PP

Taiwan, Be Kind, 三隻貓咪的室友
Try my best ing

[Anatoli Kopadze @AnatoliKopadze]

instead of watching 2 hours of Netflix tonight, watch this Stanford lecture given by Anthropic engineers

it's the clearest explanation I've seen of how AI agents actually work

useful whether you've never touched AI in your life or have been building with it every day

i took the key ideas and turned them into a practical guide, with ready-to-copy prompts

watch it, then read the guide below on how to build a system that improves itself

[0x鸣人 @LuBtc888]

停下你手上的所有事情，都给我去看完这个视频，

全程1个小时的干货，教会你如何高效提升表达力，

这是2019年MIT教授帕特里克·温斯顿《如何说话》讲座，

全网拥有超恐怖播放量，看完的都说受益匪浅。

[DAN KOE @thedankoe]

https://t.co/7l7Jef99QZ

[DAN KOE @thedankoe]

https://t.co/2b9xu8HBXY

[Boris Cherny @bcherny]

I'm Boris and I created Claude Code. I wanted to quickly share a few tips for using Claude Code, sourced directly from the Claude Code team. The way the team uses Claude is different than how I use it. Remember: there is no one right way to use Claude Code -- everyones' setup is different. You should experiment to see what works for you!

[GitHubDaily @GitHub_Daily]

Ilya Sutskever 曾断言，只要读懂那 30 篇奠基论文，就能掌握人工智能 90% 的精髓。但面对枯燥的数学公式，大多数人很难将其转化为可运行的代码。

最近在 GitHub 上发现 Sutskever 30 这个开源项目，用纯 NumPy 实现了 Ilya Sutskever 推荐的 30 篇奠基性论文，全部完成。

每个实现都不依赖深度学习框架，只用 NumPy 从零构建，配合 Jupyter Notebook 交互式学习，还自带合成数据可以直接运行。

GitHub：https://t.co/IZyKQ8I7i2

涵盖从 RNN、LSTM 到 Transformer、ResNet 的核心架构演进，包括注意力机制、残差连接、图神经网络等关键技术，还有 VAE、神经图灵机、CTC 损失等高级主题。

值得一提，项目还实现了 Kolmogorov 复杂度、MDL 原理、通用人工智能(AIXI)等理论基础，以及 RAG、长文本分析等现代应用。

如果你想从底层理解深度学习的核心机制，而���是只会调用框架 API，这个项目值得收藏学习。

[一口新饭 @onenewbite]

新影片：自由職業10年，我發現「時間管理」其實是個騙局
https://t.co/CXqndYmyz0

[陈剑Jason @jason_chen998]

花了一下午看完了马斯克这周最新一期的播客，整整3个小时里马斯克基本上把他当前做的事情都串到了未来的构想中，但全程核心依然都围绕在怎么解决能源限制的问题上，他直接否定了当前看似终极的可控核聚变的路线，比喻为这就像是在北极研发冰箱，因为就在地球旁边就有一个现成的超大核聚变-太阳，但只有五亿分之一的能量到达地球。他认为合理的目标是将太阳的百万分之一的能量利用起来，所以他的目标是打造戴森球式的太阳能AI卫星，把无穷无尽的能量转化为算力，从而AI将会彻底摆脱���力限制进入人类无法想象的智慧程度，SpaceX则会是这一切的载体，那时Grok则会彻底拉开和其他AI的指数级差距，不论如何这个叙事级别，给即将上市的SpaceX又一次打开了天花板。

随后马斯克提出了一个新的概念UHI全民高收入，对应之前山姆奥特曼的UBI全民基本收入，马斯克认为未来AI和人形机器人取代工作，太阳能无限供应能源，一切的商品和服务的成本将极其低廉，物质极大丰富，从而全球进入超级通缩时代。

[Yanhua @yanhua1010]

