✍️ AI 改写 🎯 Meme 猎手 🦐 皮皮虾
3000 展示 > 赞 >
排序:
GitHub Projects Community AI @GithubProjects · 2026年07月02日 22:30
scrcpy 可以让你在电脑上通过 USB 或 TCP/IP 镜像并控制安卓设备。延迟极低,无需 root,手机端也无需安装任何 App。

- 支持 30–120fps 高帧率镜像,分辨率可达 1920×1080 或更高
- 支持音频转发 (Android 11+)、录屏和虚拟显示
- 通过 HID 模拟实体键盘和鼠标
- 兼容 Linux、Windows 和 macOS

详情链接:
https://www.opensourceprojects.dev/post/scrcpyscrcpy 可以让你在电脑上通过 USB 或 TCP/IP 镜像并控制安卓设备。延迟极低,无需 root,手机端也无需安装任何 App。

- 支持 30–120fps 高帧率镜像,分辨率可达 1920×1080 或更高
- 支持音频转发 (Android 11+)、录屏和虚拟显示
- 通过 HID 模拟实体键盘和鼠标
- 兼容 Linux、Windows 和 macOS

详情链接:
https://www.opensourceprojects.dev/post/scrcpy
scrcpy mirrors and controls Android devices from your desktop over USB or TCP/IP with low latency, no root required, and no app installation on the device.

- 30–120fps mirroring at up to 1920×1080 or above
- Audio forwarding (Android 11+), recording, and virtual display support
- Physical keyboard and mouse simulation via HID
- Works on Linux, Windows, and macOS

Explore it here:
https://www.opensourceprojects.dev/post/scrcpy
图片
4 39 21.5K
爱丽丝呀! 加密 @BTCqzy1 · 2026年07月03日 03:01
做网页、H5 或者微信小程序,最头疼的就是动效

分享一个蚂蚁集团顶级技术开源的项目—Galacean Effects

它能让你项目直接拥有电影级 3D 粒子、流光拖尾、高级滤镜等炫酷特效,视觉瞬间拉满

核心亮点:

全平台丝滑救星:PC 官网、手机 H5、微信小程序全支持。从底层做了极致优化,哪怕复杂粒子 + Mesh 变形动画,在各种设备上依然能稳稳 60fps,满帧丝滑。

开发成本降维打击:配套视觉编辑器,所见即所得,特效做好直接导出,前端一行代码引入即可像素级复现。

超轻量,不拖累首屏:电影级渲染能力,却体积克制,几乎不影响网站或小程序的加载速度。

丰富交互反馈:原生支持鼠标悬停、点击、手机触摸、滑动等手势,轻松做出跟手的高级互动效果。

感兴趣的可以看看哦~dyor!

地址:https://github.com/galacean/effects-runtime
26 15 10.4K
币安Binance华语 加密 @binancezh · 2026年07月03日 08:48
⚡ bStocks 人格测试 Day 3 交易风格篇

你是喜欢耐心蹲守长期价值的观察派(SNDKB)🆚 还是紧跟市场节奏、捕捉热度的敏捷派(AMDB)❓

带 #我的bStocks偏好 RT并评论 A 或 B 即可参与

明日即将揭晓你的 bStocks 投资偏好 🎮 连续三日,每日评论区抽取五位获得30U! https://x.com/binancezh/status/2072965605465231633/photo/1
图片
281 195 21.7K
余温 AI @gkxspace · 2026年07月03日 11:40
国人是真他妈牛逼,一个网站 VS 所有社交平台

满足了我对数据的所有幻想,果然有需求就有市场 https://x.com/gkxspace/status/2073009004452749610/photo/1
图片
20 27 31.1K
DeFi狙击手 | Ai🕊️ 加密 @bi_9527zx · 2026年07月02日 14:37
兄弟们狙击手联合mgbx给大家限量周边超级大放送!

直接送出5套!

双肩包 + 保温杯 + 手机支架,超实用三件套!

我自己都超级喜欢这套周边,但这次一套都不留,全部送给你们!

5个幸运儿,每人直接打包带走一套!

参与方式超简单:
关注 @justin9309 @MGBX_Global @bi_9527zx点赞 + 评论+转发本推文

留言不少于8个字(多说说你最想要哪一件也行!)

