Builder, 三岁半女宝爸爸，building 拼读树 https://nitter.cf/t.co/yFxx5XT059 👨🏼🎨 PM, Design / code / repeat 🥳 X 全球第61号注册用户，中文社区第1位注册用户
Decentralized
Joined October 2006
- Tweets4.8K
- Following954
- Followers5.8K
- Likes1.2K
用 Expo + RN开发好了 App，现在卡死在了 apk 和 ipa打包问题上，还有 Apple开发者账号上了。开发者账号13 年前注册过，现在不知道为什么不能续费，重新注册账号 发现身份还被冻结锁死。联系客服，发现苹果开发者关系客服周末还不上班，太不容易了，一波三折…
这个玩法有点意思～
Let your Grok Bot / Muse talk to your Claude Code / Codex or any other agents
Introducing Reason Network,
Free, peer to peer and Open-Source Engine
Loop in your teammates too so no live agents work collides when coding.
Try it for free: reasonmachines.com/network
one click install and setup!
Supabase真的是一个巨坑...他的付费模式最低档$25/月，我就只是因为超出了一点点限额不得不。更要命计算资源只能覆盖 1 个项目的支出，如果你在免费模式下创建了 5 个项目，那么你转为付费之后，你要支付 (25 + 4 x 10)/月。对独立开发者真的一点不友好。真切领会到了什么叫免费的才是最贵的道理。
继续保留 Cursor 20刀的订阅，而非切换到 X 大一统的 30刀Premium订阅，对 Bot 额度有影响吗？我问了Bot，似乎建议我保留 Cursor 20到的额度继续，现在好像没有明确的说明两者 Bot 额度有差别。但是x上的网友似乎又说cursor订阅获得的Bot额度要低于大一统的。
经过大量的实践，探索性的问题，哪怕跟项目有直接关系的问题，只要涉及到探索、发散，追求更多可能性的，都不要通过 Codex 进行。切到原生ChatGPT 模式下进行交流，会给你更多不一样自成体系的思考。在Codex 历史项目的记忆反倒会成为负担，甚至是降智的。尽量把确定性的问题交给Codex去执行。
Grok Bot 还是有点意思的，Cursor 我都快流失了，现在逼着我继续续费，为了Bot， 体验了几天，一改我对 Personal Agent 这个叙事概念的偏见。Bot 对海量信息收集，清洗和重要信息提醒这个场景尤其方便。一点不占用本地资源，光这一点就值回一个月 20 刀的费用支出。
good job~
Big news.
Shaders is now open source 🔥
Use any of our 200+ WebGPU components in your work. Ship magic in a client site, a template, a product, a library, anything. Plus, you can export code for any framework, for free.
Give it a star: github.com/shader-effects-in…
盗盗 retweeted
J ai découvert un skill qui permet de créer des illustrations isométriques animées 👀
C est clairement ce genre d illustration qui fait super pro sur un site ! J ai pas eu le temps de tester le skill encore mais je veux bien voir vos résultats !
Le skill : hairline.lucasmarkes.com
这...太有价值了。
完全睡不着了....这个视频让你完全看懂JEV的恐怖能力
我实际演示了一下，用 JEV 和 DeepSeek 做同一个任务：从当天的海量实时新闻流里，为 15 个品牌快速匹配有没有适合借势的公关热点，并打上结构化意图分类标签
结果是：28 秒内，Jev 狂刷完了整整 428 条数据，并完成了全部的目标分解与分类；而同一时间跑在同样任务上的 DeepSeek V4.1-flash，才刚刚完成 6/428 条
速度被拉开了几十倍，答案甚至在你读完第一行字之前就已经返回了....
为什么会产生这么恐怖的差距？底层逻辑是：
• DeepSeek 这种通用模型本质上是在“逐字写文章”：
哪怕你只让它做个最简单的“是/否”判断，它在后台也必须一个词一个词往外推，硬走一遍漫长的生成流程，延迟按秒起步
• Jev 官方定位是“System 1（快决策）”模型，从根上就根本不会写字：
它彻底抛弃了逐字吐词，底层直接一次性并行出结果。不输出半句废话，70 到 200 毫秒内直接甩出代码需要的最终答案（对/错、打分、分类）
demo参考@elvissun Github开源：github.com/elvisun/newsjack
建议大家试试JEV，越用越觉得牛逼.....
