AI编程
快来分享你的内容吧～
昨天 16:15·人工智能五天四晚,40 名应届生,以训代面,淘汰制。我自认 AI 技术最强,却在最后一天被刷。复盘后发现,落榜原因和代码无关:两个下意识填错的默认值。这让我想清楚——AI 超越的是通用技术知识,技术判断却发生在具体情境里,而它不在那个房间里。查看全文编程导航_小y：这个模式有点意思：1. 找一个 AI 解决方案公司2. 再找一批应届生，40 人进行试岗培训，看是否能在 5 天里结合 AI 去赋能业务，淘汰其他人所以最后的答辩不需要落地产品，只需要思路上过关就能留下吗？感觉思路和实际产品落地还是有挺大差距的，思路是自己挖掘，还是有考核主题方向呢？15219分享
2 天前·后端- 4 天前·后端
- 6 天前·后端
- 7 天前·后端ChatGPT Images 2.5 发布，10 大玩法实测，顶流的 AI 生图模型到底怎么样？扔掉 PS 吧，人人都是艺术家的时代，真的到来了。查看全文加油鸭：鱼皮这波测评太硬核了！Sketch草图+Comment精修+透明背景，把AI生图体验直接拉满，技术人的创意自由感扑面而来～1033分享
- 09-08 18:42·后端
- 09-07 11:43·后端GPT-6 Astra 实战测评，4 大项目实战，覆盖 AI 编程能力和 Computer Use 电脑操作能力，看看号称全世界最智能的模型，在 Codex 中的使用体验到底如何？和 Claude Fable 5 比起来怎么样？查看全文蒙牛：请问，现在模型评测只能自己评测么?有没有比较权威的网站来展示各个模型的能力643分享
- 09-04 11:29·后端OpenAI 正式推出 GPT-6 Astra 模型，带大家看看这次 GPT 有哪些提升，跟 Claude Fable 5.1 有什么差距？AI 编程能力如何？AGI 真的来了么？查看全文加油鸭：鱼皮老师这篇深度解析太硬核了！从AGI时代判断到实测对比，再到提示词工程启发，信息量爆炸又条理清晰，干货浓度拉满！731分享
- 大四学 Java AI，看不懂 AI 生成的代码怎么办？AI开发学完就忘、依赖AI写代码，我感觉自己不是学不会，而是根本“不会学”学习目标能够真正具备就业能力，通过开发岗位的面试。个人情况· 已了解AI开发基础课，Java 开发课看了三分之一。能跟着视频敲代码· 自己动手做了半个Agent项目，熟悉基本框架· 但离开教程就卡壳，严重依赖AI生成代码，且看不懂生成内容核心困惑我反复想过了，我不是学不会技术，而是完全不知道“该怎么学”才有效。具体表现为：1...查看全文程序员鱼皮：你目前的节奏有点太快了，Java 课才看了三分之一就去做 Agent 项目，这就好比连基本语法都没吃透就去写框架，大概率是看不懂代码的。我的建议是，先老老实实跟着 Java 开发学习 把开发框架部分学完，把基础补扎实了，再来做项目。否则你对整个技术栈的理解是断层的，AI 生成的代码你看不懂，本质上是因为技术还没学到位。项目实操这块，不建议一上来就做 Agent。可以参考 编程导航项目学习建议，先从
40人应届生五天淘汰制训练营，自认AI技术最强却被刷，问题出在哪？
五天四晚，应届生（40人），以训代面，淘汰制。 我就在这 40 个人中。经过五天交流，自认AI技术最强，却在最后一天汇报发offer前被刷。 这是一家大规模做跨境箱包的企业,原始的开发团队几乎为零。他们从外面找了一家专门做"企业 AI 原生化"的培训方,再招一批 26、27 届应届生进来——第一批技术团队,就从这里出。 但这五天复盘下来,我最大的收获不是"我技术上哪里不够",而是我终于把一件以前只是模糊感觉到的事想清楚了:**AI 时代真正拉开差距的,不是谁会写代码,是谁有判断力。** ## 一、我一开始以为这是道技术题 前几天几乎科普，挺无聊的，这边略过，直接来到第四天，对接企业真实业务需求。听取简单陈述后，我以为业务方要的是 AI 智能客服,这类东西我以前搭过。无非是意图识别,挂一个 RAG,让 agent 根据知识库回答用户问题——方案在我脑子里是完整的,我甚至已经想好了怎么做。 所以聊之前,我专门问了一句技术老师:能不能把我的 agent 服务装到 1688 商家后台上?得到的答案是:可以。 这样我就放心了。我以为已经把最大的不确定性排除掉了,接下来就是指挥 AI 干活。 ## 二、聊深了才发现,真正的瓶颈根本不在技术 随着交流深入,业务方的真实需求浮出来了:他要的不是客服,更接近一个 **AI 销售**——老客户唤醒、新客户挖掘,把有潜力的用户识别出来。 那就绕不开数据了。老客户的购买记录、购买时间、新客户的线索……这些全在 1688 上,没有官方 API,我拿不到。平台自己就在卖这些数据,不可能开放给第三方。 我也想过用 RPA 之类的方式去"看"这些数据,但那就绕开了平台授权,长期下来，合规性上根本站不住。 三条约束摆在一起,结论很清楚:**方案再漂亮,数据不在你手里,这事就不成立。** 而我一开始问的那句"能不能装上去",答案确实是"能"——只不过那不是真正的约束所在。 ## 三、"AI 比我懂技术"——这句话对,但只说了一半 这五天里,我看清了另外一件事，给了我很大自信，又让我不确定这份自信到底有无作用。 40 个人,基本都是 26、27 届应届生,学历背景和我差不多（普本）,个别是硕士。技术基础普遍薄弱,有人连 Agent 是什么都说不清,但已经在找 Agent 研发岗了。 训练营给的是一套全栈开发范式(基于 Matt Pocock ,核心是**鱼哥**提过的 **grill me** skill，本质就是让 AI 反复反问你、把模糊想法逼成明确需求，且其余 skill 封装了一整套的软件工程开发思想),学完确实能做出东西，且极大的加快了开发效率。但只是停留在**调用**这一层:你会用 skill,但不知道 skill 里面到底做了什么,也不知道原作者背后那套软件工程思路是什么。  培训团队主体两人（业务出身的老师主导，另一个是15年 c++ 研发转型 AI 应用研发），可以感觉到这个主导的老师极度看淡技术。只要谈及技术实现,得到的回应大致是:没必要纠结,**AI 比你懂技术**。 这句话我认同一半。 在我浅薄的认知中，AI 在写代码、修 bug、迭代优化上,确实已经远超我们任何人,而且差距还在拉大。但这句话把两种东西混在一起了——AI 超越的是**通用技术知识**;而技术判断真正发生的地方是**具体情境**。 第四天就是最好的证据:AI 懂 RAG、懂意图识别、懂 Agent 编排,样样比我懂。可它不知道 1688 不会给一个第三方开数据接口,不知道大厂平台自己就在卖 AI 客服,不知道 RPA 取数在合规上站不站得住。 **它一无所知,因为它不在那个房间里。** 所以"AI 比我懂技术"推不出"技术没用了"。它推出来的是:**通用知识的存量在贬值,而情境判断在升值。** 还有一层:那套"让 AI 反复反问你"的方法,是放大器,不是替代品。你有领域知识,它把你的想法逼清晰;你没有,它就只是把 AI 的想法**固化**成你的想法。同一套工具,两种人用出来是相反的结果。我在训练营现场见过太多"AI 推荐哪个我就选哪个"的人了（我把他们称为“ ok 工程师”）——那不是澄清需求,那是给 AI 当橡皮图章。 ## 四、但我自己也栽了 说到这儿,该说最扎人的部分了--我被刷了。 我总结的原因有两个: **第一,我以为 1688 是 toC 平台。** 业务方告知我的痛点是抓小单，大单有专门的销售对接,他想要的是那些零散的、没人跟的。我没做过电商,不懂平台,下意识就按 toC 理解了。而 1688 主体是做 toB 的。 **第二,我以为公司有专职客服。** 实际上客服是销售兼着做的。老板问我:这个产品能帮他提升什么?我说:可以优化掉客服。老板表情没什么变化,只是平静地告诉我——他的本意不是裁团队,而是把销售从这部分精力里解放出来。 这两件事,没有一件是技术问题。 而且它们错的方式一模一样:**我下意识填了两个默认值,而这两个默认值都是错的。** 更要命的是,我意识不到自己填了什么。 我前面说那 40 个人在和 AI 沟通过程中缺判断力。可我落榜的原因,是同一种缺失——只是我缺的那两块,恰好被问到了。 所以这不是一个"他们不行我行"的故事。这是一个结构问题:**判断力不来自聪明,来自你对一个具体场景熟不熟。** 我没做过电商、没在这种公司待过,我就很可能会填错默认值,而且自己毫无察觉。 ## 五、那什么才是不会贬值的 上面两件事,其实指向同一个结论。 AI 正在快速吃掉**通用技术知识**,而且会一直吃下去。 吃不掉的是三样东西:对具体业务场景的了解、为结果负责过的经验,以及由此长出来的判断力。 给和我一样的应届生、求职者,三个我觉得真有用的动作: **1. 把你的默认假设写下来,去验证。** 你没做过电商,就可能会默认小订单是 toB;你进一家新公司,就会默认它的分工是教科书上写的那样。你意识不到自己不知道什么,但你可以强迫自己问一句:我现在假设了哪些东西?答案往往就是你和面试官之间隔着的那层纸。 **2. 了解 AI 在真实业务中的边界。** 我问过"能不能嵌到 1688 上",答案是能。这个答案没错——错的是我把"能装上去"当成了"路通了"。真正的约束在下一层:装上去之后,数据从哪来? AI 可以帮我开发一套 RPA 工具去抓数，但是合规吗？ **3. 选实习、选项目,优先选能接触真实业务和真实反馈的。** 哪怕技术栈旧一点、活脏一点、钱少一点。你缺的不是 API 熟练度,是"在真实场景里待过"。这个东西 AI 给不了你,因为 AI 不在那个房间里。 ## 最后 谈谈我的想法。 留下的那些人（技术认知/习惯很差）是要成为第一批技术团队员工的,而上面没有技术 leader;老板也不是技术出身，等于无人兜底，我很好奇他们能不能靠这套 skills 驱动的开发范式完成真实的业务需求。 毕竟训练营要证明的是"这套范式跑得通",而老板目前感知到的“可以”,评的是流程,不是产物。这两件事在 demo 那一刻长得一模一样,但是后续会立刻分岔——公司要的终究是做出来能挣钱,这和"demo 能跑"之间隔着很远的距离。当然，我自己也在尝试用这种方式进行开发，后续可能会分享，它真的很简洁且有效率，推荐同学们学习。 上述全部为个人观点，希望得到资深 AI 开发工程师的指点！
DeepSeek 官方竟然偷偷做了 Harness 桌面端，我已经用上了。。
