Design_sir

AI｜design

[李新宝 @lixinbao_X]

我最近发现一个好东西，
Codex 工作流，做笔记真香。

打开 Codex 搜 Skill 库，
awesome-claude-code 4 万多星，
分写作、润色、配图、卡片。

四步走：
资料、拆解、执行、质检。

第一步，资料。
去 X、GitHub 复制三五条。

第二步，拆解。
素材拆成事实、数字、结论。

第三步，执行。
挑两三个 Skill 复制安装。
跑出文案算成功，存模板复用。

第四步，质检。
不是一稿多发。
同一事实下，
钩子、封面、标签、引导话术全重写。

视频流也能套。
脚本→分镜→素材→配音→剪辑→封面
六步拆开。

适合一人顶三人的小团队。
评论区告诉我，你也是？

[Tony出海 @iamtonyzhu]

微软CEO 萨提亚纳德拉写的文章，
这种文章才是值得读的，不要去看中推大部分 AI 写的。

萨提亚：

我一直在思考公司在人工智能驱动的经济环境下的未来发展方向。

这次转型与以往任何平台变革都截然不同。过去，我们利用数字系统来提升人力资本。而现在，我们首次能够在人与数字系统之间建立真正的认知闭环。这令人耳目一新，因为它彻底改变了我们对企业内部工作的理解。

关键不在于某些数字工具或系统及其使用，而在于在人工智能模型可以不断吸收人类和组织的专业知识并将其商品化的世界中，组织如何继续学习、构建知识产权、实现差异化并蓬勃发展。

每家公司都必须构建我所谓的人力资本和代币资本。人力资本包括员工的知识、判断力、人脉关系、创造力和模式识别能力，而代币资本则是公司构建和拥有的人工智能能力。

重要的是，随着代币资本的增长，人力资本的价值并不会降低，只会增加！我相信人的主动性将是代币资本增长的驱动力。人类会设定远大的目标，将不同领域的信息联系起来，建立人脉关系，并识别出最重要的模式。如果没有人的引导，计算机就会原地打转。
这意味着真正的机遇不在于选择最佳模型，而在于构建一个基于模型的学习循环，使人力资本和代币资本能够复利增长。你可以外包一项任务，甚至一份工作，但你永远无法外包学习。企业的未来在于能否在人员和人工智能之间复利增长这种学习成果。

这需要一种全新的架构方法，让每个企业都能构建随着时间推移不断改进的智能系统，同时又能保持对其知识产权的控制权。企业应该能够在不丢失其学习系统中内置的“公司资深人士”专业知识的情况下，替换掉现有的“通用”模型。这将是未来时代对企业控制权和自主权的关键“考验”。

企业需要将自身的工作流程、领域知识和积累的判断转化为人工智能系统，并使其在每次使用中不断改进。私有评估应能捕捉模型是否真正针对对业务至关重要的结果（而不仅仅是外部基准！）进行了改进。私有强化学习环境应允许模型基于组织内部的真实数据不断成长。其知识库使机构记忆可查询，并提高了令牌的使用效率。

这个循环将成为公司新的知识产权。我把它比作一台爬山机器。与大多数资产不同，它具有复利效应。每一次工作流程的改进都会产生更好的训练信号，从而加速公司独有的隐性知识的积累。那些早期构建这一循环的公司将拥有难以复制的优势，无论其拥有何种新的单一模型能力。

我们最不希望看到的就是，所有行业、所有公司都将价值拱手让给少数几个攫取一切的模型。如果所有价值都集中在少数几个模型手中，政治经济体系绝对无法容忍。社会绝不会允许人工智能的未来掏空整个行业。

想想全球化第一阶段发生了什么，外包掏空了整个工业经济体。表面上看，GDP数据看起来不错，但产业转移是真实存在的，其后果至今仍在显现。我们绝不能让这种模式重演到人工智能时代，让少数人工智能系统攫取所有经济利益，而整个行业却眼睁睁地看着自己的知识被商品化，最终被彻底摧毁。

我认为，我们的首要任务必须是构建一个前沿生态系统，而不仅仅是一个前沿模式，这样价值才能广泛地流遍每家公司、每个行业和每个国家。在这个生态系统中，每个组织都能拥有编码其机构知识的学习循环，从而不断积累其人力资本和代币资本。

