杠里杠气

有代码洁癖的人一定会喜欢的一个 Vibe Coding 小技巧： “现在问题解决了，但请你重新 Review 一下今天的几轮修改，看看是不是补丁叠补丁式的修改，如果是的话，重构成最优解。”

字节开源了一个 AI 团队大脑：DeerFlow 2.0 刚发就冲上 GitHub Trending 第一，43k ⭐。 它是一个开源的超级代理框架，它让 AI 不再是工具，而是一个能干活的团队。 你只需要一句话： “帮我研究 AI 行业趋势，并做一份 PPT” 它会自动完成： 拆任务 → 分配 Agent → 并行执行 → 汇总交付不是建议，是直接把结果做出来。 更关键的是： 它通过 Agent 协同 + 内存 + 沙箱执行 + 可扩展技能 可以完成几乎任何事情 核心能力就三点： - 多 Agent 协作：一个 AI = 一个团队 - 技能驱动（可扩展）：报告、PPT、网站、视频都能做 - 完整工作流执行：从任务到交付，一步到位 DeerFlow 2.0 不是提升效率，是把几乎所有工作流程交给 AI。

应该有人把这个文章的博主做成一个清单list 方便直接关注~

7.9元你吃不上肯德基，也买不到麦当劳，但是劳总让你用上claude code，全程保姆教程，跟着一步步操作就能轻松用上最强Ai编程工具！冲就完了！

哥们儿搞得太细节了，一步一步的来，所有的操作系统都有提到，很厉害👍

我这个经过 2 个月、近 200 人参与内测，收获众多好评和建议，迭代了无数个版本的英语辅助阅读应用 SentiaRead 终于提交 App Store 上架审核了，预计过几天就可以正式发布啦。 同时支持 macOS 和 iOS，也适配了 iPad 。 sentiaread.com

对于不知道怎么上手Openclaw的，可以看看鱼总的这篇，很详细了

绝对牛逼！

前几天发的那个 @spark 交互，流程挺简单的，可能是因为是btc生态的，所以一直有同学私信在问 1. 正常创建助记词钱包。记得隔离助记词。这里需要注意的点是：如果你已经创建了钱包，但又重新导入一个新钱包的话，新钱包会覆盖你之前的钱包！如果你之前钱包没记录助记词，很有可能导致资金的损失！ 链接：luminex.io/spark?ref=sanyi 2. 当你选择往里面重制，一共有四个方式。 spark地址：这个是建立在之前你就玩过spark类似生态的，比如之前打过sparksat铭文的 原生比特币：复制这个地址直接从交易所提现btc就行。这个是最简单的，就是有点慢 闪电网络：这个同上。只不过自己要生成发票，扫码转账。交易所也可以完成 sol桥接：这个实测下来手续费会偏高。 3. 最后直接去进行兑换就行了。因为活动本身只需要持有usdb就行了。所以兑换之后基本上就不用管了。 4. 整个流程会涉及到的项目主要有三个。 @spark ：母公司是 @lightspark ，创始人 @davidmarcus 以前在meta和paypal干过。拿了a16z和帕拉丁的融资 @luminexio ：是spark生态里比较重要的一个生态 @flashnet ：这个就是发行usdb的公司。跟美债挂钩，融了400多万，也没有发币。 额外提一嘴 虽然我不玩Meme，但是 @luminexio 上其实是有发射台的。不过可能是因为btc生态现在大家玩的比较少，所以上面的meme市值普遍较低。lol

