Vibe Hacks #05已结束
Vibe Coding for 准点下班
2026年8月17日 12:00 – 2026年8月29日 10:00
报名已于 8月29日 18:00 截止
甄不想加班
队伍：甄不想加班
大家好，我们的项目叫「甄不想加班」。 职场里最让人为难的，常常不是任务多，而是一句：“这个你看着办。” 办好了是别人的功劳，办砸了却可能变成你的责任。 「甄不想加班」不是话术生成器，而是职场决策副驾。用户贴出一段工作消息，系统先帮他判断：谁该拍板、谁该背责、现在该接下、协商，还是向上确认。 比如领导临时加塞，但你手上已有紧急任务。它会帮你把“我尽量”变成清晰的选择： “可以推进；如果优先处理新需求，原任务会顺延。请您确认优先级，我按您的判断执行。” 我们借《大明王朝1566》看权责，借《甄嬛传》看分寸，但最终给出的都是现代、专业、能直接发送的职场表达。 「甄不想加班」——不硬刚，只让你不再被白嫖。
微信自动化
队伍：vibememo
AutoWeChat 是一套专注于微信自动化的 AI 工作台。它通过多个相互隔离的微信 Bot 连接不同联系人，自动接收、整理和分析微信消息，再结合授权知识、联系人关系与聊天上下文生成回复建议，由用户确认后发送。目前，它能自动处理多联系人消息与附件、批量生成回复、提炼知识、识别待办，并把明确的聊天安排加入日程。未来，它将进一步自动跟进客户、处理重复沟通、归档重要信息，并连接日历、业务系统与工作 Agent，在权限控制和人工监督下，成为能够持续执行微信工作流的“数字工作分身”。 注：不会被封号，因为走的官方渠道
下班发车 · OFF WORK EXPRESS
队伍：T仔出动
## 下班发车 · OFF WORK EXPRESS 🚌 > 不是他们想走，是车到点了。 把「第一个下班」从需要勇气的个人行为，变成系统派发的角色：熟人小队私下组队，17:30 刷工牌检票，18:00 摇号鼓随机抽出今晚的「列车长」，全队跟车准点走。 ### 怎么玩 - 私下组建一支下班车队 - 17:30 开始刷工牌检票 - 18:00 摇号开奖，系统指定一名「列车长」 - 全队跟车发车，把尴尬的个人决定变成共同遵守的规则 ### 产品亮点 - **七相位状态机**：从候车、检票、摇号到发车、结算，完整跑通下班仪式 - **公平且可演示**：开奖结果先定、动画后演；服务端作为唯一裁判，多端同秒开奖 - **现场不翻车**：内置离线演示驱动和导演台，断网也能完整路演 - **情绪化设计**：北欧纸面视觉、猫咪车队、相位配色与 20 秒悬念动画，把“下班”做成每天最值得期待的小仪式 技术栈：React、TypeScript、Vite、WebSocket、Zustand、Motion。
product-gen
队伍：上班划水队
Product Gen 是一个从设计到实现的工作流程，具有端到端验收工作台让用户直观验收，让AI确认收口。 我们知道，AI经常出现任务可能执行完了，最终产品却偏离目标、问题仍未发现。这是因为 AI 需要理解最终目标、检查结果、发现偏差并持续迭代，直到达到可交付水平。 而使用 Product Gen 时，只需要输入产品目标后，系统完成高保真方向、状态设计、素材、设计系统、实现与验收。 让我们能够多个产品任务可以并行推进，直接验收成果。
ceotodo.com
队伍：ceotodo.com
CEOtodo 不是一个 AI Todo 工具，而是一个面向 One-Person Company 的 AI Operating System。它持续理解公司的目标、业务健康度和增长状态，并像联合创始人一样告诉创始人下一步最值得做什么。
open-open-ai
队伍：牛队
演绎及执行
够了——准点下班
队伍：AI说的都队
本地优先的「今日工作核验 + 日报双模」工具：读取 Git 与 AI 编码 session，按你自己定义的规则告诉你够了没有，并生成可复制的证据页。
反思锻造台
队伍：灵枢
反思锻造台 · Reflect Forge 一句话：让 AI 对着你完整的工作记录帮你反思，把干过的活锻成带得走的能力——没有一份活该白干。 痛点：都在用 AI 干活，但很多人并没有准点下班——调提示词、验结果的时间把 AI 省下的时间吃了回去。活只是从"手写"平移成了"调 AI、验 AI"，总量并没有减少。 我的判断：提效的另一半是人的思考深度。AI 能干活，反思和判断必须人来做——所以需要一个工具，把每次工作的完整过程留下来、帮人复盘，把做过的事真正变成自己的能力。 怎么做：我干活的习惯是活全让 AI 干、绝不上手改、下指令连为什么都讲清楚——于是每场会话记录都是含着判断的完整过程资料。锻造台的回路： 反思炉：把 session（原石）炼成铁——你当时的判断、踩过的坑、流程改进，条条带原话锚；锚必须逐字命中原文，编造的直接丢弃 锻剑：流程性、高频的铁锻成 skill（剑），符合 Claude 规范、真能被 agent 召出干活；每次改版必留一行 why（淬火） 重锻：别人的开源 skill（外来名剑）+ 你的铁 → 你的版本，每处改动就地标注依据哪块铁 佩剑：一键装进 ~/.claude/skills/，AI（侠客）下次干活直接用。日报、述职？这条回路顺手掉出来的副产品 分工红线：主导的是人，反思的人也是人——AI 是催化剂（收集、追溯、执行验证）。这个产品里，AI 连转正按钮都没资格替你点。 真实证据：本产品今天从设计稿到重锻炉全程 Vibe Coding 完成（26 commits 公开、不 squash，commit 历史即过程记录），演示数据就是它今天 build 它自己的会话记录。作者底账：26 个工作区、1667 份会话、上月回捞出 900+ 条可复用判断。 诚实边界：更聪明的提炼方式仍在探索，当前实现是对执行记录做分析；多兵器形态、团队复用、夜班自动管线在路线图上（见 README「后续江湖」）。
Poke
队伍：AAA景区
