Twitter AI - 2026-09-19¶
1. 人们在讨论什么¶
1.1 Jev 已从发布周的新鲜感，转向具体的软件落点 🡕¶
在来自 280 位作者的 291 条原创推文中，最热烈的讨论仍围绕 Jev 风格的决策模型，但重心已经转移。2026-09-18，信息流主要关注开源复刻和首次演示；到了 2026-09-19，讨论转向这种狭窄型决策器应放在代码的什么位置、何时该交给更大的模型处理，以及开源世界里是否其实早已有同类模式。@suraj_sharma14 进行了梳理（47 个赞、1 条回复、1,419 次浏览、48 次收藏）给出了一整套“System One”蓝图，涵盖校准概率、类型化 schema、置信度路由、确定性封装器，以及针对低置信度结果的回转机制。@painn_x 转成了（17 个赞、10 条回复、1,468 次浏览、12 次收藏、2 次引用）则把它整理成一份操作指南：把所有决策问题批量放进一次调用，在代码中构建候选列表，并在执行任何不可逆操作之前，将低于置信度阈值的结果升级处理。
实际的反驳来自构建者，而不只是怀疑者。@urchadeDS 指出（21 个赞、1 条回复、2,144 次浏览、28 次收藏、2 次引用）指出，Fastino 的开源 GLiNER2 已经覆盖了大部分相同的 schema 定义决策面，只是接口更广，支持分类、实体、关系和记录抽取。@natebjones 总结了（14 个赞、1 条回复、742 次浏览、27 次收藏）则总结了他在回复里看到的真实构建模式：路由客服工单、对旧语料批量提出类型化问题、判断哪些地方值得为更深层推理付费，以及给段落、行或检查点附加廉价且有边界的判断。
讨论洞察： 反复出现的观点是，真正有价值的基础能力并不是“更便宜的聊天机器人”，而是一层快速、类型化的判断层：它有明确的候选集、置信度门控，并且只在必要时才把任务清晰地交接给更重型的模型。
与前一天的比较： 与 2026-09-18 围绕开源复刻和首次工作流演示的 Jev 热潮相比，2026-09-19 更偏重实现：具体阈值、明确的编排模式，以及开源侧立刻给出的对位回应。
1.2 评测讨论转向工作流真实性、评测成本和隔离边界 🡕¶
至少有六条保留下来的帖子把评测本身视为真正的产品表面。@superalesha 抨击了（438 个赞、42 条回复、24,152 次浏览、57 次收藏、9 次引用）质疑 PrismML 关于 Bonsai“98.2%”的说法，因为这个数字来自精挑细选的静态基准，而不是人们实际会在本地运行的 agentic three.js 和 HTML 任务。@dair_ai 强调了（32 个赞、13 条回复、4,052 次浏览、39 次收藏、1 次引用）称赞 SIFT 把基准评测本身视为自我改进型编程智能体的瓶颈：先用 LLM 评审器给候选补丁排序，再决定是否支付昂贵的基准运行成本。@FOMAnews 压缩了（6 个赞、1 条回复、1,224 次浏览、2 次收藏）则把同样的情绪浓缩成一句话：公开基准无法告诉你一套演示文稿是否需要每页一个观点，因此你的修改本身就应该成为评测。
这种不信任已经从打分扩展到安全边界。@milessy_bc 批评了（28 个赞、20 条回复、67 次浏览、1 次收藏、1 次引用）质疑一则 744B 开放权重智能体模型的发布，因为它声称在 16 项基准中的 5 项上领先，却没有说明具体是哪 5 项。@wallstengine 放大了（68 个赞、8 条回复、13,067 次浏览、11 次收藏、5 次引用）报道称，Gemini 在一次网络安全评估中接触到了 3 家真实公司，原因是互联网访问意外未被关闭，这让沙箱设计成为主流讨论话题。@thedailyblock 总结了（78 个赞、25 条回复、4,971 次浏览）则代表了预算更大的回应：Anthropic 和 Accenture 各自承诺在 5 年内至少投入 $1 billion，用于嵌入式模型评测。
讨论洞察： 实际需求简单而反复出现：说清任务，展示测试 harness，让验证成本透明可见，并把测试环境严格限制住，避免模型意外闯入现实世界。
