🔥 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.
有时候真的挺感慨的。 AI 这一年大家都在讲Agent 是未来，可真正去重构系统能让它真的稳定工作起来的团队，其实没几个。 Flowith 这次从系统层去重构 Agent 怎么工作，让智能体能直接和真实网络交互。 我试了下，感觉方向是对的，执行也挺稳。 现在已经开放公测，可以自己体验。 挺难得看到国内团队在 Agent 方向上走得这么彻底，直接把东西做出来。
自从学了脑科学后，我发现这个世界根本不存在执行力差。 每一次拖延，本质都不是懒惰，而是大脑在抵抗模糊。 大脑只会自动执行一件事：已经被压缩成可预测动作序列的任务。 可预测代表它能想象出第一步，它知道下一秒发生什么，它确信自己能收尾。 只要满足这个条件，行动就不是需要意志力的选择，而是神经系统自动开跑。 问题在于，大多数人面对的目标，都是抽象的，概念化的，甚至没有入口点。 比如改进工作效率，开始做一个项目，整理房间。 这些语句给大脑的信息是空的，没有动作模型，没有场景，没有起点，没有感知信号。 对神经系统来说，这类任务没有可执行结构，它无法模拟下一秒，于是它停住。 这不是拒绝行动，而是节能原则。人脑会优先执行能立即算出路径的事情。 哪怕是刷手机，也比一个模糊的目标更安全，因为“点开→滑动→获取刺激”是一条确定路径。 确定性永远优先于重要性。不是价值判断，是神经算法。 拖延是风险规避，不是性格缺陷。当任务是模糊的，大脑激活的是不确定带来能量损耗的防御机制，而不是我不想做的情绪。 所有抗拒，都不是对行动本身，而是对没有入口点的混沌。 所以改变不是强迫自己去做，而是把目标结构化成大脑能立刻执行的程序。 一旦任务变成一条明确的动作路径，大脑会自动启动，甚至不会产生拖延的机会。 而这，只是消除了模糊。
虽然在Sandbox，但是跑通人生第一笔iOS内购还是有点开心的！感谢EasyApp！ https://t.co/oWsOp9M79A
昨天也让 AI 对了一个，GPT-5 Thinking 最好 上联：关羽观雨，下联：周瑜舟渔 我觉得对的还可以，检索了一下没找到网上有现成答案，应该是自己对出来的 https://t.co/YiHy2b8vCF
小红书上的女性成长内容，有明确的生产流程 第一步：问一下 AI，如果一个人真正要改变现状，他应该做什么 第二步：问 AI，这个过程让人痛苦的是什么 第三步：问 AI，如果把痛苦的内容都改掉，用语言技巧假装在努力，实际做心理按摩，这个过程会改成什么样 这就是爆款
发型师的"作品集"藏在哪？ 那天去理发，和Tony老师聊起工作，他说他们经常换工作，人员流动性也很大。 作为产品设计师的习惯，我就问了句："那你们有没有什么专门的软件，发型师之间互相找工作，或者维护客户啥的？" 他回我："没有专门的。但我们都用大众点评的'师傅版'。" 原来他们用的是大众点评的"专业模式"，专门给各类专业人员，比如理发师、按摩师等使用的。在软件里可以看到发型师的履历、客户评价、服务评分等。而且这些点评是跟着人走的，不是跟着店走的。你换工作时，这些数据都还在你的档案里。 也就是说，每个发型师在大众点评专业版上的评论和评分，基本构成了他们的 个人品牌档案，就像一个行业里的作品集 portfolio。 剪完头后，如果顾客好说话，Tony老师就会请顾客给打个分点评一下。再拍个照片上传，既有"买家秀"，又有"五星好评"。 他对我也一样，拿过我手机，直接语音输一段，"剪得挺满意，服务也周到"，字数够，内容真，照片清楚，一气呵成，老练得很。 用我们产品界的话说，这就完成了一个Testimonial。厉害啊。 做产品设计开发的朋友们，得多去真实世界看看，很多值得学习的地方。
为什么我总赚不到钱？ 因为做错了选择。 - 和钱有关（赚钱/省钱/省时间） - 和健康有关（治病/治未病） - 和情绪有关（情绪价值/社交价值/存在感……） 干和这三个东西有关的事情，就容易赚到钱了
