OpenAI官方博客刚发了篇推理类模型的最佳实践，指导如何更好的使用o1、o3这类推理模型，当然也可以应用在deepseek r1上，platform.openai.com，可以参考：

1、保持提示简洁和明确：这些模型擅长理解简要且清晰的指令；提示不用写得过长或复杂。
2、避免“逐步思考”的提示：因为这些模型会在内部自主推理，不必显式告诉它们“请一步步解释你的推理过程”，这样做有时还会降低它们的表现。
3、使用分隔符以确保结构清晰：例如使用 Markdown、XML 标签、章节标题等，让模型知道不同部分的信息和用途，这能帮助模型更准确地理解提示。
4、先尝试零样本提示（zero-shot），再考虑少样本提示（few-shot）：在很多情况下，你完全可以不给示例，直接告诉模型你的需求就行了。如果事情比较复杂，需要更精准的输出，可以加入少量示例（few-shot）。但要注意确保示例与指令相符，否则会引发混乱。
5、明确约束条件：如果你对结果有特别的要求（比如“请在 500 美元以内给出一个方案”），一定要在提示里写清楚。
6、阐述清楚你的最终目标：在提示中尽量详细说明你想要的成功标准，并鼓励模型持续推敲，直到满足这些成功指标。

不过互联网时代其实通过API就可以互通所有数据，可事实不是，无论海内外，RPA这种工具都很盛行。
不管是互联网时代，还是LLM时代。数据都是各家公司、平台最核心最不可能开放的内容，这个事情不会因为AI有任何改变。

招个3-5年的产品呀

在海外社交媒体上，几乎所有科技从业者都对中国AI视频生成模型的表现感到震撼，但也普遍认为中国AI的成功在一定程度上源于对隐私权的忽视甚至侵犯……

评论区太精彩了

Dify真的漂亮得不像实力派

RAGflow最成功的广告就是，用RAGflow搭了个官方机器人在群里回答用户的问题。真的实现了一个机器人指导一群人工作。

道理我懂了，请问下接下来怎么识别赛道上中国人的％

同感，遇到了一样的问题 //@xChester: 试了一下确实比自己读效率高很多！但原本预期是它能基于比较大的数据量找出用户共性的需求，但目前感觉帮助比较有限。比如prompt里提了根据优先级给出分析（甚至给它建议如何判断优先级比如回复的数量等），它还是比较随机地抛出了一些“痛点/痒点”，基本上是把一些帖子的吐槽换了种说法，并没有看到它在掌握了比较大的数据量后融合不同人的帖子/评论提出相对insightful的观点。请教下你是不是也有这种感觉，有啥好的建议么？

没发动态的日子里和朋友搞了点东西出来，欢迎感兴趣的同学来接洽！