Загрузка видео...

Не удалось загрузить видео

Возникла проблема при загрузке этого видео. Это может быть связано с временными проблемами сети или видео может быть недоступно.

На главную

最近刷帖子，意外发现 Google 的 Code Wiki，感觉还挺好用的，属于那种“你用一次就会想把它塞进日常工作流”的东西。以前读代码慢，是因为项目复杂、历史包袱重；现在更离谱的是——Vibe Coding 一开，AI 堆代码的速度直接把人的理解能力碾过去。代码一天一个版本，文档呢？大概率还停在半年前。你让 AI 按文档跑，十次有九次报错，这不是你水平问题，是“文档天然会腐烂”的结构性问题。 Code Wiki 捅破的点很直接：既然没人愿意维护文档，那就别指望“人肉维护”，让 AI 来维护。它更像是长在仓库里的“活体 Wiki”：代码一有新的 commit，它就用 Gemini 去扫变更，把相关说明、模块介绍、关键逻辑的文档一起更新。对我来说这意义很大，因为它解决的不是“写得更漂亮”，而是“永远别过期”。文档不再是一个需要你记得去更新的负担，而是代码的自然副产物。它的可视化能力还不错，Code Wiki 能直接从代码关系里渲染出类图、时序图、依赖图、架构流转图这种“人类更容易理解”的表达方式。尤其是接手老项目、准备重构、或者经常研究开源项目——这类图的价值很高：大家不是在“逐行读”，而是在“先建立地图，再决定往哪里深挖”。它的交互是“可追溯”的。你在侧边栏问它问题，它会基于当前仓库给解释，而且能给出精确的代码引用，点一下就跳到文件和行号。这一下把 AI 最让人难受的“幻觉焦虑”降了不少：你不需要完全相信它的结论，你只需要顺着引用去核查——它更像一个“带证据链的讲解员”。一句话：在 Claude Code、Codex 这些工具把“生成”变得近乎无限便宜之后，我们真正稀缺的东西变了——不是产出，而是理解与判断。

sitin

29,860 subscribers

43,028 просмотров • 8 месяцев назад •via X (Twitter)

Игры Образование Наука и технологии

Anya Rossi• Live Now

Private livecam show

Комментарии: 0

Нет доступных комментариев

Здесь появятся комментарии из оригинального поста

Похожие видео

读别人代码最难的地方，其实不是某一行看不懂。而是你根本不知道自己站在哪。一个陌生仓库打开，文件、调用、服务、依赖全糊在一起，AI 解释也经常只是按文件念一遍。 Understand-Anything 这个思路挺狠：直接把代码库变成一张能点、能搜、能追调用的知识图谱。以后新人接手项目，是先读 README，还是先看地图？

读别人代码最难的地方，其实不是某一行看不懂。而是你根本不知道自己站在哪。一个陌生仓库打开，文件、调用、服务、依赖全糊在一起，AI 解释也经常只是按文件念一遍。 Understand-Anything 这个思路挺狠：直接把代码库变成一张能点、能搜、能追调用的知识图谱。以后新人接手项目，是先读 README，还是先看地图？

Vincent

14,245 просмотров • 4 месяцев назад

Karpathy 说过一句话：我们现在还处在 AI 的 1960s 这场 40 分钟的 Y Combinator lecture，基本把这个判断讲透了很多人已经在用 Claude Opus 4.8 但使用方式还停留在：把它当 search engine 当 chatbot 当更聪明的问答框而 Karpathy 讲的 Software 3.0，不是这个它指的是： LLMs as operating systems, not chatbots 也就是模型不只是回答问题，而是开始承接 workflow 读取上下文调用工具拆解任务持续执行在没人盯着的时候，把一整套流程往前推进。这也是 autonomous agents 真正有意思的地方。不是“让 AI 写一段代码” 而是让 agent 跑完整个 workflow 你不需要一直看着它它自己推进你回来 review 结果这篇文章里的 32 个 skills，本质上就是帮你跨过这条线从“使用 AI”变成“构建 AI workflow” 未来真正的差距，是谁会用 Claude 提问，还是谁能把 Claude 变成自己的 operating system？

Karpathy 说过一句话：我们现在还处在 AI 的 1960s 这场 40 分钟的 Y Combinator lecture，基本把这个判断讲透了很多人已经在用 Claude Opus 4.8 但使用方式还停留在：把它当 search engine 当 chatbot 当更聪明的问答框而 Karpathy 讲的 Software 3.0，不是这个它指的是： LLMs as operating systems, not chatbots 也就是模型不只是回答问题，而是开始承接 workflow 读取上下文调用工具拆解任务持续执行在没人盯着的时候，把一整套流程往前推进。这也是 autonomous agents 真正有意思的地方。不是“让 AI 写一段代码” 而是让 agent 跑完整个 workflow 你不需要一直看着它它自己推进你回来 review 结果这篇文章里的 32 个 skills，本质上就是帮你跨过这条线从“使用 AI”变成“构建 AI workflow” 未来真正的差距，是谁会用 Claude 提问，还是谁能把 Claude 变成自己的 operating system？

0x_Miko

47,477 просмотров • 5 месяцев назад

最近看到一个很值得研究的开源项目：learn-claude-code。它不是在教你怎么堆 prompt、连工作流、搭节点图，而是在教你一件更底层的事：怎么从 0 到 1 搭一个类 Claude Code 的 agent harness。这个项目最有意思的观点是：真正的 Agent 是模型本身，外面的代码只是 harness。所以它讨论的重点，不是“怎么把流程编排得更复杂”，而是怎么给模型准备一个真正能工作的环境。 README 里把 harness 拆成了： Tools Knowledge Observation Action Interfaces Permissions 也就是工具、知识、观察、动作接口和权限边界。说白了，模型负责思考， harness 负责让它看见世界、调用工具、执行动作。我觉得这个视角很重要。因为很多人现在做 Agent，还停留在“拼工作流”和“堆胶水代码”的阶段。但真正决定 Agent 能不能跑起来的，往往是你给它什么环境，而不是你给它多少层 prompt。这个项目现在 GitHub 已经有 36k Stars、5.8k Forks。如果你在关注 AI Agent、Claude Code，或者 agent engineering，这个项目很值得看看。👇

最近看到一个很值得研究的开源项目：learn-claude-code。它不是在教你怎么堆 prompt、连工作流、搭节点图，而是在教你一件更底层的事：怎么从 0 到 1 搭一个类 Claude Code 的 agent harness。这个项目最有意思的观点是：真正的 Agent 是模型本身，外面的代码只是 harness。所以它讨论的重点，不是“怎么把流程编排得更复杂”，而是怎么给模型准备一个真正能工作的环境。 README 里把 harness 拆成了： Tools Knowledge Observation Action Interfaces Permissions 也就是工具、知识、观察、动作接口和权限边界。说白了，模型负责思考， harness 负责让它看见世界、调用工具、执行动作。我觉得这个视角很重要。因为很多人现在做 Agent，还停留在“拼工作流”和“堆胶水代码”的阶段。但真正决定 Agent 能不能跑起来的，往往是你给它什么环境，而不是你给它多少层 prompt。这个项目现在 GitHub 已经有 36k Stars、5.8k Forks。如果你在关注 AI Agent、Claude Code，或者 agent engineering，这个项目很值得看看。👇

axiaisacat

44,334 просмотров • 7 месяцев назад

Codex 最浪费 token 的阶段之一，可能是刚进一个陌生仓库的时候。你让它改一个功能，它往往先开始：读目录。找入口。搜 routes。看 schema。翻依赖。再打开一堆文件确认项目结构。真正开始写代码之前，已经烧掉不少 context。 CodeSight 做的事情，就是提前给 Codex 准备一张代码库地图。它会扫描整个 repo，把项目结构、关键文件、routes、schema、依赖关系等信息整理成更紧凑的上下文，再通过 MCP 提供给 Codex。这样 Codex 不需要每次都从零开始探索仓库。简单理解：以前： “你自己把这个 repo 看一遍，再告诉我怎么改。” 现在： “这是整个 repo 的地图，直接去该去的地方。” 对于大项目尤其有用。省下来的不只是 token，还有 Agent 在各种目录里来回探索的时间。如果你经常让 Codex 接手陌生项目，这个值得试试。

