🔥 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.
哈哈哈，自用的视频生成 Skill 终于做好了。 以后生产视频方便多了，只需要一句话！ 公开技术方案： 1. Listenhub API实现声音克隆，合成，字幕时间轴控制 2. Seedream 4.5 生成背景封面 3. Manim库实现文本动画 4. FFmpeg合成视频。 同时支持16:9 和9:16 视频，抖音、小红书我来了！
Introducing slide-deck skill 🎨 Turn any article or content into professional slide decks with AI-generated images. 15 styles to choose from: • blueprint - technical diagrams • sketch-notes - hand-drawn feel • corporate - investor-ready • pixel-art - retro gaming vibes • watercolor - artistic warmth ...and 10 more Just run /baoyu-slide-deck https://t.co/Mr6DFuOZiM or pdf and get: ✓ Auto-generated outline ✓ Individual slide images ✓ Merged PPTX ready to share Install: npx add-skill jimliu/baoyu-skills https://t.co/pRDqxdiSrH
Dan Koe 的故事是很有启发的。 最核心的两个点： 1. 产品最核心的是分发渠道 2. 专注的力量
DeepSeek 最近发的三篇论文，全部都是带梁文锋署名的，论文讲的内容也很有意思。 尤其是那篇讲 Engram 的，DeepSeek 相当于给模型带了一本“字典”进考场，把死记硬背的脑容量腾出来，专门用来做难题。 但他们发现，如果模型全是记忆（Engram），那就是个死记硬背的书呆子，完全没法思考。 但如果全是推理（MOE），又要浪费大量算力去推导像“中国首都是哪”这种固定知识。 那要带多少记忆去考试呢？ DeepSeek 研究出了一个模型“记忆”和“思考”的黄金比例。 最后测出来的最佳配比是：75% 给思考，25% 给记忆。 这个结论可能不仅适合于模型，也值得人类深思。 当一个人记住所有细节，就约等于没有空间思考。 逻辑思维，适当抽象，是人类进步的源泉。 当一个人完全没有知识，只会浪费脑力去思考最基本的东西，脑力空转。 DeepSeek 实测，加了字典减少思考后，模型多出了相当于 7 层网络的思考深度。 没想到，知识的广度以这种方式增加了思考的深度。 很有启发。
gitlab这个玩意现在用的还多么？ 我记得我当年大一的时候，班里有人为了方便写项目有人弄了个gitlab。 刚看了一眼，这么多年了，PE还是负数，PS是6.23，57亿的市值，真的还有人在用这个东西么，github被微软收购之后，gitlab感觉已经逐渐淡出视野了，刚看主页也是拥抱AI了
很多人和我探讨过，为什么某某账号看似不错，怎么突然就断更了 我始终坚持：这属于哲学上的不可知论，我们需要承认我们无法知晓答案 就算原作者告诉你他断更的原因，这也不是真相 因为作者自己也不知道真正的原因 他可能会说「太忙了」「没灵感了」「生活变故」，但这些都只是他能意识到的表层理由，是他的理性系统事后给出的「合理化解释」 真实的原因可能是：童年某个被忽视的经历导致的完美主义焦虑、多巴胺奖励机制的阈值变化、某个他自己都没察觉到的人际关系张力、荷尔蒙水平的微妙波动、大脑神经连接模式在某个时刻的重组，以及其他成千上万个相互作用的因素 更深层的问题是：当你问「为什么断更」时，你预设了存在一个单一的、可被言说的「原因」。但人的行为不是这样运作的。断更不是一个「决定」，而是无数微小的、无意识的倾向累积到某个临界点后的涌现现象
宝玉
