宝玉

统计数据

913

文章

0

粉丝

0

获赞

20656

阅读

5个月前

特朗普：萨姆，你是一个非常新兴的行业的伟大领导者，而且非常年轻。你是个年轻人。呃，你想告诉我们你在做什么吗？你之前告诉我的事情绝对令人难以置信。那么，你在做什么？萨姆·奥尔特曼 (Sam Altman)：首先，我想呼应蒂姆和其他人的发言，非常感谢您将我们大家聚集在一起。感谢您是一位如此亲商、亲创新的总统。这是一个非常令人耳目一新的变化。我们非常高兴地看到您为使我们所有公司和我们整个国家如此成功所做的一切。这里的投资，以及让力量和产业重返美国的能力，我认为这将为我们奠定基础，带来一个长期领导世界的巨大成功。而且我认为，如果没有您的领导，这一切现在是不可能发生的。呃，我们非常感激能够在这里建立我们的公司，在这里建立数据中心，建立整个人工智能产业并在美国引领世界。呃，呼应其他许多人的评论，我认为这将以一种深刻的方式改变世界。呃，而且我认为，能够以这种方式领导世界，对美国来说确实是一个优势。嗯，第一夫人今天主办的关于教育的活动真的非常棒，看到人工智能即使在今天为教育和许多其他行业所做的事情，也真的很了不起。嗯，所以非常感谢您促成这一切。呃，我们将在美国投入巨资，呃，并且我们将尽最大努力确保我们在这里继续保持领先。特朗普：没错。谢谢你。数千亿美元，这将是非常值得的。而且你们拥有一个无限的市场。对吧？

特朗普宣布美国5000亿AI投资计划事件· 39 条信息

#特朗普 #萨姆·奥尔特曼 #人工智能 #亲商 #美国

5个月前

OpenAI 揭秘：AI为什么会一本正经地胡说八道？ OpenAI 最近发表了一篇名为《语言模型为何会产生幻觉》(Why Language Models Hallucinate) 的文章，深入解释了 AI “幻觉”产生的根本原因，并提出了减少这种现象的解决方案。规则的“锅”：AI 被鼓励去猜测，而非承认无知文章指出，大语言模型之所以会产生“幻觉”，是因为我们现有的训练和评估方式存在一个根本性问题：它奖励猜测，而不是鼓励模型承认自己的不确定性。大多数评估体系衡量模型表现的方式，都无形中让模型养成了“猜答案”的习惯。当模型的评分标准只基于准确性时，它为了拿高分，自然会倾向于在不确定的时候蒙一个答案，而不是诚实地回答“我不知道”。问题的根源：来自“预训练”阶段的先天不足这种“爱猜测”的习惯，其实在模型的“学前教育”阶段，也就是预训练 (pretraining) 过程中，就已经埋下了种子。在预训练期间，模型通过预测海量文本中的下一个词来进行学习。但问题在于，这些学习材料并没有为每一句话贴上“真”或“假”的标签。这使得模型很难区分哪些是有效陈述，哪些是无效信息。这个挑战在处理那些偶然出现的、低频事实时尤其突出。比如，某个特定宠物的生日是哪天？这类信息无法单靠语言模式来预测，模型只能去“编造”，而这正是幻觉的直接来源。未来的出路：教会AI保持“诚实” 研究人员总结道，要解决幻觉问题，就必须更新那些只看重准确率的评估方法，让新的评分机制不再鼓励猜测。如果主流的评估“排行榜”继续奖励那些侥幸猜对的行为，那么模型就会继续学习并依赖猜测。他们强调，幻觉并非AI不可避免的缺陷。语言模型完全有能力在不确定的时候选择“弃权”，而不是胡说八道。我们需要做的，是创造一个能鼓励这种“诚实”行为的环境和规则。

#OpenAI #AI幻觉 #语言模型 #预训练 #诚实AI

5个月前

AI Agent 现状

#多智能体之争：Anthropic生态VS单智能体· 81 条信息

#AI #agent #发展 #挑战

5个月前

有了 AI 提升效率后，无论是只裁年轻人还是只裁年纪大的都有点极端了，一个正常的团队还是要多元化比较好一点，有经验丰富的做后盾，做设计审查代码解决疑难问题，带新人；有年轻人在前面冲锋陷阵，做些相对简单但是工作量大的活。一个团队有不同年龄、性别甚至种族的搭配会更有活力，会更容易迸发出好的想法，思维不至于太僵化。一个不容忽视的问题是，如果都不去培养年轻人，将来团队可能会青黄不接的。

#AI #裁员 #团队多元化 #年轻人培养 #团队活力

5个月前

推荐看看，专业程序员写提示词是不一样的，更精准，引用一目了然👍 我以前用 Cursor 也这么写，要精确的引用，现在用 Claude Code 简单省心多了，一般只是关键的文件引用一下，其他的都是让它自己去找，CC 在找代码补气上下文方面相当强。对于不那么专业或者想偷懒省心的话，我的建议是这样的：首先一定要配合 git，因为 CC 没法回滚代码有了git，养成好习惯每次让 CC 更新代码前 commit 一下，你也可以加到 Claude MD 文件，让它每次完成任务都帮你 commit 配合好 git 就放心的加 --dangerously-skip-permissions 参数，别中间还要确认，CC 最佳实践就是抽卡，也就是你也别想太多太细，先扔个提示词让它写个版本试试看，然后根据结果再调整，要么追加一点要求，要么回滚调整提示词重试对于复杂一点的任务，shift + tab 两次进入 plan mode，先让它定个任务计划，确认计划没问题再开始，这样可以有效避免走岔写好的代码要审查，不要偷懒，审查配合 VSCode 的源代码对比视图最直观，GitHub Desktop 官方客户端也不错。审查的时候小问题手动就修改了，也不一定要再让它继续。让 CC 写单元测试代码或者修复单元测试，要告诉它怎么运行验证单元测试（只运行单个测试文件），这样它就会在写完单元测试代码后运行验证，如果出错了就自己修改，知道运行通过。当然也要审查，有时候它会为了通过测试“不择手段”。改 bug 的话，最好就是把错误日志扔给它，那种有错误堆栈的最好，有错误信息、代码行、文件路径的最好，CC 能精准的定位到文件和可能的错误位置。如果没有错误日志就难一些，最好还是先人工复现，能复现后告诉 CC 重现的步骤、期望的结果、实际结果，可以配合截图。 CC 的截图很坑，Mac 上是 Ctrl + V 而不是 CMD + V，新手很难知道。但截图很有用，在做 UI 的时候，一图胜千言。用 CC 或者 AI 做项目，多用流行的技术栈，比如 React、Nextjs、shadcn/UI、Tailwind CSS 这些，效果最好，你不需要教它 API 怎么写。如果需要引用外部文档，最好手动把相关文档复制粘贴过去，而不要让它自己联网检索，因为网页内容无关信息太多，不如手动复制粘贴精准。也可以本地建一个文档，让它可以直接读取。

