与「内容启发搜索」相关的搜索结果

我用掉 100 亿 Token 后，最大的变化不是更会写 Prompt。 而是 Codex 已经从一个聊天框，慢慢变成了我的： - 自我认识系统 - 工作系统 - 信息系统 - 学习系统 - 甚至是桌面陪伴系统 我把自己最常用的 20 个技巧整理出来了。 如果你也想把 AI 从“偶尔问一句”变成真正能长期协作的伙伴，建议先收藏。 一、让 Codex 逐渐认识你 1. 每天让它问你一个问题 我设了一个自动化：每天问我一个能帮助它更了解我、也帮助我认识自己的问题。它会避开已经问过的话题，围绕一个主题慢慢聊。 2. 把对话当成自我观察 现在可以直接语音聊。长期积累下来，它能看到我的情绪、偏好、反复出现的困扰和思考方式。 3. 让它把“它眼中的你”画出来 把你们的对话和一张漫画参考图交给它，让它生成多格漫画。你会发现：很多时候我们要的不是答案，而是被理解。 二、把 Codex 变成工作系统 4. 每周做一次 Codex 使用复盘 让它回顾这周我怎么使用它、哪些沟通方式有效、哪些任务返工了、哪些项目该继续推进。 5. 把失败经验写进“第二大脑” 不只是存笔记。把失败原因、偏好、最近关注点沉淀下来，让以后不同 Agent 都能调用同一份上下文。 6. 创意任务先开 Plan Mode 创意型工作最容易“没想清楚就批量执行，最后返工”。先用计划模式讨论目标、方案、数据体系和风险，再开始做。 7. 把 Codex 当思考顾问，而不是执行员 你甚至不需要有明确答案。只要说“我想做什么”，让它帮你一起把模糊的想法拆成可执行路径。 8. 需求清楚后切到 Goal Mode 需求确认后，把结果设成目标，让它自己持续推进。我的任务最长跑过 10 小时 44 分钟。 9. 用自动化处理重复但重要的事 日报、周报、账号监控、邮箱监控、回复策略、内容归档、同步到个人网站——这些都适合交给自动化。 10. 明确任务就开多 Agent 对于翻译、多语言网站、图片生成、资料整理这类边界清晰的工作，让多个 Agent 分工并行，比一个人盯着快得多。 三、让 Codex 跨出聊天框 11. 用 Sites 一键分享作品 做好网站后，不要卡在“怎么部署”。Sites 可以直接把成品变成能分享的站点。 12. 把插件当成能力扩展包 Computer Use、数据分析、Investment Banking、GitHub、Outlook / Gmail……很多工作不是“AI 会不会”，而是你有没有给它接上正确的能力。 13. 把生图能力接进日常工作 我已经用它生成了 300 多张图。做内容、配图、产品原型和视觉探索，速度会完全不一样。 14. 接入飞书，让手机也能操控 Codex 真正高频的协作不该只发生在电脑前。把它接到飞书后，我在手机上也能下任务、收结果、继续对话。 15. 用 ChatCut 把剪视频变成工作流 不是只让 AI 帮忙剪一刀，而是把素材整理、脚本、配图、剪辑一起接进创作链路。 四、建立自己的信息雷达 16. 每天订阅 Builder 信息 我会用 Follow Builders Skill 定时追踪 Builder 的新想法、新产品和讨论，再把重要信息推送给自己。 17. 做一个“灵感箱” 任何一闪而过的想法都丢进去。后面让 AI 自动搜索、补充背景、分类、处理，而不是靠脑子记住。 18. 盯住 GitHub 和 Product Hunt 让 Agent 帮你筛新项目、周榜、日榜和真正值得试的工具。看见感兴趣的，直接让它安装或进一步研究。 五、把输入变成你的输出 19. 把任何学习材料做成 HTML 学习页 看到一场好访谈、一个视频、一篇文章：让 AI 拉取内容、生成中文文字稿，边看边记评论，最后再变成摘要或短视频。 20. 给 Codex 一个“实体感”：做成桌宠 我很喜欢 Hatch Pet。