問：如何評估一個人是不是非常善於使用AI？ 答：看他在AI上花的錢，每個月是不是能突破個300美金 - 突破300美金，說明訂閱了不少AI產品，那他至少都體驗過，認為這些產品有效 - 能持續花錢用AI的，說明它從AI身上收穫了更高的價值 - AI宕機會感覺自己正常工作受到影響，他的工作模式已經發生轉變了，更別說對於有用的AI取消訂閱了 - 300美金說明他可能開通了一些高級訂閱，這是需求高的極客信號 我不相信自己用著20美金甚至白嫖的API套餐，卻口口聲聲說自己用AI用的好，實踐的多 這種有可能他是在某一個方面瞭解，但絕對不可能是多方面瞭解 講真，隨便搞個agent跑個賬單一個月也得幾百刀了

23年教chatGPT midjourney stable diffusion 24年教comfyui dify coze 25年教deepseek辦公 vibe coding 我看了看 這教課的60%都是同樣的人😂 內容在換 人物標籤稱謂在換 但配方都一樣 平臺投流199做小轉大 或者就是自己出個書做書帶課 反正教別人入門最大的門檻可能就是拉下臉 40分的老師遍地是 幾千塊的課程賣的也不賴 要說人們對AI不FOMO 我覺得也說不過去 但真正能用起來的人 好像也不是很多😂

47條Claude Code使用技巧 收藏了就是會了

這文案和聲音模型都太強了 還有什麼郭德綱講大明王朝……

別問我怎麼vibe coding了 送你們一套prompt拿走不謝

想做個東西能被瘋傳，至少得切中以下幾個點 - 慕強：我分享這個東西可以讓別人了解我，覺得我牛b有見識 - 有趣：我分享這個東西給別人一起感受快樂 - 社會認同：我分享這個東西對他人有價值，我能獲得社會認同 - 實際價值：我分享這個東西，我能賺錢或者獲得關注 - 羊群趨同：別人都在分享，我不分享顯得格格不入 不論是內容，還是產品，命中的元素越多，就越有可能被瘋傳 如果它還能形成利益鏈條，那就能有更大範圍的傳播 以上是從分享動力而言的，但分享是一個漏斗，別人要先看到，再看懂，才會到分享傳播 所以得先搞曝光 但想要曝光和想要分享，是有一些差異的 曝光多數靠評論，激發評論的邏輯和激發分享也是有不一樣的地方的

用Readdit添加了Opus 4.1找帖子看，發現了提及兩個增強ClaudeCode能力的MCP：Zen和Serena 但大家的觀點完全不一樣，有的非常喜歡，有的覺得完全沒用 我覺得AI就是這樣的，當他能給予很好結果時，人們喜歡它，但結果為0時，人們厭惡它（因為浪費了時間） 如果一個AI產品，有一小撮人說他特別棒，那就是值得一試的 有人試過這兩個MCP嗎？評論一下體驗！

每個人都可以做一個VibeCoding小專案，比如這個 -- Reddit內容監聽器 它其實可以用來找學習資料，搬運翻譯，找指定subreddit下的爆帖，這樣能慢慢熟悉這個subreddit的風格，就容易更好的寫爆文出來 個人用它來當資訊源，甚至拿來學英語都行，agency用它來找內容靈感，品牌用它來監聽其他品牌事件，而我搞它主要是為了下一步在reddit做內容行銷，給我的Reddit Agent搭建一個可以自動化Prompt的資訊源 限量內測碼：RDDT-TDGIA-DIZ 【真實內測，已經刪過一次庫了哈哈】

再分享個打工人失業賺錢的思路 用vibecoding搞iOS客戶端程序，就搞那種骨架 啥是骨架，比如分類圖庫，比如分類聽音頻的 就是一個列表把內容分類好，方便用戶找 一個骨架出來，裡面不換替換內容就可以了 現在vibecoding搞這個很快，而且很容易幫你調整，appstore查重也比較難，相當於AI換皮 你只需要做的事情就是整理內容，把內容全部都打包進去 然後開個七麥啥的去查查ASO的關鍵詞 就往上鋪就完了 產品免費，裡面全是廣告，8塊錢永久會員去廣告 你可以做什麼這老友記那摩登時代，或者搞點兒什麼名人的課程，別覺得盜版，沒事的 甚至你還可以搞李逵李鬼，去蹭別人的品牌詞，下載下來是垃圾也沒關係，盡情讓他們卸載 之前有人vibecoding了appconnect的生成工具，就用它不斷做上架內容，這過程也不佔啥時間了 你第一天搞，可能搞3天上架一個，後面就是3小時就能上架一個新應用，你就這麼搞他百八十個應用，總是有能抓到關鍵詞排名的長尾，這東西積少成多，最核心的點是你都打包到本地了，也沒任何資源消耗，0成本的資產 找到有什麼能跑起量的，你再投入認真優化優化 AI時代像這種套利機會實在是太多了，一邊幹一邊學，沒啥搞不定的 最重要的是相信自己，也相信ai，別自己跟那放大困難 幹它20個自然會找到門路和經驗

我看了一下Anthropic分享的Prompt101 其中有兩個我覺得可以分享，強化一下使用： 第一個叫做預填充響應 (Pre-fill Response) >做什麼： 在API調用中，直接為模型的回答提供一個開頭。 >為什麼： 這是強制模型輸出特定結構（尤其是JSON）的有效技巧。 >示例： 在API請求的“助手（assistant）”部分，直接填入一個左花括號 {，以引導模型續寫一個完整的JSON對象。 這個預填充更容易引導模型按照你的輸出模式進行響應，因為LLM是文字接龍 第二個是Prompt調試，利用“擴展思考”功能 (Extended Thinking / Scratchpad) >作用： 這是一個強大的調試工具。開啟此功能後，模型會顯式地展示其“思考過程”或“草稿板”。 >如何使用： 通過分析模型的思考記錄，你可以理解它在哪些環節遇到了困難或產生了誤解。然後，你可以將這些洞察轉化為更清晰的分步指令，固化到你的提示詞中，從而使提示詞本身變得更強大、更高效。 這個其實是23年宇龍分享過的一個思路，就是當提示詞輸出效果不符合預期時，需要與模型溝通，確認模型對提示詞中的哪部分理解出現了語義偏差。 打印思考也是這種思路的一個變體。 以上是我學到的，視頻可能還有其他信息可供學習👇