Tommy123

[Tommy123 @hetuo198881]

伦敦PK北京 https://t.co/DOqGlBl1Z6

[Yun-Ta Tsai @yunta_tsai]

Many people think any given ML project is 99% training.

In reality, it’s 50% evaluation, 40% data cleaning, 8% integration, and 2% training.

The first two set the noise floor for learning. No ML magic matters; the model cannot lower the noise floor, as that’s the optimal bound of Shannon encoding of your data.

Thus, not a single day goes by without me thinking about ontology. Even the old labels have to be constantly reviewed.

[Tw93 @HiTw93]

挺有趣，听朋友说我这几篇文章成为了现在 AI 岗位面试准备必读的文章，那我来汇总一下给大伙好啦，希望有帮助，当然也祝福最近从传统岗位工程师转型成 AI 岗位的小伙伴找到自己满意的工作。

1. 你不知道的 Claude Code：架构、治理与工程实践
https://t.co/p0RWjHcklI

2. 你不知道的 Agent：原理、架构与工程实践
https://t.co/4FXcGYqbaJ

3. 你不知道的大模型训练：原理、路径与新实践
https://t.co/DJuvPaBvhu

4. 你不知道的 AI Coding：非技术人的上手、场景与实战
https://t.co/TLi4q9XOtJ

5. 你不知道的 GEO：AI 可见性的原理、实践与取舍
https://t.co/VrLUqgucwR

6. 你不知道的具身智能：从小机器狗到 Optimus
https://t.co/bRBbRZXIZg

[paperpaper @paperpaper886]

最近在带入组的本科实习生，发现怎么读论文其实是科研训练里最容易被忽略的一步。
推荐一篇每个科研新人都该读的经典短文：S. Keshav 的 How to Read a Paper。

文章提出了非常实用的“三遍读论文法”：
第一遍，5 到 10 分钟快速扫读：标题、摘要、引言、章节标题、结论和参考文献。
目标是回答 5C：
Category, Context, Correctness, Contributions, Clarity。
也就是判断这篇论文是什么、和谁相关、假设是否合理、贡献是什么、写得清不清楚。
第二遍，认真读论文主线，但先跳过证明细节。重点看图表、实验设置、结果是否清楚、引用了哪些关键工作。
第三遍才进入深度理解：尝试像复现一样重建作者的思路，检��假设、方法、创新点和潜在漏洞。

放在今天看，这个方法和 AI 辅助读论文其实很契合。
第一遍可以让 AI 帮忙快速总结论文的研究问题、核心贡献和主要结论，但自己一定要判断这篇文章是否真的值得继续读。
第二遍可以让 AI 帮忙解释方法、实验设置、图表和不熟悉的概念，但不能只看 AI 总结。关键图表、实验设计和结果数字一定要回到原文核对。
第三遍可以让 AI 扮演 reviewer，帮你追问：这篇文章的假设是否成立？实验是否支持结论？有没有 missing baseline？有没有潜在的数据泄漏、评价偏差或过度 claim？

读论文不是“读完”就行。真正重要的是知道什么时候快速跳过，什么时候认真理解。
尤其在 AI 工具越来越强的情况下，科研新人更需要训练自己的判断力。
AI 可以帮你压缩信息，但不能替你决定一篇论文是否重要、是否可信、是否值得借鉴。

https://t.co/8gUc4HbLwR

[Frank Wang 玉伯 @lifesinger]

https://t.co/X4TYsNG3xG

[Phoenix Yin @Phoenixyin13]

今天来看腾讯的开��工程师的初面题。

Q1 - Q9, Q12我感觉这是整张卷子最值钱的部分。面试官非常懂行，他关注的是大模型在实际业务中的控制流和记忆管理。

先说Q1, Q2, Q5。
大模型的 Token 是要算钱且有长度限制的。怎么存用户的聊天记录？
怎么在跨系统、跨时间的情况下，还能让大模型记得用户是谁、之前说了什么？
这是做智能助手最核心的痛点。