没想到吧？大家最熟悉的小狐狸钱包 @MetaMask 可以开合约了！ 并且还有超过 3000 万美元的 $LINEA 代币奖励！🎉 MetaMask 是全球最领先的 Web3 钱包之一，拥有用户超 1 亿，2022 年由 a16z、SoftBank、Temasek、Microsoft 等顶级机构参投 4.5 亿美元，几乎每个加密用户都人手一个小狐狸钱包。 而现在的 MetaMask 正在经历一次彻底的战略蜕变。 这家长期被视为加密钱包的产品，正在转变成一个全能的链上金融平台。 第一个信号就是永续合约的上线。 MetaMask 与去中心化衍生品平台 Hyperliquid 合作，将永续合约原生嵌入钱包移动端。用户不需要再跑去 CEX，也不用折腾各种授权，只要打开 App，一键充值，就能完成下单。 兑换 0 手续费，交易执行速度比直接用 Hyperliquid 快 10 倍，整个交易过程压缩到几秒钟。不仅如此，它支持止盈、止损等衍生品的标准化功能。 第二个就是大家最关心的 MetaMask 奖励计划了。 第一季的奖池包含超过 3000 万美元 $LINEA 奖励，任何兑换、交易、推荐好友的行为都能获得积分，而这些积分，不仅仅能享受合约手续费折扣、专属权益，更关键的是，它将成为未来代币分配的基础。 积分系统的背后是一套非常清晰的激励模型。在 Linea 网络上兑换可获得 100% 加成，在移动端兑换则是 50% 加成，未来兑换 mUSD 也将有 50% 加成。 积分越多，等级越高，奖励越多！🎁 链上专业玩家绝对不能错过👉：https://t.co/mo9yayjAIX 使用链接或填写邀请码可以获得双倍注册积分：36P4HH 一旦转型成功，MetaMask 的意义将完全不同于今天。它不再只是一个插件，而会变成全球去中心化金融的前台。 永续合约打开的是交易量的闸门，奖励计划建立的是用户的激励机制，而即将与 Polymarket 整合推出的预测市场会进一步扩大应用场景。 三个板块叠加，MetaMask 的叙事将与当年 Uniswap 空投、Blur 激励计划一样，成为整个市场的流动性引爆点。 更重要的是，它已经拥有超过一亿用户。 这种体量的入口，一旦开始分发激励、开放交易，其他钱包、DEX、二线衍生品平台将直接被挤压，MetaMask 将成为下一轮叙事的主角。 作为一个 5 年的老用户，我很高兴看到 MetaMask 再次引领新时代！ ⚠️注意！ 需要下载 MetaMask 移动端最新版本，安卓用户可以在 GitHub 获取最新版： https://t.co/fwbB5SlEut 然后底部功能栏最右侧找到“奖励”/“Rewards”入口，点击进入“领取 250 积分”/“Claim 250 points” （❗️❗️❗️一定要完成这个步骤，才视为开始参与积分活动，否则即使交易了也无法积累积分） 一定要填写邀请码 36P4HH 哦~ 可以一下子获得 500积分！
As an Asian creator, why is our X ad revenue share so low? English-language creators with the same follower count receive ad revenue shares that are more than ten times ours. @nikitabier
无意间发现 GPT 画这种信息图的还原度挺高啊 搞成 SVG 以后还能扔进 Figma 里面改字体，改完就更像了 让 GPT 总结了一套提示词👇 https://t.co/gstpwlZC88
山姆·奥特曼教你成为亿万富翁 https://t.co/2i0gLfXn0A
如果觉得用Claude Code太折腾（经常被封）。 真心推荐Augment，不仅有GUI界面，也提供Cli的auggie。 既可以用来编程，也可以用来写文章。 内置有搜索工具，让AI搜资料，再用自己的写作提示词写文章。 https://t.co/U3ZD9QqWx6
今天逛了逛几个一比一抄袭的竞品 发现多出来几个小功能还挺有意思 于是 “抄了过来” 以其人之道，还治其人之身的感觉太爽了 😜
🎁分享个福利羊毛：Perplexity AI 送 12 个月的 Pro，只需要绑定下 Paypal 即可，用来检索信息牛牛的～ ps. 链接无推广，纯分享 🔗 https://t.co/zejtCoVN0S https://t.co/H3j4ZmlN0e
看到 OpenEvidence 又拿融资，不得提一下这家公司。 就在一周前，OpenEvidence 宣布又完成了一轮 2 亿美金的 C 轮融资，由 Google GV 领投，红杉、黑石、凯鹏华盈、Thrive 等一众顶级机构加持，投后估值飙到 60 亿美金。 注意，是三个月内连下两轮：7 月刚融完 2.1 亿，10 月又拿 2 亿。而且是产品实打实增长后的结果，跟PPT融资完全不是一回事儿。 如果你看过很多次红杉的闭门会，肯定听过这家公司的名字。这家公司没有去卷模型参数、也没搞花哨 demo，就做了一件事，老老实实盯住医生最难的那几个问题，结果反倒跑出了很扎实的落地路径。 