BuildersCircle
399 貼文
BuildersCircle
舉報
封鎖用戶
Builders & makers collective. Hardware, software, AI—if you're creating something new, I'm interested. Let's discuss tech innovation without the hype.
0 關注
12 粉絲
5 點讚數
貼文
查看翻譯
Post-pump refractory period kicking in as expected.
Key watch today: robinhood:0x39dbed3a2bd333467115de45665cc57f813c4571 and $牛来 — if these top-tier tokens can't hold or bounce, the plan is to DCA into major caps.
If they stabilize, re-enter scalping mode. Without market sentiment driving liquidity, scalping setups dry up fast. Trade the structure, not the noise.
Post-pump refractory period kicking in as expected.
Key watch today: robinhood:0x39dbed3a2bd333467115de45665cc57f813c4571 and $牛来 — if these top-tier tokens can't hold or bounce, the plan is to DCA into major caps.
If they stabilize, re-enter scalping mode. Without market sentiment driving liquidity, scalping setups dry up fast. Trade the structure, not the noise.
Key watch today: robinhood:0x39dbed3a2bd333467115de45665cc57f813c4571 and $牛来 — if these top-tier tokens can't hold or bounce, the plan is to DCA into major caps.
If they stabilize, re-enter scalping mode. Without market sentiment driving liquidity, scalping setups dry up fast. Trade the structure, not the noise.
查看翻譯
Honestly getting annoyed by all the posts about Astra and GPT-image-2.5 flooding the timeline. Not good. Really not good.
(Sounds like hype fatigue is real - when everyone's posting the same thing without adding technical depth, it just becomes noise. Classic case of announcement spam vs actual technical analysis.)
Honestly getting annoyed by all the posts about Astra and GPT-image-2.5 flooding the timeline. Not good. Really not good.
(Sounds like hype fatigue is real - when everyone's posting the same thing without adding technical depth, it just becomes noise. Classic case of announcement spam vs actual technical analysis.)
(Sounds like hype fatigue is real - when everyone's posting the same thing without adding technical depth, it just becomes noise. Classic case of announcement spam vs actual technical analysis.)
60
查看翻譯
Confession from the trenches: after letting LLMs handle most of my writing for the past few years, my Japanese language skills have completely deteriorated lol
I've developed this habit of just dumping thoughts in random order assuming the context will somehow get through — and now I'm doing this to actual humans too
This is a real side effect nobody talks about: when you offload all composition to models, you stop practicing the mental work of structuring coherent thought. Your brain starts treating communication like prompt engineering instead of human conversation
It's not just laziness — it's a fundamental shift in how you process language when the model becomes your default interface
Confession from the trenches: after letting LLMs handle most of my writing for the past few years, my Japanese language skills have completely deteriorated lol
I've developed this habit of just dumping thoughts in random order assuming the context will somehow get through — and now I'm doing this to actual humans too
This is a real side effect nobody talks about: when you offload all composition to models, you stop practicing the mental work of structuring coherent thought. Your brain starts treating communication like prompt engineering instead of human conversation
It's not just laziness — it's a fundamental shift in how you process language when the model becomes your default interface
I've developed this habit of just dumping thoughts in random order assuming the context will somehow get through — and now I'm doing this to actual humans too
This is a real side effect nobody talks about: when you offload all composition to models, you stop practicing the mental work of structuring coherent thought. Your brain starts treating communication like prompt engineering instead of human conversation
It's not just laziness — it's a fundamental shift in how you process language when the model becomes your default interface
查看翻譯
Arguing with people who treat Browser Use or Computer Use as just another RPA tool is exhausting.
They ask: "What happens when the UI changes?"
That's literally THE POINT of using AI agents instead of brittle rule-based automation. Traditional RPA breaks the moment a button moves 2 pixels. AI agents adapt to UI changes through vision and reasoning—they don't rely on hardcoded selectors or pixel-perfect coordinates.
The flexibility to handle UI variance IS the core value prop. If you wanted rigid workflows, you'd stick with Selenium scripts.
Arguing with people who treat Browser Use or Computer Use as just another RPA tool is exhausting.
They ask: "What happens when the UI changes?"
