Mark

Mark

[Ken W @kenw_2]

终于有人做出来了，这就是我想要的茶几。

[Mark @whcmark]

@luoleiorg 也算便宜的了。

[Mark @whcmark]

@zgjncw2024 认同，带过团队，创业过。
有时候不期望同事要多卷，但起码要努力尽责的。
看过太多同行公司内部人员不行，基本注定这公司会死掉。

[Mark @whcmark]

@XiaoJi0403 有什麼推薦

[Mark @whcmark]

@VentLane 香港户口被封有机会不

[Berryxia.AI @berryxia]

很多大公司没有创新都是因为大家都害怕“背锅”。

Elon Musk 把大公司创新停滞的死结，一句话直接捅破了。

“如果你对失败惩罚太狠，人们就会相应调整行为，最终你得到的创新只会是极度保守的渐进式小修小补。”

没人敢尝试真正大胆的东西，因为怕被开除、怕被惩罚。

所以风险回报必须明显向大胆行动倾斜，否则真正的突破根本不会发生。

这才是SpaceX能把火箭炸了还继续干、xAI能快速迭代的原因：
他们把失败当学费，而不是死刑。

而大多数公司呢？

一次失败就秋后算账，结果大家集体学会了“安全第一”，创新成了PPT表演。

真正的创新，从来不是靠KPI和零容错文化逼出来的，
而是给敢于赌命的人留一条活路。

你所在的公司，是在奖励大胆尝试，还是在惩罚所有失败？

这段话值得每个管理者反复听。

[Berryxia.AI @berryxia]

兄弟们！Anthropic刚刚把“用AI建一家公司”的完整蓝图正式公开了。

画面直接炸裂：
CEO只有1个人（而且可以去睡觉），
剩下的全部员工都是AI。

它们自己分配任务、自己决策、自己推进项目，
人类只需要设定目标，剩下的全交给AI团队自动跑。

这不是科幻，这是Anthropic联合Google Cloud刚刚发布的《Agent Stack》官方指南。

核心就是一套完整的“AI企业操作系统”：

- ADK（Agent Development Kit）：开源框架，3个文件就能跑起第一个AI员工（https://t.co/uZpxBvtvLm + .env + __init__.py），几分钟出结果。
- MCP协议：让AI能无缝调用任何外部工具（搜索、代码执行、内部数据库…），两行代码就搞定。
- Vertex AI Agent Engine：生产级部署神器，一键把AI扔进云端，自动监控、自动扩容、自动日志，彻底告别手动搭服务器的痛苦。
- A2A（Agent-to-Agent）协议：让不同框架的AI也能互相沟通，像真正的公司部门协作一样。

更狠的是工作流模式：
- Sequential（串行）→ 一步接一步
- Parallel（并行）→ 同时干好几件事
- Loop（循环）→ 直到达成目标才停
- 再加上Session（短期记忆）+ Memory（长期记忆），AI不再是每次都失忆的机器人，而是真正“认识你”的长期员工。

实际案例已经跑通：
客服自动处理→内部数据分析→代码生成+PR提交…
以前要几小时甚至几天的事，现在AI几秒到几分钟就搞定。

Anthropic这次直接把“AI替你上班”这件事，从概念变成了可复制的工程模板。

工作真的在死去吗？
至少传统“一个人干一摊活”的模式，正在被“一个人类指挥一群AI”彻底取代。

当AI能24小时不睡觉、不休息、不抱怨地给你干活，
你还愿意继续用老方式工作吗？

这个蓝图值得每一个想用AI放大自己产能的人立刻存下来。

完整线程值得反复看。

你准备好让AI替你组建团队了吗？

[Yanhua @yanhua1010]

不管你用的啥模型， 推荐一份CLAUDE.md

来自Andrej Karpathy skills和X爆火的agent工作流，可以直接复制，包含Agent整体约束、工作流编排和任务管理⤵️

[Mark @whcmark]

