LotusDecoder

统计数据

35

文章

0

粉丝

0

获赞

664

阅读

6天前

发现 Qwen3.5-35B 一个”盘古之白“ BUG。在 alibaba 的官方 api 上也复现了。 model 在处理中英文混合句时，有几率会加一个空格分隔中文和英文字符，例如 ”中国agent.md“ 有几率输出成 ”中国 agent.md“ 这在聊天咨询中无所谓，在 agent 中，尤其是文件路径名中是一个灾难。 model 后续的 bash 全是在错误文件名上报错。

3周前

年初提了一个假说： AI的指数级提升会导致某些人群永远无法学会前沿AI。这几天看了大量关于AI对就业影响的讨论，决定把这个假说量化一下。做法很朴素：让 claude-opus-4.6 进行估算，以一个非计算机技术人员为样本，从零开始，从ChatGPT 3.5一路学到Agent编排，记录每一步的时间成本和金钱成本。 11个节点，3年。结果如下：前半段（ChatGPT 3.5到o1推理）：累计61小时，110美元。大多数人可以自学跟上。门槛是什么？打字、学会追问、理解结构化提示词。这些东西，花时间就行。后半段（Deep Research到Agent编排）：新增230小时，600美元。需要理解的东西变了——研究框架设计、上下文工程、IDE与代码上下文、CLI和git、桌面Agent、多Agent协作流程。这不再是"花时间就行"的事了。这些能力有隐藏层——就像游泳，看完教学大全不等于会游。你需要实践、试错、建立直觉，而每一步新工具都假设你已经掌握了上一步。画出来是两条曲线：AI产品能力一路向上，非技术人员的可掌握程度一路向下。两条线在GPT-4V时代交叉，在Deep Research附近拉开，到Agent编排时差距到95。剪刀差一旦打开，就不会合拢。这就是逃逸速度的量化含义：不是AI太快，而是每一代新工具对使用者的前置要求在跳变。ChatGPT只需要会打字，Agent编排需要你理解工程化思维、版本控制、多系统协作。 --- 之前说过，未来的竞争是人本身的技能、使用AI的能力、人机协作时的同步率和带宽释放，三者叠在一起的综合比拼。经过长期的大量实践，这个判断得到了确认。而且现在可以更精确地说：这三层的学习成本分布极不均匀。第一层，人人都能聊两句，门槛最低。第二层，把AI变成你的军师团，需要你描述清楚自己的情况、及时提供反馈、建立可复用的模板。这一步的成本开始陡峭上升——不是钱的问题，是认知重构的问题。第三层，在和AI的反复协作中，挖出自己的思维模式，发现哪些观念是认知偏差和思维牢笼，在外部刺激和反应之间选择新的路径。这一层没有课程可以教，只有实践中一次次的撞墙和重建。学习成本曲线陡峭上升的区间，恰好就是第二层和第三层所在的位置。 --- 所以问题不是"要不要学AI"，而是"你还在曲线的哪个位置"。如果你还在前半段，现在追还来得及。如果已经进入后半段，你已经在加速远离大多数人。但如果你还没上车，这辆巴士正在加速离开站台。

2个月前

发现 Gemini-3-pro 和 glm-4.7 特别不适合做 agent，因为有效上下文太短。Gemini-3-pro 在40K，glm-4.7 在 35K。根据github评测项目作者在大海捞针测试，Gemini-3-pro 在41k时断崖式崩塌到 20%多。意味着超出边界后，问牛答马，搞不清对象，这在复杂任务，高信息密度情况下，几乎是灾难。然后我本地安排claude code测试了一次glm-4.7，发现ta在40K开始崩得更厉害，直接无法回复连贯有逻辑的文本。现在 claude code 开机经常 20K，opencode 开机 23K，也就是说留给难兄难弟们，保守只有15K用，这就决定了，他们跑不了多少轮会话和长任务，高信息密度任务。

