AI 自动完成 CST 电磁仿真任务。 Codex 通过我开发的 CST MCP 和 CST Simulation Workflow Skill，自动控制 CST Studio Suite 完成一个汽车 77GHz 毫米波雷达电磁仿真案例。 整个流程从自然语言对话开始，由 Codex 自动调用 CST MCP 完成项目创建、参数化建模、材料设置、4 端口激励、Open/Add Space 边界设置、E/H/Farfield 监视器配置、Time Domain Solver 求解，以及 S 参数结果导出。 Codex + CST MCP 控制专业仿真软件完成自动建模、求解、导出与结果验证的真实演示。 #CodeX# #CST# #MCP# #自动建模# #AI工具# #电磁仿真# #GPT#

🧮 离谱，MathModelAgent 能把数学建模比赛从读题、建模、写代码到出论文一路自动跑完。 MathModelAgent 在 GitHub 已经 4700+ star，最近 10 天连发了 5 个版本。更意外的是，作者自己说这是个边学边写的练手项目，单次任务成本大概 1 块钱。 打过数模比赛的都知道，三天里建模、编程、写论文轮轴转，代码报错一卡就是半天，论文排版还得熬通宵。 它把这三件事拆给三个 agent：建模手分析问题、定模型，代码手写代码、跑数据、自己纠错，论文手把结果写成论文。内置 17 套 Typst 论文模板，国赛、华数杯、华为杯、美赛都有。桌面版 Mac 和 Windows 都能装，里面已经带好 Claude Code 和全套 skills，不用自己配 Python、Node.js、Redis。 作者也写得很清楚：AI 生成的内容只能参考，靠它直接拿国赛奖还不现实。 拿来当队友打草稿、验证思路，已经能省下不少通宵。 GitHub：

ChatGPT 5.6 Sol接管Ansys，有限元仿真全流程自动跑通！ ChatGPT 5.6 Sol自动驱动 Ansys 完成有限元结构仿真的全过程。从几何建模、材料与接触定义，到载荷边界、三档网格收敛和非线性求解，模型都能自动执行并逐项校核。 这是一套三耳板销轴双剪连接结构的有限元仿真：中间耳板承受拉力，两侧外耳板固定，载荷通过销孔接触传递到销轴。 ChatGPT 5.6 Sol 不仅能自动后处理生成应力、变形和接触压力云图，还能识别最差网格单元、检查反力平衡，最终输出完整的仿真验收报告。 #有限元仿真# #AI仿真# #ChatGPT# #Ansys# #CAE#

聪明人说话尖锐并非刻薄，而是源于认知层面的高效筛选机制。 这类人存在认知扭曲低容忍度，会对模糊表达、无效铺垫产生生理排斥，大脑会自动过滤冗余信息，直接完成逻辑建模。与其模仿说话风格，不如采用开门见山的方式，提供简洁清晰的有效信息，真诚比客套更能获得信任。他们并非难相处，只是不愿在无意义的社交铺垫上耗费时间。能否在沟通中精准输出有效信息，决定了与这类人的相处深度。 所以珍惜你身边总能对你一阵见血评论的朋友吧，你可能会不爽，但打心里知道他说的是有道理的那种，当然如果有第三者在还是知道收的人😂。。。

为什么自己摸自己和别人摸的你差别这么大？ 第一层：预测抑制：大脑会提前预测自己发出的触感，并自动“降敏”，所以感觉会变弱。 第二层：不可预测性：别人带来的触碰无法提前建模，大脑会自动提高警觉与感知强度。 第三层：社会信号：触碰不仅是物理刺激，还包含关系信息：亲密、信任、边界进入。 第四层：控制权差异：自己触碰是完全可控的；他人触碰意味着你在被动接收，敏感度会上升。 第五层：注意力聚焦：自己触碰时注意力分散在动作执行；他人触碰时注意力集中在感受本身。

🧪 炸裂！这个开源项目能把论文、新闻和监管文件自动整理成随时查得回来的量化研究知识库 GitHub 上 2.6K stars，对应论文 arXiv 2509.21507，已被 NeurIPS 2025 GenAI in Finance Workshop 接收。 做量化研究，真正吃时间的不是建模，是天天翻 arXiv、盯新闻、扒监管文件，看完记两笔，过一个月想找回某个结论，只能在截图和笔记里大海捞针。QuantMind 把这些材料处理成带类型、带引文、带时间戳的结构化知识，论文用 PaperFlow 收，新闻用 collect_news 收，批量丢进去用 batch_run，随手粘一段文字也能解析。 存下来之后本地就能语义搜索和推理式检索，找的是结论，不是关键词。工程上也不含糊，验证脚本按固定顺序跑代码检查、类型检查、导入边界检查和测试，持续集成用的是同一个脚本。评测基准 quantmind-bench 和 SEC 文件采集还在路线图上，暂时没有评测结果。 研究做久了才发现，稀缺的不是信息，是查得回来的信息。 GitHub：

