海女Haenyeo

关注了jason，他回消息的��候我刚好在线，看到了。内心感慨，随后全网都在感叹被利用、被诈骗、甚至是假账号。——但这哥们儿，能契而不舍的在乞讨诈骗两年……说明人家真的是当成事业在做，甚至第一时间马上就有人改名字发地址了，反向吃人血馒头。而我只是在感慨，甚至我的正事也没好好做下去。还需要学习，不论是从好人还是坏人身上。去看别人好的地方，而不是感慨自己比他们好。

MJJ百科

@mjjwiki

8 days ago

看到大家都在讨论A9大佬 @Jason60704294 给网络乞丐 @Help35710585 诈骗了7万美元（大概47万人民币），很是感概。首先，大佬是真有钱，也真的心善，可惜遇到了惯犯。推特X平台有很多大学生和高中生，作为从农村走出来的我知道他们的不容易和努力上进，我尽量写一些干货教程免费教他们挣点生活费。互助共享的MJJ精神是当年落伍者论坛那些大佬发起的，天涯论坛也在传播，本质是改善国人劣根性问题，我目前是跟随者和践行者。如果大家都这样，那么这个社会就会加速发展，也会变得更加和谐，大家也会真正共同进步。我为人人，人人为我！不管这个世界再怎么破破烂烂，总有人在缝缝补补！我也希望遇到这样的大佬支持我，不说7万美元，资助一台Iphone 18 Pro就可以助力我写更多的IOS教程了。

mjjwiki's tweet photo. 看到大家都在讨论A9大佬 @Jason60704294 给网络乞丐 @Help35710585 诈骗了7万美元（大概47万人民币），很是感概。首先，大佬是真有钱，也真的心善，可惜遇到了惯犯。

推特X平台有很多大学生和高中生，作为从农村走出来的我知道他们的不容易和努力上进，我尽量写一些干货教程免费教他们挣点生活费。

互助共享的MJJ精神是当年落伍者论坛那些大佬发起的，天涯论坛也在传播，本质是改善国人劣根性问题，我目前是跟随者和践行者。如果大家都这样，那么这个社会就会加速发展，也会变得更加和谐，大家也会真正共同进步。

我为人人，人人为我！不管这个世界再怎么破破烂烂，总有人在缝缝补补！

我也希望遇到这样的大佬支持我，不说7万美元，资助一台Iphone 18 Pro就可以助力我写更多的IOS教程了。

海女Haenyeo

@HaenyeoZ

12 days ago

每次打开 GPT 远程，看着界面转圈，都会忍不住感慨一遍路由：人在中国的手机 → 过一遍 VPN → 飞到某个海外 IP → 打到 OpenAI 官方服务器 → 再绕回这台��着 VPN 的电脑。地球对面聊个天，“光通信”居然还能把延迟压到能忍，必须上车🤣

