Woops

Life is too short...

[超级个体｜柿子 @yaohui12138]

去年我还在百度的时候，团队里有个实习生，逻辑能力一般，但他有个习惯：

每天花1小时精读3篇深度行业报道，36氪、虎嗅、甲子光年轮着来

三个月后，他提的需求方案开始频繁被采纳

不是因为他突然变聪明了，而是他脑子里的“信息密度”变高了

他知道竞品在测���么新功能，知道行业在往哪个方向卷，知道用户最近在讨论什么新痛点

同样的逻辑能力，输入的信息质量不同，输出的结果天差地别

我自己转型做 AI 这一年，最大的感受也是这个

刚开始我也焦虑，觉得自己技术不如科班出身的，逻辑不如大厂十年的老 PM

但后来发现，在 AI 这个快速迭代的赛道，信息的时效性比逻辑的精密性更重要

我每天泡在 Twitter、GitHub、Discord，第一时间知道 OpenAI 发了什么新 API，知道哪个开源项目突然爆了，知道海外独立开发者在用什么新玩法变现

这些信息进来之后，哪怕我的逻辑能力平平，也能快速判断出：

这个能不能用、这个值不值得做、这个有没有商业价值

很多���卡住，不是因为想不明白，而是根本没见过

你让一个从来没刷过海外 AI 社区的人，去判断 AI Agent 的商业模式，他再聪明也只能瞎猜

但如果他每天看10个海外案例，一个月后，他自然就能总结出规律

信息输入的本质，是给你的逻辑提供“可计算的原材料”
逻辑再强，输入的是垃圾信息，输出也只能是垃圾结论

这也是为什么我一直强调“信息差就是生产力”

不是说要去割韭菜，而是说，你比别人早知道、多知道、深知道，你的决策质量自然就高

具体怎么做

我自己的方法是：每天固定30分钟，精读1-2篇深度内容，可以是行业报告、可以是技术博客、可以是海外案例

关键是“精读”，不是刷资讯那种扫一眼标题

要带着问题读：这个案例的成本结构是什么，这个工具解决了什么真痛点，这个模式能不能复制到国内

读完之后，用自己的话总结核心逻辑，发条推文或者记到笔记里
这个过程，就是把“信息”转化为“认知”的过程

三个月后，你会发现自己看问题的角度完全不一样了

不是因为你逻辑变强了，而是你脑子里的“信息坐标系”变密集了
最后说一句

逻辑能力确实重要，但它更像是“处理器”，信息输入才是“数据库”
处理器再快，数据库是空的，也算不出有价值的结果

90%的创业问题都是由于信息不够多，所以不要觉得别人多个脑子，他们只是暂时比你知道的多而已

[Stanley @Stanleysobest]

带新人时，我坚持一个原则：

前三个月，允许他犯任何技术错误，但绝不允许犯沟通错误。

代码写错了可以改，需求理解错了可以调。

但遇到问题不汇报、进度延迟不沟通，这是底线。

现在他独立负责一个模块，每周主动同步三次进度，遇到卡点半小时内必上报。

培养一个人的职业素养，比教会他所有技术点更重要。

[CoachLync | Tools & Playbooks @CoachLync]

Defensive numbers → offensive answers.

[Benson Sun @BensonTWN]

作為公司老闆，我自己正在第一線感受 AI 變革到這件事。

除了買 Claude Max 給大家用，我們現在的運營會議，固定會留一段時間，讓大家分享最近用 AI協助工作的心得跟瓶頸。

我跟 PM 用得最兇，給的 feedback 也最多，還好夥伴們都很願意學，我相信很快會抹平團隊成員間的認知差距。

認真在用 coding agent 的人一定有感覺。一年前的 agent 跟今天的 agent，幾乎是兩個物種。這一年，coding agent 已經從「能用」走到「不得不用」，而且採用率還在加速。以前還會想一下要不要自己寫，現在第一反應就是先丟給 agent。

為什麼程式領域跑這麼快？

因為代碼本身就是高度結構化、邏輯嚴謹的語言。網路上又有海量的 StackOverflow 問答、GitHub 開源專案，全部都是公開的、標準化的、可以驗證對錯的訓練材料。AI 吃這些東西成長，條件實在太好了。

但其他領域就不是這樣。

一個律師處理過的案件細節、一個醫生累積的臨床判斷、一個投行分析師建構的估值模型，這些 domain knowledge 長期鎖在企業內部，沒有被系統性地數位化，更談不上公開。沒有足夠的養料，AI 自然長不出肌肉。

