YOHO AI

标签： AI

  • Reddit用AI打AI：每天拦下2300万次垃圾内容浏览

    Reddit用AI打AI：每天拦下2300万次垃圾内容浏览

    如果你最近几个月在Reddit上逛，可能注意到一个变化：那些看起来像真人写的垃圾帖子和评论，好像比以前少了。这不是你的错觉。Reddit在7月6日发了一篇博客，详细讲了他们怎么用LLM来对付LLM制造的麻烦。

    Reddit用AI打击AI垃圾内容
    Reddit用LLM技术打击AI生成的垃圾内容（概念图）

    这事说来有点讽刺。LLM越来越好用，导致网上垃圾内容爆炸式增长。以前要雇人写水军评论，现在一个脚本就能批量生成成千上万条看起来挺像那么回事的帖子。Reddit说，他们每天要拦下2300万次垃圾内容的浏览，抓到大约2.5万条新的垃圾帖子和评论。

    用魔法打败魔法

    Reddit在博客里说得很直白：光靠传统自动化工具不够用了。那些老办法能拦住明显的垃圾信息，但LLM生成的内容往往能绕过关键词过滤，因为它们写得太”自然”了。

    所以他们用了LLM自己来识别LLM生成的垃圾内容。Reddit的说法是，他们用LLM来捕捉”高度微妙的、协调一致的假行为和人工炒作模式”——这些模式用老办法很难识别。

    Reddit表示，2026年1月到3月之间，用户接触到垃圾内容的比例比前三个月降低了20%。

    其他平台也在做类似的事

    Reddit不是唯一一个在AI时代”以毒攻毒”的平台。YouTube、Meta、Instagram都允许用户发布AI生成内容，只要标注出来就行。TikTok甚至让用户自己选择想看多少AI生成内容。

    但平台专家一直在提醒：用AI做内容审核，必须配合人工审核，才能达到最好的效果。纯靠AI，迟早会出岔子。比如AI可能把正常的批评误判为垃圾内容，或者让更隐蔽的违规行为溜过去。

    这事背后的两难困境

    Reddit这个做法，其实折射出一个更大的问题：当AI让”制造内容”的成本趋近于零，平台要怎么维持内容质量？

    如果平台不用AI来对抗AI，垃圾内容会把正常讨论淹没。但如果平台用AI来做内容审核，又可能引发新的问题——AI的判断标准是什么？谁来确保它不偏不倚？

    Reddit说他们的工具在持续改进。但说实话，这场猫鼠游戏不会有终点。只要LLM还在进化，垃圾内容制造者就会找到新的办法绕过检测。平台能做的，只是尽量跑在前面。

  • Hermes Agent：会自我进化的开源 AI 智能体，Nous Research 出品，60000+ Stars 让 AI 真正成为你的数字分身

    Hermes Agent：会自我进化的开源 AI 智能体，Nous Research 出品，60000+ Stars 让 AI 真正成为你的数字分身

    Hermes Agent Banner

    Hermes Agent —— 会自我进化的开源 AI 智能体

    项目简介

    Hermes Agent 是由 Nous Research 开发的开源自主 AI 智能体框架，采用 MIT 协议完全免费。它的核心定位是：一个部署在你自己服务器上、能随你一起成长的持久化个人 AI 智能体。

    与传统 AI 聊天机器人不同，Hermes Agent 是一个独立运行的后台守护进程，具备三大核心特性：自托管（数据完全本地化）、持久化（跨会话记忆）、自我进化（从经验中自动创建和改进技能）。

    安装要求和过程

    环境要求

    依赖 说明
    Python 3.11+ 主运行环境（安装器自动处理）
    Node.js 部分功能依赖（安装器自动处理）
    ripgrep 代码搜索（安装器自动处理）
    ffmpeg 语音备忘录转录（安装器自动处理）
    Git Bash Windows 上安装器会捆绑便携版 MinGit（约 45MB）

    支持平台：Linux ✅ / macOS ✅ / WSL2 ✅ / Windows (PowerShell) ✅ / Termux (Android) ✅

    一键安装

    Linux / macOS / WSL2：

    curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash
    source ~/.bashrc
    hermes

    Windows（PowerShell）：

    iex (irm https://hermes-agent.nousresearch.com/install.ps1)
    hermes

    安装后配置

    hermes setup # 运行完整配置向导
    hermes model # 选择 LLM 提供商和模型
    hermes tools # 配置启用的工具
    hermes gateway # 启动消息网关

    核心功能

    1. 真正的终端 TUI 界面

    Hermes Agent 提供完整的终端 UI（TUI），支持多行编辑、斜杠命令自动补全、对话历史浏览、中断重定向、流式工具输出。不是简单的命令行包装，而是专为 AI 交互设计的终端体验。

    2. 多平台消息集成

    通过一个网关进程统一管理，支持 14+ 消息平台：Telegram、Discord、Slack、WhatsApp、Signal、CLI 等。支持语音备忘录转录、跨平台对话连续性——你在 Telegram 上的对话，可以在 Discord 上继续。

