关于AIGC人工智能、思维方式、知识拓展，能力提升等。投稿/合作： @inside1024_bot
AIGC 领域的最新工具、开源项目以及行业大事件
AIGC 领域的最新工具、开源项目以及行业大事件
蹬Codex的朋友们注意了！分享个好东西~刚发现一个 Codex Radar 雷达站，极其牛批，纯免费公益！
简单说说功能吧：
1、时时刻刻盯着 Tibo 动态来预测重置时间，方便你蹬，预测准确率强；
2、GPT降智问是大家经常担心的点，它通过实时的真实开源任务、众包运行以及独立的评分机制对其进行追踪，方便了解当前智力状态。
3、分布式雷达目前主要使用 DeepSWE 真实开源仓库任务，并通过持续复测观察模型变化。
Codex 雷达负责“看结果、读趋势、做选择”，分布式雷达负责“跑测试、产数据、验结果”。
使用Codex雷达的两种方式:
📡codexradar.com — 一个简洁的仪表板，用于追踪 Codex IQ、成本、速度及性能方面的变化。
🛰️deng.codexradar.com — 实时社区基准平台，您可在此运行真实的开源任务并贡献数据。
主站目前日活跃访问量约三万至四万，月活跃访问量约三十万，粉丝群搞了40个了。有点东西。
（ps.某鹅厂实验室朋友的业余作品.....）
@aigc1024
简单说说功能吧：
1、时时刻刻盯着 Tibo 动态来预测重置时间，方便你蹬，预测准确率强；
2、GPT降智问是大家经常担心的点，它通过实时的真实开源任务、众包运行以及独立的评分机制对其进行追踪，方便了解当前智力状态。
3、分布式雷达目前主要使用 DeepSWE 真实开源仓库任务，并通过持续复测观察模型变化。
Codex 雷达负责“看结果、读趋势、做选择”，分布式雷达负责“跑测试、产数据、验结果”。
使用Codex雷达的两种方式:
📡codexradar.com — 一个简洁的仪表板，用于追踪 Codex IQ、成本、速度及性能方面的变化。
🛰️deng.codexradar.com — 实时社区基准平台，您可在此运行真实的开源任务并贡献数据。
主站目前日活跃访问量约三万至四万，月活跃访问量约三十万，粉丝群搞了40个了。有点东西。
（ps.某鹅厂实验室朋友的业余作品.....）
@aigc1024
给 AI 和 Agent 界面用的思考球加载动画 React 组件。六种动画状态、两种尺寸，纯 2D Canvas 画，自动切暗/亮主。
https://github.com/Jakubantalik/thinking-orbs
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
https://github.com/Jakubantalik/thinking-orbs
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
英伟达CEO黄仁勋最新采访说：华尔街又误解了中国AI模型！
DeepSeek上次被误解，这次Kimi又来了。他认为：开源的便宜中国模型会让AI变得更普及、使用量大增，反而会拉动更多显卡和数据中心需求，对NVIDIA是大利好！
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
DeepSeek上次被误解，这次Kimi又来了。他认为：开源的便宜中国模型会让AI变得更普及、使用量大增，反而会拉动更多显卡和数据中心需求，对NVIDIA是大利好！
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
最近半年，模型的训练是在 agentic coding 方面一直突飞猛进 RLVR
