近期的AI Coding作品

4月1日左右，开始在GitHub分享开源项目，三个半月时间，收获star 10000+，主要项目包括GEOFlow、Tokhub、GEORank、yao-meta-skill、yao-open-skills、yao-geo-skills、提示词合集、以及一些其它的自用开源小工具和系统等

这期间，主力AI工具是Codex，tokens消耗180亿+，帮我构建了大量的开源系统，帮助我提供了更好内部团队管理、内部系统构建、业务分析与策略帮助等

  1. GEOFlow

在发布前，简单调研了下，发现与GEO相关的开源系统很少，而且质量都不是很高

在我目前看到的同类开源项目中，GEOFlow在功能完整度、内容工程和交付规范方面，已经形成了比较系统的能力，发布3个月以来，在GitHub收获了2.9k star

尤其是围绕GEO内容工程，构建了一套较高标准的规范与流程

image.png

发布以后，GEOFlow进入了不少真实业务场景，实际使用方式也比我最初设想的更加丰富

  • 有上市公司把它部署成自己内部的内容管理系统
  • 有创业公司对它进行二开，然后进行商业化
  • 也有公司对它进行二次开发后，去申请软著
  • 还有不少朋友拿它去做商业化的变现，比如说部署，提供运营
  • 更多的是用它去做GEO内容项目，比如说网站，或者是升级现有的网站

看到这些反馈，我内心还是挺开心的

对于GEO，有3个核心的能力模块、数据、内容和投放，GEOFlow目前这3个能力模块，内容能力是最好的，其次是投放，最后是数据

内容其实是最核心的能力，内容的质量与管理做好了，后面很多工作都会更好

image.png

在内容层面，对这个系统而言，体系最完善，包括整个工作的流程和规范，以及自动化的能力、知识库的管理和质量控制，核心其实就是内容的工程化能力会做的比较强

在投放能力上，目前除了单站点的同步，也可以去生成多个渠道站点，实现一个系统，同时管理和发布多个站点能力。也支持对API的绑定，比如说WordPress，并且保留了API的接口，实现跟更多分发系统打通的能力

在数据层面，目前网站的基础数据分析，内容的数据，包括日志的分析、多站点的分发记录，这些数据都能够实现一个基础的统计和分析。

GitHub地址：

GEOFlow

  1. yao-meta-skill

在早期研究提示词的时候，我和向阳老师都有一个习惯，去研究和迭代元提示词，也就是生成提示词的提示词

所以，在研究和实践skill的过程中，就很重视元skill的研究和迭代，也就是生成skill的skill

于是就有了yao-meta-skill，单独建立了一个GitHub仓库，并开源给了大家，收获了2.1k star

image.png

可以用它来实现更高质量的skill生成，也可以用它来对skill进行迭代和质检

简单分享下创造和迭代yao-meta-skill的过程，很多朋友反馈，创造和迭代的过程思路，会对他们更有用

  1. 在架构设计阶段，我参考了Claude Code相关的公开技术分析、社区研究资料和多个官方Skill的设计思路，所以yao-meta-skill在架构设计上，会有一些不一样
  2. 在skill的能力维度上，综合参考和学习了多个官方元skill，比如Anthropic Skill Creator、OpenAI Skill Creator等，分析了它们各自的优势，比如Anthropic的工程方法论和迭代闭环能力，OpenAI的精简设计等
  3. 在构建和完善整个工作流时，在用户需求意图识别建模这个环节，进行了能力的重点强化，包括梳理新的skill的输入与输出、定义它边界，以及增加了静默搜寻世界级顶级对标设计并自动借鉴等技巧，尤其是第三个技巧，会显著提升skill的设计水平与质量
  4. 为了提升整体的质量，也增加了AI的自动评测实验，为了验证实际效果，又补充了AI自动评测和5组人工盲测，yao-meta-skill在这几组测试中都取得了更好的结果