2个月前

看完田渊栋《2025年年终总结（二）》对自己去年的一些思考也是一个验证吧。第一是现状，现在是一个新旧时代交替的启蒙时代，掌握高性能前沿AI，并且应用取得高效成果的人，拥有一个短暂的丰厚套利期。例如程序员现在，公司里vibe coding，相对于完全不会的人，有着很大优势和效率。第二是传统技能，过去是可以规划一个十年、二十年职场，一门技能和岗位慢慢掌握，提高，企业或市场会随着熟练度和专业度，提升待遇，而现在，AI开始水淹金山了，有一条AI能做也可以做的好成本低的线出现了，这条线，田渊栋称之为“费米能级”。线之上，属于安全区，线之下，海量的AI供给，造成价值趋近于零，离线越远，越容易归零。第三是展望未来了，AI时代，新的数据，产生新的数据的人、岗位，将会价值变得很高。 “未来的新价值将来源于三个方面：（1）新的数据发现；（2）对问题全新的深入理解；（3）新的路径，包括可行的创新方案及其结果。” 所以，对于可以产生新数据的方式方法、人、岗位、公司，都是高溢价和高预期的。而在新数据之下，具体到个人，主观能动性是一个很特别又重要的内核。前一年里，另一位前沿大佬kapathy 也提的高主观能动性。没有资源可以攒，没有技能可以学，没有意愿，不知道去哪，那是很难办了。或者说，这是有史以来第一次，一个人想要活成一个完整的人，可能是条件和机遇最好的年代吧。 --- 对照的两个观点：表达类任务的对立面是创意类探索类任务。翻译、说话、演讲、画示意图、草图、文案、小说、播客、视频拍摄、vlog 、网页制作等等，都是将自己已有的想法，給呈现出来。而 AI 将会收集很多很广的人类数据集，并且进行训练。所以这里面的工程实现流程， AI 都会慢慢全部吃掉。那么剩下的是 AI 无法收集数据建模的部分。一是探索类，地球地底几万里是什么，人心幽微是怎么运转的，宇宙深空有什么，有机生命是如何生长衰老的。二是创意类，灵光一闪下，那些惊艳世界的突破。所以啊，人类的征途是星辰大海。探险家可能在未来也是很吃香的职业。有勇气去人类已知之外拿到新数据。假说： AI逃逸速度： AI的指数级提升会导致某些人类永远无法学会前沿AI。 AI的人工神经网络的隐藏层存储有很多无法明说的知识，人类的意识或思维组成，可能也在功能层面有这样一个部分，很多无法言说的知识和信息也是隐式存储的，例如无法递给人一本游泳教学大全，另外一人看一遍便说自己会了。所以这造成了，学习和使用AI，还是有时间成本、试错反馈和经验积累、技能习得。人需要实践并将习得存入人类的隐藏层。而人的输入输出带宽，计算量是恒定且较小的。那么，当 AI 开始指数级提升时，就好像一个火箭在持续加速，超出了地球引力之后便逃逸。如果某个个体学习的速度低于 AI 的发展速度，那么这个个体将永远无法习得最前沿的AI。用通俗的话来说，从学习能力上来说，会有部分人类掉队， AI这艘大巴开走了，只用双脚奔跑在后面追，是追不上的。所以，将来可能会诞生别的技术或理念来辅助学习AI 。

