即刻App年轻人的同好社区
下载
置顶💡 如何与 GPT-5 Thinking 对话，更稳定地拿到「aha」时刻？
这段时间我的真实体验是：当我把需求说清楚、把提问流程设计成「教练式」时，GPT-5 Thinking 会发生质变——从「听懂了」升级为「带我做完」。
我沉淀出三句在 Prompt 末尾补充的「核心指令」（长期有效）：
1.「一定要仔细，不要有遗漏。」——用于代码走查、要点清单与边界梳理，是一个关键句补充；
2.「请深度多轮思考，并试图揣摩我的说话意图。」——可以基于最近 GPT-5 Thinking 对我的记忆来揣摩我的真实意图；有时候的回复会给我「aha」时刻的感觉，会出现不同的讲解，从而让我对自己多一种理解，更懂自己；
3.「请提供最佳的喂饭级实践指导 SOP。」——这句话补充在后面，往往 GPT-5 Thinking 会给教练式的手把手教学：「步骤、注意事项、验收标准，一页化、能落地」，非常适合新习惯或新认知的养成与理解等。
为了从「能做」到「做好」，我会叠加这些加速器（按需取用）：
a) 先给结论：再给理由，并附具体执行步骤与优先级。
b) 明确边界：说明关键假设、边界条件与不适用场景。
c) 提供备选：给出 ≥3 个方案，并解释适用情境与取舍依据。
d) 预判风险：同步列出风险点与验证清单（含异常与回退策略）。
e) 主动提问：如信息不足，请明确指出信息缺口，并给出提问清单。
f) 收敛行动：整理成模板或最小可用示例 MVP，最后收敛为「下一步三件事」。
g) 生成摘要（可选）：给一个 3 行摘要，方便转发/记录。
这些指令听着朴实无华，但拳拳到肉，极其好用。
我在 code review / 论文写作 / 方案评估 / 习惯养成里，反复用这套「组合拳」，命中率很高，常常会冒出新的理解与路径。
也欢迎你们在评论区补充你们的「魔法指令」，我们把好用的话术沉淀成一套共享的工作流，让更多人拿到自己的「aha」时刻。
——写在最后：这篇不是技巧秀，是一次真诚的复盘。希望它能帮到和我一样忙、一样想要效率与确定性的你们。
这段时间我的真实体验是：当我把需求说清楚、把提问流程设计成「教练式」时，GPT-5 Thinking 会发生质变——从「听懂了」升级为「带我做完」。
我沉淀出三句在 Prompt 末尾补充的「核心指令」（长期有效）：
1.「一定要仔细，不要有遗漏。」——用于代码走查、要点清单与边界梳理，是一个关键句补充；
2.「请深度多轮思考，并试图揣摩我的说话意图。」——可以基于最近 GPT-5 Thinking 对我的记忆来揣摩我的真实意图；有时候的回复会给我「aha」时刻的感觉，会出现不同的讲解，从而让我对自己多一种理解，更懂自己；
3.「请提供最佳的喂饭级实践指导 SOP。」——这句话补充在后面，往往 GPT-5 Thinking 会给教练式的手把手教学：「步骤、注意事项、验收标准，一页化、能落地」，非常适合新习惯或新认知的养成与理解等。
为了从「能做」到「做好」，我会叠加这些加速器（按需取用）：
a) 先给结论：再给理由，并附具体执行步骤与优先级。
b) 明确边界：说明关键假设、边界条件与不适用场景。
c) 提供备选：给出 ≥3 个方案，并解释适用情境与取舍依据。
d) 预判风险：同步列出风险点与验证清单（含异常与回退策略）。
e) 主动提问：如信息不足，请明确指出信息缺口，并给出提问清单。
f) 收敛行动：整理成模板或最小可用示例 MVP，最后收敛为「下一步三件事」。
g) 生成摘要（可选）：给一个 3 行摘要，方便转发/记录。
这些指令听着朴实无华，但拳拳到肉，极其好用。
我在 code review / 论文写作 / 方案评估 / 习惯养成里，反复用这套「组合拳」，命中率很高，常常会冒出新的理解与路径。
也欢迎你们在评论区补充你们的「魔法指令」，我们把好用的话术沉淀成一套共享的工作流，让更多人拿到自己的「aha」时刻。
——写在最后：这篇不是技巧秀，是一次真诚的复盘。希望它能帮到和我一样忙、一样想要效率与确定性的你们。
10 111
超越云端：在安卓设备上探索本地大模型的真实性能
Google最近发布了一个名为AI Edge Gallery的实验性安卓应用github.com，它并非一个面向普通用户的聊天工具，而是一个给开发者和技术爱好者用于展示其MediaPipe LLM Inference API能力的参考项目。其核心是实现了完全的“端侧运行”，模型下载后即可离线工作，所有数据处理均在本地完成。
