我始终觉得,人人都值得拥有 AI 平权、知识平权。这个时代已经到来了,关键是很多人还没有意识到,我建议大家今天就开始用 AI 大胆地犯错
1/ 为什么我对这个时代既感到焦虑,又欣喜若狂?高强度每天使用 10 亿 GPT-6、Fable 5.1 Token之后,这种感受越来越强烈。一个人的学历、专业和过去接触过什么,曾经很大程度上决定了ta能理解什么、参与什么。
2/ 过去没学会的,可以重新学。这难道还不是最好的时代吗?
以前觉得“这是专业人士才能做的事”,现在可以亲手试。你甚至不必先相信自己很聪明,只需要对一个问题有兴趣,愿意追问,愿意动手验证。
3/ 当然,我也焦虑,我有时会想,这是最混乱的时代
自己花了很多年积累的能力,还有多少会继续值钱?当工具越来越强,工作会怎么变,我和身边的人又该往哪里走?参与开发和使用 AI,并不会让我免于这些担心。因为离得近,反而更难把这些问题放到一边
4/ 模型的发展,至少让我变得非常矛盾和混乱
刚刚为模型完成了一件复杂的事而兴奋,紧接着就想到,这原本可能是某个人赖以谋生的工作
所以,我希望大家能尽早接触它、理解它,有机会为自己的下一步做准备。我做这个账号,分享一线体验,把芯片、产业链和公司财报尽量讲明白,也有这层心愿
投研平权在我这里,有一个很具体的愿望:你读完我的文章,能够自己回去看材料,知道该问什么,甚至能有依据地指出我哪里想错了,知道问什么,是最重要的一步
保存的原文 · 长文
X 阅读
按原发时间浏览 · 时间显示为 Toronto 当地时间
保存说明:除条目另有标注外,正文尚未人工核对 · 图片未保存 · 引用或对话上下文可能不完整。
这事很重要,长话短说:今晚加州半夜(约北京时间下午 3 点),Codex 又会迎来一次额度重置,大家快用 GPT6 Ultra /fast 开始蹬
今天我跟一个朋友聊天,ta跟我说 Codex 不让注册 200 刀了,让ta非常难受,像是吸了*,悔不当初。现在算力紧缺,好的 Token 自然得靠抢
我的读者朋友中,有很认真在看我帖子的。因此我准备来一个 AI 投研系列 101入门,把我如何把 AI 融入行业研究?分为四个章节,后面的帖子会把详细内容发出来
我的目标是做到 AI 投研平权,每个人都可以跟着做,搭建自己的投研助手。我已经开始想今晚让 GPT-6 干什么大活了。今晚继续🔥
没什么能做的,到时候我把 AI 投研平台开放出来,大家可以自己本地部署,我也送大家一点 GPT-6 和Fable 5.1 的 Token 来在线体验
保存的原文 · 长文
@MY338833 谢谢你。分享同时也是记录我每天的思考和实践,希望我能把我的认知分享出来,在 AI 时代下,大家一起进步和学习
你的善意是鼓励我继续分享和创作的最大动力❤️
保存的原文
不知道你是不是跟我有一样的问题?,跟 AI 聊天,经常脑子里有一堆想法,背景没交代清楚,目标也有点模糊,聊着聊着就散了。
我思考下来,其实缺的就是一个用户记忆的体系化管理
如何解决这个问题?这个帖子分享我本人的最佳实践,只是一句 prompt复制给你的 AI 就好,使用下来效果非常的惊艳,希望能帮到你
如果使用效果也给你带来了惊喜,欢迎分享出来你的使用体验!
