3个半月，从入驻X、组织GEO大会，到GitHub Star 10000+的全记录

这三个半月，从入驻X、组织GEO大会，再到各种开源项目，积累了不少，写一篇简单的复盘，记录下这个过程

一些主要数字分享：

1、4月1日，入驻X，3个半月，粉丝从2，增加到现在1.8W左右

2、和向阳一起组织的GEO大会完成举办，反响不错，随后发布《GEO红皮书》《GEO蓝皮书》，同时开始在WaytoAGI开始固定每月一期GEO专题直播分享，已完成2期直播

3、开始在GitHub分享开源项目，三个半月时间，收获star 10000+，主要项目包括GEOFlow、Tokhub、yao-meta-skill、yao-open-skills、yao-geo-skills、提示词合集、以及各种开源工具和系统等

4、《姚金刚认知随笔》仍然每周更新，已写了48万字，并在GitHub进行了内容的全部开源

5、这期间，主力AI工具是Codex，tokens消耗180亿+，帮我构建了大量的开源系统，帮助我提供了更好内部团队管理、内部系统构建、业务分析与策略帮助等

这些数字背后，值得复盘的是，在AI的帮助下，一个想法从出现、验证、开发、发布，到获得真实用户反馈，整个周期正在被明显缩短

这篇文章想记录的，就是这三个半月里，我做了什么、为什么做，以及在这个过程中得到的一些判断。

1、X账号

3个半月前，向阳对我说，要不入驻下x（前twitter），我说行

于是，在4月1日，完善了下账号后，向阳发帖，主推我的账号，随后也有不少X的朋友开始转发和推荐，一天内新增关注2000+，3个半月过去，现在1.8w左右

在我入驻X之前，向阳老师已经是国内AI圈的知名自媒体博主，在X上有10万以上关注，分享了很多与AI有关的观点、实操、解读、故事

他的背书与推荐对我在X上的冷启动，非常关键

在冷启动第一天，收获了不错的正反馈后，后面也开始持续在X上进行分享，也慢慢养成了在X上记录、分享的习惯

X是一个非常好的优质信息获取渠道，很多好的AI实践、案例、资讯、评测，都会在X上看到，推荐关注

X主页链接：https://x.com/yaojingang

2、GEO大会

4.11日，我和向阳在准备了一个月左右后，组织了第一届GEO大会

这次大会后，收到了不少积极的反馈

很多分享嘉宾准备了不少干货，老阎、张凯、拔刀刘、歸藏、大聪明、AJ、刘总、阿邝、Yangyi、橘子这些一直走在GEO与AI前沿探索与实践的专家与朋友，为大家贡献了一次非常精彩的主题分享

虽然时间只有一天，但信息密度非常高

整体的分享节奏安排，上午以海外GEO和国内GEO为主，下午是国内GEO和AI增长、AI产品等话题为主

在这之后，我们发现，大家对GEO还存在一些误解，以及不少违规的方法，于是又发布了《GEO红皮书》《GEO蓝皮书》，旨在帮助大家更好、更科学的理解GEO这个事情

3、GEOFlow

在发布前，简单调研了下，发现与GEO相关的开源系统很少，而且质量都不是很高

在我目前看到的同类开源项目中，GEOFlow在功能完整度、内容工程和交付规范方面，已经形成了比较系统的能力，发布3个月以来，在GitHub收获了2.9k star

GEOFlow的定位，是通过AI和工程化、自动化驱动的GEO内容运营、分发、分析与管理系统

尤其是围绕GEO内容工程，构建了一套较高标准的规范与流程

发布以后，GEOFlow进入了不少真实业务场景，实际使用方式也比我最初设想的更加丰富

• 有上市公司把它部署成自己内部的内容管理系统
• 有创业公司对它进行二开，然后进行商业化
• 也有公司对它进行二次开发后，去申请软著
• 还有不少朋友拿它去做商业化的变现，比如说部署，提供运营
• 更多的是用它去做GEO内容项目，比如说网站，或者是升级现有的网站

