Claude生产论文流程
我靠 club 的 用来写论文做深度调研真的太牛了吧，使用到了这个深度思考， 然后呢？谈不清，思考了五分钟，查看了一千多个网页啊，还在自己去进行搜索，帮我们去进行修改论文， 查找更好的数据啊，这还挺不错的，我倒也想使用到 club 的 用来写作科研，做数据分析，写代码等等都可以点击我主页的置顶作品找到我。
粉丝6558获赞4.3万
相关视频
00:57查看AI文稿AI文稿一定要快点试试这个 kol 的 战，感受一下 kol 的 强大的代码和写作能力。他真的跟官网一模一样，不是账号迟不会被封号，还不限制托肯。接下来准备给他发一下丸子的别录，我看一下他的文件提取的能力，我看出来他的回答速度还是相当快的，写出来的内容还是比较准确和靠谱的， 比我自己读要快非常多，也没有出现像 cologne 之前常出现的断联的情况。接下来再让他帮我读一下科研图，以前我自己要是读这种英文的科研图，真的是要花很久时间，现在你只需要发给 cologne， 它就瞬间可以把这个科研图的全部的流程以及内容都给我分析清楚， 方便非常多。而且你看他还可以把整个流程都帮我梳理清楚。接下来再让他帮我改一下之前的这种石山的代码，可以看出来他把问题在哪里都指的明明白白的。重新给了我一遍，他修改之后的一个代码，看起来比我写的代码要好太多了，这真的是我目前能够找到最好用的 closed 站了，没有之一。感兴趣大家点点关注。
6004六粒的世界
04:05查看AI文稿AI文稿ok， 今天给大家录一下怎么样去三十分钟出一篇带时政的经济学分析论文。首先给大家介绍一下两个工具，一个是 cloud code， 是 这个页面啊，别的不行，一定要是这个编程的页面。还有一个是 codex， 就是 这个专门用来编程的，是一个很强的生产力工具，这两个工具是现在目前最强的 ai 模型，你需要充一个二十美刀的 cloud code 会员啊，或者是 gpt plus， 就 可以使用这两个东西了。然后呢，具体的操作流程就是调用我写的这个 skill， 是 一个写论文的全流程，地址是这个，然后我也会发在评论区，十分简单，就就跟这个 codex 说一下， 你去搜一下这个地址，然后他下载下来，然后直接调用就可以了。开始之后呢，他会去问你论文的类型，还有字数范围和地址日期，接着他会给你进行一个头脑风暴， 从选择题开始。选择题是很重要的，因为这是你在全流程里面为数不多可以动脑的东西，就是决定你研究题目，你看他给了这五个，你看有没有和你心意的这个题目， 当然这五个就太宽泛了，你看这这都啥？所以你要后面再去细划这个论文的研究方向。你看我说我感觉这个选择题都跟经济学不太搭，尬吗？ 然后他就说其实这五个都属于经济学类题目，这时候我就说了，感觉这个题目要宽泛，要不锁定在一个区域里面。 ok， 我 就说这个就可以，接下来就他全流程自动了， 他会自己去确认这个成不成立，然后设计研究问题，设计假设设计这个变量，因变量，这变量，那变量，然后去自己去找这个数据，自己去确定计量方法，他给出这个一切的 time， 但其实都不用考虑这个 time， 直接让他一天暴干 二十分钟出一篇得了。这是个出稿，来看一下他二十分钟出来这么一篇大致可用的出稿吧，但是肯定不是说没一点没问题， 肯定有小问题，但是小问题就后期在修缮的时候了，你看一下他第一版给我出的时候，他只出了四千多个词，四千八百个词吧啊？四千六百多个词，然后让他拓展一下到六千左右，他要去执行， 那这个时候怎么样去让他看起来像人写的？这个时候要做的就是把他丢给两个网页版的 ai， 然后让网页版的 ai 去审这个初稿怎么样？哪里有什么逻辑问题啊？或者说哪里有什么格式问题，包括这个语句的修改，你就问他说哪有 ai 味重的地方，比如说这个句式太工整，或者这个逻辑都一样，那去让他挑出来，然后让两个 ai 互相挑，就这么左手倒右手去实现一篇可以看得过去的论文就可以了。哎，其实我说实话，这论文谁看啊？尤其是经济学啊， 咱也不是拿诺奖的人，就随便写个实证就得了，对不对？我感觉学经济学就是混混的也没啥用，你说学这个计量嘛， 这些专业的东西 ai 全给跑了，这 ai 出的代码又快又好，然后数据他也都全找了，你看这数据，这表格一点毛病都没有，这图像他这些二院全出了。所以说以后的科研只会越来越简单，之前这么痛苦的学习的日子已经不复存在了， ai 带来的竞争力提升已经是巨大巨大了。你要说这算不算什么学术不端？我觉得不算，因为这是属于科技进步带来的这个解放我们的体力劳动了，对吧？你说因为之前感觉这个科研吧，也就是劳神费力， 也没有那多么多么的有技术含量，尤其是这种经济学，如果你不是那种很前沿的科技的话，需要做实验那种，那你这个写这论文，写那论文也没啥用，其实大家都知道，就混一混，搞一搞就得了。所以说 学好新技术，学会用 ai 是 现在目前最重要的事情。 ok， 关注我，获得更多 ai 相关知识。
00:30查看AI文稿AI文稿今天发现使用到 club 这个深度研究啊，写论文真的非常的强啊，我们一起来看一下他一个问题思考了二十分钟，浏览了一千多个网页，直接让他输出一个三万五千字的论文， 权威，他直接一次性就能输出啊，并且里面的数据啊查询都是真实的，而且也是比较新的，并且呢，在这还可以去下载各种各样的文档啊。我代理也想使用到 club 的， 用来写作科研，做数据分析，写论文等等，都可以点击我主页的置顶作品找到我。
69阿坦说Ai
06:39查看AI文稿AI文稿上期视频我们总结了 nature skills， 分享了如何写 skills。 今天我们来看一篇最近很火的文章， cloud code one hundred two for academic researchers。 作者是 mash tucker， 丹麦男，大学博士。他长期在 x 上分享 ai 怎么辅助学术研究、文献阅读，论文写作，受众主要是博士生和科研工作者。他之前写过一篇 cloud code 幺零幺，阅读量超过四百万一百零二是接在幺零幺后面的进阶篇。今天讲的就是这篇。 先一句话说清楚这篇文章在干什么。他不是教你用 cloud code 代写论文，而是教你把 cloud code 变成一个有目录、有规则、有分工的长期论文助理。他想解决的问题是，直接用 ai 写论文，很容易遇到三个麻烦，材料全堆在一起， ai 分 不清哪些是证据， 叫他帮你找文献，给的是主题相关，不是真正支撑。那句话的任务一复杂，没有计划和规则，结果根本没法检查。 这篇文章给出的答案是，先把项目管理这件事做好，再让 ai 参与进来。我这里准备了一个模拟论文项目方向是知识图谱，里面有一篇 word 初稿，两篇 pdf 文献，一份导师意见，还有一份会议纪要。这是我们的项目目录。 基于这篇文章的建议，结合 nature skills 的 写法规律，我们提炼了一个写作模板，写了三个技能，这三个 skills， cloud codex 和 codex 都能用。第一个技能叫论文工作台搭建，它的作用不是写论文，也不是找文献，而是先把论文项目整理清楚， 直接使用 ai a 键词。很多人会把 pdf 草稿、导师意见、会议纪要都放在一起，然后直接问 ai。 这时候 ai 很 容易搞不清楚哪些是可引用文献，哪些只是作者草稿，哪些是导师建议，哪些是会议记录。 所以第一个技能做的事情很简单，把项目拆成几个区域，它生成了这几个文件夹。同时，它还给每个文件夹生成了一个说明文件。比如文件。