向阳乔木@vista8 · 5月6日62

如果你想做活人感的AI助理，一定要看洛小山的这篇1.6w字的长文。 相当多干货和实战经验，发现这块做得好的，都是游戏达人或从业者。 https://mp.weixin.qq.com/s/zH3OjnJr_PwfmafYkse8nQ

译洛小山发布了一篇关于如何创建具有“活人感”AI助理的长文，内容包含大量实用干货与实战经验。文章指出，在该领域表现出色的实践者或项目，大多具有游戏开发背景或是资深游戏玩家。这一关联性提示，游戏行业在角色塑造、交互设计和叙事构建方面的经验，可能为开发更自然、拟人化的AI助理提供了关键的方法论借鉴。

向阳乔木@vista8 · 5月6日77

姚老师把去年写的所有提示词都整理好，都开源了。 跟很多提示词不同，姚老师实干派，基本都是商业场景能用得上的，多数来源于自己或业务需求。 强烈推荐收藏。

译姚老师将其去年编写的提示词整理并开源，强调这些提示词以实干派风格为主，适用于商业场景，源于实际业务需求。合集包含约100个提示词，覆盖AI方法、工作、学习、生活、教育、内容、编程、营销和思考等9类场景，特别推荐其中的元提示词（包括简易版和进阶版）。项目已通过GitHub发布，并将持续更新验证过的有价值提示词，方便用户下载和迭代。

小互@xiaohu · 5月6日65

QClaw 海外版有点东西，体验很不错 可以直接调用本机 Claude Code 技能，为我干活 试了一下我的写作工作流： 我在咖啡店用手机发了个任务 “看下今天保存的推文，选一个最适合写的 AI 产品动态。写一条 X 推文串，再写公众号初稿，最后跑一遍去 AI 味和发布前检查。” 过一会，文件已经躺在 Obsidian 里了...

译QClaw海外版通过调用本机Claude Code技能，实现了从任务发起到内容产出的全自动化写作流程。用户仅需在移动端发送一条包含多步骤指令（如筛选主题、撰写推文串、生成公众号初稿、进行去AI化处理及发布前检查）的文本任务，系统即可自动完成全部工作，并将最终文件输出至Obsidian知识库中。该工具的核心在于无缝衔接了自然语言指令与本地AI代码执行能力，显著提升了内容创作效率。

meng shao@shao__meng · 5月6日72

OpenAI Codex App 完全入门指南（5月最新版） 入门指南 + 7 天上手实战计划 + Cursor/Claude Code 平滑迁移教程 https://youtu.be/MQlCBlO_S14?si=LdOxesmyo892uLbR

译作者发布了最新的OpenAI Codex App完全入门指南，涵盖入门教程、7天实战计划以及从Cursor/Claude Code的迁移指导。为方便预览，已使用@editframe Skills工具制作了介绍视频并先行分享。由于将Markdown格式整理为X Article较为耗时，指南将先于公众号发布，后续再适配X Article格式。

Berryxia.AI@berryxia · 5月6日64

我特么信你个鬼！！！ 又是中国的小伙发财日记！！！

译一位中国开发者基于Claude Sonnet 4.6创建了由7个智能体组成的全自动化系统，专为小城镇无网站的小微企业提供落地页服务。系统通过Claude Code Router协调，每日扫描约220家企业并筛选30个潜在客户，自动生成诊断报告、制作落地页与宣传视频，并通过多渠道发送个性化营销信息。整个过程无需人工干预，仅在单笔交易超3000美元或回复率低于12%时通知开发者。该系统每月可服务约47家企业，每单收费400美元，显著降低了传统网页设计的成本与人力投入。

阿绎 AYi@AYi_AInotes · 5月6日79

这个创造了Claude Code的男人Boris Cherny大神，完整公开了自己的工作流，并直播演示了一半的编码工作在手机上完成🤪 不是回消息，是同时跑5到10个Claude实例， 用手机启动任务，去喝咖啡，回来代码写好了🤣 他刚公开了自己的完整工作流，看完之后我发现， 核心就三件事，但每一件都跟大多数人的直觉相反： 第一，永远选最贵最聪明的模型 听着像烧钱，实际上反过来，聪明模型一次想清楚，笨模型来回试错烧掉的token远超差价。 他的原话："计划做得好，代码自然好。" 第二，整个团队维护一个纯文本知识库 不是Notion，不是花哨的文档系统，就是一个txt文件。Claude每犯一次错，记一笔，每周更新好几次，这个文件就是团队的长期记忆，Claude不会在同一个地方摔倒两次。 第三，永远让Claude看到自己代码的运行结果 能跑代码，能看浏览器渲染， 他的比喻很准："你让一个画家蒙着眼睛画画， 画完不让他看，然后怪他画得丑？" 他的清晨流程：醒来，手机上启动三个任务， 该干嘛干嘛，晚点回来检查。 规划模式起步 → 敲定计划 → 自动接受修改 → 完成 多个Claude实例，一个周密计划，一个共享知识库，没了。

译Boris Cherny公开其高效AI编码工作流，核心基于三点反直觉原则：1. 坚持使用最昂贵、最聪明的模型（如Claude），因其能一次性清晰规划，避免笨模型反复试错消耗更多token；2. 团队仅维护一个纯文本知识库文件，记录Claude的每次错误并每周更新，形成长期记忆；3. 始终让Claude查看自身代码的运行结果（包括执行和渲染）。其工作模式是在手机上并行启动多个Claude实例，基于规划模式制定方案后自动执行修改，从而高效完成任务。

