与「补全《海错图》由清代画家聂璜绘制。全套共四册（前三册藏于北京故宫、第四册藏于台北故宫）共描述了三百多种生物，还记载了不少海滨植物，算是一本古代的海洋生物图鉴。所绘每一种物种的空隙处，辅以文字说明介绍所绘物象的名称由来，以及产地、物性特征等。介绍下载：」相关的搜索结果

#补全《海错图》由清代画家聂璜绘制。全套共四册（前三册藏于北京故宫、第四册藏于台北故宫）共描述了三百多种生物，还记载了不少海滨植物，算是一本古代的海洋生物图鉴。所绘每一种物种的空隙处，辅以文字说明介绍所绘物象的名称由来，以及产地、物性特征等。介绍下载：#

很多人还没理解，大模型的发展必然是需要与产品创新协同进行的。 整个世界处在一个大的自然选择过程中。对产品而言，人就是自然；对大模型而言，人+产品就是自然。当然，对人而言，自然就是自然。更进一步说，产品本质是人的生产和生活方式，而生活方式是在自然对人的选择过程之中被人选择的。当我们把大模型看作产品的智能驱动力，那么大模型的能力也就在产品被选择的过程中被选择。 没有翻译产品就不会有 Transformer 被选择；没有产品尝试用 LLM 补全 tool 指令，就不会有 tool use 能力被选择；没有 Manus，就不会有 agentic 任务能力被选择；没有 Claude Code 不会有 coding 能力被选择；没有 Anthropic 内部尚未发布的 Agent Teams 和 Claude Tag 雏形，就不会有 Opus 4.5 到 4.8 不断加强的 team working 能力被选择。当然反之亦然，没有 coding 能力的加强，Claude Code 不会像现在这样成功。 研究员们可以像数学家一样，从已经有的知识，以推理的方式得出所有可能的模型能力并构造数据进行训练，但最终被留下来的、在商业上被选择的能力一定是能与具备更好的人机交互体验的产品相适应的能力。 人们似乎总是因为大模型能力越来越强而对软件产品持有悲观态度，但我相信更强大的智能将会驱动更强大的产品和人机交互形态的诞生。不要低估人的适应力和创造力，尤其在 AI 的加持下。 人会很快适应 AGI 在现有产品形态中的表现，而随后创造新的产品形态来进一步释放人机交互的潜力，进一步地，模型被反哺加强，人们再次适应新的产品形态，继续创造更新的产品形态。 没错，我说了 AGI。我认为 AGI 早就来了，AGI 在渐进式地来。并没有一天会被称为「AGI 真的来了的那天」。大模型 agentic 能力和多步多轮交互界面协同发展，长程无监督任务能力和多会话管理界面协同发展，自迭代记忆+团队协作+长上下文+长期自我身份感知和所谓 agent-native IM 界面协同发展。 我们会看着一种新的智能持续演化，我们自身也会在这个过程中提高认知、不断升维，改进我们与世界的互动方式。这种黑格尔式的对立统一让我感到极度兴奋，你呢？

AI工具整理： • ChatGPT - 啥都能聊 • Midjourney - 给你画图 • Tome - 做演示文稿 • Tabnine - 代码自动补全 • Durable - 建网站 • Murf AI - 文字转语音 • Copy AI - 写广告文案 • Character AI - 角色扮演 • Looka - 生成logo • Tryellie - 自动回邮件 • GeneratePrompt - 免费prompt生成器 常用的都在这了，收藏备用

偶然翻到 B 站上自己一个视频的在 2022 年的评论，当时回复都是一阵嘲笑，说最多做成 copilot 那种自动补全，还不如 low code 有前途等等。我当时也是笑笑，copilot 我也用过，就那么回事，觉得怎么可能写出生产级别代码呢？ 没想到到今天，已经打了所有人的脸，科技进步太快了，不敢想未来十年会怎样，只能活在当下了。

一天又翻了一倍，2.6k stars 了 😂 让 Claude Code + Kimi K3 + Opus 4.8 (reviewer) 干了一天，补全了 30 多个缺失的实验代码，也解决了其他实验代码中依赖不全的问题。更新了大多数实验的模型，使用新模型替代老模型。当然，有些实验必须用比较差的模型，因为 SOTA 模型已经不需要 harness 来补缺陷了。 感谢吴叩天纠正了书中很多事实错误。发布了 v1.1 版本。