Codex 最浪费 token 的阶段之一，可能是刚进一个陌生仓库的时候。你让它改一个功能，它往往先开始：读目录。找入口。搜 routes。看 schema。翻依赖。再打开一堆文件确认项目结构。真正开始写代码之前，已经烧掉不少 context。 CodeSight 做的事情，就是提前给 Codex 准备一张代码库地图。它会扫描整个 repo，把项目结构、关键文件、routes、schema、依赖关系等信息整理成更紧凑的上下文，再通过 MCP 提供给 Codex。这样 Codex 不需要每次都从零开始探索仓库。简单理解：以前： “你自己把这个 repo 看一遍，再告诉我怎么改。” 现在： “这是整个 repo 的地图，直接去该去的地方。” 对于大项目尤其有用。省下来的不只是 token，还有 Agent 在各种目录里来回探索的时间。如果你经常让 Codex 接手陌生项目，这个值得试试。

Smartpig

15,917 просмотров • 3 месяцев назад

Cursor 首席执行官 Michael Truell： “我们对 Cursor 的目标是发明一种新型编程” 人只管用最简洁的方式向计算机描述意图(软件该怎么运行、长什么样),，剩下的交给模型。大意拆开是三层: 1. 目标：把"造软件"浓缩成"描述意图"，凭现在还在飞速变好的模型，能造出一种层级更高、效率更高、门槛更低的开发方式，而且会逐渐告别今天写代码的样子。 2. 他反对两种主流设想(关键论点): - "一切照旧"派：未来还是敲文本、用TypeScript/Go/C/Rust 这些正式语言 → 他认为错,因为模型会变得好太多。 - "纯聊天机器人"派：对着 bot 说句话让它帮你建、帮你改,像跟工程部门聊天 → 他认为太不精确：人想完全掌控软件，就得能"指着"具体要改的地方，而不是在一个脱离整体的文本框里说"把我 App 这块改一下"。 3. 他自己的设想("代码之后"的世界)：你会有一份对软件逻辑的表达，它更像用英文写的(类似伪代码)，写下来、能在高层级编辑、能指着它改不再是几百万行看不懂的代码，而是更简洁、更好懂、更易改的东西。那些极难懂的符号，慢慢演变成人能读、能改的形式——这就是 Cursor 在做的方向。

Cursor 首席执行官 Michael Truell： “我们对 Cursor 的目标是发明一种新型编程” 人只管用最简洁的方式向计算机描述意图(软件该怎么运行、长什么样),，剩下的交给模型。大意拆开是三层: 1. 目标：把"造软件"浓缩成"描述意图"，凭现在还在飞速变好的模型，能造出一种层级更高、效率更高、门槛更低的开发方式，而且会逐渐告别今天写代码的样子。 2. 他反对两种主流设想(关键论点): - "一切照旧"派：未来还是敲文本、用TypeScript/Go/C/Rust 这些正式语言 → 他认为错,因为模型会变得好太多。 - "纯聊天机器人"派：对着 bot 说句话让它帮你建、帮你改,像跟工程部门聊天 → 他认为太不精确：人想完全掌控软件，就得能"指着"具体要改的地方，而不是在一个脱离整体的文本框里说"把我 App 这块改一下"。 3. 他自己的设想("代码之后"的世界)：你会有一份对软件逻辑的表达，它更像用英文写的(类似伪代码)，写下来、能在高层级编辑、能指着它改不再是几百万行看不懂的代码，而是更简洁、更好懂、更易改的东西。那些极难懂的符号，慢慢演变成人能读、能改的形式——这就是 Cursor 在做的方向。

小互

22,282 просмотров • 4 месяцев назад

泪奔了！好感人，不争气的眼泪，它从口里流出来了 ⸻ 最近刷 AI 项目的时候，说实话有点疲了。不是它们不厉害，恰恰相反——都太厉害了。模型、参数、速度，一个比一个漂亮，但看多了情绪上真的没什么起伏。 Kindred Labs 是少数让我停下来想了一下的。不是“哇好强”，而是突然冒出一个不太技术的问题：如果 AI 真的要长期出现在生活里，它该怎么待着，才不让人别扭？不是那种我问你、你马上答的关系，而是你会不会哪天顺手再点开它。有些 AI 真的很聪明，但你心里清楚，它就是工具。用完、关掉，不会再想。 Kindred 给我的感觉不太像在争“最会答题”。它更像是在琢磨一件事：人为什么会愿意和一个存在长期相处？这时候我才开始注意到他们说的那套 Mind / Body / Soul。不是因为名字，而是方向。 Mind 这一层，其实挺像人。不是一直保持同一种状态。有时候你需要逻辑，有时候只是想被理解，有时候甚至不需要答案，只要有人把话接住。再加上它会记得你。不是那种冷冰冰的“你在某年某月问过什么”，而是你们之间发生过的那些事。一旦记忆变成关系的一部分，整个体验就不一样了。 Body 这点我以前真没太当回事。但后来发现，人很难和一个完全无形的东西建立稳定关系。 Kindred 至少正视了这一点。有形象、有存在的位置，在你已经习惯的设备和场景里出现。不是为了炫，而是为了让你不抗拒。在你信任之前，你首先得觉得它“正常”、不吓人。至于 Soul，其实是我最看重的。现在的 AI 都很会，但很少有那种让人想一直留着的。 Kindred 没那么急。不催你、不拉你、不用力制造黏性。你来，它在；你走，也不打扰。 Dark Matter、任务、社区这些东西，给我的感觉更像是一起走一段，而不是被系统牵着跑。所以后来我发现，这套 Mind / Body / Soul 看起来是在讲 AI，但底层其实是在讲人。我们怎么建立信任，怎么产生依附，怎么愿意长期和一个存在共处。 AI 只是载体。被认真对待的，其实是人的感受。如果说 2026 年还有哪个 AI 会一直留在我视野里， Kindred 大概会算一个。不是因为它最强，而是它没有急着证明自己。

泪奔了！好感人，不争气的眼泪，它从口里流出来了 ⸻ 最近刷 AI 项目的时候，说实话有点疲了。不是它们不厉害，恰恰相反——都太厉害了。模型、参数、速度，一个比一个漂亮，但看多了情绪上真的没什么起伏。 Kindred Labs 是少数让我停下来想了一下的。不是“哇好强”，而是突然冒出一个不太技术的问题：如果 AI 真的要长期出现在生活里，它该怎么待着，才不让人别扭？不是那种我问你、你马上答的关系，而是你会不会哪天顺手再点开它。有些 AI 真的很聪明，但你心里清楚，它就是工具。用完、关掉，不会再想。 Kindred 给我的感觉不太像在争“最会答题”。它更像是在琢磨一件事：人为什么会愿意和一个存在长期相处？这时候我才开始注意到他们说的那套 Mind / Body / Soul。不是因为名字，而是方向。 Mind 这一层，其实挺像人。不是一直保持同一种状态。有时候你需要逻辑，有时候只是想被理解，有时候甚至不需要答案，只要有人把话接住。再加上它会记得你。不是那种冷冰冰的“你在某年某月问过什么”，而是你们之间发生过的那些事。一旦记忆变成关系的一部分，整个体验就不一样了。 Body 这点我以前真没太当回事。但后来发现，人很难和一个完全无形的东西建立稳定关系。 Kindred 至少正视了这一点。有形象、有存在的位置，在你已经习惯的设备和场景里出现。不是为了炫，而是为了让你不抗拒。在你信任之前，你首先得觉得它“正常”、不吓人。至于 Soul，其实是我最看重的。现在的 AI 都很会，但很少有那种让人想一直留着的。 Kindred 没那么急。不催你、不拉你、不用力制造黏性。你来，它在；你走，也不打扰。 Dark Matter、任务、社区这些东西，给我的感觉更像是一起走一段，而不是被系统牵着跑。所以后来我发现，这套 Mind / Body / Soul 看起来是在讲 AI，但底层其实是在讲人。我们怎么建立信任，怎么产生依附，怎么愿意长期和一个存在共处。 AI 只是载体。被认真对待的，其实是人的感受。如果说 2026 年还有哪个 AI 会一直留在我视野里， Kindred 大概会算一个。不是因为它最强，而是它没有急着证明自己。

