🔥 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。
很喜欢某被 B 站封杀的知名 UP 主的一句话： “努力的人样子总是很难看的”。 https://t.co/e6T741V0sn
狼来了，放鸽子 两个月的 Gemini 3 终于发布了， 如果不强的话要别大家骂死。刚用上了，Gemini 3 太强了。跑分参数碾压性的领先。 我整理 Gemini 3 最全20 多个使用途径渠道（转发收藏备用此贴）： 1、Google 自家AI studio 首发 https://t.co/gkxyfoVzLw 2、第三方zenmux第一时间接入：Gemini 3 pro的free版本模型： https://t.co/pvnJC9kWBs 3、 Gemini 账号购买：https://t.co/1eyRAqVDBI 见评论区👇
Gemini 3 Pro 已经可以在 AIStudio 使用了，模型卡也泄漏了，各方面都很强，除了软件工程基准（SWE Bench）方面略低于 Sonnet 4.5 和 GPT-5.1 直接转译下下面 Deepy 的总结： --- 谷歌最新一代AI大模型Gemini 3的性能数据，居然在官方发布前数小时提前泄露！从泄露的数据看，这款模型简直强大到离谱，让人忍不住想深入挖掘一下，它的发布究竟意味着什么？ 1. 成本不再是障碍：普通人也能用得起的强大AI 谷歌这次从零开始，在自家的TPU芯片上训练了Gemini 3模型。它采用了专家混合网络（Mixture of Experts，简称MoE）架构，可以处理超长输入（高达100万token）和输出（64k token），而MoE设计的精妙之处就在于：即便性能爆炸提升，成本也并不会疯涨。也就是说，普通用户未来用上这么强大的AI，花费也不会太高！ 2. 电脑操作能力大跃升：真正实现自动化的知识工作 Gemini 3在一项鲜为人知却非常实用的测试ScreenSpot Pro中表现惊艳。这个测试考验AI理解各种软件截图的能力，包括AutoCAD、PhotoShop等专业工具界面。结果Gemini 3以73%的得分一举超过之前最好的模型足足两倍，遥遥领先！这意味着Gemini 3真正能够在复杂的工作场景下，帮助人们高效自动化完成专业的知识型工作。 3. 数学能力“一骑绝尘”：其他模型望尘莫及 Gemini 3这次特别经过大量数学定理证明的强化学习，数学能力超凡。在美国数学邀请赛（AIME）中几乎达到了“完美表现”，而在难度超高的**MathArena**数学基准测试中也达到了惊人的23%（其他主流模型几乎都只有1%左右）。此外，它在体现真正“通用推理能力”的ARC AGI 2测试中，也创造了30%的领先记录，这显示Gemini 3不仅在数学上是顶尖的，通用推理能力也同样拔群。 4. 编程能力惊人，但还有成长空间 Gemini 3在编程测试中展现了惊人的实力，比如在LiveCodeBench的国际象棋等级分（Elo）评分超过了2400，非常优秀。但也有一点小插曲：它在软件工程基准（SWE Bench）中并未拿下第一，反而输给了竞争对手。但在“工具调用”和“终端使用”等测试上，它依然稳居第一。这说明Gemini 3在互动编程、实时问题解决方面非常强悍，但在复杂、长期的代码维护方面，还有提升的空间。 --- 谷歌这次几乎动用了所有的“压箱底绝招”：完善的训练方法、大量私有数据、全新的模型架构，然后在几乎所有重要的基准测试中都实现了碾压式领先。这次升级，明确告诉我们：AI领域的发展速度不仅没有放缓，甚至还在加速向前。 目前来看，谷歌在大模型领域已经形成了相当明显的领先优势。为什么这么说？ - 成本优势：谷歌拥有自家芯片TPU，训练成本明显更低； - 数据优势：谷歌掌握远超其他公司的海量专有数据； - 资金优势：拥有雄厚财力投入更多训练和数据资源； - 人才优势：谷歌的人才储备也丝毫不输其他顶级公司。 这种全面碾压的格局，接下来6个月恐怕都难以撼动。谷歌已经用Gemini 3向全世界展示了自己在AI领域的绝对主导地位，而其他公司能否追上，现在还是一个未知数。 无论如何，Gemini 3的发布注定将再次掀起一场AI界的大地震！
