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

这项目给Claude Code塞了28个心智模型和批判性思维技能，第一性原理、贝叶斯推理、系统思考、OODA循环、Pre-Mortem、约束理论、五个为什么、红队思维……全是正经框架。用法很简单，装好后在Claude Code里直接按名字调用就行。比如你拿不准一个架构决策，丢一句“用第一性原理分析一下”；或者想预判项目风险，直接“做个Pre-Mortem”。Agent会用结构化方式帮你做决策、调试和策略分析，而不是凭感觉胡扯。我看了下它的评估报告，作者跑了一套严格的测试，结论是“目前没有任何一个技能被证明能稳定提升准确率”，但这反而让我觉得靠谱。至少人家没吹牛，把这些当思考脚手架用，比让Agent裸奔强多了。

Amto

23,028 subscribers

11,607 просмотров • 5 дней назад •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

Комментарии: 0

Нет доступных комментариев

Здесь появятся комментарии из оригинального поста

Похожие видео

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 • 4 месяцев назад

✅ 推荐一个宝玉老师开源的 Skill：用 Claude Code 一行命令就能把 Markdown 文章自动发到 X，带图片的那种。 👉 这个工具其实开源挺久了，但好像用的人不多？可能大家不太知道怎么上手。我自己用了一段时间觉得真的很方便，就录了个视频教程，把原理和用法都讲了一遍。有兴趣的朋友可以试试，真的能省不少事儿，如果遇到什么问题你直接让AI帮你分析这个skill的逻辑和流程然后帮你解决，其实很简单，来尝试下吧👇

✅ 推荐一个宝玉老师开源的 Skill：用 Claude Code 一行命令就能把 Markdown 文章自动发到 X，带图片的那种。 👉 这个工具其实开源挺久了，但好像用的人不多？可能大家不太知道怎么上手。我自己用了一段时间觉得真的很方便，就录了个视频教程，把原理和用法都讲了一遍。有兴趣的朋友可以试试，真的能省不少事儿，如果遇到什么问题你直接让AI帮你分析这个skill的逻辑和流程然后帮你解决，其实很简单，来尝试下吧👇

阿蔺A-Lin

27,925 просмотров • 4 месяцев назад

Elon Musk有一个学习方法，解释了一个困扰我很多年的问题，为什么有些东西学完一周就忘光，有些东西一通百通，区别就在于你有没有先建树干。 Elon Musk 说过，要把知识看成一棵语义树，先确保自己理解基本原理，也就是树干和大树枝，再去接触树叶一样的细节，否则那些细节根本无处依附。这句话我琢磨了很久，越想越觉得它解释了一个困扰我很多年的问题，为什么有些东西学完就忘，有些东西一通百通。区别就在于你有没有树干。没有树干的时候，你学到的每一个技巧都是悬在空中的，挂不住，风一吹就掉了，读完一本书一周忘光，学完一门课一个月用不上，本质上都是同一个问题，你在往一棵不存在的树上挂叶子。这个比喻不只是修辞，它完全符合我们大脑的工作机制，神经可塑性的运作方式就是这样的，能带来成功的神经连接会被不断强化，无用的连接像枯枝一样断掉，当你有了坚实的主干结构，新信息才有地方附着，没有这个框架，所有知识都会快速滑落。马斯克自己就是这么干的，他没有先去学怎么造火箭发动机，而是先弄懂火箭为什么要那样工作，物理学、材料科学、热力学的基本原理，一旦掌握了这些，具体的工程决策就变成了可以评估、质疑和改进的东西。芒格也是一样，不死记投资方法，而是从心理学、历史、数学、物理、哲学、生物学里搭建多元思维框架，然后用这个框架在所有领域做决策。一个方法只能解决一个问题，一次有效，一个原理能反复用上百次，应对你还没遇到的场景。哈灵顿·埃默森说过，方法可能有百万种，但原理很少，掌握原理的人能成功选择自己的方法，只试方法而忽视原理的人注定遇到麻烦。所以咱们不管学什么新东西，先别急着找技巧，先问一个问题，这个领域的树干是什么，哪些是一旦理解就能让其他一切都变得更容易的第一性原理。先长树干，再挂树叶。

Elon Musk有一个学习方法，解释了一个困扰我很多年的问题，为什么有些东西学完一周就忘光，有些东西一通百通，区别就在于你有没有先建树干。 Elon Musk 说过，要把知识看成一棵语义树，先确保自己理解基本原理，也就是树干和大树枝，再去接触树叶一样的细节，否则那些细节根本无处依附。这句话我琢磨了很久，越想越觉得它解释了一个困扰我很多年的问题，为什么有些东西学完就忘，有些东西一通百通。区别就在于你有没有树干。没有树干的时候，你学到的每一个技巧都是悬在空中的，挂不住，风一吹就掉了，读完一本书一周忘光，学完一门课一个月用不上，本质上都是同一个问题，你在往一棵不存在的树上挂叶子。这个比喻不只是修辞，它完全符合我们大脑的工作机制，神经可塑性的运作方式就是这样的，能带来成功的神经连接会被不断强化，无用的连接像枯枝一样断掉，当你有了坚实的主干结构，新信息才有地方附着，没有这个框架，所有知识都会快速滑落。马斯克自己就是这么干的，他没有先去学怎么造火箭发动机，而是先弄懂火箭为什么要那样工作，物理学、材料科学、热力学的基本原理，一旦掌握了这些，具体的工程决策就变成了可以评估、质疑和改进的东西。芒格也是一样，不死记投资方法，而是从心理学、历史、数学、物理、哲学、生物学里搭建多元思维框架，然后用这个框架在所有领域做决策。一个方法只能解决一个问题，一次有效，一个原理能反复用上百次，应对你还没遇到的场景。哈灵顿·埃默森说过，方法可能有百万种，但原理很少，掌握原理的人能成功选择自己的方法，只试方法而忽视原理的人注定遇到麻烦。所以咱们不管学什么新东西，先别急着找技巧，先问一个问题，这个领域的树干是什么，哪些是一旦理解就能让其他一切都变得更容易的第一性原理。先长树干，再挂树叶。

AYi

44,087 просмотров • 4 месяцев назад

最近Claude Code在中推上又火了。不是Vibe Coding，而是用它来处理日常工作。一个月前我做了这期视频，分享我的AI OS搭建思路。Claude Code作为框架，Kimi K2 Thinking作为引擎，Slash Commands和Skills作为任务都载体。给大家一个参考。

