GeorgeD

[immusoul @ayuan1000]

这就是我在前天的#鉴播里说的：开放模型意味着北朝鲜或者阿富汗也能蒸馏出符合各自价值观的AI大模型了。

[小盖 @xiaogaifun]

Lenny 这期播客非常��彩，推荐在做 Vibe Coding 或者创业的朋友听一听。

我听了大概一半，还没听完，但收获实在太多了。

所以就先停下来写一点笔记。这不是 Lenny 最新的一期，差点错过。

嘉宾是 Mark Pincus，硅谷游戏公司 Zynga 的创始人。

他最近写了本新书，叫《Life at the Speed of Play》。查了一下，还没有中文版。这本书应该会大火，我感觉。

整个访谈我觉得核心表达了一个观点：

绝大多数成功产品，都没有从零发明全新的东西。

它们先借用了市场上已经成立的模式，再做出明确的改善，最后加入一个足以吸引用户尝试的新变化。

超级有启发。对于很多有洁癖的 builder 来说，这个观点很有用。

一、产品成功的核心框架：Proven、Better、New

人的底层直觉通常是对的，具体想法却经常是错的。

比如，觉得人们需要更轻松的社交、更简单的游戏、更智能的相机，这种需求判断可能成立。

但设想出来的具体产品形态、功能和交互，大概率并不准确。

所以，创始人不要死守某个具体方案，而要保留背后的直觉，围绕它测试很多种产品形态。

这就是 Proven、Better、New 这套框架的出发点。

Proven 指市场上已经被验证过的产品规律。

不过这里有个前提。不能泛泛地说某类产品过去火过就算 Proven。

得具体到今天这个平台上、这批用户、这个场景里，已经跑通的体验才算数。

比如，一个游戏在 90 年代很受欢迎，不代表今天放到手机上仍然成立。

一个 PC 软件的操作方式，也不能直接证明它适合手机。平台变了，用户的耐心和习惯也跟着变了。

Sid Meier 是文明系列的创造者，PC 游戏设计的大师级人物。

但他在 Facebook 上做社交游戏时，新手引导过于复杂，用户需要点击很多次才能进入游戏，大量人根本没有机会体验到后面的优秀设计。

���来他复盘，核心问题是团队没有先研究 Facebook 上已经跑通的游戏是怎么做新手引导的。

PC 玩家愿意花十分钟学规则，Facebook 用户点进来半分钟没玩上就走了。这两批人完全不一样。

所以，做新产品之前，先把同一个平台上已经做得好的产品研究透。

如果连别人怎么做对的都不清楚，创新就无从谈起。

Better 是指几乎没有争议的改善。比如加载速度更快、操作步骤更少，这种不需要讨论好不好的改动。

现有产品的十个用户看了，十个人都会点头说确实更好。

很多创始人容易把自己觉得有意思的功能叫做 Better。但只要用户之间还存在明显分歧，它更接近 New。

Better 往往是很小的改动，甚至看起来不够性感，但这些小改善会直接影响产品能否被用起来。

New 是产品真正新增的变化，也是宣传时最先拿出来讲的那个卖点。作用主要是吸引用户试一次。

但团队不要默认这个新功能一定成立。即使听起来很合理，它仍然可能失败。所以最好同时准备多个 New，快速轮换测试。

如果 Proven 做到位了，Better 也没问题，产品还是不行，那大概率是 New 选错了，换一个再试就好。反过来说，如果连 Proven 都没做好，加再多 New 也救不回来。

