Video wird geladen...

Video konnte nicht geladen werden

Beim Laden dieses Videos ist ein Problem aufgetreten. Dies könnte an einem vorübergehenden Netzwerkproblem liegen oder das Video ist möglicherweise nicht verfügbar.

大多数人只是把 OpenAI Codex 当作代码自动补全工具在使用。 OpenAI 的工程师们亲自拆解了他们实际的使用方法，这种干货足以让你少走数周的弯路。现在就把它收藏起来。

Bill The Investor

118,579 subscribers

15,250 Aufrufe • vor 5 Monaten •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

2 Kommentare

Profilbild von 阿台🕊️

阿台🕊️vor 5 Monaten

OpenAICodex是高效编程利器，善用能大幅提升效率。

Profilbild von Coffee fans

Coffee fansvor 5 Monaten

Autocomplete is a trap. Treat prompts as specs and gate with tests, or you ship tech debt.

Ähnliche Videos

在硅谷科技圈社交的觥筹交错之中，小龙虾之父🦞 Peter Steinberger 🦞 打开自己的电脑，分享了他和 Agent 一起工作的几个流程。开篇他就提到：去年，我受限于 token。我通过加入 OpenAI 解决了这个问题。后来，我受限于 CPU。现在我感觉，真正限制我的其实是注意力。他点出了我们与 AI 协作方式中正在发生的一个重要转变。大多数人以为自己在使用 AI。但实际上，他们还在做那些未来应该由 agent 接手的协调工作。我把它整理成一个 7 层阶梯。看看你现在在哪一层。第 1 层：聊天你提问，它回答。其他事情还是你自己做。第 2 层：上下文你把背景信息贴进去，它的回答变好了。但你仍然要决定什么上下文重要，以及什么时候提供。第 3 层：记忆它开始记住你。你不用反复解释那么多。但你仍然在管理每一次会话。第 4 层：工具它可以搜索、读文件、运行代码。但你仍然要决定什么时候调用工具、为了什么调用工具，以及如何检查每一个结果。第 5 层：技能skill 你已经给了它一些工作流程和 playbook。它知道你的工作方式，而不只是你问了什么。但它仍然是被动的，还在等你启动。第 6 层：后台工作它可以在你不盯着看的情况下运行，异步执行。你审核的是输出，而不是过程。现在大多数关于 “agentic” 的炒作，其实都集中在这一层，而且大多数团队还没有真正达到。第 7 层：目标你定义结果、约束和品味。agent 负责跑完整个循环。你不再管理任务，而是管理方向。每往上一层，你做的任务管理就更少，承担的结果 ownership 就更多。这不只是工具能力的变化，而是你和工具、你和自己时间之间关系的根本变化。大多数人还停留在第 2 层或第 3 层，却把这叫作“使用 AI”。大多数团队还停留在第 4 层或第 5 层，却把这叫作“AI-powered”。真正的突破，是建立一种更好的 delegation contract，把人从执行者释放出来，变成方向的定义者。那么：你现在在哪一层呢？

