盗亦有道，何况非盗

道不同，不相为谋。以道会友。

[BITWU.ETH 🔆 @Bitwux]

说下李笑来的新书《The Half Second》

终于看完了！

我觉得这对于每一个希望进步，希望做好投资，学好英语，处理好家庭关系的人来讲，都是可以参考的，一个至关重要的操作系统。

英文好的可以直接看原本，英文不好可以给你们的 AI 辅助阅读，一定会有很大收获！

实际上人真正的自我，不是你想清楚以后说自己是谁，而是事情发生后半秒钟内，你身体自动做出的第一反应是什么。

比如伴侣语气不好，你第一反应是反击还是看着对方？孩子打翻牛奶，你第一反应是皱眉还是放松？投资的标的突然下跌，你第一反应是理性分析是否应该止损，还是逃避撞死？

这就是“理性完全启动前，身体已经开始反应的窗口”。

笑来老师给了我们一个很恐怖的结论：这个窗口，半秒钟，就是人的真实操作系统。

大部分时候，我们以为自己活在理性里，其实大部分时候活在预装反应里。我们被我们的预装反应，给劫持了，但是却不自知。

所以我们为什么靠意志力很难对抗自己的缺点，因为意志力来得晚了半秒，神经已经指导身体把事情给做了。

意志力属于清醒意识，清醒意识要思考、评估、判断；但坏习惯的第一反应已经先动了。

等你意识到我不该这样时，手已经摸向手机、嘴已经准备反击、交易按钮已经快按下去了。

所以这本书讲的就是追根溯源的告诉我们：这些第一反应是怎么被安装进去的，

当然，只给事实不给解决方案就是刷流氓，所以笑来老师，给了一个方法，让我们可以去重新编辑它们，更好的服务于我们。

也就是最核心的再聊一个技能叫：self talk

1️⃣ self talk 有一整套操作系统的，

书里提出一个工作模型，叫 frequency counter，可以理解成“大脑的熟悉度计数器”。

它的逻辑很简单：大脑的快速系统不总是判断真假，它经常只判断熟不熟。

所以笑来老师提到，既然大脑可以这样玩，那么可以通过自己的声音重新安装反应，也就是他一直提到的，可以劫持自己的大脑！

这就是 self talk 的真正位置。去把一个本来一直被外界使用的机制，夺回来自己用。

2️⃣改变是改身份枢纽；

改变不是改行为，而是改身份枢纽，这也是书的核心，告诉你为什么，再告诉你怎么做。

self talk 并不是让你不停对自己说积极的话，但是身体不知道如何行动，搞所谓的精神胜利法那一套，

他是告诉我们第一反应有结构。一个第一反应通常包括三个东西：身份、情境、动作。

比如笑来老师提到的他抽烟这件事：

身份：我是抽烟的人。
情境：饭后、写作间隙、焦虑时、朋友递烟时。
动作：点一根。

如果你只改动作，就会很累。因为你要在无数个情境里分别抵抗：饭后不能抽、写作不能抽、压力大不能抽、朋友递烟不能抽。情境太多，你挡不住。

但如果你改身份，比如你告诉自己：Iam a preson who never smokes，这个身份一旦装进去，它会影响很多情境下的动作。书里称 identity 是 hub，也就是枢纽。编辑身份，比一个一个对抗行为更有效。

3️⃣有效咒语的核心是 Action，不是 Mood

所以你需要给自己设置脚本，笑来老师提到ARISE。

它包括五个维度：

A：Action，动作。

R：Reason，理由。

I：Identity，身份。

S：Situation，情境。

E：Emotion，情绪/感受内容。

所以脚本的核心是 Action：必须是身体能执行、外人能观察、半秒内能启动的动作；

这就是为什么：

我很冷静不如我深呼吸三次再回答。
我不焦虑不如账单来了，我 60 秒内打开它。
我不冲动交易不如价格波动时，我完整一天不操作。
我要更爱孩子不如孩子说话时，我看着他的眼睛再回答。

所以你看，核心是不要给大脑下达状态命令，要给身体下达明确动作命令。

基于此 “我不焦虑”“我保持冷静”这种是愿望，不是动作，我们要给自己设置动作，而不是愿望。

比如学英语，真正关键不是每天 talk to myself “多背单词”，而是让英语进入你的自我对话系统，告诉大脑你是帅哥什么样的人，给自己安装一个能骗过自己神经的小系统。

可以和自己对话：

I am a person who thinks in English because it is essential to my life, and I would be very happy to learn English well!

When I talk to myself, I say the next sentence in English. My own voice makes English familiar.