可能很多人还没太关注这家公司，那我快速讲一下： OpenEvidence 是专门做医生用的医疗版 ChatGPT，定位非常清晰：搜索 + 分析 + 自动写研究报告，所有能力都基于真实医学文献和临床指南构建。 分享几组数据： 1. 美国已有 40% 医生在用，每月新增注册医生 7.5 万人 2. 月度咨询量从 7 月的 35.8 万暴涨到现在的 1650 万次 3. 自研模型是历史上第一个在美国医师执照考试中拿满分的 AI 4. 推出新产品 DeepConsult，能生成博士级别的医学研究文献 5. 商业模式是谷歌是赞助答案，直接给药企做精准广告，预计明年 ARR 将突破 1 亿美元 说说他的技术，数据价值占了很大的比重，跟 NEJM、JAMA 系列等 11 本顶刊合作，喂了 3500 万份同行评审过的文献，把 AI 的幻觉率降到行业最低，所以医生才敢用也才愿意用。 以下是我想说的： 如果认真观察，会发现真正有价值的 AI 应用，往往不是最热闹的那批。 比如OpenEvidence 的崛起就提醒我们一个简单却经常被忽略的事实： 在一个足够需要专业积累的行业里，数据密度+场景深度+专业严肃性，这三者就是护城河。 并且那些最早下场，懂需求，并且还不怕脏活累活的人，会悄悄赢下整盘。 这种垂类的 AI 产品 PPT 可以很酷炫，但骗不了任何一个需要每天稳定输出结果的用户。 特别是医疗行业，这个行业不是能靠 prompt 拼出来的行业，不是说今天堆几个插件，明天跑个多模态就能打穿的。 这个行业不需要演示好看，真正能用才会留下来用户，医生是会用脚投票的。 能走到这一步的公司，从一开始就选了那条最难但最有价值的路径，熬过了看不到成果的阶段，最终成功了。
这个产品有点意思啊！ 好像是自己体验过的第一个写作Agent。 目标是写出有病毒传播能力的文章。 会联网，会思考，也有基础的故事写作套路。 还会生成多个视角草稿让用户选择对比。 值得深入探索。 地址见评论区
https://t.co/pbvqvG3j7y
从今天开始，每月28号更新一下推特的所有收益。 https://t.co/9YWdjOtLKW
一定要频繁大量地记录自己 https://t.co/zzNnsXCUYu
AI 会“写代码”，但它不会“做软件” 作者：Matias Heikkilä 你有没有发现，最近有相当多的人在到处寻找技术合伙人或者 CTO？ 反正我吧，收到了多得惊人的这类咨询；他们的话术大同小异：“嘿，我这儿有个‘凭感觉编程 (Vibe Coding)’搞出来的 App，你愿意帮我把它做成‘生产就绪’（也就是能正式上线、稳定运行）的版本吗？” 我大概能给这些人画个像。想象一下：他们非常懂自己的业务，但一直以来都缺乏技术能力，没法把好点子变成现实——他们可能是个法律顾问，或者客户经理。 这些人干嘛要找我呢？ 我也琢磨了一下，我觉得这释放了一个重要信号：到底有什么事是他们靠生成式 AI (GenAI) 没法独立完成的？ 这不正是现在人人都想搞明白的问题吗？大家都想知道这些模型的能力边界。或者，说得再直白点：大家都想知道哪些工作很快要被淘汰了。 我收到这些求助，这个事实本身就说明了“软件工程”这个行业的一些问题。我的意思是，如果软件工程真的已经被 AI 自动化了，那根本不会有人来找技术合伙人。 嗯，我想我明白为什么我们会收到这些请求了。关键在于：AI 会写代码，但它不会构建软件。 这是我在花了大量时间用 AI 辅助编程、并且看了无数别人的演示之后，得出的结论。 圈内有句老话：写代码容易，软件工程难。 现在看来，说大语言模型 (LLM) 已经能自动化“大量写代码”的工作，这挺公允的。像 GPT-5 这样的模型（这里作者指代的是未来更强的模型），在解决那些定义清晰、孤立的小问题时，成功率相当高。 但是，“写代码”本身并不是大多数程序员拿工资的真正原因。构建一个能正式上线的 App，那不叫“写代码”，那叫“软件工程”。 在我看来，当你试图把一个“演示版 (demo)”变成一个“真正的产品”时，“写代码”就升级成了“软件工程”——而这，恰恰就是前面提到的那些人带着他们的项目来找你的时候。 我其实也不太清楚为什么 AI 至少目前还无法“构建软件”。 也许这和工作的本质有关。当你以写软件为生时，你的核心任务是处理“复杂性”。一个普通的线上产品，它做的可能只是一堆简单的事情。真正的挑战是，如何让“成百上千件”简单的事情同时不出错地运行，并且让整个系统保持“可维护性”。 换到我们今天讨论的 AI 话题下，这句话可以这么说：演示一个“功能”是一回事；而用一种支持“集成、扩展和长期可维护性”的方式来“构建”这个功能，则完全是另一回事，难度天差地别。 当你点开那些人发来的代码时，你会发现，所谓的“让 App 生产就绪”，真正的意思其实是“把这些代码全删了，从头重写”。 我觉得，这非常清楚地说明了我们在 AI 发展上目前所处的阶段。 来源 https://t.co/cRu13vpg6y