最近Claude Code在中推上又火了。不是Vibe Coding，而是用它来处理日常工作。一个月前我做了这期视频，分享我的AI OS搭建思路。Claude Code作为框架，Kimi K2 Thinking作为引擎，Slash Commands和Skills作为任务都载体。给大家一个参考。

huangyihe

62,086 просмотров • 7 месяцев назад

👏扣子3.0 发布了。这版我最期待的两个功能：一是"多人多 Agent 协作"——把不同的 Agent 拉进同一个项目，@ 来 @ 去分工干活；二是能把本地的 Claude Code、Codex 直接接进去托管。我平时主力就用 Claude Code，自己还折腾过几个让多 Agent 协作的小工具： - multi-agent：用 tmux 分屏把 Claude、Codex 拉起来，按顺序调度 - hero-coding：一个 Go 写的小程序，让 Agent 写完代码自动跑测试、再过一遍审查 - roundtable：让几个不同的模型对着同一个问题互相辩论，出一个结论我第一时间就上手了。先接入：本地配好的 Claude Code、Codex 点几下就接进来托管，不用重配；一个项目里我拉三个 Agent —— 本地的 Claude Code、本地的 Codex、Coze Agent。然后我在项目里 @ Claude Code，让它读我本地那个 hero-coding，它确实能读到内容，而且不单单是能读文件。我又让它调我本地的 imgen SKILL（我自己写的文生图工具）生成一张图，再通过我自己的 coze-bridge 把图发回聊天里——图真出来了，一张未来感城市夜景。也就是说，我电脑上的整套工具链、skill 它都能调起来用，云端和本地直接打通。

👏扣子3.0 发布了。这版我最期待的两个功能：一是"多人多 Agent 协作"——把不同的 Agent 拉进同一个项目，@ 来 @ 去分工干活；二是能把本地的 Claude Code、Codex 直接接进去托管。我平时主力就用 Claude Code，自己还折腾过几个让多 Agent 协作的小工具： - multi-agent：用 tmux 分屏把 Claude、Codex 拉起来，按顺序调度 - hero-coding：一个 Go 写的小程序，让 Agent 写完代码自动跑测试、再过一遍审查 - roundtable：让几个不同的模型对着同一个问题互相辩论，出一个结论我第一时间就上手了。先接入：本地配好的 Claude Code、Codex 点几下就接进来托管，不用重配；一个项目里我拉三个 Agent —— 本地的 Claude Code、本地的 Codex、Coze Agent。然后我在项目里 @ Claude Code，让它读我本地那个 hero-coding，它确实能读到内容，而且不单单是能读文件。我又让它调我本地的 imgen SKILL（我自己写的文生图工具）生成一张图，再通过我自己的 coze-bridge 把图发回聊天里——图真出来了，一张未来感城市夜景。也就是说，我电脑上的整套工具链、skill 它都能调起来用，云端和本地直接打通。

劳伦斯

27,423 просмотров • 2 месяцев назад

微软联合交大、同济、复旦发了一个框架叫 SkillOpt，思路很有意思：像训练神经网络一样训练 AI Agent 的技能文件它不动模型权重，训练的是 Skill——就是你给 Claude Code 或 Codex 写的那些 prompt 和指导文档做法是把神经网络训练的那套搬过来：轮次、批量大小、学习率、验证门控，全部套在自然语言上。执行任务 → 记录过程 → 复盘 → 修改 Skill → 验证效果，自动闭环迭代结果很夸张。7个大模型、6类任务、3种 Agent 环境，总共52组测试，全部第一或并列第一但最有价值的不是跑分，是它的迁移能力：在 GPT-5.4 上优化好的技能文件，直接给 GPT-5.4-nano 用，性能提升 5.6 分在 Claude Code 里优化好的技能，直接搬到 Codex 里用，提升 29.4 分甚至能从一个数学基准迁移到另一个一个 best_skill.md 文件，到处能用对那些天天手动调 prompt 调到头秃的人来说，这个东西等于把调参这件事自动化了

微软联合交大、同济、复旦发了一个框架叫 SkillOpt，思路很有意思：像训练神经网络一样训练 AI Agent 的技能文件它不动模型权重，训练的是 Skill——就是你给 Claude Code 或 Codex 写的那些 prompt 和指导文档做法是把神经网络训练的那套搬过来：轮次、批量大小、学习率、验证门控，全部套在自然语言上。执行任务 → 记录过程 → 复盘 → 修改 Skill → 验证效果，自动闭环迭代结果很夸张。7个大模型、6类任务、3种 Agent 环境，总共52组测试，全部第一或并列第一但最有价值的不是跑分，是它的迁移能力：在 GPT-5.4 上优化好的技能文件，直接给 GPT-5.4-nano 用，性能提升 5.6 分在 Claude Code 里优化好的技能，直接搬到 Codex 里用，提升 29.4 分甚至能从一个数学基准迁移到另一个一个 best_skill.md 文件，到处能用对那些天天手动调 prompt 调到头秃的人来说，这个东西等于把调参这件事自动化了

Vincent

46,194 просмотров • 1 месяц назад

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：

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

15,939 просмотров • 2 месяцев назад

我靠，原来 CLAUDE.md 还有这么多门道，以前真是白写了。以前我一直以为「信息越多越好」，于是把项目历史、技术决策、个人偏好，甚至「写干净代码」这种空泛要求，全塞进 CLAUDE.md。结果就是：Claude 每次都像在几千行上下文里翻垃圾堆。要么生成不兼容的依赖，要么理解错项目边界，要么直接跑偏，最后还得我一遍遍纠正。现在才发现，CLAUDE.md 不是用来堆信息的，而是用来压缩判断标准、约束执行边界、沉淀高频规则的。强烈建议每个用 Claude Code 或其他 Code Agent 的开发者都认真看一遍。

我靠，原来 CLAUDE.md 还有这么多门道，以前真是白写了。以前我一直以为「信息越多越好」，于是把项目历史、技术决策、个人偏好，甚至「写干净代码」这种空泛要求，全塞进 CLAUDE.md。结果就是：Claude 每次都像在几千行上下文里翻垃圾堆。要么生成不兼容的依赖，要么理解错项目边界，要么直接跑偏，最后还得我一遍遍纠正。现在才发现，CLAUDE.md 不是用来堆信息的，而是用来压缩判断标准、约束执行边界、沉淀高频规则的。强烈建议每个用 Claude Code 或其他 Code Agent 的开发者都认真看一遍。

