即刻App年轻人的同好社区
下载
来给大家分享个A I Coding的省钱小窍门，适合平时重度使用AI编程工具的朋友。
比如这个就是我最近用新上的Qwen3.8-Max-Preview把清明上河图做成的3D互动场景，只花了几毛钱。
因为我现在在创业，基本每天都在用AI写代码。但我发现自己养成了一个很奇怪的习惯：每次按回车之前，都会先在心里估算一下这轮对话要烧多少credits。
但最近，Qoder上线了Qwen3.8-Max-Preview的折扣活动，日间一折，夜间低到零点二折。
我算了一下，零点二折意味着只花原来2%的钱，所以我立刻把之前攒下来的那些想做但舍不得跑的项目，全部丢给它。
1、清明上河图3D互动场景
需求是这样的，我想看看AI能不能把清明上河图虹桥附近的市井场景做成一个可探索的3D微缩世界，包括拱桥、河道、货船、摊贩、茶馆、挑担行人、牲畜、两岸店铺。
核心交互是一个原画里真实存在的情节——一艘桅杆没放下的货船正在靠近虹桥，玩家需要点击船员、绳索和桅杆来帮船安全通过。还要有自由漫游、画卷式横向镜头、昼夜切换和热点知识介绍。
它不光考验代码生成能力，还考验模型对中国传统绘画内容的理解，比如虹桥是什么形制、宋代摊贩长什么样、货船的桅杆结构是怎样的。
Qwen3.8-Max-Preview的完成度非常高。
拱桥的造型是对的，半圆拱、木结构，没有做成石拱桥。低多边形的摊贩和行人虽然谈不上精致，但能看出宋代服饰的大致轮廓。货船通过桥洞的交互逻辑也跑通了，点击顺序和反馈都合理。
昼夜切换的光照变化做得不错，白天的市井热闹感和夜晚的灯笼暖光形成了很好的对比。
画卷式横向镜头是我最喜欢的部分，从左往右慢慢推过去，确实有一种展开长卷的感觉。
2、低多边形3D平台跳跃游戏
我让AI用Three.js写一个完整的3D平台跳跃游戏，不用任何外部素材，纯程序化生成。玩家控制一个戴护目镜的圆滚滚机器人，在漂浮岛屿上跳跃、冲刺、收集能量核心，集齐十个之后开启传送门通关。
Qwen3.8-Max-Preview给出了一个完整可运行的HTML文件，打开就能玩。
机器人的低多边形建模比我预期的要好看，漂浮岛屿的程序化生成也没出现那种拼接痕迹明显的问题。镜头跟随、碰撞检测、二段跳的手感调校。
当然，个别平台之间的距离偶尔会让人觉得跳不过去，弹跳板的力度反馈也还可以更细腻。但作为一次对话跑出来的结果，比我对AI coding的预期高了不少。
关键是，整个过程我没有因为credits焦虑而做任何妥协。该给的需求全给了，模型也全接住了。
3、上海陆家嘴3D白模场景
我要求用Three.js搭建上海陆家嘴核心区的3D白模，覆盖东方明珠、上海中心、环球金融中心、金茂大厦、滨江步道和黄浦江局部。几座地标建筑要用程序化低多边形模型单独搭建，重点保证高度关系和轮廓辨识度。整体要做成那种建筑竞赛的白模风格——建筑白、道路灰、水面浅蓝。
这个项目对模型的空间理解力要求很高。上海中心632米、环球金融中心492米、金茂大厦420米、东方明珠468米，这几座楼的高度比例关系如果错了，整个场景一眼就穿帮。
Qwen3.8-Max-Preview在这方面的表现让我比较满意。
四座地标的相对高度关系基本准确，上海中心最高、环球金融中心次之，这个没搞混。
东方明珠的三球结构和支撑柱也做了出来，辨识度很高。四个预设镜头——浦西远眺、黄浦江上空、陆家嘴环岛、建筑群顶部——切换起来确实能感受到不同视角下城市天际线的层次。
白模风格本身就要求克制，所以低多边形在这里反而是优势，整体干净利落。点击建筑弹出名称和高度信息的交互也正常工作。
如果是做建筑方案的前期概念展示，或者城市规划的快速可视化，完全可以用。
4、关于cost
测完之后，我去看了用量明细。因为现在Qoder推出了Qwen3.8-Max-Preview的折扣活动，白天时段，也就是北京时间早8点到晚10点，这个模型打1折。
到了夜间错峰时段，晚10点到第二天早8点，直接0.2折。
但便宜不是重点，重点是这个Qwen3.8-Max-Preview模型确实能打。而且更新到最新版就自动生效，不用额外操作。
小红书上有个 #Qoder省钱攻略 的话题，里面有不少人在分享自己的用法和省credits技巧，感兴趣可以去翻翻。
折扣是有时间窗口的。特别是夜间0.2折这个力度，我不确定能持续多久。如果你平时有在用AI编程工具，建议尽早体验一下，感受会比较直观。
比如这个就是我最近用新上的Qwen3.8-Max-Preview把清明上河图做成的3D互动场景，只花了几毛钱。
因为我现在在创业，基本每天都在用AI写代码。但我发现自己养成了一个很奇怪的习惯：每次按回车之前，都会先在心里估算一下这轮对话要烧多少credits。
但最近，Qoder上线了Qwen3.8-Max-Preview的折扣活动，日间一折，夜间低到零点二折。
我算了一下，零点二折意味着只花原来2%的钱，所以我立刻把之前攒下来的那些想做但舍不得跑的项目，全部丢给它。
1、清明上河图3D互动场景
需求是这样的，我想看看AI能不能把清明上河图虹桥附近的市井场景做成一个可探索的3D微缩世界，包括拱桥、河道、货船、摊贩、茶馆、挑担行人、牲畜、两岸店铺。
核心交互是一个原画里真实存在的情节——一艘桅杆没放下的货船正在靠近虹桥，玩家需要点击船员、绳索和桅杆来帮船安全通过。还要有自由漫游、画卷式横向镜头、昼夜切换和热点知识介绍。
它不光考验代码生成能力，还考验模型对中国传统绘画内容的理解，比如虹桥是什么形制、宋代摊贩长什么样、货船的桅杆结构是怎样的。
Qwen3.8-Max-Preview的完成度非常高。
拱桥的造型是对的，半圆拱、木结构，没有做成石拱桥。低多边形的摊贩和行人虽然谈不上精致，但能看出宋代服饰的大致轮廓。货船通过桥洞的交互逻辑也跑通了，点击顺序和反馈都合理。
昼夜切换的光照变化做得不错，白天的市井热闹感和夜晚的灯笼暖光形成了很好的对比。
画卷式横向镜头是我最喜欢的部分，从左往右慢慢推过去，确实有一种展开长卷的感觉。
2、低多边形3D平台跳跃游戏
我让AI用Three.js写一个完整的3D平台跳跃游戏，不用任何外部素材，纯程序化生成。玩家控制一个戴护目镜的圆滚滚机器人，在漂浮岛屿上跳跃、冲刺、收集能量核心，集齐十个之后开启传送门通关。
Qwen3.8-Max-Preview给出了一个完整可运行的HTML文件，打开就能玩。
机器人的低多边形建模比我预期的要好看，漂浮岛屿的程序化生成也没出现那种拼接痕迹明显的问题。镜头跟随、碰撞检测、二段跳的手感调校。
当然，个别平台之间的距离偶尔会让人觉得跳不过去，弹跳板的力度反馈也还可以更细腻。但作为一次对话跑出来的结果，比我对AI coding的预期高了不少。
关键是，整个过程我没有因为credits焦虑而做任何妥协。该给的需求全给了，模型也全接住了。
3、上海陆家嘴3D白模场景
我要求用Three.js搭建上海陆家嘴核心区的3D白模，覆盖东方明珠、上海中心、环球金融中心、金茂大厦、滨江步道和黄浦江局部。几座地标建筑要用程序化低多边形模型单独搭建，重点保证高度关系和轮廓辨识度。整体要做成那种建筑竞赛的白模风格——建筑白、道路灰、水面浅蓝。
这个项目对模型的空间理解力要求很高。上海中心632米、环球金融中心492米、金茂大厦420米、东方明珠468米，这几座楼的高度比例关系如果错了，整个场景一眼就穿帮。
Qwen3.8-Max-Preview在这方面的表现让我比较满意。
四座地标的相对高度关系基本准确，上海中心最高、环球金融中心次之，这个没搞混。
东方明珠的三球结构和支撑柱也做了出来，辨识度很高。四个预设镜头——浦西远眺、黄浦江上空、陆家嘴环岛、建筑群顶部——切换起来确实能感受到不同视角下城市天际线的层次。
白模风格本身就要求克制，所以低多边形在这里反而是优势，整体干净利落。点击建筑弹出名称和高度信息的交互也正常工作。
如果是做建筑方案的前期概念展示，或者城市规划的快速可视化，完全可以用。
4、关于cost
测完之后，我去看了用量明细。因为现在Qoder推出了Qwen3.8-Max-Preview的折扣活动，白天时段，也就是北京时间早8点到晚10点，这个模型打1折。
到了夜间错峰时段，晚10点到第二天早8点，直接0.2折。
但便宜不是重点，重点是这个Qwen3.8-Max-Preview模型确实能打。而且更新到最新版就自动生效，不用额外操作。
