🔥 Search Hot Tweets
Search and analyze hot tweets from KOL accounts within 6 hours. Use SoPilot plugin to quickly comment and occupy the comment section.
全职做独立开发成本巨高 下面是我做独立开发的花费 免费的： - nextjs 做官网 - clarity 做埋点 - stripe 支付 - resend 发邮件 - swift 做应用 - keygen 做lincense 付费的： - 海外公司（一年 3k） - 服务器 （一月 10欧） 其中最贵的是逝去的青春😇
刚才出火车站，碰到一位光荣退伍的兵哥哥对着手机大声录视频。 大概意思“报告指战员，xxx连xxx返回家乡。光荣退伍，感谢祖国” 说完大家鼓掌，送花，像拍电影，很帅，但直到他退伍也不知道坦克其实是没有后视镜的。
确实，我开始调整自己的方向，也逐渐意识到一个关键点：即使 AI 停留在当前水平、不再进化，它在社会中真正落地时，生产力与生产关系面临的核心难题依然是 接口。而接口能否发挥作用，取决于是否能建立起 共识。 因此我也在反思，对我来说，最合适的路径未必是埋头去“肝”某个具体工程项目（过去我曾经这么想）。在我看来，AI 的实践可以分为两类：前沿研究和应用实践。我从一开始就没把自己定位在前沿研究上。那并不是我能做的事。 所以非常值得探讨，第一步是解决 接口协议 的问题。因为接口协议不仅仅是技术层面的设计，更关乎如何传播和建立共识。
蝗虫群友的Vibe Coding作品，Nano Banana的想象空间就是这么大。 神老师 V5 @berryxia_ai https://t.co/RRms6YfT06
苹果开源了 FastVLM 和 MobileCLIP2，一个VLM模型一个Clip模型 相较于上一代速度快了85倍，体积缩小3.4倍，可以实现在浏览器里面运行实时生成视频的画面描述 这玩意感觉是为了在本地跑自动 Agent 和收集操作数据搞得啊 https://t.co/iJDRNgoqcZ
放弃ChatWise 了，用 lobehub和 Cherry Studio 了。因为自己用 Azure OpenAI 比较多，众所周知，微软这套东西本身就比较复杂，从o3 开始，ChatWise 的支持上基本就很慢，最近研究了下lobehub和Cherry studio，虽然颜值差点，但是胜在功能和迭代。 下次付费之前还是要多看看。
这两天收拾书，我发现自己是对各种形式的“考证书”彻底彻底的祛魅了。在GPT面前，任何一个有自学能力的成年人，这都不是最佳学习方式了。 https://t.co/9GmQ6iToCp
2017 年，这个男人经历了所有房主最害怕的噩梦： 他位于兰开夏的豪宅，市值 84.5 万英镑，挂牌几个月却无人问津。 债务缠身的他，决定尝试一件疯狂的事…… 他把整栋房子拿出来抽奖，每张票 2 英镑。 接下来的结果震惊了所有人：🧵 https://t.co/Lofzb9ixqi
和全家去海滩，我和女儿走在后面。她一路缠着我，讲《大白鲨》电影和其他有趣的事。后来我提醒她："大家走远了，我们得跑去追上。" 她却说："不用啊，这样我们俩的私人时间更多一点。" 那一瞬间，感觉像被击中一样。（泪） https://t.co/HL7upEJuZ3
这是沃伦·巴菲特最后一次伯克希尔年度大会。 在这次大会上，巴菲特讲到了日本、AI，还有伯克希尔那 3350 亿美元现金储备的未来，内容令人震惊。 很多人称这是历年来最精彩的一次大会。 下面是大会上的一些重点内容（越往下看越精彩）：🧵 https://t.co/FYScBCNfER
卧槽 今天就一顿捣鼓解决了 Nano Banana 最恶心的一个问题 你现在可以自定义他生成和修改后的图片比例了 👇下面是详细教程： https://t.co/QneonFQPFs
13个月后，正式退订 Cursor 了，前几个月大量使用 Claude Code 之后就不怎么使用 Cursor 了，当时就想退订了，纠结了下还是保留着订阅，主要是因为 Tab 自动完成，现在 VSCode + GitHub Copilo 自带的 Tab 就挺好用了 https://t.co/3hHQikqddY
