Rachel🥥 (@Zesee)

Over the past two years, AI video models have been competing on realism, resolution, and duration. But no matter how impressive the results look, we remain passive viewers: we press play, watch the clip, and it ends.   AlayaWorld @alayastd is attempting something fundamentally different. Instead of generating a fixed video, it generates a world that continues to unfold as you move through it.   These three demos show the same journey toward a green village rendered in three distinct styles: photorealistic, oil painting, and line art. As the camera moves forward, the model continues generating the road, fences, trees, and distant village. This is not simply an existing video with different filters applied. The environment is generated continuously along the camera trajectory, allowing the scene to develop as the user explores it.   AlayaWorld streams video at 720p and 24 FPS while supporting camera movement and viewpoint control. The real breakthrough is not just image quality. Once generation becomes fast enough to respond within an interactive loop, the user is no longer merely watching a video. They become a participant inside the generated world.   The world can also respond to new instructions. During generation, users can introduce prompts that trigger spells, summon characters, create explosions, or transform the environment. Most video models follow an initial prompt and produce a predetermined clip. AlayaWorld can respond to changing intent while the world is still running, allowing subsequent events to evolve according to the user’s commands.   Generating an attractive frame is relatively easy. Maintaining a coherent world over time is much harder. As a video model repeatedly predicts the next frame, small errors can accumulate until roads, buildings, and objects begin to distort or disappear. AlayaWorld combines spatial memory with compressed historical context, helping the model remember both where things are and what has already happened. This enables stable generation lasting more than one minute while improving consistency when the camera leaves an area and later returns.   This may be the next step for AI video: not simply generating a longer movie, but generating a world that can be explored, changed, and interacted with.   AlayaWorld is developed by Alaya Lab. The team is progressively releasing its inference code, training code, and datasets, with an online experience expected to launch near the end of the month.   Project page:

Stop building decks from scratch. Builders shouldn’t waste hours exporting Markdown, moving data, and fixing layouts for a project update. @DokieAI brings AI presentations directly into Codex & Claude Code via MCP—turning your work into an on-brand deck in seconds.

两句话，8分钟，一个完整的游戏英雄库成型了   输入只有两句话。8分钟后，Hy3 交出了一个可以完整浏览的英雄联盟游戏英雄库网站。 首页、英雄分类、搜索筛选、角色卡片、详情展示、美术馆……不只是页面齐全，整套网站的视觉风格也保持了统一。   整个网站采用黑金视觉，角色立绘、页面背景、筛选标签和内容分区被编排在同一套设计语言里。打开之后，不会觉得这是几个临时模块拼在一起，更像一套已经设计成型的角色展览页。   从页面结构到视觉风格都很完整，基本已经到了可以直接发布使用的程度。   更夸张的是，整套页面生成下来只用了8分钟。   如果交给人工设计和开发，光是确定页面结构、视觉方向和交互逻辑，都得来回沟通好几轮。更别说还要准备角色素材、统一图片风格，再把所有内容写进网页。一个游戏角色展览页，需要同时处理信息层级、页面结构、视觉风格、素材生成和前端实现。   Hy3 做的，是把这条流程直接串了起来。   模型不仅要理解“英雄库”“美术馆”“角色详情”这些抽象需求，还要把它们翻译成具体的页面模块、视觉层级和动线安排。   接到需求后，它会先搭建网站工程，再根据页面需要生成对应的图片指令，调用图像模型制作素材，最后把图片、文字、组件和交互统一编排进网页。   换句话说，它并不是只负责其中某一步，而是像一个项目执行者一样，把设计、素材和开发组织在一起。   这也是 Agent 式工具和普通“文生图”“文生网页”之间比较明显的区别。   很多“文生网页”工具可以快速做出页面雏形，但做到后面，往往还要手动找图、补模块、统一样式。   Hy3 展示的是另一种工作方式：用户只描述想要什么，模型自己拆解任务、调用工具，再把设计、素材和开发整合成一个结果。   这次生成的结果，对提示词的还原度、页面完整度和素材细节都做得很扎实。黑金视觉贯穿整套页面，角色卡片、筛选标签和内容分区也保持了统一风格，看起来更像一个经过设计的成品，而不是临时拼出来的演示稿。   同样的需求交给其他模型，往往只能得到一个粗糙的半成品；Hy3 更大的优势，是把模糊的想法继续往下执行，直到变成一个能够打开、浏览和发布的网站。   过去，想做一个游戏英雄库，第一反应可能是先找设计师、准备素材，再安排前端开发。   现在，这件事的起点可能真的只剩两句话。