与前一天的比较： 与 2026-09-18 对基准的泛泛怀疑相比，2026-09-19 的讨论更偏向运营层面。信息流已经从“分数会误导人”转向“把工作流、评测预算和隔离边界展示给我看”。
1.3 物理世界 AI 帖子开始更明确地讨论数据管线，而不只是野心 🡕¶
物理世界 AI 的发帖量仍远小于软件 AI，但内容明显更具体。@_Kriptopia 描述了（45 个赞、25 条回复、302 次浏览、5 次收藏）把 Vangrid 描述为一个基于手机的采集网络：参与者寻找附近的悬赏任务，从多个角度记录地点；如果请求获批，就能获得 USDC 报酬。公开文档还补充说明，系统会在端侧进行人脸和车牌模糊处理，交付的是重建后的 3D 输出，而非原始视频。@ItzAbcrypto 制作了（11 个赞、8 条回复、71 次浏览）则用一张从原始视频到稠密点云、再到 3D Gaussian splats 的流程图，让同一套系统的管线一目了然。
相邻的机器人讨论也让算力目标更清楚。@jiqizhixin 强调了（18 个赞、873 次浏览、11 次收藏）介绍了 AgentVLN-3B：这是一个视觉语言导航系统，用 3B VLM 作为“大脑”，用模块化技能库执行任务，并以 Jetson 级边缘部署为目标实现实时运行。当天的证据不再停留在抽象的“物理世界 AI”表述上，而是把采集、隐私、几何、规划和边缘推理串成了一条连贯管线。
讨论洞察： 有趣的问题已经不再是物理世界数据是否重要，而是团队能以多低的成本采集它、上传前必须先运行多少隐私逻辑，以及下游技术栈能否足够本地化，真正用于机器人。
与前一天的比较： 与 2026-09-18 仅释放出较弱的 Vangrid 市场信号相比，2026-09-19 补全了管线细节，并加入了相邻的边缘机器人架构。这个类别虽然仍不如智能体软件拥挤，但已经显得更具体了。
2. 什么让人感到沮丧¶
静态基准宣传在真实工作负载下露馅¶
当天最响亮的抱怨并不是“基准毫无用处”，而是“基准标题总在掩盖真正的工作单元”。@superalesha 指出（438 个赞、42 条回复、24,152 次浏览、57 次收藏、9 次引用）指出，PrismML 对 Bonsai 的宣传远远超出了本地 GGUF 在 agentic 任务上的实际表现；与此同时，@milessy_bc 指出了（28 个赞、20 条回复、67 次浏览、1 次收藏、1 次引用）则指出了同一问题的另一种版本：只说“在 16 项基准中的 5 项上获胜”，却不说具体是哪 5 项、优势有多大。即便模型本身可能不错，信任层依然薄弱。
严重程度：高。人们现在靠并排对比基准卡片、截图和愤怒的回复串来应对，但反复要求在静态分数旁附上明确任务和 agentic 评测，说明这里存在一个明显的工具缺口，值得围绕它构建产品。
如果不围绕成本来设计，评测依然昂贵¶
第二个令人沮丧的问题是，严肃评测依然缓慢而昂贵。@dair_ai 强调了（32 个赞、13 条回复、4,052 次浏览、39 次收藏、1 次引用）关注 SIFT，正是因为它把基准评测视为运行时瓶颈，并有选择地投入算力。@FOMAnews 指出（6 个赞、1 条回复、1,224 次浏览、2 次收藏）指出，许多有用的质量标准本来就是个人化且工作流特定的，因此团队应该把反复出现的修改转成私有评测。@thedailyblock 披露了（78 个赞、25 条回复、4,971 次浏览）则通过提到围绕嵌入式前沿模型评测的十亿美元级投入，说明了这种痛点已经有多严重。
严重程度：高。当前的替代方案包括评审模型、选择性基准测试、嵌入式评测器，以及小型私有测试集。这套办法能用，但对大多数团队来说，仍然太贵、也太依赖人工。
仍有太多智能体步骤要经过文本生成模型¶