实际上wlfi赚不了多少钱..... 按照第一轮0.015U的成本来算，80%如果不解锁，0.3抛完，差不多到手也就4倍....跟trump是完全没法比的 好处是资金容量足够大。 如果错过了早期打钱，确定性的是上线后0.3做空这波，也是能上大资金做空的，抛压太大了，都是degen链上玩家，不会真信对方大资金赚4倍不出货吧？
分享一个最近尝试的 「Vibe Marketing」工具：SynthMind 简单来说，这是一个 AI 自动帮你运营各类社交媒体，创作爆款内容的 Agent 助手 自动抓小红书🔥热门并生成模版 搜索Twitter/LinkedIn海外平台爆文 推特自动化运营（评论、DM、发布） 我测试了小红书创作流程，「选题→写作→做图」，稳定跑通整个流程。 输入关键词后，它会主动追问细节，然后优先推荐小红书"低粉爆款" 这种内容更容易火，也更适合普通人复制。 它会从一批热点中，推荐3个「最优」模版供选择，点击任一模版即可直接开始自动图文创作。 标题、正文、配图一键生成。（图片一次会出 8 张，中文稳定性不错） 如果你还做海外平台，它支持 TikTok / X / Instagram / LinkedIn / Facebook 以推特X为例，Synthmind 能自动分析你账号调性，自动创作帖子，还能设置自动化任务，实现评论和DM的自动化执行。 只需设置任务，定时检查成果，就能实现完全的全天候24小时自动运营。 推特我还不敢拿大号尝试，如果做英推小号，应该会很有帮助～ 我发现它对研究热门内容的传播逻辑非常有价值。无论是寻找创作灵感还是学习内容结构，只需输入关键词，它就会呈现一系列爆款案例。多看几次，自然能掌握一些实用的内容创作套路。
准备实现一个 shipany-lite，技术栈： tanstack + drizzle + better-auth + cloudflare 全家桶 主打：轻量级 + 高性能 + 低成本 争取下周发布。🙂 PS：nextjs 太慢了，弃之
我让 Nano Banana 带我踏上一段魔幻旅程，结果效果惊艳到不行…… 这支视频是怎么做出来的？下面是完整制作过程 🧵👇 https://t.co/PfPUUdgUeq
20万字《GEO学习白皮书》免费下载！ 内容由GEO实战高手姚金刚老师整理，我也参与了部分。 新手学GEO可以从这个文档开始。 https://t.co/paGKygGUCn
编写下期课程《用Claude Code开发商业化项目：完整工作流 + 最佳实践！》，这期花了好多心思。 想提醒各位Vibe Coder在项目开发完成后要注意metadata是否有更改。这里不仅涉及SEO还有og图的设置，不然就会遇到在x上宣发了，链接还是别人面的og图的尴尬情况。 嘿嘿，最佳实践直接截图的MkSaaS的文档~😀
发一期投资有关的视频： 为什么不要长期持有杠杆类ETF，这东西就是个纯短炒的东西，链接放评论区了 https://t.co/2RYXiMfCEr
学英语如同学游泳🏊 最重要的三项演练👇 1. 影子跟读：将听力词汇转化为阅读词汇，顺便打开口语 2. 句式扩展：结构化思维与表达，口语/写作的根基 3. 极简写作：高阶英语表达的基础 https://t.co/i1z0PODmuR
强烈推荐给所有家长 我会打印来给孩子讲 1. 理解之前，不要记忆 这是最重要的一条法则。 2. 先学习，再记忆 在记忆零散的知识点之前， 你需要先建立一个“全局观”。 3. 从基础开始，层层递进 https://t.co/9mUJpfsbXx
罗永浩刚宣传视频播客时，很多人都在喊：啊中国终于有自己的 Lex Fridman 了！直到第三期请了何广智。。。中国这么人情世故、阶级等级划分严明的社会，不可能出现 Lex Fridman 的，低一级的请不来更高级的，除非任正非、马云亲自下场做播客，才能把最顶级的大佬都请来。其他人只不过是把身边的熟人挨个请一遍。
