monet_shayu (@monetshark) header
monet_shayu (@monetshark) profile picture

research engineer. background in architect and GIS.

Tokyo-to, Japan
Joined February 2015
Photo by monet_shayu (@monetshark)Photo by monet_shayu (@monetshark)Photo by monet_shayu (@monetshark)Photo by monet_shayu (@monetshark)Photo by monet_shayu (@monetshark)
monet_shayu retweeted
啊,我说andrej karpathy从哪获取的HackerNews数据开发的HackerTube。 原来 Huggingface 上能直接可以下载 12G 的数据。 刚看到有人做了HackerBooks 网站。 有了这个数据集,可以玩的东西很多啊! 数据下载地址见评论区
100
54
13
386
50,729
看完这部 1 小时 20 分钟的纪录片《How North Korean Hackers Are Stealing Billions》,才会意识到:Lazarus 不是一群普通黑客,而是一套高度组织化、具有国家背景的网络犯罪体系。 纪录片从朝鲜如何培养网络人才讲起,梳理了这支队伍的演变: 从 2014 年索尼影业攻击,到 2016 年孟加拉国央行 SWIFT 劫案,再到 2017 年 WannaCry 勒索病毒,随后逐渐将攻击目标转向加密货币行业。 Coincheck、Ronin、WazirX、Bybit……一次次攻击背后,是越来越成熟的入侵、盗币和洗钱链条。 最值得警惕的是,这不是一次性的黑客行动,而是一套长期运转的产业化体系:有人负责攻击,有人负责转移资产,有人负责洗钱。 对于加密行业来说,我们面对的可能不只是某个黑客组织,而是一个拥有持续人才供给、资金需求和组织资源的国家级对手。 推荐看一下这部纪录片。它能帮助我们理解,为什么加密行业的安全威胁远比想象中复杂。
想了解臭名昭著的朝鲜黑客组织 Lazarus,可以看看 Cipher 拍的纪录片《How North Korean Hackers Are Stealing Billions》。 Cipher 专做犯罪和地缘政治题材,看他们的纪录片跟追剧一样。这部片长 1 小时 20 分钟,把这支朝鲜国家队从头到尾讲透了。 Lazarus 可不是普通黑客,它是朝鲜国家养的「犯罪企业」。大多数黑客都是从小被选中的数学天才,每天工作 15 到 20 小时。Lazarus 的 KPI 只有一个:给政权搞钱,大头流向核武。 片子从朝鲜战争、主体思想和饥荒讲起,先讲清楚这个国家为什么会养出这么一支队伍。 然后按时间线一路往下: ① 1980–2000 年代伪造超级美元; ② 2014 年黑索尼影业,起因是那部《刺杀金正恩》; ③ 2016 年孟加拉国央行 SWIFT 劫案卷走 8100 万美元,还让打印机打不出转账记录,好拖延被发现的时间; ④ 2017 年的 WannaCry,用的是泄露出来的 NSA 漏洞「永恒之蓝」,波及约 150 个国家、20 多万台电脑; ⑤ 转战加密:Coincheck、Ronin (Axie)、WazirX,2025 年 Bybit 被盗 15 亿美元,再到现在 2026 年的币安。 ------ 币圈钱多、盗完还有机会全身而退,Lazarus 只会一直盯着挖漏洞。行业是时候团结起来了,我们面对的是一整个国家机器。
6
12
3
46
8,188
monet_shayu retweeted
继昨天 Karpathy 用 Opus5.5 花两个小时开发 HackerTube 以后,有人又做了 HackerBooks hackerbooks.org/ 从 HackerNews 的发帖中抽出 1万5多千本书来,只有两个人提到过的才算在里面,我觉得这个书库是一个很好的资源库,排名前几的都是大著作:《The Art of Computer Programming》以及 《GEB》什么的
48
175
22
1,559
72,094
monet_shayu retweeted
Karpathy 周末花了大概两小时,用 Claude 把 HN 二十年 4300 万条评论筛成 6454 个反复被推荐的视频,做了个自己的 YouTube,叫 HackerTube。 一圈看下来,大家的关注点都在转两小时这个事上。 换个视角,看下他在评论区补的信息:先让 Claude 写规则,按链接、正则、去垃圾把量砍下来,剩下的才交给 Sonnet 去判断。 实际效果就是 4300 万条评论没有一股脑扔给最贵的模型能用规则干的先用规则干掉。 我这阵子选模型也是这么算账的,看解决一个任务花多少钱,跑分放后面就可以了。 档位其实也一样,前阵子有人测 GPT-6.1 Terra,同一个模型开最高档和开 high,修掉的 bug 数差了好几倍。 他做这个是因为烦 YouTube 的推荐。我之前把信息源换成开源 RSS,让 AI 先读一遍再推到 Telegram,出发点也一样。 现在搭这种只给自己用的小工具,一个周末就够了。
Weekend hack: HackerTube. I was annoyed with YouTube's recommendations so I had Claude filter down 43M comments over 20 years of HN to 6,454 videos that keep being recommended. *Significantly* better viewing experience, ~2 hours with Opus 5.5: hackertube.org/ - Excellent recs without any logins (state is kept in local browser session) - Thumbnail is a representative frame from middle of the video instead of the super duper A/B test hyper-optimized user uploads - Underlying data from the comment analysis as one zip file, point your Claude at it and ask for your own version - HackerTube Longs ✊ A bit more on the process: I use Claude Code (desktop app for Mac), Opus 5.5 on Medium effort as my default. I only talk to Claude and have it do everything, the only "manual work" I helped with in tandem was in the browser (reminiscent of MenuGen): 1) I had to create some kind of API key from Google Cloud UI to query YouTube for video metadata, 2) I booted up a VPS box for serving and 3) I bought the domain name. Once the box was up I gave Claude the IP and told it update, secure, harden, deploy and optimize the code, and it did the whole thing. Many awesome projects that would have normally taken weeks/months even can now be few-shotted for breakfast. What else are we not thinking of.
