做了一份任务规划交给AI后，躺在床上打开应用程序准备更新。突然发现谷歌市场推送了一个软件，没错，就是我们熟悉的马努斯。 然后我在心里面默念了一遍，突然想到了，腾讯为什么起这个名字？ 马努斯，码奴死 ，吗喽死 1 个帖子 - 1 位参与者 阅读完整话题
之前一直用 Microsoft Office ，今年公司要求统一转 WPS 。刚开始很抗拒，用了大半年发现有些功能确实比 Office 顺手——前提是你知道怎么设置。 整理了一些实际用了之后觉得有用的技巧： 1. WPS 快捷键其实可以自己改 默认快捷键和 Office 不一样，这是劝退最多的点。WPS 支持自定义快捷键，在「文件 → 选项 → 自定义快捷键」里能改回 Office 那一套。改完常用的 Ctrl+D （填充）、 Ctrl+Shift+L （筛选）就能无缝切换。详细可以看 WPS 快捷键设置指南 。 2. VLOOKUP 在 WPS 里和 Excel 一模一样 最大的疑虑是函数兼容性。实测下来，VLOOKUP 、XLOOKUP 、SUMIFS 这些常用的都没问题。WPS 对所有 Excel 函数的兼容性在 99%以上。唯一踩过的坑：WPS 表格默认不自动计算，公式写进去结果不更新要去「公式 → 计算选项」改成自动。 3. 删除空白页这个 WPS 特有 bug Word 转 WPS 后文档末尾经常多出一页空白页删不掉。试了删段落标记、调页边距都不行，最后发现是 WPS 的分页符处理逻辑和 Word 不一样——Word 的隐藏分页符在 WPS 里会变成可见的，多出来的空白页就是这个导致的。解决方法有好几种，具体可以看 WPS 删除空白页的 5 种方法 。 4. 数据透视表和 Office 兼容 用 WPS 做好的透视表在 Excel 里打开可能会报错"文件损坏"，反过来也一样。这个问题在 2025 年更新后基本解决了，只要你用 WPS 和 Office 的最新版本，跨软件打开透视表不会报错。 5. 文档误关没保存的恢复 WPS 的自动恢复比 Office 做得好，就算没手动保存直接关了，重新打开后左侧有「备份中心」可以恢复。草稿文档在本地保存 7 天，比 Office 只保留最近一次恢复人性化很多。 总结 如果公司强制用 WPS ，别硬抗。改快捷键、确认函数兼容性、习惯自动备份这三个点搞定后，实际体验和 Office 差别不大。唯一坚持用 Office 的理由可能是 VBA 宏——WPS 虽然支持但兼容性做不到 100%。 有其他 WPS 使用经验或者踩坑的欢迎补充。
ACL学习总结（AscendCL） 分享一份自己学习ACL的笔记，由于内容超出了最大的字符上限（共69168），所以选择直接分享一份语雀链接，链接在图片下方，大致内容如下，欢迎各位大佬前来互相交流学习： 简单来说，ACL的作用就是用来在昇腾（Ascend）设备上做小模型推理加速，例如yolo、ResNet等等各类模型，应用场景比如视频监控实时判定等等 https://www.yuque.com/u48066541/db8sl3/evem2liq09npe599?singleDoc# 《AscendCL》 上面给出的链接里代码案例使用的是C++，这里在给一份包含详细注释的Python版本 Resnet50 import os import acl import numpy as np from PIL import Image #定义常量 ACL_MEM_MALLOC_HUGE_FIRST = 0 ACL_MEMCPY_HOST_TO_DEVICE = 1 ACL_MEMCPY_DEVICE_TO_HOST = 2 #定义模型对象 class Net: def __init__(self,model_path): #构造函数 #acl初始化，device指定 self.device_id = 0 ret = acl.init() ret = acl.rt.set_device(self.device_id) #模型加载,返回模型的ID self.model_id, ret = acl.mdl.load_from_file(model_path) #创建空白的模型描述信息，获取模型描述信息的指针地址 self.model_desc = acl.mdl.create_desc() #通过模型ID，获取模型的描述信息,填充到model_desc ret = acl.mdl.get_desc(self.model_desc,self.model_id) #创建输入输出数据集 #创建输入数据集 self.input_dataset, self.input_data = self.prepare_dataset("input") #创建输出数据集 self.output_dataset, self.output_data = self.prepare_dataset("output") #实现输入输出数据集类型的创建 def prepare_dataset(self,io_type): #准备数据集 if io_type == "input": #获取模型的输入个数 io_num = acl.mdl.get_num_inputs(self.model_desc) #变量引用函数对象 acl_mdl_get_size_by_index = acl.mdl.get_input_size_by_index else: #获取模型的输出个数 io_num = acl.mdl.get_num_outputs(self.model_desc) acl_mdl_get_size_by_index = acl.mdl.get_output_size_by_index #创建aclmdlDataset类型的数据，描述模型的输入或输出 dataset = acl.mdl.create_dataset() datas = [] #循环创建输入或输出数据类型,把每个输入或输出（buffer）装入对应的dataset中 for i in range(io_num): #从模型描述信息中通过索引获取所需的buffer内存大小 buffer_size = acl_mdl_get_size_by_index(self.model_desc,i) #申请buffer_size大小的buff内存，并把申请的内存地址指针给buffer buffer, ret = acl.rt.malloc(buffer_size,ACL_MEM_MALLOC_HUGE_FIRST) #从内存创建大小为buffer_size的buffer对象,存储到buffer指针中 data_buffer = acl.create_data_buffer(buffer,buffer_size) #将buffer数据添加到数据集中 _, ret = acl.mdl.add_dataset_buffer(dataset,data_buffer) datas.append({"buffer": buffer, "data": data_buffer, "size": buffer_size}) return dataset,datas def forward(self,inputs): #模型推理函数 #遍历所有输入，拷贝到对应的buffer内存中 input_num = len(inputs) for i in range(input_num): #将输入数据转换为字节码，方便使用 bytes_data = inputs[i].tobytes() #创建指向字节码对象的指针地址 bytes_ptr = acl.util.bytes_to_ptr(bytes_data) #先将图片数据从host侧传到device侧，用于推理（申请device?） ret = acl.rt.memcpy(self.input_data[i]["buffer"], #目标地址 device self.input_data[i]["size"], #目标地址大小 bytes_ptr, #源地址 host len(bytes_data), #源地址大小 ACL_MEMCPY_HOST_TO_DEVICE #cp模式：host to device ) #模型推理，传入需要推理的模型id，输入输出数据集合 ret = acl.mdl.execute(self.model_id,self.input_dataset,self.output_dataset) #对推理的输出数据进行数据后处理，输出top5置信度的类别编号 inference_result = [] #遍历 输出集合output_data 里的所有元素，获取集合元素与其索引 for i,item in enumerate(self.output_data): #申请host侧内存 self.buffer_host, ret = acl.rt.malloc_host(self.output_data[i]["size"]) #将数据从device侧返回host侧 ret = acl.rt.memcpy(self.buffer_host, #目标地址 host self.output_data[i]["size"], #目标地址大小 self.output_data[i]["buffer"], #源地址 device self.output_data[i]["size"], #源地址大小 ACL_MEMCPY_DEVICE_TO_HOST #cp模式：device to host ) #从host侧内存地址获取（转换）bytes对象 参数1：需要转换的对象(内存地址) 参数2：数据的大小(要读取的字节数) bytes_out = acl.util.ptr_to_bytes(self.buffer_host,self.output_data[i]["size"]) #按照float32格式将数据转为numpy数组，即将这些字节数据视为32位浮点数来解释 data = np.frombuffer(bytes_out, dtype=np.float32) inference_result.append(data) #将得到的data转换为numpy数组，一维 vals = np.array(inference_result).flatten() #对结果进行softmax转换，使其变为概率分布 vals = np.exp(vals) vals = vals / np.sum(vals) return vals def transfer_pic(input_path): #数据预处理，每个模型的不同，预处理的操作也会有所不同 #将路径转换为绝对路径 input_path = os.path.abspath(input_path) #使用 PIL的 Image.open() 方法打开图像文件，返回一个Image对象，用于图像裁剪等后续处理 with Image.open(input_path) as image_file: #resnet50模型，图片裁剪为224*224，当然也不是一定要按照模型规定的大小来 img = image_file.resize((224,224)) #转换为float32类型的ndarray img = np.array(img).astype(np.float32) #根据ImageNet图像的均值和方差,进行图像归一化操作 img -= [123.675, 116.28, 103.53] img /=[58.395, 57.12, 57.375] #色域通道转换，RGB→BGR img = img[:, :, ::-1] #resnet50模型为彩色通道在前，即HWC→CHW img = img.transpose(2,0,1) #返回并添加batch通道 return np.array([img]) def print_top_5(data): #数据后处理，展示top5概率 #argsort函数：升序排序，[::-1]代表反转索引数组，即升序改为降序，[:5]代表截取前五个元素 top_5 = data.argsort()[::-1][:5] print("======== top5 inference results: =============") for i in top_5: print("[%d]: %f" % (i,data[i])) def __del__(self): #析构函数，按照资源申请的相反顺序进行销毁，回收内存 #释放host内存 ret = acl.rt.free_host(self.buffer_host) #销毁输入输出数据集 #先销毁dataset内的buffer for dataset in[self.input_data,self.output_data]: #确保dataset不为空 while dataset: #从列表末尾移除一个元素 item = dataset.pop() #销毁buffer数据 ret = acl.destroy_data_buffer(item["data"]) #释放buffer内存 ret = acl.rt.free(item["buffer"]) #销毁输入输出数据集 ret = acl.mdl.destroy_dataset(self.input_dataset) ret = acl.mdl.destroy_dataset(self.output_dataset) #销毁模型描述文件 ret = acl.mdl.destroy_desc(self.model_desc) #卸载模型 ret = acl.mdl.unload(self.model_id) #释放device ret = acl.rt.reset_device(self.device_id) #acl去初始化 ret = acl.finalize() #主调函数入口 if __name__ == "__main__": #类对象 resnet50 = Net("/home/work/zxy/pyACL/om/cls/resnet50_310P3.om") #数据 image_paths = ["/home/work/zxy/pyACL/data/cls/dog1_1024_683.jpg"] #遍历数组集合 for path in image_paths: #调用数据预处理函数，对每个数据进行预处理 image = transfer_pic(path) #将数据按照每个输入的顺序构造list传入，调用推理函数进行推理 result = resnet50.forward([image]) #数据后处理 print_top_5(result) del resnet50 1 个帖子 - 1 位参与者 阅读完整话题
OAI准备IPO 3 个帖子 - 3 位参与者 阅读完整话题
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 很久之前，我也在 论坛里面 自荐数学建模 Mulit-Agent 项目 收到了社区的欢迎和很多 star, 感谢佬友的支持。 两年前，我都是自己实现一套 Agent 框架 我认为，现在和以后更多的 Agent 产品 将直接基于 Harness 如 Codex / Claude Code / Pi + SKILLS 来构建 所以我将项目蒸馏成一套 SKILL， 方便大家使用。 github.com GitHub - jihe520/MathModelAgent: 🤖📐专为数学建模设计的 Agent & skills... 🤖📐专为数学建模设计的 Agent & skills ,自动完成数学建模，生成一份完整的可以直接提交的论文。 