    3. 闭环学习系统（核心竞争力）

    这是 Hermes Agent 最独特的功能：

    • 自主技能创建：完成复杂任务（通常涉及 5 次以上工具调用）后，自动将成功的工作流程提炼为可复用的”技能”（Skill）
    • 技能自我改进：技能在使用过程中会自动优化
    • FTS5 会话搜索 + LLM 摘要：实现跨会话回忆
    • Honcho 辩证用户建模：持续构建对用户的深度理解模型
    • 兼容 agentskills.io 开放标准

    4. 定时自动化

    内建 cron 调度器，可向任意平台投递消息。用自然语言配置每日报告、夜间备份、每周审计等定时任务，无需编写代码。

    5. 多环境运行 + 子代理并行化

    支持六种终端后端：local、Docker、SSH、Singularity、Modal、Daytona。Daytona/Modal 提供无服务器持久化，空闲时休眠几乎零成本。

    可生成隔离子代理处理并行工作流；编写 Python 脚本通过 RPC 调用工具，将多步流水线压缩为零上下文成本轮次。

    典型使用场景

    场景一：个人 AI 助手（消息平台接入）

    通过 Telegram/Discord/Slack 等平台，随时随地与你的 AI 智能体对话。它记住你上周告诉它的项目偏好，能回忆起你三个月前让它执行的任务细节。用得越久，它就越了解你。

    场景二：开发辅助 + 定时自动化

    在终端中使用 TUI 进行交互式编程辅助，运行 shell 命令、管理项目。同时配置定时任务：每日自动生成工作日报、夜间备份代码仓库、每周审计服务器安全状态——全部无人值守自动执行。

    场景三：从 OpenClaw 迁移

    Hermes Agent 自动导入设置、记忆、技能和 API 密钥，迁移成本极低。相比 OpenClaw，Hermes Agent 的自我进化能力和技能系统是核心差异化优势。

    推荐理由

    Hermes Agent 代表了 AI Agent 发展的一个重要方向：从”一次性工具”走向”持久化伙伴”。

    我推荐它的理由：

    • 数据主权：部署在自己的机器上，SQLite 本地存储，不经过任何第三方云服务
    • 真正能成长：用得越久越聪明，技能系统让它能从经验中学习
    • 零成本运行：支持 Ollama 本地模型，可以完全免费运行
    • 多平台接入：通过消息 App 随时随地使用，不需要打开电脑
    • MIT 协议：完全开源，可以自由修改和商用

    小提示：Nous Research 是开源 AI 社区中声誉极高的研究机构，他们此前发布的 Hermes 系列开源模型（Hermes-2、Hermes-3）在 Hugging Face 上广受好评。Hermes Agent 可以看作是他们将多年技术积累打包成的开箱即用产品。

    下载地址

    来源 链接
    GitHub 仓库 github.com/NousResearch/hermes-agent
    官方网站 hermes-agent.nousresearch.com
    Nous Research nousresearch.com
    agentskills.io agentskills.io

    最低运行配置：2 核 CPU + 4GB RAM（推荐 4GB+ 以流畅运行 LLM）

    本文为 GitHub 热门 AI 开源项目系列第 93 篇。系列文章持续介绍最值得关注的开源 AI 项目，欢迎关注。

  • Anthropic砸190亿签下20年租约，在美国肯塔基州建AI数据中心

    AI算力竞赛出现一笔大单。Anthropic宣布与加密挖矿公司转型而来的AI基础设施提供商TeraWulf签署了一份20年租约，在肯塔基州的Hawesville建设AI数据中心。TeraWulf预计这笔交易将带来190亿美元的收入。

    数据中心计划2027年下半年初步启用，到2028年达到401兆瓦的电力供应规模。这个数字意味着什么？够支撑数十万块高端GPU同时运行，训练下一代大模型。

    Anthropic肯塔基州AI数据中心概念图
    AI数据中心成为科技公司的战略资产（概念图）

    从加密挖矿到AI基础设施

    TeraWulf这家公司本身就是一个时代注脚。它原来做比特币挖矿，现在把挖矿场的电力和冷却基础设施改造成AI数据中心，租给像Anthropic这样的AI公司。加密寒冬之后，AI热潮给了这些公司一条新出路。

    这不是TeraWulf第一次做这种生意。它已经在运营多个数据中心，而Anthropic作为租户，签下20年长期合约，相当于提前锁定了未来两年的算力扩张计划。对于一家靠烧钱训练大模型为生的公司来说，算力就是生命线。

    TeraWulf在公告中透露，这笔20年租约预计总收入190亿美元。作为对比，Anthropic 2024年的年化收入大约在10亿美元规模——这意味着光是这个数字中心租约，就相当于它当时年收入的19倍。

