为什么 AI 时代还需要继续用 Anki
跟 ChatGPT 聊完，我会有种「这下懂了」的爽感 两周后再被问到同一个细节 脑子里经常只剩浆糊 模型讲得挺清楚 是我会忘 我现在的用法就一句 **AI 负责学得快** **Anki 负责忘得慢** 下载：[Anki](https://apps.ankiweb.net/) --- 我现在学东西，大量靠大模型 追问、举反例、当场考我 启动成本几乎为零 当场理解变强了 过一阵还是会忘 当场 quiz
想试本地大模型，别一上来乱下 70B。
我的起步顺序： 1. 先上 Qwen3.6 27B——手感/速度平衡 2. 觉得慢，再试 Qwen3.6 35B-A3B（MoE 路线更省） 3. 显存紧：Qwen3.5 9B 先把「能稳定跑、愿意天天用」做出来，再卷更大模型。本地玩的是工程，不是榜单。
百度网盘 - 闲鱼 MCP 一键发布，让你有价值的资料变成持续赚钱的机器
你网盘里是不是也躺着几十个 G 的资料？真正卡住你上架闲鱼的，往往不是「有没有货」，而是那套重复劳动：翻文件夹找素材、下载到本地、开闲鱼网页填标题图价格、点发布——每一件新货都要重来一遍。 这套重复劳动，够格交给 Agent 做，你只需要最后点头确认。 今天讲的就是这条链路：**百度网盘 + 闲鱼 + Agent（MCP）**。 把网盘接成工具，把闲鱼接成工具，再串成「找资料 → 写介绍 → 打草
学大模型最缺的不是理论，是能跟着敲代码的教程——尤其还得是中文的。
dive-into-llms 刚好补上这个空：上海交大张倬胜团队出的 11 章实战课，每章配讲义 PDF 加可执行 Notebook，从微调、提示工程讲到 RLHF、多模态、GUI agent，连越狱攻击和 agent 安全这种进阶内容都覆盖了。 GitHub 44.9K star，今天单日涨 654，说明真有人在用。 全中文，边学边改代码，不需要去看大量英文论文。
想同时给大陆直连、海外也能打开的项目站，别再死磕 Vercel / github.io 了。
我试下来最省事的是 Cloudflare Pages：域名长这样 xxxx.pages.dev。 节点常在香港，大陆直连多半能上；海外也稳。免费，还能绑 GitHub 自动部署。 Vercel、Railway、OnRender、GitHub Pages、腾讯 EdgeOne、自己买域名建站我都试过。 要「两边都能连 + 省钱 + 上手快」，还是 CF Pages。 不是最炫，是最省心。 懒人玩法：
很多人以为美国 AI 核心只在 OpenAI 和 Anthropic。
我更看 Google。文本模型吃文字 token；世界大模型更吃视觉 token——数据量另一个量级，也更贴物理。 文本能服务的场景小于视觉理解；外挂多模态常常不划算。路线对了，榜会重排。
用 ChatGPT Sites 搭一个带登录的私有文件 Host
上一篇写了 ChatGPT Sites 怎么快速发一个网站（[链接](https://x.com/iluciddreaming/status/2078313581851083183)）。 这篇讲一个更偏工程向的玩法：**用 Sites 搭一个带登录的私有文件 Host**——可以上传、下载、浏览文件，也能用脚本把本地目录同步到站点。重点不是空间有多大，而是 Sites 把 **Workers +
玩 Multi-Agent 大半年，我仍坚持：
LLM 可替换；Architecture 可替换；Harness 可替换；IDE / Skill / Knowledge 都可替换。 值得长期养的，是 Identity / Memory——你是谁、做过什么、偏好什么。 工程上也一样：记得住上下文，才谈得上持续协作。
Code review 最烦的，常常不是模型不会写。
是你只改一个 function，它仍把半个 monorepo 重读一遍——token 烧掉，判断还飘。 code-review-graph 先把函数、class、import、调用建成图，再摘出 blast radius。 README 例子：大 monorepo 可少读 2.7 万+ 文件，只留约 15 个必要文件；2900 文件增量重建可在约 2 秒内。 接在 agent 前面，省的是上下文噪
LangWatch：给 LLM 应用加一层眼睛。
开源，主要做两件事：分析你的 LLM 使用情况，帮你优化 prompt。对做 AI 产品的人来说，这类工具基本上是必备的——没有它，出了问题不知道从哪查起。 3.4k Star，还在更新。
北京一家饺子馆有自己的 Skill：金谷园饺子馆.Skill
能排队、取号、看进度。 线下去吃完，还能凭桌号在前台领 Token。 营销很聪明。更值得想的是：Skill 很可能蚕食小型 App / 小程序的入口——大模型 Agent 会变成新的流量前台。
