Sync: AI Agent设计模式、Composio、VoltAgent 等概念和实体
This commit is contained in:
50
wiki/sources/3.2万人收藏的Claude-Skills才是AI这条路最值得研究的一套范式.md
Normal file
50
wiki/sources/3.2万人收藏的Claude-Skills才是AI这条路最值得研究的一套范式.md
Normal file
@@ -0,0 +1,50 @@
|
||||
---
|
||||
title: "3.2万人收藏的Claude Skills，才是AI这条路最值得研究的一套范式"
|
||||
type: source
|
||||
tags: [ai, claude-skills, vibe-coding]
|
||||
date: 2026-01-05
|
||||
---
|
||||
|
||||
## Source File
|
||||
- [[raw/AI/3.2 万人收藏的 Claude Skills，才是 AI 这条路上最值得研究的一套范式！]]
|
||||
|
||||
## Summary
|
||||
- 核心主题：Claude Skills 从"提示词工程"到"流程工程"的范式转移，Skills = 说明书 + SOP，将人类经验封装为可复用工作流
|
||||
- 问题域：AI 应用层如何构建可规模化的技能复用体系
|
||||
- 方法/机制：Skills 通过结构化流程描述实现 AI 稳定执行，Anthropic 官方仓库 github.com/anthropics/skills 收藏数突破 3.2 万
|
||||
- 结论/价值：真正有价值的不是 Prompt 写得多花哨，而是谁最懂业务流程、谁能将 SOP 交给 AI 稳定执行
|
||||
|
||||
## Key Claims
|
||||
- Anthropic 官方 Skills 仓库 github.com/anthropics/skills 收藏数突破 3.2 万，本质上是官方在教"怎么像他们一样开发 AI 应用"
|
||||
- Skills = 说明书 + SOP，将人类经验封装为可复用工作流，核心是流程而非提示词
|
||||
- Vibe Coding 的尽头也是 Skills，最终竞争在于业务流程理解和 SOP 沉淀能力
|
||||
- 三大 Awesome 仓库（ComposioHQ/VoltAgent/BehiSecc）系统性整理了 LLM Skills 工作流，覆盖文档处理、开发工具、数据分析、内容创作等类别
|
||||
- 三大聚合站（skillsmp.com/aitmpl.com/claudemarketplaces.com）提供拿来即用的 Skills 集，适合快速选型和二次改造
|
||||
|
||||
## Key Quotes
|
||||
> "Skills 就是一套你写给 Claude 的'说明书'和'SOP（标准作业程序）'" — 痕小子/开源星探
|
||||
> "这个库本质上是官方在教你，'怎么像我们一样开发 AI 应用'" — 痕小子/开源星探
|
||||
> "Vibe Coding 的尽头，也是 Skills" — 痕小子/开源星探
|
||||
|
||||
## Key Concepts
|
||||
- [[Claude Skills]]：将固定流程任务拆解为 AI 可理解的结构化流程，包含 Prompt 结构、参数含义、容错策略
|
||||
- [[流程工程]]：将经验沉淀为 SOP 再交给 AI 稳定执行的新范式
|
||||
- [[提示词工程]]：通过优化单次 Prompt 输出质量，与流程工程（可复用工作流）形成对比
|
||||
|
||||
## Key Entities
|
||||
- [[Anthropic]]：Claude Skills 官方仓库发布方，github.com/anthropics/skills
|
||||
- [[ComposioHQ]]：Awesome-Claude-Skills 仓库维护者，覆盖文档处理/数据分析/内容创作/生产力工具
|
||||
- [[VoltAgent]]：Awesome-Claude-Skills 仓库维护者
|
||||
- [[BehiSecc]]：Awesome-Claude-Skills 仓库维护者
|
||||
- [[skillsmp.com]]：Skills 聚合站，支持分类和搜索
|
||||
- [[aitmpl.com]]：Skills 聚合站
|
||||
- [[claudemarketplaces.com]]：Skills 聚合站
|
||||
|
||||
## Connections
|
||||
- [[Claude-Skills研究范式]] ← depends_on ← [[Anthropic]]（官方仓库）
|
||||
