Unexpected

[Avi Chawla @_avichawla]

Recursive LLMs by MIT vs. regular LLMs:

(learn how they work below)

[Nainsi Dwivedi @NainsiDwiv50980]

Instead of another YouTube tutorial, watch this Stanford webinar.

You'll understand AI agents better than most developers working with them daily.

Bookmark now for later

[Avid @Av1dlive]

Anthropic's applied AI team just showed how to actually prompt Claude properly.

24 minutes. free. from the people who built it.

watch the workshop. bookmark it.

you've been prompting Claude for months without the 6 elements.

I built a skill that applies them for you. read the guide below.

[陈成 @chenchengpro]

今天读到一篇很锋利的论文，提出了一个概念叫「LLM 谬误」。什么意思呢，你用 AI 写出了一篇漂亮的分析报告，然后潜意识里开始觉得「我确实有这个水平」。

这不是幻觉问题（输出对不对），不是自动化偏差（太信 AI），是一种更阴的东西，你因为用了 AI，开始太信自己。

论文拆解了四个机制，

1）归因模糊。你丢了一句模糊的提示词进去，AI 吐出来一段结构完整、论证清晰的内容。你改了几个词，又丢回去，它又优化了一版。几轮下来，你已经分不清���些想法是你的、哪些是它的了。人的大脑有个毛病，倾向于从结果反推作者身份，「这个东西是在我的对话里产出的，所以是我的」。

2）流畅性幻觉。AI 输出天然就语法正确、逻辑通顺、风格统一，看着就像一个资深人士写的。问题是人脑会把「读起来顺畅」自动等价于「写的人很专业」，这是一个认���捷径，你根本不会去审视内容到底是怎么生成的，表面的流畅直接就把你骗过去了。

3）管道不透明。传统工具你好歹能看到中间步骤，Excel 公式、SQL 查询，过程是透明的。但 AI 的检索、模式匹配、综合推理全部藏在黑箱里，你只看到输入和输出两头。中间它到底做了多少活，你完全无从判断，也就没办法准确地分配功劳。

4）认知外包。推理让 AI 推，组织让 AI 组织，措辞让 AI 润色，你自己参与的认知深度越来越浅。反复外包之后，你连评估自己到底懂不懂的能力都退化了。越依赖越不自知，越不自知越高估，正反馈循环。

这四个齿轮一咬合，感知能力和实际能力之间就裂开一道缝，而且是系统性的那种。

更要命的是往上捅到了制度层面。候选人用 AI 辅助做出高质量 portfolio，面试官只看产出根本判断不了独立能力；学生用 AI 完成作业，成绩不再反映真实理解；资质认证的信号价值被稀释。

这篇论文目前还是纯概念性的，没有实验数据。但它给一个东西起了名字，一个几乎每个 AI 重度用户都隐约感觉到、但没人正式说破的东西。

说真的，值得反复问自己一个问题，离开 AI，你还剩多少？

https://t.co/veBTKMlv8Y

[潮鳴劇団~ 鳴潮応援部 @meicyououenbu]

フレームの外

Cr.江停语
https://t.co/12BThBf1mD

#鳴潮 #WutheringWaves #漂泊者

[mya. @n5fve]

goodmeowning Mmeow

[Wuthering Waves @Wuthering_Waves]

Wuthering Waves Version 3.3 – 2nd Anniversary Special Broadcast is almost here!
April 17, 2026 at 19:00 (UTC+8)
Tune in on our official YouTube and Twitch channels — don’t miss the celebration!

Join our Discord Watch Party!
20 winners will be chosen for a $50 Amazon Gift Card.

[Matt Dancho (Business Science) @mdancho84]

This 277-page PDF unlocks the secrets of Large Language Models.

Here's what's inside: 🧵

[Nav Toor @heynavtoor]

BREAKING: AI can now build RAG pipelines like Google Brain's retrieval research team (for free).

Here are 12 insane Claude prompts that replace $380K/year ML engineers at top AI labs (Save for later)

[Matt Shumer @mattshumer_]

https://t.co/ivXRKXJvQg