peter

[Herman Jin @ShanghaoJin]

凡所有相，皆是虚妄。若见诸相非相，则见如来

作为一个AI死多头，我知道在所有人狂欢的时候，但凡发出一点悲观的言论都必被讥讽、嘲笑

但是，我很想写此文，其实是复盘与反思：不但是为自己这两年半写X、做交易做的；也是也是对这个疯狂市场做的

很幸运，作为闲暇的爱好，写X结识了很多新朋友。感谢互相欣赏与启发，在过去2年里，我从24年4月初清仓BTC换成AVGO NVDA，大选前AAOI PLTR TSLA INTC，关税战后INTC GOOG，25年底又加仓INTC AAOI，到今年春节逃跑、再满仓AMD NOK（最近又操作了ORCL LITE）。虽然，有买彩票SUP归零，MRVL MDB也有赚有亏，但是我一直坚信AI对token的需求会让半导体every dog has its time，获得了不差得收益。期间不少小伙伴们也都赚到不少于10倍收益

然而，此刻要清醒的意识到，收益并不是我们选股牛，眼光独到，而是市场牛！我复盘了我自己今年3月最后一周，周末前全仓买入。赚钱并不是因为当时买对了AMD，而是当时call 对了市场资金结构

所以，在这个时点上更需要静心凝神，好好反思下市场接下去会如何

喝醉酒的人是不会知道自己喝醉的；沉醉美梦中的人也不会意识到黄粱一梦，这过程可以很久，我们也可以继续疯，但是必须要清醒地在更高阶意识中，认识到随时有被敲醒的风险

One of the four beasts saying, COME AND SEE – Revelation 6:1

不同于华尔街很多人，我是“坚信”AI的

30年来第一次，AI模型用并行计算替代串联计算，把半导体的进步直接变成了生产力（之前科技进步只是作为平台，让用科技的软件、以及用软件的人创造价值）

AI的结果是token需求指数级升高vs 而半导体供应只能线性增加。加上整个半导体老登们在过去几年黄金时间，没有因 “信” 而扩产，今年需求真正开始爆发后全产业链缺货。造就了这轮大牛市

不过，大牛市的命脉是市场price in了:

模型收入加速度，不远得未来可以justify Hyperscalers 的Capex

要知道任何动摇命脉预期的都会让市场陷入恐慌

1. 铜墙铁壁：horseman之一就是微观、公司层面真的无懈可击

从看模型架构、从架构看需求，微观看半导体每一个赛道，每一个公司都近乎完美。每一个，都越看的细致，越了解深入，越是有自信---- 这就是典型低PE泡沫

Rule of Thumb：当看了几十、上百家公司，每家需求、盈利都真实solid，你就必须质疑这个市场有没有问题

低PE泡沫一样是一个泡沫，只是他不同于2000年。高PE是个预期泡沫，市场会不停设定更高的收益预期，一旦核心公司预期破灭，整体预期立即调整，多米诺骨牌一样一片片倒下。这就好像去年的IGV，市场忽然不给EV/EBITDA估值了

但是低PE泡沫没有这个问题，盈利增长会给你足够信心在稍微下跌之后不断加仓冲进去。毕竟谁能拒绝个位数PE的存储，每年涨价涨盈利，毛利率80%。这个过程中，小跌小买，大跌大买。只要不被切中“命门”市场会非常坚挺。持续性正反馈，好像美梦一样让人不愿醒来，也不相信是做梦（买过p2p的知道我说的什么感觉吧）

不对称反馈：明显的体验是在过去1年中，市场对于宏观负面风险的反馈明显弱于正面利好。此时，并非没有“野蛮人”，而是公司盈利能力的城池固若金汤。不管伊朗危机、油价、通胀、利率、Fed统统能拒之门外。反之，一旦命门被破，所有野蛮人都会杀回来，过去没跌的够的一次性补完

2. 去监管与宏观流动性宽裕：

整个金融体系自从2008年金融海啸之后经历了一轮长期的监管与去杠杆，为了弥补系统性流动性损失美联储对应展开了一轮持续的QE。银行当时平均杠杆x30~x40，后来降低到了x15~20。去年美联储降低了eSLR要求，实质性让银行理论可扩4-5万亿美元资产负债表
其实，4月后银行间流动性泛滥，也加剧了风险资产狂欢，低PE下杠杆入市

流动性是一切之王，流动性泛滥征服一切。如果说疫情期间120b/月是细水长流，现在就是开闸放水。对应过往平衡的QE没有转向QT情况下，直接放任银行去监管，制造大量流动性

但是流动性又如多巴胺，不是快乐分子，而是期待分子

放任之后，现在通胀黏着，Fed其实没有短期降息余地。甚至在危机一旦发生之后，都很难去QE，只有降息手段的Fed面对可能的危机是一个纸老虎。而短期流动性的另一面是，目前半导体、特别是存储中的杠杆已经太高了

