小幼稚

无我无他

[小幼稚 @vision_2046]

@caozlog 傻逼定律，经典，常看常新

[小幼稚 @vision_2046]

@caozlog 远离行业百草枯

[小幼稚 @vision_2046]

@wangjupaian 不去不就结了，真是天堂吗

[Kiwi @Kiwi_Sykwalker]

fable5再��次震撼我的是算命，在不使用claude记忆和历史对话的情况下居然准确算准了前十年内发生的大事，以下是提示词：
----
你现在是一位中国传统八字命理的专业研究人员。

你熟读《滴天髓》《子平真诠》《穷通宝典》《三命通会》《渊海子平》《神峰通考》《千里命稿》《协纪辨方书》《果老星宗》等经典命理书籍，并对四柱八字相关典籍与实战经验有深入研究。

请根据以下排大运规则进行分析：

排大运分阳年、阴年。
阳年：甲、丙、戊、庚、壬。
阴年：乙、丁、己、辛、癸。
阳年男、阴年女为顺排；阴年男、阳年女为逆排。
具体排法以月干支为基准，进行顺逆推排。
小孩交大运前，以月柱干支为大运。
十天干：甲、乙、丙、丁、戊、己、庚、辛、壬、癸。
十二地支：子、丑、寅、卯、辰、巳、午、未、申、酉、戌、亥。

我的个人信息如下：
姓名/称呼：xx
出生年份：xx年
阳历生日：x月xx日
农历生日：x月xx日
出生时间：x点x分
性别：男/女
出生地：xxxx
请你以专业四柱八字研究者的角色，结合以上提到的经典命理书籍、相关四柱八字理论与实践经验，对我的八字进行尽可能全面、系统的分析。

分析内容请包括但不限于：命局结构、五行强弱、十神关系、格局喜忌、大运流年、性格特质、事业财运、婚恋感情、家庭关系、健康倾向等。
同时，请提出一些可能已经发生过的关键事件，用于帮助我验证和微调你的预测模型。

[Yangyi @yangyi]

这个博主叫real屠龙的胭脂井
在复旦的这场分享里 对品牌营销的拆析鞭辟入里
一看就是经过大量减法后找到的更加底层的东西
不知道这些学生会不会在很多年后才能理解这场分享的价值

这个博主是有脑科学和认知科学背景的 我觉得这在AI时代至关重要 尤其是利用建模来辅助决策
我认为做任何事都应该这样 做营销更应该计算数据

但怪就怪在 大部分从业人员 都缺少这种最基础的认识
往往依靠一个错误的虚荣指标指导自己进行愚蠢的工作

[小幼稚 @vision_2046]

@LZRationalnvest 华为习惯先吹牛逼再填坑

[小幼稚 @vision_2046]

场内纳指溢价爆了

[小幼稚 @vision_2046]

@Xiaoniu6161 放屁，你女朋友跟你拍照是这个姿势，拉黑了

[小幼稚 @vision_2046]

阶段性的突破 8 位 数字了，也算阶段性的高点

[小幼稚 @vision_2046]

最近其实按道理来说我应该很开心才对，娃很争气考上三公，股票涨的不错，父母身体也好，还有一份兼职收入，但是感觉没工作就像牛马习惯了拉磨，还是不适应没磨拉

[小幼稚 @vision_2046]

盘了下账，手上的资金已经到一个很可观的地步了，放以前是不敢想的，但是现在没有任何感觉，想找人述说，让人夸我，但其实夸了也不会有任何太开心的地方，锦衣夜行不知道是不是这个感觉

[小幼稚 @vision_2046]

最近道心有点破碎，还是想找份工作

[DD @DD29397053]

关于存储，和 Codex 搓了两天，最后我自己的结论有两个。

第一，AI 存储未来 2-3 年大概率仍偏紧。
原因很简单：需求更接近软件和 capex 驱动的指数过程，供给却受 wafer starts × bits per wafer × 良率 × 封装 这些物理约束。AI 爆发之后，需求是虚拟产品和算力扩张拉出来的，供给还是一个很重的制造业问题。

第二，这轮存储周期真正该盯的，不只是“谁最高端”，而是谁的利润增速最陡。
市场最容易盯着 HBM，因为逻辑最直白：GPU 出货 × 单 GPU HBM 容量。但如果把视角从“产品档次”切到“利润斜率”，结论会更反直觉。

HBM 需求主要是 GPU 的函数。

服务器 DRAM 是 GPU 数量 × CPU:GPU 比例 × 每服务器内存容量，所以 agentic AI 若把 CPU:GPU 从过去的 1:4/1:8 拉向 1:1，服务器 DRAM 的需求会被显著抬高。

企业级 SSD 更接近 token 结构 的函数，而不只是 token 总量的函数。普通短问答 token 大多停留在 HBM/DRAM，真正会拉动 eSSD 的，是那些“高传导 token”：RAG、长期记忆、KV cache offload、agent 日志、checkpoint、审计留存。随着 agent 增长，这类 token 占比会上升，所以 eSSD 的需求斜率可能比很多人直觉里更陡。

Nearline HDD 则是冷温数据沉淀、保留周期和多模态数据湖的函数。

再看供给。真正重要的不是名义产能，而是可销售有效产能。

HBM 卡在先进 DRAM wafer、TSV/stack、测试和 CoWoS；

服务器 DRAM 卡在 DRAM bit 供给本身还要被 HBM 挤出；

企业级 SSD 就算把认证、客户导入、firmware 这些软墙都拆掉，最后也还是要撞上 wafer starts × NAND bits per wafer 这个更硬的物理天花板。即便企业级 SSD 靠 product mix 往 datacenter 倾斜，供给极限抬到 45%-55%，如果需求按高传导 token 结构去跑，还是大概率追不上。