应用内主要展示了四个核心功能用例：一是基础的文本对话（Chat）；二是支持图文输入的多模态对话（Chat with image）；三是将本地音频文件转录为文字（Audio transcription）；四是提供一个用于测试和优化提示词的“提示词实验室”（Prompt Lab）。这些功能清晰地呈现了生成式AI模型在移动设备上不依赖云端，也能实现多样化任务的潜力。
一位机器学习/AI爱好者Hakim Naufal在Medium上发布的一篇文章中分享了他对此的深入体验。他在自己的小米13T手机和电脑桌面上对这个应用进行了测试，并将其与SmolChat等客户端进行了对比。他指出，AI Edge Gallery最大的价值在于其“Stats”性能监控功能，该功能可以实时显示首个token生成时间（TTFT）和每秒解码token数（tokens/sec）等关键指标，让开发者能直观地量化和对比不同模型（如Gemma与Phi-2）在移动硬件上的真实性能表现。
Naufal在文章结尾总结了几点重要的启示。他认为，像AI Edge Gallery这样的官方工具的出现，清晰地表明了AI正加速向边缘设备迁移，这是一个重要的行业趋势。对于开发者而言，这意味着构建更注重隐私、并且能够离线运行的AI应用成为可能。性能是决定端侧AI体验好坏的关键，而这个应用恰好提供了一个标准的基准测试平台，让开发者在项目选型时有据可依，不再是纸上谈兵。
总而言之，虽然端侧AI的能力仍在发展中，但Google通过这个项目，不仅展示了其技术实力，更重要的是为整个开发者社区提供了宝贵的工具和参考实现，极大地降低了开发者探索和构建下一代端侧智能应用的门槛。它清晰地揭示了未来AI应用的一个方向：一个由云端走向终端，更加个人化和无处不在的未来。
Google最近发布了一个名为AI Edge Gallery的实验性安卓应用github.com，它并非一个面向普通用户的聊天工具，而是一个给开发者和技术爱好者用于展示其MediaPipe LLM Inference API能力的参考项目。其核心是实现了完全的“端侧运行”，模型下载后即可离线工作，所有数据处理均在本地完成。
应用内主要展示了四个核心功能用例：一是基础的文本对话（Chat）；二是支持图文输入的多模态对话（Chat with image）；三是将本地音频文件转录为文字（Audio transcription）；四是提供一个用于测试和优化提示词的“提示词实验室”（Prompt Lab）。这些功能清晰地呈现了生成式AI模型在移动设备上不依赖云端，也能实现多样化任务的潜力。
一位机器学习/AI爱好者Hakim Naufal在Medium上发布的一篇文章中分享了他对此的深入体验。他在自己的小米13T手机和电脑桌面上对这个应用进行了测试，并将其与SmolChat等客户端进行了对比。他指出，AI Edge Gallery最大的价值在于其“Stats”性能监控功能，该功能可以实时显示首个token生成时间（TTFT）和每秒解码token数（tokens/sec）等关键指标，让开发者能直观地量化和对比不同模型（如Gemma与Phi-2）在移动硬件上的真实性能表现。
Naufal在文章结尾总结了几点重要的启示。他认为，像AI Edge Gallery这样的官方工具的出现，清晰地表明了AI正加速向边缘设备迁移，这是一个重要的行业趋势。对于开发者而言，这意味着构建更注重隐私、并且能够离线运行的AI应用成为可能。性能是决定端侧AI体验好坏的关键，而这个应用恰好提供了一个标准的基准测试平台，让开发者在项目选型时有据可依，不再是纸上谈兵。
总而言之，虽然端侧AI的能力仍在发展中，但Google通过这个项目，不仅展示了其技术实力，更重要的是为整个开发者社区提供了宝贵的工具和参考实现，极大地降低了开发者探索和构建下一代端侧智能应用的门槛。它清晰地揭示了未来AI应用的一个方向：一个由云端走向终端，更加个人化和无处不在的未来。
https://medium.com/@hakimnaufal/beyond-the-cloud-exploring-local-llms-on-android-with-smolchat-and-google-ai-edge-gallery-1fd10eb76b31
