即刻App年轻人的同好社区
下载
上周墨问上线了拉黑的功能，有用户说，拉黑有用吗，还是有用的。
今年微信推荐力度增加了，经常有未关注的人跑来喷，不知道哪来那么大的表达欲，于是改成了关注七天后才能评论，垃圾评论果然少了
今年微信推荐力度增加了，经常有未关注的人跑来喷，不知道哪来那么大的表达欲，于是改成了关注七天后才能评论，垃圾评论果然少了
拉黑有没有用？ · 墨问
2 00
昨天看到社媒上 Lenny Rachitsky（硅谷产品经理、自媒体人、投资人） 的一个帖子，说一位 OpenAI 产品负责人告诉他：
我经营一家初创公司长达五年。我以为我们的节奏已经够快了。直到我加入 OpenAI——才意识到自己根本不懂什么才是真正的快。
我经营一家初创公司长达五年。我以为我们的节奏已经够快了。直到我加入 OpenAI——才意识到自己根本不懂什么才是真正的快。
18 天做出来的产品，一个月留存 1%。OpenAI 抄袭 · 墨问
9 41
豆包手机用了几天之后就吃灰了，主要是我没有那么多 Agent 给它安排 😂。
另外国内手机用谷歌全家桶还是挺麻烦的。目前主要还是用 iPhone 和 Nothing Phone。你别说，Nothing Phone 这款还真挺合我心意，当备机合适，AI 能力有一些，随手用。
另外国内手机用谷歌全家桶还是挺麻烦的。目前主要还是用 iPhone 和 Nothing Phone。你别说，Nothing Phone 这款还真挺合我心意，当备机合适，AI 能力有一些，随手用。
9 30
终于…俺又做了个新产品，可召回，可问答，可阅读
note.mowen.cn
2025 年的 3 月份我们结束了长达三年的墨问星球的运营，开始专注墨问的产品研发和内容创作。但耗时三年创作的内容如果留在知识星球里肯定就没用了，内容形式也不够友好。怎么整？
年中的时候我们开始和字节的火山 VikingDB 合作，看看如何重新激活这三年的内容。
随后我们就启动了这个漫长的任务。做这件事需要很多细致的工作。首先要对星球里的内容做清洗，短文本、长文章、图文、问答等等，重新抽象，最后融合成墨问的 1303 条笔记，然后为这些笔记进行分类，更新内容，提取知识 tag，最后进行技术选型，产品设计和研发。
在 AI 时代，信息的连接方式也在发生变化：以前只能是“人去找信息”，现在“信息可以理解你的需求并主动抵达”。基于这个判断，我们把这些知识全部重构为一套新的产品：墨问时间知识库。
今天，墨问时间知识库——也是墨问的第一款 AI 知识库——已经上线了。
访问 mowen.cn 就能看到它。
永久订阅：
note.mowen.cn
2025 年的 3 月份我们结束了长达三年的墨问星球的运营，开始专注墨问的产品研发和内容创作。但耗时三年创作的内容如果留在知识星球里肯定就没用了，内容形式也不够友好。怎么整？
年中的时候我们开始和字节的火山 VikingDB 合作，看看如何重新激活这三年的内容。
随后我们就启动了这个漫长的任务。做这件事需要很多细致的工作。首先要对星球里的内容做清洗，短文本、长文章、图文、问答等等，重新抽象，最后融合成墨问的 1303 条笔记，然后为这些笔记进行分类，更新内容，提取知识 tag，最后进行技术选型，产品设计和研发。
在 AI 时代，信息的连接方式也在发生变化：以前只能是“人去找信息”，现在“信息可以理解你的需求并主动抵达”。基于这个判断，我们把这些知识全部重构为一套新的产品：墨问时间知识库。
今天，墨问时间知识库——也是墨问的第一款 AI 知识库——已经上线了。
访问 mowen.cn 就能看到它。
永久订阅：
墨问 · 记录即创作
3 00
周末看了个 OpenAI 论坛的内部分享，叫 Vibe Engineering。
内容不少，我整理了分享的全文放到墨问里，差不多 9100 字，还有实操项目的 github 仓库地址，可以先收藏再看。
什么是 Vibe Engineering？AI 不只是“帮你写代码”，而是参与到工程的全链路里，帮你更快做出能上线、能维护、能扩展的生产级软件。前提是：每一行要发到生产环境的代码，仍然必须由人来负责。他们把这种用法叫做 “Vibe Engineering”。
它和过去一年流行的 “Vibe Coding” 最大的不同是，从“写出一段能跑的代码”升级为“完成一次真正的工程交付”。
很多 AI 编程工具最近都在做这方面的变化。
为了讲清楚这件事，OpenAI 的工程师 Aaron Friel 做了一个硬核 demo：用 Rust 重写一个成熟的 Kotlin 开源项目，并且做到了和原项目 100% 兼容。
任务从一个空目录开始，除了提示词什么都没有。使用传统做法，这种重写加验证可能要几周时间；而在他的实验里，Codex 能够连续工作十几个小时，把脚手架、测试体系、对照验证、文档都推进到一个可以跑通 CI 的程度。
这里的关键不在于“模型写了多少行”，而是它如何“像工程师一样工作”。
Friel 给 Codex 的不是一串小任务，而是一套长期目标和约束，并要求它维护一个持续更新的计划文档（exec plan）。更有意思的是，Codex 会自动拉起子 Agent：一个像“Watch Dog”一样不断提醒不要偏离整体目标；另外一些子 Agent 去并行做研究，补齐背景知识，甚至会主动 clone 仓库、对照实现等等。
分享里讲了 Vibe Engineering 的三个方法论：
1、让 AI 写可读的产物，而不只是可运行的代码。