它会根据状态跑动、办公、提示待办，甚至在你切换文件夹和工作区时给建议。AI 不一定要冷冰冰地躲在聊天框里。 100 亿 Token 给我最大的启发是： 不要把 AI 只当作“问答工具”或“临时外包”。 当它拥有你的上下文、目标、工作流和反馈后，它会越来越像一个能长期协作的系统。 换电脑时，我第一个装的软件就是 Codex。 写文档、做网站、剪视频、找资料、整理灵感……它已经覆盖了我工作和生活里非常大的一部分。 你最想让我把上面哪一条展开成教程？ 评论区告诉我，我下一条就拆！ #codex# #chatgpt# @thsottaux

亲爱的读者们， 今天是个分享好消息的美好日子，你不觉得吗？自从我们上次发帖以来，发生了一些非常棒的更新，包括桌面应用程序、我的书库等等……但我们还是一步步来吧。 Windows 和 Linux 版桌面应用程序新版本 我们的桌面应用程序最近一次更新已经有一段时间了，所以今天我们很高兴分享桌面应用程序最新更新（版本 3.2.0）的消息，该版本现已适用于 Windows 和 Linux（Debian / Ubuntu、Fedora 以及任何 Linux）。请注意，目前 macOS 还没有新版本可用，但我们正在开发中，并希望在不久的将来公布。 以下是这个新版本引入的一些新功能： • 内置 VPN； • 添加了带有通知的小部件； • 创建了自定义登录页面，这加快了登录时的加载速度； • 添加了显示加载状态的本地化界面； • 改进了应用程序加载体验； • 除了新功能，我们还修复了一些重要的技术问题。其中包括修复了侧边栏中锁图标显示问题，以及加载横幅未出现的一个 bug。 我的书库：阅读队列和引文 阅读队列更新 在这篇帖子 [ 中，我们介绍了一个名为阅读队列的新部分。你可能还记得，它的作用是帮助你跟踪你正在阅读或已阅读的书籍，以及你在每本书中的进度。 我们的团队总是渴望改进我们的功能，因此决定更新阅读队列。我们希望融入隐私和社会互动元素，这些是我们一直试图整合到平台中的。现在，你可以选择你的阅读队列是私密的还是公开的。你可以通过点击阅读队列中的锁图标，或在 编辑个人资料 → 公开个人资料中将其设为私密。 想象一下，你发现了一个志同道合的用户，他们的书单让你真正喜欢。他们的选择可能会启发你，导致你发现一本你一直在寻找或从未遇见过的新书。现在，你甚至可以看到他们目前正在阅读的书籍，这可能会激发你创建自己的新书单，或揭示一本你一直渴望探索的书名。 引文更新 为了进一步增强我的书库，我们引入了一个新类别：引文。但这意味着什么呢？ 最近，Litera Reader 引入了各种引文印象，例如关键点或发人深省的引文，更多信息可在此处找到 [ 编辑个人资料 → 公开个人资料中设置。 在不久的将来，我们计划继续开发这个部分，所以请保持关注，以免错过任何内容！ 小更新 点赞 点赞功能又进行了更新。此前，如果你对一篇帖子发表评论，而其他人觉得它有趣，他们会点赞。然而，你只能看到前几个点赞你评论的人以及点赞总数。 我们进行了更改，现在你可以看到所有同意你的人的完整列表。此信息不仅包括他们的姓名，还包括他们的其他评论或书单（如果有的话）。我们希望这个功能能帮助你找到志同道合的用户，并发现可能让你感兴趣的新书籍或书单。 拼音转写 除了技术更新，我们还定期审阅你的投诉和建议。其中一个建议是显示简体中文书籍标题。 此前，一些书籍的标题和作者姓名是用拼音书写的，这大大增加了中国用户搜索它们的难度。然而，我们已经进行了更改，确保所有书籍标题现在都以汉字显示，包括姓氏。 访问问题 一如既往，提醒大家要更小心骗子。我们建议你不要尝试在 Google 或任何其他搜索引擎上搜索 Z-Library，因为这会直接将你引向诈骗网站。相反，我们推荐将我们的网站保存到浏览器书签中。 