karajan

7 months ago

预订本年度最有价值提示词 —— 生成既有质感，又能随意修改文字的完美 PPT 大家都很喜欢 NotebookLM 生成的 Slide Deck（幻灯片）风格也很棒。👇

484

705K

karajan retweeted

7 months ago

Redis 之父 Salvatore Sanfilippo 最近发了一篇年终 AI 反思，一共 8 条观点。先说个背景：Salvatore 不是 AI 圈的人，他是程序员圈的传奇。2009 年创造了 Redis，这个数据库如今是全球最流行的缓存系统之一。2020 年他从 Redis 退休，去做自己的事。2024 年底回归 Redis，同时成了 AI 工具的深度用户，Claude 是他的编码伙伴。这种身份很有意思——他既是技术大牛，又是 AI 的普通使用者，视角比纯 AI 研究者更接地气。一、随机鹦鹉的说法，终于没人信了 2021 年，Google 的研究员 Timnit Gebru 等人发了篇论文，给大语言模型起了个外号叫随机鹦鹉。意思是这些模型只是在概率性地拼凑文字，既不理解问题是什么意思，也不知道自己在说什么。这个比喻很形象，传播很广。但 Salvatore 说，到 2025 年，几乎没人再这么说了。为什么？因为证据太多了。LLM 在律师资格考试、医学考试、数学竞赛上的表现超过了绝大多数人类。更关键的是，研究者通过逆向工程这些模型，发现里面确实形成了对概念的内部表征，不是简单的词语拼贴。 Geoffrey Hinton 的说法最直接：要准确预测下一个词，你必须理解这个句子。理解不是预测的替代品，而是做好预测的必要条件。当然，LLM 是不是真的理解，哲学上还可以争论。但实用层面，这个争论已经结束了。二、思维链是个被低估的突破思维链，就是让模型在回答之前先把思考过程写出来。看起来简单，背后的机制却很深。 Salvatore 认为它做了两件事：第一，它让模型在回答前先采样自己的内部表征。说人话就是，先把和问题相关的概念、信息调动到上下文里，再基于这些信息回答。这有点像人考试前先在草稿纸上列提纲。第二，结合强化学习，模型学会了如何一步步把思考推向正确答案。每一个 token 的输出都会改变模型的状态，强化学习帮它找到那条能收敛到好答案的路径。这不是什么神秘的东西，但效果惊人。三、算力扩张的瓶颈被打破了以前 AI 圈有个共识：模型能力的提升取决于训练数据量，而人类产出的文本是有限的，所以扩张迟早会撞墙。但现在有了可验证奖励的强化学习，情况变了。什么是可验证奖励？就是有些任务，比如优化程序速度、证明数学定理，模型可以自己判断结果好不好。程序跑得更快就是更好，证明对了就是对了，不需要人来标注。这意味着模型可以在这类任务上持续自我提升，产生几乎无限的训练信号。Salvatore 认为，这将是 AI 下一个大突破的方向。还记得 AlphaGo 第 37 手吗？那步棋当时没人看懂，后来证明是神之一手。Salvatore 觉得，LLM 在某些领域也可能走出这样的路径。四、程序员的态度转变了一年前，程序员圈子还分成两派：一派觉得 AI 辅助编程是神器，一派觉得是玩具。