兄弟们，分享一个真正的高频工具——Crawl4AI，GitHub 7万 星，目前最火的开源爬虫没有之一。 一句话：把任何网页变成干净的 Markdown，专门为喂给 LLM 设计的。 用AI爬内容的时都会遇到的病，有时抓回来是一坨屎，乱的 HTML，表格、广告、导航栏全混在一起； 扔进AI里token 烧了一大半，提取出来的内容还是一团糟。 Crawl4AI 就是解这个问题的： （1）LLM 友好的 Markdown 输出——标题、表格、代码块、引用，结构干干净净，直接进 RAG 或 Agent 流水线，不用再手动清洗 （2）异步并发 + 浏览器池——速度快，能处理 JS 渲染页面，动态内容也能抓，不是那种只能跑静态页面的玩具 （3）全控制——Session、代理、Cookie、自定义脚本、Hook 全支持，复杂登录场景、反爬场景都能处理 （4）深度爬取——BFS / DFS / BestFirst 三种策略，崩溃后能恢复继续跑，长任务不怕中断 （5）命令行直接用——crwl 一行命令，不用写代码： # 抓一页转 Markdown# crwl  # BFS 深度爬取整站，最多 10 页# crwl  # 带问题提取，直接 LLM 抽信息# crwl "提取所有产品价格" （6）零 API Key，随处部署——pip 装完就跑，也有 Docker，不需要注册任何账号 安装两行： pip install -U crawl4ai crawl4ai-setup 做 RAG、做 Agent、做数据管道、做竞品监控——只要你需要把网页内容喂给 AI，这个工具省的时间和 token 费用，用几次就回本了。 70100 个 Star 不是刷出来的，是真的有用。 #AI爬虫# #RAG# #老杨啊分享#

最近发现 GEO 的效果比想象中好。这周 ChatGPT 带来的流量，转化率高达 20% 我让 Claude Code 结合 Clarity 复盘了一下，出单内容有 4 个共性： > AI 引用的全是博客，没有产品页 用户问的是「什么能解决我的问题」，不是「哪个产品更好」。所以可以先把问题讲透，再自然带出产品。 > 一篇只回答一个问题，标题直接用用户问 AI 的原话 优先写「怎么选、是否有效、A 和 B 的区别、适用场景和常见误区」。 > 开头直接给结论，正文多用清单、对比表和步骤。 我去看下引用率高的文章，发现内容越结构化，AI 越容易提取和引用。 > 用论文、实验和真实数据支撑观点，标明来源和时间。 之前写文章全都让 AI 去找相关的事实依据并标注来源，感觉是有效的。内容越可信，被引用的概率越高。 之前没怎么投入 GEO，现在看来很值得认真研究。比 SEO 见效更快，带来的还是被 AI 提前教育过的高意向流量。

我不看视频了，交给agent看   昨天刷 GitHub 的时候，我看到一个挺有意思的项目，叫 `claude-video`。   它做的事情很直接：给 Claude 一个视频链接或者本地文件，然后直接问它视频里发生了什么。   比如：/watch 30 秒附近发生了什么？   或者把一段产品录屏丢进去：/watch 这个录屏里的 bug 出现在哪一步？   它不是只读取标题，然后根据标题硬猜；也不只是抓一份字幕，让 Claude 把字幕重新总结一遍。它会同时准备字幕、音频、关键画面和时间戳，再把这些材料交给 Claude。   对用户来说，体感很简单：Claude 终于能看视频了。 但严格来说，Claude 并没有突然长出一个原生的视频大脑。   `claude-video` 真正做的，是把视频翻译成 Agent 已经能够处理的上下文。   