DeepMind科学家万字分享:50个AI提效用例详解,工作中我是这么用AI的
DeepMind专家Nicholas Carlini分享50个日常AI使用案例,涵盖写代码、优化及修复错误等场景,并附上完整对话链接。作者认为当前技术进步并非炒作,展示了LLM在实际工作中的应用价值。


DeepMind专家Nicholas Carlini分享50个日常AI使用案例,涵盖写代码、优化及修复错误等场景,并附上完整对话链接。作者认为当前技术进步并非炒作,展示了LLM在实际工作中的应用价值。


本文基于 Founder Park 闭门 Workshop,由小宿科技联合创始人 William 杜知恒与产品经理杨政骥分享。核心观点指出 AI Agent 的搜索需求与传统人类搜索截然不同:Agent 会将复杂指令拆解为多个子问题,进行多轮、迭代式检索,导致搜索频次大幅增加(1次人类搜索可能变为10次 Agent 搜索)。文章重点探讨了面向 Agent 的搜索在交互逻辑、内容呈现及接口配置上的特殊要求,并总结了头部 AI 原生应用接入高质量搜索服务的实战经验与避坑指南。


AQuA是一个自主研究系统,旨在提升量化研究的持续进化能力,并确保回测结果的可靠性。该系统通过区分新证据与偶然高分,提高了研究过程的严谨性。


研究发现,AI模型本地部署与官方版本输出不一致的根源在于推理软件栈的微小差异,例如依赖包版本不同。即使模型权重相同,734个依赖包中的任何一个都可能影响最终输出,导致本地部署效果不如官方版。


据 Tom's Hardware 报道,在 DLSS 5 的 nvngx_dlssnr.dll 文件泄露后,开发者通过 ReShade 与 RenoDX 将其移植到更多游戏,此前已在《控制》中运行。泄露文件来自《NBA 2K27》抢先体验版,包含神经渲染功能。但原始文件仅支持 Blackwell 架构的 RTX 50 系列,因部分 CUDA 二进制代码仅限 Blackwell 执行,尽管 Ada 架构支持 FP8,移植仍受限制。


Cursor 团队提出 MoK 方法,将 token 调度、跨 GPU 通信和专家计算整合进单个 GPU 内核,使延迟从 103μs 降至 18μs。此举旨在挑战英伟达的 GPU 架构,通过软件优化提升 AI 推理效率。


fal 团队发布深度解析,介绍如何结合后训练与协同设计的推理栈构建 H3 Max,以提升提示遵循、视觉质量和速度。MiniMax H3 作为基础模型,团队对此表示祝贺与感谢。
作者分享了一个提示词技巧:让AI基于目标跳出当前框架重新设计流程,并用worktree验证方案。结果发现AI的方案部分有价值,但需人工验证。作者还提到用sidechat处理无关问题,避免污染主上下文。


本周推荐四个自媒体创作 Skill:Punk-skill 可将文章转为多平台封面,支持多种风格;gzh-design-skill 一键将 Markdown 转为公众号 HTML;baoyu-skill 包含 21 个内容创作 Skill;gbro-cover-design 提供 10 种人像小红书封面模板。


作者以给字幕转录翻译App BaoCut添加远程转录功能为例,详细展示了其AI辅助开发流程:先进行可行性分析,再写设计文档,然后做原型设计,接着让AI实现代码,最后进行测试验证。强调了在动手前充分规划和验证的重要性,并分享了使用Claude Code等AI工具的经验。
韩国AI视频聚合网站被中国短剧团队用程序薅羊毛,自动生成并分享提示词、参考图和结果,暴露了AI短剧自动化生产的实战经验。团队像工厂一样作业,追求90%一致性而非完美,通过结构化提示词最小化重抽和剪辑成本;故意破坏角色参考图以过人脸;将光影材质比例精确化锁定画面质感;用文本锁定起始结束状态实现镜头链式传递;以配音驱动叙事节奏。这些方法大幅提升效率,适合批量短剧制作。


作者尝试用 Luna、Terra、DeepSeek Pro 开发隐藏 Twitter 顶部蓝色通知条的功能,多次失败,认为 AI 太笨。改用 Sol 后,先删除旧代码再重新开发,一次成功,认为 Sol 物有所值。
针对 DHH 主导的 Omarchy 4.0,作者用 AI 调研产出一份 5 万字教程,涵盖安装、魔法配置、中文输入法、内置 Agent 配置、社区争议、优劣势及快捷键等,教程地址在评论区。

通过Type-C连接电脑,使用Codex将TRAE AI passport修改为背单词工具,支持中文显示和发音,可玩性高。
ELI5 是一个 Claude 插件,它通过一句提示词让 AI 用简单易懂的语言解释复杂概念,并生成包含大图、文字较少的 HTML 页面。该插件适合不熟悉某个话题的用户,但如果你不常用,其实没必要安装,因为核心只是一句提示词。
Fable 默认用 high 就够了,然后让它主要负责编排、验收,这样是最经济实惠的。附提示词:注意你的主要任务是分析、编排和验证,具体任务尽可能交给 subagent(Opus 或 Sonnet)去执行。自己只做需求澄清、方案拆解、任务分发和结果验收,实现类工作(读大量代码、写代码、跑测试、批量修改)一律用 Agent 工具派给 subagent 执行。
一名青少年开发者利用 Anthropic 的 Claude Code AI 编程工具,为缺乏 macOS 官方支持的惠普激光打印机开发了原生驱动。他通过 AI 智能体分析软件、逆向打印流程并编写代码,耗时4小时完成。项目已开源,支持多款惠普打印机型号,展示了 AI 编程在解决硬件兼容问题上的潜力。


苹果开发者账号还是有用,哪怕不为发布给别人用。也能用Codex一句话快速开发个App装自己手机。界面可能是Web打包、界面很不iOS,但继续优化改造就行。如果不给苹果交钱,好像只能装3个App?


作者通过多轮实验,提出 Xcode 项目并发多任务的最佳方案:每个任务一个 worktree,每个 worktree 单独的 simulator 和 DerivedData,Source Packages 全局共享,冷编译可压缩至几分钟;再开启全局共享 CAS,冷编译基本达到 1 分钟级别。
