mobilefun0312

[mobilefun0312 @jucaoliang]

@PrakashS720 book

[Prakash Sharma @PrakashS720]

This AI System Design guide teaches RAG better than most courses.

And I'm giving it away for free (Only for First 4500)

Inside:
• RAG fundamentals & chunking strategies
• Hybrid retrieval (BM25 + vector search)
• Production-level RAG architecture
• Evaluation & RAGAS metrics
• Hallucination reduction techniques
• End-to-end LLM system design

How to get it:
• Follow me (must so I can DM)
• RT + Like
• Comment "book"

I'll dm you

[mobilefun0312 @jucaoliang]

@haowue @threadreaderapp unroll

[0xWizard @0xcryptowizard]

Antonio Gulli 撰写的《Agentic Design Patterns: A Hands-On Guide to Building Intelligent Systems》，全书 424 页，免费开源。可以直接下载 PDF 版本：

GitHub 仓库：
https://t.co/nujBbTRKeo

Google Docs 预览版（可在线阅读或导出）：
https://t.co/EjFz1U1bjE

[Ruifeng @liruifengv]

强烈推荐 Hello-Agents 这个开源项目，完全免费的 Agent 智能体教程，《从零开始构建智能体》。

教程内容包括：
- 大模型与 Agent 智能体的基础概念知识
- Agent 开发模式实战：手把手实现 ReAct、Plan-and-Solve、Reflection
- 基于 Coze、Dify、n8n ��低代码平台搭建 Agent
- 使用 Python 的主流 Agent 框架开发：AutoGen、AgentScope、LangGraph
- 从零构建了一个 HelloAgents 的框架
- 还有记忆、RAG、MCP、评估等内容
- 超级多的实战案例
- Agent 岗位面试题总结和代码

美中不足的是代码是 Python 实现的，我正在学习，打算用 TS 写～

而且 datawhalechina 这个组织下好多好内容啊，非常多 AI 教程

https://t.co/w15KWq2GEt

[宝玉 @dotey]

Ilya：扩展时代已经结束了，研究的时代已经开始

Ilya Sutskever 大概得有一年多没参加播客访谈了，自从 OpenAI 宫斗离职创办 SSI（Safe Superintelligence）后之后就很少露面了，

最近，他在 Dwarkesh Patel 的播客中进行了一场长达一个半小时的深度对谈。Ilya 毕竟是 Ilya，他不像 Sam Altman 整天满嘴跑火车，只是为了卖货，访谈里面有很多干货，我猜一些观点甚至会影响以后 AI 在研发和投资上的走向。

一个多小时的内容很难说几句话就总结完，还是按照话题挨个整理一下。

【1】为什么 AI 能在考试中碾压人类，却修不好一个简单的 bug？

Ilya 在访谈里抛出一个很多人都遇到过也困惑过的现象：现在的模型在各种评分上表现惊艳，但用起来却远远跟不上能力曲线。更诡异的是，你让它改个 bug，它改完引入新 bug；你指出新 bug，它道歉后又改回旧 bug。两个 bug 来回切换，像在打乒乓球。

Ilya 使用一个类比来解释这个问题的：想象两个学生。

第一个立志成为顶级竞赛程序员，刷了一万小时题，背熟所有算法模板，练到条���反射般精准。第二个觉得竞赛挺酷，随便练了一百小时，也拿了不错的成绩。

哪个人未来职业发展更好？

大概率是第二个。

Ilya 说，现在的模型比第一个学生还极端。训练时把所有竞赛题都刷了，还做了数据增强生成更多变体，一遍遍强化。结果就是：所有算法技巧都刻在指尖，但这种准备程度本身就限制了泛化能力。

这个类比点破了一件事：能力和泛化是两回事。刷题刷到极致，可能恰恰堵死了触类旁通的路。

【2】真正的 reward hacking（奖励作弊）是人类研究员

问题出在哪？Ilya 认为是训练数据的选择逻辑变了。

预训练时代很简单：数据越多越好，什么都往里塞，不用挑。但 RL（强化学习）时代不一样了。你得选择做什么强化训练、用什么环境、优化什么目标。

于是一个微妙的循环出现了：研究员想让发布时的 benchmark 得分数字好看，就设计能提升这些指标的 RL 训练。模型变得越来越会考试，但考试能力和真实世界能力之间的鸿沟被放大了。

讽刺的是，真正在奖励作弊的不是模型，是设计训练的人在不知不觉中过度关注了考试成绩。

【3】为什么人类学东西这么快

说到这里就要问一个更深的问题：为什么人类学东西这么快，而且这么稳？

Ilya 提到一个特别有意思的医学案例：有个人因为脑损伤，失去了所有情绪——不会难过、不会愤怒、不会兴奋。看起来他还是能说话，能做智力题，测试分数也正常。但他的生活彻底崩溃了：花几个小时决定穿哪双袜子，财务决策一塌糊涂。

