与「自学舞蹈」相关的搜索结果

你算哪颗小星星 ||| 半夜偷偷起来跳勾人～ 嫂子坏吗？ #前奏一响那就来跳一个吧# #半夜跳舞# #勾人舞蹈# #自学舞蹈# #不会跳舞扭扭也行# #一本正经的乱扭# #现学现卖# #嫂子坏吗# #跳舞# #夜间诱惑# #半夜翻牌#

心有多大舞台就有多大，暴雨中即兴起舞。 网名：小凯，今年25岁，来自贵州安顺农村家庭，自学成才，成了街舞舞者、舞蹈老师。 用舞步对抗生活，用热爱点燃青春！他若无千般情，也无此举动。或忧，或喜，或悲，或愁，无人知晓。孩子，成年人的世界无容易二字，请珍惜自己，放过自已， 有时放下是最好的解脱。 #歌曲可惜春风不懂我伤悲#

如何利用AI自学一切？？ 我是写美股的，日常要读财报、盯宏观，碰上完全陌生的新行业也得从头摸。以前这些最费工夫，翻资料、找人问，一轮下来大半天就没了。 这一年多用上 AI Agent，最先变的是我学东西的方式。 1、兴趣和动力是一切的基础 这是不是普遍适用，我不能确定，但起码对我来说，自发的好奇和自驱力能让我坚持更久。或者说我不能用"坚持"这个词，因为我是自然而然地享受这个过程，不需要任何意志力，只是单纯地想学。 如果是外界推着我学，比如考试、比如工作，DDL 一结束我就会迅速放弃，甚至在过程中也只能勉强做到平均线，抱着得过且过的心态。 当然，有兴趣和自驱力不代表万事大吉，也不会一开始就如有神助。学不会的东西本来就学得很慢，但慢慢来，反而会比较快。 2、建立一个正反馈的环境机制 正反馈能让你保持兴趣和动力，不断的小 reward 会给你情绪价值。这时候就该让 AI 来帮忙了，因为 AI 的反馈非常非常快。 比如我想探索一个知识，它可能和 tech 有关，也可能和商业有关，这些都是我完全没在学校受过训练的领域。但是 AI 受过呀。 我可以一遍一遍地说：这个太难了，我不理解，我要举例子，要图解，要通俗易懂，从最最简单的讲起。AI 非常适合干这个。 在现实生活中，其实很难让一个人一遍一遍地给你重复讲同一个东西，但对 AI，我们完全不会有这种顾虑。遇到不懂的，如果没有 AI，就只能等懂行的人给我讲，或者自己慢慢搜。这种极致快速的正反馈，只有 AI 才能给。 而当我让它出题，用自己的话再讲一遍的时候，我就能清楚地知道哪里我没理解、哪些我理解得很好。这时候 AI 也会充分地鼓励我，给我非常多的正反馈。学习的循环就这么建立起来了。 3、所以具体到底怎么利用AI呢？下面我按从简单到进阶，拆解一下具体的方法。 简单版：一个聊天窗口就够了 免费的聊天机器人已经足够强大，只要稍微改改自己的 prompt，就能得到很好的结果。 假设我对某个领域、某个概念完全不了解，比如"什么是 Agent？Agent 有什么用？为什么别人都在用？我能拿它做什么？"，这些就是我第一次接触一个新概念时，脑子里会自然冒出来的问题。 第一，我一般会按"why - what - how"的结构去拆。 第二，一次只问一个问题，不要一下子丢好几个。拿这个例子来说，可以先从"为什么 Agent 这么火"开始。这个问题的答案很简单易懂，你会看到一些有趣的现象，然后再引出 what，也就是它到底是什么。 第三，告诉 AI 你的个人背景。免费的聊天机器人完全不知道你对这个领域了解多少，你让它讲解时，它的回答不会是个性化的，也不会考虑你的背景。所以你要在 prompt 里讲明：我完全不了解，希望讲得通俗易懂，等等。 第四，你同样可以让 AI 用费曼学习法给你出题：根据刚刚讲过的内容出几道题，让你用自己的话再讲一遍。 进阶版：先要一张地图，再把资料喂给 AI 过了简单的关卡，如果我想学得深入一点、系统一点，开始之前我会先让 AI 给我画一张这个领域的"知识树"：主干是什么，分支有哪些，我现在要学的东西长在哪一枝上。 如果这个领域陌生到连树都搭不起来，我就让它从历史讲起。一个东西刚诞生的时候总是简单的，顺着它一步步变复杂的过程往下看，现在的样子也就好懂了。 有了地图，我会让AI去找高质量的书或者视频来探索。在学的过程中，我还会把这些资料喂给它，让它有充分的 context，这样我随时提问，就能随时得到答案。 深度版：搭一个自己的学习系统 我会高强度地把 Agent 工具和 Obsidian（一个个人笔记软件）连在一起用。我有一份写自己个人背景的 markdown 文件，还有一份 Tutor SOP 文件，里面写明我喜欢的教学方式。 每次我要求它讲解某些内容，AI 都会自己去读这些文件、补充上下文，用我最喜欢的方式来教我。 这份 SOP 里的规则，都是一次次"学不下去"之后加进去的。挑几条：第一条就是：keep me motivated, keep me going, increase the curiosity. 一节课最多两个概念。第三个留到下一节，在好奇心还在往上涨的时候结束。还有比较基础的，例如多用例子和图解等等。 当我感兴趣、想深入了解时，我也会让它读取费曼学习法的 Skill 来给我出题。 我还会用 Matt Pocock 写的 teach skill，让它通过写 HTML 代码的方式做网页课。我会 customize 更多的交互、课后习题、课后阅读等等。 它会把一个主题拆成几节课，组成一个小小的 set，比如 4–5 节，学完一整套也非常有成就感。 我曾经有遇到一篇讲AI的论文，可以说我自己几乎看不懂，但神奇的是AI一直鼓励我说我可以，我刚好看见有一段讲到是如何把 Out-of-Distribution（分布外）的东西拆解变成 In-Distribution（分布内）的东西。我心想这不就是现在，我让AI把这一篇完全在我知识分布外的东西通过一步步拆解，变成我可以理解的分布内的东西。 拆了十几轮吧，说实话那篇论文到底讲了什么，我已经要忘记了，但这种去拆解那些我不会的知识，然后一步一步把它们内化的方法论我却一直记得。 总结一下：其实核心很简单，你要喜欢、要有兴趣，利用AI工具，不会就问，不断接受正反馈。自然而然，我们就可以学习任何事情了！ 一段可以直接复制的 prompt： 我是[你的背景，比如：完全没学过编程]，想了解[概念]。请按下面的顺序讲，每次只讲一步，讲完停下来等我回复： 1、为什么：它为什么最近这么火，解决了什么问题 2、是什么：用一个生活里的例子讲，不要术语和公式 3、怎么用：像我这样的人能拿它做什么 如果我说「没懂」，请换一个例子，不要只换个说法。 三步讲完后，出 2 道题让我用自己的话回答，并指出我哪里理解错了。

