注册并分享邀请链接,可获得视频播放与邀请奖励。

搜索结果 三越劇場
三越劇場 贴吧
一个关键词就是一个贴吧,路径全站唯一。
创建贴吧
用户
未找到
包含 三越劇場 的推特
深度产业洞察:AI短剧颠覆全球娱乐,字节开启400亿美金新增收入时代 当下中国文娱产业,正在发生一场绝大多数人低估的结构性革命。 传统电影、长视频、好莱坞体系,维持了几十年的内容霸权,正在被一种全新的、AI工业化、极致低成本的内容模式快速瓦解。 核心标志性数据极具冲击力: 2026年红果短剧年化收入已无限逼近400亿级别。 而整个中国院线电影,全年总票房规模也仅在520亿左右。 一个诞生仅仅数年的互联网内容产品,单一平台体量,已经快要追上全国电影工业几十年积累的总盘子。 这不是短暂热度,是新旧娱乐时代的正式交接。 按照当前增速线性外推,2027年AI短剧的产业规模,将全面碾压传统国产电影行业,没有任何悬念。 而这,仅仅是风暴的序幕。 一、字节真正的终极杀招:大模型+网文+短剧的全球闭环 资本市场目前最大的认知盲区,是低估了字节这套“全链路AI内容工业化”的终极天花板。 随着AI Token成本持续崩塌、模型能力指数级跃升,字节正在打通一套全球独一无二的闭环: 海量网文IP沉淀(番茄小说)→ 零成本爆款剧本库 → 抖音全域流量测试 → Seedance视频大模型AI制片 → 红果短剧+海外PineDrama全球变现 这套体系,实现了史无前例的三低革命: 极低剧本成本、极低拍摄制作成本、极低全球获客成本。 传统影视最大的成本:编剧、明星、剧组、场地、后期、宣发,几乎全部被AI模型清零。 这是降维打击,不是行业竞争。 当前短剧板块,在字节整体收入占比不足3%,属于边缘业务。 但未来3-4年,这套海内外联动的AI短剧生态,极有望为字节新增400-500亿美元年化收入。 什么概念? 等同于再造四分之一个字节,体量对标当下 OpenAI + Anthropic 的总和。 这也是为什么海外VC至今没有完全看懂: 他们习惯了好莱坞、流媒体、长视频的传统估值逻辑,完全看不懂AI工业化内容的爆发势能。 二、为什么短剧在国内能彻底打爆?是人性,不是流量 很多人把短剧爆火归结为“碎片化娱乐”,这是浅层认知。 短剧真正的底层逻辑,是当代高压社会的情绪补位。 过去几十年,国人娱乐供给长期单一、严肃、压抑;社会长期内卷、高强度工作、精神紧绷。 大众内心天然极度渴求高密度、高反馈、强情绪释放的内容。 传统院线电影、主流影视剧,越来越脱离普通人的情绪需求:叙事拖沓、价值观说教、剧情悬浮、缺乏爽感。 而网文衍生的短剧体系,精准击中人性刚需: 高节奏、强反转、即时反馈、情绪拉满、解压治愈。 不是短剧太“俗”,而是传统文娱太久不懂普通人。 短剧的胜利,是情绪价值对艺术说教的胜利,是大众解压需求对精英叙事的替代。 三、下一步:AI画质趋近真人,全球影视体系面临降维击穿 更恐怖的拐点,将在未来1-2年彻底到来。 AI视频模型的画质、光影、人物动态、细节真实度,将无限逼近真人实拍。 届时,观众对AI内容的心理壁垒会彻底消失,只剩极致的沉浸体验。 放眼全球,传统娱乐巨头早已外强中干: • 全球电影总票房:约330亿美元 • Netflix全年营收:约510亿美元 • YouTube广告收入:约600亿美元 • 迪士尼视频业务:约250亿美元 • 华纳HBO体系:约120亿美元 这些盘踞全球几十年的超级巨头,未来都会成为字节AI短剧生态的替代对象。 依托极致低成本工业化优势,字节可以全面覆盖欧亚非拉非英语市场,击穿全球中低端影视剧市场,刚性抢占350-400亿美元全球娱乐份额。 除此之外,全球创作者持续调用字节Seedance大模型生产内容,还能为公司稳定带来百亿级别的模型工具收入。 一鱼双吃:内容变现+模型算力变现。 四、美国影视巨头几乎无解:体制锁死,无法转身 为什么这场革命,只能由中国公司完成? 好莱坞、美国影视行业,被两大枷锁彻底锁死: 1. 极致复杂的版权诉讼体系 2. 强大的演员工会、编剧工会体制束缚 任何AI替代拍摄、AI替代演员、AI改编剧本的尝试,都会遭遇集体诉讼、罢工、制度阻力。 美国文娱体系,已经没有颠覆性迭代的制度空间。 而国内市场化充分、迭代极快、生态灵活,率先完成AI内容工业化跑通。 随之而来的,是全球低端剧组、普通演员、传统制作人员的失业潮。 国内已经提前上演:横店棚控率暴跌、中小剧组大量倒闭、群演岗位锐减、传统长剧开机量断崖下滑。 这是一次AI对传统文娱劳动力的系统性替代,不可逆、不可挡。 五、时代感慨:AI工业化时代,真正的顶级IP终将被重制 从网文时代的《无限恐怖》《阳神》《龙蛇演义》开始,整整一代人的审美、热血、世界观,都由国产网文构建。 过去受限于拍摄技术、资金、特效、剧本能力,这些顶级神作始终无法完美影视化。 但现在,AI视频大模型彻底打破所有制作枷锁。 未来唯一的悬念只剩一个: 何时会有顶尖创作者,突破传统版权桎梏,用AI 1:1完美还原《无限恐怖》《杀戮都市》这类殿堂级神作? 当顶级世界观 + AI无限生产力相遇, 新一轮全球文娱审美颠覆,才刚刚真正开始。
显示更多
