🔥 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.
喜大普奔啊，Twitter 创作者分成计划 国内可以申请了 刚看到 @bozhou_ai 发推说，需要将地区改成美国，验证Stripe 一条龙，基本秒过，被卡住的人可以试试 需要绑定 Stripe 账号，还没有的朋友，可以看下面的流程👇 https://t.co/LI9UhteUfT
Gemini 3 + Nano Banana Pro太牛了！ 用这个提示词做了一个拟物的天气应用。 输入对应地址以后，它就能生成当前地址的Q版地标建筑以及天气动画，非常有地方特色。 Gemini 3 写的这个拟物的界面也非常漂亮。 https://t.co/6lR2tzickQ
☕️ 相见甚欢，下月再见～#疯狂星期四 https://t.co/v8qC5z8ERz
这些年积累的经验。火鸡一定要切开。火鸡架汤，烤火鸡肉和火鸡丁炒饭。 https://t.co/PGOvAzKsvb
夸克 AI 眼镜里面有高德地图，太牛逼了😂 我的汽车、电瓶车还有自行车上通通不需要手机支架了 https://t.co/rwMiyWGBwa
张小龙说：人是环境的反应器。 Ilya 说：AI 也是环境的反应器。 AI 应用层创业，最重要的是构建环境。 在这个环境里，人和 AI 互相学习、共同成长。
A 业务有真人出镜，成交高。B 业务没有真人出镜，成交低 并不能说明真人出镜有助于成交，这是因果推断谬误 决策逻辑应该是：对标出镜了，我就出镜；对标不出镜，我就不出镜 真人出镜只是众多信号对象中的一个，消费者同时接收产品展示、价格、评论、平台背书等多重信号 把这些信号梳理清楚，可能是模仿对标 3 个月之后的事情
面向未来， LobeHub 2.0 将统一 Auth 方案到 Better Auth 🤗 Clerk 和 NextAuth 即将成为历史 https://t.co/2Vvdo48Ar6
对于非平台型业务而言 业务 = 内容 x 商业模式 如果你非常担心自己的内容被抄，你需要解决的问题不是如何举报同行，而是如何在商业模式建立壁垒 而很多人可能没有意识到，这件事情其实是关于野心的 野心不够大的人，在看见高壁垒的业务的时候，会惧怕进行对标 从一开始就绕过了那些有壁垒的业务，最终就难免要和同行互相抄 这个其实不是道德问题，是商业模式决定的
dontbesilent 的 100 条思考 001. 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。 002. 赚钱只需要执行力 + 商业模式，很多赚到钱的人都没有认知，甚至智力都不正常。 003. 找对标的本质是降维模仿：当你想达成某个目标时，应该去模仿那些已经超额完成该目标的对象。 004. 如果你愿意去模仿任何对标，那么所有业务都可以是你的对标；如果你只愿意去模仿和你一模一样的对标，那么世界上将没有业务可以成为你的对标。 005. 做自媒体的门槛是要意识到：你可以通过文字来控制其他人。 006. 顾客需求是购买商品，不是使用商品。商家只关注你买不买，不关注你用不用。 007. 好的商业模式会逼你成为一个好人，坏的商业模式会逼你成为一个恶人。 008. 真正有价值的知识，越分享越值钱。 009. 不问前路，先发 100 条。这里面，前半句其实比后半句重要。 010. 绝大多数忙于赚钱却赚不到钱的人，并非不知道正确答案，而是在明知正解的情况下，竭尽全力寻找绕过它的方法。 011. 只要你拥有常识，就可以在任何一个行业里打败 90% 的竞争对手。 012. 商业是最大的慈善，因为互不相欠。免费的帮助，常常滋生仇恨。 013. 人与人之间最完美的距离叫做商品。 014. 这世上所有的商品都只是给买家一个转账的理由而已。 015. 如果一个人用 AI 写的文字发出来之后被平台限流了，原因不在于 AI 模型能力不行，而在于用 AI 的这个人对于文字没有洁癖。 016. 所有让你在自媒体上讲「干货」的博主，都是不专业、不入流的。 017. 内容需要是差异化的、不能太 low、产品需要是高质量的——这和赚钱有啥关系？这都是商家的心理需求，用户需求是一点不提。 018. 越是新手，越应该推高成本做内容，否则就会进入「内容差 - 没流量 - 希望以量取胜 - 内容更差」的死亡螺旋。 019. 投入精力 ≠ 内容好。投入精力 × 对内容有正确理解 = 内容好。 020. 我们的目标是摆脱小白的身份，成为领域里的专家。这是第一目标。这是信仰与追求。 021. 万能问题是错误问题，万能答案是错误答案。一个无法精准描述问题的人，是不可能得到答案的。 022. 提问的过程就是思考的过程，如果你能提出一个好问题，这个事情就已经解决了 80%。 023. 解决问题的前提是定义问题，这里的「问题」指的是 question，而不是 problem。 024. 赚钱七字诀是：不问前路直接干。找我的人基本都是：暂时不干我先问问。神仙难助。 025. 抄生意，分为全抄和半抄。全抄拼执行，半抄拼认知。 026. 做什么事情都是二八定律。比如直播做到第一，20% 靠我的直播能力，80% 靠我播到凌晨 2：00，把其他人都熬下播。 027. 如果你不能在每天工作 2 小时的情况下维持收入，很可能是你没有找到最正确的那件事情是什么。 028. 从不认为自己是任何一个行业的从业者。我随时可以去任何行业做任何事。 029. 「想赚钱」的意思就是不想赚钱，「正在赚钱」的意思才是想赚钱。 030. 赚钱分两步：1、找到答案；2、执行。如果你现在没有执行，说明你没有找到答案。 031. 这个世界上离钱最远的地方，叫做：想找一个自己擅长的事情去赚钱。 032. 沉迷于战术，使人既疲惫，又贫穷。 033. 把「赛道」「行业」这俩词从脑子里删掉，赚钱就会容易一些。 034. 智商决定收入上限，商业模式决定收入下限。 035. 智力低也是可以赚到钱的。缺乏认知和智力，影响赚大钱，但不影响赚到钱。 036. 做内容之前，要确保你有产品。如果你不能把你的付款链接发给我，并且让我通过微信或者支付宝付款成功，你就是没有产品。 037. 定价即产品，产品即定价。 038. 如何判断一个赛道是否拥挤？你就看同行的定价就知道个差不多。 039. 毛利应该重新定义为「售价 - 营销成本」。在流量为王的时代，营销成本才是真正的「生产成本」。 040. 「卖产品赚钱」不是一件事，是 N 件事。第一层是有人需要这个产品，第二层是有人愿意为这个产品付钱，第三层是有很多人愿意付钱，第四层是我可以持续性地获取流量。 041. 小红书 = 内容平台；抖音 = 内容电商平台。 042. 中国真正的播客，不是 podcast，是抖音。 043. 国内的小老板不愿意给美国人 19 美金，最终的结果就是给中国人割 198000 人民币。 044. 知识付费的核心不是缓解焦虑，但是缓解焦虑是知识付费的必要组成部分。 045. 好的「IP 知识付费」应该是围绕「IP」和「付费」做内容，而不是围绕「知识」做内容。 046. 小红书上 1w 粉丝月入 10w 是可以的。前提有二：1. IP 人设差异化内容；2. 内容与产品强匹配，自己卖货，不接广告。 047. 有价值的行动，进行积分之后，会变成有价值的商品。 048. 对关键词的理解永无止境。当我们说喝「拿铁」和说喝「咖啡」的时候，我们在说两件事情。 049. 组织内部应该禁用没有定义过的主观词汇。 050. 我们用语言思考，所以语言的边界就成了思维的边界。每个词背后都隐藏着特定的世界观和假设。 051. 维特根斯坦说：不存在只有我自己能理解的语言，语言必须是公共的、可验证的。 052. 哲学书里面，有你需要的所有提示词。哲学家们用了 2000 多年时间研究：如何清晰思考、如何准确表达、如何有效论证。 053. 要精通 DeepSeek，先把康德、休谟、维特根斯坦读完。不谈哲学就没有入 DeepSeek 的门。 054. 第一桶金常常会面临生意方向的抉择。路线 1：产品需求强，但是做起来阻力大；路线 2：产品需求弱，没竞争。这个时候一定要坚定选择路线 1。1 的问题是可以努力解决的，2 的问题是神也解决不了的。 055. 我喜欢做的生意，是和同行在供应链完全没有任何差异的那种。你休想和我在产品上有任何差异化，无处躲藏。 056. 会对标和不会对标的人的区别就是，前者打心底相信「和对标保持一致」这句话是真理。 057. 模仿到极致，就是创新的开始；问题被看透，就是答案的终结。 