avatar
Y11
3个月前
分享github新仓库《2025年值得关注的中文twitter用户》
#GitHub #中文twitter #2025年 #新仓库 #用户
avatar
弄来弄去还是给ICL提供上下文： 给符号智能以具身经验本体
#ICL #符号智能 #具身经验 #本体 #上下文
avatar
howie.serious
3个月前
“prompt engineering”与“大词可厌” --- 对于非开发者来说，80%的prompt 其实都是一件事：和llm对话。所谓“prompt engineering”，其实就是结构化表达，表达清楚自己的想法和需求。 在llm出现之前，人们就一直在说话。只要一个人有结构化表达、费曼式表达的意识，能把自己的想法或需求说出来，说清楚，那ta一定能善用llm。 过度推崇“prompt engineering”，就好像把“好好说话”推崇为“语言工程”（language engineering）一样，虽然你不能说他错了，甚至不好反驳，但是： “大词可厌！”（大词太过，到了让人讨厌的程度🤣） （没人会否定prompt/说话的重要性，本推只是讨论夸大prompt engineering为灵丹妙药的营销号、或者prompt玄学派等现象）
#Prompt Engineering #大语言模型 #结构化表达 #过度推崇 #好好说话
avatar
sitin
3个月前
最近发现一个反直觉的事： 学得慢，反而记得牢。 以前看教程恨不得2倍速刷完，结果转头就忘。 现在看一个知识点，会停下来自己写一遍、改一遍、用一遍。 磕磕绊绊的过程，反而让我记得更牢。
#慢学 #记得牢 #反直觉 #知识点 #实践
avatar
Frank
3个月前
如果乔布斯有在天之灵，看到现在的mbp旁边这一大堆接口（甚至有hdmi）会不会想一脚踹飞棺材板跳起来砍人
#乔布斯 #MBP #接口 #HDMI #吐槽
avatar
金融汪
3个月前
非常简单的语音访谈：为什么Open AI在商业上很难成功 听一听投资前线和一直在观察市场生态，并挑选赢家的人怎么说
#OpenAI #商业 #投资 #访谈 #市场生态
avatar
Andy Stewart
3个月前
研究结构，一个白板，一把卡尺，再加点想象力就足够了
#研究结构 #白板 #卡尺 #想象力
avatar
海外爆料
3个月前
🔥 星链破万颗 马斯克刷新历史, 人类真的要上天了⁉️
#星链 #马斯克 #太空探索 #科技创新 #人类上天
avatar
小互
3个月前
冷知识 AirPods Pro 3 没有像上一代的这个小圆按钮（如图1） 如果你想连接安卓手机，你会发现你找不到这个东西… 我研究了半天似乎找不到地方 后来搜索才发现是对着正面那个亮灯的地方，用手指敲击两下即可开始连接😂（如图2） 隐藏的很深…
#AirPods Pro 3 #安卓手机连接 #隐藏按键 #连接方式 #用户体验
avatar
Geek
3个月前
Nginx Proxy Manager 终于把那狗屎 UI 换了，昨日发布的v2.13.0 版本采用了 Tabler UI，新增黑暗模式支持，响应速度显著提升。
#Nginx Proxy Manager #UI更新 #Tabler UI #黑暗模式 #性能提升
avatar
Jiahao Luo
3个月前
脑力劳动者（如程序员）如何保护身体？高效不是加班，而是聪明地分配你有限的脑力和注意力。 我挑自己的感受来说， 1. 当身体给你红灯，就要听，喝水休息。当身体或者心理感觉很不舒服的时候，出去透气，换个自己能掌控的环境。 2. TODO写下来，不要存在脑子里，单线程的做事。 3. 多用AI拆解复杂问题，把别人的话理顺，自己负责逻辑和判断。 4. 高价值的时间留给重要的事，别让别人打扰。 5. 少开会，想明白讨论什么，要得到什么。程序员之间开会很高效，演示问题，精准找到对应的人。但是都不知道讨论什么，拉一堆无关的人，七嘴八舌几个小时，超级累。
#程序员 #健康 #效率 #AI辅助 #会议管理
avatar
松果先森
3个月前
安卓版的sora2来了 现在可以下载使用了 市场搜索：sora by openai
#Sora2 #安卓版 #OpenAI #AI #科技
avatar
Y11
