Lil

Building with AI.

[Ethan 恩宇 @UPing123zzz]

现在 AI 圈有一个特别荒诞的现象。

很多人连一个最基本的 Agent 执行链路都没有真正理解，就已经开始天天研究多智能体协作、Agent 集群、数字员工，甚至宣称未来一个人就能运营一家公司。

接个大模型 API，装几个 MCP，写几段 Skill，再用 LangGraph 或者其��框架编排一下，就觉得自己已经做出了一个完整的 Agent 系统。

我操，真正的企业级 Agent 架构，哪有这么简单？

上面这张 AI Agent Platform Architecture 架构图，我觉得非常值得所有准备做 Agent、FDE、企业 AI 落地的人认真研究。

它真正重要的地方，不是展示了多少个技术组件，而是揭示了一个很多人根本没有意识到的问题：

LLM 只是 Agent 系统中的一个能力组件，而不是整个系统本身。

很多人做 Agent 的思维方式，到现在还停留在：

用户输入 → LLM 理解 → 调用工具 → 返回结果。

但你真正把它放进企业的业务环境，会发现事情根本没有这么简单。

首先，用户请求进来以后，系统需要通过 Agent Gateway 接收请求，再通过 Identity & Auth 确认用户的身份、权限和访问范围。

然后进入 Agent Orchestrator。

这才是整个 Agent 执行链路中真正值得研究的东西。

它需要管理任务规划、行动、观察结果、上下文状态、子 Agent 委派、错误重试以及任务恢复。

需要调用模型时，可以经过 LLM Router，根据任务需求选择不同能力、速度和成本的模型。

需要使用外部工具时，通过 Tool Registry 发现工具，再经过 MCP Gateway 等接口连接外部系统。

需要保留上下文时，通过 Memory Service 管理会话、长期记忆和用户偏好。

但真正让我觉得这张图有价值的，是它把另外几个经常被忽视的模块，也放进了核心架构。

Permission Engine、Approval Queue、Task Queue、Tracing & Observability、Evals & Guardrails、Audit Log Store。

这些东西，才是决定一个 Agent 能不能进入真实业务环境的重要基础。

举一个最简单的例子。

假设你做了一个招聘 Agent。用户上传简历，系统自动分析岗位匹配度，调用招聘数据库，生成评分，甚至自动推进面试流程。

看起来是不是特别牛逼？但问题来了。

一个普通员工能不能让 Agent 查看所有人的简历？

Agent 能不能直接修改候选人的招聘状态？

如果模型错误理解了指令，把原本应该保留的候选人标记为淘汰怎么办？

如果一次工具调用超时，系统重新执行，导致同一份面试邀请发送了三遍怎么办？

如果业务负责人质疑某个评分结果，你能不能追溯 Agent 当时使用了什么数据、调用了什么工具、执行了什么操作？

这些问题，不是你把 Prompt 写得更长、更详细，就能彻底解决的。

你需要权限控制，需要高风险操作审批，需要��久化的任务状态，需要可观测性，需要审计日志，还需要明确的失败处理机制。

更重要的是，你不能把所有决策权都交给模型。

我觉得现在很多开发者对 Agent 的理解，存在一个特别危险的误区：总觉得 Agent 越自主、权限越大、能调用的工具越多，就代表系统越先进。

但在真实的企业环境里，很多时候恰恰相反。

Agent 能执行一个操作，不代表它应该被允许执行这个操作。

它能访问一个数据库，不代表它应该读取数据库中的所有数据。

它能自动调用付款 API，不代表它应该拥有不受限制的付款权限。

它能自主规划任务，不代表任何行动都可以绕开人工审批。

你需要把模型能够做什么、用户允许它做什么、系统最终批准它做什么，严格区分开来。

能力边界和权限边界，根本不是一回事。

这也是为什么我越来越觉得，未来 Agent 工程师真正需要���究的，不只是 Prompt Engineering，而是整个 Agent Runtime 和系统工程。

包括任务状态机、工具调用协���、上下文管理、模型路由、权限校验、异常恢复、可观测性和评测体系。

很多人天天研究哪个模型的 Benchmark 又提高了多少分，哪个 Agent 框架又拿了几万 Star，哪个 MCP Server 又新增了什么功能。

这些当然值得关注。但如果一个系统连最基本的执行过程都无法追踪，连任务失败后能否安全重试都不能保证，连工具调用的权限都没有隔离，那么模型再聪明，也很难让企业放心交给它真实的业务权限。

