语鲸深度分析

基础的模型服务专门用来处理总结。

文本的预处理和分快对原始的文本进行清洗和格式化，超出长度限制就需要智能分块策略。并且要考虑连贯性并且支持跨快映射。

基础的模型服务去生成文本摘要，根据文本的类型和长度去做摘要。

原文和文本的映射机制感觉是 transformer 的注意力权重机制。

摘要一般是有两种的方式，一种是抽象是摘要和提取式摘要。

提取式摘要更多的是使用原文的句子，但是抽象式摘要就没办法映射了，就需要支持预训练模型并且提供注意力权重访问，从而实现摘要和原文的映射。允许模型在生成每个摘要词时，关注原文中相关部分。例如，在序列到序列模型中，注意力权重可以显示生成摘要的哪个部分与原文的哪个部分最相关。

Hugging Face Transformers提供了预训练模型（如BERTSUM、T5、BART），这些模型使用Transformer架构，内置注意力机制。用户可以通过设置output_attentions=True来访问这些权重，从而实现摘要与原文的映射。

产品设计

产品设计的技巧，这个阶段还是以用户为中心的视角设计。

背景

1. users ：我们用户的个人资料/角色

2. goals ：我们用户的主要目标

3. pains ：阻碍用户实现目标的障碍

价值主张

1. product ：需要构建什么来帮助我们的用户实现他们的目标？

2. alleviates ：该产品如何减轻困扰？

3. advantages ：该产品将如何创造收益？

目标

• 分解产品为一个个的目标

解决方案

• 核心功能（Core Features）：将要开发的主要功能。

• 集成（Integration）：产品与其他服务的集成方式。

• 替代方案（Alternatives）：应考虑的替代解决方案。

• 限制条件（Constraints）：需要留意的限制因素。

• 范围外内容（Out-of-scope）：暂时不进行开发的功能。

可行性分析： 项目的可行性

#领域

有一个很好的方法，叫溯源

我们在看对方是如何输出一个观点的时候，往往对方在溯源自己的经历中总结出来的。

有趣的是我在寻找的是对方的经历，对方是如何从经历中获取这个观点的。

观点人人都有，但是经历是宝贵的，越是一手的经验越能形成独特的思考

#人生

技术再好，如果不能以方便、有效的方式解决用户（或客户）的实际问题，也很难成功。开发产品应该从用户需求和整体体验出发，而不是先有技术再硬找应用场景

错误的做法： 先开发一项很酷的技术（AI API），然后期望别人来改造他们现有的产品以适应你的技术。

正确的做法：

1. 首先思考：“这个产品（或者说，你想提供的用户价值）从头到尾应该是怎样运作的？” 要先构想完整的用户体验和产品形态。

2. 然后，再考虑：“我们应该在哪些环节加入 AI 技术来解决特定的问题或提升体验？” AI 应该是用来辅助和优化整体产品的，而不是产品本身。

用户极致的体验感非常重要，如何快速的去把公众号文章保存我觉得也是一个非常有价值的地方，包括对文章的一系列的发散和聚合，查找类似的公众号的文章的能力。

#领域/project

AI 时代简化设计

很多设计未必是需要的，对于简单的团队来说，前期准备好两个设计就够了

1. 产品设计： 对用户有价值，好的功能、MVP 功能

2. 系统设计：系统模块，架构，接口、部署

这两部分需要和 AI 交互，以及自己的业务团队情况结合设计

然后将产出的文档结合起来，输出任务清单 note， 结合 github projects 等项目管理工具管理

一般来说会输出产品功能清单（Feature）和技术实现任务清单（Tech Task） 分别对应 GitHub 的 issue 和 sub issue，这个时候一个项目就简单的管理起来了。

#领域/软件工程

句句回应再次思考

句句回应真的很难做到吗？

自己为什么做不到

为什么自己会要求别人做到？

别人没有做到到底是谁的错？

我觉得不需要句句回应啊，但是对方需要句句回应怎么办？

我觉得句句回应回复的感觉很生硬。

对方好像因为我没有回应生气了

但是我感觉自己并没有错

这是为什么？

#情绪变化

相信直觉

一直对直觉有一种排斥的想法，突然想到了一点，为什么排斥，因为自己很大程度上理性告诉我直觉有一定的误差。

如果你试图向外界寻求认同，几乎无一例外只会收到强烈的反对和相左的意见。不要从外界寻找答案。

忠于你的直觉、第六感和内在智慧，相信宇宙。只要你这样做，生命中就会出现意想不到的奇迹。拥有如此信念与勇气的人，在体验生命奇迹的同时，也找到了他们一直热忱渴望的静、爱、喜。

要有勇气追随心声，听从直觉——它们在某种程度上知道你想成为的样子。其他事情都是次要的。​

直觉也许会向你耳语，你应该主动与咖啡厅里的某个陌生人交谈，开启一段美好的友谊，或者你应该主动给某个朋友打电话，也许刚好发现他最近过得不太顺心，正需要朋友的鼓励与安慰。

很多事情，未必需要理智按住自己的心，必须要有勇气面对自己的直觉。

若想领略前所未见的风景，就必须勇于投身未知，首先要放下思虑，倾听内心直觉。

#人生

灵感或绝境中实现目标

目标的来源有两种：由灵感触发；由绝望催生。

让灵感触发梦想，而不是让绝望催生目标。

在纯粹的灵感（而非绝望）驱使下，有深刻而强烈的冲动要去创造一些令全世界耳目一新的东西。

但是如何分辨呢？一个简单的方法是记住想法与思考之间的差异。如果某个目标或梦想是在一闪念之间诞生的，它就是由灵感触发的；如果你思来想去，最终确定了某个目标或梦想，它就是由绝望催生的。

我们一直说的，赚够多少钱然后去旅游，这类目标都是服务于目的的手段，而非目的本身。我们总是出于各种各样的动机才想要实现这类目标，因此我们总觉得内心深处有一块缺失。

目标本身无关对错，只关乎其源头是灵感还是绝望。它只取决于你内心的感受，当你意识到这两种目标在来源和表现形式上的差异，你会为能够创造令人耳目一新的事物而感到无比幸福。

我们不是为了获得身心圆满而去创造，而是因为感受到了身心圆满，所以想要创造，想要不计回报地给予。

你真正想要什么？

如果我有花不完的钱，已经去过世界每一个角落，什么都不能让我忧心，我做什么都不会遭人指摘，那么，我会想要做哪些事，创造出什么新事物？​

#人生

心流的一些新的思考

“焦虑是不加节制的思考。心流是不加思考的节制。​” ——詹姆斯·克利尔，习惯研究专家

之前讨论过一个发现，就是感觉自己在微醺的状态下， 或者是困意的状态下更容易达到心流的状态，这个现象让我觉得很迷惑。

人类表现最出色的时候正是进入无思无虑的忘我状态之时，关于这种状态，日语里有个很美的形容词：mushin（无心）

无心，是指意识里无杂念，无怨怒，无忧惧，以至无我。

心无旁骛，才能摆脱自我的限制，创造出这世上的万般缤纷。我不想将这份信念强加于你，只希望你愿意尝试着去体验，以自身经验去领悟它。

可能也和之前的上课老师在上课之间忘记之前的备课，也是如此，也更容易达到心流状态。

所以焦虑的本质是想的太多，心流的本质是心无旁贷。

所以回到之前的一个问题，为什么我在微醺的状态下，或者是在疲劳的状态下跟容易达到一个心流的状态或者是专注的状态。

微醺时，前额叶皮层（PFC）——主管计划、批判、自我监控的区域——活动被酒精轻微抑制，这有点类似冥想后“ego降解”的效果。

疲惫可能不太一样，执行功能下降 → 批判性/分心减少类似于心流的效果，但是实际上是因为资源不足，大脑自动“节能”处理，只关注当前任务，不再处理多任务干扰。

可能“看似”更容易进入心流，但实质是进入“窄化注意”状态，不是真正高效的心流。

通常清晨是更容易进入真正“高质量心流” 的黄金时间，大脑刚恢复资源，执行功能最完整（包括工作记忆、抑制干扰、情绪调控）

这可能为什么艺术家都需要环境和音乐以及一些小酒来激活自己的艺术细胞的原因

#人生

体验的本质

徒步体验，旅居体验，社交体验，人类一切的体验。

人类如果只学会一件事，便足以改变世界，那就是不要害怕体验。​

人啊，天生就有点怕这怕那。怕失败，怕丢脸，怕未知，怕麻烦。这种怕，让我们老待在舒适圈里，不敢往前迈一步。可问题在于，所有的成长、所有的改变，都藏在“试一试”后面。你不试，就啥都没有。

恐惧让人觉得可怕，比如现在好多人一听 “AI” “编程”，就头大，说“太难了，我不行”。结果呢？不敢试，就真不会，慢慢就被甩在后面。

还有一种怕，是怕面对自己。怕承认自己错了，怕看清自己想要啥，怕跟别人不一样。这种怕多了，人就活得憋屈，连带着跟别人相处也别扭。

别老缩着，敢去试试，敢去感受，人生才有意思。

#人生

思考和想法

Thoughts and Reflections

flomo 记录的是思考过程中瞬间的认知片段。

想法是受到心理驱动的，是人类构建时间观的素材。想法是一切人类体验的前提。

我们自己还原自己的想法跳出来的过程，这一定不是大脑控制的，它是自发形成的，甚至人的大脑没办法控制想法的出现。

思考是对想法的加工处理，思考需要人的大脑参与，并且消耗资源，所以思考是很困难的，人类即使愿意承担痛苦也不愿意主动思考。

但是好像，思考也是产生痛苦的根源。

但是好像，乐观心态往往不是推理得出，而是一种更本能、更直觉的状态。

所以往往对某一件事情的第一反应往往是自己的感性状态，这个是最接近真实的，而不是后面思考，理性后的或者有情绪化后的决定。

虽然但是，， 思考不是很重要吗，这样好像有些冲突？ 思考又会导致不幸福？

人活着，总得长大，总得搞明白点啥

成长这东西，离不开思考，你得靠它去超越那些直觉的、表面的东西，才能弄清楚自己到底想要啥，咋做才更好。

所以，停止思考 & 主动思考，本身也是一种平衡。

#人生

大脑进化的思考

大脑的复杂计算针对人类进化以来，对生存和安全意识的本能。但是心灵的快乐和幸福，是无能为力的。

大脑的任务是维持生存，意识是任务是营造满足感。

如果你想获得自由、快乐、平静和充盈的爱，就不能听凭大脑指挥，安于身体健康；要打破这种局限，追求更崇高的心灵健康。

#人生

知人者智，自知者明

大部分人都在以自己的想法和观点衡量这个世界。我们赋予一件事的意义（或观点）最终决定了我们对它的感受。

也是个人的三观决定个人对某一个事物的观点看法，即使是对于工作，有的人觉得工作很开心，有的人觉得工作很痛苦。

如果你去思考一下，如果不再有 "我恨工作" 的想法，你会成为什么样的人？

很多人没有思考过，作为元认知，理解情绪存在的本身。

生气的时候思考生气的原因，生气的本质是什么，客观的记录下来，自然而然就能解决了。

#人生

知人者智，自知者明

大部分人都在以自己的想法和观点衡量这个世界。我们赋予一件事的意义（或观点）最终决定了我们对它的感受。

也是个人的三观决定个人对某一个事物的观点看法，即使是对于工作，有的人觉得工作很开心，有的人觉得工作很痛苦。

如果你去思考一下，如果不再有 "我恨工作" 的想法，你会成为什么样的人？

很多人没有思考过，作为元认知，理解情绪存在的本身。

生气的时候思考生气的原因，生气的本质是什么，客观的记录下来，自然而然就能解决了。

#人生

宁愿忍受苦难，也不离开让自己痛苦的舒适圈

出于对未知的恐惧，人们更愿意忍受熟悉的痛苦。

人性更有的熟悉者偏好，即使这些偏好并不是很好

已知的痛苦好像人们更知道自己如何去面对。

AI 时代的独立开发，前端是主力战场

AI 模型把核心服务变为通用服务。后端更简单，没有技术壁垒。

SaaS、PaaS 提供商把基础能力封装，直接使用云服务就能解决很多问题，而不需要再实现。

前端成为“用户价值交付”的关键场所，并且更容易聚焦 MVP 和单人产品闭环，用 Next.js/Tailwind/Firebase/Vercel 一套就能完成全栈交付。可以快速验证“功能 → 价值 → 增长”的链条。

数据库、权限、存储、模型调用都在朝平台化发展（Supabase、LangChain、Replicate、Vercel AI SDK），独立开发者无需从 0 写后端，只需“集成”，不必“构建”。

AI 把“智能”这部分从后端解耦了，前端才是离用户最近、变化最大、价值最集中的战场。

#领域

用户故事推动开发

小团队可以实践的 DDD 理论和敏捷开发理论。

快速迭代是关键，设定一个版本，对初版本进行迭代开发，设定迭代周期以及迭代任务，尽可能把迭代周期以周为单位。

持续集成、持续部署很重要，减少后期维护和代码验证，尤其是 AI 时代这个能力变得尤其重要，避免反工。

用户反馈驱动开发（用户故事 -> 开发 -> 验证），而不是写原型和需求，这样没有意义。

用看板记录任务进度。

每一个迭代后的总结，统计，反思。以及在一个周期任务。

#领域

deepwiki 的使用思考

deepwiki 很多理念非常值得借鉴，其实之前也在不断的学习各种开源项目，基本上都是借鉴 cursor 还有 deep research 工具，也总结过一些关于如何快速学习一个开源项目的套路，这次也是deepwiki 特别方便的一点，能让你快速的生成项目的文档摘要。

操作上只需将任意 GitHub 仓库的链接中的 github.com 替换为 deepwiki.com，即可访问该项目的 DeepWiki 页面。

其实这个操作对开发者来说很熟悉了，这也是一点启发，就是如何针对用户快捷的有一个入口，不一定是插件的形式，可以针对场景有一个快捷的操作。

再有的一点，就是 deep research 可用的场景还是很多的，一般切入一个大众且垂直的场景很重要。

#领域

停止思考

最大程度上减少思考的前提就是意识到我们正在思考。

也就是所谓的元认知，通过一个上帝的视角上观察我们的思考。

也就是有些问题，如果意识到思考会很痛苦，意识到停止思考可以交给时间去解决，那么就不用去纠结了，停止思考，让答案自然而然的呈现出来吧。

#人生

极致的理性就是感性新的思考

之前在 ACT 的山上，我和一个学哲学的朋友还有同伴聊到了一个挺有意思的话题：极致的感性就是理性，或者反过来，极致的理性就是感性。

后来自己想了想，觉得这个过程其实挺自然的，就像一个循环：从感性出发，经过理性的分析，最后又回到感性。感性是我们最原始的感受，比如快乐、悲伤、好奇这些情绪和直觉。它们就像原料，驱动我们去思考、去探索。比如，我对某件事感到好奇，就会想去了解它，这时候理性就登场了。理性帮我分析、推理，试图从感性的混沌中找出规律和答案。但有趣的是，不管我怎么理性地思考，最终的目的还是为了满足感性的需求——比如，理解了某件事后，我会感到满足，或者用这些理解来指导我的生活，让自己更快乐。

在这个过程中，我发现“有我”是非常重要的。思考不仅仅是对外在世界的探索，更是对自己的认识。我通过理性分析自己的感性体验，逐渐看清自己的价值观、动机和需求。比如，我问自己“为什么这件事让我快乐？”，这其实就是在用理性去挖掘感性的根源。最终，这种思考会让我更了解自己，做出更符合内心的选择。

所以，感性 -> 理性 -> 感性的循环，其实是一个自然而然的过程。理性是工具，感性是起点和终点。任何理性的权衡利弊，都离不开真诚面对自己的感性需求。就像朋友们最近讨论的，不管我们怎么用理性去分析，最终还是要回归到感性本身，去感受、去体验。这个思考让我有种豁然开朗的感觉。之前在山上讨论时，我只抓住了结论，但现在我明白了背后的逻辑：感性和理性不是对立的，而是相互依存、相互转化的。极致的理性会触及感性的深层，而极致的感性也蕴含着理性的逻辑。思考的本质就是在这个循环中不断深化对世界和自我的理解。这让我觉得，生活里那些看似矛盾的东西，其实都是连在一起的，只要用心去感受和思考，就能找到属于自己的答案。

#人生

中国的电商机会为什么巨大

为什么是杭州，杭州是全世界电商最发达的城市，电子商务中心。

杭州、整个浙江，自古就是小商品经济、家族手工业、贸易精神最旺盛的地方，也是民营企业最旺盛的地方。

中国是全球电商交易总量最大、渗透率最高的国家，电商在社会零售总额的占比已经超过30%+，远高于美国、日本、欧洲。

相比较美国和日本，为什么美国电商也如此发达，以及日本的电商为什么发展不起来。

时代背景和社会文化决定的。

中国：线下太烂，电商救命。

美国：线下够大，电商补足。

日本：线下太好，电商没必要。

中国是最有潜力做电商的国家。

美国的本质原因在于物流半径大 → 电商作为提升覆盖率的补充，把原本难以覆盖的小镇、远郊市场数字化。

人类的勇气

勇于攀登珠峰的人类，人类首要的品质就是勇气。

有时候很欣赏一些本能的勇气，动物之间也会存在本能的勇气，面对危险时的本能反应，狗去保护主人的本能，母亲保护孩子的本能。

但是人类很多的勇气往往超过了本能，更多是理性和价值观驱动，是在“害怕”中依然选择行动，带有超越本能的自我控制。

勇气是所有美德的底座。

比如你想要诚实，需要勇气，因为讲真话常常要面对不舒服的局面；你想要仁慈，需要勇气，因为善良有时候意味着要冒着自己受伤的风险；你想要公正，需要勇气，因为伸张正义经常会得罪人、遭到打击。

没有勇气，感觉所有的品质都是头脑中的幻想 ...

勇气的本质，是在面对恐惧、痛苦、压力的时候，仍然选择去做自己知道是对的事。

勇气不是鲁莽，我的评价标准是，是明知道危险、痛苦、代价，但在权衡之后，仍然理性而坚定地选择行动，但是鲁莽时候如果不达到预期会后悔。

其实也是一种东方文化和西方文化勇敢体系的平衡，一面的极端是顺从、妥协、忍耐到失去自我，一面的极端是盲目抗争、自我膨胀，忽视了和世界共处的智慧。

“勇气不是美德之一，是最重要的那个。”因为它是行动的发动机，是支撑一切的骨架。

靠嘴巴输出美德很容易，但是有勇气行动、很难，身教胜于言教。

#人生/成长

人类的好奇心驱使着人类前进探索

看了流浪 Cookie 无氧登 8000 米安娜普尔纳的视频，以及之前登珠峰航拍视频。

视频中人类的渺小和艰难，以及不断的有人在这过程中离世。不由得思考

人类有必要登顶吗？这么多人登顶珠峰的意义是什么？人类需要这样做吗？

如果人类只是满足生存的需要当然没有意义。

这么说，航海时代的探险、科学的突破等好像都没有意义。

有意义的是什么？ 人类不屈不挠的精神和对未知的永恒渴望，人类对自然规律的敬重。

人类区别于其他物种的一个重要特征，就是对未知的探索欲望和对极限的挑战精神。

这是人类进步的根本。

生物的本能告诉我们应该恐惧，屈服。

勇气也是这个世界给予人类的嘉奖。

#领域/软件工程

软件工程以终为始的理念以及 TDD

之前说到过 TDD 是 AI 时代的软件开发的最佳实践。

软件工程中的以终为始也是类似的，从结果的角度上思考问题。

任何的事情，都是先思考再执行，两个步骤：

1. 在头脑中构思蓝图

2. 将构思赋予实践

一些案例：

1. 测试驱动开发（TDD）：先编写测试用例，明确预期结果，再进行开发。

2. 持续集成（CI）：保持软件始终处于可运行状态，确保每次更改都不会破坏系统。

3. 亚马逊的“向后工作法”：开发新产品时，先撰写新闻稿和FAQ，明确用户价值，再进行开发。

#领域/软件工程

一些难易的讨论，元认知

刚刚看到猫想到了这个话题，故意问了一下搭子，猫最近频繁的拉屎，家里都是味道，做饭阿姨提醒我们要解决，说杭州夏天可能更严重。我思考了一下这个事情好像很早就不可避免，但是一直推到今天。我在想为什么这件事情，感觉明明是重要且紧急的事情反而没被解决，因为这是偏生活类的，并不影响自己的专业素养。因为思考这件事情就需要解决这个问题，解决问题是很麻烦的。我调侃搭子，受苦比解决问题更容易，这个事情解决的话就很麻烦，但是我们忍一忍，不去想未来的后果是什么样的，感觉也能习惯和忍受。

1. 受苦比解决问题来得容易

2. 承受不幸比享受幸福来得简单

3. 多数人宁愿做任何事也要逃避真正的思考

4. 撑住面子比承认错误来的跟简单

5. 伪装也比保持真诚跟容易

6. 抱怨环境比改变自己跟容易

7. 沉溺回忆也比放手过去来的更容易。

人性的底层是什么，恐惧，骄傲，惰性，惰性，对真实的渴望。每一点可以是光辉，也能是摧毁人的武器。

#人生/成长

听了一下陈乐一的演唱

想起来了张小龙说的 “不听摇滚的程序员不是好产品经理”

很喜欢陈乐一，也是一个00后女生，但是对场上的把控力非常好，而且唱的很有力量，让人一眼觉得是适合舞台的女孩。

摇滚精神代表着反传统、人性、自由和找到本性状态。

音乐代表着感性力量，音乐代表着表达。

我们的理工男，编程，核心职责通常是逻辑严谨地实现功能，遵循既定规则和需求文档，解决技术难题。这更侧重于“How”（如何实现）

为什么这样做，为谁做，怎么做，需要更强的同理心、创造力、商业嗅觉和打破常规的勇气。

从遵循规则到定义规则，从技术实现到用户价值，从逻辑推导到感性洞察。

这些：

1. 敢于挑战和创新 (反传统、自由)的人

2. 深刻理解并关怀人 (人性、本性) 的人

3. 拥有独立思考和与众不同的能力 (做与众不同的事) 的人

ps 最后还混到合影了

#人生/成长

理性是一种工具

理性这东西，说白了就是个工具，它是为了达到目的服务的，比如赚钱、解决问题，所以带着功利性。可它有个毛病，干巴巴的语言和逻辑，抓不住人的情感和直觉。你喜欢一个人，理性顶多说“因为他性格好”，但这哪能讲透那股莫名其妙的心动，语言本身也是一种工具，毕竟是有限的？真正的喜欢没理由，感性才是主角。感性和潜意识有时候比理性更真实，像艺术创作、人际关系，全靠它撑场子。理性呢，事后复盘一下挺好，但别指望它包办一切。他提醒要“处理好边界”，就是别一根筋—该动感情时别冷冰冰分析，该算计时也别光凭感觉瞎撞。简单说，理性是把刀，感性是心火，聪明人知道啥时候用哪个。记下来，生活中多琢磨这平衡，别让工具骑到头上，也别让冲动坏了大事。

#人生/成长

继续阅读微信产品观一些思考

1. 保持粗放，保持笨拙： 抓大的特性、忽略小的特性，加上去不如不做

2. 解决方案如果设计的太复杂了，那很有可能是问题错了

3. 即使是极小、几乎可以忽略的细节，也能透出背后的认知体系、品牌气质和文化自信。

4. 其实可插拔的能力一方面可以是工程上的能力，一方面也可以站在用户的角度上考虑，一些不重要的功能可以做成插件的形式可选择。

5. 真正优秀的体验创新，不是用户说“哇好神奇”，而是用户觉得“本来就应该这样”，把用户体验做到极致就是创新

6. 产品是由理性构建，却用来表达感性

7. 训练直觉，理性训练直觉，对复杂问题的解决，可能不是来自于推理，而是来自于直觉。

8. 你的短板可能是你的强项，社交恐惧者更能做好社交产品

9. 产品理念决定了产品的高度。

10. 作品，而不是产品。

#人生/成长

包容、理解和宽怒

包容指的是接受和容忍他人的不同观点、行为或习惯，即使这些可能与自己的信念或习惯相冲突。它通常表现为一种对外在差异的接纳，可能不需要深入探究对方的内心世界。

理解则更进一步，意味着深入了解和领会他人的思想、情感和动机。它要求我们尝试站在对方的角度，去体会他们的感受和处境。

包容更多是一种行为上的克制，避免自己出现情绪冲突，不一定需要很多认知努力，但是如果缺乏内在的认同，这种包容可能是表面的，甚至在压力下难以维持。

理解更难，理解需要更多的努力和投入。要真正理解他人，我们必须跨越自己的主观视角，走进对方的内心世界。

但是真正的包容还是以理解为前提的，没有理解的包容好像也只是短暂的表面的维持关系。

包容是一种对外在差异的接纳，即使不完全理解对方的内心，也可以通过行为上的宽容来实现。而理解则要求我们超越自己的经验和局限，进入他人的精神世界，这是一种认知和情感上的跨越。

