偏"可用 + 可迭代"的东西：能上线、能演示、能复用。
把儿子的扫描科学卷自动切题、OCR 成题库，再做成手机上可直接练习的小应用。当前版本已生成 55 个题目切图，适合家长辅助使用。
操控龙虾发射子弹打碎页面文字：基于 Pretext 文本引擎的趣味交互实验，支持键盘/鼠标/长按散射。
AI 人脸识别 + 面相判词互动小游戏：五维特征分析、20-30 字吉利判词。
实时语音转写与总结：把碎片化口述变成结构化记录。
极简摄影分享页：瀑布流作品墙 + 标签/搜索筛选 + 假上传交互（演示版）。
家庭航班关怀页：聚合深圳↔济宁航线的航班状态、天气与模拟飞行位置，适合手机查看。
多模型 AI 对话应用：支持模型列表、标题生成与聊天接口联调。
基于大 Agent + 子代理架构的知识库优化工具：上传 QA 文件，自动生成多种问题变体，提升知识库召回覆盖率。
原生静态展示站：极简设计、无构建依赖，展示家居风格与空间灵感（北欧/现代/侘寂等）。
输入主题一键生成上联/下联/横批与解释，并支持海报图生成与下载，适配手机端体验。
王氏家族纪念站：承载家族故事、纪念内容与线上浏览体验。
记录一些关于产品、工程和 AI 的思考。
Claude Design 不是 Anthropic 跨界做了一个 Figma 竞品，它更像是把 Claude Code 那套工作架构，换了一个介质，搬到了视觉设计里。未来每个岗位都会长出自己的 agent harness——今天是设计，明天是 PM、运营、销售、法务、财务、投研、客服、HR。
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。
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，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。
OpenAI、Anthropic、Google 表面上还在讲不同的产品故事，底层真正抢的却是同一件事：不是让你多问几个问题，而是替你把更贵的工作做掉。
各行各业的管理层都在焦虑，程度明显超过以往任何技术变革。根源不是"AI 会替代管理者"，而是"定方向"和"做执行"不能再分给不同层级的人了。
大家以为 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。
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。
它不负责模型推理，也不替你编排 agent。LaunchDarkly 真正值钱的地方，是把 AI 系统上线后的控制权收回来。
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。
很多团队还在想着怎么把报表接给 Agent。我越来越觉得，这轮变化真正逼着企业重写的，不是数据入口，而是数据平台的判断力。
这轮变化最值得警惕的，不是“AI 会不会写代码”，而是 agent 正在先压平研发组织里靠信息差、串行流转和人工协调维持运转的中间结构。
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：真正贵的不是模型，而是低质量编排造成的系统性浪费。
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。
同样是祭祖，为什么北方怕惊扰先人，南方却怕不够热闹？从一次山东人在湖南扫墓的错愕出发，重新理解中国人面对逝者的不同方式。
与其问哪个行业会被 AI 替代，不如先问这个行业到底靠什么赚钱：是信息中转和规则执行，还是情绪价值、身份认同和责任背书。
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。
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 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。它厉害的地方，不只是快，而是让文字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 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。
很多 Skill 最后都会从能力沉淀变成流程负担。真正该优化的，往往不是继续把 Skill 写厚，而是补齐 Harness、评测与 Knowhow。
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。
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，以及持续更新自己的机制。
从飞书、钉钉近期动作出发，拆解 SaaS 为什么会走向 CLI + Skill，以及传统数据分析平台和报表平台该如何跟上；同时明确反对 SaaS 厂商重度重做一个类似 Claw 的通用壳子。
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。
把 OpenAI 的 harness engineering、Cursor 的 self-driving codebases 与 agent evals 串成一张图：agent-first 软件工程到底在搭什么底座。
很多问题不是"不会做"，而是缺一个能跑通的最小闭环。先交付一个可演示版本，让系统开始产生反馈，迭代才有抓手。
我更相信「系统性推进」而不是「一次性完美」。当目标很大时，第一步的价值不是写出最正确的方案，而是做出一个可以运行的版本。
跑通之后，再去优化体验、性能、结构。否则优化的是空气。
真正有价值的不是"问一句得到答案"，而是把输入、约束、交付和复用串成一条可重复的流水线。
当你把 AI 当成产品的一部分，它就需要具备：
所以我更喜欢做"带流程的工具"，而不是做"单点 demo"。
