实现 AI 视频自由运镜
Google Flow 新增“相机调整”功能，允许在视频生成后修改机位与运动轨迹。
目前该功能仅向 Ultra 订阅用户开放，提供了 2 周的限时免费试用。
它主要提供两类调整：
1️⃣ 位置 (Position)：实现平移、推近 (Dolly In)、拉远 (Dolly Out)。
2️⃣ 运动 (Motion)：添加环绕 (Orbit) 或晕眩变焦 (Vertigo Zoom) 等专业运镜。
背后是 Veo 3 模型支持，在生成视频后点击“编辑”插入指令即可。
在原始视频较静止、主体单一的场景中效果最好。如果原片运动复杂，重制后画质可能下降。
#AI视频 #GoogleFlow #Veo #AIGC #生产力工具
实现 AI 视频自由运镜
更多动态
获得超越 GPT-5 的性能，并大幅降低 API 成本
月之暗面 AI (Moonshot) 刚开源了 Kimi K2 Thinking，一个万亿参数 MoE 模型，在多项基准测试中超越了 GPT-5 和 Claude Sonnet 4.5。 几个核心优势： 1️⃣ 成本优势：API 输出定价 $2.50/M tokens，是 GPT-5 ( $10 ) 的四分之一。 2️⃣ 智能体突破：支持 200-300 步的稳定工具调用，对开发复杂 Agent 意义重大。 3️⃣ 高效推理：原生支持 INT4 量化，推理速度近 2 倍提升，GPU 显存占用减半。 模型 (658GB) 已支持 Ollama 本地运行，高端 M3 Ultra Mac Studio 可部署。 Hugging Face: huggingface.co/moonshotai/Kimi-K2-Thinking #Kimi #AI #开源模型 #大语言模型 #Agent
托管 RAG 的新方案
：Gemini API 推出 File Search 工具 它把复杂的 RAG 流程（检索增强生成）几乎全托管了，开发者可以专注业务。 RAG 就像给 AI 配了个外挂知识库，让它先查资料（如 PDF）再回答，减少“幻觉”。以前自建 RAG 很麻烦，要自己管数据分块、向量数据库。 File Search 的几个亮点： 1️⃣ 成本极低：文件存储免费、查询嵌入免费。只在首次索引文件时收 $0.15/1M tokens。 2️⃣ 全自动化：自动处理文件存储、智能分块、生成 Embedding（基于 MTEB 榜首模型）和上下文注入。 3️⃣ 结果可溯源：API 自动生成引用（Citations），回答有理有据。 🔹 免费版有 1GB 存储，Tier 1 升至 10GB。 🔹 支持 chunking_config 自定义分块策略。 适合快速搭建企业知识库、客服问答等应用。 官网文档： ai.google.dev/gemini-api/docs/file-search #GeminiAPI #RAG #AI开发 #AI应用 #GoogleAI
claude申诉失败了。
订阅费也没法儿退，我甚至怀疑申诉邮件就是钓鱼的，有追踪IP地址。 dhh是美国开发者，前段时间来深圳交流，演示了自己怎么用claude code。 目前最稳妥的方式就是参考dhh方法，把Claude code放在海外机器上，用tailscale远程连接使用。 那就得租一台有家宽的海外机器，在那台机器上注册和登录claude。
分享下现在的纯手机端工作流。
九月底前我都是坐在电脑前开着terminal指挥着pi，跑多subagent，最后再自己看diff，提pr，经常一坐就是一天。 九月底，我工作流改成在手机端用hermes指挥pi，完全解决了久坐电脑前的痛苦，用到现在还挺舒服。 Hermes用旗舰模型（gpt-6-astra/opus-5.5），pi尽量不装插件，用中端模型（ds-v4.1-flash/sonnet/terra），二者间用a2a通讯。 hermes负责分析issues，拆分成多个小任务，然后给每个小任务创建worktree，并在里面派遣pi去完成小任务。 每个pi完成任务都会通知hermes，由它判断提pr还是返工给pi。基本逛一天景点，或一觉醒来十几个pr搞好了，舒服得很。 就是过程太黑盒了，心路历程有点像早期的vibe coding，那会diff至少自己会看一下，现在diff也黑盒，完全交给旗舰模型，属于盒中盒了。 如果没数据焦虑，其实可以直接用grok-bot或者chatgpt-dot，开箱即用，里面内置了grok-cli和codex，原生agents通讯。弊端就是数据不在本地，有监管，万一被封号一切归零。