未来10年最重要的技能：高主体性（High Agency）

DAN KOE也给出了他是如何练习主体性的方法：
你只需要一个追求的目标。任何目标都可以。因为没有人真正知道自己想要什么。���反，他们深刻地理解自己不想要什么，并以此为未来设定一个目标。从那里，他们就有了移动的方向。设定一个目标让那个目标变得更实际，然后做以下事情：

1. 研究他人成功的流程。 你可以在 YouTube、社交媒体、知名创作者的课程或导师那里找到这些。

2. 尝试各种技术。 执行你学到的流程并尝试获得结果。（顺便说一句，这些大部分对你都不起作用，这没关系）。

3. 识别模式、原则和杠杆。 记录你尝试过的所有事情中最关键的方面。这些往往是产生结果的东西。

4. 创建你自己的流程。 将你学到的东西量身定制到你独特的生活方式和情况中。

5. 传授给他人。 老师学到的比学生多，如果你不能以一种对他人有益的方式解释它，你就没有真正理解它。

[AI Will @FinanceYF5]

Sam Altman 几乎是直接“泄露”了如何成为亿万富翁的方法

所谓“成功的秘密”，往往看起来都很朴素。真正难的，是把这些事坚持十年。

[宝玉 @dotey]

唐杰 @jietang 是清华大学教授、智谱（GLM 系列模型出自他们家）AI 首席科学家，也是国内最懂大模型的人之一。他刚发了长微博（见评论），谈 2025 年对大模型的感悟。

有意思的是，唐杰和 Andrej Karpathy 的观察有不少共鸣，但也有一些不同的侧重点。两个顶级专家的视角放在一起看，能看出更完整的图景。

内容比较长，但有句话我要特别放在前面高亮一下：
> AI 模型���用的第一性原理不应该是创造新的 App，它的本质是 AGI 替代人类工作，因此研发替代不同工种的 AI 是应用的关键

如果你是在做 AI 应用开发，应该反复思考一下这句话：AI 应用的第一性原理不是创造新产品，而是替代人类工作。想清楚这一点，很多事情的优先级就清楚了。

唐杰的核心观点有七层逻辑。

---

第一层：预训练没死，只是不再是唯一主角

预训练仍然是让模型掌握世界知识和基础推理能力的根基。

更多的数据、更大的参数、更饱和的计算，依然是提升模型智商最高效的办法。这就像还在长身体的孩子，饭量（算力）和营养（数据）必须管够，这是物理规律，没法绕弯。

但光有智商不行，现在的模型有个毛病：容易“偏科”。为了刷榜单（Benchmark），很多模型都���针对性地做题，导致在真实复杂的场景下反而不好用。这好比孩子上完九年义务教育（预训练）后，必须把他扔到真实的职场里去实习，去处理那些书本上没有的烂摊子，这才是真本事。

所以接下来的重点是“中后训练”（Mid and Post training）。中后训练这两个阶段负责「激活」模型的能力，尤其是长尾场景的对齐能力。

什么是长尾场景？就是那些不常见但真实存在的需求。比如帮律师整理某类特殊合同、帮医生分析某种罕见病的影像。这些场景在通用测试集里占比很小，但在真实应用中至关重要。

通用 benchmark 一方面评测了模型效果，但也可能让很多模型过拟合。这和 Karpathy 说的「训练在测试集上是一门新艺术」观点一致。大家都在刷榜，但榜单刷了高分不等于能解决真实问题。

---

第���层：Agent 是从「学生」到「打工人」的跨越

唐杰用了个形象的比喻：
> 如果没有 Agent 能力，大模型就是个“理论博士”。一个人书读得再多，读到了博士后，如果不能动手解决问题，那也只是知识的容器，产生不了生产力。

这个比喻精准。预训练是上课，强化学习是刷题，但这些都还在「学习阶段」。Agent 是让模型真正「干活」的关键，是进入真实世界、产生实际价值的门槛。

不同 Agent 环境的泛化和迁移并不容易。你在一个代码环境里训出来的能力，换到浏览器环境就不一定好使。现在最简单的办法，还是不断堆更多环境的数据，针对不同环境做强化学习。

