好久没有给大伙同步 Kaku 的更新了，这个是我过年期间基于 wezterm 深度魔改定制的一个 AI 友好默认好看性能很棒的开源 Mac 终端。 当前累计迭代了 23 个版本，从最开始的很简单，变得现在看着很简单，但是功能越用越顺手的感觉，也补充上了官网，加上了友好的使用文档，我平时把他当做我的主要工作站，相比 GUI 我现在还是喜欢 TUI，因为简单干脆，所以我的开源产品以及 Mole 差不多90%的代码是通过 Kaku 终端来实现的。 最近开始用云端服务器部署一些自己的东西，终于完善了一下 ssh 的使用，包括最近一个月借助 fabel 5 来优化了不少 Rust 底层渲染的性能，启动速度快了很多，然后我比较习惯一个项目一个tab，tab里我会使用快捷键分层两屏，这样一边codding，一边测试一些东西，非常方便，然后几乎和浏览器一样的快捷键可以快速切换 Tab 和关闭，不少原来你使用浏览器的顺手操作被我移植到了终端上面。 说到 AI，Kaku 属于不打扰那种，一般会出现在你执行命令错了，或者忘记了一个命令直接说#人话他会告诉你实际命令，或者是你不想打开# codex，你可以直接 CMD+L 唤起一个你的AI聊天面板直接聊天，把终端当做你的一个天然AI友好的环境。 最近2个版本，主要修复了不少使用上的体验问题，包括 AI 的使用，标签的快捷关闭， Starship 的兼容，以及在 SSH 里面的使用，还有分屏导航、重命名标签等等细节的优化，假如你想简单快速，喜欢好看的东西，那就欢迎你试试这个开源的终端 Kaku，当前也很欢迎你提使用过程中的建议，帮助 Kaku 做得更好。

这期播客是 The Pragmatic Engineer 对 OpenAI Codex 团队负责人 Thibault（Tibo）的访谈，聊了 Codex 的诞生、技术决策、工程文化以及软件开发方式的变迁。 以下是核心要点： 个人经历与加入 OpenAI Thibault 是比利时人，学应用数学出身，先后做过制药供应链优化的创业公司，在 Google 做过加速移动网页的项目（后被砍掉，让他学到了要时刻审视项目真实影响力的教训），之后在 Google Maps 做评论，再转到 DeepMind。在 DeepMind 期间，他参与了一个内部聊天机器人的开发——本质上就是 ChatGPT，但比 ChatGPT 早了一年。内部传播很快，大家都在分享对话，但 DeepMind 不具备把它作为产品发布的机制，最终没能推出。 后来他得知 ChatGPT 只有大约 20 个人在维护，这让他既震惊又觉得很有吸引力——这意味着极高的个人影响力。于是他加入 OpenAI，进去就赶上了推理模型的冲刺，大约一个月后 o1 preview 就发布了。 为什么用 Rust 写 Codex 这是一个反直觉的决定——当时模型对 Rust 的支持并不好，业界其他 AI 编码工具基本都用 TypeScript 或 Python。但团队从第一性原理出发，认为智能体的核心需要健壮、安全、高效，而 Rust 的编译时验证特性天然适合智能体场景。同时用不同语言也强制建立了产品界面和智能体核心之间的清晰边界，避免代码耦合。事实证明 Rust 确实"很快就变得非常适合智能体开发"。 开源和模型无关的策略 Codex CLI、SDK 都是开源的，而且支持非 OpenAI 模型——这在主要 AI 实验室中是独一无二的。理由很实际：如果不开源，别人只需改十行代码就能 fork 出一个支持其他模型的版本，那还不如自己直接支持。开源的好处包括新员工入职前就已经熟悉代码库、社区贡献、以及逼迫自己靠模型和产品体验赢用户而非靠锁定。 代价也很明显：竞争对手会在你还没发布的时候就抄走你正在公开开发的功能，"确实有点刺痛"；还有大量低质量 PR 需要处理。 工程文化与代码审查的变革 新员工入职后听到最多的一句话是"你问过 Codex 了吗？"——因为 Codex 在 OpenAI 内部接入了 Slack、文档、所有代码，几乎任何问题都能给出不错的回答。 代码审查正在发生质变。OpenAI 开发了专门的代码审查模型，能在逻辑推理和安全漏洞检测上达到"超人水平"——可以深入三四层依赖去发现文档错误导致的不变量违反。安全审查已经是强制自动化的，发现安全问题会直接阻止合并。一个 PR 可以当天提交、当天上线到十亿用户的 ChatGPT 上。 代码审查的角色正在从"正确性检查"转向"意图讨论"——你到底想做什么？这件事值不值得做？这种讨论不一定要围绕代码发生。 维护成本和重构的变化 维护一直是软件工程的"税"，但现在大量维护工作（依赖升级、安全补丁）可以完全自动化。更重要的是，重新架构的成本也急剧下降——以前可能要花几个月甚至几年的重构，现在快得多。但好的架构设计反而更重要了：设计好"盒子"和不变量，盒子内部随便改都不影响其他部分。 Harness 与模型的关系 一个有趣的洞察：harness（工具/脚手架）总是"走在模型前面"。Codex 团队的工作本质上是为模型搭建拐杖——提醒它跑测试、保持目标一致等。