Google 的 skills 项目：让 AI 机器人拥有「手脑协调、在物理世界干活」的底层技能库。
以居大模型只会写代码写文章，你叫它去厨房「把杯子拿过来」，它就彻底瞎了。 现在大模型只要下达 Skills.Pick(cup)，底层框架自动计算运动轨迹，让机械手臂就像真人一样平滑地把杯子拿起来。
语音助理的四层架构：VAD → 语音识别 → LLM → 语音合成，这四层常常来自不同服务商。想换掉其中一家，往往得整组管线重写。
Hugging Face 开源了 speech-to-speech，把这四层模块化，让你像换零件一样替换其中一段。 • VAD、STT、LLM、TTS 各自都能替换，不绑死单一供应商 • 可以直接把 OpenAI Realtime API 换成本地版本，不用重写整套逻辑 • 所有模型都能在本地跑，语音数据不必离开自己的机器
微软为什么几乎没有参与基础大模型竞赛？
谷歌有 Gemini，Meta 有 Llama，字节有豆包，阿里有通义千问。 微软与其他巨头不同，它早就没有主人了。Satya Nadella 只是个打工的。 Carl Icahn 说过，美国 CEO 的选拔机制往往是「反达尔文」的——老好人缘好、不做争议性决策、安全听话。Ballmer 敢打大赌，Nadella 选择了最稳妥的路：投资 OpenAI。 从 Windows Phone、收购诺基亚，
Meta 正式推出 Muse Spark 1.1，重点不是聊天，而是 agentic workflow、电脑操作、工具使用、写代码。
根据 Alexandr Wang 的说法，Spark 1.1 在多个 agentic 评测中已可与 GPT-5.5、Claude Opus 4.8 放在同一级别比较。 Spark 1.1 在 MCP Atlas、Finance Agent v2 等领先；但 SWE-Bench Pro、DeepSWE 等纯编码项目 Opus 4.8 或 GPT-5.5 仍领先。更准确的说法：Meta 终于有了一个可
GPT-5.6 Sol 现在跑在 Cerebras 的「一整片晶圆当一颗芯片」硬件上。
速度：每秒 750 token。 普通 GPU：每秒 40–12 0。 差距：10 倍。 4000 token 的输出，GPU 要等一分钟，Cerebras 大约 6 秒。 对做 AI agent 的人最有感：实时语音、实时 coding 的可行边界往前移了。 你用的 agent ，最卡的是不是它慢慢吐字那段？
这看起来比 FreeLLMAPI 还厉害，准备部署试试。
OmniRoute — 免费 AI 网关，TypeScript 编写，单一本地端点（/v1）聚合 237 个 AI 提供商，其中 90+ 有免费额度。 核心是 4 层自动回退（订阅 → API Key → 便宜 → 免费），毫秒切换，17 种路由策略，再用 RTK + Caveman 堆栈压缩省掉 15–95% 的 token。 能自动在免费额度的提供商之间切换，不用自己一个个试了。
微信真正厉害的，不是它突然拥有了一个大模型，而是它本来就拥有一个巨大的上下文宇宙。聊天记录告诉它你最近在关心什么，群聊告诉它你所在的关系圈，支付和小程序记录告诉它你真正做过什么，内容和订阅告诉它你长期偏好什么。这样一来，AI 不只是回答问题
微信真正厉害的，不是它突然拥有了一个大模型，而是它本来就拥有一个巨大的上下文宇宙。聊天记录告诉它你最近在关心什么，群聊告诉它你所在的关系圈，支付和小程序记录告诉它你真正做过什么，内容和订阅告诉它你长期偏好什么。这样一来，AI 不只是回答问题，而是能判断你此刻最可能想做什么，甚至比你自己还快一步。 上下文是什么？上下文就是存储！存储就是上下文！
video-use — 把粗剪素材丢进去，一句话描述想要什么，直接出 final mp4。11.2K ⭐
browser-use 团队新作。诀窍是 LLM 不逐帧看视频（那要烧 4500 万 token），改读转写文本 + 少量截图，省钱又准。 · 自动剪掉「嗯」「啊」口头禅和空白 · 每段自动调色，剪辑点加淡入淡出 · 自动烧录字幕、生成动画叠层 · 渲染后自我检查，有问题自动重剪 粗剪丢给 coding agent，这个方向值得关注。
中国开发者用 1 折甚至 5% 的价格买到 Claude token，而且多半是真的 Claude。
价差背后叫「中转站」——一台架在海外的 proxy，用「合法地区」账号替你转发 request，你付人民币走支付宝。 这门生意叫「一鱼三吃」： 第一吃：套利。批量注册新账号刷 $5 免费额度、收别人用不完的额度转手、钻企业折扣、把 $200 订阅切给多人共用，最黑的是直接用盗刷信用卡开账号。 第二吃：换模型。你选 Opus，它悄悄换成 Sonnet 或 Qwen，标签改回来，你看不出来。德国 CI