川普、習近平與盛大排場下的戰略現實 余茂春(Miles Yu) 華盛頓時報,2026年9月29日 英文原文在此: 美中關係愈是變化,愈是原地踏步。 習近平此次訪問華盛頓,迎接他的是盛大的國事禮遇、川普總統的溢美之詞,以及「戰略穩定」的種種說法。然而,在這些外交排場之下,有一個冷峻的戰略現實始終沒有改變:美國與中共統治下的中國,依然是彼此強大的戰略對手,因為雙方對世界秩序的基本構想,從根本上就互不相容。 中共至今仍把美國的力量稱為「霸權主義」,認為美國注定在阻礙中國崛起,也阻礙北京建立其所追求的、以中國為中心的國際秩序。就在訪美前幾個星期,習近平本人還在使用這套語言。 與此同時,美國仍在西太平洋強化盟友體系、迅速提升軍事嚇阻能力與經濟安全措施,而其中相當一部分,正是為了制衡中國日益擴張的全球力量。就在習近平專機抵達安德魯斯聯合基地前幾天,美國司法部起訴華為為犯罪組織的案件也剛剛在紐約開庭。 所以,川普給予習近平的盛大歡迎,絕不能被誤讀為美國在戰略上對中國示弱。 星期三,習近平抵達安德魯斯聯合基地。美國國歌奏響之際,兩架B-1B戰略轟炸機從上空呼嘯而過。第二天在白宮,一架B-2「幽靈」隱形戰略轟炸機飛越上空,並由四架F-22「猛禽」戰鬥機伴飛。B-2正是美國打擊伊朗核設施時所使用的同型轟炸機。整場歡迎儀式共有近480名美軍官兵參加。 這當然是外交禮遇。但這也是一場以展示美國軍事、經濟與科技實力為背景的外交禮遇。 峰會期間文化上的象徵意味同樣耐人尋味。 白宮國宴演奏了《悲慘世界》的音樂。其中的〈你可聽見人民的歌聲?〉(Do You Hear the People Sing?),曾是2019至2020年的香港反抗中共爭取自由運動中的街頭戰歌進行曲。 席間還演奏了鄧麗君唱紅的《月亮代表我的心》。 鄧麗君從來不只是一位流行歌手。她的歌曲曾被中共斥為「精神污染」,卻從台灣透過電波傳向中國大陸。在冷戰年代,她的歌聲代表著另一個華人世界——一個不受北京共產黨統治的華人世界。她拒絕前往中共統治下的中國演出,也曾公開聲援1989年的天安門民主運動。 在一場招待中共最高領導人的白宮國宴上,很難想像還有比這更具歷史反諷意味的音樂安排。 就連國事訪問期間演奏的《茉莉花》,也不是什麼「紅色歌曲」。它是一首流傳數百年的中國民間樂曲,其歷史遠早於中共政權;浦契尼 (Puccini)更曾把《茉莉花》的著名的旋律融入歌劇《杜蘭朵公主》(Turandot)。 這裏面的寓意十分重要:中國遠比中共古老,也遠比中共偉大。 這種象徵意義在美國國家檔案館繼續上演。 川普帶著一個列寧主義政黨的最高領導人,去觀看美國的《獨立宣言》、《憲法》和《權利法案》——這些文件代表的,恰恰是有限政府、個人自由與人民主權,是與列寧主義政治傳統截然不同的立國原則。 還有1951年的《舊金山和平條約》。 這是一份北京寧願世界以另一種方式記住的歷史文件。根據條約,日本放棄對台灣及澎湖列島的「一切權利、權利名義與要求」,卻沒有在條約中把台灣主權移交給中國。 北京長期拒絕承認這項條約的合法性。無論人們如何看待台灣最終的法律地位,《舊金山和平條約》的存在至少說明一件事,即中共所堅稱的「中國對台灣擁有主權,是國際社會早已確定、毫無爭議的歷史事實」,並沒有那麼簡單。因爲事實並非如此。 台灣問題本身也呈現出另一個值得注意的對比。 習近平要求川普超越美國歷來「不支持台灣獨立」的政策表述,進一步明確宣布「反對台灣獨立」。但川普對這兩個話題都拒絕公開宣布作出任何讓步。 雙方使用的語言,也形成鮮明對照。 習近平講的仍是那些熟悉的抽象口號和黨八股:和平共處,以及年復一年被重複使用的「合作共贏」。 華盛頓講的,卻愈來愈是數字、期限和具體落實的措施: 貿易休戰延長到2027年1月10日;中國每年至少購買170億美元美國農產品;恢復美國牛肉與家禽產品的市場准入;2027年和2028年各購買1,000萬公噸美國煤炭;雙方各有300億美元商品適用特定關稅安排;以及稀土和關鍵礦產必須有具體、可以驗證的交付。 但華盛頓必須牢記一點:承諾不是履約。北京先前作出的若干承諾至今仍未完全兌現,包括購買波音飛機與美國農產品。 因此,這次華盛頓峰會並沒有產生什麼宏大的戰略交易。兩位領導人基本上只是同意繼續談下去。 但這次峰會還有另一個重要訊息,而這個訊息是說給日本聽的。 美中關係固然佔據了外交舞台的中央,但川普同時也刻意強化美日條約同盟。 就在會見習近平的前一天,川普在聯合國與日本首相高市早苗舉行了一場高度公開的會晤。雙方討論了中國、人工智慧、半導體、關鍵礦產、軍事嚇阻、「四方安全對話」(Quad),以及自由開放的印度太平洋。 習近平剛剛啟程回國,前脚一走,高市早苗便直接從她口中的「親愛的唐納德」那裡,獲得了有關美中峰會的詳細說明。 這幅戰略圖景,習近平不可能看不懂:中國得到的是總統級的盛大排場;日本得到的,則是美國最重要的印太盟友地位,以及作為美國在亞洲維持力量與影響力之基石的戰略角色。 戰略穩定需要戰略耐心,也需要謀略。川普一生都在強硬討價還價的世界裡打滾——從紐約房地產,到賭場,再到娛樂產業。他很清楚,笑臉與實力從來不是互相矛盾的。 美國現在需要的,正是胡蘿蔔與大棒並用。 川普可以扮演外交上的「好警察」,保持最高領導人之間的直接溝通,並在中國作出可以衡量、可以驗證的實際履約時給予相應回報。 但他的政府裡也有馬可・魯比歐,司戈特・北森特和皮特・赫格塞斯這樣的内閣官員,可以在北京拒不履約時扮演更強硬的角色。 中國當然也有籌碼,尤其是在稀土和關鍵礦產方面。但依賴從來不是單向的,而且雙方的依賴並不對稱。 中國仍然高度依賴美國消費市場、先進科技、金融力量,以及一套由全球經濟網絡和盟友體系所構成、而美國至今仍擁有巨大影響力的國際體系。 華盛頓手中的籌碼,遠比那些習慣性悲觀的人所想像的更多。問題只在於美國願不願意使用這些籌碼? 所以,這場峰會傳遞的訊息,不是美國開始對中國軟弱。也不是什麼「美中友誼」。它所展現的,是一種更微妙、也可能更有效的戰略,也就是: 對習近平微笑。帶他去看美國憲法。讓他聽鄧麗君,也讓他聽浦契尼。讓B-1B和B-2戰略轟炸機從他頭頂飛過。要求北京交出日期、數量和履約成果。然後,把大棒放在伸手可及的地方。
