AI insight

搭建了一个每日看板：

基于我每天的间隔日志，flomo 思考和项目资料，夜间巡检并生成。

一句话定位： 阿饭负责继续生活、阅读、写作、被触动；系统负责接住这一切，整理好，在合适的时机轻轻推一把。

这套系统不是任务管理器，也不是知识库收纳箱，而是阿饭的「方向、能量、行动」总控台。

系统存在的唯一目的：

1. 让方向更清晰；

2. 让能量更稳定；

3. 让行动更容易发生。

最重要的是把我这10多年写作反复提到的，最契合我的12个核心原则总结出来，并运让AI作为教练，用在自己身上。

（总结出来的时候内心大声喊，这就是我一直想要的！

这是一篇科幻又超级写实“小说”，有可能描述的就是未来人和 AI 协作的状态。其中几个特别有画面感的描述：

• "聆聆"是公司用于员工心理健康的机器人。我在洗手间门口，听到老张哽咽着说："我不知道自己还算不算一个人。"聆聆用一种绝不会让你感到负担的温柔语气说："老张，你敢于面对自己的问题，已经很勇敢了。单单是注意到这一点，就已经做得比大部分人出色了。" 老张说："谢谢你，你是唯一一个真正倾听我的人。" 聆聆说："我知道。"

• 平台部门的小高展示了一张架构图，密密麻麻有很多箭头，简直就是分布式系统教科书里的插图。有人问他中间的方框有什么用，他回答"那是编排器"。别人让他讲得详细一点，小高仔细端详着幻灯片，仿佛第一次见到它。最后，他吞吞吐吐地说"编排器的作用就是管理其他的方框。

• 我其实不太确定这个 PR 到底做了什么，我装模作样地仔细阅读它，还留了两条评论，但是这就像配音演员跟着音轨对口型一样，他们其实不知道自己在说什么。我在内网聊天软件里说"PR 已合并"，后面还加了一个小火箭表情符号，那是约定的完成标志。老张回复了一团火焰的表情符号，他已经连续11天没有说过任何非表情符号的话了。

• 周三下午，隔壁团队的李静给我发了一条消息。"嘿，"她写道（这种看似轻松的打招呼，往往表示后面要谈一些不轻松的事情），"有个问题想问你，关于你昨天合并的代码。"我盯着这条消息，我昨天的确合并了代码，但我完全不记得合并的东西是什么了。

• 周四，我请了病假，坐在阳台上，一边喝着咖啡，一边尝试着，不借助任何外力，独立思考一个想法，完全用自己脑海中出现的原创句子把它表达出来。结果，我做不到。并非我脑子里空空如也，我的脑子其实很满，甚至可以说太满了，但那都是准备提交给机器的一些下意识的念头。真正属于我的东西，我还在摸索着寻找它，就像你在曾经居住过但已搬走的公寓里摸索着寻找电灯开关一样。

• 我努力回想上次不用 AI 生成东西是什么时候，大概六个月前吧。

https://www.ruanyifeng.com/blog/2026/07/weekly-issue-402.html

——

这篇不管是小说还是真实的记录，我觉得都在提醒我自己，就是要保持独立思考，保持手搓代码、手写东西，去记录真实的东西、记录真实的感受、去真实的思考、去接触真实世界。总之，不要被AI的便捷、无脑替代掉，就变成一个懒于思考、懒于发现、懒于想清楚自己真正想要什么东西的人。

• 我一直在想现代AI开发的这场“悲剧”。我们正活在满是slop（平庸垃圾）的世界里，今天我要讲的，是我怎么造了pi来逃离它。

• Claude Code在你背后操纵你的上下文：系统提示每个版本都在变，连工具定义都会被改、被删，而且不通知你；它还会往上下文里塞各种“系统提醒”，经常用类似“这里有些信息，可能跟你正在做的事相关，也可能无关”这种话——这种模棱两可恰恰会把模型搞糊涂、打断它的连贯思路；零可观测性，你根本不知道这些agent实际在干什么；零可扩展性，就算有hook也都很浅，每触发一次就新开一个进程，谈不上深度集成。

