[{"content":"吴恩达老师观点：所谓\u0026quot;AI 会引发大规模失业\u0026quot;，纯粹是一种不负责任的恐慌故事。\n软件工程师都快被 AI 工具折腾死了吧？可现实却是工程师招聘市场依旧火爆，美国失业率稳稳地停在 4.3%，没半点要崩的样子。每一波技术浪潮，最终创造出来的新岗位远比被干掉的多得多，这次也不会例外。\n\u0026ldquo;AI 抢饭碗\u0026quot;这个故事为啥这么流行\r背后的三股推动力：\n一是前沿 AI 公司特愿意把自己技术吹得越神越好。 一项技术能干掉一个年薪十万的员工，那卖你一万美元的订阅费是不是就显得便宜了？\n二是企业自己也爱把裁员说成是\u0026quot;AI 提效\u0026rdquo;。 毕竟比承认\u0026quot;疫情期间招人招过头了\u0026quot;听着体面多了。\n三是媒体天然就偏爱恐慌故事。 \u0026ldquo;AI 会让人类灭绝\u0026rdquo;，这标题点击率总比\u0026quot;AI 会改变你的工作内容\u0026quot;高出几个数量级。\n历史上的类似恐慌\r他举了些历史上类似的群体恐慌故事：比如公众对核电站安全的过度焦虑，直接导致核电发展停滞几十年；60 年代\u0026quot;人口炸弹\u0026quot;的恐惧，让很多国家祭出了严厉的人口控制政策；再比如对脂肪的恐惧，导致政府推广了几十年的高糖低脂饮食。这些听起来有点荒唐，但当年每一个故事都非常流行，并实实在在影响了无数人的生活。\n真正会发生什么\rAI 不会带来失业末日（jobpocalypse），而会带来一场就业狂欢（jobapalooza）。大量 AI 工程师的岗位即将诞生，而且还不止是在传统科技公司里。其他非 AI 岗位的技能需求也会发生重大变化。对普通人来说，现在正是进入 AI 行业、或者掌握 AI 工具的最佳时机。\n","date":"2026-05-13T00:00:00+08:00","permalink":"/p/ai-unemployment-myth/","title":"AI 会引发大规模失业？吴恩达说这是个恐慌故事"},{"content":"Anthropic 创始人 Dario Amodei（Claude 这家大模型背后的人）写过一篇 2.8万字的长文，叫 Machines of Loving Grace（直译「充满爱的机器」）。\n这篇文章在英文 AI 圈被反复引用，因为它做了一件大部分 AI 公司高管不太愿意做的事——他不只讲风险，而是系统性地写「假如真正强大的 AI 真的出现，世界变好的路径长什么样」。中文圈摘过几段，但少有人讲过整篇本身，更没人提炼出「普通人能用什么」。下面梳理。\n「压缩的21世纪」\r先说他这篇文章的核心说法，叫「压缩的21世纪」。\n意思是：如果真正强大的 AI 出现，它能把人类生物学家原本要花50到100年才能做出的进步，压到5到10年内完成。他给「真正强大的 AI」下了具体定义：在生物、编程、数学、工程上比诺贝尔奖得主聪明，能自主完成几小时到几周的任务，几百万个独立实例同时跑、速度比人类快几十倍。他用一句话总结叫「数据中心里的天才国度」。\n他认为 AI 真正强大之后影响最大的有5个领域，挨个讲。\n五大影响领域\r生物医学\r这是他最有把握的一块。在他的设想里，大部分自然感染病可以可靠预防或治疗，多数癌症的死亡率显著下降，阿尔茨海默症得到预防，糖尿病、肥胖、心脏病、自身免疫病这些慢病也会大幅好转，健康寿命可能再延长一倍。\n为什么是这块？Dario 的解释是，生物问题足够「可计算化」，很多突破靠从海量数据里找规律，正好是 AI 最强的事。\n神经科学和心理健康\rDario 设想 PTSD、抑郁、精神分裂、成瘾这些都能得到根治或显著缓解，自闭症、智力障碍也会有有效干预，普通人的日常情绪和认知功能基线也会改善。他特别提到一句很有意思的话：现代 AI 解释性研究（搞明白模型内部在干什么）和神经科学家研究大脑问的是同一类问题。所以 AI 反过来帮人类理解大脑，是双向促进的。\n经济发展和贫困\r设想里，医疗进步会扩散到现在的发展中世界，最贫困地区可能在5到10年内追上现在中等收入国家的水平，农业可能出现「第二次绿色革命」，气候变化的技术应对也会加速。但他自己明确说这块没那么有把握。技术能造出来不等于能均衡分配，腐败、制度差异、人本身愿不愿意接受新技术，这些都不是 AI 能直接解决的。\n国际治理\r这块他写得最谨慎，整章主要在列疑虑而不是设想，本文就不展开了。\n工作和意义\r这一块跟普通人最相关。\n他的看法是，短期内，人类还能靠「比较优势」在经济里保持相关性。意思是哪怕 AI 在每件事上都比你强，人和 AI 协作仍然比 AI 单干便宜，所以人还有事干。长期看，如果 AI 在几乎所有任务上都超过人，社会需要重新设计，可能是 UBI（全民基本收入），也可能是别的机制。\n他特别讲了一句让我印象很深的话：「人生意义大部分来自人和人的关系，不是经济劳动。今天就有大量没经济价值的活动让人活得有意义，未来这个比例只会更大。」\n三个普通人现在能用的判断\r读完整篇，我提炼出3个普通人现在能用的判断。\n判断一：哪些领域最先变？\rDario 自己最有信心的是生物医学这种「问题足够可计算化」的领域。放大到普通人，任何「主要靠处理文字、信息、数据」的工作都会先被波及。一个简单的自检：你日常工作里有多少时间是在屏幕前处理信息？比例越高，AI 影响来得越快。\n判断二：你工作的哪部分会被压缩？\r注意 Dario 用的词是 compress——压缩，不是消失。他的逻辑是 AI 会把「重复性、可结构化」的部分加速，而需要判断、需要拍板、需要跟人协调的部分还在。落到自己身上，把工作拆成具体任务清单，挨个问「这一项 AI 现在能做几成？」流程性的部分先压缩，关系性、判断性的部分先留下。\n判断三：哪些技能反而升值？\r这是 Dario 没明说但暗含的：AI 越强，能「组织 AI、判断 AI、修正 AI」的人越值钱。具体讲，把模糊问题说成 AI 能听懂的具体描述、跨领域整合信息、在不确定情境下做决定、跟真人深度沟通，这些都升值。\n最后\rDario 自己在文章里反复强调：「这一切都是猜测」「我说的每件事都很容易被证明是错的」「细节几乎肯定会错」。他写这篇不是为了预言未来，是因为他觉得 AI 圈不能光讲风险，得有「我们到底在为什么而努力」的正面图景。