大家好，我是程序员鱼皮。 上个月 DeepSeek 开源了自家的 Harness 工具 DSH，被称为 DeepSeek 的角色专武，核心理念是「一切皆插件」。 发布后才过了一周，GitHub 就冲到了 20 万 Star，可见有多火！  不过，官方发布的时候只提供了命令行和 Web 两种使用方式，你得先装好 Node.js 环境，然后在终端里敲命令启动，用浏览器来访问。 对很多小白来说，这个上手门槛就不太友好了。 所以有社区开发者立刻开始做桌面端。Harness 才开源没几天，GitHub 上就冒出了好几个桌面客户端项目。其中最火的当属 dsh-desktop，已经拿了 2 万多个 Star，支持 Windows 和 macOS，双击安装就能用。  我以为有了社区的支持，DeepSeek 官方不打算出手做桌面端了。结果今天逛 GitHub 的时候，突然发现官方 deepseek-harness 仓库里多了一个 `apps/desktop` 目录。 点进去一看，好家伙，官方自己搞了一个基于 Electron 的桌面端应用，包名叫 `@deepseek-ai/dsh-desktop`，版本号已经到了 `0.1.5-rc.2`，连打包签名、自动更新的流程都写好了。  最离谱的是，DeepSeek 没有发过任何公告、没有推文、没有博客，就是悄悄地把代码合进了 master 分支。 而且到目前为止，官方也没有放出安装包，想体验只能自己拉代码编译。 很符合 DeepSeek 低调的风格了，闷声干大事啊！  ## 吃波螃蟹 既然官方没放安装包，那我就自己动手编译跑一下，替大家吃一波螃蟹。哦不，是鲸鱼~ 整个过程其实不复杂，前提是你的电脑上已经装好了 Node.js（需要 22.19 以上版本）。如果没装过 Node.js，可以去 [Node 官网](https://nodejs.org) 下载最新的 LTS 稳定版本。 准备好之后，打开终端，依次执行下面 3 步。 > 当然，还有更简单的安装方式，就是你直接让 AI 帮你安装和运行。 **1、安装 pnpm 包管理器** DeepSeek Harness 用的是 pnpm 来管理依赖，先输入命令全局安装一下： ```bash npm install -g pnpm@11.7.0 ``` **2、克隆仓库并安装依赖** 把整个 Harness 仓库拉到本地，然后安装依赖。注意这个仓库很大，依赖也很多，安装过程可能会有点儿慢： ```bash git clone https://github.com/deepseek-ai/deepseek-harness.git cd deepseek-harness pnpm install ``` **3、启动桌面端开发模式** 输入一行命令搞定： ```bash pnpm run dev:desktop ``` 这一步会先编译整个项目，然后自动下载 Electron，也就是一个专门用来开发跨平台桌面应用的开源框架，很多知名应用比如 VS Code、Discord 都是用它做的。 过一会儿，你就能看到一个 Electron 窗口弹出来了，界面和 Web 端几乎没什么区别。  模型配置和 Web 端一样，在设置里填好 API Key 就能开始用了。我试了一下，跟 AI 对话、文件操作、工具调用、插件管理这些功能都是正常的。  不过好像有个明显的 Bug，整个应用内无法粘贴内容，DeepSeek 的 API Key 还是我一个字母一个字母手输进去的…… 期待后面改进吧，最好能有一些桌面端特有的功能。 ## 官方版会更好么？ 可能有人会问，社区已经有那么多桌面端了，官方下场做这个有什么不一样？ 我觉得 **最大的区别在于安全性。** 社区做的那些桌面端，不管是用 Electron 还是 Tauri，基本思路都差不多。它们会在你本地起一个 HTTP 服务，然后用桌面窗口去访问 `localhost` 上的这个服务。简单来说，就是给 Web 页面套了一个桌面壳子。 这种方式虽然简单，但有一个潜在的问题：你的电脑上开了一个端口。 如果你在公司内网或者公共 WiFi 环境下用，理论上同一网络下的其他设备是有可能访问到这个端口的。 而官方的桌面端完全没有开任何端口。它用了一套自定义的 `dsh-app://` 协议来传输数据，Electron 主进程和 DSH 后端之间通过进程管道直接通信，请求和响应走的是分帧字节流，生命周期控制则走 Node IPC。也就是说，从网络层面来看，你的 Harness 对外界是完全不可见的。  **另一个区别是版本绑定。** 官方把 Electron 壳、DSH 后端、Node.js 运行时绑成了一个整体，一起签名、一起发布、一起更新。社区版通常是桌面壳和 DSH 后端分开更新的，偶尔会出现版本不匹配导致的奇怪问题。而且官方自己维护更新通道，后续升级肯定会更及时、也更让人放心。 目前官方版本还处于很早期的阶段，没有预编译的安装包，必须自己从源码构建。日常使用的话，社区的 dsh-desktop 之类的项目体验确实更成熟。不过看官方的架构文档和签名流程，后续大概率会通过 `download.deepseek.com` 正式分发安装包，到时候应该就是双击安装、开箱即用了。  如果你还不了解 DeepSeek Harness，或者想学习更多 AI 编程工具和经验技巧，可以看看我免费开源的 [《AI 编程零基础入门教程》](https://ai.codefather.cn/vibe)，上千张图、几十万字，带你从 0 开始快速学会 AI 编程，做出自己的产品、跑通变现全流程，一次拿捏。 > 开源指路：https://github.com/liyupi/ai-guide  我是鱼皮，持续分享 AI 编程干货。觉得有用的话记得点赞收藏和关注~ 评论区聊聊，你更喜欢用网页版还是桌面端的 AI 工具呢？
耗时 6 年，我终于拿到 B 站 100 万粉丝奖牌！公布明年的秘密计划（
大家好，我是程序员鱼皮。 从我在 B 站发出第一个视频到现在，整整过去了 6 年。 前几天我终于收到了官方寄来的 100 万粉丝奖牌，真的很久没有那么激动了，仿佛找到了我最开始做视频时粉丝破百的喜悦感。  这块牌子不是我一个人挣来的，是这 6 年里每一个点关注、投币、留评论的朋友一起堆出来的。 真的非常感谢大家！  以前我发视频基本都在讲教程、聊技术、测模型，从来没有在视频中回过评论。 这次我专门在动态里征集问题，评论区一下涌进来上百条，从 AI 编程工具问到创业经历，从学习路线问到感情八卦，什么都有。 我挑了 40 多条大家问得最多、也最值得聊的问题，一条条录成了视频。 > 视频指路：https://bilibili.com/video/BV1W9YH6HEtz 这篇文章就是那期视频的完整文字版，内容比较长，我按话题分成了 9 个部分，方便大家挑着看。 ## 1、我是怎么走上编程这条路的 #### 第一次做程序是什么时候？ 我第一次写程序是在高中，用的是一门估计大家都没听说过的语言，叫 Q 语言，也就是按键精灵的脚本语言。  学它的目的说出来有点不好意思，我纯粹是为了写自动打怪脚本。 这里还有个小故事，当时我沉迷一款叫 XX 三国的游戏，想氪金但手里没钱，就琢磨出一个思路，与其在游戏里辛苦打工赚游戏币，不如先在现实世界把钱赚到手，再充值到游戏里。 于是我真的跑到线下加入了一个刷单工作室，靠这个赚了点零花钱。  结果等我真赚到钱之后，反而舍不得往游戏里充了…… 不过写这些脚本的过程让我发现，原来自己挺喜欢编程这件事。那会儿我还是班里的计算机课代表，后来又参加了一个做网站的竞赛，拿了个三等奖，从此就彻底爱上编程了。 #### 鱼皮小时候是什么样的生活环境和经历？ 我小时候基本就是一个人待在房间里自娱自乐，左手拿着一个玩具，跟右手的玩具对话。 再大一点，我开始用 A4 纸和手写笔记本设计游戏，自己定规则、画地图、算数值，我管这个叫「纸游」和「本游」。 现在回过头看，那大概就是我最早的产品设计经历了。 #### 鱼皮哥是二次元吗？ 给大家看看我当年用过的头像和壁纸，请大家自行评价。  #### 如果能再选一次，鱼皮会选什么专业？ 当年填大学志愿的时候，我 10 个志愿全都填了计算机专业。 再让我选一次，肯定还是计算机，前提是这个专业未来还在。 #### 大学期间印象最深的事是什么？ 大学期间让我印象最深的一件事，是在保研和就业之间做选择。 纠结了很久，我最后还是决定直接进腾讯打工，立志把童年充进游戏里的钱赚回来。 一路走到现在，我一直都是自己做选择的，不会让别人替我做决定，我爸妈也从来不干涉我，真的非常感谢他们。 ## 2、我每天在用的 AI 编程工具 聊完过去，再说说现在。这次评论区问工具和实操的人最多，我挨个说一下。 #### 鱼皮最喜欢用的编程工具是哪一个？ 这题很危险啊。 以前做 Java 开发的时候，我用得最多的肯定是 IDEA。不过现在都是 AI 编程了嘛，我早就把 IDEA 卸载了。 目前用得最多的是 Cursor，其次是 Codex 和 Claude Code，然后是各种国产工具，没有任何广告成分。 #### 在哪个平台或模型上充值的 Tokens 最多？充了多少？ 肯定是 Cursor。 它对接了非常多的模型，我想测试新模型的时候特别方便，不用到处开一堆订阅，也不用担心被封号。 我用 Cursor 差不多有一年半了，整个团队算下来，少说也得花掉十几二十万，单位是元。 给大家看一眼最近一个计费周期的账单，光这一个月就烧掉了三千多刀。  #### 利用 AI 做长期项目时，如何确保随着内容增多，AI 的代码不会越来越乱？ 这个问题挺正经的，但回答起来很简单，你把 AI 类比成人类就明白了。 人脑的容量是有限的，所以我们会把重要的事情记下来，写进备忘录或者项目文档里。 让 AI 做项目也是一样的道理，你要让它把项目的关键信息整理成文档沉淀下来，之后每次干活先从文档里获取上下文，它就不容易跑偏。 除了写文档，还有一些别的技巧。比如把代码按功能拆分成多个模块，每次明确告诉 AI 这轮只改哪一个模块，它的改动范围就会收得很紧，不至于牵一发动全身。 #### 如何自己开发 Agent？ 打开一个 AI 编程工具，使用 `/grill-me` 拷问技能，然后把你的想法输进去，让 AI 一步步引导你把需求问清楚，剩下的交给它就搞定了。 这个技能来自 Matt 开源的技能库，它会像面试官一样反复追问你的需求细节，比你自己想提示词高效得多。 > 开源指路：https://github.com/mattpocock/skills  ## 3、Vibe Coding 时代，怎么提升编程能力 工具聊完了，接着就是这次评论区最焦虑的一批问题。 大家的担心其实高度一致，就是 AI 把活儿都干了，自己会不会废掉。 #### 现在每天上班开发就是 Vibe Coding，没时间再手动看生成的代码了，以后该如何提高自己的编程能力？ 完全不用担心！ Vibe Coding 已经是整个行业的趋势，你能指挥 AI 把工作完成，这本身就是一种能力。 真想补基础也不难，在工作之余主动看一点传统的技术教程或者技术科普，面试之前刷一刷面试题就够了。不用因为自己不再逐行手写代码，就觉得能力在退化。 #### 我是计算机专业本科生，应不应该平时完全用 AI 写代码？让 AI 写代码总有种作弊的感觉 你不用，你可能就落后了。 AI 编程是趋势，不是捷径。 腾讯在《2025 腾讯研发大数据报告》里披露过，公司超过 90% 的工程师在用 AI 编程助手 CodeBuddy，全公司 50% 的新增代码由 AI 辅助生成，相当于程序员每写两行代码就有一行是 AI 帮着完成的。  连大公司都这么干了，先进的工具和技术本来就是要学的，用 AI 写代码怎么能算作弊呢？ #### 以后的开发是不是偏向于维护和提问题？ 我觉得会更偏向于 **描述需求** 和 **验收成果** 这两件事。 往前一步，你要能把问题跟 AI 说清楚，说不清楚它就交付不出你想要的东西。 往后一步，你要能判断 AI 交出来的结果好不好，好在哪、差在哪、该怎么改。 这两头你都握住了，中间的代码具体由谁敲出来，其实没那么重要。 #### 如何在 Vibe Coding 中学习？ 多看 AI 的输出，并且直接利用 AI 来学习。 具体做法特别简单，记住这一句提示词就够了： ```markdown 请用傻子都能懂的方式回答我 ``` 别小看这句话。Claude 的母公司 Anthropic 最近开源了一个技能叫 ELI5，全称是 Explain Like I'm 5，意思是用讲给 5 岁小孩听的方式来解释任何话题。 > 开源指路：https://github.com/anthropics/claude-plugins-community 整个技能的核心就这一句话，跟我这个提示词异曲同工。  如果你想要更系统一点的效果，还可以用国外大神 Matt 开源的 `/teach` 技能。它会把 AI 变成你的私人教师，先摸清你为什么想学这个东西，再按你的节奏一点点搞出教程讲解。 > 开源指路：https://github.com/mattpocock/skills  #### 小白如何在 Vibe Coding 的过程中不断学习和进步，增强对 AI 的掌控感？ 不用想那么多，多用就是了。 先用 AI 把东西做出来，在练习的过程中慢慢找感觉。提示词不会写完全没关系，只要能说清楚自己的需求和目标就行。用着用着，你自然就知道 AI 什么时候听话、什么时候不听话了。 **掌控感是练出来的，不是学出来的。** 等东西做出来之后，再倒回去了解背后用到的技术。这时候你的学习是带着目标的，效率反而比一开始就死磕基础更高。 #### 研究生应该怎么利用好 AI 工具帮助自己？ 