Victoriayiyiyi

[dontbesilent @dontbesilent]

两年全网涨粉 100 万

40 分钟，从定位、内容到流量、变现，讲清做自媒体的全流程

[黄赟 @huangyun_122]

嗯，硅谷万亿 AI 巨头 Palantir，招聘自家 FDE 时，给出的入职指南，竟然是 5本书，有点意思

有一本叫做《IMPRO》, 翻译过来《即兴：即兴创作与剧场》原来不止国人会把察言观色作为高级管理干部考核指标，西人也一样

隐约感觉，这些能打胜仗的经验，都是从中国智慧中提炼出来的

[Denzii 🕊️ @denziideng]

说一个暴论：

2026 年，“岗位经验”首次被官方开源了。

Anthropic 放出 11 个岗位插件（GitHub 26k+ star）：

销售、法务、财务、产品、市场、客服、数据……

每个都是“这个岗位怎么干活”的完整知识库，

附赠全套工具连接器，开源免费。

有人高兴：终于不用踩坑了，插件一装就是半个专家。

有人脊背发凉：我最值钱的岗位 knowhow，被写成了 Markdown。😲

以前一个人吃饭的本事 = 别人不知道你知道什么；

现在 Claude 装个插件就知道了，还 24 小时在线。

想想吧，你的岗位经验，还能撑几年？🤔👇

🔗 https://t.co/IwFqlYklMV

最后，你的岗位被点名了吗？评论区报职业，我看看谁该慌😂

#AI #职场 #裁员

[宝玉 @dotey]

这个网站不错，很多从 X 上收集的 Opus 5.5 动画视频案例，有 X 链接，大部分有可以跑起来的 Prompt
https://t.co/JaMU9MbjWr

[Mr. Buzzoni @polydao]

I'm sharing with you one of the best papers I've read on Harness Engineering

it takes apart Claude Code (Opus 5.5), Codex, Gemini CLI and more, and boils all of them down to one line:

agent = model + harness

what you walk away with:
> what a harness actually is
> how today's coding agents are built under the hood
> the patterns every one of them repeats
> where the whole category is heading
> their checklist for building your own

the model gets the headlines. the harness decides whether the agent works

loop and graph engineering on top of it - in my article below

[琳小航AI @jedeeai]

来，我们继续盘！

过去一个月，相信大家都感受到AI视频的魔力了

这个赛道彻底杀疯了！各种新模型和自动化 Skill 层出不穷

到底哪些工作流才是真正能落地出片、被大家验证过的？

我整理了过去30天X上【收藏量 Top 10】的AI视频实操神贴！

累计收藏破2万次，从Opus 5.5代码视频、零剪辑爆款实战，到400+开源提示词和分镜模板，全是最硬核的干货

老规矩，建议直接收藏，作为你的AI视频兵器库 👇

1、卡尔的AI沃茨 @aiwarts 作品收藏量：5231
《我把 463 个AI视频做成了 Skill 和提示语模版，全都开源！》
https://t.co/vXdiaL26aW

2、Miles Ma @miles_mazy 作品收藏量：3598
《Codex 实战系列｜零剪辑自动生成爆款视频》
https://t.co/DlpGKtoPxM

3、xilo @xilo2991 作品收藏量：2053
《零基础入门Opus5.5做视频，万字拆解AI是如何用代码做视频的【提示词+Skill全开源】》
https://t.co/2MIJkew0A0

4、雪踏乌云 @Pluvio9yte 作品收藏量：1942
《手把手教你用 Codex + Hypit 复刻抖音爆款视频》
https://t.co/DAu6MHqn6n

5、观默 @guanmo_ai 作品收藏量：1936
《全网首发！用 Codex 自动生成顶尖动效视频》
https://t.co/bBJKZNjdwP

6、Simon聊AI @HanZhang415188 作品收藏量：1616
《Codex + Excalidraw 带你一句话出片：手绘白板风格视频，不露脸、不剪辑、高质感》
https://t.co/cxGzRZ3AF8

