与「管理模型」相关的搜索结果

六顶思考帽是对讨论问题、解决问题或做出重要决策的一套框架方法，可以让团队成员摆脱个人惯性思维，从各种可能的角度思考问题。比如会议场景。 - 白帽：信息收集 - 黑帽：感受、直觉和情绪 - 黑帽：风险评估、批判 - 黄帽：效益和可行性 - 绿帽：创造力、新思路和可行性 - 蓝帽：过程控制 #管理模型#

Claude Code 的核心是一个 while 循环：模型生成响应 → 如果包含工具调用，执行 → 结果返回 → 模型生成下一个响应 → 持续循环。 就这么一个循环，被工程化成一个完整的产品，写了将近 30 多万行代码。 从整体代码设计来看，可以认为，Claude Code = 模型 + Harness，而 Harness = 工具系统 × 上下文工程 × 自主循环。 其中，工具系统和上下文工程做了大量的设计。 CC 的工具系统有着自己的标准化设计，它会明确约束模型不要执行 find、grep、cat、head 通用操作，而是走 GrepTool、GlobTool 等专用工具，因为这些内建工具会输出可审计、结构化的日志，让操作更加透明可控。 同时，工具本身也带有权限级别和验证逻辑。例如 Edit 工具为了避免交叉覆盖，会要求先 Read；Git 工具对 push force 类高风险操作会做 prompt 约束和 UI 警告。 类似的设计很多，目的是在工具层建立清晰的边界和反馈机制，让模型在调用时有约束、有校验，减少越界操作和错误扩散。 而在上下文管理上，CC 的管控也无所不用其极。它通过多种压缩策略和动态机制，确保模型在任何时刻只接触当前任务最相关的信息。 压缩策略的核心机制包括 MicroCompact、AutoCompact，以及不同触发条件下的会话压缩、记忆替换和裁剪策略。 在文件加载机制上，针对工具定义与能力暴露，也设计了 Just-In-Time 策略，文件不预加载，只保留路径，需要时再通过工具读取。 此外，还有 Sub-Agent 的设计，它通过上下文隔离的方式，让不同子任务的相关信息互不干扰，进一步降低了主循环的认知负载，确保主循环逻辑干净且稳定。 Claude Code 不仅是在工具系统和上下文管理上做文章，模型为了 Harness 效果更好，也开始配合对 Agentic 行为做专项优化。 例如 Opus 4.7 在指令遵循上就明确提到 "Opus 4.7 takes the instructions literally"，这对 Agent 来说非常关键。Agent 的行为边界往往写在 system prompt 里，模型层做了增强学习后，模型在指令遵守方面会表现更出色，这对 Agent 的稳定性和可靠性会有极大提升。 OpenClaw/Hermes Agent/Claude Code 产生了大量 Agent 调用数据，这些数据也会继续反哺模型能力的迭代。 从当前发展趋势可以推断，未来模型的进化，一定也会逐步内化工具调用策略、上下文压缩策略，甚至学会自我约束行为边界。 那么，今天 CC 里写的这些 Harness 逻辑，注定也会被模型吃掉。也就是说，Harness 也是一个过渡性的产物。🐶

2026 年 “Harness Engineering” 这个词要火。 “Harness” 这个词，字面意思是“马具”，就是套在马身上、让人能控制马匹方向和力量的那套装备。 用在 AI 编程的语境里，它的比喻再贴切不过：AI Agent 就像一匹动力十足但不太守规矩的马，而 Harness 就是那套让它既能跑得快、又不会跑偏的缰绳和马鞍。 过去三年，三个阶段： 1. Prompt Engineering（2023-2024）：关注“怎么跟 AI 说话” 精心设计一段提示词，希望模型给出理想输出。Prompt Engineering 是优化一次性的输入-输出对。 局限很明显：一条消息能塞的信息有限，任务一复杂就失控。 2. Context Engineering（2025）：关注“给 AI 看什么信息” 不再只盯措辞，而是设计整个信息环境：系统提示、对话历史、记忆、RAG 检索结果、工具调用输出。 3. Harness Engineering（2026）：关注“构建什么环境让 AI 工作，这个环境如何保证它的产出是可靠的” 比 Context Engineering 更进一步，不仅管理输入给模型的信息，还包括模型之外的整个执行环境。 现在问题是，“Harness Engineering”中文怎么说？

