即刻App年轻人的同好社区
下载
App内打开
江流儿_MIuY
1k关注915被关注2夸夸
intp
NLP算法工程师-关注AIGC和出海，ai金融
漫无边际BoundLess播客主理人
公众号：江流儿的异世界
置顶
江流儿_MIuY
2年前
关注AI和播客～
播客相关：

1、justpod npr 播客制作workshop m.okjike.com

2、第五届播客节会员内场 m.okjike.com

AI相关：

1、ai硬件+宠物 m.okjike.com

2、ai产品经理 m.okjike.com

3、AI端侧模型应用 m.okjike.com

4、ai产品经理应该要怎么做--文君 m.okjike.com

5、sora或者说文生视频给未来的启示，可以说非常棒！非常值得一看，基本上涵盖了文生视频对影视创作的深度认知和未来影响 m.okjike.com

6、第一届互联网AI社群春晚前期圆桌座谈文字转播重点版。 m.okjike.com

7、给普通人的AI指南

m.okjike.com

8、吴恩达：如何用ai构建你的职业 m.okjike.com

9、ai做ppt。m.okjike.com

10、卡兹克直播笔记 m.okjike.com

11、The AI PM's Playbook：2025 年顶尖产品经理如何将影响力提升 10 倍

12、ai创业存活下去的六大路径：m.okjike.com

江流儿_MIuY发表了动态：推荐阅读：《The AI PM's Playbook：2025 年顶尖产品经理如何将影响力提升 10 倍》 这篇文章围绕“产品经理如何在 2025 年通过 AI 提升 10 倍影响力”展开，主要内容包括： 1. AI 产品经理的三种类型 - AI-powered PM（AI 驱动的 PM）：每位 PM 都需使用 AI 作为工作助力。 - AI PM（专职 AI 的 PM）：专门在 OpenAI、Anthropic 等公司构建核心 AI 产品。 - AI feature PM（负责 AI 功能的 PM）：为现有产品添加 AI 功能（如 Notion AI、Miro 智能画布）。 2. 正确使用 AI 的 3 条规则 - 提示词（Prompt）技巧至关重要：熟练掌握如何向 AI 提供清晰、上下文丰富且结构合理的提示词。 - “20-60-20” 法则：前 20% 提供关键背景，中间 60% 让 AI 生成主内容，最后 20% 由人做提炼、修改与补充。 - 迭代至拿到满意结果：通常需要多次修订，通过给 AI 明确反馈来逐步完善输出。 https://baoyu.io/translations/the-ai-pms-playbook?continueFlag=b427fccc8874cc0a1217abbd7655bb5d 来源于宝玉

26
江流儿_MIuY
4天前
或许北京适合我呢，who knows
10
江流儿_MIuY
9天前
我的眼光总是对的，但是时机，时机很重要。
00
江流儿_MIuY
2月前
一开始，我以为只是a股几倍几倍的涨，没想到美股也是几倍几倍的涨。
00
江流儿_MIuY
2月前
如果一个人愿意一遍又一遍地重塑自己，那一定是在股市。
20
江流儿_MIuY
2月前
认清幻觉才是控制的开始。LLM如此，人亦是如此。
00
江流儿_MIuY
2月前

艾逗笔: 凌晨 1 点多，刷朋友圈看到 Anthropic 发布了新的 Fable5 模型，看了一眼域名，都被抢光了🤣 本来不想追这波热点，为了验证 shipany-tanstack 的 SEO 效果，我还是买了个域名 用 shipany-tanstack 的 quick-start skills 半小时上线了一个网站，用 deploy-cloudflare skills 发布到了 cf，配置了 d1，绑定了新买的域名，进入管理后台配置了 ga 和 plausible 统计，去常用的网站，提交了几个外链 早上起来，用手机在谷歌搜索 fable5，我新上的网站排到了谷歌搜索第一页，plausible 数据面板看到有流量进来了。🌚 大半年不打新，熟悉的感觉又回来了，有机会旱地拔葱吗？ shipany-tanstack 上站速度真快，SEO 效果也不错，越用越喜欢。😄

00
江流儿_MIuY
2月前
白毛股神又开始说cpo光模块了。
00
江流儿_MIuY
3月前

小黑World: 意外的发现我现在的策略和追觅略有相似 底层是成熟供应链，不开发产品，只找成熟产品做溢价。我最初的几款产品都是直接用了资方的供应链，我拿1000件的价格和外人拿一柜子是一样的。 而获取溢价最简单的方法就是品牌化包装，做颜值升级，设计升级，核心功能按市面上质价比最高的方案来就行。 我自己大学干了四年摄影/修图，员工三个人全都是做设计/视觉相关的实战派，学历确实不高，但审美和技术都在线。 最后就是流量和曝光，这事儿必须拉满，内容团队，达人这都是常规了。追觅还很喜欢办展会，开发布会，本质就是拉高势能做大流量和曝光。可这事儿真的很需要现金流，我现阶段做不到，但的确值得学习。 再加上我第一份正式工作是在南极人做招商，可太清楚贴牌这套逻辑了...讲到底还是高维打低维，高势能打低势能，只不过南极人当时完全放弃自营，导致品控跟不上，把口碑做砸了。