3个月前
观察过不少创始人，他们大致可归为三类：产品导向、技术导向与销售导向。 这三类人如同不同的登山者，虽目标都是山顶，却选择了不同的路径。 产品型创始人更像生活中的问题发现者。 他们常说：“最近总遇到一个麻烦，不知道别人有没有类似感受？”如果答案是否定的，他们便会把这事放一放；若是多数人都有同样困扰，就会立刻进入研究状态：先看看市面上有没有现成的解决办法，要是没有，就琢磨着自己能不能做一个；要是有，就会想“能不能做得更好、更划算？”带着这样的思考，技术实现才会有明确方向。他们的逻辑起点，永远是“用户真正需要什么”。 技术型创始人则像手握工具箱的工程师。 他们往往先有了一项技术突破，再去寻找哪些问题能用上它。 比如，如果他们开发了高效的算法，就会思考“这个算法能解决哪些实际问题？哪些问题的价值最大？”他们的思路是从技术可能性出发，再匹配社会需求，就像先有了一把钥匙，再找对应的锁。 销售型创始人更像精明的产品组合师。 他们对市场需求和商业逻辑有敏锐的嗅觉，看到一项技术或产品时，会快速盘算：“如果把它和另一项技术组合，会不会更符合大众口味？价格定在多少能卖得更多？”他们关注的是产品的市场变现能力，擅长在技术价值与用户付费意愿之间找到平衡点。 这三类创始人虽然路径不同，但核心都离不开“解决真问题、创造真价值”。 产品型创始人从用户痛点出发找方向，技术型从技术实力出发找应用，销售型从市场需求出发找变现。不同的思维方式背后，是对商业本质的不同理解，但最终都要落脚到为用户创造实实在在的价值。
#创始人 #产品导向 #技术导向 #销售导向 #商业价值
avatar
有朋友问数据架构、数据建模怎么学，我的答案很简单：啃书，啃硬核的书。 在 AI 时代，信息越来越碎片化，能静下心系统性地啃完一本《Designing Data-Intensive Applications》这样的“砖头”，本身就是一种强大的护城河。 AI 可以帮你提效，但无法替代你脑中完整而深刻的知识体系。📚
#数据架构 #数据建模 #AI时代 #知识体系 #啃书
avatar
Tw93
3个月前
NetNewsWire 这个开源的 Mac RSS 客户端非常推荐给喜欢简洁轻量的小伙伴，假如你订阅潮流周刊或者我的博客那就更推荐了，因为我给他写了一个和周刊一样的主题，这样看起来会简单清晰很多，同时由于原生实现，性能会好特别多，主题安装可以去这里下载。
#NetNewsWire #RSS客户端 #Mac #潮流周刊 #主题
avatar
勃勃OC
3个月前
Sam Altman 刚刚表示，算力过剩几乎肯定会发生。 “算力过剩肯定会出现，不管是 2 到 3 年后，还是 5 到 6 年后，我现在没法告诉你，但它迟早会发生，而且很可能会在过程中出现不止一次。” 他解释了背后的驱动因素： 如果廉价能源大规模落地，目前那些长期产能与电力合同可能会变得非常糟糕，一些建设方会因此受损。 如果单位智能成本继续以非常快的速度下降（历史上约 40x/年），那么需求将激增，但之后可能会过度扩张，最终出现产能过剩。 在极端情况下，如果模型效率高到能在笔记本本地运行强大的 AI 助手，大量集中式算力建设可能会被闲置。
#Sam Altman #算力过剩 #AI #廉价能源 #产能过剩
avatar
宝玉
3个月前
关注 AI Agent 的力荐 MMC 的这篇刚发布的《State of Agentic AI: Founder’s edition》，不仅数据扎实，分析了问题，还提供了可行的解决方案。 今年 2025 年是公认的 AI Agent 元年，“Agentic AI” 非常火，新产品也层出不穷：Deep Research、Coding Agent、Browser use、Computer use …… 当然 Agent 争议也不小，一部分人认为没啥用，一部分人则觉得 Agent 无所不能，也无可厚非，大家都是主观感受 ，每个人使用场景都不一样，比如我自己就很喜欢 Coding Agent，真的能解决问题。但这种争议如果用数据说话就会有说服力的多，比如说这玩意儿，在真实的企业里，真的用起来了吗？ MMC 则是深入访谈了 30 多家正在做 AI Agent 的创业公司创始人和 40 多位企业里的实际用户，写了这篇报告：《Agentic AI 现状：创始人版》。 