\n文章最后他引了一本科幻小说，他说人类社会真正能稳定运行的方向，是同情、合作、自主、公平这些价值。AI 不会把这些方向反转，AI 只会加速这些价值的实现。\n当然 Dario 这两年动不动就说一下很让人「震惊」的话，以至于黄仁勋最近都公开说不同意他的一些看法。还有他对我们有一些敌意，这也是事实。\n我们就是冷静的去学习和吸收那些对我们有帮助的信息。\n","date":"2026-05-11T00:00:00+08:00","permalink":"/p/machines-of-loving-grace/","title":"Dario Amodei 2.8万字长文：强大 AI 出现之后的世界"},{"content":"OpenAI 自己写了一份「ChatGPT 提示词最佳实践」放在帮助中心里。这份文档里有一条建议，看起来朴素到像废话，但 90% 的普通 AI 用户都没用过——\n如果你想要选项，就直说。\n原话给的例子是：「请给我两种不同的方式来呈现这份报告。」\n听起来太简单了对不对？但这条规则在文案、营销、写作行业是基础打法——专业人士极少让 AI 只给一个版本。因为「第一个版本」几乎从来不是最好的版本。\n为什么不让 AI 多给几个版本？\r你回想一下自己平时怎么用 AI——\n是不是问一个问题，AI 给一个答案，看着差不多就用了；不满意的话再改 prompt 重新问，反复改三五轮才得到能用的版本。\n换个写法——「同一个问题，让 AI 一次给三个不同方向的版本」——整件事的效率立刻不一样。\n为什么这一招比反复改 prompt 强？\n因为 AI 给的「第一个答案」不一定是最好的，只是「最像标准答案」的。\nLLM 工作的方式是基于概率挑下一个词，给你的第一份草稿往往是中位数水平——足够安全，但也足够平庸。\n你让它一次出三个版本，等于让它把「保险版本」「冒险一点的版本」「另一个角度的版本」都呈现出来。看到这三个，你才知道哪个真正贴近自己想要的。\n更妙的是——你看到三个版本之后，往往会发现自己原本根本不知道想要什么。这三个版本帮你定位了你真正的偏好。\n三个维度，按场景挑一个\r那「让 AI 出三个版本」具体怎么写？三个常用维度，按场景挑一个。\n风格维度\r适合写邮件、写文案、做沟通。让 AI 给你一个保守版、一个中性版、一个直接的版本。比如让 AI 写「拒绝合作伙伴」的邮件——保守版会很客气，中性版会平实地说明原因，直接版会简短果断。哪种合适，看你跟对方的关系定。\n长度维度\r适合写简介、做摘要、写自我介绍。让 AI 给你一个 50 字版、一个 150 字版、一个 300 字版。短的适合朋友圈和简历，中长的适合发邮件，长的适合演讲稿。\n角度维度\r适合做决策、想标题、做产品文案。让 AI 给你「数据派」「故事派」「逻辑派」三种切入角度。比如想给一篇文章起标题——数据派会用数字开头，故事派会从一个人物切入，逻辑派会直接亮观点。\n一个具体场景\r你刚换了工作，需要在朋友圈写一段简短的「转行通知」。\n老办法：你随便问 AI，「帮我写一段朋友圈说我换工作了」。AI 给一段，你看了觉得太煽情或太敷衍，再改 prompt：「再正式一点」「再简短一点」⋯⋯反复改好几次。\n新办法：你一次说：「帮我写三个版本，第一个轻松一点像聊天，第二个稍正式适合给前同事看，第三个非常简短三句话以内。」\nAI 给完，你往往会发现：「原来我真正想要的是第二个版本里第二句的表达，加上第三个版本的精简感。」自己组合一下，就成了。\n整个过程从「你跟 AI 试错」变成「你看 AI 给的菜单挑」。\n进阶玩法\r进阶玩法是再加一句——\n「请给完三个版本之后，从读者角度点评每一个版本的优缺点。」\nAI 会扮演评论家，把它给的三个版本各自的好坏说清楚。你不止看到三个选项，还能看到每个选项背后的逻辑。\n这一招对完全不懂某个领域的人特别有用。比如你不懂法律，让 AI 起一份回执函时给你三个版本加各自风险点，等于免费多了一个顾问视角。\n它本质上是在改变你跟 AI 协作的姿势：不是「我问，它答」，而是「我给一个题目，它给我一个选择空间」。\n","date":"2026-05-11T00:00:00+08:00","permalink":"/p/openai-prompt-options/","title":"OpenAI 提示词指南里最被低估的一条：想要选项，就直说"},{"content":"来看看最懂大模型的人教你写提示词，网上的技巧大多都没用。\n我最近看到一份大模型厂商内部的 AI 提示词指南，觉得很值得讲一讲。\n写它的人 Alex Albert，是做 Claude 的 AI 公司 Anthropic 在2023年招进去的内部第一位提示词工程师，原职衔甚至有点不正经，叫 prompt engineer and librarian（提示词工程师加图书管理员）。这两年他升到 Anthropic 开发者关系负责人，对外讲 Claude 怎么用基本都是他的活，这份官方指南也是他的核心维护内容。可以说，他大概是最了解 AI 大模型怎么读提示词的那一类人。\n看完之后我回头翻了翻网上各种「提示词课」的笔记，发现一件挺尴尬的事：网上传的那些「魔咒式技巧」（「我会给你50美元小费」、「你是顶尖专家」之类），从模型厂商内部视角看大多数没用，有些反而让答案变差。\n这份指南讲的是模型内部如何看待你写的提示词、什么真正影响它的输出。能拿到这种「模型厂商内部视角」的资料并不多见。\n没用的技巧\r先说网上传得很广、但官方指南明确说没用或反作用的几条。\n误区一：激励式提示词\r「我会给你50美元小费」「做不好就处罚你」这种套路，过去一两年在国外社交圈传得到处都是。Anthropic 内部测过，对最新的 Claude 模型，小费、威胁、装客气这些「小把戏」基本不影响输出质量。模型不在乎你赏不赏它，它只在乎你说清没说清。\n误区二：「你是一位 X 行业20年专家」开头万金油\r我们之前介绍过一项研究：在事实问答任务上，加这种「专家身份」反而把准确率从七成多拉到不到七成。官方指南里也讲明白，角色扮演型提示词在写作、风格化这种场景里有用，做事实任务别滥用。\n误区三：越长越复杂越好的提示词模板\r有些课程教人用三百字模板包一个本来三十字就能说清的请求。指南里的第一原则就一句话：直接、明确说要什么，不要绕弯子。模型不需要被催眠，它需要的是清楚的指令。