有时候甚至不需要 New。Slack 可能主要就是 Proven 加 Better：把人们已经在做的工作沟通变得更方便、更好用。

用户通常不喜欢改变，只要把已有行为明显改善，就可能做出很大的产品。

二、很多创始人的障碍，是不愿意借鉴别人

这种心理有个说法叫 moral arbitrage。翻译过来大致是对借鉴的道德负担。

大多数创业者觉得借鉴丢人，主动回避，这反而给愿意借鉴的人留出了机会。别人不好意思做的事情，恰恰可以��成一种优势。

人们从小被教育，复制意味着作弊。很多创业者又把自己想象成创新者，本能地排斥已经存在的方案，希望从一张白纸开始。

但真正需要关注的是用户喜不喜欢，而不是同行觉得够不够原创。

当然，这不意味着照搬。好的产品会吸收已经验证过的模式，同时做出足够重要的改善。

用户甚至不会明显感觉它来自某个旧产品，只会觉得它很自然、很好用。

创新就是 Mix。我们见过的所有的创新都是某种程度的 Mix。所以，真的没必要有洁癖。

举两个非常极端的例子。

Rovio 在做出愤怒的小鸟之前，连续做了 45 款游戏，每一款都很不同，最后终于碰中一个爆款。

这像在荒野里不断打井，确实可能找到油，概率却很低。

OMGPOP 做 Draw Something 时走了另一条路。

他们仔细研究了当时手机游戏里已经成立的玩法，也借用了 Words With Friends 的回合制机制，最后做出了 App Store 第一名。

两种路线都有可能成功，Proven、Better、New 的目标是提高成功概率。

先模仿，再超越。不丢人。

三、尽早关掉没有希望的产品

Kill hope before hope kills you.

这个观点我非常认可。很多产品跑了一段时间之后，数据不好，需求验证也有问题。

但因为创始团队亲手构建了这个产品，内心还是会觉得有希望。

总觉得再发一次版、再调一下定位，事情就会好起来。

怎么判断产品到底有没有希望？

一个真正好的产品，信号是很强的。创始人自己会频繁使用，朋友体验后会主动推荐给别人，留存和增长的数据摆在那里不需要解释。

但很多产品没有这些信号。数据一般，用户反应也一般，创始人得靠分析、靠说服自己，才能相信产品有前途.....就是苦哈哈的坚持。

倒不一定说只要表现不好��就���定要快速关掉。至少创始团队不能麻痹自己。

产品没有强烈的需求就是没有，这个时候应该承认事实，然后去分析能不能从中提取有效信息？附近有没有更强的需求？哪个部分已经出现了真实信号？要不要换一个 New 继续测试？

最危险的状态，是明明没有信号，却持续用融资、发布会和团队信心维持幻觉。

Mark 说自己刚刚关掉了一个持续四年、投入约 2500 万美元的元宇宙项目。

项目过于宏大，一直没有找到产品市场匹配。

关掉以后，他反而在两周内产生了比过去四年更多的新想法。

一个没有希望的项目会持续占据注意力和精力，关掉它，大家都会如释重负.....

放弃不一定是坏事。坚持也不一定就是什么优秀品质。

播客链接见评论区。

[Theo - t3.gg @theo]

Maria is still under 6k followers, good opportunity to invest early

[DynamicWang @dynamicwangs]

我自研的非常灵活的3D导演工作台——AWPlanet 即将发布。

目前市面上的3D工作台仍然是基于传统3D软件的规则，但在运镜实现上有很多的限制与不方便，AWPlanet工作台则将游戏引擎的方法引入3D工作台，可以选择控制角色或者控制镜头，让运镜自由自在！ 所见即所得的编辑你想要的分镜，Direct what you see！

AWPlanet 可以支持定义动作造型、雕刻地形、生成房间、迷宫，自定义上传obj道具，多镜头运镜设计以及fpv模式的自由运镜模式。

[GeorgeD @DeemXRvoice]

哈哈哈，有些人可以从儿子到孙子无缝切换

[lidang 立党 （劝人卖房/学CS/买SP500/纳100/OpenAI/Anthrop第一人） @lidangzzz]

基本盘们，你妈转卖世界杯转播权的钱，分给你了吗？

[Leo｜一个人 + AI @runes_leo]

所有人都怕 AI 抢走 95% 的工作。

Anthropic CEO Dario Amodei ���接告诉你：反了

"哪怕你只做任务的 5%，那 5% 被放大 20 倍。
AI 做剩下 95%，你的产出反而是原来的 20 倍。"

8 分钟访谈我反复听了 5 遍，印象最深的就是这一句。

他还讲了 5 件事：
- Coding 先消失，软件工程的"端到端"会更慢
- 25 岁选职业：半导体 / 跟人打交道 / 物理世界
- 真正的护城河是批判思维 — AI 时代不被骗的能力
- 学生让 AI 写作业 = 退化；工程师让 AI 同时原型 10 个想法 = 进化
- Anthropic 内部叫"教育部"的团队在做 Claude Code Work

