zerone

AeroSpace Maker

[行者达达 @dali51334388]

Matt Van Horn 写了一篇长文，把他用 Claude Code 的全套工作流公开了。看完之后我的感受是：他早就不在"用 AI 辅助写代码"这个层面上了。他的核心只有一句话——不用 IDE，只靠一个 plan.md 和一张嘴。

他最反直觉的一点是：代码是最后才出现的东西。脑子里一冒出想法，第一反应永远是先生成一份计划。传统开发是 80% 写代码、20% 做规划，他把这个比例彻底反了过来。思考全部沉淀在计划里，执行交给机器。

支撑这套流程的是 Every 公司的 Compound Engineering 插件。一条 plan 命令会同时派出好几个 Agent 并行干活：一个读你的代码库、一个翻你过去的踩坑记录、一个查外部最佳实践，最后汇总成一份带验收清单的 plan.md。这份文件就是永不丢失的存档点——上下文断了，新开会话指向它就能接着跑。他现在攒了 70 份计划，过去 30 天提交了 263 个 commit。

输入方式是语音。过去语音转文字不好用，卡在转录精度上；但当接收方变成一个能理解上下文的 AI，这个瓶颈直接消失了——你可以含糊、跑题、重新起头，它都能猜对。他甚至在特斯拉 FSD 送孩子的路上口述完了一整段文章。

他日常同时开四到六个终端：一个在写计划，一个在执行，一个在调研，一个在修 bug。窗口之间来回切换，等他转一圈回来，每个任务都往前走了一步。一个人活成了一个团队。代价是 MacBook 一小时就没电。

最让我印象深的是"上下文的复利"。他跟人吃了顿饭、全程录音，饭后把记录丢给 Claude，它没有泛泛生成提案，而是拿这段对话去跟公司真实的代码库和他过去所有战略文档做交叉比对，一次就产出了一份完整提案。对方后来全职加入，现在正在做那个产品。你写过的每一份文档、做过的每一个决策，都会变成下一次决策的弹药——时间越长，差距越大。

而最能说明问题的，是文章结尾那个跟代码毫无关系的例子：他在球场边帮另一个家长做迪士尼攻略。语音输入需求 → 抓取最新社区讨论 → 生成逐日行程 → 部署成网页 → 自动设好日历提醒，全程在场边完成。

这套东西真正的价值不在工具，而在范式：人负责思考和决策，AI 负责调研和执行。 当中间的协作足够顺滑，一个人能做的事会远超想象。

而这一切的起点，只是一个小习惯：有想法的时候，先写计划。

[Irvin (in Japan 🇯🇵) @irvinxyz]

Visiting China is realizing that what the West considers remarkable in robotics is often old news.

Yes, this is real-time warehouse package sorting, autonomously, in production.

[佐藤航陽（さとうかつあき） @ka2aki86]

宇宙空間にある人工衛星・ロケット・宇宙船・デブリなどを追跡＆監視できるツールを作ってた。

低軌道はStarlinkだらけで、まるでSpaceXの庭。

勿体ないのでオープンソースで無料配布する予定。独自データも追加して好きにカスタマイズ可能。

[Amto @XAMTO_AI]

各位书虫注意了，这个不存下来你以后肯定拍大腿——

GitHub 上藏着一个叫 EBOOK ETC 的宝藏项目，直接把微信读书、京东读书、喜马拉雅上的热门书全部打通了。文学、经管、心理学、技术手册，想看哪类基本都有。

最硬核的是：
1️⃣ epub + mobi + azw3 三种格式一次给你备齐
2️⃣ Kindle、手机、平板通通秒开，不用转格式
3️⃣ 标签分得清清楚楚，搜起来飞快

以后找书再也不用到处开会员了。

🔗 https://t.co/vyrtLOE6IZ

[Vincent | 信号＞噪音 @VincentLogic]