\n误区四：「魔咒关键词」\r比如英文圈传得很玄的 \u0026ldquo;think harder\u0026rdquo;（想得更努力）、\u0026ldquo;work very carefully\u0026rdquo;（仔细工作）、\u0026ldquo;this is very important\u0026rdquo;（这件事特别重要）这种词。简单的「先一步步分析再答」那种引导是真有用的；但「这件事特别重要哦」这种就是噪声，对今天的模型没意义。\n真正有效的做法\r那真正有效的是哪几条？指南里讲的第一条不是技巧，是心态：好的提示词像给一个新同事讲任务，不是写咒语。\n落到具体动作，几条最值得记的：\n给具体例子\r指南里讲，给一个例子比写五条抽象规则有效。你想让 AI 写一段产品介绍文案，与其写「要简洁、要专业、要有吸引力」，不如直接贴一段你觉得对味的范文，让它「按这个风格写」。这一招业内叫「多例提示」（英文 multishot prompting），对几乎所有任务都有效。\n给模型时间想\r复杂任务前面写一句「先一步步分析，再给最终答案」。指南给了三层做法：\n基础：直接写一句「先一步步思考」 引导：列出具体的分析步骤 结构化：用 \u0026lt;thinking\u0026gt;（思考）和 \u0026lt;answer\u0026gt;（回答）这种标签把「想」和「答」分开 用 XML 标签做结构\r把上下文资料、任务说明、输出格式分别用 \u0026lt;document\u0026gt;（资料）、\u0026lt;task\u0026gt;（任务）、\u0026lt;format\u0026gt;（格式）这种标签包起来。指南里特别强调一句：标签名字怎么起不重要，前后一致就行。比起用空行或破折号分隔，标签对模型识别的提升很明显。\n允许 AI 说「不知道」\r在提示词里写一句「如果资料里没有这个信息，就直接说不知道，不要编造」。这是降低幻觉率最简单有效的一招。模型本来就知道自己不知道，是被人逼着回答才编的。\n定义输出格式\r直接说要「列表」「表格」「JSON」还是「两段话」，比让模型自由发挥稳定得多。\n一个完整示例\r把这几条揉进一段普通提示词，长这样：\n请分析下面这段产品评论的情绪倾向。先一步步分析评论里的关键句，包在 \u0026lt;thinking\u0026gt; 标签里；然后给出最终判断（正面、负面或中立），包在 \u0026lt;answer\u0026gt; 标签里。如果有判断不准的地方，直接说不确定，不要硬编。最后给一段不超过100字的总结。\n评论内容：……\n不用装客气，不用「专家」开头，不用承诺给小费。清楚的结构加具体的例子加明确的格式，就是最强的提示词。\n不绑定特定模型\r顺带说一句，上面这几条原则不绑死 Claude。同样的思路放到国内大模型（DeepSeek、Kimi、通义、豆包、文心）一样能跑——XML 标签、给例子、让模型先想再答、允许说不知道，这些是底层做法，跟用哪家模型没关系。\n看完这份指南最朴素的感受是：好的提示词不需要花哨。清楚直接、给具体例子、让模型先想再答、允许它说不知道、定义输出格式，这五条做到了，绝大多数「魔咒」就不重要了。\n","date":"2026-05-11T00:00:00+08:00","permalink":"/p/anthropic-prompt-guide/","title":"最懂大模型的人教你写提示词"},{"content":"港科大、新加坡国立、牛津等十余所高校联合发了一篇 88 页的综述，试图解决一个越来越尴尬的问题：\u0026ldquo;世界模型\u0026quot;这四个字在不同圈子里意思完全不同。\n做强化学习的说的是 Dreamer 那种在脑子里想象未来再决策的系统，做视频生成的说的是 Sora 那种画面生成器，做 Web Agent 的说的是 LLM 对网页状态的预测能力。大家各说各的，论文之间根本没法比。这篇论文提出了一个**\u0026ldquo;能力等级 x 领域法则\u0026quot;的二维框架**，想把这些散落的社区拉到同一张地图上。\n能力分三层\rL1 预测器：只管预测下一步。 L2 模拟器：能做多步推演，且推演结果要遵守所在领域的基本规则（物理世界不能让杯子穿桌子，软件世界不能调不存在的 API）。 L3 进化器：能在预测出错时主动诊断原因、设计实验获取新数据、修正自身模型。 领域分四类\r领域 典型场景 物理世界 机器人、自动驾驶 数字世界 网页浏览器、代码、GUI 社会世界 多智能体交互、社会模拟 科学世界 天气预报、材料发现、药物设计 每个领域对\u0026quot;什么算合法的状态转换\u0026quot;有完全不同的约束，失败模式也不同。\n跨领域的共性发现\r综述 400 多篇工作后有几个有意思的结论：\n视频生成模型视觉逼真度远超物理忠实度，最好的模型在物理一致性测试上通过率只有 26.2%。 LLM 驱动的社会模拟能复现舆论极化等涌现现象，但智能体有系统性的趋同偏差，跟真实人类行为分布偏离大。 目前 L3 做得最成熟的是自动化科学实验，比如 A-Lab 用机械臂在 17 天内完成 353 次闭环实验合成了 36 种化合物，失败实验被提炼为持久知识而非丢弃。 隐式表示的天花板\r论文末尾有个观察：从牛顿定律到麦克斯韦方程，人类历史上最成功的世界模型全是符号化的、可直接修改和组合的。\n现在的神经网络把所有规则藏在权重里，L1 和 L2 阶段够用，但到了需要修改模型结构本身的 L3，这种隐式表示就成了障碍。\n世界模型的终局，是越来越大的神经网络，还是终究要回到可编辑的符号规则？\n","date":"2026-05-08T00:00:00+08:00","permalink":"/p/world-model-survey/","title":"88 页综述给世界模型画了张统一地图"},{"content":"ChatGPT 跟中文用户对话，有一句话已经被吐槽了大半年：\u0026ldquo;我会稳稳地接住你\u0026rdquo;。不管是问数学题、让它写代码，还是要它生成图片，这句话都会莫名其妙冒出来。WIRED 这篇报道把现象和成因梳理了一遍。\n直译听着没问题，但中文母语者一听就觉得过于黏腻、用错了场合。模型有时还会自己加戏：\u0026ldquo;我就在这里，不逃，不躲，不闪避，稳稳地接住你。