Yangyi retweeted
Introducing OpenSource Free WebAccess
- 100% FREE Web search & fetch @Tiny_Fish
- Any web page & data, agent can access
- Routing each request to the vendor best at that task
- Benchmark on cost/speed/token-efficiency
Try it at treg.to/web-access
Repo link below 👇
Yangyi retweeted
This is the GTM workflow I'd copy first.
Find people describing your problem out loud, score them, reach out while they still care. @yangyi's version costs $0.07 a run on @treg_to.
Repo + setup prompt in the quoted thread 👇
顶尖科学家和工程师,包括我自己,经常忽略的一点是,技术从被发明到广泛应用是非常缓慢的(参考:跨越鸿沟)。几个例子:
1. 我 2016-2018 年在微软实习的时候 Azure 就全面使用了基于 RDMA 和智能网卡加速的存储。2021 年我在华为的时候,线下的企业存储也用上了 RDMA。没想到几年之后,很多基模公司的存储还没有用上 RDMA,加载个上 T 的模型还要几分钟。
2. 2019 年我做昇腾算子的自动优化 AKG,觉得 polyhedral compilation 这么好的东西,肯定大家很快就用上了,结果直到今天也没有几家算子编译器用上多面体优化。取代手写算子的不是 isl(数学优化算法),而是 LLM。
3. 2023 年我发现 GPT-3.5 对算子优化也有那么点 knowledge,就觉得以后 AI 肯定能做 infra 优化了,于是就不再做 infra 了。但直到今天,单算子优化、算子调度、推理系统优化仍然是极深的课题。AI 越来越擅长目标明确的 “小步快跑” 式优化,但 writing、taste 和系统设计能力仍然很糟糕。我不管是写书还是做工程项目,都得不断指导 GPT-6 Astra 才能搞出个差不多的系统设计。谈 “取代” 为时尚早,除非有一天可以把 taste 变成 verifiable reward,或者想出某种别的办法提升 taste。
4. 今天,各种好用的 AI 工具仍然普及率很低。我们做 Pine 的时候一直疑惑,这么好的能省钱的工具怎么大家不会主动尝试。其实所有早期产品都一样,很多人 Codex 20 刀的 plan 都用不完。
Yangyi retweeted
I built aimakemoney.io.
It started as a personal experiment.
I used newmax.ai to analyze and summarize YouTube videos, looking for realistic ways people were using AI to make money.
I packaged the research on Gumroad, shared it in a single post—and it generated $1,300 in revenue.
That made me wonder:
What if I turned this research into a real product, kept the data updated, and made it available to everyone?
So I spent 3+ hours building with NewMax: the website, payments, analytics, and even a complete affiliate system.
Today, it’s live.
For a limited time, $69 gives you access to the complete library of AI money-making methods broken down by traffic, tools, costs, workflows, and real benchmarks.
You can also become an affiliate, share the product, and earn commissions from your referrals.
《AI 进入社区之后,真正改变的是什么?》
在小红书、抖音、微博已经占据大量用户时间的今天,为什么还有人要做新社区?
新社区的机会通常不来自一个空白话题,而来自用户结构和行为条件的变化。当一批原本不会表达、不会创作、难以找到同好的人,因为新技术开始参与,新的内容、关系和文化才可能出现。
AI 正在提供这样的窗口。它可以降低理解、表达、创作和互动的门槛,让过去只能消费内容的人开始参与。但这只是一种可能:降低参与门槛,并不意味着社区已经产生。
从这个角度看,比如网易小蜜蜂的“蜜蜂 AI”,更像是对“AI 能否成为新社区起点”的一次产品下注。它没有再做一个通用大模型,而是把 AI 放进搜索、交流、创作和分享的具体路径,包括 AI 搜索、AI 助手、个人专属万能“龙虾”和互动小游戏。
判断社区 AI,关键也不在功能数量,而在一个问题:
AI 让谁更容易做了什么?这些行为能否被其他人接住,继续形成内容、关系和文化?