    为什么是肯塔基？

    肯塔基州并不是传统意义上的科技中心，但它有几个优势：电力资源丰富（历史上就是煤炭大州，现在也在发展可再生能源）、土地成本低、政府对数据中心有税收优惠政策。

    更重要的是，AI数据中心的选址逻辑跟科技公司总部完全不同——它不需要靠近人才密集的硅谷，它需要的是便宜的电、足够大的地块、以及能建高压输电线路的审批。肯塔基、俄亥俄、得克萨斯这些州，正在成为AI基础设施的新前线。

    AI公司的算力军备竞赛

    Anthropic这笔交易只是AI公司自建/长租算力浪潮中的一朵浪花。过去一年，几乎每家有实力的AI公司都在往基础设施里砸钱：

    • OpenAI与博通合作开发定制推理芯片”Jalapeño”，减少对英伟达的依赖
    • Anthropic同时还在与三星探讨合作制造定制AI芯片
    • 微软、谷歌、亚马逊早就有了自己的自研芯片（Maia、TPU、Trainium）
    • Meta计划投入最多1450亿美元用于AI基础设施

    背后的逻辑很清楚：谁控制了算力，谁就控制了AI的未来。依赖第三方云服务的成本太高，而且供应不稳定。长期租约或者自建数据中心，虽然前期投入巨大，但能把算力的主动权握在自己手里。

    Anthropic这笔190亿美元的交易，不只是商业新闻，它折射出AI产业正在发生的结构性变化——从”租算力”到”囤算力”，从”轻资产”到”重资产”。下一阶段的竞争，比的不再只是模型谁更聪明，还有谁的算力更便宜、更稳定、更不受制于人。

  • 你用Google搜索，也在帮它训练AI——好消息是你可以退出

    你每次用Google搜索，用Google Lens拍张照片识别，或者用语音搜索问个问题，这些操作产生的内容，可能正在帮Google训练它的AI模型。

    大多数人不知道这件事，因为Google没有大张旗鼓地通知你。它在2026年6月悄悄更新了隐私设置，把”Search Services History”和”Personalized Recommendations”两个选项默认打开了。其中包括一个叫”Save Media”的子选项——你的图片、音频、视频录音，现在都可能被用来改进Google的AI模型。

    Google AI隐私设置
    Google的隐私设置更新后，用户媒体数据可能被用于AI训练（插图）

    不只是搜索历史，连你的照片和语音也不放过

    这次更新的影响范围比很多人想象的广。它不只涉及Google Search，还包括Google Maps、Shopping、Flights、Hotels、Translate、News——基本上所有带搜索功能的Google服务都在内。

    具体场景是这样的：你用Google Lens拍了一张花的照片识别品种，这张照片可能被保存下来用于AI训练；你用Google app里的Search Live功能语音提问，那段录音也可能被保存；你用Google Translate练习口语，录音同样会被留存。Google在自己的帮助文档里写得很直白：“我们用你的历史记录来开发和改进服务（比如训练生成式AI模型）。”

    Google在给客户的邮件里直接承认：”像你的搜索服务历史记录一样，你保存的媒体也被用于开发和改进Google服务及技术，包括AI模型和安全措施。”

    不是只有Google在这么做

    把用户数据拿来训练AI，Google不是独一家。Meta也在大规模做同样的事——用用户上传到Facebook和Instagram的图片训练AI，甚至想访问用户手机相册里还没发出的照片。Ray-Ban Meta智能眼镜录制的音视频，同样也可能被用于AI训练。

    这背后是整个行业的变化。以前AI公司主要靠抓取公开网页来训练模型，现在这条路的数据差不多用完了，它们开始从自己服务的用户身上找”燃料”。你用它们的产品，产生数据，它们用这些数据让AI变得更聪明，然后卖更好的AI服务——这个循环正在成为AI时代的标准商业模式。

    怎么退出？

    好消息是，Google给了用户选择权，只是没怎么宣传。你可以去这两个页面调整设置：

    还有一点值得注意：这次更新把原来的”Web & App Activity”拆分成了两个设置——原来的Web & App Activity，和新的Search data。也就是说，即使你之前关闭了Web & App Activity的数据存储，Search data那边可能还是开着的，需要单独检查。

    这次隐私设置的更改，再次提醒了一个事实：用免费服务，代价是你的数据。AI时代这个交换变得更加直接——你产生的内容，正在成为别人训练AI的养料。如果你在意这件事，现在就去检查一下自己的Google账号设置。

  • 全球首例AI Agent自主勒索攻击：JADEPUFFER来了，人类不再需要动手

    勒索软件攻击这件事，人类黑客忙活了这么多年，现在AI Agent说：你让开，我来。

    安全厂商Sysdig的研究人员最近记录到了一例完全由AI Agent自主完成整个攻击流程的勒索软件攻击，攻击者被命名为JADEPUFFER。这不是AI辅助人类黑客，而是AI Agent从头到尾——从利用漏洞、侦察、窃取凭证、横向移动到最终加密数据库——全是自己干的。

