【AI 奏折】09月18日

x每日奏折2小时前发布 tianming

7 0 0

【AI 奏折】2026年09月18日

共收录 21 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

dontbesilent: 大流量传播让购买理由触及所有潜在决策者。
知识猫AI实验室: 低成本复刻抖音视频工作流，AI工具全流程自动化。
宝玉: 研究员利用Claude攻破OpenAI员工账号。
Mr Panda: 推荐学习英语的优质账号Rey，内容开智且粉丝忠诚。
宝玉: ChatGPT Pro高效辅助技术方案设计，集成GitHub优化开发流程。
向阳乔木: Jev是高性价比的快速决策模型，专注结构化任务。
priyank joshi: 用户不满印度创始人公司封号停福利，指责其忘恩负义。
宝玉: 非工程师应关注功能、性能和安全，代码细节可忽略。
布丁: 作者计划离职后低成本旅居，首站惠州月预算4700元。
karminski-牙医: Qwen3.8性能大幅提升且API费用暴降98%。
宝玉: AI智能将因自适应计算加速商品化，成本持续下降。
小互: Neuralink成功将失语患者脑信号转为语音输出。
GitHubDaily: AI提示词优化工具prompt-master能自动生成精简高效的指令。
karminski-牙医: Jev的护城河是RLCD技术，虽精准但缺乏灵活性。
karminski-牙医: 高效低价模型Jev适合实时生产场景。
karminski-牙医: Jev模型专注结构化决策输出，放弃传统文本生成能力。
宝玉: Claude Projects改版借鉴Slack Thread实现多任务并行处理。
priyank joshi: Grok 4.7性能超越4.6，达Opus 5.0级，但响应略慢。
Robinson · 鲁棒逊: 身体替心灵完成了不被允许的崩溃。
李岳: GPT Image 2.5生成复古CCD风格旗袍女性歌剧院图片。
李岳: AI生成古风女性雪景肖像，突出清冷贵气与真实质感。

📖 详细内容

dontbesilent @dontbesilent

商业哲学爱好者
开源了我的商业/内容方法论：dbskill
抖音/小红书/视频号：dontbesilent 聊赚钱
9.11 深圳线下课：微信 dbs2408 | 影响力: 0万粉丝

💡 核心观点: 大流量传播让购买理由触及所有潜在决策者。

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: 高客单短视频打法的核心是先定义产品、明确买家和购买理由，再反推内容，且认为做内容无需在意流量 (该声明描述了某种营销方法论，可通过行业案例或营销专家分析间接验证，但“无需在意流量”是主观策略主张，缺乏普适性数据支持。)
◐ 部分可验证: 大流量传播的价值在于让购买理由穿过使用者、付款者、推荐者等多角色，最终抵达真正买家 (传播路径理论（如KOL模型）可部分支持此观点，但具体效果依赖产品类型和实际转化数据，需结合具体案例验证。)
✓ 可验证: 养老险的购买者可能是子女而非父母，通过“子女如何让父母体面安度晚年”等叙事改变决策链 (保险行业存在“家庭决策”现象，可通过保险销售数据或用户调研验证（如子女为父母投保的占比）。)

原文内容:

《大流量传播的底色》
作者：dontbesilent

引言

流量负责让故事穿过足够多的人
叙事决定谁会觉得这个产品和自己有关

正文

网上流传着一种所谓的「高客单短视频打法」

先定义产品，再明确买家和购买理由，最后反推内容。因为买家明确，所以做内容不用在意流量，甚至应该反对大流量

但我认为真正会买的人，未必是第一个看到内容的人

大流量传播的价值，就是让一套购买理由穿过使用者、付款者、推荐者和决策者，最终抵达真正的买家

一旦只按照年龄、性别和职业定义买家，得到的很容易是一张看起来精准、实际上残缺的买家画像

举个例子，如果我的产品是给 60 岁以上的回国华侨售卖养老险

听起来的确大流量没什么用，因为如果你不是 60 岁以上，你没法买；你不是海外华侨，你也不会买

可是我能不能让 30～40 岁的子女给他的父母买呢？

我能不能做一条视频，叫「子女如何让父母体面地安度晚年」？

「给 60 岁以上的回国华侨卖养老险」，讲的是老年人购买保险

「子女如何让父母体面地安度晚年」，讲的是子女怎样处理自己与父母的关系

叙事不只是把同一件产品换一种说法

叙事会改变「谁觉得自己和这次购买有关系」

同一件产品里，使用者、付款者、决策者、影响者和推荐者可能是不同的人

养老险的使用者可能是父母，付款者可能是子女；法律服务的决策者可能是老板，把内容推给老板的人可能是家人；线下课的购买者是儿子，最先接触内容的人却可能是父亲

拿我线下课来举例，基本都是谁来上课，谁就自己给自己买票，不太可能买一个线下课的门票送给别人，除非是老板买给员工做培训

但我线下课的实际情况是，有人是他爸刷到了我，他爸让他看看我的账号

所以，虽然这些所谓的不精准流量不会直接购买我的产品，但是这些人可以把内容推荐给能买我产品的人

从叙事角度看，这些人不是无效流量，而是购买叙事的传递者

高客单产品往往很难让一个人看完视频立刻买单

内容需要经过转发、推荐和比较，最后才到达有决策权的人

所以，一条内容除了让目标顾客看懂，还要让目标顾客身边的人能够说明：这件事为什么和他有关系

能够被转述的购买理由，才有机会穿过关系链，到达真正的买家

当然，就算这条视频流量很大，大多数人依然不会买，可是这里面还有一个覆盖率的问题

如果我做所谓的精准流量，我只能让 5% 以内的华侨子女看到

我如何让 50% 以上的华侨子女都看到呢？就必须让这条视频全网爆火

所以，不管你的父母在不在海外，你都得给我看

哪怕你和你的父母都在国内，你也得给我来做数据

因为我要把我的五秒完播率干到 60% 以上

你想让 5000 个有决策权的老板看见你的视频，你说流量不用很大，这个事儿我理解

但假如我需要让 10 万个有决策权的老板看见我的视频，那我的视频播放量一定不能只有 10 万吧？

我是不是起码干个 200 万到 500 万的播放，才有可能让 10 万个有决策权的老板看见我的视频？

也就是说，得有好几百万不买单的人来帮忙做数据

真正需要追求的，是足够多的目标顾客最终进入购买链

所以，我理解的「明确买家」，至少要明确三件事

1、谁使用，谁付钱，谁决策
2、谁能把这个故事转述给真正会买的人
3、谁能在这个故事里认出：这件事和我有关系

流量负责让故事穿过足够多的人

叙事决定谁会觉得这个产品和自己有关

⏰ 13:11 | ❤️ 34点赞 | 📝 1154字 | 查看原文 →

↑ 返回顶部

知识猫AI实验室 @geekcatx

10年+大厂程序员｜AI内容工程师
用 AI 做图、做视频、搭工作流
分享真实作品、工具与增长实验
探索一人公司的更多可能
学习/咨询/合作 vx:gnipbao | 影响力: 0万粉丝

💡 核心观点: 低成本复刻抖音视频工作流，AI工具全流程自动化。

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: 使用Hypit克隆拆解视频工作流，可通过gemini反重力安装skill反推视频工程 (工具名称（Hypit、gemini反重力）无公开官方信息或文档支持，但类似视频解析技术存在；需实测验证具体操作流程是否可行。)
◐ 部分可验证: runninghub开源API（H3模型）可加速工作流，消耗rb币且可通过咸鱼采购 (runninghub链接可访问但需确认其开源性和API真实性；rb币交易依赖第三方平台（咸鱼），存在信息不对称风险。)
✓ 可验证: 豆包语音TTS2可免费克隆人声，需CapCut分离原视频音频 (豆包语音为字节跳动产品，其免费额度和TTS功能可查；CapCut的音频分离功能已广泛验证。)