An Agent Designed for Mathematical Modeling ,Automatically complete mathmodel and generate a complete paper ready for submission. Intro MathModelAgent SKILL —— 直接在 Harness 中驱动的数学建模自动化方案. 开源免费，接入任意模型 完全开源免费，可接入任何模型。 端到端自动化 从问题分析、建模、编码、绘图到论文排版和验收，一条 /1start-mathmodel 命令全自动完成，中间阶段自动串联，无需人工干预。 17 套 Typst 论文模板 内置中英文主流赛事模板（国赛、华数杯、华为杯、MCM/ICM 等），自动匹配赛事类型，生成排版精良、可直接提交的 PDF 论文。 内置建模知识库 包含完整的建模规范、模型选择决策树（AHP、TOPSIS、ARIMA、GA 等）、常见易错模式和 MCM/ICM 评分标准，每个阶段自动参考，降低模型幻觉。 9 步自动验收 文本泄漏检测 → 数值一致性校验 → Typst 编译 → PDF 可视化检查，确保论文零低级错误。 可组合、可扩展 每个阶段是独立 Skill，可单独调用（如只跑分析、只写论文）；模板和知识库可自由扩展；支持 Typst 生态排版。 1 个帖子 - 1 位参与者 阅读完整话题
大佬们，有claude桌面版能使用的语言包吗？之前有一个大佬在github上开源了一份，但是好像在最新版的claude上用不了了 1 个帖子 - 1 位参与者 阅读完整话题
这次我分了两份，一份独享的 8*25个，先到先得 cdk.linux.do LINUX DO CDK Linux Do 社区 CDK 快速分享平台 - 让分享变得更简单 一份共享的100个 grok_100.txt (20.6 KB) 刚注册的，尽情享用吧 2026-6-6 10:30 呜呜呜没用过cdk分发，不咋会用 ,再补100个号吧 accounts_20260606_101124.txt (20.6 KB) 6 个帖子 - 5 位参与者 阅读完整话题
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 自己的第一个开源项目，全程vibe-coding。 因为经常要看调研报告，发现无非大家都是整合现有公开信息，能得到一手信息的人是不会轻易发布公开的。所以做了这个skill，目前已经基本达到我的需求，有同样需求的，求Star。 目前在Opencode下完整可用，搭配deepseek v4 flash，基本0成本。 其他平台，佬们可让比如codex读取本项目后稍微改造下即可使用。 现在开始正式介绍啦： 项目地址： GitHub - hoolulu/deep-research: OpenCode 深度调研报告生成 Skill — 一个命令，六分钟，一份深度专业的调研报告 · GitHub 查看全部案例报告 → 点此浏览所有已生成的调研报告，可直接点击打开阅读。 做了几个报告都可以查看下是否符合佬的口味和需求。 2026全球半导体行业调研-20260605-161206.md 2026年印度极端高温-20260605-172304.md 2026年英雄联盟海克斯大乱斗综合调研与技巧指南-20260605-173118.md 2026苏超赛事市场调研与文旅价值分析-20260605-172208.md 社恐内向男生快速建立亲密关系实用指南-20260605-180305.md 更多的介绍可去项目地址查看，目前版本基本稳定，我已经调试一个礼拜了。后续在使用过程中欢迎交流，我在使用过程中会不断更新的。 5 个帖子 - 3 位参与者 阅读完整话题
早上11:45我的大号收到OpenAI邮件说我号被封了，当场不服气让Gemini给我生成了一份申诉信就提交了OpenAI申诉表单。 21:22顺利收到了解封邮件~ 我的大号又是QQ邮箱，又是万人骑机场，又是之前买了plus订阅最近到期没有续费，又是用过CPA反代Codex的，Debuff集齐了，没想到还是能顺利解封 3 个帖子 - 3 位参与者 阅读完整话题
今天拒了一份工厂管理岗。 底薪 8k ，加绩效，五险，包吃住。算下来一个月差不多 1 万。对普通人来说挺稳的。但我没去。Claude 、Codex 、各种工具，每天折腾代码、折腾小项目、改接口、做小玩意儿。坐一天起来也没赚到钱，但精神上像创业一样充实。问题是我也不知道自己到底是在抓机会，还是单纯逃避上班。看起来像在学习 AI ，其实本质和以前沉迷游戏、刷短视频差不多。只是表面上更正经一点。现在准备给自己几个月时间，看能不能做出点东西。如果没结果，大概就得老老实实去上班了。想问问各位，如果是你，会去工厂管理岗，还是赌 AI ？
今天拒了一份工厂管理岗。 底薪 8k ，加绩效，五险，包吃住。算下来一个月差不多 1 万。对普通人来说挺稳的。但我没去。Claude 、Codex 、各种工具，每天折腾代码、折腾小项目、改接口、做小玩意儿。坐一天起来也没赚到钱，但精神上像创业一样充实。问题是我也不知道自己到底是在抓机会，还是单纯逃避上班。看起来像在学习 AI ，其实本质和以前沉迷游戏、刷短视频差不多。只是表面上更正经一点。现在准备给自己几个月时间，看能不能做出点东西。如果没结果，大概就得老老实实去上班了。想问问各位，如果是你，会去工厂管理岗，还是赌 AI ？
