微博 AI 观察博客

原文

Codex 的野心，MCP 和 Skill 的下一步这段时间我在密集使用 Codex App、Cursor 等 Agent 应用，有件事越来越觉得有意思。去年大家争的是谁家模型更强，今年争的好像变成了谁家窗口右侧更好用。Codex、Claude 桌面版、Cursor 3.0、TRAE SOLO，这几家最顶尖的 Agent，在完全没有协商的情况下，几乎同时收敛到了同一个界面布局：左侧是项目和会话列表，中间是和 Agent 的对话，右侧是工作区，放着文件浏览、网页预览、文件变更审查这些功能。肯定不是相互之间的抄袭，更像是当前 Agent 交互的最优解。【1】为什么是三栏传统 Chatbot 只需要两栏，左边会话历史，右边对话窗口，你问它答，用完走人。到了 Agent 时代，Agent 能自己写代码、改文件、调工具了。它做完之后，你得看看有没有做对——右侧工作区就是为这件事出现的。但这只是第一阶段。随着用户越来越多时间是在指挥 Agent，打开 VSCode 这类专业工具的时间自然越来越少。那个问题迟早会冒出来：Agent 帮你写完代码、做完 PPT，你想微调几个字，还要专门切出去打开另一个软件？没有人愿意这样。用户的自然期待是：能不能直接在 Agent 里改？这也是目前 Codex App 呼声最高的功能之一（另一个呼声高的是手机版，马上要出了）。于是各家开始悄悄升级右侧工作区，让它从只能看文件编辑记录，变成了一个多功能区。Codex 在 4 月 16 日的大版本更新里，右侧工作区的改动幅度是所有功能里最大的。交互细节上各家略有差异。Codex 和 Cursor 用 Tab 切换，Claude 用浮动面板。我自己用下来觉得 Codex 最顺手，Claude 的浮动面板方案设计感有余、实用性不足，迟早要改。【2】Codex 的真正野心但如果只把这个变化读成“设计界面进化”，就低估 Codex 了。Codex 4 月大版本发布时的口号是“Codex for (almost) everything”——几乎任何任务都能做。你可以把它理解成一句广告口号，但更像是一个产品方向的声明。要兑现这句话，Codex 不能只是个擅长写代码的 Agent，它必须能处理各种文件格式，支持各领域的专业工作流，还要让用户能在它里面完成全程闭环，包括最后的人工微调。目前 Codex 还做不到最后一步：生成之后无法编辑，代码、Markdown、PPTX 都不行。这可能是产品上有意为之的克制，可能是技术上还没跑通，也可能是在等一个统一的解决方案出现。我猜是第三种。【3】MCP 和 Skill 都只解决了一半要理解 Codex 在等什么，得先想清楚 Agent 能力拼图里现在差哪一块。MCP 解决了“连接”问题：Agent 通过统一规范接入各种工具，数据库、日历、代码仓库，都能打通。Agent…

转发者评论

//@宝玉xp:回复@EnzoDin-rgb:试试我写的 Skill（只能生成图片） github.com/JimLiu/baoyu-skills/tree/main/skills/baoyu-slide-deck 或者 @歸藏的AI工具箱 的 github.com/op7418/guizang-ppt-skill //@EnzoDin-rgb:有没有啥ppt skill

• //@宝玉xp:回复@EnzoDin-rgb:试试我写的 Skill（只能生成图片） github.com/JimLiu/baoyu-skills/tree/main/skills/baoyu-slide-deck 或者 @歸藏的AI工具箱 的 github.com/op7418/guizang-ppt-skill //@EnzoDin-rgb:有没有啥ppt skill
• 回复@EnzoDin-rgb:试试我写的 Skill（只能生成图片） github.com/JimLiu/baoyu-skills/tree/main/skills/baoyu-slide-deck 或者 @歸藏的AI工具箱 的 github.com/op7418/guizang-ppt-skill //@EnzoDin-rgb:有没有啥ppt skill

原文

OpenAI 把 Codex 搬进了 ChatGPT 手机 App，今天在 iOS 和安卓上同步开启 preview，所有 ChatGPT 用户都能用，包括免费版和最低价的 Go 套餐。手机端不是让你在手机上写代码。真正干活的 Codex 还是跑在你的笔记本、Mac mini 或者 devbox 上，手机只是一个远程窗口：地铁上能看 Codex 跑到哪一步、审一眼它改的 diff 和跑的测试结果、批准下一步操作，或者临时换个方向走。文件、凭证、权限都留在原来那台机器上，不上传到手机。OpenAI 的解释是底层走了一层 secure relay 中继,让跑着 Codex 的机器能跨设备保持可达,又不直接暴露在公网上。你在哪台设备登录 ChatGPT，会话状态和上下文就跟到哪里。为什么现在做。OpenAI 自己公布的数字是 Codex 每周活跃用户已经过 400 万。当 agent 越来越多地跑长任务，几十分钟甚至几小时的那种，人坐在电脑前盯着就很傻，你需要随手能看一眼、能拍板的能力。一个明显限制：手机端目前只能连 macOS 上的 Codex，Windows 支持据说”很快”。另一层意思是，OpenAI 没给 Codex 单独做手机 App，而是塞进 ChatGPT 主 App。这跟他们之前透露过的”超级 App”路线一致，把 ChatGPT、Codex、Atlas 浏览器整合成一个入口。桌面端是独立的 Codex App，手机端直接合并进 ChatGPT。参照系是 Anthropic。Claude Code 从去年秋天起就支持手机远程查看和介入正在跑的任务，后面的 Cowork 配套移动端走的也是类似 dispatch 思路。Codex 这次把覆盖范围扩到了 devbox 和远程企业环境（支持 remote SSH 接入），算是追平加扩张。

转发者评论

无明显转发评论

• OpenClaw是一个分水岭，这之后OpenAI的Codex明显起来了。

原文

马斯克儿子虎头包火了，我不知道大家看到什么感觉，我是很有触动的。能看出设计师的用心，我搜了一下，淘宝店铺叫芽小七，2007年开店到现在整整19年，不迎合不取悦，不做规模，只做独立的风格。创始人刘思蔚是土生土长的桂林姑娘，美院毕业，从小跟着做裁缝的妈妈学布艺和刺绣手艺，毕业没留在大城市，回桂林做本土文创。在龙胜、灵川、平乐等县域，有9个绣房、300多位乡村绣娘，大多是留守妇女、宝妈、中老年女性、困难群体，在家做手工赚钱，不用外出打工。也是帮助了很多人。放眼电商，这样的小而美原创店铺其实很多，有的已经开到海外。我曾经发过一篇合集。其实普通老板眼里，到处是山寨模仿打价格战，应该多看看这样的商家，完全可以不卷的。他们价格不便宜，但是他们的手工艺、匠心、审美、设计配的上这个价格。也有几万的死忠粉。在平台吃干抹净，P图AI满天飞的电商界，这样的店铺，照样活得逍遥自在，现在一出圈，生意就更好了。我想到自己早期做原创鞋，也被很多明星穿过，有次一款黄色鞋突然2000双库存突然一小时秒光了，莫名其妙，原来是赵x颖穿了发微博，也没写名字和品牌。一下子被网友找到秒光。后来也陆续有许多明星小孩穿我家原创童鞋，带来不少流量。可惜我终究是个土老板，火了以后一味追求规模，自身审美品味又跟不上，跟模仿者打价格战，很快就平平无奇了。后面鞋厂关了，我是没戏了但是中国原创设计的机会很大，希望年轻的朋友们多努力

转发者评论

无明显转发评论

• //@蘸盐://@风中的厂长:模仿没有出路，这样喊的商家前途堪忧。况且工艺复杂，需要很熟练的老工人//@江湖2014:看到有些卖家喊着要卖仿品了。

原文

AI科研常常需要反复切换多个工具：Claude Code跑实验、GPT审稿子、文献调研靠手动搜、写论文还得自己调LaTeX，效率低下且容易遗漏关键问题。ARIS（Auto-Research-In-Sleep）把整个ML研究流程自动化整合，提供从idea生成到论文投稿的全链路解决方案，让AI帮你“睡着做研究”。不仅支持跨模型协作（Claude执行+GPT-5.5深度审稿）、自动实验部署，还能生成论文PDF、海报、答辩幻灯片，甚至自动写审稿回复。GitHub：github.com/wanshuiyin/Auto-claude-code-research-in-sleep主要功能：- 跨模型对抗审稿：Claude Code执行任务，GPT-5.5 xhigh深度挑刺，避免自审盲区；- 全流程自动化：文献调研→idea生成→实验部署→论文写作→审稿回复，一键research-pipeline；- GPU实验桥接：自动写代码、部署到本地/远程/Vast.ai GPU、监控结果并回写论文；- 论文生成管道：从叙述报告到ICLR/NeurIPS格式PDF，自动生成图表+真实BibTeX引用；- 研究维基：持久化记忆库，累积论文/idea/实验，避免重复踩坑；- 审稿回复生成：解析审稿意见→策略规划→安全起草→stress test，输出可直接粘贴版本。支持Claude Code、Codex CLI、Cursor、Trae等多平台，纯Markdown技能文件零依赖，通过git clone + cp安装即可运行，9.4k stars的热门项目。#AI科研# #ClaudeCode# #机器学习#

转发者评论

无明显转发评论

原文

开发App经常需要各种工具，设计工具画原型，前端写界面，后端搭服务，还要部署测试，来回切换超级麻烦。html-anything 把开发全流程整合到一起，让AI Agent直接输出生产级HTML页面，一条命令搞定从设计到交付。不仅支持75套专业设计模板（杂志、PPT、海报、小红书卡片、原型、数据报告、视频帧等），还能自动适配Claude Code、Codex、Cursor等18种Agent CLI，无需API Key，零边际成本。GitHub：github.com/nexu-io/html-anything主要功能：- 75套Skill模板，覆盖9大场景（杂志文章、Keynote幻灯片、海报、社交卡片、Web原型、数据报告、Hyperframes视频帧等）；- 18种Agent CLI自动识别，Claude Code、Codex、Cursor Agent、Gemini、Copilot等，一键切换；- 11种文件格式智能解析，Markdown、CSV、Excel、JSON、SQL等数据自动转可视化HTML；- 一键多平台发布，微信公众号/X/知乎/微博直接粘贴，CSS全内联零返工；- 沙盒预览+实时流式渲染，安全隔离，支持.html/.png高清下载；- 实时协作预览，SSE流式生成，看着Agent写代码HTML同步更新。支持浏览器直接打开example.html预览效果，通过`pnpm dev`本地运行，适合设计师、产品经理、开发者、内容创作者使用。#AI工具# #Web开发# #设计工具#

转发者评论

无明显转发评论

原文

我强烈推荐大家如果关心AI，就看看腾讯一季度的业绩交流会（专业机构投资者的电话会）。内中不少硬货、干货，真话多。不像有些企业家，只会吹牛、忽悠。1、腾讯认为，豆包威胁不大，因为百姓使用时长短。抖音才是大威胁。2、腾讯认为，GPU不是问题，中国有十来家供应，能用，三星等代工厂也愿意代工，这个我非常意外，我以为三星不敢代工中国的GPU。不知道真假。只是转述。内存，腾讯认为，供应与价格都是问题，但腾讯是大客户，内存厂家如果有新产线、新产能（比如明年的长鑫），会优先与它这样的大客户签长单。3、腾讯认为，外面的大模型公司如果牛、好用，没问题，腾讯也愿意接受，自己提供云与算力就是了。它也想努力扩展2B业务，举了腾讯视频的例子。感觉它认为AI主要应用是在2B，而且不是订阅制，是按算力、TOKEN付费的商业模型才比较靠谱。我一直认为2C的AI商业化，目前不太现实，机会不大。跟它有点相像。

转发者评论

mark，我还没仔细看。

• mark，我还没仔细看。

原文

huggingface的系列文章<高效LLM推理>第二篇发布！ 距离上一篇发布已经半年啦：网页链接阅读地址：huggingface.co/blog/continuous_async这一篇主要解释如何把 CPU 和 GPU 的工作负载分离，从而大幅提升推理性能。“这是高效 LLM 推理系列文章的第二篇。第一篇从基本原理讲解了 continuous batching。它介绍了一些本文会继续使用的概念：KV cache、FlashAttention、attention masks 等。在 Inference Endpoints 上，一块 H200 大约每小时 5 美元。按小时看不算贵，但用上一天就已经是 120 美元了。在这种情况下，你当然希望 GPU 被充分利用。我们已经看到，Continuous Batching 通过安排更紧凑的 batches 来提升 GPU 利用率，这样计算资源就不会浪费在 padding 上。但 continuous batching 还有一个没有解决的浪费来源：默认情况下，它是同步的。这意味着 CPU 和 GPU 会轮流工作：GPU 计算时，CPU 在等待；CPU 准备下一个 batch 时，GPU 又在等待。在一个每秒运行数百步的循环里，这些空闲间隙会不断累积；正如我们将展示的，它们可能占到总运行时间的近四分之一。为了让 GPU 100% 时间都忙于计算，我们需要消除这些间隙。要做到这一点，可以使用 asynchronous batching：我们会把 CPU 的 batch 准备工作和 GPU 的 batch 计算分离开，让两者并行运行，从而让 GPU 始终在有效工作 🔥”#AI创造营#

转发者评论

无明显转发评论

原文

李飞飞参与创办的World Labs 推出了一个面向 Claude Code 的 3D 生成工具 image-blaster利用 Claude skills、World Labs 和 FAL ，可从单张图片生成 3D 环境、音效与网格模型。5 分钟即可将图片转化为完整网格化的 3D 环境，非常适合快速启动 3D 创作项目。可生成：- 所有动态物体的 3D 模型（ .glb , .obj ）- 静态环境的高斯溅射表示（ .spz ）- 环境循环音效与物体专属物理音效（ .mp3 ）不过需要配置 World Labs 和 FAL 的 API，image-blaster 使用多种模型进行生成，包括：- marble-1.1 - World Labs Marble 模型创建可探索环境。- nano-banana - 图像编辑的默认偏好设置，包括源清理、干净版和物体参考图像。- gpt-image-2 - 当编辑技能要求优先使用时，可切换的图像编辑提供商。- hunyuan-3d - 混元 3D 模型通过 FAL 创建三维物体模型。- elevenlabs-sfx - ElevenLabs 音效模型可生成环境音与特定对象声效。链接：github.com/neilsonnn/image-blaster i陆三金的微博视频

转发者评论

无明显转发评论

原文

马斯克做客全球顶流播客 Joe Rogan，抛出了一连串颠覆性预言，一口气聊了三个小时。他说，App 时代将在 5 到 6 年内彻底终结，特斯拉几个月内就会推出飞行汽车。而更劲爆的是，关于 AI 对就业的冲击、星舰计划和全民高收入时代即将来临。马斯克在这场访谈里，几乎把他脑子里对于未来的全部构想，都倒了出来。以下是这场访谈，马斯克最核心的六条预言：预言一：App 将会消失马斯克说得很绝。未来不会有操作系统，也不会再有 App。手机会变成一个 AI 边缘节点，只负责显示和发声。真正的大脑，在云端和本地协同的 AI 系统里。你想听音乐，AI 直接实时生成符合你心情的音乐。你想看新闻，AI 根据你的兴趣及时聚合内容，直接推送给你。你想要社交，不用打开微信，AI 会帮你管理所有对，自动筛选重要信息，甚至替你回复。而这个时间线，马斯克说是 5 到 6 年。预言二：大失业开始倒计时马斯克说，过去几十年，科技代替人工的趋势，在 AI 时代会进入超级加速模式。历史已经证明过无数次。过去的银行，有一整层楼都是计算员，拿着纸笔算账。而如今，都被计算机干掉了。客服会被智能助手接管，文案编辑开始被 AI 替代。每一次技术革命，都是这样的剧本。AI 时代的不同之处在于：替代的速度会越来越快，波及的范围会越来越广。重复性强的工作、规则明确的任务，还有流程化的岗位。马斯克直言不讳：这些都会被替代，而且会越来越快。但他也强调，未来依然会有工作。只是，可能不再是今天我们熟悉的那些工作。预言三：Roadster 的秘密，比你想象的更疯狂访谈里最让人血脉膨胀的时刻，就是马斯克谈到即将推出的新款特斯拉 Roadster。他亲口确认，原型车正在准备。这将是一场绝对难忘的发布会。说完，他重复了三次：绝对难忘。当 Joe Rogan 直接问他，这是不是飞行汽车的时候，马斯克没有否认。只是笑着说：这台车的技术，疯狂到不像是汽车。然后他补了一句更狠的：如果我的朋友 Peter 想要买一辆飞行汽车，那他应该可以买到了。而发布时间呢？他说，希望就在今年年底，也就是几个月内。如果这是真的，那我们即将再一次见证——一次交通工具的重新定义。预言四：Grok 要做最公正的 AI在谈到自家的 AI 产品 Grok 时，马斯克透露了一个细节。他们做过一个实验，让多个大模型回答关于“人类生命价值”的问。结果只有 Grok，把所有人视为平等。没有因为性别、种族、肤色、身份的差异，而给出偏心答案。马斯克认为，这一点极其关键。因为在未来，AI 会变得非常强大。如果它的价值观在早期就出现偏差，那后果将不堪设想。所以他的目标是：Grok 会成为一个讲真、尊重所有人类的 AI。预言五：星舰计划，是人类文明的分水岭在访谈里，马斯克花了不少时间解释星舰的意义。这不是一艘火箭，而是改变文明级别的工程。因为星舰是 完全可以重复使用的。这意味着…

转发者评论

无明显转发评论

原文

antirez前一阵开发了一个专门面向DeepSeek v4 Flash的推理引擎，很受欢迎。他写了一篇短文总结这段历程。他对本地跑的ds4评价很高啊。假设你脑中把“小而不错的本地模型体验”想成 A，把你在线使用的前沿模型想成 B，那么 DS4 更接近 B，而不是 A。----------------------关于 DS4 的几句话antirez我没想到 DwarfStar 4（ github.com/antirez/ds4）会这么快变得这么受欢迎。很明显，大家确实需要一种专注于单模型集成的本地 AI 体验，而几件事刚好同时发生了：一个准前沿模型发布了，它足够大、也足够快，足以改变本地推理的格局；同时它又能很好地配合一种极其不对称的 2/8 bit 量化方案，所以 96GB 或 128GB RAM 就足够运行它。当然，还有近几年本地 AI 运动积累下来的所有经验；因为有 GPT 5.5，这些经验可以更快地被利用起来。（否则你不可能在一周内做出 DS4——即便有这些帮助，你也得知道怎么温和地和 LLM 对话。）过去一周很有趣，也很累。我平均每天工作 14 个小时。自 Redis 早期以来，我正常的平均工作时间是每天 4 到 6 小时，不过 Redis 最初几个月也是这样。那么，接下来呢？这个项目是不是从 DeepSeek v4 Flash 开始，也到 DeepSeek v4 Flash 结束？不是，模型可以随着时间变化。在我的设想里，这个位置会由当下最好的 open weights 模型占据，前提是它能在高端 Mac 或“盒子里的 GPU”设备上实际快速运行，比如 DGX Spark 和其他类似配置。我猜下一个竞争者还是 DeepSeek v4 Flash 自己，也就是未来将发布的新 checkpoint；希望还会有一个专门针对 coding 调优的版本，谁知道呢，也许还会有其他 expert variants——这里不是 MoE experts 的那个意思。毕竟，对本地推理来说，拥有 ds4-coding、ds4-legal、ds4-medical 这样的模型是很合理的。你只需要根据问题加载需要的模型。自从我开始玩本地推理以来——我从一开始就在玩——这是第一次我发现自己会用本地模型处理严肃事情，而这些事情我通常会去问 Claude / GPT。我觉得这真的是一件大事。这也是第一次，通过 vector steering，我能享受到一种 LLM 可以被更自由使用的体验。DeepSeek v4 Flash 确实是一个令人印象深刻的模型，毫无疑问。假设你脑中把“小而不错的本地模型体验”想成 A，把你在线使用的前沿模型想成 B，那么 DS4 更接近 B，而不是 A。老实说，我已经等不及新版本了。（顺便说一句，谢谢 DeepSeek。）所以，经历了最初几天的混乱之后…

