🔥 Search Hot Tweets

XX财经一条广告b站30万，抖音30万，最近90%以上都是广告，可以自己查，这几个月是广告不断的，而且是无风险收入。 有币圈kol说财经博主有几个有钱的，给我整笑了，估计他更不理解汽车kol多有钱吧，也正常，币圈kol是这样的，天天赌赌赌，只能赚返佣的钱和kol轮的钱，不知道无风险收入和内容都是可以积累的。 影视飓风其实营收不算头部特别高的，刚过亿。 头部kol，科技、财经、汽车类的，一年3000-2亿其实都不是难事。 但是这个行业上限确实不高，亿是卡死的上限，我没见过内容行业不做平台，营收能过10亿的，目前没见过，而且这几年毛利有降低。

确实，Manus 很聪明，他们把工具分成了 3 层： 第 1 层：函数调用 (Function Calling) 这是最基础的一层，只保留一小组固定的、原子化的函数，比如：读写文件、执行 Shell 命令、搜索文件等。在 LLM 的系统提示词中就只有这一层的工具定义，相对比较少，15 个以内，输入格式和输出格式都很清晰，不容易出错，但这里面有两个工具很特殊，一个是 Shell， 一个是 File。 第 2 层：沙箱工具 (Sandbox Utilities) 每个 Manus 会话都运行在一个完整的虚拟机沙箱里。就是原推文提到的，虚机预装了很多命令行工具，比如格式转换器、语音识别工具，甚至一个 mcp 命令行客户端。 然后这些工具都通过第 1 层中定义的 Shell 来调用，就是命令行工具，命令行调用。 但是这么多工具模型怎么知道呢？ Manus 在系统提示词里会直接告诉 LLM，在一个特定的文件夹里有很多预装的命令行工具。对于最常用的工具，直接列出它们的名字。不常用的，LLM 可以直接通过原推提到的命令列出所有命令行工具，通过 --help 参数来查看任何一个工具的用法，因为所有这些工具都是他们自己开发的，格式统一。 第 3 层：代码包与 API (Packages and APIs) 这一层其实就是 LLM 实时编写 Python 代码，通过代码实现更复杂的功能。比如用户想查询某个 API 的数据，可以直接用 Python 写一个函数，fetch API 的数据，并解析成需要的格式。 其实在 Codex 中，用 Python 代码当工具已经用的很多了。 由于复杂的运算都是代码完成的，返回给 主 Agent 的知识计算后的结果，所以并不会占用主 Agent 的上下文。 这样 3 层设计的好处是，从模型的角度看，它需要调用的工具就固定是第 1 层的十几个，而借助命令行和代码，它又可以衍生出无数的工具组合。 还有一点就是我在之前推文提到的子智能体，Manus 也是大量采用“智能体即工具 (agent as tool)”的模式。把子智能体当工具用，比如负责检索是一个子智能体，但是这个子智能体在主 Agent 看来就是一个工具。同时也可以很好的起到减少上下文的效果。

以前有好几个互动很好的推友，’ 也从人家身上学到了很多。 可惜当时忘记关注或者被吞没在了timeline。 想看都再也找不到了， 最近连@pangyusio 胖鱼都没有出现在我的timeline了。 可恶的算法！ 我真的没有那么爱看大家天天发AI breakthrough、如何赚大钱、web3又干嘛了，真的有点审美疲劳