Last quarter I rolled out Microsoft Copilot to 4,000 employees. $30 per seat per month. $1.4 million annually. I called it "digital transformation." The board loved that phrase. They approved it in eleven minutes. No one asked what it would actually do. Including me. I told everyone it would "10x productivity." That's not a real number. But it sounds like one. HR asked how we'd measure the 10x. I said we'd "leverage analytics dashboards." They stopped asking. Three months later I checked the usage reports. 47 people had opened it. 12 had used it more than once. One of them was me. I used it to summarize an email I could have read in 30 seconds. It took 45 seconds. Plus the time it took to fix the hallucinations. But I called it a "pilot success." Success means the pilot didn't visibly fail. The CFO asked about ROI. I showed him a graph. The graph went up and to the right. It measured "AI enablement." I made that metric up. He nodded approvingly. We're "AI-enabled" now. I don't know what that means. But it's in our investor deck. A senior developer asked why we didn't use Claude or ChatGPT. I said we needed "enterprise-grade security." He asked what that meant. I said "compliance." He asked which compliance. I said "all of them." He looked skeptical. I scheduled him for a "career development conversation." He stopped asking questions. Microsoft sent a case study team. They wanted to feature us as a success story. I told them we "saved 40,000 hours." I calculated that number by multiplying employees by a number I made up. They didn't verify it. They never do. Now we're on Microsoft's website. "Global enterprise achieves 40,000 hours of productivity gains with Copilot." The CEO shared it on LinkedIn. He got 3,000 likes. He's never used Copilot. None of the executives have. We have an exemption. "Strategic focus requires minimal digital distraction." I wrote that policy. The licenses renew next month. I'm requesting an expansion. 5,000 more seats. We haven't used the first 4,000. But this time we'll "drive adoption." Adoption means mandatory training. Training means a 45-minute webinar no one watches. But completion will be tracked. Completion is a metric. Metrics go in dashboards. Dashboards go in board presentations. Board presentations get me promoted. I'll be SVP by Q3. I still don't know what Copilot does. But I know what it's for. It's for showing we're "investing in AI." Investment means spending. Spending means commitment. Commitment means we're serious about the future. The future is whatever I say it is. As long as the graph goes up and to the right.

新手学读财报，我强烈推荐先看完 Bill Ackman 的这个早期视频，他用一个卖柠檬汁的生意举例，短短40分钟讲清楚资产、负债、股东权益、利润表、现金流表，以及好生意和烂生意的区别。也把从创业到投资、融资、估值、上市、选股和理财的核心概念串了一遍。视频里我加了一下中文字幕。

真没想到，整个2025年最爆的一篇文章，是一篇朴实无华的教程 好人有好报，通过文章里的返利链接，拿到了 8300 元的余额返利，这下可以尽情 coding 了。。。 从 172万曝光，到 309人真的订阅，比例仅千分之二 说明实际操作完成的人，你们的执行力已经超过了 99.8 的 % 的人 你应该为自己感到骄傲

mark 一下：50k 关注。 记录一下感想： 1 ｜把 twitter当笔记 从年初 20k，到年底前50k，让我总结使用 twitter的经验的话，就一条：把 twitter 当笔记本来用。🤣 既然 ai 需要“做中学”，那么，为什么不边做边学的同时边记笔记？为什么不在 logseq/obsidian 笔记之后，顺手在 twitter 上用人话、用大白话费曼一下？ 2 ｜“twitter 笔记本”，只看 follow 2025 年，twitter 上来了很多“起号”的。有推友说“起号”就是 2025 年最讨厌的词汇。 我也如此，我的发现是：90% 情况下只看“follow”feed。因为，“for you” feed 经常被起号的、软文的、ai 营销号占据。恍惚是抖音或其他什么国内 app。 只要是好的内容，因为 twitter 的 repost 机制，基本都会被 follow feed 包括进去。 这种背景下，2024 年的 motto 仍然重要：purity of thought，be exactly who you are。 3 ｜2026，做中学的第 2 年 2025 年，对 ai 用户非常有意义，因为这是 chatgpt 发布第三年，也是 ai 能力真正落地、彻底改造工作学习读书写作的第一年。 所以，这一年的关键词：做中学。 期待 2026 年，“做中学”ai 的第 2 年，所有 的 ai power user，都有自己的成长和收获。 新年新气象 👏👏👏