或者，你可以通过我们的魔法电子邮件获取可用链接。只需从你的收件箱发送任何一封信件到我们的魔法电子邮件地址 blackbox@zlibrary-mailer.ph，你将在 3-5 分钟内通过自动生成的电子邮件收到你的 Z-Library 个人访问权限。 总之，我们想指出那些可用的并可用于访问图书馆的链接： • 图书馆： • Z-Access： • Wiki： • Reddit： 下载最新桌面应用程序： 保存一个带有所有实际链接的离线文件，以免丢失访问权限 感谢您的关注和对项目的支持！

为什么Karpathy——这位现代AI教父——完全不碰Notion和Obsidian？ 因为他从零开始，给自己搭了一个会思考的3D知识星系。 有人把这个系统完整复刻了一遍，只输入了378条笔记，系统就自动生成了1854个节点、3856条连接。 这可不是什么静态的归档工具。它能主动发现隐藏的关联，然后像第二套神经系统一样，给你启发式的反馈。 我觉得，这才是对传统笔记工具的致命一击，完全是在用高维打低维： 你用Notion，是在搭一个档案柜。 你用Roam，是在建一个电子表格。 你用Obsidian，是在造一座坟。 顶尖的AI研究者们，直接在建星系。 视频里展示的体验，真的把我对笔记的认知完全刷新了：在深邃的太空背景里，无数发光的球体和连线构成了一个完整的宇宙。点一下任意一个节点，AI会瞬间挖出你早就忘掉的隐藏关联。把视角拉远，能看清你整个思维的全貌；拉近，能看到两个看似八竿子打不着的想法是怎么连上的。 它还会主动告诉你，哪儿缺了连接，哪儿藏着你自己都没意识到的跨界想法。 说真的，这几乎是在革思维的命。以前记笔记就是输入、整理、搜索，到头来全躺在硬盘里吃灰，你再也不会去翻一眼。 而现在的第二大脑，是一个活的、不断生长的神经网络。你把想法喂给它，它帮你把它们串联起来、生出新东西。 它比你自己更了解你，记得你所有的思考轨迹，甚至在你卡住的时候给你灵感。 帖子最后那句话说到了根上：知识复利的差距，从来就跟天赋没关系，核心在于架构。 那些比你早六个月用上这套系统的人，会永远带着六个月思维复利的领先优势。因为你的第二大脑24小时不停地在帮你思考，而别人的笔记，只是在安静地腐烂。 当然，普通人没必要从零写代码去搭一个3D星系。 可以从Obsidian加上Claude的自动化配置做起，让AI自动帮你提取内容、发现关联，再生成每日报告。 但方向已经很明确了：知识管理的未来，不在于存东西，而在于养一个属于你自己的思考AI。

唐杰 @jietang 是清华大学教授、智谱（GLM 系列模型出自他们家）AI 首席科学家，也是国内最懂大模型的人之一。他刚发了长微博（见评论），谈 2025 年对大模型的感悟。 有意思的是，唐杰和 Andrej Karpathy 的观察有不少共鸣，但也有一些不同的侧重点。两个顶级专家的视角放在一起看，能看出更完整的图景。 内容比较长，但有句话我要特别放在前面高亮一下： > AI 模型应用的第一性原理不应该是创造新的 App，它的本质是 AGI 替代人类工作，因此研发替代不同工种的 AI 是应用的关键 如果你是在做 AI 应用开发，应该反复思考一下这句话：AI 应用的第一性原理不是创造新产品，而是替代人类工作。想清楚这一点，很多事情的优先级就清楚了。 唐杰的核心观点有七层逻辑。 --- 第一层：预训练没死，只是不再是唯一主角 预训练仍然是让模型掌握世界知识和基础推理能力的根基。 更多的数据、更大的参数、更饱和的计算，依然是提升模型智商最高效的办法。这就像还在长身体的孩子，饭量（算力）和营养（数据）必须管够，这是物理规律，没法绕弯。 但光有智商不行，现在的模型有个毛病：容易“偏科”。为了刷榜单（Benchmark），很多模型都在针对性地做题，导致在真实复杂的场景下反而不好用。