董小姐｜预测世界杯就在Gate

43,660 просмотров • 10 месяцев назад

“我们究竟是创造了一个工具还是一个生物？” Sam 在 "机器人之心 "小组讨论会上的发言。 Sam：但我认为，这无疑是迄今为止人类经历的最重大的更新年份。可能这也是我们将会遭遇的最大变革，因为从现在开始，人们已经接受强大的人工智能将成为现实，并且还会有逐步的更新。就像是第一代 iPhone 面世的那年，以及随后每一代 iPhone 的更新，我们现在能够明显感受到这一代与去年那代的差异。所以，这确实是一个重要的时刻。我感到欣慰的是，现在人们开始正确地把这些系统当作工具来看待。艺术家尤其如此，但其他人也是一样。曾经，人们真正恐惧的是，我们究竟是创造了一个工具还是一个生物，这将意味着什么？现在，人们视这些系统为人类工具箱中的新工具，并且正在用它创造一些非常了不起的东西。模型显然不知道你在说什么，因为这不在它的训练数据里，它也无法从训练数据中学习到这些信息。这是完全可以预期的。你再问一遍。比如说，你提到“意识”这个概念，模型回答：“是的，我完全明白你的意思，但我之前从未听说过这个词。” 问： “这对我来说就像是一次更新。你认为人工智能会趋向于探索创造性智能和自主性吗？” Sam：这个问题有多个答案。这取决于激励模型。这是人类的选择。问： “这将是判断意识的一个很好的测试。因为如果它有自我表达的愿望，并且仅仅为了创作的乐趣而去创作，那不会是偶然的。这绝对有点像生物。” Sam：这是生物化的。我认为在此之前还有很多步骤。我们现在要回答问题吗？这真的很棒。

“我们究竟是创造了一个工具还是一个生物？” Sam 在 "机器人之心 "小组讨论会上的发言。 Sam：但我认为，这无疑是迄今为止人类经历的最重大的更新年份。可能这也是我们将会遭遇的最大变革，因为从现在开始，人们已经接受强大的人工智能将成为现实，并且还会有逐步的更新。就像是第一代 iPhone 面世的那年，以及随后每一代 iPhone 的更新，我们现在能够明显感受到这一代与去年那代的差异。所以，这确实是一个重要的时刻。我感到欣慰的是，现在人们开始正确地把这些系统当作工具来看待。艺术家尤其如此，但其他人也是一样。曾经，人们真正恐惧的是，我们究竟是创造了一个工具还是一个生物，这将意味着什么？现在，人们视这些系统为人类工具箱中的新工具，并且正在用它创造一些非常了不起的东西。模型显然不知道你在说什么，因为这不在它的训练数据里，它也无法从训练数据中学习到这些信息。这是完全可以预期的。你再问一遍。比如说，你提到“意识”这个概念，模型回答：“是的，我完全明白你的意思，但我之前从未听说过这个词。” 问： “这对我来说就像是一次更新。你认为人工智能会趋向于探索创造性智能和自主性吗？” Sam：这个问题有多个答案。这取决于激励模型。这是人类的选择。问： “这将是判断意识的一个很好的测试。因为如果它有自我表达的愿望，并且仅仅为了创作的乐趣而去创作，那不会是偶然的。这绝对有点像生物。” Sam：这是生物化的。我认为在此之前还有很多步骤。我们现在要回答问题吗？这真的很棒。

Lei.sea

14,132 просмотров • 3 лет назад

Claude Code 的创造者 Boris 讲了一个很关键的转变： “我现在不再给 Claude 写 prompts。我写 loops 然后让 loops 去完成工作我的工作，就是写 loops。” 这其实也是很多人用 Claude Code 卡住的地方他们还在把它当聊天工具用：输入一个需求等一次回答然后手动继续改但 Boris 在 30 分钟里展示的是他真实的 daily setup： Claude Code loops dynamic workflow 核心不是让 Claude 一次性给出完美答案而是把任务拆进一个可以反复执行、检查、修正的循环里模型不只是回答你它会在 workflow 里持续推进任务这类内容，可能比很多 $500 的 vibe-coding 课程更有价值因为它讲的不是“怎么写一句更好的 prompt” 而是怎么把 Claude Code 变成一个能持续工作的系统 AI coding 的关键，是 prompt 写得更漂亮，还是你能不能设计出让模型自己推进的 loop？

Claude Code 的创造者 Boris 讲了一个很关键的转变： “我现在不再给 Claude 写 prompts。我写 loops 然后让 loops 去完成工作我的工作，就是写 loops。” 这其实也是很多人用 Claude Code 卡住的地方他们还在把它当聊天工具用：输入一个需求等一次回答然后手动继续改但 Boris 在 30 分钟里展示的是他真实的 daily setup： Claude Code loops dynamic workflow 核心不是让 Claude 一次性给出完美答案而是把任务拆进一个可以反复执行、检查、修正的循环里模型不只是回答你它会在 workflow 里持续推进任务这类内容，可能比很多 $500 的 vibe-coding 课程更有价值因为它讲的不是“怎么写一句更好的 prompt” 而是怎么把 Claude Code 变成一个能持续工作的系统 AI coding 的关键，是 prompt 写得更漂亮，还是你能不能设计出让模型自己推进的 loop？

0x_Miko

188,867 просмотров • 5 месяцев назад

🔥AI搬回本地！ $NVDA 黃仁勋剛剛宣布重大突破，个人电脑迎来全新时代！ ———————————— 过去四十年，一直是你在伺候电脑。这一次，它要反过来。我们这代人，是被机器训练大的。记快捷键，清后台，等进度条，文件存在哪个文件夹自己得记牢，我们学会的全是“迁就它”，把自己一点点训练得像台机器，它才肯好好干活。所以黄仁勋这次最重要的东西，很多人看漏了。不是又一个开源模型，也不是新芯片的跑分。是 AI 要从云端“搬回家”，住进你这台本机里。这两年我们用的 AI，说穿了都是“租来的大脑”。你得先把家底打包上传：合同、工资条、还没写完的东西、和家人的聊天记录。它在别人的机房里跑，按别人的价收钱，入口攥在别人手里。聪明是真聪明，可它始终不是你的，你只是个访客。而“本地 Agent”这四个字的意思是：这些东西，终于可以留在你自己屋里了。不用上传，不用排队，不用看网速的脸色。它能看你的文件、懂你开着的软件、替你把那些零碎活儿干完。第一次，电脑不再是你点一下它动一下的工具，而是一个会自己动手的人。为了这件事，老黄把数据中心级的算力，上百 GB 的统一内存、接近一个 petaflop 的性能，硬塞进了一台摆得上书桌的小机器。不是为了让你在本地跑个玩具模型，是为了让你桌上这台电脑，真有本事自己干活。往大了说，棋局其实很清楚：云端那颗大脑，继续在数据中心里想最难的事；你桌上这台，负责手脚，管你每天的柴米油盐。而老黄想要的，是大脑和手脚，两头都攥在自己手里。但我更想讲的，是那种很具体的感觉。PC 是上一代互联网的入口，手机是移动时代的入口。下一个入口不在某个网站里，就在你书桌上那台开机的电脑里。谁先住进去，谁拿下下一个十年。所以他这次真正想说的，从来不是“我们出了块更强的芯片”。而是过去四十年，你把自己训练得越来越像一台电脑。从今往后，是电脑，开始学着像你请来的那个人。

