“你的心跳好快，隔著衣服都能感覺到呢。” ——『葬送的芙莉蓮-尤貝爾』 "Your heart is beating so fast. You can even feel it through your clothes." ——『Frieren: Beyond Journey's End-Übel』

葬送的芙莉莲精灵cos(Frieren: Beyond Journey's End cosplay) VS 法国黑人@madbrosxxx 本公主360部视频已在台湾fansone平台上架 永久电报群也已经更新400+完整视频欢迎入🚪只要520RMB自助机器人 两者都支持Alipay/WeChat/USDT/visa等各种支付方式🙏

冷知识：这个世界上很多国家的文盲率都比美国低。54% 的美国成年人的阅读水平低于小学六年级水平 😅 这也解释了为什么特朗普会发表很多我们难以理解的狠话，而红脖子们或许还很喜欢他的发言。刷到了个视频对比奥巴马和特朗普有关一次相似的行动事件演讲对比： 奥巴马： "...but his death does not mark the end of our effort. We give thanks for the men who carried out this operation. " 特朗普： "...If you're a normal person you say knock knock, may i come in? He died like a dog, a beautiful dog, a talented dog, and i don't get any credit for this but that's okay. " 咱就是说一个正式的电视演讲，“他死得像条狗” 是不是有点面向文盲了吧 这个冷知识还是前几天看 @AntonLaVay 提到才发现的，太幽默了

Kimi K3 这两周好像把整个 AI 圈都搅动了一下，中英文媒体也都写了一轮。 简单回顾一下：7月16日开放了API，7月27日就放出了完整权重。2.8T参数、1M上下文、原生多模态，目前好像是能公开下载的最大规模开源模型了。 不过参数大也不代表实际能力就一定强，还是要看第三方测试比较靠谱。在 vals .ai 的 SWE-bench Verified 榜单上，K3拿到了 93.40%，总排名第四。前面是 Claude Opus 5、GPT-5.6 Sol 和 Claude Fable 5。在开源模型里是第一名。 预测市场里现在的各种市场已经越来越多了，体育、电竞、加密、金融等，各种规则和结算口径混在一起。光靠人工把盘口挨个看完，就要花掉大半天。 所以最近大家都开始研究怎么让 AI 帮忙，批量抓取规则，监控 LP 报价，写一些自动化脚本。 看了一些测评，K3 在前端页面和视觉还原方面很强。还有一次性读取大量代码和接口文档，也是它比较适合切入的场景。 @predictdotfun 上正好有一个盘口叫：Best Chinese AI Company end of August? 预测截至 8 月底，哪家中国 AI 公司会排在最前面？结算依据是 arena .ai 的 Text Arena 榜单，以 8 月 31 日当天的排名为准。目前中国公司里，Moonshot 排在第二，前面是阿里的 Qwen，两家的分差非常小。 #KimiK3# #开源模型#

最近值得关注的不只是AI政策本身，而是执行方式正在变细 Nvidia在加强客户尽职调查，削减部分地区的授权客户数量；美国也开始讨论开源模型的监管边界 AI管制正在从简单的出口限制，转向最终使用者审查。往后模型、算力、芯片，都可能进入ultimate end user的监管框架 AI全球化的路径，大概率会变得更碎片、更区域化

