Rachel🥥

00年｜上交 x 帝国理工｜AI Spark创始人｜前微软&亚马逊产品经理｜分享AI使用干货与商业化变现

[Rachel🥥 @Zesee]

整理一下这两周写的干货帖

manus实战案例：
1.  复刻爆款推文https://t.co/JhS1ueivCC
2.  爬取结构化数据https://t.co/IprUaVp4DB
3.  manusbrower模式 收集小红书帖子数据 https://t.co/FP8yvwc5jk

提示词技巧：
1.  自用prompt技巧：https://t.co/1DfavwkNQn
2.  不同模型得用不同prompt
https://t.co/40r17Aksew
3.  让llm停止给情绪价值
https://t.co/PC9U87d3P8
4.  提前复盘为什么某件事会失败
https://t.co/wqd6WgIxu5

VibeCoding实战分享：
1.  如何用boltnew像素级复刻网站
https://t.co/34Bvrhjpkp
2.  零帧起手一天做完一整个pitchdemo
https://t.co/FJg2Yvbak3

[Rachel🥥 @Zesee]

2025｜自用 Prompt 技巧
⸻

1️⃣ 结构化思考链（不是“让它想”，而是“逼它自检”）

不用说一步步思考，而是用显式思考标签：

请在 <Reasoning> 中完成推理，
并在输出前进行一次自我校验。

作用只有一个：
强制 AI 检查逻辑断点，而不是顺着概率往下编。

📌 适合：复杂分析 / 策略判断 / 商业推演
⸻

2️⃣ 主动协作角色（给 AI「提问权」）

90% 的胡编，源于一个问题：
你没给够上下文，它又不敢问。

直接写进 Prompt：
如果信息不足，请先向我提出澄清问题，
在获得答案前不要做假设。

这一句，本质是把 AI 从
「算命模式」→「协作模式」

📌 适合：需求不清晰 / 产品设计 / 战略共创
⸻

3️⃣ RTF 框架（2025 仍然是最稳的万能公式）

R = Role｜T = Task｜F = Format

是降低模型理解歧义的最短路径。

直接可用模板：
你是一位资深数据科学家（Role），请分析这份市场数据并总结核心趋势（Task），请使用 Markdown 表格输出，包含「趋势名 / 影响程度 / 行动建议」三列（Format）。

📌 让模型知道「你是谁」「你要干嘛」「你要我怎么交付」。

[Rachel🥥 @Zesee]

@Anna_nanachan p1背景就是伦敦留子认证了

[Rachel🥥 @Zesee]

@Leobai825 感情失利🤓

[Rachel🥥 @Zesee]

@bozhou_ai 是嘟是嘟

[Rachel🥥 @Zesee]

@Astronaut_1216 我有个朋友，以前做b端开发的老法师，今年开始直播教ai课程，一个人收3999，早就几百万了

[Rachel🥥 @Zesee]

@hj82272 是滴，可以试试

[Rachel🥥 @Zesee]

开源一个抖音合规自检 skill

最近很多朋友都在做抖音视频，但发习惯推特之后，经常违规，所以我做了一个skill

具体用法：丢进去口播稿或者画面描述，它会告诉你哪些地方会被预审驳回（引导外流、诱导下载），并给出可以直接替换的合规表达。

举个例子：这句话是让观众"去做某个动作"，还是在说"我用了什么/这个东西是什么"？前者违规，后者合规。

跟不挂 skill 对比：通过率 100% vs 59%

https://t.co/Rofp35SABq

[Rachel🥥 @Zesee]

@baegseungh7061 Yeah

[Rachel🥥 @Zesee]

16GB 笔记本能跑多模态 AI 之后，真正该学的是任务分流

这两天 X 上 Gemma 4 12B 挺热，大家最容易记住的是那句，16GB 笔记本也能跑。

这句话当然很抓人，但如果只把它理解成「终于可以少花点 API 钱了」，我觉得反而看窄了。真正值得在意的是，AI 工作流开始从单一的云端调用，变成一套需要分工的系统了。

以前我们用 AI，默认动作很简单，把材料丢给一个最强模型，让它读、让它想、让它写。写文章是这样，读 PDF 是这样，分析截图也是这样。这个用法没问题，但它有一个隐性的浪费，所有任务都被当成同一种任务处理了。

但真实工作里不是这样的。

你让一个人做事，也不会把所有活都交给公司里最贵的专家。整理会议纪要、初筛素材、给图片打标签、把一堆文档按主题归类，这些事情更像助理工作。真正需要专家判断的，是最后那一步，哪些结论成立，哪些地方有风险，怎么写成能交付出去的版本。

