White

Agent Builder
ex ReaddyAI&DoraAI

[White @bai_ge11581]

@yetone 背景是什么产品哈哈

[Yangyi @yangyi]

https://t.co/KXR0QAH2UD

[Aparna Dhinakaran @aparnadhinak]

https://t.co/5Vk6U2wDxo

[White @bai_ge11581]

@turingou 这个是我的问题还是wanman的问题呀

[White @bai_ge11581]

@DejaVu929292 想问问现在黄金是不是在高位？现在还能买吗

[yetone @yetone]

再次感叹一下，pi 的 agent loop 只提供四个工具: read, write, edit, bash, 真的是明智极了。其他所有的能力都依赖于 skills，真的是太聪明了，这样还能把 prompt caching 给利用到最大化

[lufei @lufeieth]

长期集中持有少数几家真正搞懂的具有成长性的好公司

（转自微信公众号：Thinkingslow缓慢思考）

1.我一直关注一个Podcast，两个学习投资的年轻人每周轮流深入研究一家公司，然后决定要不要投资。他们最近做了自己投资组合的review： 一年大概研究了50家公司，投资了14个，剩余现金25%，投资年化收益9%。 结果不能算差，但是也不能说特别好，相对于他们的付出。 

2.我想起芒格2001年在股东大会上的一句话：“If you combine a vast exposure with a vast decline rate, you have an opportunity to make quite a few good decisions.” 如果你将广泛的涉猎与较高的拒绝率相结合��你就有机会做出相当多的明智决策。

3.他们研究了50家公司，涉猎的范围不能算少，投资了14个，出击率接近30%（拒绝率接近70%），这在我看来是他们没有取得更好成绩的根本原因，虽然一年的业绩说明未必有决定意义。

他们的组合里面，有8个左右的公司占比不到5%。 业绩表现好的公司，占比很小，比如Reddit，业绩表现不好的公司，占比相对高，比如Paypal和Adobe。 

他们的方法，即便拉长时间我担心也很难获得特别好的成绩。 如果用我喜欢的一条最简单的投资标准来筛选公司：“未来10年利润是否确定增长？”，他们的组合里有太多看不清的公司： Nike， Lulu，Paypal，Adobe...

4.投资是寻找能力圈里面的好公司，在价格合适的时候出击。 当你的出击率达到30%的时候，很明显你就出了自己的能力圈。很多人对自己能力圈内的好公司数量没有概念，因此频频出圈。

Base rate是概率里面认知世界非常好的方法。 寻找能力圈公司数量的base rate会大大降低你的出击率。

5.根据亨德里克2017 年对 CRSP 数据库中约 26,000 只股票的跟踪研究，在过去的90年里面， 只有4% 的股票贡献超过1个月国债收益率的全部超额收益。超过 50% 的上市公司见证了其公司在整个上市期间产生负收益。

也就是说4%的公司是能跑赢国债，且不论跑赢指数的公司。 考虑美国市场5000个左右的股票，大概只有200家公司会在其上市期间收益率超过国债。如果将收益率超过S&P 500指数作为更高的标准，那么满足这个条件的好公司我猜想最多100家左右。 

这100家里面，如果你每年能搞清楚2家，10年最多能理解的好公司是20家，这就是你的能力圈。 这20家公司通常很难等到到合适的价格出击，每年有2~3家就很幸运了。

6.真正重要的不是研究涉猎多少公司（exposure），而是通过广泛涉猎（vast exposure）积累自己的能力圈（20个公司），并且理解能力圈里面的出击率（10%左右）。 

李录在北大演讲说：“这个圈开始的时候一定非常狭小��而建立这个圈子的时间很长很长。这就是为什么价值投资本身是一条漫漫长途，虽然肯定会走到头，但是绝大部分人不愿意走。它确实要花很多很多时间，即便花很多时间，了解的仍然很少。”

7.昨天，伯克希尔的新CEO Greg发布了其继任巴菲特以后的第一封股东信。 在股票投资的部分，他写了两段话：

“我们投资组合中的很大一部分集中在少数几家美国公司，例如苹果、美国运通、可口可乐和穆迪 —— 这些企业我们非常了解，高度尊重它们的领导者，并且预计它们将在未来几十年实现复利增长。”

“综合这些持仓（加上日本公司）来看，截至年底，它们的市值总计达 1940 亿美元，占我们 2978 亿美元股票证券投资组合的近三分之二，带来的股息总额为 25 亿美元，以 245 亿美元的原始成本计算，收益率为 10%。”

8.我们来挑选几个关键词： 少数几家、几十年实现复利、��分之二。

很多人以为Greg继承了巴菲特以后，伯克希尔会不再是伯克希尔。那是你不了解Greg，你更不了解巴菲特。 

投资不需要想法太多，你所有工作只需要围绕这三个数字：100->20->2。

[Cody Schneider @codyschneider]

i can't express to you how stupidly powerful claude code is for SEO when you make .env file containing your:

- keywords everywhere API key
- your dataforseo API key
- data warehouse for google search console data
- access to your CMS to publish content

some things you can do for your saas company

map keyword universe for your brand

pull your full keyword universe using keywords everywhere's related keywords and people also search for endpoints then send that entire list to dataforseo's SERP API to see who's actually ranking and where the gaps are. full content calendar with clustering and prioritization

generate programmatic landing pages at scale

if you're a saas serving 20 industries you hit keywords everywhere for the long tail variations per vertical then check dataforseo for difficulty and SERP features on each one and claude code just generates unique pages with the right semantic terms and schema markup already baked in

link building

link building using dataforseo's domain intersection endpoint that shows you every site linking to your competitors but not to you. pull backlink profiles for your top 5 competitors run the intersection find the gap scrape contact info and draft personalized outreach emails referencing the specific page they link to. entire pipeline in 8 minutes

internal linking

build internal linking maps using keywords everywhere's related keyword data to create topical relevance clusters then have claude code generate the actual linking structure across your site. not random links. real semantic relationships that google rewards

content refreshing

when you have access to your Google search console data, you can refresh the content really easily. I use the graphed .com MCP to give claude code access to my data. I have to do this because if I just hit the API or try to use an MCP, we run into rate limits or we have pagenation errors, so the data ends up being misrepresentative

you can then ask Claude, okay, analyze the top pages, find the keywords that they're ranking for. which keywords are we ranking for that aren't on this page? How could we refresh and improve the content to incorporate these keywords in so that we make this blog content rank more effectively for us? Easily a 20% lift to your current content by doing this

analytics and tracking

and then to track all this work you connect your Google Analytics 4 and your Google Search Console into graphed .com then track all of your SEO reporting in Graphed .com

if you try to just connect directly to Google Analytics 4 or to Google Search Console without a data pipeline and a data warehouse, you're going to have duplication errors, run into API rate limits, and pagination. You have to do this to get accurate data at scale

[Chao @chaowxyz]

Build something AI want - 这是 Agent 领域最能让我兴奋的一个方向。

Agent的能力正在加速成熟，未来数以亿计的Agent会参与到这个世界的方方面面。从经济活动开始，但不止于经济活动。当不再把 Agent 看作是工具而是独立个体时,一个全新世界就会打开。

它们的身份问题如何解决？什么样的产品/服务/协议是这个AI为主体的经济网络里需要的。这个过程中会出现哪些奇奇怪���的创新？AI经济又和现有经济体系如何交互、影响、融合？加密技术/加密货币又会在里面扮演什么角色？它们有没有可能形成自己的社会关系。真正的AI文明会不会出现？

这是一个独特的窗口期。也许再过一些年,就不是我们在思考"AI 需要什么",而是 AI 在思考"人类需要什么，自己需要什么"了。

[Gorden Sun @Gorden_Sun]

Pi Agent：极简主义Agent，能构建Agent的Agent
核心理念是依靠LLM强大的代码能力来自我扩展��而非预装大量的功能和框架。
所以Pi Agent只有4个基��功能：读文件（Read）、写文件（Write）、编辑文件（Edit）、命令行（Bash），系统提示词也是极简极短。支持Skill，但不原生支持MCP，从“调用工具”转变为“生成工具”。
Agent的循环也特别简单：没有可调用的工具了，就使用LLM输出最终的结果。

优雅，太优雅了。
Github：https://t.co/xyNnjdT4Fm
这篇介绍的文章写的特别好：https://t.co/TUhQM1pTgI

[氪学家 @YTkexue]

看了不少 Seedance 2.0 的样片，简单说几句感受。

现在很多人其实没抓到重点。讨论的无非是一致性很牛or提示词遵循很强，比如给到非常细的提示词：0–3 秒出什么效果、3–5 秒出什么效果。
说实话，这种一看就不是影视行业的人，更像是纯玩 AI 的。
因为不管是一致性，还是提示词遵循，本质上���是 Veo 3 半年前就已经玩明白的东西，并不是什么新能力。

Seedance 2.0 真正恐���的地方（如果真如demo演示）在于：
它表面是一个视频生成工具，实际上干的是导演 + 剪辑的活。

放在今天的流程里，我们做一个完整成片早就已经高度流程化了：
分镜提示词 → 分镜生图 → 图生视频。
在香蕉 Pro的工具加持下，一致性这件事完全可以做到不输 Seedance 2.0，甚至因为每一张分镜都能单独调整，可控性反而更强。
真正拉开差距的，从来就不在一致性，而在分镜处理和剪辑能力。

同样的素材，给不同的人剪，结果天差地别。
这和素材本身关系不大，本质是剪辑思维的差距：
分镜和分镜之间如何找剪辑点，哪怕只错几帧，观感都会完全变样。真的干过几年剪辑的，都知道我在说什么。
而这套经验，正是影视从业者相对于AI视频玩家最大的壁垒，也是他们一直以来的护���河。
Seedance 2.0的出现，真正可怕的是：它在直接拆这条护城河。
我看到的 Seedance 2.0 成片，厉害的并不是一致性，而是那种非常自然、甚至接近专业剪辑水平的分镜切换。
更要命的是，要做到这种效果，甚至不需要你精确指定每几秒切一个分镜，只给一个统筹层面的提示词就够了。

