Logo
Back to creator rankings
宝玉

宝玉

@dotey最近同步 9/16/2026, 12:03:07 AM
DistillView on X

AI Engineer, dedicated to learning and disseminating knowledge about AI, software engineering, and engineering management.

7日排名
#28
总粉丝
249K
7日涨粉
+2.9K
7日发帖
52
7日曝光
1M
帖均曝光
26.9K

Ranking History

Today’s rankings update in real time. Historical records retain daily top-five entries for growth, posts, and reach. Click to view a poster.

No daily top-five records yet.

粉丝趋势

近7日每日已结算数据

7日30天

内容表现趋势

曝光/互动与发帖量均按自然日结算

发帖趋势

近7日每日发帖量

7日30天

帖均曝光趋势

每日总曝光 ÷ 每日发帖量

7日30天

Participated Topics

Participated in 1 topics

View topic rankings
1AI写作去味提示词与Skill工具扩散AI

中文 X 创作者继续围绕 AI 写作去味、Skill 工具和 Agent 课程分享形成高收藏讨论。余温称写作时只加入“禁止使用状语”就能明显减少 AI 味并提升小说质感，铁锤人随后转述类似体验；Viking 分享 show-me Skill，强调让 AI 用最小图示解释技术问题，而不是堆砌长段文字；G哥则分享开源 AI Agent 课程，并称可替代某些付费课程。讨论显示用户关注点正从单条 Prompt 转向可复用工作流、图解能力和系统化学习资源。

Participated post: 怎么感觉 Anthropic 和 OpenAI 对调了😂 OpenAI 宣布断供 Cursor 后不到两小时，Anthropic 联合创始人、首席算力官（Chief Compute Officer）Tom Brown 在 X 上回应：Cursor 从 2024 年的 Sonnet 3.5 时代起就是 Anthropic 信任的合作伙伴，Anthropic 会继续增加算力支持 Cursor 里的 Claude 模型，也期待 Cursor 在 SpaceX 的下一步。
Posts 3 Views 360KHeat 17.2K
#AI写作#去AI味#提示词

