shutear

@python_xxt 同考虑买本子，我初步意向联想小新Pro 16GT. 不过感觉参数好乱…

我在考虑买个本子，但不考虑Mac 各位彦祖亦菲，请给点建议🫡

如何写出美好的东西 有个叫阿兰 · 德波顿（Alain de Botton）的人，写了好多好多书，在 YouTube 上有将近一千万粉丝。有人问他：你怎么写出那么好的东西。 德波顿的回答特别有意思。总结起来，有五大写作秘密。 秘密一：写作就像考古，先找第一个碎片 德波顿说，写作就像考古。你在地里挖到一小块碎陶片，你知道其他碎片就在附近，但你得慢慢挖，慢慢拼。一本书就是这么来的。没有人一开始就想到一整本书，大家都是先想到一句话、一个画面、一个碎片。 如果你坐在电脑前，发愁“不知道怎么开始写”，别担心，这很正常。只需要先写一个碎片就好。 秘密二：写作最需要的是痛苦 德波顿说：写作最需要的不是才华，而是痛苦。 梵高画鸢尾花的时候，不是在画一朵花。梵高孤独、绝望、没人理解，他画的其实是“活下去的最后一个理由”。梵高那么痛苦，那些花才那么美丽。 德波顿补充说：别傻，别去找痛苦。痛苦会自己来找你。你只要安静坐着，生活自然会给你足够的素材。只要你真的能放开自己，去感受生活。 秘密三：写不出来，是不够诚实 德波顿说，写不出来，其实不是没东西写，而是害羞。心里明明有话，但觉得“这个不该说”、“这太奇怪了”、“别人会笑我”等等。羞耻感把你堵住了。 打破写作瓶颈的药方是：多问自己，我到底在想什么。我真正想说的是什么。然后诚实地写下来。 秘密四：写作是一种复仇 德波顿还有一个很酷的观点：写作其实是一种复仇。 很多作家见面的时候特别温柔，说话轻声细语，看起来谁都不会得罪。但你翻开他们的书，哇，全是火力。因为大量优秀的作家，在生活里不太擅长反击，所以会把所有的力量都放进了文字里。 那些不相信你的人，那些不理解你的人，那些踩过你的人，现实生活中可以不理会。安静之处，写出一本书出来，就是最好的回应。 秘密五：写作的全部诀窍是诚实 有人问德波顿：如果让你去大学教一学期的写作课，你会教什么。 德波顿说，我会先问学生：为什么想当作家。也许不该当作家，也许有更轻松更好玩的事情等着你呢。 然后会带他们去公园，大家看同一棵树，回来各写各的。先写“你觉得应该写什么”，再写“你脑子里真正在想什么”。第二个版本，就是真正的写作。 诚实地感受，诚实地写作，这就是写出美好东西的全部诀窍。 原始采访视频如下，非常推荐静心观看。 youtube.com/watch?v=LInND2…

@ricksuzade @repoog @dotey 不太认同，说AI写的没有灵魂有点造作，但缺少真情实感的文章，终究是食之无味的。最大的套路是真诚…

@repoog @dotey 我感觉对以后的小孩来说，不必再做ai能做的事，而应该把精力放在ai还做不了的事上，写作文就交给ai吧，比99%的人都写得好。

你的同学小明发现 DeepSeek 写作功能强大，便打算以后所有的作文都用它完成，不再自己动笔。 你会怎样劝说他?

@Jiaxi_Cui 随时随地访问 Claude 是个痛点，做自己喜欢用的东西，值得点赞👍 从您的视频，我看到了有趣的邮件交互。

认清自己要做的事非常重要，而不是顺势而为，不然站在风口前夕你也感受不到的 比如和朋友聊天提到去年七月我就做过远程控制 Claude Code 的插件，当时随手发了一下就有 1.2k 的 star，社区非常活跃。我的初衷是方便我自己不在电脑前，可以操控 Claude 干活的 朋友觉得可惜，说差点就变成了 OpenClaw 但我觉得并不是，因为我确实想不到 OpenClaw 会火爆，这就说明这并不是我的机会，哪怕10月11月能看到 Agentic RL 非常有用，但我也不觉得这会变成一个好项目

Take yourself seriously and experience becoming.

"Build something people truly enjoy using" is a good journey. Openclaw taking AI to IM is a great leverage.

语音纯正，内容有趣，音词同步，值得推荐。

Cool animation.

