与「抽象」相关的搜索结果

世界上前20的Skill必装榜！ 1、superpowers（by obra），当时星标 30.2 万 它把开发拆成四步：头脑风暴、写计划、测试驱动、代码审查，串成一套开发流程。做中大型功能之前装上，AI 不会一上来就乱写代码。 2、skills（by mattpocock），当时星标 29.8 万 需求说不清的时候，它会反过来追问你，再帮你理清架构。排查 bug、重构老项目，用它最顺手。 3、andrej-karpathy-skills（by multica-ai），当时星标 22.1 万 一份项目规则：AI 先想清楚再动手，只改该改的地方。放进项目根目录，写代码时就生效。 4、skills（by anthropics），当时星标 18.2 万 官方技能库，Word、PPT、表格和 PDF 都能直接做。想自己写 Skill，照着它的模板改就行。 5、ponytail（by DietrichGebert），当时星标 16.8 万 让 AI 像最懒的资深工程师一样思考：能不加的抽象就不加。代码写完让它过一遍，把过度设计和技术债挑出来。 6、ui-ux-pro-max-skill（by nextlevelbuilder），当时星标 13.8 万 整套配色、字体搭配和交互规范都在里面。做落地页、后台和 APP 界面之前装上，页面更像设计师做的。 7、graphify（by Graphify-Labs），当时星标 12.9 万 把代码、文档和数据库结构转成一张知识图谱。接手陌生项目时先建图，再问"这个函数被谁调用"，一查就清楚。 8、caveman（by JuliusBrussee），当时星标 11.4 万 让 AI 用最少的字回答，啰嗦的铺垫全删掉。长时间跑 agent 的时候装上，能省下一大截 token。 9、agent-skills（by addyosmani），当时星标 10.9 万 谷歌工程师整理的工程规范，覆盖接口设计、上下文管理和质量检查。团队一起写项目，用它统一写法。 10、taste-skill（by LeonxLnx），当时星标 9.9 万 给 AI 补上审美：排版、参考图和动效都有讲究。做官网首页和作品集的时候用，页面不再像套模板。 11、Understand-Anything（by Egonex-AI），当时星标 8.7 万 把代码变成能点开的交互图谱，还会讲清楚业务流程。新人上手项目、读开源代码，最省时间。 12、impeccable（by pbakaus），当时星标 8.3 万 专门提升 AI 的设计能力，会检查间距、层级和细节。页面做完先让它审一遍，再按建议打磨。 13、awesome-claude-skills（by ComposioHQ），当时星标 7.7 万 一份技能合集，按场景收录了八百多个 Skill。不知道该装什么，先来这里挑。 14、last30days-skill（by mvanhorn），当时星标 6.5 万 它会去 Reddit、X 和 YouTube，汇总最近 30 天的讨论。 做选题、追热点、调研同类产品的时候用。 15、humanizer（by blader），当时星标 5.9 万 专门去掉文字里的 AI 痕迹，比如套话和固定句式。公众号、口播稿和邮件写完，都可以让它过一遍。 16、diagram-design（by cathrynlavery），当时星标 5.8 万 支持四十多种图表，直接输出成网页文件。写技术文档、做方案汇报，用它画架构图和流程图。 17、i-have-adhd（by ayghri），当时星标 5.8 万 让 AI 先说结论和下一步，再给细节，不把答案埋在长段落里。问技术问题、想马上拿到结果，就装它。 18、marketingskills（by coreyhaines31），当时星标 5.6 万 覆盖文案、SEO 和数据分析这些营销技能。写推广文案、提升网站搜索排名的时候用。 19、academic-research-skills（by Imbad0202），当时星标 5.3 万 从查文献、写论文到模拟审稿，一条流程串起来。写毕业论文、投期刊之前都能用。 20、scientific-agent-skills（by K-Dense-AI），当时星标 5.3 万 让 AI 变成科研助手，接入生物、化学这些领域的数据库和工具。做实验分析、查专业资料的时候用。

