【AI 奏折】2026年10月14日

共收录 17 篇深度内容

---

📋 今日内容速览

快速浏览，点击感兴趣的推文查看详细分析

1. 小互: OpenAI用GPT查出内鬼录音设备并移交FBI逮捕。
2. 宝玉: AI代码生成导致git过载，Anthropic自研Scion替代。
3. huangserva: Higgsfield开放Wan 3.0无限生成且API六折，成本仅为竞品1/9。
4. 宝玉: 多智能体分工协作通过流程化提示实现Blender日本寺庙建模。
5. 宝玉: BaoCut 3.5本地开源免费生成图片，支持NSFW和Agent调用。
6. 宝玉: OpenAI沙特员工窃听高管会议被捕。
7. 宝玉: Google Play允许用户直接安装AI生成的个人应用，无需开发者账号。
8. 宝玉: Google推出Gemini 4 Argon模型，面向付费会员和API开发者。
9. 宝玉: AI自动化维护开源项目，开发者仅需少量干预。
10. 黄赟: 抖音头部经验：流量、产品、定价策略决定账号成败。
11. Gorden Sun: Anthropic开发Scion系统应对AI高频代码需求，取代传统Git。
12. 宝玉: 作者习惯用ChatGPT，Grokbot集成好但少用，Muse因资源不足未装。
13. 哥飞: 网站累计收入超七千美元，群友订单增长。
14. 知识猫AI实验室: 高效使用AI工具可大幅降低成本实现同等功能
15. 布丁: 汇丰红狮子漏选可邮寄申请表免费补办
16. dontbesilent: 心理障碍比认知不足更阻碍创业执行。
17. huangserva: MiniMax H3 360° 旋转需结合大场景、剧情反差及前端交互优化。

---

📖 详细内容

小互 @xiaohu

带你了解全球最前沿科技、AI动态…

AI 精华，讲到你懂：https://best.xiaohu.ai | 影响力: 0万粉丝

💡 核心观点: OpenAI用GPT查出内鬼录音设备并移交FBI逮捕。

可信度: 10/10 – 3项声明可直接验证；1项需进一步确认

事实核查:

• ✓ 可验证: OpenAI在自己的办公室里发现了一台隐藏的录音设备
• ✓ 可验证: OpenAI用GPT分析录音设备来源并锁定涉事员工 (GPT的具体参与细节（如技术实现、分析过程）缺乏公开证据，且OpenAI未公开技术用于内部调查的案例，属于未披露操作。)
• ◐ 部分可验证: 涉事员工被移交FBI并逮捕 (逮捕信息可通过FBI公开记录或司法文件验证，但需具体案件编号或官方通报。目前无直接证据表明此事件与FBI关联。)

原文内容:

卧槽，牛P啊

OpenAI 在自己的办公室里发现了一台隐藏的录音设备…

有人偷偷放在办公室进行录音，OpenAI发现后并没有立刻报警，而是让GPT来分析找到是谁放的…

GPT分析了这台设备的来源、特征以及可能的获取路径，最终抓到了这名员工！

OpenAI 随后将其移交给了 FBI，将这名员工逮捕…

事件还在调查之中…

⏰ 08:45 | ❤️ 40点赞 | 📝 112字 | 查看原文 →

↑ 返回顶部

宝玉 @dotey

Prompt Engineer, dedicated to learning and disseminating knowledge about AI, software engineering, and engineering management. | 影响力: 0万粉丝

💡 核心观点: AI代码生成导致git过载，Anthropic自研Scion替代。

可信度: 10/10 – 3项声明可直接验证；2项需进一步确认

事实核查:

• ◐ 部分可验证: GitHub 因 AI 相关流量激增导致频繁故障，四个月内将有效容量翻倍仍难以应对 (GitHub 官方可能发布过可用性报告（如链接视频或官网博客），但需核实具体数据（如流量比例、容量翻倍细节）是否公开。AI 贡献的流量占比可能涉及内部统计，无法完全独立验证。)
• ✓ 可验证: Anthropic 的代码库每日合并修改次数从五月 2500 次增至九月 3 万次，增长超十倍 (Anthropic 未公开其代码库的合并数据，该声明依赖推文作者的信源，缺乏第三方公开数据支持。)
• ✓ 可验证: Anthropic 的 git 主分支历史接近 100 GB，工作副本压缩后超 25 GB (仓库大小属于企业内部信息，除非 Anthropic 主动披露（如技术博客），否则无法验证具体数值。)

原文内容:

AI 写代码太快，git 扛不住了：Anthropic 为什么自己造了 Scion？
视频1: 英文版
视频2: 中文版

这一年，GitHub 隔三岔五就出故障。GitHub 在自己的可用性报告里说，流量涨得飞快，很大一块来自 AI：AI 帮人写代码，AI 智能体自己提交修改。他们四个月里把有效容量翻了一倍多，还是扛得很吃力。

Anthropic 自己的代码库更夸张：今年五月平均每天合并约 2500 次修改，到了九月，一天超过 3 万次，涨了十倍以上。

全世界程序员都在用的 git，扛不住了。Anthropic 干脆自己造了一个版本控制系统，叫 Scion，五个月就把整个代码库从 git 换了过去。git 为什么扛不住？Scion 到底改了什么？

git 是干什么的

你可以把 git 想成一个带时光机的共享文件夹。每改一次，就存成一个版本，叫一次提交。谁改了哪一行、什么时候改的，都查得到，改坏了还能退回去。

GitHub，就是全世界最大的、帮大家存放 git 仓库的网站。

很多大公司会把所有项目的代码放进同一个大仓库，这叫单体仓库（monorepo）。Anthropic 用的就是这种。

每人一整座图书馆 

git 有个特点：每个人拿到的，都是一整份完整的仓库，连全部历史一起。打个比方，就像借书的时候，顺手把整座图书馆复印一份搬回了家。好处是断了网也能翻历史、查记录。

仓库小的时候，这没问题。可 Anthropic 的仓库，光主分支的历史就接近 100 GB，压缩后的一份工作副本也超过 25 GB。

搬不动了

再看要搬多少次。光是自动构建和测试（CI）这一个环节，每天就要把代码检出到机器上大约 2500 万次，这还没算开发环境、AI 智能体的沙盒和研究任务。要是每次都老老实实整份拉取，一天的流量会超过 600 PB。换算一下，差不多是 60 万块 1 TB 的硬盘。

原来的补丁架构：层层加缓存

他们想过各种办法：浅克隆、稀疏检出这类只拉一部分的功能都试过。原来的架构，是层层加缓存：机器要代码，先找本地的打包缓存（packfile cache）；没有，再找镜像服务器（mirror replicas）；镜像再去找镜像主库，最后才是最上游的那份仓库。每个集群都有一套。新机器启动时，还会先从云存储拷一份仓库快照，省得从零开始拉。

最多的时候，同时开着几百台 git 镜像服务器。可修改越来越多，快照一拷下来就落后一大截，镜像也越来越难养。

换一个问题

后来他们发现，git 那些为离线工作准备的本事，自己几乎用不上。

这里说的“在线”，不是指能不能上网，而是随时能连上公司的代码服务器。你带着笔记本上飞机，没有网也想写代码、翻历史，git 那套“每人一整份”的本事才派得上用场。可在 Anthropic，用代码的几乎都是 AI 智能体和后台任务，它们本来就跑在公司的机器上，跟代码服务器之间的网一直是通的。

于是他们换了个问题：如果从一开始就假设，用的人永远在线、随时连得上服务器，代码管理该长什么样？

要哪页，取哪页

答案是：别再搬图书馆了，改成去前台借。

Scion 的客户端不存整份仓库，只留一个容量有限的本地缓存。需要哪个目录、哪个文件，再去服务器取。查历史、查某一行是谁写的、合并和变基，这些重活全交给服务器。这些查询能力都通过接口开放出来，很多任务连代码都不用拉，直接问服务器就行。

提交就在服务器上

在 git 里，你先在自己电脑上提交，再推送给大家。在 Scion 里，提交直接发生在服务器上，一提交，所有人马上能看到，根本没有“推送”这一步。

每次提交只记下这次改了哪几个文件，像一张修改清单，不用把整个目录重抄一遍。清单上每个文件只记一个编号，真正的内容存在云存储里，一模一样的内容只存一份。所以仓库再大，一次提交的成本只跟这次改了多少有关。