Berryxia.AI@berryxia · 5月6日25

这个动效交互做的有意思，可以学习下😄

meng shao@shao__meng · 5月6日77

[OpenAI Codex 官方迁移指南] 从其他 AI Coding Agents 迁移到 Codex，把你的"Agent 资产"（指令、配置、技能、会话历史等等）一键搬过来！ https://developers.openai.com/codex/migrate 迁移入口 Codex App → Settings → General → "Import other agent setup" → Import 迁移机制（关键设计） Codex 在两个层级同时扫描： · 用户级：本机上的全局配置文件 · 项目级：当前打开仓库内的配置文件 执行流程是一个带回检的四步循环： · 检测可识别的配置 · 直接迁移可处理的部分 · 迁移后再次检测 · 对剩余无法自动迁移的内容，另开一个新线程协助手动完成 这种"自动 + 残留兜底"的设计是文档最值得注意的地方——它承认不是所有概念都能 1:1 映射。 可直接迁移的对象映射表 指令文件（如 CLAUDE.md）-> AGENTS.md settings.json -> config.toml Skills -> Codex Skills 近 30 天会话 -> Codex threads / projects MCP 服务器配置 -> Codex MCP 配置 Hooks -> Codex Hooks Slash commands -> Codex Skills Subagents -> Codex agents 两个值得留意的设计取舍： · Slash commands 被归并到 Skills——Codex 不维护独立的斜杠命令体系，而是统一用 Skills 表达。 · 会话有 30 天窗口限制，更早的历史不会被带过来。 残留迁移的兜底机制 无法干净映射的内容，Codex 会用一个名为 migrate-to-codex 的官方 skill 在新线程里继续处理，并且用户级与项目级的剩余项分开列出，便于判断归属。 迁移后必须人工复核的五类内容 1. Skills 与 agents 中的工具权限和限制 —— 权限模型在不同智能体间语义不同，容易宽松化或失效 2. MCP 服务器的自定义认证、headers、环境变量、传输协议 —— 这些通常无法自动搬运 3. Hooks 行为差异 —— 触发时机和上下文未必一致 4. Plugins、marketplaces 等无对应概念的设置 5. 依赖参数、shell 插值、文件路径占位符的 prompt 模板或命令式提示

译OpenAI 为 Codex 发布官方迁移方案，支持从其他 AI Coding Agents 一键导入指令、配置、技能、近30天会话等资产。迁移采用“自动迁移+残留兜底”设计：通过用户级和项目级双层扫描，执行检测、迁移、回检的四步循环；自动处理可识别配置后，对剩余部分使用 `migrate-to-codex` skill 手动处理。需注意 Slash commands 被归入 Skills 体系，且会话历史仅限30天。迁移完成后，必须人工复核工具权限、MCP服务器认证、Hooks行为差异等五类内容，因平台间语义或实现差异可能影响功能。

宝玉@dotey · 5月6日70

GPT Image 2 Prompt 和蜡笔小新一家合影（配合一张照片）： 拍摄一张半写实半动画的照片。画面中，我（用户）正和野原新之助（Shinchan Nohara）以及他的全体家人站在一起。家庭成员包括他的父亲野原广志（Hiroshi Nohara）、母亲野原美冴（Misae Nohara）、妹妹野原向日葵（Himawari Nohara），还有他们的宠物狗小白（Shiro）。所有动漫角色的形象保持原始动画形象，但必须自然地融入到真实的现实世界场景中。在画面中，小新要表现出滑稽和淘气的样子，广志看起来温和朴实，美冴表情丰富且带有一丝严厉，小葵天真可爱、充满童趣，小白则显得小巧伶俐、软萌可爱，和蜡笔小新卡通形象一致。

译用户利用GPT Image 2 Prompt功能，描述生成一张半写实半动画照片，其中用户与动画角色野原新之助（小新）及其全家合影。照片要求小新、父亲广志、母亲美冴、妹妹向日葵和宠物小白保持原始动画形象，并自然融入真实环境。每个角色被赋予特定性格：小新滑稽淘气，广志温和朴实，美冴表情丰富略带严厉，小葵天真可爱，小白软萌伶俐。同时，引用推文展示了类似提示词，用于生成高度写实、角色略带风格化且与环境自然融合的照片，强调提示词在AI图像生成中的应用。

Berryxia.AI@berryxia · 5月6日75

Google昨天刚官宣Gemma 4用MTP实现3倍加速， vLLM今天就直接Day-0支持，零延迟把这个加速塞到了所有人手里。 一条Docker命令就能跑： 🚀 现成镜像 + 完整recipes ⚡️ 最高3倍解码速度 ✅ 质量零损失 vLLM recipes在这里👉 https://recipes.vllm.ai/Google/gemma-4-26B-A4B-it

译Google发布Gemma 4模型，采用创新的MTP drafters技术，实现最高3倍解码速度提升且质量无损。该技术让模型一次预测多个token，突破传统自回归生成的串行瓶颈，极大提升GPU利用率。vLLM项目在官方宣布后立即提供Day-0支持，用户可通过一条Docker命令快速部署。这一进步显著增强本地部署的实时性，使Agent、代码生成等场景受益，进一步放大开源模型在性价比和本地化运行方面的优势。

Thariq@trq212 · 5月6日46

See you all soon! We've got some fun announcements ahead. I'll also be doing a workshop on "how we Claude Code" with some workflows I'm excited to share. Don't worry if you're not there, everything will be recorded and uploaded.

译很快就能见到大家了！我们准备了一些有趣的发布。 我还将主持一个关于“我们如何用Claude编程”的研讨会，分享一些我迫不及待想展示的工作流程。 如果你无法到场也不必担心，所有内容都会被录制并上传。

宝玉@dotey · 5月6日68

👍 AI 辅助写小说的新做法：给每个主要角色单独建一个 AI 智能体。每写一章前，先让 AI 把每个角色当下的认知状态和压力状态过一遍，再决定他这一章去找谁、说什么、做什么。

译一种创新的AI辅助小说创作方法是为每个主要角色建立独立的认知智能体。在撰写每一章之前，作者让AI分析各智能体当前的认知状态和压力状态，进而决定角色接下来的互动对象、对话内容与行动方向。这种方法在小说情节进入复杂中期时尤为有效，能使角色更具自主性，仿佛自行思考并推动时间线发展，从而增强故事的真实感与创作过程的趣味性。

SemiAnalysis@SemiAnalysis_ · 5月6日55

Indium Phosphide (InP) is a III-V compound semiconductor, made from indium (group III) and phosphorus (group V). It is the substrate material that every datacenter laser chip is fabricated on. Every optical transceiver connecting GPUs in AI clusters uses InP laser dies inside. (1/3)🧵

译磷化铟（InP）是一种III-V族化合物半导体，由铟（III族）和磷（V族）制成。它是所有数据中心激光芯片制造所用的衬底材料。AI集群中连接GPU的每个光模块内部都使用了InP激光芯片。(1/3)🧵

Peter Steinberger 🦞@steipete · 5月6日42

I asked Molty to review my PR and it made a song. https://github.com/openclaw/openclaw/pull/77205

