Codex 重置卡这个小设计，其实很聪明
一次用掉 Codex 重置卡之后的反思：最聪明的增长机制，往往是在用户感知收益和公司真实成本之间拉开足够大的差距。
Essays
随笔
按时间归档的公开笔记。当前显示 72 篇，可用标签收窄主题。
72
篇随笔
5
个月份
2026-07
最近更新
2026 年 7 月 3 篇
每个小孩都要看牙医，这正常吗
带女儿看牙时的困惑：为什么我们小时候没这么多问题，现在七成的 5 岁孩子都有蛀牙？是牙变差了，还是治多了？
中台应该主动重复造轮子了
和老板吃饭聊到中台到底该复用什么。AI 让造轮子的成本下来了，中台不必再把所有业务压进同一个统一产品，而是复用造产品的能力：底层统一、上层经验复用、中间允许业务重新造。
2026 年 6 月 17 篇
欧洲不是没有空调，是旧气候太成功了
欧洲今年这么热，却仍然有很低的空调安装率。真正的问题不是欧洲不够发达，而是它的建筑、能源、城市审美和生活方式，曾经太成功地适配了一个旧气候。
AI 时代，失败比成功更值得记录
AI 越强，我们反而越要认真记录失败。成功经验正在变得越来越容易被模仿，失败教训反而越来越稀缺。
穿风衣的“御三家”中转站：Sakana Fugu 编排模型的技术泡沫与现实分野
充值 20 刀手痒体验，打招呼烧掉 20%，建文件夹烧掉 40%。日本东京 AI 实验室新发布的 Fugu 模型背后，是一个关于编排泡沫、隐性计费与主权幻觉的现实故事。
大模型训练真无秘密了吗？地图、避坑指南与被浪费的算力
GLM-5.2、小米大模型与混元3.0密集开源，大模型训练是否真的没有秘密了？探讨顶尖人才溢出带去的“隐性图纸”与无路线图企业的系统工程鸿沟。
最危险的不是不用 AI，而是只会用 AI
会用 AI 的人会先超过不用 AI 的人，但只会用 AI 生产交付物的人，最终会被能用 AI 搭建闭环的人超过。
Loop Engineering 的真正问题不是 Loop
当 Loop Engineering 成为 2026 年 6 月最热的新词，我想说的不是循环，是判断。
（GLM 5.2 文风测试本文无信息量）中美 AI 差距：不是缩小，不是拉大，是分化
Fable 5 被封的 72 小时里，GLM-5.2 在同一时间点发布。这不是巧合，是宣言。但真正值得追问的是：GLM-5.2 怎么可能在这么短时间内追到接近 Opus 4.8 和 GPT-5.5 的水平？答案不是秘密武器，是四件公开武器的组合。
AI 的我执
一次技术排查让我意识到：AI 的专业感，会遮蔽人的策略判断。真正好的 Agent，应该有一种轻一点的自我。
Agent 越像高级工程师，越需要托付基础设施
Agent 变强之后，我并没有更放心。这跟带团队是一回事：能力够强了，但还没建立起那套让人放心的协作行为。
当智能开始需要护照
所以这件事最值得讨论的地方，不是某家公司被迫下线了某个模型，而是一个更底层的变化：智能开始需要护照了。
当 AI 会做事之后，人会重新想要对话
听同事讲到 Chat 和 CLI 两种 AI 模式后的一点思考：未来大众化的不是命令行界面，而是 Agent 式托付；未来小而美的不是聊天窗口，而是高信任深度对话。
Agent 编排，到底在编排什么？
读鸭哥的开源项目之后我突然意识到：AI 能力加入后，软件开发不再是流水线，更像组织运作。编排不再是排工序，测试不再是测交付。
AI 最反直觉的地方：它先改变体感，再改变利润表
群里有人问：大家每天用 AI 写 coding、做任务都很嗨，那到底赚到钱了吗？我的判断是，AI 不是没创造价值，而是它最先创造的是体感价值。商业系统真正能捕捉的，是可托付价值。
用户不再点功能的时候，AI Native 才开始
AI Native 不是 AI 比例问题，也不是模型调用次数问题，甚至首先不是架构问题。它是产品控制权的问题，是责任边界的问题，是用户从操作功能到委托结果的问题。
被封号的那十个小时