这说明什么？情绪不只是情绪，它在某种程度上充当了内置的价值函数。它告诉你什么事值得做，什么选择是好是坏，不需要等到最后结果出来才知道。

价值函数是个技术术语，但概念不难理解。传统的强化学习是这样的：模型做一长串动作，最后得到一个分数，然后用这个分数去调整之前所有步骤。问题是，如果任务需要做很久才有结果，学习效率就很低。

价值函数的作用是“提前剧透”。比如下棋时你丢了一个子，不用下完整局就知道这步不好。编程时如果探索了一个方向走了一千步发现不对，价值函数能让你在一开始选择这个方向时就得到负反馈。

这就像 GPS 导航，不是等你开到终点才告诉你这条路不对，而是在你刚拐错弯时就开始重新规划。

人类大概就是有这么一套系统。而且这套系统的妙处在于：它相对简单，却在非常广泛的���况下都管用。我们的情绪主要是从哺乳动物祖先那里继承来的，针对的是几百万年前的环境，但放到现代社会居然还能用得不错。当然也有失灵的时候，比如面对满街的美食，我们的饥饿感就管不住了。

【4】堆算力堆数据的扩展时代已经结束了，研究的时代已经开始

Ilya 认为规模化时代结束了？

他给了个很有意思的视角：在 2012 到 2020 年，大家在做研究，试这试那，看什么有意思。然后 2020 年左右，scaling law(规模化定律) 被发现了，GPT-3 横空出世。突然之间所有人意识到：原来只要扩展规模，堆数据、堆算力、堆模型参数大小，一路扩充，就能稳定得到更好的结果。

规模化的好处是低风险。而研究是有风险的，你得雇一堆聪明人去探索，不保证有成果。但规模化？只要投入更多资源，就一定能看到回报。公司喜欢这种确定性。但副作用是它吸走了房间里所有的氧气，创新空间被压缩，最后变成“公司比想法多”的局面。

但现在呢？预训练的数据就那么多，互联网就这么大，总会用完。Gemini 据说找到了从预训练榨取更多的方法，但这条路终归有尽头。然后大家转向了强化学习，开始在那上面堆算力。

可问题是：现在算力已经这么大了，再 100 倍真的会质变吗？Ilya 不这么认为。他觉得我们又回到了需要思考到底该做什么的阶段，而不是继续闷头堆资源。

这就像爬山。一开始你发现有条路，往上走就是了，越走越高。但总有一天，你会发现这条路到头了，再往前走也高不了多少。这时候要么换条路，要么换种爬法，总之不能继续原来的策略。

现在的 AI 行业就处在这个节点上。所以 Ilya 说：我们回到了研究时代，只不过这次手里有大得多的计算机。

【5】泛化能力才是核心问题

在 Ilya 看来，当前最根本的问题是：这些模型泛化能力太差了。

什么叫泛化能力差？就是学一样东西需要的数据量太多，而且学会的东西换个场景就不灵了。

人类不是这样的。一个青少年学开车，10 个小时基本就能上路了。而且人类五岁小孩的视觉能力就足以支持自动驾驶了，虽然他不会开车，但识别路况、判断距离这些能力已经很强了，而且这些能力是在父母家里那种数据多样性很低的环境里学会的。

更关键的是，人类学编程、学数学这些东西也很快。这些可不是进化给我们的能力，因为我们的祖先根本不需要写代码。这说明人类不光是在某些特定任务上有进化优势，而是在学习这件事本身上就有某种更本质的能力。

模型呢？虽然在某些具体任务上超过了普通人，但要说学习能力，还差得远。

Ilya 对这个问题有想法，但他说现在不能详细聊，因为在这个竞争激��的领域，不是所有机器学习想法都能公开讨论的。不过他给了个方向性的提示：这很可能跟如何做到像人类那样高效、稳定的泛化有关。

还有一个可能的阻碍：也许人类的神经元实际上比我们想的做更多计算？如果是这样，事情就更复杂了。但不管怎样，人类的存在本身就证明了这种高效学习是可能的。

【6】重新定义 AGI：从成品到学习者

这里 Ilya 做了一个概念上的重要修正。

AGI 这个概念怎么来的？是作为“狭隘 AI”的反面而诞生的。以前的 AI 只会下棋，只会玩游戏，非常狭隘。所以大家说：我们要造通用的 AI，什么都能做的 AI。

预训练强化了这个印象，因为预训练确实让模型在各种任务上都变强。于是“通用 AI”和“预训练”在概念上绑定了。

但这里有个问题：按照这个定义，人类自己都不算 AGI。

人类有一套基础能力，但缺乏大量具体知识。我们靠的是持续学习。一个聪明的十五岁孩子什么都不会，但学什么都快。“去当程序员”、“去当医生”、“去学习”，部署本身就包含一个学习和试错的过程。

