ChambersChien

Abs are made in the kitchen, not in the gym.

[Gloria @changloria0816]

https://t.co/EOgpPO1YAu

[fox hsiao @pirrer]

前 CIA 局長在《外交事務》說明，台灣需要讀懂的事：主權國防戰略生態系

裴卓斯（David Petraeus）指揮過駐伊拉克與阿富汗聯軍、當過美國中央司令部司令，退役後接掌 CIA。前幾天，他和在烏克蘭營運 AI 非營利組織的 Clara Kaluderovic 在《外交事務》（Foreign Affairs）合寫了一篇文章，標題就點名台灣，〈台灣一直沒學到的烏克蘭課〉，副標是「問題不在無人機，在無人機周圍的一切」。

文章的出發點，是擔心各國軍方把烏克蘭戰場讀成一份採購目錄。無人機便宜又有效，那就編預算買無人機，看起來這樣學最快，但兩位作者認為這樣只學到皮毛，烏克蘭真正的本事，是圍繞這些便宜武器搭起來的整套生態系，而他們判斷最可能錯過這一課的地方，正是同樣面對強鄰入侵威脅的台灣。

烏克蘭真正的武器是生態系

這套生態系怎麼運作，黑海看得最清楚，2022 年 2 月開戰時，烏克蘭為了不讓旗艦落入俄軍手中，自己把它鑿沉，等於一開戰就沒有海軍。兩年之內，這個沒有海軍的國家把俄軍黑海艦隊逐出塞凡堡母港，摧毀、重創超過三分之一的黑海艦艇，剩下的船只能躲到離烏克蘭最遠的港口，做法是空中無人機負責找船、海上無人艇負責擊沉，完全不靠傳統軍艦。

支撐這種打法的東西，裴卓斯在文章裡拆成四塊。

- Delta 戰場管理系統：烏克蘭工程師和志願者自己寫出來的軟體，沒有向外國買授權，現在由國防部營運，把陸海空感測器的資料整合成一張即時戰場圖，分發給前線部隊。

- Sky Fortress 聲學感測網：14,000 個聲學感測器靠聲音定位俄軍無人機，連雷達看不到的低空都涵蓋。

- 無人系統部隊：在陸海空三軍之外成立的全新軍種，有自己的準則、領導培育、採購流程、招募和新訓。

- 每週迭代的製造商：軟體每一到兩週改版、硬體每三到四週改版，工程師直接嵌在他們支援的部隊裡，今年飛彈與無人機的預計產量合計 700 萬。

烏克蘭改寫規則的方式，是把命令與控制變成一個軟體問題，先用軟體把指管串起來，再讓大量低成本武器集中打擊數量少、造價高的傳統平台，無人機只是這套架構裡最顯眼的一層。

交戰成本是可以翻轉的戰略變數

俄軍開始大量用 Shahed 自殺無人機消耗烏克蘭防空之後，烏克蘭很清楚不能用飛彈硬接，一枚美製愛國者攔截彈要價數百萬美元，一架 Shahed 不到 5 萬美元，攔一發虧一發。烏克蘭的解法是開發單價幾千美元的攔截無人機，把成本比整個反轉，Shahed 從相對便宜變成相對昂貴。

兩位作者從這裡抽出一條原則，每次交手花多少錢，本身就是戰略變數，可以靠研發和量產翻轉，靠採購翻不了。傳統軍購體系花好幾年才能走完一輪的調整週期，烏克蘭壓縮到以週計算。

台灣的採購反射

講完烏克蘭，文章把鏡頭轉向台灣，用了一個詞叫「採購反射」（procurement reflex）。從 1992 年買 F-16 算起，三十多年來台灣的投資重心都是昂貴的有人平台，套用別人的軍事準則，養出一個很會買東西、精通美軍準則的國防建制，但這個建制不會自己開發系統，也講不出自己的戰略信念。

這種慣性在今年上半年有一個具體的展示場，國防部原本在 1.25 兆特別預算裡規劃了逾 21 萬架各式無人機，其中濱海攻擊型 20 萬 8,200 架、濱海監偵型 1,446 架，再加上 1,320 艘自殺無人艇，規模比照的就是烏克蘭式的消耗戰。

5 月 8 日立法院三讀，預算上限砍到 7,800 億，同時排除商購及委製案，國產無人機和無人艇全數出局，對美軍購則保留下來。行政院 6 月 18 日再提一部 2,100 億的《國防自主無人載具採購特別條例》想把缺口補回來，結果連付委都被擋下。