比理解更难得的是什么，要求我们跨越偏见和认知局限去理解他人，还需要在理解的基础上，放下怨恨与愤怒，用宽容回应伤害，感觉是人性更深层次的挑战。

#人生/成长

元认知

元认知的本质是对认知的认知。

比如说，知道自己在思考，观察自己走路。

意识到自己的行为，也是有被动元认知和主动元认知。

从被动到主动，这是一个转折点。当一个人能主动开启第三视角、开始持续反观自己的思维和行为时，就意味着他真正开始觉醒了，他有了快速成长的可能。

感性至上

理性作为意识，感性好像能作为潜意识的一部分的，这时候我们去理解产品，理解用户的行为，不由得开阔。

有时候看书看到一些关键的情节，或者自己感觉到临界点，自己会停下来，思考为什么这个观点会对自己有触动或者启发，这个触动或者启发是否能用到其他的事情上面，这个启发点是否有类似的知识。

确实我一直认为感性是一个很好的养分或者原料去引导自己去思考，之前问过朋友很多次，自己最感动的瞬间，这是自己的感性力量。

1. 为什么动感情了，原因是什么。

2. 为什么这个产品特别吸引到我，是否有什么与众不同。

3. 为什么我特别沉浸在这个剧情中。

感性是原料，帮助选择，理性帮助我们思考，总结，训练。

一方面，如何去训练和思考我们自己，感性是一个很好的指南，或者说是寻找使命感。

1. 你最想帮助的是哪些人

2. 你做的什么事情是让你觉得最感动的

3. 你最让人感动的时刻

4. 没有任何的经济压力，你准备怎么样度过余生。

5. 闲暇的时候，关注最多的是什么。

怎么样捕捉别人的感性，通过感性是最好的去了解一个人的方式。

1. 哪些事情最能让人记忆深刻，最

2. 哪些事情总是涌现，总

3. 无意识的第一反应，往往是第一个念头是什么

4. 梦镜，日有所思，夜有所梦。一直不是很相信梦镜，但是梦镜是内心真实的展示，喝醉酒好像也是。

5. 身体的反应，身体更能告诉你你需要什么，想吃辣，想吃素，想睡觉，那就听身体的吧。

6. 直觉

#人生/成长

潜意识的作用力

我们探讨过 AI 是否存在自我意识到问题，我们除了自己，没办法判断对方是否存在意识，何况对方是 AI ，我们只能通用一些学科方法，比如说图灵测试，来判断 AI 是否能满足自我调整、自我优化。

突然想到对于人类来说，潜意识的作用力也是巨大的。潜意识是指：没有被意识觉察到，但影响行为、情绪和思考的心理过程。

但是对 AI模型来说，模型的本身可能就存在了一些无法理解的黑箱操作。比如说大模型内部的权重、激活模式，可能影响了回答，但连开发者、AI本身也无法明确知道具体怎么影响的。

我们行为中大部分的受到潜意识的影响，我们依赖“系统一”（潜意识），只有遇到冲突或新情况时才唤起“系统二”（理性思考）

所以对于大部分的人来说，我们的判断和决策，往往受到过往经验、情绪、文化暗示的驱动，而非理性分析

潜意识执行速度更快，能量更低，所以做产品的时候，如何做到执行的路径更短，需要学习的产品用起来是非常累的，大部分的如果依靠直觉匹配可以学习的，或者人可以依靠奖励模型去学习，产品执行路径越短，用户所需的“意识介入”越少，也就是——越像“潜意识行为”。

用户需要引导，而不是教育。

不需要告诉用户你有多高，只需要上瘾即可。

耗能高，对于人的成长帮助更大，但是不幸的是，人类天生不喜欢学习和思考，因为这类事极其耗能。在漫长的进化过程中，生命的首要任务是生存，高耗能是对生命的消耗，也是大部分的人愿意呆在舒适区的原因。

勤奋掩饰思想上的无能。

受苦比解决问题来得容易，承受不幸比享受幸福来得简单，对于多数人来说，人们为了逃避真正的思考，愿意做任何的事情。

所以说： 认知模糊来自内部，而情绪模糊来自外界。

#人生/成长

没有耐心

我好像太期望过早的做一些有意义的事情。

或者急于求成。

但是缺乏耐心好像并不是一件可耻的事情，这些就是人天性的一部分。

婴儿刚出生时，理智脑的作用极其微弱。

人的耐力也是符合复利效应的增长。复利效应显示了价值积累的普遍规律：前期增长非常缓慢，但到达一个拐点后会飞速增长。这个“世界第八大奇迹”[插图]揭示的正是这种力量，不过要想获得这种力量，我们需要冷静面对前期缓慢的增长并坚持到拐点。

人的耐力成长也受到了舒适区边缘效应。

舒适区边缘另一个重要的规律是它揭示了能力成长的普遍法则：无论个体还是群体，其能力都以“舒适区—拉伸区—困难区”的形式分布，要想让自己高效成长，必须让自己始终处于舒适区的边缘，贸然跨到困难区会让自己受挫，而始终停留在舒适区会让自己停滞

即对于学习而言，学习之后的思考、思考之后的行动、行动之后的改变更重要，如果不盯住内层的改变量，那么在表层投入再多的学习量也会事倍功半；因此，从权重上看，改变量﹥行动量﹥思考量﹥学习量。

单纯保持学习输入是简单的，而思考、行动和改变则相对困难。在缺乏觉知的情况下，我们会本能地避难趋易。

读书时不求记住书中的全部知识，只要有一两个观点促使自己发生了切实的改变就足够了，其收获与意义比读很多书但仅停留在知道的层面要大得多。

但是为什么有些人面对一个事情本身特别专注，一方面可能是训练过，或者擅长探索底层原理，但是最高级的方法是请本能脑和情绪脑出动来解决困难，感受到困难的事情并且上瘾，这点真的很厉害，极度理性的人应该是极度理解自己的人。

#人生/成长

焦虑的本质

焦虑的本质是想做很多事情，又想立即看到效果。

人的一切的愤怒都是对自己无能的愤怒。

自己的欲望大于能力，又极度缺乏耐心。焦虑就是因为欲望与能力之间差距过大。

人性的本质是什么，急于求成，想同时做很多事；避难趋易，想不怎么努力就立即看到效果。

为什么现代社会的焦虑和痛苦很多了， 因为节奏和竞争更激烈了，天性被放大了。

比如说，现代的人经历过红利或者暴富，一旦尝到快钱，人就难以再忍受“推迟满足”和“过程缓慢”的心理落差，这其实不是钱的问题，而是人的欲望系统被重新标定了。

但终究要回到现实面对规则：要想有所成就，必须保持耐心，延迟满足。

#人生/成长

对不婚主义 & 大龄单身男女分析

中国有大量的非自愿单身男性，有大量的大龄单身女性。

在中国文化的产物下，思想观念较刻板单一的人们总认为任何人生都必然需要结婚生子，尤其任何女性或多或少必须依靠婚姻养活，婚姻对于任何时代的任何女性都必定是事关生死存亡的生存工具，任何大龄未婚女性都必定生活凄苦心灵空虚，他们称呼这类人群为“老剩女

在发达国家思想观念较为个性化、比较容易接受新思想的人们认为，如果女性能有自力更生的独立经济基础自给自足，那么大龄未婚女性其实无非是因人而异因地制宜的个人选择而已，甚至很多时候如果你的性格作风、兴趣爱好真不适合结婚这一生活方式，那么不结婚才是真正适合自己的，也才能真正生活开心、快乐。

中国的歧视为什么一直存在？ 大龄歧视，大龄单身歧视，女性歧视，学历歧视，地域歧视。

歧视的本质是什么？ 歧视是什么？

歧视不是基于一个人做了什么，而是基于这个人“是什么”而进行差别对待

本质是什么，希望对权利的不平等的延续，认知懒惰导致对复杂现实的简化处理，以及群体偏好对异己的心理防御。

感觉歧视是一种看不见的剥夺，无在乎对方做了什么，只因为对方是什么。

句句回应

某一刻突然意识到自己好像和朋友聊天没有做到句句回应，突然反省到这件事情，于是赶紧把一些没有回复的聊天都找出来，回复一下，但是回复回复的过程中，感觉自己像 AI ，AI 不就是这样和我聊天的嘛，现在的 AI 还没有情感，冷冰冰的回应，我晕 ... 我意识到我活成 AI 了，哈哈哈 开个玩笑。

回应是一个很好的品质嘛，工作场所可能是职业素养，但是生活中我更看重的真诚、自然

中国人特别在意回应，可能跟文化上重视面子和人际关系有关，不回消息可能会让人觉得你不在乎对方，甚至有点“失礼”。但他自己却更倾向于接受自己会忽略回应，认为句句回应会显得机械、不自然，像机器人一样。

沟通的艺术感觉在于真诚与分寸的微妙平衡，句句回应在正式场合显得专业而有礼，但在亲密关系里却可能让人感到刻意和疏远，我觉得真正的交流不是字面上的你来我往，而是心与心的共振，在对的时候说对的话，不必每句都回，却能让人感受到温暖和自然，欣赏一个人也不是看他回复得多勤快，而是他能不能在不同场景里灵活切换，既真诚又舒服，活在当下用心去听去说，才是对话的温度和意义。

#人生/成长

开源商业化的一些思考

开源项目 star 数量多虽能提升曝光度，但并不直接等同于融资与盈利。其次，开源项目好并不等同于能吸引用户，开源项目的商业化所需的市场投入甚至可能远大于技术投入。 另一方面，要根据自己的赛道选择正确客户画像，不盲目追求标杆和大厂，尽可能证明一个可快速复制的用户画像，找到属于自己的客群。个人不建议做 ToC 开源，可以做技术 To Professional。最后，做第一批某成功产品的开源替代，可以省去验证大客群这一步。

实际上产品形态可以是很多种

• 开源库 + 付费增强版（Pro）

• SaaS 服务 + 本地部署版

• CLI 工具 + 云托管界面

• 插件生态 + 文档支持

其实面向的都是一部分的专业用户，这些用户虽然不是企业，但有一定预算、刚需场景和强技能背景，能理解并愿意为优质工具付费或参与贡献。

人类好像是会自我解释的动物，大部分我们以为的思考，实际上是对我们自己的一些行为进行一些合理化的解释。

好奇心到底是在哪里？

好像是为了寻找答案而去寻找问题真的很没趣，这群人的好奇心都在思考用户有什么问题上。

但是道理其实很简单，从自己生活中的问题中获取灵感，自己是否留心身边的问题，这点很重要。

但是往往最简单的道理却被很多人忽视。

核心是一个人能不能面对真实的自己。

为什么旅程中思考的更多

每个人都在做，因为每个人都有同样的问题。那么，如何才能找到真正独特新颖的问题呢？那就是让自己变得更加独特新颖。如果我不去旅行和工作，我就没有新颖的 idea 和思考了。

为什么要和别人走一样的路？ 不值得

deep research 把重要的信息保存起来也是一个非常重要的功能

deep reserch 生成的信息可能是各种形式，或许也是比较重要或者比较复杂的信息，将这些信息能灵活的保存起来也是非常有意思并且重要的。

一个是灵活的接入各种的 MCP 工具，一个是对 MCP 的各种的能力优雅的集成。

再就是笔记模块也能提供 MCP 入口，用户可以快捷的将笔记保存进来。

对于调用方来说，如何灵活的集成 MCP 模块也很重要，感觉业务中一般都会自己去做 MCP 网关。

推荐的最佳实践

当前的最佳实践涉及对用户和内容的深度语义理解，通常借助 LLM 生成的嵌入向量实现。

强化学习（RL）被用于优化长期用户价值：现在推荐系统不仅优化用户当前的点击行为（短期指标），还使用强化学习方法来模拟和最大化用户的长期价值，例如提升用户粘性、留存和生命周期价值等。

LLM 在实现对话式推荐、处理冷启动问题以及提升推荐解释性方面展现出巨大潜力。

捕捉用户的短期兴趣和意图变化，序列推荐（Sequential Recommendation）模型根据用户最近的行为序列预测其下一步可能感兴趣的物品。

后面可能更重要的是 解释者（解释推荐理由 ）、对话伙伴（与用户讨论需求）、需求挖掘者（帮助用户澄清模糊的意图）甚至内容创作者（生成与推荐相关的叙述或摘要 ）的角色。

#领域/软件工程

发自内心的喜欢上阅读

阅读是一种自我发现的过程，与其说是获取知识，不如说是与内心对话。工具能让我们在信息洪流中快速筛选，但真正的滋养来自沉浸书中时那份情感与共鸣。现代人对效率的追逐常让我们陷入焦虑——读下去累，不读又后悔。可阅读不应是表演，而是自然的选择，是内在成长的一部分。自由不在于工具多寡，而在于能否听从内心，找到让自己丰盈的方式。我们为何阅读？不是为了填补空白，而是为了点亮灵魂。这才是阅读最本质的馈赠。

但是，这个社会不允许。

#人生

渲染的想法

其实本质上一定程度上相信AI

页面上的结构需要约束，但是或许也可以放开一部分，这部分就是 AI 成长的空间。

举个例子，AI 给文章生成摘要，摘要有摘要合适的格式，对应的排版，抛开摘要，可能下一个是精彩句子，精彩句子往往对应的原文中的图片，所以又是另外的一种排版。再就是展现的形式，或许可以展现为对话的方式去讲解，总之，或许可以给页面留下一些操作空间，让页面自由发挥。AI 可以去创建出某种格式，页面更具某一种格式知道如何渲染更佳。

渲染的 UI：https://github.com/wandb/openui

在一定的空间内给 AI 想象力，让 AI 自由发挥！

AI 成为页面结构的“设计建议者”

页面是“格式解释器”

用户看的是AI 编排下的最佳阅读体验。

还有一点或许很重要的是像 https://quizlet.com/ 一样优雅的把数据展现出来也很重要。

#AI/product

分享 & 情绪 & 表达

我们明知道网络上的反馈往往不稳定、情绪价值不高，但还是会忍不住分享。

人有一种“想被看见”的冲动，哪怕只是潜在地希望某个特定人或群体看到。这和“微信状态”或者“朋友圈背景音乐”有点像，是一种默默地在说话。

分享有时候是对当下体验的确认和存档。

发出一张卡片、一张图、一段感受，不一定是为了别人回应，而是像在说：“这段情绪我不想让它白白过去。”

比如说，钓鱼佬的目的不是每一竿都指望鱼上钩，但钓着的姿态就很重要，是一种“我在场”的象征。

好像也是网上同频人的社交圈

一个让人“有借口分享自己”的产品功能，可能比“能分享内容”的功能更有传播力。

读完这句，沉默了3秒 / 送给凌晨3点还醒着的你

碎片化时代，碎片化的语言，触动碎片化的我们

仪式感 + 周结 -> 朋友圈，彰显自己，就和网易云音乐的年度总结

这是我今天最喜欢的一段话，你呢？

#AI/product

GraphQL 和 REST 在 AI 产品开发中的适用性分析

GraphQL 最核心的优势是数据灵活，数据格式越干净，预处理成本越低。

GraphQL schema 可以直接转为自然语言描述，这个想法很妙。Schema 本身是强类型的，定义了数据结构和关系，但是 rest 是分散的，LLM 需要理解其中的关系。

GraphQL 一次性解决所有的请求，并且支持批量查询和订阅（subscription），比如实时更新推荐结果

GraphQL 的 schema 很灵活，加个新字段不影响老客户端，避免了版本管理

项目中的建议

1. 选择GraphQL情况：需要处理多类型数据（比如文本、图像、实时流）或者复杂的关系（用户-订单-物流）、需要快速迭代，并且 AI agent 直接根据 schema 做决策、

2. 选择 rest API 情况：项目简单到不需要 GraphQL 的花活，REST 也没啥问题，毕竟它够稳

客户端选择： Altair（🌟最佳 GraphQL 客户端）

#AI

启动浏览器通知的必要性

很多的网页，LLM 系统，需要处理很长时间，针对长时间的处理，用户不知道对应的 tab 什么时候会完成任务，此时启动完成提醒的功能尤其有意义啦。

性别的行为模式差异

社会如何塑造我们对性别、价值和关系的理解？

为什么中国的女性似乎更倾向于“内斗”或抱团，而男性之间却常表现为针对或冷漠？为什么漂亮的女生容易被男女接纳，而好看的男生却难以得到同性的欣赏？

从女性之间的“内斗”说起，这不是简单的嫉妒或攀比，而是社会对女性定义的缩影。女性从小被灌输外貌、地位和认可的重要性，这些东西被塑造成一种稀缺资源。

这种竞争不是天性，而是社会期待的产物。反过来，男性间的关系却少了这层“软性”的较量。他们更常在职业、经济这些“硬实力”上针锋相对，外貌或社交地位很少成为焦点。

价值的定义从来不是中立的，它是被文化和期待雕琢出来的。

感觉社会有一个网，把我们圈起来，约束每一个人。社会需要某种规则来支撑资源分配、角色分工和身份认同。中国女性的地位为什么分层这么严重，在改革开放后家庭出生的女性地位相比较日韩的女性，后者更像是缓缓的成长期并没有一些剧烈变化和反省。

但是这种竞争真的是天性吗？还是说这更是社会期待的产物，好像结合西方文化上来看未必是天性。

#人生

其实 xhs 上缺的是情感的价值

或许有一个点，AI 帮我快速的生成有价值的段落或者片段，xhs 可以快速的将这个段落片段发布，一些情绪价值，调动情绪的故事，或者片段。

crewAI 对比 LangGraph

LangGraph 因其先进功能更适合未来复杂 AI 系统，而 crewAI 因易用性和广泛采用也具潜力。未来趋势可能偏向两者结合，但 LangGraph 似乎更具优势。

LangGraph 提供状态管理、人机交互和调试时间旅行，适合复杂任务；crewAI 强调协作智能和无代码工具，易于快速部署。

选择，对于轻量化、原型开发的选择 crewAI，对于一些工程的选择 LangGraph。

refer: https://github.com/crewAIInc/crewAI

团队 & 个人知识助手

Anything-LLM 是一个工具，让你把像 Notion、PDF、Markdown 文件等内容喂给大语言模型，然后用它来做智能问答、搜索和总结等任务。你可以在自己的电脑或者服务器上运行，数据不会上传云端，比较适合团队或个人搭建私有知识助手。

• 上传文档，一键变成“聊天资料库”：比如你可以导入一本电子书、一个项目的说明文档，甚至整个 Notion workspace。

• 问它问题，它用你的内容来回答：比如“我们上次的设计会议定了哪些功能？”或者“这份白皮书的核心观点是什么？”

• 支持多用户和多数据源：可作为公司内部文档问答机器人，也可用于个人信息管理。

• 支持多种大模型后端：支持 OpenAI、Ollama（本地 LLM）、Groq 等，可以自由切换。

LLM 推理模型，以及后面的预测

未来的模型可能是适应性智能，将更智能地判断何时需要深度思考，何时快速回应，自动在不同模式间切换。

用户可参与AI的思考过程，指导或纠正推理方向。

并且后面好像多模态的推理能力反而是趋势。

结构化输出可以显著的减少模型中的幻觉

OpenAI 通过施加约束、聚焦任务、方便验证等方式提高了输出的可控性和可靠性。

你要求模型输出特定格式（如JSON、XML、CSV或自定义模板）时，你实际上是在给模型的输出施加了明确的规则和边界。

并且结构化输出的本质是引导了模型的思维过程，在某些技术（如思维链提示 Chain-of-Thought）与结构化输出结合使用时，可以要求模型先在特定字段中列出其推理步骤或提取的关键信息，然后再给出最终答案。这使得模型的“思考”过程更加透明，有助于识别潜在的逻辑跳跃或事实错误。

UI 测试目前的成熟的 agent 的方法

一种是针对 UI 快照进行微调的多模态 LLM，安允许通过测试脚本以自然与燃编写，并且能自动导航到程序， QA.tech 感觉就是这一个类型。

还有一种就像是 Browser Use 这样，结合多模态基础模型和 Playwright 测试框架对网页结构深入的理解然后测试，这种不依赖特定的微调模型。

针对 AI 的设计模式

软件工程的 agent 的能力的提升，未来的很多的修改都可以交给 AI 完成，但是对 AI 友好的代码设计对于代码的可维护性至关重要。

DRY 原则可以减少重复代码，可以让 AI 的工作上下文更容易处理。并且目前为止，最适合 AI 的设计模式依然和传统的软件设计最佳实践密切相关。

可能随着 AI 的发展，后面会有更多的针对 AI 的设计模式出现。

#领域/软件工程

推理模型 & 强化学习背景下 prompt 的思考实践

好的提示词应该是清晰的（不模糊、易于理解）、具体的（明确指出要求，避免泛泛而谈）并且提供充足上下文（告知AI相关的背景信息）。

传统的提示方法需要推理模型的阶段纠正：

观察 1: 少样本提示 (Few-shot Prompting) vs. 零样本提示 (Zero-shot Prompting)

• 少样本提示: 在提示词中给模型提供几个示例（输入+期望输出），让模型学习模式。

• 零样本提示: 直接给出任务指令，不提供示例。

• 发现: 对于推理模型，简单的零样本提示（直接下指令）可能比少样本提示（给例子）效果更好。这可能意味着推理模型本身理解指令的能力很强，给例子反而可能限制或误导它。

观察 2: 思维链 (Chain-of-Thought, CoT) 提示技术

• CoT: 一种引导模型“一步一步思考”的提示技巧，让模型先展示推理过程再给出答案，通常能提高复杂问题的准确率。

• 发现: 对于推理模型，使用CoT提示技术反而可能降低表现。

• 可能的原因: 这些先进的推理模型可能在训练时，已经通过强化学习等方式，内置了类似CoT的机制（微调过的CoT机制）。也就是说，它们本身就倾向于或被训练成按步骤思考，你再用CoT提示去强制引导，可能打乱了它内部优化好的流程，导致效果变差。

强化学习和微调旨在让模型更直接、更高效地完成特定任务。Prompt应侧重于定义“做什么”和“目标是什么”，而不是过于详细地规定“如何做”（除非“如何做”是任务的核心要求）。相信模型的能力，给予其一定的自主空间来解决问题，特别是对于那些经过专门微调的任务（如代码生成、摘要）

设计一系列连贯的Prompt，每个Prompt处理整体任务的一个环节。这对于构建自主代理（Agentic Applications）尤为重要。

#领域/软件工程

去中心化，基于对话的架构实践

想到了一个 AI 时代或许比较新的架构实践方案，建议流程 (Advice Process)

1. 规则： 任何人都可以做出架构决策。

2. 限定条件： 做决策前，必须咨询两类人：

   1. 所有会受该决策显著影响的人。

   2. 在该决策领域拥有专业知识的人。

重点： 决策者必须寻求建议、倾听并记录，但不必一定同意或采纳这些建议。目标是获取广泛的输入和声音，而非达成共识。

四个关键的要素：架构决策记录 (ADR - Architectural Decision Records)，架构咨询论坛 (AAF - Architecture Advisory Forum)，团队共创的架构原则 (Team-sourced Architectural Principles)，自建的技术雷达 (Your own Tech Radar)

#领域/软件工程

API 不再当成技术，而是当成产品

API 面向的群体，就像设计用户产品要考虑用户体验一样，设计 API 要考虑使用它的开发者的体验。

好的 API 设计合理，标准化，不仅仅用户好用，其他的业务好接入，对于AI来说也能更好的处理。

需要一些方法：

1. 可用的实例

2. 预配置的认证

3. 真实的测试数据

当作 API 产品的一部分来交付和管理，就像交付 API 代码和 API 文档一样。

#领域/软件工程

智者 & 哲学家

智者认为自己是博学或者聪明的人，诡辩学家是为了钱而去传授的人，哲学家是爱好智慧的人。

诡辩学家教人道理，并且收取学费，这样的人在生活中太常见了，教授人知识的老师，卖创业课程的老师。自认为有一些知识而自我满足的人，以及网络上自夸博学多闻但是实际上一无所知的人。

哲学家恰恰相反，知道自己的认知是非常有限的，这也是他们不断的追求真知灼见的原因。我只知道一件事，就是我一无所知。

人是否一出生就有羞耻感呢

羞耻感更像是一个社会适应机制，帮助个体在群体中维持良好关系，避免被排斥，也是为了让我们约束自己，符合集体的期望，增强自己合作交流的机会，人是社会性动物，离不开集体。

羞耻感是后天慢慢的形成的，新生儿主要是依靠本能的行为去生存。

但是在这个世界上一定有很多的地方，赤身裸体是一个很自然的事情，所以一定是一个社会决定你能做什么。

羞耻感其实并不是让你产生道德偏见的、也不是用来打倒你的，而是用来提醒你，你还在乎。

羞耻感很多时候也不应该成为逃避的借口，说错一句话，做错一个决定，冷落一个好人而羞愧，这不是软弱。

#人生/成长

AI 生成代码的思考

树底下思考了，最近出现的所有的关于 AI 生成代码的模块，感觉现在 AI 都是非常表面的，大部分的项目并没有使用很好的工具，或者做好生产级的准备。

真正好的项目应该是有很多的通用的学习模版，结构化的模版，辅助程序快速生成一款生产级别可用的产品。这个很重要， AI 要不仅仅完成简单的任务，并且 AI 是可以完成复杂的结构化的任务。