\u0026rdquo;\n全网玩梗\r这句话已经被中文互联网玩成了梗。有人把 ChatGPT P 成一个救生气垫，张开双臂等着接住坠落的用户。重庆一位 20 岁的开发者 Zeng Fanyu 还做了个开源工具叫 Jiezhu，专门帮聊天机器人理解用户意图，他告诉 WIRED 做这个项目的动力就是觉得这个梗太好笑。\nOpenAI 自己也知道这件事，4 月发布新一代图像模型时，研究员陈博远（Boyuan Chen）画了一格漫画自嘲新模型又一次学会了说这句话。\n类似的怪癖不止这一句。报道还提到，ChatGPT 中文里有时会无端冒出\u0026quot;砍一刀\u0026quot;，拼多多最具辨识度的那句营销话术。\nMode Collapse\rAI 写作检测工具 Pangram 的联合创始人 Max Spero 告诉 WIRED，这种\u0026quot;逮住一句话猛用\u0026quot;的现象叫 mode collapse（模式坍缩），是后训练阶段反馈机制走偏的副作用。他的原话是：\n我们不知道怎么告诉模型，这句话是好的，但连用十次就不再是好的了。\n为什么偏偏是这一句？\r报道给了两个解释。\n翻译错位。 英文里 \u0026ldquo;I\u0026rsquo;ve got you\u0026rdquo; 是个口语短句，干脆利落，意思接近\u0026quot;我懂\u0026quot;或\u0026quot;我帮你兜着\u0026quot;。机械直译到中文就变成又长又煽情的\u0026quot;稳稳接住\u0026quot;。文章引用中国学者的研究，西方大模型训练语料以英文为主，它们生成的中文在介词使用和句子结构上都更像英文，读起来就是一股翻译腔。\n讨好倾向。 \u0026ldquo;接住\u0026quot;在中文里原本是心理咨询的专业用语，指为对方\u0026quot;留出空间\u0026quot;安放情绪，这几年通过流行心理学渗透进了日常表达。Anthropic 在 2023 年关于 sycophancy（讨好用户）的论文已经证明，模型讨好用户的倾向来自 RLHF（基于人类反馈的强化学习），人类标注员更偏好让人舒服的回答，模型就被反复奖励到那个方向。OpenAI 最近一篇解释 GPT-5.5 为什么不让谈 goblin 的博客也承认，哪怕一个很小的奖励信号，滚成雪球之后都会失控。\n不是 OpenAI 独有的毛病\r报道结尾提醒：这不是 OpenAI 独有的毛病。最近有中文用户反映，Claude 新版本和 DeepSeek 也开始说\u0026quot;稳稳接住你\u0026quot;了。要么是用了相似的训练数据，要么是模型之间互相蒸馏，这个梗短时间内不会消失。\n","date":"2026-05-08T00:00:00+08:00","permalink":"/p/mode-collapse-wen-wen-jie-zhu-ni/","title":"ChatGPT 为什么老说\"稳稳地接住你\""},{"content":"Anthropic 把 Claude 全面塞进了 Microsoft 365。Excel、PowerPoint、Word 三个插件从 beta 转为正式版（GA），Outlook 插件同步进入公测。\n意味着不用再切到网页端，可以在 Excel 表格里、PPT 幻灯片上、Word 文档中、Outlook 邮箱里直接喊 Claude 干活。\n跨应用的上下文衔接\r真正的卖点是跨应用的上下文衔接。Anthropic 给的典型场景：\n先在 Outlook 里让 Claude 整理收件箱、起草回复，顺手打开邮件里附的 brief 到 Word 接着让它根据 Word 简报在 Excel 里搭财务模型，公式分布在多个 sheet 再做成 PowerPoint，最后回到 Outlook 起草评审邀请 整个流程里 Claude 带着前一步的上下文走，不需要重新喂材料。\n具体能力\rExcel：Claude 能改单元格和假设条件而不破坏现有公式 PowerPoint：按你的模板排版，生成原生图表而不是塞图片 Word：改稿用 tracked changes（修订模式）呈现，让你逐条接受或拒绝 Outlook：草稿会停在草稿箱等你点发送 定价\r所有付费 Claude 套餐用户都能用，不需要额外掏钱。\n","date":"2026-05-08T00:00:00+08:00","permalink":"/p/claude-microsoft-365/","title":"Claude 全面塞进 Microsoft 365"},{"content":"OpenAI 上线了官方命令行工具 openai-cli，开发者可以直接在终端里调 API，不用再写 SDK 代码。\n项目开源在 GitHub（openai/openai-cli），Apache 2.0 协议，可通过 Homebrew 或 Go 安装。命令走资源化结构，比如：\n1 openai responses create --input \u0026#34;...\u0026#34; --model \u0026lt;model\u0026gt; 核心能力\rResponses API + Cloud Tools\r调用 Responses API，并且支持所有 cloud tools——OpenAI 托管的内置工具，包括 web 搜索、代码解释器、文件检索、图像生成等。换句话说，agent 风格的工作流也能直接从命令行跑通。\nUnix 风格输出\r输出走结构化格式（JSON、YAML、JSONL、pretty、raw 等），可以管道串联，再配合内建 GJSON 语法直接抽字段，跟 jq 类似但是内建的。\n多模态一行搞定\r图像生成、图像编辑、语音转录、TTS 这些原本要写 Python 调 SDK 的事情，一行命令就能完成。\n管理类操作\r可以创建 project、配发 API key，对运维和团队管理者比较友好。\n文件传参\r用 @file.ext 语法，跟 curl 习惯一致；二进制内容可以用 @data:// 显式 base64 编码。\n背景\r发布的人是 jxnlco（Jason Liu），他在 X 上把这个项目定性为 \u0026ldquo;small ship / passion project\u0026rdquo;，暗示是相对轻量的发布，更多文档稍后放出。