🔥AI搬回本地！ $NVDA 黃仁勋剛剛宣布重大突破，个人电脑迎来全新时代！ ———————————— 过去四十年，一直是你在伺候电脑。这一次，它要反过来。我们这代人，是被机器训练大的。记快捷键，清后台，等进度条，文件存在哪个文件夹自己得记牢，我们学会的全是“迁就它”，把自己一点点训练得像台机器，它才肯好好干活。所以黄仁勋这次最重要的东西，很多人看漏了。不是又一个开源模型，也不是新芯片的跑分。是 AI 要从云端“搬回家”，住进你这台本机里。这两年我们用的 AI，说穿了都是“租来的大脑”。你得先把家底打包上传：合同、工资条、还没写完的东西、和家人的聊天记录。它在别人的机房里跑，按别人的价收钱，入口攥在别人手里。聪明是真聪明，可它始终不是你的，你只是个访客。而“本地 Agent”这四个字的意思是：这些东西，终于可以留在你自己屋里了。不用上传，不用排队，不用看网速的脸色。它能看你的文件、懂你开着的软件、替你把那些零碎活儿干完。第一次，电脑不再是你点一下它动一下的工具，而是一个会自己动手的人。为了这件事，老黄把数据中心级的算力，上百 GB 的统一内存、接近一个 petaflop 的性能，硬塞进了一台摆得上书桌的小机器。不是为了让你在本地跑个玩具模型，是为了让你桌上这台电脑，真有本事自己干活。往大了说，棋局其实很清楚：云端那颗大脑，继续在数据中心里想最难的事；你桌上这台，负责手脚，管你每天的柴米油盐。而老黄想要的，是大脑和手脚，两头都攥在自己手里。但我更想讲的，是那种很具体的感觉。PC 是上一代互联网的入口，手机是移动时代的入口。下一个入口不在某个网站里，就在你书桌上那台开机的电脑里。谁先住进去，谁拿下下一个十年。所以他这次真正想说的，从来不是“我们出了块更强的芯片”。而是过去四十年，你把自己训练得越来越像一台电脑。从今往后，是电脑，开始学着像你请来的那个人。

老白

16,964 просмотров • 4 месяцев назад

🎬 90% 的人没用明白 Codex。因为一开始就把它当成了 ChatGPT。但 Codex 最厉害的地方，从来不是聊天，而是动手。它会读项目、改文件、做表格、操作浏览器，直接在你的电脑里完成任务。 💡 真正决定体验的也不是 Prompt，而是四件事：Project、Permissions、Context 和 AGENTS.md。少一个都能用，多一个才开始好用。我后来甚至不把它当 AI，而是当新人来带：先教它，再纠正它，最后把经验沉淀成 Skill。当你开始这样用 Codex，它就不再是助手，而是一套持续进化的工作系统。

🎬 90% 的人没用明白 Codex。因为一开始就把它当成了 ChatGPT。但 Codex 最厉害的地方，从来不是聊天，而是动手。它会读项目、改文件、做表格、操作浏览器，直接在你的电脑里完成任务。 💡 真正决定体验的也不是 Prompt，而是四件事：Project、Permissions、Context 和 AGENTS.md。少一个都能用，多一个才开始好用。我后来甚至不把它当 AI，而是当新人来带：先教它，再纠正它，最后把经验沉淀成 Skill。当你开始这样用 Codex，它就不再是助手，而是一套持续进化的工作系统。

Martin

27,707 просмотров • 4 месяцев назад

朋友们，我发现一个超级哇塞的技能现在已经有不少不错的工具可以画出好看的项目架构图，但大多是静态的，不能交互。今天分享的这个不一样，它是会动的！视频里是我在 MkAgent 项目下执行出来的效果，一次搞定。它会根据项目的 logo、主题风格等信息，生成对应的架构图。不仅如此，它还能分析代码，找出核心节点，生成节点信息和节点关系。每个节点都可以点击，右侧会显示该节点的详细信息。最终产物是一个 HTML 文件：展示核心架构和工作流程，并且支持动画自动演示调用流程。这个挺有意思，以后读新项目代码可以先用它。

Fox

75,312 просмотров • 2 месяцев назад

重要基础设施发布：我认为，DeWEB 作为下一代互联网基础设施，不该只是工程师的游乐场。 TapeOut需要有千千万万个网站和开发者在上面提供不同的服务和应用，所以我们需要一个能让所有人，无论是否懂得程序开发和流程，只要有想法和创造力，就能把自己想法中那个应用做出来，并一键发布到DeWEB上让所有用户使用，能像Martin一样靠它赚到收入。今天终于可以将它发布出来，它叫 TapeCode它存在的目的就是让 “人人都是创造者！” 它不是又一个 Codex、又一个 Claude Code。那些大厂的东西当然很好，我自己也天天用，但它们要么是帮一个已经会写代码的人，写得更快更好。要是让不会写代码的人vibe 一些无法商业化的，用来自己玩的小玩具而已。它们不关心你这东西怎么上线、怎么收钱、合约是否安全、钱会不会被偷、是否真的可以商业化、前端是否有注入风险等等一系列的真实问题，我像问，不能商业化的vibe有啥用呢？ TapeCode 关心的恰恰是这些。它的目标不只是帮你写代码，还帮你通过严格的标准化的开发流程，把一个创意想法，做成真正能拿去赚钱的去中心化应用,帮你从想法做到真实可商业化运营的工具，前端页面你也不需要再忍受ai的抽风式魔改了，直接像P图一样选中文字编辑即可，哦代码也会在你选中时跳到指定位置，用起来非常轻松。你只需要用文字描述你要什么。比如"创建一个代币,允许每个人免费领取 1 枚"。它会帮你把前端后端都写好，然后根据指引完成代码的安全审计，把高、中危风险都找出来，然后使用一键修复的功能，进行一键将所有风险修改掉。基本上只需要大概3、4轮审计，就能把所有高中风险都处理掉了。代码写完之后，不需要跑去开复杂的云服务，也不需要去购买域名，更不需要去配置DNS等等一系列让人头疼的事。一个按钮就自动完成了创建电路并开通容器的全过程。有了容器之后，你只需要，点击“一键部署合约+前端”然后钱包弹出来授权就行了。剩下的你就可以在浏览器中直接查看你的作品啦！当然你开发中碰到问题，随时在内置的TapeTape中发帖子互相交流开发经验，也可以分享自己的作品。你的整套前端被写进链上的电路容器，直接存在所在公链上，与合约同一层。付一次 gas，这个应用服务就可以永久免费被使用，永久免费被访问。终端访客打开它不需要钱包、不需要签名、不需要花 gas，体验和 Web2 网站一样。你只需要推广它，让它出现在终端用户的面前。再说最重要的“安全” 一个人做的东西要拿去收别人的钱，如果你不是专业开发者，使用Codex去vibe的应用敢不敢上线？而 TapeCode 内置了代码安全审计，它会帮你严格把关，然后告诉你哪一行有问题，是什么等级的问题，攻击者会怎么利用它，以及这一行该改成什么。查出问题后，点击一键修复即可，修完再审，审完再修。跑个三四轮，中高风险清零了，你就可以完全放心去上线了。我为什么强调这个？因为去中心化应用一旦出事，是真的会丢钱呐，而且链上不可逆。一个有想法的普通人，就凭这个功能，就确保你可以放心上线！这就是我所说的“技术平权”，它把过去只有专业团队才买得起的审计能力，变成了每个人点一下就能用的东西。每次只需要很少的钱。做东西的路上会卡住，这很正常。所以 TapeCode 里直接内置了 TapeTape ，你可以随时和其他开发者交流，问一个卡了三小时的 bug，讨论一个产品该不该这么设计，找人一起合伙做，或者就是吐槽两句。身份由你的电路ID，你不用离开这个工具去别的群里，也不用加谁好友。做着做着卡住了，转头就问。我太清楚一个人做东西有多孤独了，一个想法死掉，多半不是因为技术不行，是因为卡住的那天晚上没人说话。所以，这就是为什么我说 TapeCode 是 TapeOut 协议往前奔跑的重要基础设施了。 TapeKit 是开源浏览器内核，解决读取和渲染。电路容器是存储器，解决存在哪里。而 TapeCode 解决用户有哪些服务可以用。没有它，DeWEB 就是一张修得很漂亮但没人走的路。有了它，未来任何一个有想法的人，都能随时开始创业。 TapeOut要的是百花齐放，是数不尽的开发者，是让你的想法立刻就能帮你赚到U。最后说一件重要的事。两周后，如果 TapeCode 的日新增项目超过 100 款，在 TapeCode 里右上角的“一键 ITO”就会开放，我想让大家一起迎接那一天的到来。你用 TapeCode 做出来的应用项目，上线后，直接在右上角发起ITO，完成一键资产发行。真正有创造力的社区成员，可以凭自己创造的应用项目，简单、迅速地拿到大规模的资金。而这个Crypto市场，终于能看到一点别的东西了，一个有真正价值的商业化应用项目，而不是MEME和空气。我希望我们可以引领这一轮牛市，让一批真正有价值的去中心化服务甚至中心化应用带起来的，这些东西全都运行在区块链上，运行在DeWEB中。所以这两周，去做点东西吧。你只需要有想法，剩下的我都给你准备好了。 TapeCode —— 人人都是创造者。 TapeCode 网页版：