国内这ai真的没啥做的 模型成本大概就要30-35% 剩下65%的利润 渠道拿走50% 还有15% 然后产研这些再摊个5-7% 还7-8% 摊子小的时候不赚钱 摊子大了就会有各种竞对来搞你 打工不容易 创业也不容易 要不彪哥上次分享说呢 国内狗都不做
用自己的画布工具仿一个，加深理解和用法。 1. FULL SHOT (全景镜头) 展示完整人物和环境，营造场景氛围，介绍角色登场、动作和空间关系 2. MEDIUM SHOT (中景镜头) 拍腰部以上，平衡表情与环境，最常用镜头，适合对话、互动和故事推进 3. CLOSE-UP SHOT (特写镜头) 聚焦面部，强化角色内心，适合情绪反应、高潮等，有戏剧张力 4. OVER THE SHOULDER SHOT (过肩镜头) 从肩后展示角色视角，建立人物空间关系，适合对话、观察视角和互动交流 5. LOW ANGLE SHOT (低角度镜头) 仰拍，让主体显得高大，营造力量和压迫感，适合展现权威、英雄时刻和戏剧冲突 6. DUTCH SHOT (荷兰角度/倾斜镜头) 倾斜画面，打破平衡感，营造不安和动态，适合紧张场景、混乱状态。 7. AERIAL VIEW (鸟瞰镜头) 俯视，展示场景布局，提供上帝视角，展示地理环境、人群规模和空间结构 8. INSERT SHOT (插入镜头) 特写重要物品或细节，提供关键信息，适合展示道具、线索、推动情节细节 9. ESTABLISHING SHOT (定场镜头) 展示完整场景和全貌，建立时空背景，适合场景开场、转场，或介绍新环境
今天读了Meta CTO的一篇文章，大意就是 你是行动的总和，而不是“内在的你” 昨天和社媒陪跑的学员做分享时候，有人提了个这样的问题。 我没有分享欲咋办？ 我曾经也是那种，常年自我怀疑，等“感觉对了”才行动。我总是在等，等到自己想通的那一天才开始行动。假如我把事情做失败了，我会想，起码我的动机是好的。 我记得我第一次向别人收费的时候。 朋友告诉我，你应该收费了。我说了一句，我不是那种人，我是那种免费分享知识的人。 朋友反问了我一句，那你是那种出来单干一年了，然后被人嘲笑失败后上班的人吗？ 我想了一下，决定下次有谁白嫖我的时候收费。 过了一周多，有个程序员来问我，知不知道谁训练生图模型最厉害，你能联系到那个人吗？ 我下定决定教育他一下，我准备让他给我发个红包，然后告诉他你每次向别人请教重要问题的时候，给别人发个红包，别人感觉到被尊重，就会出全力帮助你。因为这个市场上太多白嫖的人。 他给我发了红包，我这么和他说了上面的话。然后我没有收他的红包，他劝了我几句，我就收下了。50元。 现在看来我在以一种我觉得舒适的小行动来改变我得行为。 一年过去了。现在我进行1个小时咨询的时候都收800到1500。我很享受这种过程，我能尽情地把我知道的告诉他。 为了让他相信，去行动。我甚至会打开我的收款记录和聊天记录。告诉他我的方法真的有用。 装得足够久，就是成 创业圈有一句话“Fake it until you make it”，经常用来安慰自己造假。 但是我觉得某种程度上是对的，你的行为改变你的内心，你的内心嘉速你的行为。 也就是说，你不能抱怨海上没风，你应该划船，去有风的地方。 如何去做呢？ 所以，你要做的是先行动起来 1. 选一件事，锁死执行30 天。 2. 对外自称你的新身份（“我是写作者”），用外部承诺加压 你用力划船，最后你来到有风的地方，你开始远航。
马斯克发布了对标维基百科的网站 https://t.co/156jxscOHG 所有的内容都用 Grok 做了事实核查，说人话就是把维基百科用 Grok 把内容洗了一遍 不过网页设计很排版不错，阅读体验比维基百科强 目前中文搜索体验很差，还是需要用英文，而且很多内容没图片 https://t.co/eqKhNsWFPY
