数据挺扎眼，部分地方的外流率能冲到40%以上。医生累得半死，病人觉得没被接住，转头就去大城市了。这时候有人提AI，说它能读片、能写病历、能查文献。听着很美好，但真落到业务系统里，你会发现它像个站在门口的聪明实习生，话挺多，就是进不了屋。 因为它缺了最核心的东西，结构化数据。 没有这个底座，AI就是个高级外挂。它能告诉你某个结节有点像恶性，但它不知道这个患者在你们医院的既往病史是什么，也不知道他

医疗机构资料管理普遍存在版本混乱、内容同质、数据冲突等问题，AI无法在缺乏结构化数据时自主学习。真正能跑通的路径是从具体场景切入，八周周期内建立最小可行性产品并跑通闭环。智能客服、复诊提醒、健康科普等内容化运营能带来可量化的收益提升。

医疗资料变Skill，从存着到用起来企业天天喊着要要更聪明的AI，但很多时候AI连你的资料都没看过，再聪明也帮不上忙，电脑里有报告、方案、录音、案例、SOP，老板和老员工脑子里还有多年经验，这些东西都在，只是放在那里，要用时找不到，找到了也不知道哪份合适，新人来了又得跟着老员工从头学。文件夹像个仓库

很多人以为prompt能力是会写更复杂的指令。但真正的prompt能力根本不在措辞层面，它在你能不能定义问题、建立边界、控制污染、安排验证。换句话说，prompt能力是研究能力，不是写作能力。这篇文章记录了我从爽文研究项目中得出的认知，以及AISet知识库的设计思路。

女娲.skill是独立开发者花叔开源的Agent Skill，输入一个人名自动蒸馏其思维方式——心智模型、决策启发式、表达DNA。已蒸馏乔布斯、马斯克、芒格等14位人物，全员通过保真度盲测。本文拆解它怎么用、应用场景在哪。

一个大二学生用 AISet 加 Obsidian 搭了一套围绕自己运转的 OPC 赚钱系统，大半年变现六万多。文章拆解了前端获客中端转化后端交付的三段结构，以及五模块知识库怎么让 AISet 一直知道你是谁。

前两天有个做健康管理的朋友找我聊，说看了篇讲医疗AI Agent的文章，很兴奋，觉得自己那摊业务也能用上，问我搞一个出来要多少钱，多久能跑起来。 我让他先把文章发我看看，结果微信打不开，环境异常验证那一套又来了。不过他转述的内容我已经大概明白了，核心就三件事，拍照收集用户的医疗数据，体检报告拍照上传然后自动解读，再加一个智能客服随时回答健康问题。 说实话这三

收藏夹里的文章从来不会重读，知识没有沉淀只是换了地方堆。Karpathy提出的LLM Wiki思路，让AI增量维护结构化Wiki代替每次从零拼接的RAG模式，一次编译持续复用。用AISet+Obsidian实操搭建，从采集到编译到查询到治理，跑通个人知识管理全流程。

刷 GitHub 的时候看到一个项目，名字叫taste-skill，副标题写得很直白，给AI加品味，阻止它生成无聊的泛泛内容。我当时想，这得是多少前端开发者被AI生成的界面折磨到忍不了了，才会把一个纯指令文件的项目推到这个位置。没有一个npm包，没有一行运行时代码，没有构建步骤，全是SKIL。

港大HKUDS开源的Vibe-Trading项目GitHub上每天涨400多星。它用自然语言驱动量化策略生成，79个金融skill按需加载，7个回测引擎覆盖A股港股美股加密货币期货外汇。Shadow Account功能分析真实交易记录诊断心理偏见，29个多agent团队预设，五层上下文压缩，安全mandate机制。两个月新项目，帮有想法但不会写代码的人验证想法，但不能帮产生好想法。