在硅谷科技圈社交的觥筹交错之中，小龙虾之父🦞 Peter Steinberger 🦞 打开自己的电脑，分享了他和 Agent 一起工作的几个流程。开篇他就提到：去年，我受限于 token。我通过加入 OpenAI 解决了这个问题。后来，我受限于 CPU。现在我感觉，真正限制我的其实是注意力。他点出了我们与 AI 协作方式中正在发生的一个重要转变。大多数人以为自己在使用 AI。但实际上，他们还在做那些未来应该由 agent 接手的协调工作。我把它整理成一个 7 层阶梯。看看你现在在哪一层。第 1 层：聊天你提问，它回答。其他事情还是你自己做。第 2 层：上下文你把背景信息贴进去，它的回答变好了。但你仍然要决定什么上下文重要，以及什么时候提供。第 3 层：记忆它开始记住你。你不用反复解释那么多。但你仍然在管理每一次会话。第 4 层：工具它可以搜索、读文件、运行代码。但你仍然要决定什么时候调用工具、为了什么调用工具，以及如何检查每一个结果。第 5 层：技能skill 你已经给了它一些工作流程和 playbook。它知道你的工作方式，而不只是你问了什么。但它仍然是被动的，还在等你启动。第 6 层：后台工作它可以在你不盯着看的情况下运行，异步执行。你审核的是输出，而不是过程。现在大多数关于 “agentic” 的炒作，其实都集中在这一层，而且大多数团队还没有真正达到。第 7 层：目标你定义结果、约束和品味。agent 负责跑完整个循环。你不再管理任务，而是管理方向。每往上一层，你做的任务管理就更少，承担的结果 ownership 就更多。这不只是工具能力的变化，而是你和工具、你和自己时间之间关系的根本变化。大多数人还停留在第 2 层或第 3 层，却把这叫作“使用 AI”。大多数团队还停留在第 4 层或第 5 层，却把这叫作“AI-powered”。真正的突破，是建立一种更好的 delegation contract，把人从执行者释放出来，变成方向的定义者。那么：你现在在哪一层呢？

Michael Guo

17,812 Aufrufe • vor 3 Monaten

兄弟们！花半小时，一定要看完它! Claude Code的缔造者Boris Cherny，亲自站上台，用整整30分钟把这个工具的全部高级用法一次性讲透了。免费、干货真的夯到爆！。他从最基础的全局安装开始，一路讲到： - 如何通过CLAUDE.md在企业级、项目级、本地级层层注入上下文，让Claude真正“懂你的团队规矩” - 怎么把团队内部工具（日志、CI、数据库）无缝插进Agent工作流 - 优化终端设置、权限管理、语音输入、通知提醒等40多个隐藏细节 - 以及Claude Code SDK的完整使用姿势最狠的是，他反复强调：你给Claude的上下文越多，它就越聪明。而现实是：大多数人每天都在用Claude Code，却只发挥了它10%的实力，像用ChatGPT一样简单prompt，错过了真正让生产力起飞的工程级用法。 Boris这场30分钟的分享，含金量直接秒杀市面上任何1000美元付费课程。想把Claude Code玩成生产力基础设施的人，这条视频必须立刻收藏、反复看。你现在用Claude Code到什么程度了？是还在简单聊天，还是已经把它当成整个工程团队在跑？欢迎讨论。

兄弟们！花半小时，一定要看完它! Claude Code的缔造者Boris Cherny，亲自站上台，用整整30分钟把这个工具的全部高级用法一次性讲透了。免费、干货真的夯到爆！。他从最基础的全局安装开始，一路讲到： - 如何通过CLAUDE.md在企业级、项目级、本地级层层注入上下文，让Claude真正“懂你的团队规矩” - 怎么把团队内部工具（日志、CI、数据库）无缝插进Agent工作流 - 优化终端设置、权限管理、语音输入、通知提醒等40多个隐藏细节 - 以及Claude Code SDK的完整使用姿势最狠的是，他反复强调：你给Claude的上下文越多，它就越聪明。而现实是：大多数人每天都在用Claude Code，却只发挥了它10%的实力，像用ChatGPT一样简单prompt，错过了真正让生产力起飞的工程级用法。 Boris这场30分钟的分享，含金量直接秒杀市面上任何1000美元付费课程。想把Claude Code玩成生产力基础设施的人，这条视频必须立刻收藏、反复看。你现在用Claude Code到什么程度了？是还在简单聊天，还是已经把它当成整个工程团队在跑？欢迎讨论。

