粉丝4735获赞5.6万
相关视频
01:11查看AI文稿AI文稿我看这两天比较火的事啊，就说领方有广告。嗯，有时候我测试了一下，有的有，有的没有，这个怎么解决啊？有一个大神出了个插件在这里啊，怎么用？把它放到你的 这个 m i r 二百目录放过来以后啊，在咱们的插件列表里这里把它的名字给它加进去啊，这边有复名给它加进去。 加进去好了以后啊，咱们启动这个 m 二，再稍等一下啊， 好了，启动完成了，咱们的插件这边有广告过滤，看到了吧？在这里面可以是关设置关键词，然后开启啊，这样就可以了。这个感谢这位大神做的这个插件啊。
55蟹蟹说说
01:19查看AI文稿AI文稿我发现很多后端开发都被接口重复提交坑过，用户手抖多点几下网络卡顿重试，直接产生重复订单，重复扣款。今天给大家整理五种最常用的接口防重方案，工作直接能用。 第一种，最简单，前端控制，点击提交后立刻把按钮指挥，禁止二次点击，等接口响应完成再解锁，能挡住百分之九十，普通用户勿操作。 第二种，数据库唯一锁影，给订单号、业务流水号加唯一锁影，重复插入，直接数据库报错，从底层拦住重复数据，简单可靠。 第三种， token 令牌机制，进入页面先申请一次性 token 提交接口，必须携带后端校验，用完立即作废。重复请求直接拦截，适合表单提交场景。 第四种，热递、分布式密等，以业务为一 id 作为 t， 请求进来先查热递，存在就拦截，不存在就写入。适合分布式微服务场景。第五种，时间戳加签名防虫请求携带时间戳和 m d 五签名，后端校验，签名合法性加时间戳有效期，既能防虫，还能防篡改、防爬虫。 总结一下，前端按钮挡物点唯一缩影兜底 token， 适合表单 ready， 适配分布式签名，还能防篡改，根据业务场景组合使用，彻底解决接口重复提交问题。
22服务端技术栈
07:06查看AI文稿AI文稿你知道你用 ai 编程助手写代码的时候，有多少托肯是被白白浪费掉的吗？ 以一次三十分钟的克劳德 code 编程绘画为例，标准情况下大约会消耗十一万八千个托肯，但其中有大量的涌现信息，文件列表里密密麻麻的权限和时间戳， get 破十刷屏的进度条，还有测试失败时几百行的日制输出。这些东西 ai 根本不需要看到，但他们却在悄悄吃掉你的托肯额度，烧掉你的钱。 今天给大家介绍一个开源工具，叫 r t k， 全称 rust talking killer。 他 做的事情很简单，作为一个 c l i 代理，拦截命令行输出，把荣誉信息压缩掉， 只把真正有用的信息喂给 ai， 效果有多夸张呢？同一个三十分钟的编程绘画，托肯消耗从十一万八千降到两万三千九百，省了整整百分之八十， 而且是零配置的。装上之后，你的 ai 工具完全无感。他看到的还是正常的命令输出，只不过内容被精简过了。 r tk 的 工作原理可以用一句话概括，在命令执行和 ai 之间加了一层过滤。没有 r tk 的 时候， ai 调用 get status， 拿到的是完整的两千个托肯的原始输出。 有了 r t k， git status 会先经过 r t k 的 过滤，只保留关键信息。 ai 只收到两百个托肯。 r t k 对 每条命令会应用四种压缩策略， 第一，智能过滤，去掉注视空白型样板代码这些噪音。第二，分组聚合，把相似的条目按目录或错误类型归类。第三，智能截断，保留相关上下文，砍掉重复内容。 第四，去重折叠，把重复的日制型合并，只显示技术，整个过程的开销不到十毫秒，几乎无感。 我们来看一组具体的数据。在文件操作上， alice 和 tree 命令托肯从两千降到四百，省了百分之八十。 cat 和 ray 的 文件从四万降到一万二，省了百分之七十。 在 git 操作上， git status 从三千降到六百，省百分之八十。 git diff 从一万降到两千五，省百分之七十五。 最夸张的是 git commit push 这些操作从一千六降到一百二，省了百分之九十二。 在测试运行上， cargo test 和 ipm test 从两万五降到两千五，省了百分之九十。 ptest 从八千降到八百，同样省百分之九十。 