KYL

[Arena Physica @arenaphysica]

As humans, we don't naturally have strong intuition around electromagnetism so @chris_m_bryant built a minigame into his blog post on Smith charts to help it click. Give it a try here: https://t.co/MdfXeh20Ow.

What should we demystify next? Let us know in the comments below ⬇️

[Ray Wang @wangray]

数据治理确实是企业用不好 AI 的最大障碍

昨晚��一位朋友吃饭，她是国内一家大型央企 AI 智能化部门的负责人

我问他们内部 AI 推进得怎么样，她说最大的痛点根本不在模型，而在数据，想把 AI 利用起来，但没有可用的数据

他们是商业地产公司，落地时碰到三个卡点：

1. 业财两张皮
店铺端的业务数据和财报上的业务数据，不是同一张表。业务侧关心 GMV、坪效、客流；财务侧关心确认收入、回款、扣点。两套口径、两套系统、两个部门，还有潜在的“灰色”空间

2. 老系统，无接口
内部系统是十几年前那一代，没开放接口，也没人敢动

3. 默会知识，全在人脑里
大量业务判断逻辑、例外处理、潜规则，资深员工心知肚明，但从没沉淀成文档。AI 真正值钱的恰恰是这部分，可结构化的数据大家都有，护城河是这些"判断"

结果就是：
AI 工具腾讯、字节挤破头送进来，但就是跑不起来

另外，她提到一个对照案例「美的」，关键不在于“早”，而在于先重构业务流程，再上系统，而不是把现有的纸质流程电子化搬到线上

我后来做了下功课，时间线很清楚：
· 2012 年，方洪波接班，启动 632 工程——6 大业务系统 + 3 大管理平台 + 2 大技术平台，目标是”一个美的、一个体系、一个标准”
· 2012—2015 年，用三年时间把 632 落实到各事业部，把 40 多年沉淀下来的治理机制、管理制度、营运流程全部标准化、制度化、流程化
· 2015 年，地基打完，开始在统一数据上叠加移动互联网、大数据、C2M，让消费者数据反向驱动生产
· 2022 年之后，整个行业话语从“数字化转型”过渡到“AI 转型”

这是一条连贯的曲线

真正在 2012—2015 那几年把地基打扎实的公司，数据在系统里能流通，到 AI 时代是平滑升级

没完成的公司，欠下的就是数据债，而 AI 时代，这笔债的利息正在快速上升

[Toby! @TobyAtLarge]

（好担心自己变成杠精😂）

先说结论：观察方向对，但论证粗糙，外推过度，借鉴意义有限。本文展现出了作者她这个背景和level不应该呈现出的稚嫩感。

几个核心问题：

1. "代码几乎免费"是演讲修辞，不是事实。

代码确实便宜了很多，但"优秀代码"——考虑到架构设计、边界条件、测试覆盖——仍然有成本。这个区分不是挑字眼，而是直接决定了你能不能真的"随便试错、三个 PR 并行上"。Fiona 自己也承认"维护成本不会跟着归零"，说明她心里清楚，只是演讲里为了冲击力把话说满了。

2. Source of truth 不止一层。

她说"代码是唯一的 source of truth"，这过于绝对。实际工程至少有三层：需求（为什么做）→ 设计（怎么做）→ 代码（做出来了）。需求文档才是最初的 source of truth。代码是执行结果，经常处在折中状态——来自业务限制、时间压力、技术债的折中。如果没有需求文档做参照，你连"这个折中是刻意的还是 bug"都分不清。

3. 三个"未解问题"暴露了思考深度不够（疑菜）。

- "跨平台团队还有没有意义"——她的前提就是大家都在用 Claude Code 写代码，设计师能写、PM 能写、工程师能写。既然如此，答案不是显而易见吗？iOS 和 Android 的分队已经没有必要了。把一个自己前提里已经蕴含了答案的问题当成"未解难题"，很奇怪。
- "自动评审推多远"——答案很清楚：bottom line 是不能让 bug 到用户那里。
- "角色模糊后公平感怎么设计"——这个问题的框架就错了。作为一个企业，你最应该关心的是交付的产品质量和代码质量，而不是内部团队对"谁的代码贡献更多"的公平感。PM 提交的 PR 和工程师提交的 PR，在 review 标准上不该有任何区别。产品是用户喜闻乐见的，所谓的"公平感"不应该是个问题。

4. JIT planning = 没有规划

她说不做半年路线图，"什么时候需要再做什么"。这很夸张。说白了就是对一个正经严肃的 toB/toC 产品不做规划。
任何产品都有核心路线、大方向和目标。"先发 PR、少开会"直接导致 feature 失控。而且讽刺的是，从用户端观察，Claude Code 的发布节奏看起来是有规划、有节制的——并不像她描述的那种勃勃生机万物竞发的野蛮生长式的运作方式。

