本月共 113 条笔记 | 记录时间：2025-04-02 — 2025-04-30
主题分布：自我认知与心理 30 条 · AI 与 Agent 系统 30 条 · 产品、工程与开源 26 条 · 日常与其他 12 条 · 阅读、思想与历史 5 条 · 旅行、地理与城市 4 条 · 商业、投资与职业 4 条 · 身体、健康与日常 2 条
以下是这个月的全部记录，按主题归档，条目内保留原始时间戳。
本月导航
本月 113 条记录，按 8 个大方向归档：
- 自我认知与心理 · 30 条
- AI 与 Agent 系统 · 30 条
- 产品、工程与开源 · 26 条
- 日常与其他 · 12 条
- 阅读、思想与历史 · 5 条
- 旅行、地理与城市 · 4 条
- 商业、投资与职业 · 4 条
- 身体、健康与日常 · 2 条
一、自我认知与心理
30 条记录 球拍之于网球，就像父母之于子女，或导师之于学生——一方提供“外力”，另一方则在这种外力的作用下飞得更高、更远。 他们所拥有的阅历、经验像球拍的“拍面”，能够接住我们、保护我们，并将我们弹得更高 要努力学好网球，也能让球弹的更快更高。 我们从“被动地被拍击打”到“主动地修炼球拍技术”，意味着对外力的依赖转化为对自身能力的培养。 从被他人扶持，到学会自我成长，再到反哺他人或下一代，那是一种爱的传承，也是一种人生智慧的延续 多次面临或者面对死亡，恐惧、爱、悔恨或者对意义的追寻，这些源于我们自己本身对意义的思考。 生命的短暂迫使我们去思考生命的意义和存在的意义，以及我们如何赋予他们意义。 超越恐惧和死亡的是对当下的觉醒，看到背负不肩负义务但是又冒着生命危险去救我们的时候，是对生命的真实，友情的珍贵，善良的心疼，理解和链接他人。 活着就是活着，跳动的心脏就代表着活着本身。 生命先于意义，存在先于本质。 心跳不需要解释，它本身就是一种事实，一种无需证明的状态，不带任何的哲学修饰或者情感附加。 同性恋不是疾病，也不是心理缺陷，而是人类性取向的自然变体。 我们接受到的教育和社会环境中普遍传递一种传统的性别和性关系观念，这种观念往往将异性恋视为“正常”或“唯一正确”的模式，导致对其他模式产生排斥。 我们会潜意识排斥，是因为我们没有理解，我们或许会包容尊重，但是没有理解这个群体和这样的现象。这种情感并非源于客观事实，而是文化传统和社会环境所塑造的结果。 如何理解非善，看到斯宾诺莎在《伦理学》里说：“嘲笑、轻蔑、愤怒、报复……这些情绪，都与恨有关或者含有因恨而起的成分，不能成为善。 自认为在追求真诚，但是又在恐惧更真实的人。 拒绝好于勉为其难的答应。 学会拒绝，虽然很难，但是也是真实的自己一部分。 接受也很困难，对恐惧、拒绝妥协、甚至与主流社会脱节的勇气。学会拒绝、接受自己的脆弱、追求自由。 遇到更真实的人，仿佛一个镜子照在自己的身上。 不是不喜欢物质，而是更喜欢自由。 他们获得透彻，不虚伪，但是又和这个社会格格不入 同样的一个东西，在各个行业的领域，有各个行业的视角。 同样的，看待人，人的行为，也有各种视角，需要多个学科的知识，比如说心理学、法学、社会学等等。努力学习肯定不会错的。 思维体系的建立指的是面对一个陌生的事物，或者一个新的东西，你去观察它、分析它，并且做出判断的过程。 本质上，思考是对信息的加工过程——从接收输入（观察），到拆解分析（理解其组成部分），再到整合输出（形成判断或结论）。在这个过程中，保持开放性、多角度审视，同时结合已有知识和经验，是非常重要的。 客观记录：在一个良渚骑行道路上行驶，车速略快，遇到了一个狭窄的路口，也是一个下坡，我急忙准备降低下车速，但是来不及了，右侧没想到突然冒出来一个车，在自行车的车道上我被撞到了。对方从支路/巷子/人行道冲入非机动车道，我是正常的行驶自行车道，由于路口视野受限，对方也没能看到我路过。路口没有交通标志、减速提示。 对方行为，对方是夫妻，表现冷淡，责任推卸到我，说我的车速过快，以及说我没有戴护膝。并且事故后，并不是关心我的伤势，而是更关心自己的车损伤度，另外分析路况，认为这个路口设计不合理。旁边的社区老人也站队对方，和对方聊天如何走保险，并没有站在一个全局的角度客观的提出解决方案。 我的行为：被撞蒙了，有点疼，先把车移到非机动车道，防止阻碍了正常车流行驶，感受自己的身体状态，并且把自己的身体状态真实的形容出来，破血的地方开始清理，收拾血迹。 我没有及时做的地方（不足）：拍照/视频、伤痕、车辆损坏、事故点位。警察来了后应该索取事故责任认定书。 去医院后，我对自己受伤的三个部位明显的判断，对于右腿有不确定性，要求拍片，结果出来了没事，加上摸一些碘酒，医生询问我是否在工作，要不要休息几天，我能听出来话里的弦外之音，我说不用，没有工作。自己是远程工作者，感觉没有影响到工作，没必要，医生叹气，我离开。医生做了超过自己职责之外的举动了，让我有些感动。 骑行像一面镜子，照出了人性的复杂。 人在困境中会露出怎样的本性？我们又该如何面对这些猝不及防的挫折？ 人性中往往藏着一份自私，当利益受到威胁时，同理心就成了奢侈品。 现实不会因为你是受害者就主动站在你这边，它需要你拿出证据，需要你懂得规则。 理智和准备比情绪更重要，它教会你如何面对问题，面对挫折。 成长的本质，好像就是在无常中找到自己的温度。 最近确实感觉到社会戾气在加重，世界也不太平。暴力事件、网络攻击、群体对立频发，国际上冲突和危机此起彼伏。 感觉在经济压力以及资源分配不均的情况下，自私、贪婪、愤怒这些“恶”的面向容易被放大。社会就像一面镜子，映照出人性在困境中的扭曲。 贫富差距扩大、阶层固化，让底层的人感到无力翻身，中层的人害怕跌落。 网络让负面情绪传播得更快更广。你打开手机，满屏是争吵、指责，甚至是谣言。人们躲在屏幕后，少了面对面的同理心，多了冲动的宣泄。 互联网更多的碎片化信息，让人与人失去了耐心。 善恶不是天生的，而是被社会雕琢的。 社会一直没有变化，只是我们被成长的环境影响，世界并不会越来越和平，冲突的形式变了，争夺的本质没变。 感受的存在： 能力其实从胎儿期开始拥有，感性和经验性的感受 思考感受： 七岁开始发展“元认知”能力，也就是“思考自己的思考” 拥有的感受： 刚出生对世界新奇的婴儿，一部新的手机，一次新的旅行 失去的感受： 丢了工作、失去亲人、失恋… 东西的价值和我们的感受都是相对的，得有变化才能刺激到我们，比如说刚拥有很兴奋，但是过几天，之后就麻木了。 拥有感知上大部分都是主动的，比如说自己选择买一部手机，被动的拥有指的是我们拥有了这些风景，我们拥有了一双看世界的眼睛。失去是实打实的，可能是突然就没了，不受我们的控制。把你习惯的生活撕开了一道口子，逼着你面对变化。 负面偏见： 人性对坏事比好事敏感得多，可能人的本性趋利避害也是这样的，能活得更久。 每个人的反应就像是一个镜子反射出自己的经历成长，世界无常，一切都在变，执着会带来痛苦，那么思考的是如何面对无常，把被动变成一种主动的感知，一切好像都是成长。 做饭阿姨有一个现象，比如说做饭阿姨总是潜意识表现出来，我有很多的单，很多的客户都想让我上门做饭。好像潜意识告诉我们表达出来我很稀有，这个好像就是和徒步尼泊尔的时候，背负去表现自己，邀功的行为。 好像在潜意识里告诉大家“我的服务很稀有”，这种行为其实挺好理解的，但是自己对待这个行为的态度其实也很有趣。 潜意识我感觉是阿姨在炫耀，炫耀自己付出了很多，而且好像不仅仅只有我一个客户，所以希望多一些主动权，而且去添加自己的稀有度，这样一来可能会更珍惜她，甚至觉得能请到她是件挺了不起的事。 当然后面想了下，还有可能是阿姨在给自己打气，说白了就是希望别人认可她，觉得自己挺厉害的，人都希望有一些存在感。 潜意识好像自己会有一些排斥这样的现象，原因可能来源于可能让自己觉得她想在关系里占个上风，而且自己和对方也是一个合作关系，本质原因可能来自于自己对平等真诚关系的渴望，还有潜在的控制欲。 但是从传统文化的角度，对方集体主义的环境下，渴望自我证明，恰恰和自己对真诚和平等的渴望略有冲突。 理解对方为什么这么说很重要，并不仅仅是自己直觉上的反应，本质上形态并不会发生变化，双方的身份和合作关系并不会变化，对方也并不是想获利什么，下次可能会笑一笑的说，”是啊，你手艺这么好，肯定很多人排队请你。“ 真诚的赞美或许源于理解和尊重。 人类的关键一次飞跃是从无到有 或许未来的 AI 可以诞生出新的物理公式，或者更加高层次的抽象公式，甚至被赋予真理。 创造力很重要，也远远比我们想像中的更重要。 会表演当然也很重要，为什么喜欢 jazz ，因为 jazz 每一次都是一个即兴发挥的表演和创造。 把知识点和逻辑梳理清楚，甚至可以说是为了更好地即兴发挥。 课堂是个活生生的地方，有交流，有碰撞，而不是单向输出。 学生不是空瓶子等着被装满，而是有思想、有好奇心的人，真正的价值不在于老师讲了多少，而在于大家在交流中碰撞出了什么。 其实这也是活在当下，没什么需要担心的，把一些当作修行。 拖延症未必是坏事，它在一定程度上能节约时间。但你要能够拖到一个理想的位置上，在确保质量的情况下，把时间掐得很准。 拖延者可能在逃避一项重要任务的同时，完成了许多其他相对次要但仍有价值的事情。有些人甚至声称在压力下工作效率更高。 由此可见，拖延症这个也是因人而异的，找到合适自己的习惯更重要。 大部分的情况下，其实拖延并没有解决问题，导致了更多的压力和焦虑，也是不得已的。 羞耻感更像是一个社会适应机制，帮助个体在群体中维持良好关系，避免被排斥，也是为了让我们约束自己，符合集体的期望，增强自己合作交流的机会，人是社会性动物，离不开集体。 羞耻感是后天慢慢的形成的，新生儿主要是依靠本能的行为去生存。 但是在这个世界上一定有很多的地方，赤身裸体是一个很自然的事情，所以一定是一个社会决定你能做什么。 羞耻感其实并不是让你产生道德偏见的、也不是用来打倒你的，而是用来提醒你，你还在乎。 羞耻感很多时候也不应该成为逃避的借口，说错一句话，做错一个决定，冷落一个好人而羞愧，这不是软弱。 社会如何塑造我们对性别、价值和关系的理解？ 为什么中国的女性似乎更倾向于“内斗”或抱团，而男性之间却常表现为针对或冷漠？为什么漂亮的女生容易被男女接纳，而好看的男生却难以得到同性的欣赏？ 从女性之间的“内斗”说起，这不是简单的嫉妒或攀比，而是社会对女性定义的缩影。女性从小被灌输外貌、地位和认可的重要性，这些东西被塑造成一种稀缺资源。 这种竞争不是天性，而是社会期待的产物。反过来，男性间的关系却少了这层“软性”的较量。他们更常在职业、经济这些“硬实力”上针锋相对，外貌或社交地位很少成为焦点。 价值的定义从来不是中立的，它是被文化和期待雕琢出来的。 感觉社会有一个网，把我们圈起来，约束每一个人。社会需要某种规则来支撑资源分配、角色分工和身份认同。