Berryxia.AI

89,796 Aufrufe • vor 5 Monaten

OpenAI刚刚开源的这个东西，感觉要把程序员的工作方式给整个改写了。现在大家都在卷模型写代码有多强，但其实真正的瓶颈早就不是生成了。一个人每天最多同时有效监督3-5个编码Agent，再多就会注意力崩溃，生产力直接归零。有了Symphony，直接把这个上限干到了几十个。它把你的Linear、GitHub Issues直接变成了永远在线的Agent调度器。你开一个任务，它自动启动一个独立隔离的Codex Agent。自己写代码，自己跑测试，自己做交叉Review，damn！全部搞定之后，会给你提交一个完整的证据包。 CI全绿，安全和性能专项审查通过，改了UI就自动录好操作视频。所有验证全过了，才会出现在你的Human Review队列里。以后人类的角色可能会被彻底颠覆了。以前你是监工，盯着Agent一步一步写代码，上下文切到吐。现在你是老板，只需要看最终的结果。满意就点合并，不满意就去仓库里补规则补文档补Guardrails。记住兄弟们，永远不要手把手指挥Agent，永远不要替它干活。这可不是啥实验室概念，OpenAI自己已经这么干了。三个工程师，五个月，写了一百万行代码，0行人工写的。产品已经有几百个内部用户，每天都在迭代。我觉得他们最厉害的不是模型，是他们把整个仓库变成了Agent能看懂能自主工作的乐园。现在很多人都搞错了Agent时代的核心竞争力。未来不是谁的模型更聪明，而是看谁能设计出让Agent可靠自主工作的环境。我觉得未来最好的工程师，再也不是写代码最快的人，而是那些最会写规则，最会设计反馈回路，最会给Agent搭舞台的人。现在Symphony已经开源了，它甚至不是一个成品。是一个17k token的完整SPEC。你把这个SPEC喂给任何一个编码Agent，十分钟就能生成你自己定制版的Symphony。 GitHub地址评论区自取👇

OpenAI刚刚开源的这个东西，感觉要把程序员的工作方式给整个改写了。现在大家都在卷模型写代码有多强，但其实真正的瓶颈早就不是生成了。一个人每天最多同时有效监督3-5个编码Agent，再多就会注意力崩溃，生产力直接归零。有了Symphony，直接把这个上限干到了几十个。它把你的Linear、GitHub Issues直接变成了永远在线的Agent调度器。你开一个任务，它自动启动一个独立隔离的Codex Agent。自己写代码，自己跑测试，自己做交叉Review，damn！全部搞定之后，会给你提交一个完整的证据包。 CI全绿，安全和性能专项审查通过，改了UI就自动录好操作视频。所有验证全过了，才会出现在你的Human Review队列里。以后人类的角色可能会被彻底颠覆了。以前你是监工，盯着Agent一步一步写代码，上下文切到吐。现在你是老板，只需要看最终的结果。满意就点合并，不满意就去仓库里补规则补文档补Guardrails。记住兄弟们，永远不要手把手指挥Agent，永远不要替它干活。这可不是啥实验室概念，OpenAI自己已经这么干了。三个工程师，五个月，写了一百万行代码，0行人工写的。产品已经有几百个内部用户，每天都在迭代。我觉得他们最厉害的不是模型，是他们把整个仓库变成了Agent能看懂能自主工作的乐园。现在很多人都搞错了Agent时代的核心竞争力。未来不是谁的模型更聪明，而是看谁能设计出让Agent可靠自主工作的环境。我觉得未来最好的工程师，再也不是写代码最快的人，而是那些最会写规则，最会设计反馈回路，最会给Agent搭舞台的人。现在Symphony已经开源了，它甚至不是一个成品。是一个17k token的完整SPEC。你把这个SPEC喂给任何一个编码Agent，十分钟就能生成你自己定制版的Symphony。 GitHub地址评论区自取👇