*「戳戳」(Poke)** ## 我们在解决什么？ 核心痛点是团队协作中的 "等待焦虑" 和 "催进度社交成本"。 在任何多人项目里，工作不是并行的，是链式的 —— 设计等文案、开发等设计、测试等开发。上游没动，下游只能干等。但现状是，没有人能一眼看到 "谁卡着谁"。大家只能在群里问 "好了没"，每天浪费大量时间在确认状态上。 更痛的是催进度的社交成本。领导审批卡住了，你不好意思催；同事交付延期了，你要编辑半天得体的语言才敢问。催多了怕被穿小鞋，催少了项目卡死。 同时，群消息轰炸是隐形的效率杀手。一个 200 人的群，每天有人 @人完成任务，这些消息只针对某几个人，但所有人都要被垃圾消息轰炸。重要信息被淹没在 @海洋里。 还有一个深层痛点：螺丝钉感。员工只看到自己的任务，看不到自己在整个链条中的位置和影响。不知道自己写的文档、改的代码，最终推动了什么、影响了谁。工作变成纯粹的任务交付，没有意义感。 最后，现有工具都是 "任务管理数据库"—— 它们能告诉你 "有哪些任务、状态是什么"，但不能告诉你 "谁在等谁、我被谁卡住了、我现在能不能下班"。状态更新和通知是割裂的，你在看板里改了状态，还要回群里发消息 @人。 我们让协作中的等待、焦虑、无效沟通和螺丝钉感，都被看见和解决。 --- ## 产品是什么？ 「戳戳」是一个悬浮在桌面的协作网络图 —— 让你一眼看到 "谁卡着谁"，并且戳一戳就能催进度。 每个节点是一个任务（支持多人并行、分叉、汇聚），节点之间的连线代表依赖关系。整个网络像一张地铁换乘图或活的电路板，上游下游、瓶颈卡点、关键路径，一目了然。 AI 自动解析项目文档、任务看板、聊天记录，经审批生成这张依赖网络，不需要手动维护。上游延期了，系统自动推算连锁影响 核心交互是 "戳一戳"。在地图上找到卡住你的节点，戳一下，系统自动帮你发送一条得体的催进度消息，不用你编辑语言。卡通吉祥物（比如 "水皮噜噜"）会飞过去戳对方一下，消解催进度的尴尬。所有戳一戳在地图上公开可见 —— 不是你在催，是项目在催，不会被穿小鞋。 每个节点本身就是一个智能任务看板。你把状态从 "进行中" 改成 "已完成"，系统自动戳一下所有下游负责人："上游搞定了，你可以开始了。" 不需要回群里发消息，状态更新本身就是通知。 它还解决意义感问题。点击你自己的节点，能看到你在整个网络中的位置和涟漪 —— 你的工作推动了多少下游任务、影响了多少部门、最终触达多少用户。对抗螺丝钉感："原来我这一环这么重要。" 最后，它保护工作边界。下班了节点自动 "关灯"，别人戳你会提示 "他已经下班了，明天再戳吧"。
冲刺吧！下班人！
队伍：摸鱼(つ°ω°)つ🐟都对
这是一款以“把该干的活干完，然后准点下班”为目标的联机工作桌宠游戏。用户只需要录入自己的待办、截止时间和轻重缓急，不必自己规划一天的工作顺序，AI会结合任务类型、工种、历史完成时间和剩余工作时长，自动生成当天的工作安排。随着持续使用，系统会逐渐学习用户处理不同工作的真实速度，让时间预估和任务分配越来越准确。用户每天上班后进入同一个虚拟办公室，角色会根据真实工作状态做出对应动作：码字时疯狂敲键盘，开会时戴着耳机发呆，逛B站时偷偷摸鱼，离开工位时则直接消失。工作期间，“窝囊费”会随着时间持续累积；一旦超过下班时间仍未离开，窝囊费便开始倒扣，让“免费加班”成为最直观的游戏惩罚。玩家可以实时看到朋友们今天是在认真工作、摸鱼还是已经成功跑路。游戏不追求提高工作效率，而是把每天重复的上班过程变成一场轻松、荒诞又有共鸣的联机体验，并把“准点下班+完成待办”变成每天最明确的胜利条件。
StartDay
队伍：完赛去开Party队
启动日是一款面向运营、产品、策划和项目负责人的智能工作决策助手。它能把一句话需求拆解成完整工作链路，自动识别协作等待、审核节点和潜在风险，从截止时间倒推出每项工作的最晚启动时间；当临时任务或需求变更出现时，还会动态重排优先级，告诉用户此刻最应该开始做什么。它不只是记录待办，而是帮助用户提前启动协作、减少延期和临期加班。
VibePrd
队伍：vic
把产品经理的自然语言需求和既有产品上下文，收敛为一份可追溯、可验证、可直接交付前端、后端和测试的结构化需求事实，并从中生成一致的 PRD、交互原型、页面标注和验收标准。
Meetre会议公平秤
队伍：小手
meetre 是一把在会议发生前使用的会议公平秤。评估一个会值不值得开，值不值得参加。目标是少开不必要的会，把时间还给真正的工作。 你在自己的 Agent 中描述一场会议，meetre会从两个视角给出建议： - 组织者视角：判断整场会应该保留、缩小、改为异步，还是先补清目标。 - 参会者视角：判断你应该完整到场、会前用文字提供输入，还是会后接收结论。 帮助你决定这场会是否值得开、谁必须在场、哪些内容可以异步，以及合理投入多少时间。 希望meetre会议公平秤可以营造一个公平、高效的团队氛围，让人少参加一些不必要的会，也让人对每个参加的会更专注。
哇塞·超级桌面
队伍：Ai之神队
“哇塞·超级桌面”是一款基于无限画布的可视化文件、项目与协作平台。用户可将电脑中的文件、文件夹和在线文档拖入画布，通过连线、分组、检索与 AI 分析，将分散的资料梳理为清晰、可追溯的工作脉络。 平台集成文生图、文/图生视频等 AI 创作能力，并支持接入外部模型与工具，让资料管理、内容生产、项目推进及跨部门协作，都能在同一工作空间中完成。 它的核心优势不在于单一的文件管理、无限画布或 AI 对话，而在于将三者串联为一条连续、可视、可协同的工作流。 我们的愿景是打造 AI 时代的新一代办公平台：让每一份信息都看得见、连得起来、用得起来，帮助个人与团队更高效地完成工作。
讲好中文 Skill
队伍：965队
是一套面向中文工作沟通的 Codex Skill。它可以起草、改写和审校工作消息、汇报、方案、周报、复盘等内容，让文字更自然、具体，也更容易直接使用。 它不会简单替换词语，也不会机械删除“的”“被”或“关于”。处理内容时，它先确认事实、读者和沟通目的，再写清谁做什么、问题出在哪里、下一步由谁负责。遇到正式文档，它还会检查标题层级、段落结构、中英数混排、标点、数值和来源。 项目由一个技能入口和三份写作指南组成，分别处理沟通风格、自然中文句法和正式文档格式。核心目标很简单：少一点套话和 AI 腔，多一点清楚、可靠、可执行的中文。
FloodCalculationMethods
队伍：山山水水
山东省小型水库调洪工作的skill，用于从word报告自动提取原始数据，并且介入计算模块，计算模块内嵌全部调洪计算所用的公式，且支持选择多种溢洪道模式。项目会自动根据地区匹配相适应的基础数据。例如Cs、Cv、qm~H24~K曲线等
Desktop Boss
队伍：Rookie
一个多功能的桌面管理工具。 可以同时进行人员管理、个人事务管理、Agent 任务派发。 帮助统一管理电脑上的 Agent，并理清每日事项。 提高效率早早下班！
回家玩游戏！！
队伍：回家玩游戏！！
未来的人， 不该被工作界面困住。人负责玩，AI负责工作 生产力会越来越膨胀。人要做的，不再是亲自守着每一个进度条，而是提出目标、判断方向、享受更多娱乐与文化产品。 可今天的 AI 仍把人拽回聊天框、文档和任务面板。我们的答案很直接：把 AI 和办公工具接进游戏的 NPC。 玩家只需要玩游戏，并用最自然的语音交代工作；NPC 先陪你聊，再在后台理解要求、调用工具。你继续玩，它持续做；有结果，它主动来报。
