没明白具体是在做啥

经验之谈，跟是不是 AI 写代码没关系：所有涉及数据库写改的代码变更，上线前都先在测试环境连测试数据库全部跑一遍测试。生造数据怕漏的，可以把生产环境 Sample 一部分数据灌进去（公司有隐私要求的可以做下脱敏替换啥的），全流程走一遍 crud ，没问题了再上线。

家里全屋埋的六类非屏蔽网线，万兆不万兆不知道，反正我 2000M 的家宽能跑满。家里同时带机十几个设备完全没问题，重要的是水晶头好打，面板好买

有卡有钱有人，经得起折腾

自由职业自己注册个公司给自己缴纳就完了呗，没啥风险，自由职业接点商单也方便

LLM 自身的幻觉是不可避免的，查资料想精准就让 LLM 联网

这个还是看个人感受，我和朋友都去线下试了下，我感觉 c300 比较合适，s300 那个两侧腰托没有一整体的舒服。但朋友就觉得 s300 卡腰部往里收比较爽

现在很多国内大模型的 app 都能把答案生成 html 的，然后网页截图保存就是了。

用户量小随便搞，用户量稍大，建议海外服务器重新部署服务，内外隔离。
国内用户个人数据出境一旦被查，会很麻烦。美国和欧盟也一样。各地都有相应法规要求。

之前也遇到过各种 Ligatures 不正常情况，后来索性关了:)

@Noah1984 这个我认同。

这里面牵扯到两个有意思的点：
1. 大模型把产品 mvp 的门槛降低了，但实际上产品活下去的门槛并没有降低，反而更高了（因为供应量上来了，需求并没有增长多少）。所以一味的多做产品不如做精产品
2. 那么一波流产品是不是就完全没意义了？也不一定，作为产品验证的前期环节，早投放早得到反馈是好的。万一呢？

@Noah1984 哈哈，猜你会这么说，所以没打完。

所谓的护城河，并不来自手段本身。一般会认为，不就是套壳么，如果我知道 Prompt ，我也能——这就会导致很多人觉得，没有门槛，你套我也套，最后比拼什么？

但问题就在于：
1. 好的产品本后的 Prompt 及配套的工程，如果没有被完全 hack 出来，你是做不到效果一致和一样好的。
2. 即使都 hack 出来了，你的成本是不是和好的一致甚至更低？

这里面有个很关键的点：什么是门槛？
门槛并不是简单的产品实现，而是 knowhow——包括怎样写与迭代 Prompt ，怎样做配套的工程实现，也包括怎样设计产品界面，怎样调研产品需求，怎样拿到流量与反馈，怎样降本，怎样推广，怎样融资……

提两个 case：
1. 同样是 AI IDE ，为什么先做的 Github Copilot 没火，Cursor 先火了，字节家 copy 了个 Trae ，虽然有人用但内部人都嫌弃，而老牌 IDE Jetbrains 家的 AI 助手，狗都嫌？
2. 同样是最近大火的 AI Coding CLI ，为啥 Claude Code 好用，Google Gemini Cli 就只是能用，OpenAI 家的 Codex 都罕有人提？

不就是套壳么……

是否有商业价值和是否是提示词包装（套壳？）并没有直接关系。
包装提示词只是手段，商业价值来自于用户市场、市场供给……

@wei2629 屠龙技+1

现在的问题是，如果不做底层研究，你就算知道底层原理能手撸，也没啥用，10B 以下参数的模型，几年前训练 pipeline 就很成熟了，100B 以上的大模型，你没数据没算力知道底层原理照样没法训——这跟你知道原子弹制造原理，但没离心机搞不出高浓缩铀是一个道理。

所以你看现在大多高校科研机构做大模型研究，都是跟大厂合作了，高校自己的资源根本不够玩大模型的。

@TimePPT 这里面算上人工搬运了，不过帝都是电梯房，西南家里是低楼层，供参考

帝都搬西南某省，找的物流公司拼车，按体积算的，东西比较多(50*50*40 打包纸箱差不多 20 多个，还有些电器，行李箱)，不到 4k

@MaoRong 官方 Google AI Studio

小说用 Gemini 合适，超长上下文，比较爽。