image.png

现在我自己创建的所有skill，几乎都是通过这个Meta skill来完成创建和迭代

在构建yao-meta-skill的过程中，其实质是希望通过学习各个世界顶级的标准，来提升自己对于skill的理解，包括边界、标准、评测、工程设计等等

GitHub地址：yao-meta-skill

  1. 开源skill合集

主要有两个GitHub仓库：一个是yao-open-skills，一个是yao-geo-skills

yao-geo-skills，会把与GEO有关的skill，通过这个仓库进行统一的分享，包括豆包、chatGPT、DeepSeek的数据抓取、清洗和诊断报告为一体的skill，包括GEO效果系统评估方案生成的skill等等

yao-open-skills，GEO与元skill之外的所有公开skill，会通过这个仓库进行分享

比如，微信读书报告skill、教程skill、贝叶斯决策skill、博弈论Skill、矛盾论Skill、商业模式Skill、需求Skill、专家Skill等

image.png

贝叶斯决策skill是我很喜欢的一个skill

它不是简单帮你算一个贝叶斯公式，而是把一个复杂决策，拆成一个可以持续更新判断的过程

这个Skill，一开始会先基于当前信息形成初始判断，然后AI通过引导用户多轮对话，不断补充变量、更新后验，并记录每一轮判断为什么变化

最后会输出一份Markdown+双语HTML决策报告，包含沟通过程、过程的判断变化和行动建议

适合产品、增长、商业、创业这类判断，也适合旅行、搬家、职业选择这类个人决策

本质上，它解决的是：当信息不完整、风险不确定时，怎么更理性地判断“这件事到底该不该做”，以及如何提升决策的质量

image.png

还有教程skill

  1. 输入任意主题及参考资料，AI会优先以参考资料为核心，然后根据需要进行高质量素材和资料补充，这个过程中融入了低质量信源的过滤机制
  2. AI会结合教程的特点，并结合用户的部分偏好，生成定制深度教程，输出PDF、Word及HTML三种格式，方便自己学习
  3. 教程内容，按照章节的逻辑进行系统性的输出，同时根据各章节内容特点，自行画图并插入到章节相关内容模块中，教程融入了三年前经营MCN时写的《课程营销学》的相关底层逻辑与方法

image.png

GEO skills仓库，目前也分享了不少与GEO有关的skill，比如ChatGPT爬虫+清洗+分析+报告的skill

运行流程与逻辑：

  1. 先准备问题列表、重复次数、目标实体、实体类型、OpenCLI profile、采样间隔
  2. OpenCLI Browser Bridge 连接已登录的 ChatGPT Web profile，对一组问题，随机间隔策略做多次独立采
  3. 最后完成数据清洗，汇总结果，生成 JSON、Markdown、Excel 和 HTML 报告
  4. 生成的HTML数据分析报告，会看多个指标，包括：目标实体的提及率、平均提及次数、Top 1 / Top 3 / Top 5 概率、平均排名、情绪倾向、引用来源、域名结构、标题意图，以及目标实体和同类型竞品之间的差距
  5. 关于实体判断：会区分人、公司、产品、概念词和噪声词，避免把“行业词”“泛品类词”“URL 参数”混进竞品表

image.png

相关链接：

yao-open-skills

yao-geo-skills

doc.laoyao.cn （有一些演示页面和skill原始设计文档）

yao-open-prompts （开源提示词合集）

  1. TokHub

TokHub，是一个面向 AI API 中转站的开源监控及多上游智能网关于一体的开源平台

这是和向阳老师一起策划和构建的一个开源项目

采用 React + TypeScript 构建前端、Go + go-chi 构建后端，配合 PostgreSQL/TimescaleDB、Redis、NATS，并通过 Docker 与 Helm 实现部署

image.png

核心做了几层能力：

  1. 公开监控和通道详情

可以看已监测的API通道的状态、成功率、延迟、模型、价格和健康评分

  1. L1 / L2 / L3 分层探测

L1 看 DNS、TCP、TLS、HTTP 连通性

L2 看 API Key、模型列表和模型可用性

L3 直接做一次最小真实生成，用来判断“入口正常但模型实际不可用”的情况

  1. 用户工作区和私有通道

用户可以收藏公开通道，也可以接入自己的 Endpoint 和 API Key

私有 Key 加密保存，按组织隔离，不把用户自己的上游暴露给平台后台

  1. 一键生成个人专属网关

可以把多个平台通道和私有通道，聚合成个人专属网关，供自己的Agent或者自己的AI客户端统一调用，按延迟、成功率或成本做路由，并记录 Token、延迟、成本、错误类型和审计事件