2、并行化。Codex 提供的 “Best of N” 思路很像把一个问题同时交给四个候选工程师：让它们走不同路线，产出不同方案，然后人来选更符合目标、也更符合品味的那个。
3、把“技术能力”外溢到工程团队之外。在 OpenAI，Codex 也被用来帮助产品、销售、现场支持等非工程角色理解代码库：当他们想知道一个功能怎么工作，先问 Codex。
这套东西应该对 AI 改进研发团队的效率有很大启发，推荐一下。
内容不少，我整理了分享的全文放到墨问里，差不多 9100 字，还有实操项目的 github 仓库地址，可以先收藏再看。
什么是 Vibe Engineering？AI 不只是“帮你写代码”，而是参与到工程的全链路里，帮你更快做出能上线、能维护、能扩展的生产级软件。前提是：每一行要发到生产环境的代码，仍然必须由人来负责。他们把这种用法叫做 “Vibe Engineering”。
它和过去一年流行的 “Vibe Coding” 最大的不同是，从“写出一段能跑的代码”升级为“完成一次真正的工程交付”。
很多 AI 编程工具最近都在做这方面的变化。
为了讲清楚这件事，OpenAI 的工程师 Aaron Friel 做了一个硬核 demo：用 Rust 重写一个成熟的 Kotlin 开源项目，并且做到了和原项目 100% 兼容。
任务从一个空目录开始，除了提示词什么都没有。使用传统做法，这种重写加验证可能要几周时间；而在他的实验里，Codex 能够连续工作十几个小时，把脚手架、测试体系、对照验证、文档都推进到一个可以跑通 CI 的程度。
这里的关键不在于“模型写了多少行”，而是它如何“像工程师一样工作”。
Friel 给 Codex 的不是一串小任务，而是一套长期目标和约束，并要求它维护一个持续更新的计划文档（exec plan）。更有意思的是，Codex 会自动拉起子 Agent：一个像“Watch Dog”一样不断提醒不要偏离整体目标；另外一些子 Agent 去并行做研究，补齐背景知识，甚至会主动 clone 仓库、对照实现等等。
分享里讲了 Vibe Engineering 的三个方法论：
1、让 AI 写可读的产物，而不只是可运行的代码。
2、并行化。Codex 提供的 “Best of N” 思路很像把一个问题同时交给四个候选工程师：让它们走不同路线，产出不同方案，然后人来选更符合目标、也更符合品味的那个。
3、把“技术能力”外溢到工程团队之外。在 OpenAI，Codex 也被用来帮助产品、销售、现场支持等非工程角色理解代码库：当他们想知道一个功能怎么工作，先问 Codex。
这套东西应该对 AI 改进研发团队的效率有很大启发，推荐一下。
109 | 用 Codex 做 “Vibe Engineer · 墨问
4 01
微信输入法跟进了语音功能
晚上看到微信输入法的 testlight 版本更新了：
微信输入法开始测试 3.0，这个版本几乎全是语音输入相关的功能。大模型升级了，输入更准确，还能做会议记录。另外，增加了语音待机时长的功能，我设置了 30 分钟，其实就是将持续录音的权限时间延长至半小时。之前微信输入法没这么激进，现在豆包已经这么搞了，微信输入法随即跟进。
微信输入法已经做了好几年，完成度无疑是最高的，融入微信生态，很早就开始接入 AI 相关的功能，是我的多端默认输入法。
估计这一版离正式发布不远了。
晚上看到微信输入法的 testlight 版本更新了：
微信输入法开始测试 3.0，这个版本几乎全是语音输入相关的功能。大模型升级了，输入更准确，还能做会议记录。另外，增加了语音待机时长的功能，我设置了 30 分钟，其实就是将持续录音的权限时间延长至半小时。之前微信输入法没这么激进，现在豆包已经这么搞了，微信输入法随即跟进。
微信输入法已经做了好几年，完成度无疑是最高的，融入微信生态，很早就开始接入 AI 相关的功能，是我的多端默认输入法。
估计这一版离正式发布不远了。
5 53
是的，关于Attention 我还写过一篇 mp.weixin.qq.com //@Mr.Oak: 因为基于attention is all you need的模型难以意识到或做到一个简单的事实：并非所有信息都值得pay attention
正如一棵树，在没有任何约束的情况下会野蛮疯长，提取核心内容并重开会话这一动作，实际上是在为这棵树修枝打顶，通过有意识地修剪掉不必要的枝芽，引导能量的集聚方向和树的生长方式，最终使树呈现的形态和产出符合期望。
正如一棵树，在没有任何约束的情况下会野蛮疯长，提取核心内容并重开会话这一动作，实际上是在为这棵树修枝打顶，通过有意识地修剪掉不必要的枝芽，引导能量的集聚方向和树的生长方式，最终使树呈现的形态和产出符合期望。
池建强: 当我和 AI 反复交流之后，发现得到的结果可能会越来越差，这时候我会根据交流的结果，写一个更完整的 prompt，重新开一个会话，把 prompt 丢给 AI，这时候往往有很大概率获得比之前更好的结果。 应该还是和 AI 的能力有关。长对话会积累偏差与上下文噪声，让大模型出现上下文漂移。随着轮次增加，模型会不断适配用户之前的输入与它自己的输出，逐渐形成“对话内分布”，其中包含不完整的约束、隐含的误读、以及你临时让步过的要求。这些残留会被下一轮当作事实继续强化，结果就有可能出现答案越走越偏、质量越来越差的结果。 新开会话能重置这些内容，完善你的 prompt，让大模型重新聚焦并明确需求。 使用 Lovart 的时候发现也有这个现象。不如重来。
3 00