看到这些反馈，我内心还是挺开心的

对于GEO，有3个核心的能力模块、数据、内容和投放，GEOFlow目前这3个能力模块，内容能力是最好的，其次是投放，最后是数据

内容其实是最核心的能力，内容的质量与管理做好了，后面很多工作都会更好

在内容层面，对这个系统而言，体系最完善，包括整个工作的流程和规范，以及自动化的能力、知识库的管理和质量控制，核心其实就是内容的工程化能力会做的比较强

在投放能力上，目前除了单站点的同步，也可以去生成多个渠道站点，实现一个系统，同时管理和发布多个站点能力。也支持对API的绑定，比如说WordPress，并且保留了API的接口，实现跟更多分发系统打通的能力

在数据层面，目前网站的基础数据分析，内容的数据，包括日志的分析、多站点的分发记录，这些数据都能够实现一个基础的统计和分析。

GitHub地址：

https://github.com/yaojingang/GEOFlow

4、yao-meta-skill

在早期研究提示词的时候，我和向阳老师都有一个习惯，去研究和迭代元提示词，也就是生成提示词的提示词

所以，在研究和实践skill的过程中，就很重视元skill的研究和迭代，也就是生成skill的skill

于是就有了yao-meta-skill，单独建立了一个GitHub仓库，并开源给了大家，收获了2.1k star

可以用它来实现更高质量的skill生成，也可以用它来对skill进行迭代和质检

简单分享下创造和迭代yao-meta-skill的过程，很多朋友反馈，创造和迭代的过程思路，会对他们更有用

1、在架构设计阶段，我参考了Claude Code相关的公开技术分析、社区研究资料和多个官方Skill的设计思路，所以yao-meta-skill在架构设计上，会有一些不一样

2、在skill的能力维度上，综合参考和学习了多个官方元skill，比如Anthropic Skill Creator、OpenAI Skill Creator等，分析了它们各自的优势，比如Anthropic的工程方法论和迭代闭环能力，OpenAI的精简设计等

3、在构建和完善整个工作流时，在用户需求意图识别建模这个环节，进行了能力的重点强化，包括梳理新的skill的输入与输出、定义它边界，以及增加了静默搜寻世界级顶级对标设计并自动借鉴等技巧，尤其是第三个技巧，会显著提升skill的设计水平与质量

4、为了提升整体的质量，也增加了AI的自动评测实验，为了验证实际效果，又补充了AI自动评测和5组人工盲测，yao-meta-skill在这几组测试中都取得了更好的结果

现在我自己创建的所有skill，几乎都是通过这个Meta skill来完成创建和迭代

在构建yao-meta-skill的过程中，其实质是希望通过学习各个世界顶级的标准，来提升自己对于skill的理解，包括边界、标准、评测、工程设计等等

GitHub地址：https://github.com/yaojingang/yao-meta-skill

5、开源skill合集

主要有两个GitHub仓库：一个是yao-open-skills，一个是yao-geo-skills

yao-geo-skills，会把与GEO有关的skill，通过这个仓库进行统一的分享，包括豆包、chatGPT、DeepSeek的数据抓取、清洗和诊断报告为一体的skill，包括GEO效果系统评估方案生成的skill等等

yao-open-skills，GEO与元skill之外的所有公开skill，会通过这个仓库进行分享

比如，微信读书报告skill、教程skill、贝叶斯决策skill、博弈论Skill、矛盾论Skill、商业模式Skill、需求Skill、专家Skill等

贝叶斯决策skill是我很喜欢的一个skill

它不是简单帮你算一个贝叶斯公式，而是把一个复杂决策，拆成一个可以持续更新判断的过程

这个Skill，一开始会先基于当前信息形成初始判断，然后AI通过引导用户多轮对话，不断补充变量、更新后验，并记录每一轮判断为什么变化

最后会输出一份Markdown+双语HTML决策报告，包含沟通过程、过程的判断变化和行动建议

适合产品、增长、商业、创业这类判断，也适合旅行、搬家、职业选择这类个人决策

本质上，它解决的是：当信息不完整、风险不确定时，怎么更理性地判断“这件事到底该不该做”，以及如何提升决策的质量

还有教程skill

1、输入任意主题及参考资料，AI会优先以参考资料为核心，然后根据需要进行高质量素材和资料补充，这个过程中融入了低质量信源的过滤机制

2、AI会结合教程的特点，并结合用户的部分偏好，生成定制深度教程，输出PDF、Word及HTML三种格式，方便自己学习

3、教程内容，按照章节的逻辑进行系统性的输出，同时根据各章节内容特点，自行画图并插入到章节相关内容模块中，教程融入了三年前经营MCN时写的《课程营销学》的相关底层逻辑与方法