显示更多
0
151
156
47
转发到社区
深度剖析:中共高層大清洗對台海局勢與中美戰略對抗的深遠影響 9月21日,中共政治局宣佈將中央軍委副主席張又俠與聯合參謀長劉振立開除黨籍與軍籍。這場軍方地震一舉拔除解放軍的「政治大腦」(張又俠)與「作戰大腦」(劉振立),導致軍方最高指揮鏈出現實質失能。這不僅是內部權力重組,更對台海安全與中美軍事對抗帶來了深遠且複雜的戰略重塑。 就我個人的觀察,這起整肅將從三個關鍵維度重塑未來的戰略格局: 一、 台海局勢:短期攻台機率下降,中長期「誤判與冒險」風險劇增 1. 短期:攻台時間表被迫推遲 實戰與指揮鏈斷裂: 劉振立作為聯合參謀長,是軍中極少數具備中越戰爭實戰經驗且主導戰術策劃的高級將領。他的落馬意味著攻台計劃的核心執行者出現嚴重斷層。 內部整肅優先: 在未來 1~2 年內,中共軍方必須耗費巨大精力清查餘毒並重組中央軍委。軍中人人自危、忙於政治表態,難以凝聚發動高風險跨海登陸戰所需的戰略專注力與內部信任。 灰色地帶常態化: 由軍委主責的大型聯合軍演預計顯著減少,取而代之的是海警船、科研船等非軍事手段的「灰色地帶執法」與常態化威逼。 2. 中長期:專業制衡消失,盲目冒險風險上升 缺乏理性制衡: 張又俠與劉振立等實戰派將領,最清楚解放軍與美軍在現代化裝備及聯合作戰上的真實差距,因此在動武評估上傾向「務實謹慎」。當軍中僅剩「唯命是從」的政治將領時,內部將失去專業評估與理性制衡機制。 危機導向的軍事冒險: 若最高領導人未來面臨重大國內政治危機,在缺乏專業反對意見的情況下,為了立威而孤注一擲、盲目發動台海挑釁或軍事冒險的風險將顯著增加。 二、 中美軍事對抗:前線失控風險與戰略不確定性加劇 1. 指揮鏈中樞失能,前線「戰術冒險主義」抬頭 中央軍委聯合作戰指揮中心運作受挫,導致東部、南部戰區出現兵力調度混亂與戰術躁進現象。 在南海與台海前線,中高層指揮官因害怕被貼上「消極怠工、忠誠度不足」的政治標籤,基層官兵可能採取更具挑釁性的防空與驅離動作。這種「戰略目標模糊、戰術動作過激」的狀態,極易引發中美非預期的擦槍走火。 2. 危機溝通機制形同虛設,戰略互信破裂 美方先前建立聯繫的高階軍事將領(如李尚福、苗華、何衛東、張又俠、劉振立等)接連落馬。 中方軍事對話窗口頻繁更迭與長期「空窗」,導致雙方無法建立持續穩定的危機管控通道。一旦爆發重大突發事件,雙方將缺乏關鍵的溝通渠道以降低風險。 三、 戰略總結:硬體擴張 vs. 軟體潰散的畸形戰力 評估當前解放軍不能僅看硬體指標。雖然中國海軍艦艇持續下水、火箭軍與核武等「有形戰力」在裝備上加速擴張,但在經歷這場建國以來最嚴重的軍方高層大清洗後,解放軍的「無形戰力」(指揮協同能力、軍心士氣、將領互信)已遭重創。 核心洞察: 解放軍正陷入「硬體強大、軟體(指揮鏈)脆弱」的畸形狀態。面對跨海登陸與高強度聯合作戰等極其複雜的現代戰爭,其實際戰鬥效能將大打折扣。 這為美國及其印太盟友(台灣、日本、菲律賓)贏得了關鍵的戰略黃金窗口期,得以加速補足彈藥儲備、強化後勤韌性,並全面鞏固第一島鏈的軍事威懾力。
显示更多
今日分享: 如何从小培养儿童的交通安全意识? 交通安全意识和阅读习惯一样,越早“渗透”越好,但方法完全不同——阅读靠“静”,交通安全靠“动”和“条件反射”。 对于小月龄和低幼宝宝,核心不是“教规则”,而是通过游戏和重复,把安全行为变成肌肉记忆。分阶段给你一些实操妙招: 一、分龄培养重点(从0岁开始) · 0-1岁(感知期):抱着宝宝出门时,每次过马路你都大声说出台词——“红灯停!绿灯走!左看看,右看看!”(配合转头动作)。让他习惯“斑马线=停下来+抱紧”的关联。坐推车时,每次停稳再系安全带,并说“咔哒,安全啦!”,让他把“咔哒”声和“安全”挂钩。 · 1-3岁(模仿期):这是黄金窗口。利用玩具车和玩偶演情景剧,比如让玩偶“小猪”闯红灯被“撞倒”(夸张倒下),然后说“哎呀,好痛!要看红绿灯哦”。出门时让宝宝当“小交警”——你负责开车(推车),他负责喊“红灯停!”,你立刻急刹车,他会超有成就感。 · 3-6岁(规则期):玩“停-看-听-走”四步游戏:在家画条斑马线,你喊“停!”——他立正;喊“看!”——他转头左右看;喊“听!”——他竖起耳朵;喊“走!”——他大步走。反复练到条件反射,出门直接套用。 二、3个“作弊级”日常渗透法 · 把绘本“演”成交通课:读《红绿灯眨眼睛》这类书时,不要坐着读,站起来,让宝宝当小汽车,你当红绿灯——你举红色衣服他就“刹车”(停住),举绿色就“滴滴”跑起来。身体记忆比耳朵记忆深刻10倍。 · 用“找茬”游戏练观察力:出门散步时,和宝宝比赛“谁先看到斑马线/红绿灯/停止标志”,看到了就击掌。让他养成主动扫描路况的习惯,而不是被动等你提醒。 · “停车场法则”:每次从推车或安全座椅下来前,固定台词——“车门开,先看后,没车再下脚!”(配合手指向后指的动作)。坚持做,孩子长大自己开门前会本能地回头看一眼。 三、绝对要避开的3个坑 · ❌ 不要只用“不要”:别说“不要乱跑”,要说“牵妈妈的手”(给正向指令,大脑更容易执行)。 · ❌ 不要在停车场松手:哪怕没人没车,也要养成进停车场就抱起来或紧紧牵住的条件反射,因为司机有盲区。 · ❌ 不要自己带头违规:你闯一次红灯,孩子就记住“规则可以打破”。你的每一个动作都是他的教科书。 最后送你一句定心丸:交通安全不是“教”出来的,是“演”出来和“练”出来的。 哪怕宝宝现在听不懂,你每次过马路那句“左看看右看看”,都会刻进他的潜意识,成为他未来保护自己的本能声音。
显示更多