vibe coding 穷鬼套餐： 1. 打开 Cursor，在 VS Code Settings 搜索 Orientation 并改成 vertical 2. 通过土耳其（或其他） Apple 账号给 ChatGPT 充值 3. 把 Codex 拖到 AI 侧边栏 new chat 旁边，登录 嘿你猜怎么着，效果一点都不差。 https://t.co/FVcicJlZ6S
建议大家多关注一下GEO 目前SEO的流量分布已经部分受到影响了 想先人一步拿到流量应该更多守正出奇 守正是SEO，这是基础的底子 出奇是GEO，这是红利窗口 做GEO重点推荐Reddit和Youtube 具体做法可以这里了解：https://t.co/KpPzAsMXlU https://t.co/rdVkvVhEca
李继刚做的事情 @lijigang_com，其实和我最初的某种直觉很接近。我感觉他一直在那个维度上深耕。 作为一个技术背景的人，加上对语言的一些研究，我形成过这样一种技术直觉：自然语言像是处在一个高维语义空间里，却总是沿着若干低维流形（低熵走廊）来组织和压缩信息。换句话说，每种语言都内含一些特殊的“压缩路径”，而有些人能够凭借对本土文化与语言的敏锐理解，把这些低维流形捕捉出来。 我并没有什么现成的理论依据，当初写《熵控理论》也是靠这种直觉出发。不同的是，我走的路径更多偏向工程化的实现；而李继刚则在另一个维度持续探索。我认为他的方向本身是对的。
程序这个词的语义漂移史，就是计算机发展史的一个缩影 “推友君子中庸@Chinese_XU曾经提过一个好问题，大意是：“什么是程序，程序和代码有什么不同？”，他其实是在提示大家：程序可以不是代码。” 这句话真是击中了我的神经——对啊！一直以来我只是隐约有这种直觉，但从未在脑子里把它完整语言化。“程序”这个词正在发生语义漂移！ 你听我慢慢说。 SQL 不正是一种 vibe coding 吗？ 君子兄肯定早就想明白了，只不过 vibe coding 是今年才冒出来的词，而 SQL 在教科书里则叫 声明式编程语言（Declarative Programming Language）。但本质上，两者是一回事。 从推特上大家用 vibe coding 的语境来看，它指的就是： 程序员不再写“精确控制流”（imperative code）， 而是用自然、口语化、半结构化的方式描述“我想要的效果/氛围（vibe）”， 然后运行时/AI/编译器负责把这种“愿望”翻译成底层执行步骤。 👉 归根到底，程序员只描述意图，而不是书写细节。 这和 SQL 的特征完全一致。传统命令式写法是： for row in table: if condition: ... 而 SQL 只需一句： SELECT * FROM table WHERE condition 程序员不关心循环怎么跑、索引怎么选、join 顺序如何优化——只关心“我要什么”。剩下的交给数据库优化器，它自动把声明式逻辑翻译成执行计划。 这和 vibe coding 的精神完全相同：我说 vibe，运行时搞定细节。 换句话说： 它们都是 高抽象层表达，屏蔽实现细节。 它们都依赖 强大的运行时/优化器 来把描述变成动作。 它们都 降低了门槛，让更多人能直接写“程序”。 SQL，早就是 vibe coding 的前身。 Program, 程序，到底啥意思 “程序”这个词在计算机研究史上确实经历过一次 语义漂移。最初在 1930–40 年代的图灵机与 λ 演算语境中，程序更接近于一个 数学过程：它是一套有限步骤的描述，可以把输入映射为输出，几乎等同于“算法”，强调的是“可计算性”。在 ENIAC 及早期计算机工程中，编程意味着接线、打孔卡，即通过物理方式定义机器的动作顺序。此时的“程序”强调逻辑顺序或行动方案，还没有固定为“代码文本”。 进入 1950–60 年代，高级语言（Fortran、COBOL、LISP）的出现，使得“程序”逐渐收缩为 符号化的文本：一段符号串，可以被编译器翻译成机器指令。计算机科学论文中 program 与 code 常常被等同使用，语境也从“逻辑过程”漂移到了“文本表示”。