与「AI时代」相关的搜索结果

AI时代最浪费钱的行为：用最强模型处理最简单的问题 Claude Opus 能解决复杂编程、架构设计和疑难 Debug 但如果只是写个脚本、改个网页、处理日常任务，Sonnet 就够了 至于简单的分类、信息提取，Haiku 甚至更快更便宜 将来会用模型是本事，会省 Token 才是水平

恭喜自己又大一岁！🍻 早上一睁眼，推特真正意义上万粉了 非常认真拥抱AI的这一年 我的人生发生了非常多的变化 喜欢 @xmmxovo @gkxspace @Astronaut_1216 @ShengzheSeanxu 🥰🥰 00后的好朋友们，给了我非常大的力量 我的职业生涯，这8年，每次裸辞或者跳槽都没有休息超过一个星期 但！！！就在前天，已经谈了离职 💌 接下来，我要为我自己而活了！ AI时代，我们一定会创造更多精彩的👻

卧槽！！AI 时代真的有太多以前想都不敢想的赚钱赛道了！！ 最近几天研究一个非常冷门的方向：可试玩游戏广告（Playable Ads） 说实话，之前我根本没想过，游戏广告本身竟然也能成为一门生意 以前想做游戏，得懂开发、会画画、做动画、配音效，普通人连入场的机会都不多 但现在有了 AI，玩法完全变了 Scenario 官方放出了一个案例库，里面有 24 个可以直接试玩的小游戏，可以去找灵感 每个小游戏把一种核心玩法压缩成 35～45 秒左右的体验 更夸张的是，下载 HTML 文件还能研究里面的游戏代码 以前游戏公司想做一批可试玩广告，可能需要程序员、美术、动画师协同完成 现在一个懂 AI 工作流的人，就有机会独立承接这类制作需求 而且客户并不难想象：手游厂商、游戏发行商、广告代理商、海外买量团队 可以做定制广告、批量生产试玩素材，甚至把成熟玩法模板产品化 这才是我觉得 AI 最有意思的地方：它正在创造一些过去普通人根本想象不到的职业和赚钱赛道 别只盯着 AI 写文章、做图片了 有些钱，可能就藏在这些你从来没想过的细分需求里 找灵感案例库：

这也是我一直思考的问题，AI发展至今，我认为提高的是认知效率，而不是智力 而提高认知效率的前提是使用者有一定的专业认知，在某个领域有专业认知的人，使用AI可以提高认知效率，提高工作效率，但是这并不意味着非专业人士可以在借助AI在某个领域提升独立思考的能力 如果一个人过度依赖AI提供的结论，自己的大脑却不在主动推理，想象，验证，反思与质疑，那么反而会让使用者的判断能力下降！ 其次，AI虽然提高了效率，提升我们在一定时间内的分析效率，但是在长期时间的积累下，也会让错误的基础总数变多 简单来说，我用AI计算一个问题，将原本分析时间从1小时提升为10分钟，并且将分析成功率从90%提升为98%，确实解决了问题 但是此类问题如果长期计算，因为AI的效率高，原本1小时会出现5个错误，那么使用AI则一小时可能会产生30个错误，长此以往积累下，错误的基础会更多 AI并非是100%正确，这是很多人的误区，更重要的是AI的错误会被规模化广泛传播，这才是致命的！ AI被视为人类新的工业革命，但是也同时引发很多人对行业冲击的压力！ AI代替人类，成为一个很多“普通人”的职业噩梦，尤其是在AI时代的初始阶段，大量初级工作被AI代替，其实也是因为人们对AI过分的信赖与信心导致 但是随着时间推移，人类会发现AI提供的是辅助而非代替，起码现在是如此，而辅助的前提是有需要被辅助的“人” 而当AI越来越多，错误的基础也越来越多的时候，如何判断AI错误？如何纠错？如果修正？这些问题依旧需要有“人”来解决 所以，以目前的视角来看，AI提高的事我们的生产效率，是工业革命，但是却无法完全代替人类，甚至可能因为AI效率的提升，创造更多的岗位 当然对于“打工人”的你我来说，最大的压力应该是——AI高效之下我们的工作压力会更大！