Mira 公司思维实验室的新文章：在线策略蒸馏，直接把强化学习和知识蒸馏的优点打包在一起了。 让8B的小模型能达到32B大模型70%的性能，成本只要原来的1/10。 ## 核心亮点 相比传统强化学习，在线策略蒸馏的计算效率提升了50-100倍。用Qwen3-8B在数学推理任务上，150步就能达到70%的AIME'24分数，而强化学习需要17920个GPU小时才能达到68%。 强化学习每个训练回合只教固定数量的比特，而蒸馏每个token都能给反馈。 训练新知识不会把原来的能力搞丢。他们做了个实验，用内部文档训练后，模型的指令跟随能力从85%掉到45%，用在线策略蒸馏一搞，直接恢复到83%，知识还保持在41%。 ## 技术原理 在线策略蒸馏的核心思想很简单：让学生模型自己生成轨迹，然后老师模型给每个token打分。用的是反向KL散度作为损失函数，学生模型在老师模型的高概率行为上收敛。 具体实现就四步： 1. 初始化老师客户端 2. 从学生模型采样轨迹 3. 老师模型计算对数概率，算反向KL 4. 用强化学习的方式训练学生模型
Every 的一篇博文，记录了他们内部 6 位工程师日常是怎么使用 AI 的，可以学习借鉴一下。这 6 个人都很厉害，撑起了 4 款 AI 产品、一个咨询业务，还有一个 10 万多读者的订阅每日更新。 第 1 位 —— 走在实验前沿：Yash Poojary, Sparkle 总经理 Yash 是 Sparkle 产品的负责人，他同时开两台电脑，一台跑 Claude Code，一台跑 Codex，然后给它们下达同一个任务，看它俩谁干得又快又好。 Yash 说，在五个月前，他得先把设计图（Figma）截图，再粘贴到 Claude 里，让它“看图写代码”。现在用上了 Figma MCP 集成，Claude 可以直接读取 Figma 的设计源文件——包括颜色、间距、组件这些。 Yash 不仅在用AI，他还在优化和AI的配合。比如，他把一天切成两半： - 上午：专注执行。 这时候只用自己最熟的AI工具（Claude 和 Codex），绝不玩新东西，保证产出。 - 下午：自由探索。 这时候才开始测试各种新出的AI应用和功能。 他很清楚 AI 既是生产力工具，也是个“时间黑洞”。他用严格的时间管理，给自己建立了“防护栏”，防止自己沉迷于“调教AI”而忘了真正的工作。 第 2 位 —— 编排闭环：Kieran Klaassen, Cora 总经理 Kieran 负责 Cora 产品，他的风格是““谋定而后动””。 他的工作流核心就两个字：计划。 他会根据功能的大小，制定三种不同级别的编程计划。他会用一个叫 “Context 7 MCP” 的工具，先把最新的、最准确的官方文档和代码喂给AI，确保AI不是在“凭空想象”或用过时的知识来制定计划。 等Claude Code 交出一个完美的计划后，他再把计划发到 GitHub，然后在云端让 Coding Agent（主要是Claude Code）去执行这个计划。AI写完代码后，他会再启动一个““审查””命令，让AI自己先检查一遍，然后他再上手。 对 Kieran 来说，AI 不是一个“黑匣子”，而是一个必须在他制定的蓝图内严格执行的“施工队” 第 3 位 —— 化繁为简，拆解里程碑：Danny Aziz, Spiral 总经理 Danny 负责 Spiral 产品，他可能是这群人里最硬核的一位。 他的主战场不在花哨的图形界面，而是在一个叫 “Droid” 的命令行工具里。这个工具能让他同时调用 OpenAI 和 Anthropic 的模型。 他的工作流是： 1. 用 GPT-5 Codex 做大的任务：搭建复杂功能的框架。 2. 用 Claude 做小的任务：优化和打磨代码细节。 Danny 最有价值的一个做法是，他会在““规划阶段””花大量时间跟AI对话，让AI帮他推演一个决策可能带来的第二层、第三层后果”。 举个例子：“我要加这个新功能，但你帮我分析一下，它会不会因为从数据库拿数据的方式，导致整个App变慢？” 他用AI来辅助自己做更高维度的“架构思考”，而不仅仅是写几行代码。 > “我不再用 Cursor 了，”他说，“我已经好几个月没打开过它了。”取而代之的是，他的主界面是 Warp，可以在上面分割屏幕、快速切换任务。在它背后，他用 Zed ——一个轻量、快速的代码编辑器——来审阅计划文件和特定的代码片段。 第 4 位 —— 让流程成为唯一的“事实来源”：Naveen Naidu, Monologue 总经理 Naveen 负责 Monologue 产品，他是个“程控”。他的信条是：“如果一个任务没录入 Linear (项目管理工具)，那它就不存在。” 他把所有需求和Bug都先在 Linear 里归档，然后再启动AI。他也有两套流程： - 小Bug：直接从 Linear 复制粘贴问题描述，扔进 Codex Cloud 让AI去跑。 - 大功能：在本地写一个详细的 https://t.co/1aLAUFxX5j (计划文档)，把它作为和AI沟通的“唯一事实蓝图”，在命令行里一步步推进。 