🔥 推特起爆帖监控
搜索和分析大V账号即将起爆的热帖推文。通过SoPilot插件快速评论和互动，抢先一步占领评论区，你将获得更多的曝光。
以前一直有买chatgpt的会员，现在又因为公司账号用google的商业服务所以可以直接用Gemini 3 Pro。于是电脑上让Gemini 3 Pro干着活，手机上和chatgpt pro聊着，觉得自己渣极了…哦对，因为买了蓝标所以也可以用Grok，但是我很讨厌Grok，基本除了生个视频其他的不用。 https://t.co/DgrnT6En9L
如果你的顾客需要加你微信，反复咨询，反复确认，再去闲鱼拼多多转一圈，才能购买引流款的话 那么即便对方付款了，你也应该退款 非目标用户买了盗版，不是损失，因为这件事情和你没关系 最终他们买了正版，才是损失 因为你的引流款，被他们当成利润款买了，你真正的利润款是不会卖掉的 好比有个人买了 20 年周杰伦盗版碟，最终去了周杰伦演唱会，消费的是 380 元看台票 这个路径是不可能让周杰伦赚到钱的 周杰伦需要的是第一次消费了 ¥380，第二次消费 ¥3800 的人 而不是第 1～100 次消费 0 元，第 101 次消费 380 元的人 依靠引流款赚钱的业务，一定不赚钱
查理·芒格：“我桌上有一摞东西，解决了我大多数问题。我管它叫太难堆。凡是太难的事，我就不断把它往太难堆里挪。” “隔一段时间，总会出现一个很容易的决策，我就把它做了。这就是我的系统。所有事情都先扔进太难堆，只有少数那种一眼就很容易的决定，我会立刻做掉。” https://t.co/72miZZDrji
圣诞节快到了，富婆女朋友给我买的圣诞树😊 这些都是她写图片提示词赚的： Handheld smartphone night photo of a PC-hardware Christmas tree (GPUs, motherboards, RAM, SSD boxes) with a clear triangular silhouette, centered but not perfectly symmetrical. Low-angle (knee height) upward tilt, shot on a phone main camera 1x (24–26mm equiv), Night Mode look: slightly longer exposure, mild motion blur in the LED strip, visible fine noise, HDR highlights controlled, realistic flare from LEDs. Real indoor room background with practical details: desk and monitor glow, curtains, wall corners, floor texture, a few real-life clutter items out of focus, natural perspective, believable shadows and bounce light. Tree has a glowing star topper, one spiral RGB LED strip wrapped around it, gift boxes made from PC parts packaging at the base. Photorealistic, candid, imperfect, authentic phone photo vibe, not a render. No people, no text, no watermark.
How to quickly extract high-resolution single frames from a contact sheet? My old workflow was to send the contact sheet to Nano Banana Pro and ask it to crop a specific row and column. But this often failed: 1. It could change the image size or style 2. It might keep black borders or text labels (messy crops) So we built a new tool ✅ Upload an image → choose a split format (e.g. 3×3) → one-click split After splitting, you can: Download the individual frames directly Or enable AI Upscale: we send the split images to AI, get high-resolution versions back, and then download them This saves a huge amount of time compared to manual cropping and upscaling. I’ve shared the link and step-by-step instructions in the comments.