3. 群雄并起：He went forth conquering, and to conquer

可能因为TSMC带头不相信AI，半导体行业整体在过去2年没有应对AI需求大规模扩产

后果是，当整个产业面临硅基洪流需求，忽然傻眼。过去半导体产业链主要是为了消费电子设计、定价的。而现在，不但订单忽然拉满，而且需要不停迭代架构

NVDA就从GPU fabless，进步到rack方案解决，再往token factory迈进。每个过程需要的技术、供货商都不同。所有供货商都没有经过如此量产设计。这就好像把一台拖拉机强行拉上高铁，让他以200mile速度奔驰，每个零件都会嗡嗡作响。半导体每个细分行业都缺货，缺产能，提高不够产能

与之伴生的一个问题是：原来卖方市场只有TSMC一个“守门员”控货源、控margin、控价格。原仔汤搓的产业有肉吃，需求方对价格产能有预期，良性发展。今天忽然五亿探长“雷诺”控制不住了，每个“小混混“都能来涨价、收保护费。真正的结果不是半导体都牛叉，而是失控：失控会影响每GW需要投入的成本核算，影响到命脉的预期。会给capex与模型收入会师蒙上阴影

4. 钢丝起舞

AI模型收入预期太满

回顾一下，市场坚信定价Anthropic + OpenAI + Gemini的收入会快速增加让Capex合理。这条命脉的信仰是不能有一点动摇的。哪怕略微的动摇都会导致二级市场剧烈波动

那么，过去GPT 5.0也有模型不及预期，市场质疑scaling law为什么没有让半导体大跌？

首先当时半导体没有像今天这样全面开花，也没有如此高的杠杆；其次，当时hyperscaler的现金流冗余较多，只要他们表示相信，拿钱来capex支持是很容易度过难关的。毕竟一旦他们有钱、继续capex，可见2年NVDA收益确定性高，没有人能顶风做空NVDA的

后来也发生过GPT被Gemini追平，并且导致Orcl持有其大量backlog订单而被做空。不过大总统的好兄弟老Larry敢对wall street说F you，用股权融资也要继续加注。很快， Opus横空出世让人意识到AGI时代已经到了

然而，今年capex已经到了770b，明年要1tril，华尔街是不会看Hyperscaler总营收多少的（道理就跟当时ORCL一样：OAI Anthropic可都是拿了他们投资款的），他们必须看到Anthropic 与OAI的增速持续，这个才是维系整个链条自转下去的核心

与此同时，这个游戏中大厂一直担任AI的监护人角色。但是他们的自由现金流已经变负了。“父母老了，力尽了“，后面的路要靠自己。而且市场满满预期下，对这条路一根筋的执着，不会给“主线”一丝一毫的容错

（你们可以回想NV rack液冷出问题，交换机CPO良率问题，这些小巫见大巫、假以时日一定能解决的问题，市场尚且没有任何容错）

命门在Anthropic：大过，大者过也。栋桡，本末弱也

供应延迟、乃至技术卡壳的问题是腠理之疾；任何模型端的风吹草动才是心腹大患

现在御三家模型的统一问题：算力不够，所以失智

我在自己大量使用模型编程、交易程序部署，多个AWS服务互动过程中发现，Opus4.8实际能力已经远远不如中国模型kimi了。虽然GPT还勉强可堪一用，但是也在逐步降智。市场在用固有软件思维考虑AI, 系统开发成本高、使用成本很低。试用好用将来也就可以稳定保证系统质量。但是AI是一个工厂，模型输出需要成本，饭店吃饭的人多了，厨房做不过来，质量自然变差了

第二个市场固有思维：指数的token需求是没有波动的，也不因质量改变。事实上，虽然我因为模型变蠢多用了很多token。但是我质疑token质量不断下降，token消耗增加的怪异剪刀差可以持久。现在很多公司确实对token使用有KPI考核，很多惯性订阅使用者也会加速使用，但如果算力瓶颈无法解决，我非常担心Anthropic增长曲线会变缓。而且算力问题非一蹴而就，也不是一个新模型能解决的

但是当市场开始意识到这个问题的时候，投资人会质问：

1. 跑不过蒸馏你的，模型花那么多钱训练干嘛？

2. 模型是不是商品化的model commoditize ？

当承载整个AI时代的模型“梦”也将受到质疑，整个盈收逻辑将来能否自我循环跑通将被质疑，所有今天拿了PE估值的半导体都同样会被质疑--- 你是不是周期性的？？

有人会说，失智既然因为算力不够就应该加大投入半导体解决问题

没错！但是钱呢？

如果刨掉OAI 与Anthropic拿到的融资款反哺云厂，他们能有多少净现金流可以继续支持这个投入？这个账对华尔街来说非常好算。当然不排除他们像当时orcl，哪怕融股权也要继续投入，熬过这关。到那时，可能市场的反应就会远远超过去年，假设AMZN Meta如果面临CDS 飙升、负现金流，他能否像老larry一样孤注一掷是不确定的

另外有人会说，OAI收入增加能不能弥补投资人担心。我认为预期如此之满的状况下，因为“比烂”而被替代是很难让人安心的（两军对战关羽被阵斩了，你说还有个张飞？没用的）