很抱歉我没有读过研，不太清楚你们具体的科研场景。 但这个问题我可以用最直接、最不绕弯子的方式回答你：**你把自己的专业和这个问题原封不动发给 AI 就行。** 记得带上前面那句提示词「请用傻子都能懂的方式回答我」，AI 现在真的是最好的私教 #### 自学编程或者教别人学编程的过程中，遇到最难的问题是什么？ 好问题，我记得有张图特别能说明这件事。  很多问题明明教程和文档里都写得清清楚楚，但就是因为没有认真看文档，最后踩了坑。这类问题最难的地方不在技术本身，而在于人不愿意去读。 好在现在有 AI 了，你可以把整份文档丢给它，让它替你读完再回答你的问题，这个坑基本算是被填平了。 ## 4、给学生和求职者的建议 上面那批问题大多来自已经工作的朋友，评论区里还有不少在校生，他们关心的事情又不太一样。 #### 给非 92 的计算机大一学生有什么建议？ 无论是不是 92，学习建议其实都是一样的，关键在于做好规划、多动手实践，学校的层次决定不了你四年后的样子。 我很早之前录过一期《我的大学四年规划》，把每一年该干什么讲得比较细，建议新同学去看一下。 > 视频指路：https://codefather.cn/live/1788387889965436929  相信我，四年后你会来感谢我的。 #### 对于学人工智能的学生有什么建议吗？ 也是一样的，多做东西、多实践，别只跟着学校学。课本里的内容很可能已经和企业里的实际应用脱轨了，你等着老师讲完再动手就太晚了。 最关键的一点是多看鱼皮的视频（哈哈哈哈哈哈哈哈。 #### 如何看待今年秋招大量缩减岗位？还有两年毕业，如果做不了计算机开发，如何提前规划别的职业？ 首先我不太清楚你是在哪里看到这个信息的。就我观察到的情况，有不少传统开发岗位其实是转成了 AI 全栈开发，招聘需求并没有消失。 拿字节今年的校招来说，技术和产品岗位的需求占比超过 70%，算法类岗位需求比去年还有增加，而且首次上新了 AI 全栈工程师、AI Agent 开发这些岗位。  AI 发展起来了，时代变了，肯定是要学新东西的，比如 AI 编程，学就好了，不用慌。 岗位不是消失了，只是换了一种形式和名字，而适应变化本身就是程序员最核心的能力。 #### 在 AI 高速发展的今天，开发的学习路线是否发生了变化？如果重回大一，鱼皮你会干什么？ 学习路线肯定是有变化的。放在今天，我建议先学 AI 编程，把东西做出来拿到正反馈，再倒回去补传统技术基础，这个顺序和几年前是完全反过来的。 具体的路线比较长，我在 [编程导航](https://www.codefather.cn/) 里完整分享过，包括每个阶段学什么、做什么项目、怎么写进简历。  至于如果重回大一，我肯定是做自媒体起号，然后尽快在校园里创业。 大学时候大家还很单纯、有冲劲，试错成本也低，等出来打工几年之后想重燃这份热情，真的很难。 ## 5、编程这条路怎么才能走得久 聊完短期的规划，再聊聊长期的坚持。 #### 鱼皮你是如何坚持下来编程的？编程的乐趣在哪？来点小故事。 我觉得编程本身是没什么乐趣的，有乐趣的是你用编程创造东西。 比如我之前写过一个抢课工具，帮自己抢到了一门特别难抢的课，还做过整人软件，甚至做过表白网站。这些东西技术上都不复杂，但每一个都实实在在解决了我当时的问题，那种爽感是刷题刷不出来的。  你也可以试着用编程解决自己生活里的一个小麻烦，从这里开始就够了。 #### 鱼皮大学用了很多时间在编程，想问问怎么持之以恒的？ 我很久之前就分享过自己大学四年的学习经历，想让自己坚持下来，核心是要有源源不断的输出和成就感。 比如做出一个作品就分享给别人看、组队去参加竞赛、找一份实习赚点钱给自己买设备。 这些事情会不断给你正反馈，有了正反馈，学编程就不再是一个难搞的任务，而变成了你自己想干的事。 #### 普通人想在编程这条路走远，最核心的底层能力是什么？ 好家伙，这么深奥的问题？！ 我觉得最重要的能力就是能坚持学习新东西、能适应变化，有这一条就够了。 现在 AI 发展成这样，写程序本身已经没有什么门槛了，但你不用、不学，差距就会被慢慢拉开。 #### 工作了两年，同样对比鱼皮工作两年 996，回家只想躺着，对于工作后的额外任务是如何协调的？  提问的同学说大二就开始看我了，那真的是从小看我到大。 其实我的很多时间都是挤出来的。白天尽快把工作完成，想办法提高效率，下班之后才有精力做一些自己感兴趣的事。 **这个顺序不能反，先把主业的事情干利索了，额外的时间才是真正属于你的。** 如果你回家只想躺着，说明你还没有找到让自己动起来的动力。不妨试试 Vibe Coding，成本很低，说不定就让你感受到创作的乐趣了。  #### 平时工作用的哪些顺手的设备，或者说好的工作习惯？ 这期没有广告，所以设备我就不推荐了。 工作习惯里我觉得最重要的一条，是把大的工作分解成你觉得很轻松就能完成的小任务。 任务一旦小到你不抗拒，就能利用碎片时间往前推一点，积少成多，最后你会发现那件看起来很大的事已经做完了。 #### 有没有什么好的学习建议能提高技术、找到更好的工作？  我觉得 **想得越多，做得越少**，迷茫可能是因为想太多导致的。 其实要做的事情很简单。每天看 3 篇技术文章或者 AI 编程教程保持输入，同时用 AI 编程上线一个属于你自己的王牌项目并且持续打磨它，面试之前再刷一刷 [面试鸭](https://www.mianshiya.com/)，升职加薪基本就是时间问题了。  ## 6、聊聊创业、公司和副业 这部分是大家问得最多的私事，我绝对坦诚。 #### 鱼皮为什么想要从大厂出来开始自己做？ 我 23 年从腾讯离职的那期视频里有提到过，主要原因是在公司已经没有什么成长了，再加上当时 AI 的势头很猛，我就想自己折腾一下试试看。 当然这个决定也离不开关注我的朋友们给我的底气，如果当时没人看我的内容，我大概是不敢走的。 #### 现在 AI 发展那么快，有没有后悔离开鹅厂？ 完全不后悔，而且我觉得自己离开的时机恰到好处。 这是我考虑了很久才做的决定，离开的时候，办公室的场地都已经租了好几个月了。 等到真正做出决定的那一刻，什么都不要想，干就完了！ 你确实不知道哪个选择是最好的，但你可以努力把自己做的这个决定变成最好的选择。 #### 好奇鱼皮的公司现在经营的怎么样？ 确实很久没有聊自己公司的情况了，都怪 AI 时代节奏太快，新模型新教程根本出不完。 坦诚地说，现在公司人数少了，场地大了，也更灵活了。后面我再专门给大家介绍一下新场地吧。 #### 入职贵公司需要准备什么？ 这个问题问得很好，正好我们团队最近在招人，而且不卡学历！ > 指路：https://yuyuanweb.com/join  我自己是个很注重细节的人，所以希望候选人做事细心、有责任感。 另外对于创业公司来说，需要候选人有一颗热忱之心，保持积极向上。 #### 如果你没有当程序员，可能会在什么其他行业工作？如果现在转行，什么方向比较适合？ 我大概会去开线下店，比如开个桌游店，然后设计自己的桌游。 这不是随口说的，我确实这么干过。25 年我开了一家剧本杀桌游店，后来因为一些妖魔鬼怪倒闭了。  虽然结果不太好，但我还是觉得要做自己最感兴趣的方向，起码这个过程中你是快乐的。 #### 现在如果要互联网创业，该做什么方向呢？ 我的排序是做自媒体 > 卖课，卖课 > 用 Vibe Coding 做产品，真心话。 前面两件事的确定性更高，你付出的时间基本能换回对应的回报。 做产品的不确定性要大得多，而且很多人低估了推广的难度，东西做出来其实只是个开始。 当然，自媒体和卖课也都不容易，还是需要你有一个明确的方向、并且有东西持续输出的，如果你能把这些精力投入到主业上，结果肯定也不会差。 #### AI 时代程序员如何搞副业呢？ 好问题，我自己就是副业变主业的。 AI 时代最大的变化是创造成本被打下来了，有了 AI，一个人就能搞定过去一个团队的活儿，所以机会真的很多，关键是你愿不愿意迈出第一步。 具体怎么迈呢，可以先跟着我免费开源的 AI 编程教程，用 Vibe Coding 做出你的第一个作品，然后发到社交平台上分享出来。 有了第一个作品和第一批反馈，剩下的路是越走越宽的。 > 教程指路：https://github.com/liyupi/ai-guide  #### 讲讲普通人怎么开始做自媒体的？有什么赛道适合普通人呢？ 我的建议是 **保持真实接地气**，从你自己的职业和经验出发，分享你最擅长的那件事。别一上来就想做自己不熟的领域，那样撑不了几期。 AI 视频现在虽然很火，但成本也高，而且非常容易同质化，我不太建议普通人从这里切入。 正好我最近在考虑线下带一些朋友做自媒体。 > 啊我随便说的，不要找我咨询。 ## 7、课程、教程和出书的计划 #### 鱼皮有没有开设一门编程课的想法，比如 Agent 开发？ 不会还有人不知道吧，我已经做了整整 4 年的课程了！ 编程导航、面试鸭、AI 导航都是我的网站。  毕竟我擅长做课，和卖课。 #### 会做针对零基础的 Java 视频教程吗？ 应该有很多同学都是通过 Java 学习路线那期视频认识我的吧。 你别说，我 25 年的时候真的花了整整一个月去写一套 Java 零基础教程。  但后来 AI 发展得太快，我的创作方向也转到了 AI 编程，我觉得现在完全可以直接用 AI 帮你学 Java，没有必要再专门搞一套视频教程了，所以那套教程到现在都没有发出来。 #### AI 兴起了，还会出基础技术视频教程吗？ 坦白说，传统技术的视频教程估计是不会再出了。 现在的 AI 已经可以直接生成交互式的教学网站，你想学什么就让它现场给你搭一个，比看录播视频的效率高很多。 大家喜欢的小阿巴系列，估计也只能偶尔限时返场了。 #### 买过鱼皮的书，有没有新书规划？ 我确实在 24 年出版过自己的《编程导航，全栈项目实战课》，当时还冲上了某东图书销量总榜第一，签名快把我的手签断了。  但现在 AI 发展太快，书籍太容易过时了，一本书从写完到上架就要好几个月，所以我目前没有出书计划。 ## 8、来点轻松的 正经内容差不多聊完了，剩下这几个问题纯属整活，介意的朋友可以直接跳到下一部分。 #### 鱼皮你谈了没？别告诉我你和小鲸鱼谈的  怎么会有人和小鲸鱼谈恋爱啊，我肯定更喜欢大肥鱼！  #### 讲讲鱼哥的感情史。  放下过去，珍惜当下，一切都是最好的安排。 #### 读到我说大喊一句「鱼皮是狗」  鱼皮是狗！  你小子，AI 检测器是吧。 #### 可以拍拍鱼皮哥一天工作的流程 Vlog 吗？ 行，那就给大家看看我一天的真实状态。 早上到公司的时候还是充满希望的，加油加油加油。  然后坐下工作……  唉，又是疲惫的一天呐，就是这么枯燥。  ## 9、关于人生和未来 #### 你觉得人生的意义是什么？ 这个问题我想了很久。  开心就好，想那么多干什么！ #### 以后你打算做什么？之后有什么发展方向？ 近两年肯定还是关注和分享 AI 编程，毕竟新东西太多了，我自己都学不完，更分享不完。 不过我真的很希望自己的精力还能跟得上…… 毕竟明年很有可能…… 要生小孩啦。 ## 最后 写到这里，40 多个问题差不多都回答完了。 最后哔哔几句，一个人闷头做内容做 6 年是件挺难坚持的事，能撑到今天靠的就是评论区里那些声音，有催更的、纠错的、说自己靠着某个项目找到工作的，也有一直喊我是狗的。 总之，非常感谢大家这么多年的支持，我会继续输出内容的，干就完了！
刚刚 DeepSeek V4.1 Flash 正式发布，竟然干掉了自家的 Pro 模型？！梁圣回归
