💙 Gate广场 #Gate品牌蓝创作挑战# 💙
用Gate品牌蓝,描绘你的无限可能!
📅 活动时间
2025年8月11日 — 8月20日
🎯 活动玩法
1. 在 Gate广场 发布原创内容(图片 / 视频 / 手绘 / 数字创作等),需包含 Gate品牌蓝 或 Gate Logo 元素。
2. 帖子标题或正文必须包含标签: #Gate品牌蓝创作挑战# 。
3. 内容中需附上一句对Gate的祝福或寄语(例如:“祝Gate交易所越办越好,蓝色永恒!”)。
4. 内容需为原创且符合社区规范,禁止抄袭或搬运。
🎁 奖励设置
一等奖(1名):Gate × Redbull 联名赛车拼装套装
二等奖(3名):Gate品牌卫衣
三等奖(5名):Gate品牌足球
备注:若无法邮寄,将统一替换为合约体验券:一等奖 $200、二等奖 $100、三等奖 $50。
🏆 评选规则
官方将综合以下维度评分:
创意表现(40%):主题契合度、创意独特性
内容质量(30%):画面精美度、叙述完整性
社区互动度(30%):点赞、评论及转发等数据
我感觉随着AI编程工具的发展,我对MCP工具的理解也在改变
之前常用的 sequential thinking、task_manager,现在随着模型计划和推理能力的提升,有了plan mode和think harder/ultrathink,我更愿意在原生工具内部完成,而不是借助mcp
另一类是context7、deepwiki这类上下文增强工具,对于上下文工程,我需要更加精细化和准确,这类mcp目前还无法达到这个要求。所以我更倾向于自己深度整理而不是使用mcp
上下文整理的过程可能会借助Deep Research和NotebookLM等外部工具,在代码之外,先收集好高质量、且足够全面的上下文
还有一类能提高测试效率和准确度的mcp工具我是推荐的,比如playwright mcp
总结一下就是,mcp工具应该作为AI编程能力的延伸,就像手脚的作用,而不是增强大脑