星河是一个C++程序员，对于Web端的开发可以说是一窍不通。在没有Cursor 等AI辅助编程的时代，如果星河想编写这样一个插件的话，从学习、实验到开发调试，保守估计需要一个星期左右的时间。而现在，星河在完全不懂Web端代码的情况下，只用了1个小时，就完成了翻译总结插件的开发和测试，这放在以前绝对无法想象！而且整个过程几乎没有用到任何和编程相关的技能，从头到尾就是“提出需求->交给Cursor开发

Cursor Rules，让你的Cursor听话又高效

Cursor Rules，让你的Cursor听话又高效

看着大家一个个分享用一两句话就做出各种小游戏、小程序，想着星河当年学了整整一年C语言还不能写出一个完整的五子棋的时候，莫名的有点心塞。星河从头到尾只输入了一句话，然后出去喝了杯水，一个“贪吃蛇”的游戏就做好了，网页、样式、逻辑代码一应俱全！Claude等一众大模型的出现，将编程的难度降低了很多，让原来的专业工作变得普通人也可以完成了，让编程大众化成为了可能。再进入个人账户中心，可以看到，我们的账号

Cursor Rules，让你的Cursor听话又高效

用Cursor为女儿开发了一个游戏网站

DeepSeek 发布 R1 和 R1-zero 之前，行业只有少部分人在实践 RL 和 reasoning model，但 DeepSeek 给大家指明了路线图，让行业相信这样做真的能提升智能，这对提升信心，吸引更多 AI researcher 转向新范式的研究有巨大的帮助。• RL 泛化：虽然 RL 是 OpenAI o1 最先提出来的，但因为各种运营一直半遮半掩，渗透率并不高，DeepSee

本地部署DeepSeek-R1自然好处多多，比如能从根本上解决“服务器繁忙”的问题，而且能保护数据隐私安全，可以离线使用，定制性和可控制性也更强。但我还是要稍微提醒一下，本地部署对于技术有一点门槛，硬件也有一定要求，如果这两点搞不定的话，还是别冲动了。接下来开始正式教程。本地部署 DeepSeek-R1 的方法其实有很多，这里我们简单介绍两种：一是基于 Ollama 实现本地部署，二是使用 LM

免费背后的深层逻辑是DeepSeek急剧降低了训练成本，这进一步迫使其他厂商降低他们的训练成本，进一步降低语言模型的使用费用，促进了行业的良性竞争。对于国内的普通用户来说，由于一些众所周知的原因，当ChatGPT等国外优秀的大模型出现的时候，他们是没有什么方法和渠道进行体验的。此外作为一个推理型模型，DeepSeek直接降低了使用门槛，我们不用再去钻研专业的提示词，只要能清晰的描述出自己的需求，就

字节与港大联手发布的视频生成模型