https://mimo.xiaomi.com/zh/blog/mimo-code-long-horizon Max Mode 只管做的对不对，不管做没做完；后来出现的 /goal 才解决 部分模型（特别是 GPT 5.5 系列）在输出结构化 JSON 时格式错误率较高 Dynamic Workflow 的确是好东西 能在每一轮迭代进行总结的记忆系统，我现在是手动挡搓这个，搞得很烦躁 给主 agent 配一个助理总结归纳项目 等等。。都是我想要的。
https://mimo.xiaomi.com/zh/blog/mimo-code-long-horizon Max Mode 只管做的对不对，不管做没做完；后来出现的 /goal 才解决 部分模型（特别是 GPT 5.5 系列）在输出结构化 JSON 时格式错误率较高 Dynamic Workflow 的确是好东西 能在每一轮迭代进行总结的记忆系统，我现在是手动挡搓这个，搞得很烦躁 给主 agent 配一个助理总结归纳项目 等等。。都是我想要的。
https://mimo.xiaomi.com/zh/blog/mimo-code-long-horizon Max Mode 只管做的对不对，不管做没做完；后来出现的 /goal 才解决 部分模型（特别是 GPT 5.5 系列）在输出结构化 JSON 时格式错误率较高 Dynamic Workflow 的确是好东西 能在每一轮迭代进行总结的记忆系统，我现在是手动挡搓这个，搞得很烦躁 给主 agent 配一个助理总结归纳项目 等等。。都是我想要的。
https://mimo.xiaomi.com/zh/blog/mimo-code-long-horizon Max Mode 只管做的对不对，不管做没做完；后来出现的 /goal 才解决 部分模型（特别是 GPT 5.5 系列）在输出结构化 JSON 时格式错误率较高 Dynamic Workflow 的确是好东西 能在每一轮迭代进行总结的记忆系统，我现在是手动挡搓这个，搞得很烦躁 给主 agent 配一个助理总结归纳项目 等等。。都是我想要的。
https://mimo.xiaomi.com/zh/blog/mimo-code-long-horizon Max Mode 只管做的对不对，不管做没做完；后来出现的 /goal 才解决 部分模型（特别是 GPT 5.5 系列）在输出结构化 JSON 时格式错误率较高 Dynamic Workflow 的确是好东西 能在每一轮迭代进行总结的记忆系统，我现在是手动挡搓这个，搞得很烦躁 给主 agent 配一个助理总结归纳项目 等等。。都是我想要的。
https://mimo.xiaomi.com/zh/blog/mimo-code-long-horizon Max Mode 只管做的对不对，不管做没做完；后来出现的 /goal 才解决 部分模型（特别是 GPT 5.5 系列）在输出结构化 JSON 时格式错误率较高 Dynamic Workflow 的确是好东西 能在每一轮迭代进行总结的记忆系统，我现在是手动挡搓这个，搞得很烦躁 给主 agent 配一个助理总结归纳项目 等等。。都是我想要的。
https://mimo.xiaomi.com/zh/blog/mimo-code-long-horizon Max Mode 只管做的对不对，不管做没做完；后来出现的 /goal 才解决 部分模型（特别是 GPT 5.5 系列）在输出结构化 JSON 时格式错误率较高 Dynamic Workflow 的确是好东西 能在每一轮迭代进行总结的记忆系统，我现在是手动挡搓这个，搞得很烦躁 给主 agent 配一个助理总结归纳项目 等等。。都是我想要的。