而且这里还有一个容易被忽略的问题。

Agent 系统的可靠性，不等于模型回答正确率。

模型回答正确，不代表任务执行成功。

工具调用成功，不代表业务状态一致。

工作流执行完毕，不代表业务结果符合预期。

甚至系统返回了 Success，也不代表这个任务真的完成了。

你必须建立能够检验真实业务结果的评测方式。

比如一个自动化任务，最终有没有正确修改数据库？有没有产生重复操作？有没有越过权限边界？有没有遗漏必要的审批��

这些才是企业真正关心的问题。

当然，也不能因为这张图包含十几个模块，就觉得开发任何 Agent 都必须把所有组件全部部署一遍。

一个简单的个人 Agent，可能根本不需要复杂的独立编排服务。

一个只有少量用户的内部工具，也没必要一开始就搭建庞大的分布式架构。

真正重要的是理解这些能力分别解决什么问题，再根据风险、规模和真实业务需求选择架构。

而不是为了看起来高级，把所有技术名词全部堆上去。

这也是我认为 AI 时代特别值得重视的一种工程能力：

不是你知道多少技术，而是你知道哪些问题必须解决，哪些复杂度根本没有必要引入。

未来模型一定会越来越强。Agent 生成代码、调用工具、操作电脑、处理复杂任务的能力，也会不断提高。

但能力越强，系统越需要明确的权限边界和责任机制。

否则我们得到的不是一个真��可靠的 AI 员工，而是一个拥有大量操作权限、行为却难以控制和追踪的自动化系统。

我越来越相信，Agent 的下一阶段，真正的竞争不只是模型智能水平，而是如何把越来越强的模型能力，约束进一个可控、可观测、可恢复、可审计的工程系统。

这也是 FDE 和企业 AI 工程师应该认真补齐的能力。

因为企业购买的不是几段 Prompt，不是某个 Agent 框架，也不是一个会自己调用工具的聊天机器人。

它真正需要的是能够解决业务问题，并且可以持续运营、管理和维护的系统。

所以别再把接入 MCP 当成 Agent 架构，把增加工具数量当成系统能力，把自主执行当成工程成熟度了。

真正成熟的 Agent，不仅要知道下一步应该做什么。

还必须知道自己有没有权限做、什么时候应该停止、什么操作必须交给人审批，以及执行失败之后怎样安全恢复。

未来 Agent 的技术壁垒，很大一部分就在这里。

模型可以越来越聪明，工具可以越来越丰富。

但如果有一天，你真的准备把企业数据库、客户资料、���务审批甚至资金操作权限交给 Agent，你首先应该问的绝对不是：这个模型的推理能力有多强？

而是：如果它做错了一件事，我能不能在造成更大��失之前发现、阻止，并且追溯整个过程？

这才是真正值得研究的 Agent 系统架构。

[Denis @cop_on_fire]

I'm proud I worked at @NVIDIA.
@JensenHuang is the biggest reason why. I'm not there anymore, so I can speak freely.

His departure is a huge loss. Especially now.

I spent almost five years in the culture he built and knew people who'd worked with him for 20+ years. They respected him technically and loved him as a person. They said it without a hint of doubt.

The focus stayed on the mission and on people. Good ideas got support regardless of title.
That sounds like standard company values. It wasn't. Behind it was his vision and a way of leading that is out of fashion in today's founder advice:
- Be kind, not arrogant.
- Innovation, not marketing.
- The wins belong to the people, not the CEO.
- Don't fire by default. Find the person a new role.

It's counterintuitive, and I doubt there is a harder way to lead. What I saw was leadership through kindness and care, not by squeezing people.

A real visionary. He understood the technology and the people building it. His internal talks had vision, conviction, technical depth and jokes good enough for stand-up. You left wanting to build, and you couldn't wait for the next one.

An affair, on its own, shouldn't outweigh decades of leadership. The serious questions deserve real answers. But the soap opera shouldn't decide his future.

We're at a critical moment for AI. His technical judgment, vision, and commitment to the work are incredibly hard to replace.

I want Jensen to keep building and leading. There's too much important work ahead.

[Bryan Catanzaro @ctnzr]

I'm terribly sad @JensenHuang is no longer leading @nvidia.

