即刻App年轻人的同好社区
下载
置顶加入了一家 AI 硬件初创公司。即刻上的朋友在看机会的，一定要来考虑考虑我们这儿啊(๑>ڡ<)✌️。
公司的介绍可以看这篇小红书的帖子，我就不再赘述了。三个关键词：Always On、AI Memory、Proactive Agent。当然，都是一些比较共识的词了，但我们也有一些自己独特的思考。无论是对这份工作感兴趣，还是单纯想聊聊的朋友，都可以来找我呀，我往返北京深圳，可面基可线上。
在这条帖子下评论、私信或者加我微信都可以的～
公司的介绍可以看这篇小红书的帖子，我就不再赘述了。三个关键词：Always On、AI Memory、Proactive Agent。当然，都是一些比较共识的词了，但我们也有一些自己独特的思考。无论是对这份工作感兴趣，还是单纯想聊聊的朋友，都可以来找我呀，我往返北京深圳，可面基可线上。
在这条帖子下评论、私信或者加我微信都可以的～
神仙AI公司招人了！社招非校招！ - 小红书
42 169
之前有很多 idea，但我发现一旦当时想到了没有着手做，过一个月就发现有人做出类似的，就过时了。
对 AI 的认知也是这样。OpenClaw 火之前，感觉对 Agent、ReAct 循环、上下文管理、文件系统了解的人不多，OpenClaw火了之后，再叠加 CC 源码泄露，立马烂大街了。你以为你三个月前领先的认知，现在已经不领先了。
如果你有一个很先进的认知，不变现，过了三个月它就没有价值了。必须持续在领先的位置上，持续把它利用上，否则它就会过期，过期速度极快。（md，现在可能一个月就过期了）
去年9月份团队里集体学习 Manus 的上下文管理，hack Manus 的全套提示词，当时觉得惊为天人，简直是无穷宝藏。
但如果26年再去分享同样的策略，没有任何意义，因为早就过时了。真的就是不马上变现就没有任何意义。
对 AI 的认知也是这样。OpenClaw 火之前，感觉对 Agent、ReAct 循环、上下文管理、文件系统了解的人不多，OpenClaw火了之后，再叠加 CC 源码泄露，立马烂大街了。你以为你三个月前领先的认知，现在已经不领先了。
如果你有一个很先进的认知，不变现，过了三个月它就没有价值了。必须持续在领先的位置上，持续把它利用上，否则它就会过期，过期速度极快。（md，现在可能一个月就过期了）
去年9月份团队里集体学习 Manus 的上下文管理，hack Manus 的全套提示词，当时觉得惊为天人，简直是无穷宝藏。
但如果26年再去分享同样的策略，没有任何意义，因为早就过时了。真的就是不马上变现就没有任何意义。
13 11
被某些海外产品的付费卡住的朋友，可以尝试一下这条路径，用支付宝付费买美区的 Apple Store 礼品卡，然后用 iOS 订阅支付 shop.pockyt.io
19 93
使用 Claude Code 级别的 AI 进行工作产出的几个经验性习惯：
1. 对 AI 的追问做出回应
Claude Code 完成任务后，有较高比例会主动提出下一步要做什么。其中 80% 都没什么用，但如果忽略它，它可能会一直提，影响它的判断。所以要回应它的这些追问，哪怕只是简单地告诉它不用做这些。
就好像我们带一个实习生一样。实习生很积极，有想法，但很多想法不对，那就要告诉他或纠正他，防止他一直沿着这种想法走偏。
2. 尽量让 AI 来修改 AI 的产出
AI 的产出，尽量让 AI 来修改，而不要自己修改。如果实在要自己修改，请告诉它你修改过，且让它读一遍，再和它进行下一步的任务。
BTW：我在 claude.md 文件中有要求：如果 Claude Code 最终的产出包含文件，请在某个我指定的默认文件夹下建一个子文件夹，把这些产出放到这个文件夹下，且 Git 初始化。每次运行任务前，检测这个文件夹有没有变动，有的话，帮我进行一次手动提交。每次完成任务后，自己进行一次手动提交，以保存我和它的所有修改，且将我和它的修改进行区分。
3. 对 Claude Code 提出修改意见时，下意识思考如何让它一步到位完成结果
对 Claude Code 提出任何修改意见时，请下意识地思考：我要怎样修改、完善我的 claude.md 和 skill.md 文件，或者请它帮我完善这两个文件，能让它一步到位地实现我的想法，而不需要我再给出这些修改意见。