被低估的项目😌 @MetaDAOProject 已发币 @dflow @switchboardxyz 已发币 @multisig @PhoenixTrade

Youtube 上 @dontbesilent 分享的 30 个超级生产力 AI 工具，语速快到我差点没跟上。 我直接帮大家梳理了一遍，分类整理好，省去大家反复暂停回看的功夫，这份清单可以直接抄作业。 1. 视频文字稿提取工具： ◦ 针对抖音和小说的视频，可以使用豆包。 ◦ 针对视频号的视频，可以使用 腾讯元宝器。 ◦ 如果需要批量免费转换多个视频为文字稿，可以使用阿里的 通义听悟。 ◦ 若想一次性提取某个博主所有视频的文字稿，可以使用逻辑思维的 Get 笔记。 ◦ Get 笔记的知识库功能内置了 DeepSeek，可以处理 Get笔记中的文字。 ◦ 分析 YouTube 视频时，可以使用谷歌的 NotebookLM，它能自动生成知识库并支持对话。 ◦ 要让 AI 访问和分析电脑本地文件，可以安装 Cloud Code。 ◦ 通用的 Agent 工具包括 Genspark 或 Manus，可以直接分析抖音等链接内容。 2. AI 对话与交叉验证工具： ◦ 在电脑上同时打开十几个甚至几十个 AI 大模型进行对话和交叉验证，推荐使用 Cherry Studio。 ◦ 在手机上，如果对模型要求不高（如 OP4.1），可以使用 Monica。 ◦ 如果需要多个大模型像“活人”一样同时回答并互相交叉验证，可以使用 Genspark 的 Mixture of Agents 功能。 3. 语音处理工具： ◦ 进行文字转语音 TTS、语音转文字 ASR 以及克隆语音，推荐使用世界第一档的 ElevenLabs。 4. 视频翻译与数字人生成工具： ◦ 将视频翻译成任意语种、对上口型，甚至制作数字人来代替拍视频，可以一步到位使用 HeyGen。 5. AI 绘图工具： ◦ 最流行的 AI 绘图模型是 nano banana，可以在 Gemini 官网、Genspark (帮助自动写提示词) 或 Lart (专业的 Agent，完成复杂设计任务) 中使用。 6. 图片转视频工具： ◦ 抖音上很多人推荐 Runway。 ◦ Midjourney 官网现在可以直接根据首尾生成视频，无需使用 Discord。 ◦ 支持国产产品的话，字节的 即梦 和快手的 可灵 也具有此功能。 7. 日常语音转文字工具： ◦ 手机上可以使用 微信输入法。 ◦ 电脑上可以安装软件 Spokenly（需付费），如果电脑强悍可以本地安装 OpenAI 的 whisper 模型，用Spokenly 调用进行免费且精准的语音转文字，无需花费。 8. 智能体 (Agent) 制作与测试工具： ◦ 制作智能体通常推荐使用海外的 Monica 或 Coze，方便测试同一套提词在不同大模型下的表现。 ◦ 若要 AI 大模型同时产出成百上千个不同的文案标题进行挑选，可以使用 Cherry Studio。 ◦ 如果需要制作智能体并分享给国内朋友，目前唯一的选择是腾讯的 元器，因为它允许“白嫖”使用。 9. AI 浏览器： ◦ Dia 浏览器 偏向于大模型对话。 ◦ Agent 形式的浏览器有 Perplexity 开发的 Comet 浏览器 和华人做的 fellou。 ◦ 如果在 Windows 上需要自动化 Agent，可以尝试 Claude 的 Computer Use。 10. PPT 制作工具： ◦ 除了大名鼎鼎 的 Gamma，还有 Manus、Genspark、 国内的 Kimi 和 AIPPT 都可以用来制作 PPT。

