？

昨天这张 twitter 的截图引发了大量的共鸣，全网四处都在传播，今天看到 @Diiiii 的分享：

1）对大多数人来说，与其在供给端追求“最前沿”、“最先进”，不如踏踏实实专注需求端，专注那些“不变的东西”。

2）将 AI 作为改造世界、造福人类、更好满足需求的工具，这样活起来安全感更强一点，幸福感更高一些。

3）与其整天琢磨各种提示词的技巧，不如琢磨一下自己有哪些还没有得到满意答案的问题。

4）对我来说，一个比较有用的练习，是每天想一个“值得用 ChatGPT Pro/O3 来解决” 的问题 - 其实这并不容易。可能未来的挑战很快就会变成，模型不断精进的能力与人类贫乏的想象力之间的矛盾。

5）能否问出“配得上模型能力”的问题？能否对模型的边界提出更大的挑战？这可能是未来对“创新”的真正定义所在。

如果你觉得ai现在已经能写出很棒很棒的文案，那你的文字审美大概率不是很好

这一点在ds无脑崇拜之后3月份的一波反思中很多人已经说到了，《AI写作没有那么强/其实很平庸》

如果你觉得ai写作一无是处，对人类写作者毫无威胁，对文字生态没有影响，那你大概率不是文字性的内容从业者，不具备敏感性

最近深入交流的几个同行，都能形成共识，区别只是有人觉得是“很大的改变”，有人觉得是“颠覆”，我个人更偏向于后者

对我来说，在春节期间发现ds能对社会现象科技新闻产生出超过媒体人平均水平的观点（甚至可以是传统意义上相当差异化的观点）时，我就确定ai会重构自媒体行业了

ai实打实的写作能力也许现在还只是超过普通人水平，还没有碾压大多数媒体人，但最关键的写作内核ai已经能具备了，比大多数媒体人能写、用海量内容淹没大众只是时间问题

⭕ 向 AI 的深度思考学习深度思考

---

01. 先用自己的理解复述一遍用户的问题。如果问题不够精准，则换一种精准描述。

02. 如果是多个问题，要搞清楚问题之间的关联。如果问题描述有重复，可以合并问题。如果是大问题，先拆解为小问题，再把小问题以某种逻辑串起来。

03. 如果问题够精准，则会挑出其中的核心概念。

04. 以核心概念为关键词，从信息源搜索参考资料。

05. 快速阅读参考资料，提取其中有用的信息。

06. 谈谈核心概念的定义，以及用哪几个例子来帮助理解这些核心概念。

07. 在理解问题本身的基础上，推测用户的需求，即用户的背景是什么，为什么要问这个问题，最终想要得到什么答案，用在什么场景下。

08. 对于用户的需求，列出几种可能性，然后逐一思考，找到用户最想要的一种可能。

09. 如果是追问，一开始要回顾之前的对话历史：用户之前问过什么，我已经答过什么，用户又问了什么，期待我答什么，这次回答要注意什么。

10. 调取模型来分析问题，生成第一轮回答。

11. 如果用户需要例子，那么列举例子，并去掉重复的例子，挑出典型的例子。

12. 调取视角来审视回答，拷问第一轮回答，查缺补漏，生成第二轮回答。

13. 回到用户的问题描述，提取用户对回答有哪些期待或者说限制：有用户直接描述的，有用户没有直接说但 AI 猜的。

14. 根据用户的期待或限制条件，生成一个内容模板，可以装下用户期待的回答。

15. 拿内容模板，对第二轮回答进行修改，生成第三轮回答。

16. 最后，检查第三轮回答是否符合需求与条件，微调，生成第四轮回答。

17. 把第四轮回答告诉用户。

科研人所需要具备的能力是掌握解决一个问题或一类问题的知识体系，而不是具体的某一个知识点或某个规则。

举个例子，基于机器学习进行高性能COF膜，一种有机框架膜，其基础知识包含Python语言中的基础库、numpy库、pandas库、sklearning库、matplotlib库，甚至是复杂的TensorFlow、keras库，以及基础的有机、无机化学知识，还有许许多多的其他计算机知识。但在真正解决问题的过程中，我们是可以使用辅助工具的，特别是语言大模型已经发达并且扔在高速进步的当下，信息的搜集与查找变得更加方便与准确。

这便导致具体的某个知识在你 知道 它后，变得容易获取，从而，具体的某个知识的 记忆 便变得不再重要。

而这种情况下，对于问题的分析能力、把握能力以及方案制备能力——也就是解决问题时，对一个知识体系的掌控能力，变的格外重要。

从这个角度出发，解决“基于机器学习进行高性能COF膜的研发”，便只需要知道“数据收集→特征筛选→模型建立→参数调整→获得新数据→实验室验证”这个问题解决方案即可，而具体的某个知识点，只需要在使用到的时候进行查询便可。


