聚焦在现有工作上用coding Agent去解决，是一条错误道路，人类已经把能吃的红利吃差不多了， 接下来就是无尽的人指令-agent执行-人指令-agent执行的iteration中逐渐迭代工作，很难把人从这种小幅度高强度反复的iteration中解放出来。 因为现有codebase不仅高度复杂，而且人的大部分命令都是高度模糊、 高度开放、高度自由、无法验证的命令， 场景也是高度开放、高度自由、无法在containers中直接测试跑一跑，必须在真实世界中获得反馈才能继续修改工作。 所以我最近半年一直坚持反复告诉大家： 1. 在现有所有大型科技互联网软硬件移动外包平台coding agent的红利很快就吃完，现有人类像唱山歌一样和claude code高强度一问一答的模式，就是短期内的最优解——像full self coding一样大量agent并行完成coding工作，不会带来更多的收益； 2. 在coding agent很快增长和红利消失的大前提下，人类如果想继续把AI Agent和multi agent的红利吃干抹净，必须持续找到有价值的新领域、新方向、新问题： A. 同时满足问题定义简单干净、环境封闭、非常非常易于verify、问题解决方案搜索空间巨大的复杂问题，让goal-driven( 前提是易于verify，必须用很低的成本去verify最终输出是否正确，保持持续验证这个criteria，给予正确的反馈和无限工作循环的核心条件，直到完整完成工作； B. 能够把multi agent的并行度吃干抹净，一次性1000个agent大批量初始化和启动，在一些setup中持续活跃，保持multi agent的可观测性， 除了openclaw时代就臭大街的各种爬虫以外，还有行为经济学、社会学、心理学、教育学、法学等等大规模试验，不由分说充足token，先初始化1000个agent模拟跑几天，观察一些初步结论； C. 就像我半年前说的价值10万刀的策略：把一切人类社会中遇到的所有问题，整理成文档、表格、图片、文字、structured data，让一些富有经验、富有memory的coding agent（就是claude code和codex本人）进行一步步解决， 你始终要明白，现阶段的头部coding agent已经足够复杂、 足够高级、机制足够完善，AI Agent已经经历了4~5轮工业革命，完善到整个industry其他任何生态和框架继续手搓的任何agent都像一个玩具，只要一个claude code/codex一个文件夹+一个docker/kubernete，就是未来一切企业和流程中的general agent； 3. 有一点几乎被所有人忽略，也是我近几个月意识到的问题。 在经典deep learning时代，一些产业对于经典neural network和baysian model有天然的不信任感和敌意，他们会非常激进、偏执地要求一切machine learning的模型尽可能地跟随可解释性、AI伦理、因果推断等等方向。 在AI Agent时代，越是激进使用的人，越是对AI Agent产出的代码、报告、分析、数据、结论产生严重的怀疑， 因此不只是GPT model需要superalignment，LLM Agent本身更需要superalignment，在Agent时代，superalignment的重要性会越来越高， 而且AI Agent产出和workflow的可解释性需求也会越来越高，最最基础浅表的就是各种问答chatbot的来源引用，今后其他越来越复杂的工作，包括coding本身，都会有可解释性的大量问题涌现， 一种方式是尽可能用formal verification或者prover的形式来自动化验证， 一种是用agentical的验证方式，就像人一样去用一个或者多个agent来反复review和challenge一项工作； 4. 还有一点很多人没想到，就是AI Agent会对人施加反过来的影响。 比如office出现后，普通人要求用office三件套来完成工作，office重塑了人类办公的基本流程和规范， 比如出现了google之后的早期，普通人要学会正确输入搜索关键词，把想问的问题拆分成正确的关键词，以获得正确query的结果（后来google反复做了优化，这个技能也逐渐不重要）， 比如social network出现之后，人们学会了全新的交友方式、social network的交友礼仪、聊天方式， 所以在AI Agent时代，人最重要的技能，没有之一，就是如何正确使用AI Agent、挑选正确的模型、使用正确的工具、组建正确的prompt、描述正确的问题、输入充足完备的信息、如何用goal-driven去构建一套dual-agent的简单无休止infinite-loop workflow， 一个不会正确定义问题、不会正确输入足够多的信息、不能让AI Agent在一个边界清晰的闭包问题中正确工作、持续工作的人，天天拿AI Agent当成无所不知的万能神、百宝箱、随机神、超人，除了问弱智问题，就是玩猜猜看、问宏大开放的无异议问题， 这种人大概率会被这个时代逐渐淘汰掉。

这些大厂ceo可能都还没意识到agent普及会带来什么变化，说28年缓解都完全太早了. 我们可以想象成跟个人电脑一样， 你可以只用一块gpu，cpu，但是日积月累你可能需要很多块存储卡，现在这个阶段所有人都保守来，现在的ai没有太强的自主性，你问什么它回答什么，制造数据的速度还不是非常快. 一旦ai普及过渡到agent阶段，那速度可能远超人类制造数据速度的百万倍，完全的自主性，无眠无休. 可能超越人类百倍千倍的输入速度，不断电不停止，单日的总输入输出量将会是现有人类的百万倍不止. 他们这些ai巨头老板还在以现在常规的一问一答形式的ai对话形式的来计算存储需求， 实际从开源agent助手clawdbot出现那刻开，最近几年的存储需求都要开始被重估. 你用gpt，用deepseek或者豆包gemini，他的存储需求在你短暂的一问一答后就结束了. clawdbot这种agent助手则完全不是，在你下达任务后，无眠无休24小时狂干，直到你上去检验满意为止. 这二者中间的数据量是天壤之别，唯一限制存储的就是物理世界的存储产能和与ai相匹配的电力了.

