最近在 GitHub 上刷到一个挺炸的开源项目：Wren AI 它本质上是在做一件我们都很熟、但一直没被真正解决好的事：让不懂 SQL 的人，也能自己查数据库。 比如说，业务、运营想看数据，第一反应就是来敲后端：“帮我查下上个月销量前 3... 的产品”“这个转化率能不能按渠道拆一下”。 SQL 本身不难，但沟通成本、来回确认、临时插队，才是真正耗时间的地方。 Wren AI 的思路很直接：对话即查询。 你直接用自然语言问问题，它会自动生成 SQL、跑库、给结果，甚至顺手把图也画好（柱状图、折线图那种）。 可以把它理解成一个 “自带 AI 分析师的开源版 Metabase”，但门槛更低，不用拖字段、不用写 SQL。 比较关键的一点是，它不是那种“裸 Text-to-SQL”。 Wren AI 引入了 Semantic Layer（语义层），你可以提前把业务指标、表关系、口径定义清楚，相当于给大模型加了一层“业务护栏”。 这一步虽然需要懂数据库的人前期配置一下，但一旦理顺，后面业务方基本很难把数据问歪，准确性和安全性都高很多。 模型和部署这块也挺对技术人的胃口： ·云模型：OpenAI / Claude / Gemini 都能接 ·数据不出内网：可以配 Ollama + 本地模型（比如 DeepSeek） ·数据库支持也很全：MySQL、Postgres、ClickHouse、DuckDB 基本全覆盖 ·安装也不折腾，有 Docker 基本就是一键起 整体看下来，我觉得它特别适合两种场景： 1）想给团队搭一套真正能用的自助查数平台 2）想研究 “AI + BI + 语义层” 这种更偏工程化的落地方案 一句话总结：把“查数据”的自由还给业务，把时间还给开发。show more

做数据分析的人应该都懂那种崩溃感： Excel 一开就卡、SQL 跑半天、模型调参像瞎猜、报告一写就是一下午。 更别说很多人本职工作也不是“数据科学家”，但又不得不啃一堆 CSV、报表和图表。 这两天看到人民大学 RUC Datalab... 开源的DeepAnalyze，有点眼前一亮。 它不是那种“帮你写点分析文案”的 AI，而是想做一个真正的「AI 数据分析师」： 能读 Excel/CSV/JSON/TXT，自己规划步骤、清洗数据、建模、画图、最后给你一份完整报告。 甚至还能把推理链（reasoning trace）展示出来，让你看到它是怎么一步步想出来的。 我自己最有感觉的点有几个： 以前 ChatGPT 更像“写稿子、写代码”的助手，但对数据本身不够“懂”； DeepAnalyze 直接把这一块补上了，做到“从数据到报告”的全流程； 对普通人来说，可能第一次有机会把“专业的数据分析能力”当成一个工具来用，而不是一门必须自己啃几年的技能。 当然，它现在肯定还不完美，落地也需要折腾环境、准备数据。 但这个方向我很看好： AI 帮你做繁琐的统计和建模，人类负责问好问题、选好指标、做最后决策。 数据分析不再是少数人的特权，而是变成人人可用的一种“智能能力”。 简单说： 过去是「你学会数据分析再去用工具」， 以后可能是「你先有一个 AI 数据分析师，再慢慢学会怎么问对问题」。show more

最近在开发圈很火的 GitHub 项目 Firecrawl， 一个专门给 AI 用的智能爬虫，已经 7万+ Star... 了。 一句话总结： 它可以把任何网站，直接变成 AI 能用的数据。 只要给它一个 URL，它就会自动： - 抓取整站页面 - 清洗网页内容 - 解析结构信息 - 输出 Markdown / JSON 也就是说： 网站 → 结构化数据 → 直接喂给 LLM。 现在很多 AI 项目的数据流程其实都是： 网站 → Firecrawl → 向量库 → RAG → AI 应用 如果你在做： - AI Agent - RAG 知识库 - 自动化数据采集 这个工具基本算是 AI 开发的基础设施了show more

