即刻App年轻人的同好社区
下载
说一个 AI 视频模型的暴论。
不管视频模型或者视频 Agent 变得多么强大，这类产品最核心的用户，依然是专业创作者。
因为这里面有一个很有意思的悖论。
假如视频模型最终可以从一个点子出发，直接生成一支完整的视频，人几乎不需要参与，那么这支片子大概率也很难有生命力。
道理很简单。假如生成一支完整视频的成本已经低到这种程度，每个人都可以不断生成，那市场上很快就会堆满无数这样的内容。
内容的供给可以无限增加，用户的时间却不会跟着增加。
到了那个时候，能够生成视频本身就没有那么重要了。真正决定结果的，依然是创作者的判断、经验和表达。而有高水准的审美判断和表达能力的人，肯定是专业的创作者。
不管视频模型或者视频 Agent 变得多么强大，这类产品最核心的用户，依然是专业创作者。
因为这里面有一个很有意思的悖论。
假如视频模型最终可以从一个点子出发，直接生成一支完整的视频，人几乎不需要参与，那么这支片子大概率也很难有生命力。
道理很简单。假如生成一支完整视频的成本已经低到这种程度，每个人都可以不断生成，那市场上很快就会堆满无数这样的内容。
内容的供给可以无限增加，用户的时间却不会跟着增加。
到了那个时候，能够生成视频本身就没有那么重要了。真正决定结果的，依然是创作者的判断、经验和表达。而有高水准的审美判断和表达能力的人，肯定是专业的创作者。
4 00
张一鸣目前把 50% 的时间都投入到了 Seed 上。这是徐新在播客里提到的。
大部分公司发展到一定规模后，创始人都会逐渐从业务一线退出来，开始管理战略、资本、组织和文化。这没有问题，也是大公司的必经阶段。
但张一鸣选择了一条不同的路。即使字节已经是一家拥有巨大商业规模的公司，他依然把大量时间投入到 AI 最前沿的技术探索中。这可能也是字节未来能否赢得大模型竞争的关键因素之一。
因为大模型很多时候像炼丹。今天押注什么方向，采用什么训练方法，如何组织最顶尖的人才，这些选择都会直接决定公司的上限。
所以，创始人需要持续阅读论文，和最前沿的研究者交流，理解那些还没有被市场验证的方向。
徐新说，公司的系统、流程、人员都可以逐渐复制和替代，但创始人的大脑，以及他调动资源的能力，没有人能够替代。
大部分公司发展到一定规模后，创始人都会逐渐从业务一线退出来，开始管理战略、资本、组织和文化。这没有问题，也是大公司的必经阶段。
但张一鸣选择了一条不同的路。即使字节已经是一家拥有巨大商业规模的公司，他依然把大量时间投入到 AI 最前沿的技术探索中。这可能也是字节未来能否赢得大模型竞争的关键因素之一。
因为大模型很多时候像炼丹。今天押注什么方向，采用什么训练方法，如何组织最顶尖的人才，这些选择都会直接决定公司的上限。
所以，创始人需要持续阅读论文，和最前沿的研究者交流，理解那些还没有被市场验证的方向。
徐新说，公司的系统、流程、人员都可以逐渐复制和替代，但创始人的大脑，以及他调动资源的能力，没有人能够替代。
7 00
很多提示词和 Skill，都已经过时了。
Anthropic 的工程师发了一篇文章，提到他们针对 Claude Opus 5、Claude Fable 5 这一代新模型，团队把 Claude Code 的系统提示词删掉了 80% 以上，结果在代码评测里没有看到明显损失。
这件事至少说明，在 AI 快速变化的节奏里，很多所谓的最佳实践，保质期可能非常短。
模型能力一直在提升，一些过去必须反复强调的规则，今天可能已经没有价值，甚至会限制模型的表现。
我也想借这个机会，写一下最近关于提示词和 Skill 的一些真实经验和思考，希望能够给大家一些启发。
一、提示词依然重要
现在很多人会觉得，提示词已经没有什么意义了。
这话对了一半。过去那种八股文式的提示词，价值确实越来越低。比如先给 AI 设定一个复杂角色：
你是一位资深的新媒体编辑，熟悉互联网行业，拥有十年写作经验，请帮我优化这篇文章。
这类角色预置，在新模型上的作用已经没有过去那么明显。模型本身知道编辑是怎么工作的，也知道一篇文章大概要怎么修改。
但这不代表提示词不重要。
如果把提示词换成另一个词，它其实就是：我们怎么跟 AI 沟通。
就像我们和人沟通一样，同样让一个人完成一件事，不同的沟通方式，最后得到的结果也可能完全不同。
所以，我现在更愿意把提示词理解成一种沟通思路。你怎么描述问题，怎么拆解任务，怎么告诉 AI 你真正关心什么，这些依然无比重要。
比如，我想让 AI 帮我总结一篇论文，我很少只说总结一下这篇论文。
我通常会告诉它：
这篇论文主要解决了什么问题？作者是怎么解决的？这个方法和过去的方法相比，真正的变化是什么？
这样问之后，AI 的回答通常会更容易抓住论文的主线。
因为我没有只给它一个模糊的动作，而是告诉了它，我想从哪些角度理解这篇论文。
二、少做角色预置，把任务说清楚
过去写提示词，大家喜欢铺垫很多背景。
先设定角色，再描述能力，然后补充语气、风格、工作流程，最后才说真正要完成什么。
提示词写了几百字，核心任务可能只有一句。
现在我觉得，这些铺垫很多时候已经没有必要。
提示词里真正重要的，是把几件事情分开说清楚。包括这次要达到什么目标，规则或者流程是什么，怎么才算完成。
比如，整理一段语音底稿，可以这样写：
把下面的语音底稿整理成一篇可以继续修改的公众号初稿。
删除重复的口头禅，合并意思相近的内容，调整明显跳跃的段落。
注意保留原来的核心判断，不主动增加新的观点、案例和结论。
完成标准是读者能够看清文章在讨论什么，作者的核心判断是什么，以及这些判断之间有什么关系。
我现在越来越觉得，好的提示词不需要写得复杂，先把这几件事情想清楚，已经解决了大部分问题。
其实就像把一件事交代给同事，你怎么说，他才更容易理解。
三、规则需要有，但不要太多
有一段时间，我看到特别长的提示词，会觉得非常专业，恨不得马上保存下来。
现在的感受刚好相反。
一条提示词特别长，很多时候说明写提示词的人自己也没有完全想清楚。
他只是把可能遇到的问题全部堆了进去，希望模型自己处理。
规则当然需要。
比如我在写作时发现，模型经常大量使用单字动词，文章读起来会比较硬。
我不喜欢这种表达，就会明确告诉它尽量使用更准确的双字动词，但不要为了凑字显得生硬。
这属于稳定的个人偏好，告诉模型是有价值的。但规则太多就会出现问题。
比如你同时要求语言简洁、内容详细、不要长句、不要太口语、不要调整原文节奏、同时优化文章结构......