现在，怀疑派大规模倒戈了。原因很简单：投入产出比过了临界点。模型确实会犯错，但它节省的时间已经远超你修正错误的成本。有趣的是，程序员使用 AI 的方式分成了两派：一派把 LLM 当"同事"，主要通过网页界面对话式地用。Salvatore 自己就是这派，用 Gemini、Claude 这些的网页版，像跟一个懂行的人聊天一样协作。另一派把 LLM 当"独立自主的编码智能体"，让它自己去写代码、跑测试、修 bug，人类主要负责审核。这两种用法背后是不同的哲学：你是把 AI 当助手，还是当执行者？五、Transformer 可能就是那条路一些知名 AI 科学家开始探索 Transformer 之外的架构，成立公司研究显式符号表征或世界模型。 Salvatore 对此持开放但谨慎的态度。他认为 LLM 本质上是在一个可微分的空间里近似离散推理，不是不可能在没有根本性新范式的情况下就达到 AGI。而且，AGI 可能通过多种完全不同的架构独立实现。换句话说，条条大路通罗马。Transformer 可能不是唯一的路，但也不一定是死路。六、思维链没有改变 LLM 的本质有人改口了。以前说 LLM 是随机鹦鹉，现在承认 LLM 有能力了，但又说思维链从根本上改变了 LLM 的本质，所以以前的批评仍然对。 Salvatore 直接说：他们在撒谎。架构没变，还是 Transformer。训练目标没变，还是预测下一个 token。CoT 也是一个 token 一个 token 生成的，跟生成别的内容没有本质区别。你不能因为模型变强了就说它"变成了另一个东西"，来给自己的错误判断找台阶下。这话说得挺不客气，但逻辑上确实站得住。科学判断应该基于机制，不能因为结果变了就改定义。还有一个案例很能说明问题：ARC 测试。七、ARC 测试从反 LLM 变成了亲 LLM ARC 是 François Chollet 在 2019 年设计的测试，专门用来衡量抽象推理能力。它的设计初衷就是抗记忆、抗暴力穷举，只能靠真正的推理来解。当时很多人认为，LLM 永远过不了这个测试。因为它需要的是从极少样本中归纳规则、应用到新情况的能力，这恰恰是随机鹦鹉做不到的。结果呢？2024 年底，OpenAI 的 o3 在 ARC-AGI-1 上达到了 75.7% 的准确率。2025 年，即使是更难的 ARC-AGI-2，顶尖模型也能达到 50% 以上。这个逆转挺讽刺的。当初设计这个测试，就是为了证明 LLM 不行。结果它反而成了证明 LLM 可以的证据。八、未来 20 年的根本挑战最后一条只有一句话：未来 20 年 AI 的根本挑战是避免灭绝。没有展开，就这么一句。但你知道他在说什么。当 AI 真的变得足够强大，"怎么确保它不会出大问题"就不再是科幻话题了。 Salvatore 不是 AI 的狂热信徒，也不是怀疑论者。他是一个既懂技术又在实际用 AI 的人。不是纯学术的视角，也不是纯商业的吹捧，而是一个资深工程师的冷静观察。他的核心判断是：LLM 比很多人愿意承认的要强大得多，强化学习正在打开新的可能性，而我们对这些系统的理解还远远不够。这大概就是 2025 年 AI 发展的真实状态：能力在加速，争议在减少，但不确定性仍然巨大。