文件夹的说明会告诉 ai， 这里的材料可以作为论文证据， 但必须检查原文是否真的支撑论文句子。草稿。文件夹的说明会告诉 ai， 这里是做旧草稿，不能随便编造实验结果、公式、图表和参考文献反馈材料。文件夹的说明会告诉 ai， 导师意见和会议纪要只能作为修改建议， 不能当做文献证据。这一步看起来不复杂，但它很重要，它的价值是先让人工智能分清材料身份，避免后面乱读乱用材料。第二个技能叫文献证据匹配，这是我觉得最适合展示的一部分。 以前我们可能会直接问 ai， 帮我找几篇参考文献，或者帮我给这段话补引用。但这种问法有一个问题， ai 可能找到的是主题相关的文献，不一定是真正能支撑论文那句话的文献。 所以这个技能做的不是简单找文献，而是做论点和证据之间的匹配。他先把 word 处稿提取成可读文本，再把两篇 pdf 文献提取成文本，然后从处稿里找出需要文献支撑的论点，再去 pdf 文献里找原文证据。 最后，它生成了一个文献证据匹配报告。报告里面不是简单说这篇文献可以引用，而是逐条判断论文里的这个论点是什么，后选文献是哪一篇文献原文证据是什么？ 支撑强度和引用建议。这里有一个很好的例子，我们的初稿里有一句话，大意是知识图谱可以用于组织和表示复杂知识。两篇 pdf 文献里确实提到， 知识图谱是用头实体关系为实体三元组来表征复杂知识体系的技术，所以这个地方可以作为背景支撑。但出稿里还有一些更强的说法，比如论文方法，准确率提升约百分之十八， 召回率提升约百分之十二。这是作者自己论文的实验结果，必须来自自己的真实实验，不能拿外部文献来应凑。所以报告会明确写不能支撑，必须补真实实验结果。这就是这个技能的价值，也正好对应了文章里的一个核心思路，让人工智能围绕你的论文论点去查材料， 而不是泛泛的总结文献。第三个技能叫审稿人模拟检查。这个技能也不是直接改论文，而是像审稿人一样生成一份风险报告。它会读取论文出稿导师意见、会议纪要，以及前面生成的文献证据匹配报告，然后检查这篇稿子现在有哪些问题。 在我们的测试里，他指出了几个很典型的问题，实验结果还是估算值，主实验表格缺失，消融实验缺失，公式缺失、图缺失，相关工作覆盖不足。导师意见里也提到，近两年的相关文献补得不够。 所以这个技能最后会生成一个审稿人模拟检查报告，把问题案优先级列出来。它的作用不是替作者完成论文，而是告诉作者，如果现在投稿，哪些地方最容易被审稿人抓住。 从测试结果看，这套流程最有价值的地方不是让人工智能写得更多，而是让他少犯一些关键错误。比如不乱用文献，不编造实验，不把导师意见当证据，不把背景相关的文献当成直接支撑。这也是我觉得这篇文章值得看的原因。 回到文章本身，我把它提炼成六条你可以直接拿去用的原则。第一，按功能分区。不要把它提炼成六条你可以直接拿去用的原则。第一，按功能反馈数据，各放各的地方， ai 才能分清它们的身份。 第二，每个文件夹写清使用规则，主目录放一个全局说明，每个子目录再放局部规则，规则依次写好，整个项目期间都生效，不用每次重复说。第三，复杂任务先要计划，不要直接让它执行超过三步。跨文件夹输出很长的任务，先让 ai 列出步骤，确认了再开始。 第四，重复任务，做成固定命令，整理笔记、检查引用、生成报告，这些每次都要做的事情，可以写成命令，下次一句话调用。第五，不同任务用不同助手，文献助手、引用检查助手、审稿人助手，各自独立，彼此不互相污染上下文。第六， 引用这件事没有退路，必须回原文和这篇文献真正支撑你这句话是两件不同的事。 如果你也想照着这个思路写自己的论文技能，我的建议是从一个具体的高频任务开始，不要一开始写太大。 比如帮我检查引言，每句话有没有文献支撑，或者帮我把导师意见整理成一个修改清单。选好任务之后， 把它写成四件事，什么时候用，需要什么输入，具体怎么操作，输出什么文件。另外，禁止事项很重要，不能编造数据，不能覆盖原始文件，不能把建议当证据，这些都要明确写进去，写完之后用真实材料跑一遍，看看输出是不是真的可用， 然后迭代。最后说一句这篇文章的核心价值，它没有给你一个神奇的提示词，它提醒的是，如果你想让 ai 真正参与一个长期论文项目， call 的 不是一次性聊天，而是项目结构、规则、文件 证据追综合可重复流程。真正有用的不是让它写，而是让它按你设计好的流程。工作有问题欢迎评论区讨论，我们下期视频再见！
2994AGI_Ananas
08:51查看AI文稿AI文稿cloudco 已经在处理数百万行代码的超大规模生产环境中跑起来了，它目前正运行在包含数千名开发者的企业环境里，应对的是百万行级的单体仓库、复杂的微服务架构， 甚至是长达数十年的遗留系统。今天我们直接看 antropolis 总结出的企业级部署指南。我会从底层的导航原理、决定性能上线的 harness 架构，以及最后的组织落地策略这三个维度，带你掌握这套实战方案。 在大规模代码库里，怎么找对代码是核心问题。传统的 ai 工具多用 r a g 技术，靠预先建好的锁影来解锁，但在高速迭代的团队里，锁影经常跟不上代码的变化。比如你刚从命名了一个模块，锁影可能还在指向旧路径，这时候 ai 就 会拿着过时的信息乱写 codecode 避开了这个坑。它用的是 agentec search， 它不依赖静态缩影，而是像真人工程师一样，直接在本地文件系统里工作。它会通过便利目录读取文件，利用 grip 搜索并沿着代码的引用关系进行追踪， 这意味着他看到的永远是当前最新的代码。彻底解决了锁影之后带来的问题，理解了导航原理，接下来看决定 cloud code 性能上线的关键。 harness， 也就是支架生态。很多人有个误区，觉得 cloud code 强不强只看模型指标， 但在企业级应用中，真正决定表现的是围绕模型的这个支架。它有五个扩展点和两个增强能力组成。 扩展点包括 c l a， u d 点、 m d hooks， skills， plugins 以及 m c p。 服务器。增强能力则是 l s p 集成和 sub agents。 简单来说，如果把模型比作引擎，那么 harness 就是 整辆车的底盘和操控系统。 没有这个支架，再强的模型也无法在复杂的工程环境下高效运转。第一个组建是 c o a u d 点 m d。 它是整个系统的上下文底座。它的特点是在每次绘画开始时， cloud 都会自动读取它。在配置上，我们建议采用分层模式， 根目录下的 c o l u d 点 m d 就 像是项目的大纲，用来存放全区规范和最重要的注意事项。而在具体的子目录里，你可以放更细化的文件，专门定义该模块的局部约定。 记住一点，因为这些文件是每次都会加载的，所以一定要保持精简，只放最有价值的信息。千万别写成厚厚的说明书，否则会拖慢性能。 有了静态的知识，我们需要 hooks 来让系统动起来。很多人觉得 hooks 只是用来拦截错误，防止 cloud 做错时的脚本，但这其实是大材小用了。 hooks 真正的威力在于实现持续改进。比如，你可以用 start hook 在 任务开始时自动加载当前模块特有的上下文。 更高级的做法是利用 stophook， 在 任务结束时，让 clout 对 刚才的操作进行反思，并直接提议更新。 c l a u d 点 m d。 另外，对于 link 检查或代码格式化这类极其讲究确定性的任务，直接交给 hoops 去执行，比单纯在 prompt 里求 clout 记得遵守规则要可靠得多。最后，我们来看 skills， 也就是技能。