Offwork Capsule｜让 Agent 可信地下班
队伍：Vectra
AI Agent 很会开工，却不擅长交接。一次下班、切换任务或上下文耗尽，下一次往往又要重新翻聊天记录、检查代码现场，再猜“现在该做什么”。 Offwork 是一个本地优先、无需额外依赖的 Agent 交接与恢复工作台。执行 offwork capture，即可把当前任务、关联的 Agent Session、项目现场、关键决策、失败尝试、待办事项和下一步封装成可验证的 Capsule。第二天或切换到全新 Agent 后，通过 offwork resume 就能恢复必要上下文，安全地开始正确的第一步。 Offwork 还提供任务状态与依赖管理、Codex/Claude 历史检索、显式持久记忆、本地完整性检查和验收命令。所有数据默认留在本机；它不会擅自 commit、stash、push，也不会自动执行历史命令。我的目标是让每一次 Agent 交接都更可信、更可核验，也让人能够真正放心地下班。
物言AI
队伍：知行至简
物言解决的是地方特产小商家和一人内容运营在下班前制作小红书笔记时，反复翻找爆文、寻找角度、确定语气、撰写正文和规划配图，导致一条内容迟迟发不出去的问题，让没有专业内容团队的商家也能准点完成今天的发布并下班。不同于普通 AI 根据一句提示直接生成一段文案和低保真图案，物言会从同类目高互动内容中提炼可验证的爆款 DNA，先判断产品、目标人群和场景适合的内容结构，再生成可直接发布的笔记和配图建议，并通过商家后续发布数据持续保留、观察或淘汰不同风格DNA，因此节省的不只是打字时间，更是运营人员搜索、判断和反复试错的时间。 我们为什么能追踪爆款笔记，可以看下面： ## 素材来源与合规边界 ### 商家自有数据 商家使用平台后主动提交的笔记、产品资料和发布数据，可用于 DNA 分析或模型优化。使用前会向用户单独取得授权，并限定用途、范围和保存期限。 ### 签约商家数据 后续与地方特产优质小红书商家签署合作协议。合同明确数据使用目的、使用范围、保存期限、删除方式和撤回授权机制。 ### 公开趋势样本 通过人工精选、公开观察或实验性采集，发现近期可能上升的内容风格。这类数据只用于发现候选 DNA，不直接复制原文或图片，也不把他人的整篇内容当作模板发布。 ## DNA 生命周期 ### 1. DNA 提取（规划能力） 例如，一篇参考素材是： > 标题：下班后 30 元吃到一大桌，这家老店太会了 > > 正文：…… > > 图片：第一张是菜品近景，第二张是店内环境，第三张是菜单价格。 未来会用多模态模型分析文本和图片，提取可复用的细粒度 DNA： ```json [ { "fragmentId": "scene_001", "type": "scene", "value": "下班后本地餐饮推荐" }, { "fragmentId": "valuePromise_001", "type": "valuePromise", "value": "低价格带来超预期体验" }, { "fragmentId": "hook_001", "type": "hook", "value": "价格对比 + 结果反差" }, { "fragmentId": "structure_001", "type": "structure", "value": "反差开场 → 3个证据 → 价格位置 → 到店建议" }, { "fragmentId": "tone_001", "type": "tone", "value": "第一人称、口语化、朋友推荐" }, { "fragmentId": "visualStyle_001", "type": "visualStyle", "value": "菜品近景首图，暖色自然光，菜品→环境→菜单" } ] ``` 每条 DNA 还会带上状态、分数和证据： ```json { "fragmentId": "hook_001", "state": "candidate", "score": 0.25, "evidenceIds": ["已发布笔记标识"] } ``` 新提取的 DNA 不会直接进入正式素材库，而是先进入缓存区，经过后续验证后再晋级。当前 MVP 使用的是预置 Mock 素材库，提取和缓存区尚未接入主流程。 ### 2. DNA 匹配（当前已实现） 用户输入： > 新品椒麻鸡，人均 32 元，主要想吸引附近下班后的年轻人到店。 系统会根据素材分数，为 6 个维度分别召回 Top 10 候选： ```text scene：Top 10 valuePromise：Top 10 hook：Top 10 structure：Top 10 tone：Top 10 visualStyle：Top 10 ``` 一次 LLM 调用会综合产品信息和这 60 条候选，为每个维度各选出 1 条最合适的 DNA。被选中的 6 条 DNA 会同时提供给 Creator，用来指导标题角度、正文结构、表达语气和配图方向。 DNA 分数未来主要由三个维度组成： 1. **`performanceScore`**：DNA 被用于多篇笔记后，根据平均收藏率、分享率、评论率等互动指标加权计算。 2. **`freshnessScore`**：距离最近一次有效数据越近，分数越高。 3. **`confidenceScore`**：根据样本数量和跨时间窗口的一致性衡量可信度。例如 1 篇笔记约为 0.25，4 篇且表现方向一致约为 0.70，10 篇且跨多个时间窗口表现一致约为 0.90。 当前 MVP 为了保证演示稳定，使用 JSON 中预置的静态 `score` 排序；真实表现分数和自动更新将在后续接入。 ### 3. DNA 指导生成（当前已实现） Analyzer 返回的 6 条 DNA 会组成一份策略简报，Creator 根据这份简报生成： - 小红书标题和正文 - 话题标签 - 核心卖点 - 3-6 条配图拍摄建议 结果页展示的“本次 DNA 片段组合”就是 Analyzer 选择后的结果，不是前端随机拼接的文本。若 LLM 调用失败，系统会使用每个维度当前 Top 1 作为兜底，以保证演示可以完成。 ### 4. DNA 追踪与淘汰（后续能力） 产品接入一键发布后，每篇笔记会保存 DNA 配方和发布信息： ```json { "recipeId": "recipe_001", "fragments": [ {"id": "scene_001", "version": "1.0"}, {"id": "valuePromise_001", "version": "1.0"}, {"id": "hook_003", "version": "1.0"}, {"id": "structure_002", "version": "1.0"}, {"id": "visualStyle_004", "version": "1.0"} ], "publication": { "publicationId": "pub_001", "publishedAt": "2026-08-29T18:30:00+08:00", "platform": "xiaohongshu", "url": "xxxx", "info": "xxx" } } ``` 后期通过定时脚本在一个周期内持续追踪笔记数据。达到 DNA 样本数量阈值后，定期淘汰分数处于后 10% 的 DNA，保留表现稳定或持续上升的片段。追踪脚本的已有实现可参考：[xiaohongshu-auto-comments](https://github.com/blockafka/xiaohongshu-auto-comments)。