058. 如果你看到对方抖音直播间的女主播的袜子上面出现了 3 个线头，而你们女主播的袜子上只有 2 个线头，你就没有模仿对标。 059. 对标是用来模仿的。如果你愿意模仿任何对象，全世界的生意都可以成为你的对标。 060. 找对标能解决的是业务逻辑问题，但前提是执行者已经解决了「人的问题」。 061. 真正的学习不是看书上课，而是完整走完同行的每一个流程，直到你能预测对方的所有行为。 062. 目标要降维，心态要升维。想月入 10 万，就去模仿月入百万的生意。 063. 量化练习产生质变。看懂 100 条爆款视频能破万粉，看懂 1000 条能破十万粉。 064. 学文案、学抖音有个很快的方法，就是你去找一堆爆款视频，不看开头，就从 15s 开始看，然后你想一下这个开头如果是你，你会怎么写。 065. 一个人对正确方法了解得越清楚，他逃避的动力就越强。因为清晰的认知意味着无可推诿的责任。 066. 在信息透明的时代，持续贫穷往往是一种主动选择——选择舒适的自我欺骗，而非艰难的自我实现。 067. 最大的悲剧不是不知道答案，而是明知答案却选择逃避——因为自由太沉重，牢笼更轻松。 068. 当你提出了一个问题，是说明你没有看懂这件事情。如果我能让你看懂这件事情，你将没有问题。 069. 我做了个答疑社群给几千人答过疑，我并不是在提供答案，我是在消解问题。 070. 我的终极目标并不是要提供所有问题的答案，而是看清楚所有的事情，以至于没有问题可问。 071. 国内知识付费市场的主流本质是「认知套利」：卖方利用买方的无知获利，而买方用金钱购买心理安慰。 072. 在国内知识付费市场的主流业态中，业务转化率与受众智力水平呈反比关系。 073. 国内这些搞什么 IP 定位智能体的人没有意识到，他们是用 AI 做了一个诈骗业务。干掉你们的不是 claude，是警察。 074. 如果一个人抱怨 AI 生成的文案「有 AI 味」时，这种判断往往揭示了一个有趣的现象：评判者将本该由自己承担的审美责任，不自觉地转移给了工具本身。 075. 让 AI 分析爆款文案，是最蠢的方法。爆款文案长啥样，不重要；爆款文案是如何被塑造的，很重要。规则 > 结果。 076. 为什么 AI 经常会写「请你记住」「真相是 xxx」？因为无能的创作者会频繁使用祈使句制造紧迫感，尝试用语气的强度去代替逻辑的强度。 077. 所有「去 AI 味」的提示词，都是不懂文字的人写出来的。因为去 AI 味是伪命题。 078. AI 写的东西有没有价值？如果是好内容的话，没人关心这东西是怎么出来的。 079. 关心自己的文案有没有 AI 味的人很多，关心自己的文案好不好的人很少。然而，英雄是不问出处的。 080. 如果你教的东西别人很容易学会，那无论保留还是公开都赚不到钱。如果你教的东西有真正的难度，即使毫无保留地公开，别人在实践中仍会遇到问题。 081. 真正的问题不在于你有 1 层储备你要怎么分配，而是你要花多久才能搞到 10 层储备。不要从顾客身上找答案，从自己身上找答案。 082. 如果你有 10 层储备，引流款讲 3 层，利润款讲 3 层，还剩 4 层，不是我不想讲，而是没人对我这套晦涩难懂、不能快速变现的商业本体论感兴趣。 083. 有执行力、有探索精神的人是在认同，知识是在实践的过程当中产生的。没有执行力的人，是相信可以在实践之前就拥有知识。 084. 人们自以为的需求和人们实际上想要的，是两套算法，前者是因果，后者是相关。 085. 授人以鱼，可盆满钵满；授人以渔，如杀人放火。 086. 做自媒体不要抱怨被骂。如果你骗人了，被骂是理所应当；如果你没骗人，就会被另外 99% 想被骗的人骂。 087. 当你的认知高于观众一个段位，他们会关注你；高十个段位，他们就开始辱骂你；高一百个段位，他们会嘲笑你。 088. 没销售能力的人，都爱拿「精准人群」当遮羞布。 089. 好的内容产出场所，应该是没有压力的。就是这种自由，能孵化好内容。 090. 思维都是涌现出来的，如有雷同，纯属巧合，谈不上竞争与否。 091. 我对绝大多数所谓 AI 社群的评价：如果一条信息，在我需要的时候我唾手可得，而你在不确定我是否需要的时候发给了我，这就是垃圾信息。 092. 绝大多数知识博主都在基于有限的、二手的、索然无味的信息差去变现，压根不研究业务，毫无科研精神。 093. 跨过执行力的心理门槛之后，会发现首先得到的不是钱，而是社会支持。 094. 绝大多数的「割」都来源于一个点，就是当事人觉得他没能用 AI 写好文案，是他不懂 AI，是他没选对 AI 产品。没意识到这个事情是在于他不懂文案，没理解文字本身。 095. 如果一个岗位被定义为特定角色的智能体，就一定会失业。如果一个岗位被定义为给人类或者 AI 制定工作流，就不会失业。 096. 如果你不知道怎么把一个前端交互页面变成钱，就会觉得：Gemini 3 来了，前端已死。如果你知道怎么把一个前端交互页面变成钱，就会觉得：受限于前端成本而被压制的供给，现在可以直接起飞。 097. 知识博主的核心工作只有两个：1、把事情搞清楚；2、把事情说清楚。「把事情搞清楚」是一切的开端。 098. 不要试图正当化不道德的行为，不要试图用数字来计算道德，承认世界的悲剧性，而不是试图通过破坏规则来逃避悲剧。因为一旦规则被破坏，长期来看，所有人都会更糟。 099. AI 割韭菜项目都是同一个逻辑：买家希望有个神仙级的武器让自己不劳而获，卖家想骗买家，现在加上一个话术叫做「人工智能太 nb 了」。 100. 从「想赚钱」到「正在赚钱」，中间隔着的不是方法，而是你愿不愿意承认：那些你明知道正确却不愿意做的事情，才是你贫穷的真正原因。
刚发现 Skywork AI 上线了 AI 海报设计的能力 支持用 Nano Banana Pro 分析你的需求帮你生成符合需求风格的海报图片 而且支持编辑模式，你可以选择想要具体编辑的海报位置点击之后输入提示词，这个改图可以说相当方便[强]。 我把一整篇 Anthropic 的论文发给他让他变成海报试了一下效果不错啊，会先让你从四个符合的风格里面选一个，然后还会让你选择比例。 我选了一个科技童趣风格，结果挺不错的，该有的都有了，质感也在线。
想去哪里点哪里相机上线了这个功能 只需要点击对应点开启 Mini World Poster 这个模式，就可以生成当前位置的 Q 版微缩模型天气海报 https://t.co/EvvCSXewaC
彼得·蒂尔的人生建议： “人们总说，你应该把每一天都当作最后一天来过。但我认为，你应该把每一天都当作会永远来生活。” “你应该以未来还会再见的心态对待他人；你也应该开始着手那些可能需要很长时间才能完成的项目。”
LangChain 讲 agent 怎么用 filesystem 做 Context Engineering，看的我想笑。 这不就是 Manus 那套上下文工程的灵魂思路嘛？ 把信息从 prompt 里解放出来， 放到外部状态里， 该读读、该丢丢、不要把模型当仓库塞爆。 核心都是把 context 变成可控资源，上下不可控猛堆料跟祈祷没什么区别。 但有些许区别，LangChain 走得更彻底。 它让 agent 把 filesystem 当自己的大脑皮层， 目录结构就是抽象层级，grep/glob 就是检索机制。 （是不是很熟悉，有两家大模型也是这么干的） 搜索结果先写进文件系统，再按需召回。 提示词/工具说明/路线图/思考过程全写到文件里， 由 agent 自己增删改查。 这种感觉特别熟悉， 在前互联网时代，当架构走到系统级，大家最后都会殊途同归。 无论是 Manus 的 context-threads / scratchpad / lifecycle management， 还是 LangChain 的 filesystem-first / modular-agents / lazy-context， 最后都指向一句话： Context ≠ Token Window，Context = 外部化状态 + 调度机制 + 可维护结构。 模型再大，拼到最后还是工程，至少现阶段看还是这样。
忙里偷闲，拍一张优雅的背影。 今日让我哭笑不得的一句话：“说好了一起诈骗的，怎么临了儿还要真做了？” 🤣🤣🤣🤣 https://t.co/pLMZKzGg1t