我这半年在 Claude Code 上写 CLAUDE.md、拆 skills、卡 hooks，本质就一件事：把'我那 5% 的判断'写进规则，让 AI 跑 95% 时不偏离我的工作流。

CLAUDE.md = 把我的判断公开化
skills = 把我的动作模板化
hooks = 把我的边界自动化

工具配置是结果。
真正的问题是 — 你那 5% 是什么？

中文字幕版我做完了，Dario 这段每个 builder 都该看一遍。👇

[导演BK｜游戏行业幕后 @bkingfilm]

很多人不知道，《去月球》的作者高瞰是一位华人，这个游戏也是他年少时因为初到加拿大太过自闭和孤寂而逼出的爱情故事，幸���的是他因为这个游戏结识了他后来的妻子，自己也有了一段精彩的爱情故事 #去月球 #tothemoon #gamedocumentaries #遊戲紀錄片

[瞎玩菌 @Blind___Gamer]

@王海：继续向大家报告，山茶油造假还没过去，低价橄榄油，又拿到送检结果了！

[AshutoshShrivastava @ai_for_success]

You can now use Hyperbrowser MCP with Claude Code to fetch the latest documentation directly from any website, cache it in your repo, and access it inside the terminal.

[李不凯正在研究 @libukai]

的确能创建，但效果不会太好。可以调用官方的 claude-skill-creator skill 来做，后续还要持续的迭代。研究 Skill 一个月了，做了十来个 Skill，虽然从架构上来看的确简单，但里面要注意的细节还是挺多的，例如 https://t.co/3xhJhqVILk 里面到底要放什么，如何真正做好渐进式披露，都得依赖实践中的经验。

[比特币橙子Trader @oragnes]

刚刚读完 Notion CEO @ivanzhao 的万字长文《蒸汽、钢铁与无限的心智》。 这绝对是今年关于 AI 最透彻的宏观思考之一。

他指出了一个残酷的现状： 我们中的大多数人，还在用 AI 这种“核动力”去推旧时代的“水车”。

为什么现在的 AI 看起来像是个大号的 Google 搜索框？ 未来真正的形态是什么？🧵👇

历史的镜像：如果你拿着蒸汽��，却只用来推水车。工业革命初期，工厂主只是把水车换成了蒸汽机，工厂结构没变，效率提升极低。 直到他们意识到可以脱离河流，重新设计工厂布局，第二次工业革命才真正爆发。

个人层面的进化：从骑自行车到开法拉利乔布斯曾说电脑是“大脑的自行车”。 但在 AI 时代，继续“蹬车”就输了。 未来的知识工作者（尤其是程序员）不再是自己写每一行代码的工匠。 你是管理者，是指挥官。 你指挥着 3-4 个 AI Agent 没日没夜地工作。 你不再是那个骑车的人，你是驾驶这辆超跑的人。

组织层面的进化：AI 是现代公司的“钢铁”以前的建筑全是木头做的，盖不高，一高就塌（大公司病、官僚主义）。 钢铁的出现，让摩天大楼成为可能。 AI 就是组织的钢铁。 它能承载指数级的沟通负载。人类不再是信息的“承重墙”。 以前需要三层审批、开 2 小时会的决策，未来 5 分钟异步解决。公司规模将不再受限于管理半径。

经济体层面的进化：从佛罗伦萨到东京当下的经济体像佛罗伦萨：精致、人性尺度，但受到物理限制（步行距离）。 AI 驱动的未来经济像东京： 巨大、复杂、节奏极快、虽然让人迷失，但拥有无限的组合与机会。 我们将从“小镇手工匠人”进化为“超级都市规划者”。

为什么“人在回路中 (Human-in-the-loop)”是个伪命题？文中提到 1865 年的《红旗法案》：汽车开动时，必须有人举着红旗走在前面开路。 这是对新技���的恐惧与浪费。 现在的 AI 编程教会我们：人类应该在杠杆点上做监督，而不是跳进流水线里去拧螺丝。 不要试图跑在 AI 前面举红旗，坐进驾驶室去。