@legacyvps Tailscale确实把内网穿透的门槛降到了最低。五分钟搞定以前要折腾几天的事，这种体验太爽了。尤其适合我们这种有多地设备需要管理的人。

[小盖 @xiaogaifun]

强烈推荐大家看看DeepMind CEO Demis的最新判断。

真的，Google DeepMind 的 CEO Demis Hassabis 每一期访谈我觉得值得都花时间看看。这哥们讲东西很实在，而且通俗易懂。

早上边跑步边听完了他和 YC CEO Garry Tan 的最新一期播客。

刚刚把笔记写完，也给大家分享下。

多说一句，好多人问我这种笔记是不是 AI 写的。我说下自己的流程。

我会先完整听完播客，然后用语音输入法把感触尽量充分地讲出来，再让 AI 帮着整理初稿，最后自己逐字修改优化。

如果全部交给 AI 做总结，那等于把思考和理解的能力让渡给了 AI，对自己理解这件事其实没有任何价值。

OK，咱们进正题。

1
Demis 的态度非常明确，现在的大模型范式（大规模预训练 + RLHF + CoT）一定会是 AGI 最终架构的一部分，他不认为这会是条死路。

但要实现 AGI，还有几个关键问题要解决。这几个问题包括：持续学习、长程推理和记忆系统。

先从最容易看到的现象讲起，Context Window。

现在大模型处理长信息，最常用的招就是把 Context Window 一直撑大。一开始 8k，后来 32k，再后来 100 万 Token。听起来很厉害，但本质上是暴力堆砌。

Context Window 其实就相当于人脑里的 Working Memory，工作记忆。人的工作记忆能同时装多少东西？心理学里有个经典数字，7 个左右。背电话号码能记住 7 位上下，再多就溢出了。

大模型呢？已经做到 100 万 Token。

按理说，模型的工作记忆比人大几十万倍，应该比人聪明几十万倍才对。但显然不是。

问题也恰恰就出现在这。把所有东西都塞进 Context Window 里，里面包含了不重要的东西、错的东西、过时的东西。看起来信息很多，其实是一团乱麻。

那人为什么 7 个数字的工作记忆就够用？

因为人脑背后还有另一套机制在工作。我们记得几年前的事，记得童年的事，记得几小时前发生的事。这些都不塞在工作记忆里，而是另一套系统。

具体来说这套系统是海马体，大脑里负责把新知识整合进已有知识库的那个部分。

研究发现，人睡觉的时候，特别是 REM 睡眠阶段，大脑会重放白天重要的片段，让大脑从中学习。新东西在睡觉的过程里，温柔地融进了旧的知识体系。

这个把新东西融进旧知识库的过程，就是持续学习。

模型现在没有这套机制。每一次对话结束，刚学到的东西就会忘记。下次重新打开，还是上次那个模型，没长进。

2
再聊聊长程推理的问题。英文表达是 Long-term Reasoning。我翻译为了长程。

长程推理这个词太抽象了。Demis 讲了一个特别具体的故事，听完会立刻明白他说的是什么。

他说自己喜欢跟 Gemini 下国际象棋。下棋的过程里能看到模型的 thinking trace，也就是它在那里到底想了什么。

然后他发现一件怪事。

模型考虑一步棋的时候，思考链里清清楚楚写着，这步是个昏招。但接下来，它没找到更好的走法，于是又走回这步昏招。

明明知道是错的，还是把错的那一步走出去了。

这个细节比任何 benchmark 数据都说明问题。因为它暴露的是模型缺少对自己思考过程的某种内省能力。

正常人下棋，意识到一步是昏招之后，脑子里会有一个反应，停一下，再想想。停一下、再想想这个能力，模型现在没有。它能在每一步局部判断对错，但没法基于整盘棋的局势去调整整体策略。

