Olivia
Online
Wang hao
@freizo
stand still in the deepest hutong in Beijing
北京
Joined June 2007
176 Following
32 Followers
596 Posts
停止对 Codex 和 Claude说：
“帮我写个程序”
“修一下 bug”
“做个网站”
“帮我做交易”
你这不是在用 AI。
你是在把一个顶级高级工程师，当成实习生使唤。
真正能拉开差距的，是你给他们的精准任务提示词。
下面这9个 Prompt，建议直接收藏 ��👇
周末别只刷抖音了！
强烈推荐花3小时认真看完这场演讲：
李录北大演讲：全球价值投资与时代
时隔5年，李录罕见公开的160分钟思想盛宴，真正让人醍醐灌顶！
李录是谁？
查理·芒格的黄金搭档，被芒格称为“中国的巴菲特”，
喜马拉雅资本创始人，管理规模80亿美元，长期年化回报超20%。
巴菲特和芒格重仓比亚迪，就是他力荐的结果（30倍+收益）。
这场演讲干货极重，核心内容包括：
-我们这个时代的最大困惑是什么？
-中等收入陷阱与国际关系
-全球价值投资人如何应对贸易������关税等挑战
-价值投资的六条核心理念
-优质公司高估时怎么办？
-年轻人如何在不确定中决策？优秀企业家的共性……
推荐指数：★★★★★
值得珍藏、反复刷的一课！
小西天，看着像视频，但其实是我们在现场实地拍摄 3,811 张 206 GB 的照片后建模的。FUNES 把《黑神话：悟空》里「既见未来，为何不拜」满天神佛的原型，来自��山西临汾隰县的小西天，做成了一个可漫游的 3DGS 数字存档。
完全实地拍摄，每天清晨一开门就冲上山去，趁着没人的时候拍。然后通过 Gaussian Splatting 重建，没有手工建模，尽量保留真实悬塑和圆塑的极其密集的金色空间、细节和光感。不同的材质在这里交织成了无法分辨的一个天国世界。这种半空中的小塑像是「悬塑」，它们大多出现在十六世纪到十七世纪。
在现场如果要看清小西天的所有细节，我想大概需要三天时间。但是有了模型，我们可以在屏幕前慢慢看。在相当长的时间里，学术界并没有特别重视小西天这样的悬塑——因为在只有学术图录的年代，平面印刷无法展示出悬塑的震撼。而随着技术的进步，我们终于可以在远方一窥明代悬塑的璀璨。
重轻特意为这个模型做了配乐，大家可以打开慢慢欣赏。
推荐电脑访问：https://t.co/az1wuMhmuu
如果我现在30多岁或40多岁，想在10年内利用AI退休，我会这样做：
1. 立即成立LLC公司。不是下个月。不是等你'准备好'了。就这周。
兄弟们，我今天刷到一个东西，直接给我整不会了。
GitHub上有个叫 agency-agents 的开源角色库，你知道它现在多少星吗？81万。不是8.1万，是81万。这个数字意味着什么？意味着全球有几十万开发者和AI玩家已经在用了，你还不知道？
🔗 链接: https://t.co/X3Tdcb84fE
先说这东西是干嘛的。
简单讲，就是一个超级角色提示词库，里面塞了140多个专家级Agent角色。CEO、律师、程序员、产品经理、增长黑客、财务顾问、市场策略师……你能叫出名字的岗位，基本都在里面。每个角色都是精心调教过的，不是那��随便写两句"你是一个律师"就完事的垃圾提示词，是真的有深度、有专业框架的角色设定。
用法也极其简单，三步走：
1️⃣ 打开这个库，找到你需要的角色
2️⃣ 把角色描述直接喂给Claude Code或者Cursor
3️⃣ 开始对话，你的AI瞬间变成那个领域的专属顾问
就这么简单。你在做一个创业项目，不知道商业模式怎么跑通？调出CEO角色问它。合同条款看不懂？调出律师角色让它帮你拆解。代码写不下去？调出高级程序员角色让它review。
但最骚的玩法不是单个角色，是多Agent组团。