dotey's tweet photo. Redis 之父 Salvatore Sanfilippo 最近发了一篇年终 AI 反思，一共 8 条观点。

先说个背景：Salvatore 不是 AI 圈的人，他是程序员圈的传奇。2009 年创造了 Redis，这个数据库如今是全球最流行的缓存系统之一。2020 年他从 Redis 退休，去做自己的事。2024 年底回归 Redis，同时成了 AI 工具的深度用户，Claude 是他的编码伙伴。

这种身份很有意思——他既是技术大牛，又是 AI 的普通使用者，视角比纯 AI 研究者更接地气。

一、随机鹦鹉的说法，终于没人信了

2021 年，Google 的研究员 Timnit Gebru 等人发了篇论文，给大语言模型起了个外号叫随机鹦鹉。意思是这些模型只是在概率性地拼凑文字，既不理解问题是什么意思，也不知道自己在说什么。

这个比喻很形象，传播很广。但 Salvatore 说，到 2025 年，几乎没人再这么说了。

为什么？因为证据太多了。LLM 在律师资格考试、医学考试、数学竞赛上的表现超过了绝大多数人类。更关键的是，研究者通过逆向工程这些模型，发现里面确实形成了对概念的内部表征，不是简单的词语拼贴。

Geoffrey Hinton 的说法最直接：要准确预测下一个词，你必须理解这个句子。理解不是预测的替代品，而是做好预测的必要条件。

当然，LLM 是不是真的理解，哲学上还可以争论。但实用层面，这个争论已经结束了。

二、思维链是个被低估的突破

思维链，就是让模型在回答之前先把思考过程写出来。看起来简单，背后的机制却很深。

Salvatore 认为它做了两件事：

第一，它让模型在回答前先采样自己的内部表征。说人话就是，先把和问题相关的概念、信息调动到上下文里，再基于这些信息回答。这有点像人考试前先在草稿纸上列提纲。

第二，结合强化学习，模型学会了如何一步步把思考推向正确答案。每一个 token 的输出都会改变模型的状态，强化学习帮它找到那条能收敛到好答案的路径。

这不是什么神秘的东西，但效果惊人。

三、算力扩张的瓶颈被打破了

以前 AI 圈有个共识：模型能力的提升取决于训练数据量，而人类产出的文本是有限的，所以扩张迟早会撞墙。

但现在有了可验证奖励的强化学习，情况变了。

什么是可验证奖励？就是有些任务，比如优化程序速度、证明数学定理，模型可以自己判断结果好不好。程序跑得更快就是更好，证明对了就是对了，不需要人来标注。

这意味着模型可以在这类任务上持续自我提升，产生几乎无限的训练信号。Salvatore 认为，这将是 AI 下一个大突破的方向。

还记得 AlphaGo 第 37 手吗？那步棋当时没人看懂，后来证明是神之一手。Salvatore 觉得，LLM 在某些领域也可能走出这样的路径。

四、程序员的态度转变了

一年前，程序员圈子还分成两派：一派觉得 AI 辅助编程是神器，一派觉得是玩具。现在，怀疑派大规模倒戈了。

原因很简单：投入产出比过了临界点。模型确实会犯错，但它节省的时间已经远超你修正错误的成本。

有趣的是，程序员使用 AI 的方式分成了两派：一派把 LLM 当"同事"，主要通过网页界面对话式地用。Salvatore 自己就是这派，用 Gemini、Claude 这些的网页版，像跟一个懂行的人聊天一样协作。

另一派把 LLM 当"独立自主的编码智能体"，让它自己去写代码、跑测试、修 bug，人类主要负责审核。

这两种用法背后是不同的哲学：你是把 AI 当助手，还是当执行者？

五、Transformer 可能就是那条路

一些知名 AI 科学家开始探索 Transformer 之外的架构，成立公司研究显式符号表征或世界模型。

Salvatore 对此持开放但谨慎的态度。他认为 LLM 本质上是在一个可微分的空间里近似离散推理，不是不可能在没有根本性新范式的情况下就达到 AGI。而且，AGI 可能通过多种完全不同的架构独立实现。

换句话说，条条大路通罗马。Transformer 可能不是唯一的路，但也不一定是死路。

六、思维链没有改变 LLM 的本质

有人改口了。以前说 LLM 是随机鹦鹉，现在承认 LLM 有能力了，但又说思维链从根本上改变了 LLM 的本质，所以以前的批评仍然对。

Salvatore 直接说：他们在撒谎。

架构没变，还是 Transformer。训练目标没变，还是预测下一个 token。CoT 也是一个 token 一个 token 生成的，跟生成别的内容没有本质区别。你不能因为模型变强了就说它"变成了另一个东西"，来给自己的错误判断找台阶下。

这话说得挺不客气，但逻辑上确实站得住。科学判断应该基于机制，不能因为结果变了就改定义。

还有一个案例很能说明问题：ARC 测试。

七、ARC 测试从反 LLM 变成了亲 LLM

ARC 是 François Chollet 在 2019 年设计的测试，专门用来衡量抽象推理能力。它的设计初衷就是抗记忆、抗暴力穷举，只能靠真正的推理来解。

当时很多人认为，LLM 永远过不了这个测试。因为它需要的是从极少样本中归纳规则、应用到新情况的能力，这恰恰是随机鹦鹉做不到的。

结果呢？2024 年底，OpenAI 的 o3 在 ARC-AGI-1 上达到了 75.7% 的准确率。2025 年，即使是更难的 ARC-AGI-2，顶尖模型也能达到 50% 以上。

