Emma

[Hermes Stone 🪽 @hermestone]

meninas, olha esse colorfest nas unhas, várias cores para deixar a nail art ainda mais linda!

[熟韻美（接投稿） @xdd1458]

这居然是林志玲？不听说话声完全认不出来是她了，之前是幼态又很网红的脸，现在素颜出镜整个面相都变了，一眼看上去就是个日本女人的感觉

[Miguel Araiza @miguelaraizac]

The New York Times ha finalizado su lista de las mejores series del siglo.

Breaking Bad tomó el primer puesto.

[メグちゃん @macbookmacll]

夜でもできるノージャンプ有酸素はこれ🔥
ドタバタしないのに普通にキツいwww
家で汗かきたい日はこの6種やってみて🥹

[AYi @AYi_AInotes]

刚挖到的神仙频道，这制作水平放整个油管也是降维打击啊喵的，
强烈建议铁汁们拿这条视频当入门，看懂未来十年全球供应链的真正咽喉在哪，

真的是我今年看过把全球地缘战略讲得最透的视频，没有之一，
建议全屏静音看一遍，太高级了啊啊啊啊啊！

[佐伊 @zuoyi153917761]

每天固定80%的数字，生活变得清晰。

[大厂白洁 @santoulang]

陈冲在1980年代可太美了，英文也那么地道。

她小时候就跟着广播电台学英语。那个年代能把26个字母认全的人都不多，她对自己的英语一直比较有信心。

14岁上影厂选角时，既不会唱也不会跳，复试靠脱稿用英语朗诵毛主席的《为人民服务》进了厂。

她移民美国后，著名演员杰克·尼克尔森后来对她说过一句很有名的话：别追求说得像土生土长的美国人，那种人到处都是，你自己的英语才是独一无二的。

陈冲后来也接受了这一点，不再死磕“完美无口音”。

[心灵书舫 | SoulSloop @SoulSloop99]

每位家长都应懂乌鸦定律！当儿女不尊重你时，不要愤怒，不要讲道理，牢记乌鸦定律就够了，这是最有效的处理方式。因为心理学家曾经说过，真正的倾诉是放下自己的判断，用对方的心去感受他的世界。

我发现呀，现实中许多父母在面对儿女不尊重时，第一反应往往是愤怒，甚至是指责。你苦口婆心讲道理，孩子却嫌你唠叨。你严厉批评他的态度，他却摔门而去。这个时候不妨停下来想一想，为什么？我们的爱换来的却是疏远？

前段时间一个朋友跟我倾诉，他说他上初中的女儿最近对他是爱搭不理。每天早起做饭、接送上下学，可女儿一回到家里就躲进房间打游戏，连句谢谢都没有。有一次他忍不住抱怨：我这么辛苦，你就不能体谅我吗？女儿却冷冷的回了句：“你自愿的，我又没逼你。”

其实呀，这样的情景在我多年辅导过的家庭并不少见。当孩子不尊重父母时，情绪对抗只会让你们关系更僵。心理学上有个词，“乌鸦定律”，它告诉我们，与其改变孩子，不如先改变自己。

“乌鸦定律”的核心就是：你对待他人的方式最终会像回旋镖一样回到我们自己身上。就像乌鸦的叫声，你若冲它怒，它反而叫得更凶。若你保持平静，它反而停止聒噪。

我前面说的那个朋友，我发现他平时总是抱怨女儿叛逆，每次女儿回来晚了，他总是像审犯人一样质问：又去哪儿了，能不能让我省点心。女儿要么翻白眼，要么直接回怼：你管得着吗？最后关系越来越差。

后来我建议他换一种方式。女儿晚归时，他不再是劈头盖脸的批评，而是平静的说：这么晚回来，我有点担心你。

接着是一阵温馨的沉默，起初女儿愣住，后来渐渐主动解释同学过生日手机没电了。如今两人关系缓和了很多，甚至能坐下来聊心事。你看，当他停止用指责的态度对待女儿，女儿反而更愿意敞开心扉。

