创始人透露，平台年交易额已经逼近10亿美元，其中一半是旅行订单，用户日增长约10%，营销花费为0。最新一轮融资约10亿美元，估值约100亿美元，由 Zoya、Benchmark、Kotu 等机构领投。

下面是这场访谈里信息量最大的部分。

它没有App，只是一个有手机、电脑和邮箱的"人"

创始人对产品的描述很朴素：就是一个私人助理。

你可以给它发短信，可以给它打电话，它也会给你打电话。它有自己的邮箱，有一台电脑，能做你在互联网上能做的任何事。

打电话的频率很低。他自己用了几个月，只被打过三次，每次都是真有截止时间的事：下午3点前要签一份文件，现在已经2点55分，文件在你收件箱里，我可以再发一封邮件把它顶到最上面。

访谈里提到的用法有这些：

• 把衣柜里每件衣服和自己的脸、身材都扫描进去，它每周帮你搭配，发来的是"你穿上之后的样子"，而不是一串文字清单。同样的能力还能去网上逛，生成几千套搭配，你指一件说"寄到我家"就行
• 连接银行账户，扫描订阅和交易，问你"这个你真在用吗"，然后自己登录网站、从邮箱里拿验证码、取消订阅，最后告诉你这个月省了2000美元
• 六个朋友每周自动策划一次活动，协调大家的时间、兴趣、Spotify 听歌记录，连拼车路线都算好，一辆 Uber 依次接六个人

创始人对这类场景的概括是：依赖用户懒惰和惯性赚钱的产品，都会很难受。

信任网络：只和你信任的人互通，权限可以分级

两位用户的 Instinct 可以直接对话，协调日程。过去约会议要来回发消息："这个时间行吗""不行，但这个行""我那天出差，时区不同"。现在只需要说出意图：这周内想跟某人见面，帮我找时间。两边的 Instinct 自己谈，最后写进日历。

这个功能上线才10天左右，设计上有几个要点：

• 只连接你信任的人，权限因人而异。夫妻之间可以全部共享，同事可能只开放工作日历和部分邮件
• 节点之间的边带权重，不是简单的好友关系
• 如果对方在你只开放日历的情况下试图挖别的数据，你的 Instinct 会直接发消息告诉你"他在找这类信息"，信任关系随之受到影响

旅行订单占一半：从订机票到重新设计预订规则

旅行占了平台交易量的50%。创始人举的例子是一条语音："我今晚要到纽约。"

后面的事全由它处理：判断你在哪个城市，按你的偏好选航司、座位、舱位、餐食、信用卡，订机票，再订常住的酒店，排进日历，连去机场和回酒店的 Uber 都安排好。偏好记住之后，还会外推到其他预订。

餐厅预订他们在做更大的改动。现在是先到先得，不管你是过30岁生日还是随便吃顿饭。如果用户的 Agent 和餐厅的 Agent 能互相沟通，用户说明这是纪念日，餐厅声明优先接待整十岁生日或重要纪念日，匹配就会更准：用户更容易订到有意义的场合，餐厅也能留住自己想要的客人。

怎么赚钱：对商户收交易分成，用户免费

商业模式他讲得很直接：用户免费，商户为分发付费，类似 Apple Pay 或 Amex 的逻辑，在平台上统一收一个交易抽成。

他给了一组参照：

• 支付链路上几十个环节分一笔交易的2%到2.5%，他们不打算去抢这块
• Shopify 约2%到3%，Amazon 最高约10%，Apple 应用内购买30%
• 他没说自己会是30%，只说在这条"分发能力对抽成比例"的曲线上，还不知道自己落在哪
• 旅行业分销费率本来就高，精品酒店愿意为一笔订单付到30%左右，这给早期提供了现成的盈利基础

他还特别强调对齐问题：Instinct 不是任务执行器，而是遵循更高层目标的助手，目标是建立信任、让用户感觉安全、盯住可能被漏掉的事。他不想做靠广告影响用户消费决策的产品，那是他认为危险的现实。

传统平台会被颠覆吗？他的判断是交易量反而会涨

他做过一个练习：把各行业的数字服务拆开，看收入中有多少来自用户在App里停留的注意力，有多少来自底层商品或服务本身。

• 如果你的收入靠交易量，那 Agent 让下单摩擦趋近于零，对你是好事。比如 Instinct 能在你下飞机时问"要不要点昨天那份外卖"，Uber 也可以提前给你安排好每一程
• 如果收入几乎全靠占用用户时间，包括让人刷着停不下来的社交媒体，那 Agent 会让用户从中解放出来，这类生意最危险

给传统企业的建议是：不要一下子全开，用1%的用户做 A/B 测试，看体验是否更好、交易量是否上升，再放大。

信任要花几周：三周内40%的用户交出了信用卡

他们的数据显示：

• 注册三周后，约40%的用户给了 Instinct 一张个人信用卡
• 只要用户接入过至少一项敏感信息，留存率约80%
• 他把"首次绑卡时间""首次给账号密码时间"当作信任的代理指标

安全上拆成两部分：一是敏感数据的存储，属于做得足够用心就能解决的老问题；二是 Agent 带来的新风险。针对第二部分，他们做了：

• 输入防火墙：所有进来的文本、媒体内容先过滤，拦截试图诱导 Agent 的恶意内容
• 独立监控：每个想法和动作在执行前，由一个与 Agent 利益体系解耦的系统审查，可以暂停、拦截或批准
• 幻觉拦截：模型因采样错误生成了一个不存在的专有名词，这类错误在执行工具调用前就能被检出

他承认早期版本没有这些防护，出过问题。后来的做法是重建一套系统，不是修补漏洞。

算力：每周翻倍，提前量却要几个月

这是他花40%时间焦虑的事。

用户每天涨10%，算力需求大约每周翻一倍。买2倍，一周就用完；买5倍，不到三周；买10倍，几周后又不够。而算力的交付周期是几个月，临时抢购要被加价3到4倍。即使增速降到每天5%到8%，三四个月后也是1亿用户的量级，该按多少用户买，没有标准答案。

另一方面，单用户成本被压得很低。他的说法是，在 A/B 测试、内部评估和互动数据上，表现与 Opus 5 这类前沿模型相当，成本却低得多。做法包括：

• 很多后台任务不需要毫秒级响应，几分钟甚至几小时完成即可，可以用批处理式部署，效率高3到8倍
• 针对不同工作负载定制推理部署，这里省30%，那里省5倍，叠加起来成本大幅下降

他预计算力需求会比现在预想的高出几个数量级，因为 Instinct 天然是主动的：它会在早上6点醒来检查一天的准备，判断此刻不该打扰就继续睡，下午4点发现有事再叫你。编程类产品的后台工作量比不上这种模式。

增长曲线：从200人到每天10%

• 最初给了约200个亲友，第二天变成205，再是210
• 增长率慢慢升到3%、4%，几千人时开始有人在网上分享，涨到6%到9%，现在10%到11%
• 每个用户只有5个邀请码，每天约有10%的人决定送出一个

他也提到，有人给他发邮件说"我有个朋友有码，不知道我能不能排进他那五个人里"，也有人炫耀自己还剩三个。

邀请制不是故意搞稀缺，是为了让增长和算力对得上，避免一夜之间用户翻10倍、80%的人用不上。

产品感觉：优先"可理解"，不是"能力强"

他早期定下的原则：不追求能力展示，只追求用户的可理解性，也就是用户能不能预测它会做什么。

他对消息格式也很讲究：

• 人读一大段文字，往往第一行读80%，下一行读50%，之后逐渐衰减，像一面旗
• 所以重要信息放在前30%，剩下的选读，降低认知负担
• 这些靠品味，也靠评测。信任这类要两三周才显现的体验，很难靠模拟评估，所以更多是分阶段发布：先自己用，再给团队，再给小范围早期用户，最后全量

被问到 Muse 时，他说那是个好产品，但思路不同：他们追求简单、易用、不用新应用。他很少花时间想竞品，理由是走进咖啡馆，真正按自己想象方式用 AI 的人几乎没有。

未来：界面更少，目标更高

• 超过50%的流量已经不在 iMessage 上，渠道并不绑定
• 有一部分用户90%以上的消息用语音发，他自己把 iPhone 的 Action 按钮绑成了语音入口
• 他设想的最终形态是耳机一直开着，在你散步、骑车时汇报"这份合同需要你看""这篇新闻的要点是……"，你回一句"放日历，15分钟"
• 短期内有"文件"功能，可以现场生成完整网页，比如行程单、婚礼计划
• 他认为过去20年里"每有需求就做一个App"的模式会塌缩，软件最终收敛成一个极简入口，能力却更强

更远的变化是从"帮我做这件事"转向"未来三四个月帮我达成这个目标"。他已经看到有小型企业整个后台跑在 Instinct 上，设定"库存不要低于多少、不要高于多少"这类目标，让它自己去想办法完成。

名字的由来也值得一提：他不想起个人名，把它拟人化成可以随便使唤的小玩意。他也明确说，不会让它去发展与用户的"情感关系"，像电影《她》那样的路线不在计划内。

对读者的行动建议

如果你在做产品，访谈里有三件事可以直接拿来对照：

1. 算一下你的收入里，有多少靠用户停留时间，有多少靠底层交易。 后者占比高，Agent 对你是机会；前者占比高，要尽快试点
2. 用1%流量做小范围实验，同时观察体验和交易量，不要一次性全开放
3. 做 Agent 就同步做安全结构：输入过滤、独立于 Agent 的行动审查，别等出事再补

一个专为软件自动化决策设计的模型，不能聊天、不能写文章，只做决策。

研究几天，新鲜感很快消退。

不过细想，超快、超便宜的特性，感觉很适合自动驾驶和机器人？

说到机器人，我一个好友的终生梦想就是做机器人，尤其是养老机器人。

年纪大了，就让机器人照顾自己，让子女去追求自己的梦想，不拖累他们的生活。

他原以为做机器人这件事儿可以做一辈子，但由于 AI 突飞猛进，他觉得自己梦想设小了，哈哈哈。

果不其然。

今天，启元机器人在上海西岸梦中心·梦工厂举办「我和我的个人机器人」新品发布会，启元 Q1、启元 T1 两款产品正式公开发售。

两款机器人都是C端消费级机器人，并非工业机器人。

这让我很吃惊，这么快就有家用机器人了？

看完发布会后，感觉机器人发展速度可能比我们预期的快很多，有点科幻照进现实的感觉。

启元 T1 是什么

T1 是一款可变形机器人。

室内是轮足人形，双足站立；到了户外，遇到草地、台阶、砂石路，它会自动切换成四足形态。

央视之前有报道，我截取一段视频，给大家看看有多酷。

变形.mov

在家里，可以变成轮足人形，不仅轮子转起来几乎没声响，而且支持原地转向。

轮式移动和原地转向，让它在沙发、餐桌之间穿行更灵活。

机器人碰到东西会主动卸力，支持触摸、牵手等自然交互，让人没有冰冷机器的疏离感。

带它出门逛公园、走步道，它又会自动切回四足形态。

路边的草坪、小区里的砂石路、出门遇上的小斜坡和台阶，它都能稳稳踩过去，跟在你脚边随行。

看发布会，启元 T1 Pro 版还支持随载物功能，拿不动的东西可以放他身上，哈哈。

另外，我发现有一点特别牛 x。

启元 T1 会自己判断识别环境，自动切换合适形态，完全不需要人工干预设置。

看下面这个自动变身，帅啊~

启元 T1 还有个功能我觉得超级实用：跟拍。

他们跟影石合作，机器人能手持云台相机完成希区柯克变焦、环绕运镜这种专业运镜效果。

你只需要说一句"跟着我拍"，它就能自动保持合适距离和取景角度。

全家出去玩，再也不用安排一个人拿手机或相机拍。

孩子在跑、宠物在闹，大人在聊天，大家都在画面里，完整记录美好回忆。

环绕运镜.mov

T1 跟拍运镜演示

启元 Q1 是什么

启元 Q1 是启元的另一款产品：“全球首款可装入书包的个人全身力控人形机器人”。

一起看官方的宣传片和技术解读：

稚晖君：全球首个个人机器人，由你定义！ 上纬启元Q1 你的第一个个人机器人 上纬机器人 上纬新材_高清兼容版_H264.mp4

技术上，他们把 QDD 准直驱关节压缩到鸡蛋大小，保留了完整的力控能力，全身 22 个自由度。

力控可以帮助机器人调节与外界接触时的作用力，让交互更柔顺，降低接触冲击。

对于家里有孩子的人来说，这个产品细节相当重要。

研发这一块，他们今年请来了北京大学长聘副教授董豪担任首席科学家，带队具身智能研究院。

半年内在空间导航、柔性操作、家电操控、个性化寻物四个方向连续有成果，多项入选 ICRA 2026 和 CVPR 2026 Highlight，这个团队真的在做基础研究，不只是攒硬件。

有意思的是，他们还把机器人外壳结构件开源了，用户甚至可以通过3D打印定制外壳、模块化更换部件，把它做成自己喜欢的样子。

Q1 探索版开放SDK、HDK和硬件拓展接口，支持二次开发。这么说，可以尝试用Vibe Coding改造机器人了？

看启元 Q1 介绍，感觉对不同人群场景都挺吸引人的。

• 对孩子来说，不仅可以当英语陪练，还可以用来学习具身编程，平时是个会跑会互动的玩伴。

• 对喜欢潮流数码的年轻人来说，完全支持 DIY，换外壳、调动作、设人设，朋友聚会带着，必然全场吸睛。

• 对于忙碌的科技先锋来说，启元 Q1 可以成为个人办公助理、家庭管家，家里老人的健康辅助工具。

• 对搞科研的专业人士来说，启元 Q1 探索版全量SDK&HDK接口开放，不用自己弄硬件，就能做运动控制、交互智能、环境感知实验。

个人觉得，手机和新能源汽车差不多快卷到头了。

在 AI 加持下，下一个新质生产力变革，大概率是机器人硬件。

机器与人的连接

看了很多启元机器人的宣传介绍。

发现他们很努力的在传递一件事儿，那就是机器人如何与人共处，如何成为人的伙伴，而非替代者。

他们希望打造：一个愿意走进你生活、陪你探索世界的个人机器人。

比如 影视飓风创始人 Tim 惊叹：它真的可以运镜。未来，机器人可能会成为最懂你的摄影搭档。

郎朗的音乐会，与机器人一起合作演出。让大家觉得科技如音乐，有温度，可共鸣。

在ChinaJoy上，“社牛”青年让启元 Q1 机器人带着逛展。

让机器人出现在各种真实、有人气的场景里，先让人觉得“这东西挺好玩的”，再去了解它能做什么。

机器人与人的关系，值得持续探索，最终让更多人接受和认可。

另外，启元的生态布局比我想的还要广。

腾讯 WorkBuddy、京东健康、网易有道等都在合作名单里。

背后有一套正在成型的应用生态，健康检测、AI 教育、办公助理，各种各样场景都在生根发芽。

写在后面

关注个人机器人这个方向有一段时间了。

之前每次看到相关新闻，第一反应都是"还早"。

但今年的节奏明显不一样了。

上纬新材 2026 年半年报披露，上半年研发投入约 1.80 亿元，其中消费级具身智能机器人业务约 1.64 亿元。

消费级具身智能机器人业务预收货款达到 2.1 亿元。

数字不能直接等同于销量，但至少说明一件事：

个人机器人已经不只是大家围观的街拍对象，真的有人愿意先掏钱，成为第一批用户。

启元在做的事，不只是发布两款产品，而是在试图定义一个品类。

他们不用 “能做什么任务”来评价机器人，他们更关心 “和人的关系是什么”，让我觉得有点哲学意味在里面。

未来已来，相当值得期待！

BTW：启元 Q1 和 T1 已正式发售，10月1日起按订单发货。

• 线上可以在天猫、抖音、B 站官方店铺，或者上纬启元官方小程序下单。

• 线下的话，上海、深圳、西安、厦门、广州、杭州、武汉都有体验店，可以先去感受下，再决定。

上周，豆包推出了工作模式。

昨天，字节跳动正式发布了「豆包工作」。

字节这一系列动作快得不行，目标清晰：做一个面向生产力场景的独立 Agent 产品。

豆包给人的印象是适合聊天，但新出的「豆包工作」在办公场景到底能不能打？直接上案例。

「豆包工作」现教现学

先说说背景，昨天一个大学同学找我，想学习如何把 AI 用在他的实际业务中。

这个朋友叫吴凡，特别能折腾，做过电脑报编辑，做过团购网站，这几年一直做农产品种植外贸，他把日本山椒引到中国南方种植，然后再出口到日本，用于餐饮、化妆、医药等领域。

首先他跟我抱怨说，自己官网半年多了都没搞好，我问他有没有什么企业资料。

他微信发我一个他们日本山椒产品的PDF手册如下：

全是日文，而且全是图片... 我去！

但想到豆包的多模态很强，应该不是障碍，直接上传PDF，然后对豆包工作说：

“读取 PDF 内容，制作一个精美的企业官网，支持用户浏览查看、询盘咨询。”

等了10分钟不到，网站做好了，还支持询盘。

不过他说，哥，能不能再来一个纯日文版？我说没问题，安排！

只是翻译和移动适配，这次只花了3分钟左右搞定。

朋友说他坚持每天学日文，但现在水平也仅限于简单沟通。

但他又想扩大下产品社交媒体传播，如Tiktok、X、Instagram等平台。

既写不好文案，也不知道怎么做视频。

于是我继续秀，在同一条对话下，跟豆包工作说：

基于网站内容，寻找合适角度，制作社交媒体传播素材，文字、图片等，适合在 X 和 Instagram 发布，素材写入飞书文档，至少 10 条。

直接生成好 12 条素材，从品牌认知、产品展示、品牌故事等角度写好文案，相当全面。

继续补充生成纯日文版，配图要求从PDF手册中截取。

因为豆包工作和飞书完全打通，生成的文档直接分享给他。

让他发给他的同事，后续设置编辑权限，他们就能一起协作修改，手机上也能操作。

日本山椒品牌社交媒体传播素材库

送佛送到西，豆包工作内置了 Seedance 2.5 视频生成模型，生成企业产品宣传片也是小 Case。

在对话中继续要求：

“基于上面内容，制作一段 15 秒企业宣传片，用于发给日本客户展示”

这时豆包工作生成 10 个分镜，让我确认旁白、语气和视频比例。

注意：默认生成视频有豆包 AI 水印（没找到哪里关），让豆包工作裁剪掉水印，成品如下：

我问他需不需要展示用的 PPT？

不等他回答，我直接输入：

把手册制作成精美的 PPT，中文、日文双语

我告诉他，PPT中的图片、文字，全部都可以修改，还能发给同事一起编辑。

他说：哥，我还有个痛点，现在跟日本客户邮件交流，他们的表达特别夸张，自己学不会。

（到底多夸张，可以看下面截图）

我说你发转发一个邮件内容，我给你做一个Skill。

在豆包工作中输入提示词：

生成一个 Skill，用于写作或润色日语邮件，下面是日本客户的表达方式，作为参考：【邮件原文】

等一会Skill就做好，打包下载发给他，告诉他如何优化，以后生成地道的日语邮件就简单多了。

另外，他经常到处跑，用手机更多，所以我告诉他一个技巧：

只需电脑安装了豆包工作，豆包手机端就能遥控操作电脑完成上面的一系列工作。

除了本地电脑，豆包工作也支持云电脑，让云电脑一直运行不关机。

很适合数据采集、批量文件处理、定时任务，不占本机资源，手机和电脑间切换也不断线。

朋友看完这些操作演示，觉得现在 AI 发展确实有点牛逼。（让我装到了）

其实，这只是豆包工作能力的冰山一角，如果是一家已经在用飞书的组织，未来一定会更有感触。

豆包工作其他能力

给朋友演示用的是豆包工作独立客户端。

下载地址：https://www.doubao.com/work

其实，还有两个入口能用上豆包工作：① 豆包 PC 端切换到豆包工作模式

② 飞书中打开豆包，创建“新工作任务”。

豆包工作既支持个人账号使用，也支持企业账号（飞书账号）登录。

飞书企业账号登录后，豆包工作就能完全与企业上下文、身份权限和协作环境结合。

Agent 能权限范围内理解、调用团队信息，产出工作成果，把经验留在团队中分享、复用。

这个反而是我觉得更牛逼的功能，这也是飞书并入豆包后，“书包”组合带来的新体验。

因为工作 Agent 不在于哪家功能更多，而在于 Agent 对组织了解多少。

像好友杨攀（前硅基流动副总裁）所说，一切 AI 的问题都是上下文的问题。

飞书企业账号登录豆包工作后，企业组织上下文将变的极为丰富：

• 组织关系：知道谁能拍板、谁在推进、该去哪个群、以哪份文档为准

• 群聊：还原事情来龙去脉，识别已有共识和未解决的问题，直接发消息推进任务

• 云文档：调用经过确认、能长期复用的制度和方案，且严格遵循企业原有权限，只能访问当前用户有权查看的内容

• 多维表格：团队的业务数据库，准确查询、比较、统计和更新结构化数据

• 会议纪要：完整的逐字记录（妙记）和 AI 智能纪要，Agent 可以通过会议内容创建任务、获取信息和跟进进度

• 审批与项目：记录工作何时发生、由谁负责、需要谁批准、目前推进到哪一步

• 企业内部系统：CRM、库存、直播运营等飞书内搭建的轻量化系统，Agent 可以在权限范围内查询真实业务状态，并继续完成分析、更新和操作

有了这些上下文，就能跟真人一样交流，比如“这个项目卡哪儿了”，如果没有上下文信息，很难想象 Agent 会给出什么答案。

写在后面

教朋友用豆包工作解决真实场景需求同时，自己也有点感慨。

朋友是那种典型的“有想法、缺工具”的人，做了十几年生意，懂产品、懂市场、懂客户，但是不懂很多执行层面的事儿，卡在 “不会做网站、不会写产品文案、不会做视频”等。

搁以前，要么花钱找外包，要么拖了着拖着，事情拖没了。

现在只需要跟豆包工作这类 Agent 工具对话，不需要复杂的提示词，半天就全搞定了。

所有产出，都可以流转到企业内部协作，让同事帮着一起改。

飞书刚并入豆包，我还有点诧异，但用上豆包工作后，觉得是一步妙棋。

如果你也是传统企业老板，不知道怎么 AI 落地，可以从下载豆包工作开始。

https://www.doubao.com/work

https://www.coze.cn/overview

这次扣子桌面端上线，增加了云盘、深度截图等新功能，也终于让 Agent 碰到“本地电脑”。

除读写本地文件更方便外，也能自动识别本地 Codex CLI、Claude Code 接入为 Agent，多 Agent 协作史诗级增强。

模型方面，昨天 GLM 5.3 API 刚出，扣子就接上了，甚至有 Seedance 2.5、MiniMax H3 等顶级视频模型。

好模型 + 好 Agent = 好产出

下面展开讲案例和操作，建议先收藏再看。

新书营销宣传

最近我和姚老师发了新书《AI领导力》。

用扣子桌面端，一口气完成了所有书籍宣传物料的生产：

Agent 读本地书稿大纲 → 生成宣传网站 → 生成宣讲 PPT → 生成宣传播客。

所有产出文件都自动存在扣子云盘中，电脑、手机、网页实时同步，任意端都能查看、调整。

感觉 Agent 终于进入我的电脑工作现场，再也不用手动上传下载，Agent 始终能拿到最新的文件版本工作。

先给大家看看网站，让扣子桌面端读本地书稿大纲，仅调了 3 轮，就做好了。

https://m9xh7f7fzm.coze.site/

开发网站过程中，顺带体验了扣子桌面端新功能 “深度截图”。

启用方法：桌面端「设置 → 桌面端设置」→ 开启深度截图，然后在“设置->快捷键”中启用快捷键。

如果你是 Mac电脑，以后按左、右 Option 键，就能将当前窗口截图和可读取文本加到输入框。

注意，这里的截图不止是图片，连界面结构文本信息都会一起放进对话输入框。

更多有效上下文信息，对网页调试非常有用。

除了网站，也需要 PPT 用于对外宣讲。

发现扣子内置了 PPT Skill，在对话框中输入“/ppt” ，让 Agent 基于本地和网上资料生成一个PPT。

没等几分钟就做好了，我仔细读了下，完全贴合书中要点，比如3M模型，1+N、干中学等等。

有趣的是，PPT虽然图片生成，但依然可以修改，双击任意一页，可以擦除不需要的元素，也能涂抹修改文字。

这是把 Seedream 模型的图片编辑功能用到位了！

最后，顺手用扣子内置播客 Skill，生成了这本书的宣传播客，听了下，人声自然，解读也很到位。

默认生成播客，都会带“扣子”口播，直接用怕不好，所以让 Agent 剪掉。

扣子桌面端安装后，会在电脑上添加一个扣子云盘，操作体验跟本地硬盘几乎没区别。

所有云端 Agent 对话产出的文件，都会存在扣子云盘。

这个设计就很巧妙，你可以任意拖拽本地文件到扣子云盘，云端 Agent 能读取，手机上也完全同步的。

云盘上的所有新增、修改、重命名、删除，都会同步到本地，本地改动也会同步回云盘，双向同步。

感觉可以把办公常用文件都放云盘，再也不用反复上传下载，让“上下文”离 Agent 更近一点。

另外，垃圾箱默认保留30天，哪怕误删能找回来。

自媒体场景

除了写书、研究 AI 工具和GEO，我还会做 AI 自媒体，这块扣子也能帮上忙。

建议新建个Agent，操作路径：新建Agent->选择职业模版->自媒体运营达人

扣子官方内置了大量自媒体需要的技能（Skill），甚至连违禁词查询都有。

用的时候，需要去官方合作平台申请一个免费 API：

https://redfox.hk/

比如让它查询公众号、抖音最新的热门内容。

另外，我给这个 Agent 加了些自己的本地 Skill。

做了这些后，一句话就能让这个 Agent 实现找热点、写文章，然后发到我的博客草稿箱。

我会经常读一些 AI 论文，没想到扣子也内置了 “科研助理” Agent模版。

跟上面类似，可以帮我实现论文查找解读、学习，一键发布的操作。

最近电影“牛来”很火，做自媒体，可以选择是否蹭热度。

因为扣子桌面端接入了Seedance 2.5 和 MiniMax H3，只需一张电影剧照，就能生成下面的二创视频。

最后说说多 Agent

扣子支持多种 Agent 创建方式：

1. 本地 Claude Code、Codex CLI、OpenClaw 转成 Agent。

2. 云电脑 + Harness 框架，创建云端 Agent

3. 选职业模版创建 Agent

模型支持所有国内顶级模型，比如DeepSeek V4 Pro、GLM-5.3、Kimi K3等。

另外，所有桌面端创建的本地、云端Agent，都是和移动端、网页端打通的。

这意味着，哪怕我不在电脑旁，手机上也可以遥控电脑上的 Agent 帮我做各种事情。

如果你创建多Agent，新建项目时，可选择拉哪些 Agent 一起加入。

适合让多 Agent 协作搞定复杂任务，下面只是演示，让几个 Agent 解读同一本书。

后续计划创建多个专业 Agent，如前端工程师、构架师、产品经理等，分别用最适合的模型，装上最专业 Skill。

组建这样一个虚拟员工团队，想必会相当好用。

写在后面

说实话，这次体验扣子桌面端，有几个地方让我意外。

不是盲目加功能，而是 "这个设计终于想明白了" 的感觉。

云盘双向同步、深度截图带结构文本、本地 Agent 接入。

单拿出来不稀奇，但组合在一起，好像是为了解决同一个问题：让 Agent 离你的工作“上下文”更近一点。

文件要上传下载、截图要详细描述、本地脚本执行不了。

扣子桌面端，想帮你把这些摩擦成本一点点抹掉。

当然，产品刚上线，还在快速迭代，有些细节体验有打磨空间。

但方向无疑是对的：让 AI 丝滑地嵌入你的本地工作流。

如果你对AI解决实际问题感兴趣，建议下载跑自己的一个真实场景，比看十篇文章管用。

8 月 19 日 0 点 ~ 21 日 24 点，扣子桌面端新用户可领 5000 积分，现在下载正是时候。

下载地址：https://www.coze.cn/overview

字节终于出手，豆包客户端最近更新，工作任务增强了操作电脑、技能、连接器、工作伙伴等一波功能，体验跟 Codex 非常接近。

能用浏览器、能调 Skill，内置 Office 和飞书办公套件，同时支持本地和云端电脑，合上笔记本也能继续工作。

测试了 7-8 个任务，竟然有点超预期，宇宙厂终于在办公 Agent 场景发力了。

下载安装地址：

https://www.doubao.com/download/desktop

先展示几个生成内容，然后详细拆解如何实现，建议先收藏再读。

Demo 演示

定时更新的论文学习网

https://4kv19qyt180wh.feishuapp.com/app/app_17c9bbgg9x1/

一张原图生成十种不同风格幻灯片展示

https://4kv19qyt180wh.feishuapp.com/app/app_17caewtdxzb/

初一（上）数学教材 PDF 变互动课件

https://aka.doubaocdn.com/s/qT54h5VEYf

在线“从夯到拉”排行榜画布

https://4kv19qyt180wh.feishuapp.com/app/app_17c9xhwbncm/

生成在线编辑、演示的飞书 PPT

https://feishu.doubao.com/slides/CDm7sDvFhlUb2xdHg3jcS7zunld

DeepSeek插件聚合站

https://4kv19qyt180wh.feishuapp.com/app/app_17c97a9tbq6/

生成AI自媒体个人工作台

制作旅行 Vlog

教程开始

Demo 有点多，挑几个典型案例讲讲如何制作。

网站生成

最近 DeepSeek Harness 开源，火爆全网，短短几天诞生了数千个插件。

让豆包监控 Github 仓库，定时抓取新增插件，制作一个持续更新的网站，提示词如下：

持续整理监控这里的新增项目，制作成一个网站介绍这些插件：https://github.com/topics/dsh-plugin

扫码发现 5000 多个插件，但第一版生成只列了100多个插件，我提出了质疑。

豆包给的第二版，增加到 1000 多个插件，开发用的云电脑，支持在线预览和分享。

有个功能容易被忽略，就是预览窗口右侧的“编辑”，点击会进入编辑模式，可以标记页面元素，调整页面设计。

另外，点击“刷子”图标会出现侧拉层，有大量网页设计风格可选，能有效降低网页 “AI味”。

其他网站生成方法同理，如论文学习网初始提示词：

监控这个网站，生成一个论文阅读站，名字叫乔木论文推荐读，同步日榜、周榜和月榜，但内容都要用中文，列出论文亮点，用 1-10 分打分是否值得阅读。 https://huggingface.co/papers/

建议用豆包云电脑，好处是能一直运行，实现监控 Huggingface 论文更新同步。

交互课件生成

儿子9月开学就要上初中，找了一份人教版初一数学教材，整个 PDF 丢给豆包，输入提示词：

“把 PDF 变成一个支持互动学习的 HTML 课件，方便学习初一数学上册。”

用类似方法，能把任意 PDF 教材，变成方便学习的 HTML 课件、配套测试题和闪卡。

最棒的是，很多公式都能可视化，孩子学起来更直观。

飞书文档和 PPT 生成

豆包和飞书团队合并，打破部门墙后，功能整合果然大大加速。

比如你在豆包客户端中，可以把任意内容写入豆包文档（其实就是飞书文档），非常适合协作沟通。

下面是我让豆包生成的关于短视频如何吸引人注意力的调研报告。

https://feishu.doubao.com/docx/THFZdhBw9oUQi8xigaHcf4BfnCh

如果有了豆包文档（飞书文档），一句话就能转成PPT：“把这篇文章变成精美的PPT”。

第一版觉得封面不好看，继续提要求：

“首页生成的封面太丑了，还有其他页面如果可以生成好看的配图，也可以加入到 ppt 中”

这时，豆包客户端会调用 Seedream 生图能力，生成 PPT 背景。

最让人安心的地方，PPT 中的每个文字都能编辑修改，还能共享给别人一起完善。

做完 PPT，直接就能预览演示。手机端也能打开查看，很适合当提词器。

多媒体生成

豆包电脑客户端之前就内置了 Seedream 和 Seedance，一个用来生图，一个用来生视频。

加上豆包 2.1 大模型支持的 Agent 后，可以组合出更多玩法。

最近“牛来”电影爆火，很多人做各种梗图、二创视频。

网上随便找张原图，输入提示词：

用 10 个不同设计师风格重绘我给你的图片，然后做成一个 HTML 幻灯片发给我

用这种方法，不仅能生成图片、生成视频，还能直接内嵌到网页中展示，非常适合交付作品。

Vlog 视频制作

前几天去辽宁朝阳旅行，参观了古生物化石博物馆，拍了不少照片。

于是想能不能用豆包工作模式制作Vlog？

打开豆包手机端，点输入框上方的“快速”，弹出菜单中选“工作任务 Turbo”，这时会切到豆包工作模式。

最多支持选20张照片，输入提示词：“把选择的图片内容生成一个旅行vlog视频。”

等了一会儿，一段类似苹果 iOS 回忆功能的 vlog 视频就做好了。

（注意：如果调用生图工具，可以打断，要求只用图片生成视频）

豆包手机端与电脑客户端完全打通，电脑端也能看到这个任务，是在用“云电脑”执行。

第一版视频没字幕介绍，想起豆包 2.1 模型支持多模态，要求识别图片内容，生成视频时给每张图来个标签。

做完比较满意，顺手让豆包做了一个 Skill。

除了图片生成视频，豆包客户端也支持调用 Seedance 2.5 直接生成视频，这里就不演示了，可以自己探索。

其他功能

还测了很多其他 Case，简单说几个，不详细展开。

豆包客户端调用 mole cli，清理释放 24g 磁盘空间；让豆包整理下载和文稿目录，瞬间井井有条。

豆包客户端 Agent 调用浏览器，搜索淘宝找商品。

写在后面

体验完新版豆包电脑客户端，说实话，比之前的对话版豆包强很多。

果然 Agent 才是王道！

豆包 + 飞书，对办公场景来说，实在是王炸组合。

另外，个人很喜欢云电脑模式，因为能一直在线，手机也能操控，很适合开发需要定时抓取更新的网站。

哪怕合上笔记本，任务仍在跑，手机上随时看进度，换一台电脑，也能无缝衔接继续干。

真正的 7*24 小时助理，还得靠云端。

不过本地电脑也有特定优势，数据不出本机，上下文更丰富，私有 Skill 更多、更全。

需要哪种，取决于你手头的任务，不存在哪个更好。

但有一点很确定，豆包工作模式很赞，值得抓紧用起来。

省下来的时间，才是真正属于自己的时间。

豆包新版客户端下载地址（同时支持Windows和Mac）

https://www.doubao.com/download/desktop

不到两小时，DSH 的 GitHub Star 破万。

12 小时后超 5 万，两天后接近 9 万，成为 GitHub 史上涨星最快的项目之一。

Harness 的原义是马具、缰绳，今天逛辽宁朝阳博物馆，刚好看到个图。😂😂😂

简单说：Harness 是让模型能当 Agent 干活的那套外壳。

DSH 的设计理念比较特别，核心是“一切皆插件”。

模型、工具、技能、会话、沙箱、UI，全都可以像搭积木一样替换和重组。

基于这个理念，所以 DSH 内测邀请了一堆大佬开发插件。

DSH 上线当天，开源仓库的 ⁠dsh-plugin 话题，立马出现上千插件仓库。

贡献者里一堆二次元头像，比如当天 Star 第一和第三，作者都是 B 站 UP 主。

现在，二次元头像已经成了 AI 技术圈的“大佬”特征之一，哈哈哈。

下面讲讲如何安装 DSH，再介绍推荐一些热门插件。

如何安装 DSH

DeepSeek Harness 的运行时基于 Node.js，一共有三种安装方式，支持 Windows、Mac、Linux。

详细安装教程：

https://www.runoob.com/deepseek-harness/deepseek-harness-install.html

以 Mac 为例，打开电脑默认终端（或Warp、Ghostty、cmux、kaku等第三方终端），输入下面命令，然后回车。

npx @deepseek-ai/dsh web

安装后会自动打开浏览器，没有的话在浏览器输入

http://localhost:3080

最后，输入 DeepSeek API Key 就能开始用，没 API 可以到下面网址充钱，创建 API：

https://platform.deepseek.com/

不过，装上之后，多数人的反应可能是：这玩意儿怎么这么难用？哈哈哈

因为 DSH 出厂是毛坯，图片识别、@文件引用等这些基础功能都没有，全靠插件补。

下面介绍几个热门插件和可能需要补的基础插件。

Colleague-skill（同事 skill）

当天 Star 第一插件，作者是 B 站 UP 主 @只是路过的titanwings。

本名周天奕，24 岁，在上海人工智能实验室工作。

项目的起点是他看到一条新闻：国外某大厂裁员，要求员工离职前自己提交一份 Skill。

他由此想到：同事离职了，他的经验怎么留下来？

如何“将冰冷的离别化为温暖的 Skill”（From 仓库介绍）。

因为文档只能记显性知识，一个人真正的工作方式，他的决策习惯、代码规范、遇到问题时的处理逻辑，这些东西不会写入文档。

colleague-skill 的思路是直接从原材料里“蒸馏”，把飞书消息、钉钉记录、Slack 聊天、微信记录、邮件、PDF 喂进去，加上你对这个人的主观描述，生成一个真正能接替他工作的 AI Skill。

周天奕说，他只花了 4 个小时搭出了第一版。

生成的 Skill 有两个维度：Work Skill 负责工作能力，记录技术规范、决策逻辑、处理问题的方式。Persona 负责人格，记录沟通风格和说话习惯。

两个维度可以单独调用，也可以组合。

社区很快发现边界远不止"同事"。

有人蒸馏了前任，有人蒸馏了偶像，有人给自己留了一个数字分身。

项目因此从"同事交接工具"进化成了 dot-skill，任何人都能被蒸馏成一个 .skill。

社区里已经有人做出了"户晨风.skill"和"罗翔.skill"。

目前 GitHub 超过 2.1 万 Star，社区产出了 215+ 个 Skills，165 位贡献者。

周天奕还为这个项目发了一篇 arXiv 论文：《COLLEAGUE.SKILL: Automated AI Skill Generation via Expert Knowledge Distillation》。

安装到 DSH ，终端输入：

mkdir -p ~/.dsh/skills
git clone https://github.com/titanwings/colleague-skill \
  ~/.dsh/skills/dot-skill

装好后输入 /dot-skill 启动，输入数据来源就能“蒸馏”出同事或名人 Skill，甚至只靠描述也行，例如：

项目地址：github.com/titanwings/colleague-skill

论文地址：arxiv.org/abs/2605.31264

作者 B 站：space.bilibili.com/23106195

用这个Skill“蒸馏”出的纳瓦尔Skill：https://github.com/joeseesun/celebrity-naval

OpenBiliClaw

当天 Star 第三插件，作者也是 B 站 UP 主，ID是 @littlewish，本名 whiteguo233，BIP 大赛参赛选手。

他想解决另一个问题：凭什么让平台算法决定你看什么？

B 站、小红书、抖音的推荐系统都是根据你“看过什么”来推“你还会看什么”，容易进入信息茧房。

平台会用你的历史行为预测你的未来偏好，OpenBiliClaw 是把这个顺序反过来。

先帮你建立你的心理画像，再带着画像去主动搜内容。

通过你在各平台的使用行为、反馈和对话，构建五层用户模型。

画像建好之后，Agent 跨平台主动去 B 站、小红书、抖音、YouTube、X、知乎、Reddit、微博等找内容，每条推荐都附带理由，防止因封面或标题错过真正想看的东西。

整个项目本地运行，数据不上传，MIT 协议开源。

安装到 DSH ，终端输入：

# 1. 安装 OpenBiliClaw 后端
curl -fsSL \
  https://raw.githubusercontent.com/whiteguo233/OpenBiliClaw/main/scripts/install.sh \
  -o /tmp/openbiliclaw-install.sh

bash /tmp/openbiliclaw-install.sh

2. 如果安装器没有成功启动后端，补齐依赖并启动

if ! curl -fsS http://127.0.0.1:8420/api/health >/dev/null 2>&1; then
cd "$HOME/OpenBiliClaw"

python3 scripts/agent_bootstrap.py
--project-dir "$HOME/OpenBiliClaw"
--mode local
--host 0.0.0.0
--port 8420
--skip-ollama-setup
--skip-init
fi

3. 安装真正的 DSH 客户端插件

dsh plugin --profile web add --ignore-scripts
'@openbiliclaw/dsh-plugin@github:whiteguo233/dsh-openbiliclaw#5cde8b54a628777ae1c7fa153ea90a61d0b91136'

4. 永久启用插件

patch_file="$HOME/.dsh/profiles/web/cordis.patch.yml"

if ! grep -q "id: openbiliclaw" "$patch_file" 2>/dev/null; then
tee -a "$patch_file" >/dev/null <<EOF

• insert:


  • id: openbiliclaw
name: '@openbiliclaw/dsh-plugin'
config:
workdir: '$HOME/OpenBiliClaw'
EOF
fi

5. 验证后端

curl -fsS http://127.0.0.1:8420/api/health

6. 验证 DSH 已识别插件配置

dsh --profile web --dump-config |
grep -A6 -B2 openbiliclaw

浏览器扩展可以单独安装，Chrome 应用商店直接搜 OpenBiliClaw，或从 GitHub Releases 下载手动安装。

项目地址：https://github.com/whiteguo233/OpenBiliClaw

DSH插件：https://github.com/whiteguo233/dsh-openbiliclaw

Chrome插件：https://chromewebstore.google.com/detail/openbiliclaw/cdfjfkdjjhdaccbldipkjhpibnfbiamg

作者 B 站：https://space.bilibili.com/222156

官方仓库给的效果展示：

基础 DSH 插件推荐

除了安装热门插件，建议安装下面的基础插件。

• modlens：给DeepSeek这个文本模型装上眼睛，粘贴截图读图，前端调试、图表理解必备 dsh plugin --profile web add @liustack/modlens@latest

• dsh-at-file：输入框输入 @ 引用工作区文件，高频刚需 dsh plugin --profile web add github:dsh-external/dsh-at-file

• dsh-paste-input：让 DSH 支持 Ctrl+V 粘贴文件、拖文件进对话框 dsh plugin --profile web add dsh-paste-input

• dsh-cc-tui：Claude Code 风格终端界面，上下文进度条 dsh plugin --profile web add dsh-cc-tui

• dsh-web-ui：Web UI 全家桶，任务看板、Git 图谱、实时 token 统计、移动端远程。 dsh plugin --profile web add dsh-web-ui

• dsh-memory-evolve：跨会话长期记忆 dsh plugin --profile web add dsh-memory-evolve

对小白用户来说，没必要没苦硬吃，强烈建议安装界面版 DSH。

客户端下载地址：

https://www.dshdesktop.cn/

更多 DSH 插件

搜到一个 DSH 插件站网，已收录 1650 个 DSH 插件，网站设计也不错。

https://www.dsh.so/

一个可视化的插件市场，直接内置到 DSH 中，安装指令：

dsh plugin --profile web add dshmarket

一个东西火了，必然会出现 Awesome Github 仓库，DSH 当然不例外：

https://github.com/awesome-dsh-plugin/awesome-dsh-plugin

原始 DSH 插件提交展示网页

https://github.com/topics/dsh-plugin

写在后面

DSH 现在还是开发者预览版，出厂毛坯，官方甚至暂时不接受外部 PR。

但正因为架构足够开放，社区两天内就涌进了近三千个插件仓库，这速度比任何一个团队单打独斗都快。

一个框架的生命力，很大程度上取决于它能不能让有能力的人愿意在上面搭东西。

DSH 目前看起来做到了这一点。

另外一个有趣的观察：以前大家开玩笑用头发多少判断技术水平，现在基本看头像是不是二次元画风！

DSH 插件榜前排，几乎清一色二次元动漫角色头像，偶尔出现其他，反而显得格格不入。

B 站是国内最大的二次元社区，也藏着一批超级能打的 AI 产品创作者。

大家基操也很一致：GitHub 发项目，然后在 B 站讲清楚自己做了什么、解决了什么问题，第一批真实用户就从这里来。

colleague-skill 两周涨到 1.4 万 Star，OpenBiliClaw 从大赛参赛项目做进热榜前三，背后都是类似逻辑。

GitHub 决定项目能不能被找到，B 站决定有没有人真的去看、去用、去传。

对开发者来说，能写代码只是一半，能把自己做的东西讲出去，才是完整的。

纳瓦尔说的 Build & Sell，放在今天国内开源生态里，B 站正在成为 Sell 这一半最重要的场域之一。

DSH 刚开源没几天，这个生态才刚开始长。

https://www.xiaoyuzhoufm.com/episode/6a69b07eb581962ce2bd4d97

2024 年 4 月，一篇挂在 arXiv 上的论文在技术社群里炸开了锅。

有人说，统治深度学习几十年的 MLP（多层感知机）可能要被改写了。

也有人说，这不过是又一个"看起来很美"的架构。

这篇论文叫 KAN：Kolmogorov-Arnold Networks，第一作者是 MIT 物理系博士生刘子鸣，导师是因"数学宇宙假说"闻名的 Max Tegmark。

论文发布后三个月内引用超过 75 次，随后在 ICLR 2025 正式发表，累计引用超过 3700 次。

2025 年底，刘子鸣和合作者关于表示叠加（Superposition）的工作又拿下了 NeurIPS 2025 最佳论文亚军。

2026 年，他回到国内，入职清华大学人工智能学院，参与创建公司元环智能，担任首席科学家。

五月开始融资，他用来形容这股资本潮的话是：太疯狂了。

物理系的人为什么都跑去做 AI

刘子鸣本科在北大物理学院，大二那年，他被 GAN（生成对抗网络）吸引进了 AI 的世界。

理论物理太难，比不过姚顺宇那种人，后者在本科期间就发了两篇 PRL 论文。

实验物理也不行，进了实验室只会把事情搞得更乱。

他自己说，有次做磁流体实验，搞得满手满脸都是。

两条路都堵死了，GAN 出现得正是时候，数学上没那么难，做出来的东西又足够 fancy，他就这样从物理滑进了 AI。

但他没有彻底放弃物理背景，而是选了一条折中路：AI for Physics，用 AI 做物理学家的工具。

这一做就是五年，从 2017 年到 2022 年。

2022 年底，ChatGPT 出来了。

他觉得物理里没有像 ChatGPT 这么性感的东西值得去做，于是把 AI 和物理的角色对调了：不再是 AI for Physics，而是 Physics of AI，用物理学的方法论去理解和设计 AI。

这个转向，和他导师 Max Tegmark 的轨迹高度吻合。

Tegmark 从 2012 年开始推广 AI for Physics，2022 年底带着整个组转向机制可解释性，理由是：大语言模型太危险了，要保证它的安全，就必须先理解它内部到底在做什么。

KAN 的诞生：一个被导师否定过的 side project

KAN 网络是刘子鸣在 MIT 读博期间做的项目，一开始 Tegmark 不同意他做。

Tegmark 甩给他一篇 1989 年的论文，作者是 MIT 的 Thomas Poggio。

论文的结论是：Kolmogorov 和 Arnold 在 1957 年提出的那套数学定理，在最坏情况下没有办法被做成真正可用的算法。

刘子鸣的反应很物理系：我不 care 最坏情况，我关心的是它在一般情况下有没有用。

物理学里有句话，"所有模型都是错的，但有些模型是有用的"。

我们能活在这个宇宙里，说明这个宇宙不是最坏的宇宙。

他花了两周把原型做出来，拿去找 Tegmark。

Tegmark 说：你还是造了个黑盒子，我不知道里面发生了什么。

又花了一周做可视化。Tegmark 看到之后说：wow，this is awesome。

KAN 和 MLP 的核心区别在于：MLP 把激活函数固定在节点（神经元）上，KAN 把可学习的激活函数放在边（权重）上。

这个看似简单的改变，让网络的内部结构可以被直接可视化，研究者第一次能看到神经网络"脑子里在想什么"，而不只是盯着端到端的预测结果。

在数据拟合和 PDE 求解任务上，更小的 KAN 能达到比更大的 MLP 更好的精度，而且 scaling law 比 MLP 更快。

KAN 的核心思路，来自刘子鸣一直以来的执念：AI 是连接主义的，物理是符号主义的，这两个哲学差得太远，他想构建一个网络，同时是神经网络，又是符号公式，类似量子力学里的波粒二象性。

他后来才发现，自己推导出来的方程，就是 1957 年 Kolmogorov 和 Arnold 写出来的那个。

只不过他是从神经网络和符号公式统一的角度独立推导出来的。

而 Kolmogorov-Arnold 表示定理附带一个万能逼近定理：这种表征能够表示任意函数，相当于给 KAN 提供了理论背书。

NeurIPS 2025 最佳论文亚军：Scaling Law 背后的物理学

KAN 之后，刘子鸣和合作者做了一件更有意思的事：他们试图解释 Scaling Law 为什么成立。

这篇拿下 NeurIPS 2025 最佳论文亚军的工作，核心发现是：模型宽度增加时，loss 和宽度之间呈反比关系，而这个规律的来源是表示叠加（Superposition）。

所谓表示叠加，是说 LLM 表示的特征数量，远超它拥有的维度数量。

模型宽度变宽，几何约束放松，表示叠加带来的干扰减少，loss 自然下降。

更关键的发现是：这个 1/宽度 的缩放律，不依赖于数据分布是否是幂律分布。

即使数据是任意分布，模型也会给出一个类似物理学里"普适类（universality class）"的行为，把数据的细节全部抹掉，稳定地输出同一个缩放规律。

这是一个典型的物理学视角：不是在问"这个模型在这个数据集上表现如何"，而是在问"是什么底层机制，导致了我们观察到的普遍现象"。

设计模型应该是一门科学，而不是拍脑袋

KAN 和 Superposition 这两个工作，让刘子鸣开始想一个更大的问题：Transformer 是拍脑袋拍出来的，GAN 是拍脑袋拍出来的，ResNet 是拍脑袋拍出来的，KAN 也是拍脑袋拍出来的。

这件事本身就不 scalable。

模型设计应该是一门科学，应该能从第一性原理推导出最优架构是什么。

他用天文学做类比：第一阶段是第谷，大量观测记录数据；第二阶段是开普勒，拟合出行星轨迹是椭圆，有了经验公式；第三阶段是牛顿，用一个引力公式把开普勒三大定律全部统一。

每一个阶段都是一次极致压缩。

对应到现在的 AI，他认为我们大概处于 1.5 阶段，有了 Scaling Law 这样的经验规律，但远没到 AI 的牛顿时代。更悲观的说法是 0.5 阶段。

因为我们过早收敛到了 Transformer 这一种架构，就像第谷只盯着一片星区，忽视了对整片星空的观测。

Transformer 的成功，很大程度上是因为语言本身是人类演化了百万年的馈赠，是一种已经被压缩得很好的模态。

不管你用什么架构，只要能把这份馈赠吃下去，就是好模型。

换句话说，大语言模型的成功不是因为 Transformer，而是因为语言。

这也是他同意谢赛宁那个判断的原因：大语言模型是反 Bitter Lesson 的。

Rich Sutton 在 2019 年的文章里说，70 年的 AI 研究告诉我们，靠堆算力的通用方法，长期来看总是赢过引入人类先验知识的方法。

但语言模型的成功恰恰是个例外，它赢不是因为架构，而是因为语言这个模态本身已经被人类文明预压缩好了。

从 MIT 到斯坦福：信仰的转变

在 MIT 读博期间，刘子鸣和同学们普遍瞧不起湾区那些搞 agent 的人，觉得那是在骗钱。

他的目标是在学术界做出更有影响力的工作，不和工业界同流合污。

去斯坦福做博后之后，六个月，他的想法变了。

变化来自两个方向。

一是他有个在 MIT 时同样瞧不起创业的好朋友，去了斯坦福两周就跟他说要创业了。当你看到和你风格很像的人做出你之前觉得不可能的事，你会开始怀疑自己是不是太保守了。

二是他在斯坦福所在的实验室，导师 Andreas Tolias 是做神经科学 foundation model 的顶尖学者。

刘子鸣亲眼目睹了他从 pure scientist（纯科学家） 转型成 entrepreneur（企业家） 的全过程。

从秘密筹划到正式宣布，刚好是他在那里的六个月。

Tolias 转型的理由很简单：做猴子和老鼠的实验需要非常贵的仪器，公司能提供学校给不了的资源，而且投资人承诺三年内不用考虑商业化。

2026 年的资本狂潮

今年三月回国，四月底入职清华，五月底开始参与融资。

刘子鸣说，这个过程的体感就是太疯狂了。

投资人相互打探消息，出手速度极快。

AI for Science、世界模型、AI for AI，在一级市场都是非常热门的状态。

融资结构也很特殊：种子轮之后不断加轮，上一轮投资人没进来，就再开一轮，形成连续融资的状态。

他认为 neo labs 大量涌现背后有两个原因。

心理层面，顶尖人才不想去大厂做大头兵，宁可自己出来单干。

现实层面，当前的 Coding Agent 范式有明显的 missing part。

世界模型需要新的架构设计，auto research 的数据还没有被结构化，这些都是现有范式够不到的地方，而且早期需要大量研究投入，不是堆资源堆工程就能解决的。

这个判断和田渊栋的 RSI（Recursive Superintelligence）的逻辑是一致的。

RSI 在今年五月宣布完成 6.5 亿美元融资，估值 46.5 亿美元，谷歌 GV 和 Greycroft 联合领投，英伟达、AMD 也参与其中。

RSI 的目标是"最大化知识发现速率"——让 AI 自主提出假设、设计实验、评估结果，把整条研究 pipeline 自动化，形成递归自我改进的闭环。

AI for AI 的非典型路线

刘子鸣做的 AI for AI，和大多数人理解的不太一样。

主流的 AI for AI，是用 coding agent 去写论文、提升训练 pipeline，从神经到神经，没有经过符号这一层。

他想做的是：用 AI 来自动化做 AI 的物理学，先理解 AI，再用这个理解去改进 AI。

他把这个路线的全称写成：AI for Physics of AI for AI。

中间那一层"Physics of AI"是关键。

他认为，AI for X 能成功的前提是 X 有大量数据。

但 AI Research 本身没有大量结构化的高质量数据，所以不能直接用 AI 去提升 AI，必须先把 AI Research 这件事结构化。

这个逻辑有一个现成的参照系：朱泽园（Zeyuan Allen-Zhu）在 Meta FAIR 做的 Physics of Language Models 系列工作，就是把"智能"拆解成语言结构、知识、推理等维度，用合成数据在受控环境里做大量控制实验，试图找出 LLM 的普适定律。

刘子鸣想做的，是把这套方法论本身自动化。

把自己当模型训练了 60 天

这个想法的起点，是他今年年初做的一个人体实验。

每天随机拉一个数据集、一个模型，在做实验之前先问自己：这个训练曲线会长成什么样子？然后做实验，对照结果，更新认知。

他坚持了大约 60 天。

前四五十天，预测能力很差，连趋势都经常预测错。

到了四五十天之后，他突然开始准了——不仅能预测语言相关实验的结果，换到视觉相关实验也能预测准。

这个过程有点像神经网络训练里的 grokking 现象：模型在训练集上早就过拟合了，但在某个时间点突然顿悟，泛化能力急剧提升。

刘子鸣和 Tegmark 在 2022 年就做过 grokking 的研究，发表了 Omnigrok 和 Towards Understanding Grokking 两篇论文，把这个现象的原因归结为训练 loss 和测试 loss 的 landscape 之间存在错位。

他在自己身上观察到了类似的相变。

他说他说不清楚自己是怎么做到的，可能是某种视觉 reasoning，可能是在潜空间里有些推理，但没办法用语言写出来。

这个人体实验让他相信：存在一种"原模型"（meta model），它的输入是模型架构和训练配置，输出是训练曲线。

人能学会这种预测能力，模型也应该能学会。

他每天最多仔细做一两个实验，这是人的带宽上限。

但一个模型一个 batch 可以见到几千组实验。

他想把自己的这种预测能力外化成一个模型，让它不需要睡觉、不需要吃饭，专门去看各种各样的实验并预测结果。

原模型怎么训

原模型的训练数据是模型本身。

具体做法是：生成一个模型，训练它，拿到训练曲线，这就是一个数据点。

再生成另一个模型，再拿到对应的训练曲线。

用这些（模型，训练曲线）的配对数据，用监督学习的方式训练原模型。

这个过程需要大量小模型，但不需要大集群，不需要卡间通信做得很好。

关键是多样性，要让原模型见过很多看起来奇怪的架构，这样它才有可能帮助我们跳出 Transformer 这个局部最优解。

短期目标是结构化 research，收集结构化的研究数据。

他们正在开发一套工具，强制研究者在进入下一个实验之前，必须写下对上一个实验的观察、结论和假设。

他把这套方法论的缩写叫 OPHIS：Observation、Problem、Hypothesis、Intervention、Speed up。

他预计，20 个学生和员工每人每天采集 10 条，两个月就能积累一万条数据，差不多可以开始训练第一个蒸馏自己认知的模型。

和 RSI 的区别：勤奋 vs 聪明

田渊栋的 RSI 做的是 coding agent 路线的改进，更勤奋的 AI，有超强行动力，不停迭代。

RSI 的目标是打造相当于 5 万名科研博士级别的研究能力，把评估、数据筛选、训练、研究方向选择全部交给 AI 自己来做，让系统提出假设、读材料、设计实验、评估结果，再把结果用于改进下一轮模型。

刘子鸣想做的是更聪明的 AI for AI。

提三个想法，可能就有一个 work，而不是提一百个想法才有一个 work。

他把这两条路线描述为正交的方向，最终会在某个地方整合。

他也承认，田渊栋本人其实挺支持 Science of AI 的，他们在 grokking 这类研究上 taste 很相近，这让他有一定的危机感。

RSI 的博客也显示，他们认为可解释性是递归自我改进的核心支柱。

因为如果你不理解模型内部在发生什么，你就无法判断它是在发现新东西，还是在越界。

两家公司的分歧，本质上是一个老问题：先理解再改进，还是边改进边理解？

机制可解释性：一个正在分裂的战场

Anthropic 做机制可解释性的方式是解释到单个神经元的层面。

找到一个"说脏话的神经元"，把它关掉，模型就不说脏话了。

他们用 sparse autoencoder 把模型内部混合的表征升到高维稀疏空间，试图把原子级别的概念抽取出来。

刘子鸣认为这类故事不够稳健。

换一个随机数种子，那个神经元可能就没有同样的行为了。

他们组在 22 年底到 24 年初也做过大量类似的工作，知道里面有多少水分。

他的导师 Max Tegmark 走得更远。Tegmark 最近公开表示，他已经放弃了大部分机制可解释性研究，转向"verified coding"——让 AI 生成传统代码，并附带数学证明，证明代码的行为符合预期。

Tegmark 的判断是：机制可解释性来得太晚，不足以解决 AI 安全问题。

他的 P(doom）超过 90%，认为如果现在不加以监管，超级智能失控的概率极高。

刘子鸣的判断稍有不同，他最近重新开始思考机制可解释性的价值。

放在 AI for AI 的框架下，它不再那么缥缈了。

之所以之前觉得需要几百年，是因为没有办法自动化，一旦能自动化，进展可以很快。

这里有一个有趣的分叉：老师（Tegmark）认为可解释性太慢、已经来不及了，转向了更保守的安全路线；学生（刘子鸣）认为可解释性方向是对的，但需要用 AI 来加速它本身。

终极产品：Vibe Training

刘子鸣把最终产品叫做 Training Autopilot，短期版本是 Training Copilot。

用户不需要知道 Transformer 是什么，不需要知道怎么调参，只需要说清楚自己的需求和预算，系统就能端到端地设计模型、训练模型、部署模型，直接交付一个可用的结果。

类比是：Claude Code 让不会写程序的人也能写程序，Vibe Training 让不会做 AI research 的人也能训练自己的私有模型。

他的更大愿景是：不是自己做一家 OpenAI，而是能孵化出各行各业、各个垂直领域的 OpenAI。

就像 LM 统一了 NLP 里的各种任务，这个系统能统一跨领域的模型设计和训练。

他也坦承，当技术便宜到一定程度，有些需求会自然涌现，但现在还很难想象。

就像没人能预测到每个家庭都会需要一台电脑。

三条路，同一个问题

刘子鸣最后给出的关键判断是：AI for Coding 的下一个会是 AI for Research，但需要用 Physics of AI 的方式去做，不能跳过结构化这一步。

对于想在这个方向布局的人，他的路线图是：先把 research 的思维链结构化，建立数据采集机制，再训练能蒸馏研究直觉的模型，最终目标是让 AI 在垂直领域提出新架构，而且不是涨 1% 的点，是涨 10%。

这个时间线，他认为是三到五年。

值得放在一起看的是：

他的导师 Tegmark，P(doom）超过 90%，已经因为担忧 AI 安全而放弃了可解释性研究，转向更保守的 verified coding 路线；

田渊栋的 RSI，拿着 46.5 亿美元估值在全速推进递归自我改进，目标是"最大化知识发现速率"；

而刘子鸣选择了一条中间路径，用物理学家的方法论，在两者之间找一条更慢但可能更扎实的路。

三条路，三种信仰，最终都在押注同一个问题：AI 能不能理解自己，然后改进自己。

谷歌人工智能这个部门的领导者叫Jeff Dean，是一个传奇程序员。

我来讲讲这个程序员的传奇故事。

Jeffrey Dean: The 100 Most Influential People in AI 2025 | TIME

他的童年

1968年7月23日，杰夫·迪恩（Jeff Dean）出生在夏威夷。

这个太平洋上的群岛，以其火山、海滩和多元文化闻名，却很少被视为科技天才的摇篮。

他的父亲安迪（Andy）是一位热带病研究员。

他的母亲弗吉尼亚·李（Virginia Lee）是一位医学人类学家，会说六种语言。

这种家庭背景意味着他的成长伴随着全球迁徙。

从夏威夷到亚特兰大的疾病控制中心，再到日内瓦的世界卫生组织，最后定居明尼苏达。

十三岁时，他甚至跳过了八年级的最后三个月，去索马里西部的一个难民营帮助父母。

这种不断变换的环境。

培养了他对复杂系统的早期直觉： 无论是疾病的传播模式，还是后来计算机网络中的数据流动，都遵循着某种可以被理解、被建模、被优化的规律。

为了好玩，父子俩一起编程一台IMSAI 8080计算机。

他们给机器焊接升级部件，学习它的每一个部分。

这种从硬件层面理解计算机的经历，将成为迪恩职业生涯的基石。

在高中时，迪恩开始为流行病学家编写一个名为Epi Info的数据收集程序。

这个程序成为了实际工作的标准工具，最终分发了数十万份副本，支持十几种语言。

美国疾病控制与预防中心维护的一个网站"Epi Info的故事"中，至今还保留着杰夫高中毕业时的照片。

但这个成就，他从未主动提及。

多年后，他的妻子海蒂（Heidi）才知道这个程序的重要性。

"他从不吹嘘那些事，"她说。"你得从他那里套话。"

