wector任务怎么改

你是不是也觉得，一遇到复杂的 ai 任务就头大？别急，今天咱们就来聊一个能帮你轻松搞定它的神器 codex 的 计划模式。哎，我相信大家肯定都遇到过这种情况，对吧？你给 ai 一个稍微复杂点的任务，它就开始放飞自我，东搞一点，西搞一点，给你的代码乱七八糟，最后还得自己一点点改，简直要崩溃了。 你看啊，普通人一般怎么做，直接就把需求一股脑全扔给 ai， 结果呢，十有八九是一团糟。但高手就不一样了，他们有个秘密武器，在让 ai 动手之前，他们会先激活一个战略计划。没错，这个武器就是计划模式， 他一下子就把那个只会闷头干活的 ai 变成了你的一个超级聪明的项目经理。那问题来了，这么厉害的功能，要怎么打开呢？是不是听起来特别复杂，哎，完全不用，其实超级简单，你只要记住一个快捷键就行了， shift 再加上 tab 键，就这么简单。 整个过程啊，特别清楚，就三步，第一步，你别给 ai 下零碎的命令，而是直接告诉他，你最终想要完成的那个大目标是啥。第二步呢， ai 这时候不会傻乎乎的马上写代码，他会先像个靠谱的项目经理一样，给你列一个详细的计划清单，然后也是最关键的。第三步，等你检查完这个计划，觉得，嗯，没问题了，你一点头， ai 才会开始动手，保证每一步都精准执行。 不过啊，说到这，你可能会问，用这个方法到底最大的好处是什么？我跟你说，这个好处啊，绝对会让你大吃一惊，答案就是省 token。 这个 token 呢，说白了就是 ai 干活要消耗的资源。你想啊，因为计划模式从一开始就把路给你指的明明白白的， ai 就 不用再像个无头苍蝇一样乱撞反复试错了，这样一来，不必要的计算资源消耗自然就大大减少了。 那省下了 token 对 咱们来说到底有啥实际好处呢？首先，最直接的就是你再也不用没完没了的改代码了，告别返工。其次呢，产出的东西质量肯定更高更准。最后呢，还有一个很重要的点，就是你的账户能一直保持一个特别健康的状态，不会因为瞎消耗而碰到各种限制，省心多了。 好了，干货都给你了，现在就轮到你上手试试了。学会了这么强大的计划模式，你第一个想用它来搞定的复杂项目是什么呢？赶紧在评论区告诉我们，我可是非常期待看到大家的奇思妙想哦！

ai 写代码最烦的一点不是不会写，而是越写越歪。这个叫 real 的 开源循环，偏偏不让 ai 工具一口气干完，而是逼他一轮一轮把活做完。 很多所谓自主编程工具，一跑久了就会上下文爆炸，需求漂移，前面修好的东西，后面又改换。你给他一个大目标，他常常在第七步就忘了第一步。 ralife 的 核心不是多智能体，而是任务切小。先把需求拆成清单，每轮只挑最高优先级的一项，再拉起一个全新的 ai 编程实力。只做这一小段， 做完还不算数。他会跑类型检查和测试，留下提交记录，把经验写进进度文件，再把完成状态写回任务清单。真正留下来的，不是聊天上下文，而是代码记录和状态。 这套方法已经火出开发者小圈子了，代码社区里，他已经拿到一万四千九百多星标，一千五百多次分叉，视频平台上的相关讲解也有十四万十二万十一万播放。 所以 real 值得看的地方，不是让 ai 突然像魔法一样自主，而是把自主这件事攻城化以后，真正能落地的 ai 代理，拼的也许不是更会想，而是更会交接。点赞收藏，我是锋芒 ai。