1 00
678（有启发）👍👍，我刚刚将上述信息匹配检索了，分享给有需要的即友们
YouTube 作者是：Alex Finn，标题是：How I use Claude Code to automate my entire life (5 tricks)，网址如下：
www.youtube.com
YouTube 作者是：Alex Finn，标题是：How I use Claude Code to automate my entire life (5 tricks)，网址如下：
www.youtube.com
向度之桥: 我今天刷YouTube看到有一个叫Alex的创作者用Claude Code搭建了一套完整的生活操作系统，直接让AI帮你处理日常工作中那些重复性的任务。 Alex每周四都要写一篇newsletter，以前要花几个小时做市场调研、分析竞品、写草稿。现在他只需要输入一个命令`/newsletter researcher`，AI就会自动分析竞争对手的内容、总结热点趋势、生成个人化的草稿。 什么是真正的AI生产力革命？ 不是那些花里胡哨的功能展示，而是让AI成为你的24小时超级助手。 大多数人对Claude Code的认知停留在编程层面。这么说好像也没错，毕竟它确实是以代码构建为卖点推出的。但Alex发现了一个关键洞察：Claude Code本质上是一个AI智能体，编程只是它的表面功能。 具体来说，它具备三个最核心的能力： 1⃣️文件读写和管理 2⃣️网络搜索和数据抓取 3⃣️自定义指令和子代理创建 让我们拆解一下Alex的newsletter自动化流程： 他在电脑上创建了一个文件夹，里面包含： - 竞品newsletter链接清单 - 个人写作风格样本 - 历史内容存档 然后他给Claude Code输入了一个主提示词：创建一个newsletter研究系统，要求AI分析竞品内容并生成草稿。 真正让人震撼的是Alex建立的整套生活操作系统。他不只有newsletter助手，还有： 情绪追踪系统：每天记录心情状态，AI分析情绪模式并给出建议 内容灵感挖掘器：分析日常思考记录，识别可以发展的内容主题 市场情报收集器：自动搜索行业动态，生成个性化资讯简报 目标管理仪表板：追踪关键指标，分析进展趋势 Alex的这套系统背后体现的是跨领域迁移能力。他把企业级的工作流自动化思维，迁移到了个人生产力管理上。 Alex做了这样的类比： - 企业的CRM系统 → 个人的情绪管理系统 - 企业的BI报表 → 个人的目标追踪仪表板 - 企业的市场调研 → 个人的内容策略分析 Alex的实践揭示了一个重要趋势：未来的工作不是被AI替代，而是与AI协作。 最理想的状态是什么？ 人机协作的分工是：AI负责信息收集、模式识别、初步分析；人类负责创意整合、价值判断、情感表达。 Alex的newsletter流程完美体现了这一点，AI帮他完成了90%的基础工作，但最终的润色、个人观点的注入、情感共鸣的创造，仍然需要他亲自完成。 看到这里，你可能会问：这套系统我也能搭建吗？ 答案是肯定的，但需要转变思维方式。 第一，养成系统化思考的习惯。每当你重复做某项任务时，问自己：这个流程的标准化部分有哪些？哪些可以交给AI处理？ 第二，学会与AI对话。不要把AI当成搜索引擎，而要把它当成你的助手。详细描述你的需求，让它帮你设计解决方案。 第三，接受渐进式改进。Alex的系统不是一天建成的，而是在使用过程中不断优化的结果。 传统的生产力提升往往聚焦在效率层面——如何更快地完成任务。但Alex的实践展示了效果层面的突破——如何重新定义任务本身。 他不是在寻找更快写newsletter的方法，而是在重新定义什么是newsletter创作。传统方法是：调研→写作→发布。他的方法是：设计→执行→优化。 这种思维转变具有普遍意义。在任何领域，当你开始思考如何设计系统而不是执行任务时，你就从操作者转变成了设计者。 Alex展示的不仅仅是一套工具使用方法，更是一种全新的个人管理哲学。 换句话说，未来每个人都需要成为自己生活的产品经理。
1 00
