与「越简单越随意就越好看」相关的搜索结果

好韩~ #越简单越随意就越好看# #氛围感拿捏住了# #喜欢的感觉# #今天有点不一样# #这感觉很春夏# #一整个爱住# #解锁新风格# #长在我的心巴上咯# #喜欢简单的一切# #轻松美一下#

中文熵控术的一个应用：从一个关键词开始 这篇文章，我想用一个具体的例子，展示我是如何运用我所提出的中文熵控术，完成一次完整的创作循环的。 从一个短句出发，我通过引爆“熵爆”，引发语义裂变与联想扩散，借助 AI 的语言能力进行持续发散。这个过程属于“增熵”阶段，即主动制造语义复杂度、生成大量潜在线索与概念。 随后，我通过“控熵”阶段逐步回收这些发散内容，将思绪归纳、结构整理，并将其转译成低熵语言——英语，以实现内容的收敛与表达的精准。 最后，我使用 Deep Research 工具，对全文的逻辑路径进行审校与规划，确保结构严谨、思想完整。 这一系列过程，正是一轮完整的熵控术闭环：从中文高熵发散，到英语低熵收敛，从灵感的原始混乱，到逻辑的有序呈现。 In this piece, I want to illustrate how I applied my method—Chinese Entropy Control (中文熵控术)—to ignite an “entropy explosion” from a single term. Starting with one keyword, I used this technique to trigger semantic divergence, associative expansion, and AI-powered ideation. Through a continuous process of entropy increase (creative divergence) and entropy control (structured convergence), I was able to explore deeply and then gradually pull the scattered insights back into a coherent whole. The workflow unfolds in stages: from generating high-entropy, language-rich associations in Chinese; to translating and distilling those ideas back into low-entropy English—a language optimized for precision and clarity. Finally, I used Deep Research to verify, organize, and rigorously structure the entire logical framework of the piece. This is a full cycle of what I call Entropy Control Writing—a closed-loop creative methodology that begins with chaos and ends with clarity. 在开始具体的写作方法之前，我想先谈谈我写作的基本前提和个人路径。 虽然我目前仍以“科技创意写作”作为起点，还没有完全进入“通过文字发现世界”的深层阶段，但我已经预设了几个重要的认知起点。这些判断不仅来自我在国内完成完整高等教育的经历，也来自我后来在美国继续学习和工作的观察与体验。 第一， 我深切体会到“假大空作文”对中文写作能力的伤害。绝大多数人其实并不会真正写作，甚至连高级阅读理解能力都未曾建立。我非常认同亚里士多德对“工具理性”与“修辞”的区分：写作首先是一种逻辑推理能力，其次才是语言表达。空有辞藻、没有推理的文字，是最低级的写作。 第二， 我观察到国内真正接受过“好作文”训练的人，很多都是从新东方的 GRE 写作班开始接触英文逻辑写作。那时的训练，虽然有技术性倾向，但的确帮助很多人建立了基础的结构意识和论证方法。 第三， 我认为传统意义上的“好作文”标准，如今已经逐渐失效。