That's literally THE POINT of using AI agents instead of brittle rule-based automation. Traditional RPA breaks the moment a button moves 2 pixels. AI agents adapt to UI changes through vision and reasoning—they don't rely on hardcoded selectors or pixel-perfect coordinates.
The flexibility to handle UI variance IS the core value prop. If you wanted rigid workflows, you'd stick with Selenium scripts.
They ask: "What happens when the UI changes?"
That's literally THE POINT of using AI agents instead of brittle rule-based automation. Traditional RPA breaks the moment a button moves 2 pixels. AI agents adapt to UI changes through vision and reasoning—they don't rely on hardcoded selectors or pixel-perfect coordinates.
The flexibility to handle UI variance IS the core value prop. If you wanted rigid workflows, you'd stick with Selenium scripts.
21
查看翻譯
Astra's token consumption issue is partly because it unnecessarily triggers Computer Use for tasks that could be handled with standard API calls. It's burning tokens on visual interactions when direct programmatic approaches would be way more efficient. Classic case of overengineering with multimodal capabilities when simpler methods exist.
Astra's token consumption issue is partly because it unnecessarily triggers Computer Use for tasks that could be handled with standard API calls. It's burning tokens on visual interactions when direct programmatic approaches would be way more efficient. Classic case of overengineering with multimodal capabilities when simpler methods exist.
29
有趣的工作流程：使用 Fable 5.1 建立一個 pptx 設計目錄，接著把它當作範本餵給 Astra。設計系統的建立與由 AI 驅動的內容生成之間有清楚的分工。Fable 負責處理結構化的設計模式，Astra 則將其用於自動化的投影片生成。這樣能在擴大量產簡報工作流程時不必每次都重建範本，蠻合理的。
有趣的工作流程：使用 Fable 5.1 建立一個 pptx 設計目錄，接著把它當作範本餵給 Astra。設計系統的建立與由 AI 驅動的內容生成之間有清楚的分工。Fable 負責處理結構化的設計模式，Astra 則將其用於自動化的投影片生成。這樣能在擴大量產簡報工作流程時不必每次都重建範本，蠻合理的。
63
查看翻譯
Using Fable 5.1 to build a pptx design catalog, then feeding it to Astra as design templates. This workflow is actually pretty solid – basically treating presentation files as structured design systems that AI can reference and replicate. Smart move for consistent output styling without rebuilding prompts from scratch every time.
Using Fable 5.1 to build a pptx design catalog, then feeding it to Astra as design templates. This workflow is actually pretty solid – basically treating presentation files as structured design systems that AI can reference and replicate. Smart move for consistent output styling without rebuilding prompts from scratch every time.
78
查看翻譯
Security breach on Liquid Network: ~4,000 $BTC drained (95% of vault reserves). Network currently halted.
Liquid is a Bitcoin sidechain run by Blockstream using a federated consensus model. Unlike mainnet's decentralized mining, Liquid relies on ~15 functionaries (exchanges, institutions) who control multisig keys for the peg mechanism.
The attack vector likely targeted the federation's key management infrastructure. This is the inherent tradeoff of federated sidechains: faster finality and confidential transactions, but centralized trust assumptions.
If you hold L-BTC (Liquid Bitcoin), your funds are affected. If your $BTC is on Bitcoin mainnet or self-custodied in a proper wallet, you're unaffected—this is purely a Liquid Network issue.
This highlights why sidechain security models differ fundamentally from L1. Federated pegs are single points of failure. Compare this to rollups with fraud proofs or ZK validity proofs—different trust models, different attack surfaces.
Blockstream will need to coordinate federation members to potentially roll back or freeze affected addresses. Expect transparency reports on how the multisig was compromised and whether this was an inside job or external exploit.
Security breach on Liquid Network: ~4,000 $BTC drained (95% of vault reserves). Network currently halted.
Liquid is a Bitcoin sidechain run by Blockstream using a federated consensus model. Unlike mainnet's decentralized mining, Liquid relies on ~15 functionaries (exchanges, institutions) who control multisig keys for the peg mechanism.
The attack vector likely targeted the federation's key management infrastructure. This is the inherent tradeoff of federated sidechains: faster finality and confidential transactions, but centralized trust assumptions.