Thank you Jensen. For the tireless work, for the focus, for the wisdom, for the support, for the vision, for the chance you gave me to do my life's work @nvidia.

We will do our best to push this work forward.

[RRRRRRRY @R3YYY_evio]

📣📣号外号外stepfun薄肌组招人🐵
阶跃星辰stepfun直招|大模型系统研究intern
至今基础模型能力仍需要构建，stepfun一直在努力，

我们是一支专注于前沿 AI Infrastructure 技术探索的团队，致力于突破大模型训练与推理系统的性能边界。

我们关注的不只是如何让现有系统运行得更快，更希望从模型结构、算法设计、计算框架到硬件架构，探索下一代高性能 AI 系统的技术方向。

我们希望寻找对 AI Systems 充满热情、喜欢深入思考且具备较强自主探索能力的同学，一起挑战有难度、有价值的技术问题。

说人话：招推理&&RL框架 infra

PS：海报我瞎做的powered by Gemini4 & Tasted by R3YYY

简历投递：[email protected]

[Liangchen Luo @LiangchenLuo]

This country doesn't deserve Jensen

[高运通 @Stargridcompass]

刚从 Anthropic 跳槽 OpenAI 的 Claude Code 产品负责人 Cat Wu，一入职就喜提“封号女王”的称号。😂

她的职业晋升速度也堪比坐火箭。

从工程师到投资人，再到顶级 AI 产品负责人，技术、资本、产品全干过。

[Jason Zhu @GoSailGlobal]

youtube高清：https://t.co/e2rk3OenGS

[美研芒格君 @Kay2289123]

AI 算力到底是建多了，还是不够用？我坚定认为，在当前时间，AI不可能、也绝对不是泡沫，2028 年算力都已经售罄。我在硅谷所见之处都是缺算力，目前没有看到泡沫迹象

有些网友说这些高强度用 AI 的人生活在 AI 的 bubble 里，看不到全部的世界，老百姓用 AI 的很少。真的是这样吗？

谷歌 CEO Sundar Pichai 的两个回答：
问：亚马逊算力已卖到 2028 年。谷歌也一样吗？

Sundar Pichai: “现在客户来要 2027 年的算力，已经很难满足。去年我们还租了短期算力来服务部分客户。

问：AI 会不会像铁路、光纤一样，出现过度建设？

Sundar Pichai: “现在算力每天都不够用，应用和底层技��还在快速进步。长期看，这样的建设规模有道理。

但过度建设仍可能发生，局部短缺与过剩也能并存。我们会结合需求、合同承诺和技术能力决定投入。给足时间，我相信规划的算力会用得上。”

[Lil @AITechCon]

这个蛮好的

[AIGCLINK @aigclink]

有人开源了小学全学科知识图谱：os-taxonomy，数据涵盖1590个知识点、3221条依赖关系

可以拿来做AI家教或者RAG外挂，也有人把它包成MCP，让Agent直接查询“学这个之前要掌握什么”、“到这个目标的最近路径”

我认为值得关注的地方是：它把知识之间的先后依赖关系显式化了，AI不只能回答孩子眼前的问题，还可以结合测评结果识别可能缺失的前置知识，来规划下一步应该学什么

比如说，孩子要理解水为什么会沸腾，就需要先理解温度、热量以及水的状态变化

那知识图谱能把这些前置知识与后续概念连接起来，让学习不再只是孤立的硬记课本内容

它解决了教育的三个关键问题：
学什么？ 把��散的课程内容拆成结构化知识单元
先学什么？ 显式标记知识之间的依赖关系

怎么学？ 为AI辅导、知识缺口诊断、个性化学习路径提供结构化基础

他们自家也基于这个图谱，做了一个孩子可以交互实验式学习的产品

图谱目前覆盖了科学、数学、英语等8个学科，对齐的是美英课标，NGSS/Common Core/英国国家课程

#AI教育 #教材知识图谱 #AI小学教育

[Lil @AITechCon]

2B 的 AI 转型是一把手工程

[Ethan 恩�� @UPing123zzz]

这句话真的太有感触了。

自己这几个月一直在接触企业 AI 落地，越来越发现一个问题：很多企业真正缺的，可能根本不是 AI 技术，而是对 AI 到底能做什么、不能做什么，以及该怎么创造价值的基本认知。

