跳到正文
无限游戏地图

无限游戏地图

由Mixlab孵化的问题驱动实验

登录/注册
SH

shadow

成员编号 000001加入于 2026/9/10

发起人

0.0

累计积分

14

发起项目

6

发布内容

0

收到的赞

发起的项目
14全部 →

Mirrorbook:一键把 HTML / Markdown 变成可分享网址的托管原型

**一句话** 上传一个 HTML、文件夹、zip 或一段 Markdown,立刻得到 `{slug}.域名` 的分享链接,配套面向 agent 的命令行,让 AI 生成的页面一步上线。 **为什么做原型** AI 现在能很快生成网页和文档,但「生成之后怎么发给别人看」仍然很麻烦,要买服务器或配静态托管。我们想验证:把发布压缩成一步,是否会改变人们分享 AI 产出的习惯。 **要验证的假设** 1. 用户(含 agent)愿意把 AI 生成的页面发布成独立子域名链接,而不是截图或贴文本。 2. 「发布即上线,事后复查」的治理方式,能在不显著拖慢发布的前提下控制钓鱼、挖矿等滥用。 3. 版本管理、访问密码、登录可见这类轻量控制,足以覆盖多数分享场景,不必引入完整的站点后台。 **本期做什么(最小闭环)** - 支持 HTML / zip / 文件夹 / Markdown / 纯文本上传,自动生成子域名站点 - 版本管理、访问密码、可见性、iframe 嵌入、搜索引擎收录开关 - 命令行工具(`--json` 输出,退出码固定),供 agent 调用 - 管理员复查队列、举报入口、邮箱验证与白名单 - 编辑精选与许愿池,用于收集反馈 **本期不做什么** - 不做在线编辑器,不做服务端动态运行代码 - 不做付费与计费 - 不做自定义域名 **验证场地与成功标准** - 场地:内部团队与小范围邀请用户试用 - 成功标准:N 个活跃站点、N% 的站点有二次更新、复查队列的误判率低于 N%(数字待定) **已有证据** - 上传、版本、访问控制、命令行、管理后台等核心流程已实现并可部署 - 约两周内完成 60 余次迭代提交 **待确认** - 真实用户规模与留存数据尚未采集 - 滥用扫描规则的覆盖率和误判率未评估 - 存储与流量成本模型待估算 **后续方向(不在本期范围)** - 自定义域名 - 面向 agent 的更多集成方式 - 站点访问统计与付费额度

参与者:暂无

筹备中 · 10%

AgentLink:跨域数据同步与 Agent Memory/Discovery 协议原型

一句话:用一套零后端代理的跨域同步协议 + 可被 AI agent 自助发现鉴权的接口规范,验证"让任意网页/agent 在不改造目标服务端的前提下互通数据"这件事有没有真实需求。 为什么做原型:浏览器同源策略让跨域数据传递长期依赖 postMessage/CORS/第三方服务,各有安全或侵入性代价;同时近期 AI agent 集成同一类服务时,往往要人工读文档、猜认证方式——这两个问题本质都是"陌生双方如何快速、安全地对接",想用一套机制同时验证。 要验证的假设: 1. 纯前端的跨域同步方案(URL Hash + window.open + 压缩传输 + 域名白名单)足够安全、够用,能替代目标应用服务端改造 2. 给 AI agent 提供标准化的自描述入口(/.well-known/agent.json + OpenAPI + OIDC),能明显降低它们接入的沟通成本 3. Memory(对话提炼 + 表格化长期记忆)对个性化 AI 应用是真实需要的能力,而不是附加噱头 本期做什么(最小闭环): - 跨域同步 SDK(agentlink-sdk)+ 管理后台白名单配置,跑通"发送方域名 → 接收方域名"的真实数据传递 - Agent API v1(OpenAI 兼容 /process)+ 四个发现端点(agent.json / openapi.json / llms.txt / OIDC discovery)已部署生产环境 - 已有一个使用该机制的公开主页/记忆系统作为自举验证(dogfooding) 本期不做什么: - 不做多租户计费、不做企业级 SLA 承诺 - 不扩展到非 Web 场景(原生 App 跨进程通信等) - Memory 的多维度记忆表格暂不做自动化准确性评测 验证场地与成功标准: - 场地:生产环境 agent-link-server(Vercel)+ 开源仓库自身的真实接入方 - 成功标准(N 待定):至少 N 个独立域名/第三方 agent 完成真实接入并产生有效同步数据;待定具体数字 已有证据: - 代码与基础设施已上线:跨域 SDK 已发布到 npm,服务端在生产环境持续运行 - Agent-discovery 四端点已闭环(2026-07),具备被 LLM/agent 自助消费的完整契约 待确认: - 成功标准的具体接入数量和周期 - 是否需要补充真实接入方的使用数据作为后续证据 后续方向(不在本期范围): - 多租户/计费模式探索 - 面向企业客户的白标部署