近7日爆款推文

按近 7 日曝光排序，展示前 10 条。

1
宝玉@dotey
24.9万 followers
Views7.3万
React Native 开发者 Krzysztof Magiera 在 X 上发了一个技术演示：主线程被阻塞时，SwiftUI 的动画球会卡住，而 UIKit 的球照样平滑运动。原因是 SwiftUI 没有使用 Core Animation，那个从初代 iPhone 起就让 iOS 动画丝滑的底层引擎。他的结论是，SwiftUI 称不上"真正原生"。 SwiftUI 的共同创建者、苹果工程师 Kyle Macomber 很快回应：这是团队最早期、最根本的设计决策之一。 Core Animation 之所以不怕主线程卡顿，是因为它的动画跑在一个独立的渲染进程里，和 app 进程完全隔离。但代价是：当你希望用户在动画过程中随时打断并交互，比如列表滚动时的回弹、主屏幕切换 app 的手势，实现起来非常困难，因为事件处理和动画不在同一个进程。 SwiftUI 把动画放回 app 进程，就是为了让这类可交互、可中断的动画成为默认能力，而不是需要开发者费力实现的特例。Macomber 还指出，SwiftUI 的动画大部分时间实际上跑在非主线程上，并不像演示暗示的那样总会卡。
宝玉 的图片 1
Reply 44Repost 14
3
宝玉@dotey
24.9万 followers
Views6.5万
Thariq 说：“对于大多数集成来说，MCP 比 CLI 更好”，这显然有点夹带私货了，MCP 是比以前好了，但不代表大多数情况下就比 CLI 好。 他大概给了三点理由： 第一，MCP 已经变成无状态协议。 这一点不是 MCP 比 CLI 好的理由，只能说 MCP 终于不再比 CLI 差了。 典型一次性 CLI 调用在调用层面天然是短生命周期的。你执行 gh pr list --json，它跑完返回结果，进程退出，没有会话、没有握手、没有需要维护的连接。你可以在任意机器上跑，负载均衡随便做，横向扩展没有任何协议层面的阻碍。 第二点：Deferred Tools（延迟加载工具） CLI 的 token 成本模型： 模型已经从训练数据中学会了 gh、aws、kubectl 等命令的用法。当 Agent 要调用 gh pr list --json 的时候，上下文里不需要注入任何 schema。成本只有命令本身的几十个 token，加上返回结果的 token。所以对模型熟悉的 CLI，额外的 CLI-specific schema 成本接近于零。 就算没有被训练过的 cli，也有 cli --help，还可以配合 skill。 有了 deferred tools 之后的 MCP： 工具被标记为 defer_loading: true 后，初始上下文里只放工具名和简短描述，完整 schema 在模型需要时按需搜索加载。Anthropic 官方数据是特定大型工具集场景下的工具定义/上下文占用降低约 85%。 所以 deferred tools 把 MCP 和 CLI 之间的差距缩小了，但很难说比 CLI 的 token 效率更高。 第三点：模型的 tool calling 能力提升 对 CLI 的影响： 模型变强了，构造 CLI 命令更准确了，解析非结构化输出也更可靠了。CLI 从中受益。 对 MCP 的影响： 模型变强了，处理结构化 schema 更准确了，多步骤工具调用链的可靠性提高了。MCP 从中受益，而且受益程度可能更大。 之所以说 MCP 受益更大，是因为 CLI 的主要优势之一就是模型天然就已经会了大部分 cli，tool calling 能力弱的时候，这个先验知识优势很大。 当模型的 tool calling 能力提升到足够强的时候，从 schema 中学习新工具也会更容易。 综合来看，MCP 比以前强太多了这个没啥争议，但要说大多数场景比 CLI 强，我还是不太认同。 最后，简单总结下 适合 CLI 的场景： 1. 模型已经训练过的 cli，都不用教，直接说用某个 cli 2. 本地运行，直接跑 cli 最简单 3. 管道组合任务，cli 可以 pipe 4. 省 token，相对来说 cli 耗费 token 要少 5. CI/CD、脚本自动化 ，大部分时候 CLI 更合适，如果 CI pipeline 里调用的是已知工具、固定命令，CLI 毫无疑问更合适；但如果 CI 里需要动态发现工具或跨多个 SaaS 服务做编排（比如跑完测试自动更新 Jira 再通知 Slack），MCP 在这种链路上其实更有优势。 6. 调试和快速验证，如果只是要排查个问题，命令行里面调用下 cli 最简单方便。 适合 MCP 的场景 1. 没有终端访问权限的环境，比如你在浏览器环境、移动客户端，没办法直接访问 cli，但是访问 MCP 是可以的 2. 需要权限认证和权限管理的多用户环境，MCP 可以集成 OAuth 等协议，可以方便的给特定用户授权，CLI 就会麻烦很多 3. 模型没有训练过的工具，虽然说 cli 也可以配合 skill，但是 MCP 有个优势，就是工具的参数是提供结构化、可机器校验的 JSON Schema 4. 需要审计和合规的场景，金融、医疗、政府这类受监管行业，每次工具调用需要有日志、可追溯、可审计。MCP 提供标准化结构、trace 和 header，使审计更容易实现，网关可以基于新增的 Mcp-Method 和 Mcp-Name 头部做路由、限流、计量，不需要解析请求体。CLI 的调用日志要自己在 shell 层面做，格式不统一，分析起来更麻烦。 5. 工具发现（tool discovery），MCP 有标准化的 tools/list 接口，Agent 可以自己发现可用工具。对于工具集不固定、会随时间增长的平台型产品来说，这种可发现性很有价值。搭配 deferred tools 之后更是如此，Agent 不需要提前加载所有工具，可以按需搜索。 当然我只是就常见的场景列了一些，不是完整的，仅供参考。
Reply 62Repost 30
6
宝玉@dotey
24.9万 followers
Views1.8万
