怎么把人工智能从那些看起来很酷炫的技术演示,真正转化成能给咱们企业带来确定性收益、能跑在生产线上的工具?如果你是极其关注商业化落地和真实 roi 的 决策者,那么接下来这几分钟,我们将为你彻底揭开 ai 智能体背后的核心引擎。 大家想想,二零二四年的时候,不管是 g p d 四还是 closed 三,原始的推理能力早就不成问题了,对吧?它们能轻松通过法考,甚至能帮你递报及其复杂的 python 代码。但是也就是最痛点的地方,当你真正让它去跑企业里有用且需要高频重复的任务时,比如从 salesforce 里面安全地抓取一条客户记录,并且每次都完美格式化输出,它就往往会给你凭空捏造一个根本不存在的 api。 这就意味着单纯的推理能力已经到顶了,企业真正需要的是一整套可靠的信息工程管道。为了把这个问题掰揉碎着讲清楚今天的解析,我们安排了六个核心模块。我们会从企业目前面临的上下文困境切入,带你认清所谓的双引擎到底是什么, 然后深入架构底层,看看它们如何血统。当然,我们也会客观评估背后的隐藏风险。最后为大家提供一份实操型极强的 cto 战略指南。 那么我们先从最根本的痛点说起,也就是上下文困境。为什么以前那种简单粗暴的做法,在商业环境里突然就不灵了? 很多团队一开始踩的坑,就是直接把长篇大论的 a p i 文档啪的一下全复制到。提示此例指望模型自己动物,但事实是,大语言模型说到底就是一个静态的概率预测机器,它根本不关心,也不可能懂你。公司 crm 复杂的表结构,更别提那些精密的数据权限了。 所以前沿的架构师们早就果断抛弃了单纯的提示词工程。现在的游戏规则叫做上下文工程,也就是你必须将模型外围为他精心设计一套包含工具、数据源和行为护栏的完善生态。了解了,必须搭建外围生态,那么到了二零二六年,业界真正跑通的、能支撑起这套生态的核心刀率是什么?答案是双引擎。 这第一大引擎就是 m c p, 全称模型上下文件协议。这是 antropic 在 二零二四年底推出来的一个极其重要的开放标准, 你可以把它理解为 ai 智能体的中收神经,或者是 ai 时代的 tcp 港 ip 协议。它就像一个超级万能适配器,不管你用的是 open ai、 google vertex 还是 cloud, 只要通过标准的 json 请求和 rest 端点,模型就能说同一种语言,跟各种外部工具和数据源无缝对接。 有了神经,还得有肌肉记忆。这第二大引擎就是技能。在 cursor 或者 continue 这样的工具里,你应该见过类似的概念 技能,其实就是存放在 dos skills 文件夹里非常清亮的 markdown 文件,而且是受代码版本控制的,一旦满足特定的业务条件,它们就会自动加载。如果说 m c p 是 告诉模型去哪儿找数据,那么技能就是死死按住模型,手把手教它必须怎么做事。 概念咱们理清楚了,接下来往下深挖一层,看看这两个组建在真实的商业落地中,究竟能带来什么价值,又有雅诗福泽的门道。 对于企业来说, m c p 最大的魅力就在于活数据。你再也不用让人工去苦哈哈的导出报表了,它能直接实时访问。 同时它自带了非常细力度的权限控制,比如作用域令牌,还有能过合规审查的生地日制,甚至随便你用 python、 node 还是 go 来写服务器都可以。这听起来非常诱人,对吧?但客观讲,打这套基础建设,搞定复杂的身份认证成本的是相当高。如果仅仅是为了让模型做个简单的格式排版,动用 m c p, 简直就像是用一台百亿级别的粒子加速器去煮个鸡蛋。 