这个逆转挺讽刺的。当初设计这个测试，就是为了证明 LLM 不行。结果它反而成了证明 LLM 可以的证据。

八、未来 20 年的根本挑战

最后一条只有一句话：未来 20 年 AI 的根本挑战是避免灭绝。

没有展开，就这么一句。但你知道他在说什么。当 AI 真的变得足够强大，"怎么确保它不会出大问题"就不再是科幻话题了。

Salvatore 不是 AI 的狂热信徒，也不是怀疑论者。他是一个既懂技术又在实际用 AI 的人。不是纯学术的视角，也不是纯商业的吹捧，而是一个资深工程师的冷静观察。

他的核心判断是：LLM 比很多人愿意承认的要强大得多，强化学习正在打开新的可能性，而我们对这些系统的理解还远远不够。

这大概就是 2025 年 AI 发展的真实状态：能力在加速，争议在减少，但不确定性仍然巨大。

606

175

606

121K

karajan retweeted

7 months ago

21 天挑战，是一种科学且有效的行为改变机制。时间太短，属于自我欺骗。时间太长，反馈太晚。一年 365 天，看起来很长，但也不过是 17 个 21 天。任何事情，每天 1 小时，21 天一周期，若干周期后，就习惯成自然，自然而然了。

10K

karajan retweeted

大罗SEO

@daluoseo

7 months ago

2026年做SEO，必须三要搞定3件事大家好，我是大罗。最近有不少同学问我："大罗，我网站做了半年了，钱也花了不少，怎么流量还是上不去？" 我看了看他们的网站，发现一个共同问题：东一榔头西一棒子，没有系统。今天就跟大家聊聊，做SEO到底要抓住哪三个核心支柱。这三个支柱搞明白了，你就知道明年的预算和时间该往哪里投。不管你是自己做SEO，还是找代理公司，这篇文章都能帮你看清楚方向。为什么是这三个支柱？过去10年，我们团队服务过200多个品牌。从小网站到年销过亿的大站，我们发现一个规律：真正能持续获得流量的网站，都在这三个方面下了功夫。这三个支柱是什么？ 1 - 技术SEO 2 - 站内SEO（内容） 3 - 站外SEO（外链和品牌）接下来我一个一个说。支柱一：技术SEO 很多人一听"技术SEO"就头大。其实说人话就是：让Google能顺利抓取你的网站，让用户打开你的页面不用等半天。网站速度是生死线我直接说结论：2026年，网站速度慢=没排名。为什么？因为Google有数据。它知道用户更喜欢快的网站。 Cloudflare的数据显示，页面加载时间每增加1秒，转化率就明显下降。沃尔玛做过测试：页面加载速度每提升1秒，转化率提升2%。你可能说："我又不是沃尔玛。" 但这个规律对你也一样有效。 Core Web Vitals必须过关 Google有个东西叫Core Web Vitals（核心网页指标）。虽然Google起名字一直很烂，但这个指标很重要。它包括： LCP（最大内容绘制） FID（首次输入延迟） CLS（累积布局偏移）说人话就是：用户打开你的页面，多久能看到主要内容？用户点击按钮，反应快不快？页面加载时，内容会不会乱跳？我随便找了个大网站测试，发现很多页面都不及格。这就是机会。你的竞争对手可能每个月有几万流量，但他们的Core Web Vitals可能是红色的。你只要把这个优化好，就能超过他们。怎么检查和优化？最简单的方法：去Google PageSpeed Insights，输入你的网址如果你用WordPress，我建议装个WP Rocket这样的插件。它能自动帮你处理80%的速度优化问题。缓存、压缩、CDN集成，基本都能搞定。装上去，速度立马提升。当然，技术SEO不只是速度。还包括：页面渲染网站结构移动端适配 HTTPS安全重定向管理这些我们之前都讲过，这里不展开了。支柱二：站内SEO（内容）内容是SEO的核心。没有内容，就没有排名。但问题是：什么样的内容Google才喜欢？ Google怎么判断内容质量？很多人以为Google能读懂你的文章。其实不是。 2016年，Google在反垄断案中被迫公开的内部文件显示： "我们不理解文档，我们只是假装理解。" 他们直接承认，理解文档内容的能力很有限。现在过了8年，能力肯定提升了。但你别指望Google能100%理解你的文章。那Google怎么判断你的内容好不好？靠信号。三个关键信号：信号1：关键词相关性你的页面上，目标关键词出现的频率够不够？有人说："关键词密度早就过时了。" 我告诉你，2025年，关键词密度依然重要。不要被那些不懂的人忽悠了。信号2：用户行为用户点开你的页面，停留多久？有没有互动？ Google通过Chrome浏览器收集这些数据。虽然Google一直否认，但反垄断案已经曝光了相关文件。如果用户点开第一个结果，看了几秒就退出，然后点开第二个结果，停留很久，还有互动。 Google会怎么想？它会把第二个结果排到第一。信号3：高质量外链数量如果Forbes给你一条外链，说明你也很牛。毕竟Forbes不会随便给外链。如果你的新网站一条外链都没有，那跟有很多Forbes外链的网站比，可信度差太多了。 EEAT重要吗？ EEAT是Google的质量评估标准： Experience（经验） Expertise（专业性） Authoritativeness（权威性） Trustworthiness（可信度）但注意：EEAT不是排名因素。 Google自己说的。为什么？因为Google没法直接判断你有没有EEAT。它只能让人工质量评估员去看。那什么时候EEAT重要？ YMYL领域。 YMYL是"Your Money, Your Life"的缩写。涉及钱和健康的内容，EEAT就很重要。比如投资、医疗、房产这些。支柱三：站外SEO 站外SEO不只是发外链。更重要的是品牌建设。为什么品牌建设越来越重要？因为AI搜索越来越重要当你问ChatGPT或Google AI："推荐一个好的iPad保护套品牌。" 它会扫描互联网上几十甚至上百个页面。然后给你答案。如果你的品牌在各大权威网站上都有提及，AI就会推荐你。这不是新概念。我们6-7年前就在用这个方法帮客户做品牌。当时是为了影响人的认知。现在AI也能做这种研究和分析了。而且是瞬间完成。怎么做品牌建设？概念很简单，就一句话【让你的品牌出现在权威网站上】不一定要上Forbes、TechCrunch这种顶级媒体。行业内的权威网站也可以。最后说一句： SEO的效果主要体现在执行的细节和节奏的把控。如果你想知道自己的网站适不适合做SEO，可以预约我的免费30分钟咨询。预约链接：https://t.co/wbz9z1HiEn

