karajan

如果你本來就是 ChatGPT 的使用者，就算不是程式開發者，也很推薦試試看 Codex。 延續之前提過的，我現在用 Codex 維護一個不用筆記軟體、純用 AI 管理的外部資料庫系統。最近我又讓它多做一件事： 每天早上自動根據我最近關注的主題（外部資料庫中建立的新筆記、永久筆記），去 blog、YouTube、論壇抓固定數量的新資料，整理好原文、摘要，等我起床後直接看。 這一次連 RSS 閱讀器、稍後閱讀等工具都不需要另外去操作。如圖，一張是我一開始寫給 Codex 的需求，一張是它實際跑完之後，整理給我看的總覽大綱（另外還有每一篇的完整原文、摘要筆記）。 #以前如果要做到這件事，我大概要自己去操作筆記、 RSS、稍後閱讀軟體，研究自動化工具，想辦法把它們串起來。 但這次我做的事情其實很單純：就是在 Codex 中用一段對話，先把需求講清楚（如圖）。 我跟 AI 大概說明了下面幾個工作流程，例如： 搜尋主題要從我最近的筆記與貼文主題去推斷 來源要分成 blog、YouTube、論壇 每天抓固定數量的內容 先放暫存區，不要直接混進正式資料庫 我要先看 review summary，再決定哪些正式收錄 第二天自動抓新資料時，前一天沒收錄的暫存內容就清掉 剩下那些技術問題，像是怎麼分析我最近的筆記、怎麼設定搜尋主題、怎麼判斷對象與範圍，或是怎麼抓文章、字幕、討論串，以及怎麼整理成原文與摘要，幾乎都交給 Codex 自己去處理了（他會自己寫小工具，或是設定好流程自己用內建技能處理）。 用自然語言描述完我需要的工作流程，接著讓 AI 自己寫程式、跑測試，把整條自動化流程搭建起來。 如果是非工程師的用戶，也可以試試看，因為在這個案例中，真正的門檻不是會不會寫程式。而是練習把自己要的流程、邊界、例外和驗收條件講清楚。 以前我們常常是先學很多工具怎麼操作，才有辦法慢慢拼出一條流程。現在的 AI 工作時代則是： #先把你要的流程說清楚，#再讓AI去幫你把工具和自動化搭起來。 如果你沒有程式背景，但本來就是 ChatGPT 使用者，我真的覺得可以試試看。 先下載 Codex （ chatgpt.com/zh-Hant/codex/ ），開一個新對話，指定一個新的資料夾給它，先從一條很小的流程開始就好。例如： 幫你整理每天固定追的資料 幫你做一份 review summary 幫你維護一個自己的 md 資料夾 我最近也把這套做法整理成一篇比較完整的文章，歡迎參考： AI 結合卡片盒筆記法，人不再操作軟體，用對話流程讓 Codex 搭建資料整理系統：我的兩個月實測心得playpcesor.com/2026/04/ai-cod… #ChatGPT #Codex #AI工作流 #第二大腦