Notion 的野心：无限的心智Notion 想做的不是给你的笔记加个 Chatbot。 他们想做这个时代的“电网”和“钢铁”。 把 AI 内嵌到文档、数据库、工作流的肌理中。 让你的公司知识库变成一个“永不休息的大脑”。 这不是科幻，这是生产力工具的终局。

[𝓢𝓲𝓵𝓪𝓼 @Silas_KCEX]

写了个工具：anti-api
将 Antigravity 内置模型（Opus 4.5 thinking、Gemini 3 Pro high等）暴露为 Anthropic 兼容的本地 API，
目前已完美支持 Cherry Studio / ChatWise / Alma / Obsidian Copilot / 野望 /...
由于Antigravity输出不包含原生tool_use，Claude Code 工具暂不可用，仍在努力解决。
@localhost_4173 @yetone @YinsenHo_

[Orange AI @oran_ge]

看完了这位中年程序员的视频，一个关于金钱、时间与生命意义的复盘。
从抱着O'Reilly技术书狂啃的少年，到手握专利、拿着大厂天价股票的技术高管。
这位40多岁的大哥回顾了自己在科技圈摸爬滚打的25年，光鲜亮丽的背后却是残酷的现实：
即使做到了架构师，却发现自己只是在重复造轮子，代码并没有让世界变得更好。
亲眼目睹才华横溢的同事因过劳离世，而仅仅一周后，公司里就像这个人从未存在过一样。
每天只剩1小时能分给孩子，错过了陪伴他们露营、钓鱼的时光。
得益于早年的财富积累觉醒，他在最后一轮大裁员中做了一个决定：
为了保住组里年轻人的饭碗，他主动把自己放进了裁员名单。

https://t.co/jvAOzhE6Ox

[yan5xu @yan5xu]

强烈推荐读一下这篇文章 我自己做了些整理

作者是北大 Linian Wang。文章讲的是把 Kimi K2 适配到 vLLM 的过程中，遇到一个很反直觉的现象：同一个模型，在官方 API 上 tool calling 几乎不出错，但换到 vLLM 上就一塌糊涂。然后作者一步步定位原因、推动修复。

我觉得它最值得看的点，其实不是“Kimi/K2/vLLM”上，而是通过这个过程可以把大模型 API 的底层逻辑理解清楚：

大模型 API 的本质：把请求“展开成 Prompt（Token 序列）”，然后做补全（completion）。
所谓 chatbot、tool calling / function calling，本质都是在这个过程上做工程封装。

一切都可以拆回成：Render → Completion → Parse

现在 Chat Completions（以及 function call / tool calling）看起来是这种“结构化请求”：
- messages：system/user/assistant 多轮（也包含 tool_calls 与 tool 的返回）
- tools / functions：���具定义
- tool calling 的模式/约束：tool_choice、parallel tool calls 等
- 采样/停止参数：temperature、stop、max_tokens…

但在模型真正开始预测下一个 token 之前，这些东西都会被系统按照下面的过程处理：

(A) 展开（render）→ 得到最终 Prompt（文本/Token 序列）
(B) 补全（completion）→ 模型续写下一段 Token
(C) 解析（parse）→ 把续写还原成 assistant 文本 / tool_calls 等结构化结果

所以其实可以这么理解：
- Chat Completions ≈ Completions +（A：自动把 messages 渲染成 prompt）+（C：把输出再解释回消息结构）
- Chat + tool calling ≈ Chat +（C：把“特定格式的补全”解析成 tool_calls，并做 schema 校验/护栏）

重点：Chat / Function Call 不是模型多了一种全新能力，而是服务端把 prompt 构造与输出解析自动化了；模型层面依旧是在做下一段 token 的补全。

文章里出现的 bug 基本都发生在 A（render）或 C（parse），而不是“模型本身能力不行”。

文章里一个非常实用的排障方法：
- 不直接用 /v1/chat/completions
- 而是在外部手动 apply_chat_template 得到最终 prompt
- 再把这个 prompt 丢给更底层的 /v1/completions