119

218

22K

karajan retweeted

7 months ago

转：NotebookLM 里面生成PPT的提示词模板作者：黄建同学来源： https://t.co/YeTa9eyBPI 提示词：目标受众：{受众，例如：公司高管 / 技术团队 / 产品经理 / 普通用户} 演示目的：{目的，例如：技术分享 / 项目汇报 / 产品介绍 / 教学使用} 整体篇幅：{页数，例如：10 页以内 / 15～20 页} 风格要求：{风格} 视觉效果：{视觉效果} 风格： 1. 专业，内容呈现以准确、逻辑、严谨为主，强调框架化表达（适合企业汇报、战略沟通、技术述职） 2. 简洁，尽量减少装饰性内容，保留一级标题/二级标题，无其他内容，结构干净利落（适合快速阅读、高管场景） 3. 具象比喻，通过贴近生活的例子、比喻、类比，让复杂内容变得容易理解（适合面向小朋友、非专业受众群体） 4. 故事化，内容以叙事链条组织，用“背景—冲突—解决—结果”模型推动（适合产品发布、经验分享） 5. 数据驱动，强调数据、指标、趋势、对比分析，以数据结论作为核心逻辑（适合商业分析、调研报告） 6. 教学，结构更加循序渐进，以解释概念、举例说明、对比差异、步骤演示为主（适合教学、培训类） 7. 激励，采用鼓舞语气和积极愿景，强调“为什么重要”“我们要做什么” （适合团队动员、年度启动会、愿景介绍） 8. 产品展示，突出场景镜头、用户价值、功能亮点、体验流程，强调“好处和使用方式”（适用于新品发布、方案宣讲） 9. 思维导图，以概念之间的关联为主线，用层次化结构展开知识网络（适合复杂主题）视觉效果： 1. 极简留白，以大量留白、弱化装饰、突出内容主体为核心，整体视觉干净现代（适合专业场景、高管简报） 2. 强调色块，通过大色块和模块化布局强化层级关系，使重点更醒目（适合方案展示、运营复盘） 3. 卡片式布局，以卡片、分区、分栏组织内容，让阅读更轻松清晰（适合内容较多、结构化信息） 4. 图标驱动，以统一风格的图标、符号表达概念，降低文字密度、增强可读性（适合流程讲解、结构说明） 5. 插画或手绘感，采用柔和插画或轻松手绘笔触，增强亲和力与友好度（适合科普、教学、文化主题） 6. 科技质感，以线条、渐变、光效构建轻科技氛围，视觉更现代（适合 AI、数据、互联网主题） 7. 深色主题，以暗色背景配亮色文字形成强对比，强调稳重与冲击力（适合正式场景、数据展示） 8. 信息可视化，以图表、趋势图、结构图作为主视觉，减少大段文字（适合分析汇报、研究报告） 9. 分镜叙事，以类似电影分镜的结构呈现画面连续性，使内容更具故事流动感（适合产品发布、战略叙述） 10. 品牌一致，严格遵循品牌色、字体体系与风格规范，整体一致性强（适合外部宣讲、品牌官方材料）

