✍️ AI 改写 🔎 Meme筛选 🎯 Meme 猎手 🏆 Meme大神 🖼️ 梗图
2547 展示 > 赞 >
排序:
Akshay 🚀 AI @akshay_pachaar · 2026年07月21日 08:32
Karpathy 说过一段话,如果你忽视了它,迟早会后悔:

“你依然要对你的软件负责,和以前一样。不能因为是 vibe coding 就可以引入漏洞。”

这是他在界定 vibe coding 与 agentic engineering(代理工程)的界限时说的。虽然现在 Agent 承担了更多代码编写工作,但这并不能免除你的责任。

这背后的假设是,只要读者足够细心就能发现问题。但有些失败是无法通过阅读内容看出来的。

例如,大家对 RAG Agent 普遍的担忧是:如果问题超出了语料库范围,它可能会产生幻觉。

但实际上,现在的优秀模型都能很好地处理这种情况——如果检索到的上下文不相关,模型就没有素材来构建答案,自然就不会乱说。

真正的失败大多发生在检索到的上下文“部分覆盖”时。

检索流水线返回的上下文在主题上是正确的,但没有覆盖问题的全部,于是模型就用自带的参数化知识补全了剩下的部分。

在输出中,并没有 token 级别的标签来区分哪些内容来自检索上下文,哪些来自模型权重。

它们的流式输出方式完全一样。

要为生产级应用检测出这一点,需要编写专门的评估指标,且该指标必须符合 agentic engineering 的原则。

而解决方案其实已经包含在 Google 的 Agents CLI 自带的 eval skill 中了。

我用大白话向 Claude Code 描述了我的担忧。它分析了 Agent 的代码,提出了一个我批准的计划。

接着它报告称现有的内置指标无法隔离这种行为,于是编写了一个名为 `corpus_abstention` 的自定义评分标准 (rubric)。

它为每个案例给出了明确的类别判定,而不是汇总成一个模糊的分数。因为内置评分器每次运行都会重生成标准,导致数据不具备可比性。

→ GROUNDED_ANSWER(有据回答)
→ CORRECT_ABSTENTION(正确拒绝)
→ UNGROUNDED_ANSWER(无据回答,完全脱离来源)
→ MIXED_LEAKAGE(混合泄露,有依据但掺杂了不支持的断言)
→ WRONG_ABSTENTION(错误拒绝,拒绝了文档中实际涵盖的内容)

随后,它自动生成了 33 个按失败点划分的场景,包括:
- 语料库内
- 领域外
- 语料库外但似乎可回答
- 边界案例(主题覆盖但细节缺失)

基准分只有 19/33。
- 领域外测试 3/3 通过,符合预期。
- 但 15 个语料库内案例中,有 6 个虽然检索正确、引用正确、回答准确,却额外增加了一个源文件从未提及的断言。

根源在于 Agent 指令中的一句话:“如果你已经知道简单问题的答案且无需查阅文档,可以直接回答,不用引用。”

eval skill 帮我发现了这个漏洞,随后 Claude 删除了这句话并强制每次都检索。

最终测试得分提升到 30/33,无据回答从 6 个降为 0。

我运行的全程录像在下面,这是我与 Google Cloud 团队合作完成的。

Agents CLI GitHub 仓库 → https://github.com/google/agents-cli?utm_source=fnf&utm_medium=x&utm_campaign=google-cloud-july2&utm_term=avi-chawla&utm_content=agents-cli-github

(别忘了点个星 🌟)

我写了一篇完整的实操指南,涵盖了从安装到企业级注册的六个步骤。

包含了评估记分卡、部署前捕捉到的指令漏洞,以及端到端部署的真实流程。

点击下方阅读。
Karpathy said something you'll regret ignoring:

"You are still responsible for your software, just as before. You are not allowed to introduce vulnerabilities because of vibe coding. "

He said it while drawing the line between vibe coding and agentic engineering. Agents write more of the code now, but none of that takes the responsibility off you.

The assumption underneath that is that a careful enough reader catches the problem. But some failures don't show up in anything there is to read.

For instance, a common fear with a RAG agent is that it could hallucinate when a question asks something outside its corpus.

But such cases are actually well handled by any competent model now. If nothing in the retrieved context looks relevant, there's no material to build an answer on.

Instead, the majority of failures originate when the retrieved context has partial coverage.

The retrieval pipeline returns context that's topically correct but doesn't cover the full question, and the model completes the remainder from parametric knowledge.

There are no token-level labels in the output to tell what was generated using retrieved context and what came from weights.

Both are streamed the same way.