14
4
17
3,764
monet_shayu retweeted
近几天最值得看的论文,把预训练、中间训练和后训练用一个算法统一起来了的架构!!!
Foundation models are trained in stages: pretraining, midtraining, and post-training. But is this separation fundamental? We introduce unified training: a single algorithm for the full pipeline. This gives ⚙️ Simpler infrastructure 🔬 A framework for better science (1/n)
8
22
102
7,734
monet_shayu retweeted
Karpathy 刚刚示范了什么是真正的个人超级生产力, 一个人加一个 Opus 5.5,两个小时内把四千三百万条讨论数据洗完,并且直接从零搓出一个完整上线的视频平台,真他喵牛逼,不愧是卡神!! 而且未来的全栈开发到底长什么样?我觉得卡神已经给我们做了示范,这就是版本答案,不接受反驳hh, 背景是深度学习教育之神、Software 2.0 教父 Karpathy 嫌 YouTube 的算法推荐全是垃圾标题党,周末花了两个小时,让 Claude 扫完 Hacker News 二十年来四千三百万条讨论,搓出了一个专门看硬核长视频的网站 HackerTube。 整个产品没有任何登录门槛,连封面图都极其反直觉,它不要创作者精心诱导点击的浮夸封面,而是直接强制抓取视频正中间的那一帧画面。 二十年里极客社区反复筛选留下的六千四百多个硬核视频,全被提取成了纯粹的高密度长内容,这他喵的简直就是AI学习的宝藏啊卧槽, 但比这个网站更好用的是他的开发全流程, 整个过程他只在浏览器里做了三件杂事, 去谷歌云申请了一个 YouTube 的接口密钥, 租了一台服务器,买了个域名, 服务器开机之后,他把 IP 地址直接丢给 Claude, 说了一句去部署、加固安全并优化代码, AI 就把剩下的所有活全干完了。 以前一个需要工程师团队折腾几个星期甚至几个月的完整上线项目, 现在一个人在早餐时间靠几句对话就能全部搞定, AI已经不再是写代码的辅助工具了,完全就是把个人的想法直接编译成可用服务的最小生产力闭环,damn,真的牛逼, 原项目的体验地址、开源数据包和部署工作流整理在一楼,需要自取👇
Weekend hack: HackerTube. I was annoyed with YouTube's recommendations so I had Claude filter down 43M comments over 20 years of HN to 6,454 videos that keep being recommended. *Significantly* better viewing experience, ~2 hours with Opus 5.5: hackertube.org/ - Excellent recs without any logins (state is kept in local browser session) - Thumbnail is a representative frame from middle of the video instead of the super duper A/B test hyper-optimized user uploads - Underlying data from the comment analysis as one zip file, point your Claude at it and ask for your own version - HackerTube Longs ✊ A bit more on the process: I use Claude Code (desktop app for Mac), Opus 5.5 on Medium effort as my default. I only talk to Claude and have it do everything, the only "manual work" I helped with in tandem was in the browser (reminiscent of MenuGen): 1) I had to create some kind of API key from Google Cloud UI to query YouTube for video metadata, 2) I booted up a VPS box for serving and 3) I bought the domain name. Once the box was up I gave Claude the IP and told it update, secure, harden, deploy and optimize the code, and it did the whole thing. Many awesome projects that would have normally taken weeks/months even can now be few-shotted for breakfast. What else are we not thinking of.