这些规则很容易打架。
毕竟模型必须先花费大量精力理解哪一条规则优先，最后可能每一条都照顾了一点，但整体效果反而下降。
新模型已经具备比较强的推理和判断能力。提示词不需要提前规定每一个动作，只需要保留那些真正重要的规则。
规则越多，不一定代表控制越精确，也可能代表人没有完成取舍。
四、要不要提供示例，要具体情况具体看
以前写提示词，还有一个非常常见的做法，就是提供大量示例。
这个方法当然有效，但我现在越来越谨慎。
因为示例一方面能够帮助模型理解我们的要求，另一方面也会限制模型的探索空间。
尤其是模型能力越来越强以后，它有时候会过度模仿示例，最后只能在示例附近生成答案。
所以，要不要提供示例，我觉得不能一概而论。需要自己结合具体的情况去试。
现在，我大部分的情况下，都默认不提供示例。
比如让 AI 帮忙写文章开头，我提供了示例，它基本就照猫画虎了，很刻意。
其实这时候，我们可以把自己思路说的更具体点，比如：
这个开头可以考虑从一个具体故事进入，也可以从一组反常的数据进入，或者从我最近的一个真实感受进入。
这并没有规定开头必须怎么写，但给了模型几个明确的思考方向。
所以，仍然是那句话，思路非常重要。
五、告诉模型，什么样才算完成
这也是我最近非常重视的一点。
我们经常告诉 AI 要完成什么，却很少告诉它，什么样的结果才算完成。
比如让 AI 总结一篇文章，最简单的提示词是：
总结这篇文章。
但你也可以写成：
总结这篇文章。完成后，我希望能够回答三个问题：作者发现了什么变化？为什么会发生这种变化？这件事对普通从业者有什么影响？
这相当于给模型提供了一个简单的验收标准。
再比如，让 AI 完成一份产品分析，可以说：
最终结论需要能够帮助团队做出产品决策，不能只介绍产品有哪些功能。
这个要求就比请深入分析这个产品清楚很多。
深入是一个非常模糊的形容词。什么叫深入，每个人的理解都不一样。但能不能支持产品决策，是一个可以检查的标准。
说完提示词，再说 Skill。Skill 就是一份按需加载的小型工作手册。但并不是每一个提示词、每一个场景，都适合做成 Skill。
一、经常发生、流程稳定的事情，才适合做成 Skill
我觉得一类任务想要做成 Skill，至少要满足几个条件：
第一，它经常发生。第二，它的工作流程相对稳定。第三，里面包含一些模型本身不知道的个人经验、团队经验或者业务知识。
这些事情会反复出现，处理方式也相对稳定，适合慢慢沉淀成 Skill。
但某一篇文章的具体观点和材料，没有必要放进 Skill。它们只和当前任务相关，直接作为参考材料提供给模型就可以了。
没必要把所有东西都做成 Skill。
Agent 在运行时，即便没有加载 Skill 的全部内容，通常也需要先读取它的名称、简介和适用范围。这些基础信息同样会进入上下文，对模型的判断产生影响。
Skill 越多，不代表 Agent 越强。大量边界模糊的 Skill，也可能让模型不知道该调用哪一个。
二、Skill 里要放独特经验
我觉得一个 Skill 最有价值的地方，绝对不是那些网上随便就能找到的常识。
比如你在写作 Skill 里写文章要有逻辑、标题要有吸引力，这些内容模型本来就知道，写进去不会带来太大帮助。
真正有价值的是你自己的经验。
比如，修改语音底稿时，要保留口语里的活人感，每个核心判断最好有一个事实、数据或者亲身经历支撑。
这些内容代表了我们的个人品味、工作经验和业务知识。把这些经验编码进 Skill，才是 Skill 真正的价值。
三、Skill 需要控制抽象程度和边界
很多 Skill 的问题，是解决问题的范围太大。
比如一个叫写作的 Skill，边界就非常模糊。写作包括选题、资料阅读、形成观点、整理初稿、修改结构、优化语言、生成标题、检查错别字。
每一个环节需要的经验和评价标准都不一样。
把所有东西都放进同一个 Skill，最后这个 Skill 只会越来越长。
所以我觉得，Skill 最好只解决一个相对明确的问题。比如口述内容整理 Skill、标题生成 Skill、事实核查 Skill。
Skill 的边界越清楚，模型越容易判断什么时候调用，也越容易把它做好。
四、Skill 的主文件应该尽量短
Skill 通常是一个文件夹。
里面可以包含主文件、参考案例、常见问题、风格规范、检查清单，以及其他辅助材料。
所以没有必要把所有内容都写进主文件。