花了一天时间，用 @idoubicc 的Shipany2把这个照片水印相框生成器FrameBooth 重做了一遍，功能现在更完整了 加入了更多水印相框的模板，更多常见品牌的logo（比如索尼、佳能、尼康、哈苏、甚至苹果），时间地点等更多自定义设置 做这个产品，首先就是基于我自己的需求，以后发照片都用这个先加一层相框，逼格一下子就出来了，后面我会加入更多好看的模板，加上更多跟拍照相关的功能进去 体验地址：https://t.co/gh1HbMtImb
Nano Banana Pro 提示词 太可爱了，制作任何地方的天气移轴 Q 版模型！ 从宝玉这个玩法来的灵感，优化了一下整个模型的视觉效果，现在更加软润可爱。 天气会以更加更加拟物化的方式呈现，你可以输入经纬度也可以写地点，文字排版也更加的精细。 提示词为： 海报设计、自媒体封面设计：查找经纬度位于 52.891970728167614, 122.4549778092535 的地点并且获取地点的天气和时间。 画面的主体是当地代表性的建筑或者景观轴侧微缩模型，上方是当前天气的微缩模型，比如云、太阳等。梦工厂风格，3D建模，细腻、柔和的光线投影，画面周围大面积留白，画面底部居中无衬线体小字写上位置信息和天气图标和时间以及中文位置介绍文案。高品质画面输出。
最近我至少一对一劝了三位做知识付费的朋友，去给粉丝做一下答疑 不要用助理，也不要用 AI，就是自己去答疑 但是阻力都比较大，很难劝得动 这件事情的核心是在于，你认为你在引流款里面做答疑，对你来说是成本还是收益 如果这是成本的话，当然大家都不愿意去做 但问题在于，这个动作它必须是收益，你这个引流款才算成立 如果你在引流款里的付出不能带来收益的话，那么这意味着他不能给你的利润款引流呀 如果答疑能有效引流，你的付出一定有回报，这怎么会是成本呢？ 所以不是说付出没有回报你就不去付出了，而是说你要找一个合适的产品，在这个产品里，你可以把你的付出有效地兑换为回报 如果这件事情实现不了，最终这个生意就会变成我们花5%的时间去创造价值，然后花95%的时间去发掘尚未被别人洗过的红利 去寻找还没有被割过的韭菜 如果是年入百万，可能会发现这个事情尚可以继续 如果是年入千万的话，会很明显的感觉到这个事情已经不太跑得动了 这不是逻辑推理，这是对现实的解析
啊不不，你们没有仔细去查一下能源部的“家底”，这几十年厚积如山的顶级科学数据资产。这个功课上网查一下就能吓死。一旦标准化、清洗、嵌入模型，其质量和连续性根本不是 GPT、Claude 那些靠互联网爬虫凑出来的语料能望其项背的。Genesis Mission 要打造的 Science Foundation Model（SFM），训练基础不是网页、博客和 PDF，而是十万亿次化学反应轨迹、数十年气候观测、X-ray 材料相变、蛋白质折叠路径、原子级模拟、粒子散射图谱、聚变等离子体非线性场、电网振荡数据、风洞涡旋分布、量子比特噪声谱、多尺度高性能仿真档案等。这些数据的共同特征是：被物理定律约束、由仪器精密采集、无语言偏见、跨模态、跨尺度、高精度、可追溯。它们一旦融合进一个统一的向量空间，就不是训练一个“懂科学的聊天模型”，而是构建整个自然世界的连续表示层。我所说的“向量之海”。这片海会引发一系列文明级的涌现：学科将消失、结构取而代之；AI 自动发现跨学科的隐形共性；材料设计和聚变控制变成在 manifold 上找 geodesic；新的科学语言（结构 IR）自然生长；模型具备提出假设、选择实验、自主闭环的科研能力；科学的观察视角从人类转向模型；整个科学体系将被重新编码，研究速度呈指数上升；瓶颈由认知转为算力；知识不再封装在 PDF 中，而是实时动态系统；真正的全流程自动化科研平台诞生；最终，人类第一次获得宇宙的结构性表示层。
看知乎有人写google和百度为啥今天这么不同。 这个逻辑到这里就出问题了，不是google创始团队觉得广告是脏的所以搞adsense，搞出来广告质量得分系统。 而是adsense是一种收款方式，类似淘宝需要一个单独的支付工具，所以支付宝诞生了。 广告质量得分系统也是为了更好地提升服务质量，你用户觉得广告质量高，转化高，那对客户来说卖的货也多，google也赚钱多。 所以警惕不懂商业的人瞎几把写的东西，现在太多人看了几年财经账号就开始胡乱分析了，其实里面的逻辑是不通的。
我现在对所有的起号/爆款教程感到厌倦。 KOL 很容易陷入优绩主义，对不断下滑的数据感到焦虑，却难以思考自己究竟想要什么。 特别是在币圈市场，大家都会以成果论英雄，再多高数据的鸡汤都掩盖不了投资体系的缺陷。 做 KOL 真的赚钱吗？至少我觉得是不赚钱的，你见过我发多少广告吗？是我不想发吗？ 于是又绕回来了，我只能靠自己的投资体系/交易能力来赚钱，而做 KOL 只是这个过程的副产物。 输出是为了成为更好的自己。 如果根本不赚钱，你做 KOL 又是为了什么呢？ 勿忘初心
学习一下，拿我的车试试改装方案 我对视频生成掌握的还是不够 但是即梦免费用户每天有 80 个积分不能浪费，80 个积分刚好够我生成 8 个首尾帧视频 提示词在下面： https://t.co/6dd9CGs7KI
分享一下我的小红书育儿赛道图文起号系列 本系列浏览量破百万，一共五个提示词，覆盖0-7岁儿童 1. 记忆宫殿学习英语 2. 场景小孩子识字 3. 养成习惯 4. 奖励卡 5. 黑白卡 觉得有帮助的，记得回来报喜，不要忘记关注我🤣 具体看下面👇 https://t.co/xsuIYdd2ok
想象一下，一个软件团队在做一个大项目，但有个奇怪的规定：每个工程师只能工作几十分钟，最多几小时，干完就要换一个新的工程师。所以让这个团队完成简单项目任务还行，复杂一点需要长时间运行的项目，比如你让它克隆一个 claude .ai，它就做不到。 这其实就是 Coding Agent 的现状：没有记忆，上下文窗口长度有限。所以要它执行长时间任务，它还做不好。 Anthropic 的这篇博客：《Effective harnesses for long-running agents》，专门讨论了如何让 Agent 在跨越多个上下文窗口时依然能持续推进任务。 先看 Agent 在长任务中遇到的主要问题是什么？ 主要三种： 第一种叫一口气干太多。比如你让 Agent 克隆一个 claude .ai 这样的网站，它会试图一次性搞定整个应用。结果上下文还没用完，功能写了一半，代码乱成一锅粥。下一个会话进来，面对半成品只能干瞪眼，花很多时间猜测前面到底做了什么。 第二种叫过早宣布胜利。项目做了一部分，后来的 Agent 看看环境，觉得好像差不多了，就直接收工。功能缺一大堆也不管。 第三种叫测试敷衍。Agent 改完代码，跑几个单元测试或者 curl 一下接口就觉得万事大吉，根本没有像真实用户那样端到端走一遍流程。 这三种失败模式的共同点是 Agent 不知道全局目标，也不知道该在哪里停下来、该留下什么给下一位。 那么 Anthropic 的解决方案是什么呢？ 其实就是软件工程的一些现成的解决方案：引入类似人类团队的分工协作机制，将复杂任务拆解成小的可跟踪验证的任务，清晰的交接机制，并严格验证任务结果 一个初始化 Agent，它只在项目启动时出场一次，任务是搭好项目运行环境：有点像架构师的角色，写一个 init .sh 脚本方便后续启动开发服务器，建一个 claude-progress.txt 记录进度，做第一次 git 提交，最关键的是生成一份功能清单。 这份功能清单有多细？在克隆 claude .ai 的案例中，列了超过 200 条具体功能，比如用户能打开新对话、输入问题、按回车、看到 AI 回复。每一条初始状态都标记为失败，后续 Agent 必须逐条验证通过才能改成成功。 而且这里有个细节，这个清单不是用 Markdown 来写的，是一个 JSON 数组，因为 Anthropic 实验发现，相比 Markdown，模型在处理 JSON 时更不容易随意篡改或覆盖文件。 另一个是编码 Agent。在初始化项目后，后续就是它干活了，核心行为准则只有两条：一次只做一个功能，做完要留下干净的环境。 什么叫干净的环境？想象你往主分支提交代码的标准：没有严重 bug，代码整齐有文档，下一个人接手能直接开始新功能，不用先替你收拾烂摊子。 每次开工前，它先做几件事： – 运行 pwd 看看自己在哪个目录 – 读 Git 日志和进度文件，搞清楚上一轮干了啥 – 看功能清单，挑一个最高优先级的未完成功能 – 跑一遍基础测试，确保 App 还能用 然后专心做一个功能，做完后： – 写清楚的 Git commit message – 更新 claude-progress.txt – 只改功能清单里的状态字段，绝不删改需求本身 这个设计的巧妙之处在于，它把“记忆”外化成了文件和 Git 历史。