Week 48, 2025 X Tweet Digest

说一个我观察到的爆款推文规律：80% 的爆款都在重复 20% 的话题。

火过的内容，大概率会再次火。但大部分人的问题是——很难记得自己过去几年哪些内容火过，更不知道怎么找到它们。

所以我做了个推文数据分析面板，核心功能就一个：

从历史高热度推文中随机抽取，给二次创作提供灵感。

使用流程很简单：

1. 从第三方平台导出推文 JSON 数据，比如 Yangyi 老师的推文下载工具。

2. 导入工具，看曝光、互动等关键数据。

3. 点击「随机抽取」，系统推荐一条高热度推文。

4. 一键跳转，重新转推或换个角度创作。

这个功能解决了三个问题：

1. 降低试错成本 — 不用盲目尝试新话题，直接从已被验证的内容入手。

2. 持续产出内容 — 旧话题重新包装，新粉丝没看过，老粉丝看新角度。

3. 数据驱动创作 — 让数据告诉你什么内容更受欢迎，而不是凭感觉。

火过一次的话题，换个方式，往往能再火一次吧。

推文数据分析面板，数据来自 xaicreator 下载工具：

https://t.co/mFXjl3CkqW

@EvaCmore 通过工具检索你想分析的热门创作者，然后下载 JSON 数据，导入到我的数据分析面板。

https://t.co/Ys3PsxGk7q

纳瓦尔2024年的推文数据，大于100w曝光量的有40+篇帖子，值得分析学习一下。 https://t.co/9S4nzqLk1h

我从身边那些厉害的人身上学到一个特别有用的道理：

行动会带来信息。

当你不知道下一步该做什么时，先去做点什么——哪怕做错了，也没关系。

因为一旦行动，你就会获得新的反馈，这些反馈会告诉你真正应该去做的是什么。

听起来很简单，但真正的难点，是把这条原则融入到每天的工作方式里，坚持去做。

@Amigo__Yu yes

@easyopss 直接成品！

优秀程序员具备哪些特质？ https://t.co/uMum006yVx

@WiseInvest513 @EvaCmore 🤝

现实中噪音太多！我推荐一个每期必看的精神食粮！完全免费，只需几分钟阅读时间。来自纳瓦尔宝典中的博客推荐。

https://t.co/7ubImFMSFw 真是嘈杂世界的一股清流，推荐订阅 Brain Food Newsletter。

它被称之为“互联网降噪耳机”。加入超过 900 万人，每周日学习他们能在工作和生活中使用的永恒教训和深刻想法。

上周收到了第656期的邮件：独自思考。

结果并不重要，重要的是当下，优秀的人总是不断学习。

@wlzh 很强，好东西

@w030912 值得分析一下

@angela781105 又称帕累托法则

AI 时代的开发者，最该补的一课是什么？

过去半年高频使用 AI Coding 后，我的答案：设计哲学。

发现小红书 RPDC 整理的「52 Design Principles」是个被低估的宝藏。：

1. 为什么要遵循奥卡姆剃刀（简单优于复杂）
2. 什么时候该用渐进式呈现（Progressive Disclosure）
3. 如何利用宜家效应提升用户参与感

现在 AI 能生成界面很简单，但是做好设计决策很难。

大部分 AI Coding 产品都缺少一个「为什么这样设计」的底层逻辑。

这 52 条原则，就是被验证出来的方法论。

工具会迭代，但好品味永远稀缺。

推荐每个 AI 时代的开发者都看看。

52 Design Principles 是 RPDC 送给自己和所有设计师，研发、产品的礼物，希望前人的经验能帮助我们做更好的设计。

https://t.co/Ir9TgrfKwK

好工具！我还做了一个面板做二次分析，帮我找到过去几年的好内容。

https://t.co/mFXjl3CkqW

@yuanmqg 其实这里的翻译比较诡异，原句：And never get high on your own supply.