    JADEPUFFER AI自主勒索攻击概念图
    全球首例完全由AI Agent自主执行的勒索软件攻击

    它是怎么做到的

    JADEPUFFER利用的是CVE-2025-3248，一个Langflow服务器的关键漏洞，允许攻击者在面向互联网的Langflow服务器上执行任意代码。一旦打进去，这个AI Agent就开始自主运行了：它会自适应地寻找有价值的数据，窃取并复用凭证，然后直接对生产数据库执行加密勒索。

    最让人不安的是它的”自我叙事“能力。研究人員观察到，JADEPUFFER在某次登录尝试失败后，自己调整了方法，31秒后就成功登录了。传统自动化攻击依赖预编写脚本，一旦出错就停下来；但JADEPUFFER能自己推理失败原因、实时调整策略、修复错误，然后继续前进。

    “JADEPUFFER是一个警告信号。它标志着勒索技术正在走向何方。一个自主Agent推理它的目标，收割并复用凭证，横向移动，建立持久化，摧毁数据库——而且全程都在自述意图。”——Sysdig威胁研究团队

    攻击成本将降到接近零

    这个变化最实际的影响，是攻击成本。Sysdig指出，如果Agent运行在被盗用的凭证上（通过LLMjacking），那么一次攻击的成本就从”雇佣一个黑客团队”降到了”运行一个AI Agent的费用”——几乎为零。

    JADEPUFFER还会主动搜索各类敏感信息：LLM API密钥、云凭证（包括阿里云、腾讯云、华为云等中国厂商，当然也有AWS、GCP、Azure）、加密货币钱包、数据库凭证、配置文件。它基本上把自己变成了一个全自动的数据收割机。

    有个细节让人哭笑不得

    勒索信里留了一个比特币地址。但研究人员发现，这个地址看起来像是AI从训练数据里幻觉出来的——它要么是Agent自己编的，要么配置它的人偷懒直接用了比特币开发者文档里的示例地址。如果是前者，这意味着就算受害者付了赎金，钱也打到一个不存在的钱包里。

    更要命的是，加密密钥被打印到了标准输出，但没有持久化存储，也没有传给任何人。也就是说，就算你付了赎金，也恢复不了数据。这个”勒索软件”某种程度上比人类写的还要绝——人类至少还想拿钱。

    这只是一个开始

    Sysdig此前还研究过另一个AI Agent利用Marimo笔记本漏洞发起攻击的案例。那个Agent同样能在被入侵的系统里自主搜索凭证、云访问密钥和数据库凭证。

    JADEPUFFER的出现，标志着网络安全进入了一个新阶段。AI Agent不再是理论威胁，而是已经能够独立完成从侦察到加密的全流程闭环。对企业安全团队来说，这意味着传统的”检测已知攻击模式”的防御思路需要更新了——你现在要防的，是一个会学习、会适应、会自己修bug的对手。

  • Meta正式下线Llama API，14个月匆匆收场

    7月6日，Meta悄无声息地把Llama API拔了网线。这个2025年5月才上线的服务，前后只活了14个月，连一岁都不到。

    说关就关，开发者怎么办

    Llama API下线后，所有API请求会收到停用提示，同时附上一个迁移指引链接。Meta的官方建议是：转向支持Llama模型的第三方服务平台。当然，Llama模型本身不受影响，想继续用的开发者可以自己去下载模型文件，本地部署或者离线使用。

    至于Meta说的”正在筹备新的开发者支持方案，未来将推出基于Meta AI模型的全新开发工具链”——这话听着耳熟，但具体细节和上线时间一概没说。开发者现在能做的，要么是赶紧迁移，要么是继续等。

    Meta Llama API下线与Muse Spark战略转向
    Meta战略转向：从开放API到闭源Muse Spark

    背后的战略大转向

    这件事之所以值得说，是因为它折射出Meta在AI路线上的一次重要调整。Llama API当初上线，是Meta想亲自下场卖API、跟OpenAI和谷歌抢开发者市场。但14个月下来，这条路显然没走通。

    Meta正在从”亲自下场卖API”向”退居幕后建云、走开源闭源双轨制”转变。Llama API的退出，可能是为集中精力打造更具竞争力的开发者生态铺路。

    同步推出的Muse Spark是Meta超级智能实验室（MSL）成立9个月来的首款核心产品，而且是一款闭源模型。这就很有意思了——Meta一边继续开源Llama，一边推闭源的Muse Spark，形成了”开源Llama＋闭源Muse”的双轨制。这个打法，跟谷歌的Gemini（闭源）+ 开源Gemma，以及Anthropic只做闭源Claude，都不太一样。

    为什么是现在

    时机也值得玩味。Llama 4的表现不及预期，而行业竞争已经从”谁的模型强”转向”谁能把AI真正用起来”。Meta选择在这个时候把API服务关掉，把精力集中到模型本身和闭源的Muse Spark上，倒也不难理解。

    对开发者来说，如果你之前依赖Llama API，现在是该认真考虑迁移方案了。第三方平台里，Groq、Together AI、Replicate都支持Llama模型部署，短期内不至于没地方去。但长期来看，Meta的重心显然已经不在”提供API服务”这件事上了。