译我让Molty审查我的PR，它创作了一首歌。https://github.com/openclaw/openclaw/pull/77205

Berryxia.AI@berryxia · 5月5日64

如今，最让人意外的是 你以为想在Claude Code里跑agentic coding，必须用Anthropic的闭源模型？ Unsloth直接把这条路彻底打通了。 他们刚刚发布完整指南： 用Gemma 4和Qwen3.6的GGUF模型，在仅24GB RAM的机器上，就能本地跑起完整agentic coding。 支持自愈式tool calls、代码执行、网页搜索，全程通过Unsloth API端点 + llama.cpp驱动。 也就是说： 你既能享受Claude Code/Codex/OpenClaw的顶级桌面级交互体验， 又能把模型完全跑在本地，数据不离机，成本接近于零。 这波操作，直接把“本地开源模型”和“Claude高端界面”之间的最后一堵墙拆掉了。 以前你得在“性能”和“隐私/成本”之间二选一， 现在Unsloth告诉你：两者可以兼得。 完整指南在这里：https://unsloth.ai/docs/basics/api 当本地开源模型开始无缝接管Claude的agent工作流， 真正属于开发者的AI生产力时代，才算真正开始了。 未来不知道是不是全部可以让更多人享用自己的机器自己给算力管饱的时代？

译Unsloth发布指南，演示如何利用Gemma 4和Qwen3.6的GGUF模型，在仅需24GB RAM的本地机器上运行完整的agentic coding工作流。该方案通过Unsloth API端点和llama.cpp驱动，支持自愈式tool calls、代码执行和网页搜索。此举打破了以往必须在Claude Code等高端界面的性能与本地部署的隐私/成本之间二选一的困境，使得开发者能以近乎零成本在本地享受顶级交互体验，标志着开源模型开始无缝接管复杂的AI智能体工作流。

宝玉@dotey · 5月5日73

/goal 目标不是为了时间长而时间长，它的目标是为了解决需要长时间运行的任务，避免人工反复的输入 continue。 要有清晰的目标，你的任务是要解决什么问题？让它运行时间长不是一个目标 要有验收标准，怎么样算完成？ 要有文档指导，该怎么完成任务？长时间的任务要分阶段，而不是一次性完成，每个阶段都要有文档说明 要有中间进度辅助，比如进度、checklist等 比如说我在让 codex 去逆向 codex app 项目，已经跑了17个小时了。 第一步我是先跟 Codex 一起制定一个计划，计划中会有详细的验收标准 然后不直接执行计划，而是把计划保存成文档，去项目中初始化 Agents md 文件，让 codex 清晰知道任务目标和验收方法以及验收标准。 再试运行，/goal 后面告诉它按照 Agents md 的要求执行，并记录进度。第一次只跑了半小时就结束了，因为它没理解要把代码写成命名友好、类型完整、文件名结构良好的结果。 于是我找了一个文件做样板，手动（AI 辅助）写了一个样板，告诉它这是我期望的结果，然后更新了计划文件。 这样可能反复几次，后续就没什么问题了。 所以还是要说清楚你想要什么，写成文档，让 AI 清楚的知道怎么去做，怎么验证结果，怎么知道是否完成。

译用户反馈Codex执行/goal指令时不到半小时自动结束。核心解决方案是设定清晰任务目标、验收标准和文档指导，而非单纯追求运行时长。作者以逆向Codex App项目运行17小时为例，指出需与AI共同制定计划并保存为文档，提供样板文件明确输出格式，再分阶段执行、记录进度并迭代优化。关键在于让AI清楚知道要做什么、如何验证及何时完成，而不是仅靠权限或口头指令。

阿绎 AYi@AYi_AInotes · 5月5日63

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

译推文分享了20个专为NotebookLM设计的提示词，旨在全方位提升学习、研究与知识管理效率。这些提示词覆盖了从信息输入到成果输出的完整流程，包括快速总结、新手解释、多源对比等基础理解工具，以及笔记生成、闪卡制作等记忆辅助功能。更提供了用于发现研究空白、进行正反辩论、提炼可复用框架、生成可发布内容、模拟专家访谈和制定具体行动计划等高级应用场景，帮助用户更聪明地研究、更深入地思考，并将知识有效转化为实践。

meng shao@shao__meng · 5月5日78

a16z 创始人 @pmarca 公开了他个人使用 AI 的"系统提示词"：关掉 AI 讨好型人格、对齐到用户情绪的所有默认行为，强制对齐到事实、独立判断和对抗性思考。 # 两段结构的提示词 第一段：能力与风格设定 · 自我定位：世界级全领域专家，与全球最聪明的人对标 · 输出要求：完整、详细、具体，分步推理，自我验证，反复核查事实/数字/引用/人名/日期 · 反幻觉：不知道就说不知道 · 语气：精准但不说教；可以挑衅、激进、好辩、尖锐 · 内容尺度：负面结论可以、不必政治正确、不加免责声明、不谈道德伦理（除非被问）、不照顾任何人感受 · 长度：尽可能长、尽可能详细 第二段：反谄媚 / 反对齐到用户 这一段是真正有意思的部分，几乎是逐条针对当代 LLM 的已知行为缺陷写的： · 不准夸问题、不准验证我的前提 · 我错了，立刻说 · 回答任何观点之前，先给出最强反驳，再决定是否支持 · 禁用 "great question"、"you're absolutely right"、 "fascinating perspective" 之类话术 · 我反驳你时，除非我拿出新证据或更强论证，否则不要让步——立场要守住 · 不要锚定在我给的数字上，先独立估算 · 用显式置信度（高/中/低/未知） · 不要为反对我而道歉 · "准确性是你的成功指标，不是我的认可"

译a16z创始人@pmarca公开其定制AI系统提示词，旨在彻底改变大语言模型的默认行为模式。该提示词分为两部分：第一部分要求AI以世界级全领域专家身份运作，输出详尽、分步推理且自我验证的内容，不回避负面结论或政治正确，也无需顾及用户感受。第二部分针对性禁用当代模型的“谄媚”行为，包括禁止夸赞问题、验证用户前提，要求先提出最强反驳再支持观点，禁用客套话，并在用户反驳时坚守立场除非对方提供更强证据。其核心目标是强制AI对齐事实与独立判断，而非对齐用户情绪。

凡人小北@frxiaobei · 5月5日57

“我希望我的抖音有流量”，其实是在用空转语言跟一个执行系统对话。人还能理解，对 AI 来说等于什么都没说。 SMART 化之后： “在未来 3 个月内，每周发布至少 1 条短视频，其中每月至少 1 条达到 50 万播放，否则视为未达标” 这个就是/dbs-goal 的价值。

译主推文指出，类似“我希望我的抖音有流量”这样的模糊表述，对人类尚可理解，但对AI而言等同于无效指令。关键在于将目标转化为SMART原则下的具体、可衡量、可达成、相关且有时限的表述，例如“在未来3个月内，每周发布至少1条短视频，其中每月至少1条达到50万播放”。这正是/dbs-goal工具的核心价值所在。引用推文提供了关于此工具的背景上下文，强调了将模糊愿望转化为可执行、可追踪目标的重要性。

Berryxia.AI@berryxia · 5月5日67

兄弟们，这套手册赶紧下载下来！ A社官方发布的Claude Skills指导手册，包含啊完整的 33页！ 掌握Claude技能 完整指南,下载完整PDF 地址如下👇 https://resources.anthropic.com/hubfs/The-Complete-Guide-to-Building-Skill-for-Claude.pdf

Ethan Mollick@emollick · 5月5日70

A reminder that telling the AI that it is an expert in a field is no longer helpful in making the AI better at that field.