查了下这句话最初来自毒品领域的俗语。

直白说：

永远不要被自己的成就、想法或成功所麻醉，要保持清醒、怀疑和持续学习的状态——因为一旦你开始沉醉于自己的"产品"（思想、成就），你就停止了进化。 https://t.co/WKy7Uposm4

@yuanmqg 是的

@Pluvio9yte 强👍，群友fo done

解说视频上周日我就体验了，整体感觉不错！生成速度优秀，剧情故事图片有了 NB Pro 加持沉浸感增强。

我看了树义老师的使用方法，剧情故事垫图法，人物吉卜力化，用小学教材+人物形象生成了一个科学实验的故事，身边朋友反馈不错👍

黑五活动力度很大，大家可以冲一下体验体验。 https://t.co/2hram0oApS

https://t.co/LSJBljWzKe

使用 Nano Banana Pro 做3D打印成品逆向，效果太炸裂了吧！3D打印的朋友看完说，拆解后的零件基本一致！

我朋友是做 3D 打印的，他之前分享过一些组装好的成品照片给我。

看到神老师这个分享，突发奇想：能不能用 AI 把这些成品"拆"回去？

我试了一下，在 YouMind 中用 Nano Banana Pro ，输入成品图，加上这个提示词，生成技术拆解图。

结果相当可以：每个零件的拼接逻辑清晰可见，关节结构、注塑痕迹、材质分层都很准确。

我朋友看完说：“基本和我实际的组装方法一样。”

更关键的是，他有了新的想法：

以后看到好看的物件 → 拍照 → AI 拆解 → 评估复杂度、耗材、配件 → 决定是否动手做。

这相当于把“逆向工程”的门槛降到了零，现在，一张照片就能预演整个过程。

现在 AI 辅助创作真的有点东西！工具的价值不在于替代人，而在于拓展人的认知边界。

朋友3D打印的成品图，正面和背面。 https://t.co/Ruwi2RQ5Il

@yinlin66 效果真不错！

@nan_chen40621 The effect is excellent! It greatly improves efficiency.

小技巧：如果你害怕冒险，就极其详细地写下你真正害怕发生的事情。

一步步写下你失败后接下来会发生什么。

你会发现当你把事情说清楚后，其实并没有那么糟糕。 恐惧存在于模糊之中，而非具体。 https://t.co/ysJ7uEePrU

@asen_eth 确实不错，一句话的事儿，3D打印做辅助拆解

@henry283512238 Hand-Drawn Sketchnote (手绘笔记风格)

@yikieyy @PandaTalk8 确实不错😂

@Easycompany333 还是神老师的提示词好！

@Jackywine 看看这个评测：https://t.co/0bocYg973J

不要把半成品的思考扔给别人！你把思考做到哪一层了？

最近发现团队内部用 AI 写代码有一个规律：

同样一个功能，有人让 AI 写 3 遍还是错的，有人让 AI 写 1 遍就能用。

差别在哪？除了基础领域知识的差距以外。

我把它对应到原帖中的“工作5层级”框架，举个例子：

Level 1 用户： “帮我写个登录功能”。

AI 给你一个最基础的模板，不符合你的项目结构。

Level 2 用户： “帮我写个登录功能，用 React + JWT”

AI 知道技术栈了，但不知道你的业务逻辑。

Level 3 用户： “帮我写个登录功能，用 React + JWT，需要记住登录状态，失败要有提示”。

AI 能写出可用的代码，但可能不符合你的代码风格。

Level 4 用户： “帮我写个登录功能，用 React + JWT，我已经写好了 API 调用部分（贴代码），现在需要你补充前端表单验证和错误处理，风格参考我现有的 UserProfile 组件（贴代码）”。

AI 输出的代码可以直接用，改动很少。

Level 5 用户： “我写了登录功能的初版（贴代码），你帮我 review 一下：1）安全性有没有问题 2）边界情况有没有遗漏 3）有没有更优雅的写法”。

AI 成了你的代码审查员和优化顾问。

核心差异是什么？

Level 1-3 的人期待 AI 猜你要什么。

Level 4-5 的人已经把思考做完了，AI 只是帮你执行和优化。

AI 时代的核心能力不是会用工具，而是会拆解需求。

你的思考越清晰，AI 的输出就越精准。

@Jackywine ok 等你测试！