做手机 GUI 自动化的很多，但大多数在长任务上会忘事。
快手出了 MemGUI-Agent，核心是主动上下文管理： 主动决定记什么、忘什么，不是被动等上下文溢出。 这才是长时域 Agent 真正难的地方。
OpenAI 发了第一款自研 AI 芯片 Jalapeño，主打 LLM 推理。
早期测试 performance per watt 优于 SOTA，这类说法关键不在口号，在对比环境和 workload。是不是自家吹的，得等 technical report 才知道。 九个月 tape-out 确实快。官方说是模型加速了芯片设计；我更倾向另一个解释：目标 workload 就是 LLM inference，设计空间收，Broadcom 扛了大部分工程活。 从模型到芯片到云，fu
想搭知识库？GitHub 上这几个开源工具分工很清晰：
FastGPT：基于 LLM 的知识库平台，工作流、问答、数据集管理完整，适合企业快速搭建。 LLM Wiki：桌面端文件整理成互联知识库，适合个人笔记和本地查阅。 llm-wiki-agent：扔资料让 AI 自动读、整理、维护，像会自己更新的 wiki。 OpenKB：轻量开源知识库，适合先跑最小可用版本。 不同需求选不同工具。 项目链接： FastGPT: https://github.co
薅羊毛机会。 DeepSeek V4 Flash 通过 OpenModel 限免，截止 6月28日：
薅羊毛机会。 DeepSeek V4 Flash 通过 OpenModel 限免，截止 6月28日： - 1M token 上下文 - 支持图像输入 + Agentic 任务 - 生成速度 100-127 tokens/s - 登录即得 API key 还有 6 天，去拿。
腾讯AI开发面试题看下来，有点意思。
他们最看重的不是大模型能写多漂亮的回答，而是： - 怎么解决Token限制和长期记忆问题 - 用什么架构让Agent可控（LangGraph、FSM、ReAct） - 工具怎么Skill化、复用 - 加上扎实的后端基础（设计模式、高可用） 一句话：现在大厂要的是既懂大模型特性，又能把系统真正跑起来的工程师。 只会调API的，越来越没竞争力了。
想自己动手造一个 LLM 吗？
EveryonesLLM 是一个在 Google Colab 上从零手搓 nanoGPT 的完整填空教程。 30+ 章节 + 大量练习 + 张量可视化地图，带你一步步理解 Transformer 的每一个组件。 还有预训练、指令微调和 Vision LLM 内容 + 在线 Demo。 中文支持，强烈推荐给想真正搞懂原理的人！
最近很多人吐槽 Claude（尤其是新版）变了：
- 啰嗦 - 过度拒绝 - 态度越来越差 - 在复杂 coding 任务里经常「摆烂」 这不是个例，是很多重度用户共同的感受。 可能的原因： 1. Safety 训练越做越重，模型越来越「政治正确」和保守。 2. 长上下文 + Agent 场景下，模型为了「负责」开始过度解释、过度警告。 3. 公司为了对齐某些价值观，把「不冒犯」优先级提得太高。 有趣的是，这和用户实际需求产生了冲突。 用户想要的
1️⃣ 智谱的 GLM-5.2 最近全量开放了。
很多开发者已经在实际项目里用了，尤其是搭配 Claude Code、Cursor 这类工具。 反馈两极分化，但总体比预期好。 2️⃣ 积极的一面： - 编码能力追得很近，有些场景接近 Claude Sonnet 级别 - 中文理解和长文本表现不错 - 价格和 token 额度对国内用户更友好 - 很多人在试「Claude Code + GLM」混合使用，降本增效 3️⃣ 需要注意的问题： - 复杂
1 三个便宜模型凑在一起「开了个会」，把贵一倍的顶级模型打平了。
Fable 5 被限制访问？没关系。 OpenRouter 刚公布的实测：用一半价格，表现几乎一样。 这不是理论。 Gemini 3 Flash + Kimi K2.6 + DeepSeek V4 Pro Fusion 的做法是让它们并行接同一道题，各自带工具跑完。 然后 judge 模型把所有回答摊开，抓共识、矛盾、盲点，最后合成最终答案。 这个平价三人组 fused 之后，成绩和 Claude
1 一家牙膏公司悄悄把整个市场调研产业给干掉了，却几乎没人在讨论。
高露洁（Colgate）发表了一篇论文：只要让大模型（LLM）扮演消费者，就能以90%的准确率预测真实购买意愿。 这也太离谱了吧。 研究人员想了个办法，叫做语义相似度评分（Semantic Similarity Rating，SSR）。 他们不再让AI直接打分，而是让它角色扮演。 之后把这些想法和真实消费者的反馈做语义相似度对比。 结果：90%准确率 传统的市场调研（焦点小组、问卷、数据分析）可能