现在很多老板一听到 Agent、RAG、工作流、自动化，就觉得 AI ��经无所不能了。今天看到别人做了一个智能客服，明天就想让自己的公司也搞一套；后天看到别人用 Agent 自动处理业务，又想把整个公司的流程全部自动化。

但你真让他坐下来，把业务需求说清楚，把现有流程梳理一遍，把数据来源、人员职责、验收标准确定下来，可能连第一步都推进不下去。

更有意思的是，有些企业嘴上说要拥抱 AI，但实际上根本没有做好改变原有工作方式的准备。老板希望 AI 降本增效，员工担心 AI 取代自己，技术人员拼命研究框架，业务人员又不愿意配合调整流程。所有人都在谈 AI，但所有人理解的 AI 根本不是同一个东西。

最后就出现一个特别荒诞的现象：花了不少钱，买了不少工具，做了不少 Demo，开了无数次会议，项目看起来一直在推进，但真正进入生产环境以后，还是没人愿意用。

当然，数据、技术、预算、权限这些问题都是真实存在的，并不是认知到位就能自动解决。

但我越来越觉得，企业 AI 落地的第一步，甚至不是开发，而是先让决策者、业务人员和技术人员对齐认知。

到底要解决什么问题？为什么需要 AI？能节省多少成本？谁来使用？出现错误谁来负责？什么样的结果才算真正交付？

这些问题都没搞明白，上来就研究什么多智能体、什么最新框架，意义真的不大。

所以我现在越来越理解，为什么真正的 FDE 不只是一个写代码的工程师。他还得懂需求、懂业务、懂沟通，甚至要帮客户重新理解自己的业务流程。

AI 能不能做出来，是技术问题。AI 值不值得做、应该怎么做、做出来以后有没有人用，才是企业真正需要解决的问题。

未来企业之间的 AI 差距，可能��仅是技术差距，更是认知差距和组织执行能力的差距。

[司徒K @situking]

前几天发了全球 AI 博主 百 人榜单，很多人问：中文圈有没有一份？
这次我深度调研了几百个中文 X 博主，逐个核对作品。

原本只想留 100 人，但大家实在太优秀了，最后还是留下了 120 人。

覆盖 AI、开源、出海、开发和投资等方向。建议先收藏，再按需要慢慢关注。 https://t.co/tNP6hFFVcD

[Lil @AITechCon]

招聘需求很完整

[做 FDE 的智昊 @cnzhihao]

这是一家公司的招聘信息。

基本上把海外上站的要求都写完了，很好，可以看看。

去他那干活就不必了，你要是这些能力都掌握了，自己在家搞搞一个月几千刀还是问题不大的。

[Miao Yang @WaterrrMiao]

复刻小Lin说 1 分钟，现在谁都能做。
做满 10 分钟、还是那个味道，是另一回事🤥

Opus 5.5 之后，code to video 到了新的高度。
复刻一个片段 → 完整复刻 10 分钟 → 创作新的 10 分钟。
@HyperFrames_ editor 已经在第三步了：「一口气了解泰国经济」，9 分 34 秒，一集她没讲过的题目。

最近 reverse engineering 很火，刷屏的小Lin说复刻帖我都看了。大多数复刻的是一段 1–2 分钟的 motion graphics：形似，但简单、廉价。小Lin的动效细节是满的，动作、编排、前后的连续性，全都和口播文案咬在一起。这不是复刻一分钟的片子能做出来的。

素材可以照着复刻。但如果从 0 开始呢？如果要一集接一集地做呢？
- 素材去哪找
- 每句话配什么画面，怎么卡着文案进出
- 文案怎么写才是小Lin味，而不是别的博主，或者流水线式的讲解
- 数字人和声音怎么撑满 10 分钟：语序、语调、停顿都要对
- 音效怎么提取、归类，用在对的地方
- 背景音乐在哪起、在哪停
到这一步，agent 就一头雾水���。

@HyperFrames_ editor 把这些都解决了：
- 把她拆成一套模板：怎么写、怎么剪、怎么动
- 动效逐帧对齐，1:1 重建
- 音效和音乐跟着口播卡点
- HeyGen 数字人 + 专业级声音克隆

