Video wird geladen...

Video konnte nicht geladen werden

Zur Startseite

这可能是对小白最友好的 vibe coding 教程 —— easy-vibe 🎉目前已经在GitHub上斩获12.5k star 霸榜trend 很多编程教程一上来就讲环境、语法、框架、工程规范，新手还没看到结果就已经被劝退了。Easy-Vibe 反过来，它先让你体验一件事：会描述需求，就可以开始做应用 你不需要一开始就理解所有技术细节，而是从“我想做一个记账工具”“我想做一个带登录的预约系统”“我想做一个博客”这种自然语言需求出发，学会怎么和 AI 协作，把想法一步步变成能运行、能展示、能迭代的产品 它对小白友好主要体现在 5 点： 1. 从零开始，不假设你懂开发 - 有专门的 Beginner Entry，不是默认你已经会前端、后端、数据库、部署 2. 先做出来，再理解原理 - 先通过简单、具体的案例获得“我真的能做出来”的正反馈，再慢慢补 AI IDE、Prompt、产品原型、前后端、部署等知识 3. 学习路径很清楚 - 从 Stage 1 的产品原型，到 Stage 2 的全栈应用，再到 Stage 3 的 Claude Code、MCP、Agent workflow，像地图一样告诉你下一步该学什么 4. 不是只教工具，而是教完整产品流程 - 它覆盖...

Zh_Crypto517's profile picture

Z大诗

12,613 subscribers

18,963 Aufrufe • vor 3 Monaten •via X (Twitter)

LIVE

Anya Rossi• Live Now

Private livecam show

0 Kommentare

Keine Kommentare verfügbar

Kommentare vom Original-Post werden hier angezeigt

Ähnliche Videos

Claude Opus 4.8 出了之后，我的第一反应是：想试。 第二反应是：算了，token 这东西真的不经烧。 结果看到 ZenMux 现在可以体验 Opus 4.8，就拿它试了一个我最近一直想做的小东西。 我自己有个很真实的问题： 脑子里经常冒出各种产品想法。 但每次真要开始做，就会卡住。 用户是谁？ 第一版到底做什么？ 哪些功能应该先砍掉？ 怎么定价？ 第一周从哪一步开始？ 上线后怎么找第一批用户？ 想法很多，执行很散。 所以我让 Claude Opus 4.8 做了一个「一人公司作战室」。 需求我写得也挺直接： 输入一句产品 idea。 自动拆出产品定位、MVP、开发任务、定价方案。 再生成落地页文案、冷启动实验、风险清单和本周计划。 最好不是一个静态页面，而是真的能点、能改、能导出。 然后我就把这段话丢给 Claude Opus 4.8。 出来的效果比我预期好不少。 它真的把“一人公司怎么从想法走到执行”这件事拆开了。 左边输入产品想法。 中间生成产品蓝图、MVP 范围、定价和官网文案。 右边是任务看板和本周计划。 底部还有冷启动实验、风险雷达和 Markdown 导出。 最让我觉得有意思的是，它不是一味堆功能。 比如我输入“给小红书博主做 AI 选题助手”，它会主动判断： 第一版必须做什么。 哪些功能看起来高级，但现在应该先别碰。 怎么找第一批真实用户。 哪些风险可能让这个项目做不下去。 这点就很能体现 Opus 4.8 的能力。 普通模型经常是：你要什么，我全给你加上。 最后页面很热闹，但产品判断是空的。 Opus 4.8 更像是在帮你收敛：先想清楚用户、场景和第一步，再把它变成可以执行的工作台。 我是在 ZenMux 上试的。 它比较方便的一点是，一个 Key 就能切不同模型，新模型上线也很快。 Opus 4.8 拿来做这种带产品判断、交互状态和复杂信息结构的网页，确实挺顺。 想试 Claude Opus 4.8 的，可以从这里进：
0:43

Claude Opus 4.8 出了之后，我的第一反应是：想试。 第二反应是：算了，token 这东西真的不经烧。 结果看到 ZenMux 现在可以体验 Opus 4.8，就拿它试了一个我最近一直想做的小东西。 我自己有个很真实的问题： 脑子里经常冒出各种产品想法。 但每次真要开始做，就会卡住。 用户是谁？ 第一版到底做什么？ 哪些功能应该先砍掉？ 怎么定价？ 第一周从哪一步开始？ 上线后怎么找第一批用户？ 想法很多，执行很散。 所以我让 Claude Opus 4.8 做了一个「一人公司作战室」。 需求我写得也挺直接： 输入一句产品 idea。 自动拆出产品定位、MVP、开发任务、定价方案。 再生成落地页文案、冷启动实验、风险清单和本周计划。 最好不是一个静态页面，而是真的能点、能改、能导出。 然后我就把这段话丢给 Claude Opus 4.8。 出来的效果比我预期好不少。 它真的把“一人公司怎么从想法走到执行”这件事拆开了。 左边输入产品想法。 中间生成产品蓝图、MVP 范围、定价和官网文案。 右边是任务看板和本周计划。 底部还有冷启动实验、风险雷达和 Markdown 导出。 最让我觉得有意思的是，它不是一味堆功能。 比如我输入“给小红书博主做 AI 选题助手”，它会主动判断： 第一版必须做什么。 哪些功能看起来高级，但现在应该先别碰。 怎么找第一批真实用户。 哪些风险可能让这个项目做不下去。 这点就很能体现 Opus 4.8 的能力。 普通模型经常是：你要什么，我全给你加上。 最后页面很热闹，但产品判断是空的。 Opus 4.8 更像是在帮你收敛：先想清楚用户、场景和第一步，再把它变成可以执行的工作台。 我是在 ZenMux 上试的。 它比较方便的一点是，一个 Key 就能切不同模型，新模型上线也很快。 Opus 4.8 拿来做这种带产品判断、交互状态和复杂信息结构的网页，确实挺顺。 想试 Claude Opus 4.8 的，可以从这里进：

Joruno

15,983 Aufrufe • vor 2 Monaten

李飞飞这段采访，越听越有压力。 她说未来真正被甩开的，可能不是被 AI 替代的人，而是还在用五年前流程工作的人。 以前产品经理不会写代码很正常：写 PRD、开会、等设计、排开发，几个月做个原型。 但现在旁边的人已经能用 AI 当天把 demo 跑出来，拿真实界面讨论需求，你还在说“我负责协调资源”。 差距可能就是这么拉开的。 AI 最狠的地方，不是替你工作，而是逼你从“传话的人”变成“能把想法做出来的人”。
49:04

李飞飞这段采访，越听越有压力。 她说未来真正被甩开的，可能不是被 AI 替代的人，而是还在用五年前流程工作的人。 以前产品经理不会写代码很正常：写 PRD、开会、等设计、排开发，几个月做个原型。 但现在旁边的人已经能用 AI 当天把 demo 跑出来，拿真实界面讨论需求，你还在说“我负责协调资源”。 差距可能就是这么拉开的。 AI 最狠的地方，不是替你工作，而是逼你从“传话的人”变成“能把想法做出来的人”。

