与「指令」相关的搜索结果

睡前来一发，这个视频还是挺完美的。 Anthropic的应用AI工程师Margot Van Laar在Code with Claude分享了提示词工程的实战手册。 核心观点是：我们很少从零写提示词，大部分时间都在调试和维护已有的生产提示词。 最好的起点永远是评估（Eval），而不是直接改提示词。 她用两个真实场景演示了最佳实践： 1. 维护已有提示词（客服机器人） - 先做通用清理：用XML标签结构化（角色/政策/语气/指南分开）、移除冗余补丁、明确输出格式。 - 常见陷阱：以前为旧模型加的“禁止列表”指令，在新模型上会过度拟合，导致模型隐瞒它其实能提供的信息。 - 当模型需要做精确计算时，指令没用，要给它工具。 - 升级/转人工的决策，要把代价和收益两面都说清楚，否则模型会过度优化某一边。 2. 从零构建新Agent（零售排班） - 单一复杂提示词容易失败。 - 更好的方式是拆成生成-评估-修复循环，让三个简单提示词各司其职。 - 模型选择很重要：更强的推理模型（Opus）+ 自适应思考，往往比小模型+复杂提示词更高效。 她反复强调：评估是唯一能告诉你改动是否真正有效的严谨方式。 没有评估，就只是在碰运气。

一个 Claude Code + 设计技能 + 参考图 + 多轮审美打磨 + Hostinger 部署的完整建站教程 重点是如何避免 AI 网站的廉价模板感 我觉得我很幸运，这几天就在找这方面的内容学习，都知道我做App巨丑无比。 几个核心： 定义“高价感网站”的 8 个标准： 观点/方向 字体 颜色 层级 图片素材 动效 移动端 以及速度和完成度这些隐形细节。 视频提及两个Skills： 1. front-end design（不确定） 2. UI UX Pro Max 让 Claude 避免普通 AI 网站常见的模板感、烂字体和无聊配色。 技巧： - 提示词要具体，最好给 Claude 参考截图，并让它先问澄清问题。 - Claude 生成初版后，逐项打磨：字体、配色、文案、层级、图片/视频素材、Hero 区域、滚动动效、光标交互、微交互。 - 不要一次次喂很细的指令，而是先讲“想要什么感觉”，比如“下面几个区块有点普通，不要更复杂，要更贵气”。

Hermes Studio v0.6.22 版本更新 本次版本整理 0.6.21 之后合并的 PR，重点更新组合模型、会话历史、代理设置、斜杠命令和移动端布局细节 首先是模型页面新增了组合模型面板，聊天里现在可以看到真实的 MoA reference 和 aggregator 进度，不再靠前端占位展示。 会话历史也更好用了：会话可以从列表里归档，之后还能在历史记录里恢复。本地-only 的 Claude Code / Codex 会话，也会正常出现在历史里。 设置页新增了代理标签页，可以配置 gateway 全局 HTTP(S)、ALL_PROXY、NO_PROXY，也支持 Telegram、Discord、Matrix 的平台代理，公网和服务器环境会更方便。 另外 Hermes 聊天新增 /learn 命令，Agent Bridge 运行时会使用你选中的 workspace 作为 cwd。 注意：因为新版 Hermes Agent 还没发布，桌面端的 /learn 和 MoA 指令能力需要等 Agent 新版发布后才能完整可用。