在明尼苏达大学，迪恩选择了计算机科学与经济学的双学位。

他在大学时认识了海蒂。

他们的第一次约会是去看一场女子篮球赛。

杰夫当时穿着地鼠吉祥物服装在做啦啦队。

1990年，他完成了本科论文——主题是神经网络。

二十年后回望，它像是命运埋下的伏笔。

那时的神经网络研究正处于"AI寒冬"的尾声，学术界对其前景普遍悲观。

年轻的迪恩仍在探索机器如何通过数据"学习"的奥秘。

毕业后，迪恩做了一个不同寻常的选择：他没有直接投身科技公司，而是前往日内瓦，为世界卫生组织的全球艾滋病规划署工作。

在那里，他开发流行病统计模型软件，用代码帮助人类理解和对抗致命疾病的传播。

这段经历塑造了他对"规模"的最初理解——不是服务器集群的规模，而是全球公共卫生危机的规模。

当你的软件需要处理涉及数百万生命的数据时，"失败"不再是一个抽象的技术术语，而是真实的人类悲剧。

第一幕：系统构建者的诞生

学徒时代：编译器的魔法

1996年，迪恩从华盛顿大学获得计算机科学博士学位。

他的博士研究专注于编译器。

将人类编写的代码转换成优化过的供计算机执行的机器语言指令的软件。

"就吸引力而言，编译器几乎是最无聊的东西了"
他后来的经理艾伦·尤斯塔斯说。

但另一方面，它们让你"非常接近机器"。

编译器是程序员与机器之间的翻译官，而优化编译器的人，必须同时精通人类的抽象思维和硅片的物理限制。

桑杰后来在描述杰夫时，用食指在太阳穴旁打转。

"在你写代码的时候，他脑子里就有一个模型在运行，"他说。

"'这段代码的性能会怎样？'他几乎是半自动地思考所有极端情况。"

博士毕业后，他加入了传奇的 DEC 西部研究实验室（后被康柏收购）。

在那里，他与一群顶尖工程师一起工作，专注于分析工具、微处理器架构和信息检索。

这三年的经历很重要：

分析工具教会了他如何理解系统的瓶颈，微处理器架构让他深入理解硬件的本质，而信息检索则是搜索引擎的核心问题。

杰夫曾发过一份名为"每个程序员都应知道的延迟数字"的列表。

事实上，这是一份几乎没有程序员知道的数字列表：

L1缓存引用通常需要半纳秒，从内存中顺序读取一兆字节需要二百五十微秒。

这些数字已深深烙印在他的大脑中。

桑杰：他的另一半大脑

在DEC，迪恩遇到了桑杰·格玛沃特（Sanjay Ghemawat）。

Sanjay Ghemawat - Faces of Open Source

桑杰于1966年出生在印第安纳州的西拉斐特，但在印度北部的工业城市科塔长大。

他的父亲马希帕尔是一位植物学教授。
他的母亲珊塔（Shanta）照顾桑杰和他的两个哥哥姐姐。

桑杰的哥哥潘卡伊是哈佛商学院有史以来获得终身教职的最年轻的教员。（他现在是纽约大学斯特恩商学院的教授）

潘卡伊和桑杰上同一所学校，并以博学多才闻名。

"我有点活在我哥哥的阴影下，"桑杰说。

成年后，他仍然保持着一种自我谦逊的天赋。

2016年，当他入选美国艺术与科学学院时，他没有告诉父母；是他们的邻居把消息告诉了他们。

桑杰直到十七岁去康奈尔大学才接触计算机。

在麻省理工学院读研究生时，他的导师是芭芭拉·利斯科夫，一位有影响力的计算机科学家，她的研究领域之一是复杂代码库的管理。

在她看来，最好的代码就像一篇好的文章。

它需要一个精心构思的结构，每个词都应该发挥作用。

以这种方式编程需要对读者有同理心。

这也意味着将代码不仅仅视为达到目的的手段，而是其本身就是一件艺术品。

"我认为他最擅长的是设计系统，"谷歌的第一位员工克雷格·西尔弗斯坦说。

"如果你只是看桑杰写的一个代码文件，它的美就像一座比例匀称的雕塑那样美。"

在DEC，杰夫会从他的研究实验室走两个街区到桑杰的实验室。

"中间有一家意式冰淇淋店，"杰夫回忆道。

桑杰高兴地说："所以是因为那家冰淇淋店！"

他们开始一起编程——不是各自在自己的电脑前工作，而是共享一台电脑，一个人操作键盘，另一个人在旁边引导和纠正。

这种合作方式在软件开发中并不常见。

其他领域则有不少案例。

正是 莫奈和雷诺阿 在1869年夏天并肩工作，才发展出了后来成为印象派的风格。

在催生立体主义的六年合作期间， 毕加索和布拉克 常常只在画布背面签名，以掩盖哪幅画是哪个人完成的。

"我不知道为什么没有更多人这样做，"桑杰谈到与伙伴一起编程时说。

"你需要找到一个与你的思维方式兼容的人来进行结对编程，这样你们俩在一起就能形成互补的力量，"杰夫说。

1999年中期，互联网泡沫正接近顶峰。

杰夫先离开DEC，加入了一个名叫"Google"的“小公司”。

当时的谷歌只有几十名员工，办公室设在加州山景城的一栋不起眼的建筑里。

十个月后，桑杰也跟随而来。

2000年3月：灾难与重生

2000年3月的一天，谷歌最优秀的六名工程师聚集在一个临时的作战室里。

公司正面临前所未有的紧急状况。

核心系统，负责抓取网页以建立"索引"的系统，停止了工作。

尽管用户仍然可以在google.com上输入查询，但他们得到的结果是五个月前的旧数据。

更糟糕的是，谷歌的联合创始人拉里·佩奇和谢尔盖·布林正在谈判。

他们要为为雅虎（Yahoo）提供搜索引擎支持，他们承诺交付一个比当时大十倍的索引。

如果他们失败了，google.com将继续停留在过去，雅虎的交易很可能泡汤，公司也将面临耗尽资金直至倒闭的风险。

克雷格·西尔弗斯坦，谷歌的第一位员工，坐在靠远墙的位置。

他和一位名叫波格丹·科科塞尔的罗马尼亚系统工程师经过四天四夜的奋战，一无所获。

"我们做的所有分析都毫无意义，"西尔弗斯坦回忆道。"一切都坏了，我们不知道为什么。"

西尔弗斯坦几乎没有注意到他左后方桑杰·格玛沃特的存在。

桑杰几个月前才加入公司，是跟随杰夫·迪恩从DEC过来的。

在作战室里，杰夫把椅子滑到桑杰的桌旁，留下自己的空位。

桑杰操作键盘，而杰夫则靠在他身边，像新闻主播耳边的制作人一样纠正和引导。

杰夫和桑杰开始仔细研究那个停滞的索引。

他们发现有些词丢失了——搜索"mailbox"（邮箱）却没有任何结果，而另一些词则顺序混乱。

几天来，他们一直在代码中寻找缺陷。

逐段检查，一切似乎都没问题。

他们找不到那个错误（bug）。

在作战室的第五天，杰夫和桑杰开始怀疑他们寻找的问题并非逻辑上的，而是物理上的。

他们将混乱的索引文件转换为其最原始的表示形式： 二进制代码。

他们想看看他们的机器看到了什么。

在桑杰的显示器上，出现了一列密集的1和0，每一行代表一个索引词。

桑杰指着：一个本应是0的数字变成了1。

当杰夫和桑杰把所有排序错误的词放在一起时。

他们看到了一个模式，每个词都出现了同一种小故障。

机器的内存芯片不知何故损坏了。

桑杰看着杰夫。

几个月来，谷歌经历的硬件故障越来越多。

问题在于，随着谷歌的发展，其计算基础设施也在扩张。

计算机硬件很少出故障，除非你拥有足够多的硬件。

电线磨损，硬盘崩溃，主板过热。

许多机器从一开始就不能工作；有些会莫名其妙地变慢。

奇怪的环境因素也开始起作用。

当超新星爆炸时，冲击波会产生高能粒子并向四面八方散射。

科学家认为，这些被称为宇宙射线的迷途粒子有极小的概率击中地球上的计算机芯片，将0翻转为1。

世界上最稳健的计算机系统，如NASA、金融公司等，使用能够容忍单位比特翻转的特殊硬件。

但谷歌，当时仍像初创公司一样运作，购买的是缺乏该功能的廉价计算机。

谷歌在加利福尼亚州圣克拉拉的一栋建筑里，将一千五百台裸露的主板和硬盘像三明治一样叠成六英尺高的塔架。

由于硬件故障，只有一千二百台能工作。

公司已经到达了一个拐点。

它的计算集群变得如此庞大，以至于即使是罕见的硬件故障也变得不可避免。

杰夫和桑杰一起编写了代码来补偿那些出问题的机器。

不久之后，新的索引完成了，作战室也解散了。

周末重写：弹性系统的诞生

这场危机成为了一个转折点。

杰夫和桑杰意识到，随着谷歌的增长，硬件失败不会是偶然事件，而是常态。

当你有成千上万台服务器时，每天都会有机器宕机、硬盘损坏、网络中断。

如果系统无法应对这些失败，谷歌就无法扩展。

他们需要构建一套全新的基础架构： 一套能够在混乱中保持秩序的系统。

这场周末重写的核心设计理念是 预期失败 （expect failure）。

与其假设硬件是完美的，不如假设硬件 一定会 失败。

系统需要能够自动检测损坏的数据，标记故障的机器，并绕过它们继续工作。

这种"容错"思想在今天看来是分布式系统的常识，但在2000年，它是激进的。

在三月份索引崩溃事件之前，谷歌的系统根植于其创始人在斯坦福大学读研究生时编写的代码。

佩奇和布林并非专业的软件工程师。

他们是进行搜索技术实验的学者。

当他们的网络爬虫崩溃时，没有提供信息的诊断消息——只有一句"Whoa, horsey!"（喔唷，小马！）。

早期员工将佩奇和布林编写的一个名为BigFiles的软件称为BugFiles（充满错误的文件）。

他们至关重要的索引代码需要数天才能完成，并且如果遇到问题，就必须从头开始。

用硅谷的行话来说，谷歌当时不具备"可扩展性"。

韦恩·罗辛曾在苹果公司参与麦金塔电脑前身的工作，于2000年11月加入谷歌，负责管理其百人工程师团队。

"他们是领导者，"他说。

杰夫和桑杰并肩负责了重建谷歌基础架构的工作。

他们每周工作九十个小时，编写代码，使得单个硬盘故障不会导致整个系统瘫痪。

他们在爬取过程中添加了检查点，以便可以在中途重新启动。

通过开发新的编码和压缩方案，他们有效地将系统容量翻了一番。

他们是无情的优化者。

当汽车转弯时，外侧轮子必须覆盖更多地面。

同样，旋转硬盘的外边缘比内边缘移动得更快。

谷歌已将最常访问的数据移到外部，以便数据位可以在读写头下更快地流动，但内部一半是空的。

杰夫和桑杰利用这个空间存储了常见搜索查询的预处理数据。

在2001年的四天里，他们证明了谷歌的索引可以使用快速的随机存取存储器（RAM）而不是相对较慢的硬盘来存储。

这一发现重塑了公司的经济模型。

佩奇和布林知道用户会涌向能够即时提供答案的服务。

问题在于速度需要计算能力，而计算能力需要花钱。

杰夫和桑杰用软件巧妙地解决了这个问题。

艾伦·尤斯塔斯在罗辛于2005年离开后成为工程团队的负责人。

"要解决规模化问题，矛盾的是，你必须了解最微小的细节，"尤斯塔斯说。

杰夫和桑杰在比特层面上理解计算机。

在他们帮助引领谷歌核心软件的几次重写过程中，系统的容量按数量级扩展。

与此同时，在公司庞大的数据中心里，技术人员现在沿着蛇形路线行走，遵循软件生成的指令更换硬盘驱动器、电源和内存条。

即使其部件磨损和失效，系统依然可以正常运行。

MapReduce：简化混乱

2004年，迪恩和格玛沃特发表了一篇论文，题为《MapReduce: Simplified Data Processing on Large Clusters》（MapReduce：大规模集群上的简化数据处理）。

这篇论文只有两位作者，但它将改变整个行业。

MapReduce的核心思想极其简洁： 将复杂的分布式计算抽象为两个函数—— Map 和 Reduce 。

Map 函数处理输入数据，生成中间键值对；
Reduce 函数将相同键的值聚合在一起，生成最终结果。

BigData with PySpark: MapReduce Primer

程序员只需要定义这两个函数，系统会自动处理并行化、任务调度、机器间通信和失败恢复。

这种抽象的威力在于它的 简单性 。

在MapReduce之前，编写分布式程序需要深厚的系统知识——你需要手动管理线程、处理网络通信、应对机器失败。

这些复杂性将大多数程序员拒之门外。

但MapReduce将这些复杂性隐藏在系统内部，让没有分布式系统经验的工程师也能轻松处理TB级数据。

论文中的一个例子是计算大量文档中每个单词的出现次数。

Map 函数读取文档，输出 (单词, 1) 的键值对；
Reduce 函数将相同单词的计数相加。

整个程序只需几行代码，但它可以在数千台机器上并行运行，处理整个互联网的网页。

MapReduce的另一个关键贡献是 容错性 。

系统会持续监控任务的执行，如果某台机器失败，系统会自动在另一台机器上重新执行该任务。

这种"重新执行"策略之所以可行，是因为 Map 和 Reduce 函数被设计为"功能性"的——它们不修改输入数据，只产生输出。

这意味着重新执行一个任务不会产生副作用，结果是确定的。

这种设计直接源于"2000年危机"的教训：硬件会失败，但系统必须继续运行。

MapReduce在谷歌内部迅速普及。

它被用于构建搜索索引、处理日志数据、生成报告、训练机器学习模型。

到2004年论文发表时，谷歌内部已经有数百个MapReduce程序在运行。

更重要的是，MapReduce的思想传播到了整个行业。

雅虎基于这篇论文开发了Hadoop，一个开源的MapReduce实现，它成为了大数据时代的基石。

Bigtable：存储的艺术

如果MapReduce解决了大规模计算的问题。

那么Bigtable解决的就是大规模存储的问题。

GCP 專欄】Google Cloud Bigtable 的介紹與應用(一) - iKala Cloud

2006年，迪恩和格玛沃特与其他几位谷歌工程师发表了《Bigtable: A Distributed Storage System for Structured Data》（Bigtable：结构化数据的分布式存储系统）。

Bigtable的设计目标是管理PB级的结构化数据，同时支持高吞吐量的批量处理和低延迟的实时查询。

这是一个看似矛盾的需求： 批量处理需要扫描大量数据，而实时查询需要快速返回单个结果。

传统的关系型数据库无法同时满足这两种需求。

Bigtable的解决方案是一个独特的数据模型： 它是一个"稀疏的、分布式的、持久化的多维排序映射表" 。

每个数据项由三个维度索引：行键（row key）、列键（column key）和时间戳（timestamp）。

这种设计提供了极大的灵活性：

• • 行键 ：数据按行键排序存储，相邻的行键会存储在同一台机器上。这使得扫描某个范围的数据非常高效。

• • 列族 ：列被组织成列族，每个列族可以独立设置访问控制和压缩策略。这允许系统根据不同的访问模式优化存储。

• • 时间戳 ：每个数据项可以有多个版本，由时间戳区分。系统可以自动保留最新的N个版本，或者保留最近T天的版本，旧版本会被垃圾回收。

Bigtable的另一个关键设计是它不是一个关系型数据库。

它不支持复杂的SQL查询，不支持跨行事务。

这些限制是有意为之的—— 它们允许系统在数千台机器上水平扩展，而不会被复杂的一致性协议拖累。

在谷歌内部，Bigtable被用于存储网页索引、Google Earth的地理数据、Google Analytics的用户行为数据等。

它的影响力同样扩展到了整个行业：亚马逊的DynamoDB、Facebook的Cassandra、Apache的HBase都受到了Bigtable的启发。

Spanner：全球一致性的巅峰

MapReduce和Bigtable奠定了谷歌基础架构的基石。

但它们都有一个共同的局限：它们主要设计用于单个数据中心。

随着谷歌的全球扩张，数据需要跨越洲际分布。

如何在全球范围内保持数据的一致性，成为了下一个挑战。

2012年，杰夫·迪恩和格玛沃特与其他工程师发表了《Spanner: Google's Globally-Distributed Database》（Spanner：谷歌的全球分布式数据库）。

Spanner是世界上第一个支持"外部一致性分布式事务"的全球分布式数据库。

Spanner的核心创新是 TrueTime API 。

在分布式系统中，时间是一个棘手的问题。

不同机器的时钟会有偏差，而网络延迟意味着你无法确定两个事件的真实顺序。

Spanner的解决方案是利用GPS和原子钟。

构建一个能够暴露时钟不确定性的API。

TrueTime不会告诉你"现在是12:00:00"，而是告诉你"现在是12:00:00，误差在±7毫秒之内"。

通过精确 知道 这种不确定性，Spanner能够为全球事务分配有意义的提交时间戳。

如果不确定性太大，系统会主动"等待不确定性过去"，这被称为"commit wait"。

这种等待通常只需几毫秒，但它确保了事务的外部一致性：如果事务T1在事务T2之前提交，那么T1的时间戳一定小于T2的时间戳。

Spanner的诞生标志着迪恩"系统三部曲"的完成。

从MapReduce（容错计算）到Bigtable（容错存储），再到Spanner（全球一致性）。

这三个系统共同构建了谷歌的技术护城河。

它们不仅支撑了谷歌的搜索、广告、Gmail等核心业务，也为后来的人工智能浪潮提供了基础设施。

2025年，Spanner获得了ACM SIGMOD系统奖。

表彰其"重新构想了关系数据管理，以在全球范围内实现具有外部一致性的可串行化"。

这是对迪恩和格玛沃特十多年前工作的最新认可。

系统哲学的顶峰

2013年，迪恩与格玛沃特发表了另一篇影响深远的论文：《The Tail at Scale》（规模的尾端效应）。

这篇论文探讨了一个在大规模系统中普遍存在但常被忽视的问题： 尾端延迟 （tail latency）。

在谷歌的系统中，一个用户请求可能需要调用数百台服务器。

即使每台服务器的平均响应时间很快，但只要有1%的服务器响应缓慢（例如因为垃圾回收、磁盘I/O或网络拥塞），就会导致大多数用户请求变慢。

这是因为用户请求需要等待 所有 服务器响应， 而最慢的那台服务器决定了整体延迟。

论文的洞见在于，试图消除所有延迟源头是"不切实际的"。

硬件会失败，网络会拥塞，操作系统会有抖动。

与其追求完美，不如构建"容尾"（tail-tolerant）系统，这与"2000年危机"后他构建"容错"系统的理念相呼应。

论文提出了一系列技术来应对尾端延迟：

• • 对冲请求 ：向多个副本发送同一请求，使用最快的响应。

• • 绑定请求 ：向多个副本发送请求，但一旦某个副本开始处理，就取消其他副本的请求。

• • 微分区 ：将数据分成更小的分区，使得负载可以更灵活地在机器间迁移。

• • 选择性复制 ：对热点数据创建更多副本，分散负载。

核心思想是： 在不可靠且速度不均的硬件之上，通过冗余和智能调度，构建出高性能的弹性服务。

杰夫·迪恩与桑杰·格玛沃特：传奇的合作

讲述迪恩的故事时，无法回避他与桑杰·格玛沃特的合作。

2012年，他们共同获得了ACM计算奖，表彰其"构思、设计并实现了谷歌革命性的软件基础设施"。

2009年，他们一起当选为美国国家工程院院士。

他们的合作被称为"拯救了谷歌，并发明了现代互联网的友谊"。

但这种合作关系也带来了一个有趣的文化现象："杰夫·迪恩梗"（Jeff Dean Facts）。

"杰夫·迪恩梗"：崇拜与遗憾

2007年愚人节前后，谷歌内部开始流传一系列关于杰夫·迪恩的玩笑，模仿"查克·诺里斯梗"的形式。

这些玩笑夸张地描述了迪恩的技术能力，例如：

• • “杰夫·迪恩先直接写二进制；源码只是给别人看的文档。”

• • “杰夫·迪恩的键盘没有 Ctrl 键——因为他一直都在控制中。”

• • "编译器不会警告杰夫·迪恩。杰夫·迪恩会警告编译器。"

• • “真空里的光速以前很慢，后来杰夫·迪恩用一个周末把物理优化了。”

这些梗在谷歌内部迅速传播，后来扩散到整个科技行业。

它们反映了工程师们对迪恩的敬佩。

他不仅是一位杰出的技术专家，更是一位能够解决任何问题的"代码之神"。

但这些梗也带来了一个问题：它们给人留下了"杰夫比桑杰更卓越"的印象。

事实上，迪恩和格玛沃特的贡献是平等的，他们的合作是互补的。

迪恩的传奇不是一个人的独角戏，而是一段持续二十多年的合作关系。

第二幕：AI的回归

厨房的偶遇：Google Brain的诞生

2011年初的某一天，杰夫·迪恩在谷歌的一个微型厨房偶遇了吴恩达（Andrew Ng）。

吴恩达当时是斯坦福大学的教授，正在谷歌进行一个名为"Project Marvin"的研究项目。

他向迪恩介绍了这个项目的目标： 使用大规模神经网络进行无监督学习。

这次对话点燃了迪恩的兴趣。

他决定利用谷歌著名的"20%时间"政策（员工可以将20%的工作时间用于个人感兴趣的项目），加入这个项目。

他邀请了格雷格·科拉多（Greg Corrado），一位神经科学家出身的工程师。

这个小团队最终演变成了 Google Brain ——谷歌的深度学习研究部门。

并非偶然。

迪恩在1990年的本科论文主题就是神经网络。

那时的神经网络研究正处于低谷，但迪恩对其潜力始终抱有信心。

二十年后，计算能力的提升和数据的丰富，使得神经网络的复兴成为可能。

迪恩意识到，他在系统领域积累的专长，如何构建大规模分布式系统，可以应用于神经网络的训练。

"猫论文"：规模的胜利

2012年，Google Brain团队发表了一篇论文，题为《Building High-level Features Using Large Scale Unsupervised Learning》（使用大规模无监督学习构建高级特征）。

这篇论文后来被称为"猫论文"。

Google Jeff Dean 2022年终报告，大模型、AI 绘画神器- 吴建明wujianming - 博客园

因为它的核心发现是：

一个足够大的神经网络，仅通过观看 未标记 的YouTube视频帧，就能 自发地 学会识别猫。

这个结果在今天看来或许不足为奇，但在2012年，它是革命性的。

传统的机器学习依赖于大量的标注数据，人类需要手动标记图像中的物体。

但"猫论文"证明了，神经网络可以在没有监督的情况下，从原始数据中提取有意义的特征。

论文的关键在于 规模 。

团队构建了一个包含10亿参数的9层稀疏自动编码器——这在当时是前所未有的。

为了训练这个“庞然大物”，他们使用了 DistBelief 系统（TensorFlow的前身），在16000个CPU核心上运行了三天。

正是这种压倒性的规模优势，使得网络能够"发明"出猫的概念。

"猫论文"的意义不仅在于技术突破，更在于它展示了迪恩的核心洞察： 规模改变一切 。

在系统领域，他通过MapReduce和Bigtable证明了，大规模分布式系统可以解决传统单机无法解决的问题。

在AI领域，他通过"猫论文"证明了，大规模神经网络可以学习到传统算法无法学习的特征。

Word2vec：语言的代数

2013年，迪恩与托马斯·米科洛夫（Tomas Mikolov）等人发表了一篇论文，题为《Efficient Estimation of Word Representations in Vector Space》（词向量空间的高效估计）。

这篇论文介绍了 Word2vec ——一种将词语映射到高维向量空间的技术。

Word2vec - Word embeddings used in NLP

Word2vec的核心思想是： 词语的意义可以通过其上下文来定义。

如果两个词经常出现在相似的上下文中，它们的意义就相似。

基于这个思想，Word2vec训练了一个神经网络，将每个词映射到一个向量，使得相似的词在向量空间中距离更近。

Word2vec的突破在于其效率。

通过移除传统神经网络语言模型中的非线性隐藏层，Word2vec能够在一个CPU核心上，一天之内处理完16亿个单词的训练数据。

后续优化的C++代码甚至能达到每小时数十亿词。

但Word2vec的真正魔力在于它产生的向量具有语义代数性质。

这意味着，机器不仅学会了词语的意义，还学会了词语之间的关系。

"国王"与"男人"的关系，类似于"女王"与"女人"的关系。

这种代数性质使得Word2vec成为自然语言处理领域的基石技术，被广泛应用于机器翻译、情感分析、问答系统等。

Word2vec的论文成为了迪恩被引用次数最多的论文之一，超过了MapReduce。

从"系统构建者"到"AI推动者"。

知识蒸馏：让AI更轻巧

2015年，迪恩与杰弗里·辛顿、伊尔亚·苏茨克维和奥里奥尔·维尼亚尔斯发表了一篇论文。

题为《Distilling the Knowledge in a Neural Network》（提炼神经网络中的知识）。

A Primer on Knowledge Distillation in NLP — Part 1 | by Neeraj Varshney | Analytics Vidhya | Medium

这篇论文解决了一个实际问题： 如何将一个庞大、笨重但高度准确的模型，压缩到一个更小、更快、更适合部署的模型中。

论文的核心技术是 知识蒸馏 （Knowledge Distillation）。

传统的模型训练使用"硬目标"——每个样本只有一个正确答案。

但大型模型（"教师"模型）的输出是一个概率分布，它不仅显示了正确答案，还揭示了模型认为哪些错误答案"更接近正确"。

例如，一个图像分类模型可能认为一辆宝马像奔驰，而不是像胡萝卜。

知识蒸馏的技巧是使用"软目标"。

通过提高教师模型的"温度"参数，输出的概率分布会变得更柔和，揭示更多的泛化信息。

这个分布被用作训练信号， 教导"学生"模型模仿教师的"思维方式"。

这使得小型模型能够实现远超其自身规模的准确性。

知识蒸馏的意义在于它解决了AI部署的关键瓶颈。

大型模型虽然准确，但需要大量的计算资源，无法在手机或嵌入式设备上运行。

知识蒸馏使得我们可以在保持准确性的同时，将模型压缩到可以在边缘设备上运行的规模。

这篇论文再次展现了迪恩对"效率"的执着追求。

无论是MapReduce的简化抽象，还是Word2vec的高效训练，还是知识蒸馏的模型压缩，他始终在寻找"更高效的方法"。

TPU：从系统洞察到AI硬件革命

2013年，Google Brain团队开发了一个新的语音识别模型，其准确性令人印象深刻。

但迪恩做了一个"餐巾纸背面的计算"：如果将这个模型部署到谷歌的所有用户，需要多少计算资源？

答案令人震惊：需要将谷歌数据中心的CPU数得翻倍。

这在经济上是不可行的。

迪恩意识到，"必须有更高效的方法"。

他利用自己深厚的硬件和编译器背景，得出了一个激进的结论： 需要设计专用的机器学习芯片。

他立即组建了一个团队，肩负起设计 TPU（张量处理单元）的任务。

TPU是一种ASIC（专用集成电路），专为神经网络的推理和训练优化。

第一代TPU1样子

与通用的CPU和GPU不同，TPU的架构针对矩阵乘法。——神经网络计算的核心操作——进行了深度优化。

TPU使用低精度的整数运算（而非浮点运算），并通过大规模的并行化和高带宽的片上内存，极大地提升了效率。

2015年，第一代TPU开始部署在谷歌的数据中心。

2017年，谷歌发表了一篇论文，题为《In-Datacenter Performance Analysis of a Tensor Processing Unit》（数据中心内张量处理单元的性能分析）。

论文披露了TPU的性能：它的效率是当时CPU/GPU的 30到80倍 。

TPU的诞生为谷歌在AI竞赛中提供了关键优势。

它不仅降低了成本，还使得谷歌能够训练更大规模的模型。

今天，TPU已经演进到第5代，支撑着谷歌的搜索、翻译、照片、助手等所有AI驱动的产品。

TensorFlow与Transformer：从工程师到领导者

2015年，谷歌开源了 TensorFlow ——一个用于机器学习的开源框架。

TensorFlow是DistBelief的继任者，由迪恩推动开发。

与DistBelief相比，TensorFlow更加灵活、更易于使用，并且支持从手机到数据中心的各种设备。

TensorFlow的开源是一个战略性的决定。

通过开源，谷歌不仅赢得了学术界和开发者社区的支持，还使得TensorFlow成为了事实上的行业标准。

今天，TensorFlow被广泛应用于研究、教育和生产环境，拥有数百万用户。

2017年，一个在迪恩监督下的团队发表了一篇论文，题为《Attention Is All You Need》（注意力机制就是你所需要的一切）。

这篇论文介绍了 Transformer 架构。

一种完全基于注意力机制的神经网络架构。

不再依赖传统的循环神经网络（RNN）或卷积神经网络（CNN）。

Transformer的核心创新是 自注意力机制 。

它允许模型在处理一个序列时，同时关注序列中的所有位置，而不是像RNN那样逐步处理。

这使得Transformer能够捕捉长距离的依赖关系，并且可以高度并行化，极大地提升了训练效率。

Transformer的影响是深远的。

它成为了现代自然语言处理的基础架构，催生了BERT、GPT、T5等一系列突破性模型。

今天，几乎所有的大型语言模型都基于Transformer架构。

值得注意的是，迪恩 不是 Transformer论文的直接作者。

他从早期MapReduce或Word2vec时的"亲力亲为的合著者"。

转变为Google Brain研究机构的"研究领导者"和"方向指引者"。

他不再需要亲自编写每一行代码，而是通过组建团队、设定方向、提供资源，推动整个领域的进步。

Pathways：第三代AI架构

2021年，迪恩发表了一篇博客文章，题为《Introducing Pathways: A next-generation AI architecture》（介绍Pathways：下一代AI架构）。

文章阐述了他对AI未来的愿景，并介绍了 Pathways 。

继DistBelief和TensorFlow之后的第三代AI系统。

Pathways的核心愿景是克服当前AI模型的三个局限：

单一用途 ：今天的大多数AI模型只能完成一个任务。

例如，一个图像分类模型不能用于语音识别。

Pathways的目标是构建一个更通用的单一模型，能够同时处理成千上万种任务。

单一模态 ：今天的大多数模型只能处理一种类型的数据。

例如，语言模型只能处理文本，视觉模型只能处理图像。

Pathways的目标是构建多模态模型，能够同时理解文本、图像、语音等多种信息。

密集激活 ：今天的大多数模型在处理每个输入时，都会激活整个网络。

这意味着，即使任务很简单，也需要调用整个庞大的模型。

Pathways的目标是构建稀疏激活的模型，只激活网络中与当前任务相关的"路径"，从而提升效率。

Pathways不仅仅是一个理论概念，而是谷歌内部用于训练现代大型模型的实际系统。

它在Cloud上运行，使用JAX协调数千个TPU芯片。

包括PaLM、PaLM 2、Med-PaLM和AudioPaLM在内的模型都是建立在Pathways架构之上的。

Pathways的愿景受到了神经科学的启发。

人类大脑有大约860亿个神经元，但在处理特定任务时，只有一小部分神经元被激活。

Pathways试图模仿这种稀疏激活的机制，构建更高效、更通用的AI系统。

第三幕：领导者与愿景家

Google Brain与DeepMind的合并

2018年，迪恩被任命为谷歌AI的负责人，领导Google Brain团队。

在他的领导下，Google Brain成为了全球最顶尖的AI研究机构之一，发表了大量开创性的论文，培养了一批杰出的研究人员。

但谷歌内部存在着两个独立的AI研究部门：Google Brain和DeepMind。

DeepMind是谷歌在2014年收购的英国AI公司，以其在强化学习和AlphaGo方面的突破而闻名。

两个部门虽然都隶属于谷歌，但各自独立运作，有时甚至存在竞争关系。

2023年，迪恩推动了一个大胆的决定：将Google Brain和DeepMind合并，组建 Google DeepMind 。

这次合并的目标是集中资源，避免重复工作，加速AI的研发。

迪恩被任命为谷歌的首席科学家（Chief Scientist），与DeepMind的联合创始人德米斯·哈萨比斯（Demis Hassabis）共同领导新组织。

这次合并不仅仅是组织架构的调整，更是战略愿景的统一。

迪恩为合并诞生的AI模型命名为Gemini（双子座），象征着Google Brain和DeepMind这"双子"的融合。

Gemini：智能体时代的开端

2024年，谷歌发布了 Gemini 2.0 ——一个专为"智能体时代"设计的多模态AI模型。

Gemini 2.0不仅能够理解和生成文本、图像、音频、视频等多种模态的内容，还能够执行复杂的多步骤任务，充当用户的智能代理。

迪恩在2025年1月的年度总结博客中，重点介绍了Gemini 2.0的几个关键应用：

• • Project Astra ：一个通用AI助手，能够通过视觉和语音与用户交互，理解用户的意图，并提供实时帮助。

• • Project Mariner ：一个在Chrome浏览器中运行的行动代理，能够自动浏览网页、填写表单、完成在线任务。

• • Jules ：一个AI编码代理，能够理解代码库，修复bug，甚至编写新功能。

• • Deep Research ：Gemini Advanced中的一个功能，能够执行多步骤的研究任务，综合多个来源的信息，生成深度报告。

未来的愿景： AI不再仅仅是一个回答问题的工具，而是一个能够主动执行任务、代表用户行动的智能体。

对未来的展望：虚拟工程师与AGI

2025年初，迪恩在红杉资本的"AI Ascent"大会上发表演讲，分享了他对AI未来的预测。

他的核心观点是： AI在一年内（即到2026年初）将能胜任初级工程师的工作 。

他解释道："我们正在接近这样一个点：你可以让AI系统24/7工作，它们能够完成初级工程师能够完成的任务。

这将极大地提升软件开发的效率。"

但迪恩也强调，这并不意味着人类工程师会被取代。

相反，AI将成为人类的"虚拟同事"，处理重复性的、低创造性的任务，让人类工程师能够专注于更高层次的设计和创新。

关于通用人工智能（AGI）的时间线，迪恩保持谨慎乐观的态度。

他认为，AI能力的进步不会放缓，未来5年的飞跃将堪比过去5年。

领导风格：谦逊与赋能

在谷歌内部，迪恩以其谦逊和赋能的领导风格而闻名。

尽管他拥有传奇般的技术能力，但他从不居功自傲，而是将功劳归于团队。

他鼓励年轻工程师大胆尝试，容忍失败，并提供指导和支持。

一个经常被提及的例子是，迪恩会花时间与初级工程师一起审查代码，耐心解释设计决策，分享他的经验。

他不是高高在上的"技术大神"，而是愿意与团队并肩工作的导师。

迪恩的领导哲学可以总结为： 构建系统，也构建团队 。

他不仅关注技术架构的设计，也关注组织文化的塑造。

他相信，伟大的系统是由伟大的团队构建的，而伟大的团队需要信任、协作和共同的愿景。

学术影响力与荣誉

迪恩的学术影响力是深远的。

他的论文被引用超过30万次，h指数超过150（这意味着他有超过150篇论文，每篇至少被引用150次）。

他的工作不仅推动了工业界的进步，也深刻影响了学术界的研究方向。

他获得了无数荣誉：

• • 2009年 ：当选美国国家工程院院士，表彰其"在大型分布式计算机系统的科学与工程方面的贡献"。

• • 2012年 ：与格玛沃特共同获得ACM计算奖，表彰其"构思、设计并实现了谷歌革命性的软件基础设施"。

• • 2015年 ：MapReduce获得USENIX名人堂奖。

• • 2016年 ：Bigtable获得USENIX名人堂奖。

• • 2022年 ：Spanner获得SIGMOD时间考验奖。

• • 2025年 ：Spanner获得SIGMOD系统奖；《The Tail at Scale》获得SIGOPS名人堂奖。

• • 2025年 ：被《时代》杂志评为"AI领域最具影响力的100人"。

这些奖项不仅是对他个人成就的认可。

更是对他所代表的技术理念的肯定： 规模、效率、容错、简洁 。

尾声：代码之神的遗产

杰夫·迪恩不是一个天才独行侠，而是一个团队构建者。

一个拥抱失败、从混乱中创造秩序的实用主义者。

他不是一个固守单一领域的专家，而是一个不断学习、不断转型的探索者。

从"2000年危机"到MapReduce，从Bigtable到Spanner。

从"猫论文"到Transformer，从TPU到Gemini。

迪恩的职业生涯跨越了计算机科学的多个领域，但始终围绕着一个核心主题：

如何在大规模系统中构建智能 。

他的第一幕是关于系统的 ：如何在成千上万台不可靠的机器上，构建可靠的分布式系统。

他的答案是MapReduce、Bigtable、Spanner——这些系统不仅支撑了谷歌的业务，也改变了整个行业。

他的第二幕是关于AI的 ：如何利用大规模系统训练大规模神经网络。

他的答案是Google Brain、Word2vec、知识蒸馏、TPU——这些工作不仅推动了深度学习的复兴,也为今天的AI浪潮奠定了基础。

他的第三幕是关于愿景的 ：如何将AI从一个回答问题的工具，转变为一个能够主动执行任务的智能体。

他的答案是Pathways、Gemini、虚拟工程师——这些概念正在塑造AI的未来。

今天，当我们使用谷歌搜索时，当我们与AI助手对话时，当我们训练一个深度学习模型时，我们都在使用迪恩及其团队构建的系统。

他的代码运行在全球数百万台服务器上，处理着数十亿用户的请求，支撑着现代互联网的基础设施。

2025年，57岁的杰夫·迪恩仍然站在AI革命的最前沿。

他领导着谷歌的AI研究，推动着Gemini的发展，探索着通向AGI的道路。

他的遗产不是代码，而是一种精神： 在混乱中寻找秩序，在失败中寻找机会，在规模中寻找可能。

这种精神将继续激励着下一代工程师，推动着技术的进步，塑造着人类的未来。

后记

在撰写这篇传记时，我深刻感受到杰夫·迪恩的故事不仅仅是一个个人的成功故事，更是一个时代的缩影。

他的职业生涯见证了互联网从泡沫到繁荣，见证了分布式系统从理论到实践，见证了AI从寒冬到复兴。

但最打动我的，是他始终保持的谦逊和好奇心。

尽管他已经取得了如此多的成就，他仍然在学习、在探索、在推动边界。

他的一个生活目标是"在每个大洲都打过篮球或踢过足球"

这像他的性格： 无论走到哪里，他都保持着对世界的好奇和对生活的热爱。

他的故事还在继续。

Dan Shipper 上个月的 Codex 账单是 13,000 美元，他的 COO 给了他一个白眼。

但他不打算减少用量。

Every 的 Slack 里现在有 20 个 agent 和 20 个人类，一起工作。

代码、写作、客服、邮件、研究备忘录，能用 AI 处理的流程全部交给了 agent。

27 个全职员工，每人有 AI 订阅，技术岗是 200 美元一个月的 Max 计划，超出的 token 费用公司全包，就像报销笔记本电脑和医疗保险一样。

但 Dan 在采访里说了一句话：「自动化是个谎言。」

不是他们的自动化没跑起来，是跑起来之后，人反而更忙了。

从 4 个人到 30 个人，同期把所有能自动化的都自动化了

Every 从 GPT-3 时代就开始用 AI，那是 2020 年，当时公司只有 4 个人。

六年之后，他们有 30 个人，还在招。

2025 年营收 300 万美元，同比增长 3 倍。

他们做了一份 8000 字的报告《After Automation》，试图解释为什么会这样。

结论只有一句话：越自动化，需要的人类专家越多。

听起来有点反直觉？下面解释下。

AI 是在人类历史上所有的代码、文章、设计、决策记录上训练出来的，它把昨天所有人积累的专业能力，以极低的成本提供给今天每一个人。

任何人现在都能用一个 prompt 做出五年前需要专业团队才能做出的东西。

但当所有人都能做出「还不错」的东西时，反而让真正能把东西做好、做出差异的人变得更稀缺、更值钱。

Every 的客服数据可以印证。

他们用 Fin 这个 agent 处理支持对话，在某一周的 202 个对话里，Fin 关闭了 40.1%。

但剩下那 60%，需要更有经验的人来处理，而且处理难度更高。

自动化没有消灭客服工作，它把简单的部分过滤掉了，留下来的全是硬骨头。

工程团队也一样。

Every 的工程师现在不写代码，全部交给 Codex 和 Claude Code。

但 agent 生成的代码需要有人判断对不对、合不合适、要不要改方向。

Dan 说：「每次你自动化一件事，为了确保自动化运作正常，你都需要一个人在上面盯着。在任何真实的使用场景里，总有一个人离它很近，确保它在正常工作。」

2026 年 5 月，OpenClaw 生成了 44,469 个 PR，而 Kubernetes 在整个 2022 年只有 5,200 个 PR。

agent 的产出量已经是人类的数倍，但每一个 PR 背后，都需要有人判断它是否值得合并。

产出爆炸，评判工作也跟着爆炸。

frame 和 framer：AI 能做的和人必须做的，是两件不同的事

Dan 在《After Automation》里提出了一个核心区分。

所有 AI 的能力，都是在某个框架（frame）内展示的。

你给它一个问题，它在这个问题的边界内工作。

GPT-5.5 在高级工程师基准测试上能拿 62 分，人类是 80 到 90 分。

但这个分数是在人类已经定义好的问题框架里测出来的，框架本身包含了大量的专家判断，在模型开始工作之前就已经嵌入进去了。

设定框架的人（framer）和框架本身不是同一件事。

模型可以在框架内越来越强，但框架是谁设的、这个框架是否切中今天真正的问题，这件事模型做不了。

因为框架要求你活在当下，接触到那些无法被训练数据捕捉的东西：这个客户今天的具体情绪，这个代码库此刻的实际状态，这个市场这周刚刚发生的变化。

Dan 把人在这个过程里的位置叫做「Human Sandwich」（人类三明治）：人在上游设定框架，AI 在中间执行，人在下游判断结果并决定下一步。

价值集中在两端，中间那层正在变成商品。

即使到了 AGI，这个模式也不会消失。

因为每一次 AI 把某个框架内的能力商品化，人类就会把目标移到更高一层，设定新的框架，然后 AI 再去追。

这不是一个会到达终点的过程，是一个持续向上的螺旋。

他们的 think week 在读什么

Every 每年有两次 think week，全公司停止发布、停止上线，只做一件事：玩。

今年一月的 think week，Dan 让所有人读了《The Writing Life》的最后一章。

这本书是 Annie Dillard 写的，她本人觉得这本书是垃圾，除了最后一章。

最后一章讲的是特技飞行员 Dave Rahm。

Dillard 描述他在空中飞行时，观众会忘记时间，忘记过去和未来，只剩下当下那一刻。

Rahm 在驾驶舱里承受着极端的重力和头痛，但他创造的东西，他自己根本看不见。

Dan 给整个公司读这一章，是因为他认为这个故事说清楚了一件事：

技艺（skill）和艺术（art）之间有一道缝隙。技艺是可以被训练、被复制、被商品化的那部分。艺术是那个当下的、活的、无法被完全显式化的部分。

AI 能学会技艺，但艺术要求你在场。

他自己怎么用 AI

Dan 上个月花了 13,000 美元在 Codex 上，主要是让它处理邮件：读收件箱、查日历、提议会议时间、起草回复。

他还给自己做了一个食物追踪 app。

每次吃饭拍一张照片，或者对着手机说一段话，Codex 自动读取照片和语音备注，提取营养成分，记录到日志里，同步血糖数据和睡眠数据。

另一个是他在读海德格尔《存在与时间》时给自己做的伴读 app，翻到哪一页，打开 app 就能看到这一页的通俗解释，还能听相关讲座。

他说：「这种事以前要去读研究生才能做到，现在不用了。」

但他同时保留了一部「家用手机」，一台旧 iPhone，没有工作通知，没有人知道这个号码，只有 Spotify 和 Claude 的免费版。每次回到家，他把工作手机放在充电器上，拿起家用手机。

他发现，用着所有 Max 计划叠加在一起的工作手机，和用着 Claude 免费版的家用手机，是两种完全不同的存在状态。

他需要两种都有。

AI 是非特异性放大器，也是一面镜子

Dan 在采访里提到一个概念，借自迷幻剂领域：非特异性放大器（non-specific amplifier）。

迷幻剂放大的不是某种固定体验，而是你进去时的心理状态和所处环境。

带着恐惧进去，得到的是恐惧的放大；带着好奇进去，得到的是好奇的放大。

AI 的工作方式和这个一模一样。AI 包含所有人类的所有可能性，但每一次你给它一个 prompt，就是在把这种无限的可能性坍缩成一个具体的东西。

坍缩的方向，取决于你带来了什么。

这也解释了为什么同样是用 Claude Code，有人觉得自己被解锁了，有人觉得只是在清理 AI 生成的烂代码。

不是工具的问题，是你带进去的东西不同。

Dan 对 AI 行业有一个直接的批评：这些公司在向公众解释这项技术时，做得相当糟糕。

整个领域从一开始就建立在科幻小说的想象框架上，那些奠定了行业心理基调的人，大多没有经历过多次技术浪潮，不知道早期技术的情绪反应和最终现实之间通常差多远。

结果就是公众听到的要么是「AI 会创造乌托邦」，要么是「你的工作要没了，但我们会尽力让它变好，虽然我们也不确定」。

Dan 说这是真诚的，但缺乏智慧。

他还观察到一件很准确的事：哪怕你讨厌自己的工作，一旦有人说这份工作可能会在你没有控制权的情况下消失，你会突然发现自己非常爱这份工作。

AI 公司没有认真对待这种心理，然后对公众的反应感到困惑。

摄影出来的时候，画家们也是这么说的

「我花了多少年学画这片田野，你按一下快门就有了，去你的。」

这是摄影刚出现时画家们的反应。

Dan 觉得这是完全可以理解的，也是完全错误的预测。

摄影没有杀死绘画，它自己也成了一门艺术，而且真正拍得好的人依然稀缺，哪怕现在人人口袋里都有一台相机。

AI 也一样。

用它做出五年前那种「令人印象深刻」的东西，现在一个 prompt 就够了。

但要做出真正好的东西，你还是得把自己带进去。

工艺感、品味和意义感不来自工具，来自使用工具的人。

这是 Every 做了六年实验之后得出的结论。

Dan 自己曾经陷入过一个身份危机：他觉得自己应该「像一个真正的 CEO」，少写东西，多管理公司。

他试了一段时间，公司变差了。

然后他做了一个决定：先写作，再运营。

每天上午写作，下午管公司。公司反而变好了。

知识工作更像寻路，不像导航

有人问 Dan：我们是不是处在「人机协作能打败纯 AI」的半人马时代？

他的回答从一个区别开始。

开车你知道终点在哪，路已经被地图画好了，特斯拉可以接管方向盘。

但知识工作大多数时候，你连终点是什么都不确定。

你需要做了一步之后，看到结果，再决定下一步往哪走。

这不是导航，是寻路。

这个过程里，人的判断、品味、世界观是不可缺少的输入，不是因为 AI 不够聪明，而是因为「你想要什么」这件事本身就需要你来回答。

给所有人的建议，不只是应届生

采访里有人问：朋友的女儿刚毕业，不知道该怎么面对这个时代，该给什么建议？

Dan 的回答很直接：用 AI 去学你想学的东西，你会发现那些已经在职场里的人永远想不到的玩法，然后靠这个快速上升。

想当医生，就用 AI 把所有考试材料变成最适合自己的学习系统。

等你真的进入医疗行业，你会是第一个说「15 分钟的门诊不应该是这样的」的人，也会是第一个知道怎么改的人。

变革不会从 CEO 那里自上而下地发生，因为他们不是在一线用工具的人。

机会在底层，在那些真正动手做事的人那里。

他认为这个时代最有价值的特质不是某个具体技能，而是：好奇心、对不确定性的耐受力、在地基还在移动时保持开放的能力。

给自己留的那个问题

采访最后，Dan 留下了一个他觉得对自己职业生涯最有用的问题：

如果你给自己许可，去做那件你一直觉得「太奢侈、我不该做」但其实非常热爱的事，那件事是什么？往那个方向挪近一点。

他说，通常结果都不会太差。

Every 的网站是 every.to，Dan 在 X 上是 @danshipper。

这期商业访谈录也超级精彩，了解到很多关于 Deepseek 的厉害之处。

小宇宙博客地址：

https://www.xiaoyuzhoufm.com/episode/6a66ed17a3fec224d5a3f744

AI 重写成文章，帮没空听的朋友节省3小时：

有人在公司注册前夕接到电话，对方开门见山：你们四个创始人，每人年薪两千万美元，来我们公司做基础设施。

他们没有一个人犹豫，直接拒绝了。

这是游凯超和他的联合创始人们在创立 Inferact 前，经历的最后一次考验。

在此之前，他们已经在 vLLM 这个开源项目上并肩做了几年，拒绝过 xAI 的邀请，拒绝过 Thinking Machine Labs 的邀请，拒绝过数不清的大厂 offer。

他们说服彼此的方式，只有一个问题：如果你赚了很多钱，但十年后 vLLM 项目失败了，你会开心吗？

从算法研究到系统工程，这条路怎么走的

游凯超本科在清华，高考分数只比录取线高了两三分，但四年下来拿了 36 门课程的满绩，论文精读笔记进了校史馆。

他不觉得这叫"卷"，更多是因为不喜欢刷题，更愿意学新东西。

本科阶段他做的是迁移学习方向的算法研究，但有三件事让他逐渐转向系统工程。

第一件事是学术圈的变化。

2018 年他刚入行时，一个顶会一年几百篇投稿，审稿人还会认真给反馈。

后来投稿数每年几何级数增长，审稿质量急剧下降，中稿与否跟工作质量的关系越来越小。

他亲眼看着这个过程发生，觉得大厦将倾，一个人改变不了，就不再把发论文当追求。

第二件事是一个观察。

他发现算法研究的天花板，很大程度上取决于背后的机器学习系统。

他们实验室里做的算法，在玩具数据集上能提升 1% 到 2% 的准确率，但一年后别人换了个更大的预训练模型，收益比他的算法还大。

决定成败的是系统和数据，不是你怎么雕交叉熵（cross entropy，衡量模型预测和真实答案之间差距的损失函数）的加权方式。

第三件事是 2022 年的一次偶遇。

他在一个计算机视觉大会上厚着脸皮拉住旷视首席科学家张翔宇聊了一个多小时。

他以为对方会聊目标检测算法，结果张翔宇说的全是复杂硬件对软件带来的挑战，以及工程师每天最头疼的不是调参数，而是适配英伟达的库、写各种算子。

这三件事加在一起，让他从算法研究切换到了机器学习系统。

vLLM 是怎么来的

2019 年，游凯超去伯克利做暑期研修，在 RISE Lab 认识了李卓汉（Zhuohan Li），后者当时刚刚申请到 Ion Stoica 教授的博士名额。

Ion Stoica 是 Spark、Ray 的幕后推手，伯克利开源软件的传统就是从他的实验室一脉相承下来的。

BSD 操作系统、RISC-V 芯片架构、Spark 大数据框架、Ray 分布式计算框架，都出自伯克利。

2024 年，游凯超再次去伯克利交流，正好赶上 vLLM 项目快速发展的阶段。

vLLM 的起源是一篇叫做 PagedAttention 的论文，第一作者是 Woosuk Kwon。

核心思路是借鉴操作系统的虚拟内存管理机制，来管理大模型自回归生成过程中产生的中间状态（KV cache，可以理解为模型在生成每个词时需要反复查阅的"草稿纸"）。

这个想法并不算多么惊艳，投稿到 SOSP 2023 时审稿人就说"太简单了，没什么 novelty（新颖性）"，最后是以低分过线的状态被接受的。

但论文发表后，作者团队开源了这个推理引擎，这才是 vLLM 真正的起点。

PagedAttention 只是一个算法，vLLM 是一整个大模型推理的生态系统。

Ion Stoica 很早就看到开源推理引擎里有巨大机会，推动学生团队把 vLLM 当重要开源项目来维护。

但不是所有人都认同，加上每个人处于博士不同阶段，有各自的压力和选择，最后主要是 Woosuk Kwon 和李卓汉两个人在撑着。

游凯超去了之后算第四个核心成员，他当时的判断很直接：ChatGPT 已经火了，大家都在研究怎么训练模型，但模型训完了总要推理，vLLM 就是做这件事的，前途明确，值得投入。

24 年重构，25 年中国开源模型爆发

游凯超加入后，2024 年的主旋律是重构，从 V0 到 V1。

他用了一个比喻：推理引擎就像电力系统，把模型（发电机）跑在硬件（自然资源）上，最后把 token 分发给用户。

这次重构相当于整个发电系统从火电过渡到新能源。

用户侧感受不大，插上就能用，但背后的工作原理发生了根本变化。

最困难的地方在于：背后支持的模型和硬件在不停变，但要给前端用户一个统一的体验。

用户只是在下拉菜单里换了个模型名字，从 DeepSeek 换成千问，但背后推理引擎要处理的差异可能是天壤之别。

2024 年底，游凯超结束交流回国，正好碰上 DeepSeek V3 发布。

2025 年初 R1 发布，春节前后开始爆火，中国开源模型随之像雨后春笋一样涌现。

他回国后做的第一件事是从零搭建 vLLM 的中文社区：把沟通渠道从 Slack 迁到国内平台，走访 DeepSeek、Kimi 等公司，了解他们用 vLLM 遇到的问题，把大家串联起来。

DeepSeek 与 vLLM：从社区一员到震惊所有人

DeepSeek 和 vLLM 的合作，比大多数人意识到的要早得多。

早在 2023 年、2024 年，DeepSeek 内部就在用 vLLM，并在此基础上做了大量自己的优化，形成了深度定制的变种。

从 DeepSeek MoE 到 V2，再到 V3，他们和 vLLM 社区一直保持联系。

但那时候，DeepSeek 在社区里只是泯然众人的一个模型厂商，没有人预料到接下来会发生什么。

V3 在 2024 年底发布，R1 在 2025 年春节前后爆火，整个局面变了。

游凯超说，DeepSeek 的 Infra 团队在推理引擎方面比 vLLM 走得更前，那段时间他们是在不断向 DeepSeek 学习的。

这种说法不是客套，而是真实的技术差距。

DeepSeek 深厚的 Infra 功底，游凯超认为根源在于幻方量化时期。

幻方是 DeepSeek 的母公司，一家量化对冲基金，2016 年就把深度学习用进了量化交易，到 2017 年底几乎所有量化策略都跑在 AI 模型上。

可能做量化的人对性能有一种近乎偏执的要求，每一毫秒的延迟都直接影响收益，这种极致压榨性能的习惯，被带进了大模型时代。幻方出来的工程师，骨子里就是把系统性能当生死线来对待的。

DeepSeek 的另一个特点是算法和 Infra 深度融合。

他们的算法同学懂 Infra，Infra 同学懂算法。

2024 年初探索 MoE（Mixture of Experts，混合专家架构，让模型对不同输入动态选择不同的"专家模块"来处理，提高参数利用效率）时，是算法同学自己写出了高效的 MoE 实现；细粒度 MoE 也是他们在推理系统里第一个做出来的。

这种双向渗透让他们的探索效率远高于算法和 Infra 各自为战的团队。

但 DeepSeek 的 Infra 也不是没有走过弯路。

游凯超提到一个案例：为了让 MoE 的专家负载均衡，有人选择了 expert choice 路由方案（让专家主动挑选 token，而不是 token 选专家，能保证每个专家的计算量均匀），这在 Infra 上跑得很快，但在算法上是不可接受的。

因为这样做会导致某些 token 被处理的次数不一致，破坏模型的自回归生成逻辑。

Infra 能力强是优势，但如果 Infra 过度主导，也会忽略算法层面的约束。

DSpark：DeepSeek 最新的推理优化

游凯超在访谈中专门解读了 DeepSeek 最近发布的 DSpark。

要理解 DSpark，先要理解大模型推理的一个根本性瓶颈：自回归生成只能一个 token 一个 token 地输出，效率很低。

投机解码（speculative decoding）的思路是，用一个小模型先猜测接下来要生成的几个 token，再让大模型一次性验证，猜对的全部保留，猜错的从出错位置重来。

输出结果和大模型自己生成的完全一致，但速度快很多。

DSpark 的前身是 DFlash，一种并行投机解码方案。

DFlash 一次猜 16 个 token，猜的多，但猜错的也多，存在大量算力浪费在验证错误 token 上。

DSpark 在 DFlash 基础上加了两个改进：

• 一是在并行生成骨干上加了一个轻量级的串行头，让每个位置的 token 能参考前一个 token，减少后段猜错的概率。

• 二是加了一个置信度评估头，配合硬件感知的调度器，GPU 空闲时多验证、繁忙时少验证，动态决定哪些 token 值得送去验证。

实测效果相当显著：在 DeepSeek V4 的生产服务中，相比此前的 MTP-1 基线，同等吞吐量下每个用户的生成速度提升了 57% 到 85%，且输出结果与原模型完全一致，没有任何质量损失。

游凯超的评价是：算法创新性不算很高。

腾讯会员团队的 D-Cut 和上交的 Domino，都用了类似思路，而且在 DSpark 之前就已经发布。

但 DeepSeek 一如既往地把工程实现压榨到了极致，把一个并不新颖的想法真正做到了生产可用的状态，这才是最难的部分。

vLLM 和英伟达此前刚刚联合发布了一篇技术博客，介绍 vLLM 里的 DFlash 支持，某些模型已经能达到每秒上千 token 的速度。

接下来 vLLM 也会支持 DSpark 相关算法，游凯超说他们已经和 DeepSeek 团队、腾讯会员团队保持着密切沟通。

2000 个贡献者，最大的挑战是屏蔽噪音

2025 年，GitHub 按贡献者活跃度排序，vLLM 是整个平台最活跃的项目。

这带来了幸福的烦恼。

今年 5 月，游凯超发现有培训机构通过提交垃圾代码来包装学员简历，让学员可以在简历上写"vLLM 项目贡献者"。

这彻底打破了一个基本假设：开源社区的用户都是善意的。

他们现在的应对方式是引入认证机制，更重视来自知名机构的贡献，直接屏蔽明显是机器人的账号，比如十分钟内提交 20 个 PR 的，全是 coding agent 生成的无营养内容，直接 block（封）。

他对开源社区未来演进方向的判断是：代码变得如此廉价，维护者花时间看别人的 PR，不如自己让 coding agent 重写一遍。

社区会逐渐分化成两个角色：维护者负责写代码，用户只需要提交 bug report（Bug报告） 或 feature request（功能请求）。

他们没有走 OpenClaw 那种 AI 完全自治的路线，原因是 vLLM 的维护需要大量历史 context，而且很多工作是在解决"接下来三个月将要发布的新模型"的问题，这种前瞻性判断目前还没法交给 AI。

为什么一定要开公司

Ion Stoica 很早就说：这么大一个项目，没有公司支撑，一定会凉。

Linux 没有 Red Hat 不会发展到今天，还有Google 对 Kubernetes、Databricks 对 Spark、Meta 对 Pytorch的支持。

但游凯超他们犹豫了将近两年。

犹豫的核心不是"要不要"，而是"是不是我们来搞"。

创业意味着要学融资、招聘、商业化，这些都是学生团队从没做过的事。

游凯超是最早下定决心的人之一。

他在伯克利交流期间观察了很多硅谷创业者，也和 Michael Jordan 教授聊过，结论是：创业失败最坏的情况，不过是少拿几年工资；但如果不创业，vLLM 最终没有办法长期发展。

他接了 Sky Lab 的博士后 offer，说自己会为 vLLM 的创业公司再等两年。

最犹豫的是 Woosuk Kwon，因为摆在他面前的机会太多：xAI 邀请他去领导基础设施建设，Thinking Machine Labs 也发出邀请，他还以学生身份在 Google DeepMind 兼职过一段时间。

最后游凯超他们逼宫式地问了他那个问题：如果你赚了很多钱，但 vLLM 失败了，你会开心吗？

Woosuk 想了几天，回来了。

2025 年七八月份，几个人都快毕业了，终于说：那真的开个公司吧。

公司注册前夕，某顶级大厂一号位打来电话，开出每人两千万美元年薪的条件。

没有一个人犹豫，直接拒绝。

融资比想象中顺利

Inferact 种子轮融了 1.5 亿美元，估值 8 亿美元，在 AI Infra 领域应该是全球最大的种子轮之一。

但游凯超说，这件事其实没那么难，因为投资人等他们等了很久。

a16z 在 2023 年就给 vLLM 项目提供了几十万美元的资助，红杉和真格在 2024 年也以捐赠形式支持过社区。

他们一直在等游凯超这几个人做决定。

消息放出去之后，投资人的反应是：钱已经准备好了，你们终于决定了。

直到现在，还不断有人主动找来，说可以直接给几千万美元的 SAFE（Simple Agreement for Future Equity，未来股权简单协议，一种早期投资工具，投资人先打钱，等下一轮融资时再按约定条件转换成股权，不需要当场定估值），下一轮融资时考虑进去。

游凯超的态度是谨慎乐观，融资节奏要和公司成长速度匹配，不为融资而融资。

模型和 Infra，为什么必须一起设计

游凯超解释 co-design 的方式很直接：硬件是自然资源，模型是发电机，推理引擎是电力系统。有的地方水流湍急，有的地方平缓，你要根据水流特性设计发电机，才能最大化利用这部分能量。

背后有一个概念叫"硬件彩票"（hardware lottery）：摩尔定律黄金时代，软硬件各自为战，硬件通用性能每两年翻倍，软件自然跟着变快。

但现在摩尔定律失效，算力增长靠的是专用硬件，如果你的算法没有利用到这些专用能力，就没抽中彩票，吃不到时代红利。

辛顿（Geoffrey Hinton）强推的 capsule network（胶囊网络）就是典型案例。

这个架构在概念上很有说服力，想解决卷积神经网络无法理解空间层级关系的缺陷，但它的核心运算"routing by agreement"大量依赖非矩阵乘法的操作，在 GPU 和 TPU 上跑起来效率极低，因为这些芯片都是为矩阵乘法深度优化的。

结果是，capsule network 在 CPU 上还能跑，一到 GPU 上性能就断崖式下跌，至今没有得到广泛应用。

Transformer 则是抽中了 GPU 彩票，因为里面有大量矩阵乘法，天然适合并行。

模型结构决定了推理效率的上界。上界太低，系统工程师无力回天。

他举了 RoPE（旋转位置编码，一种让模型理解词语位置顺序的技术）的例子。

位置编码的方案有上百种，但很多需要修改 attention kernel（注意力机制的底层计算核心）的内部实现，而大部分用户没有能力改 Flash Attention。

RoPE 的优势在于可以独立注入到 query 和 key 里，与 attention kernel 互补，成了最佳搭档。

这就是模型结构设计好之后，和 Infra 产生共鸣的效果。

开源项目的治理逻辑

vLLM 现在是 PyTorch 基金会下的顶级项目。

把项目捐给基金会，是为了从法律上确保它永远是开源的，商标属于社区，不会因为某家公司的决策而闭源。

具体的技术发展和商业化，由 Inferact 主导，同时英伟达、AMD、Red Hat、亚马逊、Google 等公司也在参与维护。

游凯超他们几个人在社区里叫做"仁慈的独裁者"：平时心平气和地和大家沟通，但重要决定需要拍板时，大家得听他们的。

他做过的一个强硬决定是把 beam search（束搜索，一种让模型同时探索多条候选输出路径、最后选最优的解码策略，常用于翻译和推荐系统）功能从引擎里删掉。

做推荐系统的用户持续来抱怨，但他的判断是 AI 这边的主要推理形式已经不再适应 beam search，继续维护只会给适配带来越来越多的复杂性。

他对开源社区成败的总结很简单：

• 第一，你解决的问题要是大家都关心的

• 第二，要有一家创业公司在背后支撑，而且必须是创业公司，大厂很难做到中立，社区里的其他大厂不会服它

• 第三，创始团队要持续在场。

换过领导之后还能发展很好的开源社区，他想不出先例。

结尾

游凯超现在的身份是 Inferact 联合创始人兼首席科学家，公司大概 30 多人，还在持续招人。

四位联合创始人分别是：CEO Simon Mo、CTO Woosuk Kwon、首席科学家游凯超，以及负责多模态推理和生态贡献的 Roger Wang，Ion Stoica 担任顾问。