加在一起一次典型的编程绘画，总体节省百分之八十的托肯，这个数字意味着什么？如果你每天用 ai 编程助手工作八小时， r t k 可以 帮你省下大量的 api 费用。 对企业团队来说，这个数字更加可观。 r t k 目前支持十二个主流的 ai 编程工具。首先是克劳德蔑，这是 r t k。 的 主战场，通过 free to use hook 透明地把命令重写为 r t k 版本。 然后是 github co pilot cursor， 杰米尼 c l i open i codex， windsurf klein open code， open k 劳 kilo code 以及 google antigravity。 基本上你能想到的 ai 编程助手 r t k 都支持了。 说再多，不如看实际效果。我们来看 get push 的 对比。没有 r t k 的 时候， ai 会收到十五行输出两百个托肯， 包括 illuminating objects， counting objects， delta， compression 这些进度信息。 有了 r t k， ai 只看到一行 ok mein 十个托肯进度信息对 ai 来说毫无用处， r t k 直接砍掉。再看测试输出， cargo test 跑十五个，测试失败两个，原始输出可能有两百多行， r t k 压缩后只显示二十行左右。失败两个，列出失败的具体测试名和错误位置。 ai 拿到这些信息完全够用了，甚至比原始输出更容易定位问题。还有目录列表 i s l。 输出四十五行，八百个托肯， r t k。 精简到十二行。一百五十个托肯只保留目录结构 和文件名，去掉权限用户大小。这些无用字段安装非常简单， macos 和 linux 用户可以用 homebrew 一 行命令搞定，也可以用 curl 下载安装脚本。 windows 用户可以从 github releases 下载欲编辑的二禁制文件，或者通过 cargo 安装。安装完成后运行 r t k n n t g 就会自动为你当前使用的 ai 工具。配置好 hook， 重启 ai 工具就生效了，完全透明，不需要改任何工作习惯。而 tk 还会在命令失败时保存完整的原始输出， 这样 ai 需要详细信息的时候可以随时查看。这是一个很贴心的设计。 r tk 目前在 github 上的增长势头很猛，项目采用 m i t 开源协议，核心团队有三个人，创始人 patrick jim kovac， 核心贡献者 florian brunos 和 adrian appling。 如果你再用 ai 编程工具，强烈建议试试 r tk， 省托肯就是省钱，而且压缩后的信息对 ai 来说更清晰更有用，反而可能提高代码生成的质量。 好了，以上就是本期视频的全部内容，如果你觉得有用，请给个三连，我们下期再见。
08:01查看AI文稿AI文稿上期视频我们分析了一个 how low 请求的全部细节，结果发现将近消耗了三万个 token。 很多朋友留言问，那如果连续聊十条，那是不是三十万 token 了？ 不会的，所以这期我们就详细讲解一下 clock code 里面 prompt cash 提示词缓存是如何工作的。上期介绍的 clock trace 是 在代码里打补丁，有很多粉丝反馈了最新的二点一点一一九版本已经不能用了。确实是有这个问题的，因为我自己是用 n p m 安装的二点一点一一二版本， 现在官方已经不支持 npm 安装了。所以为了解决这个问题，我发现了一个新工具叫 cloud tab， 它的工作方式是在本地起一个代理服务器， 你启动它以后，它自动启动 call code 的 所有的 api 流量，经过代理转发退出后生成 html 文件，打开浏览器就能看，生成的 html 是 这样的，左边是导航栏，列出了每一次 api 的 请求，然后右边最底下就是原始的请求的 json 数据， 这个和之前的 cloud trace 生成的网页是一样的。但是 cloud tab 做得最好的地方就是把这个 tools， 然后 messages， system 这些重要的数据子段抽离出来，然后变成独立的模块显示在这里。