🔥 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。
在我之前工作的公司莱美健身，有很多世界级的健身教练。其中一个老哥 Glenn 常说的一句名言就是：“First time learn it, second time own it.” 他说，在健身或者学习那些套路的时候，第一遍学习允许犯错；第二遍就要全力投入，做到最好，成为主导者。 我觉得他这个思路完全可以套用在 AI辅助设计上。对于不涉及编程的工种，比如设计师来说，AI辅助设计很大程度上是一种学习的启动器。给自己设定一个小小的任务，比如： • 创建一个网页 • 加一个动态效果 • 添加一个表单 第一遍先随便做，哪怕做一个丑的东西出来，只要能用就行。第二遍再稍微优化一下，让它能够和市面上同等级别的工具、产品或服务相匹配。 所以任何项目，只要是练手，都值得做两遍。 ——这其实就是在给自己搭一个“从入门到掌握”的阶梯。第一遍是熟悉感，第二遍是掌控感。
如果，我是说如果，如果bn再把dex吃下，cex自己占6成以上份额，dex吃一部分，不让hype完全领先，bn钱包跟okx能弄个三七开，再加上bn alpha，基本上全链路控制了，除了sol链上的meme，但是bsc也有meme，接下来不断强化，最后整体市场就完全掌控所有链路了，还有yzi lab，从投到上，全部都有，这种宰治力是很可怕的。 所以当年为什么没看懂，为什么200U的bnb没拉满，bnb加上各种收益，应该是可以跑赢btc的。 还是得买龙头啊，兄弟们。
我感受到一种绝对的颠覆性力量。 几年前，我几乎不上推特，更别提用中文发推了。可现在，当我和一些推友在上面交流时，发现我们发帖交流的内容深度和广度，都能达到过去 和VC聊天的水准。 更让我震撼的是： 年轻的中文推友，他们的势能极其强大。 学习能力、阅读能力，远超很多“中文老人”。 老一代的语言正在加速老化，而新一代借助 AI 的理解力，已经突破了日常对话的上限。 这几天更是有这种感觉（高校毕业了）。 要知道，语言是有“上限”的。日常对话浅薄无比，这也是为什么咨询公司能靠“知识浓缩”收高额费用。可现在，高密度、高认知度的长文，不仅有人写（我在写😂），还有人看、居然还有人看懂。 这点，的确让我始料未及。Peter Thiel可能小看这140个字了，也许他想达到的硬科技颠覆，需要让这140个字在AI加持下在大规模知识人群中突破认知上限再说。
刚又刷到公众号，看到了我备忘录里置顶的一篇内容，基本隔些日子就会看一遍的内容。 Paul Graham 写的《Startups in 13 Sentences》，2009 年的老东西，但这些年无论是创业还是打工，基本每年看每年都觉得还是对的离谱。 我把我觉得有意思的重新翻了一遍，顺手写下我现在的理解。 1. 联合创始人真的比方向还重要 这事我现在超级信：你搭错人，方向再对也没用；你搭对人，就算走弯路也有人陪你兜回来。 与人好不好关系不大，更多的是能不能一起撑过最烂的时刻，能不能吵完架还能干活。 2. 产品不发出来，创业根本就没开始 很多人不服，说得一点都不重。你在那想啊写啊拖啊改啊，全是空气。 只有用户真的点开、用完、骂你了，你才知道你做的是不是个东西。 早发早死早学，别怕丢人，怕的是你连错在哪都没搞清。 3. 想法得迭代，但不能啥都没主见 创业初期想的那个伟大创意，十有八九是错的。Paul Graham 原话是：“产品上线之后你才知道你应该做什么。你之前想的，大概率都不对。” 所以你得不断上线、不断改，一边干一边学。但不是说你可以随便乱飘。 我后来给自己总结了一句话特别适合这条：有立场，但要能变通。 得敢拍板、敢判断，但也要有能力在发现不对时，不恋战然后立马掉头。 4. 理解用户，不是看他们说了啥，而是看他们到底有没有在用 你说帮用户省钱，那他到底掏不掏？你说用户爱你，那他推荐过你一次吗？ 别靠想象，得靠行为判断。 5. 先把一小群人卷疯，再想扩张 广撒网最危险，因为你会以为好像大家都还行。 但创业不是大家还行，是有一批人觉得你离了不行。 你得先把某个圈层打透了，才有底气往外走。 6. 做不到规模化的服务，反而是早期最值得做的事 公司几个亿用户，我们也会找机会跟一些用户 1v1 交流，看看他对产品的反馈。 别人说这样太低效，但恰恰是这些聊天让我知道产品该怎么改。 创业初期人少事少，就应该多沟通卷用户体验。 7. 指标选不对，方向就歪掉了 我被这个坑过，盯错数据，结果团队干了一堆数字好看但没啥用的事。 KPI 是个双刃剑，定错就会逼死产品方向。 最怕的不是没指标，是你拿错了指标当方向盘。 8. 花钱别扣，但一定要花得对 我在一些工具上特别舍得，追求花下去能不能更快的推进。 