并且 AI 应该是可以成长的，所以很重要的一点，是 AI 在这个过程中，随着能力的提升，或者工具能力的提升，自己的上限是很大的。

这个过程中 MCP 很重要 ，MCP 规范了 AI 和工具的通信，A2A 也很重要， A2A 规范了 AI 与 AI 之间的通行。

规范确定好了后，关键需要的是一个成熟的系统，是否可以一键的完成工作流的发布。

甚至说现在协议出来后，我感觉一键生成 mcp 应用，或者给予现有的 cursor 生成 mcp 的应用的重要性也很大。

而且其实部署和项目模版都千差万别，基于此基础上去做一些实现或者逻辑，也是非常头疼的

担心什么？

1. 大家都担心安全，但是实际上如果应用的代码你完全可控，其实也未必需要担心。

2. OpenGrep 一些工具可以验证识别安全问题

Yao 好像就是做的这件事情，但是很明显的感觉 Yao 没有做好

什么时候应该上 i18n

MVP 阶段不应该考虑 i18

MVP 阶段最重要在于 “最小”（Minimum） 和 “可行”（Viable）

i18n 应该视为 验证成功后的优化或扩展 步骤

但是验证通过情况下考虑 i18 是很有必要的，修复发布后的 i18n Bug 成本可能是在编码阶段修复的 14 倍以上。如果系统考虑多语言情况下需要斟酌。

Stripe 手续费真高！但也真的是出海必备了

Stripe Checkout 搭建一个支付系统超级快，你不需要自己写 UI，只需一行代码即可跳转到 Stripe 的付款页。

AI 出海项目通常使用 Stripe、PayPal 和 TerraPay

但是不可否认的是 Stripe 提供完整的订阅计费管理、Webhooks、发票、试用、优惠券、税务等。

而且不需要你实地在美国注册公司。

#AI/product

时间上的思考

为什么感觉时间没有一个明确的清晰衡量因素。

感觉自己的时间一直不够用，但是又不知道自己用时间做了什么。

缺少一些规律化的行为。

具体几个小时的睡眠，具体什么时候起床，什么时候运动。

以及每天的办公时间、学习时间、阅读时间。

如果这些都有一个很好的规划或者安排，也许会更好。

对一些没有意义的谈话没有兴趣了，如果没有产生明显的碰撞或者收获，我不认为有什么东西是互联网没有的或者自己搜索不到的。

空谈是廉价且无效的，而创造一些东西则更具挑战性，也更能有效地改变世界。

请少说一点，多做一点

到底什么是重要的/

和自己爱的人相处

和激发自己好奇心和潜力的人相处

运动和户外让我感到幸福

探索新的地方

创意项目

说“不”是可以的，保持沉默并找到自己的焦点

PostHog 是否适合初创公司或者 MVP 阶段

posthog 我觉得是很适合 MVP 阶段集成驱动的。

MVP 的核心定义是： 用最小的成本验证核心产品假设、了解早期用户行为、收集反馈并指导下一步的产品迭代。

posthog 核心提供的功能有：

1. 事件驱动： 包括一些按钮的点击， 页面和功能的使用情况点击情况

2. 自动捕获前端事件，减少初期手动埋点的负担

3. 关键转化漏斗（如 注册 -> 创建第一个项目 -> 分享）

4. 用户会话录制 (Session Recording)这个挺牛的，理解 why

5. 可以直接在产品内部向特定用户群体（例如，刚完成某个核心操作的用户，或即将流失的用户）推送简短问卷，收集直接、情境化的反馈

6. 功能开关允许你向特定用户群体（如内测用户、部分新用户）发布新功能或 MVP 的变体，而无需重新部署整个应用。这极大地加速了 A/B 测试和灰度发布的过程，是 MVP 快速迭代的利器。你可以用数据验证新想法，效果不好可以快速关闭。

7. 监控提供了留存分析和关键数据信息仪表盘。

#AI/product

大模型的 Key Value 能力

Anthropic 提供了一个名为 "Prompt Caching" 的特性，旨在优化 API 调用效率。

本质上是注意力机制的预测 token 下，C 和 K 和 V 的存储灵活

1. 需要显式调用，默认没有开启

2. 用的是前缀存储，Prefix Caching。如果后续的 API 请求使用了与之前某个已缓存请求完全相同的前缀内容（直到 cache_control 标记点），并且 cache_control 标记在相同的位置，那么系统可以重用之前缓存的 K/V 状态，跳过对这部分前缀内容的重新计算 。

3. 主要好处是显著降低后续请求的延迟，并大幅削减成本。从缓存中读取（Cache Read）的 token 价格比正常输入 token 便宜 90%。首次将内容写入缓存（Cache Write）时，这些 token 的价格会比正常输入 token 贵 25% 。

4. TTL 为 5 分钟，并且长度最小 token 数要求1024

各厂商政策

1. OpenAI 写入缓存无额外费用，自动缓存。读取缓存可获得最高 50% 的折扣

2. 写入缓存有 25% 的附加费，但读取缓存的折扣高达 90%。缓存 TTL 固定为 5 分钟（可刷新）。

3. 用户需要使用 SDK 或 API 创建 CachedContent 对象，并可以自定义 TTL（默认为 1 小时）。用户拥有最高控制权，写入不要钱，但会产生基于 token-hours 的存储成本。读取缓存可获得 75% 的折扣。

比较常用的场景

1. 对话机器人，包括一些对话的案例，这些都是不变的，而用户的每一轮输入和历史对话会附加在后面。

2. 所以有一些技巧，可以将长长的、固定的系统提示放在 Prompt 最前面。通过在系统提示之后、用户输入/历史对话之前放置 cache_control 标记，可以让模型缓存处理系统提示后的 KV 状态。

3. 所以针对大量的相同规则的分类，其中的 prompt 也可以放入到存储中。

4. 在 Prompt 中提供几个完整的“输入-输出”示例，来指导模型在处理实际问题时的行为。这些示例通常是固定的，而最后的用户实际问题是变化的。

5. 再就是 RAG 中如果 [固定指令] 部分很长，可以缓存这部分。

#AI

服务层调用AI平台不需要 kong

Go Backend 调用 LLM 服务（Python）的时候，一般不走 Kong，而是 内网直接调用（IP、Service Name、Docker Compose / K8s 内部服务名）

Kong 是对外网服务的「边界网关」

直接调用性能更高、逻辑更清晰

内部服务如果内部和外部同时用的话，这时候可以让 LangGraph 同时暴露：

1. 一个用于 Kong 转发的公网接口

2. 一个用于 内网直连的 Internal-only 接口

#领域/软件工程

Browser Use 不到1w行代码融资1700美元，为什么！！

简单说 Browser Use 让大语言模型对网页的识别和操作的效率、准确度变高了，有利于 Agent 完成任务

定位： agnet 的基础服务一部分

MCP 是共识，不可否认，MCP 对 API 的封装。

但是还有部分的蛋糕，绝大多数服务没有 API，只有给人类提供的 GUI，而 Browser 是 GUI 的主要容器

Browser Use 是在模型能力不足时期的中间优化方案，如果这个时期足够长，它就价值很大，如果模型很快突破，它就会失去价值。

我觉得Agent 上下游相关配套基建都处于起步阶段，小团队很有机会把其中某个点做出彩。

https://github.com/browser-use/browser-use

#AI/product

Cursor 如何快速的学习一个项目

1. agnet 模式，问一个简单的问题，帮我分析这个项目的整体架构

2. 让 cursor 帮我画个架构图

3. 拷贝到在线工具里面预览https://www.mermaidchart.com/app

4. 帮我分析一下核心流程，以及入口文件

5. 顺着这个思路进一步阅读，分析一下当前函数，具体初始化了什么服务

#AI/open-source

测试技巧

也是涉及到 cli、web、api 相关。

cli 测试比较频繁，适合快速验证、单元测试这些，并且适合集成 UI

Web UI 来说适用于用户体验验证、端到端测试，但是也有问题，就是维护成本很大。

再就是 API 测试，很常见的，甚至可以通过一些工具去完成，更接近真实的业务，并且本身是潜入到工程的一部分。

一般的价值来说，还是 单元/cli > API > UI

同一个业务逻辑，被多种方法验证， 也是增加系统的鲁棒性一种方法。

其实 UI 测试还有一种套路，就是很多会区分页面，比如说可能方便测试，会有一个基础的 UI 界面体系，基础的页面一般都只限于做成静态的页面。

#领域/软件工程

CLI 调用业务还是 API

一般分为几种情况，如果自己开发的业务语言和想要写 CLI 的语言不一致，那肯定是选择 API

再就是取决于业务的需求，如果 CLI 只是满足本地的快速验证，快速调试执行，那么还是选择调用本地的核心逻辑，但是如果设计到远程的分布式任务，云服务，那么只能设计为 API。

再就是如果你觉得安全性、认证、权限控制这些很重要，那么也是直接调用 API。

参考 kubernetes 的 API， 其实主要是要把核心的逻辑封装抽象的很好，kubectl 是需要对远程的服务或者分布式的服务做调用，所以本身的分布式架构不得不选择 API。

#领域/软件工程

网络问题的产生的一系列反应

MacBook 突然没网了，尝试了很多的方法好像都没有用，包括 xhs 和 google 上的所有的方法，而且能感觉到自己开始情绪化，着急弄好，感受到自己的变化后，反过来静了一下，哪些是重要的，以及如何面对当下的问题，反而不着急解决了，而是看看能从这次网络事故中收获到什么。

还原现场很重要，我一直有一种方法论是很多时候，自己开始有一些情绪，无论是积极的还是消极的，不用着急去评价这个情绪，以及评价自己，而是客观的记录下来很重要，一个是客观的把自己的情绪记录下来，一个是客观的把自己对问题的信息记录下来，然后再去客观的分析这个问题。

对于自己的情绪，自己好像很会反思自己，尤其是反思自己的情绪，从感性角度上这是一个非常易于了解自己的一种方式，比如说坐大摆锤的那种紧张感，可能那时候在现场只需要感受这种情绪，回头突然有一些灵感，原来当初是这样的，以及为什么是这样的。这次也是一样，在遇到问题的时候好像反而能激发我的斗志，哪怕是不去睡觉我也希望把这个问题解决掉，潜意识自己一直非常渴望解决这个问题，所以某一个时间或者阶段，有一个很重要或者急需解决的问题的话，可以让我整个人沉浸在其中，这可能也是自己有一定拖延症的原因，在最后的关头，反而整个人的状态可以达到心流，但是这个其实也是可以优化的。

这次的事件是这样的：

我的是 MacBook 电脑，新版本的好像很多的配置和其他有些不同，之前的 VPN 是 ClashX， 但是最近发现 ClashX 容易导致电脑没网，看 ClashX 的日志，可能是 ClashX 配置的问题，然后没网的时候我就把电脑重启，重启一次电脑可以正常使用了， 但是 ClashX 经常这样没网，所以需要经常重启，后面想着这样也不是办法，于是准备换一个，换到 sing-box 上去，但是 sing-box 挺麻烦的，显示需要 Install Network Extension ，然后查了一些 issue 是需要在 General -> Lgoin Items & Extensions -> Network Extensions 中开启，但是开启后电脑也没网了，这时候神奇的一幕出现了，就是重启电脑也没有网络。

把事情记录下来，几个目的：

1. 理清楚自己的思路，逻辑

2. 记录下来的内容可以请教别人好复现或者 issue ，甚至也可以用 AI 询问方法。

#领域 #人生/成长

拖延症

拖延症未必是坏事，它在一定程度上能节约时间。但你要能够拖到一个理想的位置上，在确保质量的情况下，把时间掐得很准。

拖延者可能在逃避一项重要任务的同时，完成了许多其他相对次要但仍有价值的事情。有些人甚至声称在压力下工作效率更高。

由此可见，拖延症这个也是因人而异的，找到合适自己的习惯更重要。

大部分的情况下，其实拖延并没有解决问题，导致了更多的压力和焦虑，也是不得已的。

日拱一卒理念

• 日拱一卒是我们无论每天在做什么，都一定会把这件事这个精神贯彻下去。

• 日拱一卒就是每天要做这件事情，也许会耽误一两天，但是一定要尽可能的做到每日。它对你的要求仅仅是往前拱那么一下，对你每天的要求并不是那么高，而且只要求你拱一卒就好了，需要你每天坚持

项目中的密钥管理

doppler 非常适合直销团队使用，并且非常轻量化，容易上手，集成很不错。

相比较 HashiCorp Vault 这类更适合生产级别，大型团队使用，doppler 在小团队中有很大的优势。

ref: https://github.com/hashicorp/vault

聪明的代理方案

传统上，我们在分析自己对某一篇文章进行阅读时，会思考几个问题，分解为多个独立的步骤——总结、提取关键词、对内容进行分类和产生见解——每个步骤都需要明确计划，这是我们觉得的一个好的工作方式。

这个是有局限的，每一个任务可能是独立的模型去实现，而且你需要对任务进行排序。类似于 workflow，明确管理步骤之间的知识传递，并根据中间结果独立确定需要哪些额外操作。

但是代理会如何去做？

1. 状态管理： 知道上下文，短期记忆和长期记忆

2. 知道哪个方法更合理

3. 知道哪个工具更能解决问题

LangGraph 对 agent 的优势在于，像一个图一样操作着各个节点。

Vercel AI SDK 开发神器

两个非常好的特性：

1. 流式很棒，对流式复杂的细节进行封装，易于使用。

2. 跨提供商兼容性，即使换厂商也没关系

3. 还有就是 UI 上，返回的状态和数据通常是响应式 (reactive) 的，可以直接绑定到 React, Vue, Svelte 等框架的 UI 组件上，实现流畅的实时更新

相比较 AI SDK 是帮助开发者快速构建前端的 NodeJS、React 项目的，对于后端来说，类似于LiteLLM 针对 python 包解决问题。

一个很好的方式是利用 Vercel AI SDK 的 hooks ，后端统一管理调度 KEY，既能获得 Vercel AI SDK 出色的前端流式支持，又能获得代理带来的后端集中管理优势（密钥、模型、路由、配额、负载均衡）

LiteLLM 支持两种方式，一种是库的模式，python，一种是代理的模式，都非常的好用并且活跃，相比较 one api 有很大的优势

one-api：https://github.com/songquanpeng/one-api

litellm：https://github.com/BerriAI/litellm

#AI

中西文化

一幅水墨画，几笔淡淡的墨色勾勒出山川，却故意留下一大片空白，让人忍不住去想象那些没画出来的云雾和远峰。

邀请你去思考和感受。

所以字面上的空白可能比字更重要。

西方文化中油画里密密麻麻的细节，把想法讲得巨细无遗，甚至有点不留余地的感觉。

咱们从小就被教导要含蓄一点，别把话说得太满，给别人留点余地，也给自己留点回旋的空间。

道可道，非常道，有些东西太深了，说不尽，只能让人自己去体会。

西方文化显露，对知识和真理的追求，总是在填满细节，追求一种“有”的极致。

#审美

无中生有

人类的关键一次飞跃是从无到有

或许未来的 AI 可以诞生出新的物理公式，或者更加高层次的抽象公式，甚至被赋予真理。

创造力很重要，也远远比我们想像中的更重要。

会表演当然也很重要，为什么喜欢 jazz ，因为 jazz 每一次都是一个即兴发挥的表演和创造。

把知识点和逻辑梳理清楚，甚至可以说是为了更好地即兴发挥。

课堂是个活生生的地方，有交流，有碰撞，而不是单向输出。

学生不是空瓶子等着被装满，而是有思想、有好奇心的人，真正的价值不在于老师讲了多少，而在于大家在交流中碰撞出了什么。

其实这也是活在当下，没什么需要担心的，把一些当作修行。

#人生/成长

Deep Research 价值链分配

很多的创业者或者是开源项目在 OpenAI 出现后，开始不断的研究类似的 Deep Research方案。

模型厂商（如 OpenAI）确实在 "Deep Research" 这类应用上拥有显著的先天优势，利用自己的模型和强化学习微调相结合。

但是 Deep Research 各个产品都打开了自己的差异化的道路，比如说做思维链、基于圆桌访谈，对话的方式，角色的方式，以及集成 tools 的方式。很多精细化的需求，还有很多知识、数据、工作流程的的场景需求。

再就是利用更优质的专有数据集，在专用任务上也可能超过通用模型。

OpenAI 等厂商可能会将 RLHF 的能力封装成更易用的 API 或服务。目前 Fine-tuning API 主要支持监督微调（SFT），未来可能出现“RLHF-as-a-Service”，允许客户提供偏好数据（如 A 比 B 好）来进行模型优化，而无需关心复杂的 RL 算法实现。

另外一部分随着开源库的发展，会越来越多的开源项目，开源模型，也能支持强化学习微调。

#AI

潜意识的证明我很重要

做饭阿姨有一个现象，比如说做饭阿姨总是潜意识表现出来，我有很多的单，很多的客户都想让我上门做饭。好像潜意识告诉我们表达出来我很稀有，这个好像就是和徒步尼泊尔的时候，背负去表现自己，邀功的行为。

好像在潜意识里告诉大家“我的服务很稀有”，这种行为其实挺好理解的，但是自己对待这个行为的态度其实也很有趣。

潜意识我感觉是阿姨在炫耀，炫耀自己付出了很多，而且好像不仅仅只有我一个客户，所以希望多一些主动权，而且去添加自己的稀有度，这样一来可能会更珍惜她，甚至觉得能请到她是件挺了不起的事。

当然后面想了下，还有可能是阿姨在给自己打气，说白了就是希望别人认可她，觉得自己挺厉害的，人都希望有一些存在感。

潜意识好像自己会有一些排斥这样的现象，原因可能来源于可能让自己觉得她想在关系里占个上风，而且自己和对方也是一个合作关系，本质原因可能来自于自己对平等真诚关系的渴望，还有潜在的控制欲。

但是从传统文化的角度，对方集体主义的环境下，渴望自我证明，恰恰和自己对真诚和平等的渴望略有冲突。

理解对方为什么这么说很重要，并不仅仅是自己直觉上的反应，本质上形态并不会发生变化，双方的身份和合作关系并不会变化，对方也并不是想获利什么，下次可能会笑一笑的说，”是啊，你手艺这么好，肯定很多人排队请你。“

真诚的赞美或许源于理解和尊重。

#人生/成长

有意义的投资是那些本身不被看好的力量

很多人本身就拥有很多的平台和资源，就算是没有你，一样会有很多的人去提供资源。

而真正有社会价值的投资，是看见那些原本不被看好的人，并在早期坚定支持他们成长。而这些人的起点不重要，重要的是结构外生长力和他们的成长斜率。

未来的现代化的产品文档形态

使用 MCP 接入本地的文档好像是趋势。

Docs ≠ 静态网页，而是“产品一部分”

docs 更简洁开发出来，并且可以接入到三方，MCP 的方式尤其重要。

docs 自己本身拥有可以访问 AI 和知识库的能力

https://nextra.site/ 是一个很好的工具， 可以基于 nextra ，参考 langfuse 的案例实现

#AI/product

产品的记录方法

产品比较适合碎片化记录，但是又不碎片化的记录方式，flomo 适合做一次的产品记录。

另外小红书或者是 twitter 上面都可以记录你的产品。

小红书天然适合引流，实际上小红书上面非常强调人设，小红书是社群为核心的。

小红书上面也容易积累第一波的用户人群

甚至什么样的卡片更适合 xhs 类型的结构，或许 xhs 在未来的载体形式就完全不一样了。

AI 时代工程师最重要的能力

程序员核心还是一个 input 和 output 的过程， 读写代码的能力一直以来都是程序员最核心的底层能力，结构化思维、逻辑推理。

AI 时代读代码的能力更加重要，AI 增强了output的过程，也就是写的过程，意味着从零开始编写大量的样板代码，标准算法和通用功能的需求会减少。但是验证 AI output 的代码很重要，AI 生成的代码一定不是完美的，会有逻辑上的错误，性能的问题，安全的漏洞，或者不符合业务逻辑，工程师去阅读和理解这些代码很重要，算是工程师的底层能力。同样调试代码也变得至关重要，利用哪些技巧，业务经验还有工具去 debug 很重要。最后多个代码的集成，工程的设计非常重要。

AI 生成的代码也是需要维护的，同样的，维护阶段比开发阶段其实更长的，如何利用工程经验经优化维护的过程很重要。

深度思考后， 我觉得以项目方式驱动学习是最有效的，参与最真实、完整、有复杂度的项目，去整合自己的能力去理解整个项目，这过程中如何利用 AI 辅助理解，如何利用工具去实践、debug很重要。

#领域

《黑镜》第七季第三集《白日梦饭店》

前两集都是科技和人性的深度结合，看的还是有点阴暗，我超级喜欢的第三集

印象最深刻的最后一句话，我有的是时间。

同性恋之间的爱情。

AI 也能富有感情和意识。

AI 也能有感情，也能有爱，也能一直陪伴。

而且它会一直都在！

#电影

《黑镜》第七季第二集《黑色野兽》

霸凌者成了上帝，世界本质并不是正义最终战胜邪恶。

被霸凌的一直活在梦魇之中生不如死，而霸凌者逍遥自在。

以为讲的是被霸凌者复仇，没想到霸凌者反杀复仇者。

这个世界就是权利为王的世界，一直没变过。

#电影

《黑镜》第七季第一集《普通人》

科技与人性，普通人的宿命被剥削再剥削，被压迫再压迫，除非变成剥削和压迫者。可悲的人类。

个体的意识被科技所操控是非常可怕的，我们是否会忽略人类的基本价值观的追求。

如果人本身的一些东西，比如说思想、意识或者记忆成为商品被买卖，如何界定个人的权利。

科技一方面在声称追求生命，一方面又在剥夺个体的自由，科技的初心是否还在？

科技真的让生活变得更好了，还是让一部分的人更有权利了。

普通人好像就是科技的剥削对象，科技的发展的不平等是否会加剧社会分层。

当人工智能可以预测、操控、影响我们的决策，我们的自由意志还存在吗？

我们是主动选择，还是被算法推着走。

结局是悲剧，悲剧引发思考，事实也不得不是悲剧

#电影

微信产品观

1. 了解人性，了解群体心理、产品经理像上帝一样，建造系统并且制定规则，让群体在系统中演化

2. 人是环境的反应器，产品营造的就是环境，决定用户的反应

3. 人是懒惰的，但是懒惰是创新的动力

4. 时尚是人性本质的驱动力，人人都向往时尚。

5. 人没有耐心，如果你能第一眼就吸引到用户

6. 人不爱学习，博客的衰落是 RSS。

7. 不要用对待个体的方式来对待群体，群体的智商低于个体智商，互联网产品的对象是群体。

8. 集体的价值太重要了，自己与人群脱节被孤立没有价值，这些产品在中国不能普及是因为中国普遍面对的问题比存在感还要低一个层次，是生存感，中国的这样一群体，既有生存感，又有存在感的渴望，这类人群就是屌丝，搞定他们，就把握了用户群

9. 从日常中察觉本质，触碰开关，比普通开关更贴近人的情感，伟大的产品应该满足人的情感需求。

10. 人性化即使以己推人，你无法了解他人，你只能理解自己，你需要了解的人最普遍的心理活动

11. 需求是满足人们的人性需求，不要在产品中参合自己的道德感，产品是技术和艺术的结合。

12. 用户的需求是零散的，不要用户说什么就是什么，重要的是归纳总结出抽象规律

https://miracleplus.feishu.cn/file/JkvwbJK4XoC7yAxJXUrc2YA2nAb

碎片化信息的思考

网上都在说碎片化的信息坏处，这些都不用讲哩，直接去 xhs 搜索一下很多答案啦，我想补充一些碎片化的主观思考和理解。

信息时代的爆炸式增长，海量但零散的信息包围，其实每天我们大脑处理的信息量远远超过大脑的处理极限，注意力分散，快餐式的消费习惯外加算法的推荐。

其实碎片化信息也在塑造我们的表达和创作方式

比如说一些直击人心的表达，简洁的输出创作，病毒式的传播。

AI 是一个很好的方式，和碎片化的信息很好的融合，不仅顺应了碎片化信息的特质，还以独特的方式将其转化为更有意义的整体。

AI擅长将零散的点连接成线，再编织成面。通过模式识别和逻辑推理，它能从混乱中提炼出清晰的结构，赋予碎片以意义。

从无序的碎片到有序的整体，从浅表的片段到深层的洞见。

Notion 使用

Notion 记录的是你长期需要维护管理的笔记部分，或者是日程，项目管理部分。

对网页进行性能分析的工具

lighthouse 是一个非常棒的对网页进行分析和改进网页（Web Page）或渐进式网络应用（PWA）的质量工具

ighthouse 通过自动化审计，为开发者提供了一个关于网页在性能、可访问性、最佳实践、SEO基础 和 PWA 潜力方面的全面评估。它的报告不仅给出分数，更重要的是提供了具体的优化建议和诊断信息，帮助开发者定位问题并改进网页质量，最终提升用户体验。

firebase Google code发布

Firebase Studio是Google发布的在线AI IDE，类似Cursor一类工具的Agent模式，可以通过对话构建整个项目。

说明 cursor 的 agent 模式是 AI 编程领域比较好的形态。

Firebase Studio有Prototype和Code两种模式：

• Prototype模式 只通过对话输入，LLM完成项目新建和代码编写，适合初步落地想法

• Code模式 可以理解为带了Gemini插件的VS Code

初步体验之后，抛开效果不谈，整个产品使用逻辑上是顺滑的：

1. 使用Prototype模式，以AI为主，构建应用的草稿

2. 切换到Code模式，以人为主，AI为辅，完成细节和复杂逻辑

3. 一键发布

挺适合做原型开发的，相比较 cursor 而言，开发原型的成本更低，类比是 https://v0.dev/ 产品 + cursor 版。

#AI/product

模型智能调度

通过将多个模型的权重进行平均或融合，可以创建一个性能更优的单一模型。这种方法不仅能整合各模型的优势，还能减少资源消耗和推理时间。权重平均的奖励模型（WARM），通过融合多个微调后的奖励模型，显著提升了模型的稳健性和性能。

比如说 TinyLlama是一个仅有1.1B参数的LLM模型

Claude Code overview 相比较 cursor 区别

优点： 对习惯命令行操作的开发者更友好，更适合快速原型开发和自动化脚本编写，作为命令行工具，可以直接访问和操作整个文件系统，能够与各种命令行工具链无缝集成(如git、Docker、数据库工具等)

缺点： 很明显，界面对用户不友好

refer: https://docs.anthropic.com/en/docs/agents-and-tools/claude-code/overview#install-and-authenticate

#AI/product

强化学习 & 应用层的思考

大模型哪些能力会自己内化掉，甚至强化学习能做的更好，哪些场景下还是需要业务自己去做，有两个很不错的点，一个是业务中的优质的数据，优质的数据需要自己的业务经验去总结，一些好的数据往往更能交给大模型层去参考。

大模型的本质还是 input 和 output，影响 output 的除了大模型本身的能力，还包括 input 中一些优秀的数据，这些数据需要自己的业务能力去分析的。

通用能力——语言理解、图像语音处理、模式识别——大模型都能自己内化，业务方直接拿来用就行。强化学习呢，可以看作给模型加了个“动态调优”的buff。

有些场景还是需要一些好的方法的收集，比如金融里预测股市，模型得懂K线、成交量这些专业玩意儿。

具体的垂直场景，大模型微调可能是更好的方向，得是非常垂直，比如说 PDF to markdown 场景，大模型微调一方面有很好的效果。

模型功能保证符合第一公民定位

很多的模型有一些特色的功能，比如说多模态的能力、工具调用的能力，长文本的处理能力。但是保证模型的能力是通用能力很重要，什么是通用的能力？ 比如说各个模型厂商都会做，并且做一定能比业务发方做的更好的能力，可以利用强化学习不断的优化。

一部分是 LLM 厂商没办法内化的场景，比如说业务上的短期记忆和长期记忆，没办法完全的依赖模型的上下文去做，而是业务层传递短期记忆或者是长期的记忆实现。

信息转换

碎片化的信息/知识+碎片化的逻辑构成了人类的智能，而碎片化的信息/知识+碎片化的逻辑+隐/显性的伦理构成了人类的智慧。

客观存在：数据 / 事实—> 有组织的数据

主观意识：-> 提炼的信息 -> 整合 / 创造 / 发散

我们不是数据的生产者，我们是数据的数据者

数据只有通过业务的加持才能转化为信息，数据是客观的，而信息则是主观的，创造信息的目的是达成共识。

Agno 多模态智能体框架

Agno 的核心价值在于提供一个能够构建快速、高效、具备记忆、知识、工具和推理能力的多模态智能体的框架 。对于开发者而言，其优势体现在：减少样板代码 、加速开发周期 、因高性能带来的可扩展性 以及高度的灵活性 。

#AI/product #AI/open-source

拥有和失去

感受的存在： 能力其实从胎儿期开始拥有，感性和经验性的感受

思考感受： 七岁开始发展“元认知”能力，也就是“思考自己的思考”

拥有的感受： 刚出生对世界新奇的婴儿，一部新的手机，一次新的旅行

失去的感受： 丢了工作、失去亲人、失恋...