5. 整体判断：特殊环境里的个人经验，包装成了普适方法论。

Anthropic 是一个极端特殊的环境：AI-native 产品、极高人才密度、公司本身就是最好的 dogfooding 场景。在这种环境里一年的实验，外推到"所有工程团队都该这样"——折扣要打得很大。

[向阳乔木 @vista8]

https://t.co/4KjcIHiShS

[宝玉 @dotey]

通过音频波形图来裁剪视频是很聪明的做法

[花叔 @AlchainHust]

你的下一个员工，何必是同事。

同事.skill这几天火了，把同事蒸馏成AI Skill。这个项目证明了一件事：蒸馏一个人的能力，是可行的。

但我想问一个问题：既然我们已经有了蒸馏人的能力，为什么要蒸馏身边的同事？

去蒸馏各领域最强的人。

而且幸运的是，这些人留下了大量可以被蒸馏的材料。芒格有《穷查理宝典》和几十年的股东会演讲。费曼有全套讲义和自传。Naval有几百条推文和长篇播客。塔勒布有五本书和无数公开辩论。这些都是高纯度的思维原矿，等着被提炼。

我之前就一直在干这件事。今天把方法论开源了，叫女娲。

使用极其简单：输入一个名字就行。女娲自动启动6个Agent去找书、找播客、找推文、找批评者，自己调研、自己提炼、自己验证。你不需要准备任何材料。

6个Agent并行采集著作、播客、社交媒体、批评者视角、决策记录、时间线。然后三重验证：一个观点要被收录为心智模型，必须跨2个以上领域出现过、能预测新问题立场、不是所有聪明人都会这么想。三条全过才留。

决策前问芒格，写教程问费曼，评估风险问塔勒布。你想蒸馏谁就蒸馏谁。

GitHub: https://t.co/MNTlj88uww
安装: `npx skills add alchaincyf/nuwa-skill`

MIT协议，随便用，随便改，随便造。

[Crypto_Painter @CryptoPainter]

文章列举的特别详细，每一章都可以深入进去研究个4~5天，强烈推荐！

[Xiao Tan @tvytlx]

https://t.co/i4jBHevGEi

[Ray Wang @wangray]

WeWrite v1.1 更新📢

🤖去 AI 检测：新增素材采集 + 7 层写作规范 + 编辑锚点，朱雀实测从 100% AI 降到 10% AI
🔥写作人格：5 个预设人格（深夜好友/行业观察者/锐评记者/温暖编辑/冷静研究员），全部经过朱雀实测，style.yaml 一行切换
⚙️排版引擎：16 主题 + 暗黑模式 + 主题画廊 + CJK 修复 + 外链转脚注 + 容器语法
⚡️架构重构：单用户模式，SKILL.md 571→280 行，Step 1-8 连续编号，学习飞轮闭环
📖新增小绿书：image-post 命令支持微信图片帖（1-20 ���横滑轮播）

[耳朵 @RookieRicardoR]

本来我打算写个 Agent 原理和架构的文章，

看完这篇文章我觉得我不用写了，所以推荐大家阅读。

[AI少年 @aehyok]

https://t.co/WmA8bn7PJw

[向阳乔木 @vista8]

https://t.co/1I6FFLGFfW

[车厘子 @0xcherry]

让 AI 做交易这件事在我们的认知里是跟 Vibe Coding 等效的，甚至比 Vibe Coding 的结构要更符合 AI 的能力——虽然效果不一定会更好。

本质上，我认为 AI 做交易更类似于“Broker 的挂机精灵”。

在 OpenAI 提出 harness engineering 概念的文章里，提到让 AI 完全自动化开发时很容易��入重复错误的过程。这一点应该也是大多数人用 AI 写代码时感受过的。

软件开发为什么没办法真正"挂机"？因为开发的目标函数是外部注入的——用户要做什么、为谁做、做到什么程度算好，这些东西全部来自人的判断，AI 的训练数据里没有这个。

AI 生成代码，本质是一个“响应需求”的过程，而现阶段的 AI 恰恰不擅长提需求。Claude Code 再强，本质也是执行者，不给需求它就只能原地转圈。而且"好的软件"这个标准本身就是主观的、随时在变的，今天觉得好的架构明天需求一变可能就不合适了。

但交易不一样。交易的目标函数是内生的、恒定的——赚钱就行。

不需要跟 AI 解释"什么叫好的交易"，这个定义从有市场的第一天就没变过。

AI 不需要理解愿景、产品方向、用户画像、架构可维护性，它只需要理解一件事：我有一个账户，市场在全天候波动，我的目标是让账户里的钱变多，并且别被极端波动给干穿了。

