Forwarded from 你不知道的内幕消息🅥
时隔9 年，美国机场仍告示乘客禁止携带三星Galaxy Note 7 手机
https://www.ithome.com/0/869/299.htm
https://www.tiktok.com/~ （原视频
https://www.ithome.com/0/869/299.htm
https://www.tiktok.com/~ （原视频
Forwarded from 你不知道的内幕消息🅥
妈的，AI创业就是个笑话
前两天刷到阿里前高管、AI笔记创业者玉伯说，现在的 AI 应用，最多就是“iPhone 3”阶段。
很多人听完不以为意，觉得他太保守了。我第一反应却是：他太清醒了。
因为这句话说得非常准。
你以为自己已经错过 AI 了？其实你还没看到它的真容。
现在这一波生成式 AI，看起来已经爆了：ChatGPT、Sora、Claude、Kimi，一个个像是科技大片；
满大街都在说 Agent、工作流、自动化；
到处是融资，到处是训练营，到处是“年入百万”故事。
但说实话，真正的爆发期，还远远没到。
你想想，iPhone 第三代的时候，微信还没出来，抖音也没出现，手机支付都没普及。
你爸还在用诺基亚，你妈还在用数码相机。
那会儿的人只知道智能手机“能上网、能玩切水果”，但没人知道它将彻底改变世界。
今天的 AI 就在这个时间点上。
它牛吗？牛。它会颠覆很多东西吗？一定会。但你今天看到的，只是它开始学走路而已。
现在所有的“AI爆款”，说白了，大多数都是把以前的东西贴个皮——AI写文案、AI做笔记、AI抠字幕、AI自动排PPT……
你说它们不有用吗？有用。但也没那么神。
真正的爆发，不是现在这些“AI玩具”，而是等它变成“基础设施”的时候。
就像手机从娱乐工具变成办公必需品、社交通道、支付终端那样。
到时候，你不会再说“我用 AI 写了个标题”，你只会说“我今天交了个方案”。
你不会说“我让 AI 跑了个流程”，你只会说“客户已经签了”。
AI 不再是功能，它就是你的手、你的眼睛、你第二个大脑。它藏在你工作流程里，藏在你公司系统里，藏在你生活每一个动作背后。
所以别急着下结论，也别着急上车去抄项目。
最聪明的事情，是现在就开始深入了解、搭建认知系统、选定自己的切入点。
慢慢走，先扎根。未来五年，它一定会像移动互联网一样改变世界，而你如果现在开始筹备，到时候恰好站在正中间。
最怕的不是“错过风口”，而是看不清阶段。
今天的 AI，还只是“iPhone 3”。
我们再看一眼历史就明白了：
2007年第一代iPhone发布，惊艳世界；
2008年App Store上线，开发者开始蠢蠢欲动；
2009年iPhone 3GS发布，很多人还在用诺基亚；
可真正引爆整个移动互联网的，是2011年前后的微信、微博、支付工具；
真正爆发的，是2014年后，所有人手机不离身、生活离不开App。
AI在哪？就在iPhone 3S这个节点上。
牛逼的人开始做生态，聪明的人开始布局，普通人还没醒。
所以我说：从现在开始，AI距离真正“全民爆发”，至少还要3到5年。
这不是凭感觉拍的，是看5个关键指标的成熟节奏：
1. 模型能力：还不稳定，成本高，崩溃概率大，真正好用得等到2026；
2. 工具链：LangChain、Coze 这些还在早期，根本不是人人能上手的东西；
3. 用户习惯：大多数人用AI就像在逗宠物，根本没养成“生产力工具”的认知；
4. 商业闭环：企业还在试水，赚钱的还在试错；
5. 法规和信任：AI进不了医疗、金融、教育这些关键场景，信任门槛太高。
等这五条都成熟，才是真正爆发的起点。
所以真正的黄金期在哪？
我告诉你。
2024–2025 是技术准备期，2026 是节点拐点，2027–2028 是全面爆发期。
你真正该焦虑的，不是“是不是来晚了”，而是“我准备好了没有”。
别在热身期焦虑，也别在爆发前退场。
你要做的，不是追热点，而是提前蹲好坑位，然后默默蓄力。
等风来时，你的位置已经在风口中央。
前两天刷到阿里前高管、AI笔记创业者玉伯说，现在的 AI 应用，最多就是“iPhone 3”阶段。
很多人听完不以为意，觉得他太保守了。我第一反应却是：他太清醒了。
因为这句话说得非常准。
你以为自己已经错过 AI 了？其实你还没看到它的真容。
现在这一波生成式 AI，看起来已经爆了：ChatGPT、Sora、Claude、Kimi，一个个像是科技大片；
满大街都在说 Agent、工作流、自动化；
到处是融资，到处是训练营，到处是“年入百万”故事。
但说实话，真正的爆发期，还远远没到。
你想想，iPhone 第三代的时候，微信还没出来，抖音也没出现，手机支付都没普及。
你爸还在用诺基亚，你妈还在用数码相机。
那会儿的人只知道智能手机“能上网、能玩切水果”，但没人知道它将彻底改变世界。
今天的 AI 就在这个时间点上。
它牛吗？牛。它会颠覆很多东西吗？一定会。但你今天看到的，只是它开始学走路而已。
现在所有的“AI爆款”，说白了，大多数都是把以前的东西贴个皮——AI写文案、AI做笔记、AI抠字幕、AI自动排PPT……
你说它们不有用吗？有用。但也没那么神。
真正的爆发，不是现在这些“AI玩具”，而是等它变成“基础设施”的时候。
就像手机从娱乐工具变成办公必需品、社交通道、支付终端那样。
到时候，你不会再说“我用 AI 写了个标题”，你只会说“我今天交了个方案”。
你不会说“我让 AI 跑了个流程”，你只会说“客户已经签了”。
AI 不再是功能，它就是你的手、你的眼睛、你第二个大脑。它藏在你工作流程里，藏在你公司系统里，藏在你生活每一个动作背后。