起因 刷 B 站的时候一直有个痛点: 投屏只能一个一个投 。躺着刷,经常一口气看到好几个想丢电视上看的(纪录片、长视频、合集),但手机一次只能推一个,剩下的只能干等;等当前这个播完,往往就忘了刚才要看哪几个,再翻回去又找不到了。 找了一圈没有顺手的,就自己写了一个,叫 QCast 。核心就一件事: 给投屏加一个队列,一次把想看的都排进去,一个播完自动播下一个,中途不用碰手机。 是什么 手机 App(Android)维护队列,从 B 站 App 分享视频即可入队 两种投屏端,同一时刻二选一: 电视 :走标准 DLNA/UPnP,自动发现局域网渲染器 浏览器 :配套的 Chrome 扩展,视频在电脑浏览器里全屏播放 完全免费,纯本地局域网通信,不注册、不上传任何数据 这个项目基本是 vibe coding 做出来的(全程 AI 结对),算是一次完整的"从想法到上架"的实践,体验还挺顺的。 已知限制(先说清楚) 只支持 Bilibili ,YouTube 等暂不支持 仅 Android (Flutter 写的,iOS 没精力签名分发) 电视端需要支持 标准 DLNA ;有些投屏 App(如乐播)默认不开 DLNA,得手动打开,或换当贝/快投屏 DLNA 投屏时,视频流经手机中转给电视,所以 投屏期间手机别断网/别杀进程 建议把 QCast 加入电池优化白名单 (允许后台运行),否则手机后台一刷新进程,投屏就断了 链接 Chrome 扩展(已上架): https://chromewebstore.google.com/detail/qcast/llggfegahlihjijpcbhegehafpnnacdd Android APK(GitHub Release): https://github.com/jimsshom/QCast-release/releases/latest 最后 自己边用边迭代的,功能还在完善。有同样需求的欢迎试试,有 bug 、有想要的功能、或者实现上觉得哪里不对,都欢迎在帖子里拍砖,我会持续更新。
最近打算去小红书发点内容，想看看有什么热点，或者是找一下用户有什么痛点，小红书自带的 AI 点点有点难用，然后要自己一个一个贴子看的话脑容量不够。所以说想看看，就是有没有什么让 AI 去小红书去看帖子的。程序或者是 MCP skill 什么东西的，我想知道这种像爬虫吗？会犯法吗佬们？或者是有什么现在都在用的程序/mcp/skill/方案 20 个帖子 - 15 位参与者 阅读完整话题
痛点： 在使用 AI 查询时发现，针对同样的问题，各个“权威 AI”之间的答案都存在差异，有些甚至是根本性的对错差异。 现有情况： 有 arena.ai 这样的多 AI 作答的工具，但依然无法直接懒狗式的获取结论，因为有时会一个 AI 说对一个 AI 说错。一般用户是无法快速验证多 AI 提供的证据的，所以这又把问题丢给了用户 -- 要不自己选择一个觉得可靠的 AI ，要不就自己花大量时间去找 AI 提到的信息源头自己验证。 需求： 理想有一个 AI 工具，用户可以自由地配置多个 AI 对用户问题进行回答，然后它们之间互相质询得出结论的证据的真实性，最后它们内部之间通过投票得到统一结论，或者，直接丢出对彼此证据的争议，让用户自行判断。 现在有这样的工具吗？
痛点： 在使用 AI 查询时发现，针对同样的问题，各个“权威 AI”之间的答案都存在差异，有些甚至是根本性的对错差异。 现有情况： 有 arena.ai 这样的多 AI 作答的工具，但依然无法直接懒狗式的获取结论，因为有时会一个 AI 说对一个 AI 说错。一般用户是无法快速验证多 AI 提供的证据的，所以这又把问题丢给了用户 -- 要不自己选择一个觉得可靠的 AI ，要不就自己花大量时间去找 AI 提到的信息源头自己验证。 需求： 理想有一个 AI 工具，用户可以自由地配置多个 AI 对用户问题进行回答，然后它们之间互相质询得出结论的证据的真实性，最后它们内部之间通过投票得到统一结论，或者，直接丢出对彼此证据的争议，让用户自行判断。 现在有这样的工具吗？
痛点： 在使用 AI 查询时发现，针对同样的问题，各个“权威 AI”之间的答案都存在差异，有些甚至是根本性的对错差异。 现有情况： 有 arena.ai 这样的多 AI 作答的工具，但依然无法直接懒狗式的获取结论，因为有时会一个 AI 说对一个 AI 说错。一般用户是无法快速验证多 AI 提供的证据的，所以这又把问题丢给了用户 -- 要不自己选择一个觉得可靠的 AI ，要不就自己花大量时间去找 AI 提到的信息源头自己验证。 需求： 理想有一个 AI 工具，用户可以自由地配置多个 AI 对用户问题进行回答，然后它们之间互相质询得出结论的证据的真实性，最后它们内部之间通过投票得到统一结论，或者，直接丢出对彼此证据的争议，让用户自行判断。 现在有这样的工具吗？
