两个都用过，现在更倾向使用codex，你们觉得哪个更实用 2 个帖子 - 2 位参与者 阅读完整话题
最近在学着写一些实用的agent技能，都是下班之后弄的，需要不断重复打磨文本，虽然能看懂英文，但有时候太累了就不想增加阅读负担。目前都是直接把本文c和v到翻译器看的，切来切去也麻烦。插件市场随便试了两个都好像不太得劲，不知道佬们有没有好的推荐捏 2 个帖子 - 2 位参与者 阅读完整话题
Roxy，GoLogin，Adspower都用来一遍，想再试试MultiLogin，但这货不免费试用，必须充值。有用过的大佬说下么？ 主要想体验下找个适合自己的充值长期用。主要是保持ip干净，养号用，尽量保证各种账号不被封，偶尔爬虫玩玩。不搞什么自动化，也不搞跨区电商管理啥的。 纯个人用。 求大佬分享心得 ！ 1 个帖子 - 1 位参与者 阅读完整话题
周五要在团队内做vibe coding分享，有啥实用的技巧可以分享下，claude和codex都可以 7 个帖子 - 6 位参与者 阅读完整话题
不同 API 服务的对我来说,非常实用。 毕竟想省tokens,我还在用很多免费的模型,就是怕不稳定. 只讲实际能用、配置里能落地的部分，避免把不存在的配置项写进去 。 如果有错误欢迎佬友指正 我的Hermes 的模型配置思路 Hermes 的配置核心在 ~/.hermes/config.yaml 。 模型相关配置主要分几层： 主对话模型 ：负责正常聊天、代码、工具调用、任务执行。 辅助模型 ：负责压缩上下文、图片理解、网页提取等后台任务。 Fallback Providers ：主模型失败时切到备用供应商。 Custom Providers ：接入 OpenAI 兼容接口，比如 vLLM、Ollama、LM Studio、SGLang 或第三方中转 API。 Credential / Auth ：API Key 或 OAuth 凭据。 最常见的配置结构大致是： model: default: gpt-5.5 provider: custom base_url: https://example.com/v1 api_key: sk-xxx context_length: 128000 其中： model.default ：模型名称 model.provider ：供应商名称 model.base_url ：自定义 OpenAI 兼容端点时使用 model.api_key ：API Key model.context_length ：上下文长度 Hermes 要求模型上下文窗口不能太小。实际使用 Agent、工具调用、长会话压缩时，建议至少 64K tokens 起步。本地模型也建议把上下文开到 65536 或以上。 Hermes 支持哪些供应商我就不说了佬友自己就可以看到 切换模型的几种方式 方式一：交互式选择 hermes model 这是最推荐的方式。它会引导你选择 provider、填写凭据、选择模型。 方式二：查看和修改配置 查看配置： hermes config 打开配置文件： hermes config edit 也可以直接设置某个配置项，例如： hermes config set model.provider openrouter hermes config set model.default anthropic/claude-sonnet-4 如果是自定义接口： hermes config set model.provider custom hermes config set model.default your-model-name hermes config set model.base_url https://example.com/v1 API Key 建议放在 .env 或配置里由 Hermes 管理，不要写进公开文章、截图或 Git 仓库。 方式三：会话内临时切换 在 Hermes 会话里可以用： /model openrouter/anthropic/claude-sonnet-4 这种方式适合临时测试。长期默认模型还是建议写入 config.yaml 。 主模型和辅助模型 Hermes 不是所有任务都必须用同一个模型。 主模型负责核心对话和 Agent 执行；辅助模型可以负责压缩、视觉、网页提取等后台任务。这样可以避免“用旗舰模型做摘要”这种浪费。 常见配置示例： model: default: claude-sonnet-4 provider: anthropic auxiliary: compression: provider: openrouter model: openai/gpt-5-mini vision: provider: openrouter model: openai/gpt-4o 建议： 主模型 ：选择工具调用稳定、上下文长、代码能力强的模型。 