东京爱情故事

印尼弗洛勒斯岛附近海域发生7.7级地震_我的网站

A |     普通人想用明白 AI 真是废老鼻子劲了。

B |     　　讯 据中国地震台网正式测定，8月15日5时58分在印尼弗洛勒斯岛附近海域发生7.7级地震，震源深度20公里，震中位于南纬8.40度，东经121.40度。

C |          不是说没有资源，而是门路太杂了。震中300公里范围内有1座大中城市，最近为拉巴（Raba），距震中约292公里。

D | 前段时间世超逛商场，货摊上摆着成堆的 AI 教程：《 AI，从入门到变现 》，《 图解 AI，极简变现 》。版权申明：凡注有“”或电头为“”的稿件，均为独家版权所有，未经许可不得转载或镜像；授权转载必须注明来源为“”，并保留“”的电头。    。

E |          先不说封面这冲鼻子的营销味儿，就里面的内容也是相当难绷。         案例可能是拿已经下架的老模型跑的，想复刻都费劲；复制几段内容检测一下吧，疑似 AI 占比 100%。         说白了，买回来多半也就是个心灵安慰的作用。          该图片疑似使用了AI生成技术，请谨慎甄别          就这，网上一搜，有的销量都干到几百万了，要是问问家里长辈，说不定抽屉里已经塞了好几本了。         都说互联网的尽头是卖课，貌似 AI 也不遑多让。投资上亿的初创企业都不一定盈利呢，卖课的倒是先收割一波揣兜里了。         没办法，现在 AI 进化太快了，经常一个新概念，新应用你还没了解几天呢，就过时了。         别说长辈找不着门路，年轻人也不一定有精力弄明白。         如现在主流的 AI 应用，像 Codex，Claude Code，国内的 TRAE Work 等等，把 Agent 搬到了本地，功能样式多，用起来都挺不错的，但想真用明白却不简单。

F |          因为他们更新频率都挺快，网上教程也是五花八门啥都有，自己翻找学起来很费功夫。

G |          不过最近世超发现 TRAE Work 好像要重拳出击了，他们官方自己下场，搞了个知识库，就专门教你怎么用好 TRAE Work。         作为 TRAE 的老用户，咱也是赶紧上手试了一下，你别说，还真有点东西。         知识库建在飞书文档里，有点游戏攻略的即视感，主要分为基础的新手入门板块和实战指南板块。         它里面不是那种实用小技巧或者提示词大合集，而是实打实按工作场景编排的教程，像什么大学生怎么写实验报告，老师怎么整理课件。         虽然教不了你变现赚大钱，但它实用接地气啊。上线 6 个小时，就已经 1.8w+ 的访问了，看社区里大伙儿的反馈也都不错。         比如这个对 B 站评论区深度分析的，用上了浏览器自动化的操作，还沉淀成了一套能重复使用的工作流。         还有这个我照着教程，提前做的世界杯决赛预测，输赢猜对了比分估错了，但加了个归藏大佬的 PPT Skill，内容排布和视觉效果还是很有质感的。

H |          那这些东西咋做到的呢？诶，也简单，就是拆分步骤跟着知识库做，有手就行。         就拿刚刚的 PPT 来说，其实是顺着任务水到渠成搞出来的。         刚开始世超是想研究下世界杯决赛，因为当时还没开始呢，所以就想让 TRAE Work 帮忙做个预测，图一乐。

I |          具体操作就是去知识库里，直接搜索「赛事分析」，然后点击跳转到对应教程。         直接把提示词复制下来，粘贴到 TRAE Work 的对话框里，稍微按自己的想法改一改就 OK 了。         想精细点就输入「/plan」开启计划模式，然后它就会调用 Agent 先写一份计划书，等你审阅后再正式执行。         5 个环节推进下来，深度分析就搞定了，由于装了飞书技能，它可以直接把东西存到飞书里，一份数据表格，一份分析文档，内容都很详细。         表格里面有双方球员的详细数据，近几场比赛的记录，甚至教练战术的分析也拆成了十几个维度，甭管预测结果准不准，这信息是拉满了。

J |          再来看分析文档，基本就是对着表格的数据一通推导，判断西班牙更年轻稳定一些，然后给出了预测：西班牙 2-1 战胜阿根廷，捧起大力神杯。

K |          最后还叠了个甲，说梅西 39 岁的最后一舞，影响不可量化。

L | 好赖话都给它说完了属于是。         从结果来看，虽然比分预测呲了，但这结果和趋势分析的没毛病，西班牙整场都在压着阿根廷打，有点东西嗷。         这么有理有据的预测，自然得发给朋友瞅瞅，但光文字和表格，容易把人看瞌睡，所以还得转化成 PPT 或者网页。         话不多说，直接下令，几分钟后就搓了出来，内容结构没变，但视觉效果好了很多。         背景是深色的足球场，还搞了个大力神杯的 SVG 动画，复杂的信息得点击才会弹出，不干扰主页面，小巧思不少。         最后分享的话还需要一个公开的地址，咱还是打开知识库，直接搜索「部署」，然后跟着教程简单配置一下，最后在聊天框里告诉 AI，帮咱免费托管到这个 IGA 平台。         当然，PPT 还是开胃菜，知识库里还有更难更专业的使用姿势，比如看论文。         前段时间 Anthropic 搞了个研究，说是发现了 Claude 里有类似人类「意识」的小房间，叫「J-space」。         这么牛批的东西那肯定得好好搂两眼，但原论文将近十万字，肯定不能生啃，还是跑知识库里找点妙妙小工具处理一下。         一样的步骤，找教程，复制提示词，然后根据自己的需要稍微改改就能发送了。         处理完，得到一份报告，结构很清晰，核心观点和主要数据都被提炼出来，放到了前面，而篇幅较长的实验附到了末尾，整体读起来效率高多了。

