green

[green @sue602]

迎接每一次风高浪急

[Crypto老鹰 @laoyingkhq]

人到中年，你突然领悟了什么？

第一性原理。第一性原理。第一性原理。

它不是答案，却是方向。愿你也能以此为锚，活得更清醒、更帅，更幸福。

1. 家庭的第一性原理是经济，不是感情。婚姻从来不是风花雪月，而是现实合伙共赢。感情浓度再高，扛不住贫穷的拉扯。经济，是家庭的底盘，不是可选项。

2. 职场的第一性原���是价值，不是努力。努力是感动自己的内耗，价值才是别人愿意为你买单的理由。努力不转化为结果，一文不值。

3. 教育的第一性原理是能力，不是分数。分数只能决定你能进哪个门，能力决定你能走多远。真正的教育，是让人具备解决问题的能力，而不是成为考试机器。

4. 健康的第一性原理是自律，不是医疗。平常多养身养神养心，别有事去医院躺……

5. 创业的第一性原理是需求，不是竞争。99%的创业死在卷里，而不是错在努力。真正能活下来的，是发现了别人没看到的真实需求，并用心满足它。只要你的产品好：马云马斯克马化腾都抢着跟你合作。

6. 投资的第一性原理是风险控制，不是高回报。

高收益，藏着高风险，风浪越大鱼越贵。能活得久的投资者，从来不是赌徒，而是控制亏损的人。

7. 养老的第一性原理是规划，不是依赖。现代社会，养儿防老已是伪命题。你若不早做准备，晚年就只能受限于他人的善意与耐心。自己给自己准备底牌，是对未来最大的尊重。

8. 成长的第一性原理是反思，不是经历。经历多，不代表成熟；走过千山万水，不如静下心来回头看自己一步一个坑。反思，是让经历为自己镀上金身的。别Tamde ，除了年纪上涨了，什么都没长。

9. 感情的第一性原理是自我丰盈，不是彼此索取。好的关系不是你缺什么我来补，而是我们各自发光、彼此欣赏。你若完整，感情是锦上添花你若空洞，感情成了慢性消耗。我爱你，你是自由的，你爱我，我会成为更好的自己。

[صحة و لياقة @History_qq]

6 تمارين كيجل للرجال 💪🏼

[Avi Chawla @_avichawla]

Why KV cache stores K and V vectors but never Q?

(a popular technical LLM interview question)

LLMs are autoregressive so each token is predicted from every token before it, one at a time.

This autoregressive nature has a direct consequence inside the model.

A forward pass over <n> tokens produces <n> hidden states, but only the last one is projected to logits and is required to generate the next token.

So to understand why KV cache just stores K and V vector, we must back track to see how exactly is the last hidden state produced.

Let's walk through this with a 10-token prompt.

1) Prefill:

All 10 tokens go through the model in one forward pass, in parallel (with causal masking), since the whole prompt is already known.

At every layer, each of the 10 positions produces a query, a key and a value vector, and attention at each position runs against all positions up to it.

This pass is compute-heavy, and it's why the first token takes noticeably longer than the ones after it. TTFT is mostly prefill.

2) The first output token:

To generate the 11th token, only the 10th token's hidden state is needed. So this is projected from the hidden-dim to vocab-dim to generate logits over vocab.

These logits then go through softmax and sampling to generate token 11.

3) Back-track the hidden state:

The last hidden state is the last row of the feedforward block's output. The feedforward block is position-wise (it's applied to each row independently) so that row comes from the last row of the attention output before it.

So now we need to see how the last row of attention is computed.

4) Attention matrix:

QKᵀ for a 10-token prompt will give a 10 × 10 matrix.

Row <i> will have the dot product of query <i> with every key.

Row 10 is therefore Q₁₀·K₁, Q₁₀·K₂, all the way to Q₁₀·K₁₀.

Notice that only Q₁₀ appears in it. Q₁ through Q₉ only belong to their corresponding rows 1-9, and those rows' hidden states we already discarded because they were never needed.

The last row of attention goes through softmax and multiplies the full stack of value vectors, V₁ through V₁₀, to give the last row of the attention output.

So the last hidden state depends on exactly three things: Q₁₀, every key, and every value.

5) Generating token 12:

Token 11 is appended, and this time, we need row 11's hidden state to generate token 12.