所以 Ilya 心目中的超级智能，不是一个出厂就什么都会的成品，而是一个能像人一样快速学习任何技能的学习者。

【7】能自动学习的 AI 会有多快到来？有多危险？

那么问题来了：如果有这样一个系统，能像人类一样快速学习，而且可以大量复制部署，会发生什么？

人类入职六个月才能产出价值，但这种 AI 可能几周就行。而且不同副本学到的东西还能合并，这是人类做不到的。这难道不会导致某种爆炸式增长？

Ilya 认为确实会有快速的经济增长，但到底有多快很难说。一方面有高效的劳动者，另一方面现实世界很大，很多东西有自己的节奏，不是你想快就能快的。

但他确实改变了一些想法。以前 SSI 的计划是“直奔超级智能”——不发布中间产品，一鼓作气搞定终极目标。现在 Ilya 觉得，渐进式发布可能更重要。

【9】为什么要渐进部署？因为想象不出来就得看见

访谈中 Ilya 反复强调一点：AI 的问题在于它还不存在，而不存在的东西很难想象。

你可以读一篇文章说“AI 会变得多厉害”，但读完你觉得“哦，有意思”，然后回到现实。如果你亲眼看到 AI 在做那件事，感受完全不同。

他打了个比方：像二十岁时讨论“年老体弱是什么感觉”。你可以聊，可以想象，但真正的理解只能来自经历。

这导致一个实际问题：所有关于 AI 风险的讨论，都基于对未来 AI 的想象。而想象往往跟不上现实。就连天天做 AI 的人，也会因为当前模型的各种低级错误而低估未来模型的能力。

Ilya 的预测是：随着 AI 变得更强，人们的行为会发生根本改变。竞争对手会开始合作搞安全，政府和公众会开始认真对待监管。这些事情现在开始有苗头了，但还远远不够。而真正的催化剂，是让人们看到更强��� AI。

这也是他对 SSI“直奔超级智能”策略有所��动的原因。原本的想法是不参与市场竞争，专心做研究，等东西准备好了再拿出来。现在他觉得，让 AI 被看见这件事本身是有价值的。当然，无论哪种路径，最终部署都必须是渐进的。

【9】SSI 在做什么？不同的技术路线

SSI 融了三十亿美元。这个数字单看很大，但跟其他公司动辄几百亿的投入比起来似乎不够。

Ilya 算了一笔账。那些大数字里，很大一部分是用于推理服务的。另外，做产品需要大量工程师、销售、产品功能开发，研究资源被稀释。真正用于前沿研究的资源，差距没看起来那么大。

更重要的是，如果你在做不一样的事，不一定需要最大规模的计算来验证想法。AlexNet 用两块 GPU 训的。Transformer 论文最多用了 64 块 2017 年的 GPU，换算成今天也就两块卡。第一个推理模型 o1 的推理能力也不是靠堆算力堆出来的。

研究需要一定算力，但不需要最大算力。真正的瓶颈是想法。

那 SSI 的技术路线是什么？Ilya 没有完全透露，但核心方向是解决泛化问题。他认为现在的方法会走一段然后撞墙，继续进步但无法突破到真正的人类级学习能力。而 SSI 在探索不同的路径。

时间表呢？五到二十年，达到人类级别的学习能力。

【10】安全对齐是什么？应该对齐什么？

说到超级智能，绕不开安全对齐问题。Ilya 的想法是：让 AI 关心有感知能力的生命。

为什么是这个目标而不是“关心人类”？他给了个有意思的理由：AI 本身也会有感知能力。如果你想让 AI 关心人类，可能反而更难，因为它需要做某种特殊化处理。而如果让它关心所有有感知的存在，某种程度上更自然，类似人类对动物的共情，来自于我们用同样的神经回路去理解别人和理解自己。

当然这个方案也有问题。如果大部分有感知能力的存在都是 AI，那人类���数量上会是极少数。这真的能保证人类的利益吗？

Ilya 承认这不一定是最好的方案，但他认为至少应该把它列入候选清单，让各家公司到时候可以选择。

还有一个思路他提了但不太喜欢：人机融合。通过类似 Neuralink 脑机接口的技术，让人类部分成为 AI。这样 AI 的理解就是人的理解，AI 的处境就是人的处境，对齐问题某种程度上就消解了。但这显然是个很激进的方案。

【11】如何硬编码高级欲望？

访谈最后有一段很有趣的讨论。

人类有很多社会性的欲望：想被人尊重、在乎社会地位、关心别人怎么看自己。这些不是低级信号，不像闻到食物香味那样有直接的化学感应器。大脑需要整合大量信息才能“理解”社交场合发生了什么。