4️⃣大声说出来！

最关键是笑来老师的意思，是你必须说出来，而不是在心里想，你需要调动你的肌肉，大声说出这些话，是把“我要改变”从观念层，降落到身体层。

这本书的核心机制叫 frequency counter，可以理解为“大脑的熟悉度计数器”。

它不总是判断真假，而是判断熟不熟。重复越多，越熟悉；越熟悉，越容易在半秒钟里自动冒出来。

大声说的作用，就是让每一次重复更“重”。

心里想一次，可能只是轻轻划过。

说出来一次，是语义、动作、声音、听觉、身份一起叠加。

它更像一次高质量计数。

就像你刷短视频，为什么画面、声音、音乐、字幕一起上更容易洗脑？因为它不是单通道刺激，而是多通道刺激。

self talk 大声说出来，就是你主动用多通道刺激，反过来洗自己。

[DataDan｜AI Consultant + Builder @ba_niu80557]

讲一个我一个人从大乙方手里抢下、还做成了的项目。但这次不具体讲我怎么获得赢面的，讲我赢面在哪几个具体的技术决策上——每一个，都是 RAG 落地里大多数人会栽、但很少有人讲透的坑。如果有在做这块的，可以对比作为参考。

客户是关西一家做了几十年的制造企业，要把几万份技术文档、工艺标准、老师傅的维修记录，做成一个内部智能问答系统。典型的企业级 RAG。

大乙方一百多人，报价几千万日元，周期六个月。我一个人，三天搭出能跑的原型拿下了项目。但拿下只是开始，真正的功夫全在后面那些"科班教程里不会教"的决策上。

决策一:我把 80% 的精力砸在了切块上，而不是模型上。

这是最反直觉的。大多数人做 RAG，一上来就纠结用哪个大模型、怎么调 prompt。但有个 2026 年被反复验证的数据：80% 的 RAG 失败，根子在 ingestion 和切块层，不在 LLM。

什么意思？现在的大模型（GPT-5 系、Claude 4.6 这些）已经聪明到不行了，"生成"这一环基本不会出错。出错的几乎永远是"检索"：你的切块策略烂，检索给大模型喂了三段不相关的废话，漏掉了那句埋在表格里的关键句，模型再聪明也只能基于垃圾输入瞎编。

所以我做的第一个判断是：把团队（其实就我一个人加 AI）的精力，从"调模型"彻底挪到"怎么把文档切对"上。这家制造企业的文档有它的语义结构，一个故障处理是"现象-原因-步骤-注意事项"的完整链条。你按字数机械切，会把这个链条拦腰斩断，检索出来只有半截步骤，这在制造业是要命的。

决策二:但我没有用最时髦的"语义切块"，我用了最土的递归字符切块。这是另一个反直觉。

这两年"语义切块"（semantic chunking）特别火，听起来很高级，按语义相似度来切，多智能。我一开始也想用。但 2026 年有个被广泛引用的对比实验，结果打了所有人的脸：递归字符切块（recursive character splitting）在 512 token 这个尺寸，answer accuracy 和检索 F1 反而稳定地打败了语义切块。

为什么？因为语义切块的计算成本高、效果还不稳定，在很多真实场景里，它那点"智能"换来的收益，覆盖不了它引入的复杂度和不确定性。这就是典型的"听起来高级"和"实际管用"之间的gap。

我的做法是：以递归字符切块为骨架，针对他们文档的结构特征做定制化调整，而不是盲目上那个时髦但不稳的语义切块。一个真正做过落地的人和一个只看论文的人，区别就在这种地方：你得知道哪个前沿是真前沿，哪个只是听着唬人。

决策三:检索我用 hybrid search，而且 reranker 的位置，差一步就全盘崩溃。

制造业文档里全是型号、编号、专有名词。纯向量检索（语义检索）对这种东西是抓瞎的——"X-2000 型"和"X-3000 型"在向量空间里挨得很近，但它俩是完全不同的设备，答错了就是事故。

所以必须用 hybrid search：向量检索抓语义，BM25 关键词检索抓精确匹配，两路并行，再用 reciprocal rank fusion（倒数排名融合）把两个结果合并。型号编号这种靠 BM25 兜底，语义理解靠向量兜底，两条腿走路。

但这里有个致命的细节，是无数人栽过的坑：reranker 的位置和范围。

reranker（重排序，用的是 cross-encoder）是 RAG 里性价比最高的一个组件，加上它检索精度能提 10-30%，金融领域的实验里 MRR 甚至能提 59%。但它有个要命的特性：cross-encoder 要把 query 和每个文档绑在一起重新算分，极其慢。

如果你脑子一热，把 reranker 加在全量几万份文档上，你的 p99 延迟会直接爆炸，系统慢到没法用。正确的姿势是：先用快速的 hybrid search 从几万份里捞出 top-20 到 top-30 个候选，然后只对这二三十个候选做 reranker 精排。先粗筛再精排，顺序错了，整个系统就废了。