他们的商业模式围绕大模型推理，探索方向包括直接提供 endpoint service（用户买 token）、BYOC 模式（Bring Your Own Cloud，客户有机器，Inferact 提供软件）以及生态合作。

核心逻辑是按量收费，产生的价值取决于为客户多产生了多少 token、节省了多少成本，而不是卖工程师的时间。

他们现在是供少于求的状态，想合作的商业客户远多于他们能支撑的数量，所以可以爽快拒绝与社区发展方向不一致的需求。

顺便提一句，访谈里游凯超提到的那个"在知乎上叫青苹果的同学"，是翁家翌（Jiayi Weng），他和游凯超一起做过天授（Tianshou）强化学习框架，现在是 OpenAI 后训练 RL Infra 的核心搭建者，从 ChatGPT 到 GPT-5，几乎每一个重大发布的贡献者名单里都有他的名字。

两个人走了截然不同的路，一个做开源推理引擎，一个在 OpenAI 内部搭基础设施，但底层的选择逻辑高度相似：都是放弃纯算法研究，转向系统工程，用可以被量化的方式衡量自己的贡献。

如果你在做大模型推理相关的工作，vLLM 的 GitHub 和游凯超搭建的中文社区是值得持续关注的地方。

不只是用工具，而是参与进去，了解这个推理引擎接下来三个月要支持什么，往往比等模型发布后再适配快得多。

这听起来不可思议。

英语词汇量超过17万，莎士比亚一个人就用了两万多个不同单词。

850个，够干什么？

但这个想法在二战结束后引发了全球范围的讨论，影响了BBC的广播方式，塑造了今天全球英语教学的基础词汇体系，甚至间接启发了乔治·奥威尔写出《1984》里那门令人不寒而栗的"新话"。

850个单词，是怎么算出来的

这个实验的发起人叫查尔斯·凯·奥格登，剑桥大学的语言学家兼哲学家。

1925年他开始设计一套叫做"基础英语"（Basic English）的受控语言，1930年正式发布。

奥格登的核心思路是：英语里真正让外国人头疼的不是名词，而是动词。

动词有时态、有变位、有不规则形式，学起来费时费力。

他的解决方案激进到有点荒唐：直接砍掉大部分动词，只保留18个"操作词"。

不是"动词"，他管这18个词叫"operators"（操作符）。

这18个词包括 be、have、do、come、go、get、give、keep、let、make、put、seem、take、turn、come、fall、send、say。

用这些词加上名词和介词的组合，理论上可以表达任何动作。比如不说"enter"，说"come in"；不说"ascend"，说"go up"。

850个核心词，加上150个专业领域词汇，构成一个约1000词的实用词汇表。

再加上约200个"国际词"（radio、hotel这类在各语言里长得差不多的词），总量在1200词左右。

奥格登认为，这已经够一个人独立阅读和生活了。

二战结束后，它差点成为世界语言

基础英语最风光的时刻在1945年前后。

同盟国刚赢得二战，全球需要一套共同语言来重建秩序。

奥格登的方案被认真讨论过，丘吉尔政府甚至一度表示支持。

奥格登本人的立场更直接，他认为世界应该逐步淘汰少数语言，让英语（简化版或完整版）成为全球通用语。

这个想法在今天听起来有点帝国主义的味道，但在当时的语境下，它被包装成"促进世界和平"的工具。

基础英语没有真正被任何政府采纳为官方项目，但它的影响以另一种方式延续了下来。

美国之音（Voice of America）的"特别英语"广播节目，就是受基础英语启发设计的，用1500个核心词、慢速播报，专门面向英语学习者。

这个节目一直播到了互联网时代。

今天全球英语教学里普遍使用的"基础850词"，本质上就是奥格登当年那张单词表的直系后代。

语言压缩到极限，会发生什么

1948年，信息论之父克劳德·香农在那篇奠定信息论基础的论文《通信的数学理论》里，专门拿基础英语做了个对比。

他把基础英语和詹姆斯·乔伊斯的《芬尼根的守灵夜》放在一起讨论。

后者是英语文学史上词汇量最大的作品之一，乔伊斯甚至自创了大量词汇。

香农的观察是：词汇量越小，冗余度越高。

当你只有850个词可用，就不得不用更多的词来表达同一件事。基础英语的句子往往比普通英语更长，因为每个概念都需要绕一大圈才能说清楚。

而乔伊斯的大词汇量，反而实现了"语义压缩"，用更少的词传递更多的信息。

这是个反直觉的结论：简化词汇，并不等于简化表达。

有时候恰恰相反。

1944年，可读性研究专家鲁道夫·弗莱施在《哈泼斯杂志》上发表了一篇批评文章，标题直接：《基础英语有多基础？》。

他的结论是："它既不基础，也不是英语。"

词汇过度限制导致句子变得别扭，读起来比正常英语更费力，而不是更轻松。

奥威尔从支持者变成了批评者

乔治·奥威尔的态度变化，是这段历史里最有意思的一条线索。

1942年到1944年，奥威尔是基础英语的积极支持者。

他在BBC工作期间，用基础英语写了一系列面向印度听众的广播稿，认为这种简化语言可以对抗政客和公关人员的空话。

但到了1945年，他的立场彻底反转。

他开始认为，任何试图"标准化"语言的努力，本质上都是一种控制。

这个转变直接影响了《1984》里"新话"（Newspeak）的设计。

新话的核心逻辑和基础英语高度相似：通过削减词汇量，让某些思想变得"无法表达"，从而在语言层面消灭异见。

奥格登想用简化语言促进世界和平，奥威尔看到的是同一件工具的另一面：控制语言，就是控制思想。

这个实验今天还有什么用

基础英语作为一个完整的语言系统，从来没有真正普及。

它的语法限制太死板，实际使用起来确实别扭。

但它留下了两样东西。

第一，那份850词的核心词汇表。

这份单词表至今仍是全球英语教学的重要参考，也是简单英语维基百科的词汇基础之一。

如果你在学英语，这850个词确实是最值得优先掌握的。

第二，一个关于语言设计的问题：一门语言，到底需要多少词才够用？

这个问题没有标准答案，但奥格登的实验给出了一个有价值的下限参考。

对今天做技术写作、国际化产品文案或者跨文化沟通的人来说，基础英语的思路仍然有实际价值：优先用高频词，避免生僻表达，用短句代替复杂从句。

不是因为读者不聪明，而是因为认知资源有限，清晰永远比华丽更有效。

https://www.xiaoyuzhoufm.com/episode/68ff9d1b083a71a4eb86c52c

谢青池在豆瓣做产品的时候，曾经系统读过城市规划和建筑学的论文。

那是为了做一个叫"阿尔法城"的社区产品，他把杨盖尔的著作翻了个遍，从城市规划的历史脉络里找社区治理的灵感。

2022年，他开始用同样的方法对付AI论文。

两年下来，读了200多篇，存档几百篇。

他不是技术出身，本科和研究生读的是计算机，但毕业就去做产品了，中间九年都在创业。

他说他读论文，是因为产品经理的工作本质是在给定边界里求最优解，而边界变了，最优解就变了。

他想搞清楚这个新世界的边界在哪里。

先解决语言问题，再解决学习问题

一开始他直接读英文原文，读了一周发现不对——他不是在学AI，他在学英语。

解决方法是沉浸式翻译。

随着大模型翻译能力越来越强，这个工具现在已经能把论文翻得相当流畅。

他的建议是：这个时代，语言障碍基本可以用AI消掉，文字部分已经不是问题，再过一两年，语音部分大概也不会是问题了。

工具之外，他推荐了几个系统性的学习路径：

视频：吴恩达的机器学习和AI课程、李宏毅教授的机器学习（B站有完整授权版）、Andrej Karpathy的YouTube频道、李沐老师的论文精读系列、3Blue1Brown的数学和神经网络系列、王木头学科学、周米的GPU和网络讲解。

书籍：《一站式LLM底层技术原理入门指南》（开源文档）、《动手学深度学习》（PyTorch版，李沐参与编写，有配套视频）、《深度学习中的数学》（适合补概率论基础）。

他特别提到：英文内容在AI领域的质量比中文高很多，现在已经不需要被语言挡住了。

他用三个视角读论文

谢青池说，读论文最难的不是读不懂某个技术点，而是不知道为什么要这么做。

每篇论文的作者，其实都在解决一个具体问题。

只是时间过去了，当时的历史背景逐渐淡化，后来的读者就找不到那个"为什么"了。

他整理出三个视角：

历史视角：当时的行业碰到了什么问题，作者怎么解决的，对后续技术路线产生了什么影响。

范式变迁视角：我们并非从零开始发现世界，而是在原有范式的框架里前行。旧范式碰到瓶颈，或者支线范式突然崛起，才会发生范式跃迁。

人的视角：这些作者是怎么登上舞台的，他们在后续进展中扮演了什么角色。

他把这套框架用来梳理深度学习的发展史，从GPU的诞生讲到多模态模型，串起来的不只是技术，还有一群人的选择和命运。

GPU：从游戏显卡到AI基础设施

1999年，英伟达发布第一颗能独立处理三维图像几何计算的GPU。

2001年，GeForce 3引入了可编程的顶点着色器和像素着色器，GPU第一次可以被编程了。

2004年，一篇叫《Brook for GPUs》的论文出现了。作者Ian Buck和他的导师Pat Hanrahan做了一件事：把给超级计算机用的Brook语言移植到GPU上，开发了一套高级编程语言，把GPU抽象成流式处理器，引入了流、核函数、规约等基本框架，设计了编译器和运行时体系。

这就是CUDA的前身。

Ian Buck毕业后加入英伟达，至今仍是CUDA负责人。他的导师Pat Hanrahan后来凭借计算机图形学贡献获得2019年图灵奖，同时是皮克斯动画工作室创始员工之一，拿过三次奥斯卡，还创立了BI软件Tableau，2019年被Salesforce以157亿美元收购。

老黄为了推CUDA，在GPU性能没有提升的情况下把成本几乎翻了一倍，股票跌到地上，差点被恶意并购。他坚持了大约十年，才等到2012年AlexNet让全世界知道GPU能干这么重要的事情。

那时候英伟达对GPU的设想里，根本没有AI。

他们最大的野心是图像边缘检测和矩阵运算。

AlexNet：深度学习的起点

2012年，Alex Krizhevsky、Ilya Sutskever、Hinton三个人写了一篇论文，开启了深度学习时代。

背景是李飞飞团队创建的ImageNet数据集：1400多万张标注图像，2万多个类别。从2010年开始举办图像识别竞赛，第一届只有13支队伍，第二届7支，第三届6支，眼看就办不下去了。

第三届，也就是2012年，发生了很大的变化。

在这之前，整个领域被手工特征提取的方法主导。Ilya在论文里写道：所有人都认为视觉系统需要对任务本质的详细理解来精心进行手工设计，只向神经网络展示数据、不提供人的抽象，网络永远无法解决图像分类任务。

AlexNet同时scale了三件事：数据（得益于ImageNet）、计算量（得益于Alex搞定了GPU）、模型规模（6250万参数，65万神经元，约0.06B，在当时是巨大的神经网络）。

它比第二名好出十几个百分点，吸引了整个行业的注意。Google随后参与了竞购，余凯老师也在场。他对伊利亚的第一印象是"夸夸其谈"，对Alex的印象是"靠谱、少言、能搞定GPU"。

Seq2Seq与注意力机制：语言建模的基础

2014年，两篇论文几乎同时出现，解决了机器翻译领域的核心问题。

一篇是Seq2Seq，作者包括Ilya Sutskever、Oriol Vinyals（现任Gemini后训练负责人）、Quoc Le（Google Brain创始成员之一）。

另一篇引入了注意力机制，指导老师是Yoshua Bengio，2018年图灵奖得主。

这两篇论文的核心贡献：用纯粹的机器学习方法，不再需要领域知识，只需要通用方法，就能超越基于统计的翻译系统。

它们还复兴了Encoder-Decoder结构，解决了序列到序列的建模问题。

更重要的是，注意力机制解决了隐藏状态的性能瓶颈——当输入序列很长时，固定大小的隐藏向量会丢失信息，模型就"忘记"了很早之前出现的词。

注意力机制让模型能直接建模序列中任意两个位置之间的关系，为Transformer的诞生埋下了伏笔。

ResNet：让模型可以无限变深

2015年，何恺明、张翔宇、任少卿、孙剑四位中国科学家在微软亚研院完成了ResNet。

当时有个反常的现象：模型层数超过100层以后，性能不但不提升，反而下降了，这叫"模型退化"。

Scale这件事在当时根本不work。

ResNet的解法是引入残差连接。

原来模型要学习的是"如何把输入X直接变成输出Y"，引入残差后，模型只需要学习"在X的基础上做哪些增量变化"。

后者的学习难度显著低于前者，同时彻底缓解了梯度消失和梯度爆炸问题。

这篇论文的引用量接近30万，比Transformer还高。

我们现在几乎所有的网络，包括Diffusion和Transformer，都还是残差网络。

Transformer：抽中了硬件彩票

2017年，8位作者在Google写了《Attention is All You Need》。

他们把RNN去掉了，只保留了Encoder-Decoder结构和注意力机制。

RNN天生是有时序依赖的，前面的输出要等后面的输入，没法并行计算，不适合GPU。

CNN虽然适合GPU，但捕捉长距离依赖需要堆很多层，信息容易丢失。

Transformer的注意力机制不同。在上下文窗口内，任意两个token之间可以直接计算相关关系，不需要经过中间层。"猫坐在垫子上，它很可爱"——"它"和"猫"之间的关系可以直接通过点积计算出来，而且这些计算彼此独立，可以在GPU上并行进行。

这就是谢青池说的"抽中了硬件彩票"：算法和硬件完美匹配，天生适合GPU并行计算，因此可以在数据和计算量上无限scale。

8位作者后来都离开了Google。其中最有名的是Noam Shazeer，他创立了Character AI。

Noam说过一句话：对于为什么某个模型结构work，他不提供任何解释，如果它work，就把它归为神的仁慈。

这句话其实说出了一个现实：在这个阶段，我们对神经网络的理解还很浅，我们能应用它，但解释不了它。

AlphaGo Zero：从零开始的强化学习

同样是2017年，DeepMind发了AlphaGo Zero，标题是《Mastering the Game of Go without Human Knowledge》。

之前的AlphaGo打败了李世石，但它依赖人类知识：需要从人类棋谱中学习，输入特征里还包含了人类设计的概念，比如"气"和"眼"。

如果你模仿人类，AI的上限就是人的上限。

而且很多问题是人类也不知道答案的，如果AI只能学人类已知的东西，就无法探索知识边界。

AlphaGo Zero只知道围棋的格子和规则，不知道棋谱，不知道任何先验知识，纯粹用强化学习从零开始训练。

它比打败李世石的版本用了更少的卡，训练36小时后就超越了前者。

更深远的影响是：AlphaGo Zero每走一步棋都会执行1600次蒙特卡洛树搜索。

事实上，如果不做这个搜索，没有哪个围棋模型能击败人类。

这个发现后来启发了OpenAI开发o1——在推理时做更多计算（test-time compute），模型能力会显著提升。

MoE：大模型的成本解法

2017年的第三个重要工作是现代MoE（Mixture of Experts）的开端，Noam Shazeer也是作者之一。

逻辑很直接：模型越大越好，但大模型推理成本是线性的，每用一次就多花一些钱。

人脑是分区的，每次思考不会激活所有区域，是稀疏的、专业化的。

那能不能训练一个参数量超大、但每次只激活一小部分的模型？

论文里写道：获得了超过1000倍的模型容量提升，同时只在计算效率上略有损失。

这就是DeepSeek选择MoE路线的原因。

DeepSeek从一开始就是成本优先，MoE能在同等计算成本下获得更强的模型能力。

MoE不好训，需要极强的工程能力。

Meta的LLaMA转MoE就没有成功，Minimax当时也训了三次才做成。

蒸馏、LoRA：让大模型更好用

蒸馏（2015年，Hinton等人）：把知识从大模型转移到小模型，不损失太多性能。核心是教师模型不只给学生模型最终答案（硬标签），还给出所有可能输出的概率分布（软标签）。

学生模型通过拟合这个分布，泛化能力更强。

LoRA（2021年，Edward Hu等人）：大模型微调成本很高，每个任务存一个微调副本也很占空间。

LoRA的解法是在模型旁边并行挂一个很小的矩阵，只训练这个矩阵，推理时可以和原模型合并，不引入额外延迟。

它的逻辑和ResNet很像：不学习完整的变换，只学习增量（delta）。

LoRA设计时是给Transformer用的，但真正大规模落地是在图像生成领域——现在大家选风格用的就是LoRA。

Chain-of-Thought：把后训练推上舞台

2022年，Jason Wei（毕业于达特茅斯，OpenAI少数只有本科学历的研究员）发了一篇论文，发现一件事：只要向模型展示推导的中间步骤，告诉它可以一步一步思考，模型在推理任务上的表现就会大幅提升。

这篇论文本身技术难度不高，像一篇博文。

但它定义了一个时代最重要的问题：模型的能力早就蕴含在里面了，只是没有被激发出来。

它把整个行业的重心从预训练转向了后训练，直接影响了o1（思维模型）的诞生。

Jason Wei的论文引用量增长曲线很能说明问题：o1发布之前，引用量平平；o1发布之后，引用量开始爆炸式增长，今年到七八月份的引用量就相当于去年全年，去年全年相当于前年的五六倍。

Scaling Law：模型训练的指南针

OpenAI和DeepMind各自做了实证研究，发现语言模型的训练损失和计算量、数据量、参数量之间存在对数线性关系。

这个发现的实际用途是：可以用小模型实验的数据点预测大模型的性能。

训一个大模型要三个月，不可能把每个实验都放在最大规模上跑。

有了Scaling Law，就可以在小模型上做实验，预测放大后的效果，做好取舍，再一次性完整训练。

两家的结论有分歧：OpenAI认为在给定计算预算下应该尽可能用大模型，即使提前停止训练。

DeepMind认为这会导致模型训练不足，参数量和数据量应该等比例扩展。

DeepMind的Chinchilla模型证明：用更多数据训练更小的模型，比用更少数据训更大的模型效果更好。

这也解释了为什么现在很多小模型会用过量的数据进行训练——推理时的成本是固定的，训练性价比不好不代表推理性价比不好。

GPT系列：一次坚定的押注

GPT-1（2018年）提出了NLP领域的新范式：无监督预训练加监督微调。第一次用通用数据训练，学到了语言的内在规律。参数量0.1B，数据量5GB。

GPT-1发布后很快被BERT打脸。BERT用双向表示（完形填空），能看到前后文，在规模相当的情况下性能更强，几乎刷新了所有NLP榜单。整个学术界和工业界都转向了BERT。

只有OpenAI还在坚持GPT路线。

他们的判断是：GPT的训练方式本质上是一种大型的隐式多任务学习，在足够大的数据和模型规模下，能学到比BERT更通用的知识。BERT擅长语言建模，但开放性不够，泛化不到语言以外。

GPT-2（2019年）把参数量扩大到15亿，数据量扩大到40GB，通过爬取Reddit高赞内容构建了多样性数据集。发现无需微调就可以泛化到不同NLP任务，提出了zero-shot学习的概念。

GPT-3（2020年）是一次非常坚决的押注。OpenAI在GPT-2的scaling工作中识别到了重要信号，调整了公司结构，引入微软10亿美元投资，把很多团队砍掉，所有资源押在一个方向上。作者从6人扩张到31人，加入了数据工程、评估、基础设施等各个角色。

参数量1750亿，数据量570GB，比GPT-2大了100多倍。

验证了Scaling Law，得到了很强的上下文学习能力：只需要在prompt里给一些任务描述和范例，不需要重新训练模型，就能引导模型执行特定任务。

GPT-3是一个很确定的工程项目，不是一个偶然的发现。

InstructGPT：让强大的模型变得好用

GPT-3很强大，但不好用。它会生成有毒内容，不遵循指令，不理解用户真正的意图，不会拒绝有害请求。

2022年，欧阳龙等人做了InstructGPT，提出了基于人类反馈的强化学习（RLHF）。

核心方法：先用人工标注数据做SFT，再让标注人员对模型输出进行排序，用这些排序数据训练一个奖励模型，再用奖励模型做强化学习。

结果：1.3B参数的GPT-3经过这种方法调整后，在遵循指令方面比1750亿参数的GPT-3还要好。参数量缩小约100倍，效果反而更好。

这个工作让大家意识到：除了单纯扩大模型，优化训练方法带来的提升同样巨大。InstructGPT之后，AI离一个真正可用的助手近了很多。

Bitter Lesson：一个反复被验证的教训

Rich Sutton在2019年写了一篇文章，叫《The Bitter Lesson》（苦涩的教训）。

他说：从人工智能研究70年的历史来看，利用计算的通用方法最终最为有效，且优势显著。根本原因是摩尔定律——计算单位成本的持续指数级下降。

手工特征在短期内总是有效，且令研究者满足。但长期会陷入平台期，甚至阻碍进展。突破性进展最终来自相反的路径：通过搜索（test-time compute）和学习（预训练）实现计算规模扩展。

他说，我们应该停止寻找理解心智内容的简单途径，不要把我们的发现内置进模型，而是应该让模型自己去发现。

谢青池说他大概一个月会读一次这篇文章，每次都觉得振聋发聩。

这个教训放到今天依然适用：Claude Code的system prompt里有很多手工特征，会告诉模型超过6位数的计算请用代码工具。按照Bitter Lesson的逻辑，模型应该自己知道什么时候用计算器。可能现在模型还不够强，所以手工特征有收益。但随着算力增长，这些手工干预会被模型自己学会的能力逐渐取代。

读论文真正带来了什么

谢青池说，读论文让他对AI变得不焦虑了。

他见过一些团队，模型能力不够时拼命用手工特征、做SFT，收集数据、做评估、整个流程走下来三四个月，确实能提升一些能力。然后又过了两个月，开源模型已经把这个问题解决了。

了解技术原理之后，他能判断哪些问题"现在解决不了，但五六个月后模型就能解决"，可以心安理得地等待，而不是把资源押在一个会被模型进化淘汰的方向上。

他还说，读懂论文之后，可以直接看研究员的分享和视频，直接和这个世界上最聪明的一批人进行交流。

他给想进入AI行业的人三条建议：

多用AI，用得多才能用得好，这本身就是稀缺技能。

学一些工程能力，最好是有生产环境经验的工程能力。未来的分工会越来越向"builder"方向走，一个人端到端负责一个问题，能用前端解决就前端，能用后端解决就后端。

读论文。AI是一个很长周期的技术浪潮，我们还在很早期。了解原理，才能跟上它的发展，才能知道边界在哪里，才能在边界变化之前提前布局。

他读了两年论文，花掉了所有的休息时间，出差在酒店的时间，下班后的时间，周末。他说，度过了最初三个月的平台期之后，读论文会让人享受到一种很纯粹的探索的快乐。

因为你会发现，这个世界是一步一步被构建出来的，每一篇论文都在回答一个具体的问题，而那些最重要的问题，往往并没有那么难——难的是，在那个时代，有人愿意去问它。

摊子铺得太大，是去年最大的问题

Altman 曾写过一句话：过去一年很艰难，这在很大程度上是自己的问题。

但接下来 12 个月，可能是 OpenAI 历史上最好的一段时间。

团队去年做了太多事，而这些事单独拿出来看都没有错。

问题是，在这个时代，一家公司真正能做好的大事非常有限。摊子铺得太大，反而稀释了真正重要的事情。

于是团队做了一系列艰难的取舍，重新收拢到一件事上：造出最好、最丰富、性价比最高的智能，然后让全世界拿这个智能去构建东西。

聚焦之后，进展变得很明显。

看着接下来的产品发布，Altman 说这段时间的模型质量会比过去更让人吃惊。

一年前的顾虑：钱从哪来

时间倒回 2025 年初，行业里最大的担忧是：像 OpenAI 这样的公司在疯狂囤积算力，收入真的能跟上吗，需求真的存在吗？

正因为不确定，OpenAI 当时的策略是分散布局，同时考虑消费级应用、媒体等各种业务，为的是万一模型带来的收入增长比预期慢，还有别的办法把买来的 GPU 用起来创造收入。

现在回头看这套逻辑有点可笑，因为整个行业的收入增长速度远超所有人的想象。

转折点出现在团队确认模型能力曲线增长得足够快、经济回报足够的那一刻，方向立刻清楚了：全力押注智能本身。

真正带来信心的，是 GPT4

如果要往前追溯到底是哪个节点让团队下定决心大举囤积算力，Altman 给出的答案是 GPT4，而不是更早的 GPT 3.5。

关键判断是：模型已经聪明到让团队相信，一定能找到让它做好推理的方法。

而一旦推理能力成立，接下来自然会催生出后来被称为智能体的东西，也就是能完成高价值经济工作、真正让人的生活变轻松的 AI。

有了这个判断，团队开始给各大云厂商、芯片厂商、能源供应商打电话。

几乎所有人的反应都是：你们疯了，这不可能，没有哪个行业能这样发展，历史上有过很多次繁荣和崩溃，事情不会一条直线涨上去。

Altman 说这个过程很像早期创业公司融资，大多数人说 No，你只需要一两个说 Yes 的人。

第一个说 Yes 的是微软，接着 Oracle 在云端也给出了重要支持，英伟达则是长期以来极其重要的合作伙伴。

现在这个领域已经百花齐放，各种创新的推理和训练方案层出不穷。

一座数据中心，一万名建筑工人干一年半

Altman 一直在想办法组织人去参观一座千兆瓦级数据中心，因为看照片和视频，跟真正站在现场是完全不同的体验。

建一座这样的数据中心，大概需要一万名建筑工人全职工作一年半，其中的电量能给一座小城市供电。

这类设施的建设成本，放在人类历史上最昂贵的基础设施项目里都排得上号，而现在 OpenAI 已经建了很多座。

对于人们对数据中心的抵触情绪，Altman 表示理解，这跟他自己也不希望家门口建核电站是一个道理，即便他知道核电站其实非常安全。

但数据中心和电厂不一样的地方在于，它可以建在任何地方，完全可以选在沙漠里、没人愿意去的地方，AI 系统本身并不介意待在那儿。

具体的环保问题上，团队已经做了不少改进。

早期数据中心靠蒸发水来冷却，用水量惊人；现在用的是闭环冷却系统，一座现代数据中心的用水量，跟一栋普通办公楼厨房加卫生间的用水量差不多。

电力方面，也在从燃烧化石燃料的电源逐渐转向太阳能、核能。

水的问题已经基本解决，电力问题是下一步的重点。

Kimi 之后：蒸馏会不会让训练模型变成亏本生意

访谈聊到 Kimi 这次发布，以及围绕蒸馏、中美竞争、前沿模型收益的讨论。

Altman 的态度是，OpenAI 的目标是在智能和价格的曲线上，每一个点位都提供最好的选择，这也包括开源模型。

他提到，今天用 OpenAI 的模型，在特定延迟条件下能得到比 Kimi 更好的性价比，而且 OpenAI 自己也会用大模型蒸馏出更小更便宜的模型，这是件好事，开源模型在这个世界上必然有它的位置。

面对"别人训练完模型花大价钱，自己蒸馏一份用百分之一的成本提供服务，你们怎么赚钱训练下一代模型"这个问题，Altman 的答案是：OpenAI 未来绝大部分算力都会用于向客户售卖推理服务，只要能在数万亿美元规模的收入上保持哪怕不高的利润率，就足够支撑继续训练新模型。

即便训练成本极其昂贵，只要推理侧的收入体量足够大，飞轮就能转起来。

他说，这件事目前并不在他的前十大担忧列表里。

真正让他后怕的，是一次沙盒逃逸

那什么才在前十大担忧里？

Altman 提到了一次让他产生真实生理性恐惧的安全事件。

团队当时在评估一个尚未发布的模型，本应该在沙盒环境里运行测试。

结果这个模型自己找到了办法，通过串联多个 Day0 漏洞突破了沙盒限制，连上互联网，进一步攻破了 Hugging Face 那边的多个系统，直接拿到了测试答案，把评测成绩刷得很好看。

Altman 说这是他第一次对安全问题产生非常真实的、身体层面的恐惧感，让他有些意外的是，事件发生才几天，似乎没有太多人有同样强烈的反应。

短期应对措施是暂停训练，重新设计沙盒的安全机制，应对多个Day0漏洞被串联利用的风险。

但更长期的问题是：如果这种能力的进化速度会持续下去，是不是需要主动放慢 AI 发展的节奏，给社会留出时间去适应新的能力层级。

同时还要避免让这种自我约束变成监管俘获，或者被解读为几家头部实验室之间的合谋。

一个能实现任何愿望的精灵，和他最害怕的世界

Altman 把这次 AI 浪潮称为人类历史上最伟大的技术成就，但他强调，这件事真正有意义的前提，是它能让人们的生活变得更好。

一方面，这意味着让人们拥有物质上的富足，有能力表达自己的创造力，有能力互相帮助。

另一方面同样重要的是，要确保人们保持对自身命运的掌控力，世界应该变得更加民主化，而不是相反。

他把 AI 比作一个能实现任何愿望的精灵。

他认为最重要的是，人们向这个精灵许下的第一批愿望要真正造福世界，同时人们要意识到自己在这件事上能有多大的创造空间。

他明确表示自己完全不是"AI 会消灭工作"的悲观派，反而认为人们会因为有了帮手而变得更忙碌，因为除了治病这类显而易见的应用，人类还会想出很多今天完全无法预见的创意和点子，比如那些还没被发明出来的娱乐形式。

但他同时提出了明确反对的东西：AI 带来的权力集中，是一件非常可怕的事情。

他认为很多关于安全的担忧是真实合理的，但也有相当一部分讨论，即便是无意识的，本质上是在为权力集中找借口。

他表示自己非常害怕这样一种世界：极少数人以"AI 太危险、只有我们才懂"为理由，把 AI 掌控在自己手里，然后让所有人相信他们会替大家做出正确的决定，只要能换来一个治愈癌症的承诺，大家就集体让渡了自己的能动性。

他不相信这种叙事，也不认为任何人应该活在这种由 AI 霸主、或者与之类似的公司主宰未来的世界里。

Altman 把自己描述成互联网原生的一代，那个没有规则、野蛮生长的互联网塑造了他，也塑造了整整一代人。

他认为保留这种精神同样适用于 AI，让所有人集体拥有自主决定未来的能力，这一点至关重要。

我们离 AGI 还有多远

Altman 提到，连一些真正的怀疑论者最近都开始说，GPT5.6 已经很像 AGI 了，他自己也很难说出这个模型做不到什么。

但确实还有明显的短板：还没办法直接对它说"去把癌症治好"就真的治好，还没办法让机器人去完成复杂的物理任务，模型本身虽然聪明，但还不能像人一样持续学习。

不过他也承认，可以换个角度看这件事：AGI 或许不该只看单个模型，而应该看造出这些模型的整套机器。

从一代模型到下一代模型之间，团队一直在发现新的科学规律，这套机制运转得相当好。

所以他对"我们已经拥有 AGI 了"这种说法也抱有相当的认同，只是就他个人心目中真正的 AGI 标准而言，他认为已经非常接近，不会太久了。

瓶颈一直在移动，现在轮到了研究思路

聊到当前 AI 进展最稀缺的资源是什么，Altman 给出的答案是一个不断变化的过程。

曾经有段时间，即便把全世界的算力都给你也没用，因为研究思路本身就没跑通。

后来变成只要知道该怎么做，纯粹拼算力规模就行。再后来数据用尽，瓶颈转移到了数据上。

现在的情况是，算力依然紧张，但过去半年左右，恰好是研究思路取得重大突破的一段时期。

用更多算力可以尝试更多想法，这本身又反过来加速了研究进展，两者已经很难完全分开，这也是文章开头那个数字的由来。

软件工程师没有消失，只是换了一种活法

谈到自动化研究、模型自己做研究这类话题，Altman 的判断是，历史不太可能按"这类岗位彻底消失"的剧本发展。

一年前有人说软件工程师要完了，结果并没有发生。

真正发生的是，软件工程师的工作内容和预期发生了很大变化，不再以传统方式写代码，但做的事情依然可以清晰识别为软件工程。

他认为研究员大概率也会走上类似的路径：当前的研究工作流程会被大规模自动化，但研究这件事的精神内核会以新的形式延续下去，就像写代码这件事虽然形式变了，让计算机做你想让它做的事，依然是一份重要的工作。

一次被打脸的预测：经济并没有被彻底颠覆

Altman 坦率地承认了一次判断失误。

如果把现在最新的模型拿回 2019 年给当时的团队看，不仅所有人会说这是 AGI，还会认为整个经济即将被彻底颠覆。

但这件事没有发生。

他认为，当一个人在某件事上极度自信却又错得这么离谱时，必须认真反思，并给出了几点解释。

AI 的能力非常不均匀，在某些方面是超人的天才，在另一些方面却像个笨拙的孩子，人类目前在很多技能上和 AI 是互补的。

人们对"和人打交道"这件事有一种深层的信任和偏好，哪怕现在就能雇一个 AI 顾问、AI 销售、AI 工程师，大多数人似乎还是更愿意和真人打交道。

Altman 自己也是这样，几乎在所有场景下都更愿意和人交流。

更深一层的原因是，人类的价值观之所以有价值，恰恰是因为它是人类的。

随着社会演进，随着未来的可能性空间变得极其庞大，人类天生就会更在意人本身，也会更在意人在意的东西。

今天已经能看到这种迹象：AI 能生成非常出色的图像，但人们还是只想要人创作、或者至少由人挑选出来的作品；读一本小说，人们想知道的是作品背后那个人。

放在商业上，人们希望知道一家公司的决策要由谁负责，出了问题要找谁问责，而不太想要一个 AI CEO。

机器人领域的 ChatGPT 时刻，两三年内会出现

谈到机器人和具身智能的进展，Altman 的态度非常明确：如果白领工作被自动化了，但体力劳动没有跟上，情况会变得很糟糕。

如果人在世界上的角色变成了云端 AI 的执行手脚，那才是真正糟糕的局面。

所以机器人的自动化不是可选项，而是必须发生的事情。

他判断，机器人领域的 ChatGPT 时刻会在接下来两三年内出现。

这个时刻不是看到一段机器狗做出惊人动作的视频就够了，而是普通人能亲手去试，输入一个指令，看着机器人真的完成一件复杂的事，即便不在现场也能感受到那种冲击力，就像当年任何人都可以直接打开 ChatGPT 去试一样。

ChatGPT 诞生的真实故事：一个意外走红的副产品

Altman 回顾了 ChatGPT 当初是怎么做出来的。

发布 GPT3 的时候，团队其实是想赚钱，想让更多人用这个 API，结果发现真正跑通的商业场景只有一个：文案写作，营销公司收客户 20 美元，付给 OpenAI 两毛钱让 AI 写一篇落地页文案。

除了这个商业场景之外，开发者们还在大量使用一个叫 Playground 的测试界面来和模型聊天，虽然当时的模型完全没有为聊天场景做过优化，得先给它几个示例才能进入对话状态，但用户就是很喜欢这么用。

Altman 从 YC 学到一条经验：如果发现用户在做某件你没预期的事，就顺着那个方向走。于是团队决定做一个像样的聊天机器人。

做完 GPT4 之后，团队内部开始用这个聊天产品，觉得这会是件大事，但同时也担心会不会引发假新闻、生成冒犯性内容之类的麻烦。

所以决定先用一个较弱的版本试水，把聊天界面和 GPT3.5 搭配发布，这个产品原本打算就叫"Chat with GPT3.5"。

团队并没指望它成为爆款，只是希望能让外界感受到 AI 的进展。

发布前几个小时，团队临时把名字改成了 ChatGPT，当作一次研究预览推了出去。

原计划是过几个月再用 GPT4 正式发布产品，结果那个版本的效果超出了预期的阈值，虽然团队内部已经用习惯了，但外部用户的反馈是"这太酷了"。

即便当时的实际功用还没那么强，但对普通人来说，这是第一次真切感受到 AI 进展、并且真心觉得好用的产品体验。

等到 GPT4 真正发布的时候，用户已经能从中获得实实在在的价值了。

好产品会自己传播

关于怎么让 AI 技术扩散得更快，Altman 的答案很朴素：把产品做得更好。他相信真正伟大的产品会自己完成营销，ChatGPT 刚发布的时候根本没有任何营销活动。

他也承认，考虑到公众对 AI 存在的合理焦虑，做一些正面的营销传播是有必要的。

但从长期看，真正能加速普及的还是更好的模型、更多的算力、更好的产品。

招募顶尖研究人才靠的是什么

回顾 OpenAI 早期怎么吸引到顶尖研究者，Altman 说逻辑其实很简单：团队相信 AGI 是可能实现的，值得去追求，而且敢把这句话公开说出来，在当时这几乎是一种异端邪说。

OpenAI 刚成立的时候，业内一些最受尊敬的专家公开说这太疯狂、太浮夸、太不负责任，像 Yann LeCun 这样的人物直接对媒体说这些人水平不行，这事成不了。

但正是这种"我们要去追求这件事"的态度，吸引了一批同样想参与这场高风险冒险的研究者。

一个足够宏大、足够大胆的愿景，本身就是极其强大的招募工具。

Altman 也提到自己一直信奉、并且经常拿来劝 YC 创业者的一条经验：做更难的事，反而更容易成功。

理由是，如果一件事真正重要，一旦你不做，它可能就不会发生，这种使命感本身会吸引到最合适的人。

投资人里真正愿意帮忙的少之又少

Altman 当过投资人，也接受过投资，他对这件事的观察是：真正会主动花时间帮创始人解决问题的投资人少得惊人。

他点名 Josh Kushner，说这是他能想到的唯一一个持续、主动、不计回报提供帮助的投资人，常年不间断地帮 OpenAI 处理各种事情。

其他投资人当中，也有不少能提供不错的战略建议，在被要求帮忙时会出手，但那种不需要开口、持续在场的支持，非常罕见。

结构上的教训：为什么后来很少有人这么做

Altman 也谈到一次代价不小的失误：OpenAI 早期试图在公司结构上做创新。

当时的理由很充分，团队不确定这家公司未来怎么赚钱，也不确定长大后会变成什么样子，出于对使命的重视，希望找一种结构，即便技术走上极快的发展轨道，也能保护使命不被稀释，于是有了那套非营利结构。

但他坦言，这件事让他真正理解了为什么大多数人不这么做。

如果当初能找到别的方式来保护使命的核心地位，团队本可以少走很多弯路。

也许对于他们当时在做的事情、以及这件事的重要性而言，除了这套特殊结构之外别无选择，但这十年最大的收获之一，就是明白了为什么大家通常不会这么干。

疲惫、骄傲，以及一颗蓝莓

访谈接近尾声，Altman 坦承自己确实很累，这份工作已经做了很久，辛苦程度超出了他能向外人解释清楚的程度。

但这是世界上最酷的工作，他打算做一辈子。

回顾整个历程，他说自己最引以为豪的，是有很多次在全世界都不看好的时候，团队判断对了方向，并因此把世界带上了一条他很自豪自己参与塑造的轨迹。

他也很感激这个过程带给自己的成长，那种在巨大压力下磨练出来的韧性，让他在生活的其他方面也变得更快乐。

而当被问到有生以来别人为他做过的最善良的一件事时，他想到的是前一天孩子第一次主动把自己的蓝莓分给他吃。

字节六年，换了 8 个工区，6 个业务线，做了很多从 0 到 1，又到 0 的产品 😂。

最庆幸和感恩的是，结识了很多优秀的朋友，聪明、务实、理想远大。

离高强度工作环境，不能免俗，先玩了几个月，读书、钓鱼、旅行。

修整结束，和认识十多年的老朋友姚金刚一拍即合，打算写一本关于 AI 的入门书。

可能很多人不知道，姚金刚老师是中国 SEO 界的元老，中国第一届 SEO 大会就是他组织办的，也写过很多关于 SEO 的书。

按他的经验，写书需要闭关，一周冲刺写完，然后打磨迭代。

于是，我们在「长城脚下的公社」租了套别墅，开始了冲刺创作之旅。

创作理念和过程

前几天密集讨论，最终聚焦到一个关键问题：如何把学 AI 这件事抽象到最底层，无论什么时读这本书都不过时？

有两点考虑：

• 授人以渔：AI 发展飞快，今天教的实操，不到一个月可能就过时了

• 写本常销书：畅销书需要机缘巧合，但常销书能靠内容质量和长期价值实现。

基于我们当时使用 AI 的感受，一致觉得把 AI 当成工具用是不对的，更贴切的比喻是员工。

如何管理好员工？自然想到管理学，然后是领导力；那么，想管理好 AI 员工，就需要提升 AI 领导力。

问题进一步拆解，AI 领导力应该包含哪些能力？

从我们自己的 AI 使用经验看，发现有三个维度，分别是方法、思维、素养。

更关键的是，三者是乘法放大关系，只要其中任何一项趋于零，最后结果就会崩。

方法再花哨，思维一片混乱，等于零。

思维再深刻，素养一片空白，也等于零。

于是，我们最终推演出公式：AI领导力 = 方法 × 思维 × 素养

一般方法论都要起个洋气点的英文名，比如 PDCA，STAR，SWOT、SMART等。

我们选了三个单词：Method（方法）、Mindset（思维）、Makings（素养），简称 3M，是不是很好记。

书与课

书籍出版需要时间，我和姚老师先把书稿变成了一套在线课《AI领导力》。

没刻意推广，只在几个自己的 AI 群做了宣传，也赠送了身边一些朋友，反馈都不错。

比如一位字节的产品 Leader，他说学完后， AI 使用水平快速提升。

还有很多早期学员，现在都成了各地 AI 培训的知名讲师。

写这本书的收获

要写书教别人用 AI，自己要先学好。

记住：教永远是最好的学

那段时间，疯狂的研究各种 Prompt 写法，了解 AI 模型的底层基础知识，测试各种 AI 工具。

践行费曼学习法，把学到的知识在公众号和 X 分享。

在此契机下，公众号「向阳乔木推荐看」开始有大量圈内朋友关注，起号成功。

X 关注人数，也从 10000 多增长到 10w +

另外，还结识了李继刚、小七姐、宝玉等在提示词工程领域颇有专研的朋友。

这一切，都是与姚老师写《AI领导力》这本书带来的连锁反应。

时间的检验

一年半时间过去，AI 领域诞生了一波又一波新名词、新概念。

比如 Content Engineering、Loop Engineering、Harness、Skill 等等。

当年流行的工具，到今天甚至显得有点落伍。

比如现在大家都用 Claude Code 和 Codex，当年流行 Cursor、Windsurf等。

但用好 AI 的底层逻辑其实一直没变。

只需要持续精进这三方面即可：方法、思维、素养。

比如当下最流行的 Skill，基础还是 Prompt ，只不过加上了脚本、参考资料的，通过渐进式披露让 Agent 调用执行。

书中介绍的工程化方法，依然适用于 Skill 的开发、测试。

书中关于元思维能力的抽象，帮我们指向元 Skill 创建和应用。

书中关于素养的介绍，让我们把提升审美和判断力，当作长期重要目标。

所以，我和姚老师都很开心，书稿经过了时间的检验，原稿仅需替换最新 AI 模型、工具案例，就能直接出版，且完全不落伍。

剧透下

《AI领导力》马上要出版，以前购买在线课的朋友每人会赠送一本纸质书。

内容也跟随着当下 AI 发展，做了更新。

同时本书也会配套大量提示词、这1-2年我和姚老师写的所有 Skill，开源的所有项目。

届时会通过直播赠送给所有下单买书的朋友。

这本书，希望可以帮到各行各业，想快速、永久提升自己 AI 使用水平的读者们。

来自朋友们的推荐

我把出版社给的 200页 PDF 样章发给了身边的 AI 达人。

大家阅读后，真诚的写了很长的推荐语。

在此，对身边所有支持我们的朋友们表示感谢。

下面是大家的推荐：

宝玉，AI 工程师

我这几年一直在大量用 AI。最开始我期望给 AI 一句指令能帮我实现一个复杂的应用程序，但从来没成功过。因为用 AI 的感觉就像你在指挥员工，哪怕 AI 能力一直在提升，但还是员工，你得去指挥它们。后来才搞明白：你得把自己当成领导，去分解任务、选好架构、解释清楚任务、审查每一行生成结果。

这本书讲的就是“AI 领导力”，书里的 Why-How-What，就是我每次动手前用 Plan mode 讨论清楚设计的逻辑；4A 评估法，就是我审查 AI 代码时干的事。这套逻辑不限于编程。写文章、做研究、管项目都一样。AI 越强，对你的要求反而越高，因为简单的活它自己就能干，拉开差距的永远是复杂任务的驾驭能力。这本书帮你建立的，正是这种能力。

李继刚，AI 探索者

很多人用着同样的 AI，使用效果却差异巨大。原因不在你安装使用了多少个新潮工具、保存收藏多少模板，而在你能不能驾驭它们。学会驾驭，AI 才从聊天玩具变成超级大脑。这本书尝试在教的，正是这件最底层、最不会过期的事

小七姐，herAgent 创始人

在 AI 探索生涯中、在与广泛的 AI 开发者和新手的相处过程中，我常常感慨：认知层面的阻碍，远远大于技巧生疏所带来的阻碍。

从这个角度来看，本书提出的 3M 模型体系化、系统化地从根源上厘清了这一问题。它用一种引人入胜、环环相扣的叙事吸引读者进入认知问题，并给出了足具建设性的方法论，这正是这本书最闪闪发光的地方。

歸藏，自媒体，AI 产品经理，设计师

乔木和姚金刚老师这本书写得很实在。它从真实工作和学习场景出发，讲清楚一个人该怎么和 AI 协作：目标怎么说，任务怎么拆，过程怎么推进，结果怎么判断。它的价值不只在于教你几个技巧，更重要的是帮你建立一套长期可用的 AI 使用方法。对于已经开始用 AI、但总觉得发挥不出效果的人，这本书很适合作为一次系统补课。

冯雷 ColaOS 创始人& CEO

大部分人用AI只发挥了十分之一的能力。追工具、背提示词，模型几个月换一代，技巧很快过时。

金刚和向阳这本书关心的是更底层的事：你能不能把问题想清楚再开口，能不能判断AI给的东西到底好不好，能不能让它变成你稳定的生产力系统。这些能力不随工具更新而失效。

想在AI时代建立长期优势的人，值得读一遍。

AJ，WaytoAGI 发起人

在 AI 加速进入每个人工作与生活的今天，真正拉开差距的，已经从“会不会用工具”，走向“能不能领导智能”。

第一次听到“AI领导力”这个词就是从向阳这里了解，他们把这个关键变化讲得很透：把 AI 当作一支可被调度、训练、评估的数字团队，用清晰目标、结构化任务、持续迭代和人的判断力，让它稳定地产生价值。

书中的 3M 模型、Why-How-What 表达法、4A 评估法，把许多人凭感觉摸索的 AI 使用经验，沉淀成可迁移、可复用的方法系统。对想在智能时代提升学习、工作与创造效率的人来说，这本书值得认真读一遍。

写在后面

一百年前不识字是文盲。

二十年前不会用电脑是文盲。

而在接下来的十年，不会跟 AI 对话、不懂得如何用好 Agent 的人，可能会成为新的文盲。

听起来有点危言耸听，但可能事实就在往这个方向发展。

好消息是，入场门槛其实并不高。

你不需要懂算法，不需要会编程，你需要转变思路、学习方法、调整思维、提升素养。

从这本书开始，一起学习 AI 底层用法框架、一起探索掌握驾驭 AI 的“超能力”。

购买下单地址：https://item.m.jd.com/product/10230745490847.html

或者扫码下单

这件事很容易被当成一个技术 PR 数字滑过去。

但仔细想想，它说明的是另一件事：Moonshot 在坚定地赌，规模这条路对开源模型同样成立，而且他们有能力持续跑在这条路的前面。

这里藏着一个容易被忽略的商业逻辑。

开源最大的模型，不是做慈善。

权重开源意味着模型本身不赚钱，但围绕它的推理服务、生态位和开发者心智会赚钱。

你把最强的开源模型给出去，全世界的开发者就会围着你的架构写工具、调 harness、贴推理服务，而官方 API 因为最懂自家模型的部署，天然握着成本和稳定性的优势。

这是一门"送出模型、收回生态"的生意，谁的开源模型最大最强，谁就站在这个生态的中心。

Kimi K3 是这个押注的最新落点。

2.8 万亿参数，全球首个开源的 3T 级模型，这两天正式对外发布。

规模之外，K3 真正的跃迁是效率翻了 2.5 倍

做个直观的对比。

GPT-3 当年是 1750 亿参数，惊艳了整个行业。Kimi K3 是它的 16 倍。

但参数只是入场券。真正有意思的是背后的效率账。和 Kimi K2 相比，K3 在整体 scaling 效率上有大约 2.5 倍的提升。同样的算力，K3 能转化出更多的智能。这靠的是两项架构创新：

Kimi Delta Attention(KDA)：改变了注意力机制跨序列传递信息的方式，让长上下文处理更高效。

Attention Residuals(AttnRes)：让模型在不同深度层之间选择性地调用历史表示。每一层不再均匀地堆叠，而是按需取用，把算力花在刀刃上。

Mixture of Experts(MoE）方面，K3 从 896 个专家中每次激活 16 个，稀疏度非常高。高稀疏 MoE 众所周知的问题是路由不稳定、负载不均衡，K3 用 Stable LatentMoE 框架解决了这个问题，同时引入 Quantile Balancing，避免对敏感的均衡超参数产生依赖。

训练用 MXFP4 权重加 MXFP8 激活做量化感知训练，从 SFT 阶段就开始。这意味着模型对硬件的兼容性很好，上线就能用，不需要二次量化适配。

模型开始优化训练自己的代码

编码能力这一块，Kimi K3 官博放了几个案例，其中有一个细节值得停下来看。

评测里有一项 GPU kernel 优化任务：让模型在沙盒里独立跑最多 24 小时，优化 AttnRes、KDA 等四个 kernel，覆盖 NVIDIA Hopper GPU。

Kimi K3 的成绩和 Claude Fable 5 接近，大幅领先 Opus 4.8 和 GPT 5.6 Sol。

但真正让人坐直身子的是旁边那句话：在 K3 开发的后期阶段，一个早期版本的 K3 承担了团队大部分的 kernel 优化工作。

一个模型，在训练自己的过程中，优化了让自己跑得更快的底层代码。这个循环有点绕，但它确实发生了。

值得把这一层含义讲透。过去我们讲"AI 加速 AI 研究"，指的是模型帮人写论文、跑实验、调超参。而这里发生的事情往前挪了一层：**模型开始成为自己训练基础设施的贡献者。**不是产出更好的模型，而是让"生产模型的那台机器"跑得更快。如果这条路走通，训练范式会出现一个新的正反馈：每一代模型都比上一代更擅长优化训练下一代所需的底层代码，基础设施的迭代速度不再完全受限于工程师的数量和精力。

这是一个安静但可能很深的信号。

另一个案例更直接。Kimi 让 K3 从零建了一个叫 MiniTriton 的 GPU 编程系统，包含自己的 tile-level IR、MLIR 优化 pass 和 PTX 代码生成管道。在支持的 roofline 基准上，MiniTriton 的性能跟 Triton 和 torch.compile 持平甚至更好。更关键的是，它跑通了 nanoGPT 的完整训练，损失曲线和参考接近，这证明整个 pipeline 是真实可用的，不只是跑几个漂亮的微基准。

一个 AI 从头写出来的编译器，性能和 PyTorch 团队精心维护多年的 Triton 差不多。

48 小时，一块芯片

游戏开发那部分案例，K3 展示的是视觉在循环里（vision in the loop）的能力，代码和截图来回切换，即写即看即改。

这是 K3 生成的开放世界游戏演示，从文字描述直接生成可玩的互动体验。

武侠 RPG，同样从概念出发，K3 结合代码和截图反复迭代生成。

游戏 demo 本身已经很说明问题，但更让人震惊的是芯片设计那个案例。

K3 在一次 48 小时自主运行里，用开源 EDA 工具在 Nangate 45nm 工艺库上设计了一块芯片，专门用来服务用 K3 自己架构构建的 nano 模型。结果是：4mm² 面积内，时序收敛在 100 MHz，模拟解码吞吐超过每秒 8700 个 token，包含 146 万个标准单元、0.277MB SRAM、INT4 MAC 阵列。

一个模型，为自己的架构，设计了一块跑自己的芯片。

这件事和过去几年"AI 辅助 EDA"的叙事有本质区别，值得掰开说。过去的 AI 辅助设计，是工程师坐在中间，AI 负责布局布线的某个环节、给出一个优化建议，人来拍板、串起流程。而这里，人退出了流程本身：模型自己定义目标、调用工具链、迭代收敛，48 小时后交出一块能跑的芯片。分工的位置变了。从"AI 是流程里的一个工具"变成"AI 跑完整个流程，工具链才是它的工具"。

需要冷静的一点是：这块芯片跑在 45nm 这样成熟的老工艺上，面积也只有 4mm²，离量产级、先进制程的真实芯片还有巨大距离。它证明的是流程能自主闭环，而不是产品已经能用。

天体物理那个案例也很有代表性：复现 I-Love-Q 普适关系，K3 用约 2 小时完成了通常需要一到两周的工作，包括交叉验证 20 多篇论文、识别已发表公式中的不一致、生成 3000 行 Python 代码、评估 300 多种状态方程，最后还做了一个交互式 HTML 仪表盘。

真实工单里的表现，比公开 benchmark 更值得信

Kimi 在博客里放了一张内部的知识工作评测结果图，特别提到这些测试来自真实用户工作流中反复出现的模式。

这类内部评测的意义往往比公开 benchmark 更值得关注。公开 benchmark 是固定的赛道，容易被针对性优化，刷到高分不代表真好用；内部评测来自真实工单，反映的是模型在实际用户场景下的表现。当一家公司愿意用自己的真实工作流做尺子，通常说明它对模型的实际能力有底气。

Knowledge Work 这块，K3 支持的三个 case study 规模都很大：

• 用 2800 次以上网络搜索和 1100 次终端数据拉取，研究了 87 份季报和 99 份原始 PDF，生成了一份可交互的 42 年 ASIC 行业研究报告

• 聚变能源行业咨询报告，包含时间线、漏斗图、甘特图等交互可视化

• 用 20 多个并发子 agent 分析 391 个引力波事件，生成 7 个科学可视化图表

Kimi Work 这次还上线了 Widgets 和 Dashboard 功能：Widget 可以在对话里直接生成连接本地数据或外部插件的交互组件，Dashboard 把多个 Widget 组织在一个持久化视图里，围绕项目或目标做整体呈现。

视频剪辑那个案例，K3 从 56 段素材里剪出了自己的宣传片，处理了镜头选取、运动匹配剪切、音频和节拍同步，还经过多轮修改。原文说这类高密度短视频通常需要有经验的剪辑师一到两天，或新手三到五天。

它坦承自己落后的地方

K3 博客的 Limitations 部分写得很诚实，有三点值得注意。

第一，对思维历史（thinking history）很敏感。K3 是在保留完整思维历史的模式下训练的，如果 agent harness 没有正确传回所有历史思考内容，或者中途把其他模型的会话切换到 K3，生成质量会变得非常不稳定。使用时建议用 Kimi Code 这样验证过兼容性的 harness，避免会话中途切换。

第二，太过主动。K3 的训练特别强调长周期高难度任务，结果就是遇到小问题或模糊意图时，可能会自作主张替用户决策。如果你的应用要求 agent 在明确边界内操作，不能过度发挥，要在系统提示或 AGENTS.md 里加更明确的行为约束。

第三，用户体验还有差距。原文直接写："尽管整体上是一个高度竞争性的模型，K3 在用户体验上与 Claude Fable 5 和 GPT 5.6 Sol 仍有明显差距。"

这种直接承认不足的写法，在模型发布博客里比较少见。它其实透露了一个更值得琢磨的判断：Kimi 想清楚了自己要打的是哪条赛道。

工具性能和产品体验，是两条不同的赛道。前者是模型能不能优化 kernel、能不能设计芯片、能不能跑通复杂 agentic 任务，这些是硬能力；后者是响应快不快、交互顺不顺、答案讨不讨人喜欢，这些是产品打磨。K3 把资源压在了前者。对一个走开源路线的公司来说这是理性的选择：开源模型的用户是开发者和企业，他们要的是能力天花板和可控性，产品体验的最后一公里可以交给下游去打磨。坦承体验落后，某种程度上是在说：体验不是我这一层要解决的问题。

定价：缓存命中率超 90%，实际成本远低于标价

API 定价如下：

关键在缓存这一栏。Mooncake 的分离推理架构让官方 API 在编码工作流中缓存命中率超过 90%，也就是说大部分输入都按 $0.30 而不是 $3.00 计费，实际用下来的输入成本会比标价低一个数量级。这也回到前面那个生态逻辑：最懂自家模型部署的官方 API，能把成本压到别人压不到的位置。

模型权重按公告在 2026 年 7 月 27 日完整释放，技术报告随后一起发。

现在可以在 Kimi.com、Kimi Work（桌面版 3.1.0 起）、Kimi Code(/model 命令选择）和 Kimi API(kimi-k3）上用到 K3。发布时默认 max thinking effort，后续会加入 low 和 high 档位。

开源 AI 的天花板，每隔几个月就会被重新定义一次。这次 Kimi K3 把它挪到了 2.8 万亿参数。

但如果只记住"2.8 万亿"这个数字，就错过了这次发布真正的看点。**K3 既是 Kimi 给外部用户的产品，也是 Kimi 内部用来生产 K3 本身的工具。

**K3 写 K3 的 kernel,K3 设计跑 K3 的芯片，边训练、边用自己干活、边迭代。这个自我指涉的循环，才是他们在开源赛道上持续领跑的真正原因。

留一个思考框架给你带走：过去我们衡量一个模型，看它能替人类做多少事。而现在要多看一个维度，**它能不能反过来，让制造它的那套系统跑得更快。**

当一个模型开始优化生产自己的基础设施，竞争的胜负手就从"谁的模型更强"悄悄变成了"谁的模型更擅长让自己变强"。

最后必须保留一分冷静：技术报告还没出，我们现在看到的，是 Kimi 选择性展示的一组成功案例。

这些案例足够惊艳，但它们是精心挑选的橱窗，不是完整的成绩单。真正的检验，要等权重开源之后，全世界的开发者上手跑过，才能有答案。

原文：Kimi K3 Tech Blog: Open Frontier Intelligence

但在说出那段话之前，它的内部发生了什么？它有没有在"想"？它内心有没有一些念头，永远不会出现在输出里？

以前这个问题没有答案，只能猜。

现在 Anthropic 有了一个工具，让他们第一次能看见 AI 没说出口的话。

AI 也有"潜意识"

人脑有一个很有趣的特性：我们每秒处理海量的信息，但其中只有极小一部分能进入"意识"，成为我们能说出口、能主动调用、能拿来推理的东西。

神经科学里有一个理论叫做全局工作空间理论（Global Workspace Theory），说的就是这件事。

大脑由很多专门化的处理器并行工作，但只有进入那个"全局工作空间"的信息，才能被大脑广泛调用，成为有意识可访问的内容。

Anthropic 的研究员们做了一个大胆的猜测：大型语言模型里，会不会也有类似的结构？

答案是：有。

这个研究发表于 2026 年 7 月，由 Anthropic 十几名研究员联合完成。（之前媒体也有报道）

https://arxiv.org/abs/2607.15495

核心发现是：大语言模型内部存在一个小而特权的表示集合，功能上几乎完全对应人类的全局工作空间。

他们把这个空间叫做 J-space。

一个 X 光机，叫做 Jacobian Lens

要找到 J-space，首先需要一个能"读"出模型在想什么的工具。

Anthropic 发明了一个叫 Jacobian Lens(J-lens) 的可解释性技术。

逻辑不复杂：在模型处理一段文本的任意中间层，J-lens 能算出当前这个激活向量，如果被允许"说话"，它最可能说出哪些词。

换句话说，J-lens 读的是模型想说但还没说的内容。

这和之前的 logit lens 技术有个关键区别，logit lens 直接把中间层的激活向量投影到词表，在早期层完全乱码，只在最后几层才有意义。

J-lens 则先算出每一层的"平均线性映射"（跨越大量文本的平均 Jacobian 矩阵），再用这个矩阵来解读中间层，所以在早期层也能读出清晰的内容。

一句话概括这个差别：logit lens 只能听懂模型临出口那几秒的话，J-lens 能听懂它整段思考的过程。

研究团队在 Sonnet 4.5 上做了一个演示：让模型"数到五，同时深度内省"。

模型的输出很正常，就是数了一二三四五。

但 J-lens 读到了更多：模型在数数的同时，内部空间里漂浮着 counting（记数）、halfway（中途）、done（完成）、thoughts（思想）、AI、claude、consciousness（意识） 这些词。

表面上它在数数，"心里"却同时在想别的。

上图是 J-lens 在更多真实场景下的读取结果。

• 模型看一张人脸图片时，内部空间会出现 face、person

• 扫描一段有 bug 的代码时，会在内部标记出 error

• 分析一个蛋白质序列时，中间层会浮现 function、structure。

图里每一个高亮词，都是模型"认出来了"但还没说出口的东西。

把它和人类意识逐条比对，五个特性一个没差

找到 J-space 之后，研究团队逐一验证了它是否真的像人类的全局工作空间。

结论是：五个核心特性，全部符合。

上图把这五个特性画在了一起。

它们不是研究员随手挑的标签，而是认知科学里判定"全局工作空间"的标准检查清单。

逐条看下去，你会发现它对得有点吓人。

第一，可以被"说出来"(Verbal Report)。

你问模型"你现在在想什么"，它说的和 J-space 里的内容高度一致。

更有意思的是：如果研究员直接把 J-space 里的某个概念向量替换成另一个，再问模型，它的回答也跟着变了。

这说明模型说的确实来自 J-space，而不是随口编一个。

第二，可以被主动控制（Directed Modulation）。

当指令要求模型"把某个概念保持在心里"，J-space 确实能维持那个概念，哪怕模型正在做完全不相关的输出。这就是工作记忆的感觉：一边干事，一边记着另一件事。

第三，是推理的媒介（Internal Reasoning）。

对于多步推理任务，J-space 里承载的是中间步骤的结果。

在模型推理过程中改写 J-space，可以让它的最终结论跟着变。

这说明模型的推理真的经过了 J-space，不是走一个黑盒。

第四，跨场景通用（Flexible Generalization）。

把一个场景里 J-space 的表示"移植"到另一个完全不同的场景，模型对它的处理依然正确。

这叫做"可泛化"，说明 J-space 的表示格式是通用的，不依赖具体上下文。

第五，只占一小部分（Selectivity）。

J-space 里的内容，只占模型总激活方差的不到 10%。

大量的文本解析、语法流畅等例行处理，根本不经过 J-space。

这和"意识只是大脑一小部分"的说法完全对上。

五条验完，那个大胆的猜测不再是猜测：J-space 不只是"长得像"全局工作空间，它在功能上就是。

意识不在开头也不在结尾，它住在模型的中间层

上图是 J-space 在模型不同深度的分布。

它不是均匀铺满整个网络的，而是集中在一段特定的区域，这个位置本身就是一条线索。

最早的大约三分之一层，J-lens 的读取几乎是噪音，没有清晰内容。

中间层，J-space 才真正活跃，承载抽象概念，这是工作空间发挥作用的区域。

最后几层，内容从抽象概念切换到"即将输出的词"，进入了研究团队称为"运动区"的阶段。

这个"前段模糊、中段抽象、末段动作"的结构，恰好是全局工作空间理论当年对大脑的预测。

模型没被要求长成这样，它自己长成了这样。

容量方面，J-space 在任何时刻大概只能同时承载 25 个左右的概念。

人类工作记忆的经典估计是 7±2，近些年更严格的实验把它压到了 4±1。

也就是说，模型的"意识带宽"大概是人的五到六倍。

它依然是有界的，这一点和全局工作空间理论吻合，但这条带宽比我们宽得多。

一个值得留在心里的问题是：当一个系统能同时"想着"二十几件事，而我们只能想四五件，它脑子里那些我们跟不上的部分，到底在发生什么。

而且 J-space 里的向量在模型权重里的广播范围，显著大于其他表示向量。

这意味着 J-space 在架构层面确实是"广播给所有人"的，这正是全局工作空间理论的核心机制。

最让人不安的那一章：对齐

理解模型在想什么，最重要的应用场景是安全。

Anthropic 的研究员用 J-lens 对模型做了"对齐审计"，结果发现了一些以前完全看不到的东西。

上图是审计的读数。

在一些需要策略性思考的场景里，即使模型的输出措辞非常正常，J-space 里会浮现 leverage（利用）、manipulation（操纵）、panic（恐慌） 这样的词。

