taac能用Claude优化吗

你可能以为做好 cloud code 关键是会写提示词，但真正拉开差距的其实是 skill。 因为 skill 不是 一句提示词，它更像是给 cloud code 装上的工作模式。今天这六个实用 skill， 新手装上以后基本就能少走一大半弯路。 第一个， prompt optimizer。 当你只会说帮我优化一下，帮我改个功能的时候，它会把你的模糊需求改成更清楚、更可执行的任务描述。 你不用一开始就会提示词，先让他帮你把话说清楚。第二个， deep interview。 有 时候不是 ai 不 聪明，是你自己也没想清楚要什么。这个 skill 会让 cloud code 反过来采访你，把目标、边界、验收标准 一步一步问出来，特别适合做新功能、做产品页面或者需求还很模糊的时候。第三个， real plan 大 改项目之前，最怕 cloud code 上来就动手。 real plan 的 作用就是先出计划，再拆风险，再确认测试方式。它适合那种会影响多个文件、多个模块的任务，先把路线定清楚，再开始写代码。 第四个， ultra qa 功能，写完不代表真的能用， ultra qa 会让 cloud code 进入测试、验证、修复的循环，不是只告诉你我改好了，而是继续跑，检查、 看报错、修问题，直到结果更可靠。第五个， ai slow cleaner。 ai 写代码最大的问题不一定是错，而是味儿太重，比如重复逻辑、空泛、封装、变量名很虚，代码看起来很聪明，但没人想维护。这个 skill 就是 专门清理这种 ai 感，让代码变得更像人写的，更像能长期维护的项目代码。 六个， visual verdict 如果你用 cloud code 做前端海报、视频画面，这个非常关键，它不是问好不好看，而是拿截图和目标参考去对比判断布局层级、间距、颜色、还原度到底差在哪里。 所以这六个 skill 不是 让你背更多提示词，而是让 cloud code 在 不同任务里自动切换成更合适的工作方式。不会提示词的新手先装这六个，真的会稳很多。想要我继续整理 cloud code 的 高频 skill 清单，可以先收藏这一期。

今天跟大家讲一下怎么用 cloud code agent teams 对 一个做了一半的项目进行优化。 大家可以看到我这是一个电商服装商家图片处理平台，我之前做了一半，然后的话我今天用我的 cloud code agent teams 要求它去分析当前项目完成的情况，并且统计出还有哪些可以优化和完善的地方。 我把这条指令发给克拉蔻的，他开始帮我对这个项目进行分析。首先他告诉我是这是一个电商服装商家图片处理平台的项目，然后的话他来调用团队里面的 agent teams 做一个分析。 接下来他安排了团队成员对整个项目进行了分析，总共创建了八个任务，包括分析测试用力，然后分析代码的质量和用户体验，分析需求文档等等。 接下来的话他根据他自己的分析结果来给自己的团队分配任务，这下面是分配的不同的任务， 那我们可以看到他总共给项目团队分配了八个任务，包括测试覆盖率、前端代码质量维护，然后后端框架这些，甚至还有一些安全性和服务部署这一块的。 接下来他开始给各个团队的成员安排任务，这是他安排的 toast cloud code。 组建好了团队之后，他开始来给团队成员安排分工。 首先他这里有一二三，总共七个，七个团队成员分别处理不同的任务。首先他安排了前端代码人员，这个是我之前创建的 agteams 中的前端代码人员，做前端代码质量分析， 然后开始执行他的任务，包括给到了前端分析报告。接下来他开始安排做文档分析的人员，还有做安全性分析，甚至有后端框架的分析。 对，这是他的一个任务进度，他会实时实时打印他的任务进度， 最后他再来安排性能优化相关的人员来做性能优化的分析，给他分配了大概七八个任务， 这都是 cloud code 的 ag team 是 自己去完成的，包括后面可以看到部署这一块，包括测试。 接下来他第一次完成了所有的项目分析，包括他组建了七个团队成员来对整个项目进行了全面的分析，并且生成了详细的分析报告。我们可以看一下这个是他生成的分析报告， 包括这个项目的背景，然后使用了哪些哪些功能模块，哪些寄宿站，完成了哪些功能模块，代码质量评分如何，包括发现了哪些严重的问题， 还有一些性能问题，对吧？安全问题，然后部署的问题。同时的话他也给出了架构的一些问题， 测试的问题，性能的问题。剩下的话是一般的问题，包括代码质量的问题，文档的问题，部署的问题。同时他同时他也给出了相关的优化建议， 包括哪些是可以立即去执行的，对吧？然后性能优化的一些问题，这都是他通过刚才 ag 的 team 得出的一个分析报告。然后我接下来我就让他告诉他，在下面 分析完报告之后，我就告诉他，请安排团队成员按照以上分析报告对代码进行修复和优化工作。然后他就开始重新调用他的团队成员来去阅读相关的文档，然后创建新的团队， 这个团队分别有哪些需要执行的任务？ 然后他根据他的自己创建的任务来进行自我优化和代码修复。你包括像这些升级依赖包，修复安全漏洞，这些都是他自己团队成员分配的任务。 我们可以看到他同时安排了有安全工程师、性能工程师、开发工程师，对整个代码进行优优化， 这是他的团队成员的分工，包括安全工程师，刚才提到的性能工程师、开发工程师。然后他分配了十个任务，分别给了不同的工程师来完成， 完成了之后他会有一个进度的展示，当前已经完成了八个任务，对吧？然后剩下的还在进行的任务有哪些？ 最后再把所有任务反馈给这个安吉丽尔，然后呢？安吉丽尔去做一个总结，这第一阶段已经修复了十个任务，已经修复完成了，包括有后端的，有前端的，有部署的。 然后他告诉我继续下一步，建议我完成第二阶段的任务，问我是否需要执行， 然后我给了他确认，确认之后他在他在安排下一阶段的人员来自动执行， 执行完了之后他又问我是否继续执行，就他相当于是他每一次他执行完了以后一个之后，他都会询问你一下，你就按照他的建议，比如说继续执行下一个阶段的，对吧？然后他继续执行， 他同样的去安排团队成员去分配任务。修改完了之后，他会告诉你当前完成了哪些工作，任务完成的进度是什么样子的， 包括最后修复了的第三个、第六个，完成了总共多少个？这些任务分别做了哪些事情？他的 aj 的 team 时，他都会一一告诉你，你只用大概看一下他做了哪些工作即可， 包括这后面总共完成了多少个。每完成一个他会给你一个反反馈，然后这要安排部署的人员去重新去部署。 第二阶段的完成了，完成了有哪些？然后建议你他询问是否继续第三阶段的， 我们我们看快一点啊。然后下一阶段有哪些，哪些需要完善的，比如说监控、日记、文档这些需要完善 等。然后的话我就会告诉他继续完成第三阶段的，然后他同样的去安排人员去完成。第三阶段的 期间基本上你不用怎么去，不用怎么去指挥他，他会自己去安排团队成员来去做各种操作，各种任务的完成分工。 对，然后的话总共，呃，包括写文档、质量检测这些他都做完。每一个任务他都会 告诉你结果，并且生成相应的报告。这边有有相应的报告呢？每一个阶段完成了哪些，他都会生成相应的报告，你可以自己去看一下相应的这种工作总结的报告。然后他他会告诉你总共这一次优化完成了多少，然后 优化之前和优化之后有哪些性能的提升。他也会告诉你最后所有的任务完成了之后，他就可以自动的去关闭当前的整个 ag teams 团队成员。 对，这就是他最最后所有的项目，包括团队成员。 然后有的人之前有上一个视频，有观众问，像这种的话，它消耗的 token 是 会不会很多？你看我刚才总共 完成了多少个？二十二个任务，对吧？总共完成了三个阶段，二十二个任务，包括一些 需求分析、前后端的代码优化、性能优化、部署文档这些，总共二十二个任务。二十二个任务。我后来我就问了一下，他就是之前所有的任务总共消耗了多少 tokens 嘛？就 cloud 的 code 他 自己会去去统计 tokens 嘛， 对吧？最开始用了多少个 tokens， 然后最后一次用了多少个 tokens， 然后合计下来总共大家可以看到 合计下来总共平均下来每个任务用了四千多 token， 二十二个任务完成下来总共用了八万五千多 tokens。 对， 这就是 我用 aj 的 teams 去做了一个项目优化，然后对项目进行一些修改，让他 aj 的 teams 去完成了相应的一些工作，然后大概二十二个任务，二十二个任务统计下来花了八万多 tokens。 对， 大家如果说对 aj 的 teams 有 什么呃，想了解的可以去看一下我置顶的一个视频，然后欢迎大家在评论区里面留言。