所以别急着下结论，也别着急上车去抄项目。
最聪明的事情，是现在就开始深入了解、搭建认知系统、选定自己的切入点。
慢慢走，先扎根。未来五年，它一定会像移动互联网一样改变世界，而你如果现在开始筹备，到时候恰好站在正中间。
最怕的不是“错过风口”，而是看不清阶段。
今天的 AI，还只是“iPhone 3”。
我们再看一眼历史就明白了：
2007年第一代iPhone发布，惊艳世界；
2008年App Store上线，开发者开始蠢蠢欲动；
2009年iPhone 3GS发布，很多人还在用诺基亚；
可真正引爆整个移动互联网的，是2011年前后的微信、微博、支付工具；
真正爆发的，是2014年后，所有人手机不离身、生活离不开App。
AI在哪？就在iPhone 3S这个节点上。
牛逼的人开始做生态，聪明的人开始布局，普通人还没醒。
所以我说：从现在开始，AI距离真正“全民爆发”，至少还要3到5年。
这不是凭感觉拍的，是看5个关键指标的成熟节奏：
1. 模型能力：还不稳定，成本高，崩溃概率大，真正好用得等到2026；
2. 工具链：LangChain、Coze 这些还在早期，根本不是人人能上手的东西；
3. 用户习惯：大多数人用AI就像在逗宠物，根本没养成“生产力工具”的认知；
4. 商业闭环：企业还在试水，赚钱的还在试错；
5. 法规和信任：AI进不了医疗、金融、教育这些关键场景，信任门槛太高。
等这五条都成熟，才是真正爆发的起点。
所以真正的黄金期在哪？
我告诉你。
2024–2025 是技术准备期，2026 是节点拐点，2027–2028 是全面爆发期。
你真正该焦虑的，不是“是不是来晚了”，而是“我准备好了没有”。
别在热身期焦虑，也别在爆发前退场。
你要做的，不是追热点，而是提前蹲好坑位，然后默默蓄力。
等风来时，你的位置已经在风口中央。
Forwarded from AI探索指南
发现了个好东西！中国的东北大学的一篇论文《大语言模型基础》
详细介绍了大语言模型训练中的理论基础、关键技术和应用方法，非常适合初学者
主要目录为预训练、生成模型、提示工程、对齐和推理
翻译了双语版本放下面了可以自取
原始论文：https://arxiv.org/abs/2501.09223v2
双语版下载：https://pan.quark.cn/s/001b9b82ffc5
详细介绍了大语言模型训练中的理论基础、关键技术和应用方法，非常适合初学者
主要目录为预训练、生成模型、提示工程、对齐和推理
翻译了双语版本放下面了可以自取
原始论文：https://arxiv.org/abs/2501.09223v2
双语版下载：https://pan.quark.cn/s/001b9b82ffc5
Forwarded from AI探索指南
昨天我去 CSDN 的产品经理大会演讲。
三个月前 CSDN 的朋友们邀请我来产品经理大会做演讲的时候，我其实是想拒绝的。
理由是，我的创业公司才刚成立半年，也没有太多真知灼见，可以给大家分享。
不过 CSDN 的朋友们说，没关系，大会还有三个月，还有的是时间，也可以分享一下之前的一些产品经验。
好巧不巧，上周我们发布 FlowSpeech 之后，产品口碑爆棚，MRR 增加3倍，ARR 也突破了一个小目标，更重要的是，我们的用户通过使用产品赚到了真金白银，这是对我们产品力的最佳证明。
所以我昨天在演讲的时候，我跟大家开玩笑说，今天这份 PPT 的含金量已经直线上升了，请大家好好听。
演讲整理成的文章，点击查看：
https://mp.weixin.qq.com/s/3m86TvTNB-UKMDyd7KR90Q
三个月前 CSDN 的朋友们邀请我来产品经理大会做演讲的时候，我其实是想拒绝的。
理由是，我的创业公司才刚成立半年，也没有太多真知灼见，可以给大家分享。
不过 CSDN 的朋友们说，没关系，大会还有三个月，还有的是时间，也可以分享一下之前的一些产品经验。
好巧不巧，上周我们发布 FlowSpeech 之后，产品口碑爆棚，MRR 增加3倍，ARR 也突破了一个小目标，更重要的是，我们的用户通过使用产品赚到了真金白银，这是对我们产品力的最佳证明。
所以我昨天在演讲的时候，我跟大家开玩笑说，今天这份 PPT 的含金量已经直线上升了，请大家好好听。
演讲整理成的文章，点击查看：
https://mp.weixin.qq.com/s/3m86TvTNB-UKMDyd7KR90Q
Forwarded from AI探索指南
学会提问，可以激活AI大量的能力
当你不为AI添加工具，不给予AI知识库，不提供AI后训练，想单纯依靠AI的基础模型和提示词工程来让AI发挥原始效能，最重要的是懂得提问
提问从主体上来说，有两类：
- 人类向AI提问
- AI向人类提问
人类向AI提问的相关技巧与使用场景：
- 脑暴：找AI一起脑暴，找想法，找创意，向AI提问寻找解决方案
- 讨论：提出一个观点，获取AI的反馈，这里可以使用后退提示词，即告诉AI可以质疑人类的观点，退后一步思考，这种时候AI往往能更睿智
- 寻求专业建议：比如我在某个技术实现方案不确定，我会问AI，让AI去做Deepresearch，然后提供我对比，方便我了解信息
- 不断追问：当AI给你结果后，一定要不断追问，因为AI很多时候也会不懂装懂，产生幻觉，当你不断追问时，AI也会不断思考，经过5轮追问，你会掌握更多细节和信息，以便确定AI是不是在欺骗你
- 交叉验证：问题不确定时，可以使用多个AI互相交叉验证，但我更推荐通过不断追问的方式培养独立的自主思考