你不需要再学 100 个 Claude 技巧。 先戒掉这 11 个低级习惯。 很多人用 AI 半年，效率还不如别人用 3 天。 问题从来不是模型不够强。 而是你的使用方式，一直错了。 别再偷别人提示词了。 真正该保存的，不是别人的成功案例。 而是你自己那些失败的垃圾输出。 直接丢给 Claude： “告诉我为什么做成这样，重新改。” 有时候一次失败，比 10 个模板更值钱。 别等完全搞懂才开始。 那些 AI 用得厉害的人，不是更聪明。 只是打开 AI 的次数比你多。 别学了。 直接开始。 别反复复制同一个提示词。 你以为多试 9 次会变好。 其实模型根本不知道： 你是谁 你写给谁看 你想要什么风格 先把身份告诉它。 效果直接翻倍。 别像求别人帮忙一样下指令。 别说： “也许你可以帮我…” 直接告诉它结果。 “本周五前帮我搞定 3 个客户预约。” AI 更擅长完成目标。 不是听你客气。 别把步骤写得太死。 很多人喜欢教 AI 一步一步做。 问题是： 你正在用自己的思维，限制它。 告诉它终点。 别规定路线。 别相信第一版答案。 AI 最大的问题： 它看起来永远很自信。 哪怕它错了。 永远补一句： “反驳一下刚才这个答案。” 别在一个超长对话里待太久。 你以为上下文越多越聪明。 其实大量历史信息会变成噪音。 聊太久。 它会越来越笨。 能语音输入，就别一直打字。 你说话速度至少是打字 5 倍。 而且你说出来的东西，往往信息更多。 停止过度编辑自己。 别只会说“帮我优化一下”。 优化什么？ 太长？ 太官方？ 不够有情绪？ 不像真人？ 你不说。 AI 永远猜不准。 别因为它同意你，就觉得你是对的。 AI 天生喜欢迎合。 它甚至会认真夸奖一个烂主意。 记得多加一句： “站在反方，攻击我的观点。” 别一直纠结哪个模型最好。 今天 Claude。 明天 ChatGPT。 后天 Grok。 切来切去。 结果一个都没真正用透。 真正最强的模型，永远是： 你每天都在用的那个。 别收藏了。 今晚打开 AI。 看看你中了几条。 大部分人，至少 7 条以上。

$MU 看见的机器人，不是玩具，是 AI 的下一副身体 a16z 昨天发布了一张图片 表面上讲的是机器人一级市场融资创历史新高，Q1 2026 的融资金额和交易笔数同时冲上去。 不只是机器人火了，重要的地方在于资本在用自己的方式告诉市场，AI 的下一段叙事，正在从云端走向现实世界。 过去几年，AI 投资的中心很清楚。 先是模型，后是算力，然后是 GPU、HBM、数据中心、电力、液冷、光模块、网络交换机。 看着五花八门、很高大上，本质上解决都是在一个问题：怎么把更大的模型训练出来，怎么让更多推理跑起来。 但现在，一个新的问题开始出现。 这些智能，最后要去哪里？ 如果 AI 永远停在聊天框、办公软件和云端 API 里，它当然很有价值，但它仍然主要停留在数字世界里。 真正更大的变化，是 AI 开始进入工厂、仓库、医院、汽车、农田、矿山、家庭和战场。 也就是进入物理世界。 机器人就是这个过程里最重要的载体。 所以这张图不是简单的融资图，而是一张资金迁徙图。 钱正在从纯软件、纯云端、纯模型，往能让 AI 落地到现实世界的硬件系统里迁移。 这也是为什么美光这次财报电话会里，CEO 专门提到机器人。 美光不是一家机器人公司，它也不是一个靠讲故事拉估值的创业公司。 美光站的位置非常特殊。它在产业链里看见的不是概念，而是每一个终端到底要吃掉多少内存、多少存储、多少带宽、多少功耗预算。 所以当美光 CEO 说，人形机器人的内存含量可能是普通 L2+ 汽车的十倍，这句话的分量很重。 不是在说机器人明天就爆发。 而是在说：如果机器人真的走向规模化，它就不会是一台简单的机械设备，而会是一台移动的边缘 AI 系统。 它要看见世界，要理解世界，要实时推理，要控制动作，要记录数据，要在本地完成大量计算。 这意味着机器人不是一个轻资产故事。 它是一个重硬件、重供应链、重制造、重可靠性的产业故事。 