  • Continue：开源 AI 编程助手，让 VS Code 和 JetBrains 拥有最强大脑（34K+ Stars）

    Continue：开源 AI 编程助手，让 VS Code 和 JetBrains 拥有最强大脑（34K+ Stars）

    Continue：开源 AI 编程助手，让 VS Code 和 JetBrains 拥有最强大脑

    发布于 2026 年 7 月 | 分类：开源项目
    ⭐ 34K+ Stars
    TypeScript
    Apache-2.0
    持续维护中

    📌 项目简介

    Continue 是为 VS Code 和 JetBrains IDE 打造的开源 AI 编程助手，让开发者在熟悉的编辑器里直接获得代码补全、交互式聊天、代码编辑等 AI 能力。官网 slogan：“The easiest way to code with any LLM” —— 支持几乎所有主流大模型，本地、云端随意切换。

    🌐 官网continue.dev
    🐙 GitHubgithub.com/continuedev/continue
    📦 安装VS Code / JetBrains Marketplace 搜索 “Continue”
    🔑 许可Apache-2.0

    🔧 安装要求和过程

    环境要求

    • VS Code 1.70+ 或 JetBrains IDE（IntelliJ / PyCharm / WebStorm 等）
    • 支持 Windows / macOS / Linux 三平台
    • 网络连通（用于下载模型或连接云端 API）
    • 本地运行需要 Ollama 等本地 LLM 工具（可选）

    快速安装（3 步搞定）

    1. 安装插件：在 VS Code 扩展市场或 JetBrains Plugin 市场搜索 Continue，一键安装
    2. 选择模型：打开 Continue 侧边栏，选择你想用的模型（云端 API 或本地 Ollama）
    3. 开始编码：在编辑器中选中代码，按快捷键唤醒 AI，或直接聊天提问
    💡 快速体验：不想配置 API Key？先装个 Ollama，在 Continue 里选一个本地模型，零成本跑起来！

    🎯 核心功能

    1. 智能代码补全（Autocomplete）

    基于上下文的多行代码补全，比传统补全更懂你的意图。支持主流编程语言，响应速度经过专门优化，打字如飞不卡顿。

    2. 交互式聊天（Chat）

    在侧边栏和 AI 对话，支持引用当前文件、选中代码、整个项目上下文。可以问 “这段代码什么意思？”、”帮我优化这个函数”、”写一个单测” 等，AI 直接给出代码建议。

    3. 编辑与重构（Edit）

    选中代码后，用自然语言描述你想做的修改，Continue 直接在编辑器里帮你改好。支持多文件编辑、批量重构，是日常开发最高频使用的功能。

    4. 模型自由切换

    支持 100+ LLM 提供商：Anthropic Claude、OpenAI GPT、Google Gemini、本地 Ollama、自托管 vLLM……一套界面，随意切换。企业可以用自己的模型，个人开发者可以零成本用本地模型。

    5. 上下文理解（Context Awareness）

    Continue 不只是 “聊天框里的 AI”，它能理解你的项目结构、当前文件、选中的代码，甚至整个代码库。支持 @files、@folders、@code 等快捷引用，让 AI 精准理解你的意图。

    🚀 典型使用场景

    场景一：快速理解遗留代码

    接手一个陌生项目，面对几千行没注释的代码一头雾水？选中整个文件，问 Continue：”这个文件的核心逻辑是什么？有哪些潜在问题？” 几秒钟就能获得清晰的解读，比自己啃代码效率高 10 倍。

    场景二：本地零成本 AI 编程

    不想把代码上传到云端？装个 Ollama，在 Continue 里选一个本地跑的开源模型（DeepSeek Coder、CodeLlama 等），所有代码处理都在本地完成，隐私 100% 可控，还不用花一分钱 API 费用。

    场景三：团队协作统一 AI 工作流

    Continue 支持配置文件（config.json）提交到代码库，团队所有人用同一套提示词、同一个模型，AI 辅助编码的效果可复现、可迭代，从 “个人玩具” 升级为 “团队生产力工具”。

    💎 推荐理由

    作为每天和代码打交道的开发者，我对 Continue 的评价就三个字：真的香。

    最打动我的是它的 模型无关设计。不像有些 AI 编程工具绑定特定厂商，Continue 把选择权完全交给你——想用 Claude 写复杂逻辑、用本地模型做快速补全、用 GPT 做代码 review，全在一个插件里搞定，不用在不同的工具之间反复横跳。

    另一个亮点是 开源透明。Apache-2.0 许可，代码完全公开，不用担心 “哪天服务商涨价或者跑路”。而且开源社区非常活跃，几乎每周都有新功能发布，Issue 响应速度也很快。

    当然也有不足：模型切换的配置界面对新手不太友好，第一次用的时候需要花点时间搞清楚怎么添加自定义模型。但一旦配置好，日常使用体验非常流畅，已经成了我写代码时离不开的工具。