- 提供证明：当AI试图只给你结果时，你要提问让他提供具体证明，比如让他打印请求结果，或者让他定位问题核心关键代码等等
- 提出要求：比如要求AI先别开发，而是先写文档，通过审查他的文档，来判断AI是否真正理解了任务目标，设置约束条件让AI去满足
AI向人类提问的相关技巧与使用场景
- 补充任务信息：人类的描述往往会简化，导致AI难以判断，或者有一些细节，AI未得到确认。所以我们应该要求AI向我们主动提问，我每次任务开始前都会要求它主动提问，它会提出一些细节，这些细节我未在任务过程中明确，也能引发进一步对细节的思考与设计
- 确认目标：让AI明确下一步的目标，确保AI理解了任务范围，而不是一口气做一大堆事情，明确交付里程碑，控制好每次的小交付，逐渐完善
- 设计旅程：让AI设计出对应的子任务执行路径，每完成一个小里程碑后，让AI提问我们接下来做哪个事情，并提供出自己的建议，有时候应该先完成一些关键链路，有时候应该先做一些细节，这种情况下，让AI提问询问人类，会获得思考帮助
- 拓展体验：让AI提问，AI有时候会给出人类没能思考到的建议，从而拓展了产品体验
- 提供外部信息：让AI提问，AI往往会寻求一些外部信息，比如会询问你是否能提供一些文档，或者他认为在执行任务过程中可能需要使用到的信息
- 获得反馈：AI需要获得反馈，比如AI开发了一个东西之后，它需要提问获得反馈，比如它可以主动提供console的一些js命令，以便获得进一步的结果进而修正
---------
为AI构建工具的其中一个目标，是为了加强提示词工程，但如果你不懂得构建工具，仍然能让AI发挥出更好的效果，学会这两类提问，就可以激发人类和AI的潜在潜能
当你不为AI添加工具，不给予AI知识库，不提供AI后训练，想单纯依靠AI的基础模型和提示词工程来让AI发挥原始效能，最重要的是懂得提问
提问从主体上来说，有两类：
- 人类向AI提问
- AI向人类提问
人类向AI提问的相关技巧与使用场景：
- 脑暴：找AI一起脑暴，找想法，找创意，向AI提问寻找解决方案
- 讨论：提出一个观点，获取AI的反馈，这里可以使用后退提示词，即告诉AI可以质疑人类的观点，退后一步思考，这种时候AI往往能更睿智
- 寻求专业建议：比如我在某个技术实现方案不确定，我会问AI，让AI去做Deepresearch，然后提供我对比，方便我了解信息
- 不断追问：当AI给你结果后，一定要不断追问，因为AI很多时候也会不懂装懂，产生幻觉，当你不断追问时，AI也会不断思考，经过5轮追问，你会掌握更多细节和信息，以便确定AI是不是在欺骗你
- 交叉验证：问题不确定时，可以使用多个AI互相交叉验证，但我更推荐通过不断追问的方式培养独立的自主思考
- 提供证明：当AI试图只给你结果时，你要提问让他提供具体证明，比如让他打印请求结果，或者让他定位问题核心关键代码等等
- 提出要求：比如要求AI先别开发，而是先写文档，通过审查他的文档，来判断AI是否真正理解了任务目标，设置约束条件让AI去满足
AI向人类提问的相关技巧与使用场景
- 补充任务信息：人类的描述往往会简化，导致AI难以判断，或者有一些细节，AI未得到确认。所以我们应该要求AI向我们主动提问，我每次任务开始前都会要求它主动提问，它会提出一些细节，这些细节我未在任务过程中明确，也能引发进一步对细节的思考与设计
- 确认目标：让AI明确下一步的目标，确保AI理解了任务范围，而不是一口气做一大堆事情，明确交付里程碑，控制好每次的小交付，逐渐完善
- 设计旅程：让AI设计出对应的子任务执行路径，每完成一个小里程碑后，让AI提问我们接下来做哪个事情，并提供出自己的建议，有时候应该先完成一些关键链路，有时候应该先做一些细节，这种情况下，让AI提问询问人类，会获得思考帮助
- 拓展体验：让AI提问，AI有时候会给出人类没能思考到的建议，从而拓展了产品体验
- 提供外部信息：让AI提问，AI往往会寻求一些外部信息，比如会询问你是否能提供一些文档，或者他认为在执行任务过程中可能需要使用到的信息
- 获得反馈：AI需要获得反馈，比如AI开发了一个东西之后，它需要提问获得反馈，比如它可以主动提供console的一些js命令，以便获得进一步的结果进而修正
---------
为AI构建工具的其中一个目标，是为了加强提示词工程，但如果你不懂得构建工具，仍然能让AI发挥出更好的效果，学会这两类提问，就可以激发人类和AI的潜在潜能
Forwarded from AI探索指南
推荐学习下微软搞的这个 R&D-Agent 框架，https://github.com/microsoft/RD-Agent ，它是一个让 AI 能够自己做科研的系统——能提出问题、设计实验、验证结果、总结规律，整套科研流程都能自动化执行。
微软还基于这套框架，构建了一个用于量化投资研究的智能体 R&D-Agent(Q)，https://github.com/microsoft/qlib，并与开源量化平台 Qlib 结合，实现了自动化因子挖掘与策略优化。照这个趋势发展下去，未来的量化研究，恐怕真得交给 AI 来操盘了，😅
R&D-Agent 的整体架构分为两个阶段：研究阶段（Research Phase）和开发阶段（Development Phase）。研究阶段由四个部分组成：规划、探索路径结构、推理管线和记忆上下文，它们通过反馈机制持续循环，不断在假设、实验与分析之间往复，让系统在多轮探索中自动调整方向、积累知识、优化策略；开发阶段则承接研究成果，主要包括编码工作流与评估策略，前者把想法变成可执行代码，后者负责验证与对比结果，确保系统演化出的改进真实可靠。两个阶段形成首尾相接的闭环，让科研过程实现持续反馈与自我进化。