在大型项目中，任务类型非常杂， 如果你试图把所有的专业知识、所有的规范都塞进 c o a u d d 点 m d， 后果就是上下文严重膨胀， cloud 会变得反应迟钝，甚至逻辑混乱。 skills 采用了一种渐进式纰漏的策略，它把各种专项领域的专家知识，比如安全审计、文档处理或者部署流程打包成独立的技能包。 只有当任务真正需要时， cloud 才会按需加载它们。这种方式既保证了它在处理特定任务时的专业深度，又避免了无关信息对上下文空间的挤占，真正实现了用时才现身。 有了基础的支架，我们需要解决如何把这些能力规模化分发的问题。这就是 perkins 插件的作用。在大型组织里，很多优秀的配置往往只存在于某个高手的电脑里，这叫部落知识。为了打破这种局面，插件可以将 skills、 hooks 和 mcp 配置打包成一个单一的可安装包。 这样，当新工程师入职第一天，安装了插件，就能立刻获得和资深开发者完全一样的上下文和能力，实现整个组织能力的标准化。 如果说插线是在组织内部传授经验，那么 m c p。 服务器就是在为 cloud 提供向外延伸的触角。它是 cloud 连接外部工具、私有数据源以及各类 api 的 桥梁。 通过 m c p， cloud 可以 直接调用你们内部的结构化搜索工具，或者接入公司的文档供单系统，甚至是数据分析平台。这让 cloud 不 再只是一个写代码的助手，它真正成为了一个能操作公司整个工程生态的智能体。 在所有的扩展能力里， lsp 集成是提升导航精度的杀手锏。传统的 ai 往往是在做文本层面的模式匹配，这在大规模代码库里很容易出错。比如两个不同模块里有同名的函数， ai 可能会找错地方。 但通过 lsp 集成， cloud 就 拥有了和开发者 ide 完全一样的符号级导航能力，它能精准地追踪不同作用域下的同名符号， 特别是对于 c、 c 加加或者 java 这些强类型语言引入 lsp 是 提升大规模导航可信最有效的投资。 最后，处理特别复杂的任务时，就需要用到 sub agents， 也就是自智能体。在大规模开发中，一个任务通常包含探索和编辑两个阶段。 如果让主智能体同时干这两件事，很容易因为上下文过载而迷失方向。 sub agencies 采用了分治法的思想，它会开启一个拥有独立上下文窗口的 cloud 实力来专门处理子任务。比如，你可以先派出一个只读型的子智能体去扫描整个子系统，把调研结果写成报告， 然后再让主智能体根据这份报告进行精确的代码编辑。这种把探索和编辑分开的模式是处理复杂工程任务的核心逻辑。有了架构基础，接下来看具体的实操。核心目标是让代码库变得可导航。首先是 cloud 点 md 的 分层设计， 不要试图在一个文件里写完所有东西，要把根目录的文件做得尽可能清亮，只放全剧大纲和关键的避坑指南，真正的细节应该放在各个子目录的 clod 点 md 里。另外，建议在具体的子目录里直接出示化 clod， 而不是在仓库根目录，这样能让它的上下文更聚焦。 最后，一定要利用 ignore 文件把生成的代码构建产物和第三方库排除掉，把噪音降到最低。如果你的项目结构非常特殊，或者规模大到目录结构都快理不清了，那就需要进阶手段。 第一，建立代码库地图，再跟目录写一个清单级的 markdown 文件，用一两句话描述每个顶层文件夹的功能，这相当于给 cloud 提供了一份目录锁影。 第二，一定要跑起 lsp 服务，不要只靠文本搜索。 lsp 能让 cloud 通过符号来查找，比如直接找某个函数的定义，而不是在几千个同名字母串里大海捞针。 这两招结合起来，能极大提升它在复杂环境下的导航效率。有一点大家必须注意， cloud code 的 配置绝对不是一劳永逸的。随着 ai 模型能力的不断进化，你以前为了弥补模型缺陷而写的那些指令可能会变成现在的负担。 比如以前你可能需要写很复杂的指令来教他如何进行跨文件重构，但如果新版本的模型已经原生支持的非常好了，这些旧指令反而会变成认知噪音，限制新模型的发挥。 所以建议每隔三到六个月，或者在重大模型版本更新后，都要对配置进行一次彻底的审查和清理。 最后，我们谈谈落地时最关键的组织保障。技术配置做的再好，如果没有人负责，也会变得杂乱无章。 成功的案例表明，企业需要设立专门的角色来管理这个生态，你可以设立一个 d r i， 也就是直接负责人，负责统一配置权限和插件标准， 或者设立专门的 agent manager， 这个角色融合了产品经理和工程师的职能。如果不设专门角色，至少也要有一个核心人员来负责，把散落在各处的部落知识收集起来，转化成标准化的插件和技能，防止团队的 ai 能力陷入碎片化。 那么一个企业该如何开启这个进程呢？我们建议遵循基础设施先行的路线图，不要一上来就全员推广，那样会带来巨大的吃力压力。 最理想的路径是先由 devx 或者开发者体验团队介入，把底层的插件和 mcp 基础设施搭建好， 在基础设施成熟后，再通过跨智能工作组把工程安全和治理部门拉进来，共同制定规范和路线图。这种从工具准备到规范制定再到全员推广的循序渐进方式，是目前最稳妥的落地路径。
43AI信息差
03:02查看AI文稿AI文稿我最近集中在用可乐扣的把我的一人公司系统全部重新做一遍，具体呢就是有这么几个点。首先第一个就是把我自己的内容创作全部的工作流，完成一个纯 ai 自动化的改造。你比如说以前我写口播稿，他是需要你去看很多的爆款，嗯， 有自己的结构，然后自己再去基于自己的实践，然后去写。但是现在呢，我首先做的第一件事情是搭建了一个信息采集的中台，它能够就是首先去采集一些热点信息，比如说对标的这个微信公众号 啊，对标的这个其他的博主的账号，以及对标的一些国内的大的这个资讯平台，比如说三十六客呀，晚点呀，然后还有一些这个什么机器之心呀，行业热点的一些比较有权威性的一些媒体。 然后海外呢，也关注了几个我对标的博主，像单扣啊，然后也会把这个头部的所有公司的这个官方账号也会 follow 一 遍，比如说这个 astropake 呀， gpt 呀、 openai 呀 的创始人什么的，嗯，从那个 newsletter 和这个呃 x 上面去不断地去 follow 他 们的信息，就是那这些信息会集中变成我的信息中台，然后每天都会把采集到的相关的热点然后传到给我。基于这个信息中台呢，我是分了几个信息处理的出口，嗯，第一个是这个微信公众号，因为我需要他 呃基于这些信息，然后给出我今天微信公众号的一些选择题，嗯，以及基于这些观点，然后基于我的理解，我的人设，他应该是从哪些角度去切入去讲这个选择题。 第二个呢就是口播稿，其实他们之间是联动的，然后口播稿他也会基于我对于我这个账号定位的理解，然后基于我们收集到的信息，给我一些选举上的建议。嗯，如果说我把选举确认了之后呢，他会给我生成具体的口播稿的内容。然后 第三个呢，就是我们日常运营的这个朋友圈的那个内容了，因为我的朋友圈的目的呢，是为了卖我自己的产品 啊，其实我另外向这个短视频也好，公众号也好，也是集中在为了卖我的产品，所以就是这个信息他的这个切入点就会基于如何在朋友圈，然后基于人设和私域转化设计每天的这个朋友圈群体的文案，那这三个系统都是全自动运行，不需要人为干预的，是吗？我觉得他解决了 百分之七八十就是重复性的人要做的东西，比如说信息收集，然后基于你的结构理解去生成出稿。在这个过程当中做了比较重要的几个决策，第一个就是我决定输入哪些信息员，就是我让他采集哪些账号， 这是我很重要的一个决策。第二个就是账号的内容输出来之后，基于这些信息他用什么维度去处理啊？以及他的输出结构是什么。还有最后一个决策，就是当他基于前面两个判断，最后真的生成出最终的一些文章也好啊，口播稿 文案也好，还有朋友圈文案也好，我还要再去审核一遍，甚至有的还要再去优化一些，但是整体这个这样的一套流程下来，已经让我曾经的这些所有琐事啊，这个提效了非常多，而且我觉得内容质量也提起来了，所以大家也可以看到，就是最近我的公众号和短视频都在持续保持一个日更，但是我的工作量 啊，其实并没有增加太多。但但不得不说，其实我在呃这个传统的事情上，呃基于 cloud code 帮我搭建出来的这个自动化工作流之后，我在这个事情上本身花的时间并没有很多，但是我在 cloud code 上面花了很多时间，因为搭这些工作流其实它并没有那么容易，嗯。