它怎么让 Claude “看见”视频   你给它一个视频 URL 或者本地路径后，它会先判断视频里有哪些材料可用。   如果是公开视频链接，它会先用 `yt-dlp` 检查字幕。能直接拿到人工字幕或自动字幕时，就优先使用字幕，因为这样速度快，也不需要额外的转录费用。   如果没有字幕，它会提取音频，再调用 Whisper 转录。目前项目优先支持 Groq 的 `whisper-large-v3`，也可以使用 OpenAI 的 `whisper-1`。没有配置 API key 也不影响看画面，只是没有字幕的视频会退化成纯画面分析。   与此同时，`ffmpeg` 会从视频里提取关键画面。每张图片都带着对应的时间戳，Claude 读取这些图片后，就能把画面与同一时间附近的台词对上。   所以当你问“30 秒发生了什么”，它不是凭整段字幕猜答案，而是可以去看 30 秒附近的画面，再结合那一刻的台词回答。   这套流程里，每个零件都不新鲜： - `yt-dlp` 负责拿到视频和字幕； - `ffmpeg` 负责处理音频、抽取画面； - Whisper 负责给没有字幕的视频转录； - Claude 负责读字幕、看图片、理解问题并给出判断。 有价值的是，它把这些零件接成了一条完整工作流。以前需要人手动完成的“看视频、暂停、截图、记时间点、整理台词”，现在由 Agent 自己完成。 如果你使用 Claude Code，可以直接添加项目的 marketplace，再安装 `watch` 插件：   /plugin marketplace add bradautomates/claude-video /plugin install watch@claude-video   如果你使用 Codex、Cursor、Copilot、Gemini CLI，或者其他支持 Agent Skills 的工具，可以运行：   npx skills add bradautomates/claude-video -g   `-g` 表示安装到当前用户，所有项目都可以使用；去掉 `-g`，则只安装到当前项目。   第一次运行时，工具会检查 `ffmpeg` 和 `yt-dlp`。macOS 可以通过 Homebrew 自动安装；Linux 和 Windows 会给出对应的安装命令。Whisper 的 API key 不是必需项，只有在视频没有字幕、又需要分析语音时才会用到。 以前使用 AI 的默认方式是：人先找到资料，把资料整理成合适的格式，再交给模型。   `claude-video` 展示的是另一种工作方式：Agent 自己去获取材料，自己判断该用字幕还是转录，自己抽取画面，自己控制 token，最后带着整理好的上下文回来跟你讨论。   它并没有发明新的模型能力，只是把现有工具接在了一起。   但产品体验的变化，很多时候就发生在这里。

咖啡巨头星巴克（Starbucks）正在逐步将菜单中的菜籽油彻底淘汰，转而替换为更健康的脂肪！ 这一举动瞬间引爆了美国公共卫生界。小罗伯特·肯尼迪（Robert F. Kennedy Jr.）更是公开盛赞此举，并再次重申了他的健康铁律：“消灭种子油，才能让美国人更健康！” 菜籽油作为无数家庭厨房里的“常客”，到底隐藏着什么不为人知的健康风险？今天就带你深度解密为什么星巴克要抛弃它，以及我们真正该选什么油。 ⚠️ 1. 菜籽油的“三大原罪”与大脑危机 菜籽油由油菜籽压榨而成，虽然看似天然，但商业化量产的菜籽油存在严重的健康隐患： 高度精炼与化学残留：它是高度工业化的产物，生产中涉及高温脱臭和“己烷”化学溶剂提取。这不仅剥夺了其原有的营养，更会产生反式脂肪。 