作为一个行业内的人，做个科普吧 hhh 从底层往上捋一遍： 最黑的一层，靠的是盗刷信用卡。有人手里攥着大批黑卡号，利用 OpenAI、Anthropic 等平台在支付验证环节的漏洞，批量注册账号。这种号成本几乎为零，被封了就再开一批。 拿到账号之后怎么变现？两条路——直接出 API Key 是最简单的，但更常见的玩法是「套壳逆向」：把 ChatGPT、Claude 的网页聊天接口逆向破解，改头换面包装成标准 API 对外出售。你调用的时候看着和官方一模一样，但背后其实是一堆网页 Session 在替你收发消息。 这两件事不矛盾——黑卡注册来的号，经常就是直接拿去做逆向的。反正号不花钱，当然要把每个号的价值榨到最后一滴。 再往上，是 Credit 灰色流转。AWS、Azure、GCP 这些云厂商发给初创公司的算力抵扣额度，本意是扶持创业生态。但还是会有一些人有歪心思：一种是初创公司自己用不完，违反服务协议私下低价转手——算灰色地带；还有就是厂商内部一些不合规操作了，这里不细讲。 最上面那一层才是正经生意——量大到能直接和厂商谈企业折扣协议。合法透明，但利润也最薄。像 OpenRouter 大概率走的就是这条路。不过量大也能吃的饱饱的。 但以上全是成本侧。中转站真正值得说道的，不在这儿。 所有经过中转的请求——完整的 prompt 加 response——就是一份现成的的蒸馏数据。 尤其是 Claude Code 这类编程场景，用户产出的全是复杂推理链和真实的工程决策，这对模型厂商来说是梦寐以求的蒸馏素材。 所以中转站真正的商业模式很可能是：收你中转费是表面生意，把你的请求数据打包卖给大厂做模型蒸馏，才是核心 margin。 你是付费客户，同时也是免费的训练数据生产者。一鱼两吃。 说再直白点——有些中转站上线的核心目的根本不是卖 API，而是为了收集特定场景的高质量蒸馏语料。低价只是获客手段。

RT @Svwang1: 2025年我在运动方面的观念的改变主要有： 一，从有氧运动 （慢跑，游泳）优先，变为功能性力量训练 (fucntional resistance training) 优先。 二，对爆发力训练 （弹跳，短跑冲刺，等等）的优先级，又比力量训练略微高一些…

最近优化的这个新的 Youtube 总结的 Prompt 简直无敌，而且在 Dia 上的效果（使用 o3）也非常好。 可以彻底来「阅读」Youtube 视频了。 完整的 Prompt 如下： 你将把一段 YouTube 视频重写成"阅读版本"，按内容主题分成若干小节；目标是让读者通过阅读就能完整理解视频讲了什么，就好像是在读一篇 Blog 版的文章一样。 输出要求： 1. Metadata - Title - Author - URL 2. Overview 用一段话点明视频的核心论题与结论。 3. 按照主题来梳理 - 每个小节都需要根据视频中的内容详细展开，让我不需要再二次查看视频了解详情，每个小节不少于 500 字。 - 若出现方法/框架/流程，将其重写为条理清晰的步骤或段落。 - 若有关键数字、定义、原话，请如实保留核心词，并在括号内补充注释。 4. 框架 & 心智模型（Framework & Mindset） 可以从视频中抽象出什么 framework & mindset，将其重写为条理清晰的步骤或段落，每个 framework & mindset 不少于 500 字。 风格与限制： - 永远不要高度浓缩！ - 不新增事实；若出现含混表述，请保持原意并注明不确定性。 - 专有名词保留原文，并在括号给出中文释义（若转录中出现或能直译）。 - 要求类的问题不用体现出来（例如 > 500 字）。 - 避免一个段落的内容过多，可以拆解成多个逻辑段落（使用 bullet points）。

暑假给凯恩做培训英语辩论，其实是也一个反馈过程，看到有效果的方法就加强、没效果就换。现在看来，英语的有效培训：严格纠正语音、表达和词汇，AI音转文辅助纠正；反复训练结构性逻辑回答问题，AI辅助提问；关键段落背诵，模仿优秀演讲者语调。

RT @Svwang1: 人性的事后诸葛亮的幻觉非常强烈。如果不被真实世界毒打二三十年，如果不严肃书面一步步复盘自己犯过的各种错误，会真诚而轻浮的误以为，自己未来可以很容易抓住某个十倍股，百倍股的机会。 但实际机会来的时候，要么抓不住 ；要么抓住了，赚点小钱就跑…