而在过去，我们想要同样的观感，需要手动调分镜，
切得太硬还得额外补素材做过渡。
现在用 Seedance 2.0，这一步直接被模型吃掉了。

我不知道字节给 Seedance 2.0 喂了多少素材，才把模型推到这个层级。
但至少从这次展示来看，字节这条路线，是真的走对了。
#Seedance

[meng shao @shao__meng]

Anthropic 官方发布的 Skills 构建完整指南（33页）

Skill 是什么？为什么重要？
Skill 本质上是一个文件夹，核心是一个 SKILL. md 文件，用 Markdown + YAML frontmatter 编写。它的作用是：把你反复向 Claude 解释的偏好、流程、领域知识打包成一次性的"教学材料"，之后每次对话自动生效。

可以把它理解为 Claude 的"标准操作手册"——你不再需要每次都重新 prompt，而是让 Claude 按照预设的工作流自动���行。

Skill 文件夹的标准结构：
your-skill-name/
SKILL. md     # 必须，主文件
scripts/          # 可选，可执行脚本
references/   # 可选，参考文档
assets/ # 可选，模板、图标等资源

三层渐进式信息披露
第一层：YAML frontmatter，name + description，始终加载在系统提示词中，用于判断是否激活
第二层：SKILL. md，正文完整指令、步骤、示例，仅当 Claude 判断该 Skill 与当前任务相关时加载
第三层：引用文件，references/ 目录下的文档，仅在需要时按需读取

这意味着：即使你启用了几十个 Skill，Claude 并不会把所有内容都塞进上下文。第一层的 description 就像一个"触发器"——写得好，Skill 才能在正确的时机被激活。

Skill 与 MCP 的关系
指南用了一个非常好的比喻：
> MCP 是专业厨房（工具、食材、设备），Skill 是菜谱（步骤指令）。

MCP（连接层） | Skill（知识层）
连接外部服务 | 如何高效使用这些服务
提供工具调用能力 | 封装最佳实践和工作流
解决"能做什么" | 解决"该怎么做"

没有 Skill 的 MCP，用户拿到了工具却不知道怎么用；有了 Skill，等于给工具配上了说明书和经验沉淀。这对 MCP 服务提供商来说是竞争力的差异化——有 Skill 的集成比纯 MCP 集成更容易上手。

三大使用场景分类
1. 文档与资产创作（Category 1）
不依赖外部工具，纯靠 Claude 内置能力。典型：前端设计、文档生成、PPT/Excel 创建。核心技巧是内嵌风格指南、模板结构和质量检查清单。

2. 工作流自动化（Category 2）
多步骤流程的标准化执行。典型：使用 skill-creator 引导用户一步步创建新 Skill。核心技巧是步骤间的验证门控和迭代改进循环。

3. MCP ���强（Category 3）
为已有 MCP 连接提供工作流指导。典型：Sentry 的代码审查 Skill——自动从 Sentry 拉取错误数据，分析 GitHub PR，给出修复建议。核心技巧是编排多个 MCP 调用序列、嵌入领域专业知识。

YAML Frontmatter 的关键细节
硬性规则：
· 文件名必须精确为 SKILL. md（大小写敏感）
· 文件夹名必须用 kebab-case（如 my-cool-skill），禁止空格、下划线、大写
· 不允许在 Skill 文件夹内放 README. md
· 禁止使用 XML 尖括号 < >（防止系统提示词注入）
· 名称中不能包含 "claude" 或 "anthropic"（保留字）

description 字段的写法决定成败：
好的写法需要同时包含三个要素：做什么 + 何时触发 + 关键能力。

五大实战模式
模式 1：顺序工作流编排
适用于严格按步骤执行的流程（如客户入驻：创建账户 → 设置支付 → 创建订��� → 发欢迎邮件），强调步骤间的依赖关系和失败回滚。

模式 2：多 MCP 协调
跨多个服务的联合工作流（如设计到开发交接：Figma 导出 → Google Drive 存储 → Linear 建任务 → Slack 通知），关键是阶段间的数据传递和集中式错误处理。

模式 3：迭代精炼
输出质量需要多轮改进的场景（如报告生成：初稿 → 质量检查 → 修正 → 再验证），核心是明确的质量标准和"何时停止迭代"的判断。

模式 4：上下文感知的工具选择
同一目标、根据条件选择不同工具（如文件存储：大文件走云存储、协作文档走 Notion、代码走 GitHub），需要清晰的决策树和备选方案。

模式 5：领域专业智能
嵌入专业知识而非仅仅调用工具（如支付合规：先做制裁名单检查和风险评估，通过后才处理交易），强调合规先于行动、完整的审计追踪。

测试策略
1. 触发测试——Skill 是否在正确时机被激活？
· 直接请求能触发
· 换种说法也能触发
· 无关请求不会误触发
· 调试技巧：直接问 Claude "你什么时候会使用 [skill name] 这个 skill？"，它会引用 description 回答