切换成 Build 模式就可以在 AI Studio 使用 Gemini 3.0 这么简单的的提示词就能有这么好的效果，太顶了！ https://t.co/VzKyV8f9Qq
一直觉得Claude Skill这个概念难懂，也不知道怎么开始 经过昨天研究，发现我想复杂了。 上手其实很简单，如果你有Claude Code，无论官方还是中转。（ 比如我用的兔子API @tuzi_ai 的中转） 一共三步： 1. 运行Claude Code，输入/plugin , 选择add marketplace，输入下面网址回车 https://t.co/dw9V8P7qjY 2. 这时会看到两个安装选项，一个是document-skill，一个是example-skill，都装上。 第一个用于处理pdf、word等文档，第二个是样例，未来也能调用。 3. 跟 Claude 对话说：“一步步引导我写第一个Claude skill” Claude会抱怨需求不清楚，让你回答问题，明确需求。 我回答：我想要一个写作Skill，能联网，会用我的提示词，并且安装一个seedream MCP用于生成配图插入文章。 Claude会追问细节，给你一些选择题，都答完，需求明确后。 它会创建一系列文件夹和文件。 第一个写作Skill就做好了！
《这次不一样》《早知道》《贪了》 《没跑掉》《差一分》《要是》《我就知道》《如果》《太贵了》《我感觉》《我感觉要涨》《我感觉要跌》《还会跌的》《有啥利空吗》《又亏了》《要跑吗》《为啥这样跌》《接回来》《没钱了》 《忘记了》《接不到》《卧槽》《真服了》《完蛋了》《还有救吗》 《一笔》《背驰》《大概率》《完美防守》 《拼了》《还好》《还要拿吗》《老师怎么办》《会有很大问题吗》《下次一定跟》《救命》《吓死你》 《大腿拍断》《拉不住了》《不管了》《价值投资》《5年后再看》《下次一定遵守纪律》《违反了我的系统》《万一》《嗨呀》 《以后控制仓位慢慢来》《不敢跟家里人说》《回本了再也不玩了》 《要是能回本就好了》
13w+ 浏览量 《余华写作课》拆书 ，原始提示词： ------提示词开始------ 结合这本书里提到的写作技巧 和 具体写作方法论，写一条长推文，要突出具体实操价值和收藏价值，容易引起读者收藏评论和转发，注意要有足够具体的实操指南，让他看起来像 cookbook ------提示词结束------ 拆解后发现过于复杂，然后又基于结果润色了一遍： ------提示词开始------ 基于这篇内容 写一条长推文，要突出具体实操价值和收藏价值，容易引起读者收藏评论和转发 ------提示词结束------
哈哈，好久之前的垃圾相机拍的 现在回头看还是挺好看的 https://t.co/2BD5syJEqw
Andrej Karpathy 这个阅读方法有点意思… 大概就是： 先自己把文章/章节从头到尾过一遍，把大轮廓先搭起来； 第二遍丢给 LLM 解释 + 总结，看看它怎么梳理； 第三步直接开 Q&A，把想深挖的地方一个个怼出来问。 很有意思，阅读这件事从一个人对着文本死磕变成一个人和一个 AI 一起拆书。 这种方法能很好的解决之前那种看完了但有没什么留下来的浅刷。 有人也是这种阅读习惯吗？
几乎所有大模型都提供了“深度研究”功能，太有用了。 OpenAI 设计了一套数据集 BrowseComp，专门测Deep Research能力，难度很变态。 让真人做，两小时搞不定的放弃率高达 70.8%。 一共1266道题，OpenAI Deep Research正确率也只有 51.5%。 MiroThinker v1.0，一个开源Agent基座模型，这套题准确率竟然达到 47.1% 。 如果你想开发或学习“深度研究”类 Agent 产品。 强烈推荐关注，已分别在Huggingface和Github开源，完全免费！ 模型Huggingface: https://t.co/f8LVh2Zkmz 模型Github含论文：https://t.co/KTPC2PnxDO Agent: https://t.co/fnX7KyXx4r
