与「审核员你好」相关的搜索结果

小红书的密码 兄弟们拿好： #旅行碎片# #吊带睡衣# #朋友圈吃不了的细糠# #拍出氛围感# #牛仔短裤# #完美身材# #夏季穿搭# #腰臀比# #人像摄影# #微胖穿搭# #肉腿# #拍照姿势# #海边拍照# #日常拍照# #拍照姿势不重样# #无不良引导# #肉肉腿# #显瘦裙子# #温柔穿搭# #黄豆粉# #来拍照了# #审核员你好# #朋友圈不敢发# #对镜拍# #ootd每日穿搭# #cos正片# #海边正常穿搭无不良暗示# #三亚# #ooc致歉#

一人公司怎么搭 AI 团队？我在 Helio 里拉了 4 个 AI 同事试试 网上很多人说一人公司，视频展示 AI 团队互相调用，看着很爽。但真想自己搭一个，没编程基础直接卡住。 我在 Helio @helioim_ai 试了一下，不用招人，只要招 AI 同事。 给它们丢了一个任务：每天盘前帮我出一份美股早报。 然后 4 个 AI 同事开始自动分工： • 盘前扫描员：抓隔夜市场、期货、大盘情绪和关键异动 • 新闻整理员：挑出重点新闻，去掉噪音，补上背景 • 风险审核员：交叉检查数据和敏感信息，标出不确定的 • 内容输出员：把所有结论整理成可发的内容草稿 我不需要在 4 个聊天框里分别问问题，也没把答案复制来复制去。 它们在同一个 Channel 里自己推进——谁先查数据、谁补充新闻、谁做交叉检查、谁最后汇总，流程全在频道里看得到。 这也是我觉得 Helio 跟普通 AI 工具最大的区别。 ChatGPT 更像： 我问，AI 答。 你再问，它再答。 活儿还是你在串。 Helio 更像： 我定目标，AI 团队开始工作。 这些 AI 同事有名字、有头像、有频道、有分工，也有需要人类确认的决策边界。调研整理生成草稿它可以跑，但最后发不发、风险判断，还是人来把关。 美股内容不能瞎自动化，必须自己把关。 我以前想搞这种多 Agent 工作流，要懂 API 要配 workflow 要写一堆 prompt。现在更像拉人进群，给每个 AI 同事一个职责，它们就自己开始干了。 不只美股能用。世界杯情报组、加密货币异动监控、竞品监控、内容创作流水线——只要你的工作能拆成几个角色，Helio 就能把它变成一个小组。 这可能是我最近试过最像"AI 同事"的产品，大家可以去试试。