小红书上有个 #Qoder省钱攻略 的话题，里面有不少人在分享自己的用法和省credits技巧，感兴趣可以去翻翻。
折扣是有时间窗口的。特别是夜间0.2折这个力度，我不确定能持续多久。如果你平时有在用AI编程工具，建议尽早体验一下，感受会比较直观。
0 00
最近刷到有人在闲鱼上卖 Codex 皮肤赚了不少钱，感觉真的太离谱了。。。
比如易烊千玺同款 Codex 皮肤、张凌赫同款工作台、迪丽热巴风格 AI 编程桌面，一套图卖十几块到几十块不等。
我刚开始还以为是什么很复杂的定制插件，结果顺着看了一圈，发现核心很简单😂
就是给 Codex 桌面端换一张好看的背景，再让原本的输入框、侧边栏、项目卡片都浮在上面。
而且，这件事自己就能做，不用花钱买，我今天就跟大家分享3分钟上手教程，非常简单。
用到的开源项目叫 Codex Dream Skin，已经11k🌟了。
1
这个skill能做什么？
简单说，就是给 Codex换皮肤，帮你把Codex 的首页和工作界面换成你喜欢的视觉风格。
比如你可以做一个易烊千玺同款风格。
或者做一个迪丽热巴同款风格：高饱和、时尚大片、粉紫氛围。
换完以后，Codex 原本的输入框、侧栏、建议卡片都还在，不会变成一张不能操作的假截图。你还是正常用 Codex，只是整个工作台变得更有氛围。
2
怎么安装？
普通用户不用 clone 仓库，直接打开这个项目的 GitHub Releases 页面，下载对应系统的安装包就行。
下载前有个小步骤：先打开一次官方Codex桌面端，然后退出。这样它会先把本机配置文件创建好，后面换肤工具才能正常工作。
Mac 安装就是打开 DMG，把 App 拖进 Applications。
第一次打开如果提示“无法验证开发者”，不要去关系统安全设置。
直接去：系统设置 → 隐私与安全性 → 仍要打开
Windows 如果弹出 SmartScreen，点“更多信息”，确认文件是从 GitHub Releases 下载的，再点“仍要运行”。
3
安装完怎么换成爱豆同款？
Mac 会在右上角菜单栏出现 Dream Skin 图标，Windows 会在系统托盘出现图标。
点开以后，找“换一张背景图”。
然后你准备一张 16:9 的纯背景图，最好是 2560 × 1440 这种横版图。可以是你自己生成的，也可以是你自己有权使用的图片。
重点来了！
不要直接拿带 Codex 界面的截图去导入。你需要的是“干净背景图”，也就是只有人物、光影、场景，没有输入框、按钮、文字 UI。
比如你想做易烊千玺同款，就让 AI 生成一张“黑红舞台光影、电影海报感、16:9、无文字、无界面”的图。
想做迪丽热巴同款，就生成“时尚大片、粉紫灯光、精致妆造氛围、16:9、无文字、无界面”。
导入之后，Dream Skin 会自动把它适配到 Codex 里。你觉得好看，就保存成一个主题，以后可以一键切换。
4
如果你也想试试，流程就三步：
去 GitHub 下载 Codex Dream Skin
准备一张 16:9 的爱豆风格背景图
从菜单栏或托盘导入并保存主题
不用去闲鱼买，也不用改 Codex 文件。
花几分钟试一下，你就能拥有自己的“爱豆同款 Codex 工作台”。
比如易烊千玺同款 Codex 皮肤、张凌赫同款工作台、迪丽热巴风格 AI 编程桌面，一套图卖十几块到几十块不等。
我刚开始还以为是什么很复杂的定制插件，结果顺着看了一圈，发现核心很简单😂
就是给 Codex 桌面端换一张好看的背景，再让原本的输入框、侧边栏、项目卡片都浮在上面。
而且，这件事自己就能做，不用花钱买，我今天就跟大家分享3分钟上手教程，非常简单。
用到的开源项目叫 Codex Dream Skin，已经11k🌟了。
1
这个skill能做什么？
简单说，就是给 Codex换皮肤，帮你把Codex 的首页和工作界面换成你喜欢的视觉风格。
比如你可以做一个易烊千玺同款风格。
或者做一个迪丽热巴同款风格：高饱和、时尚大片、粉紫氛围。
换完以后，Codex 原本的输入框、侧栏、建议卡片都还在，不会变成一张不能操作的假截图。你还是正常用 Codex，只是整个工作台变得更有氛围。
2
怎么安装？
普通用户不用 clone 仓库，直接打开这个项目的 GitHub Releases 页面，下载对应系统的安装包就行。
下载前有个小步骤：先打开一次官方Codex桌面端，然后退出。这样它会先把本机配置文件创建好，后面换肤工具才能正常工作。
Mac 安装就是打开 DMG，把 App 拖进 Applications。
第一次打开如果提示“无法验证开发者”，不要去关系统安全设置。
直接去：系统设置 → 隐私与安全性 → 仍要打开
Windows 如果弹出 SmartScreen，点“更多信息”，确认文件是从 GitHub Releases 下载的，再点“仍要运行”。
3
安装完怎么换成爱豆同款？
Mac 会在右上角菜单栏出现 Dream Skin 图标，Windows 会在系统托盘出现图标。
点开以后，找“换一张背景图”。
然后你准备一张 16:9 的纯背景图，最好是 2560 × 1440 这种横版图。可以是你自己生成的，也可以是你自己有权使用的图片。
重点来了！
不要直接拿带 Codex 界面的截图去导入。你需要的是“干净背景图”，也就是只有人物、光影、场景，没有输入框、按钮、文字 UI。
比如你想做易烊千玺同款，就让 AI 生成一张“黑红舞台光影、电影海报感、16:9、无文字、无界面”的图。
想做迪丽热巴同款，就生成“时尚大片、粉紫灯光、精致妆造氛围、16:9、无文字、无界面”。
导入之后，Dream Skin 会自动把它适配到 Codex 里。你觉得好看，就保存成一个主题，以后可以一键切换。
4
如果你也想试试，流程就三步：
去 GitHub 下载 Codex Dream Skin
准备一张 16:9 的爱豆风格背景图
从菜单栏或托盘导入并保存主题
不用去闲鱼买，也不用改 Codex 文件。
花几分钟试一下，你就能拥有自己的“爱豆同款 Codex 工作台”。
2 00
最近用 Codex 写项目，发现了一个问题，就是上下文的管理。
但我最近发现了一个很好用的项目，叫 ok-skills，它是一套专门为 Claude Code、Codex、Cursor 这类 AI 编程工具整理的可复用 skill 集合，有 40 多个。
可以告诉 AI 在特定场景下应该怎么工作，做什么，不做什么。
1
先说我用得最多的一个：planning-with-files。
它解决的问题很具体：AI 在复杂任务里没有持久记忆。
这个 skill 的思路来自 Manus 的工作方式——把"上下文"从对话窗口移到文件系统。
它让 AI 在开始任务之前先创建三个文件：task_plan.md 记录阶段目标和决策，findings.md 存放调研发现，progress.md 做每次操作的流水记录。
整个任务过程中，AI 每隔两个操作就写一次文件，保证关键信息落到磁盘上，而不是飘在对话上下文里。
我实际用起来的感受是，任务被强制结构化了。
AI 不能一上来就开始写代码，必须先建计划，先搞清楚做什么、分几步、每步验证什么。遇到报错也要记下来，下次不许重复同样的失败方式。
正是因为有这些约束，长任务才不容易跑偏。
2
另一个让我觉得挺有意思的是 grill-me。
它做的事情是，在你真正动手之前，逼着你把方案想清楚。
具体方式是一问一答的审讯式对话。
AI 会对你的方案提问，一次只问一个问题，问完你的回答再继续问下一个，直到设计上的每一个决策都有明确答案为止，不允许你含糊过去。
我第一次用它的时候觉得有点烦，因为它揪住了几个我自以为想清楚了但其实根本没想清楚的地方。
但事后复盘，那几个被追问出来的问题，确实是后来真正出问题的地方。
与它配套的还有一个 grill-with-docs，专门对照文档、架构决策记录（ADR）来质疑你的方案，边问边帮你把结论更新到文档里，对需要维护长期项目文档的场景很有用。
3
还有几个平时用得到但容易被忽略的：
find-docs 是查文档的。AI 写代码经常会用到一些过时的 API，因为它的训练数据有截止日期。
这个 skill 接入了 Context7，能在写代码之前先拉取当前版本的库文档，减少写出来能跑但已经是旧写法的情况。
gh-fix-ci 是修 CI 的。