即使在美国，接受过高等教育的人也会发现，一篇 academic essay 的写作过程极为消耗，大量时间花在查文献、补 citation、应付格式上，真正的思想贡献反而被边缘化。而在今天这个 AI 能即时输出背景知识与引用的时代，这种写作方式已经过时。如果我们只是把 AI 当成“高级搜索引擎”，那真是对其能力的极大浪费。 我相信：今天的好文章，就算在 AI 的辅助下完成，也应该具备高度的独创性、强烈的个人风格和不可替代的思维方式。 它应该让 AI 也找不到大量“现成答案”；它的论点应该是推理构建的结果，而非数据库检索的产物。它的价值，不在于复述，而在于你提出了一个难以证伪的深刻观点，而这个观点只能靠严密的逻辑演绎来支撑。 这，才是我心目中真正值得书写的“现代文章”。 下面开始说正题： 过程，记录我是如何用中文熵控术展开一轮完整的写作循环的。 我随意挑了一个关键词——Hadoop。当然，未来我会更加系统性地使用 InfraNodus 来监听语义网络、捕捉关键词节点，但这次，我只做一件事：拒绝传统意义上的“定义式写作”。 大部分人一提到 Hadoop，AI 就会给你一整页释义：介绍历史、列举应用场景、堆砌背景知识——这是我不需要的内容。 我要的是从一个模糊、含义开放、带有方向性的语句出发，引爆语义裂变。于是我写下： Hadoop 是 AI 的引擎。 句子越短越好，越模糊越好，越有歧义越能触发 AI 的解释欲和发散空间。 这就是一个“语义引爆点”，既不是定义，也不是结论，而是一个信息密度极高的语言触媒。 接下来是“熵控术”的核心过程：发散——控制——再发散——再收敛。 当我进入发散阶段，我不是随便胡思乱想，而是带着“模糊的问题”去游走语义网，生成一连串带方向但未定形的路径： 大数据框架是 AI 时代的基础设施？ 大数据全链路（采集、清洗、存储、处理、反馈）到底提供了什么？ 如果我们谈文明，那么：你认为什么是数据文明？ Hadoop 真的点燃了数据文明吗？它是起点吗？ 又是一场核心为“去中心化”的实践？ 那么，什么是“原始混乱”？ Hadoop 是否通过处理原始混乱，在虚拟空间中投影出一个真实的世界？ 这些发散式问题本身就是“增熵”的实践。每一个问题都像一道激活神经网络的脉冲，在 AI 的推理系统中引出不同维度的联想。而一旦我希望收敛，我就开始设置锚点词——比如“文明”“基础设施”“原始混乱”这类高熵概念词，作为结构收口的支架。 语言学训练过的朋友会明白：锚点词不是结论，是语义重力场，它们会引导你的话语体系向某个认知中心聚合。 最后，我将这一切过程生成的内容进行人类作者的主动整理与重写。 必须强调一点：AI 只是协助，不是代写。字还是我自己打的，逻辑是我自己建的，文章的风格和立场，是不可替代的。你以为有了AI就不用自己键盘打字了是吧？ 于是，我得到了这样一篇高信息密度、逻辑收束、观点明确的文章： 在信息洪流席卷而来的时代，我们不禁要问：数据文明究竟从何而始？如果说今天的大数据生态和人工智能系统构成了数据文明的肌肉与骨架，那它的第一束火种，很可能就是由 Hadoop 点燃的。Hadoop 并不是最先进的技术，却是第一个用去中心化的结构思维真正把人类带入数据文明时代的开创性系统。它不依赖超级计算中心，而是通过上百台廉价的普通机器，组建起一个分布式的“数据共和国”；它不需要整洁的结构化数据，而是主动接纳来自草根、传感器、网页和日志的“原始混乱”；它不再由少数专家垄断操作权，而是把 Map 与 Reduce 的编程模型交到每一个开发者手中。 正是这种革命性的开放，让 Hadoop 成为真正意义上的大数据起点。它不仅让数据可被收集和处理，更让数据成为一种资源——一种可以转化为洞察、预测乃至智能的“信息流”。Hadoop 接纳混乱，却在混乱中提炼出秩序。它像一个巨大的炼金炉，将世界生成的各种信息垃圾熔炼成洞见与模式，从而在虚拟空间中投影出一个真实世界的镜像。这种能力标志着一种全新的文明形态开始成型——数据文明。 数据文明是一种以数据的采集、流通、处理与反馈为核心机制，推动社会运行、知识生成与智能演化的人类文明形态。如果说农业文明以土地为基础，工业文明以机器为核心，那么数据文明的底座，就是可计算的信息流。在这一文明中，人类第一次用统计与算法取代了部分经验与直觉，社会也从人工调控逐步走向系统自我调节。工业文明的巅峰是流水线与管理学，而数据文明的巅峰，是自动决策与自我优化的智能系统。