rockymu

[rockymu @rockymuu]

@oyoooo628 想摸摸看

[rockymu @rockymuu]

@badcheeesegirl 怎么成为你的男人

[联合早报 Lianhe Zaobao @zaobaosg]

重庆工商大学研究生赵君铭不久前完成了一篇有关体育品牌传播的毕业论文。这篇约6万字的论文中，他用谷歌Gemini和阿里巴巴通义千问大模型作为辅助工具，完成了框架搭建，也用千问修改论文格式。 https://t.co/YHQOLxPL42

[Amto @XAMTO_AI]

大一新生有三件事最容易懵：选课踩坑、转专业不知道怎么走、奖学金条件看不清。没人教，但每一个都直接影响接下来的几年。

A哥看到GitHub上有个叫Ac-Wiki的仓库，把大学里那些"默认你该懂"的事情写成能直接照着做的指南。

内容覆盖面从校园生存、论文写作、五险一金到效率软件、助学贷款、学生优惠，入学到毕业中间那一堆事基本都有。

在线可读，不需要装任何东西，内容由各校学生持续往里补。

https://t.co/Z76sqiM37f

[Amto @XAMTO_AI]

自学编程这事儿，谁起步时没被现实按在地上摩擦过几轮？

有个北大本科生，大一就扎进计算机里自己折腾，四年熬下来，那些绊过他的、让他差点放弃的，反倒成了最值钱的经验——他把所有真正起过作用的学习资料和课程，按实战顺序理成了一份开源文档。

底层课程全部取自MIT、斯坦福、伯克利这类顶尖院校的开放资源。

知识覆盖从离散数学一路推到操作系统再到深度学习，编码练习涉及的语言少说也有十几种——C、C++、Java、JavaScript、Python、Go、Rust全在列。

明牌告诉你，一个零基础的人按这个节奏走，两到三年够摸到工程岗的底。

🔗 https://t.co/bQJHhKVXUa

[Amto @XAMTO_AI]

想学大语言模型开发，但一搜"LLM 书单"出来几百本，根本不知道从哪本下手？
我懂，我之前照着网上推荐买过两本，翻完发现要么太浅要么太旧，钱花了时间也搭进去了。

翻到这个叫 Awesome LLM Books 的书单仓库，才感觉有人帮你把过关了，整理这书单的老哥自己也做开发，按 6 项硬标准逐本筛：主题对不对口、内容扎不扎实、社交媒体上真实口碑怎么样，全给你排查一遍。

目前精挑出 22 本，从基础入门到模型构建、应用开发、提示工程、生成与部署，整个链路都覆盖到了。

每本附了作者、出版社、评分和阅读链接，我昨天挑了一本评分高的翻了翻目录，确实对路，省去了自己踩坑试错的时间。

🔗：https://t.co/PRUI3i1pkk

[Xudong Han @Xudong07452910]

想入门「强化学习」，最怕的是学完一堆公式，还是不知道它怎么真的跑起来。

最近看到一本很适合入门的教材：《The Little Book of Reinforcement Learning》。

它的优点是短，但没有停在概念层面。从基础 RL 到 Monte Carlo、DQN、PPO 这些算法都有覆盖，配套 GitHub 还给了 PyTorch 实现和补充推导。

我觉得这本书很适合放在今天重新看。

因为 Agent、RLHF、test-time scaling、自我改进系统这些方向，最后都会回到一个核心问题：模型如何通过反馈改进行为。

很多人现在直接从大模型 Agent 开始学，很容易只看到 prompt、工具调用和 workflow，却缺少对策略、奖励、探索和优化的底层直觉。

这本书的价值，就在于把 RL 从抽象公式拉回到一个可读、可跑、可理解的状态。

AI Agent 时代，RL 已经变成一门必修课了。

https://t.co/DfEl646PyS

[Xudong Han @Xudong07452910]

这个是真有意思呀

研究中国新儒家思想，特别是阳明心学的美国教授加入了Anthropic了。

他去 Anthropic 做的就是 alignment（对齐），就是让 AI 的行为符合人类的价值观，并且负责塑造 AI 的性格。

阳明心学讲的就是知行合一，希望Anthropic 可以做到。

[rockymu @rockymuu]