00
江流儿_MIuY
3月前

Kostja: 全网最爱Lovable的博主来了 🏷️省流不看版： 5 月 13 日上线了内置的 SEO/GEO 功能。 给你最残酷、最现实、最一针见血、最不拐弯抹角、最不藏着掖着、最扎心、最直白的大实话—— Lovable 这次更新本质就一件事：让 AI 建的应用能被找到。技术栈从 CSR 切到 SSR，不是加渲染层，是换框架。Semrush 的实时搜索数据直接焊进 agent 对话流——你问关键词，它查完直接帮你建页面，中间不跳出、不等、不切工具。最狠的设计是把 AI 可发现性跟传统 SEO 摆到同一个优先级，不是子集，是平行。 📃详情： 1️⃣先拆技术栈变更。以前 Lovable 生成的 app 默认是 React+Vite，纯客户端渲染（CSR）。HTML 就是一个 `<div id="root"></div>`，JS 加载完后才渲染内容。这对搜索引擎是 9 倍延迟的问题——但对 AI crawler（GPTBot、ClaudeBot、PerplexityBot）是更严重的问题：它们不执行 JavaScript，纯 CSR 输出的应用对它们来说就是空白页。 现在默认切到了 TanStack Start 做服务端渲染。这不是 Next.js。TanStack Start 是 Tanner Linsley（TanStack Query/Table/Router 的作者）做的全栈 SSR 框架，核心差异是 CSR-first——首请求用 SSR 返回完整 HTML，之后所有页面导航切回客户端 SPA 模式，不再经过服务端。Next.js 走的是反方向，默认一切在服务端，客户端交互需要显式 opt-in。 Lovable 选 TanStack Start 而不是 Next.js 的具体技术原因，比"SEO 需要 SSR"要细得多。第一，Lovable 用户生成的主流是 SaaS dashboard、后台管理、交互式应用，不是博客或电商首页。TanStack Start 的 CSR-first+按需 SSR 模型天然匹配这类产品——首屏有完整 HTML，使用过程中的页面切换不经过服务端。第二，TanStack Router 的编译时类型安全对 AI agent 生成的代码极其友好——agent 写的路由代码在编译时就能校验参数类型，运行时会少很多 bug。对一个 agent 写代码的平台来说，编译时能抓到的错误不会进用户生产环境，这是关键优势。第三，部署不绑定 Vercel——底层 Nitro 运行时支持 Node、Cloudflare Workers、Deno、Bun、AWS Lambda。第四，TanStack Query 生态兼容——如果用户在做数据密集的应用，数据层的 SSR 流式传输是开箱即用的。第五，Vite 的冷启动 300-500ms，远快于 Turbopack 的 2-5 秒——Lovable 的实时预览依赖快速热更新，这个差异在频繁修改-预览的循环里会很大。 有一些数据可以感受差距。TanStack 团队今年 3 月发布的性能基准：吞吐量从 427 req/s 优化到 2,357 req/s（5.5 倍），平均延迟从 424ms 降到 43ms（9.9 倍），p99 延迟从 6,558ms 降到 928ms（7.1 倍）。第三方基准（Platformatic，同等电商应用，无缓存）里，TanStack Start 的吞吐量和成功率（100%）也领先于 Next.js v16（约 64% 成功率 at 1K req/s）。 老应用的处理方式也值得一提：不迁移到 TanStack Start，而是通过预渲染在构建时生成静态 HTML 快照。文档明确写"无需 opt-in、无需迁移、自动生效、免费"。但预渲染是静态快照——内容更新需要重新构建——不像 SSR 是每次请求动态生成。 2️⃣再说审查工具本身。入口在项目内的 Services → SEO & AI search，不是独立产品。审查按触发条件分三层：Code-only（任何项目，含未发布的——检查 metadata、OG、结构化数据、索引标签）、Preview（有可访问预览时——检查首页可达性、robots.txt、sitemap.xml、llms.txt）、Published（线上有一一检查 Lighthouse 性能、无障碍、移动端、AI Markdown 渲染）。设计上的关键决策是让 SEO 检查前移到开发阶段——不要求你先发布再发现问题，类似于 linting 而非事后审计。 15 个检查类别覆盖从索引到无障碍的全链路。值得注意的设计细节：结构化数据检查有条件豁免——文档写"utility apps and dashboards"可以跳过，但判断逻辑未透明化。