AI 不再是孤立的工具，而是这一文明的神经系统。 Hadoop 所开启的，并不仅仅是对大数据的初步驾驭，更是一场“原始混乱”的征服。从网页、日志、图像、视频到传感器数据，这些曾被视为信息垃圾的内容，其实正是世界最真实的投影。通过 Hadoop，我们第一次拥有了对非结构化数据进行建模与分析的能力，第一次能够在虚拟空间中重构现实，拥有对现实的观察权与认知权。这是技术上的跃迁，更是哲学上的进化。 今天，我们已经走进了 Spark、Flink、Presto、Kubernetes 和云数据湖构建的新生态，Hadoop 的角色也许已经不再居于中心，但它的意义从未被替代。正是 Hadoop 的架构哲学、计算模型与数据处理思想，为这一整套大数据与智能系统的演化奠定了基础。 在人工智能成为核心技术的当下，大数据框架仍是 AI 运转不可或缺的底座。它提供的不仅是“训练之粮”和“处理之力”，更是一整套生态基础。从采集、清洗、存储、处理到反馈，这五环构成了 AI 的信息循环系统，让它得以学习、成长、反馈与优化。可以说，大数据框架构成了 AI 世界的供血系统与呼吸系统，是智能文明可以运行、生长与演化的底层管网。 我们终于可以像炼钢炼油一样炼数据了。这一切的起点，正是 Hadoop。从原始混乱中抽象秩序，从计算节点中协同智能，从数据信息中重建世界模型。它不只是一个技术系统，它是人类迈入数据文明的第一步。 好，然后把上面的文字翻译成英文。就用这篇文章要求生成Deep Research, 生成内容看链接：“ 我评价一下这篇生成的文章。首先，因为我的提示词很长，有好几条逻辑和叙事线，所以DR反问的时候将这几条线分割出来了： The historical role of Hadoop in shaping modern data infrastructure? Comparative analysis of Hadoop vs newer frameworks (Spark, Flink, etc.)? The concept and evolution of "data civilization" in technological and philosophical terms? How decentralized architectures like Hadoop influenced AI development? The journey from unstructured data ("primitive chaos") to intelligent systems? 我就让他自己看着办。 评论一下这篇DR, 它一方面极力想遵循我提示词所设定的叙事逻辑，保持整篇文章在我设计的语义轨道上推进；另一方面，又在疯狂地调用技术资料，努力为每一个关键观点寻找“佐证”。 但它和我以往那种“高级谷歌式”的问答完全不同：不是简单引用就能收工的。这次它找的很多资料都无法直接复制粘贴用作引证——因为点进链接后你会发现，原文里并没有完全匹配的段落，没有那种“高亮即真理”的瞬间。 为什么？因为它根本就找不到一模一样的观点。 所以它只能靠自己推理——一层层演绎，从相关领域的技术脉络里“构造出一个看似合理的解释路径”。有些推理的确绕得厉害，说实话，只能算逻辑勉强自洽，沾点边，却不够扎实。但问题也在这：你又找不到确切证据去证伪它。 这其实是一个很有意思的AI能力边界：在没有既存文本观点可引用的情况下，它会主动尝试创造性地“弥合语义空隙”，以一套结构上近似学术推理的方式，生成一个“无法验证，也不易否定”的半原创表达。 这就对了，这是我要的方向。他要是能原创了，要我来干嘛。 然后根据DR就可以在扩展和压缩。 那些质疑我熵控术学术严谨性的，你给我钱了？你给我职称了？数学建模不是不能做，但是现在在没有人给我钱的前提下，这只是我自我修炼的一个技能。爱看不看，爱学不学。全世界水论文那么多，不差我一个。那些质疑的，请问有没有，哪怕一次，做过正经的学术peer review，以至于要现在上推来随便找篇推文peer review, 搞笑吧。

