即刻App年轻人的同好社区
下载
App内打开
一粒豌豆糕i
172关注2被关注0夸夸
一粒豌豆糕i
3月前
一粒豌豆糕i
10月前

和平hepingfly: 如何提高自己的产品思维？可以从四个维度入手 1、学习资料 张小龙《微信背后的产品观》 王慧文《清华产品课》 梁宁《产品思维30讲》《增长思维30讲》 张一鸣的微博 《乔布斯传》 《参与感》 《流量池》 2、坚持体验和拆解产品 把同类型的产品下载下来去体验、拆解，先用用户视角把整个流程走一遍，比如你是做 OA 的，那你可以把飞书、钉钉、企业微信都下载下来体验一遍 然后再用产品思维去找差异化，同类型的产品他们在交互上有哪些不同？为什么会有这样的不同？ 最后是用用户思维，同类型的产品他们的核心受众是谁？它是怎么赚这些用户的钱的？ 坚持长期拆解和体验产品，产品思维自然而然会得到提升 3、保持好奇心，热衷于和社会上不同角色的人聊天 跳出固有的思维框架，主动与不同背景、职业、需求的用户或社会角色沟通，以挖掘更深层的需求、场景和潜在痛点。 4、面对生活中未被解决的需求，要思考如何去解决 把产品思维融入日常观察，主动识别未被满足的需求并设计解决方案​​，培养“问题即机会”的敏锐度。 始终保持发现问题、解决问题的热忱，慢慢的产品思维就会在你的脑子里形成 以上内容来自于「77和她的韭菜朋友」，根据自己的理解，做了一定删改

00
一粒豌豆糕i
11月前

Roxane: 一些个人认为适合非技术背景同学入门RL的材料不完全整理： 1️⃣青铜级 （都是播客） 《一堂「强化学习」大师课》——42章经 《与马毅聊智能史:“DNA 是最早的大模型”，智能的本质是减熵》——晚点聊LateTalk 《我是这样用 RL + LLM 做 Agent 的｜对谈 Pokee AI 创始人朱哲清 Bill》——42章经 《走向强化学习：Agent 还是应用公司的机会吗？对话 Pokee.ai 创始人》——硅基觉醒 《Agent 开发的上半场：环境、Tools 和 Context 如何决定 Agent》——42章经 《强化学习的前世今生》——科技慢半拍 （以下是一些发布时间较早，但是我认为仍有价值所以保留推荐的⬇️） 《AGI 范式大转移：和广密预言草莓、OpenAI o1 和 self-play RL》——张小珺Jùn｜商业访谈录 《逐句讲解 DeepSeek-R1、Kimi K1.5、OpenAI o1 技术报告 ——“最优美的算法最干净”》——张小珺Jùn｜商业访谈录 《对话 Google Deepmind 研究员：OpenAI o1 及LLM+RL 新范式》——OnBoard! 2️⃣白银 Andrej Karpathy《Deep Dive into LLMs like ChatGPT》（视频）（不是专门讲RL的，但是建议先看，系统了解） Sam Lehman《The World's RL Gym》 Sutton与Deepmind《Welcome to the Era of Experience》 《Richard Sutton on Pursuing AGI Through Reinforcement Learning》（视频） 3️⃣黄金 OpenAI o1 技术报告《Learning to reason with LLMs》 Deepseek官方论文《DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning》 Sebastian Raschka《The State of Reinforcement Learning for LLM Reasoning》 4️⃣翡翠 《Transformer原作、斯坦福、清华交大三篇论文共识：基座模型边界锁死RL能力上限》（一篇公众号的概述，建议阅读原文） 《OpenAI's o3: Over-optimization is back and weirder than ever》 5️⃣钻石 Sutton and Barto《Reinforcement Learning: An Introduction》 （坦白说还没学到这个层次，欢迎大佬们补充...） 其实还有很多优质的资料，但我还没读的就不冒昧推荐了，欢迎在评论区安利🥹 🎊扩展阅读 《A biref history of intelligence》