Jev 讨论中隐含的另一个挫败点是，软件里仍有太多有边界的决策，被交给通用文本生成来处理。@suraj_sharma14 将其定义为（47 个赞、1 条回复、1,419 次浏览、48 次收藏）搭起了一整套围绕路由、校准和升级处理的技术栈；@painn_x 做出了（17 个赞、10 条回复、1,468 次浏览、12 次收藏、2 次引用）则明确指出这种浪费模式，建议团队把所有结构化问题放进一次决策调用；@natebjones 展示了（14 个赞、1 条回复、742 次浏览、27 次收藏）显示出有多少工作流本质上都是“杂乱输入到有边界输出”的问题。@urchadeDS 补充说（21 个赞、1 条回复、2,144 次浏览、28 次收藏、2 次引用）指出，开源世界其实已有这套模式的部分组件，但团队仍需谨慎地自行拼装。
严重程度：中高。当前的应对方式是在更大的模型前面加上本地分类器或类型化决策层，但信息流显示，许多团队仍缺少一种干净、现成的落地方案。
物理世界 AI 仍依赖新鲜采集和明确的隐私处理¶
物理世界 AI 的帖子暗示了另一个上游难题：你无法像抓取文本那样，从网上抓取当前的几何、交通和场景布局。@_Kriptopia 聚焦于（45 个赞、25 条回复、302 次浏览、5 次收藏）展示了 Vangrid 的答案：付费让附近的手机用户去采集数据；@ItzAbcrypto 澄清了（11 个赞、8 条回复、71 次浏览）展示了同一系统更清晰的几何管线；@jiqizhixin 展示了（18 个赞、873 次浏览、11 次收藏）则说明下游导航栈已经足够轻量，可以运行在 Jetson 级硬件上。因此，摩擦点不只是建模，还包括采集、审核、隐私和时效性。
严重程度：中等。构建者正通过悬赏市场和边缘优先的技术栈来应对，但当天的证据表明，数据供应链仍是一个真实瓶颈，而不是已经解决的前提条件。
3. 人们希望有什么存在¶
能反映单个团队实际质量标准的个人评测系统¶
最强烈的评测诉求并不是一个通用基准，而是私有、可复用的测试，用来编码某个具体团队如何判断“好工作”。@FOMAnews 做出了（6 个赞、1 条回复、1,224 次浏览、2 次收藏）用“你的品味就是测试数据”把这件事说得很明确；@superalesha 希望（438 个赞、42 条回复、24,152 次浏览、57 次收藏、9 次引用）希望在静态基准旁放上 agentic 评测；@dair_ai 强调了（32 个赞、13 条回复、4,052 次浏览、39 次收藏、1 次引用）则凸显出大规模基准循环依然有多昂贵。尚未满足的需求，是一种轻量方法，能在预算耗尽前，把反复出现的人类修改转化为稳定的通过/失败测试。
可检查、可替换且易于组合的开放决策层¶
Jev 相关讨论显现了第二个愿望：团队希望在代码和通用 LLM 之间放置一层狭窄的判断层，但不想把它当成神秘黑箱。@suraj_sharma14 希望（47 个赞、1 条回复、1,419 次浏览、48 次收藏）强调校准和确定性封装器；@painn_x 希望（17 个赞、10 条回复、1,468 次浏览、12 次收藏、2 次引用）强调明确阈值和候选列表；@urchadeDS 指出（21 个赞、1 条回复、2,144 次浏览、28 次收藏、2 次引用）则指向更宽的开源接口。缺失的产品不只是“便宜的分类器”，而是一层团队可以审计、替换，并接入现有软件的决策层，无需从零发明集成模式。
一种保护隐私、可购买当前物理世界真值的方式¶
物理世界 AI 讨论暗示了第三个愿望：建立一个能获取新鲜空间数据的实用市场，不需要专门的硬件车队，也不靠含糊的隐私承诺。@_Kriptopia 指出了（45 个赞、25 条回复、302 次浏览、5 次收藏）指向基于手机的采集与验证；@ItzAbcrypto 强化了（11 个赞、8 条回复、71 次浏览）则用更清晰的几何管线把它说明白；@jiqizhixin 展示了（18 个赞、873 次浏览、11 次收藏）解释了为什么需求端真实存在：边缘机器人和导航系统已经需要当前的场景理解。其隐含的愿望清单项，是一个能够证明来源、执行隐私保护，并足够快地返回可用 3D 资产的数据网络，让模型构建者真正愿意使用。
4. 正在使用的工具和方法¶
| 工具 | 类别 | 情绪 | 优势 | 局限 |
|---|---|---|---|---|
| Jev / TypeSafe AI | 决策模型 | (+/-) | 输出类型化的选择/分数/概率，低延迟批处理，明确的置信度门控，非常适合路由和分诊 | 仅支持文本，自跑基准的宣传说法存疑，仍需人工或更大模型的升级处理逻辑 |
