Long Chen

每天早上像顶级运动员一样设计你进入专注状态读完这篇文章我更系统化的去对待自己的专注状态我发现我现在很少靠意志力去逼自己专注了。每天早晨起来，我会认真叠被子、刷牙洗脸，然后坐下来先看 30 分钟书。这个顺序是固定的。桌上只放一台电脑，手机、手串、任何带屏幕的东西全放到另一个房间。做完这些，我才开始工作。说实话，刚开始觉得这些动作挺多余的。后来我才明白，这不是仪式感，这是热身。顶级运动员正式比赛前不是直接上场的。足球运动员在大巴上就戴上耳机了，篮球运动员在更衣室里认真整理袜子系鞋带。他们不是在磨蹭，他们是在把神经系统调到只专注比赛。我以前工作是直接打开电脑就开干，现在回想，那个状态其实根本没准备好。前一个小时基本都在热身，只是自己不知道。早晨是我一天里被打扰最少的时间，用来进入状态成本最低、收益最高。一旦流程跑完，后面的专注是真的能扎进去的那种，不是硬撑。专注这件事是需要设计的，不是靠意志力扛出来的。对于专注度不好的朋友推荐读一下，然后写出你自己的专注系统。

Rian Doris

@RianSweetDoris

8 days ago

https://t.co/A9bvuDe5Gk

356

883

192K

326

Long Chen

@LongChenNotes

6 days ago

今天在 @howie_serious 的AI内参里看到一篇文章，叫《The Dead Economy Theory》。这篇是我近几个月读到最让我头皮发麻的一篇所有人都在讨论 AI 会不会取代工人，好像那是一件跟自己无关的事。文章里有一个数字说OpenAI 有一个叫 GDPVal 的基准测试，衡量模型在 44 种职业里的表现，覆盖房地产经纪人到新闻分析师。还有一个 AI Productivity Index，用四类角色评估模型：投行分析师、管理咨询顾问、大所律师、初级保健医生。不是流水线工人。是我们这种人。目标一直是受过良好教育、做认知工作、以为自己在安全区的那批人。只是这件事被包装成了效率提升和AI 助手，所以没有人觉得是在说自己。沿着钱的流向往下走三步：一家公司用 AI 替代员工，成本下降，股价上涨；被替代的人失去收入，削减消费；那家公司发现，它的客户从总体上看，正是其他公司裁掉的人。AI 最终摧毁的是自己的市场。这个逻辑本身不难理解，但沃顿商学院的研究把它说得更准确：在竞争市场里，裁员省下的钱是私有的，摧毁的消费需求由全行业共担。每家公司都在理性地做一件对所有人都更糟糕的事，没有人能单方面停下来。但更难受的地方不在经济层面。英国圈地运动发生时，农民失去的不只是土地，是他们在社会里的位置。地主不需要农民种地了，农民就从谈判对象变成了治安问题。作者指出了一件类似的事：民主能运转，不只是因为人们有投票权，而是因为统治者需要被统治者的劳动、税收、消费支出。这种依赖关系是民主杠杆的物质基础。当技术让少数公司可以用 AI 完成大部分认知劳动，大众手里最后一张谈判筹码就消失了。投票权还在，但投票能影响的那个经济体，已经不再需要你了。最后一件事，是我觉得整件事里最值得直视的：建造这些系统的人并不是不知道。 Anthropic 的 CEO Dario Amodei 公开说过：民主的权力平衡，建立在普通人能够通过创造经济价值而拥有杠杆的前提上。如果这个前提不存在了，事情会变得有点可怕。然后他继续建造那个技术，继续融资，继续扩张。据报道，科技高管在私下聊天里对劳动力市场的影响表达极度担忧，但一旦有人打开录音，他们就变成了乐观主义者。这不是技术失控。这是有人清醒地知道自己在做什么，然后继续做。对我自己来说，读完这篇之后有一个思考：防御的核心不是学更多技能，而是往不可替代的方向移动。 AI 最擅长的是有标准答案的认知执行它最难处理的是判断哪个问题值得被解决，在模糊里做决策，以及让另一个真实的人愿意信任你。这三件事不是信息处理，是经验、价值观和关系的综合体。知道这件事正在发生和不知道会产生完全不同的行动框架。今日的AI内参就是从信息的噪音里找到这种值得停下来认真想的信号。如果你也想看，可以关注一下。 https://t.co/RDUmRGgg8E

