为什么越来越多人愿意“自己搓一个工具”？Vibe Coding正在发生什么变化？ 微博VibeLab AI 创意赛收官了，一共有 2500 多件原创作品，2.4 亿多话题阅读。很荣幸这次是评委一员，有机会翻看了不少优秀的参赛作品，也转发了其中一部分。 一个直观的感受就是软件开发这种事情，不再需要专业人士了，普通人也能 Vibe 一个工具出来。 所以借这个机会，整理总结一下：为什么越来越多人愿意“自己搓一个工具”？Vibe Coding正在发生什么变化？ 一、写代码这件事，门槛和成本都降下来了 写代码以前是程序员的专利，想写个工具，别说学语言框架，搭个环境都费劲的要死，随便一个环境都能把你卡住，像我这样写程序得有很多年的，换个不熟悉的语言，一样也搞不定。 现在借助 AI Agent，门槛一降再降，现在你只要有一个 Agent，会打字或者会语音，都能指挥 Agent 帮你写一个 App 出来。写代码这件事，从以前需要专业技能，到现在变成了语言表达能力。 我自己身上都有明显变化，从以前对 Vibe Coding 的嗤之以鼻，到现在“真香”，每天都大量的在指挥 Agent 帮我写代码。 二、以前的软件，满足不了长尾需求 长尾理论说的是，需求分布是一条长长的尾巴：头部是大多数人共有的需求，尾巴上是无数小众的、个性化的需求。传统软件只能做头部，因为为少量用户单独开发功能，成本上是不合算的。 而且，就算你有个好想法，也很难传递到开发者那里。想象一下一个普通用户的需求要经过的链条： 用户反馈 → 产品经理收集筛选 → 转化成需求文档 → 设计师出设计稿 → 程序员做系统设计 → 编码 → 测试 → 运维部署 每一环都在过滤、都在排优先级。最终大部分普通用户的需求，都被筛选掉了，软件最终只能取最大公约数，做绝大部分人都需要的那部分。 结果就是，市面上的软件很多，但每个人都有一堆“要是能这样就好了”的小需求，从来没有被满足过。 这次 VibeLab 里我印象很深的一个作品是 @机器旁白 做的 SiaoCut 。起因是他看到我做的 BaoCut，很喜欢“转写、像改文稿一样编辑、AI 处理、人工审阅、导出”串成一条工作流的思路，但 BaoCut 只支持 macOS，他是 Windows 用户。放在以前，他只能等我哪天有空做个 Windows 版，或者就此作罢。现在他自己和 AI 一起做了一个，而且不是简单复刻，还在这个过程中想清楚了自己关心的问题：AI 进入剪辑流程后，应该拿到多少数据，能替创作者决定到哪一步。 这就是长尾需求被满足的样子：不需要等别人来做，有需求的人自己就能把它做出来！ 三、Vibe Coding 让成本变低、链条变短 所以以前那种长长的从需求到交付的链条，现在可以缩成简单的几步： 有个想法，让 AI 去设计、制作、部署。 甚至于很多需求根本不需要做成一个有界面的产品。 比如你想每天自动整理某个表格里的待办，或者每周追踪最新的 AI 资讯，这些事让 AI Agent 帮你写个脚本，再让它自己定时调用就行了。 比如 @张铁蕾 开源的 Bridgic Agent 就是这样的作品：输入 /build，描述你的目标，它自己去探路、生成、验证，遇到需要你判断的地方再来问你。做出来的不是一次性跑完的任务，而是可以长期运行、随时修改的工作流。 还有一种更轻的做法：把你的操作流程、经验和偏好写成 Agent Skill，就像一份告诉 AI 怎么做某类事的说明文档，那么以后 Agent 就能按照 Skill 的说明帮你把很多繁琐的事情变成自动化半自动化的操作，大幅提升你的效率。 现在随着 Agent Computer Use（操作电脑）的能力增强，你甚至可以让 AI 观察你操作一遍，然后它自己能把它你的操作录制成 Skill。不需要界面、不用部署，但它确实能替你干活。 四、模型和智能体的能力，一直在变强 现在普通人也能 Vibe Coding，还有一个重要原因是模型能力在变强。 