7、大雷 @AaronYiaazw 作品收藏量：1536
《AI婚礼视频定制教程+引导式skill》
https://t.co/Q8EODEFyf3

8、三个三 @3three_AI 作品收藏量：1233
《全网首发！AI动画制作全流程分享！》
https://t.co/fZwzqPCwQi

9、宝玉 @dotey 作品收藏量：1153
《Claude Opus 5.5 是怎么做出视频的》
https://t.co/iw5P0tBWuc

10、想风 @xaiwind 作品收藏量：1092
《超简单剪映使用，从小白到用Skill，剪辑第一个爆款视频》
https://t.co/FedKmv2nSa

[Xudong Han @Xudong07452910]

AI 时代，怎么继续真正学习？

一句话，别让 AI替你思考，让它逼你思考。

作者在学习 Bitcask 和 LSM-tree 这类存储系统时，刻意不给 AI 直接写答案，而是让它当「苏格拉底式导师」，不断提问，把关键问题留给自己想。

测试、脚手架、可视化这些重复工作可以交给 AI，真正需要建立理解的部分自己啃。再让 AI 把大项目拆成一个个能验证的小阶段。

这个思路我非常喜欢。

以前学习难在找不到答案，现在更难的可能是答案来得太快。

AI 可以帮我们绕开很多没意义的弯路，但那些真正能长能力的地方，可能还是得给自己留一点「卡住」的时间。

非常推荐阅读这篇文章。

https://t.co/xb8sKIa8Vi

[花叔 @AlchainHust]

替你们试过了，我这个skill做短视频起号绝了。

晚上出门前随手花10分钟做的视频，已经3万+播放了。比我日常耗费精力做的视频中位数水平好多了。

[Adrian Punk @AdrianPunk115]

写视频提示词真的很简单

就是八个字：主体、动作、效果、运镜

最难的部分就是运镜，外面几百块让你学的视频提示词，无外乎就是在运镜方面让你大开眼界。

运镜的推、拉、摇、移都搞明白了，很难没有电影感…

[Viking @vikingmute]

用 Opus5.5 的朋友们必看 Claude 官方的这篇文章《Getting the most out of Opus 5.5 in Claude and Claude Code》充分发挥 Opus 5.5 的能力
https://t.co/GqBwPRR6JR

作者是 Addy Osmani 算个大名人了，之前在 google 呆了 14 年，写了很多前端的书，我也读过很多，2026年9月加入 A 社了。

这篇文章我觉得优势是特别可以通俗，没有什么复杂的原理 但是非常偏实战

几个方面：1 怎么下任务 2 控制 Long Run 的集中方法 3 验收结果 4 Claude App 的使用技巧 5 Opus 5.5 的安全开关 ，这个比较有趣 一旦被判敏感 Claude 不会停，而是自动换成更旧的模型接着答

[向阳乔木 @vista8]

AK 真的是能引领风潮！

大模型真的啥都懂，专业名词就是最大的Prompt技巧。

ASD-STE100这个名词看着很陌生，最早是航空航天领域 1980 年定的规范。（果然尖端领域有最佳实践）

主要是为了写清晰的技术文档，限定只能用大约 900 个词汇。

写作规则 53 条，挑几个大家感受下：

词汇：只能用批准词汇、技术名词、技术动词，用美式英语拼写。

动词：只能用不定式、祈使式、一般现在/过去/将来时、过去分词（仅作形容词），禁用复杂助动词结构。

描述性写作 ：每句最多25词，每段最多6句，每段只讲一个主题 。

程序性写作：每句最多20词，每句只写一条指令，用祈使句 。

一词一义：词典中每个词只有一个含义、一种词性。例如只用 "start"，不用 "begin"、"commence"。

主动语态优先：禁用被动语态，除非施动者未知。

短句要求：指令最多 20词，描述类最多 25词。

一句一指令：步骤中每句只写一个动作。

受控词汇：约900个批准词 + 公司/项目专用技术名词（需遵守额外规则）。

禁用词汇：缩略语、俚语、地区性表达、同义词混用、复杂动词结构（如 "would have been installed"）。

结构一致性：整篇文档必须使用同一名称。

---
把这套方法论要求，融入到了一个学习 Skill 中。

安装指令：
npx skills add joeseesun/qiaomu-learning

[Victoriayiyiyi @jnwangyi]

@TheHumanoidHub amazing❤️

[donald @donaldjewkes]

you can prompt this entire facility

one model controls everything: equipment, researchers, and inventory

I spent two weeks living inside it, working on C5R's launch with Astra – here's what it felt like:

[Mahax @Mahaximus_]

this is f*cking gold.