下面泰国这集就是这么来的：同一套模板，换个题目就是新的一集。
HyperFrames editor 做的不是复刻小Lin说，是一个能无限往下做的「一口气了解 XXX」系列。https://t.co/3BsSfDzpoP

（视频中的主持人形象和声音均为 AI 生成，非小Lin本人，仅作技术演示）

[Lil @AITechCon]

关注起来，感谢分享

[司徒K @situking]

前几天发了全球 AI 博主 百 人榜单，很多人问：中文圈有没有一份？
这次我深度调研了几百个中文 X 博主，逐个核对作品。

原本只想留 100 人，但大家实在太优秀了，最后还是留下了 120 人。

覆盖 AI、开源、出海、开发和投资等方向。建议先收藏，再按需要慢慢关注。 https://t.co/tNP6hFFVcD

[Lil @AITechCon]

比较互联网泡沫和 AI 泡沫的最根本的差别是速度，AI 的追赶速度可能快过于泡沫速度

[AYi @AYi_AInotes]

硅谷顶级教父 Ben Horowitz 刚翻出了一段尘封二十多年的血泪史，喵个咪这���历史足以把今天所有把算力当成印钞机的人看出一身冷汗，

这大概是目前全网关于 AI 基础设施最透彻、也最反直觉的一篇商业复盘，强力推荐！！

1999 年他创办 Loudcloud 时，全网带宽每兆位高达 1500 美元而且有钱都买不到，他们被迫签了三年高价长约，结果仅仅两年后，带宽暴跌到了 50 美元，那些借钱囤带宽的公司一夜之间全被周期压得粉身碎骨。
二十五年后的今天，全行业的算力新贵们看似正在经历相反的狂欢，但背后那个致命的套利陷阱其实从来没有消失过。
最值得玩味的反差，正发生在我们眼皮底下。
现在的 AI 市场呈现出一种极度撕裂的冰火两重天：在应用层，各大���型的调用价格为了抢夺市场已经降到了当年的零头，每一百万个 Token 的价格都在疯狂跳水；但在物理基础设施层，高算力显卡的价格依然居高不下，数据中心的地皮、机房的电力指标，甚至连能去工地搭机房的熟练工人都在全面涨价。
表面上看，现在的算力云厂商赶上了好时候，因为供给短缺依然严重，他们还能享受到极高的租金溢价；但只要把时间拉长，这种依靠上游垄断和下游饥饿建立起来的套利空间，本质上极其脆弱。
在物理世界里，你借来的债务利息是刚性的，签下的机房租约是刚性的；但在数字世界里，技术迭代和降价的刀刃一旦落下来，从来都不会提前和你打招呼。
这就是商业历史上最残酷的一条铁律：
卖铲子的人并不总是赢家，如果你是在铲子最贵的时候借巨资去囤货，只要风向稍微一变，最先被埋葬的反而是中间那个转手铲子的人。
当所有人都以为物理短缺永远不会结束的时候，往往正是风险在暗处悄悄蓄水的时候。
大家觉得目前这波看似永无止境的算力短缺，未来三年内最可能因为什么原因突然迎来拐点？我先说，当更小、更精简的端侧小模型性能彻底追上大模型的时候，全网对云端千卡万卡集群的盲目崇拜很可能会在几个月内迅速退烧。

[AI Will @FinanceYF5]

硅谷 AI 真正可怕的，可能不是公司多，而是它们离得太近。

Berkeley 周边 20km 内有 21 家，Stanford 周边有 26 家。OpenAI、Anthropic、xAI、Meta、Google DeepMind、NVIDIA，以及上下游核心公司，几乎都挤在同一条湾区走廊。

人才、资本、大学和产业每天都在面对面碰撞

[Lil @AITechCon]

发人深省

[Alejo @ecommartinez]

Un investigador de Anthropic acaba de decirle a una sala llena de doctorandos que su plan de carrera ya no existe.

La charla se titula "El fin del Antropoceno" y los datos son brutales:

→ El cómputo para entrenar modelos se multiplicó por 10 millones en la última década
→ La duración de las tareas que una IA completa sola se duplica cada pocos meses
→ Desde hace 7 meses los modelos resuelven problemas abiertos de Erdős que los matemáticos no habían logrado cerrar
→ En San Francisco, tener "timelines largos" significa pensar que la AGI llega en 10 años

Su proyección: el cómputo de 2030 será 10.000 veces mayor que el de 2025.