分享一个我用 Codex 做调研的方法。 我会让 Codex 开一个 MD 文档，针对调研的问题，先帮我把可以拆分的方向拆出来，同时完成一些预先的调研。 之后我会在这个基础上不断补充或删减研究方向，如果某个方向延伸出新的方向，也可以让 Codex 直接在这个方向里面补全相关的信息。 我觉得这个方式很快，很灵活，并且完全是人主导的。 调研本身就是边学习边探索的过程，Codex 会根据我想看的方向，把内容铺出来。 表面上是线性的 MD 文档，但实际上可以多维度发散。 MD 很灵活，我随时可以手动插入内容，比如收集到的图片，也可以删掉不想看、不需要的方向。 还有一个好处是，这样一来，整个调研过程 agent 会有完整记录。所以未来如果想要追溯过程，或者利用这次调研的内容去做其他事情，也非常方便。 最后如果需要汇报，我也可以直接根据这份 MD 生成网页的 PPT，制作一个链接用来分享和展示。

给你们看一下我花了 2 天时间蹬 trae work 蹬出来的一个 HR Agent 产品：招对了 首先，它这个初赛只允许提交单 HTML，而不能使用tanstack 或者 nextjs，很多组件都不能用，全部都是纯手搓 html+css+js 的纯前端，就极其令人烦躁，非常不符合开发实际，效果巨差。 但是就在这样的条件下， 这个产品还是这么水灵灵地搓出来了。 这个产品的核心就是让用户先说一段自己想招什么样的人，然后再通过苏格拉底式的访谈，把这个公司真正需要的人才的用户画像给描述出来，然后同时也会补全这个公司能给候选人提供什么。 完事之后会整体对候选人的要求信息进行筛选和检查，发现其中的矛盾点，然后让用户继续进一步进行收束。当所有的矛盾点全部被忽略或者是解决了之后，就会形成一个特别庞大的岗位 JD 报告。 这个报告会展示我要招什么样的人，我对这个候选人的评分应该怎么划定，以及我的面试流程应该怎么设计。 当然整个产品只是这次给客户部署的 HR Agent 抽离出来的一个子模块，如果大家对 HR Agent 感兴趣，可以联系我，我现在对它的 workflow pipline 很满意。 当然这个产品如果能进复赛的话，我给他用 tanstack 重构接上 pi agent，它将成为一个成熟的生产级产品。HR Agent 平权，用几百块就可以直接拿到几万块的 Agent 可以提供的内容。 到时候记得给我投上一票。

视频里这种分层效果，很多场景都用得到，可以直接交给 Codex Codex 里面执行也很简单，上传图片后直接说： "请分析这张图，将它拆成背景、主体、装饰和文字图层。 使用 imagegen 分别重新生成，背景补全被遮挡区域，其他图层使用透明背景，文字用 HTML/SVG 原生文本重建。 最后按照原图位置组合成可拖动、可显隐的 HTML，并检查合成效果。" 这个用法比较适合： 1、手上只有 PNG/JPG，找不到 PSD 或 Figma 源文件； 2、想把静态海报改成网页动效； 3、做 PPT、视频时，需要让图片里的元素逐个出现； 4、或者只想移动主体、替换某个物件，又不想整张图重新做。

给大家带来蚂蚁灵波LingBot-Vision 实测! 本次测试最大的亮点是在仅 1B (10亿) 参数量下, 展现出了极强的空间几何和边界感知能力, 实测表现直接越级打平甚至超越了 7B 参数的 DINOv3, 极具性价比！它非常适合用作具身智能的视觉主干 (Backbone) , 或者嵌入到机器人导航、机械臂抓取等需要极高空间精度的框架中使用都很不错, 对本地算力要求也很低. 视频中我直接给大家演示了免微调的视频目标追踪, 随便画一笔就能死死"咬"住目标. 另外, 它在硬件级深度补全 (比如识别透明玻璃、反光物体) 上表现也堪称杀手级, 不过由于技能点都加在了密集空间结构上, 在全局图像分类能力上算是中规中矩. 手里有 30 系显卡的兄弟们强烈建议本地跑着玩玩！ #灵波# #LingBot# #视觉大模型# #具身智能# #机器视觉#