【AI 奏折】2026年06月16日

共收录 14 篇深度内容

📋 今日内容速览

快速浏览，点击感兴趣的推文查看详细分析

1. iGeekbb: 学历不足导致职场困境，后悔未重视教育。
2. 赵纯想: Coze3.0颠覆前代设计，彻底革新品牌风格。
3. Mr Panda: AI失业潮或引发经济萧条，政府企业均难幸免。
4. Mr Panda: 美国限制AI访问将加速对手崛起，削弱自身优势。
5. Mr Panda: 构建稳定AI应用需兼顾提示、上下文与系统控制三层工程。
6. Berryxia.AI: 开源12B本地模型实现顶级代码能力消费级硬件可跑
7. AI Will: 马斯克善激发团队潜能，以紧迫感驱动执行，聚人才创奇迹。
8. huangserva: 通用AI需具备可模拟环境的世界模型。
9. GitHubDaily: Ian Xiaohei Scenes可将抽象概念转为视觉配图，支持多种用途和模式。
10. iGeekbb: 男女消费差异大，男性困境少被关注。
11. 宝玉: 作者抽奖送书回馈读者，参与转发评论即有机会获奖。
12. GitHubDaily: 46种实战编程模式，含多语言代码示例与系统案例分析。
13. Jackywine: AI设计平庸因缺排版系统，此书教网格系统提升排版能力。
14. 宝玉: AI时代高效团队需主动担当、重态度、持续探索、资深者动手、减少自我意识。

📖 详细内容

iGeekbb @igeekbb

发一些碎碎念和有趣的东东，主打一个快分享。-私信开放欢迎投稿- | 影响力: 74.97k万粉丝

💡 核心观点: 学历不足导致职场困境，后悔未重视教育。

可信度: 8/10 – 1项声明可直接验证；2项需进一步确认；2项为观点陈述

事实核查:

• ◐ 部分可验证: 中考落榜后提前步入社会，因年龄不够只能在工厂做打杂的临时工 (个人经历可通过就业记录或工厂雇佣记录验证，但需当事人提供具体信息（如工厂名称、时间等），否则仅能视为单方面陈述)
• ◐ 部分可验证: 因工厂新招大量员工而被突然解雇 (工厂裁员原因可通过内部文件或劳动部门记录验证，但需具体证据（如解雇通知、工厂招聘数据），否则依赖个人描述)
• ✓ 可验证: 大企业和好公司非常看重学历 (可通过企业招聘要求（官网、招聘平台）或统计数据（如学历与就业率关联研究）验证，但需明确具体企业或行业范围)

原文内容:

失败贯穿了整个人生，从中考失利开始，你往后所做的任何事，都不能称之为“计划”，而是“被迫”，被自己所迫。

一位中考落榜提前步入社会的网友自述，因为年龄不够，只能在工厂做打杂的临时工，由于工厂新招了大量员工而突然被解雇。他以为天生我材必有用，现实当中也是被狠狠按在地上摩擦。

面对社会的残酷毒打，主播深刻后悔当初没有继续求学拿个好文凭，意识到在如今的社会中，大企业和好公司都非常看重学历。

⏰ 22:03 | ❤️ 29点赞 | 📝 171字 | 查看原文 →

↑ 返回顶部

赵纯想 @chunxiangai

http://laper.ai – AI剧作 http://bellybook.cn – 胃之书 http://love.chunxiang.space – 入门课程 http://chunxiang.ai – 顾问服务 http://motherbase.app – 出海神器 | 影响力: 38.16k万粉丝

💡 核心观点: Coze3.0颠覆前代设计，彻底革新品牌风格。

可信度: 10/10 – 2项声明可直接验证；1项需进一步确认；2项为观点陈述

事实核查:

• ◐ 部分可验证: Coze3.0与1.0、2.0版本没有任何关系 (需通过官方版本更新日志或技术文档对比功能架构差异，但”没有任何关系”属于绝对化表述，可能存在夸大成分。)
• ✓ 可验证: 采用蓝紫色品牌Logo和Claude风格书信典雅配色 (可通过Coze官方界面截图或设计规范文档直接验证视觉方案的变更。)
• ✓ 可验证: 字节跳动团队推翻整个代码仓库从头开发 (涉及企业内部开发流程，除非官方公开技术复盘报告，否则无法验证代码重构范围和决策过程。)

原文内容:

Coze3.0，和1.0，2.0，没有任何的关系。
这叫自我颠覆式创新。
做出违背祖宗的配色革新，顶着一个蓝紫色的品牌Logo颜色，全局采用Claude风格书信典雅配色。这叫史诗级撞色。
我羡慕子节的同学，领导大笔一挥，就能全员推翻过去整个代码仓库从头再来。这何尝不是一种创业训练营。

⏰ 21:12 | ❤️ 56点赞 | 📝 103字 | 查看原文 →

↑ 返回顶部

Mr Panda @pandatalk8

AI builder & indie founder. Building products, writing ideas, and selling myself in public.
公众号：PandaTalk8 | 影响力: 74.88k万粉丝

💡 核心观点: AI失业潮或引发经济萧条，政府企业均难幸免。

可信度: 6/10 – 1项声明可直接验证；1项需进一步确认；1项为观点陈述

事实核查:

• ✓ 可验证: 吴军2016年8月出版的《智能时代》一书中提到，人工智能技术发展会替代越来越多的人类劳动者，政府需要为此提前做好准备。 (可通过查阅《智能时代》原书或官方出版信息确认书中是否存在该观点。书籍内容为公开记录，可直接验证。)
• ◐ 部分可验证: 现在十年了，显然政府在这方面并没有做好准备。 (需通过政府公开政策、失业率数据、AI相关就业保障措施等综合评估“准备”程度，但“显然”为主观判断，部分依赖解读。)
• ◦ 观点: 如果AI导致大量失业，人们不再为AI买单，最终所有企业将进入经济大萧条。 (该声明为基于假设的因果推论（“如果…那么…”），属于主观预测，无直接事实支撑，且涉及复杂经济变量，无法客观验证。)

原文内容:

吴军2016年8月 出版的《智能时代》 一书中提到， 人工智能技术发展，会替代越来越多的人类劳动者，政府需要为此提前做好准备，以应对大量的失业。 

现在十年了，显然政府在这方面并没有做好准备。 

如果AI会导致越来越多的失业，那么人们就不会再继续为AI买单，那么最后就是所有的企业都跟着一起进入经济大萧条，  没有人和组织能躲开。

⏰ 20:33 | ❤️ 23点赞 | 📝 134字 | 查看原文 →

↑ 返回顶部

Mr Panda @pandatalk8

AI builder & indie founder. Building products, writing ideas, and selling myself in public.
公众号：PandaTalk8 | 影响力: 74.88k万粉丝

💡 核心观点: 美国限制AI访问将加速对手崛起，削弱自身优势。

可信度: 8/10 – 1项声明可直接验证；3项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: 美国限制外国人访问最新 AI 模型，可能刺激其他国家自研或转向中国模型。 (美国对AI模型的限制政策可通过政府文件或官方声明验证（如商务部出口管制清单），但“刺激自研或转向中国模型”属于基于历史趋势（如GPU禁令）的推测，需观察后续市场反应和数据支撑。)
• ◐ 部分可验证: Nvidia GPU出口限制加速了中国芯片和AI加速器的发展。 (中国本土GPU/AI芯片（如华为昇腾、寒武纪）的研发进展可通过企业公告或行业报告验证，但“加速”需对比限制前后的技术突破时间线，部分数据可能不公开。)
• ✓ 可验证: AI模型的竞争包括可访问性、生态和全球分发，而不仅是性能。 (开源模型（如Meta的Llama）与闭源模型（如GPT-4）的访问政策、区域合规性（如欧盟GDPR）等均可通过企业官网或法规文件直接验证。)

原文内容:

美国限制外国人访问最新 AI 模型，可能是在给自己挖坑。

GPU 禁令已经证明了一件事：

你越不卖给中国，
中国越会加速自研。
Nvidia GPU 出口限制，直接刺激了中国芯片和 AI 加速器的发展。

几年后，中国很可能不只是买家，而是全球 GPU / AI 加速器市场的重要玩家。

现在，同样的剧情，可能会在 AI 模型上重演。

原本很多国家愿意直接用美国模型。

但如果美国说：

“你不能用。”
“你只能受限制地用。”
“你不在白名单里，不能访问最新模型。”

