即刻App年轻人的同好社区
下载
以前做一条海外内容找选题 → 写脚本 → 生素材 → 剪辑 → 做封面 → 上线 → 检查页面
现在可以直接交给Agent了，短片直接生成，素材自动剪辑，字幕、配音批量处理，落地页生成后，再让 Agent 自动验收
真正的升级是把这些步骤固化成一套可以重复跑的工作流：输入选题 → 自动生产 → 自动检查 → 输出可发布成品
但内容生产效率上来后瓶颈反而更明显了，账号冷启动、平台信任、流量积累、变现资格、跨境收款，这些才是真正难复制的东西
现在可以直接交给Agent了，短片直接生成，素材自动剪辑，字幕、配音批量处理，落地页生成后，再让 Agent 自动验收
真正的升级是把这些步骤固化成一套可以重复跑的工作流：输入选题 → 自动生产 → 自动检查 → 输出可发布成品
但内容生产效率上来后瓶颈反而更明显了，账号冷启动、平台信任、流量积累、变现资格、跨境收款，这些才是真正难复制的东西
0 00
最近发现一个越来越明显的问题👇
我们用 AI 工具不一定要选一个最强的，而是可以把不同的工具串起来
前期调研：
用 Grok 挖 X 上的实时讨论、情绪和热点；涉及链接，再接对应数据源，把原始信号先找出来。
中间整理：
丢给 ChatGPT 做去重、归类、交叉验证，把一堆碎片整理成需求、结论和执行清单
最后执行：
复杂开发、改代码、跑测试、重构、修 Bug，再交给 Codex / Claude Code
整个链路串起来其实就是Grok 找需求 → ChatGPT 做判断 → Codex / Claude Code 落地
我们用 AI 工具不一定要选一个最强的，而是可以把不同的工具串起来
前期调研：
用 Grok 挖 X 上的实时讨论、情绪和热点；涉及链接，再接对应数据源，把原始信号先找出来。
中间整理：
丢给 ChatGPT 做去重、归类、交叉验证，把一堆碎片整理成需求、结论和执行清单
最后执行：
复杂开发、改代码、跑测试、重构、修 Bug，再交给 Codex / Claude Code
整个链路串起来其实就是Grok 找需求 → ChatGPT 做判断 → Codex / Claude Code 落地
0 00
最近 Claude Code 的 Skill 越来越多，我反而不建议看到一个装一个
建议优先看这 3 类：
grill-me
写需求、方案、架构前先让 Claude 追问，把遗漏的边界、假设、风险提前挖出来
handoff
长任务做到一半需要换 Session 时，把目标、决策、当前进度、下一步整理成交接信息，解决“新对话又从零解释”的问题
frontend-design
Anthropic 官方提供的前端设计 Skill，重点不是多写几个组件，而是减少 AI 默认模板味，让页面在排版、字体和视觉方向上更有设计感
建议优先看这 3 类：
grill-me
写需求、方案、架构前先让 Claude 追问，把遗漏的边界、假设、风险提前挖出来
handoff
长任务做到一半需要换 Session 时，把目标、决策、当前进度、下一步整理成交接信息，解决“新对话又从零解释”的问题
frontend-design
Anthropic 官方提供的前端设计 Skill，重点不是多写几个组件，而是减少 AI 默认模板味，让页面在排版、字体和视觉方向上更有设计感
1 00
最近“两名 Anthropic 工程师讲了 24 分钟的 Claude”视频火了
看完视频你会发现很多人用 Claude Code 只是最表面的
其实真正拉开效率差距的是后面的“工作流层”：
CLAUDE.md：长期写入项目规则
Rules：按目录加载约束
Skills：把高频任务封装成可复用能力
Subagents：把不同任务交给专门 Agent
Hooks：在关键节点自动执行测试、检查、格式化
再配合权限模式、后台任务和自动化流程，让 Claude 不再每一步都等你指挥
看完视频你会发现很多人用 Claude Code 只是最表面的
其实真正拉开效率差距的是后面的“工作流层”：
CLAUDE.md：长期写入项目规则
Rules：按目录加载约束
Skills：把高频任务封装成可复用能力
Subagents：把不同任务交给专门 Agent
Hooks：在关键节点自动执行测试、检查、格式化
再配合权限模式、后台任务和自动化流程，让 Claude 不再每一步都等你指挥
0 10
很多人用 Codex 老是遇到各种问题，其实不是模型不够强，而是这两个问题：