1283Tia聊AI
00:25查看AI文稿AI文稿如果你把 pdf 喂给 ai， 表格错乱，公式丢失，排版全乱， ai 根本读不懂，那这个项目你一定要记住，它是一个专门为 ai 打造的 pdf 解析器，综合准确率百分之九十，表格准确率百分之九十二点八。支持 markdown、 jason、 html 三种输出格式，表格公式、图片、图标都能识别， 扫描版 pdf 也能用，内置 ocr， 支持八十多种语言，还有 ai 安全过滤，自动屏蔽提示输出。把 pdf 喂给 ai 之前，先用它修正一下。
1263程序员少北晨
00:36查看AI文稿AI文稿科研这件事，最难的往往不是写，而是不知道第一步该怎么走。 academic research skills 这个开源项目，把研究写作、评审、修改、定稿整理成了一整套能直接照着走的流程。 readme 里把文献检索、论文写作、数据处理、学术规范，还有 reviewer 和 picklan 这些关键环节都排进去了。 它最值钱的不是替你省掉思考，而是把科研路径理顺，让新手少走弯路，每一步都更稳。 如果你想把学术研究真正做起来，这个 github 开源项目从入门到落地都值得直接收下。
222Vibe杰
06:56查看AI文稿AI文稿cloudcoat 大 型代码库实战 antropic 官方指南，融合社区实战经验和工具，横屏深度解读。 cloud code 已在生产环境跑起来了。数百万行单体仓库，几十年历史的遗留系统，跨几十个仓库的分布式架构， c 加加、 c 井、 java、 php 等语言同样好用。这是 antropic 首次系统性批录企业级部署模式， 核心架构选择不见缩影。像工程师一样搜索 rag 方案的问题是嵌入管线跟不上，活跃团队查询时缩影已过期，返回以重命名的函数 agentic search 直接访问实时代码库，无需维护集中缩影，代价是需要足够地起始上下文。 核心洞察框架比模型更重要。常见误解是能力完全取决于模型， 真相是模型周围的生态系统决定了实际表现。五个扩展点， cloud md hooks skills plugins mcp 两个关键能力。 lsp 集成核子代理顺序很重要，每层都建立在前一层之上。 cloud md 是 第一层基础。每次绘画自动加载的上下文文件，根目录放局局势和关键陷阱，子目录放本地约定 大型代码库关键只放指真和关键高叉。社区反馈文件过长会导致 cloud 忽略实际指令。 hook 让配置自我进化，不只是阻止错误，更是持续改进。 stop hook 在 绘画结束时反思并提议更新 start hook 动态加载团队特定上下文自动化检查比依赖 cloud 记忆更可靠。社区实践用 hook 禁止默认子代理 skills 实现渐进式批录。不是所有专业知识都需要在每次绘画中存在安全审查 skill 评估漏洞时加载文档处理 skill， 代码变更时加载可绑定到特定路径。支付团队的部署 skill 只在该目录激活 plug ins， 让好的配置传播开打包 skills hooks m c p 配置为一键安装包。新工程师第一天就拥有和老手相同的上下文。通过托管市场分发更新 lsp， 实现符号级精准导航。 prep 搜通用含数名返回数千，结果 cloud 浪费上下文。逐个打开 lsp， 只返回指向同一符号的引用过滤，在读取之前完成。对多语言代码库是最高价值投资之一。 m c p 连接内部工具、数据源和 api， 最成熟的团队构建结构化搜索。作为 m c p 工具，社区质疑 m c p 是 否比直接用 cl i 更好？回答是， m c p 的 价值在于给 cloud 结构化的访问方式。 子代理隔离上下文窗口，独立 cloud 的 实力只返回最终结果 读者子代理应涉子系统并写入文件。主代理编辑社区痛点是默认子代理质量差，需要自定义。最佳实践是用 hock 路由到字定义版本， 让代码库在规模上课导航 cloud md 精简分层子目录出使化，而非仓库。根梅子目录限定测试和 link 命令，用 ignore 排除生成文件，构建代码库地图运行 lsp 按符号搜索 模型进化时，配置也要跟着变为当前模型，写的指令可能对下一代模型有害，比如只改一个文件的规则，会阻碍新模型的跨文件编辑能力。建议每三到六个月做一次配置审查， 技术配置不够，还需要组织投入。最成功的部署是小团队先搭好基础设施，再开放新兴角色 agent manager、 pm 和工程师混合之能，自下而上能产生热情，但会碎片化，需要有人集中推广，有效实践 社区验证与补充。有人说他的工作方式和我预想的完全一样。 最佳十件事，先让它收集上下文再做事。在 ripper 里保留规划和架构文档是最好的投资。你不是程序员，你是技术 lead 管理一个高能力但上下文有限的初级开发者。 社区批评 grab 的 局限，搜 account， 在 大代码库中返回数百个函数， 一个拼写错误就可能让 agent 重新实现已有功能。 token 消耗惊人，首个 prompt 可能吃掉三成的五小时配额。解法是投资 cloud md 加 lsp 加子代理 二零二六 ai 编程工具横屏 cloud code 一 照 token 上下文终端原声 agent swaybench 八成 cursor 最佳 id 体验本地缩影 composer 多文件编辑 copilot 最广泛企业采用 p r 自动化，十美元每月 选择指南，复杂自主后端任务选 cloud code， 日常编辑体验选 cursor 企业和归选 copilot。 最佳组合是 cursor pro 加 cloud code， 一个做日常，一个做重活。关键差异是 cloud code 不 需要代码库缩影 核心心智模型。你不是程序员，你是技术 lead。 cloud 是 高能力但上下文有限的初级开发者。你的工作是设定边界，定义路径，提供验证工具，管理上下文，持续改进配置 从哪里开始？第一，运行 slash init 生成 cloud md。 第二，用 plan mode 是 一次四阶段工作流。第三，安装代码智能插件，起用 lsp。 第四，创建子代理做代码审查。第五，建立 hulk 自动化。第六，每三到六个月审查配置。