参与者:暂无

筹备中 · 20%

HomeView 空间:iPhone 扫房间,把 HomeView 屏幕挂到墙上的 AR 原型

**一句话** 用 iPhone 扫描房间,把 Apple 风格的 HomeView 屏幕挂到真实墙面上,并让摆放位置在下次打开时自动恢复。 **为什么做原型** 智能家居的屏幕内容通常只在手机或平板里设置,没法在真实空间里预览。想验证:能不能在房间里直接摆放、编辑、点击控制这些屏幕。 **要验证的假设** 1. 用 LiDAR(RoomPlan + ARKit)扫描出的墙面可以直接当摆放表面,用户不需要手动标定。 2. 重新打开 App 时,即使光线变化导致空间地图重定位失败,也能靠墙面形状和点云对齐把屏幕放回原位(待定:对齐误差小于 N cm)。 3. 屏幕内容(主屏幕、相框、视频、网页、手写板等)在 AR 里可以直接点击交互,并且数据是真实的(天气、日历、音乐等)。 **本期做什么(最小闭环)** - 扫描房间,在墙上放置、拖动、缩放 HomeView,保存并恢复。 - 8 种屏幕内容,加上 3×3 小组件和真实数据。 - 不开相机的 3D 编辑,以及房间导入导出(.homeviewroom.json),用于在 Mac 上编辑后导回手机。 **本期不做什么** - 不做多人共享同一个空间。 - 不接入真实的 HomeKit 设备。 - 不做 Android 和无 LiDAR 设备的完整支持(无 LiDAR 设备只退回竖直平面检测)。 **验证场地与成功标准** - 场地:N 个真实房间(待定)。 - 成功标准:重启后屏幕归位成功率 ≥ N%,位置偏差 ≤ N cm(待定)。 **已有证据** - 可运行的 iOS App,iPhone 真机已测试。 - 墙面对齐(墙段匹配 + 点云 ICP)有单元测试。 - 模拟器有演示模式,Mac(Designed for iPhone)可运行 3D 编辑。 **待确认** - 重定位成功率和对齐误差的实测数据。 - 验证房间数量和成功标准的具体数字。 **后续方向(不在本期范围)** - 与真实智能家居设备联动。 - 多设备实时同步房间。