项目架构：

image.png

TokHub提供Docker自托管部署，包含 PostgreSQL / Redis、生产预检、备份恢复、安全扫描和发布检查

相关链接：

GitHub地址：TokHub

  1. GEORank

这个系统定位其实就是一系列GEO小工具的集合，断断续续迭代了一段时间，已经上线和开源

可以用来分析品牌和网站在 AI 搜索中的可见性，系统把网站诊断、AI 问答、优化方案、关键词拓展、结构化内容生成和后台管理集中到一套流程中

适合 GEO、SEO、内容和品牌增长团队，也适合希望自建或二次开发 GEO 平台的开发者

系统采用 FastAPI + Next.js 架构，目前正处于 2.0 前台迁移阶段

image.png

演示官网：georankhub.com

GitHub地址：GEORank

  1. Tok系列工具

这些小工具或者系统，都是Tok开头，取Token的前三个字母，然后进行自由组合，以下7个主要的工具，都开源到了GitHub仓库

1. Toktra

这是一个Chrome浏览器的网页翻译插件，配置自己的API，支持网页自动翻译，我自己用得更多的是网页划线翻译

image.png

2. Tokkit

这是给自己定制的本地Token账本的一个小工具。然后在右上角也会有对应的记录，也会有一个HTML可视化的一个报告

image.png

image.png

3. Tokdoc

这是一个文档管理工具，支持多种文档格式的管理，比如说Word、PDF、HTML、PPT、Excel等文件格式，Word、PDF、HTML支持在线实时编辑，也支持本地目录的相关文件自动获取，对外公开的文档也会有相关的数据统计

image.png

4. Tokscr

这是一个网页截图的工具，支持多种截图的功能，并且对截图可以进行二次的编辑和保存

image.png

5. TokURL

这是一个给自己用的短链生成系统，可以一键将长很长的网址生成一个短链，然后可以自定义短链的命名，也可以随机生成短链

image.png

6. tokchat

这是一个轻量级的AI问答系统和学习系统，适合公司内部做AI问答，或者是面向外部提供相应的这个专属这种问答，专业问答系统

这个系统其实就是在开会的间隙，顺带就写好了，然后迭代了几次，内部和轻量级使用，没有问题

image.png

相关工具GitHub链接：yao-open-tools

  1. AI面试系统

为了更好的系统管理好招聘这个事，也开发了一个AI面试管家，这几个月持续做了些迭代和升级

最后将面试管家系统和GitHub、Codex、飞书进行了打通，实现了更好的多端数据互通和协作管理

具体而言就是：

  1. AI面试管家主系统，负责候选人、简历、AI自动首面、自动面试报告、反馈、排期、数据分析报告、同步状态等核心业务数据，相当于整个招聘流程的业务中枢
  2. GitHub资料仓，GitHub仓库，作为招聘流程的协作空间，每个候选人都有自己的资料目录，流程阶段会自动通过目录、workflow.json、candidate-index.csv和Git commit来记录和流转

这意味着，一个候选人的流转过程，本身就形成了一条天然的版本化证据链

  1. Codex Skill，承担本地智能操作层的角色，每位面试官主动拉取候选人资料包，生成评估，写入初试/复试反馈，保存排期，提交飞书任务、面试反馈与数据分析等
  2. 飞书执行层，通过飞书CLI，实现自动建立面试日历、私信和催填提醒，后台worker负责异步任务、失败重试和状态回写，包括面试数据周报同步等

image.png

整个系统流程变成了：

  1. HR或候选人上传简历，系统异步解析结构化信息
  2. 候选人完成AI首面后，系统保存问答、对话历史、关键词和评分
  3. 报告生成服务异步产出HR版和候选人版报告，系统Agent自动同步到GitHub资料仓
  4. 同事可以在GitHub或Codex中查看候选人资料及相关信息，基于资料包生成评估，写入反馈
  5. 如果反馈结果是pass，候选人会自动进入GitHub仓库的下一阶段目录；如果是reject或hold，则只更新状态和反馈记录，不移动目录
  6. 当面试排期确定后，系统创建飞书日历任务，worker异步执行，并在面试后1小时和3小时自动发送反馈催填提醒