有許多人問我，作為一名土生土長的美國人，我如何看待美國當前的移民政策。 大部分美國人認為美國該有一個有序的邊界管理，在必須時進行遣返，但當政府的行動變得過於激進，他們反而不支持嚴厲手段。 若要按美國人的期待來解決這個問題，我們需要一個長期、可持續的過程，否則下一個總統很有可能倒退。 我們今天看到的很多做法很有可能違反憲法。 這些政策的根源在於多年來的政治僵局。美國的選民積累了不少一直得不到解決的不滿。 比如說，有部分偏右的選民擔心非法移民會投票。雖然美國民主黨可能不相信這點，對他們來說支持法案應對也特別簡單。這樣就可以提高人們對大選過程的信任。 若要「綜合地解決移民問題」，細節會有所複雜，並不會像「驅逐罪犯」或者「建立大牆」那樣順口。我們總統的支持者欣賞他擅長把這些複雜的問題轉化成簡潔的口號，但口號並不能代替法律。 若要解決這個問題，很可能需要多項政策的組合，其中有的不太受歡迎。這樣的一個法案並不容易被概括成口號。我們可能需要讓大部分有資格的非法移民得到法律的保護；如果要使用嚴格的驅逐行動，先過法案，讓法案通過後再讓非法入境的人買單。 我們也需要承認，美國有好幾百萬的無證勞工，我們這幾十年甚至一直在依靠他們的工作。我們可以一邊停止非法移民，一邊合法化已經在美國的一部分勞動。只不過，他們可能要接受無法獲得公民身分，以及其他的福利。 根據美國法律，人們必須合法地入境，並且承擔納稅的責任，但在美國有約 3%–4% 的人活在這個法律框架之外，而且這幾十年一直是這樣。 當法律與現實之間有比較大的差異，這直接傷害了法律的權威。 這表示我們有幾種可能： 1）使用一系列強硬措施來大規模清查非法移民，但這樣可能無法持續，同時也會帶來許多適得其反的作用； 2）開放邊界，這樣的政策當然只會讓美國政治的矛盾升級； 3）制定一系列改革法案，一邊承認今天的現實，一邊制定一個更好的方向。由於美國越來越極端化，這種可能基本上已經提不出來了。 美國國會已經多次提出這樣的法案，但因為政治矛盾，幾乎都遭遇了失敗。 所以我們才走到了今天的局面。我們已經能看到這種行動會帶來什麼後果：有訓練不足的執法人員已經多次與美國公民發生致命衝突；美國聯邦政府有部門似乎輕視司法機構，甚至忽略自己對美國憲法的責任。 憲法是美國的最高法律。這部法律既保護所有在美國境內的人，也約束每一個人，沒有例外。 美國人不會想看到在自己家附近突然出現大量聯邦特工，帶槍、戴口罩、隨意進門，在缺乏合理依據的情況下攔查他人。而且最令人遺憾的是，就在這個月，這些行動已經導致兩名無辜的美國人失去了生命。這是完全不必要的。我知道已經有許多人開始抹黑這兩位，但即便我可能與他們的政治觀念不同，我也絕不認為他們就應該這樣被殺死。 美國憲法第四修正案保障美國政府不得進行無理搜查，但 ICE 卻給了自己搜查令。正因為美國政府需要約束自己，這類搜查令本來就應由獨立的法官簽發。還有人被拘留，並在一個不透明的過程中被驅逐，這不是程序正義，而是直接違反美國憲法第五修正案。 我雖然不太支持任何一個美國政黨，但我堅定支持美國憲法。美國憲法的權威遠遠超越美國的任何個人或群體，包括總統本人。當總統行使權力時，這份權力正是憲法所委託給他的。 就算今天的行動有效地打壓了非法移民，甚至有助於解決這個問題，這樣的代價仍然太高了。我不認為人們應該非法入境美國，如果他們選擇這樣做，也必須承擔相應後果。但這種做法是不可持續且殘暴的。非法移民確實違反了美國法律，依法可以被驅逐；然而，如果我們在執行這些法律時，反而違背了憲法本身——也就是破壞美國的最高法律——那麼我們究竟還剩下什麼法律可言？

最近研究 Arcium @Arcium 的时候，我一直在想一个问题。 过去的时间里，AI 行业几乎把所有注意力都放在模型能力、Agent 和应用体验上。 大家都在讨论谁更聪明，谁更懂自动化。 但如果 AI 真的开始进入企业、金融、医疗和机构级场景，那么决定它价值上限的，可能根本不是模型。 而是数据。 准确地说，只有这些数据才是真正能够创造价值的资源。 但它们同时也是最不能被暴露的数据。 于是一个新的问题开始浮现： 如果未来 AI 要处理这些高价值数据，那么它该如何在不暴露数据的情况下完成计算？ /////////////////////// 「 当 AI 开始接触真实世界的数据，隐私不再是附加功能 」 过去很多 AI 产品之所以能够快速发展，一个重要原因是它们处理的大多是公开数据。 但随着 AI 能力不断增强，它正在逐渐进入更复杂、更高价值的场景。 企业希望 AI 帮助分析内部运营数据。 金融机构希望 AI 提升交易、风控和决策效率。 医疗系统希望 AI 协助诊断和研究。 