29
49
1
305
47,317
monet_shayu retweeted
xuchonglang.com/tutorials/li… 分享一下我觉得李录最值得看的两个视频之一,我给他用ai转成逐字稿了,方便想好好做投资的人学习,建议做价值投资的研究一下,如果你是一个投机型赌狗,那就不用研究了。 做投机的,不如快速研究一波ig vs tes谁能赢,这个很短平快。
19
74
4
364
31,403
monet_shayu retweeted
斯坦福大学课程 CS329A Self-Improving AI Agents @achowdhery @Azaliamirh 两位老师主讲,以 "一线经验 + 论文精读" 为骨架,以 "造一个能自我改进的智能体" 为课程目标,Youtube 已收录全部 9 节课程。 还没学过这个课程的朋友,可以先看看我做的这个演示视频,强烈推荐大家系统学习原课程视频,虽然花一些时间,但沉下心来系统学习思考,很有收获! 另外也欢迎朋友们对这个演示视频的制作多提宝贵意见,最近在磨一套演示视频的 Skills,想用于课程、开源项目、产品发布、文章等的快速表达演示。等我自己磨满意了会发布出来。 课程主页:cs329a.stanford.edu 课程视频:youtube.com/playlist?list=PL…
斯坦福大学把 CS329A Self-Improving AI Agents 视频都公布到 Youtube 了。 两位主讲老师做过 PaLM、Gemini、Claude。9 讲讲透一个循环: 采样 → 验证 → 筛选 → 训练 → 更强的模型 想知道为什么 coding agent 最新普及,写作却不行? 完整解读 👇
16
46
1
214
11,760
monet_shayu retweeted
梁圣牛逼,全体起立,DeepSeek 刚发布的这篇1.4 万字的Super-agent 技术长文强烈推荐,喵的终于把 Agent 最大的遮羞布扯下来了: 做不好往往不是模型不够强,而是人根本管不过来。 甚至说推翻了以对话框为中心的旧范式都不为过,核心就做了一件事:把人从管理会话的苦力活里彻底解脱出来。 很多人以为 Agent 落地的瓶颈在模型能力,DeepSeek 在文章里指出了真相:真正的瓶颈在人的注意力。 也就是说当单任务执行不再需要人盯,以一个对话框为基本单位的旧产品形态该被淘汰了。 大家默认以为大模型落地的最大阻碍是推理能力不够强,全网都在拼命卷参数、刷跑分,试图靠单个对话框包办一切。 但真正的分水岭从来不在单点智力,而在系统对人类注意力的极致释放。 一个正常人同时最多只能跟进 3 到 5 个活跃会话,如果系统永远把切窗口、催进度、理上下文的负担甩给用户,算力再高也只是个把人累死的玩具。 DeepSeek 给出的解法极其冷峻:彻底打碎单会话机制,搭一套长期存活的 Super-agent 架构。 前端常驻一个轻量 Router 只管对接多渠道派活,中间派生出上下文完全隔离的 Worker 专攻单点任务,老任务后续事件靠订阅直通直达负责人,再配上一个独立的 Watchdog 巡检死循环。 任务完成时间直接从单会话的 29.5 分钟压到 12.4 分钟,聊天软件里的回复甚至被焊死在 100 字以内,不该发声时绝不打扰。 这对所有做 AI 落地和业务管理的团队是一个极度清醒的提醒:未来的核心壁垒不在于模型多会答题,而在于谁能把混乱的会话调度降维成一条不用人肉盯梢的自愈流水线。
74
169
15
895
134,572
monet_shayu retweeted
这个项目很屌,但你别把自己玩进去了,举个栗子: 之前朋友圈有个人卖视频去水印工具,卖了五位数吧,被人搞了进去蹲了一年。
Mika 开源不到 60 小时,GitHub 突破 3000 Star,推特账号也涨到15000粉,感谢每一位支持的朋友。 从0到3000star,项目的火爆程度远超我的预期,每个 star、每条评论,每个 issue 和 PR,都在帮助 Mika 变得更好。 Mika 是跑在你安卓手机上的 AI 助理。 一句话交给它,或者在任何地方唤起它,它在后台独立屏幕里操控 App、上网、跑脚本,你继续正常用手机,互不干扰。 不用 Root、不用电脑、复用你现有登录态。 目前已经支持的功能有: 随时随地,唤起 Mika,然后发送任务。 MCP 支持,现在你能在你电脑或者任何支持 MCP 的产品里面随便调用 Mika。 自学习和知识库,越用越了解里,干活越快越稳。 …… 还有很多功能正在飞速赶来的路上,感谢大家在群里、GitHub、推特上持续反馈问题和提交修复。 接下来还会继续打磨稳定性、任务完成度、更多机型适配和体验细节。 欢迎下载体验、提 Issue、提 PR,或者直接转发分享。一起把 Mika 做成最好的 AI 助理。 Mika:github.com/wangzan101/mika 再次感谢🙏
36
4
2
121
36,470
monet_shayu retweeted
已经有黑客组织开出天价,想把开源大模型训练成专业的网络攻击工具了。 安全研究者 Jun Song 爆料,昨天有一个匿名黑帽黑客组织找到他,希望他使用海量真实攻击数据,对开源权重模型进行强化学习后训练(RL)。 对方声称掌握的攻击数据规模极其惊人,Jun Song 甚至怀疑这会不会是 FBI 伪装成黑客组织进行的卧底行动。 更吓人的是,他此前参与过一个白帽安全项目,使用 GLM-5.3 和不到对方声称数据量 1% 的训练数据,就已经在相关任务上取得了远超前沿模型的效果。当然,这是他个人的说法,目前还没有公开的独立验证。 Jun Song 拒绝了这笔交易,但他最担心的一点是:总会有人愿意接下这笔钱。 过去大家讨论 AI 网络安全,更多关注模型会不会被越狱、会不会协助黑客编写攻击代码。现在,黑客已经开始尝试直接购买模型训练能力,用自己的攻击数据定向强化开源模型。 一旦这条路走通,网络攻击能力的扩散速度可能会远远超过防御体系的更新速度。
Yesterday, an anonymous black hat group reached out with an insane RL request. They offered an astronomical amount of money to post-train open-weight models on exploit data. The amount of attack data they claim to hold is unlike anything I have ever seen. If someone told me this was an undercover FBI dataset, I would have believed it. For context, a white-hat project I worked on using GLM-5.3 used less than one percent of that volume, and it already outperformed frontier models by a huge margin. Of course, I turned it down. But what genuinely scares me is knowing someone else will eventually take the deal.