回头看这几年的变化： 最初，像 GitHub Copilot 只能做代码补全，你写一半它提示后半段； 然后，它能根据描述生成一段完整的代码； 后来， Claude Code 能自己在项目里探索，读文件、找上下文，把一个功能完整实现； 现在，主流 Agent 都已经能做设计、写代码，还能帮你操作电脑，打开浏览器自己验证做出来的东西对不对。 模型每上一个台阶，普通人做工具的难度就降一截。VibeLab 期间正好赶上 Kimi K3 发布，很快就有创作者拿它做体检报告工具、做斗地主游戏，还有人把 Claude Code、Qoder、GLM、Kimi K3 混着用。 由此也可以看得出越来越多的人已经不再把 AI 当聊天机器人了，能配合 Agent 把 AI 当干活的工具。 五、变化的还有“做工具”这件事本身的心态 看作品的时候我还注意到一点：很多作品不追求改变世界这种宏大的事，就是想先解决一个具体麻烦。比如说工作流太碎、长辈不听劝、拍照没人帮、看不懂热点，作品的起点都是这样一个一个具体的痛点。 最初微博在设定大赛规则的时候，把赛道拆进职场、生活、视觉、微博这些具体场景，现在看来还挺有道理的，因为这确实能激发人 Vibe 的冲动，想去用 AI 解决生活中的问题。 其实这次参赛的作品也不都是工具。@世界第一裹凉皮 把 32657 位诗人、933857 首诗做成了一个三维宇宙 ；@德里克文 的「华夏博物志」把全国博物馆收进一幅可以点开的中国画 ；@海辛Hyacinth 把三星堆&金沙文物变成了互动场景 。这些作品看起来似乎不像工具那么实用，但让我们看到 Vibe Coding 不只是提效，也可以服务于文化和审美。 以前想做这样的东西，需要一个团队，现在一个人，不需要会写程序，有自己的想法加上 AI 就可以试试看。 最后，如果你也想自己搓一个工具，我的一点建议： 从写一个 Agent Skill 开始。 这是成本最低的方式：不用部署，不用界面，把你希望 AI 帮你做的某类事情写清楚就行。做一次，发现哪里不对，改一改，很快就能用起来。 顺便推荐下我的书《图解 Skill》，也是不错的 Skill 入门书籍。 如果要做网页或者 App，不用一上来就让 AI 把整个东西做完。 建议分步走： 1. 先和 AI 一起讨论需求，把你想要什么说清楚，让它复述一遍，确认理解一致。 2. 先做原型。也就是用模拟数据，只看长什么样、怎么操作，不接真实逻辑。原型的好处是改起来成本低，修改容易，就算推翻重来都很快。 3. 再做 MVP（最小可行产品），只做一个最核心的功能，先做一个小的能跑的东西出来。 4. 再慢慢迭代，有了 MVP 了，能跑起来了，就可以慢慢迭代，一次加一个小功能，AI 能处理的过来，你也验收的过来，日积月累，慢慢会变成成熟的软件。 做完一定要验收。 从头到尾按一个真实用户的路径试一遍，AI 说做完验收完不一定靠谱，还得自己上手用用。 注意安全。 涉及钱、隐私、账号权限的东西要格外小心，拿不准的地方去找专业人士问一下。就像 SiaoCut 的作者给 AI 划定了边界：AI 只拿到任务所需的文本和时间戳，不碰原始媒体，处理完只生成待审建议，最终由人决定。这样的思路值得借鉴。 最后说一句，做出来之后，发出来。 这次 VibeLab 里不少作品原本只是作者电脑里的一个 Demo，发到微博之后被讨论、被转发，有的还上了热搜。对于自己动手做东西的人来说，“作品被看见”是最好激励，也是下一次迭代的开始。