为什么牢记乌鸦定律最有效？

一、情绪对抗只会激发叛逆

心理学研究发现，人在被指责时，大脑会本能的进入战斗或者逃跑的模式。你越愤怒，孩子越会竖起心理高墙，用冷漠和顶嘴来保护自己。

比如你吼“你怎么这么没有礼貌”，孩子心里想的可能是“你凭什么说我，你也不尊重我呀”。

但如果你说“你刚才的话让我有点难过，能聊聊吗？”，孩子反而会反思自己的态度，把对抗变成对话，关系才有转机。

二、讲道理不如做榜样

许多父母喜欢用“我吃过的盐比你吃过的米还多”来教育孩子，但孩子真正在意的是你自己做到了吗？

我的邻居，总是抱怨儿子沉迷手机，但他每天下班也躺在沙发上刷短视频。后来他突然戒掉手机开始读书。他说他儿子有天突然好奇地问他：爸爸你怎么不玩了？他说我发现看书比刷手机有意思。三年后儿子竟主动找他借书。

你看，父母的行为才是孩子潜意识模仿的模板。

三、尊重是相互的

孩子的问题往往是家庭关系的镜像，如果父母总是用命令、贬低的方式来对待孩子，孩子自然会用不尊重来反击。

曾经一位单亲妈妈说，她儿子总对她大吼大叫，跟孩子沟通后才发现，她平时对孩子说话也是带着讽刺：考这么点分将来能有什么出息。后来她改用鼓励的语气：这次比上次进步了啊，下次我们再努力一些。儿子的态度也渐渐软化。

其实呀，尊重就像照镜子，你先笑，镜子里的脸才会笑。

四、接纳现状，才能改变未来

强迫孩子立刻改变，就像手捏弹簧，压得越紧，反弹就越狠。接纳孩子当下的情绪，给彼此留出空间。

比如孩子说：烦死了，别管我，你可以回答：好，你先冷静一下，等你想聊了随时找我。

这句话传递了两个信息，一是尊重他的情绪，二是表明了你一直在。往往不出半天孩子就会主动找你道歉。

生活中运用乌鸦定律的4个方法

第①步：按下情绪暂停键

当孩子顶撞你时，先深呼吸3次，默念愤怒解决不了问题，暂时离开现场，去厨房倒杯水或者整理书架，等情绪平复后再心平气和的沟通。

第②步：用“我信息”代替“你信息”

尝试把“你怎么这么不懂事”，换成“我刚才有点难过，因为我很在乎你的态度”。前者让孩子觉得是被攻击，而后者让孩子感受到你真实的感受。

第③步：从小事激励信任

每天找一个孩子做对的事情，真诚的夸赞：你今天倒了垃圾，帮了大忙。这些正向反馈会让孩子觉得，原来爸妈能看到我的好。

第④步：守住底线，温柔而坚定

孩子不尊重你时，可以严肃的说“我不接受你这样说话”，但不必咆哮或者翻旧账。就像列夫大师常说的，态度要坚决，语气要温和。

心理学家阿尔弗雷德•阿德勒曾说，人际关系的一切烦恼都源于对别人课题的干涉。愤怒和讲道理，本质上就是想控制孩子的反应。你无法让孩子立刻变成理想当中的模样，但你可以用平静代替暴躁，用尊重换取尊重，用行动代替说教。记住，与其抱怨愤怒，不如自己先做出改变。

[Rey｜英语自由与判断 @ReynoldDai]