这好比孩子上完九年义务教育（预训练）后，必须把他扔到真实的职场里去实习，去处理那些书本上没有的烂摊子，这才是真本事。 所以接下来的重点是“中后训练”（Mid and Post training）。中后训练这两个阶段负责「激活」模型的能力，尤其是长尾场景的对齐能力。 什么是长尾场景？就是那些不常见但真实存在的需求。比如帮律师整理某类特殊合同、帮医生分析某种罕见病的影像。这些场景在通用测试集里占比很小，但在真实应用中至关重要。 通用 benchmark 一方面评测了模型效果，但也可能让很多模型过拟合。这和 Karpathy 说的「训练在测试集上是一门新艺术」观点一致。大家都在刷榜，但榜单刷了高分不等于能解决真实问题。 --- 第二层：Agent 是从「学生」到「打工人」的跨越 唐杰用了个形象的比喻： > 如果没有 Agent 能力，大模型就是个“理论博士”。一个人书读得再多，读到了博士后，如果不能动手解决问题，那也只是知识的容器，产生不了生产力。 这个比喻精准。预训练是上课，强化学习是刷题，但这些都还在「学习阶段」。Agent 是让模型真正「干活」的关键，是进入真实世界、产生实际价值的门槛。 不同 Agent 环境的泛化和迁移并不容易。你在一个代码环境里训出来的能力，换到浏览器环境就不一定好使。现在最简单的办法，还是不断堆更多环境的数据，针对不同环境做强化学习。 以前我们做 Agent，是给模型外挂各种工具。现在的趋势是，直接把使用工具的数据写进模型的“DNA”里去训练。 这听起来有点笨，但确实是当下最有效的路径。 Karpathy 也把 Agent 列为今年最重要的变化之一，他以 Claude Code 为例，强调 Agent 要能「住在你电脑里」，调用工具、循环执行、解决复杂问题。 --- 第三层：记忆是刚需，但怎么做还没想清楚 唐杰花了不少篇幅讲记忆。他认为，模型要在真实环境中落地，记忆能力是必须的。 他把人类记忆分成四层： - 短期记忆，对应前额叶 - 中期记忆，对应海马体 - 长期记忆，分布在大脑皮层 - 人类历史记忆，对应维基百科和史书 AI 也要模仿这个机制，大模型对应的可能是： - Context 窗口 → 短期记忆 - RAG 检索 → 中期记忆 - 模型参数 → 长期记忆 一个思路是「压缩记忆」，把重要信息精简后存在 context 里。目前的“超长上下文”只是解决了短期记忆，相当于把它能用的“便签纸”变长了。如果未来 context 窗口足够长，短中长期记忆都有可能实现。 但有个更难的问题：怎么更新模型自身的知识？怎么改参数？这还是个未解难题。 --- 第四层：在线学习和自我评估，可能是下一个 Scaling 范式 这一段是唐杰观点里最前瞻的部分。 现在的模型是“离线”的，训练好就不变了。这有几个问题：模型不能真正自我迭代，重新训练浪费资源，还会丢掉很多交互数据。 理想情况是什么？模型能在线学习，边用边学，越用越聪明。 但要实现这一点，有个前置条件：模型要知道自己对不对。这就是「自我评估」。如果模型能判断自己的输出质量，哪怕是概率性地判断，它就知道了优化目标，就能自我改进。 唐杰认为，构建模型的自我评价机制是个难题，但也可能是下一个 scaling 范式的方向。他用了几个词：continual learning、real time learning、online learning。 这和 Karpathy 提到的 RLVR 有一定呼应。RLVR 之所以有效，正是因为有「可验证的奖励」，模型能知道自己对不对。如果这个机制能泛化到更多场景，在线学习就有可能实现。 --- 第五层：AI 应用的第一性原理是「替代工种」 这是对我启发最大的一句话： > AI 模型应用的第一性原理不应该是创造新的 App，它的本质是 AGI 替代人类工作，因此研发替代不同工种的 AI 是应用的关键 AI 的本质不是创造新的 App，而是替代人类工作。 