① 每次开新对话，又得重新解释一遍
项目背景、规则、做过什么、接下来做什么，全靠自己重复输入
② 打开 Codex，却不知道该让它干什么
最后直接让它“帮我写段代码”，根本没发挥 Agent 的价值。
所以最近这套 Codex × Obsidian 入门包值得关注，核心思路就是把 Obsidian 变成 Codex 的长期外置记忆：
项目规则 → AGENTS.md
长期知识 → Obsidian
进行中的任务 → TASKS / Projects
每次新会话 → 先读取上下文再开工
同时还配了记忆模板、7 天实践路线、可直接复制的任务指令
① 每次开新对话，又得重新解释一遍
项目背景、规则、做过什么、接下来做什么，全靠自己重复输入
② 打开 Codex，却不知道该让它干什么
最后直接让它“帮我写段代码”，根本没发挥 Agent 的价值。
所以最近这套 Codex × Obsidian 入门包值得关注，核心思路就是把 Obsidian 变成 Codex 的长期外置记忆：
项目规则 → AGENTS.md
长期知识 → Obsidian
进行中的任务 → TASKS / Projects
每次新会话 → 先读取上下文再开工
同时还配了记忆模板、7 天实践路线、可直接复制的任务指令
0 00
我把Muse、dots、小龙虾都研究了一遍，差距比想象中的大！
Muse、dots、OpenClaw 都能替你“干活”，但选错以后你付出的可能不止几十美元，还有一堆迁移和运维的成本。
一般判断这几类 Agent 只看 4 件事：谁负责运行？模型能不能换？数据放哪里？你愿不愿意自己运维？
把这 4 个问题搞清楚基本就知道该选谁了。
对了，最近刚好建了一个 AI 学习交流群，已经人数过百啦~
想把平时看到的 AI 工具、实操案例、Prompt、Agent、AI 编程和一些踩坑经验分享出来。
如果你也在学 ChatGPT、Claude Code，或者平时关注 AI 工具的欢迎进群一起交流，目前限时免费进~
01｜先给结论：它们根本不是同一种产品
一句话概括：Muse / dot 是“成品”；OpenClaw / Hermes 是“自己搭系统”。
02｜第一层区别：模型能不能自己选
Muse 官方明确说明，它由 Muse Spark 驱动，并运行在 Muse Secure VM 中。普通用户使用的是 Meta 配好的整套 Agent 产品，不能自己选择 Claude、GPT 配置进去。
dot 更明确：由 GPT-6 Astra 驱动。
OpenAI 还给每个 dot 提供自己的云端电脑，可以长期在后台处理任务。
OpenClaw 则完全相反。
它支持 Anthropic、OpenAI、Qwen、Kimi、MiniMax、本地 vLLM、LM Studio 等大量 Provider，模型只是其中一个可替换组件。
Hermes 同样是 Provider-agnostic，可以接 OpenAI、Anthropic、DeepSeek、OpenRouter、本地模型等。
所以想“开箱即用”，就选托管产品。
03｜第二层区别：电脑是谁的
Muse 的是 Muse Secure VM。
Meta 给 Agent 一个独立云端虚拟环境，里面有浏览器，可以访问网页、执行多步骤任务，而且你关闭 App 后任务仍可继续。
dot 也是托管模式。
OpenAI 官方明确说每个 dot 都有自己的 Cloud Computer，并且是 always-on Agent。
OpenClaw 则运行在你的电脑、NAS、VPS 或服务器。
OpenClaw 官方把它定义成 self-hosted gateway：状态、Memory 和 Credentials 主要由自己的环境管理。
Hermes 也不是“只能在本地跑”。
它支持 Local、Docker、SSH 远程服务器、Modal、Daytona 等多种执行后端，也可以把桌面客户端连接到另一台机器上的 Hermes Gateway。
选型区分：
- Muse / dot：服务器、浏览器环境、升级维护，平台替你负责。
- OpenClaw / Hermes：你获得更大控制权，同时也继承运维责任。
04｜第三层区别：Memory 到底掌握在谁手里
Muse 可以长期记住与你相关的信息，Meta 官方也允许用户要求 Muse 忘记特定内容。
dot 会共享 ChatGPT Memory 和近期上下文。