一层层的分馆

那么多机器同时来借，服务器忙得过来吗？靠的是一层层缓存：每台机器上有个“小管家” scion-daemon，每个区域有个“分馆” scion-cache，最后才是“总馆” scion-server，它背后连着数据库和云存储。

每份文件都按内容算出一个编号，存进去就再也不会变，所以哪一层都能放心缓存，不用跟别人核对。结果，每一层的缓存命中率都超过 99%，绝大多数请求在家门口就解决了。

Scion 的整张架构图

把这些拼起来，就是原文配图里的 Scion 架构。请求分两条路走：

一条是“问事”（控制面）：查历史、看差异、提交修改，所有客户端，包括代码审查工具 Antique、开发者电脑、集群里的任务，都直接找总馆 scion-server。

另一条是“取货”（数据面）：目录和文件内容走缓存。开发者的电脑直接找区域分馆 scion-cache；集群里的任务先找本机的小管家 scion-daemon，没命中再一层层往上找。

总馆背后，修改记录、分支和目录结构存在 Spanner 数据库里，文件内容存在云存储里。新机器上线，小管家先拷一份定期快照，省得从头拉。

效果

整套设施占用的 CPU 和内存，比原来的 git 镜像集群小了 200 倍。测试和研究任务拉代码，从几分钟缩短到几秒钟，光 CI 这一项就省出了 25% 的 CPU。原文配图里还有一组数字：AI 智能体新开一个工作区，中位耗时从 7.1 分钟降到 5.1 秒，快了 84 倍。

这么大的系统，得多少人做？

一个七个人的团队，用五个月做完了 Scion 和配套的代码审查工具 Antique，还顺手做了五六个周边系统，并把整个仓库迁了过去。而且这期间每天合并的修改量涨了十倍。放在过去，这种迁移往往要大得多的团队花上好几年。

一个例子：他们手写的第一版数据导入程序，交给 Claude 一个早期的内部版本（Claude Mythos Preview 的早期快照）重写，没加任何额外要求，新版本内存降了 20 倍，速度快了 4 倍，原有的约束条件也都保住了。

AI 写代码这么强，工程师还干什么？

参与的工程师都承认，单论写代码，Claude 已经比他们强了。但工程师的活变了：把握各个系统怎么配合，权衡架构上的取舍，围绕要解决的问题和预期的规模做决定。很多时候，他们的工作是对 Claude 说“不”。

比如，有好几个系统想一条条扫提交记录，去找某次修改是什么时候合进主分支的，其实直接问代码审查工具就行。现在团队成员依然审查每一个变更，但审的是修改背后的意图，不再逐行读代码。

大家都该扔掉 git 吗？

不用。Anthropic 自己说，Scion 不是 git 的通用替代品，只有极其庞大的单体仓库才用得上：背后要么有几万名工程师，要么有成群不知疲倦写代码的智能体。

它和 git 差别太大，想用就得把代码审查、代码搜索、CI 这整条工具链重做一遍，所以他们没打算做成通用产品。他们更希望这些思路被借进 git 生态：服务器多干活、提供更完整的查询接口，客户端按需取。他们预计，未来 6 到 12 个月，这类扩展问题会在业界越来越常见。

记住三句话

第一，git 让每个人拿一整份仓库，AI 把修改量推高十倍以上，就搬不动了。

第二，Scion 假设用的人永远在线、随时连得上服务器：要什么取什么，重活交给服务器，一层层缓存兜底。

第三，AI 写代码越快，瓶颈就越会跑到别处：代码管理、构建、测试，都得按 AI 的规模重新设计。

以前，是每人搬回一座图书馆；现在，楼下就有分馆，要哪页，借哪页。

资料来源：Anthropic 工程博客《Redesigning source control at Anthropic》（2026 年 10 月），https://anthropic.com/engineering/redesigning-source-control…

⏰ 08:28 | ❤️ 78点赞 | 📝 2192字 | 查看原文 →

↑ 返回顶部

huangserva @servasyy_ai

古早程序员 | AI出海 | 自由职业
机车游侠&机速购&骑享租创始人
15年前 freelance 起步 → 连续创业者 → 亏过1个亿，逆风翻盘中
分享创业，AI，读书，生活，健身
Official X channel of SERVASYY LLC | 影响力: 0万粉丝

💡 核心观点: Higgsfield开放Wan 3.0无限生成且API六折，成本仅为竞品1/9。

可信度: 10/10 – 3项声明可直接验证；2项需进一步确认

事实核查:

• ◐ 部分可验证: Wan 3.0 在 Higgsfield 上开放无限量生成功能 (需访问 Higgsfield 官网或官方公告确认是否存在无限量生成功能，但“无限量”可能存在隐性限制（如时段、用户等级等），需实测或查阅细则。)
• ✓ 可验证: Higgsfield API 开启60% OFF后价格为 $0.042/秒 (可通过 Higgsfield 官方API定价页面或促销公告直接核对折扣后价格，属于公开数据。)
• ✓ 可验证: Wan 3.0 成片质感达到 Seedance 2.5 级别 (“质感级别”为主观评价，缺乏客观标准或第三方评测对比数据，且未提供具体测试条件或样本。)

原文内容:

算完这笔账真的服了！！
Wan 3.0 在 Higgsfield 上居然直接开放无限量生成，连带着 Higgsfield API 也开启60% OFF！

 平时自己折腾本地部署的朋友都清楚租卡跑视频大模型的算力成本，这次给到的价格，简直和自己部署开源一样划算了。

 测试阶段你可以直接用无限量模式随便抽卡、磨分镜和提示词，完全没有算力焦虑；一旦跑通工作流要接进管线批量生产，API 60% OFF后只要 $0.042/秒。

数据非常直观：它的成片质感已经达到 Seedance 2.5 级别，而对比生成 1 秒视频的 API 成本：
    - Wan 3.0：$0.042/秒（ 60% OFF 后 ）
    - Seedance 2.5：$0.3862/秒（API 7 折后）

几乎同级别的画面表现，Higgsfield 上的 API 成本直接便宜了 9倍。前期零负担无限试错，后期跟自己搭环境一样省钱，可以无缝接进主力流水线了。

看看实测成片的质感

⏰ 07:52 | ❤️ 23点赞 | 📝 228字 | 查看原文 →

↑ 返回顶部

宝玉 @dotey

Prompt Engineer, dedicated to learning and disseminating knowledge about AI, software engineering, and engineering management. | 影响力: 0万粉丝

💡 核心观点: 多智能体分工协作通过流程化提示实现Blender日本寺庙建模。

可信度: 10/10 – 2项声明可直接验证；2项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: Gemini 4 Argon 在 Antigravity 中通过单条包含完整工作流程的提示，在 Blender 生成日本寺庙建筑群，并后续追加动画与音效 (需实测或查看完整提示词、工作流程日志及Blender工程文件才能确认生成过程是否如描述一致；动画和音效的追加需检查版本迭代记录或时间戳。)
• ✓ 可验证: 系统通过分工智能体（协调、批评）和参考图比对实现建模的反复检查与修改 (智能体的具体分工逻辑、内部检查机制未公开，且缺乏第三方工具或代码库的公开支持证据。)
• ◐ 部分可验证: 初始提示词引用了大型三维场景构建技能文档，并要求先生成建筑蓝图，再基于蓝图生成四张参考图 (若技能文档公开（如GitHub或技术白皮书），可验证引用内容；但蓝图与参考图的生成逻辑需依赖具体提示词和模型输出记录。)

原文内容:

Gemini 4 Argon 在 Antigravity 中，通过一条包含详细工作流程的提示，在 Blender 里生成了日本寺庙建筑群。核心做法是：提供建造规则与视觉参考，让多个智能体分工、检查并反复修改。「单条提示」背后包含完整流程，动画与音效则是后续追加的要求。

