🔥 Search Hot Tweets
Search and analyze hot tweets from KOL accounts list (list: https://x.com/i/lists/1961235697677017443) within 6 hours. Use SoPilot plugin to quickly comment and occupy the comment section.
我对 iPhone 最不满意的地方就是它有后置摄像头 我根本不需要这个东西，但是这个凸起导致我的手机在桌面无法放平，而且黑圆圈看起来密恐 回头去华强北找一个人把后置摄像头拆掉，想办法让系统走前置摄像头扫二维码，要修改主板上的 EEPROM 数据，难度不低 录个视频保底百万播放
问：起一个新的 codex 进程它怎么记得以前的内容呢？ 首先要有一个 Agents .md 或者 Claude .md 文件，Agent 启动后会读取，通过它引导 Agent 到一个 TODO 或者 Progress MD 文件，每次执行完任务更新已经完成的和下一步打算要做的任务到这个文件，那么下次它就可以继续之前的任务 https://t.co/14ggQvO6Jc
- 你了解中国吗？你做过国家吗 - 不满意可以移民，又没人拦着你 - 觉得国家不好你就自己做一个 - 美国和日本也有很多问题 - 尽管中国有这么多问题，但是中国花了大量精力xxx，你们怎么没看到 - 生在中国这么好的国家，你们就偷着乐吧 https://t.co/EfomBhNH4I
说得好，自省中🥹 https://t.co/EjeWp09ls5
这篇《沉默的贡献者》指出，在任何公司中都存在这样一群价值非凡的员工：他们默默奉献、超越本职工作，却不求认可。这些人主动解决关键问题、指导初级员工、维护系统，他们的工作往往涵盖多个层级，并在问题显现前就予以解决，导致其贡献难以通过传统绩效指标衡量。 然而，现有的绩效评估体系常常未能识别他们的多面贡献，因为他们的影响力不符合 OKR、工作范围或领导力等既定标准，反而可能“惩罚”了他们的卓越，奖励了“显眼的平庸”。 这些原本期望通过工作成果来证明自身价值的关键员工，最终会因为感觉不被看见和欣赏而感到失望。当他们被迫为自己争取认可时，会意识到系统更重视表面功夫而非实际绩效，从而心灰意冷。最终选择离开。 我只想到了欧文离开骑士队。🤣 https://t.co/mAjBtUvMAi
Vercel Domains 的交互体验太好了，搜索结果极其丝滑，展示效果也很高效，买不买域名都可以用它先查一下。https://t.co/eemR32RhSW
普通人如何拿到X 每月发的低保？ 你突发奇想靠流量变现，但是发了条帖子，无人问津？你不信邪，在了一周，浏览量 50 但是X 上还是每天有人分享拿到低保，是他们都在骗你吗？还是你天生不适合做社交媒体？ 不是的。假如你要学会借势，就是去大 V 评论区发表有价值的内容，你通过努力也可以成功。 但是，你要学会方法，优化每一个关键步骤 下面的视频介绍了： 为什么去大 V 评论区评论是第二好的起号方式 别人是如何关注你，你应该如何优化这个流程 社媒不是 零和游戏，你拿到了低保并不代表我会损失，所以我是真心分享与你 那么第一好的起号方式是什么呢？人多眼杂，进群分享。
当年他做 readhub 时，先找了一群自己的狐朋狗友，在网站右边放了一排广告位，好像每个人给了至少 10 万，他还写了篇文章炫耀这个事，说第一笔营收就这么有了。一个人能做到这么无耻...也挺常见，雷军不也一样吗？好人哪能赚大钱呢。