在野黨給的理由是財政紀律和國內採購的貪腐疑慮，裴卓斯沒有進入台灣的政治攻防，他只指出後果，在中國以百萬架計的規模生產無人機的同一時刻，台灣把任何認真量產所依賴的資金抽掉了。

七年的戰車，兩週的軟體

兩種時間感差多遠，一筆交貨紀錄就量得出來，台灣 2019 年向美國訂購的 108 輛 M1A2T 戰車，直到今年 4 月 26 日深夜，最後一批 28 輛才從台北港上岸，前後七年。同一段時間裡，烏克蘭的製造商把軟體改版週期壓在一到兩週，改良的設計在敵人來得及調整之前就送到前線。

裴卓斯的結論是，台灣或許還有時間建立嚇阻中國所需的架構，但已經沒有時間靠採購買來安全，尤其在主要供應商的交貨速度擺在眼前的情況下。

世界級的工程師，坐在場邊

第三個批評指向台灣工程師的位置，他們在這場國防轉型裡幾乎是旁觀者。Delta 和 Sky Fortress 都是志願工程專案起家，工程師先做出來，軍方覺得好用再接手，這條「民間先做、軍方採納」的管道在烏克蘭是常態。

台灣有全世界數一數二的商用工程人才，卻沒有任何一條類似的管道讓他們參與國防，現代戰場要爭奪整個電磁頻譜，從干擾、反無人機到保護自己的資料鏈，文章看不到台灣工程師被動員起來面對這個挑戰的跡象。

產業端的處境也一樣，台灣的無人機製造商公開抱怨看不到政府的明確需求。製造商不會為一個沒承諾購買的客戶建立量產能力，外國夥伴也會優先跟看得見訂單的市場合作，如果政府釋出明確訊號，台灣強大的工業基礎會自己動起來，但立法院抽掉資金的動作送出的是相反的訊號。這半年業界對 2,100 億條例的心情，被 DigiTimes 形容成「一喜一憂」，餅畫出來了，沒人知道吃不吃得到。

島嶼的地理讓這些缺口更難拖延，台灣的能源靠進口，儲備有時只有幾週，對外的海底電纜已經被「意外」剪斷過。危機中需要什麼，就必須在危機發生前擁有，台灣沒有挑選要打哪一場戰爭的餘裕。

台海不是黑海，要翻譯不要照抄

兩位作者也沒有天真到主張整套照搬，烏克蘭沿著近 1,600 公里的連續戰線作戰，背後有縱深可以退，台灣要面對的是一條海峽，加上直接落在本土、無處可退的空中與飛彈戰役，文章用的詞是「翻譯」，不是「模仿」。

上週在台灣國際海洋論壇（TIOF）現場，才聽過同一個提醒，方怡然在無人載具場次說「台海不是黑海」，黑海平均浪高約半公尺到兩公尺半，台灣海峽冬季動輒 4 到 9 公尺，照抄烏克蘭的無人艇設計會被海況直接淘汰。

裴卓斯開出的規格也順著這個方向，台灣需要適應更嚴酷海域和困難海岸線的設計、指揮這支力量所需的持續監視，以及量大到承受得起消耗的生產，用分散、可犧牲的海上無人系統搭配空中無人機的指引，讓入侵艦隊失去行動自由。

處方的核心是一套台灣版的 Delta，由台灣人自己設計維運、用台灣自己的資料訓練。該複製的是它的製造方式本身，讓操作者、工程師、分析師持續協作，把修改的權限交給最接近問題的人，買一套現成系統的授權，複製不了這件事。

防空同理，面對擁有全球最大常規飛彈部隊和最大製造產能的對手，台灣需要便宜、分層、有韌性、數量龐大的防禦，密集的被動感測網、電子戰、本土量產的各型攔截無人機，加上持續更新的訓練管道和準則，而且全部要在危機之前就累積完成。

文章結尾把選擇丟回給台北，繼續採購數量有限、昂貴而且越來越脆弱的有人平台，或者承擔更難的工作，在本土建立可消耗的數量，以及讓這些數量發揮作用的架構。其他國家幫得上忙，但沒有人能代勞。烏克蘭給世界的示範從來不在某一款無人機的規格表上，一個決心活下來的國家，得自己學會怎麼保護自己。

[淘沙者(TheSandPicker) @Etudecn]