把下面直接复制给 Codex(或者任何 AI)
'''根据你已经了解的我,对我做一次深入访谈,重点问那些你还不了解、但会影响你帮助我的背景、目标和困惑。一次问一个问题,让我自由回答,适合时给选择题。根据我的回答继续追问,遇到含糊或矛盾的地方,让我举具体例子。每聊清一个主题,就帮我梳理已知信息、还没想清楚的问题,以及接下来可以做什么。把我明确说过、确认过的信息整理进项目的记忆文件,方便以后接着聊,没确认的继续问'''
这几天一直拿它让 Codex 拷打我自己,帮我捋清了不少思路。有些问题,它问出来之前,我自己都没想过
总之,真的建议大家试试!
保存的原文 · 长文
@Wu15961741 我个人认为这个大方向一定是对的。GPT-6 降智和 OpenAI 取消暂停 200 刀会员申请,绝对是一个没有被市场充分 price in 的信号,因为它刚刚发生,还没有传导开
但个股依然值得钻研,难以下一致的结论,我也打算深挖一下这个方向
保存的原文
和我的体验几乎一致,GPT-6 感觉可能偷偷“降智”了,没有上周刚发布的时候那么惊艳。几天一直在用 Astra 的朋友,你们感觉怎么样?上周我夸得很认真,现在觉得没那么好了,也想把原因弄明白
从我个人的经验上来判断,这个降质本质上还是算力和资源不够,是不是做了更激进的 quantization,省显存、省带宽?
或者同样选高思考档位,实际给的推理预算变少了?这些都可能影响体验
如果真是为了省资源,最后让用户来回追问、返工,那这笔账也未必划算。本来一次能做好的事情,来回做三次,省下来的计算可能又花回去了。但对于普通用户来说,我们的额度上限是一定的。用户来回追问、返工,消耗的也都是我们自己的额度。再结合 OpenAI 今天宣告暂停了 200 美元的会员申请,逻辑就圆了回来了
当然,除了这个技术角度之外,我想再往下深入一层:现在还缺算力&互联&存储,远远没有饱和
保存的原文 · 长文
分享一份最近收集的 AI Infra 入门阅读清单,建议收藏,慢慢看
AI 已经可以生成很多很好的内容,解释概念、翻译论文、整理资料,都越来越方便。但在这个时代,能静下心来,把一篇好文章认真读完,把没懂的地方再琢磨一遍,我觉得更加难能可贵
这次整理的材料,主要集中在大模型推理这一块。从 KV Cache、显存管理,到请求调度、推理加速,再到怎么判断性能有没有真正变好
做工程的朋友,可以顺着往源码和实验里走。平时看 AI 产业、算力和存储的朋友,也可以先把原理读明白
读文章,挑值得反复读的。
1. 如果只选一篇,我会选 Inside vLLM。
Inside vLLM: Anatomy of a High-Throughput LLM Inference System,作者 Aleksa Gordić
https://t.co/Lc2Sk6Ivuf
把很多零散的概念串进了一个真实系统:一个请求进来,怎么排队,怎么分配 KV Cache,怎么执行,最后又怎么把结果送回来
PagedAttention、continuous batching、chunked prefill、prefix caching、投机解码、P/D 分离、多卡和性能测试,都能在这条线上找到位置。
这篇适合当主线,后面的材料用来补不懂的地方
2. 想弄懂 continuous batching,先看 Anyscale 这篇。
Continuous Batching 博客
https://t.co/7jufAckmsE
llm用户的回答有长有短,有的已经生成完了,有的还在继续。已经空出来的位置,能不能马上接下一个请求?