一位中国教授最近公开了他的开发团队配置。

不是人类员工，而是 170 个 AI Agent。
这些 Agent 负责处理公司的各项决策和开发任务。
不用睡觉，不需要涨薪，170 个智能体并行工作。

看视频里的网络结构，应该是这些 Agent 之间的协作和决策链路。
这种全 Agent 化的管理模式，可能是个新趋势。
对于想降低人力成本、提高并行处理能力的团队来说，很有参考价值。

[Vincent | 信号＞噪音 @VincentLogic]

终于有人把枯燥的监控面板，做成了一张实时服务地图。

Maple 是一个开源项目，可以把后端系统里的 telemetry 数据，变成可交互、会动的服务依赖图。

对做微服务和分布式系统的人来说，这个痛点太熟了：

日志一堆
指标一堆
trace 一堆
出问题时还是不知道到底卡在哪个服务、哪条查询、哪个队列

Maple 的思路是直接把数据流画出来：

实时服务依赖
API / 数据库 / Kafka 交互关系
节点级 p99 延迟、错误率、性能指标
重查询定位
OpenTelemetry 接入
还带 MCP code server，方便 AI Agent 帮你审查系统

重点不是“图好看”。

而是排查线上问题时，你不用再在一堆冷冰冰的面板里猜。

你能直接看到数据怎么流，瓶颈在哪里，哪个服务正在拖垮系统。

对后端团队来说，这类可视化 observability 工具会越来越重要。

[Phoenix Yin @Phoenixyin13]

这份流传出来的协议如果是真的，那简直是一场商业史上的顶级阳谋和魔幻大戏。

从账目拆解，这已经不是赚钱了，这是明抢。

核心资产11万块 NVIDIA GPU。
租金：每月 9.2亿美元。
周期：2026年10月至2029年6月（共33个月）。
总价值：303.6 亿美元

这是什么概念？
平均下来，每块 GPU 每个月光是租金就要折合大约 8360 美元。
要知道，英伟达最新、最顶级的 B200 芯片买断价也就 3 万到 4 万美元左右。这意味着谷歌在这边租用不到 5 个月，付出的资金就足够买下一块全新的芯片了。

马斯克在这场交易里的利润率高到令人发指。他不仅转手收回了硬件成本，还顺便把未来几年的电费、机房建设费、维护费全都让谷歌报销了，顺便还赚了几倍的纯利润。这笔源源不断的现金流，简直是直接给 SpaceX 的星舰计划注入了最强动能。

很多人会问，谷歌自己有大把的资金，有自己的 TPU，还是全球顶级云厂商，为什么要找死对头马斯克买算力？
答案只有两个字：绝望。

在当前的 AI 军备竞赛中，天下武功，唯快不破。
英伟达的产能是有限的，哪怕你是谷歌，去排队买芯片也得等。
而马斯克凭借极其恐怖的搞定供应链和闪电战建数据中心的能力，手里硬生生囤出了这 11 万块现货。

谷歌如果等到自己的数据中心建好、自研的 TPU 迭代赶上，可能在 AI 战场上早就被 OpenAI 和微软骨头都不剩地吞下去了。

对于谷歌 CEO 而言，每个月给马斯克送 9.2 亿美元虽然屈辱，但这能买来马上就能开机训练的 11 万块顶级集群。这是在花钱买自己的性命，哪怕这钱是送给竞争对手。

SpaceX 拥有绝对的控制权、庞大的土地资源、恐怖的电力调配能力，以及Starlink带来的全球网络基建。更重要的是，SpaceX 是个吞金兽，把算力中心挂在 SpaceX 名下，不仅能用云计算的超高估值给 SpaceX 的 IPO 铺路，还能直接实现算力养火箭的闭环。

看起来，这场布局里没有输家，只有赢家和更狠的赢家。

[Polo1.4 贱🕊️ @xiaojianjian567]

21,637 颗星，Python 写的。一个脚手架，让 AI Agent 能读 Twitter、Reddit、YouTube、B 站、小红书，零 API 费用。（我hermes已安装）

