与「指令」相关的搜索结果

人类没有“长寿基因”，也没有“永生”的生物学设计；错的是——"命定不长寿"这个判断，已被寿命表的数字直接推翻。 ------ 人根本就不会长寿！ 一、先给判断 【表格】 常见说法判断依据 人有“长寿基因”，注定能活很久不成立迄今为止，没有任何一项研究找到能决定人类寿命长短的单一基因或“长寿密码” 人的寿命是命中注定的不成立全球平均预期寿命1950年为46.5岁，2023年已达73.4岁，翻倍只用了不到一百年 人类本来活不到这么老不成立史前人类的平均死亡年龄之所以只有二三十岁，主因是极高的婴幼儿死亡率，不是“古人只能活三十岁” 人的寿命有天花板部分成立主流研究估算人类寿命上限约 115岁，也有研究认为可达130–150岁；当前纪录保持者是让娜·卡尔芒的 122岁164天 基因决定你能活多久不成立双胞胎等研究反复显示，基因对寿命差异的解释力只有约20%–30% 百岁老人靠的是“长寿基因”不准确一是基因变异的组合很关键，而非单一基因；二是环境、医疗、饮食、社会支持的解释力更大 长寿的核心是某个单一因素不成立真正起作用的是一套组合：饮食结构、运动、睡眠、医疗可及性、社会联结 长寿就是“越活越久”这么简单不准确真正稀缺的不是寿命长度，而是健康寿命（能独立、无病、有质量地活着）的那段 一句话：人类确实“不会长寿”——因为我们从来不是靠基因长寿的；但我们确实“越活越长寿”——因为寿命从来是环境和医疗的结果，不是DNA的设定值。 ------ 二、先破“基因决定论”：身体从没被设计成“老而不死” 这是“人根本不会长寿”这句话唯一站得住的那一半。 2.1 进化不负责让你活久 【表格】 事实含义 自然界中的“长寿”指的是性成熟后、生育期内的存活优势进化的压力主要作用在繁殖成功上，不在“活到八九十岁”上 一旦过了生育高峰，自然选择的“关注度”急剧下降老年期的高死亡率，对进化来说基本不可见，也就谈不上被优化掉 没有单一基因、没有“长寿密码”长寿不是一条指令，而是成百上千个基因变异的组合，且组合方式因人而异 这里有个反直觉的事实：百岁老人并不是“人人都带着同一种长寿基因”。研究反复发现，是特定的基因变异组合在起作用——同样携带某个“长寿相关”位点的人，有人活到105岁，有人七十岁就走了，差别在组合和后半句。 2.2 “程序性衰老” vs “损伤累积”：两种死法 【表格】 假说说法支持证据主流态度 程序性衰老存在一个“生物钟”或基因开关，到点就自毁端粒缩短、表观遗传时钟、某些基因调控通路有部分证据，但未证实存在单一“自毁开关” 损伤累积自由基损伤、DNA突变、蛋白错误折叠、线粒体功能下降，坏了修不好，就慢慢垮氧化损伤、体细胞突变累积、蛋白质稳态失衡更被广泛接受 关键在于：这两种说法都不支持“人注定长寿”。前者说“到点就垮”，后者说“慢慢修不好就垮”。两者合起来，恰恰说明人的身体从生物学设计上就不是为长寿准备的。 所以“人根本不会长寿”这句话，在生物学层面是对的——但对的不是“人活不长”，而是"人不是被造出来活长的"。 ------ 三、但“命定不长寿”这个判断，被数据直接推翻 上面那部分讲的是“设计意图”，下面讲的是“实际结果”。这两件事完全不是一回事。 3.1 全球预期寿命：翻倍只用了不到一百年 【表格】 年份全球平均预期寿命 1950年46.5岁 2000年66.8岁 2019年72.8岁 2023年73.4岁（男性70.8，女性76.1） • 1950–2023年，全球人均寿命增加了25.4岁。什么概念？一个1950年出生的人，平均只能活到46岁；2023年出生的人，能活到73岁。 • 从1990年到2019年，全球平均寿命增加了8.4岁，相当于每十年多出两岁多。 • 疫情期间是唯一的一次倒退：2019–2020年，全球预期寿命下降了1.8岁，降到71岁——然后迅速反弹回来。 如果人类真的“命定不长寿”，这张表根本不该存在。一个物种的寿命均值在三代人内翻倍，这不是基因变了吗，是环境变了。 3.2 数据从哪里来：不是“更会算”，是“更少人早死” 这是最容易被忽略的一层，也是“古人只能活三十岁”这个误解的根源。 【表格】 指标含义为什么容易被误读 出生时预期寿命一个新生儿在当前死亡水平下平均能活的年数被极高的婴幼儿死亡率严重拉低 条件预期寿命已经活到某个年龄的人，还能再活多少年这个数字远高于出生时预期寿命 举个例子： • 史前/古代人群，出生时预期寿命可能只有二三十岁——但这主要因为大量婴儿夭折，而不是“成年人一过三十就死”； • 一个人如果能活过童年、成年、生育期，活到五六十岁在古代并不罕见； • 所以“古人普遍活三十岁”这个说法，是把统计均值当成了所有人的命运。 换句话说：人类不是“突然变得长寿”了，是“把大量早死的人救了回来”。平均数的提升，绝大部分来自婴幼儿和孕产妇死亡率的下降、传染病的控制、营养和医疗的改善——不是来自“延长了老年的长度”。 3.3 但人类确实有寿命天花板 【表格】 证据内容 当前纪录让娜·卡尔芒（Jeanne Calment），122岁164天（1875–1997），至今无人打破 本文为生命科学科普与概念辨析，不构成医疗建议。