GitHub 宝藏项目：MinerU（5.8 万 ⭐） 它把 PDF 直接变成 AI 能用的数据... 以前处理 PDF： 表格乱 公式废 排版崩 OCR 一堆垃圾 能用，但很痛苦。 MinerU 不一样： 它在理解文档，不是读文字 文本、表格、公式一起解析 结构完整还原（标题、段落、表格） 公式转 LaTeX 自动去掉页眉页脚 关键就一个： 把非结构化 PDF 变成结构化数据 这一步，正好是 AI 最难的入口。 别人还在做 OCR， 它已经在做 AI 数据预处理了。 做 RAG、Agent、知识库的， 这个可以直接上手试。show more

这项目我可太爱了！！ 一个哥们把1324个健身动作全整理完了，英文、西班牙语、意大利语、土耳其语、俄语、中文，六种语言的动作讲解全翻好了。 本来这事你至少得雇两个人，一个整理数据，一个翻译。现在一个开源仓库，建表SQL、API代码、连LLM提示词都给你写好了，复制粘贴就能用了。 我最近减肥中，打算自己搞个小程序，监督训练，就看到了这个宝藏项目。 其实，做健身产品最头疼的从来不是UI界面。是把1324个动作挨个录完，把英文讲解一字一句翻成中文，再琢磨数据存哪、怎么让App读到这些数据。这堆东西，一个人干至少两周，外包出去少说两万。 这个仓库把三件事全替你干了。打开这个仓库你能拿到什么： 1324个动作的数据库，按部位、器械、目标肌肉全部分好了，拿来就能用 六种语言的讲解翻译全齐，不用自己雇人译 选个数据库类型，建表代码自动生成，不用从零建库... 接口直接给你写好，七八种语言都能跑，改个地址就行 最狠的，连让AI帮你生成整个后端的提示词都写好了 数据录好了，六种语言翻好了，数据库怎么建也用不着你想了。打开setup.html，选一下你用的数据库类型，四五个主流的一列都支持，建表代码直接生成。 你连接口都不用自己看代码写了，选完框架和数据库，它给你生成一段提示词，直接甩给Claude或者GPT，一条消息整个后端就出来了。 老王自己跑了一趟，先做了个网页版吧，半小时全通了，六种语言的接口一个没落。 你也可以尝试一下，做一个自己的健身管家。show more

向量数据库脑电图来啦! 把一大堆文档拖进 RAG，然后提问题，结果大模型回答的驴唇不对马嘴，是不是会怀疑大模型到底是怎样在向量数据库检索的, 才能搞成这个熊样? 来看这个 RAG 可视化项目 Project Golem!... 它把向量数据库从黑盒变成了一个可交互的 3D "大脑皮层"。使用 UMAP 算法将 768 维的嵌入向量降维到 3D 空间，当你输入查询时，它不只是返回文本，而是会"点亮"与你的查询相关的神经通路。 这个项目的设计初衷是作为 RAG 的诊断工具。当检索失败时，你可以亲眼看到"思考"从嵌入查询出发所走过的精确路径。 如果看到一个紧密的簇亮起，说明模型找到了一个连贯的概念。如果可视化看起来很分散，那就意味着检索到的文本块在语义上彼此相距甚远，这正是你需要的视觉提示，告诉你 RAG 正在幻觉或强求关联。 技术栈方面，嵌入模型用的是 Google 的 embedding-gemma-300m，向量数据库是 LanceDB，前端是 Three.js 和 WebGL，后端是 Flask。 项目已经在 Reddit 的 LocalLLaMA 社区获得了 200 多个赞。有用户说这看起来真的像大脑中神经细胞的激活。还有用户说这对数据库优化太棒了，当某个查询表现不佳时，能立刻调出投影，瞬间获得一把手术刀。 项目还支持对接 Qdrant、Pinecone 等外部向量数据库，架构是解耦的，3D 查看器本质上是一个位于数据之上的界面，你无需移动数据，只需将其投影出来即可。 项目地址:show more