Vince 聊开发

106,181 просмотров • 1 месяц назад

Claude Code 用了2个月 17,600,000 tokens 消耗 4,100 次对话连续 74 天每天使用这是一个人真实的数据。他把这 2 个月学到的所有东西，整理成了 45 条技巧，放在 GitHub 上免费给所有人用。里面有些东西我看完直接愣了：原来可以让 Claude Code 在容器里跑另一个 Claude Code，全程不需要审批任何操作。原来系统提示词可以被直接砍掉一半，凭空多出 10,000 个 token 的空间。原来他用 Claude Code 做调研，真的省出了 $10,000。 7400 Star。519 次 Fork。这不是教程。这是一个人 31 个月的经验压缩包。项目👇

Claude Code 用了2个月 17,600,000 tokens 消耗 4,100 次对话连续 74 天每天使用这是一个人真实的数据。他把这 2 个月学到的所有东西，整理成了 45 条技巧，放在 GitHub 上免费给所有人用。里面有些东西我看完直接愣了：原来可以让 Claude Code 在容器里跑另一个 Claude Code，全程不需要审批任何操作。原来系统提示词可以被直接砍掉一半，凭空多出 10,000 个 token 的空间。原来他用 Claude Code 做调研，真的省出了 $10,000。 7400 Star。519 次 Fork。这不是教程。这是一个人 31 个月的经验压缩包。项目👇

axiaisacat

35,579 просмотров • 3 месяцев назад

最近北大开源的一个项目，我觉得很值得关注。 AI Agent 现在最缺的，可能不是模型，而是一套像 npm 一样可复用的 skill 基础设施。 MagicSkills 做的就是这件事。它不是再去造一个新的 Agent framework，而是想把那些散落在各处的 SKILL.md，变成可安装、可组合、可同步、可调用的共享能力层。 MagicSkills 的思路更像是，先把 skill 从零散文档里抽出来，做成一个本地优先的共享 skill pool，然后再按不同 Agent、不同框架去组合和分发。这样一来，skill 就不再只是 prompt 附件，而是开始变成真正可复用的能力基础设施。说白了，它想推动的一件事就是：让 Agent 的技能，从“写一份文档自己用”，变成“写一次，到处复用”。我觉得这个方向很值得看。因为当 skill 开始像包管理一样被组织起来，多 Agent 工作流才会真正开始像工程系统，而不是一堆 prompt 和脚本的临时拼装。如果你在关注 AI Agent、Multi-Agent、技能复用，或者正在想怎么管理越来越多的 SKILL.md，这个项目值得研究一下。👇

最近北大开源的一个项目，我觉得很值得关注。 AI Agent 现在最缺的，可能不是模型，而是一套像 npm 一样可复用的 skill 基础设施。 MagicSkills 做的就是这件事。它不是再去造一个新的 Agent framework，而是想把那些散落在各处的 SKILL.md，变成可安装、可组合、可同步、可调用的共享能力层。 MagicSkills 的思路更像是，先把 skill 从零散文档里抽出来，做成一个本地优先的共享 skill pool，然后再按不同 Agent、不同框架去组合和分发。这样一来，skill 就不再只是 prompt 附件，而是开始变成真正可复用的能力基础设施。说白了，它想推动的一件事就是：让 Agent 的技能，从“写一份文档自己用”，变成“写一次，到处复用”。我觉得这个方向很值得看。因为当 skill 开始像包管理一样被组织起来，多 Agent 工作流才会真正开始像工程系统，而不是一堆 prompt 和脚本的临时拼装。如果你在关注 AI Agent、Multi-Agent、技能复用，或者正在想怎么管理越来越多的 SKILL.md，这个项目值得研究一下。👇

axiaisacat

46,330 просмотров • 4 месяцев назад

看到一个很牛逼的开源项目，完全契合HTML是新一代Markdown的理念。如何做呢？你可以将你obsidian笔记甚至代码库交给它，它会通过多agent分析、生成一个对话的交互式知识图谱。然后你就可以可视化地去了解整个项目的逻辑或流程，或者笔记的脉络。不过大家要注意：第一次分析很吃token，我试着分析了下我的Reddit项目就用掉了Claude Code接近20%的周额度🤣🤣，可以切换国产模型跑。

看到一个很牛逼的开源项目，完全契合HTML是新一代Markdown的理念。如何做呢？你可以将你obsidian笔记甚至代码库交给它，它会通过多agent分析、生成一个对话的交互式知识图谱。然后你就可以可视化地去了解整个项目的逻辑或流程，或者笔记的脉络。不过大家要注意：第一次分析很吃token，我试着分析了下我的Reddit项目就用掉了Claude Code接近20%的周额度🤣🤣，可以切换国产模型跑。