比如这里对应的是工具， 然后系统提示词，然后还有消息你看，打开以后，他还做了每一块的分行的渲染，原始请求里面不是有很多一堆这个分行符对吧？看着都头疼，现在排的整整齐齐的，一眼就能读的懂。他还有一个杀手功能叫对比，上次 他可以把相邻两次请求放在一起对比新增的内容高亮，然后没有变的就灰色， 比如系统提示词，工具，这里都没变化，今天我们就用这个功能来看看请求是怎么变化的。 ok， 然后用法很简单，我们只要用 cloud tab， 然后杠杠 tab live， 收集所有请求，启动 cloud， 然后我们回去， 然后我们发三条消息， hello， 然后第二条 fine， 然后最后一条 thank you， 然后做完以后我们退出来，然后就能看到收集的提示词了，然后我们用这个来做分析。在看数据之前，我先讲一下 prompt cache 的 核心概念，它的正式名称叫前缀缓存 prefix caching， 什么意思呢？就是你每次发消息， cloud code 要把整个完整的请求都发给 api， 那 么请求里有什么呢？工具的定义，系统的提示词，还有用户输入的上下文，还有对话的历史， 服务器就按这个固定顺序排列它们，它们一起组成了缓存的查询键。那么前缀缓存的逻辑也很简单，两次请求，只要它们的前缀是一样的，那么第二次就不用重新推理了，就重新推理， 那么什么叫一样的呢？福气会对这个前缀做哈希，一个字母不差，就算命中了，差一个字母，那么哈希就变整个缓存就全部失效了。 打开抓取的 html， 结果里面第一个请求，我们按照前缀的顺序来看看里面有什么。最前面的是工具，里面有三十一个工具的定义， 然后中间的是工具的身份，然后他怎么做事，还有各种的行为准则， 然后最后的是消息，你的消息被包成了五个 block， 前四个是 cloud code 注入的后台配置， m c p 的 指南， skills 列表，还有比如说什么 cloud， md， 最后的最后才是你写的 hello， 这些上期都讲过，没记住的朋友记住，好好去复习一下上次的视频。今天你只要记住一件事，就是你的输入永远在最末尾，前面所有的内容，你的输入永远在最末尾，前面所有的结果了。 现在看重头戏。打开第一个请求的返回值，我们找到 usage， 一个字段，三个关键字， input tokens 等于六， cash creation input tokens 四万八， cash read input tokens 零，对不对？记住它们， 这里 input tokens 是 六，对应的是 hello 的 本身，然后 cash creation 是 四万八，将近五万个 token。 那 么前面所有的内容，工具的定义，系统提示词，用户输入上下文，全部首次写入缓存， 然后 cash read 是 零，那么第一条消息没有缓存可以读，这就是冷启动。我们继续看第二个请求，我们先用这个对比，看看请求变了什么。 你看消息从一条变成了三条，新增了 assistant 的 回复， hi， what would you like to work on， 然后还有 user 的 消息 fine， 然后系统提示词没有变，然后工具的定义也没有变，变得只有用户的消息。 然后我们再看 usage， 记住音符的 tokens 是 六， cash creation 二十四， cash read 四万八， 这里 cash 的 read 四万八是不是和上一轮 cash 的 creation 四万八完全一样，证明缓存完全命中了？ 然后这里的 cash create 和二十四就对应了新增的 assistant 的 回复，还有用户的新的消息 fine， 所以 只有新增的两条消息需要加入缓存，我们继续看第三个请求，然后对比上次， 然后选对比最后一次，我们看到还是多了两条消息，对不对？ assistant 回复 got it let me know， 然后用户回了一句 thank you， 其他的依然没有变，然后我们继续看 usage， 我 们只要记住这一个 cash read 是 四万八千六百七十八， 我们看看这个四万八千六百七十八哪来的呢？