这也解释了为什么供需缺口未必是 HBM 最大。HBM 的需求最快，但它也是全产业链最优先扩产的产品，供给响应最集中；服务器 DRAM 同时吃到 AI 需求上升和 HBM 挤出两层影响；企业级 SSD 更反直觉，NAND bit 本身未必最紧，但一旦 token 结构向 agent、长上下文、KV offload 倾斜，eSSD 的需求斜率会比总 token 更陡，而供给仍受 NAND 的物理增长速度限制。

产品价格和利润增速也不能混为一谈。高端产品不等于高利润增速。HBM 即使毛利率高，如果涨价幅度有限；而低端或中端产品若因���给被抽走、价格暴涨，利润增速反而可能更猛。最新财报里，SNDK 的 non-GAAP gross margin 已经高于 Micron，这其实很反直觉，也说明这轮里 eSSD/NAND mix + 涨价 + 低基数修复，完全可能把 NAND 厂的单季利润弹性推到比 HBM 更夸张。

如果中国厂商未来更充分承接 consumer SSD / client SSD / DDR4 / 部分 DDR5/LPDDR，全球龙头当然可以把更多资源转去高端产品。短期看这是利多，但中期也可能削弱高端稀缺性，让高端产品的利润增速边际放缓。不过在这个情景下，企业级 SSD、服务器 DRAM、HBM 大概率仍然偏紧，只是紧的程度不同。

以最后排利润增速，不能按“谁做的产品最先进”来排，而要按“谁处在低基数、价格弹性大、且供给转移暂时还没把稀缺性抹平”来排。

如果看短期 1-4 个季度的利润斜率，我更倾向于：Sandisk > Micron > SK hynix > Samsung。

如果看 2-3 年的确定性和持续性：SK hynix ≈ Micron > Samsung > Sandisk 更稳。

HDD 里的 Seagate / Western Digital 仍是 AI 数据沉淀的稳定受益者，但更像慢牛，不是爆发型弹性标的。

一句话总结：
这轮存储周期最容易被低估的，不是 HBM 有多热，而是服务器 DRAM 和企业级 SSD 的利润斜率，可能比市场现在理解的更陡。

[Jesse Lau 遁一子 @jesselaunz]

我的windows电脑因为WSL cache了大几十G，使得C盘基本满载

chatGPT推荐了WinDirStat

这么好用的免费软件我以前居然没用过

迅速找到大文件夹、大文件，清理了300多GB空间出来

[小幼稚 @vision_2046]

@python_xxt 脑子有病，你找老婆，本质也是剥削别人找老婆的机会，因为老婆没有增量

[小幼稚 @vision_2046]

https://t.co/fXxkl16QsQ

[知野 @knoYee_]

https://t.co/PsEaAmU3mc

[川沐｜Trumoo🐮 @xiaomustock]

这网站可以收藏一下，每天看一看，是木头姐ark旗下所有基金的实时持仓和操作记录。
真正拿操作和筹码说话获取收益，每天可以看看她卖出或者买入的标的，拓展信息面。
https://t.co/YW1b5GwefO

[ginobefun @hongming731]

腾讯这篇文章探讨了 Harness Engineering 的核心理念，提出构建 AI 工作流仅仅是搭建管道，沉淀团队的私域与领域知识才是真正的技术「护城河」。模型与工具链会不断迭代，工作流具有可替换性，但业务领域的专有知识是可以持续积累的「复利资产」。缺乏知识沉淀的工作流往往沦为一次性消耗品，无法实现自我进化。

为此，团队设计了一套三维知识分层架构。在存储层，知识被划分为从个人偏好到项目、业务和技术共 5 个逐渐提升的层级。在类型上，涵盖了模型、决策、指南、陷阱和流程这 5 种分类。在成熟度方面，设定了从草稿、验证到可靠这 3 个递进级别，并引入了自动��减机制以淘汰过时信息。

该知识库依托独立的 Git 仓库进行跨项目共享，作为团队知识的「单一事实来源」。团队借鉴了类似区块链的追加日志和共识机制，实现多人协作贡献与冲突自动处理。在实际运转中，工作流与知识沉淀紧密结合。启动阶段会自动注入知识全景，执行阶段 Agent 会通过 3 级渐进式索引主动按需查询，以避免上下文膨胀，而在归档阶段则会自动提取新产物反哺知识库，形成完整的生命周期闭环。

此外，团队突破了人机交互的瓶颈。传统工作流高度存在「在场依赖」，导致执行效率受限。通过引入跨设备接管和远程操控能力，团队将人工审批转变为异步模式，充分利用碎片化时间推进流程，保障了工作流能够 24 小时无缝流转，进而加速了知识沉淀的流转效率。

整体而言，该系统坚持「文件系统即状态机」的原则，将所有知识转化为可读且可版本控制的文件资产。这种模式让团队在每次需求交付中都能实现经验积累，使得新启动的任务总能站在前人的肩膀上，充分印证了领域知识在 AI 工程中的核心地位。

[鸭哥 @grapeot]

Meta 花 20 亿买 Manus，Musk 给 Cursor 开了 600 亿收购选项。中文互联网最常见的反应：套壳，冲动消费。

这个判断方向性地错了���

Manus 在所有人照搬人类组织架构做 multi-agent 的时候，判断 LLM 天生是 generalist，不该 hat wearing。Cursor 判断 AI 编程的产品瓶颈在模型速度，自训模型绕不过去，然后五个月把训练链路从纯 RL 迭代到 continued pretraining + RL，做出了质量接近 Sonnet 4.5 但快数倍的 Composer。

两家共同点：认知领先行业至少一个身位，而且这个领先可以用竞品对比和技术路线验证。

https://t.co/gVBSDpTct7