Yanhua

11,435 просмотров • 1 месяц назад

上周 WAIC，我一个在 4A 做调研的朋友给我发消息 “完了，央视新闻直播间都在报道 AI 调研了，我们这行要完了” 我说你慌啥，先看看人家到底做了啥央视那段报道的是我之前安利过很多次的atypica （之前安利的时候一堆小黑子在评论区喷我，这下啪啪打脸了）这次重点讲了他们怎么构建 AI Persona 不是让大模型扮演用户那种玩法是基于一个叫主观世界模型的架构，四层数据协同训练出来的——社交语料学语言风格、真实深访学行为动机、心理学量表校正偏差、经济学实验标定决策倾向 Atypica atypica.AI 就是基于这个模型构建的说实话之前用的时候就觉得比 GPT 扮演用户靠谱，但没想过底层差别这么大看完报道我就想做个测试正好有个朋友在做出海产品，面向北美市场的轻量级个人效率工具，想搞清楚定价策略——订阅制、买断制、还是混合模式，哪种更容易让目标用户掏钱我把同一个选题，分别丢给了 Atypica 和 GPT GPT 那边我用的是最标准的做法，给它详细的 prompt，让它做一份完整的定价策略分析——竞品调研、用户分群、定价建议全都要 Atypica 那边我直接输入同样的研究问题，它自动匹配目标用户 Persona，组了一个 Panel 做深度访谈，还跑了一轮受众盲测验证结果差距大到我截图发给朋友的时候他以为我在开玩笑（哈哈哈哈笑死我了… GPT 给的回答：一份很标准的市场分析报告——竞品价格整理得很清楚，Todoist $7/月、TickTick $3.99/月、Things $49.99 买断、Motion $19-34/月，全都列出来了结论也中规中矩：建议先用 Free + $39.99/年低价订阅切入，配一个限量 Lifetime $79-99 做早期现金流听起来没毛病对吧？但你仔细想，这些结论你自己花半天做竞品调研也能得出来。它给的是行业共识，不是针对你这个产品、你这群用户的定制化洞察整份报告里没有一个具体的用户声音，没有人告诉你“我为什么愿意付”或“我为什么犹豫” Atypica 给的回答： 6 个 AI Persona 做了深度访谈，每个人有名字、有职业、有完整的决策逻辑一个资深开发者说：我拒绝为本该在本地运行的工具支付数字租金，这对我来说就是随时可能断供的负债——他要的是 $49 纯买断一个 UI 设计师说：$4.99/月这个价格不是在交租，是在为我的心理安宁支付订阅费——但她同时说，价格定太低反而让她不信任这个产品一个初创 SaaS CEO 说：一次性购入基建，按需支付算力，这才是初创公司该有的现金流管理 6 个人里 5 个选了混合模式，0 个人首选纯订阅——但最关键的是，选同一个模式的理由完全不同知识工作者接受 AI 订阅是因为它代表工具在持续进化，相当于买了一份生命力保险团队创始人接受混合模式是因为它契合“基建一次性购入+算力弹性伸缩”的成本管理心智同一个价格，需要对两类用户讲两个完全不同的故事——这个洞察 GPT 的报告里根本没有最后 Atypica 的报告里还有一个让我意外的发现：受众盲测显示，如果你把买断价定在 $29，用户不会觉得实惠，反而会质疑“这公司有没有能力长期维护这个产品”——价格太低本身就是一个负面信号它建议的策略是： $49 买断基础功能 + $9.99/月 AI 订阅作为可选增强层，用“永久拥有核心工具+按需付费 AI 算力”的组合降低信任门槛这个结论我朋友拿去和他在北美的几个真实用户验证了，反馈高度一致——尤其是“价格太低反而不信任”这个点，好几个人都提到了整个测试我花了不到 20 分钟 GPT 给你的是“你自己也能查到的行业共识”，Atypica 给你的是“你绝对想不到的用户真实决策逻辑” 这两个东西的价值差了十倍不止，甚至都不是同一个物种，我认为不能混为一谈如果你也在做产品、做出海、做任何需要理解用户的事，去跑一次就知道区别了：

上周 WAIC，我一个在 4A 做调研的朋友给我发消息 “完了，央视新闻直播间都在报道 AI 调研了，我们这行要完了” 我说你慌啥，先看看人家到底做了啥央视那段报道的是我之前安利过很多次的atypica （之前安利的时候一堆小黑子在评论区喷我，这下啪啪打脸了）这次重点讲了他们怎么构建 AI Persona 不是让大模型扮演用户那种玩法是基于一个叫主观世界模型的架构，四层数据协同训练出来的——社交语料学语言风格、真实深访学行为动机、心理学量表校正偏差、经济学实验标定决策倾向 Atypica atypica.AI 就是基于这个模型构建的说实话之前用的时候就觉得比 GPT 扮演用户靠谱，但没想过底层差别这么大看完报道我就想做个测试正好有个朋友在做出海产品，面向北美市场的轻量级个人效率工具，想搞清楚定价策略——订阅制、买断制、还是混合模式，哪种更容易让目标用户掏钱我把同一个选题，分别丢给了 Atypica 和 GPT GPT 那边我用的是最标准的做法，给它详细的 prompt，让它做一份完整的定价策略分析——竞品调研、用户分群、定价建议全都要 Atypica 那边我直接输入同样的研究问题，它自动匹配目标用户 Persona，组了一个 Panel 做深度访谈，还跑了一轮受众盲测验证结果差距大到我截图发给朋友的时候他以为我在开玩笑（哈哈哈哈笑死我了… GPT 给的回答：一份很标准的市场分析报告——竞品价格整理得很清楚，Todoist $7/月、TickTick $3.99/月、Things $49.99 买断、Motion $19-34/月，全都列出来了结论也中规中矩：建议先用 Free + $39.99/年低价订阅切入，配一个限量 Lifetime $79-99 做早期现金流听起来没毛病对吧？但你仔细想，这些结论你自己花半天做竞品调研也能得出来。它给的是行业共识，不是针对你这个产品、你这群用户的定制化洞察整份报告里没有一个具体的用户声音，没有人告诉你“我为什么愿意付”或“我为什么犹豫” Atypica 给的回答： 6 个 AI Persona 做了深度访谈，每个人有名字、有职业、有完整的决策逻辑一个资深开发者说：我拒绝为本该在本地运行的工具支付数字租金，这对我来说就是随时可能断供的负债——他要的是 $49 纯买断一个 UI 设计师说：$4.99/月这个价格不是在交租，是在为我的心理安宁支付订阅费——但她同时说，价格定太低反而让她不信任这个产品一个初创 SaaS CEO 说：一次性购入基建，按需支付算力，这才是初创公司该有的现金流管理 6 个人里 5 个选了混合模式，0 个人首选纯订阅——但最关键的是，选同一个模式的理由完全不同知识工作者接受 AI 订阅是因为它代表工具在持续进化，相当于买了一份生命力保险团队创始人接受混合模式是因为它契合“基建一次性购入+算力弹性伸缩”的成本管理心智同一个价格，需要对两类用户讲两个完全不同的故事——这个洞察 GPT 的报告里根本没有最后 Atypica 的报告里还有一个让我意外的发现：受众盲测显示，如果你把买断价定在 $29，用户不会觉得实惠，反而会质疑“这公司有没有能力长期维护这个产品”——价格太低本身就是一个负面信号它建议的策略是： $49 买断基础功能 + $9.99/月 AI 订阅作为可选增强层，用“永久拥有核心工具+按需付费 AI 算力”的组合降低信任门槛这个结论我朋友拿去和他在北美的几个真实用户验证了，反馈高度一致——尤其是“价格太低反而不信任”这个点，好几个人都提到了整个测试我花了不到 20 分钟 GPT 给你的是“你自己也能查到的行业共识”，Atypica 给你的是“你绝对想不到的用户真实决策逻辑” 这两个东西的价值差了十倍不止，甚至都不是同一个物种，我认为不能混为一谈如果你也在做产品、做出海、做任何需要理解用户的事，去跑一次就知道区别了：