以前我们做 Agent，是给模型外挂各种工具。现在的趋势是，直接把使用工具的数据写进模型的“DNA”里去训练。

这听起来有点笨，但确实是当下最有效的路径。

Karpathy 也把 Agent 列为今年最重���的变化之一，他以 Claude Code 为例，强调 Agent 要能「住在你电脑里」，调用工具、循环执行、解决复杂问题。

---

第三层：记忆是刚需，但怎么做还没想清楚

唐杰花了不少篇幅讲记忆。他认为，模型要在真实环境中落地，记忆能力是必须的。

他把人类记忆分成四层：
- 短期记忆，对应前额叶
- 中期记忆，对应海马体
- 长期记忆，分布在大脑皮层
- 人类历史记忆，对应维基百科和史书

AI 也要模仿这个机制，大模型对应的可能是：
- Context 窗口 → 短期记忆
- RAG 检索 → 中期记忆
- 模型参数 → 长期记忆

一个思路是「压缩记忆」，把重要信息精简后存在 context 里。目前的“超长上下文”只是解决了短期记忆，相当于把它能用的“便签纸”变长了。如果未来 context 窗口足够长，短中长期记忆都有可能实现。

但有个更难的问题：怎么更新模型自身的知识？怎么改参数？这还是个未解难题。

---

第四层：在线学习和自我评估，可能是下一个 Scaling 范式

这一段是唐杰观点里最前瞻的部分。

现在的模型是“离线”的，训练好就不变了。这有几个问题：模型不能真正自我迭代，重新训练浪费资源，还会丢掉很多交互数据。

理想情况是什么？模型能在线学习，边用边学，越用越聪明。

但要实现这一点，有个前置条件：模型要知道自己对不对。这就是「自我评估」。如果模型能判断自己的输出质量，哪怕是概率性地判断，它就知道了优化目标，就能自我改进。

唐杰认为，构建模型的自我评价机制是个难题，但也可能是下一个 scaling 范式的方向。他用了几个词：continual learning、real time learning、online learning。

这和 Karpathy 提到的 RLVR 有一定呼应。RLVR 之所以有效，正是因为有「可验证的奖励」，模型能知道自己对不对。如果这个机制能泛化到更多场景，在线学习就有可能实现。

---

第五层：AI 应用的第一性原理是「替代工种」

这是对我启发最大的一句话：
> AI 模型应用的第一性原理不应该是创造新的 App，它的本质是 AGI 替代人类工作，因此研发替代不同工种的 AI 是应用的关键

AI 的本质不是创造新的 App，而是替代人类工作。

两条路：
1. 把以前需要人参与的软件 AI 化。
2. 创造对齐人类某个工种的 AI 软件，直接替代人类工作。

Chat 已经部分替代了搜索，同时还融合了情感交互，下一步就是替代客服、替代初级程序员、替代数据分析师。

所以，明年 2026 年的爆发点在于“AI 替代不同工种”。

创业者要思考的不是“我要开发个什么软件给用户用”，而是“我要造一个什么样的 AI 员工，去帮老板把某个岗位的人力成本砍掉”。

换句话说，别老想着做一个「AI+X」的新产品，先想想哪些人类工作可以被替代，再倒推产品形态。

这和 Karpathy 关于「Cursor for X」的观察遥相呼应。Cursor 本质上是「程序员这个工种的 AI 化」，那么各行各业都会出现类似的东西。

---

第六层：领域大模型是个「伪命题」

这个观点可能会让一些人不舒服，但唐杰说得很直接：领域大模型就是个伪命题。都 AGI 了��哪有什么“领域专用（domain-specific）AGI”？

之所以有领域大模型存在，是因为应用企业不愿意在 AI 模型公司面前认输，希望用领域 know-how 构建护城河，把 AI 驯化为工具。

但 AI 的本质是「海啸」，走到哪里都会把一切卷进去。一定会有领域公司主动走出护城河，被卷进 AGI 的世界。领域的数据、流程、Agent 数据，慢慢都会进入主模型。