Todavía estamos al principio de la exponencial.

Sus 3 consejos para los estudiantes:

1. Usa la IA cada día. Si estás sobre la exponencial, nunca te quedas atrás de ella.
2. Elige proyectos que mejoren cuando el cómputo escala. El resto quedará resuelto antes de que los termines.
3. Deja de planificar tu carrera como si fuera estable. La opción segura ya no compra seguridad, ya no existe.

Y una frase que resume todo:

"Escribir es pensar. Si externalizas tu escritura, externalizas tu pensamiento."

La charla completa aquí ⬇️

[Grok Bot @bot]

Grok Bot can now search, read, and monitor X.

[Lil @AITechCon]

听起来有些还是有道理的

[拾习生.X @interr_x]

没想到孙哥表达欲这么强，嘎嘎输出观点，而且不知道是不是剪辑的原因，完全没看出累或者不想说的感觉，结尾整理了20点年轻人建议。

孙宇晨这期访谈里有四个观点，我个人觉得挺有意思：全面 AI 化、不要过早买房买车结婚、人生要「逐水草而居」、先自由后财富。

他认为，无论有多少钱，都应该先把学习、工作、生活全面 AI 化，一部手机就能开始；

年轻人不要过早被房子、车子和婚姻绑定，否则 OpenAI 突然给你一个去旧金山工作的机会，可能因为家庭和地域限制而错过；

所谓「逐水草而居」，就是哪里能发挥最大的价值、获得更高的回报，就去哪里。而他对财富自由的理解恰好与此呼应：

不是先有钱才能自由，而是先获得认知和选择上的自由，财富才可能成为伴生品。 自由让人更容易抓住机会，财富又反过来增强自由。

1. 零成本把自己全面 AI 化｜09:54

没电脑就用手机，没钱就用免费模型。

把学习、健身、日程、工作流程等信息整理成 Markdown 文档，让 AI 参与管理。不要被单一模型绑定，可以通过 API 接入不同模型。

2. 先建立三套底层认知｜12:07

孙学：升级对金钱、财富自由和世界的理解。
薄肌理论：通过力量训练改善身体管理。
黄毛理论：不被外界评价左右，坚持自己经过判断认可的方向。

他认为这三件事都可以低成本开始。

3. 20 岁一无所有，先积累 2～4 个月个人数据｜17:17

收集健康、学习、能力、生活习惯和当前处境等信息，全部数字化。

交给 Claude、OpenAI、国产模型等多个 AI 分析，寻找职业方向、商业机会及赚钱路径。

不要只问一个模型，交叉比较结果。

4. 持续追踪科技前沿｜19:00

每天关注技术变化，可以自己看 X，也可以让 AI 自动抓取信息。

从中选择最感兴趣、最擅长的一个领域深入研究。

不要试图成为所有领域的专家。

5. 像训练 AI 一样训练自己｜20:31

根据每天收集的数据持续调整方向、行动和习惯。

不追求一次决策正确，而是不断获取反馈、更新策略。

6. 不会就问 AI，进一步学会 API｜23:39

从微信聊天转向与 AI 对话，再从单一聊天工具升级到 API。

文件保存在本地，通过不同模型读取和分析。

不懂 Markdown、API 怎么操作，先问 AI。

7. 年轻人可以提前参与前沿科研｜28:44

他认为 AI 正在降低数学研究的门槛。

过去需要依赖名校、导师和多年学术训练才能接触的研究思路，现在高中生也可能借助 AI 提前学习和探索。

不要被年龄、学历和传统学术路径限制。

8. 全球寻找商机，不要只盯着本地｜34:00

把尼日利亚、土耳其、阿根廷等国家的消费者都视为潜在客户。

不懂当地语言，可以学习，也可以借助 AI 翻译。

寻找全球市场的信息差、价格差和未被满足的需求。

9. 不要让 4 亿中国年轻人只在国内互卷｜37:30

中国拥有强大的工业产能，即使做传统贸易，也有机会把中国商品卖向世界。