超级个体｜柿子

14,910 просмотров • 5 дней назад

🔥 AI 任务终于看得见了！Flowtrace 把复杂工作变成可视 Trace：一步步走、每步可查、可追溯、可复用、还能持续进化！我每天用 Claude、Cursor 干活：写报告、研究股票、做方案、优化简历…… 用得越多越崩溃： - 今天花几个小时跟 AI 聊出来的东西，明天想再用一次，又得从头重新说一遍 - AI 给的答案看起来很专业，但我根本不知道它哪来的依据，靠不靠谱心里没底 - 好不容易调教出一个好 Prompt，下次就作废了，全是沉没成本 - 改一个想法，整个对话就乱套，得全部重来 - 领导问“你这个结论怎么来的？”我只能尴尬地说……AI 说的真的太没有安全感了，用完就忘，越用越焦虑。直到我刷到 Flowtrace 这个开源项目，它直接解决了我这些痛点。现在我做事情时，AI 不再是扔个 prompt 吐一大堆看不懂的黑箱内容，而是： - 整个过程一步一步清清楚楚，我全程看得见 - 每一步都有单独的文件，想查哪步就点哪步，依据一目了然 - 做完一次以后，下次直接复用，改改输入就能出新结果 - 只想改哪里，就只重新跑哪里，不用全部重来 - 做完之后心里特别踏实，因为每一步都有痕迹、有证据最打动我的是：AI 终于不再是一次性聊天工具，而是变成了我真正能掌控、能重复使用、越用越强的个人助手。现在做股票分析、写周报、准备方案，都会用它跑一遍，心里安心多了，不再担心“明天又得重来”。作为一个普通人，我完全不需要懂技术。把仓库丢给 AI，说一句“帮我安装并跑 tailored-resume 示例”就能立刻上手。项目自带 9 个现成例子，普通用户也能马上感受到巨大差别： - 股票投资决策：完整研究报告 + 图表 + 依据，最后生成可引用 PDF - SaaS 尽职调查：多维度分析，每一步证据链完整 - 定制简历生成：一步步优化，轻松复用 - 行业深度报告、Bug 修复循环、周报、广告优化…… - 甚至能把别人的 Skill / Chat Log 直接转成 Trace！如果你也和我一样，天天靠 AI 干正事，却总觉得不踏实、怕沉没成本，真的强烈推荐你去试试！

🔥 AI 任务终于看得见了！Flowtrace 把复杂工作变成可视 Trace：一步步走、每步可查、可追溯、可复用、还能持续进化！我每天用 Claude、Cursor 干活：写报告、研究股票、做方案、优化简历…… 用得越多越崩溃： - 今天花几个小时跟 AI 聊出来的东西，明天想再用一次，又得从头重新说一遍 - AI 给的答案看起来很专业，但我根本不知道它哪来的依据，靠不靠谱心里没底 - 好不容易调教出一个好 Prompt，下次就作废了，全是沉没成本 - 改一个想法，整个对话就乱套，得全部重来 - 领导问“你这个结论怎么来的？”我只能尴尬地说……AI 说的真的太没有安全感了，用完就忘，越用越焦虑。直到我刷到 Flowtrace 这个开源项目，它直接解决了我这些痛点。现在我做事情时，AI 不再是扔个 prompt 吐一大堆看不懂的黑箱内容，而是： - 整个过程一步一步清清楚楚，我全程看得见 - 每一步都有单独的文件，想查哪步就点哪步，依据一目了然 - 做完一次以后，下次直接复用，改改输入就能出新结果 - 只想改哪里，就只重新跑哪里，不用全部重来 - 做完之后心里特别踏实，因为每一步都有痕迹、有证据最打动我的是：AI 终于不再是一次性聊天工具，而是变成了我真正能掌控、能重复使用、越用越强的个人助手。现在做股票分析、写周报、准备方案，都会用它跑一遍，心里安心多了，不再担心“明天又得重来”。作为一个普通人，我完全不需要懂技术。把仓库丢给 AI，说一句“帮我安装并跑 tailored-resume 示例”就能立刻上手。项目自带 9 个现成例子，普通用户也能马上感受到巨大差别： - 股票投资决策：完整研究报告 + 图表 + 依据，最后生成可引用 PDF - SaaS 尽职调查：多维度分析，每一步证据链完整 - 定制简历生成：一步步优化，轻松复用 - 行业深度报告、Bug 修复循环、周报、广告优化…… - 甚至能把别人的 Skill / Chat Log 直接转成 Trace！如果你也和我一样，天天靠 AI 干正事，却总觉得不踏实、怕沉没成本，真的强烈推荐你去试试！

开发者Hailey

13,330 просмотров • 1 месяц назад

其实美国AI能超越中国，我是不信的。中国AI原住民实在太强了，而且年龄极小。这是其中一个小团队，平均年龄13.25岁。已经使用AI超过4000小时。看看他们的表达：占用大家几分钟时间我们的平均年龄只有13.25岁我们可能是在场最年轻的一个队伍我们想要做这个的原因就是为了想要帮助那些刚刚进入小红书有质量但是没有流量的人来做一个快速的笔记的分析然后帮助他们获得流量这个项目本来的话是大家的评价都很高但因为一些突发情况导致我们没有被选上我们训练了两个模型一个模型是基于传统的Spearman和回归算法我们爬了小红书上五个垂类的874条笔记和2000条评论通过这五个垂类进行数据分析能通过一些特征确定笔记属于账号整个小红书垂类流量池的哪一部分我们还训练了一个评论模型可以模拟小红书整个的用户画像和生态环境将这两个东西塞进一个叫Agent辩论的场景里我们设计了5个人设分别负责内容分析、视觉诊断、增长策略和用户模拟每个Agent会出一个报告我们的产品真实可用白皮书、研究论文和在线体验都在二维码里扫码就可以在线使用是完全免费的为了保证模型客观性允许每个Agent跟其他Agent辩论进行三轮辩论后由综合裁判给出最终结果呈现给用户的报告包括分数和优化建议我们做这个项目的初衷是希望能帮助小红书创作者为小红书注入新的生态活力我们整个团队花了48个小时几乎没睡觉把这个项目做了出来最难的不是训练模型而是爬取小红书数据我们经过了主办方的授权