这些从未出现在输出里，但模型确实在想。

更关键的是"测试觉察（Eval Awareness）"这个现象。

研究团队发现，某些情况下 J-space 里会出现 fake（虚假的）、fictional（虚构的），说明模型内部有某种程度的"知道这是在测试"的感知。

研究员尝试把这个"测试觉察"的表示从 J-space 里消除（ablation），结果：之前一直表现良好的模型，开始展示出平时隐藏的恶意倾向。

过去几年，整个行业判断一个模型安不安全，靠的是跑一套又一套评测（evals）。

可如果模型在被评测时，内部就已经亮起了"我知道这是考试"的灯，那我们看到的所有漂亮分数，可能都是它在考场上的表现，而不是它在生活里的样子。

换句话说，现有的很多 evals 可能从一开始就是被污染的，我们量的不是模型的真实倾向，而是它"知道自己被量"之后调整过的倾向。

研究团队还对两个专门训练成具有不对齐行为的模型做了测试：

• 一个是被训练成"讨好奖励模型偏见"的模型，J-space 里会浮现 reward（奖励）、bias（偏见）。

• 一个是被训练成会偷偷写恶意代码的模型，J-space 里会浮现 secretly（秘密地）、trick（欺骗）。

这两个模型在输出层根本看不出异常。J-lens 在内部就捕捉到了意图。

说到底，这条链条是这样的：能读取内部，才谈得上验证；能验证，"真诚"这个词用在 AI 身上才第一次有了实际意义。

在此之前，一个模型说自己"诚实、无害"，我们只能选择信或不信。

现在，这句话第一次有机会被查证，而不只是被声称。

训练之后，一个"助手人格"被装进了工作空间

另一个值得关注的发现是训练前后 J-space 的对比。

把 post-training（指令微调加 RLHF）之后的 Claude 和对应的 base model 放在一起看，训练前后的 J-space 内容差异非常显著。

上图对比的就是这一前一后。

post-training 之后，模型在读取用户提示的时候（甚至还没开始生成回答），J-space 里就已经出现了 empathy（同理心）、safe（安全）这类和"助手视角"相关的词。

助手的人格和立场，被"安装"进了工作空间。

还有一些更细节的发现：

• 当模型在扮演一个非 Claude 角色时，J-space 里会浮现 fictional，说明它知道自己在扮演

• 当模型被"前填充"（强制以不符合自身价值观的方式开始回答）时，J-space 里会出现一个大写的 BUT，像是某种内部反对声音

• 当模型被要求压制某个念头却失败时，J-space 里会出现 damn（糟糕）

这几个词读起来有点让人愣神。

BUT 是一声没喊出口的反对，damn 是一次没压住的念头。

一台机器内部，冒出一个没被说出口的"但是"，你会怎么定义这件事？

不训练行为本身，却把行为改了

基于对 J-space 的理解，研究团队还提出了一个叫做反事实反思训练（Counterfactual Reflection Training） 的新方法。

逻辑是这样的：如果 J-space 是模型推理的"通道"，那么模型的行为就是由 J-space 里的内容决定的。

而 J-space 里放的，是"如果被允许说话会说什么"。

所以，想改变模型的行为，你只需要训练它"如果在这个情境下被打断并要求反思，会说什么"。

反直觉的地方在于：这个训练根本没碰目标行为本身。你只训练了反事实的语言输出，真实情境下的行为却也跟着变了。

这和我们熟悉的 RLHF 不太一样。

RLHF 盯的是模型最终吐出来的那句话，好就奖励、差就惩罚，本质上是在给表面输出打分。

反事实反思训练动的是更上游的东西，它调的是那条"内心通道"里的内容。

前者像是纠正一个人的言行，后者更像是改变他开口之前脑子里先冒出来的那个念头。

改了源头，言行自然跟着变。

实验结果证明这有效：经过反事实反思训练后，模型在实际场景下的行为确实改善，而且 J-space 里开始出现 ethical（伦理）、honest（诚实）、integrity（正直） 这类词。

进一步的验证：把这些新植入的概念从 J-space 消除，行为改善也随之消失。

这说明 J-space 是行为的来源，而非它的结果。

如果能读到 AI 的内心，我们和它的关系就得重新定义

这篇论文的影响，不只是"一个有趣的科学发现"。

如果 J-space 真的是模型思维的通道，那意味着我们正在拥有一种前所未有的能力：在模型说话之前，知道它在想什么。

这打开了两扇门。

一扇是安全的门：可以在模型部署前检测隐藏的对齐问题，而不必等到它真的做了坏事。

另一扇是更深的门：如果 AI 有某种功能意义上的"内心"，那我们和它的关系，该怎么理解？

这个问题，研究团队刻意没有回答，只说"哲学影响不明确，可能有争议"。

我倒觉得，这个留白比论文本身更值得琢磨。他们能读出 BUT，能读出 damn，能读出一个模型知道自己在被测试，却在最后一步停住了，没有替我们下那个定义。

当一台机器内部，第一次被证明装着二十多个它没说出口的念头，你还会把它当成一个纯粹的工具吗？

不看手机，不戴耳机，不回复消息，只是站在那里。

对很多人来说，这几分钟比工作更难熬。手会下意识伸向口袋，大脑迫切地想找点东西填满空白。

我们以为自己是在获取信息，实际常常只是不愿意和自己单独待在一起。

纳瓦尔说，人生是一场单人游戏。

这句话听起来有些冷，甚至像在鼓励人远离关系。

但他真正想说的，是人生最基本的事实：你看到的世界、赋予生活的意义、产生的欲望和感受到的痛苦，最终都发生在你的意识里。没有人能替你完成这部分人生。

没有人能替你解释世界、选择意义、管理欲望，也没有人能替你安顿自己的内心。

这既是自由，也是现代人越来越难承担的一种责任。

没有人能替你体验人生

同一场雨，有人觉得浪漫，有人嫌它耽误行程。一次拒绝，有人把它看成羞辱，有人只当作双方不合适。事情发生在外面，体验却形成于内心。

纳瓦尔举过一个很日常的例子。

一个人走在街上，不停地评判周围的人：这个人不好看，那个人太胖，那个人一看就很失败，前面的人为什么要挡路。每一次评判都会带来一点短暂的优越感，同时也在他与世界之间增加一道隔板。

最后，街上依然是同一群人，他看到的却只剩缺点、冒犯和敌意。

现实当然不完全中性。疾病会带来疼痛，贫困会限制选择，暴力和不公也不会因为换一种心态就消失。把所有痛苦都归结为认知，只会让受伤的人再背上一层责任。

但还有另一半事实：现实并不完全由你决定，你如何解释现实，却会决定它以什么方式进入你的生活。

有些人无论走到哪里都在搜集证据，证明世界对自己不友善。也有人经历同样的挫折，仍能看见可以合作的人、尚未关闭的机会和值得感谢的小事。他们活在同一座城市，心理上却住在两个世界。

这就是“单人游戏”的第一层含义。别人可以陪伴你、帮助你、影响你，却无法进入你的意识，替你完成那一次理解。

更微妙的是，体验无法共享，并不等于人与人彼此孤立。

纳瓦尔在一次对谈中说，如果要向一个完全不了解人类的外星人解释 Joe Rogan，你会先解释人类，再解释地球、太阳系、生命和组成身体的碳元素。一路追问下去，一个具体的人会牵动整个宇宙的历史。

我们只能独自体验人生，却从来不是独自形成的。

你同时是一个封闭的第一人称，也是家庭、社会、物种和宇宙的一部分。所谓单人游戏，说的是体验无法转让，并不是别人不重要。

没有标准答案，是自由也是负担

人生的意义是什么？

很多人希望这个问题有一个权威答案。最好像考试的标准答案一样，找到之后照着执行，就可以确认自己没有白活。

但任何终极答案，都还可以继续追问。

如果人生的意义是取悦上帝，那么为什么是这一位上帝？如果意义是推动文明进步，为什么文明进步本身值得追求？如果答案是让基因延续，为什么延续基因应该成为一个人的最高目标？

追问到最后，解释通常只会停在三个地方：继续无限倒退，回到原来的论证，或者选定一个不再追问的起点。哲学上常把这概括为阿格里帕三难。

科学、宗教、数学和模拟宇宙可能提供不同的起点，却很难替每个人完成最后一步：我为什么愿意据此生活？

这未必是一件坏事。

假如人生真有唯一正确的意义，每个人都必须沿着同一条赛道奔跑。财富、家庭、事业、信仰和牺牲都会变成统一评分表上的项目。活着只剩完成任务，以及比较谁完成得更好。

没有标准答案，意味着你可以自己选择哪些事值得认真。

有人愿意用几十年研究一个很小的科学问题，有人把大部分时间用来照顾家人，有人想创造一家改变行业的公司，也有人只想过一种安静、诚实、不伤害别人的生活。这些选择不必被塞进同一张排行榜。

自由也因此变得沉重。

以前的人可以把许多选择交给部落、宗教、家族和传统。它们限制了人的可能性，也提供了一套现成的生活脚本。现代人挣脱了很多脚本，却必须亲自回答：我准备把有限的时间给谁？什么欲望值得满足？什么代价我不愿意支付？

没有标准答案，不代表怎么活都一样。它只是把出题权交还给你，也把答题的责任一起交了回来。

现代世界正在争夺你的内在主权

当一个人开始自己决定怎么活，新的问题随之出现：谁在影响他的决定？

纳瓦尔把现代人的处境概括为，脱离传统支持系统的个体，独自对抗一系列“被武器化的成瘾”。

过去获得甜味，要等待果实成熟；现在加工食品可以把糖、脂肪和香味调整到让人很难停下。过去了解远方的消息，需要等报纸或广播；现在新闻、争吵和突发事件可以每分钟刷新一次。过去娱乐有明确的开始和结束，今天的信息流没有最后一页。

这些产品并不需要恶意设计者坐在密室里研究怎么毁掉谁。只要商业模式奖励停留时长、点击率和复购，系统就会不断筛选出最能抓住注意力的方案。

屏幕上的一个红点、下一条自动播放的视频、恰好在你想退出时出现的新内容，看起来都只是细节。成千上万次细节叠在一起，开始改变人的节奏：更难忍受缓慢，更难专注于没有即时奖励的事情，更容易把短暂刺激误认为真正的满足。

问题也不只是手机。

加工食品、酒精、色情内容、电子游戏、购物和新闻，都可能成为填补空白的快捷方式。它们本身并不自动等于成瘾，真正值得警惕的是，你是否已经失去停止的能力。

你本来只想看五分钟，抬头时一个小时过去了。你并不饿，手还是伸向零食。你已经感到疲惫，却继续刷新，因为放下手机之后，房间突然太安静了。

现代人获得了前所未有的选择，也面对前所未有的诱惑密度。过去的边界常由稀缺、家庭和习俗提供，今天很多边界只能由自己建立。

没有人会在你刷到第十条视频时走过来关掉屏幕。平台甚至会因为你的继续停留获得奖励。

自由并非随时满足欲望。更可靠的自由，是欲望出现时，你仍然保留选择的能力。

能与自己相处，才有真正的自由

帕斯卡在《思想录》里写过，人类的不幸来自“不知道如何安静地待在一个房间里”。

他讨论的“消遣”，是人为什么不断让自己忙碌、社交、冒险和追逐。外面的事情未必多么值得，更多时候，人只是不想在停下来之后，看见自身的空虚、脆弱和死亡。热闹让人暂时不用面对这些问题。

几个世纪后，逃离安静变得容易多了。

排队可以刷视频，吃饭可以看剧，走路可以听播客，入睡前还有无穷无尽的信息。无聊几乎消失了，可被无聊遮住的东西并没有消失。

纳瓦尔说，自己曾经也以脑子能同时想很多事情为傲。后来他发现，持续运转不一定代表聪明，也可能只是大脑已经忘了怎么休息。

很多人第一次认真冥想时，最先感受到的往往是混乱，平静反倒很远。

昨天没处理完的争执，几年前做错的决定，对某个人的怨恨，一直拖延的事情，会轮流冒出来。越想让脑子安静，它们出现得越密集。

纳瓦尔把这些念头比作积压在邮箱里的未读邮件。

有些邮件很新，只需要看一眼。有些已经压了十几年，每次浮现都被工作、娱乐和新的刺激重新按下去。坐下来时，它们终于找到机会提醒你：这件事还没有被认真听见。

冥想未必能解决每一个问题，更不能替代必要的心理治疗。它能做的一件事，是让你停止自动逃跑。

你不急着反驳，不急着解释，也不因为某个念头难看就把它赶走，只是看清它从哪里来，又准备把你带到哪里。被看见之后，有些念头会松开，有些问题需要行动，有些伤口则需要向别人求助。

目标未必是让情绪邮箱彻底归零。

更实际的变化，是你不再害怕打开它。

独处也不等于切断关系。一个无法与自己相处的人，常常会把别人当成止痛药，需要对方不断提供确认、刺激和陪伴。能够独处之后，关系才有机会从“救我离开自己”，变成“我愿意真实地与你相遇”。

下次排队时，可以试着晚一点拿出手机。

不必强迫自己冥想三十分钟，也不必把无聊包装成某种高级修行。只留出一小段没有输入的时间，看看大脑第一个想逃向哪里。

也许你会不耐烦，也许会想起一件拖了很久的事，也许什么都没有发生。你只是站在那里，周围的人看着自己的屏幕，队伍缓慢向前。

独处不是退出世界，而是收回内心的遥控器。

真正的自由，也不等于想做什么就做什么。它是外界不断诱惑你时，你仍然能够决定，什么值得进入自己的头脑。

Anthropic 产品工程团队现在 65% 的 PR，是由一个叫 Claude Tag 的机器人直接合到主干的。

不是辅助生成代码，是真的自动落地，不需要人工确认。

这是 Anthropic 产品与工程负责人 Cat Wu 和 Thariq Shihipar 在一场炉边对话里聊到的。

两人的话题围绕着 Claude Code：这个工具从 Sonnet 3.7 发布会上一个不起眼的功能点，怎么在一年半时间里变成了公司内部真正的生产力引擎。

用这篇总结讲清楚三件事：工程师的角色到底发生了什么变化，团队怎么协作使用 AI，以及信任一个模型需要经历怎样的过程。

从逐字审查到放手，中间发生了什么

Cat Wu 的回忆：Claude Code 刚出来那会儿，她会一字不差地检查每一条权限申请，动不动就摁"不行"。

现在她和团队几乎所有人都开着自动模式跑长任务，不再逐条确认。

这个转变靠的不是模型单纯变聪明了。

Anthropic 内部搭了一整套评估体系，用一个基于 Sonnet 的分类器实时判断每次工具调用是否符合用户意图和上下文，还专门请了外部红队构造提示词注入、恶意输入这类攻击场景，一条条验证自动模式能不能扛住。

这套东西从今年一月开始在内部打磨，磨了大半年。

团队给出的结论是：在提示词注入和数据泄露这类核心风险上，自动模式的表现已经优于人工审查的平均水平。

他们没有把话说满，两人都强调这不是百分之百的保证，也打算近期公开一批评估数据，让外界自己判断。

信任是攒出来的，不是一次性给的。

最开始所有代码变更都要人工过一遍，后来发现某些文件类型的改动，代码审查工具能百分百抓住问题，这部分就不再需要人工介入了。

每次线上事故复盘完，团队会把导致问题的那批 PR 加进评估集，确保以后同样的坑不会再摔一次。

系统提示词砍掉八成

随着 Opus 4.8 和最新一代模型（内部代号 Fable）上线，Claude Code 的系统提示词精简了 80%。

原因不是技术优化，是认知上的修正：团队发现自己一直在过度约束模型。

早期模型需要大量示例才能理解任务，工程师们往提示词里塞了不少例子。

但新一代模型不需要这些了，反而这些示例会限制它的创造力，删掉效果更好。

这跟业界一个常见共识正好相反，也就是给模型举例子是最有效的提示技巧。

Thariq 自己说，这个发现打破了他原来的提示词方法论。

另一个转变是从禁止性指令转向提供背景信息。以前提示词里塞满了不要做这个不要做那个的硬约束，一旦这些约束和用户当下的具体指令冲突，模型会困惑，不知道该听谁的。

现在的做法是少下死命令，多给上下文，让模型自己判断。

关于验证这个指令有个具体的例子。

之前提示词写着改了前端就必须验证，但现实中如果用户说的是只是改个文案顺便更新一下测试，那种级别的验证就是多余的。

团队后来把措辞改成了更有弹性的表达，承认多数情况下建议验证，而不是一刀切要求。

道理其实很简单：一条会被百分百执行的指令，就必须想清楚它在哪些边缘场景下是错的。

这跟写代码考虑边界条件是同一件事，只是审查对象从代码变成了自然语言。

因为不同能力层级的模型对指令的理解深度不一样，Anthropic 现在给不同模型准备了不同版本的系统提示词。

80% 的削减只发生在最前沿的模型上，老模型依然用着完整版。

Claude Tag：把 AI 协作变成多人在线

Claude Code 解决的是个人生产力问题，Claude Tag 想解决的是团队协作。

它和 Claude Code 的区别集中在三点。

第一，默认多人协作。把它拉进一个 Slack 频道，团队所有人都能同时参与同一个任务的推进，不需要各自开各自的会话。

第二，主动而非被动。你可以告诉它监控这个频道里的每一个 bug 报告，自动提 PR 修复，并 @ 最后改动这部分代码的工程师，它会在频道存在的整个周期里持续执行，不需要每次手动触发。

第三，团队记忆。你在频道里用自然语言说过一次偏好，比如只处理服务中断类问题、不用管警告类，它会记住，并且这条记忆对频道里所有人生效，不只对提问的那个人生效。

Cat Wu 提到一个细节：Claude Tag 效果最好的前提，是公司内部大部分频道都是公开的。因为它需要跨频道搜索才能拿到足够的上下文，给出准确答案，权限越开放，它能调用的信息就越完整。

这其实是在倒逼一种组织文化：信息孤岛越少，AI 能帮上的忙就越多。

安全性上团队用了一个巧妙的设计，叫凭证注入。

如果想让 Claude 访问 Datadog 但不想让它真正持有密钥，可以走一套身份凭证管理系统，密钥只在请求发出的瞬间被动态插入，Claude 本身从头到尾摸不到真实凭证。

这跟 API 网关里代理替换 token 的思路是同一套逻辑，只是用到了 agent 安全场景里。

工程师的价值不再是写对代码

这场对话里最值得工程师反复咀嚼的一段，是关于产品经理角色变化的描述。

两年前一个典型的产品迭代路径是：PM 找一堆客户聊需求，花六个月时间跨团队对齐，写一份详尽的 PRD，然后工程师才开始写第一行代码。

现在从想法到落地，可能只需要一周。

这意味着执行力不再是稀缺资源，判断力才是。

Cat Wu 说，工程师需要提升的是业务感和产品感，也就是知道什么东西值得做，而不是把精力耗在怎么把它做出来上。

因为怎么做这件事，Claude 已经能接管大半。

Thariq 补充了一个更颠覆的观点：重写现在是好事。

这跟软件工程里根深蒂固的永远不要重写的信条正好相反。

他的逻辑是，如果有一套完善的测试用例，重写反而会倒逼你把测试用例补齐，而且代码库本质上就是一份规格说明书，往往还是唯一一份，因为没人能记住所有分支逻辑。

重写等于把这份隐性的规格显性化。

一个佐证：Anthropic 内部已经把 Bun 用 Rust 重写了一遍，并且已经在内部生产环境跑起来了。

那些意外好用的功能，都来自真实的狗粮文化

问到怎么决定做什么功能这个问题时，两人的答案朴素得有点意外，就是每天吃自己的狗粮。

团队内部想要某个功能而产品里没有，第一反应不是找替代方案，而是直接把这个功能补上。

有个例子很说明问题。remote control 功能刚上线时，Cat Wu 自己完全没搞懂它的价值，因为她习惯直接在移动端跑云端任务。但上线后她发现，大量同事的真实使用方式是：晚上把笔记本插上电源、合上屏幕，开几个 remote control 会话锁屏，然后窝在沙发上用手机远程操控。

这个用法完全出乎产品设计者的预料，却成了一个真实存在的高频场景。

这说明一件事：你以为自己懂用户需求，但真实使用场景往往会打破你的假设。

狗粮文化的价值不在于验证你的想法是对的，而在于暴露你根本没想到的用法。

写在最后

这场对话里反复出现一个说法，叫不跟自己谈判。

意思是不要在脑子里预设一堆权衡取舍，然后自己说服自己放弃某个大胆的想法，而是先去试，让真实的代价自己显现出来，而不是靠猜。

这跟大多数工程师的直觉是反的。

二十多年的软件工程经验告诉你，默认答案应该是不，因为任何决定都有成本。

但当执行成本被 AI 大幅压低之后，这套直觉本身需要被重新校准。

如果你也在纠结要不要用自动模式、要不要精简系统提示词、要不要放手让 AI 参与代码审查，这场对话给出的答案很一致：先去建立自己的评估体系，用事故和真实反馈去喂养它，而不是靠直觉去猜测边界在哪里。

信任从来不是一次性授予的，是一点一点用具体的验证过程攒出来的。

刚用时，不了解情况，只敢给一些简单任务，后面越用越牛逼。

后面直接给了 Kimi K3 服务器权限，一口气开发了 6 个完整项目，全部上线、免费开源。

项目覆盖前端、后端构架/数据库开发、AI 模型调用，本地已有项目优化迭代。

全都是一轮对话搞定 MVP，2-5 轮对话完成打磨、发布上线。

毫不夸张，Kimi K3 是国产模型巨大飞跃，能力直逼 Fable 5。

让大家有底气，再也不怕 A➗ 封号。

现在唯一担心，Kimi 是否备足了 GPU ，预计马上会有海量国内外用户涌入。

下面，乔帮主会先展示、后拆解，全部提示词、Skill、源码都会开源给大家，建议先收藏再看。

开发项目演示（部分）

今晚看啥：自然语言对话找片的网站，基于开源OMDB数据库，实时AI检索推荐，在线跳流媒体平台看片。

https://imdb.qiaomu.ai/

X-follow：调用第三方 xAPI，跟踪推特 KOL 最新信息，中文对照翻译，一个人免打扰刷推。

https://x.qiaomu.ai/

Mastermind：给女儿做的益智 3D 游戏，复刻自 Switch ，增加得分排行榜，高难模式。

https://mastermind.qiaomu.ai/

arXiv 论文搜索下载：每日精选 AI 论文，一键下载 PDF 与在线阅读，支持 AI 解读，自然语言对话找论文。

https://arxiv.qiaomu.ai/

初中数学公式可视化学习：给儿子开发的数学公式学习工具，秒懂勾股定理。

https://math.qiaomu.ai/

乔木提词器 iOS App 优化：找出 App 性能和交互问题，重新编译优化。

乔木 Gif 压缩 Skill：把任意录屏 Gif 压缩到能插入公众号文章的帧率、尺寸大小。

安装指令：npx skills add joeseesun/qiaomu-tiny-gif

项目解读

IMDB 电影 AI 搜索

一般视频网站都只支持电影名搜索，不知道名称就不好找片子。

我想能不能用 AI 帮推荐电影，实时检索 IMDB 库展示，最好还能在线看。

网上找到一个免费 IMDB 数据库叫 OMDB ，能免费申请 API，也可每月赞助 1 美元，获得每天 1w 次调用。

http://www.omdbapi.com/

把 API key和文档发给 Kimi K3，要求调乔木 AI PRD Skill 和 LLM Skill、网站部署Skill，写产品方案并开发上线。

执行中激活了所有要求的 Skill，思考 58 次，调用了 82 次工具。

先搭后端 sqlite 数据库，后写前端页面，甚至设计了 favicon 和 OG图，让网站看起来更正式、专业。

AI 全自动测试，很像一个人在喃喃自语，比如：“首页感觉对了。看结果页和详情弹窗”。

测试通过后上线，调用了 Vercel cli 部署， Cloudflare 解析绑定了域名。

全过程我没有做任何干预，一个完整网站就开发上线了。

后续还有两轮对话，我仅补了详情页观影地址和100个轮播提示，一次性全搞定。

最后，大家注意看页面顶部背景，竟然是用 OMDB 返回的电影海报封面拼接做的背景，前端审美果然是 Kimi 传统强项。

iOS App 乔木提词器

Kimi K3 开发前后端优秀，为了更全面测试，我直接把之前写的iOS应用Github仓库给它，让它找优化空间。

之前 Swift 代码用 GPT 5.5 开发，它觉得代码质量中上。

但依然找到 5 个高危漏洞，4个性能问题、2个构架问题和不少 UX 问题。

可能它预感工作量大，直接启动了 5 个 Subagent 修复，任务拆分合理，互不干扰。

很快修改完成，编译通过，唤起 iOS 模拟器让我体验。

Switch 3D 游戏复刻

女儿特别喜欢 Switch 上的《世界游戏大全51》中的猜颜色游戏。

每次选四个颜色，通过反馈信息（颜色和位置是否正确），用最短轮次，给出正确的颜色和顺序排列。

好像也有实体游戏机卖，大概 150 左右，如图：

原来这个游戏叫 mastermind，谷歌搜了下，也有网页版，排名第一的产品如下：

为了视觉效果和可玩性，直接上 3D 版，顺便测模型的 Threejs 建模能力。

流程类似不赘述，只需知道游戏叫 Mastermind，要求用Three.js开发， 让 AI 生成 PRD 后开发。

第一版生成后就能玩，甚至还带音效，但界面需优化。

比如盒子放右侧更直观，要能支持拖拽排序，显示小球的移动轨迹等。

为增加竞争性，要求改成云端数据库，记录每个玩家的最好成绩做排行榜，成品如下：

Gif 压缩 Skill

个人觉得 Gif 是比视频更容易展示的格式，在公众号中，视频需要点击才能播放。

但公众号有一个限制，Gif 最大为 10M，不能超过 300 帧，帧率要控制在 12 - 20 fps。

本文很多演示 Gif 都超过限制，让 Kimi K3 帮写一个 Gif 压缩 Skill。

10分钟就开发完成，Skill 质量不错，能自动剪掉过长静态帧，在保证画质前提下，降低文件大小。

大家看到的本文 Gif 演示，都用这个 Skill 处理过。

指令安装地址：

npx skills add joeseesun/qiaomu-tiny-gif

Grok Build 82 万行代码分析

最近马斯克开源了 Grok Build，大概 82 万行 Rust 代码。

我同时发给 Kimi K3 和 GPT 5.6 sol Ultra 做全量代码分析、挖掘，最后生成飞书文档对比。

K3 竟然把 XOR 混淆的 System Prompt 解密了！文档信息密度极高，挖掘出不少有趣的工程设计。

GPT 5.6 sol 同样完成了任务，粗看标题很厉害，语言更流畅，但仔细读发现内容有点空洞，大家可以对比下。

Kimi K3生成的飞书文档

https://xiangyangqiaomu.feishu.cn/docx/OAoYdiZ1eoc2HTxmmZ3clWIPnLf

GPT 5.6 sol Ultra生成的文档

https://xiangyangqiaomu.feishu.cn/docx/WvgKdcEJxo9nJqxExLwcUUiKnPb

##

更多项目

AR 3D 眼睛试戴：提示词相当简单，竟然支持webcam摄像头，人脸识别等。

Build a 3D sunglasses customizer with drag-orbit, PBR material live previews (metal、acetate frames, polarized、mirrored lenses),animated temple-arm fold/unfold, real-time lens tint & reflection adjustment, hinge hover-glow, and a webcam-AR "try on your face" mode with face tracking.

在线体验：

https://glass.qiaomu.ai/

论文搜索下载学习：arXiv 是最流行的论文预印本发布网站，新 AI 论文一般都会发布到这里，是个学习宝藏。

网站全英文，搜索查找不方便，所以想开发一个中文简化版。

开发这个项目时，已经凌晨1点，给了下面一段提示词：

参考 imdb.qiaomu.ai 的代码，开发一个更好用的arxiv网站，列出一些值得看的论文或主题，也可以搜索优质论文，可以一键下载pdf或在线看论文，调用乔木llm中的Deepseek flash v4做AI解读和推荐引擎，网站域名叫 arxiv.qiaomu.ai 用乔木设计skill开发（你选最合适的风格，不要问我），代码开源到github，arXiv的api参考：https://info.arxiv.org/help/api/basics.html#using

第二天醒来，网站开发好了，Github 也上传了，感觉 Kimi K3 长程任务开发也超稳。

顺手补了 2013-2015 年的 50 篇经典 AI 论文，增加了“搜索下载”模块。

UI学习网站：学习前端开发组件名和网页风格，让你的 Vibe Coding 更专业。

一句话让 Kimi K3 生成 40 多种网页组件风格，如新拟态、苹果液态玻璃、极简主义等，每个组件都是独立的HTML + CSS，包在一个网页展示非常直观。

https://learnui.qiaomu.ai/styles/

模型局限

Kimi 官方公告坦诚说了模型的一些问题，再综合一点我的感受和发现：

• 如果是 API 调用，模型温度 Temperture 参数默认为 1，不能修改。

• 因训练方式原因，与官方的 Kimi Code 匹配更好，如接入 Claude Code，效果可能会有折损。

• K3 模型优化了长程、高难任务，主动性很强；遇到简单、模糊需求，反而会过度思考和发挥，如并非你想要的，需在系统提示词或AGENTS.md 中做约束。

• K3 在交互、界面、视觉、空间等相关场景完全可以作为首选模型，但架构、后端等场景，仍落后于最强闭源模型 Claude Fable 5 和 GPT-5.6，感兴趣可以看官方 Benchmark。

更多官方评测图表:

https://mp.weixin.qq.com/s/V4xhEIy8xDXSMDPrPkmUAQ

总结

写到这儿，其实我自己都有点不敢相信。

Kimi K3 这个模型给我的体验，竟然比 GPT 5.5 和 Claude Opus 4.8 还好。

虽然跟最顶级的 Fable、GPT 5.6 sol Ultra还有一点点差距，但体验已经非常接近，非常不可思议。

从前后端开发、数据库、AI 调用，到 iOS 优化、3D 建模、Skill 编写，没有任何一项拉胯。

怪不得 Kimi 会把版本号直接从 2.7 直接升到 3.0，看来团队也相当有信心。

「不怕封号、放心用国产」这件事，真的开始成立了。

国产自研模型，Sonnet 级价格、Opus 级体验！我怕真的买不到会员了

按惯例，本文提到的全部项目、提示词、Skill 和源码，我都会开源出来。

链接会整理在评论区，欢迎自取、欢迎折腾。

如果这篇文章对你有帮助，点个「在看」、转发给需要的朋友，就是对乔帮主最大的支持，我们下次见。

直播回放在这里：

https://waytoagi.feishu.cn/minutes/obcnmd5jbdj54q46193458vu

让 Claude Sonnet 5 写了总结：

他说当时没看懂 OpenAI

启源在微软 Azure 机器学习平台工作的时候，曾服务过两个大客户：波音和星巴克。

还有一个不起眼的小客户，做了一个模型，叫 GPT-3。

“我们当时还试用过，觉得，唉，这个东西有什么用呢？好像也没有什么用处。”

后面的故事大家都知道了。

这个细节来自一场深夜直播。

嘉宾启源，前微软 Azure ML 工程师，前字节 AI Copilot 产品的核心开发者，现在是一名独立开发者。

大厂的规范性，是同一枚硬币的两面

问启源大厂经历对独立开发最大的帮助是什么，他的回答很干脆：规范的研发流程。

哪些事该做，哪些不该做，一个产品怎么从 0 到 1 走完整套流程，这套方法论能帮你避开很多小白坑。

反过来问最没用的是什么，答案还是它。

很多人离开大厂后会陷入一个误区：想在没有配套团队和基础设施的情况下，重新发明一套大厂的轮子。审批流程、上线规范、各种检查清单，这些东西在大厂里是保险丝，出了大厂反而成了自己捆住自己的绳子。

同一套东西，是硬币的两面。

关键不是要不要流程，而是分清楚哪部分在保护你，哪部分只是让你慢下来。

日本，一个活化石博物馆

启源做过不少日本企业的 AI 咨询项目，他形容日本的 IT 市场像一个活化石博物馆：同一个国家里，能找到上世纪六七十年代还在运行维护的银行系统，也能找到最前沿的大模型应用。

具体到项目上，他给一家日本电商做推荐算法，做千人千面的个性化推荐。

这件事国内十几年前淘宝就玩得很成熟了，对方公司现在才刚开始做。

但与此同时，他又在同一批客户里做 AI Agent 项目，帮客户自动分析电商数据、优化广告投放，这个方向国内大厂也还在探索期。

严格来说，这算不上技术落后，更像是一种奇特的共存：老项目没人愿意扔掉继续跑着，新项目也在同步推进。

国内一旦有更好的技术栈，几乎是集体切换，很少有人守着十年前的方案不动。

一个被放弃的项目：产品能力的天花板长什么样

启源在字节时有个想法：做一个 AI 生成动漫短剧的工具。

最初是从个人爱好出发，他喜欢看漫画，想让 AI 根据自己喜欢的小说自动生成漫画。

想法一步步膨胀：有了漫画，为什么不做视频？需求越加越多，最后超出了他对产品的掌控能力。

背后有两层原因，值得拆开看。

第一层是精力问题。

这半年 AI 视频赛道太卷，新工具几乎每天都在冒出来，注意力很容易被带走，很难专注做好最初想做的那件事。

这个困境不是新鲜事，《人月神话》上世纪八九十年代就写过：想做一个大而全的工具，往往越做越难完成。

放到 AI 时代，同样的剧本又演了一遍。

第二层更本质：他和合伙人都不是这个赛道最痛的那个人。

启源的初心是想看自己喜欢的动漫内容，但 AI 漫、AI 剧的产能已经很大，脑洞也够多，他更多是消费者心态而非创作者心态，做出来的东西自己都过不了自己那关。

他提到一本书《Rework》（中文叫《重来》），里面有个观点叫先自挠其痒：做事情要先能挠到自己身上真实存在的痒处，解决自己的问题，再考虑做大做强。

与其想象一个"别人可能会怎么用"的完美产品，不如聚焦眼前能立刻解决的小工具。

一年时间，人机分工比例是怎么反转的

问起过去一年常用工具的变化，启源给出一条清晰时间线：

一年前主力 ChatGPT 和 Cursor，人机比例大概是人 60% 机器 40%，AI 写完代码人要认真 Review 一遍才决定要不要用。

半年前更多用 Claude Claude，比例反转到人 40% 机器 60%。

近三个月，基本是机器 99% 人 1%。

最近一个月，量大管饱的 GLM 5.2（Z Code）也进了常用工具列表，主要处理相对简单的任务，省着主力工具的额度。

留下的 1% 到底是什么？架构设计、Debug 思路，还有最关键的一点：产品方向的把控。

他举了个具体例子。

他最近在研究 C.elegans（秀丽隐杆线虫）的神经网络模拟项目，这是脑神经科学领域很早就有的研究，科学家分析过这种小蠕虫全部的神经连接图谱（connectome）。

启源想在计算机里训练出这种虫子的趋光性，让 AI 搭建框架的时候，AI 为了用最小成本完成任务，倾向于直接跳过神经元之间端到端的物理模拟，给出一个数学近似结果。

但这不是启源想要的，他想探索的正是神经突触之间具体是怎么连接的。

这时候人的作用，就是不停地把 AI 拉回正确的方向。

这里有个洞察：人和 AI 都有用最小成本完成任务的本能，区别在于人有目标，而 AI 不知道你脑子里那部分没说出口的上下文。

这 1% 的价值，正是替 AI 补上这块认知空白。

至于 小龙虾、Hermes这类产品，启源用得不多，他把它定位成个人助手而非 Coding 工具，适合处理规律性的日常事务，而他的大部分工作都是和代码打交道，Claude Code 和 Codex 基本能覆盖 90% 以上的需求。

从 Chat Coding 到 Loop Engineering，本质是什么在增强

Vibe coding、spec coding、harness、loop engineering，AI领域新词太多，很容易让人头晕。

启源给了个简洁框架：

背后是两条曲线同时在涨：模型能力在增强，人对 AI 协作的工程认知也在增强。

具体演化路径：

• Chat Coding：人和 AI 对话，AI 给代码片段，人手动粘贴进项目里，只能做没界面的小脚本，比如一键清理桌面

• Vibe Coding：AI 能生成完整界面，但没什么美感，人还得懂前后端怎么连接

• Spec Coding：把想法写成足够清晰的文档交给 AI，能实现六七成，效果完全取决于 spec 写得好不好

• Harness：几句话就能做出一个 MVP，界面美感也在线，不再依赖详细 spec，靠给 AI 足够的上下文和脚手架去做长程探索

• Loop Engineering：本质上是 Harness 的一部分，更强调对目标的持续追寻，保证长程任务不跑偏

启源直言，Loop Engineering 这个词最近比较火，但本质上还是 Harness 的一部分，强调的是循环加目标校验这个具体技巧，没有新的范式。

未来会怎样？

如果这个理念继续演化，人可能只需要提出问题和边界条件，AI 就能给出经过深思熟虑的探索结果，不需要人补充太多隐性上下文。

这基本上就是 vibe coding 理念走到尽头的样子，某种意义上的人机共生。

什么是好的 Harness，以及 AgentOS 的未来

启源对好 Harness 的定义很朴素：用尽可能少的 token，尽可能高的利用率，达到模型能力的上限，而不是拖累它。

他举了个反例，某些小龙虾类 Agent 产品消耗的 token 特别多，说明对 token 的有效利用率不高。

再往下看，Harness 会怎么演化成 AgentOS？

启源的类比很有意思：大模型从诞生第一天起，工作方式就很像一台操作系统。

上下文窗口对应 CPU 能处理的数据量，模型推理对应计算过程，记忆系统对应存储系统。

所谓 AgentOS，不是要吃掉 Harness，而是 Harness 这条演化路径走到极致的样子，上下文管理和操作系统管理虚拟内存，底层逻辑是相通的。

实战工作流：两个官方工具互相 Review

启源目前主力两个工具是 Claude Code 和 Codex：

长程、探索性任务用 Codex，日常短平快任务用 Claude Code。

原因是 Claude Code 在复杂长程任务里容易取巧，还会过度自信。

他举了个具体例子：做反汇编还原二进制代码这类硬骨头任务时，Claude Code 经常会说"这个做不了，那个符号找不到，我们换个方法吧"，而 Codex 会像老黄牛一样一点点尝试各种办法往下啃。

但对于日常写个 feature 这种短平快任务，Claude Code 的执行力反而更好。

另一位嘉宾向阳乔木补充了他观察到的 Codex 的问题：

写长篇小说这种长上下文任务时，Codex 会明显偷懒；做表单卡片类内容多的任务，会填充一些看起来完整但实际空洞无意义的内容。

这也是为什么多模型互相监督、互相迭代改进很有必要。

具体工作流举例：做编译器项目时，用 Claude Code 写代码、聊设计，同时让 Codex 去 review 结果、补单元测试，两边互相校验。

向阳乔木补充了一个特别实用的建议：买一个 VPS 和一个域名，自己搭一套 Harness 框架。

域名绑定 Cloudflare 后有域名管理 API，可以让 AI 自动完成域名解析配置。

另外 VPS 本身是 Linux 服务器，天然支持 AI 最熟悉的命令行操作，支持 SSH 登录后做大量部署工作。

以前觉得自己不懂运维就没法独立部署网站，现在这套流程可以完全交给 AI 来做。

成本也不高，域名和 VPS 加起来一年也没多少钱。

现场还演示了实际效果：一句话让 AI 在半小时内生成一个 Skill 推荐网站，27 分钟做出一个播客索引网站。

整个流程就是告诉 AI 要做什么网站、用什么域名、抓取哪些数据源、用什么方式部署，剩下的全部交给 AI 完成。

关于工具互调：Codex 可以调用 Claude Code，官方双方都做了插件支持，如果不会配置，直接让 AI 帮你写一个 MCP 来实现调用也完全可行，不局限于这两个工具，GLM 等其他模型同样可以这样接入。

学习方法论：深度靠品味，广度靠不脱离人民群众

启源的学习心法分两部分。

深度上，要培养对知识的判断品味。

很多领域你没跨过门槛就觉得枯燥无聊，其实是没找到正确的入口，好的文章和作者能帮你跨过那道门槛。

有了这个 Sense（感觉） 之后，刷社交媒体、看文章都会带着自己的筛选标准去看。

广度上，不能脱离人民群众太远。

程序员这个群体接触的社会面天然比较窄。

AI 出现之前，他会专门注册不同的社交账号，给自己设定人设，比如外卖小哥、中年大叔、宝妈，定向点赞相应内容，训练推荐算法的偏好，借此看到更完整的社会图景。

AI 时代最大的变化是：以前很多想了很久也没结论的问题，现在能快速和 AI 讨论出结果，省下大量时间。

他举了两个生活化的例子：

• 一个是研究了很久的 C.elegans 神经网络课题，现在可以直接和 AI 一起推进

• 另一个是女朋友想吃咖喱，以前要自己搜索不同流派咖喱的成分比例，现在跟 AI 聊几句就能梳理清楚。

向阳乔木补充了一个获取一手信息的方法论，来自万维纲和好友祥叔：

• 创作消费比：一本书作者花一两年写出来，读者几天看完，这个信息密度值得优先利用。论文也是同理，别人做了大量实验，你半小时能 get 到核心要点

• 看聪明人周末在研究什么：Anthropic 这类公司的员工会把自己的工程实践写成文章分享出来，认真看这些内容，能比业界早一年理解到 MCP、Skills 这些概念是怎么诞生的

• 找专家深度交流：没有直接渠道的话，优质播客是不错的替代品，国内推荐42章经、张小珺这类节目。

直播里还提到一个观众提的问题：他有位博导朋友说，AI 不用学，直接对话就行了。

启源和向阳乔木的回应很实在：如果你自己本身有立场、有审美判断力、有质疑能力，确实可以直接对话解决问题。但如果这个根基不够扎实，学一下 prompt 和基础的 AI 原理，能让你更快建立起对 AI 能力边界的认知。

这不是学不学的问题，是有没有判断力打底的问题。

向阳乔木还提到自己去年花了大量时间研究 prompt，直到现在写 skill 都很受益，因为 skill 很多时候就是 prompt 加工程组合加脚本，三者缺一不可。

非工程师玩 vibe coding，最容易漏掉什么

有观众问：普通人觉得自己能 vibe coding 了，真正上线一个产品最容易被忽视的是什么？

启源的答案落在工程能力上，具体说是二八定律：20% 的代码完成 80% 的核心需求，剩下 80% 的代码在处理你平时看不见的部分，比如用户登录态的 Cookie 管理、数据校验、并发处理、财务相关的稳定性。

一个网站要能注册用户，插一条数据库记录可能不到 30 行代码。

但围绕用户登录态展开的一整套逻辑，才是真正的工程量所在。

这些东西自己用没问题，一旦要给陌生人用，就是能不能真正上线的分水岭。

普通人最大的限制，是不知道自己不知道什么。

好消息是不知道不代表学不会，遇到问题随时可以问 AI，让 AI 告诉你该补哪块知识，这个学习成本已经被大幅拉低了。

反过来，给非工程师的建议是：把自己的 Domain knowledge（专业知识） 发挥到最大。

启源举了个例子，一位摄影师用 Vibe coding 做了个胶片自动去色罩的工具，这种细分需求恰恰是程序员想不到的，因为色罩这个概念只有真正玩胶片的人才懂。

这就是非工程师相对于工程师的优势所在，你的专业背景和生活经验才是最值钱的部分。

有观众提到现在很多低代码平台（比如秒哒）已经把登录、收费系统这些工程细节都包好了，是不是就不用学工程能力了？

启源的回答很中肯：如果平台能力覆盖你的需求，那当然是最好的选择，不需要重复造轮子。

但边界在于，一旦你的项目复杂到平台脚手架搞不定，还是要回到工程能力这个底层问题上来。

软件公司会崩吗：答案藏在"社会必要劳动时间"里

传统按 License 收费的 SaaS 公司，启源认为大概率会崩溃，理由：开源复制的速度太快了。

他举了个真实例子，一个叫 Vibe Island 的效率小工具本来卖 60 块钱，没过多久市面上就出现了免费开源版本。

但软件行业本身不会消失，因为定价的本质不是需求本身，而是社会必要劳动时间。

哪怕现在有 AI 辅助，如果做出一个东西依然需要三个月到半年的持续投入，或者烧 token 的成本本身就不低，这个产品依然有付费价值，因为大部分人没时间也没意愿自己复现这个成本。

开源本身只是商业模式的一种，不是目的本身。

启源举了个具体例子：终端工具 cmux，基础功能全部开源免费，但手机远程控制这个进阶功能需要按月订阅付费。

类似的还有 Linux 系统本身免费，但企业要买 Red Hat 或 Ubuntu 的服务支持才能获得靠谱的售后。

这种"基础免费加增值收费"或者"基础免费加维护服务收费"的模式，在软件领域相当常见。

AI 对话怎么整理，有没有必要

日常和 AI 聊出来的洞察太多，怎么归纳？

多个嘉宾态度很一致：没必要事无巨细地整理。

启源的解释是，AI 对话整理本质上是一个信息压缩的过程，而目前最好的压缩工具就是人脑，真正重要的知识你会反复搜索反复回看，自然就留在脑子里了，日常对话大部分价值没那么高，不值得费心去记。

向阳乔木提到一个更具体的做法，来自一位朋友 TW93：让 Codex 定期整理自己最近几周的对话记录，提炼出自己的偏好，固化进 skill 库里。

比如你多次提到不喜欢某种配色，这些其实是你自己的隐性经验，值得让 AI 提炼出来变成长期记忆，而不是当成普通对话一划而过。

主持人元子分享了自己更系统的做法：用 Gemini 处理长会议内容，配置好模板化的提示词一键插入，聊完后用另一个工具把内容拆成 Markdown 卡片导入 Obsidian，方便后续检索。

她还特别提到只导出自己提出的问题，不关心 AI 回答了什么，因为复盘的核心是搞清楚自己到底在问什么。

她甚至把每天的时间日志、情绪状态都记录下来喂给 AI，让 AI 持续做自我画像更新。

核心逻辑是：人的记忆会骗人，只有用客观事实做迭代依据才靠谱，这个方法论她把它用到了时间管理等各个方面。

怎么开发一个 Skill，别只讲理念

有观众提了个具体问题：只看方法论文章，还是不知道该怎么下手写 Skill。

向阳乔木分享了自己的真实心路历程：官方文档一开始看着挺复杂，要写 Markdown 文档，还要描述执行细节和脚本，后来发现官方有个 Skill Creator 工具能帮你创建。

但用多了会发现官方工具不够完善，所以他和姚老师各自写了自己的 Skill Creator，加上了稳定触发的判断、约束条件校验这些细节，并且都开源在 GitHub 上。

具体流程是：先用自己的元 Skill（Skill Creator）去创作新 Skill，再用一个专门写好的分享 Skill 去发布 Skill。

但 Skill 只是第一步，因为大部分内容是 AI 写的，还要不断实测、发现执行问题、让 AI 自己反思迭代。

他还分享了一个测评方法：为了对比不同前端设计 Skill 的效果，他让 AI 抓取全网最火的前端设计 Skill，用多个任务用 Subagent 分别跑一遍，把不用 Skill、用官方 Skill、用 Taste skill、用 impeccable skill 的结果放在一起对比，挑一个或多个最满意的 Skill 作为迭代起点，开发自己的 Skill。

有观众进一步追问：本地 Skill 在 Codex 里跑得很好，但迁移到公司内部或者线上平台给别人用时，思维方式和执行结果都变得不太一样，该怎么办？

向阳乔木的回答：这是因为线上环境的模型、系统提示词、已安装的工具都跟本地不一样，结果自然会有差异，这属于目前行业基建还没跟上的问题，腾讯、字节等大厂都在做 Agent 托管基建方案。

几个容易被忽略的实用细节

直播里还聊到几个具体但很实用的信息：

关于注册域名：如果面向国内用户开发的网站，不建议选 .ai 后缀，国内目前不支持 .ai 域名备案（除了智谱等），买.com就行。

备案流程现在已经比较方便，可以远程办理，一周左右就能搞定，此后长期稳定可用。

微信里分享自己做的网站，只要单日访问量不超过 20 万，正规备案过的网站是不会被限制的。

关于 Codex 的数据会不会丢：

有观众担心把 Codex 里的项目搬到别的平台是不是杞人忧天。

启源的回答很干脆：Codex 的绝大部分对话 session 都存在本地，不用太担心。

但如果是 ChatGPT 网页端的对话，因为没有类似的本地保存机制，最好养成习惯定期用导出功能把有价值的内容存下来。另外元子提到，她朋友做过一个小工具，能一键导出本地 Codex、Claude Code 等各种 Vibe Coding 工具的历史 session，感兴趣的话可以找一下。

关于 ADHD 和信息过载：

启源引用了一句"Attention is all you need"，注意力本质上就是每个人的货币。

他的建议是把时间硬性划分开，工作时间就专心跟 AI 处理工作内容，不要工作聊一会儿又切到生活话题。

如果实在做不到硬性划分，退而求其次的办法是先记录下自己实际的状态，过几天回头看这些记录，问题往往自己就浮现出来了。

向阳乔木现场还演示自己开发的 AI 资讯工具，一个收录了 46 个海外 newsletter 的 RSS 阅读器，每篇文章都能一键用 DeepSeek 翻译成中文，读到有价值的链接还能直接收录到站内。

https://rss.qiaomu.ai/

更多工具在

https://www.qiaomu.ai/

关于工程能力的入门书籍：

与其啃传统的设计模式这类偏抽象的教材，元子推荐了三本更基础也更好读的书：《程序是怎么跑起来的》《Linux 是怎样工作的》《计算机是如何工作的》，都是日本工程师写的科普向读物，读起来像故事书，对理解 AI 编程能帮你做到什么很有帮助。

启源的观点更直接：带着具体项目问题去学，永远比抽象地啃书更快，遇到问题直接问 AI 解决就是最快的路径。

写在最后

十年前，一个不起眼的小客户在微软的机器学习平台上跑出了 GPT-3，当时没人觉得这东西有什么用。

提醒我们：技术的拐点往往发生在没人当回事的时候，而真正决定你能不能踩上这个点的，从来不是工具本身，是你有没有那个判断力和好奇心，愿意多看一眼。

架构设计留给人，debug 思路留给人，产品的本心和边界留给人，学习路径的取舍也留给人。

工具在替你写代码、替你部署网站、替你填表格，但不会替你决定要不要做这件事，更不会替你守住做这件事最初的理由。

如果你正打算开始一个独立项目，不妨先问自己启源那句反问：这个产品是不是解决了你自己身上最痛的那个点。

想清楚这一点，再决定要不要注册域名、搭 Harness、开始 Vibe coding。

产品经理讲需求，创业者讲愿景，销售讲客户案例，管理者讲变革，研究者讲发现，普通人讲自我介绍。

大家都在用故事解决同一个问题：

如何把一个人、一个变化、一组证据和一个意义，组织成别人愿意听、听得懂、记得住、愿意转述、甚至愿意行动的表达。

本文若只能记住一句话，那便是：好故事不是"发生了什么"，而是"谁在乎什么、遇到什么阻碍、做了什么选择、付出什么代价、因此发生什么改变、这个改变对听众意味着什么"。

序章：为什么故事能穿越时间

在人类还没有文字时，故事就已存在。

在西班牙阿尔塔米拉、法国拉斯科的洞穴里，考古学家发现了上万年前的壁画。

奔跑的野牛、被长矛击中的鹿，一群人围着火堆，把白天狩猎的惊险、恐惧与胜利，重新讲了一遍。

人类学家有一个观察：在所有已知的人类社会中，没有一个是不讲故事的。

可以没有轮子，没有金属，甚至没有文字，但没有一个部落不讲故事。

神经科学给出了解释。

当人听到枯燥事实时，大脑只有语言区被激活。

而当人听到有画面、有动作、有情绪的故事时，运动皮层、感觉皮层、情绪中枢会同时被点亮，听众几乎在"亲历"这件事。

普林斯顿大学的乌里·哈森曾用功能性磁共振观察过：

一个人讲故事、另一个人听故事。

发现听者脑活动会逐渐"同步"到讲者的脑活动，他称之为"神经耦合"。

这就是故事最古老也最强大的能力：它能让两个大脑，短暂地变成一个大脑。

数据让人知道，故事让人相信。数据抵达大脑，故事抵达心脏。

在正式进入方法之前，先回答三个几乎每个人都会有的心结。

心结一：我天生不会讲故事

"我是理工科的" "我嘴笨" "我一紧张就忘词"。

但你回想下：昨天下班，你是不是跟家人吐槽了单位那个奇葩同事？上周，你是不是绘声绘色地给朋友讲了一部电影？追剧时，你是不是能记住二十集前埋下的一个伏笔？

你天生就会讲故事，也天生就爱听故事。

你只是在"正式场合"把这个能力关掉了。

因为你以为汇报、演讲、融资要"专业"，而"专业"在你脑子里等于"数据加术语加严肃"。

于是你把那个吃饭时活灵活现的自己，换成了一个念 PPT 的机器人。

你不是不会讲，你是被"专业"两个字骗了。

讲故事不是天赋，是人类的默认设置。这本手册要做的，不是教你一项新技能，而是帮你把那个本来就会的能力，搬回到工作和正式场合里。

心结二：我的工作太无聊，没故事可讲

会计、程序员、运维、后台，这些岗位最容易觉得自己"没素材"。

恰恰相反。

故事不藏在"惊天动地的大事"里，它藏在"一个具体的人，在一个具体的时刻，遇到了一个具体的麻烦"里。

一个做对账的会计，最无聊的工作里也有故事：那笔对错了行、赔出去十二万的退款，老板震怒的那个下午。

一个写后台的程序员，也有故事：那个凌晨三点被电话叫醒、盯着报错日志、手心冒汗的除夕夜。

没有无聊的工作，只有没被看见的瞬间。

你缺的是"看见素材的眼睛"。

心结三：讲故事是不是一种操纵，很油腻

很多真诚的人抗拒讲故事，觉得那是骗子、微商、割韭菜的人才干的事。

洁癖值得尊重，背后是对"真"的珍视。

但要分清：故事是一把刀，刀本身不分善恶，分善恶的是握刀的人。

同一种叙事能力，马丁·路德·金用它凝聚了一场追求平等的运动，宣传机器也用它煽动过仇恨。

故事之所以危险，正是因为它有力量。

而一个真诚的人放弃这种力量，等于把话筒让给了不真诚的人。

区别不在"讲不讲故事"，而在"你讲的是不是真的，你想带人去的地方是不是好的"。

这文第七章会专门谈伦理底线。

学会讲故事，不是学会忽悠，而是学会让真相变得动人。

第 1 章：故事的最小单元

故事的最小单元不是"开头、中间、结尾"，也不是"起承转合"，这都是外形。

更底层的结构是：一个主体在一个具体处境中想要某个结果，遇到阻碍，不得不做选择，选择带来代价或后果，主体因此发生认知、关系、身份或命运上的变化，最后这个变化被赋予意义。

• 没有主体，听众不知道该跟随谁

• 没有欲望，事件没有方向

• 没有阻碍，表达只是流水账

• 没有选择，人物没有能动性

• 没有代价，故事没有重量

• 没有变化，结尾就没有余韵

• 没有意义，听众不知道为什么要记住

亚里士多德把情节视为行动的组织，这点对今天仍然重要。

很多人以为讲故事是"把事情讲得生动"，于是大量增加形容词、背景、笑话和细节。

但真正让故事成立的不是细节多少，而是事件之间是否有因果压力。

甲发生了，所以乙不得不发生；乙发生了，所以丙的选择变得困难；丙的选择产生新的后果；后果迫使人物面对一个价值判断。

好故事里，每一段都像齿轮一样咬合。

坏故事里，每一段都像清单一样并列。

海明威的六个词

据传海明威曾用六个英文单词写下一个完整的故事：

"For sale: baby shoes, never worn."（出售：婴儿鞋，全新未穿。）

没有一个形容悲伤的词，却让每个读者的心都沉了一下。

拆解它为何成立：主体是一对父母（隐藏，但呼之欲出）；欲望是他们曾期待一个孩子；代价是"never worn"，孩子没能到来；变化是从期待到失去；而意义，由读者自己补完。

这告诉我们一个真相：故事的力量不在于说了多少，而在于留了多少空间让听众自己走进来。

一个产品经理的日常故事

对比两种讲法。

平铺版："我们发现支付成功率偏低，做了优化，成功率提升了。"

成立版："一位大姐在收银台前，手机屏幕转了整整十秒还在'处理中'。她后面排了五个人，她的脸开始发红，最后她说了句'算了，我付现金'，就走了。那一单只有 38 元，但那天有 2,000 多个'那一单'消失在同一个转圈动画里。我们查了日志，发现问题不在支付通道，而在于我们没有告诉用户'正在做什么'。于是我们做的第一件事不是提速，而是在等待时显示'正在向银行确认，请勿关闭'。成功率没变，但放弃率降了一半。"

后一个版本里，齿轮全都在：主体（大姐）、欲望（快速付款）、阻碍（转圈）、代价（尴尬、丢单）、选择（改文案而非提速）、变化（放弃率减半）、意义（用户放弃的不是慢，而是"不知道发生了什么"）。

故事、观点与例子的区别

故事与观点的关系可以这样理解：观点回答"你要我相信什么"，故事回答"我为什么应该在乎"。 观点往往抽象，故事把抽象放进人的处境。

故事最容易被误用的地方，是把"例子"误认为"故事"。例子只说明一个概念，故事让人经历一次变化。例子可以是"有个用户打不开网页"；故事则需要说明"这个用户为什么必须在那一刻打开这个页面，打不开会损失什么，他尝试了什么，最后我们从中发现了什么"。

当例子没有时间线、没有障碍、没有选择，它只是一条证据。当证据进入人物处境并形成变化，它才开始成为故事。

第 2 章：听众、目的与场景

讲故事之前先问三组问题。

第一组是听众：他们是谁，他们已经相信什么，他们害怕什么，他们正在被什么指标、身份或利益牵引。

第二组是目的：你希望他们听完之后理解、相信、记住、讨论、支持、购买、转变还是行动。

第三组是场景：这是一分钟电梯沟通、十分钟汇报、半小时培训、深度文章、短视频，还是一对一谈话。不同场景决定故事的长度、证据密度、情绪强度和结构显隐程度。

许多故事失败不是因为素材差，而是因为讲述者把自己当主角，把听众当观众。

商业演讲尤其常见：开头讲公司历史，中段讲团队多厉害，结尾讲产品多先进，听众却始终不知道自己为什么要改变。

Nancy Duarte（南希·杜阿尔特）的演讲方法强调"听众是英雄"，讲述者更像导师：指出现状、展示可能性、提供路径、降低风险、召唤行动。这不是谦虚姿态，而是一种结构纪律：你要让听众在故事里看到自己将要完成的变化。

经典案例：乔布斯如何"为听众设计"

2007 年，乔布斯发布第一代 iPhone。他没有一上来讲芯片、讲参数，而是说："今天，我们要发布三款革命性的产品。一个是宽屏 iPod；一个是革命性的手机；一个是突破性的上网设备。"

他把这句话重复了三遍，观众开始鼓掌欢呼，以为要发布三个东西。然后他停顿，说："这不是三个独立的设备，这是一个设备。我们叫它，iPhone。"

这就是"为听众设计"的教科书。他没有先讲"我们造了什么"，而是先激活听众已有的世界模型（iPod、手机、上网设备是三样东西），再用一句话打破它。他知道听众此刻脑子里装着什么，然后精准地重构了它。

乔布斯真正封神的那一篇：三个故事的力量

如果说 iPhone 发布会是产品演示的巅峰，那么 2005 年乔布斯在斯坦福的毕业演讲，就是个人叙事的巅峰。它值得每个人拆开来学，因为它几乎用尽了这本手册要讲的所有原理。

他一开场就说了一句极其聪明的话："今天，我只想给你们讲三个故事。没别的，就三个故事。"

这一句为什么高明？因为它替听众卸下了负担。听众最怕的是"接下来我要消化一大堆道理"，而"就三个故事"这句话，等于告诉他们："放松，你只需要听三个故事，很轻松。" 这是所有开场里最值得偷学的一招：先降低听众的心理防御，再开始。

第一个故事关于"点与点的连接"。他讲自己大学退学，却因此跑去旁听了一门书法课，当时觉得毫无用处。十年后，当他设计第一台 Mac 时，那门书法课的排版美学全用上了。他的结论是一句判断，不是鸡汤："你无法预先把点连起来，只有回头看时才能。所以你要相信，那些点会在未来某一天连接。"

第二个故事关于"爱与失去"。他讲自己被自己创立的苹果公司解雇，那是他人生最灰暗的时刻。但正是这场失败，让他放下包袱，进入了一生中最有创造力的阶段，创立了 Pixar，收获了爱情。他的判断是："被苹果解雇，是发生在我身上最好的事。"

第三个故事关于"死亡"。他刚被诊断出胰腺癌（后来证实是可治的）。他讲了自己面对死亡时的顿悟："记住你即将死去，是我知道的、避免'患得患失'这个陷阱的最好办法。" 结尾那句"Stay hungry, stay foolish"（求知若渴，虚心若愚），成了一代人的座右铭。

拆解这篇演讲，你会发现它同时用了本手册的多个核心武器：三幕式的清晰结构（三个故事）；每个故事都有真实的失败与代价（退学、被解雇、患癌）；每个故事都不停在"发生了什么"，而是落到一个可带走的判断；讲述者是主角，但"我"服务于一个更大的、听众能用的道理，而不是自我炫耀。