00
一粒豌豆糕i
12月前

张佳的流量常识: 𝕏 上有个大佬分享了 AI-Coding 的 9 个大坑，很有收获 翻译搬运一下： # AI编程的9个大坑 > 原贴：[X@cj_zZZz](https://x.com/cj_zzzz/status/1902027578841682097?s=46&t=7V3U_rIl998pQvSTCUhLOg) > 翻译：Claude 我每天使用AI工具编程6-7小时。 在过去12个月里开发了超过36个项目。 事实是：用一个提示"给我构建...应用"是不可能的。 所以，以下是你在使用AI编程时可能犯的所有错误： ### 1. 没有规划 通过我的规划技巧，我能在几小时内从想法到一个写得很好的MVP草案。 我只需打开ChatGPT语音，然后我们进行一对一的对话，讨论我想要什么。 15分钟的聊天后，我会要求："根据我们在这次对话中确定的所有内容，给我写一个结构良好的草案" 我使用ChatGPT语音作为我的头脑风暴伙伴、评论者、网络研究员，然后是草稿撰写者。 最后，我将这个MVP的核心功能都集中在一页上。 不要盲目构建。先规划再行动。 ### 2. 没有为AI模型建立知识库 然后我将想法草案放入@CodeGuidedev，并写下{coding docs}为AI编程模型建立知识库。 这一步对减少AI编程模型的幻觉非常重要。 文档包括： - PRD（产品需求文档） - 应用流程文档 - 技术栈文档 - 前端指南 - 后端结构 AI模型可以随时参考这些文档，了解接下来要构建什么，不构建什么！ ### 3. 没有选择正确的工具 每个AI编程工具都有自己的超能力。我几天前发布了我的研究结果。 在过去14个月里，我用AI构建了36个项目。 所有AI开发工具都不同。每个工具都擅长一件特定的事情，比如： @windsurf_ai是初学者的最佳IDE（目前排第1） @cursor_ai对全栈应用很棒（目前排第2） @CodeGuidedev擅长编写项目编码文档 @Replit擅长一次性构建MVP/移动应用 @v0擅长设计现代UI组件 @boltdotnew使用Supabase开发Micro SaaS很棒 @lovable_dev擅长编写现代着陆页 @SoftgenAI使用firebase开发Micro SaaS很棒 @cline是最好的VS Code扩展/可与MCP配合使用 @base_44对仪表板类应用很棒（新工具） @ManusAI_HQ擅长代理/基于浏览器的工作 @perplexity_ai是最好的网络搜索/总结工具 @ChatGPTapp擅长语音到语音/写作工作 @Grok 3擅长基于网络的研究/X信息 @AnthropicAI擅长编程（Sonnet 3.7模型） @OpenAI通过API提供各种类型的AI模型 @GeminiApp擅长多模态（Flash 2.0模型） 这个周末我还在测试： - Tempo labs - Databutton - Srcbook 如果我发现更多好的开发工具，我会更新你们。 ### 4. 没有选择正确的技术栈 AI模型是在特定编程语言上训练的。只使用它们来获得最佳代码质量和更少的错误。 使用这些AI友好的技术栈： 前端：NextJS/Vite/Flask 数据库：Supabase (PostgreSQL)/Firebase 认证：ClerkDev/Supabase/Firebase AI：OpenAI/Claude/Gemini ### 5. 没有一步一步地构建 当你让AI计划下一步时，8/10的情况下AI会搞乱代码库。 只使用AI模型来执行计划和实现代码。 使用像@CodeGuidedev的50步实施计划这样的详细计划，强制AI不遗漏任何内容。 ### 6. 没有调试提示 调试是AI编程中最令人沮丧的部分。为了减轻痛苦，使用这些技巧： - 附上错误并说"使用思维链推理首先找出核心问题，然后逐步计划修复问题" - 要求它"遵循代码的最佳实践。搜索网络并找到此问题的解决方法" - 只附上相关文件，使AI能更好地集中注意力。 ### 7. 没有使用多个AI模型 1个AI模型不能做所有事情。针对不同场景使用不同的模型。 在Cursor/Windsurf中： 使用Claude sonnet 3.5进行编码（是的，对于执行代码，它比3.7更好） 使用GPT o1/o3-mini-high调试复杂错误。 使用Gemini Flash 2.0扫描完整代码库并更新文档。 ### 8. 没有使用入门套件 为什么每次都从头开始，浪费请求/令牌并修复不必要的错误。 使用预装组件的入门套件（样板）来快速构建。 CodeGuide有6个专为AI编程模型构建的样板。 ### 9. 过早放弃 AI编程在第三个提示之前很有趣，然后你开始修复错误和完善布局。 会有成百上千的错误、构建问题，AI会搞乱代码库。 但如果你有坚实的基础（文档和规则），你可以更好地驾驭AI。 ### 总结 - 在打开任何AI编程工具之前规划应用 - 使用@CodeGuidedev编写详细的编码文档以提供上下文 - 为你的用例选择最佳AI工具 - 仅使用AI友好的技术栈 - 调试时提示得更好 - 针对不同工作使用不同模型

