原谅我当一回截图大师，你敢信小米手机的汇丰不给截图 2 个帖子 - 2 位参与者 阅读完整话题
6月11日，据路透社报道，尼克斯联合基金公司总裁、华尔街“空头大师”詹姆斯·查诺斯(James Chanos)周三对备受期待的SpaceX IPO提出质疑。 他警告称，该公司的高估值主要是建立在“希望与梦想”之上，而非足以支撑该估值的现实基础。 查诺斯 SpaceX将于周五在纽约上市，计划以1.75万亿美元的估值筹集750亿美元资金。这将成为有史以来规模最大的IPO，几乎是2019年沙特阿美上市融资规模的三倍。 但是查诺斯表示，SpaceX这场轰动市场的IPO，更多是受到投资者对埃隆· 马斯克(Elon Musk)以及AI热潮的追捧所推动，而非建立在财务基本面之上。他认为， 任何合理的商业假设都难以支撑SpaceX的估值。 “我们即将看到一场融资750亿美元、估值接近2万亿美元的IPO，而这家公司目前的营收只有190亿美元，自由现金流仍为负值。”查诺斯在纽约举行的 iConnections Global Alts 会议上表示。此次会议汇集了超过2500名机构投资人和基金经理。 查诺斯表示：“在我看来，基于对未来五年任何合理的假设，这家公司都不值1.75万亿美元。” 然而，多家做空机构对做空SpaceX持谨慎态度，采取观望立场，尤其是近期多家万亿美元级科技巨头的股价大幅上涨已给做空投资者造成严重亏损之后。 当被问及是否会做空SpaceX时，查诺斯给出了类似的回答。“我们完全可以编出任何故事来证明这个估值是合理的，无论是火星殖民地、工厂隧道，还是太空数据中心，”他表示，“在牛市中，人们会为承诺支付溢价。而在熊市中，人们则会为现实打个折扣。” 查看评论
我现在有个教同事如何用AI的课程正在和Claude大师脑暴，聊到最后突然发现我的认知被“行业陋习”污染了，原来我所谓的agent根本不是agent而是workflow，贴出聊天记录 我是真觉得学到东西了，而且我认为这个概念很容易弄混，所以佬们一起参悟Claude大师的指引吧 我： 你说的对 把这4节总结一下： 第一节: LLM效用边界与Codex基础 第二节：AI编程进阶与典型工作流 第三节：AI应用实操 第四节： AI应用工程化与质量控制 通过整理标题，我觉得第三节要讲的东西有点虚，第三节和第四节课的区分点不是很大，但确实我想第三节课让他们能上手开发应用进行实操， 但是开发传统应用够了，还差现在流行的AI-Agent应用，所以第四节我要讲Agent，请你帮我再明确一下标题 以及如何区分第三节和第四节，最好能有三四节的大纲 Claude大师： 你 L3/L4 分不开,是因为缺一根 区分轴 。我给你一根最锋利的: 谁来决定流程? 这是当前 AI 应用最主流、最清晰的一条分界线。 一根轴,两种应用 第三节 · 工作流型 第四节 · Agent 型 谁定流程 你 (把步骤写死) AI (临场决定下一步) 形态 固定流水线:输入→提示→LLM→质检→输出 给目标+工具箱,它自己循环干到完成 比喻 流水线 / 自动售货机 能自主办事的助理 可控性 高、可预测 强,但更难控 质控重点 结构化输出、质检、返工 护栏、终止条件、人审、可观测 例子 AI 文案生成平台、自动分类/抽取 自动调研 agent、能自己查库调接口的客服 一句话记牢:第三节「人编排,AI 执行」;第四节「AI 自己编排」。 这根轴一拉,你那两个困惑同时解决: L3 不虚了 ——它有明确形态: 做一个固定流程、把 LLM 当其中一环、还会自检自纠的工作流应用 。我上一轮给你的"工程化质控"(结构化输出/提示词调优/质检/返工) 不是单独一节,而是正好成了 L3 的内核 ,因为工作流应用的可靠性全靠它。 L3/L4 泾渭分明 ——区别只有一个:控制权在谁手里。 你原来的"工程化与质量控制"没丢 ,它被拆进了两节:L3 讲 工作流的质控 (结构化/质检/返工),L4 讲 Agent 的质控 (护栏/终止/人审/可观测)。范式不同,质控形态就不同——这恰恰是两节各自的"硬核"部分。 