一方面我不喜欢 Andrej Karpathy 总是发明新的概念，一方面又不得不承认他确实很多想法是很有价值的。 比如这里对 Software 1.0/2.0 的定义就挺好的： 1). 软件1.0时代，容易自动化的是你能明确告诉计算机怎么做的事情。 2). 软件2.0时代，容易自动化的是你能自动验证结果好坏的事情。 那这里的自动化都什么意思呢？ 1. 软件1.0：靠指定规则（Specify Rule）自动化 过去的几十年，我们用的所有传统软件（比如Excel、Word、会计系统），都是“软件1.0”。 它的核心逻辑是“指定”（Specify）。 你必须像个事无巨细的监工，把每一个规则都用代码写得清清楚楚。比如做个会计软件，你必须告诉它： “如果A栏的数字大于B栏，那么C栏就显示红色。”“月末，把所有D栏的数字加起来，放到Z栏。” 软件1.0擅长什么？ 自动化那些规则固定、逻辑清晰的任务。 软件1.0解决的是什么问题呢？ 是人类的“机械性重复劳动”。比如打字员、记账员、算账员。只要一个任务的全部流程能被清晰描述出来，软件1.0就能接管它。 2. 软件2.0：靠指定目标（Specify Objective）自动化 现在，AI 来了，升级到了软件2.0。 它的逻辑完全变了。我们不再是指定规则，而是设定目标。 我们不再像监工一样告诉AI每一步怎么做，而是像个教练，只告诉它验收的标准是什么。 比如训练AI下棋。我们不告诉它“当对方出这一招，你就必须走那一步”。我们只给它一个目标：“想办法赢棋”。 然后，AI 就开始自己搜索那个能赢棋的步骤。它通过海量的自我对弈（也就是梯度下降）来寻找最佳策略。 这就是 AK 的核心观点：软件1.0是我们手动写程序，软件2.0是AI自动搜索生成程序。 3. 软件 1.0 时代看“可指定性”（Specifiability），2.0 时代看“可验证性”（Verifiability）。 如果说软件 1.0 自动化任务的标准是我们能不能指定清晰的规则，比如说你要写个自动抓取的爬虫，只要指定清晰饿抓取规则和解析规则就可以了。 那么软件 2.0 自动化任务的标准则是结果是不是能自动被验证。 “可验证性”就是AI能不能在一个任务上进行高效的“刻意练习”。 AK 给出了“可验证”的三个关键条件： 1). 可重置 (Resettable) AI必须能够无限次地重新开始尝试。比如下棋，这局输了，没关系，棋盘一清，马上开下一局。 2). 高效率 (Efficient) AI的练习速度必须远超人类。它可以在一小时内“看”完人类一辈子都看不完的视频，一天内下几百万盘棋。 3). 可奖励 (Rewardable) 这是最关键的一点。必须有一个自动化的、即时的、没有争议的奖惩机制。 自动化至关重要。如果AI每次做完一件事，都需要一个人类专家来看半天，然后给个模棱两可的评价（比如“嗯，这个创意还行”），那AI就没法高效学习。 像在编程、数学领域就很容易符合上面的三个条件，但是像写作这种非标准化的就很难验证。 但对于软件来说，稍微复杂一点的软件系统，其实很难达到可验证的标准。 比如说我在实现 UI 时，会尝试把 UI 设计稿扔给 AI，然后给 AI 一个截图工具，让它反复截图对比设计稿，然后找出差异优化，但是以目前的 AI 能力，还不足以修复这些差异，所以无论你运行多久，也不会真的得到一个理想的结果。 这可能就是我不太喜欢 AK 发明的这些新概念的原因，总是提出一个个概念，但是并没有解决多少问题。
Sam 开的坏头，现在模型的小更新也开始做宣发了 XAI 发布了 Grok 4.1 模型在创造性、情感和协作互动有会优化，目前已经上线 对细微意图更为敏感、交谈更具吸引力、人格更为连贯，幻觉更少。 LMArena 上的代号 quasarflux 原来就是 Grok 4.1 Thinking 。 https://t.co/iz093dSQ2h
一个月https://t.co/uF0efBH0SW 会员才 9.9 美金，100个客户才有 990 美金 卖一份模板就可以 1538 美金，但他远没有卖一份Mentorbook 会员更加让我兴奋 https://t.co/uWMG2sf2UC
