Thoughts & Updates

View All Categories

AI & Building

Ideas, Builds, and Lessons from the Trenches

From Nexting AI wearables to Nexting Design and multi-agent systems — notes on shipping products, growing startups, and everything I've learned along the way.

2025-06-04

一个小红书MCP的开源产品

项目源自github上一个很有趣的MCP产品，我尝试使用它，并思考有哪些可以改进的地方。产品链接：https://xhs-mcp.aicu.icu/ 教程链接：https://xhs-mcp.aicu.icu/ 我对这类产品的期待：我需要一个自动化拔取小红书信息的工具，我需要一个能自动化分析爆款，并给出新的建议的工具。总而言之，我希望我用这个产品可以迅速起号。围绕这个需求，我尝试这个产品，并思考有

2025-05-30

伟大不能被计划

伟大不能被计划的含义到底是什么为什么伟大不能被计划？这是一本很发人深省的书，里面很多内容源自一名人工智能科学家、OpenAI 研究员：肯尼斯·斯坦利（Kenneth Stanley）的思考，里面有很多理论成了我生活和行为的解释，我一直认为思维的自由是成就伟大的必备因素 希望大家看原书，我会引用一些书中内容，并将核心内容进行讨论，它给了我很大启发和震撼。他们将人生比作在迷雾中“摸着石头过河”的过程。

2025-05-22

企业SAAS产品思考

ServiceNow SAAS现状公司的SAAS服务主要是将IT服务管理、人力资源管理、IT资产管理、财务运营管理等业务进行封装，提供给客户使用。为客户提供标准化管理和运营服务，帮助客户提升效率，降低成本。 中国的SAAS企业并没有像美国一样蓬勃发展但长期的历史以来，中国的SAAS企业并没有像美国一样蓬勃发展，也没有诞生出像ServiceNow、salesforce这样的独角兽企业。我觉得有很多原

2025-05-20

AI旅游类产品思考

基础赛道分析我之前看一个分类，是VC那边的通用分类，AI的产品可以分为消耗时间的和节约时间的，可以分为B端和C端的，节约时间的C端产品往往会巨头林立，像这种方向往往是天使轮VC不会投的。 所以AI旅游类产品往往竞争激烈，它本身还是工具类，工具的目的是帮助用户完成任务，所以它需要引导用户，需要用户参与，需要用户分享。需要用户的认可，产生网络效应。但也是有一些例外的，比如Cursor，在主赛道上一个创

2025-05-16

好的AI产品分析 1/100 Cursor

在这个专栏，我会用最简单的语言介绍我狂热喜爱的AI产品。也算是一个产品经理的自我提高和反馈的专栏。 Cursor我本身是Cursor的忠实用户，我在很早期就使用Cursor，当时的整体体验比较一般，也是接入了claude-3.5-sonnet，才会让代码生成质量产生质变。 有人会觉得不如把代码转发到Chatgpt里，OPENAI本身也支持多个文档，在当时看效果相似。但我觉得产品设计是多维度的，Cu

2025-05-15

Manus的多Agent架构怎么做？

在本文主要讨论两个问题：1、像Manus这样的多Agent系统，可以有哪些实现方式2、多Agent系统中，如何实现信息的管理和共享 我在用LangGraph开发一个多Agent系统，LangGraph基于Langchain开发，是一个基于图的控制流框架，它可以更好的实现动态循环调用工作流。 LangChain的优点我们就不赘述，可以说是早期的完善的对开发者非常友好的框架。但LangGraph的控制

2025-05-13

AG-UI使用指南

人们说MCP的下一步时AG-UI，那么AG-UI到底是什么呢？其实看他的定义就知道，代理+前端。我最近开发时应用时发现Cursor对前端的支持很糟糕，我需要新的工具和方法！！ 以下是一些AG-UI的尝试，希望能帮助我解决这一难题。 什么是AG-UIAG-UI（Agent-User Interaction Protocol）的开源协议由CopilotKit提供，你可以把它想象成一套“通用语言”，专门