00
一粒豌豆糕i
1年前

歸藏: 很多朋友问如何将下面的这种全是字的文档，变成上面这种美观、直观的网页。 👇分享一下提示词和逻辑： 其实大部分的技巧和提示词来自我前几天写的这个教程：https://mp.weixin.qq.com/s/tUOAfd4OI56QxD94-0PPKw 我又加了几条要求，确保你可以将任何文件扔进去，不需要一个字的修改就能生成美观的网页： 因为我们很多的文件都是英文的，所以我加了让他变成中文的要求 另外让他参考 Linear App 的设计语言，这个灵感来自 Padphone 老师 还有就是可以在页面加上你的社交媒体链接和你的名字，方便网页传播之后大家可以找到作者 去掉了 Unsplash 的图片要求，因为免费的 API 不太好查找对应的主题图片 完整的提示词： 我会给你一个文件，分析内容，并将其转化为美观漂亮的中文可视化网页： ## 内容要求 - 所有页面内容必须为简体中文 - 保持原文件的核心信息，但以更易读、可视化的方式呈现 - 在页面底部添加作者信息区域，包含： * 作者姓名: [作者姓名] * 社交媒体链接: 至少包含GitHub、Twitter/X、LinkedIn等主流平台 * 版权信息和年份 ## 设计风格 - 整体风格参考Linear App的简约现代设计 - 使用清晰的视觉层次结构，突出重要内容 - 配色方案应专业、和谐，适合长时间阅读 ## 技术规范 - 使用HTML5、TailwindCSS 3.0+（通过CDN引入）和必要的JavaScript - 实现完整的深色/浅色模式切换功能，默认跟随系统设置 - 代码结构清晰，包含适当注释，便于理解和维护 ## 响应式设计 - 页面必须在所有设备上（手机、平板、桌面）完美展示 - 针对不同屏幕尺寸优化布局和字体大小 - 确保移动端有良好的触控体验 ## 图标与视觉元素 - 使用专业图标库如Font Awesome或Material Icons（通过CDN引入） - 根据内容主题选择合适的插图或图表展示数据 - 避免使用emoji作为主要图标 ## 交互体验 - 添加适当的微交互效果提升用户体验： * 按钮悬停时有轻微放大和颜色变化 * 卡片元素悬停时有精致的阴影和边框效果 * 页面滚动时有平滑过渡效果 * 内容区块加载时有优雅的淡入动画 ## 性能优化 - 确保页面加载速度快，避免不必要的大型资源 - 图片使用现代格式(WebP)并进行适当压缩 - 实现懒加载技术用于长页面内容 ## 输出要求 - 提供完整可运行的单一HTML文件，包含所有必要的CSS和JavaScript - 确保代码符合W3C标准，无错误警告 - 页面在不同浏览器中保持一致的外观和功能 请根据上传文件的内容类型（文档、数据、图片等），创建最适合展示该内容的可视化网页。

00
一粒豌豆糕i
1年前

Frank.Lin: 再收集一个高保真原型提示词, 大家可以用各个模型去生成PK一下, 看看哪个美感最佳: 我想开发一个{类似小宇宙的播客app}，现在需要输出高保真的原型图，请通过以下方式帮我完成所有界面的原型设计，并确保这些原型界面可以直接用于开发：1、用户体验分析：先分析这个 App 的主要功能和用户需求，确定核心交互逻辑。2、产品界面规划：作为产品经理，定义关键界面，确保信息架构合理。3、高保真 UI 设计：作为 UI 设计师，设计贴近真实 iOS/Android 设计规范的界面，使用现代化的 UI 元素，使其具有良好的视觉体验。4、HTML 原型实现：使用 HTML + Tailwind CSS（或 Bootstrap）生成所有原型界面，并使用 FontAwesome（或其他开源 UI 组件）让界面更加精美、接近真实的 App 设计。拆分代码文件，保持结构清晰：5、每个界面应作为独立的 HTML 文件存放，例如 home.html、profile.html、settings.html 等。- index.html 作为主入口，不直接写入所有界面的 HTML 代码，而是使用 iframe 的方式嵌入这些 HTML 片段，并将所有页面直接平铺展示在 index 页面中，而不是跳转链接。- 真实感增强： - 界面尺寸应模拟 iPhone 15 Pro，并让界面圆角化，使其更像真实的手机界面。 - 使用真实的 UI 图片，而非占位符图片（可从 Unsplash、Pexels、Apple 官方 UI 资源中选择）。 - 添加顶部状态栏（模拟 iOS 状态栏），并包含 App 导航栏（类似 iOS 底部 Tab Bar）。请按照以上要求生成完整的 HTML 代码，并确保其可用于实际开发。