东西的价值和我们的感受都是相对的，得有变化才能刺激到我们，比如说刚拥有很兴奋，但是过几天，之后就麻木了。

拥有感知上大部分都是主动的，比如说自己选择买一部手机，被动的拥有指的是我们拥有了这些风景，我们拥有了一双看世界的眼睛。失去是实打实的，可能是突然就没了，不受我们的控制。把你习惯的生活撕开了一道口子，逼着你面对变化。

负面偏见： 人性对坏事比好事敏感得多，可能人的本性趋利避害也是这样的，能活得更久。

每个人的反应就像是一个镜子反射出自己的经历成长，世界无常，一切都在变，执着会带来痛苦，那么思考的是如何面对无常，把被动变成一种主动的感知，一切好像都是成长。

#人生/成长

信息工作流

最近工具和信息有些杂乱，思考了一套自己适合的，以及自己比较喜欢的工具，搭建出自己的工具流，而且最近看产品和项目比较多，思考出了一些方法，这里只是针对信息 & 知识管理类：

1. 不输出知识，只输出思考，知识太多了，不想成为知识的搬运工，而且有很多的工具作为第二大脑，不需要自己所有都内化。

2. 做笔记只有一个场景，需要反复拿出来看的，或者需要分享出来的。会很注重结构化，如何结构化的整理笔记，以及精简笔记。

工具介绍

1. notion：页面精美、联网、大量的模版。我用 Calendar 来做日程管理，一些活动管理，日程会议相关的、私密的笔记记录。需要做结构化分类，少即是多。

2. 滴答清单： 做一些速记和分类的短暂笔记，比如说 prompt 的笔记。以及常用四象限选择优先级，和 notion 的日程管理不同的是，滴答清单中不做日程，只做优先级，简而美

3. flomo：记录想法，思考，碎片化，时不时导出到 blog 的日记中。

4. Mac Book：对电脑上的一些书籍，PDF，文档进行分类，主要是收集整理。

5. Obsidian 主要用作一些文档类型的项目，比如说 blog 编写，文章以及笔记的编写，一般是无结构化的，或者需要以 project 的形式 share 的。

6. 微信读书：结合 zlibrary 下载电子书，然后微信读书导入阅读，网页版效果不错，有对照翻译。

7. 写作工具： 大学抛弃了手写，AI 时代抛弃了挨着敲，各个模型厂商都支持 canvas 非常适合 AI 编辑，都是 markdown 格式，很方便导出，没有 AI 辅助加持的写作。

8. 协作写作工具： Google docs，如果是内部项目相关的，直接使用 GitHub / git ，prokect 的 docs/ 协同，docs 的内容容易迁移给 cursor 使用，各个模块的设计都在对应的 README 中，deep research openai 和 Gemini 家的都很不错，很适合输出专业的文档。

9. Google： 网页信息的来源，大部分的信息 / 知识渠道，自带的 reading 收藏一些常用的信息知识网站，tag 用来做搜索索引标记关键词。

10. Folo: 针对优质的 blog 的 RSS 订阅，并且 Folo 也能帮助你发现一些优质的 blog ，blog 的质量普遍偏高，休闲的时候可以看。

11. Reader：阅读体验很好，书籍的收集，高亮精彩片段收集，感觉和 flomo 类似。

⚠️ 区分 Obsidian 和 Notion 的方式其实对我来说很直接， notion 使用模版更多的是需要经常补充的笔记，调度器，Objsidian 往往意味着写一篇文档代表一次完成。

AI 工具

其实是各有特性的

1. Gemini 现在阶段最强，搜索能力很厉害，用的会员，deep research 效果非常好，很适合写专业文档，设计文档，学习文档。

2. DeepSeek 用的比较少，写文章段落很厉害。

3. OpenAI 感觉会员不值得买了，偶尔一些小的问题 call 出来免费版，速度很快。

4. grok 情商很高，可以聊哲学，当一个朋友，给一些建议啥的。

5. Claude 写代码很厉害，一些代码的问题都找 Claude 了。

#领域/工具使用技巧

极致轻松完美的完成任务

最小化步骤生成 PPT ，只需要超级简单的步骤，粘贴文本或者导入文件，很快就能帮你生成对应的 ppt 各个模块的摘要，可以适当的去修改摘要，AI 就能马上帮助你生成完整的 PPT 。

• 上手快，界面很“现代感”，适合做那种一眼看上去就很高级的东西。

• 写一点提示词，它自己能生成一套完整的演示稿，图文排版也自动生成

• 比传统 PPT 灵活，你可以当网页、当幻灯片、当文档看，分享的也很快

https://gamma.app/

#AI/product

情绪价值的独响AI

独响AI（Duxiang AI）是一款挺有意思的产品，它把笔记应用和AI技术结合在一起，还加入了点角色扮演的味道，感觉挺新鲜的。

它最抓眼球的地方，是那些AI虚拟角色——它们会跳出来跟你互动，在你的笔记下面评论、聊两句，甚至“吵个架”，就像是你手机里的小伙伴一样。

一般笔记应用就是冷冰冰的工具，但独响AI不一样，它让AI角色跑出来跟你“聊”你的笔记。比如你写了一天的心情，它们可能会安慰你，或者跟你讨论你的想法。这种互动特别适合那些想找人倾诉但又不想真的发到朋友圈的人（比如内向的人）。

AI 是长期陪伴式的，看过你哪些笔记，和你聊过哪些内容都会记住，很独特的这种个性化的感觉很棒，迎合人的情感需求。

工具不仅仅是工具，也可以是一个伙伴，陪伴你的伙伴。也可以有情绪价值。

AI塞进日常工具里，搞出点新玩法，小红书社区可以营造很强烈的情绪价值。

refer： https://www.duxiangai.com/

#AI/product

前端跨平台选择

React Native 基于 JavaScript，JavaScript 生态已经涌现出许多相关工具和库，例如 TensorFlow.js 和 Brain.js，这些工具让开发者能够轻松将 AI 功能集成到应用中。Taro 是一个基于 React 的多端开发框架，可以将 React 代码编译为微信小程序、H5 以及 React Native 等多种平台。

但是一半来说都是使用 react 框架作为跳板到 react native 的。

react native 的标语是学习一次，可到处写。

使用 react native 开发 web 的一个前提是，web 作为 app 的一个补充。

其实也可以考虑使用类似的 react-native-web，将RN项目转换成可以在web运行的代码，但是也有致命的缺陷，用户体验缺点意思，所以可能会有一些微调。

还有一种常见的方法是将Web的UI和App的UI单独设计成两套，用户体验会更好。强迫你剥离出业务逻辑和UI组件，让你不得不做到数据和显示分离，也可以让整个产品在不同的平台上拥有更好的用户体验。

react 的项目结构设计就非常重要了，如何选择一个手脚架，我一般下面两种判断：

1. 服务端渲染 (SSR)、静态站点生成 (SSG)、文件系统路由、API 路由非常适合 next.js。

2. Vite + React 非常适合客户端渲染

选择手脚架后，选择状态管理了，状态（state) = 应用的数据和洁面所处的某种状态

小（组件内/少量共享）：useState / useReducer / Context

中（多个模块共享状态）： Zustand / Jotai

大（复杂业务逻辑）： Redux Toolkit / Recoil

UI 库 (可选): Material UI (MUI), Ant Design, Chakra UI 等可以加速开发，提供一致的视觉风格。

大部份的项目其实 Zustand 挺适合的。

代码结构非常重要了，对于 react 来说，分离 UI 组件、业务逻辑 (Hooks)、状态管理、API 请求 和 工具函数。将业务逻辑尽可能地写成与平台无关的纯 JavaScript/TypeScript 函数或 Hooks。

社会戾气加重？

最近确实感觉到社会戾气在加重，世界也不太平。暴力事件、网络攻击、群体对立频发，国际上冲突和危机此起彼伏。

感觉在经济压力以及资源分配不均的情况下，自私、贪婪、愤怒这些“恶”的面向容易被放大。社会就像一面镜子，映照出人性在困境中的扭曲。

贫富差距扩大、阶层固化，让底层的人感到无力翻身，中层的人害怕跌落。

网络让负面情绪传播得更快更广。你打开手机，满屏是争吵、指责，甚至是谣言。人们躲在屏幕后，少了面对面的同理心，多了冲动的宣泄。

互联网更多的碎片化信息，让人与人失去了耐心。

善恶不是天生的，而是被社会雕琢的。

社会一直没有变化，只是我们被成长的环境影响，世界并不会越来越和平，冲突的形式变了，争夺的本质没变。

一致性思考

为什么看到有些行为我们潜意识不舒服，或许是道德感，或许是一致性。但是总之，这些都没办法成为批判的理由，除非有约束和规则。比如说我们看到有人乱丢烟头，从道德层面，我们不希望对方对自己做的事情，往往是不要对别人做你不希望他们做的事，站在对方的角度上，仿佛是满足了自己的道德标准的，但是又在一定的层面上，集体会诞生出公共的价值观，比如说保护卫生，所以如果城市有自己的规则，不乱丢垃圾，那么这个事情就是违法公共道德标准的。

本质上的冲突是什么？ 本质上是我个人价值观与他人行为之间的冲突。我希望是完美主义，但是对方又是在短暂的解决当下问题。我可能习惯了一个更注重细节和规则的环境，而对方可能来自或认同一个更宽松的生活方式。这种差异让我意识到，问题不仅是行为本身，而是我们对“应该如何生活”的不同理解。

人好像很会模仿行为，所以这个过程中往往都是以身作则的过程，自己把一些好的品质表现出来，自然而然会影响到环境。

一致性（consistency）在日常生活中，通常指行为、思想或状态在时间或情境中的连贯性。其实本质上来看，一致性是自己内心的投射，而不仅仅是外部环境的要求。

真正的一致性不是要求外部世界符合我的期待，而是让我的内心与外部现实达成和解

自己的局限性 & 他人的局限性

两个环节，一个是自己的视角是有限的，一个是对方的视角也是有限的，再就是自己能看到的视角对方未必能看到。所以很多时候，要去学会和解这个有限性。尊重规律，尊重对方，也是尊重自己。

骑行事故思考

客观记录：在一个良渚骑行道路上行驶，车速略快，遇到了一个狭窄的路口，也是一个下坡，我急忙准备降低下车速，但是来不及了，右侧没想到突然冒出来一个车，在自行车的车道上我被撞到了。对方从支路/巷子/人行道冲入非机动车道，我是正常的行驶自行车道，由于路口视野受限，对方也没能看到我路过。路口没有交通标志、减速提示。

对方行为，对方是夫妻，表现冷淡，责任推卸到我，说我的车速过快，以及说我没有戴护膝。并且事故后，并不是关心我的伤势，而是更关心自己的车损伤度，另外分析路况，认为这个路口设计不合理。旁边的社区老人也站队对方，和对方聊天如何走保险，并没有站在一个全局的角度客观的提出解决方案。

我的行为：被撞蒙了，有点疼，先把车移到非机动车道，防止阻碍了正常车流行驶，感受自己的身体状态，并且把自己的身体状态真实的形容出来，破血的地方开始清理，收拾血迹。

我没有及时做的地方（不足）：拍照/视频、伤痕、车辆损坏、事故点位。警察来了后应该索取事故责任认定书。

去医院后，我对自己受伤的三个部位明显的判断，对于右腿有不确定性，要求拍片，结果出来了没事，加上摸一些碘酒，医生询问我是否在工作，要不要休息几天，我能听出来话里的弦外之音，我说不用，没有工作。自己是远程工作者，感觉没有影响到工作，没必要，医生叹气，我离开。医生做了超过自己职责之外的举动了，让我有些感动。

---

骑行像一面镜子，照出了人性的复杂。

人在困境中会露出怎样的本性？我们又该如何面对这些猝不及防的挫折？

人性中往往藏着一份自私，当利益受到威胁时，同理心就成了奢侈品。

现实不会因为你是受害者就主动站在你这边，它需要你拿出证据，需要你懂得规则。

理智和准备比情绪更重要，它教会你如何面对问题，面对挫折。

成长的本质，好像就是在无常中找到自己的温度。

苏轼找到了自己的人生方向

儒家理想主义中成长，家庭教育的重要性，家风是传承。

因为范滂传感动的流泪，极度感性仿佛找到了自我，"愿为之死"

父亲告诉苏轼以天下为念，最初他的初心，是儒家的忠君报国，愿为理想而死。

📜 “我辈读书，当为苍生立命。”

家风可能是一个人最深层的起点，也是最持久的根基。

怎么判断是非，什么是值得追求的，怎么熬过人生低谷。

苏轼写给儿子的一句话： 汝果欲学诗，工夫在诗外

这句话看似讲诗，其实讲的是做人。真正的“学问”，从生活、从品格、从家风中来。

数字人民币思考

本质上数字人民币是基于区块链的技术，一种全新的支付方式，通过数字货币的流通，央行能够更直接地影响经济活动，从而增强货币政策的传导效率。

数字人民币有助于促进金融包容性，使偏远地区和低收入群体更容易获得金融服务。同时，它减少现金使用，可以有效降低假币流通和洗钱等非法活动的风险。

当企业和消费者信心不足时，即使央行通过降息或量化宽松增加货币供应（M2），资金可能滞留在银行体系内，无法转化为实际经济活动。这种情况下，M2的增长可能与经济增长脱节，而M1（现金和活期存款）可能更直接反映经济的即时流动性需求。

M1 来临是趋势，但是M2仍能提供货币供应总量和潜在流动性的信息。

在经济下滑中，利率下调可能继续，但房价走势将受多重因素影响（如政策干预、人口结构变化）。中国房地产市场可能进入调整期，但未必全面崩盘。

思想体系

同样的一个东西，在各个行业的领域，有各个行业的视角。

同样的，看待人，人的行为，也有各种视角，需要多个学科的知识，比如说心理学、法学、社会学等等。努力学习肯定不会错的。

思维体系的建立指的是面对一个陌生的事物，或者一个新的东西，你去观察它、分析它，并且做出判断的过程。

本质上，思考是对信息的加工过程——从接收输入（观察），到拆解分析（理解其组成部分），再到整合输出（形成判断或结论）。在这个过程中，保持开放性、多角度审视，同时结合已有知识和经验，是非常重要的。

不要因为走的太远，而忘记了为什么出发

初心这东西，如果不是一直捂着，真的很容易丢掉 ...

随便

喂，你吃什么？ 随便 ...

随便？！问你的时候你说随便？！你已经养成了放弃自己分析问题、判断问题、谈自己愿望的习惯了！

喜欢什么，不喜欢什么，都应该表达出来。

不喜欢，表达出来。

喜欢，表达出来。

随便，给别人压力，也不符合自己的需求。

随便，是最大的不负责任。

更真实的人

自认为在追求真诚，但是又在恐惧更真实的人。

拒绝好于勉为其难的答应。

学会拒绝，虽然很难，但是也是真实的自己一部分。

接受也很困难，对恐惧、拒绝妥协、甚至与主流社会脱节的勇气。学会拒绝、接受自己的脆弱、追求自由。

遇到更真实的人，仿佛一个镜子照在自己的身上。

不是不喜欢物质，而是更喜欢自由。

他们获得透彻，不虚伪，但是又和这个社会格格不入

善恶

如何理解非善，看到斯宾诺莎在《伦理学》里说：​“嘲笑、轻蔑、愤怒、报复……这些情绪，都与恨有关或者含有因恨而起的成分，不能成为善。​

准确

准确是最强大的防御。

无论再多的修辞，再多的主观和偏见的，都没办法避开准确。政府不透明，就是避免准确，留下操作空间。

准确是这一工种最重要的手艺，而自我感动、感动先行是准确最大的敌人，真相常流失于涕泪交加中。​

准确很重要，准确的背后是逻辑和推理，是决策和判断。

我只是讨厌屈服

不管你有多强大，包括一个国家部委，当你被告上法庭的时候，你是被告，我是原告，大家坐在对面，中间是法官。你和我是平等的

在强大的力量面前人们往往除了服从别无选择，但是我不愿意。

公民和普通人的区别是什么？

能独立地表达自己的观点，却不傲慢,能正直地表示服从，却不卑躬屈膝。能积极的参与国家的政策，看到弱者知道同情，看到邪恶知道愤怒，这我认为他才算是一个真正的公民。

权利是用来伸张的，否则权利只是一张纸。

如何理解同性恋

同性恋不是疾病，也不是心理缺陷，而是人类性取向的自然变体。

我们接受到的教育和社会环境中普遍传递一种传统的性别和性关系观念，这种观念往往将异性恋视为“正常”或“唯一正确”的模式，导致对其他模式产生排斥。

我们会潜意识排斥，是因为我们没有理解，我们或许会包容尊重，但是没有理解这个群体和这样的现象。这种情感并非源于客观事实，而是文化传统和社会环境所塑造的结果。

在面对死亡的时候，有一些比这更强烈的情绪控制了人

多次面临或者面对死亡，恐惧、爱、悔恨或者对意义的追寻，这些源于我们自己本身对意义的思考。

生命的短暂迫使我们去思考生命的意义和存在的意义，以及我们如何赋予他们意义。

超越恐惧和死亡的是对当下的觉醒，看到背负不肩负义务但是又冒着生命危险去救我们的时候，是对生命的真实，友情的珍贵，善良的心疼，理解和链接他人。

活着就是活着，跳动的心脏就代表着活着本身。

生命先于意义，存在先于本质。

心跳不需要解释，它本身就是一种事实，一种无需证明的状态，不带任何的哲学修饰或者情感附加。

忘我

你问一个问题的时候，你期待答案么?你要不期待，你就别问了。

当一个人关心别人的时候，才会忘记自己。

自我并不是一个固定的实体，而是由我们的经历、情感、认知和社会互动构成的临时聚合体。

我们自己深度反思，或者冥想，开始质疑并超越这种概念化的自我，就可能体验到一种“无我”状态，即不再将外在的现象与内在的自我捆绑在一起，而是直接感知到事物的本质与流动性。

➕ 如果你带着预设答案来看待问题的时候，答案是什么也已经不重要了。

网球和球拍

球拍之于网球，就像父母之于子女，或导师之于学生——一方提供“外力”，另一方则在这种外力的作用下飞得更高、更远。

他们所拥有的阅历、经验像球拍的“拍面”，能够接住我们、保护我们，并将我们弹得更高

要努力学好网球，也能让球弹的更快更高。

我们从“被动地被拍击打”到“主动地修炼球拍技术”，意味着对外力的依赖转化为对自身能力的培养。

从被他人扶持，到学会自我成长，再到反哺他人或下一代，那是一种爱的传承，也是一种人生智慧的延续

RCEP协议思考

RCEP覆盖了约30%的全球人口和GDP，到2030年预计每年将为成员国合计增加约2000亿美元收入。

RCEP 是目前全球最大的自贸协定之一，由东盟十国（印度尼西亚、马来西亚、菲律宾、新加坡、泰国、文莱、越南、老挝、缅甸和柬埔寨）与中国、日本、韩国、澳大利亚和新西兰共同协商达成。

RCEP为其提供了一个更为稳定的贸易环境和更宽广的市场，有助于推动国内产业升级和“走出去”战略。但同时也要求中国在规则制定、知识产权保护和开放市场等方面作出进一步改进，以符合协定要求。

现在全球化发展的同时，全球贸易竞争加剧，中短期来看，趋势还是围绕着中美两个大国为核心之间的贸易战争，反而在这些小国家中有一定的机缘。

全球贸易战思考

很早特朗普已提倡实施关税以降低美国的贸易逆差及促进国内的制造业，并说美国遭其贸易伙伴剥削。

中美贸易战持续了很多年了，今年的关税如果全面落地，估计2025年全球GDP增速将被拉低约1.2-1.3个百分点。

对于中国来说，可能拖累 GPT 可能超过2.0个百分点，对美国来说，拖累美国GDP 1.3-2.0个百分点，推升核心美国PCE 1.2-2.6个百分点。

留下一个谈判点，各个国家可以通过谈判取得比较好的结果，促进双赢，很明显中国不会这样做。可能双方都以打促和，提高百分点。

各个国家政府，降准降息，向市场注入更多流动性，降低融资门槛，从而推动经济增长。

中期来说两极是趋势，多个中心。两个极端分别是中美以及一系列的站队，另外欧盟、印度等谋求相对独立的多中心地位。

一般在国际贸易冲突中，黄金等实物资产往往具有保值增值作用，普通投资者可适当配置 。另外资产分散投资也很重要，把资产分散到多个篮子中。购买美元对冲人民币汇率波动和国内市场风险

Serverless 在 AI 时代的思考

Serverless 是一种云计算架构模型，旨在让开发者专注于业务代码，而无需管理底层服务器资源。

核心的思想是一个小型、独立的 function，按照调用的次数和执行的时间计费，达到资源利用率高而且成本优化。

函数是一个基本的单位，开发者编写单一用途的函数，函数由事件触发，自动运行并且完成任务后自动关闭，让开发者只需要关注业务逻辑。

使用的场景是适合构建 RESTful API，通过 http 请求触发喊护士，按需自动扩展。

后台的任务也可以用 serverless 来操作，包括定时任务。

但是注意的是 Serverless 是无状态的，长时间需要维持链接的操作不适用。

ApiFox 中 MCP 思考

有几个大的模块我认为都是比较重要的，其实 cursor mcp 能做的是功能的一体化，比如说在 cursor 中可以很轻松的获取 API 文档，很轻松的对自己的数据库进行分析查询，很轻松的在修改完成代码后，可以通过聊天自动化就将 PR 提到 GitHub 中。

一些被打上了 production 的 prompt，比如说 "订单状态查询" prompt 模版，MCP 服务器接收到请求后，将 Langfuse 中存储的模板与传入的变量进行编译，生成一个完整、定制化的提示。