GitHub Actions 挂了，日志拉下来，让 AI 读、归因、出方案，一套流程走完。不用自己一行行去看那些 ANSI 颜色乱码的日志。
frontend-design 和一整套叫 impeccable 的设计 skill 包是做界面的。
这套东西有个专门的概念叫"AI slop test"——如果你把这个界面给人看，对方一眼就觉得是 AI 生成的，那就是问题。
skill 里整理了一份很详细的"AI 生成界面的典型指纹"：蓝紫色渐变、毛玻璃卡片、每个 heading 旁边放图标……
skill 的作用是给 AI 立规矩：什么不能用，往哪个方向走。
4
使用方式不复杂。
把仓库 clone 到 ~/.agents/skills/ok-skills，然后在你的 AGENTS.md 或者 CLAUDE.md 里加几行触发规则，告诉 AI 什么时候用哪个 skill。
比如任务超过 5 个工具调用就启用 planning-with-files，需要查文档就用 find-docs，要做界面就读 frontend-design。
之后直接自然语言说"用 planning-with-files 来规划这个重构"就可以了。
仓库里的 skill 来源很杂，有 Anthropic 自己出的，有 OpenAI、Vercel、Upstash、各路开发者贡献的，ok-skills 这个仓库做的事情是把它们收集整理到一起，让你不用到处找。
这个ok-skills 是目前我见过整理得比较完整的一套。
但我最近发现了一个很好用的项目，叫 ok-skills，它是一套专门为 Claude Code、Codex、Cursor 这类 AI 编程工具整理的可复用 skill 集合，有 40 多个。
可以告诉 AI 在特定场景下应该怎么工作，做什么，不做什么。
1
先说我用得最多的一个：planning-with-files。
它解决的问题很具体：AI 在复杂任务里没有持久记忆。
这个 skill 的思路来自 Manus 的工作方式——把"上下文"从对话窗口移到文件系统。
它让 AI 在开始任务之前先创建三个文件：task_plan.md 记录阶段目标和决策，findings.md 存放调研发现，progress.md 做每次操作的流水记录。
整个任务过程中，AI 每隔两个操作就写一次文件，保证关键信息落到磁盘上，而不是飘在对话上下文里。
我实际用起来的感受是，任务被强制结构化了。
AI 不能一上来就开始写代码，必须先建计划，先搞清楚做什么、分几步、每步验证什么。遇到报错也要记下来，下次不许重复同样的失败方式。
正是因为有这些约束，长任务才不容易跑偏。
2
另一个让我觉得挺有意思的是 grill-me。
它做的事情是，在你真正动手之前，逼着你把方案想清楚。
具体方式是一问一答的审讯式对话。
AI 会对你的方案提问，一次只问一个问题，问完你的回答再继续问下一个，直到设计上的每一个决策都有明确答案为止，不允许你含糊过去。
我第一次用它的时候觉得有点烦，因为它揪住了几个我自以为想清楚了但其实根本没想清楚的地方。
但事后复盘，那几个被追问出来的问题，确实是后来真正出问题的地方。
与它配套的还有一个 grill-with-docs，专门对照文档、架构决策记录（ADR）来质疑你的方案，边问边帮你把结论更新到文档里，对需要维护长期项目文档的场景很有用。
3
还有几个平时用得到但容易被忽略的：
find-docs 是查文档的。AI 写代码经常会用到一些过时的 API，因为它的训练数据有截止日期。
这个 skill 接入了 Context7，能在写代码之前先拉取当前版本的库文档，减少写出来能跑但已经是旧写法的情况。
gh-fix-ci 是修 CI 的。
GitHub Actions 挂了，日志拉下来，让 AI 读、归因、出方案，一套流程走完。不用自己一行行去看那些 ANSI 颜色乱码的日志。
frontend-design 和一整套叫 impeccable 的设计 skill 包是做界面的。
这套东西有个专门的概念叫"AI slop test"——如果你把这个界面给人看，对方一眼就觉得是 AI 生成的，那就是问题。
skill 里整理了一份很详细的"AI 生成界面的典型指纹"：蓝紫色渐变、毛玻璃卡片、每个 heading 旁边放图标……
skill 的作用是给 AI 立规矩：什么不能用，往哪个方向走。
4
使用方式不复杂。
把仓库 clone 到 ~/.agents/skills/ok-skills，然后在你的 AGENTS.md 或者 CLAUDE.md 里加几行触发规则，告诉 AI 什么时候用哪个 skill。
比如任务超过 5 个工具调用就启用 planning-with-files，需要查文档就用 find-docs，要做界面就读 frontend-design。
之后直接自然语言说"用 planning-with-files 来规划这个重构"就可以了。
仓库里的 skill 来源很杂，有 Anthropic 自己出的，有 OpenAI、Vercel、Upstash、各路开发者贡献的，ok-skills 这个仓库做的事情是把它们收集整理到一起，让你不用到处找。
这个ok-skills 是目前我见过整理得比较完整的一套。
107 686
我最近刷到，MiniMax解决了一个“马嘉祺”bug😂
MiniMax团队最近发了一篇技术博客，讲他们怎么排查一个时代少年团粉丝反馈的问题。
有粉丝发现，问模型“马嘉祺”是谁，它虽然能完整回答，出道经历、所在团体、代表作。
但只要你追问他叫什么名字，模型就会已读乱回，就是喊不出马嘉祺的名字。
我看到这个问题的时候，第一个猜测是：是不是训练数据里这个名字出现太少了，模型压根没学到。
但实际答案比这有趣得多。
1
是不是模型根本不认识这个名字呢？
这在逻辑上说不通，因为模型能介绍这个人，说明它知道这个人。问题不是知识缺失，是别的地方出了问题。
比如，我们有时候也会出现，想说某个人的名字，但就在嘴边，说不出来。
大模型也会有类似的问题。
模型内部有两个关键模块：
一个叫embedding，负责把文字转成模型能计算的向量，可以理解为理解层；
另一个叫lm_head，负责把向量转回文字输出，是生成层。
这两套参数是独立的，各管各的。
MiniMax团队检查了预训练之后嘉祺这个词的理解层状态，向量正常，最近邻全是相关人名，亚轩、千玺、肖战……理解层完全没问题。
但问题出在生成层。
模型知道嘉祺是谁，但生成层找不到它了。
2
那么，生成层出了什么问题呢？
知道是生成层的问题之后，我以为还是数据太少。后训练数据里嘉祺这个词出现频率太低，所以生成层没学好。
这个猜测只对了一半。
MiniMax统计了一下，后训练数据里包含嘉祺的样本不足5条。
频率低确实是起点，但真正造成问题的机制是这样的：一个词几乎不出现在训练目标里，它的生成层参数就几乎收不到正向的梯度更新。
但与此同时，有一种叫weight decay的正则化机制还在持续施压，让不活跃的参数慢慢往零的方向漂。
这个漂移过程是无声的。不报错，不影响模型整体表现，标准评测也发现不了。
漂移到什么程度？
检查生成层之后，嘉祺这个词的近邻已经变成了file_content、edit_file这类工具调用标记。
一个人名，跑到了代码工具的语义空间里。
3
知道根因之后，MiniMax顺手扫了整个词表，看看还有哪些词退化了，然后发现了一件更让我意外的事。
退化最严重的不是某个明星的名字，而是日文口语token，占退化最大类别的40%以上。
这些词在预训练时学过，但后训练数据里几乎没有它们的位置。
但漂移带来的后果不只是说不出日语词。日文向量飘走之后，跑到了其他语言的向量旁边。
生成时错误激活，就出现了跨语言干扰。
这就和另一个被诟病已久的问题对上了——日语对话偶尔会混入俄文，一直没找到根因。
数据非常直接：修复前，日语对话里俄文字符的出现率是47%，29.7%的日语token跌破了向量相似度的健康阈值。
两个看起来完全无关的问题，同一个根因，一条线索解了两道题。
而这种问题在常规评测里几乎发现不了，只有在真实使用里才会以各种奇怪的方式冒出来。
4
那如何修复呢？
MiniMax的实际方案是：把全词表20万个token随机分组，每组大约8000个，打乱顺序构造成一条对话，query是这堆词加一句请重复以上内容，answer就是原样复制。