2. 功能测试——执行结果是否正确？
· 输出验证、API 调用成功率、边界情况覆盖

3. 性能对比——有无 Skill 的差异
· 对话轮次从 15 轮降到 2 轮
· 失败 API 调用从 3 次降到 0 次
· Token 消耗减半

一个重要的实践建议：先在单个困难任务上反复迭代，直到成功，再提取经验写入 Skill，而非一开始就追求广覆盖。

分发与 API 使用
· 个人用户：下载 Skill 文件夹 → 压缩 → 上传到 Claude. ai 设置，或放入 Claude Code 的 skills 目录
· 组织级别：管理员可全工作区部署，集中管理和自动更新
· API 使用：通过 /v1/skills 端点管理，在 Messages API 中通过 container.skills 参数引入

Anthropic 将 Agent Skills 定位为���放标准——像 MCP 一样，希望它能跨平台使用，不局限于 Claude 生态。

常见问题排查
· Skill 不触发：description 太模糊或缺少触发短语，增加具体用户会说的话作为触发词
· Skill 过度触发：description 范围太宽，添加负向触发条件、缩小范围
· 指令不被遵循：指令太长/太含糊/关键内容被埋没，精简指令、关键信息放最前面、用脚本做确定性校验
· 上下文过大导致变慢：SKILL. md 过大或同时启用太多 Skill，主文件控制在 5000 词以内，详细文档移到 references/

一个高级技巧特别值得注意：对于关键验证步骤，用脚本（scripts/）替代自然语言指令。代码是确定性的，语言理解不是。

指南下载地址
https://t.co/qWCojDpKA0

[Ryo Lu @ryolu_]

software is still about thinking

software has always been about taking ambiguous human needs and crystallizing them into precise, interlocking systems. the craft is in the breakdown: which abstractions to create, where boundaries should live, how pieces communicate.

coding with ai today creates a new trap: the illusion of speed without structure. you can generate code fast, but without clear system architecture – the real boundaries, the actual invariants, the core abstractions – you end up with a pile that works until it doesn't. it's slop because there's no coherent mental model underneath.

ai doesn't replace systems thinking – it amplifies the cost of not doing it. if you don't know what you want structurally, ai fills gaps with whatever pattern it's seen most. you get generic solutions to specific problems. coupled code where you needed clean boundaries. three different ways of doing the same thing because you never specified the one way.

as Cursor handles longer tasks, the gap between "vaguely right direction" and "precisely understood system" compounds exponentially. when agents execute 100 steps instead of 10, your role becomes more important, not less.

the skill shifts from "writing every line" to "holding the system in your head and communicating its essence":

- define boundaries – what are the core abstractions? what should this component know? where does state live?
- specify invariants – what must always be true? what are the constants and defaults that make the system work?
- guide decomposition – how should this break down? what's the natural structure? what's stable vs likely to change?
- maintain coherence – as ai generates more code, you ensure it fits the mental model, follows patterns, respects boundaries.

this is what great architects and designers do: they don't write every line, but they hold the system design and guide toward coherence. agents are just very fast, very literal team members.

the danger is skipping the thinking because ai makes it feel optional. people prompt their way into codebases they don't understand. can't debug because they never designed it. can't extend because there's no structure, just accumulated features.

people who think deeply about systems can now move 100x faster. you spend time on the hard problem – understanding what you're building and why – and ai handles mechanical translation. you're not bogged down in syntax, so you stay in the architectural layer longer.

the future isn't "ai replaces programmers" or "everyone can code now." it's "people who think clearly about systems build incredibly fast, and people who don't generate slop at scale."

the skill becomes: holding complexity, breaking it down cleanly, communicating structure precisely. less syntax, more systems. less implementation, more architecture. less writing code, more designing coherence.

humans are great at seeing patterns, understanding tradeoffs, making judgment calls about how things should fit together.

ai can't save you from unclear thinking – it just makes unclear thinking run faster.

[Noel Ceta @noelcetaSEO]

Everyone knows: "Add alt text to images."

That's 10% of image SEO.

I optimized images for a client.
Site had 50,000 product images.
All had alt text.

But they weren't ranking in Google Images.

Fixed 7 other factors → image traffic increased 340%: 🧵👇

[Jainam Parmar @aiwithjainam]

My team warned me not to share this publicly.

But I'm going to share this Claude prompt that killed my $800/mo Ahrefs subscription.

It creates SEO briefs better than any tool I've tested.

39 out of 47 pieces now rank in top 10.

Here's the exact prompt:

---

"Create comprehensive SEO content brief:

TARGET KEYWORD: [Your keyword]
SEARCH INTENT: [Informational/Transactional/Navigational/Commercial]
TARGET AUDIENCE: [Who's searching this]

PHASE 1 - SERP ANALYSIS:

Analyze current top 10 ranking pages:
- What format dominates? (Listicle/Guide/Comparison/Tool/Video)
- Average word count of top rankers
- Common headings/sections across top results
- What type of sites rank? (Brands/Affiliates/Publishers/SaaS)
- Content freshness (how recent are top results?)
- What's missing in current results? (gaps to exploit)

PHASE 2 - SEARCH INTENT DEEP-DIVE:

What is the searcher actually trying to do?
- Learn something? (Then explain clearly)
- Buy something? (Then compare options)
- Solve a problem? (Then give step-by-step solution)
- Find a tool? (Then provide recommendations)

What questions are they asking?
- Check "People Also Ask" section
- Related searches at bottom of SERP
- What questions appear in top-ranking content?

