op 浙江省人，但非杭州本地人，已经 30 ，从农村迈向杭州买了一套二房 60 方左右的小户型，之前正在愁是否长久定居，于是发过帖子：
https://www.v2ex.com/t/1156457?p=1#reply91
从其中获得了许多 v 友关于城市就业、气候、饮食等一系列的反馈，感觉深有帮助，最终决定还是留下，恳请各位分享如何扎实在杭州扎根的生活经验，不胜感激！
求 esxi 迁移 pve 最佳方案？ 只有一台设备，esxi 中有 8 个不同系统的虚拟机，现在想把底层更换为 pve,有什么方法可以尽可能停机时间短的情况下，完美迁移过去。 因为只有一台设备，排除用 pve 加载 esxi 直接迁移的方案。
大家好，我是一个产品新手小白
我花了一个星期的时间开发了一款制AI 手办的网站，可以生成最近很火的 banana 手办，类似这种:
以上素材均是通过 https://phototovideoai.net/image-tools/ai-figure-generator 来生成出来的，提示词我在落地页里有放置，可以直接 copy 到输入框作为 prompt 来使用，使用教程也非常简单：
现在新用户注册免费送 10 credits ，可以生成 2 张用 banana 模型生成的 AI 手办图，欢迎大家过来体验！下面是网页入口：
产品新手，产品做得不够完善的地方还望各位大佬海涵～
https://store.epicgames.com/en-US/p/monument-valley-1d99d3
Epic 上纪念碑谷限免，需要的自取，好像只支持 Windows 平台。
打了一个滴滴专车，聊起天来，告诉我他有 19 套房产，每个月收租就有 50 多万，其中有一套别墅值 1.8 亿，我都听懵了。
本来想在北京短住一个月，所以找了某知名公寓。 第一晚住进去对面房间传出一种 [高分贝] [无情绪起伏] [声音似女人似儿童] 的声音，很像念经，我吓坏了。
第二天管家给我换房间，换好房间，出门发现走廊有好多血滴...
焦虑症彻底发病，直接搬走。
就住了一晚上，钱是不可能给我退的，直接损失 3000 元。。。
中间从北京去了一趟呼和浩特，还没到，我在高铁上就已经有了心脏难受，呼吸不顺畅的症状...下高铁赶紧买了血氧仪看自己血氧。
中间还打了一次车，跟司机聊天，司机讲了好多他曾经跟别人打架的事情，就听上去是一个不要命的主...得，一害怕，我的焦虑症又发作了。
不确定是不是因为年纪大了，最近我特别喜欢研究各种跟水管相关的东西。
比如，我刚换了厨房的水龙头，就开始琢磨哪种水龙头好用、哪种出水方式洗碗更干净。浴室的设备我也不放过，最近换了一个日本的淋浴喷头，结果洗澡体验好得让我连连惊叹。
有时候我自己也觉得奇怪：为什么我会越来越沉迷于这些“生活小设备”的研究？难道这就是所谓的“上了年纪的乐趣”？😂
阿里云 cdt 让俺从此高别了 3Mb 带宽（现在用的 100Mb ），加量还不加价，国内海外流量双重免费，真的顶。
有江苏电信宽带的可以试试，https://www.miguvideo.com/ 咪咕体育网页版，右上角的登录，点了根本打不开，换移动手机热点就正常了，这太牛逼了，运营商互相限速，也不能这么搞啊？？？？？
最近几天要被 Claude code 气死，很简单的一个图片文字布局的简单页面，硬是改了半个多小时，最后连 UI 效果的 60%相似度都做不到了，提示词已经描述的不能再详细。 以前做比这复杂多的页面，两三次就写好了。大无语～～ 不知 V 友们最近感受如何，准备转 codex 了
在LLM in 2024的开篇我写了这样一段话：
我个人对 AI(人工智能)/LLM(Large Language Model, 大语言模型) 是完全祛魅的。即使是在 ChatGPT 问世之后，即使是在 LLM 在各个领域掀起热潮的今天， 我也仍然认为这里并没有什么所谓“智能”的东西——我个人不认为现在的 LLM 会思考，不认为它能真正地创作等等。 我更倾向于将现在的 LLM 看作一个庞大而又精密的机器：庞大到包含几百亿个元件，精密到可以和人类对话并完成各种复杂的任务。 尽管如此，我仍然认为我们正处于一个人工智能的黄金时代，一个 AI 可以大放异彩，可以很大程度上改变我们的未来生活方式的时代！
