Pregunta: ¿Cómo evaluar si una persona es muy buena usando IA? Respuesta: Mira cuánto gasta en IA, si puede superar los 300 dólares al mes. - Superar los 300 dólares indica que ha suscrito a varios productos de IA, lo que significa que al menos ha tenido experiencias con ellos y considera que son efectivos. - Si puede gastar continuamente en IA, significa que ha obtenido un valor más alto de la IA. - Si la IA falla, sentirá que su trabajo normal se ve afectado, su modo de trabajo ya ha cambiado, y ni hablar de cancelar suscripciones a IA útiles. - 300 dólares indican que probablemente ha activado algunas suscripciones premium, lo cual es una señal de que tiene una alta demanda. No creo que alguien que usa un paquete de API de 20 dólares o incluso gratuito, pueda decir que está usando bien la IA, porque tiene mucha práctica. Es posible que entienda algo en un área, pero definitivamente no puede tener un conocimiento amplio. Hablando en serio, simplemente hacer que un agente corra una factura al mes también costaría varios cientos de dólares.

En 2023, enseñé sobre chatGPT, midjourney y stable diffusion. En 2024, enseñaré sobre comfyui, dify y coze. En 2025, enseñaré sobre deepseek, trabajo, vibe y programación. Eché un vistazo, y el 60% de los que enseñan son las mismas personas 😂 El contenido cambia, los personajes y títulos cambian, pero la fórmula sigue siendo la misma. Las plataformas invierten 199 para hacer pequeñas conversiones en grandes. O simplemente publican un libro para llevar a cabo el curso. Al final, la mayor barrera para enseñar a otros a comenzar puede ser simplemente bajar la guardia. Hay profesores de 40 puntos por todas partes, los cursos de miles de pesos también se venden bien. Si se dice que la gente no tiene FOMO por la IA, creo que no se puede negar. Pero parece que no hay muchas personas que realmente puedan usarla 😂.

47 consejos para usar Claude Code Si lo guardas, ya lo sabes.

Este guion y el modelo de voz son demasiado buenos ¿Hay algo más sobre Guo Degang hablando de la dinastía Ming...?

No me preguntes cómo vibro programando Te regalo un conjunto de prompts, llévatelo sin agradecimientos.

Si quieres hacer algo que pueda volverse viral, tienes que tocar al menos los siguientes puntos - Mu Qiang: Comparto esto para que otros me entiendan y sientan que estoy bien informado - Diversión: Comparto esto con los demás para sentirnos felices juntos - Validación social: comparto esto como valioso para los demás y obtengo validación social - Valor real: Comparto esto y puedo ganar dinero o llamar la atención - Convergencia de rebaños: Todos los demás están compartiendo y no parezco fuera de lugar Ya sea contenido o producto, cuantos más elementos se encuentren, más probabilidades habrá de que se vuelva viral Si también puede formar una cadena de intereses, puede extenderse a mayor escala Lo anterior es desde la perspectiva de compartir la motivación, pero compartir es un embudo, y otros deben verlo primero y luego entenderlo antes de compartir y difundir Así que primero tenemos que exponernos Pero hay algunas diferencias entre querer estar expuesto y querer compartir La mayor parte de la exposición depende de los comentarios, y la lógica de estimular los comentarios también es diferente de estimular el intercambio

Usé Readdit para agregar Opus 4.1 y ver publicaciones, y encontré que se mencionan dos MCP que mejoran las capacidades de ClaudeCode: Zen y Serena. Pero las opiniones de todos son completamente diferentes, algunos lo aman, otros piensan que es completamente inútil. Creo que así es la IA, cuando puede ofrecer buenos resultados, a la gente le gusta, pero cuando los resultados son cero, la gente la odia (porque pierde tiempo). Si un producto de IA tiene un pequeño grupo de personas que dicen que es increíble, entonces vale la pena probarlo. ¿Alguien ha probado estos dos MCP? ¡Comenta tu experiencia!