00
一粒豌豆糕i
1年前

歸藏: 最近很多人问我，为啥我用 Claude 写的应用就没那么漂亮？ 所以教大家一些非常简单的技巧，用上了以后你也能搞定这么漂亮的界面 👇下面是具体的技巧和完整提示词 完整内容这里：https://mp.weixin.qq.com/s/tUOAfd4OI56QxD94-0PPKw 1️⃣第一个技巧： 不用非得用语言来描述你想要的界面样式，可以去一些设计平台找一些你喜欢的设计稿将图片上传到图片让模型参考。 如果你不知道去哪找的话，国内推荐站酷、海外的话推荐 Dribbble 和 Layers。 在跟 Claude 说的时候就可以忽略那些不好描述的地方，重点描述静态图片无法表现的部分，比如下面的这个卡片组件。 我就让 Claude 注意交互的动画和输入框聚焦之后的渐变动画上，界面内容和风格就让他按图片生成。 2️⃣第二个技巧： 在让 Claude 生成界面的时候，你会发现 Claude 生成的页面没有图片，本来应该是图片的部分经常是空白的，这个就很影响结果的视觉表现。 其实我们可以要求他引用一些在线的图片来填充到页面需要图片的部分。 这里首先推荐 unsplash，他是一个开源图片网站，里面有世界各地的设计大神上传的图片，而且可以直接引用。 可以看下面加上图片之后的卡片是不是就好看很多了。 3️⃣第三个技巧： 另外 claude 在生成页面的时候本来应该是图标的地方，他喜欢用 emoji 来代替，emoji 也很好，但是在一些严肃的页面上就会显得格格不入。 这里可以要求 Claude 在生成页面的时候引用在线的图标库，比如Font Awesome或Material Icons，这些开源图标库可以通过 CDN 直接引用，而且不需要部署。 可以看到引用了 Font Awesome 图标库的图标之后我们的界面变得更加简洁和整齐。 4️⃣第四个技巧： 我们常用的前端样式代码是用 CSS 写的，但是 CSS 本身的一些样式其实没有太考虑美观度的要求。 这就导致你让 Claude 写样式的时候他就会过渡自己发挥，美观度也就没办法得到保障，而且你对样式要求多之后他要从头写的 CSS 也就越多浪费很多 Token。 这里我们可以要求 Claude 用 CDN 引用 TailwindCSS 来写组件样式，Tailwind CSS 封装了一套非常美观和简洁的样式，可以让 Claude 直接调用，确保在色彩、响应式和基础组件的美观度不出大问题。 🌟提示词： 方括号［］的部分就是你需要填写的部分。 我需要创建一个[具体描述你的页面/组件类型]，请帮我生成美观且响应式的HTML+CSS代码。 ## 设计参考 我希望设计风格类似于以下参考： [上传参考图片或描述设计灵感来源] ## 技术要求 - 请使用HTML、TailwindCSS和少量必要的JavaScript - 引用Tailwind CSS（v3.0+）通过CDN - 页面需完全响应式，在移动设备和桌面端都能良好显示 ## 图片资源 - 请使用Unsplash API提供的图片作为内容图片 - 根据内容主题选择合适的关键词 ## 图标要求 - 使用Font Awesome或Material Icons等专业图标库 (通过CDN引用) - 避免使用emoji作为图标替代品 ## 交互细节 [描述任何需要的交互动画或效果，例如：] - 按钮悬停时有轻微放大效果 - 表单输入框聚焦时显示渐变边框 - 卡片在悬停时有阴影加深效果 ## 特别注意 - 确保代码干净且有适当注释 - 提供完整可运行的HTML文件，包含所有必要引用 - 优化视觉层次和间距，确保设计美观专业 5️⃣如何生成设计稿： 昨天群里一个朋友提了一嘴能不能转设计稿想了一下，居然还真可以，而且可以帮你生成带自动布局的 Figma 设计稿和对应可复用的组件。具体的方法也很简单 只需要将你生成的代码部署到线上，如果你用 Claude 或者 POE 都有这个功能，如果你用的软件没有发布能力的话可以用这个 http://yourware.so 产品。 获得了线上的链接之后，我们只需要使用 http://html.to.design 这个 Figma 插件就可以很好的将网页转换为

00
一粒豌豆糕i
1年前

艾逗笔: # 分享一个 idea 最近 AI Coding 越来越🔥。此类产品依赖的一项核心能力，是对 AI 生成的代码实时预览。 不同的项目代码，用到的预览方案不太一样。 如果生成的代码是单个文件，直接放到 iframe.srcdoc 就能预览，这个方案实现起来很容易。 如果生成的代码是多个文件，涉及到框架 / 组件 / 依赖，预览方案要复杂很多。 比如，让 AI 生成一个 Landing Page，按照 nextjs 的项目规范返回代码，AI 生成的文件树示例： - app/page.tsx - app/globals.css - components/ - Header.tsx - Hero.tsx - Features.tsx - Footer.tsx 这样的一组代码文件，要实时预览，就必须走自定义预览服务的方案。 考虑到想切入 AI Coding 赛道的产品很多，每个人都去实现一个预览服务，成本很高。 可以做一个通用的 code-preview 服务，提供 API 供第三方接入，支持预览任意类型的项目代码，包括单文件 / 多文件。 这个 code-preview 服务，可以用 go 实现，基于 docker + 预置镜像支持各类项目的预览需求。 1. 先制作几套常用的代码模板，打包成 docker 镜像，包括 - vite + react - vite + vue - nextjs + shadcn/ui - nuxtjs 2. 用 go 实现一个服务管理模块 - 接收上游传递的代码包 - 解压缩拿到所有的代码文件 - 根据预览的项目类型，选用特定的 docker image 启动 docker 容器，挂载要预览的代码文件到容器，替换掉模板中的特定文件 - 返回容器的预览端口，拼接可公网访问的预览地址给到上游 - 接到上游预览关闭信号，销毁 docker 容器，或者通过定时程序来清理不再活跃的 docker 容器 3. 需要评估预览服务的启动耗时（文件传输耗时，容器启动耗时），需要支持并发请求（可能会有本地端口占用冲突的问题，服务器资源不够问题） code-preview 服务跟 AI Coding 业务完全解耦，业务方请求 AI 生成完代码，请求 code-preview 服务的 API 拿到预览地址，通过 iframe.src 预览 code-preview 服务需要保证稳定性和启动预览的速度，如果因为代码问题导致预览报错，需要把错误信息返回给业务方，以便业务方带上错误请求 AI 修正代码后重新启动预览 code-preview 服务按照业务方的 API 调用次数计费 跟 bolt 公司用到的 WebContainer 技术有点类似，只不过 WebContainer 是跑在浏览器端，code-preview 服务是跑在云端，code-preview 的接入会更方便，灵活性也会更高。预览速度方面需要调试后才能对比。 你看好这套方案吗？

