你再等等，等站长把 5.4 映射到别的模型上就好了 https://i.imgur.com/agAJ0Rd.png

网传礼品卡订阅封号不退钱

我觉得短时间内没戏，抢也是抢 pad 的市场。
因为传统意义上的笔记本还是办公工具，那就意味着当你身边大部分人在用 Windows 的时候你就只能用 Windows ，不然就会遇到很多兼容性问题。

@dcatfly 没想到是打广告的，我说怎么这么多错误信息。。看到近期注册的号码确实该注意的 https://i.imgur.com/N9E3iZ2.png

友提：所有中转都不可信，https://arxiv.org/pdf/2603.01919

1. /clear 是清空历史，不是 new session 。执行 clear 后会复用原有 session ，即便通过回退也不能回去。
2. .claudeignore 不是官方配置，除非你显式指定 cc 忽略此文件中配置的文件，不过即便你指定了也不会确保生效。默认情况下 cc 会遵循 gitignore ，不过这只是当你使用 @命令时会忽略 gitignore 中的文件，工具仍然可调用相关文件；如果你想排除一些敏感信息(比如密钥)，可以在 setting 中配置拒绝相关文件的读取和 shell 权限。另外不建议完全忽略 node_modules ，因为里面会有一些 types ，是必要的上下文，早期的 cc 是会默认屏蔽 node_modules 的，后面因为效果不好放开了。
3. 其实官方的文档写的非常好，有时间可以看下，立马掌握大部分的技巧。https://i.imgur.com/agAJ0Rd.png
4. https://www.reddit.com/r/ClaudeAI/comments/1qyrnti/tell_me_how_im_under_utilizing_claudeclaude_code/ 前段时间 Reddit 也有个类似的帖子，希望对你有帮助。

已收藏 正好过几天要去开户

@anmie 其实技术从业者反而不会太感兴趣，因为 claude code 早就给他们带来这种 agent 的惊艳了，安全性和可靠性都要好的多。
在我看来龙虾之所以这么火，是因为他把非技术人员使用本地 agent 的门槛降的足够低，给大家带来了一点小小的震撼，而且人们太怕错过 AI 这趟极速列车了。

现在有办法准确识别中转站是否注水吗？

YouTube 有自动生成字幕，yt-dlp 也能下载自动生成的字幕

https://platform.claude.com/docs/en/build-with-claude/prompt-caching
不影响，包括你的 subagent 之类的也不会影响。
claude 缓存的大概原理是把你每次发送内容做成哈希 key ，后续请求时从最后一个消息块往前回溯 20 个块看到哪里的哈希 key 可以命中缓存。默认缓存时间为 5 分钟，加钱可以到 1 小时。
所以可以简单理解为只有时间相关。

https://github.com/dai-hongtao/InkTime
感觉这个项目更有意思些

如果是小公司感觉还是让个人基于 apple/google store 订阅 claude code 最方便，直接把钱给到员工，让员工提供点餐饮发票啥的，只是这样不好做审计。
最好不要走中转，模型掺水就不说了，万一造成敏感信息泄露那就不好搞了。

妈耶 web3 都有学历要求了吗 https://i.imgur.com/NIvxivj.png

嗯？我还以为停更了，大佬有空看下 PR 吗？ https://i.imgur.com/N9E3iZ2.png

1. 模型和产品是两件事，总体来看国内的产品的“聪明程度”还没有拉开差距
2. 豆包独占抖音这个宣发渠道，对其他家降维打击
3. 豆包支持语音和视频，这让与 ai 交流的门槛进一步降低，且配合一些好玩的玩法，在视频平台上形成了用户自发的扩散。

但这些可能都是暂时的。

emmm 我怎么觉得这会让人感觉千问的 ai 不可靠。。

我不太认同阮一峰的这个观点。之前看到他这篇文章的时候，我写了一大堆想去讨论这个观点的话。
但是最后想了想，没什么必要。自己也没有拿到结果，就把评论删了，有些意兴阑珊。

https://news.ycombinator.com/item?id=46672713 可以看看这个帖子

AI 擅长做的事情是可以验证结果的事情。

这句话的意思是说，AI 不一定能够把事情一次性做对，但如果能给它明确的结果或问题反馈，它就可以不知疲惫地一直去修改，直到满足结果。

什么是易于验证的事情呢？
比如你让它设计一个模块，规定输入是 A ，得出的结果必须是 B ，那这个模块就是一个易于验证的任务。

什么是不能验证的事情呢？
比如你让它设计一个架构，设计出来的架构是好是坏，往往没有办法通过技术手段直接验证，主要还是靠人+agent 的 review ，由人来评估哪里有问题，再反馈给它进行修改。

所以当你遇到 AI 的行为不满足你的预期时，首先要想的应该是：这个问题能否通过自动化的方式，让 AI 知道他的成果的与你的预期差异在哪里？
1. 如果可以自动化地反馈结果：那这个问题大概率是可以被 AI 解决的。
2. 如果没办法通过自动化形式告知：你能做的就是给它一些好的示例进行参考。但最终结果仍需要你亲自检查，才能保证符合心意。

你可以再试试 opus4.5 ，会再次打破你的认知