learning agent and building agent
Joined June 2023
- Tweets 349
- Following 135
- Followers 71
- Likes 64
25 Photos and videos
Apr 4
去年研究过这门生意，门道很多，这篇帖子说的也不是很详细还有些黑灰的路子没有说
72
Apr 3
最近刚好需要，有需要电商自动化的朋友可以看看
想做电商，但又不知道从哪里入手。
这套 GitHub 工作流，帮你搭一支一人电商运营团队。
分别是：「选品研究」、「素材处理」、「店铺系统」、「自动化运营」，以及「客服转化」。
1、选品研究：changedetection.io
实用的网页监控工具，可以持续追踪商品的价格和库存。当你不知道如何选品的时候，可以直接参考别人的。
🔗：github.com/dgtlmoon/changede…
2、商品素材处理：PicPilot
这是个适合做商品图和营销视觉素材的开源项目。它甚至可以基于现有商品图做扩图、编辑生成更完整的产品展示画面，也可以做更适合投放和详情页使用的视觉包装。
🔗：github.com/VikramxD/PicPilot
3、店铺系统：Medusa
成熟的开源电商后端 ，如果你想自己做一个电商网站，这个项目能帮你把最麻烦的底层先搭起来，比如商品、订单、库存这些关键模块。
🔗：github.com/medusajs/medusa
4、自动化运营：n8n
这个工具能帮你把很多原本要手动做的事自动跑起来，比如有人下单，自动发确认消息；库存快没了，自动提醒你补货；发货后，自动通知买家。
🔗：github.com/n8n-io/n8n；n8n.io/（在线网站直接用）
5、客服转化：Chatwoot
开源客服系统 ，能把网站咨询、邮件、社媒消息集中处理, 从而不会遗漏客户的重要消息。
🔗：github.com/chatwoot/chatwoot
这套组合真正有价值的地方，是把电商拆成一条完整工作流：选品 → 做素材 → 搭店铺 → 跑自动化 → 做转化。
想了解如何在Github中搜索这些实用的项目，请看下文。
1
67
Apr 1
agent时代，人的需求没有增加，注意力没有增加，相反在agent能力大幅度提升后注意力会更加转向娱乐性产品，所以saas如何拿回用户的注意力呢？
如何留住用户核心数据资产或许是拿回注意力的关键
1
53
Mar 31
不得不说claude code确实是harness工程的典范
77
Mar 31
对了，现在搭建看到的源码仓库里面的代码其实已经被换掉了，不是真实的了
41
Mar 31
Claude Code 最值钱的东西，可能根本不是 prompt。
看完这篇源码拆解，我更确定了：
真正拉开差距的，不是那段写在最前面的 system prompt，
而是后面那整套几乎没人愿意下苦功的工程系统——权限控制、工具治理、Agent 分工、验证链路、上下文缓存、生命周期管理。
很多团队以为自己在做 Agent，
其实只是给 LLM 接了几个工具。
差距不在模型有多聪明，差距在系统有多完整。
139
Mar 31
不仅仅是前端在转型做增长工程师，我是后端工程师，也是在转行做增长工程师
2
50
Mar 29
真正拉开 Claude Code 使用差距的，不是模型，而是工作流。
最近看到这个仓库，它不是零散 prompt 集合，而是把 agents、skills、commands、hooks、rules、MCP 配置整理成了一整套系统。
更有意思的是，连 setup、token 优化、记忆持久化、eval、并行化这些关键环节，也给了 guide。
如果你想把 Claude Code 从“能用”升级成“高频生产工具”，这个项目值得收藏
1
2
103
Mar 29
55
Mar 26
Just stumbled on this GEO-SEO tool for Claude Code and honestly? Kinda blown away.
It audits your site for AI search visibility — not just Google, but ChatGPT, Perplexity, Gemini, the whole gang. Checks if AI crawlers can actually reach you, scores your content for "citability" (yes that's a word now), and even scans brand mentions across platforms.
The kicker: only 23% of marketers are investing in GEO right now, but AI-referred traffic converts 4.4x better than organic. Wild gap.
1
1
325
Mar 24
期待落地实践效果
Mar 19
论文来了。名字叫 MSA，Memory Sparse Attention。
一句话说清楚它是什么：
让大模型原生拥有超长记忆。不是外挂检索，不是暴力扩窗口，而是把「记忆」直接长进了注意力机制里，端到端训练。
过去的方案为什么不行？
RAG 的本质是「开卷考试」。模型自己不记东西，全靠现场翻笔记。翻得准不准要看检索质量，翻得快不快要看数据量。一旦信息分散在几十份文档里、需要跨文档推理，就抓瞎了。
线性注意力和 KV 缓存的本质是「压缩记忆」。记是记了，但越压越糊，长了就丢。
MSA 的思路完全不同：
→ 不压缩，不外挂，而是让模型学会「挑重点看」
核心是一种可扩展的稀疏注意力架构，复杂度是线性的。记忆量翻 10 倍，计算成本不会指数爆炸。
→ 模型知道「这段记忆来自哪、什么时候的」
用了一种叫 document-wise RoPE 的位置编码，让模型天然理解文档边界和时间顺序。
→ 碎片化的信息也能串起来推理
Memory Interleaving 机制，让模型能在散落各处的记忆片段之间做多跳推理。不是只找到一条相关记录，而是把线索串成链。
结果呢？
· 从 16K 扩到 1 亿 token，精度衰减不到 9%
· 4B 参数的 MSA 模型，在长上下文 benchmark 上打赢 235B 级别的顶级 RAG 系统
· 2 张 A800 就能跑 1 亿 token 推理。这不是实验室专属，这是创业公司买得起的成本。
说白了，以前的大模型是一个极度聪明但只有金鱼记忆的天才。MSA 想做的事情是，让它真正「记住」。
我们放 github 上了，算法的同学不容易，可以点颗星星支持一下。🌟👀🙏
github.com/EverMind-AI/MSA
1
167
Mar 20
最近在学习agent的同学都可以读一下
1
168
Mar 18
MCP fans won't like this...
ok here's my mcp vs cli take after months of building agents
the good stuff about MCP:
standardized way to connect AI to tools
great for IDE integrations (cursor, claude desktop)
type safety, schema validation, all that jazz
the reality check:
schema loading eats your context window alive
debugging json-rpc errors is no fun
for tools the model already knows (git, curl, npm)... why bother?
what i actually do:
# instead of mcp server
agent.run("curl api.github.com/user")
# mcp approach
agent.use_mcp_server("github", "get_user")
# ...wait why is this returning nothing again
maybe MCP is great for enterprise setups with fancy requirements
but for me? my agent runs commands. cli works. simple.
fight me ✌️
#ai #llm #mcp #programming #indiedev
194