T: Bagaimana Anda bisa menilai apakah seseorang sangat pandai menggunakan AI? J: Lihatlah uang yang dia habiskan untuk AI, apakah dia bisa menembus $300 per bulan - Jika melebihi $300, itu berarti dia telah berlangganan banyak produk AI, maka dia setidaknya telah mengalaminya dan berpikir produk ini efektif - Jika dapat terus menghabiskan uang untuk AI, itu berarti telah mendapatkan nilai yang lebih tinggi dari AI - Waktu henti AI terasa seperti pekerjaan normalnya dikompromikan, dan mode kerjanya telah berubah, belum lagi berhenti berlangganan AI yang berguna - $300 menunjukkan bahwa dia mungkin telah membuka beberapa langganan premium, yang merupakan sinyal geek dari permintaan yang tinggi Saya tidak percaya bahwa saya menggunakan paket API seharga $20 atau bahkan prostitusi gratis, tetapi saya terus mengatakan bahwa saya menggunakan AI dengan baik dan banyak berlatih Ini mungkin bahwa dia memahami satu aspek, tetapi sama sekali tidak mungkin untuk dipahami dalam banyak aspek Sejujurnya, biayanya ratusan dolar sebulan untuk mendapatkan agen untuk menjalankan tagihan

23 tahun mengajar chatGPT midjourney difusi stabil Dia mengajar comfyui dify coze selama 24 tahun 25 tahun mengajar DeepSeek Office Vibe Coding Saya melihatnya, dan 60% orang di kelas ini adalah orang 😂 yang sama Konten berubah, dan label karakter serta judul berubah Tapi resepnya sama Aliran investasi platform 199 untuk membuatnya lebih besar Atau Anda dapat menerbitkan buku Anda sendiri dan membuat pelajaran Bagaimanapun, ambang batas terbesar untuk mengajar orang lain untuk memulai mungkin adalah menundukkan wajah Anda Guru dengan 40 poin ada di mana-mana Kursus untuk ribuan yuan laris manis Saya rasa tidak masuk akal untuk mengatakan bahwa orang tidak FOMO AI Namun sepertinya tidak banyak 😂 orang yang benar-benar bisa menggunakannya

47 tips menggunakan Claude Code Jika Anda mengambilnya, Anda akan baik-baik saja

Copywriting dan model suara terlalu kuat Apa lagi yang dibicarakan Guo Degang tentang Dinasti Ming......

Jangan tanya saya bagaimana saya menggetar kode Saya akan memberi Anda serangkaian petunjuk untuk diambil, terima kasih

Jika Anda ingin membuat sesuatu yang bisa menjadi viral, Anda harus mencapai setidaknya poin-poin berikut - Mu Qiang: Saya membagikan hal ini agar orang lain memahami saya dan merasa bahwa saya berpengetahuan luas - Menyenangkan: Saya membagikan hal ini kepada orang lain untuk merasa bahagia bersama - Validasi Sosial: Saya membagikan hal ini sebagai hal yang berharga bagi orang lain, dan saya mendapatkan validasi sosial - Nilai nyata: Saya berbagi hal ini, dan saya bisa menghasilkan uang atau mendapatkan perhatian - Konvergensi Kawanan: Semua orang berbagi, dan saya sepertinya tidak keluar dari tempatnya Baik itu konten atau produk, semakin banyak elemen yang terkena, semakin besar kemungkinannya untuk menjadi viral Jika juga dapat membentuk rantai kepentingan, itu dapat menyebar dalam skala yang lebih besar Hal di atas adalah dari perspektif berbagi motivasi, tetapi berbagi adalah corong, dan orang lain harus melihatnya terlebih dahulu dan kemudian memahaminya sebelum berbagi dan menyebarkan Jadi kita harus mendapatkan eksposur terlebih dahulu Tetapi ada beberapa perbedaan antara ingin diekspos dan ingin berbagi Sebagian besar paparan tergantung pada komentar, dan logika merangsang komentar juga berbeda dengan merangsang berbagi

Menambahkan Opus 4.1 dengan Readdit untuk mencari posting dan menemukan dua MCP yang menyebutkan peningkatan ClaudeCode: Zen dan Serena Tetapi pandangan setiap orang benar-benar berbeda, beberapa sangat menyukainya, dan beberapa menganggapnya sama sekali tidak berguna Saya pikir AI seperti ini, ketika dia bisa memberikan hasil yang baik, orang menyukainya, tetapi ketika hasilnya 0, orang membencinya (karena itu membuang-buang waktu) Jika produk AI memiliki segelintir orang yang mengatakan itu hebat, itu patut dicoba Apakah ada yang mencoba kedua MCP ini? Berkomentar tentang pengalamannya!