11
26
4
301
50,485
monet_shayu retweeted
大神karpathy 公开了自己现在怎么用 AI 写代码 karpathy 最近花了大约 2 小时做了个小项目 HackerTube,把 Hacker News 上被推荐过的 YouTube 视频整理成了一个合集。他在博客里顺带公开了自己的配置和工作方式 : 1. 不再读写代码,也不在终端里跑命令,所有事都在对话里交给 Claude。 2. 工具是 Claude Code 的 Mac 桌面 app,不用终端界面。 3. 模型默认用 Opus 5.5,effort 只开 Medium,不追求最高档。 4. 只做 AI 做不了的事:在 Google Cloud 后台建 API key、开一台 VPS、买域名,而且都是趁 Claude 干活的间隙做的。 5. 服务器开好后,把 IP 交给 Claude,让它自己完成更新、部署、安全加固和优化。 原文链接 karpathy.bearblog.dev/hacker…
Andrej Karpathy’s setup from his HackerTube blog today: - “I use Claude Code (desktop app for Mac).” As I’ve been saying, terminal is the wrong interface for coding agents. Desktop apps are the best interface today. - “I use Opus 5.5 on Medium effort as my default.” There’s no point to use the smartest model at the highest reasoning effort for most tasks.
28
64
5
350
43,983
monet_shayu retweeted
二虎是我近几年看到最聪明成长最快的人之一,进对公司,做对业务,勤于思考,善于总结,之后一个华丽的转身,进入到另外一家飞速成长的公司,随着公司发展和成长,自身能力、认知、收入也在快速提升。
Hello,我是二虎🐯,也可以叫我 Will。 2021 年毕业后一直在创业公司做 SaaS 出海。做过 3 年产品经理,现在在 Manus 负责广告和 SEO,也兼职干点商业化产品经理的活。 3 年前立的 flag 还在:希望自己能在 AI 这件事上热爱 10 年。 重新介绍一下自己。先聊聊我现在最关心的 Agent、广告和 SEO,再讲这些想法是怎么一路长出来的。 01 / Agent:我的新职业,可能是制造员和驾驶者 我越来越相信:以后一个负责经营和增长的组织里,Agent 的数量会比人多。 我想象中的样子是:投放调价、SEO 维护、素材分析、数据监控、竞品追踪,每一件重复的事都有 Agent 在跑。人不多,但每个人身后都带着一队 Agent。 这几年,我已经习惯把竞品研究、公开数据收集、广告素材和 SEO 页面分析先交给自己的 Agent 跑一遍。以前只能看几个样本,现在能看更多。 按我的体感,以前做增长,花在创新上的时间大概只有 5%;现在倒过来了,95% 的时间都在创新。效果投放里的各种优化、反复改定价页这类工作,正在很快被自动化。 所以,我想象中自己的工作会变成两件事: Agent 制造员:把一件重复的增长工作拆清楚,做成能稳定干活的 Agent。 Agent 驾驶者:决定它往哪跑,看数据判断它跑得对不对,跑偏了自己接管。 这让我想起 3 年前给自己设想的能力模型: • 半吊子的工程师,不分前后端运维 • 出海增长专家,主要是 SEO / SEM • 不专精的产品舵手 • 合格的数据分析师 当时写“半吊子的工程师”“不专精的产品舵手”,多少有点心虚,觉得是自己没进过大厂、不够专精。 现在回头看,什么都会一点、能自己把一件事从头做完,可能正在变成 AI 时代每个人的标配。近一年,我也是第一次开始自己往线上提交代码。 那四个能力没有过时,只是换了个用法:工程和产品用来制造 Agent,增长经验和算账能力用来驾驶 Agent。但很多过去的打法,确实要重新学。 Agent 再多,人也不会没用。数据抓回来,不等于结论就是对的。问题怎么问、结果怎么核对、最后要不要做,还是得人来定。 这套能力模型,也正在改变我做广告和 SEO 的方式。 02 / 广告投放:我越来越觉得,它本质上是信号学 我理解的广告,有两套系统要打通: 系统 1:把产品能力翻译成市场容易看懂的广告素材,让用户明白它能帮自己做什么。 系统 2:把商业化结果翻译成广告系统容易理解的信号,保证信号的密集度和准确度,让系统知道什么样的用户值得继续找。 广告不能只看前端的点击和注册,还得看这批用户进产品后有没有留下来、有没有付费、多久能回本。 最早写这篇自我介绍时,还是“最近接手了相当多的 SEM 工作”。现在已经是 Google / Meta / TikTok 几个渠道一起投了。 目前正在跟团队一起打磨这两套系统。 03 / SEO:它是基础盘,但未必是以后让你赢的理由 SEO 一直是我比较擅长的方向,尤其是 SaaS 工具类产品。 我现在的看法是:它还是得做,是增长的基础盘。但大家找信息的习惯正在被 AI 改变,它以后大概率不再是让你赢的那个理由。 所以更适合交给一个人 + 一个 Agent 稳稳维护,把人省出来去做新东西。 这个想法,是从过去做 SEO 的经历里慢慢长出来的。 之前给 3 个网站做过程序化海量页面,大多拿到了很大的流量。但我一直不觉得,页面多、流量大,就等于增长成功。 在 Monica,接手时 SEO 月流量不到 10 万。技术基础有不少问题,做页面也很依赖多人协作。 后来跟团队一起,先修技术问题,再挑真正有需求的工具和页面,最后把页面生产改成低代码系统。 大概 8 个月,月流量最高做到了约 400 万。 到了 Manus,SEO 已经是一套不需要我天天盯着的维护体系。现在 Ahrefs 上的自然流量估算约 100 万,由一个人 + 一个 Agent 打理。 这是我前面说的“每个人身后都有 Agent”的一个小例子。我们团队正在往这个方向猛冲。 这里面有很多关于地区、设备和具体需求的 insight,欢迎找我讨论。 04 / 商业化:不管从哪个渠道来,最后都要回到经营的账本 无论广告还是 SEO,找来用户都只是开始。做过商业化之后,我看增长的方式也变了。 在 Monica 的 15 个月里,除了流量,也跟团队一起做了 onboarding、定价、退款和渠道。同一阶段,日收入翻了好几倍。还做过 Affiliate 渠道,做到了整体收入的 10%–15%。 再看一个增长项目,会多问几句:找来的是什么用户?为什么愿意付费?付费后有没有继续用?获客的钱多久能收回来? 也停掉过看起来很热闹、但 ROI 算不过来的项目。 现在还是喜欢搞野路子,但最后要能回到经营的账本上。 05 / 产品:能把人找来,不等于能让人留下来 账能算过来,也不代表产品就做好了。 