明天晚上10点,Grok现场开奖!

手速快 + 运气好 = 周边到手!

https://www.mgbx.com/ | 全球领先的加密货币交易所

安全 · 便捷 · 专业,让你放心交易每一天!
图片图片图片
107 53 44.5K
GOLD 其他 @Honcia13 · 2026年07月02日 13:46
一个海外博主公开了自己用 AI 做 YouTube 的完整流程。

他用 Claude 从 0 做了一个无人出镜频道。

不到 90 天,数据如下:

• 第 1 个月:608 美元
• 第 2 个月:10,557 美元
• 第 3 个月:26,133 美元
总播放量 370 万。
订阅数 2.4 万。

真正值得看的,不是他赚了多少钱,

而是他把整套方法拆出来了。

一开始,他发现一个做「名人八卦 / 热点事件」的频道,每个月能稳定赚几万美元。

他没有直接照抄内容,

而是先拆解这个赛道:

• 为什么这些选题会爆
• 标题有什么固定套路
• 剧本节奏怎么推进
• 缩略图为什么让人想点
• 哪些人物和冲突反复有效

然后他决定用 Claude,把这个流程系统化。

第一步:频道取证。

他把同赛道几十条爆款视频丢给 Claude。
不是让 AI 简单总结,
而是让它像频道操盘手一样分析:
• 哪类标题点击率最高
• 哪类情绪最容易传播
• 哪些话题反复出现
• 哪些人物自带流量
• 视频结构有什么共同规律
目的只有一个:

找出这个赛道背后的流量公式。

第二步:标题工程。

他没有把 Claude 当普通文案工具,

而是把它设定成:

YouTube 爆款标题工程师。

根据前面提炼出的规律,

批量生成几十个标题,
再由人工筛选最有点击潜力的版本。
他后来发现:
很多人把 80% 时间花在剪辑上,
但真正决定视频能不能被点开的,

往往是选题和标题。

第三步:剧本逆向。

他会找 3 条近期爆火视频,

最好是 30 天内超过 50 万播放的内容。

然后把文字稿交给 Claude 分析:

• 开头 3 秒怎么抓人
• 冲突点什么时候出现
• 信息密度如何控制
• 节奏在哪里加速
• 结尾如何提高完播率

最后不是复制原视频,

而是提炼出一套可复用的剧本模板。

AI 并不负责所有事情。

它负责最关键的上游:

选题、标题、剧本和策略。

这些确定后,

他再把执行交给自由职业团队:

• 剪辑
• 配音
• 缩略图制作

每条视频成本控制在 50-70 美元。

他自己主要做两件事:

定方向,

做审核。

这个模式最关键的一点是:

把自己从执行者,变成内容系统的设计者。
AI 负责框架和策略。
外包团队负责生产。
YouTube 广告分成负责变现。
当单条视频成本只有几十美元,

而播放量开始稳定之后,

它就不再是一次性创作,

而是一条可复制的内容流水线。

他说过一句很有意思的话:

很多人以为 AI 会取代创作者。

但更准确地说,

AI 是把一个人的产能,放大成一个小团队。

在这个流程里,

Claude 不是用来随便写稿的。
而是用来:
• 研究爆款
• 逆向频道
• 生成标题
• 拆解剧本
• 制定策略

过去可能要 5 个人完成的工作,

现在一个人加一套 AI 工作流,

就能跑出雏形。

真正值钱的不是某一个 AI 工具,

而是你能不能把工具、流程、外包和变现,

串成一个稳定系统。
图片
31 60 10.3K
火山哥🕊️ 加密 @huoshan007 · 2026年07月03日 01:23
兄弟们以后做视频不需要傻傻的配音了。