如果你做内容，大概率会遇到一个很烦的问题：信息太多，但真正值得做成内容的选题太少 OpenAI 发了新功能，Anthropic 发了新模型，Google DeepMind 更新了视频生成，arXiv 又冒出几十篇论文，GitHub Trending 上突然出现一个爆火项目。每条看起来都重要，但问题是：哪一条值得今天做？哪一条只是新闻搬运？哪一条能变成有观点、有传播力、有价值的内容？ 这就是我做 AI Topic Scout 这个 Codex skill 的原因。 GitHub 地址：
 AI Topic Scout 不是一个普通的新闻摘要工具。它的目标不是告诉你“今天 AI 圈发生了什么”，而是帮 AI 博主、创作者、newsletter 作者判断： 今天最值得做的选题是什么？ 它默认扫描 10 个核心信息源： 1OpenAI News 2Anthropic News 3Google DeepMind Blog 4Meta AI Blog 5Microsoft Research Blog 6arXiv AI / ML / NLP 7Hugging Face Papers 8GitHub Trending 9LM Arena Leaderboard 10The Batch by 这些源覆盖了 AI 内容创作最重要的几层：大厂一手发布、论文、开源项目、模型榜单、行业趋势和研究动态。 但更重要的是，它不会只把信息堆给你。它会把这些信号加工成适合创作者使用的选题格式： •选题：一句能直接用的标题方向 •为什么现在：这个选题为什么今天值得做 •内容角度：你应该讲观点、教程、实测、对比还是科普 •适合形式：短视频、长视频、图文、newsletter、demo •素材来源：对应的信息源链接 •优先级：High / Medium / Low 适合谁用？ •每天要做 AI 短视频的人 •写 AI newsletter 的人 •做 AI 工具测评的人 •想追踪模型和 agent 趋势的人 •不想每天被信息流淹没的创作者 •想从“搬运新闻”升级到“判断趋势”的人 使用方式也很简单： 用 $ai-topic-scout 给我出今天的 AI选题 或者： 用 $ai-topic-scout 扫一遍本周 AI 信息源，挑 5 个适合短视频的选题 我做这个 skill 的初衷很简单：AI 内容创作不应该每天从刷信息流开始。真正值钱的是判断力。哪些变化只是噪音，哪些变化代表趋势，哪些变化值得被讲给更多人听。 AI Topic Scout 就是把这套判断流程固化下来。 如果你也是 创作者，可以试试这个 skill，能帮你每天更快找到值得表达的东西。

海外工具订阅，最烦的不是贵，是你明明想付钱，它就是扣不过去。 ChatGPT、Claude、Midjourney、Notion，各种 AI 工具和海外 SaaS，一到续费节点就容易出问题： 该续费的工具扣费失败，工作流突然断掉； 不该用的工具忘记取消，每个月悄悄扣钱； 一堆订阅绑在不同卡上，月底根本对不清账。 所以海外订阅不是简单找一张能刷的卡，而是要有一套稳定的支付和对账流程：开卡、充值、绑定、限额、续费提醒、账单核对，都要能管起来。 这期我用 YIKA 走一遍，从开卡到绑定订阅，适合经常用海外 AI 工具、SaaS 工具的人参考。 专属邀请码链接：