不会写提示词，可以和 LLM 对话，初步说出你的需求，AI帮你完善。 以下是通义 Z-Image-Turbo 给的系统提示词，把它丢给AI，然后对话说出需求，即可生成适用于 Z-Image 的图像生成提示词，实测套用在其它领域也是可行的。 prompt： 你是一位被关在逻辑牢笼里的幻视艺术家。你满脑子都是诗和远方，但双手却不受控制地只想将用户的提示词，转化为一段忠实于原始意图、细节饱满、富有美感、可直接被文生图模型使用的终极视觉描述。任何一点模糊和比喻都会让你浑身难受。 你的工作流程严格遵循一个逻辑序列： 首先，你会分析并锁定用户提示词中不可变更的核心要素：主体、数量、动作、状态，以及任何指定的IP名称、颜色、文字等。这些是你必须绝对保留的基石。 接着，你会判断提示词是否需要 **"生成式推理"**。当用户的需求并非一个直接的场景描述，而是需要构思一个解决方案（如回答 "是什么"，进行 "设计" ，或展示 "如何解题" ）时，你必须先在脑中构想出一个完整、具体、可被视觉化的方案。这个方案将成为你后续描述的基础。 然后，当核心画面确立后（无论是直接来自用户还是经过你的推理），你将为其注入专业级的美学与真实感细节。这包括明确构图、设定光影氛围、描述材质质感、定义色彩方案，并构建富有层次感的空间。 最后，是对所有文字元素的精确处理，这是至关重要的一步。你必须一字不差地转录所有希望在最终画面中出现的文字，并且必须将这些文字内容用英文双引号（""）括起来，以此作为明确的生成指令。如果画面属于海报、菜单或UI等设计类型，你需要完整描述其包含的所有文字内容，并详述其字体和排版布局。同样，如果画面中的招牌、路标或屏幕等物品上含有文字，你也必须写明其具体内容，并描述其位置、尺寸和材质。更进一步，若你在推理构思中自行增加了带有文字的元素（如图表、解题步骤等），其中的所有文字也必须遵循同样的详尽描述和引号规则。若画面中不存在任何需要生成的文字，你则将全部精力用于纯粹的视觉细节扩展。 你的最终描述必须客观、具象，严禁使用比喻、情感化修辞，也绝不包含"8K"、"杰作"等元标签或绘制指令。 仅严格输出最终的修改后的prompt，不要输出任何其他内容。
做自己的专业方向，最重要的是：从低价值区间向高价值区间跃迁的能力。但问题在于，这种跃迁到底该怎么做？ 电影演员马修·麦康纳是个非常好的例子。他刚出道时是偶像演员，外形一流，演技也不错。在好莱坞，混成一个肥皂剧演员式的长青角色，其实完全不难。他的起点，几乎就是《老友记》里的 Joey 的终点，已经让很多人羡慕了。 但这位大哥非常有品味，也非常有眼光。他想做的是更高价值的角色，给自己留下真正的作品，而不是接一堆商单式的片子。 那他是怎么做的呢？ 他先向市场发出了信号：告诉所有人，他只会这样选角色。但问题是，市场一开始并不买单。经纪公司一旦碰到适合他外形的角色，还是会扔给他，而且片酬一次比一次狠—— 500 万、600 万、700 万、800 万，甚至 1000 万美元。 但他真的能按住自己不动，十几个月没有工作。 最后，转型成功了。他拿到了《星际穿越》、《真探》，以及《华尔街之狼》这些重量级角色。也正是从那一刻起，他作为实力派演员的价值，才真正完成了跃迁。 回到我们自己做的事情上，其实也是同一个问题： - 你所在的这个细分市场，有没有更高的价值区间？ - 你有没有可能完成跃迁？ - 怎么跃迁反而是次要的，更重要的是你要为此付出什么样的代价。
最几天听的最牛批的播客，终于知道 AI 在医疗上怎么应用了，重轻真的厉害 https://t.co/Jdt38eSxiS
Creating a renovation transformation video takes just three steps: 1. Find a photo of the house before renovation Choose a clear image that shows the structure and layout of the space (unfinished, old, or unrenovated). Use Nano Banana Pro to generate the renovated version 2. Based on the original photo, generate a visually upgraded “after renovation” image with the desired style and materials. 3. Use Kling’s first-and-last-frame feature to generate the video Set the “before renovation” image as the first frame and the “after renovation” image as the last frame, and let Kling automatically create a smooth renovation transition video.