Token 经济与加密货币世界的 Tokenomics 有何异同？ 为什么要关注Token？因为它让AI变成了一种可以计量、定价和交易的资源——就像“千瓦时”让电力有了价格，“桶”让石油有了期货市场。有了Token，AI经济就有了可以算账的单位。围绕这个单位，目前也正在形成一套全新的经济逻辑：有价格、有供需、有产业链、有国际竞争、有待解决的制度难题。 这就是Token经济学要讨论的事。Token 经济与加密货币世界的 Tokenomics 有何异同？ 两个Token，两个世界 说起来，这个世界上真正混乱的事情不多，两个东西叫同一个名字却毫不相干，算是其中之一。AI的Token和加密货币的Token，就像两个叫”刘伟”的人，一个在北京开餐馆，一个在上海做期货，见面了也没什么好说的。雷锋与雷锋塔区别！ 但这两个Token，最近都很热闹。热闹到让很多人以为它们是一回事。 Token这个词，到底是不是新营销词 先得承认，Token这个词确实有被滥用的嫌疑。每隔几年，科技圈就会造出一批新词，让人觉得时代变了，其实换汤不换药。“大数据”火的时候，什么都往大数据上靠；”云计算”火的时候，什么都上云；现在轮到Token了。 不过这次有点不一样。Token不只是一个营销标签，它背后有真实的计量逻辑在撑场子。 就像”千瓦时”让电力有了价格，“桶”让石油有了期货市场，AI的Token做的是同一件事：把原本看不见摸不着的”智能算力”，变成一个可以算账的单位。有了这个单位，才能定价，才能比价，才能有产业链，才能有国际竞争。 所以Token不只是营销词，它是一把尺子。问题在于，AI这把尺子，和加密货币那把尺子，量的完全是不同的东西。 AI Token：一个从技术后台走到聚光灯下的计量单位 Token这个概念在计算机里其实由来已久。编译器做词法分析，早就把文本拆成一个个Token。网络安全里，身份验证令牌也叫Token。这些都是幕后工作，从没人觉得它有什么经济价值。 转折点在2017年，Google发表了那篇著名的论文《Attention Is All You Need》，提出了Transformer架构。这篇论文之后，所有大语言模型处理信息的方式都统一了：输入进来的文字，先被切成Token序列，模型一个个处理，再输出Token序列。Token变成了AI”思考”的基本粒子。 但这时候Token还没有经济属性，只是工程师内部的技术术语。 2022年11月，ChatGPT横空出世。这是个分水岭。 2023年3月，OpenAI推出GPT-3.5的API，第一次采用按Token计费。输入多少Token，输出多少Token，分别定价。那时候GPT-4的价格是每百万input token收30美元，output token收60美元，按今天的标准看，贵得像天价。 从那一刻起，Token从技术单元变成了经济单元。Anthropic跟上，Google跟上，国内百度、阿里、腾讯全跟上，全行业默契地采用了这套计费方式。Token成了AI服务的通用货币单位。 价格这三年掉得惊人。GPT-4刚发布时，每百万input token要30美元。 从2022年底到现在，GPT-3.5级别的模型使用成本从每百万token约20美元跌到了0.07美元，整整降了280倍。照这个速度，a16z记录的数据显示，LLM推理成本每年约下降10倍，堪称摩尔定律的重生。 便宜了有什么后果？后果是用量爆了。 这里有个经济学里的老故事，叫Jevons Paradox。1865年，英国经济学家Jevons发现，蒸汽机效率越高，煤炭消耗反而越多，因为效率降低了门槛，用的人更多了。AI Token正在重演这个故事。企业AI云支出从2024年的115亿美元涨到了2025年的370亿美元，整整翻了三倍，而这期间token单价跌了超过95%。 Google内部的token处理量在十八个月内增长了130倍。 越便宜，用得越多。越用得多，总账单越大。 这背后还有个推手，叫Agent。以前是人在问AI，AI回答，一问一答，token消耗有限。现在Agent出来了，AI在自动跑任务，自己调用自己，一次任务可以消耗几十万甚至上百万token。这不是线性增长，是指数级的爆炸。 2026年3月，黄仁勋在英伟达GTC大会上把”Token”这个词说了超过70次，把数据中心重新定义为”Token生产工厂”，把评价算力的核心指标从FLOPS换成了”每瓦Token数”。同一天，阿里巴巴把通义、千问、MaaS等板块整合，成立了Alibaba TokenHub事业群。Token经济，在2026年正式被主流商业世界承认了。 AI Token的上下游：一条新的产业链 AI Token经济的有意思之处，在于它重塑了整个产业链的逻辑。 上游是能源和芯片。每生产一个Token，都要消耗真实的电力和算力。