4. 最重要的：将最终产出反馈给 Claude Code
如果 Claude Code 交付了成果，我最终应用了一部分，成为了我的实际产出，请把这个产出发回给 Claude Code，让它思考要怎样善 claude.md 和 skill.md ，才能更趋近于这个产出的结果。
把 Claude Code 当成一个实习生。实习生渴望成长，渴望反馈，渴望有闭环。我们要给它这个闭环，帮助它成长。
进一步地，关于第四点，特别是对于重复性工作，可以借助此让 AI 实现“自进化”。
以我的周报文档为例： 我让 AI 基于我所有的文档和消息，按照一定的格式撰写周报。它本地会留存一份它写的 MD 版本，且它会直接填充到飞书文档上。我会修改这个飞书文档的版本作为我的正式交付。等到下一周，它会首先比较它生成的原始 MD 文档版本和我最终交付的飞书文档版本，思考怎样完善它的 skill.md ，才能尽可能让它的产出无限趋近我的产出，然后基于新的 skill.md 再生成新的周报，循环往复。
我非常惊叹于 Claude Code 的自进化能力。第一周的时候，它写的周报大概只有 20% 的东西能用。这样迭代了两次，等到第三周的时候，它写的东西竟然能有 90% 的东西可以直接用了。
除此之外，还有让 AI 帮我做简历评估。每天通过 Broswer Use 拉取飞书招聘中简历待评估列表中所有它还没评估的简历，帮我自动评估是否通过，理由如何。
一开始做得不好，后来我突然联想到了周报的这个自进化过程，让它每次在评估之前，先拉取我过去所有的我最终拍板的面试评价和简历评估，以及它本地原始的简历评估，并自行思考要怎样评估才能更接近我的判断，然后它再对最新的简历进行评估，不断自进化。
包括我让 Claude Code 帮我做面前准备，通过 browser-use 拉取所有的简历、作品集、评语、附件和网站，然后帮我整理面试者的基本信息。同时，基于对我的工作的理解和岗位需求的理解，准备一些个性化的问题。
在每天读取未来的面试列表做面前准备之前，我也会让它去读一下我过去面试的转写逐字稿，看看我真的会问哪些问题。如果有些问题我问了，但它在准备时没考虑到，它应该如何调整才能更接近我真实的面试流程，从而实现自进化。
我了解到 Hermes Agent 也有自进化的概念，但它的自进化本质上是面向过程进化来优化 token 效率，而不是面向结果的。因为作为一个通用产品，它无法对结果的好坏进行评估，也就无法基于结果进行自进化。
但个人使用的话，结果好坏的置信度是非常高的，可以让 AI 基于结果来自进化。进化的载体就是 claude.md 和 skill.md。虽然这样做会导致太个性化、无法泛化，但对个人使用来说完全不是问题。
当我真正用熟这个体验后，我突然联想到这可能也是一种 continual learning。怎么联想到的呢，因为我发现这种自进化竟然也有类似灾难性遗忘的问题。我发现它为了弥合最近一段时间的简历评估结果，会导致过拟合。如果真的让它再回测之前的评估，大概会有偏离。但这些任务本身都很消耗 token，目前不太好回测。
目前对于简单的问题有比较好的解法。例如我让它做自动的 bug 优先级分类，每次分类完都会通过飞书消息发给我，我会告诉它哪些分得不合理。因为 bug 描述和分类消耗的 token 很少，所以我直接把历史数据全部存档了。当它有大的 skill 优化时，就回测一下过去所有的分类方法，保证不要过拟合到当下的 case。这有点像它同时负责评测提分和构建评测集，既当裁判又当运动员。对于简单问题来说这没什么问题，但对于复杂问题，很难让历史数据全部回归一次。目前只能依赖它自身的通用能力，配合提示词来防止过拟合。
1. 对 AI 的追问做出回应
Claude Code 完成任务后，有较高比例会主动提出下一步要做什么。其中 80% 都没什么用，但如果忽略它，它可能会一直提，影响它的判断。所以要回应它的这些追问，哪怕只是简单地告诉它不用做这些。
就好像我们带一个实习生一样。实习生很积极，有想法，但很多想法不对，那就要告诉他或纠正他，防止他一直沿着这种想法走偏。
2. 尽量让 AI 来修改 AI 的产出
AI 的产出，尽量让 AI 来修改，而不要自己修改。如果实在要自己修改，请告诉它你修改过，且让它读一遍，再和它进行下一步的任务。