其实美国AI能超越中国，我是不信的。中国AI原住民实在太强了，而且年龄极小。这是其中一个小团队，平均年龄13.25岁。已经使用AI超过4000小时。看看他们的表达：占用大家几分钟时间我们的平均年龄只有13.25岁我们可能是在场最年轻的一个队伍我们想要做这个的原因就是为了想要帮助那些刚刚进入小红书有质量但是没有流量的人来做一个快速的笔记的分析然后帮助他们获得流量这个项目本来的话是大家的评价都很高但因为一些突发情况导致我们没有被选上我们训练了两个模型一个模型是基于传统的Spearman和回归算法我们爬了小红书上五个垂类的874条笔记和2000条评论通过这五个垂类进行数据分析能通过一些特征确定笔记属于账号整个小红书垂类流量池的哪一部分我们还训练了一个评论模型可以模拟小红书整个的用户画像和生态环境将这两个东西塞进一个叫Agent辩论的场景里我们设计了5个人设分别负责内容分析、视觉诊断、增长策略和用户模拟每个Agent会出一个报告我们的产品真实可用白皮书、研究论文和在线体验都在二维码里扫码就可以在线使用是完全免费的为了保证模型客观性允许每个Agent跟其他Agent辩论进行三轮辩论后由综合裁判给出最终结果呈现给用户的报告包括分数和优化建议我们做这个项目的初衷是希望能帮助小红书创作者为小红书注入新的生态活力我们整个团队花了48个小时几乎没睡觉把这个项目做了出来最难的不是训练模型而是爬取小红书数据我们经过了主办方的授权

Kai

41,698 просмотров • 3 месяцев назад

来自 Claude Code 团队成员 Thariq 分享的用好 Fable 5模型的秘诀。以下内容整理自 Thariq 的视频：过去，我们需要时刻检查 Claude 是否在正确地做事。比如，把任务拆分成小块交给它、反复检查它的输出，并在它过早停下时发现问题。但有了 Claude Fable 5，我反而发现自己越来越多地是在检查 Claude 是否在做正确的工作。 Fable 可以一次运行几个小时，它会测试自己的工作，老实说，我经常发现它写出的代码比我的还要好。我的工作变得越来越侧重于指引方向和前期设置，而不是监督。因此，以下是我在使用 Fable 时，工作方式发生的三个改变。首先，我把 Claude 当作一个思维伙伴。我给它提供所需的上下文。其次，我给 Claude 设定目标并提供验证这些目标的方法。最后，我试着变得更有野心，让 Claude 去做我以前从未尝试过的事情。第一点，你要越来越多地把 Claude 视为一个思维伙伴。我在使用 Fable 时发现的一个失败模式是，我可能实际上并不知道自己想要什么，或者我可能不知道什么是可行的。但是，在我的思考过程中尽早让 Claude 参与进来，我就可以在实施之前发现这些问题。举个例子，我会先从一个小的需求规范（spec）开始，在编写最终的规范文件之前，我会要求 Claude 就实施方案对我进行“面试提问”。这有助于我建立信心，确信自己知道想要什么。或者，我也可能抛出一个想法，让它想出几个可以发展的方向，并制作一些 HTML 页面原型供我审查。当我准备好进行实施时，我会尽量给它提供上下文，而不仅仅是约束条件，这样 Claude 就能真正帮助我达成目标。例如，我不会说“保持简单，不要过度设计”，而是会说：“嘿，这个功能是个实验。我们很有可能在一个月后删掉它。所以不要构建任何丢弃起来会很心疼的东西。”给它这样的上下文，能让它发现你可能都没想到的事情。一旦你知道自己想要什么了，特别是面对一个雄心勃勃的难题时，考虑给 Claude 设定目标以及验证目标的方法。为此，我们推出了两个很好用的新功能，我也鼓励大家试一试：/goal（目标指令）和 workflows（工作流）。目标功能帮助 Claude 持续工作直至完成，而工作流则帮助 Claude 验证其工作。因此，在我写完规范文档后，我可能会告诉 Claude：“设定一个目标，以完整实现该规范。然后使用工作流来验证计划的每个部分，并准备一份报告，说明已实现了哪些内容以及是否有任何差异。”这让 Claude 能够尽可能以富有创意和周到的方式发挥其能力，同时又能确保它正在构建你想要的东西。最后，试着更有野心一些。 Fable 真的是一个令人难以置信的模型，它促使我在工作中打破常规去思考。例如，我正在用 Fable 剪辑这个视频。如果有什么事情是你以为大语言模型做不到的，给它个机会试试。我们由衷地认为，Fable 提高了“一切皆有可能”的上限。

来自 Claude Code 团队成员 Thariq 分享的用好 Fable 5模型的秘诀。以下内容整理自 Thariq 的视频：过去，我们需要时刻检查 Claude 是否在正确地做事。比如，把任务拆分成小块交给它、反复检查它的输出，并在它过早停下时发现问题。但有了 Claude Fable 5，我反而发现自己越来越多地是在检查 Claude 是否在做正确的工作。 Fable 可以一次运行几个小时，它会测试自己的工作，老实说，我经常发现它写出的代码比我的还要好。我的工作变得越来越侧重于指引方向和前期设置，而不是监督。因此，以下是我在使用 Fable 时，工作方式发生的三个改变。首先，我把 Claude 当作一个思维伙伴。我给它提供所需的上下文。其次，我给 Claude 设定目标并提供验证这些目标的方法。最后，我试着变得更有野心，让 Claude 去做我以前从未尝试过的事情。第一点，你要越来越多地把 Claude 视为一个思维伙伴。我在使用 Fable 时发现的一个失败模式是，我可能实际上并不知道自己想要什么，或者我可能不知道什么是可行的。但是，在我的思考过程中尽早让 Claude 参与进来，我就可以在实施之前发现这些问题。举个例子，我会先从一个小的需求规范（spec）开始，在编写最终的规范文件之前，我会要求 Claude 就实施方案对我进行“面试提问”。这有助于我建立信心，确信自己知道想要什么。或者，我也可能抛出一个想法，让它想出几个可以发展的方向，并制作一些 HTML 页面原型供我审查。当我准备好进行实施时，我会尽量给它提供上下文，而不仅仅是约束条件，这样 Claude 就能真正帮助我达成目标。例如，我不会说“保持简单，不要过度设计”，而是会说：“嘿，这个功能是个实验。我们很有可能在一个月后删掉它。所以不要构建任何丢弃起来会很心疼的东西。”给它这样的上下文，能让它发现你可能都没想到的事情。一旦你知道自己想要什么了，特别是面对一个雄心勃勃的难题时，考虑给 Claude 设定目标以及验证目标的方法。为此，我们推出了两个很好用的新功能，我也鼓励大家试一试：/goal（目标指令）和 workflows（工作流）。目标功能帮助 Claude 持续工作直至完成，而工作流则帮助 Claude 验证其工作。因此，在我写完规范文档后，我可能会告诉 Claude：“设定一个目标，以完整实现该规范。然后使用工作流来验证计划的每个部分，并准备一份报告，说明已实现了哪些内容以及是否有任何差异。”这让 Claude 能够尽可能以富有创意和周到的方式发挥其能力，同时又能确保它正在构建你想要的东西。最后，试着更有野心一些。 Fable 真的是一个令人难以置信的模型，它促使我在工作中打破常规去思考。例如，我正在用 Fable 剪辑这个视频。如果有什么事情是你以为大语言模型做不到的，给它个机会试试。我们由衷地认为，Fable 提高了“一切皆有可能”的上限。