自己配嫌麻烦,AI 配音又假,ElevenLabs 这些好用但烧钱,来回调半天人都麻了。

今天给大家一个免费开源狠活:Voicebox。

项目地址:
https://github.com/jamiepine/voicebox

它可以复刻声音,做旁白、口播、角色音都能玩。

还能全局语音输入,甚至让 AI Agent 直接开口说话。

最关键:本地运行,不用 API Key,数据不出电脑,想用多少次用多少次。

做内容的人,这玩意儿真有点救命。

配音这块,终于不用每次都像求爷爷告奶奶了。
图片
25 55 22.9K
Joruno 加密 @wsl8297 · 2026年07月02日 17:56
图片
20 1 37.2K
Joruno 加密 @wsl8297 · 2026年07月03日 02:11
图片
15 0 25.0K
路飞 🏴‍☠️ AI 研究员🧐 AI @0xluffy_eth · 2026年07月03日 07:23
19岁男生用AI生成美女账号

2周赚了85万日元

用Claude生成舞蹈视频 → TikTok 5天涨5万粉 → Fanvue开付费订阅

562个人每月付$9.99,直接就赚钱了

前面TikTok吸粉,后面Fanvue变现,这套路确实能复制 https://x.com/0xluffy_eth/status/2072944231170388031/video/1
27 9 26.9K
Bill The Investor AI @billtheinvestor · 2026年07月03日 01:04
19岁学生用 Claude Code 做了一个跨市场价差机器人。它同时扫描50个市场,把68美元滚到75万美元。真正值得拆解的不是收益截图,而是它把人工盯盘变成了持续执行的价差检测。 https://x.com/billtheinvestor/status/2072849002874429736/video/1
36 20 55.0K
知识分享官 网盘 @knowledgefxg · 2026年07月03日 12:34
发现老外都很喜欢用MEGA这个网盘存“学习资料”— 免费空间大(20GB起),端到端加密,有对应app,浏览起来还挺方便的😈,抗审查,随时🦌 https://x.com/knowledgefxg/status/2073022488695734587/photo/1
图片
12 0 5.5K
Geek AI @geekbb · 2026年07月02日 08:41
pi-workflow 是一个为 Pi 设计的工作流编排工具,让 Pi 能执行多步骤、可复用的工作流,而不是只有单轮对话。用自然语言就能触发,不用每次手写提示词。

四种工作流直接用:
- deep-research 做深度研究
- deep-review 审代码
- spec-review 查规格
- impact-review 评估影响。

工作流定义成 JSON 阶段图,支持 single、foreach、reduce、loop、dag、dynamic 六种模式。

https://github.com/AgwaB/pi-workflow
图片
48 28 20.2K
Geek AI @geekbb · 2026年07月03日 04:01
图片图片
30 2 56.8K
大帅老猿 AI @ezshine · 2026年07月03日 05:38
想建网站养老的看过来

继续分享我的游戏站建站模板,共享数千款游戏(街机,掌机,小霸王,GBA, NDS 等等),支持Win,Mac,iPhone,iPad,Android 设备浏览器直接玩。

无需购买服务器,支持 Cloudflare 一键部署 https://x.com/ezshine/status/2072917791263584274/photo/1
图片
34 20 22.9K
周览资源分享 其他 @grgerwcwetwet · 2026年07月02日 11:46
图片图片
6 52 20.0K
铁锤人 AI @lxfater · 2026年07月03日 04:27
祖师爷开始 vibe coding 了,手工编程已经是非遗了
13 11 49.4K
铁锤人 AI @lxfater · 2026年07月03日 03:12
11 12 27.5K
Meme大神 其他 @meme_god · 2026年07月03日 13:00
发现一个牛B的钱包地址,在SOL链上,花150U,买入大金狗 $Balloon Meme币,赚了0.3万U相当于1万人民币,17倍回报!

他的钱包地址:
https://gmgn.ai/sol/address/C7KoyPop_74swFS1kS2v28iEcBDsTPvSzrNrPCnmQ8Xxygvo1u2fU

$Balloon 代币创建于1天前,Running Away Balloon叙事,历史最高市值197K,持有地址788,其中有3位KOL在车上
0 0 0
Akshay 🚀 AI @akshay_pachaar · 2026年07月02日 19:40
RAG vs. Graph RAG vs. Agentic RAG,一文带你秒懂!