如今我更加确信我们正处于 AI 的黄金时代。今天我想简单谈一谈我们如何真正享受这 AI 的黄金时代。
AGI (Artificial General Intelligence, 通用人工智能) 是什么？ 我不知道。 而且我前不久也面对面听沈向洋老师讲过这个问题，沈老师也说他也没有完全搞明白。 我对沈老师坦诚的回答表示敬佩——即使在一大批人大谈特谈 AGI 的时候，世界顶级的计算机科学家仍然能对这个话题保持谨慎。
另外一位顶级人工智能专家在 75 年前的一篇论文中说过这样一段话：
I propose to consider the question, "Can machines think?" This should begin with definitions of the meaning of the terms "machine" and "think." The definitions might be framed so as to reflect so far as possible the normal use of the words, but this attitude is dangerous, If the meaning of the words "machine" and "think" are to be found by examining how they are commonly used it is difficult to escape the conclusion that the meaning and the answer to the question, "Can machines think?" is to be sought in a statistical survey such as a Gallup poll. But this is absurd. Instead of attempting such a definition I shall replace the question by another, which is closely related to it and is expressed in relatively unambiguous words.
翻译一下：
我建议考虑这样一个问题：“机器能思考吗？”这应当从对“机器”和“思考”这两个术语含义的定义开始。定义可以尽可能地反映这些词在日常使用中的含义，但这种做法是有风险的。如果要通过考察这些词在日常中的使用方式来确定“机器”和“思考”的含义，那么很难避免得出这样的结论：问题“机器能思考吗？”的含义和答案，应通过类似盖洛普民意调查这样的统计调查来寻找。但这是荒谬的。因此，我不会试图给出这样的定义，而是将这个问题替换为另一个问题，这个新问题与原问题密切相关，并且是用相对明确的词语表达的。
这位专家正是如今被誉为人工智能之父的图灵(A. M. Turing), 这段话正是出自图灵在 1950 年发表的论文 COMPUTING MACHINERY AND INTELLIGENCE. 在我第一次读这篇论文之前，我曾以为这是一篇各种定义和符号满天飞的论文。但打开论文后，第一段就是这几句话，我真的有些震惊——我为图灵的严谨震惊。
图灵认为机器能否思考这个问题是很难定义的，为了更好地去思考“机器能思考吗？”才提出了模仿游戏(如今也被称之为图灵测试)。 此外，图灵在论文中对模仿游戏做了十分详尽的说明——简单的例子中蕴含的思辨力量令人叹为观止！
所以我认为，连顶级 AI 科学家都如此谨慎对待的话题，作为非顶级 AI 专家的我们应当少一些闲谈。 如果真要进行有意义地谈论，应该更严肃谨慎地谈论——这并不是一件像闲谈一样轻松愉快的事情，至少对大多数人来说是这样。 简单来说，AGI 是个十分复杂的话题，闲谈大部分时候只是浪费时间罢了。