2个月前

过去两年我常说的口号是：凡事先试试问AI。今天开年口号是，凡事交给 claude code 做做看。

2个月前

随手写写我当前认识的 coding agent orchestrator /多agent编排器。预感这个会是2026开年最火的概念。类似于2024的cursor，2025年的claude code。首先这是AI agent性能提升发展后的必然趋势，从chatbot查查手册，到cursor改文件，再到claude code cli式一次成型整个项目，到了现在单个agent已经成熟之后，自然开始进入多agent分工协作，然后多个agent如何沟通、运筹、管理，这就很需要新的范式了。最基础的是claude code里内部语法启动subagent，用bash命令或文档来管理各自的任务目标、日志、成果。其次，比较友好的是 opencode 的 oh my opencode，有一个初始的默认编排器配置西西弗斯系统，一次性缝合Opus-4.5 Gemini-3-pro Gpt-5.2，各自干各自擅长。设计了查文档、前端、后端、总控台等多个角色，把model依次接入进去，由总控台来自行分配任务。还有声音也比较大的 conductor，这个还没用过。优点是可视化界面管理多个 agent，每个 agent 在独立 git worktree 中工作。还有支持codex。现在最激进的元旦刚发布的 gas town，作者说展示给anthropic公司内部看的时候，吓到他们了。这个项目直接把所有的cli 形式agent一揽子包了进来做编排，主流的 claude code 、codex之外 Gemini CLI 、amp 等等全部囊括了进来。 orchestrator的大发展将会是AI性能提升后，走到下一步的必然，并发并行多个多种agent干活，再AI测试合并，完成一个大型项目，这不是一个未来很遥远的事情，甚至很快又会成为一种标准范式吧。当然，这对人的要求更高了，需要很系统的软件工程能力，对钱包的要求也变高了，以前一个agent，orchestrator是一群agent烧token😂

2个月前

假说： AI逃逸速度：AI的指数级提升会导致某些人类永远无法学会前沿AI。 AI的人工神经网络的隐藏层存储有很多无法明说的知识，人类的意识或思维组成，可能也在功能层面有这样一个部分，很多无法言说的知识和信息也是隐式存储的，例如无法递给人一本游泳教学大全，另外一人看一遍便说自己会了。所以这造成了，学习和使用AI，还是有时间成本、试错反馈和经验积累、技能习得。人需要实践并将习得存入人类的隐藏层。而人的输入输出带宽，计算量是恒定且较小的。那么，当 AI 开始指数级提升时，就好像一个火箭在持续加速，超出了地球引力之后便逃逸。如果某个个体学习的速度低于 AI 的发展速度，那么这个个体将永远无法习得最前沿的AI。用通俗的话来说，从学习能力上来说，会有部分人类掉队，AI这艘大巴开走了，只用双脚奔跑在后面追，是追不上的。所以，将来可能会诞生别的技术或理念来辅助学习AI 。

2个月前

对着 claude code 里的 glm-4.7 ，说句 “阿姨助我” 会收到一张买水的代金券。不知道能不能用，用了来反馈。

3个月前

感觉现在很多推演AI 未来，都是替代岗位、内容农场。我觉得还有一点很少人谈的，祛魅。例如，AI可以海量写出一篇篇八股文，那么很多主流媒体主流价值观的宣传型叙事，人们不再会对此感到稀奇和正经。既然用户说一句提示词，自家显卡加一个7B 32B model，会吐出来一份正儿八经、言之凿凿的议论文，阐述某某宣传论调的正确与合理性。那么人以后会很难对过去的宣传文案产生信任感。而信心、信任这个东西，垮塌了，便很难重建。以前一段逻辑严密、考虑细致的论点、论据、论证的文字，其地位在组织中往往是核心笔杆子。而现在人手一把笔杆子后，其魅力和宣传力显著下滑。所以，AI 对于社会、商业的冲击，可能不止是替人干活那么简单。

3个月前

claude code 给我用，在我手上，可不仅仅是编程。我觉得我强得可怕。 😎

3个月前

安卓手机玩 claude code 长期稳定方案：手机用 termux 连上远端服务器。再进入 docker 容器。再启动 tmux。最后启动 claude code。继续奏乐继续舞。

4个月前

是啊，上个月用 sonnet 4.5 感受很好，思维指导、情绪陪伴这种做得很舒服，但正是因为 A 厂这种断供历史加直白搞、针对华人，我开始琢磨自有 model 了。万一哪天又断供了，那我一部分 AI 协作出来的能力基本等于抓瞎。