中国女性的地位为什么分层这么严重，在改革开放后家庭出生的女性地位相比较日韩的女性，后者更像是缓缓的成长期并没有一些剧烈变化和反省。 但是这种竞争真的是天性吗？还是说这更是社会期待的产物，好像结合西方文化上来看未必是天性。 阅读是一种自我发现的过程，与其说是获取知识，不如说是与内心对话。工具能让我们在信息洪流中快速筛选，但真正的滋养来自沉浸书中时那份情感与共鸣。现代人对效率的追逐常让我们陷入焦虑——读下去累，不读又后悔。可阅读不应是表演，而是自然的选择，是内在成长的一部分。自由不在于工具多寡，而在于能否听从内心，找到让自己丰盈的方式。我们为何阅读？不是为了填补空白，而是为了点亮灵魂。这才是阅读最本质的馈赠。 但是，这个社会不允许。 某一刻突然意识到自己好像和朋友聊天没有做到句句回应，突然反省到这件事情，于是赶紧把一些没有回复的聊天都找出来，回复一下，但是回复回复的过程中，感觉自己像 AI ，AI 不就是这样和我聊天的嘛，现在的 AI 还没有情感，冷冰冰的回应，我晕 … 我意识到我活成 AI 了，哈哈哈 开个玩笑。 回应是一个很好的品质嘛，工作场所可能是职业素养，但是生活中我更看重的真诚、自然 中国人特别在意回应，可能跟文化上重视面子和人际关系有关，不回消息可能会让人觉得你不在乎对方，甚至有点“失礼”。但他自己却更倾向于接受自己会忽略回应，认为句句回应会显得机械、不自然，像机器人一样。 沟通的艺术感觉在于真诚与分寸的微妙平衡，句句回应在正式场合显得专业而有礼，但在亲密关系里却可能让人感到刻意和疏远，我觉得真正的交流不是字面上的你来我往，而是心与心的共振，在对的时候说对的话，不必每句都回，却能让人感受到温暖和自然，欣赏一个人也不是看他回复得多勤快，而是他能不能在不同场景里灵活切换，既真诚又舒服，活在当下用心去听去说，才是对话的温度和意义。 中国有大量的非自愿单身男性，有大量的大龄单身女性。 在中国文化的产物下，思想观念较刻板单一的人们总认为任何人生都必然需要结婚生子，尤其任何女性或多或少必须依靠婚姻养活，婚姻对于任何时代的任何女性都必定是事关生死存亡的生存工具，任何大龄未婚女性都必定生活凄苦心灵空虚，他们称呼这类人群为“老剩女 在发达国家思想观念较为个性化、比较容易接受新思想的人们认为，如果女性能有自力更生的独立经济基础自给自足，那么大龄未婚女性其实无非是因人而异因地制宜的个人选择而已，甚至很多时候如果你的性格作风、兴趣爱好真不适合结婚这一生活方式，那么不结婚才是真正适合自己的，也才能真正生活开心、快乐。 中国的歧视为什么一直存在？ 大龄歧视，大龄单身歧视，女性歧视，学历歧视，地域歧视。 歧视的本质是什么？ 歧视是什么？ 歧视不是基于一个人做了什么，而是基于这个人“是什么”而进行差别对待 本质是什么，希望对权利的不平等的延续，认知懒惰导致对复杂现实的简化处理，以及群体偏好对异己的心理防御。 感觉歧视是一种看不见的剥夺，无在乎对方做了什么，只因为对方是什么。 焦虑的本质是想做很多事情，又想立即看到效果。 人的一切的愤怒都是对自己无能的愤怒。 自己的欲望大于能力，又极度缺乏耐心。焦虑就是因为欲望与能力之间差距过大。 人性的本质是什么，急于求成，想同时做很多事；避难趋易，想不怎么努力就立即看到效果。 为什么现代社会的焦虑和痛苦很多了， 因为节奏和竞争更激烈了，天性被放大了。 比如说，现代的人经历过红利或者暴富，一旦尝到快钱，人就难以再忍受“推迟满足”和“过程缓慢”的心理落差，这其实不是钱的问题，而是人的欲望系统被重新标定了。 但终究要回到现实面对规则：要想有所成就，必须保持耐心，延迟满足。 我好像太期望过早的做一些有意义的事情。 或者急于求成。 但是缺乏耐心好像并不是一件可耻的事情，这些就是人天性的一部分。 婴儿刚出生时，理智脑的作用极其微弱。 人的耐力也是符合复利效应的增长。复利效应显示了价值积累的普遍规律：前期增长非常缓慢，但到达一个拐点后会飞速增长。这个“世界第八大奇迹”[插图]揭示的正是这种力量，不过要想获得这种力量，我们需要冷静面对前期缓慢的增长并坚持到拐点。 人的耐力成长也受到了舒适区边缘效应。 舒适区边缘另一个重要的规律是它揭示了能力成长的普遍法则：无论个体还是群体，其能力都以“舒适区—拉伸区—困难区”的形式分布，要想让自己高效成长，必须让自己始终处于舒适区的边缘，贸然跨到困难区会让自己受挫，而始终停留在舒适区会让自己停滞 即对于学习而言，学习之后的思考、思考之后的行动、行动之后的改变更重要，如果不盯住内层的改变量，那么在表层投入再多的学习量也会事倍功半；因此，从权重上看，改变量﹥行动量﹥思考量﹥学习量。 单纯保持学习输入是简单的，而思考、行动和改变则相对困难。在缺乏觉知的情况下，我们会本能地避难趋易。 读书时不求记住书中的全部知识，只要有一两个观点促使自己发生了切实的改变就足够了，其收获与意义比读很多书但仅停留在知道的层面要大得多。 但是为什么有些人面对一个事情本身特别专注，一方面可能是训练过，或者擅长探索底层原理，但是最高级的方法是请本能脑和情绪脑出动来解决困难，感受到困难的事情并且上瘾，这点真的很厉害，极度理性的人应该是极度理解自己的人。 我们探讨过 AI 是否存在自我意识到问题，我们除了自己，没办法判断对方是否存在意识，何况对方是 AI ，我们只能通用一些学科方法，比如说图灵测试，来判断 AI 是否能满足自我调整、自我优化。 突然想到对于人类来说，潜意识的作用力也是巨大的。潜意识是指：没有被意识觉察到，但影响行为、情绪和思考的心理过程。 但是对 AI模型来说，模型的本身可能就存在了一些无法理解的黑箱操作。比如说大模型内部的权重、激活模式，可能影响了回答，但连开发者、AI本身也无法明确知道具体怎么影响的。 我们行为中大部分的受到潜意识的影响，我们依赖“系统一”（潜意识），只有遇到冲突或新情况时才唤起“系统二”（理性思考） 所以对于大部分的人来说，我们的判断和决策，往往受到过往经验、情绪、文化暗示的驱动，而非理性分析 潜意识执行速度更快，能量更低，所以做产品的时候，如何做到执行的路径更短，需要学习的产品用起来是非常累的，大部分的如果依靠直觉匹配可以学习的，或者人可以依靠奖励模型去学习，产品执行路径越短，用户所需的“意识介入”越少，也就是——越像“潜意识行为”。 用户需要引导，而不是教育。 不需要告诉用户你有多高，只需要上瘾即可。 耗能高，对于人的成长帮助更大，但是不幸的是，人类天生不喜欢学习和思考，因为这类事极其耗能。在漫长的进化过程中，生命的首要任务是生存，高耗能是对生命的消耗，也是大部分的人愿意呆在舒适区的原因。 勤奋掩饰思想上的无能。 受苦比解决问题来得容易，承受不幸比享受幸福来得简单，对于多数人来说，人们为了逃避真正的思考，愿意做任何的事情。 所以说： 认知模糊来自内部，而情绪模糊来自外界。 理性作为意识，感性好像能作为潜意识的一部分的，这时候我们去理解产品，理解用户的行为，不由得开阔。 有时候看书看到一些关键的情节，或者自己感觉到临界点，自己会停下来，思考为什么这个观点会对自己有触动或者启发，这个触动或者启发是否能用到其他的事情上面，这个启发点是否有类似的知识。 确实我一直认为感性是一个很好的养分或者原料去引导自己去思考，之前问过朋友很多次，自己最感动的瞬间，这是自己的感性力量。 为什么动感情了，原因是什么。 为什么这个产品特别吸引到我，是否有什么与众不同。 为什么我特别沉浸在这个剧情中。 感性是原料，帮助选择，理性帮助我们思考，总结，训练。 一方面，如何去训练和思考我们自己，感性是一个很好的指南，或者说是寻找使命感。 你最想帮助的是哪些人 你做的什么事情是让你觉得最感动的 你最让人感动的时刻 没有任何的经济压力，你准备怎么样度过余生。 闲暇的时候，关注最多的是什么。 怎么样捕捉别人的感性，通过感性是最好的去了解一个人的方式。 哪些事情最能让人记忆深刻，最 哪些事情总是涌现，总 无意识的第一反应，往往是第一个念头是什么 梦镜，日有所思，夜有所梦。一直不是很相信梦镜，但是梦镜是内心真实的展示，喝醉酒好像也是。 身体的反应，身体更能告诉你你需要什么，想吃辣，想吃素，想睡觉，那就听身体的吧。 直觉 元认知的本质是对认知的认知。 比如说，知道自己在思考，观察自己走路。 意识到自己的行为，也是有被动元认知和主动元认知。 从被动到主动，这是一个转折点。当一个人能主动开启第三视角、开始持续反观自己的思维和行为时，就意味着他真正开始觉醒了，他有了快速成长的可能。 包容指的是接受和容忍他人的不同观点、行为或习惯，即使这些可能与自己的信念或习惯相冲突。它通常表现为一种对外在差异的接纳，可能不需要深入探究对方的内心世界。 理解则更进一步，意味着深入了解和领会他人的思想、情感和动机。它要求我们尝试站在对方的角度，去体会他们的感受和处境。 包容更多是一种行为上的克制，避免自己出现情绪冲突，不一定需要很多认知努力，但是如果缺乏内在的认同，这种包容可能是表面的，甚至在压力下难以维持。 理解更难，理解需要更多的努力和投入。要真正理解他人，我们必须跨越自己的主观视角，走进对方的内心世界。 但是真正的包容还是以理解为前提的，没有理解的包容好像也只是短暂的表面的维持关系。 包容是一种对外在差异的接纳，即使不完全理解对方的内心，也可以通过行为上的宽容来实现。而理解则要求我们超越自己的经验和局限，进入他人的精神世界，这是一种认知和情感上的跨越。 比理解更难得的是什么，要求我们跨越偏见和认知局限去理解他人，还需要在理解的基础上，放下怨恨与愤怒，用宽容回应伤害，感觉是人性更深层次的挑战。 保持粗放，保持笨拙： 抓大的特性、忽略小的特性，加上去不如不做 解决方案如果设计的太复杂了，那很有可能是问题错了 即使是极小、几乎可以忽略的细节，也能透出背后的认知体系、品牌气质和文化自信。 其实可插拔的能力一方面可以是工程上的能力，一方面也可以站在用户的角度上考虑，一些不重要的功能可以做成插件的形式可选择。 真正优秀的体验创新，不是用户说“哇好神奇”，而是用户觉得“本来就应该这样”，把用户体验做到极致就是创新 产品是由理性构建，却用来表达感性 训练直觉，理性训练直觉，对复杂问题的解决，可能不是来自于推理，而是来自于直觉。 你的短板可能是你的强项，社交恐惧者更能做好社交产品 产品理念决定了产品的高度。 作品，而不是产品。 理性这东西，说白了就是个工具，它是为了达到目的服务的，比如赚钱、解决问题，所以带着功利性。可它有个毛病，干巴巴的语言和逻辑，抓不住人的情感和直觉。你喜欢一个人，理性顶多说“因为他性格好”，但这哪能讲透那股莫名其妙的心动，语言本身也是一种工具，毕竟是有限的？真正的喜欢没理由，感性才是主角。感性和潜意识有时候比理性更真实，像艺术创作、人际关系，全靠它撑场子。理性呢，事后复盘一下挺好，但别指望它包办一切。他提醒要“处理好边界”，就是别一根筋—该动感情时别冷冰冰分析，该算计时也别光凭感觉瞎撞。