東方宮闕 · 鳳儀 | MJ出图Seedream5Pro优化提示词分享 使用Akool AI视频聚合平台 @AkoolInc 概念分镜設計 #Midjourney# MJ8.2 分镜細節優化 #Seedream# Seedream5Pro 影片生成 #Seedance# Seedance2.5 Film by @KishenArt ------------------------- --提示词分界线-- Reimagined, futuristic Oriental Heavenly Palace, cinematic‑world architecture, volumetric fog, floating dreams, grain, atmospheric perspective, surreal materials, futuristic Oriental mythology, ARRI Alexa 65 cinematography, 35mm film grain, shallow depth of field, cinematic masterpiece, epic Oriental sci‑fi fantasy, 8K ultra‑detailed #AIart️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️️# #AIphotograper# #AI寫真# #AI創作# #东方美学# #巨构美学#

很快地，再45天左右，今年的TRE台北國際成人展就要登場了。 . 除了大量的女優外，今年TRE最大的特色就是有大量日本寫真女星搶灘，很多在我X上推薦追蹤名單的強者即將來台，今天就來介紹第一位，在「MERA」攤位等待大家的「斎藤恭代(齋藤恭代)」： . MERA是一家在2024年成立的寫真片商，非常擅長發掘女星們最美麗的一面，大家有空可以前去官網看看他們的作品，我會把網址放在留言中；而這次在攤位等待各位的斎藤恭代(齋藤恭代)來頭相當大，1996年生，身高173公分，E罩杯，憑藉著出色的臉蛋和高挑的身材讓她自選美比賽脫穎而出，當過偶像、模特兒、2017年的時候，她成為世界四大選美之一「地球小姐」的日本代表再上國際舞台，去年、也就是2024年，她勇奪寫真女星大賞總冠軍，就算你完全沒關注日本寫真界應該也聽過她的名字，就是那麼厲害〜 . 她的優勢在哪兒？自然是9頭身的超完美比例，有多完美？在日本她有著「AIグラビアに匹敵」、也就是不輸AI寫真之稱，而且與其他寫真女星不同的是斎藤恭代(齋藤恭代)不只個子高人一等，受過模特兒訓練的她走起台步自帶氣勢架勢十足，在TRE的時候大家可以好好觀察ー . . 怎麼與這位名模級的寫真女星互動？很簡單，你現在就可以上JkFace，加入會員䐟入紅鑽，您可以一次和MERA這次帶來的四位寫真女星合體，但我建議一位一位攻略細品她們的特色風味更佳，互動的方式、可以預購的商品以及斎藤恭代(齋藤恭代)出場的時䦔表MERA都做出淺顯易懂的圖片了，請大家多多支持！　 . #斎藤恭代# #齋藤恭代# #奇蹟的九頭身寫真皇后# #SaitoYasuyo# #TRE2025# #MERA# #請追蹤她們的社群# #8月8日到10日# #台北市南港展覽館二館# @yasuyosaito4 @topm_ymg

越是自己了解的领域，用 AI 越容易生气。 让 AI 写前端：真是又快又好！ 让 AI 写 iOS：好像还行，丑了点但能用。 让 AI 写 Android：什么玩意儿这个布局你怎么用 margin 不用 padding 这样用户可触摸面积会变小啊啊啊啊…

所有拿Claude Code/Codox写代码的人，必须看这个高星项目！ 它不是万能Prompt，是TypeScript大神Matt Pocock公开的.claude工作流：一个个SKILL.md，把和AI协作时的工程规矩写死。 怕的是AI太积极：只想改个bug，它顺手重构半个模块；只想看报错，它顺手加个新依赖。不确定？它不问你直接猜。 这套SKILL的牛逼在于：让Claude动手前先读代码、先拆计划、不确定先问、别乱扩scope、别为了优雅牺牲可维护性。 AI写代码真正该关心的不是怎么写，而是边界在哪。 Prompt解决一次问法；Skills解决以后的每一次。 你要是建自己的skills目录，第一条规矩怎么写？ 🔗

大家都说 AI 写代码爽，真到自己用它写测试软件，调了三天基础还没改好，脑阔痛。😵‍💫 看来 AI 框架给得挺快，但深水区的 Bug 还是得靠自己硬啃。 没别的，继续深入死磕，看看到底是哪里出了问题！😂

