与「熟練の素人」相关的搜索结果

#秘密兵器# 稽古見学🩷 まりにゃんとみなみちゃんとお邪魔しました🌈 皆さん素敵でした‼️‼️ (五十嵐さんお会いできず🥺) すでに面白すぎて本番が楽しみすぎる… 泣ける予感ももの凄い😭 泣きに！笑いに！行きます✨ 楽しみだぁ🌤️ 8/6(水)-11(月)下北沢 ｢劇｣小劇場にて🦢 #HANA# #熟練の素人# #ハナレン#

踏んでしまいそうな丈なのに ちゃんと踏みづらく、動きも作ってくれるこの衣装、ほんとにすごいの🥹 後ろはロングなのに 実は絶対領域はちゃんと見えてて、重く感じないのも好き🫶 靴も一見靴擦れしそうなのに、 熟練の技でNO靴擦れ。本当にすごい✨ 衣装って、魔法だ🪄✨

「二つの拳にも 四つ腕の助けが要る」 元はたぶん「好手不敌双拳，双拳不如四手」 熟練した強者も二つの拳(二人)には勝てないし二人は四人に勝てないってことわざなんだけど…… 先生は「二人には私(四つ腕)の助けが必要だ。」って諭してくれてるみたい。 仙人ジョークはウィットに富んでるね。

发现一个宝藏应用，@dappOS_com 旗下的新产品 @xBubble_ai 简直惊喜。 记着明天得前几天晚上，为了制作一份详细的新项目投研简报，我全神贯注地在屏幕前与 AI 工具深度互动到了凌晨。 我尝试了多个不同的大模型，不断精进和打磨提示词，希望得到最完美的输出。 这个过程让我深刻意识到，熟练驾驭 AI 需要极高的耐心与时间投入。 我们都满怀期待地想让 AI 成为得力助手，但在实际操作中，为了让结果更精准，我们往往要投入大量精力去引导。 这让我开始思考：一定存在一种更流畅、更懂人心意的方式，让工具真正服务于我们的直觉。 于是，我发现了xBubble，它更加高效几乎能够一键解决我的烦恼，一图看清！ 2.如今大模型的迭代日新月异，获取强大现在各大平台的新模型层出不穷，算力早已不是瓶颈， 但真正拉开体验差距的是什么？是“会写神级提示词”与“不会写”的差距，是“懂代码和编写技能（Skill）”与“完全不懂”的差距。 为了让大家直观感受到这种体验上的天壤之别，我们可以从几个真实的投研和工作场景，来看看传统 AI 工具和采用“低提示词”理念的 xBubble 到底有何不同：  3.对于很多追求高效的专业人士和中小团队来说，这背后隐藏着巨大的隐性时间投入。 为了让 AI 的输出稳定可靠，我们需要持续评估不同模型在各类任务中的表现，精心挑选适配的工具组合。 很多创业团队也面临着权衡：增设专职岗位预算较高，而让现有团队从头学习 AI 调优，沟通和学习成本同样可观。 更重要的是，每当大模型迎来更新，我们积累的经验往往需要重新建立。 我们真正渴望的，是一个能精准理解模糊指令、即开即用的智能系统，让大家把宝贵的时间集中在核心业务上。 4.好消息是，技术创新的脚步总能为我们带来极佳的解决方案。 近期 dappOS 推出的 xBubble 就是那个让人充满期待的行业破局者！它创新性地提出了 Low-prompt AI0理念，简单来说，就是“AI 替用户使用 AI”。 其核心枢纽 Bubble Pilot 就像一位超级懂你的智能管家，你只需要像和朋友聊天一样输入一句简短的需求，Pilot 就会自动接管后续的所有统筹工作。 它能迅速识别任务类型，自动匹配最优的处理路径，将繁杂的模型挑选、提示词构建、工具调用全部包揽，让你轻松畅享一键直达结果的愉悦体验。 你可能会好奇，Pilot 为什么能如此精准地理解我们的意图？ 这要归功于其背后时刻都在成长进化的强大引擎——Bubble Engine。这是真正的“AI 学习 AI”。 当你提出一个新颖的需求时，Engine 会在后台自动生成海量的解决方案组合，  通过严格的测试框架与质量标准进行比对，最终将最高效、最完美的路径固化为通用的 SOP。 这意味着，在 xBubble 的生态里，随着大家的使用，高难度的技能会被自动沉淀，哪怕是零基础的小白 也能毫不费力地直接调用这些千锤百炼的最优解，获得大师级的交付品质。 为了满足极其多元的使用场景，xBubble 精心打造了两种极具安全感与实用性的运行环境。  第一种是云端的“Bubble Computer”，这是一个端到端的专属工作区。 面对需要搜集资料、撰写、排版等多步协同的复杂项目，它会自动开启安全的沙盒环境，按需加载所有技能，一气呵成地完成并交付最终成果。 第二种是主打本地陪伴的“Bubble Personal”模式，它能在你的设备上安全运行，协助管理本地文件与日程， 回想当初那个专注打磨提示词的夜晚，如果当时有 xBubble 的协助，我只需轻松输入一句“请帮我汇总今日链上热点并生成一份深度简报”， 便可去享受一杯香醇的咖啡，回来就能收获排版精美的专业成果。 科技演进的终极方向，永远是让人的创造力得到最大程度的释放。 正如 xBubble 所倡导的核心愿景：AI 应该学习 AI，AI 应该使用 AI，而用户，只需陈述目标。 兄弟们冲一波官网： dappOS 官网（