如果你或你的团队正在塑造AI产品，我建议从Day1开始，就要注重「可观测性」 传统PM：“今天AI有点不对劲。” 掌握可观测性的AI PM： “当查询词超过50个字，且上下文文档超过10个时，AI就会失败。具体表现为，在太平洋时间下午2-4点流量高峰期，它会幻觉出一些不存在的技术特性。” 最重要的区别，是后者的问题能被解决。 传统的PM提交一个模糊的Bug报告，然后它就在需求池里积灰，因为工程师根本无法复现“感觉不对劲”。 而掌握可观测性的AI PM，是带着“证据”来参加会议的： - 他们能展示出具体的链路追踪，指出是哪个长查询导致检索了过多文档，撑爆了上下文窗口。 - 他们能指出时间戳上的规律——故障都集中在流量高峰期。 - 他们甚至能提出假设：“看起来是高流量时缓存被清理，导致了更多的文档检索，从而破坏了上下文窗口。” 然而在我们的实际工作中，推行这个机制会遇到重重阻力： 借口1：“这太技术了，是工程师的事” - 现实是： 现代可观测性工具是为产品团队构建的。你看到的不是堆栈跟踪，而是用户旅程。 - 你看到的不是： “第187行出现空指针异常” - 你看到的是： “AI检索了7个文档，生成响应耗时2.4秒，忽略了3个文档。”如果你能看懂漏斗图，你就能看懂链路追踪。 借口2：“我们没时间做这个” - 现实是：搭建可观测性： 30分钟。 - 在没有它的情况下，调试一次真实故障： 2-3天。 一个金融科技创业公司，花了整整两周时间，去调试为什么他们的Agent会给出鲁莽的投资建议。如果有可观测性，5分钟就能发现，是一个“be aggressive (要激进)”的字符串意外溜进了提示词模板。修复只需一行代码，但损失的信任却需要数月弥补。 借口3：“我们的AI没怎么出问题” - 这是最致命的无知。 AI的失败是“潜在”的：它看起来是对的，即便它错了。 - 一个旅游机器人10%的时间会订错城市 → 只有少数倒霉蛋会抱怨。 - 一个推荐引擎给阿拉斯加人推荐泳衣 → 点击率看起来还行，但收入在悄悄流失。 如果产品不具备可观测性，那就是一只温水里的青蛙。 那如何构建一套可观测的系统呢？ 其实有大量的方案，比如监控token与性能可以使用helicone，如果是统计成功率与失败情况也可以使用类似signoz的数据服务 第一步是要有意识构建观测数据，第二步是实施系统，第三步是定位分析问题，最终才能解决，以下有两个实际生产过程中如何依靠这类可观测系统来解决问题的： 案例一：无限循环的客服Agent 一个客服Agent开始疯狂地给同一张工单回复50多次。 链路追踪显示： - Agent读取工单 ✓ - 判断“需要更多信息” ✓ - 提出澄清问题 ✓ - 客户回复 ✓ - Agent丢失了之前的对话上下文 ✗ - 返回第2步，无限循环… 根源： 缺乏对话状态管理。 结果： 有了可观测性，几小时内修复。没有它，工程师们猜了好几天模型参数。 案例二：你不知道自己构建的“隐藏架构” 一个旅游机器人本应预订旧金山(SF)的机票，却总是推荐圣地亚哥(San Diego)。 链路追踪显示： 一个简单的用户请求，背后竟然并行运行了三个隐藏的Agent（预算Agent、本地体验Agent、研究Agent），这是AI框架自发创建的，并非团队有意设计。这些“额外”的Agent干扰了检索结果。 根源： 真实的系统架构与设想的不符。 结果： 有了可观测性，一条路由规则就解决了问题。没有它，团队还在争论是不是模型“又幻觉了”。 当你了解了这些，就会对团队进一步提出要求 首先PM就应该调整自己的思路 之前（靠希望驱动）： 写10页PRD，充满“应该理解用户意图”等模糊描述，然后丢给工程师。 之后（靠数据驱动）： 分享5条失败的链路追踪：“看，这里机器人把旧金山和圣地亚哥搞混了。”然后定义可衡量的成功标准：“城市解析准确率必须 > 99%。” 需求文档，不再是空洞的需要，而应该是数据。 高级可观测性技术 - A/B测试模型和提示词： 在生产环境中，将5%的流量路由到实验模型，实时对比GPT-4o-mini和Claude-3.5-Sonnet在真实场景下的表现，用数据决定哪个更优。 - 响应拓扑映射 (Response Topology Mapping)： 视觉化地展示AI的决策路径。一个法律AI助手通过这种方法发现，中等长度的查询总是掉进一个“决策盲区”，导致准确率低下。解决方案不是优化提示词，而是直接砍掉这个有问题的决策路径。 - 故障模式谱系 (Failure Mode Genealogy)： 追溯故障的“家族树”。一个客服机器人有23种不同的失败模式，通过谱系分析发现，其中19种都源于3个共同的根本原因。只做了3个底层修复，就解决了83%的Bug。 最后的核心要点： - 链路追踪揭示真实架构： 它往往与你设计的不同。 - PM必须标注数据： 你的判断定义了成功，而不是LLM的。 - 从PRD转向链路追踪： 你的需求，就是你的评估标准。 “AI好像坏了”和“AI在下午3-5点，当用户使用移动设备且查询词超过50个字时会失败”，这两者之间的区别，就是可观测性。 而只有后者，才能真正帮助你定位并解决问题。