重要基础设施发布：我认为，DeWEB 作为下一代互联网基础设施，不该只是工程师的游乐场。 TapeOut需要有千千万万个网站和开发者在上面提供不同的服务和应用，所以我们需要一个能让所有人，无论是否懂得程序开发和流程，只要有想法和创造力，就能把自己想法中那个应用做出来，并一键发布到DeWEB上让所有用户使用，能像Martin一样靠它赚到收入。今天终于可以将它发布出来，它叫 TapeCode它存在的目的就是让 “人人都是创造者！” 它不是又一个 Codex、又一个 Claude Code。那些大厂的东西当然很好，我自己也天天用，但它们要么是帮一个已经会写代码的人，写得更快更好。要是让不会写代码的人vibe 一些无法商业化的，用来自己玩的小玩具而已。它们不关心你这东西怎么上线、怎么收钱、合约是否安全、钱会不会被偷、是否真的可以商业化、前端是否有注入风险等等一系列的真实问题，我像问，不能商业化的vibe有啥用呢？ TapeCode 关心的恰恰是这些。它的目标不只是帮你写代码，还帮你通过严格的标准化的开发流程，把一个创意想法，做成真正能拿去赚钱的去中心化应用,帮你从想法做到真实可商业化运营的工具，前端页面你也不需要再忍受ai的抽风式魔改了，直接像P图一样选中文字编辑即可，哦代码也会在你选中时跳到指定位置，用起来非常轻松。你只需要用文字描述你要什么。比如"创建一个代币,允许每个人免费领取 1 枚"。它会帮你把前端后端都写好，然后根据指引完成代码的安全审计，把高、中危风险都找出来，然后使用一键修复的功能，进行一键将所有风险修改掉。基本上只需要大概3、4轮审计，就能把所有高中风险都处理掉了。代码写完之后，不需要跑去开复杂的云服务，也不需要去购买域名，更不需要去配置DNS等等一系列让人头疼的事。一个按钮就自动完成了创建电路并开通容器的全过程。有了容器之后，你只需要，点击“一键部署合约+前端”然后钱包弹出来授权就行了。剩下的你就可以在浏览器中直接查看你的作品啦！当然你开发中碰到问题，随时在内置的TapeTape中发帖子互相交流开发经验，也可以分享自己的作品。你的整套前端被写进链上的电路容器，直接存在所在公链上，与合约同一层。付一次 gas，这个应用服务就可以永久免费被使用，永久免费被访问。终端访客打开它不需要钱包、不需要签名、不需要花 gas，体验和 Web2 网站一样。你只需要推广它，让它出现在终端用户的面前。再说最重要的“安全” 一个人做的东西要拿去收别人的钱，如果你不是专业开发者，使用Codex去vibe的应用敢不敢上线？而 TapeCode 内置了代码安全审计，它会帮你严格把关，然后告诉你哪一行有问题，是什么等级的问题，攻击者会怎么利用它，以及这一行该改成什么。查出问题后，点击一键修复即可，修完再审，审完再修。跑个三四轮，中高风险清零了，你就可以完全放心去上线了。我为什么强调这个？因为去中心化应用一旦出事，是真的会丢钱呐，而且链上不可逆。一个有想法的普通人，就凭这个功能，就确保你可以放心上线！这就是我所说的“技术平权”，它把过去只有专业团队才买得起的审计能力，变成了每个人点一下就能用的东西。每次只需要很少的钱。做东西的路上会卡住，这很正常。所以 TapeCode 里直接内置了 TapeTape ，你可以随时和其他开发者交流，问一个卡了三小时的 bug，讨论一个产品该不该这么设计，找人一起合伙做，或者就是吐槽两句。身份由你的电路ID，你不用离开这个工具去别的群里，也不用加谁好友。做着做着卡住了，转头就问。我太清楚一个人做东西有多孤独了，一个想法死掉，多半不是因为技术不行，是因为卡住的那天晚上没人说话。所以，这就是为什么我说 TapeCode 是 TapeOut 协议往前奔跑的重要基础设施了。 TapeKit 是开源浏览器内核，解决读取和渲染。电路容器是存储器，解决存在哪里。而 TapeCode 解决用户有哪些服务可以用。没有它，DeWEB 就是一张修得很漂亮但没人走的路。有了它，未来任何一个有想法的人，都能随时开始创业。 TapeOut要的是百花齐放，是数不尽的开发者，是让你的想法立刻就能帮你赚到U。最后说一件重要的事。两周后，如果 TapeCode 的日新增项目超过 100 款，在 TapeCode 里右上角的“一键 ITO”就会开放，我想让大家一起迎接那一天的到来。你用 TapeCode 做出来的应用项目，上线后，直接在右上角发起ITO，完成一键资产发行。真正有创造力的社区成员，可以凭自己创造的应用项目，简单、迅速地拿到大规模的资金。而这个Crypto市场，终于能看到一点别的东西了，一个有真正价值的商业化应用项目，而不是MEME和空气。我希望我们可以引领这一轮牛市，让一批真正有价值的去中心化服务甚至中心化应用带起来的，这些东西全都运行在区块链上，运行在DeWEB中。所以这两周，去做点东西吧。你只需要有想法，剩下的我都给你准备好了。 TapeCode —— 人人都是创造者。 TapeCode 网页版：

Blonskr

86,675 просмотров • 1 месяц назад

【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！

【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

14,093 просмотров • 10 месяцев назад

中文创作者开源的 AI Skill，挑了 5 个我觉得写内容真能用上的。 ① Humanizer-zh：去 AI 味这个是 op7418 汉化的，它不是简单让文字“更口语化”，而是专门帮你抓文章里的 AI 痕迹。比如：过度强调意义、万能结尾、虚假范围、填充短语、空泛总结。这些东西单独看没问题，但堆在一起，读者一眼就能看出“这味儿不对”。写完推文、公众号、小红书，丢进去过一遍，能把那种模板感压下来。 ② dbskill：选题诊断 + 爆款标题 dontbesilent 做的，一套 21 个 skill，这个比较狠，它不是单纯教你“怎么写得更好”，而是帮你拆：为什么这个选题没人点？为什么标题没吸引力？为什么内容看完没记忆点？里面有选题分析、对标拆解、小红书标题公式、AI 痕迹扫描。据说是从一万两千多条推文里提炼出来的，不是那种空泛方法论，更像一个内容创作者自己的实战经验库。适合经常卡在“我知道要写，但不知道怎么切角度”的人。 ③ NotebookLM Skill：用自己的资料库写内容这个连的是 Google NotebookLM，我觉得它最适合写长文、研报、项目解析、信息整理类内容。它的价值不是让 AI 写得更花，而是让 AI 不要乱编，你把资料上传进去，Agent 基于你的资料库回答，每条内容都能带引用，写需要信息准确的东西时，这个很重要。尤其是加密、AI、开源项目、行业分析这种内容，最怕的不是写得慢，而是写错了还不知道。 ④ khazix-skills：卡兹克的写作套件数字生命卡兹克把自己的写作节奏和分析方法做成了 skill，最有意思的是“横纵分析法”。你丢一个产品、公司或者项目进去，它能拉出一份很完整的研究报告。适合做：项目拆解、公司分析、产品研究、长文选题预研。里面还夹了一个 storage-analyzer，可以扫 Mac 磁盘，用三色分级告诉你哪些能删、哪些别乱动。这个就很创作者真实工作流，不只是写作，还包括电脑里那堆素材和缓存怎么清。 ⑤ ian-xiaohei-illustrations：正文配图这个不是信息图，也不是那种商业插画模板。它的风格是白底黑线手绘，一个叫“小黑”的角色，加少量红橙蓝中文批注。 16:9 横版，一张图只讲一个判断，我觉得它很适合放在公众号、长推、小红书里。现在内容配图要么是截图，要么是 AI 感很重的视觉图，看多了都差不多。这种怪诞手绘风反而有辨识度。