Gemini 4 Carbon 写作确实牛逼 让它总结了 Next Token 过去 9 期 30 条 AI 领域的核心认知： 1. Token 就是新货币；买一台本地机器跑模型，本质上是在家里铸币。—— 橘子 2. AI 没有泡沫，只有受制于物理基建的供给不足。—— 歸藏 3. 在 AI 时代，别羞于承认自己是卖 Token 的——你不卖 Token，还能卖什么？—— 橘子 4. 好应用不必让用户每次打开都烧 Token；用品味把大量 Token 一次性凝结成无数人能反复消费的作品，边际成本才会降下来。—— 向阳乔木 5. 对大多数人来说，Vibe Coding 不是生产力，而是自由度最高的创造类游戏；充进去的 Token，就是新时代的游戏充值。—— 歸藏 6. 只要 AI 把一件事的起跑线拉到六十分，六十分就是零分。—— 橘子 7. 当一件事靠一句话就能搞定时，凭什么它是你的壁垒，又凭什么它是我的？—— 歸藏 8. 软件和游戏正在网文化：平台不再卡发布，只卡推荐；谁都能上架，但没流量就无人看见。—— 歸藏 9. 按昨天的标准做出来的东西，今天 99% 都只算自用工具；市场扩大了一百倍，但依然只有最头部的 1% 配叫商业产品。—— 杨攀 10. 产品未必是一个 App；只要跑通“发现需求、创作、分发”的闭环，一篇文章、一档播客也是产品。—— 歸藏 11. 当开发只要十分钟、打包签名却要半小时，真正的瓶颈就不再是智能，而是旧世界的交付规则。—— 橘子 12. 过去是软件把 Agent 塞进自己的界面；未来是软件放弃自己做 Agent，主动变成 Agent 调用的插件。—— 杨攀 13. 传统软件思维喜欢把每条路径写死；AI 原生思维只留一个循环，把剩下的交给模型。—— 杨攀 14. 软件上的按钮越少，离 AGI 越近。—— 橘子 15. 面对超级助理，人只该负责说话，不该负责管理会话；需要人手动翻找线程，只说明模型还不够强。—— 橘子 16. 工具随时会换，上下文必须归自己所有——劫持所有 Agent 的记忆，把过程和产物沉淀回自己的仓库。—— 歸藏 17. 人类团队正在向一人闭环演进，别反过来让多 Agent 学人类开会内耗——人类在走向 AI Native，别让 Agent 退回 Human Native。—— 橘子 18. 上一代生成模型在卷“理解”，死磕最后百分之一的物理还原；新一代模型赢在“创造”，一句话把意图编排成完整的故事。—— 歸藏 19. 输出格式不报错，只代表不用重试，不代表判断正确——别把“结构稳定”偷换成“没有幻觉”。—— 杨攀 20. 不能调工具、不能动电脑的所谓 Skill，本质上还是一段提示词润色。—— 歸藏 21. 今天限制模型上限的往往是人自己——你写进提示词里的前提假设，恰恰锁死了模型的发挥空间。—— 杨攀 22. 注意力是今天最稀缺的资源；开源的提示词、Skill 乃至软件，唯一的商业价值都是成为流量入口。—— 橘子 23. 跟模型拼技术注定会输；唯有人与人之间建立的信任与个人品牌，不会被技术进步吃掉。—— 橘子 24. 品牌的本质，是用真名、露脸和沉没成本作抵押，降低别人相信你的成本。—— 向阳乔木 25. 所有生意都在建立信任：To B 让企业信你，To C 让大众信你，To A 让 Agent 信你的信源；三者皆无，就只剩悦己的 To Me。—— 橘子 26. 在公网上主动留下关于自己的真实一手信息；你不定义自己，AI 的幻觉就会替你定义你。—— 歸藏 27. 今天最不缺的就是没有性格的内容；持续输出有变化但一致的“人味”，才是稀缺品。—— 歸藏 28. 还按设计、前后端、QA 切岗位的算不上 AI 原生组织；真正的 AI 原生组织里每个人都是全栈闭环的一人公司，而且它是磨合生长出来的，不是 HR 设计出来的。—— 歸藏 29. 大厂把员工拆成稳定的螺丝钉，也就亲手杀死了长出全局架构师的土壤——架构感是操盘练出来的，不是分工分出来的。—— 歸藏 30. 帮企业做 AI 转型，最该做的不是改造基层流程，而是去培训一号位。—— 向阳乔木 以上内容来自：@oran_ge @op7418 @vista8 @ericyangpan @nexttokentv