但进化却成功地把“关心这件事”硬编码进了基因。怎么做到的？

如果说“把多巴胺连到嗅觉感受器”还能想象，那“把奖励信号连到某种需要整个大脑协同计算才能得出的高级判断”就很难想象了。

Ilya 说他有一些猜想，但都不令人满��。这是个谜。但这个谜的存在本身就很有启发性，它说明进化找到了某种方法，可靠地给复杂认知系统植入高级目标。

【12】什么是研究品味？

访谈最后，Dwarkesh 问了 Ilya 个很本质的问题：作为联合创造了 AlexNet、GPT-3 等一系列里程碑工作的人，你怎么判断什么想法值得做？

Ilya 的回答很诗意：我寻找的是美感。

不是随便的美感，而是多方面的美：简洁性、优雅性、正确的大脑启发。人工神经元是个好想法，因为大脑确实有很多神经元，虽然大脑很复杂但神经元这个抽象感觉抓住了本质。分布式表示是个好想法，因为大脑确实是从经验中学习。

当一个想法在多个维度上都显得“对”，都有某种内在的和谐，你就可以建立自上而下的信念。这种信念很重要，因为它支撑你在实验结果不好时继续坚持。

有时候实验失败不是因为方向错了，而是因为有 bug。怎么判断该继续调试还是放弃方向？靠的就是这种自上而下的美学直觉：这个东西应该是这样的，所以一定能 work，继续找问题。

这可能就是顶尖研究者和���通研究者的区别。普通研究者容易被数据牵着走，实验不 work 就换方向。而顶尖研究者有某种品味，知道什么是深层次正确的，能够在实验结果和内在直觉之间找到平衡。

[GitHubDaily @GitHub_Daily]

用 AI 从零开发复杂项目，一开始挺顺利，但随着不断迭代功能，会发现代码越来越乱，最后难以维护。

最近在 GitHub 上看到这一份 Vibe Coding 实践指南，值得大家看一看，提供了一套完整的 AI 辅助编程方法论，帮我们避开常见陷阱。

它的核心理念是 “规划先行”：不让 AI 自主规划，而是通过设计文档、技术栈选择、实施计划等文件来引导 AI，确保代码库始终保持清晰的结构和一致性。

GitHub：https://t.co/NQjdCjtRCD

主要内容：

- 项目初始化流程：从设计文档到技术栈选择的完整步骤；
- Memory Bank 机制：通过文档管理让 AI 理解项目上下文；
- 分步实施策略：将大项目拆分成可测试的小步骤；
- 调试和修复技巧：处理 Bug 和项目卡壳的实用方法；
- 工具使用指南：Claude Code 和 Codex CLI 的高级用法；
- 常见问题解答：涵盖从游戏开发���应用开发的各种场景。

正准备使用 Claude Code 或者 Codex 开发做项目的同学，可以先看看这份指南，希望对你有所帮助。

[GitHubDaily @GitHub_Daily]

GitHub 上这份精心整理的计算机科学教程列表：open-source-cs，已经收获了 20000+ Star 收藏。

汇集了麻省理工、斯坦福、普林斯顿等顶尖大学的免费在线课程，并按照传统计算机本科的课程体系分类。

涵盖编程、数学、系统、算法、应用等核心知识，并且每门课程都标注了学时、难度和前置要求。

GitHub：https://t.co/N5vn0bYOYf

主要内容：

- 计算机科学基础：从 Harvard 的 CS50 入门课程开始；
- 编程能力培养：Duke 和华盛顿大学的 Java 和编程语言系列课程；
- 数学基础：MIT 的微积分系列和 UT Austin 的线性代数课程；
- 系统原理：从零构建现代计算机��完整课程；
- 算法理论：Princeton 的算法和计算机科学理论课程；
- 实际应用：涵盖软件工程、机器学习、数据库和密码学等方向。

所有课程都来自知名大学的公开课平台，完全免费，适合想系统学习计算机科学的自学者。

[余温 @gkxspace]

Claude Code 出的 Skills 很多人还不知道是什么。

用一句话说：
Skills = 教 AI 学会一项“可复用的能力”，像插件一样装上就能用。
能替代掉一些传统工作流，而且能力更强。但是对模型能力要求比较高，进步空间也还有很大。

比如：让 Claude 学会
• 统一品牌风格写作
• 按公司规范输出内部沟通材料
• 测试一个 webapp
• 生成视觉稿 / 图像
• 处理 DOCX / PDF / PPTX / XLSX
…这些都可以做成一个 Skill。

Anthropic 已经开源了一些官方示例和模板👇
🔗 https://t.co/3Aw00cD7hQ

包括：
✓ 真实可用的文档处理技能
✓ 品牌指南技能
✓ 设计与图像生成技能
✓ web 测试、MCP、 artifacts builder 等开发技能
✓ 还有可直接复制的模板（template-skill）