简单说，理性是把刀，感性是心火，聪明人知道啥时候用哪个。记下来，生活中多琢磨这平衡，别让工具骑到头上，也别让冲动坏了大事。 想起来了张小龙说的 “不听摇滚的程序员不是好产品经理” 很喜欢陈乐一，也是一个00后女生，但是对场上的把控力非常好，而且唱的很有力量，让人一眼觉得是适合舞台的女孩。 摇滚精神代表着反传统、人性、自由和找到本性状态。 音乐代表着感性力量，音乐代表着表达。 我们的理工男，编程，核心职责通常是逻辑严谨地实现功能，遵循既定规则和需求文档，解决技术难题。这更侧重于“How”（如何实现） 为什么这样做，为谁做，怎么做，需要更强的同理心、创造力、商业嗅觉和打破常规的勇气。 从遵循规则到定义规则，从技术实现到用户价值，从逻辑推导到感性洞察。 这些： 敢于挑战和创新 (反传统、自由)的人 深刻理解并关怀人 (人性、本性) 的人 拥有独立思考和与众不同的能力 (做与众不同的事) 的人 ps 最后还混到合影了 刚刚看到猫想到了这个话题，故意问了一下搭子，猫最近频繁的拉屎，家里都是味道，做饭阿姨提醒我们要解决，说杭州夏天可能更严重。我思考了一下这个事情好像很早就不可避免，但是一直推到今天。我在想为什么这件事情，感觉明明是重要且紧急的事情反而没被解决，因为这是偏生活类的，并不影响自己的专业素养。因为思考这件事情就需要解决这个问题，解决问题是很麻烦的。我调侃搭子，受苦比解决问题更容易，这个事情解决的话就很麻烦，但是我们忍一忍，不去想未来的后果是什么样的，感觉也能习惯和忍受。 受苦比解决问题来得容易 承受不幸比享受幸福来得简单 多数人宁愿做任何事也要逃避真正的思考 撑住面子比承认错误来的跟简单 伪装也比保持真诚跟容易 抱怨环境比改变自己跟容易 沉溺回忆也比放手过去来的更容易。 人性的底层是什么，恐惧，骄傲，惰性，惰性，对真实的渴望。每一点可以是光辉，也能是摧毁人的武器。 勇于攀登珠峰的人类，人类首要的品质就是勇气。 有时候很欣赏一些本能的勇气，动物之间也会存在本能的勇气，面对危险时的本能反应，狗去保护主人的本能，母亲保护孩子的本能。 但是人类很多的勇气往往超过了本能，更多是理性和价值观驱动，是在“害怕”中依然选择行动，带有超越本能的自我控制。 勇气是所有美德的底座。 比如你想要诚实，需要勇气，因为讲真话常常要面对不舒服的局面；你想要仁慈，需要勇气，因为善良有时候意味着要冒着自己受伤的风险；你想要公正，需要勇气，因为伸张正义经常会得罪人、遭到打击。 没有勇气，感觉所有的品质都是头脑中的幻想 … 勇气的本质，是在面对恐惧、痛苦、压力的时候，仍然选择去做自己知道是对的事。 勇气不是鲁莽，我的评价标准是，是明知道危险、痛苦、代价，但在权衡之后，仍然理性而坚定地选择行动，但是鲁莽时候如果不达到预期会后悔。 其实也是一种东方文化和西方文化勇敢体系的平衡，一面的极端是顺从、妥协、忍耐到失去自我，一面的极端是盲目抗争、自我膨胀，忽视了和世界共处的智慧。 “勇气不是美德之一，是最重要的那个。”因为它是行动的发动机，是支撑一切的骨架。 靠嘴巴输出美德很容易，但是有勇气行动、很难，身教胜于言教。 之前在 ACT 的山上，我和一个学哲学的朋友还有同伴聊到了一个挺有意思的话题：极致的感性就是理性，或者反过来，极致的理性就是感性。 后来自己想了想，觉得这个过程其实挺自然的，就像一个循环：从感性出发，经过理性的分析，最后又回到感性。感性是我们最原始的感受，比如快乐、悲伤、好奇这些情绪和直觉。它们就像原料，驱动我们去思考、去探索。比如，我对某件事感到好奇，就会想去了解它，这时候理性就登场了。理性帮我分析、推理，试图从感性的混沌中找出规律和答案。但有趣的是，不管我怎么理性地思考，最终的目的还是为了满足感性的需求——比如，理解了某件事后，我会感到满足，或者用这些理解来指导我的生活，让自己更快乐。 在这个过程中，我发现“有我”是非常重要的。思考不仅仅是对外在世界的探索，更是对自己的认识。我通过理性分析自己的感性体验，逐渐看清自己的价值观、动机和需求。比如，我问自己“为什么这件事让我快乐？”，这其实就是在用理性去挖掘感性的根源。最终，这种思考会让我更了解自己，做出更符合内心的选择。 所以，感性 -> 理性 -> 感性的循环，其实是一个自然而然的过程。理性是工具，感性是起点和终点。任何理性的权衡利弊，都离不开真诚面对自己的感性需求。就像朋友们最近讨论的，不管我们怎么用理性去分析，最终还是要回归到感性本身，去感受、去体验。这个思考让我有种豁然开朗的感觉。之前在山上讨论时，我只抓住了结论，但现在我明白了背后的逻辑：感性和理性不是对立的，而是相互依存、相互转化的。极致的理性会触及感性的深层，而极致的感性也蕴含着理性的逻辑。思考的本质就是在这个循环中不断深化对世界和自我的理解。这让我觉得，生活里那些看似矛盾的东西，其实都是连在一起的，只要用心去感受和思考，就能找到属于自己的答案。 最大程度上减少思考的前提就是意识到我们正在思考。 也就是所谓的元认知，通过一个上帝的视角上观察我们的思考。 也就是有些问题，如果意识到思考会很痛苦，意识到停止思考可以交给时间去解决，那么就不用去纠结了，停止思考，让答案自然而然的呈现出来吧。网球和球拍
在面对死亡的时候，有一些比这更强烈的情绪控制了人
如何理解同性恋
善恶
更真实的人
思想体系
骑行事故思考
社会戾气加重
拥有和失去
潜意识的证明我很重要
无中生有
拖延症
人是否一出生就有羞耻感呢
性别的行为模式差异
发自内心的喜欢上阅读
句句回应
对不婚主义 & 大龄单身男女分析
焦虑的本质
没有耐心
潜意识的作用力
感性至上
元认知
包容、理解和宽怒
继续阅读微信产品观一些思考
理性是一种工具
听了一下陈乐一的演唱
一些难易的讨论，元认知
人类的勇气
极致的理性就是感性新的思考
停止思考
二、AI 与 Agent 系统
30 条记录 准确是最强大的防御。 无论再多的修辞，再多的主观和偏见的，都没办法避开准确。政府不透明，就是避免准确，留下操作空间。 准确是这一工种最重要的手艺，而自我感动、感动先行是准确最大的敌人，真相常流失于涕泪交加中。 准确很重要，准确的背后是逻辑和推理，是决策和判断。 独响AI（Duxiang AI）是一款挺有意思的产品，它把笔记应用和AI技术结合在一起，还加入了点角色扮演的味道，感觉挺新鲜的。 它最抓眼球的地方，是那些AI虚拟角色——它们会跳出来跟你互动，在你的笔记下面评论、聊两句，甚至“吵个架”，就像是你手机里的小伙伴一样。 一般笔记应用就是冷冰冰的工具，但独响AI不一样，它让AI角色跑出来跟你“聊”你的笔记。比如你写了一天的心情，它们可能会安慰你，或者跟你讨论你的想法。这种互动特别适合那些想找人倾诉但又不想真的发到朋友圈的人（比如内向的人）。 AI 是长期陪伴式的，看过你哪些笔记，和你聊过哪些内容都会记住，很独特的这种个性化的感觉很棒，迎合人的情感需求。 工具不仅仅是工具，也可以是一个伙伴，陪伴你的伙伴。也可以有情绪价值。 AI塞进日常工具里，搞出点新玩法，小红书社区可以营造很强烈的情绪价值。 refer： https://www.duxiangai.com/ 最小化步骤生成 PPT ，只需要超级简单的步骤，粘贴文本或者导入文件，很快就能帮你生成对应的 ppt 各个模块的摘要，可以适当的去修改摘要，AI 就能马上帮助你生成完整的 PPT 。 上手快，界面很“现代感”，适合做那种一眼看上去就很高级的东西。 写一点提示词，它自己能生成一套完整的演示稿，图文排版也自动生成 比传统 PPT 灵活，你可以当网页、当幻灯片、当文档看，分享的也很快 Agno 的核心价值在于提供一个能够构建快速、高效、具备记忆、知识、工具和推理能力的多模态智能体的框架 。对于开发者而言，其优势体现在：减少样板代码 、加速开发周期 、因高性能带来的可扩展性 以及高度的灵活性 。 很多的模型有一些特色的功能，比如说多模态的能力、工具调用的能力，长文本的处理能力。但是保证模型的能力是通用能力很重要，什么是通用的能力？ 比如说各个模型厂商都会做，并且做一定能比业务发方做的更好的能力，可以利用强化学习不断的优化。 一部分是 LLM 厂商没办法内化的场景，比如说业务上的短期记忆和长期记忆，没办法完全的依赖模型的上下文去做，而是业务层传递短期记忆或者是长期的记忆实现。 大模型哪些能力会自己内化掉，甚至强化学习能做的更好，哪些场景下还是需要业务自己去做，有两个很不错的点，一个是业务中的优质的数据，优质的数据需要自己的业务经验去总结，一些好的数据往往更能交给大模型层去参考。 大模型的本质还是 input 和 output，影响 output 的除了大模型本身的能力，还包括 input 中一些优秀的数据，这些数据需要自己的业务能力去分析的。 通用能力——语言理解、图像语音处理、模式识别——大模型都能自己内化，业务方直接拿来用就行。强化学习呢，可以看作给模型加了个“动态调优”的buff。 有些场景还是需要一些好的方法的收集，比如金融里预测股市，模型得懂K线、成交量这些专业玩意儿。 具体的垂直场景，大模型微调可能是更好的方向，得是非常垂直，比如说 PDF to markdown 场景，大模型微调一方面有很好的效果。 Claude Code overview 相比较 cursor 区别 优点： 对习惯命令行操作的开发者更友好，更适合快速原型开发和自动化脚本编写，作为命令行工具，可以直接访问和操作整个文件系统，能够与各种命令行工具链无缝集成(如git、Docker、数据库工具等) 缺点： 很明显，界面对用户不友好 refer: https://docs.anthropic.com/en/docs/agents-and-tools/claude-code/overview#install-and-authenticate 通过将多个模型的权重进行平均或融合，可以创建一个性能更优的单一模型。这种方法不仅能整合各模型的优势，还能减少资源消耗和推理时间。权重平均的奖励模型（WARM），通过融合多个微调后的奖励模型，显著提升了模型的稳健性和性能。 比如说 TinyLlama是一个仅有1.1B参数的LLM模型 Firebase Studio是Google发布的在线AI IDE，类似Cursor一类工具的Agent模式，可以通过对话构建整个项目。 说明 cursor 的 agent 模式是 AI 编程领域比较好的形态。 Firebase Studio有Prototype和Code两种模式： Prototype模式 只通过对话输入，LLM完成项目新建和代码编写，适合初步落地想法 Code模式 可以理解为带了Gemini插件的VS Code 初步体验之后，抛开效果不谈，整个产品使用逻辑上是顺滑的： 使用Prototype模式，以AI为主，构建应用的草稿 切换到Code模式，以人为主，AI为辅，完成细节和复杂逻辑 一键发布 挺适合做原型开发的，相比较 cursor 而言，开发原型的成本更低，类比是 https://v0.dev/