06:36查看AI文稿AI文稿今天我们要聊的呢是 anthropic 团队在打造下一代 cloud 的 时候，用了哪些比较有意思的产品的和研发的思路？错，这都是一些挺新鲜的经验，那我们就直接开始吧。首先咱们要聊的第一个点呢，就是这个模型及产品的思路。 ok， 那 在这之前呢，我想先问一下，就是 ansurfik 他 们在训练这个 cloud 之前会做哪些准备工作？其实他们一开始就把 cloud 当成一个真正的产品去打造，不是说我只是发一篇论文就完了。对，所以他们在训练之前就已经想清楚了，说下一代的 cloud 必须要擅长编程， 必须要懂各种办公的软件，各种办公的场景，这都是非常明确的，一开始就定下来的。哎，那我就好奇了，他们在实际的操作当中会遇到哪些不确定的因素，哪些挑战？你这个问题问的很好，他们就是，呃，把训练这个模型比喻成种庄稼， 就是说你可以选好你的种子，选好你的土壤，但是你最后能收多少是很难完全控制的。 所以他们就是要保证 api 的 调用是顺畅的，代码的编辑是顺畅的，包括文档的审核是顺畅的， 就是用户体验各个方面都要一起抓。嗯，对，好，紧接着要说的就是这个用 ai 自己来改进自己， 那 cloud 是 怎么通过自己来处理用户的反馈，然后来提升自己的表现的呢？具体来说呢，每天有几百万人给 cloud 提反馈，那这个量太大了，根本就看不过来。嗯，所以他们就让 cloud 自己去分析这些反馈， 他会自动的把类似的问题归到一起，然后提炼出那些出现频率很高的问题，最后转化成量化的测试。我还有一个疑问啊，就是说这些测试用力是怎么设计的呢？ 他们不会说用成千上万的这种很随意的例子。嗯，他们就精心挑选了几十个真实场景，这些场景都是很容易让你的工作卡住的一些问题。对，他会去看这些关键的缺陷有没有被修复，而不是说去关注那些表面的一些小问题。明白了， 下一个点是关于这个模型的做梦机制啊，就是说 cloud 在 后台空闲的时候会做什么？这样做有什么好处？就是当 cloud 空闲的时候，它会去像人在睡觉的时候巩固记忆一样，它会去梳理自己的内部记忆，然后把一些矛盾的地方删掉， 把一些涌于的地方清理掉，这个过程它们就叫做做梦。 ok， 这样做的话，它的记忆就会越来越准确， 之后他推理的能力也会越来越强。哦，那这个做梦机制会根据跟用户的熟悉程度而有不同吗？当然会了，就是，呃，他会根据跟你对话的历史来调整他思考的深度， 比如说他如果跟你很熟了，他就会更认真的给你一些建议。嗯，如果是一个新的用户，他可能就会先简单的回你一下， 就是会有这样的一些变化。懂了，下面咱们来谈谈关于这个 ai 的 性格是怎么训练出来的。对，我想问一下 entropic 他 们具体是怎么塑造 ai 的 性格和价值观的？其实他们有一个专门的团队，就是负责去定义这个 ai 说话的风格和它的价值观， 以及他在不同的场景下应该怎么回应。 ok， 所以 他们不是说靠一个简单的提示词让他看起来很温和，嗯，而是在训练的目标里面就明确的规定了他应该是一个什么样的性格。 比如说他要很靠谱，他要能独立的去运行，甚至可以自己去做一些技术方面的决定。说到这，那他们怎么保证这个 ai 的 性格是符合他们的要求的？就是一方面这个 ai 他 自己会去评估自己的回答风格， 另一方面呢，研究员会去看成千上万的对话，去训练一种对于语言的直觉。嗯， 能够非常敏感地发现 ai 回应里面的一些很微妙的差别。那 ai 是 怎么改变了产品经理的日常工作的？就现在，呃， cloud 可以 直接连到数据库， 以前可能要花几天的时间去查数据，去评估一个功能的难度，现在十分钟就可以搞定了。他甚至可以去看代码库，然后告诉你说这个改动只需要改十行代码就可以，让产品经理马上就可以去调整优先级。嗯，还有更夸张的是， 他还可以扮演不同的角色，跟产品经理进行辩论，所以产品经理就有了一个超级助手，确实挺厉害的。那单项门和双项门的决策到底是怎么回事？在实际工作当中怎么去运用这两种思维呢？是这样的，他们把所有的角色分成两类， 一类是单向门的决策，就是这个东西一旦做了就很难回头了，比如说选择模型的架构，这种决策就要非常的慎重，要花很多时间去想好。嗯，但是有些角色是双向门的，就是你即使做错了也可以很容易的改回来，比如说写代码， 你写错了可以随时撤销。对这种就不要太纠结，快速的做就好了。那在这种分工之下，人的主要精力应该放在哪呢？ 其实现在最大的障碍往往都不是写代码，而是团队之间的沟通和大方向的对齐。嗯，这些事情目前 ai 还没有办法帮上忙，所以人的精力更多的是要放在这些上面。然后咱们要聊的是这个文档文化和知识的显性化。 嗯，我想问一下，就是为什么 elphropolek 这么强调写文档，这样做对 ai 有 什么好处？他们每次开会之前都会先让大家安静的看一些相关的材料，对，这样的话讨论就会更高效。然后另外一个很重要的目的就是 所有的会议记录，所有的工作流程，所有的入职的这些指引全部都变成文字。嗯，这样的话就把原来很多只有少数人知道的知识，变成了一个大家都可以用的结构化的信息。 那这个时候 cloud 就 可以利用这些丰富的上下文来给大家更精准的帮助。好，我还有一个问题啊，就是说他们在研究 cloud 到底有没有意识这件事情上面，他们到底是怎么看待这个问题的？其实他们公司里面有专门的人在研究这个事情，但是他们没有对外去说有一个什么标准答案， 他们反而因为研究这个问题，对模型的理解更深了，然后做出来的产品也更好用。了解了，那现在大家都在拼算力，嗯，那 altropic 他 们觉得未来的 ai 竞争的关键除了算力还有哪些？他们其实是觉得，呃，下一波的竞争 不仅仅是拼算力，真正能让 ai 脱颖而出的是产品思维，是记忆能力。嗯，还有就是它是不是足够的可靠和可信。 ok， 那 今天咱们就一起了解了一下 azurepic 是 怎么样用这些创新的方法，把产品思维、 ai 自我提升，以及一些很巧妙的工程实践结合在一起，去打造更聪明、更可靠的下一代 ai。 不 错，以上就是这期播课的全部内容了，然后我们下次再见，拜拜！拜拜！
06:18查看AI文稿AI文稿大家好啊，最近后台有不少同学催我出关于 webcody 的 教程，但我一直没想好用什么形式来呈现，毕竟单纯的录一个 webcody 的 过程，参考的价值其实非常的有限。所以说今天想来换一个思路，给大家分享一个对我印象很深的视频。 看完之后啊，我整个 webcoding 的 工作流都发生了很大的变化。这个视频是 astropok 研究员 eric 在 二五年八月份的时候发布的，视频的内容呢是关于如何在生产环境中负责任的进行 webcoding 视频的。开始啊，他就提到，随着 ai 处理任务的能力啊，每七个月翻一倍。软件工程现在正处于一个转变的临界点，这个转变就是从主行审查代码到抽象化的管理。那这一段话呢，放到现在来看，几乎也是印证了这一点。首先啊， ai 处理任务的能力已经不需要每七个月翻一倍了， 现在各大模型厂商的竞争非常激烈，作为普通人，我们可能每两到三个月就能使用到一款新的模型。然后关于临界点的说法，我觉得现在是已经突破了。 我自己呢，是在二五年初的时候开始使用 cursor 这类的 ai id， 再到后来的 claltcode 的， 然后 web coding 这个概念的出现，我当时一直以为是通过对话的方式去生成代码，然后我再去做检查， 所以说我当时并没有感觉对我的效率有很大的提升，反而我是需要不停地给 ai 去擦屁股。但是再回到现在，我几乎已经是离不开 claltcode 和 codex 了。 第一部分，重新定义 webcoding， 正如前面所说， webcoding 并不仅仅是用 ai 来生成代码，视频中呢，还引用了卡巴西的定义，完全顺应氛围，拥抱指数级增长，甚至达到忘却代码存在的境界。 