这时候,技能的绝佳性极佳就凸显出来了,它是干掉大模型随机性的特效。又来个特别落地的真事。美国阿海,欧洲有一家做中型电商的企业,他们写了一个非常简单的 cookie 偏好技能,就这么一个小小的动作,确保了 ai 生成的每一份 crm 客户报告里,都会自动加上这位客户最爱吃的零食种类。 这门槛极低,又极其有效。这也难怪,现在 github 上有超过二十万个公开的技能代码库,从代码低 bug 到财务合规,简直是应有尽有。看到这里,大家可能会在心里默默对比这俩工具。但我要说二零二五年工程团队踩过最贵的坑,就是把 m c p 和技能搞成了二选一,真正的杀手锏在于协同。 目前顶尖架构师的共识是这样的,它们是一个硬币的正反面, m c p 负责向外探索,它解决的是去哪拿数据的问题,这个是一个动态的、需要工程师持续维护的连接层,而技能负责向内收敛,它定死了 ai 该怎么表现的。铁律属于打上版本标签后就不可轻易篡改的业务底座,一动一静,完美互补。 把这种理论上的协同效应放到业务流里,带来的商业护城河是非常可怕的。举个例子,一家财务五百强的物流里带来的商业护城河是怎么跑的? 首先, m c p 瞬间出手,抓取最实时的物流追踪 a p i, 甚至翻出内部 slack 的 沟通记录,数据一到位,记了模块马上接管,死死卡住。公司的标准作业程序回复必须是标准三段式语调,极其专业克制,并且只要符合条件,立刻触发,四十八小时升级处理,每一次操作都完美符合品牌调性,一次都不翻车,这就是护城河。 当然了,作为一份客观领镜的商业解析,我们绝不能只在风口上吹捧,咱们必须得翻开这光鲜的架构底层,看看那些被刻意掩盖的隐藏风险。 任何一位精明的 cfo, 都必须把这些隐患算进 roi 里。首先是安全,只要令牌权限稍有配置失误, m c p 就 可能变成数据泄露的高速通道。 其次叫技能污染。别以为技能越多越好,这是表明,一旦同时加载十五个以上的技能,模型的准确率会断崖。时报对二十 percent 还有供应商锁定的问题,有些云厂商会把你死死绑在他们的 m c p 服务器上。最后,也是最致命的确定性错觉,你以为把模型温度调到零点七,它就百分之百乖巧了?概率模型终究是概率模型, 在医疗或者航空这种人命关天的领域,这种盲目的信任极其危险。聊完了收益和风险,为了让大家今天能带着切实的行动方案离开,我们专门把这些洞察浓缩成了最后一份 cto 战略指南。 各位可以把借它逻辑当成二零二六年部署 ai 的 黄金法则。面对数据库、 api 或者实时活数据这种高频变化的场景,别犹豫砸钱上动态的 m c p。 但如果是需要死守规矩的自动驾驶品牌语调,那就彻底依赖低成本可控的 skills。 而当你需要构建一个既能满世界抓数据,又必须高度可靠的核心企业智能体时,双剑合璧才是唯一的出路。好了,讲到最后,我想给大家留一个极其现实的终极思考题。 技术眼近是不会等人的。预计到二零二七年,像 cloud、 op、 四点六或者 gpt 六这种前沿模型,甚至都不需要你再去费劲配置,它们原生就能直接吃透 mcap 协议和各种技能。 当 agent、 flow、 skill、 bridge 这些项目把一切都打磨成可以随意插拔的能力单元时,我们未给模型上下文和模型自己去懂,上下文之间的界限将去彻底抹平。那么,面对即将来临的完全自动化的 ai 浪潮,你的企业现在到底是在搭建通往未来的地基,还是在堆弃明天就会被淘汰的技术债务呢?感谢收看本期解析,我们下期再见!