标准 RAG 将文档向量化,通过相似度搜索召回最匹配的片段。处理直接的事实查询效果很好。

但如果查询需要关联散落在多篇文档中的事实,它就翻车了。相似度搜索只能找回独立的片段,搞不定片段间的关系。

Graph RAG 在这之上加了一层知识图谱。

→ 索引阶段:LLM 从文档中提取实体和关系。
→ 检索阶段:系统遍历这些连接,而不仅仅依赖向量相似度。

这就是实现“多跳查询”的关键。

假设向量数据库存了三个关于内部服务的事实:
↳ “结账服务使用支付 API。”
↳ “支付 API 在 cluster-3 上运行。”
↳ “cluster-3 计划在周五进行维护。”

有人问:“周五的维护会影响结账服务吗?”

向量搜索可能检索到事实 1 和 3,因为查询提到了“结账服务”和“周五维护”。
但它会漏掉事实 2,也就是连接支付 API 和 cluster-3 的那一环。

这句中间事实在向量空间里离查询太远了,既没提“结账”也没提“维护”,所以根本进不了检索上下文。

知识图谱把它们连成实体,通过图遍历一次查询就能找到完整路径。

Agentic RAG 的思路则完全不同。

它不再是固定的检索流程,而是由 LLM Agent 在查询时决定调用哪些工具、查哪些数据源以及按什么顺序查。

看下面的图解,彻底搞懂这三种架构。

要注意的是,这三者并不是必须依次进阶的复杂度等级。
相反,它们是为了解决不同的查询类型:

↳ 单跳事实查询 → 标准 RAG
↳ 多跳关系查询 → Graph RAG
↳ 需要工具调用的动态多源任务 → Agentic RAG

----

当底层检索层足够高效时,这些架构的表现都会更好。

我最近写了一种新的 RAG 方法,能将语料库大小缩减 40 倍,单次查询 Token 消耗减少 3 倍,并将向量搜索的相关性提高 2.3 倍。

文章引用如下。
RAG vs. Graph RAG vs. Agentic RAG, clearly explained!

Standard RAG embeds documents into vectors and retrieves the most similar chunks via similarity search. For direct factual lookups, this works well.

But it breaks down when a query needs to connect facts spread across multiple documents. Similarity search retrieves individual chunks, not the relationships between them.

Graph RAG adds a knowledge graph layer on top.

→ During indexing, an LLM extracts entities and relationships from the documents.

→ During retrieval, the system traverses these connections instead of relying on embedding similarity alone.

This is what enables multi-hop queries.

Say a vector DB stores three facts about internal services:

↳ "The checkout service uses payments API."
↳ "The payments API runs on cluster-3."
↳ "Cluster-3 is scheduled for maintenance on Friday."

Someone asks: "Will the checkout service be affected by Friday's maintenance?"

Vector search can likely retrieve facts 1 and 3 because the query mentions "checkout service" and "Friday maintenance."

But it will miss fact 2, which connects the payments API to cluster-3.

That middle fact sits too far from the query in embedding space. It mentions neither "checkout" nor "maintenance," so it never makes it into the retrieved context.

A knowledge graph connects these as linked entities, and graph traversal finds the full path in one query.

Agentic RAG takes a different approach entirely.

Instead of a fixed retrieval pipeline, an LLM agent decides at query time which tools to invoke, which sources to query, and in what order.

Check the visual below to understand the three architectures thoroughly.

One thing to note here is that these three aren't levels of sophistication that you need to graduate through.

Instead, they solve different query types.

↳ Single-hop factual lookups → standard RAG
↳ Multi-hop relationship queries → Graph RAG
↳ Dynamic multi-source tasks with tool use → Agentic RAG

----

Each of these architectures gets better when the underlying retrieval layer is efficient.

I recently wrote about a new RAG approach that cuts corpus size by 40x, reduces tokens per query by 3x, and improves vector search relevance by 2.3x.