这个"先 hybrid 捞候选、再 rerank 精排 top-20"的顺序，科班教程里很少强调，但它是生产环境能不能跑起来的生死线。

决策四:我加了"small-to-big"检索，这是答案完整性的关键。

还有个矛盾：切块切小了，检索精度高（小块语义集中，容易匹配），但答案不完整（一个小块装不下完整的处理流程）；切大了，答案完整，但检索精度垮。

怎么破？small-to-big retrieval。检索的时候用小块去匹配（保证精度），但喂给大模型的时候，把这个小块所在的完整大块（或者上下文）一起给它（保证完整性）。用小块的精度找到位置，用大块的完整度生成答案。

2026 年的实验数据，这一招相比基础切块有 65% 的 win rate，而代价只是多 0.2 秒延迟。这种"低成本高收益"的工程技巧，才是落地真正的护城河，它看起来不高大上，但它直接决定你的答案是"完整可用"还是"残缺误导"。

决策五:也是最致命的——我让系统学会了说"我不知道"。

普通 RAG 最大的危险是：检索不到好答案时，大模型会"自信地编一个"。闲聊场景无所谓，制造业是灾难：一个编出来的维修步骤，可能搞坏设备甚至出安全事故。

我上了一套 corrective RAG（CRAG，纠错式检索）的思路：检索之后加一个评分环节，让系统先判断"我检索到的这些内容，到底够不够回答这个问题"。够，才生成；不够，系统必须老老实实说"没有找到足够依据"，并把检索到的相关文档列出来让人自己判断，而不是硬编。

这背后是一个理念差异：普通 RAG 永远不知道自己"不知道"，CRAG 知道。一个知道自己边界在哪的系统，在高风险领域，比一个什么都敢答的"聪明"系统，安全一百倍。

宁可答不出，绝不能答错，这条规矩，是这个系统能被制造业信任的根本。

讲完这五个决策，我想说的其实不是技术本身。

你注意到没有，这五个决策里，没有一个是"用了什么独家秘籍"。hybrid search、reranker、small-to-big、CRAG，全是公开的技术，大乙方的工程师也都知道。

那我赢面在哪？

我赢在：我能把这五个决策，作为一个整体，针对这一家客户的这一批文档，做出连贯的、互相配合的判断。哪个环节用时髦方案、哪个环节用土办法，reranker 放在哪一步，切块切多大，什么时候让系统闭嘴，这一连串判断，需要一个人同时握着"业务理解"和"技术全局"，在脑子里把它们串成一条线。

大乙方一百个人，知识是分散的：搞数据的不懂检索，搞检索的不懂这家客户的业务，懂业务的是另一个对接的人。这些知识在一百个人之间传递、对齐、扯皮的过程中，那条"连贯的判断线"就断了。他们有全部的零件，但拼不出那台精密的机器，因为没有一个人的脑子里装着完整的图纸。

而我一个人加上 AI，AI 把写代码、调参数这些执行层的活儿扛了，我的脑子就腾出来，专门干那件 AI 干不了、一百个人也凑不出来的事：把业务和技术作为一个整体来判断。

这就是 AI 时代落地的真相：技术全是公开的，模型全是现成的，真正稀缺的是"把一堆公开的技术，针对一个具体的问题，做出连贯判断"的那个完整的大脑。

工具民主化了，判断力没有。模型人人能调，但知道在这个具体场景下该怎么调、为什么这么调、什么时候反着调，这个东西，至今没有被任何工具替代，可能也是最后被替代的。

大乙方卖的是人头和工时。我卖的是那条别人拼不出来的、连贯的判断线。

在 AI 把执行成本压到接近零的时代，这条判断线，就是一个人能值的全部的钱。

[盗亦有道，何况非盗 @escapedsolo]

@X_FINALBOSS X

[mousepotato @iluciddreaming]

Stanford 还是太权威了。

以前看印度人教编程，30 分钟就有点腻。

这次看斯坦福的 AI 架构开放课程，竟然能一口气把一小时的内容完整看完，看得目不转睛。

我给 10 分里的 10 分。

[马东锡 NLP @dongxi_nlp]

https://t.co/VQEiwfiJiO

[Easycompany @Easycompany333]

Open AI 曾官方点名的Codex 视频
值得收藏，不到 2 小时，把 Codex + GPT-5.5 这套组合讲得很实：

- 技能怎么配。
- 插件怎么用。
- 自动化工作流怎么搭。
- 多任务怎么并行跑。
- 以及最关键的，怎么把 Codex 从一个聊天窗口，变成一个可以持续帮你干活的开发系统。

真正高效的方式，是你先把上下文、技能、流程、权限、任务边界搭好，然后让 AI 在一个更稳定的工作环境里执行。

[野生小虎 @xiaohu0x]

https://t.co/gW0DtCpD5k

[盗亦有道，何况非盗 @escapedsolo]