美国企业花了 400 亿搞 AI，95% 没有回报 赚到钱的那 5% 做对了什么？ AI 时代最大的陷阱是 “做很酷的东西” 🦊 Cursor 不酷，它只是让写代码变快了。Harvey 不酷，它只是帮律师省了时间。ElevenLabs 不酷，它只是让任何人都能做配音。 真正的护城河 = 垂直数据 + 分发渠道 + 工作流嵌入，不是模型本身 (Claude 和 GPT 不是你的，你也做不了，开发模型要花很多钱) 95% 的 AI 项目烧钱，因为它们在炫技 剩下 5% 在印钞，因为它们在省人力 MIT 2025 年的一份报告我看简中推几乎没人讨论，数据非常惊人： 1、美国企业在生成式 AI 上投了 350-400 亿美元，但 95% 的 AI 试点项目没有产生任何可衡量的 P&L 影响 2、14000 家 AI 创业公司有 40% 在 24 个月内死亡 与此同时，赚到钱的那 5% 公司却赚到离谱 先来看看炫技派们的墓碑 🪦 1、Builderai：微软投的，估值 15 亿，融了 4.45 亿美元 号称 AI 自动生成代码，实际上是后台靠 700 个印度工程师手写，破产时账上只剩 500 万 2、Jasper AI：AI 写文案的标杆。2023 年营收峰值 1.2 亿美元。2024 年暴跌到 3500 万。跌幅 70%。原因很简单：ChatGPT 的文案能力变好了，用户不需要一个"套壳"了 AI Wrapper 数据显示：8500 家活跃 AI Wrapper 公司 只有 2-5% 月入超过 1 万美元，24 个月累计失败率 80-85% 再看看赚钱的有多赚钱 💸 1、Cursor：零营销：17 个月做到 10 亿 ARR，又 3 个月翻到 20 亿 ARR Slack 用了 5 年，Zoom 用了 9 年，Cursor 不到 2 年就做到了 2、Harvey（法律 AI）：3 年做到 1.9 亿 ARR 42% 的美国顶级律所在用。估值 110 亿 3、ElevenLabs（语音 AI）：ARR 超 3.3 亿 从 33 亿估值飙到 110 亿，只用了 3 个月 4、Perplexity（AI 搜索）：ARR 自 2022 年以来增长 1900% 为什么垂直 AI 能赚 10 倍？ 顶级 VC Bessemer给了一个清晰的框架： 传统 SaaS 争夺的是企业 IT 支出——仅占 GDP 的 1% 垂直 AI 争夺的是劳动力支出——占 GDP 的 13% 美国劳动力市场 11 万亿美元，企业软件市场 4500 亿美元，差 24 倍。传统 SaaS 捕获一个员工价值的 1-5%，AI 可以捕获 25-50% Harvey 不是在卖 AI，它是在卖律师的时间 一个 AmLaw 100 律所的初级律师年薪 $20 万+，Harvey 替代掉他 30% 的工作，省下来的钱是任何 SaaS 订阅费的几十倍 而每个赛道都有“Cursor 时刻” 💡 ▪️法律：Harvey 1.9 亿 ARR，Casetext 被 Thomson Reuters 以 6.5 亿美元收购 ▪️医疗：Abridge 估值 53 亿（AI 环境记录），一家医院用 AI 做保险验证，年增收 230 万 ▪️会计：Basis 估值 11.5 亿（AI 报税），CPA 事务所效率提升 30-50% ▪️房产：EliseAI 估值 22 亿，PropTech AI 投资年增长 42% 不是做更通用的 AI，而是做某个行业的"替代人力" 给我的启发是 1、数据"无聊"的 AI 其实最赚钱： 例如 AI 发票自动化、合同审核、销售线索生成，叙事不性感但有人月入 25 万美元 2、90% 的员工在用"影子 AI"： 只有 40% 的公司有官方订阅，但 90% 的员工每天在用个人 AI 工具（牛马们自费开 Claude 写代码，我真的哭死）需求是真实存在的，只是企业产品没跟上 3、AI 公司到 1000 万 ARR 只需 2.5 年 传统 SaaS 需要 6 年 4、最大 ROI 不在销售和营销，在后台自动化 如果你想赚钱，3 条路线可以思考，或者和你的 AI 多讨论 A：做垂直 AI 工具 找一个你熟悉的行业（律师、牙医、房产中介）用现成 API 包装成行业专用工具，月费 SaaS。AI 一直强，重点看你有没有行业 know-how 和分发渠道 B：做 AI 集成 帮企业接入 Claude/GPT API，做定制化部署 MIT 数据说外购成功率高 3 倍，但企业不会自己接（或担心数据风控风险）他们需要人帮忙 C：做"无聊"的 AI 自动化 发票、合同、客服、数据录入。没有人会把这些发到 Product Hunt，但它们的 ROI 最高 今天早上我在公司开会时说： 赚聪明人的钱很难很难，因为聪明人自诩聪明，你能想到的一切他都会自己搭，最好赚的其实是傻子的钱 怎么找到傻子和如何赚到傻子的钱 think think 再 think