Q3, Q4, Q6, Q12。终于开始考架构了。
面试官在考查你对大模型调用框架的底层认知。问 FSM和 LangGraph，说明腾讯需要用强控制、确定性高的流式架构去规范大模型的胡言乱语。
问为什么选 ReAct 而不是纯 Chain，估计是在看面试者对Reason-Action与死板工程流水线之间平衡点的理解。

Q7, Q8，毫无疑问的Skill。
这通常是大型 Agent 框架，比如字节的 Coze、腾讯自己的类似产品里的核心概念，考查的是能不能把复杂的工具调用封装成��准化、可复用的插件。

Q10、Q11，还有Q13。
这应该算是传统后端的知识。
工厂模式、本地部署与配置管理以及后台怎么搭建，是在淘汰那些只会调 OpenAI 接口，但连基本的后端架构、高可用、设计模式都不懂的包装型选手。
腾讯的团队，要的是能直接上手写生产环境代码的熟练工。

Q14、Q15，没啥可说的，算法基本功。
最长有效括号考Stack或者动态规划，挺考验逻辑严密性。
股票交易，也属于LeetCode 经典系列，我经常刷，典型的动态规划、贪心算法。经典的大厂核心算法大礼包，虽然和 AI 没直接关系，但用来刷掉代码基本功不过关的人非常有效。

现在大厂要的 AI 工程师，既要懂大模型的特性，比如Token限制、Agent流控、RAG挂载这些，又要是一个扎实的传统后端高手。
如果能把前 12 道关于 Agent 架构和记忆管理的题解释得既深又透，哪怕后面项目稍微薄弱一点，腾讯那边也会觉得你对大模型应用开发是有深度思考的。

[Boris Cherny @bcherny]

Fable 5 is the biggest step up I’ve felt in our models since Opus 4.5 back in November. After 4.5 came out I uninstalled my IDE when I realized that I’d been doing 100% of my coding in a terminal for a few weeks. With Fable, it’s felt like Claude has stepped up from being a coding agent to a thought and design partner in building the product. Fable has judgement, taste, and dimensionality in a way that previous models didn’t, leading me to trust it more with the most complex work.

I think the first time I had this realization was when I asked Fable to debug something. It is the first model I have used that was so methodical and precise, taking measurements and adding logs then verifying that it truly fixed the issue before declaring victory.

There’s nothing in claude code’s prompting telling the model to do that, it’s just part of its personality. It really has this “big model smell” that I haven’t felt before.

[shirish @shiri_shh]

The laptop hasn't changed in 30 years. NVIDIA just changed it

RTX Spark is their first PC chip ever.

- RTX 5070 level GPU
- 128GB unified memory
- 1 petaflop of local AI
- thin, light, barely throttles unplugged

Your AI agent lives on the machine. 24/7. No cloud.

This is step one of the agentic AI PC, and everyone else is about to copy it.

[Roland.W @rwayne]

英文播客听了两年，能改思维的就 6 个。

1、Founders（David Senra）每期 3 小时，啃企业家传记，把一个人怎么做决策讲透

2、Acquired（Ben Gilbert/David Rosenthal）讲公司完整商业史，Nike 讲了 4 小时，Nvidia 讲了 5 小时，听一集比读 3 本书快

3、All-In，4 个 VC 每周开喷科技和宏观，干货最多，没有第二家

4、My First Million，Sam 和 Shaan 每集脑暴百万美元生意 idea，听几期你自己也开始这样想

5、Knowledge Project（Shane Parrish），专采访会做复杂决策的人，每集多几个想事情的方法

6、Diary of a CEO（Steven Bartlett），专挖创始人的心理和失败，不回避脆弱

[数字生命卡兹克 @Khazix0918]

https://t.co/JunwMKnG3T

[沐阳 @yyyole]

