pcc

[看不懂的SOL @DtDt666]

牛逼，在俄罗斯一老哥哪里，挖到一个王炸组合，彻底打通了我的学习闭环，效率3X直接起飞！

NotebookLM + Gemini + Obsidian，这三件套用对了，真的能把学习效率拉满。

NotebookLM负责把长篇大论、复杂资料快速拆解、消化，相当于给大脑装了个外挂，再也不用逐字啃书；中间用Gemini做桥接，把零散的想法、笔记整理成结构化的逻辑，还能随时追问、拓展思路；最后落到Obsidian沉淀，把所有知识点串联起来，形成自己的知识网络，再也不会“读了就忘、忘了再读”。

说提升10倍有点夸张，但实际用下来，至少能省3倍以上的无效时间，把精力真正花在思考和吸收上，这种通透感太爽了。

想学东西又怕效率低、记不住的，真的可以试试这套组合，打开新世界大门。

[AYi @AYi_AInotes]

一位俄罗斯老哥分享了
用 AI 能把学习效率提升 10 倍，
靠这 3 件套 NotebookLM、Gemini、Obsidian，绝了！

中英双语字幕版，
熬了 3 个多小时终于做出来了，
久等了宝子们，
新鲜热乎的，尽情享用✧٩(ˊωˋ*)و✧

[Andrej Karpathy @karpathy]

LLM Knowledge Bases

Something I'm finding very useful recently: using LLMs to build personal knowledge bases for various topics of research interest. In this way, a large fraction of my recent token throughput is going less into manipulating code, and more into manipulating knowledge (stored as markdown and images). The latest LLMs are quite good at it. So:

Data ingest:
I index source documents (articles, papers, repos, datasets, images, etc.) into a raw/ directory, then I use an LLM to incrementally "compile" a wiki, which is just a collection of .md files in a directory structure. The wiki includes summaries of all the data in raw/, backlinks, and then it categorizes data into concepts, writes articles for them, and links them all. To convert web articles into .md files I like to use the Obsidian Web Clipper extension, and then I also use a hotkey to download all the related images to local so that my LLM can easily reference them.

IDE:
I use Obsidian as the IDE "frontend" where I can view the raw data, the the compiled wiki, and the derived visualizations. Important to note that the LLM writes and maintains all of the data of the wiki, I rarely touch it directly. I've played with a few Obsidian plugins to render and view data in other ways (e.g. Marp for slides).

Q&A:
Where things get interesting is that once your wiki is big enough (e.g. mine on some recent research is ~100 articles and ~400K words), you can ask your LLM agent all kinds of complex questions against the wiki, and it will go off, research the answers, etc. I thought I had to reach for fancy RAG, but the LLM has been pretty good about auto-maintaining index files and brief summaries of all the documents and it reads all the important related data fairly easily at this ~small scale.

Output:
Instead of getting answers in text/terminal, I like to have it render markdown files for me, or slide shows (Marp format), or matplotlib images, all of which I then view again in Obsidian. You can imagine many other visual output formats depending on the query. Often, I end up "filing" the outputs back into the wiki to enhance it for further queries. So my own explorations and queries always "add up" in the knowledge base.

Linting:
I've run some LLM "health checks" over the wiki to e.g. find inconsistent data, impute missing data (with web searchers), find interesting connections for new article candidates, etc., to incrementally clean up the wiki and enhance its overall data integrity. The LLMs are quite good at suggesting further questions to ask and look into.

Extra tools:
I find myself developing additional tools to process the data, e.g. I vibe coded a small and naive search engine over the wiki, which I both use directly (in a web ui), but more often I want to hand it off to an LLM via CLI as a tool for larger queries.

Further explorations:
As the repo grows, the natural desire is to also think about synthetic data generation + finetuning to have your LLM "know" the data in its weights instead of just context windows.