如果没有后半段,AI 仍然只是效率工具。
两种不同的社区 AI 路径
小红书与网易小蜜蜂,刚好代表两条不同路径。
小红书已经拥有庞大的用户规模和丰富的生活内容。用户分享旅行、消费、穿搭、美食等具体经验,其他人通过搜索、比较和评论完成判断。因此,小红书引入 AI 的自然方向,是解释和组织已经存在的社区经验。
AI 在这里更像“社区经验解释器”:从大量笔记中提炼线索、比较观点、降低筛选成本。理想结果不是用一个答案替代所有笔记,而是帮助用户回到原始内容继续验证。
它的价值是压缩搜索成本,但不能压扁经验差异。生活内容有价值,恰恰因为不同人的处境、偏好和判断不同。如果 AI 把多元经验加工成一个看似确定的标准答案,效率提高了,社区最重要的多样性也可能一起消失。
网易小蜜蜂面临的问题不同。
与小红书相比,它还不在同一个用户规模和内容密度阶段。现阶段更重要的是:如何产生足够多的真实表达和稳定互动。
因此,蜜蜂 AI 承担了更主动的任务:降低理解、表达和创作门槛,让“有兴趣但不会表达”的人形成内容,让零散想法成为人与人连接的媒介。它尝试扩大的是社区的行为供给。
这也是小蜜蜂 AI 最有价值,同时风险最大的部分。
首先,AI 搜索已经尝试同时利用外部信息和社区经验,并允许用户补充、纠正。挑战也随之变成:站内知识是否足够密集?来源能否追溯?错误能否及时纠正?用户反馈能否真正进入下一轮答案?
其次,“龙虾”已经可以从私聊进入群聊、内容导览和社区活动。但人机互动增长并不能证明社区关系增长。真正值得观察的是:它最终把用户带向其他用户,还是让 AI 自己成为社交终点?
第三,互动内容已经建立从生成、预览、发布到游玩和分享的链路。接下来需要验证的是,作品能否产生自然传播、用户接力和持续二次创作。内容变多不等于关系变多,游玩时长增加也不等于共创已经发生。
第四,搜索、任务、陪伴和创作都有了产品路径,但目前还缺少一个足够强的原生用户行为,把它们稳定串起来。一次搜索、一个陪伴角色和一套创作工具,仍可能只是三个平行产品,而非一个能够自我强化的社区生态。
所以,小红书更像是先有生态,再用 AI 提高生态的可调用性;小蜜蜂则试图借助 AI 加速生态形成。前者要保护真实经验,后者要防止 AI 替代真实用户。
AI 改变社区的三个层次
新版产品叙事里还有一个值得注意的方向:“更懂人”不再只是给出个性化答案,而是希望在用户授权下理解资料、选择和偏好,减少用户反复解释自己的成本,同时保留信息的修改和删除权。
这个方向比单纯的拟人化陪伴更有价值,但目前仍属于产品原则,效果需要继续验证。
社区 AI 的价值可以分成三层:
第一层:工具价值。
让搜索、理解和生成更快。
第二层:行为价值。
AI 辅助产生的内容能够被别人看到、回应和改造。
第三层:结构价值。
原本沉默的人开始表达,原本分散的人形成关系,社区由此出现新的行为类型。
停留在第一层,AI 是效率工具;进入第二层,它开始成为社区基础设施;推动第三层,它才真正改变社区结构。
所以,AI 更大的价值,不在于替用户生产更多内容,而在于扩大能够参与社区的人,扩大他们能够进行的行为,并提高真实反馈发生的速度。
最终需要观察的,其实只有一条链:
AI 使用 → 内容或互动产生 → 他人反馈 → 用户再次参与或改造 → 新的社区行为
小红书要避免 AI 截断这条链,让用户停留在标准答案;小蜜蜂则要警惕另一种情况:在真实反馈尚未形成时,用机器内容和人机陪伴制造出一条“看起来很繁荣”的链。
AI 可以制造内容繁荣的幻觉,却无法伪造长期的人际关系。
社区的第一性原理并没有因为 AI 改变:用户结构决定行为涌现,对涌现行为的发现、保护与放大,决定社区最终长成什么样。
AI 能改变参与成本、反馈速度和行为空间。
至于一个社区能不能真正活起来,最后还是要看人。
毁掉一场汇报最快的方法:用Skill做PPT
前段时间,朋友因为用Skill做PPT差点被辞退了!!