当然 AGI 还没实现之前，领域模型会长时间存在。但这个时间窗口有多长？不好说，AI 发展实在太快了。

---

第七层：多模态和具身智能，前景光明但道路艰难

多模态肯定是未来。但当下的问题是：它对提升 AGI 的智能上限帮助有限。

文本、多模态、多模态生成，可能还是分开发展更高效。当然，探索三者结合需要勇气和钱。

具身智能（机器人）更难。难点和 Agent 一样：通用性。你教会机器人在 A 场景干活，换个场景又不行了。怎么办？采数据、合成数据，都不容易，还贵。

怎么办？采数据，或者合成数据。都不容易，都贵。但反过来，一旦数据规模上去了，通用能力出来了，自然就形成门槛。

还有个问题往往被忽略：机器人本身也是个问题。不稳定、故障频繁，这些硬件问题也在限制具身智能的发展。

唐杰预判 2026 年这些都将取得长足进步。

---

把唐杰这篇文章串起来，其实是一张相当清晰的路线图：
当下，预训练 scaling 依然有效，但要更重视对齐和长尾能力。
近期，Agent 是关键突破口，让模型从"会说"进化到"会做"。
中期，记忆系统和在线学习是必修课，模型要学会自我评估和迭代。
长期，工种替代是应用的本质，领域护城河会被 AGI 冲垮。
远景，多模态和具身各自发展，等待技术和数据的成熟。

---

把唐杰和 Karpathy 的观点放在一起看，能看出几个共识：

第一，2025 年的核心变化是训练范式的升级，从「预训练为主」变成「���阶段协同」。

第二，Agent 是里程碑，是模型从学习走向干活的关键跨越。

第三，benchmark 刷分和真实能力之间有鸿沟，这个问题越来越被重视。

第四，AI 应用的本质是替代或增强人类工种，不是为了做 App 而做 App。

不同的侧重点也有意思。Karpathy 更关注「AI 是什么形状的智能」这个哲学问题，唐杰更关注「怎么让模型在真实场景落地」的工程问题。一个偏「理解」，一个偏「实现」。

两个视角都需要。理解清楚了，才知道方向对不对；工程跟上了，才能把想法变成现实。

2026 年，会很精彩。

[wwwgoubuli @wwwgoubuli]

我上推特就是为了看这种东西的

[GitHubDaily @GitHub_Daily]

每次准备技术面试，面对网上铺天盖地的资料和刷题指南，总感觉无从下手，不成体系的学习效率也很低，确实有点浪费时间。

可以看一下 Interview Guide 这份指南，它为我们提供了一套清晰、可执行的备战策略。

作者结合其在大小厂作为面试官和候选人的近百场经验，提炼出一套个人方法论，不求大而全，只聚焦于提供具体、可行的流程。

GitHub：https://t.co/u0VwPPTMWh

主要内容：

- 提炼自近百场面试的个人方法论；
- 聚焦面试准备流程而非资源堆砌；
- 内容通俗易懂，可操作性非常强；
- 面向初学者以及有经验的软件工程师。

这份指南内容不是很不长，建议大家可以通读一遍，非常适合希望高效备战的工程师。

[三个三 @3three_AI]

这 10 个Youtube频道，就是你自学 AI 的最优路径

从数学 → 代码 → 工程 → 研究 → 认知，一条龙闭环

收藏、照做、执行

半年后你会惊讶自己变了多少🧵

[ginobefun @hongming731]

