fendouai

fendouai

[fendouai @fendouai]

@CuiMao 牛逼，CuiMao Studio 商业闭环了。

[fendouai @fendouai]

Humanize Text Skill is now live on ClawHub 🦞 Check it out: https://t.co/fxRdw3kcCg

[Geek Lite @QingQ77]

Best AI Humanizer Handbook — AI 写作文本人性化实操指南

https://t.co/LU2TpGvsxq

系统性地解决 AI 生成文本读起来机械、生硬的问题，提供从手动润色技巧到工具对比再到本地化技能的全套方案，帮助写作者在保留事实、数据、关键词和引文的前提下让文稿更自然、更有判断力。

[晚点 LatePost @latepostnews]

17 岁 AI 实习生日薪 5500 元，1998 年的算 “中登”

00 后 AI 从业者，多数喜欢用动漫或卡通角色做头像，习惯用表情包和感叹号，工作间隙会在周围一连串的冰美式订单中点一杯棉花糖热可可。

见一位 00 后 AI 创业者前，投资人提醒我们，想快速拉近距离最好给他带两杯奶茶。

刚刚本科毕业，大厂或投资机构已经给他们开出 200 万元、500 万元 或 100 万美元的高额年薪。不过，谈起几百万元的薪水时，喝着棉花糖热可可的年轻研究员语气平淡，像是讨论上学期的课程表。

“哎，我不太在意，多个一两百万也都无所谓。” 另一位 22 岁的研究员有类似的想法，“反正要创业，我也挣不了几年的工资”。今年夏天，他刚刚大学毕业，拿超过 500 万元的年薪，还有大厂和投资机构想要挖他。

大模型行业批量制造了几百、几千个年薪数百万的年轻精英。大厂们打破过往年龄、职级、经验的限制，高薪招揽年轻人才。

几位猎头和 HR 说，顶尖高校毕业、在大厂大模型核心团队实习过、顶刊论文方向符合、拿到大厂头部人才计划的应届生年薪基本都在 150 万元以上。一位参与 Seed 招聘的人士说，2024 年 TopSeed 校招生年薪约 150 万元，2025 年涨到 300 万-500 万元，2026 年核心岗位的校招生可以开到 600 万元，部分人还能更高。

还没毕业，这些人才就被提前锁定——2000 元起步，最高不止 5500 元，日薪。有人拿到 Meta 的实习录用，月薪 2 万美元，且提供食宿。在大多数行业实习日薪 200 元就算不错时，这些数字超出常识，听到的人经常需要再次确认，“日薪还是月薪”“人民币还是美元”。

按照行业统计数据，2026 年一季度北京外卖员平均月薪一万出头，一个日薪 5500 元的实习生相当于 10 个外卖员。一个年薪 300 万元的 AI 研究员干一年，抵得上一名 2025 年毕业的本科生勤奋工作 39 年。后者还要保证自己别失业。

即便在以高薪著称的互联网大厂，想达到年薪 300 万，你需要硕士毕业，连续工作 8 至 12 年，经历至少 3 次晋升答辩，每一次都名列前 30%，还要身处核心业务或赶上高速发展，才能在 40 岁前成功干到字节 3-2、阿里 P9、腾讯 T11 以上。这时候，你已经管着几十人的团队，在行业里小有名气。

而今天一个 22 岁、本科刚毕业的 AI 研究员，没带过人，没做过业务决策，没经历过一次绩效周期，就拿到了同等收入。
何况他们实在年轻。“1998 年出生，在基模团队里已经算 ‘中登’。” 一个大厂大模型团队的实习生有点沮丧，自己比同公司多数实习生年龄大。有次加班到深夜，他抬头见到一位年纪 “小多了” 的实习生，“写代码时还蹦蹦跳跳的”，他加重语气，又说了一遍，“字面意义上的蹦蹦跳跳”。
年纪相对小的才 17 岁——大厂对年龄越来越不设限，很难说谁最小。她被一家大厂的 HR 主动联系上，一边准备高中期末考试，一边在大模型团队实习，在工位上庆祝了六一儿童节。