BTW：我在 claude.md 文件中有要求：如果 Claude Code 最终的产出包含文件，请在某个我指定的默认文件夹下建一个子文件夹，把这些产出放到这个文件夹下，且 Git 初始化。每次运行任务前，检测这个文件夹有没有变动，有的话，帮我进行一次手动提交。每次完成任务后，自己进行一次手动提交，以保存我和它的所有修改，且将我和它的修改进行区分。
3. 对 Claude Code 提出修改意见时，下意识思考如何让它一步到位完成结果
对 Claude Code 提出任何修改意见时，请下意识地思考：我要怎样修改、完善我的 claude.md 和 skill.md 文件，或者请它帮我完善这两个文件，能让它一步到位地实现我的想法，而不需要我再给出这些修改意见。
4. 最重要的：将最终产出反馈给 Claude Code
如果 Claude Code 交付了成果，我最终应用了一部分，成为了我的实际产出，请把这个产出发回给 Claude Code，让它思考要怎样善 claude.md 和 skill.md ，才能更趋近于这个产出的结果。
把 Claude Code 当成一个实习生。实习生渴望成长，渴望反馈，渴望有闭环。我们要给它这个闭环，帮助它成长。
进一步地，关于第四点，特别是对于重复性工作，可以借助此让 AI 实现“自进化”。
以我的周报文档为例： 我让 AI 基于我所有的文档和消息，按照一定的格式撰写周报。它本地会留存一份它写的 MD 版本，且它会直接填充到飞书文档上。我会修改这个飞书文档的版本作为我的正式交付。等到下一周，它会首先比较它生成的原始 MD 文档版本和我最终交付的飞书文档版本，思考怎样完善它的 skill.md ，才能尽可能让它的产出无限趋近我的产出，然后基于新的 skill.md 再生成新的周报，循环往复。
我非常惊叹于 Claude Code 的自进化能力。第一周的时候，它写的周报大概只有 20% 的东西能用。这样迭代了两次，等到第三周的时候，它写的东西竟然能有 90% 的东西可以直接用了。
除此之外，还有让 AI 帮我做简历评估。每天通过 Broswer Use 拉取飞书招聘中简历待评估列表中所有它还没评估的简历，帮我自动评估是否通过，理由如何。
一开始做得不好，后来我突然联想到了周报的这个自进化过程，让它每次在评估之前，先拉取我过去所有的我最终拍板的面试评价和简历评估，以及它本地原始的简历评估，并自行思考要怎样评估才能更接近我的判断，然后它再对最新的简历进行评估，不断自进化。
包括我让 Claude Code 帮我做面前准备，通过 browser-use 拉取所有的简历、作品集、评语、附件和网站，然后帮我整理面试者的基本信息。同时，基于对我的工作的理解和岗位需求的理解，准备一些个性化的问题。
在每天读取未来的面试列表做面前准备之前，我也会让它去读一下我过去面试的转写逐字稿，看看我真的会问哪些问题。如果有些问题我问了，但它在准备时没考虑到，它应该如何调整才能更接近我真实的面试流程，从而实现自进化。
我了解到 Hermes Agent 也有自进化的概念，但它的自进化本质上是面向过程进化来优化 token 效率，而不是面向结果的。因为作为一个通用产品，它无法对结果的好坏进行评估，也就无法基于结果进行自进化。
但个人使用的话，结果好坏的置信度是非常高的，可以让 AI 基于结果来自进化。进化的载体就是 claude.md 和 skill.md。虽然这样做会导致太个性化、无法泛化，但对个人使用来说完全不是问题。
当我真正用熟这个体验后，我突然联想到这可能也是一种 continual learning。怎么联想到的呢，因为我发现这种自进化竟然也有类似灾难性遗忘的问题。我发现它为了弥合最近一段时间的简历评估结果，会导致过拟合。如果真的让它再回测之前的评估，大概会有偏离。但这些任务本身都很消耗 token，目前不太好回测。
目前对于简单的问题有比较好的解法。例如我让它做自动的 bug 优先级分类，每次分类完都会通过飞书消息发给我，我会告诉它哪些分得不合理。因为 bug 描述和分类消耗的 token 很少，所以我直接把历史数据全部存档了。当它有大的 skill 优化时，就回测一下过去所有的分类方法，保证不要过拟合到当下的 case。这有点像它同时负责评测提分和构建评测集，既当裁判又当运动员。对于简单问题来说这没什么问题，但对于复杂问题，很难让历史数据全部回归一次。目前只能依赖它自身的通用能力，配合提示词来防止过拟合。