主文件只需要告诉模型：这个 Skill 什么时候使用、它主要解决什么问题、有哪些核心原则、默认按照什么思路推进、遇到具体问题时，可以继续读取哪些参考文件。
至于详细示例、风格要求、常见错误，可以放进单独的文件，等模型真正需要时再加载。
主文件是一张地图。模型先看地图，判断这次任务需要哪些内容，再继续读取相应的文件。
这就是渐进式加载。
不需要的内容不要提前塞给模型。这样既能减轻上下文负担，也能够减少不同规则之间的冲突。
五、Skill 最好包含检查环节
这一点和提示词非常接近。
只告诉模型怎么生成，往往还不够。一个好的 Skill，最好包含一套简单的自检标准。
比如产品体验稿 Skill，可以检查：有没有写清楚真实使用场景、有没有说明过去的方法有什么问题、有没有只有功能，没有判断。
这些自检标准，也是在告诉模型什么样才算完成。
一个 Skill 的价值，不能只体现在生成过程，还要体现在它能够帮助模型判断结果是否合格。
Anthropic 的工程师发了一篇文章，提到他们针对 Claude Opus 5、Claude Fable 5 这一代新模型，团队把 Claude Code 的系统提示词删掉了 80% 以上，结果在代码评测里没有看到明显损失。
这件事至少说明，在 AI 快速变化的节奏里，很多所谓的最佳实践，保质期可能非常短。
模型能力一直在提升，一些过去必须反复强调的规则，今天可能已经没有价值，甚至会限制模型的表现。
我也想借这个机会，写一下最近关于提示词和 Skill 的一些真实经验和思考，希望能够给大家一些启发。
一、提示词依然重要
现在很多人会觉得，提示词已经没有什么意义了。
这话对了一半。过去那种八股文式的提示词，价值确实越来越低。比如先给 AI 设定一个复杂角色：
你是一位资深的新媒体编辑，熟悉互联网行业，拥有十年写作经验，请帮我优化这篇文章。
这类角色预置，在新模型上的作用已经没有过去那么明显。模型本身知道编辑是怎么工作的，也知道一篇文章大概要怎么修改。
但这不代表提示词不重要。
如果把提示词换成另一个词，它其实就是：我们怎么跟 AI 沟通。
就像我们和人沟通一样，同样让一个人完成一件事，不同的沟通方式，最后得到的结果也可能完全不同。
所以，我现在更愿意把提示词理解成一种沟通思路。你怎么描述问题，怎么拆解任务，怎么告诉 AI 你真正关心什么，这些依然无比重要。
比如，我想让 AI 帮我总结一篇论文，我很少只说总结一下这篇论文。
我通常会告诉它：
这篇论文主要解决了什么问题？作者是怎么解决的？这个方法和过去的方法相比，真正的变化是什么？
这样问之后，AI 的回答通常会更容易抓住论文的主线。
因为我没有只给它一个模糊的动作，而是告诉了它，我想从哪些角度理解这篇论文。
二、少做角色预置，把任务说清楚
过去写提示词，大家喜欢铺垫很多背景。
先设定角色，再描述能力，然后补充语气、风格、工作流程，最后才说真正要完成什么。
提示词写了几百字，核心任务可能只有一句。
现在我觉得，这些铺垫很多时候已经没有必要。
提示词里真正重要的，是把几件事情分开说清楚。包括这次要达到什么目标，规则或者流程是什么，怎么才算完成。
比如，整理一段语音底稿，可以这样写：
把下面的语音底稿整理成一篇可以继续修改的公众号初稿。
删除重复的口头禅，合并意思相近的内容，调整明显跳跃的段落。
注意保留原来的核心判断，不主动增加新的观点、案例和结论。
完成标准是读者能够看清文章在讨论什么，作者的核心判断是什么，以及这些判断之间有什么关系。
我现在越来越觉得，好的提示词不需要写得复杂，先把这几件事情想清楚，已经解决了大部分问题。
其实就像把一件事交代给同事，你怎么说，他才更容易理解。
三、规则需要有，但不要太多
有一段时间，我看到特别长的提示词，会觉得非常专业，恨不得马上保存下来。
现在的感受刚好相反。
一条提示词特别长，很多时候说明写提示词的人自己也没有完全想清楚。
他只是把可能遇到的问题全部堆了进去，希望模型自己处理。
规则当然需要。
比如我在写作时发现，模型经常大量使用单字动词，文章读起来会比较硬。
我不喜欢这种表达，就会明确告诉它尽量使用更准确的双字动词，但不要为了凑字显得生硬。
这属于稳定的个人偏好，告诉模型是有价值的。但规则太多就会出现问题。
比如你同时要求语言简洁、内容详细、不要长句、不要太口语、不要调整原文节奏、同时优化文章结构......