但这里有个非常重要的限制，目前用户不能逐条查看、修改或删除 dot 自己形成的单条记忆。
如果想删除 dot 自己的 Context，需要删除这个 dot；ChatGPT Memory 则单独管理。
OpenClaw 的状态、Memory 和 Credentials 存放在你的环境里，所以控制权更高。
Hermes 的 Memory 更透明。
例如 `MEMORY.md` 和 `USER.md` 都保存在本地 Hermes 数据目录，而且官方明确区分Memory 保存“事实”，Skill 保存“流程”。
05｜Hermes 最值得关注的是 Skill 沉淀
这也是 Hermes 和普通 Agent 一个比较明显的差异。
完成复杂任务以后你可以让 Hermes 把成功流程保存成 Skill。
例如：第一次让它部署一个项目，安装依赖 → 配 Docker → 修改配置 → 修报错 → 验证服务。
跑通以后可以让它把这套过程保存为 Skill。
以后再遇到相似任务直接调用这个流程。
Hermes 官方把它描述为 Self-improving through skills。
但注意：这不是说“每做一件事都会自动进化”。
更准确来说是Hermes 具备把成功经验持久化为可复用 Skill 的能力。
06｜Muse 适合什么任务
看 Meta 官方现在展示的能力，Muse 很明显强化了这些场景：购物、价格跟踪、订阅管理、预约、旅行、健身、邮件、日历和各种 Web 操作。
所以如果你的需求是：帮我比较几家商品价格、每天监控某个价格、处理订阅、帮我预约或者整理行程 Muse 会比较顺手。
但不等于 Muse 只能处理生活任务。
Meta 现在也已经给 Muse 增加 Notion、GitHub、Box 等工作类连接器。
所以更准确的说法是 Muse 当前产品体验更偏“个人事务执行”，而不是传统的 Coding Agent。
07｜dot 适合什么任务
dot 真正厉害的地方不是单纯配置了 GPT-6 Astra。
而是它存在 ChatGPT 生态里面。
OpenAI 官方称 dot 可以连接 4000+ 应用，而且 ChatGPT、ChatGPT Work、Codex 与 dots 可以共享已经授权的 Plugin 权限。
比如以下场景：
- 看今天 Slack 和邮件有哪些事情需要处理
- 找出其中涉及代码的问题，让 Codex 去处理
- 根据处理结果准备明天会议的 Brief
这种跨应用连续工作更符合 dot 的优势。
08｜什么时候该选 OpenClaw
OpenClaw 的优势不是“比 Muse 更厉害”。
而是这是你的系统。
你可以自己控制模型、机器、Channel、插件、Memory、Cron、Browser、Sandbox 和权限。
官方目前支持 Telegram、Slack、Teams、Signal、WhatsApp 等大量 Channel，同时支持自托管模型和云模型。
特别适合企业内部自动化、个人知识库、长期定时任务、自托管 Agent、需要深度改造工作流的场景。
但也要知道这里面的代价：自己掌控服务器，也意味着自己负责服务器。 网络、升级、磁盘、Docker、模型 API、备份、权限出了问题，都得自己处理。
09｜什么时候考虑 Hermes
如果你喜欢 OpenClaw 这种自由度，但还希望 Agent 更强调Memory、Skill、Cron、MCP、远程执行、自动化，
Hermes 很值得研究。
它现在已经支持 Persistent Memory、Skill、MCP、Cron、多平台 Gateway、多 Provider，以及 Local / Docker / SSH / Cloud Sandbox 等不同执行环境。
我会把它理解成 更偏“可持续培养的数字员工框架”。
而 OpenClaw 更像 通用型、自托管的 Agent 操作平台。
不是说谁更厉害，而是设计重点不同。
10｜安全上，最重要的不是谁“绝对安全”
Muse 官方的设计是密码和支付信息放进 Secure Credential Store，Muse 本身看不到；购买时还可以使用一次性卡号。发送邮件、购买等关键操作需要用户批准，并保留 Audit Trail。
dot 同样有权限分级。
OpenAI 明确规定修改密码、转账等高敏感动作需要用户接管；永久删除数据、安装软件等动作可能需要逐次确认。
同时还会通过 Auto-review 检查某些操作。