@yyyole 有趣，我家娃也是幼儿园，带着娃多去体验挺好。

一个做幼师的朋友告诉我，现在她们被要求把AI融入课堂，有趣味性，互动性。 才惊觉，AI幼儿融合教育，大风口啊！！ 准备 vibe 一个软件系统，主要用于幼儿AI融合课，一个“儿童绘画 + 识别抠图 + 动态场景互动”的课堂工具。 比如小孩们每人画一辆车，拍照上传到系统，自动识别抠图，可以放置到一个2.5D的城市地图背景里，车子可以在里面跑起来。 但发现，好像已经有同样的软件了，按月付费，还不便宜。 管他呢，做个出来，以后跟我我孩子玩。

对于学习 AI Agent 来说，简化为 LLM Loop 方便理解，但学习应用与工程化应用不是一个量级。

飞书 CLI 开源了，为什么 AI Agent 时代，大家都在做命令行工具？ 飞书刚开源了一个命令行工具 lark-cli，能让 AI Agent 直接操作飞书：发消息、查日历、写文档、建多维表格、发邮件、管任务。你跟 AI 说一句话，它自己去操作飞书完成任务。 类似的 CLI 还很多，三周前 Google 也开源了 gws，让 AI Agent 操作 Google Workspace。2026 年了，所有想接入 AI Agent 的产品，都在做 CLI。 【1】先说 CLI 是什么 CLI（Command Line Interface），就是你在电脑上打开一个黑底白字的终端窗口，敲一行命令，回车，电脑帮你干活。 比如你要查今天的日程，不用打开飞书 App 找日历，敲一行： lark-cli calendar +agenda 日程就列出来了。 没有按钮，没有图标，没有花哨的界面。CLI 比图形界面早了二十多年，在 Windows 时代逐渐没什么人用了。但 AI Agent 时代，又火起来了。 【2】为什么 AI Agent 时代，大家都在做 CLI AI Agent 要干活，就得有操作工具的能力。你让 AI 帮你订会议室，它需要能访问日历系统。你让它帮你整理客户数据，它需要能读写表格。你让它帮你部署代码，它需要能跑部署命令。 总得有一个接口让 AI 去调用。API 也能做这件事，但 CLI 有一个 API 不具备的优势：CLI 是自描述的。AI 碰到一个陌生的 CLI，敲一下 --help 就知道有哪些能力、怎么用、参数怎么填。API 不行，AI 得先拿到文档、弄清端点、搞懂认证方式，才能动手。CLI 自带说明书，AI 拿来就能用。 而且 CLI 天然是用文本交互的，输入是文字，输出也是文字。AI 最擅长处理的就是文字。反过来，让 AI 操作 GUI 就绕远了，得截图、用视觉模型识别按钮在哪、再模拟鼠标去点，一行命令能搞定的事拆成四步，每步都可能出错。对 AI 来说，CLI 就是天然的操作界面。 【3】那 MCP 和技能呢 让 AI Agent 操作外部服务，现在主流有三种方式：MCP、CLI、技能（Skills）。三者不是互相替代的关系，各管一件事。 CLI 是实际干活的工具。装完之后终端里就能跑命令，查日历、发消息、建表格，都是 CLI 在执行。 MCP 也是让 AI 操作外部服务的，但方式不同。MCP 是提前把工具清单注册给 AI，AI 随时能调用，但清单本身常驻上下文窗口（可以理解为 AI 的“工作记忆”，空间有限）。就算 AI 暂时不用某个工具，它的描述也占着空间。CLI 是 AI 需要的时候自己去终端敲命令，用完就走，不占上下文。 另一个区别是组合能力。CLI 可以靠管道和参数组合出没预设过的操作，比如： lark-cli calendar agenda --next-week | grep“张三” | wc -l 一行命令就能查出下周和张三有几个会。MCP 的每个能力都需要提前注册，要实现同样的效果，得单独定义一个新工具。 不过 MCP 有自己的适用场景。在不支持命令行的环境里（比如 Cursor、Claude 桌面端），MCP 是唯一选择。两者各有所长：能访问终端的场景用 CLI 更轻量灵活，不能访问终端的场景靠 MCP。 技能是给 Agent 看的说明书。它不干活，但告诉 Agent 这个 CLI 有哪些命令、什么场景该用什么参数、出错了怎么处理。没有技能文件 Agent 也能用 CLI，靠 --help 自己摸索。有了技能文件，Agent 一上来就知道该怎么操作，成功率高得多。 简单说：CLI 是手，MCP 是另一种手，技能是肌肉记忆。飞书这次开源的项目，CLI 和技能一起提供。 【4】怎么给 AI 写好一个 CLI 不是随便写个命令行工具 AI 就能顺畅地用。如果你想给自己的产品做一个面向 AI 的 CLI，飞书的设计有几个值得参考的地方。 第一，help 文本是你最重要的文档。AI 碰到不认识的 CLI，第一件事就是运行 --help。你的 help 文本就是工具说明书、参数规格、使用指南三合一。别写那种“Usage: myctl deploy [flags]”就完事的帮助信息，要写清楚每个参数干什么、什么时候用、有什么默认值。飞书 CLI 还有一个 schema 命令，可以快速查询任何 API 方法的参数、请求体、响应结构、支持的身份和权限范围。