矽谷已經看懂這件事了，所以最近幾年開始出現一個很清楚的趨勢：AI 公司瘋狂收購「領域知識公司」。

Harvey AI 這家法律 AI 公司，成立三年估值衝到 80 億美元，服務全美一半以上的 Top 100 律所，年經常性收入超過 1.5 億美元。同一時間，Filevine 連續收購 Pincites 和 Parrot，在舊金山 Anthropic 總部旁邊開設新辦公室，直接搶 AI 人才。

醫療領域也是同樣的邏輯。Stryker 收購 Care. ai 打造智慧病房，Commure 用 1.39 億美元買下 Augmedix 的 AI 醫療抄寫技術。Abridge 專注把醫病對話轉成病歷，2025 年單筆就融了 5.5 億美元。

這些案例都在講一個事實：資本正在用併購，把人類花十幾年累積的經驗曲線直接買下來。

誰掌握領域知識，誰就能訓練出真正有用的垂直 AI。

這對白領意味著什麼？

意味著時間差正在快速縮短。以前 AI 公司缺乏領域數據，所以垂直產業的 AI 進展緩慢。現在這個缺口開始被補上，法律、醫療、金融、會計這些過去被認為需要高度專業判斷的領域，護城河正在被一層一層侵蝕。

AI 取代初階職位已經是現在進行式。半年前我還覺得這會是三到五年後的事，現在看這個速度，兩年內出現結構性變化並不意外。

新職缺會變少，越來越多公司遇缺不補，甚至直接裁員。不擅長使用 AI 的人，會站在海嘯最前排。

很多白領最後能抓住的只剩下一件事：人類有執照，AI 沒有。

就像代書與公證人，工作流程高度機械，但法律要求必須由人簽章才生效。未來律師、會計師、醫師很可能也會走向這種形態，AI 完成大部分實質工作，人類負責最後審查與責任承擔。

自動駕駛也是同樣的路徑，技術早已成熟，真正的阻力一直是責任歸屬。但隨著事故率低於人類、效率與成本優勢被量化，現在美國多州已開始允許無人駕駛商業營運，責任轉向營運方與製造商。AI 取代白領，遲早會走到同一個結果。

Elon Musk 最近受訪時提到，三年內 Optimus 進行外科手術的能力會超越頂尖醫生。培養一個心臟外科醫師要十幾年，一台機器學會之後，十萬台可以同步更新，不會累、不會抖，也不會在連續手術後判斷力下降。

人類用十年培養一個專家，AI 只需要一次訓練，就能複製一整個族群。

---

作為普通人，你能做什麼？

第一，學會用 AI，你得比別人用得更熟，不是單純複製貼上跟 Chat bot 聊天，而是去學習最前沿的知識。譬如去嘗試最近 Claude Code 最新發布的 Cowork、去主動接觸一些 ChatGPT 以��的工具。

第二，不要只做執行層，當「協助團隊導入 AI」的人。會用 AI 是基本，能教別人用、能幫公司導入，才是護城河。純執行的人最容易被取代，而推動變革的人永遠會有位置。

第三，找工作以外的 plan B。趁還有餘裕的時候，開始佈局工作以外的收入來源。副業、投資、第二專長，什麼都好，別把雞蛋放同一個籃子。

[Alex Xu @alexxubyte]

12 Architectural Concepts Developers Should Know

[Simons @Simon_Ingari]

Don't go to an interview until you can answer these 5 questions:

1. Tell me about yourself
How: Make 30 to 60 sec when following this structure.
• Present + Past: "I'm currently [position + achievement], before that I [relevant experience]"
• Future: "I'm looking for [what you want] where I can contribute"

2. Why do you want this job
How: The research company is 30 minutes before the interview.
• Study the company's website, news articles, social media and job descriptions.
• Tell us about your skills that are relevant to what the company needs and show that you really want to work there.

3. What's your greatest weakness
How: Find a skill that is less relevant to the position you are applying for.
• The skill must be something you really want to improve.
• Talk about the weakness but close it with the fact that you are aware of the weakness and are in the process of fixing the weakness.

4. Tell me about a time you faced a challenge
How: Prepare 3 to 5 stories based on your experience
• Choose a challenge that is relevant to the position and the story of the problem → action → result.
• Enter specific numbers and the story must be under 2 minutes.

5. Do you have any questions for me?
How: Prepare 7 to 10 questions before the interview
• Specific questions about role success, challenges and company culture.
• Avoid asking questions about schedule-related and benefits that show that you are not interested in the job but only want benefits.