尽管 Donald Knuth 在 The Art of Computer Programming (1968–) 中仍强调“程序 = 算法 + 数据结构”，但工业界已经普遍默认“程序 = 代码”。 到了 1970–80 年代，软件工程兴起，NATO 软件危机报告（1968, Naur & Randell）强调程序不只是代码，还包含文档与规范；Dijkstra 甚至提出“program = proof”，认为程序应当是可以推理的数学对象。于是出现了双重用法：在理论语境下，程序是语义对象（算法、状态机、逻辑结构）；在工程语境下，程序则是源代码（编译单元）。 1990–2000 年代，随着 C/Java/IDE 的普及，“程序”在工业界与公众语境中几乎完全等同于“代码”。学术界依然有形式方法与程序逻辑的研究，但大多数程序员的直觉就是：程序 = 代码。至此，语义漂移完成——原本广义的“可执行逻辑结构”，被缩窄为“源代码文本”。 而在最近，随着 AI、低代码平台、工作流系统、SQL 与规则引擎的兴起，程序又被重新理解为 逻辑声明 + 运行时。它可以是自然语言（AI 翻译到 IR）、可以是图形模型、甚至是权重矩阵。这其实是一次“反漂移”，回到最早的语境：程序 = 逻辑过程，而代码只是其中的一种表现媒介。 👉 从“抽象过程” → “具体文本” → “再次抽象回过程”。又转回来了。 语义漂移背后的动因是什么？抓住这个动因，就知道我们未来的机会在哪。 “程序”一词的语义漂移，其实不仅仅是语言学上的巧合，而是整个计算机发展方向的风向标。每一次语义漂移，其实都是新范式到来的预告。 第一次漂移（1930s–50s）：从“数学过程/算法”到“物理接线与指令序列”。这反映了计算机从理论走向工程实现的范式转变。 第二次漂移（1950s–70s）：从“过程”到“代码文本”。这是编译器与高级语言确立统治地位的标志，预告了“软件业”的诞生。 第三次漂移（1970s–90s）：软件工程试图把“程序”扩展为“代码+文档+规范”，预告了系统化开发与团队协作的范式。 第四次漂移（1990s–2010s）：在工业界，“程序≈代码”固化，但与此同时 SQL、工作流、规则引擎在局部成功，已经在暗示声明式/协议化编程会是未来的路径。 当下的反漂移（2020s）：AI、低代码、自然语言编程、智能合约正在把“程序”重新定义为“逻辑声明+运行时”。这几乎可以看作是新范式的预演：程序从写代码回到直接表达语义。 因此可以说：语义的漂移不是噪音，而是新范式的早期信号。 当“程序”不再等同于“代码”，我们其实正站在一个全新计算底座的门槛上： 人类将不再通过繁琐的语法与机器沟通，而是直接用自然语言/图形/协议化 IR。 机器将不再依赖人类翻译，而是由 AI 和运行时自动把语义转成可执行逻辑。 “程序员”这个职业角色，也会从“写代码”转向“设计约束、声明规则、验证语义”。 👉 程序一词的语义漂移史，就是计算机范式更迭的前兆。每一次漂移，都是下一代计算范式的预告。 所以自由金牛非常厉害，他点醒了我一个我在大脑中仅仅只有直觉感受的概念，甚至我自己都没有语言化。不是程序是什么呢？不是代码是什么呢？我勉强取了个名字叫“符号层”。 https://t.co/DPTBv8SEBX
🤣99%的男性找伴侣都是以美貌和小鸟依人为标准的。连智商太高都会成一个女人的致命缺点（容易被彻底看穿）….
谷歌这几天🔥火力全开，又发布Gemini for AI Chrome（AI浏览器）。 大模型们打完IDE编程，现在开打浏览器AI 下边展示几个丝滑AI Chrome功能。 https://t.co/kj1ecEvKKQ
Vibe Coding 最佳实践之开源项目二次开发 很多人开发只知道用 AI 从头开发，但实际上基于开源项目二次开发是最简单有效的，因为好的开源项目，已经具备了完整的功能，代码质量比较高，架构也是经过良好设计经过考验的，比起 AI 从头开发的要更稳定可靠，由于是开源项目所以也被训练过，AI 很熟悉。 开发的之前，先找一个功能相近的类似的项目，本地跑起来，然后再让 AI 去增加功能修改。