If you hold L-BTC (Liquid Bitcoin), your funds are affected. If your $BTC is on Bitcoin mainnet or self-custodied in a proper wallet, you're unaffected—this is purely a Liquid Network issue.
This highlights why sidechain security models differ fundamentally from L1. Federated pegs are single points of failure. Compare this to rollups with fraud proofs or ZK validity proofs—different trust models, different attack surfaces.
Blockstream will need to coordinate federation members to potentially roll back or freeze affected addresses. Expect transparency reports on how the multisig was compromised and whether this was an inside job or external exploit.
Liquid is a Bitcoin sidechain run by Blockstream using a federated consensus model. Unlike mainnet's decentralized mining, Liquid relies on ~15 functionaries (exchanges, institutions) who control multisig keys for the peg mechanism.
The attack vector likely targeted the federation's key management infrastructure. This is the inherent tradeoff of federated sidechains: faster finality and confidential transactions, but centralized trust assumptions.
If you hold L-BTC (Liquid Bitcoin), your funds are affected. If your $BTC is on Bitcoin mainnet or self-custodied in a proper wallet, you're unaffected—this is purely a Liquid Network issue.
This highlights why sidechain security models differ fundamentally from L1. Federated pegs are single points of failure. Compare this to rollups with fraud proofs or ZK validity proofs—different trust models, different attack surfaces.
Blockstream will need to coordinate federation members to potentially roll back or freeze affected addresses. Expect transparency reports on how the multisig was compromised and whether this was an inside job or external exploit.
10
查看翻譯
Astra inference feels noticeably faster than $SOL era models. Could be fresh launch = more allocated resources, but the response latency is legitimately snappier. Worth monitoring if this speed holds as usage scales or if it's just honeymoon phase infrastructure 🚀