中文创作者开源的 AI Skill，挑了 5 个我觉得写内容真能用上的。 ① Humanizer-zh：去 AI 味这个是 op7418 汉化的，它不是简单让文字“更口语化”，而是专门帮你抓文章里的 AI 痕迹。比如：过度强调意义、万能结尾、虚假范围、填充短语、空泛总结。这些东西单独看没问题，但堆在一起，读者一眼就能看出“这味儿不对”。写完推文、公众号、小红书，丢进去过一遍，能把那种模板感压下来。 ② dbskill：选题诊断 + 爆款标题 dontbesilent 做的，一套 21 个 skill，这个比较狠，它不是单纯教你“怎么写得更好”，而是帮你拆：为什么这个选题没人点？为什么标题没吸引力？为什么内容看完没记忆点？里面有选题分析、对标拆解、小红书标题公式、AI 痕迹扫描。据说是从一万两千多条推文里提炼出来的，不是那种空泛方法论，更像一个内容创作者自己的实战经验库。适合经常卡在“我知道要写，但不知道怎么切角度”的人。 ③ NotebookLM Skill：用自己的资料库写内容这个连的是 Google NotebookLM，我觉得它最适合写长文、研报、项目解析、信息整理类内容。它的价值不是让 AI 写得更花，而是让 AI 不要乱编，你把资料上传进去，Agent 基于你的资料库回答，每条内容都能带引用，写需要信息准确的东西时，这个很重要。尤其是加密、AI、开源项目、行业分析这种内容，最怕的不是写得慢，而是写错了还不知道。 ④ khazix-skills：卡兹克的写作套件数字生命卡兹克把自己的写作节奏和分析方法做成了 skill，最有意思的是“横纵分析法”。你丢一个产品、公司或者项目进去，它能拉出一份很完整的研究报告。适合做：项目拆解、公司分析、产品研究、长文选题预研。里面还夹了一个 storage-analyzer，可以扫 Mac 磁盘，用三色分级告诉你哪些能删、哪些别乱动。这个就很创作者真实工作流，不只是写作，还包括电脑里那堆素材和缓存怎么清。 ⑤ ian-xiaohei-illustrations：正文配图这个不是信息图，也不是那种商业插画模板。它的风格是白底黑线手绘，一个叫“小黑”的角色，加少量红橙蓝中文批注。 16:9 横版，一张图只讲一个判断，我觉得它很适合放在公众号、长推、小红书里。现在内容配图要么是截图，要么是 AI 感很重的视觉图，看多了都差不多。这种怪诞手绘风反而有辨识度。

猪脚饭.Ai

32,688 просмотров • 4 месяцев назад

英伟达Nvidia黄仁勋： AI，让平凡的人不再平凡。一个年轻人加上AI，就是全新的“超级个体”。不拼资历，不靠背景，AI成了这个时代最大的“能力放大器”。它不是替你工作，而是教你变强，像导师、像助手，甚至像一整个研究团队。以前，成为专家要花十年，现在，用AI做研究，年轻人正在用几年甚至几个月的速度追赶。程序员用它写代码、调试逻辑；研究员用它读文献、生成模型；医生用它分析病例、辅助诊断。几乎所有专业的人才，搭上AI这台引擎，都跑得更快。哪怕是在偏远小镇的医生，或是发展中国家的工程师，手里只要有AI，就能站上世界一线的能力标准。但这，也压力山大。对那些在某个领域苦练二十年的人来说，现在，刚入行的新人搭上AI，可能一年就追平你辛苦十年的经验积累。 AI不是取代你，而是逼你进化。越早拥抱它，你越可能成为被放大的那一个。

英伟达Nvidia黄仁勋： AI，让平凡的人不再平凡。一个年轻人加上AI，就是全新的“超级个体”。不拼资历，不靠背景，AI成了这个时代最大的“能力放大器”。它不是替你工作，而是教你变强，像导师、像助手，甚至像一整个研究团队。以前，成为专家要花十年，现在，用AI做研究，年轻人正在用几年甚至几个月的速度追赶。程序员用它写代码、调试逻辑；研究员用它读文献、生成模型；医生用它分析病例、辅助诊断。几乎所有专业的人才，搭上AI这台引擎，都跑得更快。哪怕是在偏远小镇的医生，或是发展中国家的工程师，手里只要有AI，就能站上世界一线的能力标准。但这，也压力山大。对那些在某个领域苦练二十年的人来说，现在，刚入行的新人搭上AI，可能一年就追平你辛苦十年的经验积累。 AI不是取代你，而是逼你进化。越早拥抱它，你越可能成为被放大的那一个。

墓碑科技

13,004 просмотров • 1 год назад

AI 最危险的地方，可能不是抢走初级岗位，而是让 10 年后的资深人才无处可来。赵斌的演讲让我想到一个更严重的问题：AI 很容易被当成一种“跳过学习过程”的工具。不再亲手写代码，不再追查为什么程序会报错，也不用经历几十次失败的尝试。结果来得更快，于是我们会误以为效率提高了，一切都在正常运转。可过去，一个人的职业成长恰恰建立在这些看起来“低效”的年份上。初级工程师从简单任务开始，犯错、读别人的代码、接受代码审查、修改、再犯错，然后才逐渐接触更复杂的问题。几年以后，他真正积累下来的并不只是知识，而是判断力：知道一个方案为什么会出问题，能提前看到后果，甚至在问题发生之前就闻到不对劲。而现在，最适合新人训练的工作，恰好是最先被 AI 接管的那一层：简单接口、常见错误修复、SQL 查询、第一版代码、阅读文档、编写测试。企业得到的激励也很直接： → 少招初级员工 → 更多使用 AI → 对剩下的人直接提出更高要求短期看，这当然像效率提升。五年、十年以后，它可能变成人才断层。因为资深工程师不会在招聘网站出现“5 年经验”要求的那一刻自动生成。每一个资深工程师，都需要几年的真实工作把他训练出来。更危险的是，AI 可以让一个新人很早就产出看起来像资深工程师写出来的东西。代码能运行，测试能通过，PR 很整洁，解释也很像那么回事。于是我们第一次可能大规模遇到一种奇怪的人才：能稳定产出“资深级结果”，却还没有形成资深级判断力。平时很难发现这种差距。真正暴露问题的是没有标准答案的时候：需求互相冲突，测试全部通过但架构方向已经错了，或者 AI 给出的方案今天看起来完美，半年后却变成几个团队一起偿还的技术债。这样的判断力不是从 AI 的答案里读出来的，而是在几百次“我不知道该怎么办”的真实问题里慢慢长出来的。所以真正值得问的可能不是“AI 会不会取代初级开发者”，而是：如果我们把培养资深人才所依赖的那层工作全部自动化，10 年以后，谁来当资深工程师？看完这场演讲后，可以做一个很简单的实验：挑一个你平时完全交给 AI 的任务，自己从头到尾做一次。不是为了提高效率，而是看看你已经把多少原本属于自己的训练过程交给了机器。把这条留着。这个问题可能会比我们想象中更早出现。我在下面的文章里继续追了下去：如果这件事发生的不是某一个人身上，而是整个职业晋升体系，会发生什么？

