GEO 两个阶段复盘:上海站住了,广东没有
从 13 个拍脑袋的话题,到 33 个地域词。整体提及率从 30.9% 掉到 17.9%——但这不是效果变差,是分母换了。以及拆开之后才看得见的地域梯队。
文章
所有技术随笔与实践记录
我做了一个 AI 视频生成画布
帧流 Frameflow 是一个本地 AI 视频生成画布,图片/提示词/视频任务全在一张画布上,通过 @ 引用和连线自动组织请求。
我把 MiniMax Music 封装成了一个 Agent Skill:一句话生成歌曲、纯音乐和翻唱
开源一个 MiniMax Music Agent Skill,支持一句话生成歌曲、自动写词、纯音乐和参考音频翻唱,API Key 全程通过环境变量管理。
我把中文口播视频生产流程,做成了一个 Codex Skill
把我自己使用的一套中文口播视频生成流程,整理成了一个可以复用的 Codex Skill,公开到了 GitHub。
灵瞳GEO:一个 AI 搜索引用追踪系统的设计与实现
灵瞳GEO:一个 AI 搜索引用追踪系统的设计与实现 这是什么 AI 搜索正在吃掉一部分传统搜索的份额,但企业几乎没有办法回答一个基础问题:当用户问豆包"上海电商财务外包哪家好"时,AI 的回答里到底引用了谁? 灵瞳GEO 是我为解决这个问题做的引用追踪系统。它定时向豆包、元宝、通义千问、Kimi、DeepSeek 五个平台发起真实提问,解析每次回答背后的引用来源,按「话题 × 平台 × 日期」聚合出引用次数、引用源域名分布,以及自有站点的引用占比。 技术栈是 FastAPI + LangGraph + React + MySQL。采集层不是单一方案——三个平台走官方 API 的结构化 citation 字段,两个平台走 RPA,选型依据是哪种方式能拿到最接近用户真实所见的引用,而不是哪种技术更"干净"。这个取舍是整个系统里我认为最值得写的部分。
把生意参谋做成 AI 能调用的 Skill，我踩过的坑
把淘宝生意参谋里的数据封装成 7 个 AI 可调用的 skill。看似是写 skill，其实难点全在数据通道：登录态会过期、滑块验证、接口签名、原始数据清洗——这些才是真正花时间的地方。
人和AI，都是通过外部接触来突破自己的认知
你身边一定有这种人 读书读到三十岁，什么书都看过，什么课都刷过，但你跟他聊天，三句话就露馅——他只是在重复别人的观点，用不同的包装盒装着同样的空洞。 另一种人不一样。他们不一定读得多，但他们有个特点：他们总是在跟真实的东西打交道。 跟真实的人吵架，跟真实的项目死磕，跟真实的问题正面交锋。每一次碰撞都会把原来的自己磕掉一块，漏出底下更深层的东西。 这种人进步的速度，往往是前者的十倍。 外部接触为什么有效 人变聪明这件事，从来不是自己想出来的。 人的认知有一个天然的缺陷：你不知道自己不知道什么。 这个缺陷靠内省是修不好的。你坐在房间里想一年，想出来的都是你已经知道的东西的排列组合。你需要外部信号来告诉你，你的模型哪里错了。 对于人来说，这个外部信号来自：对话中的冲突。 别人提出你没想到过的反驳，逼你重新审视自己的结论。真实项目的反馈。 你做了一个产品，用户的行为跟你想的完全不一样，这个差距就是认知的突破口。跨领域的信息。 一个做量化的人去读哲学，发现自己一直在用的东西原来有更深层的名字。 对于AI来说，逻辑也是一样。一个LLM在预训练阶段已经压缩了人类知识的精华，但它
我用三天手写了一个 mini Claude Code，然后发现 agent 的难点全在工程
起因很简单：用 Claude Code 用了半年，却从没自己从零写过 agent。三天后我做出来了，两百多行。代码不复杂。撞完坑之后对 agent 的判断变了：门槛根本不在算法，全在工程。
AI 接入股票交易：规则之重，理想之轻
当算法遇上监管，量化之路为何越走越窄。AI接入股票交易的真实感悟——规则之重，理想之轻。
过去 48 小时：GitHub 热门 AI 项目与几个值得关注的信号
AI NEWS DIGEST 过去 48 小时：GitHub 热门 AI 项目与几个值得关注的信号 从 LLM 从零实现到自动化交易 Agent，本周 GitHub 趋势透露了一些值得关注的方向。 快读GitHub 趋势AI Agent 01GitHub / Model LLMs-from-scratch：自己动手实现 ChatGPT 这个仓库用 PyTorch 从零实现了一个类 ChatGPT 模型，目前已有超过 93k stars。它不是教程，而是一套完整的、可运行的代码。 值得关注的原因：对于想深入理解 LLM 架构的开发者，这是目前最好的实践资源之一。 02GitHub / Agent AI-Trader：100% 全自动 Agent 原生交易系统 一个完全基于 AI
AI做股票交易时遇到的那些问题
用AI做股票交易，听起来很性感。喂数据、跑模型、自动下单，睡前看一眼账户，醒来发现赚了多少多少——这是宣传片里的画面。 现实是另一回事。我自己跑过一段时间，以下是真实遇到过的问题，不含水分。 数据质量问题：垃圾进，垃圾出 这句话听过一百遍，但真正被数据坑过的人才知道有多疼。 历史数据有缺口。某些股票在特定时间段因为停牌、股改、分红除权，price要做复权处理，但不同平台复权方式不一样——前复权、后复权、不复权，三个数字可能差出去30%。你用前复权数据训练，回测看起来很漂亮，实盘一跑完全是另一回事。 还有成交量数据。涨停的时候成交量可能是0，因为交易所那边没成交——但你的模型看到0成交还以为市场冰封了，实际上那只股票当天涨停板封了几十万手。 AI对数据质量非常敏感。人工做交易，看到异常数据会本能地怀疑一下。AI不会，它很认真地根据错误数据做出了判断，然后亏钱。 过拟合：回测的时候天下无敌，实盘的时候度日如年 这是AI量化最大的坑，没有之一。 你有一段时间的市场数据，拿过来反复训练、反复调整参数，直到回测曲线漂亮得跟画的一样。