粉丝1624获赞5540

九毛钱生成一个三 d 游戏 deepseek v 四终于要来了,最快今天就能上线。这次两个版本同步发,分为 v 四 flash 和 v 四 pro, 目前已经有人拿到了辉度测试权限。从反馈来看, v 四综合接近 cloud opus, 四点八代码直追 gpt 五点六 so agent 能力大增, 三 d 和 svg 生成明显变好,唯一短板是任务迭代轮数比飞波五多一些,纯性能可能打不过 kimi k 三,但价格会便宜。大姐动手能力也有 demo 验证。三 d 射击游戏在完整 u i 在 生成的三千行代码上,总费用仅为零点一二美元。做了一款由于游戏 但最大的变化是定价。 deepsea 首次引入封谷计费,高峰时段九点到十二点,十四点到十八点,百万 tokens 为一点七四美元, 非高峰为零点八七美元。对比 fibo 五百万输出五十美元简直不要太划算。另外,七月二十四号旧版模型就要停用了,用接口的朋友记得提前迁移。所以你期待 deepsea 微四吗?评论区聊聊。

酷派克斯到底有多强啊? gdp 到底有多强?给你们看一下啊。这是我正在用这个酷派克斯,然后帮他,让他帮我剪视频,一共剪四条,他只用自己调用的这个 f f e p g, 然后再剪啊,我发现这个 cpu 基本上没有在用啊,就就没有用,用的都是个 g p 呃, cpu cpu, 他 剪视频的时候,我让他把我的那个六分钟的素材给我切,给我切成这个九十秒左右的啊, 然后他给我切成了,呃,看长度是在七十六到七十九秒之间,一共切成了六段,然后开始给我分别配合文案和音频,然后剪辑,剪辑完之后我让他用这个剪映给我导出,现在正在做啊,然后每他一启动的时候这个 cpu 就是 满的,我们来问一下这个,呃, 这个 g p p, 问问它是什么原因啊?这是五点六的五点六的模型。哈喽,你好,呃,我现在正在用,哈喽,我现在正在用这个桌面上面的 q d x, 然后剪辑视频,剪辑视频它较量的工具就是它这个内部的这个工具要 什么 p e g, 那 个 f f p e g, 然后我的电脑呢? f f m p e g, 呃,对对,然后我的电脑呢?它,呃,它的这个 c gpu 基本上就没有,怎么呃?占资源啊,我看就没有动,然后 cpu 是 直接就是跑得很满,在剪视频的时候, 然后我的电脑配置是 i 九的幺四九零零 k, 然后内存是三十二 g 的, 然后这个显卡是四零六零,它是不是像那种,嗯,它剪视频的时候它不不会占用这个 gpu, 只用 cpu, 然后这点挺挺出乎意料的啊, 我来看看。是的,这个情况其实挺挺出乎意料的啊,我来看看。是的时候 f f p e g 默认它就是一个以 cpu 为主的工具,除非你显示的起用硬件加速,不然的话它就是大部分的工作都是压在 cpu 上。所以说你的 cpu 跑满显卡破损的洞,这个是很常见的。 你知道 f f p e g 它其实是可以用 nvidia 的 nv e n c 或者是 cruda, 或者是用你这个幺四九零零 k 核显的 quicksink 的, 但前提是命令你得明确指定用硬件编码。呃,那比如说像 h 二六四,你先不要说那像我现在这种配置,我这个电脑的配置是用 cpu 快 一点还是用这个?呃,那个独立显卡快一点呢? 我来看看。以你的配置来说,如果你追求最快的速度,大多数情况下你的四零六零显卡的 n d e n c 硬件编码会更快,而且 cpu 占用会低很多。 但如果你追求的是更高的画质,尤其是在相同码率下, cpu 用 x 二六四和 x 二六五通常会略胜一筹。 但说实话,现在 nvenc 的 画质已经很不错了,大多数抖音短视频其实肉眼很难看出差别。 结合你常用 ai 和 codex 剪短视频,我会更建议优先试使用四零六零的 nvenc 硬件编码,速度提升会比较明显 啊。