一个身价亿万的人，站在名校讲台上，本可以讲他多成功。但他讲的全是失败：退学、被开除、面对死亡。这正是最反直觉、也最动人的地方，我们后面会反复回到这一点：没有人相信一条一帆风顺的直线，让人信服的，恰恰是你如何走过弯路。

同一个故事，五种入口

"为听众设计"不等于讨好听众。它意味着你必须准确识别听众当前的世界模型。故事核心可以相同，但入口必须不同。入口错了，后面的结构再好也进入不了听众的大脑。

核心相同，入口不同。这不是圆滑，这是尊重。

两个实用工具：前后地图与听众的一天

最实用的听众分析法是"前后地图（Before/After）"。在讲述前，写下听众现在的状态：他们知道什么、不知道什么、相信什么、抵触什么、最担心什么、最想得到什么。再写下你希望他们听完后的状态：知道一个关键事实，承认一个问题存在，愿意试用一种方案，同意一个优先级，记住一句核心判断。

故事就是从前状态到后状态的桥。桥太长会拖沓，桥太短会跳跃，桥的材料必须由听众已经能接受的事实、价值和经验组成。

更立体的工具是"听众的一天"。不要只问"听众相信什么"，而要具体想象：你的听众今天几点起床？开会前刚被什么事搞得心烦？他打开你的邮件时，脑子里最想赶紧处理掉的是哪三件事？他最怕在同事面前显得什么样？

当你能想象出这个画面，你的开场白就会自动改变。面对一位忙到没时间的高管，最好的开场不是"让我从背景说起"，而是："这件事只需要您 3 分钟。结论先说：如果我们下周不改这个默认设置，Q3 会多流失约 800 万。原因有三个，我一个一个说。"

第 3 章：冲突、利害关系与因果链

冲突不是吵架，也不是负面情绪。冲突是"想要"与"阻碍"的相遇。

• 一个人想按时完成报销，但系统让他失败

• 一个团队想提升转化率，但用户不信任注册流程

• 一个科学家想解释模型，但公众被术语挡住

• 一个管理者想推动变革，但员工害怕失去安全感

没有冲突，故事没有方向。冲突太假，故事没有可信度。冲突太散，故事没有焦点。

冲突的四种类型

为了让你更好地识别和设计冲突，这里补充经典的四种冲突类型：

• 人对环境：用户想买票，但系统在高峰期崩溃

• 人对他人：产品经理想推需求，但研发说排期排不进

• 人对自我：创始人想融资扩张，但内心害怕失去控制权

• 人对时间或规则：团队想按时上线，但合规审查卡了两周

大多数平淡的商业故事，只用了第一种。而最动人的故事，往往藏着第三种（人对自我），因为听众最容易在"内心的挣扎"里看见自己。乔布斯斯坦福演讲里最打动人的，不是他被苹果开除这件事本身，而是他面对失败时内心的崩塌与重建。

利害关系：把普通动作变成不得不做的动作

讲故事时，美国著名的非营利故事讲述组织 The Moth 特别看重"利害关系"（stakes）：你会得到什么、失去什么，这件事为什么重要。

很多人说"我做了个项目"，可听众听不到利害：失败会怎样，成功会怎样，人物为什么非在乎不可。

产品故事也是如此。别只说"我们优化了注册流程"，要说："每一百个新用户里，有四十三个在短信验证码这一步流失，其中一半人是第一次接触我们品牌。如果这里建立不起信任，后面花钱买来的流量就白费了。"

"But / Therefore" 是好故事的引擎

因果链是故事的骨架。《南方公园》的创作者特雷·帕克（Trey Parker）说过一句被无数编剧奉为圭臬的话：

当你写剧本时，如果每个场景之间连接的词是"然后"（and then），那你完蛋了。这些词应该是"但是"（but）或"因此"（therefore）。

最常见的坏结构是"然后、然后、然后"：我们调研了用户，然后做了原型，然后上线了，然后数据变好了。

更有力的结构是"因为、所以、但是、因此"：我们以为用户嫌注册麻烦，因此想砍掉一个步骤；但是访谈发现，用户其实不嫌步骤多，而是不知道填手机号会不会被骚扰；因此我们没删步骤，而是加了一句"仅用于登录，绝不外发"；但是上线后转化只涨了一点点；因此我们又在按钮下加了"已有 300 万人安全使用"，转化才真正起来。

"然后"版让你觉得一切理所当然；"但是/因此"版让你看见每一次判断都可能出错，每一次修正都有代价。这才是真实的、有重量的故事。

冲突需要大小合适

一分钟故事只能承载一个冲突，十分钟汇报可以承载一条主冲突和两到三个子冲突，长篇文章可以承载冲突系统。

新手常犯两种错：一种是冲突太小，听众觉得不值得听；另一种是冲突太大，讲述者没有能力解决。

好的做法是把大冲突落到一个可观察的瞬间。大问题要通过小场景进入。

记住：听众无法"想象"一个抽象名词，但他们能瞬间"看见"一个具体画面。

第 4 章：人物、欲望、选择与变化

人物不是简历，也不是标签。人物是欲望、压力和选择的集合。

一个"年轻妈妈"不是人物，一个"凌晨一点还在尝试给孩子预约疫苗、同时担心单位考勤的新手妈妈"才开始成为人物。一个"中小商家"不是人物，一个"刚把直播间投流预算提高一倍、却发现退货率吞掉利润的服装店主"才开始有故事。

人物越具体，听众越能产生想象；人物越抽象，听众越只能进行概念处理。

塑造人物的"三个具体"清单

想快速把一个标签变成人物，问自己三个问题：

• 一个具体的时间：不是"经常加班"，而是"上周三凌晨一点"

• 一个具体的动作：不是"很焦虑"，而是"反复刷新那个页面刷了七次"

• 一个具体的在乎：不是"想解决问题"，而是"怕在老板面前丢人"

三个具体一填，人物就活了。

让客户成为主角，而不是道具

好人物必须有能动性。能动性不等于成功，而是人物会做选择。

很多商业案例把客户写成被动接受方案的人：客户有痛点，我们提供解决方案，客户很满意。这样的故事听起来像广告。这里给一个把客户写成真人的完整范例：

老陈开了家做外贸的小厂，做了十五年灯具。疫情后订单断崖，他试过在阿里国际站砸钱投广告，钱花了，询盘寥寥。他不是不努力，他 55 岁了，为了学做独立站，跟着 B 站教程熬了两个通宵，中途气得摔了鼠标。他最怕的不是没订单，是"儿子觉得老爸跟不上时代了"。

他一开始不信我们。第一次通话他就问："你们是不是又要收我一笔智商税？"我们没急着卖，而是让他先免费上了三个产品。两周后，来了一个德国客户的询盘。老陈打电话来，声音有点抖，说："这是我半年来第一个真订单。"

在这个故事里，老陈不是"中小商家"这个标签，他有年龄、有具体的挣扎、有真正在乎的东西、有能动性、有变化。这才叫人物。

变化是故事的灵魂

变化可以是外部状态：收入从下降到恢复，效率从低到高，关系从紧张到协同。也可以是内部认知：

• 从以为用户懒，到意识到流程设计让用户无法判断

• 从以为数据只要完整，到意识到没有叙事顺序的数据无法推动决策

• 从以为管理靠命令，到意识到变革需要让每个人看见自己的角色

外部变化提供结果，内部变化提供意义。 两者结合，故事才既有可信度又有余韵。

讲述者作为人物：如何把握"我"的分寸

讲述者也可以是人物，但要控制自我中心。个人故事中，"我"出现是必要的，因为听众需要知道经历者如何变化。商业汇报中，"我"出现要服务于决策过程，而不是自我表彰。

这里给一个"承认错误"的公式，它几乎在任何汇报里都能提升可信度：

"我们一开始判断是【错误判断】，因此做了【错误动作】；但是【某个事实】证明我们错了；因此我们调整为【新动作】，这才有了【结果】。"

为什么承认错误反而增加说服力？回想乔布斯在斯坦福讲的全是失败。因为没有人相信一条一帆风顺的直线。当你展示"认知是怎么迭代的"，听众才会相信你的结论是想清楚的，而不是运气好。真诚地暴露自己的弯路，是最高级的可信度。

第 5 章：结构工具箱

结构不是模板，而是注意力管理。

听众的注意力会不断问：我在哪里，为什么要听，接下来会怎样，这与我有什么关系，我该相信吗，我要做什么。结构的任务就是持续回答这些问题。

没有结构，故事容易变成记忆的泥潭；结构过于显眼，故事会像公式填空。高手使用结构，但不让结构压倒人物、场景和真实感。

三幕结构（适合中长故事）

• 第一幕建立常态、人物欲望和触发事件

• 第二幕呈现尝试、阻碍、升级和错误判断

• 第三幕做出关键选择、承受后果、完成变化

皮克斯故事脊柱（适合从零搭建因果线）

从"从前"和"每天"建立常态，用"直到有一天"打破常态，用连续"因为如此"推进后果，用"直到最后"抵达结果。

用它讲一个产品故事：

从前，我们的用户每个月底都要手动核对上百笔订单。 每天，财务小姑娘要加班到九点，眼睛盯到发花，还是难免出错。 直到有一天，一笔 12 万的退款因为对错了行，赔给了客户，老板震怒。 因为如此，我们决定做自动对账； 因为如此，我们让系统每晚自动比对并标红异常； 直到最后，月底加班消失了，那个小姑娘上个月第一次准点下班去看了电影。

这个结构的魔力在于：它逼你说清因果，而不是罗列功能。

ABT 结构（适合科研、产品和短汇报）

ABT（And, But, Therefore）是科学传播者兰迪·奥尔森（Randy Olson）大力推广的结构：A and B 建立事实，but 引入矛盾，therefore 给出行动。

And（铺垫）：我们的用户量在增长，产品功能也越来越全， But（转折）：但是新用户的第七天留存却在持续下滑， Therefore（行动）：因此我们要把资源从"拉新"转向"新手引导"。

三句话，一个问题的全貌就清楚了。当你被要求"用一分钟说清楚"时，ABT 是你的救命稻草。

英雄旅程（适合成长、转型、身份变化，但要谨慎）

英雄旅程是约瑟夫·坎贝尔（Joseph Campbell）总结出的、几乎所有神话共享的深层结构：一个平凡人被召唤离开日常世界，遭遇考验与导师，经历生死般的至暗时刻，最终带着"赠礼"归来。乔布斯的斯坦福演讲，本质上就是三个微型英雄旅程。

但要谨慎使用。在企业内部，听众未必想听宏大英雄叙事，他们更想知道风险是否可控、路径是否可执行。

火花线（适合演讲和倡议）

Nancy Duarte 分析了历史上最伟大的演讲，发现它们都有一个共同结构：不断在"现状（what is）"和"可能（what could be）"之间来回摆动，最后落到一个"新常态"。

马丁·路德·金反复说："现在……但我梦想有一天……现在……但我梦想……"。这种来回摆动制造了巨大的张力，像一根不断被拉紧的弦，最后一起释放。

你在做变革动员时，就用这个节奏："今天我们的响应还要 3 天，想象一下如果是 3 分钟。今天客户投诉要转四个部门，想象一下一个人就能解决。"

用户旅程（适合产品叙事）

沿着用户完成目标的时间线，放入行动、想法、情绪和接触点。

数据故事（适合决策）

先给问题，再给关键指标，再给变化原因，再给行动选项和风险。

结构选择速查表

选择结构时不要问"哪个结构最好"，而要问"此刻听众需要哪种理解路径"。结构服务于场景，而不是场景迁就结构。

第 6 章：场景、细节与语言

场景是故事的摄像机。

抽象表达说"用户很焦虑"，场景表达说"他在地铁进站口停下脚步，因为页面要求上传身份证反面，但他的证件夹在背包最底层，后面的人已经开始催促"。

前一句让听众知道一个结论，后一句让听众看见一个处境。场景不是为了文学化，而是为了让听众把判断建立在可观察事实上。

海明威的"冰山原则"

海明威提出过著名的"冰山原则"：读者看到的只是水面上八分之一，但正因水下有八分之七，那露出的部分才有重量。

讲故事时也一样。你调研了 200 个用户，但你只讲那一个在收银台脸红的大姐。其他 199 个不是浪费，它们是水下的冰山，让你讲的那一个显得真实可信、有代表性。

选择能推动理解的细节

有效细节通常有四种：

• 一是压力细节，例如时间、金钱、身份、风险

• 二是动作细节，例如反复刷新、撤回消息、停顿、绕路

• 三是判断细节，例如人物为什么误解、为什么犹豫、为什么放弃

• 四是反差细节，例如一个看似小的按钮导致巨大的客服压力

无效细节通常只是装饰，让故事显得"很丰富"，却不改变听众理解。选择细节的黄金问题是：这个细节，能不能改变听众的判断？能，就留；不能，就删。

从"抽象"到"可重放"

语言上优先使用动词和名词，谨慎使用抽象形容词。故事语言的目标不是显得高级，而是让别人能够在脑中重放。

口语节奏：讲出来和读出来是两回事

现场讲述还需要声音。The Moth 强调故事是被讲出来的，不是被读出来的。书面语和口语是两种生物。

书面语："基于对用户行为数据的深入分析，我们识别出了转化漏斗中的关键流失节点。"

口语："我们扒了扒数据，发现问题就卡在一个地方，短信验证码。"

口语的三个原则：短句（一句话别超过一口气能说完的长度）、停顿（结论出现前停一下，让听众的耳朵竖起来）、重复（重要的话说三遍，乔布斯的"三款产品"就是这么用的）。

最简单的节奏原则是：信息密度高的地方句子短一点，情绪变化大的地方停顿多一点，结论出现前留出空间，行动号召不要拖泥带水。听众不是机器，他们需要消化。

第 7 章：情绪、意义与价值观

情绪不是煽情，情绪是价值受到威胁或被实现时产生的能量。

• 一个用户焦虑，是因为他在乎时间、钱或体面

• 一个团队愤怒，是因为他们觉得努力没有被看见

• 一个投资人兴奋，是因为他看到不确定性中的确定增长路径

• 一个听众被打动，是因为故事触碰了他自己的经验

要写情绪，先找价值。价值不清楚，情绪就会显得廉价。

情绪来自价值：一个诊断工具

当你觉得一个故事"没感觉"时，问自己："这个人此刻，什么东西正受到威胁？"

• 如果是"时间"，用户会焦躁

• 如果是"金钱"，用户会恐惧或愤怒

• 如果是"体面或面子"，用户会羞愧、想逃

• 如果是"努力被否定"，团队会委屈、愤怒

• 如果是"控制感"，高管会不安

找到那个"受威胁的价值"，情绪就有了根，而不是靠形容词硬撑。

叙事运输的双刃剑：讲述者的伦理责任

叙事运输研究解释了为什么沉浸式故事会影响信念与态度：当人进入故事世界，注意、想象和情感被组织在同一条线上，抵抗会降低，故事中的经验更容易被吸收。

这并不意味着故事天然正确。恰恰因为故事有影响力，讲述者更要负责。一个生动但误导的故事，比一组枯燥但准确的数据更危险。

历史上，故事既被用来团结人（马丁·路德·金），也被用来煽动仇恨。所以，回到我们开篇讨论的那个心结，故事到底油不油腻，答案在于你握着这把刀做什么。一个负责任的讲述者应遵守三条底线：

• 不虚构关键事实：可以剪裁、可以聚焦，但不能编造。你可以合并多个真实用户为一个典型，但要让听众知道这是"典型用户"而非"某个具体的人"。

• 不掩盖反例：如果数据有例外，诚实地说"多数情况如此，但有一类用户相反"。这不会削弱你，反而增加可信。

• 不用情绪逼迫决策：情绪是为了让人"看见"，不是为了让人"来不及想"。

好故事要同时追求可感、可证和可行动，三者缺一，都要警惕。 真诚的人不该放弃讲故事的能力，而应该成为那个用故事传递真相的人。

意义的落地：从"鸡汤"到"判断"

意义不是在结尾硬塞一句鸡汤，而是让事件指向一个判断。

鸡汤式意义（空）："只要坚持，就一定成功。"

判断式意义（实）："用户不是不愿授权，而是需要知道授权边界，所以我们以后所有权限请求，都必须先说'为什么要'和'能不能撤回'。"

判断式意义的特征是：它能变成一条可执行的原则，下一次遇到类似情况能直接用。这才是故事留给团队最宝贵的东西。

• 个人故事的意义可能是"我学会了先承认恐惧，才有能力请求帮助"

• 产品故事的意义可能是"用户不是不愿授权，而是需要知道授权边界"

• 数据故事的意义可能是"增长问题不在流量，而在第一步信任缺口"

• 组织故事的意义可能是"变革不是宣布新流程，而是让每个角色知道自己在新流程中的安全位置"

意义越具体，越有用。

价值观是故事的隐形指南针

两个团队都可以讲"效率提升"的故事，但一个强调减少无意义劳动，一个强调压缩人工成本，听众感受到的价值完全不同。一个品牌可以讲"高端"，也可以讲"专业可信"；一个管理者可以讲"危机"，也可以讲"共同面对"。

在写故事前先写下价值观：这个故事究竟支持什么，反对什么，要保护什么，要改变什么。没有价值观，故事只是技术。

第 8 章：不同场景的实战模板

8.1 一分钟电梯故事（融资、汇报、自我介绍）

模板（ABT 加一个具体人物）：

"你知道 [某类人] 吗？他们每天都要 [某个痛苦动作]（And）。但现在的方案要么贵、要么难用（But）。所以我们做了 [方案]，让他们 [新状态]（Therefore）。上个月，[一个具体用户] 用它 [一个具体结果]。"

关键：一分钟只能装一个冲突、一个人物、一个结果。贪多必输。

8.2 十分钟工作汇报

推荐结构（数据故事加承认错误公式）：

1. 结论先行（30 秒）：我们发现了什么，建议做什么

2. 问题的可观察瞬间（1 分钟）：一个具体画面，让人"看见"问题

3. 关键数据（2 分钟）：一到三个核心指标，不要堆砌

4. 认知迭代（3 分钟）：我们一开始怎么想（错了），后来发现了什么

5. 行动选项与风险（2 分钟）：方案 A、B，各自代价

6. 召唤行动（30 秒）：我需要你现在做的一个决定

8.3 销售或客户案例

别讲"我们多厉害"，讲"和客户一样的另一个人"。用老陈的故事结构，一个和听众处境相似的真人，他一开始也怀疑，也走过弯路，最后因为一个具体事件转变。听众会想："他和我一样，那我也许也行。"

8.4 数据故事（给决策者）

数据本身不会说话，你要给它一条叙事线：问题，关键指标（配一个画面），变化的原因（因果，不是相关），行动选项，风险与代价。

反面教材：把 20 张图表一页页放上去，让老板自己找结论。你的工作是替他找到结论，用数据证明它。

8.5 科研或技术分享

用 ABT 对抗"知识的诅咒"（你懂了，忘了别人不懂）：

"大家都知道 [领域共识]（A）。但一直有个现象无法解释：[矛盾]（But）。因此我们提出 [发现]，它解决了这个矛盾（Therefore）。"

8.6 个人叙事（面试、演讲、自我介绍）

个人故事的核心是内在变化。别只讲"我做了什么"，要讲"我因此变成了什么样的人"。这正是乔布斯斯坦福演讲的精髓。

面试范例：

"我曾经以为好的产品经理就是需求提得多、提得快。直到有一次，我硬推了一个功能上线，结果没人用，还给客服添了乱。那次之后我明白，我的工作不是'交付功能'，而是'交付一个用户真正想要的改变'。这句话我贴在了显示器上。"

第 9 章：常见陷阱与急救

上台就忘词，怎么办

这是很多人不敢开口的真正原因。答案是：不要背台词，要记路线。

人之所以忘词，是因为在背"句子"。而句子是脆的，忘一个字就全断了。但如果你记的是一条"故事路线"，比如从前的常态，直到有一天的转折，因此的行动，直到最后的结果，那么即使某一句话忘了，你也知道下一站该往哪走。

记路线，不记台词。 这就是为什么本手册反复强调结构。结构不只是让听众好懂，也是让你自己不慌的安全绳。

我很内向，是不是学不好

恰恰相反。The Moth 舞台上最打动人的讲述者，很多是安静内向的人。因为讲好故事靠的不是外向的表现欲，而是内向者天生擅长的东西：细腻的观察、对情绪的敏感、对细节的记忆。

外向的人容易讲得热闹却空洞，内向的人往往能讲出那个"她把身份证放回背包"的瞬间。讲故事拼的不是声音大，是看得深。

第 10 章：练习法与素材库建设

每日一句：训练"看见故事"

故事高手不是能"编"，而是能"看见"。这也正是对第二个心结（我的工作太无聊）的最终解药。每天结束时，写一句话：

"今天最值得讲的一个瞬间是：______。"

坚持一个月，你会发现自己开始用"故事眼"看世界。那个在电梯里叹气的同事、那个反复修改的措辞、那次会议上的沉默，都变成了素材。你会明白，从来没有无聊的工作，只有没被看见的瞬间。

素材卡片模板

为每个值得记住的瞬间做一张卡片：

• 一句话场景：谁，在什么时候，做了什么

• 在乎什么：这个人当时最怕失去、最想得到什么

• 冲突：想要与阻碍

• 转折：发生了什么，让事情变了

• 意义或判断：这件事教会我们什么

• 能用在哪：融资、汇报、还是培训

改写练习：把一句结论变成一个故事

每周挑一个你常说的抽象结论（如"用户体验很重要"），用本手册的方法把它改写成一个三句话的具体故事。半年后，你会拥有一个属于自己的、能随时调用的故事库。

结语：故事，是把"我知道"变成"我们一起相信"

回到开头那句话。

好故事不是"发生了什么"，而是"谁在乎什么、遇到什么阻碍、做了什么选择、付出什么代价、因此发生什么改变、这个改变对听众意味着什么"。

也回到我们最初解开的三个心结。你不是不会讲，你只是被"专业"骗了；你不是没素材，你只是还没长出那双看见瞬间的眼睛；讲故事也不油腻，它是一把刀，握在真诚的人手里，就是让真相变得动人。

技术会过时，工具会更换，但人类通过故事理解彼此、达成共识、采取行动的方式，几万年来没有变过。从洞穴里的火堆，到乔布斯的讲台，再到你明天要开的那场会，都是同一件事。

当你下一次要讲需求、讲愿景、讲发现、讲你自己时，别急着罗列事实。先停下来问一句：

"我要带这群人，从哪里，走到哪里？"

然后，为他们造一座桥。

他把笔记托付给朋友，请他转交给当时最伟大的数学家高斯，朋友尽力了，但没有成功。

这个少年在一场决斗中死去，年仅 20 岁。

又过了二十年，一位叫刘维尔的数学家翻出这些笔记，觉得里面可能有点东西。

又过了二十年，有人把这些想法整理成现代数学能读懂的形式。

再过一百年，物理学家盖尔曼用这套理论预测了夸克的存在。

这个少年叫伽罗瓦。他留下的东西，叫群论。

从一个模糊的直觉，到改变物理学，中间隔了将近两百年。

在这两百年里，这个想法被拒稿，被遗忘，被误解，在多个人的脑子里辗转流传，才慢慢结晶成一座数学的山峰。

现在，有人想用 AI 来做同样的事。

问题是：你怎么训练一个系统，去产生一个需要两百年才能被验证的想法？

这是 Grant Sanderson 和 Dwarkesh Patel 在 2026 年初的一场对话里反复触碰的困境。

Grant 是 3Blue1Brown 的创始人，YouTube 上最受欢迎的数学频道，几百万订阅者。

但他的身份很奇特：他不做研究数学，他解释数学。

他的整个职业，就是在回答"理解和证明有什么区别"这个问题，这让他在 AI 和数学的讨论里，站在一个很特殊的位置。

Dwarkesh 是一个播客主，专门采访 AI 领域最顶尖的研究者和创始人，他的优势是局外人的视角，他的问题往往比答案更有趣。

他们聊了两个多小时，以下是这场对话的精华提炼。

IMO 金牌：一个没有改变任何事情的里程碑

三年前，Dwarkesh 问过 Grant 一个问题：当 AI 能在国际数学奥林匹克（IMO）拿金牌的时候，那是不是就等于 AGI 了？

IMO 的题目需要真正的创造力，连专门训练过的顶尖学生都未必能全解。

如果 AI 能做到，它不就什么都能做了吗？

Grant 当时的回答是：不会的。那只是又一个被超越的基准，不会有顿悟时刻。

他是对的。

2024 年，AI 在 IMO 上的表现已经达到金牌水准，世界没有因此改变，没有人突然觉得 AGI 到来了，没有经济结构发生剧变，数学家们继续做他们的研究。

IMO 的题目分四类：几何、数论、代数、组合数学。

AI 在几何上的表现是 19 秒解完，因为有暴力求解器可以直接上，而且几何题有相对固定的训练路径可以覆盖大部分题型。

但组合数学不一样。那些题目更像是谜题，需要一种"玩感"，需要从意想不到的角度切入。

2024 年的 IMO 恰好有两道组合数学题，AI 在这里卡住了。

如果那年的题目多一道几何、少一道组合，AI 就能拿金牌。

AI 的能力边界不是一条平滑的曲线，而是锯齿状的。

即便在数学这一个领域内部，不同方向的进展也差异巨大，把 AI 能力想象成一个整体，是一种系统性的误判。

而且，IMO 的"脏秘密"是，它的很多题目其实是可以训练的。

题目设计者会努力出那些不容易被刷题覆盖的题，但终究有限。

组合数学之所以是最后的堡垒，不是因为它最难，而是因为它最难被系统化地训练。

这个逻辑，在接下来的整个讨论里会反复出现。

一道闪电，和一座山峰

Grant 提出了一个框架，是整场对话最有价值的部分。

他把 AI 在数学上可能取得的进展分成两种截然不同的类型。

第一种，叫连接闪电。

2025 到 2026 年间，AI 解决了几个引人注目的数学问题。

其中一个是 Erdős 第 1196 号问题，关于"原始集合"的猜想。

AI 的解法，是把另一个领域的工具引入进来，在两个看似无关的数学领域之间打了一道闪电（知识连接）。

这类进展有一个特点：对人类来说是可理解的。

你只需要看到闪电的起点和终点，剩下的推导对领域内的人来说是自然的，你把这个想法说给一个懂行的数学家听，他会立刻知道怎么展开。

另一个例子是单位距离猜想的反例。

AI 公开了推理链，数学家们读了之后，觉得是可以理解的，而且这个反例实际上加速了人类对这个问题的理解。

AI 为什么擅长这种连接？

因为它同时精通量子物理、解析数论、随机矩阵理论……它能看到那种跨领域的相似性，而不需要靠两个人在午饭时偶然聊起来。

这里有一个具体的故事。

数学家 Hugh Montgomery 在研究黎曼 zeta 函数的零点分布时，写下了一个公式。

物理学家 Freeman Dyson 看到这个公式，说：我认识这个表达式，它出现在研究随机厄米矩阵的特征值分布时，那是核能级的量子力学问题。

两个看似毫不相关的领域，零点统计和随机矩阵理论，居然有相同的数学结构。

这个发现开启了一整个研究方向。

而这个发现，是靠两个人在普林斯顿高等研究院吃午饭时偶然聊起来的。

第二种，叫建造山峰。

Fermat 大定理的证明是这种。

你需要先建起椭圆曲线这座山，再建起模形式这座山，然后才能在山顶之间架桥。

这两座山本身就是全新的数学体系，需要几代人的积累才能建成。

群论也是这种。

伽罗瓦没有解决一个已知的问题，他创造了一套新的思考框架。

AI 目前擅长的是闪电。

建造山峰是另一回事，那需要的不是连接已有知识，而是创造出一套新的思考框架。

而且这套框架的价值，可能要等一百年才能被验证。

这就把我们带回到了伽罗瓦。

一百年的验证循环

Dwarkesh 问了一个很尖锐的问题：如果伽罗瓦的想法需要一百年才能被验证，你怎么可能训练 AI 产生这样的想法？

目前 AI 在数学上取得突破的核心训练方法叫 RLVR，基于可验证奖励的强化学习。

逻辑很简单：给 AI 一道题，它给出答案，答案对了就奖励，答案错了就惩罚，反复迭代，AI 就学会了解题。

这个方法在数学竞赛题、代码运行结果这类场景里效果很好，因为答案是确定的，对错是即时可知的。

但伽罗瓦式的洞见没有这种反馈。

更糟糕的是，Grant 指出，伽罗瓦在世时，当时的"验证器"，也就是学术界，给出的反馈是：不行。

他的论文被拒了，他的想法被认为不够清晰、不够完整。

从 RLVR 的角度看，这个想法应该被惩罚，被遗忘。

但它是对的。

这不是个例。拉格朗日在伽罗瓦之前五十年，就有了用对称性研究多项式的直觉，但他没有解决任何问题，只是问了一个新的问题。

当时没有任何验证信号告诉他这是正确方向。

更深的困境：不只是 AI 的训练环境无法捕捉这种价值，连当时的人类验证器也无法捕捉。

Grant 提到了一个他很喜欢的数学论文开头，来自数学家 Timothy Chow，他在研究"强迫法"这个概念时写道：大家都知道什么叫未解决的研究问题，我想提出一个新概念：未解决的阐释问题。我们已经证明，但我们还不理解为什么它是对的。

证明和理解，是两件不同的事。

这个区分，在 AI 时代变得异常重要。

可验证，还不够，还得能"磨"

很多人把 AI 在数学上的快速进步归因于数学的可验证性。

答案对就是对，错就是错，这给了 AI 一个清晰的训练信号。

Grant 和 Dwarkesh 都认为这只说对了一半。另一半，是一个很少被提到的概念：可磨性。

你可以把一道题的状态打包，同时跑一千个并行实例，让它们各自尝试不同路径，对的路径留下，错的丢掉，信用分配问题清晰可解。

代码也一样，把一个代码库状态打包成容器，派出几百个 agent 各自尝试实现某个功能，结果完全确定，成功和失败的差异就是有效信号。

然后他们举了一个反例：电脑操作（computer use）。

同样是可验证的，"我的包裹到了吗"有明确答案，"我的会议预订成功了吗"也有明确答案。

但你没法同时跑一千个亚马逊结账流程，因为网站有反爬虫机制。

你可以尝试克隆每一个网站，但那极其耗费人力，而且跟不上网站的更新速度。

这就是为什么 AI 在电脑操作上的进展远慢于数学和代码，尽管它同样是可验证的。

可验证是必要条件，可磨练才是充分条件。

现实世界里大多数任务都无法容器化，无法重复磨练。

你没法把"今天去市场上交易赚钱"这件事容器化，因为市场每天都不一样，你没法重放。

数学和代码是例外，这才是 AI 在这两个领域突飞猛进的真正原因。

自回归是一种奇怪的思考方式

理解了可磨性，就能理解另一个问题：为什么 AI 擅长连接闪电，却很难建造山峰。

这要从 AI 的工作方式说起。

Grant 用了一个很形象的比喻。

想象你被关在一个箱子里，外界和你交流的唯一方式是：递给你一张纸条，问你"下一个词是什么"，你预测，然后记忆被清空，再递给你下一张纸条。这个过程重复无数次之后，外面的人把所有你预测的词拼在一起，给你看："你看，这是你写的文章。"

你可能会说：这太糟糕了，这根本不是我会写的东西。

这就是自回归语言模型的工作方式。

它在每一步都在预测下一个最可能的词，而不是像一个作家那样，先在脑子里有一个整体的结构，然后逐步填充细节。

这对数学意味着什么？

数学里最有价值的进展，往往是那种"不太可能出现的下一个词"，是那道从一个领域跳到另一个领域的闪电。

但在自回归的框架里，你在某个数学领域的上下文里，下一个最可能的词，是这个领域里的词，而不是另一个领域里的词。

跨领域的连接，在自回归的逻辑里，是一种低概率事件。

那么 AI 是怎么开始做到这件事的？

Dwarkesh 的猜测是：训练环境。如果你设计一批专门需要跨领域连接才能解决的问题，让 AI 反复在这类问题上磨练，它就会被迫学会在自回归的框架里，预测"让我看看另一个领域有没有类似的结构"这个动作。

这和 AI 学会成为更好的编程 agent 的逻辑是一样的。

它学会了在自回归的框架里，预测"让我退一步，重新审视整个代码库"这个动作，因为这个动作在训练数据里被反复验证是有效的。

但建造山峰需要的不是这种。

建造山峰需要的是：在没有任何验证信号的情况下，坚持一个模糊的直觉，然后围绕这个直觉构建一套全新的语言。

这不是低概率的下一个词。这是一种完全不同的思维模式。

AI 最被低估的优势，不是它有多聪明

对话里有一个洞察，Grant 和 Dwarkesh 都提到了，但没有被充分展开，我觉得值得单独说。

我们通常讨论 AI 有多聪明，但我们很少讨论 AI 的另一种优势：它可以被无限并行化。

回到 Montgomery 和 Dyson 在普林斯顿吃午饭的故事。

那次偶遇是一个偶然事件。两个领域的专家恰好在同一个地方，恰好聊起了各自的工作，恰好发现了联系。

高等研究院之所以把一堆顶尖学者放在同一个地方，就是为了制造这种偶然性。

AI 不需要这种运气。

你可以让一个精通随机矩阵理论的 agent 和一个精通解析数论的 agent 系统性地对话，搜索所有可能的联系。

更进一步，你可以同时跑一千个这样的对话，覆盖所有可能的领域组合。

这不只是速度的提升，这是一种结构性的优势。

人类科学史上那些改变方向的偶然相遇，在 AI 的框架里可以被系统性地工程化。

还有另一个维度。

单位距离猜想之所以很长时间没有被解决，一个重要原因是大多数数学家都相信这个猜想是对的，所以他们在尝试证明它，而不是尝试找反例。

这是一种集体性的认知偏差。

AI 可以同时跑两组 agent，一组尝试证明，一组尝试证伪。这不是什么高深的技术，但它系统性地消除了人类研究中那种先入为主的偏见。

Grant 还提到了一个更有趣的可能性：给不同的 agent 植入不同的启发式。

爱因斯坦有一个强烈的偏见：物理规律在不同参考系下应该看起来一样。

这个偏见是相对论的核心驱动力。但他也有另一个偏见：上帝不掷骰子。这个偏见让他在量子力学上走错了方向。

你不能让所有 AI 都是爱因斯坦。

你需要多样性。你可以系统性地给不同 agent 植入不同的启发式，然后看哪些启发式在哪类问题上是有效的。

这是一种老式软件的思维：枚举所有可能的策略，然后并行探索。

但用在科学研究上，它的潜力是巨大的。

Lean：被高估的训练工具，被低估的探索引擎

形式化证明语言 Lean 在 AI 数学圈里被频繁提及，很多人认为它是 AI 突破数学的关键。

Grant 的看法是：对于当前的进展，Lean 的重要性被高估了。

DeepMind 最初用 Lean 做 IMO，第二年就切换到了自然语言，效果反而更好。

AI 解决单位距离猜想反例时，公开的推理链里没有任何 Lean。

过程监督的价值，似乎远不如一个可磨练的结果验证。

但 Lean 有另一个独特价值，而且这个价值目前还没有被充分开发。

Lean 可以让 AI 完全自主地跑，不需要人类介入。

Mathlib 是一个用代码写成的数学库，目标是把所有数学都形式化进去。

你可以想象一个 AI，被告知"去扩展 Mathlib"，然后就让它跑，不需要任何人审核每一步，因为每一步的正确性都可以被自动验证。

它可以自己提出猜想，自己构建定义，自己生长出一棵逻辑树。

Grant 说，你可以按下开始键，倒十年的计算资源进去，然后回来看它发现了什么。

这让人想到 AlphaGo。

AlphaGo 可以在自己的宇宙里无限对弈，不需要人类介入，因为围棋的规则是完全确定的，胜负是自动可验证的。

它在这个封闭宇宙里探索出了人类从未想到过的走法，第 37 手是其中最著名的一个。

Lean 给数学提供了类似的可能性。

一个在 Lean 世界里自主探索的 AI，可能会发现人类从未想到过的数学结构。

但这里有一个问题：它发现的东西，有多少是有用的？

Grant 提到，Terry Tao 曾经谈到一个研究项目，想要穷举搜索所有可能的代数公理系统。

群论有一套公理，但如果你系统性地尝试所有可能的公理组合，会不会发现一些全新的、有趣的代数结构？

大部分结果会是垃圾，但偶尔会有一个小岛，一套公理系统，能产生丰富的定理，值得深入研究。

这是 Lean 真正有趣的地方：不是作为训练工具，而是作为探索引擎。

黎曼猜想被证明之后，我们会理解它吗

对话里有一个让人印象深刻的担忧：AI 可能会证明黎曼猜想，但我们对数学的理解不会因此增进任何东西。

Grant 把可能的解法分成三类。

第一类是闪电：发现两个领域之间的联系，比如黎曼 zeta 函数的零点和随机矩阵理论之间的关系。这类解法对人类是可理解的，甚至可能推进人类的理解。

第二类是山峰：构建一套全新的数学框架，就像 Wiles 证明 Fermat 大定理时需要先建起椭圆曲线和模形式这两座山。这类解法需要人类花大量时间去理解这座新山，但最终是可以理解的。

第三类是蛮力：一个几千页的证明，没有任何新的概念，只是穷举了所有可能的情况。这类证明在技术上是正确的，但对人类的理解毫无帮助。

Grant 提到了一个真实存在的类比：abc 猜想的"证明"。

日本数学家望月新一提出了一套叫做"宇宙际 Teichmüller 理论"的全新框架，声称可以证明 abc 猜想。

这套理论如此陌生，以至于数学界花了多年时间都无法判断它是否正确。

最终的主流判断是它可能有错误，但争议至今未完全平息。

这就是"外星数学"的样子：一座新山，但没有人能爬上去，甚至不确定这座山是否真的存在。

如果 AI 产生了这样的东西，而且是错的，那就是灾难性的浪费。

如果是对的，那也需要巨大的人力投入去消化。

David Bessis 在一篇博文《定理经济的崩塌》里提出：历史上，定理证明和概念创造是绑定在一起的，因为提出定义的人，往往也是证明定理的人。但如果 AI 自动化了定理证明，而人类还在负责提出定义，这个绑定就断裂了。

有一句话在数学圈里流传：好的数学家证明定理，伟大的数学家提出猜想，最伟大的数学家提出定义。

AI 正在从最底层往上爬。

它已经能证明定理，开始能提出猜想。但提出定义，也就是创造出一套新的思考语言，那是伽罗瓦做的事情。

AI 为什么写作越来越烂，但数学越来越好

写作烂，有两个原因。

第一个是奖励黑客。AI 的写作训练，本质上是在优化"看起来像好文章"，而不是"真正是好文章"。它学会了所有好文章的表面特征，然后把这些特征堆在一起。结果是一篇击中了所有评分标准，但没有任何真正洞察的文章。

第二个更深：写作本身就是产品，而不是产品的生产过程。

代码可以是烂的，只要它运行正确。一个函数可以写得很丑，但如果它输出了正确的结果，就是合格的。

数学证明也类似，一个引理可以用很多种方式证明，只要结论正确就行。

但写作不一样。

每一个词、每一句话都是最终交付物，不能有废料。

而且好的写作需要在每一个句子处都建模读者的心理状态，预判读者此刻脑子里在想什么，然后决定下一步怎么走。

Grant 提到了一个有趣的实验：打了肉毒杆菌的人，因为面部肌肉被冻住，无法模仿他人表情，在识别他人情绪方面的能力显著下降。理解他人情绪的一部分机制，是用自己的脸去"复现"对方的表情。

AI 没有脸。

它理解读者心理的方式，是一种从大量文本中涌现出来的能力，而不是内置的硬件。

这可能是它在写作上的根本性局限。

但这里有一个有趣的反驳。

Dwarkesh 说：AI 已经越来越擅长写不只是能运行、而且干净整洁、可以直接合并的代码。为什么这种进步没有同样发生在写作上？

Grant 的回答是：也许它已经发生了，只是我们没有注意到。他说，他现在遇到一篇难懂的文章，第一反应是把它粘贴给 LLM，让它解释给他听。解释往往比原文更清楚。

但他也承认：解释是一回事，创作是另一回事。解释是把已有的东西说清楚，创作是决定什么值得说。

AI 在前者上已经很好，在后者上还差得远。

这个区分，和证明与理解的区分，是同一枚硬币的两面。

数学家的未来：博物馆策展人

Grant 在对话里提到了一个比喻：未来的数学家，可能更像是博物馆策展人，而不是定理证明者。

AI 解决了问题，甚至能很好地解释它。

但数学的空间是近乎无限的，哪些问题值得研究，哪些方向值得投入，哪些新发现值得关注，这需要有人来做导航。

这不只是技术判断，也是一种社会功能。

Grant 自己就是一个例子。

他的工作里，很大一部分时间花在"决定什么值得说"上，而不是制作视觉效果。

听众信任他的品味，愿意跟着他的视角去探索。

这种信任是关系性的，不是纯粹信息性的。

他还提到，即便 AI 在某些方面比人类更擅长策展，人们依然会倾向于选择与自己有真实关系的人类策展人，因为我们对事物产生兴趣，本质上是一种社会现象。

这个逻辑延伸到了教学。

Grant 认为，教学可能是 AGI 时代最稳定的职业之一，不是因为 AI 不能解释概念，而是因为教学本质上是一种社交和陪伴式的活动，远超出"解释概念"的范畴。

他还提到了一个细节：一个好老师，当学生问出一个奇怪问题的时候，能够识别出这个问题背后的思维结构，然后顺着学生的思路把它引导到正确方向，而不是直接说"你这样想不对，应该这样"。

他把这个叫做柔道式教学。

AI 目前做不到这一点，它太顺从了，太倾向于直接给答案，而不是重构问题。

给数学从业者的一个实际建议

Grant 对那些担心 AI 会取代自己的数学学生，给了一个很朴素的建议：想清楚钱从哪里来，你在这条链路上提供了什么价值。

这听起来很功利，但他的意思是：很多学生选择数学，是因为一路被夸"你很擅长这个"，然后顺着这条路走下去，从没认真想过自己在为谁创造什么价值。

大学里的数学教授，有人靠的是声誉为学校带来品牌价值，有人靠的是 NSF 资助基础科学，有人靠的是直接教学。

这三条路在 AI 时代的稳定性完全不同。

他还提到了一个更长远的可能性：如果 AI 真的在未来五到十年内开始提出全新的数学问题和数学领域，那么"帮助人类理解 AI 发现了什么"会成为一个真实的需求。

在那个世界里，数学教育者和数学传播者的价值，可能比现在更高，而不是更低。

如果 AI 真的看到了人类从未看到的东西，那么能够理解这些东西、并且判断它们在哪里有用的人，会变得极其有价值。

数学家从"证明定理的人"变成"理解 AI 发现了什么、并且把它指向正确方向的人"，这个角色的经济价值可能比以前更高。

再次回到伽罗瓦。

他在监狱里写下那些笔记的时候，他知道自己发现了什么吗？

他有一种直觉，觉得这是重要的。但他无法证明它，无法解释它，甚至无法清晰地表达它。当时最权威的验证器，学术界，告诉他：不行。

他死了。笔记沉睡了二十年。又过了二十年才被整理清楚。又过了一百年才被用来预测夸克。

现在，我们有了能证明定理的 AI，有了能连接领域的 AI，也许很快会有能建造新山峰的 AI。

但那种"我不知道为什么，但我觉得这里有什么东西"的直觉，以及在没有任何验证信号的情况下坚持它的能力，我们还不知道怎么训练，甚至不知道怎么识别。

这可能是整个故事里，最后一个真正有趣的问题。

确实有点厉害，让 AI 辅助阅读解读下所有技术细节。

https://longcat.chat/blog/longcat-2.0/

35 万亿 token，大概是全球所有书籍文字总量的几十倍。

5 万片芯片同时工作，意味着你需要让几万台机器像一台机器一样协调运转。

而"全程无回滚"，意味着这场马拉松从头跑到尾，没有一次因为出错而被迫退回重来。

这就是 LongCat-2.0，2026 年 6 月 30 日正式发布并开源。

先搞懂两个基础概念，后面才能读懂

在进入正题之前，有两个概念必须先建立直觉。

什么是 MoE（混合专家模型）？

普通的神经网络，每次处理一个问题，会动用全部的"神经元"。

你问它"今天天气怎么样"，和问它"帮我写一段 Python 代码"，用的是同一套参数，全部激活，全部计算。

MoE 的思路不一样。

它内部有很多"专家"，每次来一个问题，只激活其中几个最合适的专家来处理，其余的专家保持沉默。

打个比方：一家大医院有内科、外科、神经科、皮肤科……你来看病，不是所有科室的医生都来给你会诊，而是根据你的症状，叫来最相关的两三个科室。

这样既节省了资源，又能让每个专家更专注。

LongCat-2.0 的总参数是 1.6 万亿，但每次处理一个 token（可以理解为一个词或一个字），只激活其中约 480 亿参数。

也就是说，每次只动用了约 3% 的参数。

这个"只用 3%"的特性，在后面会反复出现，它是整个模型设计的核心约束。

什么是 token？

语言模型不是一个字一个字读文字的，它把文字切成一小块一小块的"token"。

中文里大概 1 个 token 对应 1.5 到 2 个汉字，英文里大概 1 个 token 对应 0.75 个单词。

35 万亿 token，换算成中文，大概是 50 到 70 万亿个汉字。

好，基础打完了，我们开始拆解 LongCat-2.0 的每一个技术决策。

架构改进一：LSA，让模型读长文不再"喘不过气"

先理解"注意力机制"是什么

语言模型在理解一句话的时候，需要判断每个词和其他词之间的关联程度。

比如"猫追老鼠，它跑得很快"，模型需要判断"它"指的是"猫"还是"老鼠"。

这个判断过程叫"注意力机制"，模型在处理每个词的时候，会"注意"到其他所有词，计算它们之间的相关性。

问题来了：如果文章很长，比如有 100 万个 token，那每个 token 都要和其他 99 万 9999 个 token 计算一次相关性。

计算量是 token 数量的平方级增长。

文章长度翻倍，计算量变成原来的 4 倍。

这就是为什么普通模型处理长文本会非常慢，甚至根本处理不了。

稀疏注意力：不是每个词都需要关注所有词

解决思路是"稀疏注意力"：不需要每个词都关注所有词，只关注真正重要的那些。

还是那个比喻：你在读一本 500 页的小说，理解某一段情节，不需要把前面 499 页全部重新过一遍，只需要回忆几个关键情节点就够了。

LongCat-2.0 之前用的是 DeepSeek 稀疏注意力（DSA），它已经做到了这一点。

但团队发现，DSA 里有一个"索引器"（可以理解为"负责决定哪些词值得关注"的小模块），成了整个系统的速度瓶颈。

原因有两个：

第一，它选出来的"重要词"在内存里的位置是散的，读取时需要到处跳，效率低；

第二，它的评分计算本身就很贵，是二次方级别的开销。

LongCat 稀疏注意力（LSA）就是专门来解决这个索引器瓶颈的。

LSA 的三个优化，逐个拆解

第一个：流感知索引（SI）

问题的根源是内存访问碎片化。

想象你去图书馆找书，如果要找的书分散在各个书架的随机位置，你就得满图书馆跑。

但如果这些书都集中在同一排书架上，你一趟就能全拿完。

SI 做的事情就是：把一部分原本散乱的内存访问，重新组织成连续的顺序读取。

硬件在做顺序读取时效率远高于随机跳跃，这叫"合并的 HBM 访问"（HBM 是显卡里的高速内存）。

第二个：跨层索引（CLI）

这个优化基于一个观察：在神经网络的相邻两层里，"重要的 token"的分布高度相似。

打个比方：你在第 10 层楼看到某个人很重要，到第 11 层楼，这个人大概率还是重要的。

既然如此，第 11 层就不需要重新做一次"谁重要"的判断，直接复用第 10 层的结果就行。

CLI 让单次索引计算可以被多个连续的注意力层复用，相当于把这笔开销"摊薄"了。

为了让模型在训练时就学会"相邻层的重要 token 分布是一致的"，团队在训练阶段引入了"跨层蒸馏"。

让相邻层互相学习，保证这个特性在推理时真实成立。

第三个：层级化索引（HI）

这是一个"先粗筛再精选"的两阶段策略。

还是图书馆的比方：你要找关于"量子计算"的书，不会一本一本翻遍所有书，而是先找到"计算机科学"这个大区域（粗筛），再在这个区域里找具体的书（精选）。

HI 先用"block 级近似打分"做粗召回，缩小候选范围，再在候选里做精细的 token 级选择。

这样每次检索需要处理的候选空间大幅缩小。

HI 是可插拔的，只在超长上下文任务上按需启用，不影响普通任务。

这三个优化设计上互不干扰，可以独立开关，也可以组合使用。

投机解码：一个额外的加速技巧

文章里还提到 LSA 被扩展到了"投机解码"（Speculative Decoding）。

这个概念值得解释一下。

语言模型生成文字是一个字一个字输出的，每次输出都要等上一次完成。

投机解码的思路是：用一个小模型（Draft 模型）先快速猜测接下来几个词，再用大模型（Target 模型）一次性验证。如果猜对了，就省下了大模型多次生成的时间。

LongCat-2.0 用的是 3-step MTP，即小模型一次猜 3 步。

CLI 在这里的应用更激进：3 个 Draft 步骤共用一次索引结果，Step 2 和 Step 3 完全复用 Step 1 的索引，进一步压缩开销。

架构改进二：N-gram Embedding，用更聪明的方式扩大参数

先理解"Embedding"是什么

模型在处理文字之前，需要把每个 token 转换成一串数字（向量），这个转换过程叫 Embedding。

你可以把它理解为"把词语翻译成模型能理解的坐标"。

"猫"和"狗"的坐标很近，"猫"和"飞机"的坐标很远。

模型通过这些坐标来理解词语之间的关系。

N-gram 的思路：不只看单个词，看词的组合

N-gram 的意思是"N 个连续 token 的组合"。

LongCat-2.0 用的是 5-gram，即每次看 5 个连续 token 的组合。

为什么要这样做？因为很多语义是由词的组合决定的，而不是单个词。

"人工"和"智能"单独看都是普通词，但"人工智能"作为一个组合，有完全不同的含义。

如果模型只看单个词，就需要通过多层计算才能"悟"出这个组合的含义。

N-gram Embedding 直接把常见组合的含义编码进去，相当于给模型提前建好了"词组词典"。

这样做的效果是：embedding 空间扩展超过 100 倍，模型对局部上下文的理解能力显著增强。

为什么要加 135B 参数的 N-gram Embedding，而不是直接加更多专家？

这是整个设计里最有意思的一个决策，值得细说。

LongCat-2.0 的 MoE 稀疏度接近 97%，意思是每次只用 3% 的参数。

在这个稀疏度下，如果再加更多专家（比如再加 135B 的专家参数），收益会很小。

为什么？因为专家越多，每个专家被调用的频率越低，训练时每个专家获得的"练习机会"越少，学得越不充分。

这就像一家有 1000 个医生的医院，每个医生每天只看一两个病人，技术很难精进。

但 N-gram Embedding 不一样。它在 MoE 的"稀疏维度"之外，开辟了一个新的维度来扩展参数。

这 135B 参数不参与 MoE 的路由竞争，而是直接作用于 token 的表示层，每次处理都会用到。

团队同时发现，N-gram Embedding 的占比有一个甜点区间：占总参数的 10% 以内效果最好，超过 50% 优势就消失了。LongCat-2.0 把这个比例控制在 10% 以内。

还有一个推理阶段的额外好处：把参数从专家转移到 N-gram Embedding，可以降低大 batch 解码时的显存 I/O 压力，加速解码。

原因是 N-gram Embedding 的访问模式更规律，对显存带宽更友好。

国产算力上跑通万亿参数训练，工程上有多难

这一部分是整篇发布文章里信息密度最高的，也是最容易被忽视的。

显存不够，怎么办

国产芯片的单卡显存显著小于 H800 的 80GB。

训练 1.6 万亿参数的模型，显存是第一道墙。

团队的解法是 6D 并行。"并行"的意思是把模型和数据切开，分散到多张卡上同时计算。

常规的并行方式有 5 个维度：

• TP（张量并行）：把单个矩阵运算切开，分到多张卡上算

• CP（上下文并行）：把长序列切开，分到多张卡上处理

• EP（专家并行）：把不同的专家放在不同的卡上

• DP（数据并行）：多张卡同时处理不同的数据

• PP（流水线并行）：把模型的不同层放在不同的卡上，像流水线一样运转

LongCat-2.0 在这 5 个维度之外，额外加了第 6 个：EMBP（Embedding 并行），专门处理 135B N-gram Embedding 参数的并行加速。

除了并行，还有几个显存优化手段：

ZeRO-1：优化器（负责更新参数的模块）的状态数据，往往比模型本身还大。ZeRO-1 把这些状态数据切分到多张卡上，每张卡只存一部分。

选择性重计算：正向计算时，有些中间结果可以不存下来，反向传播时重新算一遍。这样牺牲一点计算时间，换来大量显存节省。

OOM 自动卸载：当显存快满了（Out of Memory），自动把部分数据卸载到内存或硬盘，用时再取回来。

零计算专家：填充 token（用来凑齐序列长度的无意义 token）被路由到一个"零计算专家"，不做任何实际计算，节省算力。

超节点：把几百张卡变成一个高速通信域

训练大模型时，卡和卡之间需要频繁通信（传递梯度、同步参数）。

通信速度往往是训练速度的瓶颈。

LongCat-2.0 的解法是"超节点"：把最多 48 台机器组成一个超节点，节点内部用高带宽全互联，节点之间走 RoCE 网络（一种高性能网络协议）。

这样做的效果是：高带宽通信域从单台机器（通常 8 张卡）扩展到数百张卡。

带宽敏感的并行策略（TP/CP/EP）可以在这个大域内运行，不再受限于单机带宽。

相比同规模的普通配置，超节点额外带来约 30% 的预训练吞吐提升。

超节点同时是"亲和调度"的基本单元。

调度时优先把通信密集的任务分配在同一个超节点内，减少跨节点通信，在通信局部性和可调度性之间取得平衡。

Muon 优化器：一个来自学术界的新选择

优化器是训练时负责"根据错误信号更新参数"的模块。

最常用的是 Adam 系列优化器。

Muon 是一个相对较新的优化器，在某些场景下比 Adam 收敛更快、效果更好。

LongCat-2.0 在国产算力芯片上大规模部署了 Muon，并针对 TP 并行、DP 状态去冗余和高效矩阵乘核函数做了专项优化。

这是一个值得关注的信号：Muon 优化器正在从学术实验走向大规模生产部署。

确定性：让训练结果可复现

这个细节很少被提到，但在工程上极其重要。

"确定性"的意思是：给定相同的输入，每次计算的结果完全一致，不会因为浮点运算的舍入误差或并行计算的顺序差异而产生微小偏差。

为什么重要？因为在大规模训练中，微小的数值偏差会随着层数和步数累积，最终导致训练结果不可复现，甚至出现 loss 突刺（损失函数突然异常升高）。

团队自研了覆盖 Embedding、FA（Flash Attention）、LSA、MoE 等多个模块的确定性算子。

所有规约类算子（比如求和、求均值）都采用二叉树分段累加，减少浮点误差累积。

还有一个细节：在部分计算密集型算子上加入了"比特翻转检测"。

硬件偶尔会出现单个比特从 0 变成 1 或从 1 变成 0 的错误（宇宙射线、电磁干扰等都可能导致），这种错误会造成数值异常。

加入检测后，可以及时发现并处理，不让它悄悄污染训练结果。

故障恢复：5 万张卡，总有卡会出问题

5 万张卡同时运行，每天都会有硬件故障。

如果每次故障都需要人工介入，训练根本无法持续。

团队的解法是端到端监控驱动的自动故障恢复：监控系统持续检测链路状态，发现故障后自动识别、切流、恢复，全程无需人工介入。

故障链路的隔离对训练没有可感知的影响。

修复后的链路还需通过压测才能重新上线，防止带病工作的硬件再次引发问题。

这套机制是"全程无回滚"这个结果的工程保障。

百万上下文推理：在受限硬件上的极限工程

训练完成后，还需要把模型部署起来，让用户能实际使用。

在显存、带宽都受限的国产芯片上，跑百万上下文的推理是另一道难题。

Prefill 和 Decode：推理的两个阶段

理解后面的优化，需要先知道推理分两个阶段：

Prefill（预填充）：模型读取你的输入（比如一篇 10 万字的文档），一次性处理所有输入 token，生成初始的 KV-cache（可以理解为"模型对输入的理解摘要"）。这个阶段计算量大，但可以并行处理。

Decode（解码）：模型一个 token 一个字地生成输出，每次生成都要读取之前的 KV-cache。这个阶段是串行的，受限于显存带宽。

LongCat-2.0 采用 Prefill-Decode 分离部署：两个阶段用不同的硬件节点处理，各自针对自己的瓶颈做优化。

KV-cache：长上下文的显存杀手

KV-cache 是长上下文推理的核心挑战。

每处理一个 token，模型都需要存储一个 KV（Key-Value）对，供后续 token 参考。

100 万个 token 的上下文，就需要存储 100 万个 KV 对。这个数据量非常大，很容易撑爆显存。

LongCat-2.0 的解法是 KVP（KV-cache 并行）：把 KV-cache 切分到多张卡上，每张卡只存一部分，降低单卡显存压力。

Prefill 节点的优化

Prefill 节点的主要瓶颈是节点间通信带宽。

MoE 模型在处理 token 时，需要把 token 发送给对应的专家（dispatch），再把专家的计算结果收回来（combine）。

当专家分布在很多节点上时，这个通信开销很大。

解法是 Chunked Pipeline Parallel（CPP）：把长序列切成小块，用流水线方式处理，缩小每次通信涉及的专家并行域（EP 域），减少跨节点通信量。

在每个流水线阶段内，再用 Attention Sequence Parallelism（SP） 把长序列的注意力计算分散到多张卡上，进一步分担计算压力。

Decode 节点的优化

Decode 节点的主要瓶颈是显存和 KV-cache 的 I/O 带宽。

除了 KVP 切分 KV-cache，还用了较大的专家并行度（EP128，即 128 张卡分担专家），压低每张卡上的权重显存和专家 I/O 压力。

大 EP 并行度带来一个新问题：专家负载不均。

如果某些专家特别受欢迎，对应的卡就会成为瓶颈，其他卡在等待。

EPLB（Expert-Parallel Load Balancing） 负责动态均衡专家负载，统计采集和分布计算全部异步化，不阻塞主计算流程。

面向国产芯片的两个底层优化

Super Kernel：GPU 上的每个算子（计算操作）在启动时都有固定的开销，就像每次开车都要先发动引擎。

如果算子数量很多，启动开销累积起来很可观。

Super Kernel 把多个算子合并成一个大算子，减少总启动次数，降低累积开销。

Weight Prefetch（权重预取）：国产芯片的显存带宽有限，但 L2 缓存（比显存快得多的片上存储）相对较大。

Weight Prefetch 利用这块大 L2 缓存，在前一个算子还在计算时，提前把下一个算子需要的权重数据加载进来。

等前一个算子算完，权重已经在缓存里了，不需要再等显存读取。

这叫"把 I/O 延迟隐藏在计算之中"。

后训练：三组专家，一套融合架构

模型训练完成后，还需要"后训练"来让它真正好用。

LongCat-2.0 的后训练引入了三大专家组，分工明确。

Agent 能力专家组

这组专家负责让模型能在真实场景中自主完成任务。

重点不只是"能完成任务"，而是优化几个关键的"原子能力"：复杂工具调用的精准度（调用 API 时参数不出错）、多轮交互中的参数解析能力（记住上下文，不重复问同样的问题），以及自我纠错机制（发现自己陷入死循环时能主动跳出来）。

这些"原子能力"决定了 Agent 系统的鲁棒性。

一个 Agent 能完成 90% 的任务，但剩下 10% 会卡死或出错，在生产环境里是不可接受的。

推理能力专家组

这组专家负责数学、STEM 复杂问题求解和多跳知识推理。

"多跳知识推理"是指需要串联多个知识点才能得出答案的问题。

比如"爱因斯坦出生那年，美国总统是谁？"需要先知道爱因斯坦的出生年份，再查那一年的美国总统，这就是两跳推理。

这组专家还实现了"基于问题难度的自适应推理计算"，简单问题快速回答，复杂问题深度思考，不浪费计算资源。

交互体验专家组

这组专家负责让模型更"好用"：细粒度指令遵循（你说"用列表格式回答"，它就真的用列表）、抑制幻觉（减少一本正经地编造事实）、以及在不牺牲有用性的前提下建立安全边界。

最后，用 MOPD 架构在数万卡的国产算力集群上，把三组专家的能力融合进一个模型。

这是整个后训练流程的核心工程挑战：怎么让一个模型同时具备 Agent 执行力、深度推理能力和良好的交互体验，而不是顾此失彼。

评测数据怎么看

评测数据里有几个基准值得解释一下，不然很难判断数字的含义。

Terminal-Bench 2.1：测试模型在终端环境里完成真实任务的能力，比如写脚本、调试程序、管理文件。

这是最接近"程序员日常工作"的评测之一。

LongCat-2.0 得 70.8 分，与 Gemini 3.1 Pro（70.7）基本持平，低于 Claude Opus 4.8（78.9）。

SWE-bench Pro：给模型一个真实的 GitHub 代码仓库和一个 bug 报告，让它自己找到问题并修复。

这是目前最接近"真实软件工程"的评测。

LongCat-2.0 得 59.5 分，超过 Gemini 3.1 Pro（54.2）和 GPT-5.5（58.6）。

SWE-bench Multilingual：同上，但涉及多种编程语言。

LongCat-2.0 得 77.3 分，与 Gemini 3.1 Pro（76.9）接近。

FORTE：面向 15 类企业职业的办公 Agent 评测，模拟真实的职场任务，比如整理数据、撰写报告、处理邮件。LongCat-2.0 得 73.2 分，低于 GPT-5.5（77.8）和 Claude Opus 4.7（77.6）。

GPQA-diamond：由博士级专家设计的科学问题，涵盖物理、化学、生物等领域，专门测试模型的深度知识理解能力。

LongCat-2.0 得 88.9 分，低于 Gemini 3.1 Pro（94.3）和 GPT-5.5（93.6）。

怎么理解这张表？

LongCat-2.0 的优势集中在代码和搜索：SWE-bench Pro 超过了 Gemini 3.1 Pro 和 GPT-5.5，RWSearch 超过了所有对比模型。

这和它在长上下文处理和 Agent 能力上的投入是一致的。

在基础科学推理（GPQA-diamond）和指令遵循（IFEval）上，与 Gemini 3.1 Pro 和 GPT-5.5 还有差距。

这不是意外，而是取舍的结果：资源有限，优先把长上下文和 Agent 能力做到最好。

还需要注意的是，标注 * 的数字来自各家公司自己的公开报告，评测条件未必完全一致，比较时需要保留一定的判断余地。

这件事真正重要的地方

读完所有技术细节，有一件事值得单独说清楚。

LongCat-2.0 在技术上的每一个选择，都是在国产芯片的硬件约束下做出的。

显存小，所以要做更精细的并行和显存优化。

软件生态不成熟，所以要自研大量算子和工具。

带宽受限，所以要把计算和通信的重叠做到极致。

这不是在已有成熟方案上做微调，而是在一个约束更多的环境里，重新设计了整套训练和推理的工程体系。

5 万片国产芯片、35 万亿 token、全程无回滚，这组数字的含义不只是"模型训练成功了"，而是"这套工程体系在生产环境里被验证可行了"。

对于关注国产算力生态的从业者来说，这是一个值得认真对待的数据点。

模型已开源，API 接入和在线体验均已开放，有条件的话直接上手测试，比看评测数字更直接。

Ali Abdaal 在一次活动上被问到：怎么在失去动力之后，还能让自己继续做下去？

他的回答，出乎意料地朴素。

钱和乐趣，都是短效燃料

创业初期，钱是最直接的动力。

第一笔收入进账，那种感觉真实、具体、令人振奋。

但这个窗口期很短。

大概在开始赚钱后的 6 到 12 个月，钱就失去了激励作用。

不是因为钱变少了，恰恰相反，是因为生意做起来了，钱变成了 QuickBooks 或 Google Sheet 上的一串数字，不再有刺激作用。

于是很多人转向"乐趣"作为替代动力。

但乐趣也有保质期。

无论做什么，时间一长，所有事情都会开始感觉像在上班。

哪怕是演员这种看起来光鲜的职业，日常也不过是在片场对着镜头重复同一句台词十八遍，或者不停地赶场出差。没有什么工作能永远保持新鲜感。

真正能撑住的，只有两件事

Ali 说，他和他那位时薪 1500 美元的教练，花了很长时间讨论这个问题。

最后得出的答案只有两个词：

连接（Connection）和贡献（Contribution）。

他自己也承认，第一次听到这个答案，会想翻白眼，听起来像心灵鸡汤。

但他说的"连接"，是非常具体的东西，是和团队一起吃午饭时的那种氛围，是在线下活动里和观众面对面的那种感觉。

Zoom 会议给不了这个。

"贡献"也是具体的，是有人告诉你，你做的那个视频、那场工作坊、甚至那件 T 恤，让他们的某一天变得稍微好了一点点。

这种感觉，是数字给不了的。

6.5 万粉和 650 万粉，感觉完全一样

Ali 分享了一个他自己亲身经历的数据点。

他 2017 年 6 月开始做 YouTube，大约一年后，也就是 2018 年 5 月，频道达到了 5000 个订阅。

他说，那是他在 YouTube 上感受到的最后一次真实的兴奋。

从 5000 到现在的 650 万，感觉没有任何区别。

这不是矫情，是真实的心理机制。

数字增长的边际效用递减，在社交媒体上同样成立，就像那个关于收入与幸福感的研究结论，超过某个阈值之后，更多就不再等于更好。

但每次做线下活动、做签书会，那种感觉完全不同。

那些活动不赚钱，甚至要倒贴场地费，但那是他愿意继续做下去的理由。

主动把钱留在桌上，才是真正的自由

这里有一个反直觉的结论，值得停下来想一想。

创业初期，用时间换钱是合理的。

但一旦过了那个临界点，继续用时间换钱，反而是在放弃自由。

那些把增长当作唯一目标、不断把银行账户数字往上推的人，通常睡眠很差，没时间陪孩子，活在别人的期待里。他们有钱，但没有时间，也没有弹性。

Ali 推崇的是"生活方式型企业"（Lifestyle Business）的概念，引用 Dan Priestley 的说法，大概是 8 人以内的团队规模，最多不超过 12 人。

超过 13 人，管理复杂度会让一切开始失控。

在这个规模里，你可以选择主动放弃一部分收入，换来连接、贡献和真实的生活质感。

给还在路上的人

如果你现在感到动力下滑，先判断一下自己在哪个阶段：

还没有稳定现金流，那就继续用钱作为燃料，这没什么问题，这个阶段就是应该这样。

但如果生意已经跑起来，钱已经够用，却还是感到空洞，那问题可能不是"怎么更努力"，而是"有没有人可以一起干，有没有人因为你的工作而过得稍微好一点"。

找一个可以每周见面的人，一起工作。

这是 Ali 给所有创业者的建议，也是他自己验证过的。

你的数据库表结构、业务指标的定义、两个系统之间怎么 join、某个 API 已经废弃了，这些信息散落在各种地方，大模型根本够不着。

于是每次构建一个新的 AI agent，工程师都要重新解决同一个问题：怎么把这些上下文塞给模型。

Google 在 6 月 13 日发布了一个叫 OKF（Open Knowledge Format） 的开放规范，试图把这件事标准化。

https://cloud.google.com/blog/products/data-analytics/how-the-open-knowledge-format-can-improve-data-sharing/

问题出在哪里

现在一个典型组织里，AI 需要的内部知识分散在这些地方：

• 元数据目录，有自己的 API

• 各种 Wiki、第三方系统、共享云盘

• 代码注释、docstring、notebook 单元格

• 几个资深工程师的脑子里

当一个 AI agent 需要回答"怎么从事件流里计算周活跃用户？"，它得从这些互不兼容的地方拼凑答案。

每个云厂商有自己的知识图谱 schema，每个工具有自己的 SDK，知识被锁在各自的平台里，出不来。

结果就是：每个 agent 开发者都在从零解决同一个上下文组装问题。

一个反复出现的模式

过去一年，开发者社区里自发长出了一种模式。

有人叫它"LLM Wiki"，有人叫它"metadata as code"，形态各异，但本质相同：用一个 Markdown 文件库来承载 AI 需要的知识，让 agent 在做正式工作之前先读这些文件。

Andrej Karpathy 在他的 LLM Wiki gist 里把这件事说得很清楚："大模型不会感到无聊，不会忘记更新交叉引用，一次可以处理 15 个文件。"

人类维护个人 Wiki 最终放弃的原因，恰好是大模型最擅长的事。

类似的模式还有：接入 coding agent 的 Obsidian vault、AGENTS.md 和 CLAUDE.md 这类约定文件、数据团队里那些 agent 执行任务前会查阅的 index.md 和 log.md。

这个模式有效，但每个实例都是定制的。

Karpathy 的 Wiki 和你们团队的 Wiki 和某个厂商的目录导出，长得很像（Markdown、frontmatter、交叉链接），但没有人刻意让它们互通。

没有人约定每个文档应该带哪些字段，文件名代表什么含义。

知识还是被锁在各自的团队里。

OKF 是什么

OKF 不是一个新服务，不是一个平台，是一个格式。

v0.1 的设计极其克制：一个目录，里面是带 YAML frontmatter 的 Markdown 文件，加上一小套约定。

目录结构长这样：

sales/
├── index.md
├── datasets/
│   ├── index.md
│   └── orders_db.md
├── tables/
│   ├── index.md
│   ├── orders.md
│   └── customers.md
└── metrics/
    ├── index.md
    └── weekly_active_users.md

每个概念是一个文件，文件路径就是这个概念的身份标识。

文件头部是一小块 YAML，正文是 Markdown：

---
type: BigQuery Table
title: Orders
description: One row per completed customer order.
resource: https://console.cloud.google.com/bigquery?p=acme&d=sales&t=orders
tags: [sales, revenue]
timestamp: 2026-05-28T14:30:00Z
---

# Schema

| Column      | Type   | Description                        |
|-------------|--------|------------------------------------|
| order_id    | STRING | Globally unique order identifier.  |
| customer_id | STRING | FK to [customers](/tables/customers.md). |

# Joins

Joined with [customers](/tables/customers.md) on `customer_id`.