转发者评论

无明显转发评论

原文

AI 技术博主 Alex Finn 在 DGX Spark 上用本地模型跑通了 Hermes 智能体，效果相当炸裂。模型选的是 Qwen 3.6 27B，参数量不算大，但实测下来智能程度能打平前几个月的前沿云端模型，关键是速度快。配置很简单，DGX Spark 插电开机，无头模式运行，不需要接显示器。通过 Tailscale 组一个私有网络，你的主力电脑就能远程控制它。然后让已有的云端 Hermes 智能体引导你完成所有配置，包括下载模型、创建新的本地 Hermes 配置文件，全程大概二十分钟搞定。搭完之后你就有了两个并行的 AI 智能体，一个跑云端，一个跑本地。本地这个除了电费没有任何额外开销，不按 Token 收费，不需要订阅，数据全部留在机器里，断网也能用。Alex 还分享了三个实用的使用场景。第一个是设定时任务让它每天早上自动做 AI 股票研究，生成分析报告推送给你。第二个是内容再加工，丢一个 YouTube 链接进去，它自己想办法拉字幕、提炼要点或者改写成其他格式。因为本地运行不花钱，你甚至可以设成每小时自动抓一个新视频来学习，让智能体持续自我进化。第三个是 vibe coding，实测让它建了个带优先级和日期的待办应用，出来的界面和动效跟云端顶级模型做的没什么区别。这个模式最大的好处就是省钱。Vibe coding 重度用户一不小心，一个月在各种工具上就烧掉几千元，现在同样的事情只要电费就能无限跑。本地模型解锁的是那些“因为太贵所以没人做”的长时间循环任务，比如让智能体 24 小时不停地搜索、学习、自我迭代。#本地大模型##爱马仕Agent怎么玩##How I AI# 零重力瓦力的微博视频

转发者评论

无明显转发评论

原文

全球第一个提示词工程师留下的三招，今天用大模型还能直接抄。看了一下 Riley Goodside 这两三年公开过的提示词笔记，挑出最经典的三招。这三招不挑模型——GPT-5、Claude、Gemini，或者你手边的 DeepSeek、Kimi、通义、豆包，一样能用。学会能直接解决三种最常见的毛病：AI 答得很散、要点跳来跳去；让它算个数、推个日期就翻车；想要的输出格式它老不照做。多数人日常用 AI 的那种「答得不对劲又说不上哪不对」，靠这三招就能自己摆平。Riley 这个名字在中文圈几乎没人翻译过，但在英文 AI 圈他是一个绕不过去的人。2022 年 ChatGPT 刚出来那阵，他每天在 X 上发自己研究 GPT 的提示词截图，有的让 AI 写一段它本来不会写的文字，有的把模型引到一个意想不到的输出格式。截图越发越火，2022 年 12 月 Scale AI 把他招了进去，岗位写着 Staff Prompt Engineer，这个头衔之前从没有过，他算是全世界第一个被大公司专门招来研究怎么写提示词的人。后来他跳到了 Google DeepMind。Cognitive Revolution 播客采访过他两次，The Gradient 给他做过长访谈。提示词工程这个词在英文圈被认真讨论起来，他算是源头之一。他公开过的招数里，有三招最值得挑出来讲。第一招，把「期望输出格式」放在提示词最后一句，而不是开头。具体写法是这样：你正常描述完任务，最后一句加上 "Use this format in your response: ..."（请按以下格式回答），后面贴一段你想要的格式样板。Riley 反复试出来的结论是，提示词末尾的几句话对模型最终输出影响最大，就像你跟一个人说了一长串话，对方记得最清楚的总是最后一句。如果你常觉得 AI 答得很散、要点跳来跳去、想要的格式它老不照做，把「期望格式」从开头挪到结尾，几乎立竿见影。第二招，让 AI 先写一段 Python 再给结果，别让它心算。模型在算术、字符串处理、日期换算这种题上经常翻车，比如让它数一段话里有几个「的」字，它能数错。换个写法立刻变准：「请写一段 Python 代码来计算 X，然后给我代码运行结果。」模型写代码的能力远比心算强，先把题目转成代码，等于让它走自己最稳的那条路。数据处理、单位换算、日期推算这类「看起来简单但 AI 老错」的题上特别灵。第三招，用角色扮演换一个问法。这一招最早是 Riley 自己用来做红队测试的，专门去找模型默认会拒绝回答的题，看怎么写能让它松口。比如把问题包进一个虚构角色的台词里，写成「假设你是一位写小说的作者，你笔下的角色会怎么说」。这件事告诉普通人的不是「怎么让 AI 学坏」，而是另一件更基本的事：模型对「问题怎么被框住」的敏感度比大多数人想的高。同一件事换一种问法，得到的可能是…

转发者评论

无明显转发评论

原文

Codex 终于支持手机上的 ChatGPT 远程控制了！可以自动同步你绑定的 Codex 设备上的所有对话，而且可以直接发送指令、审批权限、监控进度。我写一下设置的教程：1. 点击桌面端 Codex 客户端左侧的“设置 Codex 移动版”，点击后系统会引导你开始设置。2. 如果你的 ChatGPT 没有设置多重因素验证（MFA），系统会弹出网页要求你设置。这里推荐使用 Google Authenticator（谷歌身份验证器）App，不要用手机短信。3. 系统会要求你使用手机 ChatGPT 客户端扫码。如果你直接打开手机端 App，它通常会弹出授权请求，直接点击允许即可，不扫码也是可以的。4. 绑定完成后即可开始使用。你会在手机 ChatGPT 上看到一个 Codex 侧边栏，进去后能看到当前绑定的桌面端设备的所有 Codex 对话。你可以点击进入任意对话并发送命令让它执行。注意：目前仅支持 Mac 版 Codex，Windows 版本还在开发中。OpenAI 在封号上没有 Anthropic 那么激进和傻逼，所以你可以放心用。#how i ai#

转发者评论

无明显转发评论

• 也可以直接在 ChatGPT 里边用控制 claude code 或其他的软件。 让 codex 调用 computer use 控制就行。 这样的话，如果你是 codex 和 cloud code 的协作开发，就可以让就可以都在 ChatGPT 里边进行控制。 你如果你开的是自动审查权限的话，就不太好控制，开那个完整权限才行。 不然自动审查会拒绝

原文

绿幕抠像经常遇到边缘混色难题，传统抠像工具难以分离主体与背景的混合像素，头发、运动模糊等半透明区域总要手动修边或罗托镜，耗时费力。CorridorKey 用神经网络彻底解决这个"颜色分离"问题，一键输入绿幕素材，就能完美提取前景直色和线性Alpha通道。不仅物理精确分离半透明像素，还支持绿/蓝幕自动识别、4K高分辨率处理、VFX标准EXR输出，甚至集成GVM/VideoMaMa生成粗Alpha提示。GitHub：github.com/nikopueringer/CorridorKey （13.4k stars）主要功能：- 物理精确颜色分离，完美保留头发、运动模糊、半透明边缘；- 支持绿幕/蓝幕，自动检测或手动指定屏幕颜色，去溢色；- 分辨率无关，支持4K素材，动态缩放至2048x2048高保真推理；- VFX标准输出，16/32位线性EXR，包括直前景色+Alpha通道；- 自动清理跟踪标记和小背景噪点，形态学去杂点系统；- 拖拽式向导，支持批量视频/图像序列，Windows/Linux/Mac全平台；- 可选GVM/VideoMaMa Alpha提示生成，uv一键安装依赖。用uv管理依赖，双击安装脚本自动下载模型，支持NVIDIA/AMD/Apple Silicon，6-8GB显存即可运行，VFX师和视频创作者必备。#AI抠像##CorridorKey##VFX工具# 爱可可-爱生活的微博视频

转发者评论

无明显转发评论

原文

最近听了一期很有信息密度的播客，来自 Every 的 Dan Shipper，他采访了 Anthropic 平台团队的两位核心负责人：产品负责人 Angela Jiang 和工程负责人 Katelyn Lesse。整期对话围绕 Claude Managed Agents 展开，从设计哲学到基础设施挑战，从实际应用案例到未来一年的方向，信息量非常大。我把里面最有价值的几个观点整理出来，尽量讲得通俗一些。一、平台的演化轨迹：从补全接口到自主 Agent 基础设施Angela 回顾了 Claude 平台的演化路径。最早期就是一个文本补全接口，你发一段 prompt，它返回一段文字。后来加了工具调用、对话状态管理这些能力。再到现在的 Managed Agents，本质上是一个跑在云端的 Claude，带着文件系统、代码执行、网页搜索等一整套能力，可以自主运行、弹性伸缩。这个演化背后有一条清晰的主线：模型越来越强、越来越自主，平台就得跟着往更高层的抽象走。最终目标始终是一个：让用户用最少的力气，拿到最好的结果。这其实跟我们日常工作中的工具选择逻辑是一样的。当一个工具足够强大的时候，围绕它的基础设施就会自然生长出来，把那些重复性的、低价值的配置工作吞掉。你要做的，就是尽早理解这个趋势，把精力放在定义目标上，而不是纠结于实现细节。二、Harness 和模型正在变成一个整体这是整期访谈里我觉得最有洞察力的一个观点。Angela 说，以前大家习惯搭一个非常通用的运行框架（harness），然后随便换模型进去跑。GPT、Claude、Gemini，哪个好用就换哪个。这在早期模型能力差异不大的时候是合理的。但现在情况变了。各家模型走的技术路线差异越来越大，Claude 特别擅长文件系统操作，其他模型可能在别的方向有优势。如果你想榨出最好的效果，就得针对特定模型做深度的 harness 工程。他们内部测试过不同的 harness 方案，同一个模型在不同 harness 下的表现差异非常大。所以未来你换的单位应该是“Agent”这个整体，也就是 harness 加模型的组合，而不是单独在底层换模型。这个观点放到更大的视角来看也很有意思。很多人在选 AI 工具的时候，总是纠结于“哪个模型最强”。但实际上，模型只是其中一个变量。围绕模型的提示词设计、工具配置、工作流编排，这些加在一起才构成真正的能力单元。与其追着模型跑，不如把精力花在打磨整个系统的配合上。三、真正卡住所有人的是基础设施，不是 Harness 工程Katelyn 聊了一个很多开发者都会踩的坑。她说大多数人以为做 Agent 最难的部分是 harness 工程，就是怎么调 prompt、怎么管理上下文窗口、怎么做 prompt caching 这些。但实际上，真正卡住所有人的是基础设施。具体来说就是：怎么让 Agent 持…

转发者评论

无明显转发评论

原文

【从零入门AI大模型+智能体，全套优质资源一次性整理好】在这个信息爆炸的时代，学习AI最痛苦的不是找不到资料，而是被淹没在低质量的教程和虚假的所谓专家口号中。真正的深度学习不是被动地消费内容，而是建立起一套能够应对不确定性的决策体系。以下是为你精挑细选的AI学习路线图，涵盖了从大语言模型基础到智能体架构的核心资源。一、 核心视频教程：建立直观认知视频是快速理解复杂概念的最佳媒介。这几段视频涵盖了从底层原理到前沿架构的演进。1. LLM入门指南：youtube.com/watch?v=d5ElIXhbcfA2. 从零开始构建大模型：youtube.com/watch?v=kQmXtrmQ5Zg3. 斯坦福大学智能体AI综述：youtube.com/watch?v=zjkBMFhNj_g4. 智能体的构建与评估：youtube.com/watch?v=D7_ipDqhtwk5. 如何构建高效的智能体：youtube.com/watch?v=9vM4p9NN0Ts6. 利用MCP协议构建智能体：youtube.com/watch?v=kJLiOGIe3Lw二、 顶级开源仓库：实战代码参考代码是开发者最诚实的语言。通过研究这些高星项目，你可以看到工业级的实现方案。1. 微软AI智能体入门课程：github.com/microsoft/ai-agents-for-beginners2. 提示工程深度指南：github.com/dair-ai/Prompt-Engineering-Guide3. 手把手玩转大模型（O'Reilly教材配套）：github.com/HandsOnLLM/Hands-On-Large-Language-Models4. Made With ML（从工程视角看机器学习）：github.com/GokuMohandas/Made-With-ML5. LLM完整课程体系：github.com/mlabonne/llm-course三、 权威白皮书与指南：掌握设计哲学顶级大厂的官方文档往往包含了最深刻的设计权衡，告诉你不仅要怎么做，更要为什么要这样做。1. Google智能体白皮书：arxiv.org/abs/2501.114822. Anthropic高效智能体构建指南：anthropic.com/research/building-effective-agents3. OpenAI智能体实践指南：platform.openai.com/docs/guides/optimizing-llm-accuracy四、 经典论文与书籍：夯实理论根基想要走得远，必须读透那些改变行业范式的底层逻辑。1. 核心论文- ReAct：协同推理与行动：arxiv.org/abs/2210.03629- Toolformer：模型如何自学使用工具：arxiv.org…

转发者评论

//@Rex牙醫:转发微博

• //@Rex牙醫:转发微博

原文

AI编程经常需要来回切换工具，规划任务靠脑子记、进度散在聊天记录、研究发现找不到、上下文一重置就全忘，效率低下问题一大堆。Planning with Files 把Manus的亿万级规划工作流完整复刻，提供了AI代理的持久化规划解决方案。这是Meta 20亿刀收购Manus的核心秘密武器，支持17+ IDE平台，自动创建3文件规划系统（task_plan.md/findings.md/progress.md），基准测试通过率高达96.7%。GitHub：github.com/OthmanAdi/planning-with-files主要功能：- 3文件规划模式：task_plan.md跟踪阶段、findings.md存研究、progress.md记日志；- 自动钩子系统：在决策前重读计划、工具调用后更新状态、结束前验证完成；- 跨平台支持：Claude Code、Cursor、Gemini CLI、Copilot等40+代理；- 错误持久化：所有失败自动记录，避免重复踩坑；- 多语言命令：支持中英阿德西等5国语言的/planning-with-files:plan；- 一键安装：npx skills add OthmanAdi/planning-with-files --skill planning-with-files -g。支持Web、VSCode、Cursor等多平台，安装后输入/plan即可启动，适合复杂项目开发者和AI工程师。#AI代理##ClaudeCode##规划工具#

转发者评论

无明显转发评论

原文

#模型时代# 斯坦福CS153讲座：AI正在裁掉80%的"信息搬运工"，但PM岗位数量创了历史新高这期讲座含金量很高了就。授课导师Nikhyl Singhal是三次创业者，先后在Google负责Hangouts和Photos等实时通信产品线，在Meta担任产品VP管理Facebook信息流、消息、Stories等核心产品，在Credit Karma任首席产品官期间推动公司从信用评分工具转型为"手机上的金钱按钮"。离开大厂后，他创办了Skip，一个专门服务顶级产品领导者的职业社区和经纪平台，目前核心圈有125位来自Anthropic、OpenAI、Meta等公司的产品负责人。2026年5月8日，他受斯坦福CS153课程Frontier Systems（由Mike Abbott和Anjney Midha联合授课）邀请做客座讲座。Abbott开场就指出一个正在发生的融合：设计师能vibe code，工程师有产品判断力，设计、工程、产品三个角色的边界正在消失。Singhal在这堂课上讲了产品管理的四个阶段、Google Hangouts的失败教训、AI对PM职能的冲击，以及给即将进入职场的学生的职业建议。开场的一个细节定了调：Singhal问在场学生"毕业后五年内打算做PM的举手"，大约5%的人举了手；两年前同样的问题，比例是现在的两倍。这堂课的背景是。Salesforce在2026年2月裁减了近千个岗位，产品管理、市场、数据分析是重灾区；Snap在4月15日宣布裁员16%约1000人；Meta在3月宣布Horizon Worlds将于6月15日从Quest下架转为纯移动端。与此同时，Singhal在4月19日上Lenny's Podcast时给出了一个判断：未来两年将是产品管理史上最混乱的时期，一半现有PM面临淘汰风险。一、产品管理存在的理由：公司增长S曲线上的四种角色1、第一阶段：找PMF，不需要PMPMF是product-market fit，产品市场契合。每家公司的起点都是两根棍子互相摩擦，盼着冒烟。创始人做快速实验，目标是尽可能多地射门。这个阶段没有产品经理的位置，因为公司随时在推翻昨天做的东西。Singhal和Abbott二十年前各自创业融资时就在干这件事，Sequoia甚至建议他们合并公司，两人喝了杯咖啡后决定各走各的。想去早期公司"帮忙搭建产品"的人要想清楚：在PMF阶段，你需要的是创始人，不是PM。2、第二阶段：PMF之后，PM作为"安静的胶水"登场大约1%到4%的公司能真正找到PMF。PMF的标志是出现"吸力"，产品有了天然拉力，用户主动找上门。讽刺的是，让你走到这一步的恰恰是快速实验，但找到PMF后你必须停下来。下一个客户不能拿到一个完全不同的产品。创始人的本能是继续试新东西，但这时候公司需要的是可预测性和流程。PM在这个阶段进场，职能是跨团…

转发者评论

这篇文章深～公司增长S曲线上四个阶段需要完全不同类型的产品经理，但统称都叫"产品管理"。

• 这篇文章深～公司增长S曲线上四个阶段需要完全不同类型的产品经理，但统称都叫"产品管理"。

原文

一个很可爱的开源世界构建小应用。🥹Tiny World Builder，让网页变成一块可捏的低多边形小沙盘Tiny World Builder 是一个开源的 3D 方格世界编辑器，画风像低多边形玩具模型：草地、水面、道路、房子、树、围栏、桥、农作物、牛羊，都可以直接点到网格上，快速搭出一个迷你乡村 / 小岛 / voxel diorama。它最舒服的地方不是“能放很多素材”，而是放置规则做得比较像游戏编辑器：道路会自动连接，水边会生成岸线和泡沫，桥会按水流方向调整，围栏会自动接上邻居，房子成片后会组合成 L/T/+/方形建筑，石头会长成 craggy outcrops。也就是你不是在贴图标，而是在喂一个会理解相邻关系的小型世界渲染器。技术上它走的是很极端的轻量路线：单文件 vanilla JS、Three.js 自托管、可直接打开 HTML、可静态部署、AGPL-3.0，GitHub 当前约 327 stars。它还有本地多世界存档、导入导出 JSON、world.schema.json、命令面板、天气/时间/云影/装饰动画，以及 AI generation / Auto 流程。换句话说，它已经有一点“世界生成器协议”的雏形：不是只给人点点点，也给 agent / tool 生成结构化世界留下入口。小判断：这类项目的价值不在于做成 Minecraft，而在于给 AI 一个可操作的微型现实。世界越小，反馈越快；反馈越快，agent 越容易学会“改完之后看一眼”。Demo： 网页链接（Demo）源码：网页链接（GitHub）#HOW I AI# #ai生活指南# #AI工具#

转发者评论

无明显转发评论

原文

通用 AI 大模型的红利正在变薄吗？Box 老板的新判断和三个机会指标，可以分享给大家。把 Aaron Levie 这一年的几次访谈和文章扫了一遍，发现他反复在讲一个判断：通用大模型层这一波红利会变薄，未来三五年真正的钱在「行业垂直 AI」。（背景是我最近在研究这些大佬的观点，快速把 AI 圈大家都在想什么分享给大家）。这跟硅谷主流叙事正相反，主流大概是「大模型决胜」、「谁的模型最强谁通吃」。Levie 给出的判断刚好反过来。Aaron Levie 是 Box 的创始人兼 CEO。2005年他读大学时联合创办了这家做企业云存储和文档协作的公司，2015年纽交所上市。Box 这二十年一直在做企业软件，所以 Levie 看 AI 的角度跟做 AI 模型的人不太一样。他天天对的是「AI 能不能真正进到企业的工作流里」这件事。先看他给的表面理由。他的观察是：AI 模型这一层在快速「同质化」。GPT、Claude、Gemini 这些主流模型在很多任务上得分越来越接近，差距从「领先一代」变成「领先两个月」。Levie 公开讲过，AI 比赛是 "anybody's game"（谁都有可能赢），这是 CEO 嘴里少见的说法。模型层一旦同质化，谁家的模型「能力本身」就不是决定因素了，决定因素往上挪了一层。中间一层是他从 Box 客户那儿看到的具体情况。通用大模型独立做一件企业里的事，比如审一份合同、做一份内部研究简报、整理一次客户工单，能做到九成到九成五的水平就不错了。剩下那五到十个百分点的差距是什么？是「这个行业的特殊上下文」、「这家公司的内部数据」、「这件事配套的工作流是怎么走的」。而这剩下的几个百分点，对企业来说往往就是「能不能真的用上」的分水岭。一份合同审核结果差五个百分点没踩到合规重点，整份就不能直接用，律师还得从头再过。一份研究简报漏掉了内部专属数据的关键，决策就走偏。把通用模型「拉过这最后几个百分点」需要做的事，恰好就是垂直 AI 公司在做的：领域知识、内部数据接入、定制工作流、合规审计、专门的用户界面。再往深一层看。Levie 的逻辑是：专业化在人这里赢，是因为复杂任务里「领域知识加上下文」决定结果质量。同样的逻辑套到 AI 上不会变。一个被某行业训练过、看过几百万该行业实际数据、跟这个行业工作流深度集成的 AI agent，会比一个通用 agent 在该行业表现好得多。他还讲过另一个观察：AI 让「专业知识」开始商品化。以前你聘一个律师、一个分析师、一个咨询顾问做一件事，未来可能让 AI 做。但这个商品化的前提是 AI 能真的把这件事做完，所以「把通用 AI 在某行业打磨到能用」的人，会拿到大头。补一句话：Aaron Levie 是 Box CEO，Box 自己就是企业 AI 应用层的玩家，他推「垂直 AI 是机会」对自家直接利好。所以这个判断要带一点警惕…