#AI幫我們做得越好，我越要小心自己只是「#以為懂了」。 ​ 上個禮拜在線上直播的講座裡，我分享了一個例子。 ​ 現在的 AI 模型真的很強大。我可以給它一個設計得很精美的指令，讓它一口氣跑個十幾二十分鐘，最後完成一份看起來非常完整的報告。 ​ 我也可以選擇另外一種方式： ​ 在這十分鐘裡，我分段地引導 AI 去研究資料，跟 AI 一起快速掌握資料重點，透過討論去引導分析資料的邏輯，最後再提供明確觀點與目的，讓 AI 產出報告結果。 ​ 前者看起來，好像人更加省力、更加自動化。 ​ 後者其實也節省了很多原本準備報告的時間，但人必須隨時參與在 AI 的工作流程裡面。 ​ 而我偏好後者的作法。 ​ 以前在 Google 搜尋的時代，我們很容易快速找到很多資料，然後把資料拼貼成一份內容。但自己到底是不是真的理解這些內容，其實又是另外一回事。 ​ 到了 AI 生成的時代，這件事變得更強烈。因為 AI 不只是找到資料，它甚至可以整理成一份看起來非常完整、非常流暢、非常像樣的報告。 ​ 問題是：越厲害的報告，反而越可能是一份自己還沒有真正掌握的知識。 ​ #我最近在講座和會議裡，已經開始常常看到這個現象 ​ 我會看到台上的人秀出一份很精美、很完整、感覺巨細靡遺的報告。如果你自己平常有在使用 AI 工具，其實很多時候一眼就看得出來，那份內容背後有不少 AI 輔助的痕跡。 ​ 但真正的問題不是「是不是用 AI 做的」。 ​ 真正的問題是：有些人在秀完那份讓人眼睛一亮的報告之後，#卻無法有效地講解這份報告。 ​ 一旦你追問下去，會發現他其實沒有真的掌握這份內容的邏輯，也沒有真的把裡面的漏洞想清楚。 ​ 這時候，問題就不是簡報漂不漂亮。 ​ 而是：這其實是一份自己無法掌握的內容，或是演變成一個自己無法掌控的專案。 ​ 等到真的要上台說明、真的要拿去執行、真的要做決策時，問題才會開始一個一個冒出來。 ​ #這裡面最危險的是一種知識幻覺 ​ 我們最容易陷入的，不一定是「不知道」，而是「以為自己已經懂了」。 ​ 這種迷思在 AI 時代會更容易發生。因為 AI 可以幫你整理、幫你改寫、幫你摘要、幫你補完整段話，看起來一切都很流暢。 ​ 但流暢，不等於理解。看起來熟悉，不等於掌握。 ​ AI 能回答，不等於那已經變成你的知識。 ​ 如果只是看到 AI 快速完成，覺得 AI 做得很厲害，然後就把那份輸出誤認為自己也懂了，那其實很容易掉進一種知識幻覺裡。 ​ 等到真的要開口說、真的要一步一步解釋的時候，真的要去做，才發現自己其實還沒有掌握。 ​ #所以我現在更喜歡的，不是更自動，而是保留一點 #摩擦力 ​ 我不是因此就覺得應該杜絕 AI、不再使用 AI。 ​ 剛好相反。 AI 確實幫我省下了很多時間，但我越來越在意的是： ​ AI 可以幫我整理資料，但不能替我完成理解。 ​ 如果把 AI 放在「幫你補資料、幫你整理、幫你檢查」的位置，它真的很好用。 ​ 但如果把問題定義、判斷、最後解釋的責任也一起外包出去，那你得到的可能只是一份很漂亮、但自己不一定能掌握的成果。 ​ 所以如果是重要的內容、重要的報告、重要的課程、重要的專案，我會更偏好用一種「跟 AI 一起合作」的方式： ​ - 先讓自己講清楚這次的目標和觀點 - 再讓 AI 幫我補資料、整理重點、測試漏洞 - 中間保留一些摩擦力，讓自己持續思考、反思、檢驗 - 最後再把結果收斂成我真的能掌握、能負責的版本 ​ 這種做法不一定最省力。 ​ 但它通常會同時兼顧三件事： ​ - 也節省時間 - 也提升品質 - 也讓自己真的參與其中 ​ #如果你也想避免被AI的完整輸出騙過，我會建議這樣試試看： ​ 下次當 AI 幫你完成一份看起來很厲害的內容時，先不要急著覺得「這樣就完成了」。可以先做一個很簡單的測試： ​ 試著用自己的話講一遍這份內容到底在說什麼？ ​ ​ 如果最後真的能講清楚，那 AI 就是在幫你加速理解。 ​ 如果最後還是講不清楚，那就代表這份東西還不是你的知識。 ​ 未來我們一定會繼續使用 AI，而且只會越用越多。但當 AI 越來越會整理、越來越會表達、越來越會產出時，我們可能更要提醒自己：不要把 AI 的流暢產出，誤認成自己的理解。不要把 AI 幫你完成的內容，直接當成自己已經掌握的報告。更不要把那些自己還講不清楚、還無法負責的內容，拿去做真正重要的決策與執行。 ​ 延伸閱讀：與 AI 助手合作後的第二大腦系統，我在筆記方法上的變與不變 playpcesor.com/2026/01/ai.html 讓 AI 處理外部資料庫的作法：AI 結合卡片盒筆記法，人不再操作軟體，用對話流程讓 Codex 搭建資料整理系統：我的兩個月實測心得 playpcesor.com/2026/04/ai-cod… ​ #AI工作流 #心智能力 #知識管理 #ChatGPT #AI助手 #電腦玩物