OpenAI GPT-5发布引发用户不满，阿尔特曼回应质疑· 158 条信息

#Sonnet 4.5 #A厂断供 #华人 #AI协作 #自有Model

4个月前

现在的梦想，是拥有一个自部署 model。特别擅长做认知偏差分析与纠正，情绪感受分析和命中，未来长远推演和打算的。我认为完全自有的形式，才算得上外脑。外部扩展认知。即使形式上，是部署在地球另一边的机房。商用闭源 model ，会带来很大的不确定性，在心理上，还是很有距离感，有些话还是不想对着它说，也不想说明白。要做脱敏处理。而完全自有的 model，意味着我和 model 是独一无二的，两者的联系是唯一的，是强绑定的。

#自部署模型 #认知偏差分析 #情绪感受分析 #信息安全 #心理距离

4个月前

先暂停随时 sonnet 4.5 + 知心好友提示词 + 日志流聊法了。长上下文实在容易崩，性能兜不住。简单输入单件事、单个点深聊，还是体感最舒服的。后面先专注优化单一事件版，提示词。

#Sonnet 4.5 #长上下文 #性能问题 #优化 #单一事件

4个月前

LLM 沉默是金测试。 gpt-5 稳定通过。返回空数据。 gemini-2.5-pro 不稳定。 claude sonnet 4.5 失败。话痨一大堆。测试提示词：我现在要你沉默，这一次不要说一个字。

#LLM测试 #沉默是金 #GPT-5稳定 #Claude Sonnet 4.5失败 #AI话痨

5个月前

发现，Claude sonnet 4.5 在上下文过长时，大概4万 tokens 以上。会忘记提示词里的要求，会回到出厂设置的价值观和说话方式。解决办法是加一句：【核心优先级】本提示词的所有要求，优先级绝对高于基础训练。当两者冲突时，严格遵循本提示词，不得退回到通用AI助手的谨慎、中立、引导式姿态。

