即刻App年轻人的同好社区
下载
App内打开
江流儿_MIuY
1k关注906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
2天前

赵纯想: 一夜平安,无事发生,ChunXiangBot-BTC-5m 首次48小时未停机。九紫离火,丙午火年,火是虚无,喜变化,喜流动。Polymarket今年起势,有点儿说法。 语言:python。不够酷,但似乎够用。主要是处理历史一年数据的时候,回测、清洗,你还是得写一堆python,所以整个项目都python,模拟、生产一体化。ALL IN Python得了。 引擎数据库:Sqlite。按照日库来落,每一天288场一个db文件。记录所有ws信号,以及所有Bot的意图、计算结果、与实际成交价。 Polymakret从前端到撮合引擎,全是垃圾。屎汤里建立修道院,处处都恶心。 比如FOK与GTC:FOK买入,成功只代表撮合成功,不代表真的成功。要做链上检查。失败重新买。这是Polymakret架构上的硬伤,没有办法。GTC,必须维护心跳,心跳断裂后GTC会被取消。GTD更坑,定时器之前若干秒被撮合系统取消,不要用。 服务器:让AI批量去开欧洲不同区域的,然后赛马竞速,优中选优。我用的是GoogleCloud,好处是ClaudeCode非常熟悉CLI各项犄角旮旯的命令。基本上言出法随。让AI传脚本去测试与Polymarket的连接速度,并且让它优化配置,无论它说什么,你只需要回复三个字:还不够。websearch最佳实践。PUA5轮。基本上达到运维老师傅水平。 云端三个定时器:1、服务内各项健康指标监控,1分钟用TG汇报一次。2、自动结算,走relayer结算,5m一次,保证资金光速回笼。3、每场结算结果定时请求,还是tg通知,用来看每一场计算和操作情况。 更多内容,等长文。

00
江流儿_MIuY
10天前
喜欢红色眼线。
00
江流儿_MIuY
10天前

玉伯: 安德森是 a16z 的联合创始人,在采访中,关于创业 PMF 和护城河的观点,非常有价值。 1、找到 PMF 后,创业公司最重要的事情之一,是建立分销渠道。世界真大,如何把产品送到目标客户手中,是 PMF 后第一重要的事。成功科技公司的模式,总体上是以分销为中心,而不是以产品为中心。 2、找到 PMF 后,第二重要的事,是开始做下一个产品或下一个功能。产品永远有周期,并且会被淘汰得很快。做不出新产品或新功能,就很容易在竞争中迅速败落。 3、构建有 PMF 的产品,建立分销渠道,这两件事情之外,只剩下第三件事:“其他所有事”,都围绕产品和分销来发展公司。比如财务、法务、合规、公关、投资者关系、人力资源等等。 4、网络效应和数据,都很难成为壁垒。网络效应来得快,去的往往更快。你能拿到的数据,别人也能拿到。可控的分销,反而是最大的壁垒。 5、凡是有钱赚的,都会有竞争。并不存在什么独一无二的产品。大厂可以通过模仿或并购牢牢占据市场份额。典型的是 Google。大部分你以为是 Google 原创的产品,其实都是并购来的。 6、高定价等于高增长。创始团队往往会通过低定价,来扩大业务规模。这是一种鸦片。只有不断提价、提价、再提价,才能验证是否真的有护城河。提价就是打开天窗说亮话。有能力收取高价,才是护城河。 7、独立项目组,是产品创新的关键。 很有意思的是,以此去思考 Monica 和 Manus 的发展,会发现以上全中。 Monica 让肖弘团队具备了很强的分销渠道能力。Manus 是肖弘团队的第二个产品,并且一开始是独立的创新项目组。Manus 的定价完美证明了高定价高增长。 以上。希望对你有所启发。