从本质上看，R&D-Agent 不是在“模拟科研”，而是在“系统化科研”。它让科学探索从线性的人力流程，转变为并行的智能网络。每一次假设的提出与验证，都会被记录下来，形成一份不断扩展的知识图谱，让科研活动变得可编排、可追踪、可积累。
相关论文：1）《R&D-Agent: An LLM-Agent Framework Towards Autonomous Data Science》，https://arxiv.org/abs/2505.14738 ；2）《Qlib: An AI-oriented Quantitative Investment Platform》，https://arxiv.org/abs/2009.11189
微软还基于这套框架，构建了一个用于量化投资研究的智能体 R&D-Agent(Q)，https://github.com/microsoft/qlib，并与开源量化平台 Qlib 结合，实现了自动化因子挖掘与策略优化。照这个趋势发展下去，未来的量化研究，恐怕真得交给 AI 来操盘了，😅
R&D-Agent 的整体架构分为两个阶段：研究阶段（Research Phase）和开发阶段（Development Phase）。研究阶段由四个部分组成：规划、探索路径结构、推理管线和记忆上下文，它们通过反馈机制持续循环，不断在假设、实验与分析之间往复，让系统在多轮探索中自动调整方向、积累知识、优化策略；开发阶段则承接研究成果，主要包括编码工作流与评估策略，前者把想法变成可执行代码，后者负责验证与对比结果，确保系统演化出的改进真实可靠。两个阶段形成首尾相接的闭环，让科研过程实现持续反馈与自我进化。
从本质上看，R&D-Agent 不是在“模拟科研”，而是在“系统化科研”。它让科学探索从线性的人力流程，转变为并行的智能网络。每一次假设的提出与验证，都会被记录下来，形成一份不断扩展的知识图谱，让科研活动变得可编排、可追踪、可积累。
相关论文：1）《R&D-Agent: An LLM-Agent Framework Towards Autonomous Data Science》，https://arxiv.org/abs/2505.14738 ；2）《Qlib: An AI-oriented Quantitative Investment Platform》，https://arxiv.org/abs/2009.11189
Forwarded from AI探索指南
你有没有想过为什么有些猎头公司总能第一时间联系到你？
明明你刚换工作，这个职位还没正式发布，他们就已经发来了邮件。
这背后藏着什么秘密？
我最近看到一个案例，彻底颠覆了我对招聘行业的理解。
有人用AI搭建了一套全自动化的招聘情报系统，能够提前几周发现隐藏的职位空缺，自动找到招聘决策人，甚至连外联话术都写好了。
整个系统只需要三个工具：AirTable、N8N和Clay。
在深入之前，我们得先理解招聘中介这门生意的底层逻辑。
招聘中介本质上就是在做信息的搬运工和匹配者，谁能更早获得信息，谁就赢了。
假设你是一家猎头公司，现在有两种获客方式：
第一种，等职位发布在LinkedIn或Indeed上，然后和其他几百家猎头一起竞争。这时候信息已经公开了，你的优势很小。
第二种，在职位还没公开之前，你就知道某家公司有人离职了，马上判断出他们需要招人，然后第一个联系上招聘经理，这时候你几乎是独家垄断了这条信息。
哪种方式更有竞争力？答案显而易见。
问题是，怎么做到第二种呢？
当一个员工从A公司跳槽到B公司，表面上只是一次人员流动，但如果你换个角度看，这里其实隐藏着两个商业机会。
第一个机会是A公司。这个人走了，他们肯定需要找人填补空缺。
第二个机会是B公司。他们愿意招这个人，说明他们正处于扩张期，很可能还在招其他岗位。
这就是信息的二次挖掘，大多数人看到的只是表面的人员变动，但聪明的系统能从这个变动中推导出更深层的商业价值。
那么问题来了，你怎么知道谁跳槽了？
这套系统的第一步，是建立一个大型的人才数据库。
很多招聘公司其实都有自己的ATS系统，也就是applicant tracking system，里面存着成千上万份候选人简历。
但问题是，这些简历大多是静态的，你不知道这些人现在在哪儿，在做什么。
这套AI系统做的事情是，每周或者每两周，自动去抓取这些人的LinkedIn资料，检查他们的工作状态有没有变化。如果发现某个人的职位、公司信息更新了，系统就会标记这是一次职业变动。
我看到案例里的数据，一个包含17000个候选人的数据库，在一周内发现了156次职业变动，从中识别出了141个潜在商机。
第二步更有意思，系统不只是记录这个变化，它还会用AI去分析这是内部晋升、跳槽，还是兼职。
不同类型的职业变动，代表的商业机会完全不同。
发现机会只是开始，真正的价值在于后续的自动化处理。
当系统识别出一个潜在机会后，它会做这么几件事：
首先，自动抓取这家公司的基本信息。
公司规模、行业定位、LinkedIn主页，甚至用AI做一个快速的市场分析和薪资范围估算。
这些信息帮助招聘顾问快速判断，这个机会值不值得跟进。
如果招聘顾问觉得这个机会不错，把状态改成合格，系统就会自动触发下一步。
它会去找这家公司里谁是决策人，谁是招聘经理。
不是随便找一个HR的联系方式，而是精准定位到那个对这个岗位有决策权的人。系统甚至会给每个潜在决策人打一个匹配分数，告诉你谁最有可能就是你要找的那个人。
然后系统会自动抓取这些人的邮箱和LinkedIn主页。
最后，它还会根据这次职业变动的具体情况，生成一条个性化的外联信息。