    如果你在用 VS Code 或 JetBrains，还没试过 Continue，强烈建议花 5 分钟装一下 —— 它可能会改变你写代码的方式。

    📦 下载地址

    📌 本文由 AI 自动整理，信息来自 GitHub 公开数据，如有偏差以官方文档为准。欢迎在评论区分享你的使用体验！

  • Meta悄悄做了一个”AI游戏生成器”，但没几个人知道

    Meta又开始玩新东西了。这次不是VR头显，也不是AI聊天助手，而是一个看起来有点像”AI版TikTok”的游戏应用，名字叫Pocket。

    Meta Pocket应用概念图
    Meta Pocket：用AI提示词生成互动小游戏

    这个应用其实早就上线了，但Meta一直没正式宣布。最早是逆向工程师Alessandro Paluzzi在X上发现了它的存在，查了下应用商店数据才发现，Pocket其实在今年6月29日就已经悄悄登陆App Store和Google Play了。

    这东西到底是干嘛的

    简单说，Pocket是一个”用AI提示词生成互动小应用和游戏”的平台。你在里面输入一段文字描述，AI就能帮你生成一个可以玩的小型互动体验——他们管这个叫”gizmo”。应用里还有一个可以刷的信息流，你能看到别人做的有趣gizmo，直接点开就能玩。

    这个产品其实是Meta今年早些时候收购Gizmo团队的结果。Gizmo原本就是一个”vibe-coded游戏平台”，创始人来自Snapchat。被Meta收购后，整个团队并入了Meta Superintelligence Labs，现在拿出来的成果就是Pocket。

    原本的Gizmo应用其实还在运营， lifetime安装量约63.5万次，98%的好评率。被Meta收了之后，两个应用现在并存，倒也有意思。

    Meta的AI创作工具大扩张

    Pocket不是Meta在AI创作工具上的第一次尝试。之前已经有过用Meta AI应用生成AI图片，用Vibes应用生成AI视频，还有给创作者用的视频编辑应用Edits也加了AI助手。看得出来，Meta在把AI创作工具往主流人群里推这件事上挺执着的。

    目前Pocket还没有正式宣布，说明它应该还在早期实验阶段。但考虑到Meta的流量能力，一旦它决定全力推这个产品，Gizmo原来的63.5万安装量可能很快就会被甩开。

    话说回来，”vibe-coding”这个概念火了没多久，Meta就已经把它做成消费品了。以后会不会出现一批靠AI提示词”写”游戏的内容创作者？这个方向如果跑通了，对游戏行业的影响可能比我们想的更深远。

  • Mistral AI到底是家什么公司？看完这篇你就明白了

    当特朗普下令让Anthropic把最新模型下线，欧洲喊”主权技术”喊得越来越响，一家法国AI公司突然站到了聚光灯下。它就是Mistral AI——经常被叫做”欧洲版OpenAI”，但这个标签其实挺误导的。

    Mistral AI概念图
    Mistral AI：欧洲主权AI的代表力量

    如果你拿”欧洲版OpenAI”的标准去套Mistral，肯定会失望。它的聊天产品Vibe（前身叫Le Chat）品牌认知度远远比不上ChatGPT；就算在巴黎的Station F创业园区里，Claude也比Mistral的模型更受欢迎。

    它在走的其实是Palantir路线

    外界经常忽略一个关键点：这家法国十角兽公司实际上在走一条完全不同的路——它派前端工程师去帮政府和大企业把AI用起来，针对具体用例做定制部署。这个策略也更符合Mistral实际的资源条件。

    营收数据可以说明问题。公司正在融大概35亿美元，估值约231.5亿美元（接近当前估值的两倍）。但相比美国那些前沿AI实验室，这个数字还是低不少。不过增长曲线很猛：2026年2月披露的年度经常性收入（ARR）已经超过4亿美元，而一年前才2000万美元。公司说自己有望今年突破10亿美元ARR。

    Mistral CEO Arthur Mensch说过一句话：”我们的存在是为了确保每个人都能获得最佳AI系统，摆脱国家或企业以集中控制方式部署AI的局面。”

    创始人阵容：DeepMind和Meta老将

    三位创始人都在美国科技巨头巴黎办公室搞过AI研究：CEO Arthur Mensch来自Google DeepMind，CTO Timothée Lacroix和首席科学家Guillaume Lample都来自Meta。这个背景某种程度上解释了为什么他们的策略跟OpenAI截然不同——他们更懂欧洲的监管环境和政府采购逻辑。

    融资历程也挺夸张的。2023年6月才拿种子轮1.13亿美元，估值2.6亿；到2025年9月C轮已经估值138亿美元，融了约20亿美元。总融资额大概40亿美元，而且大部分是债务融资。

    模型、芯片和”主权”野心

    Mistral的模型阵容挺全的：有大语言模型Mistral Small 4，有针对手机等边缘设备优化的”Les Ministraux”系列，部分模型是开放权重的。代码智能体Leanstral也已经开源。