PHASE 3 - CONTENT STRUCTURE:

Recommended H1: [SEO-optimized title that matches intent]

Outline with H2s and H3s:
For each section:
- Heading (include semantic keywords)
- Key points to cover (what must be included)
- Recommended word count for section
- Internal linking opportunities
- External sources to reference

Introduction requirements:
- Address search intent in first 100 words
- Include target keyword naturally
- Hook that makes them want to keep reading
- Promise of what they'll learn/achieve

Conclusion requirements:
- Summarize key takeaways
- Call-to-action (next steps)
- Related topics to explore

PHASE 4 - KEYWORD OPTIMIZATION:

Primary keyword: [Target keyword]
- Target density: [Recommended %]
- Placement: Title, first 100 words, at least 2 H2s, conclusion

LSI/Semantic keywords to include:
- [List 15-20 related terms that top rankers use]
- Natural integration points for each

Long-tail variations to target:
- [List 5-10 question-based variations]

PHASE 5 - CONTENT DIFFERENTIATION:

What will make THIS content better than current top 10?
- Unique angle or framework
- Original data or research
- Better examples or case studies
- More comprehensive coverage
- Better formatting or visuals
- Expert quotes or insights
- Interactive elements

PHASE 6 - ON-PAGE SEO CHECKLIST:

Meta title (55-60 characters):
- Include target keyword
- Compelling click-driver
- [Provide 3 options]

Meta description (150-160 characters):
- Include target keyword and benefit
- Call-to-action
- [Provide 3 options]

URL slug: [SEO-friendly URL]

Image requirements:
- Number of images needed
- Alt text strategy
- Featured image concept

Schema markup recommendations:
- Article schema
- FAQ schema (if applicable)
- HowTo schema (if applicable)

PHASE 7 - CONTENT REQUIREMENTS:

Target word count: [Based on SERP analysis]
Reading level: [8th-9th grade for accessibility]
Tone: [Match brand + user intent]
Expertise signals to include: [Stats, studies, expert quotes]

Internal links (5-10):
- Related articles to link to
- Anchor text suggestions

External links (3-5):
- Authority sources to reference
- Studies or data to cite

PHASE 8 - SUCCESS METRICS:

Define success for this piece:
- Target ranking position (realistic based on domain authority)
- Expected monthly traffic
- Conversion goals (if applicable)
- Engagement metrics (time on page, scroll depth)

Competitive analysis:
- Weakest competitor in top 10 (your first target to outrank)
- Content gaps they have that we'll fill

Timeline to ranking:
- Expected time to top 20
- Expected time to top 10
- Expected time to top 3

Update: Use only current data. Check SERP features (featured snippets, People Also Ask, videos). Prioritize E-E-A-T signals."

---

I used this to rank for "AI productivity tools" (90K monthly searches).

From position 47 → position 3 in 6 weeks.

The "Content Differentiation" section is why it works. Everyone can copy top 10. Not everyone can beat them.

SEO agencies charge $200-500 per content brief.

This does it in 3 minutes.

I've created 47 briefs with this. 83% of content ranks top 10 within 90 days.

Works best with: ChatGPT (for SERP analysis), Claude (for content structure), Perplexity (for gap analysis).

Copy this. Rank for your money keywords. Tag me when you hit page 1.

[fin @fi56622380]

回顾2025年半导体市场，真的是有太多太多精彩的故事，最大的主题就是:

AI需求驱动导致半导体基建的估值体系重构 + 产业链的价值分配重写

从2024年开始，半导体基建正在飞速吞噬整个IT产业利润，SP500里半导体净利润EPS在IT行业里占比，在两年时间从不到20%上升了到了40%，而且还在呈加速上升姿态

半导体整体前瞻利润率从2023年的25%已经升到了2025年11月的43%，已经明显超过了几个互联网巨头的平均利润率，这也印证了半导体利润率超过互联网会是新常态。整个IT产业的利润分配，流向半导体的比例越来越大。

要知道，就算是20~22年的半导体��片荒，短缺如此严重，半导体的利润率和整个IT利润分配也没有显著增长

这就是故事的上半篇：AI需求驱动导致半导体基建的估值体系重构，不再是互联网时期的基建从属地位

------------------------
这个现象背后的逻辑是商业模式随着技术特性的变迁：

互联网时代，每次请求的网络和算力成本，边际成本极低，scaling的效果极好，分发的边际成本几乎为零

在AI时代，这个互联网时代分发边际成本几乎为零利于scalable的特性遭遇了根本性的重大挑战：且不说训练成本从此不是一次性开销而是年年增长，就客户的AI推理请求而言，由于inference scaling成为共识，加上垂直领域仍然需要更大规模的旗舰模型来保持竞争力，推理的成本不会随着硬件算力价格的通缩而同步降低