最近陶哲轩在 2024 年第 65 届国际数学奥林匹克上，陶哲轩做了一次 AI 和数学的演讲，非常精彩，从数学使用计算计算机的历史开始讲起，一直讲到大语言模型，干货相当多，尤其适合对数学有兴趣的同学。 （对数学没那么感兴趣的同学只想看 AI... 部分的建议直接跳到 41 分的位置开始观看） 先摘录几个冷知识： 1. 我们使用机器做数学计算已经有数千年，最早的机器辅助计算可能是罗马人，然后是中国的算盘 2. 二战时就有人肉“计算机”，计算弹道和其他任务，多位女孩子，因为男士们在打仗，所以那时候的计算基本单位不是GPU，而是kilogirl-hour——“千名女孩工作一小时的计算量” 3. 现在，数学家们使用一种现代化的证明辅助编程语言，叫做 Lean。在 Lean 中有一个核心的数学库，通过众包的方式开发的，本科数学课程中看到的内容，比如微积分基础、群论基础或者拓扑学等等，这些都已经被形式化了，所以你不用从公理开始。 4. 现在数学领域有一种团队协作证明复杂数学定理的工作流程，那就是先编写一个称为“蓝图”的详细证明计划，将整个证明分解为数百个小步骤。每个步骤可以单独形式化，然后再将它们整合在一起，这样你就可以将一个庞大的论证分解成许多小块。先编写这个蓝图，然后团队中的其他人可以对论据的不同步骤的不同部分进行形式化。 去年，陶哲轩和几位同事一起解决了一个组合数学问题。这是一个组合学的问题。大约20人在短短三周内完成了，使用了蓝图工具，参与的人中有概率论专家，甚至还有一些并非数学家的人，他们是程序员，但在解决这些小型拼图问题上非常擅长。每个人都挑选了一个觉得自己能做的小任务，并完成了它。 在数学领域，通常很难这么多人一起合作，一般最多可能五个人合作。因为在大项目上合作时，你必须相信每个人的数学都是正确的。但是，一旦超过一定规模，这就无法实现了。但现在借助 Lean 编译器，它能自动检查。团队成员无法上传任何编译不通过的内容，会被拒绝。因此，你可以与一些从未见过的人合作。 最后是讲大语言模型，首先陶哲轩就打脸了 GPT-4 的论文（我猜是微软那篇《GPT-4，通用人工智能的火花》），论文中号称 GPT-4 能解决国际数学奥林匹克问题，但实际上，这个问题不是 2022 年国际奥数竞赛的原始问题，而是一个简化版本，并且他们测试了几百道国际奥数竞赛问题，成功率只有1%，论文里的这个是精心挑选的恰巧能做对的。 并且陶哲轩提到了基于大语言模型的一些改进的方案： 比如 CoT（Chain of Thought），也就是 LLM 做简单的算术运算都做不对，但是如果让它一步步解释，可能就对了。还可以教 AI 一些解题技巧，比如尝试简单的例子，反证法，尝试逐步证明等。 比如让模型和编程语言或者工具连接，将大语言的输出结果交给 Wolfram 这样的专业数学工具或者 Python 这样的编程语言验证，并且迭代的进行修正和验证，直到得到正确的结果，这可以提升大语言模型生成的效果。 即使借助这些手段，大语言模型还远远不能解决大多数数学问题，更不用说数学研究问题了！ 当然陶哲轩也没太过打击大家对于 AI 的信心，表示我们在 AI 上还是在不断的取得进展，还提到了他日常是怎么用 AI 的，比如说把 AI 当成灵感之源。 > 我曾遇到过一个问题，我尝试了几种方法，但都无法解决。于是，我尝试询问 GPT，你建议我使用什么其他方法来解决这个问题？GPT 给我提供了 10 种可能的方法，其中有 5 种我已经尝试过，或者明显没有帮助。的确，有几种方法并不实用。但其中有一种我还没尝试过的方法，那就是针对这个问题使用生成函数。当 GPT 建议我使用这种方法时，我意识到这就是我漏掉的正确方法。所以，将 GPT 视为一个交流伙伴，它确实具有一定的用处。 还有使用 GitHub Copilot 帮他写代码，让它自动生成下一步的证明结果，Copilot 的智能提示有 20% 的概率能生成正确的下一步结果。 > 例如我使用的一个叫 GitHub Copilot 的工具，你只需要写下一半的证明，它就会尝试猜测接下来的内容。大概有 20% 的情况下，它能猜到接近正确的答案。然后你就可以说，我接受这个答案。好的，那么在这种情况下，我正在试图证明这个陈述。灰色的部分是 Copilot 给出的建议。结果发现第一行完全没用。不过第二行，尽管你可能看不清楚，却真的解决了这个问题。所以，你不能盲目接受它的输入，因为这些代码未必能顺利编译。但如果你对代码的运作方式已经有所了解，这将大大节省你的时间。这些工具正在变得越来越好。现在如果一个证明只需要一两行，它们就能自动完成。现在已经有了这样的实验，即通过迭代地让 AI 提供证明，然后让编译器进行反馈，如果编译出错，就把错误信息反馈给 AI。通过这种方法，我们开始能够验证四五步长的证明。当然，一个大型的证明可能需要数万行。所以，我们还没有达到能够立即得到一个正式证明的程度。但是，这已经是一个相当有用的工具。 对于大家关心的问题： AI 在数学领域现在到了哪一个阶段？是否未来几年利用 AI 能直接解决数学问题？ 陶哲轩也给出了他的看法： > 我认为我们还远远没有达到这个阶段。如果我们专注于非常特定的问题，你可以定制专门的 AI 来处理一小部分问题。即便如此，它们也不是完全可靠的，但还是有用的。不过至少在接下来的几年里，它们基本上将是非常有用的辅助工具，超越了我们已经熟悉的暴力计算辅助。 他还提到了一些可能的 AI 能在数学领域提供帮助的方向： - AI 能够非常好地生成有价值的猜想 > 比如，我们已经看到了关于结理论的例子，它们已经可以推测出两个不同的统计量之间的关系。因此，我们希望能够创建大量的数据集，输入到 AI 中，它们就会自动找出各种不同的数学对象之间的有趣联系。虽然我们还不知道如何做到这一点，部分原因是我们没有这些庞大的数据集。但我认为这是未来可能实现的一个方向。 - 批量或者说规模化的证明大量数学定理 > 现在，因为证明定理是如此繁琐和艰难的过程，我们一次只能证明一个定理，如果你效率很高，可能一次能证明两三个。但是有了 AI，你可以设想一下未来的情况，我们不是试图解决一个问题，而是处理一类类似的1000个问题，然后告诉AI，尝试用这个方法解决这 1000 个问题，然后报告结果，哦，我能用这种技术解决 35% 的问题。那么另一种技术呢？我能解决这个百分比的问题。或者如果结合这些方法，又能解决多少问题？你可以开始探索问题的空间，而不是一个接一个地解决问题。这是你现在根本无法做到的事情，或者是你需要几十年时间，通过数十篇论文慢慢搞清楚各种技术能做什么，不能做什么。但是有了这些工具，你真的可以开始做规模前所未有的数学研究。所以，未来将会非常令人兴奋。 演讲环节结束前的最后一句话说的特别好： > 我们仍然会以传统方式证明定理。事实上，我们必须这样做，因为如果我们自己都不知道如何做这些事情，就无法引导这些 AI。但是我们将能够做很多现在无法做到的事情。 这恰恰也是我们现在使用 AI 辅助编程的问题：如果我们自己都不知道如何构建软件，就很难引导好 AI 帮助我们生成高质量的代码。 尽管 AI 在数学和编程领域变得越来越有用，但人类的洞察力和创造力仍然是创作价值的关键。 原始 YT 视频：show more

