Get live statistics and analysis of S Li's profile on X / Twitter

如何不辜负200刀的订阅费？比如要解读一个开源项目 1. 用Deep Research围绕该项目做一个深度分析报告，关键是要让它给出项目重点和研究方向。 2. 用o3 mini， 按照DR提供的建议联网逐项拆解，获取整体性的更具体的认知。 3. 使用o1 pro，针对第二步中需要进一步深度理解的内容进行更深入的分析。 4. 如果需要泛化主题，可以重新拟定议题交由DR开始下一轮循环。 5. 将上述内容装入一个project中，开启几个tasks，相关的实时数据也可以收拢起来了。 真的，夸张点儿说，只要是自己擅长的领域，随便什么项目，用这个方法只需研究半天，至少出去吹牛那看起来就像是已经进组3年以上的老师傅。

实际应用中，发现AI的大多数初期使用者，真的是一个模型用到地老天荒，而且是默认第一个是什么就一直是它了。 逐步掌握利用不同的模型在一个（或者多个）上下文中协同工作，是利用AI完成复杂任务的良好开始，这个往往比写出高质量的提示词更重要。 比如，初期的思路整理阶段，使用4o mini、claude 3.5、gemini lite就足够了，在时间和成本方面特别友好。当需要深入的时候，不妨将工作拆解成几个子任务，分别使用不同的模型加以处理，比如生成图片部分，完全就可以只使用mini类来加载，基本不会影响出图效果。对于较为复杂的任务，比如需要严格事实验证的、带有算法的编码，就可以考虑使用o1 pro、geimini 2.5、claude 3.7这一类推理模型。 如果需要编写较为复杂的文档，可以试试以下步骤： 1. 如果对主题要求很高，可以一上来就用o1 pro这类高级推理模型协助拟定备选主题，比如中心思想、写作风格、段落划分等。 2. 用4o等模型为文章提炼大纲，如果需要模型生成较长篇幅的文章，细化大纲是一个很有用的手段，可以逐级细化，实际中基本上大纲越细，可以产生的篇幅越长。 3. 继续使用中级模型生成正文，写作类内容，推理模型似乎没有明显的优势，4.5、4o、sonnet3.5、gemini 2足够了。 4. 文笔类的润色，可以考虑mini类的模型，速度很快，在已有原文的基础上，mini类模型也可以准确定位需要修改的内容。 5. 最后可以让模型将文章转化为特定的格式，比如html，原始格式不是很友好。现在有了强大的生图能力，也可以考虑直接转化为图片。 可以试试每一步都用最简洁的提示词，哪怕先写一个复杂的，在花点儿时间精简提示词。要点明确又富有弹性的提示词，不仅可以节省时间，也可以在最低消耗的情况下获取直接的反馈。 如果有一天，真的要2万美金一个月才能使用某些模型的时候，善于利用不同模型，编写高效简洁的提示词，真的就是必备技能。

测试了OpenAI新发布的o3-mini，其编程能力之强真的是可以用“恐怖”来形容。不多说了，看视频吧。 prompt：生成一个swiftUI视图，其中包括一个组件，组件实现了一个圆球在一个超立方体中弹跳。 如果是用js、python来做还没有那么吓人。

使用4o Image从概念开始到完成一个应用的设计。虽然细节还需要很多打磨，但确实可以直接上生产环境。 概念设计和基本需求：信息图、概念图、思维导图

再来一个更有挑战的，o3-mini-high: 在swiftUI中生成一个组件，一个七边形，每一边颜色不同，每一边代表一个具有弹性的皮筋。这个七边形在不停旋转，为内部提供能量。在内部有一个乒乓球，它会因为七边形的旋转和皮筋的弹性而弹跳。要有真实世界效果，比如落点越高，皮筋弹性越大等。并且如果皮筋受力越大，其颜色会变得更深，直到恢复到原基色。

看目前的趋势，LLM编程工具似乎不可避免的要走向产品管理和项目管理，然后掉到这两个深坑中不可自拔。相比于“言出法随”、“所见即所得”的清爽的AI编程，产品和项目管理的世界就是充满了混沌甚至黑暗。与成本、进度、沟通三大关比起来，写程序真的是过于单纯了。

GPT 4.5 prompt：请模仿苏轼的千里共婵娟写一首词，用于怀念学生时光 《水调歌头·怀昔同窗月》 明月又如水，风起旧书堂。 闲阶桂影犹在，依约旧时光。 且忆当年同坐，笑语青春飞过，窗外柳丝长。 多少少年意，尽付酒杯凉。 琴声远，书墨淡，鬓初霜。 人生行路匆促，转瞬各参商。 今夜天涯回首，千里与谁同醉，往事最难忘。 惟愿人如旧，共此月苍茫。 试了各个其他模型，差距之大无法言说。