世界顶尖大学的免费开放课程和资源 50 选

0) GPT-6 Astra

1.) https://t.co/IEfr9jSPD7 → 哈佛传奇计算机课程
2.) https://t.co/8a9nQPhV07 → 麻省理工全部课程材料
3.) https://t.co/hpAusd38Xh → 斯坦福免费课程档案
4.) https://t.co/wqpyfyWkU4 → 耶鲁公开课程录像
5.) https://t.co/IDozwZKLR4 → 伯克利开放教育资源
6.) https://t.co/RYOXxFdP8K → 密歇根公开课程合集
7.) https://t.co/aknkcTlzcK → 麻省理工开放学习平台
8.) https://t.co/TPFk9SsodB → 开放大学免费课程
9.) https://t.co/pYf1jFl40g → 代尔夫特工程课程
10.) https://t.co/UHmDeY85Rf → 旁听模式免费观看
11.) https://t.co/GOGBPP9Zqw → 世界大学课程
12.) https://t.co/8M0iJ4MEqM → 免费短课程
13.) https://t.co/NeN7X7bWEw → 所有免费课程目录
14.) https://t.co/saeSr9KZG1 → 带证书的免费大学课程
15.) https://t.co/AEWVzSKxuF → 免费大学课程教材
16.) https://t.co/JM2a1rxqfR → 开放获取学术书籍
17.) https://t.co/Dwb5Lsy3fD → 开放教育资源档案
18.) https://t.co/QtYAJ6LpAp → 教学材料合集
19.) https://t.co/tlb29Xssn9 → 从零开始的数学和科学
20.) https://t.co/mfNlvf1fgG → 通过解题学习
21.) https://t.co/rP2GNoGFsR → 数学可视化
22.) https://t.co/kGnbkofgWX → 直观讲述数学
23.) https://t.co/pHo5NQoJqC → 自适应数学程序
24.) https://t.co/SNkJGb4H03 → 微积分课程笔记
25.) https://t.co/aYtmzezZ1E → 动态绘制图形
26.) https://t.co/xZdspUV0uM → 几何与代数工具
27.) https://t.co/GdwSlOVCNW → 一步步数学求解
28.) https://t.co/pzbNM99I5N → 掌握物理主题
29.) https://t.co/n0LG7hQI0A → 物理概念图
30.) https://t.co/meSxSEQ6ge → 费曼的物理课程
31.) https://t.co/iruFpZawkT → 化学课程图书馆
32.) https://t.co/SxvB75LR3D → 生物学视觉资源
33.) https://t.co/V9ea7FFCog → 遗传学学习中心
34.) https://t.co/tRgfeD0ahf → 神经科学基础
35.) https://t.co/vtp7EyNAzN → 斯坦福哲学百科
36.) https://t.co/efvamjGw7j → 互联网哲学百科
37.) https://t.co/XejQ1lGjzD → 哲学入门资源
38.) https://t.co/dKIz6J7UN6 → 各主题加速课程
39.) https://t.co/zlGGGa4xxq → 专家讲解
40.) https://t.co/WuKPMMgMZr → 思想与科学内容
41.) https://t.co/e2SkY1OhSf → 深度试读文章
42.) https://t.co/GhVN4V5xQd → 最佳科学新闻
43.) https://t.co/mSSoUSCuRA → 科学与文化文章
44.) https://t.co/sprFg3CYCy → 科学论文预印本
45.) https://t.co/ObVzfn1cnu → 机器学习可视化
46.) https://t.co/G0YIhsrDNd → 从实践开始的人工智能
47.) https://t.co/zfp0a3lBYg → 通过编码深度学习
48.) https://t.co/rEpNQzEvmH → 从晶体管构建计算机
49.) https://t.co/LT7d9Au3iT → 计算机科学核心课程
50.) https://t.co/4Pe1Pc7T7g → 学习顺序与路线图

世界上最好的教育是免费的

[Mahax @Mahaximus_]

Google just released the best 1-hour course on Graph Engineering: from single agent to a full 24/7 system

00:00 - What Graphs are
09:16 - Build an agent
21:15 - Graph engineering explained
41:03 - Graph engineering practice
52:21 - Self improving Graphs

Free, the best thing on Graph engineering I've come across

Watch it, then build your first graph with the step-by-step guide below

[AYi @AYi_AInotes]

大家好不容易翻墙出来还是要多看看英推区的优质内容，
比如这个视频，整整 60 分钟,Anthropic 资深工程师刚放出来的这门多 Agent 架构课,
直接把市面上卖 500 刀的所谓培训课干得粉碎!
没有一句空洞废话,全在讲怎么用状态图把一群 Agent 焊成一支自进化的工程团队,
把 1 小时视频嚼烂,核心就这 4 级台阶:
1️⃣ 计划模式与 CLAUDE.md 筑底:
别一上来就让模型盲打代码,用固定的项目规范文件把规则说死,先出完整计划再动手;
2️⃣ 构建 Skills 武器库与 Hooks 刹车片:
给 Agent 注入专属技能包,并在执行关键写入与删除前,用钩子机制强制拦截审批;
3️⃣ 主从子代理矩阵协同:
彻底放弃单兵全能的幻想,大模型当总指挥拆解任务,把具体脏活派发给不同上下文的独立子代理;
4️⃣ 自改进循环与状态图闭环:
最狠的一招,把 Agent 锁在状态图回路里,写完必须自己跑测试、看报错、自我修改,不跑通自测绝不交差。

大家别再花冤枉钱买那些二道贩子的什么提示词和AI课了,
官方工程师已经把多 Agent 协作的底盘代码摆在台面上了。
带完整时间戳和中文笔记整理在下面了,收藏起来慢慢啃!