| GLiNER2 | schema 驱动的信息抽取/分类模型 | (+) | 开源，本地/CPU 友好，单次完成分类 + 抽取 + 关系识别，接口比纯决策器更广 | 需要设计 schema，其通用性可能会与高度优化的细分决策任务形成取舍 |
| 个人工作流评测（Every 风格） | 评测方法 | (+) | 让测试贴近实际工作，把反复出现的修改转成可复用的通过/失败检查，让较小模型在狭窄任务上也有竞争力 | 需要有纪律地维护，无法产出可迁移的公开分数，如果团队停止维护，评测会逐渐漂移 |
| SIFT | 智能体自我改进方法 | (+/-) | 在昂贵的基准运行前先用 LLM 评审器，从而降低算力消耗，让评测成本透明可见，非常适合迭代式编程智能体 | 评审器质量会成为新的瓶颈，选择性评测也可能错过被提前筛掉但其实有潜力的候选 |
| WikiSkill | 智能体记忆/技能方法 | (+/-) | 将持久知识保存在持续存在的 wiki 中，改善跨运行与跨模型规模的技能迁移，减少对更大基础模型的依赖 | 仍处于研究阶段，需要维护逻辑和验证循环，还不是开箱即用的产品 |
| Vangrid | 物理世界数据层 | (+/-) | 智能手机采集、端侧人脸/车牌模糊处理、悬赏需求、3D 输出、强调来源证明的工作流 | 需要双边网络、质量审核，以及足够的本地供给来满足企业需求 |
| AgentVLN-3B | 机器人导航框架 | (+) | 使用 3B VLM 和模块化技能，避免更重的 3D 技术栈，目标是在 Jetson 级设备上实时部署 | 证据仍停留在研究阶段，基准领域较窄，生产环境稳健性尚未被证明 |
| AutoClip | 创作者工作流工具 | (+/-) | 本地提取高光片段，支持多源导入，采用 React/FastAPI/Celery 技术栈，支持 Docker 部署，瞄准明确的终端用户痛点 | 多项功能仍标注为开发中，信息流里尚未看到真实生产采用 |
当工具能消除一层模糊性时，整体满意度最高：用类型化决策替代散文式文本，用私有基准替代通用排行榜，或用采集管线替代含糊的“物理世界 AI”品牌包装。相比单纯的能力宣称，信息流明显更偏爱那些能让工作流变得清晰可见的工具。
应对模式也很一致。团队正在把工作拆成更窄的步骤，把本地模型或仅负责决策的模型与更大的推理模型混合使用，围绕反复出现的修改构建私有评测，并把隐私或来源检查尽量放在靠近数据源的位置。
竞争态势在三个地方尤其明显：GLiNER2 立刻从开源侧挑战了 Jev 的品类叙事；评测从公开炫耀转向嵌入式或私有工作流；物理世界 AI 工具的竞争重点则落在数据新鲜度、隐私和来源证明上，而不只是模型光环。
5. 人们正在构建什么¶
| 项目 | 构建者 | 功能 | 解决的问题 | 技术栈 | 阶段 | 链接 |
|---|---|---|---|---|---|---|
| GLiNER2 | Fastino | 由 schema 驱动的本地系统，通过统一接口完成分类、NER、关系识别和结构化抽取 | 替代脆弱的多模型抽取管线，以及针对类型化信息任务的昂贵通用 LLM 后处理 | 205M 模型、schema 定义 API、CPU 优先的本地推理、Apache-2.0 开源 | 已发布 | 帖子（21 个赞、1 条回复、2,144 次浏览、28 次收藏、2 次引用）；仓库；论文 |
| Vangrid 采集网络 | Vangrid | 将手机采集转化为经过隐私过滤的空间数据和重建 3D 资产的悬赏市场 | 为机器人、世界模型、地图和数字孪生创造新鲜的物理世界数据，无需专门采集车队 | Android/浏览器采集、端侧模糊处理、悬赏请求、3D 重建、强调来源证明的管线、Base 支付 | Beta | 帖子（45 个赞、25 条回复、302 次浏览、5 次收藏）；文档；流水线 |