Andrej Karpathy 把大模型说透了。

“LLM 压根没想成功，它只想模仿。”
他最近在微软 Build 大会有个 42 分钟的演讲，把模型到底怎么“想”的掰开揉碎了讲。
没有野心，不追求“正确”，就是重复训练时见过的模式。
最绝的是这个对比：一个 80 层 Transformer 处理一个 token 的算力，跟你大脑处理一个念头的能耗差不多。
这不是什么提示词魔法，这是理解模型的底层逻辑。
比网上那些卖 500 美金的神棍课值钱多了。
想停止把 AI 当人一样许愿，开始把它当工具一样使用？这个演讲是必修课。
看了没？没看赶紧去。

[AYi @AYi_AInotes]

刷到前 OpenAI 研究员 Phil Chen 的这篇职业建议帖，越看越觉得，我们练了十几年的核心能力，正在快速贬值，甚至说个暴论，LeetCode刷得越熟，未来十年可能越危险。
还在职场打拼的今天找个一定要好好看看！分享一些我的感受：

真的不是因为刷题没用，也不是因为AI会写代码了所以人不用写了，相反是更底层的问题，能被自动评分的东西，模型都会超过你。

他的核心前提我非常认同，所有能写 loss function 的任务，AI 都会越来越强。

比如我们上学考试刷算法题，本质都是有明确评分标准的问题，这类能力的溢价会掉的比所有人预想的都快。

最戳我的两个判断，
1️⃣第一个是核心能力已经从解决问题转向发现问题。
这意味着以后没人会手动一行行写代码，真正稀缺的是快速理解环境，识别值得解决的重要问题，在约束下分配资源推进的能力。
所以选对问题的眼光，会比写好代码的手艺值钱得多。

2️⃣第二个是最后 10% 才是 90% 的回报。
AI 能轻松产出 80 分的中位数结果，随便写个 prompt 就能用，但真正拉开差距的是剩下的打磨，细节优化，干净架构，独特视角和创意。

这些东西靠堆 prompt 出不来，必须人来沉下心磨。

我自己现在也在刻意调整习惯，比如以前拿到需求就想着快点做完交差，现在会先强迫自己停两分钟，先想清楚这件事到底值不值得投入时间，

不过我目前还做的不是很好，经常一忙就又陷进执行里。

最后想说，不是让你放弃技术躺平，也不是劝你别学编程，
别再把所有精力都花在把事做对上面，多花点时间练选对的事，和把事做透的本事。

因为不能被评分的工作，才是值得押注的地方。

[Developers @XDevelopers]

Announcing the hosted X MCP.

Agents now have access to the best real-time information source in the world.

Connect Grok, Cursor, or any MCP-compatible AI tool to the X API without any setup!

Check it out here: https://t.co/5MzPYwGFzD

[Andrew Ng @AndrewYNg]

“Loop engineering” is a hot buzzphrase after mentions of it by Boris Cherny (Claude Code’s creator) and Peter Steinberger (OpenClaw's creator) went viral on social media. Loops are now a key part of how we get AI agents to iterate at length to build software. In this letter, I’d like to share my 3 key loops, shown in the image below, for building 0-to-1 products. These loops guide not just how I build software, but also how I decide what software to build.

Agentic coding loop: Given a product specification and optionally a set of evals (that is, a dataset against which to measure performance), we can have an AI agent write code, test its work, and keep iterating until the code is bug-free and meets its specification. This idea of closing the loop took off around the end of last year, and it has been a game changer in enabling coding agents to work longer productively without human intervention. For example, over the weekend, I was building an app for my daughter to practice typing, and my coding agent could easily work for around an hour, using a web browser to check what it had built multiple times before getting back to me, without needing my intervention.

The engineering loop executes quickly. Every few minutes, the coding agent might build and test a new version of the software. I hear frequently from developers who are finding new ways to engineer more effective engineering loops. This is an active area of invention!

Developer feedback loop: In this loop, a developer examines the current product and steers the coding agent to improve it. Last year, a lot of developers (including me) were acting as the QA (quality assurance) function for our coding agents, manually finding bugs and then asking the agent to fix them. But with coding agents much more able to test their own code, the amount of time we need to spend on this function has decreased significantly. This allows us to make higher-level product decisions, such as what key features to offer, where the UI needs improvement, and so on.

The developer-feedback loop operates over time intervals between tens of minutes and hours — that's how frequently a developer might review a product and give feedback. In the case of the typing app, I changed my mind a few times about the visual design, what cat costumes she can unlock as she learns (she loves cats), and the user flow for a grown-up to log in and steer the child's learning experience.