大厂的AI商战真是朴实无华，就是猛猛砸钱找专家，猛猛做数据标注。。。字节的Xpert，10月份有一个人领了18万。。。 AI时代，只要你有任何特长，只靠贡献自己的知识和努力，也能活得很滋润： ⓵专业问答与评测 -专业领域问答（医疗、法律、金融、STEM等） -模型回复打分与对比评测 -Benchmark出题与标准答案设计 ⓶聊天 / 对话相关 -多轮对话评估：对模型在聊天中的回复打分、排序、指出问题（准确性、自然度、逻辑、人设一致性等） -对话生成 / 改写：写或优化多轮对话数据，用于训练聊天机器人 -偏好排序（RLHF）：同一问题给出多个回复，选出更好的那个并写理由 -角色扮演 / 人设对话：按指定角色（医生、律师、客服、特定性格等）进行对话评测或数据生产 -对话纠错：找出聊天回复中的事实错误、逻辑漏洞、不当内容 ⓷内容生产类 -高质量专业内容撰写（案例库、知识库、语料） -复杂指令设计（多约束、高难度Prompt） -参考答案撰写 -专业内容改写与优化 ⓸代码 / 技术类 -代码生成评估 -Agentic Coding / 长程任务评测 -Bug查找与代码审查 -编程题出题与判题标准制定 ⓹语音 / 多模态类 -方言语音采集与标注 -语音转写质检 -视频/3D/动捕数据相关 -多模态内容评估 ⓺审核与质检类 -模型输出合规性审核（医疗、法律、金融强合规场景） -知识准确性审核 -已有标注数据的二次质检 ⓻其他 -访谈类任务 -数据采集（按脚本录制真实场景） -创意内容评估（影视、文学、设计美学等） 上面这些任务，简单到只要愿意花时间聊天，时薪也在三位数。更专业一些的比如生物、法律、金融、制造，就更加赚钱了。 可以参与的平台： 1、腾讯旗下的ExpertHub： 2、字节旗下的Xpert： 3、阿里的晓天睿士：

吴说获悉，Polymarket 工程副总裁 Josh Stevens 宣布，团队已完成基于 Rust 语言重新构建的交易系统 Nex，并开放沙盒测试。内部测试数据显示，与现有中央限价订单簿（CLOB）相比，Nex 的 P99 下单处理延迟由 1.55 秒降至 3.76 毫秒，速度提升约 412 倍，撤单处理延迟由 627.92 毫秒降至 3.20 毫秒。系统每秒可持续处理 10 万条指令，峰值达 15 万条，处理容量较现有系统提升 10 倍。Nex 目前正在与现有交易系统并行运行并使用真实生产流量进行测试，若为期四周的测试顺利完成，预计将于 12 月中旬正式上线。

