海阔天空 retweeted
上个月在深圳的阿里云通义智能硬件展会上，我站在一个展位前，愣了一下。
因为我看到的，是我们自己的产品。
不是结构相似，也不是灵感雷同。
是我们团队从 0 开始研发、开模、测试、上线的那一款产品本身。
连 logo 都没有去掉。
后来确认，对方是通过正常渠道下单购买了我们的产品，然后把它挂在了自己的展位上。
坦白说，那一瞬间我心里是复杂的。
创业第一年，第一次在公开展会上看到自己的产品出现在另一个品牌的背景板下。
有一点错愕，也有一点不舒服。
我那天回家直接发了一条动态，当时确实带着情绪，想着要怎么应对这件事。
不过回过头重新想了想，
与其让情绪主导叙事，不如把事情讲清楚，不想@谁，也不想撕逼。
干脆直接放图片和证据，
一个叫 Autopia的牌子的展位上挂着我们 ZenStellar产品的手链，连logo都不带去的。
厉害啊。
我们这款产品的研发时间线，其实是完整而公开的，而Autopia这个品牌，我在它创始人的小红书上看到是 2025 年底才开始启动，还说是“8 天手搓 AI 首饰”完成的。
Autopia的创始人据说是国内某头部 AI 媒体的前合伙人。
但是，这个产品从研发到基本完成，我们团队耗时 1 年多,
"8 天手搓" 我不知道是怎么搓出来的。
我们产品的时间线是：
2024 年底启动调研+研发
2025 年1-3 月完成结构设计
2025 年3-5 月进行核心珠单独开模
2025年 5 月上线海外独立站、 TikTok、国内小红书、抖音、微信商城
2025 年 6 月软著、专利、发明已受通
2025 年 10 月上线Kickstarter海外众筹（时间线在网站公开可查）
2025 年 12 月在厦门疗愈展会中参展
2026 年 1 月和某个机构投资人在深圳阿里云通义智能硬件逛展，一起见证了我的产品在别人的展位出现 🤡
从第一版样品到最终量产，我们反复调整模具和内部结构，很多人只看到外观，但真正的工作是在看不到的地方。
是芯片的选型与适配。
是主珠内部结构的空间压缩。
是硬件与平台系统的联动逻辑。
是AI 内容与设备之间的交互机制。
这些东西，不是简单“买回去”就能真正理解的。
所以，当我冷静下来再看这件事情，我意识到——
这其实也是一种市场验证。
当一个产品开始被搬到别人的展位上，说明它至少在某个层面上被认可了。
市场不会为一个没有前景的方向投入关注。
被讨论、被研究、被借用展示，
从某种角度讲，是产品正在被市场验证的过程。
我写这篇文章，并不是为了指责任何个人。
只是想把事实公开，也把自己的立场讲清楚。
并且告诉大家我们家的产品才是原创。
我们会继续做研发，继续做系统优化，同时打造好 IP，做好营销。
真正的竞争，从来不在展位那几天。
而在产品迭代的速度，在技术壁垒的深度，在团队持续投入的能力。
如果有 B 端品牌希望直接与原创研发团队合作，
我们支持完整智能硬件解决方案与 AI 系统定制。
（ODM / OEM / AI 定制）
联系方式：
X直接私信我
或
加官方客服微信：wxid_wzqhlvtuf43b22
这次经历，让我更确定一件事：
方向是对的。
至于行业会怎么发展，
时间会慢慢回答。
海阔天空 retweeted
Coding Agent都出来一年多了，记忆机制都还是如此的垃圾，错过的bug换个窗口一错再错，怒而自己又做了一个。
安装：npm i -g onecontext-ai
OneContext的机制是让Agent 自己管理自己的上下文, 底层靠的是文件系统+Git+图谱，这套机制可以让二流模型直接超越GPT/claude，详细看我的论文发表：
Agentic Reasoning:
aclanthology.org/2025.acl-lo…
Git Context Controller:
arxiv.org/abs/2508.00031
这个context 可以无缝加载到不同 session、不同设备，不同 Codex / Claude Code之间，以context为中心，不以工作路径或者模型为中心。
用法：
1. 在 OneContext 里照常打开 Claude Code 或 Codex，它会自动帮你把历史和上下文组织成一个持续存在的 context layer。
2. 在同一个 context 下开新的 agent，它能自动读到之前所有的历史记录
3. 把这个 context 用链接发给别人，对方可以在完全相同的上下文上继续构建。
海阔天空 retweeted
然后是动态网站录屏生成动态网站测试, 同样这个测试中 OCR 能力非常不错, 网页中的文本都可以还原, 但是文本的动效是没办法还原的, 估计需要针对性训练.
接下来是对象标记测试, 一个有长颈鹿和羚羊的图片, 这个图是我精心挑选的,干扰项很多, 比如右侧的长颈鹿, 两个脖子几乎重叠, 很容易误判, 以及下面的2只羚羊被长颈鹿遮挡, 但还是头尾相接的, 如果模型不能理解哺乳动物身体结构, 就容易误判. 在这个测试中, 长颈鹿完美识别, 但是挡住的羚羊少算了一只. 跟之前的 GLM-4.5V 对比还是有进步的, 之前的测试这个是没办法完成的.
然后是网站还原测试, 不过写传统网站相信大家看腻了, 于是这次增大了测试难度, 直接使用了化学实验的图片, 让 GLM-4.6V 使用 three.js 进行建模模拟化学实验. 可以看到电解水试验完成得不错, 除了电池以外其他部分均还原良好. 然后是复杂的场景, 加热生成氧气. 这个的细节是, 所有的试验仪器都还原了, 但是空间位置不对, 不过这个对于头部大模型都是足够困难的测试. 情有可原.