AI 模型的记忆能力正从“一次性”的上下文窗口，向能够持续学习和演化的“认知核心”转变。这不仅是技术上的飞跃，更是通往 AGI 的关键一步。
最近读了一篇关于 LLM 记忆能力现状的长文，总结得相当全面客观。核心观点是，让 AI “记住”不再是简单地把信息塞进 Prompt 或外挂数据库，而是正在发展成一个复杂的系统工程。
1. 记忆的几种主要实现方式：
①上下文内记忆：最直接的短期记忆，但受限于窗口长度，对话结束就忘。
②外部记忆：目前长时记忆的主流方案，通过 RAG 和向量数据库实现，让模型能“检索”海量信息。大部分产品的记忆功能都基于此。
③参数化记忆：通过微调或知识编辑，将信息直接“烧录”进模型权重，实现更内化的记忆。
④类人分层式记忆：更进一步的探索，模仿人脑区分情景记忆（昨天吃了什么）和语义记忆（地球是圆的），让 AI 不仅能记事，还能理解和提炼模式。
2. 未来的几个重要方向和挑战：
①学会遗忘：和记忆同等重要，如何让 AI 过滤掉过时、无关的信息，避免信息冗余和冲突是个大难题。
②多模态记忆：记忆的对象不再局限于文本，而是扩展到图像、音视频，构建更完整的世界知识。字节和浙大等发布的 M3-Agent 就是一个例子。
③原生记忆：不再依赖“外挂”，而是从模型架构层面直接融入记忆能力，比如 Meta 提出的“记忆层” 和一些新创公司的探索。
总的来说，记忆机制正在重塑 AI 的本质。当一个 AI 能凭借积累的记忆，形成自己的经验和偏好时，我们离真正的智能就更近了。这篇文章值得一读。
最近读了一篇关于 LLM 记忆能力现状的长文，总结得相当全面客观。核心观点是，让 AI “记住”不再是简单地把信息塞进 Prompt 或外挂数据库，而是正在发展成一个复杂的系统工程。
1. 记忆的几种主要实现方式：
①上下文内记忆：最直接的短期记忆，但受限于窗口长度，对话结束就忘。
②外部记忆：目前长时记忆的主流方案，通过 RAG 和向量数据库实现，让模型能“检索”海量信息。大部分产品的记忆功能都基于此。
③参数化记忆：通过微调或知识编辑，将信息直接“烧录”进模型权重，实现更内化的记忆。
④类人分层式记忆：更进一步的探索，模仿人脑区分情景记忆（昨天吃了什么）和语义记忆（地球是圆的），让 AI 不仅能记事，还能理解和提炼模式。
2. 未来的几个重要方向和挑战：
①学会遗忘：和记忆同等重要，如何让 AI 过滤掉过时、无关的信息，避免信息冗余和冲突是个大难题。
②多模态记忆：记忆的对象不再局限于文本，而是扩展到图像、音视频，构建更完整的世界知识。字节和浙大等发布的 M3-Agent 就是一个例子。
③原生记忆：不再依赖“外挂”，而是从模型架构层面直接融入记忆能力，比如 Meta 提出的“记忆层” 和一些新创公司的探索。
总的来说，记忆机制正在重塑 AI 的本质。当一个 AI 能凭借积累的记忆，形成自己的经验和偏好时，我们离真正的智能就更近了。这篇文章值得一读。
那天，AI 大模型想起了，被「失忆」所束缚的枷锁 ｜ 机器之心 | BestBlogs.dev
1 00
Gemini APP 内已经嵌入了 Nano Banana 最新图像编辑模型。在 2.5 Pro 或 2.5 Flash 模型下，入口就是第一个“🍌图片”选项。
这样一来，大家就不用再受到 Google AI Studio 里对 Nano Banana 模型每日使用次数的限额困扰了。
而且，更为重要的是，现在 Prompt 可以直接用中文，即可实现和英文 Prompt 相同的效果；这也意味着，可以直接对一张图片用中文 Prompt 进行多轮编辑修改，PS 图片变得更方便快捷了！
这样一来，大家就不用再受到 Google AI Studio 里对 Nano Banana 模型每日使用次数的限额困扰了。
而且，更为重要的是，现在 Prompt 可以直接用中文，即可实现和英文 Prompt 相同的效果；这也意味着，可以直接对一张图片用中文 Prompt 进行多轮编辑修改，PS 图片变得更方便快捷了！
1 00
学到了，感谢分享！我请教了 ChatGPT 5 Thinking，把“马桶存水弯放片→外出防黄”的原理和做法做了拓展理解，现已截图呈现。
