mimo

再沉淀下，以后写自传了我买一本，立字为据

@litchinn https://i.imgur.com/fNwRlAd.png 认真的去看了下源码，梳理了下，分享给朋友们

抖音的视频、音频是分别返回的

@wsseo 我理解这个 web 是用 sdk 做了个 demo ，实际应该是去用 sdk

是的，连带账号也一起送了好像，我用完 antigravity ，chrome 访问也重定向去 hk 了，美国 ISP 倒是可以

@xyooyx
列个公式其实就很清晰了

总命中率 = (System Cache Hit + History Cache Hit) / Total

= [ C × hit_rate_system + ΣΔ(k) × hit_rate_history ] / [ C + ΣΔ(k) + d ]

代入场景数据：
系统提示（含工具）：1500–3000 tokens
历史对话（ 10 轮）：4000–8000 tokens
当前输入：20–100 tokens
则：
命中率 = (3000 + 8000) / (3000 + 8000 + 50) ≈ 99.5%

所以得出推论：
- Agent 只要跑起来，轮次必然长，高缓存命中是“必然结果”
- 这不是某个特定任务的福利，而是 Agent 场景的“通用属性”

那问题就变成了：
既然所有 Agent 都必须面对“长文本 + 高重复”这个通用问题，
那一个模型如果能做到：
- 长上下文不崩（ 128K 甚至 1M 依然能 recall ）
- Cache 策略高效（不重复计算）
- 长文本推理速度不线性下降

我们就认为这个模型在 Agent 这个赛道里“做得好”。因为它在解决的是这个场景下的“通用瓶颈”

@lm1368 呃....

其实 system prompt 算小头，agent 场景里的大头是 history ，每一轮相比上一轮的历史都是重复的，而且缓存命中率直接决定结算单价，最终影响的是完成一件事的成本，大家会用脚投票，所以当然会特别在意。

人脑和外脑之间有一个楔子

@woshishui2022 codex 有 grill-me 吗。。我一直以为等价的就是 plan mode

codex*2 、claude code*1 、antigravity*1 ，自己的小工具都走 deepseek-v4-flash

@jingcjie #71 影联没回复可能单纯内部流程慢或者投递渠道不够有效，找人帮你投下

是读完 phD 想法上有变化了吗，如果想去工业界，硕士毕业其实就可以去了

祝 GTsss 天天开心

@darkway #7 应该是一些请求头有验证，用 CDP 或 Playwrite 等库

需要登录吗？不需要呀

100💲/month