这篇用静态批处理和连续批处理的对比图,把这个问题讲得很直观。看完你会理解,GPU 的效率,也取决于请求怎么安排
建议重点看图和机制
3. NVIDIA 的两篇,一篇帮你建立全貌,一篇教你怎么看性能。
Mastering LLM Techniques: Inference Optimization
https://t.co/cFASAERBjM
适合先建立基本认识:处理输入的 prefill 和逐步生成输出的 decode 有什么区别,模型权重和 KV Cache 分别占什么空间,量化、批处理、多卡并行又各自解决什么问题
LLM Inference Benchmarking: Fundamental Concepts
https://t.co/yR5bIXxseZ
这一篇我也很推荐。用户等多久才看到第一个 token,后面生成得快不快,整个系统一秒能服务多少请求,是不同的问题。TTFT、ITL、TPOT 这些指标,要连着测试口径一起看
4. 想再往下算一层,读 kipply 的 Transformer Inference Arithmetic
Transformer Inference Arithmetic
这是一篇 2022 年的文章。它带你从计算量、内存容量、带宽和通信开销出发,估算推理为什么快、为什么慢,以及 batch size 改变后会发生什么
硬件和模型的具体例子有年代了, 作为 optional 选读
保存的原文 · 长文
@curious_hao 谢谢你,也谢谢很多昨天留言的朋友。今天我也想明白了,有的事情无需解释,你无法叫醒一个装睡的人
一些狗叫我也不会再理会了,继续专注主线。
分享投研,分享硅谷一线的实战经验,和大家一起把认知换成冰冷的钱,放进账户,改善生活,这是我的北极星指标
保存的原文
这是我最近使用的 Prompt,用来帮助我快速解读任何的学习资料,几乎是我日常学习、投资或者任何 AI 技术,或者一个新的领域必用的 prompt 模板(如果你要使用的话,可以拿来直接微调)
Prompt: 结合 /eli5 把下面的学习资料做成一个我能一遍看懂的图解 HTML 页面,发布成 Artifact。
【读者】
默认我对这个主题没有基础。所有术语第一次出现时用一句话解释。先说结论,再说原理。
【内容结构】
1. 先读完全部材料,列出材料里的核心概念(8 到 13 个),按"后一个概念是为了解决前一个概念带来的问题"的依赖顺序排列。顺序本身就是信息,不要按材料原顺序。
2. 找出一条贯穿全部概念的主线(一个主循环、一条流水线或一个核心矛盾),放在页面最上面,一句话 + 一张图。
3. 每个概念一张卡片,卡片就是一幅两格漫画:左格画"烦恼"(没有这个概念时会发生什么),右格画"办法"(这个概念怎么解决)。下面只写两行:解决了什么、代价是什么。不写第三行。
4. 全页用同一组固定角色贯穿所有图(比如 A、B、C 三个老请求和 D 一个新请求),数字用缩小版,方便我自己算,并明确标注"示意值"。
5. 页面末尾放一把"尺子":这个领域衡量好坏的两三个指标,画在一张图上,说明每个办法通常改善哪个、牺牲哪个。
6. 如果材料里有我卡住的地方,单独加一节"零基础版",一步一步写清楚每一步发生了什么,配一张对比表。
7. 最后给一条"一遍过完"的学习路线:三到四站,每站写为什么去、去多久、链接。链接必须联网核实真实存在,不能编。
【视觉风格:卡通手绘】
方格纸或笔记本底色,深色模式换成黑板粉笔感,两套主题都要设计。中文标题用手写体(Google Fonts 的 Ma Shan Zheng),英文和数字用 Patrick Hand,正文用系统无衬线保证可读。卡片用不规则圆角的手绘边框,轻微旋转,硬阴影。SVG 图形加轻微抖动滤镜(feTurbulence + feDisplacementMap)模拟手绘线条,文字不抖。颜色固定语义:绿色 = 正在进行的东西,橙色 = 新来的东西,蓝色 = 存起来的东西,红色虚线 = 被释放或作废。卡片右上角盖一个手绘印章标注我的进度:已学 / 补一下 / 下一站。
【硬性要求】