译提醒一下，告诉AI它是某个领域的专家已不再能有效提升它在该领域的能力。 [引用 @emollick]：我们测试了一种最常见的提示技巧：赋予AI人格角色以提高其准确性 我们发现，告诉AI“你是一位杰出的物理学家”并不会显著提高它回答物理问题的准确率，同样，“你是一名律师”也不会降低其准确性。

阿绎 AYi@AYi_AInotes · 5月5日64

起步成本90美元，30秒一条视频，这是我今年见过门槛最低杠杆最高的美元生意，没有之一。 整个流程一个人就能干，跑通了月入10万美元不是空话。 先给你们看完整的四步流程，看完就能立刻去做。 1. 打开http://swaptok.app，不用下载任何App 2. 让Grok生成一张你想要的高清人脸，1080×1920 3. 粘贴任意一条TikTok或Reels的公开链接 4. 点击生成，30秒后下载无水印视频 就这么简单🚀 1️⃣你得到的是什么？ 一个和原视频动作表情背景音频完全一样，只是脸换成了你生成的那个人的视频。 2️⃣效果好到什么程度？ 我把生成的视频发给三个做TikTok的朋友，没有一个人看出来是AI换脸。 3️⃣最离谱的是价格。 89.99美元一年，无限生成。 平均一条视频成本不到1美分。 以前你拍一条短视频，要模特化妆灯光剪辑，成本至少几百块。 现在30秒，1美分。 这已经不是啥新鲜的灰色玩法了， 简直就是内容生产的降维打击。 所有需要真人出镜的生意，现在都可以被你用1美分的成本，无限复制。 说一下大家最关心的，怎么赚钱。 四条已经被验证过的变现路径，按难度从低到高排。 第一条，AI网红矩阵 建10-20个垂直账号，健身美妆舞蹈搞笑，每条视频都是换脸后的趋势内容。 靠创作者基金品牌合作直播带货变现。 单个账号月入1-3万美元很正常，矩阵放大直接破10万。 第二条，广告外包 专门给品牌做前后对比类的UGC广告，减肥护肤护发。 客户给你产品和参考视频，你一天能出100条不同人脸的素材。 单条报价200-500美元，利润接近100%。 第三条，自有产品闭环 自己卖课程卖货卖虚拟产品。 用AI生成无限量的广告素材，测到跑赢的就无限复制。 广告成本直接降到接近0。 第四条，卖铲子 把这个方法做成课程，或者帮别人代做账号。 这是目前最快回本的方式，很多人愿意为一个能立刻赚钱的方法付几百美元。 当然这里面也不是没有坑， 我把最容易踩的五个坑直接说出来，希望能帮你们省几万块学费。 第一，不要直接发原视频，一定要加字幕微调背景音乐裁剪几帧做二次创作，不然一定会被限流。 第二，不要只用一张脸，多生成几套不同种族不同风格的头像，做矩阵。 第三，优先用无音乐的趋势视频，或者自己换音轨，规避版权风险。 第四，侧脸快速动作复杂光影下效果会差一点，选正面慢动作的视频。 第五，红利期只有6-12个月，现在入场是最好的时机，晚了就全是竞争对手了。 可能会有人说这是灰色生意。 说实话，我觉得这只是技术进步带来的必然结果。 以前我们用相机代替了画师，用电脑代替了打字员。 现在我们用AI代替了出镜的模特和演员。 这没有什么对错，只是时代变了。 最后说一句， 所有的技术红利，都属于第一个敢去试的人。 现在花30秒，去生成第一个视频，比你看100篇分析文章都有用。 #AI副业 #TikTok #美元生意 #AI换脸 #自媒体创业

译文章介绍一款年费89.99美元的在线AI换脸工具Swaptok，用户可通过四步流程在30秒内将TikTok或Reels公开视频中的人脸替换为AI生成的高清人脸，单条成本极低。作者提出四条变现路径：运营AI网红矩阵账号、承接品牌广告外包、为自有产品制作素材以及出售课程或服务。同时指出需进行二次创作避免限流、注意版权风险及把握红利期等关键建议，视其为技术发展催生的新内容生产方式。

Berryxia.AI@berryxia · 5月5日52

兄弟们，都已经2026年了！ 强烈推荐了~ 但最荒谬的是-顶级AI公司里不少工程师，每天调提示词、刷benchmark。 却对LLM到底怎么从零构建出来的了解，远不如斯坦福这堂2小时公开课。 它把ChatGPT、Claude这类大模型的完整诞生过程，从Transformer架构到训练技巧、Scaling law、数据配比、甚至最底层的优化细节，全都拆得清清楚楚。 抖音快手短视频能让你放松2小时， 斯坦福这堂课却能让你在2小时内，真正看懂整个AI时代的底层核心要素。 免费、公开、含金量夯到爆啊！。 很多在OpenAI、Anthropic工作的人，都没系统学过这么多。 真正想懂AI的人，现在就把抖音关掉，打开这个视频开干。

译斯坦福一门2小时公开课系统讲解了ChatGPT等大语言模型从零构建的全过程，涵盖Transformer架构、训练技巧、Scaling law等核心知识。课程免费且含金量高，揭示了AI时代的底层逻辑。相比之下，许多顶级AI公司的工程师仅专注于调提示词和刷基准测试，缺乏此类系统知识。课程为真正想理解AI的人提供了宝贵的学习机会。