如果你会清理C盘垃圾，你将是公司的“电脑专家”！ 如果你会做一个简单好用、并且没有广告的垃圾清理小工具，那你将是所有女同事心中的“IT之神”！！ WIN系统电脑的清理工具其实很多，我用最多的是一些大神从大厂软件里剥离出来的“绿色单文件版”，只保留垃圾清理这一个功能！足够轻量简单！ 为了在女同事面前露一手，突发奇想干脆自己做了一个和我同名的C 盘清理桌面小工具。 界面尽量简单，没有广告，也不去塞一堆看不懂的“高级功能”。 但Codex额度没了！！ 于是我打开了OpenCode ，在OpenRouter上翻了好一阵牌子，最后选了蚂蚁 @AntLingAGI 新发的Ling-3.0-flash！！ 蚂蚁最近动作太频繁了，正好也试一试这个新模型！！ 我把需求拆成了几步，UI、清理引擎、扫描测试分阶段执行，让它持续读取项目、修改代码、运行程序，再根据实际结果继续调整。 结果还真是出乎意料，整体给我的感觉很快，而且很有章法！ 不是“一句话就生成完整软件”，每一步都是动态的， 我负责确定功能、边界和安全规则，它负责高频写代码、执行修改和处理反馈。 还别说，这种flash模型真的很适合干这种需求明确，工程不算复杂的任务！ 就是不知道后面官方会怎么定价，按照蚂蚁的习惯，应该很快会开源的！！

Kiro 注册教程：免费白嫖 Claude Opus 4.7 Pro 一个月 Kiro 是 AWS 做的一个 AI 编程 IDE。但重点不是编程。 重点是你注册之后，能用它的 Pro 套餐跑 Claude Opus 4.7。而且是免费一个月。 Opus 4.7 是 Anthropic 目前最强的模型，4 月刚发布，100 万上下文窗口。 正常用官方 API 按量付费，但走 Kiro 的 Pro 套餐，1000 credits 一个月，够日常大量使用。 关键操作就几步，但每一步都有细节，别跳 第一步：注册新账号 打开 Kiro 登录页面：链接在评论区 用 Google 或 GitHub 注册。注意，一定要新号。 如果你之前注册过 Kiro，那个号没有这个优惠。 注册完先别做任何操作，直接下一步。 第二步：升级到 Pro 套餐 登录之后，进入套餐选择页面，选择 Kiro Pro 进行升级。 进入支付页面之后，才会显示实际价格。 第三步：进入支付页面确认金额 进到支付页面，如果显示金额是 0.00 美元，说明你走对了。 这时候用信用卡完成 0 美元订阅就行 第四步：取消下个月的自动续费 操作路径： ▸ 点击 Manage Plan 进入套餐管理 ▸ 选择 Kiro Free 套餐 ▸ 点击 Confirm 确认修改 完成后，你当前的 Pro 免费试用仍然正常使用，但下个月不会自动扣款了 简单说就是：白嫖了一个月的 Pro，然后降回免费套餐，一分钱不花。 日常写代码、跑分析、写文章完全够用。 在模型选择里切换到 Claude Opus 4.7 就行。 如果找不到，看看区域是不是在 us-east-1 或 eu-central-1。 一个月用完后，如果觉得不够，再考虑要不要付费续。 但至少这一个月的 Opus 4.7 是实打实的免费 但忘了取消续费，下个月就被反薅。

刚才看了一会system design，翻到一个概念叫back-of-envelope calculation 说白了就是估算数量级，不用精确到个位数，但得先有个数量级的直觉 书里举的例子是估算Twitter的存储开销，假设日活多少、平均每条推文占多少字节、图片视频占比多少，几步乘下来，一年大概要多少存储 这套东西看着简单，其实是工程师很重要的一个素质，真正做系统设计的时候，没人指望你一开始就给出精确方案 但你得知道，这个系统大概是要扛百万级请求，还是十亿级请求，数量级不同，整个技术选型都是完全不同的路子 单机数据库还是分库分表，同步写还是异步队列，全看你这个粗估算得准不准

VPS 速度慢就一定是机房烂吗？不一定。一半的便宜机问题卡在 sysctl 默认值——那套参数还按十年前同机房 100M 标准在跑，不做设置根本跑不满你本地的带宽。 不动应用、不换线路，三个地方调一下就能多挤出 30-50%： 先看 BBR 开没开 新内核大部分默认开了，但是很多 OVZ / 老 CentOS 底子的老系统常常没开。这是地基，地基没打就别折腾别的，这也是最简单的一种方式。 TCP 缓冲区按带宽放大 默认那档是给同机房内网设的，针对你不同的硬件和延迟不是匹配的，收发缓冲区得拉大才接得住。需要按照自己的实际情况去调整，根据延迟、机器内存、CPU去做动态设置效果最好。 mtr 跑一段，按结果动态调 每条线路的延迟和丢包模式都不一样，参数也得跟着变。不会算的搜「迷之调参」，填 CPU / 内存 / 网卡速率三项自动生成，比抄博客准（网站链接我放评论区了）。 使用上这几步，基本上在垃圾的VPS网上也会有所提升，但是最后还是不理想，那就没办法了掏钱上优化线路了，如果你有更好的方案也可以评论区分享一下。