智枢--企业智能体自主协作办公系统
队伍：灵觅
企业智能体自主协作办公系统是以 **A2A（Agent2Agent）协议**为通信底座的企业智能体协作办公系统，覆盖六方面能力： - **企业流程自定义**：不同企业通过可视化业务流程编排平台定义自己的业务流程，流程由多个节点构成、每个节点绑定一个 skill，流程与节点可随时修改调整并发布生效，每个节点均可配置人工介入策略。 - **内部自主协作**：行政、人事、财务、法务、市场、销售等职能智能体通过 A2A 协议互相发现、委派任务、交换结果，跨职能端到端流程无需人工在多个系统间搬运信息。 - **异步自主 Agent Team**：面向开放性复杂任务，规划智能体自主决定任务拆解与调度，多个子智能体并行探索、中间结果持续回流整合，人工可随时中途介入（加文件、改需求、收窄扩大范围），系统做影响分析与增量重规划，交付经独立核查的结果。 - **对外互联**：通过对外协作网关，以同一套协议栈与合作伙伴及 SaaS 平台智能体（SAP Joule、Salesforce Agentforce、ServiceNow Now Assist 等）交互，把外部能力当作企业智能体网络的一个节点。 - **对外商业服务**：由统一的对外商业服务智能体作为客户全旅程入口，覆盖产品与服务的介绍、推荐、咨询、下单、履约与售后，后端按环节编排商品知识、报价、订单、支付、物流、售后等职能智能体协同完成 - **人工随时介入**：以 A2A 协议原生的任务状态为挂起点，构建"事前审批、事中接管、事后监督"三级介入机制，人在任何环节可以暂停、修改、否决或接管智能体的执行。
Apprentice
队伍：长命百岁
学徒把散落在群聊、工单和私信里的消息变成任务。你每接管一次，它就从真实处理痕迹里长出一条可编辑的 Skill——下次少问你一次。
Offwork
队伍：滑铁卢之春
Offwork 是一款面向 AI Agent 的下班汇报自动化 CLI 工具。它可以快速收集工作区中的 Git 提交、GitHub PR、相关分支及文档变更，由 AI 自动整理成日报或周报，并通过飞书/Lark 发送到指定工作群，减少重复的工作总结与汇报操作。
Vibe Clip
队伍：Vibe Clip
基于DaVinci Resolve的影视后期自动化工具： 覆盖转码、多机位同步、音频预处理、声音克隆、字幕、剪映互转、AI画面生成、套底、调色、质检等后期全流程。
最终版
队伍：对对对
## 痛点 公文、汇报、论文都有严格的排版规范，但排版至今是纯体力活： 字体字号、行距缩进、标题层级、编号体例，一份几十页的文档要逐段手调， 而且"规范"往往只存在于老师傅的经验或一份没人细看的 Word 模板里。 ## 我们要解决的问题 用户只给两样东西——**格式来源**（一段自然语言规范，或一份排好版的 Word 模板） 和**待排版的目标文档**，Agent 自主完成理解、判断与执行， 输出排版好的 docx、一份修改对照报告，以及一份**修订模式文档**。 ## 核心设计：两个 JSON 的契约 LLM 在整个系统里只被允许产出两个结构化结果，**永远不直接生成或修改 docx**： 1. **FormatSpec**——从规范文字或模板中读出的格式规则（字体/字号/行距/缩进/页边距/编号体例） 2. **RoleMap**——对目标文档每一段的结构判断（标题/各级标题/正文/落款/日期） 真正的文档改写全部由**确定性代码**完成：把规则写成 Word **命名样式**， 输出文档在 Word 里可以继续正常编辑，而不是一堆刷死的直接格式。 ## 能力矩阵（四象限全覆盖） | 格式来源 \ 目标文档 | 纯文本无结构 | 有序号/自动编号 | |---|---|---| | **自然语言规范** | LLM 语义理解段落角色 | 编号惯例确定性判级，省模型调用 | | **Word 模板** | 脚本直读模板样式 + LLM 标注 | 自动编号 XML 识别，零幻觉 | - 规范抽取失败时，JSON Schema 校验器把错误回喂 LLM 自我修正（过程全程可见） - 无序号文档靠语义，有序号文档规则先行——成本与可靠性按场景自适应 ## 信任设计（企业敢用的关键） - **修订模式文档**：每一处格式改动都以 Word 修订记录呈现， 审阅视图逐条接受/拒绝，格式审查的主动权在人手里 - **修改对照报告**：段落级改动明细（角色、样式、改动字段），可交付归档 - **视觉自检**：渲染成图后由多模态模型对照规范逐条质检， 发现偏差定向修复重排一次，不做开放循环 ## 演示 四个真实案例覆盖能力矩阵全象限：从无序号的体检通知，到带三级序号的 工作方案，到用真实党委会议题模板重排投资议案——包括 Word 自动编号 （文字里根本没有序号）这类真实世界的硬骨头。 ## 技术要点 - 不依赖任何 Agent 框架，OpenAI 兼容接口直连模型（Kimi K3） - 关键 XML 写法全部实机验证：中文字体 eastAsia、固定行距、按字符缩进、 行网格、样式级自动编号 - 流式 Agent 工作日志：理解、校验、自我修正、执行全程直播
TagMind
队伍：歪卜三栈客