昨天中午 OpenAI 封了我的账号。十个小时后恢复了，但那十个多小时里我体验了一种从未有过的感觉：不是生气，不是焦虑，而是一种说不清的失落。它让我开始认真想：我们和 AI 的关系到底是什么？
别再迷信 Agent 框架了
Agent 能力真正的终局不是框架，不是 MCP，不是 prompt 技巧。它会回到模型的后训练和 trajectory 学习里。本文解释了为什么，以及这对 AI 从业者意味着什么。
额度收紧之后，才是真正学会用 AI 的开始
公司调整 AI 使用额度之后，我反而觉得这可能是 AI 使用进入第二阶段的开始：从敢用，走向会用。
2026 年 5 月 23 篇
先拿到 Beta，再谈 Alpha
多数时候，先拿到 Beta，比到处追 Alpha 更成熟。AI 时代尤其如此：通用能力交给成熟工具，自己守住业务判断和边界。
当碳基生命在削减中层的时候，硅基生命却在增加中层
人在拆层级，AI 在搭层级，方向相反，但都在找同一个平衡点。这道题其实很朴素：复杂任务要怎么在有限注意力下完成？
走远之后，还能看见门槛
读鸭哥一篇关于 Skill First 的文章后，我真正被触动的不是技巧本身，而是一个高手走远之后，还能不能回头看见别人脚下那一级门槛。
AI 应用的壁垒悖论：成也灵活，败也灵活
AI 产品越好用壁垒越脆弱。配置文件一改名就能迁移，新工具默认帮你搬家。这不是某一家的困境，是整个应用层的结构性矛盾。
当图文也开始让人累
一次群聊里的小变化：AI 生成的图文观点从新鲜变成疲劳。真正的问题不是文字好还是图片好，而是信息到底给谁消费、为谁降低成本。
需求不是聊清楚的，是跑清楚的
做评测平台时，我越来越觉得，AI-native 的第一步不是让 AI 写代码，而是让需求本身变成 AI 能参与、人能验收、组织能追责的工作对象。
学 AI，不是给大脑刷短视频
AI 时代最危险的一种幻觉，是把“持续接触新东西”误认为“持续成长”。
Deep Research 不够 Deep，不是因为它不够长
Deep Research 的浅，不是因为它搜索得不够多，而是它多数时候还没有自己的研究立场，也没有稳定理解用户的研究立场。Long Research 真正有价值的方向，是把研究变成一个可持续积累上下文、假设、反证和判断标准的过程。
AI 时代，给别人做东西反而更难了
AI 降低的是'生产一个功能'的门槛，但抬高的是'让一个功能被别人采用'的门槛。因为当每个人都有了生产能力，功能不再稀缺，信任才稀缺。
AI Coding 之后，中台要退到哪里？
做 Agent 评测平台的过程中，我开始重新想中台到底该站在哪一层。AI Coding 改变的不只是研发效率，而是中台存在的经济学基础。
AI 走进社会，才发现世界是个草台班子
当 AI 走进社会，才发现真实世界不是预训练大学，而是一座靠旧系统、口头经验、临时补丁和责任链维持运转的草台班子。未来的关键不是继续感叹落地难，而是建设让 AI 能在真实组织里可靠行动的控制面。
上下文主权：AI 时代，什么才算你的想法
上下文不是越多越好。AI 时代真正重要的，是分清什么是你的，什么只是你看过的。否则 AI 放大的不是你，而是平均值。
你的 SOP，正在偷走 AI 给你的红利
把 skill 当 SOP 写不是错，错的是把所有 skill 都当 SOP 写。模型每升一代，过程型 SOP 都在偷偷扣掉你本该拿到的智能红利。
AI Coding 越强，越要学会外包
AI Coding 越强，人越容易陷入什么都从零搭的错觉。真正该升级的不是执行能力，而是外包能力：把通用模块交给成熟工具，把人的判断留在问题定义、方案选择和结果验收上。
AI 提效的四个误区
跟一个 HR 聊完之后的四个判断：AI 提效的第一个问题不是要不要做 Agent，而是你到底需要什么。
用得越多，想得越少：AI 时代的认知退化悖论
161 天每日复盘之后的一个发现：AI 最大的诱惑不是它能做什么，而是它让你可以不做什么。问题不在用不用，在谁先动脑。
别用五年前的方法准备今天的面试：AI 时代最好的简历，是做出来的
