Jiaran 嘉然

AI 实践者｜AI 工具实测长文｜复杂的事简单的讲｜vibe coding & 投资 ｜ No shills — just my real human thoughts from lived experience. @PaoKa1024 ⬇️🔗公众号/小红书：嘉然学习笔记

[Jiaran 嘉然 @_jiaran]

买了一块 ESP32-S3R8 的开发板，手搓 DIY 了一个 Voice vibe-coding badge，送给我那 AI 精神病晚期的男神😎
他对于我这个技术小白居然能自己全套搞定硬件感到非常震惊……且骄傲 hhh
全套固件源码已开源至 Github，硬件买的 M5Stack

[Jiaran 嘉然 @_jiaran]

金老师拆的挺好的，工程化核心思路其实就是让 Skill 在每个环节上做执行，少决策。我认为一个优秀的 Skill 应该能做到让普通模型也能出效果而不是强依赖于顶级模型。

我自己实践时候的做法是尽可能减少 description 字数，能做成脚本的全部放进约束严格的 python 代码中，严格遵守渐进式披露，通过关卡制来约束工作流（模型跑长任务容易偏，关卡强制停下来输出审计简报，等于把一个长任务切成几个短任务。每个短任务的输入输出都有明确格式，模型不需要维持长程上下文）等等，其实这些都是工程化的手段，但没有能像金老师这样总结抽象出来。

[Jiaran 嘉然 @_jiaran]

@const_ye @369Serena 可以的，GLM5.1 和 deepseek4 效果都还不错

[Jiaran 嘉然 @_jiaran]

@Atan778 是的，高质量/可信的数据是基础

[Jiaran 嘉然 @_jiaran]

你用 AI 调研时有没有遇到过这样的问题？模型幻觉严重，编造链接或引用自媒体不可信来源信息？写出来的报告一看就是 AI 出品，全是套话和正确的废话？
我帮几个朋友跑了几次深度调研报告后，朋友们都觉得报告质量非常高，（几乎）看不出是 AI 生成的，问我到底用的是什么 Skill，于是我决定把这个原本爽爽自用的 Skill 开源到 Github 上：

🔸一句话介绍
report-helper 是一个面向深度研究报告写作的 AI Skill，适合用来研究一个产品、公司、人物、概念、产业链、政策或趋势，并产出一份有资料来源、有判断、排版美观的正式报告。

🔸我自己觉得做的比较好（精心打磨过）的地方
1️⃣一句话启动，自动跑完整报告：
给出研究对象后，全自动完成资料搜集、写作、审核和文档生成。
2️⃣信息来源分级，来源可追溯：
我参考了学术论文的规范，设计了一套信源分级体系，正文关键事实对应信源编号，文末按等级列出来源，方便核查。
3️⃣PDF 排版精心设计：
配色、字号、行距等 CSS 样式单独做了规范，对中老登眼睛友好。背景色用的是 #F8F8F6 ——比纯白暖一点的色值
4️⃣弱模型友好：
现在很多 Skill 是使用 Claude Code / Codex 写的（我也不例外），有个通病是在本机用的很好，一旦放到弱一点的模型上用就不行了。这是因为弱模型比较笨，需要更强的约束和详细的指导，才能确保执行。所以我在上传 Github 之前，对自用 Skill 做了针对性的调整，包括尽可能减少 description 字数，能做成脚本的全部放进约束严格的 python 文档中，严格遵守渐进式披露，通过关卡制来约束工作流等。
5️⃣去 AI 味规范：
review-checklist.md 里详细列出了 AI 生文的高频套话清单，标点符号要求，在审核步骤时会去核对检查
6️⃣内置了两套写作方法：
自己总结使用的两类写作结构，研究报告型和叙事深度型，分别适用于不同的需求，Skill 会根据研究的对象不同自动选择合适的写作结构来生成最终的报告

🔸几个补充
- 实测用 Codex GPT5.5 标准速度跑一个深度调研报告任务，大概需要 15 分钟，token 消耗还是比较大的（之前 $20 套餐 5 小时额度只够跑 2 次
- 报告生成质量高度依赖模型能力，内置的两种写作模式里，报告型推荐使用 Codex GPT 5.5 效果较好（国产模型用 GLM5.1 写中文报告效果不错），叙事型（适合自媒体等）推荐使用 Claude Opus 4.6
- AI 生成报告可能会出错，包括从正确事实中推出错误结论。报告只能作为学习参考。我自己在使用的时候，会先生成 markdown 文档，然后发给其他 AI agent 做同行评审、挑刺、提问，交叉验证事实与推理链。完善修改后再生成 PDF 报告。
- 后续优化想进一步把图表加入到文档里，包括找到的资料图表和根据内容自动生成的图表两类。