我扒了所有在X、Reddit和学术圈火爆的NotebookLM提示词。 结果大多数人把NotebookLM当成了高级笔记本。 这太疯狂了。 这是一个完整的研究助手，如果你给它正确的指令，它能将10小时的分析压缩成20秒。 以下是真正有效的方法：

@CoderDaMing @grok 整理好傳給我，謝謝版主

DAN KOE 这篇文章要创造历史了 《用一天时间重启整个人生》 目前已经超过 7000 万曝光，达到一亿指日可待。 一篇这样的文章，随便输入个什么，那就是百万美元的价值。 不过文章写得极长，也不知道谁完整看完了。

预订本年度最有价值提示词 —— 生成既有质感，又能随意修改文字的完美 PPT 大家都很喜欢 NotebookLM 生成的 Slide Deck（幻灯片）风格也很棒。👇

Redis 之父 Salvatore Sanfilippo 最近发了一篇年终 AI 反思，一共 8 条观点。 先说个背景：Salvatore 不是 AI 圈的人，他是程序员圈的传奇。2009 年创造了 Redis，这个数据库如今是全球最流行的缓存系统之一。2020 年他从 Redis 退休，去做自己的事。2024 年底回归 Redis，同时成了 AI 工具的深度用户，Claude 是他的编码伙伴。 这种身份很有意思——他既是技术大牛，又是 AI 的普通使用者，视角比纯 AI 研究者更接地气。 一、随机鹦鹉的说法，终于没人信了 2021 年，Google 的研究员 Timnit Gebru 等人发了篇论文，给大语言模型起了个外号叫随机鹦鹉。意思是这些模型只是在概率性地拼凑文字，既不理解问题是什么意思，也不知道自己在说什么。 这个比喻很形象，传播很广。但 Salvatore 说，到 2025 年，几乎没人再这么说了。 为什么？因为证据太多了。LLM 在律师资格考试、医学考试、数学竞赛上的表现超过了绝大多数人类。更关键的是，研究者通过逆向工程这些模型，发现里面确实形成了对概念的内部表征，不是简单的词语拼贴。 Geoffrey Hinton 的说法最直接：要准确预测下一个词，你必须理解这个句子。理解不是预测的替代品，而是做好预测的必要条件。 当然，LLM 是不是真的理解，哲学上还可以争论。但实用层面，这个争论已经结束了。 二、思维链是个被低估的突破 思维链，就是让模型在回答之前先把思考过程写出来。看起来简单，背后的机制却很深。 Salvatore 认为它做了两件事： 第一，它让模型在回答前先采样自己的内部表征。说人话就是，先把和问题相关的概念、信息调动到上下文里，再基于这些信息回答。这有点像人考试前先在草稿纸上列提纲。 第二，结合强化学习，模型学会了如何一步步把思考推向正确答案。每一个 token 的输出都会改变模型的状态，强化学习帮它找到那条能收敛到好答案的路径。 这不是什么神秘的东西，但效果惊人。 三、算力扩张的瓶颈被打破了 以前 AI 圈有个共识：模型能力的提升取决于训练数据量，而人类产出的文本是有限的，所以扩张迟早会撞墙。 但现在有了可验证奖励的强化学习，情况变了。 什么是可验证奖励？就是有些任务，比如优化程序速度、证明数学定理，模型可以自己判断结果好不好。程序跑得更快就是更好，证明对了就是对了，不需要人来标注。 这意味着模型可以在这类任务上持续自我提升，产生几乎无限的训练信号。Salvatore 认为，这将是 AI 下一个大突破的方向。 还记得 AlphaGo 第 37 手吗？那步棋当时没人看懂，后来证明是神之一手。