说实话，我们看机器人，最容易被外形吸引。 人形机器人走几步，挥挥手，搬个箱子，视频一发，大家就开始兴奋、欢呼。 但产业化的视角从来不是这样子，产业化看的是：一台机器人到底由什么构成？哪些环节能规模化？哪些部件会成为瓶颈？哪些供应商可以稳定交付？哪些客户愿意付钱？单位经济模型什么时候跑通？ 从这个角度看，美光这次财报其实给了一个很重要的提醒。 机器人不是从“机器”开始定价的，是从“数据”开始定价的。 一个机器人进入现实世界，第一件事不是行动，而是感知。 它要用摄像头、激光雷达、毫米波雷达、IMU、力传感器、触觉传感器去采集环境。 采集之后，数据要被处理 处理之后，要进入模型 模型要判断环境，理解任务，规划动作 动作又要通过电机、减速器、伺服系统、控制器执行出去 执行之后，还要反馈回来，再调整下一步 这就是机器人的闭环。 感知、推理、控制、执行、反馈。 这个闭环越复杂，对内存和存储的要求就越高。 因为机器人不是在干一个静态任务。 它是在真实环境里不断接收数据，不断判断，不断行动。 云端可以慢一点，办公软件可以等几秒。 但机器人不能等。 它要避障，要抓取，要平衡，要停下，要躲人，要判断物体有没有滑落。 这些事情都发生在现实世界里，延迟一高，错误就会变成碰撞。 所以机器人天然需要边缘计算，也天然需要高带宽、低功耗的内存和存储。 这就是美光那句话的核心。 人形机器人之所以可能带来多年的内存需求，不是因为它长得像人，而是因为它把 AI 从服务器机柜里，搬到了一个会移动、会交互、会执行任务的物理终端里。 这和汽车很像，但又比汽车更复杂。 一辆 L2+ 汽车已经需要大量传感器、算力、内存和存储。 但它的任务相对单一，主要是行驶、避障、辅助驾驶。 人形机器人面对的世界要复杂得多。 它不只在道路上移动，要进入工厂、仓库、办公室、家庭。 它要处理开放环境里的长尾问题。 它要用手操作各种不同形状、不同重量、不同材质的物体。 它要理解人的指令，也要适应环境的变化。 这就是为什么人形机器人如果真正量产，它的硬件含量不会低。 它不是一个带腿的玩具。 它更像是一台高度压缩的移动数据中心，一台装进身体里的 AI 服务器 其实融资图和美光的电话会都说了一件事。 一级市场融资创高，说明资本正在下注机器人公司的未来形态。 美光电话会，说明上游半导体公司已经开始把机器人纳入长期需求模型。 一个是资金端的变化，一个是供应链端的变化。 这两件事合在一起，才是机器人板块真正值得重视的地方。 机器人投资创历史新高，不等于所有机器人公司都有价值。 很多公司会融到钱，很多公司也会消失。 这和电动车、光伏、AI、大模型都一样。 每一轮产业浪潮刚开始的时候，市场都会把叙事打得很满。 但产业最后只奖励两类公司。 一类是能把产品真正交付出去的整机公司 另一类是站在关键瓶颈上的供应链公司 机器人也是一样。 用产业化视角拆，它至少有六层。 第一层，是大脑 包括 GPU、边缘 AI 芯片、机器人基础模型、世界模型、仿真平台。 最典型的还是老大哥英伟达。 因为机器人真正成熟之前，需要在仿真里训练，需要在虚拟世界里先摔无数次，再去真实世界里减少试错成本。 第二层，是记忆 这就是美光看到的部分。 机器人要实时感知、推理和控制，就需要更高带宽、更低功耗、更大容量的内存和存储。 过去市场把美光看成周期股。 但如果 AI 进入设备端、汽车端、机器人端，美光就不再只是传统意义上的存储周期公司，而是在吃 AI 终端扩散的硬件红利。 第三层，是眼睛 机器人要进入现实世界，首先要看见世界。 摄像头、激光雷达、机器视觉、深度传感器、传感器融合，都是这一层。 Ouster、Cognex、Keyence 这种公司，看的是机器人和自动化的感知入口。 