Mathematically, attention operation turns out to be Q₁₁ against K₁ through K₁₁, then multiplied by V₁ through V₁₁.

K₁ through K₁₁ and V₁ through V₁₁ are bit-for-bit what prefill + first token produced since under causal masking, a token's key and value depend on that token and the ones before it, never on anything after, so appending token 11 cannot change anything at position 3.

6) The cache state:

Overall, this implies that you just need to retain the keys and values at each decoding step, and compute only the new position's Q, K and V.

Each decode step requires one query vector, which is never used again, so they are never cached across the decoding process.

The visual below explains the entire process.

That said, KV cache is only one of four separate caching layers in an LLM stack.

The other three are prefix caching on the server, prompt caching billed by a provider, and a semantic cache that skips the model entirely.

I wrote a full breakdown of all four caches in LLM serving that you should know as an AI engineer, with code for each.

Read it below.

[green @sue602]

@OOO88818 你已经有Au,已经性自由，很性福了，打败全国99%的已婚人士了。

[green @sue602]

哈哈哈哈哈

[Kevin Ma @kevinma_dev_zh]

独立开发做产品也有几个月了。虽然离自己真正想达到的目标还有很远，但最近也陆续有了一些阶段性的小成果，还是挺开心的。

踩过一些坑，也慢慢改变了不少以前做产品的想法。分享几个我目前越来越确定的判断。

1. 尽量做红海需求，谨慎碰蓝海

以前总觉得，别人已经做过的东西，再去做还有什么意思？

现在反而觉得，对于独立开发者来说，红海往往更适合。

一个市场里已经有大量产品，意味着需求已经被验证，用户也已经被教育过。你不用从头证明「为什么需要这个东西」，还有大量竞品可以��究：用户为什么买它、抱怨什么、哪些需求一直没有被满足、哪些体验做得还不够好。