总共500条数据，确保每个token至少作为生成目标出现20次。
结果出乎意料地好。日语对话俄文混入率从47%降到1%，马嘉祺正常输出，全词表向量相似度维持在0.97以上。
500条数据修好了20万词表。
当然，这只是目前跑通的一条路，MiniMax在博客里也提到，他们还在探索其他方向。
一个思路是在后训练数据里按比例混入预训练语料。预训练数据的词表覆盖天然比后训练数据宽得多，混进来相当于给那些冷门token补了一条保险。
另一个思路是专门统计哪些token在后训练数据里覆盖不足，然后针对性地造包含这些token的高质量对话样本。相比全词表覆盖的方案，这种方式数据量更小，语义质量也更高，代价是需要维护一套持续监控token覆盖度的机制，不是一次性的工程。
还有一条路更激进，直接从词表层面下刀——把那些在目标场景下几乎永远不会用到的token裁掉，比如预训练特有的格式标记、传奇私服这类SEO垃圾词，然后对裁剪后的词表做继续预训练，重新对齐整个向量空间。
5
说回这篇博客本身，我觉得最值得单独讲的不是技术方案，而是他们选择把这件事写出来这个动作。
大多数公司发现bug之后，会悄悄修掉。
但MiniMax这次，是直接把整个排查过程都写了出来，包括最开始错误的猜测，包括哪些问题还没完全解决，日语退化的完整数据。
这种问题如果不说出来，行业里每家做后训练的团队都有可能踩到，各自私下修，各自损失。把过程写出来，意味着让别人看到你走过的弯路，也意味着让整个行业少走一遍弯路。
时代少年团的粉丝大概没想到，测试爱豆这个动作，最后推动了一次行业层面的工程研究。
MiniMax团队最近发了一篇技术博客，讲他们怎么排查一个时代少年团粉丝反馈的问题。
有粉丝发现，问模型“马嘉祺”是谁，它虽然能完整回答，出道经历、所在团体、代表作。
但只要你追问他叫什么名字，模型就会已读乱回，就是喊不出马嘉祺的名字。
我看到这个问题的时候，第一个猜测是：是不是训练数据里这个名字出现太少了，模型压根没学到。
但实际答案比这有趣得多。
1
是不是模型根本不认识这个名字呢？
这在逻辑上说不通，因为模型能介绍这个人，说明它知道这个人。问题不是知识缺失，是别的地方出了问题。
比如，我们有时候也会出现，想说某个人的名字，但就在嘴边，说不出来。
大模型也会有类似的问题。
模型内部有两个关键模块：
一个叫embedding，负责把文字转成模型能计算的向量，可以理解为理解层；
另一个叫lm_head，负责把向量转回文字输出，是生成层。
这两套参数是独立的，各管各的。
MiniMax团队检查了预训练之后嘉祺这个词的理解层状态，向量正常，最近邻全是相关人名，亚轩、千玺、肖战……理解层完全没问题。
但问题出在生成层。
模型知道嘉祺是谁，但生成层找不到它了。
2
那么，生成层出了什么问题呢？
知道是生成层的问题之后，我以为还是数据太少。后训练数据里嘉祺这个词出现频率太低，所以生成层没学好。
这个猜测只对了一半。
MiniMax统计了一下，后训练数据里包含嘉祺的样本不足5条。
频率低确实是起点，但真正造成问题的机制是这样的：一个词几乎不出现在训练目标里，它的生成层参数就几乎收不到正向的梯度更新。
但与此同时，有一种叫weight decay的正则化机制还在持续施压，让不活跃的参数慢慢往零的方向漂。
这个漂移过程是无声的。不报错，不影响模型整体表现，标准评测也发现不了。
漂移到什么程度？
检查生成层之后，嘉祺这个词的近邻已经变成了file_content、edit_file这类工具调用标记。
一个人名，跑到了代码工具的语义空间里。
3
知道根因之后，MiniMax顺手扫了整个词表，看看还有哪些词退化了，然后发现了一件更让我意外的事。
退化最严重的不是某个明星的名字，而是日文口语token，占退化最大类别的40%以上。
这些词在预训练时学过，但后训练数据里几乎没有它们的位置。
但漂移带来的后果不只是说不出日语词。日文向量飘走之后，跑到了其他语言的向量旁边。
生成时错误激活，就出现了跨语言干扰。
这就和另一个被诟病已久的问题对上了——日语对话偶尔会混入俄文，一直没找到根因。
数据非常直接：修复前，日语对话里俄文字符的出现率是47%，29.7%的日语token跌破了向量相似度的健康阈值。
两个看起来完全无关的问题，同一个根因，一条线索解了两道题。
而这种问题在常规评测里几乎发现不了，只有在真实使用里才会以各种奇怪的方式冒出来。
4
那如何修复呢？
MiniMax的实际方案是：把全词表20万个token随机分组，每组大约8000个，打乱顺序构造成一条对话，query是这堆词加一句请重复以上内容，answer就是原样复制。
总共500条数据，确保每个token至少作为生成目标出现20次。
结果出乎意料地好。日语对话俄文混入率从47%降到1%，马嘉祺正常输出，全词表向量相似度维持在0.97以上。
500条数据修好了20万词表。
当然，这只是目前跑通的一条路，MiniMax在博客里也提到，他们还在探索其他方向。
一个思路是在后训练数据里按比例混入预训练语料。预训练数据的词表覆盖天然比后训练数据宽得多，混进来相当于给那些冷门token补了一条保险。
另一个思路是专门统计哪些token在后训练数据里覆盖不足，然后针对性地造包含这些token的高质量对话样本。相比全词表覆盖的方案，这种方式数据量更小，语义质量也更高，代价是需要维护一套持续监控token覆盖度的机制，不是一次性的工程。
还有一条路更激进，直接从词表层面下刀——把那些在目标场景下几乎永远不会用到的token裁掉，比如预训练特有的格式标记、传奇私服这类SEO垃圾词，然后对裁剪后的词表做继续预训练，重新对齐整个向量空间。
5
说回这篇博客本身，我觉得最值得单独讲的不是技术方案，而是他们选择把这件事写出来这个动作。
大多数公司发现bug之后，会悄悄修掉。
但MiniMax这次，是直接把整个排查过程都写了出来，包括最开始错误的猜测，包括哪些问题还没完全解决，日语退化的完整数据。
这种问题如果不说出来，行业里每家做后训练的团队都有可能踩到，各自私下修，各自损失。把过程写出来，意味着让别人看到你走过的弯路，也意味着让整个行业少走一遍弯路。
时代少年团的粉丝大概没想到，测试爱豆这个动作，最后推动了一次行业层面的工程研究。
5 00
经常要画架构图，但不知道怎么用AI生成的朋友们，推荐你去装一下这个Skill，叫 fireworks-tech-graph。
你说一句话，它就可以给你画一张生产级别的技术架构图，SVG 加高清 PNG，直接能用。
而且一行命令搞定安装，五分钟以内全部就位。
现在已经6k多star了！我装上去用了一周，说一下真实感受。
1
第一个场景，是给一篇内部文档配架构图。
比如，写一个关于 Mem0 记忆机制的技术说明，需要解释数据怎么流进来、经过 Memory Manager 之后怎么分别写进 Vector Store、Graph DB 和 KV Store，检索的时候又怎么从三个地方读取合并、最后返回给上层应用。
这套逻辑如果自己画，光是想清楚节点布局就要花不少时间，更别说还要对齐、调样式、选字体。
可以直接跟它说：画一个 Mem0 记忆架构图，蓝图风格，包含这几个节点。
它对 AI 和 Agent 领域的图表有真正的语义理解，知道什么节点用什么形状、什么关系用什么箭头，这些领域知识你不需要每次在 prompt 里重新解释。
2
还有另一个场景，是给技术分享做幻灯片配图。
内容是一个工具调用流程：LLM 收到请求，调用 Tool Selector，执行工具，Parser 处理结果，再返回给 LLM，整个是一个循环。
Style 2，深色终端风，黑底加霓虹色，等宽字体。告诉它流程节点，让它画。
3
当然，如果你本身对图形工具很熟练，用draw.io 做架构图完全不觉得费劲，这个工具能给你增加的价值就有限。
它更像是把画图这件事的门槛往下压了一截，让那些"因为太麻烦所以算了"的图，变得真的会去画。
很多技术文档写得不好，不是因为作者不懂，是因为配图太费事，最后文档里全是文字，读起来很累。
如果画图的成本降到跟写一句话差不多，配图这件事就会从"要不要做"变成"当然要做"。
有一类人可能最合适：独立开发者，或者在小团队里什么都要干的人。
既要写代码，又要写文档，还要做演示。这种情况下，能在需要的时候快速出一张像样的架构图，省的不只是时间。