Lovable 月访问量多少？ AI 给了我两个数：3340 万，6280 万。差了将近一倍！ 竞品报告里该写哪个，我不知道。 这并不是个例。 我以前让... Agent 做竞品分析基本都这样：流量从公开页面东拼西凑，用户评论从二手网站抄。看着有理有据，一个都经不起问。 所以我做了个对照实验 同一句提示词、同一个模型（WorkBuddy 里的 Kimi K3），跑两遍。唯一的区别是有没有接 AIsa。 第一遍没接。流量是从 Semrush 公开页和评测文里拼出来的，两个口径对不上；用户评价是评测小编转述的，一条原帖都没有。 第二遍接上 AIsa。提示词一个字没改：“识别竞品。比较它们的定位、核心功能、网站流量来源、用户评价和内容渠道，然后生成报告。"我没告诉它去哪查，它自己规划了整条链路： Firecrawl 抓官网 Tavily 搜出 5 个竞品 调 Similarweb 官方 API 拉流量，7 个域名同一个口径 去 Reddit 翻原帖看真实评价 生成报告 22 次数据调用全部留痕，报告里每个数字都能点开看来源。 而第一遍那份报告，一个数都验不了。 顺手用它给 做了遍 SEO 检查，Semrush、Ahrefs、Similarweb 三个来源互相验证，抓出 5 个要修的问题，列了 10 个要补的页面。 两轮竞品分析加两轮 SEO 检查，28刀。 收获一份带官方数据的报告，仅仅只花了一顿饭的钱。 有人会问，直接订 Similarweb 不行吗？ 当然行，但官方服务主要面向企业，一年起步好几万美元，以我这个用量实在不划算。 AIsa 是全球第二家接入 Similarweb 官方 API 的平台，拿到的是官方接口直接返回、持续更新的数据，不是爬虫拼出来的镜像数据。 更关键的是，那些镜像站最多只能让你在网页上查一查，根本不提供 API，也没办法接进 Agent 里自动跑； 但AIsa 可以。对我来说，这才是真正的区别。 视频是两遍的完整录屏，圈出来的是它每一步调了什么数据源。 你也要做竞品分析或者 GTM 的，入口在这 👇show more