https://t.co/aBhEeNzIge 来自 X 账号 TestingCatalog 的爆料：Google 在 Gemini 企业版（Gemini Enterprise）里新增多智能体「自动做研究」模式 Google 正在 Gemini for Enterprise 里打造一个多智能体系统。你给它一个主题，再配上一套评估标准，它就能自己生成一大堆点子，然后拉起一整支智能体团队，像打锦标赛一样一轮轮评审这些点子。 这个系统一次可以连续干活大约 40 分钟。对一个面向普通企业用户的产品来说，这已经是非常长的一次连续推理过程了。 在这 40 分钟结束时，用户会收到一大串点子清单，按你一开始设定的标准从优到劣排好名。整个规模也不小：系统一次能产出大约 100 个点子。对每一个点子，你都能拿到： - 一个概览 - 一个更详细的说明 - 一份点评总结 - 一份完整长评 - 以及一份专门的「锦标赛表现报告」（tournament performance report） 这个「表现报告」还是一个单独的输出，可以单独打开慢慢看。所有生成出来的点子都是可选择的，你可以点进任意一个，继续深入展开。 在当前的内测版本里，Google 看起来内置了三个智能体，其中有两个就是搭在这个多智能体「锦标赛」系统之上的。 第一个叫 “Idea Generation”（创意生成） 在这个模式里，你只要给一个主题，这个智能体就会启动整套多智能体工作流，用「锦标赛式评估」（tournament-style evaluation）来生成和排序各种相关点子。（所谓锦标赛式，就是不断让方案互相“对决”，胜出的留下，弱的被淘汰） 第二个叫 “Co-scientist”（联合科学家） 这个则更偏向科研和研究场景。你可以指定一个研究主题，再提供一些额外数据，然后一整个智能体团队会先生成研究方向和方案，再用同样的锦标赛机制去评估这些想法，只是这次会更强调科研和科学探索的需求。 这里最有意思的一点，是它背后明显投入了非常夸张的算力。允许智能体在一个任务上连续工作大约 40 分钟，这在现在的大多数智能体工具里都算是「豪华配置」了。 在整个 40 分钟里，系统会不断迭代这个问题，不停生成、筛选、打分、重组。目前，这一切都还只出现在 Gemini for Enterprise 里，属于内部开发阶段，对普通用户是隐藏的，还没有以正式功能形式对外开放。 跟现有的智能体实现相比，这一套看起来是个明显的前进一大步。就算是那些已经带浏览器模式的高级智能体，通常也会受限于上下文窗口和时间预算（time budget）。 而这次，Google 的做法，是直接把一大块算力「摆在台面上」给企业客户用，做成一个正儿八经的前端产品界面。这也和所谓的「Level 3 AI」的概念非常契合：这一层级的 AI 智能体，被描述为可以在同一个问题上持续工作一段较长时间。（这里的 Level 3 并不是统一标准，更像是行业里对“能长时间连续工作的智能体”的一种非正式分级说法）从这个角度看，让智能体在单个任务上跑满 40 分钟，是一个非常典型、甚至偏激进的例子。 在实际使用中，这套系统输出的核心是「被充分筛选和精炼过的点子集合」。但它们远不只是随手抛出来的一堆建议，而是可以视为一组结构化的研究方向：在你给定的数据和问题背景下，这些方向有可能真正指向高价值的洞见。所以，Google 正在推进这种极其强力的智能体能力，专门服务于组织、公司和研究团队，这件事本身非常耐人寻味。 等这项功能真正对外发布时，很可能会是一次不小的跃迁，尤其是如果这些智能体最终由 Gemini 3 Pro 来驱动的话。现在，Gemini 3 Pro 还没有进入 Gemini Enterprise，所以目前还不清楚这些实验性智能体背后具体用的是哪一个模型。 这里依然有很多东西需要测试和验证。当你把一个提示词（prompt）提交给这套系统时，它首先会给出一份「计划做什么」的概要：会在哪些维度上评估、打算从哪些方向出发生成和筛选点子。只有在你确认这份概要之后，系统才会真正启动那次「大任务」。