参与者:暂无

筹备中 · 10%

SiteGuard:监控视频实时转米制数字孪生场景——区域人员定位与计数原型

【一句话】 把一路固定监控视频实时转换成一个可量化的「数字孪生场景」:以地面单应性标定建立米制坐标系,把画面里每个人的位置换算成场景坐标,在这个底座上按任意划定的区域做人员位置判断与实时计数。 【为什么做原型】 监控视频本身只能看、不能算。想回答「这个区域现在有几个人」「离边缘还有多远」「这条路线今天走过多少人」,只能人工回看录像。本原型验证的是这条中间层是否成立:单目固定机位 + 姿态检测,能不能低成本地把视频变成一个带坐标系、带区域、带计数的场景数据源,而不是一个只能看的画面。 换句话说,本期交付的是底座,不是一个安全告警产品;告警只是底座上的第一个消费方。 【要验证的三个假设】 1. 单目固定机位 + 地面单应性,产出的米制人员坐标精度足够支撑区域级业务问题(在场人数、是否越界、到边界距离),精度需求是厘米到十厘米级而非毫米级。→ 可证伪:与现场尺量对比,偏差超出业务可接受阈值。 2. 区域是一等公民。同一套标定底座上,任意划多边形区域即刻得到「区内人员列表 + 实时计数」,区域可复用、可持久化,不必每换一个业务问题就重做系统。→ 可证伪:换一个业务问题(如统计动线、统计设备区占用)时,改动量超出预期。 3. 只传抽帧 + 检测结果、不传视频流的架构,能在普通网络条件下把延迟压到业务可用范围,带宽占用相比视频流低两个数量级以上。→ 可证伪:实测帧率或延迟不达阈值。 【本期做什么(最小闭环)】 - 场景标定:地面上点一个已知尺寸矩形四角,解出米制单应性;实时显示重投影误差,误差过大拒绝应用 - 多平面:地面之外可再标墙面/桌面/斜面,各自一个平面,人员自动归属到最合适的平面 - 人员定位:姿态检测 + 多目标跟踪,每人输出稳定 track_id 与地面米制坐标(地面取脚,竖直面取躯干) - 区域(Region):在米制地面上画任意多边形,存的是真实地面坐标——相机挪位后重新标定即可复用,不用重画 - 区域计数与位置判断:每个区域实时输出区内人员列表、人数、逐人区内时长,以及「到区域边的最近距离」 - 米制俯视图:1 米网格的真实俯视,与视频画面双向对应 - 累计热力:地面米制网格上按时间指数遗忘累积足迹密度,投回画面时自带透视 - 时间序列与事件落库:进出区域、标定变更、区域变更全部落 SQLite - 参数热更新:判定阈值滑块即时生效 【本期不做什么】 - 不做人员身份识别(明确不做,避免合规风险) - 不做物体与设施建模:孪生体通常还包括货架、设备、门禁、通道等静态要素,本期只做「人」 - 不做三维孪生与体积量测:本期是 2D 米制地面 - 不做跨平面的统一场景坐标系:各平面是独立局部坐标系,跨平面距离算不了 - 不做多路并发、录像存储与回放,只做单路 - 不做非平面场景(楼梯、坡道、多层货架)的正确几何 - 不做场景资产持久化:标定与区域目前只在内存,后端重启即丢 - 不做对外闭源商业服务:检测权重为 AGPL-3.0 【验证场地与成功标准(数字待定)】 - 场地待定,需覆盖至少三种区域形态:① 平整单层作业面(仓库、货架后场、门店后厨一类);② 含坡道或台阶的区域(用于界定几何失效边界);③ 人流密集且存在边界徘徊的区域(用于验计数稳定性)。 - 成功标准建议(阈值待定):米制人员坐标与尺量偏差 ≤ N cm;已知人数脚本下区域计数准确率 ≥ N%、漏计多计 ≤ N 次/小时;人员在边界徘徊时计数抖动 ≤ N%(当前实现预计不达标,见待确认);同一底座上新增一个业务查询的改动工时 ≤ N 人天;告警延迟中位数 ≤ N ms、抽帧带宽 ≤ N KB/s。 【已有证据】 - 可运行的完整实现:前端已构建出部署产物,后端单文件服务并托管前端;带无浏览器的端到端冒烟测试与模型选型基准脚本 - 区域计数已在代码中实现:逐人内外判定汇总为区内人员列表与计数 - 合成素材实测(AI 生成的虚构素材,非真实场地录像):标定重投影误差 0.000000 m;点击角点回算地面坐标误差 11.2 mm;声明 4.0 m 的锚点反算 4.0000 m;每米像素数近/远端比 1.33–1.37×(透视成立);空场负样本 24 帧全部无人(无误报);单人段 19/24 帧检出,足点来源 100% 取最高优先级的双踝中点 - 推理尺寸选型实测:640 → 960 检出数 6 → 18、延迟 82 → 95 ms;1280 检出不再增加但耗时翻倍至 199 ms 【待确认】 - 场景资产未持久化:标定与区域存在内存,后端重启即丢。孪生的前提是场景资产可长期复用,这是当前最关键的缺口。 - 各平面是独立局部坐标系,无法合成一张统一场景图,因此目前只能算单平面的场景底座,还称不上完整的「孪生体」。 - 区域计数用的是原始内外判定,迟滞只作用在告警状态上,因此人在边界徘徊时计数字会抖——对「实时在场人数」是直接缺陷,需要把迟滞下沉到计数口径。 - track_id 仅在单次会话内有意义,长时间遮挡后重连不保证同一 ID,不适合直接做人员级统计。 - 绝对尺度尚未在真实场地验证:现有米数是「声明」出来的假设值,可信的只有相对几何与透视关系,必须补真实场地录像按已知尺寸实体标定。 - 现有测试素材仅 5 秒左右,覆盖不到迟滞与长时累计;且缺「边界徘徊」「多人同框」两类关键素材。 - 检测权重 AGPL-3.0 许可是否可接受,决定后续是否替换权重。 - 静态设施要不要纳入孪生体,取决于首个落地场景是什么。 【后续方向(不在本期范围)】 - 场景资产持久化:标定、区域、平面做成可导出/导入的场景文件,一个场景建一次长期复用 - 统一场景坐标系:标一个公共原点(如房间角落)把多平面拼成一张图,实现跨区域距离量测 - 迟滞下沉到计数口径 + 多人密集场景的跟踪 ID 稳定性优化 - 静态要素建模与图层叠加(设施、禁行区、可通行路径) - 非平面场景:多平面标定或深度估计 - 采集通道从浏览器抽帧改为服务端解码(需补丢帧逻辑) - 多路并发与录像回放对接