今天拒了一份工厂管理岗。 底薪 8k ，加绩效，五险，包吃住。算下来一个月差不多 1 万。对普通人来说挺稳的。但我没去。Claude 、Codex 、各种工具，每天折腾代码、折腾小项目、改接口、做小玩意儿。坐一天起来也没赚到钱，但精神上像创业一样充实。问题是我也不知道自己到底是在抓机会，还是单纯逃避上班。看起来像在学习 AI ，其实本质和以前沉迷游戏、刷短视频差不多。只是表面上更正经一点。现在准备给自己几个月时间，看能不能做出点东西。如果没结果，大概就得老老实实去上班了。想问问各位，如果是你，会去工厂管理岗，还是赌 AI ？
昨天有佬来晚没领上。马上三级了，继续发些今日注册grok普号，一份20个，依然是非共享，这样使用体验会好些。 cdk.linux.do LINUX DO CDK Linux Do 社区 CDK 快速分享平台 - 让分享变得更简单 4 个帖子 - 4 位参与者 阅读完整话题
今天拒了一份工厂管理岗。 底薪 8k ，加绩效，五险，包吃住。算下来一个月差不多 1 万。对普通人来说挺稳的。但我没去。Claude 、Codex 、各种工具，每天折腾代码、折腾小项目、改接口、做小玩意儿。坐一天起来也没赚到钱，但精神上像创业一样充实。问题是我也不知道自己到底是在抓机会，还是单纯逃避上班。看起来像在学习 AI ，其实本质和以前沉迷游戏、刷短视频差不多。只是表面上更正经一点。现在准备给自己几个月时间，看能不能做出点东西。如果没结果，大概就得老老实实去上班了。想问问各位，如果是你，会去工厂管理岗，还是赌 AI ？
今天拒了一份工厂管理岗。 底薪 8k ，加绩效，五险，包吃住。算下来一个月差不多 1 万。对普通人来说挺稳的。但我没去。Claude 、Codex 、各种工具，每天折腾代码、折腾小项目、改接口、做小玩意儿。坐一天起来也没赚到钱，但精神上像创业一样充实。问题是我也不知道自己到底是在抓机会，还是单纯逃避上班。看起来像在学习 AI ，其实本质和以前沉迷游戏、刷短视频差不多。只是表面上更正经一点。现在准备给自己几个月时间，看能不能做出点东西。如果没结果，大概就得老老实实去上班了。想问问各位，如果是你，会去工厂管理岗，还是赌 AI ？
今天拒了一份工厂管理岗。 底薪 8k ，加绩效，五险，包吃住。算下来一个月差不多 1 万。对普通人来说挺稳的。但我没去。Claude 、Codex 、各种工具，每天折腾代码、折腾小项目、改接口、做小玩意儿。坐一天起来也没赚到钱，但精神上像创业一样充实。问题是我也不知道自己到底是在抓机会，还是单纯逃避上班。看起来像在学习 AI ，其实本质和以前沉迷游戏、刷短视频差不多。只是表面上更正经一点。现在准备给自己几个月时间，看能不能做出点东西。如果没结果，大概就得老老实实去上班了。想问问各位，如果是你，会去工厂管理岗，还是赌 AI ？
今天拒了一份工厂管理岗。 底薪 8k ，加绩效，五险，包吃住。算下来一个月差不多 1 万。对普通人来说挺稳的。但我没去。Claude 、Codex 、各种工具，每天折腾代码、折腾小项目、改接口、做小玩意儿。坐一天起来也没赚到钱，但精神上像创业一样充实。问题是我也不知道自己到底是在抓机会，还是单纯逃避上班。看起来像在学习 AI ，其实本质和以前沉迷游戏、刷短视频差不多。只是表面上更正经一点。现在准备给自己几个月时间，看能不能做出点东西。如果没结果，大概就得老老实实去上班了。想问问各位，如果是你，会去工厂管理岗，还是赌 AI ？
今天拒了一份工厂管理岗。 底薪 8k ，加绩效，五险，包吃住。算下来一个月差不多 1 万。对普通人来说挺稳的。但我没去。Claude 、Codex 、各种工具，每天折腾代码、折腾小项目、改接口、做小玩意儿。坐一天起来也没赚到钱，但精神上像创业一样充实。问题是我也不知道自己到底是在抓机会，还是单纯逃避上班。看起来像在学习 AI ，其实本质和以前沉迷游戏、刷短视频差不多。只是表面上更正经一点。现在准备给自己几个月时间，看能不能做出点东西。如果没结果，大概就得老老实实去上班了。想问问各位，如果是你，会去工厂管理岗，还是赌 AI ？
今天拒了一份工厂管理岗。 底薪 8k ，加绩效，五险，包吃住。算下来一个月差不多 1 万。对普通人来说挺稳的。但我没去。Claude 、Codex 、各种工具，每天折腾代码、折腾小项目、改接口、做小玩意儿。坐一天起来也没赚到钱，但精神上像创业一样充实。问题是我也不知道自己到底是在抓机会，还是单纯逃避上班。看起来像在学习 AI ，其实本质和以前沉迷游戏、刷短视频差不多。只是表面上更正经一点。现在准备给自己几个月时间，看能不能做出点东西。如果没结果，大概就得老老实实去上班了。想问问各位，如果是你，会去工厂管理岗，还是赌 AI ？
今天拒了一份工厂管理岗。 底薪 8k ，加绩效，五险，包吃住。算下来一个月差不多 1 万。对普通人来说挺稳的。但我没去。Claude 、Codex 、各种工具，每天折腾代码、折腾小项目、改接口、做小玩意儿。坐一天起来也没赚到钱，但精神上像创业一样充实。问题是我也不知道自己到底是在抓机会，还是单纯逃避上班。看起来像在学习 AI ，其实本质和以前沉迷游戏、刷短视频差不多。只是表面上更正经一点。现在准备给自己几个月时间，看能不能做出点东西。如果没结果，大概就得老老实实去上班了。想问问各位，如果是你，会去工厂管理岗，还是赌 AI ？