Domanda: Come valutare se una persona è molto brava a usare l'AI? Risposta: Guarda quanto spende in AI, se riesce a superare i 300 dollari al mese. - Superare i 300 dollari indica che ha sottoscritto diversi prodotti AI, quindi ha almeno avuto modo di provarli e ritiene che siano efficaci. - Chi continua a spendere per l'AI dimostra di aver ottenuto un valore maggiore da essa. - Se l'AI ha dei downtime, sentirà che il suo lavoro normale è influenzato, il suo modo di lavorare è già cambiato, per non parlare di chi cancella l'abbonamento a un'AI utile. - 300 dollari indicano che potrebbe aver attivato alcuni abbonamenti premium, un segnale di geek con alta domanda. Non credo che qualcuno che usa un pacchetto API da 20 dollari o addirittura gratuito possa dire di usare bene l'AI, solo perché ha molta pratica. È possibile che conosca un aspetto, ma assolutamente non può conoscerne molti. A dire il vero, anche solo far girare un agente per gestire una fattura costa già qualche centinaio di dollari al mese.

Nel 2023 insegnerò chatGPT, midjourney, stable diffusion Nel 2024 insegnerò comfyui, dify, coze Nel 2025 insegnerò deepseek, lavoro, vibe, coding Ho dato un'occhiata, il 60% di questi corsi sono le stesse persone 😂 I contenuti cambiano, i nomi e i titoli cambiano ma la formula è sempre la stessa Piattaforme pubblicitarie investono 199 per fare piccoli guadagni oppure semplicemente pubblicano un libro per accompagnare il corso In ogni caso, il maggiore ostacolo per insegnare agli altri a iniziare potrebbe essere semplicemente abbassare la testa Ci sono insegnanti da 40 punti ovunque Corsi da migliaia di yuan venduti bene Se si dice che le persone non hanno FOMO per l'AI, penso che non sia del tutto vero Ma sembra che le persone che riescono davvero a usarla non siano molte 😂

47 suggerimenti per utilizzare Claude Code Se lo hai salvato, significa che lo hai imparato.

Questo copione e il modello vocale sono davvero potenti. C'è anche qualcosa su Guo Degang che parla della dinastia Ming...

Non chiedermi come si fa a vibrare con il coding Vi regalo un set di prompt, prendetelo senza ringraziare.

Per creare qualcosa che possa diventare virale, è necessario colpire almeno i seguenti punti: - Ambizione: condividere questo contenuto può far capire agli altri chi sono, facendoli pensare che sono esperti. - Divertente: condividere questo contenuto porta gioia agli altri. - Riconoscimento sociale: condividere questo contenuto ha valore per gli altri e mi consente di ottenere riconoscimento sociale. - Valore reale: condividere questo contenuto mi permette di guadagnare o ottenere attenzione. - Conformismo: se tutti condividono, non condividere mi fa sembrare fuori posto. Più elementi colpiscono, sia nel contenuto che nel prodotto, maggiore è la possibilità che diventi virale. Se riesce anche a formare una catena di benefici, allora può diffondersi su una scala ancora più ampia. Questi sono i motivi per cui si condivide, ma la condivisione è un imbuto: gli altri devono prima vedere, poi comprendere, prima di condividere e diffondere. Quindi è necessario prima ottenere visibilità. Tuttavia, ci sono alcune differenze tra voler ottenere visibilità e voler condividere. La visibilità si basa principalmente sui commenti, e la logica per stimolare i commenti è diversa da quella per stimolare la condivisione.

Ho aggiunto Opus 4.1 su Readdit per cercare post e ho trovato due MCP che migliorano le capacità di ClaudeCode: Zen e Serena. Ma le opinioni sono completamente diverse, alcuni lo adorano, altri lo trovano completamente inutile. Penso che l'IA sia così: quando può fornire buoni risultati, le persone la apprezzano, ma quando i risultati sono nulli, la odiano (perché fa perdere tempo). Se un prodotto di IA ha un piccolo gruppo di persone che dice che è fantastico, allora vale la pena provarlo. Qualcuno ha provato questi due MCP? Commentate la vostra esperienza!