极易酸败变质：高温和己烷加工破坏了脂肪分子的稳定性，导致Omega-3极易氧化酸败，产生有害的醛类、酮类等毒素。 转基因与农药残留：超过 90% 的商业菜籽油来自转基因作物，并伴随着大量除草剂和杀虫剂的滥用。 更致命的是它对大脑的损伤。发表在《自然》（Nature）子刊上的一项权威研究表明：长期摄入菜籽油（仅相当于人类每天 2 勺的量），会导致小鼠体重显著增加、记忆功能障碍，并使大脑中的β淀粉样斑块（阿尔茨海默症的标志物）大幅增加，直接加速神经退行性病变。大豆油、玉米油、花生油等种子油，同样存在类似问题。 🥑 2. 星巴克的全新选择：牛油果油与橄榄油 抛弃菜籽油后，星巴克将目光投向了牛油果油和特级初榨橄榄油（EVOO）。这类天然脂肪未经过度加工，富含单不饱和脂肪酸（主要是油酸）、抗氧化剂（生育酚、叶黄素、β-胡萝卜素）以及维生素 K 和 E。 特别是特级初榨橄榄油，通过物理冷榨保留了极高浓度的多酚类物质，堪称“液体黄金”。 🛡️ 3. 顶级橄榄油对身体的八大降维打击 调节胆固醇，洗刷血管：富含的油酸能有效降低“坏胆固醇”（LDL），并维持“好胆固醇”（HDL）的水平，同时其强大的抗氧化性还能防止 LDL 被氧化，从源头预防动脉粥样硬化。 强效抗氧化与降血压：丰富的维生素 E 与 40 多种多酚化合物能中和自由基，增加动脉壁弹性，让血压更平稳。 媲美布洛芬的天然抗炎：慢性炎症是百病之源。橄榄油中的多酚（如羟基酪醇）能抑制炎症信号通路。特级初榨橄榄油中更含有一种罕见的“油橄榄素（Oleocanthal）”，它是布洛芬的同源物质，具有极强的天然抗炎阵痛作用。 守护心血管，防血栓：维护血管内皮细胞的完整性，防止血管老化、硬化，并减少血小板聚集，全面降低血栓风险。 修复血脑屏障，降低痴呆风险：临床随机对照试验显示，特级初榨橄榄油能够降低血脑屏障的异常通透性，增强大脑功能连接，有效减轻并预防阿尔茨海默症等神经退行性变化。 激活长寿蛋白（Sirtuin）：哈佛大学 David Sinclair 博士团队发现，橄榄油中的油酸能激活体内的 Sirtuin 长寿蛋白家族，在分子层面延缓细胞老化，提高抗压能力。 天然驻颜剂，防皱抗衰：橄榄油是常见植物油中角鲨烯（Squalene）含量最高的。角鲨烯能维持皮肤的水分屏障，涂抹或食用都能减缓皮肤氧化损伤，防止早生皱纹。 改善肠道微生态：发表在《营养素》等权威杂志的研究证实，橄榄油中的多酚能直接被肠道吸收，显著增加双歧杆菌等有益菌，提高免疫力，甚至有助于控制肥胖、提升饱腹感。 从星巴克的菜单变革可以看出，全球对于“健康脂肪”的认知正在发生深刻的巨变。移除不健康的种子油，换上天然的单不饱和脂肪，不仅仅是一次饮食成分的升级，更是一项对长远健康的终身投资。 你的厨房里还在用菜籽油、大豆油或花生油吗？是时候为了家人和自己的健康狠狠升级了！关注我，一起用营养提升生命质量！

三个连初中都没毕业的无业游民孙元志、颜智勤、卢小林，年过四十整日游手好闲，兜里拮据没收入，几个人凑在一起琢磨歪路子。一番投机取巧的算计后，他们冒出一个大胆的想法：贪官大多做贼心虚，只要假扮纪委办案人员上门突击审查，对方大概率不敢反抗，更不敢报警，靠这个敲诈一笔钱财。 为了这场堪称“降维打击”的骗局，三人执行力拉满。他们专门租了黑色帕萨特轿车，办理假车牌，购置深色干部夹克，还下载了大量反腐电视剧，逐帧模仿纪委工作人员的神态、走路姿势、审讯话术，反复演练语气和动作，硬生生把自己打造成了山寨办案团队。 2009年3月26日下午，重庆某局正处级局长张广强刚午休结束回到办公室，房门突然被猛地推开。孙元志带着两名同伙面色冷峻走进来，掏出伪造的纪委证件、盖着萝卜章的红头文件往桌上一拍，语气严肃地告知张广强，有人实名举报他存在受贿问题，现在奉命带他回去接受审查，立刻签字配合。 