我理解一场政治活动结束以后，至少留下三样东西。 第一，留下公共记忆。 别人以后提到这个议题，会想到我们曾经做过什么。哪怕只是一个画面、一句话、一张海报、一次现场行动，也要让它成为可以被传播、被保存、被再次唤醒的记忆。 第二，留下新的连接。 一个人看到我们，愿意加入；一个沉默的人看到我们，愿意转发；一个原本孤立的人看到我们，知道还有人在坚持。行动最大的价值，不只是当天发生了什么，而是它能不能把更多人带进来。 第三，留下下一步。 任何事情都不能做完就散。今天做完，明天要知道怎么延续；这一期结束，下一期要知道如何升级；一次表达结束，后面要能形成组织、形成方法、形成可复制的经验。 这就是我理解的目标导向。

如何每天赚 $500，只需要你有这三样： 1. 一台电脑 2. Wi-Fi 3. 时间 下面是 10 个超级实用的 Claude 提示词，直接复制就能用，帮你把任意技能快速转化为被动收入产品（数字产品、课程、模板等）。 Prompt 1：从一个技能中挖掘可盈利的被动收入点 「扮演一名数字产品策略师。我的技能是 [skill]，我的经验水平是 [beginner/intermediate/expert]，目标受众是 [audience]。给我 15 个可以基于这个技能打造的被动收入产品点子。每个点子需要包含：产品是什么、谁会买、解决什么问题、制作难度、上线速度、最适合的销售平台。并按『最容易赚钱 → 长期潜力最高』排序。」 Prompt 2：把一个技能转化为适合新手的数字产品 「帮我把 [skill] 转化为简单易做的数字产品，目标用户是 [audience]。给我 10 个不需要复杂技术的产品方案，优先使用 Google Docs、Canva、Notion 或表格等工具完成。每个方案包含：产品名称、形式、价格区间、制作步骤，以及为什么有人会买。」 Prompt 3：设计从低价到高价的产品阶梯 「扮演产品体系专家。我的技能是 [skill]，受众是 [audience]。帮我设计一个 4 层产品阶梯：低价、中价、高价数字产品和持续订阅。每一层都要自然承接下一层。每层需要说明：卖什么、价格区间、交付形式、用户类型，以及如何引导到下一个产品。」 Prompt 4：7 天内可以上线的最快产品 「我想用 [skill] 在 7 天内做一个被动收入产品。我每天能投入 [X] 小时，目标用户是 [audience]。给我 7 个可以快速完成的产品方案。每个方案包含：每日制作计划、所需工具、预计售价、难度评估，并标出最适合快速出单的最佳方案。」 Prompt 5：把技能匹配到真实需求 「我具备 [skill]，目标用户是 [audience]。列出这个人群正在主动解决的 15 个真实问题，并基于这些问题转化为被动收入产品点子。每个点子需包含：问题、产品方案、承诺的改变结果，以及用户购买动机。」 Prompt 6：验证哪些产品真的能卖钱 「扮演市场验证研究员。我想基于 [skill] 向 [audience] 售卖被动收入产品。给我 10 个产品点子，并从需求、紧迫性、制作难度、差异化、购买可能性这 5 个维度打分（1–10 分）。最后指出最有可能最快变现的 3 个产品，并解释原因。」 Prompt 7：从已有经验中挖掘产品 「我不想从 0 开始。帮我把已有的 [skill] 经验转化为产品。分析我经常做的事情、经常解释的问题、常用捷径、常见错误，以及已有的方法论。然后转化为 10 个被动收入产品，并附上产品形式、标题思路和目标用户。」 Prompt 8：生成完整产品大纲 「我想为 [audience] 做一个关于 [topic] 的 [product type]。帮我生成完整大纲，包括：产品标题、核心承诺、模块结构、每一部分内容、附加赠品、快速见效设计，以及最终交付形式。要求简单实用、值得付费，避免学术化。」 Prompt 9：给产品定一个合理价格 「我有一个产品点子：[product idea]，目标用户是 [audience]。对比低价、中价、高价三种定价策略。分别说明每个价格应该包含什么、吸引哪类用户、转化逻辑，以及优缺点。最后给出一个适合前期快速出单的推荐价格。」 Prompt 10：选择最适合的销售平台 「我想卖一个与 [skill] 相关的被动收入产品。请对比 Gumroad、Etsy、Payhip、Shopify、Notion 市场或自建网站等平台。结合我的产品类型 [product type]、用户 [audience] 和目标 [goal]，推荐最适合的平台，并说明原因，包括手续费、搭建难度、流量潜力和新手友好度。」

找了一家上市海小弄里地道的小饭馆 早餐三样东西只要1美元！ 同样东西在Cupertino 堂吃，大约是17美元。 最近我的推都是这种生活记录，希望朋友们多多谅解！对我来说：回一趟国特别不容易！

奥特曼最新访谈 反思最近一年犯的错误 表示不怕被蒸馏 AGI 还缺三样 “过去一年很难熬、多少有我的责任，而明年可能是我们最好的十二个月。他给的解释是做太多事、不够聚焦，「每一件其实都值得做，但诀窍在于，我们处在一个历史性时刻，你只能做那极少数真正伟大的事。」” 详细内容：

我读了很多AI文本，发现一些文章如果读起来像AI写的，里面装着三样完全不同的东西。 一，母语非英语的作者拿模型润色措辞。二，用模型起草段落、再由作者核对。 三，让模型独立生成论断、related work、乃至对结果的解释。 第一种，我认为，这是个好事儿，英语流利度长期在充当一道与研究质量无关的筛子，现在被免掉了，抱怨这个的人往往没意识到自己在捍卫什么。 第三种，才是大问题，重灾区。 我发现现在核心是AI检测器恰恰分不开这三者，舆论的混乱主要来自这里。 模型写讨论部分时，它同时写了很多很多限定词，我也看到过，许许多多的文风，那些“这表明”、“这说明”，巴拉巴拉一通，那些对相关工作、认识的定位。 但别忘了，这些是科学内容。 一段流畅的讨论可以把一个薄弱的推断洗得看不出薄弱，而作者很多时候未必意识到自己没在为哪句话负责。 论文，逐渐变成了没有人完全拥有的文本。 评审现在确实难办，我也是看到很多论文尤其是CCF-A一大堆顶会的文本。 过去写得糟糕是有成本的信号，审稿人拿它当先验用。文字潦草的稿子通常思路也潦草。 现在，表层质量和底层严谨度脱钩了，而投稿量还在同时上涨，审核压力直接起飞。 我看了一下unslop发布的领域分布，其实很说明问题，至少是它提供的数据上。 计算机科学 65%、数学 0.7%，即便扣掉检测器的偏差，剩下的差距仍然对应着截稿日冲刺、最小可发表单元、以及对工具的熟悉度。这其实非常恐怖。 这个病背后的推手其实不是AI ，它只是给一个已经存在的产量竞赛装上了涡轮而已。 刚才，我说了那个检测器的情况，更严重的问题是误判的代价会不成比例地落在非母语作者身上，而且随着人类写作本身向模型措辞收敛，这个问题可能被一直搁置着。