与「，用了」相关的搜索结果

用了半年时间 画了个大大的门 如果你真的想抄底 不要先看能不能涨到18万 先问问自己57000你能不能拿得住 45000如果也跌破了 还能坚定持有吗？ 如果你觉得你能你再去想抄底的事情

呕心沥血，真的是呕心沥血，最近看镜子都觉得自己老了很多，甚至这几天眼睛肿到自己都看不见自己，我每天用了CLUAD AI十几个小时连着持续数周，为的就是 $ROBINCAT 发射台，中间也找了很多技术员替我把关，我坚持要做到完美为止，也參考了個大發射台的機制和代碼，坦白说目前进度80% 而我从没想过我会成为技术员😅，一開始的初衷只是我想对 $ROBINCAT 社区尽一点微薄之力罢了，我不打算先上线，因为还没准备好，首先必须凝聚人心，找回ROBINHOOD CHAIN上的OG们一起来建设ROBINHOOD CHAIN，没有做到这点就不上线，这个发射台我个人觉得机制很好，可以减少PVP风气，也可以回收链上被锁死的资金，更可以避免分流，如果有機構投資，我承諾把所有收到的投資款全部回購ROBINCAT後銷毀🥰，因為我没打算从这發射台赚钱，相比起PONS的收入真的少很多，因为 $KROOP 发射台所有的收入幾乎都回到ROBINCAT的回购销毁上 IT'S COMING SOON.BUILDING ON ROBINHOOD CHAIN AND ROBINCAT❤️❤️❤️ @krooppad @vladtenev @RobinhoodApp @RobinhoodCrypto #ROBINHOOD# #ROBINCAT#

让 Claude Code 跑一会儿额度就见底，翻回去一看，大头根本不是你说的话，是它自己 grep 出来的几百行结果、一整坨日志、重复的 JSON，每一轮都原样塞回给模型。 Headroom 管的就是这块。它在本地把工具输出、日志、文件、RAG 片段先压一遍，再发给模型。 现在 7.9 万多星，今天在 GitHub Python 日榜上，10 号刚发 v0.44.0。 README 里我觉得比较有用的： 1. 不用改代码，headroom wrap claude 一条命令就把 Claude Code 套上，Codex、Aider、OpenCode、Kimi CLI 也能这么接，不想用了 headroom unwrap 撤掉 2. 官方实测四个 agent 场景省了 21% 到 57% 的输入 token，重复的 JSON 和日志能压掉九成以上 3. 压掉的原文都缓存在本机，模型需要细节时自己调 headroom_retrieve 取回来 4. 还能压输出：开 HEADROOM_OUTPUT_SHAPER=1，让模型少说"好的，我来……"这类开场白，默认是关的 压缩在本机跑，内容不会发出去。uv tool install --python 3.13 "headroom-ai[all]" 就能装，Apache-2.0，Cursor 得手动配。 大段正文、本来就很密的输出基本压不动，省多少看你的流量有多啰嗦，跑一下 headroom savings 就知道了。

《Claude Code + 接口流水线：跨境电商调研的「免网页」实战》 @gengdaJ 分享了一套把 Claude Code 变成调研流水线的方案，核心点不是「用了什么 AI」，而是「把数据接口变成 Agent 的触手」。他在做家庭厨电出海调研时，全流程没开过一个网页，复现他的思路分五步： 1. 资产盘点：用 Exa 和 TinyFish 搜索目标品牌（如九阳）的公开财报与分析，通过全文解析摸清出海业务占比。这一步是定基调，不看网页直接从分析后的数据里拿结论。 2. 市场锚点：用 Anyapi 调用 TikTok Shop 的商品接口，配合 Exa 查跨境电商政策，选定越南作为主攻市场。逻辑是：不靠「感觉」选市场，靠成交数据和政策窗口重合度选。 3. 品类精选：在 Anyapi 里批量拉取 TikTok Shop 店铺的坚果奶机销售数据，只看增速最快、评价最好的 sku。别人还在浏览网页选品，他已经在按「订单密度」筛选了。 4. 触达通路：用 Tikhub 搜垂类 KOC，筛选近期作品活跃度，再用 Anyapi 拿联系方式，Hunter 验证邮箱有效性。这一步把「人工扫码」变成「数据清洗」。 5. 商务自动跟进：用 AgentMail 接口起草邮件、打标、跟进。邮件分批发送，回复状态自动更新，品牌方只需要最后确认回复意向即可。 核心价值：他把调研从「看网页」变成了「调 API」。 Claude Code 在这里扮演的是「流水线调度员」：帮你写接口调用代码、帮你洗数据、帮你把这一串动作串联起来。 这种思路最值钱的地方在于：你手里的 API 决定了你的触手有多长。当别人还在人工查网页时，你是在用数据覆盖市场。AI Agent 时代，谁能把领域数据库接入到 IDE 里，谁就能直接降维打击。