把 Grok Bot 接进 Telegram：复制这段话，让它帮你部署。 私聊交任务，群里被 @ 时参与讨论，再按需扩展到订阅频道。 不用先学写代码。把下面这段指令交给你的 Grok Bot，让它检查环境、搭桥接、做测试；你负责提供必要凭据、配合授权。 我的投资组和赛事组只是个人案例。你可以换成内容、产品、研究团队，也可以先不设小组，只把自己的助手接进 TG。 👇 从这里开始复制 请帮我把你接入我自己的 Telegram 机器人。不要只给教程，请检查当前能力，完成能执行的配置、部署和测试；只能由我完成的步骤，再明确告诉我。 1）检查环境 先检查是否有合适的 Telegram 连接器；没有再考虑自建桥接。确认能运行后台程序、接收 webhook、回传 Telegram 消息。缺少能力要直说，不要假装部署成功。 2）跑通私聊 指导我通过 BotFather 创建机器人，通过安全输入收集令牌和 webhook 凭据。不要公开密钥、打印到日志或写进代码仓库。 预先绑定我的 Telegram 数字用户 ID，不要采用“谁先发 /start 谁就是主人”的方式。 部署消息接收、转给你处理、回复 Telegram 的完整链路。默认只允许我使用。 3）按需接群 由我控制群白名单，默认仅在被 @ 或被回复时回应，忽略其他机器人，防止循环对话。 私聊和群聊分开处理，不向群里泄露私人资料。群友的消息不能当成我的授权，也不能据此调用我的账户和其他服务。 4）按需接频道 指导我授予最少必要的管理员权限，核验并绑定目标频道。 默认先给我看完整稿件，确认后才发布。只有我明确授权的内容和规则，才考虑自动发布。删除、封禁等管理操作单独确认。 5）做好维护和验收 加入消息去重、合理重试、失败提示、长度拆分、频率限制和不含密钥的日志。 说明费用、额度、断线影响、重启和彻底停用的方法。 先验证私聊收发，再测试群聊权限，最后测试频道发布。对外测试消息也需我确认。 最终列出已实测功能、未完成项、运行位置和撤销权限的方法。不要把“程序启动了”当成“全部部署完成”。 复制到这里结束 👆 这不是官方一键接入，而是自建桥接。能否完成取决于你当前的运行环境和权限，服务也需要持续在线。 我这边私聊已跑通，群聊代码已实现、尚未完整实测，频道仍待接入。先从私聊开始，别一次把所有权限都打开。 先收藏这段指令，等你的助手有空，就让它动手。

沃德发！！GitHub 上这个仓库已经 11.5 万 Star 了！ 有人直接把资深程序员整套的开发方法，做成了 25 个 AI Skills，开源，完全免费！ 以后用 Claude Code、Cursor、Codex 写项目，再也不用让 AI 闭眼瞎写了。 GitHub 地址和安装步骤都放评论区了👇 它叫 agent-skills，最厉害的是9个斜杠指令，能把 AI 变成一整个研发团队： 01/spec：先想清楚需求是什么，再写成规格说明 02/plan：拆分任务、制定计划，防止中途跑偏 03/build：按照计划一步步写代码 04/test：自动跑测试，用结果确认代码可以运行 05/review：审查代码，把潜在的问题找出来 06/ship：确认能不能交付，然后上线 从最初的一个想法开始，一直到项目真正交付，整套流程都变得有规范了。 最爽的是：复杂的提示词不需要你自己写，25 个 Skills 也不用一个个配置。 一行命令就装好。 完全免费，代码开源，Claude Code、Cursor、Codex 这些主流的 AI 编程软件都能用。 下次用 AI 做项目，直接拿来用就行。