Detecting this for production-grade apps needs a metric written for it, one that's also aligned with principles of agentic engineering.

And the solution is actually implemented in the eval skill that comes with Google’s Agents CLI.

I described the concern to Claude Code in plain English. It read the agent's code, came back with a plan I approved.

It then reported that no built-in metric isolates the behaviour and wrote a custom rubric called corpus_abstention.

It assigned a single categorical verdict per case rather than aggregating everything into one score, since the built-in raters regenerate their rubrics each run and leave no stable number to trend.

→ GROUNDED_ANSWER
→ CORRECT_ABSTENTION
→ UNGROUNDED_ANSWER (answered entirely from outside knowledge)
→ MIXED_LEAKAGE (grounded, but slips in one unsupported claim)
→ WRONG_ABSTENTION (refused something the docs actually covered)

After this, it automatically generated 33 scenarios partitioned by where the failure could occur, like:

- in-corpus
- off-domain
- out-of-corpus but plausibly answerable
- boundary cases where the topic is covered, but a specific detail isn't.

The baseline score was 19 of 33.
- Off-domain passed 3 of 3, as expected.
- But 6 of 15 in-corpus cases retrieved the right document, cited it correctly, answered accurately, and added a claim the source never made.

The root cause was one line in the agent's instruction: "If you already know the answer to a simple question and no document lookup is needed, you may respond directly without citations."

The eval skill helped flag this, and then Claude removed it and forced retrieval on every question.

This took the suite to 30 of 33, and ungrounded answers went from 6 to 0.

The full recording of my run is below, and I worked with the Google Cloud team on this.

Agents CLI GitHub repo → https://github.com/google/agents-cli?utm_source=fnf&utm_medium=x&utm_campaign=google-cloud-july2&utm_term=avi-chawla&utm_content=agents-cli-github

(don't forget to star 🌟)

I wrote up the full build covering all six steps from install to enterprise registration.

It includes the eval scorecard, the instruction loophole the eval caught before deployment, and what the deployment process actually looks like end-to-end.

Read it below.
13 16 23.1K
鸟哥 | 蓝鸟会🕊️ 网盘 @NFTCPS · 2026年07月21日 10:37
现在还有人月月给视频会员交钱?我劝你看看这个再决定。

有大佬把 TvBox 全家桶整理好了,一站式,白嫖党狂喜👇

1️⃣ 软件:收了 3 款活得比较久的,Q版、FongMi影视、影视仓,不怕说没就没
2️⃣ 接口:40 个线路随便挑,网盘4K、常规、少儿的都有,卡了就切一条
3️⃣ 说明:真免费,不是那种进去满屏广告的假免费

自己动手,比啥会员都香。收藏这条别等失效了才想起来。

🔗 https://www.yxzhi.com/tvbox
图片
8 6 4.7K
huangserva AI @servasyy_ai · 2026年07月21日 01:39
很多朋友问视频是怎么做的?

声音是用CosyVoice3模型
图片是用Krea2模型(商业模型用GPT Image2效果更好)
视频是用LTX2.3模型(商业模型用SeeDance2.0)
原视频分析:claude code + fable5完成的一套工作流,然后调用grok cli(能白嫖额度,而且做一些大胆点的提示词也不受限制:你懂的)

最后用hyperframe+remotion重新组成全篇渲染
36 54 22.9K
数字生命卡兹克 AI @Khazix0918 · 2026年07月21日 01:42
啊?开着GPT-5.6 Sol Ultra干个AIHOT的聚类工程任务,因为发现现在市面上SOTA的论文效果也不是很好,于是让它自己去做知识图谱和数学层面的底层突破,目标希望能在聚类算法上达到SOTA。
然后,跑了6个小时,直接给我还剩92%的Codex周额度蹬完了...尼玛??? https://x.com/Khazix0918/status/2079381435732160899
图片
85 2 53.3K
Meme大神 其他 @meme_god · 2026年07月21日 07:02
发现一个牛B的钱包地址,在Robinhood链上,花698U,买入大金狗 $IF Meme币,赚了3.1万U相当于22万人民币,45倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0x71f2f1c2dc94cdabfe29cb355119f8683ae0969b

$IF 代币创建于10天前,What If叙事,历史最高市值2.8M,持有地址1312,其中有12位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月21日 07:02
发现一个牛B的钱包地址,在Robinhood链上,花1.5千U,买入大金狗 $wire Meme币,赚了8.9万U相当于64万人民币,61倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0x005f52adb60530029de8502793c67efed256695f