常年在权力岗位上收受贿赂的张广强，心里本就一直悬着一颗石头，听闻纪委上门，瞬间慌了神。巨大的恐惧冲昏了他的头脑，他根本没有心思核验证件文件的真假，只觉得自己贪腐的事情终于东窗事发，颤抖着签下名字，一言不发就被两人架着胳膊带出办公室。 更讽刺的是，一行人走过单位走廊时，一众同事都心知肚明张广强平日里作风霸道、以权谋私，所有人都噤若寒蝉，没人敢上前询问阻拦，甚至有人暗自庆幸，觉得这位实权局长终于被纪委盯上，大快人心。 车子一路驶离市区，开到深山里偏僻的农家乐，这里成了三人临时的“审讯点”。孙元志拿出大功率探照灯，强光直射张广强双眼，配合通宵的心理施压、言语震慑，摆出纪委办案的高压架势，逼迫他交代问题。在持续的精神折磨下，张广强彻底崩溃，把多年来受贿的时间、地点、金额、行贿人员全部竹筒倒豆子般交代清楚，还亲笔写下了详尽的贪腐供述材料。 第二天一早，三人以退赃为由，逼迫张广强交出银行卡并说出密码，到镇上银行取出了14万元赃款。拿到钱的三人贪婪暴露，可这反常的举动，瞬间让张广强幡然醒悟：正规纪委办案，绝不会私自提取嫌疑人银行卡内的现金，这伙人根本不是纪检干部，就是一伙诈骗劫匪。 情急之下张广强假意顺从，谎称办公室还有一张大额银行卡，愿意主动上交退赃。被金钱冲昏头脑的三人没有丝毫怀疑，立刻押着张广强返回政府办公大楼。刚走进大厅，张广强猛地挣脱束缚，大声呼喊抓贼，大楼保安闻声赶来，当场将三名假办案人员抓获。 警方介入调查后，孙元志为了争取宽大处理，直接交出了张广强连夜写下的贪腐口供。这份详实的材料被移交至真正的纪检监察部门，经过核查取证，张广强确实存在严重违纪违法的贪腐行为，很快被真正的纪委立案审查，最终落马受到应有的惩处。 法院最终作出判决：孙元志、颜智勤、卢小林三人冒充国家机关工作人员招摇撞骗，情节严重，主犯孙元志获刑九年，两名从犯各获刑七年。一场荒唐的骗局，三个法盲为了钱财铤而走险锒铛入狱，而手握权力的贪官，因为自身的贪腐心魔，被骗子轻易拿捏，最终自食恶果。 这场闹剧撕开了最现实的真相：贪欲是人心最大的软肋。骗子的演技漏洞百出，可贪官做贼心虚的恐惧，完美填补了所有破绽。权力本是为民服务的工具，一旦被私欲裹挟，手握多大的权力，就会埋下多大的隐患。做官者守不住初心、抵不住诱惑，最终只会沦为欲望的囚徒，哪怕是突如其来的骗局，也能轻易将其击溃。 这起离奇案件也给所有人敲响警钟，无论身处何种岗位，敬畏党纪国法、坚守廉洁底线，才是安身立命的根本，一旦触碰贪腐红线，早晚都会付出沉重代价。

推荐系统也开始换代了。 快手在推荐系统这块的技术确实做得扎实。 周六下午我去现场听了一下午他们的分享，几个议题里，最让我感兴趣的还是推荐相关的技术。 前两天我写过一篇文章。起因是在朋友圈看到有人转了快手 OneReason 的文章，我就点进去看了一下，发现快手已经在逐步把推理的能力引入推荐系统。 熟悉大模型发展的话会知道，这几年大模型经历了三个关键节点：Scaling、Reasoning、Agent。 而推荐系统，现在居然也开始走到推理这一步了。 文章发出来之后，我发现自己和评论区很多人有一样的困惑，集中在三个问题上： 第一，为什么一定要上推理？ 第二，推荐系统的推理具体怎么做？ 第三，推理的成本不低，这事在线上能划得来吗？ 我其实也是带着这三个问题去的现场。听完分享，今天把我的想法梳理一下。不一定对。 我十多年前在工作中做过推荐系统，这些年断断续续也在跟进这个领域的进展。 特别是大模型这一波浪潮来了之后，跟不少朋友聊过 LLM 和推荐系统结合的可能性，都觉得这事很有意思。 如果推荐系统也逐步过渡到 LLM 的技术栈上，互联网的基础设施这一层，还会有比较大的变化。 