DPS Main

确实是两条最好的建议了

继续写写怎么用 AI 帮助准备面试吧：

1. 之前写了用 career-ops 搜集各种信息，拿到面试邀请之后，可以拿 AI 帮忙准备 mock up。
2. 准备 mock up 并不是要死记硬背，而是帮助自己在临场拿能随机应变，展示自己最强的一面；
3. 所以可以让 agent 根据采集来的信息生成问题，然后自己来回答，再由 agent 提供反馈；
4. 如果你想定义这些反馈的风格或者方向，可以在 career-ops 的 interview-prep 文件夹下，定义这些；
5. 回答的时候，可以用 agent 的语音输入模式，同时开一个录音工具，agent 可以实时处理你的输入，录音下来的文件可以拿来深入分析你的表达；
6. 记得让 agent 把问题，你的输入和它的反馈都写成结构化的数据；
7. 累计一段时间之后，可以让更聪明的 agent 去读这些结构化的数据，看看有没有更深层次的问题，然后进一步建议，准备。

带有助听功能的 Apple AirPods Pro 真的是人间福音。

查了下京东上卖的最高端的助听器，到手要六万八万的，正好有认识的朋友在这家厂商工作，给我看了他们的员工价，不到十分之一。

就这么说吧，买一台海外版的 iPhone + AirPods Pro 也远远低于买用国行价格买这个品牌的助听器。

即使 AirPods Pro 不一定能完全达到助听器的水平，也能极大的减轻经济负担。

不知道哪天国行版的 iPhone + AirPods 能通过助听功能的审核。

上周 Apple 发布会提到 Apple Health 会有很大的更新，其中最重要的一块是 Health Readiness。

其实 HealthKit 做得不错，数据整合得不错，提供了各种解读，可视化也足够简单清晰。

https://apps.apple.com/gb/app/healthfit/id1202650514

ChatGPT 当机的页面还挺好看的，有点当年 Twitter 蓝鲸鱼的感觉

再分享几点：

1. 有了这些工具之后，整合信息更加容易，难的是如何利用这些信息；

2. 比如 career-ops 会根据职位信息和公开信息，找到可能的 org chart，然后找出可能的面试官；

3. 如果只是知道面试官的名字那也没多少帮助。更进一步的话，可以让 agent 继续搜集这些面试官的公开信息，看看他们的背景和履历；

4. 根据这些信息可以更进一步地准备，比如在面试时，根据他们的喜好组织答案

补充点细节吧：

1. 这种雨棚（shelter)造价极其昂贵，视屏截图的这种过街 shelter 单个造价超过一百万人民币；

2. 这种 shelter 普及率的确很高，但并不是所有地方都有。主要连接组屋和公交站点。如果是商品房的话，就没这个待遇，除非开发商愿意掏钱。

昨天看朋友拿 AI 准备面试，又是很有意思的经历。

她拿到了某家公司的面试邀请，于是把自己的简历和招聘启事都喂给 Chatgpt ，让它带着模拟面试，最后想让它把讨论结果存成文件导出，结果导出结果完全不是她想要的。末了，她只好自己手动一段段贴到 google docs 里。

这可能是很多朋友还在使用 AI 的方式，而这没有完全发挥出 AI 最大的潜力。

因为之前帮她装了 career-ops，也装了 claude code，我问她为什么不用它呢？

她说了几个问题：

1. career-ops 并不是开箱即用的，需要不断调试；
2. 不少 AI 工具会产生记忆，但她有时需要 out-of-box 的建议，帮她拓展思路；
3. 她以为找工作这件事不可复用，不同职位的要求不一样，所以要一一准备。

于是我看了看她的 career-ops，已经用了不少次，所以已经有一些个人数据，我问 claude，基于这些，你把这个候选人的画像讲出来。

agent 调出了 profile.md，里面详细记录了她的背景，喜好，等等。洋洋洒洒几百行。我告诉 agent，她有时需要 out-of-box 的建议，于是这条也被记录下来。然后我又让 agent 整理了 这个文件，只保留精华部分。

随后我带着她跑了一轮面试准备，效果非常惊艳。

我告诉 agent，现在有这么一个职位，链接在哪里，通过朋友得知，这家公司看重创新性思考和战略思维。我们应该如何准备？

agent 认真分析了职位要求，然后看了她白天和 ChatGPT 讨论的结果。然后自动跑去公司网站，把销售数据等等做了汇总，还根据公开信息把 org chart 画了出来。

