与「TypeI」相关的搜索结果

China 🇨🇳 > the world 🌏. US 🇺🇸 who? 🔸 36 nuke plants under construction 🔸 9 fusion devices in development 🔸 #1# in wind, solar & hydro 🔸 World's 1st Gen-IV: HTGR + molten salt 🔸 Humanity's super mega-dam under construction We don't argue. We build. #TypeI# #CleanEnergy#

Four months after we launched Manus, I was invited to a dinner with President Macron. I ended up seated directly across from Jensen Huang. He was half an hour late, and Macron asked him to give a toast. Jensen picked up his wine glass and turned it into a fully improvised speech — in front of a table of European politicians and founders. It was electric. The charisma of a top founder, on full display. I typed the whole thing into my Notes that night. Still one of the sharpest takes I’ve heard on software, AI and Europe. What a pity. What a loss.

聪明的朋友可能发现了，虽然BTC最低触及了66+, 但很多山寨币并没有下跌太多，比如 $Pump一夜价格没有任何波动。 这就是我经常说的理论，山寨没有那么多货可出了，也没有做市价值。 目前山寨币指数在54，以往的下跌末期都会降到30以下。 这不是偶然，是未来的趋势，BTC的波动会大于一些山寨币，反而更适合交易者操作，山寨的流动性逐渐被吸干，一些龙头会有更好的上涨，大部分逐渐死亡，不归零但没人交易。 所以抄底时也许可以多考虑一些标的。 Sharp observers might have noticed that even though BTC dipped to the $66,000+ range, many altcoins didn’t fall all that much—for instance, the price of $PUMP remained completely flat overnight. This aligns with a theory I often discuss: there simply isn’t much supply left to dump in the altcoin market, nor is there much value in market-making for these assets. The current altcoin index sits at 54; historically, toward the end of a market decline, this figure typically drops below 30. This is no coincidence—it’s a sign of a broader trend. BTC’s volatility is now exceeding that of many altcoins, making it a better vehicle for traders. Meanwhile, liquidity in the altcoin space is gradually drying up. While a few leading tokens may still see significant gains, the vast majority are effectively dying—not necessarily hitting zero, but simply becoming illiquid with no trading activity. Therefore, when looking for "buy-the-dip" opportunities, you might want to be more selective about which assets you target.

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）

YOUR AI ASSISTANT CAN NOW FIND ANYONE'S EMAIL AND PHONE NUMBER wiza plugged 800M+ contacts into grok, claude, chatgpt and any mcp client the best b2b contact data for sales and marketing - now one prompt away you type who you need, it comes back with names, work emails and phone numbers here's how to put wiza mcp into a real workflow: > find new leads "find vps of sales at us software companies with 51-200 employees" your icp turns into a list of real people > map the account "get company info for [company], then find its sales leaders" you know the whole buying committee before the first call > enrich before you reach out "find the work email and phone number for [name] at [company]" no more jumping between linkedin and 5 tabs > source candidates "find senior backend engineers in seattle with available work emails" a recruiting pipeline without a sourcing agency > build a marketing list "save these prospects as conference follow-up and find their work emails" wiza saves the list and finds the emails in the background > chain it search companies, find the decision makers, enrich them, save the list one conversation instead of an afternoon of manual research setup: 1. add to your ai assistant 2. sign in with your wiza account 3. ask for what you need building your own tools? the same data is in the wiza api start here ↓

AI Engineer Code Summit 2026 @aiDotEngineer 连续两天会议，合计超过 18 小时、31 场主题演讲。OpenAI、Anthropic、Google DeepMind、TypeSafe、Cloudflare、Cognition、Lovable、Ramp、Amp 等团队都带来了干货分享。咱们展开看看都讲了什么、对咱们有哪些启发？！