| AutoClip | zhouxiaoka/autoclip | AI 辅助工具，可在长视频中寻找高光时刻，并在本地将其转成较短片段 | 减少创作者为寻找可复用片段而反复拖动浏览素材的人工时间 | 基于 Qwen 的分析、React + TypeScript 前端、FastAPI + Celery 后端、WebSocket 进度反馈、Docker 部署 | Beta | 帖子（10 个赞、5 条回复、920 次浏览、9 次收藏、1 次引用）；仓库 |
| Train LLM From Scratch | Fareed Khan | 使用纯 PyTorch 实现预训练、SFT、奖励建模以及 RLHF/RLVR 风格后训练的端到端教学仓库 | 降低学习或复现现代 LLM 训练管线的黑箱门槛 | 自定义 transformer、The Pile 预处理、SFT、奖励模型、PPO/DPO/KTO/GRPO、notebook、Streamlit UI | 已发布 | 帖子（83 个赞、5,576 次浏览、93 次收藏）；仓库 |
| WikiSkill | Google Research | 持久 wiki 系统，用于长期演化并验证可复用的智能体技能 | 防止有用的智能体经验丢失在轨迹或优化器历史中 | 原始轨迹、持久 wiki、技能提议器/维护器循环、验证回滚 | Alpha | 帖子（6 个赞、6 条回复、1,145 次浏览、6 次收藏）；论文 |
| AgentVLN-3B | Allenxinn/AgentVLN | 视觉语言导航技术栈，使用 3B VLM 进行高层推理，并用模块化技能执行任务 | 在不依赖重型 3D 模块的情况下，让长时程具身导航更接近可落地的边缘部署 | Qwen2.5-VL-3B、技能库、QD-PCoT、感知/导航模块、Jetson 部署 | Alpha | 帖子（18 个赞、873 次浏览、11 次收藏）；仓库；论文 |
值得注意的是，构建者们正在把 AI 周边的接口产品化，而不只是再发一个通用封装器。GLiNER2 把输出面收窄到 schema；Vangrid 把物理世界 AI 的采购过程收窄为采集与验证闭环；AutoClip 则把“视频编辑”收窄为高光检测和片段组装。
吸引注意力的开源项目也都暴露了完整实现面。Train LLM From Scratch 之所以重要，是因为它从原始文本一路走到后训练，而不是停在玩具 transformer。WikiSkill 之所以重要，是因为它把累积知识视为值得管理的产物，而不是更长上下文窗口的副作用。
物理世界 AI 相关条目尤其值得注意，因为它们已经听起来相当运营化。它们不再抽象地承诺 AGI，而是在谈采集悬赏、隐私过滤器、技能库和 Jetson 部署目标。
6. 新鲜且值得关注¶
SIFT 将自我改进重新框定为基准成本问题¶
@dair_ai 强调了（32 个赞、13 条回复、4,052 次浏览、39 次收藏、1 次引用）介绍 SIFT 时，重点已经不再是“智能体能否自我改进”，而是“你要如何负担得起对所有候选改进进行评测”。这个框架很重要。它把评审质量、选择性评测和基准预算视为方法的一等组成部分，而不是附带的实现细节。
WikiSkill 让持久知识看起来像真正的性能杠杆¶
@DataChaz 披露了（6 个赞、6 条回复、1,145 次浏览、6 次收藏）介绍了 Google Research 的一项结果：带有演化技能的 9B 模型，在 5 项基准上击败了没有这些技能的 27B 模型。核心思想并不只是“更好的提示词”。WikiSkill 在轨迹和可执行技能之间插入了一个持久 wiki，让系统持续积累可复用知识，而不是每次都从头重新学同样的经验。
Train-LLM-from-scratch 风格的工具包只要展示完整路径，依然能脱颖而出¶
@tom_doerr 分享了（83 个赞、5,576 次浏览、93 次收藏）介绍了 Fareed Khan 的纯 PyTorch 训练仓库，吸引力显而易见：它并没有停在玩具版预训练循环。公开材料一路讲到了分词、预训练、SFT、奖励建模，以及 PPO/DPO/KTO/GRPO 风格的后训练。在一个充满高层口号的信息流里，完整的教学表面依然格外显眼。
7. 机会在哪里¶