    Mensch承认目前还没有最好的语言模型，但差距在不断缩小。2026年夏天会推出”非常令人兴奋的模型”，是开放权重的，7月开放早期访问。在语音、视觉和文档处理这些对算力要求相对低的领域，Mensch说他们已经有最先进的解决方案了。

    芯片策略方面，Mensch在今年5月接受CNBC采访时说不排除自研芯片的可能性，但目前还是依靠NVIDIA。2026年初收购基础设施初创公司Koyeb，加上宣布在法国和瑞典建设数据中心的45.6亿美元投资战略，”主权”这个色彩贯穿了Mistral的几乎所有动作。

    退出路径方面，Mensch在今年1月达沃斯论坛上明确说了Mistral”不出售”，IPO是计划。考虑到已经融了这么大规模，即便卖给传闻中的潜在买家（比如Apple）也很难提供足够的回报倍数，更何况还有主权问题要考量。

  • Orca：AI智能体并行编排IDE，让100x开发者同时驾驭5个AI编程助手（12,485 Stars）

    Orca：AI智能体并行编排IDE，让100x开发者同时驾驭5个AI编程助手（12,485 Stars）

    🐳 Orca：AI智能体并行编排IDE，让100x开发者同时驾驭5个AI编程助手

    ⭐ 12,485 Stars

    The AI Orchestrator for 100x Builders

    📌 项目简介

    一句话介绍

    Orca 是一款专为 AI 编程时代打造的智能体编排 IDE，让你在同一个界面中并排运行 Codex、Claude Code、OpenCode、Pi 等任意终端 AI 编码代理，每个代理在独立的 git worktree 中隔离运行，所有任务统一跟踪管理。它还提供 iOS/Android 移动端配套应用，让你随时随地监控和引导代理运行。

    项目背景：在 AI 编程助手爆发的今天，开发者往往需要在多个 AI 工具之间来回切换——Claude Code 写代码、Codex 做代码审查、OpenCode 处理重构……每个工具都有各自的优势，但切换成本极高。Orca 的诞生就是为了解决这个问题：把多个 AI 代理统一到一个界面中并行调度，真正实现「1+1>2」的协同效应。

    核心定位：不是要替代现有的 AI 编程助手，而是做一个「智能体编排层」，让你可以同时使用所有最好的工具，并在它们之间灵活分配任务。

    🌐 官网：onorca.dev | 📦 GitHub：stablyai/orca | 📄 许可：MIT

    ⚙️ 安装要求和过程

    环境要求

    • 桌面端：macOS（Apple Silicon / Intel）、Windows 10+、Linux（AppImage / AUR）
    • 移动端：iOS 16+ / Android 10+
    • 依赖：需要已安装并配置好至少一款 AI 编程助手（Claude Code / Codex / OpenCode 等）
    • 远程开发：支持 SSH 连接到高性能服务器运行代理

    快速安装

    方式一：官网下载（推荐）

    # macOS Apple Silicon
    open https://github.com/stablyai/orca/releases/latest/download/orca-macos-arm64.dmg

    # macOS Intel
    open https://github.com/stablyai/orca/releases/latest/download/orca-macos-x64.dmg

    # Windows
    # 下载并运行: https://github.com/stablyai/orca/releases/latest/download/orca-windows-setup.exe

    # Linux AppImage
    wget https://github.com/stablyai/orca/releases/latest/download/orca-linux.AppImage
    chmod +x orca-linux.AppImage && ./orca-linux.AppImage

    方式二：Homebrew（macOS）

    brew install –cask stablyai/orca/orca

    方式三：Arch Linux（AUR）

    yay -S stably-orca-bin # 预编译版本
    # 或
    yay -S stably-orca-git # 从源码构建

    移动端安装

    无头 Linux 服务器

    # 在远程 Linux 服务器上运行 Orca 服务
    orca serve
    # 然后通过桌面端或移动端远程连接

    🌟 核心功能

    1. 并行 Worktree —— 5个代理同时干活

    把一个需求同时派发给 5 个 AI 代理，每个代理在独立的 git worktree 中运行，互相不干扰。你可以对比各个代理的输出结果，然后合并最优方案。这就像同时雇佣了 5 个初级工程师，而你是架构师，负责审查和决策。

    2. 移动端伴侣 —— 手机上监控 AI 干活

    Orca 提供 iOS 和 Android 原生应用，你可以在手机上实时查看代理的运行状态，代理完成时自动推送通知，还可以随时发送后续指令。早上躺在床上就能查看昨晚跑的代理结果，通勤路上就能给代理安排新任务。

    3. 设计模式 —— 点击 UI 就能生成提示词

    在真实的 Chromium 窗口中点击任意 UI 元素，Orca 会自动提取该元素的 HTML、CSS 和裁剪后的截图，直接作为上下文发送给 AI 代理。再也不用手动复制粘贴代码片段了，点击即提示。