过去一周（准确说是 3 天），我为了冲击一下 X 的分成门槛（3 个月 500 万展示），发了几条推文，再次验证了内容的不可能三角，即： 深度（并不一定真有多深，但是用户觉得是干货） 传播性 变现力 这三个角，其实分别对应了三种驱动力： 认知驱动（启发） 情绪驱动（共鸣） 行为驱动（购买） 对应到平时做产品，比如 SaaS 的落地页，可以简化类比为： 产品功能 落地页文案（价值展示） CTA 那么，这个不可能三角，有没有共存的可能呢？答案是有的。 深度+传播，属于认知传播型，需要内容不光让人觉得有干货，还要能共鸣，但是不能营销味太重。主要靠观点出圈。比如罗翔。 深度+变现，属于专家商业型，需要干货强，还要体系化，精准获客，但是传播慢。比如得到 APP，一些垂类培训课程。 传播+变现，属于爆款营销型，需要抓情绪，有话题，还要促转化，但是内容注定浅。比如大量的韭菜课，创业鸡汤，知识付费短视频。 深度+传播，属于有知识，有态度，形成社区影响力。比如罗振宇。 传播+变现，属于社交电商型，用内容包装的商品或者课程，大部分的知识付费，情绪类短视频都是这种。 深度+变现，属于专业服务，比如咨询，顾问类。 三者能交集吗？当然也行，但是很难。需要有自己的知识体系（深度），用人话讲出来，接地气（共鸣），同时还有产品/课程能自然衔接内容价值。 最后，一个人，甚至是一个账号，不是说只能发一种内容的，这个内容的不可能三角，完全可以称为一个 IP 矩阵的不同内容方向。 这其实就是影视飓风 Tim 在做的事。

能画草图就画草图。哪怕是火柴棍，都比文生图来的精准，清晰表达我的想法。 https://t.co/NfygEYBZr5

AI 开发的7大致命错误 Heygen 总结了AI开发的7大致命错误： 1.完美架构症 - 为100个用户设计百万级架构 2.研究瘫痪症 - 几个月访谈，零发布 3.稳定基础幻想 - 等AI"成熟"再发布 4.共识陷阱 - 大家都同意=没人关心   5.质量借口 - "还没准备好" 6.大爆炸发布 - 6个月秘密开发憋大招 7.沉没成本谬误 - "已经投入这么多"不能停

Notion 不能直接用 Claude Code 操作实在太不方便了 未来最好的笔记系统就是一堆 md 文件 Obsidian：等等，你说啥？

据彭博社记者马克・古尔曼报道，苹果计划在 2026 年对 M6 款 MacBook Pro 机型进行重大更新。预计砍掉饱受争议的“刘海屏”，同时还将为部分机型加入触控屏。 今年买 M5 的，又将成为绝版大冤种。难怪苹果急急忙忙就发布了。。。

CNBC记者透露：GPT-6将在今年年底前发布！ 这位记者表示，他的消息源是布拉德·格斯特纳（Brad Gerstner）。布拉德是公开的OpenAI投资人，并且经常与OpenAI的高层交流。 https://t.co/4KSl51lvi7

https://t.co/3q9t5mjomc

终于轮到 Vibe Design 了！ https://t.co/ccw88BzeGw

一个反直觉的发现：Discord 不再只是游戏宅男的聚集地。在帮一个 AI 硬件 (Baby Milu) 做冷启动时，发现 Discord 上聚集了大量的年轻女性和 Gen Z 用户。对于面向这个群体的产品，Discord 可能是比 TikTok 或 Instagram 更精准、更高质量的私域流量池。

书看完了，开始正式画分镜。我后面的substack文章会慢慢上连环的图像。抽象概念，工程猜想剧本化是我的下一步。 对我影响很大的一部剧本就是《头脑特工队》，将极抽象的概念影视化，这个想法对我来说诱惑太大了。 我这个绘画虽然很烂但是AI居然看的懂。感谢时代😭！ https://t.co/VnfSFUN2Jy

OpenAI 的这个模式还真的蛮好的，让开发者不用费自己的 Token，客户登录 ChatGPT 账号，就可以使用自己的 ChatGPT Tokens 使用应用的 AI 功能，要是推行了我估计也可以发布一点小应用 根据 The Information 报道，一位参与相关讨论的人士透露，OpenAI 正在向各大公司推广一项名为「使用 ChatGPT 登录（Sign in with ChatGPT）」的功能。这项功能允许用户使用 ChatGPT 的账户直接登录各家网站。如果初创公司使用了 OpenAI 的模型，原本需要直接支付给 OpenAI 的 API 调用费用，就可以通过这种方式转嫁给用户，从用户自身的 ChatGPT 用量额度中扣除。