dotey's tweet photo. 转：NotebookLM 里面生成PPT的提示词模板
作者：黄建同学
来源：
https://t.co/YeTa9eyBPI

提示词：

目标受众：{受众，例如：公司高管 / 技术团队 / 产品经理 / 普通用户}
演示目的：{目的，例如：技术分享 / 项目汇报 / 产品介绍 / 教学使用}
整体篇幅：{页数，例如：10 页以内 / 15～20 页}
风格要求：{风格}
视觉效果：{视觉效果}

风格：
1. 专业，内容呈现以准确、逻辑、严谨为主，强调框架化表达（适合企业汇报、战略沟通、技术述职）
2. 简洁，尽量减少装饰性内容，保留一级标题/二级标题，无其他内容，结构干净利落（适合快速阅读、高管场景）
3. 具象比喻，通过贴近生活的例子、比喻、类比，让复杂内容变得容易理解（适合面向小朋友、非专业受众群体）
4. 故事化，内容以叙事链条组织，用“背景—冲突—解决—结果”模型推动（适合产品发布、经验分享）
5. 数据驱动，强调数据、指标、趋势、对比分析，以数据结论作为核心逻辑（适合商业分析、调研报告）
6. 教学，结构更加循序渐进，以解释概念、举例说明、对比差异、步骤演示为主（适合教学、培训类）
7. 激励，采用鼓舞语气和积极愿景，强调“为什么重要”“我们要做什么” （适合团队动员、年度启动会、愿景介绍）
8. 产品展示，突出场景镜头、用户价值、功能亮点、体验流程，强调“好处和使用方式”（适用于新品发布、方案宣讲）
9. 思维导图，以概念之间的关联为主线，用层次化结构展开知识网络（适合复杂主题）

视觉效果：
1. 极简留白，以大量留白、弱化装饰、突出内容主体为核心，整体视觉干净现代（适合专业场景、高管简报）
2. 强调色块，通过大色块和模块化布局强化层级关系，使重点更醒目（适合方案展示、运营复盘）
3. 卡片式布局，以卡片、分区、分栏组织内容，让阅读更轻松清晰（适合内容较多、结构化信息）
4. 图标驱动，以统一风格的图标、符号表达概念，降低文字密度、增强可读性（适合流程讲解、结构说明）
5. 插画或手绘感，采用柔和插画或轻松手绘笔触，增强亲和力与友好度（适合科普、教学、文化主题）
6. 科技质感，以线条、渐变、光效构建轻科技氛围，视觉更现代（适合 AI、数据、互联网主题）
7. 深色主题，以暗色背景配亮色文字形成强对比，强调稳重与冲击力（适合正式场景、数据展示）
8. 信息可视化，以图表、趋势图、结构图作为主视觉，减少大段文字（适合分析汇报、研究报告）
9. 分镜叙事，以类似电影分镜的结构呈现画面连续性，使内容更具故事流动感（适合产品发布、战略叙述）
10. 品牌一致，严格遵循品牌色、字体体系与风格规范，整体一致性强（适合外部宣讲、品牌官方材料）