这些规则很容易打架。
毕竟模型必须先花费大量精力理解哪一条规则优先，最后可能每一条都照顾了一点，但整体效果反而下降。
新模型已经具备比较强的推理和判断能力。提示词不需要提前规定每一个动作，只需要保留那些真正重要的规则。
规则越多，不一定代表控制越精确，也可能代表人没有完成取舍。
四、要不要提供示例，要具体情况具体看
以前写提示词，还有一个非常常见的做法，就是提供大量示例。
这个方法当然有效，但我现在越来越谨慎。
因为示例一方面能够帮助模型理解我们的要求，另一方面也会限制模型的探索空间。
尤其是模型能力越来越强以后，它有时候会过度模仿示例，最后只能在示例附近生成答案。
所以，要不要提供示例，我觉得不能一概而论。需要自己结合具体的情况去试。
现在，我大部分的情况下，都默认不提供示例。
比如让 AI 帮忙写文章开头，我提供了示例，它基本就照猫画虎了，很刻意。
其实这时候，我们可以把自己思路说的更具体点，比如：
这个开头可以考虑从一个具体故事进入，也可以从一组反常的数据进入，或者从我最近的一个真实感受进入。
这并没有规定开头必须怎么写，但给了模型几个明确的思考方向。
所以，仍然是那句话，思路非常重要。
五、告诉模型，什么样才算完成
这也是我最近非常重视的一点。
我们经常告诉 AI 要完成什么，却很少告诉它，什么样的结果才算完成。
比如让 AI 总结一篇文章，最简单的提示词是：
总结这篇文章。
但你也可以写成：
总结这篇文章。完成后，我希望能够回答三个问题：作者发现了什么变化？为什么会发生这种变化？这件事对普通从业者有什么影响？
这相当于给模型提供了一个简单的验收标准。
再比如，让 AI 完成一份产品分析，可以说：
最终结论需要能够帮助团队做出产品决策，不能只介绍产品有哪些功能。
这个要求就比请深入分析这个产品清楚很多。
深入是一个非常模糊的形容词。什么叫深入，每个人的理解都不一样。但能不能支持产品决策，是一个可以检查的标准。
说完提示词，再说 Skill。Skill 就是一份按需加载的小型工作手册。但并不是每一个提示词、每一个场景，都适合做成 Skill。
一、经常发生、流程稳定的事情，才适合做成 Skill
我觉得一类任务想要做成 Skill，至少要满足几个条件：
第一，它经常发生。第二，它的工作流程相对稳定。第三，里面包含一些模型本身不知道的个人经验、团队经验或者业务知识。
这些事情会反复出现，处理方式也相对稳定，适合慢慢沉淀成 Skill。
但某一篇文章的具体观点和材料，没有必要放进 Skill。它们只和当前任务相关，直接作为参考材料提供给模型就可以了。
没必要把所有东西都做成 Skill。
Agent 在运行时，即便没有加载 Skill 的全部内容，通常也需要先读取它的名称、简介和适用范围。这些基础信息同样会进入上下文，对模型的判断产生影响。
Skill 越多，不代表 Agent 越强。大量边界模糊的 Skill，也可能让模型不知道该调用哪一个。
二、Skill 里要放独特经验
我觉得一个 Skill 最有价值的地方，绝对不是那些网上随便就能找到的常识。
比如你在写作 Skill 里写文章要有逻辑、标题要有吸引力，这些内容模型本来就知道，写进去不会带来太大帮助。
真正有价值的是你自己的经验。
比如，修改语音底稿时，要保留口语里的活人感，每个核心判断最好有一个事实、数据或者亲身经历支撑。
这些内容代表了我们的个人品味、工作经验和业务知识。把这些经验编码进 Skill，才是 Skill 真正的价值。
三、Skill 需要控制抽象程度和边界
很多 Skill 的问题，是解决问题的范围太大。
比如一个叫写作的 Skill，边界就非常模糊。写作包括选题、资料阅读、形成观点、整理初稿、修改结构、优化语言、生成标题、检查错别字。
每一个环节需要的经验和评价标准都不一样。
把所有东西都放进同一个 Skill，最后这个 Skill 只会越来越长。
所以我觉得，Skill 最好只解决一个相对明确的问题。比如口述内容整理 Skill、标题生成 Skill、事实核查 Skill。
Skill 的边界越清楚，模型越容易判断什么时候调用，也越容易把它做好。
四、Skill 的主文件应该尽量短
Skill 通常是一个文件夹。
里面可以包含主文件、参考案例、常见问题、风格规范、检查清单，以及其他辅助材料。
所以没有必要把所有内容都写进主文件。
主文件只需要告诉模型：这个 Skill 什么时候使用、它主要解决什么问题、有哪些核心原则、默认按照什么思路推进、遇到具体问题时，可以继续读取哪些参考文件。
至于详细示例、风格要求、常见错误，可以放进单独的文件，等模型真正需要时再加载。
主文件是一张地图。模型先看地图，判断这次任务需要哪些内容，再继续读取相应的文件。
这就是渐进式加载。
不需要的内容不要提前塞给模型。这样既能减轻上下文负担，也能够减少不同规则之间的冲突。
五、Skill 最好包含检查环节
这一点和提示词非常接近。
只告诉模型怎么生成，往往还不够。一个好的 Skill，最好包含一套简单的自检标准。