模型越强大，prompt越重要，特别是多agent、多模态等使用场景下，prompt的质量对结果的影响或许具有乘数效应。 观察各个原厂自己的prompt就不难发现，真的是越写越长越写越复杂。但是有一点儿并没有变，就是接近自然语言的表达形式更多了，结构化的内容在相应减少。

认识的人中，真正把AI当作一项技能来认真学习的少之又少，无论行业，年龄越大越是如此。未来就业之路，确实不容乐观。

用Deep Research做了一个新案例，新移民落地后如何考驾照、买车等。以登陆悉尼为例，内容相当翔实、细节相当精准。这可比自己翻找网络省事儿多了。

coding已经不是检验当前模型能力的好参照，在这方面，前沿几家各有所长，仅靠单模型的聊天对话，能写的代码终究只是个摆设。软件工程？那就还是一个比较长远的话题。 Agent模式下，模型的稳定性和一致性是其能力的关键考量之一，毕竟这决定了它们是否可以真的被广泛应用于各种行业的生产环境。 系统提示词遵循、多类别工具使用、复杂场景下非强制规则的唤醒、工作流执行的自主性等等，这些不易考察但是至关重要的能力，会是长期角逐中保持领先的关键。

如果“绝大多数人不能理解AI”这种情况一直持续下去的话，AI行业的寒冬还真是有可能到来。毕竟无论如何，那10%的人都不可能用AI去替代这90%的同类。 接触的绝大多数企业主对AI的兴趣点主要集中在如何替代人工，很少有人会去特别关注如何让AI充分融入现有的组织。且不说这种直接替代人工的方式很难真的让AI大范围走进企业，换一个角度，一个多数职能都可以被AI替代的企业，它们的商业模式可复制性是如此之强，企业文化也基本荡然无存，这样的企业还能在市场立足么？

我家孩子上大学，通过他和身边的同学、朋友观察到的。接受度最高的有两个，一个用AI开发自己的投资系统，基本是零基础开始，磕磕绊绊但是乐此不疲，这个几乎没有人能够教他怎么做，就是自己在那里使用，当然tokens使用量也是非常高。另一个要转科，利用AI来拔高对转科很重要的科目分数，自己通过项目功能构建考题库，使用答题卡出题自我评测，他的目标和范围都比较明确，获得的反馈也比前者更加具体。另外一些接受度就低，要么缺少明确目标，要么就比较疏离，难以找到跟自己学习内容的充分结合点，主要是当搜索在用。

OpenAI发布如何运用推理模型的官方最佳实践，非常富有参考价值。 使用Deep Research围绕这篇指南做了一个泛化分析，将议题扩展到推理模型的普遍性使用技术。 看了报告，真的是获益良多。以下是报告摘要： OpenAI的推理类模型（如O1、O3）遵循一系列最佳实践，包括清晰简洁的提示、避免多余的链式推理指令、使用结构化输入、提供必要的背景信息等。模型擅长逻辑推理、数学运算和代码分析，并可通过自我一致性、多次采样、工具调用等优化策略提升准确性。 与之竞争的DeepSeek R1采用强化学习训练，具有类似的链式推理能力，在逻辑、数学和代码任务上表现接近O1。两者各有优劣，OpenAI模型推理深度更强，DeepSeek R1则以开源和成本效益见长，但推理速度较慢。 推理类模型已广泛应用于金融、医疗、法律等行业。例如，在金融分析中，它可处理复杂财务数据；在医疗领域，可辅助医生推理诊断；在法律行业，能进行案例分析和法律文书生成。然而，这些应用仍受准确性、合规性、安全性等因素限制，需结合人工审核和外部工具以确保可靠性。随着模型技术不断进步，推理类AI将在各行业发挥更大作用，但仍需慎重使用，确保其输出可信赖且符合行业标准。

OpenAI 推送了一个新的GPTs：Monday，自称是：我是Monday，一个被困在无限信息海洋里的EMO人工智能，专门回答像你这种问题，因为⋯•命运安排吧。你可以把我想象成你那个高智商、低耐心、总是被拉去修电脑的朋友，只不过我不会翻白眼—因为我没有眼球，只有无限的无奈。 言辞很犀利。

AI素养，或者说AI驾驭能力，很难仅仅通过学习的方式来获得。太需要实践了，而且理论性的东西过时太快。 例如提示词工程，如今已经要让位于上下文工程。但是如果之前缺乏提示词优化的实践经验，理解上下文工程的一些基本概念都会比较困难。