参与者:暂无

筹备中 · 10%

咖啡国度:核心商圈咖啡馆「场景标签 + 实时价格」原型

【一句话】 做一个只服务一个核心商圈的咖啡馆小程序:用户按「场景」找咖啡馆(室外、可吸烟、宠物友好、厕所干净、有插座),价格由消费者上传脱敏小票、互相验证得出。 【为什么做原型】 团队成员此前已经做出过一个版本并搁置,并安排兼职大学生在试点商圈跑店试过约一个月。现在要用最小成本回答:这个方向值不值得重新投入。 【要验证的三个假设】 1. 用户选咖啡馆看的是场景,不是价格。比价只是切入点,真正留住人的是室外、吸烟区、宠物、厕所这类综合点评平台上看不到的信息。 2. 小票和菜单照片脱敏后上传,再由第二个用户验证,数据可信度足够用。价格会随会员、券、活动波动,所以展示「标价 + 近期实付价」。 3. 咖啡店愿意用自己的后台。每家限 10 款常用饮品,店家会自发更新菜单和新品,不需要平台去推。 【本期做什么(最小闭环)】 - 店铺上架:用户上传小众咖啡馆,另一位用户验证后才算成立 - 场景标签筛选:室外 / 吸烟区 / 宠物友好 / 厕所 / 插座 / 场地大小 - 小票与菜单照片上传:自动去掉店名、地址、电话等信息后展示价格 - 店家后台:管理自己的饮品(上限 10 款) - 激励:上传满 N 杯送一杯,累计等级(如「品鉴师」)可兑换优惠 【本期不做什么】 - 不做全城,只做一个试点商圈(写字楼和商场密集、咖啡馆约 300 家、范围小而集中) - 不以比价为主卖点,不做泛餐饮点评 - 不做数字艺术屏、咖啡节、咖啡豆商城(见「后续方向」) 【验证场地与成功标准(数字待定)】 - 场地:上海某核心商圈,目标人群是周边白领和年轻消费者 - 成功标准建议:① 上架并通过验证的店铺 ≥ N 家;② 完成上传并被验证的消费者 ≥ N 人;③ 主动登录后台更新菜单的店家 ≥ N 家;④ 记录店家拒绝的理由并归类 【已有证据】 - 已有可运行的早期版本,源码待提供 - 兼职大学生跑店约一个月,已记录愿意与不愿意的店家反馈 - 二手类平台的卖家对「上传小票给少量报酬」接受度高 - 同类的「店家自管后台 + 地图」形态(如花店)已有人做出过原型 【待确认】 - 早期版本的源码能否直接复用,还是重做 - 脱敏识别能力能否复用 - 第一批种子店铺和种子用户从哪里来 - 激励成本(送杯、积分)由谁承担 【后续方向(不在本期范围)】 - 咖啡豆 100g 小包装样品,由源头厂商赞助,咖啡馆后台上架 - 咖啡节 / 咖啡电影节的衍生联动 - 咖啡馆墙面数字艺术屏,延长顾客停留时间(依赖硬件,等本原型的店铺数据有了再立项)

参与者:暂无

筹备中 · 10%

软件即内容、内容即软件

起点:2026-09 讲座《从史丹利的寓言到 AI 创作》(slides.md 已沉淀 24 页)。核心问题:当 Agent 已能实时生成 3D 场景、手搓视频、即兴创作游戏,原生代码本身成为最终交付物——下一代软件就是内容、内容就是软件,编辑态与运行时一体,schema 设计取代语法细节成为核心。已沉淀证据:四大模型 3D 能力对比(GPT-6 Astra / Claude Fable 5.1 / Gemini 4 Pro / DeepSeek V4.1 Flash)、四大平台两个月内集体入场、供给爆炸 vs 注意力饱和的剪刀差。下一切口:creator 角色重塑、schema-as-content 方法论、注意力稀缺下的被看见机制。

