前两天有个社科的学妹在做算法抵抗相关的课题，需要收集问卷访谈，来找我聊作为用户体验收集。 其实我很少有被算法控制直观感受，在我看来算法只是个客制化工具，对于一个习惯了提供资料来换取更好体验的用户而言，我一直觉得打不过就加入吧🌝。 我是小红书重度用户，而且很熟悉自己的推荐流，常规的泛流量内容、我长期关注的垂直内容（比如Fintech)，都是贴合我兴趣的正常推送。当首页突然出现化学、工程这类和我无关的专业小众内容时，我第一反应是怀疑由于我和爱好该领域的朋友在社交媒体有频繁互动所以推给我了（简单来说就是ta污染了我的时间线） 但这种推送内容如果不难理解的话我也会看完，这种内容可以透过算法窗口去看到我朋友的视野。 我还有种微妙的感觉，算法往往比人更早察觉人际关系的变化。很多时候亲密关系出现裂痕之前，平台就会主动推送相关情感内容🌚 可能是因为跨平台的数据追踪会捕捉到我们细微的行为变化：购物记录、人际关系相关内容的浏览痕迹之类的。 算法的底层逻辑是拉长用户使用时长，没有主观操控人的意图，却会在无形中推理出我们的私人情绪与生活状态。算法抵抗的原因也是因为很多人对这个结果感到隐私上的冒犯。 尽管web2大厂宣称会保护用户隐私，但用户在这个议题上仍然是弱势的。又回忆起我当时兴致勃勃跑来web3的原因了😮‍💨

暴走一天的流汗褲褲～ 穿破了哈哈 最近好熱喔 雖然有點風 但白天在外面待一下就在大爆汗 這件內褲穿好久了 想快點賣掉 喜歡快私訊我 TG防走失 記得看留言～ #Tammy原味# #分泌物# #女大生原味# #原味內褲# #胖次# #聖水# #二手淘汰# #愛液# #蜜汁# #原味賣家# #客制# #燕窩# #usedpanties# #戀物#

干什么活就用什么AI，分享我的自用AI工具清单 我把日常8大工作场景的最优工具整理出来了，都是我亲自跑通流程的 不是全网最全，但一定是最实用的 1. 学习 & 研究 核心需求：抓信息、消化长文、生成笔记、深度学习 最优工具： NotebookLM：把一堆 PDF、网页、视频转成播客，开车的时候听，学习效率直接翻倍，现在跑在 Gemini 3上，理解能力比去年强太多 YouMind：我自己在用的 AI 创作工作台，搜索、整理、生成一条龙，特别适合需要反复迭代的内容项目 ，一站式学习工作台 Perplexity / Gemini 3：实时研究用这两个，Gemini 速度快还免费，背靠google搜索庞大的数据，信息的搜索没得说，Perplexity 引用更规范 使用建议：日常快速问答用 Gemini，复杂研究用 Claude + Perplexity 组合拳 2. 写作 & 内容创作 核心需求：生成草稿、优化文案、创意输出 最优工具： Claude Sonnet 4.5永远的神：复杂写作、长内容的首选，写出来的东西最像人写的 3. 编程 & 开发 核心需求：写代码、调试、自动化、快速构建产品 最优工具： Cursor：$60/月（20刀属实不够用），AI IDE，堪称AI编程届的鼻祖了，AI调教水平绝对是遥遥领先的 Claude Code：$20/月起，$100/月，深度推理能力最强，1M token 上下文窗口，高手必备 v0 / Lovable / Manus：自然语言转web，不会代码也能做产品 n8n / Make / Zapier：工作流自动化，把重复劳动交给 AI 使用建议：新手从 Gemini CLI 起步，准备投入就上 Cursor 或 Claude Code 4. 图像生成 & 编辑 核心需求：海报、设计、商业 KV、修图 最优工具： Nano Banana Pro / GPT Image 2：高质量生成，文字排版准确，商业场景能直接用 Ideogram：2026年最可控实用的图像生成工具 Midjourney / Flux：创意艺术向，适合做概念图和插画 使用建议：一套提示词可以输出多场景（门店海报、地铁广告、小红书封面） AI 时代最稀缺的不是工具，是审美 5. 视频 & 动画 核心需求：短视频、广告、数字人、唇同步 最优工具： Seedance 2.0：2026年5月登顶 Artificial Analysis 排行榜第一，支持9张图+3段视频+3段音频混合输入，适合从自己的素材库构建视频 Kling 3.0：电影级单镜头最长15秒，4K/60fps，多镜头故事板，角色一致性最强，原生音频支持5种语言唇同步 Veo 3.1：Google 出品，综合质量最强，真人对话的逼真度天花板 HeyGen：数字人、唇形同步、多语言翻译，商业场景首选 使用建议：没有单一最佳工具，根据场景选 需要从自己素材生成→Seedance 2.0 需要电影感长镜头→Kling 3.0 需要最真实的对话→Veo 3.1 6. 音频 & 音乐 核心需求：配音、翻译、音乐生成、播客 最优工具： ElevenLabs：声音克隆、情感配音，质量最稳定 Suno ：音乐生成，从哼唱到完整编曲 Gemini TTS / Podcastle：播客制作、多语言翻译+唇同步 7. 效率 & 自动化 核心需求：会议纪要、任务执行、一人公司运营 最优工具： Manus：端到端 Agent 任务，让 AI 真正帮你干活 飞书：会议纪要自动生成 Dify / Coze：国内自动化平台，搭建自己的 AI 工作流 Zapier / Make：连接各种工具，打通数据流 2026年，AI 是用来真正提升生产力、实现商业变现的 干什么活，就用什么 AI