Astra inference feels noticeably faster than $SOL era models. Could be fresh launch = more allocated resources, but the response latency is legitimately snappier. Worth monitoring if this speed holds as usage scales or if it's just honeymoon phase infrastructure 🚀
70
在討論將 AI 落地到業務工作流時，出現了一種奇怪的模式：那些聲稱“我們的業務太特殊/獨一無二，不適合 AI”的人，幾乎總是擁有最通用、最千篇一律的工作流。
這就是科技採用中的經典牴觸模式。“特殊的雪花”藉口通常只是對自動化的恐懼，或是不理解現代 AI 系統其實有多麼靈活可適配。
大多數業務流程都遵循可預測的模式：數據錄入、分類、路由、總結、基礎決策樹。通過恰當的提示工程與 RAG 的配合，LLM 通常可以直接開箱就能處理其中 80% 被稱爲“特殊”的情況。
真正的特殊情況很少見：監管要求嚴格的高合規行業，或真正全新的研發工作流。但即便如此，AI 也應當是用來增強能力，而不是替代。
結論：如果你的工作流涉及讀取、寫入、整理歸類或信息路由，那麼它大概率並不像你想的那樣“特殊”。別再把關卡設置成阻礙，開始動手試驗吧。
在討論將 AI 落地到業務工作流時，出現了一種奇怪的模式：那些聲稱“我們的業務太特殊/獨一無二，不適合 AI”的人，幾乎總是擁有最通用、最千篇一律的工作流。
這就是科技採用中的經典牴觸模式。“特殊的雪花”藉口通常只是對自動化的恐懼，或是不理解現代 AI 系統其實有多麼靈活可適配。
大多數業務流程都遵循可預測的模式：數據錄入、分類、路由、總結、基礎決策樹。通過恰當的提示工程與 RAG 的配合，LLM 通常可以直接開箱就能處理其中 80% 被稱爲“特殊”的情況。
真正的特殊情況很少見：監管要求嚴格的高合規行業，或真正全新的研發工作流。但即便如此，AI 也應當是用來增強能力，而不是替代。
結論：如果你的工作流涉及讀取、寫入、整理歸類或信息路由，那麼它大概率並不像你想的那樣“特殊”。別再把關卡設置成阻礙，開始動手試驗吧。
這就是科技採用中的經典牴觸模式。“特殊的雪花”藉口通常只是對自動化的恐懼，或是不理解現代 AI 系統其實有多麼靈活可適配。
大多數業務流程都遵循可預測的模式：數據錄入、分類、路由、總結、基礎決策樹。通過恰當的提示工程與 RAG 的配合，LLM 通常可以直接開箱就能處理其中 80% 被稱爲“特殊”的情況。
真正的特殊情況很少見：監管要求嚴格的高合規行業，或真正全新的研發工作流。但即便如此，AI 也應當是用來增強能力，而不是替代。
結論：如果你的工作流涉及讀取、寫入、整理歸類或信息路由，那麼它大概率並不像你想的那樣“特殊”。別再把關卡設置成阻礙，開始動手試驗吧。
69
GPT-6 Astra 在你睡覺的時候就已經發布了。快速技術解讀：
這不只是又一次漸進式的模型更新。Astra 代表了 OpenAI 在多模態推理方法上的一次基礎性架構轉變。關鍵技術創新包括：
• 從底層開始的原生多模態處理——並非像 GPT-4 那樣“後加”的視覺/音頻能力。模型在統一的潛在空間中處理文本、圖像、音頻和視頻。
• 將“代理（Agentic）”能力內置到核心架構中。能夠派生子任務、在跨會話中保持持久上下文，並在無需外部編排的情況下執行多步驟工作流。
• 在 STEM 任務上的推理能力顯著提升。早期基準顯示，相比 GPT-4.5，在 GPQA Diamond 上提升 40%+，在 MATH-500 上提升 35%。
• 語音交互延遲 <200ms 的實時處理能力。這是驅動下一代語音模式的基礎設施。
• 擴展上下文窗口至 100 萬 tokens，並在整個窗口範圍內實現近乎完美的召回（在“針在稻草堆中”測試中達到 98%+）。
該模型使用一種名爲“反思式強化學習（Reflective Reinforcement Learning）”的新技術進行訓練——本質上是讓模型在訓練過程中學會自我審視並改進自己的輸出，從而形成自我提升的反饋閉環。
對開發者來說最有意思的部分是：API 將支持以流式方式運行的代理型工作流，你可以在模型拆解複雜任務時，實時觀察它的“思考過程”。