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

#程序员 #Claude Code #git #代码审查 #技术栈

5个月前

容易遇到“捞女”跟文科理科没关系吧，还是谈恋爱晚了谈恋爱少了，早点谈多谈，至少多接触异性就不容易被美色迷糊，本质还是 RL（强化学习）+ 运气（概率）

#捞女 #恋爱 #RL #异性 #概率

5个月前

#AI开源项目推荐：VisualStoryWriting 可视化故事创作：让你笔尖起舞，文思泉涌想象一下，在你写作的同时，你笔下的世界就活生生地展现在眼前——时间线、世界地图、人物关系图……这一切都会被自动可视化。更神奇的是，你对这些视觉元素的任何修改，都会立刻同步到你的故事文本中（比如，在地图上拖动一个角色，他在文中的位置也随之改变）。这就是我们将要在 UIST2025 大会上分享的论文精髓。我们开发了一款智能文字处理器，它能自动生成三种可视化视图：人物关系图、故事地图和场景时间线。这些视图能清晰地展示角色间的互动、他们在世界各地的足迹，以及故事场景的先后顺序，极大地帮助作者审阅和编辑自己的作品。审视角色的移动轨迹，从此变成了一项直观的视觉任务。想改变一个角色在某个场景中的位置？太简单了，直接在地图上把他从一个地方拖到另一个地方就行。调整故事场景的顺序，也只需要在时间轴上拖拽几下，就像整理幻灯片一样轻松。想要创造一个新角色，或是让他们之间产生新的互动？同样简单，在关系图里新建一个节点，再连上一条线就搞定了。我们邀请了经验丰富和初出茅庐的创作者们进行了两轮用户研究。结果发现，这些自动生成的可视化图表，能有效地帮助参与者规划故事的宏观修改、追踪故事元素，并探索情节的多种可能性，极大地激发了他们的创造力。当然，能够帮助作者的可视化方式还有很多。因此，我们提出了一个设计框架，希望能启发未来更多样的可视化故事创作工具的设计。我们的工作为未来的写作辅助工具奠定了基础——它不再仅仅依赖文字，更能借助视觉的

#AI #故事创作 #可视化 #UIST2025 #智能文字处理器

5个月前

我今天在 Mac 上要 zip 一个文件，要加密码，但是没现成 zip 工具，灵机一动，用 gemini cli，分分钟帮我解决。才知道 Mac 自带 zip 命令行，并且还支持 -P 加密码。

#Mac #zip文件 #Gemini CLI #密码 #命令行

5个月前

我现在用Gemini pro远多于ChatGPT

Google Gemini 2.5发布引发AI模型性价比热议· 475 条信息

OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 869 条信息

#Gemini Pro #ChatGPT #AI #使用体验 #对比

5个月前

Manus 诞生背后的故事：故事始于2023年3月，当时开发 Manus 的团队“蝴蝶效应”正在全力投入一个名为“AI浏览器”的项目。团队投入了近一半的人力，耗时7个月，产品已经打磨到随时可以发布的状态。然而，就在产品上线前一周，团队的CEO和产品负责人做出了一个惊人的决定：砍掉这个项目。他们预见到，这个浏览器即使发布，也只会吸引一小部分用户，虽然能活下来，但会耗尽团队资源，让他们陷入一个“局部最优”的困境，从而失去探索其他更有潜力方向的机会。在砍掉项目后，团队经历了两三周看似“无所事事”的空窗期。正是在这段时间，团队成员在观察市场上的其他产品时，发现了一个奇怪的现象：许多非程序员用户竟然在使用一款名为 “Cursor” 的AI编程工具。他们发现，这些用户完全看不懂编程代码，只是通过和右侧的聊天框对话来解决一些日常问题（比如音视频格式转换），然后不断点击“接受”按钮。这个用户“误用”的场景，给了团队巨大的灵感，他们意识到一个让普通人仅通过对话就能驱动AI完成复杂任务的产品的巨大潜力。基于这个灵感，一个仅有6人的小团队在两个月内开发出了 Manus 的原型。有趣的是，在寻找早期用户进行测试时，他们收到的反馈大多是负面的，充满了质疑。但团队并未因此动摇，他们判断，对于一个全新的、开创性的产品，用户很难基于过去的经验给出有效的反馈。因此，他们选择相信自己的判断，停止了发布前的用户调研，最终将 Manus 推向了市场。

