与「好用的AI工具」相关的搜索结果

AI时代，真的「只要你学得够慢，你就不用学了」吗？ 最近网络上有个说法还挺火的 「AI时代，只要你学得够慢，你就不用学了。」 我第一反应是，这话听起来很有道理。 我想起自己两年前熬夜学LoRA微调，想着可以用来模仿我的写作风格，然而skills出来了，发现效果可能还比我训的LoRA更好。 所以「等」赢了？「学得慢」赢了？ 如果你只是一个普通的AI用户，那这句话可能没错。但如果你不甘于只当个「时代喂你啥你就吃啥」的被动者，你想主动把握AI行业发展的脉络，你就不能等。 我仔细想了想，我感觉不是这样的，我想分享下自己的看法。 「等」赢了，但不是因为等 LoRA的故事是真的，类似的情况我遇到过不止一次。两年追热点下来，确实有不少「当年要做没做，后来发现不用做了」的案例。 但有个问题值得反问自己：你知道LoRA是什么、你知道skills出现了、你知道两者可以做横向对比，这个判断力是哪来的？ 不是从「等」里来的。 是从两年每天追热点的积累里来的。 因为很多人把「某件具体的事没做」等同于「不用学习」，这两件事完全不在同一个维度上。你「等」到了更好的方案，是因为你有足够的背景知识认出了它。一个完全不了解这个领域的人，他的「没做」只是「不知道」，不是「有判断力的等待」。 工具层可以等，认知层不能等 我2016年开始做机器学习和深度学习，做了好几年数据科学家。到了大模型时代，周围的人都在聊LLM，我一度觉得当年学的那套东西废了。 sklearn怎么调、XGBoost怎么训，这部分确实边缘化了，我不否认。 但我后来发现，真正值钱的东西没废：怎么设计评估体系、怎么防止数据泄露、怎么把一个业务问题转化成模型问题。这些判断力，大模型时代反而更稀缺（因为99%的「AI应用开发者」根本没有这个训练，看到模型输出「看起来对」就交付了）。 工具层的东西，半衰期确实很短，可能18个月就轮换一批。这部分确实可以「等等看」，等生态稳定了再下场，往往比头一批踩坑的人省力。 认知层的东西，没有捷径，也没有办法「等别人替你建立」。你在等的时候，别人在建立判断力的坐标系，你进来以后只能接受别人嚼过的知识，创造空间已经被占了。 比AI工具本身更有价值的 追了两年热点，我发现有一件事比「学到了什么具体技能」更值钱，那就是，我比周围大多数人更能「春江水暖鸭先知」。 某个技术出来，我大概知道它处在哪个演化节点，是真风口还是炒作，值得深入还是等等就过了。 但我一度很困惑，这种「看清楚行业方向」的能力，对我一个打工人有啥用？又不是创业者也不是投资人，判断对了趋势，我也只是回去开早会。 这个落差是真实存在的，不想粉饰。 但仔细想，这个能力其实在影响三件事： 第一，在组织里的位置。大多数团队里，「知道该做什么」比「把事做完」稀缺得多。能帮团队过滤噪音、判断方向的人，话语权不一样。 第二，选雇主的质量。能判断一家公司的技术方向是不是真的对，让你在上升期公司和下沉期公司之间选对的概率高很多。这个差距，可能比一次跳槽涨薪重要得多。 第三，这个认知要是有地方输出，是可以变现的。其实就是把「春江水暖」的判断力转成内容，内容建立影响力，影响力长期会带来预料不到的机会。 所以「只要你学得够慢，你就不用学了」，这话对不对？ 我的观点是：对了一半，但被大多数人用来当借口的那一半，恰好是错的那半。 工具层，确实可以等，工具肯定越来越先进，越来越好用，「等等党」在执行层有合理性。 而且在AI时代，这句话本意其实是在说，不要因为错过一个热点而着急，不用FOMO，在AI时代，应该少点焦虑。 但是认知层面，并不会因为你用过的某个AI工具过期了而没学到东西。你追热点的过程看起来很多东西「白学了」，但那个过程本身在建立一张地图，这张地图才是真正的资产。 把「某些工具不用学」误读成「可以少学、慢学、躺着等」，两年后你会发现，你确实等到了更好的工具，但差距在于，人家积极学习的，拿到新工具是真的能做出新东西，等等党拿到新工具，也就是跑个demo自嗨一下，感觉自己站在了时代前沿，实际上还在原地。 而且还有一个时间差的问题值得说。 新工具出来之前，积极的人早就在用当时条件下能用的东西硬拼出来了。