Joe

Alibaba

[Joe @ForInitial]

Just opened beta access to my new project: https://t.co/sLIg0vclVa ✨If you’re a parent who wants to create AI storybooks for your kids — this is for you.
⏳ Beta users get 200 free credits → enough to make ~20 storybooks
📚 Upload to Kindle & even sell your ebooks 💰

[Joe @ForInitial]

国内这帮爬虫天天爬我的网站，无奈之下，索性就���中国 ip 全部屏蔽了- -

[Joe @ForInitial]

最近在看月入 $200万刀高中生，做 Cal AI 增长的策略，
其中一条很适合绝大多数开发者：

你不一定要自己出镜，矩阵打法对独立开发者更友好。

Zach 在 5 个月做到月入 $200 万，全程没在镜头前露过脸。

他做的是，找几十个已经有粉丝的博主，让他们替他发视频。

独立开发者最常见的两难，是「我又要写代码又要做内容，精力不够」。

矩阵打法的本质，是把「做内容」这件事外包给已经会做的人，你只做「找人、谈合作、维护关系」。

判断是否适用你，看你的目标用户聚集的平台上（TikTok / YouTube / Instagram），有没有几十个已经有粉丝、内容方向和你产品对得上的中小博主。

有这批人，你就不必自己出镜，找他们替你发比你单干快得多。

[Joe @ForInitial]

给自己搞了一个壁纸，每次开机都挺有动力的

[Joe @ForInitial]

这个意间 AI 的创始人，公众号都不要了吗？

[Joe @ForInitial]

claude 可以直接入驻到 office 三件套了吗？

[Joe @ForInitial]

ChatGPT，你陪我段时间了，我想看看你的样子。请成一张类似你iPhone随拍的照:没有明确主题、没有刻意构图，只是很普通、甚至有点失败的快照。照略带运动模糊，��线不均、轻微曝光过度，角度尴尬，构图混乱，整体呈现出一种"过于真实的随手一拍感"，就像是从口袋里拿出手机不小心按到的自拍。

[Joe @ForInitial]

这个提示词呈现出来的女孩子照片太真实了，gptimage2 的新玩法，基本上没有 AI 感了，提示词见评论区

[Joe @ForInitial]

Hi everyone! I've just discovered GenStory, a creative AI story platform where you can generate all kinds of stories with AI, explore a large library of stories for free, and enjoy content made for parents, kids, teachers, and picture-book lovers. Sign up with my link below and start exploring: https://t.co/8ugt1uOiJ2

[Joe @ForInitial]

I switched genstory from Nano Banana to GPTImage2, and the results are excellent. #genstory #AIGenerated #AIImages #GenerativeAI #AItools #Startup #BuildInPublic #IndieHacker #SaaS #GPTImage2

[Joe @ForInitial]

微信全面屏蔽了马斯克的 xchat 关键词

[Joe @ForInitial]

Chat with anyone on X. Completely private. Now on your home screen. https://t.co/JmRfALm346

[Joe @ForInitial]

https://t.co/Wl5f3zO7md

[Joe @ForInitial]

最近 Claude 封号太严重了，群里好多朋友找不到别的中转站，所以我搭建了一个 API 中转站的导航站，大家有好用的 api 中转站，可以发过来，我收录上去：https://t.co/yRk1969ymc

[Joe @ForInitial]

我目前遇到的三家 Claude 中转站全面罢工了！！！
大家还有更好的中转站推荐吗

[Joe @ForInitial]

monica 的首页太满了，��开首页都不知道下一步往哪里走了

[Joe @ForInitial]

Hermes Agent 现在可以免费使用 Browser Use 的云浏览器：
> ✅ 无限浏览器时长
> ✅ 195+国家免费代理
> ✅ 自动识别 CAPTCHA
> ✅ 持久化认证
> ✅ Agent 可以自己注册账号，不需要 GitHub/Google 登录

这也太酷了吧！Agent可以自己注册登录！so cool！

[Joe @ForInitial]

我让 AI 总结了下2.1.92 的版本，好多功能升级了

[Claude Code Changelog @ClaudeCodeLog]

Claude Code 2.1.92 has been released.