Google Developer 这场圆桌干货真多。 Google Developer 这场圆桌讨论含金量非常高，推荐所有的程序员和产品经理都可以看看。 几位嘉宾都是谷歌非常资深的工程师和管理者，他们分享了各自对接下来程序员职业发展的看法，应该是我今年听过最有见地和接地气的判断了。 下面是我的笔记： 1、程序员应该主动放下对语法的执念。过去学习一门语言，往往要花大量时间记忆各种语法细节。 现在这些工作越来越适合交给 AI。真正值得投入精力的，是理解这门语言为什么这样设计、适合解决什么问题，以及不同技术方案背后的取舍。语法越来越容易获得，判断力反而越来越稀缺。 2、Senior Engineer 的定义变了。过去资深工程师的价值，是能写出别人写不出来的代码。 现在资深工程师的价值，更多体现在理解复杂系统、拆解复杂问题，以及做出正确的权衡判断。 面对同一个需求，他知道哪些方案适合业务长期发展，哪些方案只是看起来很先进，实际却会带来新的复杂度。 3、AI 正在模糊职业边界。谷歌有团队做过一次统计，一周时间里，软件工程师大部分时间都在补文档、写设计文档，而 UX Researcher 反而开始写代码。 过去很多需要跨团队协作的事情，正在被 AI 压缩到一个人身上完成。 确实，AI 会让每个人获得一些跨领域能力，但大多数时候只能达到入门水平。产品经理能写一点代码，工程师能做一点设计，研究员能做一点原型。 但真正的竞争力，依然来自自己专业领域里的高级判断力。 4、AI 时代，内部文档的重要性反而在上升。当团队开始大量使用 Agent，相当于团队规模突然翻倍，而且新增成员几乎没有任何背景知识。 如果设计决策、业务规则和历史上下文没有被记录下来，再聪明的 Agent 也很难发挥作用。 5、AI 时代最危险的事情是把思考让渡给 AI。 很多人现在写代码的方式是，把需求告诉给 AI，让它生成，错了再让 AI 修改。 时间久了之后，系统虽然还能运行，但自己已经说不清楚为什么这样设计、为什么这样实现。 这就是所谓的 Cognitive Debt。 AI 给出答案之后，不验证、不质疑、不追问，直接接受，表面上效率很高，实际上是在逐步放弃自己的判断能力。 短期看是在省时间，长期看是在搭纸牌屋。等系统真正出问题的时候，你会发现自己根本不知道它为什么会这样工作。 6、以前开发者负责的是实现路径，诸如用什么语言、什么框架、怎么写每一行代码。 现在越来越多时候，开发者要描述的是 end state，也就是最终想要什么。 你要把问题、目标、约束、边界、质量要求讲清楚，然后让 AI 去实现。 但这件事没那么简单。不是随便写一句 prompt 就完了。 你得非常清楚地知道：什么叫 done，什么叫 good，用户真正要解决什么问题，系统要满足哪些质量标准。 比如功能正确只是 done 的一部分，性能、可访问性、交互体验、稳定性，也都应该写进意图里。 7、架构能力正在往下沉。以前可能只有高级工程师、架构师才经常考虑系统拆分、模块关系、通信方式。 现在只要你用 Agent，你就得想这些问题。 比如，一个任务应该交给一个 Agent 跑一天，还是拆成十个 Agent 各跑一小时？哪些任务适合后台跑？ 哪些任务必须人盯着？一个 Agent 的职责边界在哪里？多个 Agent 怎么协作？这些都已经变成普通开发者也要面对的问题。 8、很多人把 AI 当工具用，但更高阶的玩法是把 AI 当成一个持续成长的协作者。 真正有价值的动作，是分析 Agent 的错误。Agent 为什么会犯这个错？是上下文缺失？规则不清晰？还是需求本身有歧义？ 很多人遇到错误之后第一反应是赶紧修复。 但优秀的工程师遇到错误之后第一反应是总结。因为修复一次错误，只能解决今天的问题。理解错误产生的原因，才能解决未来的问题。 9、一个特别实用的方法，是把 AI 当成一个专门挑刺的导师。 代码写完之后问它：我漏了什么逻辑没？哪里会出问题？别人会怎么反对这个方案？文档写完之后也问同样的问题。 很多时候最有价值的，是让 AI 帮我们发现自己看不见的盲区。 10、不要把忙碌误认为生产力。 很多人喜欢吹嘘说自己同时启动了 20 个 Agent 干活，并行在干 10 个任务，看起来很厉害。 理论上确实可以同时开很多个 Agent 干活，但人的注意力不能并行。Agent 多了以后，我们可能会花大量时间分配任务、检查结果、修正方向，最后看起来很忙，其实生产力不一定高。 真正重要的能力，是知道哪些事情应该交给 Agent，哪些事情必须自己深度参与。 忙碌和有产出是两回事。 11、不要试图跟上所有变化。AI 时代很容易陷入一种错觉，好像每天都有新工具出现，自己只要慢一步就会被淘汰。 一个具体的方法是，给自己设定固定的实验预算。比如每个月认真研究一个工具，或者每周固定留出几个小时做实验。 适合自己的就留下，不适合自己的就快速放弃。 变化越来越快之后，真正重要的能力已经不是追热点，而是筛选热点。