优雅到极致的穿搭分享！！
只需要上传参考图片，然后使用提示词。

[郭宇 guoyu.eth @turingou]

在 vibe 了五个多月之后，我不觉得 SOTA 模型公司有能力吃下所有软件，我也不站在使用 FDE 改造现的企业来挣点快钱的那一侧，相反的，我是坚定的 AI Native company 的支持者，我认为所有企业都会被 AI Native 的组织所替代，而我坚信这一变化会持续数十年，这些未来的软件公司，会创造本世纪最伟大的投资机会。

[小盖 @xiaogaifun]

Notion 创始人这期分享确实很精彩。

大家千万别错过 Notion CEO Ivan Zhao 在红杉聊的这期播客，观点特别有见地。

甚至我觉得，这是近半年来所有创业者都应该认真精读的一期内容。

相当解惑。Ivan 把 AI 时代里一个组织正在发生的变化，用一种特别形象的方式串了起来。

1、Ivan 提到一个非常有意思的概念，叫 Jazz Mode。传统公司像 marching band（行进乐队），队形整齐，节奏固定，指挥说什么大家做什么。

Notion 想做的是 jazz band，有基本结构，但更强调即兴、互相接住、每个人都能主动发挥。

Ivan 觉得 AI 时代变化太快，太像 marching band 的组织会跟不上，所以 Notion 这几年在刻意招那种高主动性、高好奇心、能自己找路的人。

2、公司并不存在完美的扁平结构，人和人之间的层级关系始终存在，在这一点上他选择承认现实。

真正能设计的是一起工作的方式，把公司组织得更像一支可以即兴合奏的爵士乐队，而不是一支只会整齐队列表演的军乐队。

3、但爵士模式的前提是主旋律要清楚，相当于愿景、产品方向和少数几��铁律，类似底层和声结构。

团队在这个主旋律之上拥有较大的即兴空间，可以根据用户反馈和技术变化自己处理段落，而不是在每一个决策点都往上递审批。

4、Notion 现在大约有六十个曾经做过创始人的员工，这是他刻意营造的人才结构。

他更愿意招对 0 到 1 负过全责的人，这类人习惯自己发现问题、搭框架、推进落地，也更愿意在模糊地带主动出手。

公司需要的是能自己写歌、也能听懂别人演奏的人，而不是只会照谱子执行任务的演奏员。

5、在工程组织上，他把 Notion 重构成一个杠铃结构。

一端是非常 junior 的工程师，刚毕业或者职业早期；另一端是少数非常 senior 的架构师和技术带头人。

中间那类常规中高级工程师反而被刻意压缩，整个分布像一根两���重、中间瘦的杠铃。

6、杠铃结构背后的逻辑很简单。年轻工程师可塑性强，不会被旧时代的大规模工程实践和工具链束缚思路，在大模型快速变化的环境里能更容易接受全新的开发范式。

资深架构师负责定义系统级的分工和抽象，比如哪些部分交给模型，哪些部分坚持规则，如何组织数据和服务，确保整个产品作为一个系统是连贯的，而不是东一块西一块的功能拼盘。

7、当一个工程团队里大多数人都停在经验不浅、但也谈不上顶尖的这个档位时，整个组织很容易陷入一种温水状态：事情都有人做，但缺少敢颠覆旧方案的人，也少了愿意疯狂尝试新东西的人。

年轻人缺少全局视角，只能局部优化，老一辈如果人数太少，声音又容易被流程淹没，这种结构在 AI 时代会变得非常迟钝。

8、他用一个很有画面感的比喻来解释大模型产品开发。传统软件工程更像修桥，强调确定性的结构分析和数学推演，只要按照规范搭建，结果会高度可预测。

基于大语言模型做产品更接近酿啤酒，需要在原有配方和工艺上不断试验，调整温度、时间和原料比例，最后的标准来自人的口感而不是单一技术指标，用户体验是第一参照系。

9、他把 Notion 的 AI 能力视作对产品的再创作，而不是简单给旧界面贴一个智能按钮。

在拿到 GPT4 的早期访问时，他的直觉是，工具本身的工作方式需要重想，如果从公司一开始就可以假设存在这样的模型，那么 Notion 的交互结构、功能边界和价值主张应该是完全不一样的一套设计，这需要以重启思维来对待，而不是做一个插件。

