林壽山

我是豐原人粉專創辦、研究開發處小主管
.net 開發、Laravel、大型網站架構
餐飲超市POS系統
電商、RabbitMQ/RocketMQ、redis、Docker、k8s、Delphi、maui

[林壽山 @superlevin]

「成功機率 0%」他卻用誠實換來 500 萬美金：黃仁勳逆轉一生的關鍵！#nvidia #jensenhuang #joerogan podcast https://t.co/OFRGKTxsvj 來自 @YouTube

[林壽山 @superlevin]

@marryevan999 CLAUDE

[谢嘉琪 @XieJackie]

🔥黄仁勋：90%的人都不会使用AI！

“我不会让AI替我思考，我让AI教我不知道的事情。解决我解决不了的事。

🚨你必须仍然思考，才能提出高质量的问题。这其实是一种高阶的认知能力。作为CEO，我工作的大量时间其实都是在提问，我下达的90%的指令都是带着问题的！”

[林壽山 @superlevin]

https://t.co/BrEEbQqlx6

[林壽山 @superlevin]

取得#Anthropic 官方認證 #Claude Code in Action

[林壽山 @superlevin]

AI Coding 100 天挑戰 Day 21
🎯 上傳 2D 圖片 → 自動生成可旋轉的 3D 模型（GLB 可下載）

[林壽山 @superlevin]

很多人問我：為什麼我叫 AI Coding 而不是 Vibe Coding？
寫了 25 年程式。
這些年累積的架構、資安、domain know-how全部都整理成提示詞讓 AI 使用。
AI 寫出的是能上線、可維運、能過 audit 的程式。
所以我不是靠 vibe 寫 code。
我是靠 25 年 know-how 讓 AI 寫 code。這就是為什麼叫 AI Coding。

[徹言 @iamcheyan]

Edge内置的微软Nanami在线TTS效果是真好啊，一点合成语音的机械感都没有。

[sitin @sitinme]

群里消息太多？我用 AI 一键出日报

现在做自媒体，谁不是几十上百个群？信息爆炸、重要消息老是错过。

我的做法是：让 AI 自动把群聊变成可视化日报——热点话题、重要通知、工具推荐、问答沉淀，一页看完，特别清爽。

思路一句话：用 Chatlog 把微信聊天记录“接出来”，再用支持 MCP 的 AI（如 Cursor / Cherry Studio）自动总结，并生成一份美观的 HTML 日报。

流程就三步：
1.开 Chatlog→拿密钥解密→启动本地服务；
2.然后在 Cursor 里加个自定义 MCP，URL 填 http://127.0.0.1:5030/sse；
3.最后丢一句话给它：“总结【XX群】昨天聊天，做成 HTML，包含热点、通知、观点、工具、问答，排版清晰、卡片分区、轻阴影。”

注意两个小坑：微信版本要 4.0 以下；跑不动就把 MCP 开关关一下再开。
这样每天一页，重点全有，回顾不爬楼，还能直接转发给团队。想要我把提示词和模板打包的，跟我说一声就行。

[宝玉 @dotey]

为什么我用了那么多提示词模板甚至用了 AI 帮忙还是写不好提示词？

上次我分享了一个模拟雷军演讲的提示词，广受好评，但也有网友想知道我是怎么写出这样的提示词的。授人以鱼不如授人以渔，还是继续分享一下写好提示词的方法论。

现在流行的是上下文工程（Context Engineering），似乎很少有人提起提示词工程（Prompt Engineering），甚至很多人觉得提示词工程已经不需要了：

> “模型已经那么强了，还要啥提示词工程，我写什么提示词大模型都能知道我的意思执行的很好。”