比如说，如果是某个高管刚离职，系统会写：Rodney，注意到你们的工程副总裁最近离职了，我们手上正好有几个合适的候选人。
这种个性化不是模板化的那种假个性化，而是真的根据实时信息生成的内容。
看到这里你可能会想，这不就是个爬虫加自动化吗，有什么特别的？
关键在于时间差。
当这个系统发现某个高管离职的时候，可能职位还没挂出来，甚至公司内部还在讨论怎么招人。如果你这时候联系上招聘负责人，你面对的竞争几乎是零。
等到职位正式发布在LinkedIn Jobs、Indeed这些平台上，游戏规则就完全变了。成百上千的猎头公司会涌进来，客户已经被打扰了无数次，你的优势荡然无存。
在别人都在看公开信息时，你要去找隐藏的信息。
这套系统还有第二招，它也会持续监控LinkedIn、Indeed等平台上的新职位发布。
不过它不是简单地把所有职位都抓过来，而是根据你设定的条件，智能筛选符合要求的岗位。
比如你只做美国市场的高级管理岗位，系统就会过滤掉其他所有信息。这样你每天打开后台，看到的都是经过预筛选的高质量机会。
那么，为什么要用AirTable、N8N和Clay这个组合？
AirTable是数据库，负责存储所有的候选人信息、公司信息、机会跟进状态。它的优势是界面友好，招聘顾问可以很方便地查看和操作数据。
N8N是自动化工具，相当于这套系统的大脑，负责协调整个工作流程。什么时候该去抓取数据，什么时候该触发下一步操作，都由它来控制。
Clay是数据enrichment平台，专门用来补全和丰富信息。
它在从LinkedIn抓取数据、查找邮箱、公司信息enrichment方面特别擅长。
整套系统的运行成本是每月500到600美元。对于一家招聘公司来说，只要能从中获得一两个高质量订单，这个投入就完全值得。
这类系统的出现，本质上是在重塑整个招聘行业的竞争格局。
那些还在用传统方式，等着客户主动上门的中介，会越来越难生存。而那些懂得利用AI和自动化工具的玩家，会形成降维打击的优势。
明明你刚换工作，这个职位还没正式发布，他们就已经发来了邮件。
这背后藏着什么秘密？
我最近看到一个案例，彻底颠覆了我对招聘行业的理解。
有人用AI搭建了一套全自动化的招聘情报系统，能够提前几周发现隐藏的职位空缺，自动找到招聘决策人，甚至连外联话术都写好了。
整个系统只需要三个工具：AirTable、N8N和Clay。
在深入之前，我们得先理解招聘中介这门生意的底层逻辑。
招聘中介本质上就是在做信息的搬运工和匹配者，谁能更早获得信息，谁就赢了。
假设你是一家猎头公司，现在有两种获客方式：
第一种，等职位发布在LinkedIn或Indeed上，然后和其他几百家猎头一起竞争。这时候信息已经公开了，你的优势很小。
第二种，在职位还没公开之前，你就知道某家公司有人离职了，马上判断出他们需要招人，然后第一个联系上招聘经理，这时候你几乎是独家垄断了这条信息。
哪种方式更有竞争力？答案显而易见。
问题是，怎么做到第二种呢？
当一个员工从A公司跳槽到B公司，表面上只是一次人员流动，但如果你换个角度看，这里其实隐藏着两个商业机会。
第一个机会是A公司。这个人走了，他们肯定需要找人填补空缺。
第二个机会是B公司。他们愿意招这个人，说明他们正处于扩张期，很可能还在招其他岗位。
这就是信息的二次挖掘，大多数人看到的只是表面的人员变动，但聪明的系统能从这个变动中推导出更深层的商业价值。
那么问题来了，你怎么知道谁跳槽了？
这套系统的第一步，是建立一个大型的人才数据库。
很多招聘公司其实都有自己的ATS系统，也就是applicant tracking system，里面存着成千上万份候选人简历。
但问题是，这些简历大多是静态的，你不知道这些人现在在哪儿，在做什么。
这套AI系统做的事情是，每周或者每两周，自动去抓取这些人的LinkedIn资料，检查他们的工作状态有没有变化。如果发现某个人的职位、公司信息更新了，系统就会标记这是一次职业变动。
我看到案例里的数据，一个包含17000个候选人的数据库，在一周内发现了156次职业变动，从中识别出了141个潜在商机。
第二步更有意思，系统不只是记录这个变化，它还会用AI去分析这是内部晋升、跳槽，还是兼职。
不同类型的职业变动，代表的商业机会完全不同。
发现机会只是开始，真正的价值在于后续的自动化处理。
当系统识别出一个潜在机会后，它会做这么几件事：
首先，自动抓取这家公司的基本信息。
公司规模、行业定位、LinkedIn主页，甚至用AI做一个快速的市场分析和薪资范围估算。
这些信息帮助招聘顾问快速判断，这个机会值不值得跟进。
如果招聘顾问觉得这个机会不错，把状态改成合格，系统就会自动触发下一步。
它会去找这家公司里谁是决策人，谁是招聘经理。
不是随便找一个HR的联系方式，而是精准定位到那个对这个岗位有决策权的人。系统甚至会给每个潜在决策人打一个匹配分数，告诉你谁最有可能就是你要找的那个人。
然后系统会自动抓取这些人的邮箱和LinkedIn主页。
最后，它还会根据这次职业变动的具体情况，生成一条个性化的外联信息。
比如说，如果是某个高管刚离职，系统会写：Rodney，注意到你们的工程副总裁最近离职了，我们手上正好有几个合适的候选人。
这种个性化不是模板化的那种假个性化，而是真的根据实时信息生成的内容。
看到这里你可能会想，这不就是个爬虫加自动化吗，有什么特别的？
关键在于时间差。
当这个系统发现某个高管离职的时候，可能职位还没挂出来，甚至公司内部还在讨论怎么招人。如果你这时候联系上招聘负责人，你面对的竞争几乎是零。