[Hux @huxlab]

今晚别刷Netflix了。

去看这个SpaceX AI工程师1小时的课程。

这是我见过最清晰、端到端讲透GrokBot到底该怎么真正用起来的课。

从单agent开始，一路到loop、graph、多智能体协作、verification和agent-friendly架构。

不管你是从没认真跑过agent，还是已经天天在用GrokBot，看完都会把很多“原来如此”的点一次打通。

真正核心就这几层：

1. 99%的人只用1个agent，没用loop和graph，只发挥了1%实力

2. 真正的新stack是Chief of Staff + PM + 20+ workers全自主团队

3. 怎么用高质量skills让agent像真工程师一样干活（pstack）

4. 怎么把代码和架构改成agent-friendly（Dune、contract、CI）

5. 怎么用verification让自己真正敢把活交给它们，而不是一直盯着

大多数人花好几个月才拼出的全景图，这节课直接给你画完。

把时间空出来，这可能是你这个月最值的一堂课。

[Muscle Blueprint - Fitness | Health | Abs @MuscleB1ueprint]

9 Exercises for Hip and Knee Health

[胡蔚 @yoyo138168]

广东人一周饮食！蒸菜清淡少油，烹制省事！

[泊舟 @bozhou_ai]

Anthropic 发布了 37 分钟的指南，用于构建自动化整个公司的 AI 代理。

完全免费。由构建 Claude 的工程师提供。 能够工作的代理，会分配任务并独立执行一切。

我已经烧录为中文字幕。并且附带中文课件，先收藏后学习

[Mobility Exercises | Pain Relief Workouts @FeelGoodMovez]

If I only had 10 minutes for mobility, I'd start here 👇

1.

[小盖 @xiaogaifun]

好久没听到 Sam Altman 的播客了，今天这一期真的是信息量真挺大。

我知道很多人对 Sam Altman 有一些不好的印象，但无论如何，我觉得他都是目前世界上最好的 AI 公司的一把手，他的一些思考和观点应该能够给我们启发。

这期播客，他从 OpenAI 为什么收缩业务、为什么疯狂囤算力，一直聊到 Kimi、开源模型、机器人和人在 AI 时代的价值。很多问题都讲得很具体。我总结下自己的收获。

1、OpenAI 过去一年最大的问题是不聚焦。2025 年初，他们还不确定 AI 收入能不能支撑已经签下的巨量算力，所以一度考虑过做更多的 ToC 产品，甚至后来还成立了单独的应用事业部，核心思路就是希望在模型需求增长不及预期时，也能找到其他方式消化 GPU。

但后来模型收入快速增长，AI 的经济回报逐渐明确，OpenAI 才决定砍掉一部分探索，把资源重新集中到模型、算力和核心产品上。

2、Sam 说现在 OpenAI 的定位已经很清楚了，他们的核心业务，是生产足够好、足够便宜的智能，再让其他公司基于这些智能开发新的产品。

为此，OpenAI 需要同时处理模型、芯片、服务器机架、土地、电力、数据中心，未来甚至还需要用机器人降低整个供应链的成本。

他们没有兴趣，也没有能力亲自做完所有垂直应用，更希望 OpenAI 成为智能时代的底层平台。

3、OpenAI 之所以敢提前锁定巨量算力，核心判断是 AI 的需求几乎没有上限。

这一点和梁文锋的判断很像。电脑刚出现的时候，人们认为全世界只需要几台电脑，但每次计算成本下降，人类都会创造出新的需求。

模型越强、价格越低，人们就越愿意让 AI 承担更多工作。OpenAI 做的事情，本质上是把电力转化成有用的智能。

4、真正让 OpenAI 对这条路线建立信心的模型，是 GPT-4，不是 GPT-3.5。

GPT-4 让他们第一次确认，模型已经聪明到足以继续解决推理问题。一旦推理能力成熟，模型就能从回答问题，走向执行任务，也就是后来大家所说的 Agent。

Sam 当时已经相信，这些 Agent 可以承担大量真实的经济工作。

5、去年推动大规模算力采购时，几乎没有多少人相信这件事。很多云厂商、芯片工厂和能源公司都觉得，AI 需求不可能长期高速增长，OpenAI 提出的采购规模也太激进。