但在其他领域却止步不前
甚至英文写作都开始倒推了
模型说的越来越难懂了
模型的泛化，并没有真正发生
Opus 从 4.7 到 5 完全都是失败的试验品
Mythos 和 Fable 也都是刚出来没太多 RL 的时候最好
RLVR 之后，我们也许需要一些新的 RL
@aigc1024
很多提示词和 Skill，都已经过时了。
Anthropic 的工程师发了一篇文章，提到他们针对 Claude Opus 5、Claude Fable 5 这一代新模型，团队把 Claude Code 的系统提示词删掉了 80% 以上，结果在代码评测里没有看到明显损失。
这件事至少说明，在 AI 快速变化的节奏里，很多所谓的最佳实践，保质期可能非常短。
模型能力一直在提升，一些过去必须反复强调的规则，今天可能已经没有价值，甚至会限制模型的表现。
我也想借这个机会，写一下最近关于提示词和 Skill 的一些真实经验和思考，希望能够给大家一些启发。
一、提示词依然重要
现在很多人会觉得，提示词已经没有什么意义了。
这对了一半。过去那种八股文式的提示词，价值确实越来越低。比如先给 AI 设定一个复杂角色：
你是一位资深的新媒体编辑，熟悉互联网行业，拥有十年写作经验，请帮我优化这篇文章。
这类角色预置，在新模型上的作用已经没有过去那么明显。模型本身知道编辑是怎么工作的，也知道一篇文章大概要怎么修改。
但这不代表提示词不重要。
如果把提示词换成另一个词，它其实就是：我们怎么跟 AI 沟通。
就像我们和人沟通一样，同样让一个人完成一件事，不同的沟通方式，最后得到的结果也可能完全不同。
所以，我现在更愿意把提示词理解成一种沟通思路。你怎么描述问，怎么拆解任务，怎么告诉 AI 你真正关心什么，这些依然无比重要。
比如，我想让 AI 帮我总结一篇论文，我很少只说总结一下这篇论文。
我通常会告诉它：
这篇论文主要解决了什么问？作者是怎么解决的？这个方法和过去的方法相比，真正的变化是什么？
这样问之后，AI 的回答通常会更容易抓住论文的主线。
因为我没有只给它一个模糊的动作，而是告诉了它，我想从哪些角度理解这篇论文。
二、少做角色预置，把任务说清楚
过去写提示词，大家喜欢铺垫很多背景。
先设定角色，再描述能力，然后补充语气、风格、工作流程，最后才说真正要完成什么。
提示词写了几百字，核心任务可能只有一句。
现在我觉得，这些铺垫很多时候已经没有必要。
提示词里真正重要的，是把几件事情分开说清楚。包括这次要达到什么目标，规则或者流程是什么，怎么才算完成。
比如，整理一段语音底稿，可以这样写：
把下面的语音底稿整理成一篇可以继续修改的公众号初稿。
删除重复的口头禅，合并意思相近的内容，调整明显跳跃的段落。
注意保留原来的核心判断，不主动增加新的观点、案例和结论。
完成标准是读者能够看清文章在讨论什么，作者的核心判断是什么，以及这些判断之间有什么关系。
我现在越来越觉得，好的提示词不需要写得复杂，先把这几件事情想清楚，已经解决了大部分问。
其实就像把一件事交代给同事，你怎么说，他才更容易理解。
三、规则需要有，但不要太多
有一段时间，我看到特别长的提示词，会觉得非常专业，恨不得马上保存下来。
现在的感受刚好相反。
一条提示词特别长，很多时候说明写提示词的人自己也没有完全想清楚。
他只是把可能遇到的问全部堆了进去，希望模型自己处理。
规则当然需要。
比如我在写作时发现，模型经常大量使用单字动词，文章读起来会比较硬。
我不喜欢这种表达，就会明确告诉它尽量使用更准确的双字动词，但不要为了凑字显得生硬。
这属于稳定的个人偏好，告诉模型是有价值的。但规则太多就会出现问。
比如你同时要求语言简洁、内容详细、不要长句、不要太口语、不要调整原文节奏、同时优化文章结构......