等到职位正式发布在LinkedIn Jobs、Indeed这些平台上，游戏规则就完全变了。成百上千的猎头公司会涌进来，客户已经被打扰了无数次，你的优势荡然无存。
在别人都在看公开信息时，你要去找隐藏的信息。
这套系统还有第二招，它也会持续监控LinkedIn、Indeed等平台上的新职位发布。
不过它不是简单地把所有职位都抓过来，而是根据你设定的条件，智能筛选符合要求的岗位。
比如你只做美国市场的高级管理岗位，系统就会过滤掉其他所有信息。这样你每天打开后台，看到的都是经过预筛选的高质量机会。
那么，为什么要用AirTable、N8N和Clay这个组合？
AirTable是数据库，负责存储所有的候选人信息、公司信息、机会跟进状态。它的优势是界面友好，招聘顾问可以很方便地查看和操作数据。
N8N是自动化工具，相当于这套系统的大脑，负责协调整个工作流程。什么时候该去抓取数据，什么时候该触发下一步操作，都由它来控制。
Clay是数据enrichment平台，专门用来补全和丰富信息。
它在从LinkedIn抓取数据、查找邮箱、公司信息enrichment方面特别擅长。
整套系统的运行成本是每月500到600美元。对于一家招聘公司来说，只要能从中获得一两个高质量订单，这个投入就完全值得。
这类系统的出现，本质上是在重塑整个招聘行业的竞争格局。
那些还在用传统方式，等着客户主动上门的中介，会越来越难生存。而那些懂得利用AI和自动化工具的玩家，会形成降维打击的优势。
Forwarded from AI探索指南
假设你只有5分钟向投资者讲清楚一件事，你会说什么？答案很简单：用4张幻灯片，讲透4个核心问题。
第一张：你在解决什么问题？
别上来就讲产品，先讲“痛点”。比如，“中小企业融资难，一笔贷款要跑5家银行，平均耗时28天”，或者“老年人买菜总担心新鲜度，每天花1小时逛菜市场”。问题要具体，让投资者立刻感受到“啊，这确实是个麻烦事”。
第二张：这个问题有多大？
市场规模不用“颠覆行业”那么夸张，讲清楚“有多少人在被这个问题困扰”。比如，“中国有4300万小微企业，每年融资需求超10万亿”，或者“全球60岁以上人口已达15亿，其中80%每周需采购生鲜”。数字不用精确，但趋势要清晰——这是一个值得投入的“大蛋糕”。
第三张：你打算怎么解决？
用一句话说清你的方案。比如，“我们开发了智能风控系统，让小微企业贷款审批时间从28天缩短到2小时”，或者“我们搭建了社区生鲜直供平台，老年人扫码下单，2小时内送到家”。重点是“怎么落地”，比如“已和30家社区超市签约，日均订单500+”。
第四张：为什么是你？
投资者投的永远是“人”。讲清楚团队的优势：“我们的CEO有10年银行风控经验，CTO曾主导过智能算法项目”，或者“我们的联合创始人深耕社区15年，熟悉老年人需求”。如果有早期用户反馈，比如“有位阿姨反馈‘再也不用早起买菜了’”，比空泛的“专业团队”更有说服力——真实的声音最动人。
最后4张：锦上添花，但别喧宾夺主
如果前面4张讲透了，后面的可以快速补充：
- 你现在有什么成果？比如“已实现月营收100万，复购率65%”；
- 怎么扩张？“先覆盖北京3个社区，明年计划进入长三角”；
- 需要多少钱？“本轮融资500万，用于技术研发和团队扩张，预计18个月实现盈利”；
- 退出机制？“3-5年通过并购或IPO，让投资者获得3-5倍回报”。
关键提醒： 别堆砌文字。每张幻灯片最多3行字，剩下的用图表或一句话总结。投资者每天看几十份商业计划书，没人有耐心读“文字墙”。记住，融资演讲不是“介绍产品”，而是“讲一个让人心动的故事，然后告诉他们‘我们能做到’”。
简单、直接、有温度——这就是打动投资者的核心。
第一张：你在解决什么问题？
别上来就讲产品，先讲“痛点”。比如，“中小企业融资难，一笔贷款要跑5家银行，平均耗时28天”，或者“老年人买菜总担心新鲜度，每天花1小时逛菜市场”。问题要具体，让投资者立刻感受到“啊，这确实是个麻烦事”。
第二张：这个问题有多大？
市场规模不用“颠覆行业”那么夸张，讲清楚“有多少人在被这个问题困扰”。比如，“中国有4300万小微企业，每年融资需求超10万亿”，或者“全球60岁以上人口已达15亿，其中80%每周需采购生鲜”。数字不用精确，但趋势要清晰——这是一个值得投入的“大蛋糕”。
第三张：你打算怎么解决？
用一句话说清你的方案。比如，“我们开发了智能风控系统，让小微企业贷款审批时间从28天缩短到2小时”，或者“我们搭建了社区生鲜直供平台，老年人扫码下单，2小时内送到家”。重点是“怎么落地”，比如“已和30家社区超市签约，日均订单500+”。
第四张：为什么是你？
投资者投的永远是“人”。讲清楚团队的优势：“我们的CEO有10年银行风控经验，CTO曾主导过智能算法项目”，或者“我们的联合创始人深耕社区15年，熟悉老年人需求”。如果有早期用户反馈，比如“有位阿姨反馈‘再也不用早起买菜了’”，比空泛的“专业团队”更有说服力——真实的声音最动人。
最后4张：锦上添花，但别喧宾夺主
如果前面4张讲透了，后面的可以快速补充：
- 你现在有什么成果？比如“已实现月营收100万，复购率65%”；
- 怎么扩张？“先覆盖北京3个社区，明年计划进入长三角”；
- 需要多少钱？“本轮融资500万，用于技术研发和团队扩张，预计18个月实现盈利”；
- 退出机制？“3-5年通过并购或IPO，让投资者获得3-5倍回报”。
关键提醒： 别堆砌文字。每张幻灯片最多3行字，剩下的用图表或一句话总结。投资者每天看几十份商业计划书，没人有耐心读“文字墙”。记住，融资演讲不是“介绍产品”，而是“讲一个让人心动的故事，然后告诉他们‘我们能做到’”。
