即刻App年轻人的同好社区
下载
从0开始的机器学习
github.com/DorsaRoh/Machine-Learning
教学项目，教你仅使用 numpy 实现的机器学习中的 1.神经网络， 2.Transformer
#AIGC创作大赛·夏日
github.com/DorsaRoh/Machine-Learning
教学项目，教你仅使用 numpy 实现的机器学习中的 1.神经网络， 2.Transformer
#AIGC创作大赛·夏日
2 00
一个RAG教学项目。
github.com/fareedkhan-dev/all-rag-techniques
“这个代码仓库采用了一种清晰、亲身实践的方法来讲解检索增强生成（RAG），将各种先进技术分解为直截了当、易于理解的实现。这里的所有内容都是使用我们熟悉的 Python 库（如 openai、numpy、matplotlib 及其他几个库）构建的，而不是依赖 LangChain 或 FAISS 等框架。
目标很简单：提供可读、可修改且具有教育意义的代码。通过专注于基础原理，本项目旨在揭开 RAG 的神秘面紗，让您更容易理解其真实的工作原理。”
#AIGC创作大赛·夏日
github.com/fareedkhan-dev/all-rag-techniques
“这个代码仓库采用了一种清晰、亲身实践的方法来讲解检索增强生成（RAG），将各种先进技术分解为直截了当、易于理解的实现。这里的所有内容都是使用我们熟悉的 Python 库（如 openai、numpy、matplotlib 及其他几个库）构建的，而不是依赖 LangChain 或 FAISS 等框架。
目标很简单：提供可读、可修改且具有教育意义的代码。通过专注于基础原理，本项目旨在揭开 RAG 的神秘面紗，让您更容易理解其真实的工作原理。”
#AIGC创作大赛·夏日
2 04
GPT-4.1：API中的代码编写新利器
今天，OpenAI 发布了 GPT-4.1、GPT-4.1 mini 和 GPT-4.1 nano 三个新模型。这些模型在编码、指令遵循和长上下文理解方面表现优异，尤其在 SWE-bench 和 Scale 的 MultiChallenge 测试中取得了显著进步。GPT-4.1 mini 和 GPT-4.1 nano 在性能和成本上都有显著提升，特别适合需要快速响应的任务。
"这些改进不仅提高了指令遵循的可靠性，还使 GPT-4.1 模型在驱动代理方面更为有效，这些代理可以独立完成用户指派的任务。"
今天，OpenAI 发布了 GPT-4.1、GPT-4.1 mini 和 GPT-4.1 nano 三个新模型。这些模型在编码、指令遵循和长上下文理解方面表现优异，尤其在 SWE-bench 和 Scale 的 MultiChallenge 测试中取得了显著进步。GPT-4.1 mini 和 GPT-4.1 nano 在性能和成本上都有显著提升，特别适合需要快速响应的任务。
"这些改进不仅提高了指令遵循的可靠性，还使 GPT-4.1 模型在驱动代理方面更为有效，这些代理可以独立完成用户指派的任务。"
0 00
Google 官方提示工程 (Prompt Engineering)白皮书中文版本
这份白皮书的完成得益于众多专家的协作和贡献。审阅者、贡献者、策划者、编辑、技术作者和设计师等不同角色的参与，体现了在人工智能领域创建高质量技术文档所涉及的多方面努力和严谨的开发审查流程。这表明，尽管提示工程的概念相对容易理解，但其有效实践和知识传播仍需结构化的方法和清晰的呈现，反映了该领域日益增长的重要性和复杂性 1。
这份白皮书的完成得益于众多专家的协作和贡献。审阅者、贡献者、策划者、编辑、技术作者和设计师等不同角色的参与，体现了在人工智能领域创建高质量技术文档所涉及的多方面努力和严谨的开发审查流程。这表明，尽管提示工程的概念相对容易理解，但其有效实践和知识传播仍需结构化的方法和清晰的呈现，反映了该领域日益增长的重要性和复杂性 1。
https://mp.weixin.qq.com/s/hvq7NHkPluq_kLHB4B_Vqw
4 04
**大型语言模型（LLMs）究竟在多大程度上提升了现实世界程序员的生产力？**
基于LLM的代码辅助工具已经面世大约两年了。许多开发人员报告说，这显著提高了他们的生产力，甚至达到了5倍/10倍。