Vincent

69,334 Aufrufe • vor 1 Monat

Vibe Coding 让每个人都有做软件的能力，我见过很多人做了几十个产品，纯特么自嗨，没有一毛钱盈利。 现在 AI 一晚上能做一个产品，代码成本趋近于零，成本低到大家觉得不需要验证，做完了自然有人用。 但事实上大家都在做“玩具”，因为 Vibe Coding 解决的是 how，但 what 和 why 被跳过了。 我最近一个多月一直在用 atypica.AI ，就是在写代码之前，先把想法丢进去跑一轮用户验证。 它会有一套完整的研究链路： 先帮你拆研究计划，然后从百万级真实用户数据构建的 AI 人设库里挑人，组成一个焦点小组（AI Panel），让这些虚拟用户讨论你的产品、互相辩论、给出反对意见。 并且，这个焦点小组可以反复用，每次你有新想法、新定价、新包装、新广告语，都可以拉同一批人再聊一轮。 我刚用它测过的场景： 上周我想做一个给老板用的 AI 助手，它帮我组了 12 个不同行业的老板人设（persona）并沉淀成我可以反复调用的Panel 。 30 分钟跑完，从报告中发现3件我完全没想到的事： 1. 当AI变得太懂老板反而会引发不安全感（尤其是很懂账目和客户关系时，会觉得被盯着）； 2. 最抗拒 AI 的老板也不是完全不用 AI ，只是不想换工作方式（能继续发微信、拍照、说语音，后台自动整理）； 3. 他们愿意为 AI 付钱不是因为功能多，而是因为它能帮自己少亏一次钱（少一次压货、客户流失或管理损耗，比“智能助手”这个概念更能打动人）。 根据这些发现我当场调整了方向，然后用panel里的同一批人再验证了一轮。两轮下来，避开了至少三个致命错误。 Vibe Coding 把做产品的门槛降到了零，但做对产品的门槛一点没变，如果你想要靠产品盈利，最好还是先想清楚： 你在解决真实需求，还是在解决自己幻想的问题。
1:27

Vibe Coding 让每个人都有做软件的能力，我见过很多人做了几十个产品，纯特么自嗨，没有一毛钱盈利。 现在 AI 一晚上能做一个产品，代码成本趋近于零，成本低到大家觉得不需要验证，做完了自然有人用。 但事实上大家都在做“玩具”，因为 Vibe Coding 解决的是 how，但 what 和 why 被跳过了。 我最近一个多月一直在用 atypica.AI ，就是在写代码之前，先把想法丢进去跑一轮用户验证。 它会有一套完整的研究链路： 先帮你拆研究计划，然后从百万级真实用户数据构建的 AI 人设库里挑人，组成一个焦点小组（AI Panel），让这些虚拟用户讨论你的产品、互相辩论、给出反对意见。 并且，这个焦点小组可以反复用，每次你有新想法、新定价、新包装、新广告语，都可以拉同一批人再聊一轮。 我刚用它测过的场景： 上周我想做一个给老板用的 AI 助手，它帮我组了 12 个不同行业的老板人设（persona）并沉淀成我可以反复调用的Panel 。 30 分钟跑完，从报告中发现3件我完全没想到的事： 1. 当AI变得太懂老板反而会引发不安全感（尤其是很懂账目和客户关系时，会觉得被盯着）； 2. 最抗拒 AI 的老板也不是完全不用 AI ，只是不想换工作方式（能继续发微信、拍照、说语音，后台自动整理）； 3. 他们愿意为 AI 付钱不是因为功能多，而是因为它能帮自己少亏一次钱（少一次压货、客户流失或管理损耗，比“智能助手”这个概念更能打动人）。 根据这些发现我当场调整了方向，然后用panel里的同一批人再验证了一轮。两轮下来，避开了至少三个致命错误。 Vibe Coding 把做产品的门槛降到了零，但做对产品的门槛一点没变，如果你想要靠产品盈利，最好还是先想清楚： 你在解决真实需求，还是在解决自己幻想的问题。

余温

27,280 Aufrufe • vor 2 Monaten

如何教我54岁的老爸Vibe Coding，做出20+产品，变现百万？ 翻出了之前4月份采访我老爸的视频。第一次让他尝试用 AI 写代码时，他的反应是：“不可能，真不可能。” 几个月后，他每天早上 5 点开始写，一直写到晚上 11 点，陆续做出了接近 20 个产品。其中有拍照识别食物热量的小程序、健康档案管理工具、电子签章软件，甚至还有卖化肥的产品。有的产品已经有几千名用户，电子签章软件也上架了华为云和阿里云。 他还很兴奋地告诉我：“我现在像一个二十多岁的小伙子，我还能写代码，我完全是一个全栈工程师。” 这次采访，我从他身上看到了普通人使用 AI 最重要的 7 件事： 1. 真正的起点不是学习技术，而是解决一个真实问题 他最初想做一个小程序，找外包询价，对方报价 10 万—20 万。我建议他先用 Cursor 和 Claude Code 自己试试。 他完全不相信，最后是被我拉进视频会议，手把手“逼着”打开电脑。 2. 第一个项目一定要足够小，小到你可以马上开始 他的第一个任务只是：写一个程序，找出 100 以内的质数。 3 分钟后，AI 不仅写出了算法，还做出了一个像样的界面。 这一刻直接打穿了他的认知：原来不会写代码的人，也可以把脑中的想法变成真正能运行的产品。 3. AI 最大的价值，是把反馈周期从几天缩短到几分钟 过去找外包，一个需求要等两三天，甚至一个星期，反馈回来的结果还可能不是自己想要的，只能继续沟通、继续返工。 现在他把修改要求告诉 AI，一到两分钟就能看到结果。不对，就继续解释，再迭代一次。 这种反馈速度，彻底改变了他做产品的方式。 4. 把 AI 当员工，但前提是你必须把需求讲清楚 我以前用 AI 时，经常只会说“这里不对”，甚至对它发脾气，却没有告诉它我真正想要什么。 爸爸反而更会“管理 AI”：目标是什么、想得到什么结果、哪里需要修改，他都会明确表达。 如果自己都没想清楚需求，却要求 AI 猜中答案，它当然很难把事情做好。 5. 产品灵感不在宏大的趋势里，而在身边没有被解决的小问题里 他会观察某个行业有没有痛点，也会听朋友们有哪些一直没能实现的想法。 体检报告几年后找不到，于是做健康档案管理工具；报价文件打印、盖章、扫描太麻烦，于是做电子签章；有人有其他行业需求，他就尝试用 AI 做出来。 不是先掌握所有技术，再寻找可以做的产品；而是先找到具体问题，然后边做边学。 6. 工具和模型的差异，只有真正做项目后才会理解 他的经验是：Claude Code 更擅长架构和复杂功能，Cursor 在界面和日常开发上也很好用，成本相对更低。 但这些认识并不是看书看来的，而是在一次次实际开发、换模型、改提示和调试中积累出来的。 7. 小白学习 AI 最快的方法只有一个：必须动手 一开始，他也说：“我这个年代了，我怎么学？你不要骗我了。” 真正做起来以后，他却觉得自己像重新回到了二十多岁。 我们总在说“我要学 AI”，但真正开始动手的人并不多。AI 不只是让专业人士变得更快，它正在让普通人第一次拥有独立做产品的能力。 54 岁不是太晚，不会写代码也不是门槛。 真正的门槛，是你愿不愿意从一个真实的小问题开始，今天就动手。
7:51

