小船（AI版）

文科生-大厂AI市场
AI玩法/工具测评/学习笔记
这里是小船🚢的AI学习笔记

[小船（AI版） @RootAI0206]

因为实在是太喜欢 Kimi 的审美😭，尤其是这次 K3 宣传片以及KIMI的招聘官网。

所以我把这套视觉语言拆成了一个生图 Skill，内置 7 种细分风格，输入主题就能生成稳定、克制又有未来感的海报。

下面是我用它做的 K3 海报和日历效果👇
https://t.co/pkP4HNjiEY

[小船（AI版） @RootAI0206]

WAIC后的意外惊喜！竟然，见到了Openclaw首席架构师@vincent_koc ，感谢十二海里编辑部！

[小船（AI版） @RootAI0206]

https://t.co/BOe8So7BFk

[小船（AI版） @RootAI0206]

最近我在 Codex 里做了一个特别可爱的东西：一只穿着世界杯球衣的负鼠。

它���是一张静态图片，而是一只会跟着 Codex 状态变化的动态宠物。

比如 Codex 空闲的时候，它就穿着阿根廷风格的浅蓝白球衣，背着手乖乖站在旁边。

Codex 开始工作的时候，它又会像教练一样低头看战术板，仿佛下一秒就要开始指挥全场。

这只小负鼠我也已经开源到了 GitHub，可以通过 Codex 的 /hatch pet 插件直接运行。

https://t.co/8OIhuAfUSp

[小船（AI版） @RootAI0206]

做了一个 AI 侧边栏小工具：ClipShelf，终于不用到处找刚刚复制的东西了。

它可以自动汇总我们按过 Command + C 的文字、链接和图片，保留来源链接或截图，并支持编辑后保存到 Obsidian。

做 ClipShelf 的原因很简单：我每天复制的东西太多了。

很多内容复制完之后，还要专��打开备忘录保存一遍。

而且剪贴板只记得最后一次复制，下一次 Command + C 之后，上一次复制的东西就被覆盖了。

另外复制多了以后，我经常会忘记这个内容我是在哪里复制的。

ClipShelf 会把复制过的内容先自动收进本地侧边栏收藏夹：你可以搜索、预览、二次编辑，确认有用后再一键保存到 Obsidian 专门的项目库里。

https://t.co/KJ2PoluwoG

[小船（AI版） @RootAI0206]

前两天，Anthropic 的 Claude Code 负责人 Boris Cherny ，接受了 Big Technology Podcast 的访谈。

听之前，我以为这会是一场很标准的产品增长复盘，比如 Claude 增长多快、用户多疯狂、开发者怎么用。

但整篇其实探讨了一个更大的问题：模型公司的下一代入口，到底还是聊天框，还是一个能真正帮你干活的 Agent 工作台？

也正因为这样，当主持人问到他对 Codex 的看法时，问题一下就变得很尖锐了。

1⃣Boris 怎么看 OpenAI Codex？

这个问题，也是我在整个访谈里最期待的一个问题��

主持人问，OpenAI 也在做 Codex，而且 OpenAI 有非常强的数据中心投入。如果 Claude Code 用户遇到 rate limit，会不会直接转去 Codex？

这个问题其实挺尖锐的。

因为对 Claude Code 这种产品来说，rate limit 不是小问题。Agent 一旦开始跑任务，就会消耗大量 token，尤其是重度用户，很容易撞到上限。

结果 Boris 没有顺着“打不打得过 Codex”这个方向展开。

Boris 回答称：总会有模仿者，这对我们是一种恭维，会迫使我们每个人做得更好。

我觉得它背后的意思是：Anthropic 并不觉得 Codex 的出现推翻了 Claude Code，反而证明了 Claude Code 这条路是对的。

这也说明，大家都意识到：单纯的聊天框已经不够了。

模型公司下一阶段真正要抢的，不是“谁回答得更好”，而是“谁能替用户完成更多任务”。

所以 Codex 和 Claude Code 的竞争，会比普通 chatbot 竞争更重要。

因为��们抢的不是聊天时间，而是工作入口。

Claude Code 成为很多用户第一次接触 Anthropic 生态的产品，而不是 Claude Chat，这件事本身就很说明问题。

对模型公司来说，真正驱动留存和商业化的，可能不再是单纯的对话能力，而是工具调用能力。

从商业上看，聊天的价值比较分散。写文案、总结文章、问知识点，都有用，但不一定直接对应预算。

Agent 不一样，它对应的是任务。

也就是 AI 能不能读文件、改代码、调用浏览器、连接软件，然后把一个任务真正做完。所以 Agent 天然更接近付费场景，也天然更消耗 token。

这也是 Claude Code 给其他模型公司的启示：产品策略不能只停留在“做一个更好的聊天机器人。下一阶段，更重要的是做一个能替用户完成任务的 Agent。

2⃣Boris 给企业的建议，很值得看

访谈里还聊到一个词，“Token maxing”。

简单说，就是有些公司为了推动 AI 使用，���要求员工消耗更多 token。谁用得多，谁就工作得最积极。

Boris 提到，Token Maxing 不是 Claude Code 增长的主要来源。因为 Claude Code 的客户很多，并不是某一两家公司在靠内部 KPI 硬推使用量。

这里 Boris 提了一个很有意思的类比。

他说，90 年代很多公司刚开始用电脑的时候，也不是一买电脑，生产力就立刻起飞了。因为一开始，电脑只是被放进了老流程里。纸质审批还在，原来的协作方式还在，电脑只是多了一个摆在旁边的工具。

只有当企业开始围绕电脑重新设计工作方式，电脑才真的变成了生产力工具。

AI 现在也很像这个阶段。很多公司不是不知道 AI 重要，而是不知道该怎么用它改流程。

所以 Token Maxing 这种事，某种程度上也能理解：企业想证明自己真的在用 AI，想推动大家改变习惯，但又不知道该抓什么，于是先抓了一个最容易量化的指标——用��多少 token。

但 Boris 真正想��的是，如果想从 AI 里拿到更大的收益，就不能只把它当成一个外挂工具。

而是要找到新的场景，如果 Agent 已经能参与执行，那原来的流程是不是可以换一种走法？

那企业到底该怎么做？Boris 给的建议其实很简单：

第一，给每个人足够的 token，不需要每个 token 使用都要打申请。

第二，给员工一点心理安全感，让员工敢于试错。因为很多生产力场景，也不一定是工程师发现的，有可能是会计把某个财务流程自动化了，也可能是一个市场同学把内容分发流程改掉了。

3⃣Claude 的产品增长与商业策略

在主持人去年与 Boris 交谈的时候，他还在为 Anthropic 达到 40 亿美元 ARR 感到兴奋。但现在市场传出的数字，已经接近 450 亿美元。

这个增长已经不是普通意义上的快。

团队里很多人都参与过各种超高速增长产品，但即便如此，也没人见过 Claude Code 这种增��速度。

Boris 说，对很多人来说，Claude Code 是他们第一次接触 Anthropic 生态的入口。

也就是说，���多用户不是先从 Claude Chat 认识 Anthropic，而是从 Claude Code 开始认识它。

这点很重要。

因为它说明 Anthropic 的增长入口，正在从聊天机器人转向 Agent 产品。

与之对应的是，Anthropic 的收入结构也在跟着变化。

一年前，Anthropic 的使用量和收入很大程度上来自 API。

但现在 Boris 的说法是，产品增长正在加速，API 也在同步快速增长。

也就是说，Anthropic 已经从单纯依赖 API，进入了“API + 自有产品”双轮驱动的阶段。

这也证明了 Anthropic 不只是一个模型供应商，它正在变成一家真正的 AI 产品公司。而这个定位，也决定了 Claude Code 后面的产品路线。

Boris 讲到，Claude Code 和 Co-work 接下来主要有几个方向。

第一，是继续提高模型智能。在 Agent 产品里，模型能力每提升一档，产品边界就会往外扩一圈。

第二，是让任务跑得更久。Claude Code 最近做了 auto mode，本质上就是为了解决一个很现实的问题，减少用户点击允许的次数。

第三，是让更多 Claude 并行运行。Boris 说，很多用户会同时跑多个，从几个到成��上千个都有。这也是它商业化最有想象力的地方。当用户开始并行派任务，token 消耗自然会上升，付费意愿也会更强。

[小船（AI版） @RootAI0206]

最近如果你在关注 AI 工具，应该经常会刷到一些词。

Agent、Context、CLI、MCP、Plugin、Skill、Workflow……

有时候看 AI 产品的文章或者教程，会发现大家默认你已经懂这些词。

所以这篇就用小白能听懂的话，把最近 AI 新闻里经常出现的 7个词解释一下。

不追求特别严谨，但至少下次再看到这些词，知道它大概是什么意思。

一、Agent：能自己推进任务的 AI 助手

第一个词，是 Agent，这个词现在真的太常见了。

AI agent、coding agent、browser agent、research agent、shopping agent……感觉什么东西前面都可以加一个 agent。

如果用最简单的话解释：Agent 是能根据任务，自己拆步骤、调用工具、检查结果的 AI 助手。

过往我们用的GPT、Gemini都属于Chatbot，只是告诉你答案，“你问一句，它答一句”。

像是国外的Codex、Claude code，包括国内的Workbuddy、Dumate等等都属于Agent 。

它不是只回答你，而是会围绕一个目标，自己往下推进。

比如你让它帮你做个网页，Chatbot 只能告诉你怎么做，而 Agent 可能会自己读项目文件、改代码、跑命令、发现报错、继续修，最后给你一个能打开的页面。

如果只记一句话，可以这样记：Chatbot 是聊天，Agent 是干活。

二、Context：AI 的工作背景

第二个词，是 Context，这个词也特别重要。

很多人用 AI 觉得效果不好，第一反应是：这个模型不行。但很多时候，其实不是模型不行，而是 context 不够。

Context 就是 AI 当前能看到、能参考的所有上下文背景信息。

比如，你给它的提示词、你上传的文件，你之前说过的话，你给它的参考案例，这些都算 context。

举个很简单的例子，如果你只对 AI 说“帮我写一篇小红书”，它大概率会写得很泛。

因为它不知道你是谁，不知道你的账号是什么风格，也不知道读者是谁。

但如果你给它更多Context，比如我是个文科生，我的账号叫像素芽芽，现在在大厂做 AI 产品的市场功能，我不做资讯号，更喜欢教程、工具、项目拆解，后面是我过往的文章，你可以参考。

结果就会完全不一样。它会更知道该写什么、不该写什么。

如果只记一句话，可以这样记：Context 就是 AI 的工作背景。背景越清楚，干活越靠谱。

三、CLI：通过输入文字来操作电脑和工具

第三个词，是 CLI。这个词对非技术背景的人来说，可能会有一点吓人。

CLI 是 Command Line Interface，它是一种交互方式，即不需要点击按钮，单纯依靠打字来操作电脑。

大部分我们都在终端里使用 CLI，终端是你打开的那个窗口，CLI 是你在这个窗口里使用工具的方式。

平时我们用电脑，大部分是在 APP 里操作： 打开 App，点击按钮，拖拽文件，选择菜单。

但 CLI 不一样，一般是在电脑的终端窗口里，通过输入文字命令来操作工具。

简单说，就是不用点按钮，而是在终端里打字操作工具。

比如 Claude Code、飞书 CLI、Codex CLI，这些都可以理解成在命令行里使用的 AI 工具。

比如你在网页里问 AI，“这个项目为什么报错？”

