低质量内容和低质量代码肉眼可见的速度堆积起来了。

Introducing GLM-4.7-Flash: Your local coding and agentic assistant. Setting a new standard for the 30B class, GLM-4.7-Flash balances high performance with efficiency, making it the perfect lightweight deployment option. Beyond coding, it is also recommended for creative writing,

不知道为啥网络搜索权限默认 Codex 是没有开启的，明明这个功能已经 stable 了（运行 codex features list 可以看到）。但只要 ~/.codex/config.toml 的 [features] 里写一行“web_search_request = true”就可以了。这样下次遇到难解的问题时就可以和它说：上网搜一下。

coding 生产力爆发后，写代码本身已经不稀缺，稀缺的是判断方向是否正确。 开源把方向、假设和边界暴露给外部，用真实使用和 fork 提前揭示错误，避免团队被内部自洽拖死。 当范式切换发生，开源体系往往已经试过新路，能快速跟进续��，这就是它在今天仍然关键的原因。

做agent本质还是调模型使用效果，整理了本电子书，包含近几年agent相关的经典论文，值得看看。 https://t.co/izGDiGFEHP

很明显能看到 skills 的爆发，一旦架构理念被设计清楚，一群工蜂在极短时间内把东西堆出来。 在这种情况下，效率本身被系统性放大。 所以继续讨论效率提升，意义已经非常有限。 真正拉开差距的，变成了最早那一步，对人真实需求和长期愿望的捕捉。

大量用ai，并且人的能力不变弱，其实很简单。 就一条， 不要让ai生成的内容或者代码直接作为你的最终交付物。 代码要看过测过。 文字要至少改一遍。 图片要对比好坏。

出现两次以上的操作就用代码或脚本复用，让精力集中在判断和方向选择上。 本质上是在把人当作调度器，把记忆和重复劳动交给外部系统。

人类的注意力窗口和稳定判断力都很有限，长时间在脑中维护上下文会快速退化决策质量。 有效的方式是外化认知，先明确目标与约束，再把任务拆解写下来，让执行阶段只关注当前一步。 过程中把暂时无关的信息放进文件，需要时再查，避免反复记忆。

https://t.co/xTMIedryeE here is the blog

ui的本质是效率，命令行和chatbot是目前互动效率最高的界面，chatbot是因为有RLHF。 在进一步思考RLHF真的有必要吗，价值观决定行动轨迹，不模仿人类是不是也能解决问题。

都是做实业

现在的llm更像电力，而做agent更像新时代的电器，图片视频就是新时代的电视机

有什么预期ai能做到但是确实做不好的事情吗

工具和模型在���速更替，很多程序员的讨论却仍停留在好不好用、能不能白嫖，真正决定差距的早已变成用它解决了什么问题。

Preview release from my new lab at UCSD 🎁 🔗 Blog: https://t.co/fRk3QKsmn2 💻 Code: https://t.co/j3n6wX5dcg 🤗 Models: https://t.co/nNdFiVZyIF 🙏 Paper and more draft models coming soon. Great work by my PhD student @jianchen1799!

这也是为什么真正高效的人，看起来总是很“偏心”。他们并不是偷懒，而是顺着分型结构，把注意力一次次压缩到最有力量的地方。

系统里只要存在差异，而且差异会被不断放大，结果就一定是层层集中的。 理解到这一层，28 定律的用法就会完全变掉。它不只是帮你选方向，而是告诉你怎么一路往下钻。你不是找到重点就停，而是每到一层都继续问一句，真正重要的到底是哪一小块。

很多人之所以没意识到这一点，是因为他们把 28 定律当成了一次性的筛选工具。找完一次重点，就以为已经结束了。但分型的意思是，这个筛选过程本身可以无限重复。 维尔弗雷多·帕累托 当年只是从宏观上看到财富的集中分布，后来人们��发现，这种分布在局部也成立。

意思很简单。你找到那 20% 关键部分之后，如果继续往里看，情况不会变得均匀。相反，在这 20% 里面，仍然只有更少的一部分在真正起决定作用。你再往下拆，结构依然重复。无论你看的是公司、产品、功能、代码、时间投入，放大看是 28，缩小看还是 28。