当机器开始“思考”：OpenAI解构语言模型推理的底层逻辑 ——从驯狗的比喻，看懂强化学习如何为AI注入“灵魂” 我们与AI的对话，早已越过答案的边界 当你向 ChatGPT 提出一个复杂问题时，你是否曾留意过那个闪烁的光标，以及它逐字逐句生成回答的过程？我们习惯性地将这个过程称为“思考”。但在这层表象之下，究竟发生了什么？它仅仅是在一个无限庞大的数据库中进行了一次极速检索，然后将结果呈现给你吗？或者，一种远比这更深刻、更接近我们人类认知方式的活动正在悄然发生？ 这一切的起点在于一个根本性的区分：知道答案与找到答案。传统的计算模式，更像是前者——一个完美的、无所不知的图书馆员，能瞬间从浩瀚书海中为你提取所需信息。然而，我们今天所见的 AI，尤其是以 OpenAI 的模型为代表的先进大语言模型（LLM），正在向后者演进。它不再仅仅是一个知识的搬运工，而更像一个探索者，面对未知的问题，它需要通过一系列计算、推理和探索，才能最终抵达答案的彼岸。这趟从未知到已知的旅程，便是我们所说的“推理”（Reasoning）。而理解这一过程，不仅是理解 AI 的关键，更是洞察未来智能形态的一扇窗。 从“一步到位”到“步步为营”：推理的本质是时间的艺术 人类在面对难题时，鲜少能瞬间得出答案。我们会分解问题，寻找线索，进行推演，甚至会自我纠错。这个过程，本质上是用时间换取更高质量的思考结果。一个颠覆性的认知是，对于大语言模型而言，这条规律同样适用。 要理解这背后的逻辑，我们首先需要认识一个名为“思维链”（Chain of Thought）的概念。这并非某种固化的程序代码，而是模型从海量人类文本中学到的一种“模仿人类思考”的能力。早期研究者发现，面对一个复杂的数学题，如果直接要求模型给出答案，它往往会失败。然而，若在指令中加入一句简单的咒语——“让我们一步一步地解决这个问题”（Let's solve it step by step）——模型的表现会发生质的飞跃。 它会开始像一个学生在草稿纸上演算一样，将思考过程“说”出来：先做什么，再做什么，最后如何整合。每一个生成的词语，既是上一步思考的结果，也构成了下一步思考的上下文。这串看似“啰嗦”的文字，实际上是模型为自己搭建的逻辑脚手架，一个将复杂计算过程在语言维度上展开的“思维草稿”。 这引出了一个核心洞察：推理的深度，与模型被允许投入的“思考时间”——即计算资源——正相关。 时间越长，它能生成的“思维草稿”就越长，探索的逻辑路径就越深，最终答案的质量也就越高。因此，当我们看到模型“正在思考”时，那不仅仅是用户体验的界面设计，其背后是 OpenAI 在模型质量与用户耐心之间做出的精妙权衡。它在动态地判断，为了给出一个更值得信赖的答案，这次探索值得花费多长时间。 驯服“巨兽”：预训练与强化学习的优雅共舞 如果说“思维链”为 AI 的思考提供了方法论，那么真正塑造其行为、使其从一个博学但混乱的“知识巨兽”变为一个可靠、对齐人类意图的伙伴，则需要两种力量的共同作用：预训练（Pre-training）与强化学习（Reinforcement Learning）。这正是 OpenAI 自 2019 年起就确立的核心蓝图。 预训练，就像是让一个新生儿阅读完人类有史以来所有的书籍、对话和代码。通过这种“野蛮”的知识灌输，模型获得了对世界的基本认知，学会了语言的规则、事实的关联以及隐藏在文本背后的无数种模式。然而，这样一个“知识巨兽”虽然学识渊博，但其行为却是不可预测的，它可能会生成任何内容，无论好坏。就像 GPT-4 的早期内部版本，尽管潜力巨大，却被研究员们评价为“相当愚蠢”和“语无伦次”。 