[GitHubDaily @GitHub_Daily]

网上找到的机器学习教程，大部分以理论为主公式太多难以理解，而实战教程又只讲调用第三方框架不讲原理，很难真正掌握算法的本质。

恰巧，在 GitHub 上看到一本开源免费的电子书《Applied Machine Learning in Python》，提供了系统完整的学习机器学习路径，将数学推导与 Python 实现深度结合。

从基础的线性回归到复杂的神经网络，每个算法都有完整的数学推导和手工代码实现，还提供交互式可视化工具，使得抽象的数学概念变得直观易懂。

GitHub：https://t.co/hJKTsDFBJ8
在线阅读：https://t.co/xB7zvEkVLU

主要内容：

- 涵盖 30+ 个机器学习算法，从回归、分类到聚类和降维；
- 每个算法都有详细的数学推导和纯 Python 手工实现；
- 深度学习章节包括 ANN、CNN、自编码器、GAN 等主��架构；
- 提供交互式可视化工具，直观展示训练过程和参数变化；
- 配套 YouTube 视频讲座和完整的代码仓库。

完全免费在线阅读，所有代码已开源，适合想系统学习机器学习并深入理解算法原理的开发者。

[木子不写代码 @ai_muzi]

很多朋友以为搭建AI系统就是调个API，

错了，

其实背后有整套技术栈。

有人拆解了7个核心组件

懂了这些，你就能看清AI产品是怎么运作的👇

1. 大脑层：LLM模型

GPT、Claude、Gemini

它们负责理解和回答

但单靠模型什么都做不了

它需要数据、上下文、指令

2. 连接层：框架

LangChain、LlamaIndex

相当于管道工

把LLM和你的数据、API、业务逻辑连起来

不用自己从零写代码

当然你也可以自己写连接层，

框架不是万能的，但是简单的应用可以快速上手。

3. 记忆层：向量数据库

LLM本身没记忆

Pinecone、Chroma这些数据库

相当于给AI装了个私有数据的搜索引擎

4. 燃料层：数据提取

没数据，AI就是空壳

Crawl4AI、FireCrawl等工具

从PDF、网页、文档里提取信息

清洗后喂给AI

5. 开源选择

不想被API绑架？

Hugging Face上有开源模型

Ollama可以本地跑

自由+隐私+可控

6. 语义理解：Embeddings

文本进数据库前要转成向量

OpenAI Embeddings

让AI真正理解语义

不是关键词匹配那么简单

7. 质量把���：评估工具

Giskard、Trulens

检查准确度、幻觉、相关性

没有评估的AI系统就是盲飞

动图原作者：Rahul Agarwal

[木子不写代码 @ai_muzi]

真正的 Agent，更像是一个迷你公司：

🟢 第1层：Input Sources（输入源层）

AI系统可以从6种来源获取信息：

Knowledge Base - 内置知识库
User Queries - 用户提问
API Calls - 第三方API接口
Sensor Data - 传感器数据（IoT设备）
System Logs - 系统日志
Web Scraping - 网页抓取

关键点：这说明Agentic AI不是孤立的，它能从多个渠道主动获取信息。

🔵 第2层：AI Processing（AI处理层）

这是AI的"大脑"，包含6个认知步骤：

Query Analysis - 分析用户意图
Reasoning - 逻辑推理
Memory Retrieval - 调取历史记忆
Planning - 制定行动计划
Tool Selection - 选择合适的工具
Context Management - 管理上下文信息

关键点：这层展示了AI如何"思考"——从理解问题→推理→规划→选工具，就像人类的决策过程。

🟢 第3层：Action Layer（行动执行层）

AI根据处理结果执行具体动作：

Decision Making - 做出决策
Task Execution - 执行任务
Agent Collaboration - 多个AI协作
Error Handling - 处理错误
Feedback Loop - 反馈优化
Autonomous Scheduling - 自主调度任务

关键点：这是Agentic AI和普通AI的最大区别——它能自主行动，而不只是回答问题。

🔵 第4层：Output（输出层）
所有行动汇总到：
Response Generation - 生成最终响应

可以看出来Agent的特点：

多源感知 - 不是单一输入，而是从6个渠道主动获取信息
自主思考 - 有完整的推理→规划→决策链路
主动执行 - 不需要人类每步指令，能自主完成复杂任务

与传统AI的对比：

❌ 传统AI：接收问题 → 输出答案（单向）
✅ Agentic AI：感知环境 → 推理规划 → 主动执行 → 持续优化（闭环）

图作者：Prem Natarjan

[觉醒的熊Bear @AwakeningBear01]

总结我认为的几本尊重读者时间，且不可压缩，并值得反复阅读的 9 本书籍；

1.《纳瓦尔宝典》

2.《反脆弱》

3.《跨越不可能》

4.《人类简史》

5.《原则》

6.《如何阅读一本书》

7.《非对称风险》

8.《真实世界的脉络》

9.《科学发现的逻辑》

排名不分先后。

[Viking @vikingmute]