【1】真正限制 AI Agent 的，可能不是 AI 不够聪明 大部分都以为目前 Agent 最大的困难会是“AI 不够聪明”、“幻觉太严重”或者“太难和当前系统集成”。 这些确实是问题，但出人意料的是，在创始人眼中，它们排不进前三。 根据调查，部署 AI Agent 时的三大问题分别是： 1. 工作流集成 和 人机交互（占 60%） 2. 员工抵触 和 非技术因素（占 50%） 3. 数据隐私与安全（占 50%） 也就是说最大的障碍，是“人”和“流程”的问题。 1. “这玩意儿我该怎么用？”（工作流集成） 这是占比 60% 的最大难题。 一个 AI Agent 再牛，如果它是一个需要单独打开的 APP，需要员工在现有的工作软件（比如钉钉、飞书、Salesforce）之外，再打开一个新窗口去指挥它，那它的使用率注定高不了。 成功的集成，是把 AI 嵌入到员工已有的工作流里。比如，当销售在 CRM 里更新一个客户状态时，AI Agent 自动跳出来说：“我帮你把刚才的会议纪要总结好了。” 这已经不仅仅是个技术问题了，更需要企业改变观念，企业得先想清楚：“要集成这样的 AI Agent，我原有的工作流程需要怎么改？”这往往比买一套 AI Agent 难得多。 2. “它会不会抢我饭碗？”（员工抵触） 这是 50% 的创始人提到的信任危机。 我们得承认一个现实：在企业里，人类和 AI 的合作，目前大多不太愉快。 - 一种是“过度依赖”：员工把活儿全丢给 AI，自己不检查，结果 AI 出了错，比如给客户报了个错误的价格，酿成大祸。 - 一种是“过度怀疑”：员工根本不信 AI，AI 做的每一步，他都要自己再核查一遍。这非但没提高效率，反而增加了工作量。 更深层的，就是对被 AI 取代的恐惧。这导致员工在用的时候束手束脚，或者干脆阳奉阴违，不愿配合。 3. “我的数据喂给 AI，安全吗？”（数据隐私） 这也是 50% 的创始人提到的核心关切。 这个问题在金融、医疗等行业尤其严重。企业会担心：“我把内部的财务报表、客户病历交给这个 AI Agent 分析，这些数据会不会被拿去训练别的模型？会不会泄露？” 这种担忧，有些是真实存在的，比如需要符合 GDPR、ISO 27001 等合规认证，也有些纯粹是感觉上的。但无论哪种，都会让企业在部署时畏手畏脚。 【2】做得好的 AI Agent：高准确率和高自主性 既然有这么多困难，那现在做的好的那些 AI Agent，实际表现怎么样？ 这个报告给我很大收获的一点是它从两个维度来量化现在的 AI Agent：准确率（Accuracy）和自主性（Autonomy）： - 准确率：AI 干的活儿，多大比例是对的、被人类接受的。 - 自主性：AI 干活儿时，多大程度不需要人来插手。 理想状态当然是高准确+高自主。但现实是，超过 90% 的Agent创业公司声称自己的方案达到了 70% 以上的准确率。 所以 MMC 把 Agent 划分了三个分类（低准确率+低自主性的Agent就不配存在）： 1. 中准确、高自主： 适用于低风险、高重复、易验证的工作场景。比如自动给海量的营销邮件打标签。就算 AI 标错了 30%，但它帮你自动处理了 1000 封，你只需要人工纠错那些明显不对的，总体效率还是远超纯人工。 2. 高准确、低自主： 适用于高风险、高价值领域，比如医疗场景。比如 AI 帮你起草临床试验的研究报告。它必须保证 90% 以上的准确率，但人类专家必须在每一步进行严格审核（低自主权）。它扮演的是“超级助手”，而不是“决策者”。 3. 高准确率 + 高自主性： 这可以说是最理想的“甜点区”，是大家努力的方向。它适用于那些 AI 部署相对成熟或规则边界清晰的领域。比如客户服务、网络安全或金融合规。在这些场景下，AI Agent 已经足够可靠，达到 80%-90% 的准确率和自主性，可以被授予高自主权去端到端地处理任务。报告提到，这里的秘诀通常是将概率性的大语言模型与更具确定性的 AI 方法相结合，以提高准确性，从而进一步提高自主性。 【3】企业开始为 Agent 付费了 聊 AI Agent 落地，绕不开收费的问题，毕竟靠烧钱是无法持久的。 