本 Skill 的三路 research worker 并行搜集思路借鉴参考了卡兹克 @Khazix0918 开源的横纵调研方法，去 AI 味规范借鉴参考了小包子 @KingJing001 的 podreader skill，在此感谢❤️

也谢谢看到这里的你，如果本文对你有所帮助，欢迎点赞收藏支持我，以及分享给身边需要的朋友们～🙏

如在安装使用中遇到任何问题，都可以在👇反馈给我，或者 DM 给我

[Jiaran 嘉然 @_jiaran]

report-helper 开源仓库🔗
https://t.co/HqTGvqDbT5

[Jiaran 嘉然 @_jiaran]

这也是我为什么要单独为 xhs-reader skill 做免登陆版本的原因，实在是被违规处罚恶心坏了🥲

https://t.co/I5LYo5psaN

[Jiaran 嘉然 @_jiaran]

自收集小红书的数据被风控+处罚警告后，我把 xhs-reader skill 修改成了👉免登陆👈的版本。

图片/视频下载（还是无水印的），图片长文贴存成 .md 文字版，视频贴存成逐字稿（为了方便学习回顾，我加了由 AI 自动生成的内容摘要和带时间戳的划重点），免登陆版本可以不用再担心被平台制裁，升级后的 xhs-reader skill 这下完全符合我的需求场景了😆

改成公开版后，让 codex 给我打包更新到 github 仓库，突然发现居然有 7 个 star 了！这个数字小到不值一提，但是对于一个不会写代码的小白来说，这种得到正反馈的满足感是非常强烈的。这个 skill 支持各种 Claude code/Codex/OpenClaw 等各种 agent，摘要部分的效果会受不同模型影响，欢迎下载使用体验😊～

另：发现一个有意思的事，最早 xhs-reader skill 是让 claude code 协助撰写和上传 github 的，Contributors（贡献者）那 Claude 署上了自己的大名，但是昨天我新上传了一个 content-reader（一个组合 skill，支持小红书/Twitter/B站/Youtube 四大平台的内容保存）是由 Codex 协助和打包上传的，Codex 就没有留署名……这么一对比，老克好要啊😂

[Jiaran 嘉然 @_jiaran]

⚠️小心，你以为的省事，可能会是毁号
研究了一下这个小红书运营 skill，强绑定了 OpenClaw 龙虾内置浏览器和已登录的小红书，这里有个很强的误区可能很多人不知道——小红书对待 Agent 的态度很不友好，你看到的几个月前发布的各种用龙虾做自动运营/自动评论/自动搜索的方案，早就被重点监控住了，只要有 OpenClaw 内置浏览器特征访问的，甭管什么模拟真人操作，都会收到附图中的违规预警，多用几次就喜提 15 天禁言了，只读不写的浏览也一样属于违规（别问我是怎么知道的……都是泪😭
Claude Code 和 Codex 都可以接管主浏览器模拟用户操作，可能有些人会觉得这应该没问题了吧？之前我也是这么认为的，结果 5.18 这天还是收到了熟悉的违规预警通知……
说回这个小红书运营的 Skill，我看到 open issues 里集中反映了登录、扫码后无响应、输入框填错、评论回复失败、页面要求扫码浏览、非 OpenClaw agent 兼容等问题，主要就是因为强绑定 OpenClaw 以及没有脚本级抽象，选择器、页面状态、上传路径、评论框校验等都写在 Markdown SOP 里，页面一变就容易出问题，稳定性取决于执行的模型。
有价值可以学习的是 SOP 部分，包括账号体检、选题生成、评论风控、知识库沉淀等，还是感谢仓库原作者的无私分享，这套方案至少在 3 月发布的时候还是 work 的

[AYi @AYi_AInotes]