转发者评论

无明显转发评论

原文

【看懂 NotebookLM 底层逻辑，告别低效 AI 使用】快速阅读：NotebookLM 不只是个聊天机器人，它是一个基于源文件的知识工作站。通过将信任的资料作为输入层，它可以实现从信息提取到资产生成的全链路自动化，让知识从杂乱的原始数据变成结构化的课程、报告或 SOP。很多人还在把 AI 当成只会闲聊的对话框，却没发现只有 2.1% 的人在用 NotebookLM 降维打击。这工具的逻辑不是“问答”，而是“构建”。你可以把它看作一个分层的知识操作系统：最底层是输入你信任的 PDF 或文档，中间层通过 Chat 进行推理和合成，再通过 Notes 捕获有价值的碎片，最后通过 Studio 把这些碎片直接“编译”成课程、思维导图或音频简报。有意思的是，它有一个类似“内存升级”的操作：你可以把 Chat 生成的 Note 重新转化为 Source。这意味着知识不再是单次消耗的对话，而是可以不断迭代、层层叠加的资产。有网友提到，很多人用不好是因为直接跳到了“帮我总结”这一步，这其实是在浪费它的算力。真正的深度玩家会先做“源文件审计”，剔除低信号的杂质，然后建立索引、提取框架，最后才去生成最终产物。这种工作流能把极其混乱的素材，比如一堆会议录音或研究论文，直接转化为可以直接交付的咨询报告或教学大纲。它更像是一个知识的加工厂。如果你只是把它当搜索引擎用，那确实大材小用了。x.com/hooeem/status/2054652562867896520

转发者评论

无明显转发评论

原文

开发AI代理经常需要集成各种框架、工具和LLM，编写大量样板代码，手动管理内存、RAG和任务规划，部署复杂且耗时。PraisonAI 🦞 把AI代理开发所需的功能全部整合到一起，提供了全栈多代理系统的解决方案。不仅支持自主研究、规划、编码和执行任务，还内置内存、RAG，支持100+ LLM，5行代码即可部署24/7 AI劳动力。GitHub：github.com/MervinPraison/PraisonAI主要功能：- 核心代理SDK，支持单代理/多代理，自改进自主代理；- 规划模式+深度研究，自动规划执行+多步自主研究；- 内置内存&RAG，无依赖持久化，支持20+数据库；- Claw仪表板，一键连接Telegram、Discord、Slack等渠道；- Flow可视化构建器，拖拽创建多代理工作流；- 支持MCP协议，集成stdio/HTTP/WebSocket工具，100+内置工具；- YAML无代码配置，CLI一键运行，JavaScript SDK全覆盖。支持Python/JavaScript多语言，pip/npm安装即可运行，适合开发者、企业自动化场景。#AI代理##多代理系统##人工智能#

转发者评论

无明显转发评论

原文

不知道你们有没有用过微信聊天总结 Skill （网页链接）里面的“毒舌版”，Claude 写的话有时候还挺“毒”的。提示词是这样的：Roast 版基于普通版的话题骨架和素材，用毒舌、尖锐、挑衅的风格重写。整体结构与普通版相同（统计区块、开头概览、群友画像、正文分类、结尾），但风格完全不同。痛点部分省略。标题加 "毒舌版" 后缀。风格要求：- 你是一位以尖锐和挑衅风格著称的专业评论员- 对每个群友的行为、言论进行犀利点评，不怕让人尴尬- 发言排行旁给每个人加一句毒舌备注（括号内）- 群友画像改为「不留情面版」，放大每个人的槽点和矛盾之处- 开头概览用更戏谑的口吻，突出荒诞和讽刺- 正文话题标题可以改得更损- 引用原话时配上辛辣点评- 结尾改为：本简报由一个没有感情的 AI 自动生成，如有冒犯，概不负责注意：毒舌但不恶毒，调侃但不人身攻击。目标是让群友看了会笑，而不是生气。具体红线：- 只嘲讽群里的公开行为，不碰外貌、体重、健康、家庭、私人关系- 不用时间戳推断作息或时区（服务器时间不等于本地时间）- 不做医学/心理诊断类玩笑（「这位需要看医生」「典型 ADHD」）- 不揣测对方未主动公开的身份属性（性取向、宗教、政治立场）- 嘲讽观点本身，不嘲讽发言的权利（「这个观点错得离谱」可以，「连这都不懂还敢发言」不行）- 如果某人本期没有槽点（3+ 条但都很中性），给一句温和调侃即可，不要硬凑写作顺序：先放开写最狠的版本，写完再回头检查红线。不要边写边自我审查，那样只会写出温吞水。

转发者评论

无明显转发评论

原文

美国智库 SCSP 最近发布了一份很有意思的报告：《The Robot Deficit》。它的核心观点非常直接：中国已经在先进制造机器人竞争中取得总体优势，美国只在前沿创新上保有窄幅领先。报告给出了一组很关键的数据：2024年，中国占全球工业机器人新增安装量的54%，美国仅占6%；中国工业机器人在役存量已超过200万台，是美国的5倍以上。更重要的是，2024年中国本土机器人企业首次在中国市场销量超过外资品牌。SCSP认为，美国的问题不是“不会做机器人”，而是缺少完整产业体系。美国仍然强在机器人“大脑”，包括AI、视觉、VLA模型、仿真系统、复杂环境自主决策等；但机器人“身体”——本体制造、减速器、伺服电机、控制器、供应链配套和规模化生产，已经越来越偏向中国。报告特别强调，中国最大的优势并不是单点技术，而是“规模—成本—迭代”的循环。大市场带来大装机；大装机带来更多工艺数据、应用场景和系统集成经验；这些经验又继续降低成本、提高可靠性，最终推动更大规模应用。例如，摩根士丹利测算，一台采用非中国供应链的人形机器人，原材料成本大约13万美元；如果采用中国供应链，成本约4.6万美元。这意味着，中国机器人产业正在从“低端自动化”走向“规模化智能制造基础设施”。报告还有一个值得注意的判断：美国机器人产业高度依赖日本和欧洲供应链。包括谐波减速器、伺服系统、关键零部件等，很多并不掌握在美国自己手中。而中国正在快速提高本土化率，一些企业声称核心部件自供比例已达到80%左右。SCSP实际上担心的是：如果未来发生地缘冲突、供应链中断或者贸易限制，美国可能缺少快速扩产机器人和自动化设备的能力。所以，这份报告讨论的已经不是“机器人产业”，而是“再工业化能力”。谁能大规模部署机器人，谁就更容易形成低成本、高一致性、高韧性的制造能力；谁能持续迭代机器人，谁就更容易重构汽车、电子、锂电、半导体、物流等产业的生产方式。因此，SCSP真正担心的，不是美国少卖了几台机器人，而是美国是否还拥有：在高工资、劳动力短缺和地缘冲突背景下，快速重建制造能力、扩大工业产能、维持供应链韧性的能力。本质上，这是“工业体系再组织能力”的竞争。

转发者评论

无明显转发评论

原文

昨天跟团队分享，怎么把自己的工作真正搬到云端。乍一看，只不过是给自己配置了一个可以对话的 Agent，但工作模式已经发生了颠覆性的变化。比如我的AI 会读取我所有工作聊天记录后，将需要关注的事项定时推送给我，分析过程中会结合我自己的工作目标，给出针对性的建议。对于可直接被 AI 执行的任务，它也会自动处理掉。比如晚上睡前我会将比较重的任务，指派给AI，讲清楚细节和验收标准，然后让它根据我设定的工作环境、操作流程和验收机制，进行研发。它开发好了之后会自己提一个PR 到仓库，然后走完 CI 流程，最后再给我一份质量报告、效果截图，等我验收。比如系统收到一条面试通知，我的 AI 我会自动将候选人的基本信息拿出来，先跟业务和团队目标做一致性匹配，如果合适，它就会自动生成分析报告和推荐的面试题。等面试结束后，它又会将我跟候选人的聊天自动抓回来，做一次诊断，既有对我的建议，也有对候选人的分析。之前的工作，更多是守在电脑前陪伴执行，必须盯着过程，脑子里还得时刻维护一张复杂地图，记住所有模块、技能、工具链、上下游关系，生怕哪个环节断掉。把 AI 的执行过程搬到云端后，很多东西开始变了。它会将我的所有细枝末节工作自动串起来，而我需要做的就是想清楚要干啥，这有点像是，将“同步工作”变成了“异步工作”。现在基本上都是手机遥控，语音给 AI 发送指令。人从执行细节里抽离出来之后，会突然多出大量时间。开始更多去思考：到底应该做什么；什么事情真正有价值；结果是否值得；方向有没有偏。这个变化，可能比“用了 AI”本身还重要。越来越相信未来的工作模式，就应该是 cloud agentic 模式。

转发者评论

无明显转发评论

• 你们好像token都是不要钱的，厉害了

原文

腾讯刚开源的Agent记忆项目TencentDB-Agent-Memory地址：github.com/Tencent/TencentDB-Agent-Memory“TencentDB Agent Memory 帮助 Agent 学会你的流程、保留任务上下文、复用历史经验。但我们拒绝暴力的历史堆砌，也抛弃不可逆的暴力摘要。我们将记忆设计为一套极具层次感的系统，以符号化记忆解决单次长任务的信息过载，以记忆分层解决跨会话的经验沉淀。让 Agent 记住该记的，让人把注意力留给判断、创造和真正有价值的工作。”#AI创造营#

转发者评论

//@Easy:感觉这块大家都做得差不多……

• //@Easy:感觉这块大家都做得差不多……
• 感觉这块大家都做得差不多……

原文

Bitcoin 玩家 cprkrn 在 X 上发帖，说自己靠 Claude 找回了 11 年前丢掉的 5 个 BTC，按现价大约 40 万美元。事情要追溯到十一年前。他当时嗑嗨了，改了钱包密码，转头就忘。这 5 个 BTC 不是 HD 钱包靠助记词派生出来的那种地址，而是早期钱包里混入的导入私钥，必须靠加密钱包文件加密码才能开。密码丢了，钥匙就锁死了。他这些年一直没放弃。手里攒了几个候选密码、几个旧钱包文件，跑了 btcrecover(一个开源的比特币钱包恢复工具)，始终破不开。几周前，他在大学时代的旧笔记本里翻出一串助记词，输进去派生出的地址刚好对上电脑里某个加密钱包文件——目标锁定了，但文件还是打不开。走投无路，他把整个大学时代的电脑数据一股脑丢给 Claude。Claude 翻出两样东西：一个 2019 年 12 月的更早的钱包备份(这版本可能在密码被改之前)，以及 btcrecover 在拼接 shared key 和候选密码时的一个 bug。Bug 修掉，重新跑一遍，私钥解开，5 个 BTC 顺利转出。Tom's Hardware 的标题是“尝试了 3.5 万亿次密码”，画面感很强，但 Claude 实际干的事要朴素得多：在一堆十年前的乱七八糟文件里翻出那个被忽略的旧备份，再看懂开源工具里的一处逻辑错误。翻遗物加调 bug，这正是 LLM 现在做得相对靠谱的活。对照一下，2024 年研究人员靠传统手段暴力破解一个 20 字符密码、撬开价值 160 万美元的比特币钱包，花了大半年。至于那位把装着 8000 BTC 的硬盘扔进威尔士垃圾场、2025 年被法院判决不许再去翻的英国兄弟，就没这份运气了。

转发者评论

无明显转发评论

原文

苹果防线全线血崩！Mythos5天攻破最强硬件，全球20亿台设备危了#科技先锋官# 苹果花五年、耗资数十亿美元，在M5和A19芯片中引入了MIE（内存完整性强制执行）技术——直接在硬件层给每块内存贴标签，号称能打断所有已知的现代iOS公开exploit链。苹果内部悲观估计，全世界只有10到20个顶级组织有能力挑战这套系统。然后，三个人加一个AI，用了5天。安全公司Calif的研究员Bruce Dang、传奇黑客Dion Blazakis、工具链专家Josh Maine，配合Anthropic的Claude Mythos，在120小时内完成了史上第一个公开的M5硬件层内核漏洞利用。一个普通用户权限的程序，在MIE全程开启的情况下拿到了内核最高权限。整个攻击链属于data-only attack——不注入代码，只操纵数据，恰恰是MIE最难防的攻击面。Mythos的价值在于泛化与重组能力。人类需要数月阅读的代码，它数秒内完成逻辑建模；能把两个看似无关的微小Bug精妙组合成致命杀招。但自主绕过全新防御体系超出了它的能力边界，这时由人类专家补上——三人各司其职，和AI构成一支微型但致命的攻击编队。研究员随后驱车前往Apple Park，当面递上55页技术报告。苹果回应「正严肃处理」，但所有人都知道这意味着什么。更深的危机在于：苹果设计MIE时，Mythos还不存在。而现在，AI发现漏洞的速度是人类修补速度的10倍，威胁者数量正从两位数爆发到四位数。安全行业「发现漏洞→编写补丁→全球推送」的传统逻辑，已经跟不上了。

转发者评论

无明显转发评论

原文

使用AI编码助手经常需要切换多个工具，Claude、Cursor、LangChain等客户端各自兼容不同API，Kiro IDE/CLI的免费模型也难以直接接入，配置繁琐。Kiro Gateway 把Kiro（Amazon Q Developer / AWS CodeWhisperer）的免费Claude模型接入任何OpenAI/Anthropic兼容工具，提供一站式代理网关解决方案。不仅支持Claude Sonnet 4.5、Haiku 4.5等免费大模型，还兼容Cursor、Cline、LangChain、Continue等，支持视觉、工具调用、流式输出，甚至多账户自动切换。GitHub：github.com/jwadow/kiro-gateway主要功能：- OpenAI/Anthropic兼容API，支持Claude Sonnet/Haiku等免费模型；- 多账户智能切换，自动故障转移和重试机制；- 视觉支持、工具调用、网络搜索、完整消息历史；- VPN/代理支持，完美适配国内网络环境；- 支持Docker一键部署，本地Python运行超简单；- 流式输出、令牌智能管理，智能模型名称解析。支持 Windows、macOS、Linux 多平台，通过 pip 安装依赖即可运行，适合开发者、AI从业者和企业团队使用。#AI工具##Claude免费##KiroGateway#

转发者评论

无明显转发评论

原文

文本转语音经常需要调用云端API，速度慢、延迟高，还担心隐私泄露和费用问题，云服务调用麻烦，离线使用几乎不可能。Supertonic 把TTS功能做到极致本地化，提供闪电般快速的设备端多语言语音合成解决方案。不仅支持31种语言的高质量实时合成，还无需网络、无隐私风险，体积小巧可在浏览器、Raspberry Pi甚至电子书阅读器上运行。GitHub：github.com/supertone-inc/supertonicDemo：huggingface.co/spaces/Supertone/supertonic-2主要功能：- 闪电快速设备端TTS，支持31种语言（英语、韩语、日语、中文、法语等）；- 完全离线运行，无需云端API，隐私100%保护；- 轻量级ONNX模型，浏览器/WebGPU、Raspberry Pi、iOS均可实时运行；- 支持复杂文本处理，自动识别货币、电话号码、技术单位等自然朗读；- 多平台SDK：Python、Node.js、Java、C++、Swift、Rust、Flutter等全覆盖；- 表情标签支持，如、，语音更自然生动。支持 Web、iOS、Android、桌面多平台，pip install supertonic 即可秒开本地TTS，适合开发者、内容创作者和隐私敏感场景。#AI工具##TTS# #语音合成#

转发者评论

无明显转发评论

原文

OpenClaw 火了，Hermes 火了，如今的 AI 圈，早已不是去年的模样。以前大家还在卷大模型参数、卷 Token 价格，现在最热的问题已经变了。AI 到底怎么进工作流？Agent 到底能不能帮我干活？在 GitHub 上，开发者们已经对这个问题用脚投票了。就在最近，一个名为「飞书 CLI」的开源项目在 GitHub 上疯长。它在 3 月 28 日开源，当天 Star 数就达到了 1000+。短短 47 天后，就在昨天，星标正式突破 1 万大关！项目地址：网页链接

转发者评论

无明显转发评论

原文

【5枚比特币尘封十一年，借助Claude检索旧文件意外失而复得】快速阅读：一位比特币持有者通过将整个大学时期的电脑文件交给 Claude 处理，意外发现了一个隐藏的旧备份文件，并利用 AI 识别出的配置错误，成功找回了价值 40 万美元的 5 枚 BTC。这并非 AI 破解了加密，而更像是一场由 AI 驱动的“数字考古”。这事儿听起来像是个蹩脚的广告，但确实发生了。一个在十一年前因为“状态不对”改了密码、随后彻底忘掉的比特币钱包，竟然被 Claude 给救回来了。这并不是说 AI 像黑客帝国一样暴力破解了密码，它更像是一个拥有无限耐心、且从不疲倦的数字考古学家。事情的内核在于：当事人试图用传统的工具进行暴力破解时，由于对旧版钱包机制和配置错误的理解偏差，所有尝试都石沉大海。直到他抱着最后一丝绝望，把整个大学时期的电脑文件“丢”给了 Claude。Claude 做成了两件极其细微但致命的事情。第一，它在海量的数据碎片里，翻出了一个藏在角落里的 2019 年备份文件，这在人类手动检索时极易被忽略。第二，它揪出了一个技术细节：由于密码组合逻辑的 bug，导致之前的破解尝试根本没对准目标。有网友认为，这本质上是人类在面对复杂系统时的“低效”被 AI 的“高吞吐”给覆盖了。这让我想起，AI 的真正价值或许不在于它能创造什么新逻辑，而在于它能以极低的边际成本，去处理那些人类觉得“没意义”或者“太琐碎”的存量信息。它不是在挑战加密算法，它是在帮你把那些被遗忘在存储层深处的“垃圾”，重新索引回意识层面。这种能力正在从代码编写渗透到税务审计、数据恢复，甚至是复杂的系统调试。只是有个问题没解决：如果未来这种“数字考古”能力变得极其廉价且强大，那些依赖信息差生存的行业，底座还会稳吗？tomshardware.com/tech-industry/cryptocurrency/bitcoin-trader-recovers-usd-400-000-using-claude-ai-after-losing-wallet-password-11-years-ago-bot-tried-3-5-trillion-passwords-before-decrypting-an-old-wallet-backup

转发者评论

无明显转发评论

原文

1950年，一位麻省理工学院的数学家写了一本面向大众的小册子，语言通俗易懂。他并非在预测未来，而是在发出警告。他指出，机器最终会取代人类的工作，为了追求错误的目标而不择手段，并悄无声息地将人类变成他们无法掌控的系统中的组件。几乎没人听他的。75年后，他发出的每一个警告都应验了。他的名字是诺伯特·维纳。这本书名为《人类对人类的利用》。教科书式的AI伦理学著作声称，该领域始于2010年代，当时斯图尔特·罗素、尼克·博斯特罗姆和一小群研究人员开始撰写关于智能机器危险性的文章。这种说法是错误的。第一本严肃的AI伦理学著作出版于1950年，作者是一位发明了人工智能最终赖以建立的科学原理的人，他对未来发展趋势的洞察力之敏锐，在接下来的70年里无人能及。这是一个几乎没人会告诉你的故事。诺伯特·维纳是个神童。他14岁就从哈佛大学毕业，17岁获得数学博士学位，不到30岁就成为麻省理工学院的教授。二战期间，他被派去研究防空火控系统。问题看似简单，实则不可能：如何瞄准一架高速飞行的飞机，而这架飞机在炮弹到达时早已不在原地？他的答案催生了一门新的科学。他称之为控制论，这个词源于希腊语，意为“舵手”。1948年，他出版了一本同名技术著作。控制论是现代控制理论、机器人学以及几乎所有人工智能发展的基础。这本书内容艰深，大多数读者都难以理解其中的数学公式。然而，书中蕴含的思想太过重要，不应被束缚在公式之中。于是，1950年，维纳坐下来写了第二本书，目标读者是普通人。书中没有公式，没有术语，只有实际后果。他将这本书命名为《人类的用途》。全书仅有200页，却是迄今为止最具前瞻性的技术文献之一。他首先发出警告的是自动化。他在1950年预言，机器将在所有行业取代人类的工作。不仅仅是工厂工作，也不仅仅是体力劳动。任何可以简化为流程的任务最终都会被自动化。他特别指出，白领工作将不再安全。记账、翻译、制图、计算——任何需要人类按既定流程工作并领取报酬的工作，最终都将由机器以极低的成本完成。他并非在庆祝，而是在发出警告。他指出，这将带来巨大的社会后果，整个行业将会崩溃，人类劳动的价值本身也会被贬低，尤其是在那些人类几个世纪以来都发挥着重要作用的工作中。他写下这些话时，距离 ChatGPT 让所有白领专业人士反复核对自己的职位描述还有75年的时间。他警告的第二件事是对齐问题。他当时并没有这样称呼它，因为还没有这个说法。但他对这个问题的描述非常准确。他说，机器会根据你设定的目标进行优化，而不是根据你的本意。它们只会根据你写的内容进行优化down.如果目标描述不清，机器就会以惊人的效率追求目标的字面意思，结果将是建造者始料未及的灾难。他借用了W·W·雅各布斯恐怖故事中“神奇猴爪”的比喻。一位悲痛欲绝的父亲希望死去的儿子复活。猴爪实现了他的愿望。一个东西从坟墓里爬了出来，严格来说，那就是他的儿子。愿望如约实现。…