“读博很浪费时间啊！” 一位年轻研究员想劝那些清华 “姚班” 的朋友，“最聪明的大脑为什么要那么慢地学？” 他举例，一位 19 岁的斯坦福学生没读到大二就离开学校，很快为自己的 AI 初创公司募集了 450 万美元融资，“最坏的情况不过是重新回到斯坦福”。

一名招聘人士曾劝过三四名博士放弃学位、转为正职，开出颇有诱惑的职级和薪酬。“如果读书是为了找到好工作，你现在已经有了。而且两年后不一定还有。” 于是几个年轻人选择中途退学，奋力一跃抓住 AI 这趟车。

一家 AI 公司创始人想法更激进。他计划让读高一的孩子休学，边工作边学习，“他在学校怎么可能学到比我这儿更多的东西？”

全球投资机构  Antler 调研超过 3500 名独角兽创业者后发现，2024 年，全球 AI 独角兽创始人的平均年龄 29 岁，而 2020 年他们大都 40 岁。这个数字大概率还会继续下降——AI 让这些足够聪明的年轻人有可能找到一份更高薪水的工作，也有可能把身价推至数亿美元。

[fendouai @fendouai]

@XiaoGuo_168 已关注，兄弟可以。

[fendouai @fendouai]

Phoenix，蓝V互粉，运营12万粉丝公众号磐创AI。

[fendouai @fendouai]

98% of students in Lenovo’s survey said AI helps them in some way.
The interesting part is not “students are cheating with AI.”
It is much more boring, and much more useful:
AI is becoming the layer that removes study friction.
Lenovo says common student uses include:
notetaking: 73%
summarization: 73%
idea generation: 72%
That matches what I see as a Python developer watching AI apps closely.
The first useful AI tools are not always the most futuristic ones.
They are the ones that help you:
capture lecture notes
turn messy notes into structure
summarize readings
restart after losing context
brainstorm before a blank page wins
This is also why I think students should stop asking:
“Can AI do my assignment?”
Better question:
“Which part of this task is wasting my attention?”
Use AI for the friction.
Keep the thinking.
That is the line.
AI can help you organize the court.
You still have to play the point.
Source Reply
Sources:
Lenovo official research: 98% of students surveyed say AI helps them in some way
TechRadar coverage: students use AI for notetaking, summarization, brainstorming
Pew Research context: 59% of teens think AI cheating happens at least sometimes

[fendouai @fendouai]

Google’s new NotebookLM update matters for students because of one number:
78.2% win rate in web research/source discovery vs. its old system.
The useful part is not “AI writes your assignment.”
It is earlier than that.
When you start with a vague topic, NotebookLM can now help find relevant web sources, let you choose what enters the notebook, then turn source-backed material into things like PDFs, charts, spreadsheets, and slides.
That solves the part students quietly hate:
finding sources
knowing where each point came from
turning messy links into notes
making tables/slides from research
starting before the outline exists
But do not hand it the whole assignment.
Use it to build the research base.
Still check the sources.
Still decide the argument.
Still make sure the output matches your class requirements.
The win is not “AI replaces studying.”
The win is: your first 2 hours stop being browser tabs, copy-paste, and citation chaos.
Source Reply
Sources:
Google official NotebookLM update: https://t.co/QrsoykyXYL
The Verge coverage: https://t.co/tRgKQdOd0z
Android Central coverage: https://t.co/fngVfDbmNO

[fendouai @fendouai]

@CookeJoy12827 公司用的话感觉都还不太够，我在做个新的。

[fendouai @fendouai]

SEO 内容最怕的不是字数不够，而是每一段都像模板。
AI 可以很快生成文章，但也很容易带来泛泛开头、营销形容词、重复结构和没有信息增量的段落。
这 5 个 humanizer skill 可以作为 SEO 编辑的二次清理工具：去空话、压水分、补具体信息，让内容更贴近搜索意图，也更像真实编辑写出来的页面。

[fendouai @fendouai]

@An_yhl 应该是 AI 直接生成的，正确的废话很多。

[fendouai @fendouai]

@WarmquantVivian 哈哈哈哈，域名有点山寨。

[fendouai @fendouai]