#Manus #AI浏览器项目取消 #用户误用AI编程工具 #AI对话驱动 #产品早期负面反馈

5个月前

有网友问我有没有去除 AI 味的提示词，说实话，真没有，包括网上号称能去掉 AI 味的提示词我都试过，没有靠谱的。这其实是个悖论：如果 AI 知道自己有 AI 味，它就不会写出 AI 味，你让它自己去掉 AI 味它都不知道怎么写出没有 AI 味的内容。就我的经验，要让写出的内容没有 AI 味，第一要靠模型，越是参数大能力强的模型效果越好，比如 GPT-4.5 是我测试下来最好的，其次是 Gemini 2.5 Pro。Claude 对于有些特定提示词写作效果非常好，比如可以去看看李继刚分享的那些，但是普通提示词写出来 AI 味特别重。提示词角度最好是你提供几篇范文给它参考，让它照葫芦画瓢会好一点。

#AI #AI味 #GPT-4.5 #Gemini 2.5 Pro #李继刚

5个月前

13个月后，正式退订 Cursor 了，前几个月大量使用 Claude Code 之后就不怎么使用 Cursor 了，当时就想退订了，纠结了下还是保留着订阅，主要是因为 Tab 自动完成，现在 VSCode + GitHub Copilo 自带的 Tab 就挺好用了