看了一期 Starter Story，大意是讲如何 copy 人家的 idea 的，嘉宾 Samuel 以前是配镜师，跟着 YouTube 自学写代码，现在 3 个 SaaS 月入 3.5 万美元。 他的方法说穿了就一句：只做已经有人做成了的产品。 他挑点子有四个条件： 1. 自己会用 2. 已经被验证能赚钱，比如推特上有人晒 MRR、Stripe 截图 3. 对方没在营销上砸大钱，说明需求是真的 4. 产品够简单，一个人维护得了 最有意思的是他验证的方法：用 Ahrefs 查对方的流量从哪来。 主要靠广告的最好抄，你投一样的广告，一周就能有流量。 广告和 SEO 都有的，说明需求强。 主要靠 SEO 的最难，要熬时间。 他的 AI 视频工具就是这么来的：看到有人晒做 faceless 视频工具的收入，一查流量全来自 Facebook 广告，就照着做了一个，投广告，后来做到月入 2 万美元。 反过来，他第一个产品没用这套方法，做邮箱查找工具，正面撞上 Apollo 这种大公司，维护得特别痛苦。 当然，他复制的是被验证过的需求，不是别人的代码和设计。 他说最让他意外的一点是：根本不需要创新，简单无聊的工具最赚钱。 我自己的感受是，很多人做独立开发，总想找一个没人做过的点子。但对一个人来说，做一个已经被验证过能赚钱的东西，比起自己凭感觉写了个 app 然后却不知道卖给谁以及如何卖更实在。你们觉得呢？

