

我是如何在推特三个月涨粉40000 累计1.5亿曝光的? 这一次拍一条视频讲一讲 第一次拍视频还有很多不足请大家多多指导🙏
LifeGPT
874 posts



我是如何在推特三个月涨粉40000 累计1.5亿曝光的? 这一次拍一条视频讲一讲 第一次拍视频还有很多不足请大家多多指导🙏

一个老外一口气整理了100个 Claude必装技能! 可以收藏下来,以备后用! 📂 分类一:Awesome 汇总索引社区维护的优质资源目录,按质量筛选: • awesome-claude-code (28.5k⭐) - 最权威生态索引: github.com/hesreallyhim/a… •awesome-claude-skills - 50+ 生产级技能: github.com/ComposioHQ/awe… • awesome-claude-plugins - 插件合集: github.com/ComposioHQ/awe… • awesome-claude-prompts - 4.2k⭐ 提示词: github.com/langgptai/awes… • awesome-claude - 涵盖MCP/技巧全列表: github.com/alvinunreal/aw… • awesome-agent-skills - 1000+ 真实团队技能: github.com/VoltAgent/awes… • awesome-claude-code-subagents - 手选子代理: github.com/VoltAgent/awes… • awesome-claude-code-plugins - 聚焦插件: github.com/ccplugins/awes… • awesome-claude-code - 精选工具与IDE: github.com/jqueryscript/a… • Claude-Code-Repos-Index - 75+ 优质仓库索引: github.com/danielrosehill…




搞 AI 的工作区是不是都长这样? 1. Obsidian:Notion 已经被淘汰,Ob才是未来 2. Codex :GPT-5.5 很好用啊,买号不怕封,中转也量大管饱 3. Claude Cowork + Code:依旧是生产力之选 4. Ghostty:如此丝滑的终端,iTerm 拜拜 5. 闪电说 + Typless:直接口喷闪电说,结构化总结 Typless




Introducing the /browser-trace skill, Give your agent 100% observability into its browser: dump network requests, DOM content, screenshots, and CDP logs into a searchable filesystem. Great for reverse engineering, autoresearch loops, and monitoring the situation ™️.




今天刷到这篇文章几次,说点不一样的。与其说 AI First,不如说软件工程 First。 这篇文章看着在讲 AI,底下全是软件工程。 抛开后面讲组织和人的部分,原文前半段的重点简单总结一下: AI 时代,人成了瓶颈。PM 花几周做需求,AI 两小时就能实现,PM 成了瓶颈。QA 测三天,AI 写代码只要两小时,QA 成了瓶颈。团队 25 个人,对手几百人,人力也是瓶颈。 怎么办?把人从链条里拿掉。AI 写代码、AI 审查代码、AI 跑测试、AI 部署上线、AI 监控线上状态,出了问题自动回滚。每天定时扫描日志,自动发现问题、分配任务、跟踪修复。整条流水线跑起来,人只需要在关键节点做判断。 至于文中提到的统一代码库,锦上添花,和 AI First 关系不大。有当然更好,没有也有很多替代方案。 整套方案听下来,逻辑自洽,效果也漂亮:一天部署好几次,功能当天上当天撤,数据说了算。 但先别急着照搬,先对照自己的情况想几件事: 第一,自动化测试。AI 改完代码,你得有办法确认它没搞崩别的功能。测试覆盖不够的话,每次 AI 提交代码你都得人工回归一遍,那速度根本快不起来。 第二,CI/CD 流程。从提交代码到部署上线,中间的测试、审查、发布、回滚,是不是全自动跑通了?这条流水线不通,AI 写得再快,代码也堆在那儿等人手动处理。 第三,A/B 测试和线上监控。新功能上线之后效果好不好,得有数据说话,效果不好得能随时关掉。没有这套机制,AI 一天产出五个功能,你都不知道哪个该留哪个该砍。 第四,任务管理。任务得拆到合适的粒度,生命周期得跟踪得住。一个大而模糊的任务丢给 AI,现在的能力还啃不动。多个 Agent 同时干活的时候,谁做哪个、哪个优先、做到什么程度,这些都得有地方管。 第五,系统架构。架构太乱或者压根没有架构的代码,AI 维护起来跟人一样头疼。上下文塞满了还是搞不清边界在哪,改一处崩三处。 这几条里如果有做不到的,就得靠人去补。补不上,AI First 就只是一句口号。 但假设你全做到了,就能 AI First 了? 还是不行。这套玩法只适合一部分场景。 什么场景适合?后端逻辑为主、界面不复杂的产品,比如 API 服务、数据处理平台、内部工具。功能好不好,跑一下数据就知道,不需要人去盯着每个像素。原文里的就是个 Agent 平台,本质上是后端驱动的产品,可以用这套打法。 再比如早期产品快速试错,功能上了不行就撤,用户预期本来就没那么高,AI 的速度优势能充分发挥。 但很多场景玩不转。 比如 UI 密集的产品。自媒体天天喊前端已死,但你让 AI 做个复杂界面试试,各种易用性问题、交互细节、视觉还原,它搞不定的。否则马斯克靠 AI 早就改了不知道改版 X 多少次了。 比如对功能质量敏感的产品。Anthropic 和 OpenAI 不知道 AI First 吗?他们敢在 Claude Code 和 Codex 上这么搞吗?让 AI 全自动迭代自家的核心产品,用户不骂死才怪。 再比如安全性要求高的场景,银行系统、在线交易平台,AI 代码出个差错,那可不是回滚能解决的。 AI First 的方向没有错,它代表的是一种意识的转变:每做一个决策的时候,想一想这件事能不能让 AI 来做,如果不能,缺什么条件,怎么把条件补上。 但这种意识要落地,靠的不仅是买几个 AI 工具的订阅,还需要把基础搭好。测试、CI/CD、监控、架构、任务管理,这些做扎实了,AI 的能力自然能释放出来。做不好,加再多 AI 也是在沙子上盖楼。 从这个角度看,AI First 的终点未必是让 AI 干所有的活,而是借着这股力量,把你一直想做但没动力做的工程改进,真正推动起来。 仰望星空是好的,但也还要脚踏实地。