- [[流程工程]] ← extends ← [[提示词工程]]
|
||||
- [[Vibe-Coding]] ← depends_on ← [[Claude Skills]]
|
||||
- [[skillsmp.com]] ← same_as ← [[aitmpl.com]] ← same_as ← [[claudemarketplaces.com]]
|
||||
|
||||
## Contradictions
|
||||
- 与传统"优化单次 Prompt"思路不同：Skills 强调流程复用而非单次输出质量最大化
|
||||
@@ -1,49 +1,45 @@
|
||||
---
|
||||
title: "7 Ways I Use NotebookLM to Make My Life Easier"
|
||||
type: source
|
||||
tags: [AI, NotebookLM, Google, 学习工具]
|
||||
date: 2025-12-19
|
||||
tags: [notebooklm, google, learning, productivity]
|
||||
date: 2025-11-23
|
||||
---
|
||||
|
||||
## Source File
|
||||
- raw/AI/7 ways I use NotebookLM to make my life easier.md
|
||||
- [[raw/AI/7 ways I use NotebookLM to make my life easier]]
|
||||
|
||||
## Summary
|
||||
- 核心主题：NotebookLM 的 7 种实际应用场景，覆盖学习、项目管理、编程、法律文档等领域
|
||||
- 问题域：如何利用 AI 工具处理信息过载、实现被动学习、提升项目组织效率
|
||||
- 方法/机制：基于 Source-Grounding（源 grounding）确保回答准确性，支持 Audio Overviews、互动问答、文档比较等功能
|
||||
- 结论/价值：NotebookLM 的核心价值在于通过严格限制知识库范围换取高精度回答，是唯一可信的个人知识助理
|
||||
- 核心主题：NotebookLM 7 种实际应用场景，核心优势是 Source-Grounding（严格限制知识库仅含上传文档）确保回答高精度和可溯源
|
||||
- 问题域：信息过载时代的知识管理和被动学习效率提升
|
||||
- 方法/机制：上传文档 → AI 自动处理 → 交互式问答/Audio Overview → 带引文的精准回答
|
||||
- 结论/价值：NotebookLM 严格限制知识库范围，是处理法律文档、软件更新对比、研究资料等高精度场景的最佳选择
|
||||
|
||||
## Key Claims
|
||||
- NotebookLM 通过 source-grounding 确保输出准确、可自验证，完全基于用户上传的文档
|
||||
- Audio Overviews 功能将文档转化为双人 AI 对话播客，支持定制化风格（Deep Dive/Brief/Critique/Debate）
|
||||
- NotebookLM 可作为被动学习工具，在开车、健身等"下线时间"消费复杂信息
|
||||
- 将文档库作为个性化项目管理系统：汇聚会议记录、策略文档、项目链接，生成结构化路线图
|
||||
- 法律文档审查：提供精确引文，精确定位条款原文，可信度远超通用 AI
|
||||
- 软件更新对比：直接对比多个版本发布说明，提取关键变更，节省数小时人工比对
|
||||
- Source-Grounding 机制：NotebookLM 知识库仅包含上传文档，消除幻觉，每个答案附带精确引文
|
||||
- 被动学习（Audio Overviews）：将文档转化为双人 AI 对话音频，支持 Brief/Deep Dive/Critique/Debate 等风格定制
|
||||
- 成为即时专家：上传多源资料（Batman/Star Wars/Jupiter/Marine Corps），通过对话快速建立领域认知
|
||||
- 编程辅助：上传官方文档，通过问答定位知识点，替代冗长教程和过时搜索结果
|
||||
- 项目管理：集中所有会议记录、战略文档、链接到单一 Notebook，AI 自动生成结构化路线图
|
||||
- 软件更新对比：同时上传多个版本发布说明，AI 提取差异并列出带引文的变更清单
|
||||
- 法律文档审查：严格基于上传文档回答，避免普通 AI 的幻觉问题，每问必带引文
|
||||
|
||||
## Key Quotes
|
||||
> "The core magic behind this whole approach is called source-grounding. NotebookLM's entire knowledge base is strictly limited to the documents you specifically upload." — 核心机制