前几天看到别人分享的一篇 《Indefinite Backpack Travel》 背包极简旅行

https://t.co/HnFC2L9Gvb

深得我心，作者这篇文章维护了十年，不断更新，已经有数百万人看过了，旅行的时候极简主义，就是一个双肩包，装下所有需要的东西。我每次旅行也是只背包，尽量带少的东西，行动方便，随时想走就走。

从背包/电子设备/充电装备/服装/户外装备 几个方面来描述自己的装备，非常受用。

喜欢极简出行的朋友可以参考一下，当然他的装备更针对美国的消费者。国内可以酌情替换一些装备。

[Tony出海 @iamtonyzhu]

好东西，ChatGPT官方提示词

OpenAI 刚发了“Prompt Packs”

↳ 300+ 精选提示 Prompt
↳ 12 个大类（IT、人力资源、销售、产品、客户服务……）
↳ 每个角色 25 根据 KPI 和产品背景调整以获得最佳结果！

免费，直达：https://t.co/2qtLpNCCxm
点赞收藏

[宝玉 @dotey]

https://t.co/xKhYzu9qD5 让孩子学什么，未来不会被AI取代？

有人问OpenAI的CEO Sam Altman 一个问题：“你会建议自己的儿子去学习什么，才能确保30年后他的工作不会被AI取代？”

Altman 的回答很有意思。他首先提到了一组让人震惊的数字：

“我很容易想象，在不远的将来，我们经济体系里40%的工作任务会被AI取代。”

也就是说，我们现在熟悉的工作，差不多一半的任务都可能被机器完成了。

Altman 接着回顾了历史：

“实际上，社会上的工作大约每隔75年就会更新换代一半。这种情况在AI还没出现之前就已经发生过好多次了。有了AI之后，我觉得这种变化的速度只会更快。”

也就是说，人类历史上一直在经历大规模的就业转型，即使没有AI的出现，职业结构每隔一段时间也会彻底改变。有了AI，这个周期只会加速。

那么，Altman 会建议自己的孩子学习什么，以防被AI取代呢？

Altman 强调的并非某一特定专业技能，而是以下几项通用能力：

1. 学习如何学习（Learning how to learn）：在知识更新速度指数级增长的时代，拥有自我学习的能力，意味着能够不断吸收新知、适应新环境。

2. 适应能力（Adapt to change）：变化将是常态，只有拥抱变化、快速调整的人，才能在洪流中立于不败之地。

3. 韧性（Resilience）：面对挫折和不确定性，保持积极的心态和解决问题的能力至关重要。

4. 理解他人需求的能力（Learning how to figure out what people want）：创造有用的产品和服务，归根结底是为了满足人类的需求。这份对人性的洞察和同理心，是AI难以替代的。

5. 人际互动能力（How to interact in the world） [04:17]：尽管AI日益强大，但“人与人之间”仍将是故事的核心 [04:25]。建立有意义的连接、进行有效的沟通，这些人类独有的社会技能将变得弥足珍贵。

说的还挺有道理的，人类对“新事物”的渴望、对与他人连接的向往、以及表达自身创造力的冲动，将永无止境。这些深层的人类特质，是推动社会进步的永恒动力，也是我们超越AI、与AI共存的关键所在。

[西时珍🌎 @usd666666]

想改善自己或者孩子体态，来练这4个动作……

[看不懂的SOL @DtDt666]

���资读书笔记：《大道：段永平投资问答录》，做对的事情，把事情做对！

40多万字的书，花了7天读完，感触良多。

兄弟们，本书记录了段永平先生从早期网易博客到后来雪球，以及其他一些场合的发言，整理成书。

作为一个身价百亿级的大咖，段先生很敢说，有些评论也非常犀利。

照例做下摘录：

一、做对的事情，把事情做对

如果一定要用一句话来总结这本书，那就是“做对的事情，把事情做对”。

做对的事情，是“道”，是人生的方向，是北极星！

把事情做对，是“术”，踏踏实实地做事，做好！

当你发现错了的时候，要及时改。不管付出了多大代价，都往往是最小的代价！

“道”的错误不能犯，要有一张“不为清单”。要允许“把事情做对”过程中的错误，但是要改。

做到这两点，在概率上你已经成功了！

二、投资是什么

➊买股票就是买公司

这句话是巴菲特从格雷厄姆那儿学到的最重要一句话，也是段永平从巴菲特那里学到的最重要一句话。

➋买公司就是买其未来现金流折现

➌能看懂公司未来现金流（做对的事情）

➍生意模式、安全边际、能力圈（把事情做对）

三、逆向操作

我总是假设市场���大多数情况下是非常聪明的，除非我发现市场确实错了。(这句话是针对“逆向操作”说的。逆向思维很重要，但逆向操作和随波逐流都是不可取的。最重要的是理性的独立思考能力。)

四、投资不需要勇气

记得以前有记者问为什么当年我那么有勇气买网易，我说10块钱的东西有人哭着喊着要1块钱卖给你，你要勇气干什么?