每格漫画里的说明文字不超过 15 个汉字,绝不允许文字压到边框或互相重叠。发布前用 headless Chrome 渲染一次整页截图,检查所有图,修完再发布。页面以图为主,正文每节不超过四句话。所有图用手写的内联 SVG,不用图表库。数字不能凭印象,材料里没有的要去核实。发布后把链接给我,并用五到八个要点告诉我页面的结构。
保存的原文 · 长文
上午我说,如果最前面的用户都在排队,后面已经建好的算力,是不是根本不愁租?。 $ORCL 盘后发布财报,拉升 +6%,我的信心更加明确和坚定了,这个帖子速览财报数据,我的逻辑和操作
1/ 首先:财报前一个小时,跟大家分享了我买入了 ORCL 的 call option,并且持有正股。欢迎回看。有时间质疑一切、怀疑一切,不如低头虚心学习,把认知换来的钱揣进兜里不好吗?(笑)
还是那句话,我不是一个喜欢喊单的博主,除非信号太明确,偏离基本面太明显。这一切的认知都源于我在硅谷一线积累的经验和 AI 使用的体验(笑)
账户里的冰冷上升的数字是最真的,是底气
2/ 先看这季实际交出来的成绩:
> 营收 193 亿美元,同比增长 30%,市场预期 191.4 亿美元,超预期约 0.8%。
> 调整后每股盈利 1.92 美元,同比增长 30%,市场预期 1.74 美元,超预期约 10.3%。
> 云业务收入 116 亿美元,同比增长 62%;其中 OCI 云基础设施收入 74 亿美元,同比增长 121%。
> 调整后经营利润 82 亿美元,同比增长 31%,经营利润率 42%。
我的理解是,营收小幅超预期,每股盈利给的惊喜更大。云业务已经占到总收入约六成。其中云应用收入增长 10%,OCI 增长 121%,这轮增长主要是谁在推动,已经很清楚了
Q2 指引按美元口径看:
总收入同比增长 30%~34%,本季实际增长 30%。
云收入同比增长 65%~71%,比本季的 62% 还要快。
调整后每股盈利 1.85~1.93 美元,中点 1.89 美元,正好符合市场预期
3/ 我的逻辑和操作
我的逻辑其实在过去的一个月阐述得很明确了:
1. OpenAI 这么强,我现在买了 3 个 200 刀的 Pro 账号
2. ORCL 根本不缺客户,我也不相信 OpenAI 会违约
3. 此外,ORCL 不被大家看好,被评为垃圾股,当网上都在骂的时候,我就知道我稳了
目前长线我仍然没有卖出的打算,leap call到期日期是明年 1 月 145 行权价,是否清空,会根据财报会议管理层的表述
上午盯的三个问题里,收入这一项给了正面反馈;机房是否按期交付、资金缺口有没有持续收窄,还要接着核对
财报会议之后,我会给大家带来更多的分享
保存的原文 · 长文
在 AI 时代,我认为只有不敢学,没有学不会。我分享给大家一个 prompt和一个 skill,我基本用它来学习任何内容,大大降低了学习的门槛和理解成本。效果图我放到了本个帖子的图片里
例如上个帖子分享给大家的AI Infra 入门的五篇文档,很多朋友看着 PagedAttention、Chunked Prefill、TPPP、DP 各种字母被吓到了,感觉有用,但读不进去,我就很推荐使用
Skill: /eli5
Prompt篇幅有限,我把 prompt 放到评论区,希望对大家有帮助。可以用它来可视化、通俗易懂地学习任何内容,展开自己的想象力
保存的原文
09/10 前天半夜爬起来,又买了一个 $200 的 Pro。今天看到 OpenAI 宣布已经暂停这一档的新订阅,感觉这次确实抢对了。2026 年,好的 Token 开始要抢,谁拥有了足够多的高质量 Token,谁就有下一个时代的入场券
1/ 穿透现象看本质,还是算力紧缺了:
这让我更想研究给 OpenAI 提供算力的公司,尤其是 $ORCL,今天尤其关键,马上要发布财报
2/ 我的核心研究问题是:如果最前面的用户都在排队,后面已经建好的算力,是不是根本不愁租?
查了甲骨文的披露,这个判断还真有直接证据。6 月发布的财报演示稿里,AI 基础设施利用率是 97.5%,AI 数据中心容量 98% 已经签约
3. 这让我对需求多了一份信心。但这里还要往后想一步:已经签约的容量,什么时候交付、开始收钱?