2025-05-13

猫咪呼噜算法解析

几个月前我在做AI硬件产品，做了一个猫咪样子的AI陪伴式玩具的DEMO。它的核心功能之一就是猫咪的呼噜声，如果呼噜可以伴随它的心情和情绪而变化，他就会给用户更真实的体验。 有个印度裔开发者在十几年前做了个有趣的前端，https://purrli.com/

2025-05-11

Langgraph的持久化管理-记忆模块

持久化就是记忆，就是能让AI记住用户的定制化的核心。 LangGraph 有一个内置的持久层，通过校验指针实现。使用校验指针编译图形时，校验指针会在每个超级步骤superstep中保存图形状态的校验点checkpoint。这些检查点被保存到一个线程中，在图形执行后可以访问该线程。由于线程允许在图形执行后访问图形的状态，因此包括人在回路、内存、时间旅行和容错在内的多种强大功能都成为可能。有关如何在图

2025-05-10

Langgraph的魅力

作为一名AI产品经理，Langgraph的魅力在于它提供了一种新的方式来构建AI应用。他用轮询的方式构建应用，我觉得比传统的Agent更符合直觉。https://github.langchain.ac.cn/langgraph/

2025-05-01

什么才是AI产品经理

如果你看过创新者的窘境，你应该知道，产品才是企业竞争的本质。对于新的革命性技术，传统的做法是愚蠢的。 大的企业会因为路径依赖而错失新的商业机会，大的企业做的越好，反倒越容易失败。因为他的价值体系是为了传统的需求而建立的。他的架构让它无法聚焦小的需求和革命性技术。像诺基亚的CEO说的：“我们并没有做错什么，但不知为什么，我们输了。”

2025-04-20

AI声乐教师的产品思考

音频生成和音频理解是两个完全反向的领域。音频生成是生成式AI，音频理解是判别式AI。它们的逻辑是相反的。

2025-04-09

如何构建一个唱歌模型

事实上，我并没有成功的做出一个AI音频模型，以上只是我作为一名连续创业者的思考和尝试，供大家思考。我一直在关注Idoubi的开发成果和产品哲学，他有一个AI音乐播放器产品Melodisco我很喜欢，但是据他所述，AI生成的曲风单调，并且他没有自己的音乐模型，仅从产品体验层面无法赶超Suno / Udio 这些模型厂，而且目前的好的音频模型全部是闭源的，让很多创业公司望而却步。 作为音乐爱

2025-03-14

大模型相关面试题 1

应用是AI非常重要的发展方向，了解底层原理才能做出好的产品。大模型相关的面试问题通常涉及模型的原理、应用、优化以及面试者对于该领域的理解和经验。 以下是一些从各种地方搜罗的常见的大模型面试问题以及建议的回答方式： 1、请简述什么是大模型，以及它与传统模型的主要区别是什么？大模型通常指的是参数数量巨大的深度学习模型，如 GPT 系列。它们与传统模型的主要区别在于规模：大模型拥有更多的参数和更复杂的结

2025-01-14

大模型的微调流程

首先，大模型微调（Fine-tuning）应该是指在预训练好的模型基础上，针对特定任务或领域的数据进行进一步训练，使模型适应新的任务。那流程大致包括几个步骤呢？1 确定任务和目标：首先需要明确微调的任务是什么，比如文本分类、问答系统等，以及希望模型达到什么样的效果。2 准备数据：收集和整理与任务相关的数据集，可能需要标注数据，然后划分训练集、验证集和测试集。3 数据预处理：将数据转换成模型可以接受

2024-10-14

Transformer多头自注意力机制

解释多头注意力机制（Multi-Head Attention）需把握五个核心维度： 基本结构：并行注意力头的设计与融合 数学表达：Q/K/V矩阵变换与注意力计算 核心优势：多视角特征捕捉与模型表征能力 参数控制：头数选择与维度分割策略 工程实现：矩阵并行计算与内存优化 首先，多头注意力是Transformer架构的核心组件，允许模型同时关注不同位置的信息，从多个子空间捕获不