Sam 说他当时的心态很像早期创业融资，大多数人拒绝并不重要，关键是逐个去谈，先找到一两个愿意下注的人。这一点挺有意思，我觉得这种思维方式就挺好的。

6、提升 AI 算力，不只有继续买 GPU 这一条路，短期内更大的机会可能来自软件优化。

毕竟买 GPU 增加的是原始算力，而通过软件优化，则可以把已有算力用得更充分。哈哈哈，这不就是国内公司重点在做的事情嘛。

通过改进算法和计算方式，减少无效计算和资源闲置，同样数量的芯片、同样多的电力，可以生成更多 Token，完成更多任务。

简单来说，过去需要十张卡完成的工作，经过优化后，未来可能只需要更少的卡。对缺少顶级芯片的公司来说，软件效率本身就是一种算力。

7、面对 Kimi 和越来越多便宜且智能水准不错的开源模型，Sam 的观点是，世界上一定会出现很多优秀、便宜的模型，也一定会有人因为私有部署、修改权重和数据安全选择开源。

而 OpenAI 的目标是覆盖从高智能到低价格的整条曲线，在不同速度、价格和能力要求下，都提供有竞争力的模型。

8、其他公司可以蒸馏前沿模型，再用更低的价格提供服务，但 Sam 并不认为这会动摇 OpenAI 的商业模式。

因为训练模型和调用模型，是两笔不同的账。训练下一代前沿模型，需要一次性投入巨额资金。

模型发布之后，每一次 API 调用和 Agent 执行任务，都会持续带来推理收入。

Sam 判断，未来人们会把大量工作交给 AI，整个推理市场可能大到难以想象。

即使每次调用赚得不多，只要调用量足够大，累计利润依然可以覆盖下一代模型的训练成本。

OpenAI 真正押注的不是高价和高毛利，而是智能使用量会持续爆发。

9、今天的模型已经非常接近 AGI，但还缺少几项关键能力。第一，面对一个极其复杂的任务，比如治愈某种癌症，它还不能自己拆解问题、设计实验、推进研究，最后交付结果。

第二，它还很难进入物理世界，独立控制机器人完成复杂操作。第三，它缺少持续学习能力，完成任务之后获得的经验，并不会立刻沉淀成新的能力。

简单来说，现在的模型已经很会思考和解决局部问题，但还不能长期自主行动，也不能一边工作一边成长。

完整 AGI，应该能够理解目标、持续行动、从结果中学习，最终独立完成一整件复杂的事情。

10、AI 发展的瓶颈一直在变化。早期真正稀缺的是研究思路，团队还不知道怎样训练出更聪明的模型，给再多算力也没有用。

技术路线逐渐明确后，有了大量值得验证的想法，算力开始成为决定性因素。

后来公开数据接近用完，数据又成了新的限制。现在数据问题已经通过合成数据、强化学习等方法得到缓解，最近半年新的研究思路也明显增多，于是瓶颈再次回到算力。

因为每一个新想法都需要大量实验验证，算力越多，团队试错越快，下一代模型也越早出现......

11、Sam 已经修正了自己对 AI 失业的判断。2019 年的他如果提前看到今天的模型，大概会认为大量工作已经消失，全球经济也会发生剧烈变化。但现实远没有这么快。

原因是模型的能力非常不均匀，它可以在写代码、分析资料等任务上超过大多数人，却可能在常识判断、长期执行和处理复杂现实环境时频繁出错。

一个岗位通常包含很多不同任务，AI 即使能做好其中一部分，也很难直接接管整份工作。

更常见的情况是，人把适合 AI 的环节交给模型，自己继续负责判断、协调、承担责任和处理意外。

AI 对工作的影响会先表现为任务被重新分配，再逐渐推动岗位发生变化，很少会在一夜之间让整个职业消失。

就像去年很多人说程序员这职业完了。结果现在看，程序员没消失，只是工作方式发生了巨变：不再是传统意义上的手写代码，而是更像 orchestrator + 产品/系统设计师。