这相当于在烧一大笔算力之前，先和你对齐「我到底打算怎么理解你的问题」。 除了多智能体锦标赛工作流之外，Gemini Enterprise 里还有另一个智能体，叫 “chat with your docs”（和文档聊天），它配了一套独立的 UI。这个智能体允许用户上传大小最高 30MB 的 PDF，然后面向这些文档进行专门对话。 这个功能同样属于 Gemini Enterprise 的一部分，目前还没有对外发布，而且在生产环境中暂时不可用。它的设计思路是：最多 30MB 的 PDF 内容可以被分析并写入模型的上下文里，这样用户就能从现有文档中抽取更有价值的信息，而不是只靠人自己翻页看。 在 Gemini Enterprise 里，还有不少其他功能正在开发中，但真正最抢眼的，还是这两条线： 1. 多智能体锦标赛式工作流 2. 面向文档的专用智能体 特别是那个基于锦标赛的多智能体架构，看起来就是一种突破性的产品路线——其他大语言模型（LLM）服务商，目前似乎还没有在这个层级上，给用户提供类似的东西。多智能体锦标赛在面向终端用户的工具里依然非常少见。也许可以拿 Grok Heavy 来做某种对比，但很可能也不能算是和 Google 这套完全同一个方向的东西。 等这些智能体成熟之后，如果能看到一套正式的评估结果和基准测试，那会非常有价值。光从现在的描述来看，那个 Co-scientist 智能体已经足够让很多大型组织和研究团队心动——尤其是那些正在探索新科学方向的团队。 至于这些智能体具体什么时候会正式上线，或者会不会开放给非企业用户，目前还都是未知数。 来源：https://t.co/g3qDUK7cbR
作为 HiFi 小烧友 在听过那么多的耳机之后 最终选择了方便的蓝牙不入耳耳机 时代大势所趋嘛 但是因为要帮用户做声音 又买了个美国人最喜欢的 7506 以前一直听说它好 但总觉得30年前的科技水平…能好到哪里去？ 但听过之后就懂了 为什么能卖30年 因为制作音乐的人用它 你也用它 这就是端到端的原理 https://t.co/Io5CneE2hL
1/🧵 一个被冷落30年的肠道激素，如何引发千亿美元减肥药大战？ 司美格鲁肽大概能减15-20%体重（至少我看到的试验数据是这样），替尔泊肽突破20%+，市值之争逼近万亿。 从1906年偶然发现到2025年商业巅峰，这场GLP-1革命故事比你想象的更精彩。🧬 Thread ⬇️ 本文由 @muset_ai 辅助创作 https://t.co/3t8HbXKegv
两周前，kimi 发布了 k2 thinking 模型，在国内外引起了广泛讨论。为了验证 ShipAny Two 的 SEO 效果，我基于此模型做了个 Chatbot 网站。 两周后，这个站拿到了 3.6k UV，1.2k 注册用户，2.2k 次对话。 Chatbot 的交互形式，已经成了 AI 产品的标配。ShipAny Two 内置了 Chatbot 功能，只需配置一个 OpenRouter 的 API Key 即可启用，无需编码。意味着你可以基于 ShipAny 做自己的 Chatbot、AI 搜索、AI Coding 产品。 为了一盘醋，包了一顿饺子。 通过上站在 ShipAny 集成常用的 AI 功能，做 AI 时代最好的建站工具。🔨
【1/12】一种被全球严格管制的毒品——K粉 2019年获FDA批准,再次成为精神医学的革命性疗法。 氯胺酮的故事,是一部从救命药→街头毒品→再次救命的过山车史。🎢 这不是什么励志鸡汤,而是科学如何重新定义“危险物质”的真实案例。 Thread ⬇️ 本文由@muset_ai辅助创作 https://t.co/xu94uYCG8f
在用一小段提示词跑出几条 10w+ 之后， 对 Vibe Creating 的看法开始改变了！ 之前试 ChatGPT 或 Claude 帮忙写东西： 要么提示词不会、AI 味重、操作复杂， 时间都浪费在「喂素材 + 改结构」上。 上周试着用 https://t.co/i08muKA1nG 做了个实验， 效果不错，昨晚录视频回顾了下流程， 具体提示词放评论区了，坐等你的 10w+ ! （有用记得 点赞、评论和收藏呀～