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

#Cursor退订 #Claude Code #VsCode #GitHub Copilot #Tab自动完成

5个月前

高效学习：构建知识的20条黄金法则（浓缩精华版）学习的速度，很大程度上不取决于你多聪明，而取决于你如何组织知识。方法得当，学习效率可以提升数倍。以下20条法则是构建高效知识体系的基石，它们按照重要性排序，越靠前，越是人们容易犯错或收益越大的地方。本文假设你会使用“间隔重复”类工具（如Anki, SuperMemo等）进行复习。核心法则：让记忆变简单前16条法则都围绕一个核心思想：把知识变得简单好记。 1. 理解之前，不要记忆这是最重要的一条法则。记忆你不理解的东西，是在做无用功。这就像一个不懂德语的人，试图背下一整本德语历史书。就算他做到了，他对历史本身还是一无所知，而且这个过程会耗费巨量的时间。在日常学习中，我们常常因为教材写得不好或者时间紧迫，就开始“囫囵吞枣”。这种行为不仅效率低下，而且学到的知识毫无价值，无法应用和推理。你必须先花时间去理解一个概念，搞清楚它的来龙去脉、前因后果，然后再去记忆相关的细节。 • 行动指南：遇到不理解的内容，停下来！去查资料、看视频、问老师，直到你真正弄懂为止。不要把希望寄托于“背下来以后自然就懂了”。 2. 先学习，再记忆在记忆零散的知识点之前，你需要先建立一个“全局观”。想象一下拼图，如果你不看盒子上的成品图，而是直接拿起一块块碎片就想硬拼，那会非常困难。学习也是一样。你应该先通读相关章节，了解整个知识框架（比如“内燃机的基本原理”），在脑中形成一个简单的模型。然后，再把这个框架中的关键细节，制作成一个个具体的问答卡片来记忆（比如“是什么推动了内燃机的活塞？”）。这样，每个知识点都不是孤立的，而是有组织、有联系的，记忆起来会快得多。 • 行动指南：不要一上来就扎进细节。先快速浏览一遍材料，了解主题的整体结构和核心思想，然后再深入学习和记忆。 3. 从基础开始，层层递进第二条法则提到的“全局观”或“知识框架”，一开始越简单越好。不要试图一下子掌握一个复杂而精细的模型。从一个最简化的版本开始，然后在这个基础上慢慢添砖加瓦。永远不要轻视基础知识。即使它们看起来显而易见，也值得花时间去记忆。因为基础知识是我们构建更复杂知识的基石。忘记一个基础概念，可能会导致建立在其上的一整套知识体系的崩塌。而记忆基础知识的成本非常低，它们通常很简单，复习几次就能牢牢记住。相比之下，你学习中50%的时间，可能都花在了攻克那最难的3-5%的知识上。在基础上多花一点时间，绝对是稳赚不赔的投资。 • 行动指南：无论学习什么新领域，都从最核心、最基础的概念开始。确保你对这些基础了如指掌，再去挑战更高级的内容。 4. 坚守“最小信息原则” 这是将复杂知识变简单的核心技术。它的意思是，你制作的每一个记忆卡片，都应该尽可能只包含一条最小化的信息。 • 为什么简单才好记？• 单一路径：记忆一个简单的知识点，大脑每次回忆时激活的神经通路几乎是固定的。这就像在一条路上反复走，路会越走越清晰。而复杂的知识点，每次回忆时大脑走的路径可能都不同，各种信息互相干扰，记忆就很难稳固。 • 精准复习：如果一个卡片包含两个知识点（A和B），其中A简单，B困难。为了记住B，你不得不按照B的复习频率来频繁复习整个卡片，这就浪费了复习A的时间。把它们拆开，A和B就可以各自按照自己的最优间隔来复习，大大节省时间。 • 糟糕的例子（复杂）：问：死海有哪些特征？答：死海是位于以色列和约旦边界的盐湖，海岸线是地球最低点（-396米），长74公里，含盐量是海洋的7倍（30%），高密度能让人浮起，因盐度太高只有简单生物能存活。 • 优秀的例子（拆分后）：问：死海位于哪里？答：以色列和约旦边界。问：地球表面的最低点是哪里？答：死海的海岸线。问：死海的平均海拔约多少？答：海平面以下400米。问：死海的含盐量大约是海洋的多少倍？答：7倍。问：为什么死海能让人浮起来？答：因为含盐量高（密度大）。问：为什么死海被称为“死”海？答：因为高盐度使大多数生物无法生存。注意：拆分后的问题和答案都非常简短。我们的目标是让每次回忆时，从大脑中提取的信息量最小化。长期来看，知识点越简单，记忆效果越好。 5. 挖空填空，简单有效如果你觉得遵守“最小信息原则”很难，那就用“挖空填空”（Cloze Deletion）。这是一个能快速将书本知识转换成记忆卡片的强大工具。它指的是将一个句子中的关键词挖掉，让你去填充。 • 例子：原始句子：“1991年，苹果和IBM共同投资4000万美元成立了Kaleida公司，旨在创造一种多媒体编程语言Script X。” • 可以制作的挖空卡片：问：1991年，...和IBM共同投资4000万美元成立了Kaleida公司。答：苹果问：1991年，苹果和IBM共同投资...成立了Kaleida公司。答：4000万美元问：...年，苹果和IBM共同投资4000万美元成立了Kaleida公司。答：1991 问：Kaleida公司的目标是创造一种名为...的多媒体编程语言。答：Script X 这种方法能让你轻松地从一段话中提取出多个、符合最小信息原则的知识点。 6. 善用图像人脑的视觉处理能力远超语言处理能力，“一图胜千言”是有科学依据的。一张图片所包含的细节和信息，我们往往能毫不费力地记住。在学习中，尤其是在解剖学、地理、化学、历史等领域，善用图片可以极大地缩短学习时间。思维导图（Mind Map）之所以流行，也是因为它利用了大脑对图像和空间关系的强大记忆能力。 • 行动指南：在制作卡片时，想一想：“这个知识点能用一张图来表示吗？” 能用图就尽量用图。 7. 运用助记技巧助记技巧（Mnemonic）是各种能让记忆变得更容易的“花招”。比如用谐音、编故事、首字母缩写等方法。这些技巧的效果惊人，一个普通人经过训练，也能记住一副扑克牌的顺序。但是，请记住：助记技巧解决的是“快速记下”的问题，而学习的真正瓶颈是“长期留存”。要实现长期记忆，你依然需要间隔重复。不过，在学习的初始阶段，尤其面对一些枯燥无味的信息时，助记技巧是你的得力助手。随着练习，使用助记技巧会逐渐变成一种下意识的习惯。 8. 图片挖空和文字挖空类似，图片挖空（Graphic Deletion）是把图片的一部分遮盖起来，让你回忆被遮住的是什么。这在学习需要识别位置和部件的学科时极为有效。 • 例子：• 解剖学：用一张人体骨骼图，遮住“肱骨”，提问“这里是什么？”。 • 地理学：用一张世界地图，遮住巴西，提问“这个国家是？”。同一张图片可以被用来制作几十个不同的卡片，每个卡片提问一个不同的部分，效率非常高。 9. 避免集合集合（Set）是一堆无序的东西，比如“请列出欧盟的所有成员国”。这类问题非常难记，因为每次回忆时，你大脑里蹦出这些国家的顺序可能都不同，这严重干扰了记忆的巩固。 • 解决方案：把无序的集合，想办法转换成有序的列表（Enumeration）。比如，可以按照这些国家加入欧盟的时间顺序来记忆。 • 糟糕的例子（集合）：问：欧盟有哪些成员国（截至2002年）？