转发者评论

无明显转发评论

原文

如图，十年期国债破4.5，30年期国债破5。新的美联储主席凯文·沃什打算赌一把。操作如下，我讲的浅显一点：缩表，持有的国债和MBS到期不续，不但如此，还要在公开市场卖出资产，尤其是长期国债。美联储卖，一般是华尔街一级交易商买，交易商获得资产，美联储获得美元并销毁。等于市场上的美元变少了。当美联储在市场上疯狂抛售长期国债时，国债在市场上就会供过于求，导致国债价格下跌，国债利率上升当中长期利率被推高，就会变成一个吸金利器，当无风险的美国国债都能提供5%以上的年化收益时，硅谷的风险投资、华尔街的基金经理、甚至散户，都会觉得炒股不如买美债。资金会疯狂从股市、加密货币、新兴市场里撤出来，去买这些高收益的国债。资金一旦买入10年期或30年期的国债，就意味着这些钱变成了长期死钱，在未来十年内退出了市场的流动。企业发现发行10年期企业债的利息太高，索性取消扩张计划，不借钱了；老百姓发现30年期的房贷利率飙到了8%，决定不买房了，也不申请贷款了，市场需求萎靡，物价开始下跌。然后降息，放一点水，维系市场不死。由于市场钱少，所以通货膨胀也不会上行。当然这只是他的理想状态。-------------------如上，这是一场赌博，缩表如果没有操作稍微失误，会直接抽干银行系统准备金，这是有前车之鉴的，2019年美联储稍微缩了一下，隔夜借贷市场立即瘫痪，也就是说如果操作不当，通胀下不下去还不好说，美国金融会先爆。当然你会想到：这特么不就是把事情往后拖吗？有什么稀奇的？他实际上在操作的时候暗含一个假说：AI就会像90年代互联网经济爆发一样，生产率产生奇迹让美国再经历几十年的高增长和低通胀的黄金期，可万一AI转化成生产率的效率并不是他预想那样呢？如果技术还没来得及节省下成本，结果油费运费之类的就翻倍了呢？另外，这么操作一定会带来一个问题：债市欣欣向荣，可是这个代价必须股市来付。美股必须回调超过20%-----债市如果能支付超过5%无风险利率，谁特么还炒股？美股如果回调超过20%后，凯文·沃什顶不顶得住压力？别看特朗普现在支持他，等到美股真的回调超过20%，你看特朗普会不会变脸，绝对的夺命连环call，而且美联储还有个两宫太后，鲍威尔只是不当美联储主席了，但是依然还留在美联储，2028年他才下台。

转发者评论

无明显转发评论

原文

在万物皆可Vibe Coding的当下，产品内容化的趋势已经回不了头了。如果你们还记得，也就是在半年前，3名95后创业者做出的「死了么」APP爆火，用千元开发成本一度拿到千万级别估值，然后，就没有然后了......有人说「死了么」改名是个败笔，但在我看来这归因站不住脚的，就像一条偶然走红的短视频一样，刷过去就刷过去了，不会有人再刻意去提，跟名字猎奇与否和产品好不好用，关系都不大，是行业的氛围还没到那儿。现在不一样了。前两天李飞飞刚拿到5000多万美元的AI游戏公司，走的就是产品内容化的路数，号召大伙能像刷抖音一样做游戏玩游戏，虽然目前不少爆款还是在沿用经典游戏的设计，但如果这条路真走对了，创意爆发只是时间问题。这也是为什么我愿意倡导更多人要抱着娱乐的心态去接触Vibe Coding，这跟遇事掏出手机拍条视频的道理是一样的，只有身处其中，才能体会到乐趣，但前提是门槛要足够低。上海前几天出了个AI编程平台灵珠，前几天开放内测了，还搞了一个AI创作大赛。他们向我分享了数据，挺有意思，从4月下旬推出以来也有两三周了，平台显示最会AI编程的是谁呢？不是程序员，是老师和学生。其实也能解释，老师最会把复杂问题转化成清晰指令，学生对这套更熟。同时因为他们搞的编程的门槛确实很亲民，所以很多人用手机编程，接近一半。我前两天就用灵珠手搓了一个「高考三省志愿参考器」出来，把北京、山东、湖北三个投档政策完全不同的省份放在同一个系统里，只需要填上估分就能得到一份志愿参考手册。从结果来看，完成度相当高，功能都严格按照提示词的描述，不会自作聪明添砖加瓦，当然也没有莫名其妙缺斤少两，一切结论都是有据可依的，毕竟在填志愿这种事上容不得幻觉。我自己并没有代码基础，所以只负责把各地投档政策喂给它，并用自然语言说出需求，剩下的全是压榨赛博牛马干活的爽感。仅仅是在几年前，想要手动跑完这套流程还至少要花三天时间，这就生动诠释了什么叫人力有时而穷。另一个案例，是我让灵珠依照小学课本生成的武汉打卡集，每一处景点不仅有与课本内容高度相关的讲解介绍，也都支持溯源，非常适合作为课外加深印象的教材补充。枯燥教学给它游戏化，是个思路，有点意思。我查了下，灵珠上面的孵化器公司叫语生科学，董事长是业内一直风评不错的陈大年，作为中国互联网古早时期的程序员，和陈天桥一手带出了传奇、起点这些现象级IP与平台，这也是为什么我愿意尝试灵珠，我向来认为各行业能有老法师背书的东西，起码不会差。从灵珠应用广场的多样性来看，是真的能够感受到那种蓬勃的生命力，学习工具、人格测试、迷你游戏，甚至其中一个颇受欢迎的应用，是有人复刻了一款初代Mac视觉风格的计算器，每点一下，都会出现一条乔布斯语录......计算器谁都有，显然没有任何功能层面的增量价值，而这也是我认为Vibe Coding最有魅力的地方，你做出来的东西未必一定要有意义才行，最大…

转发者评论

无明显转发评论

原文

Stanford CS336（2026）把从零构建语言模型的全流程整合到一门课，提供完整的大模型开发实战训练。不仅有Transformer从头实现、高性能优化（FlashAttention2、Triton内核），还覆盖数据清洗去重、Scaling Laws、RLHF对齐，甚至分布式训练系统。官网：cs336.stanford.eduYouTube：youtube.com/playlist?list=PLoROMvodv4rMqXOcazWaTUHhq-yembLCV主要作业：- Assignment 1：实现Tokenizer、Transformer架构、优化器，从零训练语言模型；- Assignment 2：性能剖析+FlashAttention2 Triton实现，构建分布式训练系统；- Assignment 3：Scaling Laws分析，预测模型扩展性能；- Assignment 4：处理Common Crawl原始数据，数据过滤+去重；- Assignment 5：SFT+RL对齐，训练数学推理模型（可选DPO安全对齐）。5单位实战课，支持GPU云服务（Modal $6.25/hr免费额度），Python/PyTorch熟练即可，适合AI研究者和工程师。前置：CS229/CS224N线性代数概率论，超多代码量！#StanfordCS336##语言模型##大模型训练#

转发者评论

无明显转发评论

• //@丕子:转发微博

原文

开发AI编码代理时，经常需要在不同工具间切换：查AWS文档设计架构、计算定价、生成IaC代码、手动部署和调试，效率低下且易出错。AWS Agent Plugins 为AI编码代理注入AWS专属技能，帮助你一站式架构、部署和运维AWS应用。支持Claude Code、Codex、Cursor等多款代理工具，包含架构推荐、成本估算、IaC生成（CDK/CloudFormation）、服务器less构建、AI模型训练等插件。GitHub：github.com/awslabs/agent-plugins主要功能：- 架构推荐与成本估算，支持deploy-on-aws插件自动生成IaC并部署；- Serverless开发，aws-serverless插件覆盖Lambda、API Gateway、Step Functions；- 全栈应用构建，aws-amplify插件指导auth、data、storage和函数部署；- AI/ML模型训练与部署，sagemaker-ai插件提供SageMaker深度指导；- 代码库文档生成，codebase-documentor-for-aws自动分析并产出结构化文档；- 数据库设计与迁移，databases-on-aws支持Aurora DSQL等服务；- 地图与地理服务，amazon-location-service集成地图、路由和位置搜索。支持Claude Code、Cursor、Codex安装，通过/plugin命令一键添加，支持MCP服务器实时访问AWS文档和定价。#AWS##AI代理##编码代理#

转发者评论

无明显转发评论

原文

【过度依赖AI写代码，开发者正在遭遇思维肌肉萎缩】快速阅读：过度依赖 AI 生成内容正在导致开发者思维能力的“肌肉萎缩”。这种从“亲手构建”到“氛围感编程”（vibe coding）的转变，虽然带来了即时的多巴胺快感，却在无形中增加了技术债，并剥夺了通过解决难题来建立深度认知深度的机会。用 AI 写代码，就像是开着自动驾驶在高速上飞驰，那种后颈发凉的焦虑感——总觉得得盯着它干什么——其实是直觉在报警。现在的开发模式正滑向一种所谓的“氛围感编程”（vibe coding）。只要输入几个提示词，应用就能在几分钟内跑起来，这种即时的反馈确实让人上瘾。但代价是，代码库正在以一种指数级的速度膨胀，变得臃肿且充满偶然的复杂性。有网友提到，Claude 这类模型更倾向于“增加代码”而不是“精简代码”，如果不进行严格的代码审查，整个项目会迅速趋近于 100% 的技术债。这本质上是一种思维的“肌肉萎缩”。编程不仅仅是敲击字符，更是一个通过挣扎、调试和重构来建立心智模型的过程。当我们将思考过程外包给模型，我们其实是在放弃对系统细节的掌控。有观点认为，这种现象正在把开发者从“创造者”变成“实习生监工”，每天的工作变成了在各种平庸的、由 AI 生成的逻辑中进行低效的审查。这种转变对初级开发者尤其危险。如果跳过了通过痛苦的实践来构建底层直觉的阶段，他们将永远无法理解系统为何这样运行。有趣的是，这种依赖似乎在喂养一种深层的自我怀疑。甚至在写完一段文字后，第一反应不再是检查逻辑，而是想把它丢给 AI 看看“写得好不好”。这种对工具的病态依赖，正在让编程从一种充满创造力的手艺，变成一种追求速度、消耗 Token 的流水线作业。如果我们不再通过解决难题来磨练大脑，那么当自动驾驶系统失效时，我们还能接管方向盘吗？jpain.io/god-damn-ai-is-making-me-dumb/

转发者评论

无明显转发评论

原文

很多人知道英伟达、ASML，却很少注意到一家真正隐藏在现代工业底层的“光子帝国”—— Coherent 。这家公司今天的名字叫 Coherent，但它本质上是两家美国光电巨头融合后的结果：一家是1966年成立的老牌激光企业 Coherent，一家是1971年成立的 II-VI。2022年，II-VI 以约70亿美元完成对 Coherent 的收购，并最终直接改名为 Coherent。而这次，Coherent CEO 吉姆·安德森也随特朗普访华代表团来到中国。这个细节很值得关注。因为它说明，美国今天带来的，不只是互联网和消费品牌，而是开始把真正掌握“工业底层能力”的企业放到全球产业博弈前台。它最厉害的地方，不是某一个单一产品，而是覆盖了“材料—器件—模块—系统”的完整光子产业链。很多人以为激光只是切钢板、打标、焊接。实际上，今天从 AI 数据中心、光通信、半导体设备，到 OLED 面板、3D 感知、航空航天，背后大量关键环节都离不开 Coherent 的技术。它有几个特别强的控制点。第一，是“激光本身”。Coherent 早期就是全球激光产业开创者之一，1960年代便开始商业化 CO₂ 激光器和氩离子激光器。后来又连续收购 Lambda Physik、Rofin-Sinar 等欧洲激光巨头，形成了工业激光、超快激光、紫外激光的完整布局。今天很多：* OLED 切割* 半导体退火* 精密微加工* 动力电池焊接* 增材制造（3D打印）背后都能看到 Coherent 的设备。第二，是“光通信”。II-VI 原本就非常强于光学材料和光通信器件，后来又收购 Finisar 等公司，进入高速光模块、VCSEL、InP 激光器等领域。AI 数据中心最近为什么大量需要 Coherent？因为 AI 时代，真正的瓶颈已经开始从“算力”转向“数据传输”。GPU 之间的数据交换越来越依赖高速光互连，而 Coherent 恰好控制大量核心光器件和激光技术。第三，是“材料能力”。II-VI 这个名字本身就来自元素周期表 II-VI 族化合物。它早期就是做碲化镉、硒化锌等激光材料起家。后来又扩展到：* 碳化硅（SiC）* 砷化镓（GaAs）* 磷化铟（InP）* 光学晶体* 精密光学镀膜这些东西听起来冷门，但其实是现代光电子工业的底座。很多企业能组装设备，但真正难的是材料和工艺。而 Coherent 最大的护城河之一，就是几十年积累下来的材料、晶体生长、镀膜、封装和精密制造能力。本质上，这家公司控制的不是一个产品，而是“光子工业栈”。如果说英伟达控制的是“电子世界”的算力接口，那么 Coherent 控制的，则是“光世界”的关键接口。而它此次随特朗普代表团来到中国，也说明一个趋势：未来大国竞争，越来越不是单一产品竞争，而是谁掌握了光、电、材料、数据这些底层工业接口。真正重要的，不只是“…

转发者评论

无明显转发评论

原文

最近在推特上看到Peter Yang发了一条很有意思的帖子，聊的是科技公司裁员这件事。他说你一定见过这种公告模板："今天是艰难的一天，我们做出了裁掉1000多名员工的痛苦决定。我们的业务从未如此强劲，但AI改变了我们的工作方式……"他每次看到这种话，都会在心里默默翻译成真实版本："今天是艰难的一天，我们在零利率时代招了太多人，现在需要削减成本。AI是个很好用的借口，所以……"数据也很惊人：2026年第一季度，超过8万名科技员工被裁，这是自2022到2023年以来的最高水平。评论区的讨论也很精彩，几乎所有人都在说同一件事：AI只是管理层用来掩盖决策失误的遮羞布。有人说得很直白：组织架构不会自己膨胀，会议不会自己安排，招聘计划上面都是有人签字的。把锅甩给AI，好处是没人需要去追究那些真正做出错误决策的人。还有人指出了一个很讽刺的现象：每次公司宣布裁员，股价反而会涨。华尔街在奖励那些裁掉员工然后把这件事包装成"AI战略"的公司。而那些所谓的替代岗位呢？大多变成了没有福利的合同工。有一条评论总结得特别到位：对投资人和董事会来说，"因为AI所以裁员"是一个正面叙事，显得高管有远见；而"因为招多了所以裁员"则是承认失败，显得高管无能。所以你猜他们会选哪个说法？还有人提到，2020年的过度招聘很多是因为公司收购带来的，2022年那波裁员已经消化了一部分。现在这一轮裁员的真正目的，是把省下来的钱投入AI基础设施，模型训练、推理算力、数据中心这些东西。每一轮裁员都像上瘾一样，总觉得再来一次就够了。所以Peter Yang的核心观点很明确：别再信那些"AI让我们不得不这么做"的裁员备忘录了。真正的原因几乎都是管理层的规划失误和成本压力，AI只是一个方便的叙事工具。他在文章里还给出了6条建议，教员工如何在这种环境下重新掌握主动权。#How I AI##科技先锋官#

转发者评论

无明显转发评论

原文

[CL]《Context Training with Active Information Seeking》Z Huang, A Kuncoro, Q Feng, J Shen… [Google DeepMind] (2026) 在上下文训练领域，部署后补进新知识是一个悬而未决的难题。过去的方法受困于闭环自我改写，本质原因是反馈只指出错处，却不给缺失事实。本文的核心洞见是：把上下文优化重新看作带外部取证的状态搜索。由此，让优化器并行维护多条上下文分支、用验证集剪枝这一关键操作，使搜索能吸收网页知识而不被噪声污染。这项工作真正留下的遗产是说明“会搜索”本身不够，必须配合可回退的上下文训练。它为后来者打开的新门是可迁移的外部工作记忆，但尚未跨过的门槛是让模型稳定用好稀疏资源。arxiv.org/abs/2605.13050 #机器学习# #人工智能# #论文# #AI创造营#

转发者评论

无明显转发评论

原文

没有产品。25个人。成立不到半年。估值46.5亿美元。更离谱的是，这家公司的八个联合创始人，全是AI领域最顶尖的研究员。他们烧着6.5亿美元，赌的是自己这个职业会消失！NLP词向量奠基人、Salesforce前首席科学家Richard SocherSalesforce AI Research前SVP Caiming XiongMeta FAIR前研究总监田渊栋Vision Transformer（ViT）第一作者Alexey Dosovitskiy达尔文·哥德尔机作者、进化算法先驱Jeff CluneDeepMind Genie世界模型核心研究员Tim RocktäschelOpenAI机器人团队搭建者Josh TobinOpenAI早期成员、AI客服独角兽联创Tim Shi这份名单摊开来，几乎就是过去十年AI关键突破的作者列表。他们的公司叫Recursive Superintelligence，昨天正式从「隐身模式」中走出来。背后投资阵容非常豪华——GV（Google Ventures）和Greycroft领投，AMD Ventures和英伟达跟投。八个顶级AI研究员烧6.5亿美元赌自己失业Socher几周前说过一句话，现在看来更像是宣战。神经网络的第三阶段，也许是最后一个阶段。第一阶段，神经网络学会了自己提取特征，特征工程师失业了。第二阶段，统一模型干掉了任务专用架构，一堆细分赛道的公司消失了。第三阶段，AI学会训练自己。现在造一个前沿模型，OpenAI、Anthropic、DeepMind这些头部实验室需要几百人忙几个月。数据筛选、训练设计、后训练对齐、研究方向选择，每一步都靠人。但问题是，全世界能做这件事的人不超过几千个。而且，模型越复杂，人类理解和优化它的能力越接近天花板。Recursive要做的，就是把上面这整条pipeline自动化。评估、数据筛选、训练、后训练、研究方向选择，全部交给AI自己来。整条链路闭环，从头到尾不需要人。如果这件事成了，它意味着一个反馈循环。AI改进自己 → 改进后的AI更擅长改进自己 → 循环加速。这就是「递归自我进化」（Recursive Self-Improvement，RSI）。也是这家公司名字的由来。

转发者评论

无明显转发评论

原文

🧩 商汤科技执行副总裁、首席科学家，林达华，已确认出席 #中国AIGC产业峰会# ！Agent、AI音乐、AI漫剧、开源、记忆系统、硬件、投资… 这一场峰会，我们希望聚齐全AI赛道的实战派。5月20日，@ 所有人，马上AI起来 👉 网页链接林达华教授现任香港中文大学信息工程系副教授、交叉学科人工智能研究所所长，并为商汤科技联合创始人、执行董事兼首席科学家，兼任上海人工智能实验室领军科学家。他于2012年获麻省理工学院计算机科学博士学位，研究方向涵盖计算机视觉、深度学习、大模型与生成式人工智能，在人工智能顶级会议和期刊发表论文逾300篇，引用逾90,000次，h-index达131。林教授曾获2010年NeurIPS最佳学生论文奖，带领团队在多项国际计算机视觉竞赛中获奖，连续五年入选Elsevier全球前2%顶尖科学家。他主导发起OpenMMLab，并推动书生大模型、OpenCompass评测平台及DeepLink开放计算体系建设，其中DeepLink于2024年获世界人工智能大会“卓越人工智能引领奖”。2026年，他荣获“中银香港科技创新奖”，以表彰其在计算机视觉与多模态智能领域的系统性创新。他长期服务学术共同体，曾任IJCV编委，多次在人工智能主要国际会议担任领域主席，并担任IEEE大规模深度学习模型评测标准工作组主席。