这次正义没有迟到,舒服~ 周末闲聊,聊到哪算哪。 今天好多读者后台留言,说上海建工涨停了。我上午就知道了,噼里啪啦好多人转发给我,哈哈哈,这是有点巧,昨晚刚写了建工大爷今天就板了。 我看了一下,上市公司有一个涉及金矿开采的利好,但我算了算只靠这个利好恐怕不够把这种常年瘟股给抬起来。其实昨天还有一个关于地方债的消息,利好包括房地产、钢铁之类的行业,今天地产+1.9%,钢铁+1.8%,多少也有些关系。 另外我琢磨昨天建工大爷视频的扩散传播应该也是重要原因,老登股的情绪积压到一定程度后迎来爆发,踏空资金包括一部分投机资金借着这个热度冲了一波。甚至我昨晚写的文章,可能也在舆情发酵的环节里起到了一点作用。 牛市期间舆情关注度也是一种资源,很多时候会直接左右股价的走势。所以哭惨有用,只要你的嗓门足够大就有用。 …… 昨天就有读者留言问我怎么看罗永浩大战西贝,这是今天舆论场流量最高的八卦。简单说就是罗永浩吃完饭后发微博,吐槽西贝都是预制菜,价格还贵。结果西贝贾老板反驳没有预制菜,要起诉罗永浩损害名誉。 从公关的角度贾老板这么操作是不妥的,标准答案是向罗永浩表达菜品不合口味的歉意,然后解释西贝的出餐流程不算预制菜,欢迎罗永浩来后厨参观,最后出一个“罗永浩套餐”,欢迎广大顾客品鉴。 但是贾老板说咽不下这口气,就要硬刚罗永浩。他没意识到这件事在扔进舆论场后已经不是西贝和罗永浩的个人恩怨,已经扩大上升到公众厌恶预制菜、厌恶高客价的矛盾,西贝越折腾,越是争辩,负面舆情就越大。 这就是在中国做大众消费品的现状,一旦有舆情就是认错三连,向网民服软,态度永远比对错重要。 预制菜这几年一直在被妖魔化,其实只要是大品牌餐饮的预制菜,我是不介意吃的,预制菜是全球餐饮工业化的趋势,欧美发达国家也是逐年增长,他们那边也有反对的,但没什么用。 预制菜除了降低成本、提高效率这两个优点,还有一个核心优势,就是便于餐品标准化管理。连锁品牌在全国开上千家店,不能每个店都依赖厨师手艺去把控菜品,最合理的办法就是标准化批量制菜,减少终端烹饪环节,这样便于扩张经营,做大做强。 至于罗永浩这次吃的价格,4男1女,点了15道菜,总价830。人均166确实不便宜,但也没有很贵,西贝本来就不是主打性价比的餐厅,我们家是因为孩子喜欢那里的用餐环境才经常去,我个人吃不惯西北菜。 …… 今天还有一件和餐饮有关的新闻,大快人心。 半年前上海有两个17岁的宰种吃完海底捞后,向锅里尿尿的新闻还记得吗,今天一审判决下来了,法院判这两人和其父母累计承担220万的赔偿。 海底捞出事后向堂食客户赔了十倍,2000多万,所以起诉索赔的金额也是2000多万。但法院认为海底捞十倍赔偿是一种商业行为,非必选项,最终只支持220万的基础赔偿。 220万对于普通家庭而言也是一笔绝对巨款,痛,非常痛,这个深刻教训足以两个家庭铭记一辈子,同时也威慑警告其它有类似想法的宰种不要作死,我对这个惩罚力度很满意,这次正义来的很快,很准时。 当时事发后第一时间,海底捞还想息事宁人,呼吁网友不要攻击未成年人​​,称要给他们“接受教训与成长的机会”,并表示追究“恶意传播者”责任。 现在回想真是恶心透顶,海底捞有什么资格替广大消费者原谅?如此恶意行为如果不施以重惩,就会还有宰种在公众头上拉屎拉尿。如此恶劣行为必须付出惨痛代价,谁管你是不是成年人,小孩担不起责任的让父母担,家里没教好就让社会教。 总之听到这个判决后浑身舒坦,效果不亚于看了一部爽剧 …… 美国这两天不是有个31岁的保守派政坛新星被枪杀了嘛,我今天偶尔刷到一个视频,是采访路人大学生怎么看,结果很意外大部分人都表示喜闻乐见,“that's good” 这让我有些好奇死者为什么会争议这么大,就去查了一下他的主要政治主张,以及在舆论场输出的核心观点。看到一半的时候心念一动,打开deepseek和grok,问它们死者对应到中国社会的话,大概是哪一个名人? 结果中国和美国ai的回复出奇的一致,它们认为中美社会形态有巨大区别,所以没有完全类似生态位的名人,但考虑到最大相似度的话,都推荐了司马南。 看到结果我忍不住暗笑,这下懂了。我脑补了一下,如果司马南在某个线下活动中被人抽了两个耳光,我猜评论席幸灾乐祸的人不在少数。 今晚就扯这些,发射。
显示更多
如果你经常使用豆包,这30条指令,让豆包写得比我还像人!(亲测有效,建议收藏,也适用于其他AI大模型) 别再骂AI写的东西像“机器人念经”了,别说豆包写的文章的AI味很重了!其实问题不在豆包,在于我们给她的指令到底像不像人味。 我见过太多人,对着豆包输入“写一篇职场文章”“写一个带货文案”,然后看着输出的干巴巴、冷冰冰、全是套话的内容,摇摇头说“AI根本不行”。 其实不是AI不行,是你根本不会给它像人的指令。 同样是用豆包,有人写出来的东西没人看,有人靠AI日更10篇,篇篇10万+,评论区全是“太真实了”、“说到我心坎里了”。 我的好友莉莉用豆包写了3个月内容,从一开始写啥都像机器,到现在我看她写的文章,都说“你写的东西比真人还真”。莉莉小姐姐则跟我说,她全靠整理的这30条“拟人化指令”。 今天我把她深藏的30条拟人化的指令,毫无保留分享给大家,只要复制粘贴,你也能让豆包写出有血有肉、有情绪、有温度的文字。 先搞懂一个核心:为什么AI写得不像人? 答案很简单:你只告诉了AI“写什么”,却没告诉它“以什么身份写、用什么语气写、写给谁看、要达到什么效果” AI是个超级听话的执行者,但它没有自我意识。你给的指令越模糊,它写出来的东西就越通用、越没有灵魂。 反过来,你给的指令越具体、越细节,它写出来的东西就越像一个活生生的人。 下面精选出来的最常用、最有效的6大类30条指令,你可以直接拿去用。 一、身份代入指令:让AI变成“具体的人” 这是所有指令里最重要的一条,没有之一。 