真正的魔法发生在第二步：强化学习。OpenAI 研究副总裁 Jerry Tworek 用了一个极其生动的比喻来解释这个过程：训练 AI，就像训练一只狗。 想象一下，你口袋里装满了零食。当你的爱犬做出正确的行为（比如坐下），你立刻给予它一颗零食和微笑作为“奖励”；当它做出不当行为时，你则收回注意力，表现出失望，这便是一种“惩罚”。日复一日，狗的行为模式就会被你所期望的方向塑造。 强化学习正是如此。研究员们（或被称为“AI 训练师”）会观察模型的输出。如果输出的内容优质、有帮助且无害，模型就会得到一个正向的“奖励”信号；反之，如果输出是错误的、有偏见的或有害的，它就会收到一个负向的“惩罚”信号。这个过程，特别是加入了人类反馈的强化学习（RLHF），就如同一个精密的行为矫正器，不断地对模型的内部权重进行微调。正是通过这个“驯服”过程，那个原始的、混乱的 GPT-4 才被雕琢成我们今天所见的、能够进行流畅且高质量对话的智能体。预训练赋予了它广阔的知识，而强化学习则为它注入了“灵魂”，教会了它如何以一种对人类有益的方式去运用这些知识。 “信念飞轮”：OpenAI内部的创新引擎 能够在短短几年内，以前所未有的速度持续推出震撼世界的产品，OpenAI 的成功绝非偶然。在其惊人的迭代速度背后，隐藏着一个强大而独特的内部创新引擎，我们可以将其抽象为一个“信念飞轮”模型。这个飞轮由三个相互啮合、彼此驱动的齿轮构成。 第一个齿轮是“宏大叙事下的极致聚焦”。OpenAI 从未掩饰其最终目标——构建通用人工智能（AGI）。这个宏大的愿景像一座灯塔，为所有研究提供了统一的方向。然而，在具体执行上，他们又表现出惊人的克制，整个组织只专注于三到四个核心项目。这种策略避免了资源的分散和内部的无谓消耗，确保了最顶尖的人才可以集中力量，在最重要的战线上取得突破。 第二个齿轮是“绝对透明驱动的集体智慧”。在 OpenAI 的研究部门，一个令人惊讶的原则是“每个人都知道每件事”（Everyone knows everything）。这听起来似乎有悖于传统科技公司对知识产权（IP）的保护逻辑，但其背后是对研究效率的深刻理解。他们认为，因信息壁垒导致最聪明的人无法做出最优化决策的风险，远大于 IP 泄露的风险。这种激进的内部透明，打破了部门墙，让思想能够自由碰撞，从而最大化地激发了集体智慧的潜能。 第三个齿轮是“动能与信念的相互加强”。快速地发布产品，会创造出巨大的市场动能和行业影响力。这种势能，又会吸引全世界最顶尖的人才慕名而来。而这些顶级人才，在极致聚焦和绝对透明的文化中，又能以更高的效率协同工作，从而更快地推出下一代产品。每一次成功的产品发布，都在验证并强化着团队最初的那个宏大信念，形成了一个不断加速的正向循环。这便是 OpenAI 能够持续引领行业变革的核心动力。 通往AGI的地图，仍在被绘制 从最初只能解决谜题的技术演示，到如今能够辅助科学家进行复杂计算、甚至在世界顶级编程竞赛中夺魁的强大工具，AI 的进化轨迹令人惊叹。然而，我们必须清醒地认识到，通往通用人工智能（AGI）的道路，没有单一的终极算法，也没有一蹴而就的捷径。 我们今天所见证的，是一个不断演进、层层叠加的构建过程。预训练是基石，强化学习是塑造，而未来，必然还会有更多我们尚未知晓的模块被添加进来。这幅宏伟蓝图的绘制，依赖于对智能本质的持续探索。 当我们孜孜不倦地教导机器如何像人类一样思考时，或许也应该反躬自问：在这个过程中，我们对于自身智慧、意识乃至存在的理解，又被如何深刻地改变了呢？这或许是人工智能时代留给我们最值得长期思考的问题。