当然，够不够用，还是推进你自己装一下试试。
你说一句话，它就可以给你画一张生产级别的技术架构图，SVG 加高清 PNG，直接能用。
而且一行命令搞定安装，五分钟以内全部就位。
现在已经6k多star了！我装上去用了一周，说一下真实感受。
1
第一个场景，是给一篇内部文档配架构图。
比如，写一个关于 Mem0 记忆机制的技术说明，需要解释数据怎么流进来、经过 Memory Manager 之后怎么分别写进 Vector Store、Graph DB 和 KV Store，检索的时候又怎么从三个地方读取合并、最后返回给上层应用。
这套逻辑如果自己画，光是想清楚节点布局就要花不少时间，更别说还要对齐、调样式、选字体。
可以直接跟它说：画一个 Mem0 记忆架构图，蓝图风格，包含这几个节点。
它对 AI 和 Agent 领域的图表有真正的语义理解，知道什么节点用什么形状、什么关系用什么箭头，这些领域知识你不需要每次在 prompt 里重新解释。
2
还有另一个场景，是给技术分享做幻灯片配图。
内容是一个工具调用流程：LLM 收到请求，调用 Tool Selector，执行工具，Parser 处理结果，再返回给 LLM，整个是一个循环。
Style 2，深色终端风，黑底加霓虹色，等宽字体。告诉它流程节点，让它画。
3
当然，如果你本身对图形工具很熟练，用draw.io 做架构图完全不觉得费劲，这个工具能给你增加的价值就有限。
它更像是把画图这件事的门槛往下压了一截，让那些"因为太麻烦所以算了"的图，变得真的会去画。
很多技术文档写得不好，不是因为作者不懂，是因为配图太费事，最后文档里全是文字，读起来很累。
如果画图的成本降到跟写一句话差不多，配图这件事就会从"要不要做"变成"当然要做"。
有一类人可能最合适：独立开发者，或者在小团队里什么都要干的人。
既要写代码，又要写文档，还要做演示。这种情况下，能在需要的时候快速出一张像样的架构图，省的不只是时间。
当然，够不够用，还是推进你自己装一下试试。
3 03
做产品经理的朋友们，推荐你们都去装一下这个skill，名字叫 lenny-skills。
这个skill，涵盖了86 个资深PM技能，都是从 Lenny's Podcast 的访谈里蒸馏出来。
Lenny's Podcast 如果你没听过，可以去搜一下，它是英文产品圈里最有影响力的播客之一。
这个项目，把 100 多期播客里的内容，整理成 86 个 Skill 文件，每个文件对应一个产品工作场景，然后放进 Claude Code 的 .claude/skills/ 目录里。
我装上去试了一周，说一下我的真实感受。
1
我第一个用的是 writing-prds 这个技能。
我们团队在做一个新功能，大概方向清楚了。
装了 writing-prds 这个技能之后，我重新跟 Claude 对话，说我在做什么、目标用户是谁、想解决什么问题。
Claude 问我的第一个问题是：你现在写这份 PRD，最主要的读者是谁，他们读完之后需要做出什么决定？
我的 PRD 是写给工程师看的、还是给 stakeholder 看的、还是给自己理清思路用的，这三件事对应的写法其实完全不一样。
之后 Claude 给我的建议开始变得不一样了。
它不是在帮我填框架，而是在帮我想清楚一些更根本的东西：这个问题值得现在解决吗、我们真的理解用户痛点还是在假设、成功的标准是什么以及我们有没有能力衡量它。
2
还有competitive-analysis 这个技能。
当时我在研究一个竞品，想搞清楚我们跟它的差距在哪、对方的定位是什么、我们有没有机会。
用 competitive-analysis 技能之后，Claude 先问了我几个问题，有一个是：你现在做这个竞品分析，是要做出什么决定，还是要说服谁？
我当时随口说，是给团队做方向判断用的。
Claude 接下来说的一句话我印象很深：竞品分析最常见的错误，是把描述当成了分析。知道对方有什么功能是描述，但知道他们为什么这么做、这么做意味着什么、我们应该如何回应，才是分析。
然后它引导我沿着这个方向去想：竞品的用户是谁、他们选择竞品的真实原因是什么、对方在哪些地方有结构性优势而不只是暂时领先、我们能差异化的空间在哪里。
3
说实话，如果你是一个经验很丰富的 PM，在某些场景下你可能觉得这东西给出来的框架你早就知道。
但即便是这样，我觉得它的价值可能在另一个地方：帮你快速组织思路，帮你在对话里逼出一些你知道但没有认真想过的东西。
对于刚进入产品岗位不久的人，或者像我这样产品经验不是特别深、但经常需要做产品决策的人，它的价值会更直接。它不会让你跳过学习的过程，但它会在你需要的那个具体时刻，帮你用上一些你原本不知道的思考方式。
有一类人可能最适合：就是那些在小团队里、一个人当多个角色用的创业者或独立开发者。
既要做产品、又要写文案、又要想增长，什么都得懂一点但什么都不够深。这种情况下，能在需要的时候快速调用一个经过验证的框架，是很实用的事情。
这个skill，涵盖了86 个资深PM技能，都是从 Lenny's Podcast 的访谈里蒸馏出来。
Lenny's Podcast 如果你没听过，可以去搜一下，它是英文产品圈里最有影响力的播客之一。
这个项目，把 100 多期播客里的内容，整理成 86 个 Skill 文件，每个文件对应一个产品工作场景，然后放进 Claude Code 的 .claude/skills/ 目录里。
我装上去试了一周，说一下我的真实感受。
1
我第一个用的是 writing-prds 这个技能。
我们团队在做一个新功能，大概方向清楚了。
装了 writing-prds 这个技能之后，我重新跟 Claude 对话，说我在做什么、目标用户是谁、想解决什么问题。
Claude 问我的第一个问题是：你现在写这份 PRD，最主要的读者是谁，他们读完之后需要做出什么决定？
我的 PRD 是写给工程师看的、还是给 stakeholder 看的、还是给自己理清思路用的，这三件事对应的写法其实完全不一样。
之后 Claude 给我的建议开始变得不一样了。
它不是在帮我填框架，而是在帮我想清楚一些更根本的东西：这个问题值得现在解决吗、我们真的理解用户痛点还是在假设、成功的标准是什么以及我们有没有能力衡量它。
2
还有competitive-analysis 这个技能。
当时我在研究一个竞品，想搞清楚我们跟它的差距在哪、对方的定位是什么、我们有没有机会。
用 competitive-analysis 技能之后，Claude 先问了我几个问题，有一个是：你现在做这个竞品分析，是要做出什么决定，还是要说服谁？
我当时随口说，是给团队做方向判断用的。
Claude 接下来说的一句话我印象很深：竞品分析最常见的错误，是把描述当成了分析。知道对方有什么功能是描述，但知道他们为什么这么做、这么做意味着什么、我们应该如何回应，才是分析。
然后它引导我沿着这个方向去想：竞品的用户是谁、他们选择竞品的真实原因是什么、对方在哪些地方有结构性优势而不只是暂时领先、我们能差异化的空间在哪里。
3
说实话，如果你是一个经验很丰富的 PM，在某些场景下你可能觉得这东西给出来的框架你早就知道。
但即便是这样，我觉得它的价值可能在另一个地方：帮你快速组织思路，帮你在对话里逼出一些你知道但没有认真想过的东西。
对于刚进入产品岗位不久的人，或者像我这样产品经验不是特别深、但经常需要做产品决策的人，它的价值会更直接。它不会让你跳过学习的过程，但它会在你需要的那个具体时刻，帮你用上一些你原本不知道的思考方式。
有一类人可能最适合：就是那些在小团队里、一个人当多个角色用的创业者或独立开发者。
既要做产品、又要写文案、又要想增长，什么都得懂一点但什么都不够深。这种情况下，能在需要的时候快速调用一个经过验证的框架，是很实用的事情。
246 18214
最近看到Karpathy发了一条动态，说他现在大量的算力，已经不再是用来写代码，而是用来管理知识。
同时，他也在这条动态里，完整开源了他的知识管理方法。
我花了点时间认真研究了一下他的整套流程，并且在我自己电脑上也完整复刻了一下。
1
在开始之前，请先思考一个问题：你平时一般都是怎么处理信息的🤔
看到一篇好文章，直接收藏；朋友分享过来一个链接，转发给文件传输助手？
然后，这些东西就消失了......