对于很多 AI 行业或互联网科技相关的从业人员，面对当前 AI 发展的现状，经常会出现 FOMO(Fear of missing out) 情绪——我个人也曾长时间陷入这种情绪——我们害怕错过什么，害怕被时代甩在身后。但是现在我已经走出来了，是因为我发现 FOMO 情绪只有害处没有好处。 而且我意识到一个很重要的问题，无论我们是否 Fear, Missing out 已成事实，只是多少的问题罢了。
其实 FOMO 和 AGI 闲谈有些类似，比如它们都是浪费时间的事情。另外，在某种程度上两者还会相互影响——FOMO 情绪会让人更容易陷入 AGI 的闲谈，而 AGI 的闲谈又会加剧 FOMO 情绪。
我认为像减少 AGI 闲谈一样，我们也应当减少 FOMO 情绪。这些东西大部分时候只会浪费时间和损耗我们的情绪。
《偶书》，（唐）刘叉
日出扶桑一丈高，人间万事细如毛。
野夫怒见不平处，磨损胸中万古刀。
在克服上面两个问题之后，务实享受 AI 的大门已经近在眼前了。我们要做的其实很简单，就是真正地用 AI 来改善我们的工作，学习和生活。 工作上合理使用 AI 编程工具，学习上可以和 AI 讨论各种问题，生活上可以让 AI 给一些参考建议……我认为在可以预见的未来(5~10 年)，AI 会 相当程度上颠覆我们现在的生活方式——一些智能工具会让我们的生活更加便利，让我们更加高效地学习…… 所以，抛弃一些无用的情绪和闲聊，积极拥抱 AI 带来的便利，或许是如今这个时代一种比较好的生活方式吧。
理性讨论，欢迎站长来解惑（可贴站点
这几周各种🍌网站层出不穷，甚至官方 API 都没出来，就已经上线一大波了
官方 Gemini & AI Studio 都免费的模型，在第三方里 9.9 包月几十张图，究竟是谁在付费呢？
我想了下用户买单有几个可能：
单纯信息差。但不确定有多大，现在 Google 'Nano Banana' 第一已经是 AI Studio 了
集成常见提示词。这个确实不错，但也仅限于易用性的提升，仅凭这点让人付费还是有点难以想象的
够垂直，e.g. 主打换发型....
各位觉得还有哪些原因
一个现代化、强大、易用的 Go 开发框架。它的核心理念是 定义即代码 (Definition is Code) ——通过解析 SQL 、Protobuf 、JSON 文件生成模块化的 Go 代码，这些代码可以灵活组合，快速搭建各种后端服务。
Sponge 提供了一站式开发体验，覆盖 代码生成、开发、测试、API 文档、部署 全流程，让你用“低代码”的方式就能构建高性能、稳定可靠的服务（支持 RESTful API 、gRPC 、HTTP+gRPC 、gRPC Gateway 等）。
Sponge 致力于提供一个"开箱即用"的开发体验，通过强大的代码生成功能，代码生成页面如下：
GitHub: https://github.com/go-dev-frame/sponge
如果你想快速搭建高性能 Go 后端项目，欢迎来试试！也非常欢迎大家提 issue 或 PR 🚀
最近一直在玩三角洲，苦于烽火模式没有固定队友（自己不喜欢开麦、技术也一般，但也能冲也能突突突），每次死了之后东西都掉光了，也没个人扶，有时候就真的多一个人就是多一份胜算😭😭
哪怕死一起了也没那么孤独是吧，嘻嘻哈哈又下一局了
久而久之就对烽火模式有点不想打了，后面一直在玩战场，现在战场模式打到统帅（最高段位）了，又开始玩起烽火模式了，路人局有时候连任务都做不完一直死撤离不了
所以上来问问有没有组织一起玩的，目前只敢玩大坝（损失厌恶心里，大坝白嫖很开心😄😄）,想打其他地图老是被突突死了
最近这两周，我一直在使用 cc + ccr 对不同 AI 模型的能力测试，想了解它们在实际应用中的表现。通过这些测试，我对几个热门模型有了一些使用上的心得和体会。