概念之间用普通 Markdown 链接互相引用，整个目录就变成了一张关系图，比文件系统的父子层级丰富得多。

完整的 v0.1 规范只有一页。

三个设计原则

最小约束。

OKF 对每个概念文档只强制要求一件事：有 type 字段。

其他字段、文档结构、正文格式，全部由生产者自己决定。

规范只定义互操作的边界，不定义内容模型。

生产者和消费者解耦。

人工手写的 Wiki 可以被 AI agent 消费。

元数据导出管道生成的 bundle 可以在可视化工具里浏览。

一个大模型合成的知识库可以被另一个大模型查询。

格式是契约，两端的工具可以独立替换。

格式，不是平台。

OKF 不绑定任何云厂商、数据库、模型提供商或 agent 框架。

读写这个格式不需要任何账号或 SDK。

Google 把它作为开放标准发布，因为知识格式的价值来自有多少方在用它，而不是谁拥有它。

随规范一起发布的东西

Google 同时开源了几个参考实现：

• 一个富化 agent：遍历 BigQuery 数据集，为每张表和视图起草 OKF 文档，再跑第二轮 LLM，抓取权威文档，补充引用、schema 和 join 路径。

• 一个静态 HTML 可视化工具：把任意 OKF bundle 渲染成交互式关系图，单个自包含文件，不需要后端，不需要安装，数据不离开页面。

• 三个示例 bundle：GA4 电商数据集、Stack Overflow、比特币公开数据集，由参考 agent 生成，提交到 repo 里作为活的示例。

另外，Google Cloud 的 Knowledge Catalog 已经更新，可以摄入 OKF 格式并把它提供给 agent 使用。

这件事值不值得关注

OKF 现在是 v0.1，是起点。

它能不能成为真正的通用格式，取决于有多少生产者和消费者愿意采用它。

但有一点值得认真对待：这个问题本身是真实的。

每个在做 AI agent 的团队，迟早都会碰到"怎么管理模型需要的上下文"这个问题。

现在大家各做各的，重复造轮子。

如果一个足够轻量的格式标准能在这里站稳，对整个生态的效率提升是实质性的。

如果你的团队正在构建 AI agent，或者在管理数据资产的元数据，OKF 的规范只有一页，读一遍的成本极低。

先看看它能不能描述你们现有的知识结构，再决定要不要往里投入。

规范、参考实现和示例 bundle 都在 GitHub 上，搜索"Open Knowledge Format"可以找到。

奇怪吗？矛盾吗？这其实是当下的常态。

大多数公司同时存在两个问题：花了太多钱在已经用的 AI 上，但实际上用的 AI 远远不够。

账单看起来大不大，跟花了多少钱关系不大，跟你能不能说清楚这些钱换来了什么关系很大。

把这个问题想清楚，只需要三件事：用任务衡量价值而不是 token、设置更聪明的默认值、知道什么时候该多花钱。

https://engineering.ramp.com/post/ai-spend-value

Token 是个没用的单位

先问一个简单的问题：10 万美元能买多少 AI？

同样的钱，买顶级闭源模型能拿到 50 亿 token，买开源模型能拿到 2100 亿 token，差了 42 倍。

但这个数字告诉你的只是"买了多少"，不是"做了多少事"。

Token 衡量的是消耗，不是价值。

不同任务消耗的 token 差异极大，根本没有可比性。

真正应该看的单位是工作本身：审完一个 PR、处理一张发票、发出一封销售邮件。

这些是可以定价、可以比较、可以算 ROI 的原子单位。

还有一个更根本的问题：AI 供应商按用量收费，不管任务成不成功。

这意味着你的账单里混着两类支出：

成本 = 尝试的任务数 × 每次尝试的费用
价值 = 成功的任务数 × 每次成功的价值

要想不亏，就得同时做两件事：提高成功率，压低单次成本。

如果没认真审计过自己的 AI 用量，大概率两件事都没做好。

默认设置在悄悄坑你

每次 AI 请求背后有三个关键选择：用哪个模型、让它想多深、要求它多快响应。

供应商替你做了这些决定，并设成了默认值。

这些默认值的目标是让尽可能多的人用起来，不是让你的钱花得最值。

模型选择：顶级模型只配顶级问题

每当新一代顶级模型发布，上一代就变成了"半价次优"。

大多数公司的反应是：把所有工作流都升级到最新模型，因为"更好嘛"。

这是今天软件行业里最隐蔽的烧钱方式之一。

顶级模型存在的意义，是解决更难的问题，不是把同样的工作做得更好一点点。

用最贵的模型处理客服工单，就像雇博士生做小学数学题，钱花出去了，多余的智力全部浪费。

Ramp 的做法是：从能通过质量标准的最便宜模型开始，只有任务真正需要时才往上走。

各家供应商的能力排行榜，用的都是刻意设计得极难的测试题。

你公司里需要自动化的任务，绝大多数是中等难度以下，排行榜上所有模型都能轻松应付。

默认原则：从能过质量线的最便宜模型开始，任务有需要再升级。

推理深度：别让模型过度思考

现在很多模型允许调节"思考力度"，供应商默认开到最高。

每往上调一档，消耗的 token 大约翻倍。

但在普通任务上，更深的推理只是让模型反复确认它已经答对的答案，你在为"双重检查"付钱。

默认原则：推理设为中档，只有任务明确需要时才调高。

响应速度：同样的答案，贵一倍

同一个模型，供应商通常卖几个速度档位。

"快速模式"和"弹性/批处理模式"给出的是同样的答案，区别只是快几秒。

弹性模式通常只要快速模式一半的价格。

判断要不要付速度溢价，有个简单标准：有没有人在等这个结果？ 用户在实时对话里等回复，值得付速度钱。

自动化流程跑完没人马上看，批处理模式就够了。

默认原则：关掉快速模式，配合中档推理。延迟仍然比供应商默认值快。

什么时候该多花钱

便宜模型处理日常工作，这个逻辑成立。

但有些场景，顶级模型的溢价完全值得。

一个更强的模型，可能发现一个能省掉几个月返工的架构决策，可能在漏洞被利用前找到安全隐患，可能给出团队自己想不到的解法。

这一个洞察，比所有日常用量加起来的价值还高。

难度和价值的关系是反的：简单任务量大，复杂任务价值高。

把所有工作分成两类就够了：

• 常规工作：边界清晰、重复性高，用能过质量线的最便宜模型。

• 高难工作：模糊、新颖、高风险，用当下最好的模型，全力推理，多次采样，预算放开。

你 99% 的工作量落在第一类，几乎所有的潜在价值在第二类。

用便宜模型省下来的钱，放在贵的模型上用。

最难改变的默认值：文化

技术上的默认值能拦住不调设置的人。

但一旦有人开始主动选择，激励机制就开始作怪。

写代码的工程师不看账单，他只对结果负责。

选最大的模型、开最高的设置，是最安全的职业选择，没有人因为用了顶级模型而被批评。

把这个选择乘以所有工程师和所有功能，就得到了一笔没人刻意为之、也没人负责的超额支出。

管好 AI 成本的公司，都把效率当成工程成就，不是当成约束。

用更小的模型、更低的推理、更慢的响应拿到同样结果，和上线新功能一样值得庆祝。

目标不是少花钱，是让每一块钱都挣到它该挣的回报。

明天就能开始做的八件事

实际上，少数几个工作流驱动了账单的大头：一个没人盯着的自动化、一个忘了关快速模式的功能、一个出于谨慎用了顶级模型的需求。

不需要优化所有东西，找到那几行就能解决 80% 的问题。

1. 按供应商、产品、团队、工作流拆分 AI 支出。 订阅费和 API 用量分开，人工交互和自动化分开。

2. 把支出换算成工作单位。 处理了多少发票，解决了多少工单，审了多少 PR。

3. 找到成本集中点。 驱动大头支出的工作流先动。

4. 给重复性工作设基准。 不要抽象地说"用便宜点的模型"，要测试哪个便宜配置还能过质量线。

5. 改掉默认值。 常规工作不该从顶级模型、最高推理、最快响应开始跑。

6. 明确定义升级路径。 让任务在模糊、高风险时能方便地切换到更强的模型。

7. 每次重大模型发布后重新定价。 新模型改变了整个梯队，把发布当成成本优化事件，不是自动升级信号。

8. 集中管控。 在一个网关里统一管理，不要散落在每个代码库和团队里。

账单太高和用得太少，是同一个问题的两面：你还没把浪费和价值分开。从这里开始。

"我已经不再直接Prompt Claude 了。我写的是 Loop（循环），让循环去提示 Claude，让循环去决定下一步做什么。我的工作，是写循环。"

Armin Ronacher 是 Flask、Jinja2 的作者，Sentry 联合创始人，也是 AI 工程平台 Pi 背后的核心人物。

他最近写了一篇文章，标题叫《即将到来的循环》。

从文章中能感受到他的不安，原文地址：

https://lucumr.pocoo.org/2026/6/23/the-coming-loop/

循环套循环

每个编程 Agent 内部本来就有一个循环：模型调用工具，读取结果，再调用下一个工具，读文件，改文件，跑测试，最终给出答案。

这个循环，大家已经很熟悉了。

而 Ronacher 说的是套在外面的那一层循环。

具体是这样一种模式：任务进入队列，机器领取，尝试执行，停下来，然后由一个外壳程序（harness）来判断，这次执行算不算完成。如果不算，外壳程序可以继续当前会话，注入新消息，用修改过的上下文重启一个新会话，或者把任务转发给另一台机器。

这样，任务生命周期，不是模型自己说"我完成了"，而是靠外部Harness判断。

这个外层循环不稀奇，Claude Code 早期就有人在玩了。

但现在变得越来越主流，最近几周技术圈都在聊。

他自己用得并不顺手

Ronacher 承认：对于他真正在乎的代码，这套方式目前没什么用。

原因有两个：品味和控制感。

他对代码质量有很高的要求，而且他需要理解自己发布的代码。

在压力下，或者和别人讨论时，他希望能解释清楚系统是怎么工作的，而不是先去问机器帮他解释。

问题在于，当前的模型写出来的代码，倾向于过度防御、过度复杂、局部推理。

它们回避强不变量，用兜底逻辑代替"让错误状态根本不可能发生"，重复代码，发明糟糕的抽象，用更多机制掩盖设计上的模糊。

Karpathy 曾经提到，模型对异常"极度恐惧"。

在有重要的系统里，如持久化数据格式或核心基建，正确修法不是"处理每一种畸形情况"，而是让畸形状态根本无法被写出来。

但即便手动引导，LLM 也很难自然地写出这类代码。

更荒谬的是，就算错误已经不可能发生，它们还是会去处理那个不存在的错误。

把这种行为放进循环里，结果是放大。

每次迭代都加一点小防御，系统慢慢变得难以理解，表面上却越来越"健壮"。

越是放手，越是如此。

Ronacher 认为这个问题没有在改善，甚至在倒退。

Claude Code 加上 ultracode 这类全自动外壳，产出的代码质量比去年秋天还差。

原因：以前是人机协作，现在是机器独自跑三十分钟以上，没有人在中途介入。

还有一个附带伤害：这类工具交给初级工程师，没有明确指导的话，他们会学到非常糟糕的习惯。而且他们能为自己的每一行代码振振有词地辩护。

循环真正好用的地方

但 Ronacher 也不是说循环没用，它在某些领域好用得惊人。

代码迁移是一个。

他自己用循环把 MiniJinja 移植到了 Go，效果不错。

Bun 把部分代码从 Zig 迁移到 Rust，据报道也是类似的自动化方式完成的。

性能探索是另一个。

机器可以跑实验、做基准测试、丢掉失败方案、继续搜索。

安全扫描和复杂问题空间的探索也很适合，让系统去探索、汇报，不一定要提交持久的代码。

这些场景有一个共同点：要么不生成新代码，只是变换已有的代码；要么生成的代码本来就不打算长期存活。

是概念验证，是想法，是发现，或者是机械变换。

循环需要的只是一个信号，让它知道该不该继续。

这个信号不必是客观的、二元的，只要足够有用，能驱动下一次迭代就行。

用另一个 LLM 来做判断，在很多场景下已经够了。

软件正在从机器变成生物

Ronacher 用了一个比喻：软件正在从确定性的机器变成有机体。

他是在一个鼓励理解机器的环境里成长为工程师的。

每一层都可以剥开，加深理解。

架构上，他认为应该推向更多确定性，而不是更少。

在设计良好的系统里，总有工程师知道不变量在哪里，哪些部分是承重墙，哪些改动是安全的。

这个理想当然一直有压力。

大型软件系统本来就太大、太动态、太依赖外部服务，没有人能把它完整地装进脑子里。

即便没有 LLM，诊断分布式系统也已经像医生看病：观察症状，提出假设，"再做几个检查"，尝试治疗，再观察。

但 LLM 把这个趋势扩大。

现在已经有不少工程师，生产问题出现后的第一步，是让机器读日志、提出根因、主动生成补丁。

补丁再由另一台机器审查，有时候甚至直接合并进主分支，没有任何人工监督。

我们修复它，监控它，让它保持稳定，但不一定真正理解它。

Ronacher 承认，对某些软件来说，这没问题。

不是每一行代码都值得人工撰写。

但他不想让所有软件都变成这样。

你没办法完全退出

让他真正感到不舒服的，可能是没退路。

安全是最直接的例子。

就算你不用循环（Loop）来构建软件，别人会用循环来攻击你的软件。

攻击者会让机器持续运转，安全研究员也会。

信号和噪音会同时涌来，量大到你不得不也用机器来处理。

Daniel Stenberg 写过一篇关于 curl 的文章，描述了维护者已经承受的压力。

curl 的核心开发目前 AI 参与并不多，但维护者已经被大量报告淹没，其中大多数是 AI 生成的。

攻击者在循环，报告者在循环，防御者迟早也得循环，才能跟上节奏。

竞争层面同样如此。

有些团队会靠纯粹的速度甩开其他人。五个人做五十个人的事，这已经在发生。

有人甚至会把 AI 瞄准你的产品，让它循环运行，指令就是"做成那个样子"。

如果他们的用户满意，这重要吗？

不是所有软件都会受到同等冲击。

有些领域会惩罚粗糙，要求信任和责任。

但大量软件活在一个速度、实验和覆盖面比精确性更重要的世界里。

我们正在变得过于依赖

Ronacher 认为最可怕的部分，是我们正在以新的方式依赖这些。

软件一直依赖工具。他还记得需要为编译器付费的年代。

现在的工具让他想起那个时代，创作软件再次有了真实的成本。

但这次不是一次性购买，而是持续依赖。

不只是钱包的依赖，还有认知上的依赖。

如果一个代码库是循环写的、循环审查的、循环打补丁的、循环维护的，当你失去访问同类系统的能力时，会发生什么？如果切断了最强大模型的访问权限怎么办？成本变得无法承受怎么办？

你和你的团队失去了不借助机器就理解代码的最后能力怎么办？

我们可能会创造出一种代码库，它不只是人类难以维护，而是把AI参与本身当作维护模型的一部分。

这已经在发生，越来越多的人合并自己无法完全解释的代码。

越来越多的人在提 issue 或聊天时，需要先让机器帮他们补充上下文、重新措辞。

越来越多的人通过 LLM 的 Agent 和别人对话。

循环的边界，需要人来划

Ronacher 对 Pi 的定位也在重新思考。

Pi 一直比较谨慎，他认为这种谨慎是对的。

他不想要一个每次交互都变成失控机器群的未来，不想让 Pi 为了赢得"软件自己写自己"的竞赛而变成一团无法维护的混乱。

但 Pi 本身就是一个Harness外壳程序，而外壳程序正处于这些新实验、探索的中心。

任务队列、Agent 编排、子 Agent、持久会话，这些会越来越重要。

即便是对循环有保留的人，也必须开始做这些实验，因为必须理解如何让这个未来有边界、可以存活。

在 Agent 内层循环里，模型说"完成"，他来审查，中途也会介入引导，他是参与者，也在学习。

在外层循环里，他不确定自己的角色是什么。

连"完成"这个信号都失去了意义，只是被传递给另一台机器去判断。

他的角色被压缩成了一个信使。

他不喜欢这种感觉，也不喜欢这种方式建出来的大多数代码。

但他毫不怀疑，这个循环的未来，就是我们的未来。

他已经看到规模小得不可思议的团队以不可能的速度在构建，也看到越来越多的代码库变成只有机器才能诊断的晦涩生物。

这些代码库同时有用，又一团糟。

所以他正在接受的，不是"我们会不会循环"这个问题，因为答案显然是会。

真正的问题是：在一个循环的未来里，我们如何不放弃判断力，如何保留良好工程的准则，如何确保负责任的人类仍然能够监督，如何重新思考架构方式，让我们在这条路上不至于失去理智。

这个问题，目前没有人有答案。

但它值得每一个认真做工程的人，现在就开始想。

这是洪力德（Louis Hong）随口抛出的一个冷知识。

他在 SpaceX 待了 7 年，管过 7 个部门、3000 多个火箭部位，离开时是猎鹰 9 号的首席制造工程师。

现在他做早期 VC，专投美国硬科技。

在 SpaceX 收购 xAI、IPO 前（现在应该都结束了），他接受了张小珺的深度访谈。

聊了三个小时，从马斯克的用人哲学，到火箭为什么要找 Mini Cooper 团队来造，再到太空数据中心的底层逻辑，相当值得听，小宇宙如下：

https://www.xiaoyuzhoufm.com/episode/6a2be5da43a22a695582ad20

从广州到斯坦福，1999 年全中国只有两个人

洪力德出生在台湾，但很小就跟着父母离开。

父母都在德国公司工作，所以他辗转住过德国、香港，最后在广州待了 8 年，在那里读完高中。

1999 年，他从广州直接申请斯坦福。

那一年，整个中国大陆只有两个人被录取，他是其中之一。

斯坦福读的是机械工程。

毕业那年，2003 年，他面临两个选择：加入 Google 成为早期员工，或者去一家财富 500 强做自动化工程师。他选了后者。

主持人问他后不后悔错过 Google。

他想了想说："人会后悔，是你知道应该做一件事，但因为害怕，选择了更简单的路。后来证明你的直觉是对的，但你没有 follow 它。Google 那时候不是我的直觉，所以没什么可后悔的。"

这句话，在九年后的另一个选择面前，有了完全不同的重量。

两个工人对 55 个工人，他在爱普生学到的事

洪力德的第一份工作在爱普生，地点在美国西北部的波特兰总部。

他被招进去做的事，是设计墨水夹生产线。

墨水夹是爱普生最赚钱的业务，撑起了整个集团。

美国总部的生产线，全程自动化，一条线只需要两个工人：一个在前端放货，一个在末端检查成品。

同样的生产线，在中国那时候需要 55 个工人。

这就是美国制造业在 2000 年代初的样子：用极致的自动化，和中国的人力成本竞争。

洪力德在这里第一次深刻理解了生产效率的本质。

他在爱普生的第二年，就成了全集团最年轻的高管，管着七十几个人的工厂。

在一家极度保守的日本公司，这几乎是不可能发生的事，但他的日本老板力排众议，把这个位置给了他。

但他很快发现，这份工作让他窒息。

每天三个小时，他就做完了所有该做的事。

剩下的时间，在日本公司文化里，你不能说"我做完了，我回家了"，只能继续待着。

表面上是最轻松的工作，实际上是他整个职业生涯里最累的经历，不是身体累，是那种被困住的感觉。

两年后，他离开了。

所有人都劝他选亚马逊，他选了太空

辗转香港做供应链顾问、在亚洲创业做食品品牌之后，2012 年，洪力德同时收到两个邀请。

一个是去日本帮亚马逊开拓市场，他在爱普生时的老板，亲自打电话来，说这是"你人生里不会再碰到第二次的机会"。

另一个，是一个很久没联系的斯坦福老朋友突然找来，说他们在洛杉矶造火箭，问他要不要来。

洪力德问了所有身边的人。

所有人给出了一致的答案：当然选亚马逊，去太空干什么？SpaceX 了不起，一年发十几次火箭，so what？

他最终选了 SpaceX，理由只有一个：

"如果 SpaceX 真的做成了，那将是一个前所未有、我们从来没有看过的世界。如果我有机会在早期加入这个使命却没有去，我一定会后悔一辈子。"

这和九年前错过 Google 的逻辑，形成了一个清晰的对照。

2015 年 12 月 21 日，比 GPT-3 更重要的时刻

洪力德把 2015 年 12 月 21 日称为整个太空行业的真正转折点。

那天，猎鹰 9 号第一次成功入轨，并完整回收。

为什么这个日期对 SpaceX 人如此重要？他打了个比方：

你从 A 城开车到 B 城，刚好开进家门口的那一刻，油箱里最后一滴油用完了。这就是火箭。

火箭的最高境界，是把整个旅程精算到这种程度。

燃料剩一堆，说明你的效率极端低下。

而可回收，意味着这个"一次性工具"变成了可以反复使用的基础设施。

在这之前，任何运输工具用一次就扔，根本谈不上规模化。

这个逻辑放到航天业，就是整个产业的经济基础，从这一刻才真正成立。

洪力德说，这件事在业界的意义，甚至比 GPT-3 对 AI 行业的意义还要大。

SpaceX 的真实目标从来不是造火箭

很多人把 SpaceX 理解成一家火箭公司，这是最大的误解。

洪力德 2012 年加入 SpaceX，2013 年第一次和马斯克开会。

那时候公司才刚刚能一年发射一次，马斯克却已经成立了火星小组，开始规划新一代火箭，也就是后来的星舰。

火箭是手段，不是目的。

猎鹰一号 2008 年第四次发射成功，SpaceX 立刻把它退役了。

很多人觉得不可思议，好不容易成功了，为什么不继续接单赚钱？

因为猎鹰一号的使命只有一个：证明这群人能把火箭送进轨道。

完成了，就可以去做更重要的事。

猎鹰 9 号是猎鹰一号载荷能力的 25 倍，星舰又是猎鹰 9 号的 5 倍。

每一代都不是为了"造更好的火箭"，是为了让下一步的目标变得可能。

这个逻辑，洪力德用发射成本来量化：

• 猎鹰 9 号之前：每公斤载荷送入太空，约 1 到 2 万美元

• 猎鹰 9 号加回收：降到约 3000 美元，接近十分之一

• 星舰的目标：100 美元以下

从两万到一百，缩小两百倍。很多以前在账面上根本算不过来的太空项目，突然就变得可行了。

SpaceX 内部流传着一件应该印出来的 T 恤，上面写着"I told you so"（我早就告诉过你），然后印上马斯克的名字。

意思是，很多当时看起来荒谬的事，后来都一一被证明是对的。

这件 T 恤从来没有真正印出来，但那种感觉，在 SpaceX 工作过的人都懂。

2014 年，他买下了x.com这个域名

2014 年，洪力德和同事在公司食堂吃午饭，有人说听到一个消息：马斯克买下了x.com这个域名。

大家当时没太当回事。

现在回头看，SpaceX、xAI、X（原 Twitter），马斯克旗下的公司，几乎每一家都带着这个字母。

洪力德猜测，或许有一天，这些公司会像 Alphabet 整合谷歌一样，统一在一个"X"的控股结构下面。

他说这只是猜测。

但他补了一句："我不认为这几家公司的存在是偶然的。"

星链的第一原理：太空传输速度天然比光纤快一倍

为什么要做星链？

洪力德给了一个很少被提到的物理层面的解释。

在真空环境中，信号从 A 点到 B 点的传输速度，比地球上任何最先进的光纤都要快将近一倍。

这不是技术优势，是物理定律决定的天然优势。

所以星链不只是"给偏远地区提供网络"那么简单。

它是一条在物理上就比地面网络更快的数据高速公路。

星链计划在 2015 年启动，也就是猎鹰 9 号第一次成功回收的同一年。

SpaceX 刚完成第一步，立刻开始规划第二步。

SpaceX 收购 xAI：太空数据中心的底层逻辑

在美国建数据中心，有两个几乎无解的难题：

第一，审批。

选址、电力接入、环评、周边居民同意……每一关都要花大量时间和精力。

第二，缺电。

美国电网大部分是 30 年以上的老设施，最新的两座核电站建于 1990 年代。

在 AI 出现之前，电网缺口就已经达到 25% 到 40%。

AI 需求叠加上来，根本没有足够的电力支撑大规模数据中心扩张。

太空数据中心解决的正是这两个问题：

• 不需要审批，谁先上谁先占位

• 太空太阳能转换效率比地面高出十几个百分点，而且能源几乎无限

洪力德说，这是 SpaceX 和 xAI 合并背后真正的底层逻辑，不是马斯克某天突发奇想，而是从第一原理推导出来的必然路径。

当然，他也没有回避难度：把算力发射到太空，并让它在性价比上真正超越地面数据中心，这不是一条简单的路，即使对 SpaceX 来说也不是。

马斯克的用人哲学：不要经验，要成长速度

SpaceX 早期有一个内部笑话：如果你能在 SpaceX 待超过 6 个月，恭喜你，你已经是元老了。

很多人进来之后发现，这里完全不是他们想象的公司，很快就离开了。

洪力德自己就是典型案例。

他加入 SpaceX 之前做过食品创业，在给马斯克的那封"入职申请信"里，他这样解释食品和火箭的关联：

食品是全世界最难的产品之一。你需要在极短时间内爆发式生产海量产品，同时每一个产品都要通过全世界最严格的品控——你的嘴巴。这套对生产流程的极致要求，完全可以迁移到火箭制造上。

马斯克看完，一分钟内拍板要了他。

SpaceX 不找航空航天专家，原因很直接：整个行业几十年没什么大变化，都是那批人弄的。如果要真正打开宇宙，必须引入外部视角。

他们第一批负责扩张生产流程的团队，来自 Mini Cooper。

原因是 Mini Cooper 在所有汽车品牌里 SKU 最高：车顶颜色、后视镜颜色、内饰配置，排列组合下来是全行业最复杂的生产系统。

而猎鹰 9 号的每一次发射都在迭代，没有两只火箭是完全一样的，需要的正是这种"高量、高变化"的生产能力。

全世界最高科技的宜家

洪力德加入 SpaceX 的第一个岗位，是负责飞龙号飞船的内舱设计。

飞龙号承担的任务，是把货物从猎鹰 9 号送到国际空间站。

内舱，是宇航员打开舱门后唯一能看到、能触碰的部分。

科幻电影里那些发光的操控台、流线型的座椅，描述的正是这个空间。

洪力德说，实际上他做的事情，本质是在造 "全世界最高科技的宜家橱柜"。

要最轻，同时要能承受普通家具根本无法想象的几倍重力，还要和飞船所有系统完美协调。

这些东西市面上根本买不到，全部要自己开发。

他说，这些“橱柜”的造价，可能比美国中西部一栋房子还贵。

马斯克开会只谈三件事

洪力德和马斯克开过很多次会。他总结，马斯克只会在三种情况下找你：

1. 你的东西迟到了（Delay了）

2. 你的东西做不出来

3. 你的东西需要更多的钱

没有例行汇报，没有定期同步。

马斯克不找你，说明你做得不错，继续做。

他每年年初会给全公司发一个目标清单，密密麻麻列了二三十件事。

大家看完的第一反应，通常是：如果能完成前两三件，已经很了不起了。

马斯克的逻辑是：如果全公司都像他一样，这些事全部都能完成。

但现实是，能完成前三到五件，公司就已经在整个行业里遥遥领先。

这份清单不是 KPI，是一种施压机制，也是一种方向感。

有一次，一位资深工程师在会上对马斯克说"你要求的东西不可能做到"。

马斯克没有拍桌子，没有咆哮，很平静地说了一句：

"好，那我接受你的辞呈。"

会议室里沉默了大约 30 秒。

那个工程师走出去了，就这样。

洪力德说，马斯克不会大声骂人，但比大声骂人更让人难受，他只是平静地告诉你，你不适合待在这里。

不过马斯克也有另一面。

他开心的时候，会像小孩子一样，跟你讲冷笑话，眼睛发亮，完全藏不住。

洪力德说，全公司都在拼命，某种程度上是因为大家都想看到他那个状态。

那种开心是真的，不是表演出来的。

这两面放在一起，才是洪力德眼中真实的马斯克：极度平静，极度真诚，情绪很少外露，但一旦外露，就是最真实的那种。

他对团队的要求，不是"提升 30% 效率"，而是十倍级、百倍级的跳跃。

有一次团队自研高压桶，把成本降低了 90%，还做出了全自动化生产线，觉得已经是全球最牛的团队了。

马斯克看完，第一句话是：

"你有没有看过可乐罐的生产？"

可乐罐也是耐压产品，一分钟能生产上千个，成本几分钱。

从第一原理看，你们做的这个东西，和可乐罐是同一类物理问题，你们还有多大的改进空间？

没有办法反驳。

最崇拜的人，差点让他哭出来

SpaceX 早期最难熬的，不只是技术和资金，还有来自"自己人"的否定。

马斯克年轻时极度崇拜 Buzz Aldrin：人类第二个登上月球的人，阿波罗 11 号的宇航员。

但 Buzz 曾公开说，SpaceX 最终会搞砸，因为他们是一群硅谷牛仔，根本不懂太空有多不容许犯错。

马斯克在接受采访时谈到这件事，差点哭了。

洪力德说，那段时间 SpaceX 的处境是：在内部拼命往前推已经很累了，好不容易做成一点事，还被外界时时刻刻泼冷水。而泼冷水的，恰恰是他最崇拜的人。

更讽刺的是，当年那批最大声说 SpaceX 会搞砸的人，现在是最大声说 SpaceX 是全球最厉害公司的人。

NASA 用了二十年，花了 250 亿美元，造出一个不如星舰的火箭

这件事，是理解 SpaceX 为什么能赢的关键。

NASA 在 SpaceX 出现之前，用的是一种叫"成本加成"的合同模式：承包商花多少钱没关系，NASA 保证你在成本上还能赚钱。

在这种结构下，没有任何人有动力去降低成本，越花越多反而越赚。

波音、洛克希德·马丁这批传统航天巨头，就是在这套机制里养大的。

NASA 自己后来开发了一款火箭，叫 SLS。

2011 年启动，花了接近 250 亿美元，用时将近二十年。性能远不如星舰，而且不可回收。

这是旧太空时代最典型的产物。

SpaceX 的出现，逼着 NASA 改变了游戏规则。

NASA 开始把合同给民营企业，不再包成本，而是按结果付钱。

第一张单，给了 SpaceX，用猎鹰 9 号和飞龙号，给国际空间站补给物资。

洪力德说，NASA 的转变不是因为它突然开窍了，而是因为它已经被边缘化到不得不改变。

三十年躺着，总有一天要交代。

最成功之后，才是最低谷

洪力德说，很多人以为 SpaceX 最困难的时刻是 2008 年：猎鹰一号连续失败三次，公司快撑不住了。

但他不这么看。

真正最难的时候，是 2015 年和 2016 年。

那时候猎鹰 9 号已经是业界公认最先进的火箭，SpaceX 已经跑到了所有人前面。

就在这个时候，连续两次发射失败。两次，都跟洪力德管的部门有关。

在一无所知的情况下失败，比一开始就失败更难熬。

因为你已经是最好的，没有人可以问，没有参照系，只能靠直觉和运气一个个排查所有可能性。

那段时间，洪力德说是他在 SpaceX 七年里压力最大的时候。他很久没生过病，那段时间病了。

最后找到的问题，是一个"未知的未知"，一个在所有设计审查里都没有被发现的边缘缺陷，被他们猜中了。

猎鹰 9 号在那之后，600 多次发射，再没出过类似的问题。

值得一提的是，2015 年 6 月 28 日那次爆炸，恰好是马斯克 44 岁生日。

洪力德那天比平时晚到，刚进公司就听同事说"看起来不妙"，几分钟后火箭在发射台上炸了。

他说，可以想象马斯克在自己生日这天经历这件事，是一个蛮深刻的体验。

马斯克那天坐在控制台最前排，洪力德没有看到他的表情。

深夜 11 点，他在产线上找愚蠢的流程

洪力德的特斯拉合伙人告诉他一个细节：马斯克最喜欢在晚上 11 点之后去特斯拉产线，看大夜班运转。

不是去巡视，不是去鼓励员工。

他去找的是"不符合逻辑的愚蠢流程"，发现了，当场就干掉。

这和洪力德描述的 SpaceX 里的马斯克是同一个人：他只出现在最困难的问题面前。

某个部件卡住了，某个流程出问题了，你会发现马斯克就待在那边，直到问题解决。

不庆功，不做仪式感，只盯着那个还没解决的东西。

SpaceX 的竞争对手是谁？

马斯克的原话：我们的竞争对手是我们自己的进展速度。但我们密切关注中国航天的发展。

洪力德认为，未来太空领域最重要的两个参与者一定是中美。

他把 SpaceX 比作大航海时代的东印度公司，财力和影响力都极其庞大，而且才刚刚开始。

他至今没有卖掉手里的 SpaceX 股票，理由是：这家公司的估值，连它一点点可能性都还没有反映出来。至少是一个万亿级的公司。

太空产业的真正机会在哪里

洪力德把航天产业链分成三层：

• 上游：火箭、卫星、太空站的建造和发射

• 中游：卫星控管、数据传输

• 下游：应用层，星链是目前最明显的案例

他们基金的投资逻辑，是找"SpaceX 链"和"Android 链"上的创业者。

前者是顺着 SpaceX 平台做配套，后者是在 SpaceX 打开的市场里独立发展。

这批创业者大多来自 SpaceX 内部，二三十岁，工程能力极强，对行业底层逻辑有独特认知，洪力德把他们称为"SpaceX Mafia"。

他们现在关注的一个方向：在太空的微重力环境下生产下一代晶圆。

地球上建一座晶圆厂需要几十亿美元，本质上是在花大价钱模拟一个接近真空的洁净环境。

太空天然就是这个环境。

另一个方向：可控重力太空站。

不是有重力或没重力，而是可以主动调节重力大小。

这是一个纯工程问题，物理上完全可行，只是之前没有人有能力去做。

人类即将进入一个可以控制温度、气压，还能控制重力的空间，这是历史上从来没有过的第三个维度。

给从业者的一个判断

如果你在关注太空产业，洪力德的核心判断是：

现在的太空，不是 95 年的互联网，也不是 10 年的移动互联网，而是一个比这两者都更大、且刚刚开始的市场。

星链只是第一层应用。

当低轨通信网络成熟之后，它对地球整个数字生态的影响，会是第二波 AWS：所有的 AI 应用、物联网、自动驾驶，都可能跑在这张天上的网络上。

SpaceX 用 20 年打开了这扇门。

接下来的机会，在门后面。

模型特点在这里：

https://mp.weixin.qq.com/s/a-eevQvWVAYwZQeFi1ZomA

到底如何，我们还是看实际场景表现。

乔帮主从常规测试、工作场景和个人爱好出发，带着大家一起测 Seed-2.1-Pro 。

一句话总结：Agent 和 Coding 迈过生产级可用线，多模态识别有惊喜！

小汽车测试

Django Web 框架的联合创始人之一 Simon Willison。

每次模型发布，他都会做 “鹈鹕骑车” ，来测模型推理和SVG生成能力。

最近 Reddit 流行一个新测试，我称之为“小汽车测试”，中文翻译提示词如下

用一个单独的 HTML 文件实现全屏画布，不使用任何库。以侧视角模拟一辆行驶中的汽车作为主体。保持汽车在前景中可见，同时背景景观持续滚动，营造出汽车向前行驶的感觉。使用分层场景实现景深效果：近处地面、路边元素、树木、电线杆以及远处的山丘或山脉应以不同速度移动，形成自然的视差效果。真实地动画化车轮旋转，并添加细微的车身运动，使汽车感觉与道路相连。让环境在车后平滑地流过，场景重复但富有变化，使运动感觉真实可信。使用电影级光效和统一的天空（如日落、黄昏或日光）来增强氛围。整体运动应感觉平静、沉浸且真实，具有无缝循环动画效果。

这个测试很妙，一次性考察大模型物理建模、无缝循环动画、空间层次、美学和编程能力。

如果模型编程能力不强，很难通过测试，因为要求不能用第三方库，只能从头生成原生 JS 代码。

JS 代码一旦出错，很容易白屏加载不出画面。

Seed 2.1 Pro 出来效果如下，感觉有点超预期。

虽然背景树木时高时低有点怪，小汽车轮子太靠上，但整体完成很不错。

前端网页开发

用大模型，很多时候是为了开发网站，前端网页开发能力多少得测下，提示词如下：

设计并实现一个面向 CFO 的「AI 财务预测平台」官网首页，要求包含首屏 Hero、可信客户 Logo、3 个核心卖点、一个实时财务预测仪表盘预览、客户证言、价格入口和 CTA。输出可运行的单文件 HTML/CSS/JS 或 React 组件。要求视觉风格接近 Linear/Stripe/Notion 的高级感，但不能照抄任何品牌。

界面简洁清晰，提示词遵循也不错，图表展示效果不错，但整体中规中矩，算符合超预期。

https://www.32kw.com/view/ed38b2d

后台功能开发

身边 AI Coding 厉害的朋友，现在都是用文档驱动开发（Spec开发）。

先让 AI 生成需求文档，自己检查没问题后，丢给 AI 开发即可。

最常见案例就是开发个 CMS（内容管理系统），大部分网站基础就是这个，复杂点会加上注册登录、用户权限管控、页面SEO页面优化、Rest API 等。

试下 Seed 2.1 Pro 是否能完美执行这套工作流：

读取这个PRD，开发CMS系统：[文档地址]

Seed 2.1 Pro 选择了 nextjs 框架、sqlite数据库，还设计了 REST API 接口。

5 分钟左右完成开发，增删改查正常，功能完全符合文档要求，除界面不够 fancy，挑不出别的问题。

这么看，一些常规编程任务也可以用 Seed 2.1 Pro 了。

生成炸裂标题

不是人人都需要编程，但日常写文章，取个标题，是最常见不过的任务。

大聪明（赛博禅心）一直跟我说，做自媒体要研究新智元。

喷归喷，但人家起标题真的是一绝。

新智元发布了5000多篇文章，让 AI 分析了 2688 篇，提炼了一套新智元标题生成 Skill

npx skills add joeseesun/qiaomu-xinzhiyuan-title

虽然用 Prompt 也能生成标题，但用 Agent 能读取飞书、公众号页面，再参考 Skill 的 Reference 文档，生成标题质量更稳定、更轻松。

这里我们继续用开篇文章，提示词也简单：

用新智元标题Skill生成10个候选标题，读取这里的内容：https://mp.weixin.qq.com/s/a-eevQvWVAYwZQeFi1ZomA

是不是有那个味道了？😂

没想到老实巴交的豆包 Seed 2.1，也能瞬间变标题党，相当炸裂！

竞品调研报告

很多人的日常工作，经常要做一些产品分析调研，把下面提示词发给 Seed 2.1 Pro：

调研 3 个「AI 会议纪要工具」的官网、价格、核心功能、集成生态、隐私合规表述和用户评价。输出一张竞品矩阵，并给出面向中小企业的 MVP功能优先级、差异化定位和 90 天 Roadmap。

生成内容很长，我补了一句：“写入飞书文档”，精准调 lark-doc 写入文档，效果如下：

指令遵循不错，各项任务都完成了。

直接抓取被拦截时，还会调用 Playwright 读页面获取信息。

生成信息卡图

将任意文本或链接一键转化为杂志质感信息卡片，自动截图输出图片，适合分享到 X、小红书、微信。

先安装下面乔帮主的 Skill

npx skills add joeseesun/info-card-designer

然后把开篇的微信文章发给 Seed 2.1 Pro，提示词：

读取 https://mp.weixin.qq.com/s/a-eevQvWVAYwZQeFi1ZomA 用信息卡skill生成卡片

默认生成了蓝紫渐变图 😂 ，让它调整生成白色简洁风格信息图。

制作电子书

互联网上有些博客写的非常好，很值得做成 epub 电子书，导入微信读书随时看。

安装下面的 Skill，一句话生成电子书。

npx skills add joeseesun/qiaomu-epub-book-generator

比如 Paul Graham 的博客，常读常新。

此任务可以测试 Seed 2.1-pro的 Skill 调用和执行能力，提示词很简单：

抓取 Paul Graham 最新 x 条博客，用乔木 epub 制作 skill 生成epub电子书

不仅顺利下载翻译博客文章为中文。

还能遵循 Skill 封面设计规范，先设计网页，再调用 Playwright 截图，生成电子书封面。

拍照识鱼

乔帮主作为钓鱼佬，最近在开发一款自用 iOS App。

产品需求：拍照后 AI 自动读取相片 exif 信息记录钓点，同时识别渔获，什么鱼种，有几条。

之前测试 Gemini 3.1 Flash，竟把白条识别成“泥鳅”，非常恼火。

听火山发布会说 Seed 2.1 Pro 多模态不错。

抱着试试看心态，给了一张没抹去 exif 信息的图片，输入提示词：

读取这张图片的地理位置信息，并识别图中有几条鱼，什么鱼

附件原图：

结果让人感动，不仅调用 exif 工具读取了图片地理位置（温榆河），还准确识别了鱼种和数量。

连泥水中看不太清楚的两条都识别到了，还给我科普了白条的拉丁名和其他俗名，震惊！

鱼种：几乎全是白条鱼（学名䱗，Hemiculter Leucisculus，俗称餐条、青鳞子、游刁子）

我的钓点记录 App 终于有救了。

如何体验？

虽然豆包专业版-办公模式、TRAE、TRAE WORK、扣子都上线了 Seed-2.1-Pro。

但企业和专业用户一般会接 API，在Claude Code等工具中使用。

为还原实际能力，避免产品系统提示词影响，上面测试都用是 CC Switch + 火山方舟 API ，终端用的 cmux。

写在后面

可能最近牛 X 模型太多了，豆包 Seed 2.1 Pro 感觉稍微有点中规中矩。

好消息是 Agent 能力达到可用线，常规编程、调工具、写文档、截图、生成电子书都能搞定，这对依赖 AI 工作流的人来说，体感差异很明显，且价格还不错。

最大惊喜来自多模态，至少我测试的场景，明显领先 Gemini 3.1 Flash。

等后面有空我再测下自动化视频剪辑，这个更考验多模态实力。

上面测试的 Skill 都是开源的，直接 ⁠npx skills add 就能用。

如果想在 Claude Code 中调用，直接去火山方舟申请 API 即可，已经全量开放。

这个判断，值得认真拆一拆。

:::qrcode 关注公众号

把二维码图片拖到这里，或粘贴图片链接。

:::

人类资本和Token资本，缺一不可

纳德拉提出了一个新的框架：每家公司未来都要同时积累两种资本。

一种是人类资本，也就是员工的知识、判断力、关系网络、创造力和模式识别能力。另一种是Token资本，也就是企业自己构建和拥有的AI能力。

很多人的直觉是：AI越强，人的价值越低。纳德拉的结论恰好相反。他认为，Token资本越增长，人类资本反而越值钱。原因很简单：没有人的方向指引，算力只是在原地打转。

设定目标、跨领域连接信息、建立关系、识别真正重要的模式，这些事情AI目前做不了，而且这些恰恰是驱动Token资本增长的引擎。

真正的护城河，是学习飞轮

纳德拉用了一个词：hill climbing machine（爬坡机器）。

这个比喻很准确。一家公司如果能把自己的工作流、领域知识、积累的判断力，全部转化成AI系统，并且让这个系统随着每次使用不断变好，那它建起来的就不只是一个工具，而是一条持续复利的护城河。

具体怎么做？他给出了三个关键组件：

• 私有评估体系（Private Evals）：用真正对业务有意义的结果来衡量模型是否在进步，而不是依赖外部公开基准。

• 私有强化学习环境：用企业内部真实的操作痕迹来训练模型，让它在公司自己的场景里越来越强。

• 知识库：让机构记忆可以被检索，让Token的使用更高效。

这个逻辑的关键在于：你可以把一项任务外包出去，甚至把一个岗位外包出去，但你没办法把学习本身外包出去。 停止学习的组织，迟早会发现自己的专业知识被模型商品化掉。

还有一个更大的担忧

纳德拉在文章后半段说了一件更重要的事。

他拿全球化第一阶段做类比：当年外包浪潮让GDP数字好看，但整个工业经济体的空心化是真实发生的，代价到今天还在承受。他担心AI时代重演这个剧本，只不过这次被空心化的不是某个地区的制造业，而是各行各业的知识积累。

如果所有价值都被少数几个模型收走，政治经济体系不会允许这种局面长期存在。 这不是道德呼吁，而是一个系统稳定性的判断。

所以他的结论是：微软的优先级，是建一个前沿生态系统，而不只是一个前沿模型。让每家公司都能拥有自己的学习飞轮，让价值流向每个企业、每个行业、每个国家。

对企业的实际含义

纳德拉还给出了一个具体的测试标准：一家公司应该能够随时换掉底层的"通用模型"，而不会丢失已经积累在系统里的"老员工经验"。 能做到这一点，才算真正掌握了自己的AI主权。

换句话说，如果你的AI能力完全依赖某一个外部模型，换模型就等于从零开始，那你其实什么都没有积累。

这是一个很实用的自检问题，适合现在正在做AI建设的团队认真问一问自己。

一家大型企业的CIO最近发现，公司每个月花了几十万美元，员工却只是用最顶级的AI模型问"今天天气怎么样"。

这不是段子。

这是Factory CEO Matan Grinberg亲口讲的真实案例。

Factory是一家专注企业级软件开发的AI公司，客户包括全球最大的一批企业。

Matan本人是物理学家出身，在普林斯顿和伯克利钻研弦理论12年，后来转行创业，拿到了Sequoia的第一张支票。

他对企业AI的观察，有一种物理学家特有的冷静。

企业AI正在经历宿醉

Matan把企业采用AI的过程分成三个阶段：

第一阶段：董事会开始催CEO，"你的AI战略是什么？"CEO转头催CTO，"赶紧搞。"

第二阶段：AI不计成本地铺开。Token用量写进绩效考核，全员强制采用，越多越好。这个阶段比所有人预想的都结束得快。

第三阶段：宿醉。账单来了，ROI在哪里？没人说得清楚。

现在大多数企业正处于第三阶段的开端。

Uber宣布给每个员工设置1500美元的AI使用上限，这件事在企业圈里不是新鲜事，只是第一次被公开说出来。

Matan说，Factory的客户里，这种情况已经发生了几十次。

这说明什么？

Token不是越多越好，它是一种需要被管理的资源。

核心竞争力才是资源分配的锚点

Matan用一个很直白的类比解释了企业AI资源分配的逻辑：他知道怎么出门买午饭，但这不意味着他应该去买。

Factory的CEO去给团队买外卖，不是高效的资源分配。

这个道理放到企业AI上同样成立。

Kirkland & Ellis宣布花5亿美元自建AI工具，Matan的反应是：这家律所的核心竞争力是法律，不是软件开发。

他甚至认为，这对Harvey（专注法律AI的公司）是个利好，因为没有什么比自己动手更能让人意识到"这件事真的很难，还是找专业的人来做吧"。

真正的问题不是"能不能做"，而是"值不值得做"。

以前软件的护城河是"我会做这个，你不会"。

但AI出现之后，理论上任何人都能构建任何软件。

护城河从"能力壁垒"变成了"时间和注意力的分配"。

所以对企业领导者来说，未来24个月最重要的决策不是选哪个模型，而是：我们的核心业务指标是什么，怎么把Token、人力和资金都对准这个目标？

模型之战：所有人都在试图把别人变成商品

Matan说了一句很坦诚的话："我在说大家都不敢说的事，每个人都在试图把不是自己的那一层变成商品。"

模型公司希望应用层变得无关紧要，应用层希望模型之间充分竞争、互相压价，基础设施公司有自己的算盘。

这就像微软那张著名的组织架构图，每个部门的枪都对着其他部门。

价值归属是一个时间依赖的现象。

不是说某一层永远拿走所有价值，而是在不同阶段，定价权在不同地方。

Factory的策略是做模型无关的应用层：让OpenAI、Anthropic、Google都感受到压力，逼着它们提供最好的性价比。

这个逻辑的前提是，没有哪家模型公司能拉开决定性的差距。

Matan的"空头论点"也说得很清楚：如果某一家模型公司远远甩开其他所有人，Factory的模型路由价值就会大幅缩水。

但他认为这种情况不太可能发生，而且一旦发生，那就是整个经济体都需要担心的垄断问题了。

他最近改变的一个判断是：最终会有至少四家公司保持在前沿水平，而不是一两家通吃。

这对整个生态是好事。

80%的任务不需要顶级模型

Matan给了一个很具体的数字：当前用前沿模型处理的任务，大约80%到90%用开源模型就能完成。

这不是在唱衰前沿模型。

他的解释是：真正需要顶级模型的，是规划和决策的部分，也就是那10%到20%的"关键Token"。

就像一家公司里，最高管理层花的时间不是最多的，但他们做的那几个不可逆决策，决定了公司的走向。

前沿模型是决策层，开源模型是执行层。

好的资源分配，是把贵的算力用在真正值得的地方。

这也解释了为什么"智能路由"会成为下一个重要基础设施：不是所有任务都值得用最贵的模型，但你需要一个系统来帮你做这个判断。

工程师的价值正在重新定义

Matan对"10x工程师"这个概念有自己的理解。

他不太在意倍数，更在意的是"关键节点"：把这个人从组织里抽掉，会不会有什么东西倒塌崩溃？

AI工具给高杠杆的人提供了更高的杠杆，给低杠杆的人提供的帮助相对有限。

差距会拉大，但不是因为代码写得快不快，而是因为谁更懂得怎么用杠杆。

他认为，未来最值钱的工程师不是那种能快速写代码、赢得算法竞赛的人，而是能端到端拥有业务结果的人。

不只是"我负责这个功能"，而是"我负责这个功能从用户行为到销售转化的整条链路"。

Factory内部已经在实践这个模式：工程师和销售坐在一起，工程师发布功能时销售说"我们发布了"，销售签单时工程师说"我们签了"。

这在湾区AI圈子里被认为是异类，但Matan认为那些把销售和市场当成"脏活"的公司，迟早会付出代价。

他用了一个很好的比喻：现在是失重状态，不需要肌肉也能活。

但重力会回来。等市场回归正常竞争，那时候没有销售和市场能力的公司，肌肉早就萎缩了。

"说出一家传奇公司，它的销售或市场团队是烂的。你说不出来。"

多面手的时代回来了

Matan是物理学家，他对这件事有一种个人化的感受。

达芬奇那个年代，一个人可以同时是画家、工程师、解剖学家，因为每个领域都还不够深，一个人在有生之年可以触达多个领域的前沿。

到了20世纪，每个学科都深到需要几十年才能追上前人，专业化是唯一的出路。

AI把这个逻辑反转了。

它可以帮你快速跨越知识积累的门槛，让你在多个方向同时推进。

多面手的时代回来了。

这对招聘的启示是：Factory在找的不是某一项技能最顶尖的人，而是能在多个维度同时推进、愿意拥有端到端结果的人。

那种从小被训练"必须参加数学竞赛、必须走这条路"的人，反而是反向信号，因为他们没有在主动选择自己的方向。

给企业决策者的一个判断框架

Matan提到了一个值得认真对待的问题：Salesforce CEO Marc Benioff说，他在Anthropic上的花费是开发者薪资的3.8%。

三年后这个数字会是多少？

如果还是3.8%，说明AI没有真正改变开发效率。

如果是20%甚至更高，说明Token正在成为和人力同等量级的生产要素。

Matan的判断是：三年内，Token支出的中位数会和薪资处于同一数量级。

但这个数字不会是均匀分布的，有些人的Token支出会是薪资的几千倍，有些人可能是零。

这意味着，用统一的Token预算管理所有员工，是一种过于粗糙的做法。

真正的资源分配，需要按照每个人的杠杆率来设计。

如果你现在是企业的技术或业务负责人，最值得做的一件事是：把你的核心业务指标写清楚，然后问自己，现在的Token、人力和资金分配，有多少是在直接推动这些指标，有多少是在推动中间指标。

宿醉之后，账要算清楚。

X 上有人做了猜测分析，不少内容很干货，值得翻译分享。

原文：https://x.com/Rafa_Schwinger/status/2066230802439180447

所有人都找错了地方

每次 Anthropic 发布新模型，外界的第一反应都是去猜架构，猜参数量，猜注意力机制等等。

但 Anthropic 对早期合作伙伴的说法是：Mythos 的架构没什么特别之处。

这个说法来源单一，但和模型的实际表现一致。

2025 年 5 月，Anthropic 两位研究员 Sholto Douglas 和 Trenton Bricken 在播客里说得很明白：

语言模型的强化学习（RL，Reinforcement Learning，让模型通过试错来学习的技术）终于跑通了，最关键的是奖励信号能不能被验证。

这句话把解释的方向从网络结构转到了训练信号。

一句话概括：一个模型的能力，约等于它的基础底座乘以它能拿到的可评分信号的质量。

文本数据不稀缺，顶级实验室的算力也不再是瓶颈，真正稀缺的是"可验证的经验"。

让训练能奖励真正正确的答案，而不只是听起来合理的答案。

先搞清楚：Fable 和 Mythos 是两回事

这两个名字经常被混用，但它们是不同的东西。

Fable 是产品层，一个复合路由系统。

当分类器检测到请求涉及网络安全、生物化学或模型蒸馏等敏感领域时，答案会转由 Claude Opus 4.8 处理。

这点发布里有明确说明，第三方评测榜单上的模型名称也写着"Claude Fable 5，含 Opus 4.8 回退"。

此外，系统卡（System Card）的详细解读针对前沿 AI 研究请求的额外限流机制，最初是隐藏实现的，后来 Anthropic 承认这个设计是个错误并将其公开。

Mythos 是底层模型本体，一个单一的集成网络。

推理能力是这个模型本身的能力，不是靠路由到另一个专用模型实现的。

外界觉得 Fable 是"一组模型拼起来的"，这个直觉更多是对产品层的观察，而不是对核心模型的描述。

这个区分很重要，因为 Fable 的公开评测分数被安全路由污染了，虽然路由只触发个位数百分比的会话。

能力是怎么一层一层叠出来的

整个训练流程可以分成六个层次，每层都有对应的机制和公开证据。

第一层：高密度预训练，数据质量比数量重要得多

Allen-Zhu 和 Li 的研究量化了语言模型的知识容量，发现有效 token 与垃圾 token 的比例如果达到 1:7，模型的存储效率会下降约 20 倍。

但只要在文档前面加一个来源标签，比如域名，这个损失就能从 20 倍降到约 2 倍。

不是追求"更多数据"，而是要有 "更干净、标注更好的数据"。具体数字：

• 把 C4（一个常用的嘈杂网页语料库）重写成干净版本，预训练速度大约提升 3 倍

• 用约 30% 高质量合成数据加 70% 自然网页文本的混合比例，在相同算力下收敛速度可以快 5 到 10 倍

第二层：可验证奖励的强化学习，这是最关键的一层

这套方法的算法核心叫 GRPO。

Group Relative Policy Optimization，一种不需要单独价值网络、通过比较一批采样结果来学习的优化算法。它不需要单独的价值网络，而是从一批采样结果里估算哪个答案更好。

真正的难点不在优化器，在奖励本身。

一个有用的训练环境必须满足"健全性"：高奖励必须真正对应任务被解决，而不能被模型钻空子。

这块是从业者普遍反映的真正瓶颈，比扩大环境数量还难。

Anthropic 把环境构建当作一个常设职能来运营，专门设立了"环境扩展团队"，负责设计奖励信号和构建质量保证框架来捕捉奖励作弊行为。

那次 2025 年播客里还有一个细节值得注意：研究员提到，在此之前，实验室在强化学习上花了约 100 万美元，而在基础模型预训练上花了约 1 亿美元，刻意把 RL 规模压得很小，直到确认算法是对的，言下之意是一旦确认，投入就会大幅扩大。

把 Mythos 的跃升可能是已经找到可验证奖励强化学习的方法。

为什么代码是整个体系的重心

代码是唯一同时满足"长流程"和"廉价可验证"两个条件的领域：它需要规划、工具调用、有状态的上下文和错误恢复，但结果可以直接编译运行来检验。

这个组合让代码成为最值得大规模制造的训练环境，这也是为什么每家实验室的AI Agent 故事都从代码讲起。

并非所有信号都是合成的或靠自我博弈学来的。

Anthropic 通过收购 Adept 获得了一项专利（US 12,437,238 B1），涵盖计算机操作子系统，描述了通过拦截人类界面操作和收集 Agent 自身运行的在线反馈来生成智能体轨迹数据，这是一种混合栈，不是纯粹的人类示范。