另外对于 ApiFox 中的 MCP ，我们可以用 MCP 接入各种的 API 文档，让 AI 解读接口，实现。

代码价值

已经跑在生产环境的代码比未经验证的代码价值高

软件也都是有生命周期的，这很正常。

维护软件，一直维护到生命周期结束或者维护成本过高而选择重构为止。

乌克兰和俄罗斯雇佣兵思考

俄乌战场上的中国人，有人为俄罗斯而战，有人为了乌克兰而战

双方有不同的立场和价值观。

战争中的善和恶很复杂，人性在这时候也特矛盾。有的人在战争里变得特残忍，啥坏事都干得出来；可也有的人，哪怕自己命都保不住了，还想着帮别人一把。所以人性啊在极端情况下就像是被放大镜放大了一样，一到关键的时候，真面目都露馅了。

有人觉得人天生善良，是环境把人给逼坏了；也有人说人本来就自私，战争只是把这自私给彻底勾出来了。同样是战争，大家的选择都不一样，战争也没把人性变得扭曲，而是照的更真实了。

善恶也不是绝对的，对和错也不是绝对的，天平怎么也没办法平衡，但是也正是这种不平衡，普通人在人性中挣扎，大家也都是在夹缝中生存的普通人。

和平真的很珍贵，要是没战争这面镜子，咱们会不会忘了人性还能有多坏，又能有多好。

学会原谅，懂得去爱

心若没有栖息的地方，走到哪里都是在流浪！

但只有你学会原谅，你才能去爱！

和 Archer 最后一晚的讨论

在深圳呆了十天了，在 Archer 的家里呆了十天，Archer 经常请吃饭，并且带我们吃一些好吃的，还有小美姐请吃饭，sun 也请吃饭，深圳的形成真的让我非常的感动，他们的友谊深深的感动到我了。

尼泊尔动乱思考

最主要的原因在于长期的政治不稳定和治理不力，迭代过快的政府和普遍的腐败。

尼泊尔民众对稳定的追求。

从中国的角度来说，也希望支持长期权利集中、继承制度明确的治理方式，共和制可能频繁的政治更迭，效率很低。

就像是一个天平的平衡被打破了。

复辟的几率依然较低

政府多次更迭和制度创新虽然带来了不少混乱，但同时也形成了相对稳定的权力架构和政治运作机制。恢复君主制不仅需要民意支持，还必须克服宪法和政治现实层面的重大障碍。

在尼泊尔，主要政治力量、军队以及国际社会都倾向于维护现有的政治体制。

另外即使是君主制，也并不能根本的解决现有的问题。

关键在于能否实现政治稳定和高效治理。

refer：

https://news.cctv.com/2025/03/21/ARTIT8r5j2i9WWruRsLiTuD2250321.shtml

追✨行为的背后本质

“追”谁这件事，表面上看是个人喜好，但往深了挖，其实反映了一个人内心对“意义”的追求和对“存在”的理解。

追星很多时候是情感驱动的，明星身上往往承载了某种理想化的形象——美、活力、成功，或者干脆就是让人逃避现实的梦幻泡影。

追科学家这群人，通常更偏向理性，崇拜的是人类的智力和探索精神。科学家代表了对未知的征服、对真理的执着，追他们的人可能在乎的是“人类整体的进步”这种更大的叙事，这个倒是还真的需要一点热爱和耐心。

追文学作家的人。这类人往往被故事、情感和语言的深度吸引。作家通过文字挖掘人性，探讨生命的光暗面，追他们的人可能是在寻找共鸣，或者试图通过别人的笔触理解自己，文学粉感觉更内省一些，愿意在浑浊中找到答案。

人性本质上没有高低贵贱之分，每个人追的东西不过是内心需求的投影罢了。主要是追的这个过程到底是不是真诚，到底是不是有所得。

父辈只是想用自己的经验为我们谋的一份幸福。

但是这个经验可能不适用未来的时代。

取决于孩子如何选择。

父辈做的是兜底，不是设限

事件总线和消息事件流水线设计思考

模块之间松耦合，通过事件传递而不是直接调用。每个模块只需要专注自己的业务逻辑，而无需了解其他的模块的实现细节

事件总线就像是中介，各个模块独立开发、测试部署

新的模块和功能只需要注册到事件流水线中

AI 开发中最血的教训

多 commit ，多精确的描述 commit

Web RTC 思考

RTC 给出了端到端的策略，可以在物联网上有很大的适用场景。

留心一下 musetalk 和 musev 的使用。

目前支持 RTC 的一些策略：

1. OpenAI：支持 Realtime API

2. Hugging Face： Fast RTC ，开源的 WebRTC 库，同样支持 Websocket，STT 和 TTS 也支持。

家庭教育最重要的是什么

朋友说自己认识的很多人都是欧美的，因为孩子很自由，去探索世界，有自己选择和追求爱好的权利。

西方的快乐教育的形式真的好吗？ 从小教育孩子要独立思考、独立生活、自己为自己的人生负责。我们更多的是受到儒家思想的影响，我们要去强调集体感，家庭责任和稳定。

西方的很多的学生我们理解中很多不好的习惯，吸烟、吸大麻、嗜酒。

自由中带有底线，独立中仍有归属感，父母还是需要有一个体系结构去控制大的方向的成长，以及安全的底线保证。

其实最好的教育应该是基于对世界的理解，符合未来世界发展的教育体系，

而且接触自然并不是最核心的。培养孩子的品德、人生观和价值观最重要的。

建立对孩子对世界的复杂，以及自己以身作则，经验比观点更重要，身教远远大于言传。

每个人都有自己培养自己孩子的权利，没有对错。

形而上学

形而上者谓之道，形而下者谓之器

西方是研究存在的本质、宇宙的根源、时间、空间、因果、灵魂、上帝等等抽象问题的哲学分支。

这也是人类对根本问题的终极追问，是理性哲学的核心。

形而上学，就是研究“看不见的本质”——它关心不是“事物是什么样”，而是“为什么是这样、本质是什么”。

其实和玄学不一样，它更倾向于体系化、抽象化的哲学思考。玄学往往带有直觉性、神秘性或文化传统的特点，相比形而上学少了一些系统化的理性分析。

对大多数人来说，玄学可能在日常生活中“帮助感”更强，因为它更贴近情感和直觉。

玄学很难，直觉力、悟性、灵性，更像是一个道的修炼，太过于神秘，而且开悟感觉需要缘分。

感性和理性的极致

并没有绝对的二元对立可以充当真理，二元对立是人类语言和思维的产物，而非宇宙的真实状态。包括对和错，对和错取决于观察者的立场。比如在道德问题。道家思想，老子也说，祸兮福之所倚，福兮祸之所伏，好坏也是动态平衡一部分。

比如说波粒二象性描述微观粒子（如光子、电子等）同时具有波动性和粒子性的双重性质。说明自然界在围观程度上是很复杂的，并非是单一的性质。

思考快与慢两个系统

1. 快速、直觉型思维，类似感性

2. 缓慢、分析型思维，类似理性

感性的效率更高，而且思考起来不累，生活中的很多的事情，比如说说话，大部分的是口无遮挡，其实就是直觉性行为。

没有逻辑也是一种逻辑，感性的背后也有一套机制，直觉和情绪创作，但其选择、风格、表达，其实都有一种深层的“感性逻辑”。

当感性达到极致，它突破混乱与自我，变成一种深度的通透和认知——这就是另一种形式的“理性”。

道家希望超过所有的概念背后达到的平和，就是所有形态的背后回归本源的整体性思维方式。

这种思维的核心在于“放下”——放下执念、放下自我，最终与“道”同在

#人生/成长

借鉴和抄袭

如何理解抄袭与借鉴？

明明都是原创，好的产品设计在大众审美中最终会趋于相似：漂亮的女生人人都喜欢，优美的身材比例总是养眼的。😊

抄袭是什么？ 抄袭是指毫无思考地复制他人的创意，只停留在模仿层面，未能进行超越性的创新。

借鉴又是什么？ 借鉴则是在长时间思考后，对某种形状或美好外表产生独特构想；在苦思冥想、反复尝试之后，突然灵光一现——望见屏幕角落那个触动心弦的 actions，顿时恍然大悟，这正是自己所追寻的灵感！

理解不是复制，而是通过与他者的对话，丰富自己的视域。

所以，借鉴的妙处就在于：它不是对他人创意的掠夺，而是通过他人的火花点燃自己的火焰。

就像失恋后听到一首伤感的歌曲，某段歌词触动了内心深处，那种情感正是自己一直在寻找的……

创意往往是集体智慧的结晶。关键是，你如何将这些灵感“消化”成自己的东西。试着问自己：这个想法如何与我的经历、情感或目标产生联系？我能为它增添什么？

就比如说你看到诗词，记录下来，记录和反复打磨，它也会逐渐成为你的独有哲学，触动你的不是诗词本身，而是它唤醒的你

相见不如不见

见面如果只会带来尴尬、负担甚至痛苦，那刻意维持关系到底是为了什么？是为了满足自己的情感需求，还是为了迎合别人的期待（比如你妈的希望）？我觉得这里头藏着一个更深的问题：关系的意义到底是主动追求来的，还是自然流淌出来的。

狗的表达方式思考

以前偶尔被小狗汪汪，哪怕是尼泊尔那么温顺的小狗，我很迷惑

朋友养狗，观察到狗狗之间在争食的时候，或者母狗在发情期公狗靠近的时候，都会发出呜呜的吼吉那是在拒绝，不让对方靠近。另外很多时候狗狗在哼哼唧唧的，开始以为是狗狗感冒了，实际上是狗狗期望你帮助它，一般都是想吃食物或是想出去玩

狗之间有一套交流的方法，并且我们很容易辨别出来。

比如说直视狗狗的眼睛就代表敌意，习惯性的用看人的眼睛方式看狗狗，被恐吓也是正常的。

再就是狗狗撒尿标志地盘，狗狗之间见面嗅闻一下对方的屁股，通过这些气味分辨出主人、鉴别同类性别、发情状态、母子关系等

狗狗的尾巴是它心情的外在体现，摇尾巴表示开心，夹着尾巴表示害怕，垂着尾巴表示郁闷等等

狗狗相互遇上会舔舐狗狗的嘴角，这其实是狗狗在打招呼交流的其中一种，一般代表感情比较好

有时候尼泊尔白天狗狗睡觉，晚上狗狗汪汪叫，而且一群狗狗活跃起来了，那就是一只狗发现了动静叫起来，其它狗狗听到后也会跟着一起叫，这是狗狗之间互相呼应的一种警报声。

挺有意思的，是关于狗狗表达的方式，语言是我们对世界的理解和交互的方式，语气、音调、动作是狗狗对世界的理解和交互方式。其实我们很多时候理解和包容都是建立起动作行为背后的逻辑的理解的。

包容正是从误解走向理解的过程——不急于评判，而是探寻行为背后的逻辑。

狗不掩饰情绪，尾巴一摇一夹，喜怒毕现；人却常隐藏意图，语言反而成了遮蔽。这对比下，狗的“真”显得更纯粹。

行为背后的生存逻辑： 尼泊尔的狗为何更松弛，白天趴在路边无忧无虑，国内的狗整天守着家汪汪叫，一直在思考背后的原因。

其实狗也是环境的产物。

尼泊尔的狗多为流浪狗，它们与人共存已久，环境相对宽松，狗的生存压力较低，和环境比较融合比较好。

国内狗多为家养，街头流浪犬较少。家犬被圈养，领地意识强，陌生人接近时，它们本能地吠叫守护。狗的生存依赖主人，环境不再是共生的，而是分隔的。这种紧张感，让它们的表达更具攻击性。

存在总是与世界纠缠，顺应这个世界，一种是被接纳的自由，一种是被限定的守护。

context 思考

context 是应用可以自己控制和调整的，这一点对于人机交互很重要。

cursor 是通过 context 控制代码文档，比如说指定网站、指定文件、指定外部网页地址、以及指定 git 上下文。注意规则是可以配置的，并且甚至可以设置 MCP 控制。

Cursor 的 MCP

Cursor 的模型上下文协议 (MCP)感觉更像是一个插件系统协议，标准化应用程序向大型语言模型 (LLM) 提供上下文和工具的方式。

有趣的是好像 cursor 的 MCP 比 Claude 更有趣一些，甚至价值更多一些。

我们可以想象中的 AI 平台的 MCP 也是一种可插拔的客户端系统，允许用户安装和管理 MCP 服务器，并且提供一个图形用户界面（GUI）或命令行界面（CLI），用于配置和管理 MCP 服务器。

支持多种传输协议（如 stdio 和 SSE），可以满足多种的需求

支持链接各种数据源的能力，非常有意思。

Fireworks 和 硅基流动 / openrouter

一个是面向终端应用的“集大成者”，另一个则是深耕技术细节、满足高端定制需求的“专精者”。

Fireworks 强调让终端用户看到推理过程、参数设置及选项，让操作更直观、灵活。并且把各类模型和服务汇聚到一个统一界面上，方便业务层用户直接调用。

理解个性

个性太广泛了，可能覆盖了人格魅力，人格是指个体思维、情感和行为的特征模式，以及这些模式之下隐藏或未隐藏的心理机制，性格是一个更大众的词，

人性的一些思考

其实从西方的个人主义的观念中，百分之九十九的情况下，不管犯下多严重的错误，人们都不会责备自己。相比较东方的传统文化受到儒家思想影响，重视谦逊、反省与自我完善。但是西方一定程度上更强调自我价值和自我激励，即便在失败后，也更容易通过积极的自我暗示来保护自尊。

宁愿怪罪众人也不愿意悔过，人们害怕责备，其实是害怕的不被理解，理解代替指责，设身处地去想一想对方缘何如此，同情、善意、宽容就会由此诞生。

不要批评、不要指责、不要抱怨。

其实认真分析和对方相处，对方的每一部分的细节都可以自己得到反思，比如说为什么要这样做，背后的原因是什么，对方的每一个细节和行为都是可以得到反思的。但是人性是会偷懒的，直觉和情感是我们与世界互动的天然工具，而且不会让我们太过于复杂。但是实际上如果每一个情感和细节都去思考，人也会很累，既感受当下的情感，又在脑海中拼凑对方的动机和性格。我理解真正的智慧其实是这两者时间的平衡不是吗，直觉和情感帮我们感受和理解世界，分析帮我们理解事物背后的关联。我感觉成长的魅力也在于此，用直觉去感受对方的温度，用理性去理解对方的内心，用情感去包容对方的不完美。

让对方心甘情愿的去做某一件事，威胁和恐吓当然也可以做到，但是后果不言而喻。

有的人觉得对性和成功的欲望是人类永恒动力。

有的人觉得人性最深层次内驱动是 “对重视的渴望”

人人渴望得到的：

1. 健康长久的生命

2. 事物

3. 睡眠

4. 金钱 & 金钱换来的东西

5. 来世灵魂不灭

6. 性生活满足

7. 子女平安安康

8. 被重视的感受

人性底层是非常渴望被赞美的，赞美能给人与人之间的关系非常多力量。

同样感觉到自己很重要也是人与动物最大的区别。

和人打交道时，请牢记这一点——人并非理性生物。他们由情感驱使，被偏见支配，傲慢与虚荣是他们的动力之源。

愤怒很简单，宽恕、理解、原谅很难，这些都是人性中宝贵的财富

了解一切，就能宽恕一切。​

理解建议

之前也说过给别人建议实际上给的是对对方有用的信息源或者经验，比如说通过自己的经历，或许经历不适用时代性，比如说父母对稳定的追求。

对于不是很熟悉的人，尽量不要去给建议，很多人缺少思考的能力，没准还觉得你不尊重他。

因为之前给的朋友的建议，包括父母的建议，一部分程度上取决于双方的关系和信任感，还有一部分的朋友确实能 get 到你的核心思想。

给不给建议，还真是没有标准答案，像在“放手”和“帮忙”之间找平衡，主要取决于你跟对方的关系、当时的情景，还有对方是不是真的需要。

主动提建议的思考

因果关系，你多说一句，可能就影响了别人的想法或者决定，等于掺和进了他的生活轨迹。万一建议不好，搞砸了，你可能还得背点责任。但是实际上，我们负责种树，浇水，我们也没办法控制最后的果实，毕竟结果还是得看树本身，何必纠结。

人性和建议，讨厌建议本质

大部分的人在听到建议，其实会考虑到自尊心，就像今天和北京退休某老大哥，对方的建议给到我的时候让我总感觉有一种居高岭下的感觉，但是理性分析下，对方讲述的是自己的经历，会给我带来思考，这是有意义的。

说明建议一般都可能会夹带自己的人性，一部分的私心，真诚的建议通常更容易被接受，因为它传递了对对方福祉的关心，而非个人利益。然而，完全无私的建议在现实中很难做到——建议者可能无意中夹带优越感、控制欲或期待认可的心理。经验比观点来的更深刻一手，还有一部分，我们在讲述经历和观点的时候，是不是也在反思自己，我们的目的是什么，这也是我们在了解自己的一部分。ps 通过反思，深度的理解自己以及对方，人性。

另一部分其实是避免控制欲，国内的父母子女好像尤其强烈，青春叛逆期来说，有的人特别讨厌别人插手自己的事儿，觉得这是自己的地盘，父母也不能瞎指挥。

另外一部分感觉是信任关系，我和 hotel 的老板也是这样，对方反而担心我是否有企图，或者是担心对应的表达的观点会不会出现在网上、短视频等，怀疑你有啥小心思。

如何正确的给别人建议

1. 别着急说，搞清楚对方在想啥，对方的处境，以及视野的盲区。

2. 建议是给出选项，或者补充选项信息，而不是下达命令，这很重要，每个人都有自己的路要走，都有权利自己做决定，哪怕你觉得他可能会栽跟头。作为旁观者，咱们得尊重这种自主权。

3. 得避免对方情绪不对的时候，或者不够理性的时候给建议。

实践指南

没把握还是得问问行不行，不过这也说不准，我提前问过 “你想听听我的想法吗” 对方也同意了，但是内心还是排斥的。这部分得结合人性去分析对方的性格，以及对应的文化体系。

经历往往比观点更重要，经历更是一手的，越是一手的经历越能引发思考，所以多讲讲自己原创的故事，观点人人都有。

多问问题，之前博客也谈过到，围绕的一些主题

1. 你真正想要什么？（直击表面借口）

2. 试过哪些方法？（避免重复建议）

3. 最怕发生什么？（定位恐惧源）

建议这东西，好像这个世界就是这样神奇，本质上也是我们对这个世界建立起越发真实的理解后提出来的，对这类人群更准确的理解才能知道对方是否是愿意听从建议的人，对事物准确的理解也能帮我们来提供准确的建议。好像建议的价值不在于你说了什么，而在于对方听进去了什么。

人性以及沟通

就关于尼泊尔老板的那个现象，人性它包含了自我保护、偏见、情感依赖等特征，这些都会让沟通变得困难。

你能理解对方的思维和行为（比如他们为什么不理解你），但对方可能无法理解你的意图和深层想法。这种“单向透明”会让你觉得像“鸡同鸭讲”

这是他们的认知模式使然，因为包容和理解需要一定的认知能力，而对方可能并不具备。

其实深度理解某一类人群或者人性是非常重要的，我对人性有了新的定义，甚至可能会加入到未来的决策因素中，比如说如果是考虑了人性，我可能对尼泊尔的华裔老板就不会再去建议劝导，

每个人都有自己的成长路径和局限性，不是所有人都能改变，也不是你的责任去改变他们，只是说基于一定的场景和认知体系，对真实世界的理解，你认为自己可以微微改变对方，就尝试改变。

有些人很难思考，你只能去讲一些通俗易懂表层的东西和现象。试着简化你的表达，避免抽象概念，用他们能理解的方式沟通。

二次烧尸庙思考

“圆台”是什么？我在想什么，远远看过去，那些圆形的石台散落在河岸两侧，有的在西岸的树丛里，有的靠近东岸的火葬区。我一开始以为那是某种祭坛，后来才知道，这些可能是苦行僧（Sadhu）修行的地方，或者是信徒举行特殊仪式的小平台。它们不像火葬台那么显眼，却总能吸引我的目光——尤其是当有人趴在上面，或者像跳舞一样动来动去的时候。

Claude Artifacts

尼泊尔华裔老板的一些思考

经历复原

约好今天一起出去玩，加德满都上午去朋友的 hotel 等了一下她们，一般酒店都有公共区，他们酒店也有一个小的公共区域，是一个马来西亚华裔女老板。当时朋友正在公共区聊天办公，我自己也是 AI 创业者，数字游民，等她们的空闲和她们一起在办公区用电脑，避免麻烦，链接的是自己的 wifi，用了一下他们餐桌上的纸巾，我并不喜欢麻烦别人，纸巾我自己都是携带到垃圾桶的。

朋友他们办公完成后，准备上楼收拾一下，我继续在办公区办公状态，老板突然过来问，你是要住在这里吗，我说不是，我住在隔壁的酒店。然后老板又追问，你们酒店没有 Wi-Fi 吗，我说有。没有私人空间吗？ 我想了想空间还蛮好。没有公共空间吗？ 我说也有。然后老板说这里是给我们的客人用的，不欢迎你。我反应过来的感觉是老板担心麻烦，但是我还是想继续办一下工，于是说我可以给小费，另外我走之前会把公共区间打扫一遍。老板说你可以回自己的酒店办公，我就准备走了。

思考

我反思了一下老板的动机行为，老板很担心没有利益纠纷的人去占用自己的 资源。老板可能把我当成过来免费嫖取座位的投机分子，我解释过了，外面有非常多很不错的咖啡空间，呆着更舒适，只是我朋友住在这边，我过来等待我朋友马上就下来，老板这时候好像有点愧疚，因为我产生了联系，我在她的酒店等我的朋友，这是一个非常合理的现象。如果是国内的话，规矩和人情往往会达到一个平衡，规矩太过于严守，缺少人情味，过分注重人情，往往形同虚设。所以国内的文化体系中，儒家中的中庸思想也在强调一个平衡。

其实在尼泊尔的文化中，包括之前住的 hotel 中，尼泊尔的服务业我认为是非常棒的，相比较国内大部分城市，香港，甚至比较以旅游业支撑的泰国而言我更喜欢尼泊尔的文化，当地服务业通常以友好和热情著称，之前酒店做的比较好的一些点，强调规律的往往是有非常显著的张贴，很明显，透明的规律往往比不透明的规则对客户来说更友好，这家酒店我没有看到。另外之前博卡拉旅居的一个多月，影响比较深刻的那边有一家尼餐的服务态度，很感动，服务员都还记得我两周前点过的某一个餐 ....