AI 看到这些信息就能自己决定怎么调用。 第二，支持 dry-run，这是为 AI 设计的安全网。AI 会自己做决策，有时候它理解错了你的意图，或者匹配到了不该动的数据。dry-run 相当于一个“预览”机制。 举个例子，你让 AI 帮你删除飞书多维表格里上个月的过期数据。如果直接执行，删错了就没了。加上 --dry-run，AI 会先跑一遍，返回类似这样的结果：“将要删除以下 47 条记录：2025-05 的过期任务 23 条，已归档项目 24 条。未做任何实际修改。”你看了觉得没问题，再让它去掉 --dry-run 真正执行。Google 的 gws 也做了同样的设计，它的技能文件里甚至写死了一条规则：对所有写入和删除操作，必须先 dry-run。 第三，错误信息要能指导下一步操作。人看到“Permission denied”会自己去查文档。AI 看到“Permission denied”就卡住了。飞书 CLI 的做法是：告诉 AI 你缺了什么权限，顺便把申请权限的命令也给出来。比如 lark-cli auth login --scope“calendar:calendar:readonly”。AI 看到就能自己修复问题，继续干活。为 AI 设计的 CLI，每一条错误信息都应该包含三个要素：哪个参数出了问题、具体错在哪里、下一步应该执行什么命令来修复。 第四，返回结构化数据，控制好输出量。飞书 CLI 支持 json、csv、table 等多种输出格式。对人来说 table 更顺眼，对 AI Agent 来说 json 更可靠。好的 CLI 不只是能跑通，还要方便被别的工具消费。同时要控制输出量。AI 的上下文窗口有限，如果一个命令返回一万行日志，上下文就炸了。飞书 CLI 提供了分页参数（--page-limit）和过滤参数，让 AI 能拿到它需要的那部分数据就好。 不管你是设计 CLI 的人还是用 CLI 的人，记住这条：让 Agent 动手之前，先让它 dry run 一遍。 【5】装完之后，你动嘴，Agent 动手 装完之后用起来就是：你说一句话，Agent 去操作飞书把事情办了。 你开完会，跟 AI 说“把刚才会议里提到的所有待办都提出来，该发文档的发文档，该建任务的建任务”。AI 读会议纪要，拆解出待办事项，然后逐条执行：用 lark-cli doc create 在飞书里建文档，用 lark-cli task create 建任务并指派给对应的人，用 lark-cli im send 把结果通知到群里。整个过程你只说了一句话，Agent 在终端里跑了一串命令。而且因为有 dry-run，你可以让它先预览一遍要建哪些任务、发给谁，确认没问题再真正执行。 你要约一个五人跨时区的会，跟 AI 说“帮我看看下周大家什么时候有空”。AI 去查每个人的日历和时区，推荐几个时间段，你选一个，会就建好了。 你甚至可以让 AI 在飞书文档里直接帮你写初稿，你在文档里留评论提意见，AI 读完评论自己改。整个协作过程不用离开飞书。 安装也简单，npm install -g @larksuite/cli 装 CLI，npx skills add github.com/larksuite/cli -y -g 装技能文件。你甚至不用自己记这两步，把项目地址 github.com/larksuite/cli 发给 Agent，让它自己安装、自己学会怎么用。 【CLI 的回归】 过去四十年，计算机的界面进化方向一直是从 CLI 到 GUI，从文字到图标，从键盘到触屏，对人越来越友好。 AI Agent 时代，方向反过来了，软件的用户变成了 AI Agent。CLI 这个为文字世界设计的接口，恰好是 AI 最顺手的工具。 既然 Agent 成了软件新的用户增长点，那么像飞书提供 CLI 也不稀奇，与其等着社区来写 MCP 适配层，不如直接做一个 AI 原生的 CLI，完全开源，无需注册审批，让所有 AI Agent 都能接入。 这也带来一个绕不开的问题：Agent 的权限怎么给？不给权限，什么都做不了；权限太高，又怕 Agent 理解错意图干出不可逆的事。毕竟还做不到让 Agent 代你审批、代你发全员邮件。dry-run 能兜住一部分风险，但真正要让 Agent 在企业里大规模跑起来，权限体系、审计追踪、人机协作的边界，都还在摸索中。 但换个角度想，当年我们把公司的钱从保险柜搬到网银，把合同从纸质搬到电子签，也都是一步步摸索出来的。CLI 和 dry-run，可能就是这个过程里的第一步。 而飞书做这件事，其实有一个别人不太容易复制的优势：它本身在企业协作领域已经足够成熟，消息、文档、日历、审批、多维表格、任务，这些能力都是现成的。现在把这些能力通过 AI 原生的 CLI 全部开放出来，大概率会成为国内对 AI Agent 最开放、最友好的企业级接入入口。这件事的价值不止是多一个工具，更像是真正在为 Agent 时代搭建企业级基础设施，把权限、审计、组织能力开放给整个生态，对行业落地 AI Agent 会是很关键的一步。