32 06
我用的大部分 skill 都是自己做的，其中大部分本质上只是我重复性工作的 prompt，只是这些 prompt 很复杂，且需要持续进化。我一直在网上想找一些能对工作产生真实有用的帮助的 skill，但尝试了很多都不太行，不知道是我收集的范围不够广，还是我的需求太个性化。
直到我在即刻上刷到@ashsely 的这个增长 skill，真的让我对 skill 有了非常大的改观。运行这个 skill 哪怕只是简单说一句话，比如“分析某某产品”，不需要任何额外提示，就能得到一份非常强大的分析报告。我之前从未想到，仅凭一个 skill 自身就可以把产品分析探索到这种极限。AI 能发挥的空间比我们想象的要大得多，而凝结了人类智慧的 skill，能够帮助我们触达这种上限。
另外，也想问问大家，你们有什么自己用到的、真的对工作有实质帮助的 skill 吗？欢迎分享，非常需要🙏。
直到我在即刻上刷到@ashsely 的这个增长 skill，真的让我对 skill 有了非常大的改观。运行这个 skill 哪怕只是简单说一句话，比如“分析某某产品”，不需要任何额外提示，就能得到一份非常强大的分析报告。我之前从未想到，仅凭一个 skill 自身就可以把产品分析探索到这种极限。AI 能发挥的空间比我们想象的要大得多，而凝结了人类智慧的 skill，能够帮助我们触达这种上限。
另外，也想问问大家，你们有什么自己用到的、真的对工作有实质帮助的 skill 吗？欢迎分享，非常需要🙏。
13 13
作为 PM，工作中的所有文档产出现在都是 Claude Code 在帮我写了，而它能写得非常好的最重要原因是它有飞书的信源。
但飞书的消息和文档搜索做得不太好，效果不够好，速度也很慢，所以我让 AI 写了个脚本定期把它们导出到本地。消息导出成 Jsonl， 每天四次，文档导出成 md 和 csv，每天两次。
导出来之后搜索就非常快，这在算法上叫用空间换时间，几十兆的存储空间，换来从几十分钟到几十秒的单次搜索速度。
这不只是量变，而是在用户和模型可接受的延迟条件下让长程创作任务真正变得可行。
但飞书的消息和文档搜索做得不太好，效果不够好，速度也很慢，所以我让 AI 写了个脚本定期把它们导出到本地。消息导出成 Jsonl， 每天四次，文档导出成 md 和 csv，每天两次。
导出来之后搜索就非常快，这在算法上叫用空间换时间，几十兆的存储空间，换来从几十分钟到几十秒的单次搜索速度。
这不只是量变，而是在用户和模型可接受的延迟条件下让长程创作任务真正变得可行。
49 68
我和女朋友异地，每天晚上用飞书会议聊天。飞书有文字纪要，所以我攒下了五六百篇我们的聊天。
我让 Claude Code 基于这些纪要去理解女朋友的偏好，帮我推荐礼物，推荐得特别好。大节日礼物、每次从北京出差带回去的几十块小礼物，它推荐的都特别准。比如女朋友喜欢甜酷风的东西，我自己都不知道——但她说过，她说过但是我没记下来，AI 能抽出来。她说过她的 AppleWatch 表带发黄了，她真的说过这句话，我也记得，但我想不到要再买个新表带，AI 就知道。
她觉得脸上有些痘印，皮肤变得暗沉发黄，很苦恼，Claude Code 推荐了美容仪。我同时用了 ChatGPT、Claude、Gemini的 deep research，也用了 Claude Code去调研具体买哪款美容仪。Claude Code 效果比其他的都好——要知道，Claude Code 是没有专门为 Deep Research 适配过的（至少我当时还没有体验到），它只是简单地做一轮又一轮的搜索，但它只要有了上下文，哪怕只是做简单的的搜索，都比专门做深度搜索的工具更好，因为上下文能带来更精准的判断。它知道我女朋友脸部的各种细节描述，知道我女朋友的各种购物偏好。所以能推出更精准的美容仪。那些专门做深度搜索的工具就很差，因为它只有我说的那几百字。
大模型是预测。当你的上下文不充分，它的预测就是给你一个最平均的回答，也许这个平均的回答已经很好了。但当你给它的上下文足够充分，你会对它施加一个强大的引力和扭转，它会给你一个更好的回答——也许这个回答在大众的意义上并不是最好的，但它对你就是最好的。