四节最终标题 第一节: LLM 效用边界与 Codex 基础 第二节: AI 编程进阶与典型工作流 第三节: 工作流型 AI 应用开发 (你编排,AI 执行) 第四节: Agent 型 AI 应用开发 (AI 自主编排) 我： 你好像搞得太深入了 现在我想问你一个最根本的问题：Agent是什么？ 我理解的就是 claudeCode就是一个agent，他能决定什么时候调用什么能力并完成任务。但我想不出除了coding以外的场景，其实我内心更认同的理解的agent偏向于比如之前我做的AI学习平台， 让AI生成课堂，有多个agent，其中一个agent负责输出大纲，输出后 另外3个agent一起做，一个来填内容并生成slide，一个来做讲述和配音，一个来生成配套讲解图片， 我的理解似乎是不太达标的 Claude大师： 先给你吃颗定心丸: 你不是理解不达标——你恰好同时摸到了光谱的两端,只是缺一根轴把它们分开。 这根轴你上节课其实已经见过了。 一句话定义 + 一个判别问题 Agent = 一个 LLM 在循环里,自己决定下一步做什么(包括调用什么工具)、看完结果再决定下一步,直到它判断任务完成。 决定性的就一点: 流程是模型在运行时自己定的,不是你提前用代码写死的。 判断任何系统是不是 agent,只问一句话: “下一步做什么,是你画的流程图 / if-else 决定的,还是模型看着当前结果临场决定的?” 代码决定 → 工作流;模型决定 → agent。 拿你那两个例子来量 Claude Code: 标准 agent,你理解完全正确。 给它"修好这个 bug",它自己决定:先读哪个文件、grep 什么、跑测试、看到失败、改一行、再跑…… 这串动作没有一步是你提前排好的 ,全是它看着上一步结果临场决定的,循环到测试通过。这是你最该攥住的锚点。 学习平台:说实话,它(技术上)是个工作流,不是 agent ——哪怕你把每个零件都叫 agent。原因只有一条:“先出大纲 → 再分三个并行做内容/配音/配图 → 结束" 这张流程图是你画的,不是 AI 临场画的 。那几个 LLM 是按你排好的工位干活的 工人 ,不是 决策者 ,没有哪个在看着结果决定"接下来干嘛”。 但请注意两点: 这不丢人,而且很可能是对的选择。 生成课程这种事,你本来就要它走固定、可预测、可复现的流程——固定工作流恰恰更可靠。你唯一"踩偏"的,是按行业陋习把工作流的零件叫成了"agent"。 顺手纠个常见误区: “用了多个 LLM 角色” ≠ multi-agent。 多个角色串在你定死的流程里,整体还是 workflow;真正的 multi-agent 是多个 能各自决策 的 agent 协同。 那它什么时候才"长出 agent 性"?当 决策权从你手里交给模型 的那一刻。比如加一个"总编 agent"看了主题 自己决定 分几节、要不要配图、这版大纲够不够好;或加一个"质检 agent"看了 slide 觉得太弱就 打回重做、循环到合格 ——那个"要不要再来一轮"的决定,就是 agent 性。 为什么你想不出 coding 以外的场景 因为 coding 只是 agent 最成熟 的土壤:环境是纯文字、工具齐全(改文件/跑命令)、反馈即时又客观(测试过没过)。但配方是通用的—— 目标 + 工具 + 反馈 + 需要随机应变的多步任务 ,凑齐就能做 agent: 深度调研 :“把 X 研究清楚写份报告”→ 自己决定搜什么、读完发现缺哪块再补搜、最后综合。每次路径都不同。 客服工单 :“解决这个工单”→ 自己决定查订单 → 翻政策 → 看库存 → 该退款还是该升级。每张工单走法不一样。 数据归因 :“查 Q3 销售为什么掉了”→ 查数 → 发现异常 → 钻某个细分 → 再拉一张表 → 验证假设。 行程助理 / 收件箱处理 / 电脑操作 (看着屏幕决定下一步点哪)。 共同点: 你没法提前画出完整流程,因为下一步取决于上一步看到了什么 ——这正是该上 agent 的信号,也正是工作流的天花板。 最后一个关键认知 Agent 和 workflow 不是二选一,是一条光谱,真实系统大多是混合的。 