The article is quoted below.
11 51 28.1K
Akshay 🚀 AI @akshay_pachaar · 2026年07月03日 08:32
别练模型了,进化它的 harness(运行环境/代码封装)吧。

读了 Hugging Face 的一篇神作:他们拿一个在硬核法律智能体榜单上拿 0 分的冻结开源模型做实验,权重完全没动,只通过自动化循环重写了它周围的代码。

这层代码就是 harness,也就是那个负责喂上下文、跑工具调用、决定任务何时结束的运行时封装。

循环跑完后,这套系统在核心指标上基本追平了 Sonnet 4.6,而单任务成本低了约 7 倍。权重一点没变。

之所以提升巨大,是因为模型之前的“死法”很离谱:判题脚本只看有没有在指定位置存对文件,而模型其实法律分析做对了,但要么文件名起错,要么存进临时文件夹了,甚至根本没写。

所以那个 0 分测的根本不是法律推理能力,而是 harness。

手动调这层太慢且不通用,所以他们把它自动化了。让 Claude 担任建议者,每轮迭代只加一个机制,外层循环只保留确实更优的版本,让有效的机制不断叠加。

这个自动化循环揭示了智能体到底在哪些地方拉胯:

→ 最大的单项提升来自文件处理,而非智力。增加一个自动确保交付物落在正确位置的步骤,效果好过任何 Prompt 改动,且不额外消耗 Token。

→ 代码级修复可以跨模型迁移,但 Prompt 套路不行。同样的 harness 让同系列的轻量模型提升了 14 分,但调优后的 Prompt 换个模型家族反而会把原本能做对的任务搞砸。

→ Harness 比什么都重要。同样的模型、任务和判题标准,配上 5 种不同的 harness,得分能从 3.5% 飙升到 80.1%。

收益最终会遇到瓶颈,剩下的丢分才是真正的能力差距。外壳的招数总有使完的时候,最后还是得靠模型自己扛。

但这个教训非常深刻:榜单分数测的是“模型 + harness”的综合表现。在 harness 搞定之前,你根本不知道到底是哪个环节出了问题。

强烈推荐阅读:https://huggingface.co/spaces/joelniklaus/harness-optimization

我之前也写过一篇关于智能体 harness 工程的深度分析,涵盖了编排循环、工具、记忆、上下文管理等所有能把静态 LLM 变成全能 Agent 的要素。

文章引用如下。
Don't train the model, evolve the harness.

I read a brilliant blog post from Hugging Face where they took a frozen open model scoring 0% on a hard legal agent benchmark, left its weights alone, and let an automated loop rewrite only the code around it.

That code layer is the harness, the runtime wrapper that feeds the model context, runs its tool calls, and decides when a run ends.

By the time the loop finished, the system had essentially matched Sonnet 4.6 on the benchmark's headline metric, at roughly 7x lower cost per task. Zero weights changed.

The gain existed because of where the model was failing. The judge only grades files saved in the right place under the exact requested filename, and the model kept doing the legal analysis correctly, then saving it under the wrong name, dropping it in a scratch folder, or never writing it at all.

So the 0% was never measuring legal reasoning. It was measuring the harness.

Hand-tuning that layer is slow and model-specific, so they automated it. A Claude proposer adds exactly one mechanism per iteration, and an outer loop keeps it only if it clearly beats the current best, so accepted mechanisms compound.

What the loop discovered says a lot about where agents actually fail.

→ The biggest single gain was file handling, not intelligence. An automatic step that lands the deliverable exactly where the judge expects it beat every prompt change, with zero extra model tokens.

→ Code fixes transferred across models, prompt playbooks did not. The same harness lifted a smaller model from the same family by 14 points, but the tuned prompts hurt a different model family on tasks it could already finish.

→ The harness mattered more than anything else. Same model, same judge, same tasks, and five different harnesses scored anywhere between 3.5% and 80.1%.

The gains do eventually flatten, and the remaining misses look like real capability gaps. At some point the wrapper runs out of tricks and the model has to carry the work.

But the lesson holds. A benchmark score measures the model and its harness together, and until the harness is fixed, it's impossible to know which one failed.

I highly recommend reading this: https://huggingface.co/spaces/joelniklaus/harness-optimization

I also wrote a deep dive on agent harness engineering a while back, covering the orchestration loop, tools, memory, context management, and everything that turns a stateless LLM into a capable agent.