$wire 代币创建于3天前,wire bot叙事,历史最高市值3.3M,持有地址1599,其中有4位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月21日 07:02
发现一个牛B的钱包地址,在Robinhood链上,花469U,买入大金狗 $WISHBONE Meme币,赚了4.4万U相当于32万人民币,95倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0x2f25b929f03fe2869e752f1910e5445f8b5778da

$WISHBONE 代币创建于12天前,WISHBONE叙事,历史最高市值12.3M,持有地址3270,其中有25位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月21日 07:02
发现一个牛B的钱包地址,在Robinhood链上,花363U,买入大金狗 $SUSHICAT Meme币,赚了1.7万U相当于12万人民币,47倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0x150952108f28dcaf4e4542090e67cd2696563944

$SUSHICAT 代币创建于2天前,Sushi Cat叙事,历史最高市值1.6M,持有地址5612,其中有26位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月21日 10:02
发现一个牛B的钱包地址,在Robinhood链上,花876U,买入大金狗 $AI Meme币,赚了3.9万U相当于28万人民币,45倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0xf23817f6d701f514861fe44371756e3226de8fef

$AI 代币创建于1天前,Artificial Inu叙事,历史最高市值2.8M,持有地址1058,其中有14位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月21日 07:02
发现一个牛B的钱包地址,在Robinhood链上,花282U,买入大金狗 $WALLET Meme币,赚了4.8万U相当于34万人民币,168倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0xafbb5fcf8034536a7cf5fbada8d789ff3af42175

$WALLET 代币创建于11天前,Robinhood Wallet叙事,历史最高市值11.1M,持有地址4646,其中有51位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月21日 10:02
发现一个牛B的钱包地址,在Robinhood链上,花453U,买入大金狗 $HMM Meme币,赚了1.9万U相当于13万人民币,41倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0x4baf86f4bd4beef111b5bad99de79ea2d53fea02

$HMM 代币创建于2天前,Thinking Cat叙事,历史最高市值2.1M,持有地址1552,其中有8位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月21日 07:02
发现一个牛B的钱包地址,在Robinhood链上,花918U,买入大金狗 $YOLO Meme币,赚了20.7万U相当于148万人民币,225倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0xfefd188448947c97e52774cd30d1cece5f201f17

$YOLO 代币创建于3天前,YOLO叙事,历史最高市值7.1M,持有地址1765,其中有9位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月21日 07:02
发现一个牛B的钱包地址,在Robinhood链上,花62U,买入大金狗 $PONS Meme币,赚了16.2万U相当于116万人民币,2612倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0x6099ff02f63c69162175249c2700c84c0a94dafa

$PONS 代币创建于5天前,Pons叙事,历史最高市值39.0M,持有地址1.0万,其中有69位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月21日 07:02
发现一个牛B的钱包地址,在Base链上,花4.4千U,买入大金狗 $BRIAN Meme币,赚了23.7万U相当于170万人民币,54倍回报!

他的钱包地址:
https://gmgn.ai/base/address/C7KoyPop_0x5a0d8fcbdba47c78772dcf27753e7614cfd35e52

$BRIAN 代币创建于2天前,Coinbase Man叙事,历史最高市值35.7M,持有地址8547,其中有42位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月21日 07:02
发现一个牛B的钱包地址,在SOL链上,花498U,买入大金狗 $Chonketha Meme币,赚了2.5万U相当于18万人民币,51倍回报!

他的钱包地址:
https://gmgn.ai/sol/address/C7KoyPop_7Mx77UrDJG6kCATtuKSsJXnM3nFDsDNauguTA86QGg6D

$Chonketha 代币创建于2天前,Chonketha the Wet Be叙事,历史最高市值1.1M,持有地址2587,其中有4位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月21日 07:02
发现一个牛B的钱包地址,在SOL链上,花421U,买入大金狗 $Jimothy Meme币,赚了24.6万U相当于177万人民币,585倍回报!

他的钱包地址:
https://gmgn.ai/sol/address/C7KoyPop_2qciQZEFymDEfred2DNw7r8CqZUneGQ2V4mdtZ4gJnni

$Jimothy 代币创建于4天前,Jimothy The Raccoon叙事,历史最高市值22.6M,持有地址1.9万,其中有35位KOL在车上
0 0 0
Huan AI @Huanusa · 2026年07月21日 04:27
恐怖!这视频怎么流出来的?真是魔鬼之地! https://x.com/Huanusa/status/2079422868132127153
18 12 106.7K
知识玩家 加密 @BrainQuestor · 2026年07月20日 11:17
仅靠薪水永远无法致富。

以下是2025年在家每日支付的一些AI网站:
🔖 收藏
45 13 40.6K
娜美知识库 其他 @fhwofjow51260 · 2026年07月20日 12:18
替推友找的WPS解锁版,在闲鱼上也卖出了几千元利润的虚拟产品!