1 先说第一个问题：为什么一定要和大模型结合，为什么要做推理？有人觉得是不是在追技术的时髦。推荐系统好好的，为什么非得跟大模型挂钩？ 我自己是这么理解的。 传统推荐系统正在接近既有架构的天花板，而 LLM 为推荐系统提供了一条新的演进路径。 推荐本身也是 AI，是 AI 最早的应用场景之一。如果推荐系统无法融合最新的 LLM 技术栈，从技术发展的角度来说，推荐系统就会断代。 那为什么还要做推理？去年快手做了 OneRec，已经证明了 Scaling Law 在推荐系统中的有效性。 既然可以端到端生成，已经跟上了技术栈，为什么还需要推理？ 我想起刚毕业的时候做推荐系统，当时 Leader 讲过，推荐系统的核心，抽象来讲，就是在做两件事： 一类是基于用户的协同过滤，推荐系统根据用户的自然属性（年龄、性别、学历等信息）和浏览兴趣来计算用户相似度，进而给相似用户推荐内容。 第二类是基于内容的协同过滤。推荐系统提取内容的特征，然后计算不同内容之间的相似性之后，给用户推荐与过去喜欢内容相似的内容。 说白了，无论哪一种，其实都是基于相关性的匹配。推荐系统能够捕捉用户行为模式，但它并不会显式地推理用户为什么会产生这些行为。 这种逻辑的局限很明显。 举个例子。一个用户最近看了杜甫的诗词、李白的生平，还刷了几条安史之乱的纪录片。 系统会把这些行为编码成向量，然后去内容池里找向量距离最近的内容推过来。 它并不知道什么叫唐代文化，只知道看过这几条内容的人，大概率也会看另外那几条。 结果就是，更多唐诗、更多唐朝纪录片，推来推去都是同一类内容。 经常刷着刷着就会发现，怎么推的全是差不多的内容。这就是纯粹基于相关性匹配的局限。 但如果系统能往前想一步呢？这个人看杜甫、看安史之乱，背后的兴趣也许不只是唐代文化，而是乱世里个体的命运。 想到这一层，推荐的范围就打开了，不会只困在唐诗和唐朝纪录片的圈子里，能给用户带来更好的内容体验。 这就是溯因的价值。它把推荐系统从记住用户过去喜欢什么，推进到理解用户为什么喜欢。 只有理解了为什么，系统才可能预测出用户还没有表现出来、但可能存在的兴趣。 这是我觉得推荐系统引入推理最重要的一点。 2 理解了为什么要做推理之后，第二个问题就来了。推荐系统里的推理，到底怎么做？ 说实话，这也是我去之前最好奇的地方。 我一开始的想法挺简单。既然大模型已经把推理这条路走通了，那推荐系统是不是直接把这套能力搬过来就行？ 后来听完分享，发现完全不是这么回事。因为推荐系统面对的问题，和大模型平时解决的问题不一样。 比如问大模型：李白和杜甫的诗歌风格有什么区别？模型会调用历史知识、文学知识、时代背景，组织出一个解释。这当然也是推理，但它推理的对象是世界知识。 而推荐系统推理的对象是用户。它需要回答的问题是，这个兴趣为什么会产生？未来哪些兴趣会增强，哪些会减弱？用户下一阶段可能会对什么产生兴趣？ 所以快手在现场一直在讨论一个核心问题：推荐系统里的 CoT，到底应该长什么样？ 他们给出的答案挺有意思。把整个推理过程拆成了四步： 第一步，总结用户的历史兴趣。 第二步，推测兴趣背后的原因。 第三步，推测影响未来兴趣变化的因素。 第四步，推荐相关内容。 还是用杜甫那个例子来感受一下这个过程。 系统看到用户最近看了杜甫、安史之乱、李白，先做归纳，这个人对唐代文人和那个时期的历史有持续关注。 然后开始溯因：为什么关注？用户是主动搜索、反复观看、停留时间很长，背后可能的原因是对乱世中个体命运这个主题有深层兴趣。 基于这个理解再往前推演，如果关注的是乱世中的个体命运，那兴趣不会局限在唐代，宋代的苏轼、南宋的陆游，甚至近现代的故事，都可能命中同一个深层兴趣。