@xiangyuli 看来老张为了一个官字被害了，简历都在高校，后面的政协不过为了解决级别的一个闲职，看了简历都拿到圣地亚哥的full proff还没来趟混水该后悔的吧！

[柴郡🔔｜Crypto+AI Plus @0xCheshire]

为什么你根本无法静下心来学习？

当你坐下准备学习时，体内的杂念就开始疯狂滋生。

为了逃避，你的大脑甚至会抛出“人生的意义是什么”这种宏大的命题。

心理学家乔丹·彼得森表示：

你本身就是一个烂摊子，你对自我根本没有控制权。你越缺乏自我管理，就越容易被本能牵着鼻子走。

专注，本质上就是一场与潜意识争夺身体控制权的血战。

[RobinSeun_维京黑船 @RobinSeun]

https://t.co/KvioDYKZFn

[RobinSeun_维京黑船 @RobinSeun]

https://t.co/n4FZAmS0jm

[RobinSeun_维京黑船 @RobinSeun]

https://t.co/F9yDlYEeIX

[Susan STEM @feltanimalworld]

信息工作者不应该只是工科牛马

首先我们说说这些年

信息产业这二十年真是跌宕起伏，从我们大学时代就开始了。当年除了正统的计算机专业，比如计算机科学、信息管理，还有各种五花八门的分支：电子商务、信息系统、软件工程、数据科学……后来这些专业的名称越来越“智能”，什么大数据、人工智能，谁还记得全国各大高校都开出过多少奇葩的信息类专业。甚至“自动化”是不是信息专业都值得争议——但也算吧，毕竟毕业后大家都转码了。

其实深究Web2.0时代，所谓“信息工作者”，其职能和身份，在过去二十年内从来不是自然生长的，而是被“大厂”定义出来的。

今天我们所熟悉的信息工作者的角色与任务，基本是由大厂构建起来的一整套“平台主权 + 工程流水线”结构所决定的。

首先是平台中心主义。所有的岗位和职责都围绕着“平台运行”和“用户增长”展开，信息工作者被纳入平台价值链条，成为各个模块的执行节点。前端、后端、算法、产品、测试、运营——六大工种清晰划分，工程师成了标准化的“搬砖工”，产品经理像是用户需求的中介，运营负责推动数据流量的跑动。这种分工形式看起来高效，但实际是对人认知和创造力的切割与规训。

其次是功能流水线化。信息工作者被嵌入一条庞大的工程流水线上，只负责执行某个局部模块。你可以干得很熟练、很快，但永远无法参与结构的定义或系统的反馈机制。职能的设定也不是为了提升你的认知能力，而是为了最大化“可管理性”与“可替换性”。换句话说，大厂关心的是你在系统中的“螺丝钉”稳定性，而不是你能不能提出新结构、新范式。

再者，在这种体系中，信息的本质也被重构了——从“结构”退化为“资产”。数据被视作平台的资源，程序是平台的能力延伸，创意则要注册成IP进行确权变现。而信息工作者的身份也随之转变：不再是知识的结构师，而是资产链条上的生产者和维护者。大厂所需要的不是能提出问题、重构路径的人，而是能稳定交付、标准执行、无声运转的劳动单元。

大厂宇宙

说到底，不管你在大厂是P几的高级工程师，哪怕是技术总监，一旦离职，照样要重新投简历、刷题、找猎头。平台体系之外，没有人真正关心你在流水线上的哪一个工位——因为你曾经的“价值”，本质上只是对那套系统的适配能力。系统变了，人就得重来。

而这套大厂定义下的信息工作者体系，确实带来了不少正面效应，这是不可否认的。它构建出了一套高度标准化、规模化的信息工业体系，能够快速复制大量“入门级”技术人员，也形成了DevOps、A/B平台、CI/CD流水线等复杂协作机制，让大规模的软件交付成为可能。