这句话放在这里也适用：10块钱的东西有人非要1块钱卖给你，你为什么会觉得难呢？为什么呢？

不过，当你也不知道你要买的东西到底是什么的时候，那可确实有点难了，那种时候就会东张西望地看别人的反应。

五、设定投资目标很愚蠢

我觉得设定投资目标是件蛮愚蠢的事情。我的意思是：当你有了每年增长多少百分比的目标之后，你早晚会做出很愚蠢的事情。

一旦心里有了要求回报率，动作就可能变形，因为人们是有可能为了���到这个要求回报率去铤而走险的。还是那句老话:对���资而言过程正确最重要，心里有个要求回报率大概率是会降低你的回报率的。也许可以有个“可接受回报率”，就是低于这个可接受回报率的投资就不碰了。我觉得这个可接受回报率的底线其实就是国债利率。

六、《穷查理宝典》

大道强烈推荐了《穷查理宝典》，以及其中李录写的序。

七、巴菲特不喜欢科技股？

巴菲特从来没说不喜欢，只说看不懂而已，但他一旦看懂也是一样会出手的，比如IBM。巴菲特还说过，如果你能看懂变化，你将能赚大钱。

投资最重要的不是巴菲特能看懂什么，最重要的是你自己能看懂什么。

互联网或所谓的高科技都只是工具而已，就像当年的铁路、公路、高速公路、航空等等一样。

八、巴菲特不卖出？

巴菲特确实说过伟大的公司和生意是不需要卖的，可他老人家到现在为止没卖过的公司也是极少的。

另外，我��得巴菲特说这话的潜台词是其实市场往往不会给伟大的公司一个疯狂的价钱，如果你仅仅是因为有一点点高估就卖出的话，可能会失去买回来的机会。而且，在美国投资交的是利得税，不卖不算获利，一卖就可能要交很高的税，不合算。以上纯属个人猜测。

不需要卖出和实际上卖出，是不矛盾的。如果没想明白这句话，其实还是不明白巴菲特的价值投资法。

九、单吊一只股票

我对看懂的定义非常简单，就是敢下重注。按巴菲特最多分散到6个公司的说法(我很同意哈)，看懂并敢下注的比例至少要占1/6吧？不然都应该叫“观察仓”？

我一生中单吊一股不是一次两次了，创立公司是，投网易也是。巴菲特也不是一次两次了。

十、买入=持有

理论上(忽略所有交易成本的前提下)，持有=买人，或者买人=持有，其实不是一种观点，而是一个事实。

我以前也为这个观点困惑过很长时间，直到有次跟巴菲特聊天时我问他，持有=买入吗？他说当然啊，这是一个事实啊！那之后我就突然觉得自己明白了。

在这点上，可能有些争议，唐朝先生认为：持有≠买入。个人认为，可能有些情况下，持有≠买入。比如：

➊你持有的这只股票比例已经很高了，你又是坚定的分散主义者（持有3只以上股票）。

➋你有比持有股票更好的标的，此时不应该再买入。

段永平也坦言，持有=买入，对他也是个考验。（2020-8-25）

十一、差异化 & 价格战

产品差异化程度越低，行业内的企业越难赚到钱。航空公司是极致，就是因为产品差异化小。还有一个极致的例子，就是现在很多做太阳能硅片的，下场会比航空公司还惨。(2012-07-11)

网友问：企业啥时候能开价格战这个大招？

大道：   犯病的时候（2014-9-30）

十二、品牌溢价

不是很理解人们常说的品牌溢价到底是什么意思。所谓的品牌其实就是人们对品牌产品留下的印象(好的坏的)。

我个人认为长期来讲品牌��没有溢价的，不然你就不买了。

长期而言，品牌卖的就是其该卖的价钱。品牌绝��不只是一个名字！建立一个好的品牌绝对不是一朝一夕之功，但毁掉一个好品牌可以很快。

社会信任度越低，品牌的作用越大。

十三、市值目标

凡是说要把市值做到多少钱的我都不碰。（2012-2-1）

短视的意思就是很少在乎这个季度、下个季度的业绩，很在乎自己公司的市值是不是会到500亿或者1000亿的那种。

学而思把公司的目标“百亿学而思”改为“百年学而思”，是一个很大的进步。

十四、消费者导向 & 市场导向

消费者导向指的是企业在做产品决策的时候是基于产品最后带给消费者的体验的考虑。

市场导向看上去是基于现在是否好卖的。

➊很多时候这两者区别不是那么明显，因为好卖的东西往往就是消费者喜欢的。

➋如果企业总是市场导向的话，则陷于短视状况的概率就会相对大些。

➌而总是注重消费者体验的公司则往往会眼光��得长远些，出伟大产品的概率就会大很多。

➍绝大部分企业最后大概只能到达市场导向的地步，因为大部分企业都是利润导向的，而要做到消费者导向需要有利润之上的追求，或者说需要能够放弃一些短期利益去做出最好的产品来满足消费者真实的需求。