OpenClaw / Hermes 的情况则不同。
权限可以掌握在你手里，但工具如果直接运行在 Host 上，同样可能访问你的文件和系统。
例如 Hermes 官方提醒 Local Backend 下，Agent 拥有与你当前用户相同的文件系统权限，更敏感的任务建议使用 Docker 等隔离环境。
所以总结一句话：托管 Agent 是把部分安全责任交给平台；自建 Agent 是把更多安全责任留给自己。
11｜Self-hosted 也不等于数据完全不出本地
这是“小龙虾玩家”非常容易产生的误区。
OpenClaw 可以部署在自己机器。
但如果你使用 Claude API、OpenAI API、Gemini API，Prompt 仍然需要发给模型服务商。
OpenClaw 官方 README 也明确说明，请求会发送给你配置的模型 Provider 和聊天平台。
所以真正做到数据尽量不离开本地的，通常至少需要本地 Agent + 本地模型 + 本地 Embedding + 本地数据库/工具。
Self-hosted Agent ≠ Automatically offline。
12｜最终怎么选？记住这张表就够了
最后总结一个很实用的判断标准：
- 你不想维护系统，就不要因为“自由度高”去折腾自建 Agent。
- 你需要完全控制数据，也不要因为“大厂方便”就把所有权限交给托管 Agent。
Muse 和 dot 最大的价值是省去了运维成本。
OpenClaw 和 Hermes 最大的价值是自己有控制权。
Muse、dots、OpenClaw 都能替你“干活”，但选错以后你付出的可能不止几十美元，还有一堆迁移和运维的成本。
一般判断这几类 Agent 只看 4 件事：谁负责运行？模型能不能换？数据放哪里？你愿不愿意自己运维？
把这 4 个问题搞清楚基本就知道该选谁了。
对了，最近刚好建了一个 AI 学习交流群，已经人数过百啦~
想把平时看到的 AI 工具、实操案例、Prompt、Agent、AI 编程和一些踩坑经验分享出来。
如果你也在学 ChatGPT、Claude Code，或者平时关注 AI 工具的欢迎进群一起交流，目前限时免费进~
01｜先给结论：它们根本不是同一种产品
一句话概括：Muse / dot 是“成品”；OpenClaw / Hermes 是“自己搭系统”。
02｜第一层区别：模型能不能自己选
Muse 官方明确说明，它由 Muse Spark 驱动，并运行在 Muse Secure VM 中。普通用户使用的是 Meta 配好的整套 Agent 产品，不能自己选择 Claude、GPT 配置进去。
dot 更明确：由 GPT-6 Astra 驱动。
OpenAI 还给每个 dot 提供自己的云端电脑，可以长期在后台处理任务。
OpenClaw 则完全相反。
它支持 Anthropic、OpenAI、Qwen、Kimi、MiniMax、本地 vLLM、LM Studio 等大量 Provider，模型只是其中一个可替换组件。
Hermes 同样是 Provider-agnostic，可以接 OpenAI、Anthropic、DeepSeek、OpenRouter、本地模型等。
所以想“开箱即用”，就选托管产品。
03｜第二层区别：电脑是谁的
Muse 的是 Muse Secure VM。
Meta 给 Agent 一个独立云端虚拟环境，里面有浏览器，可以访问网页、执行多步骤任务，而且你关闭 App 后任务仍可继续。
dot 也是托管模式。
OpenAI 官方明确说每个 dot 都有自己的 Cloud Computer，并且是 always-on Agent。
OpenClaw 则运行在你的电脑、NAS、VPS 或服务器。
OpenClaw 官方把它定义成 self-hosted gateway：状态、Memory 和 Credentials 主要由自己的环境管理。
Hermes 也不是“只能在本地跑”。
它支持 Local、Docker、SSH 远程服务器、Modal、Daytona 等多种执行后端，也可以把桌面客户端连接到另一台机器上的 Hermes Gateway。
选型区分：
- Muse / dot：服务器、浏览器环境、升级维护，平台替你负责。
- OpenClaw / Hermes：你获得更大控制权，同时也继承运维责任。
04｜第三层区别：Memory 到底掌握在谁手里