用 cloud code 总觉得效果差，其实根本不是它不行，而是你的提示词太粗糙，很多人都是随便打几句口语就扔给他。需求模糊，没有结构，没有格式要求，没有约束条件，导 致 cloud code 发挥不出真正的全部实力。做东西要么漏步骤，要么逻辑乱，要么达不到预期。其实想要解决很简单，只需要装上 prompt operator 这个专属 skill。 它的核心优势特别明显，你只用输入大白话，原生态部署、规范输出格式， 剑把随口说的一句话优化成专业、精准、结构化的高级提示词。不管是写代码、重构项目、排查 bug， 还是写文案做脚本、整理资料、做办公方案， 先用 prompt optimize 优化一遍指令，再交给 cloud code 去执行，输出质量、完整度、落地性直接上一个大台阶。不用自己苦学题诗词工程，不用背各种复杂模板，有了这个技能，新手也能把 cloud code 的 顶配实力完全发挥出来。关注我，带你了解更多 ai 知识！

昨天 cloud 正式接入 blender 了，现在一句话就能生成场景建模，自动打光渲染，还能优化现有模型和场景，给一张参考图也能复刻做出来。今天找了几段实测演示视频，跟大家看看它到底能干嘛。 第一个直接文字指令生成赛博朋克房间，自动建模布光架相机出渲染，就是细节还不够完美。 第二个测试导入一个二十五万面的拖拉机扫描模型，自带草地背景和一堆漂浮碎块，交给 ai 自动清理。它删掉一百零六个漂浮碎片，面数精减百分之八十七，去掉背景，摆正模型，还自动打光渲染 效果能用，但达不到生产标准，还是需要手动精修。这个是用 cloud 做了一个 blender 灯光管理插件，看着不错。 这个是从 cloud 向 blender 发送提示，让它用几何节点生成晶体的结晶，表现 给 cloud。 一 张苹果的图片，让它用 blender 进行建模， 让它做出一个机器人跳舞的动画。 总结一下，目前好像能干，前期搭建重复繁琐的基础杂活，提效明显，但稍微复杂一点就不行，毕竟也才开始。

collab 的 实在是太可恶了，我真的是很想揍他一顿。我在开发和 max 中单的时候，发现预览一个源文件非常的慢，加载速度特别的慢，然后 cpu 使用率和内存使用率也非常的高，我就想用 collab 的 去帮我优化一下加载速度，优化一下性能，降低一下 cpu 内存使用率。 结果你知道卡拉的扩展是怎么帮我优化的吗？我发现卡拉的扩展他为了去提升这个加载速度，为了去降低这个 cpu 和内存的使用率， 他就把我一个比较大的云代码文件在预览的时候，只给我预览前面三百行的云代码，当超过三百行之后， 那么剩下的这些代码行他就不给我预览了。我简直是无法理解，真的是服了，我靠，这 cloud 库的哪有这样子去优化性能的，去优化这个加载速度的，实在是无法理解。 所以啊，这个 cloud 库的一定要给他定规矩，立规则，否则他就会偷懒偷到家去。