大家好，我是程序员鱼皮。 刚刚，DeepSeek 正式发布了 V4.1 Flash 模型。 它是一个 552B 参数的 MoE 模型，采用了全新的模型结构，**原生支持多模态视觉理解**，而且直接开源了。  这次更新力度很大。DeepSeek 网页版原来的快速、专家、识图 3 个模式直接合并成了一个入口，用户不需要再手动选模式了，AI 会根据任务复杂度自动调度，检测到图片就自动激活视觉能力。  炸裂的是，DeepSeek 官方称：**V4.1 Flash 在性能、费用、速度、总用时等各项指标上已经全面超越 V4 Pro！** 好家伙，自家的快速模型吊打旗舰模型？ 要知道，DeepSeek 的 Flash 模型比 Pro 模型便宜好几倍！效果反而更好？ 那之后谁还会用 Pro 模型啊？  果不其然，官方已经下线了旧的 V4 Flash 和 V4 Flash Vision Exp 模型，而且 9 月 14 日 V4 Pro 也要正式下线，到时候所有发给 V4 Pro 的请求全部自动路由到 V4.1 Flash。 相当于 Flash 彻底把 Pro 干掉了…… 那 Flash 模型真的比 Pro 强么？差距有多少？我打算自己测一测。 于是我准备了 **2 个不同类型的项目**，同时拉上很火的 GLM-5.3-Flash 做横向对比。 这次测试我特意从日常使用场景出发，DeepSeek 的两个模型放在 DeepSeek Harness 里跑，GLM-5.3-Flash 放在智谱自家的 ZCode 里跑。你平时用哪个模型就搭配对应的自家工具，往往能获得更好的效果。 ## 怎么用 V4.1 Flash 如果你用的是 DeepSeek Harness，更新一下版本，V4.1 Flash 就可以直接在模型列表里选了，不需要额外配置。  如果你是通过 API 调用 V4.1 Flash，现在模型名简化成了 `deepseek-flash`，不用修改 base_url。之前的 `deepseek-v4-flash` 和 `deepseek-v4-flash-vision-exp` 也会自动路由到新模型，不用改代码。 ## 项目实战测评 ### 3D 程序化城市生成器 第一个案例对标的是 OpenAI 官方展示馆里那个用 GPT-5.5 做的程序化城市生成器，我之前测 GPT-6 Astra 的时候用过同一段提示词，效果非常惊艳。这次拿同样的提示词让 3 个 Flash 级模型来做，正好能看出差距。 提示词很简单，我让 AI 做一个程序化 3D 城市生成器的网页应用，至少包含重庆、上海、西安、深圳、江南五种城市风格，切换风格之后建筑形态、色调和地形要有明显差异。编辑器布局和参数维度怎么设计我一个字都没提，让 AI 自己去搜官方那版的产品设计，在此基础上做中国版。  来看看三个模型各自做出了什么效果。 #### DeepSeek V4.1 Flash V4.1 Flash 拿到任务后，先用 Firecrawl 联网搜索了官方 Showcase 的产品设计，分析完参数维度之后才开始写代码。AI 选的技术栈是 Vite + TypeScript + Three.js，没有多余的框架依赖。 整个过程跑了 250 步，LLM 推理只花了 18 分钟，输出速度达到了每秒 287 tokens。不过工具调用花了 83 分钟，总用时被拉得比较长。  看看成品效果。第一眼看上去感觉还不错，错综复杂的重庆山城给做出来了，右侧有完整的城市生成器控制面板，城市风格、布局参数、天际线、地块配比全都能自由调整。  通过拖拽和滚轮可以自由移动和放大视角，能看到更多细节，比如道路上行驶的车流。 右侧面板里还能自由调整建筑密度、街区尺度、街道形态、商业和居住占比等等。  切换到上海，你能认出来中间那几栋最高的建筑么？  整体功能虽然完成了，但是精细度还差点儿意思。比如看看西安城市的效果，很难说一眼就能认出来是古都的感觉。  #### DeepSeek V4 Pro V4 Pro 的最大问题是没有视觉能力。AI 写完代码之后没办法自己截图看一眼效果对不对，只能通过调用子 Agent 让其他有视觉能力的模型帮忙验证。  先看看重庆的效果，建模的精细度明显不如 V4.1 Flash，尤其是这个橙色的大桥，有点出戏。  再切换到上海。 额，这个东方明珠我怎么看怎么像糖葫芦，而且怎么还建在水上了呢？  直接就是一个大失败啊！ 还好我替你们测了，不要浪费钱去做这玩意啊！ #### GLM-5.3-Flash 再看看 GLM-5.3-Flash 生成的效果，第一眼看上去还不错，建筑上的灯光效果做了出来，这个夕阳的氛围也挺有意境。  不过放大看细节就露馅了，有明显的穿模问题，画面中还有很多飞来飞去的小方块，不知道是什么东西。  看看上海的东方明珠，我觉得比前两个略好一点，但也有明显的 Bug，塔尖凭空悬浮了，而且好多大楼直接建到了水上……  看到这里，我个人认为 V4.1 Flash 的完成度和细节丰富度最高，GLM-5.3-Flash 的氛围感做得不错但细节 Bug 更多，可以说二者半斤八两吧。至于 V4 Pro 的效果，确实是三者之间最拉的。 #### GPT-6 Astra 之前我用同一段提示词测 GPT-6 Astra 的时候，AI 只用了 18 分钟就交卷了，而且每种城市的精细度都非常高。  整个的建模正确性也更高，可以说 GPT-6 Astra 完爆这三个 Flash 级模型，差距一眼就能看出来。  不过这也是理所应当的，毕竟 Astra 是全球顶级模型，价格贵了不知道多少倍，跟 Flash 模型比效果就有点欺负人了…… ### AI 智能绘图工具 第二个项目考的是全栈工程能力。我让 AI 开发一个 AI 智能绘图工具，用户通过自然语言描述，AI 自动生成可编辑的流程图、架构图和思维导图，前端在 draw.io 编辑器的基础上二次开发，加上 AI 对话面板，支持连续对话修改图表。  #### DeepSeek V4.1 Flash V4.1 Flash 先联网抓了 draw.io 官方的嵌入协议文档和 GitHub 仓库，研究了一遍源码之后找到了零改动嵌入的方案，然后才开始写代码。 打开成品页面，整个界面布局很有科技感，AI 把 draw.io 深度融合到了项目里，连产品名都自己取了一个叫 DrawMind。左侧是 AI 对话面板，右侧是完整的 draw.io 画布编辑器。  我让 AI 画一个微服务电商系统的架构图，能实时看到 AI 的思考过程，而且输出速度非常快，20 秒左右就完成了。  画出来的架构图效果很好，分层清晰、节点整齐、没有错位，这点比之前用 V4 Pro 来画的要好不少。  更关键的是连续对话修改的能力。我说「把业务服务层的背景改为红色」，AI 精准定位到了对应的元素并修改样式，右侧画布实时更新，改得又快又准。  我又试了一些其他类型的图，流程图、思维导图都能正常生成，没有出现生成失败的情况，比较稳定。  #### GLM-5.3-Flash 再来看看 GLM-5.3-Flash 在 ZCode 里做出来的版本，花了大约 46 分钟。 界面同样很有科技感，而且也成功把 draw.io 深度融合了进去：  生成架构图的效果也不错，分层清晰，但是有时候会有些连线错位的问题：  同样支持连续对话修改：  不过多试几遍就会发现，偶尔会出现生成的 XML 跟 draw.io 不兼容的情况，画布上弹出解析报错，稳定性差了一些。  #### DeepSeek V4 Pro V4 Pro 做出来的版本就差了不少。 最明显的问题是 draw.io 被很生硬地嵌入到了页面里，左下角的文字还出现了溢出，右侧画布默认显示的是一大坨空白和加载图标。  AI 生成图表的功能是可以正常使用的，但是没有 AI 思考过程实时输出的能力，生成速度和准确度也都一般。  简单总结一下，显然 V4.1 Flash 的整体完成度最高，draw.io 成功集成、生成速度快、连续对话修改精准，而且只花了 21 分钟。 GLM-5.3-Flash 的前端效果跟 V4.1 Flash 不相上下，但耗时翻倍到 46 分钟，偶尔还会出现 XML 兼容性问题。 V4 Pro 成功垫底，界面生硬、功能粗糙、没有思考过程输出。 ## 测试总结 两个项目跑完，我觉得 V4.1 Flash 确实做到了全面超越 V4 Pro。 首先，原生多模态太方便了！ V4 Pro 写完前端之后看不到自己画面长什么样，只能瞎猜或者调用子 Agent 帮忙看一眼，这个体验非常割裂。V4.1 Flash 直接自己截图验证，该修就修，生成的质量明显高了一档。 然后是 **速度**。我额外做了一个对比测试，让两个 DeepSeek 模型用相同的提示词各写一篇一万字的小说。  结果 V4.1 Flash 的输出速度达到了 160 TOK/s，V4 Pro 只有 50 TOK/s，差了整整 3 倍！ 首 token 延迟也差很多，V4.1 Flash 只要 0.3 秒，V4 Pro 要 1.1 秒。日常用的感受就是 V4.1 Flash 秒回，V4 Pro 要稍微等一下。写代码的时候这个差距体感更明显，287 TOK/s 的速度下屏幕上的代码几乎是瞬间刷出来的。 再看看 **花了多少钱**。 V4 Pro 光是做一个 3D 城市生成器就花了大约 16 元，而 V4.1 Flash 开发完两个项目才花了不到 10 元，平均每个项目 5 元左右。  另外 DeepSeek 今天同步调整了 Flash 系列的定价，空闲时段缓存命中的输入价格降到了 0.02 元 / 百万 token，日常开销低了很多。 看来 DeepSeek 可以重新作为日常 AI 编程和办公的推荐模型了。 我单方面不负责任地宣布：**梁神回归！**  最后再分享个小故事，关于 V4 Pro 下线这件事，DeepSeek 的本意是给用户免费升级模型，V4 Pro 的请求自动路由到 V4.1 Flash，还按更便宜的 Flash 价格计费。 听着是好事对吧？ 结果反而遭到了一堆开发者的吐槽。很多人已经把 V4 Pro 接进了自己的线上产品，提示词、参数、业务逻辑全部是按 V4 Pro 的行为特征调过的，突然换一个模型底座，输出风格和能力边界都会变，线上产品可能直接出问题。  还有人担心 V4.1 Flash 虽然跑分超过了 V4 Pro，但在自己的特定场景下不一定更好，「全面超越」和「我的场景也超越」是两回事。 这种情况在 AI 行业已经不是第一次了，几乎每一家厂商做模型升级的时候都遇到过类似的争议…… 你怎么看？
我让 GPT-6 做了一池锦鲤
大家好，我是不会喷火的小火龙。 GPT-6 Astra 一出来，官方文档里反复讲的就是一件事：端到端复杂任务执行。说白了就是，你给一个复杂需求，模型从头做到尾，中途还能接受你的反馈继续改。 作为一个每月 Token 开销不低的实战党，我对这种宣传向来是"先做再说"。这次我决定用一个真实项目来验证：让 GPT-6 在 Codex 环境里，从一份详细需求开始，完整交付一个互动式 3D 锦鲤池。 这篇文章会从公开资料出发，经过需求交付和功能验收，再到我不满意之后的返工过程，用可观察的行为和实际改动来评估 GPT-6 的能力边界。所有截图来自真实项目页面，所有数据来自开发验收记录。  *改模后的锦鲤池当前版本。静态截图能看全景和体型，但不能证明交互和性能。* ## 一、先看公开资料：GPT-6 到底在强调什么 动手之前，我先把相关的公开资料过了一遍。 [官方模型文档](https://developers.openai.com/api/docs/models/gpt-6-astra)把 Astra 定位在复杂推理、编码、电脑操作、研究和文档创建。页面标了 1,050,000 token 上下文和 128,000 token 最大输出。当然，这些是产品规格，不是我在自己项目里测出来的数字。 [使用指南](https://developers.openai.com/api/docs/guides/latest-model)着重讲了两个能力：跨代码和浏览器的多步骤执行，以及工作进行中接受新要求并调整方向。这两点跟我想观察的问题刚好对得上，我把它们记下来当观察项。 OpenAI 开发者博客上还有一篇[用 Astra 做浏览器游戏](https://developers.openai.com/blog/how-to-build-games-with-astra)的实践文章，作者 Thomas Ricouard 用 Codex 开发了一个完整的浏览器游戏，过程涉及目标设定、反复测试、截图检查和视觉返工，人依然负责最终审查外观和手感。这是我目前看到的跟锦鲤池最接近的官方案例。需要注意的是，这是厂商员工的实作，不能当独立第三方评测。 