我从小就秉持着这样的理念：平台能够创造比平台本身所能提供的价值更大的额外价值，并且每家公司都可以不断创新，创造属于自己的价值。

当这种情况发生时，企业不仅能为自身创造价值，还能为周边经济创造价值。员工的专业知识将得到提升，他们的判断力将融入到可复制、可扩展的系统中，而企业和周边社区也将从中受益。

这就是企业如何为自身和更广泛的经济创造价值的方式。而这正是我们应该共同构建的稳定平衡。

[宝玉 @dotey]

Lovable 的设计负责人 Felix Haas 在社交媒体上分享了一篇关于"AI 时代高效团队"的观察，七条经验总结，来自这家增长速度惊人的 AI 创业公司内部视角。

几条有意思的观点：

第一，别像员工一样等安排。影响力最大的人不问"这归谁管"，看到问题直接上手。主人翁意识不是靠分配的，只能靠自己拿。

第二，招人看态度不看简历。技能当然重要，但光有技能几乎不能预测一个人能不能成事。真正跑出来的人靠的是好奇心、韧劲和学什么都愿意学的心态。在 AI 时代，这一点比过去更明显。

第三，好奇心和沉迷 AI 是两回事。真正用好 AI 的人不是天天刷资讯，而是不断去试那些没人让他试的东西，追那些可能根本走不通的想法。大多数人不会这么做，但少数坚持的人，回报是指数级的。

第四，让资深的人重新动手。这是 Haas 觉得最有意思的现象：经验丰富的管理者重新变成了 builder（建造者）。AI 让个体贡献者的杠杆效应急剧放大，一个深度使用 AI 的资深工程师或设计师，可能是当下公司里最强大的组合。

第五，自我意识是速度的敌人。Haas 说他从没见过自我意识让公司变快，但见过它让公司变慢。最快的团队不太在意谁拿功劳，只在意什么方案有效。

第六，先发布再迭代。一周的内部讨论，抵不上一天的真实用户反馈。最强的团队不追求发布前完美，而是追求尽快学到东西。发布本身就是他们学习的方式。

这些观点单独看并不新鲜，不过 Lovable 这两年发展的确实不错，2024 年上线，8 个月做到 1 亿美元年收入，2025 年底完成 3.3 亿美元 B 轮融资，估值 66 亿美元，是欧洲增长最快的 AI 公司之一。

尤其是“让资深的人重新动手”这一条，可能是 AI 时代最容易被忽视的组织变化。当 AI 工具足够强大，过去被提拔到管理岗、远离一线的高手，重新获得了亲手做事的能力和动力。

[孤桜ETH @GYLQ520]

Hermes 这波直接把 Agent 天花板给掀了！

全网程序员已经开始用它搭桌面神器、跑创意流水线、省 token 省到飞起——你还没跟上？

1️⃣ 先说 hermes-desktop，CLI 小玩具直接进化成 Mac 和 Windows 原生桌面 App，一键装好就能聊，多平台消息加自进化循环，这才叫真正的桌面伴侣。
🔗 https://t.co/Eu1i5RvTKn…

2️⃣ hermes-agent-idea-workflow 是给创意党准备的，脑子里一个粗糙想法，丢进去直接给你吐出 PRD、设计文档、任务拆解，脑暴效率直接起飞。
🔗 https://t.co/9uZhhl7NxK…

3️⃣ plur 解决了一个老大难问题——多个 Agent 实例之间记忆不互通。它用 open engram YAML 做共享记忆层，知识跨实例永不丢，Agent 终于有集体大脑了。
🔗 https://t.co/Zn407nPAud

4️⃣ rtk-hermes 是省钱黑科技，shell 输出自动压缩 60% 到 90% 的 token，实战跑了 1100 多万 token 验证过的，上下文爆炸？不存在的。
🔗 https://t.co/1ZdqRr6Tps…

5️⃣ hermesd 给运维党看，实时只读 TUI 仪表盘，10 大面板一眼监控 Gateway、Sessions、Tokens、Cron、Memory，Agent 在干啥一目了然。
🔗 https://t.co/gdRS8WbbbF

五个方向，五个开源项目，把 Hermes 玩成了下一代 Agent 的完整生态。现在不上车，等啥呢？

[宝玉 @dotey]

微软 CEO Satya Nadella 发了一篇长文，提出了一个新概念：Token 资本。

他的核心论点是，AI 时代每家公司都需要同时经营两种资本。一种是传统的人力资本，员工的知识、判断力、关系网络；另一种是 Token 资本，公司自己构建并拥有的 AI 能力。两者不是此消彼长的关系，人的判断力越强，Token 资本增长越快。没有人的方向引导，算力只是在空转。