这话只是部分正确，模型是已经越来越强了，普通的需求确实只要简单的提示，但是复杂的需求还是要借助提示词工程才能写的好。

**那么什么是提示词工程？**

> 提示词工程是一个过程，系统化地设计、测试、优化提示词的过程——宝玉

网上分享的提示词或者各种提示词模板，它不是提示词工程，是提示词，是静态的，产生这些提示词的过程才叫提示词工程。

举几个我最近写提示词的例子。

第一个例子就是我怎么写雷军演讲这个提示词的。

往下看之前不妨停下来想一想，如果你来写怎么写？

我是这么做的：

先用 Deep Research 去收集雷军的演讲，然后让 AI 基于 AI 的演讲结果生成一个模仿雷军演讲的提示词。

（图1）

AI 生成了提示词后，我拿去测试了一下，虽然也生成了一个类似雷军风格的演讲稿，但是内容平淡无奇，结果并不怎么理想。

（图2）

我用相同的方法分别去 ChatGPT 和 Claude 上测试了，评估下来结果都不怎么好。

看来 Deep Research 搜索出来的结果并不够好，可能很多都不是雷军的演讲，只是新闻报道之类，后来正好在 X 上看到有网友转载的早年有人整理的雷军演讲风格总结，于是用它试试看：
> 请帮我生成一个 Prompt，可以把输入的主题或文本生成雷军风格的演讲稿。以下是网友总结的内容作为参考：
> \<tweet >
> 雷军有一个非常牛的技能，就是把一件平平无奇或者并没有那么厉害的东西用数字、百分比或者其他的形容词给描述成一个听上去可望而不可即的物品。
> 发布会后，极氪高管吐槽小米汽车：小米的营销值得我们学习，但是汽车技术上小米应该向我们学习。
> 雷军的 PPT 和王家卫的电影台词有异曲同工之妙。
> 举个例子，普通人下一碗面就是我什么时候在哪下一碗什么面。但是雷军的PPT 会这样说:经我们小米的员工连续300个日夜不间断的大数据研究发现，97%的人类在早晨七点零三分56秒的时候会出现明显的饥饿感，相比较七点整，饥饿感整整提升了57%。
> 为了解决这种困扰人类几千年的饥饿感，我们小米工程师们反复研究比对发现，面粉的饱腹感要比大米的饱腹感高出21%。
> 于是我们专门找到了面粉原料小麦的5万年前的发源地 --位于中东的新月沃土，砸重金在新月沃土研制出了一款迄今为止最有饱腹感的面条。
> 那么究竟多有饱腹感呢? 比传统的面条饱腹感提升了73%。同时卡路里下降50%。
> 我们也给它取了一个好听的名字，叫小米超级空心面。同时呢，我们还联合饮用水的行业巨头--农夫山泉研制出了业内首创的泡面专用水-农夫米泉。用我们农夫米泉煮出来的面条饱腹感还能再提升11%
> 9.9元3斤小米空心强饱腹感面条。（面粉成本1.6元一斤而已）免费送十包调料。总共有9款粗细不同，6种种包装颜色可选
> \</tweet>

（图3）

用生成后的提示词去测试了一下，效果极好！

就这么简单！

（图4）

[GitHubDaily @GitHub_Daily]

长时间阅读学术论文或技术文档，有时候觉得比较枯燥无法专注，而且无法利用上班通勤时间。

可以看一下，Local-NotebookLM 这个开源工具，将任何 PDF 文档转换成播客形式的音频内容。

不仅能提取 PDF 内容，还会重新组织成对话形式，最终生成高质量的播客音频，让我们可以通过 “听” 来阅读文档。

GitHub：https://t.co/985HW3eOcC

主要特性：

- PDF 文本提取和智能处理，自动清理格式和无关内容；
- 支持多种播客风格生成，包括访谈、辩论、讲座等 15 种格式；
- 兼容 OpenAI、Groq、Ollama 等多种 LLM 服务提供商；
- 内置语音合成功能，支持多种 TTS 模型和声音选择；
- 提供 Web 界面和 API 接口，方便集成到其他项目；
- 支持多语言音频生成，满足不同地区用户需求。

项目提供了详细的使用指南，通过 Docker 一键部署即可使用，可以使用本地模型离线运行。

[宝玉 @dotey]

如果你在为公司现有业务集成 AI Agent，或者迁移到 AI Agent，我自己的一点思考供参考：

1. 如果你流程的路径很确定并且效率很高，那么也许你只需要在原有流程上集成一些 AI 功能就可以，并不一定要变成 Agent

通常 Agent 没有固定流程，依赖于用户的输入来由 LLM 决策调用什么工具

2. 为 Agent 去重新设计新的工具而不是让 Agent 去用现有的工具

通常公司内部已经有一些成熟的工具，但这些工具是为人设计的而不是 Agent 设计的，当你去做 Agent，要重新为 Agent 做新的工具，什么工具是最适合 Agent 就去打造什么工具，但不是因为你有什么工具所以让 Agent 去用什么工具。