Todo el mundo puede hacer un pequeño proyecto de VibeCoding como este: Reddit Content Listener De hecho, se puede usar para encontrar materiales de aprendizaje, llevar traducciones y encontrar publicaciones populares en el subreddit designado, de modo que pueda familiarizarse gradualmente con el estilo de este subreddit y será más fácil escribir mejor artículos explosivos Las personas lo usan como fuente de información, o incluso lo usan para aprender inglés, las agencias lo usan para encontrar inspiración de contenido, las marcas lo usan para monitorear otros eventos de la marca, y lo hago principalmente para el siguiente paso del marketing de contenido en reddit, para construir una fuente de información para mi agente de Reddit que pueda automatizar las indicaciones Código de prueba interno limitado: RDDT-TDGIA-DIZ [Beta cerrada real, la biblioteca se eliminó una vez jaja]

Volvamos a compartir una idea para que los trabajadores desempleados ganen dinero. Usa vibecoding para hacer programas de cliente iOS, solo necesitas hacer un esqueleto. ¿Qué es un esqueleto? Por ejemplo, una galería de categorías, o una categoría para escuchar audios. Es simplemente una lista que clasifica el contenido, facilitando la búsqueda para el usuario. Con un esqueleto, solo necesitas mantener el contenido sin cambiarlo. Ahora, hacer esto con vibecoding es muy rápido y fácil de ajustar, además, es bastante difícil que la App Store lo detecte como duplicado, es como un cambio de piel con IA. Lo único que necesitas hacer es organizar el contenido y empaquetarlo todo. Luego, usa algo como Qimai para verificar las palabras clave de ASO. Simplemente colócalas y listo. El producto es gratuito, lleno de anuncios, y puedes ofrecer una membresía permanente sin anuncios por 8 dólares. Puedes hacer algo como "Friends" o "Modern Times", o crear cursos de celebridades, no te sientas mal por la piratería, no pasa nada. Incluso puedes hacer algo como "Li Kui Li Gui", aprovechando las palabras de marca de otros, no importa si lo que descargas es basura, déjalos desinstalarlo. Antes, alguien usó vibecoding para crear herramientas de generación de appconnect, y las utilizó para seguir creando contenido para subir, este proceso no consume mucho tiempo. En tu primer día, podrías tardar 3 días en subir una aplicación, pero después solo te llevará 3 horas subir una nueva, así que puedes hacer cien o más aplicaciones, siempre habrá algunas que logren un buen ranking de palabras clave, esto se acumula con el tiempo, y lo más importante es que todo lo tienes empaquetado localmente, sin ningún consumo de recursos, un activo de costo cero. Encuentra lo que pueda generar volumen, y luego invierte en optimizarlo seriamente. En la era de la IA, hay demasiadas oportunidades de arbitraje como esta, aprendiendo mientras trabajas, no hay nada que no puedas lograr. Lo más importante es creer en ti mismo y en la IA, no te enfoques en amplificar las dificultades. Haz 20 de estas y naturalmente encontrarás el camino y la experiencia.

Vi revisé el Prompt101 compartido por Anthropic. Hay dos que creo que se pueden compartir para mejorar su uso: El primero se llama Respuesta Pre-llenada (Pre-fill Response). >¿Qué hace?: En la llamada a la API, proporciona directamente un inicio para la respuesta del modelo. >¿Por qué?: Esta es una técnica efectiva para forzar al modelo a producir una estructura específica (especialmente JSON). >Ejemplo: En la sección "asistente" de la solicitud de API, simplemente ingresa una llave izquierda { para guiar al modelo a completar un objeto JSON completo. Este pre-llenado facilita guiar al modelo a responder según tu patrón de salida, ya que el LLM es un juego de palabras. El segundo es la depuración de prompts, utilizando la función de "Pensamiento Extendido" (Extended Thinking / Scratchpad). >Función: Esta es una herramienta de depuración poderosa. Al activar esta función, el modelo mostrará explícitamente su "proceso de pensamiento" o "pizarra". >¿Cómo usarlo?: Al analizar el registro de pensamientos del modelo, puedes entender en qué partes tuvo dificultades o malentendidos. Luego, puedes convertir estas percepciones en instrucciones más claras y paso a paso, solidificándolas en tus prompts, haciendo que los prompts sean más poderosos y eficientes. Esto en realidad es una idea que Yu Long compartió en 2023, que es que cuando el resultado del prompt no cumple con las expectativas, es necesario comunicarse con el modelo para confirmar qué parte del prompt se entendió con un sesgo semántico. Imprimir pensamientos también es una variante de esta idea. Eso es lo que he aprendido, el video puede tener más información para aprender 👇