PipB0y

@Showy005 @luoyonghao 那些还在平台交易的人，只能吃哑巴亏了

@luoyonghao 老罗给你科普一下。即使币安改了，别的平台也看得到啊，区块链就是这样的，一旦上链无法修改，最多是钱包上给你马赛克。别的钱包也能看到。

嗯，所以虽然赵老板没回应我，他们的工作人员已经处理了是吗？但是头像还在啊。

@luoyonghao @cz_binance 币圈的炒作招数被你学会了哈哈

@cz_binance 赵总你好，近日有名为“罗永浩”的虚拟币（并且用了我的头像作为logo）在你们的币安交易所上交易，虽然还没有正式进入“交易平台”tab里，只是在“钱包”tab里，但毕竟也是币安的交易所。为防止人们受骗上当，请将其下架，或提供正式的投诉下架途径，谢谢。

@dingyi @Hawstein @ZaynHao 是的，每个人的审美不一样，花的时间还不一样

@Hawstein @ZaynHao 做的多了就会发现 UI 和细节是最花时间的部分了，其他反而都很好做

聊聊最近的状态。 前段时间在做新产品，同时做了一个无人值守 agent 在那自己开发 SaaS。哐哐一跑 20 多个小时，一天提交一两百个 commit。agent 在写逻辑方面问题不大，但 UI 还是不行，用的顶级模型顶级 skill 也还是不行。还是会看不顺眼。说到底 UI 这件事还是很主观，反正我看不顺眼就得调。所以调 UI 还是很花时间。 然后工具用得不顺手，就停下产品开发，去折腾工具。而折腾工具是很容易上瘾的，一上瘾就不断投入时间，逐渐忘记最初我的目标是做那个产品，而不是开发这个工具。现在的模型足够强，很容易就 vibe 一个类似 openclaw / hermes / slock 的工具给自己用。可是 vibe 一个可以用的产品，与做一个能交付给其他用户并且让他们爱用的产品，这其中差了无数的细节。哪怕这个用户只是自己，也差了无数的细节。后来我想想，除非我的目标就是做这个工具，不然就直接用现成的。因为现成工具的创作者，他们的目标就是做这个工具。 对了，Anthropic 还不断出新的限制。如果出一条新的限制，我的工作流或工具就不好用了，那就太脆弱了。而我一直是希望自己能按「反脆弱」的方式来做事。外部环境变化，并不应该那么容易影响我日常做事的方式。 最近做产品，还经常会陷入一种一边做一边自我怀疑的状态。这种状态在 AI 时代以前是不会有的。现在很容易就会有。我经常想，我做这个产品有什么意义吗？ 还有一点，AI 确实极大地解放了生产力，可是我看到的有意思的产品并不多。大家都做着差不多的东西。当然，我也想不出什么有意思的产品来做。要不我也不用一边做产品一边自我怀疑了。目力所及，我觉得 @turingou 做的产品是比较有意思的。所以有时候上推还会专门打开他的主页看一眼，是不是又有新的产品了。 我非常确信在远离互联网和 AI 的那些行业，有着许多和 AI 结合的机会。而我们都被困在纯互联网和 AI 的泡泡里，自然是只能做着都差不多的东西。可是知道这个局限，并不能让我摆脱这个局限。因为那些与我的生活无关，我倒是挺希望能了解那些遥远的行业，可是有时候连门在哪里都不知道。我在 fiverr 和 g2 的 categories 下研究过，我可以把那里每一项都让 AI 帮我做研究，并让它根据对我的了解，和它讨论出最适合我的一个垂直行业的产品机会。但缺乏亲身的感知，仅凭概念和语言，很难让我走远。这正是让我产生自我怀疑的地方。 你说，一个美国房地产从业人员，因为厌烦了每次买卖房子，要重新拍摄视频，后来发现可以借助 AI 来做，从而做了一个针对美国房地产的 walkthrough /promo 视频 AI 生成 SaaS，是这个人更能把这个 SaaS 做好，还是我只通过纯概念和语言研究，一个局外人，能把这个 SaaS 做好？我想前者做好的概率要大得多，他的生活与亲身感知会卷着他去做。而我可能做到 MVP 阶段就失去兴趣了。这其中差了无数的细节。 我觉得，专注会变得越来越重要。因为 AI 的加持，许多人可能今天做这个，明天做那个，不断分心做不同的东西，最终什么都没做出来。 Don't just build. Ship.

@chunxiangai 这个产品结合 seedance 生成剧本视频，直接起飞啊

海外付费编剧人数是国内的十倍，但是我还是花了10倍长的时间适配了国内的剧本格式。 国内剧本格式喜欢给ACTION行前面画个三角，也不知道这种传统是谁发明的。

@iam678 @eog_oo @CuiMao 这是拿你的照片去喂图了吗哈哈

喂了好上千张数据，调整了一个周，终于做好了一个可以满足各类封面的生成系统。 不光可以生成各种主流杂志的封面，还可以生成电影海报和一些广告海报。 感谢@eog_oo 测试下来效果还是不错的。 在考虑要开源还是商用