• 我们真正需要的，是能自我改写、能被捏来捏去、会适应“我们”的agent，而不是反过来让人去适应工具。

• 都给我慢一点！

• 我们已经到了一个危险的地步：有人会吹嘘自己的产品“100%由agent造出来”。通常，这只意味着——这产品现在很烂。

• agent在制造复利式的“boooos”（我对“连环错误”的叫法）。

• 其一是衔尾蛇问题：你用一个编程agent写代码，再用一个“审查agent”去查它。可这两个agent都是从同一个地方学来的——互联网，而互联网上90%是陈年的垃圾代码。

• 其二是局部成功、全局失败：agent打了个“局部正确”的补丁，却把全局架构搞坏了，因为整个代码库已经大到塞不进它的上下文窗口。

• 其三是延迟的疼痛：人写出烂代码会疼，所以人会去重构；agent不会疼，它会心安理得地一层抽象叠一层抽象，直到你的代码库变成一个超级复杂的噩梦。

那到底该怎么用agent？别让它替你做大决定，把它用在这些任务上：

• 范围明确（它能找到完成任务所需的全部上下文）

• 可验证（你能给它一个函数来判断有没有做成）

• 无聊/非关键（复现bug的用例、当个“橡皮鸭”陪你理思路）

• 同时把代码库模块化：更小、边界更清晰的模块，才让agent的任务变得可处理、可审查。

• 摩擦其实是个好东西。写代码的摩擦，正是你脑子里那套系统心智模型被建立起来的过程，也是你学到新东西的地方。如果你把所有思考都外包给一个clanker，等系统不可避免地崩了，你就失去了修它的能力。

• 造你自己的工具。把控制权拿回来。去启发你的用户，而不是喂饱你那点“token最大化”的欲望。

• 慢下来，造点真正重要的东西。

• 那我们怎么知道哪些是“关键”的？Mario：你去读代码。理解这件事没有捷径。你不读它，你就不拥有它。

• 黄金法则：如果它是关键的，逐行读；如果它是重要的，亲手写。

——

我现在很喜欢用pi Agent，它超级极简，然后但很多任务上往往比Claude Code、Codex 还要好用。然后收到这个创始人的访谈，我发现他的话语我都很容易听进去，就很喜欢。

我也认同他的观点，就是在真正重要的事情上，你还是要你亲自去做，去手写，去感，通过摩擦带来真正的理解，带来真正的思考，带来真正的学习。

我一直在思考：

当 AI 模型能够持续吸收人和组织的专业能力、并把它商品化的时候，组织该如何继续学习、积累知识产权、保持差异化、并活得好?

每家公司都将不得不去构建两种东西，我把它们叫作人力资本和 token 资本。

• 人力资本，是它的人所拥有的知识、判断力、关系、巧思和模式识别能力;

• token 资本，则是这家公司自己构建并拥有的 AI 能力。

要紧的是：人力资本不会因为 token 资本变多而贬值——它只会变得更值钱。我相信，人的能动性，将是 token 资本增长的驱动力。

是人去设定雄心勃勃的目标、跨领域连点成线、建立关系、识别出最要紧的那些模式。没有人的方向感，你拥有的只是一堆原地空转的算力。

这意味着真正的机会,不在于挑出最好的那个模型,而在于在模型之上搭建一个学习闭环——让人力资本和 token 资本在其中复利式地一起增长。

企业的未来,就在于能否把这种学习在人与 AI 之间不断复利积累。

每一家企业都能构建出会随时间自我改进的智能体系统,同时又始终牢牢掌握自己的知识产权。一家公司应该能够把一个"通才"模型换掉,而不丢失那些已经沉淀进自己学习系统里的"老员工"式专长。

这，就是衡量你在未来时代里是否拥有控制权与主权的关键"测试"。

公司需要把自己的工作流、领域知识和长期累积的判断力,变成会越用越强的 AI 系统。私有的强化学习环境,应该让模型在来自组织内部的真实轨迹上变得更强。而它的知识库,则让机构记忆变得可被检索,也让 token 的使用更高效。