压缩模型 ：选择便宜但摘要能力不错的模型。 视觉模型 ：选择明确支持图片输入的模型。 如果辅助模型没有配置好，某些任务可能会回退到自动检测逻辑，或者使用主模型兜底。为了稳定，建议主动配置。 Fallback Providers：主模型备用链 当主模型遇到限流、服务错误或连接失败时，Hermes 可以尝试备用模型。 正确的配置项是 fallback_providers ，不是 fallback_models 。 示例： model: default: gpt-5.5 provider: custom base_url: https://primary.example.com/v1 api_key: sk-primary fallback_providers: - provider: custom base_url: https://backup.example.com/v1 api_key: sk-backup model: claude-sonnet-4 - provider: openrouter model: anthropic/claude-sonnet-4 触发条件一般包括： HTTP 429 ：限流 HTTP 503 ：服务错误 HTTP 529 ：过载 连接失败 需要注意： Fallback 是按顺序尝试的，不存在 fallback_strategy: random 、 cheapest_first 这类配置。 也不存在 fallback_on 这种配置项；触发条件是内置的。 主模型 fallback 一旦在当前会话触发，通常会在该会话里继续使用 fallback 后的模型。 旧版可能支持单个 fallback_model ，但新写法建议使用列表形式的 fallback_providers 。 辅助任务也可以单独配置 fallback 辅助任务不继承主模型的 fallback_providers ，它们有自己的 fallback 链。 示例： auxiliary: compression: provider: custom base_url: https://primary.example.com/v1 api_key: sk-primary model: gpt-5-mini fallback_chain: - provider: custom base_url: https://backup.example.com/v1 api_key: sk-backup model: deepseek-chat - provider: openrouter model: openai/gpt-5-mini vision: provider: openrouter model: openai/gpt-4o fallback_chain: - provider: anthropic model: claude-sonnet-4 辅助任务 fallback 的触发更偏 向容量或额度 问题，例如： HTTP 402 ：余额或额度耗尽 明确的日/月额度耗尽 连接失败 注意: 普通临时 429 不一定会触发辅助 fallback，因为 Hermes 会尊重你显式指定的 provider。 自定义 OpenAI 兼容端点 我相信很多佬友跟我一样会用本地模型或第三方中转服务，这时最常见的就是 custom provider。 例如 Ollama： model: provider: custom default: qwen3-coder:latest base_url: http://127.0.0.1:11434/v1 api_key: ollama context_length: 65536 例如 vLLM： model: provider: custom default: Qwen/Qwen3-Coder base_url: http://127.0.0.1:8000/v1 api_key: dummy context_length: 131072 vLLM 启动时可以类似这样： vllm serve Qwen/Qwen3-Coder --max-model-len 131072 Ollama 需要确认模型上下文已开够。不同版本设置方式不完全一样，不建议只写死一个命令，重点是确认 context 至少 64K。 多个自定义供应商 如果有多个自定义端点，建议用 custom_providers 起不同名字。