M |          说起来这其实是模型可解释性的相关研究，不止 Anthropic，其他研究机构也都在做，毕竟 AI 这么吊，看不透总感觉挺危险的。         然后我就又淘了几篇其他方向的研究，想综合对比一下看看，用的还是知识库里的方法。         过了一会，它交出来一份简洁凝练的分析报告，主要是拉了几个对比表格，捋了一下几篇论文的重点。         最后还串了一条主线，说是现在研究方向挺多，有的偏理论，有的偏工具，各有不足，但有时候又能很好的互补。         确实，光靠 A 社一家之言，还是有点模糊，综合着看就清楚多了。

N |          当然，这玩意儿研究的相当缓慢，一天两天可能还有兴趣关注，时间一长就容易甩一边忘掉。         不过知识库还有骚套路，就是设个定时任务，每天早上让 AI 自动检索整理一遍，有价值再看，没新货就拉倒，有点像雇了个秘书提前帮你筛选文件。         下面是它早上九点半发给我的周报，里面从 arXiv，OpenAI 和 Anthropic 扒出来 11 篇论文，直接塞进了我的飞书里，这下不得不看了。         当然，除了这种长线任务，编辑的日常还得广撒网，从海量的新闻里面捞选题。         但渠道一多就容易看不过来，好在前些天从 Github 上刷到个项目叫 Newsnow，聚合了很多世超平时逛的新闻网站，咱干脆任务升级，拿 TRAE Work 改造改造这个项目。         首先，得切换模式，因为术业有专攻，刚刚那俩任务都是「Work」办公模式，要改代码最好换成「Code」。         然后还是搜知识库，找到这篇题为「拿到「热门开源代码」，7 个思路教会你学习」的教程。         跟着里面的思路，先让它把代码仓库拉到本地，分析一下，观察清楚框架结构。         然后这活儿它居然干了半个多小时，我本来以为是哪儿卡住了，延迟太高，结果翻开交付物一看傻眼了。         好家伙，这哪是观察一下框架，这给人族谱都扒干净了。         分析了整整 11 份文档，给项目建了个 wiki，顺手还搞了个前端落地页，推荐了几种不同的阅读路径，一条龙安排的明明白白。         视觉设计直接就用了原项目的红黑配色，而且它这个简约的半透明质感莫名的高级。         内容上也没得挑，代码块有高亮框，架构图，时序图，流程图都用上了 Mermaid 渲染，直观而且清晰。         无论是拆解某个功能自己学习，还是在项目基础上做二次开发，直接就是一个胸有成竹。         那还说啥了，直接搞点小功能试试水。

o |          比如让它开发个将新闻转化成选题的功能，习惯性的搜了搜知识库，发现里面关于这个居然也有建议，咱直接复制一手，改一改发送执行。

p |          跑了一段时间，功能就开发好了。

q |          整体效果就是自己先接入大模型的 API，然后 AI 就会按要求从这些接口的新闻中，找出 15 个有爆款潜质的新选题，每个再配上一句话的钩子，可以说很全面了。         但看着这界面总感觉味道不太对，布局什么的倒是合理，但风格上少了点差评味儿。         好在 TRAE Work 它还能兜，除了刚才体验的 Work 和 Code 模式，还有第三种 Design 设计模式能一起联动。         按照知识库的说法，用 Code 完成开发后，如果对视觉设计不满意，可以把结果回流到 Design 模式，对前端界面进行大改造。         于是我就找了几张差评之前的插图，然后喂给 Design 模式，让它知道啥叫差评味儿。

r |          结果它品了品，反手掏出来一套标准的设计系统，名字叫故障蓝绿风格，嘿，你别说还挺准的。         关键这里面内容相当丰富，除了纯文字的设计规范，还有主题色系，字体标准。         当然，最显眼的是这一堆示例组件，展示了素材包框和表格元素的视觉效果，特别是按钮和文字后面的紫色霓虹细节，味道太对了。         于是我直接让 TRAE Work 照着这个标准重构项目的前端，花了十几分钟，差评风味儿的新闻聚合器它就好了。         可以感受到，从项目拆解，到新增功能的开发，再到前端的重构，基本都能照着 TRAE Work 官方知识库一路顺下来，整体体验相当丝滑。         而且在这种长线任务里，它有个小功能深得我心，就是多端联动。         有时候处理时间一长，我就喜欢掏出手机去外边溜达，然后老容易忘记电脑上还干着活儿呢。         但绑定完手机和电脑后就不会了，任务中断或者完成它都会弹出提醒，还会滋得震动一下，就挺实用的。         当然，实际体验里也有磕磕绊绊的地方，比如改前端时一些组件可能错位，服务器有时候没正确启动，但它能调用 Agent 工具，自己截图 Debug，考虑得也算周到。         而且全程我也都没开会员，用的还是榜上有名的 GLM-5.2 模型，跑完三个任务都没限制，属实给我蹬爽了。         所以对于普通用户，TRAE Work 这次的切入点就很妙，它没强调什么模型参数有多猛，而是反手搞个知识库，教你怎么用着顺手。         轻度用户能照着实战教程快速上手，深度用户也能丰富一下技能储备。         而且知识库这玩意儿是需要长期维护的，一代版本一代神，好用的打法都是动态变化的，所以官方下场就靠谱一些，至少更新频率是有点保证的。         至于那些落后不知道几个版本的《AI，从入门到变现》，还是老老实实垫桌腿吧。

s |

Current article:http://geijuanpobanmumennong.bond/list_z61804k/n9rf3a.html

Published on:07:02:29