今天看了篇文章，叫：《AI 与自动化的讽刺》，内容跟当前 AI 的发展很应景。 1983年，一位认知心理学家 Lisanne Bainbridge 写了篇论文，题目叫《自动化的讽刺》。四十多年后的今天，这篇论文上预言的问题，正一字一句地在 AI Agent 身上应验。 当年她研究的是工厂自动化：机器干活，人类监督。 今天我们面对的是AI Agent自动化：AI干活，人类监督。场景变了，但底层逻辑一模一样。而她当时在论文中指出的那些问题，又重新来了一遍。 论文中都提到了哪些问题呢？ 1. 技能退化困境：不用就会忘，专家变监工后技能会萎缩 用进废退，这四个字我们都懂。但放到AI时代，它有个更残酷的版本。 以前你是某个领域的专家，天天做这件事，手到擒来。现在公司说，让AI Agent来做吧，你负责盯着它，出了问题再介入。 听起来很美好对不对？从打工升级成监工，岂不是更轻松？ 问题来了：你不做这件事了，但你的技能不止不会进步，甚至还会退化。 像我这样天天用 AI 写代码的，我能感觉得到这两年是没啥进步，而且对 AI 有依赖，很多以前信手拈来随手就可以写出来的代码，现在没有 AI 就啥都不想干了。 真的是有点用进废退了。 无论是 OpenAI 还是 Anthropic 都在吹他们的 Coding Agent 多厉害，他们的员工只要验证 AI 写的结果就好了，但是他们故意没提的是，这些人都是万里挑一的高手，他们有足够的经验判断AI对不对。但如果他们接下来几年都只是验证 AI 做的对不对，那么他们的技能会慢慢倒退。 像我们这一代老程序员还好，更要命的是下一代。 今天的老程序员们好歹是从实战中成长起来的。明天的程序员呢？他们从入行第一天就在盯AI，没怎么亲手做过。他们既没有技能，也没有机会学。那他们怎么判断AI对不对？ 论文原话是： > 当前这代自动化系统，正在吃老一代操作员的技能老本。下一代操作员不可能有这些技能。 这个问题今天看不出来，三五年后可能就会凸显出来了。 2. 记忆提取困境：不常用的知识，调取速度也会变慢 还有个问题就是相关技能的记忆也会退化。 想想我们高中时哪些滚瓜烂熟的公式，现在还能想起来几个了。放到 AI 监督的场景，随着 AI 能力越来越强，大部分时候都是对的，这意味着大多数时候不需要用到你的知识，随着你的知识越用越少，相关的记忆就会退化。 3. 实践悖论：理论培训没用，必须实战才能学会，但AI在干活人没机会练 这时候你可能会想：那培训是不是有用？ 但是《自动化的讽刺》论文中的结论是：培训并没有太大用。 因为专业技能不是听课听出来的，是在真实场景里靠实战锻炼出来的。课堂上学的理论，如果没有配套的实战练习，你很可能听不懂，因为没有相应的经验框架。就算当时懂了，很快也会忘，因为没有和真实任务绑定的记忆提取路径。 要保持监督AI的能力，你得定期亲自干活。但如果公司追求的是让 AI 自动化运转以提升效率，那人就没多少机会练手。 这是个死循环。 就像论文里面说的： > 我们训练操作员按指令行事，然后把他们放进系统，指望他们提供智慧。 你不能指望平时不需要怎么思考和练习的人类，在关键时刻能想出什么好办法。 4. 监控疲劳：人类无法长时间对"很少出错"的系统保持警觉 心理学研究早就发现，人类无法对一个很少出问题的目标保持长时间警觉，半小时是极限。这不是意志力的问题，这是生理结构决定的。 从进化角度看，这其实是个生存优势：如果你盯着一个地方什么都没发生，大脑会自动降低警觉，把注意力资源省下来应对真正的威胁。但放到监控场景里，这就成了问题。 AI Agent大部分时候是对的，偶尔会犯错。这恰好是最难监控的模式。如果它经常出错，你会保持警惕。如果它从不出错，你不用监控。但它很少出错这种情况，正好落在人类注意力的盲区里。 更糟的是，AI Agent犯错的方式特别隐蔽。它不会说"我不确定"，它会用一种极其自信的语气告诉你它的计划，洋洋洒洒几十上百行。错误可能藏在第87行的一个小前提里，比如"因为2大于3，所以我们应该……"。被那么多看起来正确的内容包裹着，被那种自信满满的语气麻痹着，你很难注意到。 那加个自动报警系统呢？ 论文说：谁来监控报警系统？如果报警系统本身出了问题，操作员不会注意到，因为报警系统已经正常运转了很久。 那让人做记录呢？ 论文说：人可以机械地抄数字而完全没注意数字是什么。 所有试图对抗监控疲劳的手段，都会撞上同一堵墙：人类的注意力就是无法长时间锁定在一个很少出事的目标上。这是硬件限制，不是软件问题。 5. 地位问题：从专家降级为监工，心理冲击和社会地位下降 你曾经是专家，公司里有什么难题找你，同事尊重你，你自己也有职业认同感。现在你是AI的看门人。 技能层面的损失是一回事，心理层面的冲击是另一回事。从专家降级为监工，从创造者变成审核员，从被需要变成备胎。这种转变对很多人来说是很难接受的。 论文里说，被这样降级的人会出现各种复杂的应对反应，有些看起来甚至是自相矛盾的。这部分内容展开讲太长，有兴趣的可以去读原论文。 6. 糟糕的UI：当前AI Agent界面是最差的监控设计 工业自动化领域花了几十年时间优化控制室设计：显示屏怎么布局能让操作员最快发现异常，急停按钮为什么是红色的、为什么那么大、为什么放在那个位置。每一个细节都是用事故和教训换来的。 现在看看AI Agent的界面？ 一堆自信满满的长文本，一个接一个的多步骤计划，几十上百行洋洋洒洒的解释。你要在这些文字里找出那个藏着的错误。 这大概是人类设计过的最糟糕的异常检测界面。 7. 训练悖论：越成功的自动化系统，越需要投资培训人类 论文中谈到自动化带来的训练问题： > 如果不能让操作员定期接管工作亲自干，就得用模拟器训练。但模拟器有个根本问题：你只能模拟你能预见的故障。未知的故障模拟不出来，已知但没经历过的故障也很难准确模拟。 那怎么办？ > 只能培训通用策略而不是具体应对方法。但这又带来新问题：你不能指望操作员光靠查操作手册来应对异常，因为手册不可能涵盖所有情况。 > 越是成功的自动化系统，越少需要人工干预，反而越需要在人员培训上投入巨资。 因为干预越少，人的技能退化越快，应对罕见异常的能力越弱，每次培训的成本就越高。 决策者想用AI省钱，但省下的人力成本可能得加倍投入到培训成本里。 8. 领导力困境：监督AI不只是被动看，还要主动"领导"它们 监督AI Agent不只是被动地盯着看，还得主动地指挥它们。告诉它们做什么、不做什么、分几步做、怎么调整方向。 这其实是一种领导技能。 为什么LinkedIn上夸AI Agent最起劲的往往是管理者？因为他们本来就习惯间接工作：设定目标、分配任务、给反馈、调方向，但不亲自动手。对他们来说，指挥AI Agent和指挥下属没有本质区别。 但对于一直亲自干活的执行者来说，这是一个巨大的角色转换。你得从一个做事的人，变成一个让别人做事的人。这不是改几条 prompt就能解决的，这是一整套技能体系的重建。 公司会给新晋经理做领导力培训。但有谁见过公司给AI监督者做领导力培训？ 四十年前那篇论文的结尾是这样的： > 没有时间压力时，人类可以是令人印象深刻的问题解决者。困难在于，一旦有时间压力，效率就会大打折扣。我希望这篇论文说清楚了两件事：第一，自动化不一定会消除困难，这是讽刺所在；第二，解决这些问题需要的技术创造力，可能比自动化本身还要大。 四十年后，我们换了个场景，但面对的是同一组问题。 AI Agent的能力在进步，但人类的认知结构没变。监控疲劳还是半小时，技能退化还是用进废退，注意力盲区还在那里。这些是硬件限制，不是软件更新能解决的。 推荐阅读原文： 《Ironies of Automation》： 《AI and the ironies of automation - Part 1》 《AI and the ironies of automation - Part 2》