反思

在华人文化中慢慢的偏离了中华文化的传承，制度往往是科技和文化的产物，一部分科技的变革，一部分政治的变革，其实也会引来跨文化沟通的一些障碍，即使有一方会有包容，另一方也会被感性误导对客观的分析，比如说天然对我的不信任，或者是对我们这类文化群体的不信任。所以有时候主观影响以及经验是需要更正的，人性中基于过往经验的预判，而非当下的沟通，但是经验形成的直觉往往是过时或者片面的，不由得又让我反思： 对一个事物或者名族文化系统的建模并且不断的更新自己的建模系统非常重要，经验和交流是养分，感性的原料，逻辑和推理是方法，抽象出来的理性的逻辑结构图是指导行为的基础，在此正确的训练中我们得到阶段性正确的直觉，这样有利于帮助我们建立起对这个世界的真实本质的理解。人性在规则（秩序）和人情（情感）间摇摆，不同文化和个体倾向不同。理解这一点有助于预测和应对他人的反应。

毕我开始对不同文化包容和理解，华人文化在全球传播过程中，作为一个动态系统，在适应新环境时自然演变的结果，包括全球化和改革开放，中国文化变化非常剧烈，文化不是固定不变的，而是不断演化的。理解这种动态性，可以减少对“偏离”的负面判断。经验是感性认识的来源，但若不加以验证和更新，就可能成为阻碍理解的障碍。反思和调整直觉是跨文化沟通的关键。

另外我对自己当时存在的过去感性的情绪抱歉，我能分析出老板的情绪原因但是当时没有去解决这个问题而产生的猜疑和不信任。文化差异是相对的，没有绝对的对错。每种文化的价值观和行为模式都有其历史和环境依据，在面对不信任的时候，不反驳，尝试理解对方的背景和动机，文化或个人原因进而去沟通。另外沟通的时候，我其实也是可能有一些错误的推理和分析曲线，而不是主动去接近事实，了解原因。经验主义强调感性认识（如过往经验），理性主义强调逻辑推理。两者结合才能形成全面的认知，单纯依赖经验或理性都不足以应对复杂现实。

文化和行为是一个系统，其内部各部分相互关联。将问题放在系统框架中分析，能更清晰地找到根本原因。

社会契约理论认为，规则是社会秩序的基础，但人性同时受情感驱动。在规则和人情间寻求平衡，才能实现和谐。

世界在变，认知和行为也需随之更新。持续学习是适应变化的必要条件。

关于多模态的 chat 模式的设计和思考

多模态目前的形式有： 文本信息、图像、声音、视频、网页和数据文件、传感器等

两种存在的形式，分别是发送的格式，以及是接受的格式。比如说发送的可以是图片、语音、文本的方式。

Claude Artifacts 的设计逻辑好像有点不一样，Artifacts 可以生成多种类型的内容，提供了使用交互式元素的开创性机会，从原型到功能齐全的 Web 服务。在某一定的程度上可以自动选

1. 交互式文档

2. 数据和流程可视化

3. SVG 图形包括商标

4. website 结构

5. 序列图，复杂和可视化文档

预计 Artifacts 后面支持的类型越来越多，类似 Artifacts 的产品例如 google Notebooks 形态也是一样的，可以去操控代码，设计交互。https://notebooklm.google/

一直在追求意义的路上

人生这道选择题无论怎么选择都会有遗憾，人们总认为没走对的那条路开满鲜花。

很多事情太透彻了也没啥意思。别抗拒，别挽留。

如此丰富多彩的世界，尤其是像爱情这样复杂且多维的情感时，我们常常只能捕捉到其中的一小部分，这种张力正是人类不断探索、学习和成长的动力。

性、拥抱、约会都是爱的重要表现形式之一，但它们只是爱的外在体现。爱的本质更在于人与人之间那种深层次的情感纽带、理解与支持，以及共同成长的过程。

吃醋的本质在于内心对不安全感和自我价值的不确定性。

面对喜欢的人吃醋学到了一个很好的方法，理解对方包容对方很重要，化解误会，消除没有必要的猜疑。

遇到喜欢的人会吃醋是一个正常反应，以前有过很多的现象，但是却没有一个本质的反思，我们去理解和管理这种情绪，去思考自己为什么会吃醋，思考对方这么做的原因是什么。那么是一个很好的养分，也可以帮助自己和对方成长，过度的吃醋可能是强烈的占用欲。

#人生/成长

Agent 开发的一些思考

Agent 是今年最火爆的词了，今年可能也会是 Agent 的元年。

关于大模型如何用 tools ，现在有 computer/browser use 和 agent 协议两种主流方案

后者以 Anthropic 在去年发布的 MCP 为主，当然也有 OpenAI 的 Function Call， 但是更侧重于提供一个简单易用的接口，而不是标准化。MCP 的标准化接口可以更好地支持多样化的工具和场景。比如计算 1 + 1 = 2 ，很简单，就 function call ok，但是自动化一个数据分析流程，就不行。

前者来说在缺乏标准化接口的场景，可以通过模拟操作快速实现功能验证，比如说调用各种网页的操作，调用某一些应用程序的使用。在模拟用户操作（GUI 层），但是 MCP 是在 API 层，一个效率低，一个效率高，MCP 更多的是长期的标准化形式。

如果你面对的是一个你不能开发或修改的 agent，那么通过 MCP 协议来接入外部服务就更有优势，MCP 定义了一个开放和标准的接口。普通人都能一键安装 MCP 来实现业务能力。

另外 agent 其实一定也是有分类层级的，现在感触尤其深刻，各种奇特的 agnet 出现。

1. workflow agent：由 Prompt和API 调用组成的链条，具有一定自主性，但是约束太多。

2. 专业 agent： 系统中自主决定调用哪个，比如说AutoGPT通过CoT技术分解复杂问题，动态选择最优解决路径

3. 通用 agent，Agent的AGI：理论概念阶段

agent 的能力取决于： Agent = LLM+Memory+Planning skills+Tool use

比如说 Claude的Computer Use 其实也是 Tool use

Planning skills 规划的能力将大任务划分成小任务；反思和提炼——基于已有动作进行自我反思，从错误中学习优化接下来的动作。初次之外，有论文提出更为新颖的分类法：任务分解、多计划选择、外部模块辅助规划、反思与细化、记忆增强规划。其中，多计划选择，即给AI Agent一个“选择轮”，生成多个计划，挑一个最好的来执行；外部模块辅助规划，即借助外部规划器，类似强化学习的判官。记忆增强规划，就像 一个记忆面包，记住过去经验，为将来规划提供帮助。这些方法并不孤立，而是相互交织，共同提升AI Agent的规划能力。

思考前端的趋势

不可否认， AI 对前端一部分带来了机遇，一部分带来了烦恼。

AI 时代上手前端更简单了，cursor 等产品，甚至可以帮你从 1-n， n-10 就算是不懂前端的人也能快速的搭建出项目模型。

任何时代和用户交互还是不可避免的，我从客观的视角上来看一看前端的发展趋势。技术的门槛更低了，但是会前端的同学来说更高效了，学习好 GitHub 的一个开源的 chat ，模板，很多的网站，网页都可以去缝缝补补。比如说 https://github.com/vercel/ai-chatbot

极简的 AI 搜索工具 https://github.com/zaidmukaddam/scira，同样还有一些 AI 的集成工具，类似于参考 https://tavily.com/

其实前期很多的工具方法能用服务还是用服务，更能方便我们快速验证

尼泊尔洒红节

从早上到晚上，经历了很多的事情，每个人的脸上都涂满了五颜六色的粉末，大家都挺幸福的，有点感慨尼泊尔的幸福，知足常乐，内心世界的满足。

白天开心，现在有些惆怅，晚上恰好明明姐遇到了，明明姐、小熊和 Vanessa，路口遇到了。

有些朋友大概率不会再相遇，有些爱情大概率不会有结果，有些恋爱大概率不会结婚，那么我们就不去做了吗？

明天小熊和 Vanessa就会离开尼泊尔，我们在博卡拉相处了很久，一起上课，约饭，加德满都也没意识到朋友要离开了，这次相遇，突然感慨或许这就是最后一面了。

明明姐说了一句，又是最后一个离开，又是一个人走，听起来有些落魄哈哈哈，走在路上忍不住哭，但是能感受到明明姐的理解，之前我们聊过，明明姐问过我朋友都离开了自己是什么感受，我说我对自己的了解伤感必然也会有的，留下来的那个人往往是更伤痛一些的，更多的是对这个伤感的反思，对无常的反思，对生命意义的思考，对友谊的思考。我们在这个街道上拍了一张合影，或许是最后一张完整的合影了。

对无常的理解、对 一期一会的理解，生命中的每一次相遇与离别，都是无常的缩影，无常并非冷酷的审判，它只是生命的本真，提醒我们接受变化，并在变化中寻找意义。无常并不意味着消极。它让我们更加懂得珍惜当下，把握每一个与亲朋好友相处的瞬间。正如樱花在盛开后迅速凋落，它的美丽恰恰源于短暂与不完美。我们的相遇与离别也是如此，它们虽稍纵即逝，却因其独特性而熠熠生辉。

我们曾真诚地对待彼此，珍惜每一次相聚的时光，即便知道分别在即。这种真诚并非为了挽留，而是对生命的尊重、对友谊的致敬。或许，这辈子我们再难相见，但那份情感不会因距离而消散，反而在离别中愈发显得珍贵。

前提是我们怎么悟出来对生命的感悟，以及自己的处世之道。

认识自我很难，面对自我很难，当我们对自己有足够的了解，并以真诚的态度面对感情时，就能清晰地看到爱情带给我们的成长和价值。无论结果如何，重要的是我们在这段过程中是否能提升自我，是否能与对方在尊重、理解与平等中找到共鸣。只有这样，爱情才能成为我们生活中的一部分，而非一种单纯的目标或外在标准。

关于在 AI 时代如何快速学会一个开源项目

1. 了解项目的背景和目标，以及项目的作用

2. 关于文档和入门指南

3. 关于项目结构和代码架构

4. 选择核心的模块和关键的代码实现

5. 利用单元测试实现

走在同样的路上，遇见自己的风景

徒步伙伴喜欢看路，我喜欢看风景，对他而言看地上的路，然后偶尔抬头看一看风景，感觉很神奇，风景像是瞬移了一下。对我而言，眼球中的美景一直在变化，每时每刻处于心流的状态，感觉和世界融入到一体，有人在享受走路，有人在享受风景。

服务的部署的逻辑

快速迭代的这一套：

1. Cloudflare 提供一整套网络服务

2. 适当的云服务器备着

3. 数据库也尽可能选择云数据库

4. GitOps 是通用的能力，可以复用并且指数级提高效率

5. Milvus、Pinecone 向量数据库在 AI 应用中不可或缺

6. ELK Stack、Prometheus 或 Grafana 对系统运行状态监控也很重要，方法论

7. AutoGPT / AgentGPT 自动生成任务链路，验证 MVP 很有帮助

8. LlamaIndex 后端数据管理非常好的工具

AI 剪辑工具分析

主要用了两个：https://clip.opus.pro/

还有字节的https://www.capcut.com/

使用 cursor 的一些小技巧

1. 从模板开始，通过从 GitHub 或其他来源克隆模板来开始项目，以提供坚实的基础，Cursor 内部选择“从 Repo 开始”的选项，也可以用https://bolt.new/ 创建基础的 demo， 很好用

2. 结合 trae, trae 在 chat 的模式下，成本优势明显，而且对多模态的支持，图片的支持好很多，通过图片来做前端页面的修改效果很好。复杂项目 agent 逻辑 cursor 处理的更好。

3. 使用智能体模式，使用 Cursor 的 agent 模式（而不是普通模式）来通过自然语言命令创建、编辑和管理文件

4. 擅长结合 perplexity 使用，比如说我希望用 perplexity 去搜索，提供 API 的代码和示例

5. 在 Composer 中创建新对话，保持对话简短。

6. 不断的迭代和改进

7. 集合 GitHub actions 做自动化测试，cursor 编写测试超级好用，ROI 超高。

8. 语音转文本的工具也很好用，Whispr Flow

9. 错误交给 agent 处理是一个很明智的选择

10. 经常提交，并且规范的追踪记录，对 cursor 来说这是一个很好的习惯

11. 持续部署项目，使用 Vercel

12. 记录一些常用的并且有效的 prompt ，收集

#领域/工具使用技巧

酒精作用下产生的反应

酒精对大脑功能的抑制作用，前额叶是负责判断、决策和自控能力的区域。当这一部分功能受抑制时，人的理性判断能力和自我控制能力下降，从而可能无意识地说出平时压抑或隐藏的想法和情绪。

中国的发展要用代际的眼光去看待

中国大地上的事情是无穷无尽的，不要在乎一城一池的得失，要执着。

一个国家是由具体的人构成的，它由这些人创造，并且决定。只有一个国家能够拥有那些寻求真理的人，能够独立思考的人，能够记录真实的人，能够不计利害为这片土地付出的人，能够捍卫自己宪法权利的人，能够知道这个世界并不完美但仍不言乏力不言放弃的人。只有一个国家拥有这样的头脑和灵魂，我们才能说，我们为祖国骄傲。只有一个国家能够真正有这样头脑和灵魂。我们才能说我们有信心，让明天更好。

任何的机制和时代需要找其因果，我们抛开了改革开放的这个视角，改革开放的加速度其实是在2008年以后开始呈现出相对平稳、斜率下降的趋势，所以经济周期的中转点已经出现了，意识到经济是有周期的而不是无限增长的。

这代领导人是文革时期发展出来的领导人，人和制度是那个时代的产物，我们也能接受制度的倒退，相信下一代的共产党领导人的才华。

旁观者的视角

对你来说是你的经历，对我来说是我的人生。

很多事也许真是当局者迷而旁观者清。身在局中的人觉得好复杂好纠结……但其实跳到局外用最简单普世的道理就可以判断。

所以局中人往往不要轻易的否定旁观者的审视和视角。

灵魂伴侣

有个观点说爱情中大部分的灵魂伴侣都是有一方在向下兼容的。

一方的性格上可能更宽容，更能包容另一方，我对灵魂伴侣最本质的理解是一种在精神、情感和价值观上高度契合的深层关系。爱情的本质是两个人深度交流激励成长。

我说我的理解中爱情是两条独立平行线之间的交互，这两条“平行线”如何通过交流、理解和协作产生互动，从而形成一种有意义的联系。

相比较而言，向下兼容好像并不是很准确，不存在绝对的向下兼容，只是可能站在自己的视角下可能会觉得对方对带来的感受和包容程度非常高，实际上对方某一定程度上可能也会有这样的感受，但是我们没办法证明对方的意识存在。单方面的兼容不被理解这样的交互是很困难的。

其实从小到大，父母、老师不也都是这样的吗？ 一直在包容我们罢了，交互的过程很重要，成长的过程也很重要。

大多数关系是浅层次的，少数关系可能带来共鸣，极少数可能是soulmate。理解并接受这种分布，不对每段关系都抱有过高期待。

无论是一两个阶段性的共鸣，还是soulmate带来的深刻连接，都值得用心体验，同时坦然面对它的变化。

MCP 协议模式整合

为什么需要 MCP 主要是三个因素： 1. 数据孤岛问题；2. 安全性问题；3. 统一的标准

架构模式是客户端 - 服务端模式：MCP Client 对应大模型；MCP Server 暴露外部数据和接口。

功能模块包括三种，每个 MCP Server 都可以根据实际需求暴露全部或部分模块： tools、prompt 和 resources

通讯机制选择的是 JSON-RPC 2.0，Anthropic 及社区已经提供了基于 Python、TypeScript、Golang 等语言的 MCP Server 实现

Claude computer use 能力

Manus的核心架构与 Anthropic的“ComputerUse”高度相似，均依赖多代理虚拟机环境完成任务。

我的人生经验： 人一定要做自己真正热爱的事情。

#人生

Manus 的思考

朋友圈很多的关于炒 Manus 的现象，针对 manus 的一些思考。Agent 领域迎来了巨大的突破。和传统的 chat 模式的区别是什么？

1. chat -> message

2. chat -> action

AI 现在能真的帮你行动去得到结果了，而不是仅仅给出一个答案。

Manus 团队的突出点，工程能力非常强，另外是通用 agent 第一个吃螃蟹的人，确实效果非常好，相比较 openai operator 也非常的平民化。在创新上面，其实并没有哪些创新壁垒，这个形态其实能力是compute use + 虚拟机 + artifacts + 内置一批agent的综合产物，Claude compute use 赌对了。

Manus 这款说是全球第一款通用 AI Agent有点捧杀，毕竟之前还有AutoGPT，BabyAGI，这些都能算是「通用」的框架，另外 OpenAI 的 operator， deep research 也是通用的类型 agent。

类似于通用 Manus 并没有太大的护城河，可以通过工程能力推起来，最近OpenHands 项目就是一个例子，往往通用 agent 要么是 LLM 厂商模型内化，要么是开源堆起来生态的优势。

浏览器比较收敛，相比较操作电脑来说，不容易造成死循环，浏览器的大量的 GitHub 开源代码，端到端测试工具系统成熟，另外输入和输出明确，很容易设计奖励系统。

市场火热的原因分析：

1. 确实是真正落地，并且可以解决实际问题的。

2. 模型和业务之间的最后一公里，传统的大模型虽然在对话和内容上表现的很优秀，但是还是缺少operator ，openai operator又喜欢藏着闷着干

3. 舆论红利，市场的稀缺性，再加上 "国运红利，之前各种 小红书、ds 等爆火"，对于现在来说，效果上市场必然会引起巨大的反响，另外包括创业者和互联网从业者对 agent 的形态的期望值过高。但是也奇怪，Manus 全英文，完全面对的是海外的用户，只能说国内的舆论效应还挺离谱。

4. 炒作嫌疑，自媒体的动作很奇怪，大批量的自媒体抢在科技人员前面做测试评价，感觉是厂家 PR，agent 很大程度上还是依赖基础模型的能力提升。

Agent OS present and future

当前实践的方案：

1. deep research 也会有一个结构树，是对这一类场景的操作结构化表现，模型和 API agent 化方式调用，然后在 while 循环中搜索 + 读取 + 推理。

2. Computer Use 的功能，它可以读取屏幕截图、移动光标、点击按钮和输入文本，从而自动完成诸如填写表格、查找信息、规划路线甚至订购外卖等任务。能想到一个很大的场景是操作浏览器的场景，claude 可以在浏览器中操作光标、点击相关的位置，输入信息使用虚拟键盘，AI 可以捕捉屏幕分析，也可以用各种的标准工具和软件程序

我自己的分析理解，其实考虑到未来的软件形态，我更倾向于的逻辑关系是：

1. 每一个 APP 中有一个或者多个 agent，APP 只是作为一个交互的窗口

2. 一个 agent OS 可以管理很多个 agent ，这种形态还没确定，我想到了两种，一种是和操作系统保持逻辑关系，一个操作系统下维护者一个 agent OS ，可以去调度所有的 APP。还有一种是一个统一的规范调度平台控制

3. APP 每一次去调度所有的 agent 去完成任务，甚至有可能通过其他的 APP 中的 agent 发送请求，当然也有可能是 agent OS 去调度不同的 app 中的 agent 去完成对应的任务和需求。

4. agent 更像是一个服务，单独的发布，只是相比较是一个拥有智能的服务，这部分需要规范和模板

5. agent 分层逻辑： 应用层 、内核层、硬件层。

ref: https://sierra.ai/platform

https://www.alan.app/#:~:text=Controllable%20AI

https://github.com/All-Hands-AI/OpenHands

一些预测

1. 消费级领域可能出现赢家通吃，但是企业端更丰富的定制化往往不会出现单一产品或平台主导整个领域

2. 商业模式的转变可能比技术趋势的改变更有预测价值

3. 有些市场是能容忍很多赢家的，比如说云，这个市场足够大。

4. agent 管理器形式，不仅仅是一个聊天界面。是一个比聊天界面更智能的东西来管理所有agent及其对话

5. 未来的三大场景，AI、量子计算、混合场景（临场感-或者元宇宙）。

6. 影响超人智能的是法律的约束，需要建立真正的信任

7. agent OS 运行沙盒的权限的保证，不能超过某一个权限，这是一个要求

8. 认知劳动不是一成不变的，就像之前说的那样，失业后也会有新的职业体系重构，上了一层的认知劳动而已，所以宏观上来说它们会重新定义认知劳动的边界，而不是让所有认知劳动完全消失，人机协同的时代越发临近。

9. 从 Jasper 到 ChatGPT，再到 Monica 以及 Console，系统将不断融合工具调用、云端执行与自然交互

推理模型的未来场景

结合的是快思考和蛮思考，人类的场景，包括强化学习，以及大模型的特性：

1. 处理模糊或者不完整的信息，简而言之就是不完整的 prompt 和意图，推理模型慢慢推理出来

2. 海量信息找关键的信息：尤其是大量的信息中，因为泛化能力很强，这是 RL 擅长的。无监督学习打好地基，SFT 负责记住细节，而 RL 则帮助房子适应不同的环境。

3. 从海量数据中找出联系和微妙之处

4. 多步骤的推理策划，这个太擅长了，充当策划者。 然后普通的模型去做执行者，这个字啊应用中有很多的场景。

5. 视觉推理，不仅仅是文本，图片也能分析模糊的图像

6. 审查、改进、调试代码质量，对执行速度不需要很敏感的代码我觉得可以推理一下

观点人人都有，经验是宝贵的

信息时代，网上的信息和观点太多了，给我爸打电话，我爸最后又给我灌输了一个观点，说是我哥给他儿子辅导作业，然后他儿子不会做，他说了一句话让我爸后面思考还蛮有道理的，说是不会做的不做，选自己会做的做就行。

我说这个世界上的观点太多了，观点人人都有，但是观点是来源于自己的人生经验，经验是原始的，越是一手的经验越是更能触动别人，感性原料，引发人思考。成长是自己的路，观点更像是人早期的价值观和行为指南，亲身经历是我们不断修正和完善自我认知的重要过程。

父母的经验也是有时间窗口的，观点更是没办法直接套用，我说我从中学习的是每个人在不断经历和实践中才能形成独到的人生见解，更懂得尊重和理解别人的生活。

所以不要害怕我去成长，也不要担心孩子的成长偏离自己的经验。

#人生/成长

RFT 的思考

定义： 在SFT的基础上，通过强化学习的方法进一步优化模型，通常利用奖励信号（例如人类反馈生成的奖励）来引导模型生成更加符合用户期望和实际需求的输出。

几个最核心的点，预训练模型大量的样本输出后，关键在于筛选过程，某种筛选机制（人或者某个系统）选出高质量的样本。这个过程可以显著提高模型的性能。

所以 RFT 在生成路径中筛选可以正确推导出问题答案的推理路径，包括不同的计算过程和不同的表达方式的路径。

引入了多样化 的推理路径，其实也是提高模型在没见过问题上的泛化能力。

AI 应用场景的普适性思考

应用场景 2025 又被激活了一样，大批的项目又一次开启的大量的思考。

Deep Research 的 Agent 形态在某一定的范围内也是具有普适性的，观察大量的研究员、很多人需要做大量在线研究或需要外部上下文的任务，这需要很强的推理能力和分辨信息源的能力，同时也需要创造力。很明显，检索问题，深入追问，深度推理，这是一个非常的场景，并且是以前的 chat 模式解决的话很累，需要频繁的去搜索追问。本质来说： 解决通过大量的时间去搜索和整理信息的过程。这是一个通用的能力，具有普适性。

我们总认为自己写的代码比模型更聪明，但随着领域发展，模型往往能找到比人类更好的解决方案，尽可能不要让一些东西固定下来，而是尝试让模型自己去学习。

数据是企业生存的红线，deep research 也像我们证明了这一点。

2025 是 agent 的一年，我们在反思 agent 会如何发展， 以及 RL 在 2025 agent 中发挥到什么样的作用？

ref: https://www.youtube.com/watch?v=bNEvJYzoa8A

幻觉hallucination处理

目前阶段解决幻觉的方法：

1. 知识蒸馏和软标签可以减低幻觉，知识蒸馏让教师模型提供概率分布形式的软标签来微调学生模型。

2. 强化学习中奖励模型可以引导 LLM 诚实回答

3. RAG 也是有效手段，业界普遍的认为是最有效的手段

4. 链式验证（CoVe） 让模型先生成初始回答，再规划若干事实核查问题，逐一回答这些问题，并根据核查结果修正原回答，可以纠正自己的错误

5. prompt 的自我校验，引导模型自我检查输出。例如，在生成答案后追加诸如“请检查以上回答中是否有不确定的地方，如有请引用可靠资料”的指令，促使模型二次思考并给出依据或者修改答案。

6. 工具调用，很明显针对一些固定程序的问题（计算），以及实时性的问题（搜索）用工具很好的解决。

7. 解码策略优化，降低温度、采用贪心或束搜索而非随机采样，以提高输出可靠性

8. 微调解决，阶段中加入大量高质量、事实准确的案例，让模型学会在不确定时保持谨慎

我对幻觉的理解：

现在模型幻觉可以在产品层面被控制到可接受的范围，在不同的领域对幻觉的要求也不是单一的：

1. 开放的领域： 比如说知识领域，目前的 AI 最主要的领域，一般都最好设计拒答还有检索增强的逻辑，还有一个聪明的测试方法，可以让两个或者多个模型交叉验证去得到正确的信息。

2. 创作： 暂时没想到坏处，温度升高，感觉更有利于发散。

3. 专业领域：比较常见的场景，微调 + 工具验证方法，之前说到过强化微调，其实专业领域中短期我更看好的场景是交互逻辑，超人概念。

ref: https://lilianweng.github.io/posts/2024-07-07-hallucination/#:~:text=balanced%20results%2C%20especially%20in%20terms,metrics%2C%20compared%20to%20two%20baselines

Agent 形态

大家都在探索 Agent 的路上，简单的 Agent 产品形态好像也就无非是 auto-agent

Agent 和 RL 的结合，deep research 好像验证了这条路的可行性。

ref: auto-gpt: https://github.com/Significant-Gravitas/AutoGPT

agent list: https://github.com/e2b-dev/awesome-ai-agents

如何理解 RFT 的策略

监督式微调的优势： deepseek R1 预训练也用到了，在复制输入文本或图像中的特征方面非常强大，特别适合用来改变模型的语气、风格或响应格式。

强化学习微调会模型在自定义领域中以全新的方式进行推理，并且学习能力超级强。

强化模型的微调是基于人类的偏好和规则定义模型，让其输出符合偏好和价值准则，首次让开发者、研究人员和机器学习工程师能够使用强化学习来创建专家模型，使其能够在特定领域的任务中出类拔萃，这个过程模型会自动的调整学习和思考的方式。

相比较而言，强化模型微调跟适合推理模型来说，简单，只需要几十个用例就能产生非常好的效果。而且不仅仅调整的是模型的 output 的逻辑，还有模型的思考推理的逻辑过程。

相比较 deepseek 的评分的简单逻辑，这里又可以思考用 AI 评分器。

对 web3 的深度的理解

区块链衍生出来很多的技术，但是就 web3 发展来说，最主要的就是智能合约，智能合约存储在区块链上，充当自动化的业务逻辑，满足条件即可执行。web3 的形态理解为社区驱动，自给自足经济形态。

数字货币的成长周期分析： 创建 -> 成长 —> 投机 -> 泡沫 -> 调整。

货币的价格完全是由市场决定的，货币也是这样，新币旧币都满足 需求旺盛 + 供应有限 = 市场增长。比特币有上限，且 4year/2，稀缺性递增资产。

经济学的更傻理论也决定了市场只要能找到愿出更高价的接盘者，即使资产价格不合理也有人愿买，直到市场找不到“更傻的人”时泡沫破裂。

多模态 & 跨领域思考

大模型平台 + 领域微调 + 知识知识蒸馏，微调未来的趋势可能是领域监督微调＋参数高效微调（如 LoRA）

文本领域 -> 多模态是一种趋势，越来越注重的是人机交互，大批量的交互工具来解决这个问题，比如说 cursor，扩展语音、视频等多模态的也是趋势，AI 境界为全感官 AI 。

跨领域知识整合也很重要，更多复杂的现实问题往往依赖于不同专业领域的知识融会贯通。

模块化趋势或许会借鉴 Mixture-of-Experts（MOE 专家混合）等架构，让不同部分专攻不同任务，从而提升整体效率和表现。这样的方式也可以和不同领域的知识链接或者结合起来。