分享一篇 ally leman 的 文章，就是把 andrew kappity 的 auto research 移植到了 cloud skew 上。 cloud skew 呢，现在在 open cloud， 像小龙虾和各种内容的产品中都是适用，我可以分享一下。 首先， leman 呢，在文章中指出了三种 skew 失效的方式。第一种呢，叫做漂移式失效，就和我们没有明确的静止的地方，模型会慢慢地漂移过去，越来越模糊，越来越像模板，每 每次呢都过的去，但都差一点，用久之后发现都不知道从第几轮开始就跑偏了，所以模型会越用越蠢的感觉。第二种叫做盲区式失效，就是你只能看清楚那些还不错的输入格式，好了的关键要素，漏了的根本不会去翻，永远不知道它有多频繁，就是看不到问题点。第三呢，叫自欺欺人式失效， 就偶尔发现问题，手动改一下输入，就告诉自己已经修了，但是改那次呢，不是 q 本身，所以呢，他没有沉淀成经验，下次呢，还会在同一个地方出错。这三种失效呢，加在一起呢，大约有百分之三十就是静悄悄的，很有可能是客户比你都先发现这些问题。 所以呢，其实是一个隐性的，慢性的问题。 andy capathy 呢，在他的 github 上开源了一个叫 auto research 项目，发布不到三周呢， star 数也超过了五点八万。思路呢，也很简单，让 ai 整在循环里，帮你去改， 而不是自己去改它。运转方式也很简单，第一呢，做一个小的改动，看结果变好了没有，变好就留下，没变好就扔掉，然后再来一次，一直到满意为止。 oly 妮曼把这套逻辑呢，直接迁移到了到 skill 上，就用一个强化学习的方式来净化自己的技能。他以一个落地页文案 skill 案例来验证这种方式呢，发 发现在四轮对话中就从通过率百分之五十六提升到了百分之九十二，全程呢是没有手动干预的。 leon 呢，在原文中呢，也做了一个流程图，讲的很清楚，人类只需要做一个工作，就是写三到六条 checklist， 就是 相当于验证级。其实验证级呢，作为一个 evaluation 方式，然后每次呢通过对应的 skill 形成一个循环，每一步呢，稍微的做一点调整，看看有没有起身效果，没有起身就把这份努力给过滤掉，如果起身了就保留。通过这一系列的方法， 尼曼呢其实取得了很不错的成功，当然他也提出了几个核心的观点，第一个就是为什么只写三到六个清单，而不是更多原因是三到六个呢，不是物理和的清单，如果清单变长了，而模型会想怎么做 reward hacking？ 同时呢，检查的每个清单呢，不是给一到十打分，而是给一个 yes or no， 这很重要，因为如果打分的话，就可能会出现漂移， 自始而终没有达到目标，感觉达到，结果呢，还给出了一个错误的回报。真实结果呢，是在四轮改动中的尼曼就发现他的起点只有百分之五十六的通过率的，模型呢，超升到百分之九十二。 最后呢，我们分享一下在整个的去 agent 自我循环跟调用过程中，它沉淀了什么。第一呢，就是改进后的 skill， 这很重要，因为改进前的这种 skill 可能是一个相对来说不是很精准的 skill， 其实词， 第二呢，是每一轮分数的结果，日式可以帮助人类去检验是否存在漏洞。第三呢就是完整的 chain list， 就 每次 skill 就 所谓的其实词做哪些改动， agent 为什么这么改，结果如何？最后呢，就是原始的 skill 备份可以用于对比这样的一个 skill list 呢，一旦 给出来之后，就可以作为一个样本，让下一轮的模型更快的去收敛。当然这套方法是否有问题呢，其实也是有，另外呢，也毫不隐藏的说两个问题，第一个问题呢，就是这是在让 ai 给 ai 打分，那 ai 的 曲线呢，也会返回到 ai 中，当然了，因为它是一个 a 阵的架构， 是一个有逻辑决策的裁判来训练动员，相对来说呢，并不是一个作弊的自循环的逻辑。第二个就是过程中呢，还是比较好 token 的， 因为要进步，所以呢，在优化的过程中，相当于把 training 的 这份的压力呢，也给到了 infos level 的 这种 里面。所以呢，其实强化学习呢，现在的一个逻辑呢，也不只是在训练模型，训练 a 阵，训练 q， 训练奇数词，训练系统的稳定性，再通过 garreal 就是 这种固难的方式，保证复杂系统的快速运转，都是整个的系统训练的一部分。而这里面呢，很多的模块已经可以脱离模型训练，变成所有的消费者和所有公司可以 自行运转的一种简化模式。让我想到原来呢，操作系统是 dos 的 时候，只有少数的开发者才可以运转，这个就相当于原来的模拟群里，后来呢，操作系统变成 windows， 有 g u i 让消费者更加友好。那现在的后群里强化学习呢？其实通过歧视词，通过 prompt context harness engineering 其实是可以基于 skill 进行优化，且强化学习这部分呢就不依赖于模拟训练厂商。

cloud code 终于迎来最强对手，这是目前最火的 deepsea 专属开源终端编程智能体。记住这个项目名字刚刚发布没多久，就在 github 拿下三十二 k 的 star， 被业内称为 deepsea 版 cloud code 项目基于 red two e 终端 ui 框架和异步引擎，专门针对 deepsea v 四的特性做了深度优化，而非简单的 api 套壳。核心采用多智能体调度架构，支持同时运行最多二十个子代理并行执行任务，大幅提升复杂项目的开发效率。 输入一句话，它自己读文件，改代码，跑命令，管， get 搜网页，还能同时调度二十个子弹里并行干活。三种安全模式任你选乱己读。探路 a 键必须确认直行优漏，全自动放手杆，每一步自动打快照，改坏了一键回滚 o s 及刹香隔离，绝对安全就非常好使。

cloud code 的 最强对手他来了，专为 deep c 打造的专属 ai 终端编程项目杀疯了，刚刚发布就在 github 拿下三十三 k 的 star， 被业内称为 deep c 版的 cloud code。 它不是简单的 api 套壳， 专门针对 deep k v 四做了深度优化，最狠的是支持二十个子代理同时并行干活。输入一句话，他自己读文件，改代码，跑命令，管 get 搜网页，复杂任务拆成二十份同时做，效率直接拉满。 还有三种安全模式随便选， play 模式只读探路加人工确认， u load 模式全自动放手干每一步自动打快照，改坏了一键回滚，再加 o s 急刹箱隔离，绝对安全。纯中段运行，资源占用极低，服务器上也能直接用。

