Pytanie: Jak ocenić, czy ktoś jest bardzo dobry w korzystaniu z AI? Odpowiedź: Sprawdź, ile wydaje na AI, czy co miesiąc przekracza 300 dolarów. - Przekroczenie 300 dolarów oznacza, że subskrybuje wiele produktów AI, więc przynajmniej je wypróbował i uważa, że są skuteczne. - Osoba, która regularnie wydaje pieniądze na AI, oznacza, że czerpie z niego większą wartość. - Jeśli AI przestaje działać, to odczuwa, że jego normalna praca jest zakłócona, jego sposób pracy już się zmienił, nie mówiąc już o anulowaniu subskrypcji użytecznego AI. - 300 dolarów sugeruje, że może mieć kilka zaawansowanych subskrypcji, co jest sygnałem wysokiego zapotrzebowania dla geeków. Nie wierzę, że używając API za 20 dolarów lub nawet za darmo, ktoś może twierdzić, że dobrze korzysta z AI, bo ma dużo praktyki. To może oznaczać, że zna się na jednym aspekcie, ale na pewno nie na wielu. Szczerze mówiąc, nawet uruchomienie agenta do przetwarzania rachunków przez miesiąc kosztuje kilka setek dolarów.

W 2023 roku uczono chatGPT, midjourney, stable diffusion W 2024 roku uczono comfyui, dify, coze W 2025 roku uczono deepseek, biuro, vibe, kodowanie Spojrzałem i zobaczyłem, że 60% tych nauczycieli to ci sami ludzie 😂 Treść się zmienia, etykiety postaci się zmieniają ale przepis jest ten sam Platforma inwestycyjna 199 robi małe na duże albo po prostu wydaje książkę, aby prowadzić kurs W każdym razie największą przeszkodą w nauczaniu innych podstaw jest chyba ściągnięcie twarzy Nauczycieli na poziomie 40 punktów jest wszędzie Kursy za kilka tysięcy złotych też się sprzedają nieźle Jeśli chodzi o to, że ludzie nie czują FOMO w stosunku do AI, to myślę, że nie można tego powiedzieć ale wydaje się, że naprawdę potrafi to wykorzystać niewiele osób 😂

47 wskazówek dotyczących korzystania z Claude Code Zapisanie ich oznacza, że już je znasz.

Ten tekst i model dźwiękowy są zbyt silne. Czy jest coś jeszcze, co Guo Degang mówi o dynastii Ming...

Nie pytajcie mnie, jak vibe'ować kodowanie Przesyłam wam zestaw promptów, bierzcie bez dziękowania

Chcąc stworzyć coś, co może być szeroko udostępniane, należy trafić przynajmniej w kilka poniższych punktów: - Ambicja: Dzieląc się tym, mogę pokazać innym, że jestem mądry i mam doświadczenie. - Interesujące: Dzieląc się tym, mogę sprawić, że inni poczują radość. - Społeczne uznanie: Dzieląc się tym, przynoszę wartość innym i mogę zdobyć społeczne uznanie. - Rzeczywista wartość: Dzieląc się tym, mogę zarobić lub zdobyć uwagę. - Efekt owczego pędu: Wszyscy dzielą się tym, a jeśli ja się nie podzielę, będę wyglądać na outsidera. Niezależnie od tego, czy chodzi o treść, czy produkt, im więcej elementów trafia w sedno, tym większa szansa na szerokie udostępnienie. Jeśli dodatkowo może to stworzyć łańcuch korzyści, to może być jeszcze szerzej rozpowszechniane. Powyższe odnosi się do motywacji do dzielenia się, ale dzielenie się to lejek – najpierw inni muszą to zobaczyć, a potem zrozumieć, zanim zdecydują się na udostępnienie. Dlatego najpierw trzeba zadbać o ekspozycję. Jednakże chęć do ekspozycji i chęć do dzielenia się różnią się od siebie. Ekspozycja w dużej mierze opiera się na komentarzach, a logika pobudzania komentarzy różni się od logiki pobudzania dzielenia się.

Dodałem Opus 4.1 do Readdit, aby przeglądać posty i natknąłem się na wzmiankę o dwóch MCP, które zwiększają możliwości ClaudeCode: Zen i Serena. Jednak opinie są całkowicie różne, niektórzy bardzo je lubią, inni uważają, że są całkowicie bezużyteczne. Myślę, że AI właśnie tak działa – gdy przynosi dobre wyniki, ludzie je lubią, ale gdy wyniki są zerowe, ludzie je nienawidzą (bo tracą czas). Jeśli jakiś produkt AI ma małą grupę ludzi, którzy mówią, że jest świetny, to warto go wypróbować. Czy ktoś próbował tych dwóch MCP? Podzielcie się swoimi doświadczeniami!