真要做一个自动化写作的 Agent，工作流可能更合适，毕竟步骤相对固定，成本也会更低，Claude Code 可以在中间做工具用，另外 Claude Code 写作能力不一定很好，需要搭配不同的模型组合使用效果更佳。 AI 写出来的内容质量，主要取决于 2 点： 1. 你提供的上下文质量 2. 模型能力 最后才是提示词水平 这篇文章好是因为这个访谈质量好，提供了优质上下文内容，否则很难写出来好的结果。 就好比你现在让模型去翻译，大部分时候如果原文不错，翻译结果也会不错，如果原文不行，翻译不出来好的内容。 这种拿现有资料去重写的，也是类似一种语言的翻译，是大模型所擅长的。

通过 Subagents 是一种有效的手段降低上下文，也是类似于软件工程中的分而治之，将复杂问题拆分成若干子问题。 现实中的例子就是一个 Manager 把任务分配给 Employee，他们只负责交代任务的要求，以及等待任务结果，不关心具体实现细节，具体执行的 Employee 可能做了很多琐碎的事情，但是对 Manager 来说只关心完整结果，这样 Manager 的上下文就不会被那些琐碎的事情塞满。 如果用图片（来源见评论）来说明的话，大概是这样

我的系统观 我做的家具，其实都在体现我的系统观。 当混乱出现、熵涌上来的时候，我不会想着“消除”它们：因为根本消除不了。 我的逻辑是：不对抗混乱，而是用结构去吸收它。 比如我家杯子特别多。 我爱喝水、喝茶、喝饮料，全家人都一样。以前杯子总是到处放，桌上、沙发边、床头柜。 我也没办法要求别人“收拾干净”，因为我自己也乱放。 后来我做了一个“杯子轨道”： 让放杯子变成一种有治愈感的动作。 不再是控制人，而是用结构解决问题。 再比如我这张 3D 打印桌子。 它下面其实有个巨大的实木底座，两边是卡座隔离的。这个底座是吸收震动的。再配上实木的三角支架。 为什么？因为我家有狗：德牧姐姐。 她对风吹草动特别敏感，一激动就跳起来狂叫。她一乱动打印机就中断。 我不会强迫她“别叫”，那不是我的解决方式； 也不会把桌子搬进封闭房间。而是让结构来化解行为矛盾。 还有更奇怪的发明。 比如我做过一个“眼不见为净”箱子： 巨大的实木箱子，盖子用气压阀助力打开， 专门放那些“不能扔掉，但又不想看到”的东西。 盖上盖子，上面放只二哈，世界清净了。 我还有一堆让人抓狂的要求： 所有结构必须严密对齐，不能有扫不到、拖不着的角落； 桌子高度要能让我站着办公，也能坐着看书。 这些设计听起来很“强迫”，其实是我在构建与混乱共存的秩序。 平时不敢跟外人说这些，怕人觉得我奇怪。 但推友无所谓，反正我们也不会见面。 这就是我的系统观： 控制不是压制，而是设计结构，让世界自己归位。

polymarket怎么这么多pr稿，是在对中文区kol撒钱么？

Agent Skills 是很好的东西，可以引导 Agent 获取某些技能，而且制作起来很方便。 制作一个技能，就好像给新员工写一份入职手册。不需要为每一个不同任务都专门打造一个独立的智能体，而是只要共享特定领域的专业知识，任何人都可以快速将智能体变成对应领域的高手。 我之前提到过朋友做一个基于他们 Design System 的 Agent，需要通过提示词引导 Agent 去 grep 检索文档，现在就更简单了，只要在全局或者项目目录下的 .claude/skills 下面添加目录，并且放一个包含meta信息的 SKILL\.md 文件，就可以引导 Agents 去学习使用这些 Skill。 官方也给了一个例子就是 PDF Skill，就是包含了一系列 PDF 操作的说明和脚本，Agent 借助这些脚本，就可以操作 PDF，比如提取表单之类。也就是说 Skill 不仅可以包含文档，还可以包含可执行的脚本。 需要注意的是 Skill 里面的 Meta 信息是默认会加载到上下文文的，其余信息用到才会加载。