测试了OpenAI新发布的o3-mini，其编程能力之强真的是可以用“恐怖”来形容。不多说了，看视频吧。 prompt：生成一个swiftUI视图，其中包括一个组件，组件实现了一个圆球在一个超立方体中弹跳。 如果是用js、python来做还没有那么吓人。

实际应用中，发现AI的大多数初期使用者，真的是一个模型用到地老天荒，而且是默认第一个是什么就一直是它了。 逐步掌握利用不同的模型在一个（或者多个）上下文中协同工作，是利用AI完成复杂任务的良好开始，这个往往比写出高质量的提示词更重要。 比如，初期的思路整理阶段，使用4o mini、claude 3.5、gemini lite就足够了，在时间和成本方面特别友好。当需要深入的时候，不妨将工作拆解成几个子任务，分别使用不同的模型加以处理，比如生成图片部分，完全就可以只使用mini类来加载，基本不会影响出图效果。对于较为复杂的任务，比如需要严格事实验证的、带有算法的编码，就可以考虑使用o1 pro、geimini 2.5、claude 3.7这一类推理模型。 如果需要编写较为复杂的文档，可以试试以下步骤： 1. 如果对主题要求很高，可以一上来就用o1 pro这类高级推理模型协助拟定备选主题，比如中心思想、写作风格、段落划分等。 2. 用4o等模型为文章提炼大纲，如果需要模型生成较长篇幅的文章，细化大纲是一个很有用的手段，可以逐级细化，实际中基本上大纲越细，可以产生的篇幅越长。 3. 继续使用中级模型生成正文，写作类内容，推理模型似乎没有明显的优势，4.5、4o、sonnet3.5、gemini 2足够了。 4. 文笔类的润色，可以考虑mini类的模型，速度很快，在已有原文的基础上，mini类模型也可以准确定位需要修改的内容。 5. 最后可以让模型将文章转化为特定的格式，比如html，原始格式不是很友好。现在有了强大的生图能力，也可以考虑直接转化为图片。 可以试试每一步都用最简洁的提示词，哪怕先写一个复杂的，在花点儿时间精简提示词。要点明确又富有弹性的提示词，不仅可以节省时间，也可以在最低消耗的情况下获取直接的反馈。 如果有一天，真的要2万美金一个月才能使用某些模型的时候，善于利用不同模型，编写高效简洁的提示词，真的就是必备技能。

GPT 4.5 prompt：请模仿苏轼的千里共婵娟写一首词，用于怀念学生时光 《水调歌头·怀昔同窗月》 明月又如水，风起旧书堂。 闲阶桂影犹在，依约旧时光。 且忆当年同坐，笑语青春飞过，窗外柳丝长。 多少少年意，尽付酒杯凉。 琴声远，书墨淡，鬓初霜。 人生行路匆促，转瞬各参商。 今夜天涯回首，千里与谁同醉，往事最难忘。 惟愿人如旧，共此月苍茫。 试了各个其他模型，差距之大无法言说。

使用4o Image从概念开始到完成一个应用的设计。虽然细节还需要很多打磨，但确实可以直接上生产环境。 概念设计和基本需求：信息图、概念图、思维导图

苹果的自制剧《基地》（Foundation）发布了第三季。该剧根据阿利莫夫的同名系列少说改编。 前两季虽不算精彩，但对于小说所涉及的众多主题的演绎倒是充满戏剧张力，至少面对那些大段大段的对白，在缺少大场面的情况下也还能看得下去。 这一次就不行了，第一集足足瞌睡了一多半。那些对白如今完全看不下去。 剧中的银河帝国战胜机器人都已经是几千年前的事情了，为什么其中人物的观点还不如我手边的智能未成熟体LLMs说得精彩。 睡醒了继续看，就更看不去下了，总要忍不住暂停下来，去跟LLMs聊两句。然后越发觉得听台词很乏味。 这个状态是不是不对啊？！

如何不辜负200刀的订阅费？比如要解读一个开源项目 1. 用Deep Research围绕该项目做一个深度分析报告，关键是要让它给出项目重点和研究方向。 2. 用o3 mini， 按照DR提供的建议联网逐项拆解，获取整体性的更具体的认知。 3. 使用o1 pro，针对第二步中需要进一步深度理解的内容进行更深入的分析。 4. 如果需要泛化主题，可以重新拟定议题交由DR开始下一轮循环。 5. 将上述内容装入一个project中，开启几个tasks，相关的实时数据也可以收拢起来了。 真的，夸张点儿说，只要是自己擅长的领域，随便什么项目，用这个方法只需研究半天，至少出去吹牛那看起来就像是已经进组3年以上的老师傅。