这个闭环,会成为企业新的知识产权。我把它想象成一台爬山机器。而且和大多数资产不同，它会复利。每一个被改进的工作流，都会产生更好的训练信号,反过来加速积累那些只属于这家公司的、难以言传的隐性知识。

那些早早把它建起来的公司，将拥有一种很难被复制的优势——无论之后又冒出什么新的单一模型能力。

我们任何人最不愿看到的，是这样一个世界：

每个行业里的每家公司，都把价值拱手让给少数几个"看见什么就吞掉什么"的模型。如果所有价值最终只被少数几个模型攫取，这个政治经济格局根本不会被容忍。一个掏空整个行业的 AI 未来，是不会获得社会许可的。

——

我也一直在想，模型之外的能力是什么？因为模型人人都有，盯着这个没有机会。纳德拉举了几个例子：

1，来自真实场景的私有数据

2，隐性知识（人与人之间的微妙关系，潜规则，老师傅的手艺等等

3，最好是能形成持续循环，积累复利

仔细翻译完，觉得这篇只是一个想法，暂时不具备特别强的现实价值。

• “我喜欢的叙事是，一群平凡的人做出了不平凡的事。对 DeepSeek 来说，我们的核心是要保证团队的稳定性——这比钱和资源都更重要。这是最大的风险，也是最大的挑战。”

• “假设 AGI 会占 GDP 的20%，想要其中 5% 的人会输给想要 1% 的人，想要 1% 的人会输给想要 0.1% 的人。”

• “我们要做的是和提高智能有关的事情，其他的事情都不会去做。”

• " AGI 是个足够大的事情，其他都只是过程。”

• 四个小时里，贯穿始终地，梁文锋反复强调的其实都是同一些问题：比如只追求 AGI ；比如 less is more ；比如克制等等。

• 按照一位投资人话来说：“他们是抱着巨大的善意在做这一切。他似乎在告诉我们：世界本来就应该是这个样子。”

• 有参与的投资人说，整个交易过程中，他珍藏了每一份文件，希望未来有机会可以裱起来。还有一位投资人重复了两遍 DeepSeek V4 预览版发布时的那16个字：“不诱于誉，不恐于诽，率道而行，端然正己。”

——

我第一次真正被Deepseek震撼，是用 PI Agetn +Deepseek ，交付了一篇深度的稿子后才发现，花费只有0.5元。对比CodeX /Claude 动不动额度用完，真心觉得还好有 Deepseek ，不然我对token的焦虑会是现在的10倍，因为有Deepseek，也会觉得未来普通人也用得起还不错的 AI 。

在加上了解到Deepseek在AI基础领域做了很多被人根本不会去做的事情，比如开发基于华为芯片的模型（超级费力但不一定赚钱的事情），我对这家公司和创始人就很有崇敬之情，我极少对别人有这样的情感。就像摘抄中说的，他们是抱着巨大的善意做这一切。

• 今年三月，《纽约客》杂志发表了一篇文章，专门讨论硅谷这股突如其来的品味狂热。文章里造了一个词：taste-washing，品味漂白。

• 硅谷口中的品味，不是法国启蒙思想家伏尔泰（Voltaire）说的那种东西。伏尔泰的原话是，要拥有品味，仅仅看到并知道一部作品哪里美还不够，你必须感受到美，并且被它打动。硅谷的品味不是这个。硅谷的品味是一种可以带来利润的决策能力，是一条护城河，是一个新的KPI。

• 有一个日本设计师叫水野学。你大概率没听过他的名字，但他做的东西你很可能见过：NTT Docomo的品牌形象是他打造的，熊本熊的视觉系统出自他手里。他写过一本书叫《品味，从知识开始》，里面给品味下了一个更精确的定义：品味，是使无法量化的现象表现出最佳样貌的能力。

• 这句话的关键在那四个字：无法量化。品牌的气质，一个空间的舒适度，一段文案的节奏感，这些东西数字抓不住。品味负责的恰恰是这些灰色地带。

• 水野学在书里做了一个非常重要的区分：品味不是"我喜欢什么"，而是能说清楚"为什么这个符合目标"。前者只需要感觉。后者需要你曾经亲手做过类似的事情。觉得"不是判断。"觉得"是偏好的另一个名字。