宝玉

142,867 просмотров • 27 дней назад

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。

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。

开发者Hailey

35,459 просмотров • 3 месяцев назад

🚨卧槽！量化技能全景导航库来了 quantskills 组织开源的 quantskills 仓库，是一个专门为量化交易和金融 AI Agent 打造的全景导航地图，把大量可复用、可被 Agent 调用的量化技能进行了系统化整理。核心亮点： > 覆盖 9 大核心类目：数据接口、因子研究、策略回测、风险监控、市场分析、AI Agent 等 > 收录 500+ 个经过验证的因子技能，涵盖量价、风险、方向性和统计类 > 强调技能的标准化设计，便于 AI Agent 直接调用和组合 > 包含大量实用工具链：因子 IC 分析、事件风险预警、新闻情绪分析、组合优化等 > 提供技能与 Agent 的开发模板和治理机制，方便社区共建 > 同时整理了大量未分类的高价值研究工具和复现项目对做量化因子开发、策略研究，或者想构建能自主使用量化工具的金融 AI Agent 的开发者来说，这是一个目前开源里整理得最系统、最具导航价值的资源库之一。

🚨卧槽！量化技能全景导航库来了 quantskills 组织开源的 quantskills 仓库，是一个专门为量化交易和金融 AI Agent 打造的全景导航地图，把大量可复用、可被 Agent 调用的量化技能进行了系统化整理。核心亮点： > 覆盖 9 大核心类目：数据接口、因子研究、策略回测、风险监控、市场分析、AI Agent 等 > 收录 500+ 个经过验证的因子技能，涵盖量价、风险、方向性和统计类 > 强调技能的标准化设计，便于 AI Agent 直接调用和组合 > 包含大量实用工具链：因子 IC 分析、事件风险预警、新闻情绪分析、组合优化等 > 提供技能与 Agent 的开发模板和治理机制，方便社区共建 > 同时整理了大量未分类的高价值研究工具和复现项目对做量化因子开发、策略研究，或者想构建能自主使用量化工具的金融 AI Agent 的开发者来说，这是一个目前开源里整理得最系统、最具导航价值的资源库之一。

爱吃折耳根的Ace

22,891 просмотров • 15 дней назад

一位中国教授最近公开了他的开发团队配置。不是人类员工，而是 170 个 AI Agent。这些 Agent 负责处理公司的各项决策和开发任务。不用睡觉，不需要涨薪，170 个智能体并行工作。看视频里的网络结构，应该是这些 Agent 之间的协作和决策链路。这种全 Agent 化的管理模式，可能是个新趋势。对于想降低人力成本、提高并行处理能力的团队来说，很有参考价值。

一位中国教授最近公开了他的开发团队配置。不是人类员工，而是 170 个 AI Agent。这些 Agent 负责处理公司的各项决策和开发任务。不用睡觉，不需要涨薪，170 个智能体并行工作。看视频里的网络结构，应该是这些 Agent 之间的协作和决策链路。这种全 Agent 化的管理模式，可能是个新趋势。对于想降低人力成本、提高并行处理能力的团队来说，很有参考价值。

Vincent

35,957 просмотров • 1 месяц назад

张雪峰真是大善啊，高考孩子有福气了。张雪峰老师虽然走了，他那套帮人选专业的核心认知全在。有人干了一件特别牛逼的事。把张雪峰十年直播里反复用的那套判断框架，蒸馏成了一个开源的 AI Skill。5本书、15篇采访、30多条语录，一层一层提炼出5个心智模型：社会筛子论、就业倒推法、阶层现实主义、不可替代性检验。我给你翻译一下这是什么意思。你问它一个问题，它不是说一堆正确的废话。而是先查你有没有行业资源，再看这个专业毕业生中位数的去向，最后给你一个你够得着的方向。不讲鸡汤。不画大饼。老王把这东西接成了免费的高考答疑AI工具，现在谁都能用，网址：模型全免费，你直接提问就行。三个场景，我说说有多实用。第一种，正填志愿的考生。拿分数、省份、想报的专业，三个要素丢过去。它按中位数去向给判断，告诉你这个分段能去哪、出来做什么、值不值得去。第二种，孩子要选专业的家长。这也是张雪峰直播间十年反复问的一套逻辑——先别问什么专业好，先问你家里有什么行业资源，再去看这个行业出口在哪。工具会按这个顺序反过来问你。第三种，纠结考研还是工作的。它会先问你什么专业。不同专业，答案完全不一样。学计算机的和学生物的，走的路能一样吗。但说真的，这东西真正值钱的，不是回答本身。是一个人的认知框架，被保留下来、被复用、被放大了。你想想看，张雪峰做了十年直播，核心就五六个判断模型，翻来覆去地用。现在这些模型结构化地写进了 Skill 文件，谁装上，谁就继承了这套判断逻辑。代码是死的，判断是活的。志愿这件事，信息差就是命差。张雪峰不在了，这套框架没走。