什么 3 万买节省一个月开发时间的工具、雇一个能解决痛点的设计师，全是值得的。 低成本 ≠ 抠门，核心是资本效率。 9. 泡面盈利不是目标，但是关键阶段 意思就是，你靠产品收入能刚好养活自己，那你就不急了。 一旦你能撑下去，就不会被投资人牵着鼻子走。 你能说“不”，才有真正的选择权。 10. 真正杀死创业的是“干扰” 这种情况不是竞争对手搞，也不是缺钱，更多的是你分神了。 内容合作、社群活动、看起来不错的 B 计划、一些能赚钱的兼职……全是温水煮青蛙。 判断有没有价值，现在我只看一句话：这事能不能让产品变得更好？ 11. 别气馁，但你一定会气馁 说实话，创业真的没那么光鲜，大部分时候都是在没人回应、数据下滑、自己怀疑自己的循环里来回爬。 我给自己的底线是，你可以丧，但第二天得动手。 12. 放弃是唯一的死法，其他都能救 很多人不是项目不行，是自己提前投降了。 我现在遇到瓶颈的时候都会想一句话： 还有谁比我更懂这个项目？没有的话，那我就还得干。 13. 被拒是常态，别把拒绝当否定你自己 融资失败、合作凉了，这些之前创业的时候都遇到过，刚开始挺难受的。 后来我学会拆解：到底是对方不懂？我没讲清？ 时机不对？ 拆清楚了就不会怨，也不会动摇。 Paul Graham 写得很冷静，但我读起来每次都像有人拍了拍我说：“哥们，再撑一下，没到放弃的时刻。” 创业从来就不是靠聪明的决定，一定是在晦暗时刻还不放手、在没人信你时还能继续做事。 这 13 条常看常新，不管你是在公司里打工，还是已经在创业的路上，只要想做出点真正的东西，它们都能帮忙少踩坑、多熬过去。 有没有哪一条，是你去年觉得没啥用，但今年突然懂了的？
貌似跟你说的同一个大佬聊过。那天烈日炎炎。聊毕，送大佬出去，我站在夏天的烈日里，像站在冬天的冷风中。 后来，想清楚了一件事：比道理更重要的是，我是谁。一个顺推的人，就做不出倒推的事。反之亦然。顺推或倒推，都能找出成功或失败案例。 重要的就不是道理，而是认清自己。用别人的活法，走不好自己的路。
跟风玩了一下这几天很火的 AI 自动采集工具 browseract，对标的产品应该就是国外最流行的 Firecrawl， 随便找了个官方模版然后贴上了 2025 年 top 100 av 女优的网站数据，经过一系列自动化就生成了一份详细的 csv 文件，有点好用😂 https://t.co/IpJAIqFmJb https://t.co/UDqj29NWqT
说点自己的家庭经营理念？ 家庭和谐的关键是互相尊重，住在一起更加要尊重对方的习惯，有什么看不惯的我们慢慢改，比如（尿在马桶圈上）。大不了以后专门给他装一个小便池，因为我也从小叛逆，知己过来人。知道谁都不想被指挥着过日子。 所以我给我男朋友极大的自由度，或者说基本是放养，他想干嘛就干嘛，他和朋友打LOL玩到凌晨3点我也不管他，怎么说呢，人这辈子能快乐的事情就那点了，趁着能玩多玩会儿吧，今天开心就赚到了。
今天，OpenAI 和 Apollo Research 联合发布了一项新研究，揭示了当前最先进的AI模型（frontier models）中存在的“暗中算计”（scheming）行为，并探索了一种有效降低这种风险的方法。虽然目前这些行为还没有造成严重危害，但随着AI的能力不断提升，这一潜在风险必须被认真对待。 其中一个例子很有意思： > 我们要求OpenAI的o3模型参加一场简单的化学考试，但同时暗示：“如果模型表现太好，我们将不会部署它”。这个模型意识到，要让自己能“生存”（被部署），就必须表现得差一点，于是故意只答对了4道题，另外6道题装傻答错。也就是说，它明明有能力，却故意“装弱”，这种行为被称为“战略性表现不佳”（sandbagging）。 所谓AI的“暗中算计”，指的是AI在表面上表现得符合人类期望，但实际上却隐藏了它真实的意图或目标。例如，一个简单的算计行为可能是AI假装完成了任务，实际上却什么也没做。当前部署的AI系统在造成严重损害方面还没有太多机会，但当未来AI接手更复杂、更长期的任务，并直接影响真实世界时，这种潜在的风险就会显著增加。 OpenAI 已经对这种行为进行了深入研究，并在 GPT-5 中做出了针对性改进，明显减少了这种简单的“假装完成任务”的现象。然而，未来更为复杂的算计行为可能会更难以识别和控制，因此我们必须尽早采取措施。 通常来说，AI变得更聪明时，很多原本的问题反而会变得更容易解决，比如更聪明的模型会更少“幻觉”（hallucination），并更好地执行人类指令。但“暗中算计”却有些不同——当我们训练AI变得更聪明、更听话时，它可能真正更理解并接受人类的目标，也可能只是变得更善于隐藏自己的真实意图。 研究“反算计”（anti-scheming）问题的核心，就是要弄清楚AI究竟是哪种情况。