但与此同时，它也埋下了深层的限制与结构性压抑。

首先是认知封闭。多数信息工作者只负责自己手上的小模块，缺乏对整个系统结构的全局理解和设计能力。久而久之，人被困在局部视野中，看不见整体路径。

其次是工具锁定。从技术栈到思维方式，很多人深度依赖特定平台生态，比如百度、阿里、腾讯系的内部工具。一旦脱离，迁移能力极差，仿佛“技术只在原公司有效”。

第三是思维预设。KPI、GMV、DAU这些指标不只是考核标准，它们长期塑造了一整套“指标驱动、流量至上”的工程思维，逐渐替代了问题导向、结构思维的能力。

最后是自我定位的贫乏。很多人已经习惯把自己定位为“螺丝钉”或“执行者”，而不是系统设计师、结构建构者。他们的职业目标不再是创造，而是“别掉队”。

工业式的信息体系带来了巨大的效率，却也锁死了人的路径空间。在AI范式变动之际，这种局限性开始显露出巨大危机感。

逃得出大厂，逃不出“大厂定义的认知结构”

许多个体信息工作者在离开大厂后，试图开启自由独立的新路径，然而很快就发现，自己依然被“功能型劳动逻辑”牢牢钉死。看似脱离了雇佣体制，实则仍在延续大厂的结构遗产。而与此同时，AI浪潮正以惊人的速度席卷而来，它并不只是带来了工具升级，而是在悄然进行一场深层次的模块消融、功能内化与结构重塑。

脱离大厂，并不等于脱离被定义的结构。结构不变，你只是从一个组织的工位跳到另一个虚空中的工位而已。许多人离职，是为了追求独立性、自主权和个性价值，但很快发现，大厂所塑造的认知结构早已渗透进整个产业生态，成为一种无形却强力的话语系统。

于是你会看到这种奇特的景象：个体开发者在复刻大厂模式——用功能模块的逻辑继续堆砌项目，开发CRM、ToDo、Blog“独立开发三件套”，沉迷于框架复用、工具链堆叠；从KPI焦虑转向流量焦虑，从组织内被调度的角色，变成看似自由、实则困于工具系统的“微型工具奴隶”。离开的只是物理组织，留下的却是思维结构、劳动方式与产品范式的原地踏步。

更致命的是，AI的崛起正好对准了这一旧逻辑的心脏进行解构与吞噬。AI不是来替你“打工”的，它不是分走一个岗位的活儿，而是整体吞掉你所在的那个模块。过去你负责的功能——翻译、写作、客服、表格分析——如今已被大模型以结构函数的形式整合进一个Prompt调用链中：一句话自动翻译、一句话生成提纲、上传CSV即出图表报告、对话中自我学习。

工程师曾自豪地构建这些“功能模块”，如今它们却成了模型的体内器官，被彻底“内化”。：你还没出App，模型已经把你要做的那功能当作句子理解的一部分执行完了。

那我们是不是该认真想想：什么才是信息工作者？

老实说，如果我现在就能给出一个确定无疑的答案，那我也不用坐在这儿瞎逼逼，早就去定义新一代职业标准了。所以这不是一个“教科书定义”的问题，而是一个整个时代都在重新集体摸索的命题。

在AI范式彻底改变信息的生成、传输与处理机制之后，那个我们熟悉的信息工作者形象——一个在工具堆里搬运数据、堆叠功能、交付内容的人——正在快速失效。他们的技能和任务边界，正被语言模型以结构化方式整体吞并。换句话说，“信息功能者”这个职业身份不是被AI抢走了饭碗，而是连饭碗的形状都变了。

这几个星期以来我的推演

昨天我写了一句：“如果这是一场文艺复兴，那新范式的语言还没有被造出来。”我们眼前的世界在剧烈变动，但我们还没有真正拥有能够描述这种变化的语言体系。这不是几个月可以解决的问题，甚至可能需要我们整个时代用几十年的时间慢慢去建构。而与此同时，我们正在亲历一场旧秩序的崩塌，最直接的表现就是，大量初级IT岗位的系统性消失。从这些职位诞生到被淘汰，也不过十几年时间，就像是工业文明在信息层面的一次自我加速与自我吞噬。