每一轮的 Agent 不需要依赖上下文窗口里的碎片信息，而是模仿靠谱的人类工程师每天上班会做的事。先同步进度，确认环境正常，再动手干活。 测试环节的改进值得单独说。 原来 Agent 只会用代码层面的方式验证，比如跑单元测试或者调接口。问题是很多 bug 只有用户真正操作页面时才会暴露。 解决方案是给 Agent 配上浏览器自动化工具，比如 Puppeteer MCP。Agent 现在能像真人一样打开浏览器、点按钮、填表单、看页面渲染结果。Anthropic 放了一张动图，展示 Agent 测试克隆版 claude .ai 时自己截的图，确实是在像用户那样操作。 这招大幅提升了功能验证的准确率。当然也有边界，比如浏览器原生的 alert 弹窗，Puppeteer 捕捉不到，依赖弹窗的功能就容易出 bug。 这套方案还留了一些开放问题。 比如，到底是一个通用 Agent 全包好，还是搞专业分工？让测试 Agent 专门测，代码清理 Agent 专门收拾，也许效果更好。 再比如，这套经验是针对全栈 Web 开发优化的，能不能迁移到科研或金融建模这类长周期任务？应该可以，但需要实验验证。 响马 @xicilion 说： > ai 的尽头依旧是软件工程。 AI Agent 也不是魔法，它一样需要从人类软件工程中汲取经验，它也需要将复杂的任务进行分解成简单的任务，要有一个结构化的工作环境和清晰的交接机制。 人类工程师为什么能跨团队、跨时区协作？因为有 Git、有文档、有 Code Review、有测试。AI Agent 要想长时间自主工作，也得把这些东西搬过来。 Anthropic 的方案，不过是把软件工程的最佳实践变成了 Agent 能理解的提示词和工具链。不是让模型变得更聪明，而是给它提供更好的脚手架。 Anthropic 的思路值得借鉴。无论你用的是 Claude、GPT 还是别的模型，在设计多轮长任务时，都要想清楚，怎么让下一轮的 Agent 快速进入状态，怎么避免它重复造轮子或者把代码搞成一团乱麻。即使是单轮任务，也要清楚它是没有记忆的，你需要通过外部文件来帮助它“想起来”之前做过的事。 以现在模型的能力，Coding Agent 已经能做很多事情了，核心还是在于你是不是能像软件工程中那样，去分解好任务，设计好工作的流程。 原文：Effective harnesses for long-running agents https://t.co/tERUGrV9wC 翻译：https://t.co/MByV8iiEoZ
𝕏出新功能啦！😍 用 Grok 优化你的稿子 现在可以在 𝕏输入框直接用 Grok 来修改优化你的稿子！ 它可以帮你到这3点 1、修正语法错误、 2、缩短文章长度， 3、改写语气 将其改写成18种的写作风格 （比如：伦敦东区（Cockney）、Influencer 网红、cientist：科学家等风格） 所有操作只需单击1下即可完成。快来试试把， 看我的视频演示⬇️ （注意：只有英文界面有，想体验这个功能的话，需要先把你的𝕏界面语言改成英文。 语言修改教程见评论区）
能省一块是一块，能不冲年费绝不冲。 —— AI 工具座右铭 Minimax M2 Coding Plan 9.9元/月 支持 Claude Code、Cursor、Cline、Figma、Notion... https://t.co/tR9fTAT7MP
2025 #黑五 / 感恩节折扣大集合 第二波 来啦！🔥 推友们太热情了，又反馈了很多折扣信息 再次整理精选了一批，详情在评论区 支付方式可以参考这个指南 👉 https://t.co/bmuQt8EzZ2 第一波黑五折扣参考这个推文 👇
Kimi 今天跟 Manner 有活动，买咖啡送周边 https://t.co/2Ovbm4PEhJ
应该是上周 Jeff Dean 在斯坦福做了个分享，用AI总结写成文章，视频见评论区 AI 是怎么突然变这么强的？ Jeff Dean，Google 的 AI 负责人，他用自己的经历，讲了这个故事。 他说："我们今天看到的 AI，是过去十五年技术叠加的产物。" 不是一个突破。是一系列突破。 每一个突破，都让 AI 往前跨了一大步。 接下来，让我讲清楚这些突破是什么。 从最早的"模型学会了猫"，到今天的"AI 拿奥数金牌"。 2012，模型自己学会认识猫 2012 年。Google Brain 项目。 Jeff Dean 和他的团队，在做一个实验。 他们想知道：AI 能不能自己学会认识东西？ 不给标签，不告诉它"这是猫""这是狗"。就给它一堆图片，让它自己看。 他们用了 1000 万个 YouTube 视频帧，随机的。没有任何标注。 然后，他们训练了一个神经网络。网络很大，比以往大 50 到 100 倍。 训练完之后，他们看了看网络顶层的神经元。它们在对什么敏感？ 结果让所有人震惊。 有一个神经元，对"猫"特别敏感。你给它一张猫的图片，这个神经元就会被激活。你给它一张狗的图片，它不会被激活。 模型自己学会了"猫"是什么。 没人教它。它自己从 1000 万张图片里，学会了。 这就是无监督学习。 Jeff Dean 说："这太酷了。" 因为这证明了：AI 可以自己发现概念。不需要人类告诉它"这是什么"。它只需要看够多的数据。 这是 AI 学习能力的起点。 我们讲了 AI 怎么学会"看"。 现在，我们讲 AI 怎么学会"理解语言"。 关键技术：Word2Vec。 以前，计算机处理语言，是把每个词当成一个孤立的符号。"猫"就是"猫"。"狗"就是"狗"。它们之间，没有关系。 但 Word2Vec 不一样。它把每个词，变成一个高维向量。 什么意思？就是，每个词都是一串数字。比如，"国王"可能是 (0.5, 0.8, 0.3, ...)。"女王"可能是 (0.5, 0.2, 0.3, ...)。 但神奇的是：这些向量的方向，是有意义的。 如果你做一个计算："国王" - "男人" + "女人"，你会得到一个新的向量。 这个向量，最接近的词是："女王"。 这就是 Word2Vec 的魔力。 它不只是把词变成数字。它让语义关系，变成了数学关系。"国王"和"女王"的关系，就像"男人"和"女人"的关系。 这个关系，被编码在向量的方向里。 Jeff Dean 说："这让机器第一次能'理解'语言。" 不是真的理解。但它能计算语义。 我们讲了 AI 怎么理解语言。 现在，我们讲一个更现实的问题：算力。 2015 年左右。Google 想推出一个改进后的语音识别模型。效果很好，用户会喜欢。 但有一个问题。 Jeff Dean 算了一笔账：如果要用这个模型，Google 需要把计算机数量翻一倍。 你没听错。翻一倍。 这是什么概念？Google 当时已经有几十万台服务器了。翻一倍，意味着再买几十万台。 这根本不现实。 所以，他们必须想办法。 答案是：专用硬件。 他们发现，神经网络有一个特性：它对低精度计算非常宽容。 而且，它的核心就是密集的矩阵乘法。 这两个特性，让他们可以设计专门的芯片。 不用通用的 CPU，也不用 GPU。而是专门为神经网络设计的芯片。 这就是 TPU：Tensor Processing Unit。 2015 年，TPUv1 推出。 它比当时的 CPU 和 GPU，快 15 到 30 倍。能效高 30 到 80 倍。 这解决了算力危机。 后来，他们继续迭代。 最新的系统，比 TPUv2 快了 3600 倍。 Jeff Dean 说："没有专用硬件，就没有今天的 AI。" 算力，是 AI 的基础设施。 Transformer 改变了一切 我们讲了硬件。现在，我们讲架构。 2017 年。Google 的一个同事，提出了一个新架构。Transformer。 这改变了一切。 在 Transformer 之前，处理语言的模型，都是循环模型。 什么意思？ 就是，模型要一个词一个词地处理。 而且，它要把所有信息，压缩到一个向量里。 这很低效。 Transformer 不这么干。 它的核心思想是： 不要压缩，保存所有中间状态。 然后，让模型在需要的时候，去"关注"（Attend to）任何一个状态。 这就是 Self-Attention。 结果呢？ 准确率更高。 计算量少了 10 到 100 倍。模型参数小了 10 倍。 这太疯狂了。更快，更准，更小。 而且，Transformer 不只能处理语言。 它还能处理图像。这就是 Vision Transformer（ViT）。 