那结果会是什么？
他们会自己做模型。
或者转向中国模型。

美国原本掌握的是全球 AI 模型市场的入口。

但一旦把“全球可用性”亲手削弱，市场就会开始寻找替代品。

AI 模型的竞争，不只是性能竞争。

还是可访问性竞争、生态竞争、全球分发竞争。

未来投资人也会重新计算：

一个只能在美国及少数盟友市场使用的模型，

和一个可以在全球市场流通的模型，

到底谁的商业价值更大？

美国想用限制保护领先优势。

但很可能，限制本身正在加速竞争对手的崛起。

⏰ 20:29 | ❤️ 35点赞 | 📝 338字 | 查看原文 →

↑ 返回顶部

Mr Panda @pandatalk8

AI builder & indie founder. Building products, writing ideas, and selling myself in public.
公众号：PandaTalk8 | 影响力: 74.88k万粉丝

💡 核心观点: 构建稳定AI应用需兼顾提示、上下文与系统控制三层工程。

可信度: 10/10 – 2项声明可直接验证；1项需进一步确认；2项为观点陈述

事实核查:

• ◦ 观点: 真正稳定、可控、可复现的 AI 应用通常由三层组成：Prompt Engineering、Context Engineering、Harness Engineering (该声明是对AI应用架构的主观分类，缺乏公开标准或行业共识支持，属于作者的观点而非客观事实。)
• ◐ 部分可验证: Prompt Engineering 解决单次调用质量问题，包含角色、目标、流程、约束、输出、自检等核心要素 (Prompt Engineering 的要素（如角色、流程等）在OpenAI等官方文档中有提及，但“解决单次调用质量”的效能需实测验证，且具体要素组合的普适性未明确。)
• ✓ 可验证: Context Engineering 需要结合用户输入、知识库、API等外部信息，并通过检索、筛选、压缩等步骤管理上下文 (类似流程在LangChain等框架文档中有明确描述（如RAG技术），且知识库/API集成是行业通用实践，可通过公开技术资料验证。)

原文内容:

Prompt、Context、Harness 工程全景图

做 LLM Agent 应用时，很多人只关注 Prompt。
但真正稳定、可控、可复现的 AI 应用，通常由三层组成：

Prompt Engineering、Context Engineering、Harness Engineering。
它们像三个同心圆：

最内层是 Prompt Engineering，决定模型这一次要“做什么”。
中间层是 Context Engineering，决定模型此刻“知道什么”。
最外层是 Harness Engineering，决定模型“如何可靠地做，并持续变好”。

1. Prompt Engineering：指令层

Prompt 是最内层，也是最直接的一层。
它负责告诉模型：
你是谁？
你要完成什么任务？
你应该按照什么步骤思考？
你要遵守哪些约束？
最终输出成什么格式？

一个好的 Prompt 通常包含几个核心要素：

角色 Persona：定义模型扮演的角色。
 目标 Purpose：明确这次任务要达成什么。
 流程 Process：告诉模型按照什么步骤完成。
 约束 Policy：限制边界、风格、长度、格式。
 输出 Presentation：规定输出结构，比如 JSON、表格、Markdown。
 自检 Proof：要求模型在输出前检查逻辑和错误。

Prompt Engineering 解决的是单次调用质量问题。
它让模型更容易理解任务，更稳定地输出符合预期的结果。

但 Prompt 有一个明显限制：
它只能影响模型这一次怎么回答，无法保证模型长期拥有正确、完整、实时的信息。

2. Context Engineering：上下文层
Context Engineering 是中间层。
它解决的问题是：
模型在回答之前，应该拿到哪些信息？
在真实产品里，模型不能只靠内置知识回答。它需要结合：
用户输入
历史对话
知识库
文档
网页
数据库
API
工具执行结果
短期记忆和长期记忆

Context Engineering 的核心能力，是把这些信息进行管理：

先检索，再筛选；
先压缩，再排序；
再把最重要的信息注入给模型。
常见流程是：
用户提出问题。
系统从知识库或数据库中检索相关内容。
对结果进行过滤、去重、排序。
把长内容压缩成模型能理解的摘要。
最后将高价值信息放入上下文窗口。
Context Engineering 解决的是信息质量问题。
它让模型少猜测、少幻觉、少遗漏。
如果上下文太少，模型会编。
如果上下文太多，模型会分不清重点。
如果上下文顺序混乱，模型会被无关信息干扰。
如果上下文过期，模型会基于错误事实做判断。
所以，Context Engineering 的关键不是“塞更多信息”，而是“给模型刚好需要的信息”。

