关于举报和言论自由之间的关系，是这样的： This is a fucking civil war 美国内部的左右纷争正在升级，逐渐进入一场内战。 在战争中有个屁的言论自由 二战期间英国政府会允许你在英国支持德国？ 美国内战期间南北双方都实行了严格的言论管控法，敢公开支持敌方的一律拘捕关押。 自由主义已经彻底失败了 你还不知道吗？ 下注吧，买定离手。 胜的全胜 输的全输
"在魏玛共和国，发生了 1000 多起暗杀事件（定点清除）。 所有出于政治动机的杀戮（包括起义、内乱、街头斗殴、警察镇压）：5-6000 起。 再加上恶性通货膨胀和不断增长的巨额债务，美国正走在一条糟糕的道路上" 长久以来我们都仅仅关注于纳粹的崛起，而忽视了研究魏玛德国。一战后的魏玛德国充满了高通胀，经济崩溃，政治撕裂，内部共产主义猖獗，充斥了血腥的政治暴力。 正是在这种情况下数百万德国人才会投票支持纳粹党上台。 你们已经看到现在美国内部的政治暴力越来越血腥，左右矛盾极度尖锐 外加物价高企，实体经济停滞不前。 但这都还不够，还远不足以让激进右翼成功夺权 Very truly I tell you 真正的混乱时刻会在习主席攻台的时候来临: 亚洲供应链瞬间崩溃，美国通胀爆表，经济大衰退，美左和美右彻底摊牌开打(这一时刻也可能提前)，原有的政治体系全面崩坏。 这个时候才是白人民族主义者崛起的真正时刻。 而此时美国华人是最完美的替罪羊: 积极资助美国国内激进左派势力 长期担任中国间谍，偷技术资助中国军队 在战争期间参与破坏美国基础设施行动 美华到时候的处境，就是犹太人在纳粹德国的处境。 想回国? 我看很难，就算什么都不带，美国人也不见得准你们走。 毕竟技术和知识都装在你们脑子里，对吧? 所以中美洲拘留营已经算是很温和的选项了，所以劝你们多读读一战后的历史。 Woe unto Chinese Americans, doom draws near. Your green cards are your shackles, your citizenship is your prison.
GRITCULT @GRITCULT
4dIn Weimar Germany There were 1000+ Assassinations (targeted kills) All politically motivated killings (including uprisings, civil clashes, street fighting, police repression): 5-6000 This paired with hyperinflation & large debt thats growing America is on a bad path
OpenWorldGame retweeted
在人机交互过程中，人类消费的是 GUI，机器消费的是 API，那么 Agent 消费的是什么？ Agent 必须理解任务的整体场景：用户的目标、当前状态、外部环境（数据、工具、权限），它不是单点调用 API，而是要根据上下文决定调用哪些 API、以何种顺序来完成目标。从这个视角来看，它消费的是上下文（Context）。 人类给 Agent 的输入不是一堆低级操作，而是对目标的"规格说明"或"期望结果"，Agent 的工作是把 Prompt 转换成可执行的 API 调用序列。从这个视角看，它消费的是规范描述（Spec）。 Agent 并非孤立存在，它往往处在多 Agent 协作或人机混合环境中，因此它需要消费一种比 API 更高阶的"交互协议"：包含角色、任务分工、状态同步、反馈循环等等。从这个视角看，它消费的是协议约定（Protocol）。
虽然说起可能出现的排华拘留营我津津乐道 但更大程度上这是一种键政带来的虚幻快感。 然而在某个瞬间 我会突然意识到："这不是幻想。Shit! It's something really gonna happen! " 然后本小黄人开始陷入焦虑。
OpenWorldGame retweeted
前几天练习散打的时候，教练从后面勒我的脖子，我的第一反应是试图掰开勒住脖子的手，但实际上很费力，掰不动，感觉要完蛋了。 教练教我，真正解锁的最佳方法是突然下蹲，这样会让对方勒脖子的手使不上劲。 和教练讨论，再结合问了一下 ai ，原因如下： 1. 突然下蹲让你的重心瞬间降低，攻击者会迅速失去平衡, 勒脖子的手臂力量也大大减弱。 2. 下蹲的时候你是以大腿带动全身的力量，和攻击者的手臂的力量对峙，前者自然容易压制后者。 3. 突然下蹲让脖子的位置低于对方手臂的施力点，对方手臂被迫往下，手臂肌肉处于非最佳发力角度，勒力自然减弱。 4. 攻击者一般不会预料到你突然下蹲，节奏会被打乱，给你自己争取更多时间。 5. 迅速下蹲会使攻击者的手臂滑向你的头部上方，甚至完全失去控制点。 6. 下蹲后，你容易转身，或者攻击对方下盘的薄弱部位，轻松摆脱对方控制。 很多时候解决难题的方法不在卡点，而在别处! 在被卡住的地方使劲挣扎是完全错误愚蠢的做法。"围魏救赵"往往是最佳的选项。 但必须经常刻意练习才能培养良好的直觉，迅速化解困难于无形之中。
People the author mentioned can reply
加拿大国会议员劳伦·科林斯："我们需要思考性别与气候危机之间的交叉点……我们正面临气候紧急情况。" 有这样的选民和政客，加拿大这个国家是没什么希望的...