好消息是企业开始真掏钱付费了 报告发现，62% 的 AI Agent 创业公司，已经拿到了企业的“业务线预算（Line of Business budget）”。 这是个超级积极的信号。可能很多人不知道大公司内部的预算分两种：一种叫“创新预算”（Innovation budget），就是小金库或实验经费，数额不大，用完了算，大家图个新鲜。 而“业务线预算”，是各部门（如销售部、市场部、财务部）用来保证自己核心业务运转的支出。 当 AI Agent 开始动用“业务线预算”时，意味着它已经从可有可无的玩具变成了能帮我干活的生产力工具。 坏消息是现在还没摸索出最佳的收费模式 虽然知道这玩意儿值钱，但到底该怎么定价？报告显示，大家都在摸索，主流的两种方式是： 1. 混合定价（23%）：比如“基础服务费 + 超出部分按用量付费”。 2. 按任务次（23%）：AI 帮你干成一件事（比如发出一张发票），收一次钱。 而大家最期待的按照按效果付费（Outcome-based），目前只有 3% 的公司在用。 为什么？因为太难了。 比如，一个“销售 AI 助手”，它帮销售赢了个大单。这个功劳，到底 80% 算销售的，还是 20% 算 AI 的？怎么衡量？如果 AI 没功劳，企业是不是就可以不付钱？这根本算不清。 所以，目前最现实的还是按苦劳付费，而不是按功劳付费。 【4】最重要的部分：成功的 AI Agent 落地策略 既然 AI Agent 落地这么难，那些成功的 Agent 公司是怎么说服企业客户的呢？ MMC 的访谈总结出了一套非常实用的落地经验： 秘籍一：“Think Small”（从小处着手） 报告总结了一个非常务实的落地策略：Think Small (从小处着手)。 忘掉那些“彻底颠覆行业”、“全自动替换人类”的宏大叙事。成功的 AI 智能体，往往从一个非常小、非常具体的切口进入： - 起点： 选一个低风险、中等收益的任务。 - 关键： 选一个员工最讨厌干的活儿。比如，销售团队最烦的手动录入客户数据，或者财务团队最烦的核对发票。 - 定位： 永远不要说你是“替代品” (Replacement)，要说你是“副驾驶” (Copilot)。 你的目标不是让老板开除员工，而是把员工从那些重复、枯燥、没人想干的破事儿里解放出来。 当员工发现，这个 AI 真的帮我省了每周 5 小时填表的时间，信任的种子才算种下了。 秘籍二：“保姆式”服务（Hand-holding） 现在的 AI Agent 还远没到即插即用的程度。企业买的不仅是软件，更是一整套陪跑服务。 成功的创业公司都在用“前线部署工程师（FDE）”模式。这帮人既是程序员，又是咨询顾问，他们会直接“扎”到客户的办公室里，手把手帮客户梳理流程、清理数据、调整 AI。 同时，人机交互界面要做到“3E”： 1. Education（教育）：AI 要能主动教用户“我能干啥，你该怎么用我”。 2. Entertainment（趣味）：交互得有趣。 3. Expectation Management（预期管理）：AI 必须坦诚地告诉用户“我干不了啥”，别吹牛。 秘籍三：定位决定生死（Positioning） 最后，你怎么“说”你是谁，可能比你“是”谁更重要。 - 是“副驾驶”，不是“替代者”： * 一定要把姿态放低。你的产品是“Copilot”（副驾驶、领航员），是来“Augment”（增强）员工能力的，不是来“Replace”（替换）他们的。哪怕你的技术真的能替换掉 80% 的人，也千万别这么说。 - 看人下菜碟： * 在医疗这种保守行业，你最好少提“AI”，多谈“自动化”、“效率提升”。 * 在金融这种激进的行业，你就得猛吹“Agentic AI”，显得你很前沿。 - ROI 要具体： * 对于成熟流程，就说“节省了 XX 小时”或“降低了 XX% 成本”。 * 对于 AI 创造的新能力（比如“千人千面”的网页），就把它和你已有的工具挂钩，比如：“能让你的谷歌广告转化率提升 20%”。 【最后】 港真，年初的时候我还是 AI Agent 的怀疑论者，自从用了 Claude Code 后，我开始“真香”，变成了 AI Agent 的积极拥护者，也一直很关注这个领域的发展，这份报告质量还是很高的，尤其是给我最大感触的点是： 决定 AI Agent 落地成败的，最重要的因素已经不是模型能力够不够强，而是它怎么和企业内部的流程整合，怎么取得员工的行人，怎么证明它存在的价值。 另外从准确率和主动性这两个维度来量化评估 AI Agent，是挺科学的，现在很多的 AI Agent，主动性高了准确率可能就不够，准确率上去了主动性又不行，要做好 Agent，最终还是要做到像一个情商高的真人那样，在你还没开口时，就洞察到你的需求，默默帮你把事情搞定。