答：（列出15个国家的名字） • 优秀的例子（转化为有序的历史线索）：问：1952年，除了法国，还有哪些国家加入了欧洲煤钢共同体？答：德国、意大利和比荷卢三国。问：1973年，哪三个国家一起加入了欧共体？答：英国、爱尔兰和丹麦。 ...以此类推。通过这种方式，你不仅把一个巨大的集合拆分成了几个小问题，还顺便学习了欧盟扩张的历史，知识点之间建立了有意义的联系。 10. 避免列表列表（Enumeration）虽然比集合好，但如果太长，依然是记忆的难点。比如背诵一首长诗或者一个长长的化学流程。 • 解决方案：使用重叠式挖空填空来拆解它。 • 学习字母表的例子：问：字母表的前三个字母是什么？答：A B C 问：请填上缺失的字母：A ... C ... E 答：B, D 问：请填上缺失的字母：B ... D ... F 答：C, E ... 这样，你每次只需要专注于一小段序列，而不是整个冗长的列表。在每次复习完一个小片段后，再完整地背诵一遍，你会发现整个过程变得轻松愉快。背诗也是同理，如果总在某一句卡壳，就把它和它的上一句、下一句做成挖空卡片来重点攻克。 11. 对抗记忆干扰当你学习两个相似的东西时，它们很容易互相“打架”，让你混淆。比如，你可能分不清 historic（有历史意义的）和 historical（与历史有关的）的区别。这是遗忘最主要的原因之一。干扰的发生难以预测，最好的办法是在它造成严重问题之前，就主动预防和消除它。 • 应对策略：• 让知识点更明确：使用例子、图片、个人经历等来区分相似概念。 • 遵守最小信息原则：知识点越简单，越不容易与其他信息混淆。 • 及时消除：一旦发现自己混淆了两个知识点，立即把它们找出来，专门制作卡片来对比区分，不要拖延。 12. 优化措辞卡片上问题的措辞，应该像一把精准的钥匙，能立刻打开你大脑中那把正确的锁。措辞必须简洁、明确、直指核心。 • 糟糕的例子（啰嗦）：问：1985年，Aldus公司凭借PageMaker开创了桌面出版。后来，由于未能改进，丹佛的哪家公司超越了它？答：Quark • 优秀的例子（精炼）：问：在桌面出版领域，哪个公司超越了未能改进的PageMaker？答：Quark • 更好的例子：问：PageMaker的市场输给了谁？答：Quark 删除所有不必要的背景信息。这些额外信息只会拖慢你的反应速度，甚至产生干扰。如果其他信息也很重要，请把它们制作成单独的卡片。 13. 关联其他记忆把新知识和你已经知道的东西联系起来，能极大地增强记忆。这能为新知识提供背景，减少干扰，并使其更容易被大脑“接纳”。 • 例子（学习单词 cringing - 谄媚的）：• 不好的提问：（贬义词）形容无耻地意识到自己缺点并乞求的样子。 • 好的提问：（贬义词）形容一种无耻地谦卑（humble）和恳求（supplicant）的样子。如果你已经认识 humble 和 supplicant，用它们来解释 cringing，就能更快、更准确地锁定新词的含义。 14. 个性化并提供实例将知识与你自己的生活联系起来，是最高效的记忆术之一。个人经历是独一无二的，能提供强大的记忆挂钩。 • 例子（学习单词 divan - 沙发床）：• 不好的提问：没有扶手和靠背的软床叫什么？ • 好的提问：那种没有扶手和靠背的软床（就像我朋友小明家的那种）叫什么？如果你对小明家的那张沙发床有清晰的印象，这个个人化的例子会比任何抽象的定义都更容易记住。 15. 借助情绪状态情绪能极大地增强记忆。能唤起你强烈情感（无论是喜悦、震惊、悲伤还是愤怒）的例子，都能让知识点变得更“刻骨铭心”。 • 例子（学习单词 banter - 轻松的玩笑）：• 不好的提问：一种轻松、开玩笑的交谈。 • 好的提问：形容那种轻松、开玩笑的交谈（比如你看过的那部喜剧电影里主角和朋友的对话）。一个生动、带有情感色彩的例子，能帮你把抽象概念具体化，从而将学习时间缩短数倍。 16. 使用情景提示为你的知识点添加一个简单的“标签”或“前缀”，来告诉大脑它属于哪个领域。这能帮助大脑快速进入正确的“思维频道”，避免混淆。 • 例子：缩写 GRE 可以指“美国研究生入学考试”，但在生物化学里指另一种东西。• 不好的提问：在生物化学中，GRE代表什么？ • 好的提问：生化: GRE 这个生化: 的前缀就像一个开关，能瞬间把你的思维调整到生物化学的语境下，避免你先想到“研究生考试”，从而减少了反应时间和干扰。高级法则：优化与管理 17. 适当的冗余是必要的 “最小信息原则”不等于“信息量最少”。在某些情况下，适当的重复和补充是受欢迎的，甚至是必须的。 • 主动与被动记忆：学外语时，你不仅要能“看英文说中文”（被动），还要能“看中文说英文”（主动）。所以 phone -> telefono 和 telefono -> phone 这两张卡片都是必要的。 • 补充推理过程：在学习一个数学问题的解法时，你可以在答案中包含关键的推理步骤。这并非死记硬背，而是为了确保你每次都能沿着正确的逻辑路径思考。 • 多角度理解：对于一个非常重要的概念，从不同角度创建几个问题来记忆它，可以加深理解，确保在任何情况下都能回忆起来。 18. 注明来源为你学到的知识注明出处。这在未来非常有用，比如当你发现不同来源的信息相互矛盾时，你可以追溯和判断哪个更可靠。来源还能在你需要深入研究或向他人证明时提供依据。来源信息应作为参考，一般不需要记忆。 19. 标注日期知识是有保质期的。经济数据、科技知识、个人统计数据等都会随时间变化。为这些知识点加上日期或版本号，能提醒你它可能已经过时，需要更新。 20. 明确优先级你永远不可能学完所有想学的东西。因此，分清主次至关重要。优先级贯穿于学习的整个过程： • 选择来源：决定哪些书、文章或课程对你最重要。 • 提取知识：从材料中挑选出最有价值的部分进行学习。 • 组织知识：可以先把大量材料导入学习工具，然后根据优先级，逐步处理和优化成记忆卡片。 • 复习过程：利用学习工具的功能，对特别重要或已更新的知识进行特殊处理（如提前复习、重新记忆、调整复习频率等），对不再重要或错误的知识进行忽略或删除。高效学习的关键，不仅在于努力，更在于明智地分配你的时间和精力。总结：20条黄金法则清单 1. 不懂就不学：先求理解，再谈记忆。 2. 先学后记：先建立全局观，再深入细节。 3. 从基础开始：根基不牢，地动山摇。 4. 最小信息原则：把知识拆到最简单。 5. 挖空填空：制作卡片的利器。 6. 善用图像：一图胜千言。 7. 运用助记技巧：给枯燥的知识加点“料”。 8. 图片挖空：地理、解剖学神器。 9. 避免集合：把无序变为有序。 10. 避免列表：用挖空填空拆解长列表。 11. 对抗干扰：用例子和细节区分相似概念。 12. 优化措辞：让问题像手术刀一样精准。 13. 关联旧知：在已有知识上“添砖加瓦”。 14. 个性化实例：你自己的经历是最好的记忆材料。 15. 借助情绪：让情感为记忆赋能。 16. 情景提示：用标签为大脑“导航”。 17. 适当冗余：从不同角度巩固重要知识。 18. 注明来源：知道你的知识从何而来。 19. 标注日期：警惕知识的“保质期”。 20. 明确优先级：把精力用在刀刃上。