至少，很明显，这种倍增效应并非在整个领域普遍存在。毕竟，并没有相应的产出增长。
这是有道理的。如果你在做任何非平凡的事情（即，除了向你的代码库添加次要的样板功能之外的任何事情），LLM工具都很麻烦。开箱即用的解决方案并不能为此目的“即插即用”。你需要显著调整你的工作流程才能使用它们，如果这甚至可能的话。大多数程序员不知道如何做到这一点/也不愿意费心。
因此，假设存在5倍/10倍的更大产出是合理的，这种产出是不均衡的，主要影响高级用户/特别擅长使用LLM的人。
从经验上看，我们似乎也没有生活在一个整个软件行业突然变得比以往生产力高5-10倍的世界里。这种情况已经持续了1-2年，至少我个人感觉几乎没有受到任何影响。我没有看到我使用的软件中出现5-10倍更有用的功能，或者出现5-10倍对我来说有用的软件，或者我正在使用的软件突然变得比以往好5-10倍，等等。
然而，我也很难在其他任何地方看到所谓的5-10倍的提升。如果高级用户正在经历如此大的改进，那么是什么项目实现了这一点？
以前，我假设我不知道，只是因为我“与世隔绝”。所以我试图让Deep Research为我获取一个概述，但它……也难以找到任何具体的东西。请自行判断：一，二。COBOL重构算数，但仅此而已。（也许我不擅长提示？）
即使是AGI实验室面向客户的产品，也没有提供大量以复杂方式与他们的LLM交互的丰富功能——即使你认为那里会有大量的高级用户。你只有一个对话框，可以向其中上传PDF，仅此而已。你不能让LLM与不断增长的任意软件和数据类型列表交互，没有可以按需打开/关闭的无尽的QoL功能列表，等等。[1]
因此，我现在向LW提问：现实世界的影响是什么？现在存在哪些没有LLM就不会存在的项目/进步？如果这些都没有公开归因于LLM，那么哪些项目出现得异常迅速，经过冷静分析，它们不可能在黑暗的LLM时代之前如此迅速地启动？如果有的话，编程生态系统的哪个部分正在经历10倍的增长？
如果我们假设这种情况将会扩散，所有程序员都将获得与早期采用者现在所经历的相同的生产力提升，那么现实世界的影响会是什么？
为了澄清，我**不**要求的是：
* 充满关于生产力提高10倍的模糊炒作的报告，没有明确说明这种10倍的生产力实现了什么项目。（Twitter上充斥着这些，但实际交付有用的东西很少。）
* 表明生产力提高了X%的抽象经济指标。（这可能意味着任何事情，包括基于LLM的泡沫。）
* “此分析显示上个季度产生的代码增加了Y%”的抽象指标。（这可能只是表明人工智能产生了代码垃圾/膨胀。）
* 表明Z%的开发人员被解雇/初级开发人员找不到工作的抽象经济指标。（这可能主要是恢复到新冠疫情前的正常趋势。）
* 像“我使用ChatGPT生成了第1000个Snake克隆/这个网站的克隆！”这样的无用玩具示例。
* 作为LLM包装器的新工具/功能，而不是通过LLM帮助创建的。（我不是在寻找LLM即服务，我是在寻找由于LLM帮助而更快/更好地产生的“平凡”输出。）
也就是说：我想要具体的、重要的现实生活后果。
从我目前为止没有观察到任何这些事实，以及本着坎宁安定律的精神，这里有一个试探性的阴谋论：LLM实际上并没有净提升程序员的生产力。相反：
* 程序员通过LLM生成代码节省的N小时，然后被重新浪费在修复/解开这些代码上。
* 在宏观层面上，这有时会导致“爬上你下不来的地方”，你使用LLM生成一个庞大的代码库，然后一旦超过大小/复杂性阈值，它就会变得混乱，然后你必须从头开始，因为LLM做出了可怕/陌生的架构决策。这同样会破坏（几乎？）所有明显的生产力提升。
* 在LLM实际上导致人们创建新软件的范围内，它主要是没人最终使用且不需要存在的临时小玩意/概念验证。但它仍然“感觉”你的生产力已经飙升。
* 在LLM实际上增加了进入有用应用程序的代码量的范围内，它主要最终用于创建不需要存在的膨胀软件/服务。也就是说，它实际上使交付的软件变得更糟，因为它编写得更懒惰。
* 体验到LLM改善其工作流程的人们大多被以自然语言要求LLM做某事，然后立即得到有点可用的代码的魔法效果所迷惑。他们没有跟踪他们花费了多少时间来集成和修复这些代码，以及/或这些代码实际使用了多少。
我并不完全相信这个阴谋论，感觉它不可能成真。但它突然变得非常有说服力。