@Manu_Sisti Claude

[盗亦有道，何况非盗 @escapedsolo]

@Shenxiao123971 宇宙很大，学问很多，寻找一个方向开始学吧。例如哲学，心理学，社会学，经济学，数学，物理，艺术，对此总会有个好奇心吧。

[盗亦有道，何况非盗 @escapedsolo]

@laozhouhengmei 完蛋了，人老珠黄了。
夜深忽梦少年事，梦啼妆泪红阑干。

[盗亦有道，何况非盗 @escapedsolo]

@laozhouhengmei 完蛋了，人老珠黄了。
夜深忽梦少年事，梦啼妆泪红阑干。

[逸尘 @gengdaJ]

《如何开启你的真人出镜AI自媒体之路》
我从0开始，抖音快涨粉1000，小红书1500，单条视频4000赞！
很多朋友都来问我是怎么一个人肝视频的，今天直接全盘揭秘我的【AI自媒体视频工作流】👇

我主要的工作流有六个步骤：
1）抓对标或者热点，调用抖音和小红书抓取skill下载相关视频
2）然后用豆包ASR Skill音频转文字
3）调用我自制的yichen-video-content skill进行视频内容诊断，保存报告到Obsidian，方便理解分析
4）汲取别人视频里面做得好的地方，梳理视频思路和口播搞，手写
5）自己写完初稿，然后调用相关skill进行自己的口播稿内容诊断，然后优化
6）使用FocuSee完成录制
7）把录制好的视频调用语音转文字+粗剪skill 进行粗剪
8）把视频导入剪映用剪映做最后的剪辑

[尼玛巴 @Moon_above_Lion]

@wishtcday 先接受新国家的最高等教育，自己以往的工作经验才能加分。

以我自己为例，中年移民加拿大后先读本专业博士，博士最后一年正好入籍，立马去了特斯拉做实习生。几个月后不出意外的拿到了转高级工程师的offer，然后顺理成章的辍学，全家移民硅谷。

看起来难的路，走起来是容易的。

只问你敢不敢。

[Sumanth @Sumanth_077]

Self Improving AI (SIA) beats Karpathy's autoresearcher agent by improving itself!

SIA is a Self Improving AI framework to autonomously improve the performance of any AI system (Model / Agent) on a benchmark task.

Most agent frameworks are static. Fixed harness, fixed model weights, fixed memory layer. They plan, act, and use tools. SIA operates on a different layer entirely.

SIA focuses on one problem: how do you design structured feedback loops that allow an agent to evaluate its own performance, adapt its strategy, and get better over time?

After every run, SIA evaluates itself and improves three things. It updates its own harness. Updates the weights of its underlying model. Updates its own memory layer to handle new complexities. The agent rewrites itself based on what it learned.

On MLE-Bench, OpenAI's benchmark for evaluating an agent's ability to train ML models, SIA climbed to the top of the leaderboard. Beat every specialized ML research agent including MLEvolve and AIRA-dojo. Then kept improving and displaced its own previous versions on the leaderboard.

I've shared the link to the paper and the repo in the replies!

[盗亦有道，何况非盗 @escapedsolo]

@MYohei707 昨天写了篇论文，十页，很完整，也很有新颖观点，耗时两个半小时。用三个大模型交叉验证逻辑和引用。

[盗亦有道，何况非盗 @escapedsolo]

@bearliu Apple watch 功能更全。

[Dreamer妍妍 @yanliudreamer]

Hello大家，基于我在硅谷大厂做AI产品的经历, 想和大家分享10+10个适合产品经理 & 产品设计师的skills，这些不是网上随便搜来的 Prompt，而是真正融入我日常工作流，几乎每天都在使用的 Skills。

从用户研究，竞品分析，PRD 撰写，到 UX 设计，设计评审，作品集优化，AI 原型搭建，希望能帮助大家把 AI 真正变成自己的工作搭档，而不只是聊天工具。

快去试试看！
#skills #ai #vibecoding #product #productmanager #productdesigner #claudecode

[盗亦有道，何况非盗 @escapedsolo]

Join it!

[Gradio @Gradio]

A hackathon called "Build Small"

max 32B params. the model fits on a laptop. somehow that pitch got us OpenAI, NVIDIA, OpenBMB and Cohere putting up the prizes 👀

$40k+ cash + 2 RTX 5080s + $100k codex credits for the first participants. Reg's open ↓

[riba2534 @riba2534]

https://t.co/elPIR3JeaO

[盗亦有道，何况非盗 @escapedsolo]

@Phoenixyin13 这些人可以随时去睡一觉，比如上午十点，比如午后。或者兴致起来去健身房锻炼一番。谁也不可能追究他们的行踪。他们可以即兴发挥。