最近 Mole CLI 有非常多的更新，Mac、Windows 和 Linux 都有很多优化和增强，打算了一起同步给大伙。 首先非常建议使用 CLI 小伙伴看到后，辛苦直接 mo update 更新到最新，因为有可能你本地还是半年前的版本，现在版本相比之前要完善更多，特别是对于一些AI 工具清理的加强和安全的保护上。 首先 Mac 这一块的卸载能力差不多完成了之前 GUI 版本差不多 900 款软件的卸载详细同步，可以享受一样的残留清理效果，然后对于开发工具的清理、以及代码编译过期内容的清理也有很多完善，甚至其实iPhone和Android模拟器工具里面也有非常多的缓存，也可以一起清理了。 然后 Windows 版本补了很多大伙常用的软件，360 极速浏览器、夸克、QQ、飞书、剪映、Trae 这些缓存都能清了，卸载的时候游戏存档、Epic 游戏和 WSL 磁盘会留着，还新加了 mo installer 命令，可以把下载文件夹里放了很久的安装包挑出来让你删除。 最后 Linux CLI 在上线后继续完善，Arch、Omarchy、Debian、Ubuntu 都可以用了，clean、uninstall、analyze、status、purge 这些命令和 Mac 上一样，像 Omarchy 这种会打 btrfs 快照的系统，删掉的旧包要等快照轮换后空间才回来，Mole 也会如实告诉你详细的清理现状。 最后假如你对各个系统的清理、维护、电脑优化、卸载有任何的建议，都可以找我，我来帮你把需要的地方完善好，把 Mole 做成好用易用效果好的电脑优化工具，哈哈，发完这个，我就去看李志去，期待今晚的演出！

昨天最炸裂的消息就是，前OpenAI研究员 @willdepue 发现DeepSeek、Kimi、MiniMax、蚂蚁最新的 6 个开源模型，训练用的全是英伟达 Blackwell。 这款卡是美国明确禁售给中国的，但现在中国的模型训练却用了禁售的卡，卡脖子不完全起作用。 报告估算 5 次训练合计约 12,000 张，按 7 万美元一张，光卡就是 8.4 亿美元。 他怎么看出来的： 1、模型开训前，要先往几十亿个格子里填随机数，填的顺序跟显卡有多少个计算核心绑死。 2、训练完，总有一些格子没被动过，还留着当初的随机数。 3、拿这些残留倒推，H100 那一代读出来是 132，Blackwell 读出来是 148 或 152。 同一批公司更早的模型，读出来还是 H100 那一代。换卡集中在 2026 年 4 月到 10 月，这恰恰也是中国开源模型开始逐渐追上美国顶尖大模型的时间。 根据报告预估训练用的英伟达 Blackwell 训练 - Kimi K3 约 4,500 张 - DeepSeek-V4-Pro 约 3,000 张 - 另外 3 个模型各约 1,500 张 这个数字只是估算不代表真实数据，也不能说明训练用的都是英伟达的卡，但对大模型公司来说时间就是金钱，训练时间短一半，卡数就翻一倍。 kimi K3能在时间和参数量上领先其他国模可能也是因为卡更多的原因 最后需要说明的是，指纹只证明开训用的是什么卡，看不出卡在哪、归谁，海外租的也有可能，之前就有报道说过kimi用海外的算力来训练这在当时并不违规，美国没有明文禁止中国公司在海外租用算力训练模型 报告自己也说不能据此认定走私。DeepSeek 最新的 V4.1-Flash 没找到指纹，Qwen系列也没有被点名，这是真实力。 禁令管住了卖卡，没管住租卡，美国可能在未来补上这个口子。