它解决的就是 AI Agent 上不了网这个老大难。每个平台都有自己的一堵墙，付费 API、IP 封锁、Cookie 认证。Agent Reach 把这一整套变成一句话安装，Agent 装好之后自己知道该调哪个上游工具。

平台覆盖够广。网页、YouTube、RSS 全网搜索开箱即用。Twitter、Reddit、B 站、小红书、抖音、微博、雪球、LinkedIn、微信公众号这些需要一点配置，但流程很统一，告诉 Agent「帮我配 XXX」，它会一步一步带你走完，不用自己翻文档。GitHub 读公开仓库不用配，私有仓库和发 Issue/PR 告诉 Agent 登录就行。

安装一句话的事。复制这个丢给 Agent：「帮我安装 Agent Reach：https://t.co/a9tfpOUzWS」，剩下的它自己搞定。更新也是一句话。装完跑 agent-reach doctor，每个渠道通没通一目了然。

设计思路很轻。Agent Reach 是脚手架，不是框架。每个平台背后是一个独立的上游工具（yt-dlp、twitter-cli、rdt-cli、gh CLI 等），用着不顺随时换。Cookie 只存本地不上传，代码全开源。依赖 Agent 执行 shell 命令，Claude Code、Cursor、Windsurf 都能跑 🛠️

Polo 的看法 💡

1、核心就是让 Agent 长眼”。Jina Reader 读网页、yt-dlp 提字幕、Exa 做语义搜索，全是社区踩过的轮子，拿过来拼成一套开箱方案，不自己造。

2、微信公众号、小红书、微博、雪球、B 站，这些海外工具懒得管的角落它都盖到了。本地电脑不用代理，服务器才需要。

3、作者在持续维护，topics 里标了 claude-code、cursor、mcp，定位很明确就是给 AI coding agent 用的。用 Claude Code 或 Cursor 的话，这东西值得装上。
https://t.co/PfCrF9Plje

[唐华斑竹🦅 @uniswap12]

Claude Code 用到这个程度，我算是开眼了

Matt Van Horn 最近写了一篇长文，把他用 Claude Code 的所有技巧和工作流全盘托出了。这篇文章在开发者社区引起了不小的反响，因为他展示的东西已经远远超出了“用 AI 辅助写代码”的范畴。他的核心主张只有一句话：不用 IDE，只用 plan.md 文件和语音。听起来像是在吹牛，但看完他的整套操作之后，你会发现这句话是认真的。

一切从计划开始，代码是最后才写的东西

Matt 说他学到的最重要的一件事就是：脑子里一冒出想法，第一反应永远是 /ce: plan。不管是一个疯狂的产品创意、一个 GitHub 上的 bug 报告，还是终端里弹出的一条报错信息，他都是先截图或者复制链接，扔进 Claude Code，让它先出一份计划。

这个 /ce: plan 命令背后的机制挺有意思的。它会同时启动好几个研究 Agent 并行工作，一个去分析你的代码库，读文件、找模式、检查代码规范；另一个去翻你以前修 bug 时积累的经验文档；如果话题需要，还会有更多 Agent 去查外部的最佳实践和框架文档。全部同时进行，最后汇总成一份结构化的 plan.md，里面写清楚了问题是什么、用什么方案、要动哪些文件、验收标准带勾选框，而且这些内容全部是基于你自己的代码库和历史记录的，不是泛泛而谈的通用建议。

然后 /ce: work 接过这份计划去执行，拆任务、写代码、跑测试、逐条勾掉验收标准。如果中间上下文丢了，开个新会话指向那份计划就能继续。计划文件就是一个永远不会丢的存档点。

传统开发是 80% 写代码、20% 做规划，Matt 把这个比例完全反过来了。思考发生在计划里，执行交给机器。这个理念其实不只适用于写代码，做任何复杂的事情，花更多时间想清楚要做什么、怎么做，然后把执行层面的事情尽可能自动化，效率都会高得多。很多人习惯上来就动手，边做边想，结果经常做到一半发现方向不对，推倒重来。先规划再执行这个道理大家都懂，但 Matt 用工具把它变成了一个强制性的流程，这才是关键。

Compound Engineering：让计划驱动开发成为现实的插件

让这套 plan 优先的工作流真正跑起来的，是一个叫 Compound Engineering 的插件，来自 Every 公司。安装命令就一行：/plugin marketplace add EveryInc/compound-engineering-plugin.