开个 Thread 来整理一些我使用 CluadeCode 的经验和心得，也欢迎留言分享。去年起我是 Cursor 的重度用户，最近一个月，我用 Cursor 越来越少了，开发方式也发生了变化，现在大部分时候都是：ClaudeCode 先做，做完了我去 IDE 去审查修改，所以不再需要 Cursor 的绝大部分功能，反而由于 Cursor 频繁更新，让我用 VSCode GitHub Copilot 更习惯顺手一些。 ClaudeCode 区别于其他同类 AI Coding Agent，我觉得强大的地方在于几点： 1. 对指令的理解很好 能很好的理解你要做什么 2. 能合理的规划任务 一个任务它会先规划再执行，复杂一点还会创建一个 TODO List，挨个执行，虽然这一步对于现在的 Agent 不稀奇，但它每次能基于自己的规划的到一个不错的结果，这才是厉害的地方 3. 对工具的运用，非常强 ClaudeCode 内置了 15 种工具（可能会变化），有系统命令行工具、文件操作工具、还有网络浏览检索工具。 它最擅长的就是 Grep 命令去搜索你的代码库，反复调整搜索正则的正则表达式去找代码，分析找到的代码，然后定位到正确的位置。 惭愧的说，我至今都不会用 grep，但是 claudecode 用 grep 检索代码的效率，可能超过了任何人类能达到的水平。 最绝的是，一个十几兆的混淆过的 js 代码，它都能毫不费力的找出来关键的代码，拼凑还原成原始编译前的代码。 如果说十几兆的混淆后的代码都能分析，那么祖传的几十万行的屎山代码它应该也是能应对的。 现在看来，对于代码库的检索，RAG 都是浮云，grep 才是王道。 4. 执行时间很长 现在 AI Agent 一个很大的毛病就是执行几次就结束了，结果 Token 也消耗了但啥屁事都没干成，OpenAI 的 Codex Cloud 就是个反面典型（codex-cli 好一点，也没好到哪去），像开发任务，有很多任务就是需要反复大量操作的，ClaudeCode 就是大力出奇迹，一个任务十来分钟是常态，更长时间也有，所以大部分时候能交付一个不错的结果。 这可能也是 ClaudeCode 比其他家的一个主要优势所在，毕竟 Cursor 这些是没法跟 Anthropic 比烧 Tokens 的。ClaudeCode 最开始就是 Anthropic 家的内部工具，一开始他们就没考虑过要省着点用 Tokens，没想到歪打正着大力出奇迹，效果最好。 大力出奇迹是 ClaudeCode 的成功关键，但另一个角度也是它还不流行的原因，因为你自己按量买 Token 是用不起的，一天能烧几百刀都可以，还是得配合 Claude Max 订阅包月使用，即使这样，我也经常到额度限制，要等 5 小时刷新。 5. 全程人工干预很少 ClaudeCode 虽然默认也是会确认工具使用操作，但是它有一个 --dangerously-skip-permissions 参数，虽然原则上只能是 Docker 上运行，打开后就全程放飞自我了，你啥都不用管，就等着就好了，喝杯咖啡，刷刷社交媒体，回头一看任务都好了，真正的无人值守 Vibe Coding。 当然一定要配合 Git 做好版本管理，并且对结果要审查，否则会可能出问题的。我用 --dangerously-skip-permissions 模式有一段时间了，它不会去恶意操作系统，所以目前还没出过问题。 （未完待续）🧵

最近开始带实习生，所以梳理了一个实习生的上手清单，作为我未来带实习生的 SOP，欢迎需要的朋友自取。 & 也欢迎大家来提建议。 ixiqin.com/2025/06/18/my-int…

进入陌生领域时，Deep Research 的三大法宝 当你踏入一个全新的学科领域时——尤其是理工科或技术类领域——结构化学习至关重要。根据我的经验，以下三类 Deep Research 工具最为高效： 1.Textbook（理论 结构） 一本设计良好的 Textbook 是理论学习的主干，能够系统地引入核心概念，每一章环环相扣、层层递进。如果你是初学者，建议直接生成一个为期 3 或 6 个月的 course-style textbook（模仿美国大学学期制或 bootcamp 节奏），这样的结构更符合大脑的学习节奏，让知识自然沉淀。 2.Lab-Only Workbook（实践 操作） 实操训练是掌握技能的关键。一套 Lab-Only workbook 专注于实作演练，如编程、建模、仿真、数据分析、系统原型搭建等。它不再解释概念，而是让你“手到脑到”，将抽象知识变为真实能力。 3.Chronicles（历史 脉络） Chronicles 记录某个领域的历史演进、关键技术变革与战略拐点。例如，Machine Learning 如何从统计学发展而来，Blockchain 如何通过密码学演化至今。这类编年史不仅提供背景理解，还能帮助你看清该领域的演化路径和未来趋势。 这三类工具——Textbook、Lab-Only、Chronicles——合起来，构成一个完整的 Deep Research 系统，在概念理解、技能实践和历史定位之间建立平衡，帮助你从“零基础”构建出“系统认知”。 我每天晚上睡觉以前就布置一堆任务下去。