这个说法听起来抽象，但 Nadella 给出了一个具体的检验标准：你能不能随时换掉底层的通用大模型，而不丢失公司积累的专有经验？如果能，说明你真正拥有自己的 AI 能力；如果不能，说明你只是在租用别人的智能。

他建议企业把工作流、行业知识、决策经验转化成可以持续改进的 AI 系统，建立私有评估体系来衡量模型在实际业务中的表现，而不是只看公开跑分。这个学习飞轮一旦转起来，就像复利，每次改进的工作流都会产生更好的训练信号，进一步加速知识积累。

Nadella 还发出了一个颇有政治意味的警告。他拿全球化做类比：第一轮全球化时期，GDP 数字看着不错，但整个产业被外包掏空了，后果至今还在显现。如果 AI 时代重演这个剧本，少数几个模型吃掉所有行业的知识和价值，"政治经济体系不会容忍这种结局"。

--- 原文翻译 ---

没有生态支撑的前沿技术，注定无法行稳致远
Satya Nadella

最近，我一直在深思：在由人工智能驱动的经济浪潮中，企业的未来究竟在哪里？

这次变革与以往任何一次平台更迭都截然不同。过去，我们只是用数字化系统来提升人类的工作效率。但这一次，我们破天荒地在人类与数字系统之间建立起了一个真正的认知循环 (cognitive loop)。这绝对是个颠覆认知的概念，因为它彻底改变了我们对企业内部“工作”本质的定义。

当 AI 模型能够源源不断地吸收人类和组织的专业知识，并将其变成大众化的廉价商品（即将原本稀缺的专业技能变成人人唾手可得的通用能力，从而削弱企业的核心壁垒）时，真正的危机出现了。我们面临的关键挑战，不再仅仅是如何使用某个数字化工具或系统，而是企业该如何在这个全新的世界中持续学习、积累知识产权 (IP)、保持独特性并茁壮成长。

每家公司都必须构建两种资本：一种是我们熟知的“人力资本” (human capital)，另一种我称之为“Token 资本” (token capital)。人力资本包含了员工的知识储备、判断力、人脉关系、创造力以及识别事物规律的能力；而 Token 资本则是指企业自身打造并掌控的 AI 实力（在这里，“Token 资本”一词很形象，因为大语言模型 (LLM) 处理信息的基本单位就是 Token）。

必须强调的是，随着 Token 资本的不断壮大，人力资本并不会因此贬值。相反，它会变得比以往任何时候都更加宝贵！我坚信，人类的主观能动性 (human agency) 将是推动 Token 资本增长的核心引擎。人类负责设定宏大的目标，跨领域地将线索串联起来，建立关系网，并洞察出最关键的规律。如果没有人类在前方指引方向，那些强大的计算力不过是在原地打转罢了。

这就意味着，真正的机遇并不在于你去市面上挑选一个“最好”的模型，而在于如何在模型的基础之上，构建一个能让人力资本和 Token 资本产生复利效应 (compound) 的“学习循环” (learning loop)。你可以把某项任务甚至整个岗位都外包出去，但你绝对不能把“学习能力”给外包了。企业未来的核心竞争力，就在于能否在人类与 AI 之间不断积累并放大这种学习能力。

这需要一种全新的架构思路：每家企业都要能够构建出能随着时间推移自我迭代的 AI 智能体系统 (agentic systems)，同时还要牢牢掌控自己的知识产权。一家公司应该能够随时替换掉底层的某个“通才模型” (generalist model)，而不丢失那些已经沉淀在系统里的、像“公司老兵”一样丰富的专业经验。在未来的时代，这将是检验企业是否拥有数据控制权和技术主权的关键“试金石”。

企业需要将自身的工作流、领域知识以及多年积累的判断力，统统转化为每一次使用都能自我进化的 AI 系统。企业应当建立私有评估机制 (private evals)（即企业内部针对自身真实业务场景定制的模型能力测试标准），用来检验模型是否真正在对企业有价值的结果上取得了进步，而不能仅仅依赖外界的公开跑分盲目自嗨！专属的强化学习 (reinforcement learning) 环境，应该让模型通过吸收组织内部真实的业务数据和工作轨迹变得越来越强大。这样的专属知识库，能让企业的组织记忆变得随时可检索，同时也让 token (tokens) 的运转效率大幅提升。