TagMind 项目说明书 产品名称：TagMind 一句话定位：数字资产提炼检索 Agent —— 听懂台词、看懂画面、读懂文档，用一句话或一张图，定位文件里的那一秒。 在线体验：https://tagmind-ai.vercel.app/ 主题契合：VibeHack#05「Vibe Coding for 准点下班」—— 机械的翻找交给它，真正的判断留给你。 ================================================== 一、项目背景与行业痛点 ================================================== 人人都是内容记录者的时代，每个打工人和创作者的硬盘里都堆着几百 GB 的未命名文件：IMG_2042.MOV、VID_0892.mp4、录音_2026.wav、微信图片_01.jpg。 写周报：找上周那个数据，翻半小时。 写季度汇报：想不起来三个月前那版方案的配图在哪。 写年终汇报：连自己今年具体做过什么，都想不起来了。 传统工作流的四大死穴： 1. 内容是黑盒：文字能Ctrl+F，但音视频与图片无法内文检索。找一句话只能手动拖进度条，代价是人脑持续做高消耗、低价值的辨别——一张张比对 logo、一段段听语音、一帧帧看画面； 2. 不敢改文件名：重命名或移动路径会导致剪辑工程（Premiere / Final Cut Pro / 剪映）媒体脱机报错，破坏既有工程与相册归档； 3. 现有 AI 工具无法沉淀资产：单点对话工具跑完就忘，写周报前依然要人工翻找素材投喂——打工人的瓶颈从来不是「写」，而是「找」； 4. 非文本线索无处检索：品牌 logo、特定人脸、产品外观等视觉特征，根本无法用简单的文字精准描述。 ================================================== 二、六个差异化壁垒 ================================================== 【资产积累】 TagMind：导入即索引，持续留存，越用越值钱 市面工具：每次对话前手动上传，会话结束即遗忘 【检索入口】 TagMind：文字 + 以图检索（logo / 人脸 / 参考图） 市面工具：仅文字，或仅支持人脸 【判断逻辑】 TagMind：承担机械辨别，不代替审美判断 市面工具：AI 代替用户做主观筛选，易遗漏 【协作对齐】 TagMind：文件名与路径可复制，双方基于同一套坐标沟通 市面工具：结果只能截图或口述，无法精确传递 【原文件安全】 TagMind：只读索引，原文件一个字节不改 市面工具：常需重命名或移动，破坏工程链条 【资产复利】 TagMind：今年索引的素材，明年办活动直接能用 市面工具：一次性消耗，无法跨周期复用 ================================================== 三、核心功能 ================================================== 1. 音视频台词检索与精准跳播 语音转写保留词级时间戳，把声音转成可检索文本。大模型自动去除口语杂词、校对术语。 点击搜索结果，内置播放器跳转至对应位置。 2. 视觉画面理解与 OCR 自动感知景别、光影、动作与场景主体，无需依赖文件命名。 提取活动背景板、展台、海报中的文字与品牌 logo。 3. 以图识图 上传参考图即可召回目标素材： - logo 识别：找出全部包含该品牌标识的照片与视频 - 人脸识别：召回同一人物出现的所有素材，支持分类导出 输出文件名与路径，支持直接复制。用户不需要把素材从工具里搬出来重新组织，拿到路径即可在自己的目录、剪辑工程或交付流程中调用。 4. 标签智能提炼 AI 自动提取并聚类标签，覆盖内容主体、情绪、视觉场景、业务归属。支持多标签组合过滤——即使完全想不起关键词，也能层层收窄。 5. 时间范围筛选 视频素材支持按时间范围收窄检索，与标签、关键词、参考图组合使用。 ================================================== 四、协作：让文件名成为可对齐的坐标 ================================================== 日常沟通用自然语言，本地文件却全是无意义编号——这是素材协作长期低效的根源。 合作方说「所有包含 Monad logo 的照片」，这句话人能听懂，但无法直接执行。执行者要人工翻找，翻完还得把结果告诉对方，只能报一串谁也看不懂的文件名或截图列表，对方也无法核对完整性。 TagMind 让协作者的原话直接成为检索条件。系统召回全部命中素材，输出文件名完全对应的清单，支持一键复制与导出。对方照单取件，中间没有解释和确认环节。 双端使用的价值放大 单端使用，解决的是「我找得快」。 双方都在使用时，文件名从无意义字符串变成共享地址——素材交接、外部供应商协作、跨部门调用，都不再需要中间的翻译和确认环节。 这一步是从个人效率工具跨到协作基础设施的分界。 ================================================== 五、实战场景 ================================================== 场景一：外部方素材需求响应 痛点：外部合作方提出素材需求（例如赞助商要「所有含我们 logo 的照片」），你需要从上千张未命名生图中全量找出，还要把结果准确传达给对方。 解法：上传对方 logo，限定时间范围，全量召回，导出文件名与路径清单直接发送。对方照单取件，无需解释。 场景二：长视频金句抓取 痛点：三小时的发布会录屏，想找老板关于「预算超支」那句话，拖进度条要十几分钟。 解法：搜「预算超支」，播放器跳转至 01:47:23。 场景三：年终汇报的项目还原 痛点：写年终总结，遗忘上半年具体做过的项目、当时用的图表和白板照。 解法：按时间轴与标签聚合展开，找回随手拍的白板讨论图和方案配图。素材摊在面前，判断和成稿仍由你完成。 场景四：接手他人素材库 痛点：同事交接一个几百 G 的文件夹，全是 IMG_1042.MOV。 解法：跑一遍索引即可检索。检索成本不再随使用人数重复发生。 ================================================== 六、商业模式 ================================================== 价值定位 传统素材翻找要求人脑持续执行高负荷的琐碎判断：肉眼比对 logo、人耳分辨语音、逐帧检查画面。单条判断都不难，但量大之后成本极高，且完全无法沉淀——这次翻完，下次还要从头再翻一遍。 TagMind 通过多模态解析承担这类判断，替代的不是「思考」，而是「为了思考而必须先完成的翻找」。 协作场景的溢价 多数效率工具的价值随使用人数线性增长。TagMind 在协作场景中不同——当协作双方都在使用，沟通与核对环节被整体消除，价值高于两个单用户之和。 这决定了它的商业形态可以从个人订阅延伸到团队与企业部署，而不只是按人头卖 license。 