Thomas Sowell Quotes @ThomasSowell
2dCanadian MP Lauren Collins: "We need to think about the intersection of gender and the climate crisis... We are facing a climate emergency." https://t.co/iactHZe6KQOpenWorldGame retweeted
今年过年回了一趟老家，国内变化这几年还是蛮大的。 1. 江浙沪的新农村搞的很不错。 长三角地区基础设施硬件水平，已经是发达国家水平。几乎家家户户都有一辆以上的汽车。BBA飞入寻常百姓家。绿牌也非常多。 而且软件当面，志愿者服务队也非常棒。 我外婆93岁，一直卧床。志愿者服务队，每周两次过来帮老人洗澡，非常专业。 2. 国内医疗体系效率还是相当高效的。 国内的医疗体系非常高效。一个科十几个诊室，同时开诊。一个普通的病例，一般就是五分钟左右。 然后普通门诊搞不定的，分流到专家门诊。 如果再复杂的案例，再分流到特需门诊。 一个三甲医院一天看的量，美国很多医院看一个月都看不完。 3. 房地产泡沫不知什么时候才是底。 我的老家是计划生育模范市，人口老龄化非常严重。全市总人口不到100万。而 这几年新建的楼盘住宅数量，差不多也在这个量级。大量的高层，大量的空置房。 这么多的库存。 完全看不到短期内消化完的可能性。 底在哪里？ 不知道。 4. 房地产直接拖垮了大量的行业，企业，个人 因为房地产的不景气，导致所有的上下游都不景气。 建材相关的死的七七八八了。 改开几十年积累的建筑相关的公司，资金，人才都没了。 一个笑话，建筑之乡的几大建筑公司被恒大都给拖破产了。 有个供应商一直给恒大做供应的，辛辛苦苦做了十几年，一次翻车，一辈子白干。 恒大商票害死人。 也有亲戚的亲戚，前几年垫资9000万给建筑工程，最后项目烂尾了。他这9000万中，4000万是别人的钱。最后一跳了之。 整个房地产上下游，都惨的一塌糊涂。 相关产品的企业都纷纷试图寻求海外市场，号称不出海就出局。做海外业务的尽量不要跟他们竞争。我们只想挣点钱，他们可是生死存亡之战。 但是海外市场就这么大，后面不少公司不得不出局。 刘鹤的涨价去库存政策，绝对是国家的罪人。 5. 就业难与高度的的自动化 就业形势很不好。另外一方面，各种自动化程度大幅提高，对人员的需要减少了。工业自动化非常牛逼。 以后进厂打螺丝，可能也是一种奢望。 6. 实体店非常艰难，写字楼价格很便宜。 无论是上海的商场，还是机场的商店，还是三线城市，大量的实体店经营压力巨大，大量的空置，真的看了很心酸。 上海的写字楼价格现在非常便宜 500-1000平米以上的写字楼，很多都在1.5万-2.5万/平之间。安居客上可以看到大量的空置写字楼。 我没有很强的信心，否则这个价格，我也想在上海买一层写字楼。 7. 普遍缺乏信心 国内什么都卷的不行，当然也有一些企业被逼的没办法，搞一些创新。但是大大小小的私营老板普遍对国内市场缺乏信心。大家都不知道后面要做什么，怎么办？ 远洋打捞，有，虽然不是很普遍，但是对于民营老板的信心有着非常大的影响。躺平 是很多人的选择。
OpenWorldGame retweeted
> be nvidia > want to sell more GPUs to china > why?? > check the CUDA developer stats > ohfugg.jpg > half of them are chad chinese developers > see them starting to play with Huawei's "Ascend" chips > mfw the two biggest inference engines (vLLM, SGLang) were literally made by them > realize you're losing the people who build your entire goddamn ecosystem > suddenly feel like you're selling a game console but the best game devs are switching to a new one > "We are, how you say, profoundly and deeply f**ked." - Jensen, probably