比如产品体验稿 Skill，可以检查：有没有写清楚真实使用场景、有没有说明过去的方法有什么问题、有没有只有功能，没有判断。
这些自检标准，也是在告诉模型什么样才算完成。
一个 Skill 的价值，不能只体现在生成过程，还要体现在它能够帮助模型判断结果是否合格。
54 420
上周在山西看古建，我彻底爱上了 ChatGPT 的语音模式。
起因是我逛大同善化寺的时候，请了个导游，结果非常坑。很多明显的历史问题导游都说错了，而且追问也答不上来，看起来完全是背了一套讲解词。
后来，我打开 ChatGPT 的语音模式，戴上耳机，简直太爽了。大家看截图。我用的是实时语音模式，但 ChatGPT 也转为了文本留存。
感觉这个模式非常适合沉浸式的逛古建。从佛教到历史，再到营造法式，ChatGPT 都可以像一个很渊博的朋友一样，和我交流。
周日，我去了永安禅寺，又用类似的方式逛了一下午。意犹未尽。
起因是我逛大同善化寺的时候，请了个导游，结果非常坑。很多明显的历史问题导游都说错了，而且追问也答不上来，看起来完全是背了一套讲解词。
后来，我打开 ChatGPT 的语音模式，戴上耳机，简直太爽了。大家看截图。我用的是实时语音模式，但 ChatGPT 也转为了文本留存。
感觉这个模式非常适合沉浸式的逛古建。从佛教到历史，再到营造法式，ChatGPT 都可以像一个很渊博的朋友一样，和我交流。
周日，我去了永安禅寺，又用类似的方式逛了一下午。意犹未尽。
15 10
感觉所有重度使用 AI 的人，都应该去听一听罗大佑的新歌《所以》。 他唱出了 AI 对于时代中人的冲击。我单曲循环听一周了。
想起昨天还有个朋友在群里吐槽，他说和 AI 沟通得越多，就越不想和真实的人交流。和 AI 说话很轻松，不需要照顾对方的情绪，也不用担心自己的表达被误解。
但和人聊天不一样。我们要判断语气，理解话外之意，还要顾及彼此的感受。久而久之，真实的人际关系反而显得笨拙、低效，甚至充满负担。
罗大佑在歌里写，AI 的指数不断上扬，人类把网络延伸到了天空和宇宙，也把自己困进了数据的罗网。
我们可以随时连接全世界，却越来越难确认，眼前的表达究竟来自一个真实的人，还是 AI 生成的内容。
也许这时候我们应该停下来想一想，作为人重要的是什么。技术可以一直向外延伸，人最终还是要关注自己内心，回归自己的生活。因为人终究不是机器。
想起昨天还有个朋友在群里吐槽，他说和 AI 沟通得越多，就越不想和真实的人交流。和 AI 说话很轻松，不需要照顾对方的情绪，也不用担心自己的表达被误解。
但和人聊天不一样。我们要判断语气，理解话外之意，还要顾及彼此的感受。久而久之，真实的人际关系反而显得笨拙、低效，甚至充满负担。
罗大佑在歌里写，AI 的指数不断上扬，人类把网络延伸到了天空和宇宙，也把自己困进了数据的罗网。
我们可以随时连接全世界，却越来越难确认，眼前的表达究竟来自一个真实的人，还是 AI 生成的内容。
也许这时候我们应该停下来想一想，作为人重要的是什么。技术可以一直向外延伸，人最终还是要关注自己内心，回归自己的生活。因为人终究不是机器。
3 00
字节这事儿做得还是让我非常敬佩。
如果五年后再回头看字节的 AI 历程，我想，他们今天推出的科学家计划肯定会成为其中一个重要节点。
事情是这样。今天上午，字节 Seed Edge 启动了一个科学家计划，准备邀请 100 位前沿科学领域的学者和博士生，与 Seed 团队一起研究真实的科学问题。
科学家可以把自己领域里真正困难的问题带进来，Seed 提供模型、算力和 AI 研究团队，双方一起探索，大模型究竟能不能参与那些没有标准答案、需要长期推理和反复验证的研究。
看到这个计划，我首先想到的是 OpenAI。
去年，OpenAI 曾经专门推动过 OpenAI for Science，希望让 AI 更深入地参与科学研究。
但到了今年，在激烈的模型竞争下，OpenAI 调整了这方面的组织和投入，原来的独立 Science 团队也被解散了。
Anthropic 也有在做类似的事情。今天还看到他们的研究员在播客里讨论怎么利用 AI 把 10 到 15 年的药物周期研发压到 5 年以内。
看来现在，字节要开始认真做类似的事情了。这是国内第一个大规模投入 AI 加速科学发现的研究计划。
我简单解释两句。
从商业化的角度来看，这事肯定没有 Coding 那么直观。毕竟现在 Coding 只要效果好，很快就能转化为收入。
AI 加速科学发现这样的研究反馈周期会长很多，而且现在看起来还比较遥远。
但只要这个方向取得突破，产生的价值可能远远超过一个软件产品。
大家想想，如果 AI 可以把未来 25 年的科学进展压缩到 5 年，那么到了 2030 年，人类就可能提前拥有原本要到 2050 年才能获得的科学和技术。
这当然是一个非常乐观的判断。但哪怕只在一些领域取得突破，也可能影响几亿人的生活。
往大了说，它可以加快整个人类文明向前推进的速度。