不要让AI当“万能专家”,要让它当一个有年龄、有职业、有经历、有缺点的普通人。 ✅ 直接复制用: 1. 请你扮演一个在工厂打工10年的70后大叔,用你朴实的语言,写一篇关于攒钱的文章,不要讲大道理,只说自己的真实经历。 2. 请你扮演一个刚辞职创业失败的95后女生,用你和闺蜜吐槽的语气,写一篇关于创业踩坑的帖子,情绪可以低落一点,但不要太消极。 3. 请你扮演一个退休在家带孙子的60后阿姨,用你唠家常的口吻,分享3个带娃的实用小技巧。 4. 请你扮演一个月薪5000的北漂打工人,写一篇关于周末宅家的日常,加入吃泡面、追网剧、不想上班这些细节。 心得:用了身份代入后,文章的评论率直接提升了3倍。读者喜欢看的不是专家的说教,而是和自己一样的普通人的故事。 二、语气风格指令:写出不同的“说话感觉” 同样的内容,用不同的语气说出来,效果天差地别。 ✅ 直接复制用: 1. 用“过来人语重心长”的语气,给刚毕业的大学生提5个忠告,不要说教,要像哥哥姐姐一样说话。 2. 用“怼人不带脏字”的语气,反驳一下“年轻人就该多加班”这个观点,要犀利但不要骂人。 3. 用“碎碎念”的语气,写一篇关于女生出门前的准备工作,加入各种纠结和小抱怨。 4. 用“严肃认真”的语气,写一篇关于食品安全的提醒,要让读者感觉到事情的重要性。 5. 用“幽默搞笑”的语气,写一篇关于减肥失败的经历,让读者看了能笑出声。 三、细节填充指令:让内容“有血有肉” AI写的东西空泛,最大的问题就是没有细节。 人会注意到豆浆的温度、油条的酥脆声、老板递餐时手上的油渍,而AI不会,除非你告诉它。 ✅ 直接复制用: 1. 在描述场景的时候,加入视觉、听觉、嗅觉、触觉的细节,比如饭菜的香味、下雨的声音、风吹在脸上的感觉。 2. 不要只说“我很开心”,要通过动作和神态来表现,比如“我激动得跳了起来,手里的奶茶都洒了一半”。 3. 在文章里加入1-2个具体的小例子,不要全是理论。比如写省钱,就写“我昨天买青菜,对比了三家超市,最后省了5毛钱”。 4. 加入一些生活化的口语和语气词,比如“哎”“对吧”“说实话”“你懂的”,但不要太多。 四、情绪共鸣指令:写出“真情实感” 能打动人的永远是情绪,而不是道理。 ✅ 直接复制用: 1. 在文章开头加入一个自己的亲身经历,引出主题,让读者一开始就有代入感。 2. 在描述困难的时候,加入一点无助和委屈的情绪;在描述成功的时候,加入一点喜悦和感慨。 3. 不要写完美的人,要写有缺点、会犯错的人。比如“我当时也犯了一个很傻的错误,现在想起来都后悔”。 4. 在文章结尾,说出大多数人心里想说但没说出来的话,引发共鸣。比如“其实我们努力工作,不是为了大富大贵,只是为了能过上普通人的生活”。 五、平台适配指令:专门写给头条用户看 不同平台的用户喜好不一样,指令也要跟着变。 ✅ 头条专属指令: 1. 按照头条爆款文的结构写,开头用痛点引入,中间分3-5点,每点配一个真实案例,结尾引导评论互动。 2. 标题要包含数字和结果,比如“我靠这3个方法,一个月涨粉1万”。 3. 段落要短,每段不要超过3行,手机阅读体验好。 4. 多用加粗和小标题,突出重点,让读者一眼就能看到核心内容。 5. 结尾一定要加一个互动问题,比如“你有没有过这样的经历?评论区聊聊”。 六、改稿润色指令:把“机器文”变成“真人写的” 如果你已经有了一篇AI写的初稿,用下面这些指令,一键改成真人风格。 ✅ 直接复制用: 1. 把下面这段文字改得像一个普通人在分享自己的亲身经历,去掉所有书面化的表达和专业术语。 2. 把这段文字里的所有“笔者”“我认为”改成“我”,加入一些口语化的词,让它更自然。 3. 给这段文字增加一些细节和情绪,让它更有感染力。 4. 把这段长文拆成短段落,加上小标题,适合在头条发布。 最后说几句: 真的,AI不是洪水猛兽,它是普通人最好的工具。 以前写一篇文章要花3个小时,现在用对指令,10分钟就能搞定,而且质量比自己写的还好。 不要再说自己文笔不好、不会写东西了。在这个时代,会用工具,比会写文章更重要。 你平时用AI写东西遇到过什么问题?评论区说说。
显示更多
决定代码复杂度的东西不在代码里,在写代码的人的脑子里。LLM 碰不到它。 这是 软件工程师 Pol Alvarez Vecino 读完 Peter Naur 1985 年的论文后得出的结论。 为什么 LLM 没法让你的代码更简单 本文最初发表于 Medium( tl;dr:Peter Naur 的《Programming as Theory building》指出,真正的程序——他称之为 Theory,大写的 T——存在于工程师的脑子里。代码和文档只是下游的(因而不完整的)产物。我对 LLM 最大的抱怨之一,就是它写出来的代码有多啰嗦、复杂度是怎样到处蔓延的。我一直抱着一丝信念:也许我们可以用 LoC 或者独立代码路径数量之类的指标来约束它们。然而,读完 Naur 之后我意识到,我们想降低的那个复杂度是 Theory 的复杂度,不是代码的复杂度,而这方面没有任何可用的度量,因为它非常主观。 我最近读了 Peter Naur 那篇精彩的论文《Programming as Theory building》( LLM 能做什么、不能做什么的看法,也改变了我对如何给它们写提示词、当前 agent 系统的主要局限,以及结对编程为何如此有效的看法。 今天我只聚焦它和代码复杂度的关系。 如果你还没读过这篇论文,我真的建议你读一读。说实话,我写这篇文章的主要目的,就是让一些人去读原论文。它值得花这个功夫。这也是练习(或学习!)