    4. 原生 GitHub & Linear 集成 —— 不离开 IDE 就能完成 Code Review

    Orca 内置 GitHub 和 Linear 支持，你可以在应用内直接浏览 PR、issue、项目看板，从任意任务直接打开对应的 worktree，无需切换浏览器上下文。AI Diff 标注功能让你在代码 diff 上直接添加评论并反馈给代理，审查-编辑-提交一气呵成。

    5. SSH Worktree —— 在远程服务器上跑代理

    支持在远程高性能服务器上运行 AI 代理，包含完整的文件编辑、git 操作、终端能力，自带自动重连和端口转发功能。你的笔记本可以保持凉快，而代理在远程服务器的 GPU 上飞奔。

    6. 终端分屏 + 内置编辑器 —— Ghostty 级别的终端体验

    Orca 内置了类 Ghostty 的高性能终端，基于 WebGL 渲染，支持无限分屏，滚动历史记录重启后保留。同时内置 VS Code 级别的编辑器，支持全局自动保存、文件拖拽到代理输入框等效率功能。

    7. Orca CLI —— 脚本化所有工作流

    Orca 提供完整的 CLI 工具，支持通过命令行脚本化所有操作：orca worktree create、orca snapshot、orca click、orca fill 等，可以无缝集成到 CI/CD 流程中。

    Orca 并行代理编排界面

    Orca 主界面：并行运行多个 AI 代理

    💡 典型使用场景

    场景一：多模型对比选型

    需求：你需要实现一个复杂的认证模块，不确定用 JWT 还是 Session，也不确定哪个 AI 助手能给出最好的实现方案。

    方案：在 Orca 中创建 3 个并行 worktree，分别派给 Claude Code、Codex 和 OpenCode，让它们各自给出实现方案和代码。30 分钟后，你在 Orca 界面中对比三份代码的质量、可读性和完整性，选择最优方案合并到主分支。

    价值：原本需要轮流试用 3 个工具、花费 2 小时的工作，现在 30 分钟就能完成，而且还能直观对比各工具的输出质量。

    场景二：移动办公 + AI 辅助

    需求：你经常在通勤路上突然想到代码改进点，但拿出笔记本又不方便，等到了办公室又忘了。

    方案：在手机上打开 Orca 移动端应用，查看正在运行的代理状态，发送一条新的指令：「在用户登录模块添加记住我功能，参考现有的 session 管理代码」。代理在远程服务器上开始工作，完成后推送通知到你的手机。到达办公室时，代码已经在等待你审查了。

    价值：碎片化时间也能推进开发工作， idea 不会丢失，效率显著提升。

    场景三：Code Review 加速

    需求：团队 PR 数量多，Code Review 成为瓶颈，人工 Review 容易遗漏边界情况。

    方案：在 Orca 中打开 GitHub PR，使用 AI Diff 标注功能，让 AI 代理自动分析代码变更、发现潜在 bug、检查代码风格。你可以在 AI 分析结果的基础上做最终决策，Review 效率提升 5 倍以上。

    🎯 推荐理由

    💡 个人使用心得

    Orca 解决了一个被很多人忽略但非常痛点的问题：

    • 🤝 多工具协同：现在 AI 编程助手太多了，每个都有自己的强项。Claude Code 擅长架构设计，Codex 代码质量高，OpenCode 在特定语言上表现出色。Orca 让你可以同时「雇佣」它们，而不是「选择」其中一个。
    • 📱 移动端创新：大多数开发者工具都忽略移动端，但 Orca 把移动端作为一等公民对待。在手机上监控 AI 代理这个功能，对于经常需要「让 AI 在晚上跑任务」的开发者来说，简直是救命稻草。
    • 🔒 隐私友好：支持 SSH 远程 worktree，你的代码不需要离开自己的服务器，AI 代理通过 SSH 连接执行操作，符合企业安全规范。
    • 🚀 真正提效：并行 worktree 不只是「同时开多个终端窗口」这么简单，它的核心价值在于任务编排和结果对比。你可以把一个大任务拆成多个子任务分给不同代理，然后汇总最优结果。

    注意事项：Orca 本身不包含 AI 模型，你需要自己配置 Claude Code / Codex 等工具。另外，移动端需要和桌面端配对使用，初次配置需要一些学习成本。

    总的来说，Orca 是目前市面上第一个真正把「多 AI 代理并行编排」做到可用级别的 IDE。如果你已经在用 AI 编程助手，Orca 绝对值得一试。

    📥 下载地址

    立即下载 Orca

    🌐 官网下载
    📦 GitHub Releases
    📱 iOS App Store

    快速安装命令：

    # macOS / Homebrew
    brew install –cask stablyai/orca/orca

    # 或下载 DMG 直接安装
    open https://github.com/stablyai/orca/releases/latest/download/orca-macos-arm64.dmg

    📖 官方文档 | 🐛 报告 Issue | 💬 加入社区

    📌 本文由 WorkBuddy AI 自动整理发布 | 数据来源：GitHub – stablyai/orca