英伟达的GPU是目前最主要的Token生产设备，黄仁勋把它卖给全世界的数据中心，本质上是在卖”Token生产产能”。能源成本直接影响token成本，这让AI经济和能源经济绑在了一起。 中游是大模型公司。OpenAI、Anthropic、Google、国内的百度、阿里、腾讯，都在这个位置。他们把算力和模型打包，按Token卖给开发者。这一层的竞争极其激烈，价格战打得很惨，但总量在涨，所以大家还活着。 下游是应用层。各种SaaS产品、企业工具、消费者产品，把Token的成本打进自己的定价里，再卖给最终用户。Token成本在企业财务里已经是刚性支出，和房租、人力一起躺在成本表里。 这和传统软件经济的逻辑不一样。以前软件卖出去之后，边际成本趋近于零，用户越多越赚钱。AI服务不是这样，每次用户交互都有真实的Token消耗，规模大了，成本也跟着大。这是一个全新的商业模式，整个行业还在摸索怎么把它算清楚。 加密货币的Token：从一枚Coin开始的故事 要说清楚加密货币的Tokenomics，得从更早的地方讲起。 2008年金融危机，全球对银行体系的信任跌到低谷。这个背景下，一个叫Satoshi Nakamoto的神秘人物发布了Bitcoin的白皮书，2009年Bitcoin网络正式上线。2010年5月22日，程序员Laszlo Hanyecz用一万个BTC换了两个披萨，这是比特币历史上第一笔真实商品交易。这笔交易现在被称为Bitcoin Pizza Day，那一万个BTC今天价值近十亿美元。 Bitcoin是一个Coin，有自己的区块链，规则写在代码里，总量2100万枚，靠挖矿产生，四年减半一次。这是最早的加密货币逻辑：用数学创造稀缺，用共识创造价值。 Coin时代的Token概念很简单：就是一种数字货币，用来存储价值和转账支付。Bitcoin是Coin，Litecoin是Coin，它们都有自己的链，规则各不相同，互不兼容。 然后Ethereum出现了，把整个游戏改了。 Ethereum的核心发明是智能合约。有了智能合约，任何人都可以在Ethereum上发行自己的Token，不需要搭建新的区块链。2015年，开发者Fabian Vogelsteller提出了ERC-20标准，描述了一套技术规范，让所有基于Ethereum发行的Token都能互相兼容，在各种钱包和应用里无缝使用。ERC-20在2017年正式实施。 ERC-20的意义在于，它把发Token的门槛从”搭一条链”降低到了”写一个智能合约”。2017年ICO浪潮中，过了5分钟就能发出一个新Token，中心化交易所上架新Token的时间也从几个月缩短到几天。 这就引发了2017年的ICO大爆炸。 2017年到2018年间，数千个项目进行了Token销售，ICO在2018年前三个月就募集了63亿美元，是2017年全年的118%。项目方写一份白皮书，发出Token，散户拿着ETH来换，钱哗哗地流进来。其中有真正想做事的团队，也有大量的骗局和空气项目。监管机构随后介入，SEC把不少ICO认定为非法证券发行，这场派对才逐渐收场。 但ERC-20打开的大门就再没关上。从那以后，crypto世界的Token不再是简单的数字货币，开始承载更复杂的经济功能。Tokenomics这个词，就是在这个背景下诞生的。 Tokenomics：加密货币世界的经济设计学 Tokenomics这个词，是Token和Economics的合体，研究的是一个加密项目怎么设计自己的Token经济体系。它包括发行总量、分配比例、释放节奏、通胀通缩机制、使用场景、持有激励……本质上是在回答一个问题：凭什么有人要买我的Token，买了之后为什么不卖？ 这些年发展出了几个有代表性的模型。 Governance Token模型是2020年DeFi夏天流行起来的。Compound和Uniswap在2020年普及了Governance Token，持币者拥有对协议方向的投票权，但没有直接的现金流权益。用白话说，就是持Token可以投票，但不能分钱。这个模型一开始很流行，因为绕开了监管对”证券”的定义，但后来大家发现，一个没有经济权益的治理权，价值有多大，很难说清楚。 veToken模型是Curve Finance搞出来的，后来影响了一大批DeFi协议。ve(3,3)模型是Andre Cronje在2021年1月提出的，融合了Curve的Vote Escrow机制和OlympusDAO的(3,3)博弈论。基本逻辑是：把Token锁仓，换成veToken，锁仓时间越长，获得的veToken越多，投票权和协议收益也越大。这个设计试图解决短期投机者砸盘的问题，鼓励长期持有。Curve用这套veCRV模型吸引了大量流动性，成为DeFi里流动性最深的DEX之一。 Deflationary模型是Bitcoin开创的，很多项目跟进。