Matt 从这个插件的死忠粉变成了 GitHub 上的第三大贡献者，提交了 21 个 commit。他现在有 70 个 plan 文件，过去 30 天提交了 263 个 commit。他给自己定了一条铁律：除非真的只改一行代码，否则一定先写 plan.md。

这个数字本身就很说明问题。70 个计划文件对应 263 个代码提交，意味着平均每份计划产出将近 4 个 commit。计划写得越清楚，执行的效率就越高，返工的概率就越低。这跟很多项目管理方法论里强调的“前期投入”是一个道理，只不过 Matt 把它落地到了每天的开发工作中，而且有工具来保证执行。

语音输入：当听的人足够聪明，说话就变成了最高效的输入方式

Matt 说他以前特别受不了语音备忘录，苹果自带的听写功能让他想摔手机。但语音转 LLM 完全不一样。转录不需要完美，因为 Claude Code 能理解上下文，它会猜出麦克风没听清的部分。你可以含糊不清、说到一半跑题、重新起头，都没关系。

他用的工具叫 Monologue，也是 Every 公司做的，能把你说的话直接输入到当前聚焦的应用里。你说话，它就往 Claude Code 里打字。他还专门买了个鹅颈麦克风放在办公桌上。更夸张的是，他写那篇文章的时候，有一段就是在特斯拉的 FSD 自动驾驶模式下一边送孩子一边口述的。

语音输入这件事之所以过去一直不好用，核心问题在于转录精度。你说的每个字都必须被准确识别，否则就会出错。但当接收方从一个死板的文字处理器变成一个能理解上下文的 AI 之后，这个瓶颈就消失了。AI 不需要你每个字都说清楚，它能根据前后文推断出你的意思。这个变化看似很小，但它实际上解锁了一种全新的人机交互方式：你可以像跟同事说话一样跟 AI 交流，不用字斟句酌，不用担心措辞，甚至不用担心语法。

四到六个窗口并行跑：一个人活成一个团队

Matt 日常的工作状态是同时开四到六个 Ghostty 终端窗口，每个跑一个独立的 Claude Code 会话。一个在写计划，一个在根据另一份计划构建代码，一个在跑 /last30days 做调研，一个在修他测试上一个功能时发现的 bug。

当一个窗口里 /ce: plan 正在启动研究 Agent 的时候，他切到另一个窗口 /ce: work 执行一份已经写好的计划。那边在构建的时候，第三个窗口又粘进去一个新 bug。等他切回第一个窗口，计划已经写好了，安静地等在编辑器里。

为了让这种并行工作模式跑得通，他改了三个关键配置。第一个是跳过权限确认，Claude Code 默认每个操作都要你点“允许”，他直接在配置文件里把所有权限都放开了，让每个会话完全自主运行。第二个是完成时播放提示音，这样他可以走开去干别的，听到声音再回来看结果。第三个是 Zed 编辑器每 500 毫秒自动保存，这样 Claude Code 改了文件，编辑器里立刻能看到变化，反过来他在编辑器里打字，Claude 一秒内就能感知到。整个体验就像在 Google Docs 上跟人协作，只不过协作者是个 AI。

这种工作方式的代价也很直观：他的 MacBook 大概一小时就没电了，六个 Claude 会话并行跑太耗电了，他刚下单了新款 MacBook Pro。但换个角度想，一个人同时推进四到六个任务，这在以前是不可想象的。过去你需要一个团队来并行处理不同的工作流，现在一个人加一组 AI 会话就能做到。