首先是 Kimi 和 DeepSeek。官网版，但体验并不理想。两者在执行时都显得有些“力不从心”，不仅效果不如预期，而且余额很快消耗光，主要都限速（要充钱才能变快），几乎没能完成什么有价值的输出。Kimi 我用于写代码较多，Deepseek 用推理较多，尽管如此，我还是持续关注它们，期待能有所改进。
后续出的 DeepSeek-V3.1 在最初测试时，竟然出现了“极”这样的异常情况，后面好像修复更新，也是拿来推理用。
接着，我试了 GLM-4.5。令我意外的是，GLM-4.5 的表现超出了我的预期：它的速度相对更快，且能够产出不错的效果。在与其他模型对比时，GLM-4.5 无疑给了我更多的惊喜，它的稳定性和表现让我觉得性价比更高。缺点就是上下文有点短。好消息是有包月套餐，算是 cc 的平替版，但在隔壁站传出扣费问题，写的文档不清晰等问题。
现在又有两个新模型发布了——qwen3-max-preview 和 kimi-k2-0905256K。我首先测试了 kimi-k2-0905256K，发现它在前端的表现似乎不如 GLM-4.5，虽然其他方面的性能还没来得及详细测试，但初步使用下来，给我的感觉并不算太突出。
接着，测试 qwen3-max-preview，这次的体验可以用“崩溃”来形容。测试过程中，速度极慢，不仅如此，出错了还说修复问题，结果还把生成的文件都删掉了。这个过程让我产生了强烈的幻觉感，似乎 AI 开始“自己”不知道该生成什么了，完全没有方向。介绍写着这次版本减少了幻觉的现象，但从实测结果来看，幻觉问题依然存在，甚至比之前的 qwen 版本还要明显。
这两个新模型，目前的体验并没有带来太多突破。像 GLM-4.5 这样的模型，稳定性不错，另外据说 GPT-5 的效果有惊喜，后面再测试其他模型看看。综合来看，目前最好的效果还是 cc 。
各位都用哪些模型？
午餐吃多了容易困.
晚餐少吃点好保持体重.
所以在国内如何复现英式早餐呢?
复制一份英式早餐要多少钱呢?
如题，从 Claude Code / Cursor 的 Claude Opus 4.1 thinking （带 ultrathink.）迁移到 GPT-5-high 的 Cursor 和 Codex 之后最明显的感想主要有这些：
相比于 Claude 系怎么都改不好，无论上多少 prompt 都没办法完全修复的 You are absolutely right 来说，GPT-5 是真的知道什么时候该捧着几个方案和自己的思考去找用户确认一下再动笔写，也知道什么时候去和用户犟嘴，这种讨论能力带来的体验真的很舒适。
GPT-5 是真的省 token 。可能和 OpenAI 的 tokenizer 有关，并且 GPT-5 的回答非常简练，在一个 context 里可以完成非常复杂的工作。实际体验下来，同样在 Cursor 里，GPT-5-high-fast 在上下文爆炸之前可以多做三分之一到一半的工作，这使得我可以让它在同一个上下文里做很多代码优化和 bug 修复，而不需要重新去构造新的上下文。
GPT-5 会主动反思自己可能漏掉的东西，包括别扭的 tool call ，遗漏的 linting 等等，它几乎从没在我面前主动声称代码质量达到了生产水准。而 Claude Opus 4.1 thinking + ultrathink 虽然也可以搞定问题，但它经常带着 bug 和冗余写法就声称生产水准实在是很掉好感。
GPT-5 是明显更信任自己的知识而不是用户的，它的讨论特性会让它可能停下来问我，但我真的需要给它配一个好用的 RAG 才能避免和它反复犟嘴或者去搬一个文档链接出来给它停止争论。在用 GPT-5 的时候，context7 就是完完全全的标配。
更大的思考预算。即使是加上 ultrathink ，Claude 系的平均思考长度也是低于 GPT-5-high 的，而且很多时候会像一个复读机一样反复思考一模一样的东西。而 GPT-5-high 的思考就能结结实实向很多方向去探索，即便最后二者都能解决问题，GPT-5-high 的思考也会让我觉得它是更不经验主义的。