Peter Wildeford
@peterwildeford
3dYou have to ask - why is Nvidia so obsessed with selling to China? Why not put our American hyperscalers, American AI, and Americn cloud first? @peterwildefordOpenWorldGame retweeted
中高手不太需要文章。。。他们自己知道自己该找什么。 实际上，各个领域最需要的，反而是类似于阮一峰这样的人。 深入浅出是很厉害的能力。
GeekPlux @geekplux
3d为什么有的人，从我开始学计算机的时候就在写入门文章，十几年过去了，还在写入门文章OpenWorldGame retweeted
投资里，没有所谓的错过机会，因为机会永远有，而且大机会也一直有。只要活得足够长，就必然能够抓住一些大机会，正如经济学家科斯所说，一个经济学家，只要你活得足够长，就能获得诺奖。所以，关键是活得足够长。段永平的牛逼之处是，他在很早的时候就提出了「更健康更长久」的主张。
OpenWorldGame retweeted
过去这些年里，前前后后看了建筑大行业、计算机的"行业周期"。 感慨一句： 行业上行期，招人是"不是傻子就行"； 行业衰退期，招人是"不是牛人不面"； "时来天地皆同力，运去英雄不自由。"
OpenWorldGame retweeted
ChatGPT 和 Claude 都有记忆功能，但两者实现原理截然不同。 以前研究 Claude Code 的时候，发现它不是基于 RAG 而是基于 grep 工具使用正则检索代码，没想到 Anthropic 把这一点进一步发扬光大，在 Claude 网页版的记忆功能中，也是基于实时搜索来做的，跟 ChatGPT 的记忆功能思路完全不一样。 ChatGPT 的记忆模式是自动化、魔法般的个性记忆，不需要用户提醒，自动的悄悄记录用户的使用细节。所以以前经常有提示词让 ChatGPT 根据对自己的记忆来描述自己或者画像。 当新开对话，ChatGPT 会把对用户的记忆作为上下文一起发给模型，让你觉得 GPT 很懂你。当然有时候也会因为错误的记忆导致一些混乱，尤其是多人共用账号的情况。 Claude的记忆模式是基于检索的，每次新开对话，都没有任何任何历史记忆，只有当你明确告诉 Claude 需要用到某条记忆内容，它才会从真实的历史记录中精准提取信息。 Claude的记忆功能分为两种：一是基于关键词搜索历史对话，二是以时间线为索引检索近期聊天。 Claude 这种设计很自然地适合专业用户——尤其是程序员、研究人员或科技爱好者。他们通常有清晰的意图，知道自己什么时候需要AI调用记忆。 而相对的，ChatGPT构建的并非历史记录检索，而是一种自动生成的用户画像。这种模式无需用户主动操作，也更符合大众消费产品的使用直觉：一切皆自动，一切皆便利。 对于这两种不同的记忆模式很难说孰优孰劣，各有优缺点。其实我个人还偏好 Claude 的一点，按需检索，而不会收到历史记录影响。 也许更好的模式是两者结合。
宝玉 @dotey
June 22Claude Code 的强大，首先是模型的强大，Claude 4 无论是 Sonnet 还是 Opus，在编程和 Agent 能力上都很强！这是成功的基础。 然后是内置工具的强大，Claude Code 内置有 18 个工具，这些工具有 Grep 检索代码的，有执行命令的，有 TODOOpenWorldGame retweeted
绝大多数看似成功的人，其实分不清范式、努力和运气的区别。他们把成功绝大部分功于个人努力，把失败全归咎于自己不够拼。 本质上他们忽略了一个根本事实，范式（paradigm）本质上是一个时代的游戏规则。它决定了什么事情容易成功，什么事情几乎不可能成功。很多所谓"努力就能成功"的故事，其实只是碰巧踩中了时代的风口。 而真正理解范式的人，知道努力只是成功的一部分，运气才是你恰好在对的时间、地点遇到对的机会，而能力则决定你能抓住机会的高度。混淆了这些概念，就容易陷入"我拼命了为什么不成功"的无尽焦虑，也容易高估自己的能力，把运气当成必然。 想要真正掌握人生，不是单纯更努力，而是学会看清范式、判断趋势、提高能力，在对的风口上发力。否则再努力，也只是和时代赛跑，却可能永远落在后面。