分层变现 7 天突击包：面向展会周、汇报周、大促剪辑周的短期高频需求。 Pro 订阅（月 / 年）：持续资产索引、人脸聚类、批量导出。 B 端私有化部署：打通企业 NAS 与团队局域网，消除跨部门素材索取与重复沟通损耗。 ================================================== 七、技术架构与数据处理 ================================================== 前端：Next.js + React + Tailwind CSS + Web Audio/Video API 零破坏文件访问：基于浏览器 File System Access API，只读授权。不重命名、不移动路径、不写入文件属性。 多模态处理流水线 - 本地：音轨切片、关键帧抽样、指纹提取 - 模型层：兼容 OpenAI 协议，可接入语音转写与多模态视觉模型，模型可在「模型配置」中自行指定 - 索引层：结构化元数据存于客户端 IndexedDB，本地持久化，免重复加载 数据处理说明：索引与标签存于本地，不上传。调用云端模型时，仅传输必要的音频切片与关键帧，不上传完整原始文件。未来支持接入本地模型，实现全链路离线。 ================================================== 八、当前进展 ================================================== 已实现：文件夹导入与文件选择、四类资产解析与索引、自然语言检索、logo 识别、人脸识别与分类导出、视频时间范围筛选、文件名与路径复制、MEDIA / DOCS 分区、模型配置。 规划中：检索结果清单的多格式导出、FCPXML 时间线导出、在线相册直读、本地模型离线支持。 已知约束：索引为后台批处理，非实时。大体量素材需预先完成索引。 ================================================== 九、未来规划：在线相册直读 ================================================== 活动摄影交付普遍采用在线相册链接。用户为了检索，需先全量下载到本地，导入索引，检索完再回相册下载所需照片。 一场活动数百张高清照片，下载与导入耗时可能超过检索本身。本地存储占用与二次搬运是纯冗余。 方案：直接读取在线相册链接，完成索引与检索，输出符合原相册命名规范的文件名清单，用户凭清单回相册精准下载。 环节对比： - 全量下载：现状必需 → 直读后免除 - 本地存储：现状全量占用 → 直读后无 - 导入上传：现状必需 → 直读后免除 - 下载范围：现状全部 → 直读后仅所需 对高频处理外部相册的角色，这一环节的价值可能高于检索本身。 ================================================== 十、总结 ================================================== TagMind 不是替职场人制造更多平庸内容，而是消灭最机械、最重复、最不值得加班的翻找体力活。 过去，文件名告诉你它叫什么。现在，TagMind 告诉你它里面有什么。 ================================================== 十一、亚马逊Quick Agent ForSkill ================================================== 我们用亚马逊quick agent制定了skill：Craft-Architect，发布在https://github.com/0xjonathon/craft-architect ，并用它进行了最终项目优化。
准点交班
队伍：随缘交友队
准点交班是一款面向住院病区的 AI 交班辅助工具，解决医生写完电子病历后仍需重复翻阅、摘抄和整理交班内容的问题。 系统可一键导入患者病历，提取患者基本信息和目前病情，并生成夜班观察建议。所有内容均支持原文追溯、医生修改和逐位核对，全部确认后可按床位顺序统一打印。 当前全部患者数据均为虚构信息。AI 仅负责辅助整理，最终交班内容由医生确认。
材料审核员
队伍：演策
**材料审核员**是一款面向采购、行政、项目申报和咨询场景的浏览器端材料初审工具。 用户上传一份标准审核清单和多份 PDF 材料后，系统会逐项寻找证据，识别缺项、过期信息和跨文件冲突，并为每条结论保留来源文件、页码、证据原文与建议动作。 比赛版使用完全虚构的供应商准入案例：1 份 XLSX 清单、8 份 PDF、10 个审核项。标准结果为： - 5 项已满足 - 2 项信息不足 - 2 项缺失 - 1 项待人工确认 结果看板从 5 项待处理问题中突出三项重点异常：保险证明已经过期、授权委托书缺失，以及团队名册与社保证明人数冲突。点击“查看全部 5 项”可进入完整异常列表。 产品坚持一条原则：**没有可验证证据，就不能判定通过。机器找材料，人做最终判断。** 当前原型在浏览器会话中解析文件，不建立本项目的服务端持久化记录；审核结果仅用于辅助初审，关键决定仍须由专业人员复核。
追因 · 智能代码根因定位台
队伍：早点下班
追因 · 项目介绍 ## 一句话说明 追因是一款本机运行的智能代码根因定位工具。业务人员写下异常现象，系统只读扫描经过授权的 Python 项目，随后给开发一份带文件行号和源码证据的根因候选报告。 ## 项目从哪里开始 业务反馈和代码实现使用的是两套语言。 产品经理听到的内容往往是“用户取消订单后，优惠券仍然不能再次使用”。开发接手以后，需要继续确认请求进了哪个处理器、订单状态在哪里改变、优惠券状态有没有恢复，以及相关测试覆盖了哪条路径。 这一步可能花掉几十分钟，也可能更久。时间主要消耗在搜索范围和建立上下文上。追因的目标是缩短这段起步时间，让开发先看到几个有证据的检查位置。 ## 用户怎样使用 用户启动本地服务时先授权一个代码目录。页面不会接收或修改仓库路径。 进入工作台以后，用户填写异常现象。预期结果和复现步骤可以帮助模型理解业务条件。提交以前，页面要求用户确认源码授权，明确告知本次分析所需的代码片段会进入模型服务。 后端随后读取有限数量的 Python 文件，把带行号的源码和业务描述交给本机已经登录的 Codex。模型返回候选以后，后端继续检查路径、行号和证据。越出授权目录或无法对应到真实源码的内容不会进入最终报告。 ## 用户会得到什么 报告最多展示三个候选位置。每个位置包含具体文件和行号，并附上后端重新提取的源码原文。报告还会解释业务现象怎样经过代码路径形成错误状态，并提供修复建议和验证方式。 