快速做一个满足基础需求的 MVP,再通过用户反馈慢慢把它做大,还是我比较擅长的事情。 短板也还在:没体验过花一个月只做一个功能版本,对单个需求想得不够深。 这几年一直在对用户体验要求很高的团队里,每天都在补这一块。能把人找来是一件事,让人真的用起来、持续用下去,是另一件事。还在练。 而且我觉得这块短板以后更值得补:功能会越来越容易被做出来,用户愿意留下来,更多是因为喜欢这个产品,也信得过背后的团队。 06 / 往回看:这些想法,是从野路子里长出来的 简单过一下经历: • 大学时,在一家互联网小厂做过半年产品实习。 • 2021 年毕业后加入广大大(SocialPeta),做产品经理,从这里开始做出海。 • 2023 年底加入 Monica,继续做产品经理。 • 2024 年上半年转去负责产品自然流量增长,主要是 SEO;年中开始接触海外广告投放。 • Manus 发布后,开始负责它的广告(Google / Meta / TikTok)和 SEO,也做一些商业化产品工作。 刚进入出海时,完全是野路子玩家。不知道怎么系统性地做增长,也没搭好增长的数据体系。 但跟团队一起,依靠插件市场内的自然流量,做过超过 40 万用户的产品矩阵,没花一分钱买量,也没借助 SEO、SEM 或红人。 到现在还是很佩服当时在广大大的团队,硬生生挖出了一条行之有效的野路子。 这一路都是创业公司,做产品和找用户很难分开。我慢慢养成了一个习惯:从第一天就想用户从哪来、为什么愿意付费、这件事能不能持续经营,把自己当成产品的 CEO。 —— 从这些经历走到现在,我还有一个越来越强的感受:增长正在变成一个信任问题。 Agent 能复制,打法也能复制,但用户信不信一个团队,没法直接复制。 我觉得以后,人会花更多时间在“被信任”这件事上:把真实的经历、判断,甚至踩过的坑公开讲出来。这也是我开始在社交媒体上认真写东西的原因。 我也先拿自己试: Will + Agent = Wigent。 想把自己的经验、判断和工作方式,慢慢沉淀成一个能跟着我一起长的个人知识分身。我注册了 wigent.ai 这个域名,网站先搭好了,分身还在慢慢造。 会在这里慢慢写下我在出海 AI 里的实践:Agent、广告投放、SEO、商业化经营,还有产品思考。 还是喜欢跟真正动手做事的人交朋友。我超级 E 人,不用担心和我聊天会尴尬。 如果你也在做 AI / 出海 SaaS / 增长,或者也在用 Agent 做增长和经营,特别想认识你。
2
15
133
27,283
想了解臭名昭著的朝鲜黑客组织 Lazarus,可以看看 Cipher 拍的纪录片《How North Korean Hackers Are Stealing Billions》。 Cipher 专做犯罪和地缘政治题材,看他们的纪录片跟追剧一样。这部片长 1 小时 20 分钟,把这支朝鲜国家队从头到尾讲透了。 Lazarus 可不是普通黑客,它是朝鲜国家养的「犯罪企业」。大多数黑客都是从小被选中的数学天才,每天工作 15 到 20 小时。Lazarus 的 KPI 只有一个:给政权搞钱,大头流向核武。 片子从朝鲜战争、主体思想和饥荒讲起,先讲清楚这个国家为什么会养出这么一支队伍。 然后按时间线一路往下: ① 1980–2000 年代伪造超级美元; ② 2014 年黑索尼影业,起因是那部《刺杀金正恩》; ③ 2016 年孟加拉国央行 SWIFT 劫案卷走 8100 万美元,还让打印机打不出转账记录,好拖延被发现的时间; ④ 2017 年的 WannaCry,用的是泄露出来的 NSA 漏洞「永恒之蓝」,波及约 150 个国家、20 多万台电脑; ⑤ 转战加密:Coincheck、Ronin (Axie)、WazirX,2025 年 Bybit 被盗 15 亿美元,再到现在 2026 年的币安。 ------ 币圈钱多、盗完还有机会全身而退,Lazarus 只会一直盯着挖漏洞。行业是时候团结起来了,我们面对的是一整个国家机器。
88
903
56
3,604
219,123
monet_shayu retweeted
周末开始完整学习「2026 AI Agent 企业解决方案及落地实践手册」 这份腾讯、腾讯云和 WorkBuddy 联合发布的 78 页手册,今天先从第一章「AI 整体解决方案」开始! 第一章把腾讯云 Agent 叙事收成一条链:WorkBuddy 当办公入口与数字员工 → ClawPro 做开通与统一管控 → Agent Runtime 做沙箱与治理底座 → TokenHub 做统一模型入口;价值主张是组织产能从「人协同」转向「人定目标 + 数字员工交付」。 全景图 个人侧 LightClaw / QClaw,办公侧 WorkBuddy,研发 CodeBuddy,企业应用 ADP×ClawPro,知识乐享、营销企点、数据 Data Agent;底下是 TokenHub(混元+第三方)、Agent Runtime(执行引擎 / 云沙箱 / 记忆 / 网关 / 可观测),再配安全中心、网关、iOA 等。SkillHub 自称 25000+ 生态开源 Skills。主线是「超级个人 → 超级团队」。 WorkBuddy:三阶段与「三代办公」 · 能对话(问答工具,如 ChatGPT / DeepSeek)→ 能干活(办公助手,嵌工作流、调工具)→ 能上岗(数字员工:进业务系统、改数据、对结果与 KPI 负责)。 · 办公范式:人操作软件 → 人在协同平台催办填报 → 人给目标、设边界、做判断;数字员工理解上下文、调工具、持续执行并交付完成的工作。 · 文中强调:系统越复杂、流程越密,越是数字员工主战场;WorkBuddy 被定位成连接工具、岗位与企业资产的「企业 AI 工作台」。 ClawPro:管控台 面向企业 IT:员工一键开通、任意 Agent(开源 / 自研 / 自定义)接入、多层安全(看·审·管·扫)、多 IM(微信 / QQ / 企微 / 飞书 / 钉钉等)、分组与 Token/Agent 配额、Claw Team 多 Agent 编排、私有 Skill 库。能力拼装含 IM、Skill、IAM、Mem、Cost、Net、轻量同构等。 Agent Runtime 以 Agent 为第一视角的基础设施:治理平台层 + 七大原子能力(Sandbox、Wall、Gateway、Identity、Observability、Skills、Memory 等)。沙箱隔离、出站/入站、零信任与凭证托管轮转、模型与工具网关审计、全链路可观测。服务对象含大模型厂商、Agent 服务商与行业企业。 TokenHub 统一大模型入口:混元 + 第三方,覆盖对话、推理、代码、视觉、图/视频等;按量、保障型资源、专属部署。对 WorkBuddy、Claude Code、Cursor、Cline、OpenClaw 等强调 同一 Base URL + API Key,兼容 OpenAI / Anthropic 双协议;个人套餐 / 在线推理 / 企业配额池分账。