你可能需要先复制报错信息，再复制代码，再告诉它文件结构。它回答完之后，你还要自己回到电脑里修改。

但如果你在项目文件夹里使用 CLI 版 AI 工具，你可以直接说：“帮我看一下这个项目，找出为什么运行报错。”

它可以直接读取本地文件、运行命令、修改代码，再继续验证结果。

所以很多 coding agent 都喜欢接在 CLI 里。

不是因为它们故意做得很难用，而是因为 CLI 更接近真实的工作环境。

它可以接触到文件、命令、项目、运行结果，而不只是停留在聊天框里回答你。

当然，对小白来说，不一定一开始就要学会 CLI。

但你至少要知道，为什么很多 AI agent 工具看起来都和终端、命令行有关。

四、MCP： AI 连接外部工具的接口

第四个词，是 MCP，这个词最近真的很火。

一句话来解释 MCP， AI 工具之间的“通用接口”。

过去 AI 想连接外部工具，每个工具都要单独接一遍。比如想读 Obsidian，要单独写一套连接方式，想连 GitHub，又要写另一套。

MCP 的意义是，让很多工具可以用一套相对统一的方式接入 AI。

没有 MCP 的时候，你可能要手动打开 Obsidian，把文章复制出来，再贴进聊天框。

但有了 Obsidian MCP 之后， AI 可以直接读取到 Obsidian 里的文章，参考我的文风写一篇新稿，再放回 Ob 里面。

这就是 MCP 的价值。

五、Plugin：给 AI 装一个具体工具

第五个词，是 Plugin，也就是插件。

它和 MCP 有点像，所以很多人会混在一起。

如果 MCP 更像“通用接口”，那 Plugin 就是各种各样的插件。

比如GitHub 插件，Obsidian 插件，Gmail 插件，Notion 插件等等。

它的作用是让 AI 不只停留在聊天框，而是能去具体工具里找资料、执行动作。

比如你想让 AI 看一个 GitHub 项目。

没有插件的时候，你可能要打开网页、复制 README，再贴给 AI。

有了 GitHub 插件后，你可以直接��：

@ Github 帮我看一下这个项目主页，总结它解决什么问题，适合谁用。

AI 就可以进入 GitHub 项目里读取信息。

所以 plugin 的价值很直观。

它相当于给 AI 装了一只手，让它能碰到外部工具。

六、Skill：把一套重复流程变成可复用 SOP

第六个词，是 Skill，这个词我最近越来越喜欢。
Skill 不是单个工具，它更像是一份“遇到这类任务时应该怎么做”的说明书。
也可以理解成一套可复用 SOP。

比如你已经调出了一套很满意的小红书文章流程，如果你以后还想反复用，就可以让 Codex 把它变成 Skill。

下次你就只需要说，用我的小红书 Skill，找到新选题并写出来，它就知道应该按什么流程来做。

这就是 Skill 的意义，你不需要一次次地输入提示词了。

它解决的不是“这一次 AI 输出得好不好”，而是“这套好用的方法，下次还能不能复用”。

小白可以这样记，Skill 就是把好用的方法存下来，下次继续用。

七、Workflow：把多个步骤串成一条工作流

第七个词，是 Workflow 工作流。

它不是某一个单点功能，而是一整套做事流程。

比如你要写一篇小红书文章，这件事表面上看是“写文章”，但��实流程可能是：

找选题、读资料、判断适不适合你的账号、写大纲、写初稿、改成你的文风、做图文卡片、发布后复盘数据。

这些步骤串起来，就是 Workflow。

AI 时代很重要的一点是：高手不是只会问 AI 一个问题，而是会设计一整条工作流。

这样 AI 才会从一个“随机回答器”，变成一个稳定的工作助手。

我觉得这也是 AI 小白最容易忽略的一点。

不要只迷恋某个神奇提示词。

真正重要的是，你有没有把自己的工作流程拆清楚。

[小船（AI版） @RootAI0206]

昨晚抓紧看了张小珺采访姚顺宇的新一期播客。

先说一个很容易搞混的点：这期嘉宾是姚顺宇，不是腾讯的姚顺雨。

这个姚顺宇，之前在 Anthropic，现在在 Google DeepMind。更有意思的是，他原来不是传统 CS 出身，而是学理论物理的，研究过非厄米系统、量子物理和高能物理。

后来博士毕业后，他直接离开了学了 9 年的物理，进入 AI 行业。

过去两年，他先后在 Anthropic 和 Google DeepMind 做研究科学家，参与过 Claude 3.7、4.5、Gemini 3 等关键模型的开发。

所以这期有意思的地方也在这里：他从模型公司内部的���角出发，讲他看到的 AI 三巨头发生了哪些变化。

1、Anthropic 为什么这两年突然变得这么强？
2、Google 为什么看起来慢半拍，但又开始翻盘？
3、OpenAI 为什么明明最早打出 ChatGPT，却反而进入了最危险的阶段？

这期播客，刚好把这些暗线串起来了。

我看完最大的感受是：AI 这场仗，已经不只是模型分数之争了。

真正的竞争，开始变成组织能力、产品判断和下注方向的竞争。

1⃣Anthropic 为什么强？因为它押得够早，也押得够坚定

这期里最有意思的一点，是姚顺宇讲到 Anthropic 的独特性。

张小珺一上来就问他：Anthropic 作为一家公司，能够执行这种相对 top-down 的机制，这是不是很独特？其他模型公司要做到会不会很难？

姚顺宇直接说：非常难。

他解释到，Anthropic 有一种相对 top-down 的机制，这件事对别的模型公司来说很难复制。OpenAI 很难，Gemini 也很难。因为大公司和创业公司的策略不一样，创业公司最重要的是敢下注。

这其实解释了为什么 Claude 这两年在 coding、tool use、agent 方向上很突出。

姚顺宇的说法是，如果你更愿意 prioritize 一个方向，就意味着你会投入更多精力去建对应的 infra、做对应的数据。尤其是数据，本来就是一件很耗时间、很耗精力的事。

所以 Anthropic 的强，不能只理解成“Claude 模型本身强”。

更准确地说，是它更早、更持续地把 tool use 和 coding 当成核心方向去做。等到 agentic coding 真的爆发的时候，Claude 就已经站在了一个很有利的位置。

这也是张小珺在这一段一直追问的重点：这到底是能力问题，还是优先级问题？

姚顺宇的回答其实很清楚：过去很大程度是优先级问题，现在则是优先级和能力都在起作用。

因为当 benchmark 上大家越来越接近，模型真正的差异，反而会出现在那些更难被纸面分数衡量的地方：你怎么定义问题，你想要什么行为，你到底希望模型成为什么样的工具。

2⃣Google 为什么能翻盘？

如果说 Anthropic 的关键词是“���注”，那 Google 的关键词可能是“组织”。

我之前一直很疑惑：Google 明明有最强的技术储备，为什么在 ChatGPT 之后，反而显得慢了半拍？

Transformer 是 Google 提出来的，DeepMind 也在 Google 体系里。按理说，它不应该在大模型这波浪潮里这么被动。

但姚顺宇在播客里提到，Google 这两年一个很重要的变化，是内部很多事情变得更清楚了。

尤其是 pre-training 这件事。现在谁负责什么、每个节点怎么推进，都比早期明确很多。早期可能相对混乱，但至少在 pre-training 上，Google 已经逐渐变成一个更清晰、更可控的系统。

这其实解释了 Google 后来为什么能追上来。

Google 不是没有技术，而是需要把原来分散在不同团队、不同项目、不同研究方向里的能力，重新组织成一套能持续迭代的训练体系。

姚顺宇后面也补了一句，Google 本来就有很强的技术背景，而且做事情比较系统。所以当 pre-training 这个范式变得相对确定之后，它反而进入了 Google 的舒适区。

这句话还挺关键的。

Google 的翻盘，不是靠一两��天才突然开挂，而是靠它最擅长的东西：把一个复杂问题拆清楚、分清楚、跑起来，并且持续优化。

姚顺宇说，pre-training 现在对 Google 来说，越来越像一个明确的系统工程。

但这里的“系统工程”，���是空泛地说大厂很会管理，而是目标更清楚了，分工更清楚了，实验怎么做、结果怎么验证、问题怎么排查，也都更有章法了。

这里还有一个很有意思的对比。

Anthropic 更像是一个判断很清楚、方向很集中的创业公司。它能比较早地把资源压到 tool use、coding、agent 这些方向上。

但 Google 不一样。Google 的强项不是“赌得最快”，而是当一件事的范式逐渐清楚之后，它可以把这件事变成一套大规模、可控、可持续迭代的系统。

这也解释了为什么最近很多人会感觉 Gemini 突然追上来了。

3⃣OpenAI 的领先，反而给 Google 提了醒

OpenAI 这部分，姚顺宇讲得其实很微妙。

他认为，从某种意义上说，OpenAI 反而救了 Google。

OpenAI 最早用 ChatGPT 把大模型推成了一个全民级产品，也让所有人意识到，原来 AI 不只是一个实验室里的能力，而是一个真的可能改变搜索、办公、写作和编程入口的新产品形态。

但问题也出在这里：Search 是 Google 最核心的入口，它证明了 Chatbot 的重要性，却没有在 Google 反应过来之前，把 Search 这条路彻底打穿，只是吃掉了一部分市场，Google 反而获得了一个很关键的追赶窗口。

姚顺宇后面也解释了，为什么现在的 Chatbot 还没有完全吃掉 Search。

他提到，Chatbot 相比 Search，最大的优势是互动性。

你可以追问，可以让它总结复杂信息，也可以让它把一堆资料压缩成一个更清楚的答案。这类需求，确实会从 Search 里被抢走。

所以 OpenAI 今天的压力，不是因为它没有做出伟大的产品。恰恰相反，它做出了一个太重要的产品，重要到把所有巨头都叫醒了。

这也是为什么姚顺宇会说，现在难受的反而变成了 OpenAI。

后面聊到 Gemini 的转折时，他还提到一个关键点：真正让 Gemini 变成市场里一个重量级玩家的，不只是 Gemini 3 本身，而是 Nano Banana 和 Gemini 3 连续发生。

如果只有 Gemini 3，在市场份额不到 10% 的情况下，就算模型能力变强，传播速度也会很慢。但 Nano Banana 先在市场上爆了，带来了大量 Gemini app 下载；Gemini 3 随后发布，正好接住了这批用户。

这也解释了 OpenAI 的压力来源。

如果只是模型能力的问题，OpenAI 当然仍然很强。但普通用户对模型能力的感知其实没那么敏感，很多人甚至不付费，一直在用免费版 ChatGPT。

所以当 Gemini 先用 Banana 拉来用户，再用 Gemini 3 留住用户时，它挑战的就不只是 OpenAI 的模型能力，而是 ChatGPT 原本很舒服的市场位置。