海女Haenyeo

@HaenyeoZ

13 days ago

@mjjwiki 我觉得你现在这个挺好的呀，只是还需要一些时间，加油

海女Haenyeo

@HaenyeoZ

13 days ago

@mjjwiki 如果要想把这个做主营的场景的话，还是得去找流量的打法。

海女Haenyeo

@HaenyeoZ

13 days ago

@mjjwiki 对，所以这个也正是自己还在想的原因，如果跳舒适圈那自己不一定做得好，如果继续做这个方向，那推特可能本身也不支持我的内容。

海女Haenyeo

@HaenyeoZ

13 days ago

每次看到tia的推文都是学习

提阿非羅TiaBTC

@tiabitcoin

13 days ago

小孩問：AI 那麼聰明，我們為什麼還要學習？學習的意義是什麼？我拿最近的例子講：一個沒學過攝影的人，拿到一台相機，想學拍視頻，就會問 AI：怎麼拍好看？ AI 不知道你是新手還是老手，就會先給最通用的答案：開自動模式就好。實際上，那種傻瓜模式拍出來的，根本不行。但如果你學過攝影，哪怕略懂一點皮毛，問法就截然不同了。你會問：要用什麼色彩空間？哪種 Log？套什麼 LUT？白平衡怎麼設？快門開角多少最好？要不要加 ND 減光鏡？這時 AI 就當你是個很有經驗的攝影師，答案立刻具體、專業，不再是打發初學者的那一套。一點知識，哪怕是百科式的皮毛，加上 AI，結果就很不一樣。再比如說，音樂。我對音樂一竅不通，如果讓 AI 寫曲子，我只會說：幫我寫一首好聽的鋼琴曲。這是我唯一能對 AI 說的。它能給我的，大概也就是一首打發普通人的曲子。就算它給我一首好曲子，我也聽不出好在哪，更說不出哪裡還能更好。但如果我懂音樂，問法就不一樣了：什麼節拍、什麼風格、像蕭邦還是莫札特、要什麼情緒，我會一樣樣說清楚。同樣的 AI，懂音樂的人來用，做出來的東西好得多。不只攝影和音樂，事事如此。AI 能幫到最深的，是本來知識就更豐富的人。這就是 AI 時代的馬太效應：你聰明，AI 讓你更聰明；你笨，AI 也只是陪你把笨路走到底。說到底，不是聰明不聰明的事。你肯學，AI 就幫你往深處走；你不肯學，再強的 AI，你也只會拿來處理最淺的問題。 AI 能為你解最頂尖的數學難題，但前提是，你腦中先有那些難題。你連基礎數學都沒有，AI 最多幫你算算賬而已。 AI 本可以是世上最頂級的佛學大師，但你毫無底子，它只能給你幾句心靈��湯。你若略知一二，它就不遜於當今的高僧大德，你也無需遍訪山林。 AI 是個放大器。你腦中得先有東西。有東西，它就替你放大。腦中空空，再高倍的放大器，放大出來的也還是空。所以，在 AI 時代，還是要學習。甚至，還更要學習。 https://t.co/grEMVGqf4H