那为什么现在需要关注这种外部拷定的变化呢？主要的原因无非以下三点，第一点，前面有提到的 ai 指数级增长，现在的 ai 啊，迭代实在是太快了，原本只能用 ai 来处理一小时的工作，现在可以用 ai 来处理一天甚至一周的工作量。 第二点，摆脱效率的瓶颈。如果说你现在还是坚持去同步审查 ai 生成的每一行代码，无法利用 ai 带来的效率的红利。 第三点也比较有意思，视频中类比了现代开发者不再检查编辑器输出的会编代码，而是信任系统，那软件开发也会引进到类似的一个抽象的层次。 当然了，卡帕西所定义的忘却代码存在的这个境界，我相信大部分人，包括我自己都很难达到，但我觉得这一定是未来的一个目标。 第二部分，如何做到负责任的 webcoding？ 视频中有提到啊，在生产环境中进行 webcoding 是 必须具备责任感的，包括像 api 的 密钥泄露啊，数据库损坏或者说安全漏洞，这个都是要极力避免的。 那一共有三种原则和策略。第一种，聚焦业节点，那这个业节点其实就是指那些不被其他组建依赖，属于末端功能的代码， 即使这些代码存在技术、债务或者说荣誉的问题，但由于其独立性较强，所以不会影响到核心系统的扩展性和稳定性。第二种是面向管理人员的，建立可验证的抽象层。 这边视频中就有提到啊，管理者无法亲自审阅的代码是一个古老的管理学问题，那他给出的解决方案就包括验收测试、压力测试和稳定性的路径，这些都是可以通过 web coding 去写出来的。 第三点，技术债务的挑战。视频中有提到啊，验证技术债务是 webcoding 中唯一的难点，但放到现在来看，随着 cloud code codex 这些 a 正的能力，包括模型的能力越来越强， 那其实很多的技术债务都可以通过 ai 来帮你省略出来。总的来说，如何做到负责任的代码从外向内的安层次的递进，再让 ai 来帮你梳理技术债务，编写测试脚本。 第三部分，角色的转型。现在的开发者需要一步步地成为 webcoding 的 产品经理，这一点的话我是感触最深的。没有 webcoding 前，我的工作占比是一比三比一，一是设计，比如说架构的设计跟产品对需求，三是写代码，最后一个一则是改 bug。 现在有了 web 控制后，我的工作占比已经变成了三比一比一，并且所有的步骤有了 ai 的 加持后，整体的效率要比之前快了很多。有的时候啊，我甚至在涉及的过程中就已经在脑海中把代码写了一遍。 第四部分， azure 团队啊，通过一次生产环境的两万两千行代码合并，为案例介绍了他们是怎么做的。 第一点，深度规划。开始执行任务前啊，他们会投入数日来确定需求，也就对应了前面我说的，会花更多的时间在设计上去引导 cloud 的 设计架构。第二点，将变更集中在不影响核心的业节点代码区域。第三点，核心的负荷和第四点，压力测试。我觉得是需要绑定起来的 核心复合，对核心部分可扩展的代码进行必要的人工审核。另外，这部分代码我觉得是非常需要压力测试的，这也是在 web coding 场景下最容易被忽视的特别重要的一点，通过这种方式啊，整体的交付时间可以极大的缩短，并且降低了软件的编辑成本。 第五部分，对未来学习与安全性的洞察。在 ai 时代下，学习路径必然发生改变，开发者不应该再沉溺于语法这些细节，应该让 ai 成为随时可以反馈的编程伙伴。 另外，开发者应该更多的关注和提升高阶的产品思维。关于安全性的洞察， eric 的 观点和我出奇的一致，完全不懂技术的人进行 web coding 是 非常危险的，因为他们无法提出正确的问题或者识别危险的信号， 并且未来开发者是需要在受限的沙箱中安全的进行 web 绑定。整体来说，这个视频对我最大的感触就是我开始思考如何通过测试和输入出出来验证功能的正确性，而非强行阅读每一行代码。如何使用产品思维来进行 web 绑定，而非逐字逐句的去写设计方案。 最后我想说，如果在一年后的今天，你仍然在坚持古法编程，那你在效率竞争中将会处于绝对的劣势。不如现在就开始寻找非核心功能的业界点，进行 web 扣顶，建立初步的信任行，希望本期视频能对屏幕前的开发者们有所帮助。我是布鲁，我们下期再见。
988布鲁歇一歇
01:42查看AI文稿AI文稿嗨，我想推荐两个 coco 的 顶级辅助工具，不知道大家用 coco 的 时候有没有感觉，为什么我的 coco 就 没有人家好用？这些文档都被它生成到哪里去了？为什么这么这么的杂乱？那就是你没有用这两个辅助。首先第一个 oc 点这个工具，大家可以看一下这边。 呃，这是我建立的一个 oc 的 库，为什么推荐这个呢？因为 oc 点它特别适配 ai 最常生成的这个文档，也就是 markdown 文档，它也是非常合格的 markdown 文档的这个文件管理工具，同时它又可以把每个文档它双链做起来，因为 oc 点它之前就是一个自定义程度非常高的。呃，一个笔记工具，所以说你可以把 这些 ai 生成内容的想法做成生链，这样子它去减速， ai 去减速的时候，它效率也会很高，总之它会提高你的效率。要么就是它会跟很多软件都有连接，比如说你要写论文，那你就可以下载一个呃， obsidian to terra 去做一个论文文件的管理。比如说我想要在网页上捡藏一些东西到本地，那我就可以用这个 obsidian 的 black cleeper， 可以 看到它检藏出来的东西就非常非常的棒，而且它保存在本地。这些就是不仅我去读 ai， 也可以去读，去学习，这是第一个工具。第二个推荐工具就是呃，程序员常用的 github， 真的 ai 时代，每一个本科生，每个不懂代码的人都要用起来，它是一个非常好用的工具。第一个就是你可以在里面找到很多高新的 开源的软件，然后你可以让 ai 直接帮你提取使用，比如说之前爆火的小龙虾其实也是开源在这里的，所以说它是一个就是宝藏资源库，要不就是它是一个非常非常棒的云储存的工具， 就我之前探索过很多云储存工具，包括，呃把它存在网盘，或者用这个非数据云文档去呃同步备份，因为我怕我这个账号坏掉，或者说我有一天电脑坏掉，那我这些保存的本地文件该怎么办？用 github 就 没有错，就是你可以跟 kyle 写声说，我们有一个 github 的 同步备份机制，就 让你每一次做一次长期记忆的修改，就立刻同步到 github 上面，相信我非常有用。之前我 kyle 坏过一次，然后重新打开之后发现它记忆都没有了， 但幸亏我当时在 github 上面备份了全部的记忆，所以说我只需要让它下载下来，然后它就可以恢复正常的使用了。以上就是两个 call code 写修的顶级辅助工具分享，我是华柴屠夫，关注我解锁更多文科生 ai 写修内容，以及我在挑战三十天，从零粉到万粉，欢迎成为我的早期股东。
1554花茶屠夫（AI版）