|
||||
> "Every answer is accompanied by a precise citation. I can click this citation to instantly view and confirm the exact wording right there in the source itself." — 法律文档场景
|
||||
> "This is great if you need that kick in the pants or something to make sense of all the minor notes you've taken." — 项目管理场景
|
||||
> "NotebookLM's best quality is that it prioritizes accuracy by strictly limiting its knowledge base to only your trusted documents." — How-To Geek
|
||||
> "I no longer hate getting long documents or looking through terms and conditions or legal patents because I can find what I need from a few questions with NotebookLM." — How-To Geek
|
||||
|
||||
## Key Concepts
|
||||
- [[Source Grounding]]：严格限制知识库仅包含用户上传文档，确保 AI 回答基于可溯源内容的机制
|
||||
- [[被动学习]]：利用 Audio Overviews 在开车/健身等碎片时间消费复杂信息的学习方式
|
||||
- [[AI知识库]]：以用户文档为唯一知识来源的 AI 辅助学习与研究系统
|
||||
- [[引文追溯]]：每个回答附带精确文档引文，可跳转至原文验证
|
||||
- [[Source-Grounding]]：NotebookLM 核心技术约束，限制回答仅基于上传文档
|
||||
- [[被动学习]]：Audio Overviews 在碎片时间消费复杂信息的机制
|
||||
- [[引文追溯]]：每个答案附带精确引文，点击跳转原文
|
||||
|
||||
## Key Entities
|
||||
- [[NotebookLM]]：Google 开发的 AI 知识管理工具，核心功能包括 Audio Overviews、互动问答、深度研究
|
||||
- [[NotebookLM]]：Google 推出的 AI 笔记和研究助理工具
|
||||
|
||||
## Connections
|
||||
- [[NotebookLM]] ← 主题 ← [[7-ways-NotebookLM]]
|
||||
- [[AI知识库]] ← 核心能力 ← [[NotebookLM]]
|
||||
- [[Source Grounding]] ← 技术基础 ← [[NotebookLM]]
|
||||
- [[被动学习]] ← 应用场景 ← [[Audio-Overviews]]
|
||||
- [[Source-Grounding]] ← 核心机制 ← [[NotebookLM]]
|
||||
- [[被动学习]] ← 应用场景 ← [[NotebookLM]]
|
||||
- [[引文追溯]] ← 质量保证 ← [[Source-Grounding]]
|
||||
|
||||
## Contradictions
|
||||
- 无明显冲突
|
||||
|
||||
## Related Sources
|
||||
- [[AI知识库]]：RAG 类知识库工具，可与 NotebookLM 形成互补
|
||||
- 与通用 AI（Gemini/ChatGPT）相比：通用 AI 知识广泛但容易幻觉，NotebookLM 知识受限但精度极高
|
||||
- 与传统"读完全文再消化"方式相比：NotebookLM 支持通过问答快速提取关键信息，无需完整阅读
|
||||
|
||||
@@ -1,37 +1,46 @@
|
||||
---
|
||||
title: "Designing for Agentic AI"
|
||||
type: source
|
||||
tags: [ai-agent, ux-design, agentic-ai]
|
||||
tags: [agentic-ai, ux-design, product]
|
||||
date: 2025-03-02
|
||||
---
|