4. Anthropic AI Fluency 评分卡 来源: TestingCatalog | 约 13 小时前 关键信息： - Claude 将引入个人AI熟练度评分系统 - 基于用户对话记录评估AI使用能力 - 包括：批判性思维、上下文提供、功能使用频率等维度 信息差价值: 这是一个创新的用户评估机制，可能影响未来AI产品的使用方式和企业采购决策。

Agent 需要什么样的基础工具集合 看到大家在聊 Agent 工具集的问题——是不是提供一个 shell 就都搞定了？做了 holon 之后发现，其实没有那么简单。 读：为什么放弃了 Read/Glob，全走 shell holon 的工具集改了几个版本，最后废弃了类似 Claude Code 提供的 Read（读文件）、Glob（模式搜索）这类专用工具，读取和查找全部通过 shell 来完成。这和 Codex 的路线一致——Codex 的 ExecCommand 一把梭，读文件就是 cat，搜代码就是 rg，不再单独给每种"读"操作定义一个工具。 这样做的理由很朴素：shell 是 LLM 最熟悉的"编程语言"。与其让模型去学你定义的 Read 工具的参数语义，不如直接让它写已经训练了几十亿次的 shell 命令。每多一个专用工具，模型的认知负担就加一层；而 shell 这个界面，模型已经足够熟练了。 但全走 shell 有一个代价：输出截断。框架为了避免 shell 返回值太长撑爆上下文，会给每个命令设输出上限。Agent 用 cat 读一个大文件，可能只拿到前半截，剩下的在 artifact 文件里，还得再 cat 一次甚至多次才能读完。Claude Code 的 Read 工具压缩阈值比通用 shell 高很多，读大文件一步到位，少了好几个来回。本质上是取舍：少定义工具降低认知负担，但专用工具在边界场景效率更高。 写：从 sed 到 ApplyPatch，以及 free grammar tool 的难题 但写操作就无法完全用 shell 搞定。 如果让 Agent 全用 sed 做编辑，就会发现遇到复杂的多行匹配很难处理——换行、转义、缩进，任何一层出了问题都会导致编辑失败。所以很多系统会提供 Replace String 这样的编辑工具，让 Agent 传一大段 old_string 来精确匹配并替换成 new_string。虽然笨拙，但比 sed 稳得多。 Codex 则走得更远，发明了自己的 ApplyPatch 工具，让 Agent 直接生成 patch，一次搞定批量编辑。holon 就借鉴了这个思路。 但落地的时候踩到一个坑：Codex 用的是一套 OpenAI 自己定义的简化 patch 格式，并且搭配了一种叫做 free grammar tool 的特殊工具机制来解决格式传递问题。 为什么要专门搞一种新机制？因为 LLM 的标准工具定义都是 tool(args) 这种 JSON 参数格式。如果把 patch 作为 JSON 字符串参数传递，会牵扯到大量的转义——换行要变 \n，引号要加反斜杠，缩进也得小心处理。Agent 写 patch 时本身就容易出错，再叠一层 JSON 转义，出错概率翻倍。free grammar tool 的思路是把 patch 的原始文本直接作为 tool 的输入体，不经过 JSON 参数编码，模型写什么就是什么。这大幅降低了模型生成 patch 时的出错率。 而这套机制目前只有 OpenAI 的 Codex 接口支持。