How to build your first AI agent with Jev.

This is everything you need to know to be ahead of the most people.

Once Jev is in your loop, your agent picks its own next action, rates its own outputs, and decides when the goal is met.

it runs without you watching it.

Jev is a decision model built specifically for this. it reads your system state and returns a typed answer with confidence:

Choice - which agent or action should happen next?
Score - is this result good enough to keep?
Noul - is the goal met?

the architecture:
LLM thinks. Jev decides. Agent executes.

10 minutes to get it running. Hosted on Vercel and Cloudflare via Typesafe. Waitlist access, people report getting in within a day.

The guide in the image maps the full setup, from architecture to your first decision call.

Wrote the full breakdown on agents, loops, and graphs below.

[苍述 @Sither_V]

我的视角理论上来说是国内FDE最前沿的一批了，今天出来把真正的现状说一下 https://t.co/940FE5Wk52

[Marilyn Liu @MarilynLiu97]

Such a great article! After talking with several brilliant researchers last night, I realized that beneath all the excitement around Physical AI, the fundamentals haven’t really changed. The real challenges still lie in hardware, deployment, human–robot interfaces, and data.

The hardest problems may only truly emerge after GPT-6. That’s bad news—but also a huge opportunity.

[AYi @AYi_AInotes]

全网都在把软件工厂当成融资吹牛的新口号，很多团队嘴上喊着拥抱自动化，身体却还在每天开会跟大模型手把手聊天改代码，

Matt Pocock 刚刚用一套极度克制的词典定义，把这个被玩坏的概念彻底拉回了工程地面。

两组方向截然相反的开发姿态撞在一起，才是这个词最值钱的切口：
一边是大部分人以为的软件工厂，每天在 IDE 聊天框里敲一段提示词、等几分钟看一眼，本质上只是雇了个稍微听话的远程学徒；

另一边是真正跑通的软件工厂，启动会话的从来不是人类的手指，而是生产环境的告警、工单和监控指标，模型在后台离席自主改代码、跑单测、提改动，工程师只需要把有限的注意力留给关键的门禁审核。

更有意思的是他特意切出来的对照组，也就是暗工厂。

所谓暗工厂，是指代码从写出来到合入主分支全程无人审查，很多激进的自媒体把它吹成终极未来，但这在严肃工程里往往是灾难；

车厂的一块零件焊歪了顶多坏掉那一辆车，但在软件工厂里合进一段垃圾代码，它会立刻变成后续所有智能体的上下文和范例，直接导致整条产线自我投毒。

这也是为什么一线真实数据里，纯无人全自动合入率只有 55% 左右，而有人兜底把关的流水线能稳稳冲到 86% 以上。

瓶颈早就不是模型生成代码的速度，而是人类定义目标和评测的质量。

当代码生成变得像自来水一样便宜，写详细的任务规格、把仓库治理成智能体能看懂的类型与单测架构、以及守住哪些改动必须人工签发，成了全行业最稀缺的资产；

就像 Guillermo Rauch 说的那样，软件公司的护城河正在从写过的代码，变成生产代码的这套手段。

以前我们拼的是谁键盘敲得快、谁记的 API 多，从今天起工程师的溢价彻底转移到了工厂设计上。

如果每段改动还要资深架构师半夜肉眼通宵排查，你买到的依然只是更贵的自动补全。

这套把聊天变成产线的模式落地后，大家最想先拿哪个场景做触发器？我自己是打算把那些烦人又耗时间的依赖升级和偶发测试报错，全交出去做离席流水线。

[RoboHub🤖 @XRoboHub]

We have plenty of human demonstration data for movement. We don’t have enough for touch.

Without tactile feedback, foundation models can’t feel if an object is slipping, soft, or fragile during complex manipulation.

Matrix Inno is bringing three data-collection gloves to IROS 2026: the RigidCore Tactile+EMF, the Fabric Tactile + EMF, and the Fabric Tactile + UltraLite Motion Glove. The hardware tracks pressure and hand pose simultaneously during human demos, mapping exactly where contact happens and how it shifts in real time.

Wearables like this are how we finally get real, continuous contact data at scale.