我让 Claude Code 基于这些纪要去理解女朋友的偏好，帮我推荐礼物，推荐得特别好。大节日礼物、每次从北京出差带回去的几十块小礼物，它推荐的都特别准。比如女朋友喜欢甜酷风的东西，我自己都不知道——但她说过，她说过但是我没记下来，AI 能抽出来。她说过她的 AppleWatch 表带发黄了，她真的说过这句话，我也记得，但我想不到要再买个新表带，AI 就知道。
她觉得脸上有些痘印，皮肤变得暗沉发黄，很苦恼，Claude Code 推荐了美容仪。我同时用了 ChatGPT、Claude、Gemini的 deep research，也用了 Claude Code去调研具体买哪款美容仪。Claude Code 效果比其他的都好——要知道，Claude Code 是没有专门为 Deep Research 适配过的（至少我当时还没有体验到），它只是简单地做一轮又一轮的搜索，但它只要有了上下文，哪怕只是做简单的的搜索，都比专门做深度搜索的工具更好，因为上下文能带来更精准的判断。它知道我女朋友脸部的各种细节描述，知道我女朋友的各种购物偏好。所以能推出更精准的美容仪。那些专门做深度搜索的工具就很差，因为它只有我说的那几百字。
大模型是预测。当你的上下文不充分，它的预测就是给你一个最平均的回答，也许这个平均的回答已经很好了。但当你给它的上下文足够充分，你会对它施加一个强大的引力和扭转，它会给你一个更好的回答——也许这个回答在大众的意义上并不是最好的，但它对你就是最好的。
834 147366
刚刚体验了一下光帆耳机，我感觉真的挺容易让人暴躁的，响应很不智能。它 onboarding 宣传的这些 case，除了拍照之外，其他的 Siri 都能干，而且大模型没出来的时候，Siri 就能干这些事情了，编排个 workflow 就可以了，只是转移到耳机上再加个拍照。
体验上首先，注册 esim 它识别我的身份证，拍了十几次才识别（可能不是它而是中国移动的问题）。用的时候一定要用“晓帆”这个唤醒词唤醒它，而且你不能一下子同时说唤醒词加上需求。你必须先用“晓帆”唤醒它，然后第二句才能去说需求。
说需求之后，它有时候会听不太清楚，你声音得大一点。声音大一点呢，它有时候也不能响应。
如果你继续跟它聊，它有时候会忘记在聊啥，它会断掉。你再用“嘿，晓帆”唤醒它，它就不记得前面聊过啥了。
它这个拍照功能呢，你跟它说了之后，它需要等一会儿，它会“咔”一声拍个照片。你得定在那儿，等着它拍照。拍完照之后，识别很慢。我唤醒了它好几次，它才告诉我手里拿着 AD 钙。
用户价值 = 新体验 - 旧体验 - 替换成本，我其实很困惑的是，它宣传的这些场景在手机上使用是很困难吗？是有什么不得不优化的痛点吗？
滴滴打车的流程，已经被滴滴里面几十位产品经理用几年的时间优化了几百个版本了，怎么选出发点、怎么选车型、怎么查看等车进度，都是最简最优的体验了，在耳机上微弱的新体验怎么覆盖巨大的替换成本。
所以有用户来反馈下这个硬件真实好用的场景是啥不？是我体验没到位吗？
体验上首先，注册 esim 它识别我的身份证，拍了十几次才识别（可能不是它而是中国移动的问题）。用的时候一定要用“晓帆”这个唤醒词唤醒它，而且你不能一下子同时说唤醒词加上需求。你必须先用“晓帆”唤醒它，然后第二句才能去说需求。
说需求之后，它有时候会听不太清楚，你声音得大一点。声音大一点呢，它有时候也不能响应。
如果你继续跟它聊，它有时候会忘记在聊啥，它会断掉。你再用“嘿，晓帆”唤醒它，它就不记得前面聊过啥了。
它这个拍照功能呢，你跟它说了之后，它需要等一会儿，它会“咔”一声拍个照片。你得定在那儿，等着它拍照。拍完照之后，识别很慢。我唤醒了它好几次，它才告诉我手里拿着 AD 钙。
用户价值 = 新体验 - 旧体验 - 替换成本，我其实很困惑的是，它宣传的这些场景在手机上使用是很困难吗？是有什么不得不优化的痛点吗？
滴滴打车的流程，已经被滴滴里面几十位产品经理用几年的时间优化了几百个版本了，怎么选出发点、怎么选车型、怎么查看等车进度，都是最简最优的体验了，在耳机上微弱的新体验怎么覆盖巨大的替换成本。
所以有用户来反馈下这个硬件真实好用的场景是啥不？是我体验没到位吗？
11 34