有人做成功了，也不代表你没有机会。

你可以找到一个更具体的细分人群，把某个核心体验做得更极致，或者提供更简单、更便宜的方案。

尤其当竞争对手需要养一个团队，而你只有一个人时，你的成本结构完全不同。只要能把最关键的需求解决好，小而精本身就是一种优势。

2. 做之前，先找成功案例

现在我越来越不愿意完全凭感觉做产品。

如果一个需求真的存在，最好能找到已经有人靠它赚到钱的案例。

甚至可以去看竞品的定价、用户评价、Reddit、App Store 评论、社交媒体讨论，看看用户到底为什么付钱，又在抱怨什么。

独立开发资源太有限了，没有多少资本可以用半年时间验证一个自己想象出来的需求。

能站在别人已经验证过的市场上继续往前走，风险会低很多。

3. 谨慎做开发者工具

这一点是我现在会特别小心的。

开发者很喜欢研究工具，也很愿意试新东西，但整体来说，对很多工具的付费意愿并没有想象中高。

尤其如果面向中文个人开发者市场，商业化通常会更难。

当然也有例外，比如海外市场，或者直接面向小团队、小公司，帮助他们节省时间、降低成本、提高收入的 To 小 B 产品。

所以如果只是因为自己是开发者，觉得某个工具「做出来肯定有人喜欢」，我现在会非常谨慎。

4. 独立开发本质上也是创业，每天都在做取舍

一个人最大的限制永远是时间和精力。

功能、设计、技术架构、增长、客服、内容、运营，每一件事都可以无限优化，但你根本不可能同时把所有事情做到最好。

所以一定要知道自己的产品靠什么产生价值。

如果设计和体验就是产品的核心竞争力，那就值得投入大量精力把它做好。

如果用户真正付钱购买的是某项功能价值，那资源就应该优先放在解决这个问题上。UI 和 UX 可以没有那么惊艳，但基本体验必须过关，保持简单、清晰、顺手就够了。

千万别为了满足自己的审美和技术洁癖，把大量时间花在用户根本不在乎的地方。

独立开发尤其需要警惕完美主义和自我感动。

5. 判断需求真假的最好方式，就是看有没有人愿意付钱

这个可能是我现在感受最深的一点。

用户说「这个产品很好」「这个功能我很需要」「以后一定支持」，这些反馈当然有价值，但它们和真正掏钱之间还有很远的距离。

真正强烈的信号，是付款。

如果很多人都说喜欢，却始终没人愿意付费，��就应该重新审视产品到底解决了多大的问题。

反过来，那些已经付钱的人非常值得认真听。

他们为什么愿意付费？最看重什么？什么地方让他们觉得值？还有什么问题阻碍他们继续使用？

这些声音往往比一百条「看起来不错」更有价值。

6. 一开始就要敢于收费

我现在越来越不认可独立产品先做大量免费用户，再慢慢考虑商业化的思路。

免费用户当然可以帮助你获得反馈，但免费很容易掩盖一个最关键的问题：用户到底愿不愿意为这个价值付钱？

所以我更倾向于，让用户有机会真正体验到核心价值，然后尽早收费。

核心体验可以试，真正持续产生价值的部分就应该收费。

也不用为了追求用户量，做大量免费功能、长尾功能，把自己拖进无限维护的泥潭里。

如果一个产品长期赚不到钱，它最终连继续改善体验的机会都很难拥有。

而且产品从第一��就收费，用户从一开始就知道这是一门生意。以后你也不用面对「以前免费，为什么现在收费」这种预期落差。

独立开发做到现在，我越来越觉得，产品能不能活下去，比看起来有多少用户重要得多。

做已经被验证的需求，找到一个足够具体的切口，把最核心的问题解决好，尽早验证付费，然后把有限的时间持续投入到真正产生价值的地方。

这大概就是我这几个月做独立产品之后，最大的几项认知变化，希望对你有帮助，没有浪费你的阅读时间。

[文子🔆 @Eejoylove]

只要不熬夜一切都会好的。熬夜的债是需要还的，迟早的事。

熬夜带来的伤害，会藏在皮肤、情绪、免疫力的每一处细节里。从皮肤暗沉到记忆力下降，从体重飙升到频繁生病，都是身体免疫力在下降发出警告。

但只要停止熬夜，让身体在 23 点到凌晨 3 点进入深度修复，这些问题会慢慢好转：皮肤会透亮，情绪变平和，连做事效率都能提升。

不熬夜不是目的，而是让生活回归正轨的开关

按下它，一切都会慢慢变好。

[green @sue602]

@biantaisuibian 有了这想法���，那你们平时的关系应该也不怎么样吧

[须影吟者🕊️ @Phoenix_AlphaX]

《人性的第一性原理》
所有情绪失控，背后都有原因

1. 慌张——源于准备不足
2. 急躁——源于经历不够
3. 轻浮——源于磨砺不多
4. 心乱——源于思路不清
5. 压力——源于期望过高
6. 贪婪——源于欲求太满
7. 心累——源于想法太多
8. 劳苦——源于方法不对
9. 懒散——源于目标不明
10. 暴躁——源于自身无能
11. 恐惧——源于事实无知
12. 憎恨——源于肚量不够
13. 痛苦——源于不懂满足
14. 烦恼——源于固执追求
15. 骄傲——源于目光短浅
情绪不是敌人，而是信号。
找到根源，才能真正改变。

[green @sue602]

@YigeKing 不耐看，还花钱

[green @sue602]

@OOO88818 MD什么意思？

[green @sue602]

@YigeKing 漳州港

[Phoenix Yin @Phoenixyin13]

段永平说，他���一个习惯，就是不合适的东西，他会赶紧离开。

简而言之就是发现错了、不合适的时候，立刻止损，不管付出了多少成本。也就是他常说的，不做不可做的事，做对的事。
这表面上是一个行动选择，其实背后是由高强度的自我认知与极高的敏锐度双轮驱动的。

来谈谈我对这个习惯的延伸与加强准则。

1.要判断一个东西不合适，前提是你得有一个清晰的参照系。
我认为，很多人之所以不知道哪里不合适，是因为他们从未建立起稳固的自我确定性，系统内部的坐标系。
不知道自己的边界、价值偏好、天赋所在以及真正无法忍受的底线是什么。当缺乏内心的参照物时，外在的环境再别扭，也只能被感知为一种模糊的焦虑或消耗，而无法被准确定义为不合适。

而段永平能够果断离开，是因为他始终保持着强烈的主体意识，
“我是我自身资源（时间、精力、资本）的管理者，环境是为我的目标或状态服务的。”
而很多人习惯了被动接受，把环境当成不可改变的既成事实，把自己当成无条件��适应环境的配件。