腾讯、腾讯云和 WorkBuddy 联合发布了一份 78 页的「2026 AI Agent 企业解决方案及落地实践手册」 整份材料用同一条产品叙事串起来:先用 WorkBuddy 把个人助手推成进业务系统的「数字员工」,再用 ClawPro、Agent Runtime、TokenHub 做开通、隔离、模型与治理;其余章节是这条底座在研发运维、SaaS、内容、社交、游戏、客服上的行业铺开。 总框架:三阶段 × 三代办公 · 能对话 → 能干活 → 能上岗:问答工具(文中举例 ChatGPT / DeepSeek)→ 嵌工作流、调工具的办公助手(WorkBuddy)→ 进入业务系统、对结果负责、按 KPI 交付的数字员工(Agent 工作台 + 业务系统集成)。 · 三代办公:人操作软件(Office)→ 人在协同平台里催办填报 → 人给目标、设边界、做判断,数字员工理解上下文、调工具、持续执行并交付完成的工作。 · 「超级个人 → 超级团队」:个人侧 LightClaw / QClaw 等,企业侧以 WorkBuddy 为入口,把人、Skill、连接器和管控面收成可复制的执行力。文中还区分狭义办公(个人生产力入口)与广义办公(真正改 CRM / ERP / MES 里的业务状态)。 手册中也对 WorkBuddy、CodeBuddy、ClawPro、ADP、SkillHub 等在企业中的定位做了详细解释和区分。 企业内部提效(方案册第 2 块) · WorkBuddy:用「业务大脑」拼全局判断;举例经鼎捷 MCP 操作真实 CRM/ERP/MES,强调联调验的是改状态而不只是能回答。上岗配置、财务/销售/交期等「以前 → 用了」对照页很多。安全侧自称工信部首批、信通院云端智能体基线首批、个保影响评估「二星级+」等。 · CodeBuddy:从 AI 辅助到 AI 原生;规约(SPEC)显性化;需求—编码—QA—交付链路由 Agent 打底、人审验收。 · 游戏研发 / 运营:策划与原型走 WorkBuddy,研发联调走 CodeBuddy;运营侧 DataBuddy 等数据 Agent。文称策划周期、Demo 周期明显缩短(具体倍数为自述)。 · SRE / 数据库:WorkBuddy × CloudQ 做故障定位;DatabaseClaw 称积累十万级工单经验、1600+ OpenAPI、十余款库、分级处置。 · 案例名:盛和、淘米(内容效率近 80%、覆盖约 80% 员工)、游族(47 模型、Agent 渗透率超 75%,并挂海外收入/毛利率变化)、游卡(MTTR 5–15 分钟、运维成本约 -40%)、搜狐畅游(P0 恢复缩短、重复运维 -70% 等)、花椒、紫龙、马帮等。 业务创新的几个章节 · SaaS Agent:订阅 → Credits → 按结果付费;界面操作走向 Skill/API。点名明略、熵简、慧算账、富通 JoinfClaw、蓝色光标、六度人和、光魔、天财商龙等。 · 内容生产:营销图视频、游戏美术(Miora / Ardot 等);2D 序列帧等效率对比为文中自述。筷子、LiblibAI、必凡、玩心不止、紫讯、小影、懂球帝等。 · 社交陪伴 / 游戏内 AI / 客服:TokenHub + 音视频与语音链路;NPC 记忆与任务;客服/质检/外呼(天润融通、轻喜到家、智齿等)。延迟与解决率数字均为文中宣称。 · 生态共建:Buddy 应用、专家、Skill、连接器、硬件;自称桌面办公智能体头部、千万级安装、十万级生态资产、百余伙伴(文中自述);智慧芽、蜜度、MasterGo 等出现在伙伴页。 完整报告,可以私信我获取(不是刻意引流哈,是因为没找到免费可公开访问的 PDF 地址,是一个付费下载地址,私信或留言我可以把 PDF 发给你)
34
25
3
131
9,103
monet_shayu retweeted
我越来越觉得,教材一定要让 AI 重新做一遍了! 又发现一个非常棒的开源项目:Teachable Figures。 它把 AI Agent 变成了一个交互式课程设计师,可以生成漂亮的 2D、3D 教学场景。 比如: Transformer 的注意力机制,直接看数据怎么流动。 火箭为什么能起飞,自己调整参数观察变化。 齿轮怎么传动,拆开结构看个明白。 人体解剖,旋转模型观察内部结构。 最有意思的是,它更符合学习的规律。不只是让你看动画,而是让你先预测、再动手、观察结果,最后理解背后的原理。 支持中英文,还能离线运行。 以前我们是看着教材理解知识,以后可能是直接走进知识里。
I open-sourced Teachable Figures, a skill for AI agents to create beautiful, interactive 2D and 3D lessons. Try it here: github.com/ywEdAi/teachable-… It started with something I wanted for my own learning. I was studying AI model architectures and AI infrastructure. While reading about systems like SGLang, I kept wanting to see what was happening. Where does the data go? How do the components work together? What changes when I adjust one part of the system? My first version was a skill to help me understand SGLang through visual, interactive explanations. Then I discovered Anatomy and iso-figure. Their work on mechanical structures, cutaways, exploded views, and functional isometric objects gave me ideas for how much further this could go. I combined their rendering approaches with my teaching workflow. That became Teachable Figures. One question kept coming up as I built it: What kind of representation would help someone understand this particular idea? - For a Transformer, I want to follow the