(我就是这么干的,感觉特别方便,需要多少自己加) 示例： 然后在主模型或 fallback 里引用： model: default: gpt-5.5 provider: custom base_url: https://api.example.com/v1 api_key: sk-tSeI...YFZLSQwfQV9Jd fallback_providers: - provider: custom base_url: https://api.example2.com/v1 api_key: sk-wiu...4ycq0Pg7tQnMb model: gpt-5.4-mini 注意 ： custom_providers 的 name 必须唯一。重复名字可能导致后面的配置覆盖前面的配置。 小结 Hermes 的模型配置体系，重点不是“支持多少模型”，而是它把模型、供应商、辅助任务、fallback、自定义端点拆开了。 这样做的好处是 ： 主模型可以选最强的； 辅助任务可以选便宜的； 一个供应商挂了可以切备用； 本地模型和第三方 OpenAI 兼容服务都能接； 不同平台、不同任务可以逐步做精细化配置。 对小白用户来说，最推荐的入门路线是 ： 先用 hermes model 跑通一个主模型； 再配置 fallback_providers ； 然后配置 auxiliary ； 最后再折腾本地 vLLM / Ollama / LM Studio。 这样最稳，也最不容易把配置写乱。 我以前就是这么做的,后来慢慢的学,特别在Linux 学到很多以前看不到的技术 最后如有错误的地方,欢迎佬友们指正 1 个帖子 - 1 位参与者 阅读完整话题
想做一个开源的结合 AI 来写简历的项目，各位帮看看想法如何，提提建议。 想法其实也很简单，就是贴合 AI 去辅助写简历，一个是为了噱头，另一个是为了贴合 AI 去做一些事情。 首先这个这种类似的项目 github 上很多，不过 AI 的使用我看还是停留在内容、模板优化之类的。 我想的是让 AI 去分析自己做过的项目，然后产出项目描述、技术栈、求职者参与了多久，贡献了多少 commit 、主要负责哪些模块、有多少人开发等等。这部分内容主要来源于项目和 git commit 信息。 然后再加上 leetcode ，配置 cookie 等形式(类似 idea 上的插件)，去抓取求职者的发布的题解、解了多少题、擅长于做什么题等等内容。基于分析内容绘制一些简单的图表或者提交的趋势图之类的。 再加上 github 内容，类似 leetcode ，除了提交内容、参与了什么项目、提交趋势、技术栈等等。再找到求职者最近提交有价值的 commit 汇总成文字描述，让求职责自行选择用哪些。不过 github 的还不太清楚用什么来抓这些信息。 其他什么模板之类的优化就是锦上添花了。 这样一个项目，各位觉得是否有实用价值和场景？
想做一个开源的结合 AI 来写简历的项目，各位帮看看想法如何，提提建议。 想法其实也很简单，就是贴合 AI 去辅助写简历，一个是为了噱头，另一个是为了贴合 AI 去做一些事情。 首先这个这种类似的项目 github 上很多，不过 AI 的使用我看还是停留在内容、模板优化之类的。 我想的是让 AI 去分析自己做过的项目，然后产出项目描述、技术栈、求职者参与了多久，贡献了多少 commit 、主要负责哪些模块、有多少人开发等等。这部分内容主要来源于项目和 git commit 信息。 然后再加上 leetcode ，配置 cookie 等形式(类似 idea 上的插件)，去抓取求职者的发布的题解、解了多少题、擅长于做什么题等等内容。基于分析内容绘制一些简单的图表或者提交的趋势图之类的。 再加上 github 内容，类似 leetcode ，除了提交内容、参与了什么项目、提交趋势、技术栈等等。再找到求职者最近提交有价值的 commit 汇总成文字描述，让求职责自行选择用哪些。不过 github 的还不太清楚用什么来抓这些信息。 其他什么模板之类的优化就是锦上添花了。 这样一个项目，各位觉得是否有实用价值和场景？
想做一个开源的结合 AI 来写简历的项目，各位帮看看想法如何，提提建议。 想法其实也很简单，就是贴合 AI 去辅助写简历，一个是为了噱头，另一个是为了贴合 AI 去做一些事情。 首先这个这种类似的项目 github 上很多，不过 AI 的使用我看还是停留在内容、模板优化之类的。 我想的是让 AI 去分析自己做过的项目，然后产出项目描述、技术栈、求职者参与了多久，贡献了多少 commit 、主要负责哪些模块、有多少人开发等等。这部分内容主要来源于项目和 git commit 信息。 然后再加上 leetcode ，配置 cookie 等形式(类似 idea 上的插件)，去抓取求职者的发布的题解、解了多少题、擅长于做什么题等等内容。基于分析内容绘制一些简单的图表或者提交的趋势图之类的。 再加上 github 内容，类似 leetcode ，除了提交内容、参与了什么项目、提交趋势、技术栈等等。再找到求职者最近提交有价值的 commit 汇总成文字描述，让求职责自行选择用哪些。不过 github 的还不太清楚用什么来抓这些信息。 其他什么模板之类的优化就是锦上添花了。 这样一个项目，各位觉得是否有实用价值和场景？