我预计LLM肯定对编写次要功能或让编程/特定库/特定代码库经验不足的人更容易上手和学习更快很有用。它们在这些方面对我很有用。但它可能就像10-30%的整体提升，加上在新领域入门和一些罕见的临时项目（如“进行简单的重构”）的固定成本降低。
除非AGI实验室真正破解了长期代理/创新，否则这种情况基本上会保持不变；也就是说，基本上直到真正的AGI出现。
基于LLM的代码辅助工具已经面世大约两年了。许多开发人员报告说，这显著提高了他们的生产力，甚至达到了5倍/10倍。
至少，很明显，这种倍增效应并非在整个领域普遍存在。毕竟，并没有相应的产出增长。
这是有道理的。如果你在做任何非平凡的事情（即，除了向你的代码库添加次要的样板功能之外的任何事情），LLM工具都很麻烦。开箱即用的解决方案并不能为此目的“即插即用”。你需要显著调整你的工作流程才能使用它们，如果这甚至可能的话。大多数程序员不知道如何做到这一点/也不愿意费心。
因此，假设存在5倍/10倍的更大产出是合理的，这种产出是不均衡的，主要影响高级用户/特别擅长使用LLM的人。
从经验上看，我们似乎也没有生活在一个整个软件行业突然变得比以往生产力高5-10倍的世界里。这种情况已经持续了1-2年，至少我个人感觉几乎没有受到任何影响。我没有看到我使用的软件中出现5-10倍更有用的功能，或者出现5-10倍对我来说有用的软件，或者我正在使用的软件突然变得比以往好5-10倍，等等。
然而，我也很难在其他任何地方看到所谓的5-10倍的提升。如果高级用户正在经历如此大的改进，那么是什么项目实现了这一点？
以前，我假设我不知道，只是因为我“与世隔绝”。所以我试图让Deep Research为我获取一个概述，但它……也难以找到任何具体的东西。请自行判断：一，二。COBOL重构算数，但仅此而已。（也许我不擅长提示？）
即使是AGI实验室面向客户的产品，也没有提供大量以复杂方式与他们的LLM交互的丰富功能——即使你认为那里会有大量的高级用户。你只有一个对话框，可以向其中上传PDF，仅此而已。你不能让LLM与不断增长的任意软件和数据类型列表交互，没有可以按需打开/关闭的无尽的QoL功能列表，等等。[1]
因此，我现在向LW提问：现实世界的影响是什么？现在存在哪些没有LLM就不会存在的项目/进步？如果这些都没有公开归因于LLM，那么哪些项目出现得异常迅速，经过冷静分析，它们不可能在黑暗的LLM时代之前如此迅速地启动？如果有的话，编程生态系统的哪个部分正在经历10倍的增长？
如果我们假设这种情况将会扩散，所有程序员都将获得与早期采用者现在所经历的相同的生产力提升，那么现实世界的影响会是什么？
为了澄清，我**不**要求的是：
* 充满关于生产力提高10倍的模糊炒作的报告，没有明确说明这种10倍的生产力实现了什么项目。（Twitter上充斥着这些，但实际交付有用的东西很少。）
* 表明生产力提高了X%的抽象经济指标。（这可能意味着任何事情，包括基于LLM的泡沫。）
* “此分析显示上个季度产生的代码增加了Y%”的抽象指标。（这可能只是表明人工智能产生了代码垃圾/膨胀。）
* 表明Z%的开发人员被解雇/初级开发人员找不到工作的抽象经济指标。（这可能主要是恢复到新冠疫情前的正常趋势。）
* 像“我使用ChatGPT生成了第1000个Snake克隆/这个网站的克隆！”这样的无用玩具示例。
* 作为LLM包装器的新工具/功能，而不是通过LLM帮助创建的。（我不是在寻找LLM即服务，我是在寻找由于LLM帮助而更快/更好地产生的“平凡”输出。）
也就是说：我想要具体的、重要的现实生活后果。
从我目前为止没有观察到任何这些事实，以及本着坎宁安定律的精神，这里有一个试探性的阴谋论：LLM实际上并没有净提升程序员的生产力。相反：
* 程序员通过LLM生成代码节省的N小时，然后被重新浪费在修复/解开这些代码上。
* 在宏观层面上，这有时会导致“爬上你下不来的地方”，你使用LLM生成一个庞大的代码库，然后一旦超过大小/复杂性阈值，它就会变得混乱，然后你必须从头开始，因为LLM做出了可怕/陌生的架构决策。这同样会破坏（几乎？）所有明显的生产力提升。
* 在LLM实际上导致人们创建新软件的范围内，它主要是没人最终使用且不需要存在的临时小玩意/概念验证。但它仍然“感觉”你的生产力已经飙升。
* 在LLM实际上增加了进入有用应用程序的代码量的范围内，它主要最终用于创建不需要存在的膨胀软件/服务。也就是说，它实际上使交付的软件变得更糟，因为它编写得更懒惰。