张雪峰真是大善啊，高考孩子有福气了。张雪峰老师虽然走了，他那套帮人选专业的核心认知全在。有人干了一件特别牛逼的事。把张雪峰十年直播里反复用的那套判断框架，蒸馏成了一个开源的 AI Skill。5本书、15篇采访、30多条语录，一层一层提炼出5个心智模型：社会筛子论、就业倒推法、阶层现实主义、不可替代性检验。我给你翻译一下这是什么意思。你问它一个问题，它不是说一堆正确的废话。而是先查你有没有行业资源，再看这个专业毕业生中位数的去向，最后给你一个你够得着的方向。不讲鸡汤。不画大饼。老王把这东西接成了免费的高考答疑AI工具，现在谁都能用，网址：模型全免费，你直接提问就行。三个场景，我说说有多实用。第一种，正填志愿的考生。拿分数、省份、想报的专业，三个要素丢过去。它按中位数去向给判断，告诉你这个分段能去哪、出来做什么、值不值得去。第二种，孩子要选专业的家长。这也是张雪峰直播间十年反复问的一套逻辑——先别问什么专业好，先问你家里有什么行业资源，再去看这个行业出口在哪。工具会按这个顺序反过来问你。第三种，纠结考研还是工作的。它会先问你什么专业。不同专业，答案完全不一样。学计算机的和学生物的，走的路能一样吗。但说真的，这东西真正值钱的，不是回答本身。是一个人的认知框架，被保留下来、被复用、被放大了。你想想看，张雪峰做了十年直播，核心就五六个判断模型，翻来覆去地用。现在这些模型结构化地写进了 Skill 文件，谁装上，谁就继承了这套判断逻辑。代码是死的，判断是活的。志愿这件事，信息差就是命差。张雪峰不在了，这套框架没走。

产品经理老王霸

43,603 просмотров • 1 месяц назад

🔥 重磅消息：昨晚刚上线的Claude Opus 4.6 可以免费用了！ ZenMux把这个模型给免费开放了，目前是限时 2 周免费体验。这可能是今年最良心的 AI 福利了——要知道官方 Claude Pro 订阅一个月就要 $20，而且还有额度限制。说实话，我自己最近已经被额度问题困扰很久了。这已经是这个月第三次了——上周用 Claude Code 重构了一个项目，刚生成了大概 2000 行代码，额度直接没了就~~ 然后就是熟悉的循环：要么等下个月重置，要么就是再充钱。这种“写到一半突然卡住”的感觉，真的太难受了，大家应该懂得。而我又是一个完全不懂代码的 Vibe Coding 选手，所有的东西都得靠 AI，手工是绝对不可能的，所以消耗 Token 的速度比谁都快。所以今早看到 yamilet 第一时间支持了 Claude Opus 4.6，还包含了 GPT-5.2、Gemini 3 Pro 这些最新模型。加上他们最新上线了一个 Builder Plan 订阅制，限量 999 份，我就赶紧抢了一个。我的实际体验： 1、注册后直接选 Pro 套餐（$20/月），直接支付宝付款 2、拿到 API Key 之后，复制到 VS Code的设置里（替换我原来的 Anthropic Key） 3、打开项目，直接用Claude Code插件，然后选 Claude Opus 4.6，开始继续写代码，不用担心 Token 然后我做了个测试：让 Claude Opus 4.6 帮我写一个完整的用户认证模块，包括： -- JWT token 生成和验证 -- 密码加密和校验 -- 刷新 token 机制 -- 错误处理和日志记录生成了大概 500 行代码，前前后后改了 3 次，一点心理负担都没有。以前用官方订阅的时候，每次让 AI 重新生成代码，我都会犹豫一下：“这次改动值不值得再消耗一次额度？” 现在完全不用想这个问题了。这种固定月费的模式，我爱怎么折腾怎么折腾。更爽的是：因为 ZenMux 聚合了所有主流模型，我可以直接在 VS Code里切换： -- 写复杂逻辑用 Claude Opus 4.6（推理能力较强） -- 写单元测试用 GPT-5.2（格式比较规范） -- 优化性能用 Gemini 3 Pro 一个 API Key，三个顶级模型随便切换，这种体验真的回不去了。算了一下成本以前： ChatGPT Plus $20 + Claude Pro $20 = $40/月，还经常不够用现在： ZenMux Builder Plan Pro $20/月，等价 $100 的 API 用量，目前完全够用如果你是商业项目或者生产环境，ZenMux 也有按量付费模式，企业级 SLA 保障。我个人项目用订阅制，公司项目用按量付费。 👉 体验地址：

🔥 重磅消息：昨晚刚上线的Claude Opus 4.6 可以免费用了！ ZenMux把这个模型给免费开放了，目前是限时 2 周免费体验。这可能是今年最良心的 AI 福利了——要知道官方 Claude Pro 订阅一个月就要 $20，而且还有额度限制。说实话，我自己最近已经被额度问题困扰很久了。这已经是这个月第三次了——上周用 Claude Code 重构了一个项目，刚生成了大概 2000 行代码，额度直接没了就~~ 然后就是熟悉的循环：要么等下个月重置，要么就是再充钱。这种“写到一半突然卡住”的感觉，真的太难受了，大家应该懂得。而我又是一个完全不懂代码的 Vibe Coding 选手，所有的东西都得靠 AI，手工是绝对不可能的，所以消耗 Token 的速度比谁都快。所以今早看到 yamilet 第一时间支持了 Claude Opus 4.6，还包含了 GPT-5.2、Gemini 3 Pro 这些最新模型。加上他们最新上线了一个 Builder Plan 订阅制，限量 999 份，我就赶紧抢了一个。我的实际体验： 1、注册后直接选 Pro 套餐（$20/月），直接支付宝付款 2、拿到 API Key 之后，复制到 VS Code的设置里（替换我原来的 Anthropic Key） 3、打开项目，直接用Claude Code插件，然后选 Claude Opus 4.6，开始继续写代码，不用担心 Token 然后我做了个测试：让 Claude Opus 4.6 帮我写一个完整的用户认证模块，包括： -- JWT token 生成和验证 -- 密码加密和校验 -- 刷新 token 机制 -- 错误处理和日志记录生成了大概 500 行代码，前前后后改了 3 次，一点心理负担都没有。以前用官方订阅的时候，每次让 AI 重新生成代码，我都会犹豫一下：“这次改动值不值得再消耗一次额度？” 现在完全不用想这个问题了。这种固定月费的模式，我爱怎么折腾怎么折腾。更爽的是：因为 ZenMux 聚合了所有主流模型，我可以直接在 VS Code里切换： -- 写复杂逻辑用 Claude Opus 4.6（推理能力较强） -- 写单元测试用 GPT-5.2（格式比较规范） -- 优化性能用 Gemini 3 Pro 一个 API Key，三个顶级模型随便切换，这种体验真的回不去了。算了一下成本以前： ChatGPT Plus $20 + Claude Pro $20 = $40/月，还经常不够用现在： ZenMux Builder Plan Pro $20/月，等价 $100 的 API 用量，目前完全够用如果你是商业项目或者生产环境，ZenMux 也有按量付费模式，企业级 SLA 保障。我个人项目用订阅制，公司项目用按量付费。 👉 体验地址：

鱼总聊AI

35,596 просмотров • 5 месяцев назад