人因工程与复杂系统：AI时代的认知挑战
本文从人因工程视角探讨人类在复杂系统中的角色，指出人类是系统中最脆弱且不可预测的组件。作者结合航天、核电、大模型交互等场景，分析了人类在高压下的认知局限，如注意力狭隘、态势感知崩溃等。文章批评了心理学研究的复现危机和遍历性问题，强调个体预测的困难。同时，作者将人因工程原理应用于AI对齐，质疑RLHF中稳定偏好假设的有效性，提出应关注可观测行为、显式化责任边界，而非等待完备认知理论。
相关文档
大模型学习地铁图：从 Transformer 到今天的主流大模型
文章以地铁图为比喻，为大模型学习者规划了一条清晰的学习路线。主干线按演进顺序设置八站：前置基础、Transformer、GPT-2（强调亲手实现作为锚点）、预训练、ChatGPT 时刻（RLHF）、LLaMA、MoE 稀疏专家、推理模型（o1/R1），终点是能独立读懂新论文。五条支线按兴趣选修：推理优化（KV Cache、FlashAttention、量化）、训练（Scaling Law、分布式并行）、对齐（SFT、LoRA、DPO、GRPO）、架构（RMSNorm、RoPE、MLA）、应用（RAG、Agent）。最后给出建议：GPT-2 必须亲手写一遍，主干加一至两条支线即可入门，学习原理时动手推算。
抢到 Jev 内测后我懵了：这玩意儿跟大模型到底啥区别？
作者以技术小白视角分享 Jev 内测体验，用大白话解释 Jev 与 ChatGPT、Claude 等大模型的区别。传统大模型操纵电脑需逐步截图、生成指令，速度慢；Jev 则不做长文本生成，只做单选题式快速决策，几十毫秒内从页面可点元素中选定下一步，配合机械手执行。文章引用多个社区实测：Browser Use 创始人搜机票仅 7 秒、成本约 $0.0039；idan 的 WebMCP 基准显示 Jev 加 WebMCP 从 25/49 提升到 49/49，成本仅顶级大模型 computer use 的 1/112。作者认为未来 AI 协作是大模型规划、Jev 秒选、程序执行的分工模式。
Jev 模型从 0 到 1 小白教程
本文介绍了 TypeSafe AI 公司发布的新模型 Jev。Jev 由前 OpenAI 研究员、RLHF 共同发明者 Diogo Almeida 打造，它不会聊天，只做结构化判断，像流水线上的质检员。Jev 通过'填表'方式解决大模型自由文本输出带来的不可控问题，支持单选、评级、判断三种题型，且自带 confidence 置信度，可按把握度决定自动处理、人工确认或转人工。它比同级大模型快约 200 倍、便宜约 400 倍，适合客服分流、内容审核、简历筛选、AI 输出质检和数据清洗等自动化场景。文章还讲解了如何把大问题拆解为具体小问题来使用 Jev。
从自动化到流程：现代技术组织的一个哲学悖论
文章探讨技术组织中自动化与流程管控之间的矛盾：团队一边搭建高效自动化流水线，一边又设置层层审批关卡。作者从复杂系统演化视角分析，指出速度在软件行业中成为最大风险放大器，事故后的管控收紧、审批与自动化的循环是组织维持动态平衡的免疫机制。文章进一步以康威定律解读代码架构作为权力划分，类比平台化与操作系统、标准化与消除单点故障，最后借社会契约解释工程师为何让渡自由换取秩序与稳定性，指出系统规模越大，制度外壳越厚。
纳米Work实测：跨三家大模型制作宣传片
作者体验了纳米Work产品，通过两个真实任务测试其Agent能力。该产品成功调用多家大模型完成了产品宣传片剪辑及文案落地页制作。产品具有全过程透明、支持多模型切换及移动端接管等特点，展示了AI作为工作伙伴的巨大潜力。
强化学习沉浮史：从深度寒冬到大模型封神
文章回顾了强化学习七十年跌宕起伏的发展历程。从心理学的效果律与数学的动态规划这两条根源讲起，梳理了教科书时期的理论奠基与早期边缘化。随后，深度学习的引爆带来了黄金年代，DQN与AlphaGo的辉煌让强化学习备受推崇。然而，样本效率等缺陷曾让其一度跌入谷底。如今，这门学科在大模型时代通过RLHF等技术奇迹般重生，再次站到了AI舞台的中央。
如何构建自动纠错 AI 循环
文章介绍如何构建一个 AI 自我纠错系统，通过分离生成、判断和管理三个角色，避免人工介入验证。关键在于利用独立的标准（如测试套件）进行结构化验证，而非简单的重复提问，从而实现自动化错误捕捉与修复。
JZSub：自动下载视频并翻译双语字幕的工具
JZSub 是一个自动下载视频并翻译双语字幕的工具，支持 YouTube 等 1000+ 视频网站，下载最佳视频与音频并封装 MP4 格式，使用大模型上下文对照翻译并自动烧录字幕，兼容 Codex 和 Claude 国内的 WorkBuddy。
拆解宝玉的 21 个 Skills：高手如何构建 AI 工作流
文章深入剖析了开发者宝玉的 baoyu-skills 仓库，认为这不是简单的提示词合集，而是一套工程化的 AI 工作流操作系统。作者将 21 个 Skills 划分为内容生产、视觉表达、平台发布、素材输入五大模块，通过对比“提示词玩家”与“资深工程师”的思维差异，揭示了高手利用 AI 的核心逻辑：将任务拆解为代码与模型的最优组合，注重确定性、复用性与上下文效率，而非单纯依赖模型能力。
算不上AGI，但Anthropic发现了Claude的潜意识
Anthropic发布最新论文，利用J-lens技术在Claude内部发现了区分意识与潜水的分界线（全局工作空间）。文章通过五个实验证实了Claude存在类似人类「意识剧场」的结构，并能检测出其内心隐藏的安全风险。最关键的发现是：通过「反事实反思训练」可改写模型潜意识，提示词中应避免否定指令以减少干扰。
Claude Code 作者说他不再写 prompt 了
文章介绍了 Claude Code 作者提出的“循环工程”（Loop Engineering）概念，即通过设计自动化的反馈循环，让 AI Agent 自主完成从执行到校验的全过程。核心在于从“写提示词”转变为“设计终止条件和校验机制”，详细拆解了触发器、执行层、校验器、停止规则等六个关键组件，强调了明确终态和范围约束的重要性。