2. 你对环境不敏感，认识不到不合适，心理和认知层面通常有两种表现。

第一，认知麻木与习得性无助。
人为了在不舒适或不对劲的环境中生存，大脑会启动防御机制，降低敏感度，久而久之，明明被严重消耗，却以为这就是生活的常态。

第二，归因错乱。
有些人感知到了痛苦，却找错了原因。
习惯性地进行内归因（“一定是我不够努力/不够优秀/太敏感，才适应不了这个环境”），而非系统归因（“这个环境的机制、价值观或匹配度本身有问题”）。
归因错乱，直接阻断了寻找未来方向的可能。

那么，如何建立这种果断离开能力的路径呢？

其实，经过我这些年对于人的经历，我认为段永平式的思考，是一种高效的决策机制，它是可以被后天训练和建立的。

1. 停止清单意识。
���时不仅要想“我要什么”，更要想“我绝对不要什么”。当一个环境触碰了你的 Stop List，触发信号就必须行动。
2. 用机会成本替代沉没成本。
每在一个不合适的地方多待一天，你失去的不只是这一天的时间，还有用这一天去寻找和处于合适环境中所能创造的所有价值。
3. 提升归因的客观性
这点很重要。
当你感到持续的消耗、低效或痛苦时，做一个简单的分离训练。
这是我的能力问题，还是匹配度问题？
我的经验是，如果换了几个场景同样的问题依然存在，那是能力问题；如果在这个特定的场域里极度别扭，那就是匹配度问题。

我认为，对于暂时找不到原因和方向的人来说，或许第一步不需要立刻做出翻天覆地的离开，要先从停止内耗性的自我怀疑、开始记录并承认自己的真实不适感开始。

[Kevin Ma @kevinma_dev_zh]

独立开发者必修课：Onboarding 和付费墙的重要性

最近我在做增长方案复盘。作为一个技术出身的开发者，过去我其实没有意识到 Onboarding 和付费墙设计的重要性。

直到我发现，产品持续增加功能、优化体验，但付费转化依然没有明显提升。通过分析埋点数据后才发现，很多用户在下载注册之后，只是简单看了一眼就离开了，甚至连产品最核心的功能都没有真正体验过。

这让我开始重新思考：问题真的是产品不够好吗？

但另一方面，已经付费的用户反馈却非常好，这就形成了一个明显的反差。一部分用户快速流失，另一部分用户却高度认可产品价值。

后来我意识到，核心问题并不完全在产品本身，而是在用户旅程设计上出了问题。

用户没有充分感受到：

1、这个产品解决了什么问题；
2、为什么这个问题值得被解决；
3、产品具体是如何帮助他的；
4、为什么现在就是适合付费体验完整价值的时机。

尤其是在用户刚刚感受到产品价值、兴趣和情绪达到高点的时候，如果没有合理地引导付费，就很容易错过转化机会。

回头看过去几个月的推广过程，我也踩了一个典型的坑。

前几次推广，我花了很多精力制作内容，通过爆款帖子带来流量。曝光量和注册用户数量其实都不错，但最终留下来的���费用户没有达到预期。

现在复盘，我认为正确的顺序应该是：

当产品已经验证有人愿意下载、有人愿意付费，并且付费用户反馈很好之后，下一阶段最重要的事情应该是优化 Onboarding 和付费墙。

而不是继续期待更多流量能够自然带来更多付费。

对于同样在做自己产品的独立开发者，我想分享一个经验：

当你的产品已经有人使用、有人愿意付费，并且口碑不错时，不要急着不断开发新功能。先花时间研究用户第一次打开产品后的体验路径，认真设计 Onboarding、价值传递和付费墙，然后再通过持续推广和数据分析，不断优化转化率。

因为开发新功能往往是技术人的舒适区，但很多时候，真正影响增长的并不是多一个功能，而是用户有没有真正理解你的产品价值，并且走完从认识到付费的完整路径。

[green @sue602]

@tualatrix 一样在犹豫

[green @sue602]

@Doraemon_TUZI 哈哈，好单位

[green @sue602]

@cholf5 喝矿泉水也一样

[green @sue602]

@skywind3000 确实，人才密度是商业项目应该重要考虑的因素。