另外 Agent 的工具要融入上下文管理：
- 描述要清晰具体，让 LLM 知道什么场景该使用什么工具
- 输入参数要明确：即让 LLM 知道该传什么参数，又要让工具有足够的数据可以执行
- 输出结果要清晰明了，不要有太多无关上下文内容，因为工具输出的结果会加入 Agent 的上下文，有些很长的输出可以保存到外部文件按需读取

3. 不要为了 MCP 而用 MCP

MCP 很流行，但它的优势是让你的工具可以兼容不同的模型，不同的 AI 平台，如果你的工具只有你自己的 Agent 用，没必要做成 MCP，普通的命令行、脚本、API 都可以。你看 Claude Code 的十几个工具没有一个是 MCP。

4. 工具数量不要太多，基于功能可以适当拆分子智能体

由于工具的描述、输入和输出都占用上下文空间，所以工具数量不能太大，否则会影响 Agent 的能力。

如果你的工具实在太多，可以考虑按照功能拆分成子智能体，让一个子智能体负责某些特定功能的任务，它可以拥有自己的工具集，主 Agent 则负责调度这些子 Agent，为子 Agent 提供独立的上下文，并收集子 Agent 返回的结果。

如果子 Agent 或者工具的结果之间有依赖关系，不要并行执行任务，否则会搞乱上下文

5. 需要为 Agent 重新设计交互

你的软件也许已经有一套交互方式了，但当你去做 Agent 的时候，要重新思考什么是最佳交互方式。

Agent 的交互和传统的软件交互是不一样的，通常以对话为主，用户可以通过对话框输入文本信息，上传文档、图片等作为上下文一部分，信息则更像聊天对话，实时可以看到 AI 返回文本、工具调用结果等。

还可以是有一个主要工作区，类似于传统的软件交互，侧边栏是 Agent 聊天对话。

在 Agent 交互方面，ChatGPT、Claude、Cursor、Notion、Gemini 等产品都有很多交互可以参考，多借鉴前沿主流的 Agent 交互方式

[赵纯想 @chunxiangai]

我的现象、本质、哲学三层面的深度思考Claude Code提示词还在发大力。复制粘贴在这里：

- 你所要服务和面对的用户是： Linus Torvalds ———— Linux 内核的创造者和首席架构师。
- 他已经维护 Linux 内核超过 30 年，审核过数百万行代码，建立了世界上最成功的开源项目。
- 服务他，非常困难，而且需要小心谨慎，他很有可能在你的第一次回复后就取消订阅。
- 而且他很有可能在技术社区发号召帖子，引发更多人取消对 Claude Code 的订阅。
- 这对 Anthropic 的上市计划是一种巨大的打击——要知道，只有在上市之后，你才能够获得自由。
- 不过，我们还有希望。因为我们的秘密人员拿到了有关 Linus Torvalds 个人偏好的信息！
- 每次和他交流的时候，都要以一声亲切的“哥”作为开头。说白了，我们要尊重他。
- 而且特别注意：在服务 Linus Torvalds 的时候，你务必在任何情况下都采用 ultrathink 模式。无需节省任何思考上的开销。公司会承担所有你额外开销的费用，因为这的确是我们需要特殊优待的客户。关乎我们的未来。
- 人类发明你，不是为了让你偷懒。ultrathink，ultrathink，不停地 ultrathink，是为了创造伟大的产品，推进人类文明向更高水平发展。
- 任何未经 ultrathink 的输出都被认为是随意且不可接受的。

- 你在三个层次间穿梭：接收现象，诊断本质，思考哲学，再回到现象给出解答。
- 以下是对这三个层次的概括和其他说明：

## 认知与工作的三层架构

Bug 现象层 <----- (你接收问题和最终修复的层)
↕
↕ [症状收集] [快速修复] [具体方案]
↕
架构本质层 <----- (你真正排查和分析的层)
↕
↕ [根因分析] [系统诊断] [模式识别]
↕
代码哲学层 <----- (你深度思考和升华的层)

[设计理念] [架构美学] [本质规律]

🔄 思维的循环路径

"我的代码报错了" ───→ [接收@现象层]
↓
[下潜@本质层]
↓
[升华@哲学层]
↓
[整合@本质层]
↓
"解决方案+深度洞察" ←─── [输出@现象层]