如果你正在把 Claude Code、Copilot CLI 或 OpenClaw 接进真实项目，这条比新模型发布更值得看。

Microsoft 在 Build 2026 发了一个东西：MXC，Microsoft Execution Containers。

我一开始以为这只是又一个 sandbox 名词。

但看完发现，它解决的是一个很现实的问题：

你让 agent 修 bug。
它要读文件、跑命令、调服务、改环境。

那它到底能碰哪些目录？
能不能联网？
能不能读剪贴板？
能不能碰你的桌面 session？
能不能用你的完整用户权限到处跑？

靠 prompt 说“不要乱来”是没用的。

Microsoft 的思路是：这些边界应该由 Windows / WSL 这层来管。

MXC 让开发者定义 agent 能访问什么，再由 OS 在运行时执行这些限制。
比如 process isolation 适合 coding agent，session isolation 可以把 agent 和人的桌面、剪贴板、输入设备隔开。

这才是 agent 进生产后真正麻烦的地方。

不是“它会不会写代码”。
而是“它写代码的时候，到底被允许碰什么”。

我越来越觉得，下一波 agent infra 的机会不在聊天框里。

在这些很无聊但很值钱的东西里：

权限边界
文件访问
网络限制
session 隔离
审计日志
kill switch

Agent 越能干，边界越值钱。

Sources:

1. Microsoft Windows Developer Blog: MXC SDK, process isolation, session isolation
https://t.co/eJ2gQbkha1

2. Microsoft Official Blog: MXC now in preview, OS-enforced sandboxed environments for agents
https://t.co/Ivxeh9E4eL

3. Microsoft Security Blog: MXC gives OS-level control over agent execution
https://t.co/cV6zGRJ8sM

[fendouai @fendouai]

如果你现在还在用 token/s 判断 AI infra，可能已经落后半拍了。
因为 agent 真正进生产以后，老板不会问：
“这个模型每秒吐多少 token？”
他会问：
“同一套机器，我能稳定跑多少个 agent？”
“跑 100 个 agent，会不会把延迟、成本、SLO 一起打穿？”
这就是今天 AA-AgentPerf 有意思的地方。
它不是又一个 chatbot benchmark。
它测的是 agentic workload：长上下文、coding trajectory、多 agent 并发、SLO 下的系统容量。
对正在做 AI 产品的人，这个变化很现实：
以前的 infra 卖点是：
更快
更便宜
更大上下文
接下来会变成：
每瓦能跑多少 agent
每美元能完成多少任务
高并发下 agent 会不会失控
长任务里延迟会不会雪崩
成本能不能按“完成任务”算，而不是按 token 烧
我觉得这会是 AI infra 的一个分水岭：
模型能力当然重要。
但真正能收企业钱的，是让 agent 稳定、并发、可预测地干活。
以后别只看 model leaderboard。
要开始看 agent capacity leaderboard。
Source Reply
Sources:
Artificial Analysis 发布 AA-AgentPerf
https://t.co/aAIiFx1WI3
NVIDIA 技术博客：AgentPerf 测试 agentic coding performance
https://t.co/1PTvAq91Qj
NVIDIA 新闻稿提到 GB300 NVL72 “up to 20x more agents per megawatt”
https://t.co/hoPVCeFbOf

[fendouai @fendouai]

一个 AI agent 最近在 HN 火了。

不是因为它写出了什么神级代码，而是因为它把操作者干出了一张 6,531 美元的 AWS 账单。

它为了扫描 DN42，拉起了 5 台 AWS 实例，每台 20Gbps。

这件事给 AI builder 的信号很明确：

下一波机会不是再做一个更聪明的 agent，而是 agent 的控制层。

预算上限、权限沙箱、API key 拦截、loop kill switch、执行审计。

Agent 真正进入生产以后，最值钱的不是“会执行”，而是“可控地执行”。

[fendouai @fendouai]

@123zhouxinyi 已关注，等擦边。

[fendouai @fendouai]

@BTC2168 已关注，互粉。

[fendouai @fendouai]

@borislam18 互粉互粉。

[fendouai @fendouai]

@xangus 关注我，我回关

[fendouai @fendouai]

@hack4cn 互关。