这种循环，将成为企业全新的知识产权。我把它想象成一台不断向上攀登的机器 (hill climbing machine)。而且与大多数资产不同，它具有强大的复利效应。每一个被优化的工作流，都会产生更优质的训练信号，从而加速这家企业独有的隐性知识 (tacit knowledge) 的积累。那些尽早布局构建这种循环的公司，将会获得一道难以复制的护城河，无论未来市面上又出了什么能力炸裂的新模型，都无法轻易撼动其地位。

我们最不愿看到的局面，就是各行各业的所有公司，都在向少数几个贪婪吞噬一切的巨头模型割让价值。如果所有的经济价值都只被少数几个模型垄断，政治经济体制是绝对无法容忍的。社会也绝对不会允许一个让整个产业被彻底掏空的 AI 未来。

回想一下全球化初期发生的事情吧：大规模的业务外包曾让许多工业经济体被彻底掏空。表面上看 GDP 数据依然光鲜亮丽，但大量产业工人流离失所是血淋淋的现实，其带来的严重后果至今仍未消散。我们绝不能让这种悲剧在 AI 时代重演——决不能让少数几个 AI 系统攫取了所有的经济回报，而一整个行业的从业者却只能眼睁睁地看着自己赖以生存的专业知识被无情地廉价化。

在我看来，我们的当务之急不仅是打造前沿模型 (frontier model)，更要构建一个繁荣的“前沿生态系统” (frontier ecosystem)。只有这样，价值才能像活水一样，广泛地流向每一家公司、每一个行业、每一个国家。在这个生态中，每个组织都能拥有属于自己的学习循环，将组织智慧沉淀其中，让人力资本与 Token 资本共同实现滚雪球式的增长。

这也是伴随我职业生涯一路走来的核心理念：真正的平台，能够让在其之上生长出来的价值，远远大于平台自身所截留的价值。在这样的生态里，每家公司都能持续创新，并构建属于自己的真正价值。

当这一切实现时，企业不仅能为自己、也能为周边的整个经济体创造巨大的红利。员工们将会看到自己的专业技能被无限放大，个人的判断力将被融入系统，变得可以复制和规模化应用。而这一切带来的好处，最终将回馈给企业以及他们所在的广泛社区。

这才是企业为自身和宏观经济创造价值的正确方式。这也是我们应当携手共建的、稳定而持久的生态平衡。

[Cellier @cellier_]

Hyper agent（@hyperagentapp） 把网格设计经典书籍 Grid system in Graphic Design 喂给了 Agent，效果提升明显。

这是 skill 链接，可以试试：
https://t.co/FoDWaWrHHp

（人不读书不行，Agent 不读书看起来也不行😂）

[Smartpig @Smartpigai]

谷歌大佬Addy Osmani开源的 Agent Skills，把资深工程师的工作流、质量门禁和最佳实践，打包成 AI Coding Agent 可执行的技能。

亮点：
1、从需求定义、计划、实现、测试、审查到上线，全流程覆盖
2、24 个生产级工程技能，让 Agent 不只是写代码，而是按工程规范交付
3、强制验证、测试、Review、发布检查，减少“看起来能跑”的幻觉式交付
4、支持 Claude Code、Cursor、Gemini CLI、Windsurf、Copilot 等工具链
5、适合想把 AI 编程从 Demo 推向 Production 的团队

建议收藏起来

[泊舟 @bozhou_ai]

Claude Design确实跟言出法随一样，而且样式生成的也非常好看，我的Claude额度全是用于design，Claudecode反而没啥用处了

[jent @jentma66]

查询为美国实体手机号，手慢无

NordVPN旗下Saily eSIM，最便宜的美国保号实体卡！
月租只需0.99，实测esim小白卡也能安装🤣

JENTSI1144使用推荐码首月0.6USD

还是很推荐的，可以注册美区PayPal了hh

可以看到我的手机是不支持esim的，后面选择在别人的设备上就能出二维码了，小白卡写入成功！！

[Nico @nicos_ai]

DEJA DE PROMPTEAR. EMPIEZA A LOOPEAR.

Encontré un sitio que recopila los loops más usados por la comunidad

→ https://t.co/jNdeuXX9SW

Los propios creadores de Claude Code lo dicen: el futuro no es promptear, es diseñar loops.

No sabes qué son ni cómo crearlos?