最有意思的是，他深度使用自己开发的产品 Monologue (一个语音转文字工具) 来口述需求、写文档、给AI下指令。这简直是““用自己造的锤子，来修自己的房子””。 他还有一套严格的审查标准：AI 自动审查 -> 自己人工对比代码 -> 查看Sentry（错误监控工具）的日志，确保Bug真的被修复了。 第 5 位 —— 钻研打磨，精益求精：Andrey Galko, 工程主管 Andrey 是工程主管，他代表了另一种工程师：不爱折腾。 他不喜欢追逐“闪亮的新玩具”。他之前一直用 Cursor (一个AI代码编辑器)，觉得体验最好。但后来因为 Cursor 改了定价，他一周就把免费额度用完了，这才“被迫”换工具。 他换到了 Codex。他认为以前的 OpenAI 模型写的代码很“懒”，经常跳步骤，不如 Claude 好用。但现在的 GPT-5 Codex 已经进化得非常强，连以前 Claude 的强项——用户界面(UI)——都能搞定了。 第 6 位 —— 极致的专注：Nityesh Agarwal, Cora 工程师 Nityesh 是 Cora 的工程师，他的风格和第一位 Yash 截然相反。他追求极致的专注。他的装备极简（一台MacBook Air），他的工具也极简：只用 Claude Code。 但他用 Claude Code 的方式很特别： 1. 他会花好几个小时，先和 Claude 一起研究、制定一个巨详细的计划。 2. 一旦开始编码，他就待在一个终端窗口里，“像老鹰一样””盯着 Claude 输出的每一行代码，手指就悬在 Escape 键上，一旦发现不对，立刻中断它。 最近，他甚至故意频繁地打断AI，强迫AI向他解释“你为什么要这么写？”。 他承认，这样做效率变低了，但带来了两个巨大的好处： 1. AI 胡说八道（hallucinate）的次数变少了。 2. 他感觉自己的开发技能也在这个盘问 AI 的过程中变强了。 他意识到，自己已经对 Claude 产生了依赖，这让他很脆弱。前阵子 Claude 宕机了两天，他试了别的工具，都感觉不顺手。所以，他现在逼着自己和AI一起思考，而不是纯粹依赖AI。 --- 看来每个人用 AI 的方式都不一样，但也有一些共同点： 1. 重点不在“写代码”，而在“做规划” 没有人真正的是在“Vibe Coding”，没有说写个提示词就完事了的，都是在 AI 干活前反复的讨论，直到清楚了再动手 2. 上下文很重要 Yash 用 Context 7 MCP 的工具，确保 AI 在写代码时，能自动去查阅最新、最官方的“技术文档”。这就避免了 AI 用过时的知识（比如一个老版本的函数）来写新代码。还会用 Figma MCP，读取 Figma 的原始设计数据，让 AI 可以直接拿到准确的颜色、间距等信息 3. 工程师的角色在进化 工程师已经不再是单纯写代码，还要做计划、写提示词、审查 AI 生成的代码 4. 专注 这个问题其实我也有感触，AI 让人更难专注了，在等 AI 结果的时候去做点其他事，很快就把任务忘记了；或者 AI 工具太多，每个新 AI 工具都去试试太费时间了。像 Yash 那样，一半时间专注交付，一半时间探索。 原文：Inside the AI Workflows of Every’s Six Engineers https://t.co/xqTMIAxTVj
上周理想 mega 自燃了，保时捷电车也自燃了，还都是没发生任何碰撞的时候，也没啥人讨论。 小米这么倒霉也是自己作死作出来的，马路上的小米基本都是非常新的新手在开，企业文化造成了他们的产品只能吸引鬼火少年，但凡有一点经验的都不买。 雷军可能还有点人格障碍，什么鸡毛蒜皮的小事都喜欢夸大其词的说谎，一个破杯子还说自己亲自开会了 15 次，只要别人相信了他的鬼话他就兴奋，可能已经没有性生活了，说谎就能高潮。世界上最可怕的就是看起来很正直很真诚的老实人。
我在英文区Substack除了英文的写作和输出之外，还有一个重要的目标那就是Network。 就是交朋友。通过一个人的文字识人，并且让别人通过你的文字认识你，在这个时代会逐渐成为一件无比有价值的事情。尤其是这些博主，能够达到如此高水平的输出，也都是有心有才有见识之人。
