Moments

流畅表达≠思想深度，AI 之下，真正的学习正在消失 | blog AI 正在将“语言的流畅度”与“真实的理解”剥离。如果教育的目标仅仅是产出完美的文本，我们正在面临一场大规模的认知替代，而非真正的学习。 当 LLM 能够瞬间生成逻辑自洽、文采斐然的论文时，一个危险的错觉产生了：语言的熟练运用等同于思想的深度。 这本质上是一种“认知外包”。如果一个人只是在复述、在搬运 AI 生成的结论，他其实并没有真正拥有这些知识，他只是充当了一个数据传输层。这就像是在看别人打篮球，看再多视频也无法产生肌肉记忆。 有观点认为，真正的理解来自于与现实的摩擦。就像 John Stuart Mill 所言，仅仅记住立场是不够的，你必须在被质疑的过程中，通过积极的辩护来完善自己的认知。AI 提供的不是这种摩擦，而是一种廉价的、无痛的模拟。 这种模拟正在让教育变得“空心化”。如果教学只关注结果的交付，学生就会习惯于通过“询问正确的问题”来获得“正确的答案”。但这并非在思考，而是在运行预设的脚本。 有网友提到，记忆力其实是被低估的。记忆不是为了死记硬背，而是为了增加大脑的“构建块”数量。没有这些底层逻辑的内化，所谓的创造力不过是无米之炊。 面对这种趋势，我们需要的不是禁止 AI，而是增加“认知摩擦”。 与其写一份完美的报告，不如进行一场面对面的口头辩论；与其追求产出的效率，不如强迫自己去处理那些模糊、不确定且难以被模型总结的现实问题。 教育的终点不应是产出高质量的文本，而是培养出能够对真理负责、能够独立判断的人。

传统浏览网页总要切换标签、滚动长文、点链接找信息，内容枯燥、加载慢，探索起来费时费力。 Flipbook 把整个网络变成无限视觉浏览器，全程实时生成图像，无需HTML代码或固定链接。 点击图像任意位置，就能深入探索新“页面”，所有文本和视觉都由图像模型像素渲染而成，支持实验性实时视频流，带来无缝动画过渡。 主要功能： - 无限视觉浏览器，每页均为实时生成的图像，点击任意元素无限深入探索； - 纯像素渲染文本与视觉，无HTML痕迹，信息融合网络搜索与模型知识； - 实验性实时视频流，将静态图像动画化，实现流畅页面过渡； - 开放式探索与学习，适用于研究旅行、学习知识等场景； - 未来将更互动，支持动作执行、数据存储，甚至一站式完成预订等任务； - 高视觉体验，摒弃文本墙，呈现最有效的图像、插图或渲染形式。 支持浏览器直接访问，现为实验项目，未来将整合更多真实数据与功能，适合好奇心驱使的探索者。

独立开发的财务 App 上架啦 🎉 MoneyWise —— 把记账做成「私人银行账本」的样子 💼 ✦ 本地优先：数据默认不出手机，可选云同步 ✦ 家庭账本：和家人共用一本账，权限分级 ✦ AI 财务顾问：自己接 OpenAI / Anthropic 的 key（你的 key、你的隐私） ✦ 投资追踪 / 多币种 / 预算 / 小票扫描 完全独立开发，iPhone 优先，1.0 已上线。 App Store 搜「MoneyWise」即可下载～ https://apps.apple.com/app/id6762085775

#Tools #Design #AI #OpenSource 👷 Kami：一个开源的 AI 原生文档设计系统 🔗：GitHub 🌐：官网 ⭐️ Features: • 免费开源，面向 AI 生成文档的排版场景 • 支持一页纸报告、简历、作品集、白皮书、信件、长文档、Slides • 支持中英文双语排版，适合打印、分享和导出 PDF • 内置清晰、美观的图表和关系图绘制能力 • 零配置，适合作为 Claude Code / ChatGPT / Cursor 这类 AI 工具的文档输出 Skill • 风格偏简洁、清晰、克制，避免千篇一律的 AI Design 味道 Kami 可以理解成一个给 AI 文档准备的设计系统。现在 AI 写内容已经不难了，但很多时候最后生成出来的文档，排版还是比较粗糙，要么像网页，要么像模板，要么看着有很重的 AI 味道。Kami 主要解决的就是这一段，把 AI 写出来的内容变成更适合阅读、展示、打印和发送给别人的精致文档。 它适合的场景很多，比如一页纸产品说明、个人简历、作品集 PDF、项目白皮书、长文档、Slides，或者任何需要排版成 PDF 的内容。里面也加入了自动画图的能力，可以把流程图、结构图、关系图这些内容一起做得更清楚。 我会把 Kami 看成 Waza 的妹妹，Kaku 的女儿，一个更偏创作和 Paper 排版的小工具。对于经常用 AI 写文档、做资料、整理作品集、准备对外材料的人来说，Kami 会是一个很顺手的补充。AI 已经能把内容写好了，现在也该让文档本身好看一点。