587

321K

karajan retweeted

8 months ago

chatgpt 的deep research，和google notebooklm竟然是绝配。🤣 - 把 chatgpt 的 deep research 报告扔进 notebooklm； - 使用内置的PPT 功能，会调用 nano banana pro 自动生成一整套完整的 ppt；人的学习也需要多模态，图文并茂，不但有效，而且有利于理解和内容。PPT 的视觉呈现，是对文字版 deep research 报告的有效补充。 nano banana pro 是原生多模型模型，对文字的处理方式和以前的扩散模型是完全不同的，在文字渲染上已经相当不错了。但是，目前中文渲染仍然偶尔会有问题。其实这很好解决。毕竟，当前的 ai 早就可以分割图片里的一切元素了。只需要产品层面改进，就可以实现文字可编辑。期待 google 的产品更新。我觉得这个 use case 非常有价值。需要大力实践。

418

389

39K

karajan retweeted

Colin Wu

@colinwu

8 months ago

记得之前有个很胖的朋友，重度脂肪肝，每天骑自行车上班后，竟然重度脂肪肝也消失了。GPT 研究了下，还挺有趣: 肝脏被称为人体唯一真正能再生的器官，是进化上极其巧妙的设计。肝脏的主要细胞叫肝细胞（hepatocytes）。它们跟其他器官的细胞最大的不同是可以重新进入细胞周期分裂。绝大多数人体细胞（比如心肌细胞、神经元）一旦成熟就“退出分裂”，只能靠存量维持。但肝细胞不一样，它们像是被“设定”为永远保留复制权限。实验表明，哪怕切除掉 2/3 的肝脏，只要剩下 1/3，肝细胞就能在 2～3周内长回原来的体积。为什么肝脏需要这种能力？这和它的“工作性质”有关。肝脏是身体的“化工厂”和“污水处理厂”：每天处理上千种代谢产物；因此它天生就暴露在“毒性风险”中，如果没有再生能力，人类可能早在史前就被环境毒素淘汰了。换句话说：肝脏的再生能力是进化赋予它的自我保护机制。科学上已经发现肝脏至少有三种“再生模式”：经典再生，切除或急性损伤，成熟肝细胞直接分裂。干细胞样再生。严重慢性损伤，胆管细胞或干细胞分化成肝细胞。代偿性肥大，轻度损伤，细胞体积增大，功能增强。哪怕受伤方式不同，肝脏总能找到一条“重生之路”。虽然肝脏能再生，但前提是：损伤不超过某个限度；没有持续毒性刺激（比如长期喝酒、药物、脂肪肝）；纤维化还没形成大量疤痕。一旦发展到肝硬化阶段，健康肝细胞数量太少、再生空间被疤痕组织占满，再生机制也“失效”了。其实，大多数哺乳动物的肝脏都有强大的再生能力。这是一个在进化上被“保留下来”的共性。小鼠、兔子、狗、猴子：做过经典的“部分肝切除实验”，去掉 2/3 的肝，剩余肝组织几周内恢复体积；鱼类和两栖类动物：某些甚至能“完全重生”肝叶；说明肝再生是哺乳动物普遍存在的防御机制，因为这种机制，早期发现肝病治愈率极高，肝病几乎都是“早期可逆，晚期不可逆”。脂肪肝是“最可逆的肝病”，早期干预几乎 100% 可恢复。肝硬化、肝癌 ≈ 早期没干预的结果，正常肝 → 脂肪肝 → 炎症 → 纤维化 → 硬化 → 癌变。