MrCoffeeTalker: 马桶存水弯里放一片消毒片，能有效预防出远门滋生的微生物黄垢 背景是之前出远门回来，几乎每次都会面临马桶水面发黄的情况，又已知余氯可以抑制微生物生长，这点在自来水中有广泛应用，而手头刚好有片剂清洁剂，遇水可以反应生成次氯酸。 图1-图2，出门 6 天前后对比，走之前放了一锭小林的下水道消毒片。 图3，上一次出门 10 天回来的马桶。 考虑到时间跨度不同，也可能是观察窗口还不够长，不过对比我记忆中出门一周左右水面就能变黄的情况来看，确实有效。
1 10
🏸 运动类：『第219次挥拍·羽毛球成长记录』
累计：448.6 小时｜219 次｜259,968 千卡
今日出勤：武大工学部体育馆（无空调，仅电扇，体感=“蒸桑拿”）
三人轮单打 2 小时（17:00–19:00），越打越顺，末段基本连胜；全程汗如雨下，8 次换装仍被浸湿，但很开心🔥
关键数据（华为运动健康）
消耗 1,774 千卡｜运动 2:17:35
心率：平均 155 次/分｜最高 188 次/分
心率区间：极限 49′｜无氧 35′｜有氧 31′｜燃脂 12′｜热身 4′
训练压力：有氧 4.5｜无氧 4.0｜预计恢复 70 小时
科学补给（今天的实测）
到场前后与间歇：香蕉 + 电解质水 → 后程体能不崩、状态逐步拉满；对比两位球友明显更稳。
结论：高温场馆想打出“后程强于前程”，补水 + 电解质 + 易消化碳水 必须到位。
赛后恢复晚餐
西红柿蛋汤｜蒸南瓜｜清炒青菜｜清蒸鸡肉｜半碗米饭 —— 补水电解质 + 优质蛋白 + 适量碳水，按计划收尾。
累计：448.6 小时｜219 次｜259,968 千卡
今日出勤：武大工学部体育馆（无空调，仅电扇，体感=“蒸桑拿”）
三人轮单打 2 小时（17:00–19:00），越打越顺，末段基本连胜；全程汗如雨下，8 次换装仍被浸湿，但很开心🔥
关键数据（华为运动健康）
消耗 1,774 千卡｜运动 2:17:35
心率：平均 155 次/分｜最高 188 次/分
心率区间：极限 49′｜无氧 35′｜有氧 31′｜燃脂 12′｜热身 4′
训练压力：有氧 4.5｜无氧 4.0｜预计恢复 70 小时
科学补给（今天的实测）
到场前后与间歇：香蕉 + 电解质水 → 后程体能不崩、状态逐步拉满；对比两位球友明显更稳。
结论：高温场馆想打出“后程强于前程”，补水 + 电解质 + 易消化碳水 必须到位。
赛后恢复晚餐
西红柿蛋汤｜蒸南瓜｜清炒青菜｜清蒸鸡肉｜半碗米饭 —— 补水电解质 + 优质蛋白 + 适量碳水，按计划收尾。
3 01
刚刚在 X 看到 Google 官宣：Pixel 10 / 10 Pro / 10 Pro XL 登场。核心是 Tensor G5 芯片 + 最新 Gemini Nano（端侧模型），官方定位“最个性、最主动、最有用”的 Pixel。
从官方短视频的演示看，很多 AI 交互都在端侧完成，响应很顺滑——意味着更好的隐私与实时性。对日常使用来说，这是比参数更有感知的升级。
对我这种把 AI 当主力工具的人，这代 Pixel 的看点不在跑分，而在“把 AI 变成系统级的随手能力”。我重点关注的落地：离线/弱网场景的本地推理、系统级检索与摘要、拍照/录音后的即时理解与整理——如果这些做到位，效率会明显上一个台阶。
先记一条“观望 + 期待”。等更多上手与国区体验信息出来，再评估是否作为主力机/备用机。
从官方短视频的演示看，很多 AI 交互都在端侧完成，响应很顺滑——意味着更好的隐私与实时性。对日常使用来说，这是比参数更有感知的升级。
对我这种把 AI 当主力工具的人，这代 Pixel 的看点不在跑分，而在“把 AI 变成系统级的随手能力”。我重点关注的落地：离线/弱网场景的本地推理、系统级检索与摘要、拍照/录音后的即时理解与整理——如果这些做到位，效率会明显上一个台阶。
先记一条“观望 + 期待”。等更多上手与国区体验信息出来，再评估是否作为主力机/备用机。
2 00
ChatGPT 下载文件总失败？把文件名改成英文 + 必要时重跑一次 + 需求写进你的个性化指令（亲测 8/8）
这几天在 KOL 大佬向阳乔木 @向阳乔木 组建的「AI产品蝗虫团」微信群里有人提醒——“使用 ChatGPT 下载中文命名的文件时，可能会因路径转义问题而导致下载失败。解决方法很简单：让模型保持文件内容不变，同时将文件名改为英文即可。”