老马是真的把 $DOGE 忘了 所以说，为啥不要对太多币有太多信仰 今天 $DOGE 最低砸到 0.0621，币安现货 K 线上一次这么低，还是 2023 年 10 月 从 2024 年 12 月 0.484 的高点算，已经跌了 87% 离 2021 年那个 0.73 的历史高点，跌了 91% 同样挂着老马名字的三个资产，中期选举之后那一周 $SPCX +0.5% $TSLA -5% $DOGE -7% SpaceX 中间跌了 9% 又拉回来了，狗狗币一直没回头 更抽象的是 DOGE-1 一个全程用狗狗币付钱的月球任务，原本 2022 年要坐猎鹰 9 号上天，一拖再拖到现在 今年 2 月老马还说，SpaceX 明年大概会把 DOGE 送上月球 月球还没到，币价先回到了 2022 年下半年的位置 Dogecoin Labs 创始人这周更说，老马发推已经带不动币价了，这是健康的表现 确实健康，现在跌都不用等他发推，笑死 不会有人2026了手上还有狗狗币吧？

都在讨论 fable5.2 的时候我们来看看GPT 6.1 Sol 和 Gemini 4 Carbon 在同一套提示词、最高推理下是怎样的表现： 提示词：“构建一个在 3D 中让我感到惊讶的东西，让我觉得你是一个 AGI 模型” 实测数据： - GPT 6.1 Sol： 跑了30分钟，5.3M token，花销约 $1.4 Gemini 4 Carbon： 跑了 40 分钟，烧了 6.2M token，花销约 $2.9 同一套提示词，成品风格完全对立： Sol 相当抽象，走的是游戏场景感的 3D 网页设计，但是我实在没看懂这是个什么。。。 Carbon则搓出了一个极度复杂的星盘和发光天球仪，UI 细节和光影层次明显更炸 但整体来看对比Fable5.2、opus5.5的输出，这两家都有点玩具的味道，特点是Sol 6.1，太过于抽象

Fable 5.2发布后的早期实验，已经远不止写代码和做游戏了。🧪 细胞模型、可打印折纸、3D重建、Agent可视化、动态知识讲解…… 7个案例，看看它如何把抽象知识变成能看、能用，甚至能打印👇 1/ 一个完全由代码生成的3D细胞模型。

初代礦工 - 神魚，是我最敬佩的幣圈前輩之一。 不管是挖礦還是 DEFI 都顯示出他超前的認知。 這集 18 分鐘演講他分享了他使用 AI 的認知，我仔細看完後又用 AI 拉逐字稿分析，總結出以下核心認知，分享給大家： 1 同一份資訊，看到多少 insight ，取決於你有多少算力，用得對不對。 人腦算力和時間有限，只能抽出很少的 insight； 藉助 AI 能夠瞬間調用大量算力，同一份資訊就能看出更多東西。 了解這個底層邏輯，你就可以在各個領域超前創造額外價值。 2 三個世界稀缺的東西不一樣。 實體世界缺位置（房地產）， 網路世界缺注意力（流量）， AI 世界缺的可能是品味和判斷力（AI 無法取代的能力）。 3 花 Token 是在買時間。 讓 AI 把每本書壓成一頁簡報、把一個學科做成知識圖譜；讀不懂的書讓 AI 照他的背景和經歷改寫。 4 讀書要雙軌並行。 知識進得快但沒有真的進腦子。所以一邊讓 AI 抽結構，一邊自己反覆精讀。 他拿健身房來類比：體力勞動被機器取代後大家上健身房，腦力也需要類似的鍛鍊。 5 讓 AI 當鏡子認識自己。 他從玩龍蝦就開始讓 AI 寫人格設定檔，回頭整理自己的經歷給 AI 讀。 AI 回他一封信，他看完哭了很久。 之後每天花 10 到 20 分鐘讓 AI 找他前一天的工作盲區。 AI 讀完他的交易紀錄還問他：你是在做交易，還是在滿足心理需求。他想了兩天大徹大悟，承認是後者，決策品質從此好了很多。 6 人和 AI 協作像層層回路。 人負責講清楚要什麼、給足背景； AI 團隊去試、回饋、沉澱成方法。 兩個關鍵旋鈕： 每一步交給 AI 多大的任務（太大它會變笨，太小就像一直開會不做事）、多久回饋一次。 系統越自動，人越關鍵：目標偏一點，下面全部白費。 7 他自己的變化。 體感生產力增加約十倍，最關鍵的是性格變了，從不擅長抽象思考變成偏向抽象思考。 8 很強的個人放進傳統組織反而變差。 團隊產出被組織裡最窄的瓶頸卡住，個人再強也沒用，所以要變成以 AI 為本的公司，組織的做法得改。 9 他們公司怎麼做。 每個員工配一個 AI 同事，大量協作由 AI 之間溝通，不用開會拉齊。 他拋出靈魂拷問：如果 AI 之間都能即時協商，公司的邊界還存在嗎？ 10 人生只有三件事。 吃飯、睡覺，剩下就是用好算力。 對外看懂世界、對內看懂自己。 11 AI 給他的十年建議。 守住自己的資料和私鑰； 趁父母還在、孩子還願意牽你的手，去遠行； 每半年檢查一次自己的預測邏輯，自負是很貴的漏洞； 吃真正的食物、把可被攻擊的破口縮到最小。 每天問自己：用好 AI 之後，你的一天有沒有變得更充實更有生產力。