Semua orang dapat melakukan proyek VibeCoding kecil seperti ini -- Reddit Content Listener Ini sebenarnya dapat digunakan untuk menemukan materi pembelajaran, membawa terjemahan, dan menemukan postingan populer di bawah subreddit yang ditunjuk, sehingga Anda secara bertahap dapat terbiasa dengan gaya subreddit ini, dan akan lebih mudah untuk menulis artikel eksplosif dengan lebih baik Individu menggunakannya sebagai sumber informasi, atau bahkan menggunakannya untuk belajar bahasa Inggris, agensi menggunakannya untuk menemukan inspirasi konten, merek menggunakannya untuk memantau peristiwa merek lainnya, dan saya terutama melakukannya untuk langkah pemasaran konten berikutnya di reddit, untuk membangun sumber informasi untuk agen Reddit saya yang dapat mengotomatiskan petunjuk Kode pengujian internal terbatas: RDDT-TDGIA-DIZ [Beta tertutup nyata, perpustakaan telah dihapus sekali haha]

Izinkan saya berbagi ide lain untuk menghasilkan uang dari pengangguran bagi pekerja migran Menggunakan vibecoding untuk membangun program klien iOS adalah membuat kerangka semacam itu Apa itu kerangka, seperti galeri rahasia, seperti mendengarkan audio secara rahasia Ini adalah daftar yang mengkategorikan konten dengan baik dan memudahkan pengguna untuk menemukan Kerangka keluar, dan itu cukup untuk tidak menggantikan konten Sekarang vibecoding sangat cepat, dan mudah untuk membantu Anda menyesuaikan, dan pemeriksaan plagiarisme appstore juga lebih sulit, yang setara dengan perubahan kulit AI Yang perlu Anda lakukan adalah mengatur konten dan mengemas semuanya Kemudian buka tujuh gandum atau semacamnya untuk memeriksa kata kunci ASO Naik saja dan semuanya berakhir Produk ini gratis, penuh iklan, dan keanggotaan permanen 8 yuan masuk ke iklan Apa yang bisa Anda lakukan dengan teman lama ini di era modern, atau melakukan beberapa kursus selebriti, jangan berpikir itu pembajakan, tidak apa-apa Anda bahkan dapat terlibat dalam Li Kui Li Gui, menggosok kata-kata merek orang lain, tidak masalah jika Anda mengunduhnya sebagai sampah, biarkan mereka menghapusnya sebanyak yang Anda inginkan Seseorang memiliki alat pembuatan AppConnect yang menggetarkan vibecoding sebelumnya, dan mereka menggunakannya untuk terus membuat konten di rak, dan proses ini tidak memakan banyak waktu Anda melakukannya pada hari pertama, Anda dapat meletakkannya di rak dalam 3 hari, dan kemudian Anda dapat meletakkan aplikasi baru di rak dalam 3 jam, Anda akan melakukan ini dengan 180 aplikasi, dan akan selalu ada ekor panjang yang dapat menangkap peringkat kata kunci Temukan sesuatu yang dapat menjalankan volume, lalu berinvestasi dalam pengoptimalan dan pengoptimalan yang serius Ada terlalu banyak peluang arbitrase seperti ini di era AI, dan tidak ada yang tidak dapat Anda lakukan sambil belajar sambil melakukan Yang paling penting adalah percaya pada diri sendiri, dan percaya pada AI, dan jangan memperkuat kesulitan dengan diri sendiri Lakukan 20 secara alami akan menemukan jalan keluar dan mengalami

Saya melihat Prompt101 dibagikan oleh Anthropic Ada dua di antaranya yang saya pikir dapat saya bagikan dan memperkuat penggunaannya: Yang pertama disebut Pre-fill Response. Apa yang > lakukan: Dalam panggilan API, berikan awal langsung untuk respons model. > Mengapa: Ini adalah teknik yang valid untuk memaksa model menghasilkan struktur tertentu, terutama JSON. > contoh: Di bagian "asisten" dari permintaan API, langsung isi kurung keriting kiri { untuk memandu model melanjutkan dengan objek JSON penuh. Prefill ini lebih mudah untuk memandu model untuk merespons pola output Anda karena LLM adalah text solitaire Yang kedua adalah Prompt debugging, yang menggunakan fungsi "Extended Thinking" (Extended Thinking / Scratchpad) > Peran: Ini adalah alat debugging yang kuat. Saat fitur ini diaktifkan, model secara eksplisit menampilkan Proses Pemikiran atau Papan Drafnya. Cara menggunakan >: Dengan menganalisis catatan pemikiran model, Anda dapat memahami di mana ia mengalami kesulitan atau disalahpahami. Anda kemudian dapat mengubah wawasan ini menjadi instruksi langkah demi langkah yang lebih jelas yang memantapkan ke dalam petunjuk Anda, membuat petunjuk itu sendiri lebih kuat dan efisien. Ini sebenarnya adalah ide yang dibagikan oleh Yulong dalam 23 tahun, yaitu, ketika efek keluaran dari prompt tidak memenuhi harapan, perlu untuk berkomunikasi dengan model untuk mengkonfirmasi bagian mana dari prompt yang memiliki bias semantik dalam pemahaman model. Pemikiran cetak juga merupakan variasi dari ide ini. Di atas adalah apa yang saya pelajari, dan mungkin ada informasi lain yang bisa dipelajari 👇 dari video tersebut