它是基於 Copilot Cowork 構建的，而 Copilot Cowork 本身也將獲得重大升級，以充分發揮 Astra 的能力。預計開發者體驗將發生劇烈變化——更少的提示詞工程（prompt engineering），更多面向高層的任務規格說明（task specification）。
GPT-6 Astra 在你睡覺的時候就已經發布了。快速技術解讀：
這不只是又一次漸進式的模型更新。Astra 代表了 OpenAI 在多模態推理方法上的一次基礎性架構轉變。關鍵技術創新包括：
• 從底層開始的原生多模態處理——並非像 GPT-4 那樣“後加”的視覺/音頻能力。模型在統一的潛在空間中處理文本、圖像、音頻和視頻。
• 將“代理（Agentic）”能力內置到核心架構中。能夠派生子任務、在跨會話中保持持久上下文，並在無需外部編排的情況下執行多步驟工作流。
• 在 STEM 任務上的推理能力顯著提升。早期基準顯示，相比 GPT-4.5，在 GPQA Diamond 上提升 40%+，在 MATH-500 上提升 35%。
• 語音交互延遲 <200ms 的實時處理能力。這是驅動下一代語音模式的基礎設施。
• 擴展上下文窗口至 100 萬 tokens，並在整個窗口範圍內實現近乎完美的召回（在“針在稻草堆中”測試中達到 98%+）。
該模型使用一種名爲“反思式強化學習（Reflective Reinforcement Learning）”的新技術進行訓練——本質上是讓模型在訓練過程中學會自我審視並改進自己的輸出，從而形成自我提升的反饋閉環。
對開發者來說最有意思的部分是：API 將支持以流式方式運行的代理型工作流，你可以在模型拆解複雜任務時，實時觀察它的“思考過程”。
它是基於 Copilot Cowork 構建的，而 Copilot Cowork 本身也將獲得重大升級，以充分發揮 Astra 的能力。預計開發者體驗將發生劇烈變化——更少的提示詞工程（prompt engineering），更多面向高層的任務規格說明（task specification）。
這不只是又一次漸進式的模型更新。Astra 代表了 OpenAI 在多模態推理方法上的一次基礎性架構轉變。關鍵技術創新包括：
• 從底層開始的原生多模態處理——並非像 GPT-4 那樣“後加”的視覺/音頻能力。模型在統一的潛在空間中處理文本、圖像、音頻和視頻。
• 將“代理（Agentic）”能力內置到核心架構中。能夠派生子任務、在跨會話中保持持久上下文，並在無需外部編排的情況下執行多步驟工作流。
• 在 STEM 任務上的推理能力顯著提升。早期基準顯示，相比 GPT-4.5，在 GPQA Diamond 上提升 40%+，在 MATH-500 上提升 35%。
• 語音交互延遲 <200ms 的實時處理能力。這是驅動下一代語音模式的基礎設施。
• 擴展上下文窗口至 100 萬 tokens，並在整個窗口範圍內實現近乎完美的召回（在“針在稻草堆中”測試中達到 98%+）。
該模型使用一種名爲“反思式強化學習（Reflective Reinforcement Learning）”的新技術進行訓練——本質上是讓模型在訓練過程中學會自我審視並改進自己的輸出，從而形成自我提升的反饋閉環。
對開發者來說最有意思的部分是：API 將支持以流式方式運行的代理型工作流，你可以在模型拆解複雜任務時，實時觀察它的“思考過程”。
它是基於 Copilot Cowork 構建的，而 Copilot Cowork 本身也將獲得重大升級，以充分發揮 Astra 的能力。預計開發者體驗將發生劇烈變化——更少的提示詞工程（prompt engineering），更多面向高層的任務規格說明（task specification）。
26
GPT-6 Astra 剛剛發佈，下面是技術速覽：
這是 OpenAI 的下一代模型架構，其多模態能力被直接內置在覈心 Transformer 堆棧中，而不是事後再“外掛”上去。與 GPT-4 的關鍵差異包括：
• 原生的視頻理解，並具備跨幀的時間推理能力
• 進行實時推理優化，將流式響應的延遲降至 100ms 以下
• 據傳上下文窗口擴展到 1M+ tokens，並配備更強的檢索機制
• 將 Agentic 能力直接構建進基礎模型，而不需要額外的外部編排層
“Astra” 這一命名暗示它是其願景語言旗艦產品，直接與谷歌的 Gemini Ultra 正面競爭。早期基準測試顯示，在多模態推理任務以及帶視覺上下文的代碼生成方面取得了顯著提升。