想认真做小红书个人号或者矩阵的朋友，这个 Skill 真的能帮你省掉 80% 的重复劳动。

看了我的 AI 工作流分享以后，很多宝子问有没有小红书自动化运营的工具，我GitHub上找了下，这个还不错，

说实话，我之前也以为所有小红书自动化工具都是垃圾，
要么用两天就封号，要么复杂到要写几百行代码，要么就是个只能发文字的残废，直到我试了这个，

最牛逼的是它的安全机制：完全不用小红书 API，全程用浏览器自动化模拟真人点击和输入。

第一次扫码登录后，后续所有操作都和你自己手动点一模一样，目前是我见过封号风险最低的方案。

而且它真的零代码，你不需要懂任何编程，只要对着 你的龙虾或者 hermes 说一句话就行：
• 帮我分析一下我的首页推荐流
• 帮我生成五个今天能发的选题
• 帮我复刻这篇爆款笔记
• 帮我回复一下最新的评论

它全都能自己干完，
最狠的是它不只是一个单纯的发稿工具，它还有一个完整的运营闭环：

会分析你的账号数据、拆解别人爆款的结构、生成内容+封面、自动发布、自动回评，

还会把所有分析结果和操作自动存成 Markdown 知识库，方便你后续复盘。

安装也简单到离谱：
打开 Openclaw，直接说
“帮我安装这个 skill https://t.co/ddsBfWMzR9”
就完事了。
仓库地址老规矩评论区自取鸭🦆

[Jiaran 嘉然 @_jiaran]

@AYi_AInotes 有试过的宝子们？小红书的风控一直在升级，加大检测使用 agent 操作浏览器，之前能用的方式现在可能就不行了🥹（我之前用的模拟浏览器操作的方案就已经被检测到了，现在不敢用了）
最好还是能用免登录的方式去做，要不然就专门注册一个小号去使用，大号要因此被风控限流损失就大了

[Jiaran 嘉然 @_jiaran]

@EgeAvar4 谢谢！欢迎使用之后给我反馈

[Jiaran 嘉然 @_jiaran]

自收集小红书的数据被风控+处罚警告后，我把 xhs-reader skill 修改成了👉免登陆👈的版本。

图片/视频下载（还是无水印的），图片长文贴存成 .md 文字版，视频贴存成逐字稿（为了方便学习回顾，我加了由 AI 自动生成的内容摘要和带时间戳的划重点），免登陆版本可以不用再担心被平台制裁，升级后的 xhs-reader skill 这下完全符合我的需求场景了😆

改成公开版后，让 codex 给我打包更新到 github 仓库，突然发现居然有 7 个 star 了！这个数字小到不值一提，但是对于一个不会写代码的小白来说，这种得到正反馈的满足感是非常强烈的。这个 skill 支持各种 Claude code/Codex/OpenClaw 等各种 agent，摘要部分的效果会受不同模型影响，欢迎下载使用体验😊～

另：发现一个有意思的事，最早 xhs-reader skill 是让 claude code 协助撰写和上传 github 的，Contributors（贡献者）那 Claude 署上了自己的大名，但是昨天我新上传了一个 content-reader（一个组合 skill，支持小红书/Twitter/B站/Youtube 四大平台的内容保存）是由 Codex 协助和打包上传的，Codex 就没有留署名……这么一对比，老克好要啊😂

[Jiaran 嘉然 @_jiaran]

https://t.co/6wLQSzY758

[Jiaran 嘉然 @_jiaran]

适用于小红书资源保存的 skill （免登陆版） 🔗 欢迎体验～
https://t.co/1P0f3fLID1

[Jiaran 嘉然 @_jiaran]

@koffuxu @berryxia 看引用的文中有详细的解释，评论里没放太多字

[Jiaran 嘉然 @_jiaran]

全网都在拆解 xAI/Twitter 推荐算法，我用代码逐条复核了，发现有些被广泛传播的结论（即使是明确标注了基于公开源代码分析的），其实也并不准确（见附图 1&2 ）

这里有一个 AI 认知的盲区，我认为绝大多数人都还没有意识到：使用 AI 辅助分析得到的任何结论，在没有经过严格复核和交叉验证前（最好是代码级别的复核）

——都不能直接相信

真的，这个坑我也是踩了很多次才意识到。

所以当我看到那些结构严谨/配图精美/文字翔实的深度拆解文章里，依然出现不那么准确的结论时，我意识到，或许他们也踩到了同样的坑。

为什么会这样？

这些质量很高的报告，看的出来确实是很用心写出来的，作者态度也都很求是，那为什么还会出现错误呢？

AI 模型拿到一个代码参数之后，会自动做一件事：在参数和结论之间补一条“看起来合理”的因果链。评论区参数存在→评论区当然影响主贴质量→所以要清理评论区，这条链每一步都“说得通”，但中间两步可能是 AI 从训练数据里的常识补上去的，不是代码说的。AI 特别擅长生成这种流畅的、自洽的、有专业感的推理链。