00
一粒豌豆糕i
1年前

Bink_Ron: ‼️【硬核】产品经理如何用AI一天完成产品MVP设计+ 真·交互原型！ （不仅能秒过评审，还能秀人一脸😏） 👨‍💻这几天我们跑通了一个基于 Multi-Agent 的 AI 外呼算法，想快速搭一个 Demo 给外呼业务用起来。但再简单的 demo，要搞一套能 可视化配置Multi-Agent的路由结构+节点LLM，能实现模拟IM 对话，能统计测试准确率的平台，没个几十人天的根本搞不定。而且要写个0-1的 PRD和画原型，以往至少得花3-4天来梳理。 由于工作内外已经吃尽了 LLM+ AI Coding 的甜头，看到这样的任务自然用这些 AI 工具偷偷懒。于是一天时间内我就进行了如下操作： 1️⃣ 跟 GPT-4o 和 Gemini-2.0 pro同时讨论需求逻辑。 1. 需求范围确定。我把我要做这个 MVP 的背景、MVP 的设定逻辑、之前评审过的 Multi-Agent 的设计思路一五一十的告诉了 LLM然后让他们先输出个 MVP 的需求范围并说明原因。这个部分对他们而言都比较简单，讨论个一两轮基本就能达成共识。 2. 需求逻辑的定义。这里我会一个板块一个板块的跟 LLM 讨论需求逻辑，但注意，我不会让他们自由发挥，这样扑街的概率很大。我会用如下指令： “我们先来完成第x块内容的撰写。你可以先思考： - 怎么才算讲清楚了这件事情； - 如果要讲清楚这件事情，我需要告诉你什么信息，然后向我提问； - 得到回复后组织这个部分的内容，当然如果还有什么模糊的地方，可以接着追问我。” 然后你会拿到一个贼牛逼的问题 list，质量基本跟我自己努力想的组织框架相当。然后你可以参照这俩 LLM 给的框架自己组织一个更完善的框架，在里面简单叙述核心思想。 3. 让 LLM 完善需求。把上面定下来的框架完整、包含你自己的设计逻辑的文本贴给 LLM，让他基于这个，帮你按照 PRD 的要求来完成这个模块的交互逻辑/后端逻辑定义。 按照这个思路，可以得到一个完成度相对高的、后端同学高度认可的 PRD。 2️⃣ 确定整体的界面+交互逻辑。上面的需求讨论完成后，会发现有个问题，就是他们是各模块分块讨论的，子模块的交互逻辑大致清晰了，但整个产品串联起来逻辑还是有问题。所以这一步是为了讨论清楚产品整体的界面+交互，将之前讨论的各个子模块串起来。 1. 讨论页面结构与导航流程。让 LLM 给你先输出一个这样的东西，摸一摸他到底对页面结构的理解跟你的 gap 有多大，如果很大，那么就先通过这个部分的讨论纠正他。 2. 讨论整体界面+交互设计。这个部分我会先把整体我最关心的界面和交互逻辑告诉他，抓大放小。说完之后让他帮我完善整体的界面和交互设计描述，并针对性给出反馈意见，直到达成一致。 至此，界面+交互设计基本上就很清晰了。把 Step1+Step2的结论一起发给大模型，让他整理成 PRD 的完整版，把你之前习惯的 PRD 组织方式告诉他，他就能给你整出一个完成度不错的 PRD初稿。 3️⃣ 让 Cursor/V0/Trea 帮你写 Demo。 1. Demo 框架的构建。有了上面这两个扎实的文档做基础，直接把文档发给它，让他写产品交互 Demo（API 没有就直接 mock），但写代码之前先帮你规划一下这个事情先做什么，后做什么。规划后，每一轮输出的末尾都让他 review 现在做了啥，有没有卡点，下一步该干嘛。然后让他按照这个计划一步步执行。你会惊喜地发现，你脑中的这个 Demo 的雏形还真的被搞出来了，如果运气好，还会有些惊喜。 2. 基于 Demo 来完善你的想法。有了 Demo 后，你在交互过程中就会发现很多之前写 PRD 的时候没想清楚的问题，这时候直接让 AI 帮你改，改到你满意为止。这个过程全程我都是笑着完成的，太丝滑了，比我画原型舒服多了。 3. 最后，你会越改越爽，得到一个你觉得很满意的 MVP 版本。 4️⃣（骚操作）：反向修改 PRD。因为你的 Demo 经过你长时间贴脸的打磨，已经是你觉得很理想的 Demo 了，而你的 PRD 还是旧版本，PRD 跟不上 Demo，这时候要去改 PRD 多烦。你可以： 1. 让 Coding 的 AI 总结之前的功能逻辑修改，尽量列个 list 说完整一点。 2. 把这个 list 告诉之前讨论需求的 LLM，让他基于这些点修改 PRD。 就这么按照上述4步搞下来，8个小时之内，你就能拿到一个完成度极高的 PRD+ 完成度极高的真·交互原型。拉研发讲方案的时候，清两嗓子，说：“为了更直观展示方案，我写了个简单的 Demo，先来演示一下”。然后一边操作一边讲，你会发现大家都很认真。 由于我这个产品是个对内的 Demo，连设计都不用介入，前端可以直接基于此进行开发，直接省了前端至少一周的工作。