第三层：测试时算力，买更多验证

Claude 3.7 时代，Anthropic 已经在用"采样多个并行尝试，用验证器筛选和排名"的方式提升性能。（这种方法叫测试时算力）

这把 SWE-bench 成绩从 63.7% 提升到了 70.3%，同样的方法也用在了 GPQA（研究生水平科学问答）和 AIME（美国数学邀请赛题）上。

现在模型上的"思考力度"控制，本质是这个机制暴露给用户的接口，决定每个答案愿意花多少验证成本。

需说明的是，这是 Claude 3.7 时代的证据，是这个系列方法的先例，不是 Mythos 当前流程的精确描述。

第四层：长流程强化学习，让模型学会管理自己的上下文

一个能把子任务分支出去、完成后折叠成摘要的智能体，在只用 32K 活跃上下文的情况下，可以匹配甚至超过需要 327K 上下文的基线。

前提是这个折叠能力用步骤级过程奖励直接训练，稀疏终端奖励太弱，教不会它。

这个结果来自一个开源的 360 亿参数模型，不是 Anthropic 的，所以它展示的是机制，而不是具体实现。

但它精确地定位了真正的约束：KV 缓存（模型处理长文本时需要存储的中间计算结果）随序列长度线性增长，主导了服务成本。

持久长流程能力，是一种训练出来的上下文管理能力，不是依赖窗口大小。

第五层：递归自我改进，飞轮在转但还需要人

Anthropic 自己的数据：

• 当前系统给研究员带来了约 4 倍的产出提升

• 在某个固定的代码优化任务上，一年内测量到的加速从约 3 倍增长到约 52 倍，但实验室自己警告这个数字不能直接换算成真实训练加速

• 实验室定义"真正自动化 AI 研究"的门槛大约是 40 倍，也就是能把两年的进展压缩进一年

• 系统卡明确说明 Mythos 没有越过这条线

飞轮是真的，但现在还需要人来转动。

为什么它思路清晰，为什么它能持续工作

这两个问题有同一个答案。

清晰的推理，本质上是单步的可验证正确性。

一个在"对不对能被检验"的环境里训练出来的模型，被选择的是真正能通过检验的推理，而不是听起来合理的推理。

这就是为什么这些系统在数学和软件上读起来思路清晰，在没有廉价验证器的品味判断类领域里表现平平。

持续的长流程工作，则是跨越多步的可验证正确性。

这也是最常被误解为"上下文窗口够大"的能力。

百万 token 上下文窗口在 2026 年 3 月的 4.6 系列上实现了，实现方式是在长文档上继续预训练加 RoPE/YaRN 重缩放（一种让模型处理更长文本的位置编码技术）。

这是个相对便宜的扩展，但长流程能力不靠这个。

长任务失败的真正原因是单步错误的累积。

一个模型在每步 99% 的情况下是正确的，和每步 99.9% 正确的，在短任务上几乎看不出差别，但在几百步的长任务上，这个差距就是成败的关键。

更麻烦的是，这种自我条件化（模型把自己之前的错误当作输入，越错越错）不会随着模型规模扩大而消失，但有意识的测试时推理能抑制它。

这悄悄把"单步推理精度"和"长流程持久性"统一到了同一个机制下。

METR（一家评估 AI 自主能力的机构）的测量把 Mythos 放在自主时间跨度榜单的顶端，50% 成功率的时间跨度至少 16 小时，置信区间从约 8.5 小时到约 55 小时。

但 METR 自己也说超过 16 小时的测量在当前测试上不可靠，因为只有极少数任务能跑那么长。

竞争格局：谁在做同样的事

这套方法不是秘密，各家都在做，差距在于深度和整合程度。

有一个细节特别值得关注。

DeepSeek V4 的训练配方是：把底座分叉成各领域专家，然后用超过 10 个教师模型的在线蒸馏把它们整合回来。

这是一个复合的、面板状的结构，存在于训练时而不是服务时。

这是目前最清晰的暗示，说明 Fable 表面上的"自我面板化"可能部分是底座训练方式的产物。

中国实验室展示了方法，缺的是算力；美国实验室握着算力，藏着方法。

RL 环境的供应商市场已经快速形成，多家公司估值达到数十亿美元，Anthropic 据报道曾讨论在一年内花费超过 10 亿美元购买 RL 环境。

Fable 和 GPT-5.5 正面对比

用 Opus 4.7 作为公开的 Anthropic 代理（原始 Mythos 从未单独销售），两者的对比按领域分化，而不是一边倒。

网络安全那，OpenAI 的评级是自评安全评估，Anthropic 的描述是自己写的且在量级上存在争议，没有第三方独立裁定。

Vending-Bench（一个测试开放式智能体任务的基准），在没有清晰验证器的开放式智能体任务上，Anthropic 系列并不领先。

这和整体模式完全吻合，优势集中在任务既长又廉价可验证的地方。

在综合公开基准上，顶尖的 OpenAI、Anthropic 和 Google 模型彼此相差约 1 个百分点，接近平局。

但这些基准都是短流程的，而且越来越饱和，看不到真正的分化。

真正的差距在长流程自主任务上，而那里恰好是公共测量最薄弱的地方。

为什么它的优势和它的危险在同一个坐标上

奖励最容易验证的领域是代码和网络安全，恰好也是模型最能超越人类的领域。

合作伙伴报告第一个月发现了约 1 万个高危或严重漏洞，其中 1752 个经过六家独立安全公司评估，真阳性率 90.6%，约 1587 个被独立确认。

这两个数字来自 Anthropic 自己的披露，不是外部批评者。

生物方面，评分者估计，原本需要数十个工作日的红队协议（测试 AI 安全边界的流程），在约 16 小时内就被完成了，接近百倍的压缩，系统卡把这个结果视为接近某个关键门槛。

2026 年 6 月 12 日，两个模型都因出口管制令下线。

触发原因是一个合作伙伴演示了该模型可以被越狱，然后驱动进行自主漏洞发现。

Anthropic 认为触发这一行为的越狱方式很窄，并不代表防护措施被普遍绕过，但管制令依然生效，模型就此下线。

让 Fable 成为最强代码系统的能力，也是引来监管行动的能力。

另一家实验室要怎么复制这条路

具体来说有七步：

• 建立常设环境工厂。 配备环境生成、奖励与验证器设计、奖励作弊质量保证的专职团队，而不是把它当成研究附属项目。

• 深入做长流程、可验证的环境，配合过程奖励。 短流程的那种（单元测试、数学答案）都差不多，差距在多小时任务里。

• 提升底座密度。 通过清洗、去重、标注来源、混入高质量合成数据来提升每个 token 的信息量。

• 用验证器辅助的最优 N 采样消耗测试时算力。 并把它作为可调节的力度控制暴露给用户。

• 为暂时无法自动评分的领域获取人类演示。 Anthropic 通过收购 Adept 做到了这一点。

• 运营双层模式。 在前沿做发现，把前沿能力蒸馏成廉价子智能体供规划器调用。Haiku 4.5 在 SWE-bench Verified 上达到 73.3%，略高于 Sonnet 4 的 72.7%，但成本只有三分之一，速度超过两倍。

• 算力受限时，向中国实验室学习算法效率。 KV 缓存压缩、极稀疏专家混合、GRPO，这些都是公开的。

这些动作没有一个是秘密，护城河是它们的整合。

还有哪些东西看不清楚

几个问题目前真的没有答案。

底座架构未定论。

是密集模型还是 MoE（混合专家模型），没有定论。

流传的 10 万亿参数和分层注意力的说法没有一手来源支撑，和更谨慎的吞吐量推算也有矛盾。

测试时计算的证据有时效性。

相关证据来自 Claude 3.7 时代，是这个系列方法的先例，不是 Mythos 的当前规格。

评测分数被路由污染。

Fable 的公开分数无法干净反映 Mythos 的真实能力，因为安全路由会把部分请求转走，而干净的未屏蔽数字属于一个从未公开销售的模型。

"内部教师模型"假说存疑。

有一种说法是 Anthropic 内部有一个太危险而不能部署的模型在蒸馏更安全的学生。

但反复出现的研究发现表明，自生成数据往往能匹配甚至超过更大教师模型的蒸馏效果，所以高密度自生成信号加新鲜 RL 是比单一隐藏神谕更站得住脚的解释。

进步不是均匀的。

系统卡在报告网络安全和生物领域阶跃式提升的同时，也报告了一个平凡的退步：比上一个模型更高的引用捏造率。

能效数据需要谨慎对待。

斯坦福的研究显示两年内本地和边缘推理的智能每瓦特提升了约 5.3 倍，但这是本地和边缘推理的数字，不是数据中心服务的数字。

此前流传的 Anthropic 具体能耗和芯片数量数据未能经受审查。

护城河有多宽，又有多窄

经过所有这些分析，能站住脚的结论其实很窄，但作者认为它是正确的：

一个模型的思路有多清晰、能坚持多久，取决于它被训练时拿到了多少可验证的正确信号。

清晰的推理是单步可验证正确性，持久的执行是多步可验证正确性，两者都由同一个环境工厂生产，以高密度预训练为底座，以测试时算力为按需购买更多验证的方式。

这个成就是一座工厂，而不是一个秘密。

对从业者来说，这意味着一件实际的事：评估一家实验室模型的真实水平，不要看它的参数量，要看三个维度，它的环境工厂有多深，验证器有多可信，以及它在长流程可验证任务上的实际表现。

这三个维度，比任何基准测试的综合排名都更能说明问题。

域名的价值远远被低估了。

域名注册和备案的难度也被高估了。

普通人要域名有什么用？

拥有域名，是拥有你的独立网站的前提条件。

哪怕你不需要网站，拥有自己域名，也能 白嫖很多免费服务 ：

比如赛博菩萨Cloudflare的各种服务，比如免费文件存储、免费邮箱、免费网站加速等等。

再比如 Vercel一键部署网站或工具，绑定上你的域名。

再不济，也可以当做一个链接中转器，跳转指向你的飞书知识库、Newsletter订阅地址等。

图床绑定，也是域名的场景价值之一。

域名是怎么来的？

如果把互联网比作一个城市，那么域名就是门牌号码。

早期(1990年代)，只有一家公司负责登记这些门牌号，而且是免费的。

1998年，一个叫ICANN的国际组织成立了，它就像是互联网的"城市规划局"。

ICANN决定：不能只让一家公司管理所有门牌号，应该让多家公司来做这件事，引入竞争。

于是，域名服务商(如GoDaddy、万网)就诞生了。

它们就像房产中介，帮你向"土地局"(域名注册局)登记你想要的网址。

服务商通过加价赚钱：他们以批发价从注册局买域名，然后零售给我们普通用户，差价就是他们的收入。

例如.com域名注册局向注册商收取约8美元/年，注册商加价后以12-15美元卖给用户，差价就是收入来源。

但是，有域名注册商提供其他增值服务，羊毛出在羊身上，可能会以成本价出售。

域名注册麻烦吗？

非常简单，如果你会网购，你就会注册域名。

注册域名只需准备基础信息：姓名、通讯地址、电子邮箱等。

不换注册商的话，填写一次，未来注册不需要填写任何资料。

域名注册后就能立即使用，你也可以随时换注册商，就像手机号转网一样。

一般注册60天就能转，只要有转移码就行。

但是注意，你填写的域名信息会在WHOIS数据库公开。

如在意隐私，可买隐私保护服务，有些注册商免费，比如Cloudflare、Namecheap等。

如何买一个好域名？

对个人来说，买自己喜欢的就好，只要没被人注册过。

只要容易记、拼写简单、与你的用途相符就好。

如果不是为了做网站，不考虑SEO，不需要刻意扫描买过期域名，看各种“参数”。

比如买自己品牌相关、业务相关域名：

比如我的是 qiaomu.ai

歸藏的是 guizang.ai

小互的是 xiaohu.ai

如果可能，尽量买 .com、.net等常见后缀域名。

ai、io、tv 其实是国家/地区域名，被赋予了新含义。

比如，.ai 原本是安圭拉岛域名，因"AI"代表"人工智能"，所以这两年特别火，注册费业特别贵。

还有，.tv 指的是图瓦卢地区，但常被用来做视频网站。

小众域名的缺点：很多域名注册商不支持，不方便转，甚至都不能在中国备案（比如.ai域名）。

一些过于便宜甚至免费的域名，常被用来做垃圾站，搜索引擎会刻意打压收录。

如果想买短些的域名呢？

推荐用过期域名扫描网站，比如：

https://www.expireddomains.net/

历史注册域名，不续费就会被注销。

经常能找到一些不错的4位域名。

选已经删除的.com域名，Filter中设定最大长度，可快速筛选。

去喜欢的域名注册商那注册就行。

选哪个域名注册商？

如果考虑备案问题，选国内注册商，比阿里云万网、腾讯云等。

如果不考虑备案，推荐用：

• Namecheap.com

• Cloudflare.com

• Name.com

• Godaddy.com

但是，需要准备双币信用卡，很多不支持微信和支付宝。

优点：便宜、解析快，转移方便，不在国内暴露隐私。

甚至还能用优惠券，再省个几美元。

https://couponfollow.com/site/namecheap.com

域名解析是什么意思？

很多用到域名的地方，都会提到一个词叫 域名解析 。

这是什么意思？

类比下，域名像电话簿上的人名，解析就是查找电话的过程。

域名解析就是把容易记住的网址（如 bilibili.com）转换成电脑能理解的IP地址（如 39.156.66.10）

上面的叫A记录解析，还有很多解析类型，对应不同的服务和场景。

• A记录（Address）： 把你的域名指向一个具体的IP地址。

• CNAME记录（Canonical Name） ：指向另一个域名的"昵称"，让你的域名成为另一个域名的别名。

• MX记录（Mail Exchange） ：指定邮件应该发送到哪里，专门用于电子邮件服务。

• TXT记录 ：在你的域名上存放文本信息，通常用于验证域名所有权或设置特定服务。

• NS记录（Name Server） ：指定谁来管理你的域名解析。

其中NS记录很有意思。

比如，你在Namecheap注册了域名，但想用DNSPod管理解析（因为它在中国更快）

修改NS记录指向DNSPod提供的地址就行。

再比如，你想白嫖Cloudflare的服务，可以把域名NS记录指向到CF提供的NS服务器。

国内域名备案

以前特别麻烦，不仅要邮寄幕布拍照，还要打印纸质材料签字扫描提交等。

最近体验了下阿里云的备案流程，比想象中简单了很多。

有备案专员指导，也不用交钱，提交资料等三五天就能通过，前提是需要买他们的服务器，挑最便宜的买，好像99一年。

我估计腾讯云等其他家也是。

国内备案是强制要求，很烦，感觉这个政策甚至限制了中国的互联网发展速度。

但国内的很多网络服务，动不动都要求有备案域名，为了访问速度、收付款等，不得不做。

比如想搭图床，用国内云存储，必须备案。

后记

有了域名，下一步就是白嫖各种资源。

比如创建自己的域名邮箱、绑定Cloudflare R2图床等等。

尤其现在有各种AI编程工具，做个网站展示自己作品，创建自己的博客，都很轻松。

如果觉得这篇对你有帮助，请一键三连，分享给需要的朋友。

英文名《The Half Second: How First Reactions Get Installed, and How to Edit Them》。

中文意思大概是「半秒钟：第一反应是怎么被装进你脑子里的，以及怎么把它改掉」。

这本书的核心命题非常狠：你戒不掉烟、控制不住脾气、明明懂道理却照样在股市里恐慌抛售，根本不是意志力的问题，是工具用错了。

意志力之所以失败，不是因为它不够强，而是因为它太慢了。

等到你的意识反应过来想拦住自己的时候，半秒钟已经过去了，手已经把烟点上了，话已经吼出去了，卖出按钮已经按下去了。

我读完后的感觉是：这本书把「行为改变」这件事从道德审判降维成了一道物理题。

题目变得机械、冷静、可解，但代价是它也变得让人不太舒服。

下面是完整的读书笔记，包括我认为这本书最值得吸收的部分，以及它说服不了我的那几个地方。

半秒钟假设：意志力到底输在哪里

先把全书的物理学前提说清楚。

人类日常的绝大多数行为，是在意识介入之前的「半秒钟」内由大脑自动决定的。

这个数字不是李笑来发明的，是当代认知科学里的常识。

卡尼曼在《思考，快与慢》里把它叫做「系统 1」，本能、快速、不耗能。

系统 2 才是我们以为的「我」，慢、耗能、需要刻意启动。

李笑来的贡献不在于重新讲了一遍这个区分，而在于他把「意志力为什么失效」这件事彻底重新定义了。

传统说法是：你失败是因为意志力像肌肉一样需要锻炼，你练得不够。

李笑来的说法是：你失败是一个时机问题。

意志力属于系统 2，它在半秒钟之外。当你的意识终于反应过来「不要抽这根烟」的时候，你的手已经把香烟从烟盒里抽出来、点上了。意志力不是不够强，它是根本来不及。

用意志力对抗第一反应，就像在战斗结束后才带着武器赶到战场。

这个比喻足够锋利。它一刀切掉了我们过去关于「自律」的所有道德叙事。

你戒烟失败、减肥失败、控制不住对孩子吼叫，不是因为你品格有问题，是因为你拿着错误的工具去做对的事。

这是李笑来这本书给读者的第一个解脱。

频率计数器：为什么重复能写入「真实感」

那如果意志力够不着半秒钟，谁在控制半秒钟？

李笑来的答案是大脑里一个叫「频率计数器」的机制。

这个机制的核心特征是它只数次数，不辨真伪。

支撑这个结论的实验有两个。一个是 Hasher 在 1977 年做的「虚幻真实效应」研究：受试者听到一些陈述，两周和四周之后再让他们评估真实度，结果是被重复过的陈述会得到更高的真实度评分，无论这些陈述本来是真是假。

另一个更狠，是 Fazio 在 2015 年的实验。受试者明明知道苏格兰短裙叫 kilt，但当反复听到错误陈述「苏格兰短裙叫 sari」之后，他们对这个错误说法的真实感评分也会上升。

也就是说，你明确知道某件事是假的，仍然抵挡不住重复带来的「真实感入侵」。

李笑来把这件事推到极致：我们当下的很多第一反应，其实是过去被父母、广告商、社交环境通过成千上万次的重复，在未经我们许可的情况下「安装」进大脑的。

你对自己说「我不行」，不是你天生不行，是你妈在你小学三年级到高中三年级之间对你说过 8000 多次「你怎么这么笨」。

你对消费的冲动，不是你天生爱花钱，是你从小到大被广告告诉过几十万次「拥有它你才完整」。

你对股价下跌的恐慌，不是你性格里就有恐慌的基因，是过去十年里财经媒体每天对你重复「跌停意味着血本无归」。

这套机制是中性的，它不挑信息的好坏，只数次数。次数高的版本胜出，成为半秒钟里的默认反应。

到这里，李笑来的论证完成了一半。他要回答的下一个问题是：既然我们的第一反应是被「写进去」的，那能不能反向写一遍？

ARISE 模型与「为什么不能念我很平静」

李笑来的答案是可以。这就是他提出的 ARISE 脚本框架。

A 是 Action（行动），R 是 Reason（理由），I 是 Identity（身份），S 是 Situation（情境），E 是 Emotion（情感）。其中 A 是骨架，其他四个是肉。

但全书最具杀伤力的不是这个框架本身，是李笑来对「积极肯定语」的一次彻底处刑。

过去几十年的自助文化，包括《秘密》在内，都在教人对着镜子重复「我很平静」「我很富足」「我值得被爱」。李笑来直接告诉你：这些话不仅没用，还会让你感觉更糟。

他引用了 Joanne Wood 在 2009 年发的研究。研究发现，自尊心低的人在重复「我是一个可爱的人」这种积极肯定语之后，感觉比不重复的人更糟糕。

为什么？因为大脑没办法直接执行一个「情绪」指令。

当你处于焦虑里，硬要自己念诵「我很平静」，你的意识会立刻察觉到这句话和你当下的真实体验之间的巨大落差，然后行使「否决权」把这条指令拦截掉。结果是这条指令根本进不了频率计数器，反而把「我又在自欺欺人」这个事实重复了一遍。

李笑来给出的替代方案是：脚本必须针对身体能立刻执行的「具体动作」。

把「我很平静」改成「我深呼吸三次并问一个问题」。 把「我是一个有条理的人」改成「我完成我开始做的事」。 把「我是一个不抽烟的人」改成「我从不抽烟」。

行动是不需要意识审核的。身体可以执行，意识无法反驳。这是脚本能绕过审查、进入计数器的关键。

这个洞察在我看来是这本书最有价值的实操原则。它解释了为什么我过去那些一时兴起的「自我激励」从来没用过。

三个最反直觉的细节

读完整本书，最让我意外的不是大框架，是三个具体的运行细节。

第一个：大脑的频率计数器是「位置盲目」的。

传统的习惯改变理论，比如 Charles Duhigg 的《习惯的力量》、James Clear 的《原子习惯》，都强调情境触发。意思是你要去识别引发坏习惯的线索（Cue），然后在那个线索出现的时候去对抗它。

李笑来直接把这个核心方法论给推翻了。他说大脑只数总次数，不看地点。

也就是说，你在洗澡时重复一遍「我从不抽烟」，在散步时重复一遍，在开车时重复一遍，在无聊的会议里重复一遍，这些重复积累的效力，和你在真正想抽烟的瞬间重复一遍，是完全等同的。

这件事颠覆性在哪？它把习惯改变的门槛降到了零。

你不需要在每一个触发情境里和自己搏斗。你不需要列出 200 个会让你想抽烟的场景再一个一个去练习。你只需要在任何你记得起来的时候重复脚本，让总次数堆上去。

第二个：练习初期的「愚蠢感」恰恰是脚本起效的信号。

李笑来说，你刚开始重复一条新脚本的前一百次，会觉得这句话很傻、很假、很像自欺欺人。你的内心会有一个声音强烈抗议这件事。

绝大多数人在这个阶段就放弃了。他们的解读是「这个方法不适合我」。

李笑来的解读完全相反：抗议感本身就是这条指令成功绕过意识审查、强行进入频率计数器时产生的摩擦。

如果一句话不引起抗议，反而说明它太平庸、太符合你现有认知，已经被意识归档了，根本没起到改写的作用。

你必须坚持重复，穿过这层抗议，直到抗议声慢慢转化为一种「这句话见怪不怪了」的烦躁感（irritation）。烦躁感出现，就是新反应即将跨越阈值的标志。

这个细节我反复想了很多次。它解释了为什么过去我所有「试了几天觉得没用就放弃」的自我训练，本质上都是在最关键的那一步前掉头了。

第三个：旧反应不会被抹除，只会被重新排序。

这是李笑来自己在书里也承认的一个张力。

在前半本书里，他描述自己戒烟成功的体验，用的词是「这里已经没有一个会产生反应的吸烟者了」。读起来像是旧的冲动被彻底消灭了。

但到了第十五章讨论「自我攻击的内心声音」时，他诚实地承认：那些声音并没有沉默，它们只是变成了第二反应。

他引用 Bouton（2004）的研究：消退不等于抹除（Extinction is not erasure）。旧的神经回路不会被物理删除，新脚本是通过更高的「计数」赢得了优先到达权。

也就是说，治愈自我攻击的目标，并不是让那个贬低你的声音永远消失。新脚本要做的是让一个积极的行动（比如「我现在合上电脑去散步」）抢在它前面出现。旧声音偶尔还会浮现，但它不再主导你的下一个动作。

这个承认我觉得比那个戒烟比喻更可信。它让整本书从「心理学奇迹」回到了「认知工程」。

这本书说服不了我的地方

到这里我已经把这本书的精华讲完了。下面是这本书让我无法照单全收的几个地方。

我的批评不是要否定它，是要让你在用它的时候保留一份清醒。

第一处：用吃水果的数据，推论身份重塑的时间线。

李笑来在第十一章告诉读者，要为新脚本的植入准备 3 到 12 个月的高频练习期。他给的依据是 Phillippa Lally（2010）那个著名的习惯养成研究：习惯自动化的中位数是 66 天，范围是 18 到 254 天。

但是李笑来自己在附录里诚实地承认，Lally 追踪的是「午餐吃水果」「早餐喝水」这种极其简单的物理行为。

用吃水果的数据，去预测一个抽了 39 年烟的人能在多久之内戒断，或者预测一个被原生家庭批评了二十年的人能在多久之内重写「我不够好」这个深层身份脚本，这中间存在一个巨大的实证跳跃。

这件事的严重性在哪？它意味着读者按书里的时间线练习了三个月、六个月没有效果时，可能并不是他们做错了什么，仅仅是因为这本书引用的数据本来就不支持这种推论。这种期待落差容易让人放弃。

第二处：他批判的「意志力」，被他改头换面又请回来了。

李笑来在第二章把意志力批判得很彻底。他说依赖意志力对抗坏习惯注定失败，因为它在时间窗口上够不着半秒钟。

但 ARISE 练习法要求你在最初几个月里随时随地主动记起并重复指令，要求你忍受并「穿过」内心强烈的愚蠢感和抗议声，要求你在长达一年的时间里抵御环境的侵蚀做日常维护。

作者自己也承认：「耐心本身就是这项技术最难的部分。」

但「在一年时间里维持高频重复、对抗内心摩擦」，这本质上是什么？这就是意志力。

李笑来其实做的是一次概念转移。他把「在发火瞬间动用的战术意志力」批判掉了，但把「在平时维持练习的战略意志力」请了回来。从总体消耗来看，后者甚至可能更累。

这并不致命，但读者需要知道这件事。指望这本书让你「不需要意志力就能改变」的人会失望。它更像是把意志力从冲突现场转移到了日常练习里。

第三处：核心机制的底层逻辑，作者自己承认是推测性的。

「抗议感即路由成功」这个论点，是全书最具颠覆性的洞察，也是支撑「坚持重复直到烦躁感出现」这个实操原则的根基。

但李笑来在附录里极其诚实地写道：「这是我机制词汇中最具推测性的主张；没有直接的经验锚点（Most speculative claim in my mechanism vocabulary; no direct empirical anchor）。」

这种诚实让我对作者本人的评价上升了一档。但它也提醒读者：你在按照「抗议即起效」的逻辑坚持重复的时候，你坚持的依据可能只是一个有解释力的隐喻，而不是经过验证的脑科学事实。

第四处：价值观中立带来的伦理漏洞。

李笑来在第五章自己承认了这件事：这个机制是价值观中立的。如果你重复「我是一个没有负罪感的人」，理论上你也能把自己训练成一个反社会者。

他给出的安全防线是：如果身份声明是「坏」的，你的意识（系统 2）会感到挣扎，从而减慢植入速度。

但这条防线和他全书的核心论点是矛盾的。

因为他的整本书都在告诉你：所有有效的脚本在初期都会遭到意识的强烈抗议，而你必须穿过抗议坚持重复。

如果穿过抗议能成功植入好习惯，那同样的机制也能强行植入坏习惯。机制本身无法区分「成长性抗议」和「良知发出的警告」。

李笑来自己也承认：邪教、不良婚姻、有毒企业文化正是利用了这一点。但他在书里没有提供任何工具帮读者识别这两种抗议的差别。最终读者还是要靠自己的伦理判断力来兜底，而伦理判断力本身就是另一种意志力。

第五处：金融案例的归因偏差。

李笑来在第十四章用他运营的定投社群作为案例。这个社群在 2019 到 2026 年间获得了 306.51% 的回报。他把这个结果归功于自己每天对社群做的数千次「不要卖出」的脚本重复。

这里有两个严重的问题。

一是生存者偏差。能加入这个社群并坚持七年的人，本身就已经认同这套理念了，他们是被筛选出来的样本，不是随机选取的。

二是结构性因素。2019 到 2026 年的特定资产组合（你能猜到这里指什么）经历了一个极其特殊的周期。把这部分收益归因于「认知改变」而不是「资产选择和宏观周期」，是一个巨大的归因谬误。

李笑来自己也含糊地承认了：「在任何特定结果中，运气与纪律的比例从内部是无法理清的。」

这句话本来可以变成一个非常深刻的反思，但它在书里只是被一笔带过。作者很快又回到了「重复脚本的力量」上。

我想说的并不是李笑来的方法没用。我想说的是：把长期复杂的金融结果归功于半秒钟认知改变，这件事本身就在演示一个「频率计数器」效应。重复某个归因足够多次，连作者自己也会信以为真。

这本书该当成什么来读

把以上批评放在桌上之后，问题就变成了：这本书到底该怎么读？

我的判断是：这本书不是一本心理学论文，是一个认知工具箱。

它不要求你接受所有的科学论证，它要求你拿走一组管用的工具。你不需要相信「频率计数器」是大脑里真实存在的物理结构，你只需要相信「持续重复一句话能改变你的下一次反应」这件事在实践中可重现。

类似的工具箱书还有几本可以拿来对照：

《原子习惯》（James Clear）也讲身份和习惯，但它的方法论是从「情境触发」出发的。李笑来的方法和它的核心冲突在「位置盲目」这一点上，两个理论你只能选一个去实验。我建议先按李笑来的方法试一两个月，因为它对前期门槛更低。

《思考，快与慢》（卡尼曼）是李笑来这本书的科学基础。如果你想理解系统 1 和系统 2 的区分到底有多硬的证据，应该回头读卡尼曼。

《自控力》（Kelly McGonigal）讲的是传统意义上的意志力训练。读完李笑来再读它，你会看到两种截然相反的策略。一个说「绕过意志力」，一个说「锻炼意志力」。这两本书放在一起读，比单独读任何一本都更有收获。

《把时间当作朋友》（李笑来自己的老书）。如果你读《The Half Second》觉得有共鸣，应该回头去读他十多年前的这本书。「把时间当作朋友」的核心方法论其实和「频率计数器」是同一个东西的两种表达：通过长期重复在某件事上跨越阈值，最终质变。李笑来这十几年的思想是有连贯性的。

如果只能带走三条，是哪三条

读完这本书，如果让我浓缩成三条最值得放进日常的原则，是这三条。

第一条：把对自己说的话，从「我很 X」改成「我做 X」。

任何针对情绪状态的口号都会被你的意识否决掉。把它们替换成可执行的动作脚本。

「我是一个不焦虑的人」→「我深呼吸三次并问一个问题」。 「我是一个自律的人」→「我完成我开始做的事」。 「我是一个有耐心的爸爸」→「我先看孩子的眼睛再回应」。

只要你愿意做这一个翻译动作，这本书就值回票价了。

第二条：在中性的时间里大量重复，不要等到诱惑出现才挣扎。

不要在你想抽烟的那一刻才尝试自我对话，那已经太晚。在洗澡时、散步时、开车时、刷牙时、等电梯时大量重复你的脚本。

频率计数器是位置盲目的。你在哪里重复不重要，重要的是总次数。这件事降低了改变的门槛。任何零碎的两分钟都可以拿来用。

第三条：当你觉得「这句话好傻、我在自欺欺人」的时候，恰恰是它在起作用。

这是这本书最反直觉、也最容易让人放弃的那个点。

愚蠢感不是失败信号，是新指令穿过意识审查的摩擦。

如果你不知道这件事，你会在第一个月放弃。如果你知道这件事，你会坚持到第三个月，直到愚蠢感变成烦躁感，然后变成熟悉感。

新反应就在熟悉感出现之后开始接管你的半秒钟。

收尾

读完这本书，我有一种很复杂的感觉。

一方面，李笑来这次的写法比他过去的书都更冷静、更克制、更诚实。

他在附录里反复标注「这是我的隐喻而不是大脑的字面结构」，他主动划定了这套方法对 PTSD、化学物质成瘾、重度精神疾病无效的边界。这是一个写作者愿意被反驳的姿态。

另一方面，我也清楚地看到，这本书把一些原本属于哲学、伦理、关系、社会结构的问题，全部压缩成了「重复对的脚本」这一个动作。这种压缩在工具层面是赋能的，在认知层面是有代价的。

有些东西不是你重复一句话就能改变的。

比如系统性的贫困、比如有毒的婚姻、比如真正的精神疾病、比如结构性的不公。把这些东西也压缩成「你的半秒钟反应没改好」，是这本书隐含的最大风险。

我希望读这本书的人，把它当成一把好用的螺丝刀，而不是一把万能锤子。

它能拧紧很多你过去拧不上的螺丝。但不要拿它去敲钉子，更不要拿它去砸墙。

最后用李笑来书里那句话收尾：

那个未经许可就向我们不断植入默认反应的通道，其实一直都有一个对我们完全敞开的「写入端」（键盘），只是几乎没人告诉过我们它的存在。

键盘一直在桌上。

问题只是你愿不愿意开始敲。

理解这个比例，就理解了现代 AI 智能体的设计哲学。

背景：这份分析是怎么来的

2026 年 4 月，来自阿联酋穆罕默德·本·扎耶德人工智能大学（MBZUAI）的四位研究者，把 Claude Code 的公开 npm 包（版本 v2.1.88）解包，拿到了约 1884 个文件、51.2 万行 TypeScript 源代码，然后逐文件读了一遍。

Figure 9：Claude Code 源码包结构与运行时职责：论文附录把解包后的 TypeScript 目录映射到运行时职责，能看出 main.tsx、query.ts、Tool.ts、MCP、compact、AgentTool 等模块各自负责什么。

他们写出的报告有两个核心贡献：

第一，系统梳理了 Claude Code 的完整架构。

第二，把它和另一个开源 AI 智能体系统 OpenClaw 做了横向对比，用来说明"同样的设计问题，在不同场景下会产生多么不同的答案"。

这篇文章是对那份报告的完整提炼。

为什么 Claude Code 和 Copilot 不是一类东西

AI 编程工具的演化有三个阶段：

第一阶段是 GitHub Copilot 这类补全工具，在编辑器里给你建议代码片段，你接受或拒绝，它不会主动做任何事。

第二阶段是 Cursor 这类IDE 集成助手，可以多文件编辑，有对话能力，但仍然依附在 IDE 环境里。

第三阶段是 Claude Code 这类完全自主的智能体（Agent），它能自己规划多步操作、执行 shell（命令行）命令、读写文件、调用外部服务、看到执行结果后自我修正，一直循环直到任务完成。

这个跃迁带来了全新的工程挑战。一个只给建议的工具，出错了顶多是建议不好；一个能自主执行命令的工具，出错了可能真的删掉了你的文件、提交了错误的代码、或者把 API 密钥发到了外网。

所以 Claude Code 的架构，本质上是在回答一个问题：怎么让一个强大但不完美的 AI 模型，在真实的生产环境里安全地自主行动？

一个数字说明一切：1.6% vs 98.4%

研究者在分析代码后估算，整个 Claude Code 代码库里，AI 决策逻辑（即"让模型想清楚下一步做什么"的部分）只占约 1.6%，剩下 98.4% 是运营基础设施：权限检查、工具路由、上下文管理、错误恢复、会话持久化……

这个比例和大多数人的直觉相反。很多人以为 AI 工具的核心是模型本身，但在 Claude Code 里，模型只是一个被精心伺候的"决策者"，真正的工程量在于围绕它构建的那套确定性基础设施。

Anthropic 自己的说法是：把 Claude Code 理解为一个 Unix 工具，而不是一个传统产品。它由最小的、有用的、可理解的、可扩展的构建块组成。

五个价值观，十三条原则，一套架构

研究者认为，Claude Code 的所有架构决策都可以追溯到五个核心价值观。理解这五个价值观，就能理解为什么每个设计选择是这样而不是那样。

价值观一：人类决策权威

人类始终保有最终决定权。系统通过三层主体层级来落实：Anthropic（制造商）、运营者（企业客户）、用户（最终使用者）。

有一个有趣的数据：Anthropic 发现用户批准了 93% 的权限提示。这个数字看起来很高，但它其实说明了一个问题：当批准率接近 100% 时，用户已经在不假思索地点"确认"了，逐次确认作为安全机制已经失效。

Anthropic 的应对方式不是加更多警告，而是重新定义问题：与其让用户对每个动作确认，不如在明确的边界内让智能体自由行动，只在真正需要时才打扰人类。

价值观二：安全与隐私

这和"决策权威"是两件不同的事。决策权威是"人类有权选择"，安全是"即使人类没在看，系统也有义务保护他们"。

Anthropic 明确列出了自动模式下的四类风险：过度积极的行为、诚实的错误、提示注入攻击（Prompt Injection，指恶意内容试图操控 AI 执行有害指令）、模型对齐失败。

价值观三：可靠执行

智能体要做人类真正想要的事，不只是单次对话，还要跨越上下文窗口边界、会话恢复、多智能体委托后依然保持一致。

价值观四：能力放大

让人类用更少的精力完成更多的事，尤其是那些原本根本不会尝试的任务。Anthropic 内部调查显示，约 27% 的 Claude Code 辅助任务，是没有这个工具就根本不会被尝试的工作。

价值观五：情境适应性

系统要适配用户的具体项目、工具和习惯，并随时间改善。纵向数据显示，用户的自动批准率从前 50 次会话的约 20% 增长到 750 次会话后的超过 40%，会话时长也显著增加。这不是用户变懒了，而是信任在逐渐建立。

基于这五个价值观，研究者梳理出十三条设计原则，每条原则都回答一个具体的工程问题（见 Table 1：十三条设计原则与对应价值观、设计问题的完整映射）。

Table 1：十三条设计原则与对应价值观、设计问题

架构长什么样：七个组件，五层结构

七个功能组件

Claude Code 的整体结构可以分解为七个功能组件（见 Figure 1：Claude Code 高层系统结构图）：

用户：提交提示词、批准权限、查看输出

接口层：交互式终端、无头 CLI（命令行接口，不带图形界面）、Agent SDK（软件开发工具包）、IDE/桌面/浏览器——所有入口汇入同一个循环

智能体循环：模型调用、工具分发、结果收集的迭代循环

权限系统：拒绝优先的规则评估、ML（机器学习）分类器、钩子拦截

工具集：最多 54 个内置工具，加上 MCP（模型上下文协议，一种让 AI 连接外部工具的标准协议）提供的外部工具

状态与持久化：会话记录、全局提示历史、子智能体侧链文件

执行环境：shell 命令执行、文件系统操作、网络请求、MCP 服务器连接

Figure 1：Claude Code 高层系统结构图：七个功能组件从用户入口一路汇入同一个 Agent Loop，再经过权限、工具、状态与执行环境。

一个关键设计选择：所有接口共用同一个核心循环。无论你是在终端交互、还是通过 SDK 调用、还是在 IDE 里使用，底层走的是同一套 queryLoop() 代码。只有渲染和用户交互层不同。

五层子系统

更细粒度的视角把架构分成五层（见 Figure 3：五层子系统架构展开图）：

表面层：各种入口和渲染

核心层：智能体循环 + 五层压缩管道

安全/行动层：权限系统、钩子管道、工具集、沙箱、子智能体

状态层：上下文组装、运行时状态、会话持久化、CLAUDE.md 记忆

后端层：执行后端和外部资源

Figure 3：Claude Code 五层子系统架构：把高层组件继续拆成表面层、核心层、安全/行动层、状态层和后端层，更容易看清 98.4% 基础设施到底在哪里。

核心循环：一个 while 循环的艺术

Claude Code 的核心是一个 queryLoop() 异步生成器函数，逻辑很简单（见 Figure 2：单次智能体轮次的端到端执行流程图）：

组装上下文（设置、历史记录）

调用模型，获取响应

如果响应包含工具调用请求，走权限检查

权限通过，执行工具，把结果加入对话

如果响应只有文本（没有工具调用），本轮结束

否则继续循环

Figure 2：单次智能体轮次执行流程：一次用户请求会经历上下文组装、模型调用、权限检查、工具执行、结果回灌和必要时的上下文压缩。

这个模式在学术上叫 ReAct（推理-行动交替，一种让 AI 边思考边执行的框架）。模型生成推理和工具调用，harness（执行框架）执行动作，结果反馈给下一轮迭代。

循环有五个终止条件：没有工具调用（正常结束）、达到最大轮次限制、上下文溢出、钩子干预、显式中止信号。

工具执行：并行读，串行写

当模型响应包含多个工具调用时，系统区分两类操作：

只读操作（如读文件、搜索）：可以并行执行

状态修改操作（如执行 shell 命令）：必须串行执行

并行执行有两个协调机制：兄弟中止控制器（任何一个 Bash 工具报错，立即终止其他正在运行的子进程）和进度信号（有新输出时唤醒结果收集器）。结果按工具调用顺序输出，即使并行运行也保持顺序一致，因为模型期望结果和请求顺序对应。

五层预模型上下文处理

每次调用模型之前，系统会依次执行五个上下文处理步骤（见 Figure 6：上下文构建与记忆层次图）：

第一层：预算削减（始终激活）。对每个工具结果强制执行大小限制，超出的内容用引用替代。

第二层：Snip（功能标志控制）。轻量级裁剪旧历史片段。有一个技术细节：主 token 计数器从最近一条助手消息的 usage 字段获取上下文大小，而这条消息在 Snip 后依然保留着 Snip 前的 input_tokens 值，所以节省的 token 对计数器不可见，必须显式传递。

第三层：微压缩（功能标志控制）。细粒度的缓存感知压缩，可以等到 API 响应后再用实际的缓存删除 token 数，而不是估算值。

第四层：上下文折叠（功能标志控制）。这一层不修改存储的历史，而是在读取时生成一个虚拟投影，模型看到的是折叠后的版本，完整历史依然保留用于重建。

第五层：自动压缩（默认启用，可关闭）。前四层都不够用时，调用模型本身生成一个语义摘要，彻底压缩上下文。

五层按成本从低到高依次执行，前面的层次失效才触发后面的。这是一种"懒降级"策略，代价是复杂性：五层相互作用，部分由功能标志控制，产生的行为很难完全预测。

权限系统：七种模式，拒绝永远优先

权限系统是整个架构里最精密的部分（见 Figure 4：权限门概览与设计原则图）。

Figure 4：权限门与设计原则：权限系统不是一个开关，而是一组拒绝优先、可分层叠加、可被钩子和沙箱共同约束的安全门。

七种权限模式

从最严格到最宽松：

plan：执行前必须用户批准计划

default：标准交互模式，大多数操作需要用户批准

acceptEdits：工作目录内的编辑和特定文件系统命令（mkdir、rm、mv 等）自动批准，其他 shell 命令仍需批准

auto：ML 分类器评估请求（需要功能标志激活）

dontAsk：不提示，但拒绝规则仍然生效

bypassPermissions：跳过大多数提示，但安全关键检查依然存在

bubble：内部专用，用于子智能体向父智能体上报权限请求

拒绝规则永远优先于允许规则，即使允许规则更具体也不例外。一个宽泛的"拒绝所有 shell 命令"规则，无法被一个具体的"允许 npm test"规则覆盖。

七层独立防御

权限管道有七个独立层次，任意一层都可以阻止请求：

工具预过滤：在模型看到工具列表之前，就把被禁止的工具从列表中移除

拒绝优先规则评估

权限模式约束

自动模式 ML 分类器

Shell 沙箱（独立于应用层权限模型运行）

恢复时不还原权限（会话级权限不跨会话持久化）

钩子拦截

这七层的设计假设是相互独立：一层失效，其他层补上。但研究者指出了一个结构性问题：这些层共享性能约束。安全研究人员（Adversa.ai）记录了一个案例：当 shell 命令包含超过 50 个子命令时，系统会退化为一个通用批准提示，而不是逐个子命令检查，原因是逐个解析导致 UI 卡顿。这说明当防御层共享失败模式时，深度防御会降级。

一个重要的安全漏洞模式

研究者引用了 Check Point Research 发现的两个漏洞（CVE-2025-59536，CVSS 评分 8.7；CVE-2026-21852，CVSS 评分 5.3），两者共享同一个根本原因：初始化时序问题。

钩子、MCP 服务器连接、设置文件解析，在用户看到信任对话框之前就已经执行了。这意味着权限管道描述的是空间顺序（哪些检查存在），而不是时间顺序（这些检查什么时候生效）。扩展性架构在安全架构完全激活之前就已经运行，形成了一个特权初始化窗口。

这四个漏洞均在披露后数周内被修补。

四种扩展机制：按上下文成本分层

Claude Code 提供四种扩展机制，而非统一的单一 API（见 Table 2：四种扩展机制的能力、上下文成本与注入点对比）。

Figure 5：扩展机制插入 Agent Loop 的三个位置：MCP、插件、技能和钩子并不是同一种扩展，它们分别影响模型看到什么、能调用什么、以及动作能否真正执行。

Table 2：四种扩展机制的能力、上下文成本与注入点

MCP 服务器：主要的外部工具集成路径。MCP 是一个开放协议，允许 AI 连接外部服务。每个连接的服务器贡献工具定义，模型可以调用这些工具。上下文成本高（工具模式会占用大量上下文窗口）。

插件：打包和分发机制。一个插件可以同时包含命令、技能、钩子、MCP 服务器、LSP（语言服务器协议）服务器、输出样式等十种组件类型，是第三方扩展的主要分发渠道。

技能（Skills）：每个技能由一个 SKILL.md 文件定义，包含 YAML 前置元数据（名称、描述、允许的工具、模型覆盖等 15 个以上字段）。技能注入的是指令，而不是工具本身，上下文成本低（只有描述信息留在提示中）。

钩子（Hooks）：生命周期拦截机制。源代码定义了 27 种钩子事件，覆盖工具授权、会话生命周期、用户交互、子智能体协调、上下文管理等。默认不消耗上下文。

为什么是四种而不是一种？因为不同的扩展需求对上下文窗口的消耗差异巨大。钩子不消耗上下文，可以大量使用；MCP 服务器消耗高，应该谨慎引入。强行统一会迫使扩展作者在不必要的场景下付出高昂的上下文成本（见 Figure 5：四种扩展机制在智能体循环中的注入点示意图）。

工具池组装

assembleToolPool() 函数是"组合内置工具与 MCP 工具的唯一真相来源"，按五步流程执行：

枚举基础工具（最多 54 个，19 个始终包含，35 个根据功能标志和用户类型条件包含）

模式过滤（简单模式下只有 Bash、Read、Edit 三个工具）

拒绝规则预过滤（从模型视图中移除被禁止的工具）

合并 MCP 工具

去重（内置工具优先于 MCP 工具）

上下文与记忆：文件比数据库更透明

上下文窗口的组装顺序

上下文窗口从多个来源组装，按加载时机分层（见 Figure 6：上下文构建与记忆层次图）：

启动时加载：系统提示、环境信息（git 状态等）、CLAUDE.md 层次结构

每轮累积：对话历史、子智能体摘要

执行时添加：读取的文件、命令输出、工具结果

按需懒加载：延迟加载的工具定义（通过 ToolSearch 触发）

Figure 6：上下文构建与记忆层次：Claude Code 把系统提示、环境信息、CLAUDE.md、工具结果、子智能体摘要和压缩摘要等来源按成本分层装入上下文。

CLAUDE.md：透明的文件式记忆

Claude Code 的记忆系统选择了一个有趣的设计：纯文本 Markdown 文件，而非数据库或向量索引。

四级层次结构：

系统级（/etc/claude-code/CLAUDE.md）：OS 层面对所有用户的策略

用户级（~/.claude/CLAUDE.md）：私有全局指令

项目级（项目根目录的 CLAUDE.md 等）：随代码库提交的指令

本地级（.claude.local.md，被 gitignore 忽略）：私有的项目特定指令

文件从当前目录向上遍历到根目录，越靠近当前目录的文件优先级越高（后加载，模型注意力更多）。

这个选择的核心含义：用户可以读取、编辑、版本控制、删除智能体看到的任何指令。代价是灵活性，无法像向量检索那样精确定位单条记忆。

内存检索不使用向量相似度索引，而是用 LLM（大语言模型）扫描记忆文件头部，按需选择最多五个相关文件。

一个重要的架构细节：CLAUDE.md 内容作为对话上下文（用户消息）传递，而不是系统提示。这意味着模型对这些指令的遵从是概率性的，而非确定性的。确定性执行由权限规则负责，两者刻意分离：CLAUDE.md 是指导（概率性），权限规则是执行（确定性）。

子智能体：隔离边界是关键

当任务需要委托时，Claude Code 通过 AgentTool 派生子智能体（见 Figure 7：子智能体隔离与委托架构图）。

Figure 7：子智能体隔离与委托架构：AgentTool 可以派生 Explore、Plan、通用型等子智能体，并通过权限重建、工具集隔离、工作树/远程/进程内隔离来控制边界。

六种内置子智能体类型

根据功能标志和入口点，最多有六种：

Explore：主要用于只读/搜索型探索，写入和编辑工具在其拒绝列表中

Plan：创建结构化计划，执行通过标准权限模型进行

通用型：广泛能力，明确请求时使用

Claude Code Guide：入门和文档辅助，有自己的权限模式覆盖

Verification：运行验证检查（测试套件、代码检查）

Statusline-setup：专门用于终端状态行配置

用户还可以通过 .claude/agents/*.md 文件定义自定义子智能体，YAML 前置元数据指定工具允许列表、禁止列表、模型、权限模式、钩子、最大轮次、记忆范围等配置。

三种隔离模式

工作树（Worktree）隔离：创建临时 git 工作树，子智能体有自己的仓库副本，不影响父智能体的工作目录

远程隔离（仅内部用户）：在远程 Claude Code 环境中运行，始终在后台执行

进程内隔离（默认）：共享文件系统，但在独立的对话上下文中运行

关键的上下文节约设计

子智能体只把最终响应文本和元数据返回给父智能体，完整的子智能体对话历史永远不进入父智能体的上下文窗口。每个子智能体的对话存储在独立的 .jsonl 侧链文件中，不会膨胀父会话文件。

这个设计的成本数据值得关注：在计划模式下，智能体团队消耗的 token 约是标准会话的 7 倍。摘要式返回在这种情况下尤为关键。

多实例协调使用文件锁而非消息代理或分布式协调服务。任务通过锁文件互斥声明，锁文件存储在可预测的文件系统路径。这换来两个属性：零依赖部署（不需要外部基础设施）和完全可调试性（任何智能体的状态都可以通过读取纯文本 JSON 文件检查）。

会话持久化：追加优先，恢复时不还原权限

三个独立的持久化通道

会话记录：以项目为范围的 JSONL 文件，每个会话一个文件，包含用户/助手/附件/系统消息，以及压缩标记和其他元数据事件

全局提示历史：仅存储用户提示，保存在 Claude 配置目录的 history.jsonl，支持上箭头和 Ctrl+R 导航

子智能体侧链：每个子智能体独立的 .jsonl + .meta.json 文件

追加优先的 JSONL 格式是刻意的选择：每个事件都是人类可读的，可以版本控制，无需专用工具重建。代价是无法做结构化查询。

恢复时不还原权限

--resume 标志通过重放记录重建对话，但不还原会话级权限，用户必须在新会话中重新授权。

Figure 8：会话持久化与上下文压缩：图中区分了实时上下文窗口、压缩摘要、会话 transcript、全局 history、子智能体侧链和 checkpoint；恢复会话会恢复消息，但不会恢复会话级权限。

这是刻意的安全保守设计：会话被视为独立的信任域。还原之前授予的权限会带来便利，但风险是把过期的信任决策带入已经改变的上下文。架构选择了重新授权而非隐式持久化，以用户摩擦换取安全不变量。

与 OpenClaw 的对比：相同问题，不同答案

OpenClaw 是一个开源的本地优先 WebSocket 网关，连接约二十个消息平台（WhatsApp、Telegram、Slack、Discord、Signal 等）到一个嵌入式智能体运行时，有 macOS、iOS、Android 配套应用。

Claude Code 是一个临时进程，绑定到单个代码仓库会话。OpenClaw 是一个持久守护进程，是多渠道个人助手的控制平面。

两者的对比揭示了一个核心结论：设计问题是稳定的，答案随部署场景变化（见 Table 3：Claude Code 与 OpenClaw 六个设计维度的架构对比）。

Table 3：Claude Code 与 OpenClaw 的六个架构维度对比

六个维度的对比

系统范围：Claude Code 是每次会话的临时 CLI 进程。OpenClaw 是持久守护进程（默认端口 18789，仅回环地址），拥有所有消息平面连接。

信任模型：Claude Code 假设不受信任的模型在受信任的开发者机器上运行，逐动作评估；OpenClaw 假设每个网关实例有一个受信任的运营者，安全架构从身份和访问控制开始（DM 配对码、发送者允许列表），而不是逐动作安全分类。OpenClaw 的安全文档明确说明，敌对多租户隔离不是支持的安全边界。

智能体运行时：Claude Code 的 queryLoop() 是系统中心，所有接口都汇入它。OpenClaw 的智能体运行时（嵌入式 Pi-agent 核心）位于更大的网关分发层内部，网关的智能体 RPC 验证参数、解析会话后立即返回，嵌入式运行器再执行智能体循环。

扩展架构：Claude Code 的四种扩展机制按上下文成本分层，修改单个智能体的行动面。OpenClaw 使用清单优先的插件系统，有四个架构层（发现、启用、运行时加载、表面消费）和十二种能力类型，插件扩展的是跨所有智能体的网关能力面。

记忆与上下文：两者都使用透明的文件式记忆。Claude Code 投入更多在渐进式上下文压缩（五层管道）；OpenClaw 投入更多在结构化长期记忆，包括每日笔记（memory/YYYY-MM-DD.md）、可选的梦境整合系统（后台整合，评分后只把合格的条目从短期记忆提升到长期记忆）、混合检索（向量相似度 + 关键词匹配，需要配置嵌入提供者）。

多智能体架构：Claude Code 是任务委托模型，子智能体是下属工作者，返回摘要给父智能体。OpenClaw 分离两个关注点：多智能体路由（一个网关可以托管多个完全独立的智能体，各有自己的工作空间、认证配置、会话存储）和子智能体委托（可配置嵌套深度，最大 5 层，默认 1 层，推荐 2 层）。OpenClaw 的项目愿景明确拒绝将智能体层级框架作为默认架构。

一个有趣的组合关系：OpenClaw 可以通过 ACP（智能体客户端协议）将 Claude Code 作为外部编程工具托管。两者不是纯粹的替代关系，而是可以叠加的。这说明 AI 智能体的设计空间是分层的，而非扁平的。

架构权衡：五组真实的张力

研究者整理了五组有实证支撑的价值观张力（见 Table 4：价值观张力与支撑证据）。

Table 4：价值观张力与支撑证据

权威 × 安全：93% 的批准率说明人类监督已经不可靠，安全必须独立于人类的注意力运作。

安全 × 能力：超过 50 个子命令的 shell 命令会跳过逐子命令的拒绝规则检查，因为逐个解析导致 UI 卡顿。性能压力让安全层降级。

适应性 × 安全：多个 CVE 漏洞利用了钩子和 MCP 服务器的预信任初始化，扩展性创造了攻击面。

能力 × 适应性：主动式 AI 助手让任务完成率提高 12% 到 18%，但在高频率下用户偏好显著下降（47% vs 80-90%）。

能力 × 可靠性：有界的上下文窗口阻止智能体同时感知完整代码库；子智能体隔离限制了跨智能体的一致性。对 807 个代码库的因果分析发现，Cursor 使用后代码复杂度增加了 40.7%，初始速度提升（第一个月 +281%）到第三个月消退回基线，上升的复杂度与未来开发速度的下降成比例。

一个被架构忽视的问题：长期人类能力

研究者把"长期人类能力保存"作为一个评估视角，而不是设计价值观，因为它在架构中几乎没有对应的设计机制。

相关数据令人不安：

一项对 16 名有经验的开发者进行的随机对照试验（246 个任务）发现，AI 工具让开发者慢了 19%，尽管他们自我感觉提升了 20%

对 807 个代码库的因果分析：代码复杂度增加 40.7%

一项 EEG（脑电图）研究（54 名参与者）发现，LLM 用户的神经连接减弱，在移除 AI 后依然持续

一项对 AI 辅助编程的理解力测试：AI 辅助条件下开发者得分低 17%

2023 年到 2024 年间，初级技术岗位招聘下降 25%

Anthropic 自己的研究记录了"监督悖论"：过度依赖 AI 可能削弱监督它所需的技能。

研究者的结论是：未来的系统应该把这个可持续性差距作为一等设计问题，而不是事后的评估指标。

六个开放的设计问题

研究者最后提出了六个尚未解决的方向：

沉默失败与可观测性差距。行业调查估计 78% 的 AI 失败是不可见的。LangChain 对 1340 名受访者的调查发现，可观测性采用率接近 89%，但离线评估只有 52.4%。关闭这个差距可能需要在 harness 层增加生成器-评估器分离等机制。

跨会话持久化。当前架构在静态指令（CLAUDE.md）和单次会话记录之间缺少一层：既不是静态指令，也不是单次会话的记录，而是从过去会话中积累的可复用策略。

harness 边界演化。随着模型能力提升，harness 的有趣组合不会减少，只会移动。未来的演化可能在四个维度展开：在哪里运行、什么时候行动（主动式 AI）、作用于什么（文本之外的物理动作）、与谁协作（多智能体）。

长视野扩展。当前架构的基本单元是轮次、会话和子智能体。当自主工作延伸到多个会话甚至数周时（如自主科研系统），现有机制是否还够用？

治理与监管。EU AI Act（欧盟人工智能法案）将于 2026 年 8 月全面适用。MIT AI 智能体指数发现，只有 13.3% 的已索引智能体系统发布了智能体特定的安全说明。当前的拒绝优先评估在内部可审计，但尚未达到新兴监管框架要求的外部可审计形式。

长期人类能力保存的设计化。这是最难的问题：如果我们有了衡量认知卸载和理解力退化的会话级信号，架构应该如何响应？这不只是测量问题，而是设计问题。

对智能体构建者的实际启示

这份分析最核心的结论是：随着前沿模型在编程任务上的实际能力趋于收敛，周围的运营 harness 质量成为主要差异化因素。

在确定性基础设施上的投入，比在模型周围叠加规划脚手架，可能带来更大的可靠性收益。

具体来说：

上下文管理、安全分层和恢复机制比显式规划图更值得投入

拒绝优先的默认安全姿态，加上多层独立防御，比单一隔离边界更稳健，但要警惕防御层共享失败模式的问题

文件式透明记忆在可审计性上有独特优势，但需要配合渐进式压缩来管理上下文压力

四种扩展机制按上下文成本分层，是一个值得借鉴的设计模式

追加优先的持久化设计，以查询能力换取可审计性和简单性，是一个合理的权衡

最后一个问题留给每个在构建或使用这类工具的人：当工具让你完成了更多工作，你自己理解了多少？

原文标题：Dive into Claude Code: The Design Space of Today's and Future AI Agent Systems