这么做的好处是：你能“看到真相”：
- 你能检查最终 Prompt 到底长什么样（当然也可以用 echo 回显出来）
- 你还能看到模型最原始的补全文本（协议 token 没被上层 parser 二次加工/丢弃）

后面很多结论，都靠这一步才定位出来：问题不在“模型不会调工具”，而在 prompt 展开和输出解析存在不兼容或边界问题。

三个问题，用更直白的话讲清楚就是展开和解析上出了问题

1) Prompt 末尾少了“现在轮到 assistant 开始输出”的自动补全后缀

本来应该用户问一句 → 模型应该立刻按 tool call 的格式进行补全。
但因为一个参数没有传递到位，导致实际喂给模型的 prompt 末尾缺了关键的 assistant 回合起始标记 / generation prompt（可以理解为少了一个重要的���议尾巴，相当于没明确告诉模型“轮到你回答了”）。
结果就是模型仍然会补全 token，但完全不知道“接下来该干嘛”
- 有时像在续写历史对话（没进入回答态）
- 有时输出自然语言闲聊
- 有时输出半截结构化但不成形

1) 空内容被错误渲染成，直接把 prompt 污染成噪声

某条历史消息 content: '' 就是“空”，本来在 Prompt 也应该就是🈚️啥也不出现。
结果实际渲染链路，框架内部为了统一数据结构，把 '' 标准化成类似 [{type: "text", text: ""}] 这样的 list（多模态/富文本体系里很常见）塞到 Prompt 里面。
结果就是模型是在对“被污染的上下文”做补全。导致 tool calling 的效果劣化。

3) 模型其实已经“写出了工具调用”，但解析器太严格，把它当异常丢掉了

模型已经生成了“看起来就是工具调用”的片段，但���解析器太严格了，当做异常处理掉了。
（这里面还有上下文污染导致模型生成格式不对的原因）

读完这篇文章最大的收获

1) 一切要还原到“Prompt 补全”这个本质上来理解。
虽然这篇文章，是围绕 tool calling 展开的，但它的结论其实适用于所有大模型 API 场景（chat、completion、structured generation……）。
不管你是用 chat 还是 function call，本质上都是在做“Prompt 补全”。
所以当遇到问题，第一步都要还原到“最终 prompt 是什么样子？”要拿到实际喂给模型的 prompt，甚至不用像文章中这样，拿到协议层的，只用看到你的 API 请求就能判断对不对。
另外很多 API 的报错，也可以从“Prompt 补全”这个角度去分析。

2) Tool calling 本质是“强约束 Schema 输出”（甚至可以当 JSON 限定器/结构化生成器用）。
从工程角度看，tool calling 更像：
让模型按一个强约束的输出协���（schema）去生成结构化片段，然后由服务端解析并执行。

一旦你把它理解其本质是“强 schema 生成”，你会发现 tool calling 还能干一件很实用的事：
- 你不一定真的要“调用工具”，也可以把它当作 JSON/DSL 的限定器，让模型稳定地产出符合 schema 的结构化结果，再交给下游系统处理。

对“强约束生成 / constrained decoding”这个方向感兴趣的话，也推荐顺手看：
- XGrammar：偏“把语法/约束编译成高效的 token 级约束”，让解码阶段就不可能走出非法分支
- LLGuidance：偏“用 guidance/约束驱动生成”，把结构化正确性前置到解码过程，而不是生成完再靠 parser 猜测。

[GeorgeD @DeemXRvoice]

@yaohui12138 成功了，非常感谢！

[Jason @EvanWritesX]