AYi

63,210 Aufrufe • vor 5 Monaten

黄仁勋：我每天都在用 AI，但 90% 的人用错 AI 他们把AI当拐杖... “我不是让它替我思考，而是让它教我不知道的东西，或帮我解决原本无法合理解决的问题。” “不要把AI当成拐杖，而要把它当成放大你思考的工具。” 大多数人都“用错了AI”，因为他们：把AI当作偷懒的工具；让AI替他们做该自己思考的事；不去深挖问题，只是“让AI给答案”。 👉 换句话说，他们在降低自己的思考能力。正确的AI使用方式用AI拓展认知边界 → 让AI告诉他「他不知道的东西」；用AI解决复杂问题 → 尤其是「自己无法合理解决的事」；保持主动思考 → 永远由人主导问题，而不是由AI主导答案。黄仁勋说： “问出好问题是一种高度认知的技能。” 作为CEO，他每天90%的时间都在问问题；他下达的指令，其实都混杂在问题之中；所以，提问本身就是思考和领导的方式。 💬 “你今天大部分时间都在问我问题。提出好问题，本身就是一种高级认知。”

黄仁勋：我每天都在用 AI，但 90% 的人用错 AI 他们把AI当拐杖... “我不是让它替我思考，而是让它教我不知道的东西，或帮我解决原本无法合理解决的问题。” “不要把AI当成拐杖，而要把它当成放大你思考的工具。” 大多数人都“用错了AI”，因为他们：把AI当作偷懒的工具；让AI替他们做该自己思考的事；不去深挖问题，只是“让AI给答案”。 👉 换句话说，他们在降低自己的思考能力。正确的AI使用方式用AI拓展认知边界 → 让AI告诉他「他不知道的东西」；用AI解决复杂问题 → 尤其是「自己无法合理解决的事」；保持主动思考 → 永远由人主导问题，而不是由AI主导答案。黄仁勋说： “问出好问题是一种高度认知的技能。” 作为CEO，他每天90%的时间都在问问题；他下达的指令，其实都混杂在问题之中；所以，提问本身就是思考和领导的方式。 💬 “你今天大部分时间都在问我问题。提出好问题，本身就是一种高级认知。”

小互

206,448 Aufrufe • vor 11 Monaten

DoorDash CTO Andy Fang 这句太狠了： “用AI的目标不是写代码更快，而是再也不用亲手写代码了。” 他们公司现在全员跑agent。有个代码迁移项目，原本要4个工程师干满一个季度。现在一个人，三周搞定。结果就是：专家团队变成了“一个专家+一堆规则和agent”。这哥们跟Claude Code创始人聊了25分钟，全是干货。看完我算是明白了，大多数人用AI的方式还是最原始那种：手动输入、等待、修改、再问。效率低到离谱。真正的玩法早就不一样了。

DoorDash CTO Andy Fang 这句太狠了： “用AI的目标不是写代码更快，而是再也不用亲手写代码了。” 他们公司现在全员跑agent。有个代码迁移项目，原本要4个工程师干满一个季度。现在一个人，三周搞定。结果就是：专家团队变成了“一个专家+一堆规则和agent”。这哥们跟Claude Code创始人聊了25分钟，全是干货。看完我算是明白了，大多数人用AI的方式还是最原始那种：手动输入、等待、修改、再问。效率低到离谱。真正的玩法早就不一样了。

淘沙者(TheSandPicker)

92,340 Aufrufe • vor 3 Monaten

很多人都把 Eagle 当成一个素材管理工具，存存图片、设计灵感。但我发现，在 AI 时代，Eagle 其实还能解锁一种全新的玩法。经过多轮调试，我终于跑通了这套工作流，把它打造成一个属于自己的 AI 资产库。现在我会把字体、图标、设计规范、Design.md、PRD 文档，甚至提示词库全部沉淀到 Eagle 里，让 AI 可以随时检索和调用。以前我们收藏这些东西，只是为了以后方便找，现在它们终于可以被 AI 真正用起来，它不再是一个素材管理工具，而是变成了一个会不断积累、不断成长的 AI 资产库。