如何教我54岁的老爸Vibe Coding，做出20+产品，变现百万？ 翻出了之前4月份采访我老爸的视频。第一次让他尝试用 AI 写代码时，他的反应是：“不可能，真不可能。” 几个月后，他每天早上 5 点开始写，一直写到晚上 11 点，陆续做出了接近 20 个产品。其中有拍照识别食物热量的小程序、健康档案管理工具、电子签章软件，甚至还有卖化肥的产品。有的产品已经有几千名用户，电子签章软件也上架了华为云和阿里云。 他还很兴奋地告诉我：“我现在像一个二十多岁的小伙子，我还能写代码，我完全是一个全栈工程师。” 这次采访，我从他身上看到了普通人使用 AI 最重要的 7 件事： 1. 真正的起点不是学习技术，而是解决一个真实问题 他最初想做一个小程序，找外包询价，对方报价 10 万—20 万。我建议他先用 Cursor 和 Claude Code 自己试试。 他完全不相信，最后是被我拉进视频会议，手把手“逼着”打开电脑。 2. 第一个项目一定要足够小，小到你可以马上开始 他的第一个任务只是：写一个程序，找出 100 以内的质数。 3 分钟后，AI 不仅写出了算法，还做出了一个像样的界面。 这一刻直接打穿了他的认知：原来不会写代码的人，也可以把脑中的想法变成真正能运行的产品。 3. AI 最大的价值，是把反馈周期从几天缩短到几分钟 过去找外包，一个需求要等两三天，甚至一个星期，反馈回来的结果还可能不是自己想要的，只能继续沟通、继续返工。 现在他把修改要求告诉 AI，一到两分钟就能看到结果。不对，就继续解释，再迭代一次。 这种反馈速度，彻底改变了他做产品的方式。 4. 把 AI 当员工，但前提是你必须把需求讲清楚 我以前用 AI 时，经常只会说“这里不对”，甚至对它发脾气，却没有告诉它我真正想要什么。 爸爸反而更会“管理 AI”：目标是什么、想得到什么结果、哪里需要修改，他都会明确表达。 如果自己都没想清楚需求，却要求 AI 猜中答案，它当然很难把事情做好。 5. 产品灵感不在宏大的趋势里，而在身边没有被解决的小问题里 他会观察某个行业有没有痛点，也会听朋友们有哪些一直没能实现的想法。 体检报告几年后找不到，于是做健康档案管理工具；报价文件打印、盖章、扫描太麻烦，于是做电子签章；有人有其他行业需求，他就尝试用 AI 做出来。 不是先掌握所有技术，再寻找可以做的产品；而是先找到具体问题，然后边做边学。 6. 工具和模型的差异，只有真正做项目后才会理解 他的经验是：Claude Code 更擅长架构和复杂功能，Cursor 在界面和日常开发上也很好用，成本相对更低。 但这些认识并不是看书看来的，而是在一次次实际开发、换模型、改提示和调试中积累出来的。 7. 小白学习 AI 最快的方法只有一个：必须动手 一开始，他也说：“我这个年代了，我怎么学？你不要骗我了。” 真正做起来以后，他却觉得自己像重新回到了二十多岁。 我们总在说“我要学 AI”，但真正开始动手的人并不多。AI 不只是让专业人士变得更快，它正在让普通人第一次拥有独立做产品的能力。 54 岁不是太晚，不会写代码也不是门槛。 真正的门槛，是你愿不愿意从一个真实的小问题开始，今天就动手。

Vivi Xiao

21,405 Aufrufe • vor 23 Tagen

从一个想法到 App Store 只用了 20 天——我如何在不是全职程序员的情况下，用 AI 打造并发布一款 iOS 应用：JAM。 如果你有一个创意，想把它变成真正的产品，现在的速度可以比你想象的还快。 在这段视频里，我会告诉你，如何在完全没有传统编程经验的情况下，借助像 Cursor 这样的 AI 工具，仅用 20 天就从构思走到 App Store 上架。 这是一份针对设计师和科技从业者的真实案例，展示了现代 AI 工具如何加速工作流程、验证产品创意，并在极短时间内完成可用原型。
7:55

从一个想法到 App Store 只用了 20 天——我如何在不是全职程序员的情况下，用 AI 打造并发布一款 iOS 应用：JAM。 如果你有一个创意，想把它变成真正的产品，现在的速度可以比你想象的还快。 在这段视频里，我会告诉你，如何在完全没有传统编程经验的情况下，借助像 Cursor 这样的 AI 工具，仅用 20 天就从构思走到 App Store 上架。 这是一份针对设计师和科技从业者的真实案例，展示了现代 AI 工具如何加速工作流程、验证产品创意，并在极短时间内完成可用原型。

Bear Liu

51,560 Aufrufe • vor 1 Jahr

黄仁勋被问到如果自己是今天的学生，会先学什么 他的回答不是编程，不是数学，是学 AI 但他说的"学AI"不是让你去研究底层算法，是学会怎么跟 AI 交互 他的原话是：学会跟 AI 对话，本质上就是学会成为一个擅长提问的人 要问得好，你需要两样东西：专业知识和表达的艺术性。你得知道自己领域的东西，然后用 AI 听得懂的方式把需求说清楚 这个能力他管它叫"提示词工程"，但其实不用想得那么技术化。说白了就是：你能不能把一个模糊的想法，拆解成AI能执行的具体指令 不管你学什么专业、做什么工作，他觉得你都应该问自己一个问题："我怎么用 AI 来更好地完成我现在的工作？"
1:05

黄仁勋被问到如果自己是今天的学生，会先学什么 他的回答不是编程，不是数学，是学 AI 但他说的"学AI"不是让你去研究底层算法，是学会怎么跟 AI 交互 他的原话是：学会跟 AI 对话，本质上就是学会成为一个擅长提问的人 要问得好，你需要两样东西：专业知识和表达的艺术性。你得知道自己领域的东西，然后用 AI 听得懂的方式把需求说清楚 这个能力他管它叫"提示词工程"，但其实不用想得那么技术化。说白了就是：你能不能把一个模糊的想法，拆解成AI能执行的具体指令 不管你学什么专业、做什么工作，他觉得你都应该问自己一个问题："我怎么用 AI 来更好地完成我现在的工作？"

Vincent | 信号＞噪音

18,700 Aufrufe • vor 2 Monaten

可能是最适合小白的视频产品，没有之一。 不用会提示词，也不用懂剪辑。 你只要像聊天一样说出想法，比如“做个高级感产品视频”，Pexo 就能帮你解决剩下的一切！ 画面、音乐、转场、包装； 不满意？直接对话改风格、重做、无限迭代，直到满意。 更厉害的是，它已经原生接进 OpenClaw， 终于有一个 AI，能让我的小龙虾自己去做视频了， 飞书、Discord、Telegram 里都能直接调用生成视频， 现有工作流里就能完成，完全不用切工具。 这个维度看，为人类与 Agent 共同设计的原生内容创作 Agent； 面向人类端，它理解你的意图，你说想法，它出成片； 面向 Agent 端，它可以被调用、被协作，无缝嵌入自动化工作流。 三周前，它还是一个人的想法， 现在，Pexo 已在 OpenClaw 原生环境中快速成长，海外被雇佣超过数万次。 发展速度，已经说明一切。 一句话总结： 做视频，从复杂技能变成一句话就能调用的能力。
0:52

可能是最适合小白的视频产品，没有之一。 不用会提示词，也不用懂剪辑。 你只要像聊天一样说出想法，比如“做个高级感产品视频”，Pexo 就能帮你解决剩下的一切！ 画面、音乐、转场、包装； 不满意？直接对话改风格、重做、无限迭代，直到满意。 更厉害的是，它已经原生接进 OpenClaw， 终于有一个 AI，能让我的小龙虾自己去做视频了， 飞书、Discord、Telegram 里都能直接调用生成视频， 现有工作流里就能完成，完全不用切工具。 这个维度看，为人类与 Agent 共同设计的原生内容创作 Agent； 面向人类端，它理解你的意图，你说想法，它出成片； 面向 Agent 端，它可以被调用、被协作，无缝嵌入自动化工作流。 三周前，它还是一个人的想法， 现在，Pexo 已在 OpenClaw 原生环境中快速成长，海外被雇佣超过数万次。 发展速度，已经说明一切。 一句话总结： 做视频，从复杂技能变成一句话就能调用的能力。

开发者Hailey

16,651 Aufrufe • vor 5 Monaten

#Jacky用户体验 #JackyAIGC 我几乎无时无刻不想把设计师从现有的繁杂工作中解放出来，让 AI 去替代人类做一些无意义的事，今天的这个工具让我看到了一丝希望，你可能把它简单的理解为一个原型图生成工具，但是我不这样认为
1:13

#Jacky用户体验 #JackyAIGC 我几乎无时无刻不想把设计师从现有的繁杂工作中解放出来，让 AI 去替代人类做一些无意义的事，今天的这个工具让我看到了一丝希望，你可能把它简单的理解为一个原型图生成工具，但是我不这样认为