到这一步，系统才去推荐内容。 整个过程是一条完整的思考链：归纳兴趣，溯因理解，演绎发散，最后推荐。 对比一下传统推荐系统做的事。它同样会从用户行为里提取兴趣特征，也会建立用户画像。 但这些过程更多是隐式完成的。系统知道用户喜欢什么，却很难解释用户为什么喜欢，也很少进一步推演兴趣未来会如何变化。 这也就解释了为什么传统推荐总是千篇一律。它没有理解，只有匹配。 匹配只能找到相似的东西，理解才能找到相关但不相似的内容。 3 第三个问题：推理的成本这么高，线上能划得来吗？ 大模型的推理很贵，而线上推荐要求实时更新。如果每次推荐都让大模型完整思考一遍，成本和延迟肯定都没办法接受。 他们现在的解法叫 Fast-Slow Thinking。名字听起来有点像人脑的快慢系统，实际上思路也确实差不多。 Slow Thinking 负责深度思考。它会周期性地分析用户过去一段时间的行为，把用户兴趣、兴趣背后的原因、未来兴趣可能的变化方向提前算出来，存下来。 这个过程可以慢，不要求毫秒级返回，甚至一天更新一次都可以。相当于提前把用户研究了一遍。 Fast Thinking 负责实时响应。用户打开 App 的时候，在线推荐系统不会重新走一遍完整的推理流程，只读取提前算出来的结果，再结合最新的行为快速完成推荐。 这样一来，真正昂贵的推理过程被放到了离线阶段，线上看到的仍然是一个高速推荐系统。 我觉得这个思路挺有代表性的。很多人聊 Agent、聊推理的时候，容易有一种错觉，好像未来所有事情都要实时推理。 但工业系统通常不这么做。工业系统更习惯把复杂计算提前做完，把实时链路尽可能做轻。 OneReason 的 Fast-Slow Thinking 本质上也是这个思路。慢链路负责理解用户，快链路负责服务用户。 现场公布的数据里，他们已经把这套方案用在了本地生活广告场景，收入提升超过 8%。 这一点其实挺让我意外的。原来以为 OneReason 更偏研究性质，没想到已经开始在真实业务里创造价值了。 不过这套方案也不是终点。 为了控制成本，OneReason 目前更多承担的是 Slow Thinking 的角色。 它会基于用户历史行为，离线生成对用户兴趣的理解，再把这些结果交给在线推荐系统使用。 这种方式解决了推理成本的问题，但实时性仍然会受到影响。 举个简单的例子。如果系统昨天分析认为我最近在关注杜甫和唐朝历史，但今天的兴趣突然转向了游戏，那么离线生成的用户画像就有可能滞后一段时间。 所以从工程角度看，这其实是在成本和实时性之间做平衡。 但可以确定，随着未来推理成本继续下降，推荐系统里的推理能力可能会越来越靠近实时链路。 到那个时候，推理或许会像今天的排序模型一样，逐渐成为推荐系统的基础能力。 不过至少从目前来看，快手给出的答案还是比较务实的。先让大模型负责它最擅长的部分，理解用户，然后把理解的结果交给传统推荐系统去执行。 这可能也是生成式推荐的推理能力从论文走向工业落地的一条现实路径。毕竟，这事也才刚刚开始。 更有意思的是，活动现场快手这次还发起了一个 LLM-Rec 挑战赛，官方直接开放了 OneReason-0.8B-pretrain、SFT 数据以及脱敏后的 50 万条用户行为数据。 这个活动面向的是全日制在校学生，所以我看到之后第一时间就转给了家里还在上学的亲戚。 还有在现场的时候，我原本以为来参加活动的大部分都是已经参加工作的工程师。 结果到了提问环节才发现，现场有很多北京高校的研究生和博士。 而且说实话，提问质量非常高。所以我觉得这样大赛确实很有意义，因为学生可以花大量时间去研究最新技术，可以去尝试各种天马行空的想法。 毕竟像推荐系统和 LLM 的结合，本身就是一个非常新的方向，行业里其实也没有标准答案。