只有极少数的企业是真的在骨子里具有消费者导向同时又具备实现消费者导向的能力的，这些公司最后往往会被人们称为伟大的公司。

段先生对这一点理解非常深刻。

十五、OPPO的离职赔偿

OPPO员工离职后照发12万年终奖，主动离职、辞退都是是N+1。

根据劳动法，主动离职是没有赔偿的，但是OPPO有。

刚去晚上查了下，的确有主动离职员工表示是这样，有N+1，有年终奖，但是年终奖绩效系数为D（这个也完全可以理解）。

看来大道弟子的企业，传承了本分的理念，难得！

十六、苹果的用户导向

2011年的时候，大道的Iphone 4s摔裂了，想去苹果店再买一台，因为台紧俏，所以店员告诉他当天没货了。然后大道说要换一台，店员说有货，马上给换了。

极端一点理解，换的人是用户，买的人是市场，优先满足用户！

十七、不为清单

➊不做OEM

➋不讨价还价。不管生意额大小，没有折扣，没有返点

➌不赊账、不拖付货款、不晚发工资、不做不诚信的事情，不攻击竞争对手

十八、去你的糟粕

读书是学习的途径之一，但不是唯一的途径。学习中最重要的是要开放，就是要开放心态的意思。

有些人是抱着"老师，我是来去你的糟粕的"这种心态来"学习"的，有了开放心态就会聚焦在“取其精华”上。

“微信之父”张小龙就曾说，乔布斯最厉害的地方是什么?

"乔布斯最厉害的地方是他1秒钟就能变成傻瓜，而马化腾大概需要5秒钟，而我差不多需要10秒钟。"

十九、黄峥不是一个驱利的人

段永平2025年在浙江大学的演讲中，讲述了他投资PDD的故事。也说到他发现了PDD的一些问题，并反映给了黄峥，后者��应改正。

总体来说，���永平愿意为黄峥本人背书，但对PDD这个生意只是当作公益的财务投资，并不是特别清楚。

二十、2011年演讲

段永平2011年回浙大时，刚好赶上毕业季，受邀在毕业典礼上做了演讲。段先生做了很多准备，虽然现场环境不好，但他仍认为是最好的演讲之一。

主要内容有三点：

➊做个胸无”大“志的人

这里的”大“是好大喜功的大，胸无”大“志指的是要脚踏实地的做事态度。

努力做自己喜欢的事，只有这样才能激发自己最大的潜力。

➋做个有所不为的人

建立不为清单，有所为，有所不为。本分就是有所不为的意思。

”永不放弃“就是要坚持对的事情，如果是错的事情，要立即回头。

➌做个正直的人

二十一、其他

书中还有非常多可以摘录的内容，限于篇幅，单句摘录如下：

➊任何股票都只有一个真正的买家。

➋投自己明白的生意���就不容易恐惧和贪婪。

➌看财报主要用于排除公司。

➍差异化是用户需要但别人没能满足���东西。

➎敢为天下后，后中争先。

➏狼性文化最终会输给人性文化。

➐最终你会成为本该成为的自己。

➑读书是爱好，思考是习惯。

➒孩子的问题基本都是大人的问题。

➓越是迷惘的时候，越是要往远处看。

➊➊创新都是从模仿开始的。

➊➋不要把重要变成紧急。

本书收录的段永平问答录，不仅仅是投资和商业，还有人生的道理。学习完，要理解、要思考，最重要的是：内化。

强烈推荐兄弟们！强烈推荐！强烈推荐！

如果你想做一个长期价值投资者，也可以加入我们的定投爱心读书会（纯公益性）！

[-Zho- @ZHO_ZHO_ZHO]

我的 nano-banana 创意玩法 + Prompt 大合集！！！

持续更新/开源中！！！欢迎大家点赞收藏！

ZH25O｜创意合集｜Gemini 2.5 Flash Image Creation

也会逐步同步到我的 GitHub：https://t.co/QSIPGnRtCl

1/n

[Yangyi @yangyi]

接下来，大量的PM面试中，将会出现AI Vibe Coding测试。
如果你还不了解该如何Vibe Coding，仔细阅读这篇文章，了解面试官将如何考察vibe coding能力，以及你该如何面对这类面试👇🏻