与「1ปีตัวซีเคร็ทซีเจมgen3」相关的搜索结果

[💚3️⃣] #CGM483rdGeneration# CGM48 3rd Generation " 𝟏𝐬𝐭 𝐃𝐞𝐛𝐮𝐭 𝐀𝐧𝐧𝐢𝐯𝐞𝐫𝐬𝐚𝐫𝐲 " ➫ #1ปีตัวซีเคร็ทซีเจมgen3# #GenerationChangeTH# #CGM48#

[3️⃣🚩] #GenerationChangeTH_DancePractice# 🎉 ฉลองครบรอบ #1ปีตัวซีเคร็ทซีเจมgen3# 🎉 𝗖𝗚𝗠𝟰𝟴 𝟯𝗿𝗱 𝗚𝗘𝗡𝗘𝗥𝗔𝗧𝗜𝗢𝗡 [ 𝗚𝗘𝗡𝗘𝗥𝗔𝗧𝗜𝗢𝗡 𝗖𝗛𝗔𝗡𝗚𝗘 ] - 𝘿𝙖𝙣𝙘𝙚 𝙋𝙧𝙖𝙘𝙩𝙞𝙘𝙚 - ➫ #GenerationChangeTH# #CGM483rdGeneration# #CGM48#

1/ 一家公司能把 AI 用到什么程度？ Greg Isenberg 分享了 49 条建议，从企业知识库、Skills、Agent 编排，到自动化生产、营销增长，几乎覆盖一家公司的全部运营环节。🧠 核心思路是：把公司的知识变成 AI 的记忆，把重复工作变成 Skills，再让 Agent 持续执行和改进。 一套完整的 AI 原生公司搭建指南。👇

近期在研究 DeepSeek Harness，也研究了一些能够让 Agent 在自主性和可调试性上获得更大提升的插件。挑了几个觉得还不错的，列出来，大家也可以试一试。 1）dsh-market：DSH 的插件市场，支持插件搜索、安装和更新。建议优先安装，后续探索插件会方便很多。 2）dsh-context：个人比较推荐。可以直观地看到 Context 的变化、Token 消耗和多 Agent 的运行状态。对于分析长任务中的决策偏差很有帮助，Agent Debug 正在从 Function Profiling 走向 Decision Profiling。 3）dsh-ops：优化 Shell、文件操作和工具调用，减少 Token 消耗与执行开销。Agent 的性能优化，很多时候还需要从工具接口和执行路径入手。 4）dsh-agent-teams：支持多 Agent 协作、任务依赖和状态持久化。比较值得研究的是任务调度与异常接管机制，多个 Agent 如何高效协作，仍然是个很有挑战的问题。 5）Hindsight：提供 Retain、Recall、Reflect 三类能力，让 Agent 能够积累和复用历史经验。长期记忆的价值在于让过去的经验影响未来的决策。另外，billion-context 也有相似的上下文延续能力，只不过它更侧重超长会话的分层压缩与历史信息找回，适合长程任务。 6）Ouroboros：通过 MCP 接入 DSH，围绕目标、执行和评测持续迭代。比较有意思的是，它开始尝试让 Agent 根据反馈调整自己的执行方式，向更深层次的 RSI 探索。 这几个项目从执行调试、效率优化、多 Agent 协作，到长程任务、长期记忆和自我改进，覆盖了 Agent 工程中几个比较重要的方向。 不过，我觉得目前还缺少一个比较成熟的任务管理插件，能够统一承接日常 TodoList、聊天和其他渠道产生的任务，管理优先级，并根据任务的复杂度、风险和 AI 的执行能力进行分级处理。简单任务自主完成，复杂任务持续推进，涉及关键决策和敏感操作时再交给人。 最近我也在写一个插件，尝试解决这块的问题。希望把任务管理、主动调度、分级自主执行和人工接管整合起来，让 Agent 能够真正承担更多日常工作。 有其他好用的插件，也欢迎推荐。👍

1/ 只靠 Fable 5.2，就能搭建一套从 3D 场景、动画特效到音效剪辑的视频制作工作流。🎬 开发者 Movez 整理了 20 个值得收藏的 Skills、开源项目和工具，覆盖运动设计、物理模拟、粒子特效、音乐同步与视频导出。 从创意到最终成片，工具链基本齐了。👇

Nikola Jokić and Jamal Murray made HISTORY in Denver's win vs. New Orleans 🤝 They are the FIRST pair of teammates since tracking began in 1997-98 to record 1,000+ assists to each other! Jokić: 26 PTS, 8 REB, 10 AST Murray: 23 PTS, 7 REB, 9 AST, 2 BLK

AI 创业公司的估值已经卷到万亿美元了。🚀 Deedy 整理了一份最新榜单：截至 2026 年 11 月 14 日，共有 30 家 AI 创业公司估值超过 100 亿美元，且公开披露的年化收入至少达到 1 亿美元。 前三名相当夸张：

Salesforce发布了一个值得语音Agent开发者关注的模型：SOV-Transcribe-1。 它不是只追求把一句话转成文字，而是重点处理那些一旦识别错误就会导致任务失败的信息，例如邮箱地址、电话号码、人名和专业术语。 模型采用Apache 2.0许可证，支持英语、法语、德语、西班牙语、意大利语、葡萄牙语和荷兰语，开发者可以自行部署。 它还有一个实用功能：用户可以用自然语言控制转录格式，比如保留口语停顿，或者自动整理成适合阅读的文本。 语音Agent真正的门槛不是能不能听见，而是能不能准确执行。把邮箱里的一个字符听错，后续整个工作流都可能出错。

折腾了半天 Tailscale，最后发现问题根本不在 Tailscale。 最近准备把我的 KnowledgeOS 部署到手机上，需要通过 Tailscale 打通 iPhone 和本地电脑。 结果安装完成后，软件死活打不开。 排查过程挺有意思： ① Windows 服务正常运行，Running。 ② tailscale status 显示 Logged out。 ③ tailscale login 执行后直接卡死。 ④ 测试登录服务器的 443 端口，结果居然是 True。 按常规思路，服务正常、端口通了，怎么还登录不了？ 直到我注意到一个细节： 被解析到了 198.18.0.19，网络接口显示 Mihomo。 问题终于有了方向。 Mihomo 的 Fake-IP 机制会给域名分配虚拟地址。TCP 连接测试通过，不代表应用真正连接到了目标服务器。 退出 Mihomo，清除 DNS 缓存，再次解析，终于拿到了正常的公网地址。 重新执行 tailscale login，登录链接立刻出来了。 这次经历让我重新认识了一个问题： 网络通了，不代表应用通了。服务运行了，也不代表业务正常了。 TCP 连通性、DNS 解析、代理路由、应用认证，本来就是不同层次的验证。 这和我平时处理自动化设备异常很像。PLC 在线、I/O 信号正常，并不意味着整套设备就能完成动作闭环。 很多时候最浪费时间的，不是故障本身，而是在错误的层级反复排查。 AI 能帮我迅速缩小范围，但真正有用的是每一步都拿到可验证的证据，而不是看见一个 True 就认定系统正常。