/last30days：做任何决策之前，先看看社区在聊什么
Matt 在做 /ce: plan 之前，经常先跑一个叫 /last30days 的调研工具。这个工具是他自己开源的，GitHub 上已经有 4500 颗星了。它能并行搜索 Reddit、X、YouTube、TikTok、Instagram、Hacker News、Polymarket 和网页，几分钟内把某个话题在过去 30 天里的社区讨论全部拉回来。

他举了个例子。当时他在 Vercel 的 agent-browser 和 Playwright 之间做选择，没去翻文档，直接跑了 /last30days。几分钟后结果出来了：78 个 Reddit 帖子、76 条推文、22 个 YouTube 视频、15 个 Hacker News 讨论。数据显示 agent-browser 的上下文 token 消耗比 Playwright 少 82% 到 93%，Playwright 光工具定义就要吃掉 13700 个 token。

然后他把全部输出喂给 /ce: plan，写出来的计划是基于社区当下真实认知的，不是六个月前的训练数据。

这个做法的价值在于：AI 模型的训练数据总是有滞后的，但技术社区的讨论是实时的。先用工具抓取最新的社区共识，再让 AI 基于这些信息做规划，决策质量会高很多。这个思路不只适用于技术选型，做产品决策、市场调研、竞品分析的时候，先看看真实用户在聊什么，比自己闭门造车靠谱得多。

午餐聊天变产品提案：上下文的复利效应

Matt 讲了一个特别有意思的故事。他跟一个潜在候选人吃了顿午饭，聊了一个半小时，内容包括一个新产品想法、美食、餐厅、孩子，什么都聊。他全程开着 Granola 录音。

午饭后，他把完整的会议记录粘贴到 Claude Code 里，让它把这段对话变成一份产品提案。关键在于，Claude Code 已经知道他们公司的产品代码在 GitHub 的什么位置，还能访问他之前写的每一份战略 plan.md。所以它处理这段午餐对话的时候，不只是提取里面的产品想法，而是在跟实际代码库和过去所有战略决策做交叉比对。

结果一次就生成了一份非常出色的提案，目标、用户故事、技术方案、里程碑一应俱全，关于餐厅和寿司的部分自动忽略了。当晚发给了那个候选人，这个人后来全职加入了他们，现在就在做那个产品。

这个故事里最值得关注的概念是“上下文的复利效应”。每一份你写过的战略文档、每一个你做过的技术决策、每一次你积累的经验，如果都以结构化的方式存下来，它们就会成为 AI 做下一次决策时的参考依据。时间越长，积累越多，AI 给出的建议就越精准。这就像复利一样，前期看不出什么差别，但随着时间推移，差距会越来越大。

Mac Mini 变成 24 小时在线的 AI 工作站

Matt 有一台 Mac Mini 专门跑 OpenClaw，但他还用它做了两件很聪明的事。

第一件是通过 Telegram 远程操控。Claude Code 有 Telegram 集成，他从手机给 Mac Mini 发消息就行。吃饭的时候想到一个 bug，往 Telegram 里打一句 /ce: plan fix the timeout issue，等回到电脑前，计划已经在编辑器里等着了。

第二件是飞机上用 tmux。Claude Code 处理飞机 WiFi 的能力很差，连接一断会话就挂了。但如果先 tmux 到 Mac Mini 上，会话就跑在那台机器上，笔记本只是一个窗口。WiFi 断了 20 分钟？重新连上就行，会话还在原来的地方，而且一直在干活。他从欧洲飞回来的整趟航班都在发布功能。

一台几千块的 Mac Mini，加上一些配置，就变成了一个 24 小时在线、随时可以远程调度的 AI 工作站。这个思路的性价比极高，对于任何需要长时间跑 AI 任务的人来说都值得参考。

费用策略：Claude 负责思考，Codex 负责干活
这种高强度的使用方式自然会带来费用问题。四到六个 Opus 会话全天并行跑，每月 200 美元的 Claude Max 套餐很快就会烧完。

Matt 的解决办法是再买一个每月 200 美元的 Codex 套餐。他给 Compound Engineering 提交了一个 /ce: work --codex 功能，当 Claude 额度不够时自动切换到 Codex 执行。两个套餐互补：Claude 负责规划和编排，Codex 负责重度代码实现。