代码确实进了 AI 的上下文，但 AI 的输出里到底混进了多少训练数据里的“合理推测”？我们并不知道。如果不逐条回去跟代码对照，是看不出来的。文章越长越详细，这个问题反而越隐蔽，因为真的代码事实和 AI 补的推理缝合在一起，读起来是流畅的，而真实的代码事实+部分正确的结论+流畅本身，就是很容易让人放松警惕。

为了验证这一点，我做了一个实验：不严格约束边界，只用自然语言让 Claude Opus 4.7 / ChatGPT 5.5 基于 xAI 开源推荐算法的代码库进行分析，各跑两次，结果很有意思：

AI 给出的每条结论都有程度不同的偏差，而且每次产出的偏差方向也都不一样。部分实验结果见附图 3&4，图 3是 Opus4.7 给的方案，列出了代码位置，图 4 是 Codex 的复核。大家也可以自己去试一下这个实验。

你可能会问，基于代码分析都能有错？那到底怎么样才能得到没有幻觉的结论？

我的经验是：严格约束 AI 边界 + 同行评审（交叉验证）
1️⃣ 严格约束 AI 边界
不是“基于代码分析”，而是“以代码为依据”，这两者对于 AI 模型而言是不一样的。正如引文中第二张图中的提示词所示，你得严格要求只能从代码库里读取数据，不引用社媒上的用户总结，要求区分能从代码直接验证的机制和从代码推断的机制
2️⃣ Peer Review 同行评审
所谓当局者迷，AI 模型也会如此，代入/压缩了太多上下文之后，AI 模型就会开始出错，这个时候最好的方式就是让 AI 之间互相评审。不知道是不是我的错觉，Claude Code 和 ChatGPT / Codex 在挑对家模型错误的时候，额外犀利和敏锐😂（是的，我每次都会直言，这是 Codex 出的分析，你来审一下）
虽然费 token，但是真的值得。

我在上一篇推文中说“Code is law”，我想，或许不只是要用代码，我们还要知道怎么防止 AI 在代码事实上面“长出”它自己的推论

AI 模型可以帮助我们做信息搜集和协同写作，但我们依然需要用自己的判断来兜底每一个结论。

对自己创作和向外分享的内容负责，至少我是这样要求自己的，求是，求真。

[Jiaran 嘉然 @_jiaran]

你们知道吗？Grok 给的关于自家 X 的信息也并非完全准确，因为信息来源中存在很多过时/错误的信息，让 AI 模型产生了幻觉。
今天时间线上突然全是各种关于 X 算法更新的帖文，博主们都在“惊呼”以前的攻略没用了，我心想，这不是今年 1 .20 就已经上了全新推荐算法了吗😂 再仔细看了几篇，大多数都 AI 含量极高，且依然有一些或错误或过时的信息 ——我一点都不意外，甚至怀疑很多人连 X 算法的仓库都没有下载，看了老马的推特就让 AI 出文了。

在我看来，使用 AI 辅助提高效率没有错，省下来的时间里还是需要花上一些去分辨信息的来源和真伪，这比“去 AI 味”伪装成“手撸文”要重要的多，总是要为自己发布的内容负责的。

引文是 3 月初好朋友小包子 @KingJing001 发的一篇关于 X 平台策略的分析，受她的启发，我下载了 Github 上 X 算法的整个仓库，严格约束 Agent 只看代码和 X 官方网站信息做分析，得到了一份 100% 可信的/没有 AI 模型幻觉的版本，刷新了很多之前对于规则的错误认知，包括发现之前被 superGrok 给忽悠了😇

强烈推荐真的有兴趣想好好做 X 流量的，不用收藏一堆 KOL 关于 X 算法的总结（因为有可能是错的，也可能虽然是对的但是不适合你的情况），你只需要：
1️⃣ 下载公开的 X 算法代码（链接我丢评论里）
2️⃣ 用 agent （最好是 claude code / codex 各搞一个，搞个同行评审）在这个代码目录下创建一个工作区，提示词见图，不一定要我这么长的 prompt，关键是要限制只用目录内代码库 + 官方政策文档（不要甩链接，先下载下来再分析，不然 AI 默认会偷懒）
3️⃣ 分析完之后，你就可以用大白话问 agent 你关心的问题，让它基于分析结果来回答，比如我关心的问题是：如何尽可能的增加曝光？发帖的频率低影响曝光吗？之前马斯克吐槽过 tag 是 ugly 的，我在帖子内艾特他人/加 tag 影响流量吗？蓝标和粉丝关注比会不会影响曝光？AI 都会耐心逐一给你答案