高效学习：构建知识的20条黄金法则（浓缩精华版） 学习的速度，很大程度上不取决于你多聪明，而取决于你如何组织知识。方法得当，学习效率可以提升数倍。以下20条法则是构建高效知识体系的基石，它们按照重要性排序，越靠前，越是人们容易犯错或收益越大的地方。本文假设你会使用“间隔重复”类工具（如Anki, SuperMemo等）进行复习。 核心法则：让记忆变简单 前16条法则都围绕一个核心思想：把知识变得简单好记。 1. 理解之前，不要记忆 这是最重要的一条法则。记忆你不理解的东西，是在做无用功。这就像一个不懂德语的人，试图背下一整本德语历史书。就算他做到了，他对历史本身还是一无所知，而且这个过程会耗费巨量的时间。 在日常学习中，我们常常因为教材写得不好或者时间紧迫，就开始“囫囵吞枣”。这种行为不仅效率低下，而且学到的知识毫无价值，无法应用和推理。你必须先花时间去理解一个概念，搞清楚它的来龙去脉、前因后果，然后再去记忆相关的细节。 • 行动指南： 遇到不理解的内容，停下来！去查资料、看视频、问老师，直到你真正弄懂为止。不要把希望寄托于“背下来以后自然就懂了”。 2. 先学习，再记忆 在记忆零散的知识点之前，你需要先建立一个“全局观”。想象一下拼图，如果你不看盒子上的成品图，而是直接拿起一块块碎片就想硬拼，那会非常困难。学习也是一样。 你应该先通读相关章节，了解整个知识框架（比如“内燃机的基本原理”），在脑中形成一个简单的模型。然后，再把这个框架中的关键细节，制作成一个个具体的问答卡片来记忆（比如“是什么推动了内燃机的活塞？”）。这样，每个知识点都不是孤立的，而是有组织、有联系的，记忆起来会快得多。 • 行动指南： 不要一上来就扎进细节。先快速浏览一遍材料，了解主题的整体结构和核心思想，然后再深入学习和记忆。 3. 从基础开始，层层递进 第二条法则提到的“全局观”或“知识框架”，一开始越简单越好。不要试图一下子掌握一个复杂而精细的模型。从一个最简化的版本开始，然后在这个基础上慢慢添砖加瓦。 永远不要轻视基础知识。即使它们看起来显而易见，也值得花时间去记忆。因为基础知识是我们构建更复杂知识的基石。忘记一个基础概念，可能会导致建立在其上的一整套知识体系的崩塌。而记忆基础知识的成本非常低，它们通常很简单，复习几次就能牢牢记住。相比之下，你学习中50%的时间，可能都花在了攻克那最难的3-5%的知识上。在基础上多花一点时间，绝对是稳赚不赔的投资。 • 行动指南： 无论学习什么新领域，都从最核心、最基础的概念开始。确保你对这些基础了如指掌，再去挑战更高级的内容。 4. 坚守“最小信息原则” 这是将复杂知识变简单的核心技术。它的意思是，你制作的每一个记忆卡片，都应该尽可能只包含一条最小化的信息。 • 为什么简单才好记？• 单一路径： 记忆一个简单的知识点，大脑每次回忆时激活的神经通路几乎是固定的。这就像在一条路上反复走，路会越走越清晰。而复杂的知识点，每次回忆时大脑走的路径可能都不同，各种信息互相干扰，记忆就很难稳固。 • 精准复习： 如果一个卡片包含两个知识点（A和B），其中A简单，B困难。为了记住B，你不得不按照B的复习频率来频繁复习整个卡片，这就浪费了复习A的时间。把它们拆开，A和B就可以各自按照自己的最优间隔来复习，大大节省时间。 • 糟糕的例子（复杂）： 问：死海有哪些特征？ 答：死海是位于以色列和约旦边界的盐湖，海岸线是地球最低点（-396米），长74公里，含盐量是海洋的7倍（30%），高密度能让人浮起，因盐度太高只有简单生物能存活。 • 优秀的例子（拆分后）： 问：死海位于哪里？ 答：以色列和约旦边界。 问：地球表面的最低点是哪里？ 答：死海的海岸线。 问：死海的平均海拔约多少？ 答：海平面以下400米。 问：死海的含盐量大约是海洋的多少倍？ 答：7倍。 问：为什么死海能让人浮起来？ 答：因为含盐量高（密度大）。 问：为什么死海被称为“死”海？ 答：因为高盐度使大多数生物无法生存。 注意： 拆分后的问题和答案都非常简短。我们的目标是让每次回忆时，从大脑中提取的信息量最小化。长期来看，知识点越简单，记忆效果越好。 5. 挖空填空，简单有效 如果你觉得遵守“最小信息原则”很难，那就用“挖空填空”（Cloze Deletion）。这是一个能快速将书本知识转换成记忆卡片的强大工具。它指的是将一个句子中的关键词挖掉，让你去填充。 • 例子： 原始句子：“1991年，苹果和IBM共同投资4000万美元成立了Kaleida公司，旨在创造一种多媒体编程语言Script X。” • 可以制作的挖空卡片： 问：1991年，...和IBM共同投资4000万美元成立了Kaleida公司。 答：苹果 问：1991年，苹果和IBM共同投资...成立了Kaleida公司。 答：4000万美元 问：...年，苹果和IBM共同投资4000万美元成立了Kaleida公司。 答：1991 问：Kaleida公司的目标是创造一种名为...的多媒体编程语言。 答：Script X 这种方法能让你轻松地从一段话中提取出多个、符合最小信息原则的知识点。 6. 善用图像 人脑的视觉处理能力远超语言处理能力，“一图胜千言”是有科学依据的。一张图片所包含的细节和信息，我们往往能毫不费力地记住。在学习中，尤其是在解剖学、地理、化学、历史等领域，善用图片可以极大地缩短学习时间。 思维导图（Mind Map）之所以流行，也是因为它利用了大脑对图像和空间关系的强大记忆能力。 • 行动指南： 在制作卡片时，想一想：“这个知识点能用一张图来表示吗？” 能用图就尽量用图。 7. 运用助记技巧 助记技巧（Mnemonic）是各种能让记忆变得更容易的“花招”。比如用谐音、编故事、首字母缩写等方法。这些技巧的效果惊人，一个普通人经过训练，也能记住一副扑克牌的顺序。 但是，请记住：助记技巧解决的是“快速记下”的问题，而学习的真正瓶颈是“长期留存”。要实现长期记忆，你依然需要间隔重复。不过，在学习的初始阶段，尤其面对一些枯燥无味的信息时，助记技巧是你的得力助手。随着练习，使用助记技巧会逐渐变成一种下意识的习惯。 8. 图片挖空 和文字挖空类似，图片挖空（Graphic Deletion）是把图片的一部分遮盖起来，让你回忆被遮住的是什么。这在学习需要识别位置和部件的学科时极为有效。 • 例子：• 解剖学： 用一张人体骨骼图，遮住“肱骨”，提问“这里是什么？”。 • 地理学： 用一张世界地图，遮住巴西，提问“这个国家是？”。 同一张图片可以被用来制作几十个不同的卡片，每个卡片提问一个不同的部分，效率非常高。 9. 避免集合 集合（Set）是一堆无序的东西，比如“请列出欧盟的所有成员国”。这类问题非常难记，因为每次回忆时，你大脑里蹦出这些国家的顺序可能都不同，这严重干扰了记忆的巩固。 • 解决方案： 把无序的集合，想办法转换成有序的列表（Enumeration）。比如，可以按照这些国家加入欧盟的时间顺序来记忆。 • 糟糕的例子（集合）： 问：欧盟有哪些成员国（截至2002年）？ 答：（列出15个国家的名字） • 优秀的例子（转化为有序的历史线索）： 问：1952年，除了法国，还有哪些国家加入了欧洲煤钢共同体？ 答：德国、意大利和比荷卢三国。 问：1973年，哪三个国家一起加入了欧共体？ 答：英国、爱尔兰和丹麦。 ...以此类推。 通过这种方式，你不仅把一个巨大的集合拆分成了几个小问题，还顺便学习了欧盟扩张的历史，知识点之间建立了有意义的联系。 10. 避免列表 列表（Enumeration）虽然比集合好，但如果太长，依然是记忆的难点。比如背诵一首长诗或者一个长长的化学流程。 • 解决方案： 使用重叠式挖空填空来拆解它。 • 学习字母表的例子： 问：字母表的前三个字母是什么？ 答：A B C 问：请填上缺失的字母：A ... C ... E 答：B, D 问：请填上缺失的字母：B ... D ... F 答：C, E ... 这样，你每次只需要专注于一小段序列，而不是整个冗长的列表。在每次复习完一个小片段后，再完整地背诵一遍，你会发现整个过程变得轻松愉快。背诗也是同理，如果总在某一句卡壳，就把它和它的上一句、下一句做成挖空卡片来重点攻克。 11. 对抗记忆干扰 当你学习两个相似的东西时，它们很容易互相“打架”，让你混淆。比如，你可能分不清 historic（有历史意义的）和 historical（与历史有关的）的区别。这是遗忘最主要的原因之一。 干扰的发生难以预测，最好的办法是在它造成严重问题之前，就主动预防和消除它。 • 应对策略：• 让知识点更明确： 使用例子、图片、个人经历等来区分相似概念。 • 遵守最小信息原则： 知识点越简单，越不容易与其他信息混淆。 • 及时消除： 一旦发现自己混淆了两个知识点，立即把它们找出来，专门制作卡片来对比区分，不要拖延。 12. 优化措辞 卡片上问题的措辞，应该像一把精准的钥匙，能立刻打开你大脑中那把正确的锁。措辞必须简洁、明确、直指核心。 • 糟糕的例子（啰嗦）： 问：1985年，Aldus公司凭借PageMaker开创了桌面出版。后来，由于未能改进，丹佛的哪家公司超越了它？ 答：Quark • 优秀的例子（精炼）： 问：在桌面出版领域，哪个公司超越了未能改进的PageMaker？ 答：Quark • 更好的例子： 问：PageMaker的市场输给了谁？ 答：Quark 删除所有不必要的背景信息。这些额外信息只会拖慢你的反应速度，甚至产生干扰。如果其他信息也很重要，请把它们制作成单独的卡片。 13. 关联其他记忆 把新知识和你已经知道的东西联系起来，能极大地增强记忆。这能为新知识提供背景，减少干扰，并使其更容易被大脑“接纳”。 • 例子（学习单词 cringing - 谄媚的）：• 不好的提问： （贬义词）形容无耻地意识到自己缺点并乞求的样子。 • 好的提问： （贬义词）形容一种无耻地谦卑（humble）和恳求（supplicant）的样子。 如果你已经认识 humble 和 supplicant，用它们来解释 cringing，就能更快、更准确地锁定新词的含义。 14. 个性化并提供实例 将知识与你自己的生活联系起来，是最高效的记忆术之一。个人经历是独一无二的，能提供强大的记忆挂钩。 • 例子（学习单词 divan - 沙发床）：• 不好的提问： 没有扶手和靠背的软床叫什么？ • 好的提问： 那种没有扶手和靠背的软床（就像我朋友小明家的那种）叫什么？ 如果你对小明家的那张沙发床有清晰的印象，这个个人化的例子会比任何抽象的定义都更容易记住。 15. 借助情绪状态 情绪能极大地增强记忆。能唤起你强烈情感（无论是喜悦、震惊、悲伤还是愤怒）的例子，都能让知识点变得更“刻骨铭心”。 • 例子（学习单词 banter - 轻松的玩笑）：• 不好的提问： 一种轻松、开玩笑的交谈。 • 好的提问： 形容那种轻松、开玩笑的交谈（比如你看过的那部喜剧电影里主角和朋友的对话）。 一个生动、带有情感色彩的例子，能帮你把抽象概念具体化，从而将学习时间缩短数倍。 16. 使用情景提示 为你的知识点添加一个简单的“标签”或“前缀”，来告诉大脑它属于哪个领域。这能帮助大脑快速进入正确的“思维频道”，避免混淆。 • 例子： 缩写 GRE 可以指“美国研究生入学考试”，但在生物化学里指另一种东西。• 不好的提问： 在生物化学中，GRE代表什么？ • 好的提问： 生化: GRE 这个 生化: 的前缀就像一个开关，能瞬间把你的思维调整到生物化学的语境下，避免你先想到“研究生考试”，从而减少了反应时间和干扰。 高级法则：优化与管理 17. 适当的冗余是必要的 “最小信息原则”不等于“信息量最少”。在某些情况下，适当的重复和补充是受欢迎的，甚至是必须的。 • 主动与被动记忆： 学外语时，你不仅要能“看英文说中文”（被动），还要能“看中文说英文”（主动）。所以 phone -> telefono 和 telefono -> phone 这两张卡片都是必要的。 • 补充推理过程： 在学习一个数学问题的解法时，你可以在答案中包含关键的推理步骤。这并非死记硬背，而是为了确保你每次都能沿着正确的逻辑路径思考。 • 多角度理解： 对于一个非常重要的概念，从不同角度创建几个问题来记忆它，可以加深理解，确保在任何情况下都能回忆起来。 18. 注明来源 为你学到的知识注明出处。这在未来非常有用，比如当你发现不同来源的信息相互矛盾时，你可以追溯和判断哪个更可靠。来源还能在你需要深入研究或向他人证明时提供依据。来源信息应作为参考，一般不需要记忆。 19. 标注日期 知识是有保质期的。经济数据、科技知识、个人统计数据等都会随时间变化。为这些知识点加上日期或版本号，能提醒你它可能已经过时，需要更新。 20. 明确优先级 你永远不可能学完所有想学的东西。