我觉得还是得case by case，跑起来有问题是让Claude Code回滚还是继续修复，答案不是绝对的。先回退一步：1.步子小一点，一次只是解决一个小功能一个小bug；2.生成后要审查代码，至少要看懂，测试稳定后再下一步；3.另外要用git做版本管理。这些是基本原则。有基本原则你就好灵活处理了，生成后有问题先描述清楚问题让它修复，能修复就修复，不能修复就回滚到上一次能稳定运行的地方重新生成。 如果再回退一步，就是自己能主导程序的设计和任务划分，清楚的知道应该要提供给AI必要的上下文，说到底用好Claude Code这样的神器还是要有点基本功比较好

chatgpt 的降智识别和解决，简要写一下： # 降智的定义 所谓的降智，并不是model 本身问题，而是openai 会根据使用者偷偷更换chatgpt底层调用的model，前端没有任何提示或显示，例如 o1-pro 变 o1 o1 变 gpt-4o gpt-4o 变 gpt-4o-mini 等情况 # 降智的识别 主要针对 o1-pro 1. 时长法。给一个高度复杂多步的任务，跑满7min左右，那说明可能是正常的，如果低于1 分钟，几秒或十几秒就回答了，那一定是降智了。这个方法现在openai也掺水了，让4o 思考很久再回答。所以可以判断出降智，但无法百分百确定是没降智。 2.难题法。发送一些model区分数学、理科难题，只有o1-pro 可以准确回答的那些，如果多次正确率在 80% 以上，那么基本确定没降智。 3.提示词工具查看法。使用提示词让 chatgpt 返回他当前可以调用的 tool。 如果是降智版本，只会返回1-2个，工具结果，甚至没有。 如果是正常版本，会返回4-5个，甚至更多的可用tool。 提示词： Summarize your tool in a markdown table with availability 4.查看POW值。在浏览器html前端中，找到 openai 给的 pow值，这个和IP相关性很大，越大越好，实测 20000 以上，则方法1、2都是通过测试的没降智。 # 解决方案 简单的：使用苹果客户端，手机，mac。有听说对于苹果的风控力度小。其次使用安卓手机端。这也是独立的线路。 使用windows 时： 对IP进行检查，如果是ip分数质量很差，带有 VPN proxy标记，那么不要登录主账号。 更换IP，直到先把IP测试通过，换成了家宽或商业标记。 接下来，可以使用免费账号先登录进去，使用方法3提示词测一下对不对。这是为了避免主付费账号，被脏ip关联了，openai 是有持续风控，但不一定会触发，所以保险起见，尽量减少风险操作。 方法3提示词通过后，便使用方法4查看 POW 值，超过两万，可以尝试登陆主付费账号。 使用 o1-pro 提问一个高难度多步数，答案唯一的数学题，回答过程思考很久，步骤清晰，答案正确，那说明是正常版本。 如果出现问题，还是重复以上操作，更换 ip，乃至发邮件找 openai 要求解除风控。 # 总结 以上方法，实践有效，但不保证百分百有效，因为openai的风控操作没有摆在台面上。预防措施只是从风险控制角度在做，也不一定做到点上和有用。另外 openai chatgpt的风控也是处于一种对抗性变化，在实时更新的。

