RwatitFahsa

谦卑而执着，羞涩而无畏。

[RwatitFahsa @RwatitFahsa]

@huoerdunG 还真是，这2个星期，把流量赶没了

[RwatitFahsa @RwatitFahsa]

人死了，大脑还能学习？法国团队将死亡后仍保持活性的脑组织接入电刺激、声音和机械装置。训练后，神经组织竟出现了特定的感觉—运动关联。不是死人复活，也没有证据证明存在意识。但这件事很诡异：学习，也许首先是神经网络的能力。黑客帝国还很远，但我们对意识和死亡的理解，可能远没有想象中简单。

[RwatitFahsa @RwatitFahsa]

“我对这个研究课题抱有深深兴趣”，或者“没有人（很少学者）曾经研究过这个课题”，都不是该课题值得研究的充分必要理由。换句话讲，单单凭着一腔对知识的渴求，就想获得博士学位，是痴人说梦。

[RwatitFahsa @RwatitFahsa]

@zhulin014 @mannay @byteab 要怎么生成

[RwatitFahsa @RwatitFahsa]

今天用codex设计了一版app的UI，效果很好，这效率真的高，后续只需要稍微修改下，再添加细节处理就可以了

[RwatitFahsa @RwatitFahsa]

@AISuperDomain @biubiubiuzone 降智了要怎么办

[AI樱木 @0xSilver_Time]

这就是为什么多邻国讨厌 ChatGPT。

没人能在 5 年内教会我英语。

ChatGPT 用3个月做到了。

用这 7 个提示词，你可以快速学习任何语言 🧠🌍

[RwatitFahsa @RwatitFahsa]

claude账号被封了，说不符合退款条件怎么办？

[Zayn Hao @ZaynHao]

推荐两个非常好看又好用的动效组件：

- 动态边界光束
https://t.co/w5S7gaDDFP

- 动态思考球
https://t.co/FvNIQUH1pO

[Leo @leoxbtt]

https://t.co/ipdLDmJk8x

[RwatitFahsa @RwatitFahsa]

@yanhua1010 封了2个号，第二个号付费完第二天就被封了，还退不了款，彻底放弃claude

[RwatitFahsa @RwatitFahsa]

吴恩达透露，如今他几乎把所有工作都交给 AI Agent 完成。

而下一步的目标，不只是让 Agent 执行任务，而是让它们能够主动发现问题、总结经验，并在反馈中持续迭代、自我优化。

这段视频从零拆解了一个具备自我进化能力的 AI Agent 系统，信息密度很高，值得反复看。

[宝玉 @dotey]

Anthropic 7 月 10 日发布了一场关于 Agent 基础设施的对谈。Claude 平台工程负责人 Katelyn Lesse、产品负责人 Angela Jiang 和产品经理 Jess Yann，分享了几个来自一线的观察。

【Agent 的“脚手架”正在变薄】

几个月前，搭建 Agent 往往需要写大量流程控制代码：先执行 A，满足条件再进入 B，遇到不同情况还要切换不同分支。流程越复杂，系统越容易出错。

随着模型的推理和工具调用能力增强，这些编排层（harness）正在变薄。开发者不用再规定每一步，只需给出目标和基本边界，让模型自己决定怎么完成。

与此同时，一种更高层的编排方式开始出现：让多个 Agent 同时解决一个问题，从中选出最佳方案；让一个 Agent 提方案，另一个负责挑错；或者在 Agent 卡住时，请另一个能力更强的 Agent 提供建议。

重点正在从“控制每一步”，转向“设计 Agent 之间如何协作”。

【衡量 Agent “投入产出比”（ROI，Return on Investment），先看一个人快了多少】

Angela 建议，企业不要一开始就规划上百个自动化流程，而应该先看一个具体的人：用了 Agent 之后，他的工作速度和产出提高了多少？

验证有效后，再从个人推广到团队，最后才处理跨部门流程。前期重点看速度和生产力，等应用逐步成熟，再衡量收入、成本和用户指标。

很多企业做 AI 转型时，喜欢先画一张宏大的自动化蓝图。问题是，流程涉及的部门越多、规则越复杂，落地阻力就越大。从个人开始，更容易看到效果，也更容易持续推进。

【工程团队没消失，但每个人的角色都变了】

Katelyn 观察到，Anthropic 的工程团队和半年前相比，人员构成没有太大变化，但协作方式已经不同。

过去通常由技术负责人决定架构，其他工程师领取任务、编写代码。现在，更多工程师会参与产品和架构决策，再分别指挥 Claude 完成具体工作。

Agent 的作用也不再只是“帮忙写代码”。她提到 Shopify 的 River 系统，已经把需求文档、开发环境、代码实现和 QA 测试串成了一套端到端的 Agent 工作流。

【个体变强，不等于团队自然变好】

Agent 降低了开发和试错成本，也可能带来新的问题。

过去，一个团队会先讨论十个方案中哪个最值得做。现在，每个人都可以快速做出十个原型，甚至全部上线，让市场决定谁胜出。

这样做速度很快，但如果缺少统一方向，产品很容易无序扩张。Agent 能显著放大个人能力，却不会自动解决团队的协调、取舍和决策问题。

来源：https://t.co/fEuKIzIlfk

[RwatitFahsa @RwatitFahsa]

两种不同的用脑方式

[RwatitFahsa @RwatitFahsa]

@ibexdream @midjourney @runwayml @topazlabs 😂

[RwatitFahsa @RwatitFahsa]

AI Coding 让开发速度暴涨，但也带来一个隐患：我们是在建设系统，还是在堆积黑盒？
当 AI 写代码成为常态，架构、质量、性能、安全治理的重要性会越来越高

[Barret李靖 @Barret_China]

2026 半年提交的代码，快超过过去两年。AI Coding 容易让人陷入疯狂。

最近也在思考一个问题。AI Coding 时，人到底是一个需求口喷角色，还是系统架构设计角色？也在反问自己，我对我的系统是越来越了解了，还是越来越生疏了？

我的答案是，想做的事情越来越明确了，但对做出来的那堆东西，却越来越生疏了。

对着 Coding Agent 发号施令已经成为常态。那种建应用的感觉就像，刚开始在建大坝，日日赶工，雏形也越修越好；等到真的大雨降临时，却发现东边有窟窿，西边墙面也不稳。于是，整日的工作，又变成了修修补补，拆东墙补西墙。

大多数人在开始 AI Coding 的第一天，就忽视了一个点。

软件工程里，除了支撑业务需求的代码，更多的是支撑稳定性、性能、质量、成本、安全的代码。要把系统建好，分配给后者的 AI 注意力，随着时间推移，占比通常会越来越高；当达到某一个临界点后，系统就需要面临一次重构。完成重构之后，重心才能重新回到前者。

从真实的实践来看，AI Coding 会把软件工程，从白盒精细化治理，逐步推向黑盒管理。人没有那么多精力去 Review AI 写的每一行代码，因此搭需求积木的职责，会逐步从人转移到 AI，人也会逐渐丧失对系统运行细节的理解。

如果黑盒会成为常态，那如何治理黑盒，就会成为一个新的命题。

AI 写代码时，也要关注质量工程、关注架构设计、关注领域模型抽象、关注无效代码下线、关注性能和稳定……如何让 AI 持续做好这些事情，如何在黑盒模式下继续保持代码收敛，以及系统的可持续运转，我觉得会成为未来软件工程新的挑战。

[RwatitFahsa @RwatitFahsa]

@ListenerEight 每天看x的内容，越发焦虑，感觉自己out了

[RwatitFahsa @RwatitFahsa]

ai的七层关系