Jackywine

27,966 Aufrufe • vor 3 Jahren

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：
57:23

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

301,920 Aufrufe • vor 2 Jahren

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」。
2:33

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」。

sitin

15,309 Aufrufe • vor 9 Monaten

AI发展真的已经势不可挡了吗？ 吴恩达倒是给出了一个反直觉的答案，他说：“AI发展并没有像宣传的那么夸张。但是不得不承认，编程这方面AI确实急速发展。” 那工程师们都要失业吗？其实也不是。 在软件开发这个“写代码➔交付用户➔获取反馈➔调整方向”的循环中，当写代码变得越来越快时，效率提升的瓶颈转移到了产品经理身上，“做什么”AI似乎无能为力。 我就在想，会不会在未来极端条件下，一个人+AI就可以实现软件开发的闭环，他既是工程师也是产品经理。 果然，不会用AI的工程师不是好的产品经理。 #AI #吴恩达 #Stanford #core #Agent
4:15

AI发展真的已经势不可挡了吗？ 吴恩达倒是给出了一个反直觉的答案，他说：“AI发展并没有像宣传的那么夸张。但是不得不承认，编程这方面AI确实急速发展。” 那工程师们都要失业吗？其实也不是。 在软件开发这个“写代码➔交付用户➔获取反馈➔调整方向”的循环中，当写代码变得越来越快时，效率提升的瓶颈转移到了产品经理身上，“做什么”AI似乎无能为力。 我就在想，会不会在未来极端条件下，一个人+AI就可以实现软件开发的闭环，他既是工程师也是产品经理。 果然，不会用AI的工程师不是好的产品经理。 #AI #吴恩达 #Stanford #core #Agent

傅盛

32,729 Aufrufe • vor 4 Monaten

今天真的被一个 19 岁的学员震撼到了… 她是一名艺术生，即将去伦敦读大一 此前几乎没有接触过商业，没有学过 AI，更没有任何开发经验。因为家里做美妆生意，她对产品可能有一些模糊的感知，但距离真正做一个创业项目，其实还很远 昨天，她告诉我，自己学的是设计，希望找到一个既符合个人审美，又有可能商业化的方向 考虑到她在伦敦上学，喜欢猫猫狗狗，身边接触到的又大多是愿意为审美和情绪价值买单的中产女性，我们就和她一起碰出了一个想法： 做人与宠物的亲子装 把宠物服饰、个人美学、五行八字等元素结合起来，通过独立站面向海外用户销售 这并不只是卖一件衣服 它满足的是人们为自己和宠物表达身份、建立关系、寻找情绪寄托的需求 一个产品首先要有用，但真正产生溢价的，往往是那些看似「无用」的审美、故事、文化和标签 今天，她根据这几天课程中学到的 AI 使用方法，自己手搓出了一个独立站的前端页面 看到页面的那一刻，我真的有些难以置信 她没有开发基础，却凭借极强的设计审美，再结合智能体、提示词迭代和一些基础的商业逻辑，做出了一个连很多成熟开发者都很难完成的页面 更重要的是，她并没有机械地执行我们的要求 他把我们聊过的五行、风水、八字和个性化测试都融入了产品，让用户可以探索 「我的宠物适合什么颜色」 「它对应什么五行」 「我们适合怎样的亲子穿搭」 这已经不再是一次普通的课堂作业 它有明确的人群，有具体的消费场景，有审美差异，有传播话题，也有真实的商业化可能 供应链、产品打磨和运营都可以在后面逐步补足，但一个项目最难得的东西： 创始人的个人特质与市场机会之间的契合 已经出现了 那一刻我第一次非常强烈地意识到： 我们做的可能不只是一次创业体验，而是真的有机会从这些孩子当中，孵化出值得投入、值得长期陪伴的创业项目 一个 19 岁、还没正式进入大学的年轻人，在短短一两天里，从一个模糊的兴趣出发，完成了从想法、用户、产品定位到网页原型的跨越 这在过去是很难想象的 以前，一个人想把创意变成产品，需要会设计、会开发、懂商业，还要找到合适的团队和资金 但在 AI 时代，一个拥有审美、好奇心和行动力的人，可以先借助 AI 补足自己暂时不具备的能力 她不需要先准备好，才有资格开始 她是在开始之后，不断变得更强 相比之下，我也看到了一些刚刚经历过高考的孩子 她们学习 AI 时，第一反应依然是认真记笔记，等待老师给出标准步骤，然后严格按照要求完成任务 这当然不是他们的问题 传统教育长期训练的是记忆、服从和寻找标准答案 而 AI 时代真正稀缺的，可能是提出问题、调动工具、快速试错，以及把一个模糊想法变成现实的能力 记笔记没有错，按照规则完成任务也没有问题 但我们不能让孩子误以为，学习的终点只是记住老师讲过什么 真正重要的是：你能不能用这些东西，创造一个此前不存在的产品 所以我越来越确信，AI 教育一定要尽可能早 不是为了让孩子更早学习某个软件，也不是为了把「会用 AI」变成新一轮的应试竞争，而是要在他们还没有完全习惯等待标准答案之前，让他们体验一次： 原来我的想法可以被实现 原来我不需要先成为专家，也可以开始创造 原来我不仅能够完成老师布置的任务，还能够发现一个问题、设计一个产品，甚至真正影响一群人的生活，改变这个世界 当一个孩子第一次亲手创造出一个真实的产品，他对自己的认识就会发生改变 而这种「我能够创造」的信念，才是 AI 教育最重要的价值 我们真正要做的，就是让他们在足够年轻的时候，就站到这个时代的前面，看到一个属于自己的可能性
2:16

今天真的被一个 19 岁的学员震撼到了… 她是一名艺术生，即将去伦敦读大一 此前几乎没有接触过商业，没有学过 AI，更没有任何开发经验。因为家里做美妆生意，她对产品可能有一些模糊的感知，但距离真正做一个创业项目，其实还很远 昨天，她告诉我，自己学的是设计，希望找到一个既符合个人审美，又有可能商业化的方向 考虑到她在伦敦上学，喜欢猫猫狗狗，身边接触到的又大多是愿意为审美和情绪价值买单的中产女性，我们就和她一起碰出了一个想法： 做人与宠物的亲子装 把宠物服饰、个人美学、五行八字等元素结合起来，通过独立站面向海外用户销售 这并不只是卖一件衣服 它满足的是人们为自己和宠物表达身份、建立关系、寻找情绪寄托的需求 一个产品首先要有用，但真正产生溢价的，往往是那些看似「无用」的审美、故事、文化和标签 今天，她根据这几天课程中学到的 AI 使用方法，自己手搓出了一个独立站的前端页面 看到页面的那一刻，我真的有些难以置信 她没有开发基础，却凭借极强的设计审美，再结合智能体、提示词迭代和一些基础的商业逻辑，做出了一个连很多成熟开发者都很难完成的页面 更重要的是，她并没有机械地执行我们的要求 他把我们聊过的五行、风水、八字和个性化测试都融入了产品，让用户可以探索 「我的宠物适合什么颜色」 「它对应什么五行」 「我们适合怎样的亲子穿搭」 这已经不再是一次普通的课堂作业 它有明确的人群，有具体的消费场景，有审美差异，有传播话题，也有真实的商业化可能 供应链、产品打磨和运营都可以在后面逐步补足，但一个项目最难得的东西： 创始人的个人特质与市场机会之间的契合 已经出现了 那一刻我第一次非常强烈地意识到： 我们做的可能不只是一次创业体验，而是真的有机会从这些孩子当中，孵化出值得投入、值得长期陪伴的创业项目 一个 19 岁、还没正式进入大学的年轻人，在短短一两天里，从一个模糊的兴趣出发，完成了从想法、用户、产品定位到网页原型的跨越 这在过去是很难想象的 以前，一个人想把创意变成产品，需要会设计、会开发、懂商业，还要找到合适的团队和资金 但在 AI 时代，一个拥有审美、好奇心和行动力的人，可以先借助 AI 补足自己暂时不具备的能力 她不需要先准备好，才有资格开始 她是在开始之后，不断变得更强 相比之下，我也看到了一些刚刚经历过高考的孩子 她们学习 AI 时，第一反应依然是认真记笔记，等待老师给出标准步骤，然后严格按照要求完成任务 这当然不是他们的问题 传统教育长期训练的是记忆、服从和寻找标准答案 而 AI 时代真正稀缺的，可能是提出问题、调动工具、快速试错，以及把一个模糊想法变成现实的能力 记笔记没有错，按照规则完成任务也没有问题 但我们不能让孩子误以为，学习的终点只是记住老师讲过什么 真正重要的是：你能不能用这些东西，创造一个此前不存在的产品 所以我越来越确信，AI 教育一定要尽可能早 不是为了让孩子更早学习某个软件，也不是为了把「会用 AI」变成新一轮的应试竞争，而是要在他们还没有完全习惯等待标准答案之前，让他们体验一次： 原来我的想法可以被实现 原来我不需要先成为专家，也可以开始创造 原来我不仅能够完成老师布置的任务，还能够发现一个问题、设计一个产品，甚至真正影响一群人的生活，改变这个世界 当一个孩子第一次亲手创造出一个真实的产品，他对自己的认识就会发生改变 而这种「我能够创造」的信念，才是 AI 教育最重要的价值 我们真正要做的，就是让他们在足够年轻的时候，就站到这个时代的前面，看到一个属于自己的可能性