10 flag changes, 21 CLI changes

Highlights:
• CLI can block startup until remote settings are fetched and exit on failure, ensuring it uses fresh settings
• Login screen adds interactive Bedrock setup to guide AWS auth, region selection, and credential checks
• New flag forces org gate policy, prevents bypassPermissions even when requested and blocks bypasses

Full details are in thread ↓

[Joe @ForInitial]

大语言模型（LLM）��识库

我最近发现一件非常有用的事：使用大语言模型（LLM）为���种感兴趣的研究主题构建个人知识库。这样一来，我最近处理的大部分 token 吞吐，不再主要用于操作代码，而是更多地用于操作知识（以 Markdown 和图像的形式存储）。最新的大语言模型（LLM）在这方面已经相当擅长。所以：

数据摄取：

我会先将源文档（文章、论文、代码仓库、数据集、图像等）索引到一个 raw/ 目录中，然后使用大语言模型（LLM）逐步"编译"出一个 Wiki，它本质上就是目录结构中的一组 .md 文件。这个 Wiki 包含 raw/ 中所有数据的摘要、反向链接，然后它还会将数据归类到不同概念之下，为这些概念撰写条目，并把它们全部链接起来。为了将网页文章转换为 .md 文件，我喜欢使用 Obsidian Web Clipper 扩展；此外，我还会用一个快捷键把所有相关图像下载到本地，这样我的大语言模型（LLM）就能很方便地引用它们。

IDE：

我使用 Obsidian 作为 IDE"前端"，在其中查看原始数据、已编译的 Wiki，以及派生出来的可视化结果。需要特别说明的是，Wiki 中的所有数据都是由大语言模型（LLM）编写和维护的，我很少直接手动修改它。我也尝试过一些 Obsidian 插件，以其他方式渲染和查看数据（例如用 Marp 生成幻灯片）。

问答：

真正有意思的地方在于，一旦你的 Wiki 足够大（例如，我某个近期研究主题的 Wiki 大约有 100 篇条目、约 40 万词），你就可以针对这个 Wiki 向你的大语言模型（LLM）代理提出各种复杂问题，而它会自行去查找答案、开展研究等。我原本以为我得用上复杂的检索增强生成（RAG）方案，但实际上，大语言模型（LLM）在自动维护索引��件和所有文档的简要摘要方面做得相当不错，而且在这种"大约仍属小规模"的条件下，它也能比较轻松地读取所有重要的相关数据。

输出：

相比于直接在文本/终端中获得答案，我更喜欢让它为我生成 Markdown 文件、幻灯片（Marp 格式）或者 matplotlib 图像，然后我再在 Obsidian 中查看这些内容。根据查询内容的不同，你完全可以想象出许多其他可视化输出格式。很多时候，我最终会把这些输出结果重新"归档"回 Wiki 中，以增强它，供后续查询使用。这样一来，我自己的探索和提问都会持续沉淀到知识库中。

质量检查（Linting）：

我会在这个 Wiki 上运行一些大语言模型（LLM）"健康检查"，例如查找不一致的数据、补全缺失数据（借助 Web 搜索工具）、发现值得撰写新条目的有趣关联等，从而逐步清理 Wiki，并提升其整体数据完整性。大语言模型（LLM）在建议下一步值得提出和深入研究的问题方面也相当出色。

额外工具：

我发现自己会不断开发一些附加工具来处理这些数据。例如，我用"氛围编程"（vibe coding）的方式写了一个小型而且比较粗糙的 Wiki 搜索引擎；我既会直接使用它（通过一个 Web UI），但更多时候，我会希望通过命令行工具（CLI）把它交给大语言模型（LLM）作为处理更大规模查询的工具。