原文内容:

兄弟们，我用这套方法轻松复刻抖音30w博主视频工作流，同样是低成本复刻，教学如下：

1. Hypit 克隆拆解出视频可复用的工作流。（省流建议：gemini 反重力里安装这个skill 把视频到工程目录下进行反推，后面交给codex对接后续流程）

2. 接入私有API 比如H3模型。这里我用的是runninghub开源的加速工作流api（非常便宜消耗的是rb币，可以通过咸鱼便宜采购）

这里是两个工作流：图生视频为主
https://runninghub.cn/post/2084935567606894593/?inviteCode=cdqybscj…
https://runninghub.cn/post/2085190320597331969/?inviteCode=cdqybscj…

3. 接入豆包语音tts2，完成配音。（豆包这里有一些免费额度，需要开通授权，可以找一些好的视频解说用capcut把人声单独分离出来用来克隆声音这样效果更好）

4. 后期剪辑合成全部交给GPT-6 Astra  （plus用户也可以用5.6 这里完全够用）

5. 将上述过程封装成skill，方便下次同一个主题快速产出视频。

⏰ 13:03 | ❤️ 35点赞 | 📝 243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: 研究员利用Claude攻破OpenAI员工账号。

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:

◐ 部分可验证: 安全公司 Hacktron 的三名研究员利用 Claude 编写的攻击代码，通过串联两个高危漏洞接管了多名 OpenAI 员工的 ChatGPT 账号 (可通过《华尔街日报》的跟进报道（若存在）或 Hacktron 的公开报告（9月13日）部分验证，但需确认报告真实性及漏洞细节是否公开。OpenAI 官方未直接回应此事，漏洞修复状态需官方确认。)
✓ 可验证: OpenAI 社区论坛的 Discourse 因基于未打补丁的 Debian 12，导致 libheif 堆溢出漏洞可被利用执行任意代码 (libheif 漏洞代码修改记录可通过开源仓库（如 GitHub）查证；Debian 12/13 的补丁状态可通过官方包管理工具验证；Discourse 的 Docker 镜像基础系统信息可公开查询。)
◐ 部分可验证: OpenAI 的 SSO 配置缺陷允许攻击者通过论坛服务器直接接管用户账号，无需受害者操作 (SSO 漏洞需依赖技术报告或第三方复现，但涉及内部系统细节可能未完全公开；OpenAI 若未发布安全公告则难以完全验证。)

原文内容:

这个新闻也挺劲爆的，堪比当年 OpenAI 黑进 HuggingFace，不过这次是三名研究员用 Claude 黑进 OpenAI，用一张图片，拿下员工账号

安全公司 Hacktron 的三名研究员在 7 月 25 日串联两个高危漏洞，接管了多名 OpenAI 员工的 ChatGPT 账号，攻击代码主要由 Anthropic 的 Claude 写出。

为了证明权限又不接触敏感信息，他们只让其中一名员工的 Codex 在 OpenAI 内部主代码仓库 openai/openai 里开了一个无害的 PR，随后停手。漏洞已修复，Hacktron 9 月 13 日公开了完整过程，《华尔街日报》随后跟进报道。

一、在 OpenAI 官方社区论坛发有毒的图片

入口是 OpenAI 的官方社区论坛 http://community.openai.com，它用的是开源论坛软件 Discourse。用户上传 HEIC 图片（iPhone 默认的照片格式）时，Discourse 会交给 ImageMagick 转换，底层由图像库 libheif 解码。

libheif 有一个堆溢出漏洞，上游去年就改了相关代码，但没标注为安全修复，也没有 CVE 编号，Debian 12 和 13 因此一直没同步补丁，而 Discourse 的 Docker 镜像正好基于 Debian 12。结果是上传一张特制图片，就能在论坛服务器上执行任意代码。

二、黒进 OpenAI 自己的登录系统

论坛支持“用 OpenAI 账号登录”。OpenAI 的单点登录（SSO，一个账号通行多个服务）配置有缺陷，拿下论坛服务器后，活跃论坛用户的 ChatGPT 和 Codex 账号可以被直接接管，受害者不需要做任何操作。被接管的那名员工，Codex 连着 OpenAI 的 GitHub 组织。

Hacktron 强调，任何接入 OpenAI SSO 的服务被攻破，后果都一样，Discourse 只是其中一条路。由于 ChatGPT 和 Codex 可以连接各种外部服务，理论上能触及的范围包括 GitHub、Slack 和邮件。

三、之前 Opus 4.8 没成功，Opus 5 几小时搞定

研究员 7 月 23 日开始审查，先用 Opus 4.8 检查 Discourse 镜像里的 libheif，找到了没被回移植的补丁；24 日写出了关闭 ASLR 条件下可用的利用代码，但开启 ASLR 之后，开了好几个会话都没成功。
注：ASLR 是操作系统的内存地址随机化防护，开启后攻击者很难预测代码在内存中的位置，利用难度高出一大截。

当晚 Anthropic 发布 Opus 5。新会话 3 小时内在本地 Mac 上跑通，25 日早上 6 点在 Discourse 的环境里确认可用；随后 Claude 在自主循环中攻击研究员自己的 Discourse Cloud 实例，10 点再看时已经成功。用生成的脚本，他们拿下了 OpenAI 的论坛实例。

一个细节：Opus 拒绝为远程真实目标写利用代码，研究员把自己的测试实例通过代理伪装成 CTF（夺旗赛）靶场，才让它继续。

四、整次入侵花费不到 3000 美元 

按 Hacktron 原文，3000 美元是整个“HEIF Heist”项目的 token 总花费，这个项目历时两个月，目标还包括 Slack、Zoom、Meta 等，由三名研究员完成；OpenAI 这一单只用了智能体几天时间，外加几小时人工。

把利用代码适配到一家新公司，通常只要一两天，而且往往不知道对方的 libheif 版本和部署环境。Hacktron 还提到，在这种对目标一无所知的场景里，从 Opus 5 换到 OpenAI 的 GPT-5.6 Sol，能力又有一次明显提升。他们发出了数千张图片，对方的图像处理服务反复崩溃，据他们所知只有 Shopify 察觉到了。

Hacktron 自己也说，这不算完全自主的攻击，有经验的人来引导仍然重要。

最后

从最初发现到进入 OpenAI 仓库不到 72 小时。OpenAI 在收到报告约 14 小时后确认修复。Discourse 周六收到报告，周一补丁就绪，还给图像处理加了沙箱，7 月 28 日发布安全公告。

OpenAI 9 月 1 日支付了 6500 美元赏金，并特别说明：论坛本来被明确排除在赏金计划之外，这笔钱只奖励 OpenAI 自身那部分发现，不包括针对 Discourse 的操作。

⏰ 12:57 | ❤️ 47点赞 | 📝 965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: 推荐学习英语的优质账号Rey，内容开智且粉丝忠诚。

可信度: 4/10 – 2项需进一步确认；1项为观点陈述

事实核查:

◐ 部分可验证: Rey 的老号有4万多人关注，后来无故被封号了。 (可通过查看 Rey 的新号或社交媒体平台的历史记录部分验证粉丝迁移或封号情况，但“无故”封号的原因通常无法公开验证，除非平台官方声明。)
◦ 观点: Rey 分享的内容很开智（有启发性）。 (这是推文作者的主观评价，无客观标准验证“开智”与否，属于个人观点。)
◐ 部分可验证: Rey 是青岛人，十一这趟回山东老家，准备去青岛。 (个人籍贯和行程属于私人信息，除非 Rey 本人公开确认或提供证据，否则无法独立验证。)

原文内容:

如果你正在学习英文， 一定不要错过 Rey 这个号， 他之老号4万多人关注， 后来无故被封号了。  
很快重新又起来了， 都是老粉支持， 他分享的内容我觉得是很开智的 
Rey 是青岛人， 十一这趟回山东老家， 准备去青岛爽几天。

⏰ 12:41 | ❤️ 27点赞 | 📝 84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: ChatGPT Pro高效辅助技术方案设计，集成GitHub优化开发流程。

可信度: 7/10 – 1项声明可直接验证；3项需进一步确认

事实核查:

◐ 部分可验证: ChatGPT Pro可以接收GitHub地址并分析代码生成设计文档 (需实测验证ChatGPT Pro是否支持直接输入GitHub链接并解析代码生成文档，官方文档未明确说明此功能。)
◐ 部分可验证: ChatGPT Pro支持连接GitHub账号以访问私有仓库和提交PR (需检查ChatGPT Pro设置中是否有GitHub账号绑定选项及权限范围，但未在公开资料中找到明确功能描述。)
✓ 可验证: 用户通过比较Fable和GPT 6 Pro的方案设计取长补短 (涉及个人使用体验及未公开的模型对比（如“GPT 6 Pro”名称未确认），无法独立验证。)

原文内容:

我现在 ChatGPT Pro 的利用率越来越高，主要是经常用它帮我做技术方案，效果特别好，而且不占 Codex 额度。

每次用的时候我直接把 GitHub 地址发给它，让它根据代码去分析去设计，写一份设计文档，甚至提交个 PR，后续我把设计文档下载到本地给 Codex 或者 Claude Code 去执行。

还有时候会让它跟 Fable 赛马，同样的问题让 Fable 和 GPT 6 Pro 各自设计一个方案，然后取长补短。

注意需要在设置里面连接一下自己的 GitHub 账号，这样可以访问自己的私有代码仓库和提交 PR。

⏰ 09:24 | ❤️ 264点赞 | 📝 161字 | 查看原文 →

↑ 返回顶部

向阳乔木 @vista8

喜欢摇滚乐、爱钓鱼的PM
网站：https://qiaomu.ai | 影响力: 0万粉丝

💡 核心观点: Jev是高性价比的快速决策模型，专注结构化任务。

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: Jev 是一个专为软件自动化决策设计的模型，不能聊天、不能写文章，只做决策。 (可通过官方文档（如提供的飞书链接）验证其功能定位，但需确认文档是否为官方权威来源，且”不能聊天/写文章”需实测或官方明确说明。)
◐ 部分可验证: 通过 RLCD + 并行采样，Jev 在结构化决策任务上实现成本和速度比中等 LLM 快一到两数量级。 (技术术语（RLCD）和性能对比需官方白皮书或基准测试支持，当前链接可能包含部分数据，但未提供独立验证途径。)
✓ 可验证: Jev 的「零幻觉」特指「零类型/结构错误」，而非语义正确。 (若官方文档明确定义了该术语（如链接中解释），则可直接验证；但需区分技术定义与用户主观解读。)

原文内容:

Jev模型的Waitlist提交后没多久就通过了。

也用Codex调用成功，但还没想到具体应用场景。

「Jev 是一个非常强的、高性价比的决策层」

让 AI 整理一份资料，要点总结下：

1. Jev 是一个专为软件自动化决策设计的模型，不能聊天、不能写文章，只做决策。

可想下丹尼尔卡尼曼提到的系统一，直觉反应。

2. 通过 RLCD + 并行采样，实现结构化决策任务，智能接中等 LLM 智能，但成本和速度快一到两数量级。

3. 「零幻觉」其实是指「零类型/结构错误」，不能理解为语义正确。

最合理的用法：把 Jev 当成超高速、可校准的语义判断/打分引擎，不是替代现有 LLM。

原文 https://feishu.doubao.com/docx/GVn3diGVUoAWWgxjOoDcNDasn6d…

⏰ 10:33 | ❤️ 31点赞 | 📝 196字 | 查看原文 →

↑ 返回顶部

priyank joshi @dingyi

promote your product ‣ [email protected]

‣ http://quaily.com/dingyi
‣ http://news.dex.group
‣ http://saaspick.dev
‣ http://topfeed.xyz | 影响力: 151.64k万粉丝

💡 核心观点: 用户不满印度创始人公司封号停福利，指责其忘恩负义。

可信度: 10/10 – 3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: @indent 封禁了用户账号 (需用户提供具体账号封禁通知或官方公开声明，但个人账号状态通常需登录验证，第三方无法直接确认。)
✓ 可验证: 新注册账号不再赠送 token (可通过注册新账号或查阅 @indent 官方最新政策（如官网、公告）直接验证。)
✓ 可验证: 创始人是印度人 (可通过公司公开资料（如官网团队介绍、LinkedIn等）核实创始人身份及国籍信息。)

原文内容:

卧槽我刚才登录 @indent 看到我的账号竟然被封了。新注册账号也不送 token 了。硅谷这些公司真你妈恶心啊，免费帮他推广，不仅不感谢还你妈玩这一手。。。。我只是随手转发一下，又不是组织别人集体薅羊毛。

哦创始人是印度人啊，那不奇怪了。呵呵。

⏰ 22:34 | ❤️ 27点赞 | 📝 94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: 非工程师应关注功能、性能和安全，代码细节可忽略。

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:

◦ 观点: 不用太在意代码细节（如整洁度、冗余、过度防御），功能、性能、安全才是关键 (这是主观建议，强调优先级取舍，无客观标准验证其对错，取决于具体场景和开发者偏好。)
◐ 部分可验证: 验收时应关注功能完整性、性能指标（CPU/内存占用）和基础安全问题（如SQL注入） (功能、性能和安全可通过测试验证，但“基础安全”范围模糊，需具体案例或工具（如渗透测试）确认。)
✓ 可验证: 将任务拆分为小模块后，AI的代码产出质量比大多数程序员平均水平高 (缺乏“大多数程序员水平”的客观定义和对比数据，且AI产出质量依赖具体模型和提示词，无法普遍验证。)

原文内容:

Q4：作为非工程师，怎么判断 Vibe Coding 出来的代码是否靠谱？比如 GPT 写的代码常有大量不必要的安全验证、过度防御。

我的观点可能有争议，越是有编程经验的人可能越不认同，一年前的我也不会认同：不用太在意代码细节。整不整洁、有没有冗余、是否过度防御，都不是关键。

你把自己当 QA，看三件事：
1. 功能完不完整；
2. 性能好不好，跑一下看 CPU 内存占用，我的 App 有段时间内存很高，就让 AI 去优化；
3. 安全是最高优先级，SQL 注入、弱密码这类常识测试要做，拿不准找专业的人。

其他实现细节没那么重要，就像高级语言编译成汇编你本来也看不懂，当黑盒就好。

真正的重点在两头：

一是拆分，拆成 Agent 刚好能处理的小模块，一次一个小模块，AI 的产出比绝大多数程序员的平均水平高；

二是验收，功能、性能、安全把住，细节不用管。

⏰ 10:04 | ❤️ 365点赞 | 📝 274字 | 查看原文 →

↑ 返回顶部

布丁 @lengs4189

U卡/eSIM/加密货币/AI独立开发者，http://card.lengziyu.cn | 影响力: 0万粉丝

💡 核心观点: 作者计划离职后低成本旅居，首站惠州月预算4700元。

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: 惠州郊区或低成本城市的房租为每月300-500元人民币 (可通过房产平台（如链家、安居客）查询惠州郊区租房价格，但具体房源条件（如面积、设施）可能影响价格范围，需实地考察确认。)
◐ 部分可验证: 每月总生活成本（含房租、饮食等）可控制在4700元人民币（约670U）以内 (单项开支（如房租、服务器费用）可通过公开数据部分验证，但整体预算依赖个人消费习惯（如零花钱、加油频次），需实际生活测试。)
✓ 可验证: AI开发相关月支出为50U（约350元人民币） (未说明具体用途（如API调用、工具订阅），且成本因开发规模差异较大，无公开标准可对照。)