前几天在云栖大会上路过了一个超级酷的图生 3D 模型。 这个模型它真的会炸裂，就是可以把 3D 模型进行组件分解。 而且还支持无限炸裂，一次不够就再炸一次。。。 通过一步步的拆解，就把复杂的模型拆解成了简单模型 这样处理之后，可以在各类场景下大幅提高3D模型精度。 比如打印玩具的时候可以逐个精修，提高了可用性。 比如3D打印可以分别打印零件，减少损耗。 不管是高精度游戏、影视还是工业设计，都能用上。 这个模型同时也是目前 3D 模型效果的 SOTA。 模型的名字叫 Hyper3D Rodin Gen-2
新成就，GitHub 获得了 100 个 Stars！ 还是挺开心的。 上一个项目被 fork 了 74 次都没人 Star 😂。 https://t.co/4b832Oj0TY
突破自己舒适圈很难，但也是一种像运动一样需要去锻炼的能力。多做几次，也就慢慢熟了。 我近几年自己最大尺度的一次突破舒适圈，是去面试《奇葩说》的海选。进了第一轮，当天真的是现场吵架，还是远程！我的天，感觉嘴巴都不利索了。嗯，准备啥的完全没用，那个就得看你是不是那种特质的性格。 我和我吵的那哥们儿年纪应该比我小一点，我们都双双被淘汰。那场海选十几个人，好像就选一到两个再进第二轮，再进第三轮，就这样，最终选出那些辩论（吵架）高手。 那次是真的体会到自己舒适圈之外的世界，挺好。丢脸吗？反正谁都不认识，谁就算真的是公开各种人看着你出丑，谁也不会太在意的。
「 LLM, Drivel-ology 」 “一家三代烟草人，传承和守望 。” LLM 能理解其深意么？ Drivel-ology，这是啥？废话-学。 此处的废话跟 bullshit 又不一样，看似胡说八道，但又有某种目的的隐含意义，比如 “因为崇拜切格瓦拉的反思本主义思想，所以我买了他所有的文化周边。” 论文分享： [ Drivel-ology: Challenging LLMs with Interpreting Nonsense with Depth ] 作者提出 Drivel-ology，指语法正常却蕴含悖论、文化隐喻的有深度的胡说八道，并发现 LLM 虽能流畅生成文本，但对语用深层含义的理解不足。 LLM 在明显的有害信息检测上进步明显，但面对低级红高级黑，任重道远。
AI 如同电力，关键不在于谁能造出最亮的灯泡，而在于是否能建成覆盖全社会的“电网”。对普通人来说，包括程序员，真正的指数级机会不是在造模型端，而是在电网端：如何建立一套社会、技术与制度共同组成的网络，让智能像电力一样可靠、普及、隐形地运行。没有电网，AI 只能停留在少数人的炫目演示里；有了电网，它才能成为支撑下一阶段文明的底层基石。 AI as Electricity: Turning High Voltage into Everyday Use https://t.co/6Do2TLkL07
芝加哥北边和西边都挺好，南边相对比较乱，枪击案多发生在南边和市区。夏天不只是美，不冷不热，气候宜人。冬天太长太冷，基本上只有冬天和夏天，冬天有大半年，从10月份开始持续到5月份，暖气费都要不少。房产税很高，工作机会不如纽约这些地方。
这个月参加了很多大会，见了不少人，跟去年不一样的是都开始谈“all in AI”。 现在一听到“all in AI”这个词我就脑瓜疼。 我对 AI 本身没什么疲惫感，主要现在很多企业喊得太轻巧太空洞了。 组织在用一种“只要喊了就算做了”的方式， 假装在变革。 但其实谁都知道，那些真正该动的地方一个都没动。 从组织角度讲，我看到的大多数所谓 all in，更像是一种花活，写一堆 MCP，挂个 AI 模块，接着开个发布会，发个 pr。 然后自我感动地告诉全公司，我们已经拥抱未来了。 那这个时候我就会很认真去问： - 那你们的数据打通了吗？ - 你们把原来的流程拆了吗？ - 你们给 AI 真的分配了决策权了吗？ 