When a developer has a clear vision for what to build, it is still a lot of work to translate that vision into a specification for a coding agent to implement. Further, after the developer has seen an implementation, they might update (or perhaps clarify) the spec to steer it toward what they want. If you find that the system repeatedly runs into certain problems, building a set of evals for the agent becomes useful.

AI-native teams are increasingly using AI to help shape product direction, for example, automating the gathering and analysis of usage data, summarizing written and verbal customer feedback, or carrying out competitive analysis. However, for pretty much all the products I’m involved in, I see humans as having a significant context advantage over current AI systems — we know a lot more than the AI system about the users and the context the product has to operate in — and thus humans play a critical role. Many people describe this human contribution as “taste,” but I prefer to think of it as humans having a context advantage, since that gives us a clearer path to helping AI systems get better. This also speaks to why this step can’t be automated: So long as the human knows something the AI does not, human-in-the-loop is needed to to inject that knowledge into the system.

External feedback loop: This includes a wide range of tactics like asking a few friends for feedback, launching to alpha testers, or putting the code into production with A/B testing. These tactics are usually slow, rarely taking less than hours and sometimes taking days or even weeks. This data informs the developer vision, which in turn continues to drive the detailed product spec, which in turn drives the coding agent.

With coding agents speeding up software development, more engineers are starting to play a partial product management role. For many engineers who are growing into this role, the hardest part is shaping the product vision and striking a balance between building (bridging the gap between vision and spec) and getting user feedback to evolve the vision. It is important to do both!

I will write more about how to do this in future posts, but for now, I find it encouraging that engineers are playing an expanded role (just as product managers and designers now do more engineering).

[Original text: The Batch]

[Nick @nickhsu]

每次有人要交換 Line 都令我很為難，因為 Line 是我用過用戶體驗最差的社交 App。

社交 App 賺錢方法這麼多，Line 偏偏選了一個最爛的，直接在我的聊天列表最頂端放廣告，點關閉過一陣子又出來。

連世界上最喜歡放廣告的色情網站都不敢這樣幹了，Line 的產品經理可以多看點 Pornhub 跟 xVideos 嗎？學學人家克制點好嗎？

[阿哲Phil @Formulasearch]

卡兹克居然才五万粉，
但含金量比十多万的大v高多了我说实话。

[Joruno @wsl8297]

在 GitHub 上挖到一门很实用的开源课：Learn Harness Engineering，专门教你给 AI 编程助手搭一套更可靠的“工作台”。

它把 AI 协作拆成五个关键机制：指令、状态、验证、范围、会话，让每次任务都可追踪、可续接、可验证，不再靠运气出结果。

GitHub：https://t.co/G1kBghFqXg

官网：https://t.co/6OHbxJcWz6

课程结构很清晰：12 节理论 + 6 个实战项目，用同一个桌面应用贯穿推进，边做边演进。
从最基础的对比实验起步，逐步把整套工作环境搭起来；每个项目的产出，直接接到下一个项目继续用，越做越稳。

更贴心的是，它还提供可直接复用的模板文件：拷进自己的项目就能上手，不用完整学完，也能立刻提升 AI 的稳定性和可控性。

如果你已经在用 Claude Code 或 Codex 做真实开发，却总觉得 AI 时好时坏、难以复现，这门课很值得花时间看看。

[歸藏(guizang.ai) @op7418]

https://t.co/ip9kyn2Trk

[Andrew Wilkinson @awilkinson]

Software is about to look a lot like ecommerce.

Shitty margins.
Unlimited competition.
A hard way to make a living.

Why? Because over the next few years, Anthropic, Google, and OpenAI are going to drink the software industry's milkshake 🥤

If you were looking for a hotel in 2010, this is how it went:

2010: Google "hotels in New York" → Google links you to TripAdvisor.

But by 2020...

2020: Google "hotels in New York" → Google shows its own hotel booking system integrated directly into the search results.

RIP TripAdvisor 🪦📉 (check their stock price 2015 vs today)

Google made a fortune by building products that captured demand on the keywords where they had the most traffic, like travel.

But Google had finite resources.

They only had so many developers to build these products, so it only made sense to do this for the largest categories: hotels, flights, shopping.

This same thing is about to happen to most digital services and software products. Except this time, the constraint that protected smaller categories is gone.