如果把维度再提高一些，一个科研人，在解决问题的能力之上，是要拥有提出问题的能力。“一个有价值的问题远比一个有价值的解法更加珍贵”。

提出一个有价值的问题，能够引导某一领域的下一步发展，这要求提出问题的人对一个领域有足够深入的了解与足够强的整体把控。同时，还需要有强大的洞察力，也就是从新的角度看问题的能力。


如果你是一位学生，首先要具备的是解决问题的能力，而后是掌握提出问题的能力。拥有解决问题的能力可以让你发更有水平的论文，掌握提出问题的能力可以让你开拓认知的边界。

Manus 还没开源
但开源版的 Manus 已经来了
Suna，第一个开源的通用型智能体
界面和Manus有99分相似
项目地址：
https://github.com/kortix-ai/suna

Invalid media: video

非程序员，目前用的AI 编程工作流

需求分析/技术方案阶段：
1、gpt需求分析：
首先发散（7个维度）：和gpt充分沟通7个维度：用户，场景，当前痛点，当前方案，频度，广度，深度，然后生成尽可能多的功能点需求

其次收敛（33原则）：按照每次开发最多只做3个核心需求，每个功能最多只做3个功能点

2、gpt生成文档：prd.md / erd.md / todolist.md（供 Cursor 用）
产品需求文档 prd.md
工程结构和数据结构设计文档 erd.md
开发代办列表 todolist.md

正式开发阶段：
3、Cursor 执行开发任务 1，严格按 todolist.md 开始, 每完成一个任务后同时更新todolist.md 和cursorlog.md

4、Cursor开发过程中，第一次要输入详细prompt，后续可以简化，每个任务开发完成后做2件事情
a，观察todolist和cursorlog是否正常更新，没有就是跑偏了，立刻回滚，然后输入详细prompt重新生成。
b，如果todolist和cursorlog正常更新，则做一下测试，验证当前完成的开发是否符合产品预期，如果符合就继续开发下一个任务，否则就回去改bug。
直到全部完成

5、全部完成后，需要的话，可以把代码打包丢给gpt，让它做code review，再看要不要继续优化下

6、全部跑通后 输出 Changelog + Git 封版

今天回归第一天，看到前面有评论提到这个，正好说下我目前用的办法

还在持续迭代中，如果有更好的方式，求大佬不吝指点

⭕ 善用 AI 提问的四步走

---

1. 明确你正在从事或想要从事的某个领域。
2. 列出这个领域的关键概念，先穷举，然后从中筛选出最重要的一批，比如 20 个。
3. 用概念 × 5W2H，生成一系列问题。
4. 拿这些问题挨个问 AI。其中同一个概念的问题，可以放在一组对话中，便于深入这个概念。

举个例子：

1. 定一个领域：个人 IP
2. 《纳瓦尔宝典》中提到了“杠杆”这个概念，对个人 IP 来说，属于关键概念之一。
3. 5W2H 中的 how much × 杠杆，可以得出一个问题“现代社会中，个体发展要学会借助杠杆，比如媒体是杠杆，代码是杠杆，还有哪些杠杆，列 30 个杠杆给我，每个简述理由”。
4. 拿这个问题去问 AI，开启深度思考。

如果你不知道某个领域的关键概念有哪些，可以把领域告诉 AI，让它列一批概念，你根据自己的了解来选。

如果你不知道自己要从事什么领域，可以把你的经历、能力、资源、梦想、目标、限制条件说给 AI 听，让它来帮你选定领域。

这样做的好处是：领域是你在做的，概念是关键的，问题是与你息息相关的，处理问题的 AI 是强大的，所以，据此得到的答案，是强大的 AI 为你手头在做的领域生成的关键的、与你息息相关的内容。你会直接感受到 AI 对你的帮助。

音乐流派试听大全
对于渴望更多地了解新音乐流派的音乐爱好者来说，这是一个宝藏网站。该网站列出了来自世界各地的数百种音乐流派，您可以通过聆听来区别不同音乐流派的差异。

传送门 https://everynoise.com/

#奇趣网站推荐 @chunse1024

「机器人三定律」

OpenAI将投资于海外建设AI基础设施的努力

OpenAI计划在美国以外投资开发运行人工智能系统所需的基础设施，在其专注于美国人工智能数据中心的星际之门项目基础上进一步推进。根据周三启动的新计划，ChatGPT开发商将与各国政府合作，协助开展扩建数据中心容量等工作。公司还将帮助各国根据特定语言和本地需求定制OpenAI的产品，这是首席执行官萨姆·奥尔特曼所称的 “商业外交”努力的一部分。​OpenAI表示，这些合作项目的资金将来自OpenAI以及各国政府。该公司的目标是初期推进十个国际项目，但拒绝透露项目地点。该公司表示，将寻求与以民主友好的方式使用OpenAI技术的国家合作。

—— 彭博社