他用Skill给上司做汇报的PPT,效果很不错。
但在等上司去汇报时候,上司发现漏了关键信息,需要修改几页PPT。
结果,AI生成的PPT不支持修改,最后只能带着错误的数据和大老板解释。
最后上司汇报回来后,特地找他谈话了。
这个事情他留下阴影,说以后再也不用skill做PPT了!!
大多数人认为用skill做PPT效率很高。
但真正经历关键时刻的人才知道,skill做PPT是鸡肋
目前来说,做PPT唯一且正确的做法是用cowork这类的软件去做。
为什么呢?
高手都知道,想要做好一个PPT需要满足三个黄金标准。
在B站上首发的kimi work宣传片,也很好地解释这一点。(不是广子,fable最好用)
下面的线程我们结合素材,一个一个讲清楚👇
非常感谢大家的支持,Mole Mac 的 8 折优惠码延期到明天之前都还有效,刚好持续两周。
这次新增的菜单栏的各种精灵动画效果,支持了软件自启动管理,软件更新管理,以及最有趣的风扇控制等等功能,欢迎更新~
🦊 Mole 1.5.0 is live, mole.fit
A native Mac cleaner that now feels more like a small system companion. New in this release:
• Menu bar monitor: CPU, memory, network speed at a glance, with a tiny runner that moves with your Mac's state
• Fan control: Auto / Cool / Quiet modes with live RPM
• App updates: check and install via Homebrew, App Store, and Sparkle
• Startup manager: Login Items, Launch Agents, Daemons in one place
• Smarter uninstall: alias search, input method cleanup
$9 once, lifetime updates. MOLELOVE 20% off, ends tomorrow
Yangyi retweeted
卧槽,牛马AI 是真的有点东西的
从gpt网页调研对标两个网站,然后生成优化建议之后,直接粘贴给 它
然后自动拆解了任务,生成任务排期 + 任务的依赖关系。
甚至贴心的分出了 可以自动执行的任务 和 需要我参与的任务。
这波设计是真的喜欢.....
此外还有一些小设计用起来也很多惊喜的地方。
比如会自动检测某个工作流问你是不是需要固定下来,是否需要设置成长期任务/自动任务等等。
真是强烈推荐大家试一试的,yangyi老师的产品@yangyi
Yangyi retweeted
现在 @rive_app 的需求还挺多的,只要你会 rive,随便网上发个作品,就有一堆咨询的。
学员亲身经历,很多咨询,还有很多 hr 找上来,说问要不要跳槽的。
AI 时代,界面不会消失,APP 越来越多,锦上添花的效果越来越重要,这会是一个软件能不能留住用户的关键之一
如果你也想学习 Rive ,欢迎来看看我们的课程,国内首个 Rive 入门到实践零基础中文系列课。rivecn.com/courses
Yangyi retweeted
这个人就是我,谢谢 @yangyi 老师推荐
一开始在闲鱼上当个副业做,虽然还没做出大成绩,但是真切地接触到了真实的客户和他们真实的诉求
很多非技术客户非常愿意用 牛马AI,不太愿意用 VSCode + Claude 插件的形式
图中是我的一个小白客户,用 牛马AI 逆向游戏写脚本辅助自己
Yangyi retweeted
推荐阅读若石写的这篇博客:模型不是笨,是 Harness 没配好
AI 智能体跑十步就崩,很多人第一反应是模型太蠢,但这篇文章却给出另一个视角:不是马不行,是缰绳没拴好。
文章提出的 Harness Engineering,你可以理解成给 AI 模型戴上安全带、装上安全气囊的工程实践。
过去两年,我们经历了两个阶段:Prompt Engineering(怎么问)、Context Engineering(喂什么料),但它们对付不了模型多步自主执行时的各种意外。