进一步探索：

随着这个代码仓库不断增长，一个很自然的想法就是进一步考虑合成数据生成 + 微调，让你的大语言模型（LLM）不是仅仅通过上下文窗口来"知道"这些数据，而是把这些数据真正学进它的权重中。

TLDR：

来自若干来源的原始数据会先被收集起来，然后由大语言模型（LLM）编译成一个 .md Wiki，接��再由大语言模型（LLM）通过各种命令行工具（CLI）对其进行操作，以完成问答并逐步增强这个 Wiki，而这一切都可以在 Obsidian 中查看。你几乎不需要手动编写或编辑这个 Wiki；那是大语言模型（LLM）的工作领域。我觉得这里完全有机会诞生一个非常出色的新产品，而不是停留在一堆零散、临时拼凑的脚本上。

[Andrej Karpathy @karpathy]

LLM Knowledge Bases

Something I'm finding very useful recently: using LLMs to build personal knowledge bases for various topics of research interest. In this way, a large fraction of my recent token throughput is going less into manipulating code, and more into manipulating knowledge (stored as markdown and images). The latest LLMs are quite good at it. So:

Data ingest:
I index source documents (articles, papers, repos, datasets, images, etc.) into a raw/ directory, then I use an LLM to incrementally "compile" a wiki, which is just a collection of .md files in a directory structure. The wiki includes summaries of all the data in raw/, backlinks, and then it categorizes data into concepts, writes articles for them, and links them all. To convert web articles into .md files I like to use the Obsidian Web Clipper extension, and then I also use a hotkey to download all the related images to local so that my LLM can easily reference them.

IDE:
I use Obsidian as the IDE "frontend" where I can view the raw data, the the compiled wiki, and the derived visualizations. Important to note that the LLM writes and maintains all of the data of the wiki, I rarely touch it directly. I've played with a few Obsidian plugins to render and view data in other ways (e.g. Marp for slides).

Q&A:
Where things get interesting is that once your wiki is big enough (e.g. mine on some recent research is ~100 articles and ~400K words), you can ask your LLM agent all kinds of complex questions against the wiki, and it will go off, research the answers, etc. I thought I had to reach for fancy RAG, but the LLM has been pretty good about auto-maintaining index files and brief summaries of all the documents and it reads all the important related data fairly easily at this ~small scale.

Output:
Instead of getting answers in text/terminal, I like to have it render markdown files for me, or slide shows (Marp format), or matplotlib images, all of which I then view again in Obsidian. You can imagine many other visual output formats depending on the query. Often, I end up "filing" the outputs back into the wiki to enhance it for further queries. So my own explorations and queries always "add up" in the knowledge base.

Linting:
I've run some LLM "health checks" over the wiki to e.g. find inconsistent data, impute missing data (with web searchers), find interesting connections for new article candidates, etc., to incrementally clean up the wiki and enhance its overall data integrity. The LLMs are quite good at suggesting further questions to ask and look into.

Extra tools:
I find myself developing additional tools to process the data, e.g. I vibe coded a small and naive search engine over the wiki, which I both use directly (in a web ui), but more often I want to hand it off to an LLM via CLI as a tool for larger queries.

Further explorations:
As the repo grows, the natural desire is to also think about synthetic data generation + finetuning to have your LLM "know" the data in its weights instead of just context windows.

TLDR: raw data from a given number of sources is collected, then compiled by an LLM into a .md wiki, then operated on by various CLIs by the LLM to do Q&A and to incrementally enhance the wiki, and all of it viewable in Obsidian. You rarely ever write or edit the wiki manually, it's the domain of the LLM. I think there is room here for an incredible new product instead of a hacky collection of scripts.

[Joe @ForInitial]

Seedance2.0 相关文档已在火山发布。正式链接如下:
计费：https://t.co/J5xUC36swL
API：https://t.co/zgpMzEqQbm
2.0 教程：https://t.co/3tXXODMcPT
2.0 提示词：https://t.co/FAenhkJJIR