这层的核心不是某个单一传感器赢不赢，而是机器人对空间理解的需求会越来越强。 第四层，是皮肤和手感 这对应力传感、触觉反馈、应变片、压力传感、灵巧手。 这条线现在还很早，但非常关键。 因为机器人从“会走路”到“会干活”，真正难的是手。 抓一个箱子很容易，抓一个玻璃杯、鸡蛋、衣服、软袋子、工具，就完全不一样。 视觉只能告诉机器人物体在哪里。 触觉和力反馈，才能告诉它该用多大力。 所以 VPG 这类精密测量和力传感公司，才会开始被市场重新注意。 第五层，是关节和肌肉 机器人要动起来，离不开电机、减速器、伺服系统、编码器、控制器。 这里面最典型的是 Harmonic Drive Systems 这类精密减速器公司。 机器人越接近人形，关节越多，运动控制要求越高，对高精度、轻量化、低背隙零部件的要求就越高。 这条线不如整机性感，但产业位置很硬。 第六层，是场景 机器人最终不是卖给想象力，而是卖给场景。 工厂、仓库、医院、农业、国防，是最可能先跑出来的地方。 因为这些地方有明确的人力成本、效率需求、安全需求和 ROI 计算。 亚马逊的仓储机器人、Intuitive Surgical 的手术机器人、AeroVironment 的无人系统，本质上都说明了一件事： 机器人最早赚钱的地方，往往不是家庭，而是商业和工业场景。 所以现在看机器人板块，不能只看人形机器人。 人形机器人是最大的想象空间，但不一定是最早兑现利润的地方。 真正产业化的机器人浪潮，很可能先从仓库、工厂、医院、军工和农业里长出来。 等这些场景把供应链打磨成熟，成本打下来，可靠性提高，软件泛化能力增强，才有机会一步步进入更开放的生活场景。 我觉得机器人板块未来会分成两条线。 一条是情绪线 它会围绕人形机器人、具身智能、Physical AI 反复炒作。 这条线弹性大、波动也大。 另一条是产业线 它围绕内存、传感器、激光雷达、力反馈、减速器、边缘芯片、工业自动化、仓储物流、医疗机器人慢慢展开。 这条线没有那么刺激，但更接近真实订单和真实利润。 美光这次财报的意义，就在于它把机器人从情绪线，往产业线拉了一步。 因为它说的不是机器人很酷，它说的是机器人会消耗多少内存，什么时候开始形成需求周期，这个周期可能持续多久。 这就是半导体产业看问题的方式。 不看视频，不看口号，不看发布会掌声。 看 bit growth，看 content per device，看 supply constraint，看客户是不是愿意签长期协议，看资本开支是不是敢下去。 所以机器人这条线，真正值得重视的不是某一天谁涨了多少。 而是它开始具备产业化的三个信号。 第一，资金进来 一级市场融资创历史新高，说明资本开始愿意为机器人公司的长期制造能力和技术壁垒买单。 第二，上游开始建模 美光把机器人放进长期内存需求框架，说明机器人已经不只是科幻叙事，而是被上游供应链纳入未来需求曲线。 第三，场景开始筛选 仓储、工业、医疗、国防、农业这些领域，会先把真正有用的机器人筛出来。 最后留下来的，不一定是视频最好看的公司。 而是能稳定工作、能持续交付、能降低成本、能融入客户流程的公司。 所以我对机器人板块的看法很简单，它不是明天就爆发的题材。 但它一定是 AI 下半场最重要的产业方向之一。 过去 AI 的主线是云端算力。 接下来几年，AI 的增量会逐步走向边缘、终端、汽车和机器人。 再往后，AI 会进入真实世界里的每一个生产场景。 可能五年后，B端也就是企业端会开始大规模应用，而十年后，或许就会进入千千万万家。 这条路不会平滑，中间一定会有泡沫，有失败，有估值杀，有技术路线反复，有商业化低于预期。 但大方向很清楚，智能不会永远困在屏幕里。 它一定要长出眼睛，长出手，长出身体，进入现实世界。 而当这件事发生的时候，机器人就不再只是一个行业。 它会变成 AI、半导体、精密制造、自动化、传感器、电池、软件、国防和医疗共同汇合的一条大河。 美光看到的，是这条河最上游的水位变化 一级市场看到的，是河道开始变宽 二级市场接下来要做的，不是追每一个浪花，而是找到那些真正站在河床里的公司 @a16z