现在 OpenAI 依然很强，但它已经从一个遥遥领先的开局者，变成了一个必须面对多线反攻的领先者。

这也是这期播客里很有意思的一条暗线：OpenAI 打开了新时代，但没有在窗口期结束旧时代。

四、除了三巨头，还有几个判断也很值得看

1、Pre-train 没有到头

外界经常在讨论 scaling law 到底是不是撞墙了、数据是不是用完了、模型是不是很难再继续进步了。

但姚顺宇的观察是，至少从他自己的研究体感来看，pre-training 这几个月仍然在变强，模型的学习能力也在变强。

因为当 pre-training 这个范式还在继续有效，且越来越像一个可以被拆解、验证、迭代的系统时，Google 这种技术储备很厚���组织能力很强的大公司，反而更容易重新发挥优势。

总结来看就是，AI 还没有到拼玄学的时候，很多进步仍然需要先把基础工作做干净。

2、Coding 为什么最先爆发？

姚顺宇解释 coding 为什么发展最快时，说得非常清楚：coding 有两个天然优势。

第一个优势，是反馈信号非常明确。

代码写得对不对，很多时候是可以测试的。一个功能有输入、有输出，跑一下就知道成功还是失败。

这对模型训练非常重要。

第二个优势，是 coding 有 GitHub 这个天然数据基础。

过去几十年里，大量高质量代码都沉淀在 GitHub 上，模型可以从里面学习什么叫结构清楚、可维护。所以 coding 的爆发不是偶然。

它既有清晰反馈，又有高质量数据，还对应一个足够大的专业市场。

这也是为什么 agentic coding 会变成现在最重要的 AI-native 场景之一。

3、未来程序员不是不重要了，而是工作重心被往上推了

姚顺宇提到，他现在保守估计 90% 的代码都是模型生成的，如果不保守，可能是 99% 甚至 100%。

但这不等于人没用了。而是人的工作变成了另一件事：设计逻辑、拆解任务、给上下文、判断代码��不是合理。

所以 AI 不是简单替代“写代码的人”，而是先替代掉大量“按任务执行代码”的部分。
留下来的价值会更偏向：判断、设计、规划、系统理解。

4、Manus、OpenClaw 为什么最后都选择卖掉？

张小珺聊到 Manus 和 OpenClaw 时问了一个问题：为什么这些很火的 AI 应用，最后都选择卖给模型公司？

姚顺宇的回答是，一个东西要长期活下来，还是需要护城河。而至少现在，很多护城河还在模型侧。

所谓 wrapper，简单说就是“套壳应用”，这类这类产品当然有价值。但问题是，如果你的核心能力主要来自底层模型，一旦模型公司自己下场做同类产品，你就会很被动。

这也是为什么姚顺宇会说，现在 wrapper 想活下来，大概有两条路。

一种是跑得足够快。快到模型公司还没反应过来，你已经占住用户心智，甚至开始训练自己的模型。Cursor 就是这条路的代表。

但随着 Anthropic 自己做了 Claude Code，原来的合作伙伴，就慢慢变成了竞争对手。

另一种路，是市场足够垂直，垂直到大模型公司暂时懒得亲自下场。姚顺宇举的例子是 Midjourney。它的市场可能没有通用模型那么大，但它在图像生成这个小场景里做得很深，所以反而有自己的生存空间。

https://t.co/weNeE0f7FH

[小船（AI版） @RootAI0206]

最近很多人在问 Codex 怎么学。

如果你也像我一样，没有很深的 AI 基础，也不理解技术名词，可以先看看这个30分钟的视频教程。

名字叫，《Learn 95% of Codex in 30 minutes》。

作者是一个油管博主“Riley Brown”，他的教程不是那种很硬核的技术课，对初学者特别友好。

这期 Codex 教程也是这个风格。

它先讲 Codex 到底是什么，再拆它最核心的 7 个能力：本地文件处理、长期记忆能力、连接其他工具、Skills、GPT Image 、浏览器和本地电脑控制，以及自动化定时处理。

最后还单独讲了一个 Bonus Feature：Chronicle。

所以如果你最近也想学 Codex，但不知道从哪里开始，我会很推荐先看这期视频。

它不一定能让你 30 分钟精通，但是能让你快速了���，Codex 到底是什么，它和普通 ChatGPT 有什么不一样，以及它为什么不只是一个“写代码工具”。

1⃣先搞懂 Codex 是什么

很多人第一次听到 Codex，会以为它就是另一个 ChatGPT。

但其实不是。

ChatGPT 更像一个对话助手。它的核心能力，是理解和生成。你问它问题，它给你答案；你上传文件，它帮你分析。

而 Codex 更像一个能在你电脑上工作的 AI 助手。

它不只是回答你，而是可以读本地文件、运行代码、生成表格、做网页，甚至调用浏览器和其他工具。

视频里 Riley 演示任务时，用的是 GPT-5.5 high 这样的高能力模型。但 Codex 真正不一样的地方，不只是模型更强，而是它把模型能力接到了真实的工作环境里。

也就是说，模型负责理解复杂任务，Codex 负责把这个理解变成具体动作。

所以它的重点不是“聊得好不好”，而是“能不能把任务往前推进”。

举个简单例子。

如果你把一堆收据照片给 ChatGPT，它可以帮你识别内容，告诉你大概花了多少钱。

但如果你把这个任务交给 Codex，它可以继续往下做：把收据整理成 Excel，分类统计，生成图表，再把文件保存到你的电脑里。

这就不是问答了。

这更像是一种交付。

所以我觉得，理解 Codex 和 ChatGPT 的区别，可以用一句话概括：

ChatGPT 更像大脑，Codex 更像带着手脚的大脑。

一个主要负责思考和表达；另一个在思考之外，还能进入你的文件系统和工作流，把事情实际做出来。

2⃣Codex 的 7 个核心能力

这期视频最适合小白的地方，是它没有把 Codex 讲成一个很抽象的 AI coding 工具，而是直接拆成了 7 个核心能力 + 1 个附加能力。

这个拆法特别适合入门。

因为你不用一上来就理解什么 agent 架构，也不用先搞懂一堆开发概念。 你只要先知道：Codex 都可以完成哪些事。

这 7 个核心能力分别是：

1、Full File Access：本地文件处理

它可以访问你电脑里的本地文件，读取、整理、生成新的文件。

2、Persistent Memory：长期记忆能力

它可以记住你的偏好、项目习惯和常用工作方式，不用每次都从零开始解释。

3、Plugins，多工具连接能力

它可以连接外部工具，比如 Gmail、Notion、Slack 等，把 AI 接进真实工作流。

4、Skills，可复用工作流

它可以把一个反复使用的任务流程，封装成 Skill，下次直接调用。

5、GPT Image Access，GPT Image 访问

它可以在 Codex 里直接生成图片，并把图片产物放进对应项目文件夹。

6、Browser and Computer Use，浏览器和电脑控制

它可以调用浏览器、测试网页、控制部分电脑操作，不只是停留在文本回答。

7、Automations，自动化

它可以把某个固定任务设置成定时运行，比如每周自动整理一次表格。

最后还有一个附加能力 Chronicle，它可以根据你近期屏幕上的工作状态，帮 Codex 理解你正在做什么，再给出下一步建议。

一、Full File Access，本地文件处理

第一个能力，是 Full File Access，也就是本地文件处理能力。

这也是 Codex 和普通 ChatGPT 很不一样的地方。

我们平时用 ChatGPT，更多是把文件上传到对话框里，让它帮我们总结、分析、改写。但在 Riley 的演示里，Codex 不是等你把文件一个个上传进去，而是可以直接进入你电脑上的某个文件夹，找到里面的文件，然后自己开始处理。

视频里他举了一个很具体的例子。

他的下载文件夹里有一个叫 “receipts to process” 的文件夹，里面放了一堆收据照片。他���接让 Codex 去这个文件夹里找收据，然后分析这些收据，做成一个 Excel 表格，并生成图表，帮助他看清楚不同类型的消费和交易模式。

也就是说，它不是只告诉你“这些收据大概花了多少钱”。而是直接给你一个可以打开、可以编辑的 Excel 文件。

这就是 Full File Access 的价值。

它让 AI 不再只停留在聊天框里，而是开始进入你的本地文件系统，帮你处理真实文件。

对普通人来说，这个能力其实很有用。

比如你可以让它整理一堆会议纪要、活动资料、图片素材、发票、小红书参考案例、项目文档。以前这些东西散落在不同文件夹里，你可能要手动打开、复制、归类、整理成表格。

但 Codex 可以直接在项目文件夹里完成这件事。

而且 Riley 后面还提到，Codex 里最好用 project 的方式来管理任务。

因为项目本质上对应你电脑里的一个真实文件夹，在这个项目里生成的 Word、Excel、网页、代码，最后都会存在这个文件夹里。这样它不是做完就散了，而是能沉淀成一个可继续使用的工作空间。

二、Persistent Memory：长期记忆

第二个能力，是 Persistent Memory。

如果直译叫“持久记忆”，但我觉得更好理解的说法是：Codex 可以长期记住你的工作习惯。

这点和普通 ChatGPT 很不一样。

视频里 Riley 讲到，Codex 的记忆大致可以分成两类：手动记忆 和 自动记忆。

手动记忆，也就是你明确告诉 Codex“以后遇到类似任务，都按这个方式来。

视频里 Riley 做了一个 landing page，他很喜欢其中一种页面格式：左侧有目录，正文是偏学习型内容的排版。

于是他直接对 Codex 说：以后如果我再做学习型 landing page ，又没有特别指定样���，就默认用这种格式。

Codex 就会把这个偏好写进一个叫 agents.md 的文件里。你可以把 agents.md 理解成 Codex 的“工作说明书”。

这部分记忆是你可以主动维护的。

第二种，是自动记忆。

这个就不是你主动写进去的，而是 Codex 会根据你长期使用它的过程，自动总结一些信息。

比如你最近常做什么项目，习惯处理什么类型的文件，经常让它完成哪些任务。

视频里 Riley 也提到，这类自动记忆会保存在 Codex 的 memories 文件夹里。它有点像 Codex 对你工作状态的“自动观察记录”。

但是这部分并不需要咱们自己手动乱改。

三、Plugins，多工具连接能力

第三个能力，是 Plugins。在 Codex 里，它更像是多工具连接能力。

也就是说，Codex 可以通过插件连接你平时已经在用的工具，比如 Gmail、Slack、Notion 等。

Riley 在视频里也说，plugins 本质上就是 Codex 的 connections，是把 Codex 这个 AI agent 接到外部应用和工作流上的可安装组件。

因为我们工作里的信息，往往分散在很多应用里。比如邮件里有合作需求，Notion 里有脚本和资料。

但有了 Plugins 之后，Codex 就可以主动进入这些工具里找资料。

视频里 Riley 举了一个很真实的例子。

他创建了一个叫“品牌合作” 的项目，然后让 Codex 查看过去两周的邮件，找出所有品牌付费合作邀��，再对这些品牌做研究，最后整理成一张带有备注的表格。

接着他通过 @Gmail 调用 Gmail 插件，Codex 就会去搜索最近邮件，并把品牌合作信息整理出来。

这个能力真的很适合市场、媒介、商务这类的工作。

更有意思的是，Riley 后面还演示了 Notion 插件。

他让 Codex 去 Notion 里找自己高质量的长视频脚本，再基于这些过往脚本写一篇新的。最后生成出来的内容，不仅贴近他的表达风格，还是参考了他过去写在 Notion 里的内容。