Markdown 渲染检查是仅正向的——不打分不评级，二元确认 Lovable 是否在提供 AI 可读的 Markdown 输出版本。审查不会自动重跑——用户改代码后面板可能显示旧数据，但会明确告知当前结果是否仍对应最新代码。修复消耗已有 build credit，不新增费用。 四档严重度分级也有讲究。Red X 不是一般 SEO 工具那种过度标红——只限定在"能有效隐藏你站点"的灾难级问题（全站 noindex、robots.txt 禁爬、X-Robots-Tag: noindex header）。Amber triangle 是显著影响但非灾难（重复标题、缺 canonical）。Blue lightbulb 是锦上添花（弱的 meta description）。另有 Ignored 状态让用户显式忽略特定问题，可恢复。 Google Search Console 的集成深度也超出常见 SaaS 产品的"粘贴一段代码"模式——连接、验证、提交 sitemap 三步都在聊天界面内完成，不需要跳出到 Google 控制台。 现在说最核心的一个信号：AI readiness 被设计为独立类别，不是 SEO 的子集。检查 llms.txt 和 Markdown 渲染的逻辑与检查 robots.txt 和 sitemap 的逻辑是平行的。这说明 Lovable 把 AI 可发现性视为与传统搜索同等重要的一级问题。但检查深度确实还浅——llms.txt 只查存在性，Markdown 只查是否开通，没有涉及内容是否被 AI 引用、引用片段准确性、结构化数据对 AI 的实体理解贡献。这是一个正确的方向判断，但实现还在早期。 3️⃣最后说 Semrush 集成。这不是挂个链接或加个面板——是平台级的一方集成，直接焊在 agent 的 tool set 里，不属于 Lovable 标准的 App Connectors（运行时）或 Chat Connectors/MCP（构建时）体系。两层鉴权：Basic 层用 Lovable 平台级 API key，用户完全看不见密钥，不需要自己的 Semrush 账号。Deep 层支持 OAuth 2.0 接入用户自己的 Semrush 订阅，agent 可以在用户已有的权限范围内操作项目追踪和历史数据。 Semrush 通过 API 暴露的数据规模：280 亿关键词、43 万亿外链、8.08 亿域名，覆盖 32 个地区。调用发生在 Lovable 服务端，不是客户端。Agent 不只是调 API 然后展示结果——落地页的对话流 demo 展示了关键能力：用户问"我该打什么关键词"，agent 查完数据返回"vibe coding 每月一万两千次搜索，你没排上。要不要我给你建个页面？"用户说好，agent 就建好了。发现→判断→提议→执行，在一个对话里闭环。纯 API dashboard 做不到这个。 4️⃣定价也克制。审查免费，修复消耗已有 build credit，Semrush 数据到 2026 年 8 月 15 日前免费。没有一个新增收费项。策略意图是建立"建站等于默认可发现"的心智，而不是从 SEO 功能上直接变现。 5️⃣整体看下来，这次发布最核心的几个信号。第一，SSR 正在成为 AI 建站工具的默认要求，纯 CSR 输出的工具在 2026 年的搜索和 AI 爬虫环境里会越来越被动。第二，"建完即被找到"可能成为这个品类的标准承诺——过去 SEO 是建完后的额外工作，Lovable 把它变成了基础设施级别的默认能力。第三，搜索数据会成为 AI 建站工具的基础能力而非附加功能——Semrush 不是 widget，是挂到核心对话流里。未来的 AI 建站工具如果连搜索数据都嵌不进去，就不是完整的构建平台。

00
江流儿_MIuY
3月前

横路: 我用华与华Skill给爱马仕做了一个campaign 今天突发奇想，如果把华与华 的「营销要粗暴直白」理论套在爱马仕 上，应该很有意思。于是我打开了 Claude Code 。 在 CC 的帮助下，我重构了一遍爱马仕品牌资产[萌萌哒R]：包括品牌谚语、 IP 形象、视觉锤（图2）、洗脑主题曲（图10）、25 秒广告TVC（图10）、22 张线下物料（图4-9）、5 年营销日历，全部在几小时内完成。 效果很好，一股刺鼻的华与华味道扑面而来，看到 TVC我自己都快笑不行了… 做法也不算复杂，分享一下： Step 1 收集华与华资料，包括过往案例、华杉出版著作、华杉本人微博等（图11） Step 2 把资料蒸馏成一份「华与华营销方法论 Skill」（图12-13） Step 3 完成一份爱马仕给华与华的营销需求 Brief（图14） Step 4 基于 Skill 到 Brief，得出爱马仕全新的品牌战略和语言资产 Step 5 批量调用图片模型、视频模型、音频模型生成全部广告物料

00