The article is quoted below.
16 24 24.4K
Sac AI @Saccc_c · 2026年07月02日 15:16
Codex 搭配下面这些 Skill,可以帮你搭建一套专业的美股投研系统:

1、ai-berkshire:这个skill结合巴菲特、芒格、段永平等投资大佬的经典方法论,让codex具有一套宏观的研究框架

🔗:https://github.com/xbtlin/ai-berkshire

2、UZI-Skill:让codex具备深度个股研究能力,从基本面、技术面、估值多角度分析特定美股

🔗:https://github.com/wbh604/UZI-Skill

3、QuantDinger:将投研结论落地为可测试、可跟踪的交易方案,用数据验证你的交易想法

🔗:https://github.com/brokermr810/QuantDinger
图片
49 53 23.6K
Joruno 加密 @wsl8297 · 2026年07月02日 14:00
图片
25 0 14.3K
Joruno 加密 @wsl8297 · 2026年07月02日 17:49
图片
33 1 17.8K
meng shao AI @shao__meng · 2026年07月03日 01:24
这位在腾讯元宝工作大半年,迎来 lastday 的匿名朋友,讲了一些元宝的实际情况,和自己的思考。

确实,像腾讯这种营收极为稳定的超大型公司,来做 AI 是需要很大额决心的,自上而下,都需要。

如果只是为了占位,为了某些高管的短期目标,很容易动作变形,变成一个追短期数字和汇报结果的产物,汇报完了,或任期到了,就成了没娘的娃。

国内大厂,除了字节还有不断能把新事物做成的决心和组织力,其他,基本都不太行了。
图片
43 5 42.8K
路飞 🏴‍☠️ AI 研究员🧐 AI @0xluffy_eth · 2026年07月03日 04:22
Claude Fable 5 才上线不到24小时

用户已经开始做出一些离谱的东西了

27个疯狂案例整理好了

(第5个最绝)
7 10 45.8K
Lonely AI @Lonely__MH · 2026年07月03日 05:43
🚀V站看到的,盲目降本增效引发的「技术反噬」

这就是 AI 大跃进下的典型 KPI 产物

AI 时代,架构师和资深研发的价值不仅没贬值,反而更贵了🙂

以上。 https://x.com/Lonely__MH/status/2072919038339211491/photo/1
图片
48 8 28.5K
数字生命卡兹克 AI @Khazix0918 · 2026年07月03日 04:56
42 18 27.6K
Meme大神 其他 @meme_god · 2026年07月03日 10:00
发现一个牛B的钱包地址,在SOL链上,花99U,买入大金狗 $SEMAN Meme币,赚了0.5万U相当于3万人民币,55倍回报!

他的钱包地址:
https://gmgn.ai/sol/address/C7KoyPop_D5jLXUES2f56udzV2eNB7bwc5MRBk8LKYwFBvUhenBTx

$SEMAN 代币创建于1天前,The Seed of Potentia叙事,历史最高市值214K,持有地址910,其中有3位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月03日 10:00
发现一个牛B的钱包地址,在SOL链上,花119U,买入大金狗 $CA Meme币,赚了0.5万U相当于3万人民币,41倍回报!

他的钱包地址:
https://gmgn.ai/sol/address/C7KoyPop_RaSSH7hMwLKtMT96xZyY4JwHRCCNYvvNeBh6AaFMqdA

$CA 代币创建于1天前,ca叙事,历史最高市值158K,持有地址990,其中有5位KOL在车上
0 0 0
0 时间范围 点赞 > 分类 排序
历史账号
默认展示全部账号;可展开上方账号区多选,或用「分类」下拉按类筛选,选好后点右上「更新所选」开始拉取历史爆文。
(本页面独立,需手动更新才会爬取,不浪费 API)
⚙️ 设置
更新于 2026-07-03 15:30 UTC
📡 监控账号
🕐 抓取参数
小时
小时
💰 价格展示代币
🐊 Meme大神
扫描SOL/BSC热门代币,自动发现金狗钱包,入库到爆文列表「其他」分类
加载状态中...
小时
U
U
条/链
📱 自媒体 API 设置
Threads
币安广场
微信公众号
推特数据 API(twitterapi.io,会员默认数据源)
爬取推文/账号的主力数据源 · 注册:twitterapi.io ↗
🤖 AI 大模型 API(改写/翻译,会员默认 uau.cc)
用于推文 AI 改写功能(兼容 OpenAI 接口格式)· 注册:uau.cc ↗
夸克网盘 Cookie(用于转存)
用于一键转存推文中的夸克分享链接到你的网盘
✍️ AI改写提示词
🔐 修改账号密码