想做一个开源的结合 AI 来写简历的项目，各位帮看看想法如何，提提建议。 想法其实也很简单，就是贴合 AI 去辅助写简历，一个是为了噱头，另一个是为了贴合 AI 去做一些事情。 首先这个这种类似的项目 github 上很多，不过 AI 的使用我看还是停留在内容、模板优化之类的。 我想的是让 AI 去分析自己做过的项目，然后产出项目描述、技术栈、求职者参与了多久，贡献了多少 commit 、主要负责哪些模块、有多少人开发等等。这部分内容主要来源于项目和 git commit 信息。 然后再加上 leetcode ，配置 cookie 等形式(类似 idea 上的插件)，去抓取求职者的发布的题解、解了多少题、擅长于做什么题等等内容。基于分析内容绘制一些简单的图表或者提交的趋势图之类的。 再加上 github 内容，类似 leetcode ，除了提交内容、参与了什么项目、提交趋势、技术栈等等。再找到求职者最近提交有价值的 commit 汇总成文字描述，让求职责自行选择用哪些。不过 github 的还不太清楚用什么来抓这些信息。 其他什么模板之类的优化就是锦上添花了。 这样一个项目，各位觉得是否有实用价值和场景？
滤镜软件更新啦~ 本次更新带来了几项实用的新功能，欢迎体验！ 设置界面 & 后台托盘 新增独立设置界面，主题调整已迁移至设置页面。同时新增后台托盘持久化能力——如不需要可随时关闭，主要为快捷键切换功能服务。 通知提醒 新增通知功能，切换方案时可在右下角弹出提示，操作反馈更直观。 快捷键切换方案 支持通过快捷键快速切换主题方案，也可以一键恢复默认设置，效率拉满。 显示适配 新增显示适配选项，可自定义右下角托盘快捷方案的显示条目数量。 原帖地址： 最近搓了三角洲滤镜，有需要的兄弟嘛? 软件地址： https://filter-manage.6ya.site 开源项目，允许二创。觉得好用的话给项目点个小星星，十分感谢！ 1 个帖子 - 1 位参与者 阅读完整话题
rt，之前刷帖子的时候看到一个挺实用的脚本，刷主帖，右侧有个悬浮窗显示L站首页帖子列表，可以快速跳转新帖，当时想用，结果一刷新忘了，不知道有没有佬友有印象 7 个帖子 - 4 位参与者 阅读完整话题
马上要去趟香港 非常喜欢 MUJI 产品的实用性和设计 但是最近国产货的品类和质量逐年在滑坡 这次去香港想看看香港的 MUJI 不知道香港的 MUJI 用的是国产货还是日本货？
房屋概况] · 面积：50 平实用面积（无公摊水分，比很多同面积商品房还大） · 楼层朝向： 高楼层、安静、正对深圳河，视野无遮挡 · 装修状态：2023 年全屋墙面翻新，整洁白净，无老旧异味 [核心优势] 家电半新： 沙发、洗衣机、燃气灶均为半年内更换的新设备，使用感极佳。 隔音静谧： 窗户隔音效果好，适合对睡眠环境要求高、居家办公的人。 没有中介费： 和房东本人重新签合同，押金有保障，价格稳定。 · 急转，随时可搬，看房方便（工作日晚上/周末全天） 我的微信：lgmsuchislife 备注 V 站转租
IT之家 6 月 3 日消息，微软现已推出新一代量子芯片 Majorana 2，新品采用全新材料栈和新一代量子比特， 可靠性相比上一代产品提升 1000 倍 。 据介绍，Majorana 2 使用的量子比特（Qubit）相比上一代产品，可靠性提升 1000 倍。这一里程碑式进展得益于全新材料栈设计，以及 Discovery 智能体 AI 的协助。 微软技术院士 Chetan Nayak 透露，Majorana 2 相比 Majorana 1 拥有更加稳定的拓扑相（topological phase），使用铅材料取代铝超导体， 并将半导体活性区域更新为砷化铟（IT之家注：Indium Arsenide）+ 砷化铟锑（Indium Arsenide Antimonide）组合 ，显著提升量子比特性能。 他解释道：“使用铝材料的 Majorana 1 拥有 1 毫秒到 12 毫秒之间的量子比特寿命；而在 Majorana 2 中， 我们将寿命提升到 20 秒以上 ，稳定性提升超 1000 倍，部分比特甚至能达到分钟级寿命”。 由于这一进展足够重大，微软决定将实用量子计算机原型的目标推出时间缩短一半， 剑指 2029 年发布 。
为什么现有的mihomo客户端都很差劲: ui很不实用也没人做一下 1 个帖子 - 1 位参与者 阅读完整话题