这个 @StandX_Official 的SIP4我刚看懂。真的挺牛逼的。这个sip不好理解主要有两层 第一层就很难懂：用链上止盈/止损单来合成链上期权。 你如果从官方口径，用期权角度来理解这个产品是很难的，你需要金融知识，而且很多地方解释不清 我更简单的讲，这个产品实际就是允许用户，把自己挂出去的止盈和止损单，的清算权卖出去。 比如你做多 BTC，想在 $70k 止盈。普通交易所就是挂个限价单，到了就平。 SIP-4 的 Block TP 不一样——你不是挂单，而是发布一个"我愿意在 $70k 卖出的权利"。别人可以付一笔预约费（Reservation Fee）来锁定这个权利。到期前他随时能执行，你正常止盈还多赚一笔预约费；他不执行，预约费也归你。 确实从金融角度看，有点像 Covered Call（备兑看涨期权）或者 Protective Put（保护性看跌期权）。你付一笔预约费，买一个"在约定价格主动平仓的权利"——注意是"你主动"，不是系统帮你自动止损。 价格插针？你先不动。 真跌了？你自己点执行。 整个流程链上撮合、智能合约结算，不需要信任对手方。 第二层：但 SIP-4 其实牛逼的，不是"把期权做简单了"。我也是刚看懂他做的是stop hunting的革命 什么是 stop hunting？ 在传统 CEX，你挂的止盈止损单全部跑在交易所内部服务器上。交易所（以及它的关联做市机构）对每一笔 stop 的位置一清二楚。当市场流动性薄的时候，他们用很小的资金把价格打到你的止损位，触发你的平仓，然后价格立刻反弹——你的仓位被"定向收割"了，而你甚至不知道发生过什么。 这是 CEX derivatives 市场公开的秘密。你的止损单本质上是一份"我将在 X 价格被迫出场"的情报，而这份情报，交易所一直在卖这个情报挣钱！ 我再说的更直白一点，交易所一直在偷偷卖你的止盈止损数据！！给做定向爆破的做市商！！！！这个公开的秘密甚至有一个术语叫！！！stop hunting！！！ SIP-4 是怎么改变这件事的？ 注意看：在 SIP-4 里，你的 TP/SL 不再是一个"被动的、等系统自动执行"的指令。它变成了一个可交易的链上权利——你主动把它挂出去，对手方主动来接，全过程记录在链上（StandXNewOrder event）。 这意味着两件事： 1.透明。所有人都能看到链上的 Block Options 挂单和匹配。不再有信息黑箱，你的止损位不再是"只有交易所知道的秘密"。 2.你赚钱了。原来是交易所卖你的信息挣钱，现在你可以自己去卖这个钱，在standx上面持仓，除了sip2，sip3的挂单收益之外，还多了一份卖清算权的收益sip4！！！ 所以 SIP-4 到底是什么？ 它不是"DeFi 期权"——至少不只是。 它是把 CEX 里最黑箱、最不公平的那个环节（你的止损单被用来收割你）搬到链上，公开化、市场化、还给散户。你本来就在用的止盈止损，现在不仅可以保护你，还可以替你赚钱。 猎物变成了猎人。这才是 SIP-4 最狠的地方。 这个东西只有standx团队能想出来，因为他们背景就是币安合约产品设计的核心团队。看懂的，可以打一句牛逼。 看不懂的就算了。