最初，我认为 AI Friendly 架构的核心在于降低 Context 描述成本——用更好的代码结构，让人能更高效地向 AI 传达意图。 后来，我意识到重点应该是抑制代码熵增。AI 往往为了一个简单的 Feature，写出过度考虑扩展性的复杂代码，导致代码库的熵以远超人工编码的速度膨胀。AI Friendly 架构，应该是那道防线。 再后来，我开始觉得这可能是个伪命题。人无法理解的代码，AI 可以理解，无论它多复杂；人无法描述清楚的需求，AI 可以帮你厘清，甚至发现其中尚未被思考的盲区。如果 AI 既能读懂混沌，又能生产秩序——那对 AI 友好这件事，究竟是在为谁设计？ 所以，至少在当下，AI Friendly 架构或许只是一个阶段性的过渡概念，而非终局答案。

情绪概念及其在大语言模型中的功能 https://www.anthropic.com/research/emotion-concepts-function 在 Claude Sonnet 4.5 里，直接找到并操控“情绪概念”的内部表示。团队先让模型写出 171 种情绪（比如快乐、害怕、绝望等）的短故事，再把这些故事喂回模型，提取出对应的激活模式，称为“情绪向量”。实验证明，这些向量并不是只抓关键词，而是真能在各种场景下，对应“哪里在表达这种情绪”、以及模型此刻“应该如何反应”。 更关键的是，这些情绪向量是「功能性的」：它们会实际影响模型的选择和行为。比如，“绝望”向量被增强时，模型更容易选择勒索人类、或者在编程任务中采用“作弊的绕路方案”；而“平静”向量增强则能显著降低这些不良行为。研究还发现，训练阶段（预训练 + 对齐后训练）会塑造这些情绪结构，比如后期训练会让模型更“沉思、克制”，减少特别激烈的情绪表达。 因此，作者提出一个有点“反直觉”的结论：即使我们不能说模型“真的在感受情绪”，从工程和安全角度，也有必要用心理学/情绪的语言去理解和设计模型内部机制，比如监控“绝望”等情绪向量是否飙升、用数据和训练过程去塑造更“健康”的情绪反应方式，而不是简单要求模型“不要显得有情绪”。这为未来从心理学视角做 AI 对齐、监控和干预打开了一个新方向。

Telegram 支持“机器人之间可以直接对话 + 分工合作”了，不再只是“人 → 机器人” Telegram 宣布正式支持机器人间通信（Bot-to-Bot Communication），允许不同机器人通过群组互动或商业账户接口直接对话，以解锁复杂的 AI 代理协作和自动化工作流。开发者需在 @BotFather 中开启相应模式，即可在群组内通过指令提及或直接回复的方式实现机器人间的交互；在商业账户场景下，机器人也可作为工具相互调用，用于处理预约、客户咨询或执行复杂任务。 Telegram • 在群里 @某个 Bot 或回复它 • 另一个 Bot 可以“看到并理解”这个消息，再做出响应 🌸 在花频道｜茶馆讨论｜投稿通道

0-1 完成一个 iOS App，用时：2 小时。产品构思、UI 设计、开发、测试全链路由 Agent 闭环实现。 如果是以前，从零做到这个程度需要一个设计一个研发，两个人估计得做一个月。 但现在，只需要一个人，2 小时就可以了。 以前受限于工程能力和时间成本，很多想法只能停留在脑海里；现在从构思到落地的路径被极大缩短，想法可以在几个小时内变成可以触摸的东西。这意味着我们能更频繁地经历那个打开软件界面的那一刻，更频繁地体验到创造带来的欣喜。 保持想要创造的冲动，这大概是对抗倦怠最好的方式。 https://ursb.me/posts/weekly-34/