很多问题都还在探索阶段。 而且奖金也不低，前 20 名还能直接进入快手算法的中面。具体大家去看链接。反正看了我都很心动。 写到这里，这篇文章也就结束了。那天参加完沙龙，在回家的路上，我直接把整篇文章的语音底稿录完了。 今天下午又抽了一个多小时，把它逐段润色、修改、成稿，基本算是一气呵成。 写着写着，突然想起十多年前我刚毕业，作为一个新手工程师，和团队一起构建推荐系统时的场景。 顺手翻了一下朋友圈，看了一下当时 Leader 的状态，他已经转行做其他的事情去了。 好多事就飘散在了回忆里。 有点感慨。因为我关于推荐系统最早的那些知识，几乎都是他教给我的。 十多年前，我们讨论的是召回、排序、特征工程和 CTR。今天大家讨论的是 Scaling Law、Reasoning，以及 Agent。 很明显，推荐系统又走到了一个新的时间节点。一代又一代啊。

今天一个很深的感受是： 不必焦虑自己没有用 OpenClaw / Codex 这类 Agent build 出什么“特别宏大、特别有价值”的东西🧐 先把 AI 用进自己的日常，哪怕只是为了提升体验，本身就已经非常值了 我之前一直在折腾一件事： 想研发一个属于自己的“AlphaGo”，去尽可能全自动通关《杀戮尖塔2》。 后来发现这条路并不顺，离真正稳定、泛化、可靠的全自动还差得很远。 但也是在这个过程中，我突然转了个方向： 既然一时半会儿做不好“完全替我玩”，那为什么不先做“高质量辅助我玩”？ 结果游戏体验直接直线攀升😎 这种提升，不只是“多打通了几关”这么简单。 更重要的是，原来那些繁琐、零散、重复的事情，被大幅压缩了，而且还能做到高度私人定制。 比如第一个变化： 以前拿奖励卡牌的时候，我经常要反复去查网站，看这张卡强不强、适不适合当前构筑。 现在我直接让 AI 帮我做了个 Mod， 把指定网站上的卡牌评级数据，直接显示到游戏里的卡牌名字后面。 也就是说，信息直接嵌进游戏本体。 以前要么自己来回查网页，要么只能等别人先把 Mod 写出来。 现在我可以直接描述需求，让 Agent 帮我把它做出来。 第二个变化： 以前很多攻略、经验、路线判断，主要靠自己记，或者临时去翻攻略、搜视频。 现在我让 AI 直接把： 网上的经验 已有攻略 以及我们自己的实战记录 综合起来，生成策略建议。 而且这不是一个静态攻略库， 而是一个会随着实战不断迭代升级的“专用外置大脑”。 我每次按下快捷键， 它就自动读取游戏内信息， 然后给出详细、可定制的建议。 这和“去搜一篇通用攻略”完全不是一个体验层级。 第三个变化： 人的记忆是有限的，而且会磨损。 以前一个游戏隔很久不玩，再回来基本等于重新学习一遍。 以前你得重新回忆、重新查资料、重新建立感觉。 现在可以直接把这些经验沉淀给 AI。 只要平时把文档和过程记录清楚， 下次回来时，外置大脑基本可以一键帮你恢复上下文。 如果这些事情全靠人自己做， 无论是记录，还是阅读记录、恢复记忆，其实都很累。 但 AI 特别适合干这种持续积累、随叫随到的辅助工作。 我现在越来越强烈地觉得： Agent 最容易被低估的一点，不是“它能不能直接替你做成一个大项目”， 而是它已经可以非常丝滑地嵌进各种具体场景里， 去增强那些本来就需要动脑的事情。 游戏只是一个例子。 只要一个场景里包含： 信息检索 上下文理解 经验整合 实时判断 长期记忆 AI 都有机会带来巨大提升。 关键是，这套东西现在的建设成本，已经低到了非常夸张的地步。 如果你觉得 AI 还不够聪明，很多时候问题未必出在模型本身， 而是出在两个地方： 需求没有描述清楚 没有给足够有效的上下文 AI 不是凭空读心， 它更像一个能力极强、但需要被准确引导的系统。 