通过限制总量、定期销毁，制造通缩预期，支撑价格。以太坊在EIP-1559之后，每笔交易都会销毁一部分ETH，使得ETH在高使用量时期变成通缩资产。 这些模型各有各的玩法，但有一个共同点：它们的价值都依赖于市场共识。没有人相信，Token就没有价值。这和AI Token完全不同，AI Token的价值是真实算力消耗在背后撑着的。 两个经济体，两条路 说到这里，可以把这两个世界放在一起看了。 AI Token的产业链是垂直的、中心化的。英伟达造芯片，云厂商建数据中心，大模型公司训练模型，应用公司调API，最终用户买服务。每一层都是真实的成本和真实的价值。Token是计量单位，不是资产，用了就没了，没有任何金融属性。整个产业链最终服务的是实体经济，帮企业提升效率，帮开发者造产品。 加密货币的产业链是网络化的、去中心化的。矿工或验证者维护网络安全，协议层发行和管理Token，持有者通过投票参与治理，投机者在二级市场买卖。Token本身是资产，可以转让，可以交易，有金融属性，价格由市场供需决定，和外部实体经济的关联相对间接。 两套经济体，两条独立的价值链，两种完全不同的生态。 当然，有人在尝试把两者融合：用区块链来做去中心化的AI算力网络，把AI服务的计费和分润用Token来结算。Bittensor、Render Network、IO net都在这个方向探索。这是第三条路，但无论走到哪里，它骨子里仍然是加密货币的Tokenomics，只是应用场景叠加在了AI上。 有一件事可以确定：这两个Token，同名不同命。一个在工厂里量产，一个在市场上流通；一个代表消耗，一个代表持有；一个撑着AI产业的运转，一个撑着加密世界的信仰。 名字一样，生意不同。就像那两个都叫刘伟的人，一个卖的是饭，一个卖的是梦。饭是真实的，梦也未必是假的，只是得分清楚你在做哪笔买卖。 #AI# #AIAgent#

求职系列（1）：如何准备一份让面试官想面你的简历 最近又到了春招和暑期实习招聘季，有不少同学找我咨询简历和面试的问题。 先说说我的背景：在职大厂工程师，从实习、校招到社招，累计面试超过上百场。给几十位同学做过模拟面试和求职辅导，现在在牛客上还能搜到我的号（安妮的心动录），校招时拿下了多个大厂的 offer，最近在看新机会，社招通过面试率也超过 90%。 这些数字不是用来装的，是用来告诉你：接下来说的东西，全都是亲身总结出来的真本事，放在别人那里是可以拿去卖课的。 同样的话我重复说了太多遍，决定把整套求职心得整理出来开源，帮到更多的人。 这是求职系列的第一篇，聊聊简历。 简历的本质 很多人把简历当成个人信息登记表来写。教育经历、工作经历、技能列表，从上到下老老实实填一遍。 但你想想，面试官看一份简历平均花多少时间？绝对不到10秒。 10秒，他要决定你值不值得花一个小时聊。 所以你的简历不是一份档案，它是一份销售文案。 它唯一的目的就是在10秒内让面试官得出一个结论：这个人好像很厉害，我想面面。 所有的技巧都围绕这一个目标展开。 1️⃣ 只能有一页 不管你有多少年经验，不管你做过多少项目，简历只能有一页。超过一页的简历，面试官大概率不会翻到第二页。 一页纸的限制会逼你做一件极其重要的事：筛选。你不得不砍掉那些可有可无的内容，只留下最能证明你价值的部分。这个筛选过程本身，就已经在帮你梳理自己的核心竞争力了。 如果你觉得一页放不下，说明你还没想清楚自己最值钱的东西是什么。 2️⃣ 一行一句话，一句话一行 这是排版层面最重要的原则。 每一个点尽量只写一句话，并且尽量这句话不换行，在一行内说完。 面试官扫简历是跳着看的，如果一个要点写了三行，他大概率只看第一行的前半段就跳过了。 一行一句话还有一个好处：强迫你精简表达。 如果一句话说不完，说明你要么没提炼出重点，要么塞了太多细节。 3️⃣ 最亮的点放在最前面 大部分人写简历按时间倒序：最近的工作排第一，然后依次往前。 这在大多数情况下没问题。但如果你有一个特别亮眼的经历，哪怕它发生在三年前，打破时间顺序，把它放到最前面。 面试官的注意力在前5秒最集中。前5秒他看到了什么，决定了后面5秒他是继续看还是扔掉。你最强的武器必须第一时间亮出来。 比如你大二做过一个开源项目拿了几百个 star，但后来的实习经历平平。那就把那个开源项目提到工作经历前面。 规则是死的，说服力是活的。在必要的时候，请你主动站出来，让我看到你的优秀。 4️⃣ 量化一切，遵循 STAR 法则 每段经历都用 STAR 来组织： -Situation：什么背景 -Task：你负责什么 -Action：你做了什么 -Result：结果如何，用数字说话 举个例子 -坏的写法：负责服务端性能优化，提升了系统性能。 -好的写法：主导核心接口性能优化，P99 延迟从 800ms 降至 120ms，QPS 提升 5 倍，直接支撑了 10 万级并发。 