Spørsmål: Hvordan kan du vurdere om en person er veldig god til å bruke AI? A: Se på pengene han bruker på AI, om han kan bryte gjennom $300 per måned - Hvis det overstiger $300, betyr det at han har abonnert på mange AI-produkter, så har han i det minste opplevd dem og tror disse produktene er effektive - Hvis den kan fortsette å bruke penger på AI, betyr det at den har fått høyere verdi fra AI - AI-nedetiden føles som om det normale arbeidet blir kompromittert, og arbeidsmodusen har endret seg, for ikke å snakke om å avslutte abonnementet på nyttig AI - $300 indikerer at han kan ha åpnet noen premium-abonnementer, noe som er et nerdesignal om høy etterspørsel Jeg tror ikke at jeg bruker API-pakken for $20 eller til og med gratis prostitusjon, men jeg fortsetter å si at jeg bruker AI godt og øver mye Dette er mulig at han forstår ett aspekt, men det er helt umulig å forstå i mange aspekter For å være ærlig koster det hundrevis av dollar i måneden å få en agent til å kjøre en regning

23 år med undervisning i chatGPT midjourney stabil diffusjon Han underviste i comfyui dify coze i 24 år 25 år med undervisning i DeepSeek-kontor Vibe Coding Jeg så på det, og 60 % av menneskene i denne klassen var de samme menneskene 😂 Innholdet endres, og tegnetiketten og tittelen endres Men oppskriften er den samme Plattforminvesteringsflyten 199 for å gjøre den større Eller du kan gi ut din egen bok og lage en leksjon Uansett, den største terskelen for å lære andre å komme i gang kan være å trekke ned ansiktet ditt Lærere med 40 poeng er overalt Kurs for tusenvis av yuan selger godt Jeg tror ikke det er rimelig å si at folk ikke bruker FOMO AI Men det ser ut til at det ikke er mange 😂 som faktisk kan bruke det

47 tips for bruk av Claude Code Hvis du samler det, vil du ha det bra

Copywriting og lydmodellen er for sterk Hva annet snakker Guo Degang om Ming-dynastiet......

Ikke spør meg hvordan jeg vibekoder Jeg vil gi deg et sett med oppfordringer å ta bort, takk

Hvis du vil lage noe som kan gå viralt, må du treffe minst følgende punkter - Mu Qiang: Jeg deler denne tingen for å la andre forstå meg og føle at jeg er kunnskapsrik - Moro: Jeg deler denne tingen med andre for å føle meg lykkelig sammen - Sosial validering: Jeg deler denne tingen som verdifull for andre, og jeg får sosial validering - Reell verdi: Jeg deler denne tingen, og jeg kan tjene penger eller få oppmerksomhet - Flokkkonvergens: Alle andre deler, og jeg virker ikke malplassert Enten det er innhold eller produkt, jo flere elementer som treffer, jo mer sannsynlig er det at det går viralt Hvis det også kan danne en kjede av interesser, kan det spre seg i større skala Ovennevnte er fra perspektivet til å dele motivasjon, men deling er en trakt, og andre må se det først og deretter forstå det før de deler og sprer Så vi må få eksponering først Men det er noen forskjeller mellom å ønske å bli eksponert og å ønske å dele Mesteparten av eksponeringen avhenger av kommentarer, og logikken i å stimulere kommentarer er også forskjellig fra å stimulere deling

La til Opus 4.1 med Readdit for å se etter innlegg og fant to MCP-er som nevner ClaudeCode-forbedringer: Zen og Serena Men alles synspunkter er helt forskjellige, noen liker det veldig godt, og noen synes det er helt ubrukelig Jeg tror AI er slik, når han kan gi gode resultater, liker folk det, men når resultatet er 0, hater folk det (fordi det er bortkastet tid) Hvis et AI-produkt har en håndfull mennesker som sier at det er flott, er det verdt et forsøk Har noen prøvd disse to MCP-ene? Kommenter opplevelsen!

