即刻App年轻人的同好社区
下载
置顶AI保姆级教程|ChatGPT，Midjourney，Runway
取代你的不是AI，而是比你更懂AI的人。普通人应该如何学会并使用AI产品呢？这里我推荐我开发的开源教程learnprompt.pro。初学者也不用担心，我们准备了基础、案例和高级篇的教程指南，详细讲解操作步骤。目前已经支持ChatGPT，Mid journey，Runway，后续也会开发Stable Diffusion的课程。希望大家学得开心😄
取代你的不是AI，而是比你更懂AI的人。普通人应该如何学会并使用AI产品呢？这里我推荐我开发的开源教程learnprompt.pro。初学者也不用担心，我们准备了基础、案例和高级篇的教程指南，详细讲解操作步骤。目前已经支持ChatGPT，Mid journey，Runway，后续也会开发Stable Diffusion的课程。希望大家学得开心😄
61 1431
燃尽了，这一定是你看到最全的评估personal agent好用上限的文章了。我目前用过muse，spark，cue，灵光，today，dots，instinct，hermes（是的，它跟openclaw一起现在也被归类pa），poke，grok bot，千问go
用完12个Personal Agent后，我找到了决定好用上限的五个标准
6 30
我今年是用了又用，从agent用到working agent用到personal agent，这25个提示语还是跟着我，比陈奕迅的背包还耐用
开源「提示语管理.skill」，就为快速选出最适合你的Prompt（附25个深度思考提示语）
4 31
来不及为personal agent悲伤了，现在登场的是personal design agent！
实测Lovart 2.0，AI设计终于可以打破千篇一律的模板化死板了
5 10
codex和claude code融合最好的一次
豆包工作悄悄上新功能，把我多Agent记忆整合的焦虑治好了
1 10
开香槟了，gemini4的写作能力重归巅峰了
实测Gemini 4 Argon写作能力，百万上下文竟恐怖如斯
4 10
我真的受够了模型每次给我输出几千几万字，然后给我一个无限循环的建议，所以这个提示语就是来解决这个问题的💪
开源「红绿灯」提示语，解决Agent刹不住车浪费token额度的老毛病
3 11
🕶️真的没空跟你们这些大水、大睡、大菜、薄肌理论的闹了，现在我提出大AI理论！
🔥大水理论为什么比薄肌理论火？
薄肌还需要练，大水理论是真的直接来瓶水就可以了。大AI理论也吸收了这个顶级优点，不挑订阅，不挑模型，不挑Agent框架，不需要记提示语，主打一个分三阶段给AI对话就可以把模型干活能力拉到极致。
1️⃣第一步，把现在用的模型推理程度拉到最高，选择计划模式，然后把键盘完全丢掉，用语音，图片和视频发信息。
就把AI当成平时跟朋友聊天那样，我跟朋友解释一个梗的时候也不会一个个图一句句话说，都是直接一个视频丢过去让TA看来龙去脉，大部分有多模态能力的AI也能做到。
而且语音输入就最大化降低信息损耗，我不夸张，现在AI语音识别就算没有一些技术词的词典，一次正常的录入也就改1-2次，改完之后还能收录到词典，性价比真的相当高。
这步的核心就一句话，你脑子里那些乱七八糟的想法，不过滤不整理，全部倒给AI。你越懒得打字越不想组织语言，这步效果反而越好。因为高推理模式会把碎片整理成完整计划。打字的时候你反而会下意识精简，信息就在精简的过程里丢了。
2️⃣ 第二步，把模型推理程度改到中档，快速实现干活！
在纯代码实现或者Agent干活的情况下，中档和高档的推理程度在质量上没有拉出太大的差距，速度的提升是相当可观的。
这有一个大前提，就是第一步的需求描述必须足够详细。这个在一个叫Terminal Bench 3.0的基准测试上有过数据验证，详细需求 + 中档推理，和模糊需求 + 高档推理比，前者的完成质量反而更高。
你想想看这其实跟人交接工作一样。一份写得巨详细的PRD交给一个中等水平的程序员，干出来的活大概率比你甩一句「帮我搞个xx」给大牛要靠谱。