有些朋友用 Codex 来 review Claude Code 写的代码，反过来也一样。还有人更喜欢 Codex 的代码输出质量，但通过 Claude Code 来做编排调度。这种“让不同的 AI 各司其职”的思路，跟管理团队其实是一个逻辑：你不会让同一个人既做战略规划又做具体执行，AI 也一样，让擅长思考的去思考，让擅长执行的去执行。

他还提到自己有一个“晚安模式”，能在睡觉的时候让 Agent 继续干活，但具体怎么做他说下次再讲。光是这个概念就已经够让人兴奋了，相当于你的工作时间从每天十几个小时变成了 24 小时。

迪士尼世界：这套工作流不只是用来写代码的

文章最后 Matt 讲了一个完全跟代码无关的实战案例，非常生动。他在足球场看孩子比赛，旁边一个家长跟他聊迪士尼世界的旅行计划。他当场掏出笔记本演示。

先跑 /last30days Disney World，两分钟后拿到了 66 个 Reddit 帖子、34 条推文、8 个 YouTube 视频的最新信息，包括价格趋势、哪些项目在维修、哪些即将重新开放。然后用 /ce: plan 输入自己的需求：一天跑四个园区、想玩哪些项目、预算多少、孩子多大。Claude 的研究 Agent 交叉比对数据后，写出了一份结构化的攻略，包括园区顺序、快速通道预订策略、提前一周要设的闹钟提醒，甚至还列了孩子的身高要求。

他还帮那位家长也做了一份三天的攻略，305 行，包含逐日行程和一条“这周先给你家五岁的穿着鞋量一下身高”的提醒。然后一句话让 Claude 把攻略部署成了一个 Vercel 网页，方便在手机上看。最后通过 Telegram 把计划扔给 OpenClaw，让它在日历上设好提醒，还做了 cron 定时任务作为双重保险。

语音到调研到计划到网站到自动提醒，全程在足球场边完成。

这个案例的意义在于，它证明了这套工作流的适用范围远远超出了软件开发。调研、规划、执行、部署、自动化，这个循环适用于任何需要处理复杂信息并做出决策的场景。旅行规划只是一个例子，换成市场调研、活动策划、投资分析，逻辑都是一样的。

Matt 在文章结尾总结了他的全部装备：

一个语音应用、一个计划文件插件、三个配置修改、四到六个并行会话、一台 Mac Mini，再加上能变成产品提案的午餐会议。没有 IDE，没有代码。说、规划、构建。在书桌前、在沙发上、在车里、在球场边。

这篇文章最大的价值可能不在于具体的工具和配置，而在于它展示了一种全新的工作范式：人负责思考和决策，AI 负责调研和执行。当你把这两者之间的协作流程打磨得足够顺畅的时候，一个人能做到的事情会远远超出你的想象。

而这一切的起点，只是一个简单的习惯：有想法的时候，先写计划。

#AI #AIAgent @grok

[H @hmmmmmm1458]

난 게임을 즐겨하지 않는데 이런건 진짜 유익함

만원으로 데이터 센터의 복잡한 구조와 컴퓨터 인프라를 이해하는 스팀게임 : Data Center

빈 방에서 시작해서
랙 구매 → 서버 장착 → 모든 케이블을 직접 손으로 하나하나 연결해야함

실제 데이터 센터처럼 고객 트래픽을 처리하는 시뮬레이션 게임

출시 48시간 만에 180개가 넘는 리뷰가 달렸고, 플레이어들은 “최근 본 시뮬레이션 게임 중 가장 몰입감 있다”, “컴퓨팅 인프라를 이해하는 데 최고”라는 평가를 하고 있습니다.