最近很多人同时用 Claude Code 和 Codex。我觉得没必要争谁替代谁，更实用的方式是分工。 我的一个简单流程： Claude Code：快速实现和探索 Codex：跑测试、审查 diff、修边界问题 为什么这样分 Claude Code 很适合连续改代码、跟着项目上下文推进。 Codex 很适合在工作区里跑命令、读失败、做 review、处理 GitHub/浏览器/本地环境。 当然这不是绝对，只是一个好用的默认分工。 一个实际流程 先让 Claude Code 实现 MVP。 提交前让 Codex review diff。 Codex 按测试失败修一轮。 再让 Claude Code 做小范围优化。 最后 Codex 跑验收命令。 prompt 示例 给 Claude Code： 实现这个功能，优先保持现有架构，不要大规模重构。完成后列出改动文件。 给 Codex： Review the uncommitted diff for correctness bugs, missing tests, and regression risk. Then run the repo's verification commands and fix only the issues required to pass. 可以做成两个 Skill fast-implementation ：快速实现，少争论。 bug-focused-review ：严格审查，只抓真实风险。 注意 不要让两个 agent 同时大范围改同一批文件。 比较稳的是：一个负责实现，另一个负责验证；或者明确文件边界。 这个工作流的核心不是“多开 AI”，而是让每个 agent 有清晰职责。 5 个帖子 - 3 位参与者 阅读完整话题
ai对甲方的网络安全体系建设或者运营，有啥比较实用的点嘛 1 个帖子 - 1 位参与者 阅读完整话题
mac灵动岛，vibeisland可以看agent工作情况、有通知、审批的功能、还挺好用的 5 个帖子 - 4 位参与者 阅读完整话题
Feedalyze 是什么 Feedalyze 是一款帮助产品团队从用户反馈中识别真实需求的工具。它能够多渠道收集、高效协同处理、可视化分析反馈，帮助团队更清晰地理解用户需求，从而让产品朝着正确的方向加速迭代。地址： https://feedalyze.com/ 解决什么问题 如何将分散在不同渠道的用户反馈，变成统一可管理的信息资产 如何从大量反馈中持续提炼真实需求，而不是依赖主观判断 如何让产品决策可以被反馈验证，而不只是事后判断对错 本质上，就是解决团队或独立开发者经常遇到的三个问题：我理解的需求对不对？产品能不能持续做对？方向有没有偏？ 适合谁用 SaaS / AI / 工具类产品团队及独立开发者 处于持续迭代阶段的创业团队与中小企业 拥有较多用户反馈，但缺乏结构化分析与需求提炼能力的团队 更适合已经开始重视用户反馈体系建设的团队 为什么不用微信群管理用户反馈？ 微信群很适合沟通，但不适合作为长期的反馈管理系统。如果你管理过 300 人以上的活跃用户群，就会明白我在说什么 反馈很容易被聊天流覆盖，重要问题会被淹没或遗忘。你不可能记住所有反馈，也更难从中分析背后的真实需求 缺乏统一的分类与标签体系，难以进行长期分析与管理，最终容易变成“不断重复处理问题的客服” 缺乏责任归属与处理状态，无法持续跟踪反馈进度。如果某条反馈没人响应，用户很快就会流失 历史反馈难以沉淀为可复用的产品决策依据。10 条、100 条反馈或许并不重要，但当它变成 1000 条、10000 条时，难道真的还不重要吗？ 产品逻辑与流程图 欢迎试用 目前产品还处于最后的内测阶段，整体功能与体验仍在持续打磨中。 我们会为参与试用的团队提供 3-6 个月免费试用，并免费协助搭建完整的用户反馈管理体系。 如果你对这个方向感兴趣，或者愿意参与内测体验，欢迎在网站底部留言，或直接微信联系我：M-ing2020 也欢迎大家交流、提建议，感谢支持。 Feedalyze - https://feedalyze.com/
分享一个 Cursor 的邀请链接，通过该链接注册或升级 Pro 会员，首月可享受 50% 的折扣。 https://cursor.com/referral?code=CMMHUJNJESO9 根据 Cursor 官方的说法，Composer 2.5 是他们迄今为止最强大的模型。相较于前代，它在智能水平、长周期任务的持续工作能力，以及复杂指令的依从性上，都实现了跨越式的提升。 Composer 2.5 定价白皮书： - 标准版： 每百万（ 1M ）输入 Token 仅需 0.50 美元，每百万（ 1M ）输出 Token 仅需 2.50 美元。 - Fast 变体版： 智能水平相同但速度极快，价格为每百万输入 Token 3.00 美元，每百万输出 Token 15.00 美元。