两条路： 1. 把以前需要人参与的软件 AI 化。 2. 创造对齐人类某个工种的 AI 软件，直接替代人类工作。 Chat 已经部分替代了搜索，同时还融合了情感交互，下一步就是替代客服、替代初级程序员、替代数据分析师。 所以，明年 2026 年的爆发点在于“AI 替代不同工种”。 创业者要思考的不是“我要开发个什么软件给用户用”，而是“我要造一个什么样的 AI 员工，去帮老板把某个岗位的人力成本砍掉”。 换句话说，别老想着做一个「AI+X」的新产品，先想想哪些人类工作可以被替代，再倒推产品形态。 这和 Karpathy 关于「Cursor for X」的观察遥相呼应。Cursor 本质上是「程序员这个工种的 AI 化」，那么各行各业都会出现类似的东西。 --- 第六层：领域大模型是个「伪命题」 这个观点可能会让一些人不舒服，但唐杰说得很直接：领域大模型就是个伪命题。都 AGI 了，哪有什么“领域专用（domain-specific）AGI”？ 之所以有领域大模型存在，是因为应用企业不愿意在 AI 模型公司面前认输，希望用领域 know-how 构建护城河，把 AI 驯化为工具。 但 AI 的本质是「海啸」，走到哪里都会把一切卷进去。一定会有领域公司主动走出护城河，被卷进 AGI 的世界。领域的数据、流程、Agent 数据，慢慢都会进入主模型。 当然 AGI 还没实现之前，领域模型会长时间存在。但这个时间窗口有多长？不好说，AI 发展实在太快了。 --- 第七层：多模态和具身智能，前景光明但道路艰难 多模态肯定是未来。但当下的问题是：它对提升 AGI 的智能上限帮助有限。 文本、多模态、多模态生成，可能还是分开发展更高效。当然，探索三者结合需要勇气和钱。 具身智能（机器人）更难。难点和 Agent 一样：通用性。你教会机器人在 A 场景干活，换个场景又不行了。怎么办？采数据、合成数据，都不容易，还贵。 怎么办？采数据，或者合成数据。都不容易，都贵。但反过来，一旦数据规模上去了，通用能力出来了，自然就形成门槛。 还有个问题往往被忽略：机器人本身也是个问题。不稳定、故障频繁，这些硬件问题也在限制具身智能的发展。 唐杰预判 2026 年这些都将取得长足进步。 --- 把唐杰这篇文章串起来，其实是一张相当清晰的路线图： 当下，预训练 scaling 依然有效，但要更重视对齐和长尾能力。 近期，Agent 是关键突破口，让模型从"会说"进化到"会做"。 中期，记忆系统和在线学习是必修课，模型要学会自我评估和迭代。 长期，工种替代是应用的本质，领域护城河会被 AGI 冲垮。 远景，多模态和具身各自发展，等待技术和数据的成熟。 --- 把唐杰和 Karpathy 的观点放在一起看，能看出几个共识： 第一，2025 年的核心变化是训练范式的升级，从「预训练为主」变成「多阶段协同」。 第二，Agent 是里程碑，是模型从学习走向干活的关键跨越。 第三，benchmark 刷分和真实能力之间有鸿沟，这个问题越来越被重视。 第四，AI 应用的本质是替代或增强人类工种，不是为了做 App 而做 App。 不同的侧重点也有意思。Karpathy 更关注「AI 是什么形状的智能」这个哲学问题，唐杰更关注「怎么让模型在真实场景落地」的工程问题。一个偏「理解」，一个偏「实现」。 两个视角都需要。理解清楚了，才知道方向对不对；工程跟上了，才能把想法变成现实。 2026 年，会很精彩。