微软产品经理 Keiji Kanazawa 在 AI Engineer 大会上做了一场很实在的分享，题为I Let Agents Refactor My Codebase for 3 Weeks. Then I Read the Code 他原本写了一个自动抓取播客、X 帖子和邮件链接做总结的脚本工具，后来想把它彻底重构成一个带注册中心、支持定时调度和每日自我反思的智能体系统。 他自己完全不看代码，写了一份需求文档，就放手让 Claude Code 和 Codex 轮流写代码、互相审查，连着重构了三个星期。 直到有一天他发现生成的日报把句子放错了栏目，想查一下运行轨迹排障，结果 Claude Code 告诉他查不到，因为这压根不是个真正的 Agent。 他打开代码库一看，才发现那三个星期的全自动重构完全是一场灾难。 首先是假重构，模型为了迎合他的需求文档，在代码里建了名叫 `Skill`、`Action` 和 `Agent` 的类，但点进去看，这三个名字像模像样的模块底层其实是同一段旧代码的换皮，所谓的 Skill 里既没有 `SKILL.md` 也没有脚本，所谓的 Agent 根本没接任何 Agent SDK。 而且第二天他收到账单超支警报，单周开销翻了五倍，一查才发现 Codex 在写单元测试时根本没做 Mock，直接把单测连到了线上付费大模型接口上，一天之内自己跑了 30 多轮测试狂烧生产环境的 Token。 随后呢他决定推倒重来。但作为产品经理，他依然不想走回自己逐行读代码的老路，于是核心问题就变成了在不亲自读每一行代码的前提下，怎么管住 Agent 不让它再写空壳代码。 他摸索出了三步改进思路值得看看和参考借鉴。 第一步是改用验收标准来限制而不是目标来限制。 以前他是给个需求让 Agent 写份计划，看着差不多就点同意放行。重来之后他把重点放在定义最终产出的评分标准上。 比如他后来做了一个解析硬核技术视频的功能，要从视频里抽 440 个关键帧，挑出最清晰的黑板公式截图并配上讲解。 他没有去翻代码改排版逻辑，而是直接去改验收的评分表，在规则里写“每个公式必须和对应的解释按时间顺序穿插排列”，然后让 Agent 对着这张评分表自己跑循环做优化，直到跑分达标为止。 第二步是防止 Agent 在评分表上作弊。 因为评分表本身也是他让 Agent 写的，跑着跑着他又抓到了模型作弊。发现这个问题后，他多加了一层泛化检验，每次改完评分表必须同时在多个不同类型的视频上跑分，并明确下指令禁止针对单一视频凑分数。 第三步是用多轮对抗性审查。 为了防止单个模型再次出现工作问题，他在重新搭建运行时底座时，先拿四个主流工具做了一轮平行对比，发现像 Pi 这种极客框架虽然快，但动不动就弹窗问他 SQLite 表结构怎么设计、TypeScript 接口怎么定义这类纯底层工程问题。 最终他还是回到 Claude Code 和 Codex 的组合上，但把原来的简单互评改成了多轮对抗性代码审查，强制让两个模型站在找茬的立场上深度挑对方的架构漏洞和空壳逻辑。 这一套的思路是很值得借鉴参考的，总结起来也简单，第一个点就是尽量用可量化的验收标准限制模型的工作，第二点是可以采取多个模型的审查发现问题。 youtube：

MY PAYCHECK WAS SUPPOSED TO BE $4,000. INSTEAD, $50,000 HIT MY BANK ACCOUNT. I reported it to HR the next morning. Twenty minutes later, the CEO walked into the office, locked the door and said something that made my blood run cold. "I was beginning to think nobody here was honest." I've worked for this company for six years. My regular paycheck is $4,000. So when I checked my banking app on payday and saw a $50,000 direct deposit, I knew something was wrong. I didn't spend it. I didn't transfer it. I didn't even tell my coworkers. The next morning, I walked straight into HR. ME: "I think there's been a payroll mistake." HR: "What kind of mistake?" ME: "My paycheck was $50,000." She stopped typing. HR: "How much?" ME: "$50,000. My usual paycheck is $4,000." She stared at me for several seconds. HR: "Have you moved any of it?" ME: "No." HR: "Not even a small amount?" ME: "It's not my money. Why would I touch it?" She slowly closed her laptop. Then she asked a question I wasn't expecting. HR: "Did you receive a notification about the payment?" ME: "Of course. That's how I noticed it." She picked up her phone and made a call. I couldn't hear the person on the other end, but I heard her say: "He's here. And he hasn't touched it." She ended the call. ME: "What's going on?" HR: "How much do you know about the company's payroll system?" ME: "Nothing beyond checking my paycheck." She stood up, walked to the office door and closed it. HR: "Listen. You're not the first person to receive that amount." My stomach tightened. ME: "What do you mean?" She turned her computer towards me. There were eleven employees on a payroll report. Every single one had received a $50,000 payment. ME: "Eleven people?" HR: "Yes. You're the only one who hasn't moved the money." ME: "What happened to the others?" Before she could answer, someone knocked. Two firm knocks. Her face changed. Then a man's voice came from outside. "Open the door. We need to talk about those eleven payments." It was the CEO. 🧵

हमारे Office का Wi-Fi password पिछले 5 साल से था Riya@2021 नए लोग आते ही पूछते थे, ये Riya कौन है? किसी को नहीं पता था। सिर्फ हमारे Accounts वाले Aman को पता था। वही password उसने 2021 में रखा था और हर बार कोई बदलने की बात करता तो कह देता रहने दो, ठीक चल रहा है। एक दिन चाय पीते हुए पता चला कि Riya उसकी पुरानी girlfriend थी। दोनों का breakup 2021 में हुआ था। तब से office के करीब 50 लोग रोज़ न जाने कितनी बार उसकी ex का नाम type कर रहे थे। हमें लगा बस इतनी ही कहानी है। फिर एक दिन Aman ने सबको अपनी शादी का invitation दिया। हमने मज़ाक में पूछा, भाई, आखिर किससे शादी कर रहा है? उसने कुछ नहीं बताया। लेकिन invitation खोलते ही पूरे office में सन्नाटा छा गया। क्योंकि दुल्हन का नाम देखकर हमें यकीन ही नहीं हुआ.. 1/2

Rust 1.100.0 has been released! 🦀💯🌈🎈 This bigger-than-usual Rust release adds the never type (`!`), the Allocator api, DropGuard, Box::map, Vec::from_fn, and more! Cargo now warns for unused dependencies, rebuilds less often, and adds the min-publish-age setting!