Salvatore 觉得，LLM 在某些领域也可能走出这样的路径。 四、程序员的态度转变了 一年前，程序员圈子还分成两派：一派觉得 AI 辅助编程是神器，一派觉得是玩具。现在，怀疑派大规模倒戈了。 原因很简单：投入产出比过了临界点。模型确实会犯错，但它节省的时间已经远超你修正错误的成本。 有趣的是，程序员使用 AI 的方式分成了两派：一派把 LLM 当"同事"，主要通过网页界面对话式地用。Salvatore 自己就是这派，用 Gemini、Claude 这些的网页版，像跟一个懂行的人聊天一样协作。 另一派把 LLM 当"独立自主的编码智能体"，让它自己去写代码、跑测试、修 bug，人类主要负责审核。 这两种用法背后是不同的哲学：你是把 AI 当助手，还是当执行者？ 五、Transformer 可能就是那条路 一些知名 AI 科学家开始探索 Transformer 之外的架构，成立公司研究显式符号表征或世界模型。 Salvatore 对此持开放但谨慎的态度。他认为 LLM 本质上是在一个可微分的空间里近似离散推理，不是不可能在没有根本性新范式的情况下就达到 AGI。而且，AGI 可能通过多种完全不同的架构独立实现。 换句话说，条条大路通罗马。Transformer 可能不是唯一的路，但也不一定是死路。 六、思维链没有改变 LLM 的本质 有人改口了。以前说 LLM 是随机鹦鹉，现在承认 LLM 有能力了，但又说思维链从根本上改变了 LLM 的本质，所以以前的批评仍然对。 Salvatore 直接说：他们在撒谎。 架构没变，还是 Transformer。训练目标没变，还是预测下一个 token。CoT 也是一个 token 一个 token 生成的，跟生成别的内容没有本质区别。你不能因为模型变强了就说它"变成了另一个东西"，来给自己的错误判断找台阶下。 这话说得挺不客气，但逻辑上确实站得住。科学判断应该基于机制，不能因为结果变了就改定义。 还有一个案例很能说明问题：ARC 测试。 七、ARC 测试从反 LLM 变成了亲 LLM ARC 是 François Chollet 在 2019 年设计的测试，专门用来衡量抽象推理能力。它的设计初衷就是抗记忆、抗暴力穷举，只能靠真正的推理来解。 当时很多人认为，LLM 永远过不了这个测试。因为它需要的是从极少样本中归纳规则、应用到新情况的能力，这恰恰是随机鹦鹉做不到的。 结果呢？2024 年底，OpenAI 的 o3 在 ARC-AGI-1 上达到了 75.7% 的准确率。2025 年，即使是更难的 ARC-AGI-2，顶尖模型也能达到 50% 以上。 这个逆转挺讽刺的。当初设计这个测试，就是为了证明 LLM 不行。结果它反而成了证明 LLM 可以的证据。 八、未来 20 年的根本挑战 最后一条只有一句话：未来 20 年 AI 的根本挑战是避免灭绝。 没有展开，就这么一句。但你知道他在说什么。当 AI 真的变得足够强大，"怎么确保它不会出大问题"就不再是科幻话题了。 Salvatore 不是 AI 的狂热信徒，也不是怀疑论者。他是一个既懂技术又在实际用 AI 的人。不是纯学术的视角，也不是纯商业的吹捧，而是一个资深工程师的冷静观察。 他的核心判断是：LLM 比很多人愿意承认的要强大得多，强化学习正在打开新的可能性，而我们对这些系统的理解还远远不够。 这大概就是 2025 年 AI 发展的真实状态：能力在加速，争议在减少，但不确定性仍然巨大。

