不仅仅是线下的分享， 社交平台上的用户也更喜欢听故事。 如果更专业的方法论、干货， 你需要先收钱开课，这样才会有人愿意听。

你们有去酒吧写代码的吗， 或者酒吧 vibe coding 的吗， 我觉得酒吧里氛围非常适合写代码。

我从 tw93 那里学到的两个很有用的经验： 1. 找到用户真正的需求。 mole 清理磁盘、卸载流氓软件这样的需求一直都存在，而且用户基数很大。 2. build in public 推广的技巧。 不是吹自己的产品多好，而是在X上发帖告诉用户，我很努力的开发这个产品，我测试了900+个软件的卸载，我为这个产品做了足够多的工作，我用 opus5.5 解决了足大的问题， 我的token 已经耗尽了。

程序员不是找不到工作，只是再也很难找到像过去那样体面又高薪的的工作了。 时代变了，你的 coding 绝技在AI面前变得廉价。 这个观点其实很朴素，只是我们很难接受这个现实。 接受现实是一件好事，尽快放下包袱，去寻找市场上更值钱的东西。 我认为当下最有价值的能力，不是单项技能练到顶的那种，而是把多项能力综合运用的人。 比如你可以同时搞定市场研究、需求调研、用户访谈、产品UI/UX设计、编码和测试、产品增长和社区运营。 也就是说， AI 更强大之后，需要你具备更强的综合能力，毫无疑问，AI 时代对人的能力要求更苛刻了。

发个预告，我之前用 Codex 做的一个风格化的梵高场景生成器，目前已经有阶段性的进展啦~ 这是一个业余时间 vibe 的项目，断断续续改了一个月，起初我只是想把曾经做过的 Blender 几何节点和油画材质搬进浏览器给大家玩。 随着越拖越久，模型能力也变得越来越强，这个项目也越做越完整了。目前材质我还不是很满意，打算放假再爆改一轮，等做好了给大家玩玩~ ▶ 主力模型： GPT-Astra High 我的最终目标是希望整个场景每个元素都可以参数化生成，大家可以像搭积木一样搭建自己的油画场景。 在实践过程中我发现正确思路不是让 Astra 直接转译我以前的工作流和节点（因为很多已经过时），而是先让 Astra 调研现成的 Three.js 开源项目，再做举一反三。 然后新世界就打开了，Three.js 现成的开源环境生成器实在太多太多了，每一个的性能都优化得极好，结合风格化的材质可以做很多很好玩的变体。 等项目发布了，好好写一篇分享。 #threejs

老婆说我还是少年思维， 非黑即白， 不爽的事也不懂的灰度处理， 总是义愤填膺，但我感觉她在夸我。 但是她讲话的艺术水平就是堪比体制内的小领导。

X 是一个世界级的平台，我们可以跟这个世界最有名气的人交流，看他们实实的发表的内容。 想一想你能跟《反脆弱》的作者纳西姆塔勒布这样的人直接在X上交流， 你也可以直接刷纳瓦尔的X 的线程， 你也可看到 Karpathy 大神发表的关于AI的最新见解， 你也可以看到创业教父保罗格雷厄姆的发表的高见.. 这才是这个平台最伟大之处

处理和长辈观念冲突这件事， 我的原则是在谁的家里就听谁的， 平时很少呆在父母的家里， 偶尔回来几次， 从不跟长辈争执， 听着就行，如果是我自己的家里，那就得听我们的。 就这么简单。 所以像我妈这种中医爱好者，只要不是安全问题，我都是睁一只眼闭一只眼。

