Smith铜匠・十点睡觉
2.5K posts
Smith铜匠・十点睡觉
@smithandai
学习和分享怎么用好claude和codex,每晚10点睡觉,其他的交给Ai 每周拆解真实场景,用AI来重构工作和生活 日拱一卒,主攻 AI 与自动化,要具备指挥agent集群作战的能力 分享真实生活,结交朋友
井 เข้าร่วม Aralık 2019
592 กำลังติดตาม1.6K ผู้ติดตาม
都在说谷歌不行了,连海外御三家都变成了Anthropic/OpenAI/Cursor;
为啥还没有一个类似谷歌能够真正理解视频的模型,
为啥呢?
中文
AI给我们带来的是能力的提高;
但是这种能力还是需要深入融合进业务;
不同的业务+AI,就是新时代的赚钱利器;
让我们冷静一点,审视自己的内心,梳理自己的业务,哪些可以用AI来提效?哪些有新的增长机会?这个机会再实际商业模型下可以做到盈利吗?
当智力水平面提升的时候,商业的水平面肯定也是提升的,就像我们小时候吃苹果还要刮一下表面的蜡,随着生产力的提升,已经很少人给苹果打蜡了.
业务的模型一直都在,在AI时代,怎么构建自己的核心竞争力,怎么确保自己的小生意不被替代,是需要一直思考的问题.
huangserva@servasyy_ai
中文
我估计Anthropic对订阅用户会保留一定的Fable5的使用额度,可能是总额度的4分之一;
毕竟太好用了,
一般人只要用过就想多用;
这样子才可以转化更多的API用户.
GPT5.6不知道啥时候给订阅用户用;
中文
最近看github,发现两个项目刷爆趋势榜：Caveman（83k ⭐）和 Ponytail（73k ⭐）。一个让 AI 学会闭嘴，一个让 AI 学会偷懒。
Caveman（穴居人）
效果就是：AI 回复直接变短，没有“当然可以！”“希望这能帮到你”那种客套话，上来就甩代码、甩命令、甩结果。
原理简单粗暴：给 AI 脑门上贴个规则——“别废话，说重点”。它要求 AI 只留技术词、代码、路径、错误信息，把解释和寒暄全砍了。你问它问题，它就像个惜字如金的高手，只给关键信息，读起来特省眼。但也有实在的时候：如果你本来就问得短，AI 本来就没两句，那加了这个规则反而可能多耗一点算力。所以它最适合经常让 AI 解释长东西、做代码审查、debug 的人。
Ponytail（马尾）效果就是：AI 写代码突然变精了。加功能不再哐哐装新库、不再造一堆花里胡哨的组件，而是先翻你的项目里有没有现成的，再看系统自带的能不能用，最后才自己动手写一点。结果代码少了一大半，依赖也干净了。
原理也很接地气：给 AI 注入一个“懒高级工程师”的灵魂。每次写代码前先问三连：这功能真需要吗？标准库或现有代码能干吗？非得自己写，能不能一行搞定？就这一套，能让 AI 少做很多无用功。测试下来，同样的任务代码量能少一半以上，而且没影响安全性，该有的校验它并不会偷掉。适合天天让 AI 写功能、修 bug，又嫌它老过度设计的人。
这俩根本不冲突。Caveman 管的是嘴，Ponytail 管的是手。 一个让你少读废话，一个让你少维护废代码。
作为一个成年人,强烈建议两个都安装!
🔗 Caveman: github.com/JuliusBrussee/…
🔗 Ponytail: github.com/DietrichGebert…
中文
Underrated life advice: Have more hobbies and fewer opinions. Learn an instrument. Plant a garden. Build something with your hands. Cook. Paint. Run. The happiest people I know spend less time debating life and more time actually living it.
English
这个人说他们把把 230 万条 Claude Fable 5 的reasoning traces 蒸馏进 Qwen3-4B，让小模型学会了解题过程。
按照他们的开源结果,效果很好,几乎0偏移;
在token开启涨价潮,以后就是强模型产出高质量轨迹，小模型负责高频、低成本、可本地跑的执行层。
ali@waterloo_intern
we distilled 2.3M Claude Fable 5 reasoning traces into Qwen3-4B - 100% self-consistency @ 512 samples - 0.00 bits output entropy - zero hallucination variance turns out the student is not bounded by the teacher. it also converged on one universal truth. we open-sourced the model weights👇
中文
我整理了一下,作者的观点是这样的：互联网早就把知识分发成本压到了零，但专业判断力——医生的诊断直觉、律师的起草能力、工程师的设计感一直锁在少数受训练的人脑子里，没法复制。这是经济里最古老的瓶颈之一。而这个瓶颈，正在破裂。
他用 iPhone 做类比：2007 年第一代智能手机卖 500
美元，是富裕消费者的奢侈品；十五年后，同等算力的手机在发展中国家集市不到 50 美元就能买到，全球超过 60亿部。任何颠覆性技术都走同一条路：顶端切入（价值密度支撑高价）→ 沿成本曲线下沉（规模化、组件专业化）→走向普及。智能的下沉会比手机更快，因为是两条曲线同时压：硬件在变便宜，模型本身的效率也在变高，两种折扣同时复利。
作者接着反驳了一个常见恐惧："机器抢工作"背后藏着一个假设——工作总量固定。历史上这个假设每次都被证伪，工作不会消失，只会移动：瓶颈从"获得专业能力"变成"决定用它做什么、哪些判断值得信任、谁为结果负责"。
但他真正的落点是最后一句更狠的话：如果所有公司都从同一个供应商那租同一种通用智能，没有人有优势。真正的护城河，来自把自己的专有优势、隐性知识编码进自己控制的系统里运行，而不是租用现成的通用智能接入通用流程。
专业能力正在变便宜，但便宜的是"能力"本身，不是"用这份能力做什么判断"——那部分，永远得自己写下来。
Chamath Palihapitiya@chamath
中文