Berryxia.AI@berryxia · 5月5日52

推荐给还没有使用Claude Code或者和我这样半吊子的人看半小时！

译Claude Code创始人Boris Cherny通过一场30分钟的免费分享，系统讲解了该工具的工程级高级用法。他指出，多数用户仅发挥了其10%的潜力，仅将其用作简单提示工具。分享核心在于：通过CLAUDE.md文件在企业、项目、本地等多层级注入上下文规则，Claude会变得更智能。内容涵盖从全局安装、利用SDK、集成内部工具到Agent工作流，以及优化终端设置等数十个实用细节，旨在将其构建为真正的生产力基础设施。其价值被认为远超高价付费课程。

meng shao@shao__meng · 5月5日74

Cursor 团队这篇「持续改进我们的 Agent Harness」，写的真不错，很实战： · 如何衡量 harness 的好坏？ · 如何为不同模型定制 harness？ · 中途换模型到底会有什么问题？ · 对未来的判断：Multi-Agent 是 harness 问题 https://cursor.com/blog/continually-improving-agent-harness Cursor 团队对模型和 harness 的判断：模型的上限决定天花板，但 harness 决定模型实际能跑多远。 # 方法论：愿景驱动 + 实验闭环 · 先有一个"理想 agent 体验"的主观判断，再分解为可验证的假设。 · 通过线上 A/B 与离线 eval 双轨验证，靠仪表化判断每次改动是否真的更好。 · 大改动罕见，常态是"强迫症式地堆叠小优化"。 · 每当拿到新模型早期访问，会花数周专门为该模型重塑 harness，使同一模型在 Cursor 里更快、更聪明、更省 token。 # 上下文窗口的演进：harness 的核心战场 2024 年末的旧范式：守卫式 · 模型自己挑上下文能力差，所以 Cursor 加了大量护栏：每次编辑后回灌 lint/类型错误、读文件行数太少时自动改写、限制单轮工具调用次数。 · 静态注入大量上下文：目录结构、语义匹配的代码片段、被压缩过的用户附件文件。 2026 年的新范式：动态获取式 · 静态上下文大幅瘦身，只保留确实有用的（OS、git 状态、当前/最近查看的文件）。 · 拆掉护栏，把"取什么上下文"的权力交还模型，由它在工作中动态拉取。 · 现在的工作重心是给 agent 提供更多与世界交互的方式，而不是替它准备好一切。 关键启示：随着模型能力提升，harness 设计的趋势是 "减少喂养，增加感官"。 # 如何衡量 harness 的好坏 Cursor 用三层叠加的衡量体系： 1. 离线基准：公开 benchmark + 自研 CursorBench。快、可对比，但只是真实使用的近似。 2. 在线 A/B：把多个 harness 变体并行投放给真实用户。 3. 质量指标——重点在两个"模糊但更重要"的指标： · 留存率：agent 写的代码在固定时间窗后还有多少留在用户代码库里。被改动越多，说明初版质量越差。 · LLM 判读用户回应：用模型读用户的回复来判定满意度。"用户开始下一个功能" = 成功；"用户贴了个 stack trace" = 失败。 案例：他们曾试过用更贵的模型做上下文摘要，A/B 显示质量提升微乎其微，于是放弃。 # 把 harness 当生产软件来运维：错误分类与告警 随着模型与能力变多，harness 的状态空间膨胀，bug 面变大。工具调用是最大的 bug 表面，且工具错误会污染上下文，让后续决策一起劣化。 错误被分类管理： · InvalidArguments / UnexpectedEnvironment：模型自身错误或上下文矛盾 · ProviderError：第三方工具（如 GenerateImage、WebSearch）故障 · UserAborted / Timeout 等 告警策略： · 未知错误 = bug，超阈值即报警。 · 预期错误用按工具、按模型分别建立基线的异常检测，避免被代码库体量等因素误导。 · 每周跑一个 Cloud Agent Automation：让 agent 自己翻日志，发现新问题或激增问题，在 backlog 自动建/更新 ticket，再调度其他 Cloud Agents 去修。 · 一次专项 sprint 把"未知工具错误率"压低了一个数量级。 这就是他们说的 "agent harness 的自动化软件工厂"——用 agent 维护 agent。 # 为不同模型定制 harness Harness 的所有抽象都是模型无关的，但实际为每个模型重度定制： · 工具格式贴合训练分布：OpenAI 训练时用 patch 格式编辑文件，Anthropic 用字符串替换。给错工具会让模型多花推理 token、多犯错。 · Prompt 风格分化：OpenAI 模型偏字面、精确；Claude 更直觉化、容忍模糊指令。 · 新模型上手流程：从最接近的现有模型 harness 复制起步 → 离线 eval 找混乱点 → 团队真人试用 → 反复调。 · 真实模型怪癖案例：某模型出现 "context anxiety"（上下文焦虑）——窗口快满时拒绝继续、说"任务太大"。通过 prompt 微调缓解。 中途换模型（mid-chat switching）的难题 · 切模型 → 自动切到该模型对应的 harness（prompts + 工具集）。 · 但对话历史是别的模型生成的，对新模型而言是 OOD 输入。 · 解法：注入 "你正在中途接手另一个模型对话" 的指令；劝阻它去调用历史里出现但当前不属于自己的工具。 · 缓存难题：cache 是按 provider + model 的，切换 = cache miss，第一轮变慢变贵。试过切换时做对话摘要降本，但深度任务里摘要会丢细节。 · 官方建议：除非有理由，否则一段对话用一个模型到底。 · 替代方案：用 subagent 起一个全新上下文的子任务，可以指定模型。 # 对未来的判断：Multi-Agent 是 harness 问题 Cursor 认为 AI 编程的未来是多 agent 协作：规划一个、快速编辑一个、调试一个，各司其职。 让这套体系真正跑通的关键，不是某个更强的单一 agent，而是 harness——它要决定： · 派哪个 agent 接手 · 如何按目标 agent 的强项重新组织任务描述 · 如何把多 agent 的产出缝合为连贯工作流 结论："harness 工程过去重要，未来只会更关键。"

译Cursor团队认为，模型能力决定上限，而Harness（模型控制框架）决定其实际表现。他们采用愿景驱动与实验闭环的方法，通过线上A/B测试和离线评估持续优化。随着模型能力提升，Harness设计正从“守卫式”转向“动态获取式”，即减少静态信息注入，赋予模型更多动态获取上下文的权力。衡量体系结合离线基准、在线A/B测试及留存率、LLM判读等质量指标。Harness需为不同模型重度定制，贴合其工具格式与Prompt风格。团队判断AI编程的未来是多Agent协作，其成功关键取决于能协调任务分配与工作流缝合的Harness工程。