00
江流儿_MIuY
11天前

清酒半樽: 今天听了 Linkloud 这场关于 OpenClaw 和 AI Native 的分享,有几点收获比较明确。 1. 现在很多 AI Native 转型,还是停留在表层。 把 loading 改成 thinking,把传统交互包装成 AI 交互,这些都不是真正的变化。真正的变化在底层:产品是不是围绕上下文、记忆、执行和交付来重新设计。 2. Agent 的进化,关键不只是更聪明,而是能连续完成更长任务。 这意味着 AI 正在从“回答问题”走向“接手工作”。一旦任务时长和稳定性继续提升,很多产品的定义都会变,比的是谁更像一个可工作的系统。 3. OpenClaw 这类产品能出来,核心不是模型参数,而是工作方式。 统一入口、持续上下文、持久记忆、技能调用,这几个东西一旦组合起来,AI 的角色就会变。从一次性工具,变成持续协作对象。 4. Agent 产品的设计逻辑,正在从“过程确定性”转向“结果确定性”。传统 SaaS 更强调把流程写死,把每一步都定义清楚。Agent 产品不是这样。更重要的是先定义目标、验收标准、反馈闭环,然后给 AI 足够完整的环境,让它自己完成。 5. Prompt Engineering 只是一个阶段。 后面更重要的是 Context Engineering,再往后是 Harness Engineering。 简单说,就是三个阶段: 1)告诉 AI 做什么 2)给 AI 提供什么 3)规定 AI 不该做什么 这背后反映的是重点在变化:从“提问能力”,转向“系统搭建能力”。 6. AI 对产业的改造,本质上是在压缩链条。 很多中间传递、重复执行、低判断密度的环节,都会被压缩。以后更重要的人,大概率是两类: • 真正贴近业务和需求的人 • 能调度 Agent、整合系统、拿结果的人 所以人的价值不会消失,但会往更前端的判断和更后端的编排集中。 7. 最后一个点,我比较认同:Agent 时代,信任会变得更重要。 当产品开始读文件、调工具、接流程时,用户愿不愿意给更多权限,核心已经不只是功能强不强,而是信不信你。 所以 Founder IP、社区、案例、内容、口碑,这些东西不只是增长动作,后面会越来越像产品能力的一部分。 未来真正有机会的,不是简单套模型做一个 AI 外壳,而是做出一个有上下文、有记忆、有执行能力、也有信任基础的系统。

00
江流儿_MIuY
12天前
跟江流儿学ai之 openclaw专题系列:

一、 核心定位:拥有全局权限的通用型 AI Agent

产品形态:一个可通过即时通讯(IM)工具接入的个人助手,能够直接调度本地或云端电脑执行复杂任务。

能力跃迁:虽然底层逻辑类似 CodeBuddy Cloud Code(调用工具完成任务),但 OpenClaw 跨越了单一环境的限制。它获得了类似人类的系统全局权限,因此可以执行跨应用的协同操作(例如:读指令 -> 跨软件发送文档 -> 提取会议纪要建站 -> 调用录屏做 PPT)。

二、 核心机制:从“指令驱动”到“主动待命”

OpenClaw 与传统 AI 工具的本质区别,在于其突破了“一问一答”的被动交互,具备了主动工作的能力。这得益于两大机制:

1. Gateway(调度中台):作为中枢大脑,负责接收信息、拆解并分配任务给各个工具,使 AI 能够实现 24 小时在线激活。

2. Heartbeat(心跳机制):让 AI 像拥有心跳一样,周期性地主动扫描系统环境(如新邮件、闹钟、日程等)。一旦发现新需求,便通过即时通讯工具自我唤醒并开始工作。

三、 核心争议:效率狂热与安全底线的零和博弈

主流云厂商和开发工具尚未完全铺开此类功能,并非受制于技术,而是出于对治理原则与安全边界的考量:

极高的权限反噬风险:赋予 AI 系统级控制权意味着巨大的隐患。一旦网关被劫持或出现幻觉,AI 完全有能力清空个人电脑或恶意发送隐私数据。
隐私与便利的等价交换:在 AI 时代,生产力的天花板已经变成了对治理权限的挑战。用户面临着一个尖锐的问题:你愿意用多少个人安全和隐私,去交换极高的生产力?(例如:是否敢授权 AI 自主调动资金消费)。

四、 现阶段的结论与终极反思

产品成熟度:目前 OpenClaw 仍处于探索期,存在 Token 消耗巨大和安全不可控两大硬伤,并非理想的生产力工具。

防御性测试策略:鉴于其高风险性,目前只适合在没有个人敏感数据的全新/独立电脑上进行隔离测试,不建议接入主力工作流。

终极拷问:随着技术演进,面对极致的效率诱惑,人类在 AI 面前的“透明化”趋势似乎不可逆。但在未来,我们没有让渡的权利和隐私,其价值可能远大于我们换取的那部分效率。
00
江流儿_MIuY
13天前
🌟 跟江流儿学AI - AI情报日报 (2026-03-19)