很多人都把 Eagle 当成一个素材管理工具，存存图片、设计灵感。但我发现，在 AI 时代，Eagle 其实还能解锁一种全新的玩法。经过多轮调试，我终于跑通了这套工作流，把它打造成一个属于自己的 AI 资产库。现在我会把字体、图标、设计规范、Design.md、PRD 文档，甚至提示词库全部沉淀到 Eagle 里，让 AI 可以随时检索和调用。以前我们收藏这些东西，只是为了以后方便找，现在它们终于可以被 AI 真正用起来，它不再是一个素材管理工具，而是变成了一个会不断积累、不断成长的 AI 资产库。

Paidax

17,501 Aufrufe • vor 2 Monaten

如今，训练机器人不再只是工程师的工作。人们现在只需在家录制自己完成简单家务的视频，就能获得报酬。这或许是目前最容易上手的人工智能副业之一，你愿意用这种方式赚取零用吗？ #dwdigital

如今，训练机器人不再只是工程师的工作。人们现在只需在家录制自己完成简单家务的视频，就能获得报酬。这或许是目前最容易上手的人工智能副业之一，你愿意用这种方式赚取零用吗？ #dwdigital

DW 中文- 德国之声

11,574 Aufrufe • vor 3 Monaten

过去学编程，是最好的选择。现在不是了。这是Sam Altman，OpenAI的CEO，给出的AI时代生存指南。他说现在你需要什么？高能动性。软技能。超强的想法生成能力。快速适应世界。听起来很熟悉？这些词汇，在达沃斯精英的嘴里已经重复了无数遍。一个创造了最强代码工具的人，却告诉普通人不要再学习编程这种硬核技能了。这是为什么？是不是在重新定义未来的分工？一部分人负责天马行空地“产生想法”，享受创造的乐趣和利润。其他人负责使用他们创造的工具，去“适应”这个快速变化的世界？他们还说，这些“软技能”可以在三个月的训练营里速成。一个人的韧性、能动性和洞察力，真的可以被如此轻易地“制造”出来吗？还是说，这只是为了让大家放弃掌握真正能改变和创造工具的能力？当少数人掌握了定义规则的工具，其他人只剩下“适应”的份。

过去学编程，是最好的选择。现在不是了。这是Sam Altman，OpenAI的CEO，给出的AI时代生存指南。他说现在你需要什么？高能动性。软技能。超强的想法生成能力。快速适应世界。听起来很熟悉？这些词汇，在达沃斯精英的嘴里已经重复了无数遍。一个创造了最强代码工具的人，却告诉普通人不要再学习编程这种硬核技能了。这是为什么？是不是在重新定义未来的分工？一部分人负责天马行空地“产生想法”，享受创造的乐趣和利润。其他人负责使用他们创造的工具，去“适应”这个快速变化的世界？他们还说，这些“软技能”可以在三个月的训练营里速成。一个人的韧性、能动性和洞察力，真的可以被如此轻易地“制造”出来吗？还是说，这只是为了让大家放弃掌握真正能改变和创造工具的能力？当少数人掌握了定义规则的工具，其他人只剩下“适应”的份。

墓碑科技

50,711 Aufrufe • vor 8 Monaten

“‘灵活’这两个字，本身就是一种修辞。它把结构性的问题，包装成了个人选择的叙事。仿佛这3.2亿人里面，大多数人是主动选择了自由，是追求弹性工作，是不想被朝九晚五束缚。确实有这样的人，但他们一定是少数。 ” 在中国数字时代网站收听/阅读完整节目：在中国数字时代YouTube频道观看视频：

“‘灵活’这两个字，本身就是一种修辞。它把结构性的问题，包装成了个人选择的叙事。仿佛这3.2亿人里面，大多数人是主动选择了自由，是追求弹性工作，是不想被朝九晚五束缚。确实有这样的人，但他们一定是少数。 ” 在中国数字时代网站收听/阅读完整节目：在中国数字时代YouTube频道观看视频：