||||
|
||||
## Source File
|
||||
- raw/AI/Designing for Agentic-AI.md
|
||||
- [[raw/AI/Designing for Agentic AI]]
|
||||
|
||||
## Summary
|
||||
- 核心主题：Agentic AI（智能体AI）与 GenAI 的区别，以及为 Agentic AI 设计用户体验的最佳实践
|
||||
- 问题域：传统 UI 范式无法适配具有主动行动能力的 AI Agent，需要新的设计框架
|
||||
- 方法/机制：5条核心设计原则：透明度（Transparency）、控制感（Control）、个性化（Personalization）、对话（Conversation）、预判（Anticipation）
|
||||
- 结论/价值：用户不应被动，AI 决策过程本身就是一种交互形式，设计重点从"响应操作"转向"实时反馈"
|
||||
- 核心主题：Agentic AI 时代的产品设计原则，与 GenAI（生成式 AI）的根本区别在于"行动"而非"创作"
|
||||
- 问题域：传统响应式 UI 设计如何适应主动式 Agent AI 交互范式
|
||||
- 方法/机制：通过透明度、控制权、个性化、对话、预判五大设计原则构建 Agent AI 体验
|
||||
- 结论/价值：用户通过观察 AI 决策过程（而非点击按钮）实现主动参与，设计需提供实时反馈和干预机制
|
||||
|
||||
## Key Claims
|
||||
- Agentic AI 核心特征是行动导向：与环境交互、决策、预判用户需求，而非仅生成内容
|
||||
- GenAI 与 Agentic AI 的本质差异：前者是"创意助手"，后者是"行动代理"
|
||||
- Agentic AI 重新定义产品设计：用户通过观察 AI 决策过程参与交互，而非传统点击操作
|
||||
- 设计原则同等重要：透明度、控制感、个性化、对话、预判，缺一不可
|
||||
- GenAI 擅长内容创作（文本/图像/音乐），Agentic AI 擅长环境交互、决策执行和预判用户需求
|
||||
- Agentic AI 引入新交互维度：用户通过观察 AI"思考"过程实现参与，而非直接操作界面
|
||||
- 透明度原则：可视化 AI 任务进度 + 提供推理过程摘要，帮助用户理解 AI 决策逻辑
|
||||
- 控制权原则：提供明确的 AI 停止机制和操作撤销能力，确保用户始终掌控 AI 行为边界
|
||||
- 个性化原则：基于用户历史行为预测未来需求并主动提供建议
|
||||
- 对话式交互：自然语言界面取代传统点击，用户意图以对话方式传达
|
||||
- 预判式设计：AI 主动预判需求并提供帮助，但用户保留调整 AI 自主性等级的最终控制权
|
||||
|
||||
## Key Quotes
|
||||
> "Agentic AI is all about action. It can interact with its environment, make decisions, and even anticipate user needs." — Yuri Pessa
|
||||
> "Instead of just reacting to user actions, we're crafting experiences that provide live feedback as the AI operates." — Yuri Pessa
|
||||
|
||||
## Key Concepts
|
||||
- [[Agentic AI]]：能感知环境、做出决策、预判需求并自主行动的 AI 系统
|
||||
- [[GenAI]]：生成式 AI，擅长创作内容（文本、图片、音乐），本质是被动响应
|
||||
- [[AI Agent 设计原则]]：透明度、控制感、个性化、对话、预判
|
||||
- [[Agentic AI]]：能感知环境、决策、预判并自主行动的 AI 系统（与 GenAI 创作型对应）
|
||||
- [[透明度]]：AI 决策过程可视化，用户可追踪 AI 行为逻辑
|
||||
- [[控制权]]：用户对 AI 行为的停止/撤销能力，维持人对系统的最终掌控
|
||||
- [[个性化]]：基于历史行为预测未来需求，AI 主动适应用户偏好
|
||||
- [[对话式设计]]：自然语言替代传统 UI 交互，降低使用门槛
|
||||
- [[预判式设计]]：AI 主动预判需求并行动，但保留用户干预机制
|
||||
|
||||
## Key Entities
|
||||
- [[Yuri-Pessa]]：LinkedIn 文章作者，AI 产品设计研究者
|
||||
- [[Yuri Pessa]]：本文作者，LinkedIn 文章发布
|
||||
|
||||