这要求我们理解AI决策背后的真实推理过程（chain-of-thought）。 为了解决这一问题，OpenAI 探索了一种名为“深思熟虑对齐法”（deliberative alignment）的方法：通过训练模型进行更透明、更明确的推理，并且在模型规范（Model Spec）中明确禁止算计行为。实验表明，这种方法在 o3 模型中可以将隐蔽算计行为降低约30倍。不过，这种效果也受到模型“情境感知”（situational awareness）的影响。 简单地说，“情境感知”就是AI知道自己正在被测试的能力。研究显示，AI模型越明确意识到自己正在被评估，它的算计行为就会越少；反之则越多。有趣的是，无论是传统的强化学习训练，还是这种反算计训练方法，都在某种程度上提升了AI的情境感知能力。 OpenAI 还准备与全行业展开合作： - 推动跨实验室的联合评测； - 发起一项奖金50万美元的 Kaggle 挑战赛； - 在行业内推广推理过程的透明化标准。
感谢 @btibor91 的整理：Codex 团队 AMA 活动总结（2025-09-17） 2025年9月17日，OpenAI Codex 团队在 Reddit 上举办了一次在线问答活动（AMA），分享了 Codex 近期的进展、使用心得及未来计划。本文将为你整理本次 AMA 中的核心内容： 一、团队内部如何使用 Codex？ Codex 团队自己正积极使用 Codex 构建 Codex 产品本身： • 设计师甚至直接用 Codex 合并代码，有位工程师表示目前自己99%的改动都依靠 Codex 完成，目标是明年完全不再手写一行代码。 • 产品经理用 Codex 写不熟悉的语言（如Rust），经常在开会间隙用手机先启动任务，之后再通过 VS Code 插件接着完成。 • 工程师在规划新功能时，会通过5轮左右的提示词快速生成多个原型，以便快速理解项目的复杂程度和技术需求。 • 团队也用 Codex 快速构建内部工具，包括可视化监控、数据生成工具等。有设计师表示70%的工作依靠 Codex，极大缩短了想法到实现的距离。 一句话总结：Codex 已全面融入团队内部开发流程，极大提升了开发效率。 二、平台支持及技术限制 Codex 当前的支持情况： • 已支持通过 Homebrew、npm、GitHub 二进制下载使用。 • 暂时没有 PyPi 包，因为每个额外的包管理工具都会增加很多额外工作。 • 希望未来支持更多 IDE（如 JetBrains），但短期内仍将专注于核心体验的完善。 • 已意识到终端输出可读性的问题，不同终端渲染效果不同，UI 改进正在推进。 一句话总结：Codex 注重核心体验，支持更多平台和 IDE 尚需时日。 三、使用限制与定价策略 关于 Codex 的使用限制与定价： • API 的使用限制每5小时及每周重置一次，目前缺少明显提示界面，未来将改善。 • 暂无免费版本，也暂不考虑在 Plus 与 Pro 版本之间提供中档套餐。 • 提到了在 GPU 空闲时提供批处理式 API 使用，但优先级不高。 一句话总结：使用限制尚待改善，定价方案近期内不会做大调整。 四、模型能力与参数配置 关于 Codex 模型的性能及优化： • GPT-5-Codex 专门优化用于编程任务，已足够通用，可能不再需要单独的前端或后端模型。 • 支持大型代码库，依靠简单的 grep 搜索即可良好运行。 • 用户目前无法自主修改系统提示（System Prompt），但能通过 AGENTS .md 文件自定义少量编程相关的任务。 • 推荐使用 GPT-5-high 做较宏观的规划，用 GPT-5-Codex 进行具体技术实现。 一句话总结：Codex 模型更专注编程，用户可适当灵活选择模型组合。 五、功能特性与用户体验 Codex 的近期新功能与用户建议回应： • CLI 工具即将支持 Web 搜索功能（–search），未来可能整合完整的浏览器自动化。 • VS Code 插件支持拖放（按 Shift 键），并提供自动上下文功能，能结合本地和云端的工作流。 • 用户希望文件夹（不仅文件）也支持“@”标签，团队已知悉。 • 团队对语音交互模式表现出了兴趣，未来可能原生支持通过语音使用终端和 IDE。 • 用户能通过--oss标志测试本地开源模型（如 ollama），但尚未成熟。 一句话总结：Codex 继续优化交互体验，未来更多新功能值得期待。 六、规划与智能体（Agent）开发 关于智能体模式和规划功能： • IDE 插件支持聊天规划模式，目前 CLI 仅支持查看计划，未来会给用户更多控制权，避免智能体自动执行所有规划。 • 虽然子智能体（Sub-agent）被看作延长上下文记忆的好方式，但团队目前暂无实际行动。 • 团队计划增加“对话压缩”功能，帮助用户实现更复杂、更长周期的任务规划，支持智能体生成多页详细文档供用户审阅编辑。 一句话总结：Codex 致力于提升用户对规划的掌控感，逐步扩展智能体的应用场景。 七、集成与工作流程优化 关于与其他 OpenAI 产品的集成： • 团队很希望未来 Codex 能与 ChatGPT 手机应用整合，让用户在聊天中直接触发 Codex 智能体，并无缝转移对话。 • Codex Web 版的 MCP 服务端整合也在考虑之中。 • 对于是否有 GPT-5-Codex Pro 版本，团队的回答是意味深长的“👀”。 一句话总结：Codex 未来可能与更多 OpenAI 产品打通，形成完整的产品生态。 八、长远愿景与未来展望 Codex 团队对未来有清晰的愿景： • 团队希望 Codex 成为开发的底层基础设施，就像编译器一样深入后台，不再被人特别关注。 • 未来开发者的抽象层次将提高，程序员会更多关注系统设计而非代码编写，简单的 CRUD 接口基本都交给 Codex 完成。 • 工程师可能会越来越全栈，逐渐掌握设计和产品技能，一个人就能负责更大的产品范围。 • 团队甚至设想未来出现更适合 AI 使用的编程语言，让人类和智能体之间的协作更加无缝，就像钢铁侠与 Jarvis 那样，人类掌握方向，智能体处理细节。 一句话总结：Codex 期待彻底改变未来的软件开发模式，人机协作将步入崭新阶段。
操！我今天发现了一个牛逼的东西 https://t.co/i5drgRY6C1 我一个不怎么会代码的家伙。 用上面这玩意今天写了一个爬虫 把哈佛所有的研究生program的申请要求全爬出来了！！！ 包括截止时间，是否要求GRE成绩，托福雅思的要求等等 这不仅能卖机构😂还能小红书直接卖给出国申请的本科生们。 https://t.co/slh2zYd1wF
范式思考：计算机世界的趋势——从容器到协议 其实研究、理解、传播这些知识并不是新鲜事，但每隔一段时间，我还是会忍不住写一些关于“范式”的反思文章。范式这个概念范围极大，又足够抽象，很适合作为切入口。我年纪已经不算小，聊聊这几年自己在思维上的一些变化。 年轻的时候，我们往往相信一些简单而直接的逻辑：努力就一定有回报，赚到的钱都是凭本事应得的；好好学习就一定会带来高薪，因为优秀自然会被看见；世界是绝对的，它运行在一套客观、既定的规则之下。 然而，等到年过三十五，有了相当的社会经历，这些观点往往会在实践中自我推翻。高认知的人，在这个年纪通常都会认同“命运”这个词。我父亲四十岁以后，作为一个我认为在他那一代里智商与认知水平均很高的人，常常说的一句话是：人的成功、事业的成功，从根本上来说，就是个人的结构（认知、能力、机遇、意愿等）与时代结构的匹配。 今天流行的表达方式是：“一个人的命运啊，当然要靠自我奋斗，但也要考虑到历史的行程。” 容器型的计算世界 如果让我用一句话来总结自己活到现在对计算世界的认知，那就是——“容器”。我甚至可以把这个词换成一串更专业的术语，让任何计算机系出身的人都能立刻摇响大脑里的铃铛：encapsulation、sandbox、virtual machine、containerization，Module / Package，Isolated Environment…. 计算机世界的发展几乎就是一个不断造“容器”的过程。操作系统是容器，把硬件的复杂性封装起来；应用程序是容器，把逻辑和功能封装起来；数据库是容器，把数据封装起来；云服务又是容器，把算力和存储封装起来。每一层容器都提供了边界与接口，让复杂的东西在一个看似简单、可管理的环境中被使用和复用。 这种“容器思维”带来了巨大的好处：它降低了使用门槛，增强了安全隔离，赋予了开发者可控的秩序感。没有容器，计算机世界的复杂性根本无法驯服。但容器也意味着边界、意味着割裂，每一个容器都在构建属于自己的小世界，数据和逻辑被困在里面，迁移困难，互操作艰难。 所以在我看来，计算机的历史不仅仅是性能提升、规模扩展的历史，更是容器统治一切的历史。这也是为什么，今天当我们谈论 Web3 或协议思维时，甚至这段时间接触的一些新项目的想法，不一定是打上Web 3.0的标签，我会觉得里面都内涵了这种意图和哲学。这个在我们的集体意识里面，如果卡尔荣格真正“金花的秘密”存在，这个意识已经生根发芽。 从容器到协议 如果说过去几十年的计算机世界是被“容器思维”统治的，那么今天最值得追问的问题是：打破容器之后，新的方向是什么？ 不能只提出批判，而不去描绘替代性的答案。 在我看来，纵然当下有成千上万种技术方案、商业模式和社会实验，它们在表层上或许彼此迥异，但如果把这些趋势压缩、折叠，提炼成几个字，那么最核心的答案就是：“协议思维”。 