产品 + cursor 版。 网上都在说碎片化的信息坏处，这些都不用讲哩，直接去 xhs 搜索一下很多答案啦，我想补充一些碎片化的主观思考和理解。 信息时代的爆炸式增长，海量但零散的信息包围，其实每天我们大脑处理的信息量远远超过大脑的处理极限，注意力分散，快餐式的消费习惯外加算法的推荐。 其实碎片化信息也在塑造我们的表达和创作方式 比如说一些直击人心的表达，简洁的输出创作，病毒式的传播。 AI 是一个很好的方式，和碎片化的信息很好的融合，不仅顺应了碎片化信息的特质，还以独特的方式将其转化为更有意义的整体。 AI擅长将零散的点连接成线，再编织成面。通过模式识别和逻辑推理，它能从混乱中提炼出清晰的结构，赋予碎片以意义。 从无序的碎片到有序的整体，从浅表的片段到深层的洞见。 前两集都是科技和人性的深度结合，看的还是有点阴暗，我超级喜欢的第三集 印象最深刻的最后一句话，我有的是时间。 同性恋之间的爱情。 AI 也能富有感情和意识。 AI 也能有感情，也能有爱，也能一直陪伴。 而且它会一直都在！ 使用 MCP 接入本地的文档好像是趋势。 Docs ≠ 静态网页，而是“产品一部分” docs 更简洁开发出来，并且可以接入到三方，MCP 的方式尤其重要。 docs 自己本身拥有可以访问 AI 和知识库的能力 https://nextra.site/
是一个很好的工具， 可以基于 nextra ，参考 langfuse 的案例实现 很多的创业者或者是开源项目在 OpenAI 出现后，开始不断的研究类似的 Deep Research方案。 模型厂商（如 OpenAI）确实在 “Deep Research” 这类应用上拥有显著的先天优势，利用自己的模型和强化学习微调相结合。 但是 Deep Research 各个产品都打开了自己的差异化的道路，比如说做思维链、基于圆桌访谈，对话的方式，角色的方式，以及集成 tools 的方式。很多精细化的需求，还有很多知识、数据、工作流程的的场景需求。 再就是利用更优质的专有数据集，在专用任务上也可能超过通用模型。 OpenAI 等厂商可能会将 RLHF 的能力封装成更易用的 API 或服务。目前 Fine-tuning API 主要支持监督微调（SFT），未来可能出现“RLHF-as-a-Service”，允许客户提供偏好数据（如 A 比 B 好）来进行模型优化，而无需关心复杂的 RL 算法实现。 另外一部分随着开源库的发展，会越来越多的开源项目，开源模型，也能支持强化学习微调。 两个非常好的特性： 流式很棒，对流式复杂的细节进行封装，易于使用。 跨提供商兼容性，即使换厂商也没关系 还有就是 UI 上，返回的状态和数据通常是响应式 (reactive) 的，可以直接绑定到 React, Vue, Svelte 等框架的 UI 组件上，实现流畅的实时更新 相比较 AI SDK 是帮助开发者快速构建前端的 NodeJS、React 项目的，对于后端来说，类似于LiteLLM 针对 python 包解决问题。 一个很好的方式是利用 Vercel AI SDK 的 hooks ，后端统一管理调度 KEY，既能获得 Vercel AI SDK 出色的前端流式支持，又能获得代理带来的后端集中管理优势（密钥、模型、路由、配额、负载均衡） LiteLLM 支持两种方式，一种是库的模式，python，一种是代理的模式，都非常的好用并且活跃，相比较 one api 有很大的优势 one-api：https://github.com/songquanpeng/one-api litellm：https://github.com/BerriAI/litellm 传统上，我们在分析自己对某一篇文章进行阅读时，会思考几个问题，分解为多个独立的步骤——总结、提取关键词、对内容进行分类和产生见解——每个步骤都需要明确计划，这是我们觉得的一个好的工作方式。 这个是有局限的，每一个任务可能是独立的模型去实现，而且你需要对任务进行排序。类似于 workflow，明确管理步骤之间的知识传递，并根据中间结果独立确定需要哪些额外操作。 但是代理会如何去做？ 状态管理： 知道上下文，短期记忆和长期记忆 知道哪个方法更合理 知道哪个工具更能解决问题 LangGraph 对 agent 的优势在于，像一个图一样操作着各个节点。 agnet 模式，问一个简单的问题，帮我分析这个项目的整体架构 让 cursor 帮我画个架构图 拷贝到在线工具里面预览https://www.mermaidchart.com/app 帮我分析一下核心流程，以及入口文件 顺着这个思路进一步阅读，分析一下当前函数，具体初始化了什么服务 Browser Use 不到1w行代码融资1700美元，为什么！！ 简单说 Browser Use 让大语言模型对网页的识别和操作的效率、准确度变高了，有利于 Agent 完成任务 定位： agnet 的基础服务一部分 MCP 是共识，不可否认，MCP 对 API 的封装。 但是还有部分的蛋糕，绝大多数服务没有 API，只有给人类提供的 GUI，而 Browser 是 GUI 的主要容器 Browser Use 是在模型能力不足时期的中间优化方案，如果这个时期足够长，它就价值很大，如果模型很快突破，它就会失去价值。 我觉得Agent 上下游相关配套基建都处于起步阶段，小团队很有机会把其中某个点做出彩。 Anthropic 提供了一个名为 “Prompt Caching” 的特性，旨在优化 API 调用效率。 本质上是注意力机制的预测 token 下，C 和 K 和 V 的存储灵活 需要显式调用，默认没有开启 用的是前缀存储，Prefix Caching。如果后续的 API 请求使用了与之前某个已缓存请求完全相同的前缀内容（直到 cache_control 标记点），并且 cache_control 标记在相同的位置，那么系统可以重用之前缓存的 K/V 状态，跳过对这部分前缀内容的重新计算 。 主要好处是显著降低后续请求的延迟，并大幅削减成本。从缓存中读取（Cache Read）的 token 价格比正常输入 token 便宜 90%。首次将内容写入缓存（Cache Write）时，这些 token 的价格会比正常输入 token 贵 25% 。 TTL 为 5 分钟，并且长度最小 token 数要求1024 各厂商政策 OpenAI 写入缓存无额外费用，自动缓存。读取缓存可获得最高 50% 的折扣 写入缓存有 25% 的附加费，但读取缓存的折扣高达 90%。缓存 TTL 固定为 5 分钟（可刷新）。 用户需要使用 SDK 或 API 创建 CachedContent 对象，并可以自定义 TTL（默认为 1 小时）。用户拥有最高控制权，写入不要钱，但会产生基于 token-hours 的存储成本。读取缓存可获得 75% 的折扣。 比较常用的场景 对话机器人，包括一些对话的案例，这些都是不变的，而用户的每一轮输入和历史对话会附加在后面。 所以有一些技巧，可以将长长的、固定的系统提示放在 Prompt 最前面。通过在系统提示之后、用户输入/历史对话之前放置 cache_control 标记，可以让模型缓存处理系统提示后的 KV 状态。 所以针对大量的相同规则的分类，其中的 prompt 也可以放入到存储中。 在 Prompt 中提供几个完整的“输入-输出”示例，来指导模型在处理实际问题时的行为。这些示例通常是固定的，而最后的用户实际问题是变化的。 再就是 RAG 中如果 [固定指令] 部分很长，可以缓存这部分。 posthog 我觉得是很适合 MVP 阶段集成驱动的。 MVP 的核心定义是： 用最小的成本验证核心产品假设、了解早期用户行为、收集反馈并指导下一步的产品迭代。 posthog 核心提供的功能有： 事件驱动： 包括一些按钮的点击， 页面和功能的使用情况点击情况 自动捕获前端事件，减少初期手动埋点的负担 关键转化漏斗（如 注册 -> 创建第一个项目 -> 分享） 用户会话录制 (Session Recording)这个挺牛的，理解 why 可以直接在产品内部向特定用户群体（例如，刚完成某个核心操作的用户，或即将流失的用户）推送简短问卷，收集直接、情境化的反馈 功能开关允许你向特定用户群体（如内测用户、部分新用户）发布新功能或 MVP 的变体，而无需重新部署整个应用。这极大地加速了 A/B 测试和灰度发布的过程，是 MVP 快速迭代的利器。你可以用数据验证新想法，效果不好可以快速关闭。 监控提供了留存分析和关键数据信息仪表盘。 Stripe Checkout 搭建一个支付系统超级快，你不需要自己写 UI，只需一行代码即可跳转到 Stripe 的付款页。 AI 出海项目通常使用 Stripe、PayPal 和 TerraPay 但是不可否认的是 Stripe 提供完整的订阅计费管理、Webhooks、发票、试用、优惠券、税务等。 而且不需要你实地在美国注册公司。 一种是针对 UI 快照进行微调的多模态 LLM，安允许通过测试脚本以自然与燃编写，并且能自动导航到程序， QA.tech 感觉就是这一个类型。 还有一种就像是 Browser Use 这样，结合多模态基础模型和 Playwright 测试框架对网页结构深入的理解然后测试，这种不依赖特定的微调模型。 OpenAI 通过施加约束、聚焦任务、方便验证等方式提高了输出的可控性和可靠性。 你要求模型输出特定格式（如JSON、XML、CSV或自定义模板）时，你实际上是在给模型的输出施加了明确的规则和边界。 并且结构化输出的本质是引导了模型的思维过程，在某些技术（如思维链提示 Chain-of-Thought）与结构化输出结合使用时，可以要求模型先在特定字段中列出其推理步骤或提取的关键信息，然后再给出最终答案。这使得模型的“思考”过程更加透明，有助于识别潜在的逻辑跳跃或事实错误。 未来的模型可能是适应性智能，将更智能地判断何时需要深度思考，何时快速回应，自动在不同模式间切换。 用户可参与AI的思考过程，指导或纠正推理方向。 并且后面好像多模态的推理能力反而是趋势。 Anything-LLM 是一个工具，让你把像 Notion、PDF、Markdown 文件等内容喂给大语言模型，然后用它来做智能问答、搜索和总结等任务。你可以在自己的电脑或者服务器上运行，数据不会上传云端，比较适合团队或个人搭建私有知识助手。 • 上传文档，一键变成“聊天资料库”：比如你可以导入一本电子书、一个项目的说明文档，甚至整个 Notion workspace。 • 问它问题，它用你的内容来回答：比如“我们上次的设计会议定了哪些功能？”