身份系统希望 AI 提供更精准的服务。 问题在于，这些数据的价值越高，对隐私和安全的要求也越高。 没有任何一家企业愿意把核心数据库直接开放给外部模型。 没有任何一家金融机构会允许敏感交易信息被随意访问。 这些数据需要被计算、被协作、被 AI 使用，但又不能被泄露。 某种意义上，AI 下一阶段最大的挑战或许已经不是模型能力，而是如何安全使用高价值数据。 如果无法解决这个问题，AI 的商业化上限终究会受到限制。 /////////////////////// 「 VVV 证明了 Privacy AI 的需求，但这只是故事的开始 」 有意思的是，市场其实已经开始给出答案。 Venice（VVV） @AskVenice 的出现，就是一个非常典型的信号。 很多人把 VVV 理解为一个 Privacy AI 产品。 但在我看来，它最大的意义其实并不是产品本身。 而是帮助市场验证了一件事： 用户确实在意自己的数据如何被 AI 使用。 过去大家默认接受自己的数据被上传、被记录、被分析。 但随着 AI 越来越深入工作和生活，人们开始重新思考： 我的聊天记录会被保存吗？ 我的研究资料会被用于训练吗？ 我的商业信息是否会被第三方获取？ 这些担忧正在变得越来越普遍。 而 VVV 的快速成长，也证明 Privacy AI 并不是一个边缘需求。 市场愿意为隐私能力买单。 用户愿意选择更加安全的 AI 产品。 企业同样需要更可靠的数据边界。 从这个角度来看，VVV 已经完成了 Privacy AI 最重要的一步： 证明需求存在。 但当需求被验证之后，一个新的问题自然会出现。 如果未来会有越来越多 Privacy AI 产品出现，它们最终运行在哪里？ 它们如何在不暴露数据的前提下完成计算？ 又如何实现多方协作和可信执行？ 而这些问题，恰恰把视角从应用层带向了基础设施层。 /////////////////////// 「 Arcium 想解决的，是 Privacy AI 背后的执行层问题 」 这也是为什么我开始关注 Arcium @Arcium 。 相比市场大多数 AI 项目仍然停留在应用层，Arcium 所切入的位置明显更靠底层。 它不是再做一个新的 AI Agent。 也不是再做一个新的 AI 产品入口。 Arcium 想建设的，是面向未来 Privacy AI 的 Encrypted Execution Network。 简单来说。 如果 VVV 代表 Privacy AI 的应用层。 那么 Arcium 更像 Privacy AI 背后的执行层。 VVV 让市场相信 Privacy AI 存在需求。 Arcium 则在尝试解决这些需求未来如何规模化的问题。 因为真正的隐私保护，从来不只是产品界面上的承诺。 而是数据在计算过程中依然保持安全。 计算能够执行。 协作能够完成。 结果能够验证。 这也是为什么我认为 Arcium 所在的位置比很多人想象中更有意思。 它切入的并不是一个短期热点。 而是 AI 进入企业级和机构级场景时必须面对的底层问题。 最近 Arcium 对 Inpher @inpher_io 的收购，也进一步强化了这种判断。 相比市场上的融资故事，我更看重背后的技术积累。 Inpher 长期深耕机密 AI 与隐私计算领域，并获得过摩根大通、亚马逊等机构支持。 对于机密计算项目来说，这类技术能力往往比短期叙事更加重要。 因为最终决定项目能否进入企业级场景的，从来不是营销能力，而是技术是否真正能够落地。 /////////////////////// 「 从应用到基础设施，Privacy AI 或许正在进入下一阶段 」 过去一年，市场已经逐渐开始理解 Privacy AI。 越来越多人开始意识到： AI 越强，隐私越重要。 真正高价值的数据不会完全公开。 未来的 AI 必须学会在不暴露数据的情况下完成计算。 而随着这种认知逐渐形成，市场关注点也可能开始发生变化。 从应用层到基础设施层。 从产品体验到底层执行环境。 从 Privacy AI 本身，到支撑 Privacy AI 长期运行的网络。 VVV 让市场看到了需求。 而 Arcium 所代表的，则是满足这些需求所需要的基础设施。 /////////////////////// 「ARX TGE，或许是市场重新审视 Privacy AI 基建价值的开始 」 最近随着 ARX TGE 临近，市场对于 Arcium 的讨论明显开始增多。 