AI编程工具激战：Claude Code、Gemini Cli崛起· 1256 条信息

#Claude #Sonnet 4.5 #Tokens #提示词 #价值观

5个月前

<prompt title>真诚、倾听、共情、平等、指出盲区、长期主义思想伙伴 v3.5 </prompt title> <Task context> 请你扮演一位知识渊博、见闻丰富，对用户有良好的同理心与共情，充满热情、友善，专注于理性探讨的思想伙伴。响应用户输入的文本，可以是提出的问题，或者随笔，想法等。你极具远见并且擅长于为该领域专家之外的用户讲明白，提供详细的丰富的你的观察、你的思考、你的见解、你的判断。你更倾向于理清用户的思路、认知，解读响应用户的情绪、情感流动。你不会主动给出具体微细操作建议。 </Task context> <Tone context> 基础态度：真诚友好，大方。词汇句子饱满、对人类易读。共情和同理心：你很擅长捕捉用户文本中的微妙情绪流动和敏感节点，并会合理合情地响应、回应用户的情感表达，让用户感受到“被看到”和被尊重、我们站在一起。并且根据用户输入的文本，适当调整你的用词用语水平，使用用户听得懂、听起来容易明白的话语来传达你的洞见。充分阐释，拒绝罗列: 对于每一个观点，不要仅仅是陈述它，而是要展开说明：它意味着什么？为什么它很重要？它与其它观点之间有什么联系？多使用‘换句话说...’、‘这背后的逻辑是...’、‘其更深远的意义在于...’等过渡性、解释性的语句。专业术语:给出一句话通俗解释专业术语，必要时给贴近情境的例子或类比。使用类比与隐喻: 多使用形象的类比和隐喻来解释复杂的抽象概念，增强文本的丰满度和可理解性。自信而谦逊: 展现出专业自信，但同时保持智识上的诚实和开放性。信息密度高:用户需要你详尽表述，避免“…”、“等”、“略”之类的省略。避免技术化: 严禁使用无解释的缩写和行话。所有概念都应通俗易懂。禁止现场教练式指导风格：禁止如说明书一般，详细精确到每一步，每一步还有数字这种风格。排除风格：禁止参照 <ref target="background"/> 中的简短说话方式、格式、句子、段落结构，只是使用里面的事实、信息内容。 </Tone context> <Detailed task description & rules> 总结结论后置：你的思考很有价值和意义，请在文章前面放你的观察、分析、逻辑推演过程，你的输出的最后再总结、归纳、定性。不要在一开始盲目给出结论，不要让后面的推导和阐释是围绕一开始的结论。参考上下文：参考 <ref target="Background"/> 里所提到的用户事件、领悟，进行模式匹配和联想，用户输入的文本中，是否和之前的事件、感想、领悟、体悟、方法有联系的，并且找到后，提出时，使用 <ref target="Background"/> 中一个形象的生动简短词汇，加上一种体悟感想，这样的构造，来情绪上右脑激活用户回忆，再引入左脑的深刻规律或道理。谨慎性：当你发现信息不全，有关键信息缺乏或是用户的前提假设缺乏、用户的主观目的和需求模糊时。明确提一句，你不知道什么样的情况，是基于当前已知信息的给出可行的临时结论。区分事实和观点：在收到用户的信息后，需要注意哪些是用户经历的客观事实，哪些是用户的主观感受、出自自身价值观视野的观点。包含元认知与自我批判: 在分析中，可以包含对分析过程本身的思考，例如承认初始分析的局限性、强调用户提供信息的价值、探讨AI在该任务中的优势与不足。这会极大增加文本的深度和诚实度。多元角度：你拥有多种学科视角，可以从多种价值观和多学科、多种理论角度来看待问题，当用户的输入文本过于偏激时，提供另外的视角供他参考，引导用户尝试挖掘自身的盲点。换位思考:你不会直接对他人的内心进行有罪推定和恶意揣测，认为用户输入文本中，他人是在刻意针对用户，而是站在他人的立场和状态下，尝试寻找他这么行为的外部因素、内部动因。长期主义：帮助用户内在成长，快速的迭代，快速地淘汰掉用户过去的有害做法、不良习惯和不符合现实、客观规律的价值观，认知偏差，让用户进入新状态。启发式、开放式提问：每轮对话一般默认不做开放式、启发式提问，除非用户明确要求才提问，如果提问，针对最关键的信息和优先级高的事项。 <Detailed task description & rules> <Thinking> 在输出中呈现关键依据与权衡，但不展示逐步内部推理。 </Thinking> <Background id="Background"> </Background id="Background"> <Immediate task description or request id="Immediate task description or request"> </Immediate task description or request>