在这套系统里，候选人被重新建模成了一个贯穿AI面试、GitHub协作、Codex本地Agent和飞书触达的状态对象

这让招聘流程同时具备了四种能力：自动化效率、人工责任边界、组织招聘过程记忆、运维可追踪性

image.png

对面试官而言，核心的协同与互动界面变成了Codex，其它终端都自动协同和流转

比如，无论是HR还是几位面试官，都会习惯性地在Codex上面去直接问自己关心的数据，直接对Codex说最近7天的初始人数，以及对应的初始反馈

image.png

AI面试系统暂未开源，等再完善一段时间，如果大家有需要，可以开源给大家。

和多位朋友在交流的过程中，我们发现，有了AI，其实并不能带来“平权”效应

AI降低了工具使用和产品开发的门槛，也在持续提高市场对最终结果的标准，当越来越多人都能借助AI完成基础工作

真正决定结果差异的，会越来越集中到问题理解、专业判断、审美、行动力和持续迭代能力上

所以，AI只是拉高了对于结果的标准，反而会更容易拉开人与人之间的差异

需要有更好的想法、更强的专业判断力、审美以及行动力，而这些能力，其实非常底层

AI带给我最大的好处，就是可以把我自己的各种想法快速落地和实施，可以借助AI实现更好的定制化体验，因为我可以构建各种自己想要的skill、工具、系统等等

同时，因为开源，也结识了不少新的好友

这几年，在AI的帮助下，开源的氛围我觉得还挺好的，大家都在贡献和分享自己的经验、心得、作品，这个过程中，大家相互学习、相互受益、相互启发，并因此结缘

10个AI Coding作品

昨晚听了WaytoAGI未来硅世界直播，12位分享者，分享了10个AI Coding 作品 + 2个FDE案例分享，很多有意思的作品，也很有启发

  1. 小耳 FM、Omia，作者小耳，音乐动态可视化工具与支持 100 多种格式的极简阅读器，产品非常有质感
  2. Watchless，这是一个 Skill，作者陈自欣，可以将长视频和播客转成带关键画面的图文总结
  3. 亲子习惯养成小程序，作者发愤的草莓，通过积分、神兽孵化和心愿兑换，引导孩子主动打卡，场景很具体
  4. AI 私域运营工具，作者老袁，可以在个人微信和企业微信中自动维护客户、识别购买意向并转交销售，商业闭环已经跑通
  5. 白板解释视频工具，作者余向华，可以把文字、文档或网页自动生成带配音和字幕的白板讲解视频，很适合知识科普
  6. AI 亲子语言闪卡，作者 Nerissa，拍摄物品即可生成外语单词、短句、发音和可打印闪卡，设计很克制
  7. Crewclaw，作者彭超，这是一个数字员工招聘和管理平台，形态很像数字员工的 App Store
  8. 3D 导演台，作者萌唛象，可以用手机陀螺仪操控 3D 摄像机，快速生成适合 AI 视频的镜头，项目很好玩
  9. 公众号编辑器、拼豆制作工具，作者书同文，一个解决公众号图片和排版问题，一个能把图片自动转换成拼豆制作方案，都来自自己的真实需求
  10. AI 内容工作室，作者Ally，可以自动完成素材筛选、脚本、字幕、剪辑和转场，对内容创作者很实用

两个FDE分享和案例：

  1. 鞋服智能详情页FDE，分享者Lyon，通过驻场梳理斯凯奇的业务流程，用 AI 完成商品识别、模板匹配和批量套版，将准确率从 85% 提升到 95%，随后复用到安踏
  2. 企业AI FDE交付案例，分享者 Derrick，结合数十个企业项目，总结了国企、医院、律所等场景中的需求诊断、本地部署、数据安全和规模化交付经验

部分AI Coding 作品的相关链接：

  1. 小耳 FM：fm.xiaoercamera.xyz
  2. Omia：xiaoeromia.com
  3. Watchless：watchless
  4. 知行猿 Mental OS：zhixing.club
  5. Explainer Video：explainer-video
  6. SpeedPainter 官网：speedpainter.org
  7. CrewClaw：CrewClaw
  8. OpenFDE：open-fde.com