你可以同时开几个对话窗口，一个跑CEO视角，一个跑市场总监视角，一个跑财务视角，让他们对同一个问题给出不同角度的判断。这不就是给自己开了一家虚拟公司吗？而且这帮"员工"7×24小时在线，不要工资，不会摸鱼，不会跟你讲情绪。
我自己测试了几个角色，说实话，质量比我预期高很多。
特别是那些商业类角色，给出的框架和思路真的有点东西，不是那种泛泛而谈的废话，是能直接落地用的建议。当然，AI终究是AI，专业判断还是要自己把关，但作为思路启发和初稿生成，这个库的价值真的被严重低估了。
还有一点我必须说——它是完全免费的。
开源、免费、随便用、随便改。在这个到处收费、动不动就订阅的AI时代，这种东西真的越来越少见了。
现在AI工具的核心竞争力已经不是模型本身了，Claude、GPT、Gemini底层能力差距在缩小，真正拉开差距的是你怎么用、用什么角色、给它什么上下文。这个库本质上是在帮你解决"怎么用"的问题，把最难的提示词工程部分给你做好了，你直接拿来用就行。
81万星不是运气，是实力。
还没收藏的，现在去。
@ai_xiaomu Claude code没法破解 天才。 能破解的是开源本地部署的。 可以把那些原本阻止模型进行危险动作的指令给投影掉。 这个技术叫abliteration, 去github上搜有教程。
朋友做电影解说一年赚1000万（小片片看大片）
但这个开源项目，可能要彻底颠覆他了！
一句话生成完整电影解说视频，AI直接把人工全干掉！
项目叫 narrator-ai-cli-skill，装进Claude Code、OpenClaw等Agent后，
你只需要说一句：
“帮我做一个《肖申克的救赎》的解说视频”
AI自动跑完全流程：
-生成高能解说脚本
-精准匹配电影片段
-63种音色配音（支持声音克隆）
-90+视觉模板自动套用
-146首BGM智能匹配
-一键输出成品视频
内置93部经典电影素材库，支持改编解说和原创解说两种模式。
还会提前估算成本，工程化做得非常扎实。
做影视号、短视频矩阵、批量生��内容的朋友，这工具直接把人工成本干到最低！
GitHub：https://t.co/RSYZ5PA1DE
准备批量搞电影解说的，赶紧冲！
卧槽，终于有人对CAD行业下手了
过去几年，我们见到了很多3D的AI模型，但是那些都是玩具，很难用，基本无法用到到工业生产
但刚刚麻省理工开源了一个将照片转换为可完全编辑的 CAD 程序的 AI 模型GenCAD，它悄然终结了每小时 150 美元的 CAD 建模行业。
GenCAD不只是生成一个3D外形。
它做的是：给一张CAD图像/渲染图，生成对��的参数化CAD命令序列，也就是CAD program，再通过几何内核转成3D solid model。
重要的是它保留了「建模历史」。
所以它不是「AI画了个3D玩具」，而是在尝试把图片变成可编辑、可制造流程能继续接住的CAD模型。
同时它：
→ 无需 SolidWorks 许可
→ 无需数周建模
→ 不需要 CAD 工程师
100% 开源
如果后续这条路线跑通，CAD行业最贵的那部分时间，草图理解、参数化建模、反复改模型，都会被一点点吃掉。
代码、数据和预训练模型入口都已经放出来了。
GenCAD可能是AI真正进入工业设计工作流的一个信号。
项目地址：https://t.co/R9eJ3lMhP4
视频Demo：https://t.co/WY3SGe9yyR
Paper：https://t.co/kBReJW3X8N
github：https://t.co/kKT2uInMBX
Karpathy 发布了一个github开源项目，狠狠让我惊艳到了
这个项目叫 andrej-karpathy-skills,GitHub 13 万+ star,我愿称之为2026 最有用的 AI 工程项目
它解决的问题极其精准：让 Claude Code 不再瞎写代码
这个项目到底有多厉害？