因此，分清主次至关重要。优先级贯穿于学习的整个过程： • 选择来源： 决定哪些书、文章或课程对你最重要。 • 提取知识： 从材料中挑选出最有价值的部分进行学习。 • 组织知识： 可以先把大量材料导入学习工具，然后根据优先级，逐步处理和优化成记忆卡片。 • 复习过程： 利用学习工具的功能，对特别重要或已更新的知识进行特殊处理（如提前复习、重新记忆、调整复习频率等），对不再重要或错误的知识进行忽略或删除。 高效学习的关键，不仅在于努力，更在于明智地分配你的时间和精力。 总结：20条黄金法则清单 1. 不懂就不学： 先求理解，再谈记忆。 2. 先学后记： 先建立全局观，再深入细节。 3. 从基础开始： 根基不牢，地动山摇。 4. 最小信息原则： 把知识拆到最简单。 5. 挖空填空： 制作卡片的利器。 6. 善用图像： 一图胜千言。 7. 运用助记技巧： 给枯燥的知识加点“料”。 8. 图片挖空： 地理、解剖学神器。 9. 避免集合： 把无序变为有序。 10. 避免列表： 用挖空填空拆解长列表。 11. 对抗干扰： 用例子和细节区分相似概念。 12. 优化措辞： 让问题像手术刀一样精准。 13. 关联旧知： 在已有知识上“添砖加瓦”。 14. 个性化实例： 你自己的经历是最好的记忆材料。 15. 借助情绪： 让情感为记忆赋能。 16. 情景提示： 用标签为大脑“导航”。 17. 适当冗余： 从不同角度巩固重要知识。 18. 注明来源： 知道你的知识从何而来。 19. 标注日期： 警惕知识的“保质期”。 20. 明确优先级： 把精力用在刀刃上。
Vibe Coding 最佳实践之原型开发法： 1. 第一版只做原型，不考虑设计、性能、安全性、代码质量这些，只考虑实现功能。 这一版的重点是快速实现功能，确认需求，把一些需求上模糊的地方具体化。技术上追求跑通。 这一版的代码是抛弃型的，不做后续使用，完全 AI 主导。 2. 第二版重新设计 在需求确定后，Scope 就明确了，更好做系统设计。 数据库 Schema 的设计可以放在这时候来做，同时还有 API 协议、状态管理、模块设计等这些。 设计完了可以让 AI 搭脚手架，然后基于设计写提示词按照设计去实现功能，实现完加上单元测试，代码的变更有代码审查，确保模块质量和稳定性。 这个版本 AI 只是辅助，要以人为主。 如果需求已经很确定，没必要做原型，那么可以跳过原型，直接到做设计。
如果你有 Gemini Pro 订阅，美国 IP，升级 Chrome 到最新版本，就可以使用，默认显示在 Chrome 的右上角，显示为一个四角星图标，点击就可以基于当前网页内容使用。 有两种模式，一种是用户直接输入回复，也可以开启 Live 模式语音对话，都可以把当前网页作为上下文。不过似乎不能命令 AI 操作网页。
😅 gpt-5 + codex 在屎山上蹦跶的优雅程度总会突破我的想象...... 他妈的, 写的那么牛逼, 卧槽 https://t.co/HO8nxj6bWo
做内容，先发个 1000 条。 然而 1000 条也发了，没啥用。那是因为除了数量，还有质量和速度这 2 个因素。 假设一个素人发 100 条，出爆款的概率是 2%，就 2 条爆了。根据这 2 条，能知道为啥爆，找到规律吗？大概率不行。如果需要 20 条爆款数据才能知道为什么爆，所以要发 1000 条内容作为基数才行。 然而如果一天只是发个 3 条，1000 条差不多要发个 1 年。按照 2% 的爆款概率，也就是我这次爆款和上次爆款的时间间隔了3 个月。3 个月前我发的什么，数据怎么样，我大概率是不记得的。所以需要数据记录和复盘。 然而 3 个月才爆一次，数据的时空背景发生变化，参考价值会变低。3 个月爆一次也养不活自己，所以要想办法让发这 1000 条的时间压缩到比如 1 个月，也就是一天要发 30+条。然而单账号单平台，一天发太多了会限流。所以要矩阵。 在数量，速度都达到的情况下，才有资格去谈质量。而质量并不是我觉得质量好就是质量好，而是读者觉得质量好才是质量好。所以质量又反应在客观的数据上，所以要做对标分析和复盘迭代。 传统功夫，讲究一个巧劲，他不是乱发。