那,那行,那先暂时先聊到这一会,我问一下这个 q 代码在我这个项目文件之内,整个这个这个 sop 工作流里面,到底是用我这台电脑的 cpu 还是 gpu 来剪比较好?好,谢谢你的回答,拜拜。 好,可不可以看到这边的这个已经输出出来了,我们来看一下这个输出出来的效果到底是怎么样的啊? f 盘然后项目文件然后发布资料啊这个不是的啊, 这个成成片里面啊成片里面我们来看一看啊,你有没有发现我们去超市买东西小票通常只写总价,很少告诉你里面包含多少税。 哇太猛了啊太猛了啊。字幕什么都配好了,而且是直接剪辑过的两 k 三十帧。我看看他这个封面在哪啊 封面封面也做好了啊。看看我让他参考我之前的做的那个那个视频的封面他全部都参参看看好了,而且剪的特别快只用的 cpu, 我 现在正在让他做剩下的嗯九条音频,然后我也告诉了他我说你可不可以用我的这个 gpu 啊?呃也一起调研起来,然后他我让结合我的意见然后看一看,然后他给我分析了分析,分析的结果是他说用这个和核显的呃 gpu 加上这个 cpu 然后一起做。 嗯然后他还跑了个测试,他说我刚刚已经测试过了啊,四 k 六十帧两秒钟的样片,然后大概是速度零点七倍八条三十多秒的视频大概是几分钟到十几分钟不算离谱 啊。真的已经开始了啊,你看到这个核显的七七零零然后已经是占的很满了啊,然后 cpu 是 百分之四几,我这个 cpu 还是还是有点强的啊。还是比较强的,但是这个显卡是不行的啊,你们可以参考一下我这个我这种做视频的规格和速度啊。你感觉 我感觉是很快了啊。已经很快了啊。恐怖不恐怖啊现在自动化呃全部搞定啊,我感觉就以它的能力啊,就是 就能相当于一个啊,两 w 到五 w 的 一个,一个月的一个助理什么都会啊,特别全能,而且速度特别快,不会偷懒。

cloud code 改一个环境变量,就能让它去跑 gpt, 跑 gemini, 而下游干活的那套代码一行都不用动,怎么做到的? 难点在哪儿?每家大模型的接口消息长什么样?流势怎么往外吐?工具怎么调用?格式全不一样,应接就得到处写,判断分支改一处崩三处。 cloud code 的 解法特别像现实里的一个职业同声传译。 想象一个国际会议,台上有人说英语,有人说日语,有人说法语,台下听众只懂中文,却全程毫无障碍,靠的就是隔间里那个同声传译。 cloud code 在 接口这一层放的就是这么个翻译官。 gpt 那 边吐出来的流逝事件进来之后,被逐条翻译成 cloud 自己的内部格式,再吐给下游。 关键就一个字,流逝。它不是等 jpt 把一整段说完再翻,而是每收到一个小片段,当场翻译,当场传出去延迟,几乎感觉不到 怎么翻。一一对应 jpt 的 文字增量事件进来,翻成 cloud 的 文本块,增量调用工具的事件进来,翻成 cloud 的 工具使用,每一种事件都有它对应的译文。 翻完之后,下游那套循环工具界面拿到的永远是同一种格式,他们压根不知道刚才在背后干活的是 gpt 还是 cloud。 这套设计我挑三个点说说,看完你会觉得挺讲究。 第一,每接一家模型,就单开一个文件夹, gpt 一个, gemini 一个, grok 一个,各装各的翻译官,互不打扰。所以加一个新模型,等于请一个新翻译官新建一个文件夹,再在分发的地方加一行判断旧代码,一个字儿都不用碰。 第二,到底用哪家模型?源码里一个函数说了算,优先级很清楚,你在设置里指定的最优先,其次看环境变量,什么都不设默认就走自家的 cloud。 第三,这个模型列表源码里一共列了七种自家的 cloud, 加上 gpt、 gemini、 grok 这些别家模型,还有三种云上的部署通道,想换哪家就是改个开关的事。 退一步看,这就是设计模式里那个适配器模式,落到真实工程里最干净的一个样子。 课本上有句老话,对扩展开放,对修改关闭,听着像八股,可在这你看到了他真金白银的回报。再接施加模型,下游代码一行不动,克制和分层,省下的全是维护成本, 模型能随便换了?那下一个问题就来了,干活的那个 ai 能不能再分身,自己给自己派活?下一集聊聊 cloud code 里的子 agent, ai 给 ai 打工。互动留个问题,你主力用哪家模型? cloud gpt, gemini? 还是国产的?评论区站个队。