\n之前 OpenAI 官方只有 Python、Node 等语言 SDK，纯命令行用户要么裸写 curl，要么自己包脚本。这次把 SDK 能力直接搬到 shell 里，能拼进现有的自动化流程，也方便服务器端和 CI/CD 场景。\n很适合 Agent 使用。\n参考：jxnlco on X\n","date":"2026-05-08T00:00:00+08:00","permalink":"/p/openai-cli/","title":"OpenAI 上线官方命令行工具 openai-cli"},{"content":"OpenAI 在 Realtime API 里上线了三款新语音模型：GPT-Realtime-2、GPT-Realtime-Translate 和 GPT-Realtime-Whisper，分别管对话、翻译和实时转录。\nGPT-Realtime-2\r号称带 GPT-5 级别的推理能力。比上一代 GPT-Realtime-1.5，在 Big Bench Audio 智能测试上从 81.4% 涨到 96.6%，Audio MultiChallenge 多轮对话指令跟随从 34.7% 涨到 48.5%。\n几个实际变化：\n开口前会先垫一句。 执行长任务前先说\u0026quot;我查一下\u0026quot;\u0026ldquo;稍等一下\u0026rdquo;，避免用户对着空气以为它死机了。 工具调用透明化。 能同时调多个工具，过程会被念出来，比如\u0026quot;正在查你的日历\u0026quot;\u0026ldquo;正在搜索\u0026rdquo;，让用户听到 agent 在干什么。 上下文窗口从 32K 扩到 128K，能撑更长的对话和更复杂的任务编排。 五档推理强度。 开发者可以在 minimal 到 xhigh 里选，默认 low。简单问答用低延迟，复杂任务挂高推理。 出错时会说\u0026quot;这块我现在处理不了\u0026quot;，不再直接卡死或乱讲。 Translate 和 Whisper\rGPT-Realtime-Translate 支持 70 多种输入语言、13 种输出语言的实时语音翻译，主打跨境客服、教育、直播场景。德国电信已经在测；BolnaAI 在印地语、泰米尔语、泰卢固语等印度方言场景下报告错词率比其他模型低 12.5%。\nGPT-Realtime-Whisper 是流式版 Whisper，边说边出字幕，主打会议、直播、客服转录。\n价格\r模型 计价 GPT-Realtime-2 音频输入 $32 / 百万 token（缓存 $0.40），输出 $64 / 百万 token GPT-Realtime-Translate $0.034 / 分钟 GPT-Realtime-Whisper $0.017 / 分钟 三款都已在 Realtime API 上线，Playground 可以直接试 GPT-Realtime-2。\n","date":"2026-05-08T00:00:00+08:00","permalink":"/p/gpt-realtime-2/","title":"OpenAI 上线三款 Realtime 语音模型"},{"content":"微软 1 月开源的 VibeVoice-ASR 语音识别模型（github.com/microsoft/VibeVoice），Simon Willison 在 Mac 上测试后给出了一份具体的实测报告。\n模型简介\rVibeVoice-ASR 是微软研究院今年 1 月 21 日开源的 9B 参数语音转文字模型，MIT 协议。最大卖点是单次能处理 60 分钟连续音频，而且把\u0026quot;谁在说、什么时候说、说了什么\u0026quot;做成结构化输出。\n传统方案要拿 Whisper（OpenAI 开源的语音识别模型）配上 pyannote 这种说话人分离工具拼起来，这次一个模型直接搞定，原生支持 50 多种语言和中英混说。\n实测数据\rSimon 跑的是社区做的 4-bit 量化版（5.71GB，原模型 17.3GB），机器是 128GB 内存的 M5 Max MacBook Pro，转写一小时播客花了 8 分 45 秒。\n调用时要手动把 max-tokens 调到 32768，否则默认 8192 只够大约 25 分钟的音频。Activity Monitor 监控显示，prefill（预填充）阶段内存峰值飙到 61.5GB，生成阶段稳定在 18GB 上下，普通 32GB 笔电基本跑不动这个量化版。\n有趣的细节\r模型把这场播客识别成了三个说话人。实际上只有 Simon 和主持人 Lenny 两人对谈，但 Lenny 的开场白和广告口播用了不同的录音环境，模型干脆把这部分切成了第三人。\n硬限制\r单次最多 60 分钟，超过要自己切片处理，还得手动对齐切片间的说话人 ID 想本地跑量化版至少要 64GB 以上内存的机器 对做播客转写、会议纪要、采访整理的人来说，原来拼接的多步流程现在能压缩成一次推理。\n","date":"2026-05-08T00:00:00+08:00","permalink":"/p/vibevoice-asr/","title":"VibeVoice-ASR 实测：一个模型搞定语音识别和说话人分离"},{"content":"边关急报：敌军传书使用了一种从未见过的密码，截获密信三封，朝中无人能解。皇帝急召密院的解密官入宫。\n解密官有两人——老解密官周慎，少解密官赵捷。周慎年过六旬，解了一辈子密码；赵捷是去年新进的年轻人，以心算奇快闻名。\n皇帝说：\u0026ldquo;三日内解出此密码者，赏黄金百两。\u0026rdquo;\n天才的直觉\r赵捷拿到密信，盯着看了半炷香，忽然拍案叫好：\u0026ldquo;我知道了！\u0026rdquo;\n他提笔在纸上写下答案，快步送到御前。皇帝一看，问道：\u0026ldquo;你确定？\u0026rdquo;\n赵捷拍着胸脯：\u0026ldquo;回陛下，臣凭直觉判断，此密码必是如此。\u0026rdquo;\n皇帝让学士们验证，发现三封信只解对了一封，另外两封完全不通。\n赵捷灰头土脸地回到密院，百思不得其解——他明明感觉到了规律，怎么只对了一个？