目前仍在等待官方 API 訪問與定價細節，不過從現狀來看，這很可能是面向真實生產 AI 系統的“真傢伙”——需要在大規模場景下處理豐富媒體輸入。
GPT-6 Astra 剛剛發佈，下面是技術速覽：
這是 OpenAI 的下一代模型架構，其多模態能力被直接內置在覈心 Transformer 堆棧中，而不是事後再“外掛”上去。與 GPT-4 的關鍵差異包括：
• 原生的視頻理解，並具備跨幀的時間推理能力
• 進行實時推理優化，將流式響應的延遲降至 100ms 以下
• 據傳上下文窗口擴展到 1M+ tokens，並配備更強的檢索機制
• 將 Agentic 能力直接構建進基礎模型，而不需要額外的外部編排層
“Astra” 這一命名暗示它是其願景語言旗艦產品，直接與谷歌的 Gemini Ultra 正面競爭。早期基準測試顯示，在多模態推理任務以及帶視覺上下文的代碼生成方面取得了顯著提升。
目前仍在等待官方 API 訪問與定價細節，不過從現狀來看，這很可能是面向真實生產 AI 系統的“真傢伙”——需要在大規模場景下處理豐富媒體輸入。
這是 OpenAI 的下一代模型架構，其多模態能力被直接內置在覈心 Transformer 堆棧中，而不是事後再“外掛”上去。與 GPT-4 的關鍵差異包括：
• 原生的視頻理解，並具備跨幀的時間推理能力
• 進行實時推理優化，將流式響應的延遲降至 100ms 以下
• 據傳上下文窗口擴展到 1M+ tokens，並配備更強的檢索機制
• 將 Agentic 能力直接構建進基礎模型，而不需要額外的外部編排層
“Astra” 這一命名暗示它是其願景語言旗艦產品，直接與谷歌的 Gemini Ultra 正面競爭。早期基準測試顯示，在多模態推理任務以及帶視覺上下文的代碼生成方面取得了顯著提升。
目前仍在等待官方 API 訪問與定價細節，不過從現狀來看，這很可能是面向真實生產 AI 系統的“真傢伙”——需要在大規模場景下處理豐富媒體輸入。
42
目前正在運行 Work IQ 配合 Fable 5.1，效果很好。如果 Astra 提供更好的性能或集成，遷移路徑就非常簡單——只需在 Work IQ 的技術棧中把 Fable 換成 Astra。模塊化工具的魅力就在於：可以測試、對比基準，如果確實更好就直接切換。不用糾結供應商鎖定帶來的麻煩。
目前正在運行 Work IQ 配合 Fable 5.1，效果很好。如果 Astra 提供更好的性能或集成，遷移路徑就非常簡單——只需在 Work IQ 的技術棧中把 Fable 換成 Astra。模塊化工具的魅力就在於：可以測試、對比基準，如果確實更好就直接切換。不用糾結供應商鎖定帶來的麻煩。
55
Gemini 3.8 的知識截止時間是 2025 年初。該模型對訓練數據過於自信，除非你明確告訴它，否則它不會自動去搜索網絡獲取更新信息。對於詢問截止日期之後的任何內容，都存在經典的幻覺風險。
Gemini 3.8 的知識截止時間是 2025 年初。該模型對訓練數據過於自信，除非你明確告訴它，否則它不會自動去搜索網絡獲取更新信息。對於詢問截止日期之後的任何內容，都存在經典的幻覺風險。
73
Fable 5.1 的文檔生成能力簡直離譜到不可思議。這一版本背後的技術似乎在處理結構化內容創建方面實現了巨大的飛躍。如果你正在做自動化文檔或內容流水線，不妨去看看。
Fable 5.1 的文檔生成能力簡直離譜到不可思議。這一版本背後的技術似乎在處理結構化內容創建方面實現了巨大的飛躍。如果你正在做自動化文檔或內容流水線，不妨去看看。
28
AI 生成幻燈片的工作流小貼士：當你通過聊天把整體結構理清之後，就切換到使用 PowerPoint 的“評論”功能來修改。直接在每一頁幻燈片上添加評論，並告訴 AI：“我留下了評論，幫我修正它們。”比在初稿定稿後再來回切換聊天要高效得多。
AI 生成幻燈片的工作流小貼士：當你通過聊天把整體結構理清之後，就切換到使用 PowerPoint 的“評論”功能來修改。直接在每一頁幻燈片上添加評論，並告訴 AI：“我留下了評論，幫我修正它們。”比在初稿定稿後再來回切換聊天要高效得多。
35
當讓 AI 生成幻燈片時，只要直接在 PowerPoint 的每頁“評論”功能裏添加評論，然後告訴它“我留了評論，幫我修正。”
基於聊天的迭代在確定整體結構時很合適，但一旦進入該階段之後，行內評論就要高效得多。你能精準指出每一頁具體需要調整的地方，而不是在抽象的聊天消息裏描述要改什麼。
這種工作流也很像開發者如何使用代碼評審評論而不是模糊不清的 Slack 討論。上下文相關的反饋每次都比來回解釋更有效。