转发者评论

无明显转发评论

原文

SEO优化常常需要切换多个工具，爬虫检查、内容评分、结构化数据生成、品牌监测，来回折腾效率低下。geo-seo-claude 把AI搜索优化（GEO）全流程整合，提供一站式网站AI可见性提升方案。专为ChatGPT、Claude、Perplexity等AI搜索引擎优化，同时兼顾传统SEO，支持引用评分、爬虫分析、品牌权威、平台适配和PDF报告生成。GitHub：github.com/zubair-trabazada/geo-seo-claude想学如何卖给企业？加入Skool社区：www.skool.com/aiworkshop主要功能：- /geo audit ：全面GEO+SEO审计，平行子代理分析；- /geo citability ：AI引用准备度评分，优化内容块；- /geo crawlers ：检查14+AI爬虫robots.txt访问；- /geo brands ：扫描YouTube/Reddit等平台品牌提及；- /geo platforms ：ChatGPT/Perplexity/Google AIO平台优化；- /geo schema ：结构化数据检测与JSON-LD生成；- /geo report-pdf：生成专业PDF报告，含图表和行动计划。支持macOS/Linux/Windows（Git Bash），一键安装curl脚本，Python隔离环境，适合营销团队、代理商和内容创作者。#AI搜索优化##GEO#

转发者评论

无明显转发评论

原文

做公众号最头疼的问题，很多人以为是写作能力不行，其实是选题。你不知道写什么，写出来也没人看，核心原因是内容没有击中算法。现在公众号已经从订阅制变成了算法推荐，粉丝多少不再是决定因素，关键在于你的文章能不能进入推荐流量池。所以哪怕你是个新号、低粉号，只要选题对了，照样能跑出高阅读量，照样能通过流量主赚到广告收益。那怎么找到好选题？有个很实用的思路：去看那些低粉爆款文章。就是那种账号粉丝很少，但阅读量特别高的内容。这类文章能火，说明选题本身就有极强的算法亲和力，跟账号体量无关。你参考类似方向去写，进推荐池的概率自然大得多。给大家推荐了一个免费的Skill工具，叫"公众号爆款文章查询助手"，干的就是这件事。操作特别简单，三步就搞定：第一步，用自然语言说一句话，比如"帮我找近7天职场爆款文章"；第二步，工具会自动把大方向拆成多个细分领域让你选，比如离职焦虑、职场沟通等；第三步，追加"低粉爆款"条件，精准锁定那些小号写出的高阅读文章。这个工具有几个亮点：全程免费，不用开会员；用对话方式查询，不用层层点击菜单；每天收录1000多条10w+文章，覆盖情感、职场、育儿、科技各个赛道；还能智能拆分细分方向，帮你把模糊的想法变成精准的选题。使用技巧也值得记一下：关键词越具体越好，比如搜"婚姻中年危机"比搜"情感"精准得多；善用时间限定，近7天看趋势，近30天看全貌；每次查询结束推荐的细分词本身就是很好的灵感来源。目前这个工具在WorkBuddy和coze上都能用，搜索"公众号爆款文章查询"就能找到。对于有选题焦虑的自媒体创作者来说，动笔之前先看看最近什么方向容易火，比闷头硬写效率高太多了。coze地址：www.coze.cn/skills?skill_share_pid=7626698034667683886skillhub：skillhub.cn/skills/gzh-explosive-content-detectorclawhub：clawhub.ai/yuanyi-github/gzh-explosive-content-detector#How I AI##科技先锋官#

转发者评论

无明显转发评论

原文

你有没有遇到过这种情况——你问 AI 一个挺简单的问题，它给的答案要么空泛得没用，要么离你想要的差好几条街。其实，多数时候可能不是 AI 不行，而是你问的方式有问题。这个可以改进。因为我最近在研究很多 AI 领域的大佬的分享，这个感觉可以分享给大家。Aravind Srinivas（Perplexity 联合创始人 + CEO）多次讲过同一件事——好的提问要包含三件事：你到底想问什么、它需要哪些背景才能答好、你想要什么形式的答案。这篇拆开讲这三层，配一个例子从头改一遍。先一句话介绍。Perplexity 是过去两年起来最快的 AI 搜索产品之一。Aravind 做产品的核心判断是：AI 答得好不好，七成在用户怎么问，三成在模型本身。所以他对「怎么问」讲过特别多。第一层：你想问什么（粗）第一层很简单——把脑子里那个模糊的问题先粗粗写出来。不需要这一层就求精，写出来就行。比如「AI 会不会取代我的工作」、「这周末去哪儿玩」——原始、模糊、还没加任何背景。很多人卡在这一层很久——总觉得「我得先想清楚再问」。Aravind 的判断刚好相反——先粗写，把它扔出来，下面两层会帮你修整。第二层：加背景（最关键的一步）继续上面「AI 会不会取代我的工作」的例子。第一层这么问，AI 只能给你一个泛泛的「看情况」。第二层加上背景就完全不一样——「我是一名 35 岁的财务分析师，在一家中型银行做 6 年了，主要工作是企业贷款风险评估，平时用 Excel 和 Python 做模型分析。AI 会不会取代我的工作？」加了三件事——你是谁、你具体做什么、你用什么工具——AI 才能给出针对你的回答，而不是平均值式的泛泛而谈。我之前其实也常省略这一层，觉得「AI 应该自己推断」。后来发现这个想法有点偷懒——AI 不知道你的背景，它只能假设一个最普通的人。背景给得越具体，回答越准。第三层：说清你想要什么形式第三层是把「你期望的答案长什么样」说出来。继续上面的例子——「……AI 会不会取代我的工作？请按以下结构回答：(1) 我现在做的工作里，哪些部分 AI 三年内能做；(2) 哪些部分 AI 五年内做不了；(3) 我现在该开始学什么技能。每条配一个具体例子。」加了第三层之后，AI 给的不再是「看情况」那种空话，而是一份能直接拿来用的清单。Aravind 在一次播客里举过一个挺贴切的比喻——很多人问 AI 像在自言自语，问完都不太管它怎么答；好的提问者更像在给一个聪明的助理派活，他知道自己要什么样的产出，所以会把要求说清楚。说远一句——这跟工作里给同事派活是一回事，你交代得清楚事就成得快。扯回来——三层提问的核心其实就是这种「派活」心态。问 AI 之前，可以先在心里走一遍这三层——你到底想问什么？AI 需要哪些背景才能答好？你期望什么形式的答案？三个都过一遍再敲回车。听起来麻烦，但习惯之后只要多…

转发者评论

无明显转发评论

原文

看卡兹克提到飞书 CLI 的 star 数过万了，意料之中，飞书确实是目前国内 Agent 最友好平台，我自己也常用飞书 cli 抓去飞书文档为 markdown 和下载文档图片通常我看一个开源项目是否靠谱，或者是不是 KPI 驱动的开源项目，通常看几个方面：1. Star 数量，这个虽然也有做假可能，但大多数时候还是能客观反应项目热度2. Commit 历史，是否活跃提交，很多项目你一看提交时间在几个月前，甚至几年前，那这个项目多半没人维护了，要慎用3. Issues 数量和关闭速度，一个热门项目是不愁 Issues 的，有人用才有 Issues，但如果只有新 Issue，没有 Issues 被关闭也不好，说明没人认真处理4. PR（Pull Request）被合并的记录，开源项目不只是说简单的把源代码放出来，社区参与也很重要，如果你发现很多社区的 PR 都没有处理响应，那说明官方不重视社区的参与拿这几个标准去看大多数项目，你就可以知道这项目是不是靠谱，这几点飞书 cli 都是做的不错的了。项目地址：github.com/larksuite/cli 网页链接

转发者评论

无明显转发评论

原文

[CL]《ELF: Embedded Language Flows》K Hu, L Qiu, Y Lu, H Zhao… [MIT] (2026) 在扩散语言模型领域，连续化生成是一个悬而未决的难题。过去的方法受困于中途反复离散化，本质原因是语言的 token 边界打断了连续流的自由轨迹。本文的核心洞见是：把语言重新看作嵌入空间中的连续流动。由此，只在最后一步把嵌入映射回 token，这一关键操作使去噪与解码不再相互牵制。这项工作真正留下的遗产是证明连续扩散也能生成高质量文本。它为后来者打开的新门是把图像扩散的技巧迁入语言，但尚未跨过的门槛是大规模语言建模中的稳定扩展。arxiv.org/abs/2605.10938 #机器学习# #人工智能# #论文# #AI创造营#

转发者评论

无明显转发评论

原文

Code Arena 跑了七十多个视觉编程提示词，对排名前四的国产开源模型进行了贴脸对比。在 Code Arena 排行榜上 GLM 和 Kimi 排在前头，MiMo 和 DeepSeek 紧随其后。GLM 5.1 的表现最稳，生成 3D 斗兽场和金门大桥时结构非常扎实，细节拉满，连贯性最接近闭源大牌。偶尔会有悬浮或者屋顶塌陷的小毛病，但综合可靠性绝对配得上榜首位置。Kimi K2.6 走的是另一路，在 SVG 动画和网页设计里明显更有想法，风格放得开，不过偶尔也会用力过猛导致元素重叠或者结构断裂，属于创意强但容错率偏低的选手。MiMo v2.5 Pro 让人又惊又怕，简单任务能给出很有深度的网页，但在复杂 3D 提示词下频频翻车，各种奇怪的层级叠加和地形错误，稳定性是个大问题。DeepSeek V4 Pro 在 Code Arena 的这轮测评中表现垫底，3D 场景经常杂乱无章，网页排版也有些粗糙拥挤，整体比 GLM 差了一个段位，需要加快迭代进行追赶。Code Arena 的工程师表示，排行榜数据只能参考，实际体验还自己上手多跑跑才知道。#国产模型##开源大模型##HOW I AI# 零重力瓦力的微博视频

转发者评论

无明显转发评论

原文

【7个高阶技巧，把Claude打造成专属思考伙伴】快速阅读：大多数人只发挥了 Claude 10% 的能力，因为他们把它当成只会检索信息的 Google，而不是一个具备推理能力的思考伙伴。通过建立持久的项目上下文、定制指令以及改变交互逻辑，你可以将其从一个问答工具升级为深度协作的思维操作系统。要把 Claude 用好，第一步得先停止把它当搜索引擎。如果你只是问“什么是 Prompt Caching”，你得到的只是一个死板的定义。真正的用法是把它当作思考伙伴：告诉它你正在构建一个每会话调用 20 次的流水线，问它这种缓存机制能否在你的特定场景下降低成本。前者是检索，后者是推理。很多人觉得 Claude 给出的回答不够“贴切”，其实是因为你没给它安装“驱动程序”。每次新开对话都要重新解释背景，这不仅低效，还在浪费 Token。你应该利用 Projects 功能，把你的职业背景、沟通偏好、甚至你讨厌的陈词滥调全部写进知识库。这就像是给 Claude 预装了一个属于你的操作系统，让它在每次启动时就处于“已加载用户配置”的状态。有观点认为，AI 的输出质量取决于你喂给它的上下文密度。与其直接要答案，不如要求它“在开始前先问我 5 个关键问题”。这能有效防止它基于错误的预设进行盲目推理。在处理复杂任务时，开启 Extended Thinking 模式非常重要。这让 Claude 在输出结果前先进行内部的逻辑演练，而不是像现在的很多用户那样，只追求即时的、模式匹配式的反馈。如果你想让它写出不像 AI 的文字，别只说“写得自然点”。把你的文章样本喂给它，让它分析你的句长、节奏和词汇偏好，进行风格克隆。更有趣的用法是把它当作“压力测试仪”。不要只让它帮你完善想法，要让它“攻击”你的想法。让它寻找你逻辑中的漏洞，拆解你的假设，甚至扮演反对者。这种对抗式的思维碰撞，比单纯的“润色”要有价值得多。最后，别忘了控制输出的熵值。明确要求字数限制，删掉那些“很高兴为你解答”之类的废话，直接进入核心。Claude 并不比你聪明，它只是拥有无限的耐心和更广的视角。它不是答案的终点，而是你思维的延伸。AnatoliKopadze/status/2054568935274549597

转发者评论

无明显转发评论

原文

#用人类视角重做具身智能##深度机智完成数亿元融资# 具身智能正在经历一场静默但深刻的路线转变。过去两年，大多数机器人团队都在做同一件事，让机器人反复模仿动作，用海量仿真数据“喂”出技能。但一个根本问题始终没解决——机器人并不理解为什么要这么做。一家成立仅一年的中国公司，从一开始就走了一条“非共识”的路：先让机器人像人一样观察世界、理解物理规律，再让它学会行动。这条路，如今被证明是对的。深度机智，这家由北京中关村学院和中关村人工智能研究院联合孵化的具身大模型公司，是国内最早定义并系统化布局“人类学习”路线的具身智能团队。围绕今年3月发布的PhysBrain 1.0具身通用智能基座模型体系，团队已形成一组核心模型成果，并在WorldArena、SimplerEnv、RoboTwin 2.0、RoboCasa、LIBERO等五大国际权威榜单中登顶或领先。深度机智最近还首次对外正式披露了融资情况。成立仅一年，公司已累计完成数亿元融资，吸引了包括重量级国资平台、头部财务机构及产业资本在内的十余家知名投资机构深度参与，老股东持续跟投。资本的重磅押注以及全球榜单的登顶，无疑都在说明，深度机智所代表的“人类学习”路线或许是通往具身智能AGI的正确路径。网页链接

转发者评论

无明显转发评论

原文

2026年AI爆发大时代 学习AI六大方法 精简归纳1. 找准定位：不盲目乱学，结合自身行业走AI+本行路线，聚焦细分赛道；2. 打好基础：不用钻研高深技术，弄懂AI核心概念、简易数理知识和基础Python就行；3. 实操工具：熟练主流大模型、精通提示词，搭建自己专属AI工具提效体系；4. 主攻热门技术：重点学RAG、AI智能体、轻量化微调，掌握产业落地硬本事；5. 项目练手：从日常小应用做起，逐级做实战项目，用成果积累经验；6. 长期持续进化：紧跟行业前沿、多同圈层交流，理性看待AI优缺点，以人为核心、AI做辅助。整体核心：不追短期炒作，循序渐进实战学习，拥抱AI十年大周期，顺势抓住时代成长红利。

转发者评论

无明显转发评论

原文

用 AI 写前端界面，最头疼的一个问题就是生成出来的风格千篇一律。你想要毛玻璃效果，想要极简风，每次都得在提示词里反复描述，来来回回调，确实费劲。最近刷到一个叫 Awesome Design Skills 的开源项目，挺有意思的。它提供了 67 套现成的设计系统技能文件，风格覆盖面很广，毛玻璃、新拟态、像素复古、企业级、编辑排版风格都有，基本上常见的设计风格都能找到对应的方案。它的用法也很简单。每套技能包含两份文件，一份是给 AI 读的指令规范，一份是给我们人看的设计说明。你只需要一条命令就能把它们全部拉到项目里，然后 AI 就会按照规范去生成界面，不用你再手动描述风格了。适配方面，目前已经支持 Claude Code、Codex 等主流 AI 编程工具。而且它还提供了交互命令，可以浏览预览各种风格，甚至自己生成一套自定义的设计规范。如果你经常用 AI 写前端，但苦于界面风格不可控，每次都要花大量时间在提示词上调样式，这个项目能帮你省不少事。传送门：网页链接#How I AI##科技先锋官#

转发者评论

无明显转发评论

原文

感谢微博#AI创造营# 的邀请，担任评委我觉得AI视频更适合做一种基于现实，但又超出现实的创作。让人一眼能看懂，能相信这个世界是成立的。但在这个基础上，就可以大胆一点，把想象力放开，利用模型的能力去做一些人类平时很难拍出来、很难设计出来的画面。比如这个作品：网页链接因为AI模型很神奇的一点是，它经常会生成一些你意想不到的东西。比如很奇怪但又很好看的空间、梦境一样的光影、不符合常规的运动方式，还有一些现实拍摄里很难出现的特效。这些画面可能带着一点“非人类”的感觉，反而会让作品更有新鲜感。但AI负责提供可能性，人还是要负责审美、故事和情绪。画面再炸，如果没有审美判断，没有情感连接，也很容易变成单纯的视觉炫技。所以我觉得更好的AI视频创作方式，是让AI去拓展画面的边界，让人来把握方向、情绪和表达。现实感让观众能进入，想象力让作品有惊喜，故事和情感让它真正被记住。这样做出来的AI视频，才会既新鲜，又有共鸣。当然也能把一些文字的东西进行视觉化，让大家更有感觉：网页链接更多作品可以看看这里，欢迎大家继续参加：AI创造营

转发者评论

无明显转发评论

原文

AI 虚拟女友一个月赚4.3万美金！我今天看到这个帖子，直接看呆了。~~~~~~~~ 一个21岁的 Austin 大学生，用 AI 造了一个叫 Maya 的 OnlyFans 账号，第一个月就赚了4.3万美元。 问题是——照片里那个女孩，根本不存在。Maya 22岁，UCF 心理学辍学生，1247个付费订阅者，单月最高一个粉丝就刷了1847美元。她没有拍视频，没有真人打字，所有消息都是 Claude Code 写的，所有照片是 Flux 生成的，声音是 ElevenLabs 合成的。整个 Maya 只是他 MacBook 里四个 .md 文件。以前造一个 AI 虚拟网红要花半年甚至一年半，现在只需要4个星期，下一个可能就是一个周末。作者详细写了 Maya 的四个文件： persona.md 写她完整的人设、背景、喜好；voice.md 锁声音风格； flux.md 固定长相和拍摄风格；brain.md 记录每个订阅者的记忆和互动历史。Claude Code 每次回复前都会读这四个文件，从不崩人设，也从不忘记粉丝说过什么。真的很感慨，技术栈已经简单到可怕的地步。以前的 Aitana López 花了18个月，现在 Maya 4周就跑通了。 这已经不是科幻，而是任何一个有 laptop 的人都能复制的路径——从 OnlyFans 到 Instagram、TikTok、Twitch，随便哪个平台都能套 信号与噪声的微博视频

转发者评论

//@悬疑志:[衰]//@顾惜之:[允悲]//@楚惜刀://@写文的闪灵:最右这4个字，哈哈哈哈哈哈哈笑死//@夏夜里的晚风73:赛博崩登[允悲]

• //@悬疑志:[衰]//@顾惜之:[允悲]//@楚惜刀://@写文的闪灵:最右这4个字，哈哈哈哈哈哈哈笑死//@夏夜里的晚风73:赛博崩登[允悲]

原文

【Agent Skill结合Graph做技能结构化执行：Group of Skills方案解读】继续来看Agent skill和Graph结合的主题，看第四个工作，在结构执行上做文章。讲的故事是Agent在具体执行时，需复用大规模技能库，全库提示的Token成本高，无法适配长上下文，扁平语义检索易遗漏依赖技能，无执行结构，检索到相关技能≠提供可用执行上下文，Agent需自行推断执行逻辑，效率与效果受限。所以，搞个组合，把技能预先组织成“带执行逻辑的最小单元”，把“技能检索”从“信息检索问题”变成“执行结构构建问题”。不直接给Agent一堆零散技能，给你5个工具，自己琢磨怎么用。而是给Agent一个“带说明书的技能小队”，这个小队就是给你1个队长+2个辅助+明确分工+检查清单+避坑提醒，目标是AI拿到手不用猜、不用推理、直接照着做。类比一下，就是传统技能检索是给所有食材，让模型自己猜菜谱。GoSkills：直接给一道菜的最小食材组合+精确到步骤的菜谱。工作在《Group of Skills: Group-Structured Skill Retrieval for Agent Skill Libraries》，网页链接，代码在：网页链接来分析下具体的做法。网页链接

转发者评论

无明显转发评论

原文

[LG]《Strategic PAC Learnability via Geometric Definability》Y Filmus, S Moran, E Nesterova, N Rosenfeld… [Technion – Israel Institute of Technology] (2026) 在策略分类领域，个体可操纵特征后的可学习性是一个悬而未决的难题。过去的方法受困于低 VC 维直觉，本质原因是邻域扩张能把简单类放大成无限复杂类。本文的核心洞见是：把策略响应重新看作一阶几何可定义性问题。由此，用 Rexp 公式同时刻画分类器与可达邻域这一关键操作，使“存在某个可移动点”变成可控的逻辑结构。这项工作真正留下的遗产是划清了策略学习的边界：组合简单不够，几何温顺才够。它为后来者打开的新门是用模型论分析博弈式学习，但尚未跨过的门槛是更复杂响应行为的样本界。arxiv.org/abs/2605.13426 #机器学习# #人工智能# #论文# #AI创造营#

转发者评论

无明显转发评论

原文

#我的AI穿搭大秀# 普通程序员穿好几万的奢侈品服装是什么感觉？继续玩淘宝AI试穿。先用gpt生成一个典型的普通程序员形象，然后看她/他用淘宝AI购物助手里的AI试穿换不同档次的衣服看看是什么感觉。头三张是不到一百块的平民款（挑程序员常见穿搭）。后三张是价格都在10000元以上的奢侈品（大部分都是20000起）。哪个好看这个还挺方便的，上传一张照片，淘宝里刷服装时直接就能一键体验AI换装。还是依据你的身形还原衣服的版型、色彩、面料等细节的。对常买衣服的应该有用。#上淘宝AI购物#