* 体验到LLM改善其工作流程的人们大多被以自然语言要求LLM做某事，然后立即得到有点可用的代码的魔法效果所迷惑。他们没有跟踪他们花费了多少时间来集成和修复这些代码，以及/或这些代码实际使用了多少。
我并不完全相信这个阴谋论，感觉它不可能成真。但它突然变得非常有说服力。
我预计LLM肯定对编写次要功能或让编程/特定库/特定代码库经验不足的人更容易上手和学习更快很有用。它们在这些方面对我很有用。但它可能就像10-30%的整体提升，加上在新领域入门和一些罕见的临时项目（如“进行简单的重构”）的固定成本降低。
除非AGI实验室真正破解了长期代理/创新，否则这种情况基本上会保持不变；也就是说，基本上直到真正的AGI出现。
1 00
41岁DeepMind天才科学家Felix Hill生前写的一篇Blog：200Bn Weights of Responsibility，讲述了从事AI的工作压力[蜡烛]
2000亿参数背后的压力：AI研究者的真实心声
AI技术飞速发展，ChatGPT、Gemini等大模型成为社会焦点。然而，AI领域的热潮也给从业者带来了前所未有的压力。DeepMind研究员Felix Hill在他的博文中分享了自己在AI领域工作的挑战和挣扎。
主要压力点：
1. 无处逃避： 在社交场合、广告、甚至新闻中，AI话题无处不在，难以放松。
2. 隐形竞争： 大公司之间的“模型战争”让AI研究者如同身处无形的战场。
3. 商业化压力： 研究成果的短期影响可能牵动数十亿美元的市场估值。
4. 科学的迷茫： 大模型的“规模为王”趋势，让基础科学研究显得无足轻重。
5. 论文困境： 商业机密与学术出版之间难以平衡，研究者常感失去对自己创意的控制权。
心理挑战：
Felix坦言，自己因压力一度陷入心理危机，但通过支持网络和反思，他逐渐走出阴影。他强调：“知道自己并不孤单，是我在最黑暗时刻的一束希望。”
📌 Felix的建议：
- 善待自己： 重视心理健康，寻找生活中的支持
- 与人分享： 开诚布公地讨论工作中的压力，共同创造一个更具同理心的AI社区。
#AI工作流
2000亿参数背后的压力：AI研究者的真实心声
AI技术飞速发展，ChatGPT、Gemini等大模型成为社会焦点。然而，AI领域的热潮也给从业者带来了前所未有的压力。DeepMind研究员Felix Hill在他的博文中分享了自己在AI领域工作的挑战和挣扎。
主要压力点：
1. 无处逃避： 在社交场合、广告、甚至新闻中，AI话题无处不在，难以放松。
2. 隐形竞争： 大公司之间的“模型战争”让AI研究者如同身处无形的战场。
3. 商业化压力： 研究成果的短期影响可能牵动数十亿美元的市场估值。
4. 科学的迷茫： 大模型的“规模为王”趋势，让基础科学研究显得无足轻重。
5. 论文困境： 商业机密与学术出版之间难以平衡，研究者常感失去对自己创意的控制权。
心理挑战：
Felix坦言，自己因压力一度陷入心理危机，但通过支持网络和反思，他逐渐走出阴影。他强调：“知道自己并不孤单，是我在最黑暗时刻的一束希望。”
📌 Felix的建议：
- 善待自己： 重视心理健康，寻找生活中的支持
- 与人分享： 开诚布公地讨论工作中的压力，共同创造一个更具同理心的AI社区。
#AI工作流
2 00
想用Cursor提升编程效率？这份来自开发者的深度实战指南值得收藏：
1. 项目起步要做足功课
先用ChatGPT设计PRD、数据库、配色方案和整体架构，全部存成.md文件，为后续开发打好基础。
2. 打好坚实基础
善用V0等工具生成初始UI代码，再用Cursor优化。这种组合拳既保准确度又省返工。
3. 用好cursor.directory
这是个宝藏工具库——根据你的技术栈定制提示词，效果立竿见影。
4. 文档随手可取
把Next.js、Supabase等官方文档同步到Cursor，需要时用 @ LibraryName 快速调用，也可用 @ Docs 添加私人知识库。
5. 智能联网助手
用 @ Web 指令让Cursor帮你实时搜索最新资料，解答疑难杂症。
6-8. 效率提升三板斧
- 把优质代码存成.md文件留作后用
- 用 @ Codebase 指令快速检索项目代码
- 学会用 ⌘K 快捷键编辑代码
9-11. 进阶技巧包