TLDR: raw data from a given number of sources is collected, then compiled by an LLM into a .md wiki, then operated on by various CLIs by the LLM to do Q&A and to incrementally enhance the wiki, and all of it viewable in Obsidian. You rarely ever write or edit the wiki manually, it's the domain of the LLM. I think there is room here for an incredible new product instead of a hacky collection of scripts.

[DAN KOE @thedankoe]

The single most important thing you can do in today's world is to stop operating from the old paradigm. If you need to be told what to do next (go to school, get a job, retire at 65) the outcome of your life will always be in someone else's hands. You must learn how to direct your own work. You must learn how to tolerate and mitigate risk and uncertainty. You must figure out what you want and teach yourself everything necessary to get it. It's extremely difficult, but not as difficult as the silent suffering people learn to accept as "normal."

[路飞 🏴‍☠️ AI 研究员🧐 @0xluffy_eth]

ChatGPT + Claude AI + Canva
完全可以跑出：月入 50,000 元的结果。=

不是噱头，
而是一套普通人也能复制的 AI 变现流程。

我简单把步骤拆给你👇

👉 第一步：用 ChatGPT 找“真实痛点”

不要从灵感出发，
从人正在为哪些问题焦虑、痛苦开始。

重点找这类问题👇

很具体

很现实

情绪上真的让人难受

比如：
“更年期前的各种症状，几乎没人系统讲清楚。”

这种问题，
本身就已经具备做成一本电子书的价值。

👉 第二步：用 ChatGPT 搭清晰结构

把主题 + 你能搜到的资料
直接交给 ChatGPT。

你只需要让它做一件事👇
生成 8–10 章的电子书大纲，
每一章只解决一个明确问题。

一个简单判断标准：
如果你愿意为这些章节花钱，别人也愿意。

👉 第三步：用 Claude AI 写完整内容

把大纲交给 Claude AI。

提前说明三点👇

写作语气

风格偏向

参考格式

然后让它：
每一章写约 1000 字。

实话说，
在长内容输出这件事上，
Claude 的稳定性确实比 ChatGPT 更强。

到这一步，
你的电子书初稿已经完成了。

👉 第四步：用 Canva 做包装

用 Canva 设计一个
干净、专业、不花哨的封面。

这一步很多人会忽略，
但现实情况是👇

封面越像“正经出版物”，
在 Amazon KDP 上被点开的概率越高。

（Ideogram 也可以作为封面设计的补充工具）

🔧 两个很容易被忽略的细节
1️⃣ 打磨文字

用 Grammarly 过一遍全文，
修掉拼写和语法问题。

即使是 AI 写的，
也一定会有漏网之鱼。

2️⃣ 降低阅读门槛

用 Hemingway Editor，
把语言简化到 7 年级阅读水平。

经验只有一句话：
越好读的书，卖得越好。

整体流程就是这样：
不复杂，
也不需要技术背景。

关键不是方法多高深，
而是你有没有真的动手做第一本。
就这样。

[王局志安 @wangzhian8848]

高善文全网被删演讲文字稿。

[GoodKnight @GoodKnight7777]

高善文最新路演全文。

[David Tsai/蔡慎坤 @cskun1989]

新浪財經头条今天转发张维迎2013年的一篇旧文，在付鹏、高善文因言受罚的大背景下，张维迎这篇旧文显然不符合唱响中国经济高明论的调子，同时转发这篇旧文的网易很快就刪除了，新浪財經依然还保留。更蹊跷的是，新浪財經标注转自法经网，但查谷歌和百度，都查不到法经网这个网址，不知道门户网站出于什么目的。

张维迎：改革就是不断“还权于民”

支撑中国30年经济高速增长优势正在消失。过去30多年的高速增长，很大程度是因为我们的后发优势，包括劳动力成本优势、资源成本优势、国际市场的开放等。这种后发优势现在都在消失：劳动力供给下降、环境成本快速上升、国际市场变化。