OpenWorldGame retweeted
Anthropic 的工程团队又发表了一篇 AI Agent 相关的技术文章《为 AI 智能体打造高效工具》，他们家的 AI Agent 文章我每篇都会看好几遍，时不时会重翻一下，你想学习如何开发 AI Agent，Anthropic 写的是一定要看 ，毕竟现在最好的 Coding Agent Claude Code 就是他们家的，都是一手经验。 虽然现在很多人在吹 Codex，但我觉得就 Coding Agent 能力来说，目前最强还得是 Claude Code，那为什么 Claude Coding 这么强呢？ 主要归功于两点：Agent 能力强的模型 + 合适的工具 当然很多人会说还有编程能力和上下文工程，但我觉得编程能力现在已经是一线模型的基础能力了，不需要单独拿出来说； 而上下文工程这个更多是个概念，你要真看过 Claude Code 的实现，就会发现它没啥上下文工程，就是把所有会话一股脑发给模型，让模型来决定是继续调用啥工具还是输出最终结果，最多用了 SubAgent 分摊一下上下文，本质上还是模型在帮着管理上下文。 先说模型，现在的大语言模型已经不是简单的聊天模型，，主要分为以下几类： 1. 大模型的聊天能力就是语言能力，能看懂你输入的内容，能输出高质量的文字内容，以 GPT-4o 为代表 2. 推理能力就是字面意思的逻辑推理，通常会借助思维链（CoT，Chain of Thought），在输出内容前先反复推理思考，可以解决复杂的数学问题和编程问题，以 o1、DeepSeek R1 为代表 3. Agent 能力就是模型可以自主制定并执行计划，调用外部工具或资源，自动完成复杂任务，比如现在比较火的 Coding Agent、Deep Research，以 Claude 4 系列模型和 GPT-5 为代表，国内的豆包 Seed 1.6、 DeepSeek V3、GLM 4.5、Kimi K2、Qwen-Coder 都不错。 但这些能力是有些冲突的，所以你会看到 Gemini 2.5 Pro 这样代码能力很强、写作也很强，但是 Agent 能力不强，最终 Gemini CLI 就是能力平平。 然后像 GPT-5、Claude 4，在 Agent 能力上很强，而写作能力就不太好，尤其是 GPT-5，写出来的东西真没法看。 当然未来的趋势还是模型越来越通用，一个模型可以都很强，GPT-5 就在探索这个方向，只是还没做好，但 GPT-6 应该就可以了，现在可以预期一下 Gemini 3.0 和 DeepSeek R2，说不定会有惊喜。 为什么说出了模型之外就是工具的能力呢，因为当模型有了不错的 Agent 能力，这时候就得依赖工具去完成各种任务了，比如检索代码库、读取文件、生成更新TODO、更新代码等等。 就好比一个人，有了趁手的工具就能事半功倍，否则空有一身本事也使不上力。 所以你看 Claude Code，即使接入的不是 Claude 的模型，而是国产的有 Agent 能力模型，一样能干的挺好，毕竟它针对 Coding 这个场景设计的十几个工具，组合起来就能高效完成几乎所有的编程任务。 所以回头看《为 AI 智能体打造高效工具》这篇文章，里面特地强调了高效工具的五个核心原则： 1. 谨慎选择工具 工具不是越多越好，Claude Code 的工具数量一直被控制在20个以内，通常在15个左右，这里有两个原因：1). 工具越多，占用上下文空间越大；2). 工具多了 AI 反而不知道该选什么工具 所以你要是看到有人推荐你安装一大堆 MCP 工具或者一大堆 Sub Agent，那多半是不靠谱的 2. 清晰的命名空间 当你的工具多了以后，给工具的名字加上命名空间能够显著降低大模型犯错概率，帮助其准确调用。之前 Manus 有一篇《AI 智能体的上下文工程：构建高效 Agent 的七个宝贵教训》里面也提到类似的技巧，借助统一的前缀为工具分组。 