计算机专业的同学，或者想深入摸透计算机系统的朋友，大家对《深入理解计算机系统》这本书应该都很耳熟。 过去自学这种七八百页的大部头，很多人从头到尾一页一页翻，遇到硬核的机器级表示或者异常控制流容易卡壳，最后大部分人连前三章都没翻过去。 在 AI 时代，逐帧看书去死记硬背其实是一种非常低效的方式。大模型本身就是现成的顶级导师，真正顺手的学法是让 AI 带着我们学，遇到卡壳的地方让模型结合上下文直接讲透原理，甚至让它出测试题来检验自己。 而 GitHub 上的 csapp-zh-markdown 项目正好把最关键的基础给铺好了。 作者把第三版全本整理成了纯 Markdown 和在线阅读站，排版干净，代码公式齐全，还把 238 道习题答案与八个实验的中文说明单独理了出来。不管是用大模型阅读器挂着边读边问，还是把整份文档丢给本地工具当知识库，都能省下大把时间：

硅谷顶级风投 a16z，最近把 2018 年 YC 对 OpenAI 老板 Sam Altman 的采访翻出来了，Sam 说他职业生涯里，回报率最高的那一段时间，是没有工作、空下来的时候。 那时他突然有了大把的时间，读了大量教材，自学核工程、甚至是 AI。 然后周游世界，住便宜青旅，见各种有趣的人，如果对方有需要就帮忙，对方会教他一些东西，或后来给他创业的投资机会。 虽然大部分没做成，但种子后来以很深的方式发芽了。 其实仔细一想，可能也正因如此，有了人工智能这条线，他在几年后与马斯克一起创办了 OpenAI，才有了现在知名的 AI 大模型 ChatGPT，改变了世界，影响了我们很多人。

影响我的九款游戏：其他游戏也很好玩，但没到影响我的地步，初中时我很喜欢同表哥一起畅玩各种游戏，有一天同他交流某款新游戏时，他无意间来了句 “玩游戏的都是傻子，做游戏的才是聪明人”，我突然陷入沉思，开始希望自己也能做自己想做的游戏，于是开始自学游戏开发，毕业后进一步来到游戏行业：

ZachXBT @zachxbt 发声永久放弃无偿帮人： “抱歉，我已永久不再无偿帮人。接下来会把精力放在捐款人、客户身上，同时仍会把我自己觉得有意思的案子公开分享。因此除非符合我的筛选标准，否则我不会回复。” ZachXBT（Zachary Wolk）从自己被骗约 1.5 万美元开始自学链上取证，2021 年起几乎全靠社区捐款做公共调查。 公开数字显示他的努力直接促成约 2.1 亿美元追回，间接相关扣押再加约 2.25 亿美元；按照Paradigm 的口径帮助受害者追回超 3.5 亿美元。 2026 年 8 月初他自己公开讲的两个案例直接导致了他的决定： • 用户 Roshii（Zatoshi）被骗 60 万，口头说“随便开价”，他花 5 小时以上追踪并冻结了 9.6 万。对方因为没报税拒绝在丹麦报案，他开口要 5000 美元后对方失联数周。 • 某项目开 2.5 万赏金，他做完团队深度链上审查，发现雇了朝鲜相关 IT 人员并因此被打。项目拖欠 9 个月，说付不起。 他终于放下助人情节，学会尊重他人命运了。