GEO skills仓库，目前也分享了不少与GEO有关的skill，比如ChatGPT爬虫+清洗+分析+报告的skill

运行流程与逻辑：

1、先准备问题列表、重复次数、目标实体、实体类型、OpenCLI profile、采样间隔

2、OpenCLI Browser Bridge 连接已登录的 ChatGPT Web profile，对一组问题，随机间隔策略做多次独立采

3、最后完成数据清洗，汇总结果，生成 JSON、Markdown、Excel 和 HTML 报告

4、生成的HTML数据分析报告，会看多个指标，包括：目标实体的提及率、平均提及次数、Top 1 / Top 3 / Top 5 概率、平均排名、情绪倾向、引用来源、域名结构、标题意图，以及目标实体和同类型竞品之间的差距

5、关于实体判断：会区分人、公司、产品、概念词和噪声词，避免把“行业词”“泛品类词”“URL 参数”混进竞品表

6、TokHub

TokHub，是一个面向 AI API 中转站的开源监控及多上游智能网关于一体的开源平台

这是和向阳老师一起策划和构建的一个开源项目

采用 React + TypeScript 构建前端、Go + go-chi 构建后端，配合 PostgreSQL/TimescaleDB、Redis、NATS，并通过 Docker 与 Helm 实现部署

核心做了几层能力：

1、公开监控和通道详情

可以看已监测的API通道的状态、成功率、延迟、模型、价格和健康评分

2、L1 / L2 / L3 分层探测

L1 看 DNS、TCP、TLS、HTTP 连通性

L2 看 API Key、模型列表和模型可用性

L3 直接做一次最小真实生成，用来判断“入口正常但模型实际不可用”的情况

3、用户工作区和私有通道

用户可以收藏公开通道，也可以接入自己的 Endpoint 和 API Key

私有 Key 加密保存，按组织隔离，不把用户自己的上游暴露给平台后台

4、一键生成个人专属网关

可以把多个平台通道和私有通道，聚合成个人专属网关，供自己的Agent或者自己的AI客户端统一调用，按延迟、成功率或成本做路由，并记录 Token、延迟、成本、错误类型和审计事件

项目架构：

TokHub提供Docker自托管部署，包含 PostgreSQL / Redis、生产预检、备份恢复、安全扫描和发布检查

上线后第一天，2000人访问官方站点，而且留存还不错，到现在，我们看到后台已经有不少用户，用它建立自己的专属网关并进行相关数据的监控

7、GEORank

这个系统定位其实就是一系列GEO小工具的集合，断断续续迭代了一段时间，已经上线

可以用来分析品牌和网站在 AI 搜索中的可见性，系统把网站诊断、AI 问答、优化方案、关键词拓展、结构化内容生成和后台管理集中到一套流程中

适合 GEO、SEO、内容和品牌增长团队，也适合希望自建或二次开发 GEO 平台的开发者

系统采用 FastAPI + Next.js 架构，目前正处于 2.0 前台迁移阶段

相关链接：https://www.georankhub.com

8、Tok系列工具

这些小工具或者系统，都是Tok开头，取Token的前三个字母，然后进行自由组合，以下6个主要的工具，都开源到了GitHub仓库

1）Toktra

这是一个Chrome浏览器的网页翻译插件，配置自己的API，支持网页自动翻译，我自己用得更多的是网页划线翻译

2）Tokkit

这是给自己定制的本地Token账本的一个小工具。然后在右上角也会有对应的记录，也会有一个HTML可视化的一个报告

3）Tokdoc

这是一个文档管理工具，支持多种文档格式的管理，比如说Word、PDF、HTML、PPT、Excel等文件格式，Word、PDF、HTML支持在线实时编辑，也支持本地目录的相关文件自动获取，对外公开的文档也会有相关的数据统计