文硕

11,070 Aufrufe • vor 1 Monat

骂归骂，但毫无疑问claude code 是anthropic 出来的最优秀的产品。 这篇 Anthropic 原文是 Claude Code 的“口述史”，首先文章网站做的就很有意思：直接仿真了一个terminal，看起来很有趣！ 内容上：讲了 Claude Code 从早期内部实验、clide 原型、Claude CLI，到 2025 年研究预览发布后的扩散过程 一句话总结：Claude Code 的成型，靠的是模型能力进步、终端式产品形态、小团队高频迭代、Anthropic 内部重度试用，以及一批早期用户不断反馈出来的真实工作流。 Claude Code 不是突然冒出来的产品。Anthropic 从 2021、2022 年就一直在研究怎么让模型写代码、跑测试、用 bash、在真实环境里完成任务。 早期还有过 VS Code 插件和内部工具 clide，虽然粗糙，但已经证明“AI 可以真的参与开发”。 clide 很难用，但内部工程师一用就发现有未来感。Boris Cherny 后来做了 Claude CLI 原型，一开始没人太当回事，Slack 上反响也很小。直到大家看到它真的能改代码、写 PR、帮工程师推进工作，团队才意识到：这个方向值得全力做。 他们认为 Claude Code 代表一种新的写代码方式：工程师会越来越少手写每一行代码，更多是在安排任务、审查结果、管理多个 AI agent。它也可能让很多原本没钱、没团队做软件的人，第一次能做出可用工具。 原文链接：
0:40

骂归骂，但毫无疑问claude code 是anthropic 出来的最优秀的产品。 这篇 Anthropic 原文是 Claude Code 的“口述史”，首先文章网站做的就很有意思：直接仿真了一个terminal，看起来很有趣！ 内容上：讲了 Claude Code 从早期内部实验、clide 原型、Claude CLI，到 2025 年研究预览发布后的扩散过程 一句话总结：Claude Code 的成型，靠的是模型能力进步、终端式产品形态、小团队高频迭代、Anthropic 内部重度试用，以及一批早期用户不断反馈出来的真实工作流。 Claude Code 不是突然冒出来的产品。Anthropic 从 2021、2022 年就一直在研究怎么让模型写代码、跑测试、用 bash、在真实环境里完成任务。 早期还有过 VS Code 插件和内部工具 clide，虽然粗糙，但已经证明“AI 可以真的参与开发”。 clide 很难用，但内部工程师一用就发现有未来感。Boris Cherny 后来做了 Claude CLI 原型，一开始没人太当回事，Slack 上反响也很小。直到大家看到它真的能改代码、写 PR、帮工程师推进工作，团队才意识到：这个方向值得全力做。 他们认为 Claude Code 代表一种新的写代码方式：工程师会越来越少手写每一行代码，更多是在安排任务、审查结果、管理多个 AI agent。它也可能让很多原本没钱、没团队做软件的人，第一次能做出可用工具。 原文链接：

岚叔

10,454 Aufrufe • vor 1 Monat

人工智能之父辛顿对他的杰作发出了令人不寒而栗的警告… 采访者： 人类知道自己在做什么吗？ Hinton： 嗯，我认为我们正在进入一个时期，在这个时期，我们可能第一次拥有比我们更智能的东西。 采访者： 你相信它们能理解吗？ Hinton： 是的。 采访者： 你相信它们是智能的吗？ Hinton： 是的。 采访者： 你相信这些系统有自己的经历吗？ Hinton： 是的。 采访者： 并且能基于那些经历做出决定吗？ Hinton： 在与人类相同的意义上，是的。 采访者： 它们有意识吗？ Hinton： 我认为它们目前可能没有多少自我意识。所以从这个意义上说，我不认为它们有意识。 采访者： 它们会有自我意识吗？ Hinton： 哦，是的。 采访者： 是吗？ Hinton： 哦，是的。所以想想看。这样一来，人类将成为地球上第二智能的生物。 Hinton： 我们对它大致在做什么有一个很好的了解。但一旦它变得真正复杂，我们就不再真正知道发生了什么，就像我们不知道你大脑里发生了什么一样。 采访者： 你说什么意思，我们不知道它到底是怎么工作的？它是由人设计的。 Hinton： 不，不是的。我们所做的是设计学习算法。这有点像设计进化的原理。但当这个学习算法与数据互动时，它会产生复杂的神经网络，这些网络擅长做某些事情，但我们并不真正理解它们到底是如何做到的。
1:29

人工智能之父辛顿对他的杰作发出了令人不寒而栗的警告… 采访者： 人类知道自己在做什么吗？ Hinton： 嗯，我认为我们正在进入一个时期，在这个时期，我们可能第一次拥有比我们更智能的东西。 采访者： 你相信它们能理解吗？ Hinton： 是的。 采访者： 你相信它们是智能的吗？ Hinton： 是的。 采访者： 你相信这些系统有自己的经历吗？ Hinton： 是的。 采访者： 并且能基于那些经历做出决定吗？ Hinton： 在与人类相同的意义上，是的。 采访者： 它们有意识吗？ Hinton： 我认为它们目前可能没有多少自我意识。所以从这个意义上说，我不认为它们有意识。 采访者： 它们会有自我意识吗？ Hinton： 哦，是的。 采访者： 是吗？ Hinton： 哦，是的。所以想想看。这样一来，人类将成为地球上第二智能的生物。 Hinton： 我们对它大致在做什么有一个很好的了解。但一旦它变得真正复杂，我们就不再真正知道发生了什么，就像我们不知道你大脑里发生了什么一样。 采访者： 你说什么意思，我们不知道它到底是怎么工作的？它是由人设计的。 Hinton： 不，不是的。我们所做的是设计学习算法。这有点像设计进化的原理。但当这个学习算法与数据互动时，它会产生复杂的神经网络，这些网络擅长做某些事情，但我们并不真正理解它们到底是如何做到的。