那就是上一次的开始 read 的 这个四万八千六百五十四，加上这个二十四，是不是就是四万六千 六百七十八了，对不对？所以也是上一次所有写入的缓存全部命中了， 然后这次写入的二十九个 token 也是新增的这个回复，对吧？然后再加上最后的 thank you， 把三轮数据放在一起看过滤就很清楚了，每一轮的 cash read 等于上一轮的 cash read， 加上上一轮的 cash creation， 所以 缓存就像滚雪球一样，越滚越大，但是每轮新增的只有几十个，总的上下文三轮了 只多了五十三个，然后信息从一涨到了五条，但是新增的计算量几乎可以忽略不计。 这些工具的定义，然后系统提示词，然后用户的注上下文，每次每轮都要带上，但是只有第一次才做了真正的推理，后面全部走了缓存，光看 token 数还不够直观，我们看一下比例关系， 缓存有三种计费方式，普通的输入就是正常价，然后 cash 的 写入比正常价贵一点点，五分钟缓存写入是一点二五倍，然后一小时缓存是两倍，但是缓存的读取只有正常价的十分之一， 所以第一轮冷启动将近五万个 token， 只能按照两倍的写入，看起来比较亏，对吧？但从第二轮开始，这五万个 token 几乎全部是走的 cash 读取，所以只有正常价的十分之一。第三轮、第十轮、第五十轮都是一样的， cash read 越来越大，但是每个 token 只花十分之一，所以对话越长，缓存的优势就越明显。 ok， 那 我们总结一下， prompt cash 就是 前缀的复用 工具的定义，然后系统提示词，对话的历史只有在第一轮，在计算后面的每轮新增的就只有几十个 token 了，对话越长， cash 省的越多。然后我觉得大家留言提的问题都非常好，给了我很多的启发，希望这期大家看完以后有什么问题可以多多提问，我每条都会看。
919张司机在路上
00:31查看AI文稿AI文稿一个操作让你的浏览器减少百分之九十九的广告与捆绑安装包，你这期不学也得学。我们打开 edgo 右上角三个点拓展，获得微软 edgo 扩展，点进去，然后搜索广告， 然后我会弹出来一个广告燃节器，一定要是我这一个，然后点点击获取，然后添加拓展， 然后它到这边它会加载，等它加载完之后，我们勾选这两个选项就好了。
677江雪King
01:05查看AI文稿AI文稿外贸工厂注意了， f b 广告烧掉一堆钱，要么没寻盘，要么来的全是问最低价多少的小散客。核心原因，你少了个筛子！今天花一分钟教你用即时表单做精准拦截， 专抓弊端，大客户操作不啰嗦！第一步，进广告管理后台，在所有工具中找到即时表单，点击右上角创建表单，选择新表单，点下一步，重点在设置里把表单分享改成开放，否则流量白烧，很多人压根看不见你。第二步，写简介， 别废话，直接展示实力，十年的源头实力，工厂专注 o e m， 支持验场等。第三步，设置问题。这里可添加三种形式，选择题、简答题、条件逻辑题。例如，你可以问你是个人采购还是公司采购， 一秒删掉 c 端，留住 b 端用户。第四步，收集联系信息，至少邮箱或电话，方便后续跟进等。第五步，填隐私政策链接，没官网就填 f b 主页，设置好行动号召按钮，搞定后，客户填完表单，你手里全是精准的 b 端联系方式，广告费再也不白花！
04:13查看AI文稿AI文稿上周 russell 被黑了，它是托管着全球数百万个 web 应用的部署平台，也是 next j s 的 开发者，那个每周被下载六百万次的前端框架。所以这件事如果是真的，影响的不是某家公司，是整个前端生态。但问题是，它是真的吗？ 我去读了 versale 的 官方安全公告，读完之后我想说，冷静一下，事情没那么大。逐条核实， n p m token 和 github token 全部泄露假的。官方公告从头到尾没有提到这两项。这个说法的唯一来源是黑客在 bridge forums 上的自我声明，黑客在卖数据的时候夸大内容价值是行业惯例。 next js 即将被植入后门，官方已排除。 versus 公告原文写得很清楚， next js turbo pack 以及所有开源项目安全未受影响。