回应基本就是沉默或者支吾。 说说我的看法，我现在特别警惕也特别反感那种技术热词主导的战略决策，它们太容易让人放弃思考、放弃怀疑并且放弃责任了。 一个人， 只要说 all in AI，好像就赢了； 只要说未来都得靠 AI，好像就站在了浪潮前面； 但实际呢？根本没构建任何 AI 能跑得起来的组织环境，也没有准备好用 AI 重新定义自己手里的权力、工作方式和判断逻辑。 仅仅只是站在原地，举着一个闪亮亮的口号，把自己骗得很开心而已。 真正的 all in，永远是疼的。 需要从最熟悉的系统里抽出骨头，打断惯性的思维方式，然后忍受混乱和不确定； 需要愿意承认“我原来那个流程是错的”、“我原来那套认知已经落后了”； 是必须对团队说：“我们从今天起不再靠人盯数据，而是相信模型先跑一轮”； 而不是说“我们接入了某某 AI API，所以从今天起我们变成 AI 公司了”。 我更愿意看到那种不说 all in，但确实把 AI 真正干进系统里的人。 比如医生端的文献检索系统重构，让医学知识能被自然语言查询和落地辅助决策， 比如客服系统不再是死板脚本，而是有记忆、有学习能力的半自动应答流程， 比如原来要三轮审批的工单系统，现在可以直接通过 AI agent 做前置分拣与聚类分析。 这些可不是 showcase，是一个组织真正动了肌肉骨骼，而不是给自己贴了个 AI 贴纸。 所以当我再听到有人说“我们也准备 all in AI 了”的时候， 我会忍不住想回一句：你准备 all in 的到底是什么？ 是未来，还是自我安慰？ 是能力体系的更新，还是一种不能落后的集体焦虑？ 如果只是想借 AI 节省人力，那最后省下的不是成本，可能是整个系统的进化机会。 如果不想改人、不想改流程、不想改决策逻辑，那就别说 all in，真的没那么便宜的。 深夜的一点想法，写得有点重，但是真心的。 AI 是很酷，但别让它变成了又一个“喊完就算做了”的口号。 我们都值得一点更真实的变化。
为什么主打「悦己」口号的女性内衣品牌，真实目标都是库存管理 https://t.co/5shOQtX1ON
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 一套试卷，如果答题的都是尖子生，那答案就都大差不差 如果答题的都是差生，答案就千奇百怪 凡是定价整齐划一的，比如国内 20-25w 的新能源汽车市场，那就是高手如云，刀光剑影 凡是定价稀碎的，一人一个样的，比如国内某平台的心理疗愈赛道，那就是菜鸡成群，一顿胡搞 如果你懂定价，你会觉得毫无竞争可言，整个赛道就你一个人
宝玉
OpenAI 内部揭秘：我们如何使用 Codex 在 OpenAI，从安全、产品工程、前端、API、基础设施到性能工程，许多技术团队每天都在使用 Codex。 无论是理解复杂系统、重构大型代码库，还是在新功能上线、处理紧急故障时，各个团队都在利用 Codex 来加速各类工程任务。 这篇文章是我们采访了 OpenAI 的工程师，并结合内部使用数据后，总结出的一系列真实用例和最佳实践。从中，你可以看到 Codex 是如何帮助我们的团队提高效率、提升工作质量，并从容应对大规模系统复杂性的。 应用场景 1 —— 理解代码 当我们的团队成员刚接触项目、调试代码或排查故障时，Codex 能帮助他们快速熟悉代码库中陌生的部分。 他们经常使用 Codex 来定位某个功能的核心逻辑，梳理不同服务或模块间的关系，以及追踪系统中的数据流。 有时，一些架构模式或者缺失的文档需要耗费大量人力去梳理，而 Codex 可以轻松地将它们呈现出来。 在应急响应期间，Codex 能够揭示组件间的相互作用，或追踪故障在系统间的传导路径，从而帮助工程师迅速进入新的工作领域。 