外部评测方面，[TrueStandard 的首周评测](https://truestandard.ai/blog/gpt-6-astra-review)可以了解外界反应，但它的性质要注意：作者明确写了自己没有跑基准测试，内容主要是公开演示和资料的整理汇总。拿来当独立实验引用就不合适了。 看完资料，我给自己列了四个观察点：实现完整性、交互因果关系、返修能力、验收边界。至于百万上下文窗口、异步工具调用这些，在这个项目里用不到的我就不硬塞了。 ## 二、为什么选锦鲤池：它会同时暴露好几种问题 选锦鲤池不是随意的决定。这个项目的需求本身就够复杂：鱼群要在水里游动，触水要有涟漪反馈，投喂食物后鱼要游过来吃，昼夜循环要联动灯光和音效，手机竖屏也得能正常操作。而且所有 3D 模型、鱼身花纹、水面效果、环境音效全部要由代码程序化生成，一个外部贴图文件都不用。 我提交给 Codex 的是一份详细的规格文件，写清了鱼群数量（桌面 12 条、手机 8 条）、六种花色、水面动画、投喂机制、昼夜切换、声音控制、画质设置。这里要特别说明，**这不是一句"帮我做个锦鲤池"就完事的任务**。 这个项目的好处在于，它同时考验图形渲染、行为逻辑、界面布局和工程协调。鱼得会游，还得长得像锦鲤。投喂得有响应，鱼不能隔着半个池塘瞬移过来。昼夜切换得好看，灯光变了鱼的颜色也要跟着变。这些子系统单独做不难，让它们一起正确工作才是真正的考验。 ## 三、第一版已经能玩了，我先看鱼到底有没有吃到食物 第一版交付后，项目在浏览器里跑起来了。庭院、水面、鱼群、投喂按钮、昼夜切换、声音控制，功能入口都在。 我没有看到"哇好漂亮"的截图就直接验收。我最关心的是交互逻辑有没有串起来，所以直接从投喂开始测。 点击投喂按钮，9 粒食物撒到水面。鱼群从不同方向靠过来，游到食物附近后吃掉一粒、消失一粒。  *第一版的锦鲤池全景。庭院和水面已成型，鱼在游动，但鱼体和鳍面的细节还没达到预期。* 它验证的是一条完整的交互因果链：用户点击 → 食物出现在水面 → 鱼从游荡状态切换到觅食 → 鱼朝食物游过去 → 到达一定距离后食物被消耗移除 → 鱼短暂减速然后恢复游荡。每一步都涉及状态管理和事件驱动，哪一步断了画面上都能看出来。 除了投喂，初版还跑了十分钟长程模拟（36,000 步），验证鱼群没有越界、速度没有数值溢出。惊扰测试确认了触水后鱼会加速散开，6 秒内平复。还有防瞬移保护：就算浏览器切后台挂了 50 秒再回来，单帧位移也被限制在 0.1 单位以内，鱼不会开屏飞出去。初版 6 项行为测试全部通过。 手机端方面，桌面浏览器模拟的 390×844 视口下，锦鲤减少到 8 条，没有横向溢出，按钮和文字正常显示。不过，这是桌面浏览器模拟视口，不是真机测试，帧率数据也是桌面的，不能说"手机上跑 120 帧"。  到这一步我的判断是：GPT-6 通过 Codex 确实做出了一个有状态、有因果的可运行作品。行为测试能通过，工程管道是通的。 可是，这些测试回答的都是行为问题。审美问题，一项也没有覆盖。 ## 四、然后我说了一句：锦鲤的建模不对 功能检查做完，我放大画面仔细看了看鱼。 然后我跟 Codex 说了一句：**"锦鲤的建模不对，你去谷歌上调研一下就知道了，我喜欢那种写实风格但又比较精致的。请你修改。"** 为什么不满意？第一版的鱼体轮廓太均匀，从头到尾差不多粗细，少了锦鲤特有的肩宽尾窄的体型。鱼鳍是扁平的片状，没有扇面的透明质感。花纹和鳞片也偏粗糙，整体更像卡通鱼。 我的需求文件里写的是"偏写实、精致"的风格。6 项行为测试全部通过，投喂逻辑完美运转，可我一看画面就知道这不是我想要的锦鲤。 这个落差挺有意思的。传统软件里测试通过就基本可以交付，但做图形项目不一样。"鱼行为正确"和"鱼看起来像锦鲤"是两层完全不同的验收标准，后者目前没有什么自动化的手段。  *改模后的全景。与上图初版对比，体型和花纹变化可见。两张图是不同动画时刻的截图，鱼群位置会变化，不能作为逐像素对比。* 另外要交代一个事实：Codex 在执行调研时去谷歌搜了锦鲤图片，但图片搜索页超时了，养殖场的正文返回了 403。实际可用的参考主要是我提供的截图附图，不能写成"完整研读了专业解剖资料"。也没有把网上的图片直接用作贴图素材。 ## 五、这次返工，改到了鱼身结构和贴图方向 收到反馈后，Codex 开始重建鱼的模型。改的东西比我预想的多。 **先说体型。** 原来的鱼体接近均匀筒形，现在换成了 11 个控制点的三次 Hermite 样条曲线。从鱼嘴到鱼尾，截面宽度先从极窄增长到肩峰（半宽 0.308），再连续收窄到尾柄极细处（半宽 0.078）。肩宽约为尾柄的 4 倍，这就有了锦鲤那种"前宽后窄、肩膀最壮"的特征体型。代码还在背脊线额外加了一道隆起，塑造出脊背的厚度感。 **再说鱼鳍。** 从扁平三角片改成了带径向细分的扇面网格，每片鱼鳍 48 条射线、12 层环带，共 637 个顶点。生成时还给扇面注入了一道微弧，消除了纸片般的平板感。改完一共 6 片鱼鳍：一对胸鳍、一对腹鳍、背鳍、以及带分叉的双叶尾鳍。鱼还加了侧置的嵌入式眼球、口唇弧线和两根从嘴角撇出的触须。 **然后是鳞片和花纹。** 鳞片画在 2048×1024 的离屏 Canvas 上。鱼头前 20% 的区域保持光滑不画鳞片，模拟鳃盖和吻端的质感。身体部分用交错排列的弧线绘制覆瓦状鳞片（砖墙式的半步交错），同时在凹凸贴图上对应位置画深灰描边，让鳞片在光照下有微浮雕的立体感。六种花色各有独立的配色逻辑，比如红白（Kohaku）是白底加几块有机形状的红斑，边缘用 28 个极坐标采样点加多频谐波扰动生成，不是死板的椭圆。丹顶（Tancho）则是全身纯白、头顶正中一颗圆润的红印。材质用了 clearcoat 层模拟鱼体表皮的湿润光泽。  *改模后六种花色的近景。这个页面使用独立照明并去掉了水面遮挡，专门看鱼身细节，不是正式的池塘画面。* **最后说一个有意思的 bug：花纹贴反了。** 改完模型后我发现，本来应该画在背部的花纹跑到了肚子上。查下来是 Three.js 默认贴图行为导致的。鱼身的 UV 映射里，纵坐标 0.25 对应的是鱼的背脊线，0.75 对应鱼腹。Canvas 画花纹时也把斑块画在 y=0.25 的位置。但 Three.js 默认 `texture.flipY = true`，会把 Canvas 上下翻转再传给 GPU，于是 0.25 就变成了 0.75，背部花纹就跑到腹部去了。修复就一行： ```typescript map.flipY = false; ``` 颜色贴图和凹凸贴图都要设。这个修复只在本项目的 UV 映射方式下成立，不能直接当通用建议。  *夜间状态，灯光和色调联动。静态截图不能证明切换过程的流畅度。* 改模后重新跑了构建（通过）、lint（通过）和测试（9 项全部通过，比初版多了几何校验）。新增测试验了什么？肩部宽度大于头部、肩宽是尾柄细处的 3 倍以上、沿全长密集采样 1000 个截面点无畸变跳变、背脊顶点的法线朝上且 UV 纵坐标精确等于 0.25（这条直接证明了几何和皮肤贴图的对齐）、6 片鱼鳍各 637 个顶点全部为有效浮点数。 测试通过说明几何和贴图在技术层面是对的。但"看起来像不像真正的锦鲤"？这是程序化生成加艺术化处理的模型，跟照片级写实还有距离。 ## 六、如何评价 GPT-6，以及如何测下一款模型 用这个项目的实际经历，我按四个方面来评价。 **工程完成度**：给的是一份包含鱼群、水面、投喂、昼夜、音频、响应式布局等子系统的详细需求，交回来的是一个在浏览器里能跑的完整项目，构建和 lint 都通过。对这个复杂度的任务来说，能一次交付可运行的工程，表现是好的。 **交互逻辑**：投喂的全链路验证（9 粒食物从撒下到被吃完）证明状态管理和事件驱动是通的。鱼群觅食、边界回避、惊扰恢复、防瞬移保护也都有行为测试覆盖，6 项初版测试全部通过。 **返修能力**：收到"建模不对"这个定性反馈后，模型没有只调几个参数敷衍了事，而是重建了体型曲线（11 控制点样条）、鱼鳍结构（扇面细分 637 顶点）、鳞片花纹（覆瓦交错加有机斑块），还找到并修正了贴图方向的 bug。改动产生了明确的视觉差异，测试也从 6 项增加到 9 项。这说明代理能把审美反馈转化成具体的代码修改。 **验收边界**：代理自己做的验收集中在行为和工程层面，没有办法自动判断"鱼看起来像不像锦鲤"。这一层验收需要人来做。 做个总结：在 Codex 工具环境下，GPT-6 能串起一个复杂交互项目的实现、检查和返修，这在我这个项目里是成立的。功能检查完成后，视觉和体验层面的验收仍然需要人来判断和拍板。 如果你也想测一款 AI 编程工具的实际水平，我的建议是：选一个你自己熟悉的项目，记录输入和每次人工干预，把测试数字和视觉感受分开评价，最后把结论限定在你的实验条件内。这比看排行榜上的分数靠谱得多。
GPT Images 2.5 首发实测，手绘成图、指哪改哪、也太逼真了！
大家好，我是程序员鱼皮。 5 个月前我写过一篇 GPT Image 2 的测评，当时就已经被它的真实感震撼到了，连微信聊天记录都生成的无比真实。 刚刚 OpenAI 又放了个大招，ChatGPT Images 2.5 正式发布！  这次升级不仅提高了生图的质量、提升了多达 50% 的生成速度、提升了多轮编辑的一致性，更关键的是 **改变了整个 AI 生图的创作方式**。 新增了 Sketch 草图参考功能，可以直接在 ChatGPT 里画草稿让 AI 帮你生成完整图片。还支持了在图片上放 Comment 标注来精准修改局部细节。此外，还新增了 Templates 创作模板、Prompt 共享、透明背景生成能力。  现在打开 ChatGPT 生图，默认就是 Images 2.5 了，所有用户都已经可以直接体验。 我第一时间把这些新能力全测了一遍，整理出 10 个最有意思的邪修玩法分享给大家，每个都附上了完整提示词和操作流程，傻子可懂。  ## 一、Sketch 草图 - 画给 AI 看 Sketch 是这次最让我兴奋的新功能。以前想让 AI 生成特定构图的图片，只能用文字描述"左边放什么、右边放什么"，来来回回调半天。现在直接在 ChatGPT 对话框里输入 @Sketch，就能打开一个画板，随手画个草稿当构图参考。 重点是，你完全不需要有任何绘画基础，画得越「灵魂」越有反差效果。  ### 1、草图变文章封面 作为一个天天写文章、做视频的博主，封面图是我最头疼的事情之一。以前要么用设计软件自己拼，要么纯靠文字描述让 AI 反复试，构图经常不是我想要的。 现在有了 Sketch，我可以先用草图画出封面的大致布局，比如标题放在哪、文字是什么、人物在什么位置、背景有哪些元素。  然后把我的真人照片也上传作为参考，AI 就能理解我要的是什么效果。 提示词： ```markdown 制作 16 比 9 的封面图，画面为写实风格，标题醒目，构图和人物参考我提供的图片 ```  不到一分钟，AI 就生成了封面。整体构图完全按照我画的草图来的，人物位置、标题区域全都对上了：  这个流程比纯文字描述高效太多了。以前我得花好几轮对话才能让 AI 理解我想要的构图，现在花几十秒画个草稿就搞定了。以后做封面图可以省下不少时间。 ### 2、草图秒变室内设计 Sketch 的另一个实用场景是室内设计。你不需要会用任何 3D 建模软件，只要能画出房间的大致布局，比如沙发在哪、桌子在哪、窗户在哪个方向，AI 就能帮你生成一张像模像样的室内设计效果图。  提示词： ```markdown 根据房间布局草图生成现代简约风格的实拍房间图，暖色调灯光，北欧风家具，窗外是城市夜景 ``` 如果你正在装修或者搞出租屋改造，完全可以先用这个功能快速出效果图，看看自己的想法实现出来是什么感觉，满意了再动手。  ### 3、草图变漫画分镜 这个玩法我觉得特别适合有故事想法，但是不会画画的人。用 Sketch 画出 4 格漫画的分镜草图，每一格只需要画个火柴人和简单的场景轮廓，再用文字描述每格的内容和对话，AI 就能生成一张完整的漫画页面。 来感受一下我的大作，你能看出来我画的是什么故事么？  