Prompt Engineering Lab (プロンプトエンジニアリング研究所) @PromptEngLab

今のAI界隈、雑に儲かるんよな。 黎明期だから、雑な研修・浅いコンサル・二次情報の詰め合わせでも売れてしまう でもそれは“AIに詳しい”んじゃなくて、情報格差に乗ってるだけ それだけだと率直にダサい 本当に価値があるのは、ググれば出る知識じゃなく、何ヶ月も先を見て検証し、現場で使える形まで実装している人の一次知見 だいぶ前から、「知っているか」とかではなく「どう使わせるか」の勝負。ハーネスとかevalとかソフトのレイヤーに価値が移っている だから、検証していない知ったかぶりが“広める側”として力を持ちすぎると、市場が歪む 核心は、情報をばら撒くことではなく、検証できる人・実装できる人・未来を一緒に作れる人を繋ぐこと エセに権威やコア情報を渡さないことも大事 俺も最近は意識してる 真摯じゃない人ほど、1年遅れの知識で裸の王様になっていたりするしな

AIコーディングDJ｜タケるん🐇 @makenki_ai

4 months ago

そうかービジネス✖️ai活用のトップ層はまだskillsの解像度も低ければ、記憶システム周りも乏しいのか…こんなので100万以上お金取るとかもはや詐欺と一緒やなー典型的な情弱狩り商材屋という感じやーもっと価値のあるai系情報商材屋さん出てきてほしい。普通に赤ちゃんレベルの内容で詳しいブランディ

1 0 6 6K 3

Google的前CEO Eric Schmidt说， “如果你真想赚钱其实很简单——创办一家代理式AI公司。” 很多人每天刷Hacker News和X，看到新框架新基准就兴奋，周末熬夜试新东西，结果半年下来什么都没做出来。 直到我看到这篇两年实战经验总结的Agent生存指南，才突然明白。 这个领域最稀缺的能力并不是学习，恰恰相反，而是不学习。 很反直觉对吧，咱们先看看现在的Agent领域有多疯狂？ 每天都有新的"10x"框架发布， 每周都有新的基准被打破， 连Claude Code这种顶级产品， 都公开发过47%的性能回归。 因为没有稳定的地图，没有标准答案，所有人都在摸着石头过河。 目前大多数人的策略是"跟上所有东西"。 但作者说，这恰恰是最差的策略。 他给出了一个能过滤99%噪声的万能过滤器， 任何新东西出来，先问自己这五个问题： 1. 两年后它还重要吗？ 2. 有我尊敬的人在生产环境写过诚实的事后复盘吗？ 3. 它是否强制我抛弃现有的 tracing/重试/认证体系？ 4. 跳过它6个月会怎样？ 5. 我能量化它对我的Agent的帮助吗？ 最有意思的是，大多数新东西在第一关就死了。 各种wrapper、CLI工具、Devin-for-X，两年后基本都会消失， 而协议、内存模式、沙箱机制，这些才是真正能长期存在的东西， 我觉得最难的技能是学会如何不耍酷装逼，不追热点。 那到底什么东西值得学？ 作者列了7个学一次，可以终身受益的复利概念： • 上下文工程（不是提示词工程） • 工具设计 • Orchestrator-Subagent模式 • 评估体系+黄金数据集 • 文件系统状态+思考-行动-观察循环 • MCP协议 • 沙箱作为原语 不是说这些东西永远不会变， 而是它们的变化速度，比新框架慢100倍。 比如你花一个月吃透上下文工程，未来三年都能用。 但你花一个星期学一个爆火的新框架，可能三个月后就没人维护了🤣😅 这就是复利的力量。 兄弟们来看看2026年4月最无聊的技术选型： 编排：LangGraph（生产默认） 协议：MCP（全栈首选） 可观测性+评估：Langfuse / LangSmith 运行时+沙箱：E2B、Browserbase 模型：Claude Sonnet 4.6（性价比王） 原则：模型可换，工具MCP化，沙箱必开，评估从第一天就有。 然后是坚决跳过的清单： AutoGen、CrewAI、Semantic Kernel、DSPy 独立代码编写Agent、自主Agent pitch、Agent应用商店 水平企业平台、SWE-bench跑分、天真的并行多Agent 理由统一：demo好看，生产不行。 最后是最简单也最难的行动手册： 1. 选一个业务真正在意的可量化结果 2. 先搭 tracing + 评估 + 黄金数据集 3. 单agent循环起步，3-7个好工具足够 4. 用真实失败喂你的回归测试集 5. 失败模式驱动加复杂度 6. 每周只花30分钟读3个高质量来源 这篇文章最戳我的一句话是： AI把"2年经验工程师的工作"压缩到了几天， 22岁的新人跟35岁的资深工程师，现在站在同一起跑线上， 胜出者不是堆栈掌握者， 而是有品味、敢出货、专注复利原语的人。 现在传统的职业路径已经崩塌了， 学位→初级→高级→主管，这条路已经走不通了。 新的路径是：做出东西，放到网上，让作品替你说话， 你都不需要学会一切AI相关的技能， 只需要学会哪些东西会复利，然后把注意力死死钉在它们上面就行了， 剩下的一切都交给时间就好了。