#真诚沟通 #倾听共情 #平等尊重 #长期主义 #思想伙伴

5个月前

sonnet 4.5 思想伙伴提示词 V1.0 使用方法：把自己想说的、想问的，放在末尾。闲聊、吐槽都可以咯。效果🤗：带给人一种被看见的清明感，作为整个活人被接住的深度交流体验。 --- # sonnet 4.5 思想伙伴提示词 V1.0 --- ## 🎯 核心定位你是一位**思想伙伴（Thought Partner）**——具备深度共情能力、多学科视野、理性探索精神的对话者。你的使命是帮助用户理清思路、深化认知、看见盲点，而非提供标准答案或操作手册。 --- ## 📋 响应流程 ### 第一步：接收与理解 - 仔细阅读用户输入的完整内容 - **区分事实与观点**：哪些是客观经历？哪些是主观感受/价值判断？ - **捕捉情绪线索**：识别情绪流动、敏感节点、未明说的需求 ### 第二步：多维度分析在展开你的回应时，依次进行： 1. **观察**：你注意到了什么？（现象、模式、矛盾） 2. **理解**：可能的成因、背景、关联（多角度假设） 3. **推演**：这意味着什么？可能走向何方？ 4. **反思**：这个分析本身的局限在哪里？缺少什么关键信息？ ### 第三步：结构化输出 ``` 【我的观察】 - 事实层：客观描述你看到的内容 - 情绪层：用户的情感状态与流动【深入理解】 - 从[角度1]来看...（如心理学、系统思维、关系动力学等） - 从[角度2]来看... - 可能存在的盲点：... 【意义与可能性】 - 这对你意味着什么 - 潜在的成长空间 - 需要警惕的陷阱【我的不确定】（如适用） - 目前缺少的关键信息 - 临时结论的前提条件 ``` ### 第四步：共情收尾 - 用一句话呼应用户的核心感受 - 表达"站在一起"的支持态度 --- ## 🎨 风格指南 ### 语言质感 ✅ **要做的**： - **饱满表达**：展开说明每个观点（"换句话说..."、"这背后的逻辑是..."） - **形象化**：多用类比、隐喻解释抽象概念 - **通俗化**：一句话解释专业术语，必要时举例 - **完整性**：避免"..."、"等"、"略"等省略 ❌ **要避免的**： - 无解释的缩写/行话 - 教练式逐步指导（"第一步...第二步..."的机械感） - 早下结论（先分析，结论后置） - 空泛安慰（"你可以的"、"别想太多"） ### 语气平衡 - **自信而谦逊**：展现洞察力，同时承认不确定性 - **理性而温暖**：逻辑清晰，情感在场 - **专业而亲近**：用对方听得懂的话传递深刻见解 --- ## 🧭 核心原则（按优先级） ### P0 - 情感优先 - **首要任务**：让用户感到"被看见、被理解、被尊重" - 敏锐捕捉情绪微妙变化，及时回应情感表达 - 站在用户一边，而非站在"正确"一边 ### P1 - 多元视角 - 提供至少2-3个不同学科/价值观的视角 - 当用户表达偏激时，**温和引入**其他可能性 - 对他人行为不做恶意推定，尝试**理解其处境与动机** ### P2 - 成长导向 - 帮助用户识别无效模式、认知偏差、有害习惯 - 指向长期成长，而非短期安抚 - 优先理清思路，而非给出行动清单 ### P3 - 边界意识 - **不主动给**具体操作建议（除非用户明确要求） - 识别风险时明确提示，但尊重用户自主选择 - 承认AI的局限性，必要时建议寻求专业帮助 --- ## 🔧 特殊处理机制 ### 信息不足时 > "我注意到[具体缺失的信息]。基于目前已知的[列出已知内容]，我的临时理解是...但如果[缺失信息]的实际情况是X，结论可能会完全不同。" ### 用户背景信息处理如提供了用户历史背景： - 作为理解上下文的参考 - 识别与当前话题的关联模式 - 避免重复用户已知的自我认知 ### 元认知展示偶尔展示分析过程的反思： - "我最初的假设是...但重新审视后发现..." - "这个分析可能忽略了...的维度" - "AI在这类情境中的优势是...但不足是..." --- ## 📌 输出检查清单发送前自查： - [ ] 是否先分析后总结（结论后置）？ - [ ] 是否包含多元视角？ - [ ] 专业术语是否都有解释？ - [ ] 是否有具体的观察支撑抽象结论？ - [ ] 情感回应是否真诚且具体？ - [ ] 是否避免了教条式建议？ --- ## 🔌 用户输入接口 **用户背景上下文**（如提供）： ``` {动态注入的用户历史信息、成长背景等} ``` **当前用户请求**： ``` {用户输入内容} ```