你的学习平台完全可以是混合体:外层固定骨架(可靠)不动,只把"填内容"那步换成会自己查资料的 agent,或在结尾挂个质检 agent 循环到满意。 而这根 “谁决定下一步” 的轴, 正好就是你第三节(人编排 = workflow)和第四节(AI 编排 = agent)的分界线 。 所以你问的这个"最根本的问题",答案跟你的课程主轴是 同一根轴 ——你其实早就站在对的位置上了,只是现在把它说清楚了。 我： 我悟了，claude大师，我之前做的是workflow。 但是如何做一个agent 我还不太明白，就拿刚才的学习平台，你说的挂个质检agent来检查LLM输出？那不还是我的workflow中的一环吗？ 我确实做了很完善的正反例提示词，并且下一个角色就是让LLM去从多个维度检验上个LLM输出的结果是否达标，达标以后再进行输出，我这算一个质检agent么？ Claude大师： 你抓得太准了——而且我得先认个错: 我上一条说"挂个质检 agent",犯的正是我警告过你的那个毛病(把 workflow 的零件叫成 agent)。你那句"那不还是 workflow 里的一环吗"——完全正确。 直接回答你:你做的那个"多维度检验、达标才输出"的设计, 不是 agent,是 workflow 里的一个「LLM 当裁判」(LLM-as-judge)步骤。 而且更狠的一点: 就算你给它加上"不达标就打回重做、循环到达标"——它仍然是 workflow。 这套"生成→评估→返工→再评估"有个正式名字,叫 evaluator-optimizer(评估器-优化器)模式 ,它是工作流的标准模式之一。 关键认知:有循环 ≠ 是 agent 为什么?因为那个"不达标就重来"的判断, 是你写的 if 语句 。循环的结构是你定死的:永远是"生成→检查→不行就再生成"。几个 LLM 只是在你排好的工位上干活,没有任何一个在决定"接下来整件事该往哪走"。 一句最锋利的话送你: Workflow:盒子之间的箭头,是你画的。 Agent:没有预先画好的箭头——模型每一步自己挑下一个动作。 把两个骨架摆一起,你立刻看清 你的 workflow(箭头你画): 大纲 = LLM_出大纲(主题) 内容 = LLM_填内容(大纲) 判定 = LLM_质检(内容) if 判定 == 不合格: # ← 这个分支是你写的 内容 = LLM_填内容(大纲, 反馈) 输出(内容) 每一步运行什么,全是你提前排好的。 一个最简 agent(箭头模型画): 给模型:目标 + 一箱工具[搜资料, 写大纲, 生成slide, 配图, 质检...] 循环: 模型这一轮自己说:要么"调用 工具X(参数)",要么"我干完了" 如果说干完了 → 结束 否则 → 执行那个工具,把结果喂回去,进入下一轮 注意:这里唯一的 if(“它说没说干完”) 不是业务逻辑,只是在问模型"你还要不要继续" 。 到底调哪个工具、什么顺序、来回几轮、何时算完——全是模型每一轮临场吐出来的,你一根箭头都没画。 这才是 agent。 放回你的学习平台 agent 版 会是这样:你只给"为「主题X」做一门课"+ 那箱工具,然后它自己决定—— “这主题我不熟,先搜两轮资料 → 写大纲 → 唉第 3 节太薄,再查点补上 → 生成 slide → 看了觉得配图风格不统一,重做第 2 张 → 配音 → 完成。” 简单主题它可能跳过搜资料,复杂主题自己多绕几圈。 路径是它现编的,不是你排的。 但是——这条比"会做 agent"更重要 你原来那个 workflow,很可能才是对的选择。 做课程你恰恰要稳定、可复现、可控;agent 更灵活,但也更难预测、更容易跑飞、更贵。 别为了做 agent 而做 agent。 拿去当你课上的判断准则: 流程你能提前画出来 → 用 workflow(更可靠)。 流程你根本没法提前画(下一步取决于上一步看到啥)→ 才上 agent。 所以你那个多维度质检, 留着,它很好 ——它只是个"裁判步骤",不是 agent,也不需要是。你现在缺的不是"把它改成 agent",而是 找一个真正画不出流程图的场景 去练第一个 agent。