@anandkumar_dev · X

sahil423 · HN

18y/O buidling an AI proposal OS and generator

@aviralgarg05 · X

Here's what you get on One toolkit. Every design task.

@discorev · X

I've been working on - Using gpt-5.6-sol and Fable in Claude Code via CLIProxyAPI. I've found using these two together with Claude Code Workflows is a killer combination

@hedge8og · X

4月23日，我开始用 Codex 搭自己的产品。到现在，满3个月了。 截至7月19日，Codex 页面显示247.1亿个 Token，连续使用54天。标题里的“250亿”是取整，准确数字以截图为准。 这三个月，我把 做上线了，产品介绍视频改了很多版，也借助 Codex 做了不少以前一个人很难完成的工作。 具体一点：我用它整理过 BP、导出过 PDF、做过 PPT 工作稿，也把调研、文档、图片、浏览器操作、网站、视频和邮件这些常见 Skills 跑过一圈。有些后来真的进入了工作，有些试完就放下了。 现在回头看，最大的收获不是“我做过这么多种东西”，而是我越来越能分清：哪些能力能进入真实工作，哪些只是演示起来很厉害。 这些数字确实挺夸张。说实话，我自己看到也会觉得：是不是做了很多事？ 但如果现在让我总结，我不会把它们当成绩。它们只能证明我很投入，蹬得快冒烟了，不能证明产品已经有价值，更不能证明商业已经成立。 我大学辍学，最高学历是高中，之前一直在制造业工作，也不会写代码。写这些不是为了卖惨，更不是想证明学历没用，只是先把我的真实起点说清楚。 2月 OpenClaw 火起来以后，我开始认真试各种 AI 工具，想先解决工作里那些重复、又不得不做的事情。 这期间还有一次，客户马上要我提案，但公司的设计师手上也有急活。我用 ChatGPT 做了产品效果图，最后拿到了订单。 老板后来跟我说：“早知道你可以帮我做这些，那些外包设计早就可以不用买了。” 到了4月，我又用扣子搭了发货模板和记账系统。原来需要手工对比核验的条形码、外箱码，我也开始想办法交给工具处理。 这张订单图只能证明订单记录是真实存在的，不能单靠它证明订单一定是 AI 带来的，更不是 Ohwait 的客户案例。AI 参与了产品效果图制作，之后拿到订单，是我对那次真实工作过程的记录。 那一刻让我兴奋的，其实不是发现了什么创业机会，而是我第一次觉得，模型真的可以成为人的“数字外骨骼”。 回头看这三个月，我现在有5个比较确定的结论。 ### 1. AI最好先从一个真问题开始 发货、记账、核验、临时要效果图，这些都不是什么宏大命题，但它们有一个共同点：问题原本就存在，而且有人正在为它花时间、花钱或者承担压力。 我现在判断一个 AI 工具有没有价值，还是看两件事：它有没有少让我重复

Nano Banana AI — AI 图像生成和编辑工具（免费在线），2-5 秒生成高质量图像，支持文生图和图像编辑

@buildwithmaya · X

Hi Rashka I am building

@joffreyio · X

@Ethan_Cohen07 · X

, feel free to reach out to discuss ideas

samcymbaluk · HN

Axiom toolkit – Make your ideas precise enough to be proven wrong

@harryjwang · X

I've used many of the major conference systems. Plenty still have docs as an unsearchable static site — or worse, as PDFs that stopped tracking the product three versions ago. Somehow, still true in 2026. We took an AI-first path with instead. Our docs are generated from the codebase itself. A custom Claude Code skill writes each page and retakes the screenshots whenever a feature changes — so the docs don't drift from the product. Every page still gets reviewed by a human before it ships. Now you can talk to them, too. We just shipped "Ask AI" over our docs: This feature also turned out to be a nice teaching case for agentic RAG vs. classic RAG: • Classic RAG: chunk → embed → vector DB → retrieve once, by fixed rules • Agentic RAG: hand the model a search tool and let it drive — write a query, read the results, rewrite, retry At more than 100 pages, still no vector database needed. And every answer cites the exact page it came from. #Age

OutfitSwap Studio — AI 换装 / 虚拟试衣工具，支持 AI Clothes Changer、Virtual Try-On 和 Outfit Swap，上传照片即可生成换装效果