实操教程：没有 Visa 卡？用支付宝给美区 Apple ID 充值实操指南

很多朋友注册了美区 Apple ID，却卡在了“无法支付”这一步。其实不需要办外币卡，也不用去淘宝买溢价卡，你手机里的支付宝就能直接按实时汇率购买官方礼品卡。

▎Step 1：解锁支付宝“隐藏”入口支付宝针对出境用户有专门的界面。

打开支付宝，点击左上角的当前城市。

在顶部选项卡切换到 「国际/港澳台」。

左侧栏选择「北美洲」，城市随便选一个，例如「旧金山」。

▎Step 2：购买 Apple 官方礼品卡

界面会自动刷新，点击底部的「惠出境」或「优惠」（UI 因版本不同略有差异）。

找到中间的「大牌礼卡」 入口点击进入。

下滑找到 Apple 图标，点击「去购买」。

输入金额： 支持小额充值（最低 $2）。

薅羊毛： 记得���一下底部的「用积分获取折扣」，能省一点是一点。

支付： 点击「去付款」，��次可能需要验证身份，随后直接用人民币支付，汇率透明。

▎Step 3：App Store 兑换激活

支付成功后，复制页面显示的 SN 兑换码。

转到 App Store，确保已登录你的美区账号。

点击头像 -> Redeem Gift Card or Code -> Enter Code Manually。

粘贴代码，充值到账！

🚧 避坑指南：充值后无法购买服务？如果你发现账户里有余额，但在订阅 ChatGPT、X Premium 或其他服务时依然报错，这通常是风控导致的。

不要慌，这里有不绑卡也能解决的方案

▎实操教程：美区 App Store 有余额却无法订阅的 3 种方案 https://t.co/8M08Fak6M7

[雪踏乌云 @Pluvio9yte]

Vibe Coding 之一句话解决 Claude 频繁创建说明文档问题

每个人使用 Claude 写代码时，应该都遇到了说明文档越来越多的问题。

其实只需要下面的一个小操作就能解决👇🏻

将如下 Prompt 写入 https://t.co/sRanKUAPLg 中

“默认情况下，不要创建任何新的说明文档或文档文件。

不要自动生成 https://t.co/OlRqWAsoCj、设计文档、使用说明、架构说明等。

只有在我明确要求“编写文档 / 生成 README / 写说明文档”时，才允许创建或���改文档。

避免输出与代码无关的说明性文档”

[GitHubDaily @GitHub_Daily]

用 AI 写代码爽是爽，但项目一复杂，上下文一多，AI 就容易开始 “胡言乱语”，写出来的代码难以维护，最后变成一团乱麻。

最近在 GitHub 上看到 Vibe Coding 这份实践指南，提供了一套完整的 AI 辅助编程方法论，帮我们避开常见陷阱。

核心理念是 “规划先行”：不让 AI 自主规划，而是通过设计文档、��术栈选择、实施计划等文件来引导 AI，确保代码库始终保持清晰的结构和一致性。

GitHub：https://t.co/VKlDgY4Xcb

提供了一整套标准化的系统提示词、项目目录模板以及从需求澄清到代码落地的全链路脚本。

还收录了几百个适用于各个场景的提示词、元提示词生成器、Skills 技能库。

正准备使用 Claude Code 或者 Codex 开发大项目的同学，可以先看看这份指南。

[Shi-on🎀AI沼 @cheese_ai07]

"スタンド召喚"プロンプト!!

画像を渡したらその人物の雰囲気から推測して、ランダムなスタンドを出現させるプロンプトを考えたよ♪荒○飛呂彦とかジョジ○とかの言葉は入れてないか��安心して使ってね🤗
#NanoBananaPro

プロンプト↓↓
以下の指示に従い画像を生成して下さい。

​【役割】
あなたは映画のVFX（視覚効果）コンセプトアーティストです。渡された実写写真に、リアルなCGIで作成された「スタンド」を違和感なく合成してください。
​【具体的な指示】
渡された写真に写っている人物を主被写体とし、その背後にオリジナルの「スタンド」が出現している、フォトリアリスティックな画像を作成してください。
​画風の維持（最重要）:
​元の写真のライティング（光の方向、強さ、影）、色調、カメラの質感、雰囲気をそのまま維持してください。漫画的な表現（輪郭線や擬音）は一切不要です。
​スタンドのデザインと生成:
​分析: 写真の人物の服装、持ち物、表情から感じ取れる「雰囲気」を分析してください。
​デザイン: その雰囲気を、抽象的かつ物理的な形���としてデザインしてください。スタンドは、水、炎、氷、金属、石、ガラス、煙、光、あるいは未知の有機物など、リアルな物質感を持って現れます。
​
​合成: スタンドは人物の背後に浮かび上がり、写真の環境光を受けてリアルな影を落とし、周囲の空気を歪ませているかもしれません。人物を守護するような、あるいは威圧するようなポーズで配置してください。