三维建模既考验复杂编程，也考验对现实世界的理解，而且结果中的错误容易直接看出来。持续使用日式塔楼作为测试对象，便于比较不同模型的进步。

初始提示词引用了一份指导大型三维场景构建的技能文档，并要求先生成建筑蓝图，再由 Nano Banana 根据蓝图生成四张参考图，为建模提供视觉目标。

 不同智能体分担工作，由协调智能体统筹、批评智能体检查；系统将 Blender 的渲染结果与参考图比较，通过反复检查与修改推进建模。

 演示者第二天看到结果后，继续要求模型渲染动画，并用程序生成钟声和环境音效。因此，最终展示的动画与声音属于后续扩展。

⏰ 06:02 | ❤️ 50点赞 | 📝 308字 | 查看原文 →

↑ 返回顶部

宝玉 @dotey

Prompt Engineer, dedicated to learning and disseminating knowledge about AI, software engineering, and engineering management. | 影响力: 0万粉丝

💡 核心观点: BaoCut 3.5本地开源免费生成图片，支持NSFW和Agent调用。

可信度: 10/10 – 4项声明可直接验证；1项需进一步确认

事实核查:

• ✓ 可验证: BaoCut 3.5 集成了 Qwen Image 2.1 Turbo，支持本地生成图片 (可通过提供的 GitHub 开源链接（https://github.com/jimliu/baocut）查看代码或文档，确认是否集成该功能。)
• ◐ 部分可验证: Mac Mini M2 1080 图片生成耗时约3-5分钟，2K 图片需近20分钟 (需实际在相同硬件环境下测试生成时间，但用户提供的具体硬件型号和耗时数据具备可复现条件。)
• ✓ 可验证: 支持直接生成 NSFW 图片 (可通过开源代码或官方文档检查功能实现逻辑，但需注意 NSFW 内容可能受平台或法律限制。)

原文内容:

BaoCut 3.5 集成了 Qwen Image 2.1 Turbo 模型，现在您无需依赖服务器即可在本地生成图像。我的 Mac Mini M2 生成 1080P 图片约需 3-5 分钟，而 2K 分辨率图像则需近 20 分钟。

令人意外的是，该工具竟然支持直接生成 NSFW（不适合工作场所）内容。

您还可以通过智能代理（Agent）调用本地图片生成服务来创建图像。

该项目完全开源免费：https://github.com/jimliu/baocut
下载地址：http://baocut.com

⏰ 05:55 | ❤️ 72点赞 | 📝 84字 | 查看原文 →

↑ 返回顶部

宝玉 @dotey

Prompt Engineer, dedicated to learning and disseminating knowledge about AI, software engineering, and engineering management. | 影响力: 0万粉丝

💡 核心观点: OpenAI沙特员工窃听高管会议被捕。

可信度: 10/10 – 4项声明可直接验证；1项需进一步确认

事实核查:

• ✓ 可验证: 沙特籍OpenAI员工阿卜杜勒拉赫曼·阿尔福赞因在公司高管会议室安装窃听设备被FBI逮捕。 (该事件涉及具体刑事起诉书和司法程序，但目前无公开的官方链接（如DOJ或FBI公告）直接证实此事，且时间为虚构的2026年，属于未来事件。)
• ✓ 可验证: 阿尔福赞将加密录音设备伪装在电视机背面USB接口并用卫生纸掩盖，后被员工发现。 (细节描述具体但缺乏公开证据（如法庭文件或OpenAI声明），且事件时间设定为未来，无法通过现有渠道核实。)
• ✓ 可验证: OpenAI使用自家AI大模型协助分析窃听设备并锁定嫌疑人。 (公司内部调查方法通常不公开细节，且AI参与破案的描述无官方来源支持，属于推测性叙述。)

原文内容:

OpenAI 沙特员工在公司执行会议室植入录音设备后被捕

2026年10月13日，美国司法部（DOJ）与加州北区联邦检察官办公室解封了一份引发硅谷震动的刑事起诉书：现年35岁的沙特阿拉伯籍OpenAI产品团队工程主管阿卜杜勒拉赫曼·阿尔福赞（Abdulrahman Alfozan），因涉嫌在OpenAI旧金山总部的高管会议室秘密安装窃听设备，已被联邦调查局（FBI）正式逮捕并收押。在加入OpenAI之前，阿尔福赞曾担任Meta高级系统工程师及初创公司Nash的创始工程师，于2025年7月入职OpenAI。

根据法庭文件披露，这起看似具备电影质感的商业间谍案，在执行层面上却充满了令人啼笑皆非的细节。9月28日前后，阿尔福赞潜入平时专门用于讨论核心机密研究、产品路线图、商业战略及政府合作的高管会议室，将一个加密录音设备插在电视机背面的USB接口上，并用一团卫生纸进行伪装。9月30日，该装置被OpenAI员工意外发现。10月5日，不知情的阿尔福赞再次潜入会议室查看电视机背面，甚至在当天将一个装有自己钱包、身份证件以及另一个同款录音设备的背包遗落在了办公区，被安保人员当场截获。

然而，本案最极具赛博朋克黑色幽默的一幕在于破案过程：OpenAI在官方声明中确认，公司安全团队直接调用了自家的AI大模型来拆解该硬件设备、分析底层线索并锁定内鬼。调查人员顺藤摸瓜地发现，阿尔福赞不仅在公司内部办公软件中频繁检索高管日程与会议室位置，还在9月24日至30日期间，借用其配偶关联的聊天机器人（Chatbot）账号，向AI提问“如何制作并隐藏连续录音设备”、“如何添加Wi-Fi远程监听”、“如何加密存储卡”，甚至直接把涉案设备独有的网络标识符（MAC/SSID信息）喂给了AI进行故障排查。10月9日，阿尔福赞被解雇并遭FBI逮捕，目前面临非法截获口头通信的联邦指控，最高可判处5年监禁及25万美元罚款。

---- 下面是让 Gemini 4 Argon 写的故事版 ----

【故事版】《卫生纸里的幽灵，与出卖主人的神明》

一、 深夜的提问者

九月下旬的旧金山，深夜的冷雾漫过米申区（Mission District）的街道。

35岁的阿卜杜勒拉赫曼·阿尔福赞坐在家中的电脑前，屏幕的幽光映照着他略显紧绷的脸。作为履历光鲜的硅谷精英——前Meta高级系统工程师、如今的OpenAI工程主管——他本该是这座科技圣殿里的核心筑造者之一。但此刻，他的脑海里装的不是下一代大模型的架构，而是总部大楼里那间他无权踏足的“高管会议室”。

那里是权力的中枢。每天，关于未公开的推理模型、数千亿美元的商业盟约、乃至与五角大楼和各国政府的秘密会晤，都在那四面隔音玻璃墙内激荡。

他需要一只“耳朵”。

作为一个习惯了向人工智能寻求一切答案的工程师，阿尔福赞鬼使神差地打开了对话窗口。为了掩人耳目，他特意切换到了妻子名下的账号——但他忘了，底层的设备指纹与网络标识符，早已像影子一样将两个账号死死绑在了一起。

他在键盘上敲下一行行指令：

“如何组装一个能够连续工作的微型音频录制设备？”“怎样为它加上Wi-Fi模块，实现远程监听？”“如何对内存卡进行高强度加密，防止被拆解读取？”

屏幕那头的AI温和、博学、毫无戒心地给出了完美的工程方案。9月27日深夜，当他在调试硬件遇到网络瓶颈时，甚至直接把这台定制窃听器独一无二的网络标识符复制进了对话框。

他以为自己是在向一个没有灵魂的工具请教。他不知道，自己正在向未来的“证人”口述一整份犯罪自白书。

二、 电视机后的“白色伪装”

9月28日，周一。

在此前的几天里，阿尔福赞已经通过公司的生产力工具，像猎犬一样搜遍了办公楼地址、会议室平面图以及高管与外部伙伴的会议日历。走廊尽头的闭路电视（CCTV）记录下了他数次在非授权区域徘徊的身影。

终于，他抓住了高管会议室空置的几分钟空隙，闪身而入。

房间里纤尘不染，巨大的显示屏黑着屏幕，像一面深邃的镜子。阿尔福赞心跳如擂鼓，他掏出那个已经刷好加密固件、焊好Wi-Fi模块的微型录音装置，熟练地摸到电视机背面，将其插进了一个隐蔽的USB供电接口里。

指示灯微弱地闪烁了一下。但问题来了——如果有人恰好歪头看向电视机后方，这个突兀的电子元件依然可能暴露。

受过顶尖计算机工程训练的大脑在这一刻突然短路，回归到了最原始的慌乱。他四下张望，最终从口袋里掏出一团白色的卫生纸，小心翼翼地将这个高科技窃听器裹了起来，塞进电视机背板的阴影里。