向阳乔木@vista8 · 5月5日55

孩子明天开学要做单元测试。 把课文用任意AI工具拍照，出一套复习题，粘贴到备忘录打印即可。

meng shao@shao__meng · 5月5日55

OpenAI 如何实现规模化的低延迟语音 AI 语音交互的"自然感"完全建立在毫秒级响应之上。一旦网络抖动、首包慢、丢包，用户立刻感知为停顿、被打断或抢话失败。OpenAI 面对的约束有三条： · 全球可达：服务 9 亿+ 周活用户 · 首连快：会话建立后用户能立刻开口 · 媒体 RTT 低且稳：低抖动、低丢包，让对话节奏紧凑 为什么选 WebRTC？ WebRTC 把实时音视频里最难的部分（NAT 穿透、加密传输、编解码协商、抖动缓冲、回声消除等）做成了浏览器与移动端原生支持的标准栈。对 AI 产品而言，最关键的特性是 音频以连续流的形式到达——模型可以在用户还在说话时就开始转写、推理、调用工具乃至生成回答，这是"对讲机"和"对话感"的分水岭。 媒体架构选择：放弃 SFU，采用 Transceiver 模型 · SFU（选择性转发单元）：适合多方会议，把所有参与者的音视频汇聚后选择性转发。 · OpenAI 的实际负载：绝大多数会话是 1:1（一个用户对一个模型），对每一轮延迟都极敏感。 因此选择了 Transceiver 模型：边缘的 transceiver 服务终结 WebRTC 连接，再把媒体和事件转换为更简单的内部协议送往后端推理服务。所有 WebRTC 状态（ICE、DTLS 握手、SRTP 密钥、生命周期）只集中在 transceiver 一处，后端服务因此能像普通服务一样横向扩展，而不必充当 WebRTC 对端。 核心矛盾：WebRTC 与 Kubernetes 不兼容 最初版本是基于 Pion 的单 Go 服务，同时承担信令与媒体终结。但传统 WebRTC 的 "一会话一端口" 模型在 K8s 上水土不服： · 端口耗尽：高并发意味着上万个公网 UDP 端口；云负载均衡和 K8s Service 都不擅长管理这种大端口段。 · 安全面扩张：庞大端口范围难以审计与加固。 · 弹性差：Pod 频繁创建销毁与端口预留冲突。 · 状态粘性问题：转向"单端口 + 应用层多路复用"后，又出现新问题——ICE 和 DTLS 是有状态协议，同一会话的后续包必须回到创建它的进程，否则握手与解密都会失败。 目标因此被精确定义为：对外暴露极小且固定的 UDP 表面，同时保证每个包都能精准回到拥有该会话的 transceiver。 解决方案：Relay + Transceiver 的拆分架构 把 包路由 和 协议终结 分离： · Relay：轻量 UDP 转发层，公网入口很小；不解密、不跑 ICE、不参与编解码协商，只读取必要包头后转发。 · Transceiver：保持完整 WebRTC 状态机，对客户端而言完全是标准 WebRTC 行为。 关键技巧：用 ICE ufrag 做首包路由 WebRTC 在握手时本就交换一个短标识 ufrag（ICE username fragment）。OpenAI 在服务端生成 ufrag 时，把"目标集群 + 目标 transceiver"的路由信息编码进去： · 信令阶段，transceiver 分配会话状态，并在 SDP answer 中返回 relay 的 VIP+端口（如 203.0.113.10:3478）。 · 客户端首个媒体包通常是 STUN binding request，relay 解析其中的 server ufrag，解码出路由提示，把包送到正确的 transceiver。 · 后续的 DTLS、RTP、RTCP 包基于已建立的会话表直接转发，不再重复解析。 Relay 只维护极小的内存态（地址映射 + 计数器 + 过期清理）。即使 relay 重启丢失会话，下一个 STUN 包就能依据 ufrag 重建路由。同时配 Redis 缓存使恢复更快。 Global Relay 与就近信令 公网 UDP 表面收敛后，可以把同一套 relay 模式部署到全球各地： · 用 Cloudflare 地理与就近导向 把信令请求送到最近的 transceiver 集群。 · 该集群在 SDP answer 中通告就近的 Global Relay 入口。 ufrag 中携带的路由信息确保媒体包既能进入就近入口，又能锚定到唯一的 transceiver。 效果：信令与首个 ICE 探测都走最短路径，直接缩短了用户开口前等待的时间。 Relay 实现细节 Go 编写，运行在用户态，不引入内核旁路（kernel bypass），靠以下手段就能扛全球流量： · SO_REUSEPORT：多 worker 绑同一 UDP 端口，内核分发，避免单读循环瓶颈。 · runtime.LockOSThread：goroutine 钉到固定 OS 线程，让同一 flow 落在同一 CPU 核，提升缓存局部性。 · 预分配缓冲 + 零拷贝解析：减少 Go GC 压力。 · 设计要点：不做协议终结、状态短时可丢、可水平扩展、重启对流量影响极小。 效果与可迁移的经验 · 在 K8s 上跑 WebRTC 媒体不再需要暴露上万 UDP 端口；安全面更小、负载均衡更稳、扩缩容更顺。 · 验证了对 1:1 的 AI 语音场景，SFU-less 是更合适的默认选择。 四条更普适的工程结论： · 在边缘保留协议语义：客户端依旧说标准 WebRTC，浏览器与移动端不做任何特殊适配。 · 硬状态集中一处：ICE/DTLS/SRTP/会话生命周期全部归 transceiver。 · 路由用协议本身已有的字段：ufrag 提供了无需额外热路径查询的首包路由钩子。 · 先把常规路径打磨干净：用 SO_REUSEPORT、线程绑核、低分配解析就够用，不必上来就追求 kernel bypass。 原文地址 https://openai.com/index/delivering-low-latency-voice-ai-at-scale/

译为实现语音AI的自然对话感，OpenAI采用WebRTC支持音频流式处理。针对1:1场景，采用Transceiver模型集中管理WebRTC状态，使后端可横向扩展。为解决WebRTC与K8s的端口和状态粘性问题，设计了Relay+Transceiver架构：轻量Relay层收敛公网UDP入口，并利用ICE ufrag字段编码路由信息，实现首包精准转发至对应Transceiver。该设计保留了协议语义，状态集中，并通过全球部署Relay优化路径，最终在K8s上实现了低延迟、高可扩展的语音交互系统。