《不明白播客》目前正在寻找一位能长期并肩作战的硬核制片人。该岗位为全职远程办公，我们希望你拥有时政、社会或深度财经新闻的从业经验，有深度的内容审美和独立判断。有意者欢迎邮件发送简历，请在邮件中聊聊你最喜欢/最想吐槽我们哪期节目，以及你的作品，发送至bumingbaipod@gmail.com @LiYuan6

#新聞會客廳# 一些西方國家為何會流傳藏族、維吾爾族被壓制的謠言？美國記者上官傑文（Jason Smith @ShangguanJiewen）觀察到，為了削弱中國，瓦解中國的凝聚力，美國政府曾不惜砸重金支持一些企圖分裂西藏和新疆的團體，並收買一些學者編造謊言。針對這些謠言，他在中國新聞網“#新聞會客廳”中告訴記者，通過實地走訪後即可發現，西方相關敘事中，99#%的內容都會不攻自破。@MFA_China @thechinese1984 @Xizang_Today @XinjiangUpdates

十多年前，计算机极客唐杰和杨植麟还是一对师生，梦想着制造出能像人类一样思考的机器。如今，二人已跻身中国AI领域的领军人物之列，其分别创立的公司智谱和月之暗面估值均达数百亿美元，让美国AI先驱们警惕地感受到了压力。

《播客如何毁掉美国 How Podcasts Ruined America》是Michael Tracey于2026年6月24日在Compact杂志发表的评论文章。 作者认为，播客正严重腐蚀美国公共话语体系。它以“对话”取代传统“采访”，鼓励嘉宾随意猜测、散布未经证实的阴谋论，而无需事实核查或严肃追问。这种轻松、娱乐优先的模式虽帮助特朗普2024年竞选绕过主流媒体赢得选举，但也制造了大量噪音和误导。作者以特朗普政府商务部长Howard Lutnick为例：他在播客上随意谈论Epstein“性敲诈”阴谋，后被国会质询时辩称“那只是播客上的猜测”。这暴露了播客对精确性的漠视。文章批评Joe Rogan等播客主导的“默认阴谋论”文化（default epistemic conspiracism），算法奖励耸人听闻内容，导致公众对重大议题（如伊朗战争、Epstein文件）的认知扭曲。传统媒体的边界也被侵蚀，公众人物更愿选择友好播客，避免问责。

月好何时重照客，年愁今夜未到乡～ 人妖母狗阿莹在东方明珠的注视下用自己存酿了好多天的人妖精液给冰奶制作生日蛋糕，将精液射在蛋糕上后，再和冰奶一起吃掉阿莹味的巧克力精液蛋糕，旁边的东方明珠静静地看完了这一切～@bingnaisama Under the watchful gaze of the Oriental Pearl Tower in Shanghai, the shemale bitch cums all over the chocolate cake before sharing it with her shemale sisters. Mmm… that shemale-flavored cake tastes so damn good~ #吞精# #femboy# #sissy# #男娘# #射精# #人妖#