这些规则很容易打架。
毕竟模型必须先花费大量精力理解哪一条规则优先，最后可能每一条都照顾了一点，但整体效果反而下降。
新模型已经具备比较强的推理和判断能力。提示词不需要提前规定每一个动作，只需要保留那些真正重要的规则。
规则越多，不一定代表控制越精确，也可能代表人没有完成取舍。
四、要不要提供示例，要具体情况具体看
以前写提示词，还有一个非常常见的做法，就是提供大量示例。
这个方法当然有效，但我现在越来越谨慎。
因为示例一方面能够帮助模型理解我们的要求，另一方面也会限制模型的探索空间。
尤其是模型能力越来越强以后，它有时候会过度模仿示例，最后只能在示例附近生成答案。
所以，要不要提供示例，我觉得不能一概而论。需要自己结合具体的情况去试。
现在，我大部分的情况下，都默认不提供示例。
比如让 AI 帮忙写文章开头，我提供了示例，它基本就照猫画虎了，很刻意。
其实这时候，我们可以把自己思路说的更具体点，比如：
这个开头可以考虑从一个具体故事进入，也可以从一组反常的数据进入，或者从我最近的一个真实感受进入。
这并没有规定开头必须怎么写，但给了模型几个明确的思考方向。
所以，仍然是那句，思路非常重要。
五、告诉模型，什么样才算完成
这也是我最近非常重视的一点。
我们经常告诉 AI 要完成什么，却很少告诉它，什么样的结果才算完成。
比如让 AI 总结一篇文章，最简单的提示词是：
总结这篇文章。
但你也可以写成：
总结这篇文章。完成后，我希望能够回答三个问：作者发现了什么变化？为什么会发生这种变化？这件事对普通从业者有什么影响？
这相当于给模型提供了一个简单的验收标准。
再比如，让 AI 完成一份产品分析，可以说：
最终结论需要能够帮助团队做出产品决策，不能只介绍产品有哪些功能。
这个要求就比请深入分析这个产品清楚很多。
深入是一个非常模糊的形容词。什么叫深入，每个人的理解都不一样。但能不能支持产品决策，是一个可以检查的标准。
说完提示词，再说 Skill。Skill 就是一份按需加载的小型工作手册。但并不是每一个提示词、每一个场景，都适合做成 Skill。
一、经常发生、流程稳定的事情，才适合做成 Skill
我觉得一类任务想要做成 Skill，至少要满足几个条件：
第一，它经常发生。第二，它的工作流程相对稳定。第三，里面包含一些模型本身不知道的个人经验、团队经验或者业务知识。
这些事情会反复出现，处理方式也相对稳定，适合慢慢沉淀成 Skill。
但某一篇文章的具体观点和材料，没有必要放进 Skill。它们只和当前任务相关，直接作为参考材料提供给模型就可以了。
没必要把所有东西都做成 Skill。
Agent 在运行时，即便没有加载 Skill 的全部内容，通常也需要先读取它的名称、简介和适用范围。这些基础信息同样会进入上下文，对模型的判断产生影响。
Skill 越多，不代表 Agent 越强。大量边界模糊的 Skill，也可能让模型不知道该调用哪一个。
二、Skill 里要放独特经验
我觉得一个 Skill 最有价值的地方，绝对不是那些网上随便就能找到的常识。
比如你在写作 Skill 里写文章要有逻辑、标要有吸引力，这些内容模型本来就知道，写进去不会带来太大帮助。
真正有价值的是你自己的经验。
比如，修改语音底稿时，要保留口语里的活人感，每个核心判断最好有一个事实、数据或者亲身经历支撑。
这些内容代表了我们的个人品味、工作经验和业务知识。把这些经验编码进 Skill，才是 Skill 真正的价值。
三、Skill 需要控制抽象程度和边界
很多 Skill 的问，是解决问的范围太大。
比如一个叫写作的 Skill，边界就非常模糊。写作包括选、资料阅读、形成观点、整理初稿、修改结构、优化语言、生成标、检查错别字。
每一个环节需要的经验和评价标准都不一样。
把所有东西都放进同一个 Skill，最后这个 Skill 只会越来越长。
所以我觉得，Skill 最好只解决一个相对明确的问。比如口述内容整理 Skill、标生成 Skill、事实核查 Skill。
Skill 的边界越清楚，模型越容易判断什么时候调用，也越容易把它做好。
四、Skill 的主文件应该尽量短
Skill 通常是一个文件夹。
里面可以包含主文件、参考案例、常见问、风格规范、检查清单，以及其他辅助材料。
所以没有必要把所有内容都写进主文件。