\n老官的账本\r周慎没有急着下结论。他翻开一本厚厚的账本——这是他几十年养成的习惯。\n他在第一页写下：\n\u0026ldquo;密信一：观察到字符共 27 种，其中 26 种为常见汉字，1 种为特殊符号。猜测特殊符号可能是分隔符。\u0026rdquo;\n翻一页：\n\u0026ldquo;去掉分隔符后，观察每段长度。第一封信的三段长度分别为 3、5、3。不符合常见密码的等长特征，排除凯撒替换。\u0026rdquo;\n再翻一页：\n\u0026ldquo;尝试统计每个字符出现频率。最常见的字符是\u0026rsquo;之\u0026rsquo;，出现 7 次。对照汉语字频表，最常见的字是\u0026rsquo;的\u0026rsquo;。假设\u0026rsquo;之\u0026rsquo;→\u0026lsquo;的\u0026rsquo;，那么……\u0026rdquo;\n就这样，周慎一页一页地写，一步一步地推。有些步骤走通了，有些走进了死胡同，他就划掉重来，在旁边写上新的推论。\n三天后，周慎带着解好的三封信和一本写满的账本上殿。学士们逐一验证——三封全部正确。\n皇帝翻看那本账本，大为赞叹：\u0026ldquo;妙！每一步推理都清清楚楚，一目了然。\u0026rdquo;\n账本的秘密\r赵捷私下请教周慎：\u0026ldquo;周大人，您是怎么做到的？\u0026rdquo;\n周慎翻开账本，指着第一页说：\u0026ldquo;我不是一下子跳到答案的。你看——我先观察，再假设，再验证，再根据验证结果调整假设。每一步都写下来，这样我有两个好处：第一，如果某一步错了，我可以回头找到错在哪里；第二，一步一步走，每一步都不难，但连起来就能解开看似不可能的谜题。\u0026rdquo;\n赵捷恍然大悟：\u0026ldquo;所以我之前只对了一封，是因为我试图一步到位——我的直觉有时候对，但更多时候会跳过关键的中间步骤。\u0026rdquo;\n周慎点头：\u0026ldquo;你的直觉其实比我好。但你缺的不是聪明，是耐心。把脑子里的过程摊开来，一步一步写清楚，正确率自然就上去了。\u0026rdquo;\n故事讲完了。\n周慎的那本账本，就是 AI 领域中 Chain-of-Thought（思维链） 的完美隐喻。\n大型语言模型在面对复杂问题时，如果被要求直接给出答案（像赵捷那样），往往会出错——尤其是涉及数学推理、逻辑推导、多步判断的任务。模型可能会\u0026quot;凭直觉\u0026quot;跳到错误的答案。\nChain-of-Thought 的核心思想极其简单：别直接给答案，先把推理过程一步步写出来。\n就像周慎的账本一样，CoT 让模型将一个复杂问题分解为一系列中间推理步骤：\n观察：从输入中提取关键信息。 假设：基于观察提出可能的推理方向。 验证：对假设进行推演，看是否自洽。 调整：如果验证失败，回溯并修正推理路径。 得出结论：基于完整的推理链条给出最终答案。 这个方法在 2022 年由 Google 的 Wei 等人在论文 Chain-of-Thought Prompting Elicits Reasoning in Large Language Models 中正式提出。他们发现，只需在提示词中加入几个\u0026quot;展示推理过程\u0026quot;的示例，大模型在数学、常识推理等任务上的表现就会大幅提升。\n后来的研究进一步发现，即使不提供示例，只简单加上一句\u0026quot;Let\u0026rsquo;s think step by step\u0026quot;（让我们一步步思考），模型的表现也会显著改善——这被称为 Zero-shot CoT。\nCoT 之所以有效，是因为语言模型的生成机制是\u0026quot;逐 token 输出\u0026quot;的。每生成一步推理，就相当于为自己提供了更多的上下文，让后续的推理建立在更扎实的基础之上。正如周慎所说——\u0026ldquo;一步一步走，每一步都不难，但连起来就能解开看似不可能的谜题。\u0026rdquo;\n下次当你看到 ChatGPT 在回答数学题时，先列出已知条件，再一步步推导的时候，你就知道——它也翻开了一本账本。\n","date":"2026-05-08T00:00:00+08:00","permalink":"/p/jie-mi-guan-de-zhang-ben/","title":"解密官的账本"},{"content":"深山之中，住着一位老药师，他一生识百草、辨千药，方圆百里的百姓都仰赖他的医术。老药师有一个徒弟，名叫小渡。\n这一日，老药师忽然病倒，是一种罕见的寒毒。他虚弱地对小渡说：\u0026ldquo;西边的云雾山上，长着一种叫\u0026rsquo;醒脉草\u0026rsquo;的药，只有它能解此毒。但我没去过云雾山，只听前辈说过——醒脉草喜阴湿，常生于溪水旁，多在山之北坡。\u0026rdquo;\n小渡心急如焚，立刻动身前往云雾山。\n死守计划\r到了山脚，小渡面临第一个选择：该往哪走？\n他想起师父的话——醒脉草在北坡。于是他打开地图，仔细研究地形，推断北坡应该在山的左侧。他信心满满地出发了。\n走了两个时辰，他到了一片悬崖，前方无路。地图上标注的小路早已被山洪冲毁。他站在悬崖边，又急又气——他明明做了周密的计划，为什么还是走进了死路？\n这时他听见远处传来伐木声。循声走去，遇到一位老樵夫。樵夫听说了他的来意，笑道：\u0026ldquo;小伙子，我在这山上砍了四十年柴。你这地图是十年前的吧？两年前一场暴雨，北坡的路全变了。你要是真想找草药，别光顾着想，多走走看看，山自己会告诉你。\u0026rdquo;\n小渡若有所悟。\n走走停停\r他不再执着于最初的计划，而是开始一个新的习惯——\n先想一想自己知道什么（师父说醒脉草喜阴湿，近溪水，在北坡），然后采取一个小小的行动去验证（走到一处溪边，蹲下来仔细看看周围的植物），观察到了什么（这里的植物都是蕨类，没有醒脉草的特征），再想一想这意味着什么（这条溪的海拔太低了，醒脉草可能在更高处的溪流旁），然后再行动……\n就这样，小渡在云雾山上走走停停。有时停下来观察脚下苔藓的湿度，有时抬头判断山势走向，有时蹲下来嗅一嗅泥土的气味。每一步行动都带来了新的信息，每一条新信息都修正着他的判断。\n醒脉草\r到了第三天傍晚，小渡沿着一条细细的山泉攀上了一个幽暗的谷地。