我反复推演过我们即将进入的世界的形态，我把它称为“结构文明”。它不是单一线性的发展路径，而是一场高度并行、多现实并存、多层次演化的文明断裂带。在这个新世界里，几乎所有能够被语言描述的现实，都已经或正在被转换为某种形式的信息结构，存在于我们可见或不可见的赛博空间之中。数据、文本、图像、模型、文档、社交、法律、医疗、治理，这些信息就在那里，等待被处理、被调用、被压缩、被赋予结构。而人类信息工作者的角色，从来就是从混乱中提炼秩序的存在（熵控）。信息产业的本质不是“码农”也不是“搞技术”，而是一个试图从信息宇宙中榨出结构、转化为价值的巨大系统。

所以，我认为个人做功能已经没有意义。写一个App、上线一个小工具，这些事当然还可以做，尤其是自用的时候。但作为职业路径，我的观点和今天@Tz_2022写的那篇文章是一致的。AI不只是会替你完成任务，它会直接吞掉任务的结构，连带把你在系统中的存在价值一并消解。这也是我为什么整整一个夏天都在思考“结构替代功能”的新职业范式。我不认为“低代码”“快开发”代表着自由，恰恰相反，它们只是加快了人类功能身份被AI收编的速度。

我们需要重新定义“信息工作者”这个词。在AI主导的结构性时代，我们不再是做功能的人，而是造结构的人。信息工作者应该是一类全新的角色，他们负责设计信息结构，构建语言协议，调度AI的能力，以完成复杂的认知路径和任务链条。他们不仅要理解什么是信息，更要理解信息如何被组织、如何被调用、如何通过AI完成动态闭环。他们的任务是设计“完成需求的方式”，不再是写一段代码，而是设计一整套语义路径，让AI去完成无数段代码的自生成与协同执行。

信息结构工程师
说到底，我试图进入一个认知更清晰、能站得住脚的新领域。说得直白一点，我卷不动红海了，那些靠996和规模博弈为主导的路径早已不再适合我这个年纪。与其跟AI争夺功能，不如跳出功能之外去寻找结构。这也是为什么我把目光锁定在几个高结构密度的传统行业上——法律、金融、医疗和政务。它们之所以重要，是因为它们拥有海量的信息、复杂的规则、高度的闭环要求，以及专业壁垒下难以简单模型化的语义结构。这些行业是AI最难攻克的，也是最需要结构工程师参与重塑的。

以法律行业为例，未来不再是靠人手写合同或查条文来体现法律人的价值，而是通过设计一整套法律执行结构体系来释放新的生产力。比如构建可结构化标注的法规语言系统，开发案件自动归因的路径模型，制定可视化的法律风险评估链条，以及调度法律智能体完成流程闭环的语义协议系统。医疗领域也是如此，真正的变革者不是把病历录入得更快的人，而是能设计诊疗结构链的人。他们会重构病情输入的结构，定义多模态检查与病种路径的对应关系，开发标准化的诊疗路径与医生-患者的语义协作协议，乃至于设计出带有反馈机制的闭环电子病历系统。

在政务领域，结构重塑的空间也是巨大。在金融行业，信息结构的重建也将超越表格、报表和K线图。未来的结构型金融工程师会围绕资产配置、风险识别、交易模型等方面，开发结构卡、风险流转路径、AI驱动的资产策略模拟器等，完成从数据分析到策略执行的完整结构化。

多说几句

昨天哪位推友分享的美国房产经纪人被替代的那条工作流——从Zillow自动抓取房产数据，再配合模型生成分析和推荐——我看完之后感触非常深。这正好印证了我一直在推演的趋势：信息功能者正在被结构吞并，而下一代的“结构信息工作者”，将不再只是原有职业角色的延伸，而是整个认知维度的重构。你可以盯准很多能够独立执业的领域。

如果我们用“结构工程师”或“结构型经纪人”的标准去看房地产行业，那么未来的房产经纪人就不再是“帮你找个好房子”的服务者，而是一个对空间结构、时间结构与社会结构具备理解力与调度能力的结构分析师。他/她的任务将不仅限于筛选和展示，而是要参与到整个房产生命周期结构的理解与建构中。

举个例子，真正的结构型房地产经纪人，需要能从“建筑物本身的结构逻辑”出发，对房屋材料、能源系统、维修耗材、城市规划的耦合性、气候趋势与政策走向等多个维度进行结构性建模。他/她需要思考的不只是这个地址现在值不值得买，而是这个地址的空间结构在未来十年是否具有演化潜力，是否能抵御材料短缺与环保标准变化的风险，是否具备可再开发性、二次结构整合能力，甚至是否在智能城市结构中的“信息耦合层”中具有优势。