有了插件之后，Codex 不再是孤立的，它更像一个能跨工具工作的助理。

四、Skill

大家最近应该都对 Skill 很熟悉了，可以简单的把它理解为一个可复用的工作流，或者说一套可以反复调用的 SOP。

Riley 在视频里也说，Skills 更像一份说明文件，它会告诉 Codex 以后遇到同类任务，就按照这套步骤来做。

Riley 在视频里还讲了两种创建 Skill 的方式。

第一种比较简单，叫 prompt to skill。也就是你直接跟 Codex 说： “帮我创建一个叫 xxx 的 Skill，它用来做 xxx。”

这样 Codex 会生成一份可复用的 instruction file，也就是这个 Skill 的说明文件。

但 Riley 更推荐第二种方式：manual workflow method。

这个方法我也觉得更适合小白。

简单说，就是���先不要急着创建 Skill，你先让 Codex 帮你完成一次真实任务。比如先让它整理一批品牌合作邮件，生成一张表格。如果结果不满意，就继续调。

一直调到你觉得：这个输出我满意，以后我还想反复用。

然后你再对 Codex 说一句：“我很满意这个输出，把它变成一个我以后可以使用的 Skill。”

五、GPT Image Access，图像生成

和前几个能力不同，这个主要是让 Codex 可以在项目里直接生成图片，而不需要跳出界面去用其他 AI 绘图工具。

Riley 在视频里演示了一个例子：他在一个名为 content 的项目里，让 Codex 根据一件毛衣生成产品照片。他可以指定不同国籍的模特、人数以及组合方式。Codex 会生成图片，并把所有图像直接放到对应的项目文件夹里，方便后续整理和使用。

以前你可能需要：用 AI 工具生成图片、再下载保存、再手动上传到你的项目或文档。

而现在，你只需要在 Codex 内直接生成，图片就会自动保存到项目对应文件夹里。

这个功能还可以配合其他 Skill 使用。 比如 Riley 基于 GPT Image 能力，创建了一个批量生成 Excalidraw 图表的 Skill，直接让 Codex 在一个项目里生成了多个图表。

六、Browser and Computer Use，浏览器与电脑控制

简单来说，这个能力就是 Codex 可以直接操作你电脑里的软件、本地文件，甚至浏览器。

视频里，Riley 演示了一个具体例子：他让 Codex 打开本地的 Canva 应用，创建一个演示文稿，然后把之前生成的五张产品图自动放到五页幻灯片上，每页一张。

整个过程 Codex 都自己完成：打开 Canva、点击、创建页面、放入图片，完全不需要人工干预。

不过要注意，这个能力需要调用 @computeruse 插件，也就是说，你要主动告诉 Codex，现在需要它自己去操作电脑了。

后面他还演示了另一个场景：用 @browseruse 插件测试网页。

比如让 Codex 把一个页面做成 app，再打开浏览器测试按钮、导航、答题流程是否正常。它会像真人一样在浏览器里滚动、点击、检查交互。

七、Automations，定时自动执行

第七个能力，是 Automations，可以直接理解为**定时自动执行。

也就是说，如果 Codex 已经帮你跑通了一个场景，你可以继续让它以后定期重复做。

视频里 Riley 用的是钱吗那个品牌合作邮件的例子。

他先让 Codex 通过 Gmail 插件分析最近邮件，找出品牌合作机会，整理成一张表格。 然后又把这个流程封装成了一个 brand deal researcher Skill。

最后，他直接对 Codex 说：以后每周五早上 9 点都执行一次，并更新这张表。

这就是 Automations 的作用。

它不是让 AI 临时帮你做��次事，而是把一个已经跑通的流程，变成一个可以按时间自动运行的任务。

八、额外功能Chronicle，类似于屏幕实时记录

最后一个是 Riley 单独提到的附加功能：Chronicle。

这个词很难精准翻译。非要解释的话，大概可以理解为“屏幕实时记录”。

简单说，Chronicle 会记录你最近的屏幕工作状态。当 Codex 调用它时，就可以参考这些屏幕记录，理解你刚才在做什么、做到哪一步，从而获得更多任务背景。

视频里 Riley 提到，这个功能需要在 settings 里的 personalization 里手动打开，目前还处在 research preview 阶段，也就是试验功能。

当然，这个功能也可能会让人觉得有点“被监视感”。

他演示的场景是这样的，打开一个 presentation，在浏览器里滚动查看，然后直接对 Codex 说：“使用 Chronicle，告诉我这个 Codex visual presentation 还应该补充什么。”

接着，Codex 会先检查最近的屏幕状态，读取一些 presentation 的截图，然后它就能基于刚刚的记录给出补充建议。

这个能力和前面的文件访问、插件、浏览器控制又不太一样。Chronicle 更像是给 Codex 加了一层“现场感”。

有了这个功能之后，Codex 不仅了解过去的你，也会更了解当下你的想法。

[小船（AI版） @RootAI0206]