3. Harness Engineering：外层系统层
Harness Engineering 是最外层。

它解决的问题是：
如何让 AI 应用可靠运行、持续迭代、可以上线？
这里的 Harness，可以理解为模型外部的工程框架和运行系统。

它包括：

Agent Loop
工具调用系统
权限控制
错误处理
日志追踪
Guardrails
自动化测试
评估系统
版本管理
成本控制
部署发布
监控告警

如果说 Prompt 是指令，Context 是信息，那么 Harness 就是执行环境。

一个典型 Agent Loop 包含三步：
第一步：收集上下文。
第二步：采取行动。
第三步：校验结果。

如果结果不满足条件，就继续反馈、修正、重试，直到完成任务或触发停止条件。

Harness Engineering 解决的是可靠性问题。
它让模型输出可以被验证，工具调用可以被追踪，错误可以被恢复，系统可以持续优化。
没有 Harness，AI 应用很容易停留在 Demo 阶段。
有了 Harness，AI 才能进入真实业务流程。
三层之间的关系
这三层不是互相替代的关系，而是逐层增强。
Prompt Engineering 关注单次表达。
它决定模型要做什么。
Context Engineering 关注信息供给。
它决定模型知道什么。
Harness Engineering 关注系统运行。
它决定模型如何可靠地做，并且持续变好。
一个简单的总结是：
Prompt 决定任务。
Context 决定知识。
Harness 决定可靠性。

常见错误

很多 AI 应用效果不好，问题通常不在模型本身，而在工程层设计不完整。
常见的 Prompt 错误是：
目标不清楚。
约束不明确。
输出格式不稳定。
只写一句话就期待模型完成复杂任务。

常见的 Context 错误是：

不给背景信息。
检索结果噪声太大。
上下文太长，没有压缩。
关键信息顺序混乱。
记忆机制缺失。
长期知识没有更新。
常见的 Harness 错误是：
没有工具调用闭环。
没有评估机制。
没有日志和可观测性。
没有错误恢复。
没有成本和权限控制。
没有自动化测试。
这些问题都会导致 Agent 看起来“很聪明”，但用起来“不可靠”。
最佳实践

做高质量 LLM Agent 应用，可以按照下面的顺序设计：
先定义目标和约束，再写 Prompt。
先检索相关信息，再放入上下文。
先压缩和排序，再注入模型。
所有输出都要可校验、可追踪、可评估。
用数据和评估结果驱动迭代优化。

衡量一个 Agent 是否成熟，可以看几个指标：
准确率是否提升。
相关性是否提升。
幻觉率是否下降。
任务完成率是否提高。
延迟是否可控。
成本是否可控。
失败是否可以恢复。
一句话总结
Prompt Engineering 让模型听懂任务。
 Context Engineering 让模型掌握信息。
 Harness Engineering 让模型可靠执行。

真正的 AI 工程能力，不只是写好一句 Prompt，而是把 Prompt、Context、Harness 三层系统化设计好。

⏰ 18:36 | ❤️ 65点赞 | 📝 1368字 | 查看原文 →

↑ 返回顶部

Berryxia.AI @berryxia

| 影响力: 39.76k万粉丝

💡 核心观点: 开源12B本地模型实现顶级代码能力消费级硬件可跑

可信度: 10/10 – 2项声明可直接验证；2项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: 一个12B的本地模型基于Google的gemma-4-12B-it微调，专门针对代码生成和复杂推理 (模型是否基于gemma-4-12B-it微调可通过开源代码或官方文档验证，但“专门针对代码生成和复杂推理”需实测或查看训练配置确认。)
• ✓ 可验证: 训练数据使用了Composer 2.5的真实通过案例，并用Fable 5补全难搞的case (训练数据细节通常未完全公开，尤其涉及第三方工具（Fable 5）的贡献，除非提供具体数据集或合作证明。)
• ✓ 可验证: 模型为GGUF格式，12GB显卡或CPU可离线运行 (GGUF格式兼容性和硬件需求可通过模型文件说明或社区实测（如Hugging Face仓库）直接验证。)

原文内容:

一个12B的本地模型，直接把Fable 5的推理链条蒸馏进去了，现在你能在消费级显卡上离线跑顶级coding能力。

这个Gemma 4 12B Coder GGUF是基于Google的gemma-4-12B-it微调的，专门针对代码生成和复杂推理。

训练数据里用了Composer 2.5的真实通过案例，还让Fable 5帮着补全那些难搞的case，结果就是每一步推理都导向能真正跑通的代码。

最爽的是它走GGUF格式，12GB显卡就能顺畅跑，甚至CPU也能用。

调试、补全代码、生成复杂算法、做链式思考提示，全都本地搞定，不用交API费、不用担心导出管制。

以前大家觉得前沿模型要么云端用要么根本跑不了，现在开源社区直接把Fable 5的思考方式打包成能塞进你笔记本的版本。

模型还在快速迭代，下载量已经破六千，社区反馈它在本地coding场景里特别能打。

这波操作把“强大但受限”和“本地可用”之间的鸿沟给填上了。

真正的AI生产力，从来不是等大厂放行，而是社区自己动手把能力解放出来。

⏰ 16:14 | ❤️ 123点赞 | 📝 296字 | 查看原文 →

↑ 返回顶部

AI Will @financeyf5

增长顾问 | AI行业分析师，Learn in Public | 影响力: 187.89k万粉丝

💡 核心观点: 马斯克善激发团队潜能，以紧迫感驱动执行，聚人才创奇迹。

可信度: 10/10 – 2项声明可直接验证；2项需进一步确认；1项为观点陈述

事实核查:

• ✓ 可验证: Tom Mueller是SpaceX的第一号员工 (可通过SpaceX的官方历史记录、员工名单或公开采访（如公司官网、维基百科等）确认Tom Mueller的早期员工身份及其在SpaceX的职位。)
• ◦ 观点: Elon Musk能激发员工的兴奋感，让人愿意尝试疯狂的事 (此为Tom Mueller的主观评价，反映个人感受，无法通过客观事实直接验证，但可通过其他员工的公开采访间接佐证。)
• ◐ 部分可验证: Elon Musk注重紧迫感和执行力，能逼出团队成员最好的一面 (部分可验证，例如通过SpaceX的项目时间表（如火箭研发周期）或员工绩效记录间接反映执行力，但“逼出最好一面”涉及主观判断。)

原文内容:

SpaceX第一号员工Tom Mueller谈Elon Musk为什么能成事：

"他能点燃你的兴奋感，让你觉得什么疯狂的事都想去干。"
"一切围绕紧迫感和执行力，他真的能把每个人最好的一面逼出来。"
"他特别擅长找人、招人，成功的关键就是组一支强队。"

来自第一个跟Musk一起造火箭的人，这评价分量够重的。

⏰ 15:49 | ❤️ 72点赞 | 📝 104字 | 查看原文 →

↑ 返回顶部

huangserva @servasyy_ai

古早程序员 | AI出海 | 自由职业
机车游侠&机速购&骑享租创始人
15年前 freelance 起步 → 连续创业者 → 亏过1个亿，逆风翻盘中
分享创业，AI，读书，生活，健身 | 影响力: 28.75k万粉丝

💡 核心观点: 通用AI需具备可模拟环境的世界模型。

可信度: 8/10 – 2项声明可直接验证；1项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: 任何能泛化到多样目标的智能体，必然学到了一个可模拟环境的世界模型，而且能从它的策略里反解出来。 (该声明基于DeepMind的论文观点，可通过论文内容部分验证，但“必然”这一绝对化表述需依赖更多实验或理论支持，且“世界模型”的具体定义和反解方法需进一步技术分析。)
• ◦ 观点: 没有世界模型，就谈不上真正的通用AI。 (这是对通用AI实现路径的主观论断，目前学术界对“世界模型”是否为通用AI的必要条件存在争议（如Brooks与Ilya的争论），缺乏统一结论。)
• ✓ 可验证: AI会写代码、会规划，但它真懂这个世界吗？ (“懂”是主观定义，无法通过客观标准验证；AI的代码和规划能力可实测（如GitHub Copilot），但对其“理解”的评估属于哲学或认知科学范畴。)

原文内容:

人工智能越来越像个"智能体"，能编写代码、制定规划  
但它真的理解这个世界吗？  

本视频深度解析DeepMind的一篇论文：  
https://richardcsuwandi.github.io/blog/2025/agents-world-models/…  