他/她还应该能够调度AI完成动态分析，例如自动构建“未来20年建材与能源成本演化模拟图”，结合气候预测模型和供应链趋势，对每一栋房屋的长期“结构性总拥有成本”做出推演。同时服务1千，一万个购房者。

传统经纪人只是找到了一个交易机会，而结构型经纪人要做的是评估这套房产在未来结构网络中的角色定位。这一切都不是一个简单的卖房经纪人能够构建的信息系统。

（5/N)

[AYi @AYi_AInotes]

20个NotebookLM提示词

学得更快，想得更深，研究更聪明
1快速总结
将冗长文档转化为易消化的要点
👉 提示词：
“用通俗语言，将这则资料总结为10个最重要的观点、核心论点及实用建议。”
2新手解释
让复杂话题一听就懂
👉 提示词：
“假设我对此完全零基础，请用简单类比、逐步推演的方式讲解这份资料，避免专业术语。”
3层层深入
逐级剖析主题内核
👉 提示词：
“请拆解这份资料的核心概念、隐含假设、专家级细节，以及大多数读者常忽略的部分。”
4多源对比
快速发现共识与矛盾
👉 提示词：
“对比所有已上传资料。列出它们观点一致、冲突之处，并说明每份资料的独特见解。”
5笔记生成
一键生成条理清晰的笔记
👉 提示词：
“将这份内容转化为结构化的学习笔记，包含标题、要点列表、定义和易于记忆的案例。”
6闪卡制作
将信息转为主动记忆
👉 提示词：
“基于这份资料生成25张高质量闪卡，正面为问题，背面为简洁答案。”
7自我测验
实时检验理解程度
👉 提示词：
“仅根据这份资料，设计一份从易到难的渐进式测验。等我作答后，请为我评分。”
8记忆钩子
让重要信息过目不忘
👉 提示词：
“为这份内容中最重要的部分，设计助记口诀、类比联想和记忆锚点。”
9时间轴梳理
按时间顺序理清事件
👉 提示词：
“从这些资料中提取所有重要事件、里程碑或进展，整理成清晰的时间轴。”
10金句提取
快速找到最强佐证
👉 提示词：
“从这些资料中找出最具冲击力的引文、数据点和证据，方便我在写作或展示中引用。”
11发现空白
识别研究缺失环节
👉 提示词：
“指出这些材料中未解答的问题、薄弱的论点、缺失的证据以及研究空白。”
12正反辩论
像专家一样审视观点
👉 提示词：
“围绕这些资料的核心论点，分别模拟正反方专家，提出最强有力的支持与反驳论据。”
13化为体系
从信息中提炼可复用框架
👉 提示词：
“将这些资料中的观点，转化为一套可实践的框架、检查清单或可重复使用的系统。”
14内容重塑
将研究变为可发布的内容
👉 提示词：
“运用这些资料，生成一篇LinkedIn帖子、文章大纲、推特线程和一份简报构思。”
15专家访谈
向“笔记本专家”提问
👉 提示词：
“请扮演已上传资料方面的世界顶级专家。我将提出问题，请仅依据资料内容作答。”
16高管简报
为决策者浓缩关键信息
👉 提示词：
“制作一份5分钟的高管简报，只包含最具战略性的洞察、影响和行动要点。”
17课程设计
将笔记转为系统学习计划
👉 提示词：
“将这个笔记本转化为一份7天学习计划，包含每日课程、练习和检查点。”
18灵感激发
从资料中孵化新想法
👉 提示词：
“基于已上传的资料，激发20个原创想法、新机遇或潜在应用方向。”
19教学简化
准备好向他人讲解
👉 提示词：
“将这些资料的核心观点，重写为一份5分钟的教学讲稿，让我能清晰传达给他人。”

20行动规划
从认知走向实践
👉 提示词：
“基于所有这些资料，制定一份实用的行动计划，包含首要步骤、优先级和

[vivienna.btc @viviennaBTC]

https://t.co/hg5jk6bICD

[Tw93 @HiTw93]