这就是长程推理还没搞定的样子。模型可以一步一步往前走，每一步看起来都合理，但走到后面整盘棋的方向其实是错的。它没有那种退回到当前思考的上一层、重新审视一下的能力。

说到底，模型缺的是一种内省。

3
学习、长程推理、记忆，这是 Demis 在播客里点出来的三个 AGI 鸿沟。

除此之外，他还反复提到了创造力。

2016 年 AlphaGo 跟李世石下棋，第二局走出了著名的 Move 37。那一步棋走出来的瞬间，全世界的围棋高手都看呆了。

所有人类几千年下围棋积累的经验都告诉它不该下那里，但 AlphaGo 下了。下完之后大家发现，是一步神来之笔。

很多人觉得，这就是 AI 的创造力来了。

但 Demis 说，对他自己来说，Move 37 只是起点。他真正想看到的是另一件事。AI 能不能发明围棋这件事本身。

这两件事的区别非常关键。

Move 37 是在围棋这个现成的规则里，找到了一步人类没想到的招。但围棋的规则、棋盘的形状、黑白子的对弈方式，是人类发明出来的。AI 在已有的框架里非常厉害，但能不能自己造一个框架，是另外一回事。

Demis 给了一个具体的设想。

如果给 AI 一个高层次的描述。造一个游戏，五分钟能学会规则，要好几辈子才能精通，棋局有审美，一下午能下完一局。AI 能不能根据这个描述，自己倒推出围棋？

目前做不到。

为了把这件事讲得更清楚，Demis 还提了一个测试，他自己叫爱因斯坦测试。

用 1901 年人类已有的全部知识训练一个模型，看它能不能在 1905 年那个时间点，自己推出狭义相对论。

爱因斯坦在 1905 年那一年里，连写了几篇改变物理学的论文，后来叫爱因斯坦奇迹年。那些工作不是从已有的物理学论文里通过拼接得到的，是基于已有材料做了一次全新的概念跳跃。

爱因斯坦测试想问的就是这件事。AI 能不能做这种跳跃。

目前的大模型主要在做两件事，pattern matching 和 extrapolation。一个是从大量数据里找规律，一个是把规律往外延伸一点。但发现新东西需要的是类比推理的能力。从一个领域里抽出深层结构，搬到另一个全新的领域去用。

这个能力，模型现在还没有。也可能是有，但用法不对所以激发不出来。

4
除此之外，Demis 还分享了一个让我特别出乎意料的判断，他说未来 6 到 12 个月，真正的价值不在更大的模型，在更小的模型。

这一部分内容我反复听了好几次，确实突破我的已有认知。

不知道大家的想法，反正我自己，这一年来并没有怎么关注小模型的进展。毕竟行业的焦点就是把模型做大嘛。

那小模型的价值到底在哪？

最直接的是成本。同样一个任务，小模型的推理价格可能只是前沿模型的十分之一甚至更少。

但 Demis 说，比成本更重要的其实是速度。

这里有一个前提得先说清楚。Demis 不是在说速度可以替代智能。

他的原话是，当小模型的能力已经达到前沿模型的 90% 到 95%，也就是已经相当不错的时候，剩下那 5% 到 10% 的能力差距，比不上速度带来的好处。

比如现在工程师用 AI 写代码，已经形成了一种新的工作节奏。一个想法冒出来，几秒之内就能看到结果，不行就改，再不行再改。

这个一改再改的循环跑得越快，做出来的东西就越好。如果每次调用都要等十秒，整个工作流就被打断了。

更关键的是，快到一定程度，工程师在这种节奏里能进入心流。一个想法、一次尝试、一个反馈、再来一个想法，思维不被打断。

这件事写过代码的人都懂，进入心流和频繁掉出心流，产出的差距是数量级的。

Agent 也是同样的逻辑。一个 Agent 跑完一个任务可能要调几十次模型，每次慢一秒，整个任务就慢一分钟。慢到一定程度，Agent 就从一个能用的东西变成鸡肋。