一个能帮你写代码、写文案、查资料的 AI，到底是让工作变简单了，还是变复杂了？ 很多人的第一反应是：当然简单了。 以前要自己一行行写，现在把需求丢给 AI就行。听起来，人终于从重复劳动里解放出来了。 但真正用久了会发现，事情没有这么轻松。 最麻烦的，往往不是第一句提示词怎么写，而是后面那一长串过程怎么收住。 AI 做完以后，谁来判断它做得对不对？它失败了，是继续重试，还是换方向？它这轮查过什么资料，下轮还记不记得？它什么时候应该继续往前跑，什么时候应该停下来交给人？ 这就是为什么最近很多人在讲 Loop Engineering。 它是个新名词，在提醒一件很具体的事： 当 AI 从“回答一句话”变成“执行一段流程”之后，真正重要的除了prompt，还有这个流程本身。 以前我们最关心的是怎么写一个好提示词。比如“请你扮演资深工程师”“一步一步思考”“输出结构化结果”。 这些当然还有用，但它们更像是一次性的启动口令。 你喊一声，AI 动一下；你发现不对，再补一句；它改完，你再看一眼。整个过程里，真正负责推进、检查、记忆和刹车的人，还是你。 Loop Engineering 想解决的是另一件事： 能不能把“发现问题、执行任务、检查结果、记录状态、决定下一步”做成一个可以反复运转的小系统。 举个具体例子：每周五都要写一份工作周报 以前的做法可能是这样的：先翻一遍微信、飞书、邮件、项目文档，把这周做过的事零零散散找出来；再让 AI 帮你整理成周报。它写完以后，你发现有些事漏了，有些事夸大了，有些“下周计划”根本不是你真正要做的。 于是你又补充一轮背景，让它重写。写完你还得自己检查：哪些是已经完成的，哪些只是推进中，哪些不适合写给老板看。 这看起来是在用 AI 提效，但实际上你还是在旁边一点点推着它走。AI 是在写周报，可真正负责回忆、筛选、判断和兜底的人，还是你。 如果把它改成一个 loop，思路就不一样了。 这个 loop 可以这样设计：每天结束时，AI 自动从你的任务记录、会议纪要和聊天摘要里抓取当天新增事项，先按“已完成、推进中、卡住了、需要别人配合”四类归档。信息不完整的，不允许直接写进周报，只能标记为“待确认”。到周五时，它再把这一周的记录汇总成初稿，并且每一条都要带来源：来自哪次会议、哪个任务、哪条记录。 最后，它单独列出三个部分：本周真正完成了什么、下周最重要的三件事、哪些问题需要向上同步。 这样一来，AI 就不只是周五临时帮你写一篇周报。它是在一周里持续记录、分类、校验，最后再生成一个可以被你快速审核的版本。 你看，这里真正有价值的不是某一句神奇 prompt，而是这一整套闭环。 它知道从哪里开始，知道缺资料时不能硬写，知道写完以后要验证，知道哪些内容必须留痕，也知道哪些判断不能自己拍板。这样一来，AI 就不再只是一个临时被你叫来的写手，而更像进入了一个固定工位。 当然，这件事也没有听起来那么美。 Loop 一旦设计不好，会比普通 prompt 更危险。普通 prompt 错了，最多错一段；loop 错了，可能会沿着错误方向跑很多轮。比如你让它自动追热点、自动生成选题、自动写初稿，如果没有来源检查和人工刹车，它很快就会生产出一堆看起来完整、其实没有根的内容。你表面上省了时间，最后却要花更多时间清理垃圾。 所以 Loop Engineering 的重点不在于让 AI 自己干完一切。 它真正的重点是：哪些环节可以交给 AI 反复跑，哪些环节必须由人来判断。 适合做 loop 的工作，一般有几个特征： 它会重复发生，流程相对稳定，结果有办法检查，而且失败后能知道怎么处理。 写代码里的测试修复、内容里的资料筛选、运营里的用户反馈归类、研究里的论文初筛，都比较适合。 反过来，如果一个任务本身标准很模糊，结果很难验证，或者每次都需要强判断，那就不要急着自动化。 这也是我现在越来越不迷信“万能提示词”的原因。 提示词当然重要，但它解决的是一次对话怎么开始。真正决定 AI 能不能长期帮你干活的，是你有没有把工作拆成稳定的输入、清楚的判断标准、可调用的工具、可验证的结果和能延续的记忆。 以前我们比的是谁更会问 AI。接下来可能比的是谁更会安排 AI。 不是安排一个回答，而是安排一个循环

Codex 提效先看这 10 个 Skill（官方版） 把这些 Skill 看明白，很多重复劳动可以直接少一半。 1. Frontend Design 专治 AI 前端审美。 少一点蓝紫渐变、默认字体、模板卡片、按钮乱飞。适合做网页、小工具 UI、数据看板、SaaS 原型。 2-4. docx / xlsx / pdf 让 Agent 正经处理 脏活累活。 不是把 Markdown 复制进文档就完事，而是能管目录、页眉页脚、批注、修订、图片替换和模板。写报告、方案、合同初稿都用得上。适合合同、论文、发票、报告党。 5. pptx 别再让 AI 把大纲硬塞进 PPT。 这个 Skill 会关心模板、版式、缩略图和备注。做汇报、课程、路演、商业计划书的时候很实用。 6. webapp-testing 让 AI 真的打开页面看一眼。 用 Playwright 跑本地 Web 应用，截图、看 DOM、查控制台、测交互。前端代码能不能用，别只靠它嘴上说。 7. mcp-builder 想把 Agent 接进真实系统，先看这个。 它讲的不只是“包一层 API”，而是工具怎么命名、怎么分页、怎么报错、怎么返回上下文。做企业内部 Agent 很有用。 8. skill-creator 想写自己的 Skill，先别凭感觉开干。 这个是元 Skill，教你怎么设计触发场景、工作流程、测试用例和迭代方式。真正适合拿来学“Skill 应该怎么写”。 9. doc-coauthoring 适合写复杂文档。 不是让 AI 直接代写，而是一起搭结构、补上下文、站在读者视角查漏洞。PRD、RFC、项目说明、技术方案都能用。 10. internal-comms 专门处理内部沟通。 周报、项目更新、事故复盘、FAQ、团队 newsletter。很多内部材料不是不会写，而是重点乱、顺序乱、读者看完不知道下一步干嘛。 如果只挑 3 个先看： Frontend Design、xlsx、skill-creator。 一个管审美，一个管高频文件，一个管你以后怎么自己做 Skill。 Skill 最值钱的地方，不是让 AI 显得更聪明，而是让它少乱来。 一个好 Skill，就是一份能反复交给同事的工作说明书。