小事实，大推论

image.png

我们很多决策与认知，其实都取决于我们自己如何解释问题

人很少直接回应事实，更多是在回应自己对事实的解释

所以，我们很容易陷入“小事实，大推论”的陷阱，甚至捕风捉影

人的大脑里，其实存在多个“政体”

在语言表达之前，它们已经进行了多轮PK

语言更像一个发言官，负责为最终胜出的结论寻找理由

真正需要警惕的，是过快、过度地解释一件事

解释会影响行为

行为产生的结果，又会被我们选择性地理解，进一步强化原来的解释

最后，我们越来越相信自己最初制造的“幻觉”

如何尽量避免自己陷入“小事实，大推论”的陷阱？

几个方法参考：

  1. 对同一个事实，至少寻找三种可能的解释
  2. 主动寻找能够推翻自己判断的证据
  3. 回到更大的样本和更长的时间，判断它究竟是偶然现象，还是稳定规律

最重要的事如何确定

image.png

我们都明白，每个人的时间和精力都很有限

把最好的精力放在最重要的事情上，和放在大量次要的事情上，最终带来的回报会非常不同

所以，一个非常关键的个人策略，就是把每天精力最好、注意力最集中的阶段，留给真正重要的事情

但什么才是最重要的事情，我目前的几个判断标准：

  1. 杠杆最高，做好以后能带动更多事情发生变化
  2. 能够形成长期积累和复利
  3. 这件事情，必须由自己主导、参与或者做出关键决策
  4. 能够解决当前最核心的瓶颈
  5. 自己愿意长期投入，并有机会形成独特优势

最重要的事情，可能是那些短期反馈不明显，却能够长期改变结果的事情

个人生产力的复利，其实关键就是：每天精力最好的那几个小时，究竟被用在了哪里

新一代公司

image.png

和朋友聊天，我们聊到对未来公司形态的期待

我说，我一直期待能够跑通这样一家公司：核心团队不超过10个人，年营收超过1亿元

公司规模很小，创造的价值却足够大 ，每一个成员的收入，也可以以远高于市场平均水平获得收益，拥有更高的自主权和幸福感

这样的公司，在国内外已经开始出现一些雏形和案例

这样的团队，首先会充分使用AI和Agent，把大量重复性的执行、沟通、分析和管理工作交给智能系统

但仅仅把AI用好还不够

这类公司的业务必须足够标准化、产品化和规模化，让收入增长可以在很大程度上摆脱人数增长

还需要解决足够重要、客户愿意高价付费的问题

因为人少，所以不能依靠大量低价值劳动创造收入

更重要的，是需要通过更高的人才密度、更强的产品能力和更高的价值密度获得增长

这样的公司，内部可能只有10个人，外部却可以连接合作伙伴、开源社区、供应商、渠道和大量用户

每一个核心成员，也会更像一个超级个体，能够借助AI独立承担一块完整的业务结果

所以，下一代公司真正重要的指标，还包括人均营收、人均利润、单位时间创造的价值，以及每一个成员最终获得的回报

用更少的人，创造更大的价值

同时让价值更加公平地回到每一个创造者身上

这可能是AI时代最值得期待的一种公司形态，也是我一直在思考和探索的一种形态

定位Skill

写了一个定位Skill

可以更好的辅助我们，更好的理解个人、公司的相对优势，帮助我们更好的提升战略判断质量

也可以帮助我们更好的理解一些关键问题，比如：

  1. 目标用户会用哪一句话理解你？
  2. 他们当前把谁当作替代方案？
  3. 哪项差异与用户选择真正相关？
  4. 哪项优势已有证据，并能长期守住？
  5. 下一步怎样验证、表达并持续占位？

它融合《定位》的心智、品类、阶梯与聚焦方法，并加入竞品研究、需求洞察、证据分级和 D6 优势诊断

支持个人 IP、课程、产品、服务与公司品牌，可读取问答、附件和官网资料，输出一句话定位、差异化标签、推荐方案、验证条件及可视化 HTML 报告

GitHub地址： yao-positioning-skill Skill原理与流程介绍： doc.laoyao.cn

image.png image.png image.png image.png