真的看腻了网上一群无知者的集体狂欢，堪称科技圈最大的笑话，没有之一。 随便刷一刷舆论场，满屏都是学历认知双匮乏的普通人，拿着自己一知半解的零碎信息，大言不惭辩论自动驾驶的路线之争。纯视觉、激光雷达、多传感器融合，明明是涉及算法逻辑、硬件算力、工程落地、场景冗余的高端技术博弈，是行业顶尖工程师反复迭代、实测验证的专业课题。 结果一群初中、高中毕业，连基础传感原理、二维图像建模、三维点云测距都搞不懂的门外汉，张口就评判孰优孰劣，肆意指点行业方向。说得头头是道、煞有介事，实则全程跟风复读、人云亦云，本质就是猪脑子被流量牵着鼻子走，沦为资本和舆论操控的工具，蠢得可笑又可悲。 更极致的讽刺还在后面。 这群高谈阔论、肆意否定自动驾驶技术的人，恰恰是路面驾驶素质最差的一批人。日常开车变道不打灯、跟车过近、超速乱开、应急车道乱窜，情绪驾驶、预判为零，驾驶水平连行业基础及格线都够不上。 说实话，如今普及的L2级辅助驾驶，稳定性、安全性、反应速度、路况预判，全方位吊打绝大多数普通人的人工驾驶。更不用提持续迭代的高阶自动驾驶技术，早已规避了人类疲劳、浮躁、预判失误的所有致命短板。 最需要自动驾驶兜底保命、纠正陋习、规避事故的人，是他们；最看不懂技术、无脑抹黑排斥自动驾驶、跟风质疑技术路线的人，也是他们。 无知却好为人师，无能却酷爱指点江山。自己一身短板，却看不起精准迭代的硬核科技，拿着浅薄认知亵渎专业，用愚昧对抗进步。 这世间最滑稽的悖论，大抵莫过于此。

最近经常刷到，有人用 GPT-6 Astra 一句话做出能开的飞行模拟器、能玩的卡丁车游戏等有趣案例。 awesome-astra-prompts，这份列表收集整理了 211 个例子，每条都有提示词、成品预览图或视频、原帖链接，有源码的也附上。 覆盖 Blender 建模、Three.js 浏览器场景、Unreal 和 Unity 游戏，从黑洞渲染、乐高 1999 赛车重制到北京天坛祈年殿的网页 3D 都有。 GitHub： 提供了 14 种语言版本，中文目录是单独一份文件，仓库每天同步两次，新案例会自动进来。 想拿 GPT-6 Astra 试着做 3D 场景或小游戏，可以在这里找自己感兴趣的案例进行复刻。

团队每天的招聘与面试量越来越大 于是这两天，给团队的「AI面试管家」系统进行了一次大的升级 核心是实现更自动化、更智能的四端协同：AI面试系统+GitHub+飞书+Codex 1、AI面试管家主系统 负责候选人、简历、AI自动首面、自动面试报告、反馈、排期、数据分析报告、同步状态等核心业务数据，相当于整个招聘流程的业务中枢 2、GitHub资料仓 GitHub仓库，作为招聘流程的协作空间，每个候选人都有自己的资料目录，流程阶段会自动通过目录、workflow.json、candidate-index.csv和Git commit来记录和流转 这意味着，一个候选人的流转过程，本身就形成了一条天然的版本化证据链 3、Codex Skill 承担本地智能操作层的角色，每位面试官主动拉取候选人资料包，生成评估，写入初试/复试反馈，保存排期，提交飞书任务、面试反馈与数据分析等 4、飞书执行层 通过飞书CLI，实现自动建立面试日历、私信和催填提醒，后台worker负责异步任务、失败重试和状态回写，包括面试数据周报同步等 整个流程大概是这样： 1、HR或候选人上传简历，系统异步解析结构化信息 2、候选人完成AI首面后，系统保存问答、对话历史、关键词和评分 3、报告生成服务异步产出HR版和候选人版报告，系统Agent自动同步到GitHub资料仓 4、同事可以在GitHub或Codex中查看候选人资料及相关信息，基于资料包生成评估，写入反馈 5、如果反馈结果是pass，候选人会自动进入GitHub仓库的下一阶段目录；如果是reject或hold，则只更新状态和反馈记录，不移动目录 6、当面试排期确定后，系统创建飞书日历任务，worker异步执行，并在面试后1小时和3小时自动发送反馈催填提醒 对面试官而言，核心的协同与互动界面变成了Codex，其它终端都自动协同和流转 这个架构里，我觉得最有意思的地方有几个： 1、数据库保存业务主数据，GitHub保存协作证据链 2、招聘流程被GitOps化，阶段变化、反馈记录、目录移动都可以追踪 3、本地Agent主动拉取，既能实现智能协作，又能控制安全边界 4、飞书任务全部异步执行，日历、通知、提醒之间可以故障隔离 5、AI负责事实抽取和建议，人负责结论、理由和责任判断 6、候选人不再只是后台表里的一行记录，而是一个可携带、可版本化、可回写、可触达的数据对象 在这套系统里，候选人被重新建模成了一个贯穿AI面试、GitHub协作、Codex本地Agent和飞书触达的状态对象 这让招聘流程同时具备了四种能力：自动化效率、人工责任边界、组织招聘过程记忆、运维可追踪性