127

14K

海女Haenyeo

@HaenyeoZ

13 days ago

我认为你说的这个方向是对的，但他只针对于收益企业而言，对于FDE来讲，还是应该寻找可持续有长尾机会商业模式

Russell

@Russell3402

14 days ago

我一直不太看好现在市场上大多数所谓的 FDE 准确一点说，我不看好的是现在大家正在形成的这套 FDE 范式它太技术导向了（可能是大厂技术裁员过多导致）很多公司理解的 FDE，大概就是：企业有一个问题，我派几个很强的工程师进去，理解需求、写代码、调模型、做 Agent，最后给客户交付一个能跑起来的东西。稍微高级一点，再加一层“咨询”：先访谈业务，找痛点，判断哪些场景值得 AI 化，然后再做方案、做产品。 ��些事情当然都有价值，也能挣钱。但我一直觉得，这条路很容易走成一种“高级外包”。客户买的是你的人，是你的工程能力，是你的项目交付。项目结束，价值也差不多结束了。下一家客户来了，你再重新诊断一遍、开发一遍、交付一遍。人越多，收入越高，项目越多，组织越重。最后你会发现，嘴上讲的是 AI Native，商业模式却还是几十年前咨询公司和软件外包公司的商业模式。这也是我觉得现在很多 FDE 公司没有想明白的地方： AI 时代真正稀缺的东西，可能已经慢慢不再是“谁能帮企业写出一个 AI 应用”。模型会越来越强，coding 会越来越便宜，Agent 构建门槛也会继续下降。今天一个很厉害的 FDE 花两周做出来的东西，两年之后，也许业务人员自己两天就做出来了。如果你的核心壁垒建立在“我比客户更会写 AI 应用”上，这个��垒其实是在不断贬值的。真正稀缺的是企业吸收 AI 的能力。一个组织能不能自己发现问题，自己判断什么问题适合 AI，自己快速做出东西，自己把 AI 塞进工作流，再根据结果继续迭代。这才是我真正关心的东西。所以我理想中的 FDE，进去企业以后第一件事情甚至不应该是疯狂 coding。他更像一个 AI 时代的“组织催化剂”。我进去，不只是为了替你的员工把事情做掉。我要让你的员工开始自己做。我要带着销售、运营、研发、供应链、客服这些真正干业务的人，把他们每天正在发生的工作重新拆一遍。哪些工作可以被 AI 重构？哪些流程已经没有存在的必要？哪些岗位未来会从“执行任务”变成“管理 Agent”？一个原来需要 10 个人协作的流程，今天有没有可能变成 2 个人加一堆 Agent？然后直接让这些业务人员参与构建。让��们自己用 Codex、Claude Code、Agent、��种 AI 工具（如果你有自己的工具当然更好），把自己的工作重新做一遍。这里最重要的结果，甚至不是我们最后帮企业做出了多少个应用。而是三个月之后，我们的人撤掉，这家公司还能不能继续自己长出新的 AI 应用。如果可以，这次 FDE 才真正产生了价值。我经常用一个非常粗暴、历史上也并不严谨的类比。今天很多企业做 AI，有点像当年的洋务运动。买机器、造军舰、学技术。放到今天，就是：采购 ChatGPT、采购 Copilot、买几个 Agent、请外面的人做几个 AI 项目，再给员工上一堂“如何使用 AI”的课。表面上什么都有了。底层的组织方式却完全没有变化。这种情况下，你给它装再先进的 AI，本质上也只是给旧组织装了一层外挂。所以我越来越觉得，AI 组织真正难的地方是组织本身。一个真正 AI Native 的公司，它的人才结构��管理半径、决策方式、软件使用方式、信息流动方式，甚至岗位本身都会和今天不一样。它不会只是“原来的公司 + AI”。它应该从 AI 的能力重新倒推公司应该怎么运转。从这个角度看，很多传统企业所谓的“AI 改造”，最后一定会撞到组织边界。改到一定程度，你会发现真正挡住 AI 的已经不是技术，而是旧流程、旧岗位、旧利益关系和旧管理方式。这时候继续堆 Agent 没什么意义。你必须开始动组织。所以我反而更看好一种更重的 FDE。 FDE 进入企业之后，一边解决真实业务问题，一边培养企业内部的人。不是上一堂两天的 AI 培训课，然后发证书结束。而是在真实业务里面一起干。你有一个销售流程，我们就现场重构销售流程。你有一个质量管理问题，我们就让质量团队自己参与构建。你有一个运营问题，我们就带着运营团队把第一个 Agent 做出来。员工最终获得的不��“学会一个 AI 工具”。而是形成一种新的工作方式：遇到问题以后，他第一反应开始变成—— 这个事情能不能让 AI 做？我能不能自己搭出来？能不能把这个流程自��化？能不能让 Agent 接管其中 70%？我觉得这件事情一旦发生，企业才真正开始 AI 化。而且从商业上看，这种模式其实比纯外包性感得多。因为它是可以产生复利的。我的理想模型大概分三层。第一层，培训和入企共创。这是入口，也是现金流。企业愿意为员工 AI 能力提升买单，决策门槛也比直接卖几百万的软件低。但培训只是入口。第二层，在培训和真实业务共创的过程中，不断发现高频问题。今天一家制造企业出现这个需求，明天另外五家制造企业可能也会出现。第一次解决是项目。第二次解决开始形成模板。第五次开始形成组件。第二十次，它就应该变成产品。这才是 FDE 最重要的复利。每进入一家企业，我都在增加自己的 solution library。行业 know-how、Prompt、Agent workflow、eval、数据接口、权限方案、部署经��，都应该不断沉淀。下一次再进入同行业客户，我不应该重新从 0 开始。如果每个��目都从 0 开始，你做的就是外包。如果每个项目都让下一次交付更快、更标准、更便宜，你才是在做一家产品公司。第三层，是标准化产品。当我已经非常清楚企业真正需要什么以后，我再把自己的平台、Agent 底座、知识库、模型 Router、安全、权限、Metering 等标品卖进去。于是整个商业模型就变得很有意思：前端，培训和共创赚钱。中间，用 FDE 找需求、验证场景、沉淀解决方案。后端，标准产品和 token usage 持续赚钱。客户使用得越深，我越了解业务。我越了解业务，产品越好。产品越好，下一个客户交付成本越低。客户内部的人 AI 能力越强，他们自己创造出来的新需求反而越多。这才是一个真正能够滚起来的飞轮。所以我判断未来 FDE 最大的分水岭，会是：你到底在积累什么？有人做了三年 FDE，积累的是 100 个项目�� 100 个客户案例。但项目停下来以后，收入也停下来。另外一家公司做了三年 FDE，积累的是 1000 个 workflow、几十套行业 solution、成熟的平台能力、一群已经被教育好的客户，以��持续增长的模型调用量。表面上前三年两家公司可能赚的钱差不多。第四年以后会完全变成两个物种。所以我现在越来越不关心一个 FDE “能不能写出很厉害的 Agent”。这件事情当然重要，但它只是基本功。我更关心：他能不能改变一个组织使用 AI 的方式。能不能让客户自己具备构建能力。能不能从一线业务里抽象出共性。能不能把一次性交付变成 reusable solution。能不能最后把 solution 重新压回产品。真正好的 FDE，应该同时连接三个世界：客户的一线业务，企业内部的人和组织，以及自己公司的产品。客户现场不是交付终点。客户现场应该是产品研发的最前线。如果 FDE 每进入一家企业，只多赚了一笔项目费，这个模式的天花板很低。如果每进入一家企业，都让你的产品更强、solution 更多、客户组织能力更强、��来 token consumption 更高，那这个业务就完全不一样了。我觉得这才是 AI 时代真正值得做的 FDE。甚至严格来说，它可能已经不再是今天大家定义里的那个 FDE 了。它更像一个新的物种：一半是工程师，一半是组织变革者，一半是产品经理，还得有一点老师和创业者的能力。听起来加起来有三个“一半”。但可能 AI 时代本来就会需要这种奇怪的人。未来FDE的发展方向，必定不会是是“替企业做 AI 的人”。应该是那些能进入一家传统企业，然后让这家公司开始自己长出 AI 能力的人。