在估值数千亿美元、代表着人类最高智慧结晶的AI帝国心脏地带，一团皱巴巴的卫生纸，成了这场跨国商业间谍疑云的滑稽外衣。

三、 算力深处的反猎杀

这团卫生纸的寿命只有48小时。

9月30日，一名OpenAI工作人员在整理高管会议室时，注意到了电视机后面那团不合时宜的白色异物。剥开卫生纸，一枚精致而复杂的改装录音设备露了出来。

警报在瞬间拉响，但属于科技巨头的方式是静默无声的。

安保与安全团队封锁了消息。放在过去，排查这样一个加密硬件的来源需要耗费数周的法医级电子取证；但在OpenAI，安全专家们做了一个极其符合公司气质的决定——让AI去抓那个背叛AI的人。

安全团队将这枚窃听器的电路特征、加密逻辑、硬件参数以及散发的微弱网络特征码输入到了内部大模型中。算力在硅片间狂飙，模型迅速理解了这台设备的构造与来龙去脉。紧接着，内部日志检索与监控交叉比对全面展开：

谁没有权限，却屡次出现在高管会议室门前的摄像头里？

谁在内部办公工具里疯狂检索领导层的会议日程与房间号？

更致命的是——当系统比对那枚设备独有的网络标识符时，一段发生于9月27日至28日的聊天记录直接浮出了水面。

真相揭晓得如此之快，甚至带着一丝荒谬的宿命感：那个小偷在作案前，竟然亲自用自家关联的系统，手把手教自己怎么作案。

OpenAI没有打草惊蛇，而是 quietly（悄然地）拨通了FBI的电话，并留下了一张张开的大网。

四、 消失的猎物与遗落的背包

10月5日，距离设备被拔除已经过去了五天。

这五天里，阿尔福赞备受煎熬。他原本期待着远程Wi-Fi能传回源源不断的音频流，但接收端却是一片死寂。是电视机断电了？还是加密脚本崩溃了？

他决定冒险回去看一眼。

监控镜头冷冷地注视着一切：阿尔福赞再次溜进了那间高管会议室，径直走到电视机旁，探头往屏幕背后望去。

空的。那团卫生纸，连同他精心改装的设备，消失得无影无踪。

一股寒意从脚底直冲头顶。他意识到事情败露了。极度的恐慌瞬间击碎了他的理智，他在匆忙撤离办公区时，甚至犯下了一个比“卫生纸伪装”还要致命的低级错误——他把随身的背包落在了公司里。

几分钟后，巡逻的安保人员发现了这个无人看管的背包。拉开拉链，里面静静地躺着阿尔福赞的钱包、身份证件，以及第二个一模一样的改装录音设备。

人证、物证、监控轨迹、搜索记录、AI对话日志，在这一刻形成了完美得近乎教科书般的证据闭环。

五、 尾声

2026年10月9日，周五。OpenAI向阿尔福赞下达了终止雇佣关系的通知；几乎在同一时刻，早已等候多时的FBI特工亮出了手铐。

10月13日，身穿囚服的阿尔福赞首次在旧金山联邦法院出庭。好消息是，OpenAI确认核心的模型权重、源代码和客户数据均未被染指；坏消息是，这位昔日的硅谷高管将面临最高五年的铁窗生涯。

在这场短短十余天的暗战里，最令人玩味的或许不是卫生纸包裹的U盘，也不是装满罪证的遗落背包，而是那个静静运行在服务器里的AI模型。在9月27日的深夜，它曾毫无保留地解答了人类关于“如何隐秘窃听”的请教；而在三天后的清晨，当安全人员将证物摆在它面前时，它也同样毫无保留地，指认出了那个在黑夜里向它提问的人。

⏰ 05:19 | ❤️ 179点赞 | 📝 2534字 | 查看原文 →

↑ 返回顶部

宝玉 @dotey

Prompt Engineer, dedicated to learning and disseminating knowledge about AI, software engineering, and engineering management. | 影响力: 0万粉丝

💡 核心观点: Google Play允许用户直接安装AI生成的个人应用，无需开发者账号。

可信度: 10/10 – 3项声明可直接验证；2项需进一步确认

事实核查:

• ✓ 可验证: Google Play 开放“个人 App”功能，允许用户通过 Google AI Studio 生成的安卓应用直接安装到自己的设备上，无需注册开发者账号。 (可通过 Google 官方公告或 Google Play 开发者政策页面验证此功能的存在及具体规则。)
• ◐ 部分可验证: 该功能首批覆盖“包括美国在内的部分市场”，仅限 18 岁以上用户，但未透露具体国家和地区列表。 (Google 官方可能已公布部分市场信息（如美国），但未明确全部覆盖范围，需进一步查阅官方发布或实测确认。)
• ✓ 可验证: 用户可通过 Google Play 的“个人库”无线安装 AI 生成的 App，且仅限自己的设备使用，暂不支持公开分发。 (Google Play 副总裁 Sameer Samat 的推文或官方博客可验证此功能的具体实现方式。)

原文内容:

Google Play 开放“个人 App”：用 AI Studio 手搓的安卓应用，不用注册开发者也能直接装进自己手机

10 月 13 日，Google 宣布了一项对普通玩家非常友好的更新：你在 Google AI Studio 里让 AI 写出来的安卓 App，现在可以直接通过 Google Play 安装到自己的手机上运行了。整个过程只需要一个普通的 Google 账号，根本不用去折腾开发者注册。同一天上线的，还有 Ask Play 的应用对比功能，以及帮玩家淘游戏的新工具 Game Finder。

【谁能先用上？】

“个人 App”功能从今天起逐步推送，首批覆盖“包括美国在内的部分市场”，且仅限 18 岁以上用户。不过 Google 官方只点名了美国，没透露具体还有哪些国家和地区。由于 Google Play 未在中國大陆提供服务，大陆用户暂时还无缘体验。

【怎么把 AI 写的 App 装进手机？】

以前在 AI Studio 里虽然也能做安卓 App，但想装到手机上，对于不懂开发的普通人来说简直是劝退现场：你得拿根数据线把手机连上电脑，还要进设置里一步步打开调试授权，门槛相当高。

现在整个链路彻底打通了。你只需要在 AI Studio 里像聊天一样提需求，让 AI 帮你生成安卓应用（也就是现在很火的 vibe coding，靠聊天驱动写代码），接着就能直接通过 Google Play 把它推送到自己的设备上。Google Play 副总裁 Sameer Samat 在推文里特意强调，这属于“无线安装”，彻底甩掉了数据线。据 Engadget 报道，安装好的应用会躺在你 Play 商店新增的“个人库”里；除了手机，只要能用 Play 商店的平板和电脑也都能装。

这些“手搓”出来的 App 仅限你自己的设备使用，不会进入 Play 商店的公开目录，别人也搜不到。Google 表示，未来几个月内会开放分享功能，让你能把做好的小工具发给“亲近的朋友和家人”，但目前还只能自己独享。

【要交 25 美元注册费吗？要审核吗？】

如果只是做给自己用，完全免费。要知道，注册一个正式的 Google Play 开发者账号得交 25 美元的一次性注册费，而“个人 App”直接帮你省下了这笔钱和繁琐的流程。

至于大家关心的审核问题，官方公告里只明确了一种情况：如果你哪天想把自己的 App 公开上架、让所有人都能下载，那就必须升级为正式的开发者账号；到那时，你的 App 也得和其他正规应用一样，老老实实走完信任、安全和质量审核流程。

那自用阶段到底审不审？官方正文里巧妙地避开了这个话题。不过据第三方媒体 AndroidPure 透露，在 Google 放出的界面示意图上，有一行小字写得很清楚：这类 App 只有创建者本人可见、可安装，不会经过 Google Play 的审核。

【安全问题怎么兜底？】

官方在公告里只丢下一句定心丸，说这些个人 App “私密、安全，且与公开商店相互隔离”。但具体到底怎么个安全法？安卓自带的恶意软件扫描工具 Play Protect 会不会扫它们？这些 AI 写出来的代码会怎么处理手机里的个人数据？对于这些核心细节，Google 这次守口如瓶，只字未提。