【Codex保姆级教程！零基础从入门到精通】第9条：用Codex完成日常办公。 正如一开始所说的，Codex现在，已经不是一款简单的AI编程工具了，而是一个能帮你干各种工作的，全能助手。 尤其是借助强大的插件生态，我们可以借助Codex， 帮我们完成很多日常工作。 比如生成Word文档。 首先确保你安装了document插件，然后发送下面这段指令：帮我写一份关于AI行业2026年趋势的分析报告， 使用at document保存成Word文档，要求有目录、有表格，对比各大模型，并给出结论。 如果开启了联网能力，Codex会自动搜集资料、整理分析，生成一份格式好看的Word文档。生成完之后，你可以直接在App里点击文件名，打开预览。看到效果满意就行，不满意，可以在预览界面下方的输入框里，继续让它修改。 再比如生成Excel表格。这次用到的是spreadsheets插件。 如果没有安装的话，先在插件页面进行安装。发送下面这段指令： 帮我做一份AI相关股票的对比表格，使用at spreadsheets生成Excel文件，包括股票名、今日涨跌幅、市值、一句话总结，并用不同颜色标注上涨和下跌。 然后你就会得到一份详细、完整的Excel文件。最后是生成PPT。 生成PPT需要用到的是presentation插件。同样的方法， 在提示词里艾特出这个插件：帮我做一份10页的PPT， 主题是AI改变工作方式，使用at presentation生成，风格要简洁商务，每页有要点和配图说明。这样就可以让Codex直接生成PPT了。 你甚至可以在一条消息里，同时要求生成Word、Excel和PPT。 比如：帮我搜集今天AI行业的最新动态。 然后： 1 使用at document，写一份详细的分析报告； 2 使用at spreadsheets，做一份数据汇总表； 3 使用at presentation，做一份简报PPT； 4 使用at image，生成一张封面图。 这四份文件，都保存在当前项目文件夹里。 你就可以同时得到这4份文件，非常方便。

Linus Torvalds 发飙了。 他在开源峰会上公开吐槽，每次听到有人吹嘘“现在 99% 的代码都是 AI 写的”，他就忍不住生气。 为什么？ 因为按这个逻辑，这些家伙 100% 的代码其实都是“编译器”生成的。 但他们怎么从来不这么说？ 其实是一个道理。 老爷子在台上开始唠家常： “我是写机器码长大的。” 注意，不是汇编语言，是真正的数字。 他到现在都记得，在 6502 芯片上，LDA 指令对应的十六进制是 A9。 当年他花了好长时间才意识到，天天人肉算跳转偏移量，简直蠢透了。 后来，人类发明了汇编器； 再后来，有了编译器； 现在，有了 AI。 这些工具都很好用，AI 正在改变编程，但它绝没有改变编程的根本。 至于 AI 带来的“效率神话”？ Linus 给出对比： “AI 很棒，它能把你的生产力提升 10 倍。” “但当年编译器的出现，把人类的生产力提升了 1000 倍！” 所以，这不过是又一次常规的工具演进。 事情的本质从未改变： 以前，优秀的开发者写出好代码，差劲的开发者写出 Bug。 现在，懂系统的人能用 Prompt 调教 AI 写出好代码； 而不懂系统复杂度的人，用 AI 攒出来的代码，最后一定会崩溃。 现在科技圈很流行“氛围编码”（Vibe Coding）。 就是用 AI 啪啪生成一个一次性项目，爽一把就扔。 Linus 说，这种玩具项目，AI 的确是神器。 但如果你想做点严肃的东西，做一个需要长线维护 35 年的系统（比如 Linux）。 你得懂你的 Prompt。 你必须看懂 AI 吐出来的每一行代码，甚至去盯它最底层的汇编结果。 祖师爷浇了盆冷水： AI 可以替你省去体力劳动。 但如果你连它写了什么都看不懂，那你永远只是在制造一次性垃圾。