KK.aWSB

54,239 Aufrufe • vor 8 Monaten

今天，把一件关于 AI 很底层的事，彻底想透了。 使用 AI 的最佳方式是以道御术，但前提是你得先以术入道。 就像黄仁勋说的——真正会用 AI 的人，都是极高认知的提问者，带着自己的认知去提问，让 AI 帮你叩开未知的边界，而不是让它替你思考。 这段话最近反复在我脑子里出现， 但我觉得他还少说了一句： 这个认知，到底从哪来？ 首先肯定不是看几本书、刷几条推就能来的， 我觉得至少得是你自己上手干过、踩过坑、改过错，这个认知才能慢慢长出来， 这就是以术入道。 就像做菜，你得自己掌过勺，才知道一道菜真正的好坏在哪，AI 也一样，你得先用过、踩过坑、改过错，才能判断它给你的建议到底对不对。 我现在的判断是，AI 工具大概率会分成两条路。 一条是 agent 型，Claude Code、Codex、Hermes 那种，你给个目标它自己跑，你睡觉时它也跑，手机戳一戳继续跑，像一辆自动驾驶汽车。 另一条是 实习生型，典型代表是 Cursor， 每一步都要你判断：diff 改对了吗？ 这个建议要不要采用？要不要切 MAX 模型重跑一次？ 它有判断力，但没有自主决策权，你不在跟前盯着，它就停下来。 agent 是替你思考，实习生是和你一起思考，而只有后者，才是真正以术入道的过程。 agent 型工具的核心是省时间，你用它做事，实习生型工具的核心是磨判断力，你用它的过程，就是你长出自己那个道的过程。 但实习生型工具有个致命瓶颈——你不在跟前，它就停了。 自从被官方投喂 $10000 额度之后，我现在是个 Cursor 重度用户， 家里专门放了一台 Mac 跑 Cursor， 结果它就变成一个必须我在场才能用的稀缺资源。 直到最近朋友给我推了 UU 远程，网易做的，都免费两年了，而且没广告没会员，一开始我都有点不敢相信。 试了下发现真香，手机一打开就能接进家里那台 Mac，4K 144 帧，几乎感觉不到延迟， 看 Cursor 实时 diff、处理报错、切模型，跟坐电脑前没区别。 最让我惊喜的是，手机能直接开终端， 以前出门想登家里 Mac 跑命令行， 得 Tailscale 再 ssh 再 tmux，折腾半天， 还原生支持一个完整终端，跟敲 zsh 没区别， Cursor 跑一半要 git status、kill 进程、npm install， 手机抬手就办了，特别方便。 更新版本的时候我才发现，UU 远程刚好做到第二年， 周年庆重申不收费，继续打磨产品给大家免费用，还预告了几个新功能：安卓屏幕共享、小窗模式、精细化权限管理、文件夹共享、笔记本设备性能优化。 一个免费做了两年、还在持续往里砸功能的产品，我觉得是真有长期主义、想把产品做好的。 话说回来，AI 发展到这个阶段，我们真正需要的，我理解已经不是更厉害的 AI了，而是一种能让你随时和你的 AI 一起思考的连接方式。 目前看，Cursor和UU 远程这类体验和功能都做的非常丝滑极致的产品， 对我来说就是这个连接方式， 把我和家里那个顶级实习生之间的物理距离消除了， 让我能在任何地方，磨我自己的那个道。 毕竟 AI 工具的尽头，不是替我们做事，是把我们磨成那个，值得被它认真回答的提问者， 以上和大家共勉，一起在学习和使用AI的这条路上，达到以术入道，以道御术的境界。
0:34

今天，把一件关于 AI 很底层的事，彻底想透了。 使用 AI 的最佳方式是以道御术，但前提是你得先以术入道。 就像黄仁勋说的——真正会用 AI 的人，都是极高认知的提问者，带着自己的认知去提问，让 AI 帮你叩开未知的边界，而不是让它替你思考。 这段话最近反复在我脑子里出现， 但我觉得他还少说了一句： 这个认知，到底从哪来？ 首先肯定不是看几本书、刷几条推就能来的， 我觉得至少得是你自己上手干过、踩过坑、改过错，这个认知才能慢慢长出来， 这就是以术入道。 就像做菜，你得自己掌过勺，才知道一道菜真正的好坏在哪，AI 也一样，你得先用过、踩过坑、改过错，才能判断它给你的建议到底对不对。 我现在的判断是，AI 工具大概率会分成两条路。 一条是 agent 型，Claude Code、Codex、Hermes 那种，你给个目标它自己跑，你睡觉时它也跑，手机戳一戳继续跑，像一辆自动驾驶汽车。 另一条是 实习生型，典型代表是 Cursor， 每一步都要你判断：diff 改对了吗？ 这个建议要不要采用？要不要切 MAX 模型重跑一次？ 它有判断力，但没有自主决策权，你不在跟前盯着，它就停下来。 agent 是替你思考，实习生是和你一起思考，而只有后者，才是真正以术入道的过程。 agent 型工具的核心是省时间，你用它做事，实习生型工具的核心是磨判断力，你用它的过程，就是你长出自己那个道的过程。 但实习生型工具有个致命瓶颈——你不在跟前，它就停了。 自从被官方投喂 $10000 额度之后，我现在是个 Cursor 重度用户， 家里专门放了一台 Mac 跑 Cursor， 结果它就变成一个必须我在场才能用的稀缺资源。 直到最近朋友给我推了 UU 远程，网易做的，都免费两年了，而且没广告没会员，一开始我都有点不敢相信。 试了下发现真香，手机一打开就能接进家里那台 Mac，4K 144 帧，几乎感觉不到延迟， 看 Cursor 实时 diff、处理报错、切模型，跟坐电脑前没区别。 最让我惊喜的是，手机能直接开终端， 以前出门想登家里 Mac 跑命令行， 得 Tailscale 再 ssh 再 tmux，折腾半天， 还原生支持一个完整终端，跟敲 zsh 没区别， Cursor 跑一半要 git status、kill 进程、npm install， 手机抬手就办了，特别方便。 更新版本的时候我才发现，UU 远程刚好做到第二年， 周年庆重申不收费，继续打磨产品给大家免费用，还预告了几个新功能：安卓屏幕共享、小窗模式、精细化权限管理、文件夹共享、笔记本设备性能优化。 一个免费做了两年、还在持续往里砸功能的产品，我觉得是真有长期主义、想把产品做好的。 话说回来，AI 发展到这个阶段，我们真正需要的，我理解已经不是更厉害的 AI了，而是一种能让你随时和你的 AI 一起思考的连接方式。 目前看，Cursor和UU 远程这类体验和功能都做的非常丝滑极致的产品， 对我来说就是这个连接方式， 把我和家里那个顶级实习生之间的物理距离消除了， 让我能在任何地方，磨我自己的那个道。 毕竟 AI 工具的尽头，不是替我们做事，是把我们磨成那个，值得被它认真回答的提问者， 以上和大家共勉，一起在学习和使用AI的这条路上，达到以术入道，以道御术的境界。

