註冊並分享邀請連結,可獲得影片播放與邀請獎勵。

Russell
@Russell3402
05年大学生 用AI连续创业 Syntax Studio | Lucius 增长 AI-native Creative Studio 帮助产品完成市场表达与商业叙事
267 正在關注    10.6K 粉絲
一个很多人都不知道的功能 GPT可以查看记忆 并且你可以向他对你的记忆提问 赶紧去试试看GPT眼里的你是什么样的吧
我是 Russell,05年,985在读 以前是一个挺典型的小镇做题家,天天埋头学习,从年级倒数一路卷到年级第一,对自己最狠的时候每天只睡4个小时,午饭晚饭吃奥利奥 之前很长一段时间,我对人生的理解都很简单:好好读书,考上好大学,以后的生活应该就会好起来 我很认真地相信过这件事。所以拿到录取通知书的时候,除了高兴,还有一种终于熬出来了的感觉 我以为最难的一段已经过去了。 但进了大学,接踵而来的挑战、痛苦和迷茫反而越来越多 过去至少知道自己为什么努力:题不会就学,分数不够就继续练 到了大学,突然要自己决定往哪走了 我喜欢什么,适合什么,以后靠什么生活,这些问题并没有一个标准答案(那会网上没有那么多关于大学生的认知内容) 我开始发现,自己花了很多年学习怎么完成一个目标,却没有多少机会练习,怎么替自己选一个目标 后来就开始往外走,开始折腾 大学里学C/C++、刷算法题,后来又自学前端,从网页做到应用,尝试把自己的想法做成软件。 2024年到2026年初,前前后后做过5款,3款成功上线,真正跑得不错的只有1款(10万用户量 但是付费比例不高) 这里的每一款产品,我都寄予过厚望,也都花过时间、投入过期待,做的时候,我也从来没觉得自己是在准备一个失败案例 我还做过电商,拉当时很好的朋友一起做,结果大家都把钱亏进去了(一群人没一个懂电商的) 知道生意可能会亏钱,和真的亏掉自己的钱,感受差得很远 尤其是你已经花了很多心思,还是没有得到想要的结果,会忍不住反复问:到底哪里出了问题?还要继续吗?是不是自己根本不适合? 有些弯路走完以后,我也没有立刻想明白 后来,我从写代码、做产品,慢慢做到了增长和企业服务。 现在在做自己的工作室 Syntax Studio,主要帮企业做AI广告视频和营销内容 也接触了不少企业,参与AI应用的落地。真正跟客户聊需求、承担交付以后,才发现,会用AI和能把一件事情负责到底,中间还有很多东西要学。 到今年8月,之前近3个月的AI服务收入大约10万元,自媒体、商单和咨询合计大约3万元 今年4月,我才正式开始认真做这个推特账号,写到现在也快半年了 通过这里认识了很多人,也遇到过贵人的提携。能慢慢做到今天,有自己的摸索和坚持,也有别人给过的信任和机会。我很感谢这些帮助 自己走到现在,很多事情是自己一点点试出来的 有些问题,回头看并不复杂,但在当时,因为不知道该问谁、没有参照,可能就会困住自己很久 我有过这种时候,也知道有人愿意认真听你讲完,再告诉你一点他实际经历过的东西,或者一些建议,会让人踏实很多 我仍旧希望赚很多的钱,但我也不希望,自己只是把分数换成收入,继续等一个足够漂亮的数字,来证明自己的人生终于没问题了。 我已经把这样的期待放在一张985的录取通知书上过一次 往后,我更想知道的是:离开一张现成的考卷,自己究竟能做出什么 能不能把一门生意认真经营下去,能不能做出几样被人需要的东西,也能不能在自己有余力的时候,给别人一点具体的帮助。 希望再过几年,我能拿出更好的成绩 也能遇到一些朋友,说起我们刚认识的时候,他们还在犹豫要不要开始,后来真的把自己的东西做出来了 我会觉得,这个账号做得挺值得 所以,关于AI、做产品、做内容,或者刚开始尝试赚钱、刚刚读大学时遇到的问题,都可以直接私信我 我也是一边读书一边自己摸索,所以很能懂大学生的处境 不用付什么咨询费,真诚交流 我是 Russell 依旧还在摸索中,很高兴认识你!!