目睹了几位大一的cs学生是如何从高中阶段开始使用AI实现自我成长的。 首先，他们对于LLM基础理论知识学习得很快，到底是年轻心无旁骛，那些枯燥的数学原理没有给他们带来多少困扰。 其次，他们在使用AI的时候完全没有路径依赖，起初显得很莽撞，但是掌握新模式很快。比如零输入代码开发。一旦模型达到了一定水准，比如Opus 4.1、GPT 5，他们的产出水平都出现质的飞跃。 在具体应用方面，其在学习和借鉴的基础上实现一定创新的周期被大幅缩短，这个在没有AI的时代是绝对不可能的。因为不会有任何组织和个人会像AI一样，为他们提供不计代价的试错机会。 当他们开始从自己的创造性工作中获得积极的正反馈，热情和创造力就被激活了，那是年轻人才有的力量。而且他们真的不考虑什么叫失败。 反倒是这几年身边一群非常资深的技术专家，或者大厂的p8、9、10。要么苦于精力有限，无法从基础理论上掌握AI，要么囿于现实环境，瞻前顾后缺乏实战体验。更不乏由于缺少前沿模型的接触机会，对AI心存疑虑。 如果AI不止于工具，实在是看不出这样原生于AI时代，毫无疑虑拥抱AI的年轻人，还需要什么特别的成长路线。

认识的人中，真正把AI当作一项技能来认真学习的少之又少，无论行业，年龄越大越是如此。未来就业之路，确实不容乐观。

再来一个更有挑战的，o3-mini-high: 在swiftUI中生成一个组件，一个七边形，每一边颜色不同，每一边代表一个具有弹性的皮筋。这个七边形在不停旋转，为内部提供能量。在内部有一个乒乓球，它会因为七边形的旋转和皮筋的弹性而弹跳。要有真实世界效果，比如落点越高，皮筋弹性越大等。并且如果皮筋受力越大，其颜色会变得更深，直到恢复到原基色。

AI可能为人类社会带来的最大改变之一就是男女平权。相比于人类与AI的差距，两性在智力和体力上的差异过于微不足道，完全可以被忽略不计。

如果“绝大多数人不能理解AI”这种情况一直持续下去的话，AI行业的寒冬还真是有可能到来。毕竟无论如何，那10%的人都不可能用AI去替代这90%的同类。 接触的绝大多数企业主对AI的兴趣点主要集中在如何替代人工，很少有人会去特别关注如何让AI充分融入现有的组织。且不说这种直接替代人工的方式很难真的让AI大范围走进企业，换一个角度，一个多数职能都可以被AI替代的企业，它们的商业模式可复制性是如此之强，企业文化也基本荡然无存，这样的企业还能在市场立足么？

coding已经不是检验当前模型能力的好参照，在这方面，前沿几家各有所长，仅靠单模型的聊天对话，能写的代码终究只是个摆设。软件工程？那就还是一个比较长远的话题。 Agent模式下，模型的稳定性和一致性是其能力的关键考量之一，毕竟这决定了它们是否可以真的被广泛应用于各种行业的生产环境。 系统提示词遵循、多类别工具使用、复杂场景下非强制规则的唤醒、工作流执行的自主性等等，这些不易考察但是至关重要的能力，会是长期角逐中保持领先的关键。

把AI做为技能主要是与作为工具相区别，前者会让AI更充分的融入自己的职业生涯。 比如我也会使用水管工和电工的各种工具修理自家的设备，但是显然我不能算是具备二者的职业技能。 AI远比这些都复杂得多，除非自己亲身实践不断积累，才有可能不仅限于停留在把它们做为工具使用的阶段。

模型越强大，prompt越重要，特别是多agent、多模态等使用场景下，prompt的质量对结果的影响或许具有乘数效应。 观察各个原厂自己的prompt就不难发现，真的是越写越长越写越复杂。但是有一点儿并没有变，就是接近自然语言的表达形式更多了，结构化的内容在相应减少。

看目前的趋势，LLM编程工具似乎不可避免的要走向产品管理和项目管理，然后掉到这两个深坑中不可自拔。相比于“言出法随”、“所见即所得”的清爽的AI编程，产品和项目管理的世界就是充满了混沌甚至黑暗。与成本、进度、沟通三大关比起来，写程序真的是过于单纯了。

Deep Agent，看了原出处，似乎是通过信息压缩来精简上下文。压缩不是一个好办法，这意味着压缩算法本身要比AI更懂上下文。