Chiunque può realizzare un piccolo progetto VibeCoding, come questo -- un monitor di contenuti Reddit. Può essere utilizzato per trovare materiali di studio, tradurre contenuti e cercare i post più popolari in un determinato subreddit, in modo da familiarizzare lentamente con lo stile di quel subreddit, rendendo più facile scrivere contenuti virali. Personalmente lo utilizzo come fonte di informazioni, e può anche essere usato per imparare l'inglese; le agenzie lo usano per trovare ispirazione per i contenuti, i marchi lo usano per monitorare eventi di altri marchi, mentre io lo utilizzo principalmente per il prossimo passo nel marketing dei contenuti su Reddit, per costruire una fonte di informazioni automatizzata per il mio Reddit Agent. Codice di accesso limitato per il test: RDDT-TDGIA-DIZ 【Test reale, è già stato cancellato una volta, ahah】

Condivido un'idea per guadagnare per chi è disoccupato e lavora. Usa vibecoding per sviluppare un'app client iOS, creando una sorta di scheletro. Cosa si intende per scheletro? Ad esempio, una galleria classificata, oppure una sezione per ascoltare audio classificati. È semplicemente un elenco che organizza i contenuti, rendendo più facile per gli utenti trovare ciò che cercano. Una volta creato lo scheletro, puoi mantenere i contenuti invariati. Ora, con vibecoding, è molto veloce e facile fare questo, e la verifica su appstore è relativamente difficile, è come cambiare la pelle con l'AI. L'unica cosa che devi fare è organizzare i contenuti e imballarli tutti insieme. Poi usa strumenti come Qimai per controllare le parole chiave ASO. Basta caricarli e il gioco è fatto. Il prodotto è gratuito, pieno di pubblicità, e c'è un abbonamento di 8 euro per rimuovere le pubblicità. Puoi fare qualcosa come "Friends" o "Modern Times", oppure creare corsi di personaggi famosi, non sentirti in colpa per il copyright, non è un problema. Puoi anche sfruttare i nomi di brand come Li Kui e Li Gui, scaricare contenuti spazzatura va bene, lascia che gli utenti disinstallino. In passato, qualcuno ha usato vibecoding per generare strumenti per appconnect, creando continuamente contenuti da caricare, e questo processo non richiede molto tempo. Il primo giorno potresti impiegare 3 giorni per caricare un'app, poi dopo sarà solo 3 ore per caricare una nuova applicazione. Puoi continuare a farne un centinaio, ci sarà sempre qualche parola chiave a lungo termine da catturare. Questo accumulo porta a grandi risultati, e il punto chiave è che hai tutto impacchettato localmente, senza alcun consumo di risorse, un asset a costo zero. Trova ciò che può generare volume e poi investi per ottimizzare seriamente. Nell'era dell'AI, ci sono davvero troppe opportunità di arbitraggio come questa, mentre lavori impari, non c'è nulla che non puoi affrontare. La cosa più importante è credere in te stesso e nell'AI, non ingigantire le difficoltà. Fai 20 progetti e naturalmente troverai la tua strada e la tua esperienza.

Ho dato un'occhiata a Prompt101 condiviso da Anthropic. Ci sono due punti che penso possano essere condivisi per migliorare l'uso: Il primo si chiama Risposta Pre-compilata (Pre-fill Response). > Cosa fa: Fornisce direttamente un inizio alla risposta del modello durante la chiamata API. > Perché: È un modo efficace per costringere il modello a produrre una struttura specifica (soprattutto JSON). > Esempio: Nella parte "assistente" della richiesta API, inserisci direttamente una parentesi graffa aperta {, per guidare il modello a completare un oggetto JSON. Questa pre-compilazione facilita la guida del modello a rispondere secondo il tuo schema di output, poiché LLM è un gioco di parole. Il secondo è il debug del Prompt, utilizzando la funzione "Pensiero Esteso" (Extended Thinking / Scratchpad). > Funzione: È uno strumento di debug potente. Attivando questa funzione, il modello mostrerà esplicitamente il suo "processo di pensiero" o "lavagna". > Come usarlo: Analizzando le registrazioni di pensiero del modello, puoi capire in quali punti ha incontrato difficoltà o ha frainteso. Poi, puoi trasformare queste intuizioni in istruzioni più chiare e passo-passo, consolidandole nei tuoi prompt, rendendo così i prompt stessi più potenti ed efficienti. Questo è in realtà un'idea condivisa da Yulong nel 2023, ovvero quando l'output del prompt non corrisponde alle aspettative, è necessario comunicare con il modello per confermare quale parte del prompt il modello ha frainteso semanticamente. La stampa del pensiero è una variante di questo approccio. Queste sono le cose che ho imparato, il video potrebbe contenere altre informazioni utili per l'apprendimento 👇