听听我们团队怎么说 我在修复一个 bug 时，会用“提问模式” (Ask mode) 来检查代码库里其他地方是否可能出现同样的问题。 — 性能工程师, 检索系统 我值班的时候，会把堆栈跟踪 (stack trace) 粘贴给 Codex，然后问它身份验证的流程在哪里。它能直接跳转到正确的文件，让我可以快速进行分类处理。 — 网站可靠性工程师, API 平台 当我想知道‘某个功能该在哪里实现？’这类问题时，无论是在 Terraform 还是 Python 的代码仓库 (repo) 里，Codex 都比 grep 命令快得多。 — DevOps 工程师, 基础设施服务 试试用 Codex 来理解代码，你可以这样问： • ☐ 这个代码仓库里的身份验证逻辑是在哪里实现的？ • ☐ 总结一下，请求从入口到返回响应，在整个服务中是如何流转的。 • ☐ 哪些模块和 [模块名] 有交互？它们是如何处理失败情况的？ 应用场景 2 —— 重构与迁移 当一项改动需要跨越多个文件或程序包时，我们通常会使用 Codex。 比如，在更新 API、改变某个设计模式的实现方式，或是迁移到新的依赖库时，Codex 能确保所有修改保持一致。 特别是当同一个更新需要在几十个文件中重复进行，或者改动涉及复杂的代码结构和依赖关系，无法通过简单的正则表达式 (regex) 或“查找替换”轻松搞定时，Codex 就显得格外有用。 工程师们也用它来清理代码，比如拆分过于臃肿的模块、用更现代的模式替换老旧的写法，或是为代码进行重构以便更好地进行测试。 听听我们团队怎么说 Codex 把我们代码里所有旧版的 getUserById() 函数都换成了新的服务模式，还自动提交了 PR (合并请求)。这事儿本来要花好几个小时，它几分钟就搞定了。 — 后端工程师, ChatGPT Web 为了扫清发布障碍，我让 Codex 扫描所有旧模式的实例，用 Markdown 格式总结出影响范围，然后直接提交 PR 把它们都修复了。 — 产品工程师, ChatGPT 企业版 试试用 Codex 来重构和迁移代码，你可以这样说： • ☐ 把这个文件按功能拆分成独立的模块，并为每个模块生成测试。 • ☐ 将所有基于回调的数据库访问方式，转换为 async/await 异步模式。 应用场景 3 —— 性能优化 Codex 常被用来识别和解决性能瓶颈。 在进行性能调优或提升系统可靠性时，工程师们会让 Codex 分析那些运行缓慢或消耗大量内存的代码，比如低效的循环、冗余的操作或开销大的查询。Codex 会提出优化建议，这些建议常常能显著提升效率和可靠性。 Codex 也被用来维护代码的健康度，它可以找出那些仍在被使用但存在风险或已过时的代码模式。 我们的团队依靠它来减少长期的技术债，并主动预防性能衰退。 听听我们团队怎么说 我用 Codex 扫描代码里那些重复且开销大的数据库调用。它很擅长标记出热点路径，并帮我起草批量查询的初稿，之后我再进行微调。 — 基础设施工程师, API 可靠性 Codex 在快速发现性能问题上表现出色——我只要花 5 分钟写一个提示，就能省下 30 分钟的工作量。 — 平台工程师, 模型服务 试试用 Codex 来优化性能，你可以这样说： • ☐ 优化这个循环，提升内存效率，并解释为什么你修改后的版本更快。 • ☐ 找出这个请求处理器中重复的高开销操作，并提出可行的缓存方案。 • ☐ 针对这个函数，提出一个更快的方式来批量处理数据库查询。 应用场景 4 —— 提升测试覆盖率 Codex 能帮助工程师更快地编写测试——尤其是在那些测试覆盖率很低甚至完全没有测试的地方。 当修复一个 bug 或进行代码重构时，工程师们常常让 Codex 针对边缘案例或可能的失败路径提出测试建议。 