公司部门主管技术群发的内容，前端死没死不知到，我们公司的前端快了。正文如下。
致 XXX 全体： AI Coding 至少会带来以下变化：
1 、产品经理可以借助 lovable 这类工具更好的梳理需求并快速开发出原型，同步输出后续设计开发需要的需求 md 。
2 、UI 设计师基于对需求的理解，通过 figma 这类在线 ui 工具设计出团队协作的效果图（尤其是复杂页面）
3 、独立的前端工程师大部分会失业，取代你的是产品/ui/全栈，留下学习和专业能力特别强的实现复杂交互/定标准/解决复杂前端问题，绝大部分前端工作由 figma 直接 design2code 替代，或者全栈工程师 trae 直接生成。在这场变革里，前端尤其要更新自己的知识体系。优秀的转全栈或者深耕前端技术。
4 、后端使用 design2code 或 trae 生成的前端代码通过 ai 编写接口，自行前后端联调，完成自测。
5 、测试工程师不再专注于单体测试，更多的精力放在结合测试、业务测试、产品经理也会充当部分测试角色负责验收。
希望大家有一定危机感，归零主动拥抱 ai 工具，深度使用 ai 工具，只有深度使用主动拥抱，不断总结/优化使用中的问题，才能在快速变化中不被淘汰。我们 30 人产出原来 60 人甚至更多产出时，只要方向没错，效率就会大大提高。现在还把用 ai 当作任务或应付的，真的可以主动选择走人了。
希望所有人充分重视！我希望看到的是所有人都在自己岗位上用上了最合适好用的 ai 工具，且可以随时像过去掌握前后端工具一样，说出 12345 （优缺点、经验技巧），并把你们在使用过程中的问题（好的、不好的）都总结记录下来，丰富到 XXX-cloud 的使用经验上去。
之前一直有听说 YOLO 非常牛逼，但一直没项目用到也就没特别关注过，最近有东西要做问了 AI 解决思路推荐用视觉大模型。立马 clone 了 YOLO V8 仓库，标注，训练，测试。感觉发现新大陆一样，真的好强大！可以说超出了认知范围，因为如果按没有大模型年代的思路想完成真的是个好庞大的工程。
如题，我在 mac 上安装了 messauto 这个软件，想着能够直接复制验证码，但是很长一段时间，短信要么没有通知，要么延迟通知，而且延迟很久。怎么才能解决呢？
24 年 11 月买了一台 m4pro 丐版，因为经常携带移动办公，就决定买了 AC+
一年即将到期，请问有什么服务可以到店使用的？
以前写过 HTML5 小游戏，有点编程基础，但自认为编程水平一般。
这次做的产品是 MacOS 窗口置顶工具和配套官网。
技术栈：
全程没有写一行代码，完全由 AI 生成，自己只负责提需求和调试。
使用的 AI 工具：Claude Code （写代码）、ChatGPT & Gemini （需求沟通、问题分析）。
开发周期：全职在家 1 个多月。
成本：大几百块 AI 工具费用 和 一个多月的时间。
个人认为 AI 编程已经超过绝大多数人的能力。 至少远远超越了我自己的编程水平。
一定要把需求梳理清楚，越详细越好。
例如：“图标往左 5 像素”这种细节要写明。
最好能落到 函数/方法级别：
需求越清晰，AI 输出的代码越可靠，claude code 很喜欢扩展需求。
因为不会写代码，所以 调试完全是黑盒。
采用的方法是：打日志。
如果程序结果和预期不一样，就用文字描述告诉 AI 。
Debug 往往比较耗时，需要耐心磨。
如果实在解决不了，换一个大模型，有时会奇迹般解决。
👉 真实案例： 上架 App Store 时踩了 权限的坑。一个权限设置错误，怎么修都不对。 后来才知道问题在权限，但因为苹果政策原因，最终放弃了上架。
推荐的 AI 原型工具：https://www.superdesign.dev/ 体验非常好，做原型很高效。
排板，自己让 ai 整理了一下，内容全是自己手打。
ai 时代，个人认为还多学习产品知识，学习老板思维，跳出打工思维。
这样个人的成长可能会出现新的增长。
Login