用了 AI，感觉干活快了，实际却更慢了？ METR 的一项研究出现了这个反差：16 名资深开源开发者完成 246 项真实任务，每项任务随机决定是否允许使用 AI。 结果是，使用当时的 AI 工具，完成时间增加了约 19%。但实验结束后，开发者仍估计 AI 帮自己节省了约 20% 的时间。 推荐读这篇《Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity》。它提醒我们：初稿出来得快，不代表任务完成得快。等待生成、检查结果、修改返工，都要算进总时间。 不过，别把它概括成“AI 让程序员变慢”。研究针对熟悉成熟项目的开发者，使用的是 2025 年初的工具，不能代表所有编程工作，更不能直接代表今天。 还有个值得一起读的后续：METR 在 2026 年更新中观察到一些加速信号，但也指出参与者选择和计时方式等问题，使新数据难以可靠估计提效幅度。 比起争论 AI 到底提不提效，更实用的办法是：选一项重复任务，记下从开始到真正交付的总用时，再看质量和返工有没有变化。 “用起来很顺”和“确实省了时间”，可以分别记录。

建议收藏，用到时照着做。做完你能让 DeepSeek 自己决定“要不要调用你写的函数”，并把结果用人话讲回来。 AI 能查天气、查订单，是它自己去查的吗？DeepSeek 官方一句话拆台：模型本身不执行任何函数 这是 DeepSeek 官方 API 文档里 Tool Calls（工具调用）一页。先说结论： 官方原话是，函数要由你自己提供，模型本身不执行具体函数。它只负责说“我想调这个函数、参数是这些”，真正去跑的是你的代码。 先说清词。 工具调用（Tool Calls），是让模型能用外部工具的功能，比如查天气、查数据库。 函数（function），是你自己写好的一段代码，模型只会“点名”它。 tool_call_id（工具调用编号），是模型每次点名时附带的一个号码，你回传结果时要带上它，模型才知道你在回答哪一次。 strict 模式（严格模式，Beta 测试版），是让模型点名时严格按你定义的格式填参数。 一个真实例子：官方示例问“杭州天气怎么样”，模型返回的是 get_weather 这个函数和参数 location 等于杭州，你的代码去查到“24℃”，再交给模型，模型才说“杭州现在 24 度”。 先把话说全： 官方示例用的是非思考模式，请求里加 extra_body 把 thinking 的 type 设成 disabled。 官方写明：从 DeepSeek-V3.2 开始，思考模式下也能用工具调用，细节看官方 Thinking Mode 一页。 官方写明：Chat Completion 接口不支持在对话中间插入不是模型生成的工具调用，要插的话请改用 Anthropic API 或 Responses API。 strict 模式目前是 Beta，要用测试版地址。 一、先看懂整个流程 官方给的执行流程是四步：用户问杭州天气；模型返回要调用 get_weather，参数是杭州；你的代码真的去调用 get_weather，把结果交给模型；模型用自然语言回答“杭州现在 24 度”。 二、照官方示例做一遍 第一步：去 DeepSeek 开放平台拿一个 API key，电脑装好 Python 和 openai 库。 第二步：创建客户端，base_url 写 DeepSeek 官方接口地址（官方文档第一屏就有），api_key 填你的。 第三步：写 tools 清单。每个工具包含 type 等于 function，再写 name（函数名）、description（描述，告诉模型什么时候用）、parameters（参数）。官方示例的函数叫 get_weather，描述是“获取某地天气，用户须先提供地点”，参数 location 是字符串，并且在 required 里。 第四步：发第一次请求，model 官方示例写 deepseek-flash，把 messages 和 tools 一起传，并加上 thinking 关闭的设置。 第五步：从返回里取 tool_calls 的第一项，先把模型这条消息原样追加进 messages。 第六步：你的代码去执行函数，再追加一条 role 是 tool 的消息，带上刚才的 tool_call_id，content 写结果，官方示例写的是 24℃。 第七步：再发一次请求，这次模型就会用自然语言回答。 三、想要更稳：strict 严格模式 第八步：base_url 改成官方文档里写明的 beta 版接口地址（就是原地址后面加 /beta）。 第九步：每个 function 都加上 strict 等于 true。 第十步：服务器会检查你的 JSON Schema（结构说明），格式不合规或用了不支持的类型，会直接返回错误信息。 官方支持的类型是：object、string、number、integer、boolean、array、enum、anyOf，另外 $ref 和 $def 可以复用和做递归。 四、strict 的硬规矩 对象里所有属性都必须写进 required，并且 additionalProperties 必须设成 false。 字符串可以用 pattern（正则）和 format，官方列出的格式有 email、hostname、ipv4、ipv6、uuid，但不支持 minLength 和 maxLength。 数字支持 const、default、minimum、maximum、exclusiveMinimum、exclusiveMaximum、multipleOf。 数组不支持 minItems 和 maxItems。 五、看到什么算成功 第一次返回的是函数点名，不是答案；第二次返回的才是自然语言答案，内容里有你的函数结果。 六、卡住怎么办 strict 报错：先检查是不是漏写 required 或忘了 additionalProperties 设 false，再检查有没有用到 minLength、maxItems 这类官方不支持的写法。 结论：工具调用不是模型替你干活，而是模型“点名”、你的代码“动手”。想让点名更准，就用 strict。把这条复制链接发给他，下次他说 AI 查不到东西，先让他确认函数是不是自己写了。 你卡在第几步？评论区告诉我。同系列前几篇在我主页。 收藏版：5 步速查 一、tools 里写清函数名、描述、参数 二、第一次请求拿到 tool_calls 三、自己执行函数，回传 role 为 tool 的消息并带 tool_call_id 四、第二次请求拿到自然语言答案 五、想更稳就用 beta 地址加 strict 等于 true 常见坑 3 条 一、以为模型会自己执行函数，其实要你的代码去跑。 二、回传结果忘了带 tool_call_id。 三、strict 里漏了 required 或 additionalProperties 设成 false。 复制即用提示词：我想让模型调用一个叫 你的函数名 的函数，它需要这些参数：写参数。请帮我写出符合 DeepSeek Tool Calls 格式的 tools 清单，每个参数都写 description，并改成 strict 模式需要的写法。 S1哥观点：这篇最狠的地方，是官方把话挑明了：模型不执行函数，只负责点名。很多人以为 AI 在后台自己动手，其实动手的永远是你的代码。 真正的信号是：工具调用的难点不在模型，在你把函数描述写得多清楚。就像派活给新人，说明写得含糊，他再聪明也会点错人。 你现在想让 DeepSeek 调用的是什么，查数据还是发消息？评论区告诉我。 今天送：DeepSeek 工具调用速查卡，评论区第一条直接拿。 参考：DeepSeek 官方 API 文档 Tool Calls（S1哥 整理）