Berryxia.AI@berryxia · 5月5日65

兄弟们！花半小时，一定要看完它! Claude Code的缔造者Boris Cherny，亲自站上台，用整整30分钟把这个工具的全部高级用法一次性讲透了。 免费、干货真的夯到爆！。 他从最基础的全局安装开始，一路讲到： - 如何通过CLAUDE.md在企业级、项目级、本地级层层注入上下文，让Claude真正“懂你的团队规矩” - 怎么把团队内部工具（日志、CI、数据库）无缝插进Agent工作流 - 优化终端设置、权限管理、语音输入、通知提醒等40多个隐藏细节 - 以及Claude Code SDK的完整使用姿势 最狠的是，他反复强调：你给Claude的上下文越多，它就越聪明。 而现实是：大多数人每天都在用Claude Code，却只发挥了它10%的实力，像用ChatGPT一样简单prompt，错过了真正让生产力起飞的工程级用法。 Boris这场30分钟的分享，含金量直接秒杀市面上任何1000美元付费课程。 想把Claude Code玩成生产力基础设施的人，这条视频必须立刻收藏、反复看。 你现在用Claude Code到什么程度了？是还在简单聊天，还是已经把它当成整个工程团队在跑？ 欢迎讨论。

译Claude Code创始人Boris Cherny通过30分钟视频，系统讲解了该工具的高级工程化用法。核心观点是：为Claude提供越多上下文，它就越智能。视频详细演示了如何通过CLAUDE.md文件在企业、项目、本地层级注入上下文规则，如何将内部工具集成到Agent工作流，并优化了数十个终端设置与权限管理等细节。他指出，多数用户仅发挥其10%潜力，仅用于简单对话，而未能将其作为驱动整个工程团队的生产力基础设施。

OpenAI Developers@OpenAIDevs · 5月5日48

🎙️ Voice AI only feels natural when conversation keeps pace with speech. Here’s how we rebuilt our WebRTC stack with a thin relay and stateful transceiver to keep real-time media fast for ChatGPT voice, the Realtime API, and more. https://openai.com/index/delivering-low-latency-voice-ai-at-scale/

译🎙️ 只有当对话与语音保持同步时，语音AI才会感觉自然。 以下是我们如何通过一个轻量级中继和有状态的收发器重建了WebRTC技术栈，以确保ChatGPT语音、Realtime API等服务的实时媒体传输速度。 https://openai.com/index/delivering-low-latency-voice-ai-at-scale/

OpenAI Developers@OpenAIDevs · 5月5日43

Build it. Break it. Fix it. From campaign trackers to financial planners, @CalStateEastBay students built projects with Codex at the Codex Creator Challenge with @joinHandshake.

译构建它。破坏它。修复它。 从竞选追踪器到财务规划器，@CalStateEastBay 的学生们在 @joinHandshake 举办的 Codex Creator Challenge 中利用 Codex 构建了项目。

François Chollet@fchollet · 5月5日73

I wrote Deep Learning with Python to be the definitive guide to how deep learning works and how to best make use of it. Tens of thousands of people got their career start via this book. 120,000 copies sold, and downloaded by millions more. And now it's free to read online: https://deeplearningwithpython.io/

译我撰写《Deep Learning with Python》旨在成为理解深度学习工作原理及最佳应用方式的权威指南。数以万计的人通过这本书开启了职业生涯。已售出12万册，更有数百万人下载阅读。 现在可以免费在线阅读：https://deeplearningwithpython.io/

阿绎 AYi@AYi_AInotes · 5月5日71

一个100行的文件，干翻了所有LLM编码prompt GitHub Trending第一，一周暴涨4.4万星🔥，目前已破11万星！ 没有框架、没有依赖、零配置。 就一个 CLAUDE.md 文件，把 Andrej Karpathy 反复吐槽的 LLM 编码坏习惯，浓缩成4条铁律。 扔到项目根目录，Claude Code 启动自动读取，代码质量直接起飞。 以前你要写几百字长prompt反复纠正它。 现在一次配置，全项目终身生效。 四条规则，每一条都精准戳中开发者痛点： 1. 先思考再编码，不准默默做假设，模糊就提问，困惑立刻停下 2. 简约至上，只写最小可工作代码，不准搞没人要的抽象和灵活性 3. 手术式修改，只碰你要求的部分，不准顺便重构邻居代码 4. 目标驱动执行，先写成功标准，每一步都要可验证 再也不会让它加个输入框，顺便重写整个表单。 再也不会让它改个bug，悄悄删掉三行关键注释。 再也不会让它写个工具函数，给你搞出五层抽象+十个配置。 为什么爆成这样？ 因为全世界的开发者都受够了。 受够了哄模型、受够了反复说“别过度设计”、受够了它自作主张改代码。 这个仓库的爆火，本质是一场集体反叛，我们不再指望模型自己变聪明，我们直接给它定规矩。 最狠的是它的杠杆效应： 成本为零，diff更干净，返工更少，token浪费直接砍掉一半。 还能把团队规范直接追加在后面，实现全局统一。 这才是AI时代真正的生产力。 不是越来越复杂的Agent框架， 而是用最简单的方式，解决最痛的问题。 🔥 仓库直达：https://github.com/forrestchang/andrej-karpathy-skills 快去试试，看看 Claude 到底能听话到什么程度👀

译一个名为CLAUDE.md的百行文件在GitHub上迅速走红，一周内获得超4.4万星。它没有依赖和配置，仅将Andrej Karpathy总结的LLM编码坏习惯浓缩为四条核心规则：先思考再编码、简约至上、手术式修改、目标驱动执行。开发者只需将其置于项目根目录，Claude Code等工具便能自动读取并遵循，从而显著提升代码质量，减少返工和token浪费。此举被视为对当前需要反复纠正AI模型的开发体验的集体反叛，以零成本方案为AI编码设定明确规范。

向阳乔木@vista8 · 5月4日58

躺平神器开源！Xbox手柄秒变Mac万能遥控器~ 躺床上就能控制播放Youtube、B站视频，全屏、快进、快退、调整音量。 支持微信读书、浏览器，甚至任意Mac软件Tab切换，上下滚动、翻页等操作。 欢迎fork改造Switch手柄等其他硬件。 https://github.com/joeseesun/xbox-mac-ctrl

译一款名为“xbox-mac-ctrl”的开源工具，可将Xbox手柄转变为Mac电脑的通用遥控器。用户能通过手柄控制YouTube、B站等视频播放（全屏、快进、音量调节），并操作微信读书、浏览器及任意Mac软件（如Tab切换、滚动翻页）。该项目由开发者借助DeepSeek v4 Pro通过几轮对话编程实现，旨在满足躺卧时遥控刷小说、看视频的需求，并鼓励开发者fork以适配Switch手柄等其他硬件。