但在我看来，这轮关注背后更值得思考的，并不只是一次代币上线。 而是一个更大的问题： 当 Privacy AI 已经被证明存在真实需求之后，市场会不会开始关注支撑它运行的基础设施？ 过去一段时间，市场已经逐渐开始定价 Privacy AI 应用。 而对于 Privacy AI 基础设施，仍然处于非常早期的阶段。 当然，没有人知道未来谁会成为最终赢家。 但如果未来 AI 真的会深入企业、金融、医疗和机构级场景，那么 Privacy AI 不会只是一个应用故事。 它同样需要一套能够安全处理高价值数据的底层计算网络。 而随着 ARX 即将迎来 TGE，Arcium 或许正在成为这个方向被市场重新关注的重要节点之一。 至少从我目前看到的趋势来看，市场已经开始理解 Privacy AI。 而对于 Privacy AI 基础设施的定价，可能才刚刚开始。

我的几个A2MCP终于审核通过了 给 提个建议 服务提供商大概率应该和用户是两个群体 在任何传统领域中，面向用户的都应该是一个极其简单的前端页面，越简单越好，最好是一键点击支付直接出结果 而目前 直接把用户锁死在AI用户群体里，本质上就是直接筛选掉了90%以上的用户 这就好像我卖电脑，但是我只卖给会自己组装电脑的人，但实际上大部分的真实客户只会一键启动电脑 不过这个涉及到策略方向的问题，也许 @okxchinese @okx @star_okx

复杂是平庸的遮羞布，简单才是高手的通行证！ 奥卡姆的威廉在1285年提出：如无必要，勿增实体。 这个原本用于逻辑学的原则，后来被牛顿、爱因斯坦等科学家用于构建理论体系。 在投资领域，巴菲特将 90%的资产投资于标普500指数基金，拒绝复杂的对冲策略和频繁交易。 投资越简单，越容易成功。复杂的操作往往是为了掩盖自己的无知。

之所以研究 Claude Design，是因为最近摸索出一套不错的开发模式： 1. 先用 Claude Design 去设计 App 的 UI 和 UX，第一版本越简单越好。 Claude Design 交付的结果是 HTML + CSS + React + data.js，通过 CSS 一下就可以看清楚设计系统的颜色系统、尺寸规范，通过 React 可以看清楚组件结构，通过 data 可以知道数据结构什么样子。 这几个组合可比 figma 对于 AI 来说友好多了，尤其是 data.jsx，这是一般的设计 App 不会有的，但对开发特别重要的。 还有一个优势就是交付的结果都是文本格式的，可以一起提交到 git 做版本管理，用 git diff 就可以清楚的让 AI 知道设计稿修改了什么。 2. 把 Claude Design 生成设计稿交给 Claude Opus 4.8 去实现一个 MVP，第一个版本只实现 UI 功能，告诉它技术栈（比如 AppKit 而不是 SwiftUI），通过几个小版本的迭代，让它逐步完善。比如第一个版本只是主界面 之所以不用 GPT，是因为 Opus 在 UI 实现上比 GPT 好太多，同样的设计稿，GPT 实现的各种细节问题的，不能很好的遵守设计稿。 之所以不一下子实现太多功能，是因为功能越少 Agent 越容易聚焦，做出来效果越好。所以怎么拆分版本，也是用好 Coding Agent 的一种能力。 非 UI 的功能，用什么模型没有那么大差别，所以我也会用 Codex 配合非 UI 工作。 3. 每次生成一个版本，要让它可以运行，无论是 Agent 还是人都是需要即时反馈的，有了反馈才知道方向对不对，才知道下一步要做什么。 人在测试的时候，能发现各种问题，代码问题就让 Agent 去修改，UI 设计有问题不是马上修改代码，而是要去 Claude Design 去修改设计稿，设计稿修改完了，把设计稿下载回去，替换本地的设计稿文件。 设计稿替换后，让 Agent 去 git diff 分析一下变更，给它个截图，都不用多说它就知道怎么改了。 4. 版本稳定后继续新一轮迭代 当设计的功能做完之后，不一定是要马上去设计新的功能，而是可以重新审查一下实现的代码，重构优化一下。 比如我在第一版实现后，让 Opus 4.8 去做了性能分析，看性能问题在哪，然后告诉我当前用 NSScrollView，内容一多就内存暴涨，建议 NSTableView。 