先说结论：一个 4KB 的文本文件，让 AI 写代码的错误率暴降 90%
Karpathy 自己说，他现在 80% 的代码都让 Claude 写，但 AI 经常犯几个典型错误：
不问就瞎猜需求
过度设计，写一堆用不上的抽象
改 A 顺手把 B、C、D 也重构了
代码能跑就行，不管目标达成没有
这个项目就是专门给 Claude Code 戴上guardrails，用 4 条行为准则约束 AI 的编码行为
核心亮点：4 条准则改变一切
整个项目就是一个 CLAUDE.md 文件，里面只有 4 条规则，但每一条都直击 AI 编码的痛点
1. Think Before Coding - 先思考再动手
AI 最大的问题是“太听话”，你说啥它就写啥，从不质疑
这条准则要求：明确说明假设、权衡 tradeoffs，不确定就直接问
不再是“我猜你想要这个”，而是“我理解你的需求是 A，但 B 方案可能更合适，你要哪个？”
2. Simplicity First - 极简实现优先
AI 天生爱炫技，你要一个登录功能，它给你写个完整的 OAuth 2.0 + JWT + 刷新令牌 + 权限系统
这条准则强制：只写刚好能解决当前问题的最小代码
不搞 speculative abstractions，不写未来功能，不过度工程
一个用户反馈：用了这条规则后，代码 diff 从动辄几百行缩减到几十行，review 轻松太多
3. Surgical Changes - 手术式精准修改
这是我最爱的一条
AI 有个恶习：你让它改个 bug，它顺手把整个文件的命名风格、缩进、注释全优化了
这条准则要求：只改用户要求的部分，严格匹配原有代码风格
不碰无关文件，不顺手 refactor，不加“看起来更好”的改动
有开发者实测：启用这条后，git diff 从“满屏红绿”变成“3 行精准修改”
4. Goal-Driven Execution - 目标驱动执行
AI 经常写完代码就交差，但代码能跑 ≠ 任务完成
这条准则要求：把任务转化为可验证的目标/测试/成功标准，然后 loop 执行、验证、迭代
直到真正达成目标才停止
这让 AI 从“代码生成器”变成“问题解决者”
真实效果：社区反馈炸裂
X 上这个项目刷屏了，开发者反馈高度一致：
代码质量飞跃：diff 更紧凑、干净，overbuild 和 side changes 大幅减少
错误率暴降：有人实测从 41% 掉到 11%，继续优化后低至 3%
中文社区评价：“必备 skills”“Claude/Cursor 实用技能 Top1”“直接扔项目里就完事了”
很多人直接 @ 朋友推荐：“把这个 CLAUDE.md 放进去，Claude 立刻像换了个人，写代码更靠谱、不乱改、不瞎猜“
使用方式：简单到离谱
这是我见过最简单的 AI 工程优化方案：
方法一：直接 curl 把 CLAUDE.md 下载到项目根目录
curl -o CLAUDE.md https://t.co/aybUbZSrp4
方法二：用 Claude Code / Cursor 的 plugin 一键安装
支持 Claude Code、Cursor 等主流 AI coding 工具
完全开源（MIT 协议），拿来就用
作为产品经理出身的开发者，我看到的不只是 4 条规则，而是对 AI 编码行为的深刻洞察
Karpathy 做的事情本质上是：给 AI 建立编码的第一性原理，他把他对于AI编程的理解写入了文件中
不是教 AI 怎么写代码（���已经会了），而是教 AI 什么时候该问、什么时候该停、什么时候该简化
这 4 条准则就像产品经理给开发团队定的 PRD 原则：
需求不清楚？ 先问
功能够用就行？ 别过度设计
改需求？ 只改需求相关的
做完了？ 先验证目标达成没有
它能帮到我们什么？
如果你是独立开发者或小团队，这个项目能直接提升你的 AI 协作效率：