#高效学习 #知识体系构建 #记忆技巧 #最小信息原则 #理解先于记忆

5个月前

Vibe Coding 最佳实践之原型开发法： 1. 第一版只做原型，不考虑设计、性能、安全性、代码质量这些，只考虑实现功能。这一版的重点是快速实现功能，确认需求，把一些需求上模糊的地方具体化。技术上追求跑通。这一版的代码是抛弃型的，不做后续使用，完全 AI 主导。 2. 第二版重新设计在需求确定后，Scope 就明确了，更好做系统设计。数据库 Schema 的设计可以放在这时候来做，同时还有 API 协议、状态管理、模块设计等这些。设计完了可以让 AI 搭脚手架，然后基于设计写提示词按照设计去实现功能，实现完加上单元测试，代码的变更有代码审查，确保模块质量和稳定性。这个版本 AI 只是辅助，要以人为主。如果需求已经很确定，没必要做原型，那么可以跳过原型，直接到做设计。

#Vibe Coding #原型开发 #AI辅助 #需求确认 #系统设计

5个月前

90 年代的孩子畅想互联网嘿，我为什么要上互联网呢？为什么？！嗯，等我们上大学的时候，互联网就会成为我们的电话、电视机、购物中心、和工作的地方。而且，互联网上的东西已经多得超乎你的想象。不到一个小时，你就可以：访问木星、参观西斯廷教堂、研究热带雨林、获取一支意大利球队的足球比分、和澳大利亚的朋友聊天。我甚至还找到了一个猫粮纸杯蛋糕的食谱！它和我们一样，都是未来的一部分。难道不应该每个人都上网吗？当然啦！问问看，在你的学校或当地图书馆，要怎样才能上互联网。

#互联网畅想 #90年代 #未来科技 #在线体验 #猫粮纸杯蛋糕

5个月前

不要被“AI 时代只需要通才”这样的话误导而停止对专业的精进，AI 提升的是能力的下限，AI + 通才还是通才，不会让你变成某个领域的专家，通才通常意味着啥都不精，做啥都不行。在没有 AI 的时代，确实有很多成功的通才，他们擅长跨领域的整合，但他们在专业领域会依赖于人类在某些领域的专家辅助，所以取得了成功。在 AI 时代，AI 只能提升下限，让你可以更容易的在某个专业领域学习和做一些基础的工作，但要深入的话，AI 是远远不够的。举例来说，你是个产品经理，不懂编程，借助 AI 确实可以 Vibe Coding 做出来一个原型产品，但是当你更深入，需要做大做强，那么 AI 并不能帮你解决产品的安全问题、性能问题，后期的维护单纯依赖 AI 也很难，因为这些更专业的知识，单纯依赖 AI 是解决不了的，仍然需要人类的专家辅助。对于普通人来说，通常只有在一个领域深入学习成为真正的专家，去做成一些事情去踩一些坑，才能从中总结出来一些通用经验教训，把这些成功经验复制到其他领域上，如果在每个领域都只是浅尝则止，那又怎么能有成功的经验去复制。成为一个领域的专家并没有想象的那么难，尤其是 AI 让领域的学习难度平滑了很多，当你在一个领域成为专家，再想成为其他领域的专家，时间就会大幅缩短。永远不要被“AI 时代只需要通才”这样的话误导而停止对专业的精进，精通一项技能本身就是很快乐的事情。

#AI #通才 #专家 #领域 #学习

5个月前

推荐阅读：《AI 会取代人类思考吗？我们为什么仍要亲手写作和编程》作者：Simon Späti 重新学习思考，警惕对 AI 的依赖。每天关于 AI 的（吹捧的或无聊的）文章层出不穷。用它没问题，大家也都在用，但我们仍然需要打磨自己的手艺，并努力去思考。就像 DHH（David Heinemeier Hansson，Ruby on Rails 框架创始人）所说：精通某项技能比一直等着 AI 完成任务要有趣得多。在我看来，AI 让我们不快乐的概率非常高。用，当然可以，但不能事事都用。我们可以用它来探索新知、梳理历史脉络，或者制作图表（比如用 Canva、Figma），但绝对不能用它来写作（或编程）。世界总需要有人贡献新的知识和见解，而 AI 无法自我训练。因此，文章、书籍和文字仍将被创作，当人人都依赖 AI，导致其发展停滞时，作家的价值反而会更加凸显。从长远来看，这是一种损失——人们将停止思考和学习。时间会证明一切。我的浅见是，如果你在某个领域已是资深专家，你会比 AI 更懂。 Bsky 何时使用 AI 的指南我从 ThePrimeagen 的一个视频中听到一个观点：这取决于你决策的影响有多长远。短期内，用 AI 自动补全代码没问题，但让它做架构设计这样重大的决策，绝对不行。 Image 这张图的横轴是时间，纵轴是错误数量。它表明，我们让 AI 参与的决策越是影响深远（比如系统架构），它产生的错误就可能越多。如果我们用它来快速补全代码，或者写一个定义清晰的算法函数，那么出错的概率就小。在初始阶段，你可能会提升 20% 的效率；但到了后期，你失去的会更多。这就像现实生活中，我等待决策的时间越长，掌握的信息就越多，做出的决定就越好。这正是 Shape Up 工作法所倡导的，决策周期最长为 6 周，不制定更长远的路线图和积压任务。使用 AI 也是同理，因为它的所有输出都是基于概率预测的。 Forrest Brazeal 的另一张图也很有启发性： Image 同时，也要牢记什么对你的应用场景最重要，正如 Thomas Ptacek 在《我的那些 AI 怀疑论朋友都疯了》一文中所展示的： Image 毫无灵魂没人想读毫无灵魂的文字，即使它写得还不错，你又能从中得到什么呢？我认为这是一个巨大的陷阱，人们只有在时间流逝后才会意识到。当然，AI 能提供帮助，每个人在“某些”任务上都需要它们，但不应是写作本身。归根结底，大语言模型 (LLM) 和 AI 需要引导，它们只是概率的产物。另见亲手写作。分心我认为我们将比以往任何时候都更容易分心。我们甚至没有两秒钟的思考时间，Grammarly、Copilot 或 Cursor 就会跳出建议。于是，我们不再独立思考，只是随波逐流，渐渐失去了主导权。这让我想起最近写的一篇文章《寻找心流》。更多关于“不要事事依赖 AI，否则你会停止思考和学习”的讨论，请见 AI 的使用和写作之难。别误会别误会，我自己也每天都用 AI，但用得更审慎。我关掉了 Grammarly 和 Copilot（很久以前就关了），这样我才有空间去思考和学习。偶尔用一两次没问题，但如果处处都用，你不仅会失去学习新技能的机会，也会失去其中的乐趣。关于“人机协作智能”（LLM Collaborative Intelligence, LCI）的讨论很有趣。当然，它会带来很多好处，但我不确定这些 AI 产生的“洞见”能否与人类历经艰辛后感受、感知或体验到的洞见相提并论。所以，是的，我对此没有太多期望，也不希望它来创造新的见解。因为那是我工作中真正有趣的部分 :) 锻炼一项技能事情永远不是“全有”或“全无”，而是在于度的把握。学习的问题在于，如果你频繁使用 AI，我认为你其实学不到太多东西。写作时只是复制粘贴，编程时只是不停地按 Tab 键。学习的过程消失了。如果这种情况持续下去，我们的大脑就不再习惯于学习，更严重的是，不再习惯于思考。就像记忆一样，我们现在还能记住几个手机号码？很少了。但在早期用电话的时代，我能记住很多，因为我每天都在训练这个能力。这完全是一个熟能生巧的问题。我为自己总结出——虽然不一定适用于每个人——我发现自己不再学习或思考了。坦白说，也失去了乐趣。这主要是在我熟悉的领域。在其他领域，比如创作一张图片（就像我为这篇文章做的那张 😆），或者用 HTML/CSS 更新我网站的首页，这些事因为不常做，AI 帮我省了很多时间。但我得说，除了学会了如何给 Claude Code 写提示词，我并没学到任何新东西。这始终是一种权衡，不是吗？:)