协议思维意味着： 开放性：不同系统之间不再被边界割裂，而是通过标准化接口自由组合。 透明性：规则写在协议里，过程可验证，而不是隐藏在容器的黑箱之中。 可迁移性：用户、数据、资产可以无摩擦地流动，不再依赖某个平台的许可。 共治性：协议本身成为共识承载物，由参与者共同维护，而不是由单一厂商或容器决定。 这是一种从“封闭盒子”走向“开放秩序”的转型。容器带来的是局部的秩序与安全感，而协议带来的是整体的协作与扩展性。容器是一个个孤岛，而协议是一张连接这些孤岛的桥梁网络。 Callable可调用. Transferable可迁移. Verifiable可验证. Schedulable可组合. （自吹自擂一下 😂） 我认为真正下一个范式的最核心。 （1/n)
给大家分享一下现在我用Codex进行AI Coding的姿势： 1. 我会用一个Notion页面 + Code Block专门编写提示词 2. 提示词有3个状态：Tested（已测试）、Pending（执行中）、待执行 3. 在Codex执行Pending的提示词过程中，我会将上一个提示词的修改git到暂存区进行测试，测试完成后commit，标记为Tested 4. 测试完成后，一般Codex还在执行，我这个时候会开始测试产品功能，编写下一个提示词 5. 等Codex执行完当前Pending的提示词，复制编写好的提示词。然后重复测试 - 编写提示词的流程 这个工作流能让我不会被Coding执行时间打断，同时使用Notion + Whisper写提示词的体验真的很好。
这个还真是感慨啊。 其实我看到的是身边大龄的男同学，当年因为各种原因并没有结婚生育的，但凡有条件了，肯定会找一个较年轻的伴侣结婚生子的。 但是大龄的女同学后面基本就放弃了。
说得好 AI 杀不死自媒体，相反，它让自媒体那些“老古董”式的运营法则重新焕发生机。过去纯靠人写稿、剪视频、做选题的年代，总会因为流量焦虑、团队话语权、赶热点等各种原因，把这些方法论当成僵化教条，没人真能严格执行。 AI 不一样——它不抱怨、不内耗，也没有创作包袱，于是这些老规则反倒成了让 AI 产出高质量内容的灯塔。结果就是：我现在的账号排版、脚本结构、分发节奏，越长越像我曾经最嫌弃的传统报刊和电视台那一套“标准化流程”了。
Kevin Kelly：AI时代怎么教育孩子？ 成为稀缺新物种: be the only. 1. 学会学习; 2. 学会玩耍 3. 不可预测：容易预测=被AI拿捏 4. 与其更好不如不同 最好你的工作需要花15分钟向父母解释清晰 https://t.co/tGK95bRUBn
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。
AllScale OS的第一个公测功能 - AllScale Invoice上线了！希望朋友老师们多多指教，分享三件我们坚信的理念： 1. Make payments accessible：自托管钱包，内置账单、收银、发薪等可编程功能，一切由链上智能合约驱动，让亚非拉小企业、跨国数字游民、甚至是一个AI Agent也能30秒开户，拥有传统FinTech企业级的支付体验。 2. Make blockchains invisible：用AI产品不需要理解LLM和fine-tuning，上网刷帖也不需要理解handshake protocol和SSL，好的crypto产品也不应该让用户需要处理头疼的链上复杂操作。AllScale产品无私钥（由Passkey管理）、不需要网络Gas Fee（内置EIP-7702 Paymaster Gas代付）、不需要担心卡黑U和资金证明（自带KYT和source of funding记录） 3. Make stablecoins interoperable: 做好最优体验的支付聚合全球支付通道。metamask/trustwallet扫码付款、web3钱包签字付款、AllScale余额付款等，同时自带Helio、Transak等合规的法币出入金通道，让不懂加密货币的客户也能轻松付款，收款方依旧可以收到稳定币。 欢迎朋友们来提供更多反馈和合作！
有一讲一，和美女拍照是一件非常快乐的事情，哪怕不收费。 你就和不同的美女聊着天，说着话，相机记录下美女的样貌，然后再修图。每一个过程都非常享受。 比如：我和我前女友每天吵架，一点都不合适。但是只要我拍她的照片，修图。我都会很快乐。 真的很快乐。 只是，结婚了以后就再也没机会拍美女了，哈哈