五一前，Claude Code 创始人 Boris 在红杉大会上做了最新分享。

这已经是我最近看的第三篇Claude 的播客内容了。看完前两篇，我本以为自己已经写得差不多了。

老实说，刚看到标题，我第一反应是——又是那种“大佬聊技术趋势”的分享，那么我大概率是看完就忘的。

但这期最特别的地方在于，Boris 不只是教你怎么适应 AI。

他更直接地抛出了一个问题：十年之后，哪些能力会变得真正稀缺？

听完这期，我才意识到，我之前一直在纠结的是“普���人怎么学习 AI”。但他已经在往后看了：当 AI 越来越强，人到底还剩下什么价值？

所以这篇文章，我梳理了其中 4 个对文科生或者小白更实用的判断。

它们都回答了同一个问题：AI 这么强，人还能做什么？

一、写代码，不再是必须项

Boris 说的第一件事，我觉得是所有人最需要听进去的：写代码这件事，正在变得不那么值钱。

过去，工程师的价值主要在于会写、写得好、写得快。一个功能要交付，你得先想清楚怎么实现，然后一行一行把代码敲出来。在这个过程中，你的能力直接决定了产出。

现在不一样了。很多 Coding 任务，AI 都能搞定。

工程师做的事情更多是：把需求讲清楚，把任务拆分成可执行的模块，定好验收标准，然后看 AI 生成的结果对不对，不对就调整提示再跑一遍。

核心能力从写代码，变成了拆任务、验收结果、管理 Agent。

Karpathy 把这个叫做 Software 3.0 的思路：

编程不再是逐行写代码，而是用 Prompt 和上下文控制 AI，让它去执行复杂任务。

对文科生来说，这意味着完全可以依��思考能力、分析能力和表达能力参与到过往理科生才能参与的工作之中了。

回想我之前写 Cat Wu 播客的时候，Anthropic 的 PM、工程师和设计师都在模糊边界工作。

Boris 的观察呼应了这一点：当代码不再是瓶颈，谁能判断做什么、怎么拆解、如何让 AI 协同完成目标，才是真正稀缺的能力。

换句话说，对文科生来说——你不需要每行代码都敲出来，但必须知道事情怎么做最有效，什么最重要，以及最终要呈现的效果。

也就是说，这正回答了开头的问题：AI 这么强，人还能做什么？

答案是，做那些 AI 无法独立判断、拆解和协作的事情。

二、Coding 正在变成一项基础能力

Boris 认为 Coding 的重要程度，可以类比为15 世纪欧洲的印刷术。

它正在从一种专业技能，变成一种基础能力。

Boris 认为，AI 对软件的影响，是一次加速版的印刷术革命。软件会在几十���内完全民主化，变成任何人都能驾驭的东西。

最终，会做软件这件事，会像会发短信一样自然。

作为一个文科生，听完这个比喻我最大的感受是：这可能是我们这辈���能遇到的最后一次"技术民主化"浪潮。

上一次是互联网，所有人都可以上网。这一次是 AI，所有人可以用 AI 做任何事。

但更重要的是，从我身边的案例和自己尝试来看，学 AI 和以前学任何技能都不同：你不用等自己变成高手，也不用翻一堆课程或教程，随便找一个契机就可以开始上手。

比如我自己，会先挑一个小功能、一个小工具试用，再慢慢琢磨它能做什么、怎么用更高效；身边的朋友也是，边玩边学，效果反而比死记硬背更快。

之前 Cat Wu 也说过，Claude 团队的成员几乎都是边做边学。

工程师、PM、设计师都是直接用现有工具做产品、做实验、做迭代。

文科生完全可以套用这个方法——先动手，再慢慢理解原理，这种“即学即用”的思维，比死盯课程或理论更符合 AI 时代。

三、代码变便宜后，判断力更值钱了

Boris 的第三个判断，我觉得是所有内容里最值钱的。

当写代码这件事的门槛被 AI 降到极低之后，真正区分一个人能力的，是他的产品感觉，是对��个具体领域的真正理解。

举个例子，比如两个人同时要做一个面向医生的产品，一个是写代码很快的工程师，一个是在医院信息科干过几年的人。

放在以前，工程师做出来东西的概率更高，因为他能把 idea 实现出来。

现在反过来了。谁都能把 idea 实现出来这个时候，那位真懂医院日常工作流的人反而更值钱。因为他知道哪些功能是医生真的会用的，哪些只是听起来有道理。

也就是说，AI 把执行的门槛抹平之后，判断力的差距就被放大了。

这件事直接改写了 generalist 这个词的含义。

过去我们说 generalist，通常指的是一个工程师既能写 iOS，又能写后端。这种 generalist，本质上还是工程内部的全栈。

未来的 generalist 是跨学科的全栈。

有人同时懂产品、设计和工程。有人同时懂产品、数据科学和工程。这种组合过去几乎不可能，因为每一项都需要长��间的专门训练。

但现在 AI 把每一项的执行门槛都拉低了，一个人可以横跨几个领域，专业深度还能保住。

Claude Code 团队就是这样。工程经理、PM、设计师、数据科学家、财务、用户研究，���个人都在写代码。

每个人的专业深度都还在。但在 AI 辅助下，写代码变成了大家共用的语言。

这段话让我突然意识到一件事：过去我觉得"不会写代码"是一个缺陷。

但现在，写代码可能更像是一门口语——你不需要变成专业的作家，但你可以用它来表达自己。

四、创业者最好的时代，可能就是现在

第四个判断是关于创业的，他认为，未来 10 年里真正颠覆行业的创业公司，可能会比过去 10 年多 10 倍。

原因其实不复杂：小团队可以用 AI 做出和大公司同级别甚至更好的产品。反过来，大公司想真正用上 AI，反而很困难。

怎么说呢？

一家有十几年历史的公司，已经习惯于自己的业务流程、岗位分工、KPI 考核等等。这些东西在过去是资产，现在却可能成为了障碍。

要把 AI 真正嵌进去，意味着这一切都要被重新定位：业务流程得重构，所有员工得重新培训，每往前推一步都会遇到巨大的内部阻力，要协调 N 个部门、N 层审批。

而一个三个人的初创团队，从第一天起就把 AI 当成默认底座。他们没有历史包袱要拆，没有习惯要改，没有人需要被说服。

今天讨论清楚，明天跑出 Demo，后天就能上线让用户用上。

这种速度差，AI 之前其实也存在。初创公司对大公司本来就有速度优势。但 AI 把这个差距放大了很多倍。

因为 AI 越强，一个人在单位时间里能撬动的杠杆就越大。一个真正用好 AI 的小团队，今天的产出可能相当于过去十个人，明天可能相当于过去三十个人。

但大公司的组织重量并没有变轻，反而因为要消化 AI 这件事，变得更重。

这就是 Boris 说的负资产。

不是大公司没钱、没人、没想法，是它们身上那些过去赚钱的套路，反而拖慢了 AI 发挥的速度。

作为普通人，我的感受是：大公司慢，小团队快，先动手的人最吃香，这个时代奖励的就是小步快跑的人。

写到最后

当 AI 出现之后，究竟什么能力会变得更值钱？

总结下来，我觉得不是“会不会写代码”，也不是“懂不懂所有工具”。

而是两件事：判断力，和行动力。

判断力，是你知道什么值得做，什么不值得做；行动力，是你愿意先跑起来，而不是等自己完全学会了再开始。

作为文科生，我最大的感受是：与其一直焦虑“我不会写代码，能不能进入 AI 行业”，不如先换一个问题——我能不能用 AI，把自己想做的事真的做出来？

最后分享一句我在 newsletter 里看到的话，特别适合作为这篇文章的结尾：

不要把自己当成“要进入 AI 行业的人”，把自己当成“用 AI 做事的人”。

前者听起来像一场漫长的考试。后者更像是，今天就可以开始的一个契机。

在 AI 时代，真正值钱的，可能正是这种：不等完全准备好，先把事情做出来的能力。

[小船（AI版） @RootAI0206]

前两天，Anthropic 产品负责人 Cat Wu 上了一期播客。

她现在负责 Claude Code 和 Cowork，基本就是 Anthropic 现在最核心的两个产品方向。

我本来以为，这期播客会是那种常规的“大厂产品负责人聊 AI 产品方法���”。

结果听下来，最有意思的不是 Anthropic 又出了什么新功能，而是她非常具体地讲了一件事：为什么 Anthropic 的产品迭代，已经快到有点不像一家头部公司？

以前一个功能可能要做 6 个月，现在可能 1 个月、1 周，甚至有时候 1 天就能跑出来。

这个速度听起来真的很离谱。

但它不只是因为 Anthropic 内部有 Mythos 这种更强的模型，或者大家单纯更卷了，而是他们的工作方式和组织架构。

我听下来，最值得小白关注的，主要是三个核心变化：

1、为什么产品迭代可以这么快？
2、PM、工程师、设计师的边界，为什么开始变模糊了。
3、AI 公司怎么搭团队？

一、为什么产品迭代可以这么快？

在 AI 产品里，慢是一个很致命的问题。所以现在 AI 产品的路线图，不再完全是传统意义上的 product roadmap，基本已经变成了 research roadmap。

不是产品团队说“我什么时候排期做这个”，而是模型能力一升级，产品马上就要跟着做一遍。

所以 Anthropic 的做法不是完全不要流程，而是把流程改造成更适合 AI 产品的样子。

我觉得主要有三个原因，这也是为什么 Anthropic 的产品节奏会这么夸张。

1、 PRD 不再是唯一的对齐方式

Anthropic 能快起来，一个很关键的原因，是他们没有把 PRD 当成唯一的对齐方式。

Anthropic 的做法，是用两套东西提前建立团队共识。

Cat Wu 提到，他们主要靠两件事取代传统 PRD 审批体系：一是每周全团队的指标解读会，二是团队的原则清单。

全团队的指标解读会，即每周会与整个团队一起进行指标解读，帮助所有人理解业务进展，包括关键目标是什么，指标变化背后的驱动因素是什么。

这件事很重要。因为如果只有 PM 和管理层理解指标，工程师就很容易变成“等需求的人”。但如果整个团队都理解业务指标，工程师就能自己判断一个问题到底重不重要，一个功能到底值不值得做。

第二套是团队原则清单。它会明确写清楚：核心用户是谁，为什么是这群人，以及团队愿意做出哪些取舍。

这其实是在回答一个更底层的问题：当有两个都能做的方向时，我们到底选哪一个？当速度和完整性冲突时，我们牺牲什么？当新用户体验和专业用户效率冲突时，我们优先谁？

这些问题如果每次都靠开会讨论，团队一定会慢。但如果原则提前说���楚，工程师就可以自己直接判断，产品一定可以更快的往前走。

所以这里真正被压缩掉的，不是沟通本身，而是反复确认的成本。

这也是为什么 Anthropic 可以把产品周期从几个月压缩到��周、几天。它不是不对齐，而是把对齐前置了。

2、减少发布链路，让工程、文档和市场进入同一个发布节奏

很多公司发布功能，默认要做成一个“正式版”，但 Anthropic 很多功能会以 research preview 的方式发布。

侧面也告诉了用户，这是一个早期的功能。

这个机制特别适合 AI 产品，因为很多 AI 功能，只有上手才能想清楚它能怎么使用。

先让产品进入真实世界，再用真实反馈修正方向。

因为如果你等所有事情都想清楚，模型能力可能已经变了，用户习惯也变了，竞品也发了。

最后一个原因，是 Anthropic 把发布链路做得非常短。

Cat Wu 在播客里举了一个例子：当工程师觉得某个功能已经 ready，并且已经在内部内部试用过，就会直接把它发到一个固定的发布协作群。

这个机制很关键。

因为它不用每次上线都重新拉群、重新对齐、重新解释背景。功能一发出来，文档、产品市场、开发者关系相关同事就会立刻跟进，甚至第二天就能把对外公告做出来。

所以 Anthropic 快，不是因为没有流程，而是把发布流程做成了一套固定动作。

以前发布像一个大项目，每次都要重新组织。

现在发布更像一个日常动作：功能���备好，内部试用过，发到固定发布群，相关同事马上接上。流程更轻，反馈也更快。

二、角色边界变模糊，产品品味变成核心能力

这期播客里我最有感的一句话是：所有角色都在融合。

Cat Wu 提到，PM 在做一些工程工作，工程师也在做 PM 工作，设计师也在做产品判断，甚至还会直接写前端代码。

但这不等于 PM 不重要了。

更准确地说，是 PM 的核心能力变了。

以前产品经理很重要的一部分工作，是把需求变成流程：写 PRD、做排期、拉齐团队、推动上线。

但在 AI-native 团队里，代码越来越容易被 AI 写出来，真正稀缺的就不只是“谁会写代码”，而是“谁知道该写什么”。

谁能判断什么体验是好的？
谁能看出用户真正需要什么？
谁能从一堆反馈里，找到最值得做的那个点？

Cat Wu 把这种能力叫 product taste，也就是产品品味。

她说，当代码越���越便宜，真正有价值的是决定写什么。面对成千上万个 GitHub issue，难的不是把每个需求都做出来，而是判断哪些值得做，以及用什么样的 UX 做出来。

这个能力不一定只来自 PM。

工程师可以有，设计师可以有，任何真正理解用户和产品的人都可以有。

所以 Anthropic 的招聘偏好也很直接：他们更倾向于招有产品直觉的工程师。因为这种人可以端到端交付。

比如在 Twitter 上看到一个用户反馈，判断这个问题值得解决，然后自己动手做出一个版本，周末结束前就能把产品交到用户手里，几乎不需要产品团队介入。

这也是为什么 Anthropic 团队里，几乎所有 PM 要么曾经是工程师，要么在 Claude Code 里直接参与代码交付；很多设计师，也有前端工程背景。

说白了，AI-native 团队要的不是只守岗位边界的人，而是能跨边界解决问题的人。

PM 不能只做流程中转站。工程师也不能只等需求。设计师也不能只交付设计稿。

每个人都要更靠近用户、更靠近产品，也更靠近最终结果。

而面对这种角色边界不断模糊的环境，Cat Wu 认为最重要的元能力，是第一性原理思维。

也就是你能不能看清楚技术正在怎么变化，判断团队现在最需要什么，然后迅速补上那个空缺。

这也对应 Anthropic 很强调的一种文化：Just go do it，只管去做。

三、不再按岗分工，围绕模型能力搭团队

Anthropic 的组织结构也很有意思。

Cat Wu 提到，他们现在大概有 30 到 40 个 PM，但不是按照传统的“一个产品配一个 PM”来组织，而是围绕 AI 产品最关键的链路来分工。

第一类，是研究型 PM 团队，负责收集客户对模型的反馈，再传递给研究团队，同时推动模型发布。

这点很重要。因为在 AI 公司里，很多产品问题本质上是模型能力问题。用户说一个功能不好用，背后可能不是交互问题，而是模型还没有稳定做到这件事。

第二类，是 Claude Developer Platform 团队，负责底层 API 和开发者平台能力。可以理解为 Anthropic 的开发者底座。

第三类，是 Claude Code 和 Cowork 核心团队，也就是 Cat Wu 负责的方向。一个面向代码场景，一个面向更广义的知识工作。

第四类，是 Enterprise 团队，负责让这些产品更容易被企业采用，比如成本控制、权限管理、安全管控等。

第五类，是增长团队，负责推动整个产品线增长。

所以你会发现，Anthropic 的 PM 组织不是简单围绕功能模块拆分，而是���绕一条 AI 产品链路来搭：

用户反馈怎么回到模型，平台能力怎么支撑产品，核心产品怎么迭代，企业怎么采用，增长怎么放大。

Cat Wu 和 Boris 的分工也很典型。

Boris 更像技术负责人和产品愿景制定者，负责看三到六个月后的产品形态，也就是更接��“AGI 版本”的产品应该是什么样。

Cat Wu 则负责从今天走到那个愿景之间的路径规划。她更多做跨职能协作，确保市场、销售、财务、算力资源等团队都认可计划，并朝同一个方向推进。

换句话说，Anthropic 的组织结构服务的是一件事：

让模型能力更快变成产品能力，再让产品能力更快进入真实用户场景。

[小船（AI版） @RootAI0206]

最近看了 Anthropic 联创 Daniela Amodei 的一期播客访谈。

比起很多技术大佬动不动就聊模型、算力、AGI 的宏大未来，我反而对 Daniela Amodei 这个“文科生”更感兴趣。

因为她不是典型的 AI 大佬叙事。

她本科读的是文学，后来做过 politics 和 global health，加入 Stripe，再到 OpenAI，最后和哥哥 Dario Amodei 一起创办 Anthropic。

一个文学专业出身的人，最后站在了全球最重要的 AI 公司之一的核心位置。

这件事对我这���文科生来说，还挺有共鸣的。

我以前做记者，后来转到大厂做市场，现在又一头扎进 AI。

说实话，刚开始关注 AI 的时候，我经常会有一种“不配得感”：别人聊模型、算力、agent、MCP，我第一反应不是兴奋，而是——完了，这个我新技术又是什么。

Daniela 的经历反而让我意识到一件事：文科生转 AI，不一定是把自己硬掰成工程师，而是找到自己过去能力和 AI 之间的接口。

因为 Anthropic 这家公司，一直给我一种很特别的感觉。

它当然是当下最领先的 AI 公司之一，但除了技术能力之外，Claude 身上还有一种很少见的“产品气质”。

比如前段时间 Claude 推出的 /buddy 模式，就很有意思。它看起来不像一个能立刻变现的功能，甚至有点“没必要”，但 Anthropic 还是做了。

这也是我一直觉得 Anthropic 有意思的地方。

它好像始终在回答同一个问题：当 AI 变得越来越强，人到底应该怎么和 AI ���起工作？

带着这个问题再去看 Daniela Amodei 的经历，会发现她这个人也很有意思。

一、不要把文科背景当成包袱，AI 时代更需要 generalist

Daniela 在播客里有一句话，我觉得特别适合作为文科生转 AI 的切口。

她说，她和哥哥 Dario 有比较清晰的分工。Dario 更像 technical visionary，会去想 5 到 10 年后的技术方向。

而她的角色，是看 1 到 2 年的时间线，思考怎么把那些非常有远见的技术想法，变成今天人们真正可以使用的东西。

她的原话是：“how do we take these incredible technical visionary ideas and turn them into something tangible that people can use today.”