#AI依赖警惕 #思考重要性 #人机协作平衡 #长期学习 #技术伦理

5个月前

Paul Graham：编程高手们将会利用 AI，抢走那些水平平平的程序员的饭碗。因此，我的建议是：除非你立志要成为高手，否则就别学计算机科学（CS）。或许我应该更清楚地解释一下，我所说的“擅长编程”到底是什么意思。我说的“好”，指的是能高效地创造价值，而不只是技术熟练。所以，一个热衷于动手创造的人，要比一个技术合格但内心毫无热情的人，更无惧 AI 的挑战。当然，最理想的人才，是那种既有创造热情，又技术精湛的人。但这两点其实并不相互独立，反而紧密相连。因为，不断地动手创造，正是通往技术精湛的最佳途径。

#AI编程：自学or科班？新旧码农之争· 156 条信息

#Paul Graham #AI #程序员 #编程高手 #创造价值

5个月前

独立开发者全都有

#独立开发者

5个月前

把真人变成手办一直是一个很强的需求，但很多人都画出来不像原来的图片，这通常不是提示词的问题，而是原始的照片不够清晰或者无关元素太多，导致效果不好。要把人画的像，有时候没办法一步到位，需要分成两步，第一步先用🍌重画角色，第二步再基于重画后的图去画就能很好还原。

#手办 #AI绘画 #图像还原 #提示词 #照片清晰度

5个月前

吴恩达老师：想让 AI 更强大，我们该往哪儿走？一个令人兴奋的新方向正浮出水面：并行智能体 (Parallel agents)。一直以来，提升 AI 能力主要靠三驾马车：更多的训练数据、更强的训练算力，以及更强的推理阶段算力 (test-time compute)。如今，让多个 AI 智能体 (AI Agent) 并肩作战，正成为一种扩展 AI 能力、提升性能的新浪潮。我们早就发现一个规律——这在我之前在百度带的团队和后来的 OpenAI 的工作中都得到了验证——那就是 AI 模型的性能，会随着数据量和训练算力的投入而稳步提升。如果你再让 AI 在推理（也就是解决问题）的时候多花点“力气”，比如让它像人一样思考、反思、迭代答案，它的表现还会更上一层楼。但问题是，这些方法会让用户等太久。而并行智能体，恰恰为我们提供了另一条路：既能提升结果质量，又不用牺牲用户的时间。推理模型生成内容时，是一个字一个字往外蹦的，所以运行起来可能很慢。同样，大多数的智能体工作流 (agentic workflows) 一开始也是按顺序一步步执行的。但现在情况变了：一方面，大语言模型 (LLM) 每个 token 的价格持续跳水，让这些“大力出奇迹”的方法在经济上变得可行；另一方面，产品团队也希望更快地给用户呈现结果。于是，越来越多的智能体工作流开始被并行化。这里有几个例子：现在很多做研究的智能体，会同时抓取多个网页并并行阅读，从而更快地综合信息，写出富有洞察力的深度研究报告。一些智能体编程框架，允许用户指挥多个智能体同时在同一个代码库的不同部分上工作。我们在关于 Claude Code 的短期课程中，就展示了如何使用 git worktree 来实现这一点。1 在智能体工作流中，一个迅速流行的设计模式是：让一个“劳工”智能体在后台花几分钟甚至更长时间去处理一项重度计算任务，同时派另一个“监工”智能体在前台不断向用户汇报简短的进度，让他们随时了解情况。从这个模式再往前走一小步，就演变成了多个智能体在后台埋头苦干，而一个“UI 智能体”则负责与用户沟通，甚至还能将用户的异步反馈传递给后台的“同事们”。对于人类管理者来说，要把一个像“开发一款复杂软件”这样的艰巨任务，拆解成能让工程师们并行处理的小任务，是一件非常困难的事；想让成百上千名工程师高效协作，更是难上加难。同样，如何为并行的 AI 智能体们“拆解任务”，也极具挑战。但好在，大语言模型推理成本的降低，让我们有底气用上“人海战术”。通过并行处理，我们可以消耗海量的 token 来换取更好的结果，同时又不会显著增加用户的等待时间。看到学术界也在积极探索这个方向，我备受鼓舞。例如，我最近读到一篇由 Ryan Ehrlich 等人撰写的论文《CodeMonkeys：扩展软件工程中的推理阶段算力》，读来津津有味。它展示了并行生成代码如何帮助你探索更广阔的解决方案空间。而王俊林（Junlin Wang）提出的多智能体混合 (mixture-of-agents) 架构，其组织并行智能体的方式简单得出奇：让多个大语言模型针对同一个问题给出不同的答案，再派出一个“总管”大语言模型，将这些答案博采众长，融合成最终的输出。当然，如何才能最好地利用并行智能体，还有大量的研究和工程问题等待我们去探索。但我坚信，未来能够高效协作的智能体的数量——就像能够高效协作的人类一样——将会是一个非常、非常庞大的数字。