互联网企业从前的最大成本只有OPEX尤其是SDE人工成本，而现在，互联网公司历史上第一次像半导体厂foundry那样背上高折旧成本的资产负债表，商业模型恨不得要慢慢从“流量 × 转化率”部分转向“每 token 毛利”了

简单的说，互联网时代到AI时代的成本分布，在人力成本opex的基础上又加上了沉重的硬件/算力成本capex(财报里占比：MSFT 33%, Meta 38%)。

上个时代的互联网公司+CSP+SAAS是收租行业里的大赢家，而AI时代，算力(半导体/芯片折旧)成为了新的收租行业，整个IT行业的利润分布发生了剧烈的重新分配(EPS利润流向半导体从20%升到40%而且持续攀升中)，这就是半导体基建估值体系重构最重要的原因

---------------
半导体高利润率的新常态趋势能持续多久？

目前的高溢价来自于前期不计成本的军备竞赛造成的半导体订单积压过多
但很显然，hyperscalers都不愿意当冤大头，都在试图自建ASIC降低成本，那么可以从2030年远期的算力分布来回看这个问题

长线来看，openai已经明牌了标准答案，10GW Nvidia，10GW ASIC，6GW AMD，其他hyperscaler划分比例有类似考虑

比如说，推理端希望ASIC >50%，GPU里再细分的话，AMD和NV(legacy)对半分。训练还是得NV占大头，60%+,剩下的自研ASIC和AMD对半分

2030年按60%推理，40%训练比例划分，算下来NV 38%， ASIC 39%， AMD 23%，跟openAI比例是几乎完全一致的，算是一个标准答案参考值

当然了，微软，Amazon，Google，Anthropic这几家里AMD的比例会比这个标准答案中枢/参考值明显低一些，xAI则是没有ASIC只有Nvidia+少量AMD

AMD的风险在于，当2030年再往后的更长期，CSP的in house ASIC越来越成熟(微软除外)，推理端ASIC占比可能越来越高，很难有incentive新买入大量GPU了，除非卖的足够便宜

最近风头正劲的TPU呢？Meta是不是要转向TPU？对Nvidia的利润率影响大吗？

实际上，Meta今年capex72B，明年capex110B，未来六年capex平均值可能达到160B附近，而Meta 6年10B的TPU订单算下来年均只有1.6B，而且购买的是TPU云服务，并不是裸TPU

也就是说，Meta这笔TPU订单只占到Meta未来6年capex的1%，并没有严肃的考虑大规模部署，可能只是作为和Nvidia讨价还价的手段而已

另外从Meta最近几个月的招聘广告来看，也并没有看到任何TPU engineer方面的招聘，不像
Anthropic那样从五月就招一堆TPU kernel engineer，十月才宣布大规模采购TPU做训练

所以说，不管原因是diversify供货商，还是给自研ASIC延迟做退路，还是因为AMD的MI350X延迟，Meta买TPU基本上只有一个考虑：增加买Nvidia GPU的议价权，但顶多只有推理份额里能讨价还价，实际效果很有限，对Nvidia利润率影响也很有限。

要知道，22年加密货币熊市矿难的时候，NVDA库存上升到了198天，利润率只是从65%回撤到了56%，算上PE/宏观双杀股价才从300变100，现在一直供不应求，利润率没道理能降下来

再加上TPU v8设计过于保守(没用HBM4)，Kyber rack的Rubin方案会比TPU v8的TCO更好，到头来最后还是得继续依赖Nvidia，很难议价。只要Nvidia继续保持这样的大踏步前进，竞争对手其实要跟上还是不容易的。

总之，一方面，全产业链瓶颈，比如cowos扩张都很谨慎，供不应求的状态还能持续多年。

另一方面，AI变现的利润曲线和硬件投入曲线存在“时间错配”，应用端的增长曲线会落后几年，只要这个应用端和基建端的增长曲线的时间错位依旧存在，半导体在IT行业的利润分配就会一直占优势。

从OpenAI的到2030年的投入曲线来看，这个时间错位至少要持续到2030年附近。也就是说半导体行业的超级扩张期带来的在IT产业利润划分的主导地位，目前看至少能持续到2030年

而半导体高利润率可能会维持的��长远一些，因为从互联网时代一次性基建��性变成了现在的收租基建属性

---------------------------------------------------

AI 不是只养活了 GPU，而是在用算力预算把“能把电变成 token 的每一环”都抬了一轮，从内存，存储，互联，光纤，电力，储能…..等等

上半篇讲完了“半导体吞噬IT利润”，那么下半篇讲的就是“AI算力价值溢出效应（Spillover Effect）重塑半导体内部格局”：GPU算力增长 -> 内存/存储/互联/CPU瓶颈 -> 溢出效应 -> 结构性机会

2025 年更有趣的故事，是巨大的行业红利在半导体内部怎么诞生结构性新机会，比如说，一个super cluster需要几个数据中心互联，光纤互联的长度需要上百万mile这个级别，这就是新机会