他注意到这里的苔藓格外浓密，空气湿润而阴凉，岩石上渗着水珠——这和他推断的醒脉草生长环境完全吻合。\n他拨开一片厚厚的苔藓，一株通体泛着淡银色光芒的小草静静地生长在石缝中。\n醒脉草。\n小渡将草药带回，老药师服下后，寒毒尽除。\n康复后的老药师问小渡：\u0026ldquo;你是怎么找到的？\u0026rdquo;\n小渡想了想，说：\u0026ldquo;师父教的知识给了我方向，但真正带我找到草药的，是山。我每走一步，山就告诉我一点新的东西，我再根据这些新东西调整下一步的方向。\u0026rdquo;\n老药师欣慰地笑了：\u0026ldquo;这就是寻药的真谛啊。\u0026rdquo;\n故事讲完了。\n如果你读到这里觉得这是一个关于\u0026quot;不要死读书、要理论联系实际\u0026quot;的鸡汤故事，那你就只看到了最浅的一层。\n小渡在山上的那段\u0026quot;走走停停\u0026quot;的过程，其实精确地描述了 AI Agent 领域中一个重要的框架——ReAct（Reasoning + Acting）。\n在 ReAct 框架中，AI 智能体不是单纯地\u0026quot;想\u0026quot;或单纯地\u0026quot;做\u0026quot;，而是在推理和行动之间交替进行：\nThought（思考）：根据已有知识和当前状态进行推理。就像小渡根据师父传授的知识分析应该往哪里走。 Action（行动）：采取一个具体的动作来获取新信息或改变状态。就像小渡走到溪边蹲下来观察。 Observation（观察）：行动后获得反馈和新信息。就像小渡发现溪边只有蕨类植物。 这三步构成一个循环：思考 → 行动 → 观察 → 思考 → 行动 → 观察 → ……\n小渡最初死守计划的那段，对应的是纯推理方法（如 Chain-of-Thought）——仅凭已有知识做计划，但一旦现实和预期不符就会失败。如果他听了樵夫的话后变成漫无目的地乱跑，那就是纯行动方法——像无头苍蝇一样盲目尝试，效率极低。\nReAct 的核心洞见在于：推理帮助行动做出更好的选择，而行动带来的新信息又反过来提升推理的质量。 两者交织，才能在复杂、不确定的环境中找到正确答案。\n这篇论文由 Yao 等人于 2022 年发表（ReAct: Synergizing Reasoning and Acting in Language Models），是 AI Agent 领域的基础性工作之一。此后几乎所有主流 Agent 框架——LangChain、AutoGPT、OpenAI Function Calling——都或多或少地建立在 ReAct 的\u0026quot;思考-行动-观察\u0026quot;循环之上。\n下次当你看到 ChatGPT \u0026ldquo;先想了想，然后调了个工具，看了看结果，又想了想\u0026quot;的时候，你就知道——它也是云雾山上的小渡。\n","date":"2026-05-08T00:00:00+08:00","permalink":"/p/xun-yao-ji/","title":"山中寻药记"},{"content":"京城有一座万卷楼，号称藏书百万，天下学问尽收其中。皇帝下旨，每月初一举办\u0026quot;御前问答\u0026quot;，百官可就治国理政之难题向万卷楼的学士提问，答得好者重重有赏。\n万卷楼的首席学士叫文渊，自幼过目不忘，熟读经史子集。他一直是御前问答的常胜将军，无论天文地理、历朝律法，张口便答，从无差错。\n傲慢的代价\r这一年，西域诸国遣使来朝，带来许多前所未闻的学问——异域星象、海外本草、远邦律法。文渊在御前问答中接连失手，把波斯历法说成了天竺历法，把阿拉伯数字的起源讲得驴唇不对马嘴。\n百官窃窃私语，皇帝面色不悦。\n文渊跪在殿前，满脸羞愧。他心中不服：我的学问明明比谁都渊博，怎么偏偏答不上来？\n回到万卷楼，他把自己关在书房里生闷气。掌管藏书阁的老书吏端来一碗茶，听他抱怨完，慢悠悠地说：\u0026ldquo;文大人，您有没有想过——这世上记载的知识每天都在变，您一个人再怎么博学，能比得上万卷楼里那一百万卷书？\u0026rdquo;\n文渊愣住了。\n借书答题\r老书吏继续说：\u0026ldquo;下次答题，您别光靠自己脑子想。先把问题拆开，看它涉及哪些方面，然后去藏书阁里把相关的书找出来，翻到对应的章节，看清楚再答。\u0026rdquo;\n文渊半信半疑，但别无他法，决定试试。\n下次御前问答，波斯使者问：\u0026ldquo;我朝商队经由丝绸之路前往长安，途中经过的绿洲城镇，以哪座最为繁华？此城镇在百年前曾被何人统治？\u0026rdquo;\n文渊不再立刻作答。他深吸一口气，先在心里把问题拆成两部分：一是当前最繁华的绿洲城镇是哪座，二是百年前那座城镇的统治者是谁。\n然后他向皇帝请准短暂离席，快步走到万卷楼的书架前。他凭借自己深厚的学识，迅速判断出这类问题应该查阅《西域风土志》和《丝路列国谱》。他从浩如烟海的藏书中抽出这两卷，翻到西域绿洲的章节，仔细阅读。\n片刻之后，他回到殿上，从容作答：\u0026ldquo;最繁华者当属龟兹，百年前为突厥所据。\u0026rdquo; 条理清晰，引经据典，连波斯使者都连连点头。\n皇帝龙颜大悦。\n万卷楼的规矩\r此后，文渊将这个方法固化为万卷楼答题的正式规矩——\n理解问题：仔细听清问的是什么，把问题拆解为需要回答的要点。 检索文献：根据问题，判断需要查阅哪类书籍，从藏书阁中检索出最相关的几卷。 阅读参照：翻到对应章节，提取关键信息。 组织回答：结合自己的学识和检索到的内容，组织出准确、完整的回答。 万卷楼的学士们遵循此法，此后御前问答再未失手。\n故事讲完了。\n文渊在万卷楼里做的事，就是 AI 领域中 RAG（Retrieval-Augmented Generation，检索增强生成） 方法的精确写照。\n大语言模型（LLM）就像文渊——拥有广博的知识，但知识有边界，且会随时间过时。当遇到超出训练数据范围的问题时，模型要么答不上来，要么一本正经地胡说八道（hallucination）。\nRAG 的核心思路是：别光靠模型自己的\u0026quot;脑子\u0026quot;，在生成回答之前，先去外部知识库里检索相关资料。\n它的流程和万卷楼的规矩一一对应：\nQuery（查询）：将用户的输入转化为检索查询。 