所有技术随笔与实践记录
这次参加山东省 AI 产业大会，和现场的 AI 产品经理交流了不少内容。其中有一个话题，让我回来之后一直在想：企业数字员工，到底什么时候才能真正用起来？ 其实数字员工这个概念已经讲了很多年。从最早的 RPA，到后来的大模型、AI Agent，产品形态一直在变化，但感觉始终没有真正达到大家的预期。 直到今年 OpenClaw 的爆火，让我觉得事情可能开始有些不一样了。 为什么 OpenClaw 能在这么短的时间里引起这么大的关注？企业又为什么对它这么感兴趣？ 我觉得原因其实挺简单的。 过去我们接触的大多数 AI，本质上还是一个工具。你问它问题，它给你答案；你让它生成一份报告，它帮你生成。但真正要完成一项工作，往往还是需要人在不同系统之间反复操作。 而 OpenClaw 让大家看到了另一种可能：我只需要把任务交代给 AI，它就可以自己调用工具、操作软件，甚至持续推进一项工作。 这其实才是很多企业一直想要的数字员工。 当然，OpenClaw 目前也有不少问题。部署和维护需要一定的技术能力，权限控制、
8 月 10 日到 9 月 3 日，3573 次行业词采样。行业词提及率从谷底 6.6% 涨到 18.6%，只看一直没变过的那批问题则是 6.2% → 16.7%。这篇把两套口径并排放出来，包括我写到一半才发现自己改过两次监测题集这件事。
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。
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。
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。
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。
覆盖 14 个话题、5 个 AI 平台，3 天 309 次采样：灵瞳 GEO 的数据模型、采集架构（API + RPA 混合）、指标体系和 8 条边界声明。
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。
读书读到三十岁，但三句话就露馅。另一种人进步远快于他——不是因为读得多，而是因为一直在跟真实的东西打交道。
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。
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。
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
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。