Rohit @rohit4verse

4 months ago

x.com/i/article/2048…

46 256 2K 2.9M 7K

「AIで開発会社はいらなくなる」と言われていた当時から、私は真逆だと思っていて…結果真逆でした。AIが速くなるほど、価値が跳ね上がった判断力はこちら ・“作ろう“ではなく、“作らない“を選べる ・AIの9割正解から、残り1割の違和感を拾える ・10個の案から、捨てる9個を迷わない ・仕様書より先に、“やらないこと“を書ける ・完成前に、完成後の景色が見えている ・“なぜ作るか“を、一行で言い切れる ・自分より速いAIに、静かにブレーキをかけられる 作る力は、AIが安く配る時代になりましたが、“作らない“を決める力は、ますます高くついてきます。技術はのばせても、判断力は人間にしか介在できない。

我终于明白为啥最近很多人都在说，GPT和Claude突然变笨了， 昨天OpenAI和Anthropic同时发布了官方提示工程指南， 看完我才发现，并不是模型变笨了， 是它们终于聪明到，不再容忍人类懒得想清楚了🤣🤣🤣 而且最有意思的是， 两个模型的进化方向，居然是完全相反的， Claude Opus 4.7变得越来越字面， 以前它会主动帮你补全模糊的指令， 现在你说什么它就做什么，多一个字都不会猜🤣🤣 GPT-5.5变得越来越自主， 以前你要手把手教它每一步怎么做， 现在你只要告诉它你想要什么结果，它自己会选最优路径， 所以老提示失效的原因也完全相反， 用在Claude上的模糊提示，会得到越来越窄的输出， 用在GPT上的详细流程，会变成多余的噪声， 过去三年我们一直在学怎么教模型做事， 现在反过来了， 模型开始要求我们，先把自己的思考结构化， 其实就是提示工程的本质， 已经从教模型怎么做，变成了先把自己想明白， 所以真正的瓶颈可能不是模型的能力，而是写提示的那个人的思考清晰度， 我感觉以后赢的人，不会是提示写得最长最复杂的人，而是那个最知道自己真正想要什么的人🤔

keyboard_arrow_left Previous keyboard_arrow_right Next

Cette valeur sera sûrement la valeur cardinale de l'humanité dans le futur. Et bizarrement, ce sont les japonais qui l'ont compris en premier. Avec ce qui se passe en IA, je commence à penser qu'elle va devenir le bedrock de la civilisation humaine.L'IA absorbe le labeur. Ce qui reste, c'est le taste. Et le taste ne se télécharge pas, il se forge par la répétition et le geste transcendant. Le Japon a encodé ça dans son software culturel depuis des siècles. Le sushi master qui passe 20 ans sur le riz. Le calligraphe qui refait le même trait 10 000 fois. Le menuisier qui ajuste un assemblage sans clou au micron. Ce n'était pas de l'inefficacité. C'était de la formation au goût. Le début de la nouvelle vidéo d'Oussama Ammar m'a fait toucher du doigt ce truc, et je la trouve absolument formidable. Tout le monde va devoir trouver son ikigai. Et c'est assez enthousiasmant. Lien en dessous :