RAG还很粗糙的时候，他们已经在生产环境里跑起来了，踩完了坑，知道哪里会出问题。Agent框架还不稳定的时候，他们已经用LangChain拼出了第一版，虽然屎山，但用户在用、反馈在收、迭代在跑。 等等党在等什么？等一个「更成熟的方案」。方案成熟了，他们入场，发现已经是红海。不是因为他们来晚了几个月，是因为那几个月里，积极的人已经建立了用户认知、跑通了商业模式、或者单纯地把某个领域的坑全踩完了，护城河就这么起来的。 更关键的是，这种「拥抱新技术」的习惯本身会复利。积极的人用惯了在局限条件下想办法，新工具一出来，他们比任何人都先知道怎么用好它。等等党等到了新工具，还是原来那个姿势，demo跑一跑，然后继续等下一个。 #AI# #AIAgent# @grok @xai

不知大家是否有这样的一个问题，我们在努力追赶AI的脚步，却始终跟不上它的进化速度。 这不是玩笑。今年AI迭代有多快，看看前段时间还火爆的龙虾现在几乎没人提了，就知道答案了。我们好不容易搭好一个Agent，转眼就被更强的新版本取代。你是不是又要去换一个？不换的话你的效率产出不如人家，换的话又浪费大量的时间以及金钱，左右为男。 我自己也在研究AI新手该怎么入门。网上教程五花八门，每个都试一遍成本不低。作为小白，也不想跑太多复杂任务，花那么多也不太值得，而且也不知道花了钱以后能不能达到自己想要的结果。更让人焦虑的是，模型更新太快，你这边还没搞明白，新模型又出来了，感觉白忙一场。 这俩天看到一个文章，有一句话特别好：不是模型越能干，用户就越轻松；反倒是因为模型越强，AI 能做的事情更多，高级用法也就越复杂了。 现在我就是这样想的，现在AI的使用门槛其实越来越高。大多数人还停留在用豆包做题、问简单问题的阶段，没能把AI当成真正的生产力。就是因为门槛太高了，把绝大多数人都挡在了门外，我感觉后面这种差距会越来越大，因为AI可以当几个人、几十个人来使用，会用善用AI的人以一当百了，你还在一个人战斗...想想就可怕。 所以我最近一直在找一个真正好用易上手的AI工具，还真发现了一个不错的产品，就是意图龙头 @dappOS_com 新推出的一个AI产品 xBubble ，它完美的解决了我前面所说的上手难的问题，它用AI学习AI，然后再用AI使用AI。听起来是不是很抽象？那就对了，只有天马行空的产品才是好产品。 @xBubble_ai ，一款低提示率的 AI 代理，可将简短的请求转化为最终成果。用人话说就是我们要生成一个比较复杂的图或问题，只需要一个简单的提示词，它就能根据这个提示词，给你生成一个质量不错、能直接拿来用的结果，比绝大多数的AI都简单实用。 很多人这时候就会问了，为什么能达到这种效果？其实挺简单，它就靠两个协同工作的系统，Bubble Pilot 和 Bubble Engine 。 Bubble Engine 就是AI学习AI，它就是不停地让AI自己写 AI、自己测AI、自己挑最好的AI方案，然后选出一个最优的方案固化成一个能重复利用的标准操作流程（SOP）,相当于你玩游戏获得的大招技能一样，可以一直用，这么说应该懂了吧？然后技能不是只能获得一个，它能获得多个大招，专门针对不同的场景。 Bubble Pilot 就是AI替用户使用AI。比如说你提出一个问题，它会跟据这个问题去找大招，也就是SOP，给你这个问题的最优方案。如果没有匹配的大招，它就会用通用 Agent 给你解决方案，然后记录下来这个问题，让 Bubble Engine 抓紧研究大招~ 总体下来就是 Engine 负责后台建设，Pilot 负责前台执行，分工明确干活不累！随着Engine构建的 SOP越来越多，Pilot就能将更多请求都转到更快更好的路径，性能也就更好，形成了一个能无限检索的正循环，你就说这强不强吧! 使用也超级简单，有两种模式：分别是Bubble Computer 和 Bubble Personal。 - Bubble Computer 是 xBubble 的端到端项目工作空间，Bubble Pilot 检测到多步骤的任务就会路由到这，沙箱环境自动启动，自动选择合适的模型和技能，一次性完成交付从研究到交付的完整流程。云端大工厂，一条龙交付！ - Bubble Personal 是一个本地环境模式，这个相当于现在市场上的AI助手吧，可以帮你完成一些自动化任务，安全隔离还是做的挺不错的，本地计算机上不安装任何软件、不修改系统环境，安全级别很高。 这才是我最想要的AI工具，让我这种小白也能使用的AI工具才是大众最想要的，而不是那种入门难，有各种门槛需要各种专业化技能才能使用的AI，未来的大方向不应该是把工具做得越来越复杂才对，应该是让AI学习AI，然后再用AI使用AI！