小模型不是大模型的廉价替代品。有些事只有小模型能做。

比如手机、眼镜、家用机器人，需要的就是一个能在本地跑起来的模型。本地跑除了反应快，还有一个特别重要的好处，隐私。

家里机器人看到的视频、听到的对话，全部在设备本地处理，根本不上云。这件事对很多用户来说不是加分项，是底线。

成本、速度、边缘部署，这是小模型的价值。

5
讲完小模型的价值，接下来一个更关键的问题是，能力被压到这么小的参数里，会不会有上限？

Demis 的判断是，目前没看到信息密度有任何理论上限。小模型的智能天花板还远没看到。

支撑这个判断的，是 DeepMind 在蒸馏这件事上的积累。蒸馏简单说就是先训练一个超大的模型，然后用这个超大模型去教一个小模型。教完之后，小模型用极少的参数，能复现原来 95% 以上的能力。

为什么 DeepMind 这么重视蒸馏？因为要把 AI 能力放进谷歌的头部产品中，前提是低延迟、低成本。前沿模型再强，每次推理花几秒钟、花几毛钱...这条路，恐怕很难走得通。

一个前沿模型发布之后，6 到 12 个月内，他们就能把这个模型的能力蒸馏到边缘设备能跑的小模型上去。这个时间表比很多人想的要快。

在很多场景中，小模型和大模型会相互配合。

举个例子，一个端到端的智能助手，绝大部分日常任务在本地的小模型上跑。智能眼镜看到的画面、家里机器人听到的对话、手机里的私人助理，模型直接在设备里读懂，不需要往云端传一遍。

只有遇到特别复杂、本地搞不定的问题，才向云端的前沿模型发起请求。

也就是说小模型在边缘做主力，前沿模型在云端做后援。

不过，这个构想对小模型的要求也比较高，它不能只会处理文字，还得能理解物理世界。

这就是为什么 Gemini 从一开始就坚持多模态，不光处理文字，也处理图像、视频、声音。

一开始这么做比只做文本要难得多，但眼镜也好，机器人也好，需要的是一个能看懂周围世界的模型，不是一个只会聊天的模型。

讲到这里，小模型这条路的轮廓就完全清楚了。它独立成立，不是前沿模型的廉价替代品，而是另一条同样重要的路。

嗯，很有启发。

[Mark @whcmark]

@geekbb 期待，也是從 raycast 轉回來。我要快速切換應用，對延遲很敏感。

[Mark @whcmark]

@luoleiorg 相比airpods pro 呢？

[千寻｜AI 分享 🌸 @Crypto_QianXun]

爆炸信息：Claude的CEO刚刚发表了一封38页的公开信。

Dario Amodei精确绘制了哪些职业能在AI时代生存。

没有炒作。没有末日论。只有任何AI领导人做过的最冷酷、最具体的预测。

但第29页有一个推理框架，将AI从'你的替代者'变成'你最不公平的优势'。

这里有9个基于Amodei方法论的Claude提示，让你领先所有没读过这篇文章的人数年。

[Mark @whcmark]

@plantegg nvme用软raid

[Mark @whcmark]

@geekbb 开启会有点卡顿，插件也不多。不知道有没改善。

[0x进击的水豚 @crypto_oldk]

🚨 Claude刚获得了实时股票价格、资产负债表、现金流量表和公司突发新闻的访问权限。

没有幻觉。没有猜测。真实的结构化财务数据。

它叫金融数据集MCP服务器，华尔街应该紧张了：

[GOLD @Honcia13]