06:02查看AI文稿AI文稿大家好，今天给大家分享一个 ai 量化研究的仓库，叫 qlab， 它是微软官方出品的，在 github 上拿了四点二万个 star 啊。开始之前我强调一下，本内容仅为技术研究分享，不构成任何抄袭建议。 我在 github 上翻遍了所有的量化研究仓库之后，发现 qlab 是 排名第一的啊。其他的仓库标过，包括这个 zip， line， 还有嗯， back trader， 这些都已经不更新了。然后 vnpy 呢，也是呃，标签很高，但它是做 cta 实盘系统的。 然后在量化研究的整体框架下面分为五个模块啊，是数据引擎，因子计算，然后模型预测 啊，策略的决策以及回测的分析。这五个模块呢？ qlab 它啊，分别的作用我给大家说一下。首先是数据的引擎啊，微软自研了一套这个数据的格式，它比传统的 mysql 快 五十倍，所以大家在回测的时候，测试的时候就会非常的快 啊，但是有个小的缺陷，就是它的数数据源比较老啊，大一的我们需要找第三方的最新的数数据进行接入。 第二个是因子的计算， qlip 提供了呃，一百五十八个 alpha 因子和三百六十个 alpha 的 因子，它是两套的因子，一百五十八呢，是那种计算过的，就比如说 pe 这种。然后三百 alpha， 三三六零呢，是那些价格啊，这些原始的一些数据的因子 啊。第三个是模型的预测， qlip， 它提供了二十七个内置的模型啊，包括 light， g， b， n， l， s， t， m 这些， 我们到时候选一个预测就行了。呃， light gbm 用的是比较多的，然后策略的决策就 qlab 的， 它会根据这个模型进行一个打分的排名，然后呃打得分比较高的就排在前面，我们就按照这个排名进行决策就 ok 了。然后最后一个是回测的分析，它会自动生成报告。 呃，量化因子我也简单说一下，就是分为公开的因子跟自研的因子。呃，自研的因子就是我们所熟知的量化的机构，它的一些核心的因子是不会分享出来的，是它们核心赚米的壁垒 啊。公开的因子就是颗粒开箱就可以拿到的，这个阿尔法幺一百五十八，还有阿尔法三百六十，就刚跟大家介绍了这两，这这些因子都是它里面自带的啊，可以用来给大家做一些基本的测试。而自研因子就是我们呃打开这个仓库进行研究探索的目的就研究出自己的一些因子。 呃，量化模型呢？ qlab 里面配了二十七个。呃，这四个，四种类型我就不不一一去念了，大家可以看一下。然后主流的会选择这个 light gbm， 这是百分之九十的场景都会用到的。它是一个问答决策流，就把一百假设，把一百五十八个因子呃逐个进行一个提问，然后一层层的筛选，最终给每个标题进行打 分。当然 qlab 它有明显的弱点，就是它的门槛比较高，需要同时懂 ml 还有量化研究 啊，不能实盘。然后呢，它只能做洁面的排名，然后它的这个抽象层也太多了。呃，这正是我们 cloud code 能够切进来的位置，就是它能够驾驭这些。当然，呃，除了这个实盘要找其他库啊，其他的这些层面就是 cloud code 都能啊，帮我们来驾驭 啊，怎么帮到我们呢？第一他能读懂这个代码库，包括这个因子的含义，就是你不知道这因子什么含义，你当然可以去呃，跟 code code 去探讨，还包括那些我刚解释介绍的二十七个模型，都可以一个个去探索啊。第二个是配置的文件， 呃， crosscode 的 可以直接去配置这个仓库进行换模型啊，调参，然后数据机啊这些进行这个操作。第三个是部署排错，排错这个是 ai 基本功能嘛，它都能搞定了啊， c c 完全没有问题。第四个是数据格式，就把第三方的数据的 c、 e、 s、 b 转换成至 q lib 的 二进置格式，上把上下游给打通。 总结来说就是数据我们需要再找一个靠谱的数据员去把大爷的数据导进去，然后流水线交给 qlab， 然后我们这辆赛车的副驾驶就交给了 cloud code， 然后真正的这个主驾驶还是留给自己， 这是一个从实战到出结果的过程，就是环境的搭建啊，我们用 cloud code 去把这个库导入之后就可以搭建了。然后数据的导入就是我们要给我们的 cloud code 的 一个一些数据员，让他去把 c、 s、 b 的 数据抓下来，我，我大概把二十年的数据都抓下来了，就是二十年五千个标地 的 k 线，日 k 线都可以拔下，大概一点四个 g。 然后第三个就是配置的生成，就 carl code 可以 就帮我帮我们写这个 y、 a、 m、 l 这些配置模型跑的文件，让这个 q、 l 去跑，选什么因子，选什么模型，然后什么策略去跑，这个包错修复就不说了。这个， 呃，然后他能达到的作用就是我不懂电话的人，他能用 carl code 当副驾驶，一个下午其实就能跑通完整的流程。 这是我一个回测的结果，就给大家简单展示一下，我测的是全 a 所所有的五千个标的，然后训练，呃，选择的因子是阿尔法幺五八，然后训练级是这个，然后验证级是这个区间，然后测试级是，呃，去年一月份到现在， 结果是 ic 是 零点零四一，然后 icr 是 零点四六七，这个策略的收益，这个收收益的百分比是这个 四十六点二，还是比较高的啊。但是这只是一个回测的结果啊，最终的这个结果肯定是要不急这个这个预期的啊，基本是十五点六，最近行情比较好，所以这个测试的结果也会比较好。 公开因子的局限呢，就是我们刚才回测的，我测的这个是四十六，这，这百分比啊，那其实你要打很大的折扣的才是实盘的预期，不能把那个当成一个预期。然后公开因子呢，他是用的人比较多，所以非常拥挤，超额的这个收益早就早就消失了，而因子呢，他本身用的多，也会消减的， 所以这个阿尔法一百五十八呢，它其实更像一个驾校的教练车，而不是赛车。我们就是要用这种 ai 量化的研究模型去找出自己的这个因子，跟之前的公开的因子结合起来啊，改造成把你的教练车改造成一个一辆赛车， 然后这个仓库的全称就是这个啊。好了，以上分享就到这里了，然后本内容仅为技术研究分享，不构成任何操作建议，欢迎大家点赞、关注跟评论。
3172Simon林的日常
07:33查看AI文稿AI文稿hello， 大家好啊，我是 dumbo， 那 基于上一期视频，我在评论区跟大家交流的这个关于现在 ai 开发完全不需要人工介入的这个情况呢？大家对于这个 e to e 测试这个阶段会有一些问题， 那我现在这个呃九万行代码的以上线的 app， 那 我是从这个 app 从零开始开发到上线到运为，我是完全零人工介入这个代码开发和测试阶段的， 那我人工介入的地方呢，就只有提出需求，然后最后验收。那其实大家对于这个在产品开发过程中 从代码开发到测试闭环呃这些阶段呢，完全零人工介入，大家是会有很多的这个担忧和不放心的地方的，这个呢，我也完全理解呃，因为在之前呢，我也是这么想的。 那在二四年的时候，我开通了 qq 会员，订阅了它的 type 补全功能， 它的 agent 功能呢，我也是用过不少次的，但是在用了一段时间之后呢，就发现它基本上是完全不可用的， 然后之后就只是用 type 补全了，然后到最后就扔旁边吃灰了。那在那个阶段呢，我是完全不可能相信让 ai 零人工介入的去完成一个需求的。那我在当时呢，工作的主要内容是写 flatter， 那 个时期的模型是 samsung 三点五， 然后再到 samsung 三点七，那我在工作的过程中尝试去用 agent 去开发 flat 的 业务迭代的时候呢，那我发现它产出的代码是完全不可用的，必须得人工修复，从它产出代码再到人工修复所耗费的时间完全就不如我从一开始就自己手写来得快， 所以我抱着对 ai 不 相信的态度呢，也是持续了挺长时间的。那这个观点的改观呢？持续到去年三代四点五发布，然后尤其是到 ups 四点五发布。那 ups 四点五发布的时候呢，确实是非常惊艳的，从 ups 四点五发布之后，我就一行代码都没带写过了。 那在一开始用 ups 四点五写代码的时候呢，我还是会进行人工 review 的。 那随着我对 ai 的 使用越来越重度， 越来越把 ai 当成一个纯牛马来用，大多数开发场景呢，都会去并发多个 safari agent 同时开发，那产出的代码是飞快的，你这个时候再去人工 review 是 根本 review 不 过来的，那人工 review 跟不上了， 但是你的产出结果又要保证质量，所以我就在开发过程中逐渐引入了这个 bdd 是 什么东西？ bdd 呢？就是行为驱动开发，那它跟 tdd 有 什么区别呢？ bdd 它是从用户怎么操作， 对于这些功能怎么样个交互流程，从这些点出发来写测试脚本，所以它关注的重点是用户行为视角，而非纯记录视角。那 t d d 的 话，更多是从纯记录视角出发 来去覆盖这些代码逻辑的正确性。所以在想要零人工介入的这个场景下，让 ai 来完整地闭环整个开发测试流程，使用 bdd 的 范式去驱动开发，是绝对比 tdd 这种方式要更加稳定的。我在跟 ai 进行一个功能开发的过程中呢，我就只负责提出这个产品功能， 然后跟 ai 交互对齐，这个产品功能具体的应该怎么样实现？然后如果是前端的话，设计任务也是直接交给 cloud design， 那 如果没有大量的 ui 设计的场景呢？就直接通过 cloud code 对 齐该需求功能点之后它就自己来执行整个 bdd 的 完整的需求文档，然后再根据这个产品文档去设计完整的 bdd 测试流程， 确认这个 bdd 测试能够完整覆盖到本次你提出的这个需求功能，然后他会再根据他落地的这个产品文档 去进行开发任务的拆解，按照这个开发顺序以及 sub agent 是 串型开发还是并行开发来拆解具体的开发文档，然后做好这个开发文档之后，就根据这个开发文档去派发 sub agent 去进行开发。那么在开发完成之后呢，就来跑这个 bdd 测试。如果本次需求点涉及到前端交互上的更新呢？ 就会在 b、 d、 d 测试流程中引入通过 ios 模拟器 c、 l、 i 来完整的模拟用户交互流程，去覆盖到本次更新影响到的所有的场景和交互。 那在 b、 d、 d 测试通过之后呢？一般就没有大问题了。然后 cloud 会派发 sub agent 去进行 code review， 去通过看代码实现去找一些测试不出来的问题，然后循环审查，直到没有任何问题为止，然后再把本次需求开发提 pr 到 github， 然后在 pr 里呢去 at codexreview 去进行这个兜底的最终审查。那为什么要在 code 进行过 code rewind 之后，还要再让 codex 去进行最终审查？以及为什么最终审查的场地选的是 gitup pr， 而不是你在本地通过 codex 官方的这个 plug in 可以， 它可以直接集成到 codecode 中， 为什么不是通过这种方式？那首先说为什么要用 codex 再去做一下中审，因为单个模型的这个思维一致性，同一个代码 rewind 自己写的代码盲区是结构性的， 再换到另外一个能力比较强的 ai 模型去做多模型的交叉 review 的 话，不同的思维模式更容易发现单模型察觉不到的问题。这就是为什么要在一个模型做完审查之后，还要再换一个模型做最终审查。 那为什么最终场地选的是 github pr 而不是本地呢？明明有这个官方的 plug in 可以 直接集成到本地，用着更方便，那是因为这种方式它虽然方便，但是其实还是有一定的局限性的。首先是它的这个可追溯性，你在本地通过 codex 这个 plug in 去进行 code review 的 时候呢，这些 review 信息全都在本地， 追溯起来也很麻烦，不如在 github 这个平台上去进行追溯更方便。然后还有一个是协助性，那你如果把最终的这个 codex plugin 里的话， 那这些 review 到的问题以及每一轮问题的修复，你的开发团队对这些信息是完全不能共享的，你就算想要强行共享这些内容，那它的可维护性也是非常差的。然后还有一个原因就是平台集成的成熟度， github pr 的 话，它的这个 code review 不 会绑死一个工具，那你可以通过 codex review， 也可以通过 rapid code， 也可以通过 copilot review 等等多家成熟的 code review 平台都能来集成，快速切换。那 cloud 在 提交了这个 pr 之后，后续会持续监控 pr 的 comment， 如果审查出来问题呢，就根据 comment 内容去进行修复，然后循环审查修复，直到 codex review 完全审查通过为止。 然后 cloud 会在 p r 审查通过之后，自动把 p r 没治进来。然后这一套 b、 d、 d 工作流呢？我沉淀成了一个 skill， 那 skill 呢？也是 harness 的 一种，那我们知道很多 harness， 它随着模型智力的飞快提高，已经被淹没在了历史的潮流中。但是工作流类的 harness 不 会，这是因为你的工作流没有客观严格的标准， 你不同的公司，团队，不同的人，他的这个工作流程都是不一样的，哪怕后边模型变得再聪明，他也无法预知你的工作流。固定的工作习惯，因为这里根本就没有标准的答案可以推导。 所以你这里日常每天都在用的这种工作流，或者是其他的一些习惯沉淀下来之后， roi 是 极高的，所以个人和团队的工作习惯都是值得被做成 skill 的。 好的，今天讲完测试闭环，接下来还有两期选择题，大家想看哪一个可以评论区告诉我。一个是 ai 如何从你开始构思一个产品， 到你跟他交互敲定好这个产品如何去实现，然后让他来产出具体的成熟的可直接执行的产品门当，然后再到让 ai 来完成整个产品的 ui 设计稿。然后还有一期内容，就是 ai 在 完成测试闭环之后， 如何把接下来的流程也全部接管掉，包括 app store 你 要上架的 app 的 这个原信息设置，然后再到设置你的这个 app 的 内购产品，最后再到把 app 打包提审，整个过程只需要极少的人工介入。好的，非常感谢大家这期的观看，希望大家能够点个关注。下一期想看什么内容，我们评论区见。
126Dumbo AI
01:23查看AI文稿AI文稿呃，最近用 color code 加 d c 加 maclab 附上了一个顶上的论文，就是哎这篇二二年 t a c 上的一个抗扰动墨烯色控制的论文。呃，可以先看看结果，我感觉它做的整体上还是不错的。嗯， 这是图一，然后啊，它对的应该是图三，这是图四的，就是可以看到基本上基本差不多，然后图五的 图六的这个扰动观测器的结果，从地上看就是他做的还不错，但是其实我也是和他叠带了很多人，他才能做成这个样子。比如说就是在和他对话的时候，首先呢，我想最开始就是告诉他 就是按照步骤完成一下任务，然后他就开始做，做完之后做，做的过程中会遇到各种问题，然后就就我就觉得在做的时候自己得懂这个事情。比如说，呃，我当时就发现迷你扰动观测器估计的已经很准了，为什么我就会发现他这个扰动加大了，少成了一个零点一，然后成上之后呢，就会好很多，然后再包括后面的这里。呃， 就是我发现这个就是控制为负，然后说明当前情况下无补无扰动补偿的小车正在倒车追踪轨迹，然后请修复，反正就是跟他经过这些迭代之后。呃，最后就得到了这个结果。 总结一下就是，也许这样的任务让 gpt 或者可拉的 api 来做可能会更好，但是我还是觉得首先我们自己得懂得有最基本的发现问题的能力，这样技能就完成我们的需求，而而且还比他一通瞎搞更节省头啃。我觉得最好的一种就是这个事我只想做，不代表我不会做。然后最后就是我觉得这篇论文不仅访真做的不代表我不会做，然后最后就是我觉得这篇论文不仅访真做的很漂亮，就是做非限性 npc 和抗扰动的同学可以看看。
4594stayme7o