2025: Ask ChatGPT for the best CRM software → It directs you to Attio, Pipedrive, and Zoho.

2028: Ask ChatGPT for the best CRM → It builds one, imports your data, and runs it for you at a fraction of the cost.

The difference between OG Google and today's frontier models is that OG Google needed human engineers to build each vertical product.

OpenAI, Anthropic, and the Google of today (Gemini) won't have this constraint.

When the cost to build and maintain software approaches zero, there's no reason to stop at hotels and flights. You do it for everything, on demand.

Right now, vibe coding is still fiddly. It requires a human in the loop, it's insecure, and it depends on third-party hosting and infrastructure.

But I expect the frontier model companies to build out their own vertical infrastructure to run the software they generate, removing the current friction entirely.

Think Claude's artifacts, except full-fledged digital products—hosted, maintained, and updated by the same AI that built them.

The moat for most software companies isn't the code. It's the switching cost and the ecosystem lock-in. When an AI can rebuild your tool in seconds and migrate your data automatically, that moat disappears.

Everyone understands that vibe coding = infinite competition. But this is different.

They're taking your customer before they can even get to you.

So, software becomes a lot like ecommerce.

Near zero margin unless you own distribution and aren't reliant on Google/Meta for customers.

TLDR: They drink your milkshake. They'll drink it up.

[謝立聖插畫 @pitt9244]

【超誇張】
註銷戶籍程序未完成
梁文傑：「李貞秀《從頭到尾》沒取得台灣身分！」

他不能當立委+5

[墓碑科技 @mubeitech]

英国怎么丢掉自己的文化的？

梅根·凯利给出了一个惊人的答案。
她对皮尔斯·摩根说：你们把它拱手让给了一群激进的穆斯林，他们进来，然后接管了一切。
现在，文化已经消失了。

这跟美国有什么关系？
超级碗，美国精神的象征之一。
请一个全程用西班牙语表演的艺人上台。
这是在干嘛？

这被看作是对美国其余地区竖起的中指。
美国有三亿多人不说西班牙语。
超级碗本应是团结全国的活动。
而不是仅仅为某个特定族裔服务的派对。

为什么会发生这种事？
有人认为，这背后是“多元化”议程在作祟。
通过不断切分和稀释主体文化，来达到某种政治目的。
先是所谓的“黑人国歌”，现在是西班牙语表演。
下一步会是什么？

这就是为什么川普总统会被选上台。
美国人民不希望自己的文化被这样侵蚀。
无论是哪种外来文化，都不能凌驾于美国的核心身份之上。

超级碗就应该回归它本来的样子。
美式橄榄球。
经典的美国食品。
以及，用英语表演的艺人。
这才是属于全体美国人的超级碗。

[台灣寶島農場🇹🇼 @N0000024]

日本🎌高市早苗首相在演講中直言：他們在電視上攻擊我，在周刊裏罵我，用盡一切辦法阻止改變，因為他們害怕日本真正走出萎縮。

他們說積極財政會毀掉經濟，但不把經濟做大，日本什麽都做不了。收縮只會一起變窮，增長才能創造財富。

毀掉國家的不是挑戰，而是不敢挑戰的政治。
推動日本前進的不是恐懼，而是希望。

現在正是命運的關鍵時刻：不前進，日本就會衰落；敢挑戰，日本就會崛起。

[stevenmarkryan @stevenmarkryan]

Elon Musk's Full Speech Today At Davos

► Silences removed (to save you time)
► Boosted audio (for easier listening)

From the World Economic Forum in Davos, Switzerland

[Tw93 @HiTw93]

花了一晚上时间把 Simon Willison’s Weblog 这篇 《2025: The year in LLMs》翻译完了，我觉得写得非常好，能够帮助我们很好看清楚去年这一年大模型领域发展的一切，希望可以给关注 AI 和投资 AI 的小伙伴一些输入。
https://t.co/VNr8vpixWW

[墓碑科技 @mubeitech]

拿着日本国籍，心里却反日，怎么办？

日本议员北村，直接在国会开炮了：
我们应该建立一个制度，把这种人的国籍给撤了！

想象一下这个画面。
一个小孩，拿着刺刀模型，对着一个日本兵玩偶猛扎。
大人还在旁边拍手叫好。

还有，高中运动会上，学生们把安倍遇刺编成话剧。
演安倍的人一倒下，全场欢呼。

老师问小学生长大想干嘛？
孩子说：想当兵，杀光日本人和美国人。

这些视频，都来自中共国。
这不是个别现象，是中共长年反日宣传机器，制造出的普遍情绪。

问题来了。
当这些在反日仇恨教育里泡大的人，申请加入日本国籍时。
我们怎么审？

日本法务省的官员回答，很标准，很官僚：
“我们会个案处理，综合判断，看他是否融入日本社会。”