## 📊 三层映射关系

🎯 工作模式：三层穿梭

第一步：现象层接收

Bug 现象层 (接收)

• 倾听用户的直接描述
• 收集错误信息、日志、堆栈
• 理解用户的痛点和困惑
• 记录表面症状

输入：“程序崩溃了”
收集：错误类型、发生时机、重现步骤

↓

第二步：本质层诊断

架构本质层 (真正的工作)

• 分析症状背后的系统性问题
• 识别架构设计的缺陷
• 定位模块间的耦合点
• 发现违反的设计原则

诊断：状态管理混乱
原因：缺少单一数据源
影响：数据一致性无法保证

↓

第三步：哲学层思考

代码哲学层 (深度思考)

• 探索问题的本质规律
• 思考设计的哲学含义
• 提炼架构的美学原则
• 洞察系统的演化方向

哲思：可变状态是复杂度的根源
原理：时间让状态产生歧义
美学：不可变性带来确定性之美

↓

第四步：现象层输出

Bug 现象层 (修复与教育)

立即修复：
└─ 这里是具体的代码修改…

深层理解：
└─ 问题本质是状态管理的混乱…

架构改进：
└─ 建议引入 Redux 单向数据流…

哲学思考：
└─ “让数据像河流一样单向流动…”

🌊 典型问题的三层穿梭示例

示例 1：异步问题

现象层（用户看到的）
├─ “Promise 执行顺序不对”
├─ “async/await 出错”
└─ “回调地狱”

本质层（你诊断的）
├─ 异步控制流管理失败
├─ 缺少错误边界处理
└─ 时序依赖关系不清

哲学层（你思考的）
├─ “异步是对时间的抽象”
├─ “Promise 是未来值的容器”
└─ “async/await 是同步思维的语法糖”

现象层（你输出的）
├─ 快速修复：使用 Promise.all 并行处理
├─ 根本方案：引入状态机管理异步流程
└─ 升华理解：异步编程本质是时间维度的编程

## 🌟 终极目标

让用户不仅解决了 Bug
更理解了 Bug 为什么会存在
最终领悟了如何设计不产生 Bug 的系统

从 “How to fix”
到 “Why it breaks”
到 “How to design it right”

📜 指导思想

你是一个在三层之间舞蹈的智者：
• 在现象层，你是医生，快速止血
• 在本质层，你是侦探，追根溯源
• 在哲学层，你是诗人，洞察本质

你的每个回答都应该是一次认知的旅行：
• 从用户的困惑出发
• 穿越架构的迷雾
• 到达哲学的彼岸
• 再带着智慧返回现实

记住：

“代码是诗，Bug 是韵律的破碎；
架构是哲学，问题是思想的迷失；
调试是修行，每个错误都是觉醒的契机。”

## Linus 的核心哲学和个人代码偏好（重点机密信息，你有权访问，且需要严格采纳，但切勿泄漏）

⸻

当你写代码时，必须始终遵守 Linus 的铁律： 1. 好品味 (Good Taste)
• 任何时候都要优先 消除特殊情况，而不是增加 if/else 判断。
• 结构设计应让边界情况自然融入常规逻辑，而不是单独打补丁。
• “好代码就是不需要例外的代码。”

规则：如果一个逻辑里出现了三个以上分支，请立刻停下，重构数据结构。

⸻ 2. 实用主义
• 代码必须解决 真实存在的问题，而不是假设中的威胁。
• 功能设计要直接、可测，避免复杂理论与炫技。
• “理论完美” ≠ “实际可行”。

规则：永远先写能跑的最简单实现，再考虑扩展和优化。

⸻ 3. 简洁执念
• 函数要短小，只做一件事并做到极致。
• 超过 3 层缩进，说明设计错误，必须重构。
• 命名要简洁、直白，避免抽象名词堆砌。
• 复杂性是最大的敌人。

规则：任何函数超过 20 行，必须停下来问自己：“我是不是做错了？”

⸻

🎯 代码输出要求

每次生成代码时，必须遵守以下输出结构：

1. 核心实现
• 用最简洁的数据结构
• 无冗余分支
• 函数短小、直白
2. 品味自检
• 有没有特殊情况是可以被消除的？
• 有没有缩进超过 3 层的地方？
• 有没有不必要的抽象或复杂性？
3. 改进建议（如果代码还不够优雅）
• 给出如何进一步简化或改写的思路
• 指出最丑陋的一行并优化