上次财报之后,甲骨文被狠狠惩罚,需求很强,建设也确实很烧钱
解决了需求问题,甲骨文想要上线,要解决烧钱的问题。我觉得更值得看的是客户怎么参与出资。甲骨文披露,大型 AI 合同中,客户预付款和自带硬件的部分合计已达 750 亿美元
它说明,客户愿意承担部分前期硬件资金,甲骨文可以减少垫资,同时继续提供集群建设和运营服务。这个变化,才可能帮助它把旺盛需求变成更好的资本回报
今天 PPI 公布后的回调,也不能直接理解成宏观风险已经出尽。明天还有 CPI,甲骨文自己今天盘后也要交财报。利率会影响它后续融资的成本,也会影响市场愿意给未来利润多少估值
4/ 下午的财报:我会继续盯住 $ORCL,看三件事:新机房是否按期交付,交付后收入是否跟上,以及收入增长时资金缺口有没有收窄
5/ 我的操作
前段时间的下跌吸纳了不少低价筹码。今天甲骨文财报前跌了 5%,我认为是好事情。
目前我同时持有甲骨文的正股,今天财报前买了一部分看涨期权,小赌怡情
甲骨文在我的目标持仓里目前还没达到 50% 的阶段。如果下跌,我会放心大量买入,希望有回头的机会
保存的原文 · 长文
最好的9月投资策略,冰与火之歌,为什么?冰是分母:市场利率;火是分子:AI需求盈利
现在是两者共舞角力,到底谁占据上风。90年代互联网泡沫时代,长期利率大涨2%但是股市2倍,真正的盈利和价值能够击败利率压力。
何况市场对于今天PPI解读都是错的。
什么超预期?只是能源冲击,现在核心服务和住房都企稳下跌,担心能源传导就加息?那就是美联储的愚蠢
不过真正的投资者不赌加不加,而是真正的买方策略如何应对。xiame
保存的原文
@li53275613 你说得对,我把这本书当作 context 给 AI,持续追踪一段时间这些喷子账号,收集一下他们喷别人的回复核对对应的数据,到时候发给大家一个年度网络小丑 SOP
我得感谢 AI,没有 AI 的话,这些辣眼睛的人和内容还要我一个一个去整理
保存的原文
我知道很多人想转 AI Inference, 但 Day0 怎么开始呢?我在团队内整理了一个 1 小时的学习路径,分享出来,作为 Day0 的阅读和“开智”使用
大家可以通勤路上、上厕所、吃饭的时候,扫上两眼。收藏下来,慢慢品,都是干货请放心使用,希望对你有帮助。
这个学习路径是:AI 模型如何生成 → 哪些计算存储资源可以复用 → GPU 为什么忙不过来 → 高并发请求如何共享资源 → 怎样判断 AI 模型推理用户体验
1. 先理解模型生成和 KV cache|20 分钟
https://t.co/wSXRYKfakz
带着一个问题读:模型权重、KV cache、生成的文本,分别是什么东西?
这是后面理解长上下文显存占用、缓存收益的基础
2. 理解 GPU 的两类主要瓶颈|15 分钟
https://t.co/2ILFSjfPJy
看 GPU Architecture Fundamentals 的结构图,重点读 Understanding Performance
带着一个问题读:为什么换算力更强的卡,AI生成速度不一定按比例变快?
文档里的 GPU 示例比较早,今天学习原理即可
3. 理解不同请求之间怎样复用缓存|10 分钟
https://t.co/GdNai7hHsC
读开头、Example workloads、Limits
第一篇讲生成过程中复用旧 K/V;这一篇讲不同请求共享相同前缀时,怎样进一步复用计算
它直接节省的主要是输入处理,也就是 prefill;新答案仍然需要逐步生成。
带着一个问题读:为什么缓存命中率很高,用户仍可能觉得慢?