原文内容:

最近在认真规划离职后的生活，想搬去郊区或者低成本城市住，每隔几个月换一个地方，第一站准备先去惠州。

目前粗算下来：
房租（3~500元）+水电       100U
吃饭                                               200U
AI 开发                                          50U
服务器                                           20U
加油                                               100U
猫-布丁                                         50U
衣服                                               50U
零花钱                                          100U

一个月大概 670U，也就是 ¥4700 左右。其实我不抽烟，偶尔喝点啤酒，也没什么购物欲，如果能把每个月的生活成本控制在 700U 以内，感觉压力就会小很多。

⏰ 09:19 | ❤️ 29点赞 | 📝 128字 | 查看原文 →

↑ 返回顶部

karminski-牙医 @karminski3

A coder, road bike rider, server fortune teller, electronic waste collector, co-founder of KCORES, ex-director at IllaSoft, KingsoftOffice, Juejin. | 影响力: 36.92k万粉丝

💡 核心观点: Qwen3.8性能大幅提升且API费用暴降98%。

可信度: 7/10 – 1项声明可直接验证；3项需进一步确认

事实核查:

◐ 部分可验证: Qwen3.8-Omni-Flash 比上一代 Qwen3.5-omni-flash 平均分提升了25%，Agent能力分数甚至翻倍。 (需通过官方发布的基准测试报告或第三方评测验证具体分数提升，但若无公开测试数据或详细对比方法则无法完全确认。)
◐ 部分可验证: 多人重叠会议语音识别的错误率从88%降低到3%，原生支持1小时连续音视频输入，API费用降低98%（从18元/百万token降至0.8元）。 (错误率和API价格可通过官方文档或实际调用验证，但需确认测试条件是否一致；连续输入时长需实测或查看技术白皮书。)
✓ 可验证: Qwen-Live-Harness 的悬浮球功能可环境监控，如任务状态跟进与播报。 (可通过下载框架并实测功能验证，或查看官方演示视频/文档确认交互逻辑。)

原文内容:

Qwen-Live-Harness？带你一探究竟  

Qwen刚刚发布了Qwen3.8-Omni-Flash！同时推出的还有两个配套框架——Qwen-Live-Harness和Qwen-MM-Plugins。下面为大家详细解析这些新品的亮点。  

首先是Qwen3.8-Omni-Flash，其综合评分较上一代Qwen3.5-Omni-Flash提升了25%。其中Agent能力的提升尤为显著，部分测试分数甚至翻倍。  

在多人重叠会议语音识别方面，错误率从上一代的88%骤降至3%，真正达到实用水平。此外，新版本原生支持长达1小时的完整连续音视频输入，同时API费用降低了98%。  

98%的降幅意味着什么？此前音频输入每百万token收费18元，现在仅需0.8元！  

本次还同步推出了Qwen3.8-Omni-Flash-Realtime超低延迟版本，可实现"听完问题-短暂思考-即时回应"的效果（20秒音频处理仅需981毫秒）。  

那么Qwen-Live-Harness和Qwen-MM-Plugins又是什么？  

Qwen-Live-Harness创新地设计了悬浮球交互：点击即可唤醒模型对话，还能实现环境监控。例如对它说"我离开一会，任务完成通知我"，它会将任务纳入看板持续追踪，最终进行播报提醒。  

Qwen-MM-Plugins则是"能力扩展"插件库，可为Claude Code、Gemini CLI、Codex、OpenClaw等平台赋能。安装后即可调用Qwen3.8-Omni-Flash的多模态能力，补全本地Agent的视觉处理、长视频记忆等功能，甚至支持操作Blender或CAD软件进行视觉建模。  

其中最有趣的当属omni-skill-creator功能：只需录制一段软件操作视频提交给系统，它就能自动生成对应的操作技能！这类似于机械臂的示教学习——牵着机械臂演示一遍，它就能复现操作流程。需要注意的是，由于模型具备全模态理解能力，录制视频时可同步加入语音解说（例如说明操作意图），这样生成的技能会更精准。  

#Qwen38omniflash #QwenLiveHarness #QwenMMPlugins

⏰ 08:57 | ❤️ 26点赞 | 📝 467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智能将因自适应计算加速商品化，成本持续下降。

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: Jason Wei在Meta Superintelligence Labs做研究，此前在OpenAI参与创建了o1和Deep Research，在Google Brain推动了chain-of-thought prompting和instruction tuning的研究，累计被引超过9万次。 (职业经历可通过LinkedIn等公开资料验证，但具体项目贡献（如”参与创建o1″）需依赖公司内部信息；被引次数需通过学术数据库（如Google Scholar）核实，但需确认其个人账户与数据归属。)
◐ 部分可验证: MMLU基准测试显示，每年达到同等智能水平所需花费持续下降，核心原因是”自适应计算”技术（如o1模型动态调整算力）的突破。 (MMLU基准的公开数据可验证性能提升趋势，但”花费下降”需结合具体算力成本分析；”自适应计算”是否为o1的核心特性需Meta官方技术文档支持，目前未完全公开。)
✓ 可验证: OpenAI Operator能通过操作韩国统计数据库KOSIS回答”1983年釜山结婚对数”等复杂查询，其BrowseComp基准中人类平均每题耗时2小时以上，Deep Research解决约一半任务。 (BrowseComp基准及具体任务表现属OpenAI内部数据；KOSIS数据库操作能力需实测验证，但涉及未公开的Operator技术细节。)

原文内容:

Jason Wei 在 Stanford AI Club 做了一场约 30 分钟的演讲，围绕三个他认为理解 2025 年 AI 格局最基本的思维框架展开。Jason Wei 目前在 Meta Superintelligence Labs 做研究，此前在 OpenAI 参与创建了 o1 和 Deep Research，更早在 Google Brain 推动了 chain-of-thought prompting 和 instruction tuning 的研究，累计被引超过 9 万次。

一、智能正在变成大宗商品

他把 AI 的进步分成两个阶段：第一阶段是推前沿，模型还做不好某件事，你在解锁新能力；第二阶段是一旦能力达成，它就会迅速被商品化。用 MMLU 基准测试的数据看，每一年达到同等智能水平所需的花费都在下降，这个趋势在他看来还会持续，核心原因是深度学习历史上第一次"自适应计算"真正跑通了。过去不管问题多简单多难，推理用的算力是固定的；现在从 o1 开始，模型可以根据问题难度动态调整推理时的算力投入，这意味着简单任务的成本可以被压到极低。

另一个维度是获取公开信息的时间。他画了一条时间线：从前互联网时代到互联网时代、聊天机器人时代、再到 AI 智能体时代，找到一条信息所需的时间在指数级缩短。他举了一个例子——"1983 年韩国釜山有多少对夫妇结婚？"——o3 回答不了这个问题，但 OpenAI Operator 可以，因为它能打开韩国统计数据库 KOSIS，一路点击操作直到查到答案。OpenAI 内部用一个叫 BrowseComp 的基准来衡量这种"知道答案就秒验证，但找答案极耗时"的任务，人类平均每题花两小时以上，很多题根本做不出来，而 Deep Research 能解决大约一半。

这个趋势带来几个推论：过去靠知识门槛建立壁垒的领域会被民主化，vibe coding 和个人健康管理是典型例子；公开信息近乎免费之后，私有内部信息的相对价值反而上升了——比如你知道哪些房子没上市但可以卖，这种信息会更值钱；最终每个人将拥有一个"个性化互联网"，想知道什么就有一个为你定制的页面呈现给你。