Jeff Dean 说："Transformer 是现代 AI 的基础。" ChatGPT 用的是 Transformer。 Gemini 用的是 Transformer。 所有你看到的大模型，都是 Transformer。 让模型变聪明的三个技巧 我们讲了 Transformer。 现在，我们讲训练。 怎么让模型变得更聪明？有三个关键技巧。 第一个：稀疏模型。 正常的神经网络，每次预测都要激活整个模型。太浪费了。 稀疏模型不一样。它只激活 1% 到 5% 的参数。剩下的，都在"睡觉"。 这让训练成本降低了 8 倍。 Jeff Dean 说："Gemini 就是稀疏模型。" 第二个：蒸馏。 这是把知识从大模型转移给小模型。怎么转？ 大模型不只告诉小模型"对"或"错"。 它给的是概率分布。这个信号非常丰富。 结果呢？小模型只用 3% 的数据，就能达到大模型的效果。 第三个：思维链。 你给模型一个例子，让它"展示它的工作过程"。比如，做数学题的时候，不是直接给答案，而是一步一步写出推理过程。 这让模型在复杂推理任务上的准确率，显著提升。 这三个技巧，让模型变得更高效、更聪明。 前面我们讲了 AI 的技术基础。 现在，我们讲成果。 2022 年。Google 的研究员们，在为一件事兴奋。 他们的模型，终于能做初中数学题了。准确率：15%。 "约翰有五只兔子，又得了两只，他现在有几只兔子？"这种题。AI 能做对 15%。 他们觉得，这是个突破。 2024 年。两年后。 同一个团队，发布了 Gemini 2.5 Pro。他们让它参加国际数学奥林匹克。 六道题。它做对了五道。 这是金牌水平。 从 15% 的初中数学题，到奥数金牌。两年。 Jeff Dean 说："这就是 AI 的进步速度。" 不是线性的。不是慢慢变好。 是指数级的。 2022 年，AI 还在学加法。 2024 年，AI 已经在解奥数题了。 那 2026 年呢？我们不知道。 但如果按这个速度，可能会超出我们的想象。 这就是我们今天看到的 AI。它不是慢慢变强的。它是突然变强的。 从 2012 年的"模型学会了猫"，到 2024 年的"AI 拿奥数金牌"。 十二年。 AI 从几乎什么都不会，变成了几乎什么都会。 那接下来呢？ Jeff Dean 说：AI 将对医疗、教育、科学研究产生巨大影响。 一个不会写代码的人，也能让 AI 帮他创建网站。 这是把专业知识普及给更多人。 但同时，我们也必须正视潜在的风险。 比如，错误信息传播。 AI 可以生成非常逼真的内容。如果被滥用，后果很严重。 Jeff Dean 说："我们不能对潜在的负面影响视而不见。我们的目标是，在最大化 AI 益处的同时，最小化潜在的弊端。" 这就是 AI 的故事。 从反向传播，到 Transformer，到 Gemini。过去十五年，技术、硬件、算法，全都叠加在一起。 我们今天看到的 AI，是这一切的产物。 而这个故事，还在继续。
我认为，没有任何个人能抓住的机会，不是来自“结构缝隙”。一个家庭，家族，只靠好好学习和线性努力，是注定”熵增‘ 的。
Genesis Mission 创世纪 （原文解析） 这篇文章，我将带你逐字逐句暴力拆解一份我认为是 2025 年整个美国政府体系中，对我们未来实际行动与决策影响最大的行政咨文之一。我虽然从不涉入政治，也无意在政治体系里做任何讨论，但我绝不是政治白痴。在我们所处的这个 AI × 科学结构化 × 系统工程领域，只要具备基本的判断力，你就会明白：像 Genesis Mission 这种级别的国家资源整合指令，一旦启动，意味着一个巨大的结构窗口正在打开。只要我们有心、长期监控、不断调整并保持持续自我学习，我们完全能够在早期进入这个生态，积极参与其中——无论是工作机会、项目机会、还是承包层面的合作机会，那些以往因为“学术资历不够”“没有 PI 背书”等官僚限制所封死的门，在 AI 时代会第一次大规模打开。这是一个领域的资源第一次在我们眼前变得如此美丽、如此可及、如此结构化地向普通个体延伸。 我不仅要从现在开始对这篇原文进行逐字逐句的深度拆解、加上我的结构性注释，我还会在未来 5–10 年持续追踪这份计划所引发的全部关联资源、政策、新闻与结构迁移。同时，对于 Genesis Mission 里时间节点对应的关键动作，我会长期、坚持地进行监测。 为什么必须回到白宫原文？ 因为只有原文能告诉我们 Genesis Mission 究竟是什么。 第一，它根本不是一条科技新闻，而是 美国国家科学组织方式的重构指令。 第二，只有官方文本才能让我们直视其本质，而不是被媒体解释所稀释。 第三，从行政条文的结构层逐句观察，我们才能真正理解它所要建立的“平台科学文明”的架构与运行逻辑。 第四，这是 科学文明架构的替代——它代表了 AI 时代科学体系的第一次结构性迁移。 这就是我们必须回到原文的全部理由。 Genesis Mission 的定位：Sec.1 Purpose（科学进入战时态势） 当白宫在 Genesis Mission 的开篇就写下 Sec.1 Purpose 时，它等于是直接对外宣告：从今天起，科学已经不再是学术共同体内部的自我表达，而是一种国家战略资源。 媒体会忽略这一点，学院体系会尽量回避这一点，但原文不会。真正的信号，都在条文中。 我们先从原文的第一句话开始。 白宫写道： “The United States is engaged in a global contest for primacy in AI and critical technologies.” 这句话的分量，比表面文字看起来要沉重得多。“engaged in a contest”不是普通的“competition（竞争）”，而是争夺战，是一种零和、排他、必须赢的态势。“global”指出的，也不是科学共同体的国际合作，而是真正意义上的国家机器对国家机器的全球对抗。“primacy”更不是“领先”，而是主导权、统治位置。 一旦科学被定位在这样的语境里，它的组织方式就必须weaponzied。这就是 Genesis Mission 的起点：科学从学术活动转为战略活动。 “A national effort akin to the Manhattan Project is required.” “national effort”意味着科学不再是 NSF 与大学的自治体系，而是要进入国家整体调度层级。“akin to the Manhattan Project”更是直接指向历史上最典型的科学武器化模型：统一指挥、实验室入链、任务优先排序、资源统一调度、工程主导知识、科学成为执行管线。而 “is required” 则完全没有商量余地，是一种不可避免的战略必要性。换句话说，旧的学术体系组织方式已经无法支撑未来科学竞争的规模与速度。 那么，为什么科学会进入这种近似“战时态势”的状态？原因并不是因为战争本身，而是三股深层结构力量汇聚到了同一个时间节点。 第一，AI 完全改变了科学的性质。 传统科学是一种人脑驱动的事业：专家推理、教授判断、博士生执行。但 AI 科学是另一种物种：基础模型参与推理，HPC 负责计算，自动化实验驱动行动，调度器负责资源协调。这种规模、速度与复杂度，PI 制度与同行评议体系根本无法承担。 第二，科学的边界突破点开始转移到工程系统中。 材料突破来自高通量自动化实验；气候模型依赖 Exascale 系统；药物和蛋白质需要基础模型与机器人实验室；半导体依赖 AI-assisited EDA；聚变依赖多尺度模拟与超材料设计。这些突破都不是“教授带学生在实验室里做一点点进展”的节奏，而是平台科学，系统级科学 的节奏。 第三，科研门槛从“知识”变成“计算”。 再聪明的人，没有算力、模型、结构化数据、自动化实验，就无法进入前沿。知识不再是瓶颈；计算才是瓶颈。这也正是为什么 Genesis Mission 从第一段就把权力从 NSF 转移到 DOE，因为 DOE 才拥有美国的科学执行层：超算、国家实验室、自动化实验基础设施，以及可被统一调度的资源体系。 这三点叠加，就是 Genesis Mission 在 Sec.1 就必须改变叙事的原因。 当然，读原文很重要。我早说了，英语要好啊。别老看翻译文档。 调度核心是谁 在 Genesis Mission 的真正底层结构里，“调度器”是由五个层级叠加而成的国家级执行系统，是一个从政策到资源、从平台到模型、再到任务本身的完整多层调度结构。