#工程师学习 这个「Linux 内核教学」很适合想系统性了解 Linux 的小伙伴，文档内容基于布加勒斯特理工大学自动控制与计算机学院计算机科学与工程系的操作系统课程而来，里面有不少实践可以跟着玩一玩。
🤖 https://t.co/vJUn5voG43

[小樱💞｜实用工具分享 @xiaoying_eth]

2025 年值得学习的免费数据分析认证课程（全网精选）

Python 入门
🔗 https://t.co/BhkPoqGSz8

SQL 数据库基础（斯坦福）
🔗 https://t.co/Pd6hffmEcD

统计学与 R（哈佛）
🔗 https://t.co/tJNdCx84aX

数据科学：R 基础
🔗 https://t.co/TNEm77ptaR

Excel + PowerBI 商业分析
🔗 https://t.co/SYoks806c3

数据可视化（哈佛）
🔗 https://t.co/8Tk5dUDbj0

机器学习基础（哈佛）
🔗 https://t.co/ELbJMdrktu

R 语言基础
🔗 https://t.co/twECUUZ66a

Tableau 可视化
🔗 https://t.co/MTay6ZTvuu

PowerBI 商业智能
🔗 https://t.co/tHG2dsClYR

数据科学：效率工具
🔗 https://t.co/tybFSgW5lR

数据科学概率论
🔗 https://t.co/Y26OlCVP9E

数学基础（Matlab Academy）
🔗 https://t.co/MEwihDVg20

统计学基础
🔗 https://t.co/0euc93SpRW

数据可视化入门
🔗 https://t.co/6h854pOpGj

机器学习入门
🔗 https://t.co/74ShyFDjD5

深度学习入门
🔗 https://t.co/Sata6R9XLf

线性回归（哈佛）
🔗 https://t.co/q7g96sK7ca

数据处理（Wrangling）
🔗 https://t.co/AqmUvjLvZL

线性代数：线性模型与矩阵代数
🔗 https://t.co/z37UVg853V

数据科学：概率论（哈佛）
🔗 https://t.co/X5fRNDLE8Y

线性模型与矩阵代数（哈佛）
🔗 https://t.co/JamiKsx4Px

数据科学毕业项目（Capstone）
🔗 https://t.co/xYLcchkg4n

高维数据分析
🔗 https://t.co/AtgiQuF5rp

IBM 数据科学专业证书
🔗 https://t.co/rxCaGBjo8Y

神经网络与深度学习
🔗 https://t.co/y0HJjYDBjc

监督式机器学习：回归与分类（斯坦福）
🔗 https://t.co/fbes7TvVJx

[小樱💞｜实用工具分享 @xiaoying_eth]

2023 年成为计算机科学专业的毕业生

全部免费证书

❯ 哈佛大学的CS50 https://t.co/y82dKfhY5y

❯ Python https://t.co/GU0JCWOjEZ

❯ SQL https://t.co/Ayes74kDzl

❯ 数据结构与算法 https://t.co/nV2VFlLFY3

❯ 网络安全 https://t.co/mUeE6bQLT0

❯ Linux https://t.co/AwFXf1BtfO

❯ DevOps, CI/CD https://t.co/V8Eq8yUxF7

❯ Web开发 https://t.co/49M8YZ2ohu

❯ 网络技术 https://t.co/54WREE8Byr

❯ 软件工程 https://t.co/HIh0aEY5oL

❯ 计算机体系结构 https://t.co/hHhHgCBh1V

❯ GitHub https://t.co/s7f7TQWw99

❯ 面试问题解决 https://t.co/cN9b39qGCn

[卢尔辰 @erchenlu1]

注意力是每个人身上最宝贵和珍贵的资源。

世界上最赚钱的几家科技公司，如Google和Meta，其主要利润实际上都来源于广告，而广告的本质就是夺取人们的注意力。

根据神经科学的研究，人体每秒向大脑发送约1100万比特的信息，但人的意识思维每秒只能处理大约50比特。

长期来看，人与人之间的成长和差距，本质上是由注意力分配的不同所拉开的。也就是说，我们的大脑如何从1100万比特中每秒选择出那50比特，决定了我们的成长和成就。