主文件只需要告诉模型：这个 Skill 什么时候使用、它主要解决什么问、有哪些核心原则、默认按照什么思路推进、遇到具体问时，可以继续读取哪些参考文件。
至于详细示例、风格要求、常见错误，可以放进单独的文件，等模型真正需要时再加载。
主文件是一张地图。模型先看地图，判断这次任务需要哪些内容，再继续读取相应的文件。
这就是渐进式加载。
不需要的内容不要提前塞给模型。这样既能减轻上下文负担，也能够减少不同规则之间的冲突。
五、Skill 最好包含检查环节
这一点和提示词非常接近。
只告诉模型怎么生成，往往还不够。一个好的 Skill，最好包含一套简单的自检标准。
比如产品体验稿 Skill，可以检查：有没有写清楚真实使用场景、有没有说明过去的方法有什么问、有没有只有功能，没有判断。
这些自检标准，也是在告诉模型什么样才算完成。
一个 Skill 的价值，不能只体现在生成过程，还要体现在它能够帮助模型判断结果是否合格。
@aigc1024
Anthropic 的工程师发了一篇文章，提到他们针对 Claude Opus 5、Claude Fable 5 这一代新模型，团队把 Claude Code 的系统提示词删掉了 80% 以上，结果在代码评测里没有看到明显损失。
这件事至少说明，在 AI 快速变化的节奏里，很多所谓的最佳实践，保质期可能非常短。
模型能力一直在提升，一些过去必须反复强调的规则，今天可能已经没有价值，甚至会限制模型的表现。
我也想借这个机会，写一下最近关于提示词和 Skill 的一些真实经验和思考，希望能够给大家一些启发。
一、提示词依然重要
现在很多人会觉得，提示词已经没有什么意义了。
这对了一半。过去那种八股文式的提示词，价值确实越来越低。比如先给 AI 设定一个复杂角色：
你是一位资深的新媒体编辑，熟悉互联网行业，拥有十年写作经验，请帮我优化这篇文章。
这类角色预置，在新模型上的作用已经没有过去那么明显。模型本身知道编辑是怎么工作的，也知道一篇文章大概要怎么修改。
但这不代表提示词不重要。
如果把提示词换成另一个词，它其实就是：我们怎么跟 AI 沟通。
就像我们和人沟通一样，同样让一个人完成一件事，不同的沟通方式，最后得到的结果也可能完全不同。
所以，我现在更愿意把提示词理解成一种沟通思路。你怎么描述问，怎么拆解任务，怎么告诉 AI 你真正关心什么，这些依然无比重要。
比如，我想让 AI 帮我总结一篇论文，我很少只说总结一下这篇论文。
我通常会告诉它：
这篇论文主要解决了什么问？作者是怎么解决的？这个方法和过去的方法相比，真正的变化是什么？
这样问之后，AI 的回答通常会更容易抓住论文的主线。
因为我没有只给它一个模糊的动作，而是告诉了它，我想从哪些角度理解这篇论文。
二、少做角色预置，把任务说清楚
过去写提示词，大家喜欢铺垫很多背景。
先设定角色，再描述能力，然后补充语气、风格、工作流程，最后才说真正要完成什么。
提示词写了几百字，核心任务可能只有一句。
现在我觉得，这些铺垫很多时候已经没有必要。
提示词里真正重要的，是把几件事情分开说清楚。包括这次要达到什么目标，规则或者流程是什么，怎么才算完成。
比如，整理一段语音底稿，可以这样写：
把下面的语音底稿整理成一篇可以继续修改的公众号初稿。
删除重复的口头禅，合并意思相近的内容，调整明显跳跃的段落。
注意保留原来的核心判断，不主动增加新的观点、案例和结论。
完成标准是读者能够看清文章在讨论什么，作者的核心判断是什么，以及这些判断之间有什么关系。
我现在越来越觉得，好的提示词不需要写得复杂，先把这几件事情想清楚，已经解决了大部分问。
其实就像把一件事交代给同事，你怎么说，他才更容易理解。
三、规则需要有，但不要太多
有一段时间，我看到特别长的提示词，会觉得非常专业，恨不得马上保存下来。
现在的感受刚好相反。
一条提示词特别长，很多时候说明写提示词的人自己也没有完全想清楚。
他只是把可能遇到的问全部堆了进去，希望模型自己处理。
规则当然需要。
比如我在写作时发现，模型经常大量使用单字动词，文章读起来会比较硬。
我不喜欢这种表达，就会明确告诉它尽量使用更准确的双字动词，但不要为了凑字显得生硬。
这属于稳定的个人偏好，告诉模型是有价值的。但规则太多就会出现问。
比如你同时要求语言简洁、内容详细、不要长句、不要太口语、不要调整原文节奏、同时优化文章结构......