最上层是 政策调度器：白宫与国家科技委员会（NSTC）通过一连串 “the Director shall…”“the mission will coordinate…”“the President hereby directs…” 这样的句式，直接掌控科学任务的优先级与方向，相当于国家级的 meta-scheduler。其下是 资源调度器：执行权被明确交给 DOE 而不是 NSF，意味着全美的 HPC、国家实验室、自动化实验设备与联邦数据集，都必须由 DOE 进行统一调度，这就是科学资源层的 Runtime Scheduler。第三层是 平台调度器：白宫建立的 American Science and Security Platform 本质上是国家级 Science OS，负责任务编排、自动化实验调度、模型调用、跨领域数据互操作，是“调度器的调度器”，宛如科学界的 Kubernetes。第四层是 模型调度器：白宫提出的 scientific foundation models 是科学的认知执行层，能自动生成假设、运行模拟、触发实验、产出结构卡，是科学的 cognitive scheduler。最后一层是 任务调度器：白宫将在 60 天内公布的 20 个国家级挑战。 为什么是 DOE（能源部），不是 NSF？ 这正是 Sec.1 Purpose 想要回答的核心问题：为什么不是 NSF，而必须由 DOE 来领导 Genesis Mission？原因很简单：DOE 的使命是 工程化科学（Engineering-First Science）。DOE 掌握着美国真正能执行大规模科学任务的国家级基础设施：17 个国家实验室、全球最强的 HPC 集群（Frontier、Aurora、El Capitan）、聚变与高能物理项目、加速器体系、材料与能源科技平台、自动化实验与机器人实验室架构，以及大量与国防直接耦合的科技能力。相比之下，NSF 的核心是 学术自治——以教授、PI、同行评议和学科结构为中心，它负责分发研发经费，却不具备“国家级工程化执行”所需的统一调度权、实验资源或算力体系。Genesis Mission 是一个平台化国家工程，而不是一个学术计划；它需要科学可调度、算力可集成、实验可自动化、资源可统一调度，这些只有 DOE 能做到。换句话说，就像曼哈顿计划不可能交给哈佛一样，一个科学操作系统（Science OS）的建设也不可能交给 NSF。 20 条国家级科学挑战 如果我们根据 Genesis Mission 的结构逻辑去推演白宫即将公布的 20 条国家级科学挑战，它们几乎必然会落在六大方向：材料、生物、气候、能源、半导体与国家安全科技。材料方面，很可能包括原子级逆向材料设计、下一代电池化学体系、高温超导、超强轻量化结构材料；生物方面将聚焦 AI 引导药物设计、全自动化生物工厂、疫情早期预警与快速疫苗生成、细胞工程优化以及生物安全模拟器；气候方向会出现极端天气预测的基础模型、碳捕捉材料管线以及气候干预风险模拟；能源方向则包括聚变材料与工艺、聚变模拟器、高效光伏材料以及氢能催化剂；半导体与计算方向大概率涵盖 AI 生成的新型芯片架构、量子材料与控制系统、以及一个全国性的高性能数值计算软件生态；而国家安全科技方向则可能出现下一代国防模拟器、AI 驱动的供应链预测，以及生物/化学威胁预测平台。你会发现这些候选项无一属于传统意义上的“学科”，而全部是 可调度、可模型化、可自动化实验、可 HPC 执行的结构化国家任务——完全符合 Genesis Mission 从 PDF 科学向 IR 科学、从 PI 制度向调度器制、从学科向任务结构迁移的总体架构。 公布以后比对一下就知道了。 如何实现科学平台 美国如何将把整个科研体系从过去的“封地模式”（教授实验室、分散学科、手工实验、碎片化算力）迁移到国家级“平台模式”（Science OS）。这一整套动作本质不是政策，而是一次彻底的 系统迁移（system migration） ——并且每一步都对应可监控的原文指令。首先，白宫以 “The Secretary of Energy shall lead the mission…” 将科学主责从 NSF 转交 DOE，标志着科学的执行权从大学体系迁入国家工程体系（国家实验室、HPC、自动化实验平台）。其次，以 “establish the American Science and Security Platform to integrate compute, data, models, and experimentation” 直接构建一个统一科学平台，把原本分散在大学、私人实验室、NSF、企业与国家实验室的资源全部 API 化、纳入统一调度，使科学从手工劳动转向结构化执行。第三，以 “harness Federal scientific datasets through secure and standardized interfaces” 规定所有联邦科学数据必须 IR 化，通过标准接口统一结构化，变成可审计、可互操作、可组合的原语层。第四，以 “deploy scientific foundation models and enable multi-domain capabilities” 正式确立模型作为国家级科学执行单元，使其具备跨材料、生物、气候、聚变、半导体的统一认知能力，成为科学认知层的结构机制。第五，以 “integrate automated experimentation and robotic laboratory systems” 与 “provide modeling, simulation, and prediction tools” 让实验第一次成为 API，使实验室工业化、自动化，并与模型和模拟器形成闭环科学运行时。最后补充动作是白宫要求 “Within 270 days, achieve initial operating capability”。在 270 天内至少让一个科学领域真正跑起来，进入可执行状态（IOC），这是国防级别的硬指标。这上面每一条，在一年之内，我们都可以监控进度。 年度平台报告（Annual State of Platform） 在所有时间节点里，最值得长期观察的是白宫在 Sec.8 设置的 年度平台报告（Annual State of Platform）。这一机制的意义远远超过行政汇报，它将成为未来十年判断“平台科学文明”推进速度的核心指标体系。年度报告会系统性地审查 Science OS 的运行状况，包括平台整体性能是否达到预期、科学任务流水线是否顺畅、AI 代理的执行能力是否不断增强、模型是否在承担更高层次的科学认知工作，以及自动化实验与模拟器是否形成闭环；同时，它会评估数据层的质量与结构化程度，观察科学数据是否真正从封地状态进入统一 IR 模式，是否能被模型和实验系统高效调用；还会跟踪产业与平台的合作深度，衡量工业界是否已经开始将研发环节迁入 Science OS。报告中最关键的部分，则是对科学突破速度与人才结构变化的追踪——未来科学是否因平台化而加速，突破是否从教授与学科中逐渐迁往模型驱动的 pipeline，而科研人才是否从传统的 PI/博士生体系转向系统架构师、自动化实验工程师、模型调度者与跨领域结构化人才。换句话说，年度平台报告将成为未来十年判断美国是否真正完成从“学院文明”向“平台科学文明”过渡的晴雨表，也是我的跟进主要bench mark. (2/n)
Z-Image, a new image generation / editing model from Alibaba. - Ultra fast generation sub-second on H800 - Fits within 16G consumer device - Rich high frequency details - Base (non-distilled version) is also available - 6B, apache 2 license - Demo available on @huggingface https://t.co/dAoRclP0tf