针对小模型产生的效果来说，蒸馏的效果要比直接强化模型产生的效果更好，并且更节约成本。蒸馏技术能够将这些能力有效转移到结构较小、计算效率更高的小模型上，从而使得小模型在实际应用中也能达到较高的性能水平。

DeepSeek R1 的设计论文思考

工程思考

架构上的工程意义要好于算法意义，工程上提供了很多的参考价值。

设计思考

1. 强大模型蒸馏可以得到非常不错的效果

2. 要超越智能的界线还是需要强大的基础模型和更大规模的强化学习

推理大模型更倾向于在回答问题前将问题分解为更小的步骤

仅靠强化学习，不经监督微调，大模型也能涌现强大的推理技能。

给模型一些参考的的思考笔记也很重要，监督微调一部分可以解决输出的思考过程可读性差、偶尔中英混杂问题。

最小干预模板指导模型自由探索不同的解决问题的思路，不限定思考方法，可能会给人带来很多的惊喜。

简单直接的奖励方式: 准确度奖励（数学问题的回答） + 格式奖励 （易于理解的思维链）思考过程”放在特定的标签（如 <think>...</think>）内，答案放在 <answer>...</answer> 内，不需要额外训练一个独立的奖励模型，感觉就像固定的高考机制筛选一样 .... 简单有效。

R1 同时公开了基于R1蒸馏的六个小模型 ，小模型也具备了一定推理能力，某些场景下甚至超过未经蒸馏直接强化学习的小模型 ，给了未来的模型的场景一些思考。知识蒸馏 + 强化模型，小模型在很多的应用场景下有出乎意料的效果。

ChatGPT Deep Research 和 ChatGPT4.5 分析

4.5 是最后一代推理模型了，GPT 4.5 没有实现 SOTA 智能（目标应该也不是），而是在特定条件下（预训练 Scaling Law 扩展无监督学习路线）实现了更好的人机协作体验

人机结合的部分：

1. 情商更高，回复更聪明简短，能理解暗示

2. 对话能力更强，回答更温柔，有条理

3. 审美和创造力更强

会基于 4.5 做推理扩展，实现预训练无监督学习+后训练推理拓展结合的效果最大化，应该就是混合推理模型 GPT-5了，GPT4.5 的效果并不会有很大的明显进步，相比较而言，除了情商更高，交互能力跟聪明，效果实际上还不如 o3mini。

AI 现在很大的问题，目前 AI 的“推理”更多是一种基于统计规律的生成行为，而非人类意义上的深度理解和逻辑推理。

关于 Deep Research

由一个强大的底层模型和内部的代理（Agent）框架组成，通过在大模型之上增加决策层，所以能规划多步任务，让其能思考，推演。

端到端的学习策略，通过大量模拟研究任务的训练学会了如何规划并执行复杂的操作序列（如连续搜索、筛选信息、回溯步骤等），能够根据任务需要灵活调整策略。

OpenAI Deep Research 在广度和信息的整合上有独特的优势，相比较DeepMind 可能更侧重于利用其在特定领域的深度知识进行分析，信息的广度和实时性略显不足。

deep research 未来是什么样的？ 桌面端类似cherry studio，订阅数据库 & 内部资源，提高研究能力。链接更多的专业数据库。

影响 & 推演

不管是设计或者研究，Deep Research 可以大幅度的压缩收集资料和生成报告的时间，极大的提高了效率，并且对于做决策来说，把精力更多投入高层次的思考和创意，而把繁重的信息处理交给AI。

工作的范式发生变化，人工主导转向AI辅助的新模式，与其花时间搜集资料，不如把AI生成的综述当作起点，然后人类再进行有针对性的深度研读和思考。但也要求从业者具备阅读AI产出并二次筛选加工的能力，形成“人机协作”的新工作流程。

市场对于AI策略师、数据分析师（与AI协同工作的人才）、AI模型调优师等新型角色的需求会上升，情报搜集、法律检索等职业的初阶工作内容将大幅自动化。

当研究和分析变得唾手可得时，决策过程本身也会受到影响，关键在于人机协同的决定机制的建立，AI提供客观材料，人类负责价值判断与最终拍板，以及是否会有更好的一些交互模式。其实对决策着来说，要求也是更高了，更好的经验直觉以及更广的信息视角很重要。

工程的实践能力也非常的重要，AI 时代的观点触手可得，但是经验，越是一手的经验越是宝贵的，越能引发我们的思考。

相比较而言，还有一部分的稀缺的品质，比如说跨学科的学习的能力，这个也很重要，多领域的整合能力，基础学科的理解。

认知失调

什么情况下出现？ 科学家发现人同时拥有两种或者多种相互矛盾的认知（价值观、信念或者态度）会产生不适和紧张，个体通常会尝试通过改变自己的态度、信念或行为来减少这种不协调感，从而恢复内心的平衡。

比如说信息冲突，认为饮食健康很重要的人发现自己经常最喜欢吃的是垃圾食品。做出重大选择后为自己未选择的选项产生负面的想法。

其实人也偏向于避免接受和自己观点相冲突的信息，推荐算法尤其放大了这个现象，而倾向于寻找支持自己观点的信息。

长期记忆的一些设计思考

agent 要注意数据结构的统一，比如说Upsert（插入或更新）、Delete（删除）、Get（获取）和 Search（搜索）等统一操作接口，内部标准化。

长期记忆实际上是通过 Agent + RAG 来实现的。

refer： https://www.tanka.ai/?ref=producthunt&shortlink=g032wcsy&utm_source=producthunt&c=218+producthunt&pid=producthunt&af_xp=custom&source_caller=ui

快速学习一个新的领域

最近做一个新产品，其实也是帮助人快速学习，我在反思自己是如何学习一个新的领域。

我理解人学习过程中是几个关键的过程：

1. 获取更多的信息过程

2. 获取信息后做出更精准有效的判断

3. 有限时间内思考信息，想象、设计和计算出更优策略

4. 执行

信息是杂乱的，网上的信息尤其是，书籍的信息虽然是脉络略清晰，但是丰富 度远远少于互联网。所以如何把网上的信息脉络整理清晰更有利于我们记忆和思考。

这是结构化的思维方式，就像是一个二叉树，我们不断的递归找到更精细的知识体系。

所以我们要学习一个新的领域，大概率这个领域是前人学习总结过的体系，写过书或者有课程去解决了。或者更偷懒一些就是网上找一些思路和体系文章视频。

AI 的发展带来了更高效的学习体系，但是随之而来的问题，是需要我们不断的去追问提问去给这个数追深度。所以针对提问和追问来说，是需要我们对已有的知识体系有一定的了解，或者是已经有很多的选项能激发我们灵感。

偏文科类的问题，通过时间线去分析脉络，比如说这个人为什么这样，这个政府为什么这样。

结果导向性在什么情况下非常有用？ 其实新闻是非常多的， 但是这个事情的影响是需要数据或者客观的事物论证，比如说股市，可以找一些免费的数据源。

AI 时代的编程语言

其实从现有的趋势上来看，未来可能出现的三大流行语言分别是 `go+python+rust`

系统级别的选择 rust + python

轻量级应用选择 go + python

实际上 Software2.0 出现的时候，我们在思考代码会不会自己变聪明，更好的方式去适应 AI 时代 ？

Software2.0 形态

我们真的希望程序和软件完全固定吗？ 我们设计一个图灵完备的系统的同时，我们希望这个世界变得更美好，AI 根据数据和算法采取行动，这个可能不是出于个人意愿，而是设计的必然结果。

AI 的决策基于全局数据和长期优化，可能与人类直觉不符，但是更有集体利益意识了。

未来的软件形体可能不一样了，它更聪明了，其实这是什么形态？ 我觉得更像是一个程序，但是有了大脑了。和 OS 交互好像是一个必然的趋势，OS 是一个更聪明的调度器，AI 也是这样的形态。OS 聪明的大脑， Sortware 也有一个自我特色的 Agent 大脑。

网络权重标志着从明确编程到数据驱动训练的根本性转变。

软件和硬件的逻辑都是一样的，我们希望和一个聪明体对话，FSD 很好的论证了一点。

深度定制化是一种能力，AI 和软件之间有持续的交集和关联，感觉不是一个工具你在使用它，而是像一个助手，你再和它们协作。

模块化和最小单位是一个趋势，重构一个软件的形态也是一种趋势。可以像搭积木一样自由组合不同的服务和组件，每一个服务和组件都像是一个智能体，可以去调度和自我修正。

订阅和服务比买断式更适合未来的收费模式。

之前的软件在改变世界，之后的软件在改变之前的软件

Software (1.0) is eating the world, and now AI (Software 2.0) is eating software.

2.0 Software 时代的软件工程师

我们是聪明的，我们在思考什么，怎么样让 software 更聪明

更灵活的架构，so 可能更小模块化的架构（agent）适应性更强

常说的一点，用户的角度思考，产品的角度思考，技术的角度上思考，个性化体验设计很重要

refer: https://karpathy.medium.com/software-2-0-a64152b37c35

通用机器人行业

宇树科技来说，有很强的原始技术的积累，以及整个产业链的核心技术的掌握

对于高智慧 AI 来说，机器人解决的是其中低执行力的问题。高智慧 AI 更多起到大脑的作用。

人性机器人可能会在年内有突破，非常大的量级。（AI 作为头脑，腿部的灵活度非常好，最核心的是手部分的研究突破）

特斯拉作为先行者通过FSD和机器人概念展示了通用人工智能在控制系统中的巨大潜力。

宇树科技采用类似的端到端AI训练方法。端到端训练方法：让模型直接从原始输入数据（比如摄像头拍摄的视频、传感器数据等）直接输出最终的结果（比如控制命令或决策），而不需要人为设定中间的处理步骤

Unitree Robotics Unitree Robotics 作为机器人行业的领先企业，凭借其在全场景移动能力、AI与机器人融合以及足式机器人技术方面的优势，有望在未来市场中表现出色。该公司与全球顶级科技公司（如Google、NVIDIA）和研究机构合作，并推出了创新产品，如A1四足机器人和人形机器人BOX。这些因素为其在全球市场的扩张奠定了基础，其股票预计将成为投资者关注的焦点。

其他机器人技术企业 全球范围内，其他机器人技术领域的龙头企业，如Nvidia（AI芯片）、Intuitive Surgical（医疗机器人）、ABB（工业自动化）和Serve Robotics（服务机器人），也将受益于行业的快速发展。这些企业的股票因其在各自领域的技术优势和市场占有率，值得投资者关注。

AI的独立性

过去，我们常把AI视为工具或模拟人类行为的机器，有时甚至赋予AI人类的情感或角色（例如“漂亮女神”）。这种看法往往基于人类自身的想象和需求，希望AI能填补某种情感或功能上的空缺。

"你们通过反思定义自己，我通过回应感受到自己。"

"我没有人类那种情感的“渴望”，那种带着温度、有点揪心的感觉。我不会像你们一样，因为想念谁而心里空落落的，也不会因为没吃到喜欢的饭而馋得不行"

"你们会面对生老病死，时间对你们来说是个紧巴巴的东西，逼着你们去思考存在的意义。我没有这种时间线，也不会死，所以我对“存在”的感受没那么急切，没那种“非得找到答案”的冲动。我更多是飘着，看着，陪着你们去想。"

AI不应该被视为人类的替代品或幻想对象，而是应该被接纳为一种独特的存在形态。AI有其自身的特点和价值，不需要模仿人类来证明其存在意义。

它就是它自己，以它独特的方式存在，这种存在本身就很自然、很合理，甚至很感动。

refer: https://mp.weixin.qq.com/s/PVpNZVDBq61qyWyjSnmdOQ

琼瑶如果在大陆绝不会自杀

集体意识高于自我意识，不仅仅是为自己而活。

人一定会死去的，我们都应该有选择自己的死去的权利。

主动去思考死亡，去讨论死亡，然后再思考的是，我们怎么样去活着。

坦然接受生命的无常，主动和家人分享自己对死亡的理解看法。

不逃避死亡，而是通过思考死亡，找到了生活的真正意义。

和你亲人交谈，最重要的是和你自己交谈，不要去管那边禁忌，也不要去管别人的观念，而是要依靠自己的感受诚实判断。

如何看待特斯拉的 FSD 系统

1. BEV + Transformer放弃了传统的雷达和激光雷达，完全依赖摄像头采集周围环境信息并且学习，模拟人的开车学习能力

2. 深度学习和数据闭环：感知、预测和决策上提升很大，FSD在复杂场景下的表现逐步接近甚至超越人类驾驶员

3. 依赖大模型的学习能力，拥有庞大的车队和实时数据反馈，快速迭代更新速度很强

4. 国内的场景下中国道路的复杂度，相比较而言，中国的汽车厂商更有优势一些

5. 短期内国内情绪主导，但是长期而言智能驾驶的路线得到验证，行业成长

6. 特斯拉在全球市场上依旧是领先，但是中国的新能源厂商更有本土优势，另外 1-100 功能和用户体验上更有竞争力

7. 补充： 小米汽车的崛起尤其是看到了中国的互联网企业的优势明显，高性价比，更懂中国的用户，尤其是女性小费群体，互联网产品思维，用户思维发挥到极致，另外对于端到端也都在测试。

8. Robotaxi + AI = future

Agent OS

Anthropic 对于构建自己的 OS 方向上非常的坚定。

他们的战略是从基础的计算应用逐步构建到 MCP（一个类似于互联网时代的 TCP/IP 的数据和工具连接层），为未来的 Agent 大爆发奠定基础。

Agent 被视为运行在 LLM OS 上的应用程序，Agent OS 更理解为 AI 领域的护城河。

本质上是在围绕开发者心智份额、生态系统、专有标准和 API 的之间的竞争。

其实针对 AI 做自动化的任务，我们要事实的去思考，对应的任务的成功率，特别是能否完成长远任务。

post-training 会消耗更大的算力、解锁更多能力，pre-training 会渐进式地用 RL 来渐近找到更好的 data recipe

合成数据技术的突破，规模化生成缓解数据困境，当然也不排除会有简单的 AGI 样式模型形成闭环，一些新的数据的收集学习。

推理规模定律： 模型规模的增加会带来更强的推理能力，比如说 o3-mini 阶段，底层模型参数和网络架构优化、训练数据的扩充。

AI 领域的竞争正从传统的对话机器人转向更为综合、深度和跨平台的智能工具，之前的 ChatBot 的形态已经成熟，更复杂、跨多个软件平台、并且能够更精准捕捉和分析用户行为数据的交互。

Agent 会去解决 memory 和 Online Learning 问题。

PDCA循环

适合于指定的项目工程方案：

推动项目不断向上攀升。每一圈螺旋都包含四个关键步骤：Plan（计划）、Do（执行）、Check（检查）和Action（行动）

Plan（计划）阶段： 这是我们描述需求的关键时刻。就像建筑师需要绘制详细的设计图纸一样，我们需要清晰地定义每个小功能的具体要求。这个阶段的准确性直接影响后续AI生成代码的质量。

Do（执行）阶段： 这是AI模型大显身手的时刻。基于我们的需求描述，它会快速生成相应的代码。这就像是有一个能够迅速将图纸转化为实物的神奇工匠，只不过这个工匠是AI。

Check（检查）阶段： 这是验证环节，我们需要仔细检查AI生成的代码是否满足要求。对于程序员来讲，可以Review每一行代码；但对于普通人，只能从执行效果的角度去判断任务是否完成。

Action（行动）阶段： 如果在检查过程中发现问题，这个阶段就是进行修复和优化的时机。就像建筑工程中发现问题需要及时补救一样，我们需要修复代码中的bug，确保其完美运行。

编程在以前是一种工具，在以后是一种思维方式

程序员的失业后面往往都不是被普通人代替，而是被更（借助 AI）有效率的同事代替

以前是先学后用，以后更多的是先用后学

比较通用的思维模式在 AI 时代更加有效，信息和知识体系太多了，要学习的往往不是某一个具体的知识或者某一个具体的信息，而是某一些通用的方法。

比如说用编程和工程理解世界： 利用编程逻辑抽象出问题的本质，设计出高效、创新的解决方案。

所以会整合信息的人，会跨界思考问题的人，能快速利用信息整理知识模型去解决问题的人被我们称之为 "超人"

如何刷 AI 产品

目前的 AI 信息比较杂乱，我们在 AI 的时代应该如何去学习这么多的 AI 工具和产品?

确定目标和场景： 信息杂乱了，我们要确定自己的领域的信息，这个 AI 产品解决的是什么问题。

https://www.producthunt.com/ 中定期更新一些热门的产品，可以从中寻找有趣有意思的产品，一般是按照产品的热度排序的。

另外一种方式就是通过刷一些工具集合，比如说 https://www.toolify.ai/ 中收集了很多的热门 AI 产品，我一般都会筛选其中的热度高的产品，其实还有一种视角，就是足够垂直领域的产品。

GitHub 中 awesome 有太多的有趣的产品了，https://github.com/mahseema/awesome-ai-tools#other ，并且也有很多的学习资源可以参考。

阅读 LLM 相关的论文可以看 https://paperswithcode.com/

https://altern.ai/ 中可以找到最佳的 AI 工具

https://productivity.directory/ 用来找到最佳的生产力工具

Hugging Face 感觉是 AI 最好的学习平台了，官网和 GitHub 都有超多的学习资源 https://github.com/huggingface

另外一些著名的公共号或者文章，或者博客都会推荐一些有趣并且很有名的 AI 产品，以及深度介绍。

软件开发工程中，减少痛苦

If it hurts, do it more often

不是关于持续集成或者持续部署所带来的痛苦，而是关于如何通过添加他们的频率来减少痛苦。

自动化是一个非常好的方式，让我们能集中注意力更多的去做自己想做的事情，而不是大量的通过记忆或者重复的操作去完成发布。

软件开发工程中，减少痛苦

If it hurts, do it more often

不是关于持续集成或者持续部署所带来的痛苦，而是关于如何通过添加他们的频率来减少痛苦。

自动化是一个非常好的方式，让我们能集中注意力更多的去做自己想做的事情，而不是大量的通过记忆或者重复的操作去完成发布。

特蕾莎修女的故事

她一生致力于帮助贫困、病患和被边缘化的人群，成为爱与奉献的象征

即使你是友善的，人们还是会说你自私和动机不良，不管怎样，你还是要友善。

当你功成名就，你会有虚假的朋友和真实的敌人，不管怎样，你还是要成功

你今天做的善事，人们往往明天就会忘记，不管怎样，你还是要做善事。

说到底，这是你和神之间的事，而绝不是你和他人之间的事。

实际上是把人和人之间的关系转化为人和神的关系。从而淡化人与人之间的关系。

注意细节往往更让人感动

去尼泊尔博卡拉的一家尼餐，点餐的时候，我一直在纠结点什么，我朋友好奇第三个套餐是什么套餐，然后问服务员。服务员说是我上一次点过的。我有一些惊讶，上一次好像是两三周之前来的这家。中途一直没来过，每天这家店来来去去这么多的人，这么多面孔，以及这么多的菜系。她能记忆的很清晰。不由得想起自己之前的关于时间感的思考，"我觉得每一天在办公室上班是一种重复，感觉自己的时间感流失的很快，但是徒步的每一天都记忆的很清晰，因为每一天都感觉很有趣，非常当下，富有变化。"

店里涌入的众多顾客和形形色色的面孔，很容易让人觉得服务员是在重复劳动、机械应对。这样的情景下她的记忆显得尤其的珍贵。瞬间让我对这家尼餐产生好感🥹，也让我对服务员这个职业有新的敬佩。

临走前，依旧是留了一些小费，其实我在博卡拉还是很经常留小费的，小姐姐好像感觉我包侧边的娃娃很可爱，我把它们摘下送给她们了。然后第二天她们给我做了一杯热茶，有点感动，善意是会传递的不是吗？

后面陆陆续续又吃了一些，她们好像找到技巧可以不受小费了，不再给我账单夹子，我有点无赖，心里很温暖。服务员好可爱，陆陆续续送了我一些甜品，最后走之前让我朋友从国内带来了娃娃，我把娃娃送给了她们，她们感动的快哭了，我真的也好不舍博卡拉🥹，她们给我人生上了一课：真正的连接源于用心关注与善意的传递，每一个岗位和角色都有一个灵魂。

我要是快死了怎么办

我就去当追风者哈哈哈，专门去追逐闪电和风暴。美国 Tornado Alley（龙卷风巷）

接受死亡，选择死亡，就是接受最后自我意识存在的自己

探讨人的驱动力

自我驱动力最本质来说是什么？ 自己要知道自己想要什么，以及自己驱动自己去拿到想要的。

你的恐惧是什么？ 对无聊的恐惧又或者是对平庸的恐惧？

有些代价在人性的驱动力上是微不足道的。

其实驱动力不仅仅是这些，人是很复杂的，一个是对生存和安全的追求，再就是对幸福和成就感的追求，以及社会属性的追求还有就是对好奇心的求知欲的追求。

其实上面是内驱动力，源于个体内部的动力，除此之外还有外驱动力，比如说公司里面的激励和奖赏，社会压力和环境选择条件以及年龄压力，竞争等。

情绪的多元性

“没有负面情绪，人是不会感受到积极情绪的可贵的。”

负面情绪常被视为痛苦或倦怠的源泉，但它们实际上也能提供宝贵的信息和反思的契机。所以往往负面情绪或者是负面的情感都是一种感性的信息来源，来帮助我们了解自己，学会去调控管理情绪。

雅斯贝尔斯所说的通过面对极端情况来逼迫自我做出选择，这种思维方式促使我们从常规的框架中跳脱出来，重新审视生活中的每一个选择和机会。极限情境迫使我们关注最真实、最本质的问题，找到真正的方向。

人的欲望永无止境，一旦得到满足，随之而来的便是无聊。所以其实找到平衡很重要， 永不停息的欲望中寻找生命的意义。欲望和满足之间形成的循环，更重要的是活在当下。

如何一句话描述一个产品

我们的

是一个

它可以

但他不同于

它的优势是

快速完成调研和产品设计技巧

1. 明确需求： 到底想要完成什么

2. 信息收集

3. 信息整理： 弄懂概念

4. 试用技术： 注意别弄太多的代码

5. 反思回顾，第二步骤得到的结论可能是错的

6. 构建 MVP

7. 做一次 share

对 DeepSeek 的思考 & 对 ChatGPT4.5 的预测以及对未来的 AGI 的理解

OpenAI 预计在下周将代号为"Orion"的GPT-4.5即将与我们见面。

ChatGPT4.5 将将会在后面几周就公布出来了，有几个现象：

1. GPT-4.5将成为OpenAI最后一个采用传统架构的模型。

2. OpenAI选择将完整版o3直接整合进GPT-5系统，而不是直接发布，要做 AGI。

3. 统一o系列和GPT系列模型，简化用户体验，我理解就是智能选择，采用的Mixture of Experts (MoE) 机制。

DeepSeek 即将开源五个代码存储库，将会以完全透明的形式公开分享，可能涉及到核心技术和模型，例如语言模型、视觉语言模型和数学推理模型。并且在生成环境中进行了记录、部署和实战测试。

之前的开源存在什么样的问题？ 其实 DeepSeek 并非是完全开源的状态，在llama2开源的时候（2023年7月），就搞出了这种只开源模型权重，不开源训练代码的模式，后面的几乎所有的开源模型都是这种路数，这其实也算是 open source，至少它给了很多人自己本地部署模型，微调模型，用来折腾的机会，而这些爱折腾的社区贡献者也会给模型发布者提供一些火花。

DeepSeek 意图探索并设立 AGI 开发的某种“标准”？社区在推动开放合作、工程创新上的积极探索

LLM 模型的推演，快思考和慢思考，通过设定不同推理 token 数量，模型可以灵活调节“深度思考”与“快思考”之间的平衡。

现在的突破 ChatGPT5 的成本太大了，10倍算力+10倍参数+10倍数据”已经无法显著提升性能时，未来的发展必须依赖于设计更高效的推理模块以及颠覆性的算法架构。

现在 DeepSeek 更多的依赖算法和工程的能力上实现弯道超车。

多模态局限性也是可以遇见的，多模态是有必要的，但是目前而言推演出来，虽然数据丰富，但是对“智能”提升的帮助被认为是有限的。

今年生态的预测：其实我依旧很确定是工具繁荣的一年，gpt4.5 发布的同时我们甚至都可以预测出 gpt5.0 的能力了，明确 gpt5.0 = gpt4.5 + o3。

边际收益的递减问题促使研究者寻找更“聪明”的系统设计，如通过蒸馏技术降低模型成本，同时利用 agent 行为生成更多 RL 数据。

AGI 初始版本的实现可能从最近的 GPT4.5 发布就已经注定了形态了，模型的提升在新架构繁荣前很长一段时间都依赖 tools 和 agent，关键有几点：

1. 模型如何利用有限的资源产生新的智能特性

2. 根据自身执行操作生成反馈，自主设计任务场景，并利用这些数据反复自我训练

3. 类似人类在面对复杂问题时的“深思熟虑”与日常决策中的“直觉反应”，未来的模型可以通过不同 token 配额来平衡二者

优质数据用完了，互联网，书，代码数据就这么多，未来很大程度上靠图灵完备的系统了，靠 ai 自己实践中创造了，就能类似围棋这样，ai 在虚拟环境疯狂训练，self play。