IT之家 6 月 5 日消息，OpenAI 公司昨日（6 月 4 日）宣布升级 ChatGPT 记忆功能，新系统基于 Dreaming V3 机制， 重点改善记忆过时、准确性和大规模服务能力 。 ChatGPT 记忆系统原本用于记住用户偏好和长期信息，从而减少每次对话都要重新说明背景的麻烦。 ChatGPT 的记忆功能最早在 2024 年 4 月上线，当时主要是 saved memories（保存记忆）。这套机制依赖用户明确提出“记住某件事”，系统只在对话中写入少量信息。 2024 年 4 月首次推出 到 2025 年 4 月，OpenAI 首次把 Dreaming 引入 ChatGPT 记忆系统。与保存记忆不同，Dreaming 能借助后台流程参考聊天历史，自动筛选并整理与用户相关的内容，不再过度依赖“请记住”这类强提示。 过去 1 年里，这套能力一直作为保存记忆的补充，显著提升了个性化效果，也缓解了旧记忆陈旧的问题，但当时还不足以单独支撑完整记忆系统。 而本次升级的重点，是把 Dreaming 升级为更成熟的底层架构。OpenAI 用 3 个标准衡量“好记忆”：一是延续有用上下文，二是遵循用户偏好和限制，三是能随时间自动更新。 官方以 2024 年的保存记忆、2025 年的保存记忆加 Dreaming V0，以及 2026 年的 Dreaming V3 作对比，IT之家附上相关对比数据如下： 在运行机制方面，OpenAI 表示本次升级围绕着 dreaming 展开，重点针对记忆容易过时、内容准确性不足，以及面对数亿用户和多年使用周期时的扩展压力优化，在原有基础上更强，也更节省计算资源。 新系统会自动整合重要细节，并把生成的记忆以摘要形式展示在记忆摘要页。用户可以快速查看 ChatGPT 掌握了哪些关于自己的信息，也能补充、修改个人资料，以及告诉 ChatGPT 哪些话题该在什么场景下提起。如果想了解某项记忆的细节，用户还能直接与模型对话追问。 在开放范围上，美国 Plus 和 Pro 用户昨日起可以体验新版记忆系统，同时记忆容量提升至原来的 2 倍。 OpenAI 表示，近期改进已把 Dreaming 服务 Free 用户所需算力压低至五分之一，因此终于能在质量达标的前提下向免费用户推广。
手里现在一台14pro当主力机，还有一台12mini，之前想把12mini当成主力机的，但是有2个痛点： 1.12mini系统升级到了26.4，使用起来不是很流畅 2.12mini是单卡，我现在是有一张主卡，一张流量卡，主卡是8块钱的保号移动套餐，流量卡是电信的，这两张卡无论哪种放到12mini都不太合适 现在12mini想弄个海外的卡，可以科学上网，但是12mini还是国行的，不支持esim，又不想再办多一个卡了，各位佬们有什么好的建议吗～ 6 个帖子 - 5 位参与者 阅读完整话题
IT之家 6 月 4 日消息，科技媒体 Windows Latest 今天（6 月 4 日）发布博文，报道称在 2026 年 Build 开发者大会上， 微软承认 Windows 11 右键菜单存在不足，未来将支持用户按常用操作增删菜单项。 微软 Windows 与设备设计研究负责人 Marcus Ash 在 X 上确认，右键菜单未来将开放定制选项，用户可按常用操作增删项目，同时菜单会默认更简洁，并提升加载速度。IT之家附上相关截图如下： 该媒体指出，微软这项调整将直接影响 Windows 11 文件管理器等日常高频使用场景。现在用户右键点击文件或文件夹时，菜单有时会占据屏幕较大区域，命令数量多、留白也偏大。对于经常复制、重命名、压缩文件的用户来说，找常用项仍不够顺手。 文件管理器中的右键菜单
IT之家 6 月 2 日消息，特斯拉车型配备的超大玻璃车顶虽然很漂亮，但该设计也一直饱受诟病，被指如同“头顶烤箱”，在气温偏高地区的车主抱怨尤为突出。 特斯拉公开了一项全新专利，有望大幅提升旗下电动车的座舱舒适性，装配全景大玻璃车顶的车型将是主要受益对象。 这份专利编号为 US20260091643A1，专利名称为《提升座舱舒适性的气流优化方案》，旨在解决上述普遍痛点。阳光透过前挡风玻璃与全景天窗直射车内，会在仪表台、车顶内衬附近形成局部高温气团。这类高温区域会造成巨大温差，传统暖通空调系统很难均衡控温。 直射日光会让车厢急剧升温，即便把车内整体温度降下来，持续涌入的日光与热量依旧难以管控，而降温会消耗宝贵电能，直接影响车辆续航与能耗表现。 专利说明：常规仪表台出风口向上输送冷气时，会裹挟滞留区的热空气并散布至乘员座舱。