昨晚还不算被写作影响睡眠，醒来后各种工作。下午去看了另一处位置很不错的房产，又动心了。 回到公寓工作了一会儿，打电话给某大公司印度客服搞得我想把这个世界砸了。 晚上去参加个社交活动，吃非洲菜。看着挺恶心的但是并不难吃，我吃了两盘。各种糊状物用那种酸酸的小面饼卷起来。席间遇到一男的，说自己来自A市，又遇到一女的，说也来自A市，我就说哎那边那个男的也来自A市，我介绍你们认识。 男的说：不用介绍了，她是我妈。 我：🫣🥴

语言的边界就是思维的边界 使用垃圾语言就会拥有垃圾思维 https://t.co/bBUz9eeQYh

昨天跟 @sparkxxf 聊天，他突然问我一句：你现在都用哪些 AI 工具啊？ 我一时语塞，倒不是因为用得少，主要已经用到不自知了。 现在这个节奏，AI 工具已经成了我整个工作 / 创作 / 生活系统的一部分。每个工具负责一块，拼起来像个有分工的 AI 小团队，协作还挺默契。 所以我特地盘点了一下日常用到的，留档，也给大家参考。 我的 AI 主力阵容（几乎天天用） 1. ChatGPT Plus 日常思考 、信息整合、策略拆解，并且越来越懂我，快成我的数字影子了。 2. Claude Code api接入 放第二位是真的很好用，但交互不多，很稳，像个清醒的技术合伙人。 3. Gemini Advanced 资料都在 Google Drive，用 Gemini 与 Drive 深度联动，非常顺手。并且每次调研都会用deepresearch模式。 4. Cursor 企业会员 智能 IDE 不只是补代码那么简单，它开始接管项目结构、调试、模块协作。用久了就很难回到只有手写 + 插件的时代。 5. Notion AI 年度会员 文档、任务、汇总、知识库，像一个专职助理 + 内容处理器，笔记再也不会找不到了。 6. Lovart 年费会员 9 月份因为seedream4.0 和nano banana买了一年，新模型更新快、组合能力强、无限画布 + agent 化创作很适合我自己折腾，省事儿。 7. Get 笔记 国内笔记 App 中我蛮喜欢的，视频总结不要太方便，快速预览。 8. NotebookLM Google 的文档助理型工具。上传自己的资料 / PDF 文献，它帮你总结、回答、做辅助查询，很适合做研究、写报告那类事。 9. 火山引擎上字节家的一系列模型 作为企业用户，可以体验他们最新的模型能力。 10. 阿里云上通义家族 企业客户，阿里云在 AI 模型平台上也布局很深，近年来在云 + AI 上的打法越来越激进，希望在大模型 + AI 云服务这条线能抢占更多空间。 11. Grok Premium（X AI） 嵌在 X 平台里，抓流量、分析账内容、快速摘要偶尔用。 12. Perplexity AI 已经不续费了 包括他家的浏览器，用的越来越少了。 13. 其他各种的AI产品 都在手机上，一直没删，新的功能上线就会冲个会员体验下，用的不多。 每个工具有各自的角色与边界，我基本不关心单一工具谁最强，更在意怎么让它们协作和补位。 打个广告， @sparkxxf 他们团队最近上线了https://t.co/UIfdhZTreq，主打电影级视频创作，据说产品 AI Coding 比例超过 95%，可以体验看看。

很多朋友问我这几天用 Suno 做的音乐是咋做的 索性搞了一套万能 Suno 提示词，一键直出！ 还有新版 Suno V5 的操作教程，两种生成音乐的方式 详细的教程和提示词在下面👇 https://t.co/yEXixDN6f3