在 Solveit 里做精读的绝佳机会,因为在 Solveit 里这要容易得多:你可以在阅读过程中随时提问,钻进任何你感兴趣的兔子洞,或者直接让 Solveit 帮你把语言讲清楚。关于精读的更多信息见这篇博文( fork 我的对话记录快速上手( 话说回来,如果你还是决定不读,这里是论文的 tl;dr: 程序是构建和维护它的人所持有的 Theory:一种理解——程序如何与现实世界的问题相关联,哪些约束和权衡塑造了它,它为什么能工作,以及哪些改动符合它的设计。代码和文档是这套 Theory 的下游产物,永远无法完整地承载它。 工程师通过经验发展出这种理解:与用户交谈、观察故障、学习领域知识、观察系统在真实世界中的表现。这种理解指导着对相关性、相似性、简洁性和良好设计的判断。 LLM 不太擅长持续学习,不擅长和用户交谈,也不擅长在真实世界里体验事物。但这和复杂度有什么关系呢? 我想我们都同意:LLM 总体上倾向于让代码库的复杂度上升,如果没人管的话。原因有很多:它们没意识到某个方法已经存在,于是又写了一遍;它们写过度防御的代码,比如为不可能发生的边界情况做防护;或者过早地过度优化。顺便说一句,大多数前沿实验室从你消耗的 token 里赚大钱,所以它们多少有动机去推广 token 最大化。总而言之,LLM 很少遵循 KISS 原则。这个问题在你不看输出、纯 vibe-coding 的时候最严重。但即使你会审查代码,要想让程序保持简洁,也需要主动付出努力去尽量削减复杂度。 在我天真的日子里(大约两周前),我曾以为我们早晚能爬出这个复杂度的大坑。前沿实验室只需要在 RL 训练里加一些复杂度惩罚就行。他们可以用总 LoC 作为最小化的指标,但我们都同意,有时候一行代码比两三行更复杂。另一个选项是圈复杂度(cyclomatic complexity),它衡量独立代码路径的总数。读完 Peter Naur 之后我意识到,这些东西无法真正解决问题(也许能稍微缓解一点)。我们来看看为什么。 为什么代码复杂度是错的指标 在下面这个(我编的)例子里,我们想支持调用 OpenAI 和 Anthropic。假设所有的消息准备和重试逻辑完全一样,只有请求体参数略有不同,于是我们有两个不同的方法 call_openai 和 call_anthropic。 在第一个朴素版本里,我们有两个不同的类,带重复的样板代码(即 prepare 和 with_retries)。 分开 —— 指标会发现重复 class OpenAIClient: def complete(self, prompt): msgs = prepare(prompt) # 公共样板代码 y = call_openai(msgs) # 唯一不同的一行 return with_retries(y) # 公共样板代码 class AnthropicClient: def complete(self, prompt): msgs = prepare(prompt) y = call_anthropic(msgs) return with_retries(y) 一个直接的 refactor 是创建单个类,做到 DRY。按很多指标看这都是更好的实现:行数更少、Halstead 容量更好(V=N×log2(n),N 为程序长度,n 为词汇量)、可维护性指数(Maintainability Index)也更好。 合并版 —— 按指标看确实更好:DRY,行数更少 class LLMClient: def __init__(self, provider): self.provider = provider def complete(self, prompt): msgs = prepare(prompt) y = call_openai(msgs) if self.provider == "openai" else call_anthropic(msgs) return with_retries(y) 一般来说,第二个版本(或者类似减少 LoC 和重复的版本)复杂度更低。但是,如果我告诉你,下个月我们很可能就停止支持 Anthropic 了呢?在那种情况下,我更倾向于让它们保持分开,这样到时候我只要删掉包含 AnthropicClient 的那个文件就行。 当然,这种简单的例子很容易解决,尤其是现在 LLM 可以帮你写代码。但如果你的目标不是 2 个供应商,而是像 LiteLLM 那样支持 165+ 个供应商呢?那种情况下,直接用 LiteLLM 就行。但那样你就把 120 多万行 Python 代码放到了你和最终供应商之间。值得吗? 设计良好的 API 是抽象复杂度的绝佳方式。你有清晰的契约,不需要理解背后发生了什么。即使 LiteLLM 是一个庞大的包,它也可能不计入你的 Theory 总复杂度。LLM 推理端点早期的日子就是这样:「文本进,文本出」。然而,当契约不再可靠时,这一切就会崩塌。原因可能是它有 bug,可能是 API 背后藏着大量你拿不到的状态,也可能仅仅是你不确定某个新供应商特性是否被支持。 每当你被迫窥视 API 抽象层背后的深渊时,那份复杂度就成了你的问题。这个问题正变得越来越普遍。像 OpenAI 和 Anthropic 这样的供应商,越来越多地把数据藏在服务端,比如加密的压缩数据或推理 token(更多讨论见 如果你在快速推进、只用基础功能、想尝试很多供应商,那么 LiteLLM 或类似的库可能值得用。反过来,如果你看重控制力、调试和对技术栈的理解,那可能就不值得。不存在「正确的」复杂度(虽然我非常偏好第二种选择)。 进入 Theory 决定走哪条路的信息不在代码里。