2009年之后，中国政府实行了非常强的刺激政策，2009年全世界都是零增长、负增长，中国维持9.2%的增长。这个增长付出了巨大代价。

这里我引用哈耶克的比喻，就是说，一个国家如果用货币政策和利率来维持增长，就像抓住老虎的尾巴。想象一下，抓住老虎的尾巴只有两种可能性，一种就是你跟着老虎跑，最后累死了；另一种你把老虎尾巴放开，老虎把你吃了。

想放开老虎的尾巴，但是差点被吃掉，就是当时的“钱荒”。现在仍然抓着老虎的尾巴，但是这是没有办法持续的，因为下一步可能爆发问题的是地方债务，估计有20多万亿，好多地方其实已经还不起了。地方政府还不起债就会影响到企业，有很多企业给政府做项目，但拿不到钱。
很遗憾，我们现在好多人仍然都把维持经济增长的希望寄托于货币政策，寄托于财政政策，寄托于政府的投资。

如果我们不能发挥企业家精神的作用，经济增长保持7%都很困难。我们今天所有消费的东西，特别是新产品都是企业家精神开发出来的。

企业家有两个基本功能。第一个就是发现不均衡，第二个是创造不均衡。均衡就是所有的资源、要素都得到了最有效地利用，没有盈利的机会。也就是说，如果经济属于均衡状态，每个企业赚的收入全部是弥补成本，不存在经济利润。
实际上我们知道不是这样，企业家发现不均衡，发现赚钱的机会，利用这些机会赚钱，然后使得资源得到有效的配置，越来越多人运用这个机会，市场就会趋向均衡。

假如市场属于均衡状态，比如大家都在使用电脑了，电脑饱和了，那这时候生产出iPad，它就打破了原来的平衡，那就可以赚钱。

过去30年，中国的企业家主要是发现不均衡，利用不均衡叫套利，以及模仿。过去30年搞投机倒把、乡镇企业都可以赚钱。但套利空间在传统产品市场都饱和了，现在什么都不好卖，饱和了，套利空间越来越小。模仿的空间也越来越小，中国原创性的技术很少很少，甚至没有。即使有创新，也是在外国原创性技术上做改进而已，这种后发优势慢慢都在消失。

中国下一步的关键是什么？就是企业家能不能从套利行为转向真正的创新。创新就是有一个想法，这个想法大部分人没看到，你说出来不会获得认同，但是你能够把它变成市场可接受的产品和服务，这时候你就会为经济增长做贡献，你也会赚钱。而这种创新一般时间都比较长。今天支持经济增长的好多产品，30年前没人想得到。同样可以说，30年后这个国家经济的主要产业、行业，现在大家都想不到，这就是企业家的功能。

在40年前比尔盖茨要制造软件，想象软件要变成未来每个人都用的东西，没有人会想到；100年前，亨利那个时代，汽车已经有了，但是汽车只是富贵人家、有钱人使用的产品，没人想到普通人应该有汽车，但是福特想到了，所以就引进了流水线，生产出了普通人用得起的汽车。

改革就是把私权还给个人。那么企业家精神怎么被开发出来？
目前体制存在好多障碍，大的障碍有两个，第一就是经济体制，第二是政治体制。就经济体制而言，首先是国有部门太强大，国有部门的强大与市场经济是不相融的，尤其像我们这么大的国有部门，要创造所谓的公平竞争环境是不可能的。
第二就是政府管的太多，我们做什么事都得审批。

我们学法系的同学都知道，这个社会当中哪些权力应该是个人的，哪些权力应该是政府的，就是私权与公权的划分。

我们国家在计划经济体制下，很多私权都被公有化了。改革就是不断地把私权归还给个人，但是仍然做的不是很好。

第三就是金融市场不自由。企业家的一个想法要变成产品，要形成市场，需要大量的投资，还需要很长的时间。如果金融不自由的话，创新就得不到很好资源。

好在我们过去20来年有很大变化，就是外国基金进入中国，帮助中国很大的忙。
但是我们仍然看到大量的储蓄在无效地使用，其中无效的一部分是借给美国人，给他也带来了麻烦，其实对我们麻烦可能更大。