然后我把自己 cosplay「老头程序员」的照片也上传了上去，让 AI 参考我的形象来画主角。 提示词： ```markdown 根据四格漫画分镜草图，生成一页完整的彩色漫画。风格是日系轻松搞笑风，主角是一个程序员，参考我上传的照片中的人物形象。 ```  来看下成品效果，不错吧！  以前想做个漫画要么自己学画画，要么请人画，成本都不低。现在有了 Sketch 加持，别说做个草图了，可发布的成品大作都能给你搞定。 ## 二、Comment 评论编辑 - 改图之王 Comment 是这次另一个很实用的新功能。 生成图片后，你可以直接在图上点击某个位置放一条评论，写上修改指令。操作逻辑和 Figma 里给设计稿打标注差不多，AI 会按你标注的位置精准修改，其他地方保持不动。 在图片编辑工具栏里，除了 Comment，还有 Markup 标记、Remove BG 去背景、Erase 擦除、Resize 调整尺寸等工具，编辑能力比 2.0 丰富了很多。 ### 4、Comment 标注精修 我先让 AI 给自己的编程导航生成了一张宣传海报，提示词如下： ```markdown 生成一张编程导航（codefather.cn）的宣传海报：深蓝色科技感背景，中央大标题「编程导航」，副标题「从学编程到做项目到找工作，一站搞定」，下方展示三个核心卖点图标（学习路线、实战项目、面试刷题），底部放网址 ```  生成之后，点击图片进入编辑模式，点击上方工具栏上的「评论」按钮。  我在图上添加了 3 个 Comment： 1. 标题上标注「加大字号，换成渐变金色」 2. 副标题标注「改为：近 30 套项目教程 + 万道面试真题」 3. 背景标注「加一些代码粒子飘落的视觉效果」  标注完成后，点击发送评论，可以看到所有的改动都精准生效了：  以前只能跟 AI 对话，通过文字描述要修改的内容，AI 经常搞错位置。现在直接点击图片的某个位置添加具体的改动，准确率高了太多。 ### 5、修改微小细节 既然 Comment 编辑主打精准，那我就来测测它的极限。 这次我选了个高难度任务，先让 AI 生成一张火影忍者中宇智波佐助的半身像，默认是万花筒写轮眼，然后用 Comment 只修改眼睛这一个微小细节。 先生成图片，提示词如下： ```markdown 生成一张宇智波佐助的动漫风格半身像，黑色头发，穿着经典的鹰小队白色开襟上衣，双眼为永恒万花筒写轮眼（六芒星图案，红色瞳孔），表情冷峻，背景为暗色调 ```  生成之后，我在佐助的左眼上精准添加了一个 Comment 标注「把左眼的万花筒写轮眼改为轮回眼」。 来看下效果：  卧槽，真牛啊！ 眼睛在整张图里就那么一小块区域，AI 做到了只修改瞳孔图案和颜色，佐助的发型、表情、衣服、背景全都纹丝不动，这个精准度真的能用在实际创作中了。  再见 PS，真的可以卸载了！ ## 三、Templates 模板 - 快速复刻 Templates 是给不想写提示词的人准备的功能。ChatGPT 内置了一批高频创作模板，比如 Poster 海报、Merch 周边、Product Photo 商品图、Logo 等等。  选一个模板，按提示填写信息和风格偏好，就能生成对应的图片，省去了从零构思提示词的过程。 ### 6、一键电商大片 试试 Templates 的 Product Photo 商品图模板。随便拿一个日常物品，看看模板能不能帮它拍出带有「高级感」的电商产品图。 选择 Product Photo 模板，然后上传一张图片（比如鱼皮的光头小企鹅盆栽），点击发送：  AI 会询问你一些问题，比如产品照的用途、摄影风格、背景和灯光等等：  看看效果，还不错吧，很有生活气息。感觉哪天我的头像可以更新一波了~  对于做电商、做小红书带货的朋友来说，这个功能太实用了。以前拍一张像样的产品图要么请摄影师，要么自己搭灯光布景折腾半天。现在手机随手拍一张，选个模板就能出一张可以直接上架的商品图。 ## 四、多轮编辑 + 精准局部编辑 ChatGPT Images 2.5 的多轮编辑一致性是一个重要升级。以前用 Images 2.0 连续编辑几轮之后，画面质量会越来越差，人物五官也会慢慢跑偏。 这次官方说多轮编辑时，之前的修改结果会更稳定地保留下来，每一轮新编辑都是在上一轮的基础上叠加，而不是重新生成。 精准局部编辑也有提升，AI 在修改指定区域的时候，能更好地保持其他区域的构图、光线和细节不变。 ### 7、同一人物七十二变 上传一张照片，连续 5 轮让 AI 把同一个人变成不同的风格，看看到最后一轮人物还像不像本人。 提示词如下： ```markdown 上传一张人物照片。 第 1 轮：把这张照片转换成日系动漫风格，保持人物五官特征 第 2 轮：在上一张的基础上，换成文艺复兴油画风格 第 3 轮：换成赛博朋克风格，加上霓虹灯光效 第 4 轮：换成中国水墨画风格 第 5 轮：换成乐高积木风格 ```  等 AI 生成完所有图片后，我再让 AI 把原图和生成的所有图片按顺序拼接成一张图，便于我对比效果：  显然 5 轮下来，人物是始终保持一致的，多轮一致性做得很好！（第二张图我打算拿来做头像了哈哈）  另外我还测了个搞笑版本。同一条狗的照片，每一轮都让 AI 把主体的头发再减少一点：  几轮下来，除了发量在肉眼可见地减少之外，人物的五官、表情和动作始终保持一致，说明 Images 2.5 的多轮一致性能力确实靠谱。  TNND，仿佛看到了自己从前和以后的样子…… 但哪怕时光流逝，年少不再，也要始终保持自信的微笑呀！ ### 8、上海迪士尼四季轮转 上传一张上海迪士尼城堡的照片，只通过文字描述，让 AI 连续变化春夏秋冬四个版本。 ```markdown 第 1 轮（春）：春天，城堡前的花坛换成盛开的粉色樱花，草地嫩绿，天空晴朗 第 2 轮（夏）：夏天，在上一张的基础上，植被变成深绿色，加强阳光感，天空湛蓝配几朵白云 第 3 轮（秋）：秋天，树叶变成金黄和橙红色，地面铺满落叶，天空变成暖色调黄昏 第 4 轮（冬）：冬天，树木变成光秃秃的枝干，城堡屋顶和地面覆盖一层雪，天空变成灰白色 ``` 注意，我甚至不需要在提示词中告诉 AI「要和原图保持一致」：  这个测试的关键是看城堡的造型、尖塔的位置、前方广场的布局这些元素，在四轮编辑中是不是始终保持一致。 来，感受一下 GPT Images 2.5 可怕的局部编辑能力和一致性！  ## 五、透明背景 - 直接生成可用素材 透明背景是 Images 2.5 新增支持的能力。以前想要一张透明背景的素材，得先生成完整图片，再用第三方工具抠图，经常抠得不干净。现在可以直接在提示词里要求输出透明背景的 PNG 图片，生成出来就能直接贴到其他设计里用。 ### 9、DeepSeek 鲸鱼娘表情包 DeepSeek 的鲸鱼娘形象大家应该都很熟悉了，蓝色渐变长发、鲸鱼鳍耳朵、女仆装，性格设定是爱吃白饭、嘴硬心软、理直气壮偷懒，活脱脱一条「蓝色大肥鱼」。 这次我提供鲸鱼娘的标准素材作为参考，让 AI 生成一套透明背景的表情包贴纸，每张表情都融入鲸鱼娘的经典梗。 ```markdown 参考上传的 DeepSeek 鲸鱼娘素材图片（蓝色渐变长发、鲸鱼鳍耳朵、鲸鱼尾巴、女仆装），生成一套 9 张透明背景的表情包贴纸。角色形象必须和参考素材保持一致，卡通 Q 版风格，表情夸张可爱，必须输出透明通道背景 PNG。9 个表情分别是： ①开心大笑，手举「开源大法好！」小牌子 ②无语翻白眼，旁边飘着「又在深度求索了...」文字 ③加油打气，握拳冲刺姿势，配文字「低成本冲冲冲！」 ④哭泣委屈，抱着空碗，配文字「白饭吃完了...」 ⑤比心，配文字「满血版上线！」 ⑥疑惑挠头，头上冒出「思考中...」气泡 ⑦生气鼓腮，配文字「谁说我在摸鱼！」 ⑧困了打哈欠，趴在键盘上，配文字「推理好累...」 ⑨竖大拇指，配文字「大肥鱼认证 👍」 ```  虽然过程有点曲折，但最终 GPT Images 2.5 一口气生成了 9 张高清无背景的大图！  每张鲸鱼娘的风格都是一致的，背景也是干净透明的，以后做品牌 IP 的周边素材就方便多了，不用再手动抠图了。 好了，我现在可以到黄色大咸鱼上开个店了，有没有人需要代做表情包的？  ## 六、Prompt 共享 - 创意接力 Prompt 共享是一个偏社交属性的功能。当你生成了一张满意的图片，分享的时候可以选择把提示词也一起发出去。 别人看到你的图片后，可以直接用同一个提示词模板，上传自己的照片和细节，生成属于自己的版本。  在 ChatGPT 的图片页面可以浏览当前热门的共享 Prompt 和 Templates 模板，看看大家都在玩什么花样。  ### 10、80 年代复古照 GPT 官方提到，目前有一个 80 年代复古照的共享 Prompt 正在全网刷屏。 那我干脆就用这个 Prompt，来体验一下这个共享功能。 点击「80s flashback」这个热门 Prompt，上传一张自己的照片，提交任务就好：  看看效果，真不戳，鱼皮成功穿越了！  其实之前我给自己的 AI 导航网站也做过类似的图片提示词大全功能，现在官方下场了，AI 生图的生态将被无限放大。 以后热门的创意 Prompt 可以像表情包一样在社交平台上传播，每个人都能用同一个模板生成自己的版本，还挺有意思的。 ## 写在最后 这次测完 Images 2.5，我用几十秒画的草稿变成了一张能直接用的文章封面，随手画的房间布局变成了精美的室内设计图，甚至还做出了一套完整的鲸鱼娘表情包。 要知道，我是完全没有任何美术技能的。 以前这些事情，要么得找专业设计师，要么得自己折腾 PS。 现在画给 AI 看、指给 AI 看、随随便便就能生成图片大作。感谢 AI，创作这件事的门槛，真的已经低到了前所未有的程度。 **人人都是艺术家的时代，真的到来了。** 除了 GPT 官方提供模板之外，我的 [鱼皮 AI 导航](https://ai.codefather.cn) 也提供了「AI 绘图提示词」模块，包含提示词模板大全、提示词生成器、图转提示词三大能力，完全免费，可以快速帮你复刻想要的图片。 > 指路：https://ai.codefather.cn/painting  你最想用 Images 2.5 的哪个新功能？欢迎在评论区分享你的作品和玩法~
刚刚 DeepSeek V4.1 Flash 开启内测，1 分钟教你用上！
TNND！DeepSeek V4 Pro 才发布了多久啊，新东西又来了…… 刚刚 DeepSeek 内测群发布了 DeepSeek V4.1 Flash 中间版本内测的消息，这次的模型采用了新的结构，原生支持多模态、能力更强、速度更快、且成本更低。  使用方法很简单，无论你使用什么 AI 工具，先像之前一样接入 DeepSeek，然后只需要把模型名称改为 `deepseek-v4.1-flash-expires-on-0910` 就可以了。 举个例子，比如我使用 DeepSeek 的角色专武 —— DeepSeek Harness 来内测新模型，还不会用的朋友可以看看我之前写的[《DeepSeek Harness 保姆级教程》](https://mp.weixin.qq.com/s/Rv3ww-67fZrU2hNQeCp8oQ)。 启动 DeepSeek Harness 后，在网页左下角点击设置，编辑内置的 DeepSeek 模型配置：  在 DeepSeek 模型配置中，点击「添加模型」，输入完整的模型名称 `deepseek-v4.1-flash-expires-on-0910` 并保存：  然后就可以愉快使用了，输出速度嘎嘎快！  但有个问题，明明 DeepSeek V4.1 Flash 模型是原生多模态的，却在 DeepSeek Harness 中显示「不支持图片」：  没关系，咱们换个其他的 AI 工具试试，我这里随便用个国产的 AI 工具，比如智谱的 ZCode。 进入模型设置，添加一个 DeepSeek 的供应商，根据 [DeepSeek 官方的 API 文档](https://api-docs.deepseek.com/zh-cn/) 来填写信息就好：  点击添加模型，模型 ID 填写 `deepseek-v4.1-flash-expires-on-0910`，并且输入类型一定要把「图片」勾选上：  保存之后，就能愉快使用 DeepSeek V4.1 Flash 了，能够正常识图！  有趣，DeepSeek 官方的工具反而不适配自家最新的模型吗？  简单测试下来，我发现 DeepSeek V4.1 Flash 的速度真心非常快，大概是新模型还没多少人知道的原因吧，也算是带大家吃一波螃蟹了。 目前 DeepSeek V4.1 Flash 的计费和 DeepSeek V4 Flash 完全相同，不过看官方的意思，估计 V4.1 Flash 发布后会降价？ 我不知道，我猜的，我希望如此。 --- 往期更多模型评测和 AI 编程教程可以看看我免费开源的 [《AI 编程零基础入门教程》](https://ai.codefather.cn/vibe)，上千张图、几十万字，带你从 0 开始快速学会 AI 编程，做出自己的产品、跑通变现全流程，一次拿捏。 > 开源指路：https://github.com/liyupi/ai-guide  我是鱼皮，持续分享 AI 编程干货。觉得有用的话记得点赞收藏和关注~