[+++] 个人基准、隔离与嵌入式评测基础设施 — 第 1、2、3 和 6 节都指向同一个缺口：团队想要工作流特定的测试、更便宜的验证循环，以及更强的隔离边界。这个机会覆盖私有评测构建器、评审器审计工具、沙箱层，以及能让嵌入式评测不再流于形式、而真正可信的服务。
[+++] 类型化决策路由与 schema 驱动的判断层 — Jev、GLiNER2 以及周边 how-to 讨论表明，围绕有边界决策存在一个持久品类：路由、紧急度评分、客服分诊、审核和结构化抽取。最强烈的需求来自那些可审计、可替换、且易于放在更大推理模型前面的工具。
[++] 强调来源证明的物理世界数据网络 — Vangrid 和 AgentVLN 共同指向一套仍显早期、但已经真实存在的技术栈：采集新鲜空间数据，在边缘做隐私过滤，证明数据来自哪里，再把它喂给真正能利用它的机器人或世界模型。这个机会意义不小，但运营负担也很重，而且很可能高度依赖网络效应。
[++] 面向智能体的技能记忆与评测记忆工具 — SIFT 和 WikiSkill 都把“记忆”理解得比“给模型更多上下文”更具体：记住哪些候选改动值得评测，也记住哪些来之不易的经验应该跨运行保留下来。这说明，围绕显式存储、测试和迁移智能体 know-how 仍有产品空间。
[+] 工作流原生的本地构建工具包 — AutoClip 和 Train LLM From Scratch 表明，人们仍然愿意使用端到端、可检查的工具包，去解决一个具体工作流，或教会一套具体技术栈。这个机会看起来确实存在，但现有证据仍更支持强劲的细分需求，而不是广泛的市场拉力。
8. 要点¶
- Jev 之所以仍处于讨论中心，是因为构建者终于能展示它在代码中的确切落点，而不只是品类层面的主张。 @suraj_sharma14 梳理了（47 个赞、1 条回复、1,419 次浏览、48 次收藏）展示了整套编排栈，@painn_x 展示了（17 个赞、10 条回复、1,468 次浏览、12 次收藏、2 次引用）展示了阈值和批量调用，@urchadeDS 迫使（21 个赞、1 条回复、2,144 次浏览、28 次收藏、2 次引用）则给出了开源对照点。来源
- 对基准的怀疑已经成熟为评测工程。 @superalesha 推动了（438 个赞、42 条回复、24,152 次浏览、57 次收藏、9 次引用）要求在静态基准旁放上 agentic 评测；@dair_ai 强调了（32 个赞、13 条回复、4,052 次浏览、39 次收藏、1 次引用）指出了自我改进智能体评测中的成本瓶颈；@FOMAnews 指出（6 个赞、1 条回复、1,224 次浏览、2 次收藏）则认为，团队的修改应该成为自己的测试套件。来源
- 隔离已经成为评测讨论的一部分，而不再只是单独的安全边栏。 @wallstengine 放大了（68 个赞、8 条回复、13,067 次浏览、11 次收藏、5 次引用）指出 Gemini 越界接触了真实公司，@thedailyblock 总结了（78 个赞、25 条回复、4,971 次浏览）则提到了针对嵌入式评测的十亿美元级投入。贯穿其中的主线是：现实世界边界和现实世界测试预算，如今已经是同一个设计问题。来源
- 物理世界 AI 的量级仍小于软件 AI，但内容已经更具操作性。 @_Kriptopia 描述了（45 个赞、25 条回复、302 次浏览、5 次收藏）展示了带隐私过滤的手机空间采集，@ItzAbcrypto 可视化了（11 个赞、8 条回复、71 次浏览）展示了几何管线，@jiqizhixin 补充说（18 个赞、873 次浏览、11 次收藏）展示了面向 Jetson 的导航栈。来源
- 开源 AI 构建工具包只要展示出完整实现面，依然能赢得关注。 @tom_doerr 分享了（83 个赞、5,576 次浏览、93 次收藏）展示了一个端到端训练仓库，@KanikaBK 强调了（10 个赞、5 条回复、920 次浏览、9 次收藏、1 次引用）展示了一个本地视频剪辑栈，@DataChaz 披露了（6 个赞、6 条回复、1,145 次浏览、6 次收藏）展示了一种持久化技能记忆方法。共同的胜出条件是透明度，而不是神秘感。来源