这份清单里全是持续稳定输出干货的优质频道和社群，几乎覆盖了信息获取、KOL互助、新手成长、交易观点等全维度。 真正值得长期收藏和翻阅的宝藏资源，方便大家收藏检索👇 1️⃣创作者社群（最推荐优先加） 这一类社群适合新手/白号从0起步做X（Twitter）内容、涨粉、流量共享、项目合作 全真社区，ZC老师 @ZhanweiC 主导的KOL互助社群，不管是搞流量、想学如何面向项目方、想学撸毛，想交朋友都可以 web3新手村，鼠鼠 @LeslieLi92210 创建的新手交流群，聊天氛围轻松、整活多、交朋友氛围好 天庭中推，由 Conso george @Showy005 和miko @web4miko 联合打造的，是目前Web3 中推/KOL创作者的精品互助公益社区 进群tg私信管理员审核 @Bennett_fight 2️⃣信息汇总类 （高效刷市场必备） 这种类型可以帮助你快速的浏览目前市场上的异动，以及私域群组关注内容 大宇老师TG 频道 @BTCdayu 不定期精选文章合集，投资导航神器 巫师 TG 频道 @0xcryptowizard 每日更新群聊大家在聊什么，帮助跟进市场的新项目 0xsun TG频道 @0xSunNFT 每日AI驱动的市场新闻汇总 3️⃣观点分享类 （深度思考 + 实操干货） 这一类会分享更多和投资，以及行业相关的内容。内容经过筛选后，基本都是精华。 Vida @Vida_BWE 方程式老板，在tg上会分享更多商业思考 + 投机之路 Gary @otzgary 分享超级多英文区热点内容，以及自己对目前行业的见解 Pickle Cat @0xPickleCati 币安交易大赛冠军交易员，分享关于自己交易成长的感悟，以及自己的经验，同时开实盘

说一个2026年下班年硅谷科技公司的一个风向。 （不同公司进度不同，但是我了解的都在往这个方向走） 也就是： 减少对开源软件的依赖，以后能自己写的就自己写。 原因： 开源社区已经无力维护软件的安全和审核patch了。AI时代每天能有上前个patch/JIRA. 义务工作的程序员很多已经give up. 前沿模型找vulnerbility的速度快于开源社区的反应。 开源用得越多，越容易被$20的黑客盯上。 开源活动轰轰烈烈20多年，没想到发展到这一步啊，唏嘘唏嘘！

