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
老品牌，值得信赖、相信品牌的力量
🌐球速体育官网： qs1736.cc
TG玩家首选人民币台 不限ip 免实名免绑卡手机号码
🌐N1国际官网： n10086.com
TG玩家首选U台 U存U提出款稳，福利好反水无上限
1.泰国大老板百家乐存50万出512万
2.斯里兰卡神秘大哥连续5天总提4000万+
3.实力盘总PA真人喜提990万一路爆红
4.pp电子糖果1000小注一拉爆出70万大奖
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
【 球速体育 安全有保障】
老品牌值得信赖、安全第一、保障第一
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%
球速体育频道： @qsty8999
N1国际频道： @N1GW8
体育推荐： @QSTY988
午夜剧场： @ziweifancha7
专属客服： @QSTY567
双向联系： @qsty168168_bot
揭示两性关系中的心理动态与沟通策略，探讨真实的情感需求与冲突解决方式，帮助读者建立健康、和谐的人际关系。
🔗：https://pan.quark.cn/s/44ced0c95305
@meiriyishu
现在很多人用 AI 看股票，就是丢个代码进去问“怎么看”，最后还是一个模型自己分析、自己下结论。
1️⃣ 覆盖价值、成长、宏观、中国价值等不同投资流派
2️⃣ 输出评分 + BUY / NEUTRAL / SELL，并给出核心判断
3️⃣ 内置多套投委会组合，也能自己搭配分析角色
4️⃣ 支持多空辩论、雷达图、自选股定时分析，还能接 Telegram、飞书
A 股、美股、港股都能分析。
相当于每看一只股票，都先拉一桌“投资大师”开个投委会。
开源免费，适合拿来辅助研究，不建议把 AI 输出直接当成买卖依据。
https://github.com/BruceLanLan/augur
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
最稳大平台，点击以下链接认证
😍 世博联盟-联盛担保1000万U😍 新币28公群 上押300万U😍 okapy钱包-ok28担保上押300万U😍 8G国际娱乐官方福利群 公开透明
平时让 Claude Code 顺手生成 SVG，最烦的就是字体跑偏、连线乱穿、箭头贴框、留白不一致。这个项目直接给 Agent 定了一整套绘图规范：框高按字号算、连线尽量走曲线、箭头和目标框保持固定间距。
GitHub：https://github.com/bybit-exchange/svg-diagram
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
我来告诉你们，数学界接下来一个最大的问。
我去年就说过，UC Berkeley数学系助理教授Tony Feng在Google Gemini做visiting professor的时候，拿到了当时最好模型Google Gemini的超长极长无敌长的reasoning版本。
这直接导致Tony Feng解决了7道Erdos问，三道FirstProof问，开创性地用半监督方式 ，以及无监督方式，指导AI Agent解决数学问。
我去年就说过，下一步要解决的问是，尝试把一个数学命以lean4的形式拆分成多个lemma，多个lemma以DAG的数学结构组合成一个数学命，每个数学证明可以拆分成几十个到几千个lemma DAG，每个lemma作为节点又可以让多个agent来证明，这样可以用成千上万个agent来碰撞证明每个lemma，尝试组合成一个完整数学证明的DAG。
所有人都忽视了一个最重要的问，就是一个LLM的reasoning是不可能无限长的，哪怕是Claude和GPT模型，reasoning是有限的，这是LLM结构和目前inference infra决定的。
但是数学家们早就给出了解决方案：在3000多年前，古希腊的数学家们就知道，完备的数学体系需要写书、写笔记、收学生，以学术社区和讨论组的形式，一条条验证，把自己思考的过程记录下来，给同行完成peer review，这样把自己在数学的工作一条条记录、验证、审议、写书、组织起来，一起构建完整的数学大厦。
过去10年来，人类一直在mathlib中实现这一个愿景，全世界所有数学家都在用lean4构建数学大厦，但是还远远不够。
你党哥提出lemma DAG概念后，能大概预测到一个方向，这个方向就是，驱动AI Agent用lean4把所有它能构建数学体系的领域：
1. 用lean4审核目前人类已有的、能用lean4实现和验证的数学论文，全部用lean4实现并验证一遍；
2. 用lean4尝试构建新的问，实现一个AI native版本的mathlib证明大全——mathlib2——比现有人类数学家构建的mathlib要大一两个数量级；
3. 当人类尝试定义新的问的时候，先从mathlib和mathlib2中搜索已有近似证明，尝试拆分成DAG的lemma形式，用mathlib2更加快速便捷地实现部分证明；
4. 最后用大量、超大量的AI Agent尝试大量、巨大量、无限提出新的问，并且并行in parallel用已有mathlib2去验证或者证伪这些新问，最后由人类数学大师cherry pick出其中有价值的问和完整证明方案出来。
回到开头，首尾呼应一下：
人类在单一LLM本体进行超长reasoning已经接近inference复杂度极限，这是人类任何人都无法改变的，OpenAI和Anthropic改变不了，玉皇大帝都改变不了，
能提到LLM超长reasoning的唯一办法，就是让LLM Agent不断总结、不断记录、不断验证出过去产出的结构化、逻辑化、有组织的知识库，作为long term memory，这些知识库就是一个LLM Agent过去的所有reasoning中的有效记忆，并且能用于今后未来的所有构建中。
这和朴素古典的memory机制完全不同，无论构建一套lean4还是构建matlab simulink的有效仿真验证后的设计，还是构建HDL各种硬件描述语言在仿真后验证的电路设计，都更有效、更精准、更专业、更小领域，