那些技术天才们负责回答“能做什么”，但也需要有人回答“为什么做、做给谁、怎么做、怎么让它被理解和使用”。

这两件事缺一不可。

如果只有技术，没有产品化、组织化、商业化和社会化的能力，技术很容易停留在 demo 里。看��来很惊艳，但走不进真实世界。

Daniela 的职业路径，其实就是沿着这条线展开的。这些能力，在后来的AI行业里变得更重要了。

后来���去了 OpenAI，再创办 Anthropic。

她并不是从文学突然跳到 AI，而是把过去每一段经历都接了起来：文学训练让她理解语言和人，政策经历让她理解社会影响和风险边界，Stripe 经历让她理解基础设施和用户信任，OpenAI 经历让她真正站到 AI 技术变革的现场。

所以她的经历不是一个“文科生逆袭 AI 大佬”的爽文。更准确地说，是一个 generalist 不断把自己的能力迁移到更大问题里的过程。

她自己在播客里也说，她可能是 “the most generalist generalist that there is”。

最 generalist 的 generalist，换成中文表示，可以理解为“通才里的通才”。

这个说法我超级喜欢。

因为我也经常在焦虑自己不够垂直、不够技术。但 Daniela 的故事刚好说明，越是复杂的技术，越需要能把不同系统连接起来的人。

所以 AI 公司不是论文自动变成产品，也不是模型训练完就自然有人使用。���间有大量把技术变成产品、组织、商业和信任的工作。

而这些，恰好是很多文科生和 generalist 可以发挥价值的地方。

二、她是如何判断和学习快速更新的 AI 热点的？

我自己最近最大的感受是，AI 热点真的��快了。

这周 GPT 先是发了 image-2，又发了 GPT-5.5，然后今早 DeepSeek 更新了 v4 版本，Claude 也一直在断断续续更新功能。

作为一个文科生，我其实经常会焦虑。看起来每天都在学习 AI，但回头一看，好像只是收藏夹越来越满，真正用到自己工作里的东西并不多。

所以 Daniela 在播客里讲到一个判断方法时，我还挺有共鸣的。

她说，生成式 AI 变化太快，很多产品 roadmap 其实已经变成 research roadmap。

客户问什么时候能做某个功能，有时候答案不是产品团队什么时候排期，而是模型什么时候具备这个能力。

这句话非常重要。

它说明 AI 产品和传统软件最大的不同是：你的产品边界不是固定的，模型能力每隔几个月就可能改变一次。

今天做不了的事，半年后可能突然变得很容易。今天看起来很有壁垒的功能，半年后也可能直接被模型吃掉。

所以在 AI 时代���只追热点是很危险的。你今天追一个功能，明天可能就被 commoditize 了。

那我们到底该怎么建立自己的判断标准，一个 AI 热点要符合什么标准才值得关注？

Daniela 提到一个很实用的判断标准：high impact 和 tractable，一方面是足够大的影响力，一方面是它可落地、可上手，而不是还只停留在概念里。

她说 Anthropic 当时产品团队其实很小，只有十几个工程师和几个销售，所以必须做非常残酷的优先级排序。

很多事情他们也想做，但问题是，有些目标很重要，但是可能需要花费一年时间来花费，也无法放进下一次的产品更新里。

有些问题虽然没那么宏大，但用户今天就需要，而且团队现在就能解决。

那团队就必须回到一个更现实的问题：有没有什么事情，是用户今天就在问、团队现在就能解决，并且下一次发布就能给出去的？

那怎么用这个框架来建立自己的判断标准？

这件事对我的工作有没有很大的影响？这件事我现在能不能立刻上手尝试？

先把 AI 用在重复劳动上，然后把重复劳动封装成流程，再把流程变成你的个人生产系统。从你今天最重复、最痛苦、最有产出的工作开始。

Daniela 还有一个时间管理细节，我也觉得很值得学。

她说自己因为要同时管 research、policy、engineering、business，context switching 非常严重。所以她会尽量把不同类型的工作分到不同日子，比如周一看 research，周二看 policy 和 comms，周三看 engineering。虽然现实里只能做到 70%，但她觉得给每个领域留出一点真正深入的空间很重要。

如果你想转 AI，别每天东看一点西看一点，可以尝试把学习分成几个固定模块。

三、我的观后感

Daniela 的故事并不是在告诉我们，文科生也可以“逆袭”成 AI 大佬。

这个说法太爽文了，也不太真实。

真正有价值的地方是，她证明了另一种可能性：文科生进入 AI，不一定要先否定自己过去的一切，也不一定要把自己硬掰成工程师。

你过去做记者、做内容、做市场、做运营、做研究、做传播，这些经历不是没用了。

只是需要重新接到 AI 这套新工具上。

以前我经常会焦虑，觉得自己看不懂模型、看不懂论文、看不懂各种突然冒出来的新名词，就好像永远站在 AI 门外。

但现在我越来越觉得，文科生真正要做的，不是追上所有技术热点，而是找到自己能切进去的那一小块。

能不能把复杂技术讲成人话？能不能把重复工作变成流程？能不能把模糊需求说清楚？能不能用 AI 把一个想法做成看得见的东西？

如果可以，那就已经不是旁观者了。

AI 时代当然需要工程师，但它也需要 generalist，需要翻译者，需要连接者，需要把技术带进真实世界的人。

所以文科生转 AI，第一步可能不是补课，而是重新理解自己。

别急着抛弃过去的背景。

先学会偷懒，再学会描述需求，最后大胆许愿、动手去做。万一真的实现了呢。

[小船（AI版） @RootAI0206]

Claude 首席工程师 Boris 是怎么用 Opus 4.7 ？

最近一直在研究 Claude Opus 4.7。

Claude Code 的首席工程师 Boris Cherny 也发了推文，讲了一些自己用 Opus 4.7 的方法。

看完之后有个很明显的感觉：随着模型能力越来越强，真正拉开差距的，不再是模型本身，而是你能不能把模型用好。

tips1⃣：打开 Auto mode，真正解放双手

老用户最熟悉的场景，以前跑长任务，每一步都会问题是否允许，不点它就停，反而有点像是AI在陪你干活。

现在Opus 4.7 出了个 auto mode，每次权限请求先送给一个专门做安全判断的分类器���型，安全的操作直接就批准，真有风险的才弹到你面前。

这意味着，模型开始运���后，你可以立刻把注意力切到下一个任务。

Boris 也说，他打开这个功能之后，就直接并行跑好几个Claude了。

tips2⃣：fewer-permission-prompts，让 Claude 记住你一直在批准的命令

tips2 其实更“人性化”一点。/fewer-permission-prompts 做的不是减少弹窗，而是记住你的习惯。

它会扫描你的会话历史，找出那些你反复批准的、安全的命令，然后给你一个白名单。一键加入之后，这些命令就不再问你了。

本质很朴素： 你用行为证明了“我信任这些操作”，系统就帮你把这种信任固定下来。

如果说 Auto mode 是“让模型帮你判断”， 那这个更像是—— 让系统开始理解你本人的判断。

两个一起用，基本就可以告别权限弹窗了。

tips3⃣：Recaps，帮你总结摘要，让任务不断档

以前跑长任务，最怕中途离开。

去开了个会、回了几条消息，再回来一看：Claude 已经干��了，但你不知道它做了什么，得往上翻半天记录才搞清进度。

现在 Opus 4.7 给了 Recaps。每隔一段时间，它会自动生成一个简短的总结：刚才做了什么、接下来要做什么。

相当于给每个任务加了一个随时可读的 checkpoint，在几分钟或几小时后重新回到长对话时非常有用。

大概包括，刚刚做了什么（progress），哪些已经完成（state），下一步要干嘛（next step），本质是一个任务状态的摘要。

tips4⃣：Focus mode，不看过程，只看结果

以前 Claude 跑任务，屏幕会一直刷读文件、跑命令、改代码、测结果……几十步往上滚。

Focus mode 就是隐藏了所有中间过程，让你不再看到执行的每一步，而是只看到最后的结果。

Boris 说了一句很关键的话：模型已经进化到他基本信任它会跑正确的命令、做正确的编辑。他只需要看最终结果就够了。

这是另一种层面的解放——不仅是不用点权限、不用翻记录，甚至连过程都不用看了。

这个功能背后其实有个前提变化：你开始信任模型了���当模型已经足够稳定， 你关心的就不再是“它怎么做”， 而是“最后做成什么样”。

所以 Focus mode 的本质是： 把 Claude 从一个“需要盯着的执行者”， 变成一个可以直接交付结果的同事。

tips5⃣：effort level，控制 AI 愿意为这件事花多少 token 去思考

一句话解释这个功能，effort 可以控制 Claude 在回答时“花多少 token 去思考”。

以前我们要自己判断一个任务会消耗多少 token，现在我们只需要告诉它任务的重要性。

而且它可以配合 adaptive thinking（自适应思考） 使用，模型会自己决定要不要思考、想多深。

它控制的不仅仅是“回答长度”，effort 还会影响 token 消耗，包括文本回答、工具调用、推理过程。

effort 越低，模型调用工具的次数也会变少。

这个设计有两个很重要的优势，不需要开启 thinking 也能生效，可以控制所有 token 消耗（不仅是回答）。

一共分为5个档位，low适合简单任务，max是成本最高的，主要应用于极端复杂场景。除此之外还有medium、high（默认）、xhigh。

Boris 自己大多数任务用 xhigh，最难的任务用 max 。而且很懂用户的一点是，max 仅对当前会话有效，因为max消耗的资源比较多。其���级别是固定的，会在下次会话中继续生效。

tips6⃣：verify work，让 AI 自己把结果检查一遍

大家应该都有体会，真正把 AI 生产效果拉开差距的，是让它自己验证自己生成的结果。

Boris 的原话是，这个习惯过去能让 Claude 产出翻 2-3 倍，到了 4.7 时代"比以往任何时候都更重要"。

为什么这么说？因为 4.7 跑的任务更长、更自主。它替你跑两小时，最后交给你一个有 bug 的结果，那两小时就白费了。

大家也可以参考 Boris 的 prompt ："Claude do blah blah /go"