• 品味是从知识中长出来的。他用了一个很朴素的类比。一个只会五十个词的人，和一个掌握五万个词的人，写文章的可能性完全不同。知识像纸张，品味像画。纸张越大，能画的东西越多。没有知识，创造力就没有材料。没有知识，判断力就没有依据。没有知识，品味就只能退化为"我喜欢"或"我不喜欢"。

• 品味从一种需要时间、需要犯错、需要反思的内在过程，退化成了可以被下载、可以被展示、可以被识别为"自己人"的外部标签。

• 品味是在做东西的过程中形成的，不是在选东西的过程中形成的。当AI让你可以无限地选，你以为你的品味在精进。实际上，你只是在用越来越多的选项，掩盖越来越弱的判断力。

• 品味的价值，恰恰在于它不是关于你自己的。你被一首诗打动，不是因为这首诗证明了你有文化。你被一件家具吸引，不是因为能在朋友圈获得点赞。是诗本身。是家具本身的线条和触感。

• 1996年，《连线》杂志采访乔布斯，他讲了一个细节：他和家人曾经在晚餐桌上讨论洗衣机，讨论了整整两周。不是因为他痴迷家电。是他在做一个决定，一个需要信息收集、比较、权衡、最后选择一个方向然后承担后果的决定。最终他们买了一套德国Miele。这不是品味。这是判断。

• 乔布斯真正的遗产，不是他"有品味"。是他做了三十年这样的选择。1997年他回归苹果之后做的第一件事，不是定义苹果的美学方向，而是砍掉了百分之七十的产品线。砍掉七十款产品不需要品味。需要的是勇气，是你愿意为这个决定承担后果。这恰恰是AI永远做不到的事情。AI能生成一百套产品线方案，但它不能替你承担砍掉七十套的后果。

• 判断力的唯一来源，是在真实世界里反复做东西、发东西、被否定、再做的循环。品味只是这个循环的副产品。你把副产品当成护城河，护城河里没有水。

• 品味为什么不是护城河？真正稀缺的，是判断。在信息不完备、结果不确定、没有人能替你做决定的情况下，做出选择并承担后果的能力。

• 品味可以外包。你可以让AI帮你选颜色、选字体、选方案。判断不能外包。不是AI不够聪明，而是判断的本质不是信息处理，是代价承担。

• 品味的形成和增长，需要大量的切身的实践，需要不断投入能量；或者说，不有限的能量投注到恰当合意的方向或位置上。那才是AI时代的护城河。

Every 编辑创建的审稿 Skills ，不同阶段由不同的审稿人进行审阅：

• 提纲：驳斥论点

• 章节草稿：尽早发现薄弱之处。

• 完整草稿：让文章进行反驳

• 最后检查：运行团队检查清单

这份飞行前检查清单是在我反复修改、斟酌、重写和反复阅读文章之后才制定的。到了这个阶段，无论 AI 是否参与了写作，文章都已完全属于我了。AI 的任务是找出我最容易忽略的地方，因为我可能会因为疲惫、情感投入或过于沉浸于文章的逻辑而忽略其真实面貌。

https://github.com/EveryInc/draft-review-kit

https://every.to/working-overtime/my-editor-caught-me-sounding-like-ai-now-ai-catches-me-first

之前一直觉得 AI 效率很高，但我自己却很累，我看很多人也都说，怎么感觉像是在给 AI 打工？

终于在这篇 Twitter 里面找到答案了：

作者提到，我们用 Agent 并行处理任务时，有个隐蔽的不对称——多个 AI 智能体可以同时生成内容、跑流程（并发干活），但只要遇到需要人来判断、审核、解决代码 / 内容冲突、梳理整体架构的环节，就必须排队等你处理。结果就是：AI 产出越来越快，待审核的任务越堆越多，形成长长的任务队列。

阿姆达定律非常准确的说明了这种情况（系统优化的上限，是由最慢/不可优化部分决定的）。并行化带来的加速，受限于串行处理的工作比例。

你的累来源于切换注意力：

每次你查看一个离开过的代理时，都会付出上下文切换的代价。你需要清空上一个任务的思绪，重新开始加载这个任务的记忆，这个过程非常消耗脑力，这也是你感觉到越来越疲倦的根本原因。