Muse 可以长期记住与你相关的信息，Meta 官方也允许用户要求 Muse 忘记特定内容。
dot 会共享 ChatGPT Memory 和近期上下文。
但这里有个非常重要的限制，目前用户不能逐条查看、修改或删除 dot 自己形成的单条记忆。
如果想删除 dot 自己的 Context，需要删除这个 dot；ChatGPT Memory 则单独管理。
OpenClaw 的状态、Memory 和 Credentials 存放在你的环境里，所以控制权更高。
Hermes 的 Memory 更透明。
例如 `MEMORY.md` 和 `USER.md` 都保存在本地 Hermes 数据目录，而且官方明确区分Memory 保存“事实”，Skill 保存“流程”。
05｜Hermes 最值得关注的是 Skill 沉淀
这也是 Hermes 和普通 Agent 一个比较明显的差异。
完成复杂任务以后你可以让 Hermes 把成功流程保存成 Skill。
例如：第一次让它部署一个项目，安装依赖 → 配 Docker → 修改配置 → 修报错 → 验证服务。
跑通以后可以让它把这套过程保存为 Skill。
以后再遇到相似任务直接调用这个流程。
Hermes 官方把它描述为 Self-improving through skills。
但注意：这不是说“每做一件事都会自动进化”。
更准确来说是Hermes 具备把成功经验持久化为可复用 Skill 的能力。
06｜Muse 适合什么任务
看 Meta 官方现在展示的能力，Muse 很明显强化了这些场景：购物、价格跟踪、订阅管理、预约、旅行、健身、邮件、日历和各种 Web 操作。
所以如果你的需求是：帮我比较几家商品价格、每天监控某个价格、处理订阅、帮我预约或者整理行程 Muse 会比较顺手。
但不等于 Muse 只能处理生活任务。
Meta 现在也已经给 Muse 增加 Notion、GitHub、Box 等工作类连接器。
所以更准确的说法是 Muse 当前产品体验更偏“个人事务执行”，而不是传统的 Coding Agent。
07｜dot 适合什么任务
dot 真正厉害的地方不是单纯配置了 GPT-6 Astra。
而是它存在 ChatGPT 生态里面。
OpenAI 官方称 dot 可以连接 4000+ 应用，而且 ChatGPT、ChatGPT Work、Codex 与 dots 可以共享已经授权的 Plugin 权限。
比如以下场景：
- 看今天 Slack 和邮件有哪些事情需要处理
- 找出其中涉及代码的问题，让 Codex 去处理
- 根据处理结果准备明天会议的 Brief
这种跨应用连续工作更符合 dot 的优势。
08｜什么时候该选 OpenClaw
OpenClaw 的优势不是“比 Muse 更厉害”。
而是这是你的系统。
你可以自己控制模型、机器、Channel、插件、Memory、Cron、Browser、Sandbox 和权限。
官方目前支持 Telegram、Slack、Teams、Signal、WhatsApp 等大量 Channel，同时支持自托管模型和云模型。
特别适合企业内部自动化、个人知识库、长期定时任务、自托管 Agent、需要深度改造工作流的场景。
但也要知道这里面的代价：自己掌控服务器，也意味着自己负责服务器。 网络、升级、磁盘、Docker、模型 API、备份、权限出了问题，都得自己处理。
09｜什么时候考虑 Hermes
如果你喜欢 OpenClaw 这种自由度，但还希望 Agent 更强调Memory、Skill、Cron、MCP、远程执行、自动化，
Hermes 很值得研究。
它现在已经支持 Persistent Memory、Skill、MCP、Cron、多平台 Gateway、多 Provider，以及 Local / Docker / SSH / Cloud Sandbox 等不同执行环境。
我会把它理解成 更偏“可持续培养的数字员工框架”。
而 OpenClaw 更像 通用型、自托管的 Agent 操作平台。
不是说谁更厉害，而是设计重点不同。
10｜安全上，最重要的不是谁“绝对安全”
Muse 官方的设计是密码和支付信息放进 Secure Credential Store，Muse 本身看不到；购买时还可以使用一次性卡号。发送邮件、购买等关键操作需要用户批准，并保留 Audit Trail。
dot 同样有权限分级。