然后告诉我们：

1. 这个职位的职能其实比我们理解得大；
2. 如果从战略思维，创新性思维的角度来看，应该如何准备；
3. 后面可能遇到的面试官以及他们的背景情况。

随后我们又拿了一个类似的职位测试，跑下来非常顺利，也能提供一些我们不曾想到的角度。

所以这就是file system + agent 的优势：

1. 你对本地文件有完全的掌控；
2. 你可以用不同的 agent 来调用这些数据，不会被 agent 绑死；
3. 你可以通过 agent.md 甚至更复杂的 harness 来调整 agent 的行为；
4. 你的数据可以被加以复用

https://t.me/dps_build/653

朋友开始读 JD，有大量的课程资料要整理，动不动就喊 agent 烧完了，我觉得很奇怪，就帮忙看了看，然后处理了一下。

她有几个需求：

1. 所有的课程文件都在一个大目录下，课件，录音，课本，笔记，等等；都是手动整理的；

2. 她需要让 agent 帮她整理，然后她打印出来之后阅读，然后和 agent 讨论知识点，这一步是在 Gemini notebook 里完成的，有时还会用到里面的 flashcards；

3. 每节课都会用 apple voice memo 录音，然后用 whisper transcription 转成文本；

4. 有大量课件要从 canvas 上手动下载，还有小组讨论，作业等等；

5. 所有的课本都拿 abby 做了 ocr 存成 txt；

我用 claude 打开之后，第一件事就是让它自己评估，how to make this folder agent-friendly and token efficient。它评估完之后，我和它讨论了一番，最终变成了一个大目录下，每个课程一个子目录，所有目录都有 agent.md

然后又做了这些；

1. 建议她放弃 gemini，所有都在本地操作，这样用得越久，积累的数据越多，而且都在一个地方，agent 也就越熟悉她；

2. 写了一个脚本，添加了 canvas access token，自动拉取课件，作业，小组讨论，agent 还会自动整理到指定文件夹；

3. 写了一个脚本，用 ffmpeg + whisper-cli 替代上面的 whisper transcription，agent 自己就能把录音转成文本；

4. 继续用 abby，但是输出文本用 html，这样 agent 可以方便地转成 md 文件并保留结构；

5. 用自己写的代码生成 flashcards，替代 Gemini Notebook。

总体思路就是用 agent 把所有的流程都变成 API 化，Cli 化以及代码化，尽量减少手工操作。

这两天学到的一个技巧是，跑一个主对话，只让它做调度，活全派给 subagents，subagents 的 model 也让它来调度。省 token，省 context window。

举个例子，我在主对话里跑 opus 4.6，让它根据项目进度安排活，然后指派给 subagents with proper models。一般它会调 sonnet 或者 haiku，并且会自动把任务计划写好，等着 subagent 跑完会回报进度。

简单来说就是 mapreduce。尤其适合睡前安排任务跑过夜。

昨天拿 ChatGPT 制定一个旅行计划，有不少惊喜。

我大致的喜好是：

1. 希望多看看博物馆和古迹，这样可以更好地了解一个地方。

2. 尽量按照距离规划路线，把以上这些打包在一起，比如相近的景点可以安排在一天内，这样可以大幅压缩交通时间；

3. 检查各景点开放时间和展出项目，免得扑空；

4. 住宿尽量选项方便出行的地方，最好离主要景点比较近；

反复讨论了几轮之后，最终得到我满意的结果。

因为我使用 tripsy 来记录旅行计划，但是手动修改非常痛苦。于是让 tripsy 查看它的文档，发现可以通过它的 API 更新，于是又让 ChatGPT 把写好的计划转换成脚本，直接通过 API 更新到 Tripsy。