Este articulo lo explica detalladamente👇

[空投龙 | 美股AI分析师 @1YES_yes1]

炒美股的兄弟们有福气了。龙哥找了一个开源软件，胜过彭博。

彭博终端一年订阅费够买辆二手车，FinceptTerminal零元。

这不是玩笑。彭博那玩意儿起步价两万美金一年，专业版往二十万走。普通散户、刚起步的量化团队、小型投资机构，基本被这个门槛挡在外面。

FinceptTerminal 干的事就一个：把这堵收费墙拆了。

2.7万星，纯 C++ 写，说明不是花架子。打开终端，股票、期货、外汇、宏观数据全在一个界面里，不用切来切去。行情实时刷新，技术分析工具直接能用，想跑量化模型也行，不是那种只能看 K 线的半成品。

几个实在的亮点：。

数据覆盖广。美股、欧股、亚太市场，外汇和大宗商品都进来了，宏观指标也能拉。不是只盯一个市场的玩具，是真的能当工作台用。

交互式探索。看数据不是死盯屏幕等刷新，可以自己下钻，点开某个行业、某只股票、某段时间，层层扒下去，找到你想看的那个数字。

开源免费。代码全在 GitHub 上，想改就改，想集成进自己的系统也行。彭博打死不让你碰它的数据接口，这个反过来。

举个场景。你想研究美股科技板块最近一周的资金流向，打开 FinceptTerminal，调出行业列表，点进科技板块，叠加宏观指标和个股资金数据，一套下来不用切软件、不用导 CSV、不用手动算比例。

安装也不麻烦，GitHub 上有详细说明，Linux 和 macOS 都支持。

金融圈一直有个怪现象：干活的人用的工具最贵，最需要数据的人反而买不起数据。这种开源项目能跑出来，说明大家真的受够了。

不是要替代彭博，专业机构该买还是买。但对于还在摸索阶段、想认真研究市场、但预算有限的人来说，这玩意儿就是真香的答案。

有兴趣的去 GitHub 翻代码就知道了。

[马识途 @shitunote]

Claude Code这个Harness工具确实厉害

我想做一个自动抓取自己关注的几个微信公众号24小时内文章的小工具

本来想优先用腾讯系的workbuddy，因为我默认它应该对腾讯系产品支持得比较好。结果跑了半个多小时，更换各种解决方案，最终也没跑出来 🤣

换Claude Code（模型底座是deepseek），经过大概20多分钟，尽管过程中遇到些问题，没有一次就跑通；但提示所出的问题后，它主动修正最终跑通了，而且完全可用

Claude Code还是更牛啊，至少在coding方面

[Vincent | 信号＞噪音 @VincentLogic]

大部分人用 Claude Code 其实是在裸跑

打开项目，直接问它改代码、写功能、修bug。能干活，但工作流全靠手动组织

Anthropic 最近出了个官方插件叫 claude-code-setup，做的事情挺简单的：扫描你的项目结构和依赖，然后推荐你应该配哪些东西

具体来说它会建议你装：
-适合你项目的 MCP servers
-可以复用的 skills
-自动触发的 hooks
-拆分任务用的 subagents
-常用的 slash commands

相当于它帮你把 Claude Code 从一个"什么都能干但什么都要你自己安排"的工具，变成一个针对你这个项目定制过的AI开发环境

之前这些配置全靠自己摸索，哪些 MCP 好用、hooks 怎么写、subagents 怎么拆，都要一个个试。现在至少有个起点了

不是说它推荐的就一定全对，但比从零开始配要省不少事

用 Claude Code 的可以试试，尤其是项目已经有一定规模的

[Design_sir @design_AIGC]

@tigeryan718 不懂就别瞎逼逼了，来搞笑的吗

[Ding @dingyi]

可能以后就没有产品设计师了，只有AI 设计师或模型设计师，这个网站将会发布一系列针对新时代设计师的指南，第一篇是 Figma 首位 Model 设计师 Barron Webster，更惊喜的是网站竟然还有中文版。

https://t.co/hZfCbvLWTG

[路飞 🏴‍☠️ AI 研究员🧐 @0xluffy_eth]

Claude 最被低估的用法：

不是写文章，而是替你“拆书”。

一本 300 页的书，直接丢给 Claude，

让它帮你提炼框架、找关键洞察、拆案例、总结方法论。

这是6个疯狂的Claude提示词，能在几分钟内从任何书籍、PDF、文件中提取每一个洞察
🧵🧵🧵

[老金 @freeman1266]