刚看到一篇《A Year Of Vibes》，算是一篇很有代表性的过去一年对 Vibe Coding 的总结了。 作者 Armin Ronacher 很多人可能不熟悉，但如果你接触过 Python，大概率用过他写的东西——Flask 框架，就是他十几年前的作品。 文档开头第一句话就让我很有共鸣：2025 年，我不再像以前那样写代码了。 跟他的经历很类似，一个写了快二十年代码的人，现在打开电脑，主要的工作变成了——指挥 AI 写代码。他把这比作从“亲自敲键盘的程序员”变成了“虚拟实习生的技术领导”。 我自己对 Vibe Coding 的转变来自于 Claude Code，他也一样，今年四五月份，开始沉迷使用 Claude Code。几个月下来，他在自己博客上发了 36 篇文章，占了这个博客 2007 年至今全部文章的 18%。不是因为他闲了，而是因为 AI 把他从繁琐的实现工作里解放了出来。 他现在同时用三个 AI 编程工具：Amp、Claude Code 和 Pi。他给这三个工具打了个比方——Amp 是保时捷，精致讲究；Claude Code 是大众汽车，实惠能打；Pi 是黑客们的开源玩具。三个工具，三种调性，但他没法告诉你哪个更好。我自己倒是以 Codex 为主，辅助 GitHub Copilot 和 Claude Code。 我估计如果做个调查，每个人使用 AI 编程工具的选择都不一样，因为大家都在“vibes”。 Vibes 这个词贯穿了整篇文章，也是标题的由来。直译是“氛围”或“感觉”，但在这里它指的是一种无法量化、只能凭直觉感受的评判标准。 这可能是 2025 年 AI 编程最诡异的地方：一个行业干了五十年积累下来的工程经验，突然有点不太管用了。什么代码规范、什么最佳实践，在面对 AI 生成的代码时，你最后靠的居然是一种玄学——这个模型“感觉”更顺手，那个工具“用起来”更舒服。 最理性的程序员群体，现在正在用最感性的方式选择技术栈。 Armin 自己一整年都在和 MCP（模型上下文协议）较劲，觉得它不好使。但他拿不出数据，只能说“反正对我没用”。而另一边，有人用得热火朝天。他的朋友 Peter 年初拉他入坑 Claude，现在 Peter 自己跑去用 Codex 了，觉得很香。Armin 试了试，觉得没那么香。 谁对谁错？没有答案。大家都在摸黑走路。 更深层的不适感，来自人与机器的关系。 他开始对这些工具产生了一种“parasocial bond”——中文可以理解为单向的亲密感。就是那种你对某个主播、某个偶像产生的情感投射，对方其实并不认识你，但你总觉得跟对方很熟。 一个 AI 工具，凭什么让人产生这种感觉？ 因为现在的 AI 可以有记忆了。你跟它聊过的东西，下次它还记得。它开始有了“人格”的影子。Armin 说他过去两年一直训练自己，把这些模型当成“token 搅拌机”——一个纯粹的概率机器。但这种简化论的视角已经对他失效了。 这些系统表现出人类的倾向，但把它们抬到人的高度又是错的。它们到底是什么？没人能给出一个好的定义。Armin 甚至开始纠结“agent”（智能体/代理）这个词——因为 agency 意味着自主性和责任，而这两样东西应该留在人类手里。 这种“不知道该怎么称呼它”的困惑，本身就说明了问题。 文章最后，他列了几个希望行业能去解决的痛点。 第一个是版本控制。Git 和 GitHub 是程序员吃饭的家伙，但现在它们缺了一块关键信息：prompt。当代码是 AI 生成的，你光看最终的改动，没法判断这个改动好不好。你需要看到是什么指令催生了这段代码，中间走过哪些弯路。 更有趣的是他的一个发现：失败的尝试对 AI 来说是宝贵的。如果你把 AI 引回一个早期状态，你希望它记得之前哪条路走不通。但我们现有的工具压根没设计这个功能。你删掉一段对话历史，AI 就会重蹈覆辙。 第二个是代码审查。现在的 GitHub 审查界面有个滑稽的设计：你没法正式地 review 自己的代码，只能留评论。但在 AI 编程的场景下，程序员经常需要在自己的 PR 里给 AI 留指示。现有的流程根本没考虑这种人机协作。 第三个是可观测性。这是个稍微技术一点的话题，但核心意思是：过去很多监控、调试工具因为太复杂而没人用，但 AI 恰好擅长处理复杂的东西。那些被束之高阁的方案可能要重新翻出来了。 最后他聊了一个略微敏感的话题：有些人已经完全“放手”了，不再审查 AI 生成的代码，直接让它上。这种做法疯狂吗？疯狂。但 Armin 见过有人这么干还挺成功的。他自己还做不到，他还是会仔细检查每一行。 存在的即是合理的，这种“放手派”的存在，说明一种全新的工作方式正在成型。这种方式和他熟悉的那套软件工程完全是两码事。 这让开源社区头疼。越来越多的 PR 是 AI 一把梭生成的，没经过人脑过滤就扔了上来。对于还在坚守传统流程的维护者来说，这种 PR 简直是一种冒犯。Armin 自己的办法是写详细的贡献指南和 PR 模板，但他也知道这有点像堂吉诃德战风车。 也许问题的解法不是让别人改，而是让那些认可 AI 编程的大声量玩家站出来，示范什么叫“负责任地用 AI 写代码”。 这篇文章对我来说是有共鸣的，你能感受到一个资深工程师的真诚困惑。他不是那种对 AI 大唱赞歌的布道者，也不是捂着耳朵拒绝变化的遗老。他夹在中间，一边深度使用，一边深度怀疑。 2025 年已经接近尾声，但他提出的问题一个都没解决：怎么审查 AI 的代码？怎么保存 AI 的失败记忆？怎么跟一个让你产生情感的工具保持健康距离？ 这些问题的答案，可能就是下一批成功产品的方向。
Est. 300 views for your reply