#AI Agent落地 #工作流集成 #员工抵触 #数据隐私 #准确率与自主性
avatar
大罗SEO
3个月前
人类文明的进步，本质上是一场持续的「信息提纯」。 从口耳相传，到印刷术，再到互联网与算法时代——每一次技术的演化，都是在提高信息的密度与筛选的精度。 在信息极度饱和的时代，每个品牌、每个内容都必须在提纯的过程中求生。 只是路径不同： 有的靠「声量」——用强势曝光去对抗信息的湮灭； 有的靠「密度」——用精准定位与核心价值穿透筛选。 前者适合有庞大预算的大企业，用钱堆出存在感； 后者属于资源有限的小品牌，必须更清楚地知道自己要被谁看到。 这两条路没有对错，只是赛道不同。 Marketing 的本质，不在于制造更多的信息，而是让真正有价值的信息能在层层提纯中留下。 以前我们叫它「搜索引擎优化」，那是搜索引擎替我们提纯信息； 而现在，在 AI 时代，我们反过来用 AI 去提纯信息， 让它帮我们筛选、推荐——这就是新一代的「AI 优化」。 本质没变，只是提纯的角色换了： ——过去是我们迎合算法，如今是我们与算法共炼价
#信息提纯 #算法优化 #品牌营销 #AI时代 #价值筛选
avatar
小弟调调
3个月前
DevHub v2.1 发布！离线、安全、实用的开发者工具集合，优化侧边栏样式并提升编辑器性能。 📥 💬
#DevHub v2.1 #开发者工具 #离线 #安全 #编辑器性能提升
avatar
arXiv Changes Rules After Getting Spammed With AI-Generated 'Research' Papers // 我之前就說 arxiv 越來越水了。😆
#arXiv #AI-generated research papers #spam #rule changes #negative sentiment
avatar
dontbesilent
3个月前
X 的 grok 算法给我一种端到端的感觉 就是算法发现某一篇内容用户喜欢看，然后就直接开始去推荐这篇内容 似乎没有什么中间值可以供参考 可能你会发现这一篇内容的点赞、转发和评论等各项数据都很差 但是算法就是能知道这个内容大家喜欢看，所以他就是会往前推
#X #Grok算法 #端到端 #推荐算法 #用户喜好
avatar
小径残雪
3个月前
10月22日，佛罗里达大学发现接种过新冠mRNA疫苗的晚期癌症患者的平均生存期从20.6个月上升到37.3个月，考虑到mRNA疫苗发现不久，后者病人存活数量还多，所以生存期预期提高一倍以上。这个发现一石激起千层浪，科学家随后跟进研究。发现： 1.只有对ICIs（免疫检查点抑制剂）敏感的肿瘤才有效。 2.只有mRNA疫苗在ICIs治疗前后100天的特定时间窗口接种才有效。 3.莫德纳（mRNA剂量更高）比辉瑞的更为有效。 相关机制还在摸索中，但显然对癌症治疗有巨大的启发作用。
#mRNA疫苗 #癌症治疗 #生存期延长 #免疫检查点抑制剂 #莫德纳疫苗
avatar
四舍五入我做了个 dify 😂
#Dify #四舍五入 #表情包 #幽默 #自嘲
avatar
Open AI 昨天跟亚马逊签了总额380亿美元的合作 OpenAI将立即使用AWS的世界级基础设施运行和扩展其核心AI工作负载，包括数十万颗NVIDIA GPU（GB200、GB300）和可扩展至数千万CPU的算力 最近疯狂并购和投资算力基础设施，可以期待 Open AI 明年的成果了
#OpenAI #亚马逊 #AWS #算力基础设施 #AI
avatar
sitin
3个月前
45 天，用 AI 写作， 也能搞小几千，对于高手来说不多，甚至少到看不上，除了一单 1500 因为大部分单子都只有 200-300， 但对于普通人赚个零花钱还是可以，下场弄脏手很重要。
#AI写作 #零花钱 #普通人 #赚钱 #副业