拿遍硅谷顶级 lab offer 的人，写的ML面试指南 刚看完一篇 ML Research Scientist 面试指南，作者是 Silvia Sapora，PhD 做 ML，最后拿到了 DeepMind、Isomorphic Labs、Cohere、Meta和一家 stealth startup 的 offer，最后去了 DeepMind。 文章讲了很多实操指南，比如他说ML 求职已经越来越像一个工程项目、顶级researcher也会因为没准备面试而挂（原文里说，她认识很多极强的人，就是因为没准备而被拒）。感觉国内顶级researcher的面试也大概是这样。 总结一下看完体会最深刻的点，希望最优秀的研究员们，都能找到顶级的工作，不要因为没准备好面试，让才华短暂被埋没。 希望对大家有用。 1/ 拿到面试前，就是看简历 大家也可以按这个方向完善自己的履历： 3 篇以上一作/共同一作顶会 paper，至少一次大厂/前沿实验室实习，才比较稳定拿到 top lab 的 callback。 这里还有几个小细节： a.cold email 可能比想象中有效。尤其是直接写给 hiring manager 或团队成员，不要重复 CV 上已经有的东西，而是要讲清楚：你为什么 fit 这个 team，你为什么真的对他们的工作感兴趣。 b.cover letter 不要完全交给 LLM 写。可以让 LLM polish，但原始内容最好自己写，要有真实兴趣和个性。 c.LinkedIn / X 上的岗位信息要对看。很多 internship / research role 可能只通过某个 researcher 的帖子和 Google form 流出来。 2/ 一旦进面试，忘掉CV 但一旦进入面试，CV 基本就没用了。 很多面试官甚至不会仔细看你的简历。你有再多 ICLR / NeurIPS / ICML paper，这时候都没什么用了。 面试现在已经非常“杂技化”。 LeetCode、ML coding、debugging、ML fundamentals、LLM/RL/diffusion、system design、research discussion，全都可能问。 说白了，更像是一个压缩版竞技项目：45 分钟内，在陌生人注视下，把你平时几个月慢慢想、慢慢查、慢慢 debug 的东西，现场做。 b.这里有个很实用的方法。 每次面试前，她会把JD、公司、面试类型丢给 LLM，让它 mock interview，而且实际问题经常撞上（笑死，毕竟我估计问题也是AI写的）。 她还列了一张 baseline 清单，能在限时下从头写出来，才算状态在线： ① 端到端实现一个 transformer ② causal / cross / self attention ③ flash attention，以及它的 backward pass ④ MLP 的前向和反向 ⑤ 用 PyTorch 或 JAX 写一个带 SGD 的训练 loop c.还有个细节，越到顶级 lab，越不能靠“我懂这个方向”混过去。他们会问到非常基础，也会问到非常细，甚至会问你熟悉领域里最容易被忽视的部分。 3/ 情绪管理 她说自己最严重的问题是睡不好。一周 10 场面试的时候，整个人快被榨干。她还吃不下，看到食物会反胃，最后只能靠猛灌可乐补糖续命（她也说了，这不是什么最优解，只是她当时能想出的唯一办法）。 她还有一套面试前仪式：背景里插一束新鲜的花、化妆、看同样几个 comfort 视频。 听起来很琐碎，但我觉得非常真实。高压面试最可怕的，不一定是你不会，而是你明明会，但脑子突然空白。 4/ 谈薪是一场暗战，而且你大概率被读穿了 一天最好只排一场面试；先面自己没那么想去的公司练手；让不同 offer 尽量落在同一个窗口。 然后，主动告诉每家公司你还有其他流程。听起来很“职场”，但这些真的会影响最后结果。 到了谈 offer 阶段，peer offer 的重量也完全不一样。OpenAI / Anthropic / DeepMind 这种互相之间的 offer，才真的有谈判筹码（这部分大家都熟练了）。 这部分不要太信“谈判要像盲拍、别亮底牌”那套，好几家公司明确要求她出示竞争 offer 的截图才肯加价，有一家甚至当场质疑她截图的真假（lol）。 而且 recruiter 极其会读人。你多频繁提一家公司、用什么语气谈论它，全都是会被记录的信号。一旦对方知道自己已经是你的首选，你的谈判筹码基本就没了。她说自己很透明、很好读，所以在这上面吃了点亏。 唯一让人稍微松口气的是：公司真的想要你的时候，能报的数字比你以为的大得多。永远值得开口问，多数公司愿意谈。 其实她的履历已经很顶了。但她复盘下来，最有用的结论反而很朴素：做研究，和通过 ML 面试，是两套能力。

我现在真的看不了AI写的书了 最近开始去图书馆找一些旧书看 过去的作家有自己的性格 经历和个人色彩 读的时候能感觉到背后是一个活生生的人 AI写出来的东西很完整却少了人的味道 没有人类的个性也无法真正理解人类的苦难🙏

AI 写代码太快了，怎么查看变化内容变得更困难，在线 PR 查看效率太低了。 我一直在使用 IntelliJ IDEA 作为我的主力 IDE（现在是主力代码查看器）。 官方 Git 插件看本地 Changes 还行，但我真正需要的是：持续看“当前分支 vs 目标分支”的 diff。👀 Commit 面板只能看本地差异，GitHub / GitLab 插件又不适合我们这种特殊 Git 源码服务器。 今天发现一个 IntelliJ 插件：Git Scope，解决了我进入 AI Coding 时代后一个很大的痛点。🚀 Git Scope 刚好补上这个洞：可以和任意 branch / tag / commit 做对比。🔍 装完之后感觉 IDE 终于适配 AI Coding 工作流了。✨