即刻App年轻人的同好社区
下载
「爷青回」😱 看到周董在抖音上发了自己的第一条视频，结合AI生成的成长视频，一帧帧的片段闪过了一代人的青春。
想要复刻一下，然后打开「拍我AI」app，发现他们已经上线了「成长类首尾帧」，上传两张「前后」对比图片，直接生成「成长」视频，很赞，实用又简单🤙。
好了，不多说了，我去找过往老照片去了..…
想要复刻一下，然后打开「拍我AI」app，发现他们已经上线了「成长类首尾帧」，上传两张「前后」对比图片，直接生成「成长」视频，很赞，实用又简单🤙。
好了，不多说了，我去找过往老照片去了..…
01:36
5 14
「六顶思考帽」
🤔从自己的真实痛点出发，开源一个日常用的「六顶思考帽」Prompt，
愿能帮助各位小伙伴解决日常生活，工作场景，个人提升，商业决策等各类思维场景问题~
（ps.今天的文章配图也比较有趣，来看图识人[让我看看]~）
🤔从自己的真实痛点出发，开源一个日常用的「六顶思考帽」Prompt，
愿能帮助各位小伙伴解决日常生活，工作场景，个人提升，商业决策等各类思维场景问题~
（ps.今天的文章配图也比较有趣，来看图识人[让我看看]~）
思维混乱有救了！我把顶级“思维教练”塞进AI，让人人都能用的六顶思考帽（附Prompt）
3 00
我用AI分析了一下BLG vs T1的名场面，效果不错哈哈哈哈~
测了一下智谱的GLM-4.1V-Thinking系列的9B模型，感觉：
1、9B的小参数量的多模态能力达到这种水准确实不错，但在复杂问题方面依旧有待提升，在某些方面跟72B媲美；
2、本地部署方面又多了一个选择，同时如果再压缩压缩还能追求下端侧部署；
3、开源万岁，同时期待一下4.1V系列的更大参数版本。
技术报告：🔗👉🏻arxiv.org
测了一下智谱的GLM-4.1V-Thinking系列的9B模型，感觉：
1、9B的小参数量的多模态能力达到这种水准确实不错，但在复杂问题方面依旧有待提升，在某些方面跟72B媲美；
2、本地部署方面又多了一个选择，同时如果再压缩压缩还能追求下端侧部署；
3、开源万岁，同时期待一下4.1V系列的更大参数版本。
技术报告：🔗👉🏻arxiv.org
我用9B的智谱GLM-4.1V分析了LOL中BLG vs T1名场面，还帮解高考数学题，结果……
5 12
之前有很多小伙伴反馈Lovart没用上，现在Lovart国内版「星流Agent」终于来了，无需邀请码，直接上手体验，无限画布，用嘴“设计”~
————
分镜脚本 + 视频合成，F.1 Kontext等等多模型自动调用，一键生成结果，分享跑的部分case~
官网👉🏻 www.xingliu.art
————
分镜脚本 + 视频合成，F.1 Kontext等等多模型自动调用，一键生成结果，分享跑的部分case~
官网👉🏻 www.xingliu.art
Lovart国内版来了！星流Agent，无需邀请码，直接“用嘴设计”，这才是人人可用的生产力
5 20
「信息平权」或许是科技向善最动人的体现。
最近不少朋友都在问我：“能不能用AI帮孩子做高考志愿填报？”
正好发现「腾讯元宝」新推出的功能挺实用，免费且功能全面，正好切中了这个痛点。深度测评了一番，确实能够减少大量信息搜集的时间..
-----
整理了一套提问模板分享给大家，可以转给有需要的人~
最近不少朋友都在问我：“能不能用AI帮孩子做高考志愿填报？”
正好发现「腾讯元宝」新推出的功能挺实用，免费且功能全面，正好切中了这个痛点。深度测评了一番，确实能够减少大量信息搜集的时间..
-----
整理了一套提问模板分享给大家，可以转给有需要的人~
别再只盯着分数线！手把手教你用AI挖掘最适合你的大学和专业（附提问模板）
3 00
上下文工程（Context Engineering） =
提示工程 ⊇ {指令上下文, 知识上下文, 操作上下文}
其中：
- 指令上下文 = 提示词 + 记忆 + 少样本示例
- 知识上下文 = RAG + 检索 + 记忆
- 操作上下文 = 工具调用 + 环境反馈 + 状态管理
提示工程 ⊇ {指令上下文, 知识上下文, 操作上下文}
其中：
- 指令上下文 = 提示词 + 记忆 + 少样本示例
- 知识上下文 = RAG + 检索 + 记忆
- 操作上下文 = 工具调用 + 环境反馈 + 状态管理
歸藏: 聊一下最近圈子热议的话题 Shopify CEO 和Andrej Karpathy 都同意的观点：提示工程的名称是否应该改为上下文工程 主要包括： - 各路大神的观点 - 为什么上下文工程如此重要 - 上下文工程的三大策略 - 其他实践经验与建议 完整的文章在这里看，这里发一下文章的总结：https://mp.weixin.qq.com/s/wWR-1lLMhJ9OTj62JXaM_g 近期AI圈热议“提示工程”是否应更名为“上下文工程”，因为后者更准确地描述了为大模型（LLM）提供任务所需全部信息的工作。 Shopify CEO Tobi Lutke 和 Andrej Karpathy 等人认为，“上下文工程”更能体现工业级LLM应用中对上下文的精细管理和填充。 上下文工程不仅仅是写好提示词，还包括任务描述、样本、RAG（检索增强生成）、多模态数据、工具、状态、历史和信息压缩等。 上下文工程的重要性 Cognition 和 Anthropic 等公司在多Agent系统中强调上下文管理的重要性。 不充分的上下文会导致Agent工作不一致，过长或不相关的上下文会增加成本、降低性能。 多轮对话中，指令遵循性下降，优化上下文长度和准确性尤为关键。 上下文工程的三大策略 1. 压缩（Compression） 目标：每轮对话只保留最有价值的Token。 方法：上下文摘要（如Claude Code自动压缩、Cognition用微调模型压缩）。 难点：高质量摘要难以实现。 2. 持久化（Persistence） 目标：构建可长期存储、保存和检索上下文的系统。 存储方式：文件（如CLAUDE .md）、嵌入式文档、知识图谱等。 保存策略：用户手动或Agent自动生成/更新记忆（如Reflexion机制）。 检索方式：直接加载或基于嵌入向量/图检索，需防止检索出错导致“跑题”。 3. 隔离（Isolation） 目标：在不同Agent或环境间划分上下文。 方法：结构化上下文模式（如Pydantic模型）、多Agent分散上下文、环境隔离（如HuggingFace的沙盒环境）。 多Agent系统可提升性能，但也带来Token消耗和协调难题，适合可并行化任务。 实践经验与建议 工具先行，优先关注数据和Token追踪。 明确Agent状态，梳理运行时所需信息。 在工具边界处进行上下文压缩。 从简单记忆功能做起，逐步优化。 多Agent方案适用于可并行化任务，但需注意协调难题。 结论 上下文管理是构建健壮AI Agent的核心，需在性能、成本和准确性间平衡。 上下文工程是一门平衡的艺术，良好的语境和清晰表达需求是获得优质LLM输出的关键。
2 21