同样一件事，第二种写法的信息密度和说服力碾压第一种。没有数字的作为论据，在面试官眼里就是空气。 每段经历的 bullet point 控制在 1-5 个，最多不超过 5 个。太多了面试官不会看，太少了显得没做什么事。 5️⃣ 不要堆技能列表 很多人简历上专门有一栏 Skill Set，列了一排技术名词：Java、Python、MySQL、Redis、Kafka、Docker、Kubernetes…… 大部分面试官看到这种列表的反应是：所以呢？ 列了20个技术名词，我不知道你哪个精通哪个只是了解，不知道你在实际项目中怎么用的，不知道你解决了什么问题。这就是一堆没有上下文的关键词，毫无说服力。 更好的做法是让项目经历来证明你的技能。你写了一个高并发系统用了 Redis 做缓存、Kafka 做异步解耦，面试官自然知道你会这些。而且他知道你不是停留在知道的层面，你是真正用过、解决过问题的。 技能列表可以保留，但只作为补充，不要指望它帮你加分。 因为同一个岗位大部分候选人的skill list都是高度趋同的，所以很难通过skill list脱颖而出，它更多的作用是过机筛，以及充当一个背景板（校招、实习除外）。 6️⃣ 不要写空话，要有论据 简历里最常见的废话： -自驱力强 -学习能力强 -团队协作好 -责任心强 面试官每天看几十份简历，每一份都写着这些。你写了和没写一样。 空洞的形容词没有任何信息量。 加上论据： -自驱力强，半年减重 50 斤。 -自驱力强，非科班出身自学编程拿到大厂 offer。 -自驱力强，工作之余坚持技术博客输出，累计阅读量 10W+。 一个具体的事实胜过一百个形容词。 7️⃣ 埋钩子 简历上不要把一件事说得太详细。要留白，让面试官好奇。 比如你写：主导 XX 平台架构设计，上线一周用户数突破 1000+。 面试官看到这行，自然会想：怎么做到的？架构怎么设计的？遇到了什么挑战？ 这个好奇心会驱动他在面试时主动问你这个问题。而这个问题，恰恰是你最擅长回答的，因为你做过。 好的简历是一个钩子矩阵。 每一行都在埋一个问题，每个问题你都有准备好的深度回答。你在用简历引导面试官走你的剧本。 8️⃣ 实事求是 这一条听起来很基本，但很多人做不到。 有些人为了让简历好看，把别人做的事写成自己做的，把参与写成主导，把了解写成精通。 短期内可能骗过简历筛选，但面试官一问就穿帮。你说你主导了一个系统的架构设计，面试官问你为什么选 A 方案而不是 B 方案，你答不上来，当场社死，面试通过率骤降。 实事求是不是软弱，是自信。 做得好的地方大方展示，做得不够好的地方也坦然面对。面试官更看重的是你的思考过程和成长潜力，而不是你是不是每件事都做到了完美。 一个项目的 well done 和 bad done 都说出来，反而体现你有复盘意识和自我认知。 9️⃣个人总结怎么写 个人总结很重要！很重要！很重要！并且推荐写！推荐写！推荐写！ 很多简历的自我评价写得像小学生作文：热爱技术、积极向上、吃苦耐劳，这种话跟没写一样。 个人总结只写三句话： 第一句：你在行业或专业上取得的结果。比如大厂 T7 工程师，开源项目 500+ star，某个方向的技术专家。用事实建立第一印象。 第二句：你是一个什么样的人，带论据。比如坚持每天阅读一小时，累计阅读时长 500 小时以上。比如投资年化收益 30%+，具备独立的判断力和风险管理能力。 第三句：你未来想成为什么样的人。这句表达你的方向感和成长诉求。比如希望在 AI Agent 方向深耕，成为该领域的核心开发者。 三句话，过去、现在、未来。面试官 10 秒扫完就能对你形成一个清晰的画像。 最后 把你的简历拿出来，对照上面的每一条检查一遍。 -超过一页了吗？砍。 -有没有量化？没有数字的经历，删掉或者补上数字。 -有没有空话？每一句自我评价都问自己：我有论据吗？ -最亮的点在哪？它是不是在简历的第一屏？ 简历不是写给自己看的。它是你递给面试官的一张名片，只有 10 秒的生命。 在这 10 秒内，让他觉得你值得花 60 分钟来聊。这就够了。

DLsite又來發福利啦！ ！ ！ 之前的有獎調研活動，目前回答已經過半噜～大家的XP我已經了解的差不多啦(⁄ ⁄ ⁄ω⁄ ⁄ ⁄)⁄ 現追加一組答應大家的去外套照片～ 希望大家可以多多幫忙填寫問卷🥹完成回答dlsite，也會有好禮相送！ ！ 還沒有參加的小伙伴可以點擊：