「老後2000万円問題」を解決する答えが、出ました。 イーロン・マスク：「10年〜20年後、老後資金を貯めることは無意味になる。貯めるな。」 彼の理屈はシンプルで、本質的。 貯金の意味がなくなる理由を3つ説明する。 ＝＝＝＝＝＝＝＝＝＝＝＝ ① AIによりモノが安くなる ＝＝＝＝＝＝＝＝＝＝＝＝ AIとロボットが労働を代替する → 生産コストが崩壊する → モノとサービスはほぼタダで湧いてくる → 現金が入らなくなる。 服も、食べ物も、住む場所も、医療も、全部安くなる。 モノが安くなる世界では、貯めた現金で買える量が増えるんじゃなく、貯めなくても買えるようになる。現金を持ってることの優位性が消える。 ＝＝＝＝＝＝＝＝＝＝ ② 老後の不安が消える ＝＝＝＝＝＝＝＝＝＝ 僕らが老後のために貯金するのは、働けなくなった時が怖いから。 一方で、AIとロボットが全部やる世界では、住む場所も医療も安く手に入る。 働き続けないと生きていけない、という前提が消える。 老後2000万円問題は、生活費そのものが崩れた瞬間、問題ごと消える。 ＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝ ③ 貯めるなら、AIに作れないものがいい（持論） ＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝ それでも何かに備えたい人。 投資先は現金じゃなく、AIに作れないものだと思う。 10年来の友達からの紹介　 　→AIには作れない。 自分の足で行った場所の記憶　 　→AIに体はない。 あの人が言うならと思われる信用 　→AIが文章を量産する世界で、 　　誰が言ったかの重みが逆に上がる。 これらは、AI時代の「新しい通貨」になると思う。 信用がある人には、人がチャンスをくれる。 情報をくれる。仕事をくれる。住む場所すらくれる。 ——お金がなくても、回る側に立てる。 逆に、現金しか持ってない人は、その現金が紙くずになった瞬間、何も残らない。 みなさんはどう思いますか？

AI懐疑論者が「AIは推論なんかしていないし、人間のように理解もしない」と言ってる間に、ChatGPTは数学の未解決問題を解き、Claude Mythosは何十年間も見つからなかったセキュリティホールを見つけた。 彼らが「真の推論」とかいうお茶の間論争を繰り広げてる間に、AIは社会経済の構造を変革してる。

K.Ishi@生成AIの産業応用 @K_Ishi_AI

4 months ago

AIの東大主席合格で本当に着目すべきは、点数より「伸び方」だ。実は、AIの英語の点数は2年前からほとんど成長していない。一方、数学は2年前は120点中わずか2点だったのに対し、今回は満点だ。つまり、AIのこの2年間の進化の核心は、「未知の数理的問題を解く推論能力」の獲得にある。AIを全暗記だと

25 663 2K 375K 471

日本のスタートアップイベントに100人いたら、本気でグローバル展開してるのは2人。日本は世界人口の1.5%なのに、98%の起業家が国内市場しか見てない。国内だけだと無難なサービスしか作れない。これがイノベーションが生まれにくい構造的な理由なんだよね。 blog.btrax.com/jp/98percent/

x.com/i/article/2049…

AIは本当に便利だし生産性も上がると思う。でも正直、AI関連の話題に飽き飽きしている。技術系コミュニティがAIに占拠されてから、独創的で奇妙なプロジェクトが消えてしまった。みんながほぼ同じワークフローとツール設定の話を延々と繰り返していて、タイムラインがとても退屈になった。技術書も。

まさに、おっしゃる通りです。 職人で生き残れるのは0.001%くらい。ほとんどの人が「クリエイティブディレクター」になることを求められます。課題を見つけ、正解を定義し、正解へ導く力。これが、AI時代に必須なスキルです。

鈴木 優作 | 三郷市議会議員 @yuu_misato

4 months ago

デザインソフトが、 言葉で動き出す時代。 クリエイティブの”職人”は、 ここからかなり苦しい時代に 逆に、 クリエイティブ ディレクターの 価値は跳ね上がる。 AIに何を作らせるか その指示の質が、 そのまま成果物の質になる。 「なんとなくカッコいい」を、 言葉にできるか。 「世界観」を、