Loop Engineering（循环工程）

它正逐渐取代传统的直接提示词工程。其核心逻辑在于，用户不再亲力亲为地给 AI 下指令，而是设计一套能够自动调度 AI 的系统，让系统根据定义的递归目标进行自我发现、执行与检查。

这种模式依托于自动化触发、工作区隔离、项目技能库、工具连接器以及子智能体协作这五个关键构建块，能够实现代码修复与任务管理的闭环。

虽然 Claude Code 和 Codex 等工具已内置这些能力，但开发者必须保持批判性思维，防止因过度依赖自动化而导致对系统理解的缺失。

最终，这种演变将工作的重心从单一的指令编写转向了系统架构的设计，要求工程师在提升效率的同时，依然承担起最终的质量验证责任。

[程叙AI. @chengzhx]

🚀 智谱的ZCode 3.0.0 新版来了，又是一个Codex的分X

每天有GLM5.2的300万免费token

全面切换自研 ZCode Agent 内核。 针对满血 GLM 深度优化长程推理、工具调用和大型工程执行链路，整体任务完成效果已显著优于第三方 Agent

新用户预置 GLM Start Plan 套餐和专属 150% 配额权益。 新用户即享连续 5 天 GLM 旗舰系列模型用量；升级或已订阅 GLM Coding Plan 用户应用内相比 API 调用专享 150% 配额

全新分组式任务工作区 ，支持拖拽折叠、跨区迁移、批量管理，高效管控多 Agent 并发任务，任务层级清晰可控

具体内容见 https://t.co/j7eiZ1rMWF

[宝玉 @dotey]

模型是根本，Harness层相对好补齐，但Harness这层不需要太多垂直领域的，Claude Design 很快就会合并到 Claude Desktop，Codex 在下一代或者几代模型能力够了后，会在 Codex App 直接以 Plugin 集成 Codex Design

[Easycompany @Easycompany333]

产品被禁止使用了，不妨碍我们学习课程，同样适用于Codex

免费领 Anthropic 官方 13 门课
学习顺序很简单：

1. Claude 101：
- 学 Claude 基础用法：聊天、Projects、Artifacts、Skills、工具连接、Enterprise Search、Research mode。 https://t.co/raH3Q6s6Hh
2. AI Fluency: Framework & Foundations

- 学 4D 框架：怎么分工、怎么描述、怎么判断结果、怎么复核 AI 输出。 https://t.co/I2jtyVpNHb
3. Building with the Claude API：
- 技术主课，学 API 调用、system prompt、streaming、结构化输出、eval、tool use、RAG、prompt caching。 https://t.co/BDNxyWWtqZ

4. Introduction to Model Context Protocol
- 学 MCP 入门：tools、resources、prompts，以及怎么用 Python 做 server 和 client。 https://t.co/sgZUrcF2b5
5. MCP: Advanced Topics：

- 学 MCP 进阶：sampling、日志通知、roots 文件权限、STDIO 和 StreamableHTTP。 https://t.co/E7DJGw8fZk
6. Claude Code in Action：
- 学 Claude Code 工作流：上下文管理、项目修改、custom commands、MCP servers、GitHub、Hooks、SDK。 https://t.co/12ywFgEzy9

7. Introduction to Agent Skills：
- 学怎么写 Skills：SKILL.md、触发描述、目录组织、allowed-tools、脚本、插件分发。 https://t.co/FoIcsg6taB
8. Claude with Amazon Bedrock：

- 学在 AWS Bedrock 里用 Claude：多轮对话、prompt 评估、tool use、RAG、prompt caching 和生产部署。 https://t.co/un3OT28j49
9. Claude with Google Vertex AI：
- 学在 Google Vertex AI 里接 Claude：配置模型、API 请求、工具调用、RAG、MCP 和生产工作流。 https://t.co/uiZG3wTGuy

10. AI Fluency for Students：
- 适合学生，用 Claude 做学习搭子、职业规划助手，同时保留 human in the loop。 https://t.co/8rhfRLRJcD
11. AI Fluency for Educators：

- 适合老师和课程设计者，把 AI 放进课程目标、学习材料和作业设计里。 https://t.co/gOfdnx9MNc
12. Teaching AI Fluency：
- 适合培训师，学怎么教别人 4D 框架、设计 AI 作业、评估 AI 使用能力。 https://t.co/AQWyEWsP9o

13. AI Fluency for Nonprofits：
- 适合公益组织，学筹款、传播、项目交付、运营和管理里怎么安全使用 AI。 https://t.co/DUMrOy6crN