Gemma 4 12B 这种能在本地机器上跑的多模态模型，最有价值的地方就在这里。它不一定要替代 Gemini、ChatGPT、Claude 这类云端强模型，它更适合接走工作流里那些反复发生、隐私敏感、但推理难度没那么高的部分。

比如你手里有一堆会议截图和客户反馈，不要上来就全部扔给云端模型让它总结战略洞察。更稳的做法是，先让本地模型做第一轮清洗，哪些图里有客户名字，哪些是无关闲聊，哪些包含需求，哪些可能要打码。等材料被切干净了，再把真正值得判断的部分交给云端强模型。

再比如录音转写。很多人会直接把一整段会议转写丢给大模型，让它总结。但会议里经常有寒暄、跑题、重复确认、设备问题，这些东西不值得占用最贵的推理资源。先让本地模型切段、去重、标注主题，再让云端模型做结论提炼和表达润色，最后人来拍板，这条链路会稳很多。

所以我现在会建议大家给自己建一张「本地 / 云端分流表」，而不是看到新模型就问，它能不能替代我现在用的那个。

更好的问法是：
「请帮我判断这个任务应该交给本地模型、云端强模型，还是两者协作。请从隐私敏感度、推理难度、上下文规模、是否需要联网、延迟要求、成本六个维度判断。最后给出推荐流程，不要直接开始执行。」

这段 prompt 的重点不是省钱，而是让 AI 先帮你做任务路由。什么东西应该先在本地处理，什么东西必须上云，什么东西应该拆成两段，这些判断一旦固定下来，你后面的工作流会轻很多。

我自己的判断大概是这样。

本地模型适合预处理、粗分类、隐私资料的第一轮清洗、离线场景和反复跑的小任务。
云端强模型更适合复杂判断、综合写作、需要最新信息的调研、多步骤推理，以及最终要交付出去的版本。

这两类模型的关系，不应该是互相替代，而应该是上下游协作。本地模型做脏活，云端模型做难活，人负责定标准和拍板。

这才是 Gemma 4 12B 这类模型真正给普通人的启发。AI 不再只是一个聊天框，它开始变成一组工位，让每个模型坐在它最适合的位置上。

[Google Gemma @googlegemma]

Meet Gemma 4 12B!

A unified, encoder-free multimodal model designed to bring high-performance intelligence directly to your laptop, and released under an Apache 2.0 license.

Bridging the gap between edge efficiency and advanced reasoning. Here is what’s new with Gemma 4 12B: 👇

[Rachel🥥 @Zesee]

@dajingou1 是的是的

[Rachel🥥 @Zesee]

@0x10Me 是的是的

[Rachel🥥 @Zesee]

2021年我文科转码，26年文科生不用转码了

后台总有这样的留言：我是学新闻的，我是学中文的，我是学法律的，我不懂技术，现在还能转码吗。

我是2021 年文科转码，赶上了那波热潮。但到了 2026年，我觉得文科生不需要转码，只需要学 AI。

这就意味着不再需要学编程，是把 AI变成你写作、研究、做项目的工具，做成以前做不成的事。

21 年我为什么转码？因为当时我所在的行业已经肉眼可见地往下走，互联网大厂在蓬勃发展。当时编程还是有门槛，门槛后面有溢价。

24 年开始，事情变了

最早是 GitHub Copilot。不太会用编程的同学写代码速度也能追上了工作五年的老员工。接着是 Cursor。然后是 Claude Code。再是 vibecoding。现在你只需要像指挥官只会AI 干活。

我亲眼看着"写代码"的门槛被一节节磨平：从要做两三周的项目变成了一个下午就行。

我用 18 个月构建的护城河，也是变成了大家都能跨过去的水沟。

所以我现在的判断就是，文科在校生，或者刚毕业的文科生就不要转码。21 年值得走，26 年不值得了。

等你花 1-2 年时间学完，这个岗位已经不存在了，ai时代的变化是非常快的。所以我们学ai，不是要做 AI 工程师，而是要成为最会用 AI 的法律人 和新闻人等等

那具体怎么做呢，有以下两方面，

一个就是学会把事情说清楚，把你想做的事情和ai表达清楚；

第二个就是找你专业里耗时 + 重复的工作，用 AI 重新做一遍。

比如做新闻的朋友或者是说做诉讼的律师朋友，这些工作里都有重复性很强需要用ai去重做的部分，他们都没有去学编程语言，而是把专业判断 × AI 的执行能力放大到极致。目标是做成之前做不成的事