我自己也实测了 8 种格式（PDF/HTML/DOCX/MD/TXT/CSV/ZIP…），在提醒 ChatGPT 5 Thinking 模型把文件名改成英文后，全部下载成功。见图 ✅
怎么做（SOP）：
1）提示词：“保持内容不变，用英文文件名另存，并给我下载链接。”
2）命名规则：只用 A–Z a–z 0–9 _ -，避免空格和中文（示例：Badminton_Kit_SOP_FULL.pdf）。
3）多格式一次拿全：让模型同时另存并打包 ZIP（英文名），只下载一个包即可。
4）仍打不开：右键“在新标签页打开 / 链接另存为…”；或用隐身模式/换浏览器；再不行就“重跑一次”让模型重新生成链接。
为什么有效：
部分环境对中文文件名的编码/转义处理不一致（特别是沙盒型下载链接），英文命名能规避编码歧义；重跑一次可以刷新失效链接。
经验补充：少数情况下即便是英文名也会遇到异常，“英文名 + 重跑一次”基本能解决，形成稳定闭环。
进阶：一劳永逸写进你的个性化 GPT / 自定义指令
把下面这段放进“自定义指令（系统提示）”，以后自动按英文名生成：
> File naming standard: When creating any downloadable file or link, always use ASCII English filenames (A–Z a–z 0–9 _ -), no spaces and no non-ASCII/Chinese.
> If multiple formats are produced, also provide a ZIP (English name).
> If a link fails, regenerate once and offer alternatives (PDF/HTML/DOCX/MD/TXT/CSV).
适用场景：
＞只要是“模型生成文件+给下载链接”，都推荐这么做；
＞跨平台分享（Notion / 微信 / 邮箱等），英文名更通用、更稳。
这几天在 KOL 大佬向阳乔木 @向阳乔木 组建的「AI产品蝗虫团」微信群里有人提醒——“使用 ChatGPT 下载中文命名的文件时，可能会因路径转义问题而导致下载失败。解决方法很简单：让模型保持文件内容不变，同时将文件名改为英文即可。”
我自己也实测了 8 种格式（PDF/HTML/DOCX/MD/TXT/CSV/ZIP…），在提醒 ChatGPT 5 Thinking 模型把文件名改成英文后，全部下载成功。见图 ✅
怎么做（SOP）：
1）提示词：“保持内容不变，用英文文件名另存，并给我下载链接。”
2）命名规则：只用 A–Z a–z 0–9 _ -，避免空格和中文（示例：Badminton_Kit_SOP_FULL.pdf）。
3）多格式一次拿全：让模型同时另存并打包 ZIP（英文名），只下载一个包即可。
4）仍打不开：右键“在新标签页打开 / 链接另存为…”；或用隐身模式/换浏览器；再不行就“重跑一次”让模型重新生成链接。
为什么有效：
部分环境对中文文件名的编码/转义处理不一致（特别是沙盒型下载链接），英文命名能规避编码歧义；重跑一次可以刷新失效链接。
经验补充：少数情况下即便是英文名也会遇到异常，“英文名 + 重跑一次”基本能解决，形成稳定闭环。
进阶：一劳永逸写进你的个性化 GPT / 自定义指令
把下面这段放进“自定义指令（系统提示）”，以后自动按英文名生成：
> File naming standard: When creating any downloadable file or link, always use ASCII English filenames (A–Z a–z 0–9 _ -), no spaces and no non-ASCII/Chinese.
> If multiple formats are produced, also provide a ZIP (English name).
> If a link fails, regenerate once and offer alternatives (PDF/HTML/DOCX/MD/TXT/CSV).
适用场景：
＞只要是“模型生成文件+给下载链接”，都推荐这么做；
＞跨平台分享（Notion / 微信 / 邮箱等），英文名更通用、更稳。
2 22