上集我们说了， skill 就是 让 open cloud 干活的关键，好消息是社区里已经有几十万个县城的 skill 可以 直接用。这一集，先推荐几个好用的，再告诉你怎么做一个自己的。第一个 call review， 装上之后发一句，帮我看看这段代码。 openclaw 会按你团队的规范逐条给你列问题，不用每次自己翻文档，该改哪里一目了然。第二个，公众号携手 skill， 把一段笔记扔进去，他按固定排版帮你改成开头抓眼球，结尾有互动的格式，从整理素材到输出成品，省去了最烦的那步。 还有一个叫 pua 的 skill， 名字你没听错，用激将法，最 ai 更认真干活，社区里用过的人都说有效，当然不是真的在骂他，你懂的。安装这些 skill 就 异形命令，国内网络直接用腾讯推出的 skill hub， skill hub in store 装上开心绘画就能用了。好了，重头戏自己做一个 skill m d。 第二步，开头写名字和描述，下面用中文说清楚规则。第三步，放到 skills 目录，开心绘画 slash 命令马上出现。做 skill 本质上就是给 ai 写一份你的使用说明书， 动手是一个比你想象的简单。下一集 open cloud 怎么让多个助手同时干活，不见不散。

我和青北交叉院的硕博聊天，或者和韩店老师讨论，都觉得大家现在对 ai、 模型、神经网络这些东西想的太复杂了。无论你是做科研也好，做项目也好，你做理论 ai 或者是交叉学科，我们要返璞归真。就是，其实我们在初中就学过怎么调模型，怎么用好一个模型， 这个方法就是控制变量。上一个视频我们说了怎么选择一个合适的模型，那么这个模型选出来肯定不是我们直接就能用的啊，直接就万事大吉了。 如果说你听到这里比较懵，你可以看一下上期的视频，我们用这个方法挑选出来的模型是咱们现在任务中最小可执行化的模型工作，我们叫他 mvp， 他 可以保证咱们的任务在过你河的概率比较小的前提下，拿到一个正常的结果。不是最优的结果，是正常的结果 之后是不是得调整啊？那就会有两种情况啊。第一种情况就是欠你和通俗一点来说就是模型容量不够啊，模型太小了，支撑不了我们这么大的数据。那你现在把你的全部代码复制给 ai， 让他看看里面有没有照炮的层，如果有的话把它删了。 至于原理，呃，你感兴趣的话可以推一下，我这里直接讲实操。好吧。第二步就是神经网络变长，多加一点层数， 比如说加一个下阶层配合水路计划函数啊， leak 水路也可以。另外如果说你现在的 mvp 已经很深了，那么计划函数应该换成 几路函数加长的时候不要一上来就凑成两倍三倍一点点来，在中间插入限行层的时候也要注意输入和输出的维度一定要相同，不然你就是在加长的同时把宽度也给改变了，是这个道理吧。 加一层发现准确率变高了，你就再加一层，直到这个准确率幅度在正负一以内吧。呃，这个不同项目有一点不太一样，反正你把握一下这个准确率是多少不变。 第二步就是神经网络变宽，要不要把它，不要一下子就把它变成幺零二四。假如说你原来的呃神经网络是六十四个神经元，那么 就一点五倍或者二倍，一点点往下往上加，这样这里注意了，变宽的时候你可能发现一个现象，就是你加宽了，它的准确率不变或者下降一点， 那么这时候你也别放弃，就是我们学习率降低，比如说你之前的学习率是零点零一，现在你的学习率变成零点零零五，因为宽度和学习率经常藕合。那你说我怎么确定这个准确率是学习率的功劳还是加宽的功劳？ 你可以把宽度去掉，然后单独减学习率看一下，是吧？就最简单的控制变量就很好用。最后一步就是加模块，如果说你的任务是图像，那就加一点卷积，如果说你的是虚列，那就加一点 transform 的 模块，是吧？好的， 现在 mvp 拿到以后，你发现他没有铅笔盒，那 lo 变成了 n a n， 这时候你听我说什么原因啊？就是你的数据处理错了，里面有无熊大或者零 算 loss 的 时候，你把这个零除以到分母上了，或者说把零放到对数均算上来，这时候你改一下数据，并且加一行 t 度裁剪的代码，就让 ai 直接给你就好了。