例如，与浏览器相关的工具都以 browser_ 开头，而命令行工具则以 shell_ 开头。 3. 让工具返回更具意义的上下文 工具不应将大量无关信息返回给 Agent，而应只返回高质量、有实际意义的信息。举个例子来说，你让一个工具去根据错误信息帮你 Debug（调试） 代码问题，Debug 过程中检索的搜索结果、读取的文件代码就没必要返回给，只要返回错误信息对应的代码路径和相关代码就好了 4. 优化返回信息的Token效率 上面第 3 条重点说的是工具返回结果的质量，但数量也同样重要。举个 Claude Code 的细节，如果你一个代码文件少于 2000 行（实际可能有出入）， Claude 会直接一次性加载到上下文中，如果超过这个数，那么它就会先调用代码检索工具，从文件中检索出跟上下文相关的一部分代码读取，根据需要可能多次读取，这样就算面对十万行以上的代码文件（我自己测试过），也能正常工作，而不是马上爆掉上下文。 前面提到的 Manus 的那篇文章，也有过类似的分享：将文件系统作为外部上下文，就是把长的内容存到文件系统中，上下文中只保留文件路径，需要的时候再完整读取或者部分读取。 另外还有就是工具在出错时要返回有意义的错误信息，而不是需要额外查询文档的错误代码，简单说就是不止要让模型知道出错了，还要知道错在哪里了，最好是怎么处理错误都一起告诉模型，这样它才能在出错后自己纠错改正。 嗯，Manaus 那篇文章也提到了保留并利用错误信息进行纠错。 5. 通过提示工程提升工具说明的质量 Agent 的所有工具说明和调用参数都会和系统提示词一起发给模型，如果你的工具说明不清晰，那么模型就无法知道工具是用来干嘛的，调用出错的概率会很高，所以工具描述本身也是一种"提示工程"，它决定了大模型如何理解并调用工具。细致明确的工具描述能极大提升大模型对工具调用的准确性。 工具说明的 Prompt 可以让 AI 来帮你写，但你自己还是验证 AI 写的对不对，并且还要反复测试调整。
Anthropic @AnthropicAI
4dNew on the Anthropic Engineering blog: writing effective tools for LLM agents. AI agents are only as powerful as the tools we give them. So how do we make those tools more effective? We share our best tips for developers: anthropic.com/engineering/wr…OpenWorldGame retweeted
从人均寿命的角度来说，相当于美国人人均寿命因枪击死亡，要降低差不多四个月或者0.3岁。 全球枪击死亡概率最低有两个国家，大家可以猜一猜哪两个。 移民这两个国家，直接增寿四个月。
OpenWorldGame retweeted
平均而言，一个在美国生活的人每年被枪击死亡的概率是1/7100，或者说万分之一点四。 用人均寿命算，终身遭遇一次枪击并死亡的概率刚好是1%。 每在美国生活十年，被枪击死亡的概率就增加0.14% 不要以为这是无聊的统计数字，实际上上个月我有一个前同事和孙女就在买菜时被枪杀了。
seekinganythingbutalpha @ivanalog_com
4d美国每天平均有300多人被枪击，其中被枪击死亡的人数为127人，标准差为死亡20人。 统计上来说，只有死亡人数低于67人或者高于187人才算是值得报道的新闻。其它的事件都属于噪音。 有人有一天在我这儿说为什么高净值人群还要呆在中国。这就是原因之一。OpenWorldGame retweeted
美国每天平均有300多人被枪击，其中被枪击死亡的人数为127人，标准差为死亡20人。 统计上来说，只有死亡人数低于67人或者高于187人才算是值得报道的新闻。其它的事件都属于噪音。 有人有一天在我这儿说为什么高净值人群还要呆在中国。这就是原因之一。
早上X刷屏的一万亿是『人民币』，不是美元。当然，一万亿人民币也不是说掏就能掏出来的，看怎么辗转腾挪吧。 根据李稻葵的估计，地方政府负债估计是10万亿人民币元，相当于去年中国国内生产总值的7%。 李稻葵肯定低估了，所以一万亿人民币也是远远不够的。
没有评论:
发表评论