这不就是 AGI 的价值吗？
可能很多人熟悉字节跳动，但不一定熟悉字节的 Seed 团队。这个团队一直在做深入的前沿研究，而且人才密度很高。前段时间，记得晚点一篇文章提到姚顺雨的观点说：
大模型训练没有银弹。
真正决定模型能力的，还是把数据质量做好，把基础架构做扎实。
OpenAI 和 Anthropic 过去很多年的积累，本质上也是这些看起来没那么性感的基本功。
其实，字节 Seed 很早就在这么做了。不信大家可以查查，Anthropic 从来没有指责过字节蒸馏他们的模型。
因为 Seed 很早就定了一条价值观，不依赖外部闭源模型蒸馏来获取核心能力。还有他们在基础架构、数据上的投入也比较大。
包括 Seedance 2.0 为什么能够一下子炸了，业内一个比较普遍的判断是，字节在数据上做了大量基础工作。
毕竟发展到今天，各家在模型路线上的差距已经没有那么大了。真正拉开差距的，往往是一些脏话累活，以及整个研究团队的文化。
另外，Seed 内部还有一支团队，叫 Seed Edge。
这个团队专门研究一些确定性没有那么高，甚至几年都未必能看到结果的课题。
这次的 STEM 科学家计划，就是由他们发起的。
前段时间我写过的 EdgeBench，也是 Seed Edge 的成果。
他们发现模型从环境中学习，似乎也和预训练一样，存在自己的 Scaling Law。
投入的交互时间越多，模型能力的提升也会遵循一条相对稳定的规律。
我曾经看到过一个观点：培养熵，才是研究实验室长期繁荣的唯一方式。
这里的熵，可以理解成一个研究组织内部保留了多少不确定性、差异和可能性。
因为研究和做产品不太一样。做产品时，目标通常比较明确，组织需要尽快形成共识，把所有人的力量集中到同一个方向上。
但研究面对的往往是未知问题。既然答案还不存在，也就很难提前判断哪条路线是对的。
在这种情况下，如果一个实验室过早形成统一判断，所有人都去研究眼下最热门、最容易出成果的方向，短期效率可能很高，长期却容易陷入同一个局部最优。
大家使用相似的方法，追逐相似的指标，最后得到的也很可能是相似的结果。
真正有创造力的研究组织，需要保留一些暂时无法被证明的想法。
有的人沿着主流路线继续推进，把已有方法做到更好。也有人去研究冷门问题，做一些人可能几年都拿不出明确成果。这就是培养熵。
这些熵当然会带来噪声，带来争论，甚至带来失败。但新的突破往往就是在这种状态里酝酿出来的。
回头看那些长期保持创造力的研究实验室，其实都有类似的特点。
说实话，字节做这件事，我也挺意外。因为过去类似的构想，基本上都是硅谷公司在做。
中国互联网公司过去给人的印象，一直是产品能力和商业化能力特别强。
它们很擅长把一项技术迅速做成产品，再推到足够大的用户规模。
字节 Seed 愿意在这个阶段认真投入这件事，挺让人振奋的。
因为模型能力提升越来越快，很多短期指标都会迅速被后来者追平。这样的前沿性的探索，会真正决定模型的上限。
如果五年后再回头看字节的 AI 历程，我想，他们今天推出的科学家计划肯定会成为其中一个重要节点。
事情是这样。今天上午，字节 Seed Edge 启动了一个科学家计划，准备邀请 100 位前沿科学领域的学者和博士生，与 Seed 团队一起研究真实的科学问题。
科学家可以把自己领域里真正困难的问题带进来，Seed 提供模型、算力和 AI 研究团队，双方一起探索，大模型究竟能不能参与那些没有标准答案、需要长期推理和反复验证的研究。
看到这个计划，我首先想到的是 OpenAI。
去年，OpenAI 曾经专门推动过 OpenAI for Science，希望让 AI 更深入地参与科学研究。
但到了今年，在激烈的模型竞争下，OpenAI 调整了这方面的组织和投入，原来的独立 Science 团队也被解散了。
Anthropic 也有在做类似的事情。今天还看到他们的研究员在播客里讨论怎么利用 AI 把 10 到 15 年的药物周期研发压到 5 年以内。
看来现在，字节要开始认真做类似的事情了。这是国内第一个大规模投入 AI 加速科学发现的研究计划。
我简单解释两句。
从商业化的角度来看，这事肯定没有 Coding 那么直观。毕竟现在 Coding 只要效果好，很快就能转化为收入。
AI 加速科学发现这样的研究反馈周期会长很多，而且现在看起来还比较遥远。
但只要这个方向取得突破，产生的价值可能远远超过一个软件产品。
大家想想，如果 AI 可以把未来 25 年的科学进展压缩到 5 年，那么到了 2030 年，人类就可能提前拥有原本要到 2050 年才能获得的科学和技术。
这当然是一个非常乐观的判断。但哪怕只在一些领域取得突破，也可能影响几亿人的生活。
往大了说，它可以加快整个人类文明向前推进的速度。
这不就是 AGI 的价值吗？
可能很多人熟悉字节跳动，但不一定熟悉字节的 Seed 团队。这个团队一直在做深入的前沿研究，而且人才密度很高。前段时间，记得晚点一篇文章提到姚顺雨的观点说：
大模型训练没有银弹。