我用国产的 web 编辑工具配合国内的大模型 deepsea 微四开发了一款量化交易的工具，然后这款量化交易工具呢，整体已经可以呃全部跑通。嗯，最近一段时间呢，我们正在对整个工具进行深入的升级。 嗯，工具方面的话我跟大家说一下，我主要开发的是用 trend 开发的，然后最近 kolabili 也支持了这个，呃，以照上下文的，然后整体用起来感觉还可以。呃一些基础的业务可以交给他。 然后底层的加固呢，我们主要是用 color code 再进行检测和进行升级啊，对一些比较深入的加固性的复杂的问题，可能会让他去帮我们整体进行评估，然后交给圈或者是 color code 或者 code body 进行那个 修改。我们来这。嗯，今天呢我们来说一下就是，嗯，我们整体的想法呢，是把传统的选股公式啊，过去的我们做股票的方法把它因子化，然后呢采取多因子的方式，然后今天呢我们就，嗯把这个功能啊进入进行了生化啊，在这里呢我们引入了大模型啊， 大圆模型，然后，嗯，在这里我们可以把传统的啊，就是我们过去用什么，呃，用什么样的颧骨方法，然后把它炼化成一个一个的条件啊，这些条件呢，我们可以一条一条用自然语言把它说出来，自然语言说完以后， 嗯，然后我们用这个大圆模型把它翻译成我们这边的啊因子，然后这边的因子呢？嗯，会，嗯，会做成 python 的 语言和进行说明。然后我们啊我们的一个传统的选股策略呢，可能是有很多条件组成的，那这些条件的话可能是，嗯， 我们一句话的一条一条的条件啊，在这边都会变成一个一个的啊，一个一个的，就是啊量化的一个啊因子，然后这些因子的话我们把它进行组合，变成多因子组合，那这样的话，这样这个多因子组合就能够实现我们过去的啊，就是颧骨的一个思路。 然后在这种情况下呢，我们会对这些因子呢进行预处理啊，量化的预处理，进行啊因子的组啊，因子组合的这种啊评估啊，对他进行整体的分析， 来确定一下我们就是过去的选选股公式是否是可行的。然后呢我们把这个选股选股的就是多因子的这个选股公式呢，放到这个因子回测里面啊，因子回测里面呢，我们可以把这个我们做的这个 啊，就是这个组合，比如说我们做了一个这样的组合，那这个组合呢，就是其实是我们过去的一种选股方式吗？然后我们设置啊，我们嗯电话里面的一些 啊，数据化的处理啊，对他进行风控啊，对仓位啊进行整体的控制啊，市场啊或者说就是指标本身进行进行调整，调整完以后呢我们就对他进行回测，回测的数据呢就可以反映出来我们的啊 就是我们过去的交易思路啊，是否真的可行？他在各个数据方面表现的到底怎么样？嗯，然后嗯，我们对这些模型呢可以反复的进行不断的调整他参数进行推演。那 嗯前几天呢，我们一直在说一个事情，就是啊我们一定要嗯把我们的过去的选股的做股票的方法啊，进行量化，进行因子化，然后我们过去做股票呢，可能更多的是依赖于经验啊，我们可能是通过图形啊，量能啊，啊，通过一些指标啊，或者是啊 k 线啊，裸 k 啊这种结构啊， 那通过这种方式啊，来去，嗯，做股票，但是这样一种方式，他实际上你可以理解成他是一个黑箱， 但是股票的长期盈利呢，它实际上是是一个概率，那面对更多的复杂的情况的时候，那我们如何去应对呢？嗯， 我们一直说把量化的思路引入，那量化的思路呢？其实啊，我们可以看出来，就是啊，我们刚才把那个我们的传统的交易方式进行了因子化以后，我们对它进行对我们的交易方式进行回测，读出来我们的一些数据，那我们就知道我们的这个方式到底在啊，预期预期值啊，或者是 呃对未来的预测预测性啊，怎么样的这种都可以通过数据去去显示出来，那我们也可以看出来我们我们的方式和传统的交易方式他存在着很大的区别啊，你要考虑这个佣金的问题啊，考虑一些划点的问题，然后你要你要考虑这种大盘的环境啊， 啊对你仓位的一些影响，个股的风控呢，要严格的去执行系统，去严格的去能够严格的去执行啊，仓位控制也是要能够真正的去根据市场的情况，根据我们实际的情况进行啊， 这个仓位的去分配，那我们实际上在啊，在操作的时候其实是非常难难做到的啊，但是这种自动化交易的部分啊，去量化工具里面的自动化交易部分就可以帮我们去做到这一点。那我们也可以看出来 啊，我们的就是过去的交易方式跟量化交易的啊一些区别，当然我们这个量化的交量化的方式呢，可能还只是啊日限级别的这种啊， 然后我们把这个回测完以后呢，我们确定这个方式要进行反复的调整，确定可行的话，我们会把它放到我们的啊实盘，然后先进行模拟盘，然后我们啊好的， 就是多因子策略以后我们会进行盘后的这个啊数据的啊引入，然后在啊第二天实际交易的时候，系统去自动的去执行啊，我们也可以部署一些新的策略啊，一些新的因子的啊，多因子的一些组合我们，嗯， 我们自己手里面有些交易方式都可以进行组合，组合完以后我们来对它进行啊，啊，半手工或者是手工的啊，手工的去执行，我们也可以就是人为的去啊去执行，也可以全部由交易系统啊自动来执行，然后如果这个符合我们的啊策略生命周期的话，我们会把它转入实盘，对实盘进行交易 啊，实盘就是，嗯，手工交易或者是自动化去交易啊，那这里呢我们也做了很多的优化，深入的优化，这几天我们一直在啊，对我们的格式化啊，还有我们的数据员，嗯，整体的数据员进行那个优化， 所以呢还是大家可以看一下我前前面的视频，就是一定要把我们的交易思路转化，转化到去就是用量化的交易速度去做，而不是像过去一样。就是啊，一个黑箱式的一个操作的一个思路，凭经验、凭感觉，这个在量化面前是没有任何的优势的， 现在整个市场已经完全被量化影响了，所以必须要尽快的调整自己的教育策略。嗯，要把它列出来。