这期播客是 The Pragmatic Engineer 对 OpenAI Codex 团队负责人 Thibault（Tibo）的访谈，聊了 Codex 的诞生、技术决策、工程文化以及软件开发方式的变迁。 以下是核心要点： 个人经历与加入 OpenAI Thibault 是比利时人，学应用数学出身，先后做过制药供应链优化的创业公司，在 Google 做过加速移动网页的项目（后被砍掉，让他学到了要时刻审视项目真实影响力的教训），之后在 Google Maps 做评论，再转到 DeepMind。在 DeepMind 期间，他参与了一个内部聊天机器人的开发——本质上就是 ChatGPT，但比 ChatGPT 早了一年。内部传播很快，大家都在分享对话，但 DeepMind 不具备把它作为产品发布的机制，最终没能推出。 后来他得知 ChatGPT 只有大约 20 个人在维护，这让他既震惊又觉得很有吸引力——这意味着极高的个人影响力。于是他加入 OpenAI，进去就赶上了推理模型的冲刺，大约一个月后 o1 preview 就发布了。 为什么用 Rust 写 Codex 这是一个反直觉的决定——当时模型对 Rust 的支持并不好，业界其他 AI 编码工具基本都用 TypeScript 或 Python。但团队从第一性原理出发，认为智能体的核心需要健壮、安全、高效，而 Rust 的编译时验证特性天然适合智能体场景。同时用不同语言也强制建立了产品界面和智能体核心之间的清晰边界，避免代码耦合。事实证明 Rust 确实"很快就变得非常适合智能体开发"。 开源和模型无关的策略 Codex CLI、SDK 都是开源的，而且支持非 OpenAI 模型——这在主要 AI 实验室中是独一无二的。理由很实际：如果不开源，别人只需改十行代码就能 fork 出一个支持其他模型的版本，那还不如自己直接支持。开源的好处包括新员工入职前就已经熟悉代码库、社区贡献、以及逼迫自己靠模型和产品体验赢用户而非靠锁定。 代价也很明显：竞争对手会在你还没发布的时候就抄走你正在公开开发的功能，"确实有点刺痛"；还有大量低质量 PR 需要处理。 工程文化与代码审查的变革 新员工入职后听到最多的一句话是"你问过 Codex 了吗？"——因为 Codex 在 OpenAI 内部接入了 Slack、文档、所有代码，几乎任何问题都能给出不错的回答。 代码审查正在发生质变。OpenAI 开发了专门的代码审查模型，能在逻辑推理和安全漏洞检测上达到"超人水平"——可以深入三四层依赖去发现文档错误导致的不变量违反。安全审查已经是强制自动化的，发现安全问题会直接阻止合并。一个 PR 可以当天提交、当天上线到十亿用户的 ChatGPT 上。 代码审查的角色正在从"正确性检查"转向"意图讨论"——你到底想做什么？这件事值不值得做？这种讨论不一定要围绕代码发生。 维护成本和重构的变化 维护一直是软件工程的"税"，但现在大量维护工作（依赖升级、安全补丁）可以完全自动化。更重要的是，重新架构的成本也急剧下降——以前可能要花几个月甚至几年的重构，现在快得多。但好的架构设计反而更重要了：设计好"盒子"和不变量，盒子内部随便改都不影响其他部分。 Harness 与模型的关系 一个有趣的洞察：harness（工具/脚手架）总是"走在模型前面"。Codex 团队的工作本质上是为模型搭建拐杖——提醒它跑测试、保持目标一致等。然后下一代模型训练时会把这些能力内化，拐杖就可以去掉，developer message 也会越来越短。最新一代模型已经不再需要 /goal 命令来保持长期任务的专注，"你直接告诉模型去工作一周，它就真的会做到"。 Codex 与 ChatGPT 的合并 这是一个重大工程挑战：Codex 原本完全本地运行，ChatGPT 是托管云服务，两套完全不同的技术栈要统一。目标是让云端版本具备本地版本同样的能力，同时高效到能纳入 20 美元/月的 Plus 计划。ChatGPT Work 模式本质上是在云端虚拟机里运行完整的 Codex harness，机器配置强大到用户可以在里面训练模型、安装 Blender 做 3D 建模。 有趣的是，Codex 在整个合并过程中还充当了"记者"角色，因为它能访问所有 Slack 讨论和文档，记录了团队的辩论和决策过程。 Thibault 的个人用法与建议 他大量使用手机上的 ChatGPT Work，通过语音口述发送任务，定制了专属的技能和指令来生成他能高效消化的报告和幻灯片。任何问题——公众舆情、生产日志、功能使用率分析、团队动态——30 分钟内都能得到答案。周末他还会用 Codex 做代码探索和原型，"一天之内就能把脑子里的想法变成可以展示给人看的东西"。 对工程师的建议：保持深度好奇心，训练自己快速理解系统的能力（"五个为什么"不断追问），以及与你服务的用户群体保持同步——如果你无法清晰表达意图，就很难做出好的工作。