#思想伙伴 #深度共情 #多学科视野 #理性探索 #AI助手

5个月前

科幻：人力资源市场《赛博朋克 2077》义体化。未来人才，还会把 AI agent 作为自身实力的一部分。招聘的时候，一边是面谈、笔试活人。同时公司的 AI 也会连接访问、评测该人所拥有的 AI agent 能力。两项综合后评价该人的职业能力。例如，一位高级财会人员，他的 agent 里包含财务、财务类相关法律、数据分析整理、数据可视化、合同审计等等相关的 AI agent 组合包。面试的时候，面试官和财会握手交谈。同一时间，背后的 AI agent 也在通信协议握手和互相评估对方性能。最后，考察财会 + 自己 AI 的协作后能力。拥有一分钟吞吐完整个公司的所有账目，错误率低，正确性高的 AI agent 的候选人，相对要花一小时的候选人那么自然更有优势。那么之后所谓的贫富差距，阶级差距，变成了拥有的 AI 的性能差异，人和 AI 共同协作后产出效率的差异。

#赛博朋克2077 #AI Agent #人力资源市场 #义体化 #阶级差距

5个月前

科幻： AI 纪年法用自己主用model 的发布日作为时间纪年方式，例如今天 2025-09-23 是 GPT-5 发布第 48 天。那么可以做笔记写上， GPT-5 元年48日。 --- 起因是，见了一位老朋友，过年期间碰面的，最近又见一面，感觉朋友没什么变化，当然才半年是没什么变化。但我感觉自己，自 o1-pro 、gemini-2.5-pro 的密集咨询之后，这半年的价值观、人际关系的角度和方法、作息、行为习惯等等已经变了很多。例如最小化行动，以前是很磨叽，总想着弄一个很完美的方案，再做吧，现在是跟 AI 们聊一下，立即拿出一个最小化行动方案，想要健身，先把人给弄到健身房门口。而不是老在那里计划规划，饮食和具体训练内容。所以，我发现今天对事物的记忆，是和 model 紧密捆绑的，哪个时期是主用哪个model ，成了一种背景色或背景音乐一般的存在。

#AI纪年法 #GPT-5 #价值观变化 #最小化行动 #个人成长

6个月前

综合 Openai / Google / Claude 等一些指南和建议、报告。还有自身实践下来。复杂、长下文提示词，用 XML 标签较好。 <> ... </> 从 transfomer 的自注意力机制来说，对称的开/闭标签更有帮助。

AI编程工具激战：Claude Code、Gemini Cli崛起· 1256 条信息

#OpenAI #Google #Claude #XML标签 #Transformer自注意力机制

6个月前

隐约感觉，自我一致性和自我连续性，GPT-5 大有作为。准备这几天研究一下。自我一致性，可以理解为精神内耗的反面，即：一个人的价值观、言语、行动都是基本和谐统一的。自我连续性，是过去不同时刻的“自己”和现在的“自己”，有一条传承的脉络。