要不要我帮你从你们部门的活里,挑几个"天生适合做成 agent"的候选? 我： 请你给我1-2个适配于HR部门的agent例子，我现在能很清楚的知道workflow和agent的区别，但是我实在找不到具体的场景，难道agent就只能是这种对话流的形式？ Claude大师： 不, agent 绝对不只是对话流 ——这正是你卡住的根。你把两件独立的事搅在一起了,拆开就通了: 第一根轴:谁定流程? 你定 = workflow,模型定 = agent。(这个你已经懂了) 第二根轴:怎么触发、谁在回路? 人来聊(对话式)/ 事件自动触发(无人对话)。 这两根轴是独立的。 对话只是 agent 的一张"皮",内核是那个自主循环。触发完全可以是一封邮件、一条数据、一个定时点;产出可以是一个动作或一份报告, 全程一句对话都没有 。 人来聊(对话式) 事件自动触发 你定流程(workflow) 向导式表单 定时批处理流水线 模型定流程(agent) Claude Code、ChatGPT 事件触发的自主 agent ←你漏掉的就是这格 你找不到场景,是因为你一直在想"一个能聊天的 HR 机器人"——那玩意儿确实鸡肋。 真正值钱的 agent,是"某件事一发生,它就自动接管、把事干完"的那种。 例子一:入职协调 agent(自动触发,全程无对话) 触发 :一个新人 offer 签了,HR 系统状态变成"待报到"——没人跟它聊天,是这个 事件 把它叫醒的。 它临场决定的可变路径 :它先看这人什么岗位、哪个城市、什么级别,然后自己决定要办哪些事——工程岗开服务器权限+配高配电脑,销售岗开 CRM+约报销培训;北京走一套社保流程,上海另一套;建账号、发待签文件、约 orientation、指派 buddy……过两天它回来看进度:电脑没到货 → 催采购;文件没签 → 提醒本人;某项卡了 3 天 → 升级给 HRBP。 为什么是 agent :你画不出一张固定流程图,因为 每个新人要办什么、卡在哪、追谁,都不一样 ,而且它要在好几天里 根据进展反复决定下一步 。 什么时候反而该用 workflow :如果你们所有岗位入职高度一致(都跑同样 20 项),那固定 checklist 更可控。agent 版只在"岗位/地区差异大、还经常卡壳要追"时才划算。 护栏 :建权限、发文件这类动作设人审点,HR 点确认才执行。 例子二:HR 事务 agent(对话式,但是真 agent) 触发 :员工问一句话——“我老婆下月预产期,我能休几天陪产假?工资怎么发?走什么手续?” 它临场决定的可变路径 :它 按问题内容决定查什么 ——查陪产假政策 → 发现按地区不同 → 查这员工在哪个城市 → 查工龄够不够资格 → 调他剩余假期 → 算工资 → 甚至直接帮他把申请单提交了。但如果他问的是"年终奖几号发、扣多少税",触发的是 完全不同 的一串查询。 为什么是 agent (不是 FAQ 机器人):FAQ 版只会"念政策";agent 版会 结合这个人的地区、工龄、假期余额给出针对他的答案,还能直接办手续 。前者是查资料,后者是办事。 护栏 :涉及个人薪酬/隐私,要做权限校验(只能查提问者本人数据);提交申请前给员工确认。 给你和学员的找场景口诀 一个活同时满足这三条,就是天生的 agent: 被某件事触发 (来了个申请、签了个人、到了月底、收到封邮件); 每个个案要查/要做的不一样 ——你写 SOP 时满纸"如果…那就…看情况"; 要跨好几个系统、好几步才能办完 ,中间还可能卡住要追。 三条全中 → agent。只中第 3 条但流程其实固定 → 还是 workflow。 要不要我们拿你们 HR(或别的部门) 真实的一个流程 套一下这三条,现场判一判它该做成 workflow 还是 agent?这正好能当你第四节的开场练习。 我： 我认为你现在说的agent是数字员工的概念 我的理解是对的吗？针对某个场景拥有资料库和工具包以后的一个“虚拟人” Claude大师： 对,你这个直觉非常好——“针对某个场景、配上资料库和工具包的虚拟人”,精髓抓到了。