AI 最危险的地方，可能不是抢走初级岗位，而是让 10 年后的资深人才无处可来。赵斌的演讲让我想到一个更严重的问题：AI 很容易被当成一种“跳过学习过程”的工具。不再亲手写代码，不再追查为什么程序会报错，也不用经历几十次失败的尝试。结果来得更快，于是我们会误以为效率提高了，一切都在正常运转。可过去，一个人的职业成长恰恰建立在这些看起来“低效”的年份上。初级工程师从简单任务开始，犯错、读别人的代码、接受代码审查、修改、再犯错，然后才逐渐接触更复杂的问题。几年以后，他真正积累下来的并不只是知识，而是判断力：知道一个方案为什么会出问题，能提前看到后果，甚至在问题发生之前就闻到不对劲。而现在，最适合新人训练的工作，恰好是最先被 AI 接管的那一层：简单接口、常见错误修复、SQL 查询、第一版代码、阅读文档、编写测试。企业得到的激励也很直接： → 少招初级员工 → 更多使用 AI → 对剩下的人直接提出更高要求短期看，这当然像效率提升。五年、十年以后，它可能变成人才断层。因为资深工程师不会在招聘网站出现“5 年经验”要求的那一刻自动生成。每一个资深工程师，都需要几年的真实工作把他训练出来。更危险的是，AI 可以让一个新人很早就产出看起来像资深工程师写出来的东西。代码能运行，测试能通过，PR 很整洁，解释也很像那么回事。于是我们第一次可能大规模遇到一种奇怪的人才：能稳定产出“资深级结果”，却还没有形成资深级判断力。平时很难发现这种差距。真正暴露问题的是没有标准答案的时候：需求互相冲突，测试全部通过但架构方向已经错了，或者 AI 给出的方案今天看起来完美，半年后却变成几个团队一起偿还的技术债。这样的判断力不是从 AI 的答案里读出来的，而是在几百次“我不知道该怎么办”的真实问题里慢慢长出来的。所以真正值得问的可能不是“AI 会不会取代初级开发者”，而是：如果我们把培养资深人才所依赖的那层工作全部自动化，10 年以后，谁来当资深工程师？看完这场演讲后，可以做一个很简单的实验：挑一个你平时完全交给 AI 的任务，自己从头到尾做一次。不是为了提高效率，而是看看你已经把多少原本属于自己的训练过程交给了机器。把这条留着。这个问题可能会比我们想象中更早出现。我在下面的文章里继续追了下去：如果这件事发生的不是某一个人身上，而是整个职业晋升体系，会发生什么？

make claude

214,788 просмотров • 1 месяц назад

我想很多人都有这个困扰：之前经常需要在Codex和Claude Code之间来回切换，现在又加上了最近爆火的DeepSeek Harness。但是每次来回切换、或者想尝尝DSH的鲜的时候，我都得把背景重新讲一遍，确实挺烦的~ 最近在GitHub上发现的一个开源项目 memmy-agent，把 Codex、DeepSeek Harness、Claude Code接了进去，直接解决了困扰我很久的跨Agent 记忆的问题。我用它做的事情很简单：把分散在不同 Agent 里的历史，沉淀到同一份个人上下文里，默认 Local-first，让它们都能调用。我把它分别接入 Codex、DeepSeek Harness、Claude Code 之后，我做了一个信号中继站小游戏。我先在Codex 写完基础玩法，然后对话里说一句话：第一次失败时，给玩家一次翻盘机会，别直接结束游戏。但这句话我故意不写入代码、README 或者是本地记忆文件。然后新开 DeepSeek Harness，它从 Memmy 直接读出了这条决定，非常丝滑。再新开 Claude Code，它读代码前先复述了规则，再按这个方向把后续功能补完。代码只能告诉下一个 Agent 项目做到哪，但那些留在对话里的决策，才影响着项目接下来往哪走。以后，Agent 要记住的，不只是代码，还有你前面已经决定的决策和经验。 Memmy 不仅帮我解决了Agent记忆的问题，还让这些经验不再独属于某一个 Agent，而是只属于你。 Switch agents, not context。 Memmy 支持桌面端、CLI、API、MCP 和 Skills多种方式，可以直接接着执行任务。如果你也经常在多个 Agent 之间切换，可以拿自己的项目试一下。项目GitHub：

我想很多人都有这个困扰：之前经常需要在Codex和Claude Code之间来回切换，现在又加上了最近爆火的DeepSeek Harness。但是每次来回切换、或者想尝尝DSH的鲜的时候，我都得把背景重新讲一遍，确实挺烦的~ 最近在GitHub上发现的一个开源项目 memmy-agent，把 Codex、DeepSeek Harness、Claude Code接了进去，直接解决了困扰我很久的跨Agent 记忆的问题。我用它做的事情很简单：把分散在不同 Agent 里的历史，沉淀到同一份个人上下文里，默认 Local-first，让它们都能调用。我把它分别接入 Codex、DeepSeek Harness、Claude Code 之后，我做了一个信号中继站小游戏。我先在Codex 写完基础玩法，然后对话里说一句话：第一次失败时，给玩家一次翻盘机会，别直接结束游戏。但这句话我故意不写入代码、README 或者是本地记忆文件。然后新开 DeepSeek Harness，它从 Memmy 直接读出了这条决定，非常丝滑。再新开 Claude Code，它读代码前先复述了规则，再按这个方向把后续功能补完。代码只能告诉下一个 Agent 项目做到哪，但那些留在对话里的决策，才影响着项目接下来往哪走。以后，Agent 要记住的，不只是代码，还有你前面已经决定的决策和经验。 Memmy 不仅帮我解决了Agent记忆的问题，还让这些经验不再独属于某一个 Agent，而是只属于你。 Switch agents, not context。 Memmy 支持桌面端、CLI、API、MCP 和 Skills多种方式，可以直接接着执行任务。如果你也经常在多个 Agent 之间切换，可以拿自己的项目试一下。项目GitHub：