阿里悄悄上线了workbuddy的对标产品：千问办公，挤进了AI智能办公赛道 它把自家的QoderWork、悟空、MuleRun三个工具捏在了一起 除了Office全套、多模态内容生成和自动化执行等功能外，一个亮眼的能力是它把开发+部署+上线打通了，等于把开发的后半段也包了 比如说生成网页后可以直接上线，连同域名、数据库和托管一站式搞定了，对一般用户来说一句话就能有一个带数据库的在线站点 小道消息，据说未来其旗舰版针对复杂任务可能会用A社的模型 在AI时代，人们打开电脑的第一件事或不再是打开Word、Excel，而是唤起一个Agent，这个习惯被培养起来后，可能会是下一代办公的超级入口 #AI办公 #千问办公

Mira Murati 带着新公司 Thinking Machines 回来了，12B 估值，史上最大。 发布的模型叫 Inkling，975B... 总参数，MoE，每 token 激活 41B，1M 上下文，全权重 Apache 2.0 开源。 然后她在官方公告里写了一句话，其他 AI 公司 CEO 不会写的话： “我们这个模型落后于前沿。” 不是“接近前沿”，更不是“在某些维度上达到 SOTA”，是“trails the frontier”。 我觉得这件事真正反直觉的地方是这不是技术失败后的无奈坦白，这是把竞争维度换了。 闭源实验室卖的是 token 级智能，你调用一次付一次，模型永远不是你的。 GPT 更强、Claude 更强，但它们的商业模式建立在一个前提上：你永远需要它们。 Mira 打了一张完全不同的牌。 她把 Inkling 全权重开源，然后告诉企业客户：这个基座不如 GPT-5.5 聪明，但它可以变成你自己的模型。 用自己的代码库 fine-tune，它就懂你的架构，用自己的客户数据 fine-tune，它就懂你的业务，用自己的工作流 fine-tune，它就能在你的系统里跑，不需要经过第三方 API。 一个懂你代码库和数据的 41B-active 定制模型，和一个“更聪明但对你一无所知”的通用模型——医院、银行、国防、软件公司会选哪个？ Mira 赌的是后者。 这个赌局的支点不是模型能力，是所有权关系。 传统 AI 公司卖智能，Mira 卖的是可拥有性，因为模型本身是免费样本，Tinker 平台才是产品——你要在上面 fine-tune、部署、迭代你自己的版本，样本把你拉进来，fine-tune 让你留下，留在 Tinker 上让你走不了。 这和纯闭源 API 比更难复制，和纯开源比更可持续。 还有一个维度被低估了， 过去两年，美国企业想做自有模型时，大量依赖中国开源权重。 中国的DeepSeek、Qwen、GLM——能力强，开放度高，但数据安全、出口管制、对齐差异一直是个隐雷。 Inkling 给出了一个美国本土的高性能替代选项 ，不是能力压制，是供应链风险分散。 这个卖点对企业决策层的影响，可能比 benchmark 排名大得多。 对正在自己搭 agent 系统的人来说，Inkling 的信号很实际： 未来真正的高杠杆，不是一直追最强的通用模型，而是学会用高质量开源基座 + 自己的数据和判断力，快速打造只属于你工作流的智能系统。 1M 上下文 + agentic coding（SWE-Bench 77.6%）+ 可控思考预算，这个组合在长上下文 agent 工作流上的性价比，可能远高于一直调用最贵的闭源 API。 Mira 做了一件很有意思的事，她在所有人都往“更强”的方向卷的时候，把旗子插在了“更容易被拥有”的方向。承认自己不够强，反而让“你敢不敢把核心数据交给它”这个问题变得更可信。 AI 的竞争正在从“谁的模型最聪明”分裂成两条路，一条继续卷通用智能的峰值，另一条卷谁先变成你资产的一部分。 Mira 选了后一条，而且她把整家公司押上去了。 这个方向对不对，要看 Tinker 能不能把 fine-tune 大 MoE 这件事做到足够简单和低成本。 但有一点已经清楚了——在 2026 年，“能被你拥有”正在变成和“比你聪明”同样值钱的东西。show more