这就迫使鼓风机提高转速，带来能耗上涨、整车能效下降的问题。 电动车每一度电都关乎续航里程，这类低效制冷方式会造成很大的续航损耗。 美国汽车协会（AAA）的研究数据表明，高温环境下开启空调最多会造成 17% 的续航缩水。特斯拉这个专利的思路为：从热源处直接抽走热量，而非等冷热空气混合后再被动降温。 研发人员设计了一套抽吸式空调系统，在仪表台上沿、车顶内衬的关键点位布置专用吸气口。吸气口连通高温气团抽取管路，可将最热空气直接送入空调静压腔进行温控处理。鼓风机运转时，一边吸入车内循环空气，一边定点抽取局部高温空气，空气经过滤芯、冷却盘管处理后，再以调温气流送回座舱。 IT之家注意到，这套设计思路和特斯拉用于低温采暖的热泵有异曲同工之妙。该方案能够减少热空气掺混、降低车内峰值温度，实现座舱温度均匀舒适。实测数据：传统空调工况下驾乘人员面部温差可达 21 摄氏度，换装这套新系统后温差仅 12 摄氏度，鼓风机转速与空调压缩机功耗随之明显下降。 该结构搭载智能控制系统，可实时监测日照强度与车内温度分布，仅在需要的点位启动抽气功能，避免空调长期高负荷运转，优化用电效率。除此之外，抽气管路还兼顾双重功能：夏季向内抽取高温空气进行制冷；冬季反向导送暖风，快速完成前挡风玻璃除霜。得益于功能复用，现有硬件只需小幅改动即可落地，现役特斯拉车型未来还有望通过改装升级这套系统。
长话短说版： 我们把中转站的核心放到了 AWS Enclave 里面，你的每一次调用请求都在安全环境完成。请求带签名，代码可审核，只要确保是 Enclave 在服务，永远不会出现掺水和留存数据的问题。 大家好，我们最近接触了一些企业级客户，对 AI 有很强需求，但是这些客户对数据安全存在担忧，加上市面的中转站经常爆出掺水和换模型等等问题。我们基于这些需求开发了 CodyRouter （ https://codyrouter.com/ ） 一个面向企业级和专业用户服务的产品。这个产品不做低价竞争，只服务好对数据和安全性有要求的企业客户和专业用户， 和其他中转站不一样的点在于： 我们提供 Enclave 接入点，用 AWS Nitro Enclave 来处理你的请求，处理过程完全是在安全可控的容器下。用户端无需信任，可以验证每次的请求签名来确定是否在容器内处理。 更友好的 Dashboard 。大部分中转站都是 sub2api 或者 new api 的后端，每个模型还有不同的 key 配置很麻烦。这里只需要一个 key 可以使用所有模型。未来还会对标 OpenRouter 提供自定义的模型路由功能 产品现在在冷启动，希望大家提点意见。另外我们也在找源头号池的合作方。可以联系 tg （ base64 ） aHR0cHM6Ly90Lm1lL3lpamlhc3U= （不确定是否可以发在这里，如果需要移动到推广节点请管理员操作谢谢）
长话短说版： 我们把中转站的核心放到了 AWS Enclave 里面，你的每一次调用请求都在安全环境完成。请求带签名，代码可审核，只要确保是 Enclave 在服务，永远不会出现掺水和留存数据的问题。 大家好，我们最近接触了一些企业级客户，对 AI 有很强需求，但是这些客户对数据安全存在担忧，加上市面的中转站经常爆出掺水和换模型等等问题。我们基于这些需求开发了 CodyRouter （ https://codyrouter.com/ ） 一个面向企业级和专业用户服务的产品。这个产品不做低价竞争，只服务好对数据和安全性有要求的企业客户和专业用户， 和其他中转站不一样的点在于： 我们提供 Enclave 接入点，用 AWS Nitro Enclave 来处理你的请求，处理过程完全是在安全可控的容器下。用户端无需信任，可以验证每次的请求签名来确定是否在容器内处理。 更友好的 Dashboard 。大部分中转站都是 sub2api 或者 new api 的后端，每个模型还有不同的 key 配置很麻烦。这里只需要一个 key 可以使用所有模型。未来还会对标 OpenRouter 提供自定义的模型路由功能 产品现在在冷启动，希望大家提点意见。另外我们也在找源头号池的合作方。可以联系 tg （ base64 ） aHR0cHM6Ly90Lm1lL3lpamlhc3U= （不确定是否可以发在这里，如果需要移动到推广节点请管理员操作谢谢）