你收进来的是信息，但信息本身不会自动变成知识。
中间差的那一步，是加工。
Karpathy的知识管理法，就是把这个加工过程，完整地设计出来。
2
他的做法其实不复杂。
你所有原始素材，文章、论文、代码仓库、图片，统统扔进一个叫 raw/ 的文件夹。
可以把这个文件夹理解为一个原材料仓库，什么都不用整理，直接堆进去。
然后他用大模型做了一件事：把这堆东西「编译」成一个wiki，也就是一个结构化的知识库。
在编译过程中，AI会提取核心概念，为每个概念单独写一篇文章，再把这些文章互相链接起来，形成一张网。
最后，他会用Obsidian作为可视化工具，查看这一切。
他几乎不会手动编辑知识库里的任何内容，所有的写作和维护，都是AI在做。
AI可以保持高度的一致性，同时处理大量文档，并且主动去找连接点。
3
知识库积累到一定规模之后，有趣的事情就开始发生了。
比如Karpathy某个研究方向的知识库，大概有100篇文章、40万词左右。
到了这个量级，他可以直接对着知识库问各种复杂问题，AI会去翻阅相关文档，综合不同来源的内容，给出完整的回答。
他原本以为需要搭一套复杂的RAG系统才能做到这件事，但实际上根本不需要。
AI在这个规模下，自己会维护索引和摘要，检索起来已经足够准确。
接下来，他不让AI的答案只存在于对话框里。
每次提问得到的输出，都会被重新归档回知识库。你的每一次探索，都沉淀成了永久的内容。
这个知识库是在生长的，而且它的生长方向，完全由你的好奇心决定。
你越用，它越有价值。
这跟我们日常用AI的方式有一个本质的区别：我们平时问完就忘了，下次遇到类似的问题，重新问。
但用这种方法，你的每一次问答都在给系统加砖。
4
Karpathy还会定期让AI对知识库做「健康检查」，找出哪些地方信息前后矛盾，哪些概念描述不完整，哪些潜在的连接还没有被发现。
这些问题找出来之后，补充、修正、新增文章，知识库的质量就在这个循环里持续提升。
我们自己的知识体系，有没有人在帮我们做这种检查？
大多数时候是没有的，我们脑子里有一堆知识，但哪些是准确的，哪些是模糊的，哪些其实是互相矛盾的，我们并不清楚，因为没有一套机制去把这些东西显化出来。
Karpathy这套流程，在某种程度上解决了这个问题。
至少在他的研究领域里，他对自己知识的掌握程度，是可以被系统性验证的。
5
不过说句实在的，他这套东西要完整复现，门槛确实有点高，需要对工具有一定的熟悉度，也需要持续投入时间去维护。
但这里面有一个思路，我觉得任何人都可以马上开始用。
你不需要搭一套完整的知识库系统，可以从一个最小的动作开始：下次读完一篇让你觉得有收获的文章，不要只是收藏，花三分钟让AI帮你提炼核心观点，然后问它一个问题：这个东西，和我之前知道的哪些东西有关联？
这一步的意义在于，它把"被动接收信息"变成了"主动建立连接"。
时间长了，你会发现自己对知识的感知方式开始变化，不再是"我收藏了很多东西"，而是"这些东西在我的理解框架里处于什么位置"。
同时，他也在这条动态里，完整开源了他的知识管理方法。
我花了点时间认真研究了一下他的整套流程，并且在我自己电脑上也完整复刻了一下。
1
在开始之前，请先思考一个问题：你平时一般都是怎么处理信息的🤔
看到一篇好文章，直接收藏；朋友分享过来一个链接，转发给文件传输助手？
然后，这些东西就消失了......
你收进来的是信息，但信息本身不会自动变成知识。
中间差的那一步，是加工。
Karpathy的知识管理法，就是把这个加工过程，完整地设计出来。
2
他的做法其实不复杂。
你所有原始素材，文章、论文、代码仓库、图片，统统扔进一个叫 raw/ 的文件夹。
可以把这个文件夹理解为一个原材料仓库，什么都不用整理，直接堆进去。
然后他用大模型做了一件事：把这堆东西「编译」成一个wiki，也就是一个结构化的知识库。
在编译过程中，AI会提取核心概念，为每个概念单独写一篇文章，再把这些文章互相链接起来，形成一张网。
最后，他会用Obsidian作为可视化工具，查看这一切。
他几乎不会手动编辑知识库里的任何内容，所有的写作和维护，都是AI在做。
AI可以保持高度的一致性，同时处理大量文档，并且主动去找连接点。
3
知识库积累到一定规模之后，有趣的事情就开始发生了。
比如Karpathy某个研究方向的知识库，大概有100篇文章、40万词左右。
到了这个量级，他可以直接对着知识库问各种复杂问题，AI会去翻阅相关文档，综合不同来源的内容，给出完整的回答。
他原本以为需要搭一套复杂的RAG系统才能做到这件事，但实际上根本不需要。
AI在这个规模下，自己会维护索引和摘要，检索起来已经足够准确。
接下来，他不让AI的答案只存在于对话框里。
每次提问得到的输出，都会被重新归档回知识库。你的每一次探索，都沉淀成了永久的内容。
这个知识库是在生长的，而且它的生长方向，完全由你的好奇心决定。
你越用，它越有价值。
这跟我们日常用AI的方式有一个本质的区别：我们平时问完就忘了，下次遇到类似的问题，重新问。
但用这种方法，你的每一次问答都在给系统加砖。
4
Karpathy还会定期让AI对知识库做「健康检查」，找出哪些地方信息前后矛盾，哪些概念描述不完整，哪些潜在的连接还没有被发现。
这些问题找出来之后，补充、修正、新增文章，知识库的质量就在这个循环里持续提升。
我们自己的知识体系，有没有人在帮我们做这种检查？
大多数时候是没有的，我们脑子里有一堆知识，但哪些是准确的，哪些是模糊的，哪些其实是互相矛盾的，我们并不清楚，因为没有一套机制去把这些东西显化出来。
Karpathy这套流程，在某种程度上解决了这个问题。
至少在他的研究领域里，他对自己知识的掌握程度，是可以被系统性验证的。
5
不过说句实在的，他这套东西要完整复现，门槛确实有点高，需要对工具有一定的熟悉度，也需要持续投入时间去维护。
但这里面有一个思路，我觉得任何人都可以马上开始用。
你不需要搭一套完整的知识库系统，可以从一个最小的动作开始：下次读完一篇让你觉得有收获的文章，不要只是收藏，花三分钟让AI帮你提炼核心观点，然后问它一个问题：这个东西，和我之前知道的哪些东西有关联？
这一步的意义在于，它把"被动接收信息"变成了"主动建立连接"。
时间长了，你会发现自己对知识的感知方式开始变化，不再是"我收藏了很多东西"，而是"这些东西在我的理解框架里处于什么位置"。
1 01
今天刷小红书，看到我很喜欢的博主张咋啦分享她做的这个 follow-builders skill，立刻让我的龙虾去装了一下。
这个skill的核心理念源于zara之前说的：关注做产品的builder，而不是kol。
安装过程很简单，直接把这个skill复制给你的龙虾，然后让它安装。
安装好以后，会有一个简单的onboarding流程，你可以根据你的个人偏好回答一下。
我用上这个skill以后，都不需要自己去刷各种信息源站了！
现在 AI 圈子里信息太多了，很多都是故意制造焦虑的信息。真正有价值的，其实是那些在一线做产品的人的原创思考。比如 Karpathy 对模型训练的见解，Kevin Weil 对产品设计的思考，Amanda Askell 对 AI 安全的观点，这些才是真正值得花时间消化的内容。
而 follow-builders 这个skill做的事情，就是帮你把这些人的最新动态和播客内容，自动整理成一份精炼的摘要，每天或每周定时推送给你。
它追踪的内容源是精心筛选过的。包括 Latent Space、No Priors 这些顶级 AI 播客，还有 25 位真正在做事的建设者的 Twitter 账号。
这个名单是集中维护的，会自动更新，你完全不用操心。
我之前也试过用 RSS 订阅或者 Twitter 列表来管理信息，但问题是信息量还是太大了。
一个两小时的播客，你可能没时间完整听完。一个建设者一天发十几条推文，你也不知道哪条最重要。
而 follow-builders 会帮你把播客总结成关键要点，把推文筛选出最有价值的部分，配上原文链接。
你可以快速扫一遍摘要，对感兴趣的内容再去看原文。这样一来，半小时就能掌握这些顶级建设者一周的思考精华。
我现在的习惯是，每天早上直接看一遍我的虾给我整理的摘要，标记几个想深入了解的话题，晚上再去看原文或者听完整的播客。