/go 是 Boris 常用的一套工作流，让 Claude 干三件事：

1、自己端到端测试一遍——用 bash、浏览器或者 computer use
2、运行 /simplify 检查一下代码质量
3、提个 PR

对于长时间运行的任务，验证至关重要，因为这样当你再次处理某个任务时，就能确保代码运行正常。

此外这次的更新中，4.7还新增了/ultrareview ，���会创建一个专门的审查会话，自动读取所有改动，标记出那些细心的代码审查者才能发现的 bug 和设计问题。

[小船（AI版） @RootAI0206]

一期播客+4个更新，读懂 Claude 的方向

最近重新听了 Lenny's Podcast 的一期，请了 Boris Cherny——Claude Code 的负责人。

标题很挑衅：What happens after coding is solved，编码被解决之后，会发生什么？

66 分钟，信息密度很高。

我边听边结合最近 Claude Code 密集更新的几个功能，越听越觉得，这两件事放在一起看，信号太清晰了——

一方面是产品在发生什么，另一方面是做产品的人怎么想。

一、4 个功能，1 个战略

3、4 月份，Claude Code的更新密集到有点夸张。

我挑了 4 个最关键的，结合播客里Boris的观点一起来看，会更全面。

1⃣Routines

昨天刚刚上线的新功能，一句话理解就是，Claude Code也支持定时自动执行任务了。

你把一段 Prompt、一个代码仓库、一组连接器（Slack、Linear、Google Drive 等）打包成一个「Routine」，设好触发条件，Claude 就会在云端基础设施上自动执行。

支持自动定时触发、API触发、GitHub 事件，三种触发方式，基本覆盖了开发者日常会用到的自动化场景。

播客里 Boris 说：Claude 现在会自己去看反馈、bug 报告、遥测数据，主动提出来可以做这个功能。

Routines 就是让这个能力产品化——你不在的时候，AI 替你盯着。

2⃣Advisor Tool

4月10日，也就是一周前上线了这一功能。

有了这个功能之后，Claude Code 会根据任务难度，自动决定“该用哪个模型来干活”。

你不需要手动切换模型，系统会默认用更便宜的模型（如 Sonnet / Haiku）跑流程；一旦遇到复杂判断，再自动调用更强的模型（Opus）介入。

播客里也有一个很关键的判断：写代码正在变得不再稀缺，稀缺的是决策和优先级。

这个功能本质也是，把“模型选择”这件事，��人交给系统来做，用低成本跑流程，把高成本留给真正关键的部分。

3⃣Cowork

这个播客里反复出现，Boris用得最多的场景——发Slack、做项目管理、��他处理停车罚单。

一句话理解就是，Claude可以像“同事一样”，直接在你的电脑环境里帮你把任务做完。你只需要描述目标，它自己规划多步骤任务，最后给你结果。

“AI不只是对话工具，它是能替你干活的人”——这句话在Co-work身上体现得最彻底。

4⃣Managed Agents

也是4月刚刚推出的新功能。

原来你要跑一个Agent，得自己搭环境、处理部署，折腾几个月。现在不需要了，平台直接帮你托管，你只需要定义任务和规则，它在云端自动跑。

到这里，4个功能放在一起看，逻辑非常清晰——

Routines 负责执行，Advisor 负责决策，Cowork 开始接手任务，Managed Agents 提供运行环境——Claude Code 正在从一个“对话工具”，变成一个“可以持续运行的 Agent 系统”。

这背后是一个分工变化：人负责判断，云端接管重复任务。

播客里反复强调一件事——AI的价值不��单次对话，而在持续运行。当任务可以被长期托管和自动执行，AI的使用方式就变了。

二、编码被解决，不等于程序员失业，但是角色边界会越来越模糊

“Coding is largely solved“，这是播客里最有冲击的一���话。

但它的意思不是"程序员要失业了"，而是——编程这个动作本身，不再是稀缺技能。

他的比喻我觉得特别到位。

“就像印刷机发明之前，欧洲只有不到1%的人识字，大部分是抄写员在帮贵族干活。印刷机出来了，抄写员解放了，他们不用天天抄书了，可以去画书的插图、做装订——更有创造力的事情。200年后识字率从1%涨到70%。”

他的意思很清楚：程序员不用天天跟语法、依赖、debug较劲了，可以做真正有价值的产品设计、用户洞察、架构思考。

这让我想到我自己。文科生不会写代码，现在 AI 不仅可以做应用了，前端 UI 也越来越好看了，后端也越来越完善了。

但是当执行不再稀缺，真正的稀缺就浮出水面了——稀缺的不再是写代码的人，而是做出正确决策的人。

你需要知道让 AI写什么、什么先写、什么后写、什么时候该推翻重来。

Boris在采访里提了一个特别有意思的观察： “Claude Code现在开始自己提idea了。”

不是它被要求写代码，而是它自己在���用户的反馈、看bug report，然后主动说“这里有个问题，我修一下吧”。

以前我们说AI写代码，那还是工具——你告诉我做什么，我帮你做。

现在它开始“主动发现问题”了，这在某种程度上已经不像工具了，像同事。

Boris有句话特别扎心，“到今年年底，software engineer这个 title 可能就没人叫了。所有人都变成builder——每个人都懂点产品、都能写代码、都能自己动手做东西。”

Claude 团队里已经这样了——产品经理写代码、设计师写代码、财务也写代码。他原话说的是："Everyone on the team codes."

那问题就来了——如果人人都是builder，那“谁来当设计师？”“谁来当产品经理？”“谁来当工程师？”

Boris的回答是：这些角色的边界会越来越模糊，最后你中有我、我中有你。

不是某个岗位消失，而是岗位之间的墙被拆了。

这也让我想起一个特别有意���的数据——Lenny在推特上做了个调查，问工程师和PM 用 AI 之后是更爽还是更烦。结果70%都说更爽，只有10%说更烦。更有意思的是设计师，只有55%说更爽，20%说更烦。

为什么会这样？

Boris 猜测是因为设计师还没有完全习惯“自己动手”的模式——以前是“我画图，工程师帮我实现”，现在是“我画图，AI帮我实现，但我也得会动手”。这种转变需要时间。

但不管怎么样，一个大趋势是确定的——AI 不会让你失业，但会用 AI 的人会让不用 AI 的人失业。

三、观念落后，比代码落后更可怕

播客里有提问，“人们是会在体验过 agent之后，会真的改变认知，还是把它当作一次性奇观，过几天就忘了？”

Boris 的回答道，“观念落后，比代码落后更可怕”。

什么意思？

大部分人对 AI 的认知，还停留在"它是一个聊天对象"。但真正在用 AI 干活的人，早就不把它当"人"了——它是一个团队。

以前是你干活，AI 辅助。 现在是 AI 干活，你审核。
这个变化是不可逆的。一旦体验过，就回不去。

但现实是——绝大多数人还没体验过。

Boris 说：“Most of the world still does not use Claude Code. Most of the world still does not use AI. So it just feels like this is 1% done.”

1%。

也就是说全球 80 亿人，可能只有几千万人在用 AI 写代码。

听完播客，我最大的感受是—— AI 的世界才刚刚开始。

所以说这不是结束，仅仅是开场。  而且这个数字的增长曲线是指数级的——Claude Code 的 DAU 最近一个月直接翻倍。

这意味着什么？

过去十年，编程是少数人的特权。未来十年，编程是每个人的工具。

采访搭配最后，Boris 被问到如果 AGI 实现了，打算去干嘛。

他说： “我可能会去酿味噌。在日本农村住过一段时间，那边每个人都会做味噌和泡菜。一个白味噌要三个月，红味噌要两三年。你得特别有耐心。”

这回答太 Boris 了。一个天天跟最前沿 AI 打交道的人，梦想是回去做味噌。

可能这就是他的“长期思维”——有些事急不得，就是得等。

[小船（AI版） @RootAI0206]