- UI调试靠截图更直观
- 让AI解释代码助你理解编程模式
- 从Vercel模板库起步，常用功能不用重造轮子
核心要诀：给Cursor清晰详细的指令，前期多投入准备工作，就能事半功倍。
#人工智能##AI创造营#
1. 项目起步要做足功课
先用ChatGPT设计PRD、数据库、配色方案和整体架构，全部存成.md文件，为后续开发打好基础。
2. 打好坚实基础
善用V0等工具生成初始UI代码，再用Cursor优化。这种组合拳既保准确度又省返工。
3. 用好cursor.directory
这是个宝藏工具库——根据你的技术栈定制提示词，效果立竿见影。
4. 文档随手可取
把Next.js、Supabase等官方文档同步到Cursor，需要时用 @ LibraryName 快速调用，也可用 @ Docs 添加私人知识库。
5. 智能联网助手
用 @ Web 指令让Cursor帮你实时搜索最新资料，解答疑难杂症。
6-8. 效率提升三板斧
- 把优质代码存成.md文件留作后用
- 用 @ Codebase 指令快速检索项目代码
- 学会用 ⌘K 快捷键编辑代码
9-11. 进阶技巧包
- UI调试靠截图更直观
- 让AI解释代码助你理解编程模式
- 从Vercel模板库起步，常用功能不用重造轮子
核心要诀：给Cursor清晰详细的指令，前期多投入准备工作，就能事半功倍。
#人工智能##AI创造营#
41 031
2025 年AI工程师阅读清单
www.latent.space/p/2025-papers
Latent.Space总结了选择了 50 篇/模型/博客，涵盖 AI 领域的 10 个方向：LLMs、基准、提示、RAG、代理、CodeGen、视觉、语音、扩散、微调。每篇文章的选择都是基于其对人工智能工程师职业发展的重要性和对未来技术趋势的预测。
之前转过一次了，今天看到Jim Fan也在推荐这个阅读清单，单独再发一次。
www.latent.space/p/2025-papers
Latent.Space总结了选择了 50 篇/模型/博客，涵盖 AI 领域的 10 个方向：LLMs、基准、提示、RAG、代理、CodeGen、视觉、语音、扩散、微调。每篇文章的选择都是基于其对人工智能工程师职业发展的重要性和对未来技术趋势的预测。
之前转过一次了，今天看到Jim Fan也在推荐这个阅读清单，单独再发一次。
11 014
3.17亿粉丝 全球第一网红，MRBEAST公司内部培训手册
教你如何制造爆款内容
MrBeast 是 Youtube 订阅者最多的作者，截止2024年9月，他拥有3.17亿粉丝。
这份36页的 PDF 《MRBEAST 成功指南》文件，为 MrBeast 的员工培训手册， 由Jimmy（MrBeast）本人亲自撰写。
虽然 MrBeast 的节目制作成本往往让普通人望尘莫及（单单有的节目奖金就高达50万美金），但是这本手册还是有很多非常通用的借鉴意义。
我完整的看完了，内容真诚丰富详实的描述了他制作爆款视频的一些技巧和心得，以及教授员工如何来学习制作爆款内容和完成复杂艰巨的工作。
非常值得借鉴！
在第一页，MrBeast 要求员工熟读这本手册的每一句话，读完以后还要考试，通过者可以得到1000美元。
在手册结尾 Jimmy写着：要求所有人重复再看一遍：“因为我保证你第一次没有记住足够的内容。”
完整手册内容翻译 及 PDF下载：t.cn
教你如何制造爆款内容
MrBeast 是 Youtube 订阅者最多的作者，截止2024年9月，他拥有3.17亿粉丝。
这份36页的 PDF 《MRBEAST 成功指南》文件，为 MrBeast 的员工培训手册， 由Jimmy（MrBeast）本人亲自撰写。
虽然 MrBeast 的节目制作成本往往让普通人望尘莫及（单单有的节目奖金就高达50万美金），但是这本手册还是有很多非常通用的借鉴意义。
我完整的看完了，内容真诚丰富详实的描述了他制作爆款视频的一些技巧和心得，以及教授员工如何来学习制作爆款内容和完成复杂艰巨的工作。
非常值得借鉴！
在第一页，MrBeast 要求员工熟读这本手册的每一句话，读完以后还要考试，通过者可以得到1000美元。
在手册结尾 Jimmy写着：要求所有人重复再看一遍：“因为我保证你第一次没有记住足够的内容。”
完整手册内容翻译 及 PDF下载：t.cn
1 01