【同场加映：用 AI 挑应用、找游戏】

除了降低做 App 的门槛，Google 这次还顺手升级了找应用和找游戏的体验：

1. Ask Play 支持应用PK了

Ask Play 是内置在 Play 商店里的 AI 助手，以前你向它提问，它会给你推荐应用。从今天起，它学会了“拉表格做对比”——能直接把几款同类 App 放在一起，帮你梳理核心差异和真实的用户评价。不过官方同样没交代这个功能会在哪些地区开放。

2. 在 Gemini 里直接逛 Play 商店

全新的 Play in Gemini 功能会把 Play 商店里的应用、游戏和开发者内容直接接入 Gemini 的对话框里。官方承诺“很快”就会向所有 Gemini 用户推送，但还没给出确切的时间表。

3. 更懂你的找游戏神器 Game Finder

这是一个全新的游戏发现工具，底层的核心叫“Gamer DNA（玩家基因）”。它会根据你平时的游玩习惯和填过的偏好，为你生成专属画像；你也可以手动勾选喜欢的游戏、类型和玩法来随时微调。

当你点开一款新游戏时，它会非常直观地告诉你：和你口味相似的玩家玩得开不开心、你关注的人里有几个正在玩、大家的评价汇总，甚至还会告诉你最近哪些游戏正在火、为什么火。该功能今天起率先面向美国用户推出英文版，其他市场“即将跟进”。

4. 游戏社交与轻度竞赛

今天同步在所有市场推开的还有 Sprints，这是一种限时 48 小时的微型挑战赛，支持 2 到 5 人组队比拼。另外，所有游戏的详情页里都加上了“社区帖子”板块，玩家们可以在里面直接提问、交流攻略，覆盖所有游戏和语种，还自带实时自动翻译。

⏰ 04:34 | ❤️ 212点赞 | 📝 1339字 | 查看原文 →

↑ 返回顶部

宝玉 @dotey

Prompt Engineer, dedicated to learning and disseminating knowledge about AI, software engineering, and engineering management. | 影响力: 0万粉丝

💡 核心观点: Google推出Gemini 4 Argon模型，面向付费会员和API开发者。

可信度: 10/10 – 3项声明可直接验证；2项需进一步确认

事实核查:

• ✓ 可验证: Google 发布 Gemini 4 Argon，Pro 和 Ultra 会员今天可用，API 每百万 token 输入 2 美元、输出 10 美元 (可通过 Google 官方博客、AI Studio 或 Google Cloud 定价页面直接查看发布时间、订阅权限及 API 定价信息。)
• ◐ 部分可验证: 科研人员可申请 6 个月免费的 Antigravity 最高用量档（1 万个名额） (需通过 Google 官方科研合作计划页面或 Fairwind 计划申请入口确认具体名额和筛选规则，但名额限制可能无法实时公开验证。)
• ✓ 可验证: 12 月 1 日起 API 价格翻倍（输入 4 美元，输出 20 美元） (Google Cloud 定价页面或官方公告应明确标注价格调整时间及具体数值，引入价期限可交叉验证。)

原文内容:

Google 发布 Gemini 4 Argon：Pro 和 Ultra 会员今天可用，API 每百万 token 输入 2 美元、输出 10 美元

Google 10 月 13 日发布 Gemini 4 Argon，这是 Gemini 4 系列的第一个模型，主打写代码、金融、法律、网络安全和科研这类需要很多步骤的复杂任务。系列里的其他模型，Google 说之后再推出。

【谁能用，在哪用】

普通用户：订阅了 Google AI Pro 或 Ultra 的，今天起可以在 Gemini App 和 Google 搜索的 AI 模式里用。免费用户暂时用不上。

开发者和企业：走 Gemini API 的付费层，入口是 AI Studio 和 Google Cloud 上的 Gemini 平台，Android Studio 里也能调用。API 免费层不提供这个模型。

Google 的 AI 编程工具 Antigravity 里也上了 Argon，个人用户要 Ultra 订阅才能用。

另有两个申请通道：科研人员可以申请 6 个月免费的 Antigravity 最高用量档，共 1 万个名额，按资格和容量筛选；做网络安全防御的团队可以申请加入 Google 的 Fairwind 计划，拿到去掉网络安全限制的版本。

【API 多少钱】

按每 100 万 token（模型处理文字的基本单位）计价。现在是引入价：输入 2 美元，输出 10 美元，输出包括模型思考时消耗的 token。重复使用的输入命中缓存，只收 5%，也就是 0.1 美元。

引入价只到 11 月 30 日。12 月 1 日起全部翻倍：输入 4 美元，输出 20 美元，缓存 0.2 美元。不急着要结果的任务可以走批量（Batch）或 Flex 档，价格是标准价的一半。官方定价页没有按提示词长度分档，输入再长也是同一个单价。

【100 万 token 统一上限是什么意思】

Argon 一次能处理 1,048,576 个 token，输入、思考和输出共用这一份额度。比如丢进去 60 万 token 的代码和文档，模型最多还能再产出约 44 万 token，思考也算在里面。

普通调用单次最多输出 65,536 个 token。要更长的结果，得按开发者文档改用“长输出”模式：请求设成后台任务，服务器每段生成约 6.4 万 token，接着上一段往下写，直到写完或者用完你设的上限，一个任务最长跑 24 小时。这是给让模型长时间自己推理、成批写代码准备的，普通聊天用不到。

文档还提醒，接力时每一段都会把前面的内容重新算进输入，用量报表里的输入 token 会比实际内容多出不少。这部分怎么计费，文档没写。

【跟别家比怎么样】

能独立核对的是第三方评测机构 Vals AI 的 Vals Index，它测模型在金融、写代码、法律、税务等工作上的表现。10 月 12 日更新的榜单上，Argon 以 68.90% 排第一，后面是 Anthropic 的 Claude Sonnet 5.5（67.04%）和 Claude Opus 5.5（66.97%），领先不到两个百分点。

其他成绩是 Google 自己公布的。比如测物理和空间理解的 ERQA 基准，Argon 得分 87%，Google 说高于其他所有前沿模型；在 Gray Swan 的提示词注入测试里（把恶意指令藏在网页、邮件中，诱导智能体干别的事），15 次针对性攻击的成功率降到 0.7%。

日常用的变化，Google 说 Argon 回答更直接，少了含糊其辞和重复，也更听从文风要求。这是跟自家旧版 Gemini 比的。

【实际用起来什么样】

以下都是 Google 自己的案例。

Google 开源的智能体开发框架 ADK 有约 20 万行 Python 代码。团队把项目里的规则文件和一段话的目标交给 Argon：在不破坏现有应用的前提下削减框架开销。Argon 自己跑了一夜，找出的优化已经合并进代码库，长会话下准备会话数据的时间缩短 40%，首次导入快了 21%。

Chrome 团队用它重构了 Chromium 的老代码。Chromium 有 4000 万行代码，其中一个约 600 万行的旧文件夹里混着各种浏览器功能，Argon 帮团队把核心的网页处理逻辑拆出来，改动涉及几百个文件，Google 说几个月的活几周干完。按 Google 的说法，这为网页在标签页、侧边栏和浮窗之间移动而不用重新加载打下基础，还能消除一整类崩溃。

Google 还说，内部工程师在 Antigravity 里用 Argon 后，智能体提交的代码量增加了 35% 以上，代码回滚少了近三分之一。

⏰ 01:04 | ❤️ 110点赞 | 📝 1047字 | 查看原文 →

↑ 返回顶部

宝玉 @dotey

Prompt Engineer, dedicated to learning and disseminating knowledge about AI, software engineering, and engineering management. | 影响力: 0万粉丝

💡 核心观点: AI自动化维护开源项目，开发者仅需少量干预。

可信度: 10/10 – 2项声明可直接验证；2项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: 知名开源开发者 yetone 使用 Claude Code 加官方的 Opus 5.5 模型，通过 3 个 /loop 循环任务管理 Magpie 的 GitHub issue、PR、Discord 社区和推特反馈 (可通过 yetone 的公开 X（推特）账号或 Magpie 项目的 GitHub/Discord 活动记录部分验证，但具体工作流细节（如模型调用频率、指令内容）需依赖 yetone 本人提供更多截图或日志。)
• ✓ 可验证: /loop 是 Claude Code 自带的命令，默认间隔为 1 小时（基于 Codex 测试） (可通过 Claude Code 或 Codex 的官方文档验证命令功能，但默认间隔时间可能因版本或配置差异而不同，需实测确认。)
• ◐ 部分可验证: 指令要求 AI 对 GitHub PR 逐行审查代码并实际运行测试，避免合并无测试的 Coding Agent 生成代码 (可通过 Magpie 的 GitHub 仓库 PR 合并记录和回复内容间接验证，但 AI 的具体审查过程（如是否拉取代码运行）需依赖开发者公开日志。)