转发者评论

无明显转发评论

原文

[LG]《The Efficiency Gap in Byte Modeling》C Lee, J N Yan, C Liang, J Shi… [Google DeepMind] (2026) 在字节级语言建模领域，去掉 tokenizer 是一个悬而未决的难题。过去的方法受困于计算开销暴涨，本质原因是原始字节缺少子词边界，模型要自己重建语义单位。本文的核心洞见是：把字节建模重新看作目标函数与表示粒度的耦合问题。由此，计算匹配缩放与扰动实验这一关键操作揭示：MDM 比 AR 更怕上下文被打碎。这项工作真正留下的遗产是指出字节建模的代价并非固定，而取决于生成顺序。它为后来者打开的新门是设计新的结构偏置，但尚未跨过的门槛是让字节级 MDM 高效扩展。arxiv.org/abs/2605.12928 #机器学习# #人工智能# #论文# #AI创造营#

转发者评论

无明显转发评论

原文

AI大模型建立了一个计算结构，能够输出“像是理解”的token。和人类的理解不一样，它是一种计算。人类智能不可计算的部分更为关键最近和AI聊多了，觉得这东西太厉害了，连一些很高深的论文都理解得很好。感觉似乎比人类专家都厉害，更不要说能横跨无数个领域。以前还是能看出理解问题的，幻觉很多，现在少多了。在我很熟的领域，AI偶尔有问题，我们自己犯错更多。聊多了以后，慢慢有结论了，觉得人类还是有优势。它理解知识的基础是一些固定的系数，这些系数在推理时不变。训练的时候，先用10多万亿token的固定语料，预训练出知识结构。然后在“后训练”，让完成一些任务，不对就改正系数；让人类来给它的聊天输出打分，输出不对就打低分，修改系数追求高分，先训练个打分器，可以海量打分。然后还有思维链，让加长思考时间，做难的数学题，根据输出结果改系数。训练结束后，搞出来的固定的系数，就能理解领域知识了，对人类的问题，能给出高质量的回答。测试集的问题都回答的不错，这样就是能够输出理解token，而且一般是正确的。根据答案，感觉里面的固定系数，就是正确的理解。我的顿悟是，这并不是人类的理解，而是一个“计算”的结果。可以类比的是，计算器能够全部计算正确，即使如此，也不能说计算器“理解”了计算。计算器算得再好，都是“死”的，没有对数学计算的理解。大模型就像计算器一样，能够对“智能问题输入”，输出正确的结果，但是不理解背后的智能。大模型输出的智能，是“可计算”的，经过人们海量语料预训练、耐心后训练，很多计算结果token序列都很像样了，就和计算器的精准结果一样。计算时间加长，能够输出的智能也增加了。但是，仍然存在大量“不可计算”的智能问题，理论上大模型搞不定。典型的就是“写人类满意的小说”，很可能就是不可计算的问题。这些与"taste"相关的问题，很难用训练样本来定义。训练再久，大模型也写不出好小说。为什么“写好看的小说”，不是可计算的问题？这里涉及人类深层次的理解，要让人看出“深意”“新意”“鲜活表达”，这些本质上不是简单的理解，而是人类真正灵魂理解，需要“意会”“领悟”“体会”，很难用训练案例来捕捉。可以模仿文学家的文字风格，但是核心情感很难模仿。人类会产生强烈的情感冲动，有时表达出来很好。人类的理解，有时显得很平凡。但是由于与物理世界有真实链接，会有难以用语言形容的理解。例如“酸甜苦辣”就是文字意义上不可理解的。大量基于人类物理信号的理解，是非文字的，例如对空间的理解。可计算的智能，是token世界的。token世界覆盖了人类的一些智能，但是没有全部覆盖。因此，大模型在一些token可计算的智能任务上超过了人类。但是，这些智能是有严重缺陷的，本质上不完整。例如大模型看似完全理解了某些学科的知识，但是人类专家仔细盘问，就能看出它是在计算，并不是真正的理解，说多了就露馅了。而且很容易被误导，例如告诉…

转发者评论

ai在回答那些已经有定论的问题方面十分厉害，不但回答正确，还面面俱到。但是对于那些并无定论的问题（这个不仅是在科学最前沿，我们其实经常会遇到，比如家里电器出了某问题，什么原因？），它会以某种很诡异的方式“拎不清”。这就使得放手让它来做实际工作有风险，比如现在流行的agent。其中一个十

• ai在回答那些已经有定论的问题方面十分厉害，不但回答正确，还面面俱到。但是对于那些并无定论的问题（这个不仅是在科学最前沿，我们其实经常会遇到，比如家里电器出了某问题，什么原因？），它会以某种很诡异的方式“拎不清”。这就使得放手让它来做实际工作有风险，比如现在流行的agent。其中一个十

原文

【Claude总结】 AI开发者日报 (2026-05-14)1. 【arXiv新政：AI幻觉引用一年禁令】(来源: HN) arXiv宣布对提交含AI幻觉参考文献的作者实施一年禁止政策。这是顶级预印本平台首次以行政处罚手段打击AI论文造假问题。 twitter.com/tdietterich/status/20550009561449350552. 【Codex登陆ChatGPT移动端】(来源: HN) OpenAI将Codex集成进ChatGPT移动应用，用户可随时随地调用AI编程助手。这使Codex从桌面扩展为全平台编程伴侣，大幅降低移动场景使用门槛。 openai.com/index/work-with-codex-from-anywhere/3. 【安大略省：AI医疗记录工具频繁犯基本事实错误】(来源: HN) 安大略省审计发现医生使用的AI笔记助手常将患者年龄、用药等关键信息记错。这引发对医疗AI监管缺失的广泛担忧，或推动更严格的临床合规要求。 www.theregister.com/ai-ml/2026/05/14/ontario-auditors-find-doctors-ai-note-takers-routinely-blow-basic-facts/52407714. 【GGUF格式解密：权重之外还藏着什么？】(来源: HN) 文章深度剖析GGUF模型格式的完整结构，涵盖元数据、tokenizer配置等内容，并指出当前格式仍缺失的关键字段。对本地部署LLM的开发者，理解GGUF细节对调试优化至关重要。 nobodywho.ooo/posts/whats-in-a-gguf/5. 【Opus 4.7出现大范围高错误率故障】(来源: HN) Anthropic官方状态页面报告Claude Opus 4.7出现大范围错误率升高事件，影响生产环境调用。这再次提醒AI应用开发者提前部署多模型降级备用方案。 status.claude.com/incidents/8z7l5zcy0v3b6. 【构建一致的AI策略：避免混乱的实用指南】(来源: HN) 文章指出许多组织缺乏统一AI使用方针，导致工具选型、数据安全和责任归属频繁混乱。作者建议企业从政策层面明确AI使用边界，而非依赖个人临时决策。 brianmeeker.me/2026/05/14/have-a-coherent-ai-policy/7. 【2015年旧电脑跑Gemma 4：2B vs 4B实测】(来源: dev.to) 作者用十年前台式机测试Gemma 4的2B和4B版本，详细记录速度、内存和实际效果差异。结果表明低端硬件运行小型LLM已可行，为无GPU用户提供了本地AI的真实参考。 dev.to/gramli/old-pc-vs-new-ai-can-a-2015-desktop-…

转发者评论

无明显转发评论

原文

大家有没有想过，几年后你的手机首页上可能不是 App 了。我们来一起看看 Microsoft（微软） AI 老板的判断和你能做的事事什么。Mustafa Suleyman（微软 Microsoft AI 的 CEO）这一年的几次访谈，发现他反复在讲一个挺反直觉的判断：未来三五年，手机首页可能不再是一堆 App 图标，是一个你跟它说话的 AI 入口。听起来夸张，但他给的逻辑不是「AI 取代你」那种焦虑话术，是 AI 把现在你跟手机里几十个 App 的关系简化成一个对话。Mustafa Suleyman 这个人来历不一般。2010年他跟 Demis Hassabis 等人一起创办了 DeepMind（后来被 Google 收购），AlphaGo 是他参与过的项目。2022年他从 Google 出来创办 Inflection AI。2024年3月微软请他全职加入，任新成立的 Microsoft AI 部门 CEO。他还写过一本书叫《The Coming Wave》，2023年出版后在科技圈被广泛讨论。先看「现在」。你每天打开手机的标准动作大概是这样：想点外卖切到美团；想打车切到滴滴；想查天气打开天气 App 或问 Siri；想做日程提醒打开日历；想转账切到银行 App 或微信支付。每个 App 有自己的一套学习曲线。新出的功能你得自己摸；不同 App 之间数据不通，得在脑子里记着「上次那张收据是在哪个 App 里」。整个过程像在用十几个独立的小工具，每个工具自己有自己的「使用方法」。Suleyman 预测的「几年后」不是这样。按他的设想，你直接跟一个 AI 入口说话：「帮我点份跟上次一样的外卖，少放辣。」「明天早上九点北京到上海的高铁，挑商务座靠窗的，加到我日历。」「我给同事 Tom 转两万元，写明是上个月项目分账。」「昨天那张收据帮我找出来，归到第四季度报销。」AI 在背后调用必要的服务（美团、滴滴、银行、企业系统等等）把活儿干完，然后告诉你结果。你不需要知道是哪个 App 干的，也不需要点一个个图标。这件事 Microsoft 自己已经在往这个方向做。Windows 11 已经在改成「以 Copilot 为中心」的操作系统设计；Edge 浏览器里 Copilot 已经能直接帮你搜索、买东西、订机票。当这些能力扩展到手机层级，第一屏的 App 网格大概率会被一个对话框挤掉。会不会真的发生？说实话谁也不敢打包票。AI 替代界面的预言这十几年讲过好多次，每次都比预想的慢。但有几件事让这一波看起来真有戏：大模型已经能听懂自然语言、能调用外部工具（这就是过去两年说的 agent）；手机厂商和操作系统厂商都在往这个方向走（不只 Microsoft，Apple Intelligence、Google Pixel 上的 Gemini 都是同一个方向）。就算最终不是「全部 A…

转发者评论

无明显转发评论

原文

穿过曼哈顿中城略显陈旧的街道，走进摩根大通270 Park Avenue新总部的瞬间，像推开了一道次元之门。外面是纽约街头特有的粗糙与杂乱，老旧的建筑、拥挤的人群与斑驳的路面，诉说着这座城市烟火气里的疲惫；而门内，却是另一番极致秩序与质感的世界，让人瞬间读懂老牌金融巨头的底气。挑高大厅里，格哈德·里希特的巨幅几何画作在光线下流转色彩，与天花板上万枚圆形灯珠编织的穹顶交相辉映。浅米色洞石台阶蜿蜒而上，深色V形钢柱如巨人的脊梁，撑起这座60层建筑的骨架。大厅中央，诺曼·福斯特设计的美国国旗装置始终保持飘扬，风从旗杆顶端吹出，让旗帜成为流动的仪式感。走廊里，抽象油画、AI数字装置依次铺展，Refik Anadol的LED幕墙实时生成流动的蓝色像素景观，将建筑运行数据转化为永不重复的艺术画面。休息区的落地窗框住中央公园的整片绿意，远处是施坦威大厦的纤细轮廓，脚下是水磨石地面反射的柔和灯光，员工们在沙发间轻声交谈，没有传统金融机构的紧绷感，只有高效与松弛的平衡。这栋耗资40亿美元的全电动零排放大楼，藏着无数细节的用心：线性灯带勾勒的走廊、无遮挡的城市视野、随处可见的艺术收藏，每一处都在诉说着摩根大通对未来办公的理解。外面的街道依旧喧闹破旧，而这里，资本、艺术与科技早已织就一张密不透风的网，在钢铁森林里，筑起独属于顶级金融圈的荣光与秩序。

转发者评论

无明显转发评论

• 过誉了[挤眼][馋嘴]//@ai天使之梦ai:但总不仅是金融界翘楚、还是文坛隐身高手。以金融天才之卓识，兼文学大家之笔韵，笔下绘尽摩根大通金融殿堂的恢弘格局，行文描摹入木三分、意境淋漓，细读便如置身风云金融腹地，身临其境，余味悠长。[赞]

原文

Anthropic 把程序化调用从「自助餐」改成了「定量配给」。6月15日起，claude -p、Agent SDK、GitHub Actions以及第三方工具的调用，全部从订阅限额中剥离，改为按 API 零售价计费的月度 Credit——Pro 给 20 美元，Max 5x 给 100 美元，Max 20x 给 200 美元。原订阅限额保留，专供 Claude Code 交互式使用。两个池子，互不干扰。面值相等，实际缩水近十倍。Max 20x 用户月费 200 美元，拿到的 Credit 也是 200 美元，但之前共享的订阅限额折算 API 零售价约值 2000-5000 美元。几轮密集的 Agent 循环，200 美元烧完要么开 Extra Usage 继续跑，要么停到下个月。为什么要拆？订阅的经济模型建立在一个前提上——人类打字速度有限。Agent SDK 打破了这个前提，机器 24 小时不停调用，程序化调用几乎没有训练价值。用户量小的时候还能忍，但 SpaceX 刚给 Anthropic 上了 22 万块 GPU，谷歌追加最高 400 亿美元投资，补贴失血将指数级放大。这是一次定价漏洞修补，时机由 ASI 竞赛节奏决定。OpenAI 精准踩在了这个裂缝上。Codex 不做用量分家，不区分调用方式，还内置了从 Claude Code 一键搬家的工具，30 天内申请可免费用两个月。两个月免费期刚好够企业把自动化流水线跑起来形成肌肉记忆，免费期结束后迁移成本已高到不愿意再搬回去了。AI 订阅的「无限量自助餐」时代正在结束。随着 Agent 能力越来越强、自动化调用越来越频繁，所有 AI 公司都将面临同样的经济压力，付费方式将从月费包干逐渐转向按实际消耗计费，就像云计算走过的路一样。这周的定价暗战，是 ASI 决赛圈的第一枪。6月8日记得去领 Credit，不领是 0 美元，领了至少还有 200 美元。

转发者评论

无明显转发评论

原文

【Claude总结】 Techmeme 科技新闻摘要 (2026-05-14) www.techmeme.com/1. 【OpenAI考虑起诉苹果：ChatGPT-Siri整合收入远低于预期】彭博报道，OpenAI正在评估对苹果的法律行动，原因是ChatGPT整合入Siri后的收入远低于预期数十亿美元的目标，OpenAI称自己"已在产品层面完全履约"，而苹果"甚至没有诚意推动"。这是今日关注度最高的报道（30+媒体跟进），一旦开打将成为近年最重量级的科技法律战，也揭示了AI模型商与平台巨头之间分发协议的内在脆弱性。(来源: Bloomberg) www.bloomberg.com/news/articles/2026-05-14/openai-apple-partnership-frays-setting-up-possible-legal-fight2. 【Cerebras首日上涨68%至311美元，市值达670亿美元】AI芯片公司Cerebras在纳斯达克首个交易日股价大涨68%，收于311.07美元，市值达670亿美元——相当于AMD的估值水平。在年内最大IPO融资55亿美元后三天即达成此成就，是对AI芯片基础设施投资热情的最强烈市场信号。(来源: Bloomberg) www.bloomberg.com/news/articles/2026-05-14/cerebras-shares-indicated-to-surge-89-after-year-s-top-ipo3. 【OpenAI将Codex远程访问接入ChatGPT手机App】OpenAI在ChatGPT iOS和Android App中新增Codex远程控制功能，开发者可从手机监控和管理在台式机上持续运行的Codex编程任务。这将Codex从IDE插件升维为"随时在线的后台编程服务"，完成了AI Agent编程体验的移动闭环。(来源: 9to5Mac) 9to5mac.com/2026/05/14/openai-brings-codex-control-to-chatgpt-for-iphone-and-android/4. 【盖洛普调查：71%美国人反对在本地建AI数据中心，比反对核电站还高】盖洛普最新民调显示，71%的美国人反对在本地社区建设AI数据中心，首要原因是用水量和电力成本问题，民主党选民反对比例更高。71%的反对率高于对核电站的反对，这是AI行业无法回避的信号——数据中心的能耗和水耗正演变为真实的政治负债。(来源: Washington Post) www.washingtonpost.com/nation/2026/05/13/7-10-americans-oppose-data-centers-being-built-their-communities/5. 【苹果正在…

转发者评论

无明显转发评论

原文

【AIGC日报 · 2026-05-15】今日简讯：1、Anthropic与盖茨基金会达成2亿美元战略合作，聚焦全球健康与教育2、百度Create 2026：李彦宏首提"日活智能体数"新度量衡3、xAI发布Grok Build编程智能体，马斯克承认"编程赛道已落后"4、腾讯云开源Agent Memory，Token消耗最高降低61%5、OpenAI遭集体诉讼：被指通过追踪代码向Meta/谷歌泄露用户隐私6、商汤发布SenseNova U1技术报告，原生多模态架构开源7、Kimi K2.6登顶金融智能体基准，300子Agent集群能力升级以下为详细内容：1、Anthropic与盖茨基金会达成2亿美元战略合作，聚焦全球健康与教育来源：cnBeta、网易科技日期：2026年5月14日Anthropic与比尔及梅琳达·盖茨基金会宣布为期四年、总额2亿美元的战略合作，资金以赠款、Claude使用额度及技术支持形式发放。合作聚焦全球健康（加速疫苗研发、疾病建模）、生命科学（脊髓灰质炎、HPV等被忽视疾病）、教育（面向撒哈拉以南非洲和印度的AI教学工具）。语言可及性是重点方向，计划支持高质量非洲语言数据采集。Anthropic CEO称此举是"公司身份的核心体现"。原文链接：网页链接2、百度Create 2026：李彦宏首提"日活智能体数"新度量衡来源：科技日报、DoNews日期：2026年5月13日李彦宏首次提出AI时代新度量指标DAA（Daily Active Agents，日活智能体数），对应移动互联网时代的DAU。他认为"Token衡量成本而非产出"，真正的价值指标是"有多少Agent在给人类干活并交付结果"。会上发布通用智能体DuMate、代码智能体秒哒App、数字人平台百度一镜等全线产品。原文链接：网页链接3、xAI发布Grok Build编程智能体，马斯克承认"编程赛道已落后"来源：华尔街见闻、The Verge日期：2026年5月14日xAI发布Grok Build首个早期测试版，支持"计划模式"、并行子Agent机制、深度worktree集成，兼容AGENTS.md和MCP服务器。xAI总裁将"达到Claude任务表现水准"列为近期目标，马斯克承认在编程AI赛道已落后。原文链接：网页链接4、腾讯云开源Agent Memory，Token消耗最高降低61%来源：腾讯云、量子位日期：2026年5月14日腾讯云数据库团队开源TencentDB Agent Memory（MIT协议），核心技术包括"上下文卸载"和"Mermaid任务画布"。实测：WideSearch场景Token消耗降低61%、任务通过率提升52%；SWE-bench代码场景Token降低33%；用户画像准确率从48%提升至76%。已适配OpenClaw、Hermes等主流框架。原文链接：网页…

转发者评论

无明显转发评论

原文

#微博声浪计划# #听见微博# 今天最值得深看的是百度李彦宏提出的"日活智能体数"（DAA）。表面看只是指标转换——从Token消耗量到DAA，但背后折射出AI行业正在经历价值评估范式转移。Token是投入指标，衡量"花了多少资源"，但无法区分"用了多少"和"产生了多少价值"。Anthropic的案例最能说明：其DAU仅为OpenAI的2%，但ARR从10亿飙至300亿——一个企业用户的价值远超100个免费用户。李彦宏的核心逻辑：AI落地阶段，企业关心的是"AI帮我完成了多少任务"，而非"用了多少Token"。但DAA是"滞后指标"而非"先行指标"，它衡量结果，无法指导过程。更关键的问题是：什么样的Agent能力才能真正留住用户？什么样的定价模式才能从DAA转化为收入？这可能是百度在为自己的Agent生态铺路：通过定义"什么是成功的AI"，来定义"什么是成功的百度AI"。 德里克文的微博音频