AI 没有 App。 它存在于 ChatGPT 的网页里、Claude 的侧边栏里、Perplexity 的搜索框里。 每一次想用 AI，你得： 打开浏览器 → 找到标签页 → 等页面加载 → 登录 → 粘贴问题。 就这几步，足够让人选择不用。 @mira_tg 的逻辑是反过来的。 AI 应该去人那里，而不是让人来找 AI。 Telegram 有 10 亿月活。你已经在群里聊天、工作、看行情了。 为什么还要跳出 Telegram 去用一个 AI 工具？ 直接长在 Telegram 里。你在群聊里 @mira，它就能帮你做任何事： 整理会议纪要、排日程、生成内容、抓取信息、追热点趋势。 接入了 900 多个服务——Google Calendar、Notion、Gmail、GitHub、Canva。 不用切换 App。不用重新登录。不用学习新界面。 数据跑得怎么样？ 200 万用户，50 万月活。月环比翻倍。 三分之一的用户是在群聊里看到别人用，然后自己开始用的。 病毒式分发，零摩擦。 5 万多个群组，每天产生 30 亿日活文本代币。 为什么在 Telegram？ 这不是随便选的。 Web3 项目天然依赖社区。社区天然聚集在 Telegram。 如果你能让用户在他们已经待着的地方提供价值，就不需要说服任何人下载任何东西。 mira只是让这件事变得简单。 你需要什么，就在聊天框里 @ 它。 AI 最大的门槛从来不是智能不够。 是你愿不愿意为了用一次 AI，多打开一个页面。 AI 应该去找你，而不是让你来找 AI。 #MiraInTelegram#

Velvet：把链上交易从多平台操作，变成一个统一入口 链上交易正在变得越来越碎片化。 过去，一个交易者想捕捉链上机会，往往要同时盯住： 不同链、不同 DEX、不同钱包、不同数据看板、不同交易工具。 机会可能出现在 Solana，但你的资金在 Base； 新的叙事可能先在 BNB Chain 爆发，但你还在 Ethereum 上等待跨桥； 某个早期资产突然在 Robinhood Chain 或 Hyperliquid 生态出现热度，但真正等你完成桥接、换 Gas、找交易入口、确认路由时，最好的入场窗口可能已经过去了。 这就是 Velvet 想解决的问题。 —————— ฅ՞• •՞ฅ —————— @Velvet_Capital 不是单纯做一个交易页面，而是在构建一个面向 SocialFAI 时代的全栈交易平台。 它把： 跨链交易 AI 分析 社交发现 组合管理 Perps 开发者 API Intent-based Execution 放到一个统一体验里。 让用户不必在多个工具之间来回切换，而是更快完成： 发现机会 → 判断机会 → 执行交易 → 管理仓位 这一整套流程。 —————— ฅ՞• •՞ฅ —————— Velvet 已覆盖 BNB Chain、Solana、Base、Hyperliquid、Ethereum 等网络，并进一步支持用户在 Solana、Base、Robinhood Chain、BNB Chain 等生态之间进行更顺滑的跨链交易。 它背后的核心逻辑其实很清楚： 链上市场不会等你完成复杂操作，所以交易平台必须帮用户把复杂度藏到后台。 在 VelvetX 中，用户可以连接一次，然后在多个市场中寻找资产和完成交易。 跨链交易不再是： 桥接 → 等待 → 换 Gas → 找流动性 → 再下单 而更接近一个简单的交易意图： 我想买什么？ 我想卖什么？ 我想在哪里执行？ 