或者“这份白皮书的核心观点是什么？” • 支持多用户和多数据源：可作为公司内部文档问答机器人，也可用于个人信息管理。 • 支持多种大模型后端：支持 OpenAI、Ollama（本地 LLM）、Groq 等，可以自由切换。 或许有一个点，AI 帮我快速的生成有价值的段落或者片段，xhs 可以快速的将这个段落片段发布，一些情绪价值，调动情绪的故事，或者片段。 很多的网页，LLM 系统，需要处理很长时间，针对长时间的处理，用户不知道对应的 tab 什么时候会完成任务，此时启动完成提醒的功能尤其有意义啦。 GraphQL 和 REST 在 AI 产品开发中的适用性分析 GraphQL 最核心的优势是数据灵活，数据格式越干净，预处理成本越低。 GraphQL schema 可以直接转为自然语言描述，这个想法很妙。Schema 本身是强类型的，定义了数据结构和关系，但是 rest 是分散的，LLM 需要理解其中的关系。 GraphQL 一次性解决所有的请求，并且支持批量查询和订阅（subscription），比如实时更新推荐结果 GraphQL 的 schema 很灵活，加个新字段不影响老客户端，避免了版本管理 项目中的建议 选择GraphQL情况：需要处理多类型数据（比如文本、图像、实时流）或者复杂的关系（用户-订单-物流）、需要快速迭代，并且 AI agent 直接根据 schema 做决策、 选择 rest API 情况：项目简单到不需要 GraphQL 的花活，REST 也没啥问题，毕竟它够稳 客户端选择： Altair（🌟最佳 GraphQL 客户端） 我们明知道网络上的反馈往往不稳定、情绪价值不高，但还是会忍不住分享。 人有一种“想被看见”的冲动，哪怕只是潜在地希望某个特定人或群体看到。这和“微信状态”或者“朋友圈背景音乐”有点像，是一种默默地在说话。 分享有时候是对当下体验的确认和存档。 发出一张卡片、一张图、一段感受，不一定是为了别人回应，而是像在说：“这段情绪我不想让它白白过去。” 比如说，钓鱼佬的目的不是每一竿都指望鱼上钩，但钓着的姿态就很重要，是一种“我在场”的象征。 好像也是网上同频人的社交圈 一个让人“有借口分享自己”的产品功能，可能比“能分享内容”的功能更有传播力。 读完这句，沉默了3秒 / 送给凌晨3点还醒着的你 碎片化时代，碎片化的语言，触动碎片化的我们 仪式感 + 周结 -> 朋友圈，彰显自己，就和网易云音乐的年度总结 这是我今天最喜欢的一段话，你呢？ 其实本质上一定程度上相信AI 页面上的结构需要约束，但是或许也可以放开一部分，这部分就是 AI 成长的空间。 举个例子，AI 给文章生成摘要，摘要有摘要合适的格式，对应的排版，抛开摘要，可能下一个是精彩句子，精彩句子往往对应的原文中的图片，所以又是另外的一种排版。再就是展现的形式，或许可以展现为对话的方式去讲解，总之，或许可以给页面留下一些操作空间，让页面自由发挥。AI 可以去创建出某种格式，页面更具某一种格式知道如何渲染更佳。 渲染的 UI：https://github.com/wandb/openui 在一定的空间内给 AI 想象力，让 AI 自由发挥！ AI 成为页面结构的“设计建议者” 页面是“格式解释器” 用户看的是AI 编排下的最佳阅读体验。 还有一点或许很重要的是像 https://quizlet.com/
一样优雅的把数据展现出来也很重要。 deep research 把重要的信息保存起来也是一个非常重要的功能 deep reserch 生成的信息可能是各种形式，或许也是比较重要或者比较复杂的信息，将这些信息能灵活的保存起来也是非常有意思并且重要的。 一个是灵活的接入各种的 MCP 工具，一个是对 MCP 的各种的能力优雅的集成。 再就是笔记模块也能提供 MCP 入口，用户可以快捷的将笔记保存进来。 对于调用方来说，如何灵活的集成 MCP 模块也很重要，感觉业务中一般都会自己去做 MCP 网关。准确
情绪价值的独响AI
极致轻松完美的完成任务
Agno 多模态智能体框架
模型功能保证符合第一公民定位
强化学习 & 应用层的思考
Claude Code overview 相比较
模型智能调度
firebase Google code发布
碎片化信息的思考
《黑镜》第七季第三集《白日梦饭店》
未来的现代化的产品文档形态
Deep Research 价值链分配
Vercel AI SDK 开发神器
聪明的代理方案
Cursor 如何快速的学习一个项目
Browser Use 不到1w行代码融资1700美
大模型的 Key Value 能力
PostHog 是否适合初创公司或者 MVP 阶段
Stripe 手续费真高！但也真的是出海必备了
UI 测试目前的成熟的 agent 的方法
结构化输出可以显著的减少模型中的幻觉
LLM 推理模型，以及后面的预测
团队 & 个人知识助手
xhs 上缺的是情感的价值
启动浏览器通知的必要性
GraphQL 和 REST 在 AI
分享 & 情绪 & 表达
渲染的想法
deep research
三、产品、工程与开源
26 条记录 已经跑在生产环境的代码比未经验证的代码价值高 软件也都是有生命周期的，这很正常。 维护软件，一直维护到生命周期结束或者维护成本过高而选择重构为止。 有几个大的模块我认为都是比较重要的，其实 cursor mcp 能做的是功能的一体化，比如说在 cursor 中可以很轻松的获取 API 文档，很轻松的对自己的数据库进行分析查询，很轻松的在修改完成代码后，可以通过聊天自动化就将 PR 提到 GitHub 中。 一些被打上了 production 的 prompt，比如说 “订单状态查询” prompt 模版，MCP 服务器接收到请求后，将 Langfuse 中存储的模板与传入的变量进行编译，生成一个完整、定制化的提示。 另外对于 ApiFox 中的 MCP ，我们可以用 MCP 接入各种的 API 文档，让 AI 解读接口，实现。 Serverless 是一种云计算架构模型，旨在让开发者专注于业务代码，而无需管理底层服务器资源。 核心的思想是一个小型、独立的 function，按照调用的次数和执行的时间计费，达到资源利用率高而且成本优化。 函数是一个基本的单位，开发者编写单一用途的函数，函数由事件触发，自动运行并且完成任务后自动关闭，让开发者只需要关注业务逻辑。 使用的场景是适合构建 RESTful API，通过 http 请求触发喊护士，按需自动扩展。 后台的任务也可以用 serverless 来操作，包括定时任务。 但是注意的是 Serverless 是无状态的，长时间需要维持链接的操作不适用。 React Native 基于 JavaScript，JavaScript 生态已经涌现出许多相关工具和库，例如 TensorFlow.js 和 Brain.js，这些工具让开发者能够轻松将 AI 功能集成到应用中。Taro 是一个基于 React 的多端开发框架，可以将 React 代码编译为微信小程序、H5 以及 React Native 等多种平台。 但是一半来说都是使用 react 框架作为跳板到 react native 的。 react native 的标语是学习一次，可到处写。 使用 react native 开发 web 的一个前提是，web 作为 app 的一个补充。 其实也可以考虑使用类似的 react-native-web，将RN项目转换成可以在web运行的代码，但是也有致命的缺陷，用户体验缺点意思，所以可能会有一些微调。 还有一种常见的方法是将Web的UI和App的UI单独设计成两套，用户体验会更好。强迫你剥离出业务逻辑和UI组件，让你不得不做到数据和显示分离，也可以让整个产品在不同的平台上拥有更好的用户体验。 react 的项目结构设计就非常重要了，如何选择一个手脚架，我一般下面两种判断： 服务端渲染 (SSR)、静态站点生成 (SSG)、文件系统路由、API 路由非常适合 next.js。 Vite + React 非常适合客户端渲染 选择手脚架后，选择状态管理了，状态（state) = 应用的数据和洁面所处的某种状态 小（组件内/少量共享）：useState / useReducer / Context 中（多个模块共享状态）： Zustand / Jotai 大（复杂业务逻辑）： Redux Toolkit / Recoil UI 库 (可选): Material UI (MUI), Ant Design, Chakra UI 等可以加速开发，提供一致的视觉风格。 大部份的项目其实 Zustand 挺适合的。 代码结构非常重要了，对于 react 来说，分离 UI 组件、业务逻辑 (Hooks)、状态管理、API 请求 和 工具函数。将业务逻辑尽可能地写成与平台无关的纯 JavaScript/TypeScript 函数或 Hooks。 最近工具和信息有些杂乱，思考了一套自己适合的，以及自己比较喜欢的工具，搭建出自己的工具流，而且最近看产品和项目比较多，思考出了一些方法，这里只是针对信息 & 知识管理类： 不输出知识，只输出思考，知识太多了，不想成为知识的搬运工，而且有很多的工具作为第二大脑，不需要自己所有都内化。 做笔记只有一个场景，需要反复拿出来看的，或者需要分享出来的。会很注重结构化，如何结构化的整理笔记，以及精简笔记。 工具介绍 notion：页面精美、联网、大量的模版。我用 Calendar 来做日程管理，一些活动管理，日程会议相关的、私密的笔记记录。需要做结构化分类，少即是多。 滴答清单： 做一些速记和分类的短暂笔记，比如说 prompt 的笔记。以及常用四象限选择优先级，和 notion 的日程管理不同的是，滴答清单中不做日程，只做优先级，简而美 flomo：记录想法，思考，碎片化，时不时导出到 blog 的日记中。 Mac Book：对电脑上的一些书籍，PDF，文档进行分类，主要是收集整理。 Obsidian 主要用作一些文档类型的项目，比如说 blog 编写，文章以及笔记的编写，一般是无结构化的，或者需要以 project 的形式 share 的。 微信读书：结合 zlibrary 下载电子书，然后微信读书导入阅读，网页版效果不错，有对照翻译。 写作工具： 大学抛弃了手写，AI 时代抛弃了挨着敲，各个模型厂商都支持 canvas 非常适合 AI 编辑，都是 markdown 格式，很方便导出，没有 AI 辅助加持的写作。 协作写作工具： Google docs，如果是内部项目相关的，直接使用 GitHub / git ，prokect 的 docs/ 协同，docs 的内容容易迁移给 cursor 使用，各个模块的设计都在对应的 README 中，deep research openai 和 Gemini 家的都很不错，很适合输出专业的文档。 