Anthropic 把 Claude 的后台任务模式 Cowork 和日常聊天合并成了一个入口，今天开始向 Pro 和 Max 用户逐步推送。https://t.co/4PYyAe3Dvx 之前 Claude 有两个工作模式：聊天处理快问快答，Cowork 处理需要跑一阵子的大活儿——写报告、做调研、整理数据。问题是用户经常拿不准一个任务该丢到哪边，而且两边的上下文不互通。现在不用选了，所有对话都在同一个地方，Claude 自己判断任务需要什么能力。 同时上线的还有三个内容创作工具：Claude Docs（文档协作）、Claude Slides（幻灯片）和 Claude Design（设计，之前是独立产品，现在也嵌进了对话）。在聊天里说一句"帮我写个周报"，Claude 直接生成文档，你可以在里面改、加批注、让 Claude 继续调整；说"做五页幻灯片给领导汇报"，slides 就出来了，改完可以直接下载成 PowerPoint 或 PDF。文档和幻灯片共享同一个对话上下文，所以内容天然一致，不用来回复制粘贴。 实际使用场景大概是这样：出门前让 Claude 查上周项目进展、写周报、顺便做个汇报用的幻灯片，路上用手机看进度，到办公室直接改两笔就能发。还能设成定时任务，比如每周一自动开始写周报。Claude 默认每一步都会征求你确认，如果嫌烦也可以切成"有问题再找我"模式。 三个创作工具目前都是 beta 状态，面向付费用户开放，企业版由管理员决定何时开启。Cowork 老用户不受影响，之前的对话、项目、连接器都还在。Team 和免费用户后续跟进，企业用户会提前 30 天收到通知。 https://t.co/Gwywb6Cg0u
宝玉 的图片 1
视频 1
Reply 29Repost 1
10
宝玉@dotey
24.9万 followers
Views0
ChatGPT 联合发明人创办的 TypeSafe AI 正式发布了一种全新类别的 AI 模型："System One 模型"，以及该类别下的第一个模型 Jev。和现有的大语言模型不同，Jev 完全放弃了文本生成能力，专门为软件内部的快速决策而设计：输入非结构化数据，输出带有校准概率的类型安全结构化结果。 简单说：Jev 不会写文章、不会聊天，但能以极低的成本和延迟，在代码里充当一个"智能判断函数"：分类、打分、路由、提取，这些原本用规则引擎硬写但又写不好的事情，现在可以交给它。 创始人 Diogo Almeida 曾在 OpenAI 参与 InstructGPT 和 RLHF 的核心研发，是 ChatGPT 和 GPT-4 论文的共同作者。他在博客中描述：RLHF 让模型学会了取悦人类，却也让它们在自动化场景里不够可靠。于是他离开 OpenAI，潜行两年，用一套叫做 RLCD（Reinforcement Learning for Calibrated Decisions，校准决策强化学习）的新训练方法从头构建了 Jev。 几个关键数字值得注意： 响应速度 70 到 500 毫秒，比主流前沿大模型的 3 到 329 秒快了一到两个数量级。输入 Token 价格 0.042 美元/百万 Token（约 42 美元��理十亿 Token），输出 Token 免费。官方自称比同等智能水平的大模型快 20 到 200 倍，便宜 40 到 400 倍。 这些数字的来源是 TypeSafe 自研的"工作流评测"（Workflow Evals），用 GPT-6 Astra 和 Anthropic 的 Fable 5.1 的平均结果作为参考答案。他们也承认，这种评测方式本身偏向 OpenAI 和 Anthropic 的模型，Jev 的实际相对表现可能被低估，但极端加速倍数（如 193 倍、444 倍）属于最优情况，不代表所有场景。 速度为什么能这么快？因为架构上根本不同。大模型逐个生成 Token，前一个 Token 出来后才能算下一个。Jev 采用并行采样，所有输出一次算完。这和当年 Transformer 取代 RNN 是同一个思路：用并行取代串行。 代价也很明确：Jev 不能生成文本。它输出的是事先定义好结构的决策结果，每个回答都附带置信度分数。官方宣称类型错误率从数学上等于零（因为输出结构在架构层面就被约束了），幻觉问题也因此不存在。 对开发者来说，Jev 的定位不替代 ChatGPT 或 Claude 这类对话模型，主要是为了补上它们不擅长的那一环：当你需要在代码流程中嵌入一个 AI 判断节点，要求毫秒级响应、���构化输出、不能出格的时候，用大模型做这件事成本高、速度慢、还可能生成不可预期的内容。Jev 就是为这个场景设计的。TypeSafe 把这类任务叫做"智能 if 语句"，也就是用 AI 做原本 if-else 写不好的模糊判断。 他们还做了两个有趣的演示：一个是用 Jev 实时操控经典游戏 DOOM 的 AI 机器人，每秒调用约 10 次，成本大约每小时 7 美元；另一个是 Wikipedia 竞速（从一个词条通过链接跳转到另一个指定词条），需要在成百上千个链接中做选择，Jev 在步数和速度上都领先于大模型的非推理模式。 "System One"这个名字来自 Daniel Kahneman 的《思考，快与慢》中的"系统一"——快速、直觉、自动化的思维方式。"Jev"则取自经济学中的杰文斯悖论（Jevons Paradox）：当某种资源的使用效率大幅提高时，总需求反而会增长。TypeSafe 显然在押注：把 AI 决策的成本降到���够低，用量会爆发式增长。 从博客和文档里提到的信息来看，Jev 的应用场景集中在一个核心逻辑上：凡是你在代码里需要一个"聪明的判断"，但又不需要它写一段话给人看的地方，都是它的地盘。 具体来说有几类： 第一类是流程中的智能分支。比如客服系统里判断一张工单应该转给哪个团队、紧急程度多高、用户情绪如何——这些原本要么靠关键词规则（太死板），要么靠大模型（太慢太贵）。Jev 可以在几十毫秒内给出带置信度的判断，而且输出格式固定，代码直接用。 第二类是大规模数据处理。比如对海量文档做分类、打标签、提取结构化字段。大模型做这件事单条成本还行，但量一上去就很贵，而且速度是瓶颈。Jev 42 美元处理十亿 Token，输出还免费，适合需要跑几百万甚至上亿条数据的场景。 第三类是实时应用。100 毫秒级别的响应意味着可以用在用户体感得到延迟的地方——实时推荐、动态定价、游戏 AI、交互式产品里的智能判断。博客里那个 DOOM 演示就是这个意思：每秒调用 10 次，大模型根本做不到。 第四类比较有意思——给大模型当"质检员"。用 Jev 来检查大模型的输出是否安全、是否符合格式、有没有越狱，做 guardrail（安全护栏）。因为 Jev 本身不会幻觉、响应极快，很适合在大模型输出之后加一层校验。 总结一下就是：Jev 不是给终端用户用的产品，是给开发者在系统架构里嵌入的组件。它解决的问题是"我需要 AI 的判断力，但不需要它的表达力"。 Jev 目前以早期访问形式开放，开发者可以在 https://t.co/9XED0JF76D 加入候补名单。
Reply 47Repost 0