看完论文后发现 DeepSeek 应该喜欢 PL 的人，难怪我之前投简历都没有进面试，小红书上找到他们的 HR 问也不理我。早知道把 Apple Swift 编译器贡献者及在字节为 Swift 做的 runtime feature 也写在简历上，而不是写一堆自己写的 AI harness 了。 不过目前看是歪打正着。特别是最近听到王虹说在北大被 discouraged 之后。 初中的时候我主动报了我们学校的信息学竞赛队，但是进去之后我觉得讲的东西很无聊：汉诺塔、八皇后、约瑟夫问题——而觉得无聊是因为看不懂。但是知道很后来我才知道，我不懂并不是因为我笨。 彼时的我喜欢用 Borland C++ Builder 和 Vanilla JS 在桌面端和浏览器里面做酷炫的效果，还喜欢 WindowBlinds 换装。是的，我当时和觉得 DeepSeek Harness 的 GUI 不酷炫就觉得没意思的各位一样。 对了，当时的竞赛班老师还推荐了我们一本书叫「具体数学」，这个是一个伏笔。 而这个「看不懂」的问题我后来总算明白了：计算机只会通过循环解决问题，而循环的每一步都必须通过「有限的方法」让问题向解决推进一步。 但是人看问题不是这样，人可以在一个问题的某些具体场景下看到捷径。而所谓「算法思维」就是整理出所有捷径和非捷径的共同模式，然后在「默认使用循环」的情况下给出「每一步」中最高效和最通用的做法。 所以你要能「看懂」这些算法题必须得假设自己和一台计算机一样，只能做循环操作，去思考每一步的通用最优动作，然后解题。 当然，这么简单且显然本质在这么好的（中国）学校里面老师是不会教你的。默认你应该懂。但我最终懂这个道理的路可谓一路曲折。 我的中学时代其实和每一个中国出生长大的人一样，课业繁重。大学选择了自己心心念念的工业设计，画了四年画，毕业后转的码。转码过程中自己下载了清华、巴黎高师和北美四大金刚的公开课，然后买书看公开课学的。 在某次看清华的邓俊辉老师的算法课时，他提了提「具体数学」这本书。这次我终于把这本书买了回来，然后打开一看：1. 汉诺塔，2. 约瑟夫问题，…… 是的，原来初中竞赛班上的老师是照着这本书讲的…… 而当时我已经学了 MIT 的算法导论以及斯坦福 CS 143，看了 Engineering a Compiler, 2/e，自己撸了个小编译器出来。我觉得能学懂什么是自动机（EaC, 2/e 里面有涉及）的，应该都能够理解计算的本质吧。所以彼时再看「具体数学」会发现： 1. 原来在理解了计算的本质的前提下，这些题目这么好理解； 2. 原来 Donald Knuth 这种大神也需要先通过几个直觉 case 来测试自己的算法设计，遭遇失败、然后迭代几次之后才能得出正确答案； 3. 原来初中竞赛班上那些能够一步就给出正确答案的同学们应该：要么比 Donald Knuth 还要聪明几倍；要么就是在外面事先学过了； 所以这种竞赛班的本质其实并不是教计算机，而是：通过向远没达到对应成熟度的儿童传播一次远超他们成熟度的信息，测试反馈，筛选天才。 当然，也有可能筛选出提前过拟合的人。 到彼时总算放过了还是青少年的自己。回想我自学计算机的过程也算是一趟「王虹」之途——早年学习被环境吓到，之后自己把兴趣找了回来。当然，我没有王虹那么耀眼的成就。只能算是青年版的「重新把喜欢计算机的自己养了一遍」。 另外，某年我看到中科大的博士课程居然也把「具体数学」作为 prequisites 课程材料。所以我初中学不懂真的不是我的问题了。 但是到了 AI 时代，我们不能再做自己不擅长的事情了。 我觉得每个人都应该在 AI 时代想想是不是能做新的事情、做回自己本来擅长的事情。 AI 的放大能力应该用于你的长板。 同样的放大系数，拿来放大你的长板和补齐你的短板相比，收益的差别会随放大系数同样被放大。 如果考虑复利效应，这个收益差别还会随着年月积累。 所以接下来我应该还是会 focus 在自己擅长的事情上面。比如，下一个产品和下一个开源项目。所以，简历看都没被看一眼，应该也是好事。 附图：上一段程序员工作时放在身边看的一些计算机书。不过感觉之后应该会多看一些设计和 GTM 的书籍了。 * 看了看 deepseek-ai/deepseek-harness 仓库目前的贡献人数是 19 人，不太清楚是不是团队规模，但是只招进去两个人应该不实，论文中一人可能是北大软件学院教授。