和AI Agent一起工作是一种什么样的体验？ 扣子空间详细体验评测 （下面有邀请码）🧵↓ 字节跳动发布新一代 AI Agent 平台：扣子空间，Slogan为：在扣子空间，和 Agent... 一起开始你的工作。 也就是你可以像和真人协作一样，和AI一起完成特定任务。 通过自然语言交流直接交付结果🫡 例如这个↓ 这个测试是模拟你通过AI来简化你的工作或者提高你的工作效率或者成果，例如假如你是一个幼儿园老师就可以通过AI生成一个交互式的英语学习应用。 提高孩子们学习英语的乐趣。它支持调用MCP，这个测试调用了两个MCP，一个是图像生成一个是语音生成。 扣子空间，它可以是： ✅「通用实习生」：可以处理各种基础任务，比如整理资料、写文案、查数据等。 ✅「领域专家」：针对具体行业或专业的问题（如法律、医学、设计等）有深入理解，能给出专业建议或完成复杂任务。 你可以根据自己的需要选择不同AI来协助你完成任务。它不只是回答问题，AI还能主动帮你做事：比如生成报告、整理数据、写代码、规划日程等。 支持两种工作方式： 自动模式：AI自动帮你完成任务。 协作模式：你可以一步步与AI互动，逐步推进任务，更适合复杂工作。show more

🚨 终于有人把“金融数据 + AI Agent”这件事打通了 OpenBB 目前 GitHub 上已有... 近 7 万 star，是一个开源的金融数据与研究平台，被很多人称为「开源版 Bloomberg Terminal」 以前做金融研究，最烦的不是不会分析，而是数据太散：一个终端看行情，一个表格存模型，一个网站翻 SEC 文件，一个工具跑图表，最后还要复制给 AI 总结。 现在它把过去只有机构才能轻松获取的专业数据，整合成了人人可用的工具，核心亮点： > 覆盖股票、期权、加密货币、外汇、宏观经济、固定收益等多个市场 > 包含财务数据、高管信息、股东结构、地区分布等细粒度信息 > 支持 AI 集成，一条指令就能让 AI 调取数据并生成深度研报 > 数据可自部署，保护隐私和数据安全 只输入一条指令，AI 就能调取数据、生成深度研报，全球金融数据接口真的被打通了 做股票研究、量化分析、基金投研、AI 金融 Agent 的，强烈建议保存看看show more

Google刚发布了 Gemma 4，260 亿参数，开源免费， 能在本地设备上离线运行。 讲真，这才是 2026 年最合理的 AI... 技术栈: 本地模型兜底，顶级模型按需调用。 但我认为参数和免费都不是重点， 真正值得注意的是它原生支持函数调用， 意味着这个模型能自主使用工具，浏览网页，执行代码，调用 API，直接充当一个完整的本地智能体，全程不联网，全程不花钱。 260 亿参数，实测性能对标 6850 亿参数级别的行业顶级模型，跑在普通笔记本上就行。 部署只要三行命令： - 安装 Ollama： - curl -fsSL | sh - 拉取模型： ollama pull gemma4 两分钟，顶级本地 AI 就绑在你自己的硬件上了。 我计划的用法是这样的，欢迎交流： 日常的研究分析、代码审查、文稿起草、数据处理， 全扔给本地 Gemma 4，用 MCP 服务器接上工具调用能力，网页浏览、数据库对接、API 接入都能覆盖，只有遇到真正需要顶级推理的硬核任务时，才请 Claude Code 出场。 以前每个月在 AI 服务上花几百美元，现在 90% 的日常场景本地免费搞定，只为那 10% 的高难度任务付费。show more