而且最重要的是，构建这些结构化的专业学术知识库，恰恰是AI Agent加上一个本地仿真、编译、运行环境的最擅长的事情。
说人说就是，脑子到极限的前提下，好脑子不如烂笔头。
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
我去年就说过，UC Berkeley数学系助理教授Tony Feng在Google Gemini做visiting professor的时候，拿到了当时最好模型Google Gemini的超长极长无敌长的reasoning版本。
这直接导致Tony Feng解决了7道Erdos问，三道FirstProof问，开创性地用半监督方式 ，以及无监督方式，指导AI Agent解决数学问。
我去年就说过，下一步要解决的问是，尝试把一个数学命以lean4的形式拆分成多个lemma，多个lemma以DAG的数学结构组合成一个数学命，每个数学证明可以拆分成几十个到几千个lemma DAG，每个lemma作为节点又可以让多个agent来证明，这样可以用成千上万个agent来碰撞证明每个lemma，尝试组合成一个完整数学证明的DAG。
所有人都忽视了一个最重要的问，就是一个LLM的reasoning是不可能无限长的，哪怕是Claude和GPT模型，reasoning是有限的，这是LLM结构和目前inference infra决定的。
但是数学家们早就给出了解决方案：在3000多年前，古希腊的数学家们就知道，完备的数学体系需要写书、写笔记、收学生，以学术社区和讨论组的形式，一条条验证，把自己思考的过程记录下来，给同行完成peer review，这样把自己在数学的工作一条条记录、验证、审议、写书、组织起来，一起构建完整的数学大厦。
过去10年来，人类一直在mathlib中实现这一个愿景，全世界所有数学家都在用lean4构建数学大厦，但是还远远不够。
你党哥提出lemma DAG概念后，能大概预测到一个方向，这个方向就是，驱动AI Agent用lean4把所有它能构建数学体系的领域：
1. 用lean4审核目前人类已有的、能用lean4实现和验证的数学论文，全部用lean4实现并验证一遍；
2. 用lean4尝试构建新的问，实现一个AI native版本的mathlib证明大全——mathlib2——比现有人类数学家构建的mathlib要大一两个数量级；
3. 当人类尝试定义新的问的时候，先从mathlib和mathlib2中搜索已有近似证明，尝试拆分成DAG的lemma形式，用mathlib2更加快速便捷地实现部分证明；
4. 最后用大量、超大量的AI Agent尝试大量、巨大量、无限提出新的问，并且并行in parallel用已有mathlib2去验证或者证伪这些新问，最后由人类数学大师cherry pick出其中有价值的问和完整证明方案出来。
回到开头，首尾呼应一下：
人类在单一LLM本体进行超长reasoning已经接近inference复杂度极限，这是人类任何人都无法改变的，OpenAI和Anthropic改变不了，玉皇大帝都改变不了，
能提到LLM超长reasoning的唯一办法，就是让LLM Agent不断总结、不断记录、不断验证出过去产出的结构化、逻辑化、有组织的知识库，作为long term memory，这些知识库就是一个LLM Agent过去的所有reasoning中的有效记忆，并且能用于今后未来的所有构建中。
这和朴素古典的memory机制完全不同，无论构建一套lean4还是构建matlab simulink的有效仿真验证后的设计，还是构建HDL各种硬件描述语言在仿真后验证的电路设计，都更有效、更精准、更专业、更小领域，
而且最重要的是，构建这些结构化的专业学术知识库，恰恰是AI Agent加上一个本地仿真、编译、运行环境的最擅长的事情。
说人说就是，脑子到极限的前提下，好脑子不如烂笔头。
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
没钱就不要考虑读专硕了……。减少学硕扩大专硕的培养，方向是完全正确的，但问是大学有没有这个能力培养专硕，在国内大学和企业是完全脱节的，校企合作基本上停留在PPT上，即使国内最牛的清华、北大，也没有听说为华为、小米等科技企业解决过什么重大技术难，高校从院士到博导都是靠弄几篇论文混饭吃，在AI影响的当下，大学在前沿科技上与企业相比更无优势可言，至今没听说过哪个AI大模型是某个高校开发的，已经在知识、技术上明显落后的大学凭啥动不动就收数万元的学费，如今这么多大学生对考研趋之若鹜，不是大学生太傻，他们知道就是再多读几年大学也学不到啥东西，无非就是冲着那个文凭来的，因为文凭在很多吃皇粮的单位还是硬通货，以现在专硕的收费标准，两三年读下来连生活费、住宿费、学费至少也得20多万，再算上大学本科期间的费用，大学生还没有找着工作之前就已经破费了50万，这么大一笔钱很多年轻人就是工作10几年也不一定能把它赚回来，专硕可以说不适合穷人，非要读的你得先算一下这个经济帐，看看划算不划算……。
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
美国二手书商最近发现一个怪现象：几十年没人买的学术书、法律书，甚至一本1972年的污水处理手册，突然被神秘公司大量扫货。有人偷偷往书里塞GPS，结果一路追到工业扫描厂。法院文件后来揭开谜底：Anthropic曾启动Project Panama，希望尽可能扫描大量实体书，做法就是切掉书脊、拆页、扫描，原书随后丢弃。听起来像书籍毁灭计划，但这些书大多不是珍贵古籍，而是冷门、低印量、网上找不到的长尾知识。AI公司把它们吸进模型，也许让沉睡知识重新被使用；可原本属于出版市场和图书馆体系的书，一旦变成训练数据，最终却掌握在少数科技公司手中
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
给各种Agent"喂"了800多份网络安全实战手册,内容涵盖云安全、威胁狩猎、渗透测试、等 29 个领域,每份手册都写清楚了"什么时候该用这个技能、需要什么前置条件、具体怎么一步步操作，让 AI 在处理安全问时不再瞎猜命令,而是像一个资深安全分析师
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