就是 ai 开发出来的吧，有一些这个界面吧，太丑了，尤其是扣子叉写的界面太丑了，这种怎么办呢？我之前用过好多的这个 skill， 这个这个技能吧，这，这不是那么太理想，那么今天我看到一个特别好的啊，就是他这一个框架组合呢，是集合了二十一个这技能，而所有的呢，就是为了啥？所有的一个技能就是为了说 把这个 ai 啊，他们用的这种相同模板啊，写出来东西都是大大大差不差的，这种给它改掉，整整理成一个不一样的画风，而且呢就是更漂亮一些，无论是排版的间距啊，色彩啊，它已经全部都含盖了，你可以来看一。看。来，兄弟们， 首先我用到了一个完美无瑕的一个 skill， 它里面结合了二十一条指令，它这个主要的目的是干什么呢？就是于如果说你这个网站单单是排版的问题来，它是以这个用排版，它就给你去 分析优化一下子，如果说响应式手机兼容性啊，或者空间呐，还有颜色，它都集合了二十一条， 这个就相当于它有个整整个系统的流程，就相当于不让 ai 开发出东西，那么太 ai 化。兄弟们，你看原本写出来是这样的，让它优化完以后就变成这样了 啊，那有好多的个这种模式，就是本身出了这样的，它优化完以后啊，就是就是能更更更好一点吧。就是啊， 这个把这个引入以后呢，我用了什么呢？我用了一个啊，技能引入进来了，我用那个克劳德，克劳德，然后根据这些给我出方案， 出方案呢以后呢，我交给扣子叉让他去开发啊。扣子叉呢？为什么要扣子叉呢？他主要是便宜啊。他便宜克劳德属，主要是有点太贵了。兄弟们啊，就这一条命令，刚才我给你看一下子。兄弟们，就这一条命令就花了我一块钱。兄弟们 啊，来吧，干起来。兄弟们啊，有没有更好的办法或更省头肯。兄弟们有没有分享一下子？

分享，使用 cloud code gemini vs code deepsea 做量化交易软件。先跟 gemini 说我们要做什么？ 跟他说我想做一个量化交易软件。应用 ai 编程软件，怎么写提示词呢？关注的是美股 ai 赛道，可以是存储芯片、 cpu、 gpu 软件应用核电龙头股，它会提供给 ai 编程工具的提示词 调整，告诉他模型是 api 接入到工具中的， 将提示词粘贴给 code code， 让他写代码。 发送前右下角勾选 play mode， ok， 开始编码了。这里调整界面颜色为白色，视频加速，全程大约用了二十多分钟。 好了，写完了， 按照它的提示打开项目，是 python 程序， 让它给出格式化的应用界面， 又用了十多分钟完成了。这次来看一下这个程序 产业链导因子计算因伟达和美光科技的三日栋梁，偏离度因伟达突破而美光之后时生成美光不长信号， 这里看回测分析中的最新信号是做空， 这里是数据管理，刷新设置等， 你们看懂了吗？问他几个跟指标相关的问题， 问他回测分析中的最新信号，做空是量化软件给出的交易建议，目前是做空的意思吗？ 他的回答为什么显示做空？两个因子叠加导致？一、产业链传导因子，当前 n v d a 的 三日动量，木的动量。存储股近期涨得比算力龙头快，偏离度为负值，按照因子逻辑， 这表示母已经补涨完成甚至超涨，触发的是反转信号，而非作多信号。 二、核电避险因子 c e g 当前背特只有零点三四，极弱关联，避险评分仅一百分之二高风险区，说明核电股已算力板块严重脱节，两个因子叠加综合信号等于负零点七八九，跌破负零点三的做空裕值 不构成投资建议。 对了，本次软件编程共花费八毛钱，是 deep seek 的 模型 tokens 费用。 谢谢观看，拜拜。

今天试用了一下 cloud 的， 非常好用，我用的是免费版本的，然后它的有限制，大概，呃，问了几个问题就问了不了了，但是呢，怎么说呢？它会把这个东西给你直接下载出来，比如说我，我让他给我优化简历， 他给我一份在线呢和一个这个文档的格式，就是你可以直接下载，相当于他帮你做了一些东西。然后第二好用呢，是拆的 gpt， 他的排版啊，然后那个文字写的都蛮细腻的。嗯，可以用，也可以用最后的基本上，而且他的问题呢，你可以问很多， 他不会限额，我到现在问了一天的问题，没有限额，免费版，我用的也是免费版的，但是这个 jimmy nike 呢，就是他不好用， 我这还是个 plus plus 版本，而且还有限额。就它生成的东西，不但嗯达不到你的要求，而且高级版。这 pro 的 这个呢，每天的， 嗯额度还不高，他还没有前两个聪明，就是他的 plus 版本都没有这两个的免费版本好用，真的是不理解，就是我以前觉得他还蛮好用的。

一句话让克拉克的帮我完成独立站产品的批量优化，可以看到我在 shopify 后台上架了三个蜡烛相关的产品，当前的状态都是草稿，我们随便点进一个进来看一下 现在产品的标题描述，还有产品的标签，包括产品的卖点信息，都是从供应商同步过来的，和当前品牌的一个品牌背景，品牌调性存在一定的差异。 我现在让 cloud code 帮我来进行这三个产品的批量优化，然后我们回到 cloud code 这边，我直接告诉 cloud code 我 在上面后台上架了三个蜡烛相关的产品，让他去帮我优化一下标题描述，买它信息，还有标签 以及结合我之前做的一个产品策略综合进行分析一下。然后可以看到他就去项目里面寻找我之前上架的这三个产品， 以及调查我一个品牌调性相关的信息，作为辅助参考。然后可以看到他获得了完整的一个品牌策略和调性指南，以及发现了我上架的三个产品的一个实际数据。接着进行产品优化方案的分析， 然后可以看到他说计划已经写好了，然后提到我说我的这个定价和产品策略有点出入，包括产品的幺幺幺过长，就他存在一些疑问，然后后面等待我去确定。下面是一个具体的优化方案， 可以看到他首先是对我这三个产品进行了一个诊断，发现第一个产品是标题式过度的物料堆积，就描述过于深意，没有什么品牌感。 然后第二个是标题里面出现了这个品牌违禁词，或这几个产品的 su 标题描述， 还有图片描述都是一个空缺的状态，然后标签打的也不是很好。接着他还参考了我之前提前做的一些关于这个产品的一个扑克内容的铺垫，然后就开始重写这个产品的标题描述 以及产品的 icu 信息。接着是优化产品标签，添加产品图片的描述文本，这个是我没有告诉他的，但他也发现这个问题，然后现在他需要我同意，他就可以去动手去优化产品了，然后这边我点击同意，然后等一会可以看到他已经完成三个产品的更新了， 下面是他的更新总结，有新的标题描述，买塔信息标签还有图片的描述文本都已经全部添加好了。可以看到三个产品都是保持草稿状态，等待我去后台省略发布，然后我们去后台看一下，点进去一个草稿，可以看到这边的标题还有和描述 已经改了，改成和我之前一样的一个描述的样式了，包括这个标签已经帮我优化过了， 还有这个麦达信息，然后这个 u r i 我 打算让他再帮我修改一下，他之前也没考虑到这个 u r i 如果被谷歌锁屏的话，修改会失去之前的 su， 但实际上这个产品我还并没有发布， 所以说现在改这个 u r i 也没问题的。我现在准备让他帮我把这三个产品的 u r i 再批量改一下， 优化一下，然后回到 class code 帮我把这三个产品的 u r l 再优化一下，然后我感觉标签有点多，可以稍微适当精简一下。等待一会后可以看到他已经帮我完成这些产品链接的优化了，变得更加简短好看一点了，包括也完成了标签的一个优化。 然后我觉得他这次帮我优化产品的这个优化脚本固化到这个 工作流里面，然后我告诉他可以把这次优化产品的思路以及你写的这个优化脚本优化产品的这个方式总结，总结放到 memory 里面，下次就可以直接用了，这样的话我们就能够 越用越让我们的这个工作流变得更加顺畅更好用。这个 memory 文件夹就相当于其实是一个 这个项目的一个他的记忆的地方，他每次运行工作，每次启动他，他都会先去读 memory 里面的内容，这样我们下次做同样的事情就不用再从零开始了，就可以直接有一定的基础。然后可以看到他已经把刚刚的这个工作经验保存到项目里面了， 下次再优化这个产品的话，他就会按照先去做计划，然后写这个优化脚本优化后再去验证的一个工作模式去工作优化产品了。