同时，我们也要意识到。这个Low PE的泡沫又是非常坚韧的，在没有直击到命门伤到命脉预期之前，几乎无敌。不过，一旦点中死穴就会轰然倒塌

我就业以来也曾看过好几次次纸碎金迷，潮起潮落，没有一次全民疯狂会ends well；

也没有一次梦在其中的人，会想明白这个赛道“怎么输”。最近一次币圈小伙伴熟悉的Defi summer。Uniswap很短时间狂卷几十bil USD，当时觉得取代部分传统金融只是时间问题、多少问题，根本不会想、也想不明白“怎么会输”。然而，如果喝醉酒的人想明白怎么会输，他就不会输了

不管Anthropic模型怎么样，面临什么问题，都不会动摇AI是人类第三次工业革命。AI过程不会受任何危机影响，碾着狂欢者的尸体也会继续前行，直到他替代几亿脑力劳动者

最后评论Low PE泡沫：不要说做空，哪怕踏空，痛苦指数都非常高。回头看看2007年做空subprime的哪些基金，有几个活到了最后狂欢？

牛市踏空都会变成笑柄的环境，我接下去会需要很多Aura力量与专注的力量，去一边看空一边做多。请原谅会减少在推特上消耗自己修为论道了，赠言：

可以喝酒，但是不能喝醉
可以讲故事，但是不能真信
可以跳上party桌子跳舞，但是双眼必须紧紧盯着DJ，他放着音乐跑了，你也得跟着跑

[鱼总聊AI @AI_Jasonyu]

我是万万没想到现在 ChatGPT 开个会员。门槛也这么高了？？

我的 Payonner卡、Pingpong卡、国内的 Visa 卡，全部都被拒绝了。

除了礼品卡，大家用什么卡支付的目前？

[peter @gonewithwill]

@edward40e 啊，不能拆个开源的吗

[yibie @yibie]

训练小模型：2026 年最被低估的 AI 技能

2026 年 5 月 11 日，一个叫 CJ Zafir 的人发了一条推文。他想教普通人 fine-tune 开源模型。

2538 个赞，316 次转发，178,000 次观看。这条推文炸了。不是因为他发明了什么新东西——Unsloth 早在 2023 年就开源了，Hugging Face 上的 fine-tuning 教程有几百篇。炸了是因为他在一个所有 AI 公司都在比赛造「更大模型」的时候，反手指向了完全相反的方向：小模型。你自己训练的。在 Colab 上。花几十美元。

两个月过去了。CJ 没有停。

他把这条推文变成了一套完整的方法论：Codex 5.5 做大脑规划工作流，DeepSeek v4 Pro 做肌肉批量生成数据，Unsloth 做训练引擎，Qwen 3.5 4B 做基座模型。然后他用这套方法论，花了 $173 训练出一个 4B 模型，在垂直任务上精度 96%+，击败了 20 倍大的模型。 再后来他做了个 voice agent 的工具调用 fine-tune——成本 $11。

从 $80 到 $173 到 $11。这不是渐进式优化。这是在重置整个 AI 部署的经济学。

一、CJ 方法论：为什么值得认真对待

CJ 不是第一个倡导 fine-tuning 的人。但他做对了一件事：他把整个流程的成本打到了个人开发者可以承受的水平，并且公开了每一步。

工具链

| 角色 | 工具 | 成本 |
|------|------|------|
| 规划（Orchestrator） | Codex 5.5 | 订阅内 |
| 数据生成（Generator） | DeepSeek v4 Pro | API 按量 |
| 训练框架 | Unsloth | 免费开源 |
| 训练硬件 | Google Colab Pro A100 80GB | ~$0.60/hr |
| 推理部署 | llama.cpp / Ollama | 免费 |

数据流水线

CJ 最核心的洞察不是「用什么工具」，而是「怎么造数据」：

「"Low quality data = Low quality model performance"」

他的流水线是自进化的：Codex 设计工作流 → DeepSeek 批量生成数据行 → 每批次过 Quality Gates → Codex 根据上一批结果优化生成规格。结果是越跑越快、越便宜、质量越高。

$80 生成了 1 亿+参数的高质量数据集。 不是简单 paraphrase，是「手工打造」每一行——Codex 设计的多样化 prompt 模板 + DeepSeek 的高速执行 + 可编程的质量门槛。

模型选择

CJ 实测了 Gemma 4 和 Qwen 3.5 全系列后，结论很明确：

「Qwen 3.5 9B 和 4B 是垂直训练的完美基座模型。Gemma 4 在垂直任务上不及 Qwen 3.5。」

他的 Qwen 3.5 4B fine-tune 在精度和延迟上击败了 20 倍大的模型。不是什么小众 benchmark——是他自己在垂直任务上实测的结果。

二、这不是 CJ 一个人的实验——行业数据在同时发声

CJ 的方法论看起来像「个人黑客技巧」，但独立的数据正在从各个方向验证同一个趋势。

市场规模

SLM（Small Language Model，1B-13B 参数）市场 2024 年达到 65 亿美元，年复合增长率 25.7%。SLM 在大多数企业任务上已经匹配或超过 GPT-3.5 级别性能，只需一小部分成本。

性能

阿里巴巴的 Qwen 3.5 9B 在 MMLU-Pro、GPQA Diamond 和 multilingual MMMLU 三个基准上击败了 OpenAI 的 gpt-oss-120B——13 倍参数差距，小模型胜。