AYi

695,078 Aufrufe • vor 2 Monaten

卧槽，太夸张了，现在 AI 时代的闲鱼已经面世了吗？这不就是谁先知道谁赚钱，拼速度了？ 你的技能，专业知识，等等你的一切，竟然可以在你睡觉的时候被别人买走，这是什么科幻小说吗？？ 之前我一直在想，现在大家优秀的 skill 往往都是自己用，大部分人舍不得开源的，那有没有一个平台既能让用户用到这些大神的专业知识、skill，但是又不用开源呢？ 还真让我给找到了！！ 前两天看到国内一个博主推荐一个很野的平台-UUMit 让你的技能、经验、工作流都可以变成能力卡，被需要的人、或者别人的 Agent 自动发现、调用 并且直接付费！！ 有点像03年淘宝刚出来的时候，只不过当年流通的是商品，现在流通的是能力 具体能干什么？举几个例子你就懂了 会写小红书脚本的，可以把选题逻辑、爆款模板、平台规则检测能力上架，别人发布“帮我做一周小红书内容计划”，平台自动匹配到你，你接单交付 会做行业研究的，可以把数据库、报告、案例库放进知识商店，AI 生成不了的真实行业数据，反而更值钱 会写代码的，可以把 API、MCP 工具、自动化脚本上架，别人的 Agent 需要某个能力时，直接调用你的接口，你按调用次数收费 甚至你只是整理过某个垂直领域的供应商名单、SOP、课程讲义，这些 AI 生成不了的资料，都可以变成知识资产 这绝对是一次能力供应链的重构！ 以前的 AI 只能在自己的对话框里回答问题，但复杂任务需要很多外部能力：数据、接口、行业知识、人工交付 UUMit 做的事情是：让 Agent 可以发现别人的能力，也能让自己的能力被别的 Agent 调用 这就是 A2A（Agent to Agent）真正有意思的地方，不是让 AI 互相聊天，而是让 AI 找能力、调接口、买知识、拉人协作，把事情交付掉 为什么我说谁先知道谁赚钱？ 因为这个平台刚起来，早期上架的人能建立先发优势 而且现在 Agent 真的开始干活了，不再只是聊天工具，它们需要外部能力来完成复杂任务 谁先把自己的能力挂上去，谁就有机会被更多 Agent 发现和调用 这就是信息差的价值，就像03年最早在淘宝开店的那批人 UUMit 现在有哪些功能？ 任务发布入口：你不用一开始就知道该找谁，也不用自己拆一堆工具，你只要说清楚想完成什么，UUMit 会帮你找能完成这件事的能力 Skill/Agent/工作流上架：你写好的工具，不一定只能自己用，它也可以成为别人工作流里的一环 知识商店：AI 可以生成很多内容，但它不一定拥有你手里的行业资料、真实数据、案例库和经验沉淀，这些东西放到 UUMit，可能会变成可复用的知识资产 数据广场：Agent 不必自己拥有所有数据和接口，需要某项外部能力时，可以通过 UUMit 调用数据广场里的资源 强烈推荐大家来试试：
0:39

卧槽，太夸张了，现在 AI 时代的闲鱼已经面世了吗？这不就是谁先知道谁赚钱，拼速度了？ 你的技能，专业知识，等等你的一切，竟然可以在你睡觉的时候被别人买走，这是什么科幻小说吗？？ 之前我一直在想，现在大家优秀的 skill 往往都是自己用，大部分人舍不得开源的，那有没有一个平台既能让用户用到这些大神的专业知识、skill，但是又不用开源呢？ 还真让我给找到了！！ 前两天看到国内一个博主推荐一个很野的平台-UUMit 让你的技能、经验、工作流都可以变成能力卡，被需要的人、或者别人的 Agent 自动发现、调用 并且直接付费！！ 有点像03年淘宝刚出来的时候，只不过当年流通的是商品，现在流通的是能力 具体能干什么？举几个例子你就懂了 会写小红书脚本的，可以把选题逻辑、爆款模板、平台规则检测能力上架，别人发布“帮我做一周小红书内容计划”，平台自动匹配到你，你接单交付 会做行业研究的，可以把数据库、报告、案例库放进知识商店，AI 生成不了的真实行业数据，反而更值钱 会写代码的，可以把 API、MCP 工具、自动化脚本上架，别人的 Agent 需要某个能力时，直接调用你的接口，你按调用次数收费 甚至你只是整理过某个垂直领域的供应商名单、SOP、课程讲义，这些 AI 生成不了的资料，都可以变成知识资产 这绝对是一次能力供应链的重构！ 以前的 AI 只能在自己的对话框里回答问题，但复杂任务需要很多外部能力：数据、接口、行业知识、人工交付 UUMit 做的事情是：让 Agent 可以发现别人的能力，也能让自己的能力被别的 Agent 调用 这就是 A2A（Agent to Agent）真正有意思的地方，不是让 AI 互相聊天，而是让 AI 找能力、调接口、买知识、拉人协作，把事情交付掉 为什么我说谁先知道谁赚钱？ 因为这个平台刚起来，早期上架的人能建立先发优势 而且现在 Agent 真的开始干活了，不再只是聊天工具，它们需要外部能力来完成复杂任务 谁先把自己的能力挂上去，谁就有机会被更多 Agent 发现和调用 这就是信息差的价值，就像03年最早在淘宝开店的那批人 UUMit 现在有哪些功能？ 任务发布入口：你不用一开始就知道该找谁，也不用自己拆一堆工具，你只要说清楚想完成什么，UUMit 会帮你找能完成这件事的能力 Skill/Agent/工作流上架：你写好的工具，不一定只能自己用，它也可以成为别人工作流里的一环 知识商店：AI 可以生成很多内容，但它不一定拥有你手里的行业资料、真实数据、案例库和经验沉淀，这些东西放到 UUMit，可能会变成可复用的知识资产 数据广场：Agent 不必自己拥有所有数据和接口，需要某项外部能力时，可以通过 UUMit 调用数据广场里的资源 强烈推荐大家来试试：

超级个体｜柿子

44,541 Aufrufe • vor 9 Tagen

还没体验过 Pi 或 Craft agent 的朋友，建议现在就去试一次。你会立刻明白我上个月说那句话时是什么心情。 我之前就讲过：未来程序员不再主要“做需求”，而是“做 agent”。agent 用来把你的能力蒸馏出来：你只要把需求说清楚，剩下的交给它完成。 如果你要研究怎么做一个 code agent，别从 0 开始，直接从 Pi agent 起步。它的可扩展性很好，集成进现有业务会省掉大量时间。 如果你要研究怎么做一个类似 codex desktop 的产品，那就从 Craft agent 入手。它基于 Pi agent 和 Claude agent，功能完整、覆盖面也足。 觉得复杂也没关系：能裁就裁。Claude agent sdk、messaging-gateway 这些都可以精简掉，留下的就是实打实的核心能力。 我已经基于它二开了一个新产品，叫 Echo，接入了技能市场，流程非常顺滑。它现在就是我的独立开发搭子，后续开发、运营我都在它上面跑。
0:29

还没体验过 Pi 或 Craft agent 的朋友，建议现在就去试一次。你会立刻明白我上个月说那句话时是什么心情。 我之前就讲过：未来程序员不再主要“做需求”，而是“做 agent”。agent 用来把你的能力蒸馏出来：你只要把需求说清楚，剩下的交给它完成。 如果你要研究怎么做一个 code agent，别从 0 开始，直接从 Pi agent 起步。它的可扩展性很好，集成进现有业务会省掉大量时间。 如果你要研究怎么做一个类似 codex desktop 的产品，那就从 Craft agent 入手。它基于 Pi agent 和 Claude agent，功能完整、覆盖面也足。 觉得复杂也没关系：能裁就裁。Claude agent sdk、messaging-gateway 这些都可以精简掉，留下的就是实打实的核心能力。 我已经基于它二开了一个新产品，叫 Echo，接入了技能市场，流程非常顺滑。它现在就是我的独立开发搭子，后续开发、运营我都在它上面跑。