爬取小红书爆款笔记➡️提炼共性➡️创建模板➡️生成配图➡️输出笔记🎉 Muset 这款主打 Vibe Creating 的产品有点东西！😍整套小红书爆款复刻一气呵成！太牛了！毕竟很多 AI Agent 在爬取笔记这一步就垮了🤪 整个创作过程都在视频里了，Muset 的 Creative Engine 确实很强大！ 链接见评论👇 https://t.co/xSoEHRkcy0
Language In → Structure Out：AI 原生开发的第一公理 以下是我的牢骚，一些技术上的原则你打开链接看原文。 我一直有一个近乎公理性的原则——而且我越研究 AI-Native，越觉得它是整个结构文明的地基： 语言进（Language In），结构出（Structure Out）。 什么意思？ 输入永远是语言。 因为人类世界根本就是语言构成的： 语言表达意图，语言触发行动，语言决定协作。 但是如果你让系统“用语言输出语言”， 那本质上你只是让一个高熵系统在高熵里漂流。 只有结构能抵抗语言熵。 所以在 AI-Native 世界里，输出必须是结构。 结构是什么？是可调度的、可组合的、可验证的、跨智能体可共享的状态。 为什么“结构出”是不可违背的基本法？ 因为未来不是单智能体。 未来是多智能体社会、多开发者生态、多语言世界。 在这种环境下，你不可能用纯语言让两个智能体达成稳定协作。 语言太模糊、太随机、太容易漂移。 今天你说“准备一下报告”， 明天你说“把数据整理一下”， 第三个智能体理解成“做个总结”， 第四个理解成“做个 PPT”。 这在自然语言世界里完全合理， 但在一个需要长期运行、能自组织、能自演化的系统里， 它就是灾难性的熵增。 说一个极端的例子——“今天的文员工作，会被我的结构体系彻底重做” 现在的文员是什么工作形态？ 你每天写 prompt： “帮我把昨天的销售数据写成报告。” “帮我总结一下客户反馈。” “把这个表格做成周报。” AI 当然能做。 但 AI 只是在 “一次性理解 → 一次性生成”。 它没有世界模型。 没有结构。 没有跨任务的连续性。 没有智能体之间的协作空间。 这种方式再强，也是 AI 版的手工劳动。 但如果换成我的 AI-Native 路线，会发生完全不同的事： 1. 所有语言输入先被压成结构 销售数据？客户反馈？任务要求？ 统统进入结构卡： entity action time constraints status ledger entry 结构是跨智能体可共享、可验证的真实世界。 2. 再由结构驱动智能体之间的协作 所谓“写报告”的智能体，只是最后那一层展示层。 它并不是系统本体。 真正的系统本体发生在结构层： 统计 agent 数据清洗 agent 分析 agent 决策 agent 风险过滤 agent 文书 agent（最后才上） 一个报告在被写出来之前， 其实已经在多个智能体之间经历了十几轮结构计算。 3. 最后生成的报告，只是结构的语言化外壳 你看到的是文字。 但系统真正理解的是结构。 结构才是“世界本体（world model）”。 语言只是“呈现层（rendering）”。 结构出 → 才能让多智能体社会真正出现 AI 原生开发的根本不是生成文本、不是生成代码、甚至不是“自动化”。 AI 原生开发的本质是： 让语言变成可执行结构，让结构成为多智能体的共同世界。 你如果输出的还是语言， 那你永远停留在“一个大模型回答你一句话”的局限里。 但如果输出的是结构， 那你得到的是： 可调度的世界 可协作的世界 可回放的世界 可验证的世界 可持续演化的世界 语言不能形成文明。 结构才能形成文明。 这点我其实最初的想法就是来自 BPS @jinniudashu My Core Position on AI-Native Development： Part 2 (for developers) https://t.co/mUO9DaJhOM