最后我想说的是，

我不后悔 21 年转码。那段经历训练了我怎么样搭建一个系统，这也是AI教不了我的。但今天的文科生，已经不需要再走这条弯路了。

[Rachel🥥 @Zesee]

@valarzai 认可

[Rachel🥥 @Zesee]

视频好糊👉抖音：Rachel的AI使用日记

[泊舟 @bozhou_ai]

看到Jason老师的故事，正好今天也是我的last day，也想简单说一下我的故事

我是一个没有在大厂干过的一个程序员，也不是科班出身，编程是后来上网课学的，二十出头从深圳一路漂泊到杭州已经28了

去年开始瞄准AI赛道，开始做副业，做了自媒体，做了云服务器销售，做了AI中转站也做了培训，不知不觉已经快一年了

副业收入也超越了主业，上个月算了一下发现主业加副业已经达到6位数了，也是人生第一次能够月入十万，这也给了我足够的勇气，决定裸辞 all in AI

接下来我会围绕着自媒体，Token还有AI教育进行创业，欢迎来洽谈合作

[Rachel🥥 @Zesee]

@mnmn94253156337 @TencentAI_News 不错的，值得一试

[Rachel🥥 @Zesee]

你是不是也常常被繁琐的办公任务搞得焦头烂额？（附处理excel脏数据实操视频）

想象一下，只要一句话，你的电脑就能自动完成从数据分析到简报制作的所有工作。这不是科幻，这是腾讯@TencentAI_News最新发布的AI生产力神器：WorkBuddy智能体，现在正式面向全球。

WorkBuddy不仅仅是聊天机器人，更是一个能行动的智能体。腾讯把全网好用的Skil以及海报模版全部都收集过来了，还把腾讯生态打通了:企业微信、腾迅文档、腾讯会议、腾讯会议、公众号等。

在AI时代，效率就是生命线。传统办公模式下，我们花费大量时间在重复性、多步骤的任务上，大大降低了生产力。WorkBuddy的出现，就是为了解决这个痛点，让你从繁琐中解放出来，专注于更有价值的工作。

WorkBuddy能为你做：
•自主完成多步骤任务：只需一句自然语言指令，WorkBuddy就能像真人一样，将复杂任务拆解为子步骤，并调用相应工具，无论是制作简报、运行数据分析，还是整理文件，都能一气呵成。
•远程操控，随时随地：身在外地，突然有急事？通过Slack、Telegram、Discord甚至微信，你就能远程启动WorkBuddy，让办公室的电脑为你工作，结果实时回传。真正实现“人不在工位，工作不掉线”。
•开放生态，无缝集成：WorkBuddy支持模型上下文协议（MCP）标准，可无缝接入GitHub、Jira、Confluence、Google Drive、Notion等主流办公工具。你的工作流，它都能完美融入，告别信息孤岛。
•多模型支持，安全可靠：不绑定单一LLM，你可以通过API密钥接入任意大模型，满足个性化需求。所有任务都在沙箱环境中运行，与宿主系统隔离，数据安全有保障。

就像你对同事说：“帮我分析一下上季度销售数据，然后做个总结PPT。” WorkBuddy就能理解并执行。无需部署、无需配置、无需基础设施搭建，开箱即用，内置的“技能”库覆盖常见工作场景，上手门槛极低。

如果你是：
• 渴望提升效率的职场白领
• 需要处理大量重复性任务的团队管理者
• 追求极致工作流的效率达人
• 希望通过AI赋能企业生产力的决策者

那么，WorkBuddy就是为你量身定制的AI超能力！

AI生产力的新时代已经来临。
腾讯正以WorkBuddy引领AI智能体之战从开发者走向主流办公人群。易用性，将是这场战役的关键。

立即体验，提升你的工作效率：
Download here: https://t.co/uUAsNmDm46
User Guide: https://t.co/8P7j7Y6SRm

[Rachel🥥 @Zesee]

@3JA4TUbqGE72628 @TencentAI_News 我觉得还是不错的，和其他腾讯系的产品也能打通

[Rachel🥥 @Zesee]

@eastweb3eth @TencentAI_News 是的！认可

[Rachel🥥 @Zesee]

@tkkyuantkk @TencentAI_News 哈哈哈哈哈

[Rachel🥥 @Zesee]

@0v0_Aurora 感谢

[Rachel🥥 @Zesee]

https://t.co/b2FAsZIeA7