00
一粒豌豆糕i
1年前
一粒豌豆糕i
1年前

苏雨辰: 产品文档的撰写我把它分为三个层面，分别对应逻辑、落地和格式，为什么分成这三个层面呢？因为我在这三个角度上都吃过亏挨过骂。 1、逻辑 产品文档是围绕产品来撰写的，第一部分就要把把产品功能每个模块打碎分拆，然后按照元素、交互来撰写。具体到元素，列齐全；交互就是每个按钮、用户点击跳转到哪里要写明白。（这个我应该是上半年碰壁了才完全掌握） 2、落地 落地就是这个功能怎么实现的？你光有第一步的逻辑其实还是实现不了功能的，因为功能的实现背后是需要数据的，是需要接口的，如果需要数据你得告诉开发从哪里能获取到这个数据；如果是需要内容你得告诉开发从哪个接口能获取到这个内容（上半年挨骂了之后都写上了） 3、格式 当我以为上面两项都完备了的时候，周一我又因为一件事挨批了——文档的格式。每个模块得细拆，不要都杂糅成一大段话放在那。而且，细拆开来一小段字就对应一个功能区域，图片也得截那一块的；你截那么大，我怎么知道你在说哪个功能？ 挨批中，改进中...

00
一粒豌豆糕i
1年前
一粒豌豆糕i
1年前

艾逗笔: AI Coding 最近半年很火，细分赛道还有很多机会。 已经有了 👇 - AI 辅助日常编码（cursor/windsurf/trae） - AI 生成 Web 应用（bolt/v0/lovable） - AI 生成 Landing Page（Pagen/wegic） - AI 生成前端组件（CopyWeb/screenshottocode） - AI 生成 API（devv builder） - AI 生成项目提示词（copycoder） - AI 生成移动 App（bolt/rork） - AI 生成项目文档（codeguide） 还可以做的方向👇 - AI 生成小程序（面向国内用户，可以基于 uniapp/taro 模板生成） - AI 生成浏览器插件（可以基于 plasmo/wxt 模板生成） - AI 生成管理后台（包含常用的 CURD） - AI 生成桌面应用（可以基于 tauri/electron 模板生成） - AI 生成智能体（基于 langchain/coze/dify 的 prompt/workflow 模板） 你最看好哪个细分场景？欢迎评论区补充。😁

00
一粒豌豆糕i
1年前

黄少侠: 最近在高频率的面试，从面试官的角度给正在找工作的人一些建议。我们的目标候选人是 5-8 年的人，但下边这些问题，工作十几年的人都还会出现： 1. 简历中，教育背景放在前边，不要放在最后。我需要通过教育背景来判断你的学历怎么样，以及你的工作年限。 2. 自我介绍要简短，不要在里边讲项目。有的人上来就来个6-10分钟的自我介绍，能不能把自我介绍控制在3分钟以内？我的问题一般在后边的项目里，你前边讲这么多，我也不好就问详细问题，不让你自我介绍了是吧。所以前边要简短。 3. 讲项目的时候，先用一句话来个总结，然后用STAR模型来讲。有的人一上来就讲了很多背景信息，我知道你是怕我跟你不在一个行业，但行业的影响没有那么大，先讲到项目的重点，有问题我会问。 4. 大部分人都要练习一下讲项目，把逐字稿写下来，然后让大模型给你按STAR模型来重新组织一下。 5. 对自己过去的职业生涯要有总结，要有一个清晰的故事线。你自己当时没想清楚，或者因为裁员去了不同的行业，没有关系，你需要把过去的经历给串起来。 6. 精气神很重要。我知道现在环境不好，有些人被裁了多次，但不要让人感觉到你很丧气，你很灰心。你的精气神，一打开视频，一说话就能感受到。屡战屡败，再战呗。既然给你面试机会了，就说明是认可你的了，还怕啥呀。 7. 面试是个交流的过程。看镜头，开美颜，留气口让面试官提问，埋一些提前准备好的、引导面试官去提问的点。