你好,可以听见吗?可以,我在听。 呃,我想跟你咨询一个问题哈,就是我的弟弟他用 ai 去咨询那道数学题, 这个 ai 给他的一个答案是一个非常详细的,但是他用这个搜题软件是给不出这么一个详细的答案。所以我在想就是 ai 可以 帮助呃这些小学生或者中学生去促进一个学习的进步,但同时呢,他也会就是扼杀了一个呃中学生或者小学生的这种 复杂思考这种能力,以及这种解决问题的这种体系。我觉得这应该是这个。怎么样去解决 这个问题很关键,核心不在于用不用 ai, 而在于怎么用,如果把它当成直接给答案的工具,那久而久之思考肌肉确实会退化。 那反过来,如果把 ai 当成一个引导者,比如让他一步步问你问题,而这就是我,这是我现在的一个就是比较难的一个地方。因为这些小学生或者中学生,他如果他过早的去使用 ai, 那 么他会不会导致这种逻辑思维的这种能力的一个下降?比如他,比如说他那个 没有办法去架设自己的一个思考体系,那么越问 ai, 他 这个思考体系的建设就会越弱,那么这应该怎么办呢? 这是个非常现实的呆牛,尤其是当孩子还没有建立起基本的思维框架时,不早依赖现成答案确实会让思考变浅。 比较稳妥的做法是循序引导的方式,比如让 ai 都问你觉得下一步该怎么了,或者只给出线索不给答案,这样孩子在关键步骤还是要自己想,而不是被问答案。我觉得人性是很难以去跨越这个东西的,因为很,因为人很难去往抵抗力最大的方向去走, 人都是去。呃,现实的就是我就要现在这个答案是什么样子的,这就会导致,哎,我在一次一次追寻答案的过程当中,我忽略了这种体系的一个见识,那么这样,呃,应该就是应该怎么办呢? 我来仔细想一下。 其实你说的没错,不能指望孩子靠自律去抗这种诱惑, 更现实的方法是把阻力最小的那条路设计成也必须要动脑的那条。也就是说不要跟孩子说你要多思考,少看答案,而是直接把提问的流程改掉。比如说先让他自己写出已知条件和问题, 再让 ai 只给出第一个小提示,而不是完整的解答,然后做一步,再反馈一步,最后再用一道辨析题去检验。如果孩子只看解析却做不出来辨析,他自己也能感受到,我其实没会要比单纯出教有效的多。那么,那么其实问题就在这里, 呃,怎么样去引导?那么 ai 作为一个软件,呃,他知道提问者的一个身份是什么样子的嘛?他怎么样去? 呃,把这个引导式的这种框架,这种逻辑思维建设的这种框架去营造出来?还是说啊,必须要由一个就说他的父母或者他的家长或者他的老师这样的一个身份,然后告诉孩子就这么做?那么 ai 可以 直接做到吗?就是仅依靠 ai 和孩子的一个情况下, 单靠 ai, 坦白说很难完全指望孩子自己会正确使用。如果只是一个普通的问答型 ai, 孩子说给我答案,他就给,那本质上只是搜题软件的升级版,起不到引导框架的作用。 要让 ai 真正起作用,关键在于它一开始就被设定为教练模式,也就是说默认不直接给答案,而是先追问五年级学到哪一步,你打算一步怎么做,然后只给提示,最后再给答案,并且强制加一道辨识题来检验。 如果产品没有这样的默认路径,那就需要家长或老师在最开始帮孩子把规则设好,比如把永远先问我思路,再给提示写成固定指令。 说白了,那么那么这个指令,那么这个指令可以直接在这个,比如说网页版的或者 app 版本上的 ai 去直接使用。去放它的一个根执行文件里面吗? 稍等,我确认一下,我再搜索,再搜索相关的这个网站,它可以直接去使用哦, 可以的,但要分清两层,普通用户在网页版或 app 没法改所谓跟执行文件,但可以用自定义指令 custom instructions, 或者自建一个 g p p 把只做教练,不直接给答案这种规则长期绑定,让每次对话先走思路引导。 如果你是做自己的教育类应用或小程序,那就可以在后端用系统提示词把这套规则写死。每次孩子提问都会先被追问已知条件第一步想法,然后才能推进。最关键的其实不只是提示词本身,而是全凭教, 要先让孩子写点什么,再解锁下一步,这样才能在行为层面真正改变路径,而不是停留在口头规则上。嗯,好的好的,我没有问题了,谢谢。

