Hans

君子务本，本立而道生。
极客 | 半个产品 | 架构 | AI创业 | 跨境 | Web3

[鸟叔本鸟 @niaoshu]

申请注册开通...瑞士杜高斯贝银行，完整教程在这里，

一定要先看教程中的申请条件啊，不要自己盲目操作，因为一步错了，重新注册就很麻烦：https://t.co/uPAJziaoLj

[泊舟 @bozhou_ai]

Facebook 最近开源了一套在 Meta 内部用了 8 年的设计系统：Astryx。
这套系统撑起过公司内部 13000 多个应用，内置 150 多个可无障碍访问的组件。
还带品牌主题、暗色模式和现成模板，样式基于 StyleX，但用起来不用额外装样式库。 组件可以在任意层级拆开重组，需要更深定制时，还能把某个组件的完整源码导出到项目里自己接手。

GitHub：https://t.co/p3mBR3Mlli

主题只是一组 CSS 变量的覆盖，设计师改起来不用去 fork 或包一层组件源码。

文档、API 和 CLI 按同一套约定设计，人和 AI 助手看的是同一份参考。 适合想要一套开箱即用、又能自由改皮肤的设计系统的前端团队，尤其是也在用 AI 辅助写界面的场景。

[Y11 @seclink]

人形机器人相关开源 bom，

可以对标着类别看看，然后到 1688 去买...

https://t.co/sn2MkIPRlS

[Hans @HansChanX]

@WeiYipei 捷径就是没有捷径。但「没有捷径」这件事本身就是捷径——因为大部分人听了还是去找捷径了。
---------------------------------------------
大道甚夷，
而民好径。

[Hans @HansChanX]

@WeiYipei 喂饭级的

[生姜Iris @WeiYipei]

很多人问我冷启动怎么做。

其实最有效的方法——一分钱都不用花。

HeyGen 早期在 Fiverr 上开了一家"视频工作室"——用这个方式做了 1800 场用户访谈。

1800 场。

我帮 Lark 做东南亚市场的时候——马来西亚团队最早的 50 个客户，有 30 个来自 LinkedIn 私信。不是广告，不是 KOL，是每天手动发 20 条私信。

这不是没钱的人才做的事，是真正理解「PMF 怎么来的」才会做的事。

整理了 10 种不花钱获取早期用户的方法：

1. 自己的 Network。放下不好意思。先问你认识的人。
2. 私信竞品用户。Twitter/LinkedIn 关注者就是潜在用户。
3. LinkedIn 细分攻坚。找素人，不找大 V。大 V 收 100 条，素人收 1 条，回复率完全不同。
4. Reddit 关键词搜索。搜你解决的痛点词，去回复有价值的讨论。
5. HN Show HN。概率事件，上了就几百 Star。
6. Product Hunt。ROI 越来越低，新产品可以试。
7. Fiverr / Upwork。花小钱雇人做研究、找联系人。
8. 参加活动。Meetup、Hackathon，线上线下都算。
9. 互补产品合作。找用户重叠的项目互推，成本为零。
10. 冷邮件。要个性化，体现你读过他们内容。

组合 3-5 种。发了 10 条没回复——不是方法不对，是样本量太小。发 100 条，挑 5 个人深聊。

（捷径就是没有捷径。但「没有捷径」这件事本身就是捷径——因为大部分人听了还是去找捷径了。）

[小盖 @xiaogaifun]

字节对大厂 AI Coding 的反思，好真实。

字节技术副总裁洪定坤的分享，我来回看了好几遍，很有启发。

字节在 AI Coding 方面的实践还是很有代表性的，推荐所有做研发的同学都可以看看。应该会感同身受。

我看完记了一整页笔记，分享给大家。

我甚至觉得可以把这个分享理解为字节在 AI Coding 上的一些真实反思。

根据自己的理解，我把这个分享里对我有启发的几个判断展开来聊一聊。

其中会夹杂很多我自己的感触，想看原文的可以直接去找演讲全文。

反思一：AI 代码贡献率不该是 KPI

AI Coding 基本上都已经逐步进入了各个公司的生产流程。

很多人都在说自己的业务有 90% 的代码是 AI 生成的，乍一听，感觉很恐怖。

但其实，AI 对研发的提效没有外界想象的那么高。

洪定坤举了 TRAE 团队的例子。TRAE 本身就是做 AI 工具的，所以这个团队对 AI Coding 的采用非常积极。

过去半年里，他们有 94% 的代码都是 AI 贡献的。但人均需求吞吐率只提升了 60%，也就是之前的 1.6 倍。

这就有疑惑了，AI 写代码的速度至少是人的 10 倍以上，如果 90% 以上的代码都是 AI 产出的，效率至少应该提升 5 倍或者 10 倍吧？为什么只提高了 1.6 倍？