🔗:https://pan.quark.cn/s/9bc75cd4d3fc https://x.com/fhwofjow51260/status/2079179172321325296
图片图片
0 24 21.7K
娜美知识库 其他 @fhwofjow51260 · 2026年07月20日 12:28
图片
3 124 21.4K
向阳乔木 AI @vista8 · 2026年07月21日 03:49
Kimi 研究员震惊了,一个普通 OpenAI 研究员拥有的算力资源有多恐怖。

当下模型排行也很认可:

① Fable5
② GPT 5.6 sol
③ Kimi K3
④ Grok 4.5
⑤ GLM 5.2

另外,个人觉得智谱很有潜力,5.2 参数只有750B左右。

如果像前几个达到1T~10T,效果一定很棒。 https://x.com/vista8/status/2079413359854694584
图片
42 11 161.3K
Geek AI @geekbb · 2026年07月21日 06:11
Pi-Agent 教程:10 章把 Agent Loop、工具系统、消息系统、事件驱动、会话管理和上下文工程全部拆了一遍。每章都讲三层:概念是什么、源码怎么写的、为什么这么设计。三种阅读方式:Web 在线版带三栏配图、本地 Markdown 和 PDF 离线版。

https://github.com/buchidonggua/dg-ai-notes https://x.com/geekbb/status/2079449040455143821
图片
19 57 20.8K
周览资源 其他 @grgerwcwetwet · 2026年07月20日 11:57
油管(youtube)挣钱全攻略:从开通广告收益到国内收款的实操指南

🔗:https://pan.quark.cn/s/7a2ab4261487 https://x.com/grgerwcwetwet/status/2079173773279011081
图片图片
39 63 21.7K
鱼总聊AI AI @AI_Jasonyu · 2026年07月21日 03:39
Chatgpt赠送100美金的活动又来了兄弟们~~~

写个推文提交即可:https://share-chatgpt-work.openai.chatgpt.site/ https://x.com/AI_Jasonyu/status/2079411012722409790
图片图片
26 22 69.6K
Meme大神 其他 @meme_god · 2026年07月21日 07:02
发现一个牛B的钱包地址,在Robinhood链上,花441U,买入大金狗 $NINEHOOD Meme币,赚了3.8万U相当于27万人民币,87倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0xb12cb395fdeaf359a18d71e168ec24a87fa88107

$NINEHOOD 代币创建于6天前,NINEHOOD叙事,历史最高市值373K,持有地址7834,其中有3位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月21日 07:02
发现一个牛B的钱包地址,在Robinhood链上,花142U,买入大金狗 $worth Meme币,赚了1.4万U相当于10万人民币,100倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0xaee989fda15dfa276bebf116b81d26ba233235ce

$worth 代币创建于10天前,one life, its worth 叙事,历史最高市值2.6M,持有地址1434,其中有18位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月21日 10:02
发现一个牛B的钱包地址,在SOL链上,花738U,买入大金狗 $POB Meme币,赚了3.0万U相当于21万人民币,40倍回报!

他的钱包地址:
https://gmgn.ai/sol/address/C7KoyPop_AcT63NDdgABpkdSh7UjR9iLRQ2B3Xdfdmaw5oSbSZ7tH

$POB 代币创建于2天前,Proof Of Bagwork叙事,历史最高市值1.6M,持有地址3419,其中有7位KOL在车上
0 0 0
RootData融资 其他 @rootdata · 2026年07月17日 00:00
【融资】NOBI 完成 并购,融资 金额未披露
印尼一站式加密平台
投资方:Bybit
🔗 https://cn.rootdata.com/Projects/detail/NOBI?k=MjUzOTc=
📰 来源:https://finance.yahoo.com/markets/crypto/articles/bybit-acquires-nobi-tap-indonesia-072046635.html
图片
0 0 0
Huan AI @Huanusa · 2026年07月20日 15:00
赖清德:中国的大运已经结束了。
每位国家领导人都不是普通人-看得真准 https://x.com/Huanusa/status/2079219790464286852
44 17 27.6K
Adam也叫吉米 AI @Adam38363368936 · 2026年07月20日 16:00
听说今天最火的是这个跳舞视频,玩一下复刻,笑死我了