真正决定模型能力的，还是把数据质量做好，把基础架构做扎实。
OpenAI 和 Anthropic 过去很多年的积累，本质上也是这些看起来没那么性感的基本功。
其实，字节 Seed 很早就在这么做了。不信大家可以查查，Anthropic 从来没有指责过字节蒸馏他们的模型。
因为 Seed 很早就定了一条价值观，不依赖外部闭源模型蒸馏来获取核心能力。还有他们在基础架构、数据上的投入也比较大。
包括 Seedance 2.0 为什么能够一下子炸了，业内一个比较普遍的判断是，字节在数据上做了大量基础工作。
毕竟发展到今天，各家在模型路线上的差距已经没有那么大了。真正拉开差距的，往往是一些脏话累活，以及整个研究团队的文化。
另外，Seed 内部还有一支团队，叫 Seed Edge。
这个团队专门研究一些确定性没有那么高，甚至几年都未必能看到结果的课题。
这次的 STEM 科学家计划，就是由他们发起的。
前段时间我写过的 EdgeBench，也是 Seed Edge 的成果。
他们发现模型从环境中学习，似乎也和预训练一样，存在自己的 Scaling Law。
投入的交互时间越多，模型能力的提升也会遵循一条相对稳定的规律。
我曾经看到过一个观点：培养熵，才是研究实验室长期繁荣的唯一方式。
这里的熵，可以理解成一个研究组织内部保留了多少不确定性、差异和可能性。
因为研究和做产品不太一样。做产品时，目标通常比较明确，组织需要尽快形成共识，把所有人的力量集中到同一个方向上。
但研究面对的往往是未知问题。既然答案还不存在，也就很难提前判断哪条路线是对的。
在这种情况下，如果一个实验室过早形成统一判断，所有人都去研究眼下最热门、最容易出成果的方向，短期效率可能很高，长期却容易陷入同一个局部最优。
大家使用相似的方法，追逐相似的指标，最后得到的也很可能是相似的结果。
真正有创造力的研究组织，需要保留一些暂时无法被证明的想法。
有的人沿着主流路线继续推进，把已有方法做到更好。也有人去研究冷门问题，做一些人可能几年都拿不出明确成果。这就是培养熵。
这些熵当然会带来噪声，带来争论，甚至带来失败。但新的突破往往就是在这种状态里酝酿出来的。
回头看那些长期保持创造力的研究实验室，其实都有类似的特点。
说实话，字节做这件事，我也挺意外。因为过去类似的构想，基本上都是硅谷公司在做。
中国互联网公司过去给人的印象，一直是产品能力和商业化能力特别强。
它们很擅长把一项技术迅速做成产品，再推到足够大的用户规模。
字节 Seed 愿意在这个阶段认真投入这件事，挺让人振奋的。
因为模型能力提升越来越快，很多短期指标都会迅速被后来者追平。这样的前沿性的探索，会真正决定模型的上限。
10 83
日常写作，我会高频用到几个提示词。
今天想把我日常写作和阅读资料的提示词分享给大家，都是我过去两年慢慢积累和调整出来的。
我想说，很多场景中，提示词依然重要，依然重要。
和 AI 用不同的方法沟通，最后可能返回的结果完全不一样。
我之前写过自己的写作流程。简单来说，就是先用语音输入法把脑子里的想法口喷出来，不管结构，也不管口头禅，先把意思说完整。
然后再让 AI 根据我的文风，把这些比较乱的口语整理成初稿。
接下来，我会静下来，逐字逐句的修改。这中间，也会让 AI 参与。下面这些，就是我平时使用频率最高的提示词。
1）阅读资料
如果读的是一篇论文，或者技术类的讨论，可以这么说：
详细总结下这个论文（也可以是产品）解决了什么问题，思路是什么？有什么非共识的判断。
如果是一个随性的播客：
详细总结下这个播客的主线是在讨论什么？有什么非共识的判断吗？
2）整理语音底稿
假定你是我的资深编辑。这是我打的语音底稿，你不用大改，只需要把错别字改掉，没有捋顺的逻辑改掉，把特别口水的内容改掉，让它成为一篇逻辑顺畅但是符合我文风没有 AI 味道的文章。
该补充的地方补充，保证交给我的是可读的。MD 的内容供你参考。
当然，我也希望你能深度思考。看看我的表达哪里不准确。所以，确定的步骤是这样。
第一，你先理解语音底稿，和附件的信息，形成自己的理解和判断。
第二，你再在我的语音底稿的基础上开始修改和优化。但注意，整体的表达要用我的风格，不用改节奏和风格。
第三，不要刻意的使用排比句，不要使用一个字的动词。
第四，不懂的地方问我。不要硬凑句子。
有时候，我用语音输入法口喷完后，发现自己其实思路也没特别想清楚。这时候，可以和 AI 讨论。提示词是：
你读完这份语音底稿和 MD 内容后，告诉我：这篇文章真正想表达的核心判断是什么？只能说一个。
如果里面同时存在几个观点，也请告诉我哪个最值得作为主线，其他观点应该放在什么位置。
或者再进一步：
请站在一个长期关注 AI 的读者角度，检查我的语音底稿。看看哪些内容只是大家已经知道的常识？哪些内容真正提供了新的信息、判断或者观察？
3）修改稿件
有时候，总感觉某几句话说的稀里糊涂，总觉得没到位，这时候我会说：
你看看这句话是不是没说透？咱们深度讨论下。
再或者还有的情况下，我确实卡住没思路了。这种情况下，可以用这个提示词：