10、他的职业生涯里出现过两次真正意义上的重启。

第一次发生在公司最困难的时候，团队被压缩到只剩几个核心成员，几个人躲在京都的小公寓里，用近乎白纸的心态重新问自己。

Notion 还要不要继续存在，如果要继续，哪些东西必须放弃，哪些能力哪怕再难也要保留。这一轮更偏向拿掉包袱、守住本质。

11、第二次重启发生在他拿到 GPT4 早期权限之后。

当模型能力跃迁时，他意识到自己这家公司可能会失去原本的位置，也可能借此进化成下一代生产力工具，关键在于有没有勇气承认旧的产品假设正在过期。

这一次的重启更偏向向前跳，是把 Notion 推向 AI 原生路线的转折点，从「文档+数据库」升级成「有理解能力的工作空间」的起点。

12、关于什么时候该重启，他给的判断标准非常实际。

并不是等到财务报表撑不住，更多是看组织与时代之间的错位：技术和市场环境已经明显往前走了，内部流程、产品形态和人才结构还停在旧逻辑里。

同时创始人对当下这家公司明显提不起兴趣，每天更像在维护一台运转正常但没有灵魂的机器，这种状态持续存在，基本就到了需要重启的阶段。

13、他谈创始人角色时，把重心放在创始人能量上。

创始人在公司里最关键的价值不只是最后拍板，更是持续发射出一套稳定的频率，这套频率包括对产品审美的标准，对什么算好体验的直觉，对哪些细节不能妥协的执念，以及面对不确定性时愿不愿意亲自下场试。

只要这股能量还在线，团队就知道自己在跟随一位有风格的乐手，不是在为一个抽象的 KPI 系统打工。

14、在人才选拔上，他逐���弱化简历本身的重要性。

Notion 的第一轮面试已经不再以简历为核心材料，更关注候选人在开放问题前的思考方式，对产品的直觉，对工具和工作方式的理解。

名校和大厂的履历在他眼里容易变成噪音，他更在意一个人能不能提出自己的看法，能不能在真实的情境下把事情推进，而不仅是在纸面上合格。

15、在销售文化上，他没有把销售放在产品的对立面。

他希望 Notion 的销售像懂音乐的乐手，先听清楚客户现在那首歌的节奏，再思考 Notion 这件乐器应该在什么位置加入，是主旋律，是伴奏，还是间奏，而不是一上来就把音量拉到最大只追逐签约数字。

真正重要的是建立长期合作关系，帮助对方把 Notion 用深、用广，而不是满足一次性收入目标。

16、他反复把组织、产品和 AI 放在同一个坐标系里思考。

组织设计要适配新的技术范式，人才结构要为���错和即兴留出空间，产品要在模型能力和用户体验之间找到新的平衡点，销售和商业化则负责把这套东西带到更大的市场里。

整套思路的底层前提很简单：这家公司永远是一支在不断改编曲目的爵士乐队，而不是一台固定工序的流水线。

[大变活人 @seanwei001]

看到妻子被带走的雄蟹，为了保护妻子，从藏身处出来拥抱她。察觉到这一情况的渔夫，在祝贺雄蟹后，赠送了一条鱼然后离开。

[Vivo @vivoplt]

best 15 accounts to follow in AI:

@karpathy = LLMs king
@steipete = built openclaw
@gregisenberg = startup ideas king
@rileybrown = vibecode king
@jackfriks = solo apps king
@levelsio = startups king
@marclou = startups king
@EXM7777 = AI ops + systems king
@eptwts = AI money twitter king
@godofprompt = prompt king
@vasuman = AI agents king
@AmirMushich= AI ads king
@0xROAS = AI UGCs king
@egeberkina = AI images king
@MengTo= AI landing pages king

follow them all and learn.