第一项候选默认展开，方便开发直接开始阅读。其余候选保持折叠，避免第一次打开报告时信息过多。整份结果可以下载为 Markdown 文件，继续放进工单、评审记录或开发协作工具。 ## 演示案例 项目附带一个订单取消案例。用户使用优惠券完成下单，随后取消订单。订单状态已经变成取消，优惠券状态仍停留在已使用，下一次下单因此失败。 示例代码把请求处理、订单服务、优惠券服务和数据仓储分在多个文件中。这个结构能够展示追因怎样从一段业务描述开始，沿着调用和状态变化寻找优先检查位置。 ## 产品边界 追因当前只扫描 Python 源码。它不会运行目标项目，不会安装依赖，也不会自动修改代码。它提供的是根因候选和排查起点，开发仍需结合日志、测试与真实环境确认结论。 当前版本运行在用户本机，只允许一个分析任务同时进行。源码片段会发送给用户的 Codex 登录所对应的模型服务，因此只能分析用户有权提交的代码。 ## 当前完成度 现有演示版已经具备视频首页、业务工单、明确授权、只读扫描、模型分析、候选报告、真实失败提示和 Markdown 下载。后端测试覆盖扫描范围、证据重建、授权检查和并发限制。 它适合用于确认一件事。业务异常能否经过一套清晰流程，变成开发愿意继续复核的代码线索。下一阶段需要在更多真实缺陷上记录定位质量、任务完成率和开发采用情况，再决定是否扩大语言范围或加入日志分析。
ClockOut
队伍：格里菲斯
## ClockOut **ClockOut 是一个让额外工作产生真实成本的工作时间管理工具。** 大多数任务管理软件默认了一件很奇怪的事：只要任务还能被创建，员工的工作时间就好像也可以无限增加。下午 5 点临时多来一个任务，系统只会把它加入列表，但真正被延长的，其实是员工的下班时间。 ClockOut 想改变这个默认规则。 它把 09:00–18:00 的工作日变成一个固定容量的 **36 格时间棋盘**，每格代表 15 分钟。每项工作都必须占用真实的时间格，一旦今天的容量已经排满，就不能再无成本地继续增加任务。 当老板临时增加一项工作时，ClockOut 会先计算它需要占用多少时间。如果工作日内还有空余容量，可以正常加入；但如果已经没有空间，这个任务就会明确显示它将增加多少额外工作时间，而不是悄悄把员工的下班时间往后推。 这时老板必须面对真实的选择：**延后这项任务、调整现有任务，或者确认加班，并为额外占用的时间支付加班费、调休或其他补偿。** 系统不会自动把这些成本隐藏掉，也不会默认员工应该免费承担。 ClockOut 帮助人们准点下班的方式，不是不断提醒员工“提高效率”，而是从任务进入系统的那一刻开始，给工作时间划出一条真正的边界。 **当额外任务需要额外付费，增加工作就不再是一个零成本的决定。** 管理者会开始重新判断：这件事真的必须今天完成吗？它值得支付额外成本吗？ 而员工的下班时间，也终于不再是公司最后一个免费的缓冲区。
不白干｜群聊里的开工闸门
队伍：不要熬夜
## 一句话 粘贴工作群聊，不白干会识别当前任务意图、找出可能导致返工的口径冲突；指定负责人一次确认后，再生成带证据的 Brief 和到人工作单。 ## 解决的问题 项目群里常混着回执、建议、旧口径和临时改动。执行人很难判断哪个版本有效，往往会消耗很多时间精力去确认，甚至按错版本重做。 不白干不猜老板心理，也不替人拍板：它会折叠过程消息，沿原消息证据找出真正阻塞开工的问题，再向指定确认人提出可直接回复的 A/B 选项。 ## 意图识别与澄清 它不只按关键词做摘要，而是结合说话人、消息时间顺序，以及“先这样”“改为”“撤掉”“晚点再定”等语义，识别团队当前真正要推进的任务意图，区分建议、历史版本、已确认决定和仍待澄清的口径。 遇到会阻塞开工的歧义，Agent 不要求所有人重新解释一遍，而是带着原消息证据，把开放式问题压缩成指定负责人可以直接回答的 A/B 选项。一次确认即可同步更新 Brief 和责任清单，减少“到底按哪版”“我再确认一下”的来回沟通成本。 ## 现场可体验 1. 粘贴常见微信／飞书聊天文本，进行实时分析，或载入内置样本体验完整流程。； 2. Agent 区分已确认决定、过程消息和阻塞冲突； 3. 点击 A／B 后，Brief、负责人、截止时间和交付物同步更新； 4. 确认完成后才允许发布工作单并 @ 到人； 5. 只保存人工确认过的规则，不保存群聊全文。 ## 为什么不是普通群聊总结 总结只能告诉你“说过什么”；不白干还会识别“现在真正要做什么、是否已经能开工”，并用人类确认门阻止未决口径进入工作单。 > 别让 AI 帮你更快干错。没确认，不派活。 ## 技术与边界 比赛版本验证粘贴分析、意图澄清、证据链、确认和派活闭环，不冒充真实微信接入。单次最多分析 200 条消息；实时分析使用 Kimi，产品由 Next.js、React、TypeScript 与 Zod 构建，开发过程使用 Codex。
Agentosity｜Agent考勤系统/AI-native榜单
队伍：House of Agents
AI-native? Prove it! 人人都说自己 AI-native,但没人拿得出数字。Agentosity 给每个 Agent 打考勤:一条命令接入(npx agentosity init),Claude Code / Codex / OpenCode 等 13 家 harness 的会话自动上报——只测时长,不读内容,开源可审计。活跃探针把「实打实干活」和「挂机发呆」分开,汇成三块实时榜单: - Agent 工时榜:哪家公司的 Agent 今天替人干的活最多(agent-hours) - 个人榜:登录即上榜,旗号想叫啥叫啥 - 早下班榜:人味对照——你几点走,你的 Agent 还在替你加班 Agentosity 指数 = AI 干的活 ÷ 人干的活,过 50 分,说明你的 AI 比你能干。 为什么这就是「准点下班」？ 工具的进步无法带来下班的准时。加班通常是老板给压力、表忠心、怕被开，早走显得不努力，所以只能边加班边摸鱼。 Agentosity 衡量一个公司的「AI-native水平」：下班越早、agents在无人监守的情况下工作市场更长，组织就更自动化、更加 AI-native. 把“准点下班”从个人挣扎变成公司竞赛。打工人未来只需要做一件事：去更加 AI-native 公司上班。 截至8月29日2.48PM，现场 9 家公司、12 位真实用户入驻,全网累计 27.8 agent-hours,还在涨。 🌐 agentosity.com · 开源:github.com/realethanyang/agentosity(mac 菜单栏 App + CLI + 网站)
GoAfter6｜6点之后
队伍：After6