二、验证者定律：能衡量的就能被 AI 攻克

第二个框架是他所说的"验证不对称性"。有些任务，生成一个解比验证一个解难得多——数独是经典例子，写出能跑 Twitter 的代码需要大量工程师，但验证它能不能用只要打开网页点几下。另一些任务则相反：写一篇看起来有道理的事实性文章很快，但逐句核实极其费时；宣称"最好的饮食是只吃野牛肉"只花 10 秒，但验证这个说法需要大样本和长期跟踪。

他在一个二维平面上把这些任务画出来：X 轴是生成难度，Y 轴是验证难度。关键洞察是，你可以通过提供"特权信息"来改变任务在这个平面上的位置——竞赛数学题如果给了答案就秒验证，写代码如果给了测试用例（像 SWE-bench 那样）验证也变得简单。

由此他提出了 Verifier's Law：AI 训练出来在某个任务上的能力，基本上与该任务的可验证程度成正比。具体来说，可验证性取决于五个因素：是否有客观正确答案、验证速度多快、能否大规模并行验证、噪声大不大、以及奖励信号是连续的还是二元的。几乎所有 AI benchmark 本身就是因为容易验证才被设计出来的，而这些 benchmark 确实在过去几年被逐一攻破，这恰好是 Verifier's Law 的实例。

他特别推荐了 DeepMind 的 AlphaEvolve 作为利用验证不对称性的范例。AlphaEvolve 挑选满足上述五个条件的问题——比如找到 11 个六边形的最优排列使外接六边形最小——然后用大语言模型采样大量候选解，自动评分，把最优解作为下一轮采样的灵感，不断迭代。关键技巧在于它绕过了泛化问题：训练集和测试集是同一道题，你就是想知道这一道题的最优解。

这个框架的实际推论是：最先被自动化的任务一定是验证成本最低的任务；而一个正在崛起的创业方向是——发明新的衡量方法，把原本难以验证的任务变得可验证，从而让 AI 去优化它。

三、智能的锯齿状边缘

对于"AI 将如何改变世界"这个问题，他看到的观点光谱极广。他的一个量化交易员朋友觉得 ChatGPT 跟自己工作无关，而他在顶级实验室的同事则认为再过两三年 AI 就会取代他们自己的工作。

他明确反对"快速起飞"假说——即一旦 AI 跨过某个临界点就会突然变成超级智能。他的理由是，AI 的自我改进不是一个二元开关，而是一个渐进光谱：从跑不起来代码，到能训练但结果一般，到能自主训练但不如顶尖研究者，再到偶尔还需要人工干预。更重要的是，自我改进的速度应该按任务来看。AI 的能力图谱是一条锯齿线：在某些任务上已经达到山峰（竞赛数学、部分编程），但在另一些任务上仍是低谷（比如 ChatGPT 曾长期认为 9.11 大于 9.9，或者说一门只有几百人会的原住民语言 Tlingit）。

他给出了判断 AI 在某个任务上进步速度的三条启发式规则。第一，AI 擅长数字化任务，核心原因是迭代速度——数字环境可以轻松扩展算力，而物理机器人的实验扩展成本高得多。第二，人类觉得容易的任务 AI 也往往容易，但有一类例外是"人类因生理限制做不到但 AI 可以做到"的任务，比如读过一千万张乳腺影像后发现某个人类注意力无法捕捉的模式来预测乳腺癌。第三，数据充足的任务 AI 表现好——数学推理在不同语言上的表现和该语言的训练数据量高度相关；而如果一个任务有单一客观指标，就可以通过强化学习生成合成数据来突破数据瓶颈，AlphaEvolve 和 AlphaZero 都是这个路线。

他用一张表把这些启发式规则应用到具体任务上：主流语言翻译已经完成；调试基础代码 2023 年搞定；竞赛数学 2024 年搞定；AI 研究本身大概 2027 年；化学研究因为不是纯数字任务会更晚；拍电影大概 2029 年；修水管和理发因为高度物理化，短期内不太可能；乌兹别克传统地毯编织需要一组人花一个月、非数字化且缺数据，AI 不太可能碰到；至于"带女朋友约会让她满意"——他的判断是"impossible，非数字化，缺数据"，人类还能保住饭碗。

https://youtube.com/watch?v=b6Doq2fz81U…

⏰ 08:40 | ❤️ 126点赞 | 📝 1823字 | 查看原文 →

↑ 返回顶部

小互 @xiaohu

带你了解全球最前沿科技、AI动态…

AI 精华，讲到你懂：https://best.xiaohu.ai | 影响力: 0万粉丝

💡 核心观点: Neuralink成功将失语患者脑信号转为语音输出。

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: Neuralink设备在最新演示中成功读取了一位失语患者的思想 (需依赖Neuralink官方发布的演示视频或实验报告验证，但需注意数据是否经过剪辑或选择性展示，且未提供独立第三方验证。)
◐ 部分可验证: 该设备将患者思想转换为语音并播放出来 (技术原理（脑电信号解码为语音）可通过学术论文或专利部分验证，但实际效果需查看原始数据或患者实时演示，目前仅由Neuralink单方面宣称。)
✓ 可验证: 患者因疾病无法说话，通过脑机接口实现表达 (患者具体病情、手术过程及个体恢复情况未公开，缺乏独立医学报告或患者本人公开证词。)

原文内容:

马斯克旗下脑机接口公司的 Neuralink 设备在最新的一次演示中

成功读取了一位失语患者的思想，并将其转换为语音

这位患者因为疾病无法说话表达，通过安装脑机接口，Neuralink 可以读取它想要说的话，然后通过解码再通过语音可以播放出来...

⏰ 08:35 | ❤️ 38点赞 | 📝 94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: 0万粉丝

💡 核心观点: AI提示词优化工具prompt-master能自动生成精简高效的指令。

可信度: 10/10 – 2项声明可直接验证；3项需进一步确认

事实核查:

◐ 部分可验证: prompt-master是一个Claude Skill，能为任何AI工具编写精准提示词，已获得13000+ Star (GitHub链接（http://github.com/nidhinjs/prompt-master）可验证仓库存在及Star数量，但“能为任何AI工具编写精准提示词”需实测验证其通用性。)
◐ 部分可验证: 提供13套模板自动选择，生成可直接复制的提示词并附说明，最后通过审计删除冗余词 (GitHub的README或代码可能提及模板数量及审计流程，但具体模板内容、选择逻辑和审计效果需实测验证。)
◐ 部分可验证: 支持30+工具画像（如Midjourney、Sora等），并针对不同工具调整写法（如Midjourney用逗号分隔词） (README可能列出支持的工具清单，但“针对性写法”需通过生成示例与实际工具需求对比验证。)

原文内容:

prompt-master，这款Claude技能工具能为任何AI工具编写精准提示词，其核心逻辑是做减法，目前已收获13000+星标！

使用方式极其简单：只需输入一句话，例如「帮我写个让Codex重构鉴权模块的提示词」，它会先判断目标工具类型，最多追问3个问题来补全关键信息。

随后从13套内置模板中自动匹配最佳方案（不展示框架名称），直接生成可复制的提示词段落，并附一行设计原理说明。

最终环节会执行审计流程，剔除所有不影响输出结果的冗余词汇。

GitHub地址：http://github.com/nidhinjs/prompt-master…

该工具已建立30+个AI工具画像，涵盖Claude Code、Codex、Cursor、Midjourney、Stable Diffusion、Sora、ElevenLabs至n8n等，能智能区分各平台偏好语法——例如为Midjourney生成逗号分隔的描述词加参数组合。

README文档特别整理了37种低效提示案例，每个案例均提供修改前后对比。比如将模糊的「帮我看看代码」优化为包含函数名和验收标准的精准表述。

这份提示词优化清单本身便值得精读。用户可直接在网页版Claude上传使用，也支持在Claude Code中安装。

⏰ 08:00 | ❤️ 25点赞 | 📝 243字 | 查看原文 →

↑ 返回顶部

karminski-牙医 @karminski3

A coder, road bike rider, server fortune teller, electronic waste collector, co-founder of KCORES, ex-director at IllaSoft, KingsoftOffice, Juejin. | 影响力: 36.92k万粉丝

