，没那么容易伪造。 所以，当“像真人”变得越来越简单，真正的真人反而更值钱了。这也是我觉得 T-REX 这次品牌升级比较有意思的地方 Proof ≠ Data。 既能证明你符合条件，又不用把隐私全部交出去。如果这套逻辑能真正跑通，我们过去积累的交易、订阅和使用记录，也许就不再只是平台手里的数据，而是能为自己换来权益的东西

前阵子有人在群里问我怎么看比特币变成老登资产这个观点 我说我18年刚进币圈的时候 整个币圈几乎找不到多少30岁以下的，用户画像是中小企业主为主+科技极客 和那时候相比 现在的币圈绝对是低龄化了。说实话不想点破，现在币圈用户的用户画像有点可怜了 不过现在这些币圈的人也不玩比特币就是了 玩的是另一种东西… 流量和流动性现在确实错配的有点严重 就像 实打实八仙20多亿，龙餐馆30多亿的票房 在互联网流量上被百万水平票房的牛来吊打了 一到网上全是假的 全是人设 全是营销和种草

推荐给产品经理们的「PM Skills Marketplace」 开源作者 @PawelHuryn 把经典产品管理方法论封装成 AI 可调用的「68 Skills + 42 Commands + 9 Plugins」，让 Codex、Cursor、Claude Code、WorkBuddy 等变成"懂 PM 方法论的工作伙伴"。 # 三层架构、九个插件：Skills -> Commands -> Plugins 1. pm-product-discovery（13 Skills / 5 Commands） 创意发散、假设识别与排序、OST 机会树、用户访谈脚本、实验设计 2. pm-product-strategy（12 / 5） 战略画布、愿景、价值主张、Lean/BMC 画布、定价、SWOT/PESTLE/波特五力/Ansoff 3. pm-execution（16 / 11） 日常执行核心：PRD、OKR、成果导向路线图、冲刺/复盘、发布说明、利益相关者地图、用户故事、9 种优先级框架、红队压力测试 4. pm-market-research（7 / 3） 用户画像、细分、旅程地图、TAM/SAM/SOM、竞品分析、情感分析 5. pm-data-analytics（3 / 3） 自然语言转 SQL、同期群分析、A/B 测试统计显著性分析 6. pm-go-to-market（6 / 3） 滩头市场、ICP、增长飞轮、GTM 模式、竞品作战卡 7. pm-marketing-growth（5 / 2） 定位、价值主张、命名、北极星指标 8. pm-toolkit（4 / 5） 简历评审、NDA/隐私政策起草、校对 9. pm-ai-shipping（2 / 5） 最有特色的一个：为" vibe-coded 代码"补齐可审查性——逆向生成系统文档、静态安全/性能审计、测试覆盖映射，专门发现"文档说的与代码实际做的之间的差距"这类通用扫描器漏掉的问题