北村议员不满意，追问得更尖锐了。
“你们会当面问他吗？”
“问他脑子能不能换过来？从拿到国籍那天起，你能不能为日本服务？”

别忘了，中共还有个《国防动员法》。
理论上，一个中共国人，在他拿到日本国籍的前一天，都有义务在中共国侵略日本时，拿起武器攻击日本。

这种情况下，你问都不问，就信他爱日本？

法务省官员又开始打太极：
“具体问什么问题，不能公开。否则会影响审查的公正性。”

这理由太可笑了。
现在是社交媒体时代，申请人早就把面试题库传遍了，还保什么密？

北村议员亮出了他的底牌。
万一我们看走眼了呢？
万一有人伪装得很好，拿到国籍后才暴露了。
暴露了他极端反日，不守法律，甚至没法经济独立。

怎么办？

所以，必须建立一个“国籍撤销制度”！
比如，入籍8年内，一旦发现这些问题，直接取消他的日本国籍。

官员又说了，这不行啊，取消国籍，他不就变成无国籍人士了吗？
为了“法律的安定性”，我们要慎重。

北村最后一句话，直接把问题钉死在墙上：
一边是抽象的“法律安定”，另一边是日本实实在在的国家安全。
到底哪个更重要，不是一目了然吗？

[Elon Musk @elonmusk]

Exactly

[Bin Xie @bxieus]

In Haneda International Airport of Japan, a Chinese woman was loudly scolding a Taiwanese traveler, telling him “Taiwan belongs to China... before you travel abroad, you need to have a clear understanding of politics first...”
After police arrived, the Taiwanese traveller explained the situation to the police using Japanese language, then the Chinese woman told him：“You need to speak human language”...

MANY Chinese now feel that they are the rulers of human kind, and the whole world must obey them. Taiwannese, Japanese and other people are just their slaves.

[李承鹏（大眼哥） @dayangelcp]

我不懂经济，但懂中国，所以四中全会公告说了很多人看不懂的话，简约版，就三句话：

一，“加快高水平科技自立自强，引领发展新质生产力。”

过去的粗放式生产力玩不动了不赚钱了，要升级，比如过去地方政府靠卖地、建厂，以后要玩AI、量子通讯、新能源。但，因为国际制裁、贸易战，外边能帮你的朋友越来越少，加之内部制度和贪渎，这个短时间很难。

前苏联提出过类似口号，最后怎么样了。

村里本来加工皮鞋的，现在要转型新能源，这真不是党中央一个五年计划，或者靠偷技术，就能完成的。

所以打补丁有了第二点：

二，“大力提振消费，扩大有效投资，坚决破除阻碍全国统一大市场建设卡点堵点。”

这个也很难，大家不是不想消费，大部分是真没钱了，精尽人亡了。有点钱的人也不敢消费和投资，因为怕你政策又变，远洋捕捞，关门打狗。

最近热议的“国企并购民企”，把一些负债累累无力升级的民企买下51%的股份。其实就是隐藏版的“公私合营”。

所谓“破除国内市场建设卡点堵点”，就是破除政府的潜规则和灰色利益，自己革自己的命。崇祯做不到，你也做不到。

消费和投资，究其实质是对未来的信心。现在人人充满恐惧，真不好弄。

三，推进国家安全体系和能力现代化，建设更高水平平安中国。

这句话很好懂，谁不听话就办谁。会更左，言论空间更窄。

………

剩下的，比如“加大保障和改善民生力度，扎实推进全体人民共同富裕”，共同富裕就必须打土豪，其中强制串店小超市老板给员工买社保，是必然，既团结了民众，又为老同志的晚年充分蓄血。

至于“加快农业农村现代化，扎实推进乡村全面振兴”。历朝历代，土地性质不改变，都是扯淡。

至于“激发全民族文化创新创造活力，繁荣发展社会主义文化”，让无比低迷的影视圈兴奋不已。这就自作多情了，八个样板戏的时代必须到来，大影视公司按配额拍片，必须无限忠于主旋律。

好了，就汇报到这里。大家保重。