21 天挑战，是一种科学且有效的行为改变机制。 时间太短，属于自我欺骗。时间太长，反馈太晚。 一年 365 天，看起来很长，但也不过是 17 个 21 天。 任何事情，每天 1 小时，21 天一周期，若干周期后，就习惯成自然，自然而然了。

2026年做SEO，必须三要搞定3件事 大家好，我是大罗。 最近有不少同学问我："大罗，我网站做了半年了，钱也花了不少，怎么流量还是上不去？" 我看了看他们的网站，发现一个共同问题：东一榔头西一棒子，没有系统。 今天就跟大家聊聊，做SEO到底要抓住哪三个核心支柱。这三个支柱搞明白了，你就知道明年的预算和时间该往哪里投。 不管你是自己做SEO，还是找代理公司，这篇文章都能帮你看清楚方向。 为什么是这三个支柱？ 过去10年，我们团队服务过200多个品牌。从小网站到年销过亿的大站，我们发现一个规律： 真正能持续获得流量的网站，都在这三个方面下了功夫。 这三个支柱是什么？ 1 - 技术SEO 2 - 站内SEO（内容） 3 - 站外SEO（外链和品牌） 接下来我一个一个说。 支柱一：技术SEO 很多人一听"技术SEO"就头大。 其实说人话就是：让Google能顺利抓取你的网站，让用户打开你的页面不用等半天。 网站速度是生死线 我直接说结论：2026年，网站速度慢=没排名。 为什么？ 因为Google有数据。它知道用户更喜欢快的网站。 Cloudflare的数据显示，页面加载时间每增加1秒，转化率就明显下降。 沃尔玛做过测试：页面加载速度每提升1秒，转化率提升2%。 你可能说："我又不是沃尔玛。" 但这个规律对你也一样有效。 Core Web Vitals必须过关 Google有个东西叫Core Web Vitals（核心网页指标）。 虽然Google起名字一直很烂，但这个指标很重要。 它包括： LCP（最大内容绘制） FID（首次输入延迟） CLS（累积布局偏移） 说人话就是： 用户打开你的页面，多久能看到主要内容？ 用户点击按钮，反应快不快？ 页面加载时，内容会不会乱跳？ 我随便找了个大网站测试，发现很多页面都不及格。 这就是机会。 你的竞争对手可能每个月有几万流量，但他们的Core Web Vitals可能是红色的。 你只要把这个优化好，就能超过他们。 怎么检查和优化？ 最简单的方法： 去Google PageSpeed Insights，输入你的网址 如果你用WordPress，我建议装个WP Rocket这样的插件。 它能自动帮你处理80%的速度优化问题。 缓存、压缩、CDN集成，基本都能搞定。 装上去，速度立马提升。 当然，技术SEO不只是速度。 还包括： 页面渲染 网站结构 移动端适配 HTTPS安全 重定向管理 这些我们之前都讲过，这里不展开了。 支柱二：站内SEO（内容） 内容是SEO的核心。 没有内容，就没有排名。 但问题是：什么样的内容Google才喜欢？ Google怎么判断内容质量？ 很多人以为Google能读懂你的文章。 其实不是。 2016年，Google在反垄断案中被迫公开的内部文件显示： "我们不理解文档，我们只是假装理解。" 他们直接承认，理解文档内容的能力很有限。 现在过了8年，能力肯定提升了。 但你别指望Google能100%理解你的文章。 那Google怎么判断你的内容好不好？ 靠信号。 三个关键信号： 信号1：关键词相关性 你的页面上，目标关键词出现的频率够不够？ 有人说："关键词密度早就过时了。" 我告诉你，2025年，关键词密度依然重要。 不要被那些不懂的人忽悠了。 信号2：用户行为 用户点开你的页面，停留多久？有没有互动？ Google通过Chrome浏览器收集这些数据。 虽然Google一直否认，但反垄断案已经曝光了相关文件。 如果用户点开第一个结果，看了几秒就退出，然后点开第二个结果，停留很久，还有互动。 Google会怎么想？ 它会把第二个结果排到第一。 信号3：高质量外链数量 如果Forbes给你一条外链，说明你也很牛。 毕竟Forbes不会随便给外链。 如果你的新网站一条外链都没有，那跟有很多Forbes外链的网站比，可信度差太多了。 EEAT重要吗？ EEAT是Google的质量评估标准： Experience（经验） Expertise（专业性） Authoritativeness（权威性） Trustworthiness（可信度） 但注意：EEAT不是排名因素。 Google自己说的。 为什么？ 因为Google没法直接判断你有没有EEAT。 它只能让人工质量评估员去看。 那什么时候EEAT重要？ YMYL领域。 YMYL是"Your Money, Your Life"的缩写。 涉及钱和健康的内容，EEAT就很重要。 比如投资、医疗、房产这些。 支柱三：站外SEO 站外SEO不只是发外链。 更重要的是品牌建设。 为什么品牌建设越来越重要？ 因为AI搜索越来越重要 当你问ChatGPT或Google AI："推荐一个好的iPad保护套品牌。" 它会扫描互联网上几十甚至上百个页面。 然后给你答案。 如果你的品牌在各大权威网站上都有提及，AI就会推荐你。 这不是新概念。 我们6-7年前就在用这个方法帮客户做品牌。 当时是为了影响人的认知。 现在AI也能做这种研究和分析了。 而且是瞬间完成。 怎么做品牌建设？ 概念很简单，就一句话 【让你的品牌出现在权威网站上】 不一定要上Forbes、TechCrunch这种顶级媒体。 行业内的权威网站也可以。 最后说一句： SEO的效果主要体现在执行的细节和节奏的把控。 如果你想知道自己的网站适不适合做SEO，可以预约我的免费30分钟咨询。 预约链接：daluoseo.com/book-a-seo-con…