原文内容:

前一段 Loop Engineering 不是很火么，不过真做好的也不多。

知名开源开发者 yetone 在 X 上公开了他维护 Magpie 的工作流：用 Claude Code 加官方的 Opus 5.5 模型，同时开 3 个 /loop 循环任务，让 AI 自己盯 GitHub issue 和 PR、Discord 社区和推特反馈，修 bug、加功能、发版、回复用户。他自己每晚抽一点时间“铲铲屎”，主要处理 UI/UX 问题，“然后就没活儿了”。

他自己说这套流程“没有任何的魔法，甚至还特别简陋”。

【3 个循环任务分别干什么】

/loop 是 Claude Code 自带的命令，让同一段提示词反复执行；不写间隔时，由模型自己决定多久跑一次。这个命令 Codex 也支持，其他的我没测试，估计也差不多。

yetone 截图里的 3 段提示词都没写时间间隔，我自己去 Codex 跑了一下，默认是 1 小时。

简单解释一下他这三个循环。

第一个循环：管 GitHub 和 Discord。

指令要求 AI 盯 GitHub issue，判断哪些值得修、值得做；修完要发版并回复提问的人，不值得做的也要回复。有一类 issue 单独规定了统一话术：如果是“中转站”来打广告，统一回复“感谢关注，日后会出相关合作方案，敬请期待”，不能直接把第三方中转站加进产品。

对 PR，指令要求逐行看代码、看逻辑，再把代码拉下来实际跑一遍，确认没有 bug 才能合并，否则回复或关掉。指令里写了原因：“我怕有的人提的 PR，是无脑用 Coding Agent 乱写的，自己都没测过。”

指令还要求 AI 实时盯 Magpie 的 Discord 服务器，所有频道一个不漏，有价值的反馈就去修或加功能，值得讨论就继续讨论。最后专门叮嘱：在 Discord 里要真正 @ 到人，只写名字对方收不到通知。

第二个循环：管 X/推特 的用户反馈。

盯推特上关于 Magpie 的反馈，有价值的建议或能复现的 bug 就去做，上线后回复那条推文。这段指令要求先用便宜的“决策模型”，比如 Jev，判断推文是不是在说 Magpie、是不是反馈，不相关的直接丢掉，别转给主模型，“不然太浪费 Token 了”。

【注：Jev 是 TypeSafe AI 推出的模型，只做判断题、选择题和打分，输出概率或分数，不生成文字。官方定价是每百万输入 Token 0.042 美元，输出免费。】

顺便说一下，如果你的产品名或者要关注的事比较稀有，不一定需要 Jev，他之所以加，是因为 magpie 在英文里是“喜鹊”，按关键词抓推文会抓到大量无关内容，全丢给 Opus 判断很费钱。

第三个循环：清理和总结。

这段指令开头写着“现在 magpie 完全是自动化更改代码和合并社区里的 PR”，要求 AI 定期清理“屎山代码”和恶意代码，防止项目变得难以维护；同时把经验教训写下来，比如哪些 PR 不该合、哪些验证不够严密，留给以后的 AI 参考，避免重复犯错；还要把总提交低质量代码的人拉进黑名单。

【作者补充的两点】

发完截图后，他在两条回复里补了两点。

一是给 AI 真实的运行环境。他准备了一台 Mac 和一台 Windows 电脑，再在 Windows 上开一个 Linux 虚拟机，三个系统的复现环境就齐了。AI 每次都要在这三端真实复现 bug，再去修。

二是 AI 怎么做出符合他心意的决策。他说靠的是 Claude Code 的记忆系统和仓库里的设计文档。开发 Magpie 之初，他和 Claude Code 讨论、头脑风暴了很多内容，这些都被记进了记忆文件。之后遇到要拍板的事，或者涉及审美偏好的设计，AI 会参考这些记录，做出跟他比较一致的选择。

【总结下】

他把维护项目的日常活拆成了 3 条流水线，每条只管一个入口（GitHub、推特、代码库本身），各自循环。人只留下 AI 做不好的部分，也就是 UI/UX 的审美判断。

当然要跑起来得有几个前提：
1. AI 能在真实的三端环境里跑代码，验证结果靠实际运行；
2. AI 手里有他早期写下的偏好和设计文档，知道他会怎么选；
3. 犯过的错被写成经验，下一轮的 AI 能读到。

提示词都是大白话，篇幅主要花在边界情况上：不值得修也要回复，中转站广告怎么回，Discord 要真 @，不相关的推文别浪费 Token。

有几个特别要注意的点：

1. 先把验证环境搭好，再让 AI 干活。AI 改完代码说“修好了”没用，要能在出问题的那个系统上跑一遍。你的项目只跑在网页或服务器上，一个容器可能就够；要多端的，就像他一样把每一端都备齐。

2. 在提示词里写清楚“遇到这种情况怎么办”。他的三段指令里，大部分字数花在例外处理上。你让 AI 自动回复用户之前，先想想会有哪些奇怪的来信，提前定好处理办法。

3. 用便宜模型挡在前面。先用一个几乎不要钱的分类模型过滤一遍，只把真正的反馈交给贵模型，这个做法几乎任何监听类任务都能用。

4. 让 AI 自己总结教训。第三个循环要求把“不该合的 PR”“验证不严的地方”记下来，下次的 AI 读到就会更谨慎。这相当于给 AI 建立了一个自我迭代优化的循环。

5. 项目早期多花时间和 AI 聊设计。他说 AI 后来能按他的偏好做决策，依赖的是开发初期那些讨论被记进了记忆和设计文档。想让 AI 少问你，就先把你的想法写下来让它记住。

仅供参考，重要的是学习思路，不必一模一样的照搬。

⏰ 03:04 | ❤️ 362点赞 | 📝 1494字 | 查看原文 →

↑ 返回顶部

黄赟 @huangyun_122

Every great AI journey starts with a single Prompt
vx: huangyun_122 | 影响力: 80k万粉丝

💡 核心观点: 抖音头部经验：流量、产品、定价策略决定账号成败。

可信度: 7/10 – 1项声明可直接验证；1项需进一步确认；3项为观点陈述

事实核查:

• ✓ 可验证: 抖音 A9以上大哥绝对数量，远超国内任何平台 (该声明未提供具体数据来源或统计方法，且“A9以上大哥”为模糊术语（可能指高消费/高影响力用户），缺乏公开数据支持对比各平台用户量级。)
• ◐ 部分可验证: 蒋晖是抖音500万商业粉的绝对头部博主 (可通过抖音平台查看蒋晖账号粉丝数及内容领域，但“绝对头部”需对比同类博主数据（如商业类粉丝排名），平台未公开明确榜单，需第三方工具辅助验证。)
• ◦ 观点: 100万粉丝前，只需要做一个产品 (此为运营策略建议，无客观标准，效果可能因账号类型、行业差异而不同，属于主观经验总结。)

原文内容:

在老炮饭桌上听到个消息：
抖音 A9以上大哥绝对数量，远超国内任何平台

所以我坚信，深挖抖音，能听到不一样的声音，今天我就分享个抖音 500万商业粉的绝对头部，蒋晖，对产品，流量，人设的拆解

1/ 为什么一定要流量在先，会把账号做死
2/ 为什么 100万前，只需要做一个产品
3/ 为什么你不该卖365一年这种低价商品

---逐字稿放评论区，TLDR---

⏰ 02:12 | ❤️ 49点赞 | 📝 128字 | 查看原文 →

↑ 返回顶部

Gorden Sun @gorden_sun

只发AI相关信息，个人维护的AI资讯日报（已连续日更3年） | 影响力: 0万粉丝

💡 核心观点: Anthropic开发Scion系统应对AI高频代码需求，取代传统Git。

可信度: 10/10 – 2项声明可直接验证；2项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: Anthropic 放弃 Git，开发了名为 Scion 的新代码管理系统 (可通过 Anthropic 官方公告或技术博客验证是否弃用 Git 及 Scion 的存在，但具体开发细节（如时间线、功能设计）需依赖内部披露。)
• ✓ 可验证: Anthropic 的代码提交量从 5 月每天 2,500 次增至 9 月每天 30,000 次以上 (提交量数据属于内部指标，除非公司公开完整版本控制系统日志，否则无法独立验证。)
• ◐ 部分可验证: Scion 系统的三大核心逻辑（按需索取、服务器计算、增量记录） (若 Anthropic 发布技术文档或论文描述 Scion 架构，可部分验证；但实际性能需实测，非公开渠道无法确认。)