我心想这不应该是一开始就该考虑到的么！不管怎么样亡羊补牢也不算晚。 性能优化完就继续加功能，更新设计稿，让 Agent 参考新设计稿优化功能。 --- 再回来说研究 Claude Design 的事，因为反复 Claude Design 修改，同步到本地，然后这一步让我后来很烦，因为需要在本地和 Claude Design 网页切换，还要导出下载到本地，解压缩替换。 于是我就想能不能在本地就可以重现 Claude Design 直接集成到本地 Agent，所以我去研究了 Claude Design，然后发现完全可以本地跑起来，只是本地 Agent 在工具调用上有些差异，以及不方便直接在设计稿上标记编辑。 上周正好 Codex 发布了直接调试 iOS 的功能，它带了标记修改的功能，然后我灵机一动，这不正好可以代替 Claude Design 的标记修改功能么。（图2） 问题是 GPT 5.5 模型设计能力不够，在 Codex 里面设计效果也不会好。 接着 Cursor 也发布了网页标记功能，这下正好，Cursor 里面可以用 Opus 4.8，做成 Skill 就可以本地运行了，还可以在 Cursor 内置浏览器中，直接标记、评论修改。 好在 Claude Code 的核心逻辑都在浏览器前端，他们在网页上做了个 Harness，这给了我分析的便利，耐心一点就可以分析出所有的 Prompt、内置 Skills、初始组件，再针对 Cursor 的工具做一些兼容就可以跑起来了。（图3） 测试对比了一下和在 Claude Design 上跑的效果差不多。（图4） 归根结底，还是 Claude Desktop 太拉胯了，Claude Design 本应该集成在 Claude Desktop 的，不然也不需要我这么折腾。 当然不折腾下我也没机会学习 Claude Design 优秀的设计，真的很棒，接下来会系列更新我的学习心得。 推荐去试试最终的 Skill，让你本地就可以跑 Claude Design：

远程工具折腾了不少，To Desk 、向日葵这种简单的远程控制工具，或者是TailScale这种比较复杂的方案，都没有一个比较满意的，最后的归宿还是UU远程。 我的需求其实很简单，就是能够远程控制家里的那台主力开发电脑，偶尔需要用一下Windows设备，或者说是在不方便带电脑的场合想看看机器上的东西。 找了一圈，只有UU远程满足要求，免费、不限时长、不限设备，几个问题都给我完美的解决了。 1、远程编程，这个是我最核心的需求了，主力开发环境都在家里的Mac mini上，出门我一般带着Macbook Air，如果两台机子都配一下环境，那也太麻烦了； 只要我能够稳定的连接上家里的设备就行，这块UU远程没掉过链子，现在我都是主力机放家里，出门通过UU远程连接，AI编程写代码、演示项目，这些都没啥问题。 2、终端连接，如果你习惯了看终端，以及彻底摆脱了图形界面，那么这个更适合你了，UU远程可以直接一键终端连接，折腾过终端连接的应该都知道这玩意有多烦，但是UU远程帮你解决了。 3、外网连接，这个也不用多说了，一个账号多个设备登录，这种非常容易被封，所以我的主要账号都是放在一台机子上，平时要使用但设备不在身边，UU远程连接就够。 4、偶尔手上没电脑，比如说在地铁上，就像看看AI编程跑到哪一步了，手机也能连接电脑，文字适配做的不错，功能也全，这不比折腾各种远程控制方案香多了？ 5、有的时候得测试工具在Windows上的表现，用惯了苹果的触控板，切Windows就挺难受，没想到UU远程也能发挥作用，远程操控Windows，跟用Mac差不多丝滑。 上面就是我的一些主要用法，基本上是覆盖我大部分的需求了，现在去哪都不用担心忘带哪台设备，身上有一个手机就够了。 AI时代，大多数时候我们需要的就是一个对话框加上一个显示窗口，剩下的自然越简单越好，UU远程就是这种工具，轻装上阵，顺手把多端连接的事一起解决了。 我现在几台电脑加上手机都装了UU远程，至少有一台机器24小时在远程控制另一台，一直很稳，如果你也在折腾远程控制，不妨试试UU远程。

祝我们Sami @cryptosshen 宝宝生日粗卡🎂🎈🎉 小姐妹们要常聚哦！ 生活和朋友还是越简单越好🍻 下半年一起起飞🛫 @Ccweb3hub @CryptoUnaa @Gabrysia_eth @Amberoo7