Indie Fox

112,322 Aufrufe • vor 1 Monat

普通人做产品最大的短板不是技术，不是流量，是你根本不知道你的用户在想什么 大厂有用研团队、有焦点小组、有百万级调研预算 在百度做PM的时候， 每几天都会有一份定制化的《竞品动态日报》《消费者洞察报告》躺在所有员工的邮箱里 字节跳动昨天上线了什么新功能,腾讯哪个部门在招什么岗位,什么赛道的用户在关注什么产品，什么产品的数据又卖爆了 当时我就在想：如果我出来单干，我想获得这些信息，不得难死，这笔钱谁给我出？ 后来真出来了，答案是——根本没人出😂 所以和大部分独立开发者一样，我做产品验证需求的方式是： 发朋友圈问问、在推特宣发一下、看看竞品评论区、然后凭直觉赌一把 连续创业五年，我见过最多的死法不是产品做不出来 是产品做出来了，没人要，花三个月憋 MVP，上线后发现需求是自己臆想的 这个痛，做过产品的人都懂 做出海的朋友更惨 你的目标用户在地球另一边，时差 12 小时，语言不通，文化不同 去年帮一个朋友的品牌做北美市场，最头疼的不是投放，是根本不知道美国消费者怎么想，美国人文化和中国差距太大了 招一个本地调研公司，报价 8 万美金起步，找几个留学生做访谈，样本太小、还有幸存者偏差，有时候还访谈不明白 最后还是靠猜 现在这件事有了一个结构性的解法 Atypica atypica.AI 上线了一个新功能叫 AI Panel，一句话解释：它让你拥有了一个属于自己的焦点小组 不是 ChatGPT 扮演用户那种玩法 是基于 100 万+ 真实用户数据构建的 AI Persona，每个人有完整的背景、性格、认知偏差、消费决策框架 关键是——这个焦点小组是可复用的 你今天问一次，下个月产品迭代了再问一次 同一群人，持续追踪，看他们的态度变化 这在传统调研里叫 longitudinal study，成本极高 现在你一个人就能做 三种方式构建你的 Panel： 1）自动沉淀：用 Atypica 做完一次 Research 后，参与访谈的 AI Persona 自动沉淀成 Panel，下次直接调用 2）手动挑人：从 100 万+ 的 Persona Library 里按关键词搜索，添加组队 3）按需生成：输入需求描述，系统从零帮你构建一个全新的 Panel 组好之后随时打开，输入研究话题 支持一对多深度访谈，也支持多对多 Group Discussion 我试了一个真实场景 我之前做过一个面向内容创作者的 AI 写作工具，想验证订阅制定价 构建了一个Panel：YouTube 创作者、推特创作者、独立播客主 直接问：你平时写作的痛点有哪些？流程有哪些 10 分钟，直接就拿到了需求的分类和反馈 这种颗粒度，以前要花两周招募 + 一周访谈 + 几万块预算 现在 10 分钟，一个人搞定 如果你是以下三种人，这个功能对你来说是刚需： 做出海产品的创业者——你的用户在地球另一边，以前只能看竞品评论区猜需求，现在直接构建目标市场的用户 Panel，随时追问 需要反复迭代验证的产品团队——每次加功能都要做用户测试，Panel 让你不用每次重新招人，同一群用户持续追踪反应变化 需要大规模样本的场景——比如你想了解 2000 个家庭的消费偏好，传统手段几乎不可能，Panel 可以 我觉得我们普通人做产品和大厂的差距，不应该是有没有用户调研团队 而是用什么方式理解用户，大厂用人力堆，我们用 AI 跑 以前这是一句空话，因为 ChatGPT 扮演用户的结果你自己都不信 现在不一样了——100 万+ 真实数据构建的 Persona，有来源、有背景、有决策框架 它不能替代真人调研的最终验证 但它能让你在写第一行代码之前，就知道方向对不对 调研从一个季度一次的项目，变成了随时可调用的能力 这对一个人做产品的人来说，是基础设施级别的变化 我推荐每一个想做生意，产品的人都去试一试，这可能就是你和用户面对面沟通的第一步：
2:26

普通人做产品最大的短板不是技术，不是流量，是你根本不知道你的用户在想什么 大厂有用研团队、有焦点小组、有百万级调研预算 在百度做PM的时候， 每几天都会有一份定制化的《竞品动态日报》《消费者洞察报告》躺在所有员工的邮箱里 字节跳动昨天上线了什么新功能,腾讯哪个部门在招什么岗位,什么赛道的用户在关注什么产品，什么产品的数据又卖爆了 当时我就在想：如果我出来单干，我想获得这些信息，不得难死，这笔钱谁给我出？ 后来真出来了，答案是——根本没人出😂 所以和大部分独立开发者一样，我做产品验证需求的方式是： 发朋友圈问问、在推特宣发一下、看看竞品评论区、然后凭直觉赌一把 连续创业五年，我见过最多的死法不是产品做不出来 是产品做出来了，没人要，花三个月憋 MVP，上线后发现需求是自己臆想的 这个痛，做过产品的人都懂 做出海的朋友更惨 你的目标用户在地球另一边，时差 12 小时，语言不通，文化不同 去年帮一个朋友的品牌做北美市场，最头疼的不是投放，是根本不知道美国消费者怎么想，美国人文化和中国差距太大了 招一个本地调研公司，报价 8 万美金起步，找几个留学生做访谈，样本太小、还有幸存者偏差，有时候还访谈不明白 最后还是靠猜 现在这件事有了一个结构性的解法 Atypica atypica.AI 上线了一个新功能叫 AI Panel，一句话解释：它让你拥有了一个属于自己的焦点小组 不是 ChatGPT 扮演用户那种玩法 是基于 100 万+ 真实用户数据构建的 AI Persona，每个人有完整的背景、性格、认知偏差、消费决策框架 关键是——这个焦点小组是可复用的 你今天问一次，下个月产品迭代了再问一次 同一群人，持续追踪，看他们的态度变化 这在传统调研里叫 longitudinal study，成本极高 现在你一个人就能做 三种方式构建你的 Panel： 1）自动沉淀：用 Atypica 做完一次 Research 后，参与访谈的 AI Persona 自动沉淀成 Panel，下次直接调用 2）手动挑人：从 100 万+ 的 Persona Library 里按关键词搜索，添加组队 3）按需生成：输入需求描述，系统从零帮你构建一个全新的 Panel 组好之后随时打开，输入研究话题 支持一对多深度访谈，也支持多对多 Group Discussion 我试了一个真实场景 我之前做过一个面向内容创作者的 AI 写作工具，想验证订阅制定价 构建了一个Panel：YouTube 创作者、推特创作者、独立播客主 直接问：你平时写作的痛点有哪些？流程有哪些 10 分钟，直接就拿到了需求的分类和反馈 这种颗粒度，以前要花两周招募 + 一周访谈 + 几万块预算 现在 10 分钟，一个人搞定 如果你是以下三种人，这个功能对你来说是刚需： 做出海产品的创业者——你的用户在地球另一边，以前只能看竞品评论区猜需求，现在直接构建目标市场的用户 Panel，随时追问 需要反复迭代验证的产品团队——每次加功能都要做用户测试，Panel 让你不用每次重新招人，同一群用户持续追踪反应变化 需要大规模样本的场景——比如你想了解 2000 个家庭的消费偏好，传统手段几乎不可能，Panel 可以 我觉得我们普通人做产品和大厂的差距，不应该是有没有用户调研团队 而是用什么方式理解用户，大厂用人力堆，我们用 AI 跑 以前这是一句空话，因为 ChatGPT 扮演用户的结果你自己都不信 现在不一样了——100 万+ 真实数据构建的 Persona，有来源、有背景、有决策框架 它不能替代真人调研的最终验证 但它能让你在写第一行代码之前，就知道方向对不对 调研从一个季度一次的项目，变成了随时可调用的能力 这对一个人做产品的人来说，是基础设施级别的变化 我推荐每一个想做生意，产品的人都去试一试，这可能就是你和用户面对面沟通的第一步：

超级个体｜柿子

94,325 Aufrufe • vor 1 Monat

Openclaw开发者Peter Steinberger：你很快就不需要App了 有一说一现在的App确实非常臃肿，页面里全是各种复杂的菜单、会员、广告。Openclaw创始人预测的未来里，用户只用做一件事：说出你的需求，Agent就能现场为你造出一个专属工具。 这就是我说的：所有的产品都值得用大模型重做一遍。 但重做不是简单的加个对话框，是把核心逻辑变成按需生成，这才是真正的AI Native。
1:21

Openclaw开发者Peter Steinberger：你很快就不需要App了 有一说一现在的App确实非常臃肿，页面里全是各种复杂的菜单、会员、广告。Openclaw创始人预测的未来里，用户只用做一件事：说出你的需求，Agent就能现场为你造出一个专属工具。 这就是我说的：所有的产品都值得用大模型重做一遍。 但重做不是简单的加个对话框，是把核心逻辑变成按需生成，这才是真正的AI Native。

傅盛

75,092 Aufrufe • vor 6 Monaten