对于新代码，Codex 能够根据函数签名和上下文逻辑，生成单元测试或集成测试。 在识别边界条件方面，Codex 特别有用，比如空输入、最大长度限制，或者那些不常见但有效的状态。这些情况在初期的测试中常常被忽略。 听听我们团队怎么说 我会让 Codex 在夜间处理那些测试覆盖率低的模块，第二天早上醒来，就能看到可以直接运行的单元测试 PR 了。 — 前端工程师, ChatGPT 桌面版 在我们庞大的代码仓库里切换分支很痛苦。所以，我会让 Codex 帮我写测试并触发 CI (持续集成)，而我自己则可以继续在当前分支上工作。 — 后端工程师, 支付与账单 试试用 Codex 来提升测试覆盖率，你可以这样说： • ☐ 为这个函数编写单元测试，要包含边缘案例和失败路径。 • ☐ 为这个排序工具生成一个基于属性的测试。 • ☐ 扩展这个测试文件，覆盖缺失的场景，比如 null 输入和无效状态。 应用场景 5 —— 加快开发速度 无论是在开发周期的开始还是收尾阶段，Codex 都能帮助团队提速。 启动一个新功能时，工程师会用它来搭建脚手架代码 (boilerplate)——自动生成文件夹、模块和 API 接口桩，从而快速得到可运行的代码，省去了手动配置的麻烦。 当项目临近发布、时间紧迫时，Codex 会处理那些琐碎但必要的任务，比如初步筛选 bug、填补最后阶段的实现空白、生成部署脚本、遥测埋点或配置文件。 它还能将产品反馈直接转化为初始代码。 工程师们常常会把用户请求或产品规格文档粘贴进去，让 Codex 生成一个粗略的草稿，之后再回来完善。 听听我们团队怎么说 我虽然开了一整天的会，但还是合并了 4 个 PR，因为 Codex 在后台帮我干活。 — 产品工程师, ChatGPT 企业版 Codex 完美地帮我修复了 3-4 个低优先级的 bug，这些问题本来可能会在待办事项里积压很久。这种感觉真是太棒了！ — 全栈工程师, 内部工具 试试用 Codex 来加快开发速度，你可以这样说： • ☐ 为 POST /events 搭建一个新的 API 路由，包含基本的验证和日志记录功能。 • ☐ 根据这个模板 [在此插入你的遥测代码示例]，为新的用户引导流程生成一个遥测埋点，用来追踪成功或失败。 • ☐ 基于这份规格文档 [在此插入规格或产品反馈]，创建一个桩实现。 应用场景 6 —— 保持心流 当工程师的日程被各种会议和干扰打得支离破碎时，Codex 能帮助他们保持高效。 他们会用 Codex 来记录未完成的工作，把笔记变成可运行的原型，或者开启一些探索性的任务留待日后处理。 这让他们即使在值班或会议缠身时，也能轻松地暂停和恢复工作，而不会丢失上下文。 听听我们团队怎么说 如果我发现一个可以顺手修复的小问题，我会直接发给 Codex 一个任务，而不是自己切换分支去修改。等我有空了，再回来审查它提交的 PR 就行。 — 后端工程师, ChatGPT API 我经常把 Slack 的讨论串、Datadog 的追踪日志、工单等等都转发给 Codex，这样我就可以专心处理更重要的事情。 — API 工程师, 基础设施可观测性 试试用 Codex 来保持心流，你可以这样说： • ☐ 制定一个计划来重构这个服务，并把它拆分成更小的模块。 • ☐ 先把重试逻辑的框架搭起来，加个 TODO 标记，我稍后再来填充具体的退避策略。 • ☐ 总结一下这个文件，方便我明天能接着今天的工作继续。 应用场景 7 —— 探索与构思 对于一些开放式的工作，比如寻找替代方案或验证设计决策，Codex 也很有用。 你可以向它征求解决问题的不同方法，探索不熟悉的设计模式，或者对你的假设进行压力测试。 这有助于你权衡利弊，拓宽设计思路，并作出更精准的实现选择。 它还能用来识别相关的 bug。