如果还想对自己的账号进行全面的诊断，可以到 X 后台设置和隐私->你的账号->下载你的数据的存档，然后再用 agent 给自己的账号内容和数据做一遍全面分析，依据 X 算法代码的这份分析，给到你量身订制的策略建议。

Code is law. 当网上的信息早已是真假难辨，最顶级的 AI 模型也不能完全保证没有幻觉时，最可靠的信息来源还得是代码。

[Jiaran 嘉然 @_jiaran]

@qzhxjhj 实际上早在今年 1 月马斯克就已经开源过 X 算法了，这次是基于 1 月份版本的优化。很赞同主包说的用 AI 辅助理解代码，下载下来后让 AI 来帮助你进行阅读和分析。有感于时间线上一堆 AI 含量很高的算法分析攻略贴写了下文，纯手撸写了自己分析算法的实操心得，分享给有缘人
https://t.co/3hVHOn2yFD

[Jiaran 嘉然 @_jiaran]

你们知道吗？Grok 给的关于自家 X 的信息也并非完全准确，因为信息来源中存在很多过时/错误的信息，让 AI 模型产生了幻觉。
今天时间线上突然全是各种关于 X 算法更新的帖文，博主们都在“惊呼”以前的攻略没用了，我心想，这不是今年 1 .20 就已经上了全新推荐算法了吗😂 再仔细看了几篇，大多数都 AI 含量极高，且依然有一些或错误或过时的信息 ——我一点都不意外，甚至怀疑很多人连 X 算法的仓库都没有下载，看了老马的推特就让 AI 出文了。

在我看来，使用 AI 辅助提高效率没有错，省下来的时间里还是需要花上一些去分辨信息的来源和真伪，这比“去 AI 味”伪装成“手撸文”要重要的多，总是要为自己发布的内容负责的。

引文是 3 月初好朋友小包子 @KingJing001 发的一篇关于 X 平台策略的分析，受她的启发，我下载了 Github 上 X 算法的整个仓库，严格约束 Agent 只看代码和 X 官方网站信息做分析，得到了一份 100% 可信的/没有 AI 模型幻觉的版本，刷新了很多之前对于规则的错误认知，包括发现之前被 superGrok 给忽悠了😇

强烈推荐真的有兴趣想好好做 X 流量的，不用收藏一堆 KOL 关于 X 算法的总结（因为有可能是错的，也可能虽然是对的但是不适合你的情况），你只需要：
1️⃣ 下载公开的 X 算法代码（链接我丢评论里）
2️⃣ 用 agent （最好是 claude code / codex 各搞一个，搞个同行评审）在这个代码目录下创建一个工作区，提示词见图，不一定要我这么长的 prompt，关键是要限制只用目录内代码库 + 官方政策文档（不要甩链接，先下载下来再分析，不然 AI 默认会偷懒）
3️⃣ 分析完之后，你就可以用大白话问 agent 你关心的问题，让它基于分析结果来回答，比如我关心的问题是：如何尽可能的增加曝光？发帖的频率低影响曝光吗？之前马斯克吐槽过 tag 是 ugly 的，我在帖子内艾特他人/加 tag 影响流量吗？蓝标和粉丝关注比会不会影响曝光？AI 都会耐心逐一给你答案

如果还想对自己的账号进行全面的诊断，可以到 X 后台设置和隐私->你的账号->下载你的数据的存档，然后再用 agent 给自己的账号内容和数据做一遍全面分析，依据 X 算法代码的这份分析，给到你量身订制的策略建议。

Code is law. 当网上的信息早已是真假难辨，最顶级的 AI 模型也不能完全保证没有幻觉时，最可靠的信息来源还得是代码。

[Jiaran 嘉然 @_jiaran]

官方算法库，老马承诺以后每月会更新：
https://t.co/ncVATwGAqF

[Jiaran 嘉然 @_jiaran]

你们知道吗？Grok 给的关于自家 X 的信息也并非完全准确，因为信息来源中存在很多过时/错误的信息，让 AI 模型产生了幻觉。
今天时间线上突然全是各种关于 X 算法更新的帖文，博主们都在“惊呼”以前的攻略没用了，我心想，这不是今年 1 .20 就已经上了全新推荐算法了吗😂 再仔细看了几篇，大多数都 AI 含量极高，且依然有一些或错误或过时的信息 ——我一点都不意外，甚至怀疑很多人连 X 算法的仓库都没有下载，看了老马的推特就让 AI 出文了。