这个目标足够封闭、足够明确，以至于 AI 可以在没有人持续输入需求的情况下自主运转。

当我们讨论“挂机”的时候，就得联想挂机行为最多的场景：MMO 游戏。

MMO 里挂机刷怪之所以可行，是因为"杀怪得经验"这个目标和反馈循环是游戏系统自己定义好的，挂机精灵不需要理解"为什么要升级"，见怪就打就完事了。

挂机打怪这个事其实需求反馈特别好描述，就是你跑出去看到怪就按普通攻击然后按顺序释放技能就完事了，打不打得过是设定地图的问题，你自己账号能打得过什么怪你自己心里没数吗——诸如此类。

见怪就打，按顺序放技能，血量低了吃药或者回城，暴毙了等复活后再跑到设定地点。

交易也一样，"低买高卖赚差价"这个反馈循环是市场本身定义好的，Alice 不需要理解"为什么要赚钱"。

过去我们一直说 Trading 是一个开放性问题，实际上我们说的是“MMO 游戏的地图很大，怪很多，技能很多”。但 MMO 挂机这件事不算开放性问题。

Trading 的手段是开放的，而目标是封闭的——什么时候买、买什么、持有多久、怎么管理风险，这些全是开放式判断。但因为有一个封闭的目标兜底，AI 在探索"怎么赚"的时候是有方向感的，不会像做开发一样极度依赖人类提出需求。

很多人对于 AI 做交易这件事的观点是“玩具”，但我们的感受相反：这玩意好像确实能跑起来，至少当个挂机精灵用的价值是有的。

当我们可以在 IBKR 的页面旁边放一个小窗口、专门用来���吃饭睡觉的时候把事情交给 AI，它的位置就与挂机精灵无异。剩下的就是把代码写出来了。

[vivienna.btc @viviennaBTC]

感谢猫叔认可～我也有同感，想做一个真正能赚钱的agent，绝对不是安装一堆数据和信息源skills然后所有输出都交给AI这么简单的事情。

正是因为AI太强了，所以才更需要“调教”。目前，数据对齐、因子工程、模型训练、回测评估，都需要人为干预。
靠agent自己去搞很容易挖坑，其实CC已经很强了，但是在实际操作过程中仍旧能看出很多问题、很多幻觉，还是需要人盯着。
我们设计了一个agent自查的环节倒是可以减少一些错误假设，但是就是太费token了。每做一步需求变更就要自测一下，就这还每次都能自己给自己找到问题。

有时候错误还很低级，比如数据采集环节的数据对齐，让它把美元流动性指标转化为因子，为了减少调用，结果它只取��美联储资产负债表总额的变化时间（每周四），但我明明已经在需求文档里列了净流动性的公式，TGA和ONRRP每天都是在变的，它在计算美元流动性时居然没管。

所以我现在完全不相信各种龙虾没有人为干预自己能做好金融产品，更不相信没有专业背景、量化经验的人写出来的skills，基本全是坑。

也许有一天它们能进化，但是当前我是没看到完全自我进化、自我训练出来的“交易高手”agent。

所以我准备开源从因子到模型到模拟交易的全流程，从数据服务SaaS模式到Agent策略直接跟单模式——

Code is cheap，show me the PNL🤣

[Cato_KT @Cato_KT]

收藏了两天，终于好好阅读完了，正好我近期一直在想搭建自己的小龙虾

目的有两个，一个是记录检索我每天想要关注的信息流，减少每天收集信息所花��的时间，

第二个比较复杂，想慢慢搭建一套观察金融市场流动性的系统，

第一个比较好完成，第二个慢慢来，vivi的内容对我非常有帮助，好文值得分享，

这两周小龙虾大火，热度太高，我就没想凑这个热闹

在我看来，ai也好，小龙虾也好，都是工具，但是当前阶段很明显还没有吹的那么神的时候，

一套agent如果不会训练，也只是一把普通的工具而已，工具再好也要看使用者的能力。

也许未来好的工具可以让使用者大幅提升能力，但是现在还不具备这个功能，提升的只是效率与学习速度

[宝玉 @dotey]

不愧是央视制作，真的挺好看👍

[卡尔的AI沃茨 @aiwarts]

清华团队开源了一个ai课程，跟notebooklm是同类型的替身使者。

在纯教学方面，甚至比NotebookLM还好用。就是把一个Agent教学团队，包括教授，助教，甚至一群性格各异的AI同学，打包塞进你的电脑。

我扔给它任何东西，一本书，一篇论文，一个网址，它都能变出一堂能互动辩论，还带随堂练习的私教课

做出来的视频👇

[Yihui @yihui_indie]

【1/10】 场景1: 口播稿配图

我封装了一个 SKILL，用来给我的口播稿配图。我每次只需要调用这个 SKILL ，就能自动的匹配我的文案，生成 Notion 风格的配图，并且插入到文档中。

这能够让我一篇口播稿的制作成本压缩到半个小时，像这个 B 站10万+的视频，就是这么制作出来的。

[宝玉 @dotey]

https://t.co/Rw6F1B1CVH

[yetone @yetone]

为了给大家演示 Alma 的流式可视化交互组件的潜力，我只好录制一个这个视频了。