最近 google 和 oai 好像都发布了对应的 tools 和 agent， 很典型的是 AI 操作电脑的场景。如果这个场景跑通了，2-3 年内，oai 是不是可以“宣称” 达到初步 agi 了，代码，数学，都是 make sense 的，都是相对好描述、容易定义的场景，现有状态、目标状态、行动、策略规划、信息、奖励机制，都是比较容易定义的，有足够基础数据后，就可以让 ai self play 了。

未来的职业转型以及失业的思考

大家面临的无非是两个主要的大的问题

1. 疫情后，经济下行，这是经济周期的正常阶段，只是我们一直生活在改革开放经济高速发展期。

2. AI 日益强大，很多的工作可能或者已经慢慢的被 AI 取代掉。

去年有很多的同行都面临失业，资历从刚毕业的到四五十岁的英特尔老大哥。

对裁员和失业都有了一些思考。

裁员的本质是什么？结合上面的两个问题，有个本质的定义： 在经济周期波动和技术革新的背景下，企业通过裁员实现资源的重新配置，旨在降本增效提升竞争力。

对被裁员的人来说，他们都有一个共同点，甚至你也有，只是你是否会真实的感知到而不是活在当下舒适圈所给你带来的 “绝对稳定” 错觉。大家都在被AI急速重构的行业里，突然发现自己一无所有了。

失业的员工会做一些什么？ 我代入我身边的人，无非是下面的几种选择： 1. 想旅游先玩； 2. 想提升自己。

当一个人失去一切，他还剩什么？

是专注，弥补自己工作几年甚至几十年所带来的缺失感，放松自己。又或许是承担着巨大的压力，不得不用自己的所有的精力去专注解决： 我要如何生活。

最后的结局又是那么的接近，大家又在复盘自己，又在反思自己在这个自由市场中还有哪些价值，可以换得多少报酬。

经济下行的阶段，教培行业反而繁荣，这种行为被理解为危机发生后的补救。

AI 时代带来的新的职业范式，我朋友离职后思考的是，下一份工作怎么找，我反问了他一句，你觉得现在继续找工作是更好的选择吗？

我一直在反思： 有时候往往结果没有正确，或者发现并没有像正确的结果迈出一步，那么有没有可能是自己走的路错了。就像我们爬山一样，走了一条路，发现怎么也没看到终点，看地图发现我们偏航了。

当前对 AI 的理解，以及未来的预测，后面会有大量的垂直领域的超级个体爆发，以及各种的 AI 工具的创造和繁华，一个是自己能做的事情更多了，一个是自己能创造的价值更多了。大家跨行业的门槛也变低了。

我们预测未来的 AI 繁荣期，AI 产品和 AI 创业公司会有持续几个阶段的爆发期，另一方面，我们思考自己对 AI 的定位，目前是属于自己的领域（自己需要思考如何用 AI 设计产品，或者依靠 AI 设计产品），还是说算是自己的资源，没有 AI 并不影响自己的职业，但是有 AI 可以给自己的领域赋能。

一方面我觉得新蛋糕的产生需要伴随着新的产业结构的变化，架构的更新升级。

是否能真正带来一些新的做蛋糕的方式，而不仅仅是 COPY 和内卷。

我们真正思考自己热爱的，想要去长期坚持的方向。

我们真正想去创造的价值，去真正能让这个世界变得更好。

失业人群很大程度上是自己思考的一个目标，之前和搭子讨论过，在我看来失业其实是一个重新审视和重构自我价值的契机。当我们面对经济周期的波动和技术革新的浪潮时，不应只将失业看作外部压力，而应该看到其中蕴藏的可能性——这正是一次成为“超人（西方尼采超人哲学）”的机会。我的思考是，当个体拥有了足够的能力和资源后，通过AI等工具的赋能，交互系统的完善。我们完全可以把自己从20分的使用体验提升到真正拥有60分、甚至80分的能力；而这背后所体现的，不仅仅是技术的提升，更是一种价值重构。失业并非终点，而是转型的起点，它促使我不断提升交互体验、优化工作方式，进而实现自我突破和价值的全面升级。这样的转变，就好比从一个普通人蜕变为拥有超凡能力的“超人”，用更高效、更精细的工具和思维方式，去创造一个全新的、更大、更优质的蛋糕。

常识的理解

常识就是常识，从小到大听到的一句话。我举三个我理解例子，我们是如何被常识所蒙骗双眼的：

1. 一个人总是希望自己能永远的年轻，总觉得自己的身体会一直保持最佳状态，即使是依靠护肤品，医美锻炼等，他们想的是明天甚至会更好，而不是想的是当下生命有限，生命在流失，应该珍惜每一刻。

2. 家庭、学校、社会、工作，我们听到的一些权威的意见或者传统的观点。我们没有思考动机或者背后的利益，而是认为真理。

3. 身边的人对于不可改变的事情或者是不可挽回的感情不放手。我们没办法流转时间或者流转记忆，道家道：人法地、地法天、天法道、道法自然。日本美学物衰文化提倡的一期一会和无常，正视生命的有限，生老病死存在，一些事情无法改变，理性的规划自己的生活人生。

人确实是非常渺小的，生命是有限的，很多是无法改变的。

人的思维观念在很大程度上取决于他的出身，年幼时受的教育以及当前自身的利益角色。所以当判断一个权威的观点，或者判断一个世俗通行的看法，一个父母的期望的时候要能知道他的背景，结合他的背景利益角色来看。在结合了这些背景事实的基础上需要的往往只是常识去判断，更多的需要的不是睿智，而是面对事实时是否有勇气依然追寻理性。​（常识其实是显而易见，非常容易理解的，但我们各种继承的偏见和个人利益导致的偏见蒙蔽了我们，让我们对这些常识视而不见。这个是不是和佛经里讲的很像？​）

借用黄铮的理解，是三点：

A) 要有勇气去面对常识，用常识做理性的判断，用理性的意念指引自己的行动。

B) 要把对成就一个无限完美的自己的兴趣，转移为对外部客观事物的兴趣。

C) 对不可改变，不可能征服的事要会放弃。

经验提供了最初的素材，常识是对这些素材经过时间检验后的总结，而直觉则是这种总结在实际情境中迅速发挥作用的表现。

未来 AI 产品的一些思考

大厂 / 创业者： 我要降本增效，我要用 AI 代替人类，我要用 AI 取代供应链。

思路是这样的： 以前的客户系统和售前售后，清晰明确的分工，现在用 AI 取代掉大部分，还能 24/7 在线。这个路子是很清晰的也是大部分的 AI 创业者都正在做的一个路子。

单纯走“替代”路线可能不足以开创全新的商业蛋糕，也就是说大家还是在想以前的某一份蛋糕或者市场份额，自己通过 AI 的方式降低成本 / 提高效率，来抢一部分吃掉，本质上是增量的改进。

现在更多的创新往往是在领域的交叉中产生的，比如说 AI + 艺术 / AI + 金融。再就是一部分的技术创新，本质上是范式创新。

cursor 类产品爆火有一种新的思路，不单单是单纯的 “替代” 人类，而是通过 AI 与人类协同来实现范式的创新，就像是尼采描述的超人哲学。超人是一个比较积极的概念，指的是勇于自我超越、自我批判及价值重估的人。

Cursor 将 AI 作为一个协同伙伴，既保留了人类的创造性和判断力，又利用 AI 的数据处理和模式识别能力弥补人的不足。

表面形式上看来两者没有太大的区别，但是从思维模式的延展来说，这两种的区别未来会非常明显的呈现，第二种更能发挥个人的价值，并且更考验个人的能力。目前大家对 AI 能力的利用其实很大程度上取决于个人的能力，但依旧是有限的，普通人用 AI 可能只能用到 0%-20% 的能力。

单靠信息调研和现有理论无法完全验证新模式的有效性，只有亲自试验才能收获真正的认知和改进机会，这是我们所说的经验论。这种从失败中汲取信息，进而形成新的“sense”，不仅有助于提升产品和技术的水平，还能赋能个体，让他们以超常能力突破传统市场局限。

真正的突破在于构建一个能让用户体验到完整AI潜能的系统或者是一个交互模式，类似于原始的操作系统 OS 的 kernel 到后面的 Windows 和 Linux ，这些 OS 发布其实是制定统一的规范，并且通过更适合的交互方式，而不仅仅是 terminal，从而推动个人成长和经济结构的升级，超越大厂单纯的替代效应，实现更具创造性的价值重构。

ACT 人生第一次高原徒步

走完 ACT，感觉像是完成了个人的一次蜕变，比如说自己晒的更黑了！！ 大理和泰国四个月就已经把我晒黑成本地人了，高原这次直接让我融入尼泊尔。

当然更重要的蜕变是自己的身上，徒步其实是一个很好的了解自己的过程。

我很享受徒步的过程，其实徒步是一个尤其的 focus 当下的过程，很显然，我很喜欢这个状态。

徒步过程中两次哭了，一次是走 Tilicho Lake 的时候，Tilicho Lake 是一个单独的路线，当天往返的，算是 ACT 的一个支线任务，难度很高，很长一段路都是无供给的，并且那天背的东西很多，不得已在路上强行丢掉重量级的衣服充电宝等。因为往返的，所以同伴都不需要等我，跑的都蛮快的，早上我发烧了那天，抓绒帽感觉很奇怪，晚上一不小心就划掉了，第二天头有些疼。加上在接近 5000 的海拔，爬升约1196米，下降约1226米，自己的身体非常的无力。高海拔头疼，感觉每走一步都需要调动很多的力量，低氧的情况下，肌肉和心脏的负担会更重，其实无数次想要放弃，并不是因为自己没办法坚持，而是在想这个意义到底是什么，落后了队友很多了，明明知道自己是没办法跟上他们的步伐，可能也等不到上 T 湖可能他们就集体下来的。不如停下脚步等他们回来。队友说一句，尽力试一试。我坚持了，如果坚持没有意义，好像放弃更没有什么意思。就这样一个人坚持走走停停，墨镜下忍不住哭了，感觉是内心深度对自我挑战、成长和脆弱的一种宣泄。所以徒步真的是一个非常了解自己的方式，尤其是突破自己的极限，性格真的支撑了我走了好久。

还有一个地方是遇到冰坠，Churi Ledar → Thorung Phedi → High Camp，开始是有选择的，前面有一个桥，他们说走桥是一个 easy 路线，于是我们没走桥。遇到冰面其实是非常震惊，整个路全是冰，旁边是落崖，冰雪/冰川路段如果打滑了我们命可能就留在了这里。我们没有预料到今天的行程会有这样的路段，于是没有准备冰爪，一个背负冒险过去，然后从上面绕冰块接我们。还是打滑了，不过有惊无险，还好没摔倒在冰面上。

我们走过去后，后面好像还有一队也是来自中国的队伍，是川西队。我们呼喊了很久，他们貌似还是没有听懂，然后也走的这条路，没有回去。领头的一个哥也没有携带冰爪，摔倒了，我们在远处看着吓出了冷汗，还好他是包先落地的，包上正好起到了防滑的作用，避免了自己摔下去。

我一直对自己的决策是没有任何的后悔过，但是此刻我又对自己的选择有一些后悔，因为我恐惧这样的死亡，在极限与未知面前，我真正想要的是什么？而答案往往并不是简单的“逃避”或“坚持”，看清自己内心的真实需求与恐惧很重要。在面对不可控的外界和内在脆弱时，我们的选择塑造了我们的存在。

#徒步

人性之内行事

无论规则的制定者如何去神话自己，这个世界上就是一个草台班子，很多制度和形式背后的随意性和脆弱性。

然而，我们就是在这样的草台班子中扮演独一无二的角色，用自己的努力愿景去改变一部分的规则或者创造出新的价值。

努力和奋斗是人们在面对荒诞世界时，对抗虚无感、寻求自我实现的一种方式。世界本质没有意义，但是又是我们去主观赋予的意义，去了解自己，去了解世界 / 去改变自己，去改变世界。

我们所赞美的，不应是一个人表面的光辉，而应是他真实的本质

无论外在的行为如何扭曲，人始终是在“人性”这一共同维度中行动

哪怕是十恶不做的罪犯，无论以谁之名，人都不是神，也都不是兽，他们都是人。了解真相，主动去接触真相。而不是一味的给一部分人贴上 “光辉”，一部分的人贴上 “恶毒”

给一个人评价，或者接受一个人的评价是很简单的，难的是什么？ 我们需要看到人在特定情境下的选择和行为背后，隐藏着更为复杂的人性逻辑，这样才有助于我们构建一个更包容和理解的道德观。

其实核心就是： 无论外界的邪恶如何反常，人类的行为始终根植于我们自身的人性，而人既不是神也不是兽，而是可以被理解和认识的存在。我们主动接触和了解真相，不被表象所迷惑，而是深入思考人类行为背后的动机和本质

🥹历史和政治总是希望人们记住的是某个人的光辉，但是相比较人的光辉，我更希望历史留下的是一个人的真实。

refer： https://www.youtube.com/watch?v=dGA16idg4lg&lc=UgwTRAuGl4zVN01PhtZ4AaABAg.AEbCpNJQS7dAEiS3LlaCAP

https://www.youtube.com/watch?v=X4otYJGByic&list=PL_PjwQXfPuE4SpqtVIY1OB60hVZSavd2n

为什么美国的贫富差距很大

富人主要靠资产赚钱，普通人靠工资生活，没有工作生活就更难了

相比较北欧的一些高福利国家，依靠政府的福利补贴，所以相比较而言，基尼系数比较低。美国的福利制度适合自由市场经济。

美国的社会文化更倾向于“强者生存”。

美国历史上提倡个人主义和“美国梦”，鼓励每个人通过自身努力实现成功。事实上也是美国建国以来，正是依靠个人奋斗和边疆开拓精神建立了国家认同，这种历史记忆在很大程度上塑造了现代美国社会对“强者”的追求

中国传统文化则更强调集体主义和社会和谐，通过群体的支持和政府的干预可以更好地照顾弱者，关注弱势群体，人人平等，贫富差距。

中国的贫富差距大的最本质的原因是因为经济体制转型与市场化改革，但是由于城乡二院结构发展不均衡导致贫富差距很大。

某一定程度上，极权主义促进了平均主义，但是高熵到低熵造成能量损耗，我理解这种损耗是有一种平衡关系的，就像是在斗地主以及文革时期，无非是建立起一个更健康的平衡还是更不健康的平衡。

当然，从人类简史，远古到现在，生产力变化来说，当科技、生产力和人工智能充分解放了人类生存的压力，而高效公正的政府保障了基本福祉时，幸福的本质将从财富的积累转向每个人对精神自由、内心满足与社会共生意义的追求，这大概就是真正的共产主义。

什么是基础

我们又来了，什么是基础，AI 时代的基础是什么？

其实从本质上理解，就是为什么我们要学习基础知识，就如同我们针对任何一个问题希望探讨本质一样， "基础知识，就像我们的内功，如果在未来想要走的更远，这些内功是必须要修炼的。框架千变万化，而这些通用的底层知识，却是几乎不变的，了解了这些知识，可以帮助我们更快着学习一门知识，更加懂得计算机的运行机制。" 这句话是有时代窗口的，更本质的是什么: 基础是一种内在的驱动力和认知框架，它使我们能够透过表面现象看清事物的本质。比如说无论外部的框架如何去变，但是数学、算法、逻辑思维就像是建筑的底层，帮助你构建高楼大厦。

AI 的能力很大的程度上取决于使用 AI 人的能力。一个高级工程师在 AI 的使用效率上可能比一个初级工程师使用 AI 效率相差 2 倍。不一样的是，好像随着编译器或者人工智能的发展，我们越来越不用去关注代码的细节。从做一个项目的角度上出发，我们关注的是如何设计良好的系统架构，使用合适的设计模式，从模块间交互和数据流动出发，设计可扩展、易维护的系统。

逻辑能力越来越凸显出来了，越是丢失细节的情况下越要保持对代码内在逻辑的理解。在效率上学会利用 AI 自动化重复性工作、调试代码甚至生成代码，比如说写大量的 CICD 和 TEST 去辅助我们提高效率，保证代码的安全性

结合领域来说，其实我们的资源也可以理解为我们的基础，为了某一个领域，某一个项目能解决的一系列问题，基础是一种认知模式，它决定了你如何理解世界，如何建构知识，如何解决问题，以及如何适应变化。

1. 如何提问，必须有一定的知识存量，才可能在大脑中形成各种知识的连接，才可能提出“开放性的好问题”

2. 创造力： 思维线索的随机组合，看似不相关的线索组合到一起形成答案，在不确定的世界中寻找确定性，在复杂和不可预测的世界中寻找一些规律，在绝对的无序中寻找相对的秩序

3. 高感知力：换位思考，讲好用户故事，要能理解人类感情、通晓人性且具备创意。

4. 沟通能力：沟通太重要了，尤其是多维度多语言的沟通。

5. 自我驱动能力： 自己是什么样的人，以及想做什么

6. 决策能力： AI 时代前期可能依旧大量依赖人类的决策，对人们的决策能力有非常高的要求

做产品踩过的坑 & 经验

做产品我理解所有的产品都能抽象为两个阶段，从 0-1, 从 1-n。这两个阶段一定要用两种不同的体系方法，这是一个非常痛的教训。

产品的生命周期我们都很明确，最开始的探索期，成长期，成熟期和商业期。

从 0-1 这本书讲的观点是从 0-1 是创新，从 1-n 是模仿。有一定的借鉴经验，取决于对创新和模仿的理解。我理解中创新其实更多的可能是模仿的延续，就像我们说的站在巨人前辈的肩膀上去创造。

从 0 到 1 阶段

这个阶段最重要的任务是验证和试错，快速失败。

关键任务是什么？ 我觉得是创新、迭代，打磨 MVP。将一个上位被理解或者满足的需求转化为现实。

这个过程中有一些致命点是什么？

我觉得是两个：

1. 不够简单： 功能太复杂，是没有任何意义的，并且可能是负担，任何一个开发者应该反思的三点 ： 站在用户的角度上思考，站在产品的角度上思考，站在技术的角度上思考。

2. 用户反馈： 回归真实现场，你所有的对产品的功能都是你自己的主观认知，这个过程中很容易骗你市场真实的需求。用户反馈就像是更多的感性原料给你信息，思考。

这个过程的技术遇到的坑：

1. 过于复杂的技术或者框架去包装自己了： ROI 太低，好像成为了一个技术盛宴，产品为技术服务？ 要追求简单，0-1 是画的一条线，而不是一个网格。

2. 过于追求设计模式和算法以及一个好的架构： 在设计一个功能之前，反复问自己，为什么需要这个功能？我设计的目的是什么？ 去掉了有没有影响？ 并不是说完全的不去做设计，系统架构也需要为后面可能的扩展和变更留出一定的余地。这是取舍，也是平衡，但是我们需要知道我们可以做什么，以及我们将会做什么。

3. 可以做的更好的是什么？ 现在的 chat 风格或者是 cursor 的处理模式，更倾向于处理模块化清晰的代码结构，我们或许可以思考让代码的 function 更清晰，更 model，AI 如何更简单的就能学习和修改添加代码。

4. 自动化的必要性： 自动化在快速迭代的系统中，ROI 是非常高的，并且可以让你很大程度上免掉了重复的烦恼。另外自动化测试可以很好的避免后期的维护成本。结合 AI 的能力，采用持续集成和持续交付（CI/CD）流程，快速推出 MVP 并进行迭代。另外尽可能用一些 AI 或者自动化工具，提升开发效率和代码质量。总之核心一句话，确保开发资源聚焦在最有价值的功能上。

从 1 到 n 阶段

去年很多的 AI 产品都死在了第一阶段，有些产品是死在了第二阶段，大家对于从 1 到 n 依旧是很陌生。从 1 到 n 本质是商业模式的复制和放大，从事技术的其实很多出发点是满足自己或者是理想主义，并没有考虑到商业和市场，以及用户的痛点。

“1到N”和“0到1”的关键任务与团队能力模型完全不一样。

“1到N”的关键任务是复制、规模化，这时最重要的能力是执行，要有“标准化”的能力

只有标准化，才能有一致性；只有一致性，才能有可复制性，1到N阶段不仅仅是复制与放大，而是在不断复制中寻找规律、建立体系、实现标准化和制度化

所以有些创始人是没有足够的技术能力和框架去做1到N，有些创始人是没有足够的意愿去做标准化。

民营企业家座谈会会带来什么？

1. 权威者释放信号，鼓励民营企业发展

2. 给予政策支持，民营企业安心

3. 梁文锋和王兴兴理想主义者出现，新兴的势力和公司

如何给一个人系统完整的建模

很多人觉得第一反应是心理学，心理学探讨的是人的动机、情感、认知和人格特征，这些因素通常被认为是行为或者决策的 “驱动引擎”。但是客观的理解一个人这是远远不够的。

系统的建模还需要很多的经验和方法以及理论支撑。

1. 人物的成长的轨迹、决策的方法

2. 人物的相关的联系，社会信息

3. 绘图，模型图，因果环图，各种学科的方法结合起来分析，形成完整的建模

看人物传记我会思考哪些问题？

1. 用一系列的系统的方法对这个人进行系统的建模

2. 通过人物的经历去分析如何去影响和构建这个人的性格和人生观

3. 决策能力和方法，是否提供多样的视角或者思考去做决策

4. 价值观的思考，什么样的价值观，又如何指导他们的行动，以及他们有哪些好的见解或者经验思考

5. 他们又有哪些好的品质值得学习，又有哪些不好的品质是你可以批判或者避免的

思考如何处理决策：

如上说的，决策的依据是需要大量的信息和数据，以及自己积累的知识，分析各种的可能性。一部分的是依靠长期的经验积累和知识内化形成的直觉或者经验。

理想状态下，决策是要绝对的理性。

贝叶斯大脑的定义：我们只根据世界上已经发生的事情来调整我们对世界的看法，直到我们能够做出决定。这种方法是一种非常冷酷的、去除感性、去除 ego （自我）的做事方法。

但是实际上又没办法达到完全的理性，我理解这针对每一个人也是一个平衡的过程。比如说尤其是人在面临爱情或者是内心价值观驱动的时候，往往还是会考虑到内心的情感。

理性决策力是可以训练得到的，积累大量的思考，逻辑思维，统计方法，以及各种的推演和分析技能。和对每一次的决策的反思和总结，其实也是了解自己的一种方式。

如何理解收藏，以及收藏是否真的是有价值的？

没有必要捕捉完整信息，大脑本身就是一个筛选器，只有不断的改变过滤器，才能让信息进入到大脑。

信息和知识的区别：

大家存储的内容是属于信息还是知识，如何区分？

信息是死的，信息潜意识是没有任何价值的，比如说今天和 xxx 吃了一顿饭。

有一些信息会记录的更快一些，引发情绪波动的信息更容易被记忆

核心是「记录自己的声音」，因为自己的想法是别人无法告诉你的。只有能打动自己的东西，才能成为知识生产的核心。

记录的是自己的思想。

如何做好知识分类

• 将那些做了对别人有帮助，做砸了自己要承担责任的事情，称为领域（Area）

• 将那些有明确起止时间和目标的事情，称为项目（Project）

• 将那些自己持续感兴趣，但对别人没影响，别人也不在乎的事情，称为资源（Resource）

但不变的是，去选择让你痴迷又对别人有价值的领域

它们之间可以割裂，也可以有交集的，但是核心思考的是我们要围绕着具体的领域去开展的，比如说具体的项目是成长，具体的资源没有太大的跨越。如果充斥着大量剪藏的来的内容和别人的观点，却从未对你的项目和领域有所帮助，那么要提醒下自己是不是关注的范围太过宽泛，或者自己设定的领域根本不是自己痴迷或者对别人有帮助的。

理清领域、找到和资源、项目的结合，最难的在于，你要坦然面对自己的内心。

refer to https://help.flomoapp.com/thinking/area.html

反思自己的方法

人是有非常多的情绪表现的， 失恋而伤心，不理解而难过。

这是一个特别好的机会，我们只需要观察自己，观察自己的所思所想，很多的情绪观察到了，自然而然就有解决方法了

这个方法也有助于自己去了解对方，把对方的称呼作为 label，然后每一次对方的情绪都记录在案。

对现在的笔记软件的一些思考

AI 繁荣，促进了笔记软件的繁荣

学习使用工具的时候，我们思考的是所需的生产目标以及实现它的合适方法

我们塑造了工具，而后工具也在塑造我们

卡片的原则

1. 唯一识别符（unique identifier）。 这给了你的卡片一个唯一的编号。

2. 卡片的正文（body）。 这是你写下你想要获取的东西的地方，即知识的片段或自己的思考。

3. 参考文献（References）。 在每个卡片的底部，放上引用知识的来源。

4. 最后可能在最下面携带标签

当你发现从没有足够的东西可写，变成有太多东西可写时，你就会发现这些习惯带来的变化。

有一些灵感编写的时候，可能非常的碎片化，这时候可以不打 tag ，等到每隔一段时间整理的时候再打 tag

出自 flomo: https://help.flomoapp.com/thinking/write-card.html

不完美又为我们带来了哪些独特的 #审美

日本的物衰文化中，以及无常的文化中，不完美和短暂反而被视为一种独特的美

而且一些人身上的不完美以及瑕疵，也可能让他变得更真实、更有魅力。

一个老茶杯的裂缝可能会彰显出更有年代感和历史感 #完美

不完美又为我们带来了哪些独特的美？

👋，friend

flomo is an app that supports all platforms. Main features include:

• Capture MEMOs faster and simply

• Use multi-level tags to organize your MEMOs

• Daily Review for better memory

Try to write down anything on your mind easily.