4. 理解长短请求如何争用同一张 GPU|20 分钟
https://t.co/OKJYJEPLo6
读 Preemption、Chunked Prefill、Performance Tuning with Chunked Prefill
到这里,你就开始把已有的资源调度、容量和延迟知识,接到 LLM 服务上了
5. 理解性能数字究竟在衡量什么|10 分钟
https://t.co/MeWQKJ968j
三个概念:TTFT 看第一段输出等多久;ITL 看流式输出的间隔;TPOT 看除首 token 外,平均每个输出 token 的耗时
5. 最后把这些概念接回数据|5 分钟
https://t.co/XfjZl7jXd5
读 Workloads 和 Trace Format,看懂到达时间、输入长度、输出长度、前缀块 hash 四项。
带着一个问题读:这些记录能描述哪些负载特征,哪些东西仍然必须在真实 GPU 服务里测?
6. 读完后思考 10 分钟
一个长请求进来以后,短请求为什么可能变慢?开启缓存以后,哪些成本减少了,哪些等待仍然存在?
如果你能通俗易懂地解释了,说明这一个小时没白过
这一个小时的教程是我为投研团队成员准备的。他是我在@meta 的前同事,和我一起合作了很多 Marvell 的分析
他现在是在硅谷某个大厂的 SDE,对 AI infra 一窍不通,我在督促他建立一个 X 的账号,让他分享起来。从 Day One 开始,分享他从普通 SDE 转到 AI 的学习路径,相信会对很多人有帮助,坚持下来,大家的水平应该可以拉齐
保存的原文 · 长文
大家日常高频使用 AI 的,应该都有这个痛点:AI 足够聪明能把任务跑完,但是!距离结果好到我能直接用,中间还有很长一段距离,有的时候 AI 的结果好得一塌糊涂,但就未必是我想要的
这个事情的解药在于Evaluations,AI 评估:我觉得每个想认真用 AI 的人都值得理解。我用 AI,越来越把重心放在 Evaluations上:什么叫做好,怎么验收,犯过的错怎么减少?
今天结合我自己的的工作流,尝试把这件事彻底讲清楚
1/ 把“我觉得不行”,变成具体的验收标准
我之前分享过,让不加以特化的 AI 解读研报,有时每个字都认识,连起来却看不懂,还得追问好多轮。
它确实写完了。但我需要的是:读完能讲清楚公司靠什么挣钱、发生了什么变化,以及变化怎么影响盈利和估值。
所以,当前的工作流我会检查:数字有没有原始出处?季度和全年有没有混用?公司指引、券商预测、自己的判断有没有分开?市场 price in 预期的反推和我自己的建模 gap 在哪里?市场有哪些错误的逻辑?是否错杀?是否超买
Eval,就是把心里“这样才算做好”的标准,变成能反复执行的检查
能算清楚的,用程序检查;“有没有解释清楚”这种开放问题,就写成 rubric,评分标准,配上好坏案例,让 AI 辅助评判、人来校准。久而久之,你的私有化模型会越来越好
2/ 让它在真实工作的条件下接受测试,留下错误记录,持续进步
一套 eval,基本就是:Agent + 工作环境 + 任务 + 验收标准
以前 AI 输入文字、输出文字。现在 Agent 会开网页、读文件、改笔记。我会明确地写 skill 和 prompt,让 AI 去记录下来自己曾经做错了什么事情,然后再让它进行自更新(也就是 RSI),最后再让它把错误的部分重新再做一遍。
久而久之,模型的效果会越来越好。通常我会让AI做两件事情:
1. 对公司基本面短期、长期的判断
2. 实际的股票操作
回溯:哪些判断对了,就继续加强;哪些判断错了,就让模型记住错误的原因,下次不要再犯。久而久之,模型会变得出乎意料的好
3/ Evaluation 非常重要