00
一粒豌豆糕i
1年前
谈offer争取薪资没有回复，一看招聘软件上岗位关闭了。
凉凉了🥹
00
一粒豌豆糕i
1年前

西元Levy: Deepseek这一波真的有一点两年前那会儿信息追不过来的感觉了，但也更让我意识到，在信息过载的时候，2~3个优质的信息源足矣。如果是非技术背景的小伙伴，想要了解最近到底发生了什么，推理模型是怎么一回事，大家在说的RL是什么，阅读以下内容应该就够了👇🏻 优先推荐@hidecloud 激情澎湃的Deepseek-R1赏析，从去年11月20日的时间线开始梳理，一步一步讲解发生的故事以及背后的技术原理：https://mp.weixin.qq.com/s/_XGBipbywCOtcKu13QDW5Q 在这个视频中推荐了两个非常重要的信息源，一个是@Kimi智能助手 官方复盘用k1.5复现o1的思考过程，研究员把自己的碳基生物cot毫无保留的分享了出来，还遥相呼应了一发隔壁友商：https://mp.weixin.qq.com/s/8_gK2gJ4OYrKc5dUO_27fA 另一个则是Sebastian的《Understanding Reasoning LLMs》了，这个Blog最大的价值是用清晰的流程图梳理了Deepseek V3、R1-Zero与R1的关系与关键训练节点 英文版：https://magazine.sebastianraschka.com/p/understanding-reasoning-llms 中文版：https://blog.csdn.net/m0_59164520/article/details/145501601 还有一篇我个人觉得非常不错的是Ke Fang的《Deepseek R1可能找到了超越人类的办法》，对于RL为什么能够work，为什么对AGI甚至ASI影响深远有着更深入的讨论：https://mazzzystar.com/2025/01/30/chatgpt-to-deepseek-r1-zh/?continueFlag=4049bc6c95c07f06d8f4ff53fa6c054f 如果想要更深入的了解Deepseek、kimi1.5以及OpenAI o1的技术报告，推荐收听@张小珺 和UC Berkeley PhD 潘家怡的播客：https://www.xiaoyuzhoufm.com/episode/67a1b697247d51713c868367 最后，上升到一个更大更全面的视角，则推荐阅读@Tao水木八公 的《DeepSeek 三重门：小天才们，军团平推，和哲学式思想》： https://mp.weixin.qq.com/s/w_dMKtYPtCbyu7giulywOQ 以及Lex Fridman的5小时播客文字稿（@葬花达人鲁智深 翻译，Founder Park整理）：https://mp.weixin.qq.com/s/eIaQxgCo9KivZ0qoBaS8YQ 以上，就是我个人推荐的全部内容。当然，如果想要对于LLM的原理有更深刻的了解以能够从更底层的视角消化与融会贯通上面的内容，还是非常非常非常建议抽时间看一看Andrej Karparhy最新的三个半小时视屏，其中最后一个半小时也在通过Deepseek的例子讲解RL与RLHF的区别 油管传送门：https://www.youtube.com/watch?v=7xTGNNLPyMI&t=1s B站传送门：https://www.bilibili.com/video/BV1WnNHeqEFK/?spm_id_from=333.337.search-card.all.click&vd_source=a0a4cdd7ac6e2fa2f57541f23c684547 AI寒武纪整理的文字稿：https://mp.weixin.qq.com/s/Dca3r8uWsnZPNNESwtzRFg Enjoy~ 希望大家也能收获和我一样“豁然开朗”的畅快感