减少返工：AI 不再瞎猜需求，写出来的代码更符合预期
降低 review 成本：改动精准，不用在一堆无关修改里找真正的变更
提升代码质量：极简实现意味着更少的 bug、更好的可维护性
加速迭代：目标驱动让 AI 真正解决问题，而不是生成代码
对于中大型项目，这是让 Claude Code 真正“生产可用”的关键一步
我的使用体会
我在自己的几个项目里部署了这个 CLAUDE.md，最直观的感受是：
AI 变聪明了
以前它是个听话的实习生，你说啥它做���，经常做错
现在它像个有经验的同事，会主动问“你确定要这么做吗？ 我有个更简单的方案”
代码 diff 变干净了
以前一个小需求能改几十个文件，现在精准到只改 3-5 行
我的工作重心变了
以前 60% 时间在 review AI 的代码、修 bug
现在 80% 时间在思考产品逻辑，AI 真正成了生产力工具
最后
这个项目被誉为 2026 年 AI coding 领域的“现象级”黑魔法工具
小文件，大作用
如果你在用 Claude Code / Cursor 写代码，强烈建议直接把这个 CLAUDE.md 扔进项目根目录
GitHub 地址：https://t.co/BRgh5nx6dX
试过的人基本都是“已全项目部署”的状态
作为一个天天和 AI 协作的开发者，我的建议是：别犹豫，直接用
这个博主停更了整整两年，一回来就扔了个重磅内容。
他把整个AI产业链拆得特别清楚，从上到下分成12个层级。从最底层的能源、芯片这些基础设施，一路往上推，推到未来会出现的“AI原生经济生态”这个概念。
视频很值得多看几遍，特别是最后讲到什么叫“AI Native公司”的时候，确实挺有启发的。
爆炸信息：Claude的CEO刚刚发表了一封38页的公开信。
Dario Amodei精确绘制了哪些职业能在AI时代生存。
没有炒作。没有末日论。只有任何AI领导人做过的最冷酷、最具体的预测。
但第29页有一个推理框架，将AI从'你的替代者'变成'你最不公平的优势'。
这里有9个基于Amodei方法论的Claude提示，让你领先所有没读过这篇文章的人数年。
转译：西方忘了怎么造东西，现在也快忘了怎么写代码
作者：Denis Stetskov
2023 年，在巴黎航展上，雷神公司的总裁站在台上，讲起他们为了重启“毒刺”导弹（Stinger）生产线，到底费了多大劲。
他们把一批 70 多岁的老工程师请了回来，让这些老人教年轻员工怎么造一枚导弹。图纸还是卡特总统时代画在纸上的老图纸。测试设备已经在仓库里躺了很多年。导弹的鼻锥还得靠手工安装，方法和 40 年前一模一样。
五角大楼已经 20 年没买过新的“毒刺”了。然后，俄罗斯入侵乌克兰，局势一下变了：所有人突然都需要这种导弹。
可生产线早就关了。电子元件已经过时。导引头组件也停产了。2022 年 5 月下的订单，要到 2026 年才能交付。
整整 4 年。
不是因为没钱，而是因为真正知道怎么造它的人，十年前就退休了，而且��人接上。
我在乌克兰带工程团队。我的团队见到的是这个问题的另一面。不是工厂车间，而是战场上接收武器的那一端。
当雷神还在努力���据 40 年前的蓝图重启生产时，美国已经在向乌克兰运送成千上万枚“毒刺”。RTX 首席执行官 Greg Hayes 说，10 个月的战争，消耗掉了相当于 13 年产量的“毒刺”。
这种模式，我太熟悉了。它现在正在我的行业里重演。
一百万发炮弹，没人造得出来
2023 年 3 月，欧盟承诺在 12 个月内向乌克兰提供 100 万发炮弹。
当时，欧洲一整年的炮弹产能只有 23 万发。而乌克兰每天就要消耗 5000 到 7000 发。
任何人拿个计算器算一下，都知道这事根本不可能。
到了最后期限，欧洲只交付了大约一半。马克龙后来称，最初那个承诺太鲁莽。由 9 个国家、11 家媒体联合发起的一项调查发现，欧洲真实的生产能力大概只有欧盟官方说法的三分之一。