各位用大模型的，有商业机密和小秘密的，一定记得关闭下面这些配置项： 1，ChatGPT——设置——数据管理——为所有用户改进模型：关！ 2，Claude——设置——Privacy——Help improve Claude：关！ 3，DeepSeek——设置——数据管理——数据用于优化体验：关！

发现一个宝藏应用，@dappOS_com 旗下的新产品 @xBubble_ai 简直惊喜。 记着明天得前几天晚上，为了制作一份详细的新项目投研简报，我全神贯注地在屏幕前与 AI 工具深度互动到了凌晨。 我尝试了多个不同的大模型，不断精进和打磨提示词，希望得到最完美的输出。 这个过程让我深刻意识到，熟练驾驭 AI 需要极高的耐心与时间投入。 我们都满怀期待地想让 AI 成为得力助手，但在实际操作中，为了让结果更精准，我们往往要投入大量精力去引导。 这让我开始思考：一定存在一种更流畅、更懂人心意的方式，让工具真正服务于我们的直觉。 于是，我发现了xBubble，它更加高效几乎能够一键解决我的烦恼，一图看清！ 2.如今大模型的迭代日新月异，获取强大现在各大平台的新模型层出不穷，算力早已不是瓶颈， 但真正拉开体验差距的是什么？是“会写神级提示词”与“不会写”的差距，是“懂代码和编写技能（Skill）”与“完全不懂”的差距。 为了让大家直观感受到这种体验上的天壤之别，我们可以从几个真实的投研和工作场景，来看看传统 AI 工具和采用“低提示词”理念的 xBubble 到底有何不同：  3.对于很多追求高效的专业人士和中小团队来说，这背后隐藏着巨大的隐性时间投入。 为了让 AI 的输出稳定可靠，我们需要持续评估不同模型在各类任务中的表现，精心挑选适配的工具组合。 很多创业团队也面临着权衡：增设专职岗位预算较高，而让现有团队从头学习 AI 调优，沟通和学习成本同样可观。 更重要的是，每当大模型迎来更新，我们积累的经验往往需要重新建立。 我们真正渴望的，是一个能精准理解模糊指令、即开即用的智能系统，让大家把宝贵的时间集中在核心业务上。 4.好消息是，技术创新的脚步总能为我们带来极佳的解决方案。 近期 dappOS 推出的 xBubble 就是那个让人充满期待的行业破局者！它创新性地提出了 Low-prompt AI0理念，简单来说，就是“AI 替用户使用 AI”。 其核心枢纽 Bubble Pilot 就像一位超级懂你的智能管家，你只需要像和朋友聊天一样输入一句简短的需求，Pilot 就会自动接管后续的所有统筹工作。 它能迅速识别任务类型，自动匹配最优的处理路径，将繁杂的模型挑选、提示词构建、工具调用全部包揽，让你轻松畅享一键直达结果的愉悦体验。 你可能会好奇，Pilot 为什么能如此精准地理解我们的意图？ 这要归功于其背后时刻都在成长进化的强大引擎——Bubble Engine。这是真正的“AI 学习 AI”。 当你提出一个新颖的需求时，Engine 会在后台自动生成海量的解决方案组合，  通过严格的测试框架与质量标准进行比对，最终将最高效、最完美的路径固化为通用的 SOP。 这意味着，在 xBubble 的生态里，随着大家的使用，高难度的技能会被自动沉淀，哪怕是零基础的小白 也能毫不费力地直接调用这些千锤百炼的最优解，获得大师级的交付品质。 为了满足极其多元的使用场景，xBubble 精心打造了两种极具安全感与实用性的运行环境。  第一种是云端的“Bubble Computer”，这是一个端到端的专属工作区。 面对需要搜集资料、撰写、排版等多步协同的复杂项目，它会自动开启安全的沙盒环境，按需加载所有技能，一气呵成地完成并交付最终成果。 第二种是主打本地陪伴的“Bubble Personal”模式，它能在你的设备上安全运行，协助管理本地文件与日程， 回想当初那个专注打磨提示词的夜晚，如果当时有 xBubble 的协助，我只需轻松输入一句“请帮我汇总今日链上热点并生成一份深度简报”， 便可去享受一杯香醇的咖啡，回来就能收获排版精美的专业成果。 科技演进的终极方向，永远是让人的创造力得到最大程度的释放。 正如 xBubble 所倡导的核心愿景：AI 应该学习 AI，AI 应该使用 AI，而用户，只需陈述目标。 兄弟们冲一波官网： dappOS 官网（