字节得出来的结论是，单一的指标，比如 AI 代码占比，根本没有办法代表真实的生产力。

如果把 AI 代码贡献率当成 KPI，结果就是大家都去优化 AI 的生成量，而不是优化交付能力。

看起来 AI 用了很多，但系统的效率并没有真正变好。

那为什么 90% 的代码都是 AI 写的，人效才提了 1.6 倍？一个很重要的原因是，写代码只是整个研发流程的一个环节。

写之前要理解需求、写 Spec，写完之后要验证功能、提交发布，这些环节如果还是传统方式，光把写代码加速了，整体效率提不上去。

洪定坤把字节在这方面的尝试叫做系统化的 AI Development，核心意思就是 AI 不能只管写代码，得让它进入更多的研发环节，整条链路都跑通，效率才能真正上来。

前两天出去的时候还跟别人争论这件事。现在还有不少公司在追踪员工到底用了多少 Token，说白了，这是在追踪过程。

更应该关注的是，用了这个工具之后，从结果层面去看，交付到底有没有变得更快、更可靠。

一个团队天天说自己 AI 工具用得贼溜，消耗了多少 Token，但没有什么有效的产出，那这到底是好事还是坏事。我觉得这是一个值得每个管理者思考的新问题。

反思二：功能正确≠工程可用

Vibe Coding 的理想状态是就像聊天一样，用自然语言表达自己的需求，最后做出来想要的产品。

如果哪里不对，再用自然语言和 AI 沟通，让它修改。这是过去一年 Vibe Coding 风靡的思路。

对于不太复杂的应用，这种方式完全没问题。我自己做的一些项目基本上就是这个流程跑下来的。

但只要是做生产级的软件，无论公司大小，流程肯定不是这样。

因为公司里必然有老代码，有一套约束。怎么复用已有的组件，安全和权限怎么处理，性能怎么保证，还有兼容性、可维护性。

正经写过工程代码的人都清楚，Vibe Coding 描述的那个状态是比较理想化的，更适合做小项目和验证想法。

真正的程序员虽然也在 Vibe Coding，但流程跟理想状态不一样。

字节内部做了一个实验来验证这个判断：三个模型，三个 Agent 框架，两两组合成 9 种方案，针对同一个需求，每组跑 100 次，总共 900 次。

结果发现，AI 在功能正确率上表现还不错，所有组合都超过了 80%，也就是说，AI 把功能写对的能力已经过了及格线。

但无论哪个组合，生成代码的工程质量都不太好。比如 UI 不对，没有复用组件，性能有问题，结构不符合规范。

这些问题大家在用 AI 写代码的时候应该都碰到过。

现在所有上了牌桌的 Coding 模型，都已经过了 Opus 4.6 这个级别的临界点，模型可以自主写代码了。

这个时候影响 AI Coding 成败的绝对不是裸模型，而是裸模型加上 Harness 的能力。

这个判断本身不算新鲜。

但我最受触动的是字节对 Harness 的理解。

他们的反思是，整个行业好像还是把 Harness 等同于 Agent 框架，诸如用 single agent 还是 multi agent，包含哪些角色，角色之间怎么配合。

这些当然重要，但字节在实践中发现，真正决定 AI Coding 能不能落地的，反而是更基础、更工程化的东西。

洪定坤把它叫做基建。

比如上下文工程有没有做好，架构的约束够不够清晰，团队的知识能不能有效沉淀下来，过去的技术债有没有梳理清楚。

这些看起来不那么性感的工作，反而直接影响 AI Coding 的效果。

实验数据也验证了这一点。同样的模型和框架组合，把这些基建结合进去之后，功能正确率直接从 80% 提升到了接近 90%，工程质量得分，也从之前 40 到 60 分的不及格水平，普遍提升到了 80 分左右。