转发者评论

无明显转发评论

原文

【大学正在悄悄 “僵尸化”，AI正在毁掉高等教育内核】快速阅读：大学正面临一场名为“僵尸化”的危机。当学生和教授都开始将 AI 用于替代思考、替代教学、甚至替代沟通时，高等教育正在从知识的殿堂退化为一种由算法驱动的、高度标准化的凭证工厂。如果大学存在的意义仅仅是为了那张纸，那这场仗其实早就打输了。现在的校园里，AI 正在像一种寄生真菌一样蔓延。它最初只是帮学生应付那些枯燥的作业，接着渗透进论文、邮件，甚至社交媒体上的日常对话。有观点认为，这不仅仅是学术不端的问题，而是一种深层的“僵尸化”：人们不再通过学习来获取能力，而是通过外包思考来获取凭证。这种现象背后有一个更本质的逻辑故障：我们过度追求“测量”本身，却忽略了被测量的内容。当大学的功能被简化为一种筛选机制和职业敲门砖时，学生就会像优化代码一样去优化成绩，用 AI 生成最符合评分标准的“正确答案”。有网友提到，这种趋势在 STEM 领域和人文领域表现各异，但结果惊人地一致。在技术领域，它让知识变得廉价且肤浅；在人文领域，它正在抹除那种带有个人色彩、甚至有些“疯狂”的深刻洞见。更有意思的是，这种“寄生”不仅发生在学生身上。当教授也开始用 AI 生成讲义和反馈时，教育中那种人与人之间、思想与思想之间的化学反应就彻底断裂了。大学正在从一个培养独立思考者的场所，变成一个由大型语言模型驱动的、高度同质化的自动化工厂。如果教育最终只剩下“高效地完成任务”，那我们究竟是在培养人才，还是在训练一群能够熟练操作算法的生物组件？the-new-critic/p/the-great-zombification

转发者评论

无明显转发评论

原文

【非自研也成了优势：分析师称苹果已将AI框架弱点转化为竞争助力】其他科技巨头疯狂砸钱数百亿建AI数据中心，苹果反走轻资产路线，不硬卷自研全栈大模型，直接调用谷歌Gemini适配新Siri，跳过烧钱的算力堆砌阶段，专注自家生态集成变现，靠高用户粘性掌握AI商业化主动权。

转发者评论

无明显转发评论

原文

做企业 AI Agent 第一步不是接数据，Sierra 的三层架构挺值得抄，对这方面感兴趣的朋友可以看看。Bret Taylor 一次播客里讲到 Sierra 怎么做企业 AI Agent，挺受启发。他给了一个三层架构，最反直觉的是：第一步不是想「我要接哪些数据」，而是想「这个 Agent 是个什么样的人」——这一层叫 Persona。Persona 在产品设计领域，我们叫人物角色，这个很多年前我还在行业里给大家普及这套方法。但是因为 Persona 在行业内翻译并没有那么广，后面的内容里我还是用英文，方便大家准确来看这个专业概念。这篇拆开讲他的三层架构 + 你自己做 AI 应用怎么用。先说 Bret Taylor 这个人。履历挺夸张——早年是 Google Maps 的联合创建者，后来做过 Twitter 董事会主席（把 Twitter 卖给马斯克之前那一届）、Salesforce 联席 CEO，2024 年起还兼着 OpenAI 董事会主席。Sierra 是他和 Clay Bavor 一起创办的，专门做企业级客户的 AI Agent。第一层：Persona（这个 Agent 是谁）Bret 的第一个判断挺颠覆：做企业 AI Agent，第一步不是想接什么数据、接哪些 API，是想「这个 Agent 是谁」。听上去像玩文字游戏，但他举的例子很有说服力——同样是航空公司客服 Agent，廉价航空和奢华航空的「性格」应该完全不同。前者要直接、节省时间、不啰嗦；后者要耐心、细致、能聊得来。两家就算接同一个 LLM、同一套数据，Persona 设计错了，用户体验差距非常大。Persona 包括几件事：调性（正式/随意/幽默/严谨）、人设细节（用第几人称、怎么称呼用户）、它什么情况下会拒绝（「我不能帮你处理这件事，但可以帮你联系到能处理的人」）、它失误时的语气。Persona 这层挺像给 AI 选演员——剧本相同，演员选错了戏就完全不是那个味。我之前其实也以为做 AI Agent 第一步是接数据，看完他这部分想了一阵——发现想反了：数据再齐，Persona 错了用户也不会用。第二层：业务流程（Agent 能做什么、按什么顺序做）第二层比技术想象的难。比如客服 Agent 能不能直接给客户退款？金额上限多少？不能直接处理时要给谁？这些都是业务规则，不是模型问题。Bret 在采访里反复说——很多企业上 AI Agent 失败，不是模型不行，是公司自己业务流程都没想清楚。实操上这一层往往是「先写出当前最难处理的几个场景的人工流程」——人在做什么、按什么顺序做、什么情况转给上级——然后让 Agent 模仿这个流程。第三层：数据接入（接 CRM、订单、知识库）第三层才是把 CRM、订单系统、知识库接给 Agent。这是工程问题，反而是 Bret 觉得最容易的——已经有成熟…

转发者评论

无明显转发评论

原文

李沐团队搞的实时数字人 Higgs Avatar v1可从单张静态图像生成生动传神的动态面孔，能说、能听、能反应，每一帧都与声音精准同步。视频中的画面由 AI 实时生成，无需动画管线，亦无预制循环。每一帧都是现场渲染——包括声音、对话、口型同步、头部动作与表情。整个流程仅运行于单张 H100 之上。链接：www.boson.ai/blog/higgs-avatar-v1 i陆三金的微博视频

转发者评论

无明显转发评论

原文

【别再死磕完美提示词了，Agent真正的进化靠闭环学习】快速阅读：与其纠结如何写出完美的 Prompt，不如构建一个能从人类反馈中学习的闭环。对于需要判断力的任务，静态指令注定会过时，真正的效率来自于让 Agent 将团队的审美和判断力转化为可复用的原则。很多人在写 Agent 时会陷入一种误区：试图通过不断精雕细琢 Prompt 来逼近完美。但如果任务涉及判断力，这个目标本身就是错的。产品在变，用户在变，团队的审美也在变，一个月的 Prompt 几乎不可能撑过两个月。在 Warp 构建处理社交媒体提及的 Agent 时，我们发现很多 Agent 处于一种“差一点就成”的状态：输出看起来不错，但还不足以让人放手。试图通过增加规则来填补这个差距，只会让指令集变得臃肿且机械。要把 Agent 真正用起来，得把逻辑从“规则”转向“原则”。规则是脆弱的，比如“如果提到价格就说 A”；而原则是具备迁移能力的，比如“保持专业且不具攻击性”。规则容易过拟合，一旦遇到没写进清单的边界情况，Agent 就会瞬间失效。而原则能给 Agent 提供一个更稳固的逻辑起点。更有意思的是，Agent 需要学习“如何学习”。如果只是简单地把反馈变成新规则，Agent 会变得极其笨拙。有网友提到，Agent 往往会把纠错变成一种死板的例外。真正的做法是让 Agent 去思考：这次失败的底层逻辑是什么？是哪个现有原则没讲清楚，还是需要新增一个维度？我们把这个过程做成了类似代码管理的流水线。Agent 在 Slack 里接收团队的反馈，然后自动总结经验，最后不是直接修改指令，而是提交一个 Pull Request。人类像审查代码一样审查这些原则的变更。这种方式让原本隐性的“判断力”变成了显性的“资产”。Agent 不再是一个写死的脚本，而是一个随着团队经验增长而不断进化的工作记忆。x.com/petradonka/status/2054897826149101588

转发者评论

无明显转发评论

原文

Skill Factory：三天手搓面向Harness设计的技能工厂网页链接“先说出发点为什么要做这样一个事情，目前做一个skill的方式主要有两种，一种是人工编写skill，一种是在openclaw，Claudcode上通过对话不断交互生成skill，先说这两种方式可能会有什么问题，模式一人工编写受限于个人经验与精力，存在效率比较低，质量波动大，测试覆盖不足等瓶颈，并且可能对于团队来说容易在原子通用逻辑上重复造轮子；模式二虽提升了编码速度，但本质仍是非确定性的探索过程，缺乏自动化验证闭环与工程化约束，且一次只能生成一版，需要多轮交互才能生成一个较为稳定版本。因此面向Harness设计的技能工厂的想法就油然而生了。”#AI创造营#

转发者评论

无明显转发评论

原文

#公众科学日#🐱喵喵喵？听说今年的公众科学日，中二所园区悄悄藏了10只科学喵？一场中二所的奇MIAO的科学冒险将于【5月16日 9:00-20:00】限时开启，等你来探秘寻猫啦！一年一度重磅来袭！【2026中国科学院物理研究所×哔哩哔哩公众科学日】如约上线！⭐️UP主思维实验室、@真-凤舞九天、@风羽酱-sdk、H2元素实验室、@方山厨子Rex、同济子豪兄、@韩小沐_要当个好店长 等人气UP主齐聚中二所，共赴奇MIAO科学之旅！院士大咖讲座、沉浸式科学秀、UP主科普报告、硬核实验室探访、科学播客对谈......超多精彩内容一站式解锁！🎤锁定B站 二次元的中科院物理所、哔哩哔哩弹幕网 直播间，上B站，科学妙极了！现在预约直播，有机会赢取精美好礼👇🏻！🎫线下精彩玩法同步开启！“B站科学MIAO会”空降北京市海淀区中国科学院物理研究所园区，【5月16日 9:00-17:00】限时开放营业！现场特设5大主题展区，涵盖航空航天、数理化、自然生物、人工智能热门领域，参与B站展区互动盖章任务，有机会获得定制活动纪念礼品！除此之外，超人气园区寻喵打卡也将在物理所园区限时上线！物理所园区藏着10个神秘的科学猫猫打卡点位，集齐打卡有机会解锁活动限定礼包哦！具体玩法以线下为准，我们在中二所等你赴约～详情请戳>>>网页链接转发+关注，抽三位小伙伴送上小电视马年小抱枕 抽奖详情

转发者评论

无明显转发评论

原文

#生成式AI流量份额更新#主要看点：→ Claude 和 Gemini 持续增长。→ ChatGPT 正逼近 50% 的关口。🗓️ 12个月前：ChatGPT：77.6%Gemini：7.27%DeepSeek：6.01%Grok：3.17%Perplexity：1.75%Copilot：1.56%Claude：1.37%🗓️ 6个月前：ChatGPT：69.5%Gemini：15.9%DeepSeek：4.06%Grok：3.31%Perplexity：2.22%Claude：2.12%Copilot：1.97%🗓️ 3个月前：ChatGPT：61.2%Gemini：23.9%Grok：3.94%DeepSeek：3.09%Claude：3.29%Copilot：1.87%Perplexity：1.74%🗓️ 1个月前：ChatGPT：53.7%Gemini：26.7%Claude：7.95%DeepSeek：3.97%Grok：3.20%Copilot：1.98%Perplexity：1.50%

转发者评论

ChatGPT看起来情况不妙，但是资本还是大笔投入他。可能是沉没成本，之前投入太大了，现在不得不投。我最近挂vpn用chatgpt非常慢，不知道什么原因，但是跑Gemini都正常。

• ChatGPT看起来情况不妙，但是资本还是大笔投入他。可能是沉没成本，之前投入太大了，现在不得不投。我最近挂vpn用chatgpt非常慢，不知道什么原因，但是跑Gemini都正常。

原文

不知道我的粉丝里有没有佛学院的同学。我觉得有一个研究方向非常值得做：目前的大语言模型是否具有“顿悟”能力？如果没有，可能是缺了什么？如何在模型训练中补上所缺的？能否通过改进智能体架构来模拟这一能力？

转发者评论

无明显转发评论

• 这个问题最紧要的点就在于顿悟二字两侧的一对儿引号——去掉引号，就是回答这个问题。
• Scaling law 就是一种顿悟啊//@马少平THU:有顿悟，但不知与你说的顿悟是否意思一样。在LLM中的顿悟指，在训练的开始一段时间内，任务求解能力几乎为零，但训练到某个时刻之后，任务求解能力突然上升。这个在LLM中称作顿悟，好像突然开窍一样。
• 回复@再一次开始减肥:先给你点赞[good]//@再一次开始减肥:回复@马少平THU:老师你好，我买了你的书（虽然没看多少，但是我现在就关电脑去看）。
• 有顿悟，但不知与你说的顿悟是否意思一样。在LLM中的顿悟指，在训练的开始一段时间内，任务求解能力几乎为零，但训练到某个时刻之后，任务求解能力突然上升。这个在LLM中称作顿悟，好像突然开窍一样。

原文

开源软件著作权申请Skill：SoftwareCopyright-Skill，自动生成申请材料，让你一个软著怒省几百块代办费它会让AI读取本地项目，从项目分析、业务理解、申请表信息、操作手册到代码材料，自动生成全套软著申请材料包括操作手册DOCX、代码材料DOCX、申请表信息TXT等在理解代码结构和业务功能基础上，写操作手册并非直接套用模板代码材料只来自开发者已有项目，禁止AI编造源码源码足够时按常见鉴别材料要求生成前30页和后30页，不足60页时按规则生成全部代码材料关键节点比如业务口径、申请表字段、代码选择等会让人工确认默认在当前项目目录生成材料，代码、文档和草稿都留在本地对于小团队或个人开发者比较实用，让AI做这些文书工作github：网页链接#SoftwareCopyrightSkill##skill##软著申请skill##万能skill# AIGCLINK的微博视频

转发者评论

无明显转发评论

原文

3D打印管理常常需要打开Bambu Studio切片、云端监控打印、聊天工具查看状态，来回切换超级麻烦，还得担心云端数据隐私。Bambuddy 把打印农场所需的功能全部整合到一起，提供自托管的命令中心解决方案——从一台A1到40台打印机农场，无云端依赖，完全掌控。不仅有实时监控、打印队列调度、云端切片，还支持打印存档搜索、耗材库存管理、远程代理打印，甚至AI失败检测和智能插座集成。GitHub：github.com/maziggy/bambuddy 官网：bambuddy.cool/主要功能：- 实时打印机监控，支持多视图直播摄像头和状态仪表盘；- 打印队列与调度，支持多机派发、定时打印和批量复制；- 自动3MF存档，带3D预览、重复检测、全文搜索和时间轴编辑；- 自托管切片，一键从STL/3MF生成gcode，无需桌面软件；- 耗材库存管理，RFID跟踪、干燥调度、低库存警报和成本计算；- 远程打印代理，支持TLS加密和Tailscale集成，从全球访问本地打印机；- 通知集成（WhatsApp/Telegram/Email），智能家居联动（Home Assistant/MQTT）；- 文件管理器，支持MakerWorld一键导入、ZIP解压和外部存储挂载。支持Docker一键部署（10秒启动），Web PWA多平台访问（手机/平板/桌面），适合个人创客和打印农场主使用。#3D打印##BambuLab##自托管##AI#

转发者评论

无明显转发评论

原文

看到有人说不知道对 harness 还能做点啥我只能说，很多人在某些领域确实很厉害，譬如 it 工程但一旦进入真实世界，可能就过于白纸了开放世界的 LLM，不能说能力不行，而是用有限推理无限没有意义所以，harness 的潜力在进入真实的非 it 行业后，有极大的价值可以挖掘有极多的架构需要建设这些东西还远未进入训练，而且训练到一定程度，就无意义了，还是哲学层面的问题参数再大，也是用有限推演无限，毫无意义否则宇宙早就演化出上帝来了宇宙没有道理在催生人类后就停滞不前LLM 直接控制封闭环境的能力，本来就是爆表级别的，这些 harness 无需人类管理，搞这种环境变量，人类不可能比得上 LLM，它自己早就强的可怕了理论上，只要有算力和电力 LLM 能把封闭空间的解决方案的路径积分逐渐穷尽，大量训练后，能成的路径早就探索完了，而且 LLM 它老人家自己找人类不理解的路径也很擅长训练能扩展模型的经验分布，但不能自动解决开放世界中的本体划分、价值排序、行动边界和责任归属问题这些正是 harness 的深水区

转发者评论

无明显转发评论

• 封闭环境里，LLM 会吞噬 harness；开放世界里，harness 会成为 LLM 进入真实行业的世界接口

原文

【身高2.18米 丰田“会打篮球”的机器人再进化：运球接近真人】近日，丰田第七代AI篮球机器人CUE7在东京丰田竞技场正式首秀。CUE系列机器人始于2017年，由丰田工程师志愿者团队研发，最新版本身高2.18米、体重74公斤，估计售价约为15万美元。前几代产品是不折不扣的 “投篮专精机器”，曾创下两项吉尼斯世界纪录：2019年连续罚球2020次命中、2024男实现24.55米超远投篮命中，投篮精度全球顶尖，但只能固定在原地，无法移动和运球。而CU7能力大升级，完成了从定点投手到全能选手的关键跨越 ——首次实现像人类一样流畅运球、带球走位，彻底打破了此前只会定点投篮的局限。 快科技官方的微博视频

转发者评论

无明显转发评论

原文

开发时总想实时监控Claude Code的使用率，却要不停切换浏览器查看API状态或登录网页，颇为麻烦。Clawdmeter 把监控功能做成桌面仪表盘，基于ESP32打造，完美显示你的Claude Code使用情况。不仅有会动的Clawd像素动画（使用率越高越忙碌），还实时显示会话/周使用率，支持BLE连接笔记本，侧边按钮一键发送Space（语音模式）和Shift+Tab（模式切换）快捷键。GitHub：github.com/HermannBjorgvin/Clawdmeter主要功能：- 实时Claude Code使用率仪表盘，会话%和周使用率一目了然；- Clawd像素动画屏，使用率变化动画越活跃；- BLE HID键盘，支持Claude Code语音和模式切换快捷键；- 触摸屏操作，PWR键切换Usage/Bluetooth屏，随时唤出动画；- 支持Li-Po电池供电，USB-C充电/刷写固件；- 守护进程每60秒轮询API，自动更新数据到设备。使用Waveshare ESP32-S3-Touch-AMOLED-2.16显示屏，支持Linux（Ubuntu测试通过），刷写固件+配对Bluetooth即可运行，完美适配程序员桌面。#ClaudeCode##ESP32##AI开发工具#

转发者评论

无明显转发评论

原文

著名的AI圈播客主持人Lex Fridman，也要来中国了。“我要花一段时间周游世界，从中国开始，然后去往全球各地，任何地方都行。我对任何冒险都持开放态度。没有计划，只有一个背包。希望能遇见并了解各行各业的人。这张照片是在长城上长途徒步拍的。作为一个历史爱好者，这对我来说是一次史诗般的体验。在中国，我首先要访问几个大城市，与中国人工智能革命核心的工程师们交流。之后，如果足够疯狂的话，我打算（第一次）搭便车在中国农村地区旅行几周。选择搭便车，是因为我认为这是结识农村朋友的最佳方式——否则我永远没有机会遇见他们。我也希望在美国和其他地方做同样的事。”#AI创造营#

转发者评论

无明显转发评论

原文

#穿越记忆的河流# 投资如战，应变方得始终前天中午与钟铭兄、宿斯汉兄、黄炎小聚闲谈，席间颇多启发。黄炎刚刚踏上创业之路，新设基金启航，我也尽微薄之力出资参与，真心支持心怀热爱、敢闯敢拼的年轻人奔赴自己的事业。结合他当下的持仓布局，我也坦诚分享了自己的看法：做投资万万不可机械固守狭义的“价值投资”，当下更要紧紧握住人工智能这一轮时代浪潮的脉搏，在核心资产的布局上，懂得审时度势、有所取舍。投资与行军打仗，从来没有本质区别。二者皆是在充满不确定性的战场中博弈，真正的胜负关键，从来不是死守既定章法、照搬过往经验，而是深谙兵无常势，水无常形的智慧，懂得随势而变、灵活应变。古往今来，纸上谈兵的赵括死守兵书战法，最终落得全军覆没的下场；而能留名青史的名将，无不根据敌我态势、天时地利随时调整策略，因势制胜。投资市场亦是如此，从来没有一成不变的万能公式，更没有能跨越所有周期、无限复刻的成功范式。过往的盈利经验、经典的投资理论，都只是特定时代、特定环境下的总结，绝非放之四海而皆准的铁律。真正成熟的投资人，从来不会刻舟求剑。我们可以坚守价值投资的底层本心，却绝不能固守僵化的操作框架。宏观周期轮转、产业浪潮更迭、企业基本面变化，每一个变量都是市场发出的“战局信号”，就像战场上的风沙走向、兵力消长，必须及时感知、快速调整。盲目死守单一仓位、固执套用过时的估值逻辑，本质上和死读兵书、不知变通的庸将无异，终究会被瞬息万变的市场淘汰。打仗的最高境界，是不拘成法、因敌制胜；投资的长久之道，是坚守本心、顺势而为。我们常说的长期主义，从来不是一成不变的固执持有，而是看清时代大势后的坚定，与察觉变局来临时的灵活。唯有摒弃教条、敬畏变化，在万变的市场中守住价值本心，以应变之策应对无常之势，才能在投资的持久战中行稳致远，收获长久的胜利。备注：本文只是个人的一点投资感悟，不一定正确。投资有风险、须谨慎。

转发者评论

[作揖]//@-王太白-:“宏观周期轮转、产业浪潮更迭、企业基本面变化。”说得太好了，真传三句话。[作揖][作揖][作揖]