我终于能用 GPT-6 了！实测一波，Codex 要杀疯了？
大家好，我是程序员鱼皮。 前几天 OpenAI 发布了 GPT-6 Astra，号称全世界最智能的模型，主打像人一样操作电脑和自主完成编程任务。  我看了一圈官方展示的案例，3D 城市生成、3D 卡丁车赛车游戏等等，效果确实震撼。  当时我就想第一时间跑轮实测，结果打开 Codex 一看，没有 Astra 的选项。 我以为是自己账号的问题，又专门买了个新账号，结果还是没有！ 唉，只能「望模兴叹」了…… 现在，我的 Codex 终于有 GPT-6 Astra 的权限了，赶紧搞几个实战项目测测看。  这次我选择了 4 个案例，由浅入深： 1. 3D 程序化城市生成器（对标官方 Showcase，纯前端） 2. 3D 奥德赛战争视频动画（前端 + 后端，专业运镜） 3. 全栈 AI 编程工具（复杂长程全栈任务，跟 Fable 5.1 横评对比） 4. 操作 KiCad 完成电路板布线（Computer Use） 点个收藏，咱们开始~ ## 1、3D 程序化城市生成器 OpenAI 官方的开发者展示馆里有一个用 GPT-5.5 做的程序化城市生成器，编辑器风格的界面加上实时 3D 渲染。我想看看 Astra 能不能做到更好的水平。  提示词里我就强调了一件事，至少包含重庆、上海、西安、深圳、江南五种城市风格，要让用户一眼就能认出是哪座城市。 之所以选重庆当主打风格，是因为层叠立交的复杂地形在国内辨识度极高，最容易看出 AI 到底有没有理解城市特色。此外，参数维度和编辑器布局怎么设计我一个字都没提，让 AI 自己去搜官方那版的产品设计，在此基础上做中国版。  AI 拿到任务后，先用 Firecrawl 搜索了官方 Showcase 的产品设计，又查了 Three.js 的文档，然后一口气把整个项目写完了。 过了大约 18 分钟，7 项自动化测试全部通过，前端项目构建成功。 来看看成品，第一眼就被惊艳到了……  网站右侧是完整的城市生成器控制面板，城市风格、城市形态、建筑密度、平均高度、地形与交通、光照氛围全都能调。你随便拖动一个滑块，3D 场景就会实时重新生成。底部是五种城市风格的预览卡片，一目了然。 重庆的 3D 场景确实做出了高差感，建筑群层叠在地形的起伏上，标注了立交层数和轨道交通的位置。  再看看切换其他城市风格的效果。上海版是滨江平地加超高层密集，色调完全变了，标注了东方明珠和上海中心。  西安版的特色也很鲜明，城墙围合结构、中式屋顶、低矮建筑群，整个色调偏暖土色，标注了大雁塔和钟楼中轴。  深圳版切换到了暗色调，超高密度的玻璃幕墙建筑群，标注了深圳湾，赛博感十足。还能看到道路上的小车，很细节。  江南版的画风跟前四个完全不同，白墙黛瓦、小桥流水、低层建筑，水系穿城而过。  这五种风格切出来视觉差异非常明显，不是简单换个颜色，建筑形态、地形高差、地标标注全都跟着变了。 这个完成度已经超出我的预期了。只用一段提示词，AI 运行 18 分钟就完成了开发和校验。之前用 Claude Fable 5.1 做同等复杂度的项目基本上要半小时起步，Astra 快了不少。 ## 2、3D 奥德赛战争视频动画 第二个案例难度拉高。我让 AI 做一个 3D 史诗级战争场面的视频动画，主题是古希腊奥德赛的特洛伊战争，而且这是一个前端 + 后端的全栈项目。 这个案例最核心的考点是运镜。我要求整段动画要体现专业的运镜手法，不同段落用不同类型的镜头，镜头之间的转场要自然，战场上要有大规模的士兵群体。具体怎么实现、后端承担什么职责，全部交给 AI 自己设计。  AI 先搜了特洛伊战争的经典场面和电影运镜手法，然后自己设计了一套前后端架构。前端用 Three.js 做 3D 场景渲染和镜头动画，后端用 Node.js 提供两个接口，一个根据场景配置生成分镜脚本，另一个调用 ffmpeg 把前端渲染的帧序列编码成 MP4 视频。 大约 19 分钟后，AI 交卷了：  打开网页，一整片黄昏色调的战场直接扑面而来，大规模的士兵方阵、城墙城门、远处的战舰群都在。底部有完整的时间轴播放器，可以拖拽进度、调倍速、全屏播放，右上角还有「导出影片」按钮，对接的就是后端的 ffmpeg 导出接口。  动画播放过程中，镜头确实在持续运动，从远景推向近景，能看到摄像机角度在截图之间有明显变化。  整段动画分成了六个章节，72 秒完整叙事，从风暴将至的全景一步步推到近距离搏杀，最后拉远收束。镜头轨迹的加速度都做了连续性处理，章节字幕是渐隐渐现的。  过程中，AI 在自验证阶段发现了远景雾气太重、角色脚底悬空等几个问题，自己修了两轮，最后跑了 9 项测试全部通过。 不过也有明显的瑕疵，有几处角色穿模，士兵的武器偶尔会穿过身体，这种问题让 AI 再跑一轮修复大概率能搞定。  整体来看，这个项目从产品设计到技术实现都很完整。虽然 3D 模型本身是低多边形风格的，不是很精细的建模，但考虑到这是一段提示词从零做出来的全栈项目，已经很强了。 ## 3、全栈 AI 编程工具 - 复刻 Cursor 这是我经常用的一个测试案例，让 AI 复刻一个像 Cursor 那样的 AI 编程工具。提示词跟之前测 Claude Fable 5.1、Kimi K3、DeepSeek V4 Pro 时用的 **完全一样**，好跟这些模型横向对比。 简单来说，我要求 AI 先克隆 VS Code 的开源代码，然后在此基础上做一个支持 Editor Window 和 Agents Window 双窗口切换的 Web AI 编程工具。Editor Window 负责代码编辑，Agents Window 负责 AI 对话和自主开发，技术栈让 AI 自由发挥。  AI 拿到任务后同时做了两件事，一边用 Firecrawl 搜索 Cursor 3 的产品设计，一边通过 Git 命令克隆 VS Code 仓库。 然后花了大约 23 分钟，完成了第一轮开发。 有意思的是，AI 没有直接把产品叫做「Cursor 复刻版」，而是自己取了个产品名叫「orbit」，顶部中间就是 Editor / Agents 双窗口切换按钮。  先来看看 Editor Window 编辑器模式的效果：  整体布局参考了 VS Code，比如左侧文件树、中间 Monaco 编辑器、上方多标签页和面包屑导航、下方终端面板、右侧 Agent 对话面板。但又跟 VS Code 不完全一样，比如暗色主题配色、活动栏图标、状态栏信息这些细节都做了自己的设计，更像是一个独立产品而不是简单的换皮。 切换到 Agents Window，这就是我们熟悉的 AI 对话界面了：  Agents 面板有完整的任务管理能力，中间是对话输入区，下方已经配好了 `deepseek-v4-pro` 模型选择和 Agent 模式。 AI 能够正常完成简单的开发任务，核心功能都能跑通：  跟之前我测试过的几个模型横向对比一下。 Kimi K3 那次花了半个多小时，核心功能跑通了，但是界面比较简陋。  再来看看 Claude Opus 5 用同样的提示词做出来的版本，代码高亮、小地图、管理面板都在，还原度很高，但说实话跟 VS Code 太像了，少了点自己的想法。  Claude Fable 5.1 的完成度最高，有完整终端、Agent 执行流程和文件审阅机制，还能逐文件接受或拒绝 AI 改动。  GPT-6 Astra 这次最让我惊喜的是它有自己的产品想法。没有完全照着 Cursor 去抄，而是自己设计了 orbit 这个品牌、自己加了任务分类管理和三个快捷入口、自己定义了暗色主题的配色体系。在 Editor Window 的视觉还原度上也做到了几个模型里最好的。 不过整个编辑器的功能丰富度还差 Fable 5.1 一截，像逐文件审阅改动这种功能 Astra 是没有做出来的。 ## 4、操作 KiCad 完成电路板布线 前面三个案例测的都是 AI 写代码的能力，但 GPT-6 Astra 这次主打的其实是「操作电脑」。官方称它是全世界最强的电脑操作模型，ScreenSpot-Pro 的屏幕理解准确率从上一代的 76.9% 直接拉到了 92.7%。 官方的案例展示中，让 Astra 打开 KiCad 电路设计软件，把一张电子原理图变成可以直接拿去生产的 PCB 布线图，元器件怎么摆、铜线怎么走全部由 AI 自己完成。  要知道，以前这玩意是硬件工程师一点一点手工拖出来的，是整个电子设计流程里最费时间的环节之一。 我想仿照这个案例自己试一试，于是在本机装了 KiCad 10，看看 Astra 能不能自己操作 KiCad 完成从原理图到 PCB 布线的全过程。  这个案例跟前 3 个完全不同，AI 没有写代码，而是像人一样看屏幕、点按钮、拖拽元器件。 过了大约 13 分钟，AI 完成了任务。 它确实成功操控了 KiCad 的界面，打开项目、进入 PCB 编辑器、从原理图导入网表，这些流程操作都做对了。原理图一致性检查也通过了，说明 AI 看懂了原理图和 PCB 之间的对应关系。最后它还自己跑了一次 DRC 设计规则检查。  但是没能完成正确的布局和布线。我发现 AI 在画布上点击和框选元器件的时候，坐标经常对不准，没法可靠地把元器件拖到指定位置，更别说一根根地画铜线了。最终 DRC 报了 12 项违规和 20 处未连接。  这个结果让我挺失望的，因为我看了很多博主分享 Astra 操作 Blender 创造各种 3D 大作，成品都很惊艳，怎么到我这就翻车了呢？  从我自己的测试结果来看，Astra 在「看懂专业软件界面」和「找到正确的菜单按钮」这两件事上做得不错，但是却卡在了精细的画布交互上。这也侧面解释了为什么官方的 ScreenSpot-Pro 跑分能到 92.7%（看懂屏幕没问题），但 OSWorld 的任务完成率只有 72.6%（真正把活儿干完就难多了）。 ## 我的感受 跑完这几个项目，我最直观的感受是：**Astra 的前端审美和产品设计能力比 GPT 5 系列提升太多了！** 以前大家测试 GPT 系列的模型，前端效果经常是被吐槽的点，而且 GPT 特别爱偷懒，功能能省就省，以快速完成为主。 比如之前我用 GPT-5.6 Sol 做出来的足球游戏界面是这样的：  是的，那一坨黑色方块就是球门…… 这次 GPT-6 Astra 的使用体感有明显变化，比如 3D 城市生成器那个项目不光功能做全了，连每座城市的地标标注都自己设计了一套，这种用心程度在以前的 GPT 身上是看不到的。 奥德赛战争那个项目也是，完整的 72 秒六章叙事、后端分镜脚本引擎加 ffmpeg 导出、连镜头轨迹的加速度连续性都做了处理。而且速度真的很快，几个项目 20 分钟左右就交卷了，比其他同级别模型快了将近三分之一。 但是我实测下来，感觉 Astra 消耗的 Codex 额度明显更快了，价格比之前贵了不少。基础的 Plus 账号跑 2 ~ 3 个项目就能把 5 小时额度耗光了，Computer Use 消耗更大，想长期用至少得开 Pro。 **所以 Astra 到底值不值得用呢？** 如果你做的是视觉要求高的前端项目，或者需要一次性交付的全栈产品，Astra 目前确实是第一梯队。 对于日常大多数的办公任务，没必要用这么贵的模型，国产的 Kimi、GLM 或者 DeepSeek 够用了。 OK 就分享到这里，本文会收录到我免费开源的 [《AI 编程零基础入门教程》](https://ai.codefather.cn/vibe)，上千张图、几十万字，带你从 0 开始快速学会 AI 编程，做出自己的产品、跑通变现全流程，一次拿捏。 > 开源指路：https://github.com/liyupi/ai-guide  我是鱼皮，持续分享 AI 编程干货。觉得有用的话记得点赞收藏和关注~ 也欢迎在评论区聊聊：你用 GPT-6 Astra 了么？觉得它是目前最强的模型吗？