Alle kan gjøre et lite VibeCoding-prosjekt som dette -- Reddit Content Listener Den kan faktisk brukes til å finne læremateriell, bære oversettelser og finne populære innlegg under den angitte subredditen, slik at du gradvis kan bli kjent med stilen til denne subredditen, og det blir lettere å skrive eksplosive artikler bedre Enkeltpersoner bruker det som en informasjonskilde, eller til og med bruker det til å lære engelsk, byråer bruker det til å finne innholdsinspirasjon, merkevarer bruker det til å overvåke andre merkevarearrangementer, og jeg gjør det hovedsakelig for neste trinn i innholdsmarkedsføring på reddit, for å bygge en informasjonskilde for Reddit-agenten min som kan automatisere spørsmål Begrenset intern testkode: RDDT-TDGIA-DIZ [Ekte lukket beta, biblioteket har blitt slettet en gang haha]

La meg dele en annen idé om å tjene penger på arbeidsledighet for migrantarbeidere Å bruke vibekoding for å bygge et iOS-klientprogram er å lage den typen skjelett Hva er skjelettet, for eksempel klassifiserte gallerier, for eksempel klassifisert lytting til lyd Det er en liste som kategoriserer innholdet godt og gjør det enkelt for brukere å finne Et skjelett kommer ut, og det er nok å ikke erstatte innholdet Nå er vibekoding veldig rask, og det er enkelt å hjelpe deg med å justere, og plagiatkontrollen i appstore er også vanskeligere, noe som tilsvarer AI-hudendring Alt du trenger å gjøre er å organisere innholdet og pakke alt inn Åpne deretter en syv-hvete eller noe for å sjekke nøkkelordene til ASO Bare gå opp og det er over Produktet er gratis, fullt av reklame, og 8 yuan permanent medlemskap går til reklame Hva kan du gjøre med denne gamle vennen i moderne tid, eller ta noen kjendiskurs, ikke tro det er piratkopiering, det er greit Du kan til og med engasjere deg i Li Kui Li Gui, gni andres merkeord, det spiller ingen rolle om du laster det ned som søppel, la dem avinstallere det så mye du vil Noen har vibekoding AppConnects genereringsverktøy før, og de bruker det til å kontinuerlig lage innhold i hyllene, og denne prosessen tar ikke mye tid Du gjør det den første dagen, du kan legge en i hyllene om 3 dager, og så kan du legge en ny applikasjon i hyllene på 3 timer, du vil gjøre dette med 180 søknader, og det vil alltid være en lang hale som kan fange søkeordrangeringen Finn noe som kan kjøre volumet, og invester deretter i seriøs optimalisering og optimalisering Det er for mange arbitrasjemuligheter som dette i AI-æraen, og det er ingenting du ikke kan gjøre mens du lærer mens du gjør det Det viktigste er å tro på deg selv, og tro på AI, og ikke forsterke vanskeligheter med deg selv Gjør det 20 vil naturlig nok finne en vei ut og oppleve

Jeg tok en titt på Prompt101 delt av Anthropic Det er to av dem som jeg tror jeg kan dele og forsterke bruken av dem: Den første kalles Pre-fill Response. Hva > gjøre: I API-kallet angir du en begynnelse direkte for modellens svar. > Hvorfor: Dette er en gyldig teknikk for å tvinge modellen til å sende ut spesifikke strukturer, spesielt JSON. > eksempel: I «assistent»-delen av API-forespørselen fyller du direkte ut en venstre klammeparentes { for å veilede modellen til å fortsette med et fullstendig JSON-objekt. Denne forhåndsutfyllingen er enklere for å veilede modellen til å svare på utdatamønsteret fordi LLM-er er tekstkabal Den andre er Prompt debugging, som bruker "Extended Thinking" -funksjonen (Extended Thinking / Scratchpad) > rolle: Dette er et kraftig feilsøkingsverktøy. Når denne funksjonen er aktivert, viser modellen eksplisitt tankeprosessen eller utkasttavlen. Slik bruker du >: Ved å analysere modellens tenkeposter kan du forstå hvor den møtte vanskeligheter eller ble misforstått. Du kan deretter gjøre denne innsikten om til klarere, trinnvise instruksjoner som stivner i spørsmålene dine, noe som gjør spørsmålene i seg selv kraftigere og mer effektive. Dette er faktisk en idé som ble delt av Yulong i løpet av 23 år, det vil si at når utgangseffekten av ledeteksten ikke oppfyller forventningene, er det nødvendig å kommunisere med modellen for å bekrefte hvilken del av ledeteksten som har en semantisk skjevhet i modellens forståelse. Trykt tenkning er også en variant av denne ideen. Ovennevnte er hva jeg lærte, og det kan være annen informasjon å lære 👇 av videoen