3️⃣第三步，把模型推理改到高以上的档位，验证之前干的活！
这步是整个理论的灵魂。中档推理干活快是快，但脑子转得没那么细。就跟赶DDL写代码一样，功能能跑就行，细节先不管。
所以你要把推理调回高档甚至拉满，让AI review自己中档时候干的活。我自己的经验，这一步至少能额外揪出来20%-30%的问题。边界情况没处理，逻辑有漏洞，有更好的实现方式，全都是在这步被捞出来的。而且验证的速度其实很快。审查已有的东西比从零开始写快得多，高推理花在验证上的时间大概只有从头生成的三分之一。
❓这时候就有可能会说，
那我直接全程推理程度拉满不就完了？
说真的我一开始也是这么干的。但全程拉满有两个问题，就算额度完全用不完。一个是慢，真的很慢，你坐那等半天效率反而不如中档快速迭代。另一个是高推理在执行阶段容易想太多，纠结半天选方案A还是方案B，你给它一个明确的计划让它别想直接干，产出反而更稳定。
💡一开始提出这大AI理论本身是想玩梗的，没想到真的做出来这个如此有用的超大杯、中杯、大杯的理论。
有时候有用的东西就是这么朴素。
大AI理论，三步就够了。
🔥大水理论为什么比薄肌理论火？
薄肌还需要练，大水理论是真的直接来瓶水就可以了。大AI理论也吸收了这个顶级优点，不挑订阅，不挑模型，不挑Agent框架，不需要记提示语，主打一个分三阶段给AI对话就可以把模型干活能力拉到极致。
1️⃣第一步，把现在用的模型推理程度拉到最高，选择计划模式，然后把键盘完全丢掉，用语音，图片和视频发信息。
就把AI当成平时跟朋友聊天那样，我跟朋友解释一个梗的时候也不会一个个图一句句话说，都是直接一个视频丢过去让TA看来龙去脉，大部分有多模态能力的AI也能做到。
而且语音输入就最大化降低信息损耗，我不夸张，现在AI语音识别就算没有一些技术词的词典，一次正常的录入也就改1-2次，改完之后还能收录到词典，性价比真的相当高。
这步的核心就一句话，你脑子里那些乱七八糟的想法，不过滤不整理，全部倒给AI。你越懒得打字越不想组织语言，这步效果反而越好。因为高推理模式会把碎片整理成完整计划。打字的时候你反而会下意识精简，信息就在精简的过程里丢了。
2️⃣ 第二步，把模型推理程度改到中档，快速实现干活！
在纯代码实现或者Agent干活的情况下，中档和高档的推理程度在质量上没有拉出太大的差距，速度的提升是相当可观的。
这有一个大前提，就是第一步的需求描述必须足够详细。这个在一个叫Terminal Bench 3.0的基准测试上有过数据验证，详细需求 + 中档推理，和模糊需求 + 高档推理比，前者的完成质量反而更高。
你想想看这其实跟人交接工作一样。一份写得巨详细的PRD交给一个中等水平的程序员，干出来的活大概率比你甩一句「帮我搞个xx」给大牛要靠谱。
3️⃣第三步，把模型推理改到高以上的档位，验证之前干的活！
这步是整个理论的灵魂。中档推理干活快是快，但脑子转得没那么细。就跟赶DDL写代码一样，功能能跑就行，细节先不管。
所以你要把推理调回高档甚至拉满，让AI review自己中档时候干的活。我自己的经验，这一步至少能额外揪出来20%-30%的问题。边界情况没处理，逻辑有漏洞，有更好的实现方式，全都是在这步被捞出来的。而且验证的速度其实很快。审查已有的东西比从零开始写快得多，高推理花在验证上的时间大概只有从头生成的三分之一。
❓这时候就有可能会说，
那我直接全程推理程度拉满不就完了？
说真的我一开始也是这么干的。但全程拉满有两个问题，就算额度完全用不完。一个是慢，真的很慢，你坐那等半天效率反而不如中档快速迭代。另一个是高推理在执行阶段容易想太多，纠结半天选方案A还是方案B，你给它一个明确的计划让它别想直接干，产出反而更稳定。
💡一开始提出这大AI理论本身是想玩梗的，没想到真的做出来这个如此有用的超大杯、中杯、大杯的理论。
有时候有用的东西就是这么朴素。
大AI理论，三步就够了。
7 23
继大水和薄肌理论之后，我要提出大语音理论了
八款AI语音输入法大横测！我找到了Vibe Coding的最佳搭配
1 20