在我看来，使用 AI 辅助提高效率没有错，省下来的时间里还是需要花上一些去分辨信息的来源和真伪，这比“去 AI 味”伪装成“手撸文”要重要的多，总是要为自己发布的内容负责的。

引文是 3 月初好朋友小包子 @KingJing001 发的一篇关于 X 平台策略的分析，受她的启发，我下载了 Github 上 X 算法的整个仓库，严格约束 Agent 只看代码和 X 官方网站信息做分析，得到了一份 100% 可信的/没有 AI 模型幻觉的版本，刷新了很多之前对于规则的错误认知，包括发现之前被 superGrok 给忽悠了😇

强烈推荐真的有兴趣想好好做 X 流量的，不用收藏一堆 KOL 关于 X 算法的总结（因为有可能是错的，也可能虽然是对的但是不适合你的情况），你只需要：
1️⃣ 下载公开的 X 算法代码（链接我丢评论里）
2️⃣ 用 agent （最好是 claude code / codex 各搞一个，搞个同行评审）在这个代码目录下创建一个工作区，提示词见图，不一定要我这么长的 prompt，关键是要限制只用目录内代码库 + 官方政策文档（不要甩链接，先下载下来再分析，不然 AI 默认会偷懒）
3️⃣ 分析完之后，你就可以用大白话问 agent 你关心的问题，让它基于分析结果来回答，比如我关心的问题是：如何尽可能的增加曝光？发帖的频率低影响曝光吗？之前马斯克吐槽过 tag 是 ugly 的，我在帖子内艾特他人/加 tag 影响流量吗？蓝标和粉丝关注比会不会影响曝光？AI 都会耐心逐一给你答案

如果还想对自己的账号进行全面的诊断，可以到 X 后台设置和隐私->你的账号->下载你的数据的存档，然后再用 agent 给自己的账号内容和数据做一遍全面分析，依据 X 算法代码的这份分析，给到你量身订制的策略建议。

Code is law. 当网上的信息早已是真假难辨，最顶级的 AI 模型也不能完全保证没有幻觉时，最可靠的信息来源还得是代码。

[一龙小包子 @KingJing001]

今年决定要对外输出，在小红书和公众号先写出了几篇流量口碑双爆的优质内容，完成了初步验证，并在好友 @mablemeibao 建议下开始同步做 𝕏。

知己知彼才能成功，我和最顶级的模型们深入研究了平台算法和数据测试，全部基于开源代码和严格官方口径，经过几轮事实核查和策略优化，得到了在 2026 年 3 月这个时间点最核心的结论：

1. 回复再回复是最重要的行为
之前多少有一些对「三连转赞评」的惯性思维，看过 github 源代码才发现点赞转发其实不值钱，激发回复、然后再进一步回复对方才是最高效的做法，拥有可控范围内最高的行为权重，收益最大

2. 起步阶段的账号需要重互动轻内容
我因为对自己的内容质量实在是太过自信，反而陷入「一力降十会」的误区。在早期，其实应该分配 80% 的时间在写回复上，包括回复自己推文的评论和在大号评论区写高质量回复。要想办法让更多人先看到你

3. 日常直接写长推文，定期再整理成文章格式
直接发布推文形式更有助于早期互动（第一条：回复再回复），获得更多算法推荐。但推文内容会全部局限在推特站内，不会再有长尾曝光的机会。真材实料的博主要记得定期把你最好的输出整理成原生推特文章的格式，这样可以被谷歌等站外索引到，能被搜索，是你个人的作品集。

在调研过程中我发现，大部分你看到的现成二手结论、或者直接问 AI 得到的回复（哪怕是 claude opus 这种顶级模型），都存在大量事实错误。也因此我认为我这份深度报告有很大的价值，因为我额外做了多轮的交叉验证、事实核查，确保每一条结论都有严谨的出处。

由于是个人策略定制版，涉及到较多隐私，无法直接全文分享。但已经读过我内容的朋友应该很了解我，我的所有分享都是尽量开源、授人以渔、从未收费。所以如果你有任何问题，请直接评论，我会在资料库里索引以后给你最准确的答案。

研究平台规则只是最基础的起步，还有很多需要持续学习和摸索的地方。欢迎各位大佬多多指教，一起进步，互相成就。