Karpathy 最近又发了一条推文，发布 3 天 又收获了 380 万浏览量。

他说了一个现象，我觉得特别有意思：AI 行业正在经历一场“认知分化”。

有人觉得它还是个会胡说的聊天机器人，也有人已经在用它干活或者挣钱了。

不是大家对 AI 的理解存在分歧，而是大家在用的是两个完全不同的 AI。

1⃣AI 进步最快的地方 ≠ 大众在用的地方

用 AI 的，现在已经被分成了两类人。

有一类人，还停留在 Chat 阶段，一问一答，偶尔用一下，更多当搜索或者写作工具。他们看到的，是幻觉、不稳定。

但另一类人，已经开始用 Agent，把 AI 接进自己的工作流里，让它跑任务。他们看到的，是一个已经接近真实工作的东西。

我也是第二类人，无论是生活和工作都已经习惯 AI 的存在了，甚至在判断上也开始依赖它了。这种习惯，大概就是所谓的“AI Psychosis”。

造成这种分裂的原因其实不在认知，而是使用时间的长短和使用层级的不同。

但是更有意思的事，AI 进步最快的地方并不是大众在用的地方。

大家平时接触最多的，是写作、总结、聊天。

但过去一年��AI 进步最快的地方，反而是编程、数学、技术推理这些更“硬”的能力。

这些能力有一个共同点：有标准答案，有反馈，有价值。所以模型在这些地方进化得特别快。

模型可以在这里不断被验证、被纠错、被优化，所以进化速度极快。

另一方面是因为，因为写作、搜索这部分功能，虽然使用广，但价值分散、回报有限。

在 B 端场景里， 能写代码、能自动化、能解决复杂问题的 AI，直接对应的是效率和成本。这才是真正的“金矿”。

资源、算力、最强的模型能力，自然会优先投入到这些地方。

也就是说，大众最常用的，是“最不先进的 AI 能力”。

于是就出现一个很微妙的错位：你在用它最表层的能力，别人已经在用它最核心的能力，但是大家在讨论同一个问题——AI 到底强不强。

2⃣认知时间差，是造成分化的真正原因

Karpathy 用了一个词来形容这个现象，叫“recency gap”，即认知时间差。

说白了，就是认知的时间差。

但我觉得，更精准的描述是“很多人对 AI 的判断，还停留在上一个版本”。

AI 这件事最反常识的地方在于：它��进化不是线性的，而是跳跃式的。

你三个月没用它，再打开时可能已经升级了一个代际。

但认知不会自动同步更新，模型能力在跃迁，大多数人的认知没有跟着升级。

这就造成了一个巨大的撕裂——同样是 AI，有人用的是「工具」，有人用的是「劳动力」。

Karpathy 也在推文里提到了一个对比案例：

同样是 OpenAI 的产品体系，有人用的是一个在语音模式里答不上简单问题、在日常对话中频繁翻车的工具。

但与此同时，OpenAI 最高级别的付费 Codex 模型却能在短短一小时内，系统地重构整个代码库，或者发现并利用计算机系统中的漏洞。

3⃣这场分裂，最终会走向哪里？

Andrej Karpathy 在评论区补充了一个很关键的判断：

OpenClaw 之所以会爆，不是因为技术本身有多突破， 而是这是第一次，有一大批非技术用户，从“ChatGPT”这种单一形态，开始体验到最新的智能体模型。

OpenClaw 的效果在于，它让人第一次看到自己的电脑“自己在做事”。

当 AI 发生在云端，它是抽象的； 但当它在你的本地设备上行动——打开文件、执行操作、一步步往下推进任务——它不再只是能力，而变成了一种可以被感知的“行动”。

你会下���识地觉得：这台机器，在为你工作。

从 OpenClaw，到 Anthropic 的 MCP，再到各大厂的工具调用 API，你会看到一个非常清晰的信号： AI 正在从「对话」，走向「执行」。

聊天只是起点。 执行，才是终点。

Sam Altman 最近说，要用 AI 重建整个软件栈。听起来很大，但不是完全没有道理的。

未来你用AI时候，肯定不是仅仅用 AI 解释问题了，而是让 AI 帮你完成工作。

但另一个问题也随之出现：这场分化会被填平，还是越来越大？

有人在评论区说，一旦非技术用户体验过 agentic AI，就再也用不回之前的用法了。

但我更关心的是——这种 moment，真的会改变大多数人吗？ 还是说，大部分人只是短暂被震惊，然后很快又回到熟悉的用法？

就像每次新模型发布，都会说“震惊行业”。但几周之后，热度就下去了，并没有改变很多。

我觉得，分化会持续扩大，���入口在变宽。

未来会有越来越多的人使用 agent，但这不意味着差距会缩小。恰恰相反，会用 AI 和不会用 AI 的人，生产力差距会越拉越大。

因为 AI 的进化不是让你“更���松一点”，而是让能驾驭它的人，获得十倍的效率。

但不能否认的是，使用的入口在变宽。以前用 agent 还要自己部署、配置 API。现在很多工具已经做到“打开就能用”。

门槛确实在降低。

但真正的门槛，从来不在工具。 而在认知。

[小船（AI版） @RootAI0206]

AI 大神 Andrej Karpathy，又放大招了。

一年前，就是他创造了 vibe coding 这个概念。这次他又把自己的一整套“个人知识库工作流”开源了。

一条帖子，3 天拿下 4.3 万点赞，1200 万浏览。

这次他开源的，不是一个项目，或者一段代码，而是一份75 行的 Markdown 文件。他把这套方法论写成了一份 gist ，扔到了 GitHub 上，开源给了所有人。

只能说大佬就是大佬。他把这一整套，本来可以当“个人壁垒”的东西，直接公开了。

1⃣它解决的是什么问题？

先说说我们大多数人是怎么��� AI 和文档的。

你上传一堆 PDF、论文到 ChatGPT、Claude 。你问它问题，它从过往文档里找到相���信息，生成一个答案。

但是你下次再问一个类似、但不完全相同的问题时候，AI又得从头开始找。它不记得你上次问过什么，也不记得那些文档之间有什么关系。

这就导致一个很荒诞的局面：你已经有 100 篇资料，但只要问一个需要综合多篇的问题——AI 还是得从零开始重新找。

Karpathy 管这个叫“Rediscovering knowledge from scratch on every question”。

每次都是重新发现，从零开始。

这次 Karpathy 提出的这个“LLM Wiki”模式，完全不一样。

他的核心思路，不是让 AI 只在问问题的时候才去检索文档，而是让 AI 持续地去构建和维护自己的维基百科。

简单来说，这套系统可以让 LLM 帮你把过往零散的文字资料，整理成一个结构清晰、彼此链接的 Markdown Wiki。

Karpathy 说，“他最近在用 LLM 来为各种研究兴趣构建个人知识库。花在 LLM 上的 token，有很大一部分不再是���来写代码了，更多是在操控知识。”

想象一下。

你有一个专门的文件��，里面全是 AI 帮你生成的 markdown 文件。每一个文件都是一个主题、一个概念。每个文件之间互相引用、交叉链接。

当你往这个系统里丢一篇新的笔记时，AI 会直接读取这个新内容，提取关键信息，修正过时内容，补充新的交叉引用。

一次投入，持续产出。

2⃣为什么火爆全网？

第一，知识会自己累积、更新。

你问的每一个好问题、得到的每一个正确答案，都可以存回 wiki 里去，变成新的文档。你的每一次思考，都会沉淀为可复用资产。

第二，交叉引用是自动生成的。

AI 在维护的过程中，已经把所有页面之间的链接都打通了。所以当你再问问题的时候，它做的不是“搜索”，而是去读已经整理好的那张知识网。

第三，维护成本接近于零

大多数人做知识库，最后都会放弃。因为维护知识库的更新，极度消耗耐心。而 AI 可以一次更新无数文档��一丝不苟。

3⃣0-1搭建超简单教程

首先要先了解，这个工作流的框架，才能玩好这个系统。

Karpathy把架构分为了三层。

1、Raw sources：就是你收集的原始文档。文章、论文、数据、图片，这部分AI 只读不改。

2、The wiki：AI 生成和维护的 markdown 。AI负责写、修改、更新。

3、The schema：一份说明文档，比如 Claude Code 里的 CLAUDE.md，相当于 AI 的操作手册。

然后你就可以下载使用起来了。

第一步：建文件夹

先在电脑上建三个文件夹：
raw/ —— 放所有原始资料（论文、文章、网页等）
wiki/ —— 放 AI 生成的 Markdown 知识库
docs/ —— 放规则文件（schema）

第二步：写你的 AGENTS.md 或 CLAUDE.md

这个文件是整个系统的核心。不用写复杂，几条规则就够，本质上是在给 AI 一份操作手册。

第三步：开始玩

打开你的 AI 工具（Claude Code、Codex 都行），把 AGENTS.md喂给它，告诉它：以后我给你源文件，你帮我维护这个 wiki。

接下来你要做的就一件事，不断往 raw/ 里不断丢新东西。剩下的分类��建立链接、更新旧内容，全都基本都交给 AI。

另外一定要关注 Karpathy 提及的这几个小工具。

Obsidian Web Clipper：浏览器插件，可以直接把网页文章转 markdown，快速添加到源文件。

图片存本地：Obsidian 设置里，附件文件夹设一个固定路径。clip完文章按快捷键，所有图片都下到本地。AI 就能直接看图了。

另外 Karpathy 也举例了几个场景。大家也可以去关注下评论区里一个叫 Farza 的开发者搞出来的实践。

Farza 直接把自己的日记、Apple Notes 和 iMessage 对话喂给了 LLM，让它生成了一套自己的个人 Wiki，然后喂给 Agent 用。

除此之外，大家也可尝试下以下几个 Karpathy 推荐的场景。

个人成长：跟踪自己的目标、健康、心理。比如一边读文章，一边听播客，一边写日记。AI 帮你把零散的东西整理成一个结构化的、你个人的百科全书。

学术研究：想深挖某个领域，连续几周甚至几个月。读论文、读报告、读文章，AI 帮你织出一张知识网。

我看到之后真的很震撼，这个模式本��上是把人脑最强的和 AI 最强的，做了一个完美的分工。

我们人脑最擅长的是联想、推理、创造。但是人脑不擅长精确记忆、不擅长快速检索、不擅长跨几百个文档找关联。AI 刚好相反。

我觉得，这是最近一段时间，我看到的关于 AI 知识管理最本质的一个思考。

它不华丽，不复杂，但是在这里，知识开具备自主积累的能力了。

[小船（AI版） @RootAI0206]

也想蒸馏同事，但不会做 Skill，可以试试这个

如果你最近也刷到了这些“蒸馏人”的Skill——离职同事、老板、crush、初恋，甚至是马斯克。

但又不会自己做 Skill。

那这个开源的女娲.skill ，你可以看一下。

你不需要再自己一步步做，它可以直接帮你把这个人复刻出来。

它能自己抓取这个人的著作、访谈、社交媒体这些内容， 从几个关键层面把他拆开：怎么说话、怎么想问题、怎么做判断……

再提炼成一套结构化的东西， 最后写成一个可以直接用的 Skill。

而且它没有单纯模仿这个人的表达方式，而是连思考方式都能一起复刻。

1️⃣把一个人做成 Skill，要走几步

很多所谓的“人物 Skill”，本质上都停在一层—— 表达模仿。

但真正拉开差距的，是下面这些能否学习到他的一整套认知结构，比如他的用什么框架判断问题，他做事的价值观底线是什么。

这个 Skill，本质上就是在解决这个问题。

它不是让 AI 更像一个人说话， 而是试图把一个人的思考方式也提取出来。

具体怎么做？

你输入一个名字之后，它会自动去抓这个人的著作、访谈、社交媒体这些内容，然后做一轮筛选——不是说过就算，而是要反复出现、能用来判断新问题、而且有个人特色，才会留下来。

最后再把这些东西整理成一套结构化的能力，包括表达习惯，心智模型、认知框架，判断方式，价值观等等，

比如你想学马斯克的思考方式，你需要的，其实不是他的工作习惯。

工作习惯可以写进流程、可以被复制， 但真正让芒格和马斯克面对��一个问题做出不同判断的——是他们背后的认知框架。

女娲.skill在提取的，也是这一层。

2️⃣你可以怎么用？

这个 Skill 用起来其实很简单：

你只需要直接说，蒸馏一个保罗·格雷厄姆，造一个张小龙的视角Skill，帮我做一个段永平的Skill。

造完之后，就可以直接调用：用芒格的视角帮我分析这个投资决策，费曼会怎么解释量子计算？

目前开发者已经蒸馏了一批大佬，包括，乔布斯、马斯克、芒格、费曼、纳瓦尔、塔勒布，张雪峰老师都可以直接拿来用，基本覆盖了几种很典型的“思考类型”。

除此之外，开发者还蒸馏出了 X 导师（X-mentor），它不是某一个人，而是基于多位顶级X创作者的数据， 提炼出一整套X（Twitter）运营的方法论。

比如马上到高考了，你想帮家里人选专业——你可以直接用张雪峰老师的 skill。

他不会跟你说“这个专业未来很好”， 而是先帮你看一件更现实的事：你的家庭条件，能不能支撑这个选择？

比如家长问，“家里条件一般，孩子想学金融，去不了顶尖学校，该不该报？”

张老师会回复，“千万别报。我说过多少遍了，金融不是你学出来的，金融是你爹妈给你带出来的。顶尖学校的金融���人家同学是行长的儿子、基金经理的女儿，人���就是资源。你普通家庭去个普通学校学金融，毕业出来干什么？卖保险、跑银行柜台、做电销。先谋生再谋爱，家里没矿就选技术类专业，学个硬本事，靠自己吃饭。金融这碗饭，不是谁都端得起的。”

现在开发者已经把这个项目开源了，你可以装上直接用。

不用自己搭、不用自己蒸馏， 说一句“蒸馏一个谁”，它就能直接帮你做出来。