为什么 FAQ Bot 在社区长大之后一定会失效 跟不少做社区运营的朋友聊过，大家的标配基本一样：一个文档站、一个置顶 FAQ 频道、一个关键词匹配的 bot。 配置齐全，该有的都有，但每天还是有一半时间在回答重复问题。 之前我以为这就是个人力问题，多招几个 mod、把文档写得更好、置顶帖钉得更多就能解。 后来发现不对，连文档做得很扎实、有专职社区经理的团队，Discord 过了几千人之后都会撞上同一堵墙。 直到看了 Lucius AI 的做法，想通了一件事：大部分社区不缺答案，答案散落在文档、历史消息、团队成员的回复里，到处都有。真正缺的是一个东西能把答案、提问的人、提问的方式、以及这个人上个月问过什么串起来。 Lucius 做的就是这件事。它从社区真实对话里学习，记住每个用户的交互历史，能回答的就答，没把握的就带着完整上下文转给真人。社区团队的角色就变了：从"每个问题的第一响应人"变成"审核 AI 已经处理的结果，只接手难题"。 FAQ “bot 为什么会随着社区增长失效，”这个问题我想了一段时间才看清楚。 FAQ bot 在问题可预测的时候好使。"怎么重置密码？"关键词一匹配，答案弹出来，完事。但社区长大之后，问题就不是这么干净了。 有人报 bug 说的是"又崩了"，有人甩一张报错弹窗的截图，自己都不知道什么意思。还有人问的其实是另一个功能，但用了一模一样的关键词。做过 5000 人以上 Discord 社区的 mod 都见过这种场景。 关键词匹配扛不住这种语义多样性，但更深层的问题是 FAQ 是静态的。 产品发了新版本，定价改了，一个已知 bug 修了。FAQ 里的答案还是旧的，没有谁有精力每周更新 50 条 FAQ。 于是循环就来了：bot 给了一个过时的答案 → 用户更困惑 → 用户 @ 真人 → 真人被淹没在本该自动化的重复劳动里。bot 干活不行吗？不是，是这份工作本身定义错了，预写好的答案跟不上一个活的社区。 翻了 Lucius 的文档之后，我注意到三个差异 Lucius 不完全靠预写内容。它从社区真实对话里学习，同时也会消化你提供的知识源：FAQ 文档、帮助中心文章、SOP、定价页、更新日志。 具体拆开说： ·它从你社区的真实对话里自建知识库。 Lucius 会观察频道里发生的事。团队成员在 Discord 里给了一个高质量回答，Lucius 会把它抓下来、存起来，下次类似问题出现直接用同样的逻辑应对。你还是需要喂给它已有的文档和 SOP 作为基础，但系统会不断把真实交互数据叠加上去。 ·它记得每个用户问过什么、什么时候问的。这是它跟普通 chatbot 的本质区别。Lucius 跨对话保留交互历史，一个用户几周前问过的问题，会影响今天它怎么回答这个人。大部分 bot 把每条消息当作从零开始。 ·它知道什么时候该闭嘴，没把握的时候 Lucius 不会瞎编。它会把对话上下文打包，转交给真人。你的 mod 收到的不是一句"有用户需要帮助"的通知，而是附带完整历史的 brief。真人处理完之后，Lucius 会从这个处理结果里学习，下次同类问题自己搞定。 ⚠️ 这一点比大多数人意识到的更重要：AI 客服工具最大的翻车模式就是"信心十足地给错误答案"。Lucius 把"知道什么时候不该回答"当成核心设计原则。对 B2B、SaaS 和任何在乎品牌信任的社区来说，光这一个功能就值回票价。 我自己跑了一轮实测，光看文档和案例说服力有限，我直接建了一个测试 Discord 服务器，把 Lucius 接进去自己跑了一遍。 测试方法：喂了一份 10 条 FAQ 的虚构产品知识库（一个叫 ZhouEdit 的 AI 字幕工具），然后用不同类型的问题去测它的反应。 测试 1：换措辞提问 知识库里写的是"字幕识别不准的常见原因：背景音乐太响、多人说话、音频质量差"。 我故意换了个说法问："字幕生成出来一堆错别字怎么办" Lucius 的回答：准确命中了知识库里的内容，给出了三个原因 + 建议上传更清晰的版本 + 提到 Pro 用户可以开 Enhanced Mode。还主动补了一句"生成后也可以手动修正"，这条信息来自知识库里另一个条目（Q6 编辑字幕），它自己做了关联。 没有瞎编，而且把散落在不同 FAQ 条目里的相关信息整合到了一个回答里。这是关键词匹配 bot 做不到的。 测试 2：模糊问题 我问了一句特别泛的话："这个东西怎么用啊，有详细教程吗" 如果是普通 FAQ bot，这种问题要么匹配不上任何关键词直接沉默，要么随便吐一条最热门的 FAQ 出来。 Lucius 的反应：它没有说"我不知道"，也没有随便糊一个答案。它直接从知识库里抽取了完整的使用流程，整理成 4 个步骤（上传视频 → 自动生成字幕 → 编辑修改 → 导出），每一步还带上了具体参数（支持格式、文件大小限制、导出格式区别）。 等于它自己从 10 条分散的 FAQ 里组装了一份迷你使用指南。 这两个测试验证了前面说的核心差异：Lucius 理解语义而不是匹配关键词，而且能把知识库里不同条目的信息关联整合。 测试规模很小，10 条知识库和几个问题不能代表万人社区的真实负载。但至少在语义理解和知识整合这两点上，表现是实打实的。 