信息焦虑没有了，反而对行业动态的把握更清晰了。
而且如果你想调整摘要的风格，也可以随时跟 agent 说。比如让摘要更简洁一点，或者更关注技术细节，或者换成更轻松的语气。它会自动帮你调整，下次推送就生效。
对于做产品的人来说，这个 skill 还有一个隐藏价值：它帮你建立了一个高质量的信息参照系。
就像 Ovitz 说的那样，当你见过的人越多、读过的东西越多，你对新事物的判断就越准确。
持续追踪这些顶级建设者的思考，你会慢慢形成自己对行业的判断框架。
什么是真正的创新，什么是炒作，什么方向值得投入，什么坑不要踩，这些感觉会越来越清晰。
而这种判断力，才是做产品最核心的能力。
所以如果你也有信息焦虑，如果你也想更高效地追踪 AI 行业的动态，如果你也想关注那些真正在做事的人而不是网红，真的可以试试这个 skill。
装上它，你会发现，原来信息管理可以这么轻松。
这个skill的核心理念源于zara之前说的：关注做产品的builder，而不是kol。
安装过程很简单，直接把这个skill复制给你的龙虾，然后让它安装。
安装好以后，会有一个简单的onboarding流程，你可以根据你的个人偏好回答一下。
我用上这个skill以后，都不需要自己去刷各种信息源站了！
现在 AI 圈子里信息太多了，很多都是故意制造焦虑的信息。真正有价值的，其实是那些在一线做产品的人的原创思考。比如 Karpathy 对模型训练的见解，Kevin Weil 对产品设计的思考，Amanda Askell 对 AI 安全的观点，这些才是真正值得花时间消化的内容。
而 follow-builders 这个skill做的事情，就是帮你把这些人的最新动态和播客内容，自动整理成一份精炼的摘要，每天或每周定时推送给你。
它追踪的内容源是精心筛选过的。包括 Latent Space、No Priors 这些顶级 AI 播客，还有 25 位真正在做事的建设者的 Twitter 账号。
这个名单是集中维护的，会自动更新，你完全不用操心。
我之前也试过用 RSS 订阅或者 Twitter 列表来管理信息，但问题是信息量还是太大了。
一个两小时的播客，你可能没时间完整听完。一个建设者一天发十几条推文，你也不知道哪条最重要。
而 follow-builders 会帮你把播客总结成关键要点，把推文筛选出最有价值的部分，配上原文链接。
你可以快速扫一遍摘要，对感兴趣的内容再去看原文。这样一来，半小时就能掌握这些顶级建设者一周的思考精华。
我现在的习惯是，每天早上直接看一遍我的虾给我整理的摘要，标记几个想深入了解的话题，晚上再去看原文或者听完整的播客。
信息焦虑没有了，反而对行业动态的把握更清晰了。
而且如果你想调整摘要的风格，也可以随时跟 agent 说。比如让摘要更简洁一点，或者更关注技术细节，或者换成更轻松的语气。它会自动帮你调整，下次推送就生效。
对于做产品的人来说，这个 skill 还有一个隐藏价值：它帮你建立了一个高质量的信息参照系。
就像 Ovitz 说的那样，当你见过的人越多、读过的东西越多，你对新事物的判断就越准确。
持续追踪这些顶级建设者的思考，你会慢慢形成自己对行业的判断框架。
什么是真正的创新，什么是炒作，什么方向值得投入，什么坑不要踩，这些感觉会越来越清晰。
而这种判断力，才是做产品最核心的能力。
所以如果你也有信息焦虑，如果你也想更高效地追踪 AI 行业的动态，如果你也想关注那些真正在做事的人而不是网红，真的可以试试这个 skill。
装上它，你会发现，原来信息管理可以这么轻松。
1 02
我最近又发现了一个项目，叫Claude Superpowers，目前它在 GitHub 上已经有 83,000 个星标了，几乎每天都挂在热门榜上。
用它的几乎全是开发者，市场营销的朋友们好像完全不知道这个东西的存在。
你可能会问，Superpowers是什么？
这是一个让 AI 变得更聪明的技能框架，它会强制 AI 在开始干活之前，先退一步问你：你到底想要什么？
然后把你的需求整理成一份清晰的方案，分段展示给你看。
等你确认没问题了，它才会开始执行。
而且执行的时候也不是乱来的，它会把整个任务拆成一个个小步骤，每个步骤只需要 2 到 5 分钟，然后一步步推进，每完成一步都会检查一遍，确保没跑偏。
1
我知道你在想什么：这听起来像是给程序员用的东西啊？
但你仔细想想，做市场营销的时候，你是不是经常遇到这些情况：
你想策划一个活动，跟 AI 聊了半天，它给你输出了一大堆内容，看起来挺像那么回事。
但仔细一看，要么是跟你的品牌调性不搭，要么是根本没抓住你的目标用户。
你想写一篇深度的产品文章，AI 给你写了 3000 字，但通篇都是那种很空的话，没有具体的案例，没有真正能打动人的细节。
你想做一套完整的内容矩阵，AI 给你列了 20 个选题，但你不知道该从哪个开始，也不知道这些选题之间有什么逻辑关系。
这些问题的本质都是一样的：AI 太着急给你答案了，它没有真正理解你要什么。
而 Superpowers 的工作方式，恰好能解决这个问题。
2
那具体怎么用呢？
举个例子，假设你要策划一个新品发布的传播方案。
如果你直接问 AI，它可能会给你输出一个看起来很完整的方案，但你总觉得哪里不对劲。
但如果你用了 Superpowers，流程会变成这样：
首先，它会问你一堆问题。
你的新品是什么？目标用户是谁？预算多少？时间线是怎样的？你希望达到什么效果？你有哪些渠道资源？
然后，它会根据你的回答，整理出一份方案大纲，分成几个部分展示给你：传播策略、内容规划、渠道选择、时间安排、预算分配。每个部分都足够短，你可以快速看完并给反馈。
等你确认了大方向，它才会开始细化。
它会把整个执行过程拆成具体的任务：第一步做什么，第二步做什么，每一步需要产出什么内容，怎么验证效果。
而且在执行的过程中，它会不断检查：这个文案是不是符合我们定的调性？这个渠道选择是不是跟目标用户匹配？这个时间节点是不是合理？
这种工作方式，其实就是一个靠谱的市场总监会做的事情。
3
它帮你省下最直接的，是时间。
以前你可能需要跟 AI 来来回回沟通好几轮，才能得到一个勉强能用的结果。
现在有了 Superpowers，它会在一开始就把事情问清楚，大大减少返工的次数。
其次是质量。
因为它会强制 AI 在每个环节都做检查，所以输出的内容会更符合你的要求，更有逻辑性，更容易落地。
最重要的是，它能帮你建立一套可复用的工作流程。
你第一次用它策划活动的时候，可能还需要花点时间适应。
但当你用过几次之后，你会发现你已经形成了一套自己的方法论。下次再做类似的事情，你就知道该问哪些问题，该怎么拆解任务，该在哪些环节重点检查。
这套方法论，不只是你自己能用，你还可以教给团队里的其他人。这样整个团队的工作效率和质量都会提升。
4
我不是说 Superpowers 能解决所有问题。
市场营销本质上还是一个需要创意、需要洞察、需要对人性有深刻理解的工作。
但它能做的，是帮你把那些重复性的、结构化的、需要严谨逻辑的工作做得更好。让你有更多时间和精力，去做那些真正需要人来做的事情。
这其实是一个机会，当所有人都在用同样的工具、同样的方法做市场营销的时候，你如果能用一套更高效、更系统的方式，你就有了竞争优势。
用它的几乎全是开发者，市场营销的朋友们好像完全不知道这个东西的存在。
你可能会问，Superpowers是什么？
这是一个让 AI 变得更聪明的技能框架，它会强制 AI 在开始干活之前，先退一步问你：你到底想要什么？
然后把你的需求整理成一份清晰的方案，分段展示给你看。
等你确认没问题了，它才会开始执行。
而且执行的时候也不是乱来的，它会把整个任务拆成一个个小步骤，每个步骤只需要 2 到 5 分钟，然后一步步推进，每完成一步都会检查一遍，确保没跑偏。
1
我知道你在想什么：这听起来像是给程序员用的东西啊？
但你仔细想想，做市场营销的时候，你是不是经常遇到这些情况：
你想策划一个活动，跟 AI 聊了半天，它给你输出了一大堆内容，看起来挺像那么回事。
但仔细一看，要么是跟你的品牌调性不搭，要么是根本没抓住你的目标用户。
你想写一篇深度的产品文章，AI 给你写了 3000 字，但通篇都是那种很空的话，没有具体的案例，没有真正能打动人的细节。