欢迎来到第八集。第七集,我们把 ai 应用的完整架构拼好了,应用层 rack l、 l、 m 四个零件协同工作,但有一个关键能力在架构图里只是一笔带过工具调用。 今天来回答一个问题, ai 是 怎么从只会说变成能动手的?先回到 l、 l m 的 本性。第六集,我们讲过大语言,模型本质上只会做一件事,文字接龙。 他不知道现在几点,查不了实时股价,也没法替你在日历里创建一个会议训练数据有截止日期,上下文理,也没有你的真实业务数据。所以 ai 应用想让模型办事,不能靠模型自己,得有人帮他把手伸出去。 这个把手伸出去的机制就叫工具调用,也叫方神 calling。 核心思路很巧,模型不直接执行任务,而是先输出一段结构化指令,我要调用哪个工具,传什么参数。 比如用户问北京今天天气怎么样,模型不会瞎编,而是输出调用 word 工具城市等于北京。 然后应用层拿到这段指令,真正去调天气。 a p i, 把结果缩回上下文,模型再基于真实数据生成人话回复。模型负责想,应用层负责做 完整链路分五步,第一步,用户提问。第二步,应用曾把可用工具列表写进系统提示词,告诉模型你有这些帮手,可以用。第三步,模型判断需不需要工具,需要就输出工具调用请求,不需要就直接回答。 第四步,应用层执行对应工具,拿到结果。第五步,把结果追加进上下文,让模型继续文字接龙,输出最终答案。这一步可能不止一轮,查完天气,还可能接着调地图、调日历,这就是多轮工具调用。 现实中,你每天都在用 chat gpt 的 联网搜索代码解释器,图片生成 call palette, 读你的代码。仓库企业客服查订单、查库存,背后都是工具调用。 常见工具类型,搜索计算器、数据库查询、发邮件、执行代码调用企业内部 api。 第五集讲的 loop 模式里, ai 自主迭代时,也靠不断调用工具来验证结果,工具和 loop 组合才是 agent 的 雏形。 串起来看第七级的应用架构上,工具调用就是应用层伸出去的那只手。 red 解决知道什么工具调用,解决能做什么。 ai 应用的能力边界很大程度上取决于你给他接了多少工具。下一级,我们进入 agent 智能体,当工具调用,加上自主规划和 loop, ai 就 不只能回答问题,还能独立完成一个目标。我们下期见。

抛给 ttept 一个需求,他只能给你一堆运行效果未知的代码。现在只需一个小改动, tttept 不仅能直接把你的文字需求变成代码,还能帮你跑一遍,把输出结果返还给你。 这个秘诀就是代码解释器插件作家 endo man 拿到了内测资格,并上首诗的是效果让他直呼魔法, 让拆 gpd 写个 ai 人脸检测程序,单独媒印上传自己的照片后很快就被检测了出来。 再试试让他写个迷宫生成算法,并把通路做成吃豆人动画,完全没问题。有网友看到这篇内测文章后感叹这太疯狂了!他将改变一切,从文字、图像和声音的处理,到其类游戏引擎和简单的 ai 算法,拆取一批 t 都能搞定。最后,虽然拆提一 pt 已经能写出象棋引擎了,不过有眼尖的网友发现他依旧不会下象棋,例如突然用马吃掉自己的兵。

codex 不是 chat 的 gpt, 不是 chat 的 gpt, 重要的是说三遍, 它的 gpt 更像是一个聊天顾问,一问一答。而 codex 更像是一个会干活的 ai 程序员。比如说你一个项目报错,普通的 chat 的 gpt 可能需要你把代码复制给他,然后一段一段的问。 当 codex 是 直接可以进入项目看文件,找问题,改代码,甚至是帮你 运行测试,这就是它和普通机器人最大的区别。聊天机器人主要是负责回答问题, codex 这类智能体是直接可以帮你执行任务。所以我认为 未来普通人最大的机会不是人人都去学编程,而是学会怎么去指挥 ai 智能体帮你干活。我会用大白话连续拆解 codex 和 ai 智能体的真实用法,有对这个方向感兴趣的可以先点点关注。