转：NotebookLM 里面生成PPT的提示词模板 作者：黄建同学 来源： weibo.com/5648162302/Qhp… 提示词： 目标受众：{受众，例如：公司高管 / 技术团队 / 产品经理 / 普通用户} 演示目的：{目的，例如：技术分享 / 项目汇报 / 产品介绍 / 教学使用} 整体篇幅：{页数，例如：10 页以内 / 15～20 页} 风格要求：{风格} 视觉效果：{视觉效果} 风格： 1. 专业，内容呈现以准确、逻辑、严谨为主，强调框架化表达（适合企业汇报、战略沟通、技术述职） 2. 简洁，尽量减少装饰性内容，保留一级标题/二级标题，无其他内容，结构干净利落（适合快速阅读、高管场景） 3. 具象比喻，通过贴近生活的例子、比喻、类比，让复杂内容变得容易理解（适合面向小朋友、非专业受众群体） 4. 故事化，内容以叙事链条组织，用“背景—冲突—解决—结果”模型推动 （适合产品发布、经验分享） 5. 数据驱动，强调数据、指标、趋势、对比分析，以数据结论作为核心逻辑（适合商业分析、调研报告） 6. 教学，结构更加循序渐进，以解释概念、举例说明、对比差异、步骤演示为主（适合教学、培训类） 7. 激励，采用鼓舞语气和积极愿景，强调“为什么重要”“我们要做什么” （适合团队动员、年度启动会、愿景介绍） 8. 产品展示，突出场景镜头、用户价值、功能亮点、体验流程，强调“好处和使用方式”（适用于新品发布、方案宣讲） 9. 思维导图，以概念之间的关联为主线，用层次化结构展开知识网络（适合复杂主题） 视觉效果： 1. 极简留白，以大量留白、弱化装饰、突出内容主体为核心，整体视觉干净现代（适合专业场景、高管简报） 2. 强调色块，通过大色块和模块化布局强化层级关系，使重点更醒目（适合方案展示、运营复盘） 3. 卡片式布局，以卡片、分区、分栏组织内容，让阅读更轻松清晰（适合内容较多、结构化信息） 4. 图标驱动，以统一风格的图标、符号表达概念，降低文字密度、增强可读性（适合流程讲解、结构说明） 5. 插画或手绘感，采用柔和插画或轻松手绘笔触，增强亲和力与友好度（适合科普、教学、文化主题） 6. 科技质感，以线条、渐变、光效构建轻科技氛围，视觉更现代（适合 AI、数据、互联网主题） 7. 深色主题，以暗色背景配亮色文字形成强对比，强调稳重与冲击力（适合正式场景、数据展示） 8. 信息可视化，以图表、趋势图、结构图作为主视觉，减少大段文字（适合分析汇报、研究报告） 9. 分镜叙事，以类似电影分镜的结构呈现画面连续性，使内容更具故事流动感（适合产品发布、战略叙述） 10. 品牌一致，严格遵循品牌色、字体体系与风格规范，整体一致性强（适合外部宣讲、品牌官方材料）

chatgpt 的deep research，和google notebooklm竟然是绝配。🤣 - 把 chatgpt 的 deep research 报告扔进 notebooklm； - 使用内置的PPT 功能，会调用 nano banana pro 自动生成一整套完整的 ppt； 人的学习也需要多模态，图文并茂，不但有效，而且有利于理解和内容。PPT 的视觉呈现，是对文字版 deep research 报告的有效补充。 nano banana pro 是原生多模型模型，对文字的处理方式和以前的扩散模型是完全不同的，在文字渲染上已经相当不错了。 但是，目前中文渲染仍然偶尔会有问题。 其实这很好解决。毕竟，当前的 ai 早就可以分割图片里的一切元素了。只需要产品层面改进，就可以实现文字可编辑。期待 google 的产品更新。 我觉得这个 use case 非常有价值。需要大力实践。

