🔥 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.
这个AI应用场景好赞：在婚礼现场抓拍客人，然后实时用AI视频来调侃他们。https://t.co/4aGpwKQWn1
我最近在听 Naval 的播客《How to Get Rich Without Getting Lucky（不靠运气致富）》，其中的一些观点让我开始重新审视自己的职业规划，尤其是在产品设计这个领域工作多年之后，更有了新的感触。 我逐渐意识到：虽然在大公司工作看起来稳定、体面，甚至有点“奢侈感”，但它并不能帮助我建立长期的复利型收入。原因很简单——作为普通员工，你往往拿不到公司真正的股权，而缺少股权，就意味着长期收益空间受限。 Naval 提到过一个让我特别有共鸣的点： 可以从全职员工转向咨询／自由职业，用专业能力换取更高的杠杆。 对我来说，这意味着： • 把设计能力和行业经验变成可以对外输出的专业服务 • 与多个客户或团队合作，而不是把价值只绑定在一家企业 • 收更高的费用、工作更灵活，同时还能创造实际价值 这样的职业模式能让我慢慢摆脱“纯时间换钱”的逻辑，为未来累积更具规模化、可复利增长的收入流。
买过最值的软件之一 Eagle， 一直用来做本地图片和情绪板管理， 好多年前付费买断了，到现在一直在更新， 用来做提示词管理再好不过了。 https://t.co/WjruEx0wMc
俄罗斯的楼为什么和北京高校的家属院那么像？没人发现这个吗？
任老是真的很强大，真男人。 很多人不知道棚屋是什么，以前叫铁皮房。我父母刚来深圳的时候就住过。他们很幸运，很快情况就改善了，所以我是没有住过棚屋的。 https://t.co/UgnJgNtlKG
我决定停止长篇大论，start building。 管他呢。 2025 年 12 月 13 日，我为自己的 AI 原生操作系统落下了一个小小的锚点： v0.1-runtime-mvp 这是一个极小的版本。 我希望用它来解释： 我到底在做什么？我的 vision 是什么？2026 年我要构建的系统又是什么？ 说实话，这比我想象得难很多。 过去几周，我试图当面向一些资深软件工程师解释我的方向，几乎没有一次成功。 沟通很困难 我自己的 vision 也仍在形成之中。 我反复讲述一些理论基础： Language–Structure–Orchestrator、 与大模型解耦、 用户自拥有结构、 结构作为智能的主权层…… 这些思想本身就已经“超出了当前范式”。 要在当场解释 “它到底能做什么” 几乎不可能。 我说：“它有点像一个 OS。你可以在上面 build everything, write everything, run everything。” 通常，这句话一出，对话就结束了： “你是不是幻觉了？”😂 所以，我决定不再试图从宏图开始解释。 我从一个最小的细胞写起。 一点点让你看到它怎么呼吸、怎么记录、怎么运转。 v0.1 Runtime MVP: The Moment an AI-Native OS Draws Its First Breath (hopefully 😂） https://t.co/sGJWg5H0gj
斯坦福的这门软工课，值得仔细学。并没有你想象中的那么"vibe", 相反干货满满，其实把直到今天，你需要学的最核心部分给罗列出来了。至少把Slides, 全部看一遍学一遍。 https://t.co/akBDQb0Xbo https://t.co/SSLUR3iAGR
这点是真的，就是一代人有一代人的原生社会。 但是人只有财富这一个指标吗？那就把人性降的太肤浅了。 还有一点就是，人其实是可以与时间错位发展的。 其实在AI探索的这条路上，你觉得应该属于00后吧，不是。我认为给我最大帮助，以及看的最清楚明白，走在前沿的反而是好几位70后。 其实我认识的许多改革开放以后，抓住所谓历史机遇的人，真正发迹都在自己40岁，甚至45岁以后。尤其是男性。在所有身边的人，看着他都觉得他已经错过了自己的时代了，你这个老人家还折腾什么呢。 嗯，就这样的人，最沉稳，最成功。超出了他自己的时代。
宝玉
麦肯锡调研了50个基于AI智能体（AI Agent）的真实项目，深入分析了它们最常见的失败之处，并将其提炼为以下 6 个关键因素——这对于每一位 AI 工程师都至关重要： 1. 重要的不是智能体，而是整体流程 别光想着做出让人眼前一亮的智能体（Agent），那些看起来很酷的“小玩具”未必真的实用。实际工作中，我们要做的是设计一个完整的系统，而不是炫耀技术。 2. 智能体不是万能解药 并不是所有任务都适合用智能体去解决。像那些变化少、可预测的简单任务，直接用传统规则或机器学习（ML）就行了。如果强行用上大语言模型（LLM），反而会增加复杂性。 智能体真正适合的是那些杂乱无章、变化极大的工作流程，比如从复杂的财务报表里提取信息，这才是真正体现智能体价值的地方。 3. 别制造“AI垃圾”（AI Slop） 别沉迷于表面光鲜的演示Demo，而是要像培养新员工一样认真对待你的智能体。为智能体制定清晰的岗位职责，不断进行培训、测试和改进。这种长期发展的眼光，远比秀几个酷炫的演示更重要。 4. 盯紧每个环节，而不是只看最终结果 如果你在没有充分监控的情况下盲目扩大智能体规模，很可能发生隐秘的灾难。你需要清晰地追踪工作流中的每个环节，这样团队才能及时发现错误，迅速修正逻辑，防止系统彻底崩溃。 要知道，出错是一定的。但只要跟踪到位，你就能准确找到问题在哪，下一次不再犯同样的错。 5. 能复用就别重复造轮子 很多公司经常在开发一次性的智能体，浪费大量资源。聪明的做法是把智能体的功能拆成模块，比如数据导入（ingest）、信息提取（extract）、验证（verify）、分析（analyze）等。这些模块可以在不同的场景反复使用。 麦肯锡的研究发现，这种复用策略能帮你省掉30%–50%的重复工作，效果绝不是开玩笑。 6. 人类依然不可或缺，但角色正在改变 智能体擅长解析数据、自动化和规模化执行任务，但人类的价值在于判断力、处理特殊情况和创造性地解决问题。 未来的竞争并不是“人类 VS 智能体”，而是“人类 + 智能体”的完美组合。 以上六点，都是很多公司在开发AI智能体时容易犯的错误。这些陷阱一旦踩中，可能会严重损害企业的名誉和资源投入。 但现在你已经知道如何避免了。 🧵 原文链接和全文翻译见评论
Est. 6.1K views for your reply