每周六给大家分享一篇深度好文： 本周：《There’s this deep mystery of what, actually, is this thing?: the philosopher inside Google DeepMind AI》 作者：Robert P Baird 平台：The Guardian 文章链接放在文末！ 推荐对 AI 有兴趣或者对 AI 投资下注的朋友一定要看下，是一篇很好的深度人物 + 思想随笔。 推荐的主要原因，是因为它写的是 Google DeepMind 里的哲学家 Iason Gabriel： 这个结合很有趣，一个政治哲学背景的人，如何在最前沿的 AI 实验室里，思考 AI 到底应该服务谁、服从谁、伤害谁、又由谁来决定它的价值边界。 文章从 Gabriel 2017 年加入 DeepMind 写起。 当时他几乎是少数真正进入前沿 AI 实验室内部的哲学家之一。文章借他的经历，把 AI 领域里两个长期分裂的阵营讲清楚了：一边是关注“失控、对齐、超级智能风险”的 AI safety，一边是关注“偏见、权力、社会伤害”的 AI ethics。 所以你可以看到 AI 对齐不是简单地让机器“听人话”，而是一个更复杂的四方关系：AI 系统、用户、开发者、社会。 如果 AI 只服务开发者，可能会损害用户；如果 AI 只服从用户，也可能损害社会；如果只追求技术最优，又可能忽略人的价值冲突。 另外关于 Agenty 的普及肯定是不可逆的趋势，未来 AI 不再只是输出文字，而是会在现实世界里行动。这个变化会让伦理、责任、权力边界都变得更尖锐。 与我而言这篇内容的最大启发： 1️⃣AI 时代更应该多读书多思考 AI 时代不要只追新工具，工具只是形式上的，真正重要的是你有没有自己的“价值排序”和“决策边界”。 没有这个边界，AI 越强，只会把你的混乱放大。 2️⃣超级个体； 未来的超级个体，除了熟练掌握工具，更重要的，是必须是能把 AI 放进自己的判断系统里，同时知道什么时候不能让 AI 替自己做决定的人。 3️⃣投资启发； 我以前以为 AI 竞争的除了技术就是算力。 原来 AI 公司、Crypto 项目、平台型产品，最后竞争的不只是技术参数，而是谁掌握入口、数据、执行权和价值定义权和伦理决定权。 谁能决定“系统应该偏向谁”，谁就拥有真正的权力。 AI 还有很长的发展路径，投资一定要多样化，不要只看某一个面。 文章链接：

什么样的人适合做 KOL？ 过去我从 0 到 1 做 UGC 产品时，作为 PM + 运营总是需要思考：我们要寻找什么样的种子用户来贡献第一批内容？ 多次实践后，我总结下来主要以下是两个维度，缺一不可。 表达欲望 ◦ 内心有强烈想表达、爱表达的冲动，敢想、敢说、敢写是基础。 ◦ 内心多少有点「我看得透」「好为人师」「装个逼」的自信，享受在表达中展现自己。 ◦ 有利他心态，渴望为他人提供有价值的内容，不管是启发思考、解决问题还是带来共鸣。 ◦ 即使对某个领域还不太熟悉，也会在「以输出倒逼输入」的框架和心态里快速学习，表达欲望其实也是成长欲望。 表达能力 ◦ 能清晰、完整地组织内容，将复杂想法拆解为通俗易懂的内容，吸引读者思考或互动。 ◦ 有同理心，擅长讲故事，让内容既有深度又能引发情感共鸣。 ◦ 言之有物，在某个领域有多年 (如 10,000 小时) 浸淫，积累了独到见解，能输出与自己的经历和背景相匹配的、有洞察力的内容。 ◦ 不同产品和媒介形态，需要的表达能力差异可能非常大，比如豆瓣、抖音和 Twitter 对比，找到适合自己的平台很重要。 一个同时符合这个特征的内容生产者，就相当具备成为 KOL 的基础了。

上个月，华为连续放出三篇任正非的谈话（图二）。这很反常，以前都是隔一段时间，才公开一篇谈话。 联想到火爆的 Mate 60 系列手机，也是同一时间段发布的，我觉得华为变得高调了。不知道这是巧合，还是华为真的改变了策略。 任总的谈话还是很有营养的，我把自己觉得有启发的内容做了一点摘录（图三）。