中国数字时代

13,095 Aufrufe • vor 2 Monaten

很多人不理解为什么我们懒猫微服在工程师的群体卖得这么火爆老板们，你们也许不懂技术，不会写代码但是你看看我们家的工程师是怎么完成工作的？10倍编程效率啊，买回去就赚了老板们再不跟员工买这种AI编程神器，你就落后时代了🤡

很多人不理解为什么我们懒猫微服在工程师的群体卖得这么火爆老板们，你们也许不懂技术，不会写代码但是你看看我们家的工程师是怎么完成工作的？10倍编程效率啊，买回去就赚了老板们再不跟员工买这种AI编程神器，你就落后时代了🤡

Andy Stewart

187,416 Aufrufe • vor 4 Monaten

这个工具实际上是用于学习任何东西的 ChatGPT。现在可以在几秒钟内产生新想法并学习任何东西。免费使用它的方法如下： 🧵

这个工具实际上是用于学习任何东西的 ChatGPT。现在可以在几秒钟内产生新想法并学习任何东西。免费使用它的方法如下： 🧵

AI Will

184,565 Aufrufe • vor 3 Jahren

Cognition发布首位AI软件工程师Devin，这个演示相当惊艳。 Devin 是一个自主Agents，它通过使用自己的 shell、代码编辑器和网络浏览器来解决工程任务。 Devin成功通过了知名人工智能公司的实际工程面试，甚至还在 Upwork 上完成了实际工作。 Devin 在无辅助情况下正确解决了 13.86% 的问题，远远超过了之前最先进模型 1.96% 的无辅助和 4.80% 的辅助性能。它可以学习如何使用不熟悉的技术，可以为成熟的生产资源库做出贡献，可以训练和微调自己的人工智能模型，甚至试着在 Upwork 上给 Devin 提供真实的工作，它也能完成。

Cognition发布首位AI软件工程师Devin，这个演示相当惊艳。 Devin 是一个自主Agents，它通过使用自己的 shell、代码编辑器和网络浏览器来解决工程任务。 Devin成功通过了知名人工智能公司的实际工程面试，甚至还在 Upwork 上完成了实际工作。 Devin 在无辅助情况下正确解决了 13.86% 的问题，远远超过了之前最先进模型 1.96% 的无辅助和 4.80% 的辅助性能。它可以学习如何使用不熟悉的技术，可以为成熟的生产资源库做出贡献，可以训练和微调自己的人工智能模型，甚至试着在 Upwork 上给 Devin 提供真实的工作，它也能完成。

歸藏(guizang.ai)

64,873 Aufrufe • vor 2 Jahren

构建 Claude Code 的人教你如何精确使用 30 分钟免费胜过无数收费的垃圾由Boris Cherny本人直接讲解大多数每天使用 Claude 的人都错过了 40 多个隐藏在眼前的功能这个单一会话的价值超过任何 500 美元的课程初步接触上手vibe coding的小白必看如果说上个视频是方法论这个视频就是实实在在的最高效的工具用好就能节省你十倍时间

构建 Claude Code 的人教你如何精确使用 30 分钟免费胜过无数收费的垃圾由Boris Cherny本人直接讲解大多数每天使用 Claude 的人都错过了 40 多个隐藏在眼前的功能这个单一会话的价值超过任何 500 美元的课程初步接触上手vibe coding的小白必看如果说上个视频是方法论这个视频就是实实在在的最高效的工具用好就能节省你十倍时间

渡边君

15,517 Aufrufe • vor 5 Monaten

Anthropic 设计负责人 Jenny Wen 演示使用 Claude 完成设计工作：将用户反馈转换为想法和产品的过程，罕见的 Anthropic 内部真实工作流。 Jenny Wen：“AI 发展太快，我一度觉得自己要被取代了。但当我看到工程师同事们勇敢地扛过了这么多变化，我就深受鼓舞。我把他们当作自己前进的榜样。”