顯示更多
0
117
628
41
轉發到社區
在思考是不是传统企业AI转型就是伪命题 大规模与AI Native似乎是冲突的 或许真正的AI落地只能从0到1 又或许只有代际更迭能解决AI转型中人的问题
飞书现在好混乱 什么豆包工作、豆包工作伙伴、妙搭... 像是AI大杂烩,搞得人很烦
你觉得大学最垃圾的专业是什么?
半年前对于“用AI写代码”我还是带点羞耻的 一般都对外说自己手搓 然后回去偷偷打开cursor 不知不觉 现在大家对于“编程”的默认已经是“AI编程”了
这篇文章是在我的鞭打下产出的 扣1支持我继续鞭打 让阿哲产出更多优质内容😁
里面chat窗口的设计让我一下就喜欢上了 很不错的产品
最近发现 @dgrid_ai 上线了 Model Marketplace。 我第一眼以为它只是一个集中展示模型的目录,后来顺手点进 DGrid Chat 试了一下,发现里面有一个模型实验工作台。 同一条提示词,可以同时交给 Claude、GPT、Gemini 和 DeepSeek,然后让它们并排回答。 我这次没有专门做模型测评,只是把一篇文章交给四个模型一起处理。结果看下来,速度和回答风格差异还挺明显: Claude Opus 4.8:响应速度不错,反馈比较谨慎,对安全和风险更敏感; GPT-5.4:速度快,结构清晰,整体表达比较平衡; Gemini 2.5 Pro:输出更完整,但思考时间相对更长; DeepSeek V3.2:响应更快,回答相对直接,问题拆解也比较清楚。 我觉得这次测试的具体结论没有那么重要。 因为换一个提示词、换一种任务类型,模型之间的表现可能就会变化。更有意思的地方在于,DGrid 把这种“同题对比”做成了一个很顺手的使用流程。 以前我们选模型,很多时候只能看模型名称、排行榜或者别人写的评测。真正开始使用之后,还要自己判断它的响应速度、输出质量、价格和稳定性。 而在 DGrid Chat 里,这些差异可以被直接放在同一个页面里观察。 模型越来越多之后,开发者需要解决的问题也变了: 我应该去哪里发现模型? 这个模型适合我的任务吗? 它的成本和上下文窗口怎么样? 推理服务是否稳定? 同一个请求,换一个模型或供应商,响应时间和调用成本会差多少? 我再去看了 DGrid 的 Model Marketplace,里面可以按照供应商、模型类型、输入输出模态和提示词价格筛选模型。点进具体模型之后,还能查看上下文长度、输入输出价格、供应商价格表,以及兼容的 API 端点。 这让模型选择从“听说哪个模型比较强”,变成了可以搜索、比较、调用和验证的一套流程。 模型市场的价值,也在这里开始体现。 模型供给负责让开发者有更多选择,推理服务负责让这些模型稳定运行,用户反馈则帮助网络判断哪些模型和服务更适合真实需求。 所以 DGrid 的 PoQ 机制也很关键。 Proof of Quality 关注推理服务质量如何被验证,以及高质量、高效率的服务如何获得合理激励。一个模型本身很强,如果服务经常超时,开发者也很难把它接进长期运行的应用。 AI Arena 则从用户侧收集偏好反馈。 用户通过盲测比较两个匿名回答,选择自己认为更好的结果。用户不需要先研究模型参数,也不需要知道背后是哪家公司,只需要根据实际体验做判断。 这些反馈会继续影响模型发现和路由,让网络逐渐贴近真实用户的选择。 我现在会把 DGrid 的这几个产品理解成一条连续路径: Model Marketplace 负责发现模型。 Chat 负责实际调用和比较。 PoQ 负责推理服务质量。 AI Arena 负责用户偏好反馈。 这样看,DGrid 做的事情就不只是增加一个模型入口,而是在尝试把模型供给、推理服务和真实需求放进同一个开放市场。 官方此前已经披露半年 23M ARR。现在 Model Marketplace 上线,相当于把已有的实际需求继续连接到模型提供方、推理节点和开发者应用。 最近如果你也在关注去中心化 AI,可以自己去 DGrid Chat 发一条提示词。 不用先看别人怎么评价,选几个模型跑一次,速度、表达和稳定性会直接展示出来。
顯示更多
一文看清Deepseek Harness!深入浅出的讲解,附大量名词解释与图片表达~