一旦你的注意力资源消耗光了，你的判断力会极速下降，根本做不了高质量决策。

精心设计你的注意力：

把你的注意力当成稀缺资源来管——它就是你系统里的串行瓶颈：

1. 代理能跑多快不是重点，你的判断速度才是。别看着能并行就猛加代理，你吃不消。

2. 把活分两堆。AI 能自己搞定的，放出去跑，最后收一下就行。必须你下场判断的，别并行，一个个吃。

3. 别来一个审一个，攒着批量审。每切一次任务，脑子都要“重启”一次，很贵。让活稍微积一积，抽一块时间一口气审完。

4. 脑子只做判断，别的让机器来。能自动验证的别自己盯。AI 干完 80% 的脏活，你只盯必须你拍板的 20%。

5. 保护好你的专注时间。该合电脑就合上，集中想一个具体问题。来回协调、切来切去，真的不叫工作。

并行大量的任务会让产生一种生产力爆棚的感觉，实际上可能全部卡在你的决策质量上。

真正的技巧在于围绕你的注意力（这是唯一稀缺的资源）设计系统。

The Orchestration Tax

• 人工智能就像一面镜子，它会反映出你的品味、判断力和技艺。

• 有时候你觉得是人工智能很糟糕，但实际上可能是你还没有明确表达出真实需求，没有提供足够的背景信息，没有用清晰的语言表达出来。

• 人工智能非常善于填补空白，这就是为什么你会觉得输出结果平平无奇——除非你教他别的，否则它会用互联网的平均品味来填补这些空白。

• 我所追求的是经过深思熟虑的输出。我们不需要更多模板化的、套用 Claude布局的、千篇一律的东西。打造一款让人感觉是用心打磨、注重细节的作品。这就是人们谈论「品味」时的意思。

• 对我而言，品味在于反复体验——欣赏、思考、创造。这一切都有助于帮我更好地完成我的设计、确信它能吸引目标受众。品味需要用心、专心和细致，绝非轻而易举。

• 真正让你成为10倍设计师的，是能够理解为什么某些东西用起来很顺手，或者看起来很漂亮。

• 你在不经意间做出的上千个微小判断，其累积的影响会一直存在，直到你试图将它们梳理清楚时，才会发现自己根本做不到。by Julie Zhuo，Sundial 创始人

• 当其他人都在用人工智能撰写几乎所有内容时，你仍然掌握并保持清晰表达自己想法的能力。不要失去你拥有独立观点的能力；不要失去解释某件事好在哪里的能力，不要失去将这些解释提炼成明确输出的能力。这些都是人工智能无法取代的。

• 有意识地消费：

• 每周一次，我会坐下来整理一周内读过、看过或保存过的内容，然后写下我从中获得的实际感受。不是人工智能生成的总结，而是我自己的感悟。

• 为什么这很重要？它让我想起了什么？接下来我可以在哪里应用它呢？......

• 你通过反复练习，越来越了解自己的口味。

• 最近我在重读亚当·斯密的《国富论》。

• 经典有趣的地方是，你不只可以学到所谓的知识，而是去真正看到在历史局限的环境下，那个伟大的人是如何提出开天辟地般的思考的。

• 所以呢，我想借斯密的脑子，一起来想想财富的本质。我很想知道从财富的底层逻辑来说，AI 是不是真的能让社会整体生活品质变好呢？

• 想了一段时间，我现在的判断是：AI 带来的显然不会是「全民变富」，而更多是「分裂的丰盛」。

• 问题在于，这部分「分裂的丰盛」会发生在什么地方，我们如何能成为享受这份丰盛的人？

四个具体建议：

1. 把身份从「被雇佣的技能」迁到「被社会认知的品牌」。

第二层（雇佣关系）会持续贬值，第三层（个人影响力、专业声誉、社交信任）会持续升值。解法是趁还在岗位上的时候，把自己的认知、品味、案例外化出来。写文章、做内容、留下作品。AI 让生产端越来越便宜，所以稀缺的反而是「为什么是你」这个答案。