Każdy może stworzyć mały projekt VibeCoding, na przykład ten -- monitor treści Reddita. Można go używać do znajdowania materiałów do nauki, tłumaczenia, wyszukiwania popularnych postów w określonym subreddicie, co pozwala stopniowo zapoznać się ze stylem tego subreddita, co ułatwia pisanie popularnych artykułów. Osobiście używam go jako źródła informacji, a nawet do nauki angielskiego, agencje używają go do znajdowania inspiracji do treści, marki używają go do monitorowania wydarzeń innych marek, a ja zajmuję się tym głównie po to, aby w przyszłości prowadzić marketing treści na Reddit, budując źródło informacji, które automatyzuje Prompt dla mojego Agenta Reddit. Kod do limitowanej wersji beta: RDDT-TDGIA-DIZ 【Prawdziwa beta, już raz usunięto bazę danych, haha】

Podzielę się jeszcze jednym pomysłem na zarabianie dla pracowników, którzy stracili pracę. Użyj vibecoding do stworzenia aplikacji klienckiej na iOS, chodzi o stworzenie takiego szkieletu. Co to jest szkielet? Na przykład, klasyfikowana galeria zdjęć, na przykład klasyfikowane nagrania audio. To po prostu lista, która dobrze klasyfikuje treści, ułatwiając użytkownikom ich znalezienie. Gdy szkielet jest gotowy, wystarczy, że nie zmieniasz treści w środku. Teraz vibecoding robi to bardzo szybko, a także łatwo pomaga w dostosowywaniu, a sprawdzanie w App Store jest stosunkowo trudne, to jakby AI zmieniało skórę. Twoim zadaniem jest uporządkowanie treści i spakowanie ich wszystkie do środka. Następnie otwórz coś takiego jak Qimai, aby sprawdzić słowa kluczowe ASO. Po prostu wprowadź to na rynek. Produkt jest darmowy, w środku są same reklamy, a stała subskrypcja bez reklam kosztuje 8 zł. Możesz zrobić coś w stylu "Przyjaciół" lub "Nowoczesnej rodziny", albo stworzyć kursy znanych osób, nie martw się o piractwo, to nie problem. Możesz nawet zrobić coś z Li Kui i Li Gui, aby wykorzystać cudze słowa kluczowe, nawet jeśli pobierzesz coś, co jest śmieciem, to nie ma znaczenia, niech sobie to odinstalują. Ktoś wcześniej użył vibecoding do stworzenia narzędzia do generowania appconnect, używając go do ciągłego tworzenia treści do publikacji, ten proces nie zajmuje dużo czasu. Pierwszego dnia możesz stworzyć aplikację w ciągu 3 dni, a później zajmie ci to tylko 3 godziny, aby opublikować nową aplikację. Możesz tak stworzyć setki aplikacji, zawsze znajdziesz długie ogony słów kluczowych, które można złapać. To się kumuluje, a najważniejsze jest to, że wszystko spakowałeś lokalnie, nie ponosząc żadnych kosztów, to aktywa o zerowym koszcie. Znajdź coś, co może przynieść zyski, a następnie zainwestuj w poważne optymalizacje. W erze AI takich możliwości arbitrażu jest naprawdę wiele, ucz się podczas pracy, nie ma rzeczy niemożliwych. Najważniejsze to uwierzyć w siebie i w AI, nie powiększaj trudności.

Zobaczyłem, że Anthropic podzielił się Prompt101 Są dwa, które uważam za warte podzielenia się, aby wzmocnić ich użycie: Pierwszy nazywa się Pre-fill Response (Wstępne wypełnienie odpowiedzi) > Co robi: W wywołaniu API bezpośrednio dostarcza początek odpowiedzi modelu. > Dlaczego: To skuteczna technika wymuszania na modelu generowania odpowiedzi w określonej strukturze (szczególnie JSON). > Przykład: W części „asystent (assistant)” żądania API, bezpośrednio wprowadź lewy nawias klamrowy {, aby skierować model do dokończenia pełnego obiektu JSON. To wstępne wypełnienie ułatwia modelowi odpowiedź zgodnie z twoim wzorem wyjściowym, ponieważ LLM to gra w słowa. Drugi to debugowanie promptów, wykorzystujące funkcję „Rozszerzone myślenie” (Extended Thinking / Scratchpad) > Funkcja: To potężne narzędzie do debugowania. Po włączeniu tej funkcji model wyraźnie pokazuje swój „proces myślenia” lub „notatnik”. > Jak używać: Analizując zapisy myślenia modelu, możesz zrozumieć, w których momentach napotkał trudności lub miał nieporozumienia. Następnie możesz przekształcić te spostrzeżenia w jaśniejsze instrukcje krok po kroku, które można wprowadzić do twoich promptów, aby uczynić je silniejszymi i bardziej efektywnymi. To w zasadzie jest myślą, którą podzielił się Yulong w 2023 roku, że gdy wyniki promptów nie spełniają oczekiwań, należy komunikować się z modelem, aby potwierdzić, która część promptu została źle zrozumiana. Drukowanie myśli to również wariant tej samej idei. To, co się nauczyłem, to powyższe, wideo może zawierać inne informacje do nauki 👇