0
140
841
197
轉發到社區
最近做企业 AI 转型感受很深 企业 AI 培训需求会继续增长 但“纯培训”的价值会被压缩 真正的利润池已经开始迁移向落地的东西 当然课程是很标品很好规模化的东西 目前来说打通渠道也很好赚钱
顯示更多
0
14
29
1
轉發到社區
牛逼 超长干货 推荐大学生或者准大学生看看
上大学千万不要好好学习,一定要极致地功利! 分享 19 个大学的认知、潜规则和信息差。 还在上大学的同学们可以说说自己遇到的问题, 已经毕业了的同学们可以分享自己的经验 QwQ 传送门: 00:16 → 1. 学历的作用 01:15 → 2. 为什么现在大学生就业变难了? 05:02 → 3. 大学专业与就业方向的关系 05:59 → 4. 上大学的意义 07:28 → 5. 大学有很多设计是为了浪费你的时间 09:10 → 6. 院校、专业选择的建议 13:09 → 7. 摒弃学生思维,放下清高当俗人 18:42 → 8. 跟老师打好关系的正确“抱大腿”姿势 22:40 → 9. 同学是你难得能接触到的人脉 24:31 → 10. 在团委、学生会、社团学习职场、官场政治 26:05 → 11. 学会组局和操盘,整合多方共赢 29:30 → 12. 用最小努力应付学业 31:10 → 13. 现实因素与读研/出国留学 34:08 → 14. 脱下长衫,放下面子去赚钱 35:01 → 15. 利用好学校的资源 36:08 → 16. 利用好城市的资源 37:17 → 17. 利用好学生的福利政策 39:21 → 18. 找到适合自己的方向 42:54 → 19. 给大学生的建议 43:27 → 20. 结语
顯示更多
我的帖子截个图到抖音流量这么好 看的我都馋了 这个人第一条内容就是发这个 直接1.8万赞🤣🤣
持续关注 OpenContext正好是我感兴趣的方向😁
当你发现你花三个月把一个 agent 调教到能独立写方案了. 突然有天换个客户,它又从零开始问你“请问贵司主营业务是什么”, 三个月直接白干。 因为你喂给它的一切:文档、对话、知识库,全在模型外面。 模型自己,一点没长进。 而@AlloomiAI 的做法是把应用层和模型层打通。 第一层叫 Holistic Context: 不是从静态文档里捞片段,而是把人、对话、决策、反馈拉进一张统一的上下文,持续追踪完整的工作轨迹。事实被修订被推翻,这些传统 RAG 处理不了。 他们开源的 OpenContext 就是这层的落地。每条事实带生效/失效时间,修正是追加不是覆盖,能直接查“三个月前 agent 认为客户要什么”。 但这只是四层里的第一层🧵
顯示更多
昨晚刚刚把自己的可用重置次数消耗掉 今天就重置了... 我要彻底疯狂
上一代企业:京东、淘宝、华为、腾讯、比亚迪、小米... 这一代企业:月之暗面、深度求索、游戏科学、零一万物、阶跃星辰、寒武纪... 企业的名字越来越好听了
顯示更多
token 大一统被实现了? 最近发现了一个比较有意思的web3中转站。 有意思在哪呢?他可以说是目前最火热的两个行业AI和web3完美结合的一个产物。 众所周知,web3里面的token指的是代币USDT那些。而在AI世界里面,token指的是算力。 而DGrid直接打穿了次元壁,可以直接用USDT支付转化成算力token 同时,他还解决了中转站一直以来的两大痛点:模型不公开透明和稳定性 中转站的系统有个功能叫模型映射,他可以表面是claude fable 5,实际给你接豆包。 当然这是夸张的说法 但实际操作是可行的 DGrid 用同一套 token 经济把中转站的逻辑连成了闭环: 模型发现 → 推理服务质量验证(PoQ)→ 真人偏好反馈(AI Arena) 实现了中转站web3化的究极进化,感兴趣的朋友快去试试吧 @dgrid_ai
顯示更多
0
12
23
1
轉發到社區
跟着网络博主学认知学商业 把自己的成长和认知寄托在网络博主的片面思考上 也是挺神的🤣🤣
gpt生图现在有进度条了😙😙 体验一下好很多了!
ins真的是金矿了 现在AI硬件产品很多都有做ins的需求