任何能泛化处理多元目标的智能体，必然已习得一个可模拟环境的世界模型，并能从其策略中逆向推导出该模型。  

从布鲁克斯与伊利亚的经典论战，到实验验证，再到"经验时代"与Genie 2的诞生——我们将探讨为何缺乏世界模型，就无从谈及真正的通用人工智能。

⏰ 15:20 | ❤️ 21点赞 | 📝 114字 | 查看原文 →

↑ 返回顶部

GitHubDaily @github_daily

挖掘开源的价值
坚持分享 GitHub 上高质量、有趣、实用的教程、AI工具、前沿 AI 技术
A list cool, interesting projects of GitHub.
公众号：GitHubDaily | 影响力: 77.87k万粉丝

💡 核心观点: Ian Xiaohei Scenes可将抽象概念转为视觉配图，支持多种用途和模式。

可信度: 6/10 – 1项声明可直接验证；2项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: Ian Xiaohei Scenes 是一个 Codex Skill，能将抽象想法转化为通俗易懂的视觉配图 (可通过 GitHub 链接查看项目描述和功能，但“抽象想法转化为视觉配图”的实际效果需实测验证，依赖用户主观判断。)
• ✓ 可验证: 提供两种模式：标准模式（16:9 纯白背景配图）和彩蛋长卷模式（超长横图近白背景） (GitHub 项目页面的文档或示例可直接展示这两种模式的输出效果及参数说明。)
• ◐ 部分可验证: 可用于生成文章、帖子、教程等内容的配图 (GitHub 可能提供用例示例，但具体适用性需用户实测，部分场景（如“认知拆解”）效果难量化验证。)

原文内容:

《Ian小黑场景》是一款颇具趣味的Codex技能工具，能将抽象概念转化为通俗易懂的视觉配图。

提供两种创作模式：标准模式采用16:9比例纯白背景正文配图，彩蛋长卷模式则生成高级近白背景的超长横向画卷。

适用于为文章、社交帖子、教程指南、案例研究、项目复盘、工作流程、认知解析及个人经历等内容生成配套插图。

GitHub项目地址：https://github.com/helloianneo/ian-xiaohei-scenes…

⏰ 15:30 | ❤️ 20点赞 | 📝 95字 | 查看原文 →

↑ 返回顶部

iGeekbb @igeekbb

发一些碎碎念和有趣的东东，主打一个快分享。-私信开放欢迎投稿- | 影响力: 74.97k万粉丝

💡 核心观点: 男女消费差异大，男性困境少被关注。

可信度: 6/10 – 1项声明可直接验证；1项需进一步确认；2项为观点陈述

事实核查:

• ✓ 可验证: 10块钱的快餐只有男人在吃 (该声明缺乏具体数据或调查支持，无法通过公开渠道验证快餐消费者性别比例，属于笼统概括。)
• ◐ 部分可验证: 20块钱一杯的奶茶都是女人在排队 (部分奶茶品牌可能公布消费者画像数据（如性别比例），但需具体品牌案例支持；”都是”一词绝对化，实际难以完全验证。)
• ◦ 观点: 女人蹲路边吃盒饭时，10个男人9个会心疼；男人蹲路边吃盒饭时，10个女人9个会嫌弃 (该声明为对他人心理反应的推测，无客观统计依据，属于主观观点或刻板印象表达。)

原文内容:

最近很火的一段话是这么说的：
10块钱的快餐只有男人在吃，
20块钱一杯的奶茶都是女人在排队。
如果一个女人蹲在路边吃盒饭，
10个男人9个都会心疼，
可如果一个男人蹲在路边吃盒饭，
10个女人9个都会嫌弃。
唯一一个心疼他的，可能只有他的妈妈了。

⏰ 14:50 | ❤️ 295点赞 | 📝 98字 | 查看原文 →

↑ 返回顶部

宝玉 @dotey

Prompt Engineer, dedicated to learning and disseminating knowledge about AI, software engineering, and engineering management. | 影响力: 0万粉丝

💡 核心观点: 作者抽奖送书回馈读者，参与转发评论即有机会获奖。

可信度: 10/10 – 4项声明可直接验证；1项需进一步确认

事实核查:

• ◐ 部分可验证: 抽奖活动将于北京时间本周五中午12点开奖，抽10人，参与方式为转发、引用或评论推文 (抽奖时间、规则和参与方式明确，但需实际观察开奖过程或后续中奖名单发布才能完全验证。Grok的抽奖过程无公开记录，依赖用户单方面执行。)
• ✓ 可验证: 中奖者可选择实体书（限内地）或电子书，中奖后通过私信联系 (奖品发放方式依赖推主后续操作，无公开的第三方监督或历史记录可查证。)
• ✓ 可验证: 配套GitHub项目库（JimLiu/Illustrated-Agent-Skills）包含书中未收录的实用Skills (GitHub链接可公开访问，内容与声明一致（如interview-analysis等Skills存在）。)