holon 是要兼容多模型提供方的，没法只靠这一条路。 于是 holon 的做法是：根据模型注入不同的 ApplyPatch 定义。对支持 free grammar 的模型，直接走原始 patch 格式；对其他模型，就接收标准的 git diff 格式。我觉得 LLM 经过 GitHub 上几十亿次 diff 的训练，对 git diff 格式应该相当熟练。实践下来效果还可以——虽然也常出错，但多数时候能改对，而且随着训练数据积累，这个能力只会越来越好。不过我还是建议各家模型厂商都支持一下 free grammar tool，这对 Agent 写代码的场景确实是刚需。 调度：长时间命令和 task 抽象 第三个问题是 Agent 执行的 shell 命令不一定会很快结束——启动 dev server、跑测试、构建项目，都可能跑很久，甚至根本不退出。早期的 Agent 框架处理得很粗暴：要么同步阻塞把自己卡死，要么所有命令一律丢后台，结果 Agent 把同一个命令反复执行很多遍。 现在业界逐渐收敛到一个基本共识：不给 Agent 暴露"前台/后台"的选择——这件事 Agent 自己判断不准。更好的方式是设置一个时间阈值，命令超时自动转后台，对 Agent 完全透明。Agent 不需要预判这个命令该不该放后台，runtime 自己处理就行。 但自动转后台只是第一步。转后台之后，真正的工程问题才浮出来——而这些问题，目前业界还没有标准答案。 首先是输出怎么读。后台任务可能还在跑也可能已经结束，输出可能很大。但各家 API 的语义并不统一——有的走轮询，有的走事件推送。 其次是任务怎么停。各家都有取消机制，但取消是即时 kill 还是优雅退出、已产生的部分输出要不要保留? 最后是谁来叫醒 Agent。Agent 把任务丢后台以后休眠了，任务结束那一刻谁来叫醒它？这要求 runtime 和 Agent 调度深度绑定，不是独立工具层能解决的。 这三件事——读输出、停任务、叫醒 Agent——合在一起，就是后台任务完整的生命周期管理。各家都实现了"能后台跑"，但管理面还没有标准化方案，这可能是下一阶段 Agent 工具链演进的关键节点。 还没到无脑用一个现成模式的时候 所以回到开头的问题：shell 能解决 80%，但剩下 20%——编辑的精确性、patch 格式与模型能力的匹配、长任务的调度抽象——恰恰决定了 Agent 能不能从 demo 走向真正可用的系统。 工具集的选择远不止"封装一个 shell"那么简单，也远没到大家可以无脑套用一个现成模式的时候。这也是为什么 Codex 和 Claude Code 在这些基础问题上给出了不同的答案，而 holon 又根据自己的场景做了不同的取舍，这中间可以探索和改进的点，还很多。

最后，他的目光落在了第三本书上。 书名很劲爆——《提肛锻腰强肾法》 这是一本泛黄的小册子，上面画着各种羞耻的姿势和呼吸吐纳的方法，旁边还标注着“固本培元”、“重振雄风”等字样 “这…为了活命，为了这具破身体，练！” 曹胆咬咬牙，照着书上的呼吸法开始调整呼吸，甚至在椅子上尝试着做了几个动作。 【你认真阅读并实践了《提肛锻腰强肾法》，获得了养生相关知识，养阳法 熟练度+1】

美国刚轰炸了伊朗南部导弹基地和布雷船。 一边派谈判代表去卡塔尔谈和平，一边又以“自卫”为名开火。 博尔顿一针见血：这等于承认伊朗随时能拿霍尔木兹海峡当武器，世界只能跪着求它重新开放。 边打边谈的把戏，华盛顿玩得越来越熟练。 这不是外交，是赤裸裸的武力勒索。