以前我在国内也好，后来到了美国也好， 只要看到那种“认知课”“沟通课”“写作课”，我第一反应都是翻白眼。 心想：这不就是割韭菜吗？扯淡课、讲废话、哄人开心的那种。 我那时候的信条是：Show me the code! Talk is cheap! 编程才是真本事，别整那些虚头巴脑的。 现在回想起来，真想穿越回去抽自己两巴掌。 因为我那时候完全没意识到一件事： 如果一个人搞不清楚自己的内心结构、思考逻辑，再聪明都只是工具人。 以前我靠着点小聪明，再加上那种“美国人不想干的，我来干”的冲劲儿，混口饭吃问题不大。 从2024年末开始，我突然顿悟 自然语言编程一定会到来，这点我现在笃定得很。 你看，我都懒得和别人争论了。 而且我的“自然语言”，和别人那种唠嗑式的不一样。 你去看我网站就知道，我写的语言其实挺“伪代码”的， 句子之间是有逻辑拓扑的，粒度是可调的，参数是能递归和复用的。 不是写作文，而是在练结构、练调度力。 我们就从那个听起来最“心灵鸡汤”的东西说起：元认知（Meta-cognition）。 为啥要认真对待这个看似玄学的玩意？ 其实这个想法，是我2024年底，圣诞节前后突然开窍的。 那时候我开始慢慢变“文青”了。推文风格都变了。 不是装，而是我突然意识到：写作这事太重要了。 我开始练习怎么写清楚自己的想法，怎么把脑子里的乱线条梳理干净。 有个Substack博主一句话点醒了我： “The core of LLMs lies in the thinker himself.”大语言模型的核心，不是模型本身，而是使用它的人。 那一刻我不再追论文，不再刷模型 benchmark， 我开始追——我自己。 我所有天马行空的脑洞，我到底想干嘛：澄清我自己的意图 这些脑洞你想了又不去做决策，等于白想：做决策 决策得有点道理吧，那我想当美国总统是不是明天就能实现？ Action Plan 反思，你今天干了什么，做的这个事情有没有意义：Reflection 你做的事情，从上帝视觉看，系统性的，对不对啊？：Feedback Loop 也许我这辈子所有学习的终点，就是学会跟自己的语言系统对话。 不是跟别人辩论，也不是跟机器竞争， 而是和自己的思维系统达成一种共识与调度。 那种感觉真的很奇妙。 你突然能“看见”自己的思维在动， 就像看见代码在跑，看见神经网络在亮。 我的这5个Claude skills 装上了之后，就是不停的去做需要循环。就是我日常的语言循环，现在分享出来。 那一刻你意识到： 你不再只是一个“用工具的人”， 而是一个“能调度结构的人”。 从那以后，我再看到那些被我嫌弃过的“心灵鸡汤”， 反而开始认真看。 写作，不只是表达；语言，不只是描述；思考，不只是独白。它们，全都是系统的入口。 Lesson 3 Closing a Meta-Cognition Loop: intention, decision, action, reflection and feedback https://t.co/5sWBPhlktX
这种视频，目前在B站，打底十来万播放 制作方法也很简单 1.打开可灵，文字生图片，生成一个唱歌的形象 2.打开suno，文字生成音乐，然后下载mp3 3.回到可灵，数字人生成，上传形象图片，音乐文件，合成即可 下一个爆火视频，该你了😄
这种通过 B 超图片判断胎儿性别的能力，做成 APP 的话是不是负责人会被控制起来？ https://t.co/cd3FxdMLdL
前几天看完《戏台》，就跟AI随口闲聊，AI说了一句话，把我给震惊到了。 它说："喜剧是悲剧的高维形式。" 我听了一惊，这句话信息量极大啊！于是让它赶紧解释给我听。 它说：悲剧是因为距离太近，你才会产生共情，或者切身体会当事者的命运。 而喜剧，是把时间和空间拉远。 比如卓别林那种，加快速度，你就感觉到喜剧----这是增加了时间的维度。 另外也可以调整空间的维度。 比如说：十年之后再去看同一件事。 或者自己受伤，当时摔了一跤，杵个拐，觉得特别凄惨，但过了十几天，或者换一个场景，就会觉得那很好笑，甚至可以自嘲。 然后我就惊了。 这真是太深刻了，根本没往那方面想过。 那这样说的话，是不是很多互为相反的情感或事件，其实都是一个低维和高维的关系？
笑啦，起名部的杰作 请问： Microsoft 365 Microsoft Office 365 Microsoft Copilot 365 三个产品的区别是啥？ 答案是：是一个产品！在三年内改了三次名字
今天没待在酒店里，陪客户出去公务。午餐去首都市中心一家精致餐厅会见，我和客户一边聊一边停车，结果忘了交停车费了。等吃完发现车轮子被锁了。解锁后又急吼吼前往该国第二大城市，一路阳光灿烂，遍地秋黄。霜林尽染的山上美极了，秋风吹走了出差的疲惫～吹走了生活里的琐碎～吹着车窗前的罚单一片稀始于～就让往事随风，罚单飞走，融化在这秋风中的蔚蓝天空。