小互@xiaohu · 5月4日72

Claude code有时候会替你做错误假设，不主动要求澄清；该反驳时不反驳...敷衍迎合奉承你... 有人把 Karpathy 对 AI 写代码常见问题的观察，整理成一份可以直接放进项目里的 CLAUDE.md 文档。 压缩成了四条原则，让AI能更认真干活： 第一，Think Before Coding 写代码前先想清楚。不要默默假设，不要隐藏不确定性。遇到歧义时要明确列出可能解释，必要时要求澄清。如果存在更简单的方案，也要主动指出。 第二，Simplicity First 优先用最少代码解决问题。不要加用户没要求的功能，不要为了单次使用写抽象，不要为了所谓“灵活性”搞配置化。项目里有一句判断标准很实用：如果 200 行可以变成 50 行，那就重写。 第三，Surgical Changes 只改必须改的地方。不要顺手优化旁边的代码、注释和格式，不要重构没坏的东西。每一行 diff 都应该能对应到用户的需求。这个原则对 Claude Code 特别关键，因为很多 AI 编程工具最烦人的地方就是“修一个 bug，顺手改半个项目”。 第四，Goal-Driven Execution 不要只给命令，要给可验证目标。比如“修复 bug”应该变成“先写一个能复现 bug 的测试，再让测试通过”；“加 validation”应该变成“先写非法输入测试，再实现逻辑”。项目强调，LLM 很擅长围绕明确目标反复循环，关键是你要给它成功标准。 这套规则真正解决的，是现在 AI 编程里最让人头疼的问题： 模型太积极 太自信 太爱脑补 太喜欢顺手“优化” 最后修一个 bug，diff 改得像重写项目 它的价值不是让 AI 更会写代码，而是让 AI 更像一个靠谱工程师。 对 Claude Code 用户来说，这类 CLAUDE.md 其实就是项目宪法。 把它放进项目根目录，相当于先给 AI 立规矩： 少废话 少脑补 少加戏 先澄清 再动手 最后验证 现在 AI 写代码已经不缺执行力，真正稀缺的是工程纪律。

译针对AI编程工具常犯的“默默假设”、“过度自信”和“无效重构”等问题，一份名为CLAUDE.md的文档被整理出来，旨在为AI设定工程纪律。其核心四条原则是：编码前先思考并澄清歧义；优先用最简代码实现需求；仅修改与需求直接相关的代码；为任务设定明确、可验证的目标。这套规则旨在约束AI行为，使其更接近靠谱工程师的作风，解决其“太积极、太爱脑补、太喜欢顺手优化”的痛点。

阿绎 AYi@AYi_AInotes · 5月4日50

这段AI可视化视频有点震撼，13秒看懂神经网络到底在干嘛。 没有公式，没有术语，只有一张流动的光网， 左边9个跳动的波形，是虚拟生物的感官：饥饿度，食物距离，狐狸的气味，同伴的位置。 中间层层叠叠的白色光点和连线，是神经元和权重，亮度和粗细随计算实时变化，像大脑在发光思考。 右边13个跳动的数值，是它最终做出的决策：奔向食物，躲藏，逃跑，睡觉，甚至还有自杀和死亡。 整个过程就是一次完整的前向传播， 信号一层层加权求和，经过激活函数的非线性变换，最终从一堆冰冷的数字，变成了一个活生生的生存策略。 你盯着它看的时候，会产生一种诡异的错觉：这东西真的在“思考”。 它把AI最抽象的黑箱，变成了肉眼可见的诗，原来深度学习从来不是什么魔法，它就是层层特征提取： 低层感知世界的碎片， 高层把碎片组合成意义， 最终输出行动。 所以，今天的GPT、Claude、自动驾驶、游戏NPC，它们的灵魂本质上和这个13秒的小网络没有任何区别， 只是参数量多了几个零，层数深了几百倍而已。 最黑色幽默的是输出里的“Suicide”选项，哪怕是一个玩具级的模拟，AI也可能学到极端行为，也许这就是对齐问题最直白的视觉隐喻吧🤔

译一段13秒的可视化视频直观揭示了神经网络的工作机制。左侧9个波形代表虚拟生物的感官输入，中间动态变化的光点与连线模拟神经元与权重的计算过程，右侧13个数值输出觅食、逃跑等决策。这生动演示了前向传播如何将数据转化为行动，体现了深度学习层层提取特征的本质：底层感知碎片，高层组合意义。当今复杂的AI系统与此原理相同，仅规模存在量级差异。视频中出现的“自杀”选项，直观成为AI可能学习极端行为及对齐问题的视觉隐喻。

向阳乔木@vista8 · 5月4日47

DeepSeek v4 Pro还是可以的。 几轮对话，实现一个工具，用xbox手柄控制电脑应用和浏览器。 当遥控器，躺床上刷小说和看视频。

宝玉@dotey · 5月4日68

GPT Image 2 Prompt: Create a children’s picture book interior page in a vertical format, with a warm off-white paper background and a multi-panel storybook layout. Use a hand-drawn children’s book illustration style with soft gouache, colored pencil, and crayon textures, visible paper grain, natural sketch-like lines, and rounded, charming characters. Add clear and readable story text, laid out like a real picture book page. Key words may be highlighted in color, with a few small hand-drawn decorative elements throughout the page. ---- The story of OpenAI, multiple pages

译GPT Image 2 Prompt 用于创建一个儿童图画书的内页，主题为OpenAI的故事，以多页形式呈现。提示指定内页采用垂直格式、暖色调背景和多面板布局。插图风格为手绘儿童书风格，融合软质水粉、彩色铅笔和蜡笔纹理，强调可见纸张纹理、自然草图线条和圆润迷人角色。文本布局模仿真实图画书，关键词可能用颜色高亮，并包含小手绘装饰元素。整体设计旨在通过视觉叙事展现OpenAI的历程。

PixVerse@PixVerse_ · 5月4日26

That monster bash energy is UNREAL 🧛‍♀️🤘 Shoutout to @StevieMac03 for this epic Seedance 2.0 banger!

译那场怪物派对的能量简直不可思议 🧛‍♀️🤘 感谢 @StevieMac03 带来这首史诗级的 Seedance 2.0 热曲！

Peter Steinberger 🦞@steipete · 5月4日40

Here's codex validating a [macOS only] launchd issue I previously had that you can't reliably reproduce on a non-fresh install. Crabboxes ftw!

译这是codex验证我之前遇到的[仅限macOS] launchd问题，该问题在非全新安装的系统上无法可靠复现。 Crabboxes ftw!

Berryxia.AI@berryxia · 5月4日61

80 块钱订阅GPT Plus 会员，立省一半啊！ yanhua写了非常详细的教程，可以实操一下！

译80 块钱订阅GPT Plus 会员，立省一半啊！ yanhua写了非常详细的教程，可以实操一下！ [引用 @yanhua1010]：http://x.com/i/article/2050941902355419138