Source: Matrix Inno @moxianmxkj

[vartekx @vartekxx]

Google just dropped a 12-page PDF on Agentic Engineering - building agents and agents teams that will change your life

here's the 5-stage Google agentic engineering pipeline:

stage 1 → specification - define success with tests and automated checks

stage 2 → harness - give the agent tools, prompts, guardrails, and everything it needs to act

stage 3 → trajectory - let it execute the full workflow instead of judging one response at a time

stage 4 → verification - run linters, tests, and semantic checks before accepting the result

stage 5 → meta-debug - when the agent fails, fix the workflow, not the model

the shift is simple:

stop asking "which model should I use?"

start asking "what system do we build around the model?"

Read this 12-page PDF before building another agent - it breaks down five real Google systems most agent tutorials never show

save now, then read how to build your first agent in the article below

[Ethan @ethanl_01]

朱啸虎昨晚北大演讲核心总结

1. 技术领先只是阶段性优势，长期竞争最终还是回到商业。
技术进步快的时候拼技术；技术扩散快的时候，拼渠道、品牌、供应链、成本、用户入口和运营效率。

2. 判断创业项目最重要的是 3S：
Size：市场足够大
Scalable：能够快速规模化复制
Sustainable：能够长期防御，不容易被大厂复制或吞掉

3. 高度定制化的业务很难 Scale。
如果每个客户都需要重新部署、重新开发、重新服务，本质上更接近服务公司，而不是可规模化的产品公司。

4. 最好的增长是用户主动带来用户。
社交网络、社区和双边平台的优势，在于网络效应和自然传播，而不是长期依赖买量。

5. AI 创业最危险的是做成一个“大厂可以免费集成的功能”。
如果只是一个简单 AI Feature，没有入口、数据、网络效应等壁垒，很容易变成给大厂“打样”。

6. 用户入口往往比单纯的技术领先更加重要。
腾讯能够不断后发追赶，一个重要原因就是微信、QQ 这样的流量入口长期存在。

7. 双边、多对多的平台更容易形成长期壁垒。
滴滴、美团这类平台的核心不是简单撮合，而是同时连接大量供给方和大量需求方。

8. 高频业务比低频业务更容易形成独立产品和用户入口。
一个比较理想的标准是用户至少每周使用一次；频率太低，很难长期占据用户心智。

9. 创业公司最好不要教育市场。
最好的切入点，是用户本来就存在需求、已经形成习惯，只是原来的解决方案不够好。

10. 用户数量本身并不等于商业价值。
更重要的是用户是否愿意付费、是否有留存、是否能够升级到更高价值的服务。

11. 交易越标准化，越容易规模化。
像打车这种“A 点到 B 点”的标准需求，更容易形成大平台；高度非标的家政、美容等服务则更难 Scale。

12. 留存比单纯增长更重要。
朱啸虎提到，其看 AI 产品时，希望看到大致次月留存 50%+、六个月留存 20%+。

13. AI 正在从 Token Maxing 转向 Value Maxing。
未来不是所有任务都要使用最强模型，而是选择最合适、性价比最高的模型完成任务。

14. 开源模型可能逐渐成为 AI 基础设施的重要形态。
朱啸虎将其类比 Linux：随着模型能力趋同和成本下降，开源模型可能获得越来越大的市场空间。

15. 真正成熟的 AI 产品应该把模型和 Prompt 隐藏起来。
用户不需要关心 GPT、Claude、DeepSeek，也不需要自己选择模型，只需要提出需求，系统自动完成任务。

16. AI 最好的创业机会之一，是“旧需求 × 10 倍体验”。
不一定需要创造全新的需求，而是找到已经被市场验证的需求，再利用 AI 把体验提升 10 倍甚至 100 倍。

17. 朱啸虎目前重点提到的 AI 应用方向包括角色扮演、Coding 和视频。
这些场景具有高频、强需求，以及 AI 相比传统技术明显提升体验的特点。

18. 中国 AI 软件出海，开源可能是一种重要获客方式。
相比传统依赖海外销售团队的 SaaS，开源可以通过产品本身和开发者社区直接触达全球用户。

19. 机器人创业不一定追求“通用”，而应该优先解决高价值的具体任务。
相比大量同质化的人形机器人，更值得关注的是水下清洗、工业装配等“高价值、任务明确、泛化要求低”的场景。

总结：技术先进只是入场券。随着技术快速普及，真正决定公司长期价值的，还是市场规模、规模化能力、用户留存、入口、商业模式和壁垒。