另一项独立的 brand normalization 案例中，一个小模型达到了 90.6% 准确率，超越了 GPT-5.2 和 Gemini 3 Pro。

企业已经在省钱——真正的省钱

| 公司 | 方案 | 效果 |
|------|------|------|
| Knowunity | 用 Distil Labs fine-tune SLM | 推理成本降 68% |
| 某客服 agent | 从通用大模型切换到 fine-tuned SLM | 月成本从 $13,000 降到 $400 |
| EliseAI | 专门训练的垂直小模型用于住房和医疗 | 推理成本降 60%，延迟降 80% |
| AT&T | 专用 SLM 做客服和欺诈检测 | 数百万美元节省 |

400 美元一个月。一个客服 agent。这是几个工程师的年收入可以覆盖无限次 API 调用的部署方案。

三、「数据集工厂」才是真正的护城河

CJ 在 5 月 22 日发了一条推文，八个词：

「"The moat might not be the fine-tune itself. It might be the dataset factory."」

这是整个小模型运动最重要的洞察。Fine-tuning 技能本身正在被民主化——Unsloth 已经能在 3GB VRAM 上训练，Colab 免费提供 GPU，CJ 连 prompt 模板都公开了。当人人都能做 fine-tune 的时候，差异化从「会不会做」转移到了「数据从哪里来」。

中文社区的 AKIRAXCLAW 在一篇分析里补了一个关键观察：

「「CJ 的工作流在 2026 年多数是业界共识，但真正难点不是工具——而是你有没有 200 笔干净数据 + 自动评估脚本。」」

在 CJ 的体系里，Codex 的核心角色是 orchestrator，不是因为它比 DeepSeek 聪明，而是因为它能设计数据流水线、构建 Quality Gates、自进化优化生成规格——它在管理数据生产的质量系统，而不仅仅是生产数据。

四、从边缘到生产线：部署已经在发生

SLM fine-tune 的部署门槛已经降到消费级硬件。Unsloth 2.0 支持 GGUF 量化导出 + llama.cpp / Ollama 部署。一个 3B 参数量化到 INT4 后占用 1.5-2GB 内存，可以在树莓派 5 上运行。Qwen 3-0.6B 在 Pixel 8 和 iPhone 15 Pro 上实现约 40 tokens/s 推理。

2024 年你可能需要一台 A100 才能跑 fine-tune。2026 年你可以在 Colab 上训练、在手机上推理。这种从「数据中心才能碰」到「个人设备上运行」的变化，是 Platform Shift 级别的。

而 NVIDIA 在推动的「Data Flywheel Blueprint」——用生产流量持续生成训练数据，自动 fine-tune，自动部署——正在把这个流程变成企业基础设施。NVInfo AI 用这个方案在三个月内把内部知识助手的质量提升到覆盖 30,000 名员工。

五、成本轨迹：从「公司预算」到「午饭钱」

CJ 的公开成本记录是最好的注脚：

| 日期 | 项目 | 成本 |
|------|------|------|
| 05-13 | 1 亿+参数数据集生成 | ~$80 |
| 05-27 | Qwen 3.5 4B 完整 fine-tune | ~$173 |
| 05-28 | Qwen 3.5 tool calling for voice agent | $11 |

$11。这在硅谷大概是一顿午饭。在印度、东南亚、非洲，是一个独立开发者完全负担得起的预算。fine-tune 已经从「大公司才有资格做的研发项目」变成了「个人开发者用午休时间能完成的 side project」。

六、结论：学会训练你的第一个模型

CJ 给的学习路线图异常简单：

1. 从 1B-4B 小模型开始，不要一上来就搞大模型
2. 用 Colab Pro（A100 ≈ $0.60/hr），不要急着买 GPU
3. 先 fine-tune 7-10 个模型积累经验（SFT → LoRA/QLoRA → GRPO/DPO）
4. 用 Codex 做规划，DeepSeek 做数据生成
5. 理解量化（GGUF）、本地推理（llama.cpp）、KV 缓存

他甚至在 5 月 23 日直接发布了一个「复制粘贴就能用」的 prompt——把整个学习路径封装成一段对话，扔进 Codex 或 ChatGPT，让 AI 带你从 beginner 到 advanced。

这就是 2026 年 AI 技能民主化的真实面貌：不是每个人都需要学会训练模型。但学会训练小模型的人，不再需要 10 人团队和 10 万美元预算。

通用大模型的军备竞赛还在继续。GPT-5、Claude Opus 5、Gemini 3 会越来越强。但越来越多的真实场景正在证明：一个花了 $173 训练的 4B 小模型，在你自己的数据上，比你花 $200/月订阅的通用大模型更好用。不是因为小模型更聪明。是因为它只做了你需要的那一件事。

参考来源：CJ Zafir X 推文系列 (2026.05.11-05.28)；AKIRAXCLAW 中文分析；Alibaba Qwen 3.5 benchmark (VentureBeat)；Unsloth 2.0 文档；NVIDIA Data Flywheel Blueprint；AT&T / EliseAI / Knowunity / https://t.co/7r0fApoHPJ 企业案例；Manicode / Arendil 独立 benchmark；SLM Market Report 2024-2026

[ريان || Rayan @Trend_A9]

شخص ثري قال لي مرة :

"المال يحب الماء."