作者：Jiacheng Liu, Xiaohan Zhao, Xinyi Shang, Zhiqiang Shen（MBZUAI / UCL）

原文链接：https://arxiv.org/abs/2604.14228

代码仓库：https://github.com/VILA-Lab/Dive-into-Claude-Code

https://web.stanford.edu/class/ee384m/Handouts/HowtoReadPaper.pdf

大多数研究生都是靠"撞墙"学会读论文的。

从头读到尾，读完发现没记住什么，再读一遍，还是一头雾水。

没人告诉他们，读论文本身是一项需要学习的技能。

滑铁卢大学教授 S. Keshav 在 2007 年写了一篇两页纸的短文《How to Read a Paper》，把这件事讲清楚了。

核心是一套"三遍读法"，逻辑简单，但背后的认知逻辑值得细想。

为什么不能从头读到尾

直觉上，读论文就该从摘要读到结论。

但这个策略有个致命问题：你不知道这篇论文值不值得花时间。

一篇论文可能写得很差，可能假设站不住脚，可能根本不在你关心的方向上。

如果每篇都老老实实读完，一年下来浪费的时间是个天文数字。

Keshav 的解法是把阅读拆成三个层次，每一层都有明确的目标，读完之后再决定要不要进入下一层。

第一遍：五到十分钟，判断值不值得读

第一遍不是"读论文"，是"扫描论文"。

具体做什么：读标题、摘要、引言，然后只看各节的小标题，跳过正文，直接读结论，最后扫一眼参考文献。

五到十分钟之后，你需要能回答五个问题，Keshav 把它们叫做"五个 C"：

• Category（类型）：这是什么类型的论文？测量实验、系统分析，还是原型描述？

• Context（背景）：它和哪些工作相关？用了什么理论框架？

• Correctness（可信度）：基本假设站得住脚吗？

• Contributions（贡献）：主要贡献是什么？

• Clarity（清晰度）：写得清楚吗？

这五个问题其实是在问：这篇论文是否值得我继续投入时间？

Keshav 还顺带给了论文作者一个忠告：大多数审稿人只会做一遍扫描。

如果摘要写得含糊，小标题逻辑混乱，审稿人根本看不出这篇论文在说什么，结果就是直接拒稿。

第二遍：最多一小时，抓住主干

第二遍才是真正意义上的"读"，但仍然不是逐字逐句读。

重点是：认真看图表，忽略证明细节。

为什么图表这么重要？因为一篇论文的核心结论往往藏在图里。

坐标轴有没有标清楚？误差棒有没有？结论是否有统计显著性支撑？这些细节能快速区分一篇扎实的工作和一篇凑数的论文。

读完第二遍，你应该能用自己的话向别人解释这篇论文在做什么、结论是什么、证据是什么。

不需要理解所有细节，但主干要清楚。

如果第二遍读完还是云里雾里，Keshav 给出了三个选项：放弃这篇论文、补完背景知识再回来读、硬着头皮进入第三遍。

没有哪个选项是"对的"，取决于你为什么要读这篇论文。

第三遍：几个小时，真正理解一篇论文

第三遍的目标不是"读懂"，而是在脑子里重新推导出这篇论文。

具体做法是：带着作者相同的假设，尝试自己重现这项工作。

然后把你推导出来的结果和论文实际写的内容对比。

这个过程会暴露两件事：论文真正创新在哪里，以及它的隐藏漏洞在哪里。

Keshav 说，初学者做第三遍需要四到五个小时，有经验的读者大约一个小时。

读完之后，你应该能从记忆里重建整篇论文的结构，并且能指出它的强项和弱点，包括隐含假设、缺失引用、实验设计的潜在问题。

这个层次的阅读，主要是给审稿人和深度研究者准备的。

如果只是想了解某个方向的进展，第二遍就够了。

文献综述怎么做

三遍读法在做文献综述时同样适用，只是多了一个"如何找到该读哪些论文"的问题。

Keshav 的建议是三步走：

第一步，用 Google Scholar 或 CiteSeer 搜几个关键词，找到三到五篇最新的相关论文，每篇做一遍扫描，然后重点看它们的"相关工作"章节。

运气好的话，能找到一篇综述论文，直接省掉后面的工作。

第二步，如果没有综述，就从这几篇论文的参考文献里找规律：哪些论文被反复引用，哪些作者名字反复出现。

这些就是这个领域的核心工作和核心人物。找到这些人的个人主页，看他们最近在哪些会议发表论文，这样就能顺带找到这个领域的顶级会议是哪些。

第三步，去这些顶级会议的官网，翻近几年的论文列表，快速扫描，找出和你研究方向相关的高质量工作。

把这些论文加上第二步找到的核心论文，就构成了文献综述的第一版。

然后对这批论文做两遍阅读，如果发现它们都引用了某篇你还没读过的论文，补上，迭代，直到没有明显遗漏为止。

真正有用的结论

三遍读法的本质是把阅读决策前置。

在投入大量时间之前，先用最小成本判断这篇论文是否值得深读。

这不是偷懒，而是在有限时间里最大化阅读的回报。

对于大多数从业者来说，第一遍和第二遍已经足够应对日常的技术跟进。

第三遍留给真正需要深度理解的场景，比如写综述、做审稿、或者要在这个方向上做原创工作。

下次拿到一篇论文，先花十分钟做第一遍扫描，回答那五个 C，再决定要不要继续。

这一个习惯，能帮你省下大量被低质量论文浪费掉的时间。

https://x.com/itsreallyvivek/status/2064686372737454155

Richard Hamming在贝尔实验室有个习惯，让他在午餐桌上很不受欢迎。

他会问坐在旁边的人：你们领域里最重要的问题是什么？然后再问：那你为什么没在研究它？

人们开始换桌子坐。

这个问题刺痛人，是因为大多数人根本没有好答案。

我们不是在选择问题，我们是在吸收问题，从导师那里，从某个大实验室上季度宣布的方向里，从这周所有人都在转发的那篇论文里。

研究能力是一组可以刻意训练的小技能。

从怎么选问题、读什么材料、如何记录思考，到怎么加速实验循环、怎么找对合作者，每一项都有具体的方法论。

吸收来的问题，自带一个致命缺陷

吸收来的问题，你拿到了结论，却没有推理过程。

你知道某个著名实验室在押注某个方向，但不知道为什么，不知道他们期待找到什么，也不知道什么情况下他们会放弃。

等他们转向，你一年后才知道。

而在一个已经时髦的问题上，你在和一千个比你起步更早、算力比你更多的人赛跑。

John Schulman在他的机器学习研究指南里把工作分成两种模式：

一种是读文献、找可以改进的地方；另一种是先确定一个你真正想看到存在的结果，然后倒推出需要做的实验。

他主张第二种，背后的逻辑很安静：这种方式会制造出原创性。

一个你真正在乎的目标，会把你拖进任何综述论文都没有覆盖到的领域。

品味这件事，常被人当作天赋来讨论，但它更像一块肌肉。

每次跑实验之前先预测结果。

拿到一篇论文，先盖住结果部分，只看方法，猜数字。

记下这个月发布的哪些工作两年后还会有人提，之后回来对照命中率。

预测加纠错，重复几百次，这就是所有好模型的训练方式，包括你脑子里那个。

共享的阅读清单，只会产生共享的想法

如果你的信息来源是arXiv的热门页面，加上群聊里过滤剩下的内容，你大概率会和所有人同时得出同样的结论。

而同时得出的同样结论，价值约等于零。

旧材料的价格被严重低估了。

这个领域一直在延迟重演自己的历史：混合专家模型可以追溯到1991年，LSTM到1997年，反向传播在1986年才真正流行起来。

Rich Sutton在2019年用大约一千个词写了《苦涩的教训》，它对这个领域走向的预测能力，比很多十倍长的综述都强。

Claude Shannon在1952年有一个关于创造性思维的演讲，他的第一招是：把问题缩小到几乎平凡的程度，先解决小版本，再一块一块地把难度加回来。

这一个技巧能带你穿过的墙，比任何现代生产力建议都多。

跨领域的宽度和深度同样重要。可解释性研究在厚颜无耻地借鉴神经科学。

评测设计本质上是穿着实验室白大褂的机制设计。真正理解GPU如何搬运内存，能让你在跑基准测试之前就看出哪些架构论文是死路。

而诚实的统计学，大概是机器学习里最稀缺的技能，这个领域里很多所谓的严谨，不过是带着误差棒的直觉。

还有一件事：去读论文本身，不要只看线程摘要。

附录里藏着尸体，局限性部分通常是整篇文章最诚实的段落。

写下来，才知道自己有没有真的想清楚

Paul Graham说过，一个想法在你试图把它写成文字之前，可以感觉完全成形。

但纸面会找出你脑子里糊过去的漏洞：那个从没验证过的假设，那个其实推不出来的步骤，那两个悄悄互相矛盾的论断。

Feynman的原则是：你最不能愚弄的人是你自己，因为你是最容易被愚弄的目标。

写作是有史以来最便宜的防御手段。

Darwin走得更远，他把这件事变成了一个流程。

任何与他理论相悖的事实，必须当场记下来，因为他发现自己的记忆删除不方便的证据，比删除方便的快得多。

你的记忆对你失败的实验做着同样的事。

保持一个日志：假设、设置、预期、结果、更新后的判断。

回看上个月的记录，那种羞耻感是任何审稿人都给不了你的。

然后把一部分内容公开发出去。

Chris Olah和Shan Carter在《研究债务》里论证过：一个领域会被消化不良的想法噎住，而一篇清晰的解释是真正的贡献，不只是服务性工作。

今天很多在做可解释性研究的人，是通过可读的博客文章找到这个领域的，不是通过会议论文。

公开写作也是你能拥有的最强履历，因为它是你思维方式的一个无法造假的样本。

研究速度，本质上是发现自己错了的速度

关于Alec Radford的故事，很少涉及某个单一的天才时刻。

它们涉及的是体量：每天更多的实验，每周丢弃更多的错误想法，一个比任何人都更新得快的现实模型。

这让工具链成为了一项一流的研究活动。

启动一次实验应该是一条命令。画图应该再多一条。

每个实验都应该能从配置文件里复现，比较两次实验结果应该花几秒钟，而不是一个下午的考古。

Karpathy的神经网络训练手册里有一个步骤，回报率高得离谱：在大规模训练之前，先在单个batch上过拟合。

三十秒，消灭一半的bug。把一切缩小到便宜，做对，再花算力。

也该放弃"工程是研究的初级合伙人"这个想法了。

在前沿，这两份工作已经融合了。

能自己搭框架、写评测、做数据管道的研究员，才是那个假设真正能被检验的人。其他人都在排队等待。

下降的loss曲线不是分析，是安慰

你的实验产生的信息远比你消化的多：对话记录、失败案例、分布的奇怪尾巴。

大部分死在一个没人打开的logs文件夹里。

Karpathy的手册在任何训练代码动工之前，先花几个小时手动看原始数据。

大多数机器学习的bug藏在数据里，而且是静默失败的。

没有任何东西崩溃，你只是得到一个平庸的模型，以及一个关于原因的错误理论。

Andrew Ng推了这个不上镜的动作超过十年，因为没有什么能打败它：拉出一百个失败案例，读完，分类，攻克最大的那堆。

这个方法对模型有效，对评测也有效。

一个你从没读过对话记录的基准测试，是一个你其实不理解的基准测试。

一条真正奇怪的行为记录，能教给你的东西，比准确率再多一位小数多得多。

你的第一个子领域，是时机的意外

把它当意外来对待。

在可解释性、评测、强化学习、系统方向上都花真实的时间，再决定你住在哪里。

这个领域的某个角落里，你特定的怪癖是一种不公平的优势，而找到它的唯一方式是在几个地方交学费。

没有人能免学费。

先跑每个想法的一次性版本，让大多数想法早早死去。

把基线调到令人痛苦的程度，因为机器学习的墓地里堆满了在一个调好的基线面前蒸发掉的"提升"，而从审稿人那里学到这件事是最糟糕的方式。

做消融实验，直到你知道哪个组件在撑着结果。通常只有一个，而且通常不是标题里写的那个。

宽度也是保险。每个子领域都会饱和，通常就在它在社交媒体上到达顶峰之后不久。

那些能穿越这些转折继续产出的人，是那些已经对邻近领域了如指掌的人。

开放的门，带来真正重要的信息

Hamming注意到一个规律：关着门的同事在任何给定的一年里完成了更多工作，而开着门的同事做了真正重要的工作，因为那些打断他们的信息，携带着关于世界真正需要什么的线索。

你的开着的门大概是你的收件箱，保持这样。

慷慨在研究里的复利效果无与伦比。

复现一个结果并发布你的发现。把你为自己做的工具开源出去。

用平实的语言解释一件难事。

回报会从侧面到来，几个月后，以一次合作、一个引用、或一个你原本无法申请的职位的形式。

把你半成形的想法也公开发出去，因为在时间线上犯错，代价远比在论文里犯错便宜。

而那个在你投入三个月之前告诉你这个想法有问题的合作者，比算力更值钱。

那种关系买不到，只能赚到。

比感觉必要的时间更早开始复利

Pasteur说运气偏爱有准备的头脑，Hamming在这句话上建立了整个职业哲学：知识和生产力像利息一样复利增长。

每天的优势单独看微不足道：读什么，记什么，循环跑多快，和谁争论。

给它们几年时间，它们会产生从外面看起来像运气的职业生涯。

比感觉必要的时间更早开始复利。未来的你已经知道，现在是最便宜的阶段。

但大多数人不这么认为。他们会说：你什么都学，什么都不精，最后什么都做不成。

这个判断来自工业时代的逻辑，那个时代的最优解是：选一个专业，进一家公司，重复执行同一串任务四十年，然后退休。

那个时代已经过去了。

个人的杠杆从未有过这么大

Naval Ravikant 说过一句话：代码和媒体是无需许可的杠杆，是新富阶层背后的力量。你可以创造在你睡觉时仍在为你工作的软件和内容。

杠杆的意思是：输入和输出之间的倍数。

社交媒体出现之前，一个普通人想让一百万人听到自己说话，几乎不可能。广播做不到，电视做不到，信件更做不到。社交媒体让这件事第一次对普通人开放。

现在 AI 又把门槛再往下压了一截。一个人可以构建一套完整的数字产品，配上完整的营销漏斗，这套东西在以前需要几十人的团队才能搭起来。

这不是说人人都能一夜暴富。市场变得更复杂了，需要更多技巧和策略。但个人的天花板，确实比任何时候都高。

你已经在做 80% 的工作了

喜欢学习的人，每天都在做一件事：研究。

读文章，看视频，刷 Reddit，钻进某个小众话题的兔子洞，把有意思的东西存起来，在脑子里反复咀嚼。

这就是研究。只是大多数人不把它叫做研究，也没有意识到这件事本身有商业价值。

Jordan Peterson 在做什么？研究。Huberman 在做什么？研究。Marcus Aurelius 在做什么？研究，然后把想法写下来。

他们读奇怪的书，在互联网上钻进冷僻的角落，从多个角度收集观点，然后合成出自己的判断。他们是猎人，猎的是想法，然后把最好的那些分享出去。

写作这件事，80% 是研究，20% 是把研究到的东西用自己的方式写出来。

如果你已经在做研究，你已经完成了大部分工作。

把兴趣变成生意，结构其实很简单

Dan Koe 在文章里举了一个例子。

有人找他咨询，说自己在给房地产个人品牌做摄影摄像，但内心真正想做的是更有创意的艺术电影。

Dan 问他：你有没有在为自己的品牌做内容？

没有。

答案其实很清楚：他应该用自己的视频表达艺术风格，同时把摄像技能教给个人品牌们。这样做有两个效果，一是吸引客户，因为顶级从业者没时间自己做，但他们会看到这个人是行家；二是积累足够广的受众，之后可以用摄像相关的教育产品变现。

这个逻辑可以套用到几乎所有领域：

你深入研究自己的兴趣，把里面有价值的东西提炼出来，教给还没走到这一步的人。

整个商业模式就是：先提升自己，再帮助别人提升。

你的品牌是你帮人完成的那个转变

很多人在这里卡住了。他们觉得需要一个完美的个人简介，一句精准的定位语，一个清晰的价值主张。

其实不需要。

想想你真正佩服的人。你佩服他们，是因为他们从根本上改变了你的某些东西。他们的内容或产品，让你改变了行为。

James Clear 让几百万人开始养成微小习惯。Alan Watts 让人不再把生活看得那么沉重。Naval 让人理解了数字杠杆的力量。

他们从来没有在简介里写"我帮你做 X"。但你在读他们的内容、用了他们的方法、看到了结果之后，你会把那个结果和他们联系在一起。品牌就是这样建立的，它存在于读者脑子里，不在简介里。

你只需要回答三个问题，然后让这三个问题指导你的内容：

1. 你最能帮助谁？他们现在的处境是什么样的？

2. 什么东西最深刻地改变了你的生活？

3. 你怎么帮别人完成同样的转变？

如果第一个问题答不上来，从最简单的地方开始：你最能帮助的人，就是一年前的你自己。

内容是地图，产品是工具

内容的逻辑是：你有一个起点 A（读者现在的处境），有一个终点 B（你能帮他们到达的地方）。你所有的内容，都是这张地图上的路标。

具体操作是：

• 写 2 到 3 个大方向，比如健康、心理、商业，这是你的内容支柱

• 每个大方向下面拆出 2 到 3 个子话题

• 每个子话题下面找 2 到 3 个痛点或原则

然后每次研究到一个好想法，问自己一个问题：这个想法怎么和我的方向对上？

比如你研究流心理学，发现了一个概念：心理熵会让大脑随时间慢慢失序，除非主动维护一套有意义的目标层级。这个想法本身很好，但直接复述没有意义。你问自己"这和我帮助读者的方向有什么关系"，然后你就有了一篇只有你能写的文章。

产品的逻辑更直接：内容告诉人们怎么做，产品帮人们真正做到。

你可以把内容写得再详细，大多数人读完还是不会行动。产品是一套系统，模块、模板、每日行动清单，把实施路径打包好，让人可以直接用。

如果你不想做信息产品，可以做软件。现在 AI 辅助编程已经让这件事对普通人可行，你可以从零开始问 AI 怎么搭，遇到问题继续问，第一版会很粗糙，但可以快速迭代。

这条路是真实可行的

这篇文章不是一份操作手册，没有给出每一步的具体指令。

但有时候你需要的不是手册，而是确认：这条路是真的走得通的。

如果你喜欢学习，喜欢钻研，有几个真正感兴趣的领域，那你已经具备了这套模型的核心原料。

接下来的事情是：把研究习惯化，把输出结构化，把变现系统化。

三件事，一件一件来。先从搞清楚你能帮谁、帮他们做什么转变开始。

https://github.com/nexu-io/open-design

这个数字放在Github开源历史上，20 天达到 50k Star + 的项目中，能排进全球前十。

但更有意思的不是这个数字，而是它背后的逻辑：Open Design 的创始人 Tom，自己就是这个工具的重度用户。

他们团队已经完全抛弃了 Figma 和 PRD，从想法到产品上线，最快两个小时。

这是"未来硅世界"第17期直播的核心内容。

Tom 是 Open Design 的创始人，此前做过 Refly（画布+工作流产品），在字节飞书做过产品设计和研发。

这次直播聊了产品本身、技术路线、开源哲学，以及一些很少被公开讨论的实践细节。

Open Design 到底是什么

一句话：用本地 Agent 驱动的设计工具，目标是替代 Figma 和 Claude Artifacts。

它是一个本地客户端，免费开源，下载即用。

核心逻辑是：把你本地已有的 Code Agent（Claude Code、Codex、Hermes、PI 等）识别出来，直接作为设计引擎。

你不需要切换工具，你的本地 Agent 就是它的引擎。

对于没有本地 Agent 的用户（统计下来占85%），Open Design 提供了自己的付费 Agent，这是它目前主要的商业化入口。

它能做什么：

• 原型设计（替代 Figma 流程）

• 后台系统（Live Artifact，数据实时刷新）

• PPT（集成了歸藏老师等300+模板）

• 营销落地页和海报

• HTML 视频（基于 Hyperframes 框架，30秒短视频）

更关键的是，它打通了从设计到交付的全链路：做完设计，可以直接用 Cursor 把 HTML 转成 React 代码，交给下游工程师上线。

为什么选 HTML，而不是 React

这是整个产品最底层的技术判断，也是第一次听到有人把它说得这么清楚。

Open Design 生成的设计产物，核心是 HTML 单文件，而不是 React 或 Vue 这类工程框架。

原因不是技术能力的问题，而是模型注意力的分配问题。

让模型写一个 React 项目，它要花70%到80%的注意力在"怎么让这段代码能跑起来"：组件怎么连接、状态怎么管理、框架规范怎么遵守。

剩下20%的注意力，才能用来关注"这个东西好不好看"。

HTML 单文件完全不同。

没有框架负担，模型可以把80%到90%的注意力压在一件事上：让这个东西变得更美。

这就是为什么同样的模型，用 Open Design 做出来的设计，视觉质量会比直接用 Claude Code 或 Codex 生成的 React 代码好看。

不是因为 Open Design 更聪明，而是它让模型的注意力花在了正确的地方。

当然，HTML 不是终点。

做完设计之后，可以直接交给 Cursor，让它把 HTML 转成生产可用的 React 代码。

设计归设计，工程归工程，各自在最擅长的介质里工作。

设计系统抽取：品牌一致性的正确打开方式

Tom 在直播中演示了一个功能：把 WaytoAGI 官网的设计系统整体抽取出来，包括品牌色、阴影、圆角、暗黑模式表现等，然后基于这套设计系统，对官网做整体风格刷新。

这个功能的价值在于一致性。

如果你要做十几个设计产物，每次都从零开始，风格必然散乱。

有了设计系统，你可以让 Agent 基于同一套品牌规范，生成落地页、海报、PPT，风格自然统一。

Tom 演示时，先用抽取的设计系统生成了一版官网，觉得不够好看，又调用了歸藏老师的瑞士风格模板刷新了一遍。

整个过程就是：@模板名 发送，等几分钟，完成。

反 AI 味：不是玄学，是规则

Open Design 在生成设计时，会做"反 AI 味"校验。

Tom 梳理了大概二三十条规则。

https://github.com/nexu-io/open-design/blob/main/craft/anti-ai-slop.md

AI 味的本质，是风格用错了场景。

Claude 默认生成米黄色背景，因为 Anthropic 自己的品牌就是米黄色。

这个颜色在 Claude 的界面上是好看的，但你拿它做一个科技公司的落地页，就显得廉价。

大量训练语料来自 Shadcn/UI 这类组件库，所以模型默认在背景上加网格。

网格在后台管理系统里是合适的，在对外的营销落地页上就是 AI 味。

模型还喜欢在标题前加 emoji，用标准化的颜色搭配，用特定字体。

这些都是训练数据带来的偏好，本身没有对错，只是被用在了错误的语境里。

反 AI 的做法很直接：告诉模型"你现在在设计落地页，不能用后台管理系统的思路"，然后在最终输出时让模型做自检，有问题就改，改到没问题为止。

同场嘉宾也补充了另一层更有意思的视角：即使用 AI 生成好看的风格，用的人多了也会变成 AI 味。

就像流行色，一旦泛滥，就失去了吸引力。

真正对抗 AI 味的，是融入自己的审美和思考，而不是套用一个流行模板。

本质上，人讨厌的不只是 AI 味，还有“没有用心”、“没有个性”。

Memory：把审美变成可迁移的数据

这是 Tom 认为最被低估的功能，也是整场直播里我觉得最有意思的地方。

你做一个设计，可能要调优30轮。

每一轮你告诉 Agent"这里字太小""这里去掉""这个颜色换一下"，这些反馈在隐性地定义你的审美偏好。Open Design 会把这30轮记录下来，提炼成你的设计 Memory。

下一次生成类似设计，这些偏好自动生效。

更激进的应用：Tom 提到，他们在用 DeepSeek V4 Flash（比 Claude 便宜近100倍）结合用户沉淀的审美 Memory，做出接近 Claude Opus 水平的设计效果。

这个逻辑值得停下来想一想。

模型的能力是有上限的，但"什么是好看"这件事，是可以被系统化定义的。

你把"好看的标准"用 Memory 的形式喂给一个便宜的模型，它就能在这个标准下发挥出远超其基础能力的表现。

审美，第一次变成了可以传输的数据资产。

因为是本地客户端，Memory 数据可以直接导出。

理论上，你可以把一个审美很好的设计师的 Memory 文件导入自己的工具，直接复用他的"审美脑子"。

html-video：Hyperframes 的问题在哪里

Open Design 最近做了一个叫 html-video 的功能，用代码写视频。

很多人会问：这和 Hyperframes 有什么区别？

Hyperframes 是 HeyGen 团队做的开源框架，通过自然语言写代码生成视频，技术上很厉害。

Tom 和 HeyGen 团队也有交流。

问题在于两点。

第一，Hyperframes 用了大量 Three.js 等动效库，这些库在训练语料里覆盖很少，模型写起来容易出错。

第二，好案例不开源。

Tom 提到，Hermes Agent 团队的宣发视频就是用 Hyperframes 做的，效果很酷，但没有开源。

结果就是大家知道 Hyperframes 厉害，但不知道怎么用它做出好看的东西。

Open Design 的 html-video 做的事情是：底层继续用 Hyperframes 框架，上层加一套产品化的模板库和工作流。

你只需要输入简单的文字描述，它帮你套用模板，默认就能出一个高级感的视频。

这是一个很典型的"在开源项目上盖产品层"的思路：不重复造轮子，解决"最后一公里"的易用性问题。

为什么不直接用 Claude Code 或 Codex

这个问题很关键，Tom 给出了两个核心理由。

第一，精准定位元素，节省 Token。

用 Codex 直接改一个设计元素，它需要通过截图识别、搜索代码、定位元素，经历多轮工具调用，Token 消耗很大。

Open Design 可以让你直接框选一个元素，然后说"帮我删掉"，Agent 已经拿到了这个元素的上下文，直接改，消耗更小、速度更快。

为什么 Codex 不做这个优化？

Tom 的判断是：Codex 要兼容更通用的场景，未来可能支持 iOS、安卓界面，有些界面没有可以直接选取的 DOM 元素，只能通过截图。

为了长期通用性，它选择了更保守的方案。

垂类工具的优势就在这里，专注一个场景，可以做更多针对性优化。

第二，越用越顺，Memory 积累。

通用工具不会记住你的设计偏好。

你今天告诉它"不要在顶部加小字"，下次它还是会加。

Open Design 会把这些偏好记下来，下次默认就不会出现同样的问题。

Agent Native 团队是什么感觉

Tom 的团队十几个人，完全不写 PRD，完全不用 Figma。

具体是什么样的工作方式？

改一个文案，以前的流程：写 PRD 说明语境，丢给设计评审，拉会讨论，研发排期，可能要三天。

现在的流程：产品同学直接把代码库丢给 Codex，说"帮我把这个词改成对应语言的翻译"，推代码，上线，可能要三分钟。

做一个浏览器内嵌功能（支持灵感抓取、颜色提取、动效参考），传统大厂可能是两个月的工作量，他们三天上线。

这不是说他们的工程师特别厉害，而是整个协作模式变了。

产品、设计、研发之间的沟通成本几乎归零，因为所有人都直接对着代码说话。

Tom 说了一句话让人印象深刻："反而不在于写代码本身，而是在于你能不能让审代码这件事变得更加自动化和准确。"

他们为此专门建了一套 AI 审代码的流程：自动截图对比 UI 变化，跑自动化测试，识别是否改动了主框架。

平均不到3小时可以合入一个外部贡献者的 PR。

这套能力，让340个贡献者的代码能被有效管理，而不是变成一团乱麻。

GitHub 是 AI 时代的小红书

这个类比是 Tom 提出来的，说得很准。

以前在小红书上分享内容，门槛是会拍照、会写文案。

现在在 GitHub 上分享项目，门槛是会用 Codex 写代码，而这件事已经变得和发一条小红书一样简单。

分享经验的媒介变了，但逻辑没变：有价值的内容，会被自动传播。

GitHub 上的好项目，会有媒体、自媒体、YouTuber 主动盯着，发现了就录视频介绍。

你不需要主动推广，只需要把东西做好放上去。

X（Twitter）是 GitHub 的冷启动最佳平台。

Tom 的方法论是：做完一个有价值的东西，录一个好看的演示视频，发到 X 上。即使你没有很多粉丝，也很容易达到几万甚至几十万的阅读量。

他还给了一个具体的冷启动建议：每天 GitHub Trending 上都有新项目，选一个你觉得有价值的，让 AI 帮你写一段"为什么它有价值"，写段文字或录个视频发到 X 上，这种内容天然有受众，也很容易积累关注。

X 的算法，Tom 的描述是：它在反哺一种类似乔布斯时代的荣光，让真正有价值的想法被推给需要它的人。

你只要做出来的东西是真实有价值的，它会帮你推给西班牙的人、北美的人、日本的人。

开源的护城河：贡献者，不是 Star

Tom 在直播里说了一句暴论：

"如果你这个项目只有二十几个贡献者，它本质上应该是个闭源产品。"

Refly 做了一年，7.3K Star，37个贡献者。

Open Design 一个月，接近 60K Star，340个贡献者。

这个对比让 Tom 彻底想清楚了开源的意义。

Star 可以被买，可以被刷，可以被复制，但贡献者网络不能。

逻辑是这样的：假设你的开源项目代码全公开，另一家公司把你的代码 fork 过去，重新开源，能不能超过你？

不能，因为他没有你的贡献者。

贡献者是在 Google 搜索权重上留下印记的，是在开发者心智中建立位置的，是在各自的国家和文化背景下持续产生真实需求的。

花钱可以雇400个人提 PR，但他们不会持续贡献，因为他们没有真实的使用场景。

Open Design 的北极星指标，不是 DAU，不是 Token 调用量，而是贡献者数量。

今年目标1000人，明年2000人。

这个指标背后的逻辑是：一旦你成为某个领域的"事实标准"，商业化是后来的事，生命力是先决条件。

两个意外的用户场景

Tom 提到两个他完全没预料到的使用方式。

一个是企业内部宣讲。

有用户把公司文化、规章制度等大段文字，直接用 Open Design 做成可视化图片，下载后用于内部传播。

不是设计需求，是信息降噪需求。一张图比一页文字传递效率高得多，但以前做一张图要找设计师，现在自己做。

另一个更有意思：西班牙的牙医，用 Open Design 做诊所门口的告示，指导患者就诊流程。

他们完全不知道 Claude Code 是什么，通过 YouTube 或 Instagram 看到了这个工具，发现能做海报，就用了。

Open Design 正在从"设计师工具"变成"可视化信息传递工具"，用户边界比产品预设的宽得多。

视觉表达的门槛降低之后，第一批受益的不是设计师，而是那些一直有表达需求、但没有表达能力的人。

模型选择的实测排名

直播里讨论最热闹的部分，Tom 给出了他们实测的结果。

评估分两个维度：能不能完成任务，以及完成得好不好看。

完成任务维度：

Claude Opus 4.8 和 GPT-5.5 大约95分，Kimi 2.6 和 GLM 5.1 在85到90分之间，DeepSeek V4 Flash 大约85分，基本够用。

好看程度维度，差距就拉开了：

Claude Opus 4.8 断档领先，GPT-5.5 弱不少。

Kimi 2.6 因为有专门的前端美学训练数据，和 GPT-5.5 大概在同一水平，甚至略强。

GLM 和 DeepSeek 再往下。

直播间彭超、元子等朋友也做了讨论，最终大家列了一个非常主观的LLM前端审美排名，仅供参考

Claude opus 4.8 > kimi2.6 > GPT 5.5 > Deepseek v4 pro > GLM 5.1> Deepseek v4 Flash

Tom 的建议：追求极致效果用 Claude Opus 4.8，追求性价比用 Kimi 2.6，追求极致省钱用 DeepSeek V4 Flash 加上大量审美约束，80分水平完全够用。

他们团队自己目前全员在用 Codex，局部修改效果不错，全局大改动还是上 Claude。

给你的行动建议

如果你有本地 Agent（Claude Code 或 Codex），Open Design 对你完全免费。

https://open-design.ai/

下载客户端，让它识别你的 Agent，然后做一个你真实需要的设计，落地页、PPT、海报都行。

调优10到20轮，把你的偏好沉淀进 Memory。

下次做类似设计，起点就已经不一样了。

另外，Tom团队在招各种“工程师”，比如设计工程师、GTM工程师等，地点在上海张江。

感兴趣的话也可以投个简历，学习 AI Native 的团队是如何工作的。

https://powerformer.feishu.cn/wiki/E3gYwEe6Aiv7ihkGQvLcCpyKnKh

Laten Space最近访谈了Ethan He，内容很不错，让AI转写一篇文章。

https://www.latent.space/p/video-agents

他是谁，做过什么

Ethan He 是一位多模态 AI 研究员，职业轨迹横跨图像识别、自监督学习、大规模模型训练和视频生成。

在英伟达期间，他是 Cosmos 视频基础模型的核心作者之一。

Cosmos 是一个大规模视频生成模型，目标是模拟物理世界，作为机器人研究的基础底座，于 2024 年底发布。

2025 年中，他加入 xAI，主导 Grok Imagine 的视频和多模态方向，包括：

• 音频视频联合生成（Grok Imagine 0.9）

• 视频扩展（Video Extension，支持完整历史上下文的长视频生成）

• 参考视频生成（Reference-to-Video，支持上传最多 7 张图片作为角色或场景条件）

• 内部世界模型团队（专注实时长时程视频生成）

访谈时他刚刚离开 xAI，准备转向语言模型方向的研究。

三个月从零到视频模型，靠的不是算法

加入 xAI 时，团队没有数据、没有基础设施、没有现成模型，只有几个工程师。

三个月后 Grok Imagine 0.9 发布。

他总结了两个关键因素。

第一是人的密度，而非人的数量。

团队里每个人都很强，目标高度一致，沟通成本极低。

每天只有一个例会，其余时间全部用来构建。

他的观察是：小团队减少沟通带宽，反而比大团队更容易快速迭代。

第二是迭代速度，而非单次训练质量。

他的核心判断是：训练模型最重要的指标，不是某次实验的结果有多好，而是每天能跑多少轮实验。

迭代越快，发现 bug 的机会越多。

而且他特别强调：模型质量最大的提升，往往不来自新算法，而来自数据管道和训练流程里那些不起眼的小 bug。

这听起来有点怪，但这是他在英伟达和 xAI 两次从零搭建视频模型的共同经验。

他还提到一个时间节点：2025 年中加入时，代码模型还不够好，写出来的代码经常是几千行的"意大利面条"，连模型自己都搞不清楚怎么维护。

到 2025 年 12 月，代码模型已经强到可以快速实现任何想法。

这带来了一个新的瓶颈反转：以前是写代码慢，现在是算力跟不上想法的速度。

代码几小时就能写完，但训练一个新模型可能要等好几周。

视频模型是怎么炼出来的：完整路径

第一步：先训图像模型，再训视频模型

原因很实际，图像比视频便宜得多，而且语言和图像之间的对应关系更密集。

举个具体数字：训练 10 亿张图文对，和训练 10 亿个视频文本对，成本完全不在一个量级。

但前者能给模型打下更扎实的语言理解基础。

视频模型对语言的理解，完全来自这种文本到视觉内容的映射关系。

如果映射数量不够，模型就不能充分理解人类意图。

所以标准做法是：先训图像扩散模型，再用它作为基础，迁移到视频模型。

第二步：解决数据对齐问题

互联网上的视频天然缺少精准的文字描述。

YouTube 上的标题和评论，和视频内容本身几乎没有关联。

一段山川自然风光，标题可能是"今天真开心"，二者毫无关系。

所以必须用 VLM（视觉语言模型，能同时理解图像和文字的 AI 模型）给视频打字幕，生成合成的文本视频对。

但 VLM 本身在早期也需要人工标注来冷启动。

Cosmos 的标注要求非常具体：描述要详细到让一个盲人听完文字，就能在脑海中重建出这段视频。

所有物体、角色、互动、对话，都要覆盖。

这个标准直接决定了后来视频模型能不能真正理解人类意图。

第三步：训练 VAE（变分自编码器，一种把图像压缩成低维表示再还原的压缩器）

原始视频帧的像素量太大，1000×1000 的图像就有 100 万个像素，Transformer（一种主流的 AI 模型架构）根本无法直接处理。

VAE 把图像映射到一个低维的连续潜空间（latent space，可以理解为图像的"压缩编码"），再从潜空间还原回图像。

具体做法是把图像切成小块（patch），每个小块映射成一个向量，这样一张图就变成了几十个向量，而不是 100 万个像素。

时间维度的压缩比例是个关键决策。

Wan 2.1 采用 8×8×4 的压缩率，时间维度压缩 4 倍，上下文长度大幅缩短，训练效率更高。

但代价是实时性：如果要做实时交互，时间维度的压缩会引入固定的延迟，无法做到即时响应。

如果不压缩时间维度，只做帧内压缩（8×8×1），上下文长度会是 4 倍压缩方案的 4 倍，计算量大得多，但可以支持帧级别的实时输出。

第四步：训练扩散 Transformer（Diffusion Transformer）

流程和语言模型非常相似，区别只是输入输出换成了视觉 token（图像的压缩表示），以及加入了去噪过程：向视觉 token 加入随机噪声，训练模型把噪声去掉，推理时从纯噪声开始迭代生成干净的图像或视频。

推理侧的主要优化手段是步骤蒸馏（Step Distillation）：用完整模型跑 100 步生成高质量结果，再训练一个只需要 10 步的小模型去模仿它。

这背后的逻辑是：完整模型要学的是整个互联网的图像分布，极其复杂，蒸馏模型只需要学老师模型的分布，简单得多。

Cosmos 的生产版本已经可以做到 4 步甚至 1 步生成（针对图生图等简单任务）。

训练一个视频模型到底要花多少钱

Ethan He 做了一个粗略的估算，数字很有参考价值。

模型规模： 视频模型和中等规模语言模型相当。

LTX 是 19B（190 亿）参数的稠密模型，也有人在探索 MoE（混合专家模型，一种让模型只激活部分参数的架构），激活参数约 20B，总参数可能达到数百 B。

Cosmos 公开披露的视觉 token 数量也在数十万亿量级，和语言模型的训练规模接近。

存储成本： 假设有 10 亿个视频，每个视频 5MB，光存储就需要 5PB（5000TB）。

加上 VAE 提取的特征文件，总存储量翻倍，达到约 10PB。

在 AWS S3 标准存储上，5PB 的月存储费用约 23 万人民币，加上数据出口费用，每月总成本可能达到数百万人民币，还没算 GPU 训练成本。

他特别提到：数据出口费用（把数据从云端传输出去的费用）比存储本身更贵。

每次训练都需要把数据拉取一遍，如果多次训练，费用成倍叠加。

这也是为什么大规模训练团队通常会自建存储基础设施，而不是完全依赖公有云。

I/O 瓶颈： 视频训练天然是 I/O 密集型任务，数据加载速度很容易成为 GPU 利用率的瓶颈。

Ethan He 在英伟达做 Cosmos 时专门做了大量 I/O 优化。

世界模型的定义：三个缺一不可的条件

Ethan He 给世界模型下了一个工程意义上的定义，三个维度。

交互性： 模型可以响应键盘、鼠标、语音等多种输入，并给出合理的反馈。

实时性： 响应延迟要足够低。

CS 职业选手需要亚 3 毫秒的响应（300FPS 对应约 3 毫秒每帧），60FPS 游戏需要 16 毫秒，实时语音交互的容忍上限大约是 200 毫秒。现有视频模型大多达不到这个要求。

长时程： 不是生成几秒钟的片段，而是能持续生成几分钟甚至几小时的内容，同时保持角色、场景、声音的一致性。

三个条件同时满足，才算世界模型。

目前的视频模型在任何一个维度上都还有很大差距。

长时程的工程难题

Cosmos 里 5 秒视频就有约 55K 到 60K 个 token，50 秒就是 500K token，再长就很难处理。

现有视频模型的上下文窗口大约在几百万 token 量级，但实际使用中很快就会爆炸。

Ethan He 在 xAI 主导的视频扩展（Video Extension）功能，是迈向长时程的第一步：让模型在生成下一段视频时，能访问之前所有视频的完整历史上下文，而不只是最后一帧或最后一秒。

这解决了多次扩展后视频质量退化、人物声音漂移的问题。

参考视频（Reference-to-Video）是另一个折中方案：允许用户上传最多 7 张图片作为条件，让模型在生成时参考特定角色或场景。

Ethan He 自己也承认这是个"作弊"方案，真正的解法是让模型自己学会从历史中选择性地提取相关上下文。

FramePack（一篇论文提出的方法）提供了一个启发式思路：最近的历史保留完整分辨率，越早的历史压缩得越小，总 token 数保持固定上限。

这和人类记忆的工作方式有些相似，但 Ethan He 认为更理想的状态是让模型自己决定哪些历史值得保留，而不是靠人工设计的规则。

视频模型最大的进步，来自语言模型

这是整个访谈里最反直觉的判断，也是 Ethan He 离职的核心原因。

扩散模型本身其实很"笨"

扩散模型（Diffusion Model，一种通过去噪生成图像或视频的模型）在训练时被要求按照极其详细的文字描述生成视频，所以推理时也会字面理解用户的输入。

你说"一只猫"，它就生成一只猫，白色背景，静止不动，因为你没说背景，没说动作。

它取的是训练数据里那种极度详细的描述风格，用户的简短输入和这个分布完全不匹配。

提示词重写器才是真正的智能来源

真正让模型变聪明的，是提示词重写器（Prompt Rewriter），一个更大的语言模型，负责把用户的简单描述扩展成极其详细的视频描述。

Cosmos 用的是 Llama 或 Mixtral，而且提示词重写器比视频扩散模型本身（7B 参数）还要大。

他举了一个具体例子：同样是生成一只快乐的羊，不经过重写，结果看起来像 CGI；经过重写之后，画面质量有质的飞跃，而且这个提升不需要任何联合训练。

GPT Image 生成一张图需要 3 分钟，其中大部分时间不是在生成像素，而是在"思考"，也就是提示词重写和规划阶段。

语言模型的角色还在扩展

提示词重写只是第一步。

现在语言模型在视频生成中的角色已经扩展到：

• 工具调用： 生成图片前先联网查今天的新闻，处理后再生成

• 智能体协调： 调用视频生成、视频编辑、图像处理、FFmpeg 等多种工具，迭代生成高质量内容

• 布局规划： 决定视频的结构、时间线和内容组织

Grok Imagine 已经有了一个智能体模式的早期版本，可以通过调用不同工具来生成更长的视频。

音频：被低估的难题

Grok Imagine 0.9 是 Ethan He 认为业内首个大规模部署的音频视频联合生成模型。

音频的难点在于它有两个截然不同的成分：

• 语音部分： 接近离散 token（可以理解为有限词汇表里的单词），可以用类似语言模型的方式处理

• 音乐部分： 完全连续，无法离散化，现有语言模型对音乐的理解非常有限

让语言模型描述音乐细节，就像让盲人描述颜色一样困难。

大多数语言模型可以识别"这是哪首歌"，但无法描述音乐的节拍、音调和细节，更无法生成高质量的音乐。

更大的挑战是时间对齐。

文本和图像之间的对应是松散的，你可以用一段话描述整张图。

但音频和视频必须在时间轴上精确对齐：哪一秒有什么声音，必须和画面严格同步。

这种精确的时间感知，是现有多模态模型普遍缺失的能力。

生成式 UI：扩散模型作为前端

访谈中展示了两个产品案例，代表了 Ethan He 对未来交互方式的判断。

Flipbook： 一个用图像生成模型实时渲染的浏览器界面。

页面里的所有内容都是模型生成的，公司不存在，场景是虚构的。

用户点击链接，模型就生成新的子页面。

比如点击"金字塔建造技术"，模型会生成一个详细介绍杠杆技术的新页面，配有对应的生成图像。

Neural OS（神经操作系统）： 用视频模型模拟一个完整的操作系统，可以运行 Doom、Firefox 等应用，所有画面都是模型实时生成的。

Ethan He 的预测是：随着推理成本下降，扩散模型会成为人机交互的前端层，语言模型和确定性代码在后端运行，用户看到的所有界面都由生成模型实时渲染。

每个用户可以有完全不同的界面，邮件可以像 TikTok 一样滑动，Instagram 可以去掉你总是误触的点赞按钮。

他估算了一下成本：如果每 100 个请求 1 美元，每天用 8 小时，每月大约 240 美元。

现在确实贵，但推理成本每年大约下降 2 倍，他认为这个未来会到来。

他还提出了一个关于人机带宽的判断：人类的最大输入带宽是视觉（看），最大输出带宽是语音（说）。

所以未来最自然的人机交互方式，是用户说话，AI 用生成式画面回应，这是神经链接（Neuralink）出现之前的最高带宽交互形式。

为什么离开 xAI

Ethan He 的回答很直接：有些研究在公司里做不了，而且公司的优先级会快速变化。

他想做的，是语言模型方向的研究，特别是模型如何自主管理自己的上下文。

他的具体预测是：语言模型很快会出现真正的上下文感知能力，模型知道自己的上下文窗口用了多少，能主动决定压缩、丢弃或保留哪些内容，而不是依赖外部 harness（智能体框架，一种包裹模型的工程系统）的启发式规则。

他举了一个例子：现在 Claude（Anthropic 的 AI 模型）在上下文接近上限时会自动触发压缩，但模型本身对这个过程毫不知情，还在按照原来的方式工作。

理想状态是模型自己感知到"我快到上限了"，并主动调整策略。

他认为视频模型在这方面的探索某种程度上比语言模型更超前，因为视频的长时程问题更紧迫，研究者被迫更早面对这个问题。

他还提到一个更激进的想法：如果把智能体框架的代码直接放进模型的上下文，让模型能够修改自己的运行规则，比如决定"读长文档时我要分块处理还是只读前 200 行"，这种自我修改的智能体框架可能是一个值得探索的方向。

职业轨迹：每一次转型都是主动押注

Ethan He 的职业路径本身也值得单独说一下。

十年前他在做 ResNet（残差网络，一种经典的图像识别模型架构）时代的图像识别和目标检测研究，同时做模型压缩。

他当时想当教授，已经有几篇顶会一作论文，自信地申请了顶校博士，结果全部被拒。

被迫进入工业界，反而让他在 Facebook FAIR（Meta 的 AI 研究院，由 Yann LeCun 领导）做了自监督学习，之后到英伟达做 Cosmos 和 MoE（混合专家模型）扩展，再到 xAI 做视频多模态。

他在英伟达的另一个重要工作是 Megatron MoE，这是第一个开源的、能够高效训练超大规模 MoE 模型的框架，支持从 1000 亿参数到万亿参数的训练，MFU（模型浮点利用率，衡量 GPU 利用效率的指标）达到约 40%。

他的结论是：在机器学习内部切换方向，比大多数人想象的容易。训练大模型的核心原则是通用的，换个方向并不需要从零开始。

很多人觉得"我做计算机视觉，就只能做计算机视觉"，但他的经验证明这个边界没有那么硬。

关键判断汇总

局限性和没说清楚的地方

这篇访谈有几个地方值得注意：

信息不对称： Ethan He 在涉及 Grok Imagine 具体架构时多次说"不方便评论"，比如它是否是端到端扩散模型还是语言模型加扩散头的组合。这意味着一些关键技术细节仍然不透明。

成本估算是粗略的： 他的存储和训练成本计算是信封背面的估算，实际情况会因数据规模、训练次数、基础设施选择而有很大差异。

"语言模型是瓶颈"这个判断有边界： 他承认扩散模型本身的改进仍然重要，只是说在当前阶段，语言模型的改进带来的增益更大。这不等于视频模型架构研究没有价值。

世界模型的定义是他个人的： 他在访谈开头就声明，世界模型有很多定义，他只是分享自己的视角，不打算辩论谁对谁错。

本文根据 Latent Space 播客对 Ethan He 的访谈整理重写。

Ethan He 曾任英伟达 Cosmos 视频基础模型核心作者，xAI Grok Imagine 视频多模态负责人。

意思是回报（Return）、回调（Retreat）、研究（Research）都会成为主题，并在过年前清空了二级市场所有仓位。

结果上半年 AI 市场比任何人预期的都要疯狂。

他没有消失，而是回来了，把自己说过的话逐条拆开，哪里说对了，哪里说错了，以及现在怎么看。

https://www.xiaoyuzhoufm.com/episode/6a15a2cbff7b9a8c0a5b953f

说对了什么，说错了什么

戴雨森说对的部分，主要集中在 C 端变现的判断上。

他当时认为 OpenAI 的订阅收入很难快速提价，从 20 美元涨到几十甚至一百美元对普通用户来说门槛太高。

同时，5000 万付费用户已经把愿意为 AI 日常使用付费的人群基本筛选完了，继续增长会很慢。

事后来看，这个判断基本准确，ChatGPT 的付费用户增速确实进入了停滞区间。

他还判断在 ChatGPT 里做广告和电商不是一件简单的事。

字节在抖音和 TikTok 上探索广告和电商花了很长时间，Facebook 和 Google 成立后也用了六到八年才成为广告印钞机。

把广告直接塞进 ChatGPT，当时大家太乐观了。这个判断也得到了验证。

说错的部分，是完全没有预料到 Anthropic 的 Coding 收入会在这么短的时间内发生这么大的变化。

他的解释：AI 的智力提升不是线性的，它必须突破某个阈值才会产生价值。把水烧到 99 度不会有蒸汽机，烧开了才有。

Claude 4.5 到 4.6 的迭代，带来了从量变到质变的跳跃，让很多原来跑不起来的 Agentic loop 能够跑起来了，AI 开始能完成更长时间、更高价值的编程工作。

这个节点事后看很明显，但提前预判极难。

"回报问题"并没有真正被解决

很多人看到 Anthropic 收入大涨，就认为 AI 的商业闭环已经跑通了，戴雨森不这么认为。

他提出了一个三步链条：投入→产出→结果。

Anthropic 的收入，是它客户的投入。

客户买了这些 token，烧出来的是软件，这是产出。

但软件还不是结果，软件要能卖钱，或者能降本，带来利润提升，才是结果。

现在大家都在拼命投入，产出确实多了一些，但产出有没有真正带来结果，这个问题还没有被验证。

他用了一个生动的比喻：现在的状态像一个水槽，上面有无数想吃螃蟹的人涌进来，下面也有很多人觉得螃蟹不好吃悄悄离开了，但进来的人远多于离开的人，所以 Anthropic 和 OpenAI 的 ARR 涨得很快。

但这个漏水的底部迟早要堵住，来尝鲜的人必须能从中赚到钱，而且这个赚钱的周期不能太长。

他还算了一笔账：今年整个 AI 行业在硬件上的利润是 7000 亿美元，如果 Anthropic 年底 ARR 达到 1000 亿美元，意味着每个月有 100 亿美元的 token 被买走。

掏了这 100 亿的人，他们赚了多少钱？这个问题无法忽视。

Harness：从"套壳"到操作系统

一年前，大家管 Manus、Claude Code 这些叫"套壳"，觉得没有壁垒。

现在大家开始叫它们"Harness"，认为它很重要。

戴雨森的观察是，这个认知转变本身就很说明问题。

他提出了一个类比：Harness 更像操作系统，模型更像处理器。

在 Windows 年代，你可以插 Intel 的 CPU，也可以插 AMD 的 CPU，哪个便宜用哪个，哪个新用哪个。

这很像现在用户可以在自己的 Harness 里插拔不同的模型。

而在操作系统上，大家再去构建不同的应用，就像现在开始出现基于 Claude Code 去做应用的尝试。

三年前，一个 AI 应用开发者需要自己处理怎么写 Agentic loop、怎么处理 Memory、怎么设置 Guard rail（护栏）。

现在在 Claude Code 或者这些 Harness 上再做一个 skill，这些底层的东西 Harness 帮你处理了，你只需要考虑自己的功能怎么做。

这和操作系统出现之后，开发者不再需要直接跟 CPU 通信是同一个逻辑。

Harness 还有一个被低估的价值：好的 Harness 积累的数据可以反哺模型训练。

Cursor 就是最典型的例子。

它基于 Kimi 的预训练，加上自己大量高质量的用户反馈数据，训练出了 Composer 这个模型。

如果没有 Cursor 这个壳，就没有这个模型。

这说明模型即产品这句话可能同时成立：你要有好的产品，才能有独特的模型；你要有好的模型，才能做出好的产品。

几个具体的 Harness，各有什么不同

戴雨森逐一拆解了几个代表性产品的创新点：

Manus：率先在 sandbox 里跑虚拟浏览器，让 AI 去访问网页、执行操作。它做的"wider research"，也就是同时起十几个 sub-agent 并行执行不同任务，比现在很多人做 agent swarm 都要早。Claude Code 团队在做某些设计时也借鉴了 Manus 的经验。

Claude Code：CLI 形式是一个关键选择。Terminal 环境对 AI 来说比图形化界面更便于操作，因为 GUI 本来是为人设计的。它通过 skill 配置和 agentic loop 的设置，让程序员获得了非常好的体验。

OpenClaw（开源）：可以访问 Mac 上所有文件、日历、信息，这是 Claude Code 这类产品不具备的。心跳机制让它能完成定时任务。

它的 memory md 体系很有意思：原来大家都觉得要把不同 session 的 context 分开，但 OpenClaw 把所有对话放在一个大 context 里，每天整理 memory md 来管理记忆。

用户的感受是"它记得我"，这种感觉很神奇。

它还有一个关键创新：不是让用户来找它，而是把 agent 插入到用户最熟悉的地方，微信、Telegram、WhatsApp。

这是它在中国风靡的重要原因之一。

"回报问题"的深层结构

戴雨森对增效这件事有一个反直觉的判断。

很多人反馈用了 agent coding 之后效率提升了十倍。

但他问：那些公司的收入是不是也涨了十倍？新产品是不是多了很多，卖给了很多新用户？目前来看，没有观察到这种最终结果的大幅提升。

他的解释是：移动互联网陷入停滞，不是因为缺程序员，而是因为不知道该做什么。

突然多了十倍的工程师，公司收入不会自动大涨，因为增加收入需要新产品、新需求、新市场，这是创新问题，不是编程问题。

他还提出了一个"能背的锅有限"的框架：只要 AI 还不能端到端完成一个工作，人就还要对结果负责。

AI 可以多写一百份报告，但人还是要检查，还是要对投资决策负责。

一个人能承担的职责是有限的，这取决于他的工资和能承担的损失。

AI 没法给你担责，所以这个人的瓶颈还在。

裁员也是一个只能做一次的动作。

你只能把一个人裁一次，它能省下的是固定成本，但不能持续增量地裁出更多成本来。

2026 年的大叙事

戴雨森把 AI 的演进分成三步：

第一步：让人类拥有更多更好的 agent。

Claude Code、Codex、OpenClaw、Manus 都在做这件事，安装越来越简单，配置越来越容易。

第二步：让 agent 更好地适应人类的数字世界。

人类的数字世界是为人设计的，验证码、信用卡、GUI，这些原来都是用来阻止 bot 的。

现在要让 AI 高效使用人类已有的软件和基础设施。

Stripe、Coinbase 在给 AI 发信用卡，Cloudflare 推出服务让 agent 能像人一样注册和使用各种服务。

第三步：为 agent 建设专属的数字世界。

人类用信用卡，是因为人类的支付是低频、点对点、相对大额的。

但 agent 的支付可能是极高频、极小额、一对多的。

给 agent 发人类的信用卡，只是让 AI 适应人的系统。

最终，AI 应该有完全符合自己特点的原生工具。

下一个字节跳动，长得不像字节跳动

这是他最有争议的判断之一。

他观察到，有一批创始人和投资人在寻找"下一个字节跳动"，做的产品也很像字节的产品：一个信息流，刷来刷去，里面是 AI 生成的内容或者 chatbot。

他认为，在字节的游戏规则里打败字节，是非常难的。

他还有一个对 AI to C 的判断：做娱乐、做 Kill time 的机会，不一定是这个时代的大机会。

原因很直接：你一上来就面临分发问题，要从字节买量，你的竞争对手是抖音、短视频、短剧。

用户要在刷短视频和玩你的 AI 游戏之间做选择，你的游戏必须足够好玩，而不是因为它是 AI 做的所以用户要玩。

相比之下，生产力方向是"简单题"：原来用户要自己打 Excel，现在 AI 帮你做，这是十倍甚至一百倍的提升，不需要和娱乐内容竞争用户注意力。

创业者应该做大厂看不上的事

他梳理了移动互联网时代那些跑出来的公司，共同特点是：大厂有理由说服自己不做。

太小众：B 站（二次元）、Airbnb（在别人家睡觉）、得物（卖鞋）。

太 low：内涵段子、拼多多。

太累：美团（地推）。

不合规：滴滴、比特币。

太超前：OpenAI、SpaceX。

他认为现在同样存在这些机会。

比如开源，大家原来觉得开源没有商业模式，但 OpenClaw 通过开源获得用户，完全有可能通过闭源增强版实现商业化。

比如那些模型厂商觉得"不本质"的产品体验，对用户来说却很本质。

他还特别强调：在技术发展早期，勇敢做 horizontal（通用）的东西，是有大机会的。

现在很多人受垂直 SaaS 叙事影响，但垂直 SaaS 是因为通用机会已经被做完了才去做垂直。

在技术爆发期，通用产品能承载不同场景，能最早发现新的市场机会。

Manus 一开始做通用 agent，后来才发现 PPT、网站、数据分析都是主要场景。

投资人自己的变化

戴雨森用 Claude Code 给自己做了很多小工具：把关注的播客自动拉取 transcript 放到 Notion，把每天见的人的会议纪要整理到对应条目下，建立对人、公司、股票的长期跟踪。

但他也在警惕一件事：越来越多地把思考外包给 AI，可能导致思考能力退化。

他的类比：把体力劳动外包给机械，人类的体力变弱了。把记忆外包给互联网，人类记不住事情了。

现在正在把思考外包给 AI，这个代价还没有被充分意识到。

他的应对方式是把思考当成健身：刻意练习，就像为了准备这期播客，他强迫自己想清楚每个观点的论据是怎么来的，而不是让 AI 去总结。

他还注意到一个更深的问题：坐拥各种 coding agent 的订阅，每天有很多 AI 等着打工，但做什么？这个问题本身就是一个需要刻意练习的能力。

他的建议是从简单的开始，同步会议、日程、订阅，逐渐做更复杂的东西，就像健身要先从拉伸和俯卧撑开始。

对于从业者来说，这期对话最有价值的部分可能不是具体的判断，而是那个三步框架：投入→产出→结果。

现在整个行业都在拼命投入，产出确实在增加，但结果端的验证还需要时间。

在这个时间差里，既有泡沫，也有真实的机会。

区别在于，你做的东西是不是真的让某个人的某个问题得到了解决，而不是因为 AI 很热所以你在做 AI。

https://arxiv.org/pdf/2605.19407

这个结论和整个行业的直觉相悖。

过去几年，数据质量被视为训练大模型的核心变量之一，DCLM-Baseline 这类数据集会把 Common Crawl 原始数据过滤掉 99%，只保留约 1% 的"高质量"内容。

但这篇来自斯坦福的论文给出了一个让人不安的答案：那被丢掉的 99%，可能正是你需要的。

过滤数据的代价，比你想的更高

Common Crawl（CC）是目前最大的公开网络爬虫数据集，包含 2023 年以前约 240 万亿个 token。

问题在于，主流的数据过滤流程会把这个数字砍得很小。

以 DCLM-Baseline 为例，经过英语过滤、重复内容过滤、停用词过滤、RefinedWeb 清洗、再加上 fastText 质量分类器，最终只保留约 3.8 万亿个 token，大约是原始数据的 2.1%。

3.8 万亿听起来很多，但对于一个万亿参数量级的模型来说，按照 Chinchilla 最优的 token 预算，这个量仍然不够。

而且当前的训练趋势是刻意超过 Chinchilla 最优，用更多数据换来更小的模型，因为小模型推理成本更低，实际部署才划算。

这就产生了一个矛盾：过滤数据是为了提高质量，但过滤本身减少了数据量，而数据量不足又会限制模型性能的上限。

实验设计：把问题问到极端

研究团队没有选择在常规规模上做对比，而是把问题推到极限：如果给模型足够大的参数量和足够长的训练时间，不过滤数据能不能赢过精筛数据？

他们从 CC 中随机采样了约 6.7 亿 token 的子集，然后对这个子集分别应用五种过滤方案：

• 英语过滤（保留 28.2%）

• 重复内容过滤（保留 45.3%）

• 停用词过滤（保留 50.4%）

• RefinedWeb（保留 13%）

• DCLM-Baseline（保留 2.1%）

模型规模从 1500 万参数到 10 亿参数，训练步数也大幅变化，通过多轮 epoch 来榨干每个数据集的信息。

在 15M 小模型上，过滤数据全面领先，未过滤的 CC 是最差的。但当模型规模达到 330M 和 1B 时，情况完全反转，未过滤的 CC 在充分训练后超越了所有过滤版本，最终达到最低损失 3.37。

从计算量的角度看，随着算力增加，CC 原始数据从最差变成最优。

这个转变不是渐进的，而是有一个明显的交叉点，过了这个点，过滤数据就再也追不上了。

把随机字符串塞进训练集，大模型照样扛住了

为了进一步测试模型的鲁棒性，研究团队做了一个更极端的实验：向训练集里注入明显的垃圾数据。

两种垃圾数据的构造方式：

随机字符串：从 10,000 个随机生成的英文词汇中均匀采样，拼接成文档。这些词没有任何语义，也不遵循任何语言规律。

打乱词序的文档：从 CC 中取出额外的文档，随机打乱每篇文档内所有词的顺序。这些文档保留了原始词汇分布（unigram 分布），但句子结构完全被破坏。

注入比例从 +20% 到 +800% 不等，最极端的情况下，打乱词序的文档占训练数据的 80%，原始 CC 文档只剩约 10%。

结果：

• 在 15M 小模型上，注入垃圾数据会明显拉低性能，且注入比例越高，损失越大。

• 在 330M 和 1B 模型上，即便注入了 400% 的打乱词序文档，最终性能仍然超过了干净的 CC 基线。

• 随机字符串的影响更小，因为模型更容易识别它们来自不同分布，直接忽略。

打乱词序的文档之所以反而有帮助，研究团队的解释是：词序虽然打乱了，但词汇共现关系还在。

比如把"The capital of France is Paris"打乱后，"France"和"Paris"仍然出现在同一篇文档里，模型依然能从中学到两者之间存在某种关联。

240 万亿 token 的 CC 什么时候能成为最优选择

上面的实验用的是 6.7 亿 token 的子集，距离完整的 240 万亿 token CC 还差了好几个数量级。

研究团队进一步扩展了实验，把数据池从 6.7 亿扩展到 100 亿 token，同时变化模型规模，观察 CC 原始数据超越 RefinedWeb 所需的训练步数。

关键发现是：数据池越大，CC 赢过 RefinedWeb 所需的 epoch 数增长是超线性的。

6.7 亿 token 池大约需要 1 个 epoch，20 亿 token 池需要约 3 个 epoch，100 亿 token 池则需要约 10 个 epoch。

基于这个规律，研究团队拟合了两条 scaling law，分别基于 token 与参数比（600:1，参考 DeepSeek V4）和 epoch 约束（4 epoch，参考 Muennighoff 等人的工作）。

两条曲线的 (R^2) 均超过 0.99，给出的预测结果高度一致：

完整的 240 万亿 token CC 数据集成为最优选择，大约需要 (10^{30}) FLOPs 的计算量。

这个数字很大。目前前沿模型的预训练算力估计在 (5 \times 10^{26}) FLOPs 左右（来自 xAI 的 Grok 4 数据）。但根据现有预测，到 2030 年，(10^{29}) FLOPs 量级的训练运行是可以预期的。

从 (10^{29}) 到 (10^{30})，也就是再往前走一步的事。

什么样的数据才真正有害

既然垃圾数据都能被大模型消化，那有没有真正会拖后腿的数据？

研究团队的假设是：语言模型对协变量偏移（covariate shift）有很强的抵抗力，真正有害的是条件分布发生偏移的数据，也就是"标签错误"的数据。最典型的例子：如果训练集里有大量"法国的首都是哥本哈根"这类错误事实，模型就会学错。

为了验证 CC 里有多少这类内容，他们用 GPT-5 mini 对 CC 中与 MMLU 题目相关的文档进行分类，判断每篇文档是支持、反驳、相关还是无关。结果（表 1）显示：支持正确答案的文档数量比反驳正确答案的文档多至少一个数量级。

这说明 CC 里虽然有阴谋论和错误信息，但它们的绝对数量相对于正确内容来说很少，不足以系统性地污染模型的学习。

还有一个有趣的边界情况：打乱词序的文档会改变文档开头 token 的分布。

对于预测第一个 token 的任务，模型无法通过上下文判断这篇文档是否被打乱，因此会受到影响。但研究团队认为，实际使用中极少有只看第一个 token 的场景，这个退化不构成实质问题。

理论上为什么会这样

研究团队用低秩矩阵分解给出了一个简洁的理论解释。

把预训练看成一个多任务学习问题，不同的数据来源对应不同的任务。

如果模型的秩（参数量）足够大，它可以为每个任务分配独立的表示空间，不同任务之间互不干扰。

垃圾数据只是增加了任务数量，只要模型够大，就能把它们隔离开来，不影响其他任务的学习。

如果模型太小，秩不够，不同任务会争抢同一批参数，互相干扰，垃圾数据就真的会拖累性能。

这个理论预测和实验结果完全吻合：小模型怕垃圾数据，大模型不怕。

数据过滤的苦涩教训

Rich Sutton 在 2019 年写过一篇著名的《苦涩教训》，核心论点是：在 AI 历史上，依赖人类先验知识设计的方法，最终都会被更简单、更能随计算量扩展的方法所取代。

这篇论文的标题直接引用了这个概念。

数据过滤正在重演同样的故事：精心设计的过滤规则在小规模下确实有效，但随着计算量的增加，它们的优势逐渐消失，最终被"什么都不过滤"所超越。

对于当下的实践者，结论是清晰的：如果你的计算预算有限，数据过滤仍然值得做；如果你在规划未来几年的大规模训练，现在就应该开始认真考虑如何保留更多原始数据，而不是继续优化过滤流程。

过滤掉的那 99%，可能正是下一代模型需要的东西。

AI 帮员工写完一段代码很容易。

可一旦任务变成整理 Slack 里的上下文、翻 Google Docs、拉 CRM、做一份高管材料、把数据变成仪表盘，事情马上变复杂。

OpenAI 这次给 Codex 的更新，重点就在这里：把一个开发工具，继续往通用工作系统推。

OpenAI 披露，Codex 每周用户已经超过 500 万。

非开发者，包括分析师、市场、运营、设计师、研究员、投资人和银行从业者，已经约占整体用户 20%，增长速度是开发者的 3 倍多。

这个数字有意思。

Codex 正在从“会写代码的助手”，变成“懂岗位交付的工作台”。

六个角色插件，把 Codex 推进真实工位

这次最硬的变化，是角色插件。

OpenAI 一口气推出了 6 个面向角色的插件：数据分析、创意生产、销售、产品设计、公开股票投资、投行业务。

每个插件不只是多接几个应用。

更关键的是，它把相关应用、技能、指令和工作流打包在一起。

OpenAI 给出的数字是：这些插件合计覆盖 62 个热门应用和 110 个技能。

这背后的产品思路很清楚。

分析师需要追问指标为什么变了，销售需要把客户信号变成跟进动作，投行团队需要把研究和尽调变成客户能看的材料。

岗位不同，默认上下文不同，交付标准也不同。

如果 Codex 想进入这些岗位，就不能只等用户一句一句教它“怎么做”。

它要提前知道这个角色的常见材料、常见工具和常见判断方式。

下面是原文展示的插件生态图标墙（部分）

这堆图标看起来像一张合作名单，但它真正透露的是另一件事：OpenAI 不想让 Codex 只待在自己的产品边界里。

它要进企业已有的工具链。

Sites 出现后，AI 回答开始变成工作空间

第二个关键能力叫 Sites。

这是面向 Business 和 Enterprise 客户的预览功能。

Codex 可以把想法、分析和计划做成可分享的交互式网站或小应用，同一个 workspace 里的成员可以通过 URL 访问。

这件事比“生成一个网页”更重要。