如何破除信息茧房？🤔 让你看到一个更真实的世界！ 昨晚上我花几个小时建了一个特殊的𝕏列表，收集一些中文推特上关注超过50万的账号，简体和繁体中文都有。 有些我不感兴趣，有些我以前喜欢最近很少看了，做这些是为了缓解一下我的AI焦虑😅 最近跟AI/IT圈儿的朋友们互动比较多，我也爱看这些帖子，所以我timeline上几乎完全没有别的帖子了，搞得我天天犹豫自己要不要转码或者转做AI相关内容😂，综合考虑，感觉这肯定不是最优解，于是就有了上面这些操作。 然后我又刻意去收集整理了一些，有利于帮助我们打破信息茧房的办法， 什么是信息茧房？ 算法只喂你爱看的内容，导致你越来越偏激、封闭，看不到对立观点。普通人如何主动打破信息茧房？ 以下这些方法，按从易到难排序，坚持任意5条，一年后你会变成“另一个人”。 1、减少甚至拒绝个性化推荐（最快见效） 隐身模式、关掉抖音/B站/头条/𝕏的“兴趣推荐 For you”，多看关注页。 2、主动关注对立观点账号 故意关注让你生理不适的人：政治光谱两极、不同宗教、死多死空、极端的素食/肉食主义者。 3、每天强制读3篇“最讨厌”的文章 公知读《环球时报》，粉红读纽约时报中文网，恨国党看战狼号。 4、建立“异见朋友圈” 现实中交和你三观完全相反的人，不同年龄、职业、阶层最有效。 5、每周信息斋戒日 完全不碰算法平台，只看书、长文、播客、纪录片。 6、使用“反向搜索”法 看到任何观点，立刻搜“XX是骗局”“XX是真理”“XX有害”“XX好处”。 7、直接看原始数据和论文 PubMed、Google Scholar、统计局官网，国家统计年鉴，绕开二手解读。 8、多语言看新闻 同一件事，用英文、日文、俄文（机翻也行）看不同报道。 9、定期清空历史记录 每两周删一次YouTube历史、搜索记录、抖音点赞，让算法失忆。 10、建不同列表 用X（Twitter）建不同Lists或小号 左派号、右派号、纯娱乐号，轮流刷，看算法怎么喂你。 11、参与真实辩论 Reddit ChangeMyView、知乎盐选辩论、线下辩论社，比评论区对喷强100倍。 12、阅读“过时”信息 故意看10年、20年前的书和文章，躲开“当下共识”陷阱。 13、训练“钢人”思维（Steel Man） 先把对方观点复述得比他自己还强、还清楚，再开始反驳。 最重要的一句话： 把接触对立观点当成痛苦的锻炼，越难受越有效。 信息茧房最舒服，但也最致命。 主动选择不舒服，才是破茧的唯一出路。 你是如何减少信息茧房的？请在评论区分享你的经验或方法🤝
可能是我生活在这片区域的关系，很多人认为美国的科技是纯市场和资本经济推动的。 其实你只要研究一下科技史，发现， 还真的不全是。 二战，冷战，都离我们这代人太远了。 当然，我也不是深入研究科技史的人。但是“曼哈顿计划”，这个词不是随便用的。大家去年不是都去看奥本海默了么。看哪位推友能具体聊聊，尤其是冷战的美苏科技史。
基于 Nano Banana Pro 的生图网站有很多 但 Labnana 是全球第一个，也可能是最好的一个 我来讲讲为什么： 1. 使用 Banana 原生的 Agent 系统，不乱改 Prompt，模型的理解力和和表现效果，实测都是全网最佳 2. 上线第一天就支持真 4K 输出，极清画质，一张图片30M左右，可直接打印级别 3. 精准的图片比例选择，支持8种官方原生图片比例，让你不需要在提示词里输入比例、高清什么的，那个也不根本就不准 4. 使用独立部署 GPU，保证服务稳定性，绝对不降智 5. 生成失败返还所有积分，不像官方 API，失败还扣 能做到上面五点的，全网可能也没几个了 我知道的就只有这一个 https://t.co/W73K8MbWPf 而且这个网站还超级良心： 邀请好友最多可每月免费使用 100 次。 每日签到每月可免费使用60次。
我们在 long run building 的时候，本质上是一个 agent 一条线去浏览本来是多层宽树状结构的系统架构、feature、任务分支网络。 为了对抗 compaction，在 claude code/cursor 里，常见做法就是平行宇宙、时间穿越（rewind、check point、duplicate thread）。 anthropic 给出了两个不同 system prompt 的 claude sdk agent 协作的方案，简单来说是一个 agent 负责全局性、搞清楚总体进展和背景信息、另一个负责执行（好像 subagent）
卧槽！今年黑五最有诚意的 AI 会员促销来了 未来一年，如果你只想开一个 AI 会员包，那可能就是这个了 只需要每月 9.5 美金，你将获得： - 最强生图模型 Banana Pro 每月数百张 - AI 解说视频生成，每月 20 个 - 最帅的 AI PPT 生成，每月 20 个 - 最佳中文 AI 播客，每月 100 个 - 最自然最智能的 TTS 配音，每月20小时 - 语音支持音色克隆，支持 API ListenHub x Labnana，联合 Pro 年卡黑五半价 50% 限时折扣码： BLACKFRIDAY 限时三天，错过再等一年 点击链接，立即购买（可用支付宝）： https://t.co/dPA3S7RIUO 但我是学生党没有钱怎么办？！ 没关系，我们特别为学生党准备了无限白嫖方案，看回复 👇
巴尔干第一个启动项目，一开始有些波折，第一天顺利结束。大家都很高兴，而这开心没持续多久，就因为各方看到了项目未来的利益点而开始各自有心眼儿，吃饭时表情都不一样了。中方的甲方和乙方和丙方开始拉我进小群。我说我真的不参与这些，我只管搞定欧洲的事儿，虽然乙方的大头我也认识，但中国的事儿我没精力搞，我也不想搞。最后丙方不满乙方代表加我微信非逼我删了ta…哈哈哈哈～我再也不愿见你在跟别人开会，不愿别的甲方见识你资源的宝贵～钱如潮水~尾款明天就汇😆配图是超市里乖乖等主人的小狗
为 Long running AI agents 设计artifacs，Long running AI agents 的 CI/CD 就在眼前。
🍌 nana banana pro Prompt (optional: add your city/language/date at the bottom) ---- Please create a cute, stylish calendar illustration in a vertical (9:16) layout featuring a fresh, bright, hand-drawn style: Illustration Requirements: - The main character is a young, fashionable female with a cute and lively watercolor or hand-drawn texture, vibrant yet soft colors. - Character features include large eyes, rounded rosy cheeks, and bold, fashionable accessories (e.g., sunglasses, hoop earrings, headscarves, headbands, bows, knit hats, etc.). Clothing should be bright, with dynamic and playful poses. Proportions may be slightly exaggerated (e.g., larger head, slender waist). - Outfit and accessories must reflect seasonal elements, holidays, recommended activities ("auspicious items"), or distinctive local characteristics based on the user's location and input. Outfit description: [{Character Outfit Description}] - Character positioned centrally or slightly right-aligned to leave ample whitespace for textual content. - Pure white, minimalist background without additional decorative elements, emphasizing the character and text. Calendar Layout: - Prominent position at the top center: Gregorian date number [{Gregorian Date Number}] (large and eye-catching). - Below the date number, display the English month [{English Month}]. - Below the English month, display the year [{Year Number}]. - Symmetrical layout left and right of the date: weekday in both local language [{Weekday in Local Language}] and English [{Weekday in English}], along with the lunar date and local holiday [{Lunar or Local Calendar Date}] [{Local Holiday}], ensuring clear, elegant fonts. "Recommended Activities" and Inspirational Quote: - Vertically aligned on the left side in bold handwriting: [{Recommended Activities}], using brush calligraphy for Chinese users and complementary handwriting style for other languages, slightly larger and vertically arranged. - To the right of "Recommended Activities," arrange vertically an inspirational and comforting quote [{Inspirational Quote}] in slightly smaller matching handwriting. Localized Elements: - Incorporate distinct local cultural elements or landmarks based on the user's current location or input into the character's outfit, accessories, or details (e.g., city landmarks, climate characteristics, local cultural motifs). General Guidelines: - All elements must be neatly arranged with balanced whitespace. - Ensure text readability without overlapping or obscuring the illustration. - Replace all placeholder content with information dynamically generated based on user input or system-provided user data.
The SEA Workshop at @NeurIPSConf 2025 is coming next Sunday. It seems we urgently need more open, realistic agent environments for training and evaluating agents. But what are the important environments to build? What are the infrastructure bottlenecks for these environments in training and evaluation? How can we scale up the number of available environments? And how should we use these environments, RL or beyond? These questions are still not clear. We’re bringing together an amazing list of speakers and panelists to spark the discussion: @egrefen, @Mike_A_Merrill, @mialon_gregoire, @deepaknathani11, @jl_marino, @syz0x1, @qhwang3, Anthony G. Cohn, Eric Sommerlade, and @fredsala. You won’t want to miss it if you’re around. Also, huge thanks to our four sponsors, @TheInclusionAI (@AntLingAGI), @SnorkelAI, @SonicjobsApp, and @VmaxAI for their generous support!
🍌 nano banana pro prompt (with gemini) Dynamically generate a current weather card based on a given city name. --- prompt --- Present a clear, 45° top-down view of a vertical (9:16) isometric miniature 3D cartoon scene, highlighting iconic landmarks centered in the composition to showcase precise and delicate modeling. The scene features soft, refined textures with realistic PBR materials and gentle, lifelike lighting and shadow effects. Weather elements are creatively integrated into the urban architecture, establishing a dynamic interaction between the city's landscape and atmospheric conditions, creating an immersive weather ambiance. Use a clean, unified composition with minimalistic aesthetics and a soft, solid-colored background that highlights the main content. The overall visual style is fresh and soothing. Display a prominent weather icon at the top-center, with the date (x-small text) and temperature range (medium text) beneath it. The city name (large text) is positioned directly above the weather icon. The weather information has no background and can subtly overlap with the buildings. The text should match the input city's native language. Please retrieve current weather conditions for the specified city before rendering. City name:【上海】