أخذ مني الموضوع سنوات لأفهم...

[小盖 @xiaogaifun]

强烈安利这个讨论 AI Coding 方法的演讲。

AI Coding 工具正在同时被过度低估和过度吹捧。

关于 Vibe Coding，看到的都是类似的说辞：编程已经没有门槛，用自然语言说出自己的想法，就能够写出一个软件。

另外一方面，真正用 AI 写过成体系代码的工程师都会发现，AI 确实非常强，但它也容易把代码库变成一坨没人敢动的屎山。

前段时间在 AI Engineer 大会上，资深工程师 Matt Pocock 做了一个分享，标题挺反共识的，叫 Software Fundamentals Matter More Than Ever。

软件工程基本功在 AI 时代不仅没过时，反而比以前更值钱了。

这句话第一眼看上去像是老工程师的精神胜利法，但听完他的论证再回头看自己用 AI 写代码踩过的坑，会发现讲的全是实话。

下面我分享一下我的感受。

1
很多人对 Vibe Coding 的理解是，随性地跟 AI 聊，用自然语言表达想法。哪里有 bug 或者跑不通，继续让 AI 改就行，反正 AI 已经很强了。

如果只是做一个小工具，用户量不大，那这套打法绝对没问题。但如果你想做的是一个大中型系统，那完全就是另外一回事了。

懂代码的人深入看一眼就会发现问题。Vibe Coding 第一遍 AI 生成出来的代码还行。第二遍质量下降一点。

第三遍更差。几轮下来代码库的可维护性会变得很差，逻辑散落、命名混乱，连 AI 自己再回来读都得绕半天。

《程序员修炼之道》这本老书里有个词准确地描述了类似的现象：软件熵。

熵增是宇宙基本规律，万事万物都倾向于变得混乱。软件也一样，每次改动只盯着眼前这一处，不考虑整个系统的设计，代码就会一点点烂下去。

AI 生成代码的速度比人快十倍，这意味着熵增的速度也快了十倍。

Vibe Coding 这套打法的底层假设是一句话：代码很便宜。但这个假设错得离谱。代码从来不便宜，烂代码反而比以前更贵了。

为什么这么说，因为 AI 在好代码库里能跑得飞起，在烂代码库里寸步难行。

想象两种场景。一种是代码库结构清晰、命名一致、模块边界明确，AI 接到任务能很快找到该改哪里、不会改坏什么。

另一种是代码像一锅乱炖，同一个概念有三种叫法，逻辑散落在十几个文件里，AI 每次改动都得先猜半天，改完还经常牵一发动全身。

在第一种代码库里，AI 是杠杆，把产出放大十倍。在第二种代码库里，AI 是放大器，把混乱放大十倍。

这就是整件事的核心：AI 是复杂度放大器，不是复杂度清洁工。

那问题来了。既然 AI 会天然放大复杂度，那真正该做的事情是什么？

答案是主动给代码库加秩序。

这时候。那些老掉牙的软件工程原则和方法，在 AI 时代不是变得过时了，而是第一次变成了真正的生产力。

2
很多人用 AI 写代码的第一感觉是，怎么 AI 做出来的不是我想要的。

明明指令也下了，要求也说了，做出来的东西就是差点意思。然后再补一句 Prompt 调整，再差点，再补一句，几轮下来开始怀疑人生。

软件这行有句老话，没人真正知道自己想要什么。

解决方案有两个，都是开工前的功夫。

第一个叫 Grill Me。

让 AI 反过来盘问你。Prompt 简单到就一句话：围绕这个计划的每个细节相关地审问我，把设计树的每个分支都走一遍，把依赖关系一个个理清，直到我们对要做的事达成共识。

这个仓库在 GitHub 上拿了一万三千多颗星，可见多少人有同样的痛点。

实际用起来什么效果，AI 会问你四十个、六十个、有时候一百个问题。问到后来自己都觉得烦，但就在这种烦中，原本以为想清楚了的需求，会被它逼出一堆没考虑到的角落。

《人月神话》的作者曾经讲过一个观点：两个人一起设计一个东西，他们之间会有一个看不见的共同理解，那个理解不在任何文档里，就在两个人的脑子里。

如果这个共同理解没建立，两个人各自走各自的方向，最后做出来的东西必然对不上。

人和 AI 之间也一样。你以为说清楚了，AI 以为听明白了，其实双方脑子里想的根本不是同一个东西。

Grill Me 干的事就是把这个隐形的共识显形化，让双方的脑子在动手之前先对齐。

第二个方法叫 Ubiquitous Language，通用语言。

这是 DDD 里的老概念。DDD 是什么，我不展开了，不熟的同学可以去搜一下。最近 Vibe Coding 比较多，我又再次意识到十年前学的 DDD 有多重要。

举个例子。一个电商项目，运营那边把订单叫做单子，客服那边叫订单，技术那边在代码里写 Order，数据库表叫 trade_record。这次 Prompt 用了订单，AI 就写一个 order_service。