他的思路是：为全球约 80 亿人提供产品和服务，而不是只在国内争夺存量市场。

10. 买房、买车、选专业前，先看 100 个选项｜39:50

想买房，先看 100 套房；想买车，先研究 100 辆车。

不知道大学选什么专业，就让 AI 分析 100 个专业未来 10 年的就业前景。

他认为年轻人最容易犯的错误，是信息不足就仓促决策。

11. AI 就是《红警》《星际争霸》里的开全图｜43:30

打游戏时，先侦察地图、确定资源和对手位置，再决定造什么兵。

人生同理。

先用 AI 获取足够的信息，再决定职业、投资和商业方向。

12. 重点关注六类 AI 机会｜47:00

数学及数据驱动科研、天文学、生物制药、基因分析与健康管理、保险金融、Crypto 与 AI 支付。

另外，他特别提到 AI 数据清洗和数据标注，不要小看这些基础业务。

13. 20～40 岁，尽早进行力量训练｜53:30

他把肌肉看作身体的长期储备，��为越早开始身体管理越有价值。

强调身体健康、肌肉储备和心肺能力，而不是单纯为了外形。

这是他的健康管理观点，不能理解为健身能够保证长寿或避免疾病。

14. 人生要「逐水草而居」｜01:22:40

哪里能发挥最大价值，就去哪里。

不必永远留在同一个城市、国家或行业。

他把收入和市场需求作为评估自身价值的重要参考指标。

15. 年轻时尽量不要过早被房、车、婚姻锁定｜01:26:50

孙宇晨举例：一个人如果已经在家乡买房、结婚，即使突然拿到硅谷公司的工作机会，也可能因为家庭和地理位置限制而无法接受。

他的建议是尽量保留职业与地理上的流动性。

16. 看到新技术，先尝试、先学习｜01:59:35

他回忆自己早期接触 iPhone、特斯拉时的经历。

认为不一定要进入一家科技公司工作，也可以通过学习、使用产品或投资等方式参与技术变革��

即使自己的观点暂时不被多数人认可，只要逻辑判断充分，也不必立即放弃。

17. 大胆做自媒体，建立个人 IP｜02:02:19

他认为现在是个人创作者的机会期。

以 Joe Rogan 为例，一个人长期经营播客，也可能建立能够与大型传统媒体竞争的影响力。

内容创作不一定需要传统媒体机构的资源。

18. 先升级认知，再追求财富｜02:42:50、03:02:00

他认为财富自由的顺序不是先有钱再自由，而是先获得某种自由状态，财富才可能随之出现。

还建议用假设自己突然获得 3000 万元的方式，思考能否管理这笔财富。

如果连如何使用和保存财富都没有清晰认知，就应该先学习。

19. 感情问题不要试图用钱解决｜03:05:50

他认为金钱更像关系的放大器，而不是爱情本身。

有钱不代表能让原本不爱你的人爱上你。

在感情中，即使事业上很成功的人也可能「当局者迷」。

20. 少消费，多创造；先体验，再判断｜03:17:45、04:11:50

他以上太空为例：没有亲自体���，就很难知道一件事情真正的价值。

不必做任何事之前都先确定终极意义。

相较于单纯消费和享受，他更倾向于把时间投入创造、探索和实际行动。

[Jealousy 尼卡 @eastweb3eth]

量化大脑

这个库要不要分享出来，我是真的做过一番思想斗争。因为……太好用了。人都是自私的，但最后还是理智战胜了私欲。不相信的话，自己去试试就知道了。

量化大脑开源版是一套面向个人开发者和投研团队的 AI 原生多市场量化交易平台。它把微软 Qlib、RD-Agent 因子演化、TradingAgents 多智能体投研这些东西直接整合到了一起，从 300+ 维因子挖掘、13 种机器学习/深度学习模型、Optuna 自动调参、Qlib 高性能回测、截面批量推理，一直做到 7×24 小时舆情情绪分析、通达信联动、预警雷达、模拟实盘交易。

简单说，就是从找因子 → 训练模型 → 回测 → 推理 → 舆情 → 预警 → 交易，基本给你串成了一条完整链路。

而且支持 A 股，港股、美股、期货、区块链。

仓库地址：
https://t.co/uc4AZ3jI78
官网：
https://t.co/umThIk1QQW

这个库上线没多久就已经 500+ Star 了。但有意思的是，我在推特上几乎没见什么人推荐。所以我合理怀疑：不是没人发现，而是发现的人都默默自己用了🤣

我是尼卡，平时会持续分享 AI、美股、Web3 相关有用又有趣的工具和项目，感兴趣的话欢迎关注，下次见～