又一个好东西啊，零门槛使用顶尖AI网站，感觉比Poe牛逼，包含了GPT-4,DALL-E3,Claude-3，Midjourney等。刚充2美金进去体验了下，竟然支持支付宝、加密货币付款，使用上没有任何限制，按token收费，用多少算多少，太方便了。适合我这种不想订阅多个AI工具的用户。 用自己的谷歌账号登录就能免费使用，希望对你有用。 直达传送门： #好用的AI工具# #换脸工具# #AI生产力工具好用推荐！#

去年12月开始ChatGPT在推上火了以后，后面几月AI绘画，AI动画陆续登场。给内容创作者们带来了无限想象空间，我也收藏了N多的AI工具，可单独使用也可组合使用。其实不管是个人还是团队，只要舍得花钱订阅，再来制作内容，视频其实是非常好做的，因为可玩的AI工具真的太多太多了，好用的都是要付费才爽

强烈推荐大家关注以下13个AI 帐号。 这13个人主要是身份是工程师、科学家。 他们几乎影响了历史发展进程。 @karpathy - Andrej Karpathy（约248万粉丝） Bio：我喜欢训练大型深度神经网络。曾任Tesla AI总监、OpenAI创始团队成员、斯坦福博士。 AI社区最受欢迎的“网红导师”，讲解极度清晰，常分享模型训练实战心得和前沿趋势，适合所有水平的学习者。 @fchollet - François Chollet（约66.5万粉丝） Bio：Keras & ARC-AGI 创建者。 Keras框架之父 + ARC通用智能基准提出者，技术深度与哲学思考结合极强，能看到最前沿的AGI思考。 @ylecun - Yann LeCun（约116万粉丝） Bio：图灵奖得主，前Meta首席AI科学家。 深度学习三巨头之一，观点犀利直接，常对行业热点发表一针见血的评论，信息含金量极高。 @AndrewYNg - Andrew Ng（约153万粉丝） Bio：Coursera联合创始人，前百度/Google Brain负责人。 AI教育界第一人，课程推荐、职业建议和落地经验极其实用，非常适合想系统学习或转行的从业者。 @rasbt - Sebastian Raschka（约44.6万粉丝） Bio：《Build a Large Language Model From Scratch》作者。 从零实现LLM的顶级实践者，代码教程和论文解读质量极高，是工程师最爱的技术干货账号。 @lilianweng - Lilian Weng（约22万粉丝） Bio：前OpenAI AI安全与机器人VP，Lil'Log博主。 AI安全、强化学习和机器人领域的深度思考者，长文综述质量顶尖，适合想深入某个细分方向的人。 @jeremyphoward - Jeremy Howard（约29.4万粉丝） Bio： 联合创始人，前Kaggle总裁。 实用深度学习倡导者，教学方法和开源工具非常接地气，风格亲切且强调“能上手”的实战派。 @simonw - Simon Willison（约18万粉丝） Bio：Datasette & Django联合创建者。 AI工程实践和LLM工具链专家，产品感和实用性极强，常分享好用的开源AI工具和工程技巧。 @ID_AA_Carmack - John Carmack（约163万粉丝） Bio：游戏传奇程序员（Doom引擎之父），现专注AGI。 极客之神，直率的技术哲学思考和跨领域洞见（游戏+火箭+AI），深度极高，启发性爆棚。 @gwern - Gwern（约7.5万粉丝） Bio：互联网研究者，挑剔的深度分析者。 