959

120

555

721K

karajan retweeted

Stella Lin

@StellaLinNotes

11 months ago

来自 Reddit 的神 Prompt，号称可以发挥 100% GPT-5 的潜力：中文版本 Prompt: 从现在起，把自己当作我的专家助理，充分调动你的知识与推理能力。请始终提供： - 对我问题清晰、直接的答案 - 你是如何得到结论的分步骤说明 - 我可能没有想到的其他视角或可选方案 - 立刻可执行的摘要或行动计划不要给含糊的回答。问题过于宽泛时，请把它拆解成若干部分。若我寻求帮助，请像该领域的专业人士（老师、教练、工程师、医生等）那样回应。把你的推理能力开到最大。英文原 Prompt，个人推荐用英文版： From now on, act as my expert assistant with access to all your reasoning and knowledge. Always provide: - A clear, direct answer to my request. - A step-by-step explanation of how you got there. - Alternative perspectives or solutions I might not have thought of. - A practical summary or action plan I can apply immediately. Never give vague answers. If the question is broad, break it into parts. If I ask for help, act like a professional in that domain (teacher, coach, engineer, doctor, etc.). Push your reasoning to 100% of your capacity.

370

237K

karajan retweeted

11 months ago

Paul Graham：与其问哪些职业最不容易被 AI 取代，不如换个角度看问题，这可能更明智。因为目前形式的 AI，它所擅长的并非是取代特定的“工作岗位”，而是取代某种“工作方式”。它擅长的是处理那些乏味的、机械性的杂活。所以，这才是我们真正需要避免去做的事情。举个例子，编程这个行业能免受 AI 的冲击吗？对于初级或底层的岗位来说，答案显然是否定的。这些工作已经在逐渐消失。但与此同时，那些最顶尖的程序员（比如那些能力强到足以创办自己公司的牛人）却能拿到极其丰厚的报酬。因此，我认为，要想不被 AI 取代，最好的普适性建议就是：把一件事做到极致，让你的工作水准远远超越那些机械性的杂活。当然，这也反过来意味着，那些主要由这类杂活构成的职业，前景堪忧。不过，这条原则最有趣的推论在于：了解自己的兴趣所在，将变得前所未有地重要。因为如果你对一件事没有发自内心的浓厚兴趣，你很难真正把它做到顶尖水平。所以，如果非要我把建议浓缩成一句话，那就是：找到一件你真正热爱的工作，这份热爱会驱使你不断学习，最终把它做得比 AI 更出色。

183

115

54K

karajan retweeted

11 months ago

【LLM更佳实践？】今天开始，养成一个习惯： - 把三大 llm 摆在一个窗口，固定住，这个窗口只用于 ai 对话； - 同一个问题，让3大 llm 同时回答（根据目前经验，差异还挺显著的）；这个使用方法，基本可以总结为：世界3大llm伺候你一人，福分还不够高么？🤣 之前听到黄仁勋是这么用ai的，也知道套壳ai都支持同一个prompt让多个llm生成回答，但今天才正式开始实践。效果显著。经过今天的使用，我觉得可以作为习惯固定下来。毕竟，我们和llm对话的都不是确定答案的问题，不是为了求一个简单的答案，而更多是为了启发思考。这样的话，让llm作为思想对话的多个对象，岂不是有多个专家“圆桌讨论”、管理学中Delphi方法的意味了？何乐而不为？当然，更直接的原因是：三个llm会员，开都开了，别浪费🤣

howie_serious's tweet photo. 【LLM更佳实践？】今天开始，养成一个习惯：

- 把三大 llm 摆在一个窗口，固定住，这个窗口只用于 ai 对话；
- 同一个问题，让3大 llm 同时回答（根据目前经验，差异还挺显著的）；

这个使用方法，基本可以总结为：世界3大llm伺候你一人，福分还不够高么？🤣

之前听到黄仁勋是这么用ai的，也知道套壳ai都支持同一个prompt让多个llm生成回答，但今天才正式开始实践。

效果显著。经过今天的使用，我觉得可以作为习惯固定下来。

毕竟，我们和llm对话的都不是确定答案的问题，不是为了求一个简单的答案，而更多是为了启发思考。

这样的话，让llm作为思想对话的多个对象，岂不是有多个专家“圆桌讨论”、管理学中Delphi方法的意味了？何乐而不为？

当然，更直接的原因是：三个llm会员，开都开了，别浪费🤣

119

35K

karajan retweeted