重要：TapeOut Protocol V2，核心预告 1、元件插槽：建立闭环的开发者生态 V1版本，只有两种基础零件：NAND 和 LATCH。想做复杂的东西，只能拿几十万个 NAND 硬堆。 V2版本，新增元件设备仓库，重要的是推出“元件插槽”能力。V2版本上线后，任何第三方开发者都可以按照“协议规则”开发各种新的元件，在通过官方审核后，元件就会在设备仓库上架。然后，你的元件就通过TapeOut直接面向全球在线发售了。开发者元件做的越有意义，处理器厂商买的人就越多，获得的该元件的协议手续费分成收入就越高，会获得该元件协议手续费的50%收入分成。该Mint收入实际是BNB，但是系统会自动兑换成$BEM给开发者分成。 2、首发元件： BNN（二值神经网络）：256输入隐层，1 BNN  =  336,000 NAND LUT（查表器）：一个AES S-box，1 NAND = 1000 官方的 LUT、BNN 自己也是插槽元件，没有特权通道。 开发者写的元件和官方元件走相同流程。 3、元件设备仓库：一台厂能造什么，取决于它购买了什么设备。这是 V2 的经济核心。 处理器厂商烧掉 $BEM  →  买下“造某种元件”的生产能力，用户就可以在它的工厂mint出该元件。 ↓ 处理器厂商定这种元件卖多少钱 ↓ 用户用 BNB 来Mint元件，Mint后拿去流片 需要说明的是，设备分型号，不分大类。BNN-64 / BNN-128 / BNN-256 价格不同 ， 因为一个 LUT-16 的表是 LUT-8 的 256 倍大，混在一起会被套利；型号的规格和价格永久不能改。处理器厂商订购元件，需要支付 $BEM ，然后系统会将收到的全部$BEM转进黑洞地址销毁，所有人可查。 因此，V2上线后，BEM流通量 = 总量流通量 − 黑洞余额。 4、协议收入 与 开发者分成。 用户在一座 V2 处理器厂商那里Mint 基础晶体管也好、高级元件也好，会自动收取厂商Mint销售每笔BNB收入的 1% 协议费。用户付的就是厂主标的价，1% 是从厂主的BNB收益里获取的。 给元件开发者的分成 某个元件被厂商采购后，会产生1%的协议收入，有 50% 会分给该元件开发者作为收入分成。不过协议会把收到的BNB在pancakeswap上按照实时价格，自动兑换为$BEM分发给开发者。 5、如何成为元件开发者 只需写几个函数，百八十行代码。 TapeOut官方会提供加法器示例全文 60 行。 具体要点： 1. 纯计算，不读写任何状态，同样的输入必须永远同样的输出，电路一旦流片就是永久的 2. 不能有管理员、不能是代理合约，代码要求是死的 3. 输入必须连着 ，省字节和gas 开发者提交流程：写好 → 部署 → 代码审计 → 提交审核 → 通过后登记插槽 → 上架型号。

因为受够了 Google Play 繁琐的规矩，一个 17 岁的乌兹别克斯坦少年干脆自己写了一个应用商店。 他写了个小软件，本来只想高高兴兴发布出去。 结果一查 Google 的要求，直接傻眼： 要交注册费，要上传政府 ID 验证身份，要验证家庭住址。 最离谱的是，还得强行凑齐 20 个测试员，连续测试 14 天。 这哪里是发布软件，这简直是在过堂。 普通人可能就放弃了，但这少年不服。 既然大平台不让玩，那就自己掀桌子。 他盯上了 GitHub。 我们知道，GitHub 只是个代码仓库。 很多开发者写完软件，会顺手把编译好的安装包（APK）扔进 GitHub Releases 里。 但对普通用户来说，去那里面翻安装包，比在垃圾堆里找钥匙还难。 更别提什么版本追踪和自动更新了。 于是，这个少年干脆自己写了一个应用商店，就叫 GitHub Store。 原理非常简单，但极其粗暴。 它直接去抓取 GitHub 上的开源发布包。 把那些藏在代码仓库里的软件，重新包装成一个手机应用商店的界面。 在里面，你可以一键搜索、一键安装、还能自动跟踪更新。 大平台用重重审核和繁琐门槛建立起来的“分发霸权”； 被一个 17 岁少年，用最开源的方式，直接给绕过去了。 它当然还不能完全替代 Google Play，安全和生态也还在早期。 但这件事最有意思的地方在于： 当一个平台开始变得臃肿、官僚、门槛高耸的时候， 总会有聪明人，用最直接的方式，把分发权和选择权，重新夺回普通人手里。