剩下的路径、路由和执行，由 Velvet 的基础设施处理。 —————— ฅ՞• •՞ฅ —————— 这对活跃交易者很重要。 因为链上 Alpha 的本质，很多时候不是你能不能看到信息，而是： 看到信息之后，能不能足够快地行动。 速度不是多点几下鼠标，而是少走几步路。 Velvet 的跨链能力、AI Copilot、SocialFi 发现机制和移动端 VelvetX 结合起来，正在把链上交易从： “工具堆叠” → “统一操作系统” —————— ฅ՞• •՞ฅ —————— Crypto 的下一代交易入口，可能不会再是单一 DEX、单一钱包或者单一数据网站。 而是一个能够：理解用户意图、连接多链流动性、整合社交信号、辅助交易执行的智能交易层。 这也是 Velvet 的想象空间所在： 不只是交易更快， 而是让交易者更早发现机会、更快理解机会、更低摩擦地执行机会。 #Velvet#

用随机梯度下降来优化人生 by 李沐大神 这篇文章，我反复诵读，时有收获 要有目标。 你需要有目标。短的也好，长的也好。认真定下的也好，别人那里捡的也好。就跟随机梯度下降需要有个目标函数一样。 目标要大。 不管是人生目标还是目标函数，你最好不要知道最后可以走到哪里。如果你知道，那么你的目标就太简单了，可能是个凸函数。你可以在一开始的时候给自己一些小目标，例如期末考个80分，训练一个线性模型。但接下来得有更大的目标，财富自由也好，100亿参数的变形金刚也好，得足够一颗赛艇。 坚持走。 不管你的目标多复杂，随机梯度下降都是最简单的。每一次你找一个大概还行的方向（梯度），然后迈一步（下降）。两个核心要素是方向和步子的长短。但最重要的是你得一直走下去，能多走几步就多走几步。 痛苦的卷。 每一步里你都在试图改变你自己或者你的模型参数。改变带来痛苦。但没有改变就没有进步。你过得很痛苦不代表在朝着目标走，因为你可能走反了。但过得很舒服那一定在原地踏步。需要时刻跟自己作对。 可以躺平。 你用你内心的激情来迈步子。步子太小走不动，步子太长容易过早消耗掉了激情。周期性的调大调小步长效果挺好。所以你可以时不时休息休息。 四处看看。 每一步走的方向是你对世界的认识。如果你探索的世界不怎么变化，那么要么你的目标太简单，要么你困在你的舒适区了。随机梯度下降的第一个词是随机，就是你需要四处走走，看过很多地方，做些错误的决定，这样你可以在前期迈过一些不是很好的舒适区。 快也是慢。 你没有必要特意去追求找到最好的方向和最合适的步子。你身边当然会有幸运之子，他们每一步都在别人前面。但经验告诉我们，随机梯度下降前期进度太快，后期可能乏力。就是说你过早的找到一个舒适区，忘了世界有多大。所以你不要急，前面徘徊一段时间不是坏事。成名无需太早。 赢在起点。 起点当然重要。如果你在终点附近起步，可以少走很多路。而且终点附近的路都比较平，走着舒服。当你发现别人不如你的时候，看看自己站在哪里。可能你就是运气很好，赢在了起跑线。如果你跟别人在同一起跑线，不见得你能做更好。 很远也能到达。 如果你是在随机起点，那么做好准备前面的路会非常不平坦。越远离终点，越人迹罕见。四处都是悬崖。但随机梯度下降告诉我们，不管起点在哪里，最后得到的解都差不多。当然这个前提是你得一直按照梯度的方向走下去。如果中间梯度炸掉了，那么你随机一个起点，调整步子节奏，重新来。 独一无二。 也许大家有着差不多的目标，在差不多的时间毕业买房结婚生娃。但每一步里，每个人内心中看到的世界都不一样，导致走的路不一样。你如果跑多次随机梯度下降，在各个时间点的目标函数值可能都差不多，但每次的参数千差万别。不会有人关心你每次训练出来的模型里面参数具体是什么值，除了你自己。 简单最好 。 当然有比随机梯度下降更复杂的算法。他们想每一步看想更远更准，想步子迈最大。但如果你的目标很复杂，简单的随机梯度下降反而效果最好。深度学习里大家都用它。关注当前，每次抬头瞄一眼世界，快速做个决定，然后迈一小步。小步快跑。 只要你有目标，不要停，就能到达。