Google： 网页信息的来源，大部分的信息 / 知识渠道，自带的 reading 收藏一些常用的信息知识网站，tag 用来做搜索索引标记关键词。 Folo: 针对优质的 blog 的 RSS 订阅，并且 Folo 也能帮助你发现一些优质的 blog ，blog 的质量普遍偏高，休闲的时候可以看。 Reader：阅读体验很好，书籍的收集，高亮精彩片段收集，感觉和 flomo 类似。 ⚠️ 区分 Obsidian 和 Notion 的方式其实对我来说很直接， notion 使用模版更多的是需要经常补充的笔记，调度器，Objsidian 往往意味着写一篇文档代表一次完成。 AI 工具 其实是各有特性的 Gemini 现在阶段最强，搜索能力很厉害，用的会员，deep research 效果非常好，很适合写专业文档，设计文档，学习文档。 DeepSeek 用的比较少，写文章段落很厉害。 OpenAI 感觉会员不值得买了，偶尔一些小的问题 call 出来免费版，速度很快。 grok 情商很高，可以聊哲学，当一个朋友，给一些建议啥的。 Claude 写代码很厉害，一些代码的问题都找 Claude 了。 lighthouse 是一个非常棒的对网页进行分析和改进网页（Web Page）或渐进式网络应用（PWA）的质量工具 ighthouse 通过自动化审计，为开发者提供了一个关于网页在性能、可访问性、最佳实践、SEO基础 和 PWA 潜力方面的全面评估。它的报告不仅给出分数，更重要的是提供了具体的优化建议和诊断信息，帮助开发者定位问题并改进网页质量，最终提升用户体验。 了解人性，了解群体心理、产品经理像上帝一样，建造系统并且制定规则，让群体在系统中演化 人是环境的反应器，产品营造的就是环境，决定用户的反应 人是懒惰的，但是懒惰是创新的动力 时尚是人性本质的驱动力，人人都向往时尚。 人没有耐心，如果你能第一眼就吸引到用户 人不爱学习，博客的衰落是 RSS。 不要用对待个体的方式来对待群体，群体的智商低于个体智商，互联网产品的对象是群体。 集体的价值太重要了，自己与人群脱节被孤立没有价值，这些产品在中国不能普及是因为中国普遍面对的问题比存在感还要低一个层次，是生存感，中国的这样一群体，既有生存感，又有存在感的渴望，这类人群就是屌丝，搞定他们，就把握了用户群 从日常中察觉本质，触碰开关，比普通开关更贴近人的情感，伟大的产品应该满足人的情感需求。 人性化即使以己推人，你无法了解他人，你只能理解自己，你需要了解的人最普遍的心理活动 需求是满足人们的人性需求，不要在产品中参合自己的道德感，产品是技术和艺术的结合。 用户的需求是零散的，不要用户说什么就是什么，重要的是归纳总结出抽象规律 https://miracleplus.feishu.cn/file/JkvwbJK4XoC7yAxJXUrc2YA2nAb 程序员核心还是一个 input 和 output 的过程， 读写代码的能力一直以来都是程序员最核心的底层能力，结构化思维、逻辑推理。 AI 时代读代码的能力更加重要，AI 增强了output的过程，也就是写的过程，意味着从零开始编写大量的样板代码，标准算法和通用功能的需求会减少。但是验证 AI output 的代码很重要，AI 生成的代码一定不是完美的，会有逻辑上的错误，性能的问题，安全的漏洞，或者不符合业务逻辑，工程师去阅读和理解这些代码很重要，算是工程师的底层能力。同样调试代码也变得至关重要，利用哪些技巧，业务经验还有工具去 debug 很重要。最后多个代码的集成，工程的设计非常重要。 AI 生成的代码也是需要维护的，同样的，维护阶段比开发阶段其实更长的，如何利用工程经验经优化维护的过程很重要。 深度思考后， 我觉得以项目方式驱动学习是最有效的，参与最真实、完整、有复杂度的项目，去整合自己的能力去理解整个项目，这过程中如何利用 AI 辅助理解，如何利用工具去实践、debug很重要。 doppler 非常适合直销团队使用，并且非常轻量化，容易上手，集成很不错。 相比较 HashiCorp Vault 这类更适合生产级别，大型团队使用，doppler 在小团队中有很大的优势。 MacBook 突然没网了，尝试了很多的方法好像都没有用，包括 xhs 和 google 上的所有的方法，而且能感觉到自己开始情绪化，着急弄好，感受到自己的变化后，反过来静了一下，哪些是重要的，以及如何面对当下的问题，反而不着急解决了，而是看看能从这次网络事故中收获到什么。 还原现场很重要，我一直有一种方法论是很多时候，自己开始有一些情绪，无论是积极的还是消极的，不用着急去评价这个情绪，以及评价自己，而是客观的记录下来很重要，一个是客观的把自己的情绪记录下来，一个是客观的把自己对问题的信息记录下来，然后再去客观的分析这个问题。 对于自己的情绪，自己好像很会反思自己，尤其是反思自己的情绪，从感性角度上这是一个非常易于了解自己的一种方式，比如说坐大摆锤的那种紧张感，可能那时候在现场只需要感受这种情绪，回头突然有一些灵感，原来当初是这样的，以及为什么是这样的。这次也是一样，在遇到问题的时候好像反而能激发我的斗志，哪怕是不去睡觉我也希望把这个问题解决掉，潜意识自己一直非常渴望解决这个问题，所以某一个时间或者阶段，有一个很重要或者急需解决的问题的话，可以让我整个人沉浸在其中，这可能也是自己有一定拖延症的原因，在最后的关头，反而整个人的状态可以达到心流，但是这个其实也是可以优化的。 这次的事件是这样的： 我的是 MacBook 电脑，新版本的好像很多的配置和其他有些不同，之前的 VPN 是 ClashX， 但是最近发现 ClashX 容易导致电脑没网，看 ClashX 的日志，可能是 ClashX 配置的问题，然后没网的时候我就把电脑重启，重启一次电脑可以正常使用了， 但是 ClashX 经常这样没网，所以需要经常重启，后面想着这样也不是办法，于是准备换一个，换到 sing-box 上去，但是 sing-box 挺麻烦的，显示需要 Install Network Extension ，然后查了一些 issue 是需要在 General -> Lgoin Items & Extensions -> Network Extensions 中开启，但是开启后电脑也没网了，这时候神奇的一幕出现了，就是重启电脑也没有网络。 把事情记录下来，几个目的： 理清楚自己的思路，逻辑 记录下来的内容可以请教别人好复现或者 issue ，甚至也可以用 AI 询问方法。 一般分为几种情况，如果自己开发的业务语言和想要写 CLI 的语言不一致，那肯定是选择 API 再就是取决于业务的需求，如果 CLI 只是满足本地的快速验证，快速调试执行，那么还是选择调用本地的核心逻辑，但是如果设计到远程的分布式任务，云服务，那么只能设计为 API。 再就是如果你觉得安全性、认证、权限控制这些很重要，那么也是直接调用 API。 参考 kubernetes 的 API， 其实主要是要把核心的逻辑封装抽象的很好，kubectl 是需要对远程的服务或者分布式的服务做调用，所以本身的分布式架构不得不选择 API。 也是涉及到 cli、web、api 相关。 cli 测试比较频繁，适合快速验证、单元测试这些，并且适合集成 UI Web UI 来说适用于用户体验验证、端到端测试，但是也有问题，就是维护成本很大。 再就是 API 测试，很常见的，甚至可以通过一些工具去完成，更接近真实的业务，并且本身是潜入到工程的一部分。 一般的价值来说，还是 单元/cli > API > UI 同一个业务逻辑，被多种方法验证， 也是增加系统的鲁棒性一种方法。 其实 UI 测试还有一种套路，就是很多会区分页面，比如说可能方便测试，会有一个基础的 UI 界面体系，基础的页面一般都只限于做成静态的页面。 Go Backend 调用 LLM 服务（Python）的时候，一般不走 Kong，而是 内网直接调用（IP、Service Name、Docker Compose / K8s 内部服务名） Kong 是对外网服务的「边界网关」 直接调用性能更高、逻辑更清晰 内部服务如果内部和外部同时用的话，这时候可以让 LangGraph 同时暴露： 一个用于 Kong 转发的公网接口 一个用于 内网直连的 Internal-only 接口 MVP 阶段不应该考虑 i18 MVP 阶段最重要在于 “最小”（Minimum） 和 “可行”（Viable） i18n 应该视为 验证成功后的优化或扩展 步骤 但是验证通过情况下考虑 i18 是很有必要的，修复发布后的 i18n Bug 成本可能是在编码阶段修复的 14 倍以上。如果系统考虑多语言情况下需要斟酌。 树底下思考了，最近出现的所有的关于 AI 生成代码的模块，感觉现在 AI 都是非常表面的，大部分的项目并没有使用很好的工具，或者做好生产级的准备。 真正好的项目应该是有很多的通用的学习模版，结构化的模版，辅助程序快速生成一款生产级别可用的产品。这个很重要， AI 要不仅仅完成简单的任务，并且 AI 是可以完成复杂的结构化的任务。 并且 AI 应该是可以成长的，所以很重要的一点，是 AI 在这个过程中，随着能力的提升，或者工具能力的提升，自己的上限是很大的。 这个过程中 MCP 很重要 ，MCP 规范了 AI 和工具的通信，A2A 也很重要， A2A 规范了 AI 与 AI 之间的通行。 规范确定好了后，关键需要的是一个成熟的系统，是否可以一键的完成工作流的发布。 甚至说现在协议出来后，我感觉一键生成 mcp 应用，或者给予现有的 cursor 生成 mcp 的应用的重要性也很大。 而且其实部署和项目模版都千差万别，基于此基础上去做一些实现或者逻辑，也是非常头疼的 担心什么？ 大家都担心安全，但是实际上如果应用的代码你完全可控，其实也未必需要担心。 OpenGrep 一些工具可以验证识别安全问题 Yao 好像就是做的这件事情，但是很明显的感觉 Yao 没有做好 API 面向的群体，就像设计用户产品要考虑用户体验一样，设计 API 要考虑使用它的开发者的体验。 好的 API 设计合理，标准化，不仅仅用户好用，其他的业务好接入，对于AI来说也能更好的处理。 需要一些方法： 可用的实例 预配置的认证 真实的测试数据 当作 API 产品的一部分来交付和管理，就像交付 API 代码和 API 文档一样。 想到了一个 AI 时代或许比较新的架构实践方案，建议流程 (Advice Process) 规则： 任何人都可以做出架构决策。 限定条件： 做决策前，必须咨询两类人： 所有会受该决策显著影响的人。 在该决策领域拥有专业知识的人。 