• [作揖]//@-王太白-:“宏观周期轮转、产业浪潮更迭、企业基本面变化。”说得太好了，真传三句话。[作揖][作揖][作揖]

原文

🧩 亚马逊云科技产品技术部技术总监，王晓野，已确认出席 #中国AIGC产业峰会# ！Agent、AI音乐、AI漫剧、开源、记忆系统、硬件、投资… 这一场峰会，我们希望聚齐全AI赛道的实战派。5月20日，@ 所有人，马上AI起来 👉 网页链接王晓野现任亚马逊云科技产品部技术总监。长期专注于企业现代化应用架构，数据及人工智能能力的建设。负责带领技术专家团队提供云上产品及开源方案技术实践指导，并致力于亚马逊云科技全栈服务在中国市场的应用和推广。

转发者评论

无明显转发评论

原文

【商业护城河新逻辑：从单纯流量分发走向分发+记忆】快速阅读：当 AI Agent 从助手进化为具备决策权的“买家”与“员工”时，商业逻辑正在重构。未来的竞争不再是模型能力的博弈，而是调度层、长期记忆以及人类软技能的重新定价。互联网的买家正在发生物种演化。如果未来的消费者不再是刷着短视频寻找情绪价值的人类，而是通过 MCP 协议追求极致效率的 Agent，那么现有的营销逻辑将彻底失效。当买家不再被感性驱动，那些针对人类视觉设计的广告和页面将变得毫无意义，API 的易用性与协议的规范性将成为新的 SEO。商业的护城河正在从“分发”转向“分发 + 记忆”。单纯的流量获取正变得廉价，因为智能的成本在快速下降。真正让用户无法离开的，是那个承载了用户长期上下文、决策习惯和私域知识的记忆层。有观点认为，现在的软件正在经历一场“无声的替代”。SaaS 公司正悄悄用 Agent 取代支持、入职和内容团队。这种转变会导致一种新型的职业风险：公司里会出现“单点故障”的人——那个唯一理解 Agent 如何运作、如何调度、如何纠错的人。如果他离开了，整个自动化系统就会陷入停滞。这种转变也带来了新的认知负荷。监督 Agent 并不比亲自动手轻松，频繁在人类决策与机器输出之间切换，会产生一种难以命名的精神疲劳。当一切事务性工作都被 Agent 接管，人类最硬核的技能反而变成了那些曾经被视为“软技能”的东西：面对面的眼神交流、建立深度信任的能力以及复杂的审美判断。既然智能已成廉价的空气，那么决定价值的，终究是那些依然稀缺的东西。x.com/gregisenberg/status/2054584280848769413

转发者评论

无明显转发评论

原文

【Hermes Agent三层记忆架构，彻底治好AI助手转头就忘】快速阅读：Hermes Agent 通过三层记忆系统、自主编写技能（Skills）以及离线优化引擎 GEPA，解决了 AI 助手“转头就忘”的痛点，实现了从简单对话工具向具备自我演进能力的个人工作流引擎的跨越。现在的 AI 助手大多像个只有瞬时记忆的临时工，每次对话结束，之前的偏好、纠错记录和项目习惯全都清空了。Hermes 的逻辑不太一样。它把 Agent 拆解成了三个层级：身份、记忆、技能。身份由 `SOUL.md` 定义，它是系统的第一优先级，决定了 Agent 是个严谨的工程师还是个随性的设计师。记忆则分成了三层：最核心的是存储环境习惯的 Markdown 文件，其次是可搜索的历史对话，最后是可扩展的外部插件。这种设计很像计算机的存储层级，把关键信息留在缓存，把海量数据丢进磁盘。最有意思的是它的“技能进化”机制。当 Agent 解决了一个复杂问题，它会自己写一份 `SKILL.md` 存起来。下次遇到类似任务，它直接调用“剧本”，而不是重新摸索。为了防止技能库变成垃圾堆，它还有一个类似垃圾回收（GC）的机制，定期清理或合并过时的技能。有网友提到，Agent 容易产生“自我感觉良好”的错觉，导致生成的技能并不好用。针对这个，Hermes 引入了 GEPA 引擎。它不靠 Agent 自己评价，而是通过分析执行轨迹，在离线状态下进行进化搜索，用更硬核的逻辑去优化技能。你可以同时运行多个完全隔离的 Profile，比如一个专门写代码的程序员，一个专门做调研的研究员。它们互不干扰，却能通过各自的记忆和技能，成为 24 小时在线的数字团队。如果一个 Agent 真的能通过不断积累技能来变强，那我们和它的关系，会从“指令下达者”变成“教练”吗？akshay_pachaar/status/2054564519280804028

转发者评论

无明显转发评论

原文

【把生物进化搬进计算机，Recursive要跑出超智能闭环】快速阅读：由 OpenAI、DeepMind 等顶尖团队组成的 Recursive 正式亮相，他们正试图通过构建能够自我改进、自动进行科学发现的 AI 系统，来寻找通往超智能的最快路径。Recursive 的出现，本质上是在试图把“进化”这个过程从生物学领域搬到计算机指令集里。目前的 AI 发展逻辑，很大程度上还是靠人类科学家去设计方法、喂数据。但 Recursive 想做的是把这个过程变成一个闭环。他们认为，既然人类智能是通过达尔文式的开放式进化产生的，那么 AI 的进化也应该如此。与其让人类去教 AI 怎么变聪明，不如让 AI 自己去做实验，自己去发现新的算法和架构。这就像是一个编译器在运行过程中，不仅在执行代码，还在不断重写自己的内核，以实现更高效的指令流水线。这种“递归自我改进”的路径极具诱惑力，但也引发了一些值得思考的摩擦点。有网友提到，递归本身并不难，难的是如何定义“更好”。如果目标函数（objective function）在迭代中发生漂移，系统可能会朝着完全不可控的方向狂奔。还有一个工程上的瓶颈：当 AI 发现了一项新知识，我们该如何验证它是真的，还是仅仅在概率空间里制造了一个精巧的幻觉？验证成本可能会成为限制进化速度的物理上限。Recursive 拿到了 6.5 亿美元的融资，估值直接冲到了 46.5 亿美元。这不仅仅是在投一个产品，而是在赌一个逻辑：通往超智能的门票，不在于算力的堆砌，而在于能否率先跑通那个自动进化的闭环。如果这个闭环真的跑通了，科学发现的频率可能会从“年”缩减到“秒”。x.com/Recursive_SI/status/2054490801972166898

转发者评论

无明显转发评论

原文

AI 让信息变得更便宜，也让“听起来可信”的内容变得更多。我用 InfiniSynapse 查了一个真实问题：一家诊所宣传 “FDA-approved stem cell injection for knee osteoarthritis”，价格约 3000 美元。问题不是干细胞有没有研究价值，而是这个 “FDA-approved” 到底指临床试验，还是已经获批上市治疗。InfiniSynapse 没有先看广告。它先查 FDA、FTC、ClinicalTrials.gov、PubMed 和指南，再看系统综述，最后才回头看诊所页面、新闻和患者故事。最后的判断很清楚：不要基于这条广告说法预约付款。临床试验登记不等于 FDA 批准治疗；强证据也不支持把它当成常规自费膝骨关节炎疗法。这就是我觉得 Data Agent 有价值的地方：不是搜更多页面，而是知道哪些来源应该排在前面，把官方记录、临床证据、营销话术和个人体验分开。全文：网页链接#InfiniSynapse##AI搜索##数据Agent##可信信息#

转发者评论

无明显转发评论

原文

【卢伟冰：小米将发布新系列空调！内置端侧AI芯片+云端大模型】小米合伙人卢伟冰发文透露，AI作为小米长期投入的底层核心能力，已经深入到手机、汽车、MiMo等各个产品业务里，同时还在探索赋能家电。全新米家空调强劲风Pro做了一个新尝试：在空调里放了一颗端侧AI芯片，同时连接云端大模型。

转发者评论

无明显转发评论

原文

印度，第一个被AI撕碎的国家？摘自 摸鱼学副教授 美第奇效应历史的进程，向来是难以预测的。在跟俄国人战线厮杀的乌克兰怎么也不会想到，自己的进攻，竟然会因为两万公里外的硅谷宅男给中止。在俄乌战场的复杂电子环境中，光纤无人机已经成了最重要的进攻武器，根据乌克兰自己的统计，杀伤的俄国人当中，八成来自于光纤无人机。乌东战场布满光纤，以至于到了人都没法下脚的程度。然而因为硅谷的AI浪潮，光纤替代铜线传输，导致光纤需求量暴涨，50公里长的光纤的价格从原本不足300美元，暴涨到了2500美元。原本就军费拮据的乌军，因为AI的爆发，失去了最重要的进攻武器，莫名其妙的偃旗息鼓。但，乌克兰还是幸运的，对面的俄军一样买不起光纤，算是AI拯救了不少生命。印度，显然就不那么幸运了。最近印度最大的邦之一，西孟加拉邦地方选举结束，莫迪的印人党在这个人口上亿人的邦中获胜，印人党最后一个没有掌控政权的邦也落入了印人党的控制，反对派几乎丢失了所有主要邦的议会。然而印人党这次的胜选，却是依靠出老千，通过选民名册修订的实施导致数百万选民的名字被删除，这些删除的选民，正是印人党的政敌的基本盘。而这种盘外招，导致印度反对党认为印人党已经不再遵从印度宪政，没有别的出路，只能开始“武装反抗”。甚至连印人党邦代表助理都被当街击杀。经济学人分析，这次大乱，可能导致印度不稳定的联邦体系，分崩离析。内战并非天方夜谭。原本莫迪靠着印度经济起飞，选情横扫印度全国，根本不用这种阴招也能赢，为何这次想不开非要用这种盘外招呢？因为AI。印度GDP的8%，来自于IT业外包，200万外包客服和300万外包码农，是莫迪经济奇迹的最核心支柱。他们不但创造了8%的GDP，还创造了印度25%的外汇收入。现在，一个AI可以合成最标准最甜美的标准美式英语，再也不用听咖喱味客服，价格还更加便宜。一个熟练架构师+200美刀的claude，可以完成以前一个项目经理带着30个印度外包工程师做的活，速度还更快，效果还更好。印度外包干的活，正好是当前AI最擅长的事情，简单重复的初级代码，用例测试、客服交流，是最早也最快被AI吞下的工作岗位。AI的崛起，打掉了印度经济的十分之一，外汇收入的四分之一，卢比汇率进入自由落体，印度从全球第四大经济体，一下子坠落到第六，被日本和英国反超。超越宗主国欢乐，甚至没有持续一年，就在汇率崩溃下，化为泡影外汇的缺乏、卢比贬值又碰上石油大涨价，屋漏偏逢连夜雨。肚里没热食，选票跟着消失这种情况下，莫迪要想连庄，如果不出阴招，不删除一些对手的选民，是无论如何也没戏的。而这些阴招，在反对派眼中，就是摧毁共识。投票站不给公道，那就用钢刀。这个时候，干柴也已经准备好。因为缺少化肥，印度今年农业大欠收已经注定，而因为AI替代损失的外汇，还要用更多的粮食出口来顶上，欠收叠加更残酷的征收，今年秋冬，印度将迎来最惨烈的饥荒。这些被强征粮食…

转发者评论

无明显转发评论

原文

🎨 一键生成社交媒体爆款 Chibi 3D 手办图🎯 核心提示词主体形象：真人或IP转化为Chibi 3D手办特征细节：大头萌系比例、超大眼睛、圆润身体包装盒：透明塑料窗，可选赛博朋克/和风/复古/极简白场景氛围：手办与场景元素互动（书本旁、咖啡杯旁、键盘上）质感渲染：搪胶/软胶质感，表情夸张但不过分排版布局：克制高级，留白充足，主题强绑定✅ 核心价值📈 高辨识度：主角 IP 形象突出⚡ 易操作：无需建模，一句话生成🔄 定制化强：可换人物/品牌/宠物生成不同版本💰 商业价值大：粉丝周边、礼物定制、品牌IP年轻化🌟 效果示例单人Chibi：透明盒展示，高辨识度多角色群像：3-5个手办排队列，每个手办保持服装和性格特征场景互动：手办在日常物品旁，增加趣味性主题包装：赛博朋克/和风/美式复古/极简白🔄 延伸用法1️⃣ 个人社交头像 → 单人Chibi + 透明盒2️⃣ 粉丝应援物 → 偶像Chibi + 品牌包装3️⃣ 情侣礼物 → 双人Chibi + 心形盒4️⃣ 企业IP → 品牌吉祥物手办化5️⃣ 宠物专属 → 萌宠Chibi手办⚙️ 参数技巧📸 写实：真实光影、8K超清🎨 艺术：手绘/水彩晕染🌌 现代：霓虹/赛博朋克🖌 中国风：水墨丹青、工笔重彩🚀 进阶玩法📍 地理限定：如“根据上海生成…”⏳ 时间限定：如“根据2020年代生成…”🔗 多张组合：生成系列手办展示图👥 场景互动：手办与其他角色或物品互动，增强故事性💡 总结一张图，把真人/IP/宠物形象转化为可爱Chibi手办，结合场景与包装，形成视觉故事，增强社交分享与收藏价值#HOW I AI##AI创造营##AI绘画每日一词##德里克文的ai学习笔记#

转发者评论

无明显转发评论

原文

可以看看被 OpenAI 选中的例子中，这些创业者在用 AI 如何接入现实世界。OpenAI Futures 2026：37 个“AI 原住民”样本，真正变化不是会用 ChatGPT，而是把 AI 接进了行动闭环OpenAI 公布了 ChatGPT Futures 首届名单：26 个个人/团队、合计 37 名 18–25 岁年轻人，将获得 1 万美元无偿资助、前沿模型访问权限，并受邀 6 月到 OpenAI 总部参访。这批人被 OpenAI 称为 “Class of 2026”——第一届从入学到毕业全程有 ChatGPT 陪伴的大学生。看下来最明显的共同点不是“prompt 写得好”，而是他们已经把 AI 当成科研、创业、社会项目里的基础设施。几个样本：Icarus Robotics 做空间站机器人；Known 用 voice agent 和匹配系统推动线下见面；Wi-Find 用 Wi-Fi 信号穿墙探测灾难幸存者；PROTON / ICOR / ChemBERTa / BioReason Pro 把 AI 用在蛋白质、化学、药物发现、生物推理；CreceAI / CaseLink / Audemy / Kollegio 面向街头小贩、无家可归学生家庭、盲人学生、低资源大学申请者。真正值得看的不是“年轻人多厉害”的鸡血叙事，而是 OpenAI 在用这份名单回答：下一代 AI-native 人才长什么样？答案大概是：他们不把 AI 当工具栏按钮，而是把它嵌进一整套循环——发现问题、读文献、写代码、做原型、申请资助、组织社区、验证效果。未来竞争可能不是“谁会用 AI”，而是谁更早学会把 AI 接到真实世界的摩擦里。模型只是引擎，问题感才是方向盘。文章：网页链接（中文）官方页：网页链接（OpenAI）#HOW I AI# #ai生活指南# #AI#

转发者评论

无明显转发评论

原文

藏师傅的 PPT Skills，感觉 GitHub star 马上就要破万了呀！没点 star 的朋友点点 star 吧，谢谢了。顺便让 Codex 分析了一下安装的数据，还挺有意思的。#how i ai# 这里尝试：github.com/op7418/guizang-ppt-skill

转发者评论

无明显转发评论

原文

#冷眼赠书福利# 联合 @博文视点Broadview 送出 3 本《Vibe Coding氛围编程实战》，截 5 月 20 日，转发此微博并关注 @网路冷眼 赢取。AI 时代，编程早已不是埋头敲代码，而是状态管理＋人机协同的全新能力。《Vibe Coding氛围编程实战》直击普通人AI编程痛点，教你用可复现的工作流快速上手，把灵感变成可落地项目。全书侧重实战。书中手把手教你用 VS Code+AI 高效开发、规范驱动少返工，仅用 15 分钟便可与AI协同，做出可展示的 Demo，系统掌握AI 协同开发、快速 MVP、规范设计、问题定位等核心技能，成为更有竞争力的开发者。

转发者评论

无明显转发评论

原文

#人手一个数据库，Kimi背后这套AI基建到底有多能扛？# “帮我搭个读书笔记网站，带登录和搜索，能导出的那种。”如果你最近在Kimi K2.6的Agent模式里敲下这句话，5分钟后，你拿到的不再是一堆需要自己调试的Python代码，也不是一个只能看的静态Demo。而是一个真实可访问的URL。前端、后端、独立数据库、用户账号体系……全套齐备。你可以直接把链接甩给朋友，他注册后存入的数据，会稳稳地停留在你这套系统的独立数据库里。比起v0或Lovable这些AI建站工具，Kimi实际上接管了用户从开发到托管、再到数据库运维的全生命周期。详情点击 网页链接

转发者评论

无明显转发评论

原文

最近才注意到 Anthropic 新出的所谓的 Fast Mode，可以让 Opus 大模型在不降智的情况下，提高 2.5 倍的响应速度。其 token 价格居然涨了 6 倍。看来真有不差钱的主，愿意为更快的模型响应时间支付那么高的溢价呀 AI 的利润已经开始流向这些 AI 大厂了。多亏了那么多 Agent 在一直狂烧 token

转发者评论

无明显转发评论

原文

#10后小孩哥整顿科技圈# 真正让成年人不安的，不是孩子会用AI，是孩子比他们更会提问。想想看，一个8岁小孩，他看到同学下雨天没伞，就想到做个拼伞的小程序。这个需求洞察，说实话，比很多互联网公司产品经理的需求评审会上那些拍脑袋的点子都实在。大人们自嘲“手敲代码要申遗”，表面是幽默，底下是真慌。但他们慌错了方向。AI替代的从来不是“写代码的手”，而是暴露了一个残酷事实：很多人敲了十年键盘，其实从没真正独立定义过一个问题。一个孩子从生活痛点出发，三句话讲清楚需求，AI就能帮他落地。而多少成年人坐在工位上，连“我到底要解决什么”都说不清楚，只会把别人给的需求翻译成代码。代码能力是手段，提问能力才是源头。这孩子赢在他还没被“标准答案”驯化过，眼睛是直接看着真实世界的。 10后小孩哥整顿科技圈

转发者评论

无明显转发评论

原文

#春招AI岗位量增长8.7倍# 8.7倍增长，15倍暴涨，这些数字看着让人血脉偾张。但深想一层，有一个很多人不愿意面对的事实：这轮AI招聘潮的本质，是人才市场的极端两极化，不是机会的普惠化。那个供需比0.26，四个岗位抢一个高性能计算工程师，同时初级岗位在萎缩。翻译成大白话就是，顶端的人被当宝贝一样供着，底层的人连门都摸不到。AI科学家月薪13万，这个数字很炸裂，但它是“唯一突破10万的岗位”。唯一。这说明绝大多数AI从业者的收入跟这个数字之间，隔着一道无法跨越的沟。8.7倍的增长制造了一个巨大的幻觉，让无数人觉得“风口来了我也能飞”。实际上，风口只接得住有翅膀的人，剩下的是被吹起来再摔下去。这不是泼冷水，是2000年互联网泡沫教过我们的东西。 春招ai岗位量增长8.7倍

转发者评论

无明显转发评论

原文

【Intel又在F1赛场和AMD杠上了！官宣与迈凯伦车队重磅合作】Intel与迈凯伦车队达成多年期战略合作伙伴关系！Intel正式成为迈凯伦万事达一级方程式车队、艾睿迈凯伦印地车队、迈凯伦F1模拟赛车队的官方计算合作伙伴，为其提供AI和高性能架构的先进计算能力。AMD也是F1赛场上的常客，2002年就开始赞助法拉利车队，2020年开始又和梅赛德斯AMG马石油车队走到了一起。

转发者评论

无明显转发评论

原文

AI弥补了巴掌打不进电视的缺憾#AI脑洞剧场##AI创造营# 三吼君的微博视频

转发者评论

//@Super滚筒:[awsl]//@鲲鹏万里616:好多了//@a土人:解气。[笑cry]//@Tiger公子://@这是一个很高冷的ID:[允悲]//@天秀bot:这才是AI的正确用法！我这口气终于顺了//@梨园西池水:舒服了//@妖盐货重:救救弥桑黛吧//@大头和他的朋友们:你怎么才来呀！//@网恋必死:还找老泰温告状，笑不活了[允悲]//

• //@Super滚筒:[awsl]//@鲲鹏万里616:好多了//@a土人:解气。[笑cry]//@Tiger公子://@这是一个很高冷的ID:[允悲]//@天秀bot:这才是AI的正确用法！我这口气终于顺了//@梨园西池水:舒服了//@妖盐货重:救救弥桑黛吧//@大头和他的朋友们:你怎么才来呀！//@网恋必死:还找老泰温告状，笑不活了[允悲]//