Anthropic 设计负责人 Jenny Wen 演示使用 Claude 完成设计工作：将用户反馈转换为想法和产品的过程，罕见的 Anthropic 内部真实工作流。 Jenny Wen：“AI 发展太快，我一度觉得自己要被取代了。但当我看到工程师同事们勇敢地扛过了这么多变化，我就深受鼓舞。我把他们当作自己前进的榜样。”

TechFlow 深潮｜APP 已上线

134,144 Aufrufe • vor 6 Monaten

你看视频，开头是不是用 AI 做的特效，再看看人家粉丝数和收益，你就知道大多数人用 AI 整天不知道在干吗。有的人把 AI 当赚钱工具有的人把 AI 当新型娱乐工具，还套了一个「我研究 AI 为了不被时代淘汰」的幌子。 1 个一分钟不到的视频，70 万金额（实际会更多，因为这是已结算的数据），我们算 5% 的佣金，35000 元而很多人还在用 AI 去薅什么流量分成计划，什么流量主，这难道不是一个认知和能力的问题吗？

你看视频，开头是不是用 AI 做的特效，再看看人家粉丝数和收益，你就知道大多数人用 AI 整天不知道在干吗。有的人把 AI 当赚钱工具有的人把 AI 当新型娱乐工具，还套了一个「我研究 AI 为了不被时代淘汰」的幌子。 1 个一分钟不到的视频，70 万金额（实际会更多，因为这是已结算的数据），我们算 5% 的佣金，35000 元而很多人还在用 AI 去薅什么流量分成计划，什么流量主，这难道不是一个认知和能力的问题吗？

U哥

11,099 Aufrufe • vor 2 Monaten

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：

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：

宝玉

305,125 Aufrufe • vor 2 Jahren

Claude高级玩法：MCP多工具组合，自动化工作流搭建指南 | GitHub、SQLite、Fetch、Filesystem等在本期视频中，我介绍了多个MCP工具的实际使用案例。我们一起来看如何将GitHub、SQLite、Fetch等工具高效集成到项目中，探索它们的强大功能和实际应用场景。时间戳： 0:00 - MCP 快速入门 & 工具配置 3:59 - Fetch实战：网页内容抓取 & 多风格内容生成 5:20 - SQLite和Claude集成：100M+大数据分析 7:34 - GitHub集成：自动搜索 & 代码仓库管理 9:10 - CSV数据分析脚本创建 11:15 - 多工具协同：Puppeteer+GitHub自动化工作流

Claude高级玩法：MCP多工具组合，自动化工作流搭建指南 | GitHub、SQLite、Fetch、Filesystem等在本期视频中，我介绍了多个MCP工具的实际使用案例。我们一起来看如何将GitHub、SQLite、Fetch等工具高效集成到项目中，探索它们的强大功能和实际应用场景。时间戳： 0:00 - MCP 快速入门 & 工具配置 3:59 - Fetch实战：网页内容抓取 & 多风格内容生成 5:20 - SQLite和Claude集成：100M+大数据分析 7:34 - GitHub集成：自动搜索 & 代码仓库管理 9:10 - CSV数据分析脚本创建 11:15 - 多工具协同：Puppeteer+GitHub自动化工作流

nicekate

23,921 Aufrufe • vor 1 Jahr

在 xAI 的 Grok Bot Galaxy 现场，Lauren Tan 做了一次很真实的 dogfooding。她打开 Cursor，直接用自己开发的 P-Stack 和 /poteto-mode，把一个还很模糊的游戏想法，在 20 分钟内做成了可以实际试玩的 Prototype。这段直播很适合用来理解她平时到底是怎么用 /poteto-mode 来开发软件的。 P-Stack 是 Lauren 把自己日常使用的工程方法打包成的一组coding agent skills。/poteto-mode 则是入口：它会先判断当前任务属于哪一种 playbook，再调用对应的 skills 和工程原理。