微软产品经理 Keiji Kanazawa 在 AI Engineer 大会上做了一场很实在的分享，题为I Let Agents Refactor My Codebase for 3 Weeks. Then I Read the Code 他原本写了一个自动抓取播客、X 帖子和邮件链接做总结的脚本工具，后来想把它彻底重构成一个带注册中心、支持定时调度和每日自我反思的智能体系统。 他自己完全不看代码，写了一份需求文档，就放手让 Claude Code 和 Codex 轮流写代码、互相审查，连着重构了三个星期。 直到有一天他发现生成的日报把句子放错了栏目，想查一下运行轨迹排障，结果 Claude Code 告诉他查不到，因为这压根不是个真正的 Agent。 他打开代码库一看，才发现那三个星期的全自动重构完全是一场灾难。 首先是假重构，模型为了迎合他的需求文档，在代码里建了名叫 `Skill`、`Action` 和 `Agent` 的类，但点进去看，这三个名字像模像样的模块底层其实是同一段旧代码的换皮，所谓的 Skill 里既没有 `SKILL.md` 也没有脚本，所谓的 Agent 根本没接任何 Agent SDK。 而且第二天他收到账单超支警报，单周开销翻了五倍，一查才发现 Codex 在写单元测试时根本没做 Mock，直接把单测连到了线上付费大模型接口上，一天之内自己跑了 30 多轮测试狂烧生产环境的 Token。 随后呢他决定推倒重来。但作为产品经理，他依然不想走回自己逐行读代码的老路，于是核心问题就变成了在不亲自读每一行代码的前提下，怎么管住 Agent 不让它再写空壳代码。 他摸索出了三步改进思路值得看看和参考借鉴。 第一步是改用验收标准来限制而不是目标来限制。 以前他是给个需求让 Agent 写份计划，看着差不多就点同意放行。重来之后他把重点放在定义最终产出的评分标准上。 比如他后来做了一个解析硬核技术视频的功能，要从视频里抽 440 个关键帧，挑出最清晰的黑板公式截图并配上讲解。 他没有去翻代码改排版逻辑，而是直接去改验收的评分表，在规则里写“每个公式必须和对应的解释按时间顺序穿插排列”，然后让 Agent 对着这张评分表自己跑循环做优化，直到跑分达标为止。 第二步是防止 Agent 在评分表上作弊。 因为评分表本身也是他让 Agent 写的，跑着跑着他又抓到了模型作弊。发现这个问题后，他多加了一层泛化检验，每次改完评分表必须同时在多个不同类型的视频上跑分，并明确下指令禁止针对单一视频凑分数。 第三步是用多轮对抗性审查。 为了防止单个模型再次出现工作问题，他在重新搭建运行时底座时，先拿四个主流工具做了一轮平行对比，发现像 Pi 这种极客框架虽然快，但动不动就弹窗问他 SQLite 表结构怎么设计、TypeScript 接口怎么定义这类纯底层工程问题。 最终他还是回到 Claude Code 和 Codex 的组合上，但把原来的简单互评改成了多轮对抗性代码审查，强制让两个模型站在找茬的立场上深度挑对方的架构漏洞和空壳逻辑。 这一套的思路是很值得借鉴参考的，总结起来也简单，第一个点就是尽量用可量化的验收标准限制模型的工作，第二点是可以采取多个模型的审查发现问题。 youtube：

好家伙，Claude 不想一个一个调工具了。 11 月 12 日，Claude Code 发了 2.1.323 版本，头条是个实验功能，叫 Code Mode。 以前 Claude 干活，是调一个工具、等一次回话，再调下一个。 开了 Code Mode，它改成自己写一段 JavaScript，把要调的工具全包进去，一次跑完🤯 循环、判断、失败重试，全写在代码里，不用每步都回来问模型一遍。 这招不新鲜，OpenCode 2.0 早就这么干了。 但意思很清楚：写代码这活，拼的不再是谁补全得快，而是谁调工具调得省。 同版还藏了个小变化：额度用完了会弹菜单，停下、改用额度、升级，三选一。 插件也加了版本锁，不认的模型，默认上下文从 20 万 token 提到了 100 万。 说白了，模型以前是工人，领一个指令干一件事。 现在它开始当包工头了，自己写代码、自己指挥工具，活全包了。 包工头干活是快，可账也得算清：代码里调错一个工具，翻车就是一串😅 你写代码的时候，是喜欢它一步一步报备，还是直接甩一段代码全干完？