[Aron厚玉 @aronhouyu]

Ai领域最值得关注的英文账号：

@karpathy = 大语言模型之王
@steipete = OpenClaw 创始人
@gregisenberg = 创业点子王
@rileybrown = VibeCode 王
@jackfriks = 一人App王
@levelsio = 创业之王
@marclou = 创业之王
@EXM7777 = AI Ops 之王
@aronhouyu = AI门口的混子
@eptwts = AI赚钱Twitter之王
@godofprompt = 提示词之王
@vasuman = AI 智能体之王
@AmirMushich = AI 广告之王
@0xROAS = AI UGC 之王
@egeberkina = AI 生图之王
@MengTo = AI 落地页之王
@boringmarketer = AI 智能营销
@kimmonismus = AI 新闻之王
@NorthstarBrain = 实用AI之王

原贴： @vivoplt
https://t.co/7B6o2SBtSp

[Tommy123 @hetuo198881]

皇冠大战，从头拼到尾，Moon vs focus！魔兽争霸3 https://t.co/uv4SL8qos2 via @YouTube

[iPaul @iPaulCanada]

德国牙医演示怎样正确刷牙

[JJ @JosephJacks_]

PREDICTION:

Anthropic will surpass Alphabet in revenue by mid-2028.

This is not a bull case or an acceleration scenario — it is a continuation of the curve already in evidence.

Anthropic’s ARR went from $1B (Jan 2025) to $9B (Dec 2025) to $30B (Apr 2026) — a 3.3x step in a single four-month window, and the curve has been steepening, not flattening.

My projection actually assumes deceleration from here: $100B by end of 2026, $340B in 2027, $850B in 2028, $1.4T in 2029, $2T by 2030.

Crossover with Alphabet happens at ~$575B in mid-2028, not because Anthropic accelerates beyond today’s pace, but because Alphabet — locked at ~15% YoY in a mature ads-and-cloud business — cannot match enterprise AI’s adoption physics.

As @rodriscoll intelligently observed recently, Gemini tokens served grew by only 60% in the last quarter … while Anthropic grew by 10X.

Three drivers make the continuation structural, not speculative: customers spending >$1M/year with Anthropic doubled from 500 to 1,000 in under two months post-Series G (these are multi-year expanding contracts with near-zero churn — switching a deployed agent stack mid-flight is operationally untenable);

Claude Code is the wedge, not the product, dragging the rest of the platform — agents, MCP,

healthcare, biotech — into every Fortune 2000 deployment as an attach point;

and compute supply is finally non-binding with the 3.5GW Google + Broadcom deal (2027+), this weeks SpaceX partnership, and 1GW of standing Google capacity for 2026.

For most of 2024–2025 the bottleneck was supply, not demand. That constraint is releasing exactly when the demand curve is steepest.

The standard objection — “no company has ever sustained this at scale” — applies a software-era frame to a labor-era business.

AWS, Azure, and Meta decelerated at $50–100B because they sold tools to the economy.

Anthropic is selling cognitive capacity into the economy.

The TAM isn’t enterprise software ($800B). It’s labor ($50T+).

When the denominator is two orders of magnitude larger, “deceleration at $100B ARR” stops being a law and starts being an assumption.

The crossover isn’t a maybe. It’s a function of timing. Mid-2028 is when I think Anthropic surpasses Google.

[Tommy123 @hetuo198881]

Running an AI-native engineering org https://t.co/uLe6V4Hqdt via @YouTube

[Yiwei Ho @1weiho]

Introducing open-slide - The slide framework built for agents.

Prompt your agent, get a polished deck.

$ npx @⁠open-slide/cli init

👇