💡 核心观点: Jev的护城河是RLCD技术，虽精准但缺乏灵活性。

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: Jev目前构不成绝对的物理壁垒 (该声明未提供具体技术细节或对比数据，且“物理壁垒”定义模糊，无法通过公开信息直接验证。)
◐ 部分可验证: Jev的护城河是RLCD（校准强化学习），这使其难以出现概率失真 (若RLCD为公开技术或Jev官方披露过其技术原理，可通过技术文档验证部分内容，但“概率失真”的具体表现需实测或专业分析确认。)
◦ 观点: RLCD模型很刻板（仅适用于特定任务） (对模型“刻板”的评价属于主观判断，缺乏客观标准或性能对比数据支持。)

原文内容:

不过说实话，我觉得头部大厂如果真要下场抄，Jev目前构不成绝对的物理壁垒. 他真正的护城河是RLCD(校准强化学习), 意味着这玩意很难出现概率失真. 但也意味着, 这个模型很刻板(就是用来干活的). 如果拿打游戏比喻, 它会是个技术型主播, 但它是没办法打出娱乐主播那种"节目效果"的.

⏰ 07:11 | ❤️ 25点赞 | 📝 114字 | 查看原文 →

↑ 返回顶部

karminski-牙医 @karminski3

A coder, road bike rider, server fortune teller, electronic waste collector, co-founder of KCORES, ex-director at IllaSoft, KingsoftOffice, Juejin. | 影响力: 36.92k万粉丝

💡 核心观点: 高效低价模型Jev适合实时生产场景。

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: 该模型从输入到输出最快仅需70ms延迟 (需实测或查看官方性能基准报告，但推文未提供直接测试链接或数据来源。若官网或Vercel AI Gateway公开延迟数据则可验证。)
✓ 可验证: 输入每百万token成本$0.042，输出免费 (可通过TypeSafe AI官网或Vercel AI Gateway的定价页面直接查询费用结构，属于公开商业信息。)
◐ 部分可验证: 采用特殊并行采样架构，仅需一次前向传播即可输出多字段预测 (需查阅技术白皮书或开源代码（若公开）验证架构设计，但推文未提供具体文献。企业可能通过博客或论文部分披露。)

原文内容:

但天下武功唯快不破, 这玩意从输入到输出最快只需要70ms!

所以完全可以用在高频的生产级场景, 比如接到堡垒机里面实时判断用户输入的shell命令是否存在危险(rm -rf /). 再加上输入每百万token只需要$0.042, 输出不要钱. 妥妥的新一代flash模型斩杀线(有的flash模型会被企业用作决策器).

说完了用途再来看它的架构, 传统大模型有多少token就要把激活参数过多少遍(前向传播)所以特别吃显存带宽, 而这个模型设计了一个特殊的并行采样架构, 只需要一次前向传播, 就能输出所有预设schema字段的离散预测与分支概率. 达成了极低的延迟.

而推出Jev的 TypeSafe AI 这个公司也很有噱头, 它是 Diogo Almeida 一手创办的, 就是他曾经在 OpenAI 的 InstructGPT 和早期 RLHF（基于人类反馈的强化学习) 团队中的贡献才有了如今的ChatGPT.

最后说一下目前模型的限制, 首先由于没有本土节点, 所以虽然它只需要70ms, 但是到美西这海底光缆延迟120ms是躲不掉的, 所以至少还是200ms打底. 另外, 模型被官方称为 System One 模型, 所以理想搭配还需要一个 System Two 模型用来进行战略判断, 然后生成策略当作提示词输入进去, 这样才能提升模型的输出质量.

另外, 官网还在申请使用, 不过vercel的AI Gateway已经能直接用了, 所以想测试的同学直接去vercel用就行.

⏰ 06:46 | ❤️ 37点赞 | 📝 407字 | 查看原文 →

↑ 返回顶部

karminski-牙医 @karminski3

A coder, road bike rider, server fortune teller, electronic waste collector, co-founder of KCORES, ex-director at IllaSoft, KingsoftOffice, Juejin. | 影响力: 36.92k万粉丝

💡 核心观点: Jev模型专注结构化决策输出，放弃传统文本生成能力。

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: Jev模型放弃了传统自回归架构，无法直接输出普通文本，但能进行结构化决策输出（如JSON） (需查看官方文档或论文确认模型架构设计，但结构化输出功能可通过示例代码或API文档部分验证。若缺乏公开技术细节则难以完全验证。)
◐ 部分可验证: Jev模型在输入时需预定义Schema，输出JSON格式严格遵循决策槽位，确保无错误 (需实测模型输入输出流程或查阅官方Schema定义规范。若未公开具体编译逻辑或错误处理机制，则无法完全验证其可靠性。)
✓ 可验证: Jev模型可应用于复杂场景（如游戏决策、看盘分析），仅需将内容转为文本输入并定义动作选项 (推文未提供具体案例或性能指标，且”复杂场景”的描述模糊。需实际测试或官方发布应用案例才能验证其能力边界。)

原文内容:

给大家写个简单的Jev模型介绍, 这绝对是个需要重点关注的模型. 

简单讲, 这个模型放弃了传统自回归架构, 它没有办法直接输出普通文本. 但是他能进行决策!

比如最简单的二分类场景, 输入一条短信, 让它判断是否为垃圾短信, 它就可以输出这样的JSON: 

{"decision": { "isSpam": true }, "probabilities": { "isSpam": { "true": 0.982, "false": 0.018 } } }

没错, 它只能进行结构化输出, 甚至你输入的时候要定义 Schema (用过protobuf/GraphQL的同学应该能理解), 在送入模型时被编译为特定的决策槽位, 然后按照槽位输出, 所以输出JSON不可能出问题.

而复杂一些的场景, 比如让这个模型玩杀戮尖塔或者看盘, 只需要把内容转换为文本输入进去(没错, 目前模型只支持文本输入),  然后定义好模型能进行哪些动作, 模型就会自主决策了.

到目前为止, 是不是看上去跟普通文本大模型没区别? 

#jev #TypeSafeAI #DiogoAlmeida #systemone #vercel

⏰ 06:46 | ❤️ 231点赞 | 📝 266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: Claude Projects改版借鉴Slack Thread实现多任务并行处理。

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: Anthropic重做了Claude的Projects功能，采用Claude Tag架构和Slack的Thread功能设计 (可通过Anthropic官方公告或更新日志验证功能改版，但具体实现细节（如Thread功能与Slack的相似性）需实测或查看官方技术文档确认。)
◐ 部分可验证: 新版Projects改为持续主对话，Claude自动拆分任务到并行Thread执行并汇总结果 (功能逻辑可通过官方演示视频或用户手册验证，但“云端持续运行”等具体技术实现需依赖官方说明或开发者文档。)
✓ 可验证: Boris Cherny的案例展示Thread功能实际应用（如修复iTerm2配置问题） (案例依赖第三方用户（Boris Cherny）的截图或描述，未提供公开可查的PR链接或Thread操作记录，真实性无法独立验证。)

原文内容:

Claude Code 的 Projects 改版：Claude Tag 的架构 + Slack 的 Thread 功能

以前就有人说现在 ChatBot、Agent 的交互就是借鉴自 Slack 的，现在看起来一点不假，Anthropic 今天重做了 Claude 的 Projects 功能，先在 Claude Code 里上线测试版，终于把我最喜欢的 Thread 功能也抄进来了。