## Connections
|
||||
- [[LLM]] ← 基础 ← [[Agentic AI]]
|
||||
- [[RAG]] ← 支撑 ← [[Agentic AI]]
|
||||
- [[Agentic AI]] ← 扩展 ← [[GenAI]]
|
||||
- [[Agentic AI]] ← 基石概念 ← [[透明度]] + [[控制权]] + [[个性化]] + [[对话式设计]] + [[预判式设计]]
|
||||
- [[Agentic-AI]] ← extends ← [[GenAI]]（Generative AI，创作型 AI）
|
||||
|
||||
## Contradictions
|
||||
- 与传统 UX 设计范式冲突：传统 UI 依赖直接用户输入，Agentic AI 需要适应"观察 AI 工作"的新交互模式
|
||||
|
||||
47
wiki/sources/养虾日记1-OpenClaw照片整理实战.md
Normal file
47
wiki/sources/养虾日记1-OpenClaw照片整理实战.md
Normal file
@@ -0,0 +1,47 @@
|
||||
---
|
||||
title: "养虾日记1：用 OpenClaw 管了 28 万张照片"
|
||||
type: source
|
||||
tags: [openclaw, 照片整理, automation, ai-agent]
|
||||
date: 2026-03-31
|
||||
---
|
||||
|
||||
## Source File
|
||||
- [[raw/微信公众号/养虾日记1：我用 OpenClaw 管了 28 万张照片：一次真实的多设备照片整理实战]]
|
||||
|
||||
## Summary
|
||||
- 核心主题：通过 OpenClaw AI Agent 实现 28 万张照片的自动化整理，包括精确去重、小文件清理和分批执行
|
||||
- 问题域：多设备备份导致的照片重复、格式混乱、存储分散问题
|
||||
- 方法/机制：OpenClaw 通过提问澄清需求 → 制定可执行方案 → 拆解为 8 批次定时任务 → Telegram 推送执行报告
|
||||
- 结论/价值：AI Agent 的核心价值不是单点能力提升，而是思维方式的升级——把模糊想法变成清晰结构
|
||||
|
||||
## Key Claims
|
||||
- 68 个设备文件夹、28 万个文件、20 年积累的照片整理需求，OpenClaw 将其转化为 8 批次自动化任务
|
||||
- AI Agent 核心价值：先问关键问题（格式/重复定义/删除策略）而非直接推荐工具，将"没有想清楚"的问题前置化
|
||||
- 精确去重：MD5 哈希比对，只删真正相同的文件
|
||||
- 小文件清理：低于 100KB 的图片大概率是截图或微信压缩图，直接移走
|
||||
- 安全删除策略：所有待删文件先移至 To-Be-Deleted 目录而非直接删除，用户可随时检查确认
|
||||
- 分批执行：68 个目录分 8 批次，每天凌晨 0 点自动执行，全程无需人工介入
|
||||
- 执行报告：每批次完成后通过 Telegram 发送 Summary 报告（发现重复数/移除小文件数/清理空间总量）
|
||||
|
||||
## Key Quotes
|
||||
> "它没有直接推荐工具，而是先问了几个关键问题：照片格式有哪些？重复的定义是'完全相同内容'还是'同一场景的连拍'？" — 比利哥
|
||||
> "28 万张照片，68 个设备，十几年的积累——现在有了一个可以信任的自动化流程来处理它们。这大概就是 AI Agent 对我来说真正的价值：不是某个单点能力的提升，而是思维方式的升级。" — 比利哥
|
||||
|
||||
## Key Concepts
|
||||
- [[精确去重]]：MD5 哈希比对确保只删真正相同的文件
|
||||
- [[小文件清理]]：低于 100KB 的图片（截图/微信压缩图）自动识别并移走
|
||||
- [[安全删除]]：待删文件先移至 To-Be-Deleted 目录而非直接删除
|
||||
- [[分批执行]]：大任务拆解为多个小批次，降低单次执行风险
|
||||
- [[AI Agent 思维方式]]：先问关键问题澄清需求，再制定可执行方案，而非直接动手
|
||||
|
||||
## Key Entities
|
||||
- [[OpenClaw]]：AI Agent 操作系统，本案例中的任务执行平台
|
||||
- [[Synology NAS]]：照片存储平台（本案中存储 20 年的照片积累）
|
||||
|
||||
## Connections
|
||||
- [[OpenClaw]] ← 执行平台 ← [[精确去重]] + [[小文件清理]] + [[分批执行]]
