Xin Feng

@source_engine1 Founder | 2018 @JSKstanford Fellow | Former reporter with @CGTNOfficial & @ChinaDaily | Proud @uiowa & @uniofleicester alumna

[Xin Feng @cynxfeng]

I guarantee you that this is worth subscribing.

[SourceEngine @source_engine1]

We are launching a weekly newsletter in Chinese! SUBSCRIBE to check out the most credible and relevant sources and data that tell China and the World! https://t.co/ebArNajw1j #newsletter

[Bitturing @Bitturing]

斯坦福大学刚刚发布了免费的在线课程

完全免费

以下是2025年你不想错过的热门课程：

[宝玉 @dotey]

推荐阅读：《专访"Prompt之神"李继刚 - 我想用20年时间，给世界留一句话》

李继刚表达了一个核心观点：“真正重要的是人的思想和认知，AI 只是帮助我们表达和实现的工具。要想更好地使用 AI，关键是提升自己的思考深度和知识储备。”

李继刚不是在讲技术层面的"如何写 Prompt"，而是在探讨更深层的认知方法论：如何通过持续学习和思考，提升自己的认知深度，从而自然而然地提升 Prompt 的质量。

一些有价值的观点：

1. 知识压缩的艺术
- 从大量阅读和复杂表达，到极致压缩成几个核心关键词
- 一个词能触发大模型进行完整的知识展开
- 真正的核心不是用什么形式（Lisp/Markdown），而是那些被压缩后的核心概念

2. Prompt 与个人知识的关系
- "Read in, Prompt out" - 输出的上限取决于输入的深度
- 优秀的 Prompt 背后是大量的知识积累和思考
- 没有扎实的知识储备，就无法写出真正有深度的Prompt

3. 框架的局限性
- Prompt 框架（如CRISPE等）只是入门的脚手架
- 过度依赖框架反而会限制思维的发展
- 真正的进阶是找到自己最清晰的表达方式

4. Prompt 工程师的双重属性
- 需要理性的编程思维：结构化、逻辑性
- 需要感性的写作能力：表达力、创造力
- 这两种能力的交集才是真正的 Prompt Engineer

5. 思想深度的重要性
- 不是炫技，而是追求表达的本质
- 通过持续学习和思考来提升认知深度
- 最终目标是能够直击问题核心，找到最优解

文章地址：https://t.co/LX5qWMyqIK

[Xin Feng @cynxfeng]

@DonLDay @jenniferdargan hahaha, JSK deliverable.

[B&S @_B___S]

Very touching :( The way he looks back, unsure whether to stay or go...

[University of Iowa @uiowa]

Class of 2027 by the numbers:

💛 Fourth-largest class in university history
🖤 Record-breaking GPA average of 3.83 📈
💛20% first-generation 🥇

[xwh @xuwenhao]

Paul Graham最近的“How To Do Great Work”真是字字珠玑，要是我在十几岁的时候就能读到这样的东西就好了。推荐所有想要做点事情的人都读一下。

我看也有人做了人肉翻译的工作，中文译文也还不错。

https://t.co/66Ek1h9a4O
https://t.co/HvH2pnfpAt

[University of Iowa @uiowa]

First class photo for the Class of 2027. It’s great to be a Hawkeye!

[University of Iowa @uiowa]

Picture day 😁🐤

[全球深度报道网 @gijnCh]

🔧 顾名思义，Mailbrew 是一款在 mail（邮件）中为你 brew（调制）“信息咖啡”的应用，工作原理有点像“转运服务”，而且新闻信、RSS 链接，以至 YouTube 频道、Twitter 列表等都可以作为配方，你还可以根据喜好来安排每天邮件的版式： https://t.co/fuKtGG7eiF

#工具推荐

[AI Will @FinanceYF5]

著名的《斯坦福AI小镇》正式开源！

这是 2023 年最鼓舞人心的人工智能代理实验之一。

25 个人工智能代理居住在数字西部世界中，却没有意识到自己生活在模拟中。他们去工作、闲聊、组织社交活动、结交新朋友，甚至坠入爱河。每个人都有独特的个性和背景故事。

GitHub： https://t.co/tkdbiLOdll

[Bear Liu @bearliu]

前段时间我发了一个帖子，叫“再见微信”，宣布我之后不再在微信发各种内容。想说一下自己的一些感受和思考。有的朋友可能已经知道，整个互联网上所有的内容中，中文信息占比是1.4%，也就意味着整个互联网上所有的内容，你所阅读的内容，可以查阅到的文献，中文连2%都占不到。一部分原因是因为我们都知道的审查，另外一部分原因是因为封闭。
根据信息论之父克劳德·香农最早创立信息论的时候的一个观点，信息只有当你没有的时候，才有它的价值。如果是重复的信息，是没有价值的，就像你说我昨天吃了一碗饭，对方也说我昨天吃了一碗饭，你们俩之间没有什么新的信息产生。而微信的管制和封闭，更是会放大这种趋同。于是好像所有人都岁月静好，其实不是因为没有事情发生，只是你看不到，也发不出。

这是我不喜欢微信的一个重要原因，不是说微信产品做的不好，从软件产品的角度来说，微信是一个很牛逼的产品，但这不是我想要使用它的原因，它的牛逼跟我没关系。

[5key @5key]