AI 时代的 e2e 测试该怎么做? 最近 GitHub 斩获 13.8k Star，刚拿了 800 万美金融资的开源 AI 测试框架 e2e，其创始团队技术布道师 Kacper Kapuściak 写了一篇非常扎实的工程实践，下面总结几条核心内容： 1、测用户意图目标，而非前端实现，越过 DOM 节点与 test-id 绑定，直接用自然语言向 Agent 下达具体，收敛的业务意图。由 AI 自主感知界面完成选日期，点生成等交互，哪怕前端重构组件库，测试照样稳定。 2、废弃拖慢 CI 流水线的固定 Sleep 读秒，改用带超时上限的 AI 动态条件等待。忽略Loading 消失这类弱的 UI 信号，直接等上月报表已打开可查看等强业务状态，并将负责异步加载的动态等待，与只抓拍当前画面的瞬时断言严格解耦。 3、执行 Agent 汇报点击完成，不能代表报表没空数据或串数据，更不能让大模型盲猜什么才是正确的画面。必须先从后端 API 查出真实任务列表作为唯一真值源，再调用独立的 AI Judge，严格比对屏幕渲染明细与 API 底账。 4、严禁测试用例之间产生顺序依赖，开跑前通过可复用的 Fixture 调接口独立构造专属工作区与测试数据，跑完后在生命周期钩子中自动清理还原，确保单测重试或并发执行绝对幂等。 5、将“生成报表，下载 CSV，发邮件”拆成命名清晰的独立原子测试。一旦断言失败，框架自动打包故障追踪轨迹，涵盖前置步骤、应用日志、Agent 推理上下文与屏幕快照，不仅人类能秒级定位，更能直接喂给 Coding Agent 自动修 Bug。 传送门：

大厂的AI商战真是朴实无华，就是猛猛砸钱找专家，猛猛做数据标注。。。字节的Xpert，10月份有一个人领了18万。。。 AI时代，只要你有任何特长，只靠贡献自己的知识和努力，也能活得很滋润： ⓵专业问答与评测 -专业领域问答（医疗、法律、金融、STEM等） -模型回复打分与对比评测 -Benchmark出题与标准答案设计 ⓶聊天 / 对话相关 -多轮对话评估：对模型在聊天中的回复打分、排序、指出问题（准确性、自然度、逻辑、人设一致性等） -对话生成 / 改写：写或优化多轮对话数据，用于训练聊天机器人 -偏好排序（RLHF）：同一问题给出多个回复，选出更好的那个并写理由 -角色扮演 / 人设对话：按指定角色（医生、律师、客服、特定性格等）进行对话评测或数据生产 -对话纠错：找出聊天回复中的事实错误、逻辑漏洞、不当内容 ⓷内容生产类 -高质量专业内容撰写（案例库、知识库、语料） -复杂指令设计（多约束、高难度Prompt） -参考答案撰写 -专业内容改写与优化 ⓸代码 / 技术类 -代码生成评估 -Agentic Coding / 长程任务评测 -Bug查找与代码审查 -编程题出题与判题标准制定 ⓹语音 / 多模态类 -方言语音采集与标注 -语音转写质检 -视频/3D/动捕数据相关 -多模态内容评估 ⓺审核与质检类 -模型输出合规性审核（医疗、法律、金融强合规场景） -知识准确性审核 -已有标注数据的二次质检 ⓻其他 -访谈类任务 -数据采集（按脚本录制真实场景） -创意内容评估（影视、文学、设计美学等） 上面这些任务，简单到只要愿意花时间聊天，时薪也在三位数。更专业一些的比如生物、法律、金融、制造，就更加赚钱了。 可以参与的平台： 1、腾讯旗下的ExpertHub： 2、字节旗下的Xpert： 3、阿里的晓天睿士：