作为一个石家庄的程序员爸爸，看到“一个小女孩一直在刷那种 AI 生成的短视频”思索很久，如果娃在这种短视频环境长大挺可怕、挺可悲的。一定要接触好的东西，只有看过好的东西，自己才不会将就。写程序也是如此，很多事不能迁就。

@syhily @yxmyyds 不了解教师认证流程，仅教资就可以拿到教育优惠吗？谢谢！

咸鱼老哥真牛逼，什么都能卖。买了个Mac想享受教育优惠补贴，咸鱼老哥直接一通操作给我干成在校生了。😂 直接800折扣再叠加国补1500，立减2300。

In 2019, MIT professor Patrick Winston gave a legendary 1-hour lecture called “How to Speak.” It has 18M+ views for a reason. His frameworks: • Your ideas are like your children • The 5-minute rule for job talks • Why jokes fail at the start 15 lessons on communication:

“每一个选择，都是用更高的系统复杂度换更可靠的最终输出。” 曾因 word 转 pdf 折腾够呛，支持MiniMax Office的选择👍

非常棒的说服思路👍。立人设、故事引导、结合业务、夹带“私货”、如何做。“用户思维”、换位思考很重要。

很好的建议，让学生直观感受AI 做事的能力，种下一颗感兴趣的种子很重要。Michael 的 Openclaw Rover以及控制在线电器很直观、很生动。

@Michaelzsguo @MiniMax_AI Based on my experience with Claude's ppt skill, the second picture should be generated by Claude.

These skills released by @MiniMax_AI is so underrated. But Claude code has high regard with their competing pptx skill, comparing to its own: Bottom line: Both use PptxGenJS, but MiniMax's skill is significantly more mature as a presentation tool. It has a proper design system, formal slide taxonomy, theme contract, QA process, and detailed layout patterns. The Claude Code skill is more of a general "handle pptx files" tool, while MiniMax's is a "create beautiful, consistent presentations" system. I used both MiniMax and Claude Code PPTX skills to generate the same slide for my Trip Optimizer app. Which one looks better? Or can you guess which is which?

@Michaelzsguo Rover looks so cool. My daughter will definitely like it. I have experience with software, but little experience about hardware. I am curious about your hardware.

A thread 🧵 My OpenClaw rover can now move around my house based on commands I send from Telegram. Previously I described the hardware. Today I’ll walk through how the software side is implemented. OpenClaw Rover is a split-brain robot stack: AI reasoning and chat control run on Pi5, while real-time motor control runs on Pi Zero + Arduino. The design goal is simple: natural-language control with deterministic motion, safety watchdogs, and observable telemetry.

It looks cool for its deterministic（Same command, same output schema, every time. Pipeable, scriptable, CI-friendly) and zero LLM cost. Have a try.