粉丝虽少，但硬核程度顶级，常发布高质量AI实验、长文分析和独特观点，是“硬核爱好者”必备账号。 @goodside - Riley Goodside（约20.3万粉丝） Bio：提示工程专家，前Google DeepMind/Scale员工。 LLM提示技巧和模型行为研究最强账号之一，分享大量实用技巧+有趣截图，幽默且直接能用。 @drfeifei - Fei-Fei Li（约66.9万粉丝） Bio：ImageNet之母，Stanford HAI联合主任。 计算机视觉先驱，兼顾学术深度与AI人文/伦理视角，视野开阔且充满人文关怀。 @demishassabis - Demis Hassabis（约93万粉丝） Bio：DeepMind CEO、诺贝尔奖得主。 AlphaGo/AlphaFold之父，直接来自AGI最前沿的第一手信息和愿景，含金量最高。

加入 X 居然已经4年了，这段旅程非常有意思，也正是把我不少技术产品分享欲找到一个了一个很好的出口。 刚好和新朋友聊一下我是怎么来这里的，当时还叫推特，那时候妙言刚刚写不久，想找一个地方来同步我的更新日志，对，很简单的一个事情，于是就用谷歌登录注册的推特，然后发了当时妙言的介绍，非常神奇，原来妙言在已经被很多很多粉丝多的朋友已经在推荐这个简单好用的markdown原生笔记应用了，过来后，好像突然有一种原来有这么多朋友在这里，终于见面那种感觉，当时推特环境真好，没有这么多广告营销搞钱，更多是分享、交流，纯粹的技术讨论，很遗憾，当时不少输出质量比我高很多的朋友慢慢发的很少了。 后面我慢慢每天早上分享我看到的一些好开源产品，或者自己新产品的发布，以及自己的一些想法碎碎念，慢慢的认识了不少志同道合的朋友，他们也给我的开源开项目贡献了非常大的精力，包括台湾的很多朋友、日本的、土耳其的、欧美的，特别是 Pake 这个项目，很多小伙伴帮忙，这也是当时没有AICoding的时代写代码的一种纯粹。 等 ChatGPT 刚出来的那天，我就立马去注册了账号玩起来了 3.5，当时的确是神奇时刻，当时还是分享那种搞笑的提示词，很有意思，在现在看起来属于远古文学了，我甚至还在2022-12-04写过一篇《普通人如何不被 OpenAI 取代》，哈哈，可见我当时有多浅，甚至深入问的第一个问题是 给我一些学习Rust的在线文档，现在AI发展起来也不可同日而语了。 也正是这个时候，我差不多觉得 all in ai 了，在公司侧把主职的业务支持技术全部下放给到下面的一级管理者，自己给团队找更大的天花板AI，甚至当时用我自己的国际信用卡去自费买 gpt 的官方 api 给团队使用，了解最新的东西，把业务中大量一直让业务管理者头疼的事情能用AI解决的都解决了，顺便我擅长画稿子整产品解决方案，也把AI 应用研发平台、B端数字员工解决方案、业务效率工具和AI的深入融合，如今发展到现在3年多，很多都非常产品化以及效率大幅提升。 由于在实践中，效果非常明显，我在23年初，把我所有中概股以及公司归属的股票全部 all in到了AI方向，虽然非常廉价的给卖了，但是买到了很多现在看起来是宝贝的股票，比如我非常喜欢的130多的特斯拉，90多的英伟达，160多的SMH等，这个阶段我开始有意识的去学习投资，分析一个公司的水平，以及本身的价值如何，也看了很多书来提升自己的思想，但是对于实操效果不大，因为很多书是AI没来前几十年写的，不过思想很有用，此外投资AI也不能和以前思路不一样，也让我找到了编程之外的一个兴趣，很有意思，以后看能否做一个和投资相关的AI产品。 再到后面，其实慢慢就到了大家熟悉的去年国庆在三亚度假泳池游泳休息过程中写的 Mole，Mole让我认识了非常多的海外开发者，我的海外粉丝大幅增加也是由于这个产品被全球各地的开发者几乎每天都有人在帮忙主动宣传，非常感谢！然后就到了今年过年写的Kaku，还有最近给我提效的 Waza、Kami，还有新电脑到了以后想整的 Luo 落文这个字体，旅途非常美好，很期待后续的旅途，也非常欢迎新朋友的加入。