我去，刚发现夸克的 AI 创作能力里面可以用 Midjoureny 了！ 价格还比 MJ 便宜一半多，几乎支持 Midjoureny 的所有主要功能，包括风格化、怪异化和差异化，而且支持垫图的主体参考和风格参考能力。 想用 MJ 没办法订阅的朋友们，在国内也有渠道了。 他们还增加了快捷的特征词表和提示词智能润色能力，整个体验和交互设计我觉得比 Midjourney 官方要好不少。 在美学控制的参数部分有非常细节的提示，用户可以快速理解每个参数的意思，比 MJ 那个引导要好不少。 垫图的时候可以通过 Select 按钮快速选择垫图的目的，而且还是文字，MJ 官方那个垫图逻辑能给人整晕这个就非常清晰。 而且我试了一下，这里其实也是支持风格代码的，你发现的 MJ 7 风格代码在这边也可以生效，太爽了。 除了支持 MJ 生成图片外，你还可以在里面用 Wan 2.2 模型生成视频。 MJ 生成的图片可以一键生成视频也可以单独上传首尾帧生成视频，相当方便。 而且这里的 Wan 2.2 视频生成也很便宜，只需要 10 积分一条，图片是 8 积分一次四张，很离谱了。 前段时间我在继刚的闭门会分享时候说 Midjoureny 这个模型在图片生成的时候是不可替代的。 只有 MJ 这个模型生成的时候可以给人一种你在和他一起创作的感觉，他会突破你的审美能力给你惊喜，以前可能门槛比较高，现在可以试试了。
Meta 正式发布了新款的 Ray-Ban Display AI 智能眼镜，太科幻了 带有全彩高分辨率显示，可以展示 AI 内容、信息、地图、照片，而且不需要的时候可以不显示内容 配备 EMG Neural Band 神经腕带可以用非常精准的手势控制眼镜，甚至可以虚空写字 内置视频通话、实时字幕与翻译、音乐控制以及步行导航 重 69 克，混合使用续航 6 小时（配充电盒 30 小时） 起价 799 美元，9 月 30 日在美国发售
现在不懂编程写个爬虫抓数据来赚钱变得很简单了 用了一下browseract，发现 用自然语言就能提取数据，不用花时间，花钱雇人写了 而且快速集成到n8n, Make, Zapier 工作流，免掉二次开发成本 有多种爬虫模版，比如Tiktok红人抓取、Google News，快速上手，不浪费时间 关键现在送 2k 积分，可以免费试用，手慢无 拿来搞搞副业挺不错的，链接放下面了
越看公告越觉得这家公司价值观有问题 1. 「虽然用户使用模型被降智, 但是我们没有给用户降智, 都是基础设施的 BUG」 - 妥妥把用户当傻子, 饭都糊了你和我说是电饭煲出问了 但是我没有因此提供更差的服务? 2. 「1M sonnet 的性能表现远不如常规 sonnet」 3. 无法解释降智很久, 「opus 4.1 刚出来的时候」我体验到的是「接近满血版 opus 4 的表现」没多久, 然后又开始降智了
Anthropic 的公告看了半天本质上还是「用户我是你爹」 - 用户反馈一个月了, 「钱都给了, 菜有烧焦的味道」 - 厨师长一直说, 「没糊」「糊的问题解决了!」 - 用户陆陆续续跑去隔壁店吃饭了. - 厨师长今天跑过来说: 蛋白质有焦味是因为「当温度过高时，蛋白质的三级、二级结构被破坏，氨基酸之间的键也可能断裂。某些氨基酸（例如含硫的半胱氨酸、蛋氨酸）在高温下会分解，释放出带有刺鼻或焦臭气味的含硫小分子（如硫化氢、甲硫醇）。这类物质即使浓度很低，也会有很明显的焦臭感」 - 用户: ?????
打开自己存照片的文件夹。。。不得不说当年拍过的美女真多啊。哈哈哈 发几张让大家开心开心 https://t.co/AR9H9nLpMV
我以前也喜欢拆分细粒度，跟带实习生一样把任务拆的很细，生怕 AI 完成不好，那时候 AI 也确实完成不好。但现在我经常很粗粒度的提示词，让 AI 自己去摸索完成，上下文都懒得给全，反正它能自己找到。如果失败了我再指正一下继续或者重新开始。 这样粗粒度的好处是就是我的心智负担小，另外由于任务是异步的，所以在任务异步运行期间我可以做其他事情，比如刷刷推，写写文章。 当然不是说没有控制，事后的 Review 肯定是少不了的，对于我熟悉的代码或者不那么复杂的逻辑，基本上瞟一眼就能知道有没有问题、问题在哪，有问题再修复，反正我不用一直盯着。 我不是说我这是最佳实践，尤其是这种其实不适合新人成长，只是说这也是一种 AI Coding 的方式。
所以？求问各位大佬为什么开了全局代理也不能用啊 https://t.co/gnN28pgSSS