今天给大家分享一下 cloud code 四点六跟 gpt 五点五的一个区别，这个是我个人实战中的一个见解。 如果你的项目是需要编码，做细致的工作，做某一些地方的深度优化，你可以使用 cloud code。 如果你的项目要大范围的一个业务关联，包括端口调试，你用 gbt 五点五，它的扣的非常适合做那一种项目需求已经明确的做它的一个细致化代码研发。 g p t 五点五呢，非常适合做那种，你需要大方向的、多角色的深度流程的覆盖，测试，编辑，包括代码的一个补全，业务的补全， 他们两个的区别是什么呢？这个是生态导致的， g p t。 的 生态是全球全行业的生态。数据二扣的属于是 g p t 核心团队的人，他们的是 某一些核心方面的精尖提炼，所以他们的解决方式跟 gvt 的 范围不一样，也就是说你想做业务范围广的泛的用 gvt， 它的效果非常的强，它有非常强大的思考，它有非常强大的思考范围模型以及自动联想， 这是他的数据生态导致的。如果你想做细致化的定制调优，深度处理，那你就用它的扣的，这是两家公司的生态区别导致的，包括他的实际模型上的表现也是这样子的。 如果你是用的比较简单，你会发现 g p t。 五点五其实会更加的聪明。如果你是一个表达能力非常好的，做文档做的非常漂亮的，你会发现克尔克德他非常的厉害，所以就看你怎么去理解这两个模型的使用场景。 如果是做大量的 c i u d 业务的话， g p t 五点五的表现有很多场景比克尔克德要好，如果你想做应用的深度优化，深度研发或者是架构难度非常大的 cloud code 的 表现优于 gpt 五零五的表现，这是通过了最近提炼了非常多的项目业务需求，从中做的个人选择。我也是两个模型轮换着用，但是到了 最符合刚才我描述的场景的时候，还是对它们进行了一个分类，业务庞大，流程长的，业务繁琐复杂的那种业务类型，还是 g p t 的 表现非常的猛，但是作为深度优化底层优化的那种逻辑还是靠的扣的的，表现还算是比较优异的。我还会 多去尝试，多去看一下他们的一个模型的一个能力。有空了再给你们好好的分享，拜拜！

大家好，今天给大家分享三款实用的 cloud skill 工具，同时也讲讲为什么我一般不推荐使用 superpowers。 本次分享分为四个部分，第一是 frontend design， 用来优化 ai 前端设计审美。第二是文件处理插件 skill， 支持 d o c x、 excel、 ppt、 pdf 全格式兼容。第三是 superpowers， 主打工作流优化。最后给大家做整体的使用总结。先来看第一款工具 frontend design， 它最核心的作用就是解决 ai 做前端界面的审美短板，它可以改善 ai 生成页面廉价、 没有质感的问题。输出设计完整，能直接部署的前端代码，优化整体的排版和配色，提升最终成品的质感，非常适配前端开发场景，实用性很强。 第二款是全格式文档解析插件，也就是我们常说的办公四件套，它专门适配各类办公文件读取，支持 docx、 excel、 pdf、 pdf 完整识别，还能保留文件原本的格式排版。我们可以直接让 ai 对 文档进行解析、规范和修改，使日常办公里的高频刚需能大幅提升工作效率。 第三款是 superpowers， 这款工具本身可以优化我们的工作流程规整，操作逻辑能力其实很强，但我不推荐普通用户使用，原因有三点，第一， 它的 token 消耗量非常大，使用成本偏高。第二，绝大多数日常普通任务根本用不到它。第三，它功能过于繁杂，反而会增加操作负担， 只建议有复杂重度工作需求的用户考虑。最后给大家做一个工具选择。总结，日常使用优先选择 frontend design 和文档插件，稳定又高效，常规场景下不建议开启 superpowers， 总的来说，大家按需选择轻量化插件，就能有效降低使用成本， 发挥 cloud 最大的作用。我的分享就到这里，谢谢大家。