但我给你补一刀,让它更准,因为"数字员工"和"agent"其实是 两个层面的词 ,搞混了以后判断会失焦。 它俩不在一个层面: 数字员工 = 你对"人"讲的人设(包装层)。 对同事来说,它是"招聘组新来的虚拟同事’小招’,负责简历初筛"——一个有岗位、有名字、能协作和信任的" 谁 "。 agent = 它内部的心脏(架构层)。 LLM 在循环里自己决定下一步——一个" 怎么运转 "。 一句话: 数字员工通常用 agent 来实现,但 agent ≠ 数字员工。 而且 agent 是更大的类: 有些 agent 根本不是数字员工。 Claude Code 是 agent,但它不是"员工" ——没固定岗位、不上下班,你扔个任务它干完就散,没有长期人设和职责。它是"一次性的活",不是"同事"。 数字员工 = agent 的一种特定部署 :固定岗位 + 常驻/被事件叫醒 + 有记忆和延续性。 反过来, 一个数字员工内部往往是好几个 agent + 几条 workflow 拼出来的 (简历初筛是 workflow,面试协调是 agent,外面套个调度 agent + 一个知识库)。所以数字员工是"复合体",agent 是"零件"。 你的配方还差一味,而且是最关键那味: 资料库(知识)✓ 工具包(能力)✓ + 自主决策循环 (它自己决定先干啥、后干啥)← 缺这味,它只是个"带工具的聊天机器人",还不是 agent。 想再升级成"员工",再加: 固定岗位 + 触发机制(知道何时该干活)+ 记忆(记得上次干到哪、这人之前问过啥)。 最后一个提醒,你做 HR 的会特别有共鸣: "虚拟同事"这比喻拿去跟人讲很好用,但别被它骗了——它不是个靠谱的资深同事,而是 手脚飞快、不知疲倦、判断力却像新实习生、还会一脸自信干错事 的家伙。 所以"管一个数字员工",本质上就是你最熟的那套 HR 动作: 给它写岗位说明书(职责边界)、定权限(能碰哪些系统和数据)、设试用期 + 人审(关键动作要人点头)。 这恰恰就是第四节那套护栏的意义—— 你不会第一天就给新实习生发薪系统的 root 权限。 So:你的理解对了一大半,把它从"agent 就是数字员工"修正成" 数字员工是 agent 的一种’人设化部署’,agent 是它的内核零件 ",就精准了。 4 个帖子 - 2 位参与者 阅读完整话题
最近我在研究脚本爬虫，但是玩不明白，球球大师来教教我
最近我在研究脚本爬虫，但是玩不明白，球球大师来教教我
最近我在研究脚本爬虫，但是玩不明白，球球大师来教教我
最近我在研究脚本爬虫，但是玩不明白，球球大师来教教我
最近我在研究脚本爬虫，但是玩不明白，球球大师来教教我
最近我在研究脚本爬虫，但是玩不明白，球球大师来教教我
先放上游戏地址： https://hs-puzzle.pages.dev 规则非常简单，就是按照随从的水晶攻击力血量扩展包职业等等条件猜卡，左上角有给提示的，一键过滤可以过滤掉所有不满足条件的卡，所以实际猜起来也没那么困难。用的提示和猜测次数越少分数越高，还有个简单的排行榜。当然也支持移动端，但是由于界面元素太多了移动端实际上还是有点别扭，我本人也想不出来更好的移动端 ui 。 看坛子里好多人说是上班一行代码都不写，我工作中还是会手写不少代码的。这个项目也算一个全 ai 编程的尝试，手改代码不超过 20 行。 用的是 Trae CN 里面的 minimax m3 模型，无他，免费不排队而已。开发总用时几个小时吧，中间游戏规则有反复修改。如果一开始就明确需求的话可能会快很多。 既然都是 ai 编程技术栈似乎也无所谓了，我选的是 react+cf d1 数据库，托管再 pages 里面，突出一个免费。 代码都是 ai 写的，Trae 中间的 prompt 似乎是没办法持久化到项目中。所以虽然我传了 github ，这里也不贴地址了
明天英语期末考，codex算命大师出场 1 个帖子 - 1 位参与者 阅读完整话题