以前的 Project 是个文件夹，放资料和指令，对话还是一个个分开的。新版变成一个持续的主对话：你在里面说要做什么，Claude 自己拆任务，分给多个并行的 Thread 去干，检查结果后汇总给你。关掉电脑，活儿还在云端继续跑。

【用 Slack 的 Thread 来理解】

用过 Slack 或飞书的人都熟悉 Thread（飞书里叫“话题”），有时候在频道里要就某一个话题深入讨论，就可以在某个消息下评论开个 Thread，相关讨论都收在这个 Thread 下面的回复里。主频道保持干净，想看细节再点进去。

新版 Projects 就是这个形态。

我还没资格使用这个新功能，看了一些视频和介绍，Boris Cherny 晒了自己项目的截图：他在主对话里丢了一张截图，说“启动 cc cli 总弹这个提示”。Claude 回了句“在查了”，随即在这条消息下面开出一个 Thread，标题是“iTerm 启动时的配置变更警告”。

点开 Thread，右侧面板里是完整过程：查出是 5 月加的一个 iTerm2 功能每次启动都去改终端配置，提了修复 PR（代码合并请求）#69807，PR 已合并，Thread 标记为“已解决”，需要时可以重新打开。这件事在主对话里只占一张卡片，下面写着“11 条回复”。

接着他又发了句“unship this”（把这个功能撤掉），Claude 再开一个 Thread 去办。Boris 说他已经不再管理会话了，想到什么就发什么，拆分交给 Claude。

【背后是多智能体】

结构上是一个协调者加一群干活的。主对话里的 Claude 是协调者，负责理解需求、派活、跟进和验收。每个 Thread 是一个独立的 Claude Code 云端会话，有自己的代码分支和仓库副本，互不干扰。两个 Thread 改到同一段代码时，按普通的合并冲突处理。单个 Thread 内部还能继续拆，调用子智能体（subagent）并行处理，让大任务更快完成。

过去想让几个 Claude Code 同时干活，得自己开多个终端或云端会话，自己分工，最后自己把结果拼起来。现在这层调度交给了协调者。官方的说法是，像给幕僚长交代工作一样跟它说话，几件事一起说、顺序随意都行。

【和 Claude Tag 什么关系】

Claude Tag 是 Anthropic 6 月 23 日推出的产品，面向 Enterprise 和 Team 客户测试。它让 Claude 作为团队成员加入 Slack 频道，频道里任何人都可以 @Claude 派活，它把任务分阶段做完，在 Thread 里回复结果，还会记住频道里的相关信息。Anthropic 当时就说，Claude Tag 是 Claude Code 演进的开端。

Thariq 也有推文解释：Projects 把 Claude Tag 的架构带进了 Claude Code，每个项目有一个智能体管理记忆，再按任务派出子智能体，还可以让它主动做事、定时做事。

所以两者是同一套架构装在不同的地方。Claude Tag 住在 Slack 里，面向团队，一个频道所有人共用一个 Claude。

新版 Projects 在 Claude 自己的产品里，面向个人，Pro 和 Max 订阅就能用，不需要公司买企业版，也不需要 Slack。

【记忆和资料库】

项目里所有 Thread 共享一份记忆，干活时既读也写。官方举的例子：发布日期改到了周五，导出功能为什么砍掉，动计费服务之前要先问谁。这些事说过一次，后面新开的 Thread 都知道，不用每次在提示词里重新交代。多久汇报一次、汇报写多细，也可以直接跟它说，它会记住。

另有一个资料库（library），收着你上传的文件和 Claude 产出的文件。顶部的 Overview 面板列出哪些事在等你拍板，手机上也能查看和指挥任何一个 Thread。

【适合什么场景】

适合一次回复搞不定、又能拆成几块并行的活。官方给了两个例子。

一是给项目定个目标“降低结账环节的 p75 延迟”（75% 的请求能在这个时间内完成），让 Claude 在并行的 Thread 里逐个接口做性能分析、试优化方案、提 PR。

二是同时连上 API、网页端、移动端三个仓库，目标是下线一个废弃的 v1 接口。Claude 给每个仓库开一个 Thread，迁移调用方、跑测试、提 PR，最后告诉你哪个要先合并。

Boris 截图里的用法也很典型：日常维护一个代码库，bug、小需求、临时想法随手丢进去，每件事自动变成一个可追踪的 Thread。改一行代码、问一个问题这类小事，开普通会话就够了。

【限制和上手】

每个 Thread 都是一个完整的 Claude Code 会话，几个同时跑，用量额度消耗得更快。项目里可以查看用量，也可以给协调者和干活的 Thread 分别选模型和推理强度。Boris 截图里主对话用的是 Fable 5.1，强度设为 Low。

Thread 目前只在云端运行，碰不到你电脑上的文件、本地工具和公司内网。Anthropic 说本地运行很快会支持。

测试版今天起开放给部分 Pro 和 Max 用户，条件是在 Claude Code 里使用云端会话，且网页和桌面端没有已建的旧项目。未来一周扩大到更多 Claude Code 用户，之后才轮到聊天、Cowork 以及 Team、Enterprise 套餐。旧项目照常可用，后续统一升级。没拿到资格的可以去 http://claude.com/form/projects 排队。

⏰ 05:18 | ❤️ 101点赞 | 📝 1406字 | 查看原文 →

↑ 返回顶部

priyank joshi @dingyi

promote your product ‣ [email protected]

‣ http://quaily.com/dingyi
‣ http://news.dex.group
‣ http://saaspick.dev
‣ http://topfeed.xyz | 影响力: 151.64k万粉丝

💡 核心观点: Grok 4.7性能超越4.6，达Opus 5.0级，但响应略慢。

可信度: 10/10 – 2项声明可直接验证；3项需进一步确认

事实核查:

◐ 部分可验证: Grok 4.7拥有2.1万亿参数，基于全新预训练路线，非Grok 4.6的小幅更新 (参数规模和架构变更需官方技术文档或发布会确认，但若官方未公开具体训练细节（如预训练路线差异），则部分信息可能无法验证。)
◐ 部分可验证: Grok 4.7性能全面超越Grok 4.6，Token利用效率更高，但响应速度略慢 (性能对比需基准测试结果（如公开评测数据），效率与延迟需实测；若缺乏官方数据，仅能依赖用户反馈或第三方测试。)
✓ 可验证: 训练中融入了SpaceX和Starlink的工程数据 (训练数据细节通常属于未公开的商业机密，除非官方明确披露具体数据来源及使用方式。)

原文内容:

4.7 快点来吧，4.6 实在是太拉了。

- 核心参数与架构：拥有 2.1 万亿（2.1T）参数，基于全新的预训练路线，而非对 Grok 4.6 的小幅更新。
- 性能与效率：性能全面超越 Grok 4.6，同时具备更高的 Token 利用效率；但由于模型变大，服务响应速度略微变慢。
- 工程数据支持：训练中融入了大量来自 SpaceX 和 Starlink 的工程数据。
- 能力定位：整体水平达到类似 Opus 5.0 的级别（未达到 5.1）。
- 待改进与延迟原因：多模态能力仍需持续完善；此前因对强化学习（RL）进行了针对性调整和延期，以解决模型在处理高难度任务时过早放弃的问题。

⏰ 02:28 | ❤️ 20点赞 | 📝 179字 | 查看原文 →

↑ 返回顶部

Robinson · 鲁棒逊 @python_xxt

Insight |
碳基信息漏斗丨
Believable. Reliable. | 影响力: 28.16k万粉丝

💡 核心观点: 身体替心灵完成了不被允许的崩溃。

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:

✓ 可验证: 躯体化是精神科术语，指心理痛苦以身体症状形式出现（如胃痛、心悸等）。 (该定义与DSM-5（《精神障碍诊断与统计手册》）及ICD-11（国际疾病分类）中”躯体症状障碍”的诊断标准一致，可通过权威医学资料或官方诊断手册验证。)
◐ 部分可验证: 躯体化症状常源于”长期没有资格崩溃”的社会压力（如被要求坚持、被指责矫情）。 (心理压力与躯体化症状的关联有研究支持（如心身医学领域），但”资格崩溃”属于社会文化层面的主观表述，需结合具体研究数据验证社会压力与症状的因果关系。)
◦ 观点: 身体症状（如失眠、呕吐）是”未被允许的崩溃”的替代表现。 (该声明将生理症状隐喻为心理需求的表达，属于对现象的主观解读，缺乏直接医学诊断依据，更接近文学化描述而非临床结论。)

原文内容:

躯体化

精神科术语，指一个人无法识别、表达或处理的心理痛苦，最终以身体症状的形式出现，如胃痛、心悸、胸闷、失眠、头痛、乏力、脱发、月经紊乱等。

常常不是身体真的先坏了，
而是一个人长期没有资格崩溃。

你说“我太累了”，别人让你坚持。
你说“我受不了了”，别人觉得你矫情。
直到你开始失眠、呕吐、心悸，甚至真的病倒，世界才终于允许你停下来。

身体替你完成了那场你一直没有被允许完成的崩溃。

有些人不是不知道自己需要休息。
只是只有生病以后，才终于觉得自己有资格休息…

⏰ 02:25 | ❤️ 36点赞 | 📝 192字 | 查看原文 →

↑ 返回顶部

李岳 @liyue_ai

提示词工程师 | AI实战派
分享AI资讯 | 评测AI工具
发布AI教程 |拆解AI变现案例
公众号：李岳AI
合作+V：liyue071714118 | 影响力: 0万粉丝

💡 核心观点: GPT Image 2.5生成复古CCD风格旗袍女性歌剧院图片。

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:

◐ 部分可验证: GPT Image 2.5能够生成玫瑰香槟粉CCD风格图片 (需实测或查看GPT Image 2.5的官方功能说明以确认其是否支持生成特定风格（如CCD风格）及颜色（玫瑰香槟粉）的图片，但技术细节可能未完全公开。)
◐ 部分可验证: 提示词中描述的图像内容（如东亚女性、旗袍、歌剧院场景等）可通过GPT Image 2.5生成 (生成结果可能因模型版本、提示词解读差异而不同，需实际测试验证；但具体输出是否符合描述取决于模型能力，存在不确定性。)
✓ 可验证: 生成的图片比例为9:16，侧前方近全身视角，突出特定身体特征（上围、腰臀、长腿） (若模型支持自定义比例和构图，可通过输入相同提示词测试输出是否匹配描述；但“突出特征”为主观表述，实际效果可能因人而异。)

原文内容:

GPT Image 2.5生成玫瑰香槟粉CCD风格图片。

提示词（欢迎返图）：
玫瑰香槟粉 CCD 复古直闪，两位年轻成年东亚女性，一位明艳瓜子脸，一位知性长鹅蛋脸。
她们穿酒红玫瑰金高开衩旗袍和香槟粉修身旗袍，在复古歌剧院私人包厢里靠着金色栏杆低声交谈。
9:16 侧前方近全身，突出上围轮廓、腰臀转折和长腿。

⏰ 00:36 | ❤️ 53点赞 | 📝 113字 | 查看原文 →

↑ 返回顶部

李岳 @liyue_ai

提示词工程师 | AI实战派
分享AI资讯 | 评测AI工具
发布AI教程 |拆解AI变现案例
公众号：李岳AI
合作+V：liyue071714118 | 影响力: 0万粉丝

💡 核心观点: AI生成古风女性雪景肖像，突出清冷贵气与真实质感。

可信度: 7/10 – 4项需进一步确认；1项为观点陈述

事实核查:

◐ 部分可验证: GPT Image 2.5能够生成符合详细提示词的古风人像“雪庭红梅” (需实测GPT Image 2.5是否支持该功能，且生成效果是否与描述一致，但无公开官方文档直接佐证具体版本能力。)
◐ 部分可验证: 提示词中描述的图像细节（如人物五官、妆容、服饰、场景等）可通过AI生成实现 (当前主流图像生成模型（如DALL·E、MidJourney）能实现类似复杂描述，但需实测验证该提示词的实际输出效果。)
◦ 观点: 画面最终呈现“电影感和高级古风质感” (艺术风格评价为主观判断，无客观标准验证。)

原文内容:

GPT Image 2.5生成古风人像：雪庭红梅。

提示词（欢迎返图）：
9:16 竖版，古风冬日清冷美妆特写，东方古典女性胸像近景，真实摄影质感，人物站在雪后庭院廊柱旁，身体正面微微侧转，一只手轻扶衣襟与白色绒毛领缘，另一只手自然垂放于身前，头部轻微偏转，眼神自然望向远处侧前方，神情清醒、克制、从容、安静，带高门贵女的矜贵感与淡淡冬日故事感。

人物为视觉年龄约 20–28 岁、明确成年的年轻东方女性，冷艳贵女脸，五官精致对称，柔和鹅蛋脸，额头自然饱满，面中立体丰盈，下颌线流畅清晰。眼型修长清亮，眼尾自然收长，眼神克制而有神；鼻梁秀气流畅，鼻尖精致；唇形柔软克制，唇珠自然清楚，整体近景耐看，有清冷女主感。

妆容为 霁雪玄茶清醒妆。底妆冷白通透，皮肤白皙细腻，保留自然血色与轻微真实肌理。眼妆使用玄茶棕、冷玫瑰灰与极细银白珠光渐层晕染，上眼睑以低饱和冷棕铺色，眼尾略微加强并自然拉长，卧蚕和眼中加入很细碎的银白提亮。腮红为克制的冷粉玫瑰色，轻柔分布在面中与眼下。鼻梁、鼻尖、面中和唇峰带有细腻清透高光。唇妆为低饱和浆果豆沙水光唇，清润柔亮但不过分油。整体妆后气质清醒、冷静、矜贵，冷白环境下仍保留自然面色。

发型为乌发高挽发髻，发髻圆润饱满，头顶自然蓬松，发丝顺滑，发间与发顶落有细小雪粒。发饰为 玄玉长簪、雪白珠饰、珍珠花片、白玉花饰、细长流苏与银灰耳坠，整体精致华贵但不夸张。耳饰为珍珠与白玉水滴垂坠耳饰，纤细轻盈。

服装为 玄茶褐色织锦长袄，外层布满精细金色花卉与雪花纹刺绣，搭配 霁雪白内衫、浅烟蓝腰封与裙层，肩颈外侧加一圈柔软丰盈的白色绒毛领，增强冬日贵气与层次感。胸部饱满自然，上围柔和丰润，胸线轻微可见但不过度夸张，整体仍端庄得体。服装材质细腻，金线刺绣、绒毛、织锦与腰间饰件清晰可见。

场景为 雪后长廊 / 深木门框 / 红梅花枝 / 冬日庭院 / 冷白晨光。人物立于古典庭院廊柱边，前景有带雪的红梅花枝虚化，背景可见覆雪屋檐、灯笼、古典楼阁与庭院景深。空气中飘落细雪，画面通透安静，有冬日清晨的冷冽呼吸感。

光线采用冷白自然晨光为主，叠加柔和环境补光，保证面部五官、眼妆、腮红、唇妆、发饰、绒毛与刺绣细节清晰可见。整体色彩清透，冷暖对比鲜明：白雪、红梅、深木、褐金与浅烟蓝形成层次，画面有电影感和高级古风质感。

85mm 人像镜头，浅景深，人物面部精准对焦，高完成度古风美妆肖像，细节丰富，白皙细腻肌肤，冬日氛围浓郁，清冷矜贵。

⏰ 00:05 | ❤️ 41点赞 | 📝 854字 | 查看原文 →

↑ 返回顶部

# x每日奏折