转译：也许你并没有真正尝试——能干的人，也会选择性地无能为力 作者：Cate Hall 五年前的假期里，有两件事情同时发生在我身上：我去了戒毒康复中心，并且遭遇了一名网络跟踪者。 这两件事并非完全没有关联。那个跟踪我的人来自印度，他是在我玩扑克牌时开始关注我的。他逐渐认定我们之间存在某种亲密关系，并坚信我的每条推特都是专门发给他的暗号。 当我连续两个月停止发推后，他确信我一定出事了，于是找到我的邮箱和电话号码，开始疯狂给我发消息，逼问我的下落。 当我意识到这一切时，情况已经失控了。我明确地知道，自己永远不会回应他。我开始不断拉黑他的账号，但他总能换个号码、注册新账号或用其他方法找到我。他每天给我发几十条消息，从威胁到哀求都有。半年后，他甚至找到了我的公司申请职位，我由此得知了他的真实姓名，试图通过他的一位旧友来寻求帮助。然而，那位朋友却因为害怕惹祸上身而拒绝帮忙。我感觉自己束手无策，只好寄希望于他迟早会放弃。 但他从未放弃。数年过去了，我从未回复过他，他却每天依旧给我发数条消息。这些消息越来越恐怖，越来越色情，甚至威胁称会来伯克利伤害我。去年11月，情况终于到了极点：短短几天内，他向我发来了他刚办好的护照和签证申请的照片，并宣称即将前往美国。同时，他通过伪装我的电话号码向我哥哥勒索了一笔钱，声称绑架了我。 「受够了！」我愤怒地想，我决定立刻行动起来。但事实上，我什么都没做。我只是蜷缩成一团哭泣，朋友们劝我报警，我却绝望地认为，自己在美国，他在印度，报警根本没用。 可我的丈夫并不这样想。他坚持认为一定有更好的办法，并请求我允许他代我处理此事。他迅速联系了FBI和美国驻印度领事馆，并在他朋友Govind的帮助下（Govind在印度有亲戚），成功联系到当地警方。短短几个月后，问题得到彻底解决。那个跟踪者再也无法踏上美国的土地。 这件事最有意思的一点是，我丈夫采取的策略并不特别新颖。他所用的方法，和我帮别人处理类似问题时能想到的几乎一模一样。那么，为什么非得另一个人介入，我才明白自己并没有真正尝试过？ 我想原因可能是这样的：当跟踪者进入我生活时，我正处于人生的低谷期——孤独、迷茫又穷困潦倒。当时我采用的唯一应对办法，就是忽略并寄希望于他自己放弃，这似乎是当时我唯一有能力做的事。但问题在于，我对这个问题的态度，从那时起就被固定住了。后来，我的生活状况逐渐改善，我的能力也增强了，可我从未重新评估过当时的做法是否正确。 我想，我们所有人都是如此。 人并非简单地高能或低能，而是选择性地拥有行动力（selectively agentic）。 假设我们把生活分成三大领域：工作、与他人的关系（包括所有人际关系）、以及自我关系（身体健康、自我探索、情绪成长等等）。事实上，每个人可能都有至少一个领域，仍然停留在早年未成熟的阶段。在那个领域，我们面对问题时就像十几岁的孩子一样幼稚和无助，而事实上我们早已成年。 在我所处的圈子里，有许多工作领域的高成就者。他们在科学、技术和政策领域不断创新，改变世界。但他们中的不少人，却没有将同样的聪明才智应用到内心的成长和人际关系中。他们能在异国他乡成功推出新产品，却抱怨在约会软件上找不到有趣的人。 默认情况下，我们面对一个曾经失败过的问题时，总是停留在最初尝试并失败的那种无助状态。 比如，假设你20岁时曾尝试过心理治疗，但并未有效缓解焦虑。你逐渐认定这是个无法解决的问题，于是接受焦虑就是你性格的一部分。但现在，你可能已经32岁了，是一家创业公司的技术主管。当工作中遇到难题时，你总能竭尽全力，尝试各种方法，不断学习。可对待自己的焦虑问题时，你却不再尝试了。 你可能从没认真想过自己是否能： - 仔细检查自己的营养和睡眠状况； - 了解各种补剂或药物； - 投资改善自己的休息与恢复； - 问问朋友们最有效的治疗方法，寻找最优秀的治疗师或教练； - 研究一些专为你这样的人开发的新疗法。 你没做这些事，只是忍受，或者用最初学到的需要极大意志力的方法来抵抗焦虑。这种挣扎让你觉得自己很努力。然而感受到辛苦，并不意味着你真正尝试过了。 这让我想起了亚历山大技巧（Alexander Technique）的一个相关概念：“感知失真”（faulty sensory appreciation）。长久习惯的身体紧张会扭曲你的感官，让你误以为僵硬的姿势才是“良好的体态”。同理，那些选择性无能的人可能也有感知失真的情况。