那 100 万发炮弹的目标，直到 2024 年 12 月才真正完成，比原计划晚了 9 个月。
���题不是某一个环节卡住了。是每一个环节都卡住了。
法国在 2007 年就停止了国内发射药生产，整整 17 年没有继续做。欧洲唯一一家主要 TNT 生产商在波兰。德国自己的弹药储备只够用两天。丹麦一家 Nammo 工厂在 2020 年关闭，后来不得不从零开始重启。
整个欧洲国防工业，长期以来都被优化成一种模式：生产少量、昂贵、定制化的产品。没人为大规模生产做准备。也没人为危机做准备。
美国也好不到哪里去。
155 毫米炮弹壳主要靠宾夕法尼亚州斯克兰顿的一家工厂；爆炸物填装则依赖爱荷华州的一处设施；美国从 1986 年起就没有本土 TNT 生产了。
后来砸进去几十亿美元，产量依然没达到目标的一半。
要么合并，要么死
这不是偶然。
1993 年，五角大楼告诉国防企业的 CEO 们：要么合并，要么死。
于是，51 家主要国防承包商最终缩成了 5 家。战术导弹供应商从 13 家变成 3 家。造船厂从 8 家变成 2 家。国防工业劳动力从 320 万人降到 110 万人，砍掉了 65%。
弹药供应链到处都是单点故障（single point of failure，指一个环节出问题就会拖垮整个系统）。
155 毫米炮弹壳只有一家制造商，位于加州科切拉，而那里就在圣安德烈亚斯断层上。发射药装药也只有加拿大的一处设施能做。
整个系统被优化到成本最低，却几乎没有任何应急余量。
纸面上看，很高效。
现实里，只差一个坏日子，就会崩。
知识一旦死去，就很难复活
再看 Fogbank。
Fogbank 是一种用于核弹头的机密材料。它在 1975 年到 1989 年间生产，后来生产设施被关闭。
多年后，美国政府为了一个核弹头寿命延长项目，需要重新制造 Fogbank。结果他们发现，自己已经不会做了。
美国政府问责局（GAO）的一份报告指出，几乎所有掌握生产经验的人，要么退休了，要么去世了，要么离开了相关机构。留下来的记录也很少。
经历了 6900 万美元的成本超支，以及数年的失败尝试后，他们终于做出了可用的 Fogbank。
然后，又发现新批次太“纯”了。
原来的生产工艺里，曾经有一种无意中产生的杂质，而这种杂质对材料功能至关重要。可没人知道这件事。
负责复现的工程师不知道。几十年前做出原始材料的工人也不知道。
洛斯阿拉莫斯把它称为原始工艺中的“无意识依赖”（unknowing dependency）：这个环节很关键，但当年没人意识到它关键。
一个核武器项目，竟然失去了制造自己发明出来的材料的能力。
更可怕的是，知识并不只是随着人离开而流失。它从一开始就没有被任何人真正完整理解过。
(更正：原文最初版本曾写道，当年制造 Fogbank 的工人知道这种杂质的存在。事实并非如此。他们也不知道。这个依赖关系是无意形成的，这反而让“知识流失”的论点更强，而不是更弱。感谢评论区的 John F. 指出这一点。)
同一套剧本
我读到 Fogbank 的故事时，立刻认出了这个模式。
我说的不是核材料本身，而是那个熟悉的剧本：
花几十年建立起一种能力。 找到一个更便宜的替代方案。 让人才梯队慢慢萎缩。 享受节省下来的成本。 然后，当危机突然要求你拿回那种能力时，看着一切崩塌。
在国防工业里，那个替代方案叫“和平红利”（peace dividend，指冷战结束后减少军费、把资源转向民用经济的收益）。
在软件行业里，它叫 AI。
我之前写过“人才管道崩塌”的问题。招聘数据、初级工程师到资深工程师之间的断层，都已经有很多证据。还有“理解力危机”：人们会让 AI 写代码，却越来越不理解代码本身。
但我之前一直没有找到一个足够贴切的历史类比。
现在我找到了。
而这个类比告诉我们的东西，是招聘数据看不出来的：重建一种能力，到底需要多久。
重建能力永远需要很多年