我实在没思路了。你看看如果继续线性推进我的观点的话，你会怎么写？不要着急续写，先给我你的思路。
如果有时候需要个例子，但自己没有想法，可以这么说：
帮我想一个锚点类比。好的类比是读者生活中熟悉的事物，同时能够准确刚刚的概念。
4）请 AI 提反馈建议
上面是我写的文章。不需要拍我马屁，作为一个资深的作者，你觉得这篇文章还有哪些地方可以优化？
或者有时候，担心自己的文章写的不准确。这时候可以用：
不要顺着我的观点说。请站在反方，找出这篇文章最容易被质疑的三个地方。
哪些判断证据不足？哪些推论跨得太远？哪些地方可能存在另一种解释？
再或者写完之后，我发现一篇文章信息很多，单段很好，但文章结构可以调整。
可以用：
先不要改句子，只检查文章结构。每一部分分别在解决什么问题？目前的顺序是否合理？哪些内容应该提前，哪些内容可以合并，哪些内容会打断阅读节奏？
还有的还是，感觉开头不好，可以试试：
这篇文章的开头有点慢。请从我文章中已有的经历、细节或者反常识判断里，找一个更自然的开头。
不要上来总结背景，不要先讲大道理，也不要虚构场景。
上面这些提示词我都没有做成 Skill。有一些常用的，我直接放到了苹果电脑的备忘录，打开就能用。
另外一些不常用或者简短的，基本上我就记在了脑海，其实只要记思路就行，和 AI 沟通的思路。
今天想把我日常写作和阅读资料的提示词分享给大家，都是我过去两年慢慢积累和调整出来的。
我想说，很多场景中，提示词依然重要，依然重要。
和 AI 用不同的方法沟通，最后可能返回的结果完全不一样。
我之前写过自己的写作流程。简单来说，就是先用语音输入法把脑子里的想法口喷出来，不管结构，也不管口头禅，先把意思说完整。
然后再让 AI 根据我的文风，把这些比较乱的口语整理成初稿。
接下来，我会静下来，逐字逐句的修改。这中间，也会让 AI 参与。下面这些，就是我平时使用频率最高的提示词。
1）阅读资料
如果读的是一篇论文，或者技术类的讨论，可以这么说：
详细总结下这个论文（也可以是产品）解决了什么问题，思路是什么？有什么非共识的判断。
如果是一个随性的播客：
详细总结下这个播客的主线是在讨论什么？有什么非共识的判断吗？
2）整理语音底稿
假定你是我的资深编辑。这是我打的语音底稿，你不用大改，只需要把错别字改掉，没有捋顺的逻辑改掉，把特别口水的内容改掉，让它成为一篇逻辑顺畅但是符合我文风没有 AI 味道的文章。
该补充的地方补充，保证交给我的是可读的。MD 的内容供你参考。
当然，我也希望你能深度思考。看看我的表达哪里不准确。所以，确定的步骤是这样。
第一，你先理解语音底稿，和附件的信息，形成自己的理解和判断。
第二，你再在我的语音底稿的基础上开始修改和优化。但注意，整体的表达要用我的风格，不用改节奏和风格。
第三，不要刻意的使用排比句，不要使用一个字的动词。
第四，不懂的地方问我。不要硬凑句子。
有时候，我用语音输入法口喷完后，发现自己其实思路也没特别想清楚。这时候，可以和 AI 讨论。提示词是：
你读完这份语音底稿和 MD 内容后，告诉我：这篇文章真正想表达的核心判断是什么？只能说一个。
如果里面同时存在几个观点，也请告诉我哪个最值得作为主线，其他观点应该放在什么位置。
或者再进一步：
请站在一个长期关注 AI 的读者角度，检查我的语音底稿。看看哪些内容只是大家已经知道的常识？哪些内容真正提供了新的信息、判断或者观察？
3）修改稿件
有时候，总感觉某几句话说的稀里糊涂，总觉得没到位，这时候我会说：
你看看这句话是不是没说透？咱们深度讨论下。
再或者还有的情况下，我确实卡住没思路了。这种情况下，可以用这个提示词：
我实在没思路了。你看看如果继续线性推进我的观点的话，你会怎么写？不要着急续写，先给我你的思路。
如果有时候需要个例子，但自己没有想法，可以这么说：
帮我想一个锚点类比。好的类比是读者生活中熟悉的事物，同时能够准确刚刚的概念。
4）请 AI 提反馈建议
上面是我写的文章。不需要拍我马屁，作为一个资深的作者，你觉得这篇文章还有哪些地方可以优化？
或者有时候，担心自己的文章写的不准确。这时候可以用：
不要顺着我的观点说。请站在反方，找出这篇文章最容易被质疑的三个地方。
哪些判断证据不足？哪些推论跨得太远？哪些地方可能存在另一种解释？
再或者写完之后，我发现一篇文章信息很多，单段很好，但文章结构可以调整。
可以用：
先不要改句子，只检查文章结构。每一部分分别在解决什么问题？目前的顺序是否合理？哪些内容应该提前，哪些内容可以合并，哪些内容会打断阅读节奏？
还有的还是，感觉开头不好，可以试试：
这篇文章的开头有点慢。请从我文章中已有的经历、细节或者反常识判断里，找一个更自然的开头。
不要上来总结背景，不要先讲大道理，也不要虚构场景。
上面这些提示词我都没有做成 Skill。有一些常用的，我直接放到了苹果电脑的备忘录，打开就能用。
另外一些不常用或者简短的，基本上我就记在了脑海，其实只要记思路就行，和 AI 沟通的思路。
15 13