这些信息属于 Naur 所说的程序的 Theory 的一部分。迄今为止,LLM 几乎接触不到这些信息,因为它们活在人的脑子里。它们可以从 IM、邮件或其他书面文档里得到一些线索,但那些永远只是局部的(最好的情况下)。 其中一些信息可以作为上下文提供给 LLM,比如业务优先级、预期的产品变化、运维约束,以及早期决策背后的原因。这样做也许能改善它的选择,但这些仍然只是 Theory 的产物。它们无法完整地传递团队发展出这套 Theory 所依赖的经验和判断。 这些都很好,但如果我全身心投入 vibe-coding 和 token 最大化、完全不在乎代码呢?那样的话,这篇博客后面的内容说服不了你。如果你处于两者之间,我来描述一个我们在 亲身经历的真实情况,关于 Solveit 的计费系统。 剧透警告:在 最初的计费系统 Solveit 是一个平台,你可以在里面用 AI 在一个类 notebook 的环境里工作。环境是持久化的,所以我们对 LLM 用量、CPU、磁盘、内存和带宽收费。 最初的计划是向用户收月度订阅费(比如 5 美元)。这笔月度订阅费变成当月可以消耗的积分(credits),如果全部用完,下个月之前就得充值。我们先在一个更小的项目里测试了这套方法来验证它。 这套方法后来证明比我们想要的更复杂。第一,积分 + 订阅的机制会把人(比如我自己)搞晕。第二,它让代码在多个层面上更复杂。你得处理「先消耗月度订阅积分、再消耗普通积分」的所有逻辑,以及剩下的积分怎么办。在 Stripe 这一侧,它有两个不同的代码路径:手动充值和订阅服务。 对不熟悉的人来说,Stripe 订阅是一个全托管服务。Stripe 管理整个生命周期(扣款周期、发票、重试全在他们那边)。 你大致只需要这样创建订阅: stripe.Subscription.create(customer=cust_id, items=[{"price": "price_5usd_monthly"}]) 然后监听他们的 webhook,在订阅状态变化或付款到达时更新你的数据库(还有很多其他事件可以选择)。 直接收款则需要你启动一个 checkout session,让用户跳转到 Stripe 的域名填卡。这需要你提供一个 customer ID。那应该在什么时候创建 Stripe customer?用户注册时?他们尝试付款时?还是别的时机?全都是合理选项。 stripe.checkout.Session.create(mode="payment", customer=cust_id, line_items=[{"price": "price_5usd", "quantity": 1}], success_url="") 到目前为止还好吧?如果你对 Stripe 或支付没有太多经验,很可能你已经感到吃力,没法把这一切全装进脑子里。也许你设法把它简化成了: • 订阅 → 交给 Stripe 订阅服务管理 • 充值 → Stripe checkout 一个不明显的问题是:使用 Stripe 托管服务意味着你有重复的数据。一半数据在 Stripe 的后端,而你必须保证本地数据库和它同步。另一个问题是,调试的时候,你既要查 Stripe 的服务,又要查自己的数据库。比如,一笔付款没到账,是 Stripe 没发 webhook(「他们的错」),还是我们没把它存进数据库(「我们的错」)? Stripe 订阅服务很棒、很容易上手,但它是为支持海量用例而设计的。这意味着,即使设计得很好(它确实很好),这个 API 抽象最终也相当复杂。在这种情况下,你在用「卷起袖子自己写代码的复杂度」交换「学习 Stripe API 的复杂度」。 LiteLLM 和 Stripe 在不同规模上展示了同一个权衡:只要契约成立,外部抽象能极大地简化你的 Theory;但每当你需要调试、修改或超出契约去推理时,它隐藏的复杂度就变成你的了。 AAI 的做法 在 经过很多天的探索和讨论,我们最终定下了一个简单得多的系统。 首先,我们只做积分(credits),按用量收费。这是一个超级简单的模型(和 Theory!):充值积分,用多少付多少。 订阅一去掉,我们就可以删掉一大块用来保持同步的代码。剩下的付款路径只有两条:手动充值和自动充值。要做自动充值,你需要能保存客户的信用卡,以便随时扣款。而 Stripe checkout 不会保存信用卡,你只是让 Stripe 在他们的 UI 里处理这次付款。 长话短说,我们最终发现最简单的办法是:用户一注册就保存他们的信用卡。卡一旦在档,用户可以用它手动充值,也可以设置成自动充值。因为全部是我们自己处理的,同步问题几乎为零。我们只监听支付成功事件(没有订阅了!)。 结果就是,我们支付系统的 Theory 可以用一句话概括: 客户注册时添加信用卡,之后我们对该卡扣款——要么手动(充值),要么在余额不足时自动扣。 手动充值和自动充值现在走同一条支付路径。我们整个支付技术栈——拆在 Solveit 和 faststripe 之间——大约 300 行代码。 结果是非常低的复杂度,但这是数小时的探索、尝试和讨论换来的。我这里的解释充其量只是触及皮毛。 印度登场 那么上线那天发生了什么?一切顺利吗?没有。上线后我们发现,印度信用卡不支持你想什么时候扣就什么时候扣的 off-session 扣款。手动充值属于 on-session,仍然可以工作,因为用户会在我们的 UI 里看到一个类似 3DS 的验证流程;但自动充值不行。 在寻找解决方案时,我们发现 Stripe 托管订阅在印度确实能工作。为什么?因为 Stripe 替你绕开了所有这些复杂度。