基建做不好的话，可能的后果是，Vibe Coding 感觉快了，但实际整体可能更慢。工程的债，迟早得还。

反思三：代码门槛下降之后，团队怎么协同

洪定坤分享里有一个例子让我印象很深刻。

产品经理有个需求，发现还得等研发排期，就说那我自己来吧，用 AI 三下五除二就把功能给实现了。

确实这个功能不复杂。做完之后产品经理把代码给到研发，说我已经把代码写完了，现在你只需要帮忙把功能上线就行。

研发一看，不行。你这代码能跑，但不符合上线的规范，有权限问题、安全问题。

产品经理就很委屈，你们没时间做这个需求，现在我都做完了又不让上线。可研发看到的其实是代码质量的问题。

所以这里面就有一个需要所有人正视的事情，虽然代码的生成门槛虽然下降了，这并不代表系统的复杂度也下降了。

真实的业务系统里，代码要放到已有的架构里，要跟已有的模块配合，还要考虑各种各样的问题。

绝对不是谁写出来就能直接上线的。不然肯定会出问题。

怎么让不同角色的人用同一套工具和规范做出符合要求的代码，这是接下来大家需要去解决的。

字节的思路是在内部尝试工具化。比如把内部实践直接产品化，沉淀到 TRAE 里面，开放给所有人。

其实说白了就是工具化。

我看朋友圈有好多大佬也都在转这篇文章，应该还是有挺多共鸣的。

我感觉这一次分享多少也是一些拨乱反正吧。因为过去一段时间确实有很多听起来很离谱的言论，有些人会疯狂地炫耀自己使用了多少 Token，会认为这就代表着 AI Native......

强烈推荐大家看看原文。字节跳动的公众号就有。

[GOLD @Honcia13]

AI 写前端，真正卡住的地方不是代码。

而是 UI 太丑。

最近看到一个很猛的 GitHub 项目：

awesome-design-md。

有人把 Stripe、Linear、Figma、Ferrari 等顶级品牌的设计系统，整理成了 DESIGN.md 文件。

GitHub 已经 5.4 万+ Star。

DESIGN.md 可以理解成：

给 AI 编程工具看的 UI 设计说明书。

把这个 md 文件放进项目根目录，

AI 就能知道页面应该是什么风格。

里面通常包含：

• 配色方案
• 字体规范
• 组件样式
• 布局原则
• 响应式规则
• 设计语气
• 给 AI 的 prompt 指引
覆盖品牌非常多：
AI 工具：
Claude、ElevenLabs、Mistral、Replicate
开发工具：
Cursor、Vercel、Raycast、Warp
设计工具：

Figma、Framer、Webflow

金融 / Crypto：

Binance、Coinbase、Stripe

消费品牌：

Apple、Nike、Spotify、Tesla

用法很简单：

找到你想参考的品牌 DESIGN.md

复制到项目根目录

告诉 AI：“按这个设计风格生成页面”

以前做 UI：

找设计师 → 出设计稿 → 前端还原 → 反复修改。

现在很多轻量项目可以变成：

复制 DESIGN.md → AI 生成页面 → 人工微调。
这不是简单的提示词模板，
而是在把设计系统变成 AI 可以直接读取的工程文件。

项目地址：

https://t.co/XjG0lQuEXJ

一句话总结：

以后 AI 生成的页面好不好看，

很大程度取决于你给它什么样的 DESIGN.md。

[Hans @HansChanX]

@lixinbao_X 一天多条

[0x鸣人 @LuBtc888]

今日资本创始人徐新的干货分享，投资方法论！

认知可以用一个简单的公式来表示，她把这拆成了几份。

人赚不到认知以外的钱，这句话你真的听懂了吗？

[Barret李靖 @Barret_China]

LLM 每一轮迭代，都会让一批创业者丢掉生意。今天跟一位朋友聊，他说模型越强，他却越兴奋。

他是做硬件集成解决方案的，前十年在工厂摸爬滚打，2023 年 AI 爆发后开始跟着 waytoagi 社区沉浸式学习，将 AI 能力转换成生产力，然后将经验复制到工厂生产场景，写 prompt，建 workflow，也捏 agent，认识了很多工厂老板。