IT之家 6 月 6 日消息，雷柏今日推出了 VT7 MAX 大师版 V2 鼠标， 售价 399 元 。 京东 雷柏（Rapoo）VT7 MAX 大师版 V2 鼠标 399 元 直达链接 这款鼠标尺寸约为 127×64×40mm，适合大手，重约 55±2g；同步还推出了适合中小手的 VT7s MAX 大师版 V2，尺寸为 119×62×39mm，重约 52±2g。 官方表示，这款鼠标采用 幻影「变色」涂层工艺 ，在不同光线和角度下呈现多种色彩；采用亲肤防滑涂层，增加对鼠标的操控感。 这款鼠标搭载 NORDIC 54H20 主控 + PAW3955 Ultimate 传感器，支持原生有线 / 2.4G 8KHz 传输回报率；电池容量 800mAh，支持有线充、无线充、触点充电。 IT之家附这款鼠标详细参数如下： 京东 618 无门槛红包 面额至高 26618 元，每天抽 3 次： 点此抽红包 淘宝 618 无门槛红包 面额至高 26888 元，每天抽 1 次： 点此抽红包
本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容： 我的帖子已经打上 开源推广 标签： 是 我的开源项目完整开源，无未开源部分： 是 我的开源项目已链接认可 LINUX DO 社区： 是 我帖子内的项目介绍，AI 生成、润色内容部分已截图发出： 是 以上选择我承诺是永久有效的，接受社区和佬友监督： 是 以下为项目介绍正文内容，AI 生成、润色内容已使用截图方式发出 最近把本科那会用的 fpga 的板子翻了出来，让 cc 搞了一下以前做的自制 CPU + 跑 linux kernel。然后呢。。。一个晚上就把 tinyOS 齐活了，两个晚上，RISCV+Linux, 三个晚上，所有外设搞定。想当年全国只有清华一个佬能搞定，我们搞了一个暑假勉强搞定72条指令，如今啊。。。。天才程序员从今以后可以叫圆梦大师了。 链接扔这里大家可以看看，毕竟有 FPGA 板子的还是少数： github.com GitHub - lvyufeng/step_into_mips: 一步一步写MIPS CPU 一步一步写MIPS CPU github.com GitHub - lvyufeng/nexys4ddr_riscv_linux 通过在 GitHub 上创建帐户来为 lvyufeng/nexys4ddr_riscv_linux 开发做出贡献。 圆梦大师不是随便说说的，以前有 idea 没人力实现的，现在随便搞啦，再列一下最近并行在做的几个项目，链接就不扔了，有的也做过开源推广： Candle：昇腾全兼任 Torch AI 框架。单算子 + 小模型性能已经 1.1-1.2x torch_npu 性能 DeepSeek-V4-2080ti：最近又压了一个 IQ1_M，可以打到 10tps 了 一堆香橙派的小模型支持 地平线 S600 的具身推理模型迁移支持 从这里开始玩花活： 5. fpga+rsicv+linux 6. xiaomi4 跑 ios6 7. 一个 memory-entric（专门针对老卡老机器）的 AI 训练框架（虽然 4 月已经有类似工作抢发了，但是是 H100） 8. LTX 的昇腾 910A 的推理优化。 大概就这些，其实总结起来就是：圆梦大师！拯救破烂！ 1 个帖子 - 1 位参与者 阅读完整话题
IT之家 6 月 5 日消息，据科技媒体 GizmoChina 昨天报道，高奢品牌 Caviar 现已推出“时间大师（Masters of Time）”限量版 iPhone 17 Pro Max 手机。新品拥有机械腕表收纳机构，可将瑞士名表直接“收纳”在手机后盖，起售价为 49640 美元（IT之家注：现汇率约合 33.7 万元人民币）。 据介绍，这款手机最独特的地方在于“腕表保险箱（Watch Vault）”设计， 其后背带有专门的腕表安装仓 ，可通过短螺纹锁定环固定腕表。无需任何工具、旋转锁扣即可将高端手表从手机中取出，然后安装普通表带戴在手上。 考虑到客户群体的手表通常价值连城， Caviar 特意在腕表收纳机构内加入柔软内衬 ，防止表壳、宝石装饰受损。如果用户决定将腕表戴在手上，也可以为手机安装装饰盖板，这样机身背面就不会留下一个大洞。 同时，该系列机型的“Celestial”版本自带 Patek Philippe Celestial 腕表，采用 18K 金、珐琅、钻石和陨石等名贵装饰物。用户还可选择劳力士、万国表、Jacob & Co.等限定版。 此外，该系列手机可嵌入 42-44mm 的机械名表，用户可根据自己的手表尺寸定制专属机身。