原文内容:

抽奖活动来啦！为感谢读者对《图解Skill——AI提效实战指南》的支持，特此举办抽奖，将抽取10位幸运读者，开奖时间为北京时间本周五中午12点。

参与方式非常简单：只需转发、引用或评论本条推文即可。中奖者可选择实体书（限中国大陆地址）或电子书，开奖后我将通过私信联系获奖者。

由于X平台暂无官方抽奖工具，我将使用@grok辅助抽奖（经实测有效）。

虽然不确定在评论中添加提示词是否能提高中奖几率，但我会提醒Grok做好防范措施，特别要过滤不良内容和AI生成内容。

已购书读者可前往配套GitHub项目库查看更多内容，其中包含书中未收录的实用基础Skills，例如我用于播客访谈稿的分析与写作Skills：interview-analysis和interview-writing，以及日常整理AI资讯的info-digest Skill。

图书配套项目库：JimLiu/Illustrated-Agent-Skills https://github.com/JimLiu/Illustrated-Agent-Skills…
京东购书链接：https://u.jd.com/RDY9YwC

⏰ 11:17 | ❤️ 201点赞 | 📝 266字 | 查看原文 →

↑ 返回顶部

GitHubDaily @github_daily

挖掘开源的价值
坚持分享 GitHub 上高质量、有趣、实用的教程、AI工具、前沿 AI 技术
A list cool, interesting projects of GitHub.
公众号：GitHubDaily | 影响力: 77.87k万粉丝

💡 核心观点: 46种实战编程模式，含多语言代码示例与系统案例分析。

可信度: 10/10 – 3项声明可直接验证；2项需进一步确认

事实核查:

• ✓ 可验证: 收录了超46种常用的编程模式，并配有真实项目代码示例。 (可通过访问GitHub仓库（http://github.com/Totoro-jam/battle-tested-patterns）直接查看模式数量、代码示例及来源项目。)
• ◐ 部分可验证: 编程模式均是从React、Linux、Go、Redis等知名项目的源码里提炼出来。 (需检查GitHub仓库中模式的具体来源标注，但部分项目（如Linux）的源码关联性可能需要进一步代码比对确认。)
• ✓ 可验证: 提供TypeScript、Rust、Go、Python四种语言的实现，基于不同语言不同风格。 (GitHub仓库中可直接查看多语言实现的代码文件，语言种类和风格差异可验证。)

原文内容:

Battle-Tested Patterns，收录了超46 种常用的编程模式，并配有真实项目代码示例。

这些编程模式均是从 React、Linux、Go、Redis 等知名项目的源码里提炼出来。

涵盖数据结构、并发、系统设计、内存管理等方向，每个模式都配有可交互的可视化演示。

一个资料网站，介绍46种常用的编程模式，配有真实项目的代码实例。

GitHub：http://github.com/Totoro-jam/battle-tested-patterns…

提供 TypeScript、Rust、Go、Python 四种语言的实现，基于不同语言不同风格。

还有配套上千道配套测试的练习题，按难度划分等级，写完直接跑测试验证。

另外还整理了 9 个系统案例分析，讲 React、Git、Node.js 怎么组合使用多个模式的，中英双语文档都有。

如果我们觉得设计模式太理论，想看看真实项目里到底怎么写代码的，这份资料可以收藏学习下。

⏰ 12:00 | ❤️ 22点赞 | 📝 230字 | 查看原文 →

↑ 返回顶部

Jackywine @jackywine

Prompt Engineer | 端侧 AI | Anthropic,OpenAI,Google AI·用户
不过是工作之余分享一些 AI、设计、产品、一人公司的普通网友罢了
Telegram channel：http://t.me/jackywineEarth | 影响力: 42.44k万粉丝

💡 核心观点: AI设计平庸因缺排版系统，此书教网格系统提升排版能力。

可信度: 6/10 – 1项声明可直接验证；1项需进一步确认；2项为观点陈述

事实核查:

• ◐ 部分可验证: 该Skill教你的Agent使用平面设计中最强大的网格系统 (需通过实际测试或查看Skill的具体功能说明来确认其是否真正教授“最强大的网格系统”，但“最强大”是主观表述，无法完全客观验证。)
• ✓ 可验证: 这本书巨厚，有162页 (可通过查看该Skill的配套文档或书籍的公开信息（如目录、页数）直接验证。)
• ◦ 观点: 掌握人类最强大的排版系统后，你的Agent设计将不再平庸 (设计是否“平庸”是主观评价，且“最强大”缺乏客观标准，属于推广性表述。)

原文内容:

友友们，这个看起来不错！ 
你的 AI 设计看起来很平庸，因为它不懂任何真正的排版系统

这个 Skill 决绝问题 → 它教你的Agent使用平面设计中最强大的网格系统（这本书巨厚，有 162 页

这样，你的 Agent 相当于掌握了人类最强大的排版系统，试试吧~

⏰ 10:08 | ❤️ 107点赞 | 📝 89字 | 查看原文 →

↑ 返回顶部

宝玉 @dotey

Prompt Engineer, dedicated to learning and disseminating knowledge about AI, software engineering, and engineering management. | 影响力: 0万粉丝

💡 核心观点: AI时代高效团队需主动担当、重态度、持续探索、资深者动手、减少自我意识。

可信度: 8/10 – 1项声明可直接验证；2项需进一步确认；2项为观点陈述

事实核查:

• ◐ 部分可验证: Lovable 2024年上线，8个月做到1亿美元年收入，2025年底完成3.3亿美元B轮融资，估值66亿美元 (公司融资和估值数据通常可通过科技媒体、Crunchbase或官方新闻稿验证，但需确认具体时间点和收入数据的来源是否公开。)
• ◦ 观点: 招人看态度不看简历，技能不能预测一个人能否成事，好奇心、韧劲和学习心态更重要 (这是关于招聘策略的主观观点，缺乏客观标准或数据支持，无法直接验证其有效性。)
• ◐ 部分可验证: AI让个体贡献者的杠杆效应急剧放大，深度使用AI的资深工程师或设计师可能是公司最强大的组合 (可通过案例研究或公司内部绩效数据间接验证，但需具体实例或公开指标支持，目前仅为观察性结论。)

原文内容:

Lovable 的设计负责人 Felix Haas 在社交媒体上分享了一篇关于"AI 时代高效团队"的观察，七条经验总结，来自这家增长速度惊人的 AI 创业公司内部视角。

几条有意思的观点：

第一，别像员工一样等安排。影响力最大的人不问"这归谁管"，看到问题直接上手。主人翁意识不是靠分配的，只能靠自己拿。

第二，招人看态度不看简历。技能当然重要，但光有技能几乎不能预测一个人能不能成事。真正跑出来的人靠的是好奇心、韧劲和学什么都愿意学的心态。在 AI 时代，这一点比过去更明显。

第三，好奇心和沉迷 AI 是两回事。真正用好 AI 的人不是天天刷资讯，而是不断去试那些没人让他试的东西，追那些可能根本走不通的想法。大多数人不会这么做，但少数坚持的人，回报是指数级的。

第四，让资深的人重新动手。这是 Haas 觉得最有意思的现象：经验丰富的管理者重新变成了 builder（建造者）。AI 让个体贡献者的杠杆效应急剧放大，一个深度使用 AI 的资深工程师或设计师，可能是当下公司里最强大的组合。

第五，自我意识是速度的敌人。Haas 说他从没见过自我意识让公司变快，但见过它让公司变慢。最快的团队不太在意谁拿功劳，只在意什么方案有效。

第六，先发布再迭代。一周的内部讨论，抵不上一天的真实用户反馈。最强的团队不追求发布前完美，而是追求尽快学到东西。发布本身就是他们学习的方式。

这些观点单独看并不新鲜，不过 Lovable 这两年发展的确实不错，2024 年上线，8 个月做到 1 亿美元年收入，2025 年底完成 3.3 亿美元 B 轮融资，估值 66 亿美元，是欧洲增长最快的 AI 公司之一。

尤其是“让资深的人重新动手”这一条，可能是 AI 时代最容易被忽视的组织变化。当 AI 工具足够强大，过去被提拔到管理岗、远离一线的高手，重新获得了亲手做事的能力和动力。

⏰ 10:37 | ❤️ 340点赞 | 📝 597字 | 查看原文 →

↑ 返回顶部