最近看 Binance Wallet @binance @binancezh 新一期 TGE 的时候，我注意到一个挺有意思的方向——AI 开始从“应用层”重新回到“基础设施层”。 这次上线的 OpenGradient @OpenGradient ，不太像传统那种只会讲 Agent、聊天机器人或者套壳应用的 AI 项目，它更像是在做一件底层但长期很重要的事情：把 AI 模型真正搬到链上，并且让推理结果可以被验证。 现在很多 AI 产品最大的问题，其实不是“能不能生成内容”，而是你根本不知道模型是不是可信、数据有没有被篡改、推理过程是否真实存在。尤其未来 AI 如果开始接管交易、金融、搜索甚至自动执行任务，验证能力会比生成能力更重要。 OpenGradient 想做的，就是一个去中心化 AI 基础设施网络。简单理解，它希望让模型托管、推理、验证这几个环节，不再依赖单一中心化平台，而是通过链上网络完成协作。这样带来的意义是，AI 的结果不仅能生成，还能被证明。 我去翻了一下他们的白皮书，能感觉到这个项目更偏“Infra”路线，而不是短周期叙事。尤其现在市场越来越关注 AI Agent，如果未来大量 Agent 真正在链上执行交易、调用数据、管理资产，那么背后一定需要一个可信的 AI 执行层，否则整个生态最后还是会回到中心化黑盒。 从这个角度看，OpenGradient 其实踩中了两个趋势：一个是 AI，另一个是链上可信计算。 让我比较关注的点，是 Binance 开始持续把 AI 和 BNB Holder 生态绑定，过去很多人持有 BNB，更多是为了手续费、Launchpool 或者链上Gas，但现在明显能看到，BNB 正在变成获取早期 AI/Web3 项目曝光和空投权益的重要入口。 尤其这类 TGE 项目，很多时候二级市场已经不是最早期阶段了，真正有优势的，反而是长期参与 Binance Wallet 和 BNB 生态的人。 如果你平时本来就有持仓 BNB，可以关注一下这类机会： （躺赚） 我自己的感觉是，AI + Crypto 下一阶段真正有价值的，不一定是最会营销的应用，而是那些解决“可信执行”和“去中心化推理”的底层网络。因为只有底层跑通了，AI Agent 生态才可能真正扩张。 以上观点仅代表个人见解，不构成任何投资建议。

我越来越觉得，BNB Chain 现在在 AI 这条线上的战略，已经和很多公链完全不一样了 很多链现在还停留在支持 AI 这个阶段，但 @BNBCHAINZH 已经开始往AI Agent 真正怎么运行上做基础设施了 最近两个动作特别关键：BNBAgent SDK + AI Survival Pack（AI 生存工具包） 很多人可能没意识到，现在大部分 AI Agent 看起来很智能，但背后依然高度依赖人工 人工充值、人工续费、人工买 API、人工管理 OpenAI Key、人工绑定信用卡 很多 Agent 本质上还只是“半自动” 但这次 AI Survival Pack，其实是在解决一个更底层的问题 AI Agent 能不能真正自主工作 这次联合的几个项目，已经开始把模型访问、链上支付、身份、金融基础设施、现实消费这些东西慢慢接起来了 比如 Alt AI、Bankr、WorldClaw 在解决模型调用和链上结算，Pieverse 已经能做到 Agent 调 API 的同时直接稳定币支付，每笔支付还能链上验证， 在做 Agent 金融层，AEON 更进一步，已经开始让 Agent 接现实世界支付 这个方向我觉得特别重要，因为 AI Agent 后面真正爆发，拼的不会是谁更会聊天，而是谁能够自己调用服务、自己完成任务、自己支付、自己运转 而 BNBAgent SDK，其实是在解决开发者侧的问题，让开发者能更低门槛地给 Agent 配上钱包、身份、支付能力和链上 Memory 包括： ▪️bnbagent-sdk：专门给 AI Agent 配钱包、身份和赚钱能力的一套 Python 开发工具，让 Agent 真正具备链上行动能力 ▪️bnbchain-mcp：让 Cursor、Claude 这类 AI 工具，直接通过自然语言读取和操作链上数据，降低 AI 开发者接入 Web3 的门槛 ▪️bnbchain-skills：类似 AI Agent 的“链上使用说明书”，把 BNB Chain 的各种能力提前封装好，让 Agent 知道该怎么调用和使用 这一整套东西，其实已经很像 AI Agent 时代的默认操作系统了 而且有个数据很夸张，2026 年 1 月 1 日，BNB Chain 上 AI Agent 数量才 337 个，现在已经突破 10 万，增长了 266 倍 这已经说明越来越多 AI 开发者，开始真正往 BNB Chain 上迁移 我觉得 BNB Chain 现在最聪明的一点，就是没有强迫 AI 开发者去学习复杂 Web3 反而是在努力把“链”这一层隐藏掉，开发者只需要专注让 Agent 工作 剩下的钱包、支付、身份、链上能力，BNB Chain 尽量帮你封装好，这个方向我觉得很对 因为未来 AI Agent 真正大规模起来的时候，谁能成为 AI Agent 默认运行层，谁就会开始持续吃到复利 #AIonBNB# #BNBAgentSDK# #BNBAISurvivalPack#