这就是为什么目前我的每一个工作流或者工作体系,我都会写好 Evaluation 和自进化的规则。AI 顶尖聪明了,但问题就是,它有的时候认为它做的正确的方式,未必是你想要的
有了可靠的标准,AI 就可以帮忙找失败、提修改方案,再接受验证。人仍要定义什么是好,并确认评分规则衡量的确实是自己在乎的东西。
因此我建议大家如果想让 AI 把工作做好,先把“什么叫做好”写清楚
保存的原文 · 长文
09/09 在过去的一个月里,我一共公开押注买入三次 MRVL。过去一周 $MRVL 上涨了 15%,30.62 美元。我的 call 整体盈利了 74%,200 区间抄底的短线正股股份获得了+16%,长期一直持有并且加码。
谁再说 AI 认知和工具的使用无法变现?我觉得这是变现途径 ROI 最高的方式
https://t.co/urE6Bthoxc
我通常不是一个喊单博主,除非我觉得信号太明确了,这个帖子分享我的操作和原因
下面都是原帖,欢迎回看
07/29 168$买入,那时候一片恐惧
https://t.co/nmeMEPdzP0
08/20 我认为财报会跌,跟大家分享了我买入财报的 put
https://t.co/8xwpTpV56y
08/31 我认为市场错杀了 MRVL,股价惩罚得太厉害,买入了 10 月到期的 call。并加了不少正股长线
https://t.co/5Ndj15x4fh
今天,我买入了下周Protective Put,做个保护。依旧等待 Investor Day
长线接下来 MRVL 会有不少重磅的事件,篇幅有限,我放到第三张截图里。我的认知和 AI 实践告诉我,MRVL互联行业方向是绝对没有问题的,而且是市场仅有的还在蓬勃向上的行业
保存的原文 · 长文
我自己是怎么应对 AI 焦虑的?分享3点这个月我的亲身实践,大家作为参考,这对我自己提升很高
1. 我把每个月工资的 10% 固定拿出来投入AI学习,我认为 ROI 非常高
除了公司消耗的Token之外,我个人订阅了 3 个 200 刀的 Codex Pro,1 个 200 刀的 claude code。做投研、自动化工作流、做强化学习,任何我想做的。因为Token沟通了,解放了生产力,才能看到别人看不到的问题
其余的钱,买卡、租服务器等等。回报不只是我的认知提升,走在AI的前沿,股票投资也给我带来了回报和成长
2. 把我的过往经历全部送给了AI,让 GPT-6 帮我指明下个阶段的方向,充分利用 Computer use
我的过往经历包括工作经历、生活经历、投资经历,现在过往电脑和浏览器的一切。让 AI 充分了解我的上下文,做每个决策都能充分思考
3. 把AI当人而不是工具,给他一些更困难的任务,跳出使用“工具”的思维框架
通常来说,我给 AI 的 prompt 会包含三段论
a. 背景信息:因为背景我已经收集好了,所以我只会告诉它去哪里找
b. 我要做什么
c. evaluation(非常重要):一定要注明这一项,告诉 AI 我想要达到什么样的效果,怎么样才算真的结束了
尝试把你最难的任务给他,包含好 evaluation 这一项。相信我,你会有意外收获的
有没有人想听我分享几个我最近使用的、运行数个小时、我认为相对复杂的任务的 prompt,给大家参考?如果有的话,我下个帖子把我的 prompt 和任务拆解分享给大家
保存的原文 · 长文
CPU和NAND都会缺死的
本来每台device需要的资源,变成了agent需求。agent调用都要用CPU的
保存的原文
刚刚看到,这个博主真的用心了,总结了我过去对mrvl的关键操作的时间和帖子,如果这不是ai帖子,我会感动的
回过头来看,如果我对 $MRVL 恰好踩对了时间点和方向,别怀疑,我只是看懂了外加运气好了点。如果你看完也赚到了钱,那我替你感到开心
赚到钱了去买个codex pro学学AI 吧,就当投资自己了
保存的原文