国防工业里，每一次大规模恢复产能，哪怕是相对简单的系统，也要 3 到 5 年。复杂系统则要 5 到 10 年。
“毒刺”：从下单到交付，至少 30 个月。 “标枪”（Javelin）：花了 4 年半，产量还没翻倍。 155 毫米炮弹：投入 50 亿美元，4 年过去仍没达到目标。 法国直到 2024 年才重启发射药生产，而距离它关闭国内生产线，已经过去了 17 年。
钱从来不是最大的限制。
知识才是。
兰德公司（RAND）发现，潜艇设计中有 10% 的技术技能，需要 10 年在岗经验才能培养出来，有时还得建立在博士学位之后。国防工业里的技术工种，学徒期通常��� 2 到 4 年；要达到能当主管的水平，则需要 5 到 8 年。
现在，把这套时间线放到���件行业里。
一个初级开发者，需要 3 到 5 年，才能成长为合格的中级工程师。 需要 5 到 8 年，才能成为资深工程师。 需要 10 年甚至更久，才能成为首席工程师或架构师。
这条时间线，不能靠砸钱压缩。 也不能靠 AI 压缩。
METR 做过一项随机对照试验（randomized controlled trial，医学和社会科学中常用的一种严谨实验方法）：经验丰富的开发者使用 AI 编程工具后，在真实开源任务上反而慢了 19%。
开始前，他们预测 AI 会让自己快 24%。结果现实和预期之间，相差了 43 个百分点。
研究人员后来想做后续实验时，相当一部分开发者拒绝参加——如果实验要求他们在没有 AI 的情况下工作，他们就不愿意。他们已经无法想象回到不用 AI 的状态。
账单总会来的
软件行业现在正进入同一种“优化”的第三年。
Salesforce 说，2025 年不会再招聘更多软件工程师。LeadDev 的一项调查发现，54% 的工程负责人认为，从长期看，AI 编程助手会减少初级工程师招聘。计算研究协会（CRA）对大学计算机院系的调查显示，62% 的院系报告今年入学人数下降。
我在代码审查里已经看到了这个问题。
现在，审查才是瓶颈。
AI 生成代码很快。 人类审查代码很慢。
于是行业的答案也很可预测：让 AI 去审查 AI 写的代码。
我不会这么做。
我改造了我们的拉取请求模板（pull request template，开发者提交代码变更时填写的说明模板）。现在，每个 PR 都必须说明：改了什么，为什么改，这属于哪类变更，以及修改前后的截图。
也就是说，我们要给审查者提供结构化上下文，不能让审查者靠猜。
我还在每个项目里安排专门的审查人员。更多双眼睛，就有更多机会发现模型漏掉的问题。
但这些仍然解决不了更深层的麻烦。
现在真正需要的能力已经变了。
光有技术能力不够。你还需要能主动负责、能清楚沟通取舍、能反驳机器��出的糟糕建议——哪怕那台机器说话听起来无比自信。
这些其实是领导力。
我们上一轮招聘就能说明这种人有多稀缺：2253 名候选人，2069 人被淘汰，最终录用 4 人。转化率只有 0.18%。
既有技术能力，又有判断力、能看出 AI 什么时候错了的人，在市场上几乎已经不存在了。
我们会记录一切。
Site Books、SDD、RVS 报告、带完整测试覆盖的样板模块……这些今天都有用，因为读这些文档的人，本身具备足够的工程能力，知道该怎么行动。
可如果以后读文档的人不具备这种能力，会怎样？
坦白说，我不知道。
也许 5 年后的 AI 足够强，这些问题就不重要了。也许问题仍然可控。我没法预测 2031 年模型会强到什么程度。
但危机不会提前给你发日历邀请。
没人预料到 2022 年欧洲会爆发全面陆地战争。国防工业有 30 年时间做准备，但它没有。
就连 Fogbank 当年也有记录。只���记录不够。更糟的是，原来的工人甚至没有完全理解自己的工艺。
5 到 10 年后，我们会需要资深工程师。
我们会需要那种真正理解系统全貌的人；需要能在凌晨两点调试分布式故障的人；需要携带着那些代码库里根本不存在的组织知识的人。