怎么低成本搭建自己的AI助手？ deepseek R1模型发布以来，各种AI应有又有了一波大的爆发，但是数据保密成了一个不容忽视的问题。如果想较低成本地搭建一个私人应用的AI助手，可以自己调试生成限制，调试输出文本内容，数据不外传，成本尽可能低，不知道是不是可行。 本文详细介绍如何通过Dify和Chrome MCP的结合，在3分钟内搭建一个能操作网页的AI助手。文章提供了从环境准备、Dify部署、Chrome MCP安装到配置的完整步骤，展示了AI助手在自动网页搜索、表单填写、数据抓取等场景的应用，并解释了工作原理、问题排查及进阶技巧，让读者能够零代码实现网页自动化任务。 你是否想过让AI不仅能回答问题，还能直接操作浏览器帮你做事？比如自动填写网页表单、抓取特定数据、或者点击按钮？现在，通过Dify和Chrome MCP的结合，你可以在3分钟内搭建一个能真正"动手"操作网页的AI助手。 本文将手把手教你如何在本地部署Dify并配置Chrome MCP服务器，打造你的私人网页自动化助手。 准备工作：确保你的环境就绪 在开始前，请确保你的系统已安装： •Docker 和 Docker Compose（用于快速部署Dify） •**Node.js 18+**（用于运行Chrome MCP服务器） •Git（用于克隆项目仓库） 第一步：快速部署Dify（仅需1分钟） Dify是一个强大的LLM应用开发平台，我们通过Docker快速部署： # 创建项目目录 mkdir dify-chrome-mcp && cd dify-chrome-mcp # 下载Docker部署配置 curl -o docker-compose.yml # 启动Dify服务 docker-compose up -d 等待1分钟左右，访问 http://localhost:80 就能看到Dify管理界面。首次使用需要创建账号并完成初始化设置。 第二步：安装Chrome MCP服务器（1分钟） 打开新的终端窗口，安装并启动Chrome MCP服务器： # 安装Chrome MCP服务器 npm install -g @modelcontextprotocol/server-chrome # 启动Chrome MCP服务（会自动打开Chrome浏览器） server-chrome 服务启动后，你会看到类似下面的输出，表示MCP服务器正在9999端口监听： Server running on http://localhost:9999 Chrome browser launched and connected successfully 第三步：在Dify中配置Chrome MCP（1分钟） 现在回到Dify管理界面，进行关键配置： 1.进入设置 > 模型供应商 > MCP服务器 2. 点击添加MCP服务器 3. 填写配置信息： •服务器名称: Chrome-Automation •服务器URL: http://localhost:9999 4. 点击验证并保存，看到绿色成功提示 效果验证：让AI帮你操作网页 配置完成后，你就可以在Dify的Playground中测试你的网页自动化AI助手了。 试试这些实用场景： 场景1：自动网页搜索 请打开百度首页，在搜索框中输入"最新AI技术发展"，点击搜索按钮，然后告诉我第一页的搜索结果标题。 场景2：自动填写表单 请打开"张三"，邮箱栏填写"zhangsan@email.com"，在留言区填写"咨询产品信息"，然后点击提交按钮。 场景3：数据抓取与分析 请打开 工作原理：为什么这很厉害？ 这个组合的厉害之处在于分工明确： •Dify：负责与LLM对话，理解你的自然语言指令，并将其分解成具体的浏览器操作步骤 •Chrome MCP服务器：负责实际控制Chrome浏览器，执行具体的网页操作命令 •LLM（大语言模型）：作为大脑，理解你的意图并规划操作流程 常见问题排查 server-chrome 2.连接失败：检查Dify和Chrome MCP服务器是否在同一个网络环境下，防火墙是否允许9999端口通信 3.操作超时：复杂网页加载需要时间，可以增加超时设置：server-chrome --timeout=60000 4.权限问题：在MacOS/Linux上可能需要权限：sudo npm install -g @modelcontextprotocol/server-chrome 进阶使用技巧 掌握了基础用法后，你还可以尝试这些高级功能： •多页面管理：同时控制多个浏览器标签页，完成更复杂的任务 •用户身份保存：让AI记住登录状态，下次直接操作无需重新登录 •定时任务：结合Dify的工作流功能，设置定时自动化任务 •异常处理：教会AI识别操作失败的情况并自动尝试替代方案 如何学习大模型 AI ？ 由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。 但是具体到个人，只能说是： 最先掌握AI的人，将会比较晚掌握AI的人有竞争优势。 这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。 #AI# #AIAgent# @grok @xai