Agent 的动手能力，已经在过去一年经历了显著的跃迁。它不再只是会“聊天”的模型，而是可以真正去动手、去执行复杂任务的智能体。那么现在它能做到什么？已经能解决多复杂的软件工程问题？又该如何在社区里找到最强框架并复用到自己的项目？下面是几条更实用的思路。 要评估一个 Agent 的动手能力，无论它是单一的 LLM，还是 LLM 加上外部工具的工程实现，最终都要回到数据集上。因为数据集定义了“考试题目”，而 benchmark 决定了“评分标准”。目前能全面评估 Agent 工程执行力的两个核心数据集，一个是 OpenAI 的 SWE-bench（software engineering-bench），另一个是 THUDM 提供的 Agent-Bench。前者聚焦真实软件仓库的 bug 修复与功能实现，是“AI 程序员”的试炼场；后者覆盖更广，从软件、操作系统、网络、推理、工具使用到多模态交互，是对 Agent 通用智能和工具操作能力的系统化测评。 什么才算一个好的 Agent，还得回到问题域上看。SWE-bench 的目标是让 Agent 能像程序员一样理解代码、修补缺陷、通过单测；而 Agent-Bench 则像是在考察一个“通才型工程助理”，既要能读懂文档、用命令行、写代码，又要能跨工具协作、执行复杂任务链。前者考工程深度，后者考任务广度。这两个维度，几乎定义了 Agent 的“手工能力边界”。 理解这个边界，还得区分哪些问题是 LLM 本身可以解决的，哪些必须依赖外部工具。从大模型的演进来看，许多原本需要显式工具链配合的能力，正在逐步被“内化”进模型本体。Chain of Thought 已经演化为参数化的推理能力（Reasoning），知识图谱的结构化记忆也被吸收到模型的参数知识（Parametric Knowledge）中。而最近阿里开源的 Tongyi DeepResearch，正是这种趋势的最新代表：它通过强化学习（RL）直接训练模型具备“研究型行为”，主动检索、阅读、摘要、再检索，在真实网络环境中形成自我迭代的探索闭环。 要找到好用的 Agent 框架或最佳实践，最直接的办法就是去看各大数据集的打榜记录，榜单上往往能看到社区最新的开源成果与架构思路。SWE-bench 有一个官方 leaderboard，目前得分最高的方案往往来自一些 AI IDE 工具，比如 TRAE、Augment Code 等，因为 SWE 要解决的软件工程问题，和 AI IDE 的目标几乎完全重叠，它们都想让模型在真实项目里“动手干活”。在这些榜单里，你可以找到大量可以直接复用的开源实现，例如 github@augmentcode/augment-swebench-agent、github@ByteDance-Seed/Seed-Coder 等。 如果你正好在做相关方向的工作，不妨先采取“拿来主义”。SWE-bench 上最好的模型得分已经达到了 78.8 分，意味着这些 Agent 已经能解决绝大多数真实工程问题。要知道，在 2024 年三月，这个榜单的最高分还只有 12.4。短短一年，从“会写代码”到“能维护项目”，AI 的动手能力，已经跨过了一个关键分水岭。

之前看其他老师用AI做的一些优质的视频，经常忍不住发出感叹，woc，做得太牛逼了！ 但我自己用同样的AI工具去做，就总是差强人意，像小学生出品。 这让我反思了一个问题：AI模型越来越强，获取工具也容易，但使用AI的门槛却在悄然升高，正在形成一道越来越宽的系统性鸿沟，会用的人和不会用的人，效率差距被迅速放大。🤔 新功能越多，普通人越跟不上。每发布一个新模型、新功能，都多出一道隐形门槛。 高手也需要不断研究模型差异、调试组合，认知和时间成本居高不下。普通用户试几次没好结果，就容易放弃，AI强大却难以真正发挥作用。 @dappOS_com 的xBubble @xBubble_ai 想解决的就是这个问题。 核心是低提示词。不靠猜意图，而是用预训练好的SOP+智能分发，让你一句话输入，就能拿到稳定好结果。每个SOP打包了技能、模型选用、运行环境和第三方服务，相当于一个专属小Agent。 🔹 Bubble Pilot是前台助手，发简单指令，它匹配最优SOP，走优化路径输出；没匹配就用通用模式。 