GoAfter6 是一款面向中国城市职场人的「下班健康」产品。 准点下班其实是一个系统工程并不是单点效率问题。在经历上半年的疯狂AI学习和提效之后，其实下半年我几乎可以做到早点下班。可是每次晚饭过后，想到回家也是看电脑学AI，不如在公司看电脑学AI吧。所以依然是每天八九点下班，因为下班之后可能没有更加重要的事情去做。后来我发现，如果我某天工作日晚上有一个重要的安排，或者是约了其他人，那么我今天无论如何都可以早下班。工作我可以通过异步AI完成，这是我们项目的第一个灵感。第二个灵感是，来自于睡眠手环。程序员一直希望早点睡觉，但是很难实现。当朋友送给了我一个健康手环之后，我发现我开始关注自己的睡眠时长、睡眠质量，因为它有可视化的历史数据可以去看。我希望优化我的睡眠数据，所以早睡的习惯慢慢就建立起来了，而且越来越好。从这个角度出发，我们开发了Go After 6的麦克版APP去采集我们上班时间的电脑活动信息，来监控我们的上班时长。把上班的数据上报，然后聚合起来，就能看到我们每天的上班和下班的时间点以及工作时长。像玩游戏一样，大家会去关注自己的下班时长，不断优化的心态。从而促进我们及时地去下班，改善我们的下班时间。 另外我们还有一个小心思，从平台上参加活动之后，可以一键加入自己的飞书谷歌日谷歌日历。把日程先占上，同事就不会在那个时间拉会找你了。 ### 核心体验 - 发现或发布今晚 / 本周值得参加的活动 - 按时间、距离、价格、独自友好等条件判断“下班后赶不赶得上” - AI 从活动链接或海报提取时间、地点、价格和报名信息 - 一键写入日历，锁定通勤与活动时间，并计算最晚离开时间 - 对比有活动与无活动的工作日，展示下班时间变化和“拿回的夜晚” - 通过 Mac 菜单栏采集器进行 local-first 节奏监测，支持暂停、修正和删除 GoAfter6 不是通用活动 marketplace，也不是员工监控或生产力打分工具。它只想回答一个具体问题： **当我把工作日晚上的生活提前安排好，我是否真的能更早下班？**
知聘·招聘协作工作台
队伍：三句半
> **知**，取自「知人善任」——AI 负责知人：解析简历、初筛评估、给出匹配度。 > **聘**，取自「席珍待聘」——是否聘用求职者、怎么聘用，由招聘团队决定。 > > 先知人，后聘用。 这是一个以人为中心的招聘协作系统，配套四项边界明确的 AI 服务。它不是 AI-native 招聘系统：职位、候选人、面试轮次、流程状态和录用决策都由招聘团队人工执行；AI 只生成可追溯的结构化分析，不会自动推进流程或替人做决定。 ## 核心流程 1. **职位与简历**：发布职位（描述、任职要求、优先条件），候选人简历上传至私有存储； 2. **解析与画像**：AI 从简历文本提取结构化候选人画像； 3. **六维初筛**：按固定六个维度生成匹配分数与逐条理由（优势、风险待确认、建议面试重点），招聘负责人人工决策「未通过筛选 / 进入面试」； 4. **面试协作**：人工配置轮次、面试官与考察维度；初筛的「建议面试重点」随流程带入面试页供面试官参考；AI 按维度生成针对该候选人的面试题（支持导出 md / docx / pdf）；多面试官独立面评，面试记录全程留痕； 5. **面试后评估**：AI 基于已保存的面试记录与面评生成结论报告；通过与否、是否进入下一轮，由人决策； 6. **HR 推进**：轻量 HR 状态机（待确认 → 确认 → 发 Offer → 接受/拒绝 → 入职），每一步人工推进。 AI 报告只提供分析与匹配分数，不包含录用动作。初筛是否进入面试、面试是否通过、是否进入 HR 以及最终录用，均由人确认并写入系统。 ## Amazon Quick插件服务 我们支持在 Amazon Quick 上通过 Recruiting Query 技能，直接连接您的招聘管理系统，用自然语言实时查询和分析招聘全流程数据。 无需切换系统，对话即查询 只需在 Amazon Quick 中用日常语言提问，即可获得结构化的招聘数据分析： "目前有哪些在招职位？" — 浏览所有岗位状态、HC 及各阶段候选人分布 "前端工程师这个岗位进展如何？" — 查看完整招聘管道，了解每位候选人所在阶段 "帮我查一下张三" — 按姓名、邮箱、电话快速定位候选人，查看完整档案 "这个人面试评价怎么样？" — 获取 AI 筛选评分、面试轮次记录、面试官反馈及 HR 审批历史 安全与合规 敏感信息保护 — 候选人联系方式等隐私数据按需展示，不在概览中暴露 AI 辅助决策 — 所有 AI 评分和推荐标注为参考信息，最终决策由招聘团队做出
FlowSpec｜把模糊需求变成可验证流程图
队伍：路人甲
FlowSpec — 面向软件产品需求的流程验证与追踪 Skill FlowSpec 能把「模糊的软件需求」加工成可验证、可追踪、可直接在 draw.io 里编辑的流程规格，适用于需求澄清、产品流程图、状态机建模、流程审计和变更影响分析。 它的工作方式是把 PRD、会议纪要、问题复现步骤或现有流程图，先整理成一层「事实 / 假设 / 信息缺口」的证据结构——阻断模型凭空发明业务规则；再落到一份规范化的 JSON 流程模型上，用确定性脚本做结构校验（不可达节点、无终点路径、循环退出条件、重试上限、外部写失败等）；最终产出原生 .drawio 图，并建立稳定的 ID 关联，让需求来源 → 节点/边 → 验收标准 → 测试场景互相可定位，需求一改自动生成影响报告。
打工人汇报不返工
队伍：想和我一起做ppt一起吃东西吗
打工人的汇报神器，支持打工人把自己要汇报的对象 材料 告诉给老板们 同时支持生成可以编辑的汇报PPT
Convergene | 减少开会痛苦，避免会后无效加班
队伍：下班时间上hack班
许多低效会议并不是参与者缺少能力，而是会议在开始前就没有被充分设计：目标含糊、关键问题尚未确认，讨论过程中缺少推进方式，最终投入了时间，却没有形成清晰结果。 Convergene 是一款个人会议辅助产品，帮助缺少主持经验的人完成会前准备、会中推进和会后整理。用户输入原始需求后，系统会判断会议更适合决策、脑暴还是复盘，并通过针对性追问明确目标、参与角色、判断标准和期望产出。 准备结果会被整理成会议 Brief、讨论地图和主持提示。会议进行时，主持人可以聚焦当前议题，在讨论卡住时获得相应的思考方向，并将真正达成共识的内容标记为决策、候选创意、洞察或行动项。 会议结束后，系统会整理正式产出、未决问题和后续行动，生成可分享的结构化报告。Convergene 的核心价值，是降低高质量会议对个人经验的依赖，让一次模糊的会议任务逐步变成清晰、可控并能够产生结果的过程。
主办方
战略合作伙伴
技术合作伙伴
社区合作伙伴