245

243

61K

海女Haenyeo

@HaenyeoZ

15 days ago

我觉得这个问题它可能存在还是心气上，因为已经拿到结果的人，你总是免不了会把这个小资金账户疏忽不放在心上，这是很正常的事情，一旦追求结果，就避免不了会想要追求快、高杠杆，那又有可能会与自己原本的交易思维有所冲突，就像乌鸦哥说的，即便是把它拆成按现实世界的规划来算，哪怕是10年时间，也要保证每年70%的年化收益。这是得多夸张的一个数字，但在加密货币的常规路径当中很少人认可这个数学路径。全都是追着1-100妄想暴富的人。

海女Haenyeo

@HaenyeoZ

15 days ago

@crows_btc 其实这个也没有办法，因为有时候想法你的想法，我们也不太好去点评，甚至交流，觉得没有跟你在一个level，哪怕是其他的顶级交易员也是一样。所以想法这方面流量就是要差一些。

海女Haenyeo

@HaenyeoZ

17 days ago

我在做一个给中小团队用的内部工具平台：用自然语言描述需求后，自动生成可运行的前后端代码、测试用例和部署脚本，并持续根据用户反馈迭代。现在最大的瓶颈是每次改需求都要自己写大量样板代码和回归测试。如果能用上 Devin Max + GPT-6 Astra，我想让它直接接手从需求到可上线版本的完整循环，先从我们团队内部的 3 个真实项目开始验证。