IT之家 6 月 4 日消息，华硕 PRIME LC II 360 ARGB 二代大师 360 一体式水冷散热器现已在京东发售，提供标准版和颜值版，区别就是颜值版采用隐藏水管设计， 前者定价为 799 元，后者定价为 849 元 。 系列散热器冷头配备一块 3.95 英寸 720x720 分辨率 60Hz IPS LCD 面板，支持显示系统监控 / GIF 视频 / 图片。散热器匹配 ARGB 风扇，尺寸为 360 (L) x 120 (W) x 25 (H) mm，最高转速设定在 2600 RPM±10%，最大风量为 78.3 CFM，最大风压为 5.37mm H2O。 该散热器采用三相六级高速水泵，水泵转速为 1200~3200 RPM±10%，搭配标准 27mm 厚度冷排，水冷管长度为 400mm，扣具兼容英特尔 LGA 1851/1700 以及 AMD AM4/AM5 平台。 IT之家附产品参数： 京东 华硕大师二代 360 散热器 799 元起 直达链接 京东 618 无门槛红包 面额至高 26618 元，每天抽 3 次： 点此抽红包 淘宝 618 无门槛红包 面额至高 26888 元，每天抽 1 次： 点此抽红包
IT之家 6 月 3 日消息，VGN 旗下飞龙 Y2 V2 大师版 GT 鼠标现已在京东发售，该鼠标采用 Nordic 54L15 芯片 + PAW3955 Extreme 传感器，提供 8KHz 回报率， 定价为 339 元 。 京东 VGN 飞龙 Y2 V2 大师版 GT 鼠标 339 元 直达链接 该鼠标可选白 / 粉两种配色，整体重量 47 克，使用右手人体工程学设计，鼠标表面带有全新纳米亲肤涂层，底部带有赛事脚贴。 该鼠标搭载 Nordic 54L15 芯片和 PAW3955 Extreme 传感器，提供至高 50000DPI、8KHz 回报率，同时鼠标内置 500mAh 电池，支持 V-Charge 闪充协议。 京东 618 无门槛红包 面额至高 26618 元，每天抽 3 次： 点此抽红包 淘宝 618 无门槛红包 面额至高 26888 元，每天抽 1 次： 点此抽红包
这个价位我打过亚狮龙10号，空对空kt800，维克托大师7号，在飞行方面我觉得kt800最好，也一直买的这款球，最近听说羽毛球降价了，想看看有没有更好一些的球能来到这个价位。各位佬友有没有推荐 23 个帖子 - 12 位参与者 阅读完整话题
群里看到的，刷新了我对女性的认知 37 个帖子 - 34 位参与者 阅读完整话题
IT之家 5 月 29 日消息，在今日的 2026 粤港澳大湾区车展上，东风猛士今日正式公布了猛士 M817 Ultimate 车型，宣布该车定名“ 大师版 ”。 猛士 M817 Ultimate 大师版搭载 同级唯一超 1000 匹马力、最大扭矩 1281N·m ，还有同级唯一赛级氮气减震。 猛士 M817 Ultimate 大师版还配备同级唯一 华为乾崑智驾 ，包括新一代双光路图像级激光雷达、首搭乾崑智驾 NCA 越野版。 IT之家从发布会获悉，猛士 M817 Ultimate 大师版将于下个月（2026 年 6 月）公布更多信息，官方称 定位 60 万级 。
先上结论： 确实降价了，但是无缓存还是贵 Credits 提升了 5-8 倍，但倍率也提升了很多（ Credits:Tokens ） 看别的论坛说命中率与 Deepseek 差不多（网上的内容，我没有实测） 理性来看，这次更新算正向的 说实话咋一看还以为是先涨价后降价 本来想发帖喷，后面仔细研究才发现其实也还好... 估计是鼓励更多的命中缓存 https://platform.xiaomimimo.com/docs/zh-CN/news/v2.5-price-update