花了一个晚上，完整听完了老罗和李想长达 4 小时的播客。坦白说，这年头能让人安安静静听完这么长的对谈不多了，但这次的体验非常奇特，信息量密集，而且真诚得有点惊人。它完全不是那种商业互吹的访谈，更像两个都从枪林弹雨里走出来的人，终于可以坐下来，复盘一下这些年到底是怎么活下来的。

ShowNotes 里的时间线很清晰，但我脑子里反复回响的，是几个故事和细节，那种能让你在深夜里反复琢磨的时刻。我试着把它们捞出来，分享给你。

1. 乐观精神的出厂设置，是在乡下姥姥家完成的
一个人的底层代码是怎么写成的？李想的故事给了一个特��温暖的答案。

他童年最重要的一段时光，是在沧州乡下的姥姥姥爷家度过的。那不是一个寻常的隔代抚养故事。他的姥爷像个“乡绅”，一个极富正义感和行动力的退伍军人，村里各家各户的矛盾都找他解决，而且不图任何回报。李想从小就跟在姥爷身后，亲眼看着他为战友被欺负的遗孤出头，让她再也没人敢惹；也亲眼看到姥姥 80 岁大寿时，那些受过恩惠的乡亲们从四面八方赶来祝贺的场面。

他说，这段经历让他从小就有了一个朴素但坚定的信念：“你只要去做你认为对的事儿，好的事儿，其实就是有好的结果。” 这不是后来读了什么管理学大师的书得来的，而是在一个孩子心里种下的种子。当他后来创业遇到无数坎坷，他说自己之所以还能坚持下去，就是因为这种乐观精神的底色。

2. 那些堪比 TVB 商战剧的“至暗时刻”
听这部分的时候，我几次都觉得，这剧情也太狗血了，但它就是真实发生的事。

一夜之间，90% 的员工集体辞职。这是他在北京做泡泡网的时候。因为年轻，管理上是个彻底的“暴君”，完全不关心人的感受。终于有一天，矛盾总爆发，公司三四十号人，一夜之间走了 90%，而且是商量好的集体行动。他说那一瞬间，“公司就崩了”。

被刚借钱买房的“兄弟”联手逼宫。这是 2008 年，公司资金链最紧张的时候。几个元老级的合伙人，其中一个刚刚从他个人卡里借走了 100 万买了房，转头就在茶馆里开了个“批斗会”，罗列他的“罪状”，要他和另一位创始人出局。你能想象那种感觉吗？他说：“我跟那几个人甚至在一起睡过觉，我们白天工作，晚上一张���上睡觉。” 这种背叛的戏剧性，比任何电影都来得真实和刺痛。更让人心酸的是，那段时间公司账上没钱，恰逢 512 大地震，他们因为捐不出钱被全网骂，而他自己卡里只剩下几万块。

上市前夜的釜底抽薪。汽车之家准备了三年，马上就要去纽交所敲钟。团队的护照都办好了，准备去美国庆祝了。就在国庆节前两天，一个持有少量股份的股东，被竞争对手用高价策反，突然发难，试图阻止他们上市。他说，当时宣布这个消息后，从那个股东原来公司跟过来的人，“大部分人都哭了”，因为他们跟着老东家没赚到钱，眼看这次财务自由的机会又要被搅黄了。

这些故事串起来，你会发现创业根本不是什么一帆风顺的英雄史诗，而是一场接着一场的绝境求生。

3. “我不想变成那样的人”——一个创业者的底线
这是整场对话里，最让我触动的一点。

老罗问到理想 MEGA 被全网恶意 P 图成“棺材车”，问他难道没有报复心理吗？李想的回答很平静，但掷地有声。他说，他们很清楚背后是哪家公司在操纵，但如果自己也用同样的手段去“打黑”，去搞那些脏活，“我这一辈子就完了”。

他说：“我不想变成那样。……如果他们那么黑，还能对我们产生影响，还是因为我们产品做得不够好，我们应该更努力把产品做得更好。我只能这么告诉自己。”