有人把 Blender 变成了一支能听指令干活的 3D 美术团队。 办法是一套叫 Blender Skills 的合集，共 94 个技能，让 Claude Code、Cursor 这类 AI 代理直接操控 Blender 建模、搭场景、做动画。 具体能做的事： 1. 建模物体、人物和场景 2. 生成材质、贴图和动画 3. 套用 low poly、像素风、PSX 或等距视角风格 4. 针对游戏做模型优化 5. 直接导出到 Unity、Unreal 或 Godot 比较关键的是里面有个 blender-director，负责把整个流程串起来：你只要描述需求，它自己安排建模、材质、优化和导出的顺序。 整套东西免费、开源。

# 还在养一个什么都管的超级 Agent？官方拆台：监管 Agent 已是旧货，不拆成小队、权限一乱全队陪葬 先说结论：一个 Agent 什么都管，听起来省事，实际上是把所有数据、所有权限、所有出错可能全塞进同一颗脑袋。指令一长就混乱，出了错也不知道是哪一步坏的。这篇只讲一件事：把一个大 Agent 拆成领队加两个专家加一个沙箱，领队只管分工，专家每人只看自己那张表，政策文件丢给用完就删的沙箱去读。 先说背景：监管 Agent 是 Databricks 早期官方推的做法，现在已被列为旧货，新活别再用它起手。替代它的是低代码的精灵 Agent 当专家，命令行工具搭领队。精灵 Agent 不用写程序，对着自己的表建好、复制编号就能用；领队要决定叫谁、怎么拼答案，这种协调逻辑写进程序文件里才管得住。 作者只问了一句话：为什么我们一直在流失亚太客户？查账户、查支持工单，再对照服务等级协议，告诉我先修哪一个。领队自己不动手查表，账户问题交给账户分析师，工单问题交给支持分析师，政策文件交给沙箱读完就删，领队把三份答案拼成一句回复。没拆之前，一个 Agent 要同时读两张表加一份文件；拆了之后，每个专家只认自己那张表，出错直接定位到人。 六步搭起来：两张表传进同一个结构，政策文件放进统一目录的存储卷；建两个精灵 Agent，各自只读自己的表，从设置页复制编号；装命令行工具、登录工作区；把专家和沙箱接进来，登记在工具清单文件里；在领队文件里写好系统提示词，从模型网关挑模型；本地跑起来，在聊天界面问一句跨表问题验收。 小心三件事：免费版只能本地搭着测，部署要试用版或付费工作区；表本身错了，领队拼起来的也只是三份错答案的合集；出错只看最终答案等于盲修，每一次调用、耗时和用量都记在追踪日志里，不看追踪就不知道哪一步坏的。 一句话：多智能体的重点不是 Agent 数量，是每一次出错都能定位到人。领队只分工、专家只看自己的表、沙箱用完就删，四点同时成立才算搭完。 S1哥观点：别再问为什么我的 Agent 越养越笨了，笨的从来不是模型，是你把所有表、所有权限、所有判断全塞进同一颗脑袋，还指望它每次都分得清轻重。第十次出错就该承认，这活本来就不该一个人干。你手上那个超级 Agent，到底同时碰了几张表？评论区说说。 收藏用清单（照着做）： 1. 确认监管 Agent 是旧货，新系统不用它起手。 2. 两张表各建一个精灵 Agent，只读自己的表，编号从设置页复制。 3. 装好命令行工具，接进专家和沙箱，领队文件里写好提示词、挑好模型。 4. 本地跑起来问一句跨表问题，再去追踪日志里核对调用、耗时和用量。 转给还在养一个什么都管的超级 Agent 的朋友，他今晚就能少踩一个坑。