12、Sam 从 ChatGPT 的诞生中得到的产品经验，是观察用户在一个并不好用的工具里，仍然坚持做什么。

如果一件事情操作很麻烦，用户还愿意反复尝试，通常说明背后存在非常强的需求。ChatGPT 最初只是一次研究预览，团队并没有预料到它会成为一个现象级产品。

13、Codex 能领先，主要还是因为模型和产品本身做得更好，ChatGPT 带来的分发优势其实很小。

智能本身最终会越来越像一种可以自由购买和替换的标准化商品。

真正能够长期积累的优势，来自 1）大规模、低成本的算力，2）算力、模型和产品之间的协同效率，3）复杂工作流、团队协作、集成生态，4）品牌偏好和长期信任。

简单来说，模型领先很重要，但很难永久领先。真正的护城河，是一家公司能否用更低的成本持续获得智能，再把这些智能嵌入用户很难迁走的产品和工作流程里。

14、现有电脑并不适合真正的 AI Agent。键盘、鼠标和显示器这套形态已经延续了大约五十年，它适合人主动操作软件，但真正的 Agent 却需要长期理解用户的处境，知道用户正在和谁交流、看过什么资料、讨论过什么问题，在合适的时机主动提供帮助。

OpenAI 折腾新硬件的主要动机之一，就是为 AI 设计一套原生载体，让它能够持续感知环境、理解上下文并主动工作。

15、即使超级智能突然出现，世界也未必会在第二个月立刻发生巨变。

模型能力可以快速突破，但企业流程、基础设施、法律制度和人的习惯仍然需要时间调整。

技术发展是一条持续加速的曲线，每个十年都比前一个十年变化更大，但生活在其中的人会很快适应。

16、其实现在，随着 AI 的成熟，最可怕的问题是 AI 会不会让人的认知能力逐渐退化。AI 可以帮我们查资料、写代码、分析问题，甚至直接给出结论。

效率确实提高了，但人也可能因此不断跳过理解、推理和验证的过程。

时间久了，我们也许还能完成工作，却越来越说不清结果为什么成立，系统出了问题也不知道该从哪里判断。

这一点我也深有感受。其实就像计算机出现之后，我是觉得人类的记忆力是有衰退的。举个例子，比如导航的存在会让很多人不认路了。

随着越来越多思考被交给 AI，真正需要保留的，是对事物的基本理解、独立判断和形成观点的能力。

否则，人类外包出去的不只是工作量，还可能包括自己的判断力、品味和世界观。

但这部分也是一个社会问题。因为人毕竟会本能地选择更省力的方式。一旦 AI 可以更快、更便宜地给出答案，大多数人很难长期坚持自己查资料、推理和验证。只靠个人自律，恐怕解决不了认知退化的问题。

播客链接见评论区。

[Hux @huxlab]

Claude Code 工程师刚刚放出了一个 28 分钟的实操视频，彻底把我看麻了。

别再去复制那些毫无营养的“AI 提示词模板”了。

这老哥亲自下场，毫无保留的教你如何真正榨取 Claude 200% 的生产力：

从基础的如何配置完美的 CLAUDE.md、到持久化上下文记忆、多线程并行会话，以及那些没人告诉你的高阶 Prompt 逻辑。

我花大价钱买过的那些课，干货密度可能连他头 10 分钟的一半都达不到。

而且最爽的是：全免费。

不管你是刚学编程，还是像我一样整天在终端里切 Tmux 疯狂写全栈项目… 看完这个，你会用一种全新的上帝视角去管理你的 AI 编码工作流。

强烈建议码住。

以后你每次重构项目架构的时候，都会回来翻看无数遍

[Hux @huxlab]

这28分钟视频直接把我点醒了。

Anthropic工程师说得很清楚：

“你不需要更好的提示词。你需要的是图工程：持久的记忆，这样你的代理永远不会忘记任何事情。”

他完整演示了Anthropic内部到底怎么搭agent、怎么组织工作流。

不是那种堆prompt的玩法，而是真正把记忆做成持久图谱，任务之间能互相引用、互相纠错。

比市面上那些收费agent课强太多了。

强烈建议存下来反复看。