4）Tokscr

这是一个网页截图的工具，支持多种截图的功能，并且对截图可以进行二次的编辑和保存

5）TokURL

这是一个给自己用的短链生成系统，可以一键将长很长的网址生成一个短链，然后可以自定义短链的命名，也可以随机生成短链

6）tokchat

这是一个轻量级的AI问答系统和学习系统，适合公司内部做AI问答，或者是面向外部提供相应的这个专属这种问答，专业问答系统

这个系统其实就是在开会的间隙，顺带就写好了，然后迭代了几次，内部和轻量级使用，没有问题

9、AI面试系统

为了更好的系统管理好招聘这个事，也开发了一个AI面试管家，这几个月持续做了些迭代和升级

最后将面试管家系统和GitHub、Codex、飞书进行了打通，实现了更好的多端数据互通和协作管理

具体而言就是：

1、AI面试管家主系统，负责候选人、简历、AI自动首面、自动面试报告、反馈、排期、数据分析报告、同步状态等核心业务数据，相当于整个招聘流程的业务中枢

2、GitHub资料仓，GitHub仓库，作为招聘流程的协作空间，每个候选人都有自己的资料目录，流程阶段会自动通过目录、workflow.json、candidate-index.csv和Git commit来记录和流转

这意味着，一个候选人的流转过程，本身就形成了一条天然的版本化证据链

3、Codex Skill，承担本地智能操作层的角色，每位面试官主动拉取候选人资料包，生成评估，写入初试/复试反馈，保存排期，提交飞书任务、面试反馈与数据分析等

4、飞书执行层，通过飞书CLI，实现自动建立面试日历、私信和催填提醒，后台worker负责异步任务、失败重试和状态回写，包括面试数据周报同步等

整个系统流程变成了：

1、HR或候选人上传简历，系统异步解析结构化信息

2、候选人完成AI首面后，系统保存问答、对话历史、关键词和评分

3、报告生成服务异步产出HR版和候选人版报告，系统Agent自动同步到GitHub资料仓

4、同事可以在GitHub或Codex中查看候选人资料及相关信息，基于资料包生成评估，写入反馈

5、如果反馈结果是pass，候选人会自动进入GitHub仓库的下一阶段目录；如果是reject或hold，则只更新状态和反馈记录，不移动目录

6、当面试排期确定后，系统创建飞书日历任务，worker异步执行，并在面试后1小时和3小时自动发送反馈催填提醒

在这套系统里，候选人被重新建模成了一个贯穿AI面试、GitHub协作、Codex本地Agent和飞书触达的状态对象

这让招聘流程同时具备了四种能力：自动化效率、人工责任边界、组织招聘过程记忆、运维可追踪性

对面试官而言，核心的协同与互动界面变成了Codex，其它终端都自动协同和流转

比如，无论是HR还是几位面试官，都会习惯性地在Codex上面去直接问自己关心的数据，直接对Codex说最近7天的初始人数，以及对应的初始反馈

AI面试系统暂未开源，等再完善一段时间，如果有需要，可以开源给大家

和多位朋友在交流的过程中，我们发现，有了AI，其实并不能带来“平权”效应

AI降低了工具使用和产品开发的门槛，也在持续提高市场对最终结果的标准，当越来越多人都能借助AI完成基础工作

真正决定结果差异的，会越来越集中到问题理解、专业判断、审美、行动力和持续迭代能力上

所以，AI只是拉高了对于结果的标准，反而会更容易拉开人与人之间的差异

需要有更好的想法、更强的专业判断力、审美以及行动力，而这些能力，其实非常底层

AI带给我最大的好处，就是可以把我自己的各种想法快速落地和实施，可以借助AI实现更好的定制化体验，因为我可以构建各种自己想要的skill、工具、系统等等

同时，因为开源，也结识了不少新的好友

这几年，在AI的帮助下，开源的氛围我觉得还挺好的，大家都在贡献和分享自己的经验、心得、作品，这个过程中，大家相互学习、相互受益、相互启发，并因此结缘

三个主页，欢迎关注：

独立博客：www.laoyao.cn

X主页：https://x.com/yaojingang

GitHub主页：https://github.com/yaojingang

欢迎关注公众号：