只要给它一个已知的问题或一个已废弃的方法，Codex 就能在代码库的其他地方找出类似的模式，让我们更容易发现潜在的衰退或完成清理工作。 听听我们团队怎么说 Codex 帮我解决了“冷启动”难题——我把规格文档粘贴给它，它就能帮我搭建好代码框架，或者指出我遗漏了什么。 — 产品工程师, ChatGPT 桌面版 我修复完一个 bug 后，会问 Codex 类似的问题还可能潜藏在哪里，然后把这些作为后续任务跟进。 — 性能工程师, 检索系统 试试用 Codex 来进行探索与构思，你可以这样说： • ☐ 如果把系统从“请求/响应”模式改成事件驱动模式，会怎么样？ • ☐ 找出所有手动拼接 SQL 字符串的模块，而不是使用我们推荐的查询构建器。 • ☐ 用函数式编程的风格重写这段代码，避免变量突变和副作用。 最佳实践 要想让 Codex 发挥最大效用，你需要给它清晰的结构、充足的上下文，以及迭代的空间。 以下是 OpenAI 团队在日常工作中总结出的一些习惯，能帮你稳定地从 Codex 中获得价值。 • 从“提问模式” (Ask Mode) 开始 对于大型改动，可以先在“提问模式”下让 Codex 生成一个实现计划，然后再切换到“代码模式” (Code Mode)，将这个计划作为后续提示的输入。 这种两步走的方式能让 Codex 的思路更清晰，减少输出错误。 • 像写 Github Issue 一样组织你的提示 当你像描述一个 PR 或 issue 一样给出提示时，Codex 的表现会更好。 这意味着，在必要时，你需要提供文件路径、组件名称、代码差异 (diff) 和文档片段。 使用像“按照 [模块 X] 的方式来实现这个功能”这样的提示，也能得到更好的结果。 • 逐步完善 Codex 的开发环境 Codex 最适合处理那些范围明确的任务——比如一个你或同事花一小时左右就能完成，或者需要写几百行代码就能实现的任务。 随着模型的进步，它能处理的任务规模也会越来越大。 为 Codex 设置启动脚本、环境变量和网络访问权限，可以显著降低它的错误率。 在运行任务时，留意那些可以通过调整 Codex 环境配置来解决的构建错误。 这可能需要几次迭代，但从长远来看，能带来巨大的效率提升。 • 把 Codex 任务队列当作一个轻量级待办清单 随时把想到的点子、未完成的工作，或是顺手发现的小问题都交给 Codex。 不用非得一次性生成一个完整的 PR。 Codex 是一个很好的“暂存区”，等你重新集中精力时，可以随时回来处理。 • 使用 AGENTS .md 提供持久化上下文 在你的代码仓库中维护一个 AGENTS .md 文件，这能帮助 Codex 在处理不同提示时，更高效地理解你的项目。 这些文件通常包含命名规范、业务逻辑、已知的“坑”，或者那些 Codex 无法仅从代码中推断出的依赖关系。 你可以查阅文档，了解如何更好地组织 AGENTS .md 文件。 • 利用 "Best of N" 功能提升输出质量 "Best of N" 功能允许你针对同一个任务同时生成多个版本的回复，这样你就可以快速探索不同的解决方案，并挑选出最好的一个。 对于更复杂的任务，你可以审查多个版本，并将不同回复的优点结合起来，得到一个更强的结果。 展望未来 Codex 目前仍处于研究预览阶段，但它已经实实在在地改变了我们的构建方式，帮助我们加快开发速度、编写更高质量的代码，并有余力去处理那些在过去可能永远不会被优先考虑的工作。 随着我们的模型越来越强大，Codex 也将更深度地融入我们的工作流中。我们对未来的潜力感到无比兴奋，并期待着用它解锁更多强大的软件开发方式。 我们也会继续分享一路走来的所学所得。
Est. 11.8K views for your reply