简单、直接、有温度——这就是打动投资者的核心。
Forwarded from AI探索指南
AI 是想法和勤奋的放大器。
过去有一个模糊想法，很长时间想法就是模糊的。有了 AI 后，模糊想法可以很快变清晰。模糊的想法有些是自己脑海里浮现的，有些是看他人内容时被触发的。这两种场景下，AI 都是让模糊想法变清晰具体的好工具。
更进一步，是通过 AI，让十分努力的自己，能变成百分努力的自己。就如 Dan Koe 等百万博主每天两小时一样。没有 AI，这两小时就是两小时。有了 AI，这两小时相当于原来二十小时。AI 让勤奋的人，变成了疯狂勤奋。时长可能还减少了。
赞叹 + 自勉。
过去有一个模糊想法，很长时间想法就是模糊的。有了 AI 后，模糊想法可以很快变清晰。模糊的想法有些是自己脑海里浮现的，有些是看他人内容时被触发的。这两种场景下，AI 都是让模糊想法变清晰具体的好工具。
更进一步，是通过 AI，让十分努力的自己，能变成百分努力的自己。就如 Dan Koe 等百万博主每天两小时一样。没有 AI，这两小时就是两小时。有了 AI，这两小时相当于原来二十小时。AI 让勤奋的人，变成了疯狂勤奋。时长可能还减少了。
赞叹 + 自勉。
Forwarded from AI探索指南
在国内上一个网站要经过几步：
1. 准备网站项目代码；
2. 阿里云买服务器；
3. 阿里云买域名，并进行域名备案；
4. 代码部署到服务器ecs中，dev和build通过；
5. 买dns解析，没错，阿里云dns解析是要钱的；
6. 买证书，或者搞免费证书；
7. 配置nginx，用证书写在配置文件中，搞定域名的https解析；
8. 域名备案的备案号要更新到网站页面中。
在海外上一个网站要几步：
1. 准备网站项目代码；
2. 上传到github；
3. vercel自动解析github的更新并deploy；
4. cloudflare配置域名dns解析；
1. 准备网站项目代码；
2. 阿里云买服务器；
3. 阿里云买域名，并进行域名备案；
4. 代码部署到服务器ecs中，dev和build通过；
5. 买dns解析，没错，阿里云dns解析是要钱的；
6. 买证书，或者搞免费证书；
7. 配置nginx，用证书写在配置文件中，搞定域名的https解析；
8. 域名备案的备案号要更新到网站页面中。
在海外上一个网站要几步：
1. 准备网站项目代码；
2. 上传到github；
3. vercel自动解析github的更新并deploy；
4. cloudflare配置域名dns解析；
Forwarded from AI探索指南
我今天花了一小时读了一篇文章《语言：生于智能并终将成为智能》
核心观点是：压缩就是智能。
生命对抗熵增需要最大化能量效率。大脑是一台高效的压缩机器——能耗20瓦，但算力惊人。智商越高，计算能耗越低。
人类为了传递经验发明了语言，语言本质上就是对现实的压缩。
到了AI时代，关系反过来了：
以前是：现实 → 人类智能 → 语言（传递工具） 现在是：语言 → AI → 现实
语言不再只是传递工具，而成了智能本身的原材料。
文章认为，人类语言数据已经被压缩到极限，这就是数据飞轮失效的原因。AI需要发展自己的语言（AILang）才能继续进化。
读完和 Claude Code 讨论了很久，有几个洞察：
1. 人类语言的"低效"其实是双刃剑 模糊性、隐喻、多义性在人类社会是特性，在AI训练中是bug。同样的特质，在不同系统里价值完全相反。
2. 应用公司正在无意识地为AI进化铺路 你做应用是为了用户价值，但客观上积累了独特数据和环境。未来有能力训练模型的公司，这些就是护城河。这不是"应该"，而是"正在发生"。
3. AILang已经存在了 神经网络的表征空间、多模态模型的中间层，已经是一种人类看不懂的"语言"。不是要发明，而是正在涌现。
4. 智能≠人 文章说的是智能维度的压缩逻辑，但人还有情感、意义、价值。这些不是被压缩，而是会被舍弃。区分这两个层面很重要。
核心观点是：压缩就是智能。
生命对抗熵增需要最大化能量效率。大脑是一台高效的压缩机器——能耗20瓦，但算力惊人。智商越高，计算能耗越低。
人类为了传递经验发明了语言，语言本质上就是对现实的压缩。
到了AI时代，关系反过来了：
以前是：现实 → 人类智能 → 语言（传递工具） 现在是：语言 → AI → 现实
语言不再只是传递工具，而成了智能本身的原材料。
文章认为，人类语言数据已经被压缩到极限，这就是数据飞轮失效的原因。AI需要发展自己的语言（AILang）才能继续进化。
读完和 Claude Code 讨论了很久，有几个洞察：
1. 人类语言的"低效"其实是双刃剑 模糊性、隐喻、多义性在人类社会是特性，在AI训练中是bug。同样的特质，在不同系统里价值完全相反。
2. 应用公司正在无意识地为AI进化铺路 你做应用是为了用户价值，但客观上积累了独特数据和环境。未来有能力训练模型的公司，这些就是护城河。这不是"应该"，而是"正在发生"。
3. AILang已经存在了 神经网络的表征空间、多模态模型的中间层，已经是一种人类看不懂的"语言"。不是要发明，而是正在涌现。
4. 智能≠人 文章说的是智能维度的压缩逻辑，但人还有情感、意义、价值。这些不是被压缩，而是会被舍弃。区分这两个层面很重要。
Forwarded from AI探索指南
正在尝试一些全新的深度阅读法
原则，记录，讨论，发推
都用 CC 完成。
结果就是上述的两条推。
自己学到了很多知识，对问题有了深入的思考，同时还产生了笔记，发了推文分享。
（虽然到后面有点跟不上 AI 的思考深度...