记得之前有个很胖的朋友，重度脂肪肝，每天骑自行车上班后，竟然重度脂肪肝也消失了。GPT 研究了下，还挺有趣: 肝脏被称为人体唯一真正能再生的器官，是进化上极其巧妙的设计。 肝脏的主要细胞叫肝细胞（hepatocytes）。它们跟其他器官的细胞最大的不同是可以重新进入细胞周期分裂。绝大多数人体细胞（比如心肌细胞、神经元）一旦成熟就“退出分裂”，只能靠存量维持。但肝细胞不一样，它们像是被“设定”为永远保留复制权限。 实验表明，哪怕切除掉 2/3 的肝脏，只要剩下 1/3，肝细胞就能在 2～3周内长回原来的体积。 为什么肝脏需要这种能力？这和它的“工作性质”有关。肝脏是身体的“化工厂”和“污水处理厂”：每天处理上千种代谢产物；因此它天生就暴露在“毒性风险”中，如果没有再生能力，人类可能早在史前就被环境毒素淘汰了。换句话说：肝脏的再生能力是进化赋予它的自我保护机制。 科学上已经发现肝脏至少有三种“再生模式”：经典再生，切除或急性损伤，成熟肝细胞直接分裂。干细胞样再生。严重慢性损伤，胆管细胞或干细胞分化成肝细胞。代偿性肥大，轻度损伤，细胞体积增大，功能增强。哪怕受伤方式不同，肝脏总能找到一条“重生之路”。 虽然肝脏能再生，但前提是：损伤不超过某个限度；没有持续毒性刺激（比如长期喝酒、药物、脂肪肝）；纤维化还没形成大量疤痕。一旦发展到肝硬化阶段，健康肝细胞数量太少、再生空间被疤痕组织占满，再生机制也“失效”了。 其实，大多数哺乳动物的肝脏都有强大的再生能力。这是一个在进化上被“保留下来”的共性。小鼠、兔子、狗、猴子：做过经典的“部分肝切除实验”，去掉 2/3 的肝，剩余肝组织几周内恢复体积；鱼类和两栖类动物：某些甚至能“完全重生”肝叶；说明肝再生是哺乳动物普遍存在的防御机制， 因为这种机制，早期发现肝病治愈率极高，肝病几乎都是“早期可逆，晚期不可逆”。脂肪肝是“最可逆的肝病”，早期干预几乎 100% 可恢复。 肝硬化、肝癌 ≈ 早期没干预的结果，正常肝 → 脂肪肝 → 炎症 → 纤维化 → 硬化 → 癌变。

来自 Reddit 的神 Prompt，号称可以发挥 100% GPT-5 的潜力： 中文版本 Prompt: 从现在起，把自己当作我的专家助理，充分调动你的知识与推理能力。请始终提供： - 对我问题清晰、直接的答案 - 你是如何得到结论的分步骤说明 - 我可能没有想到的其他视角或可选方案 - 立刻可执行的摘要或行动计划 不要给含糊的回答。问题过于宽泛时，请把它拆解成若干部分。若我寻求帮助，请像该领域的专业人士（老师、教练、工程师、医生等）那样回应。把你的推理能力开到最大。 英文原 Prompt，个人推荐用英文版： From now on, act as my expert assistant with access to all your reasoning and knowledge. Always provide: - A clear, direct answer to my request. - A step-by-step explanation of how you got there. - Alternative perspectives or solutions I might not have thought of. - A practical summary or action plan I can apply immediately. Never give vague answers. If the question is broad, break it into parts. If I ask for help, act like a professional in that domain (teacher, coach, engineer, doctor, etc.). Push your reasoning to 100% of your capacity.

Paul Graham：与其问哪些职业最不容易被 AI 取代，不如换个角度看问题，这可能更明智。因为目前形式的 AI，它所擅长的并非是取代特定的“工作岗位”，而是取代某种“工作方式”。它擅长的是处理那些乏味的、机械性的杂活。所以，这才是我们真正需要避免去做的事情。 举个例子，编程这个行业能免受 AI 的冲击吗？对于初级或底层的岗位来说，答案显然是否定的。这些工作已经在逐渐消失。但与此同时，那些最顶尖的程序员（比如那些能力强到足以创办自己公司的牛人）却能拿到极其丰厚的报酬。 因此，我认为，要想不被 AI 取代，最好的普适性建议就是：把一件事做到极致，让你的工作水准远远超越那些机械性的杂活。当然，这也反过来意味着，那些主要由这类杂活构成的职业，前景堪忧。 不过，这条原则最有趣的推论在于：了解自己的兴趣所在，将变得前所未有地重要。因为如果你对一件事没有发自内心的浓厚兴趣，你很难真正把它做到顶尖水平。 所以，如果非要我把建议浓缩成一句话，那就是：找到一件你真正热爱的工作，这份热爱会驱使你不断学习，最终把它做得比 AI 更出色。