攻击者拿到了一些环境变量，和攻击者能向 next js 推送恶意代码，之间是两个完全不同的权限级别，所有开发者都受影响，不准确。官方原文是这样说的， 受影响的是有限子级的客户， versus 已经逐一通知，没收到通知大概率没事。那 shiny hunters 呢？ 他们不是搞过 ticketmaster 吗？是的，他们是真实存在的威胁组织。 ticketmaster 那 次是真的，但这次他们的声明没有独立安全研究人员核实过数据的完整性。 一个真实存在的黑客组织，不代表他们每次声明都是真的，尤其是在卖数据的时候。好谣言屁完了。但 word excel 确实发生了安全事件，官方也确认了。那到底发生了什么？攻击链其实很清晰，分三步， 第一步，入口不在 versale， 在 context 点 ai， context 点 ai 是 一个第三方 ai 工具，一名 versale 员工在日常工作中使用它。攻击者首先攻破的是 context 点 ai， 不是 versale。 第二步， ooth 成了钥匙。 context 点 ai 持有这名员工 google workspace 账户的 ooth 授权。攻击者拿下 context 点 ai 之后，直接用这个授权接管了员工的企业。 google 账户全程没有破解任何密码，走的是完全合法的授权通道。第三步，每举环境变量 进入 google 账户之后，攻击者横向渗透进了部分 versa 内部环境，读取了未被标记为 sensitive 的 环境变量。 versa 有 一个功能，可以把环境变量标记为敏感 标记，之后会加密存储，无法被提取。问题在于，部分开发者把 apikey 数据库屏具存进了未加密的变量里。攻击者就是从这里拿到了进一步渗透的屏具。损失边界在哪里？目前，官方确认加密的敏感变量没有被提取。 nexgs 代码库安全受影响，客户已被通知，调查仍在进行。路由已聘请 medicaid 接入。现在我们知道了攻击路径，但我想让你停在这里。想一个问题证明路由员工做错了什么？ 答案是，什么都没做错。他用的是公司允许的工具，走的是正常的工作流程。但他用的那个工具持有他的 os 授权， 那个工具被攻破了，然后他的账户就没了。这是一种新的攻击模式，而且正在变得越来越普遍。不攻击目标本身，攻击目标信任的工具。你的工作流里现在有多少个第三方工具持有你的 os 授权？ cursor， notion， linear， guitar， copilot， 各种 ai 助手， 每一个都是潜在的入口，而这些工具里有多少是十几个人的小团队在维护他们的安全投入能和他们所持有的权限相匹配吗？ 这不是在说，不要用这些工具，这是在说，你需要知道你把钥匙给了谁。 versal ceo guillermo roche 在 声明里说了一句话，我们怀疑攻击者借助了 ai 工具来加速行动。 cursor 帮你写代码， ai 帮你审代码，流水线帮你部署代码，但攻击者也在用同样的工具。以前渗透一个内网 需要大量人工侦查，美举系统理解架构，找横向移动的路径，这需要时间。现在 ai 替你做，而且更快。 worso 说，攻击者高度复杂，理由之一就是他们的操作速度快的不像人工。还有一个不对称，攻击者不需要合规，不需要审批，不需要解释为什么用某个工具，防守方需要。 这个时代，每个人都在讲 ai 等于战斗力，但没人讲清楚的是， ai 也等于攻击力。它不是假新闻。 worso 确实出事了，但真正的故事没那么戏剧。 一个员工用了一个 ai 工具，那个工具被攻破了。攻击者通过 os 走进了内网。这件事明天可以发生在任何一家公司，包括你在的那家。
10InfoQ