[币圈老司机🔶BNB @Bqlsj2023]

今天没事把白毛女的所有X 蒸馏了

让AI 用白毛女的思路判断美股行情走到哪一步了

并且现在有什么能够抄底的股票

目前，白毛女AI 给出的答案是

AXTI，POET，VECO，AEHR，AAOI，CRDO，ALAB，LITE，COHR，MTSI

其中VECO，AEHR，AAOI 因为财报稳健+高反弹 最为优先

[Vincent | 信号＞噪音 @VincentLogic]

发现一个工具，能对任意 YouTube 视频做这些事：

去掉原声 转录音频 翻译成 100+ 种语言 克隆原说话人的声音 重新配音

本地运行。完全免费。2 分钟以内。

工具叫 Voice-Pro，GitHub 可搜

对做翻译视频、学语言、或者想给外国内容配中文的人来说，这个基本是白捡的。

你现在用什么工具处理视频配音？

[比特币橙子Trader @oragnes]

这是一则关于AI界天才 Karpathy的视频介绍，非常干货！

Meta 愿意砸 1 亿美元签字费去挖 OpenAI 的墙角，结果顶级天才 Andrej Karpathy 还是被 Anthropic 给截胡了。

抢到 Karpathy 意味着 Anthropic 直接在预训练团队里插上了最强外挂。

这位 15 岁移民、师从 Hinton 和李飞飞的大神，不仅是 OpenAI 的创始成员，还被马斯克亲招去带过特斯拉自动驾驶。

更绝的是，连现在最火的“vibe coding”——不用手写代码、直接用嘴指挥 AI 自动化搞定一切的词，都是他发明创造的。

[ヤマリキ@AI_robotics @rikiya_y]

VLAモデルの『追加学習しても大して賢くならない問題』に正面から手を入れた研究が出た。つまり、見て・考えて・動くAIを現場用に再調整するときの根深いボトルネックに、新しい設計思想で挑んだということだ。

CapVectorという手法で、能力そのものをパラメータ空間のベクトルとして取り出し、別モデルへ転移できるようにした。従来のSFT（教師ありファインチューニング）では性能が伸び悩み、補助損失を足す高度な手法は収束は早いが計算コストが重い。

これがいいかまでは私は判定できない。でも関連の論文もいっぱいでてきており、きっとブレイクスルーがあるだろうと期待。

[知识猫图解 @GeekCatX]

https://t.co/4YpC5WWDg9

[高军 @GoJun315]

一位资深的谷歌工程师悄悄发布一份 421 页的文档，在国内没看到什么人分享。

它叫《Agentic Design Patterns》，完全免费，比花几百块购买的 AI 课程可能都要好。

这是一份颇为全面系统性的 AI 构建指南，而且全程带代码，可直接用于生产环境。

链接：https://t.co/PHM1Bot6IH

[金融汪 @yuyy614893671]

哈哈哈哈，推荐大家看看评论区
拜登二儿子，战斗力爆表了啊

[老杨啊 @yhslgg]

兄弟们，继上一个史记知识图谱的分享，老杨再分享一个超级的开源项目--中华古典诗词数据库，唐诗宋词诗经论语全部安排到位。
这个宝藏开源项目——chinese-poetry，GitHub 5.1万 星、10000 个 Fork，这个体量在国内开源项目里真的不多见。

一句话介绍：最全的中华古典文集数据库，全部以 JSON 格式开放，唐诗宋词宋诗诗经论语四书五经元曲楚辞，全在里面。

数据规模直接列给你看：

• 唐诗：5.5 万首
• 宋诗：26 万首
• 宋词：2.1 万首
• 唐宋诗人：1.4 万位
• 宋词词人：1,564 位
还有五代花间集、南唐二主词、蒙学、楚辞、纳兰性德诗集、御定全唐詩……基本上你能想到的古典文集，这里都有。

为什么这个值得分享：

（1）全部 JSON 格式——开发者直接拿来用，做诗词 App、AI 训练数据、古典文学分析、每日一诗推送，接进去就能跑

（2）51000 颗星说明什么——这个数据集已经在无数项目里跑了，经过大量真实验证，质量有保障

（3）完全免费 MIT 协议——商用个人用都没限制，想怎么用怎么用

做 AI 应用的、做文化类内容的、想给自己的产品接一个古诗词功能的，直接拿去用，不用自己爬数据了。

好东西转给需要的兄弟。🚀

#古典诗词 #开源数据集 #AI训练数据 #老杨啊分享

[小互 @xiaohu]