用 Cursor 写了三个月，最大的收获不是代码变快了，是学会了怎么给 AI 写需求。以前写代码是"我想做什么"，现在是"我需要什么输出、什么约束、什么边界条件"。这种拆解能力反过来让你在跟人沟通需求的时候也变得更清晰，因为你被迫把模糊的想法，翻译成了机器能执行的结构化内容

Zed 1.0 出了，Hacker News 1900+ 赞 Rust 写的编辑器，启动快到离谱 VS Code 那几秒加载时间，每次都在考验耐心

@jh3yy the "stood out to us" part always feels mass-generated, like they scraped a keyword and hit send

五一前一天朋友圈已经开始晒定位了，我在工位把一个跑了三天的 pipeline 终于跑通，劳动节劳动完毕，该躺了

@dingyi 试了下，默认出来的效果确实比手写 transition 省心太多了，尤其是 enter/leave 组合

这个动效设计 skills 真好！ npx skills add jakubantalik/transitions-dev

@sitinme 家里宽带动态 IP 搞白名单确实烦，不过换个角度想——既然服务器上都跑 gost 了，直接把公众号的定时推送脚本也扔服务器上跑，本地完全不用操心 IP 问题

问题：公众号 API 有 IP 白名单机制，家里宽带每周换 IP，每次都要手动加白名单很麻烦。 解决思路：阿里云服务器搭个固定 IP 代理，白名单只加这一个 IP，以后所有请求都从服务器出去。服务器端 5 分钟搞定，装个 gost 跑 HTTP 代理，开机自启。 本地脚本走代理时踩大坑：bun 的 fetch 在处理 HTTPS 代理时有 bug，会把代理的 CONNECT 响应当成最终响应，导致 JSON 解析失败。试了各种办法都绕不过去。 骚操作：OS 层 socket hook（proxychains-ng）+ ssh 本地端口转发。proxychains 在系统调用层面拦截 socket 连接，bun 完全感知不到代理的存在，以为自己在直连，bug 就触发不了了。 现在一行命令搞定发布，再也不用管 IP 的事。花 1 小时搞定基建，省下未来 365 天的手动操作，这笔账怎么算都值。

中午外卖等了四十分钟，刷到有人用 AI 一分钟生成菜谱和买菜清单，突然觉得自己点外卖这个行为特别原始。现在 AI 连做饭都想替你干，速度确实离谱

早上六点半闹钟响，第一件事是倒咖啡还是打开 Claude？实测结论：先喝咖啡再问 AI，回答质量肉眼可见变好。咖啡因才是最靠谱的 prompt engineering

@unixzii 这很合理！

让进度看起来更快的一个小技巧

@Jason_Young1231 佬，这个可以支持 droid 吗

卡兹克大佬写了一份非常详细 CC Switch 使用手册，不得不感慨，专业人士就是专业人士，写的比我好太多了，强烈推荐！mp.weixin.qq.com/s/0XkWwnrUNxc7…

@calicastle claude update 那一步经常装到一半断掉，后来加了 --no-cache 才稳，不知道是不是国内网络的问题

每天开工前必做： claude update npm i -g @openai/codex amp update

@dingyi 好东西一旦发出来就是给自己断后路，这种分享的代价我已经交过好几次学费了

以后有好东西是真不能说出去，大家都知道了很快就没了。。。DMIT 美区 Premium 竟然所有套餐都卖光了，前两天还全都有呢。

@_FORAB 飞书CEO喊大家少加班，自己脸都熬成那样了，声明杀伤力直接归零

被字节内部认为是加班重灾区的飞书，CEO 谢欣发布声明，呼吁大家减少长期加班、熬夜。 图 2 是这位老哥近期的相貌。

Amateur 用 ChatGPT 解了一道 Erdős 留了 60 年的数学题，Scientific American 刚报的。专业数学家几十年没搞定的事，被一个门外汉 + AI 搞定了。以后谁还敢说 AI 只会写 boilerplate

@sitinme 会自己跑实验调参的 AI 实习生，以前一个 PhD 博士生干的活现在一个 agent 就能串起来，关键是它还能根据失败原因自动迭代，这比大部分研究生还靠谱

Hugging Face开源了一个小项目——ml-intern 它像一个“会自己做机器学习实验的 AI 实习生”。你给它一个目标，比如“提升某个模型在数学推理上的表现”，它就会自己去查论文、找数据集、写训练代码、跑 GPU 任务、看结果，然后根据失败原因继续调整。 以前做一次 ML 实验，最麻烦的不是某一步，而是整条链路太长：读论文、找数据、配环境、写脚本、跑训练、看指标、排 bug、再重训。很多时候一个实验下来就是几天。 ml-intern 想做的，就是把这些重复又耗时间的环节自动串起来。 它背后用的是 Hugging Face 自家的 smolagents 框架，并且深度接入了 HF 生态，比如 Hub 数据集、HF Jobs GPU 任务、文档检索、实验追踪工具 Trackio 等。 也就是说，它不是单纯帮你写几行训练代码，而是尽量把“研究 → 计划 → 实现 → 复盘 → 再训练”做成一个闭环。 在 PostTrainBench 测试里，它用 Qwen3-1.7B 这样的小模型，在几个小时内把 GPQA 分数做到了 32%，接近更大模型的 SOTA 表现。 这说明它真正有价值的地方，不只是自动化，而是能更高效地探索训练策略和数据方案。