02:01查看AI文稿AI文稿如果你经常接到骚扰电话，说明你的个人隐私已经被泄露了，今天我就来教你一招，保护好个人隐私，拦截这些骚扰电话。拿起手机跟着我一起设置，设置完成之后，骚扰电话和骚扰短信就再也找不到你了。 首先打开电话，点进来之后，在右上角有四个点，有些手机是三个点，找到这个标志点一下，然后选择骚扰拦截，点进来之后，右下角这里有个拦截规则，我们点开，点开以后先看电话拦截规则， 点进去，这里面有很多开关，像骚扰电话、高风险电话、各种广告电话等等，我们先把上面四个开关全部打开， 开之后就能拦截这些类型的骚扰电话。接着往下看，下面有一个拦截所有来电，这个开关千万不要打开，否则别人给你打电话都打不进来。陌生电话也不要打开，因为快递员给你打电话，如果拦截了，你就接不到了。 第三个，未知和隐藏号码可以直接打开，这种隐藏号码大部分都是广告推销，用技术手段搞的 我们看不到号码，直接拦截掉。在下面有个拦截响铃一声，有一些电话只响一声就不响了，也把它拦截住，按照这样设置，既不耽误平时接打电话，又能拦住骚扰电话。接下来设置短信拦截，点击右上角返 回，点开短信拦截规则，点进来之后，第一个智能拦截垃圾短信，打开，它可以智能帮我们拦截广告垃圾短信。第二个，广告短信也打开。 第三个，陌生短信不用点，只打开上面两个就行。如果有一些广告经常给你发短信，你还可以在这里设置一个名单，把它加进去，它就再也不能发给你了。这样设置完成后，骚扰电话和骚扰短信就再也找不到你了， 既安全又清净。而且这些拦截数据都是反诈中心推送的，非常精准，像诈骗电话、高风险、高危险的电话和信息，再也不用心慌了，学会的朋友赶紧设置一下。
147小五自媒
02:23查看AI文稿AI文稿省钱神器来了，之前用 cloud code 简直是在乱花 token 账单，看一眼血压都上来。他读同一个文件能反反复复读三四遍， 找一个函数能扫整个目录，钱就这么烧没了。直到我刷到 openwoof 这个项目，给 cloud code 装上第二大脑， 才知道原来 token 可以 省成这样。官方实测数据挺猛，跨二十个项目，一百三十二次绘画，平均节省百分之六十五点八的 token 重复读取，拦截率百分之七十一。同一个大型项目，跟 open klo 对 比， 从三百四十万 token 直接干到四十二点五万，省了百分之八十。原理是六个钩子脚本自动跑一条命令， openwoofenit 出使化之后正常用 clone， 全程无改，不需要改任何工作习惯。 它做的几件事，第一，自动生成项目文件地图叫 anetme， 打 md， 每个文件标了内容摘要和 token 计算， cloud 不 用打开就知道这文件干啥的多大，大幅减少无效扫描。第二，读过的文件被记录下来，重复读，直接拦截。第三，你纠正过的错误，表达过的偏号全写进 sirram， 大 咪的， 下次同类问题不再走弯路，里面有个 do not repeat 列表，专门防止 ai 跨绘化重复犯错。第四， bug， 记忆库 bug log， json 修过的问题自动归档，下次遇到相似报错，能直接调出历史方案，省去重复排查。第五， token 账本， token ledger， json， 每次绘画花了多少， token 省了多少，全有记录，看得见的省钱。 还有两个隐藏功能挺好玩，一个叫 design qc， 自动截整页屏，让 cloud 帮你评估前端设计。一个叫 reframe， 内置了十二个 ui 框架的知识库，能帮你迁移项目，提一下使用门槛。协议是 agpl 三零商用项目，要注意 目前是 v 一 点零四，作者自己说还可能有 bug。 如果你在用 cloud code 开发稍大的项目。 token 账单看着心疼，这工具值得装一个，装上之后再回头看以前的账单，真的会怀疑过去的自己，这钱花的也太冤了。 get up 搜 settlestack openwolf 地址放评论区。
83Lina聊AI
04:27查看AI文稿AI文稿今天我们直白透彻讲明白，近期人工智能行业最大的一件事，就是 openai 正式给 check gpt 植入广告。首先我们先说新闻本身， openai 从今年二月份开始在美国全面测试广告业务，它的规则非常简单， 而且划分的特别清楚，只要你是免费用户或者八美元一个月的低价会员，你的对话页面底部就会出现广告卡片。但是只要你开通高级会员专业版，或者是企业商用客户，全程没有任何广告。 而且 openni 的 广告做得非常克制，不会篡改 ai 回答，不会乱弹窗，只会放在回答最下方，同时政治、医疗、敏感话题全部屏蔽广告。