data through the computation and see how a causal mask changes attention weights. - For anatomy, I want to rotate a structure, look inside it, and understand where things sit relative to one another. - For a mechanical assembly, I want to separate the components and inspect their connections. - For historical clothing, I want to understand the overlapping panels, construction, and folds. Each asks for a different way of showing things. I also ran into this during iteration. A rotating model still needs a recognizable shape. A garment needs folds that communicate its construction. Choosing the right renderer and source material became part of the teaching workflow. Learning science helped me think through those choices. - Dual coding encouraged me to connect verbal and visual explanations. - Spatial and temporal contiguity shaped where explanations appear and how they stay synchronized with changes. - Cognitive load shaped what to reveal first and what to leave for later. The interaction follows a simple learning sequence: Predict → try → observe → explain → apply it to a new situation. Does adding another gear always make the output slower? If a cone’s cross-sectional radius doubles, what happens to its area? Does a rocket lift off whenever its engine produces thrust? I want learners to make a prediction, change something, and have a result they can reason about. The current demos explore Transformer attention, chest anatomy, rocket structure and flight, cone cross-sections, a Ming-dynasty robe, and gear ratios. They support Chinese and English and can run offline. My hope is to make this a tool I can reach for whenever I encounter something I want to understand, and let an AI agent help me build a small, beautiful lesson around it. The video shows a few examples. Try the demos: ywedai.github.io/teachable-f… Code and installation: github.com/ywEdAi/teachable-… Thanks to the creators of Anatomy and iso-figure for the work this builds on. If you try it, I’d love to hear what you’re learning and where the explanation falls short. Stars and contributions are welcome!
14
69
1
373
18,038
monet_shayu retweeted
好多同学好像最感兴趣如何做到AI语音这么低延迟的, 讲一下关键思路, 其实还是软件工程的老一套. 没啥魔法, 我说一下大家就能立刻学会: 降低延迟3个思路, 一个是固定一下常用语音, 比如我录屏里AI经常说"右侧有敌人", 这个完全就可以先把生成好的语音录下来, 然后遇敌触发的时候直接播放语音, 都不用调用大模型重新生成. 另一个是缓存, AI 每次对话完毕后可以给它实时生成的语音缓存下来, 下次一旦说了同样的话, 直接用hash播放本地缓存. 这样即省语音合成API的钱, 也速度快. 还可以手动给AI做MTP, 比如: 现在的游戏情况是blablabla, 现在需要做出的决策是: 1, 进攻, 2, 躲避, 3, 开箱子......, 如果在上述情况, 请输出{"decision":n}. 否则请使用标准模板进行回复 然后利用大模型prefill速度快但decode速度慢的机制, 让它只吐非常少的 token, 这样能做到最快2秒左右就吐字. 然后程序立刻根据 {"decision":n} 随机出来一条缓存的符合情况的语音. 这样实时效果就非常好. 最后以上都不行怎么办? 利用人类的注意力缺陷, 人不太适应跟多个人说话, 所以我这里有个小设计, 当上面的加速规则都没办法命中, 进入兜底流程, 真的让kimi开始生成文本, 然后再走语音合成了. 那么这时候会给kimi 一个2s的超时, 它没回复立刻就让另外一个AI队友先聊一句无关痛痒的, 这时候你的注意力就会被拉开. 等到AI大概5s左右回复了也会觉得还行这个AI队友可能忙着舔包呢. 上面这几个流程加起来, 还要有个时效性FIFO队列, 我设计的队列深度是5, 也就是说, 会积累5条语音按顺序播放, 防止AI抢话或者同事说话. 然后一旦超过队列深度, 立刻淘汰头部的三条. 因为这种情况多半是已经在打架了, 快速获得最新的信息反而是正确的. 上面就是整体的思路啦. 是不是没啥难的嘿嘿.