Don't forget to share this post so that others can learn too.

No interview invitation in the last 6 weeks?
Let’s help you fix that CV and get you noticed. Email your CV to [email protected] with subject 'Revamp'.

[Hasanuzzaman Khan @hasan28d]

MY COUSIN SUBMITTED 52 JOB APPLICATIONS.

ZERO RESPONSES.
ZERO INTERVIEWS.

Then I uploaded his resume to GROK and got 11 replies in 9 days.

Here are the 7 prompts I used:

[安仔 @geekshellio]

我们平时兴冲冲打开 Claude Code，然后就开始瞎写代码（尤其是小白），结果项目越做越乱，最后发现自己在一堆烂摊子里挣扎？

这个视频里的老哥 Avthar 说他以前就是这么干的，直到他摸索出了一套叫 PSB 的系统——Plan（计划）、Setup（配置）、Build（构建），现在他每个项目都用这套流程，效率直接翻了 10 倍。

他说的第一个阶段是计划阶段，听起来似乎大家都知道对吧？但他强调花 15 分钟做计划能省你好几天的时间。

这个阶段核心就是问自己两个问题：

1. 你到底想干什么？
2. 你想要哪些功能里程碑？

比如你是在做原型验证还是要上线给真实用户，这完全决定了你的开发方式。

如果只是做原型，那就快速迭代不用管边界情况；但如果要上线，安全性、错误处理这些都得考虑进去。

他建议把项目拆成 MVP（最小可行产品）和后续几个版本，别想着一次做完所有功能。

然后他提到一个特别实用的技巧：

让 AI 来问你问题。

你把初步想法丢给 Claude，让它问你三个最重要的问题，通过回答这些问题你会发现很多自己没想清楚的地方。

他甚至会用语���模式跟 ChatGPT 聊天，把模糊的想法说出来，然后让 AI 整理成文档。

最后这个阶段要输出一个项目规格文档，包含产品需求和技术需求两部分。

产品需求就是你要解决什么问题、给谁用、具体交互是什么样；

技术需求就是选技术栈，他自己偏好的是 Next.js + Tailwind + Supabase 这套组合，但重点是你得明确告诉 Claude 用什么，不然它会自己瞎选。

第二阶段是配置阶段，他列了个七步清单。

首先是建 GitHub 仓库，这样你能在网页端和手机上用 Claude Code，还能用 GitHub CLI 和自动化 PR 审查。

然后是配置环境变量文件，把所有 API key 提前填好，省得 Claude 老是停下来问你。

接着是重头戏——https://t.co/WffY9r8uA4 文件，这个文件会一直在 Claude 的上下文里，但不能塞太多东西。

他建议放项目目标、架构概览、设计规范、约束条件这些核心信息，其他详细内容可以链接到别的文档。

他特别强调自动化文档这个概念，就是让 Claude 在开发过程中自动更新几个关键文档：

https://t.co/Fd6GPtZqXX 记录系统设计、https://t.co/wDiVmn8NZo 记录变更历史、https://t.co/97Z6yowYaH 记录当前进度和下次从哪继续。这样即使你几周没碰项目，回来也能快速接上。

然后是配置插件和 MCP（模型上下文协议）服务器，比如前端开发插件能避免那种千篇一律的紫色渐变 UI，数据库 MCP 能让 Claude 直接操作你的 MongoDB 或 Supabase。

最后是设置自定义命令和子代理，比如他有个命令专门用来更新所有项目文档，还有个子代理专门做前端测试。

两个高级技巧也值得一提：

一是预配置权限，让 Claude 不用每次都问你能不能运行 git 命令；
二是设置钩子（hooks），比如测试失败时自动让 Claude 继续修复，或者 Claude 需要权限时自动发 Slack 通知你。

第三阶段就是构建阶段了，终于可以写代码了。

他推荐三种工作流：

1. 通用工作流适合单个功能开发，分为研究、计划、实现、测试四步，其中计划模式最重要，别上来就让 Claude 写代码；
2. 基于 Issue 的工作流把 GitHub Issues 当作任务管理中心，适合保持项目整洁；
3. 多代理工作流最高级，用 git worktrees 让多个 Claude 实例同时开发不同功能；

他试过同时开三个功能，效率爆炸。

最后他给了四个保持高效的建议：

1. 尽量用最好的模型，Opus 4.5 做规划和复杂任务，Sonnet 做实现，Haiku 只做简单修复；
2. 定期更新 https://t.co/7Gz06VeEBy 文件；
3. 看到 Claude 犯错时用 # 号快速添加规则防止重复错误；
4. 别怕扔掉代码，原型阶段如果不满意���重来，代码很便宜时间才贵。