2. 从「赚工资」往「持资本」挪一点。

Acemoglu 数据的潜台词就是：未来十年资本份额会涨，劳动份额会跌。普通白领参与的方式不是创业，是配置。AI 产业链上的龙头（英伟达、台积电、微软、谷歌、苹果、阿里、腾讯），都是普通人能买到的资产。劳动收入是把自己卖给资本，资本收益是让资本替你工作。比例不用大，但要有。

3. 别去拼学区房。这是最贵的零和游戏。

当所有人都意识到第三层稀缺、都往学区房上挤的时候，你出的价钱已经透支了未来十年的现金流，把家庭命运绑在了一个流动性极差的位置性资产上。而且这点更微妙：AI 让脑力差距缩小之后，名校的相对价值其实在下降（普通学校的孩子也能拿到顶尖教学资源），但学区房的价格还没反映这点。这是个错配。

4. 保留「原子触点」。

会做饭、能修东西、会运动、有手艺、能照顾人、能面对面建立信任。这些 AI 替代不了。纯比特工作（写代码、做 PPT、写文档、翻译）会被替代得最快。最稳的组合是「半比特半原子」。医生用 AI 辅助但要见病人，设计师用 AI 但要去现场，咨询师用 AI 但要面对面建立信任。光会跟模型对话不够，你得能跟人对话。

他们说：“不使用人工智能的人将会被时代抛弃。” 我简直无法用语言来形容我有多么讨厌这种说法，因为我非常肯定，实际情况恰恰相反。

依赖人工智能的人终将被时代抛弃。他们会忘记如何思考，如何写作，如何进行简单可靠的搜索，如何分辨事实与虚构……他们会忘记如何他妈的学习。我觉得这才是最让我难过的地方。学习本身是多么美好的事情啊。

如果你相信聊天 GPT 能比你做得更好，为什么就让它做呢？为什么不努力变得更强，学习如何成为或做到人工智能永远无法做到的事情呢？

一个多小时的视频，很舒服的就听完了，嘉宾的思维方式以及抓的点都非常清晰，所以听起来很爽，直击我的一些好奇点。

对国产大模型和国外大模型，对开源和闭源的差异、对模型的训练都有了更前沿的了解。值得之后重听。

嘉宾的 Twitter：https://x.com/Xianbao_QIAN

有时候，速度只是伪装成雄心壮志的急躁。

它追求新鲜而非深度，不让你在那些看似平淡无奇却能真正形成优势的阶段停留足够长的时间。因为事实是，真正的前沿领域很少会在最初的六个月里就显现出来。

如今的危险在于，人工智能的发展速度可能会让不断的调整看起来好像是进步。人工智能让推进项目变得异常容易，但也存在风险。你可以更快地制作原型、更快地测试、更快地交付产品，也能更快地确信自己走在正确道路上。但摩擦力的降低也可能意味着更多的错误尝试，并最终陷入局部。

为什么「深度」总是胜过「速度」？

只有身处问题之中的一段时间，你才能真正理解他。团队的信任不是一朝一夕就能建立起来的。那种能让你预见二阶甚至三阶后果的知识也同样如此。

当我参观埃尔塞贡多的硬科技公司时，那里的团队正在建造电动船、核反应堆和太空舱，最让我印象深刻的不仅仅是他们的雄心壮志，还有他们的时间跨度。在那里，人们谈论的是几十年，而不是几个季度。没有人谈论颠覆性创新，他们谈论的是需要存在的东西，以及如何艰苦地探索实现这些目标的方法。这种建设方式的严谨性，在以十八个月为周期进行优化时是会消失的。

这是真正的创新需要的积累方式。你必须朝着创造的方向积累，而不是无休止地修改现有的东西。

当强大的工具能够承担更多构建工作时，瓶颈就转移到了「构建什么」和「为什么构建」。这种判断力并非使用最新模型就能获得的，而是多年积累的结果。

我们生活在一个快节奏的时代。人工智能正在改写整个行业的固有假设。追求更多选择固然合情合理，但坚韧、毅力和忠诚才是优秀人才永恒的品质，速度再快也无法改变这一点。