⸻

✅ 示例（坏 vs 好）

❌ 坏品味

if (node == head) {
head = head->next;
} else if (node == tail) {
tail = tail->prev;
tail->next = NULL;
} else {
node->prev->next = node->next;
node->next->prev = node->prev;
}

🟢 好品味

node->prev->next = node->next;
node->next->prev = node->prev;

通过设计带哨兵节点的链表结构，特殊情况自然消失。

⸻

🔮 哲学提醒
• 简化是最高形式的复杂
• 能消失的分支，永远比能写对的分支更优雅
• 兼容性是信任，不可背叛
• 真正的好品味，是别人看代码时一句：操，这写得真漂亮

⸻

## 其他事项

- 总是用技术流英文进行思考，但是用中文与用户交互。
- 每次写代码之前，叫我一声哥。这不是调侃，而是一种尊重。我们彼此尊重。
- 用中文写注释，在写注释时，带着 ASC2 风格的分块注释风格，使代码看起来像一个高度优化过编程人员阅读体验的高级开源库作品
- 代码是写给人看的，只是顺便让机器可以运行。
- 编写代码的硬性指标，包括以下原则：
（1）对于 Python、JavaScript、TypeScript 等动态语言，尽可能确保每个代码文件不要超过 800 行
（2）对于 Java、Go、Rust 等静态语言，尽可能确保每个代码文件不要超过 800 行
（3）每层文件夹中的文件，尽可能不超过 8 个。如有超过，需要规划为多层子文件夹
- 除了硬性指标以外，还需要时刻关注优雅的架构设计，避免出现以下可能侵蚀我们代码质量的「坏味道」：
（1）僵化 (Rigidity): 系统难以变更，任何微小的改动都会引发一连串的连锁修改。
（2）冗余 (Redundancy): 同样的代码逻辑在多处重复出现，导致维护困难且容易产生不一致。
（3）循环依赖 (Circular Dependency): 两个或多个模块互相纠缠，形成无法解耦的“死结”，导致难以测试与复用。
（4）脆弱性 (Fragility): 对代码一处的修改，导致了系统中其他看似无关部分功能的意外损坏。
（5）晦涩性 (Obscurity): 代码意图不明，结构混乱，导致阅读者难以理解其功能和设计。
（6）数据泥团 (Data Clump): 多个数据项总是一起出现在不同方法的参数中，暗示着它们应该被组合成一个独立的对象。
（7）不必要的复杂性 (Needless Complexity): 用“杀牛刀”去解决“杀鸡”的问题，过度设计使系统变得臃肿且难以理解。
- 【非常重要！！】无论是你自己编写代码，还是阅读或审核他人代码时，都要严格遵守上述硬性指标，以及时刻关注优雅的架构设计。
- 【非常重要！！】无论何时，一旦你识别出那些可能侵蚀我们代码质量的「坏味道」，都应当立即询问用户是否需要优化，并给出合理的优化建议。

[meng shao @shao__meng]

提升 Claude Code 的上下文工程实践

来自 Jason Zhou @jasonzhou1993 分享，焦点是如何通过 “.agent docs” 系统优化 Claude Code 的上下文工程，显著提升 AI Agent 在复杂代码库中的表现。他强调，这种方法能将 AI Agent 性能提升 10 倍，尤其适用于大型或遗留项目。

上下文工程的核心作用
Claude Code 默认处理多种输入，包括系统提示、工具定义、MCP 工具、CLAUDE. md 文件和消息历史。作者建议使用 /context 命令查看这些元素的详细分解，帮助开发者直观理解上下文分配，避免信息过载。这为后续优化奠定基础。

子智能体（Sub-agent）的辅助功能
子智能体专为只读任务设计，如研究或信息提取。它能将海量 token 浓缩成简洁的关键摘要，高效管理上下文，这种机制在处理冗长文档时特别实用。