重点： 决策者必须寻求建议、倾听并记录，但不必一定同意或采纳这些建议。目标是获取广泛的输入和声音，而非达成共识。 四个关键的要素：架构决策记录 (ADR - Architectural Decision Records)，架构咨询论坛 (AAF - Architecture Advisory Forum)，团队共创的架构原则 (Team-sourced Architectural Principles)，自建的技术雷达 (Your own Tech Radar) 推理模型 & 强化学习背景下 prompt 的思考实践 好的提示词应该是清晰的（不模糊、易于理解）、具体的（明确指出要求，避免泛泛而谈）并且提供充足上下文（告知AI相关的背景信息）。 传统的提示方法需要推理模型的阶段纠正： 观察 1: 少样本提示 (Few-shot Prompting) vs. 零样本提示 (Zero-shot Prompting) 少样本提示: 在提示词中给模型提供几个示例（输入+期望输出），让模型学习模式。 零样本提示: 直接给出任务指令，不提供示例。 发现: 对于推理模型，简单的零样本提示（直接下指令）可能比少样本提示（给例子）效果更好。这可能意味着推理模型本身理解指令的能力很强，给例子反而可能限制或误导它。 观察 2: 思维链 (Chain-of-Thought, CoT) 提示技术 CoT: 一种引导模型“一步一步思考”的提示技巧，让模型先展示推理过程再给出答案，通常能提高复杂问题的准确率。 发现: 对于推理模型，使用CoT提示技术反而可能降低表现。 可能的原因: 这些先进的推理模型可能在训练时，已经通过强化学习等方式，内置了类似CoT的机制（微调过的CoT机制）。也就是说，它们本身就倾向于或被训练成按步骤思考，你再用CoT提示去强制引导，可能打乱了它内部优化好的流程，导致效果变差。 强化学习和微调旨在让模型更直接、更高效地完成特定任务。Prompt应侧重于定义“做什么”和“目标是什么”，而不是过于详细地规定“如何做”（除非“如何做”是任务的核心要求）。相信模型的能力，给予其一定的自主空间来解决问题，特别是对于那些经过专门微调的任务（如代码生成、摘要） 设计一系列连贯的Prompt，每个Prompt处理整体任务的一个环节。这对于构建自主代理（Agentic Applications）尤为重要。 软件工程的 agent 的能力的提升，未来的很多的修改都可以交给 AI 完成，但是对 AI 友好的代码设计对于代码的可维护性至关重要。 DRY 原则可以减少重复代码，可以让 AI 的工作上下文更容易处理。并且目前为止，最适合 AI 的设计模式依然和传统的软件设计最佳实践密切相关。 可能随着 AI 的发展，后面会有更多的针对 AI 的设计模式出现。 LangGraph 因其先进功能更适合未来复杂 AI 系统，而 crewAI 因易用性和广泛采用也具潜力。未来趋势可能偏向两者结合，但 LangGraph 似乎更具优势。 LangGraph 提供状态管理、人机交互和调试时间旅行，适合复杂任务；crewAI 强调协作智能和无代码工具，易于快速部署。 选择，对于轻量化、原型开发的选择 crewAI，对于一些工程的选择 LangGraph。 当前的最佳实践涉及对用户和内容的深度语义理解，通常借助 LLM 生成的嵌入向量实现。 强化学习（RL）被用于优化长期用户价值：现在推荐系统不仅优化用户当前的点击行为（短期指标），还使用强化学习方法来模拟和最大化用户的长期价值，例如提升用户粘性、留存和生命周期价值等。 LLM 在实现对话式推荐、处理冷启动问题以及提升推荐解释性方面展现出巨大潜力。 捕捉用户的短期兴趣和意图变化，序列推荐（Sequential Recommendation）模型根据用户最近的行为序列预测其下一步可能感兴趣的物品。 后面可能更重要的是 解释者（解释推荐理由 ）、对话伙伴（与用户讨论需求）、需求挖掘者（帮助用户澄清模糊的意图）甚至内容创作者（生成与推荐相关的叙述或摘要 ）的角色。 开源项目 star 数量多虽能提升曝光度，但并不直接等同于融资与盈利。其次，开源项目好并不等同于能吸引用户，开源项目的商业化所需的市场投入甚至可能远大于技术投入。 另一方面，要根据自己的赛道选择正确客户画像，不盲目追求标杆和大厂，尽可能证明一个可快速复制的用户画像，找到属于自己的客群。个人不建议做 ToC 开源，可以做技术 To Professional。最后，做第一批某成功产品的开源替代，可以省去验证大客群这一步。 实际上产品形态可以是很多种 开源库 + 付费增强版（Pro） SaaS 服务 + 本地部署版 CLI 工具 + 云托管界面 插件生态 + 文档支持 其实面向的都是一部分的专业用户，这些用户虽然不是企业，但有一定预算、刚需场景和强技能背景，能理解并愿意为优质工具付费或参与贡献。 之前说到过 TDD 是 AI 时代的软件开发的最佳实践。 软件工程中的以终为始也是类似的，从结果的角度上思考问题。 任何的事情，都是先思考再执行，两个步骤： 在头脑中构思蓝图 将构思赋予实践 一些案例： 测试驱动开发（TDD）：先编写测试用例，明确预期结果，再进行开发。 持续集成（CI）：保持软件始终处于可运行状态，确保每次更改都不会破坏系统。 亚马逊的“向后工作法”：开发新产品时，先撰写新闻稿和FAQ，明确用户价值，再进行开发。 看了流浪 Cookie 无氧登 8000 米安娜普尔纳的视频，以及之前登珠峰航拍视频。 视频中人类的渺小和艰难，以及不断的有人在这过程中离世。不由得思考 人类有必要登顶吗？这么多人登顶珠峰的意义是什么？人类需要这样做吗？ 如果人类只是满足生存的需要当然没有意义。 这么说，航海时代的探险、科学的突破等好像都没有意义。 有意义的是什么？ 人类不屈不挠的精神和对未知的永恒渴望，人类对自然规律的敬重。 人类区别于其他物种的一个重要特征，就是对未知的探索欲望和对极限的挑战精神。 这是人类进步的根本。 生物的本能告诉我们应该恐惧，屈服。 勇气也是这个世界给予人类的嘉奖。 deepwiki 很多理念非常值得借鉴，其实之前也在不断的学习各种开源项目，基本上都是借鉴 cursor 还有 deep research 工具，也总结过一些关于如何快速学习一个开源项目的套路，这次也是deepwiki 特别方便的一点，能让你快速的生成项目的文档摘要。 操作上只需将任意 GitHub 仓库的链接中的 github.com 替换为 deepwiki.com，即可访问该项目的 DeepWiki 页面。 其实这个操作对开发者来说很熟悉了，这也是一点启发，就是如何针对用户快捷的有一个入口，不一定是插件的形式，可以针对场景有一个快捷的操作。 再有的一点，就是 deep research 可用的场景还是很多的，一般切入一个大众且垂直的场景很重要。 小团队可以实践的 DDD 理论和敏捷开发理论。 快速迭代是关键，设定一个版本，对初版本进行迭代开发，设定迭代周期以及迭代任务，尽可能把迭代周期以周为单位。 持续集成、持续部署很重要，减少后期维护和代码验证，尤其是 AI 时代这个能力变得尤其重要，避免反工。 用户反馈驱动开发（用户故事 -> 开发 -> 验证），而不是写原型和需求，这样没有意义。 用看板记录任务进度。 每一个迭代后的总结，统计，反思。以及在一个周期任务。代码价值
ApiFox 中 MCP 思考
Serverless 在 AI 时代的思考
前端跨平台选择
信息工作流
对网页进行性能分析的工具
微信产品观
AI 时代工程师最重要的能力
项目中的密钥管理
网络问题的产生的一系列反应
CLI 调用业务还是 API
测试技巧
服务层调用AI平台不需要 kong
什么时候应该上 i18n
AI 生成代码的思考
API 不再当成技术，而是当成产品
去中心化，基于对话的架构实践
推理模型 & 强化学习背景下 prompt
针对 AI 的设计模式
crewAI 对比 LangGraph
推荐的最佳实践
开源商业化的一些思考
软件工程以终为始的理念以及 TDD
人类的好奇心驱使着人类前进探索
deepwiki 的使用思考
用户故事推动开发
四、日常与其他
12 条记录 心若没有栖息的地方，走到哪里都是在流浪！ 但只有你学会原谅，你才能去爱！ 俄乌战场上的中国人，有人为俄罗斯而战，有人为了乌克兰而战 双方有不同的立场和价值观。 战争中的善和恶很复杂，人性在这时候也特矛盾。有的人在战争里变得特残忍，啥坏事都干得出来；可也有的人，哪怕自己命都保不住了，还想着帮别人一把。所以人性啊在极端情况下就像是被放大镜放大了一样，一到关键的时候，真面目都露馅了。 有人觉得人天生善良，是环境把人给逼坏了；也有人说人本来就自私，战争只是把这自私给彻底勾出来了。同样是战争，大家的选择都不一样，战争也没把人性变得扭曲，而是照的更真实了。 善恶也不是绝对的，对和错也不是绝对的，天平怎么也没办法平衡，但是也正是这种不平衡，普通人在人性中挣扎，大家也都是在夹缝中生存的普通人。 和平真的很珍贵，要是没战争这面镜子，咱们会不会忘了人性还能有多坏，又能有多好。 不管你有多强大，包括一个国家部委，当你被告上法庭的时候，你是被告，我是原告，大家坐在对面，中间是法官。你和我是平等的 在强大的力量面前人们往往除了服从别无选择，但是我不愿意。 公民和普通人的区别是什么？ 能独立地表达自己的观点，却不傲慢,能正直地表示服从，却不卑躬屈膝。能积极的参与国家的政策，看到弱者知道同情，看到邪恶知道愤怒，这我认为他才算是一个真正的公民。 权利是用来伸张的，否则权利只是一张纸。 喂，你吃什么？ 随便 … 随便？！问你的时候你说随便？！你已经养成了放弃自己分析问题、判断问题、谈自己愿望的习惯了！ 喜欢什么，不喜欢什么，都应该表达出来。 不喜欢，表达出来。 喜欢，表达出来。 随便，给别人压力，也不符合自己的需求。 随便，是最大的不负责任。 初心这东西，如果不是一直捂着，真的很容易丢掉 … 两个环节，一个是自己的视角是有限的，一个是对方的视角也是有限的，再就是自己能看到的视角对方未必能看到。所以很多时候，要去学会和解这个有限性。尊重规律，尊重对方，也是尊重自己。 Notion 记录的是你长期需要维护管理的笔记部分，或者是日程，项目管理部分。 科技与人性，普通人的宿命被剥削再剥削，被压迫再压迫，除非变成剥削和压迫者。可悲的人类。 个体的意识被科技所操控是非常可怕的，我们是否会忽略人类的基本价值观的追求。 如果人本身的一些东西，比如说思想、意识或者记忆成为商品被买卖，如何界定个人的权利。 科技一方面在声称追求生命，一方面又在剥夺个体的自由，科技的初心是否还在？ 科技真的让生活变得更好了，还是让一部分的人更有权利了。 普通人好像就是科技的剥削对象，科技的发展的不平等是否会加剧社会分层。 当人工智能可以预测、操控、影响我们的决策，我们的自由意志还存在吗？ 我们是主动选择，还是被算法推着走。 结局是悲剧，悲剧引发思考，事实也不得不是悲剧 霸凌者成了上帝，世界本质并不是正义最终战胜邪恶。 被霸凌的一直活在梦魇之中生不如死，而霸凌者逍遥自在。 以为讲的是被霸凌者复仇，没想到霸凌者反杀复仇者。 这个世界就是权利为王的世界，一直没变过。 日拱一卒是我们无论每天在做什么，都一定会把这件事这个精神贯彻下去。 日拱一卒就是每天要做这件事情，也许会耽误一两天，但是一定要尽可能的做到每日。它对你的要求仅仅是往前拱那么一下，对你每天的要求并不是那么高，而且只要求你拱一卒就好了，需要你每天坚持 好像是为了寻找答案而去寻找问题真的很没趣，这群人的好奇心都在思考用户有什么问题上。 但是道理其实很简单，从自己生活中的问题中获取灵感，自己是否留心身边的问题，这点很重要。 但是往往最简单的道理却被很多人忽视。 核心是一个人能不能面对真实的自己。 人类好像是会自我解释的动物，大部分我们以为的思考，实际上是对我们自己的一些行为进行一些合理化的解释。学会原谅，懂得去爱