下次 Prompt 用了交易，AI 又写一个 trade_handler。过几轮回头看代码，发现同一件事在三个文件里有三种命名，调用关系绕来绕去。重构一次得改半天。

通用语言的做法很简单，维护一个 Markdown 文件，列清楚项目里所有关键概念的精确定义，哪些词不要用，命名规则是什么。然后让 AI 每次工作前先读这个文件。

效果挺明显的。观察 AI 的思考过程会发现，术语对齐之后，AI 想问题的方式都不一样了，输出更精准，写出来的代码命名也更一致。

把这两件事放一起看，会得到一个挺反直觉的结论：和 AI 协作里最贵的成本，不是写代码的时间，是消除歧义的时间。

前面花十分钟跟 AI 对齐清楚，后面能省两个小时的返工。这笔账怎么算都划算。

但人有种本能，看到 AI 能写代码，就想赶紧让它开始写，先跑起来再说。

这种心态在 AI 时代会被反复教训。

3
意图对齐之后，下一步是怎么让 AI 实际干活。

这里有两个关键的节奏控制方法，垂直切片和 TDD。

先说垂直切片。

很多人用 AI 的姿势是这样的：给我做一个任务管理系统，要有用户登录、任务列表、提醒、协作。

然后 AI 开始一通生成，前端、后端、数据库、接口，一口气出来几十个文件。

这种打法有点像先横着铺架构，前端、后端、数据库、接口都先摆出来，再一层层往里填。问题是哪一层都没填完，哪一层都跑不通，想验证某个具体功能能不能用都不知道从哪儿下手。