你想做一套完整的内容矩阵，AI 给你列了 20 个选题，但你不知道该从哪个开始，也不知道这些选题之间有什么逻辑关系。
这些问题的本质都是一样的：AI 太着急给你答案了，它没有真正理解你要什么。
而 Superpowers 的工作方式，恰好能解决这个问题。
2
那具体怎么用呢？
举个例子，假设你要策划一个新品发布的传播方案。
如果你直接问 AI，它可能会给你输出一个看起来很完整的方案，但你总觉得哪里不对劲。
但如果你用了 Superpowers，流程会变成这样：
首先，它会问你一堆问题。
你的新品是什么？目标用户是谁？预算多少？时间线是怎样的？你希望达到什么效果？你有哪些渠道资源？
然后，它会根据你的回答，整理出一份方案大纲，分成几个部分展示给你：传播策略、内容规划、渠道选择、时间安排、预算分配。每个部分都足够短，你可以快速看完并给反馈。
等你确认了大方向，它才会开始细化。
它会把整个执行过程拆成具体的任务：第一步做什么，第二步做什么，每一步需要产出什么内容，怎么验证效果。
而且在执行的过程中，它会不断检查：这个文案是不是符合我们定的调性？这个渠道选择是不是跟目标用户匹配？这个时间节点是不是合理？
这种工作方式，其实就是一个靠谱的市场总监会做的事情。
3
它帮你省下最直接的，是时间。
以前你可能需要跟 AI 来来回回沟通好几轮，才能得到一个勉强能用的结果。
现在有了 Superpowers，它会在一开始就把事情问清楚，大大减少返工的次数。
其次是质量。
因为它会强制 AI 在每个环节都做检查，所以输出的内容会更符合你的要求，更有逻辑性，更容易落地。
最重要的是，它能帮你建立一套可复用的工作流程。
你第一次用它策划活动的时候，可能还需要花点时间适应。
但当你用过几次之后，你会发现你已经形成了一套自己的方法论。下次再做类似的事情，你就知道该问哪些问题，该怎么拆解任务，该在哪些环节重点检查。
这套方法论，不只是你自己能用，你还可以教给团队里的其他人。这样整个团队的工作效率和质量都会提升。
4
我不是说 Superpowers 能解决所有问题。
市场营销本质上还是一个需要创意、需要洞察、需要对人性有深刻理解的工作。
但它能做的，是帮你把那些重复性的、结构化的、需要严谨逻辑的工作做得更好。让你有更多时间和精力，去做那些真正需要人来做的事情。
这其实是一个机会，当所有人都在用同样的工具、同样的方法做市场营销的时候，你如果能用一套更高效、更系统的方式，你就有了竞争优势。
0 01
推荐所有做 AI 产品的朋友们一定要用一下Prompt Engineering Guide，这是我见过最全面的提示词工程学习指南。
内容很多，但全是干货，我身边很多人都把这个指南作为他们团队的必备参考资料。
不论你现在是刚开始接触大语言模型的新手，还是已经在用AI但总觉得效果不够好，亦或是正在开发 AI 产品需要更专业的提示词技巧，都可以从这个指南中学到一些干货。
1
Prompt Engineering Guide 是什么？
它汇集了从基础入门到高级技巧的所有提示词工程知识，零样本提示、少样本提示、思维链、检索增强生成……你能想到的前沿技术，几乎都有详细讲解。
而且这个项目在 GitHub 上已经获得了数百万学习者的认可，还登上过 Hacker News 第一名。
提示词工程不只是写几句话让 AI 听话，而是一种理解和驾驭大语言模型能力边界的思维方式。
2
简单讲一下这个指南的价值。
很多人刚开始用AI的时候，就是随便问几句话，得到的回答要么太泛泛，要么答非所问。
那怎么办？
这个指南做了一件很系统的事：它把提示词工程拆解成了可学习、可复制的技巧。
从最基础的提示词元素、LLM 参数设置，到高级的思维链提示、自洽性技术、思维树方法，每一个技巧都有详细的解释和实例。
你不需要有技术背景，只要跟着学，就能明显提升你和 AI 对话的质量。
而且指南里还专门讲了一个很重要的观点：提示词工程的本质是建立参照系。
当你见过的提示词案例越多、尝试过的技巧越多、理解的模型特性越深，你对新任务的提示词设计就越准确。
3
举个例子，同样是让 AI 做数学推理题，普通提示可能只有 30% 的准确率，但如果你用思维链提示，让模型一步步展示推理过程，准确率能提升到 80% 以上。
这种判断力不是天赋，而是你见过足够多的案例、参照系足够丰富。
指南就像一个知识库，在不断给你的大脑输入最佳实践。
但光有技巧还不够，这个指南还讲了另一个非常重要的观点：所有 AI 应用的底层逻辑都是相通的。
当然，具体场景不同，但核心原则是一样的。
无论是做内容生成、代码编写、数据分析还是客户服务，你都需要清晰的指令、合适的上下文、对输出格式的控制，以及对模型局限性的理解。
4
指南里有个应用案例特别有意思。有人用提示词工程做职位分类任务，一开始准确率只有 60%，后来他们用了少样本学习，给模型提供了几个标准示例，准确率立刻提升到 90% 以上。
而且同样的思路可以迁移到其他分类任务：情感分析、内容审核、意图识别……底层逻辑完全一样，只是换了个应用场景。
这套思路和做产品时的思路一模一样：找到可复用的模式、建立标准化流程、不断优化迭代。
5
真正有价值的学习资源，不是把知识藏起来卖高价，而是通过开放共享让整个社区受益，然后在更高层次提供专业服务。
如果你现在正在用 AI 工具但总觉得效果不够好，也许问题并不是工具本身，而是你还没有掌握正确的使用方法。
内容很多，但全是干货，我身边很多人都把这个指南作为他们团队的必备参考资料。
不论你现在是刚开始接触大语言模型的新手，还是已经在用AI但总觉得效果不够好，亦或是正在开发 AI 产品需要更专业的提示词技巧，都可以从这个指南中学到一些干货。
1
Prompt Engineering Guide 是什么？
它汇集了从基础入门到高级技巧的所有提示词工程知识，零样本提示、少样本提示、思维链、检索增强生成……你能想到的前沿技术，几乎都有详细讲解。
而且这个项目在 GitHub 上已经获得了数百万学习者的认可，还登上过 Hacker News 第一名。
提示词工程不只是写几句话让 AI 听话，而是一种理解和驾驭大语言模型能力边界的思维方式。
2
简单讲一下这个指南的价值。
很多人刚开始用AI的时候，就是随便问几句话，得到的回答要么太泛泛，要么答非所问。
那怎么办？
这个指南做了一件很系统的事：它把提示词工程拆解成了可学习、可复制的技巧。
从最基础的提示词元素、LLM 参数设置，到高级的思维链提示、自洽性技术、思维树方法，每一个技巧都有详细的解释和实例。
你不需要有技术背景，只要跟着学，就能明显提升你和 AI 对话的质量。
而且指南里还专门讲了一个很重要的观点：提示词工程的本质是建立参照系。
当你见过的提示词案例越多、尝试过的技巧越多、理解的模型特性越深，你对新任务的提示词设计就越准确。
3
举个例子，同样是让 AI 做数学推理题，普通提示可能只有 30% 的准确率，但如果你用思维链提示，让模型一步步展示推理过程，准确率能提升到 80% 以上。
这种判断力不是天赋，而是你见过足够多的案例、参照系足够丰富。
指南就像一个知识库，在不断给你的大脑输入最佳实践。
但光有技巧还不够，这个指南还讲了另一个非常重要的观点：所有 AI 应用的底层逻辑都是相通的。
当然，具体场景不同，但核心原则是一样的。
无论是做内容生成、代码编写、数据分析还是客户服务，你都需要清晰的指令、合适的上下文、对输出格式的控制，以及对模型局限性的理解。
4
指南里有个应用案例特别有意思。有人用提示词工程做职位分类任务，一开始准确率只有 60%，后来他们用了少样本学习，给模型提供了几个标准示例，准确率立刻提升到 90% 以上。
而且同样的思路可以迁移到其他分类任务：情感分析、内容审核、意图识别……底层逻辑完全一样，只是换了个应用场景。
这套思路和做产品时的思路一模一样：找到可复用的模式、建立标准化流程、不断优化迭代。
5
真正有价值的学习资源，不是把知识藏起来卖高价，而是通过开放共享让整个社区受益，然后在更高层次提供专业服务。
如果你现在正在用 AI 工具但总觉得效果不够好，也许问题并不是工具本身，而是你还没有掌握正确的使用方法。
0 03