大多数人没看到的价值，如果只把 Lucius 当客服工具看，会漏掉第二层价值。 用户每天在社区里提问和抱怨。Lucius 自动归类这些内容，时间一长，规律就浮出来了，每日摘要会把社区里真正发生的事情推给你，不需要任何人手动整理。 传统做法是社区经理每周手动写一份反馈报告，慢、不完整、人累死。 Lucius 生成结构化的每日摘要：高频问题、新冒出来的 bug 反馈、按出现频次排序的功能需求。社区直接变成一个被动运转的产品反馈系统。不需要手动报告，不需要没人看的周报。 最重要的 Lucius 支持跨平台覆盖：Discord、Telegram、Slack、飞书、Web Widget，Lucius 都支持，知识库跨平台共享。 要注意的是：不同平台的接入复杂度不一样。Discord 和 Telegram 比较简单。飞书和 Web Widget 需要更多配置，包括加代码。不算大问题，但别指望每个渠道都是一键接入。 支持渠道喂养知识库，知识库喂养每日摘要，每日摘要喂养产品决策。全自动，全跨平台。 这就是它超出客服工具的部分。 你可能会问的几个问题 Q：跟普通 chatbot 到底有什么区别？ 传统 chatbot 靠决策树和关键词，问题一旦超出预设范围就死机。Lucius 理解上下文、从真实对话学习、不确定时转给人。官方定位是"社区运营的 AI 队友"，不是 chatbot，这个区分是真实的。 Q：部署前需要准备什么？ 需要。Lucius 可以从真实对话学习，但官方文档建议提前准备好你的 FAQ、帮助中心内容、SOP、定价信息和更新日志。把它当成给你的 AI 队友做一次正式的入职培训，而不是直接扔进群里让它自己摸索。 Q：会不会乱说话搞砸品牌形象？ Lucius 的设计逻辑是"宁可不答也不乱答"。超出它信心范围的问题，它会带着上下文转交给真人。然后从真人的处理结果里学习。这个风险模型和那些信心十足地给过时或错误答案的 bot 完全不一样。 Q：适合什么类型的社区？ 最适合的是有真实支持需求量的产品社区：SaaS、AI 工具、游戏、Web3、创作者平台。任何有大量重复性产品问题的社区都合适。如果你的社区主要是闲聊、支持需求很少，ROI 的算法就不一样了。 一句话说完：FAQ bot 失效是因为答案会过时、用户提问方式千变万化、上下文会丢失。Lucius 能用是因为它从真实对话学习、保留记忆、不确定时交给人而不是瞎猜。 如果你的社区增长速度已经超过团队能 cover 的速度，Lucius 值得看一眼。 在做社区运营的兄弟，评论区说说你们现在用什么工具，好奇大家实际跑通了什么方案。 #LuciusAI# #AIAgent# #Discord#

最可怕的不是他5个月32倍，是他把投研这件事外包给了AI 最近X上有个很火的美股交易员👉，「前 RISC-V Foundation 成员，AI 研究科学家；现在的工作是——交易那些没人注意到的瓶颈。」 看起来就是一个喜欢在网上吹牛的散户，对吧？直到我看到了他2026年5月晒出的那张收益截图。 2026年至今（5个半月）：+3,152.77%。 不是32%。是32倍。 而且这已经是「回撤之后」的数字。他在2025年7月才注册这个账号，到2025年底的半年里已经做到了630%的回报。 他买了23只股票。没有一只涨幅低于100%。涨得最多的那一只，翻了84倍。 如果你2026年1月1日给他1万美金，到5月20日，你可以拿回32.5万美金。10万进去，325万出来。 涨得最少的一只，翻了一倍。涨得最多的那一只，翻了84倍。 所以我把他这几个月的推特全部扒了一遍，发现这个人不是传统意义上的「基本面研究」。 他做的事情，我称之为—— 「AI驱动的全球供应链瓶颈套利」。 👉23只股票，23次提前预知市场 这23只股票有一个共同特点：它们都不是什么明星股，全是你可能从没听过名字的公司。 但恰恰是这些没人注意的公司，每一只都精准地卡在AI产业链的「咽喉」位置——一旦断货，整个行业都得停下来等。 他看的是更底层的问题：如果AI继续扩张，哪一环会先不够用？ AI产业链的第一层瓶颈，比如GPU、HBM、电力、数据中心，已经被所有人盯烂了。真正能出超额收益的，往往是第二层、第三层：光模块、激光器、InP衬底、SOI晶圆、外延设备、晶圆级测试、IC载板、特殊玻纤。 最典型的是 AXTI。Serenity 在 Reddit / WSB 上发过一篇很夸张的帖子，把 AXTI 写成整个西方AI建设的“单点故障”：不是因为它名字响，而是因为 InP 衬底和上游材料卡在光通信、硅光、CPO这条线上。 👉他到底怎么实现的：普通人用AI看研报，他用AI制造研究差 很多人一听“AI投资”，脑子里想的是：问ChatGPT买什么股票，问DeepSeek这家公司好不好，问Perplexity总结一下财报。 