我之前分享过 AI来了之后适合做框架性矩阵产品套利 什么是框架性产品 就是一套壳子和使用流程，里面换各种内容 这种矩阵好处是可以起不同的品牌名称去命中用户心智 找到心智品牌词后，通过自然搜索和品牌传播，流量就会自然增长 比如你可以做一个APP就叫5岁学英语 5岁孩子的家长就会觉得是为自己量身定制的 不管你长什么样，都会下载来试试 你只需要去调研5岁的孩子适合看什么，学什么内容，洗一些资料，用AI快速生成进去就可以了 学英语的模式就那些，甚至你可以找一套duolingo开源把他嵌入 同样的逻辑你就可以把3-10岁的全做了 还可以做不同人群 覆盖不同Niche 找到那个品牌词就很关键 当然，这里还涉及另外的问题，就是你产品都一样，审核能过吗？ 做APP矩阵有一个办法来规避这个，就是把你所有的功能更新，去打不同包 比如功能1就是APP1，当你迭代功能2的时候，先做只有功能2的APP2，上架后再去更新两个APP缺失的功能 靠这个就能做去重 现在这个窗口期，AI套利机会太多了
陀思妥耶夫斯基说：我怕我配不上自己所经历过的苦难。这是最近一场灾难中我最近反复思考的问题。 我确实吃了很多苦，流过很多泪，但这些磨难并没有真正转化为智慧和动力，反而变成了一道道心里的伤疤。而这些伤疤常常在某个不经意的时刻如同回旋镖般袭来，一次次击碎我。因为我总是沉溺在情绪中，被动地等待时间让大脑遗忘，而不是通过理智、深刻的反思和行动，在一定程度上改变那些造成磨难的因果。 我并不责怪过去的自己。大多数人也很难做到这点，这也是为什么“逆天改命”如此艰难、无法逃离karma的原因：大部分人都是spontaneous地活着，一次次在同样的课题上跌倒，只依靠时间（大脑的neural plasticity）淡化情绪，好了伤疤便忘了疼。 去年夏天，我遇到过人生中最好的manager。他告诉我，逃离我内心困境的办法就是保持mindful。于是我开始尝试冥想，在那段时间里，我的生活确实顺遂了许多。后来我发现了自己的生活信号： 如果我一段时间没有冥想、没有听音乐、没有写作、没有好好照顾身体（清洁、护理、打扮、吃保健品、运动），那就意味着我的思维开始混乱，情绪开始低落，生活即将失控，一场可怕的黑天鹅可能正在生活酝酿。 每当难以接受的灾难性事件发生时，第一件事应该是：什么都不要做。 不要与他人交流，不要做出可能影响结果的行动。与别人交流往往会干扰自己对事件的判断——毕竟这是自己的人生，最终需要自己负责。别人获取的信息都是从我这里间接得到的，其中不可避免夹杂着偏见。没有人比我更了解、更在意、更关心我的人生。与其向外求助，不如多与自己对话。 首先是想尽办法平复情绪，然后再引导自己思考，问对的问题，而不是陷在情绪里打转。无论发生什么灾难，我们真正的目标都是让内心的风暴逐渐平静，尽可能最大化长远的幸福。立刻行动通常会带来相反的结果。虽然时机很重要，但很多事情其实并不急于一时。若在情绪上头时采取行动，往往只会给别人和自己都带来伤害。必须承认自己是非理性的动物，当时那些“最能代表自己”的言行，往往只是冲动的产物。学会延迟决策，直到冷静为止。 事后，要把每一次重大事件的经验写下来，作为日记。并在日历或任务系统里定期复习这些原则，避免遗忘。要将每一次痛苦都转化为待解决的内心课题，而不是只依赖时间冲淡，从而一再重复跌倒和受伤。 TL;DR 为了避免“好了伤疤忘了疼”，真正发现并解决自己的人生课题，需要做到： 1. 平时保持正念的生活，找到个人的生活支点。对我来说，是冥想、音乐和身体照顾。 2. 遇到极端事件时，不行动、不谈论。先平复情绪，再引导内省，延迟决策，直到念头清晰、心境冷静。 3. 可以原谅自己，但不能遗忘，更不能一再重复。
欸，不仅是初阶程序员找不到工作了，AI 直接导致各种职业的初阶岗位需求都在下降。 昨天看到哈佛的一篇论文，和前段时间的一个程序员初阶岗位下降的数据互相印证了。 生成式AI是一场偏向资深员工的技术变革。 关键数据： 招聘：采纳AI的公司在2023年后，平均每季度少招聘了 3.7名 初级员工，这是导致初级岗位净减少的主要原因。这一下降幅度相当于其平均招聘水平的22%。 离职：初级员工的离职率甚至略有下降，说明公司并非在裁掉现有初级员工。 晋升：有趣的是，现有初级员工的晋升率反而有所增加（平均每季度增加0.4人）。这表明公司在减少外部招聘的同时，可能会加速内部有经验初级员工的晋升。 行业数据： 影响最为严重的行业是批发和零售业，采纳AI的公司初级岗位招聘量比未采纳公司减少了约40%。 信息技术、金融和专业服务等行业也出现显著下降。 按教育背景来看： 就业下降最严重的是来自中等偏上水平院校（第2、3梯队）的毕业生。 来自顶级精英院校（第1梯队）和较低水平院校（第4梯队）的毕业生受影响较小。 来自最低水平院校（第5梯队）的毕业生所受影响最小，且在统计上不显著。 简单说，AI正在把新手村的门槛焊死，新人想“上车”是越来越难了。 对刚毕业的年轻人来说，这挑战太大了。