LongChenNotes's tweet photo. 今天在 @howie_serious 的AI内参里看到一篇文章，叫《The Dead Economy Theory》。

这篇是我近几个月读到最让我头皮发麻的一篇

所有人都在讨论 AI 会不会取代工人，好像那是一件跟自己无关的事。

文章里有一个数字说OpenAI 有一个叫 GDPVal 的基准测试，衡量模型在 44 种职业里的表现，覆盖房地产经纪人到新闻分析师。

还有一个 AI Productivity Index，用四类角色评估模型：投行分析师、管理咨询顾问、大所律师、初级保健医生。

不是流水线工人。是我们这种人。
目标一直是受过良好教育、做认知工作、以为自己在安全区的那批人。

只是这件事被包装成了效率提升和AI 助手，所以没有人觉得是在说自己。

沿着钱的流向往下走三步：
一家公司用 AI 替代员工，成本下降，股价上涨；
被替代的人失去收入，削减消费；
那家公司发现，它的客户从总体上看，正是其他公司裁掉的人。AI 最终摧毁的是自己的市场。

这个逻辑本身不难理解，但沃顿商学院的研究把它说得更准确：在竞争市场里，裁员省下的钱是私有的，摧毁的消费需求由全行业共担。

每家公司都在理性地做一件对所有人都更糟糕的事，没有人能单方面停下来。

但更难受的地方不在经济层面。

英国圈地运动发生时，农民失去的不只是土地，是他们在社会里的位置。
地主不需要农民种地了，农民就从谈判对象变成了治安问题。

作者指出了一件类似的事：
民主能运转，不只是因为人们有投票权，而是因为统治者需要被统治者的劳动、税收、消费支出。

这种依赖关系是民主杠杆的物质基础。

当技术让少数公司可以用 AI 完成大部分认知劳动，大众手里最后一张谈判筹码就消失了。

投票权还在，但投票能影响的那个经济体，已经不再需要你了。

最后一件事，是我觉得整件事里最值得直视的：建造这些系统的人并不是不知道。

Anthropic 的 CEO Dario Amodei 公开说过：民主的权力平衡，建立在普通人能够通过创造经济价值而拥有杠杆的前提上。

如果这个前提不存在了，事情会变得有点可怕。然后他继续建造那个技术，继续融资，继续扩张。

据报道，科技高管在私下聊天里对劳动力市场的影响表达极度担忧，但一旦有人打开录音，他们就变成了乐观主义者。

这不是技术失控。这是有人清醒地知道自己在做什么，然后继续做。

对我自己来说，读完这篇之后有一个思考：
防御的核心不是学更多技能，而是往不可替代的方向移动。

AI 最擅长的是有标准答案的认知执行它最难处理的是判断哪个问题值得被解决，在模糊里做决策，以及让另一个真实的人愿意信任你。

这三件事不是信息处理，是经验、价值观和关系的综合体。

知道这件事正在发生和不知道会产生完全不同的行动框架。

今日的AI内参就是从信息的噪音里找到这种值得停下来认真想的信号。

如果你也想看，可以关注一下。
https://t.co/RDUmRGgg8E

226

Long Chen

@LongChenNotes

7 days ago

@balabala289 不做开源，后面会在公众号上做点分享

Long Chen

@LongChenNotes

13 days ago

自己给自己上了三天课，最大的收获不是学到了什么新东西，而是发现我以为我会的那些，全是纸糊的。一个特别简单的提示词，或者描述一个你天天都在做的任务，你觉得你肯定没问题吧？真让你拆开来一步步讲清楚，你就发现地基是空的。就像一栋楼，你看着也砌了挺高，但做个承载力测试，地基只撑得住三层。为什么会这样？因为我们太习惯求快了。偶尔蒙对一次就觉得自己会了，但概率不骗人。做得越多，漏洞越明显，不是缺这就是缺哪。我做完之后让自己写的教练skill审核一遍，才发现好多地方根本不到位。不是能力不行，是从来没有人逼你把这些你觉得你会的东西真正拆碎了验一遍。这就是为什么我说，自己给自己上课是最好的学习方式。没有人比你更清楚你自己。你的习惯、起点、脑力、语言、盲区，这些东西别人的课再好也补不上。大课缺你的上下文，一对一也缺。只有你自己记得这些隐知识。所以别急着找捷径。 AI 时代最好的老师不是 AI，是你自己。