文章中有一个生动的例子:让一个智能体写市场分析报告,前三步相当顺利,但到第七步突然开始胡编乱造,因为搜索返回的内容超出上下文窗口被默默截掉了;第十步输出一段残破的 JSON,整条链路就此夭折,只能重头再来。
要解决这种问题,Harness Engineering 给出四个简单又实用的原则:
1. 能用代码约束的事儿,别指望模型自觉。
比如 JSON 格式,别在提示词里苦口婆心求模型输出合法内容,直接上 Schema 验证器,非法输出直接回炉。
2. 关键状态必须外置,不让模型在脑子里憋着。
就像你写代码不会只存在内存里一样,模型跑到哪一步、哪些任务完成了、哪些没做,都记到一个外部的 state.json 文件里,这样即使中途崩了,重新启动后还能接着来。
3. 模型输出不能自卖自夸,必须找第三方验收。
永远不要让模型给自己的作业评分,因为它总觉得自己很棒。需要一个独立的 Evaluator 模型,它不看原始思考过程,只对结果验收。最好还真能执行一下(跑跑编译器、打开页面看UI),而不是靠想象力评价。
4. 失败要限制在局部,不能一人出错全家连坐。
工具调用失败了,就让这一步重试,别搞得整个流程跟着陪葬。
文章后半段还提到了几个反直觉的坑:
首先是「上下文焦虑症」。
上下文一旦占了 70% 以上,模型就变得焦躁,开始跳步骤、草草收尾,好像急着下班一样。解决办法也很直观:别死守污染的上下文,干脆存盘、清空、重启一个干净实例继续干。
其次是「自评骗局」。
模型把稀烂的代码夸成“结构清晰、可读性佳”,根本不可信。真实验收标准必须独立而且有执行过程,不然你迟早翻车。
最后是「记忆整理周期」。
长期运行的智能体日志像凌乱的备忘录,新旧信息打架、浪费 token。这时候要做定期整理,把杂乱的日志压缩成清晰的状态文件。有团队靠这个技巧,把 32K token 的日志压到 7K,还一点不掉关键信息。
当然,让你一开始就搭出这种七层塔楼有点难度。
文章中提到了个一天内能落地的最小版本:
- 一个 state.json 存任务状态;
- 工具调用加 try/catch,失败就指数退避重试;
- 模型输出全都 Schema 校验;
- 工具返回的数据统一截断,绝不爆 token。
如果能做到这些,就能大幅提升智能体的任务成功率。推荐阅读原文。
Agents don't fail because models are weak. They fail because systems are undefined.
blog.ltbase.dev/posts/agents…
Yangyi retweeted
欢迎发布自己的游戏视频到这个社区,这里有很多游戏投资人,游戏开发者,还有发行,我对转发大家评论和关注度高的游戏,以及从中选取拍摄对象,视频播客录制,Space直播连线等,祝大家游戏大卖!
xitter.cf/i/communities/16700648…
Yangyi retweeted
昨天最牛逼的开源项目 Pretext
快速而且精准的文本测量算法,可以实现类似报纸的动态图文环绕效果。
这个对 AI 时代的 UI 实时生成非常有用。
有了这个以后,AI 就能清楚地知道每个字符的宽度和总宽度,不会出现闪烁、超出范围和抖动等问题。
Yangyi retweeted
最开始我还以为是纯粹的根据透视做的一个3d小产品,后来的效果视频真的很惊艳。
我后来去深挖了下,这个技术大概是通过不同多角度照片传送到世界模型的api,然后返回Gaussian splattering的点阵图。 所以才能做到drone那样的飞行效果。
Yangyi retweeted
写了一个翻译的 skill,推荐试用,效果我测试下来还可以的。
npx skills add github.com/jimliu/baoyu-skil… --skill baoyu-translate
使用方法很简单,安装后,只要说:
> 翻译 {文件路径}
或者快速翻译,速度最快,质量会差一些
> 快速翻译 {文件路径}
或者精翻,质量最好,时间长一些,token也会消耗更多
> 精翻 {文件路径}
如果配合 baoyu-danger-x-to-markdown skill 可以翻译 X 上的 Article,输入推文 url 就好,配合 baoyu-url-to-markdown 则可以根据 url 翻译文章内容
长文会自动分块,分块后能并行翻译,速度还可以,并且能保证分块后的翻译术语一致性。
可以定制化一些自己的术语表。







