帮转

目前和家人最大的冲突就是观念上的。 我从冰箱里拿出的鲜牛奶，我儿子可以直接喝，我也是直接喝，一点问题没有。 回到家里这样做就不行，我被家人强烈谴责和训斥了。

商业/科技类 顶尖英语播客 适合大学生/高中生/成年人 ETL是斯坦福商学院的播客 邀请各路企业家和投资人分享实战经验教训

我的评论区总是会到看的一种论调，现在有AI了， 一切都被改变了， 一切都跟以前不一样了。 我觉得AI/LLM 现在情况是越来越多的人开始狂欢，认为AI/LLM无所不能了。 我在去年也是这个阶段， 我我的体感要早于目前X上大多数AI痴迷的用户。 这里放一句预言， 明年的这个时候， AI/LLM 的热度会退下来， 越来越多的人会对AI/LLM 去魅 ，越来越多的人仍然会重视那些更有经验的程序员们。 其实现在从一些招聘程序员的岗位上就能看出来，有丰富经验的程序员，完全不缺工作，只要他们愿意，随时都可以回去上班。 但是也要说明一个情况，过去那种高薪的程序员工作也成为过去时了，接下来可能只有那些从事比较复杂的、站在塔尖上的开发者或研究员才有机会拿到超额的薪酬。 其实现在创投圈、资深技术圈已经开始冷静下来， AI/LLM 存在泡沫也已经是很多圈子里面的共识。 AI/LLM 能力的增长和用户对AI/LLM 的期待也达到了顶峰。 我个人目前对AI/LLM 所采取的态度也是回归理性，重视个人的能力提升。 只要你想做一个优秀的产品，而不是生成的垃圾， 都需要人/工程师付出足够的努力， AI/LLM 虽然改变程序员的工作方式，但是并未真正改变实质， 真正有价值的工作仍然离不开人的参与。

顺便和大家同步一下最近的开发计划，CC Switch 准备推出一个剥离了网关、云同步等高级功能的 Lite 版，在这个大家都在做本地网关项目的时候，可能显得有点异类，但是根据用户反馈来看，大部分用户只是用来切换配置、查看用量余量，而且大部分开源模型也已经推出原生 Response 格式，不再需要格式转换。因此 Lite 版可以把重心放在更好的易用性打磨上，标准版则可以推出一些更高自由度的功能（比如插件系统），借此机会也可以彻底清理一些历史遗留问题，比如被诟病已久的配置文件全量替换。

真不算什么爆论， 吴军最近在和刘润的对谈中说，很多人写的代码根本就是不合格的程序员， 老板们宁愿找bot 去写，也不愿意找这些人去coding ， 他们被称为 「if...else」工程师。

AI 视频如何从几秒钟延长到十分钟，还能记住同一个角色？ 让 AI 生成一个漂亮镜头，已经不难。难的是下一个镜头：人物换了衣服，桌上的道具变了，镜头回到原来的房间，连布局都不一样了。 Google Research 在《自动生成连贯的长篇视频》中介绍了四项互补研究，尝试解决这些问题。它们的共同思路是：在视频生成模型之外，增加创作统筹、视觉记忆和质量反馈，让系统能够持续管理一个故事。 可以把它理解为，给 AI 视频制作配上一支分工明确的团队。 Co-Director 负责统一创作方向。 它先选择视频的表达策略、叙事结构和视觉风格，再协调故事板、关键帧、视频与音频的生成。成片还会交给多模态模型评审，评价结果用于调整下一轮创作方案，减少各环节各做各的情况。 CANVAS 负责记住画面设定。 它保存角色、场景和道具的视觉参照及状态。镜头再次回到博物馆时，系统能够找回此前的展厅和文物形象。文章展示的对比中，其他方法出现了帽子消失、展品改变等问题，CANVAS 则改善了这些跨镜头的不一致。 A²RD 负责把故事继续拍下去。 它逐段生成视频，每一段都检索已有记忆，再将新内容更新进去。需要推进剧情时，系统向后发展新情节；需要让旧角色或场景重新出现时，则参考之前的设定。文章展示了一部十分钟影片，用来说明这种方法在较长时间跨度上的表现。 VQQA 负责发现并纠正问题。 它针对提示词提出视觉问题，检查视频是否符合要求。例如，模型把“长方体气球”生成成了硬箱子，系统就根据反馈改写提示词、重新生成。它还会把所有候选结果与最初的要求比较，避免最后一次修改反而破坏了原本正确的内容。 这些研究已经取得了可量化的改善。例如，Co-Director 在文章提出的广告生成基准上，将总体质量评分从 68.5 提升到 81.4。不过，这些结果还不能等同于“输入一句话，就能稳定生成一部好电影”。 文章没有充分披露十分钟成片的生成费用、耗时、重试次数和成功率。反复生成与评审也意味着额外开销。系统依然受到基础模型能力的限制，而视觉上保持一致，也不代表故事一定精彩、因果一定合理。 对于视频创作者，这项研究提供了一个实用的观察角度：评估 AI 视频工具时，除了看单个镜头有多逼真，还要看它能否保存角色与场景设定、找回此前状态，以及根据具体问题进行修正。这些能力，决定了漂亮的片段能否真正组成一个可用的故事。 原文：Google Research — Automating coherent long-form video generation research.google/blog/coheren…