别的不说了,Seedance2 降智得厉害,一次抽卡都达不到好的效果,4个人居然给我整成了5个🤣

提示词:
竖屏9:16,15秒,一镜到底,超写实街头手机摄影。

场景是傍晚金色阳光下安静的东亚城市街道,路边有一面浅米黄色旧围墙,墙顶是深灰色瓦片,墙面投射着清晰而巨大的树枝和树叶影子。人行道中央有一棵粗壮的大树,树干底部刷着白漆,前方是窄马路和路缘石。

四位年轻漂亮的东亚女性并排站在人行道上,身材匀称,穿着统一但略有差异的办公室通勤服装:黑色或浅灰色修身无袖上衣、灰色高腰包臀短裙、黑色细跟高跟鞋,部分人物佩戴工牌或细框眼镜,头发自然盘起或扎低马尾。人物外貌真实自然,皮肤保留细节,不要过度磨皮。

摄影机位于马路对面,使用中远距离长焦镜头拍摄,画面中树干位于中央,偶尔遮挡部分人物。镜头整体固定,只有非常轻微的手持晃动,像路人在街边偶然拍到的画面,不是专业舞台拍摄。

时间轴:

00:00-00:02
四位女性安静地站成一排,身体自然放松,面向镜头略微侧身。短暂停顿后,她们几乎同时迈出一步,开始跳简单、有节奏的复古流行舞蹈。

00:02-00:05
四人同步左右踏步,膝盖轻微弯曲,身体跟随节奏左右摆动。手臂先自然垂下,再向身体前方平稳推出,动作整齐但保留真人之间轻微的时间差。此时一辆普通电动车从画面前景横向经过,短暂遮挡其中两人,制造真实街头偶遇感,电动车离开后人物仍连续跳舞。

00:05-00:08
四人继续同步舞步,左右交替走位,单手放在腰侧,另一只手向前轻轻摆动。她们表情轻松克制,带一点职业女性下班后偷偷跳舞的反差感,不夸张大笑,不直视镜头表演。

00:08-00:11
舞蹈进入更活泼的段落,四人同时抬起双臂,在头部两侧做轻快的弯曲摆动动作,肩膀和腰部跟随节拍左右摇摆,高跟鞋小幅踏步。动作流畅、整齐、自然,不要像机械复制。

00:11-00:14
四人放下手臂,向右侧同步移动两小步,再向左侧回摆,手掌朝外做轻巧的推拉动作。队形始终保持在围墙前方,中央树干自然将队伍分隔开,夕阳树影随着微风略微晃动。

00:14-00:15
镜头突然进行一次自然的长焦快速推近,聚焦到中间穿黑色无袖上衣、戴细框眼镜的女性。她一只手放在腰间,另一只手继续完成舞蹈动作,嘴角带轻微笑意。背景和其他人物自然虚化,画面在动作尚未完全结束时停止。

视觉风格:
真实生活记录感,东亚城市街头,温暖傍晚阳光,墙面树影明显,柔和金色逆光,真实空气感,轻微长焦压缩,浅景深,略带手机视频锐化感。人物动作要连贯,衣服、发型、人数和人物身份全程保持一致。背景中可以有少量真实路人或电动车偶然经过,但不要抢占主体。

声音建议:
轻快、有弹性的复古流行舞曲节拍,混合微弱街道环境声、电动车驶过声和高跟鞋踩地声。不要人物对白。
负面提示词:
避免人物数量变化,避免四人突然变成三人或五人,避免人物融合、复制、穿模,避免脸部变化,避免换脸,避免服装颜色和款式不断变化,避免发型突变,避免眼镜消失,避免多手、多脚、断肢、手指畸形、腿部扭曲、高跟鞋变形。

避免舞蹈过度夸张,避免女团舞台感,避免专业演唱会灯光,避免高速甩头、跳跃、劈叉、下腰,避免机械同步,避免人物滑行,避免脚底离地漂浮,避免动作与音乐节拍完全错位。

避免镜头频繁切换,避免环绕运镜,避免无人机视角,避免快速旋转,避免猛烈抖动,避免过度慢动作,避免广角畸变,避免主体忽远忽近,除了最后一秒不要突然变焦。

避免动漫、插画、3D渲染、游戏画面、塑料皮肤、过度美颜、过度磨皮、网红滤镜、强烈橙青调色、霓虹灯、虚假影棚背景。

避免文字、字幕、标志、水印、品牌logo,避免电动车撞到人物,避免车辆停在主体前方持续遮挡,避免树干位置跳动,避免墙面结构改变,避免树影突然消失。
7 5 11.4K
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 2026-07-21 15:00 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/Robinhood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
人民币(严格超过)
个钱包
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