上周发出来到现在，这个「年度订阅模板」 Notion 模板已经有 200 多位朋友在使用。😃
既然有不少人感兴趣，那我还是得继续优化一下。

这次主要做了以下改动：
1. 增加了 Timeline 视图，可以查看近期即将到期和已到期的订阅；
2. 补充增加了一些常见订阅服务，大家只用填写部分字段即可使用；
3. 优化了一些数据字段和公式逻辑。

待我全部调整完善后再发出。

[向阳乔木 @vista8]

https://t.co/wH0etoEaMH

Google推出的说唱乐歌曲作词工具，完全免费。

另外想到两个妙用：

1. 英文写作辅助。比如给一个单词，自动帮你生成比喻、场景感受、联想。指定首字母，给出类似单词和表达。

2. 英语单词/词组学习。给一个单词，给出相似词、比喻，把单词融到其他短语中。

[On the Media @onthemedia]

Just putting this here 👇

[24/7📻 @100NEWS]

TITANIC #OCEANGATE UPDATE: With less than 40 hours of oxygen left, How DEEP is the 5 passenger sub? Somewhere around 3700 Meters, where the Titanic is.
How deep is 3700? This scary video will show you.

[Xin Feng @cynxfeng]

@DonLDay @IBRnews Kara, Kara, Kara!

[宝玉 @dotey]

斯坦福2023年公开课CS25 - 大语言模型与人类对齐（中英文字幕）

这是斯坦福2023年公开课CS25的第二课：《Language and Human Alignment》，讲师是OpenAI的Jan，他目前领导OpenAI的对齐（Alignment）团队，并曾在DeepMind担任研究员。他拥有强化学习理论博士学位，并且在过去的10年里一直在思考对齐问题。

这节课的主要内容是探讨AI的对齐问题，也就是如何让AI系统符合人类的意图和偏好，以及如何构建能遵循人类意图的AI系统？

遵循人类意图意味着：对于明确的意图，能遵循指令，成为一个可靠的助手；对于不明确的意图，需要通过后续问题明确，不要编造，不要做有害的事情。

现在使用的主要技术是强化学习反馈，这是用来训练InstructGPT和ChatGPT的技术。首先需要训练一个奖励模型，然后要用人类标注员去标注数据，来告诉模型哪些结果更是人类想要的。虽然每个人类标注员都有自己的偏好，甚至可能有不一致的地方，但模型会多结果进行平均。

从成本上来说，人类反馈的成本要远低于预训练的成本，不到预训练计算量的2%。基于人类反馈的强化学习(RLHF)可以让模型做任何它想做的事情，它可以自己找出最好的方法来做事情，你只需要对它的结果进行评估就好了。

“评估比生成容易” 很多任务虽然人类不擅长，但是可以很容易的给出评估。

RLHF也有一些限制，比如当人工智能进化到一定程度，其可以完成的任务难度也会提升，但是人类评估任务的水平却无法提高，这时候人类将无法再给AI有效的反馈。所以未来我们需要AI来辅助人类进行评估，让AI帮助指出结果中的问题，人类对AI评估的结果进行评估。

课程页面：https://t.co/hYb1TPbckR

参考材料：
- ChatGPT：https://t.co/CIOv3XdVx1
- InstructGPT： https://t.co/cZHPEqxclI
- Language Models are Few-Shot Learners (GPT-3)：https://t.co/S19yBpb66P

[全球深度报道网 @gijnCh]

🔧 英国的独立调查网站 @bellingcat 开发了一个工具，可以帮助你收集和分析 TikTok 平台上的帖子。

快来看看这一份详细的指南，它会一步一步指导你如何安装、使用这套工具，以及如何通过工具来分析你的帖子数据：https://t.co/VTggPtofro

#工具推荐

[宝玉 @dotey]

Google的教学视频《Introduction to Large Language Models | 大语言模型介绍》（中英双语字幕）

这个视频介绍了大型语言模型（Large Language Models，LLMs）的概念、使用场景、提示调整以及Google的Gen AI开发工具。
大型语言模型是深度学习的一个子集，可以预训练并进行特定目的的微调。这些模型经过训练，可以解决诸如文本分类、问题回答、文档摘要、跨行业的文本生成等常见语言问题。然后，可以利用相对较小的领域数据集对这些模型进行定制，以解决零售、金融、娱乐等不同领域的特定问题。

大型语言模型的三个主要特征是：大型、通用性和预训练微调。"大型"既指训练数据集的巨大规模，也指参数的数量。"通用性"意味着这些模型足够解决常见问题。"预训练和微调"是指用大型数据集对大型语言模型进行一般性的预训练，然后用较小的数据集对其进行特定目的的微调。

使用大型语言模型的好处包括：一种模型可用于不同的任务；微调大型语言模型需要的领域训练数据较少；随着数据和参数的增加，大型语言模型的性能也在持续增长。

此外，视频还解释了传统编程、神经网络和生成模型的不同，以及预训练模型的LLM开发与传统的ML开发的区别。

在自然语言处理中，提示设计和提示工程是两个密切相关的概念，这两者都涉及创建清晰、简洁、富有信息的提示。视频中还提到了三种类型的大型语言模型：通用语言模型、指令调整模型和对话调整模型。每种模型都需要以不同的方式进行提示。

原始视频链接：https://t.co/GZhmD7Sfl4

[John S. Knight Fellowships @JSKstanford]

.@propublica announces the Diamonstein-Spielvogel Visual Journalism Fellowship to develop the investigative reporting skills of photographers and other visual reporters. https://t.co/OypLxd7b5q