写了八课 AI 用法，却没有一句话能管住自己，这课不是白学了吗？ 先说一句得罪人的话：创作者圈里最爱干的一件事，就是课一节一节地学，笔记记得满满的，接活时客户一问“你这活到底用没用 AI”，还是支支吾吾答不上来。Anthropic 给创作者的官方课最后一课却把问题换了一个问法：没有一条放之四海的用法，AI 用法没有统一立场，位置是在每个做法和每个任务上定的。守则不是背下来的，是你自己一页一页拼出来的。别人给的规矩管不住你的活，只有你自己拼的才管得住。 课里给的办法，是把前面攒的四样东西摊在桌上拼成一页守则：第 1 课的说法、第 2、3 课的透镜分析、第 6 课的决策备忘录、第 7 课的角色图。守则只锚定三个问题：AI 放在哪、不放在哪；跟谁交代、交代什么；什么时候回头重看。交代承诺要按对象分开写，跟客户交代什么，跟同行交代什么，各写一行。触发点要写死，工具换了、活变了、客户问住了，哪一条到了就重看。没有回头重看的触发点，守则放着就过期了，过期了都不知道。守则不是写给别人看的，是写给下一次接活的自己看的。 拼完还不算完，课里要求拿三个真实场景去撞一撞，挑三个正在做的真活，一个一个过守则，过不去就改守则，不改活。撞得住才签字。课末留了两个反思：守则里哪一个决定，要是没有前面的分析，根本不会有；从第 1 课的起点快照看过来，你的立场变了什么、没变什么，那个一开始的担心，是被回答了、被管住了，还是被划了线。下一步是一次短测评，通过了拿结课徽章，本门到此收尾。 S1哥观点：说“学完课就等于会用了”的人，和说“守则写了也是白写”的人，错的是同一处，都没拿三个真实场景去撞过自己的守则。没撞过的守则，签字签了等于没签。你呢？你的守则敢不敢拿三个真活去撞一撞，撞不过去，你改守则还是改活？评论区说说。 收藏用清单（照着做）： 1. 把四样东西摊在桌上：说法、透镜分析、决策备忘录、角色图。 2. 写清 AI 放在哪、不放在哪，按做法和任务分开写。 3. 交代承诺按对象分开写，触发点写死。 4. 拿三个真实场景撞一撞，撞得住才签字。 转给那个学了八课、接活还是凭感觉的朋友，先拼一页守则，再谈会没会用。 #Claude中文教程#