LongChenNotes's tweet photo. 自己给自己上了三天课，最大的收获不是学到了什么新东西，而是发现我以为我会的那些，全是纸糊的。

一个特别简单的提示词，或者描述一个你天天都在做的任务，你觉得你肯定没问题吧？

真让你拆开来一步步讲清楚，你就发现地基是空的。
就像一栋楼，你看着也砌了挺高，但做个承载力测试，地基只撑得住三层。

为什么会这样？
因为我们太习惯求快了。偶尔蒙对一次就觉得自己会了，但概率不骗人。做得越多，漏洞越明显，不是缺这就是缺哪。

我做完之后让自己写的教练skill审核一遍，才发现好多地方根本不到位。
不是能力不行，是从来没有人逼你把这些你觉得你会的东西真正拆碎了验一遍。

这就是为什么我说，自己给自己上课是最好的学习方式。

没有人比你更清楚你自己。

你的习惯、起点、脑力、语言、盲区，这些东西别人的课再好也补不上。

大课缺你的上下文，一对一也缺。
只有你自己记得这些隐知识。

所以别急着找捷径。

AI 时代最好的老师不是 AI，是你自己。

339

LongChenNotes retweeted

宝玉

@dotey

7 days ago

Q：我把数据库接入了 AI Agent，每次用手机发消息让它帮我查数据、导出文件，但 token 消耗特别大。我已经把工作流写进了 Agent 的 Memory 里，但它就是不按流程走，该怎么办？ A：这是一个非常典型的问题。根本原因在于：Memory 只是“背景信息”，不是“执行指令”。Agent 每次对话都会重新理解意图、重新规划步骤，这个思考过程本身就是 token 消耗的大头。解决方案：用 Agent Skill + Script 替代 Memory 里的工作流。核心思路是把任务拆成两部分： - LLM 只做它擅长的事——把自然语言翻译成 SQL 查询语句 - 确定性的步骤全部用脚本——执行 SQL、格式化结果、上传文件，这些不需要 AI 思考，写成 Python/Shell 脚本直接跑再进一步，在 Skill 里内嵌你的表结构说明和常用 SQL 模板，Agent 只需要填空而不是从零推理。改完之后 token 消耗能降一个数量级。一句话总结：能用脚本干的事别让 LLM 干，LLM 只负责翻译，不负责执行。

dotey's tweet photo. Q：我把数据库接入了 AI Agent，每次用手机发消息让它帮我查数据、导出文件，但 token 消耗特别大。我已经把工作流写进了 Agent 的 Memory 里，但它就是不按流程走，该怎么办？

A：这是一个非常典型的问题。根本原因在于：Memory 只是“背景信息”，不是“执行指令”。Agent 每次对话都会重新理解意图、重新规划步骤，这个思考过程本身就是 token 消耗的大头。

解决方案：用 Agent Skill + Script 替代 Memory 里的工作流。

核心思路是把任务拆成两部分：
- LLM 只做它擅长的事——把自然语言翻译成 SQL 查询语句
- 确定性的步骤全部用脚本——执行 SQL、格式化结果、上传文件，这些不需要 AI 思考，写成 Python/Shell 脚本直接跑

再进一步，在 Skill 里内嵌你的表结构说明和常用 SQL 模板，Agent 只需要填空而不是从零推理。

改完之后 token 消耗能降一个数量级。

一句话总结：能用脚本干的事别让 LLM 干，LLM 只负责翻译，不负责执行。

200

222

20K

Long Chen

@LongChenNotes

Last Seen Users on Sotwe

Trends for you

Most Popular Users