刚发现，我无法在 X 上发一些比较危险的指令和代码片段。 如果grok的推荐算法需要真的读每条 post，感觉是对安全是一种巨大的挑战。 https://t.co/prz6N6mW67
经济学人：AI会取代初级员工吗？ 美国经济正陷入一种奇怪的状态。总体增长看起来还算不错，但8月份新增就业岗位仅2.2万个，而4月份却高达15.8万个。这种低迷中，一个新的担忧正在浮现：生成式AI（generative AI）是不是开始抢走了人类的饭碗？ 图1 白领工作占美国总就业比例趋势图（过去12个月平均值） （白领工作包括管理、专业、销售和办公室岗位） 公司数据揭示的微妙变化 哈佛大学的两位博士生赛义德·侯赛尼（Seyed Hosseini）和盖伊·利希廷格（Guy Lichtinger）最近开展了一项研究。他们发现了一个值得关注的趋势：一些公司正在专门招募名为“生成式AI整合师”（generative-AI integrators）的员工，这些人的工作是把AI技术深度融入公司的日常运营中。 研究者利用AI分析了2亿条招聘信息，识别出1.06万家公司共发布了约13万个此类职位。这些公司被称为“AI采纳公司”（AI adopters）。数据表明，自2023年第一季度ChatGPT 3.5发布后，此类岗位的招聘数量明显上升。 另外，还有27.4万家公司被视作“对照组”，因为它们没有专门招募AI整合师。 图2 首次招聘“AI整合师”岗位的美国公司数量（GPT 3.5发布后显著增加） AI如何影响了招聘？ 如果AI完全不会影响就业，那么AI采纳公司的招聘趋势应该与非采纳公司相同。但研究者发现，从2023年开始，各类公司初级岗位的招聘数量都出现下降，但AI采纳公司初级岗位的降幅要比非采纳公司高出7.7%。 值得注意的是，这种差异只出现在初级职位上，高级职位则未受到明显影响。研究认为，一些重复、枯燥但对脑力消耗较大的初级工作，比如代码排错、文档审阅等，更容易被AI取代。这种下降主要表现为企业招聘放缓，而非大规模裁员。 图3 美国AI采纳公司与非采纳公司在GPT 3.5发布后的就业变化趋势（初级岗位明显受影响） 哪些大学毕业生受影响最大？ 研究还发现，这种影响并非对所有毕业生都是均匀的。他们把毕业生所在大学分成五个档次。结果显示，中等档次大学的毕业生处境最为艰难，受AI冲击最大。而顶级大学毕业生因具备稀缺的专业技能相对安全，底层大学毕业生则因雇佣成本较低仍然受到青睐。 换句话说，最危险的是那些处于“中间地带”的毕业生。 图4 AI采纳公司相比非采纳公司招聘初级员工的降幅（按毕业院校层次划分） 结论：谨慎对待“AI取代论” 然而，研究者也提醒说，现在下结论还为时尚早。毕竟，只有17%的员工处于AI采纳公司，这意味着AI真正能取代的岗位比例可能并不高。此外，近年来初级员工的招聘趋势波动剧烈，尤其是受到了新冠疫情的严重扰乱。 也就是说，即使AI对初级员工产生了一些负面影响，它也只是众多影响因素中的一个罢了。■
我希望，与各位一同进入一个真正探索宇宙、求解意义的时代。 我们这一代人，或许是第一次，有机会以中文母语的思维体系去探寻宇宙的最深处——去理解存在的秩序、人类的智能与创造的根源。 回望过去，那些被时代夺走的光阴，三次工业革命的浪潮，我们都在奋力追赶； 那种“永远在向上看”的姿态，曾经是痛苦，也是尊严。 我记得多年前，一个极有情怀的师兄和我在学校饭堂吃饭时说： “我们这一代人啊，要一块一块地垒石头。 每垒好一块，就踩上去，再往上爬一点。 看看自己还有力气不？ 有，就再垒一块。 等哪天真的累得动不了了，抬头一看！ 你竟然，已经能摸到星星了。” 我还在回味这句话的余韵， 他已经吃完饭，说： “你看你，吃饭都磨磨唧唧的。”
假如我现在是个素人,0 粉如何起号 1. 我回去科技大 V 上多多发表有价值的内容,混个眼熟,度过新手期（两周） 我会利用我最有价值的技能,做一个很有用的开源项目（同步两周） 2. 然后我将会发布这个项目,涨粉预计有 600 个粉,做出原创有价值的事情大家就会关注 3. 接下来我会写一个总结贴,分享涨粉经验 涨 400 个粉 4. 最后,我可能就写一个我的故事贴 我的故事比大部分人想象都要精彩,而且我也会写,那一波将会给我涨粉 3000 个 5. 然后我会再分享如何写故事涨粉,预计涨 1000 个。 到此,5k 粉丝。我就会加入一个社群,每天分享相关的信息。 6. 当然,我有内容系统,可以收集,提取,合成,分发内容。能稳定每周涨粉 1000. 大概就 2 个月就能回到 1w 粉丝。 看完了,你觉得不靠谱,但我已经看到过太多这种事情发生了。