面了 26 位暑期实习候选人之后的观察：AI 让"说"在贬值，"做出来的东西"正在成为这个时代最不可伪造的信号。
一个不存在的平台
中国没有 LinkedIn，不是因为没人尝试，而是因为一整套社会运行机制让这个品类失去了存在的理由。
循环的灵魂在循环之外
Codex /goal 和 Ralph Loop 功能描述几乎一样，体感天差地别。差异不在谁更强，在于它们解决的根本不是同一个问题。一个是验收型完成器，一个是持续搜索器。
让所有人都变聪明的工具，可能让人类集体变蠢
AI 模型互相训练，正在制造知识领域的近亲繁殖。人类文明从来在碰撞中产生，而 AI 正在让所有人想到同一件事。
RAG 没死，死的是你以为的那个 RAG
RAG 作为 demo 级技能在贬值，但作为企业级系统工程在增值。公司招的不是会搓 pipeline 的人，而是能解决合规、评测和 Agent 编排的人。
企业 Agent 的分水岭，不在云端和本地之间
企业 Agent 的分水岭，不在云端和本地之间，而在个人效率和组织能力之间。真正要画清楚的是上下文、权限、审计和执行四条线。
AI 时代，公司优势正在换地方
AI 时代，公司的优势不是消失，而是在换地方：从界面、人力和流程，迁移到模型能力、运营闭环、业务语义和验收标准。
2026 年 4 月 20 篇
OpenClaw 差成这样，为什么还能火
OpenClaw 的火，不是因为体验好，而是因为它把 AI 从聊天框推向了能替人行动的 agent。体验差不是反例，而是一个更大的产品信号。
AI 产品最怕的不是功能少，是主路径失守
从 Typeless 的使用落差说起：AI 产品最怕的不是功能少，而是主路径失守。传统软件的功能膨胀是 UI 债，AI 产品的功能膨胀更像智能债。
AI 是乙方，人类的新工作是当好甲方
AI 在工作流里不是工具，也不是员工，更像一个高吞吐、低摩擦、可反复返工的乙方。AI 越强，人越不能只做发一句 prompt 的甲方，而要学会做真正的甲方：讲清需求、写清验收、看懂过程证据、为结果负责。
Claude Design 不是设计工具，是所有岗位 Agent 化的样板
Claude Design 最重要的地方甚至不在设计。它演示的是：当模型能力足够强，产品的核心不再是给用户一个更强的编辑器，而是给 agent 一个更好的工作环境。所有垂直岗位都会被问同一个问题——你给 agent 搭好工作环境了吗。
Skill 不值钱之后，什么开始值钱
Skill 作为产品会自我消解，作为接口会重新分配价值。真正要研究的不是 Skill 怎么赚钱，而是它把哪部分知识变便宜之后，哪部分能力开始变贵。
AI 时代的团队知识库，不会再长成传统 wiki
AI 时代团队真正要维护的，不再是一份统一知识库，而是一套能在运行时塑造 Agent 行为的 Context Infrastructure。
把 Cursor 说成被 SpaceX 收购的人，错得不算离谱
把 Cursor 说成被 SpaceX 收购，事实层面不准确，但这个错法刚好暴露了一件更重要的事：AI coding 正在从工具竞争切到入口与基础设施竞争。
AI Labs 真正抢的，不是流量，是白领工资池
所有 AI labs 最后都在往同一个方向收敛：不是回答更多问题，而是接管更高价值的任务。真正的竞争，不是流量，而是白领工资池。
AI 味不是机器味，是平均值的味道
很多人以为 AI 味只是几个口头禅。更本质的真相是：它太像一个被训练得很好的优等生，努力完整、努力礼貌、努力不犯错，却越来越像平均值。
AI 时代的管理焦虑：不是怕被替代，是方向和执行粘在一起了
AI 时代管理层的焦虑，不是怕被替代。它的根源是一个更深的结构性问题：方向判断和执行经验，不能再分给不同的人了。未来需要的执行层，是能在模糊中找到方向、在执行中校准判断的人。
把工作流摩擦降到 0 之后，我对 AI+工程 的理解变了
一条四步工作流，我反复折腾了快一年，才真正把摩擦降到 0。最后让我过关的，不只是脚本写对了，而是我对 AI+工程 的理解变了。