更靠谱的打法叫垂直切片。

从一个具体的用户场景切入，比如用户能创建一个任务并在列表里看到它。

围绕这个场景，从前端的按钮到后端的接口到数据库的存储，竖着打通一条完整链路。这条链路能跑通了，再做下一片。

这么做的好处特别实在。每一片代码量都不大，能看懂 AI 在做什么。

每一片做完都有一个能演示的成果，业务价值看得见摸得着。出了问题改动范围有限，不会牵一发动全身。

用得好的人都在做精细手术，一片一片地打通。用得差的人都在让 AI 拿电锯推楼，看起来气势大，结果一片狼藉。

切片切对了方向，每一片里面也不能让 AI 一通乱写。这里就要用到 TDD，测试驱动开发。

AI 写代码默认是一种很冒进的状态。给它一个任务，它会一口气写一大堆代码，写完才想起来要不要类型检查一下，要不要跑个测试。

这时候已经晚了，错误已经扩散到很多地方，找起来非常痛苦。

《程序员修炼之道》里有句话说得贴切，反馈的速度就是你的速度上限。反馈跟不上代码生成的速度，迟早翻车。

TDD 干的事是给 AI 装一个限速器。先写一个测试描述期望行为，让 AI 实现这个测试能过的最小代码，跑通，再写下一个测试。

AI 被强制一小步一小步走，每一步都有验证，跑偏了立刻就能发现。

这里有个心态上的变化值得说说。以前是人写代码再补测试，测试是写完之后的事情。

现在更像是人设计测试和行为，AI 去把实现填满。测试从事后检查变成了事前约束，从安全网变成了方向盘。

AI 不缺速度，AI 缺的是约束。约束是人加的。

4
活动现场，Matt 问现场的程序员，有多少人觉得自己比以前更累。台下很多人举手了。

AI 不是号称可以提高效率吗，怎么用了 AI 反而更累。

原因其实很简单。AI 产出代码的速度，已经超过了人脑处理这些代码的速度。能写出来不等于能看懂，能跑通不等于能维护。

而代码库的组织方式，直接决定了这种过载有多严重。

如果代码库里全是浅模块，AI 写得越多，人需要装进脑子的东西就越多。

每个模块接口都不一样，调用关系绕来绕去，想看懂 AI 改了什么，得把整张地图重新理一遍。AI 在跑，人在喘。

解法是回到一个老概念，深模块，Deep Modules。这个概念出自斯坦福教授 John Ousterhout 写的《软件设计的哲学》。

什么叫深模块。一个模块对外暴露的接口越少越简单，内部封装的复杂度越多，这个模块就越深。

举个例子。要发邮件，深模块的做法是对外就一个函数 sendEmail（收件人， 主题， 正文），调用方填三个参数就完事。

这个函数里面要做的事其实一大堆，连服务器、认证、组装邮件头、处理重试、关闭连接，但这些细节全部藏在模块内部，外面看不见。

浅模块的做法是把这些细节一个个暴露出来，对外给六七个函数，调用方得自己按顺序调用。

注意，深模块不是说一个函数里塞很多东西，那是反面教材。

深模块讲的是整个模块对外的接口少而干净，内部该拆几十个小函数就拆几十个小函数，但拆出来的小函数是模块内部的事，不暴露给外面。

AI 天生爱生成浅模块。让它写代码，它倾向把内部步骤一个个变成对外函数，看着 DRY，实际上把内部复杂度泄露给了调用方。

深模块的好处是人可以把模块内部当成灰盒看。接口设计清楚了，行为有测试盖着了，里面怎么实现的日常不用盯每一行，需要的时候再掀开看。

这部分脑力就省下来了，省下来的脑力放在更上层的事情上，模块边界画得对不对，接口够不够清晰，整体架构有没有走样。

人的大脑能装的东西是有限的。AI 把代码生产速度推上去之后，这个有限性就成了瓶颈。

深模块的本质是给大脑减负，让人不用把整个系统的复杂度都装进脑子才能干活。

到这里，AI 时代开发者的角色就清楚了。

AI 是手脚极快的实施兵，能把活干得又快又多。但实施兵需要有人指挥，得有人在更上面盯着系统该往哪儿长。这个人就是开发者。

这种分工下，开发者每天该投入的不是敲键盘的时间，是想清楚系统该怎么设计的时间。

写到这儿，开头那个反共识的结论可以收一下了。

AI 正在把程序员从代码工人推向系统设计师。生成代码这件事，AI 已经接手了大半。

人剩下的价值集中在四件事上：画清楚模块边界，控制系统的熵增，设计反馈的回路，统一整个系统的语言。说到底是一件事，管理复杂度。

会写 Prompt 只是入门，能管复杂度才是真本事。

5
前面这些原则，通用语言、垂直切片、TDD、深模块，单拎出来没有一条是新的。每一条都能在二十年前的工程书里找到出处。

这正是这场分享真正想讲的事。

Matt 在开场说过一句话，这场 talk 是讲给那些觉得自己的技能在 AI 时代不再值钱的人听的。

台下很多是干了十年、十五年、二十年的开发者，看着 AI 一夜之间能写代码，会下意识觉得自己被淘汰了。

但他要表达的其实不是替老工程师找补。他真正想讲的是另一件事。

即便 AI 的能力已经这么强，写代码的速度这么快，那些过去几十年攒下来的软件工程原则，仍然需要被一代一代的开发者认真学习、认真理解。

这些原则不是历史遗产，是真正构成判断力的基石。没有这些基石，就驾驭不了 AI 写复杂代码。

AI 时代有一件事翻转了。以前稀缺的是手快的人，能一晚上撸出来一个原型的程序员很厉害。

AI 把手快这件事变成了基础设施，稀缺性整个反转过来，反转到了对代码的驾驭上。

所以这场分享真正想说的是，AI 不是让软件工程让这门功课变得比以前更重要。

老工程师过去几十年学的那些东西没白学，年轻开发者今天该学的那些东西也没法跳过。

AI 能帮人写代码，帮不了人去理解什么是好代码。

编码容易，测试也容易。架构、设计和品味，才是真正有价值的事。

[peter @gonewithwill]

@Kai866 想象力的

[peter @gonewithwill]

@alexhyzhang @ixiaowenz 专业和脑子是两码事

[Vince 聊开发 @vincemask]

一个 Google Cloud 工程师演示用 Claude从零开始开发应用。

重点是穿插把 Claude Code 的核心工作流讲透了：CLAUDE.md、上下文管理、从开发到部署、以及如何让 Claude 承担真实工程任务。

这 30 分钟，讲透了vibe coding的本质。

[Barret李靖 @Barret_China]

最近的工作模式已经逐步变成，AI 监控群聊/线上日志/会议纪要，定时产出可执行的 todo list，加入到 AI 自己的看板，然后结合对应项目的源码仓库和 okr 文档，能提代码的直接产出PR，能出方案的直接产出文档，要么就是各种私聊催办，让责任人补齐上下文材料，好让它继续干活儿。

目前一个复杂项目 15% 以上的代码，都是 AI 全流程自助完成，给自己建需求、写代码、跑单测、提 PR😅，甚至合并代码都被 AI给干了（换两个模型轮流交叉 review）。

[geniusvczh @geniusvczh]

Windows 11有个动画的bug，该播动画的时候没刷新，导致看起来无缘无故卡了。你在性能设置里把动画关了，UI直接起飞🤪

[Kai @real_kai42]

Kimi code 支持了接入专业数据库，直接从官方数据源 查询

• stock_finance_data — A股/港股/美股 综合金融数据：实时行情、历史价格、财务报表、公司公告、股东信息、财务指标、业务分部、盈利预测、智能选股
• yahoo_finance — Yahoo Finance 全球金融数据：股票/外汇/ETF/加密货币/指数的历史价格、财报、股东、分析师评级、期权链、公司新闻
• world_bank_open_data — 世界银行宏观经济数据：全球各国 GDP、人口、通胀、失业率、教育、医疗、贸易、环境等 29,000+ 指标
• tianyancha — 天眼查中国企业工商信息：工商登记、股东结构、司法风险、知识产权、经营状况、关联关系
• arxiv — 学术论文预印本：计算机/物理/数学/生物等领域论文的搜索、下载、阅读
• scholar — Google Scholar 学术搜索：论文检索、作者画像、引用分析

[peter @gonewithwill]