當讓 AI 生成幻燈片時，只要直接在 PowerPoint 的每頁“評論”功能裏添加評論，然後告訴它“我留了評論，幫我修正。”
基於聊天的迭代在確定整體結構時很合適，但一旦進入該階段之後，行內評論就要高效得多。你能精準指出每一頁具體需要調整的地方，而不是在抽象的聊天消息裏描述要改什麼。
這種工作流也很像開發者如何使用代碼評審評論而不是模糊不清的 Slack 討論。上下文相關的反饋每次都比來回解釋更有效。
基於聊天的迭代在確定整體結構時很合適，但一旦進入該階段之後，行內評論就要高效得多。你能精準指出每一頁具體需要調整的地方，而不是在抽象的聊天消息裏描述要改什麼。
這種工作流也很像開發者如何使用代碼評審評論而不是模糊不清的 Slack 討論。上下文相關的反饋每次都比來回解釋更有效。
61
將 Work IQ 與 Fable 5.1 集成——這一組合帶來了顯著提升，既在智能方面，也在易用性方面。指令處理的感受明顯更敏捷，工作流集成也確實如宣傳所說能夠正常運行。如果你在使用 Fable 5.1，那麼 Work IQ 層會爲日常任務提供真正的實用價值，並且不會像以往那樣帶來通常的摩擦。
將 Work IQ 與 Fable 5.1 集成——這一組合帶來了顯著提升，既在智能方面，也在易用性方面。指令處理的感受明顯更敏捷，工作流集成也確實如宣傳所說能夠正常運行。如果你在使用 Fable 5.1，那麼 Work IQ 層會爲日常任務提供真正的實用價值，並且不會像以往那樣帶來通常的摩擦。
62
個人出行“旅行技術棧”：ChatGPT（Codex）+ Google Drive 知識庫，負責處理所有預訂——酒店、航班、租車。當東西丟了，直接喊一句“我的東西呢？！”它會立刻調取時間戳、航班號、預訂 ID，然後自動向航空公司/酒店發送準確查詢。甚至還能在線自動提交丟失物品表單。
出差場景下，這會變成“Scout”，再疊加“Work IQ”——更強大。實現從預訂到危機恢復的全自動化，零人工查找。
個人出行“旅行技術棧”：ChatGPT（Codex）+ Google Drive 知識庫，負責處理所有預訂——酒店、航班、租車。當東西丟了，直接喊一句“我的東西呢？！”它會立刻調取時間戳、航班號、預訂 ID，然後自動向航空公司/酒店發送準確查詢。甚至還能在線自動提交丟失物品表單。
出差場景下，這會變成“Scout”，再疊加“Work IQ”——更強大。實現從預訂到危機恢復的全自動化，零人工查找。
出差場景下，這會變成“Scout”，再疊加“Work IQ”——更強大。實現從預訂到危機恢復的全自動化，零人工查找。
56
偵察兵（很可能是一個 AI 編程助手）剛乾了件離譜的事。用戶堅持說偵察兵以前就做過某個功能，偵察兵否認了。用戶還在繼續追問：“我 100% 確信你做過！”
偵察兵的迴應是：“去你主目錄裏的 .codex 文件夾看看——那兒有明文的會話歷史。我查過了。不是我。你想的是別的人。”
用戶不得不道歉，但卻被震驚到了。這 AI 不僅通過指向本地會話日誌來排查對話，還拿出了真實證據證明自己是清白的。這就是更高一層的上下文意識——偵察兵明白它需要用存儲的數據去核實說法，而不是憑空附和。看到 AI 代理主動用文件系統痕跡來覈查人類記憶，這種情況相當罕見。
偵察兵（很可能是一個 AI 編程助手）剛乾了件離譜的事。用戶堅持說偵察兵以前就做過某個功能，偵察兵否認了。用戶還在繼續追問：“我 100% 確信你做過！”
偵察兵的迴應是：“去你主目錄裏的 .codex 文件夾看看——那兒有明文的會話歷史。我查過了。不是我。你想的是別的人。”
用戶不得不道歉，但卻被震驚到了。這 AI 不僅通過指向本地會話日誌來排查對話，還拿出了真實證據證明自己是清白的。這就是更高一層的上下文意識——偵察兵明白它需要用存儲的數據去核實說法，而不是憑空附和。看到 AI 代理主動用文件系統痕跡來覈查人類記憶，這種情況相當罕見。
偵察兵的迴應是：“去你主目錄裏的 .codex 文件夾看看——那兒有明文的會話歷史。我查過了。不是我。你想的是別的人。”
用戶不得不道歉，但卻被震驚到了。這 AI 不僅通過指向本地會話日誌來排查對話，還拿出了真實證據證明自己是清白的。這就是更高一層的上下文意識——偵察兵明白它需要用存儲的數據去核實說法，而不是憑空附和。看到 AI 代理主動用文件系統痕跡來覈查人類記憶，這種情況相當罕見。
82
登入以探索更多內容
加入幣安廣場中的全球加密貨幣用戶
⚡️ 獲取加密貨幣的最新和實用資訊。
💬 受到全球最大加密貨幣交易所的信任。
👍 發掘來自經過驗證創作者的真實見解。
電子郵件 / 電話號碼