00
一粒豌豆糕i
1年前
一粒豌豆糕i
1年前

云舒的AI实践笔记: 总结一下做AI业务和之前业务时候对产品经理的能力项要求变化。 1.AI的产品经理需要对AIGC的业务有深的实操、也要对技术模型有一定的理解，这个是和我们过去做产品区别比较大的地方。 在非AI的产品里，研发能做到什么样子是一个确定性的事情，比如说我要做一个商城、教育APP，这都是非常确定的事情，A家公司能实现，B家公司基本上也能实现，除非特别复杂的事情有技术壁垒，其它的就都还好。 但AI产品就不一样了，人家用A模型微调搞定的事情，你有可能用B模型一辈子都搞不定；模型的差距之大到一种令人发指的地步。 各个模型终端的结果产出效果也不太一样，比如说claude3.5sonnet在幽默上可能更胜一筹，但Gemini1.5pro在视频内容读取整理更胜一筹，垂类训练的7B模型效果并不一定比GPT4o效果要差。 以及模型的并发支持能力、模型分支的上下文长度等等，每个地方都会影响最终的结果。 那该用什么样的模型组合来实现产品方案，这些都需要去实践调研的，产品经理不可能说我需要一个模型然后研发吭哧吭哧去调prompt给结果，那产品经理有啥意义。 2.模型层还有一个绕不开的事情：算力成本。 100万token用智普最新模型也就200块钱就搞定了，也还能接受的价格；那如果做AI产品一个月用户消耗的token是10亿，那就是20万。 20万对于大公司来说肯定是不贵的，但对于新的AI产品或者一些提效业务，这个价格就值得商榷了。 我花固定每个月的token成本+人力成本替代一个月10万人力成本的业务，这个事情的价值在哪里？ 同样的，那如果换成deepseek或者7B模型，AI成本还能再低一点。 在用户对话的设计中，如何调用和回传数据也影响token数量，如果你用的API支持上下文缓存，那在超长文本对话中优势会很大，deepseek和kimi目前看都支持这个能力。 3.对多种实现路径的理解。 以客服系统为例，当用户发一个消息的时候，该如何进行回复。有以下几种方案： 1.直接做query匹配，匹配到那个相似度的问题，让llm结合问题给个回答。 2.先做意图识别，用小模型改写内容，然后再去做query匹配，再让llm回答。 3.先标准话术跟用户聊天，等判断用户说完了再去把几条信息一起做意图识别，用小模型改写做匹配，让LLM回答。 4.基于3的场景，引导用户确认自己的问题到底是什么，然后根据query给回复（退货场景需要去定位到订单） 那么这些方案要用哪个来搞？ 还是要结合用户量级、研发资源结合来看。 如果就是小团队用，用coze走query匹配也是个好方法，搜集几百个用户常见的Q，匹配到A直接LLM整理回复就行了，也不会有啥太大问题，就是很多深度问题解决不了。 如果是退货场景，那其实要定位到订单，那就需要引导用户确认LLM了，属于多重对话定位问题（AI问诊也是这个逻辑）。

00
一粒豌豆糕i
1年前

云舒的AI实践笔记: 最近在提示词上又踩了不少坑，汇总一下我认知的提示词工程三个阶段“个人应用——小团队提效——批量化应用”的一些思考。 1.个人应用：写好提示词就可以用的很好 个人应用这块其实核心就是两个事情，你要找到适合自己场景用的工具；优先推荐依旧是模型竞技场三板斧：GPT4o、Gemini 1.5pro、Claude 3.5-sonnet，国内优先推荐kimi和海螺，也可以用智普豆包。 选好工具后重点是写好提示词，前期可以用BRTR、langgpt来约束自己的思维，核心其实就是足够清晰的信息、缜密的流程；写prompt就是这两个事情，把这俩写清晰了，AI就能够有不错的产出。 学会多去问AI，比如说你不知道怎么写好的内容，就把这个内容给到AI，让它帮你分析产出。 2.小团队提效：拆清楚业务方的工作流是核心。 如果是团队用的话那我们最好用dify、coze做一些agent搭建，方便大家一起高效的使用；具体用哪个工具根据自己的场景来选择，对模型要求不大或者需要拆件多可以直接用coze；如果需要各种模型接入那就直接dify吧。 如果用dify或者coze海外版都需要去评估成本，dify接入的话使用量不大（一天不到100次）可以直接白嫖Gemini1.5pro，如果高频想省钱优先推荐deepseek；舍得花钱可以直接GPT4o等头部模型。 业务工作流一定要拆清楚，明白业务真实作业的思考流程，跟着业务进行一下实操，同时和业务一起总结出方法论，然后再喂给AI，让AI能够基于prompt有好的产出。 3.批量化应用：稳定产出是核心。 前两个场景其实没提稳定产出，为什么？ 因为个人用产出有问题发一句话调整一下就行了，如果是团队的话多生成两次也可以稳定的产出。但维度批量化不行，没有人的参与，全部都是AI搞，那准确性一定要提上去。 在这一层级产品经理要想办法去把各种API做个表，列出能力项和成本项，然后随时在各个模型中来回切换评估使用，比如说如果你用国内API，那你要清晰知道deepseek是成本之王；qwen-vl-max是图片高性价比选择，其它的图片能力都有点弱；基于这些测试才不会在开发的时候抓瞎。 稳定性如何保证？ 1.流程拆的足够的细，这样可以降低提示词出错的频率，每一个流程AI尽可能少的做事情，尽可能多个LLM凑一起来出一段内容。 2.加质检：用提示词或者其它手段一起去搞质检，把不合格的内容打回去，标记失败重新跑，从而增强产出。 这块我其实感觉批量化再大一点应该考虑部署垂类小模型，并且用已有的内容对垂类小模型做二次训练，这样才能够更加稳定的控制产出。 要么数据量一天烧1-2亿token的时候，各种千奇百怪的问题都会出现。

00