这些规则很容易打架。
毕竟模型必须先花费大量精力理解哪一条规则优先，最后可能每一条都照顾了一点，但整体效果反而下降。
新模型已经具备比较强的推理和判断能力。提示词不需要提前规定每一个动作，只需要保留那些真正重要的规则。
规则越多，不一定代表控制越精确，也可能代表人没有完成取舍。
四、要不要提供示例，要具体情况具体看
以前写提示词，还有一个非常常见的做法，就是提供大量示例。
这个方法当然有效，但我现在越来越谨慎。
因为示例一方面能够帮助模型理解我们的要求，另一方面也会限制模型的探索空间。
尤其是模型能力越来越强以后，它有时候会过度模仿示例，最后只能在示例附近生成答案。
所以，要不要提供示例，我觉得不能一概而论。需要自己结合具体的情况去试。
现在，我大部分的情况下，都默认不提供示例。
比如让 AI 帮忙写文章开头，我提供了示例，它基本就照猫画虎了，很刻意。
其实这时候，我们可以把自己思路说的更具体点，比如：
这个开头可以考虑从一个具体故事进入，也可以从一组反常的数据进入，或者从我最近的一个真实感受进入。
这并没有规定开头必须怎么写，但给了模型几个明确的思考方向。
所以，仍然是那句，思路非常重要。
五、告诉模型，什么样才算完成
这也是我最近非常重视的一点。
我们经常告诉 AI 要完成什么，却很少告诉它，什么样的结果才算完成。
比如让 AI 总结一篇文章，最简单的提示词是：
总结这篇文章。
但你也可以写成：
总结这篇文章。完成后，我希望能够回答三个问：作者发现了什么变化？为什么会发生这种变化？这件事对普通从业者有什么影响？
这相当于给模型提供了一个简单的验收标准。
再比如，让 AI 完成一份产品分析，可以说：
最终结论需要能够帮助团队做出产品决策，不能只介绍产品有哪些功能。
这个要求就比请深入分析这个产品清楚很多。
深入是一个非常模糊的形容词。什么叫深入，每个人的理解都不一样。但能不能支持产品决策，是一个可以检查的标准。
说完提示词，再说 Skill。Skill 就是一份按需加载的小型工作手册。但并不是每一个提示词、每一个场景，都适合做成 Skill。
一、经常发生、流程稳定的事情，才适合做成 Skill
我觉得一类任务想要做成 Skill，至少要满足几个条件：
第一，它经常发生。第二，它的工作流程相对稳定。第三，里面包含一些模型本身不知道的个人经验、团队经验或者业务知识。
这些事情会反复出现，处理方式也相对稳定，适合慢慢沉淀成 Skill。
但某一篇文章的具体观点和材料，没有必要放进 Skill。它们只和当前任务相关，直接作为参考材料提供给模型就可以了。
没必要把所有东西都做成 Skill。
Agent 在运行时，即便没有加载 Skill 的全部内容，通常也需要先读取它的名称、简介和适用范围。这些基础信息同样会进入上下文，对模型的判断产生影响。
Skill 越多，不代表 Agent 越强。大量边界模糊的 Skill，也可能让模型不知道该调用哪一个。
二、Skill 里要放独特经验
我觉得一个 Skill 最有价值的地方，绝对不是那些网上随便就能找到的常识。
比如你在写作 Skill 里写文章要有逻辑、标要有吸引力，这些内容模型本来就知道，写进去不会带来太大帮助。
真正有价值的是你自己的经验。
比如，修改语音底稿时，要保留口语里的活人感，每个核心判断最好有一个事实、数据或者亲身经历支撑。
这些内容代表了我们的个人品味、工作经验和业务知识。把这些经验编码进 Skill，才是 Skill 真正的价值。
三、Skill 需要控制抽象程度和边界
很多 Skill 的问，是解决问的范围太大。
比如一个叫写作的 Skill，边界就非常模糊。写作包括选、资料阅读、形成观点、整理初稿、修改结构、优化语言、生成标、检查错别字。
每一个环节需要的经验和评价标准都不一样。
把所有东西都放进同一个 Skill，最后这个 Skill 只会越来越长。
所以我觉得，Skill 最好只解决一个相对明确的问。比如口述内容整理 Skill、标生成 Skill、事实核查 Skill。