比如你觉得人际关系总是困难重重，需要不断付出意志力，这种辛苦甚至成了你努力的证明。然而，不断地挣扎可能只是说明你的生活结构存在问题。 我建议你假设，在你的生活中肯定存在某个领域，你不自觉地被冻结在了过去的某个状态。这非常值得你仔细排查。仔细审视一下工作、与他人关系和自我关系这三个方面，找出你面对的最大问题。有时候，它可能看起来并不像个具体问题，而只是一种悲伤或愤怒，比如没人理解的悲伤，或工作缺乏意义的挫败感。 找到它们后，问问自己：“我真的已经尽了全力、用尽了所有资源去想办法了吗？如果换成朋友遇到同样的问题，我能否给出更好的建议？我如何确定自己是真的尝试过了？” 注：作者的新书《You Can Just Do Things》即将出版。 --- 来源：https://t.co/Wnaj0aUlvA
段永平说过一句很少人注意的话。 "我能保证总部不行贿，但管不了全国代理商。" OPPO做到世界级，段永平投资赚了上百倍。但他依然坦诚承认，有些边界自己控制不了，有些规则自己改变不了。 真正的高手，不是掌握了什么"永恒的智慧"。 而是清楚地知道自己能做什么，不能做什么。 知道什么时候该坚持，什么时候该放弃。 2025了，那些还在找"万能钥匙"，“方法论”的人，可能要失望了。 段永平的下篇，关于段永平的成功与局限
《枪炮、病菌与钢铁》其实还有纪录片，3 集时长 2 小时 40 分钟，由原书作者贾雷德·戴蒙德亲自主持，PBS/NGC 联合制作。 相比书本来说更加生动，同时少了很多数据和文献信息，能快速看完。 在哔哩哔哩上搜索就可以找到带中文字幕的。 https://t.co/PRxThNCX0l
朋友公司最近招 senior level SDE，fully remote，薪资匹配加拿大大厂水平。 不加班，没有 oncall，业务主要是为电商商家提供 SaaS 服务让他们能够把自己的业务 scale，目前为这个领域的第一名，公司创始人来自斯坦福和哈佛。 但要求在北美时区附近，加拿大和美国都可以。 要求技术栈主要是 Next.js/React 和 Python。熟悉或者听过 tanstack query，oRPC/tRPC，React Hook Form，Supabase 大量 HC，简历请发送给 [email protected]
养活自己，都是这条路的终极目标了。 起步目标，是离开大厂之后能独立工作，光是这一关，大部分人都过不了。 克服孤独，项目选择，时间安排，进度督查，这一切在完全孤立的情况下完成。不是一般人。 其实我觉得一个很重要的能力，就是在你成为freelancer之后的社会交往能力。俗称社交：交到志同道合朋友的能力。因为社会上是有大量的社群的，尤其是欧美这边，各种协会，组织，兴趣讨论。 这一关，又筛掉不少。
Peter Yang 对 Cursor 设计负责人 Ryo Lu 的访谈中，其中两点尤其认同： 1. 在 AI 原生（AI-native）公司里，角色边界会变得很模糊。 在 Cursor，设计师、产品经理、工程师之间的分工并不是传统那种各管一摊。 Ryo 的说法是：大家会根据自己的长处来做事，谁更擅长就多承担那一块，然后用 AI Agent 把这些工作串起来，形成一个完整的产品体验。 2. 模型越强，规格说明（spec）就越重要，而不是越不重要。 Ryo 的预测是：随着大语言模型能力越来越强，它们会变得非常擅长“严格按规格实现需求”。 这意味着：你的 spec 写得有多清晰、具体、准确，很大程度上就决定了 AI 帮你做出来的东西质量有多高。 3. 分批发布，每一轮都会根据反馈打磨调整 Ryo 讲了 Cursor 内部发布的节奏： 第一步，先发给公司内部员工用； 第二步，再把最新的 nightly build 发给 Cursor 的忠实用户； 第三步，才逐步推给普通用户； 最后，才是企业用户（enterprise）。 每一批用户都是一次打磨机会，让他们在小范围发现问题、修细节，再扩大范围。
国内的知识付费行业，是一个，只要你不割，就能超过 99% 的人的行业 只要你能把话说清楚，就能超过 99.99% 的人的行业 竞争无限接近于 0