还有就是大量金融资源仍然被国有企业占有，比如说信贷资金，国有企业拿到信贷资金的成本比民营企业要低大致一半，国有企业的利率5、6%，民营企业在10%以上。

还有一个方面是私有产权得不到有效保护。现在的民营企业家，有些犯罪被抓起来，财产很快被处理了，这个本身是违法的。私有产权的保护，依赖于法律，也依赖我们的司法制度。

政府大量的权力应该废除，就是说把政府局限在公权的范围内，不应该侵害私权。

[Morris @Morris_LT]

人是怎么废掉的，第一懒，第二爱拖延，第三自控力差，第四精神内耗，第五沉迷美色，第六停止思考不学习，第七假装上进努力，第八只想不做，第九满脑子都是鸡毛蒜皮的小事，拒绝了重要事情的选择，第十，待在舒适区害怕尝试新鲜事物。

[Barret李靖 @Barret_China]

写的非常好的一篇文章，https://t.co/7ZBaeujYkF，作者在 glitch 构造了一个 Demo，在 Chrome Devtools 的 Lighthouse 面板评测分数为 0 分，看作者一步步带你优化到 97 分，期间讲解了如何利用 Devtools 定位页面的性能问题。作者构造的 Demo 比较极端，但是分析方法还是值得学习的。

[pcc @pcc426]

@williamlong 推特在这种权限设置上比微博弱太多了

[pcc @pcc426]

@mainroadly 老罗的男粉真是多。。。

[pcc @pcc426]

@blue500000 这视频的来源是哪儿？

[pcc @pcc426]

每次看到这种新闻都很支持化学阉割！

[William Long @williamlong]

【上海青浦实验幼儿园一男幼师被曝性侵女童，官方通报：已被逮捕】上海市青浦区教育局官方微博“青浦教育微博”发布了官方调查通报。据通报，涉案嫌疑人已被依法刑事拘留并批准逮捕，案件正在进一步审理中。对学校主要负责人，区教育局已于日前作出免职处理并启动责任追究处理。（上观新闻）

[pcc @pcc426]

(接上条)推测出上面两个「事实」是基于：1. 美国采取强制措施(封城等)的确比较迟，而且措施没有被全国人民完全执行。2. 中国如果真有很多无症状没计入，3-4月应该会明显反弹。如果你说中国是会隔离无症状，但不会计数，那么请问你是隔离重要还是计数重要？😷

[pcc @pcc426]

疫情再次让我们看清人性：人们只愿意相信自己想相信的😒外媒各种咬死中国大陆没有计入无症状感染者，似乎把他们计入了确诊人数肯定超过美国。但事实也许是：1. 中国检测阳性的无症状感染者本就不多，也计入了疑似病例。2. 即使把「大量」无症状感染者也计入确诊，美国最终确诊人数还是第一(未完)

[pcc @pcc426]

所以中国如果算了无症状感染者数字超过美国了你们就开心了？呵呵，这时对第一名很谦让嘛🙄

[pcc @pcc426]

@ShellShellxy @xyz98 @Gust42561420 对美国人民为什么要觉得羞愧？中东综合征就行时中东人在世界各地也没觉得羞愧啊？哪国政府和人民都没法完全阻止病毒跨境传播吧？

[pcc @pcc426]

@simonliu7112s @bbcchinese 哈，还以为你台湾人，一看profile原来香港人啊，呵呵

[pcc @pcc426]

最近真的是强忍着不取关nyt这个号😒开始觉得是有批判性的观点，但看了好多篇后觉得这tm就是自由主义观点。。呵呵，随便看看就好

[纽约时报中文网 @nytchinese]

SARS之后，中国建立了一个传染病上报系统，旨在快速、全面地上报早期病例。
但在武汉去年12月出现不明原因肺炎患者时，这个系统在地方官员的干预下失灵了。中央卫生部门最初不是从报告系统得知疫情，而是在一些不知名的吹哨人在网上泄露了两份内部文件之后才知晓。https://t.co/Mkb5iMQniR