可这些工程师现在还不存在，因为我们没有在培养他们。
本该现在学习成长的初级工程师，要么根本没有被雇用，要么正在形成一项由美国国防部资助的劳动力研究称为“AI 中介能力”（AI-mediated competence）的东西。
他们会提示 AI。 但他们说不出 AI 错在哪里。
这就是代码行业的 Fogbank。
当初级工程师跳过调试，跳过那些塑造能力的犯错过程，他们就无法建立隐性知识（tacit expertise，指难以写成文档、只能通过实践积累的经验性能力）。
等我这一代工程师退休时，这些知识不会转移给 AI。
它只会消失。
西方已经犯过一次这样的错误。账单在乌克兰到期了。
我知道这听起来像什么。我也知道，我之前已经写过人才管道的问题。
但国防工业这个例子，不是为了重复同一个论点。它是为了展示：如果行业现在对 AI 的期待落空，会发生什么。
“毒刺”、“标枪”、Fogbank、那一百万发没人造得出来的炮弹——这就是把赌注押在“优化”上，结果赌错之后要付出的代价。
而我们现在，正在软件工程上押下同样的赌注。
也许 AI 会变得足够强，这场赌局最后会赢。
也许不会。
当年的国防工业，也以为和平会永远持续下去。
来源：https://t.co/oafk3VSMnB
到目前为止，这是我给所有想用好 AI 的人最重要的建议：
1. 给 Anthropic 付一点钱
2. 下载并打开 Claude Code
3. 按 Shift-Tab，直到出现”plan mode on”
4. 打开手机语音备忘录，把你想做的事全部说出来。觉得说完了？继续说，至少录 10 分钟，越长越好
5. 把语音发到电脑，用飞书妙记转录成文字
6. 在 Claude Code 里输入：「我从来没用过你，但我说了一些事情，粘贴在下面。请读完后问我问题，帮我搞清楚怎么用你做出一些厉害的事。一直问，直到我说结束为止」
7. 粘贴转录文字，回车然后就把主动权交给 Claude。如果这个方法有效，欢迎来找我说说。
如果这听起来很奇怪，就把这段话直接丢给你在用的任何 AI，然后说：「有人让我把这个发给你，我想试试，但不知道怎么开始，你帮我。」
好奇心和坚持，比什么都重要（来源于Matt Stockton）
再来一个开源神器：AI Video Transcriber，把视频一键变成可读文字，还能自动提炼要点。
支持 YouTube、TikTok、B 站等 30+ 平台；转录后可用 GPT-4o 自动纠错、断句、分段，并生成多语言摘要，几分钟抓住视频核心内容。
GitHub：https://t.co/3rCpscYv5j
官网：https://t.co/DcTT6gU3Sz
主要亮点：
- 覆盖 30+ 主流平台：YouTube、TikTok、B 站等
- 高精度语音转文字：自动识别 100+ 语言
- 转录文本智能优化：纠错、补全句��、自动分段更好读
- 多语言智能摘要：快速提取关键信息与结论
- 全流程进度可视化：下载、转录、优化状态一目了然
- 跨平台适配：移动端友好，手机也能直接用
部署也省心：支持 Docker 一键部署 + 本地自动安装脚本；使用需配置 OpenAI API Key。
思来��去， GPT-image2 最牛的应用情境：
算命
这个图片就是我输入手掌照片，gpt 给出的反馈
其中预警部分，看呆了。
玄学：人类就是被编码好的，是有规律的。
你先上传手掌正面照，然后用如下提示词 Prompt ⤵️
```
给你这个掌纹。请通过中国的玄学、指纹分析，以及一些中医学理论，顶级算命大师的技术帮我分析这个人的手纹。 请用这种线条标记写明每个要点，能够对他的命运有所预示。要求如下： 1. 采用易经或中医学理论分析, 要有预警和精准分析，要让用户觉得准。 2. 标明各个线条的关键点 3. 最少提供十个点的分析报告
```