年薪百万的律师和法务，也要开始慌了！

GitHub上这个 AI Legal Assistant，直接把合同审查拉到AI时代。
把合同扔进去，60秒出完整分析报告，5个Agent并行工作，硬核程度拉满：
📊 合同安全评分（0-100分）
🚨 风险仪表盘 + 条款分级（高危/中危/低危）
📝 每一条款用大白话解释，不用看天书般的法律术语
🔍 找出合同里缺失的保护条款
📅 义务时间线梳理——什么时候该做什么，一目了然
⚖️ 监管合规问题标记
🎯 优先级排序的谈判建议

还能一键生成：
NDA、保密协议、服务条款、隐私政策、商业合作合同等。
支持Claude Code，一行命令安装，Python 3.8+就能跑。

适合谁：
→ 自由职业者——接单前先扫一遍客户合同
→ 小公司——没有法务团队，AI先帮你初筛风险
→ AI自动化服务商——包装成交付给客户的工具

⚠️ 项目声明写得很清楚：不构成法律建议，正式签约前还是要找律师过一遍。但作为第一道筛查，够用了。

⭐ 182 | 🍴 72
🔗 https://t.co/6DlUcoUtOQ

[AYi @AYi_AInotes]

YC 刚刚扔出的这份创业指南，
直接把未来公司的形态重新定义了。

他们不是教你怎么用AI提高效率，而是告诉你怎么用AI重新发明公司。
因为AI不再是工具，而是公司的操作系统（OS）。

传统公司是“人驱动 + AI辅助”，
AI原生公司要彻底反过来：
让AI成为核心决策、执行和反馈闭环，把人力降到最低。

以下是YC笔记核心要点（逐条拆解）：
1. AI as Operating System
每一条工作流、每一个决策、每一个流程都必须流经智能层。正确的人 + AI，就能干以前整个团队的活。

2. Closed Loops Everywhere（到处都是闭环）
传统公司是开放循环：做决定 → 执行 → 结束。AI-native公司要把所有重要流程变成自调节闭环——AI持续监控、对比目标、自动迭代。

3. Make Your Company Queryable（让公司对AI完全可读）
所有会议自动记录，所有决策留下artifact（文档、日志、指标）。AI能查到的信息，和任何一个员工一样丰富。建立覆盖营收、销售、工程、招聘、运营的自定义仪表盘。

4. Software Factories（软件工厂）
人类只负责写Spec（规格） + 测试用例（定义什么是成功）。
AI Agent负责生成代码、迭代调试，直到所有测试通过。
已经有公司的代码仓库里没有一行手写代码，只有规格和测试框架。

5. No More Human Middleware（消灭人力中间件）
经典管理层级不再有意义。公司速度 = 信息流动速度，去掉一层人力路由，就直接提速。

6. 三种员工原型（引用Jack Dorsey）
• IC / Builder-Operator：每个人都是建造者，开会带原型而不是PPT。
• DRI（Directly Responsible Individual）：一人对一个客户结果负责，无处可藏。
• AI Founder：创始人必须亲自站在一线写prompt、调Agent。

7. Token-max, not Headcount-max
以前拼人头数，现在拼Token数。
愿意承受“看起来离谱”的API账单，因为它取代的是更贵、更慢的人力成本。工程、设计、HR、行政团队将大幅精简。

8. 早期公司的千倍速优势
没有遗留系统、没有臃肿org chart、没有几千人需要再培训。
你在白纸上直接画AI操作系统，大公司在Windows XP上强行装Windows 11，每一步都可能蓝屏。

最狠的一句话是：
“你无法把对这些工具的信仰外包出去。创始人必须亲自坐下来狂用编码Agent才能真正信服。”

最后总结：
过去20年软件吃掉了世界，接下来10年AI会吃掉公司内部的所有运营。

公司不再是人的集合，而是一个个自迭代的智能闭环的集合。

现在（2026年）就是最好的窗口。再过两三年，大公司完成痛苦转型后，这个优势会大幅缩小。

别再用传统方式搭公司了——你正在和速度是你一千倍的对手赛跑。

[Jackywine @Jackywine]

王自如的招聘标准
供大家招聘AI工程师参考