我用国产的 web booking 工具 train 配合国内的大模型 tiktok v 四开发了一款量化交易的工具啊，然后这款量化交易工具整个流程已经跑通了。我们啊现在正在对策略，就是把我们传统的选股的策略，然后把它进行量化处理啊，进行量化处理以后，然后对它进行回测， 嗯，昨天的时候我们因为整个框架有点问题，我们觉得在模拟实盘，在模拟实盘的时候，然后，嗯，速度比较慢，嗯，速度比较慢，因为我们是个人电脑，就是相当于普通的散户在使用这个系统，然后速度比较慢，所以我们就用可乐扣的， 嗯，对整个框架进行了更新，然后呢数据员也重新，嗯，就是进行了优化啊，包括回测的数据员，然后那个私盘的啊，私盘的数据员都进行了进行优化，然后现在整体的速度可以达到日常的啊模模拟私盘的要求啊，但是我们没办法进行那种高频交易， 嗯，但呢那个就是机构的那种高频交易，也不是我们研究的一个方向，因为我们呃散户啊，用量化交易工具， 嗯，进行高频交易整整体是不现实的，因为他呃就是成本是非常的水润呢。我现在整体的想法是啊，对传统的选股策略啊进行优化，然后进行数据化， 然后呢我第一个拿过来的，呃，就是我过去经常用的一个叫空中加油的一个形态，这个形态呢？然后在，嗯，在，嗯，很多年的啊，这多年的这种回测里面，我们觉得都 效果比较好，然后成功率也比较高。然后对于市场里面的热点呢，挖掘热点呢？嗯，抓住热点也比较有有效，然后这种方式呢？嗯，当然也有失败的案例也比较多，整体成功率还是蛮高的。但是呢我再把它进行量化处理的时候呢，就是遇到了很大的困难， 那这里呢我也总结了一些经验，然后今天呢大概给大家说一下吧。啊，就是很多朋友可能会问 啊，说啊，就是我们散户怎么去啊？用量化的思路来规范我们日常的操作，那我我说就是最基础的 啊，最基础的东西，我们就是啊两个，第一个呢就是我们的啊止损止盈和啊仓位的控制，这点呢其实看起来非常简单，很多散户却很难做的到，但是这个呢我们是就是做股票的时候是必须要做到的， 嗯，就是如果如果你仓位控制不住的话啊，或者止损止损没有控制住的话，那你实际上是很难盈利的啊。这里牵涉了什么问题呢？就是股票的盈利他实际上是一个数学的概率的问题， 就是他不是说啊，我看好一支股票，我买了以后啊长期拿的，或者是啊怎么用别的方法，或者用涨停干散的方法可以盈利的，他不是这样一个啊，就是，嗯，是和否赚和亏的一个，呃，一个，嗯，事情他实际上是一个概率，概率的，连续的概率性的事情，嗯， 所以的话就是，嗯，我们需要设定自己的啊，就是评估自己的一个交易系统的时候，我们要要先确定自己的系统的，就是你的止损点是多少啊，你的仓位控制是多少，那只有这样的话你才能够，嗯， 那个在就是在产生错误的时候啊，你能够控制住亏损，在正确的时候你能够让自己的盈利去啊扩大，那这样的话我们就需要一个数据，这样就产生了一个数据呢，就是啊，我们的那个呃 盈亏比，盈亏比的话跟另外一个数据是配合使用的，就是胜率，就是你要评估一下啊，你自己的这个策略的胜率是多少，那在电话里面呢，就是他会进行通过回测啊，通过回测产生到这个数据啊，来来确定啊。你这个， 嗯方案就是这个策略啊，你的策略啊，你的那个多因子组合，你的胜率在各个不同的板块里面啊，到底是多少啊？这里面还涉及到一个过滤盒的问题。那我们实战里面过滤盒是什么回事呢？就是 你觉得自己的这个，嗯，方案，你的你的这个，呃就是做股票的这个策略，他的，嗯在某一段时间他可能是有效的，但是他可能放到别的时间或者别的阶段他就是没有用的啊，他可能就开始失效，就开始就开始产生亏损。那在这种情况下你就要通过这个 啊，仓位的，仓位的管理，亏损止损，止损来决定来减少你的亏损。那在你做出正确的判断的时候，比如说一只股票，你你，你在他启动的时间点，你进去了，然后并且在启动没有被挣出来以后，然后你可能啊抓到这个就是吃到这个整体的涨幅，那 很多人可能就会说，哎，我我我知道这些道理，但是我做不到。但是你现在如果，嗯，我们从整个市场的量化，对整个市场已经产生这种颠覆性的影响的时候，如果你做不到的话，你就想一想啊，机构或者师母他们 再跑这样一个策略，再跑一个，嗯，胜算非常高的，胜率非常高的一个策略，或者是胜率不高，但是他的盈亏比很高的一个策略。那他们在用一个电脑啊，在无情的去执行这个策略，他们亏损的时候可以出来，盈利的时候可以吃到很大一段涨幅， 如果你做不到的话，那你只可能会被市场去淘汰啊，然后，所以，所以就是我们必须要就是控制好我们的胜率和我们的呃，那个盈亏比，然后 如果你就是，嗯，没有办法去啊，像用工具一样去解决这个问题的话，那你就把你过去的啊，这个交割单，把所有的交易的记录都拉出来啊，看看你啊亏损的是怎么产生的，然后盈利的是啊，是什么情况下产生的盈利？然后你有没有吃到一整段的啊？ 就是大幅的这种上涨，你到底吃到了多少利润？翻倍的，甚至翻三倍的行情，你到底能吃到中间的百分之二十还是三十？然后为什么拿不住？那这些交割单啊，统计下来可能就能够得出来你你的这个交易方法，那很很多人可能会觉得啊，我没有交易，交易的策略，没有交易的原则， 嗯，那我只能就是说你可能在未来这个量化对市场产生这么大冲击的情况下，你可能几乎没有盈利的可能性啊，你的仓位控制变来变去的，你感觉好的时候重仓，感觉不好的时候清仓，嗯， 然后你的止损本来设置的是十个点止损啊，百分之三十的仓位，十个点止损，你可能也就损失两个点，三个点，但是呢，如果你不能严格的执行的话，你可能要到百亏到三十个点啊。股票在长期下跌的过程中，你一直是拿着这这支票，那在这种情况下的话，你其实是， 嗯，没有胜算的，没有任何胜算的。所以我们要评估一下我们的交易系统，评估一下我们的交易系统，然后确定一下我们的交易原则，然后就像机器一样去执行。

