大概三天前想做一个windows的桌面app, 
用codex写前端和交互设计非常折磨，最终用了昂贵的中转opus5.5。 
许愿前端是一个疲惫的过程，无论如何许愿最终的结果都不尽如人意，于是反向思考开始考虑模型能力是否通过提示词开发潜力，回溯了一年前的扮演法“扮演某领域专家”并结合了N篇transformer相关论文。 
得出一个小妙招，即“Semantic Neural Radiance Field”在小部分核心逻辑上可以应用于对话， 
实际操作中简单可以用中文加一句“进行语义辐射”，这样可以在一定程度上提高我们预输入提示词的有效激活知识半径，当然和模型训练也有点关系。 
当然部分模型例如gpt6.1sol等生产力模型许愿效果极佳，可以第一时间得出深度许愿结论然后再挑选，我个人理解是相当于调取了一部分输入提示词返回的菜单. 
目前我自己测试的有： 
官gpt-astra,6.1sol,...