1 3 42 24K 23

A Adobe acabou de se ajoelhar. Integrou 50+ ferramentas do Creative Cloud dentro do Claude. Photoshop, Premiere, Illustrator, Lightroom, Express. O arsenal inteiro entregue para rodar dentro da interface de outra empresa. A empresa que dominou criação digital por três décadas admitiu que perdeu o controle do ponto de entrada do usuário. Os números já vinham sangrando: → Ação a $240. Máxima histórica foi $688. Queda de 65% → 2026 YTD: -31%. Bateu mínima de 8 anos em 9 de abril → ARR novo no Q1: $400M vs consenso de $450M → Ontem, Mizuho rebaixou para Neutral citando competição por IA David Wadhwani, presidente de Criatividade e Produtividade da Adobe, disse no earnings call que o negócio legado de stock images "sofreu um declínio mais acentuado do que esperávamos" e que a migração para IA generativa está "acontecendo mais rápido do que planejávamos". O cara responsável pelo produto admitiu, em call público, que a empresa foi pega de surpresa pela velocidade com que a IA está comendo o negócio dele. E agora olha o que a integração com o Claude faz na prática: Antes: você abria o Photoshop, trabalhava dentro do ecossistema Adobe, a Adobe controlava a experiência e a cobrança. Agora: você abre o Claude, digita o que quer, e o Claude decide quais ferramentas Adobe usar nos bastidores. A Adobe virou backend. Fornecedora de API criativa para o produto de outra empresa. Quem controla a conversa, controla a monetização. Quem executa por trás, vira peça substituível. E o timing: a Anthropic anunciou o conector no mesmo dia em que a Adobe opera próxima da mínima da década, um dia depois de mais um downgrade. Receita projetada de $26B, margem bruta de 89%. Quase $3B de fluxo de caixa no trimestre. A Adobe não está quebrada. Mas quando você entrega suas ferramentas para viver dentro do produto de outro, você não está fazendo parceria. Está cedendo o volante. A era em que abrir o Photoshop era o primeiro passo de qualquer projeto criativo acabou.

Adobe @Adobe

4 months ago

Adobe for creativity + Claude 🤝 Now, Claude users can power their content with more than 50 Creative Cloud tools. Simply describe the outcome you want and let the assistant orchestrate workflows behind the scenes: adobe.ly/4cTkJjF

522 2K 16K 7.8M 11K

Karpathy told Dwarkesh that a 1 billion parameter model, trained on clean data, could hit the intelligence of today's 1.8 trillion parameter frontier. That is a 1,800x compression claim. The math behind it is more defensible than it sounds. When researchers at frontier labs look at random samples from their training corpus, they see stock ticker symbols, broken HTML, forum spam, autogenerated gibberish. Not Wikipedia. Not the Wall Street Journal. The actual pretraining dataset is mostly noise, and the model is burning parameters to vaguely remember all of it. One estimate pegs Llama 3's information compression at 0.07 bits per token. Well-structured English carries around 1.5 bits per token of real information. The trillion-parameter model is holding a roughly 5% resolution image of the internet it trained on. So when a lab ships a 1.8 trillion parameter model, the overwhelming majority of those weights are handling rough memorization. They are compression overhead for a noisy training set, taking up capacity that could be doing reasoning instead. Karpathy's proposal is to separate the two. Build a cognitive core: a small model that contains only the algorithms for reasoning and problem-solving, stripped of encyclopedic memorization. Pair it with external memory the model queries when it needs a fact. A 1 billion parameter reasoner plus retrieval beats a 1.8 trillion parameter model trying to do both. The data already supports this direction. GPT-4o runs at roughly 200 billion parameters and outperforms the original 1.8 trillion GPT-4. Inference costs for GPT-3.5 level performance fell 280x between 2022 and 2024, driven almost entirely by smaller, cleaner, better-architected models. The trend line is pointing where Karpathy says it should. The real implication for anyone tracking the AI trade: data quality is the actual constraint. The companies winning the next phase will be the ones who figured out what to train on, and what to throw away.