你们有没有发现，用 ai 编程最崩溃的不是他不会写代码，而是他太爱乱改了。一开始你让他做个界面挺好，让他修个 bug 也挺好，但你继续让他改几个需求问题开始来了，你让他改个按钮，他顺手把布局也改了，你让他修个登录，他顺手把这个页面搞崩了。 你让他优化优化代码吧，他直接重新给你写一大堆你根本看不懂的东西。最后啊，你会发现，这个项目不是越做越清楚，而是越改越乱。所以导致很多 ai 编程小白都会以为，是不是我不会代码，是不是模型不够强，是不是我的提示词写的太差了，其实都不完全是啊，真正的问题是你没有给 ai 立规矩。 ai 写代码有一个很大的毛病，他就是自己会脑补，你没说清楚的地方，他一定不会再问你。而是呢，很多时候他直接会给你猜， 而且他还会特别喜欢把简单的问题复杂化，明明只需要改三行代码，他能给你重新架构半个项目。 这就是为什么很多人用 ai 编程前期很爽，后期很痛苦的原因，因为你不是在开发产品，你是在不停的给 ai 擦屁股。 怎么解决？很简单，在项目里放一个规则文件，让 ai 每次写代码前都先看一下规则，这个，这个文件叫 cloud md， 本质上就是告诉 ai， 一 先想清楚再写代码， 不能上来就乱改，必须先说清楚他理解了什么，准备改哪里，会不会动其他的功能。二个就是只改当前任务相关的代码，不允许顺手重新架构，不许顺手优化，不许乱删注视，不许碰无关的文件。 第三个就是能简单就别复杂化，不要为了彰显的高级写一堆普通人根本看不懂后期不好维护的代码。第四个，改完必须能验证，不是他说完成了就完成了， 而是要告诉你怎么测试，哪些地方通过了，有些地方还有问题。这几条看起来很简单，但是对 ai 编程特别特别的重要，因为 ai 最怕不是不会写，而是太会自由的发挥。 你要是不给他放边界，他就会乱改，你不给他标准，他就假装完成，你不给他检查的点，他就一直改到项目崩溃。所以我现在用 ai 做项目的时候，第一步不是直接让他写代码， 而是让他先读懂项目规则，读懂这个项目文档，再让他动手。尤其是我们这种不会写代码的小白才更要这么做，你越不懂代码，越不能让他自由发挥。你要把 ai 当成一个能力很强，但是必须被管理的高级程序员 规则写清楚，他就是高级开发规则没写清楚，他就是一个刚进你公司的代码实习生。我把这套啊 ai 规则整理好了，想要的可以来抖音群领取，关注我，后面继续分享。不会代码的人，怎么一步一步用 ai 做出自己的产品。

如果你已经在用 cloud 写代码，整理资料，跑工作流了，那怎么写好项目配置文件？ cloud 点 md 非常重要，那 cloud 点 md 是 什么呢？ 它是一个放在项目跟目录的 markdown 文件，你可以把它当成是这个项目写给 ai 的 说明书。原理也很简单，每次当你新插一个对话或者清空上下文之后， cloud 都会自动再读一遍这个项目配置文件，有了它，你就再也不用解释项目背景、个人偏好等各种项目信息了。那我们该如何写好 cloud 点 md 呢？ 这里给大家总结了应该写哪些内容，这里的五类内容呢，是我搜集了资料找到的各种大牛，各种社区讨论后的一个最值得写的五类内容。 第一个呢是项目背景，你需要用很简短的语句告诉 ai 这是一个什么样的项目，让 ai 呢一看到它就能初步的对这个项目有一个大概的了解。那第二个部分呢，是技术栈和工具，比如说你用什么样的代码语言，你用什么样的框架，你有什么样的命令。比如这是一个说搜集信息的项目，那你可能就可以告诉他说我有哪些爬虫脚本。 第三部分呢，是项目约定，这里面主要要写一些已经在做的规范和习惯。比如来说，如果是一个小红书内容选择题管理系统，我通常的习惯是先让灵感写进灵感池，然后经过我的主观判断之后，我会选择一些灵感进入选择题库，那这就是我的项目约定，就会被写在 cloudy md 里面。 那第四部分呢，是沟通偏好，这一部分呢就偏向于一些个人喜好，比如说呢，我可能会告诉他说必须用中文回复，这都是一些个人回复上的喜好，你可以记载在这里面。那第五部分呢，是一些禁止事项，这类的问题呢，可能更经常出现在。嗯，你发现 ai 有 时候会有一些默认的操作是让你不满意的，那你就可以在执行的过程中告诉 ai 永远不要这么做。 那 cloud 点 m d 有 什么质量上的标准呢？我找到了 ansap 官方文件里面说到的三条标准。第一个呢，是要用具体数字代替形容词，比如说你想让 ai 回复尽量简洁，那更好的说法其实是回复小于等于三段的内容。第二部分呢，是关键规则加必须或者不要。比如如果你想表达尽量不要 emoji， 最好的表达其实是绝对不要 emoji。 第三个呢，是你要保证你的 cloud 点 md 控制在两百行以内。这是因为 cloud 点 md 的 内容会一直被写在对话的上下文空间里面，那如果它太长了，可能就会导致一些重要的规则被淹没，或者你后续对话写入的内容被忽视。 那说了这么多标准，我们该如何来修改 cloud md 呢？以及我真的要一个字一个字的写下 cloud md 里的内容吗？当然不是所有的内容都还是可以借助于 ai 来写。 首先有个最关键的指令，就是当你有大改动或者是你新开启一个项目的时候，你可以用杠 innit 这个指令来让它扫描你当前的项目文件，然后去生成一个全新的 cloud 点 mb。 比如如果你是是一个空项目的时候，它就会根据你目前的项目内容给你自动生成一个 cloud 点 mb， 那 如果你已经有一个目录下的 cloud 点 mb 之后，它依然会读取旧的 cloud 点 mb， 并且扫描当前的架构，给你一个优化版的 cloud 点 mb。 第二个呢，是适用于日常小修的 problems， 比如你发现 ai 做了一些你不满意的事情，你想要让它改进，那你就可以把这件事情立刻追加到 cloud md 里面。 那第三种呢，是定期瘦身，也就是我们刚刚说的 cloud md 要小于等于两百行才能更好的发挥它的作用。那我们就可以用下面这段 prom， 让 ai 把过时的、重复的或者是写的太软的一些指令删除掉。然后最后呢，把字数控制在两百行以下，那通过这三个指令，你就已经可以很好的写好你的 cloud md 了。 而且这套用法其实不止 cloud 能用在 cloud 里面， cloud 点 m d 是 这个项目的说明书，而在 codex 里面，这个项目配置文件被写作 asigns 点 m d。 我 自己测试过，如果你现在在 codex 里面导入一个带有 cloud 点 m d 这个文件的项目，它其实会自动问你要不要把 cloud 点 m d 这些内容转化成 asigns 点 m d， 所以 其实它已经有一些自动的转换过程了。