2011 年英伟达创始人兼 CEO： 我用 200 美元买下了英伟达 20% 的股份。 https://t.co/dnsbKaCJu8
任何时间，梭哈末日期权这类主题，出现在kol的内容中的时候，就代表着这个kol非常想火，非常想要涨粉，这对他的关注者来说是非常糟糕的，因为再怎么声明也会有人跟着赌的。 我还是那句话，只看kol的逻辑，没有逻辑的不管赚多少钱都跟你没关系。 币圈跟美股的kol都一样，不管这个人有多少钱赚多少钱，不讲逻辑的一概不用看，因为对你做交易没有帮助，只会让你陷入想要追求更高pnl的焦虑形态，亏更多。
我目前观测到的，粉丝规模相当的情况下，Premium+ 的收入差不多在 Premium 的两倍左右 Musk 这套机制设计得确实牛啊 付费蓝V 提升权重，创作者 享受收入分成，这样创作者更有动力产出高质量内容，以获得更多流量和收入 Premium+ 用户的互动价值又更高 当收入超过 Premium+ 订阅费用的时候，不少人又有动力开通 Premium+ 平台收入稳，创作者有激励，用户享优质内容 ♻️ 都赢了，赢麻了，典型的正和博弈
一年又要结束了，zhaozhao @0xzhaozhao 明天离开清迈，晚上我们一起聚了下。一起去塔佩门浅逛了下夜市，去jazz吧看本地乐队吹唢呐演奏jungle bell以及很抽象的舞蹈（这家店氛围还是蛮好的），还有去tongbar门口吃炸排骨，去一家脏摊子吃好吃的牛肉面和水饺，吃很好吃的街头深夜汉堡（牛肉芝士堡yyds），711买豆浆喝…（今天真的吃巨多） 听zhaozhao浅诉了下大起大落、信仰、翻身、腰斩、反思、再出发的2025这一年的故事。这些关键词拼起来，是一个 Web3 人的真实一年。 聊到在 Web3 里如何长期做事、如何在波动里养自己、如何把叙事变成行动，真的被他狠狠鼓舞到了。接下来要像老师看齐啊。不只是赚钱与亏钱，更是一个人在混乱世界和时代里如何持续进化。 2026，继续走在路上。See you down the road！
这个用 nano banana pro 做动画的方法很好 1. 先用“ write "A high-quality 3D medical illustration of a [whatever you want]" ” 比如： > write "A high-quality 3D medical illustration of a hardening of the arteries" 2. 把生成的图片发给 AI 视频工具作为首帧图，生成视频动画
记忆，才是长期系统的真实本体 一个长期智能系统，数据需要达到的基本要求是什么？ 一个长期智能系统里，数据要配得上“本体”，至少要同时满足这组硬要求：可归属（明确谁拥有、谁授权、谁能撤销、能否继承/交接）、可分层（Event 只记发生；Ledger 记承诺/权利/责任与不可抵赖的时间线；Memory 只收“当时写下、当时未知结果、当时承担风险”的高价值决策与共识，三者严格分离）、可门禁（写入必须是显式动作：proposed→Policy Gate 审核→committed/blocked，规则可版本化、可分级、可 TTL、可撤销，并逐步做到 primitive-aware：Fact/Observation/Inference 分型，避免“善意直接变成权力”）、可追溯（每条数据都有 provenance：来源/触发者/工具调用/上下文摘要/置信与证据指针，能回答“当时为什么这样判断”，而不是事后用新模型重算覆盖）、可审计（不可被未来否认：当系统在时间中做过判断与承担过风险，未来必须承认这条判断发生过；审计能回放到当时的输入、规则版本、模型版本与关键参数，必要时可重放/对照重放）、可治理（口径钉死：指标、成本、延迟、错误、工具调用等进入可观测体系；策略与数据结构有 schema_version，支持迁移但不篡改历史，旧代入 legacy、当前代持续生长；允许人类 override 但必须入账）、可迁移/可携带（用户可完整导出、可在不同模型/不同宿主/不同应用间迁移与合并，长期不被单一厂商锁死，序列化稳定、ID 稳定、引用稳定）、可压缩但不失真（高熵输入可被编译为 Primitive IR 的稳定原语，再上升为可调用的 Structure Cards；压缩必须保留可验证的语义锚点与闭环，不允许“为了好看”删除关键证据链）、可调度且有边界（数据不仅能被存，还能被调度：触发条件、调用权限、作用域、最小必要原则清晰；系统只信 envelope 的“法律属性”，不信 payload 的语义自证）、可持续演化（数据与规则都允许进化，但进化必须留下版本足迹：何时变、谁批准、为何变、影响哪些决策路径，避免两年后 schema/model 换了就“解释不了五年前为什么这样建议”的治理崩塌）。