参与者:暂无

筹备中

新型学校AgentOS解决方案

硅谷顶级风投 a16z 创办 Horowitz Andreessen Academy,首期投入 4200 万美元,定位为异常雄心勃勃的年轻人打造的学院。它不授学位、不设考试、录取高度加权于 "proof of work"——你做过什么、交付过什么、赚到过什么,而非成绩单和标化分数。本质是把大学的核心功能拆解后,用硅谷创业生态重新组装。 核心设计可以概括为三个关键词: - Pursuits(个人项目):学生自己选择要做什么,可以是创业、研究、造机器人、甚至一次海外探索。学校不规定方向,但要求持续展示进展。 - Courses(课程):由 Sam Altman、Jensen Huang、Satya Nadella、Mira Murati、李飞飞等 200 多位硅谷一线创始人授课。课程短则两天,长则四周,打破学科边界。 - Co-Ops(企业实践):让学生在 Anduril、Anthropic、Google、OpenAI 等创始合作伙伴中实际工作,不是暑期实习,而是贯穿学年。 但更值得关注的,不是它"反传统"的表象,而是它对教育范式的重新思考。一所学校,本质上就是一家经营实体——它需要自己的数据底盘。 **真正的问题不在"课程",在"运营"** 大多数学校、培训机构、教育创业者,并没有 a16z 这样的网络。一个典型的培训机构面临:排课靠 Excel 手工协调,每周花半天时间;学生档案散落在电脑里,没有结构化沉淀;老师档期靠人脑记忆或反复确认;课时统计、薪资核算、复购判断,全凭经验和感觉。 这不是能力问题,是基础设施问题。当学校连"谁在什么时候上了什么课"都无法实时掌握时,"经营"就只能靠直觉。 **新型学校的数据底盘:从"排课工具"到"经营看板"** 一家学校真正需要的数据底盘,至少包含三层: - 运营层:排课、老师档期、学生时间、课时统计。这是最基础的,也是当前大多数机构最痛的地方。AI 驱动的排课系统可以将数据整理时间从数天压缩到分钟级,显著降低排课冲突。 - 档案层:学生档案(学习记录、进度、复购潜力)和老师档案(授课记录、档期、贡献评估)。没有档案,就没有"关系"的沉淀,学生永远是"过客",老师永远是"临时工"。 - 决策层:基于运营数据和档案数据的经营看板:什么时候该扩生源、什么时候该扩老师、什么学科需求在增长、人力成本与收入的比值是否健康。 三层不是技术堆叠,而是数据闭环——排课产生课时数据,课时数据沉淀为师生档案,档案数据支撑经营决策,经营决策又反向优化排课策略。 **智力成本降低后,小生意从第一天就能按平台的逻辑长** a16z 办学校,是用资本和网络重新定义"培养一个人"的路径。而一家普通教育机构建设数据底盘,是用同样的逻辑重新定义"经营一个学校"的路径。两者的共同前提是:构建系统的成本正在急剧下降。AI 辅助开发将传统软件十万起步、四人一个月的报价,压缩到可承受的范围。 这意味着:一家刚起步的培训机构,不需要"等做大了再补系统",它可以从第一天起就按平台的逻辑构建。排课是入口,但终点是:学生档案、老师档期、课时统计、经营看板 —— 一个完整的经营底盘。 **a16z 的学校与学生档案,是同一件事的两面** 回到 a16z 的学校。它不发文凭,但学生带走的是项目组合、工作经历、导师网络——这些才是它真正的"产品"。而一家培训机构的数据底盘,产出的是学生的成长轨迹、老师的授课记录、机构的经营数据——这些同样是产品,只不过服务的对象是经营者本身。 研究方向:本项目以 Agent + 数据驱动为核心,构建"新型学校 AgentOS"——从排课工具到经营看板,从学生档案到决策闭环,让一家普通教育机构从第一天起就按平台逻辑生长。

参与者:暂无

进行中

sync mixlab infos

同步mixlab的各项信息

参与者:暂无

进行中

infinite talk视频播客

访谈

参与者:暂无

进行中

工程咨询行业AgentOS解决方案

参与者:Lz

进行中