在 xAI 的 Grok Bot Galaxy 现场，Lauren Tan 做了一次很真实的 dogfooding。她打开 Cursor，直接用自己开发的 P-Stack 和 /poteto-mode，把一个还很模糊的游戏想法，在 20 分钟内做成了可以实际试玩的 Prototype。这段直播很适合用来理解她平时到底是怎么用 /poteto-mode 来开发软件的。 P-Stack 是 Lauren 把自己日常使用的工程方法打包成的一组coding agent skills。/poteto-mode 则是入口：它会先判断当前任务属于哪一种 playbook，再调用对应的 skills 和工程原理。

Michael Guo

32,263 Aufrufe • vor 25 Tagen

为什么你用 AI Agent 越用越累？因为你把自己活成了系统最大的瓶颈。 SpaceX 工程师 Lauren Tan 这场 1 小时的分享，直接戳破了大多数人的 Agent 幻想： “连单个 Agent 的输出你都无法信任，就别妄想调动上百个 Agent 协同作战。” 如果你没有把“验证机制（Verification）”沉淀成工具与技能，那你就是那个肉眼找 Bug 的人工瓶颈。从“每行代码都要人肉盯盘”，到“单月自动化合并 1,000 个 PR”，她的核心演进路径只有一条：人肉盯防 ➔ 规则验证 ➔ 技能封装（Skills）➔ 评测体系（Evals）➔ 自动合并（Auto-merge）对 Agent 的信任从来不是一种主观感觉，而是你必须亲手搭建的代码基础设施。干货密度吊打绝大多数天价编程课，强烈建议 Bookmark 收藏细看。👇

为什么你用 AI Agent 越用越累？因为你把自己活成了系统最大的瓶颈。 SpaceX 工程师 Lauren Tan 这场 1 小时的分享，直接戳破了大多数人的 Agent 幻想： “连单个 Agent 的输出你都无法信任，就别妄想调动上百个 Agent 协同作战。” 如果你没有把“验证机制（Verification）”沉淀成工具与技能，那你就是那个肉眼找 Bug 的人工瓶颈。从“每行代码都要人肉盯盘”，到“单月自动化合并 1,000 个 PR”，她的核心演进路径只有一条：人肉盯防 ➔ 规则验证 ➔ 技能封装（Skills）➔ 评测体系（Evals）➔ 自动合并（Auto-merge）对 Agent 的信任从来不是一种主观感觉，而是你必须亲手搭建的代码基础设施。干货密度吊打绝大多数天价编程课，强烈建议 Bookmark 收藏细看。👇

gKev1n

41,186 Aufrufe • vor 1 Tag

5月4日，山东一名男子说，以前上小学的时候，一到劳动节学校就会组织种树、扫地等活动，用劳动来致敬劳动节。长大以后才发现不对劲，五一劳动节直译是国际劳工节，它源自于1886年美国工人的大罢工运动。他们走上街头是为了争取8小时工作制，所以这个节日的本质是为了让人少干一点。结果现在呢，一个本来是为了减少劳动的节日，名字却被翻译成劳动节，变成了用劳动来致敬这个节日，这要是当年的工人看到估计都得愣一下。

5月4日，山东一名男子说，以前上小学的时候，一到劳动节学校就会组织种树、扫地等活动，用劳动来致敬劳动节。长大以后才发现不对劲，五一劳动节直译是国际劳工节，它源自于1886年美国工人的大罢工运动。他们走上街头是为了争取8小时工作制，所以这个节日的本质是为了让人少干一点。结果现在呢，一个本来是为了减少劳动的节日，名字却被翻译成劳动节，变成了用劳动来致敬这个节日，这要是当年的工人看到估计都得愣一下。

李老师不是你老师

95,337 Aufrufe • vor 5 Monaten