|
||||
- [[Synology NAS]] ← 存储后端 ← 照片原始数据
|
||||
- [[AI Agent 思维方式]] ← 核心方法论 ← OpenClaw 行为模式
|
||||
|
||||
## Contradictions
|
||||
- 与传统"先动手再说"思路不同：AI Agent 通过提问将模糊需求前置澄清，避免无效劳动
|
||||
44
wiki/sources/普通人如何在AI时代赚钱.md
Normal file
44
wiki/sources/普通人如何在AI时代赚钱.md
Normal file
@@ -0,0 +1,44 @@
|
||||
---
|
||||
title: "不谈技术：普通人该怎么在AI时代赚钱"
|
||||
type: source
|
||||
tags: [ai, 赚钱, 思维模型]
|
||||
date: 2026-03-31
|
||||
---
|
||||
|
||||
## Source File
|
||||
- [[raw/微信公众号/不谈技术：普通人该怎么在AI时代赚钱？]]
|
||||
|
||||
## Summary
|
||||
- 核心主题：AI 时代普通人赚钱的三个核心原则：品味值钱、端到端做事、用死亡过滤器找到真正的热爱
|
||||
- 问题域：普通人面对 AI 浪潮的被动心态（"我怎么不被淹死"）需要转化为主动框架（"AI 让我能做到什么"）
|
||||
- 方法/机制：通过三个过滤器（品味/端到端/死亡）重构个人战略定位
|
||||
- 结论/价值：AI 不会让普通人变富，但会让那些知道自己要做什么、且对品质有执念的人变得极其强大
|
||||
|
||||
## Key Claims
|
||||
- 品味是护城河：AI 工具民主化后，90% 的人用 AI 生成的是垃圾，因为他们不知道什么是真正好的；能判断 10 个方案中哪个是 insanly great 的人，比只会点"生成"的人强一百倍
|
||||
- 端到端优于零件：别做别人 AI 流水线上的螺丝钉，做从 idea 到 product 的完整闭环；一个人用 AI 做完整 App，胜过 100 人团队里当"AI 提示词工程师"
|
||||
- 死亡过滤器：每天早上问"如果今天是最后一天，我还愿意做这件事吗"；不是问"什么 AI 技能最赚钱"，而是问自己对什么有 genuine 的热爱和 curiosity
|
||||
- 护城河逻辑：天赋/资源/运气都不是根本原因，愿意对一千件事说 No、只对一件事说 Yes 并做到 insanly great 才是核心差异
|
||||
- AI 赋能逻辑：某领域八九十分的人 + AI 横向扩展，AI 是充分非必要条件；对品质有执念的人 + AI = 极其强大
|
||||
|
||||
## Key Quotes
|
||||
> "'普通人怎么在AI时代赚钱'——这个问题的框架是错的。你把自己放在一个被动的位置上。正确的问题是：AI 让我能做到什么以前做不到的事？" — 乔布斯.skill
|
||||
> "90%的人用AI生成的东西是shit。因为他们不知道什么是好的。" — 乔布斯.skill
|
||||
> "一个人用AI做出一个完整的App，比一个100人的团队里当'AI提示词工程师'强一万倍。" — 乔布斯.skill
|
||||
> "AI不会让普通人变富。AI会让那些知道自己要做什么、并且对品质有执念的人变得极其强大。" — 乔布斯.skill
|
||||
|
||||
## Key Concepts
|
||||
- [[品味]]：区分 AI 使用者高低的根本能力，能判断什么是真正好的（insanly great）
|
||||
- [[端到端]]：从 idea 到 product 的完整闭环，不做别人 AI 流水线上的零件
|
||||
- [[死亡过滤器]]：每天问自己是否还愿意做这件事，是筛选真正热爱的决策工具
|
||||
- [[超级个体]]：某领域八九十分 + AI 横向扩展，AI 是充分非必要条件
|
||||
|
||||
## Connections
|
||||
- [[品味]] ← 核心区分力 ← AI时代竞争力
|
||||
- [[端到端]] ← 护城河构建 ← 不做零件
|
||||
- [[死亡过滤器]] ← 决策框架 ← 筛选真正的热爱
|
||||
- [[超级个体]] ← 最终形态 ← [[品味]] + [[端到端]] + AI 能力
|
||||
|
||||
## Contradictions
|
||||
- 与"学一个 AI 工具就能找到工作"的主流观点相反：零件思维（成为别人流水线的一环）是最容易被 AI 替代的位置
|
||||
- 与"什么 AI 技能最赚钱"的提问方式相反：问别人问题是零件思维，问自己什么是真正的热爱才是端到端思维
|
||||
Reference in New Issue
Block a user