刚刷到个神工具叫 amirut, 作者是 diego suzapu, 不是 玩具,真能跑通。一百六十多家人工智能服务商,其中五十二家完全免费,连 cloud code, codex, cursor 都接进去了。还有 client 和 copilot 的 底层通道。 关键它只暴露一个接口端点,你代码里写一次请求,自动路由,不用改。一行业务逻辑 r t k 压缩加远古人算法叠在一起,实测成百分之十五到百分之九十五的 token, 比如 gpt 四调用从三千二百变一千六百八十个 token。 gemini pro 图像描述省百分之七十一流量。它支持 mcp 多客户端协议,也兼容 a two a 跨模型调用标准,所有接口全是多模态的, 文本图片音频全位的进去。桌面端直接装 pwa 应用,苹果安卓都能加主页快捷方式部署,只要三步拉代码填 p 启图 用 docker 一 键启动,一分钟搞定。本地跑用 alma pay quan 二点五七 b 就 行,不依赖图形处理器, macbook air 都能压缩免费 p 列表里有 together, fireworks, perplexity。

这是一期不需要你有任何代码基础,却能让你拿到集验四代核心纯算参数的视频,听起来是不是像天方夜谭,但这就是 g p t 五点六带给我们的机会。告别繁琐的 js 逆向核建, 告别晦涩难懂的 a s t, 还原一切,回归本质,用逻辑推理战胜黑盒加密。接下来我就给大家展示一下纯算解密全过程,更多逆向实战项目, ai 提效工具和全站工程师学习路线都已整理好,进入主页粉丝群即可自取。 今天我们来看的是如何不写一行代码,使用 gpd 五点六来去实现最新版本的体验四滑块的一个存算,差不多整个是在六分钟左右就能够完成,那先来看一下 这个是我选择的我本地的一个验证码的 skill, 后续是基于当前 skill 逆向分析一个体验四的文件面的 log 的, 就是那个 log 数据包它这个数据包它这个 log, 这让他动态生成参数,完完成请求验证。全流程代码文件创建到原代码文件同级路径就可以了,我们就开始去做分析, 最终就他给我们出的存算的代码,最多是耗费了六分钟的一个时间就能够去实现了。本地已经落盘且不是固定的 w 值,每次会从全新去取值,下载同城图片, g c t 去求这个 pow 值,然后生成随机的 aesk 和 rac 尾段,按照真实的这个轨迹和真实的等待。那么每次都用新的文件连续去跑三轮 note 来去看它的一个结果,三次都是成功的。我们来看一下整个的一个源代码, 这个是他完全基于存算法的一个流程来去实现的一个代码,差不多在三百来行的样子,来,右键去运行,看一下成功没有任何问题啊,再跑一次啊,也是没有问题的,说明我们整个的一个代码全套是没有一点漏洞的,都是成功的,所以他识别率的应该是百分之百。

接手一个项目第一天最浪费时间的真的是写代码吗?表面上这是一个小问题,真正影响工作的却是后面的沟通、修改和交付。我给你个判断标准,看看阅读陌生代码库,并说明目录入口和关键的模板, 最后能不能形成可交付的结果。价值不在功能听起来多强,而在交付物能不能被下一位同事接着使用。更稳的流程是先理解项目,再处理阅读陌生代码库,并说明目录入口和关键的模块,完成后查看改动运行相关测试,并说明运行的风险。 codex 可以 理解代码,搜索文件并解释模块的关系。先读后改,不编造项目结构,向它说明准备改哪些文件,再查看差异生产环境和真实的数据,不要随便交给自动的模型。如果你的工作确实需要这种交付形式,可以进一步的了解对应功能和使用条件。