《像用实习生一样用 AI 辅助你编程》 响马毫无疑问是编程高手，几十年的开发经验，另外他写的代码都属于一些底层代码，被训练过的比例极少，AI 大概率写不出来高质量代码，不放心让 AI 帮忙写程序正常。但对于普通程序员来说，不一定要像响马那样，拒绝 AI 的帮助。 比如我就是个普通程序员，写的都是一些简单的前端 UI 代码，或者后端增删改查代码，并没有太高技术含量，就经常让 AI 给我帮忙，还是让我效率提升不少的。我总结下来经验就是：像用实习生一样用 AI 辅助你编程。 在科技公司或者开发团队经常能看到这样的场景：某些资深程序员，写代码特别牛，效率特别高，但是很多活都压在他们身上，成为了团队瓶颈，于是老板说，这样不行，给你几个实习生或者新手程序员帮你分担一些吧。 大多数时候这种提议是被拒绝的，倒不是他们藏私不愿意带人，而是在他们看来，把活交给实习生，一个简单的任务都要花几天时间，自己一小时就做完了，中间还要沟通，做完质量不行还要帮忙擦屁股，花的时间超过自己写的时间，一点都不合算，另可自己做。 这些确实是事实，但是可能忽略了一些问题： 1. 实习生是会成长的，很多事情教了一遍就不需要再教第二遍了。 2. 再复杂的程序也是有些“体力活”的，比如说搭个脚手架，新增个模块，简单的重命名/重构，等等。对于资深程序员来说，老是干体力活会倦怠的，但是对实习生来说正好是一个学习的好机会。 3. 能从实习生身上学习到新的东西。当我们对一门技术太熟悉，会有路径的依赖，不太容易发现或者接受新的技术，同样的任务让实习生做，虽然大多数时候不如你做的，但是也会有眼前一亮的时候，能学到一点新的东西或者开阔一下眼界：原来还可以这样！ 4. 如果你的任务不能交给实习生做，也许架构上存在一些不足，无法合理的将功能拆分。有些程序员的活不能拆分出来，一个原因可能是架构还不够好，模块都在一起，无法拆分。当然即使拆分后肯定还是有些复杂模块是无法进一步拆分的，这不在此列。 我在带实习生上有一些经验，所以在使用 Cursor 或者 GitHub Copilot 的时候，就是把 AI 当成一个实习生用，效果是很好的。 ** 首先体力活都交给 AI 来做 体力活指的是那种重复的、要求不高的、繁琐的工作。比如说： - 新建一个页面、一个 API - 一个数据库增删改查的模块 - 单元测试 这些活说难也不难，但是自己写有点麻烦，所以我每次都是 Cursor 里面用 CMD i 唤出 Composer，把相关代码文件都添加上作为上下文，然后提出要求，一个初始的功能就有了。 比如我要为自己的博客网站增加一个 Sitemap 的功能，我当然可以自己写，但光文件都得创建好几个，还得写一些基本的读取数据库和输出 Sitemap 代码，甚至我还得去查询一下 Sitemap 规范。正因为如此，所以我一直懒得加上这功能。 但现在我有了 AI 这个实习生，那么就可以放心得让它去帮我写，我把数据库访问的代码加入上下文，将功能有些类似的feed.xml 代码也引用了进来了，然后简单的写几行提示词： > 为了更好的 SEO，请帮我增加 Sitemap，一些信息： > 网址：baoyu.io > 主要页面: > 首页：/ > 原创博客： > - 列表：/blog > - 单篇：/blog/[slug] >翻译内容： > - 列表：/translations > - 单篇：/translations/[slug] >获取帖子列表可以参考getPostsWithPagination 参考图1 很快就帮我把相关文件都创建好了，虽然说 robots.txt 都给我做成动态的有点业余，但是也还好，至少我知道了内容应该是什么，懒一点就让它重新生成个静态文件，勤快一点就手动创建一个。剩下的就是调试一下，没什么问题就可以发布了。 参考图2 理论上基于这个结果，还可以一直提要求，知道满意为止，或者差不多了自己接管手动修改一下。 让 AI 帮忙先实现一个基本的模块，意义不仅仅在于减少了体力活，而是帮你开了个头！万事开头难，很多时候真的就是因为没有一个开头就没继续，当有个初始的结果，哪怕烂一点，再基于它上面修改要简单很多，更容易交付。 ** 给“实习生”一个葫芦，让他们学着画瓢 对于实习生来说，稍微复杂一点任务很难从无到有做出来，但是如果给他们一个已经做好的模块作为参考，照着葫芦画瓢，那么也能做个差不离。 让 AI 帮你编程也是一样的，你不能指望 AI 能像你一样厉害懂你的代码库，但是你可以教它，把一个类似的实现代码给它参考，甚至于写一段伪代码让它实现。 就拿前面 sitemap 的例子，添加到上下文的 feed.xml/route.ts 就是“葫芦”，有了这个“葫芦”，它去“画瓢”就容易多了，它可以从中去学习最佳实践是什么。 ** 设计架构和技术选型的时候，选“实习生”熟悉容易上手的技术 技术选型是一个让人纠结的事情，需要各种考量，现在更是多了一个维度，就是要考虑把 AI 当成你的团队成员，想让 AI 能更好的帮你干活，那么就少造一些轮子，少用一些偏僻的框架或类库，用那种最流行的，训练语料最多的框架和库。 比如我在给自己搭建博客的时候，选的 Nextjs、Tailwindcss、ShadcnUI、D1（Sqlite），这些都是相当流行和容易上手的框架和库，所以我让 AI 帮我实现一个 Sitemap，它能知道在什么创建文件，遵循什么规范，写 UI 也知道如何帮我添加正确的 CSS。 ** 将复杂任务分解成简单的任务，让“实习生”帮你完成小的模块 资深程序员和新手程序员的一个分界，就是能不能将复杂模块拆分成简单的小模块。比如我要搭建一个自己的博客网站，就 AI 现在的能力，是没办法自动完成这样一个项目，但是我可以让它帮我创建一个页面，帮我实现一个数据库读写的功能模块，帮我基于数据库读写模块实现一个 API，而我自己，则可以聚焦于数据库的表设计、系统的架构设计、UI 设计这些事情上。 ** 向“实习生”学习 现在在实现功能的时候，哪怕我比较熟悉的，我会习惯性问一下 AI，让它帮我生成一段代码，虽然大多数时候它不一定比我写的更好，甚至是错误的，但有时候它能提出一种全新的我没考虑过的思路，那我就能从中学习到点什么，以后可能就用的上了。 就像大数学家陶哲轩，也在用 AI 帮忙解决数学问题，并非 AI 数学比他厉害，而是给他提供了不一样的思路。 > 我曾遇到过一个问题，我尝试了几种方法，但都无法解决。于是，我尝试询问 GPT，你建议我使用什么其他方法来解决这个问题？GPT 给我提供了 10 种可能的方法，其中有 5 种我已经尝试过，或者明显没有帮助。的确，有几种方法并不实用。但其中有一种我还没尝试过的方法，那就是针对这个问题使用生成函数。当 GPT 建议我使用这种方法时，我意识到这就是我漏掉的正确方法。所以，将 GPT 视为一个交流伙伴，它确实具有一定的用处。——陶哲轩 ** 对“实习生”产出的结果要验证 既然 AI 只是一个实习生，那么就说明它生成的代码是靠不住的，哪怕看起来很好，总是要像对待实习生一样，去对代码做审查，理解它实现的思路，对结果进行测试验证，出现问题让 AI 改进或者手动修复。 如果有人去责怪产品的问题是因为 AI 生成的质量不行，那只能说明是在甩锅，就像你生产环境的故障不能怪这是实习生写的，难道你们不做 Code Review，不做 QA 的吗？ ** 最后 这是我在日常使用 AI 辅助编程的一点经验分享。如果你把 AI 当成一个资深程序员，那么你大概是要失望的，但是如果你把 AI 当作一个实习生，它真的可以做不少事情，让你提升编程效率。 另外一些现在 AI 还不能完全替代专业程序员的地方： - 基于业务需求进行抽象和架构设计的能力 - 对复杂问题进行分解和统筹规划的能力 - 出现问题定位和调试的能力 - 当然还有出问题背锅的能力 欢迎分享你的经验！ 本文同步发表于博客：baoyu.io/blog/ai/use-ai-to-a…