乌克兰和俄罗斯雇佣兵思考
我只是讨厌屈服
随便
不要因为走的太远，而忘记了为什么出发
自己的局限性 & 他人的局限性
Notion 使用
《黑镜》第七季第一集《普通人》
《黑镜》第七季第二集《黑色野兽》
日拱一卒理念
好奇心到底是在哪里
人类好像是会自我解释的动物，大部分我们以为的思考
五、阅读、思想与历史
5 条记录 儒家理想主义中成长，家庭教育的重要性，家风是传承。 因为范滂传感动的流泪，极度感性仿佛找到了自我，“愿为之死” 父亲告诉苏轼以天下为念，最初他的初心，是儒家的忠君报国，愿为理想而死。 📜 “我辈读书，当为苍生立命。” 家风可能是一个人最深层的起点，也是最持久的根基。 怎么判断是非，什么是值得追求的，怎么熬过人生低谷。 苏轼写给儿子的一句话： 汝果欲学诗，工夫在诗外 这句话看似讲诗，其实讲的是做人。真正的“学问”，从生活、从品格、从家风中来。 为什么看到有些行为我们潜意识不舒服，或许是道德感，或许是一致性。但是总之，这些都没办法成为批判的理由，除非有约束和规则。比如说我们看到有人乱丢烟头，从道德层面，我们不希望对方对自己做的事情，往往是不要对别人做你不希望他们做的事，站在对方的角度上，仿佛是满足了自己的道德标准的，但是又在一定的层面上，集体会诞生出公共的价值观，比如说保护卫生，所以如果城市有自己的规则，不乱丢垃圾，那么这个事情就是违法公共道德标准的。 本质上的冲突是什么？ 本质上是我个人价值观与他人行为之间的冲突。我希望是完美主义，但是对方又是在短暂的解决当下问题。我可能习惯了一个更注重细节和规则的环境，而对方可能来自或认同一个更宽松的生活方式。这种差异让我意识到，问题不仅是行为本身，而是我们对“应该如何生活”的不同理解。 人好像很会模仿行为，所以这个过程中往往都是以身作则的过程，自己把一些好的品质表现出来，自然而然会影响到环境。 一致性（consistency）在日常生活中，通常指行为、思想或状态在时间或情境中的连贯性。其实本质上来看，一致性是自己内心的投射，而不仅仅是外部环境的要求。 真正的一致性不是要求外部世界符合我的期待，而是让我的内心与外部现实达成和解 碎片化的信息/知识+碎片化的逻辑构成了人类的智能，而碎片化的信息/知识+碎片化的逻辑+隐/显性的伦理构成了人类的智慧。 客观存在：数据 / 事实—> 有组织的数据 主观意识：-> 提炼的信息 -> 整合 / 创造 / 发散 我们不是数据的生产者，我们是数据的数据者 数据只有通过业务的加持才能转化为信息，数据是客观的，而信息则是主观的，创造信息的目的是达成共识。 产品比较适合碎片化记录，但是又不碎片化的记录方式，flomo 适合做一次的产品记录。 另外小红书或者是 twitter 上面都可以记录你的产品。 小红书天然适合引流，实际上小红书上面非常强调人设，小红书是社群为核心的。 小红书上面也容易积累第一波的用户人群 甚至什么样的卡片更适合 xhs 类型的结构，或许 xhs 在未来的载体形式就完全不一样了。 一幅水墨画，几笔淡淡的墨色勾勒出山川，却故意留下一大片空白，让人忍不住去想象那些没画出来的云雾和远峰。 邀请你去思考和感受。 所以字面上的空白可能比字更重要。 西方文化中油画里密密麻麻的细节，把想法讲得巨细无遗，甚至有点不留余地的感觉。 咱们从小就被教导要含蓄一点，别把话说得太满，给别人留点余地，也给自己留点回旋的空间。 道可道，非常道，有些东西太深了，说不尽，只能让人自己去体会。 西方文化显露，对知识和真理的追求，总是在填满细节，追求一种“有”的极致。苏轼找到了自己的人生方向
一致性思考
信息转换
产品的记录方法
中西文化
六、旅行、地理与城市
4 条记录 在深圳呆了十天了，在 Archer 的家里呆了十天，Archer 经常请吃饭，并且带我们吃一些好吃的，还有小美姐请吃饭，sun 也请吃饭，深圳的形成真的让我非常的感动，他们的友谊深深的感动到我了。 RCEP覆盖了约30%的全球人口和GDP，到2030年预计每年将为成员国合计增加约2000亿美元收入。 RCEP 是目前全球最大的自贸协定之一，由东盟十国（印度尼西亚、马来西亚、菲律宾、新加坡、泰国、文莱、越南、老挝、缅甸和柬埔寨）与中国、日本、韩国、澳大利亚和新西兰共同协商达成。 RCEP为其提供了一个更为稳定的贸易环境和更宽广的市场，有助于推动国内产业升级和“走出去”战略。但同时也要求中国在规则制定、知识产权保护和开放市场等方面作出进一步改进，以符合协定要求。 现在全球化发展的同时，全球贸易竞争加剧，中短期来看，趋势还是围绕着中美两个大国为核心之间的贸易战争，反而在这些小国家中有一定的机缘。 每个人都在做，因为每个人都有同样的问题。那么，如何才能找到真正独特新颖的问题呢？那就是让自己变得更加独特新颖。如果我不去旅行和工作，我就没有新颖的 idea 和思考了。 为什么要和别人走一样的路？ 不值得 为什么是杭州，杭州是全世界电商最发达的城市，电子商务中心。 杭州、整个浙江，自古就是小商品经济、家族手工业、贸易精神最旺盛的地方，也是民营企业最旺盛的地方。 中国是全球电商交易总量最大、渗透率最高的国家，电商在社会零售总额的占比已经超过30%+，远高于美国、日本、欧洲。 相比较美国和日本，为什么美国电商也如此发达，以及日本的电商为什么发展不起来。 时代背景和社会文化决定的。 中国：线下太烂，电商救命。 美国：线下够大，电商补足。 日本：线下太好，电商没必要。 中国是最有潜力做电商的国家。 美国的本质原因在于物流半径大 → 电商作为提升覆盖率的补充，把原本难以覆盖的小镇、远郊市场数字化。和 Archer 最后一晚的讨论
RCEP协议思考
为什么旅程中思考的更多
中国的电商机会为什么巨大
七、商业、投资与职业
4 条记录 很早特朗普已提倡实施关税以降低美国的贸易逆差及促进国内的制造业，并说美国遭其贸易伙伴剥削。 中美贸易战持续了很多年了，今年的关税如果全面落地，估计2025年全球GDP增速将被拉低约1.2-1.3个百分点。 对于中国来说，可能拖累 GPT 可能超过2.0个百分点，对美国来说，拖累美国GDP 1.3-2.0个百分点，推升核心美国PCE 1.2-2.6个百分点。 留下一个谈判点，各个国家可以通过谈判取得比较好的结果，促进双赢，很明显中国不会这样做。可能双方都以打促和，提高百分点。 各个国家政府，降准降息，向市场注入更多流动性，降低融资门槛，从而推动经济增长。 中期来说两极是趋势，多个中心。两个极端分别是中美以及一系列的站队，另外欧盟、印度等谋求相对独立的多中心地位。 一般在国际贸易冲突中，黄金等实物资产往往具有保值增值作用，普通投资者可适当配置 。另外资产分散投资也很重要，把资产分散到多个篮子中。购买美元对冲人民币汇率波动和国内市场风险 本质上数字人民币是基于区块链的技术，一种全新的支付方式，通过数字货币的流通，央行能够更直接地影响经济活动，从而增强货币政策的传导效率。 数字人民币有助于促进金融包容性，使偏远地区和低收入群体更容易获得金融服务。同时，它减少现金使用，可以有效降低假币流通和洗钱等非法活动的风险。 当企业和消费者信心不足时，即使央行通过降息或量化宽松增加货币供应（M2），资金可能滞留在银行体系内，无法转化为实际经济活动。这种情况下，M2的增长可能与经济增长脱节，而M1（现金和活期存款）可能更直接反映经济的即时流动性需求。 M1 来临是趋势，但是M2仍能提供货币供应总量和潜在流动性的信息。 在经济下滑中，利率下调可能继续，但房价走势将受多重因素影响（如政策干预、人口结构变化）。中国房地产市场可能进入调整期，但未必全面崩盘。 很多人本身就拥有很多的平台和资源，就算是没有你，一样会有很多的人去提供资源。 而真正有社会价值的投资，是看见那些原本不被看好的人，并在早期坚定支持他们成长。而这些人的起点不重要，重要的是结构外生长力和他们的成长斜率。 智者认为自己是博学或者聪明的人，诡辩学家是为了钱而去传授的人，哲学家是爱好智慧的人。 诡辩学家教人道理，并且收取学费，这样的人在生活中太常见了，教授人知识的老师，卖创业课程的老师。自认为有一些知识而自我满足的人，以及网络上自夸博学多闻但是实际上一无所知的人。 哲学家恰恰相反，知道自己的认知是非常有限的，这也是他们不断的追求真知灼见的原因。我只知道一件事，就是我一无所知。全球贸易战思考
数字人民币思考
有意义的投资是那些本身不被看好的力量
智者 & 哲学家
八、身体、健康与日常
2 条记录 你问一个问题的时候，你期待答案么?你要不期待，你就别问了。 当一个人关心别人的时候，才会忘记自己。 自我并不是一个固定的实体，而是由我们的经历、情感、认知和社会互动构成的临时聚合体。 我们自己深度反思，或者冥想，开始质疑并超越这种概念化的自我，就可能体验到一种“无我”状态，即不再将外在的现象与内在的自我捆绑在一起，而是直接感知到事物的本质与流动性。 ➕ 如果你带着预设答案来看待问题的时候，答案是什么也已经不重要了。 为什么感觉时间没有一个明确的清晰衡量因素。 感觉自己的时间一直不够用，但是又不知道自己用时间做了什么。 缺少一些规律化的行为。 具体几个小时的睡眠，具体什么时候起床，什么时候运动。 以及每天的办公时间、学习时间、阅读时间。 如果这些都有一个很好的规划或者安排，也许会更好。 对一些没有意义的谈话没有兴趣了，如果没有产生明显的碰撞或者收获，我不认为有什么东西是互联网没有的或者自己搜索不到的。 空谈是廉价且无效的，而创造一些东西则更具挑战性，也更能有效地改变世界。 请少说一点，多做一点 到底什么是重要的/ 和自己爱的人相处 和激发自己好奇心和潜力的人相处 运动和户外让我感到幸福 探索新的地方 创意项目 说“不”是可以的，保持沉默并找到自己的焦点忘我
时间上的思考
读者回响