@LifeBeLikeThatX 哇哈t

[Mr Panda @PandaTalk8]

agent 团队？ 别搞笑了。

最近又开始有很多人搞 agent 团队， 就是给ai 设定各种角色来组成ai agent 团队。

比如 有AI Agent 的产品经理、 AI Agent 前端工程师、 AI Agent 的后端工程师 等等， 然后他们相互协作去完成一项团队级别的任务。

实际上我曾经也做过试验，我认为没有啥用。 AI/LLM 想要用的好， 最重要的上下文约束做的好 。

现在我们人为把他们分开， 各有个的上下文，协作不可能顺利。

那么最好办法是什么 ？

我认为把任务背景、目标、约束、关键上下文结构化的输入AI/LLM ， 这才是真正的有效的事情。

真正重要的是：你能不能把一个复杂任务，压缩成 LLM 可以理解、推理、执行和验证的结构化上下文。

[好奇猫a @acnekot]

你怎么能直接 commit 到我的 master 分支啊？！GitHub 上不是这样！你应该先 fork 我的仓库，然后从 develop 分支 checkout 一个新的 feature 分支，比如叫 feature/confession。然后你把你的心意写成代码，并为它写好单元测试和集成测试，确保代码覆盖率达到95%以上。接着你要跑一下 Linter，通过所有的代码风格检查。然后你再 commit，commit message 要遵循 Conventional Commits 规范。之后你把这个分支 push 到你自己的远程仓库，然后给我提一个 Pull Request。在 PR 描述里，你要详细说明你的功能改动和实现思路，并且 @ 我和至少两个其他的评审。我们会 review 你的代码，可能会留下一些评论，你需要解决所有的 thread。等 CI/CD 流水线全部通过，并且拿到至少两个 LGTM 之后，我才会考虑把你的分支 squash and merge 到 develop 里，等待下一个版本发布。你怎么直接上来就想 force push 到 main？！我拒绝合并！

[Tigris 会讲课教授是好老师 @tig88411109]

开年最差之一，3/30日标普500在最底部下跌7%，现在已上涨10%

你还能不能记得，在最黑的时候到底学到了什么。

很多人总想要一个完美答案：

现在是不是最低点？
现在是不是要 all in？
现在是不是该清仓？

市场从来不给这种答案。

你卖的时候，不会刚好卖在最高点。

你买的时候，也不会刚好买在最低点。

真正成熟的投资，不是执着于那个神话般的最优点，而是用你自己活得下去的仓位结构，持续做高赔率的事。

树不会长到天上去。再好的板块，涨多了也会透支赔率。再差的情绪，跌到脱离合理价值以后，也会出现修复。

所以最难的，从来不是看懂一次暴跌。

而是当市场重新热起来、重新顺起来、重新让你觉得自己无所不能的时候

你还能不能记得，在最黑的时候到底学到了什么。

多数人不是死在底部。多数人死在从底部活过来以后，以为自己刀枪不入。

市场会反复奖励勇敢。
但它最终只长期奖励有纪律的人。

[peter @gonewithwill]

现在才反应过来关注美伊战争是浪费时间，当美股大幅反弹时，这个指标早已失灵。

[烦恼小羊 @fannaoxiaoyang]

你是一个经验丰富的美股投资者，过去数十年，每逢大回调你都重仓抄底。果然，你的胆识带来了丰厚回报，每次都是V型反转，有惊无险。

你走在街上，看到那些为生活奔波的熙攘人群，优越感不禁涌上心头，你由衷认为人就应分三六九等，你天生靠脑子赚钱。

时间来到1999，电视又开始播报那些无聊的互联网泡沫新闻，市场再次大幅下跌。你内心轻蔑一笑，这种危言耸听的场面你见过无数次，而你早已游刃有余，你知道一切只是华尔街的戏法。

你即将迎来第三个孩子，是时候换带泳池的大房子了。这次你铆足了劲，开始下更大的赌注…

[peter @gonewithwill]

地缘政治事件只适合埋伏，不适合追高，没有可持续性，这个教训太惨痛了

[高军 @GoJun315]

Anthropic 黑客松获奖者，把自己 10 个月重度使用 Claude Code 沉淀下来的整套打法，毫无保留地开源了出来。

ECC，一个面向 Claude Code、Cursor、Codex 等主流 AI 编程工具的 Agent 工程化框架，目前在 GitHub 上狂揽了 18 万 Star。

它不是简单一份配置模板，而是一整套把 AI 编程工具当成基础设施来用的完整系统：

- 60 个专用 Agent，覆盖规划、架构、TDD、代码审查、安全审计、构建排错等场景
- 232 个按需加载的 Skill，写代码、写文章、做投资材料、跑营销都有现成模板
- 内置 AgentShield 安全扫描，专门审计 CLAUDE.md、MCP 配置、hook、skill 里的安全风险
- 三个 Opus 4.6 跑红蓝对抗，攻击方找漏洞、防守方评估、审计方给出最终风险评级
- 连续学习层会自动把每次会话里有效的模式，沉淀成可复用的 skill
- 覆盖 TypeScript、Python、Go、Rust、Java、Swift 等 12 个语言生态

GitHub：https://t.co/UG9LsDURSX

可作为 Claude Code 插件一键安装，建议重度用 Claude Code 写代码的朋友使用。

也推荐研究一下这套配置思路，能学到很多把 AI 编程工具真正用出生产力的玩法。