普通人现在用 AI 写内容、做 PPT、处理表格已经不是什么新鲜事了。 但是很多人觉得 AI 在办公领域还有很多的问题。 比如，现实工作中很少是从 0... 开始的，更多的时候是手里已经有一份写了一半的 Word、一套排好版的 PPT，或者一张已经塞满数据和格式的 Excel。 但这时候我并不想让 AI 重新给我生成一份。 我可能只想改其中一段话、一个文本框、几列数据，其他已经做好的部分最好别动。 正好最近我用 WorkBuddy WorkBuddy 做了几件事，才发现 AI 其实完全可以换一种方式进入 Office。 不是把文件扔给 AI，然后等它重新给你交一份。 而是我还在原来的文件里正常工作，需要 AI 的时候，直接让它进来帮我把这一小块干掉。show more

做股票量化，其实真不一定非得拉一整支团队。 我把几个成熟的开源项目拼起来，一个人也能搭出一套比较完整的股票量化工作流： 数据获取 → 因子/模型研究 → 回测验证 → 模拟/实盘执行... 我目前重点看的 5 个： Qlib 48k star 微软出的 AI 量化投研平台。因子研究、机器学习、Walk-forward 都比较完整，适合把一个交易想法真正做成预测模型。 vnpy 44.8k star 中文量化里绕不开的框架。股票、期货都能做，回测和实盘基本是一套逻辑，网关和文档也很成熟。 AKShare 22.3k star A股 / 港股 / 美股的数据入口。行情、基本面、指数成分这些都能拉，很多国内量化项目的数据层就是从它开始。 QuantConnect Lean 21.4k star 偏机构级的多资产量化引擎。事件驱动、历史数据、回测和券商对接都比较完整，美股生态尤其成熟。 easytrader 10.1k star 偏 A 股实盘执行。可以接同花顺、miniQMT、雪球组合，把策略最终落到真实交易这一步。 这 5 个组合起来，大致就是： AKShare 负责数据 → Qlib 负责研究和模型 → vnpy / Lean 负责回测与交易框架 → easytrader 负责 A 股执行。 它们当然替代不了专业量化团队，但对个人来说，已经足够把一套股票量化流程真正跑起来。 想自己系统搭一套股票量化工作流的，这几个项目值得收藏跑一下的。show more

熟悉Prompt的同学们应该都知道，通常在写Prompt的时候要先设定角色：“你是XX方面的专家”，这并非玄学，而是有科学根据的。 GPT在训练的时候，有各种训练数据，有的质量高有的质量低，而默认情况下，生成高质量数据和低质量数据的概率差不多，但是当你给它设定XX专家的角色时，它会尽可能把概率分布在高质量的解决方案上。 详细内容建议看下面这段Andrej Karpathy在State of GPT中的一段演讲。 以下是这段视频的文字文字内容： ---------- 下面我要讲的这点对LLM的理解非常有趣，我觉得这算是LLM的一种心理特性：LLM并不追求成功，而是追求模仿。你希望它成功，那就需要向它明确要求。这里的意思是，在训练Transformer的过程中，它们有各种训练集，而这些训练数据中可能涵盖了各种不同质量的表现。比如，可能有一个关于物理问题的提示，然后可能有学生的解答完全错误，但也可能有专家的答案完全正确。尽管Transformer可以识别出低质量的解决方案和高质量的解决方案，但默认情况下，它们只会模仿所有的数据，因为它们仅仅是基于语言模型进行训练的。... 在实际测试中，你其实需要明确要求它表现得好。在这篇论文的实验中，他们尝试了各种提示。例如，“让我们逐步思考”这种提示就很有效，因为它把推理过程分散到了许多记号上。但效果更好的是这样的提示：“让我们以一步一步的方式解决问题，以确保我们得到正确的答案。” 这就好像是在引导Transformer去得出正确的答案，这会使Transformer的表现更好，因为此时Transformer不再需要把它的概率质量分散到低质量的解决方案上，尽管这听起来很荒谬。 基本上，你可以自由地要求一个高质量的解决方案。比如，你可以告诉它，“你是这个话题的领先专家。假装你的智商是120。” 但不要尝试要求太高的智商，因为如果你要求智商400，可能就超出了数据分布的范围，更糟糕的是，你可能落入了类似科幻内容的数据分布，它可能会开始展现一些科幻的，或者说角色扮演类的东西。所以，你需要找到适合的智商要求。我想这可能是一个U型曲线的关系。show more