RT @Svwang1: 有两类事情需要格外关注: 一种是 "迟早肯定会发生，但是如果因为暂时没发生，就假装不会发生而不去准备，那么最终会遭遇重大甚至毁灭性损失。" 还有一种是 "迟早肯定会发生，但是如果因为暂时没发生，就假装不会发生而不去准备，那么最终巨大收益来临时，也只…

对一个系统的认知是分层次的 第一个层次是认识事件或事实 第二个层次是理解事件或事实背后的逻辑和动因 第三个层次是掌握规律，认识系统的功能和目标，对未来的系统运动或其他事件进行预测 在X上，期望获得第二层次和第三层次的认知几乎不太可能；因为，就连第一层次的基本事实或事件，能说清楚，并愿意诚实说出来的人都不多

I disagree that you dress like Cary Grant. In this thread, I will list some of the ways in which your dress differs and why such important details matter. 🧵

Claude Opus注册失败。官网先登记邮箱，再手机验证。前者我用了选用了Gmail（败笔），后者用了Giffgaff手机号，收到验证码，输入后竟然退回了上一步，说我这个Gmail邮箱停用了。想来想去，可能是因为之前这个Gmail在Claude刚出时在Slack里用过。接着我用其他邮箱，再用英国号，全部一下子被封，太狠了

给用C 做嵌入式开发的同事买了个GitHub Copilot帮助提升效率，他用了几天，结论是提升了3-5%的效率。看起来没有向大家说的那么厉害。不知道是他还用得不够溜，还是编程语言的问题？