让 Claude Code 说人话的 instruction 1. 使用标准术语。已有通用说法的概念不要另造表述。 2. 不要使用比喻。如果一个说法需要读者推断其指代对象，改为直接说明。 3. 表头和分类名使用中性名词，如“问题”“现象”“影响”“结果”。 4. 不使用“是 X，不是 Y”的对比句式。 5. 表格条目不要求每条都包含数字或结论。部分条目可以只说明发生了什么。 6. 未查明原因的问题写“原因未查明”。 7. 不使用口语词。 8. 不使用拟人表述。 规则 1：使用标准术语 超长度 / 超不超长度 → 截断 / 是否触及长度上限 Ray 的端口会跟自己撞 → 多个任务的 Ray 抢占同一端口 臂 → 方案 只看长度那条线 → 长度启发式基线 刷奖励 → 奖励被优化但评测指标未改善 存档 → checkpoint 规则 2：不发明比喻作为术语 血统 → 基座来源 8 个不同血统 → 8 个不同基座的模型 那是尺寸差异，不是血统差异 → 原有区间由 Qwen 的 14B、32B、72B 构成，差异来自参数量而非基座 已经吃掉一半空间 → 已覆盖一半区间 变成了一个认题目的检索器 → 退化为问题识别，与学习价值无关 挑出来的题目看上去健康得多 → 选中问题的截断比例更低 误差范围还盖着基准线 → 置信区间与基线重叠 规则 3：表头和分类名使用中性名词 坑 / 代价和教训 → 问题 / 影响 把握 → 确认程度 怎么做的 → 实验设置 重挑一次还剩多少重合 → 重采样后的重合率 有几种不同取值 → 取值数量 还在跑的 → 进行中 一个必须关掉的开关 → 需要关闭的过滤器 章节状态标签需要保持一致。 如果前面使用： 已完成 已确认 未达到基线 结论待定 后面出现了： 做通了 意外发现 需要修 没有买到想要的 统一使用前面部分的中性状态标签。 规则 4：不使用“是 X，不是 Y”的对比句式 梯度对齐：是噪声，不是信号 → 梯度对齐：三项检查结果均在噪声范围内 我们买到了血统上的多样性，但没有买到能力上的多样性 → 新增模型覆盖了更多基座，但正确率均低于原有区间下界 考法和用法对不上 → 评测口径为成对比较，与实际使用方式不一致 稳定是靠粗糙换来的 → 取值数量少的指标重合率高 越稳定的指标越挑不出东西，越挑得出东西的指标越不稳定 → 重合率与取值数量呈反向关系 规则 5：允许条目不包含数字或结论 例如： 对照组为随机选取的 32 个问题。 这条内容已经完整，不需要继续补充其他方案与对照组的关系。 规则 6：未查明原因时直接写“原因未查明” 前文已经写明“原因未查明”时，后文不要继续补充未经验证的解释。 这可能也解释了前文那个现象 → 该现象与截断的关系尚未验证 第十章“后来查明了机制”之后的内容已经得到确认，可以保留。 规则 7：不使用口语词 赢得很干脆 → 差值为 0.030 测得更准 / 测得更糙 → 估计精度更高 / 更低 可选的余地很小 → 候选范围小 基本上等于抓阄 → 接近随机选取 本来就分不出高下 → 真实差距低于可分辨范围 白跑 / 白占 → 无效运行 / 空占 不是白捡的 → 需要 79 GPU·小时 一个致命问题 → 主要问题 有事后找补的嫌疑 → 该切分方式在观察结果之后确定 原因不复杂 → 删除 既然预测这条路走不通，那就退一步 → 删除，直接进入实验设置 规则 8：不使用拟人表述 天生需要几百到上千次采样 → 该信号所需的采样量为几百到上千次 一旦超就制造出参差 → 截断发生时会增大奖励方差 24 步训练只挪动 0.05 → 24 步训练后正确率变化为 0.05 超得越彻底反而越稳定 → 截断率越高，奖励方差越低 回答内容本身的好坏参差 → 答案质量的差异

6月10日，Y Combinator 的创始人、《黑客与画家》的作者保罗·格雷厄姆（Paul Graham），到牛津大学做了一次演讲，题目非常炸裂"如何赚到10亿美元"。 我觉得，他讲得有启发，就翻译了主要内容。