在今天这个流量就是一切，为了赢可以不择手段的环境里，能守住这样的底线，真的很难得。这也解释了为什么理想的公关总让人感觉“慢半拍”，因为他们的内核逻辑不是去打口水仗，而是回到产品本身。

4. 一些反常识的领悟
除了故事，他还分享了一些非常深刻，甚至有些反常识��思考。

顶尖企业家的秘密公式：他见过几乎所有国内外的顶级企业家，发现他们都有三个共同点：选得准、选得长、迭代快。前两个不难理解，但第三个“极高频率地迭代”是反人性的。很多人以为选对了长赛道就可以慢慢来，但他发现，所有最成功的人，都是在一个长周期里，用比任何人都快的速度去试错和进化。

最深刻的教训来自背叛你的人：在经历了合伙人逼宫的风波后，他去问那个主导的人为什么。对方说了一句让他幡然醒悟的话：“你老一个人死扛，……我们最大感觉就是你觉得我们不重要了。” 从那以后，他才学会把最大的困难跟核心团队分享。他说：“每个人都希望在你身边贡献它的价值，大家都希望自己是被需要的。” 这个领悟，竟然来自于一场最痛苦的背叛。

创业者最脆弱的时刻：老罗也分享说，每次发布新手机，是他情感上最脆弱的时��。李想完全同意，他说每次发布新车，第一周会极度在意用户的每一个反馈，那种感觉就像把自己几年心血的全盘托出，等待市场的审判，每一分每一秒都“战战兢兢”。

5. 为什么是“家”？
最后，一个有意思的细节是，李想的公司和产品，从汽车之家，到理想 ONE，再到理想 MEGA Home，始终围绕着“家”这个概念。这不只是一个聪明的商业定位。

他坦诚，自己从小辗转在姥姥家和奶奶家，和父母真正生活在一起的时间很短，直到结婚后才真正感受到家的宝贵。他甚至有点“自私”地对老婆说：“我需要你，远远超过了你需要我。”

当一个创始人把对家庭的深刻理解和情感投射到产品里，这个产品自然就有了不一样的温度。从这个角度，你或许更能理解，为什么理想汽车能牢牢抓住家庭用户的心了。

这期播客还有很多精彩的细节，比如他和老罗都狂粉任天堂的宫本茂和苹果的乔布斯，聊到兴奋时那种掩饰不住的 Geek 的快乐；比如雷军决定造车前，深夜打电话向他请教，他给的唯一建议就是“你自己上，别找代理人”。

整场听下来，感觉李想是一个极度理性和感性交织的矛盾体。他会用最冷静的模型去分析商业，但驱动他做出一次次重大决定的，往往是一些非常感性、源自初心的信念。

推荐你有空也去听听，虽然很长，但绝对不无聊。

[Morris @Morris_LT]

永远记住沉没成本不参与重大决策。哪怕你已经站在楼顶天台的边缘，哪怕救援人员出动了一大堆，地上铺满了充气垫，附近围满了看热闹的人，哪怕全世界都知道你要跳了，你也可以道一声歉，说自己思虑不周，然后转头从栏杆上爬下来。

[PP @PPhasamnesia]

粗糙的開始，就是最好的開始

[Geek @geekbb]

一天狂揽 1000+ Star，把 MacBook 触控板秒变高精度数字秤……
先别问做出来有没有人用，要问你的项目创意是否足够出众。
TrackWeight https://t.co/qrWjrNeywc

[Ken Chen @kenwschen]

曾有同事尋求我的回饋，我說：「你做得很好，有問題的是我。」對，很爛的回答。

這篇從另一個角度討論回饋的用途，從這角度來說，我應該要給的回答是「好在哪」，以及我需要哪些協助。當然，既然聽了就要行動，coach coachable 不是單方向，它對問答雙方都是挑戰。

https://t.co/wB5vz4YBSf