他这套 PSB 系统确实很系统化，特别适合那种容易一头扎进代码然后迷失方向的人。

所以还是那句话，别急着写代码，宁愿花时间做好计划和配置，后面开发你会感觉顺畅得多。

[Boring_Business @BoringBiz_]

This 2011 lecture from Jensen Huang at Stanford University will teach you more about business than a 2 year MBA

[Ollie Connolly @OllieConnolly]

The Andy Reid quarterback rules always crack me up... don't be fat... don't be a clown... don't be cool

[James Light @JamesALight]

Ferris State HC Tony Annese - Cardinal Rules to Successful Coaching

1. Serve the heart of your players, not their talents

2. Find the good in every player and enthusiastically celebrate whatever strength that individual displays

3. Show compassion and empathy for our players and provide the love and support they need to flourish

4. Love your position group and take care of them like they are your own children

5. Master your relationships with the Jimmy's and Joe's before you focus on the X's and O's

6. Be a Life Coach - Provide spiritual, emotional, and social awareness and support for the players - Understand how vulnerable young people are at this stage and provide the support they need to navigate through the challenges they face

7. Be a Doer! -Spend time with the Head Coach and determine what you can do to help him and the team

8. Be passionate about your role as a coach - Realize that you will impact more people in one year than most people do in a lifetime

9. Make the coaching staff your best friends - You are blessed to have the opportunity to connect with people who are working toward a common goal.

10. Be loyal to the University, Athletic Department, Coaching Staff, Head Coach, and the Players you serve.

[Alex Veremeyenko @alex_verem]

This paper from Harvard and MIT quietly answers the most important AI question nobody benchmarks properly:

Can LLMs actually discover science, or are they just good at talking about it?

The paper is called “Evaluating Large Language Models in Scientific Discovery”, and instead of asking models trivia questions, it tests something much harder:

Can models form hypotheses, design experiments, interpret results, and update beliefs like real scientists?

Here’s what the authors did differently 👇

• They evaluate LLMs across the full discovery loop hypothesis → experiment → observation → revision
• Tasks span biology, chemistry, and physics, not toy puzzles
• Models must work with incomplete data, noisy results, and false leads
• Success is measured by scientific progress, not fluency or confidence

What they found is sobering.

LLMs are decent at suggesting hypotheses, but brittle at everything that follows.

✓ They overfit to surface patterns
✓ They struggle to abandon bad hypotheses even when evidence contradicts them
✓ They confuse correlation for causation
✓ They hallucinate explanations when experiments fail
✓ They optimize for plausibility, not truth

Most striking result:

`High benchmark scores do not correlate with scientific discovery ability.`

Some top models that dominate standard reasoning tests completely fail when forced to run iterative experiments and update theories.

Why this matters:

Real science is not one-shot reasoning.

It’s feedback, failure, revision, and restraint.

LLMs today:

• Talk like scientists
• Write like scientists
• But don’t think like scientists yet

The paper’s core takeaway:

Scientific intelligence is not language intelligence.

It requires memory, hypothesis tracking, causal reasoning, and the ability to say “I was wrong.”

Until models can reliably do that, claims about “AI scientists” are mostly premature.

This paper doesn’t hype AI. It defines the gap we still need to close.

And that’s exactly why it’s important.

[Pedro Domingos @pmddomingos]

The LLM bubble has burst.

[Chris Parker @chris_parker222]

Top 25 Head Football Coach Interview Questions:
As a Head Football Coach candidate, you should have a clear, definite answer to each of the following questions.

[Woops @HawkHsieh]

@jaynitx @elonmusk out of curiosity did you really say these things.

[Jaynit @jaynitx]

Elon Musk revealed the fastest way to become irreplaceable in the AI era:

[Chris Parker @chris_parker222]

As an Athletic Director, this is the form we would use to interview Head Coaches. Maybe it can help someone out today.

[Coach Johnny Croyle @CoachCroyle]

2️⃣0️⃣0️⃣3️⃣ - Iowa: Coaching Manual (Teaching)

[Evan Lazar @ezlazar]

I asked #Patriots OC Josh McDaniels about the advantages of playing from under center (NE - 44.8% under-center rate, 7th in NFL).

He gave an expansive answer on the advantages on runs, play-action passes, the mindset of playing from under center, & managing bad weather games.