他们提前一天创建并持有 off-session 的支付意图(payment intent),这样银行就能在实际扣款前向用户发送预扣款通知或认证请求。 我们迁移出托管订阅时,就失去了这个特性。我问了一个前沿 LLM——我记得是 GPT-5.5——我们该怎么处理这个问题。你猜它给出的方案是什么? 用回 Stripe 订阅来处理 这个 LLM 提议的正是我们刚刚迁移出来的方案。读到这里,你会怎么说?你的意见是什么?我们应该迁回去吗? LLM 列出了两个选项:要么同时支持两套系统(随时可以开工,你一句话就行!),要么完全迁回旧的系统。我们做了什么?什么都没做。我们非常看重 Theory 复杂度,于是我们决定:让印度用户手动充值就好了(抱歉了各位!),换来一个更简单、更健壮的平台。 如果你不同意我们的选择,反思一下为什么不同意。真的,现在就停下来想一想。 这个问题没有正确答案,而这篇博客的目的之一,就是帮你看清你的答案来自哪里。你的论据是什么?更具体地说,它们是从哪里来的? 有很多场景下 Stripe 托管服务是更优的选择。举几个例子: • 公司收入最重要,手动充值的额外摩擦可能会让我们损失一些印度销售额,那我们应该迁回去(或者同时支持两套) • 销售团队用 Stripe Dashboard 的 UI,所有支付信息都放在我们自己的数据库里并不理想,因为他们没法在那里管理 我的观点是:你的代码的复杂度,真的取决于一大堆和代码无关的因素,而那些信息不在代码里。 隐藏的优势 那么为什么不干脆让 LLM 全权处理这些事呢?在我看来,最妙的答案是:我们的工作方式揭示了一个可能的商业机会。印度不支持 debit mandate(借记授权)的方式和世界其他地方不一样。Stripe 试图解决这个问题,但远远不是一个完整的解决方案。 在理解和简化流程与 Theory 的过程中,我们学到了产品之外有价值的东西。在我看来,这类洞察是可以转化为竞争优势的。 努力去理解,本质上就是一个简化 Theory 的过程。如果你放任 LLM 在复杂度上为所欲为,你可以很快产出大量代码。选择简化路线更长、更费劲,但长远来看我认为它是值得的,而且你可能会在路上发现隐藏的宝石。 原文: #LLM# #编程# #代码复杂度#
显示更多
好剧更新啦!《催眠眼镜》 #成人# #催眠眼镜# #荔枝短剧# #调教# 🔥第一目标佳佳姐,第二目标好友的漂亮女友,第三目标隔壁巨乳姐姐…… 这副催眠眼镜越用越上头,她们接二连三拜倒在他的棒肉下…而目标名单还在增加👓 往下看👇
显示更多
0
0
46
60
转发到社区
为什么现在中国人糖尿病越来越多?真相被很多人忽视了 最近十几年,中国糖尿病、高血糖人群呈爆炸式增长,且越来越年轻化。抛开遗传、老龄化因素,最大的元凶,其实是全民过量吃水果、摄入超标果糖。 很多人有个致命误区:觉得水果健康、多吃无害。 但真实数据很扎心:目前中国人均水果摄入量,稳居全球第一,属于断层式领先。葡萄、橘子、哈密瓜、榴莲、苹果、樱桃、冬枣……这些大众最常吃的水果,全是高糖、高果糖品种。 老一辈人以前逢年过节才吃水果,现在家家户户日常无限量敞开吃,饭后吃、追剧吃、天天吃、顿顿吃。长期过量摄入果糖,就是现代人高血糖、糖尿病的隐形元凶。 很多人只怕米饭的葡萄糖,却完全忽略了果糖的危害远超葡萄糖。 葡萄糖主要升高血糖,而果糖不刺激饱腹、直接代谢入肝脏,危害是全方位的: 超负荷堆积肝脏,诱发脂肪肝、胰岛素抵抗;持续损伤胰腺功能,彻底打乱糖代谢;同时诱发内脏肥胖、血管硬化、骨质损伤。 更可怕的连锁反应:果糖是尿酸最大元凶,大量吃高糖水果,既催出糖尿病,又催出痛风、三高。 比乱吃水果更伤身体的,是鲜榨果汁。 很多人自诩养生,天天喝自制果汁,殊不知这是“纯糖水暴击”。 水果最宝贵的膳食纤维被全部过滤丢掉,剩下的只有浓缩果糖,喝一杯果汁,相当于直接灌糖,升糖速度、代谢负担比吃糖块还恐怖,长期喝极易喝出糖耐量异常、糖尿病。
显示更多
这个剧情可以拍个三季起步的美剧了吧! 你们知道在美国被骗6000万元人民币的币圈女富商是谁吗? 文中写的 这位 矿池在巅峰时期据称曾占到全球比特币总算力的9%,中国西南省份一家算力科技有限公司的CEO, 目测是万有算力 / Valarhash 的吕咏双。 证据一:Valarhash/万有算力旗下产品包括 BytePool、1THash、1TMine、Nelson 算力管家。MinerUpdate 在 2019 年报道说,BytePool 和 1THash 合计占比特币全网算力超过 9% 证据二:公开资料里,成都万有算力科技有限公司注册地址在四川省成都市成华区建设路8号1栋2层1号,就是西南省份。 证据三:美国报道里也有提到,Al Zubair 兄弟诈骗案中,最大部分涉及一名中国投资人,损失约 1780万—1800万美元; 兄弟俩声称拥有 Nela Park 工业园,要做加密货币矿场,诱使对方运去 1000 多台矿机,后来矿机被截走并转卖。 所以大概率就是万有老板了! 这个手法本质上和我之前的经历如出一辙:我的原文《一顿价值80BTC的日料,真他娘的下饭!》 除了我也被收割过,这么些年我身边这样的朋友被骗也不少,我后来发现越有钱的人,越容易被“更高阶层的幻觉”收割。 真正可怕的局,是他娘的骗子很会啊,他会的是什么? 是刚好讲了一个你内心想相信的故事:王室资源、政府关系、海外矿场、电力资源、特殊通道、独家机会、别人接触不到的圈层。 谁不想进入更高级的牌桌?财富越大的人,越想的就是升级身份。再加上对自己赚取太多财富过于自信,所以往往不太会相信自己会被骗。/
显示更多
0
14
43
2
转发到社区