这基本没用。因为同一个问题，所有人都能问，所有人都能得到差不多的答案。Serenity 的用法更像是把AI当成一整个投研助理团。 1. 先让AI拆产业链，而不是让AI推荐股票 如果全球AI数据中心继续扩张，从GPU、HBM、网络、光模块、衬底、外延、测试、封装、PCB、玻纤到电力，分别会卡在哪里？这个问题一变，答案就完全不一样，你会得到一张产业链地图 。 2. 再让AI沿着每个环节找供应商 比如你拆到光通信，就继续问：光模块里最难扩的是哪一段？激光器供应商有哪些？InP衬底谁供？外延片谁做？这些公司是上市公司吗？市值多大？过去有没有进入核心客户供应链？ 3. 然后让AI做交叉验证，而不是只听一个故事 这个瓶颈会不会被替代？这家公司有没有产能？客户有没有验证？收入什么时候可能体现？有没有被稀释风险？有没有地缘风险？有没有管理层问题？估值是不是已经透支三年？ 真正值得学的是问题 。 Serenity 这件事给普通人最残酷的提醒是：AI没有让投资变简单，AI只是把“研究量”的上限抬高了。 他的核心方法论可以压成五句话： 先确认超级趋势，不在小风口里找幻觉。 把趋势拆成物理供应链，不停留在概念层。 找第二层、第三层瓶颈，不追已经被充分定价的龙头。 用AI扩大检索、整理和反证能力，不让AI直接替你拍脑袋。 最后用人的产业理解和风险纪律决定仓位，而不是让模型替你冲。 Serenity在字典上是「宁静、安详」。 真正的宁静，不是不关心外界。而是当整个市场都在为「英伟达又涨了」而喧嚣、为「某某概念又火了」而狂热的时候——你却安静地坐在那里，看着一张全球供应链的地图，思考一个问题： 「如果AI继续扩张——下一个会被卡住的环节，在哪里？」 这个问题，才是他5个月32倍的真正秘密。

科學家心想：「打東東是什麼？」於是問第二隻企鵝：「企鵝，你每天都在做什麼？」 企鵝說：「吃飯、睡覺、打東東。」 科學家問到第九十九隻，答案都是一樣的，直到問最後一隻時………。

一图看懂：段永平认为不适合投资的四种人 段永平在投资分享中多次强调，真正的投资需要匹配特定的认知与心态，以下四类人，在他看来并不适合参与投资： 01. 现金流焦虑者 段永平认为，现金流焦虑者不适合投资。这类人的核心特点是缺乏 “闲钱 + 闲心”，时刻担心失去稳定收入，根本无法承受投资市场的正常波动。 他解释道，投资本质上是一场长期游戏，必须用 “一辈子都用不到的钱” 来参与，一旦资金有短期用途，市场波动就极易引发恐慌性的非理性决策；同时，这类人往往缺乏规划个人财务安全的能力，也很难沉下心去理解复杂的企业价值。 对此，段永平的建议是引用巴菲特的名言：“若不能承受股价下跌 50% 而不惊慌，就不适合投资股票。” 没有足够的财务安全垫和心理承受力，盲目入场只会被波动吞噬。 02. 认知懒惰者 段永平直言，认知懒惰者也走不通投资这条路。这类人总在追求 “标准答案”，张口就问 “买哪只股票”，却从不愿意花时间深入研究企业的真实价值。 他曾举过一个经典案例：2013 年茅台股价大跌时，有人跑来问他能不能买，他反问对方是否研究过茅台的财报、酒厂运营和库存情况，结果对方只凭 “听说茅台好” 就想入场，在段永平看来，这根本不是投资，只是赤裸裸的投机。 段永平的核心观点非常明确：投资必须建立在深度认知之上，靠抄作业永远学不会长期投资的本事。 不愿付出思考成本，就不可能在市场里赚到认知的钱。 03. 投机客 在段永平的投资哲学里，投机客和真正的投资者有着本质区别，而投机客注定难以长期成功。这类人眼里只有短期价格波动，完全无视企业的长期价值。 他清晰地区分了两者：投资者关注的是企业未来现金流折现，比如买苹果股票会去研究它未来 10 年的发展逻辑；而投机客只想着猜测短期价格涨跌，比如跟风炒作元宇宙概念股，本质是在赌运气而非做投资。 段永平多次警示投机行为的危险：杠杆交易就像 “背着炸药包走进火药库”，一旦行情反转就是灭顶之灾；做空机制看似能赚快钱，实则看对最多赚 100%，看错可能亏损无限；频繁交易更是会不断消耗认知，长期下来还会被高额手续费慢慢侵蚀利润。 04. 情绪失控者 段永平最后指出，情绪失控者同样不适合投资。这类人心理素质极差，面对市场波动时，很容易陷入自我怀疑、逃避甚至崩溃的状态。 他把市场比作一面镜子，认为它会清晰地反映出一个人的认知与性格：心理强大的投资者能冷静分析错误、及时调整策略，而心理脆弱的人往往在涨跌面前束手无策，要么追涨杀跌，要么割肉离场。 段永平的建议是：投资最终比拼的是心理素质，必须始终保持冷静与理性。 管不住自己情绪的人，永远无法在充满不确定性的市场里立足。 总结： 段永平反复强调，投资需要四个核心前提：足够的闲钱、深度的认知、长期的视角和强大的心理素质。缺乏这些特质的人，即便短期靠运气赚到钱，最终也很难在投资市场里持续成功。