推荐看看，专业程序员写提示词是不一样的，更精准，引用一目了然👍 我以前用 Cursor 也这么写，要精确的引用，现在用 Claude Code 简单省心多了，一般只是关键的文件引用一下，其他的都是让它自己去找，CC 在找代码补气上下文方面相当强。 对于不那么专业或者想偷懒省心的话，我的建议是这样的： 首先一定要配合 git，因为 CC 没法回滚代码 有了git，养成好习惯每次让 CC 更新代码前 commit 一下，你也可以加到 Claude MD 文件，让它每次完成任务都帮你 commit 配合好 git 就放心的加 --dangerously-skip-permissions 参数，别中间还要确认，CC 最佳实践就是抽卡，也就是你也别想太多太细，先扔个提示词让它写个版本试试看，然后根据结果再调整，要么追加一点要求，要么回滚调整提示词重试 对于复杂一点的任务，shift + tab 两次进入 plan mode，先让它定个任务计划，确认计划没问题再开始，这样可以有效避免走岔 写好的代码要审查，不要偷懒，审查配合 VSCode 的 源代码对比视图最直观，GitHub Desktop 官方客户端也不错。审查的时候小问题手动就修改了，也不一定要再让它继续。 让 CC 写单元测试代码或者修复单元测试，要告诉它怎么运行验证单元测试（只运行单个测试文件），这样它就会在写完单元测试代码后运行验证，如果出错了就自己修改，知道运行通过。当然也要审查，有时候它会为了通过测试“不择手段”。 改 bug 的话，最好就是把错误日志扔给它，那种有错误堆栈的最好，有错误信息、代码行、文件路径的最好，CC 能精准的定位到文件和可能的错误位置。 如果没有错误日志就难一些，最好还是先人工复现，能复现后告诉 CC 重现的步骤、期望的结果、实际结果，可以配合截图。 CC 的截图很坑，Mac 上是 Ctrl + V 而不是 CMD + V，新手很难知道。但截图很有用，在做 UI 的时候，一图胜千言。 用 CC 或者 AI 做项目，多用流行的技术栈，比如 React、Nextjs、shadcn/UI、Tailwind CSS 这些，效果最好，你不需要教它 API 怎么写。 如果需要引用外部文档，最好手动把相关文档复制粘贴过去，而不要让它自己联网检索，因为网页内容无关信息太多，不如手动复制粘贴精准。也可以本地建一个文档，让它可以直接读取。

做了一个结构更清晰样式更美观的版本，把如何向大语言模型提问这件事儿彻底说清楚了~ Mom Test for Prompt 如何向大语言模型 LLM 提问？ 让 LLM 说实话的 6 条 Prompt 硬规则 感谢 @binggandata 提供的 Info Graphic 设计风格灵感，真好看呀~