Skill 的边界越清楚，模型越容易判断什么时候调用，也越容易把它做好。
四、Skill 的主文件应该尽量短
Skill 通常是一个文件夹。
里面可以包含主文件、参考案例、常见问、风格规范、检查清单，以及其他辅助材料。
所以没有必要把所有内容都写进主文件。
主文件只需要告诉模型：这个 Skill 什么时候使用、它主要解决什么问、有哪些核心原则、默认按照什么思路推进、遇到具体问时，可以继续读取哪些参考文件。
至于详细示例、风格要求、常见错误，可以放进单独的文件，等模型真正需要时再加载。
主文件是一张地图。模型先看地图，判断这次任务需要哪些内容，再继续读取相应的文件。
这就是渐进式加载。
不需要的内容不要提前塞给模型。这样既能减轻上下文负担，也能够减少不同规则之间的冲突。
五、Skill 最好包含检查环节
这一点和提示词非常接近。
只告诉模型怎么生成，往往还不够。一个好的 Skill，最好包含一套简单的自检标准。
比如产品体验稿 Skill，可以检查：有没有写清楚真实使用场景、有没有说明过去的方法有什么问、有没有只有功能，没有判断。
这些自检标准，也是在告诉模型什么样才算完成。
一个 Skill 的价值，不能只体现在生成过程，还要体现在它能够帮助模型判断结果是否合格。
@aigc1024
AI 越强，人越喜欢单干。人越单干，会到某一天猛然发现，人与人之间的专业协作必不可少。
AI 很容易让一个人的长处变得更长，同时让一个人的短处得到些微弥补。AI 有个陷阱是，很容易让人的短处变成迷障。以为通过 AI，能让自己学会之前不懂的。实际往往只是通过 AI 学了皮毛，内心里却滋生了狂妄。
@aigc1024
AI 很容易让一个人的长处变得更长，同时让一个人的短处得到些微弥补。AI 有个陷阱是，很容易让人的短处变成迷障。以为通过 AI，能让自己学会之前不懂的。实际往往只是通过 AI 学了皮毛，内心里却滋生了狂妄。
@aigc1024
Windows 上缺一个不占任务栏又不挡视线的工具面板，能随手处理待办、笔记、剪切板、媒体控制和 AI 编程状态。FocuSD Island 是个透明悬浮岛，贴在屏幕顶部，把日常杂事收进一个小面板里。
https://github.com/zzliu93-debug/FocuSD
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
https://github.com/zzliu93-debug/FocuSD
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
https://github.com/vibe-motion/remotion-code-motion-explainer
开源我自己做的一个面向 AI Agent 的代码动画导演 Skill：把脚本、旁白、字幕、产品流程、技术原理和 参考视频转化为可编辑、可参数化、可逐帧验证的 Remotion 动画。
欢迎大家体验共建！
@aigc1024
😃 爆庄实录｜3天狂揽1086万U😃 新客首存6万U，豪提209万U😃 500一拉，PG实力兑现133万U
1.PG电子赏金女王一举斩获830万并成功提现
2.PA真人豪赢644万一路长虹一天实现暴富
3.PG电子爆890万并以成功提现实现财富自由
4.大哥在PA真人百家乐累计盈利突破1000万
大额出款额外奖励8888-128888，双重日存彩金128888+4688每日送，周流水彩金68888每周送，双重签到彩金16888+3888送不停
【 #182体育 全网独此一家】
公平、公正、公开、 信誉第一、服务第一
不限ip、 免实名、免绑卡、免绑手机号码
每日存款彩金每日送，每笔存款加赠1%
专属VIP客服：@vipkf_182ty8
体育赛事推荐：@VIP182TYTJ
双向用户点击： @vipkf_182ty2_bot
吃瓜搞笑：@chiguagaoxiaoxinwen
✅ 关注福利频道：@vip182ty888