别看现在只是测试，数据已经非常夸张，短短六周测试，年化广告收入突破一个亿， 合作的广告主超过六百家。行业机构给出预测，今年 openni 的 广告收入最少二十四亿，最高二十五亿美元。 等到二零三零年，广告收入直接突破一千亿美元。很多人不理解为什么实力这么强的 openai 非要去做广告，核心原因只有四个字，持续亏损。 openai 目前一年亏损高达八十亿美元，亏损的根源就是算力成本，只要用户聊天就要消耗 token， 只要消耗 token 就 要烧钱。在没有广告之前，所有免费用户百分之百都是成本负担，用户越多亏得越厉害。 而这一次上线广告，直接彻底改变底层商业逻辑，免费用户从成本包袱变成盈利资产。 第二部分，我们来讲这套新模式到底强化了多少造血能力。以前 openai 只有两条赚钱路径，第一条，高级会员订阅。第二条，企业和开发者调用 api 接口， 现在新增第三条，也是利润最高的一条广告收入，它采用三层用户分层收割，百分之九十五的普通大众用户靠看广告补贴算力成本，百分之五的付费高端用户 花钱购买纯净、快速、无广告的服务。最后是企业客户按量计费，提供稳定高毛利。这套模式解决了人工智能行业最大的痛点，过去所有大模型通病都是用户越多亏损越大， 而 openai 现在做到了用户越多，流量越大，广告越多，赚钱越多。这是全球大模型行业第一次把免费流量完成和归可持续的商业化变现。第三部分，我们做全网最真实、最硬核的测算，我不用模糊的人数估算，严格按照 token 对 话广告展示一步步推演。首先明确行业通用标准，普通人一次完整问答输入加输出平均消耗两百个 token。 open nai 内部广告投放规则，每五次对话产生一次广告展示，我们统一计量单位用一百万 token 来计算，一百万 token 可以 支撑多少轮对话，一百万除以两百，等于五千次完整对话， 五千次对话按照五次一条广告，一共产生一千次广告曝光。目前行业广告计价方式为，千次展示 cpm 中性保守行情下千次展示六十美元，我们算一笔清清楚楚的账。中性场景一百万 token， 广告收入五十美元。一百万 token 综合算利成本只要零点八美元，简单直白成本不到一块钱，收入五十美元，净利润四十九点二美元。乐观场景，一百万 token 广告收入六十美元，算利成本同样零点八美元，净利润五十九点二美元。大家一定要记住这个数据，每消耗一百万 token， openai 净赚五十美元左右，在此之前，每一百万 token 纯纯亏钱， 从现在开始，每一百万 token 稳定盈利，这就是本质上的质变。最后，我们总结这件事对 open 内爱乃至整个产业链的深远影响。第一，免费用户不再拖累公司，直接抹平大量亏损，现金流彻底改善。第二，新增一条超高净利润的收入曲线，未来千亿营收确定性极强。 第三，手握充足现金，持续迭代 g p t 模型，扩建全球算力中心。第四，国内所有大模型全部会照搬这套广告加会员的商业化模式。除此之外，上游硬件产业链迎来史诗级利好，因为广告匹配系统 本身需要推理算力，再叠加用户对话算力，形成双重算力消耗。服务器 g p。 油光模块 pc 毕业了， i d c 算力租赁全部进入长期高景气周期。最后用一句话总结，权威植入广告， 表面看只是多加了几张推广卡片，本质上，人工智能行业终于完成商业闭环，从此以后， ai 不 再是只会烧钱的科研工具，正式变成可以自我造血、无限扩张的优质资产。记得点赞关注哦！
3华威时代
01:08查看AI文稿AI文稿经常接到这样的骚扰电话，那是因为啊，你的个人隐私已经泄露了，别再傻傻的接完电话就挂，今天啊，分享一招，既能保护你的隐私，又能遇见拦截所有的骚扰电话。来，我们打开电话的这个图标， 点击右上角四个点，点击骚扰拦截，点击下面的拦截规则， 这边有电话拦截规则和短信拦截规则。我们先打开电话拦截规则，这边有拦截骚扰电话把它打开。拦截诈骗电话，把它打开。 拦截广告推销电话打开，拦截房产中介电话打开。接下来返回，点击短信拦截短信，把它打开， 再把智能拦截广告短信把它打开。这样设置以后呢，你的手机再也接不到这些骚扰电话和这些垃圾短信了，你学会了吗？
19大闫