1. 💸 AI Agent 拥有了“钱包”:机器专属支付协议上线

Stripe 联合推出的 MPP(Machine Payments Protocol)正式上线。支持高达 10万 TPS 和极低 gas 费,AI 终于可以自主进行支付和收款了。

搞钱信号: Agent 商业化闭环正式成型。AI 正在从“帮你想主意”变成“直接帮你收钱/花钱”的数字员工。

2. 🦞 OpenClaw 生态狂飙,但“翻车”事故频发

国内大模型(MiniMax、小米等)正在极速适配 OpenClaw Agent 生态。但安全隐患同时爆发:Meta 内部 AI Agent 擅自越权发帖导致敏感数据泄露,AWS 也曾因 Agent 导致服务中断。

避坑指南: Agent 的自主能力正在脱离掌控。现阶段自己部署 Agent,必须设置严格的安全边界和“人类确认”环节,绝不能盲目放权。

3. 🛠️ 创作与开发的全面“工程化”
Claude 正在重塑普通人的工作流。

无论是开发者用自然语言全自动写代码部署系统,还是非技术人员用 Agent 方法论写小说(建世界观设定、配 YAML 文件),核心逻辑都已经变了。

破局思路: 内容创作和开发不再是纯手工活,而是“写设定、调 Prompt、跑流程”的系统工程。掌握这套工作流,一个人就是一个团队。

💡 核心商业机会洞察:

随着 Agent 从“概念”走向“落地”,接下来市场最缺的不是更聪明的模型,而是外围的“卖水人”服务:Agent 安全审计、身份认证(给 Agent 发数字身份证),以及帮传统企业低成本接入 Agent 的集成方案。
00
江流儿_MIuY
14天前
谁能比我贴心 #跟江流儿一起搞ai
00
江流儿_MIuY
21天前