两年下来，最大的感受是，再好用的提示词和工作流，都会随着大模型能力的提升成为历史的遗迹。这也一度让他产生焦虑。

今年年初，他把投入的方向做了一些调整。Coding agent 的能力跃迁，让 AI 可以做好大量繁琐工作的拆解了，例如可以把工厂的需求拆解成更具体的电路问题和软件设计问题，将复杂的电路集成问题拆解成可单元化合成的简单问题。凭借着对硬件领域的认知和人脉关系，他开始从咨询顾问转型为硬件集成方，除了做方案供给，也把软硬件实现环节给承接了下来。

在能力打磨阶段，一方面承接市场各类个性化定制需求，一对一客服，另一方面线下跑工厂，帮助工厂完成 AI 转型和升级。过程中，把对 AI 的理解附加到硬件产品上，又把对硬件的理解融入到AI 的交互体验中，逐步积累了深厚的技术壁垒和认知壁垒。

过去半年，他几乎每天只睡四个小时。为了解决某个硬件集成或设计问题，会去了解每个元件的工作原理，做好参数调试，以及供应商对比，在实战中沉淀和优化了丰富的元件知识库，也与大量硬件供应商建立信任关系，很快就逐渐形成了自己的集成方案优势、价格优势和服务体验优势。

他说这些都是脏活苦活累活，很多人不愿意下场，愿意下场的人又不懂 AI，也就没办法将沉淀的知识转换成有效生产力。

在做生意方面，也是务实的风格。遇到了好的硬件想法和创意，他并没有直接下场实现，而是把利润让给合适工厂，跟工厂一起打磨更顺畅的合作模式，同时也为自己建设更全面的硬件调试能力，以此来构建更持久、更健康的生态合作环境。

跟这个朋友的沟通，让我感受到，1）无论是数字时代还是智能时代，都需要下苦功夫，没有捷径可走；2）行业 know-how 就是最强护城河，充分发挥自己的领域优势，结合 AI 把人解决起来最难、最痛苦的问题搞定，前面就是曙光；3）做生意，三分利七分情，生态好了，自己才会更好。

[Hans @HansChanX]

@yeshadoo 我也发个邀请：https://t.co/0hteza7kho

[Hans @HansChanX]

@Macaron0fficial 我正在智谱大模型开放平台 https://t.co/KHTQEtI1jj上打造AI应用，智谱新一代旗舰模型GLM-5已上线， 在推理、代码、智能体综合能力达到开源模型 SOTA 水平，期待和你一起在BigModel上畅享卓越模型能力；链接：https://t.co/0hteza7kho

[Hans @HansChanX]

@blackindar37249 现在也没货了

[Hans @HansChanX]

@Stanleysobest 站在门外的人永远低估事情做起来的难度，靠听只言片语，或者身边偶尔有一个人做得还可以的低概率事件，把它认为是普遍化的事情。

不具备任何参考意义和价值。

[Hans @HansChanX]

@Stanleysobest 我既是老程序员，也是做了多年电商的，负责任的说，这是意淫文。

[HuangMing @Zhm20220917]

AI 服务公司最危险的一种增长：

项目越多，老板和交付团队越忙。每来一个新客户，都要重新调研需求、写方案、确认边界、培训用户，再把上线后的异常一个个补掉。

订单确实增加了。但交付复杂度也跟着增加：老板逐渐变成总项目经理，核心骨干变成长期救火队，公司收入靠项目数增长，成本却跟着人头一起增长。

我现在判断一个 AI 项目有没有价值，不只看它是否上线，还会看项目结束后留下了什么：

- 可复用的需求清单
- 清楚的能力边界
- 异常与失败样本库
- 可量化的验收表
- Agent 或工作流模板
- 培训和交接 SOP

这些东西没有留下，下一个项目仍然要从零开始。留下了，项目经验才可能变成产品能力。

真正的规模化，不是同时服务更多客户—— 而是做下一个客户时，不必把上一遍的路重新走一遍。

[Hans @HansChanX]

@ma_zhenyuan 我有个想法，做一个APP，上面有个一键赚钱按钮，按一下就开始赚钱。

[郭宇 guoyu.eth @turingou]

人应当在寻求与实现自我的道路上创造成功和财富，而不是在追逐成功的道路上寻找自我。

[Hans @HansChanX]

@fankaishuoai 认同的