给大家带来Kimi-K3.1-Pro 实测! 直接说结论, K3.1-Pro保持了一直以来的高质量前端水平. 无论是审美还是空间理解, 3D建模, 光影特效等能力都非常在线. 可以说想写炫酷的页面或者3D演示, 这就是国模最佳选择了. 另外 Agent 能力这次也有提升, 最大的特性就是可以十分清晰的知道自己在 Agent 系统中的目标, 排除干扰项推进任务. 而本次表现最差的反而是之前很强的后端 Agentic Coding 能力. 最大的问题是它在难以获得信息的情况下, 判断过于悲观, 给自己设置了一个很小的超时, 被迫使用了性能差但是对超时友好的算法. 结果导致分数没有跑赢上一代 K3. 这里我给到的使用建议是, 它本身并不是不能写, 而是会预设状态, 所以在后端编程过程中, 最好先写 Plan, 再开始编码, 尽量减少信息差, 才能让它发挥实力. #k31pro #kimik31 #kimik31pro #AgenticCoding #AIAgent
13
11
1
150
14,475
今晚和十几位顶流AI博主交流现状,总结出 10 条经验,起码少走几年弯路。 1. 从发第一篇内容起,就必须设计好“公域引流公众号、再沉淀到私域”的漏斗,纯靠单篇商单广告抗风险能力极差,把私域做成多级火箭(低客单社群+高客单训练营或高阶服务),收益能直接放大5到10倍。 2. 现阶段国内最大的流量和变现红利依然在微信生态(尤其是视频号直播和私域),海外则是X(推特)处于极佳红利期,不仅流量好,还能靠蓝V互动稳拿美金流量分成,非常值得同步分发。 3. 刚起步千万别轻易招大团队搞ToB重交付服务,一年收几万块却要贴身服务一整年,毛利连10%都不到,哪怕是月入几十万的大博主,盲目扩张几十人团队去卷重交付项目,半年就能亏光几百万积蓄。 4. 在AI时代,“一人公司(OPC)”依然是活得最滋润、利润率最高的形态,靠自己把内容、商单和轻咨询跑通,远比租大办公室、背负高昂人力社保成本要安全得多。 5. 如果你想做付费社群或卖课,早期冷启动最猛的打法不是自己闷头攒流量,而是拿出70%甚至80%的超高分佣比例,把朋友圈文案和海报做成傻瓜式物料包,让其他有流量的博主直接复制粘贴帮你分销。 6. 不要为了贪图完美去烧最贵的顶配大模型,有人一天跑几百条视频烧掉几万块Token却零产出;内容和带货的本质是“用低成本数量去博爆款概率”,选够用的高性价比模型配合自动化工作流才是正道。 7. 永远紧盯离钱最近、能立刻算清ROI的垂直需求,无论是做工具评测、跨境带货混剪还是教企业用AI提效,只要你的内容或工具能让客户在几天内看到真金白银的回报,他们就愿意付高价。 8. 别在家里闭门造车,一定要挤进高浓度的同行圈子,很多改变命运的10万+选题和变现新玩法,都是在群友互相“内卷”和线下吹水碰撞时被激发出来的,跟对一波新工具的红利,足够让你彻底站稳脚跟。 9. 纯讲硬核技术干货是个伪命题,用户看完白嫖就走,很难产生商业转化;真正能赚到大钱的,是把普通人玩不明白的新工具变成“信息差”,做深度的工具评测、落地场景拆解,这才是目前广告商单最多的方向。 10. 千万别用AI批量洗稿起号,平台算法现在极度排斥纯AI生成的垃圾内容,真正能打穿流量池的10万+爆款,全靠你亲自深度实测后的“人味”手写和独特认知,这部分核心表达连招员工代笔都替代不了。
82
110
35
898
195,289
推荐阅读! Does Scaling Toward AGI Depend on What System-1 Lets System-2 Execute?
Every rollout, reasoning step and tool call is paid for before you know if it helped. Most don’t. We argue the next leap toward AGI comes not from computing more, but from a cheap System-1 that decides what a costly System-2 should compute at all.
3
6
36
5,750
monet_shayu retweeted
我把 200 块/分钟的剪辑师给蒸馏了!! 想做自媒体口播、高级感剪辑的家人们,如果你也像我一样讨厌时间线剪辑,讨厌剪辑软件,那你一定要看看这个视频。 从头到尾没有打开剪映,只有 Agent + Renoise MCP + 我的 talking-head-editor Skill,纯口喷剪辑,成片请欣赏👇
113
92
8
873
263,084