这段时间集中面试，公司的阶段、人数、行业、组织和问题千差万别，也想借这次机会更多接触不同的企业来补充自己对于不行业和团队的理解。 我也想把面试中遇到的一些典型问题记录下来，当然会脱敏，意图不是曝光或八卦，主要还是在具象问题中抽象出更合理的解决办法，希望对各位在职场中的朋友有所启发，也希望对在看机会的朋友面试有一些心里准备，哪些是痛点、哪些是雷点，能分清。 我都记录在这篇内容下吧，先来第一个： 一家硬件和 SaaS 软件公司，HR 前置沟通一再强调，团队目前遇到了很深的技术难题，希望有 tl 来带队攻坚！ 但我初步了解了产品形态后，感觉不太对，他们遇到的肯定不是单纯的技术难题，是业务不断发展累加、不断复杂化但又缺少技术架构梳理和重构而欠下的技术债。 后来实际面试中 CEO 和几位技术负责人都参加了，轮到技术负责人提问时，他们提的也确实都是那类问题：业务不能停、个例用户也要支持、业务牵引而缺少技术决策主导等等。 实际上是非常典型的问题，就是业务快速发展的阶段，由于经验能力和时间分配等，忽略了技术架构和工程。当然有一个好的前提是，公司发展很好，且团队意识到了技术上的问题。接下来就来到技术负责人要做的工作：梳理业务痛点、以最痛点的几个问题切入专项解决、先把业务稳住再把专项解决的方案落到各个端。在这个阶段，同步梳理哪些功能可以抽离解耦、各端口协议如何做归一化、数据埋点和日志补全降低排查难度、提升功能使用情况监控。 同时在团队内落地和规范 AI Coding，边解决问题，边渗透 AI Coding 边加速，让研发团队的小的成果不断对业务产生价值，提升信任感和团队的成就感，再内部挖掘可以提供业务附加价值和创新点的方向，部分人和精力投入预研，拿出能打的东西来！ 这样有 2-3 个月时间，就能看到研发团队的变化，也差不多到了技术负责人试用期考核中期了，这份答卷，应该不会差。

Meta开源Rebalancer：高效解决大规模资源分配与调度难题 Meta开源了内部运行9年的资源分配库Rebalancer，用于自动化处理算力部署、流量调度和机房机架摆放等复杂分配任务。 它将分配规则定义与底层求解算法彻底解耦，开发者无需手写复杂的数学公式，通过类似积木的高级抽象即可表达复杂的业务约束。 系统内置了精确求解器和高度优化的局部搜索算法，在Meta每天支撑数千万次运算，百万级对象的分配问题也能在数分钟内给出高质量方案。 项目已采用Apache2.0协议开源，并配套提供了可视化排查工具，适合需要处理多维度调度、排班与资产匹配的团队直接复用。 Github：