一个人，一台电脑，月入400w。 他就是 Pieter Levels @levelsio 作为独立开发者，过去几年，他公开构建了上百个项目。 很多人可能听过他的神话，但大多数人对他的理解，还停留在「勤奋」或者「运气好」这种肤浅的层面。 我跟你说，Pieter 真正恐怖的地方，不是他一年能撸 12 个项目，是他彻底颠覆了工业时代以来，人类对「商业」这两个字的底层认知。 他像一个生活在赛博时代的幽灵，用最原始的工具，构建了一个属于他一个人的数字帝国。 其实吧，现在的创业圈，病得很重。 很多好学生都在玩一种叫「假装创业」的游戏。 我们习惯了用「资源的堆砌」来掩盖「思考的懒惰」。 用最贵的AI产品，租最贵的办公室，招最优秀的员工，拿最头部的风投，然后花半年时间开会、写 PPT、打磨那个可能根本没人要的产品。 这种模式在工业时代行得通，因为那是规模效应的时代。 但在 AI 时代，这种沉重的组织架构，就是自杀。 Pieter 的逻辑完全相反。 他有一句名言：If you're not embarrassed by the first version of your product, you've launched too late. （如果你不为产品的第一个版本感到羞耻，那你上线就太晚了。） 他的 Photo AI，刚上线的时候，后台其实根本没跑什么牛逼的算法。 他只是在 X 上发了一句：AI 替代 85% 摄影工作。 然后迅速撸了个极其简陋的网页，挂了个付费链接。 用户付了钱，上传照片，后台其实是他在手动给 AI 修图。 他用这种「手搓」的方式，在第一周就验证了一个极其残酷的事实： 用户真的愿意为了「AI 摄影」这件事掏钱。 这就是认知的降维打击。 他把产品当成一个生物体在演化，而不是一个工业品在制造。 工业品需要出厂即完美，而生物体只需要在环境中活下来。 大多数人死在追求完美的傲慢里，而 Pieter 活在快速验证的卑微里。 他不在乎产品美不美，他在乎的是，用户的钱袋子到底有没有动。 我有时候觉得，我们不是缺技术，也不是缺钱。 我们缺的是那种「敢于直面市场真实反馈」的勇气。 Pieter 用的技术栈，在程序员眼里简直是「垃圾」：PHP、jQuery、SQLite。 他用这些被主流圈子嫌弃的「老古董」，跑出了吊打无数独角兽的现金流。 因为他明白一个真理：用户买的是解决方案，不是你的代码优雅程度。 在这个 High Tech, Low Life 的时代，一个人就是一支军队。 Pieter 的生活状态极其分裂：在沙发上，穿着内裤，抱着一台破笔记本，写着被大厂鄙视的代码，却赚着大厂 CEO 都羡慕的钱。 这背后就是一种极端的数字主权。 在 AI 抹平了技术门槛的今天，真正稀缺的不再是代码能力，是你对真实世界的感应力。 他不属于任何公司，不依赖任何平台，他只属于他自己。 这种自由，是靠无数次失败换来的。 他那「12 个月做 12 个项目」的挑战，其实是一场关于「概率」的豪赌。 如果你一年试 12 个方向，只要撞对一个，你就成了。 而大多数人，这一辈子连一次真正的尝试都没做过，就在脑子里把自己否定了。 我想到了《赛博朋克 2077》里的那句话，世界正在变得越来越折叠。 一部分人在沉重的体制里慢慢腐烂，另一部分人像 Pieter 这样，在数字缝隙里疯狂生长。 别再憋大招了，朋友们。 去试错，去被拒绝，去用最简陋的工具，去撞那个最真实的需求。 这个时代，不再属于大象，而属于那些跑得足够快的跳蚤。