长话短说版： 我们把中转站的核心放到了 AWS Enclave 里面，你的每一次调用请求都在安全环境完成。请求带签名，代码可审核，只要确保是 Enclave 在服务，永远不会出现掺水和留存数据的问题。 大家好，我们最近接触了一些企业级客户，对 AI 有很强需求，但是这些客户对数据安全存在担忧，加上市面的中转站经常爆出掺水和换模型等等问题。我们基于这些需求开发了 CodyRouter （ https://codyrouter.com/ ） 一个面向企业级和专业用户服务的产品。这个产品不做低价竞争，只服务好对数据和安全性有要求的企业客户和专业用户， 和其他中转站不一样的点在于： 我们提供 Enclave 接入点，用 AWS Nitro Enclave 来处理你的请求，处理过程完全是在安全可控的容器下。用户端无需信任，可以验证每次的请求签名来确定是否在容器内处理。 更友好的 Dashboard 。大部分中转站都是 sub2api 或者 new api 的后端，每个模型还有不同的 key 配置很麻烦。这里只需要一个 key 可以使用所有模型。未来还会对标 OpenRouter 提供自定义的模型路由功能 产品现在在冷启动，希望大家提点意见。另外我们也在找源头号池的合作方。可以联系 tg （ base64 ） aHR0cHM6Ly90Lm1lL3lpamlhc3U= （不确定是否可以发在这里，如果需要移动到推广节点请管理员操作谢谢）
这份是给另一个很常见的痛点：代码已经写得差不多了，实验也能跑，但 Methods 章节迟迟写不出来。 卡住的原因通常不是不会写中文，而是不知道代码里的东西该放到论文哪一节。环境类、reward、PPO update、metrics 全堆在一起，最后写出来就像“代码说明书”，不像论文方法。 这份 PPT 的核心想法是：先把代码拆成可写的事实，再映射到 Methods 结构，最后才让 ChatGPT 帮你组织语言。模型可以帮你润色和整理，但事实必须能回到代码。 赶时间的话，重点看 P04、P07、P16-P19。 P01 封面：从代码往论文写 不是让 ChatGPT 编 Methods，而是把代码里已有的信息整理成能被核对的论文表述。 P02 目录：先拆再写 框架、流程、案例、核对清单，顺序挺重要。别一上来就生成全文。 P03 先定章节边界 Methods 写乱，大多是边界没分清：模型、MDP、算法都挤在一起。 P04 Methods 四块怎么分 总体方案、优化模型、强化学习建模、求解算法。这页可以直接当写作目录。 P05 从代码到正文的路线 代码拆分、信息提取、结构映射、草稿生成、人工核对，一步都别省。 P06 五步流程图 这一页适合贴在写作前：ChatGPT 只做整理和改写，参数公式要自己核。 P07 代码信息放哪 环境类、设备设置、observation、reward、PPO loss 分别进不同小节，别混着写。 P08 案例开始 后面开始用具体代码演示，不再是泛泛讲写作。 P09 Prompt 1：先整理模块 第一步不是生成论文正文，而是让模型先列出方法模块清单。 P10 方法图先行 先出一张方法总览图，能暴露很多结构问题，比直接写段落稳。 P11 写 3.1 总体方案 这一节讲流程和框架，别急着塞 reward 公式。 P12 写 3.2 系统模型 设备、参数、约束、近似关系放这里。代码没有的东西不要美化。 P13 写 3.3 MDP 状态、动作、奖励、上下层交互关系都在这里说清楚。 P14 写 3.4 算法 Actor-Critic、GAE、PPO update、伪代码放这一节。 P15 第四部分：防翻车 看起来像论文的生成稿，可能事实是错的。这里开始讲怎么查。 P16 初稿不能直接用 流畅不等于准确。越像论文腔，越要回代码找依据。 P17 人工核对清单 结构核对、事实核对、边界核对。这页最值得保存。 P18 Prompt 7：让模型挑错 把草稿和原代码一起给模型，让它按“问题-依据-建议”反查。 P19 Prompt 工具箱 P1 到 P7 串起来就是一个可复用流程，换项目也能用。 P20 结束页 适合代码写完但 Methods 卡住的阶段，先拿这套流程把材料捋顺。 原 PPT： 辅助写作.zip (1.21 MB) 个人建议：不要让 ChatGPT 直接“根据代码写完整 Methods”。先让它整理模块和依据，再分节写，最后按 P17/P18 那套清单回头查。这样写出来才不容易虚。 1 个帖子 - 1 位参与者 阅读完整话题