Sensitive content

This media may contain sensitive content.

正在加载视频...

视频加载失败

pua搭讪迎面过来的美女学生,收号加微信,网聊,约会TD搞定,全流程实战案例分解…… 通过大量各种pua撩妹精品实战案例和解析,让你不知不觉间学到大量撩妹的最核心底层逻辑,让你快速提升处理两性关系的能力!

16,331 次观看 • 1 年前 •via X (Twitter)

2 条评论

pua课程_pua邪课_pua实战交流群_pua教程_pua教学 的头像
pua课程_pua邪课_pua实战交流群_pua教程_pua教学1 年前

在搭讪女人中,给女人阿尔法的态度,形象和感觉,让你在吸引到对方的过程中事半功倍。

RedDeer.Games 的头像
RedDeer.Games2 年前

Get back to school combining learning with... Fun! 🎓 Cat's Cosmic Atlas takes part in #BackToSchool2024 #gamescelebration on #Steam! 😺 ✨ Check it out here! => ✨ #cats #SteamGames

相关视频

【Vibe Coding 实战心法】为什么你的 AI 搞不定 Polymarket 套利?揭秘跨模型“组合拳”开发流! 告别死磕,掌握这套 AI 协作流,让 0 基础编程效率翻倍 最近很多同学私信我,问得最多的一个问题就是:“我也想搞 Polymarket 的自动套利,思路都有了,但让 AI 写代码时总是报错,改来改去还是跑不通,是不是我不适合干这个?” 说实话,不是你不适合,而是你“打开方式”不对。 今天我就把压箱底的经验拿出来,简单给大家避个坑。这不仅适用于 Polymarket,也适用于任何你觉得“AI 搞不定”的复杂项目。 一、 认清现实:AI 模型也是“偏科生” 首先,大家要有一个认知:目前的 AI 模型水平参差不齐,且各有所长。 有的擅长逻辑推理(像数学教授); 有的擅长快速生成模板(像熟练工); 有的擅长创意交互(像设计师)。 当你盯着一个 AI(比如只用 ChatGPT 或只用 Cursor 默认模型)死磕一个报错,就像是逼着体育老师教高数。如果一个问题你让 AI 尝试了 3 次以上还无法解决,立刻停手!不要死磕! 解决方案是:换人(换模型),或者换脑子(找外援)。 二、 核心策略:跨平台“组合拳” (The Cross-Platform Flow) 既然单一模型搞不定,我们就要学会像“包工头”一样指挥不同的 AI 协同工作。 我目前的Vibe Coding 黄金工作流是这样的,每一个环节都有明确的目的: 🟢 Google AI Studio 产品雏形 (Frontend/Visuals) 用法: 我通常先用 AI Studio 来开发前端界面。它的上下文窗口大,且视觉理解能力强,能迅速把我要的 UI/UX 甚至简单的交互逻辑给“画”出来。 🔵 Cursor (Auto Mode) 基础逻辑 (Logic/Functionality) 用法: 拿着前端的架子,转战 Cursor。利用 Cursor 的 Auto 模型开发后端的基本逻辑和功能模块。这是“盖楼”的阶段,让代码先跑起来。 🟣 Claude Code 深度优化 (Optimization/Fixing) 用法: 遇到顽固 Bug 或者逻辑不够优雅时,我会把代码喂给 Claude Code。它的逻辑推理能力目前是顶尖的,非常适合做“外科手术”式的修复和性能优化。 🟠 OpenAI Codex 最终审核 (Auditing) 用法: 最后,我会用 Codex 类的能力进行代码审查(Code Review),查漏补缺,确保安全性。 总结: AI Studio 画皮,Cursor 铸骨,Claude 注入灵魂,Codex 最后的体检。一定要交叉使用,跨平台学习,这是解决复杂问题的关键。 三、 遇到死局怎么办?让 AI 去“抄作业” 在做 Polymarket 这种特定项目时,你经常会遇到像 redeem(赎回)或 clob(中央限价订单簿)对接这种深水区。 很多时候 AI 搞不定,是因为它没见过最新的文档或特殊的 SDK 写法。这时候你哪怕把 Prompt 写出花来也没用。 我的“必杀技”: 如果 AI 持续报错,我给它的指令不再是“修复这个 Bug”,而是: “去 GitHub 上搜索关于 Polymarket redeem function 的最新 Python 实现方案,阅读并分析别人的代码,学习它是如何处理签名的,然后回来修改我的代码。” 让 AI 学会自我迭代: Search(搜索): 找现成的轮子。 Learn(学习): 理解别人的逻辑。 Iterate(迭代): 应用到你的项目中。 你不让它学习,它就是迟迟搞不定;一旦它学会了参考,效率是指数级提升的。 四、 结语:Vibe Coding 的终局 我看待 AI 编程的视角很简单:我不生产代码,我只是需求的搬运工。 现在的困难只是暂时的。我相信在不久的将来,我们现在的这一套“组合拳”流程也会被自动化取代。 未来的终局是: 你只需要提出一个需求(“帮我盯着 Polymarket 上的美国大选赔率做套利”),AI 会自动去寻找文档、自动写代码、自动测试、自动部署。 但在那一天到来之前,掌握这套“跨模型协作 + 引导式学习”的方法,就是你在 AI 时代最大的竞争壁垒。 PS : 还要学会PUA,不停的让AI换角色PUA,比如PM、CTO 、CEO 、顶级量化交易员等等。 最后如果还不解决问题,告诉你一个终极大招,骂,使劲骂!

比特币橙子Trader

13,485 次观看 • 7 个月前

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。

宝玉

348,735 次观看 • 3 年前