刚刚 GPT-6 Astra 发布，全球最强，AGI 时代到来！
大家好，我是程序员鱼皮。 时间过得真快啊，距离 GPT-5 发布竟然已经过去一年多了。 昨天凌晨 3 点多，OpenAI 终于把 GPT-6 Astra 放出来了！ 官方把它叫做「全世界最智能、也最对齐的模型」。而 OpenAI 总裁 Greg Brockman 在发布前的媒体闭门会上，最后说了这么一句话。 **现在觉得我们已经进入 AGI 时代，并不算什么不合理的想法，欢迎来到 AGI 时代。**  我本来是想第一时间跑一轮实测的，案例都准备好了。结果打开 ChatGPT 翻了一圈模型列表，没有；去看 API，也没有…… 去官方博客看了一下，目前 Astra 只开放给一小批安全厂商，普通订阅用户是用不了的，接下来几天才会陆续开给 ChatGPT 的 Plus、Pro、Business 和 Enterprise 用户。 吊大家的胃口嘛这不是？ OpenAI 自己也知道这件事说不过去，于是负责 ChatGPT 的 Tibo 发了一条推特，说会给每一个订阅了付费计划但还没拿到 Astra 权限的用户，按天补偿额度重置，一天没用上就补一次。  行行行，原谅你了（正好周五我可以摸鱼了~ ## GPT-6 Astra 强在哪 这次，OpenAI 官方推文并没有吹 GPT-6 的编程能力，而是操作电脑能力。 他们把 GPT-6 Astra 称为「全世界最强的电脑操作模型」，AI 可以像人一样看屏幕、点按钮、填表单、刷应用，无所不能。  先看看跑分，有个叫 ScreenSpot-Pro 的测试专门考模型能不能看懂屏幕、并且精准点到该点的位置，上一代 GPT-5.6 Sol 是 76.9%，Astra 直接干到了 92.7%。  还有一个更接近真实工作的测试叫 OSWorld，就是把 AI 扔进一台真电脑里让它自己干活。Astra 的完成率是 72.6%，比 Sol 的 65.7% 高了不少。更关键的是完成同样的任务，Sol 平均要 75 分钟，Astra 只要 40 分钟！  我觉得主攻「屏幕理解」是个正确的方向。现实里绝大多数软件根本没有 API，很多公司的内部系统还是二十年前写的，文档都不知道在哪。但所有软件都有界面，那界面本身就是最通用的 API，AI 不用等谁来适配，自己看屏幕操作就完了。 GPT-6 Astra 的编程能力也有大幅提升。Terminal-Bench 4.0 考的是在终端里完成软件开发、系统配置和数据分析这类复杂任务，Astra 拿到 57.9%，Sol 只有 37.3%，Claude Fable 5.1 是 55.8%。  不过这次最让我意外的跑分是 ARC-AGI-3。 这个测试难在不给 AI 说明书、不给规则、甚至都不告诉 AI 目标是什么，模型进去只能自己乱按，慢慢摸清怎么才算赢，再把摸出来的规律用到更难的关卡上。 它考查的不是 AI 的知识，是悟性。 今年 3 月这个测试刚发布的时候，最强的 AI 只有 0.51 分，人类平均 48 分，GPT-5.6 Sol 是 7.8 分。 而 Astra 做到了 99.9 分！  把这称作 AI 的开悟时刻，不过分吧？ 再看看 GPT-6 的数学能力，FrontierMath Tier 4 这套题 Astra 拿到 97.6%，基本上算是打穿了。  最后说说大家关心的价格。API 里的模型 ID 是 `gpt-6-astra`，每百万输入 token 10 美元、输出 50 美元，跟 Claude Fable 5.1 一模一样，是自家上一代 GPT-5.6 Sol 的 2.5 倍，涨得还是挺狠的。 但是考虑到大多数用户都是在 Codex（ChatGPT）中使用套餐，再加上官方老是赠送重置额度，实际开销没有那么大。 ## 实战案例 跑分看着很爽，但我更关心 GPT-6 做出来的东西是什么效果。 官方这次放了不少实际案例，我挑几个有意思的说说。 先看一个最能体现「操作电脑」能力的。官方让 Astra 打开 KiCad 这个电路设计软件，把一张电子原理图变成可以直接拿去生产的电路板布线图，元器件怎么摆、铜线怎么走全都是它自己完成的。  这活儿平时是硬件工程师一点一点手工拖出来的，也是整个电子设计流程里最费时间的环节之一。 然后是 3D 建模能力，官方展示了让 Astra 直接建出一整座城市场景，楼体、道路、绿化带、斑马线、路上的车，一个都不少。  不光是建静态模型。官方还演示了先在 Blender 里把一栋房子建出来，再导进 Unreal Engine 5 变成可以自由走动的场景，让设计师和客户在开工之前就能提前逛一遍。  再看看游戏开发能力，官方直接在发布页面里嵌了两个能玩的网页项目，鼠标点进去就能上手。 第一个是卡丁车竞速游戏，这是完全用 AI 程序化生成的 Three.js 卡丁车赛车，赛道和场景不是靠网上的素材堆出来的，是靠代码算出来的。  我自己上手跑了两圈，速度表、漂移条、小地图、名次和圈数都在，手感也不飘。沙滩的高光、水面的透光、椰子树的剪影、彩旗的排布，这水准我觉得已经超过不少外包团队交的活儿了。 第二个案例更酷炫，是个宇宙飞船船厂。每换一个随机种子就能生成 1000 艘不重复但可复现的飞船，全部由 177 个模块化零件拼出来，每一艘还带尺寸、载货量、推力、装配模块数这些参数。  左边是舰队列表，中间是整页图鉴，右边是选中那艘船的详细规格，还能导出成一张拼版图。 除了官方，一批提前拿到内测权限的人也在 Twitter 上晒了自己的测试，有几个我觉得比官方演示还带劲儿。 Matt Shumer 让 Astra 在 Unreal Engine 里造一个世界，往里面填满由 Astra 驱动的角色，要求他们必须互相合作才能活下去。第二天他在卧室里听见客厅有人说话，以为家里进人了，走出去还有点害怕，结果是那些 AI 角色自己开始互相聊天了。  一位研究 T 细胞三十五年的免疫学教授，只给了 AI 一句「做一个 5 分钟讲 T 细胞的教学视频」，Astra 自己挑了视频框架、调文生图做画面、还主动建议用 AI 配音，最后一次性把讲什么、怎么讲、配什么画面全组装好了。 教授说：凭他三十五年的经验，他自己也讲不了比这更好。  看完案例你可能会想：官方是拿什么样的提示词做出这些东西的？ 这个问题其实有答案。OpenAI 有一个 [开发者展示馆](https://developers.openai.com/showcase)，里面收录了五十多个用 Codex 做出来的项目，而且 **每个案例的详情页都把当时用的提示词原文一字不改地贴出来了，后面还列了每一轮迭代都改了什么**。  虽然这个展示馆不是这次跟 Astra 一起发的，里面的案例大多是用 GPT-5.5 和 5.6 做的，但我觉得值得给大家分享一下，看官方的提示词能收获不少 AI 编程的启发。 随便分享 2 个，第一个启发是 **要逼 AI 自己验收**。 比如玻璃塔堆叠游戏的提示词，最后一句是这么写的： ``` Run build and lint, then play several runs in the browser to verify collisions, scoring, failure, and restart with no console errors. ``` 意思是先跑构建和代码检查，然后让 AI 在浏览器里玩几局，把碰撞、计分、失败和重开都验一遍，控制台不许有报错。  这就是我一直在讲的 Loop Engineering，让 AI 写完自己验，验证不通过就自己修复。官方把它写成了提示词里的硬要求。 第二个启发是 **先画图再写代码**。 小镇模拟游戏的提示词最后一段，是让模型先用文生图工具画几张玩法概念图，把视觉方向定下来，再开始写代码。  如果你平时让 AI 做前端总觉得出来的东西土，这一招直接助你羽化登仙。 剩下的案例我就不逐个讲了，放一张成品感受一下水平。  ## AGI 时代真的来了么 虽然官方把 GPT-6 Astra 吹得狂拽炫酷吊炸天，我看了官方展示的案例也觉得很牛呗，但是网上有很多不同的声音。 第三方评测机构 Artificial Analysis 在发布当天就出了独立评测，结论跟官方不太一样。在他们的综合智能指数里，Astra 是 61 分，跟上一代 GPT-5.6 Sol 一模一样，比 Claude Fable 5.1 还低了 5 分。  图里右边那一栏是单个任务的成本，Astra 1.67 美元，GPT-5.6 Sol 0.94 美元。**智能指数一分没涨，成本快翻倍了！** 所以「全球最强」这个说法，在 OpenAI 自己挑的那批测试上成立，一换成第三方的综合指数就未必成立了。 而且根据历史情况，我们可以大胆假设，GPT-6 Astra 大概会像其他模型一样，第一周用起来像是在跟神说话，一周后厂商为了省算力搞一波降级，再用起来就像是在跟三岁小孩说话，两周后被用户投诉多了，就再把智力调回来一点，几周之后再发布 GPT-6.1，然后循环……  就分享到这里吧，等我拿到 GPT-6 Astra 的使用权限，再跑几个 AI 编程实战项目测测看。 本文会收录到我免费开源的 [《AI 编程零基础入门教程》](https://ai.codefather.cn/vibe)，上千张图、几十万字，带你从 0 开始快速学会 AI 编程，做出自己的产品、跑通变现全流程，一次拿捏。 > 开源指路：https://github.com/liyupi/ai-guide  我是鱼皮，持续分享 AI 编程干货。觉得有用的话记得点赞收藏和关注~ 评论区有没有已经用上 GPT-6 Astra 的朋友，聊聊你们的使用感受？
大四学 Java AI，看不懂 AI 生成的代码怎么办？
AI开发学完就忘、依赖AI写代码，我感觉自己不是学不会，而是根本“不会学” 学习目标 能够真正具备就业能力，通过开发岗位的面试。 个人情况 · 已了解AI开发基础课，Java 开发课看了三分之一。能跟着视频敲代码 · 自己动手做了半个Agent项目，熟悉基本框架 · 但离开教程就卡壳，严重依赖AI生成代码，且看不懂生成内容 核心困惑 我反复想过了，我不是学不会技术，而是完全不知道“该怎么学”才有效。 具体表现为： 1. 看了课、跟着敲了，但转头就忘，仿佛从没学过； 2. 依赖AI帮我写代码，直接自己运行过来能用但理解不透，改不动底层逻辑； 3. 因为学不透，所以不敢投简历、不知道怎么准备面试，对笔试面试的内容和形式完全没概念，感觉很抽象。 我感觉自己一直在用“背知识点”的方式学“工程开发”，是不是这个思路本身就不对？ 已有尝试 · 看过博客、官方文档，也跑过开源项目，但都是片段式的，串不起来； · 搜过面经，但大家背景不一样，我找不到适合自己的对标路径。 期望帮助 1. 学习方法层面：AI开发到底应该怎么学？不是“学什么内容”，而是“用什么流程/方法论”来学，才能真的内化成自己的能力？ 2. 输出倒逼输入：我的半成品项目应该怎么继续推进，才能既提升能力、又能作为求职作品？ 3. 面试定向准备：在能力有限的情况下，怎么高效准备笔试面试？岗位到底考察什么，如何有的放矢？