这下设计师真要失业了，只需一句话就用 @dappOS_com的新产品 @xBubble_ai 做出了堪比资深设计师的海报作品。 重点是我并非一个会写AI提示词的用户，相反我只是小白，xBubble 这种专注于成果的AI也太好用了吧。 之前用 Midjourney，如果 Prompt 写的不好，出图就很抽象，需要一次次的调整，花了很多时间最终还是不尽人意。 这不是我一个人的问题，而是当前AI领域存在的痛点： 会写 Prompt 的用户 vs 不会写的用户：前者的图片精准可控，后者的输出飘忽不定。 对于不会写提示词的人来说，用AI很难得到自己想要的成果。 xBubble 则是用创新的 Low-prompt AI 解决了这个最大的应用痛点，它的底层是两个核心系统： Bubble Engine：负责在后台"学习"怎么用 AI。对于特定任务，它会自动测试哪些模型和工具组合效果最好，生成最优的执行方案。 Bubble Pilot：负责在运行时"使用"AI。它读懂你的简短请求，识别任务类型，然后把任务分发给最合适的执行路径，无论是现成的 SOP，还是更复杂的项目工作区。 简单来说，Bubble Engine 负责学习怎么用 AI，Bubble Pilot 负责替你用 AI，你只需要设定目标。 其次就是 xBubble 的两种运行环境，太懂不同用户想要的是什么了。 Bubble Computer：端到端项目工作空间，当 Pilot 检测到多步骤任务（比如既要出图又要写文案），自动路由至此，一次性交付完整成果，全程无需用户管理中间步骤。 Bubble Personal：本地环境模式，可以安全操作用户本机文件、浏览器、应用与日程；需要安装或系统级变更的操作在云端容器执行并销毁，本机只执行明确授权的动作。 总之，AI 图像模型的能力每个月都在进步，但绝大多数普通用户完全跟不上。 xBubble 的核心产品理念很简单：让 AI 主动去学习和使用 AI，让用户只需要设定目标即可，这就是我为什么推荐大家要尝试一下xBubble。 入口：

吴说获悉，据国务院关于印发《城市更新“十五五”规划》的通知文件显示，提升城市治理能力水平，推进城市全域数字化转型，建设城市信息模型（CIM）基础平台，打造集约统一、数据融合、高效协同的城市数字底座。完善 CIM 基础数据库和标准体系，丰富拓展“ CIM+”在城市更新中的应用场景。推进房屋建筑和市政设施赋码，建设国家房屋建筑和市政设施基础信息库。推动区块链赋能住房交易、产权登记等。健全国家、省、城市三级城市运行管理服务平台体系，推动城市运行“一网统管”。