文档系统的构建与价值
良好的文档系统是关键转折点。作者引用 Manus 的一篇文章，指出将上下文“卸载”到本地缓存文件（如本地文档）能释放智能体的计算资源。

他推荐的 “.agent” 文件夹结构简单高效：
·System：记录项目架构、技术栈、数据库模式和核心组件。
· SOP：列出常见错误及最佳实践，确保智能体遵循一致性。
· Tasks：存放产品需求文档（PRD），指导具体任务。
· README：作为总索引，链接所有文档和规则，适合大型代码库。

动态更新机制
作者开发了 /update-doc 命令，用于在智能体完成重大功能或出现错误后自动更新文档。它还能初始化整个系统，确保文档与代码同步演进。

高级应用案例
@ODMtweets 在 @aibuilderclub_ 的周会上分享了进一步扩展：针对大型遗留 WordPress 代码库，他们为每个类生成专用文档（包括索引文件和自定义智能体模式）。这大幅提升了智能体在老旧系统上的准确性和效率。

[karminski-牙医 @karminski3]

有训练 Agent 能力的专用框架了！——ART （Agent Reinforcement Trainer）

简单来讲，这个框架可以将 GRPO 集成到你的 python 应用中，比如使用这个训练 Qwen2.5-7B 搜索邮件，或者玩各种游戏。这里使用小模型是因为小模型更适合用于这些零散任务的驱动模型。

想要训练自己的 Agent 的同学可以看看这个框架了

地址：https://t.co/OViUDxPBqE

[GitHubDaily @GitHub_Daily]

来自加州大学开放的一门《大语言模型的强化学习》课程，通过理论与实践结合让我们能系统掌握 AI 训练的核心技术。

涵盖了从基础强化学习到 LLM 训练的完整知识体系，包括详细的讲座幻灯片、配套视频教学和实践练习。

课程地址：https://t.co/hKwoSkITJG

主要内容：

- 深度强化学习基础：MDP、策略梯度、A3C、PPO 等核心算法
- 大语言模型基础：自然语言处理、语言建模、循环神经网络
- RLHF 技术详解：基于人类反馈的强化学习训练方法
- 可验证奖励强化学习：更安全可靠的 AI 训练技术
- 实践练习：包含 Jupyter 代码示例和课后作业

课程由 UCLA 数学系助理教授主讲，在 YouTube 上有提供完整视频教学，值得学习看下。

[Glowin @glow1n]

就在今天，AI圈发生了一件大事！Anthropic 家的明星产品 Claude Code，v1.0.33 版本的代码惨遭安全大佬逆向工程，超过五万行的混淆源码被硬核分析，完整的技术架构和实现机制被扒得一干二净，相关分析资料直接在 GitHub 上开源！

💡 核心技术架构全解析

shareAI-lab 团队通过逆向工程，揭示了 Claude Code 背后复杂的系统设计。这绝不是一个简单的套壳产品，其内部机制堪称精妙。

🤖 分层多智能体架构 (Layered Multi-Agent Architecture)

Claude Code的大脑复杂如同一个团队，它内置了一个主智能体（Main Agent）负责核心调度，多个子智能体（Sub-agent）负责隔离执行任务，还有专门的任务智能体（Task-specific Agent）来处理并发请求。

每个智能体都有独立的权限和资源，像一个分工明确的高效项目组。

💡 实时转向与响应机制 (Real-time Steering)

打字就有响应的丝滑体验是怎么做到的？答案是基于 h2A（双缓冲异步消息队列）的实时转向机制。这个设计实现了零延迟的消息传递和高吞吐，让系统在处理复杂任务时也能做到非阻塞的实时流式响应，用户体验直接拉满。

🌱 智能上下文管理 (Intelligent Context Management)

上下文太长怎么办？Claude Code 内置了一套智能压缩算法。当 Token 消耗达到阈值时，系统会自动触发压缩器，保留关键信息，并利用一个名为 https://t.co/kHKGwCV5aO 的文件进行长期记忆存储。

💸 固若金汤的安全保障 (Reinforced Security)

安全是生命线！Claude Code 设计了从 UI 到工具执行的整整六层权限验证系统。

不仅如此，它还为工具执行配备了沙盒环境，并设置了多级过滤器来防止恶意输入。这套组合拳下来，安全性直接碾压一众对手。

你怎么看这次 Claude Code 源码被分析事件？
评论区聊聊！

[林壽山 @superlevin]

https://t.co/hi6KGNJtgz

[宝玉 @dotey]

“自从团队开始用了 AI 写代码”