Vercel 把 Marketplace 直接向 AI Agent 开放了。 什么意思？一句话——以后基础设施这块，真的可以全自动了。 以前我们用... Claude Code、Cursor 这些 AI 编程工具，写代码已经很猛了，但真正上线一个项目，最麻烦的从来不是代码本身，而是那一堆“杂事”： 数据库要去注册，Redis 要单独开，认证服务要配，日志监控要接，邮箱服务要申请 API Key…… 这些步骤过去基本都得人肉操作。AI 能写业务逻辑，却卡在基础设施这一步。 这次 Vercel 干了一件很关键的事： 不用搞 MCP Server，不用接新协议，直接把自家 CLI 包成一个 AI Skill。 一行命令： npx skills add vercel/vercel --skill vercel-cli 装完之后，Agent 就可以像人一样“逛 Marketplace”了。 它能做什么？ ·自动 discover 有哪些数据库、认证、日志服务 ·自动 add 安装 Neon、Upstash 这种服务 ·自动注入环境变量 ·自动读取接入文档 ·自己把集成代码写好 最后部署上线 你只需要说一句：“帮我做个带登录系统的待办 App，部署到 Vercel。” 剩下的流程，理论上 Agent 全跑完。 我觉得这件事的意义，不只是“方便”。也是在说：基础设施正在从“人操作”变成“Agent 可操作”。 以前：API 是给程序用的；文档是给人看的；CLI 是给人敲的 现在必须：返回结构化数据；支持无交互模式；提供机器可读文档；默认假设：调用者可能是 Agent 这其实是 SaaS 形态的一次升级。 未来能不能被 Agent 调用，可能会成为一个产品的生死线。 如果你的服务不能被自动发现、自动安装、自动配置，那在 AI 自动化流程里，它就会被绕开。 目前来说：项目搭建的“时间成本曲线”正在被压平。 过去从 0 到 1 搭一套完整基础设施，可能要 2～3 小时。 未来可能只是一句 prompt。 当部署成本无限接近 0，真正有价值的东西只剩两件： 1.你想解决什么问题 2.你是否有持续迭代能力 代码门槛在下降，基础设施门槛在消失。AI + 可编排基础设施，正在把“做产品”这件事，压缩到极致。show more

随着技术的发展，现在模型上架已经不是很难的事了，难的是怎么把流量分得让人信服。 现在模型多到用不过来。开发者找模型、比价格、接 API，已经够折腾了；接上以后还得面对另一个问题：这条推理服务到底稳不稳？ 我看 DGrid 这次的 Model Marketplace，比较有意思的是它把后面两层也接了进来。 模型提供方可以自己上架和定价，开发者从统一入口发现、比较和调用；AI... Arena 不亮模型名字，让用户直接在两个回答里盲选，把真实偏好变成发现和路由的信号；PoQ 再用独立随机测试检查准确性、一致性和格式合规，不会触碰到用户请求数据。 这样一来，一个小模型或者垂直模型想拿到调用，至少多了一条靠真实表现被发现的路子。推理节点想拿更多流量，也得把质量和效率做出来。 这套闭环最后能不能跑好，我比较看重这两件事：上架模型有没有真实调用，Arena 和 PoQ 的信号有没有真的改善路由。 DGrid 官方披露，2026 年上半年收入超过 2300 万美元。业务基础已经有了，这次补的是模型市场这一层。DGrid AIshow more