OpenAI 明确规定修改密码、转账等高敏感动作需要用户接管；永久删除数据、安装软件等动作可能需要逐次确认。
同时还会通过 Auto-review 检查某些操作。
OpenClaw / Hermes 的情况则不同。
权限可以掌握在你手里，但工具如果直接运行在 Host 上，同样可能访问你的文件和系统。
例如 Hermes 官方提醒 Local Backend 下，Agent 拥有与你当前用户相同的文件系统权限，更敏感的任务建议使用 Docker 等隔离环境。
所以总结一句话：托管 Agent 是把部分安全责任交给平台；自建 Agent 是把更多安全责任留给自己。
11｜Self-hosted 也不等于数据完全不出本地
这是“小龙虾玩家”非常容易产生的误区。
OpenClaw 可以部署在自己机器。
但如果你使用 Claude API、OpenAI API、Gemini API，Prompt 仍然需要发给模型服务商。
OpenClaw 官方 README 也明确说明，请求会发送给你配置的模型 Provider 和聊天平台。
所以真正做到数据尽量不离开本地的，通常至少需要本地 Agent + 本地模型 + 本地 Embedding + 本地数据库/工具。
Self-hosted Agent ≠ Automatically offline。
12｜最终怎么选？记住这张表就够了
最后总结一个很实用的判断标准：
- 你不想维护系统，就不要因为“自由度高”去折腾自建 Agent。
- 你需要完全控制数据，也不要因为“大厂方便”就把所有权限交给托管 Agent。
Muse 和 dot 最大的价值是省去了运维成本。
OpenClaw 和 Hermes 最大的价值是自己有控制权。
0 00
从 10 月 9 日起，Gemini免费用户只能使用 Flash-Lite模型啦
$4.99/月的 AI Plus 后续也会用不了 Pro，只保留 Flash-Lite + Flash
要是用 Pro的话需要升级到 $19.99/月的 AI Pro才行了
$4.99/月的 AI Plus 后续也会用不了 Pro，只保留 Flash-Lite + Flash
要是用 Pro的话需要升级到 $19.99/月的 AI Pro才行了
0 00
Anthropic 给初创公司送一年免费的 Claude Team + $1,000 额度
新版的 Claude for Startups 计划 5 个高级席位的一年免费 Claude Team、$1,000 API 额度、Claude Marketplace 插件开发权限、Applied AI 团队虚拟办公时间。
条件是成立 5 年内或近 2 年融过资😬
新版的 Claude for Startups 计划 5 个高级席位的一年免费 Claude Team、$1,000 API 额度、Claude Marketplace 插件开发权限、Applied AI 团队虚拟办公时间。
条件是成立 5 年内或近 2 年融过资😬
3 00
Google Research 团队提出 RRSI，不改模型权重，只优化 Agent 外面的 Harness，包括 Prompt、工具、Memory、控制流程和上下文管理
关键是它给“自我改进”加了约束：
→ 限制一次改太多东西
→ 记录失败路线，避免反复撞墙
→ Critic 拦截针对测试题硬编码的方案
→ 剪掉没收益、只增加 Token 的复杂组件
结果很有意思👇
用 Gemini 3.5 Flash 进化出的 Harness 原封不动的换到从未参与优化的 Gemini 3.1 Flash-Lite 上，Terminal-Bench 2.1 从 11.2 → 14.6模型权重居然没变
这也给做 Agent 的人一个很实用的提醒，Prompt、工具、记忆和流程，本身就是可以积累的“系统能力”
关键是它给“自我改进”加了约束：
→ 限制一次改太多东西
→ 记录失败路线，避免反复撞墙
→ Critic 拦截针对测试题硬编码的方案
→ 剪掉没收益、只增加 Token 的复杂组件
结果很有意思👇
用 Gemini 3.5 Flash 进化出的 Harness 原封不动的换到从未参与优化的 Gemini 3.1 Flash-Lite 上，Terminal-Bench 2.1 从 11.2 → 14.6模型权重居然没变
这也给做 Agent 的人一个很实用的提醒，Prompt、工具、记忆和流程，本身就是可以积累的“系统能力”
2 00