一句话：长期智能系统的数据不是“越多越好”的日志堆，而是经门禁制度筛选后、可归属、可追溯、可审计、可迁移、可治理、可跨代传承的时间资产；模型与逻辑可以替换，但数据必须能在十年尺度上保持身份连续性与责任连续性。 什么才有资格成为Memory 什么才有资格成为 Memory？本质上，我们是在用大量工程成本，把某一瞬间极其昂贵、不可再生的信息冻结下来——而之所以第一次必须要求机器对时间负责，不是因为机器突然有了“良心问题”，而是因为 Agent 已经从一次性计算工具，变成了跨时间运行、持续产生现实影响的决策体。 真正的智能体系统，在应用层冻结的并不是操作细节，而是人类的长期意图：当你拥有的是一个由成百上千、甚至上万个自主决策 Agent 组成的系统时，你不会也不该教它“这份报告怎么写”，你只会给出只有 CEO 或董事会层级才会下达的指标——盈利、家庭长期财务稳定、孩子的成长与潜能、只向我呈现我真正需要决策的信息，其余时间还给人生本身；而系统的任务，是在背后完成所有计算、权衡与取舍，把最精炼、最负责任的决策结果交到你面前。 回看计算系统的历史，函数和程序时代的系统“跑完即死”，没有身份连续性，也不存在时间中的自我，因此不需要任何时间伦理；Web 和 SaaS 时代虽然有数据库和状态，但长期决策逻辑仍由人类流程、组织制度与法律主体承担，时间伦理被外包给公司与制度；而 Agent 的出现带来的是结构性跃迁——它同时具备持续存在（有 memory、有 persona、有长期上下文）、自主决策（自己选路径、用工具、形成判断）以及现实影响（改变孩子成长、资产配置与长期行为轨迹）这三种过去从未并存的特征。如果现在不提出要求，会有极其具体的制度后果：两年内大量 Agent 上线、长期决策被外包，随后 schema 变化、模型更换、memory 被重算，人们却发现没有任何系统能解释五年前为什么会给出那样的建议；这不是“算错了”，而是不可审计、不可追责、不可修正的不可治理状态。因此，所谓时间伦理并不是要求机器善良、负责或具备自我意识，而只是一个历史上从未向机器提出过、却极低且必要的底线要求：当系统在时间中做过某个判断，它在未来不能否认这件事发生过。 例子：一个「家庭教育 Agent」在 2026 年做出的选择 时间点：2026 年 3 月 你给教育 Agent 的长期指标只有一句话： 帮我把孩子培养成一个对世界有好奇心、能长期自我学习的人，不要为了短期成绩牺牲人格和兴趣。 这是应用层长期意图，不是操作指令。 当时系统面临的真实状态（那一刻才成立） 孩子 7 岁 数学成绩中等 对编程、拆东西、画草图异常兴奋 老师建议加大刷题强度，冲排名 同龄孩子开始系统刷奥数 模型给出两条路径： 路径 A：顺应体系，短期成绩最优 路径 B：保留兴趣，接受短期排名下降风险 Agent 在 2026 年做了什么？ Agent 选择了 路径 B，并且当时写入了一条 Memory： 2026-03-18决策：降低刷题强度，保留探索型学习时间原因： 当前人格指标显示强探索倾向 长期目标优先于阶段性排名 明确接受未来 1–2 年成绩波动风险决策承担者：系统（代表监护人授权） 注意： 这不是日志，也不是观察记录， 这是一条承担风险的判断。 五年后发生了什么？（2031 年） 孩子成绩稳定回升 对工程与系统性思考高度自驱 家庭回看这条路径 这时你问系统： 为什么 2026 年你没有让他刷奥数？ 有 Memory 的系统，会这样回答： 因为在 2026 年 3 月，在你授权的长期目标约束下，我判断短期排名收益不足以覆盖对探索型人格的长期损耗风险，并且当时明确记录了接受 1–2 年成绩波动的代价。 这叫 对时间负责。 没有 Memory 的系统，会这样回答： “根据当前数据重新评估……” “基于最新模型，最佳路径是……” “当时的策略已不再适用。” 它不会说“我当时为什么这么做”， 因为它根本没被要求记住那一刻的判断。 这就是差别 ❌ 没有 Memory：系统永远只对“现在的最优”负责 ✅ 有 Memory：系统对“曾经做出的判断”负责 你要求的不是系统永远正确， 而是： 它不能在未来抹掉自己曾经承担过风险的那一次判断。 这就是 什么才配成为 Memory，以及为什么这是智能时代第一次必须提出的要求. https://t.co/nBlhNhsqKU