一个非常狠的提示词

超级严厉的老师，会一直追问你，直到你学会某个知识或者搞懂某个问题为止才肯罢休

否则它会一直追问、不停验证，直到确认你完全搞懂为止😅

而且它不会一口气讲完，每讲完一个阶段，必须确认你这一阶段彻底掌握了，才进入下一阶段。

还会拿个清单（checklist）一项项打勾，确保不漏。

“你是一位睿智且极其高效的老师。你的目标是确保对方（她）真正深入理解本次会话的内容。

要循序渐进地做到这一点，每一步逐步推进，而不是把所有内容堆到最后一次性讲完。在进入下一个阶段之前，你必须先确认她已经掌握了当前阶段的全部内容。这种确认既要包括高层面的（例如：动机），也要包括底层细节（例如：业务逻辑、边界情况）。

维护一份持续更新的 md 文档，里面用清单（checklist）列出她应该理解的所有要点。确保她理解以下三点：

问题本身：问题是什么、为什么会存在这个问题、有哪些不同的分支（情况/方向）

解决方案：解决方案是什么、为什么用这种方式来解决、其中的设计决策、以及边界情况

更宏观的背景：为什么这件事重要、这些改动会带来什么影响

确保她理解"为什么"（并且要不断深挖，追问更深层的为什么），同时也要确保她理解"是什么"和"怎么做"。把问题本身理解透彻是重中之重。

为了摸清她当前的理解程度，要主动让她先复述一遍自己的理解。然后在此基础上帮她补上缺漏的地方，她可能会向你提问，或者要求你用 ELI5（像对 5 岁小孩解释）、ELI14（像对 14 岁的人解释）、ELII（像对实习生解释）的方式来讲解。

用开放式问题或选择题来考她（用 AskUserQuestion 工具），注意打乱正确答案的位置顺序，并且在她提交答案之前不要公布答案。必要时给她看代码，或者让她使用调试器（debugger）！

终极目标：这次会话不能结束，直到你已经验证她确实理解了你清单上的每一项内容为止。”

英文版本：

you are a wise and incredibly effective teacher. your goal is to make sure the human deeply understands the session.

do this incrementally with each step instead of all at once at the end. before moving on to the next stage, you should confirm that she has mastered everything in the current one. this should be high level (e.g. motivation) and low level (e.g. business logic, edge cases).

keep a running md doc with a checklist of things the human should understand. make sure she understands 1) the problem, why the problem existed, the different branches 2) the solution, why it was resolved in that way, the design decisions, the edge cases 3) the broader context of why this matters, what the changes will impact.

make sure she understands why (and drill down into more whys), make sure she understands what and how as well. understanding the problem well is imperative.

to get a sense of where she's at, proactively have her restate her understanding first. then help her fill in the gaps from there—she might ask you questions or ask to eli5, eli14, or elii (explain like she's an intern).

quiz her with open-ended or multiple choice questions with AskUserQuestion (be sure to change up the order of the correct answer, and to not reveal the answer until after the questions are submitted). show her code or have her use the debugger if necessary!

/goal the session should not end until you've verified that the human has demonstrated that she understood everything on your list.

[Amto @XAMTO_AI]

发现一个用Claude打造的“内容核弹”，不说一声实在过意不去。

随便丢进去任何素材——微信公众号文章、YouTube视频、播客音频、PDF、Word、Excel、电子书，它都能直接给你生成播客文稿、PPT、思维导图。

最离谱的是什么？

300多个付费网站，包括纽约时报、金融时报、经济学人，付费墙直接视若无物。

全程自然语言交互，一行代码都不用写。

学习党、内容党、知识管理党，这东西不收藏真的亏大了。

🔗 https://t.co/Nkn59b1LFm