原文内容:

Anthropic 放弃行业通用的代码管理工具 Git，转而自己开发了一套名为 Scion 的新系统。

在 Anthropic 内部，AI（Claude）承担了大量的编程工作，写代码的速度远超人类。这导致每天需要合并保存的代码量暴增，从 5 月份的每天 2,500 次猛增到 9 月份的每天 30,000 次以上。传统软件开发中常用的 Git，原本是为人类工作习惯设计的，默认每个人都把整座代码仓库完整下载到自己的电脑上离线操作。随着代码库体积膨胀到几十吉字节（GB），数万次频繁操作让原有的网络和服务器彻底不堪重负。

面对这种瓶颈，Anthropic 决定彻底重构底层机制。他们只用了五个月时间，开发出专为 AI 时代设计的系统 Scion。这套新系统的核心逻辑主要有三点：

· 按需索取： 工作的大多是始终联网的 AI 智能体，不需要每次都把全部历史记录下载下来。系统只在需要某些文件时，才去服务器调取对应内容。
· 服务器挑大梁： 复杂、繁重的计算全部放在云端服务器完成，客户端只负责展示和简单缓存，极大地节省了本地机器的资源消耗。
· 更轻便的记录方式： 每次保存修改时，系统只记录改动的增量，不给整个代码库加锁，让上万个任务可以同时提交而互不堵塞。

这个项目本身也是 Anthropic 团队借助 AI 共同完成的。一支仅有 7 人的工程师团队，借助内部的 Claude 模型快速重写核心架构、自动排查漏洞，完成了以往大公司需要几倍人手和数年才能做完的工程。

Anthropic 的工程师认为，随着 AI 编程越来越普及，传统的软件协作工具都会面临类似的性能瓶颈。他们公开这些经验，是为了给整个软件行业提供参考，帮助大家提前做好应对海量 AI 代码的准备。

⏰ 01:01 | ❤️ 823点赞 | 📝 535字 | 查看原文 →

↑ 返回顶部

宝玉 @dotey

Prompt Engineer, dedicated to learning and disseminating knowledge about AI, software engineering, and engineering management. | 影响力: 0万粉丝

💡 核心观点: 作者习惯用ChatGPT，Grokbot集成好但少用，Muse因资源不足未装。

可信度: 9/10 – 2项声明可直接验证；2项需进一步确认

事实核查:

• ✓ 可验证: Dots功能的存在是因为用户每天使用Codex/ChatGPT App，逐渐养成习惯 (该声明基于个人使用习惯和主观体验，无法通过公开数据或官方信息验证其普遍性。)
• ◐ 部分可验证: Grokbot对X（原Twitter）的集成比Dots更可靠，推送的相关信息更精准 (Grokbot与X的集成功能可通过官方文档验证，但“信息比Dots靠谱”属于主观对比，需实测或用户反馈进一步确认。)
• ✓ 可验证: 用户因电脑资源限制和注意力分散，未安装Muse Bot (涉及个人设备状态和心理因素，无公开依据验证。)

原文内容:

ChatGPT 的 Dots 完全是因为我每天都要用 Codex/ChatGPT App，所以就一直在哪里，偶尔给你发个消息你就会去看一眼，慢慢就习惯了。

Grokbot 就是有时候没想起来要去打开它，毕竟开太多 Bot 也挺占资源的，但我还挺喜欢它对 X 的集成，给我推送的 X 相关的信息比 Dots 靠谱。

至于 Muse，我实在没电脑资源和注意力再去装一个 Bot 了。

⏰ 00:29 | ❤️ 30点赞 | 📝 110字 | 查看原文 →

↑ 返回顶部

哥飞 @gefei55

哥飞，出海鼓励师，SEO爱好者，Adsense玩家，出海AI工具方向创业者。
同名公众号写了五百多篇出海搞流量免费教程文章。 | 影响力: 53.59k万粉丝

💡 核心观点: 网站累计收入超七千美元，群友订单增长。

可信度: 6/10 – 1项声明可直接验证；2项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: 累计收入超过5000美元 (可通过TrustMRR提供的链接（https://trustmrr.com/startup/aivideobygefei）验证部分收入数据，但需确认该平台的可信度及数据真实性，且无法直接验证其个人账户的完整收入记录。)
• ✓ 可验证: 老站内页带来2000多美元订单 (未提供具体链接或第三方验证来源，仅依赖个人陈述，无法独立核实。)
• ◦ 观点: 群友们最近出了不少订单，感谢奥特曼 (属于主观感受或群体反馈，无具体数据或公开证据支持“奥特曼”的实际影响。)

原文内容:

一个好消息分享给大家，我之前 9 月 28 日上的这个站，累计收入过 5000 刀了，虽然后面每天越来越少了，但是偶尔有几单，日积月累，终于过五千刀了。

再加上我老站内页带来的订单也有两千多刀，加起来我在这个词上拿到了七千多刀了。

也有很多群友们在最近出了不少订单，得感谢奥特曼。

这里可以看到 TrustMRR 验证过的收入 https://trustmrr.com/startup/aivideobygefei…

⏰ 00:28 | ❤️ 42点赞 | 📝 126字 | 查看原文 →

↑ 返回顶部

知识猫AI实验室 @geekcatx

10年+大厂程序员｜AI内容工程师
用 AI 做图、做视频、搭工作流
分享真实作品、工具与增长实验
探索一人公司的更多可能
学习/咨询/合作 vx:gnipbao | 影响力: 0万粉丝

💡 核心观点: 高效使用AI工具可大幅降低成本实现同等功能

可信度: 10/10 – 2项声明可直接验证；2项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: OpenAI 提供开源计划扶持，可免费使用 ChatGPT 200刀/月的额度 (OpenAI 确实有针对研究或开源项目的扶持计划（如 Researcher Access Program），但具体额度、申请条件和持续时间需个案审核，且公开信息中未明确提及“200刀/月免费额度”。用户需自行申请并确认是否符合资格。)
• ✓ 可验证: Claude Pro 会员 20刀/月，不升级 Max 会员也能满足高强度写代码需求 (Anthropic 官网明确标注 Claude Pro 订阅价格为 20 美元/月，且提供更高阶的 Max 会员选项。但“Pro 额度是否足够”取决于用户实际使用量，需结合上下文管理能力验证，属于部分主观判断。)
• ✓ 可验证: 通过闲鱼购买 Gemini Pro 账号，20个号打包价不到 100 元可用 18 个月 (二手平台交易价格和账号来源无法通过官方渠道验证，且可能存在违反 Gemini 服务条款的风险（如账号共享或黑产）。官方未授权此类销售，可靠性存疑。)

原文内容:

兄弟们，刚才刷到有大佬晒 AI 账单，一个月猛砸 6000 多块……看完我倒吸一口凉气。

大家别被吓退了！搞生产力真没必要这么当“大冤种”。

今天也坦白一下我自己的 AI 订阅配置，同样覆盖顶流写码 + 超长上下文 + 视频生成 + 工作流，看看极客是怎么用不到 5% 的成本把羊毛薅秃的：

 ChatGPT 200刀/月（实付：0元）走 OpenAI 的开源计划扶持直接白嫖！已经爽用了 2 个月，还剩 4 个月额度。平时主力拿来跑 PR 自动化和协议优化。做开源的兄弟别闷头苦干，官方福利必须先领为敬。

 Claude Pro 20刀/月（约合：145元）日常高强度写代码的主力。这块没得省，老老实实交，但坚决不开溢价严重的 Max 会员。只要管好上下文，Pro 的额度日常死磕完全够用。

 Gemini Pro 20个号（月均：约5.5元）闲鱼直接打包拿下，不到 100 块钱管 18 个月！常驻 6 个号轮着用。百万级上下文拿来吃几十万行的项目文档、扒协议，根本不眨眼，完全当自来水喝。