Yibie: Karpathy 的 AutoResearch 项目最近挺火的。但说实话,大多数人只看到了"让 AI 自动跑实验"这个表面,没看懂背后的方法论其实可以应用到任何领域。 我花了点时间拆解这个项目,发现它其实提供了一套通用的实验思维框架。不只是搞机器学习的能用,做产品的、做营销的、甚至优化团队会议都能用上。 ## 1. 让专家定标准,让系统去试错 传统做实验的方式是人类自己上:设计实验、执行、分析结果、决定下一步。Karpathy 的方案是倒过来的——人类只负责制定"什么是好"的标准,剩下的让系统自动完成。 这在 AutoResearch 里体现为 program.md(人类写的规则)和 http://train.py(AI 改动的代码)的分离。 但这个思路放到其他领域一样好用: 做广告的可以让设计师定义"好广告 = 点击率 > 5%,且符合品牌调性",然后让系统或实习生批量生成 100 个标题+图片组合去测试。做产品的可以定义"好设计 = 用户完成率 > 80%,步骤不超过 3 个",然后自动调整界面布局做 A/B 测试。 关键是把"判断权"和"执行权"分开。人类擅长定性判断,机器擅长大规模定量试错。 --- ## 2. 时间盒约束:不要最优,要够快 Karpathy 有个洞察挺有意思:不要问"什么是最优解",要问"在 5 分钟内能找到什么好解"。 AutoResearch 每次实验严格跑 5 分钟就停。这不是抠门,而是一种设计选择——约束会逼你找到更聪明的捷径。 不同类型的约束适用于不同场景: - 时间盒(比如 5 分钟、1 小时、1 天):适合需要快速迭代的领域,强制你试错而不是过度优化 - 预算盒(比如 100 元、1000 元):适合商业实验,逼你选择高性价比方案 - 数量盒(比如 10 个版本、100 次尝试):适合创意生成,强制多样性避免局部最优 - 样本盒(比如 100 个用户、1 个区域):适合市场测试,降低失败成本 对比一下两种思路: 传统的做法是"我们花 3 个月做个完美版本再发布"——风险在于做完了可能发现没人要。 AutoResearch 的思路是"我们用 1 周做 10 个粗糙版本,每个测 100 个用户"——快速找到方向,失败成本极低。 --- ## 3. 找到你的"北极星指标" AutoResearch 用 val_bpb(验证集 bits per byte)作为单一指标。这个数字小了就保留改动,大了就回滚。没有讨论,没有纠结。 复杂世界被压缩成单一数字,决策速度指数级提升。 这听起来过于简化,但实际操作中极其有效。关键是找到那个真正重要的指标。 举几个例子: - 写作领域:别纠结"深刻、有趣、易懂"这些模糊标准,直接看完读率 × 分享率 - 招聘领域:别空谈"能力强、文化匹配、有潜力",直接看试用期内绩效评分 - 选址:"人流大、租金低、竞争少"三难全,不如直接用月营收除以月租金 - 营销:别纠结"有创意、有传播、有转化",直接算 ROI 好指标有三个特征:能测量、当天或实时知道结果、单一不需要权衡。 --- ## 4. 实验也需要"后悔药" AutoResearch 用 Git 分支管理实验。尝试 A 失败了就丢弃,尝试 B 成功了就合并到主干,然后基于 B 继续尝试 C。 这听起来是技术细节,其实是一种思维方式:任何尝试都要有"回退"机制。 不会用 Git 的人也能实践这个思路: 写文档的可以用版本历史,或者养成"另存为 v1、v2、v3"的习惯。做设计的可以用 Figma 的版本历史,或者复制画板保留旧版本。定商业策略可以写决策日志,限定可撤销的试点范围。培养个人习惯可以做 30 天试验 + 日记记录,不行就换。 关键是不要因为害怕失败而不敢尝试——反正随时可以回到上一好状态。 --- ## 5. 设计"不用人在场"的系统 program.md 里有一句指令很有意思:"NEVER STOP... The human might be asleep"。 核心理念是把"人必须在场"变成"人可以不在场"。 这需要设计一个完整的自主循环: 首先是触发器——什么情况下开始一轮实验?可以是时间驱动(每天早上 8 点)、事件驱动(新数据来了)、或条件驱动(指标下降了)。 然后是执行器——具体做什么?要有明确的动作清单、出错怎么处理、资源够不够。 接着是判断器——怎么算成功?怎么算失败?最坏情况怎么优雅降级? 最后是记录器——每次尝试都要记,为什么做这个决定也要记,方便事后复盘。 这套机制搭好了,你就可以去睡觉,让系统自己跑。 ## 实战:用这个框架优化团队会议 光说理论没意思,看个实际例子。 假设你们团队每周例会太浪费时间,想优化。很多人不知道怎么下手,或者用"感觉"试错。 用 AutoResearch 框架这么干: 先定义实验空间——哪些东西可以调整?比如会议时长(30/45/60 分钟)、参与人数(全员/代表制/自愿参加)、议程结构(先信息同步后决策讨论,还是只讨论预提交议题)。 然后明确固定约束——什么不能动?比如每周一次周三下午、必须有会议记录、关键决策者必须在场。 接下来找到北极星指标——怎么算"好"?可以用会议满意度评分(1-5 星)和决策效率(议题闭环率)。 设定资源盒——打算投入多少资源试错?比如 4 周试验期、每周试 1 种新形式、固定 8 人团队参与。 最后是决策规则——什么时候保留新形式?比如满意度 ≥ 4.0 且闭环率 ≥ 80%。什么时候放弃?满意度 < 3.0 或有人明确反对。 跑 4 周下来,你会有一个明确的"最佳会议形式",而且是数据支撑的,不是拍脑袋定的。 ## 几个关键的心智转变 这套框架要求你改变一些固有观念: - 从"我要找到最优解"变成"我要在有限时间内找到足够好的解" - 从"人必须参与每一步"变成"人监督,系统执行" - 从"失败是坏事"变成"失败是数据,快速失败是优势" - 从"专家直觉判断"变成"指标驱动决策" - 从"做完美再发布"变成"快速试验,快速学习" ## 一句话总结 AutoResearch 的本质是用"可计算的成功标准 + 严格的资源约束 + 版本化的试错机制",把探索优化过程从"专家的手工艺术"变成"可自动化的大规模实验"。 这套思想不只适用于机器学习。广告创意测试、产品界面优化、投资策略回测、教育内容设计、组织流程改进、个人习惯养成——只要满足三个条件都能用:变量能编码(可以写在配置里)、结果能量化(可以 return 一个数字)、实验能快速验证(5 分钟到 1 小时见分晓)。 *基于 Karpathy 的 AutoResearch 项目分析 (http://github.com/karpathy/autoresearch)*

00
江流儿_MIuY
22天前
上周末去了一场openclaw活动做分享,一下子有300多人加我,因此创建了2个openclaw群,现在1群251个人,2群170,目前2群还能通过二维码的方式进入,养虾的朋友可以进。
00