木马人

63,704 просмотров • 2 месяцев назад

又又又免费了，最近的赛博活佛是真多啊！！ ScienceBuddy，一个 AI 科研工具，集成了 224 个专业科学工具，文献检索、基因组分析、数据处理、代码执行全包了，现在竟然免费了！！做过产品的人都知道，科研数据分析这个领域的成本有多夸张：做一次生物信息分析外包，少说几千块起步，周期一两周请一个生信分析师，一年几十万打底各种专业分析软件的企业订阅，加起来一年也得大几万而科研人员常年被三件事折磨：文献太多读不完比不过来，拿到数据不会分析不会画图，实验出了问题没人可问以前这些事要么花钱要么花命 ScienceBuddy 来自 PhAI Labs 你把文献、数据丢进去，用一句话提问——它自己规划步骤、自己检索文献、自己写代码跑分析，最后把结果和每一步的过程都摆在你面前我试了一下：上传了几篇公开论文，就问了一句——帮我把这几篇里关于某个方向的证据整理成表，标上出处十分钟不到，它自己规划了分析路径、调了文献检索工具、跑了代码处理，甩回来一份带来源标注的证据表，直接能下载让我更意外的是它的团队——斯坦福、牛津、普林斯顿背景，研究代码已经在 GitHub 开源了，MIT 协议而且你们注意一个时间线： 9 月 17 号，Anthropic 宣布 Claude 在不到四周内优化了 30 多个生物学 AI 模型，包括 AlphaFold3 和 Boltz-2，并且把优化代码全部开源了同一天，ScienceBuddy 背后的技术框架 ScienceIDE 也开源了——7 个学科、15 个真实科研代码环境，从天体物理到量子计算，让 AI Agent 在真实的科研代码上练习 Anthropic 证明了 AI 能优化科学软件，ScienceIDE 提供了让 AI 在更多学科学这种能力的练习场——而 ScienceBuddy 就是这套技术框架面向科研人员的产品化落地这意味着什么？意味着 ScienceBuddy 不是一个套壳的聊天机器人，它背后是一套在 7 个学科真实科研代码上训练出来的 Agent 系统但真正让我觉得这个产品做对了的，不是结果，是过程它有一个叫轨迹的面板，你能看到它每一步的规划、调了什么工具、跑了什么代码、拿到了什么中间结果不满意直接在同一个任务里追问，它会带着上下文接着改这和大家天天用的 ChatGPT 有什么本质区别？ ChatGPT 是通用聊天——你问它科研问题，它给你一段看起来有道理的话，但你没法验证中间过程 ScienceBuddy 带着 224 个专业科学工具——它真的去检索文献数据库、真的跑 Python 和 R 代码、真的生成文件让你下载复核说白了就是：一个在聊天，一个在干活而且它能干的事范围有点吓人： 1、上传表达矩阵数据，一句话让它做差异表达分析+画火山图，代码和方法全给你写好 2、描述一个实验失败的情况，它给你出分步排错方案 3、给它一个研究问题，它能规划完整的研究计划作为一个做了五年产品的人，我觉得科研 Agent 最大的难题从来不是能不能给你答案——是你敢不敢信这个答案 ScienceBuddy 的解法是让每一步都透明可查，你不是在盲信一个黑盒，是在监督一个真正能干活的助手说一个小缺点——目前注册需要 edu 邮箱，而且是 Preview 版本，结果用之前建议自己再核验一遍但是——免费、不排队、不要邀请码，打开就能用以前要花大几千块外包、花好几天人工才能搞定的事，现在一个免费工具十分钟干完了身边有读博的、做科研的朋友，真的可以转给他们试试我已经开始拿它跑一些真实的分析任务了，后续有新发现继续和大家分享！！产品链接和底层框架 ScienceIDE 的论文、GitHub 全放评论区👇

又又又免费了，最近的赛博活佛是真多啊！！ ScienceBuddy，一个 AI 科研工具，集成了 224 个专业科学工具，文献检索、基因组分析、数据处理、代码执行全包了，现在竟然免费了！！做过产品的人都知道，科研数据分析这个领域的成本有多夸张：做一次生物信息分析外包，少说几千块起步，周期一两周请一个生信分析师，一年几十万打底各种专业分析软件的企业订阅，加起来一年也得大几万而科研人员常年被三件事折磨：文献太多读不完比不过来，拿到数据不会分析不会画图，实验出了问题没人可问以前这些事要么花钱要么花命 ScienceBuddy 来自 PhAI Labs 你把文献、数据丢进去，用一句话提问——它自己规划步骤、自己检索文献、自己写代码跑分析，最后把结果和每一步的过程都摆在你面前我试了一下：上传了几篇公开论文，就问了一句——帮我把这几篇里关于某个方向的证据整理成表，标上出处十分钟不到，它自己规划了分析路径、调了文献检索工具、跑了代码处理，甩回来一份带来源标注的证据表，直接能下载让我更意外的是它的团队——斯坦福、牛津、普林斯顿背景，研究代码已经在 GitHub 开源了，MIT 协议而且你们注意一个时间线： 9 月 17 号，Anthropic 宣布 Claude 在不到四周内优化了 30 多个生物学 AI 模型，包括 AlphaFold3 和 Boltz-2，并且把优化代码全部开源了同一天，ScienceBuddy 背后的技术框架 ScienceIDE 也开源了——7 个学科、15 个真实科研代码环境，从天体物理到量子计算，让 AI Agent 在真实的科研代码上练习 Anthropic 证明了 AI 能优化科学软件，ScienceIDE 提供了让 AI 在更多学科学这种能力的练习场——而 ScienceBuddy 就是这套技术框架面向科研人员的产品化落地这意味着什么？意味着 ScienceBuddy 不是一个套壳的聊天机器人，它背后是一套在 7 个学科真实科研代码上训练出来的 Agent 系统但真正让我觉得这个产品做对了的，不是结果，是过程它有一个叫轨迹的面板，你能看到它每一步的规划、调了什么工具、跑了什么代码、拿到了什么中间结果不满意直接在同一个任务里追问，它会带着上下文接着改这和大家天天用的 ChatGPT 有什么本质区别？ ChatGPT 是通用聊天——你问它科研问题，它给你一段看起来有道理的话，但你没法验证中间过程 ScienceBuddy 带着 224 个专业科学工具——它真的去检索文献数据库、真的跑 Python 和 R 代码、真的生成文件让你下载复核说白了就是：一个在聊天，一个在干活而且它能干的事范围有点吓人： 1、上传表达矩阵数据，一句话让它做差异表达分析+画火山图，代码和方法全给你写好 2、描述一个实验失败的情况，它给你出分步排错方案 3、给它一个研究问题，它能规划完整的研究计划作为一个做了五年产品的人，我觉得科研 Agent 最大的难题从来不是能不能给你答案——是你敢不敢信这个答案 ScienceBuddy 的解法是让每一步都透明可查，你不是在盲信一个黑盒，是在监督一个真正能干活的助手说一个小缺点——目前注册需要 edu 邮箱，而且是 Preview 版本，结果用之前建议自己再核验一遍但是——免费、不排队、不要邀请码，打开就能用以前要花大几千块外包、花好几天人工才能搞定的事，现在一个免费工具十分钟干完了身边有读博的、做科研的朋友，真的可以转给他们试试我已经开始拿它跑一些真实的分析任务了，后续有新发现继续和大家分享！！产品链接和底层框架 ScienceIDE 的论文、GitHub 全放评论区👇

超级个体｜柿子

52,317 просмотров • 1 месяц назад

有没有想过：Claude Code 或 Codex 跑完一个任务，它到底「看」了哪些文件、忽略了哪些？ Mindwalk 把这个问题可视化了，它把 Claude Code 和 Codex 的会话日志，投射到代码库的 3D 地图上回放。仓库是一张夜间俯瞰图，agent 搜索、读取、编辑过的文件会发光，没碰到的区域保持黑暗，让你一眼看清 agent 对任务的理解范围。单个 Go 二进制文件，所有数据完全本地处理，不会离开机器。文件触达状态分四级：未访问、已查看、已读取、已编辑，还有上下文压缩事件、子 agent 启动、错误节点的时间轴标记。这个工具提供了一个直觉：agent 的工作范围和你以为的往往不一样。当它跑了 30 分钟，你以为它读遍了整个仓库，但地图可能告诉你它根本没碰到关键目录。如果你在用 Claude Code 跑复杂任务，这是个值得装一下的调试工具。可以用它检查 agent 是否真的理解了任务范围，而不是靠最后的输出结果猜测。

有没有想过：Claude Code 或 Codex 跑完一个任务，它到底「看」了哪些文件、忽略了哪些？ Mindwalk 把这个问题可视化了，它把 Claude Code 和 Codex 的会话日志，投射到代码库的 3D 地图上回放。仓库是一张夜间俯瞰图，agent 搜索、读取、编辑过的文件会发光，没碰到的区域保持黑暗，让你一眼看清 agent 对任务的理解范围。单个 Go 二进制文件，所有数据完全本地处理，不会离开机器。文件触达状态分四级：未访问、已查看、已读取、已编辑，还有上下文压缩事件、子 agent 启动、错误节点的时间轴标记。这个工具提供了一个直觉：agent 的工作范围和你以为的往往不一样。当它跑了 30 分钟，你以为它读遍了整个仓库，但地图可能告诉你它根本没碰到关键目录。如果你在用 Claude Code 跑复杂任务，这是个值得装一下的调试工具。可以用它检查 agent 是否真的理解了任务范围，而不是靠最后的输出结果猜测。

Xudong Han

27,710 просмотров • 3 месяцев назад