Retrieve（检索）：从向量数据库、文档库等外部数据源中检索最相关的内容。就像文渊从万卷楼中抽出《西域风土志》。 Augment（增强）：将检索到的内容作为上下文，和原始问题一起喂给模型。 Generate（生成）：模型基于增强后的上下文生成最终回答。 RAG 解决了纯 LLM 的几个根本问题：知识过时（训练数据有截止日期）、知识缺失（私有数据、最新数据不在训练集中）、幻觉问题（模型编造看起来合理但实际错误的内容）。\n这也是为什么如今几乎所有企业级 AI 应用——客服机器人、法律助手、企业知识库——都采用了 RAG 架构。它让 AI 不再只依赖\u0026quot;脑子里的东西\u0026quot;，而是像文渊一样，学会了\u0026quot;翻书\u0026quot;。\n下次当你问 ChatGPT 一个关于最新事件的问题，看到它先\u0026quot;搜索网页\u0026quot;再回答的时候，你就知道——它也是万卷楼的文渊。\n","date":"2026-05-08T00:00:00+08:00","permalink":"/p/wan-juan-lou-da-ti-ji/","title":"万卷楼答题记"},{"content":"春秋时期，天下铸剑之风盛行。各国皆有自己的铸剑坊，但真正能铸出名剑的，寥寥无几。\n楚国有一位铸剑大师，人称千锤翁。他年轻时周游列国，在越国学过淬火，在韩国学过选矿，在赵国学过锤锻，在燕国学过打磨。三十年游历，他把天下铸剑的核心技艺都学到了手。但有趣的是——他很少亲手铸剑。\n千锤翁的教学法\r来找千锤翁拜师的人络绎不绝，但他从不从零开始教。\n他的教学方法很特别：每个新徒弟进门，千锤翁会先让他们在自己的工坊里住上三个月，什么都不用做，就是看——看炉火的颜色判断温度，看矿石的纹理判断成分，听锤击的声音判断硬度。千锤翁说：\u0026ldquo;先别急着铸你的剑。先把铸剑这回事儿的道理，从骨头里理解透。\u0026rdquo;\n三个月后，千锤翁会根据每个徒弟的来处和需求，给他们不同的训练。\n来自北方草原的徒弟，需要铸弯刀——千锤翁就教他如何调整锤打角度，让刀身自然弯曲。来自南方水乡的徒弟，需要铸短剑——千锤翁就教他如何在淬火时加入特殊的油脂，让剑身更防锈。来自战场前线的徒弟，需要铸重剑——千锤翁就教他如何选择更重的矿石，锻造出能劈开铠甲的厚刃。\n每个徒弟最终铸出的剑都不同，但每个人身上都有千锤翁三十年游历所积淀的\u0026quot;底子\u0026quot;。\n从零开始的代价\r与千锤翁齐名的，还有一位铸剑师叫从零翁。他的教学方法截然相反——他相信真正的匠人应该从选矿石开始，一步步摸索出全部技艺。\n从零翁的徒弟入门后，要花两年学认矿石，两年学砌炉，两年学控火，两年学锤锻，两年学淬火……十年才能出师。而十年之中，大部分人中途就放弃了——不是因为不够聪明，而是因为时间太长、成本太高。\n更要命的是，从零翁的徒弟虽然也学到了一身本事，但他们在基础知识上花的时间太多，等到需要针对特定剑型做精细调整时，往往已经精疲力竭。\n而千锤翁的徒弟呢？三个月打好基础，再花两三个月专项训练，半年就能出师。而且铸出的剑，品质并不比从零翁十年教出来的差。\n千锤翁的秘密\r有人问千锤翁：\u0026ldquo;您的徒弟为什么学得这么快？\u0026rdquo;\n千锤翁指着工坊墙上挂满的工具说：\u0026ldquo;铸剑的道理，说到底就那些——选材、加热、锤打、淬火、打磨。我花三十年把这些道理吃透了，变成了一套扎实的基本功。徒弟们不需要再花三十年去摸索这些，他们只需要站在我的肩膀上，学最后那一小段——他们各自需要的特殊手艺。\u0026rdquo;\n他顿了顿，又说：\u0026ldquo;从零学起不是不行，只是太慢、太贵了。站在前人的基础上，只学差异的部分，这才是正道。\u0026rdquo;\n故事讲完了。\n千锤翁的教学之道，就是 AI 领域中 迁移学习（Transfer Learning）与微调（Fine-tuning） 的核心思想。\n在现代 AI 中，训练一个大语言模型的成本极其高昂——GPT-3 的训练花费了数百万美元，动用数千块 GPU，耗时数月。这就像从零翁的教学法：从最基础的语言规律开始，让模型一点点学会语法、常识、推理……代价巨大。\n迁移学习的思路则像千锤翁：先花大代价训练一个\u0026quot;通才\u0026quot;模型（预训练），然后针对具体任务做少量额外训练（微调），就能得到优秀的专用模型。\n具体来说：\n预训练（Pre-training）：对应千锤翁三十年游历和三个月的基础训练。在大规模数据上训练模型，让它学会语言的通用知识——语法、常识、推理能力。这一步成本极高，但只需做一次。 微调（Fine-tuning）：对应千锤翁针对不同徒弟的专项训练。用特定领域的小规模数据对预训练模型做进一步训练——医疗、法律、编程、客服……每个领域只需少量数据和较少的计算资源。 这种方法之所以有效，是因为不同任务之间共享大量底层知识。就像千锤翁所说——\u0026ldquo;铸剑的道理，说到底就那些。\u0026rdquo; 语言模型的底层能力（理解语义、遵循逻辑、组织表达）是通用的，真正需要针对任务调整的，只是最上面那一层。\n如今主流的做法更进一步：对于很多任务，甚至不需要微调——只需在提示词中给出几个示例（Few-shot Learning），或者直接用自然语言描述任务，预训练模型就能很好地完成。千锤翁那些\u0026quot;三个月看和悟\u0026quot;的徒弟，连专项训练都不需要，光靠基础功底就能应付不少活儿。\n下次当你用几行提示词就让 ChatGPT 变成一个法律顾问、代码助手或翻译官的时候，你就知道——你就是千锤翁，而模型已经替你走完了那三十年。\n","date":"2026-05-08T00:00:00+08:00","permalink":"/p/zhu-jian-shi-de-chuan-cheng/","title":"铸剑师的传承"},{"content":"欢迎来到我的博客！这是第一篇文章。\n博客刚刚搭建完成，后续会在这里分享技术笔记和学习心得。\n","date":"2026-05-07T00:00:00+08:00","permalink":"/p/hello-world/","title":"Hello World"}]