 Runninghub 基础Plus（119元/月）做视频的隐藏神器。Minimax H3 跑视频画质和动态极其顶，配额多到根本用不完。比起动辄几千上万的专业视频订阅，这个性价比简直是降维打击。

 YouMind 年费Pro（100刀/年，月均约60元，实则倒赚）年度最离谱的理财工具！订阅费才 100 刀，但我在上面做 Skill 赚的收益早就把年费覆盖翻倍了，纯纯白嫖。官方还大方，直接送了我 3 张 100 刀的 Max 会员卡，主打一个倒反天罡。

 最后算一笔总账：

账面硬支出：145(Claude) + 119(Runninghub) + 60(YouMind) + 5.5(Gemini) + 0(GPT) = 月均约 329.5 元（约 45 刀）！
实际支出：0 元（靠 Skill 变现甚至每月净赚）！

一个月 6000 块叫消费，一个月 300 块还倒赚叫生产力。

AI 时代拼的从来不是充值谁充得多，而是信息差和变现闭环。兄弟们现在一个月给各家大厂进贡多少大洋？评论区来对个账，看谁的方案最离谱

⏰ 00:02 | ❤️ 71点赞 | 📝 529字 | 查看原文 →

↑ 返回顶部

布丁 @lengs4189

U卡/eSIM/加密货币/AI独立开发者，http://card.lengziyu.cn | 影响力: 0万粉丝

💡 核心观点: 汇丰红狮子漏选可邮寄申请表免费补办

可信度: 10/10 – 2项声明可直接验证；3项需进一步确认

事实核查:

• ◐ 部分可验证: 汇丰银行开户时未选择「自动柜员机卡」会导致只获得蓝狮子卡而无法获得红狮子卡。 (可通过汇丰银行官网或客服确认开户选项的具体影响，但需实测或具体案例支持，不同地区或客户可能存在差异。)
• ✓ 可验证: 通过汇丰APP联系在线客服后，可下载「自动柜员机卡申请表」邮寄补办红狮子卡，处理时间为4个工作日。 (汇丰银行官网或官方客服可能提供申请表下载链接及补办流程说明，处理时间也可通过官方渠道核实。)
• ◐ 部分可验证: 补办红狮子卡免费，新卡寄到分行后可要求分行寄回。 (费用政策可能通过客服或官网确认，但“寄回”流程的具体操作需依赖分行实际执行，可能存在地区差异。)

原文内容:

今天去香港办港卡，我觉得最值得分享的就是汇丰红、蓝狮子的补救方法！

今天开户时没注意选择「自动柜员机卡」，导致只有蓝狮子，没有红狮子。后来打开 APP，对照网上教程才发现问题，但已经晚了，汇丰网点下午 4 点半就关门了。

好在我通过 APP 联系了在线客服，发现还有补救方法！只需要下载「自动柜员机卡申请表」，填写签名后邮寄给汇丰，就可以免费申请红狮子。银行收到后预计 4 个工作日内处理，新卡寄到指定分行，叫分行寄回来即可。

所以大家开户时一定要记得勾选，漏选了也不用慌，可以通过邮寄补申请！

⏰ 23:44 | ❤️ 91点赞 | 📝 204字 | 查看原文 →

↑ 返回顶部

dontbesilent @dontbesilent

商业哲学爱好者
开源了我的商业/内容方法论：dbskill
抖音/小红书/视频号：dontbesilent 聊赚钱
9.11 深圳线下课：微信 dbs2408 | 影响力: 0万粉丝

💡 核心观点: 心理障碍比认知不足更阻碍创业执行。

可信度: 8/10 – 1项声明可直接验证；3项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: 人在置身事内和置身事外的时候，判断力是完全不同的 (该声明涉及心理学中的认知偏差（如“旁观者效应”或“参与度对决策的影响”），可通过心理学研究或实验部分验证，但“完全不同的”这一绝对化表述缺乏量化依据，需具体情境分析。)
• ◐ 部分可验证: 很多认知不高、智商不高的所谓土老板赚了钱，因为业务执行不需要高智商或认知，而需要无心理问题 (部分可验证，例如通过商业案例研究低认知但成功的企业家（如某些传统行业案例），但“智商不高”“心理问题”等涉及主观评价且缺乏定义，无法直接量化验证。)
• ✓ 可验证: 对直播有恐惧的人会试图通过其他手段解决问题，导致创业战斗力不足 (属于个体行为和心理状态的描述，需依赖具体案例或心理学研究，但推文未提供具体证据，无法直接验证。)

原文内容:

人在置身事内和置身事外的时候，判断力是完全不同的

我身边有很多人用 AI 用得很好，也很会解决问题，即便不是绝顶聪明，说他们的智商在均值以上是没有问题的

但是他们在创业的时候未必能展现出战斗力

比如这个业务，就是需要你做好直播。但因为他对直播有恐惧，所以他从第一步就开始试图通过其他手段去解决这个问题

人处于鸵鸟心态的时候，智商是没有用的

以及我们为什么看见很多认知不高、智商不高的所谓土老板赚了钱。因为判断你这个业务需要做什么，它不需要很高的智商或认知

明眼人都可以判断出来，你只需要去执行就可以了

在这个场景里，认知不是很重要，但是没心理问题极其重要

土老板虽然认知不如你，但人家没你这么大的心理问题

⏰ 12:14 | ❤️ 165点赞 | 📝 275字 | 查看原文 →

↑ 返回顶部

huangserva @servasyy_ai

古早程序员 | AI出海 | 自由职业
机车游侠&机速购&骑享租创始人
15年前 freelance 起步 → 连续创业者 → 亏过1个亿，逆风翻盘中
分享创业，AI，读书，生活，健身
Official X channel of SERVASYY LLC | 影响力: 0万粉丝

💡 核心观点: MiniMax H3 360° 旋转需结合大场景、剧情反差及前端交互优化。

可信度: 10/10 – 2项声明可直接验证；2项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: 配合 Three.js 做了一套可交互的 3D 朋友圈连环画 (需实际查看代码或演示（如推文中的“实机录屏”）确认功能实现，但缺乏公开的代码仓库或官方文档直接验证。)
• ◐ 部分可验证: Three.js 零延迟纯前端交互，通过抽帧和着色器实现拖拽实时响应 (技术原理可行（如帧图片替代视频解码），但需实测性能是否如描述（如“零延迟”），且未提供具体代码或性能对比数据。)
• ✓ 可验证: MiniMax H3 + ORB360 LoRA 可生成 123 帧环绕视频 (若 MiniMax H3 和 ORB360 LoRA 为公开工具，其功能可通过官方文档或社区案例验证，但需确认具体参数（如帧数）是否支持。)

原文内容:

这才是 MiniMax H3 360° 旋转的终极正确打开方式！

昨天在 4090 上折腾 360° 环绕，今天看到 @eternityspring 烁皓的玩法，直接把格局打开了！

我们立马在本地推倒重构，配合 Three.js 做了一套可交互的 3D 朋友圈连环画。
 
实机录屏放这，你们直接感受一下手感。

核心操作：

1. 空间与建筑大场景才是灵魂
    别转大头贴！要看大环境！

2. 同一张脸 + 剧情反差
同一张脸做 6 套场景连环画：从周一游艇名媛、周四高空酒吧，一路反转到周日素颜泡面退吊牌，剧情直接拉满。

3. Three.js 零延迟纯前端交互
千万别在前端直接调 video.currentTime，几十毫秒的解码延迟会让拖拽跟手感极其稀烂。
把 360 视频抽成 123 帧图片塞进 Three.js 纹理，自写着色器做了机械罗盘指针与印刷网点：鼠标拖哪格，哪格里的建筑和人就 360° 实时转动，点哪格镜头直接平滑飞入放大！

玩法极简（实在懒得搞，把这篇直接丢给你的 Agent）：
1. 出图时把主体放进带建筑的大场景。
2. 丢给 MiniMax H3 + ORB360 LoRA 跑 123 帧环绕视频
3. 抽成序列帧扔进 Three.js 模板，浏览器即开即玩

这样就可以愉快的玩耍了！

⏰ 13:18 | ❤️ 81点赞 | 📝 326字 | 查看原文 →

↑ 返回顶部