你给它的目标越明确， 给它的上下文越扎实， 它输出的质量通常就越高。 我一开始也觉得 AI 对《杀戮尖塔》这类具体游戏有点懵。 后来我直接把几个杀戮尖塔相关的开源项目、Mod 网站、攻略站地址都喂给它， 让它去提取、理解、利用。 结果它很快就抓住了关键上下文， 开始持续交付远超我预期的东西。 所以我现在的看法是： 目前这些 Agent，可能还不能让一个没什么软件工程经验的人，轻松做出大型复杂系统。 但它们已经完全足够帮助普通人， 围绕现有的大型产品、游戏、工作流， 搭建一层真正服务于自己的私人定制化软件。 这件事的门槛，已经比很多人想象得低太多了。 如果一上来就逼自己“必须用 AI 搞个大项目”， 过程往往很痛苦，也很容易挫败。 不如先把它带进自己的日常场景里， 先让自己真实地感受到体验上的质变。 当你真的开始离不开它时， 你反而会更有动力继续探索、更复杂的方向。 这可能才是普通人拥抱 Agent 最现实，也最有复利的一条路。 以下是实际使用视频，使用 Codex 搭建：

【日本為了稀土撿垃圾】近日，據 #日本# 媒體報道，為了解決稀土短缺問題，日本企業牽頭回收廢舊空調，從中提取稀土。日本人都對此自嘲，日本“已經到了不得不撿垃圾的地步”。#稀土# 是現代工業的“維生素”，而日本超70%的稀土從中國進口，重稀土對華依賴度更是近100%。自從日本右翼勢力推動“再軍事化”以來，中方依法依規對日本加強兩用物項出口管制。今年3月及4月，中國對日本的稀土出口量較去年同期銳減超過80%。面對稀土短缺帶來的痛，日本正滿世界找“礦”，但遠水解不了近渴。日本應該明白，日本最稀缺的不是稀土資源，而是正視歷史、堅守和平的清醒。（#三里河）#

ChatGPT 有个毛病： 只要你的问题带着明确倾向，它很容易顺着你的前提继续说。 哪怕你的判断一开始就是错的，它也可能先认可你，再帮你把错误逻辑补完整。 我最近改了一下「自定义指令」，效果比单纯要求它“更专业”明显得多。 设置路径： 设置 → 个性化 → 自定义指令 把下面这段粘进去：👇 > 不要默认认同我的观点，也不要为了让我满意而附和我。 > > 回答前，先检查我的问题里是否存在错误前提、逻辑跳跃、信息缺失或未经证实的判断。如果有，请直接指出，不要沿着错误前提继续推导。 > > 请明确区分：已确认的事实、合理推测、个人观点和暂时无法验证的信息。涉及事实、数字、人物、日期、引用和案例时，尽可能核对来源；无法确认就直接说明，不要编造。 > > 当你不同意我的判断时，请清楚说明原因，并给出反例、风险或更合理的解释。不要只给结论，要说明推理过程。 > > 语气可以直接，但不要刻意尖刻、说教或卖弄。比起让我感觉良好，更重要的是帮助我发现自己忽略的问题。 保存以后再问同样的问题，你会发现它没那么喜欢说“你说得对”了。 真正有用的 AI，不应该只是帮你证明自己是对的。 它还得敢告诉你： 你这个问题，从一开始可能就问错了。

跑活动最好是要带业务目的，否则去见到了一堆人，哪怕加了一堆联系方式又怎么样？带着问题（想投到项目？想和一些 portco 深聊？等等）去找答案，比无意义地打卡出片更有 ROI 比如同样是因为女性参加 AI 活动被引起争议，JY @JYdmnLFG 是以创业者身份 + 专业视频创作者的角色，带着业务去的，那对她来说，在她身上的争议就有很大几率被转化为对她的创业项目的关注 还有的时候参加活动会有一些随机的机会，结识到同样有社交需求的业内人士。这种时候大概率不会交流到什么有价值的信息，但是有 BD 需求落地到 deal 上的人自然有其妙用 然而，如果跑活动单纯就是为了打卡出片，那么哪怕获得了一时的关注，过几天谁又记得你是谁呢