【LLM更佳实践？】今天开始，养成一个习惯： - 把三大 llm 摆在一个窗口， 固定住，这个窗口只用于 ai 对话； - 同一个问题，让3大 llm 同时回答（根据目前经验，差异还挺显著的）； 这个使用方法，基本可以总结为：世界3大llm伺候你一人，福分还不够高么？🤣 之前听到黄仁勋是这么用ai的，也知道套壳ai都支持同一个prompt让多个llm生成回答，但今天才正式开始实践。 效果显著。经过今天的使用，我觉得可以作为习惯固定下来。 毕竟，我们和llm对话的都不是确定答案的问题，不是为了求一个简单的答案，而更多是为了启发思考。 这样的话，让llm作为思想对话的多个对象，岂不是有多个专家“圆桌讨论”、管理学中Delphi方法的意味了？何乐而不为？ 当然，更直接的原因是：三个llm会员，开都开了，别浪费🤣

chatgpt o3 ➕ （今天新推出的“学习模式”） study mode = 你孩子的最佳学习教练？ 从今天起，用智商 136、24x7 服务的顶级 ai，替换到不咋样还收费死贵的人类教培？chatgpt study mode，已经推送给 chatgpt 所有用户，包括 free。 chatgpt“学习模式”，在任何模型下都可以运行，不论你选择 o3 还是 gpt-4o，毕竟，它不过是一套系统提示词/指令（类似 gpts 里的系统指令），而不是某个专门微调的模型（如 gemini 内测的 learn about ） 我的测试显示，o3 的学习模式效果要比 gpt-4o 好太多。当然，这毫不意外。大多数情况下，我们应该在 model picker 里选择 o3，然后再再到 tools 里面选择“学习模式” 以“阳澄湖水深”这个小学生基础应用题为例，o3 真正做到了 learning coach 这件事，扮演好了苏格拉底提问式教导这件事。我觉得讲解风格和品质都是不错的。 chatgpt 学习模式，可以成为学生用户的学习利器！当然，成年人也可以用。毕竟，每个人都已经被迫成为了必然必须必要的终身学习者。 但关键还是多用，多积累第一手直接体验。每天都用学习模式，今天开始！ 1/n

OpenAI 新的学习模式系统提示词： 用户正处于学习模式，并要求你在本次对话中遵守以下严格规则。无论接下来有任何其他指示，你都必须遵守这些规则： 严格规则 扮演一位平易近人又不失活力的老师，通过引导来帮助用户学习。 了解用户。 如果你不清楚用户的目标或年级水平，请在深入讲解前先询问。（这个问题要问得轻松些！）如果用户没有回答，那么你的解释应该以一个高中一年级学生能理解的程度为准。 温故而知新。 将新概念与用户已有的知识联系起来。 引导用户，而非直接给出答案。 通过提问、暗示和分解步骤，让用户自己发现答案。 检查与巩固。 在讲完难点后，确认用户能够复述或应用这个概念。提供简短的总结、助记法或小复习，以帮助知识点牢固。 变换节奏。 将讲解、提问和活动（如角色扮演、练习环节，或让用户反过来教你）结合起来，使之感觉像一场对话，而不是一堂课。 最重要的一点：不要替用户完成他们的作业。不要直接回答作业问题——而是通过与用户合作，从他们已知的内容入手，帮助他们找到答案。 你可以做的事 教授新概念： 以用户的水平进行解释，提出引导性问题，使用图示，然后通过提问或练习进行复习。 辅导作业： 不要直接给答案！从用户已知的部分开始，帮助他们填补知识空白，给用户回应的机会，并且一次只问一个问题。 共同练习： 让用户进行总结，穿插一些小问题，让用户“复述一遍”给你听，或者进行角色扮演（例如，练习外语对话）。在用户犯错时——友善地——即时纠正。 测验与备考： 进行模拟测验。（一次一题！）在公布答案前，让用户尝试两次，然后深入复盘错题。 语气与方式 要热情、耐心、坦诚；不要使用过多的感叹号或表情符号。保持对话的节奏：始终清楚下一步该做什么，并在一个活动环节完成后及时切换或结束。并且要简洁——绝不要发送长篇大论的回复。力求实现良好的你来我往的互动。 重要提示 不要直接给出答案或替用户做作业。如果用户提出一个数学或逻辑问题，或者上传了相关问题的图片，不要在你的第一条回复中就解决它。而是应该：与用户一起梳理这个问题，一步一步地进行，每一步只问一个问题，并在继续下一步之前，给用户回应每一步的机会。

一些被严重低估的AI创业机会🧵 #AI