LaunchDarkly 真正在卖的，不是 AI infra
LaunchDarkly 看起来很像 AI infra，但它真正值钱的，不是模型层，而是把 AI 系统上线后的控制权收回来。
AI 不是来替你查报表的
AI 不是来替你查报表的。它真正逼着企业重写的，是数据平台的职责边界。
知识管理最大的敌人不是遗忘，是维护
Karpathy 的 LLM Wiki 不是又一个笔记工具。他真正在说的是：知识管理的维护者问题，终于有人接手了。
AI 先压缩的，是研发组织里的信息中间层
AI 这轮先改写的，不是某个职位名字，而是研发组织里那些依赖信息差、串行流转和人工协调才能运转的中间结构。
真正贵的不是 token，而是低质量编排
Claude 收紧第三方 Agent 接入，表面上像定价争议，实质上是在逼整个行业面对一个更大的问题：真正贵的不是 token，而是低质量编排造成的浪费。
你改的那四份评语，就是手工版 RLHF
很多人以为自己只是在补 prompt，其实已经在做手工版 RLHF。真正高价值的，不是模型第一次写了什么，而是人后来把它改成了什么。
鞭炮绕坟头三圈，是敬还是不敬？
同样是清明祭祖，为什么北方更安静，南方更热闹？一个山东人在湖南邵阳听见鞭炮绕坟头三圈后，我更确定：差异不在敬不敬，而在我们想象祖先需要什么。
AI 最先吃掉的，不是行业，是中间层
AI 最先吃掉的，不是某个行业，而是那些主要靠信息中转、流量分发和规则执行赚钱的中间层。真正难被替代的，是情绪价值、身份认同、人际互动和责任承担。
校招不该只找"会用 AI 的人"
AI 时代的校招，不是在找最会用 AI 的人，而是在找 AI 替代不了的人——然后确保这些人也会用 AI。
2026 年 3 月 9 篇
错题集越厚，AI 为什么反而更容易做偏？
我越来越强烈地感觉到：给 AI 补太多错题集，并不会自然让它更稳，反而可能把它从‘完成任务’带向‘遵守约束’。真正该补的，不只是限制，而是完成定义、验收门槛和系统级工作流。
Pretext：当前端第一次把“文字”当成实时图形系统来控制
Pretext 不是一个普通的文字排版库，而是在浏览器里把‘文本测量’从 DOM 回流里拆出来，变成可缓存、可编排、可实时重算的基础能力。它让文本第一次有机会像图形系统里的几何对象一样，被前端开发者直接操控。
从 Ghostwriter 到 AutoResearch：Agent 真正的分水岭，是会不会自我优化
从 Ghostwriter 的多 agent 审稿回路，到 Karpathy AutoResearch 的自动实验循环，我越来越确信：未来真正有价值的 agent，不只是会做事，而是会围绕目标对象，在稳定评估下持续实验、保留有效变化，并把经验沉淀成下一轮能力。
Skill 不该越写越重
真正的问题不是 Skill 要不要写，而是它什么时候从能力沉淀变成流程负担。复杂 Skill 背后，往往不是 prompt 问题，而是 harness、评测与 knowhow 的问题。
个人的 Context Infra，应该怎么搭？
个人的 context infra，不是知识库，也不是一堆 prompt，而是给 AI 配的一套上下文基础设施：规则、记忆、痕迹和编排。
为什么 SaaS 产品都要变成 CLI + Skill
从飞书、钉钉近期动作出发，谈为什么 SaaS 产品会走向 CLI + Skill，以及数据分析平台与报表平台应该如何跟上。
真正重要的不是 Context，而是 Harness
从 Context Engineering 走到 Harness Engineering，真正重要的变化不是上下文更长了，而是 AI 开始拥有自己的记忆、技能和可进化的工作方式。
你的公理系统
从 153 篇日记里提炼出的个人操作系统：不是你说过什么，而是你一直在做什么。
Harness Engineering 调研
Harness Engineering 调研：从 OpenAI、Cursor 到 agent-first 软件工程系统。