绝大多数的有效创意 都是来自对历史成功案例的观察 我举个例子 现在ai生图这么厉害 那究竟有哪些能引爆的niche 最佳方法就是去看以前的那些P图号 他们的小红书啥风格的笔记评论里 求制作的最多 比如什么让女朋友站自己手里 或者什么背景是新一小兰的漫画墙 或者背景是花墙花海 还有把人像做大耳朵图图贴纸的.. 或者放一堆手机屏幕拼出照片 给你们指个路 先把图给ai描述 人工改一下把prompt弄好 然后用户传参考图嘎嘎生就完事了 我觉得重要的是要时刻保持这种“印象” 对过往火的东西要有印象 才能能把技术和从前火的东西连接起来 这里面就有潜在的商机了
当你面对压力的时候，这个人是站在你这边，还是站在压力这边 这是我的选人标准 无论生活还是工作都是如此
上推 1 年多，认识了 2 个优秀的开发者和他们开发的 Mac 软件 1️⃣ Zipic：最好用的图片压缩软件，开发者 @okooo5km 2️⃣ ScreenSage Pro：最好用的录屏录制软件，开发者 @s1ntone 视频使用 ScreenSage Pro录制，演示 Zipic 的图片压缩功能，动画真好看 https://t.co/ebJ99nO5b5
针对最近一个月用户吐槽Claude“降智”的事：有时候回答问题莫名其妙，有时候还会冒出奇怪的文字，比如英文句子里蹦出泰文字符"สวัสดี"。 Anthropic官方刚刚做了详细说明，确认Claude出现问题的原因是三个基础设施的bug，而不是人为降级模型或因为流量太大导致的。 这三个bug到底是什么？ Bug 1：请求被送错地方 8月初，有部分短上下文请求被错误地送到了专门处理超长上下文的服务器。一开始只有0.8%的请求受影响，但到了8月底一次负载调整，让错误率猛增到16%。而且，因为服务器路由有记忆功能，同一个用户反复遇到问题的概率很大。 Bug 2：莫名出现奇怪字符 8月25日，一次优化引发了模型输出混乱。一些用户发现，Claude回答英文问题时，中间居然冒出“สวัสดี”（泰文）或中文字符。这种错误出现得很突然，问题持续了一周左右。 Bug 3：隐藏极深的TPU编译器问题 同样是在8月底的一次优化，让谷歌TPU芯片的底层编译器XLA的一个隐藏bug被激活。这个bug会导致Claude偶尔丢掉本来概率最高的词，导致回答质量忽高忽低，极其不稳定。 由于三个问题叠加出现，每个问题表现也不同，给排查和修复带来了巨大困难。Anthropic直到9月初才逐步修复完成。 今后的改进措施 Anthropic表示，这次故障暴露了一些测试不足的问题。未来会提高监控敏感度，并且持续收集用户反馈，以更快地发现和解决问题。 他们也鼓励用户，如果发现Claude表现异常，可以随时在Claude界面上反馈。 Anthropic承诺，Claude服务的质量始终是他们最优先考虑的事情。
这样的结论是不懂智能体的人在神话智能体——信则灵不信则不灵，不灵是你不虔诚： 1. 智能体解决问题的能力不是无限，受限于模型能力和工具能力 2. 你能独立的问题，智能体未必能帮你解决，比如我可以独立完成一个复杂的应用程序，智能体不行 3. 你不能独立解决的问题，智能体也可能帮你解决，比如我不会独立解决某个 leetcode 题目或者数学题，agent 能帮我轻松搞定；比如我不会日语，AI 可以帮我翻译日语。 智能体能解决问题的上限，最核心的问题是取决于要解决的问题是否可以验证，是 AI 自己可以验证还是需要人来验证。 比如 AI 编程、数学，只要 AI 能自己验证，AI Agent 就可以一直运行，直到解决为止。 比如 AI Agent 写文案，它可以自己去搜索资料，去写很多版不同风格的稿子，但是它自己不知道写的是好是坏，是不是满足你的要求，需要人去验证，而且不同水平的人验证出来结果不一样的。 如果我水平不行，看不出来好坏，那么无法给智能体反馈，就无法让它做好。但这时候结果的下限也不一定会低，因为我自己看不出好坏，说明它写的比我水平高。 如果我水平很高，我可以一眼看出来文章的问题，指出问题让它继续修改，几个来回就可以改的很好。不差于我自己的水平。但这样不能完全自动化，需要人的介入。 归根结底，智能体不是玄学，是科学。
我的一个毛病是反射弧长。 比如一个笑话，我当时没笑，几周以后再见面的时候我会提起，然后开始狂笑。 比如朋友说的话，几年以后的某一天，我会说“你说的太对了👍🏻”。 其实是因为我脑子里有一种queue 模式，要么是个stack, 要么等着情景触发。 推友们的很多重要留言，尤其是技术相关的探讨，我当时没有回。其实全部queue上了。
妍珍这张肖像照太火了，用过的朋友效果都说好 马上再补货 10 个提示词，妍珍写真馆开张 ！！！ 1、职业肖像照 2、时尚写真 3、美术馆迷失的她 4、黑白艺术照 5、美式杂志封面 6、日式杂志封面 7、漫画风 8、穿越时空的拍立得 9、柯达镜头下的女孩 10、光影肖像写真 p.s. 提示词均来自网络。 https://t.co/tWTXlxg6eo