最后附上，我让 ChatGPT 总结出来的 prompt，方便大家使用，也方便我日后使用：

请以迭代方式帮我规划旅行，根据新确认的机票、酒店、交通和展览持续优化，而不是给常规游客打卡路线。

兴趣：优先考古、文物、历史遗迹、博物馆、传统建筑；宗教景点只保留真正重要的。现代/当代艺术可以，偏好绘画、雕塑，降低数字、沉浸式和装置艺术优先级。

路线：按距离分组，结合真实开放时间、参观时长和交通时间，减少折返，不要塞满行程。

人流：检查实际日期的节假日、活动和国内外游客高峰，通过调整参观时间避开高峰。

餐厅：结合每天路线安排午餐和晚餐，优先当地人真正会去的高评价餐厅，参考本地平台，而不是游客榜单。

酒店：优先位置、干净、舒适/新旧、性价比；3–4 星即可。必须比较实际入住日期价格，不用其他日期的参考价。

交通：公共交通优先；租车要综合人数、成本、停车、拥堵和便利性判断。未确认的班次不要猜。

验证：每次重大调整后重新检查 开放时间 → 展览 → 距离 → 交通 → 时长 → 餐饮 → 人流 → 摄影 → 每日强度。发现低价值、重复或绕路景点就删除。

核心原则：不要优化“去了多少地方”，而要优化「质量 × 兴趣匹配 × 地理效率 × 实际日期情况」。

近距离观察了朋友怎么用 AI，然后给了一些建议。

背景是我们合作在写一套培训课程，有比较特殊的文件要求 （scorn），我们两人精力有限，都想借助 AI 完成大部分工作。我们的分工是我朋友负责文字和图片内容，我负责除此之外的所有。

所以最近几周，我构建了大量的工具，比如课程内容写在 yml 文件里，然后可以渲染成 html，这样就可以在浏览器里预览所有内容和交互。还把客户的要求全都提炼出来，形成一套半自动生成内容，全自动渲染部署的系统（他们非常主观，没有系统性的书面要求）。

结果和我朋友之前产生了不小的 gap，我在项目里特地为她的 agent 优化，这样只要她的 claude 读到项目，理论上就可以无缝衔接。但无论怎么试，发现有巨大的隔阂。

直到今天近距离观察她是怎么用的，才发现原因：

1. 她打开 cluade desktop，然后手敲一大行 prompt，让 claude 根据素材生成 prompt；

2. 然后把相应的文件和上面的 prompt 放到千问的聊天框里，让千问干活；

3. 然后再把千问的结果贴回 claude，然后又问 claude 哪些地方需要插图，并要它生成图片的 prompt；

4. 再把这些贴到 Meta AI 里的聊天框，生成图片。再下载回来，丢给 claude。

如此反复。

我建议她：

1. 使用 paseo 来调度不同的 agent；

2. 安装 opencode，这样可以用 qwen 的 API，而且不贵。

3. 可以在 paseo 里直接用 claude 调用 opencode cli。让 claude 读到项目的上下文，然后生成相应的 prompt，直接调用 qwen 生成内容；

4. 预览之后，要求 qwen 修复一些问题；

5. 然后让 claude 查看什么地方适合插图，看看项目里是否已经有爬取的图片或者生成的图片可以直接用，没有的话，生成 prompt 丢给 codex 去生成图片；

6. 然后把生成的图片，和相应的 prompt 写成图片描述，存到 manifest 里。以后再用的时候，就可以通过 manifest 直接定位到图片。

对了，以上几步都生成了 skill，以后她都不用怎么手敲 prompt 了，只要 / 就能调用 skill

一个生活小技巧：牙刷之类的软管产品，挤完之后拿剪刀软管中间剪开，里面至少还有一周的用量。可以拿剪开的尾部作为盖子罩在前半部分上。

如果每周的 token 限量没有用完，其实最超值的用法是用最好的模型优化你的 skills，因为 skills 会反复被调用，不仅直接关系到最后实现效果的优劣，还直接影响 token 的消耗，妥妥的复利效应。

Keep Meter Running 的这期非常感人：

来自尼泊尔的纽约的士司机 Khakendra Pun 搬往美国多年，做了77份零工，睡过97个不同房子的地板。

他算了下，如果靠着每小时四美金的最低时薪，他要花167年才能在美国买一栋房子。

于是他跑去书店打工，在工作间隙写下自己的故事，然后印刷成书。见人就卖，卖了超过六千册。然后又陆续写了三本书。

当主持人 Kareem Rahma 遇见他时，他说自己还会吹笛子。在等红灯的间隙就会拿出笛子练习。Kareem 邀请他去了一家录音棚录下了他的演奏。

Khakendra 说他最大的还未实现的梦想就是说一场脱口秀。于是 Kareem 帮他找了一个开放麦。

Khakendra 说，人生就是不断有起伏，最重要的就是继续往前走。失败也好，拒绝也好，都是一个新的开端。Kareem 也说，他父亲离世前的最后一句话是，Keep going.

https://youtu.be/LtXM2FfbdEk