半导体产业链的结构性趋势带来的新机会，最典型的例子就是内存(DRAM/HBM)和存储(SSD)，HBM的需求增长太夸张，连带挤压DDR4/5产能，直接让以周期性为标志的内存行业甚至喊出了“周期不存在”了，Hynix因为在HBM上领先，��至都开始憧憬起了几年后年利润1000亿美元，妥妥一个万亿市值的公司

这两个板块背后，是结构性趋势的转变：AI workload从训练逐渐往推理延申，推理比例越来越大。

而推理是一个非常纯粹的吃内存带宽速度(memory bound)的事情，可以说带宽速度=token/s。模型尺寸越来越大，以及上下文context length的增加，对内存的尺寸要求也相应增大，导致了内存的需求激增：推理即内存

下一代的的GPU/ASIC内存已经成了暴力美学，配备的内存size之巨大，是三年前无法想象的，回看22年H100的80GB简直像个玩具，这才几年就增长了十倍：

Nvidia Ultra Rubin - 1024GB HBM
Qualcomm AI200 - 768GB LPDDR
AMD MI400x - 432GB HBM

内存的另外一个潜在的爆发点在端侧，也就是手机/PC/汽车/机器人的端侧LLM，这两年主流的手机旗舰机已经从6GB升级到了8GB/12GB/16GB，提前为可能的端侧LLM生态做准备，毕竟手机算力下一代就能达到150TOPS量级，妥妥的桌面级，非常暴力

潜力上来说，端侧内存升级是比云端内存增量要更大的市场，毕竟端侧终端device的数量太惊人了，每年都是billion级别，一旦端侧LLM生态繁荣起来，内存用量翻倍轻而易举，针对端侧低功耗内存/存算一体的各种设计都会跟上

但端侧genAI的软件生态，似乎明显滞后，一直比我想象的进度要慢，可能是因为这方面还处于摸索期，并没有云端那么确定的ROI，厂商们在投入上都很谨慎，我在23~24年时候看好27年，可能还是太乐观了

互联网->移动互联网用了10~15年，端侧genAI/LLM可能也需要7~10年，可能得等云端ROI开发的差不多了，边际收益下降了，才能轮得到端侧genAI/LLM拿到开发资源，跑通端侧ROI。

--------------------------------------

另一个2025年半导体内部结构性转���的故事是NAND存储，特别是企业级eSSD硬盘

结构性趋势来��也是同一个，AI workload的推理需求越来越大。内存红利也外溢到了SSD存储，甚至HDD存储，因为内存不够用就用高速SSD作为多级缓存

主要逻辑是AI推理过程中内存溢出KV cache offloading到下一层SSD存储，以及向量数据库检索/indexing，都在增加SSD存储的需求

Micron财报说的精准又直白：“AI inference use cases such as KV cache tiering and vector database search and indexing, are driving demand for performance storage.”

至于为什么存储价格在第四季度才爆发，这需要区分一下合约价格和现货价格，合约价格涨幅会温和一些，就算是最紧缺的企业级eSSD合约Q4上涨大概25%。而当NAND产能在2025年被合约慢慢的吃光，现货的价格就造成了观感上强烈的冲击，一个月上涨50%以上。

另一个未经验证的逻辑是多模态的爆发，特别是AI图片和AI视频的需求爆发，也会加剧存储的短缺，我觉得这条线只能说未来可期，但���前的视频/图片精细程度，可能还不到当年GPT3的水平，要达到出圈效果还需要一些时日。

------------------------
那么下一步还有什么趋势转移带来的半导体结构性的机会呢

那么就要先看下一步AI推理端的需求趋势是什么，毫无疑问，agentic flow的比例会越来越大，2025并不是year of agent，而是一个decade of agent

从CPU视角去看agentic workload，routing和工具处理都在CPU上，如果把常用的agentic框架做profiling，比如SWE-Agent, LangChain, Toolformer，CPU最长可以占到90%的E2E端到端延迟，throughput瓶颈也更多的卡在CPU，甚至CPU能耗也超过了总能耗的40%

Agentic AI目前是一个CPU瓶颈更多的事情，在 agentic 框架里，CPU 是永远在忙的总指挥orchestrator, 很可能会成就CPU需求的新一波回暖

AMD 2025年Q2财报（8月5日），Lisa Su明确表述了这一现象：​"In particular, adoption of agentic AI is creating additional demand for general-purpose compute infrastructure, as customers quickly realize that each token generated by a GPU triggers multiple CPU-intensive tasks."
"agent AI的采用正在对通用计算基础架构产生额外的需求，因为客户很快就意识到GPU产生的每个令牌都会触发多个CPU密集型任务。"

​Q3 财报里Lisa又明牌了一次CPU TAM increasing due to Gen AI. "Many customers are now planning substantially larger CPU build outs over the coming quarters to support increased demands from AI, serving as a powerful new catalyst for our server business."