给现在的年轻人指一条明路：去做 AI 博主 钓鱼要去有鱼的地方，赚钱也要去有钱的地方 前几年钱最多的地方是 Web3，现在很明显是 AI 所以想赚钱就离 AI 近一点，因为这个桌子上有饭吃 具体怎么做？ 前期别搞什么vibe coding，AI小程序，AI Agent，你需要每天去看AI前沿信息在说什么，读懂、消化，变成你自己的理解，再结合你自己的使用体验，做成内容发出来。口播也好，长文也好，露不露脸都行 坚持一年、两年，哪怕只有两三万粉丝，你的收入很可能就会超过现在的工资，甚至超过很多 985 毕业生 为什么？ 几年前，服装、护肤品、日化、家居品牌，在小红书上大量找一两万粉丝的小博主打广告，一条几百到一千 AI 现在就在重复这个过程。越来越多做 AI、做 IT 的公司需要曝光，他们会去找讲 AI 的博主投广告，而且粉丝量的收益不是简单的加法。一万粉丝，一个月接几条广告，几千块；到十万粉丝，一个月可能就是十万、二十万 更重要的是，做 AI 博主这件事本身，就在逼你学习 你得第一时间拿到最前沿的信息，得快速读懂一件事是怎么做的、怎么用，再把它讲清楚。一两年下来，你对 AI 的理解，会超过身边绝大多数人 所以 3 万粉丝是什么？是你在 AI 时代上桌的门票 桌子上有饭有菜，能吃多少，取决于你自己的能力和上限。但一个这么大的蛋糕摆在面前，总有很多人能吃到 也别有 AI 焦虑。焦虑只会让你乱做决定。你完全可以先保住主业，下班或者课余时间去做，往 AI 方向靠。我身边就有不少还在上班、还在上学的同学，在做 AI 相关的自媒体 再说一点：以后 985 毕业生会越来越多，学历的含金量会被稀释。但一个有几万粉丝、真正懂 AI 的博主，在任何时候都是稀缺的 听得懂就去做，听不懂就算了

Vibe coding 越来越普遍，不少应届生大学期间几乎没亲手写过几行代码。 有没有发现一个很荒谬的现象。 现在应届生、实习生简历，到处都是精通Agent开发、熟练搭建RAG架构、基于LangChain/Harness做全栈项目这类描述。 真到面试深挖，问到向量检索底层逻辑、上下文溢出怎么处理、Agent状态机和重试机制，大多只停留在背名词的程度。 更矛盾的是，并发、数据库索引、计算机网络这些基础工程内容，一问就卡壳。 所有人都急着把自己包装成AI时代前沿开发者，却没有把最底层的工程基本功打扎实。

九十九十法则：AI 写完前 90%，剩下的 90% 谁来写 贝尔实验室的汤姆·卡吉尔有一句流传很广的玩笑话： “前 90% 的代码，花掉了前 90% 的开发时间；剩下 10% 的代码，花掉了另外 90% 的时间。” 你没看错，加起来是 180%。这就是软件项目的真实写照！ AI 时代，这个法则变得格外扎心。 用 AI 搭一个原型，几个小时就出来了：界面有了，主流程跑通了，演示效果惊艳。很多人在这一刻觉得：项目快完成了！ 然后，真正的工作才刚开始：边界情况、错误处理、权限、并发、性能、数据迁移、兼容老版本、监控告警…… 这些“最后的 10%”，往往决定了一个系统能不能真正上线、能不能长期运行。 AI 在前 90% 上帮了大忙，可在后 90% 上，它的帮助要打折扣，因为这部分需要对真实环境、真实约束的深刻理解。 所以下次看到一个惊艳的 AI 原型，先别急着欢呼。问一句：剩下的那个“90%”，谁来写？多久能写完？