你甚至可以多介绍自己情况， 或者要了解的方向， 你甚至可以要求它泄露天机，来洞见特定方面。
CLAUDE + YouTube = 赚钱。
无需学位、无需摄像机、无需剪辑技能。
连15岁都能做到。
我来告诉你具体怎么做。
12个在YouTube上'印钱'的提示词 👇
Anthropic 的哲学家@AmandaAskell 最近参加了一个访谈，在访谈中她分享了自己探索好奇领域的一个方法。
提示词大概是：
我希望你从「xx」领域里选一个大概研究生水平的概念。然后我希望你通过写一个寓言的方式，间接地把这个概念完整讲出来。最好一直到快结尾时，人才会慢慢意识到这个概念究竟是什么。然后在故事之后，再补一段解释，把你刚才真正要讲的概念说清楚。
刚刚火了的 #Sub2API 又有新工具替代了，#Metapi 主打个人自用，开源的市场真的欣欣向荣啊~这个时代太好了
你是否也有这样的困扰？手上注册了一堆 AI 中转站（其实都是公益站）：New API 的、DoneHub 的、还有基于New API魔改的AnyRouter 的……每个站点一个 Key、一个余额、一套模型列表。
日常使用的时候：
想用 Claude，去 A 站看看余额够不够
A 站没额度了？切到 B 站换个 Key
B 站这个模型贵？C 站便宜但偶尔挂……
每天还得挨个去签到领额度 📷
下游所有工具（Cherry Studio、Claude Code、Codex 、Open WebUI 等）即可无感接入全部模型配置了一堆 Base URL 和 API Key，某个站点寄了或者最近不稳了，就得到处改。
能不能搞一个东西，把这些中转站全聚合��来，只给下游暴露一个 Key？
于是，一个名为 Metapi 的工具诞生了。这个命名巧妙��借用了“Meta”一词，即中文里的“元”，代表着一种更高层级的抽象。因此，Metapi 的核心定位是一个“元 API”，专门用于连接和处理其他 API。
更多介绍和仓库链接见评论楼层👇
Last Seen Users on Sotwe
Most Popular Users
Elon Musk 
@elonmusk
240.7M followers
Barack Obama
@barackobama
119.2M followers
Donald J. Trump
@realdonaldtrump
111.7M followers
Cristiano Ronaldo
@cristiano
110.7M followers
Narendra Modi
@narendramodi
107M followers
Rihanna
@rihanna
97.7M followers
NASA
@nasa
92.2M followers
Justin Bieber
@justinbieber
90.9M followers
KATY PERRY
@katyperry
87.7M followers
Taylor Swift
@taylorswift13
81.6M followers
Lady Gaga
@ladygaga
73.1M followers
Virat Kohli
@imvkohli
70M followers
Kim Kardashian
@kimkardashian
69.8M followers
YouTube
@youtube
68.7M followers
Bill Gates
@billgates
63.9M followers
Neymar Jr
@neymarjr
62.7M followers
The Ellen Show
@theellenshow
62.4M followers
CNN
@cnn
61.9M followers
X
@x
60.8M followers
Selena Gomez
@selenagomez
60.8M followers