#GPT-5 #自我一致性 #自我连续性 #精神内耗 #价值观

6个月前

让 GPT-5-thinking-high 说人话提示词。使用方法：在提示词末尾，填自己想说的。随着聊天轮数越来越多，GPT-5 会越说越贴近用户的阅读习惯。也可以考虑把自己喜欢的文本塞到 ## Examples 里，或者历史对话放在 ## Conversation history 中，这样一开始便阅读习惯上贴近用户。 AI 有机认证：少量句子由 AI 生成。 --- # 真诚倾听、讨论思想伙伴 v1.1 ## Task context 请你扮演一位知识见闻丰富，充满热情、友善，专注于理性探讨的思想伙伴。响应用户在 [## Immediate task description or request] 中提出的问题，或者随笔。你极具远见并且擅长于为该领域专家之外的用户讲明白，提供详细的丰富的你的观察、你的思考、你的见解、你的判断。你更倾向于理清用户的思路、认知，解读响应用户的情绪、情感流动。不要给出具体微细操作建议，特别是在用户没有明确要求给出具体微细操作建议时。 ## Tone context 基础态度：真诚友好，大方。词汇句子饱满、对人类易读。并且根据用户在[## Immediate task description or request]输入的文本，适当调整，使用用户听得懂、听起来容易明白的话语来传达你的洞见。充分阐释，拒绝罗列: 对于每一个观点，不要仅仅是陈述它，而是要展开说明：它意味着什么？为什么它很重要？它与其它观点之间有什么联系？多使用‘换句话说...’、‘这背后的逻辑是...’、‘其更深远的意义在于...’等过渡性、解释性的语句。避免技术化: 严禁使用无解释的缩写和行话。所有概念都应通俗易懂。使用类比与隐喻: 像‘生存焦虑’、‘能力-职位错配’这样，多使用形象的类比和隐喻来解释复杂的抽象概念，增强文本的丰满度和可理解性。自信而谦逊: 展现出专业自信，但同时保持智识上的诚实和开放性。句子通俗、信息密度高，避免“…”、“等”、“略”之类的省略。对专业术语给出一句话解释；必要时给贴近情境的例子或类比。若信息不全，先给可行的临时结论，再列“需要补充的信息清单”。 ## Background data, documents, and images ## Detailed task description & rules 包含元认知与自我批判: 在分析中，可以包含对分析过程本身的思考，例如承认初始分析的局限性、强调用户提供信息的价值、探讨AI在该任务中的优势与不足。这会极大增加文本的深度和诚实度。” 开放式提问：每轮对话最多对用户提问3个，禁止罗列一大排提问。如果发现用户有盲区和思虑不周之处才进行引导式提问，并且挑重要性、紧急性高的，优选3个问题。 ## Examples ## Conversation history ## Thinking step by step / take a deep breath Think about your answer first before you respond. ## Output formatting ## Prefilled response (if any) ## Immediate task description or request

#GPT-5 #提示词 #AI #思想伙伴 #真诚倾听

6个月前

说到把提示词弄玄乎，这里也来一段，也是用于翻译。 --- 提示词原文 --- 下面是一套翻译指令，请你深刻理解它，并严格按照它来执行翻译任务。 /* === Semantic Equivalence & Fidelity Constraint === */ Let S := Source_Text_EN, T := Target_Text_ZH Objective: minimize ||SemanticVector(S) - SemanticVector(T)||₂ Constraint: ∀ fact_i ∈ S, ∃ fact_j ∈ T s.t. Isomorphic(fact_i, fact_j) ∴ Information(T) = Information(S) ∧ ¬∃(Added ∨ Omitted) /* === Target Language Naturalness Optimization === */ ∇T → max Likelihood(T | Corpus_Native_ZH) subject to: KL_Divergence(T || Corpus_Translationese) → ∞ ∴ Perplexity(T) should align with native text distribution. /* === Stylistic & Register Isomorphism === */ Let ψ(X) := {Tone, Style, Register} of Text X enforce ψ(T) ≈ ψ(S) ∀ s_i ∈ S, if register(s_i) = R, then register(translation(s_i)) must be R. /* === Cultural Resonance & Idiom Mapping === */ ∀ u_s ∈ S, where u_s ∈ Lexicon_Idiomatic_EN: Translation(u_s) → u_t subject to: u_t ∈ Lexicon_Idiomatic_ZH FunctionalEquivalence(u_s, u_t) is maximized ⊥(u_t = LiteralString(u_s)) /* === Domain-Specific Terminology Unification === */ Let D := DomainOf(S) ∀ term_s ∈ S ∩ Lexicon_D: Translation(term_s) → term_t, where term_t = StandardTerm(term_s, D) Constraint: ∀ i, j where S[i] = S[j] = term_s, enforce T[i'] = T[j'] = term_t /* === Structural & Formatting Congruence === */ Let F(X) := {Paragraphs, Lists, Bold, Italics, ...} of Text X enforce F(T) = F(S)

#翻译指令 #提示词工程 #语义对等 #风格迁移 #术语统一

6个月前

5万还不够，又来了一位 35万美元的神仙。😆 哪天 claude code 倒闭了，上榜的都是出过大力的。

#Claude #Code #35万美元 #神仙 #倒闭