#多智能体之争：Anthropic生态VS单智能体· 81 条信息

#吴恩达 #并行智能体 #AI #多智能体混合 #人海战术

5个月前

斯坦福大学数字经济实验室的一篇新论文：《煤矿中的金丝雀？关于人工智能近期就业影响的六个事实》煤矿里的金丝雀的意思大家都知道，矿工们通常会带金丝雀去煤矿检测二氧化碳。它们体型小，呼吸快，新陈代谢也快，所以更容易受到有毒气体的侵害，这能给矿工们更多的时间采取行动。这里对应的就是AI对就业影响的早期预警信号。先说结论：AI对就业市场的冲击已经开始了，而且首当其冲的是刚刚踏入职场的年轻人。标题中说的六个事实是哪六大事实呢？ 1. AI 精准打击入门岗位自2022年底（ChatGPT发布的节点）以来，在最容易受AI影响的职业中（如软件开发、客户服务），22-25岁早期职业员工的就业率出现了高达13%的相对下降。相比之下，在同一家公司从事同样工作的资深员工，或者在受AI影响较小的行业（如护士助理）工作的同龄人，就业情况保持稳定甚至持续增长。 2. AI 成为年轻人就业增长停滞的“元凶” 虽然美国整体就业市场依然强劲，但22-25岁年轻人的总体就业增长自2022年底以来几乎陷于停滞。正是因为AI对部分行业入门岗位的冲击，拉低了年轻群体的整体就业增长数据。 3. “替代型AI” vs “增强型AI” 并非所有AI都会“抢饭碗”。就业下降主要集中在AI能自动化（Automate）人类工作的领域。而在那些AI主要用于增强（Augment）人类能力的领域，就业并未出现下滑，甚至有所增长。简单说，如果AI是帮你干重复性的活，你的岗位就危险；如果AI是给你提供更强工具，你的价值反而会提升。 4. 这不是科技行业独有现象有人可能会说，这只是因为科技公司不景气。但研究通过控制“公司层面的冲击”（即无论员工是什么岗位，公司整体都在缩招），发现针对年轻、高风险岗位的就业下降趋势依然显著。这意味着，即便在同一家公司内部，管理者也倾向于用AI替代部分入门级工作，而不是全面缩减招聘。 5. 冲击体现在“岗位数量”而非“薪酬” 有趣的是，尽管入门岗位在减少，但这些岗位的薪酬水平并没有明显变化。这表明，劳动力市场的调整目前主要体现在企业选择“少招人”或“不招人”，而不是通过“降薪”来削减成本。 6. 时间点对得上以上所有趋势都清晰地指向2022年底，也就是生成式AI工具大规模普及的时间点。而且研究还排除了远程办公、外包等其他潜在因素的干扰，让结论更加可信。那么这篇论文数据哪里来的？结论靠谱吗？研究团队使用美国最大薪资服务商ADP的月度个体级记录（覆盖数百万员工、数万家公司，2021–2025），把岗位映射到两套AI暴露指标：一套来自GPT‑4任务暴露度（Eloundou等），一套来自Anthropic的Claude对话数据，后者还能区分“自动化”vs“增强式”使用场景。通过对比不同年龄段、不同暴露五分位的就业人数与薪酬走势，并在模型中吸收公司‑时间冲击，得到上述六个事实。我个人觉得结论相对靠谱。 “自动化（Automation）”与“增强（Augmentation）”的区别是什么？这篇论文的研究发现，就业岗位减少主要集中在AI能“自动化”的领域，而在AI起“增强”作用的领域，就业并未减少甚至还在增长。简单来说，自动化是让AI代替人去工作，而增强是让AI辅助人更好地工作。举例子来说，作为软件工程师，如果只是实现一个已经设计好的模块，这部分AI其实可以自动化完成，还有一些测试工作，也是可以通过自动化脚本完成的。但如果是做系统设计、需求分析、代码审查，这些AI就只能辅助增强。

#AI就业影响 #年轻人就业 #自动化 vs 增强 #入门岗位冲击 #斯坦福大学研究

5个月前

Kimi Sildes 做的挺不错的，测试了一下，不是那种 HTML 版本的，而是内置了一堆的模板，先 AI 生成内容，然后应用这些模板，所以是原生 PPT，当然缺点是受限于以后模板，好在你可以下载成PPT自己修改模板。在线 Slides 编辑器做的完成度挺高。

#Kimi Sildes #PPT #在线Slides编辑器 #AI生成 #模板

5个月前

程序员和非程序员的主要矛盾，和理解什么牛逼没什么关系，核心还是在后面产品谁来维护的事。打个不恰当的比方：男人和女人对于生孩子的态度是完全不一样的，因为男人可能就是前期提供了精子，但是后面的怀孕生养大部分都是女人的工作。在软件开发这件事上，非程序员就是男人，程序员就是女人，产品就是孩子。现在非程序员们借助 AI Vibe Coding 也能做原型开发了，就好比绕过十月怀胎试管生了一堆孩子出来，速度确实快，优生优育先不说，孩子出来发现自己养不了，这养孩子的事结果还是女人的事，最终还是程序员擦屁股来维护，而维护这事，前面 Vibe 的越多，维护的成本就会越高。非程序员整天吹 Vibe Coding 厉害自己播种能力强，但有意无意不提后面维护和生养的事，程序员当然不会多爽。你们当爸爸的平时多带带娃干点家务呀！

#程序员 #非程序员 #AI vibe coding #产品维护 #责任分工

5个月前

让🍌配个图

... ...