原则，记录，讨论，发推
都用 CC 完成。
结果就是上述的两条推。
自己学到了很多知识，对问题有了深入的思考，同时还产生了笔记，发了推文分享。
（虽然到后面有点跟不上 AI 的思考深度...
Forwarded from AI探索指南
看了一下影视飓风的抗菌T恤
跟我厂的工服基本类似，都是棉+涤纶混纺抗菌布料，都是落肩款
这个衣服成本比纯棉高，印花也是最贵的工艺
自己做一百件的成本也在40左右
他们卖89 包邮也不贵啦
跟我厂的工服基本类似，都是棉+涤纶混纺抗菌布料，都是落肩款
这个衣服成本比纯棉高，印花也是最贵的工艺
自己做一百件的成本也在40左右
他们卖89 包邮也不贵啦
Forwarded from AI探索指南
分享最新关于AI的使用经验，不高大上但是很落地。
1.用好AI，地基要打牢，也就是说在大模型的选择上，我推荐使用ChatGPT、claude和Gemini，并且一定要充会员，这样你才能使用到模型的全部能力。
如果觉得费用很高，或者来回切换很麻烦，可以用一些套壳网站，比如我经常用的是POE。
2.AI大模型的一些衍生应用非常适合职场人的工作场景，比如google gemini的deep research功能，可以帮你深度去调研某一个行业/某一个品牌，某一类人群的画像，基本上能解决70%广告人的前策工作。
除此之外，还有notebookllm，是非常好用的学习工具，可以帮你去快速读懂报告，读懂财报和研报。
因为gemini的超长上下文能力，所以你一次性可以上传10几份报告，让AI集中解读，提高信息的获取效率。
3.不要再用很复杂的提示词技巧
和AI交互的关键在于，你是谁，你希望AI是谁，以及你到底期望从AI那里获得什么有价值的信息，前面可以通过简单的提示词技巧，后续通过多轮对话的形式，提高大模型的回答精度。
4.不要迷恋智能体
虽然今年智能体和agent的概念被炒的很热，但是它真正的落地性和任务完成度依旧很差，理由很简单，智能体还没有办法100%的去模仿人类思考。
5.用好AI的关键是【投入时间】
用好AI的关键并不是去学习一些高大上的技术理论，而是要投入时间，比如可以和AI对话，聊一些自由度比较大的问题，去聊一些工作上的问题，甚至可以问AI如何更好的和AI交互
投入时间去使用各种大模型，各种AI应用
这样你才能 用好AI。
1.用好AI，地基要打牢，也就是说在大模型的选择上，我推荐使用ChatGPT、claude和Gemini，并且一定要充会员，这样你才能使用到模型的全部能力。
如果觉得费用很高，或者来回切换很麻烦，可以用一些套壳网站，比如我经常用的是POE。
2.AI大模型的一些衍生应用非常适合职场人的工作场景，比如google gemini的deep research功能，可以帮你深度去调研某一个行业/某一个品牌，某一类人群的画像，基本上能解决70%广告人的前策工作。
除此之外，还有notebookllm，是非常好用的学习工具，可以帮你去快速读懂报告，读懂财报和研报。
因为gemini的超长上下文能力，所以你一次性可以上传10几份报告，让AI集中解读，提高信息的获取效率。
3.不要再用很复杂的提示词技巧
和AI交互的关键在于，你是谁，你希望AI是谁，以及你到底期望从AI那里获得什么有价值的信息，前面可以通过简单的提示词技巧，后续通过多轮对话的形式，提高大模型的回答精度。
4.不要迷恋智能体
虽然今年智能体和agent的概念被炒的很热，但是它真正的落地性和任务完成度依旧很差，理由很简单，智能体还没有办法100%的去模仿人类思考。
5.用好AI的关键是【投入时间】
用好AI的关键并不是去学习一些高大上的技术理论，而是要投入时间，比如可以和AI对话，聊一些自由度比较大的问题，去聊一些工作上的问题，甚至可以问AI如何更好的和AI交互
投入时间去使用各种大模型，各种AI应用
这样你才能 用好AI。