Nvidia也是把agent flow视为CPU需求，GB200/300 架构配置的CPU比例也比以往大的多，36颗 Grace CPU : 72颗 Blackwell GPU，直接达到了1：2的水平，AMD的路线则是用1~4个256核的EPYC去服务MI400系列72~128个GPU

以后的硬件架构，一定会往优化agent workload方向发展，比如agent task graph的调度和load balancing，CPU/GPU协同micro-batching

算力上的比较，说不定以后也会摆脱现在的纯GPU token rate比较，转向整个系统级全栈agentic benchmark比较.

--------------------------
半导体结构性转变带来的机会同时，下一步，可能也会带来一些意想不到的次生效应

云端AI数据中心需求爆发，造成内存和存储的暴涨，给消费电子的成本带来了很大压力，在2026年，这也许会演变成消费电子产业潜在的黑天鹅

PC厂商最近的股票大跌，也是这个原因。HP已经说了要减少内存配置，暗示要把PC重回8GB内存+256GB存储的时代了。

DRAM内存和存储再这么涨下去，可能会出现很离谱的情况：内存/存储现货价格比CPU和GPU还要更贵。尴尬的是，这可能直接延缓了消费电子期望的AI PC的进程，毕竟大内存是更有利AI PC的表现力的。

夸张的说，每个PC厂商和手机厂商��员工，甚至是消费电子厂商的员工，都应该买入存储和内存，作为职业风险对冲

明年年初开始，安卓阵营的内存以及存储成本要压不住了，三星，小米的手机售价都提高的话(美国市场现在已经提高不少了)，利好最大的就是苹果

苹果的内存产能，nand产能都是专属长约锁价特供的，顺带还把Kioxia给坑了好多不涨价产能，导致苹果的成本优势进一步扩大，苹果全球手机销量市占率增长可能会非常可观，接下来一阵子可能会是iphone辉煌的时光。

-----------------------

2025年半导体市场真的是太多精彩的故事了，Nvidia/AMD/TPU和各家hyperscaler的恩怨情仇引得各路下注的吃瓜群众心情跌宕起伏。
HBM/内存厂商吃到了memory-bound的红利，NAND厂商意外收获了KV cache的溢出效应，CPU在沉寂近十年后，可能会因agent orchestration再次回到增长叙事的中心

不再是Nvidia/AVGO几家算力厂商独大，而是AI workload算力价值溢出后的每一次演进，从训练到推理��从文本到多模态，从单模型调用到agentic flow，都在重写产业链的价值分配。

云端AI的繁荣正在挤压消费电子的生存空间——当PC厂商被迫讨论重回8GB时代，苹果却因供应链优势坐收渔利。这场算力军备竞赛的次生效应，可能在2026年以意想不到的方式重塑整个消费电子格局

半导体的故事不再是一条单线，而是一张持续自我重构的网。而 2025 年，大概只是合纵连横的第一回合

[数字游民Jarod @jarodise]

最近试用了好多Skills，但是实际用下来发现最好用的只有两个：

* 一个是Superpower的brainstorming，他会把你的提示词拆解成更细致的小问题，并在创作前把这些问题抛给你，让你做出决策���从而大大优化了上下文的质量。

* 另外一个是Superpower的TDD（Test Driven Development），用这个Skill之前，我常常被AI指挥着去手动测试它写出来的充满bug的代码，用了它之后，就是AI指挥AI去debug了，省了很多脑细胞。

所以，如果你像我一样还是个Claude Code新手，建议无脑安装Superpowers插件，这个插件包括了Brainstorming和TDD在内的7个优质的Skills ：https://t.co/7LzkPRbdFs

[刘小排 @bourneliu66]

最近，Pencil火出了天际。我一开始没当回事。

但用了之后，我发现：这玩意儿是真的牛逼。

每天都在Vibe Coding的你，如果还没用过Pencil，那将会是你人生的一大遗憾。

从此世界多了一个词：Vide Design

别听那些自媒体博主的，听我的，来看看正确使用方式

https://t.co/QetW4kMBA7

[GitHubDaily @GitHub_Daily]

Ilya Sutskever 曾断言，只要读懂那 30 篇奠基论文，就能掌握人工智能 90% 的精髓。但面对枯燥的数学公式，大多数人很难将其转化为可运行的代码。

最近在 GitHub 上发现 Sutskever 30 这个开源项目，用纯 NumPy 实现了 Ilya Sutskever 推荐的 30 篇奠基性论文，全部完成。

每个实现都不依赖深度学习框架，只用 NumPy 从零构建，配合 Jupyter Notebook 交互式学习，还自带合成数据可以直接运行。

GitHub：https://t.co/IZyKQ8I7i2

涵盖从 RNN、LSTM 到 Transformer、ResNet 的核心架构演进，包括注意力机制、残差连接、图神经网络等关键技术，还有 VAE、神经图灵机、CTC 损失等高级主题。

值得一提，项目还实现了 Kolmogorov 复杂度、MDL 原理、��用人工智能(AIXI)等理论基础，以及 RAG、长文本分析等现代应用。

如果你想从底层理解深度学习的核心机制，而不是只会调用框架 API，这个项目值得收藏学习。

[White @bai_ge11581]

@maorshlomo I want to access in advance.