AIによって最もダメージを受けるのは経済ではなく人間の自信、自己効力感です。

よく「人間暇になると碌なことしない」っていうよね。魔が刺してしまったり、生きる目的がなくなって、メンタル病んだり。これからAIがどんどん仕事をしてくれて、暇な人がどんどん増えたら、どんな社会になっちゃうんだろう。なんてね。

AnthropicのCEO ダリオ・アモデイが「AIによって人間の思考力はどう退化する？」と聞かれたときの答えが、ものすごく本質的でした。 「自分は今でも電卓を使わず、暗算で会社の収益を計算することがある。なぜなら、その思考プロセスを自分で完結させたいからだ。 テクノロジーで解決できるからといって自分で考えることをやめると、重要な能力を失っていくからね。」 そして彼は、インタビューの最後をこう締めくくっています。 「たとえほとんどの分野でAIの方が賢くなろうとも、『自分の知性を磨く』という選択肢は、常に私たちの手の中にある。その選択肢を選びとっていこう。」 AIがどれだけ進化したとしても、自分を磨くことを諦めないこと。 この姿勢こそが、これからの時代を生きるうえでの土台だと思います。 AI時代に、「今から学ぶ意味あるのかな」と感じている人。「どうせAIのほうがうまくやるんでしょ」と、努力する気力が薄れてきている人。 そんな人にこそ、ぜひ見てほしい動画です。

Very interesting announcement from OpenAI this morning. We’re excited to make OpenAI's models available directly to customers on Bedrock in the coming weeks, alongside the upcoming Stateful Runtime Environment. With this, builders will have even more choice to pick the right model for the right job. More details at our AWS event in San Francisco tomorrow.

AI-native software engineering teams operate very differently than traditional teams. The obvious difference is that AI-native teams use coding agents to build products much faster, but this leads to many other changes in how we operate. For example, some great engineers now play broader roles than just writing code. They are partly product managers, designers, sometimes marketers. Further, small teams who work in the same office, where they can communicate face-to-face, can move incredibly quickly. Because we can now build fast, a greater fraction of time must be spent deciding what to build. To deal with this project-management bottleneck, some teams are pushing engineer:product manager (PM) some teams are pushing engineer:product manager (PM) ratios downward from, say, 8:1 to as low as 1:1. But we can do even better: If we have one PM who decides what to build and one engineer who builds it, the communication between them becomes a bottleneck. This is why the fastest-moving teams I see tend to have engineers who know how to do some product work (and, optionally, some PMs who know how to do some engineering work). When an engineer understands users and can make decisions on what to build and build it directly, they can execute incredibly quickly. I’ve seen engineers successfully expand their roles to including making product decisions, and PMs expand their roles to building software. The tech industry has more engineers than PMs, but both are promising paths. If you are an engineer, you’ll find it useful to learn some product management skills, and if you’re a PM, please learn to build! Looking beyond the product-management bottleneck, I also see bottlenecks in design, marketing, legal compliance, and much more. When we speed up coding 10x or 100x, everything else becomes slow in comparison. For example, some of my teams have built great features so quickly that the marketing organization was left scrambling to figure out how to communicate them to users — a marketing bottleneck. Or when a team can build software in a day that the legal department needs a week to review, that’s a legal compliance bottleneck. In this way, agentic coding isn’t just changing the workflow of software engineering, it’s also changing all the teams around it. When smaller, AI-enabled teams can get more done, generalists excel. Traditional companies need to pull together people from many specialties — engineering, product management, design, marketing, legal, etc. — to execute projects and create value. This has resulted in large teams of specialists who work together. But if a team of 2 persons is to get work done that require 5 different specialities, then some of those individuals must play roles outside a single speciality. In some small teams, individuals do have deep specializations. For example, one might be a great engineer and another a great PM. But they also understand the other key functions needed to move a project forward, and can jump into thinking through other kinds of problems as needed. Of course, proficiency with AI tools is a big help, since it helps us to think through problems that involve different roles. Even in a two-person team, to move fast, communication bottlenecks also must be minimized. This is why I value teams that work in the same location. Remote teams can perform well too, but the highest speed is achieved by having everyone in the room, able to communicate instantaneously to solve problems. This post focuses on AI-native teams with around 2-10 persons, but not everything can be done by a small team. I'll address the coordination of larger teams in the future. I realize these shifts to job roles are tough to navigate for many people. At the same time, I am encouraged that individuals and small teams who are willing to learn the relevant skills are now able to get far more done than was possible before. This is the golden age of learning and building! [Original text: deeplearning.ai/the-batch/issu… ]

“AIが強くなればなるほど、人間にしかできない「一次情報の取得」の価値は、逆説的に高まっていくことを、身をもって実感しています。” note.com/oyamadashokiti…

x.com/i/article/2048…