一个三天涨两万Star的开源项目，不是框架而是能力层，帮你选好装好检查好各种互联网读取工具，运行时零中间层。覆盖13个平台，6个零配置即用，平台封路自动切备选。

GitHub项目GordenSuperPPTSkills用反转思路解决AI PPT的排版困境，先让GPT生成图片格式的高质量PPT，再逐层拆解还原成可编辑PPTX文件。虽然依赖Codex且成本偏高，但思路开创性足以影响整个赛道竞争逻辑。

diffusionstudio/lottie是一个开源项目，通过给Claude Code或Codex等AI编程代理加装text-to-lottie技能，让AI直接生成符合Bodymovin格式、可在Web/iOS/Android/React Native各平台渲染的Lottie动画JSON文件。作者实测效果达到生产级，60fps、透明背景、体积可控，同时揭示了skills模式如何将领域专业知识封装成可分发的工具包。

从Umaxing的角色IP系统出发，聊聊AI头像工具从功能竞争转向角色竞争的趋势。当别人还在比生成质量的时候，这个深圳小工作室给每个角色起了名字、赋予了性格，用表情包延伸角色生命力，走出了一条不一样的路。

GitHub Trending本周出现了一个叫青幕AI写作的开源项目，五天涨了近三百星，专门帮网文作者写两百万到三百万字的长篇连载。核心是记忆系统，章节摄取加角色认知追踪加草稿隔离，解决AI写到后期遗忘前文和人设崩坏的问题。

微信表情包用AI工具做出来不难，但大部分人卡在变现链路上。本文梳理了从Umaxing生成表情包到微信上架赞赏的全流程。

invisible_playwright是一个从C++源码层面打补丁的Firefox反检测浏览器，reCAPTCHA v3得分0.90，CreepJS零谎言，全线碾压商业反检测产品。它填补了面向开发者的可编程反检测工具空白，对AI Agent落地有直接的基建价值。

invisible_playwright是一个从C++源码层面打补丁的Firefox反检测浏览器，reCAPTCHA v3得分0.90，CreepJS零谎言，全线碾压商业反检测产品。它填补了面向开发者的可编程反检测工具空白，对AI Agent落地有直接的基建价值。

解决跨领域和多模态的复杂AI任务是实现通用人工智能的关键一步。虽然已有众多针对不同领域和模态的AI模型，但它们无法自主处理复杂AI任务。鉴于大语言模型(LLM)在语言理解、生成、交互和推理方面展现出卓越能力，我们提出可以让大语言模型作为控制器来管理现有AI模型，并以语言作为通用接口来实现这一目标。基于这一理念，我们推出了HuggingGPT——一个由大语言模型(如ChatGPT)驱动的AI智能体，通过连接机器学习社区(如Hugging Face)中的各类AI模型来解决AI任务。具体而言，当收到用户请求时，我们使用ChatGPT进行任务规划，根据Hugging Face上提供的功能描述选择相应模型，用选定模型执行每个子任务，并根据执行结果汇总响应。通过结合ChatGPT强大的语言能力和Hugging Face丰富的AI模型库，HuggingGPT能够处理涵盖不同模态和领域的复杂AI任务，在语言、视觉、语音等挑战性任务中取得显著成果，这为实现通用人工智能开辟了新途径。

基础模型展现出远超传统方法的通用人类水平智能潜力。随着该技术持续吸引AI社区关注，越来越多的基础模型逐步开放使用。然而这些模型普遍存在专业领域和特定任务性能不足的缺陷，需要针对领域和任务进行微调才能构建有效的科学语言模型。随着可用基础模型和专项任务数量持续增长，科学语言模型的训练工作变得异常复杂。本文针对该问题提出了解决方案——我们推出可扩展的轻量级工具包LMFlow，旨在简化通用基础模型的领域与任务感知微调流程。该工具包提供完整的基础模型微调工作流，支持在有限算力下进行专业化训练，同时涵盖持续预训练、指令微调、参数高效微调、对齐调优、推理加速、长上下文泛化、模型定制乃至多模态微调等功能模块，并配备精心设计且可扩展的API接口。该工具包已通过全面测试，开源地址为https://github.com/OptimalScale/LMFlow.1