🔹Bubble Engine在后台学习，用类似AI coding的方式生成SOP。预训练消耗较大，但SOP一旦生成，相似问题就能高效处理。运营上尽量聚合需求相近的用户共享SOP，特殊需求则单独收费。 这样，用户不用挑模型、调Prompt、配工具、验结果，只需说清楚想要什么。 实际用起来大概是这三种情况 ▪️命中SOP：直接走优化路径，效效果更好更稳 ▪️没命中：先给你可用结果，不卡住 ▪️反复提同一类需求：Engine就会自动建新SOP，下次体验直接升级。 🟩还有两种运行环境： Bubble Computer适合复杂项目，一次性完成研究、写作、设计、交付，全程不用管中间步骤。 Bubble Personal可操作本地文件、浏览器、日程，云端处理系统操作，更安全方便。 xBubble的理念就是：AI应该学习AI，AI应该使用AI，用户只需陈述目标。 把复杂工程藏到背后，让AI适应人，而不是人去适应AI，咱普通人也能轻松把AI变成日常生产力。 看最近会所哥@BTC_Alert_又又又萎了，用Bubble生成的这种类型，应该能治好你的症状吧哈哈哈哈

币安刚上的 Agentic Wallet 解决了一个困扰我已久的资金安全难题。 这是一个专门给 AI Agent 用的独立无私钥钱包。以前让 AI 交易总担心安全问题，现在资金和主钱包完全隔离。 你可以给 AI 设定：只放多少钱，只能买卖哪些币，什么能干什么不能干，全凭你一句话。而且后台有个专属 Dashboard，AI 的每一笔操作都清清楚楚，随时可以手动断开连接。 除了支持 BNB、Solana、ETH、Base 这些主流多链，对进阶玩家来说，你甚至可以直接把这个钱包丢给自己的 OpenClaw，加上 Memerush 的功能去全自动抓热点打土狗。 现在官方在推活动，有白嫖的羊毛可以薅，建议先装了再说： 活动时间：2026年4月24日 20:00 到 5月9日 19:59 福利：通过这个钱包完成的交易免服务费；转账和交易免 Gas 费（每个地址限20笔，总共20万笔，先到先得）。 下面是具体的安装教程，分两种情况，大家对号入座： 第一种：使用币安自带的 Ai Pro（最简单，开箱即用） 注意：目前 Ai Pro 只能通过安卓端 App 或网页端访问，苹果用户第一步必须用网页版。 1. 打开币安网页版，在顶部菜单栏找到“更多”，点开找到“币安 Ai Pro”。 2. 点击激活。新用户有 7 天免费试用（正常定价是 9.99 USDC/月），直接开，想白嫖的记得七天内去手动关掉续订就行。 3. 激活后进入对话框，直接发一句“安装 Agentic Wallet”。 4. 按照它弹出来的步骤，点击链接，输入配对码。 5. 提示连接成功后，你的钱包就配好了。以后直接在对话框里发 CA 地址，让 AI 帮你自动挂单买卖，傻瓜式操作。 第二种：使用第三方 AI Agent（如 OpenClaw、Hermes） 如果你平时习惯用自己的 AI 工具，直接按下面步骤把它接入币安。 1. 把官方的 Github 链接直接丢给你的 AI Agent： 2. 命令它安装所有的 Binance Wallet Skills： 3. 安装完后，让你的 Agent 生成一个配对链接。 4. 如果你在手机上，直接点链接会跳到币安 App；在电脑上，就用手机币安 App 扫码。 5. 核对一下手机上弹出的配对码和 AI 给出的是不是一致。 6. 确认无误后，在 App 里开启安全自动签名。 7. 回到你的 Agent 页面确认完成，就可以直接下指令了。 希望这个保姆级教程可以帮到你，赶紧体验试试吧，活动期免 Gas 和手续费，用小资金去跑跑自动化策略，先吃第一口螃蟹。@pearbinance @moonkimbinance

在 Manus 的时候跟同事一起推动过一次研发部的「AI 工具使用」大跃进，这个大跃进的主要工作之一是要设计好给 ai 看的规则，好让 ai 完全接管写代码的流程，大概在 2025 年 6 月份整个 manus 内部已经达成了所有新代码全部都由 ai 生成。 当时能用的 ai