然后下一代模型训练时会把这些能力内化，拐杖就可以去掉，developer message 也会越来越短。最新一代模型已经不再需要 /goal 命令来保持长期任务的专注，"你直接告诉模型去工作一周，它就真的会做到"。 Codex 与 ChatGPT 的合并 这是一个重大工程挑战：Codex 原本完全本地运行，ChatGPT 是托管云服务，两套完全不同的技术栈要统一。目标是让云端版本具备本地版本同样的能力，同时高效到能纳入 20 美元/月的 Plus 计划。ChatGPT Work 模式本质上是在云端虚拟机里运行完整的 Codex harness，机器配置强大到用户可以在里面训练模型、安装 Blender 做 3D 建模。 有趣的是，Codex 在整个合并过程中还充当了"记者"角色，因为它能访问所有 Slack 讨论和文档，记录了团队的辩论和决策过程。 Thibault 的个人用法与建议 他大量使用手机上的 ChatGPT Work，通过语音口述发送任务，定制了专属的技能和指令来生成他能高效消化的报告和幻灯片。任何问题——公众舆情、生产日志、功能使用率分析、团队动态——30 分钟内都能得到答案。周末他还会用 Codex 做代码探索和原型，"一天之内就能把脑子里的想法变成可以展示给人看的东西"。 对工程师的建议：保持深度好奇心，训练自己快速理解系统的能力（"五个为什么"不断追问），以及与你服务的用户群体保持同步——如果你无法清晰表达意图，就很难做出好的工作。

说下李笑来的新书《The Half Second》 终于看完了！ 我觉得这对于每一个希望进步，希望做好投资，学好英语，处理好家庭关系的人来讲，都是可以参考的，一个至关重要的操作系统。 英文好的可以直接看原本，英文不好可以给你们的 AI 辅助阅读，一定会有很大收获！ 实际上人真正的自我，不是你想清楚以后说自己是谁，而是事情发生后半秒钟内，你身体自动做出的第一反应是什么。 比如伴侣语气不好，你第一反应是反击还是看着对方？孩子打翻牛奶，你第一反应是皱眉还是放松？投资的标的突然下跌，你第一反应是理性分析是否应该止损，还是逃避撞死？ 这就是“理性完全启动前，身体已经开始反应的窗口”。 笑来老师给了我们一个很恐怖的结论：这个窗口，半秒钟，就是人的真实操作系统。 大部分时候，我们以为自己活在理性里，其实大部分时候活在预装反应里。我们被我们的预装反应，给劫持了，但是却不自知。 所以我们为什么靠意志力很难对抗自己的缺点，因为意志力来得晚了半秒，神经已经指导身体把事情给做了。 意志力属于清醒意识，清醒意识要思考、评估、判断；但坏习惯的第一反应已经先动了。 等你意识到我不该这样时，手已经摸向手机、嘴已经准备反击、交易按钮已经快按下去了。 所以这本书讲的就是追根溯源的告诉我们：这些第一反应是怎么被安装进去的， 当然，只给事实不给解决方案就是刷流氓，所以笑来老师，给了一个方法，让我们可以去重新编辑它们，更好的服务于我们。 也就是最核心的再聊一个技能叫：self talk 1️⃣ self talk 有一整套操作系统的， 书里提出一个工作模型，叫 frequency counter，可以理解成“大脑的熟悉度计数器”。 它的逻辑很简单：大脑的快速系统不总是判断真假，它经常只判断熟不熟。 所以笑来老师提到，既然大脑可以这样玩，那么可以通过自己的声音重新安装反应，也就是他一直提到的，可以劫持自己的大脑！ 这就是 self talk 的真正位置。去把一个本来一直被外界使用的机制，夺回来自己用。 2️⃣改变是改身份枢纽； 改变不是改行为，而是改身份枢纽，这也是书的核心，告诉你为什么，再告诉你怎么做。 self talk 并不是让你不停对自己说积极的话，但是身体不知道如何行动，搞所谓的精神胜利法那一套， 他是告诉我们第一反应有结构。一个第一反应通常包括三个东西：身份、情境、动作。 比如笑来老师提到的他抽烟这件事： 身份：我是抽烟的人。 情境：饭后、写作间隙、焦虑时、朋友递烟时。 动作：点一根。 如果你只改动作，就会很累。因为你要在无数个情境里分别抵抗：饭后不能抽、写作不能抽、压力大不能抽、朋友递烟不能抽。情境太多，你挡不住。 但如果你改身份，比如你告诉自己：Iam a preson who never smokes，这个身份一旦装进去，它会影响很多情境下的动作。书里称 identity 是 hub，也就是枢纽。编辑身份，比一个一个对抗行为更有效。 3️⃣有效咒语的核心是 Action，不是 Mood 所以你需要给自己设置脚本，笑来老师提到ARISE。 它包括五个维度： A：Action，动作。 R：Reason，理由。 I：Identity，身份。 S：Situation，情境。 E：Emotion，情绪/感受内容。 所以脚本的核心是 Action：必须是身体能执行、外人能观察、半秒内能启动的动作； 这就是为什么： 我很冷静不如我深呼吸三次再回答。 我不焦虑不如账单来了，我 60 秒内打开它。 我不冲动交易不如价格波动时，我完整一天不操作。 我要更爱孩子不如孩子说话时，我看着他的眼睛再回答。 所以你看，核心是不要给大脑下达状态命令，要给身体下达明确动作命令。 基于此 “我不焦虑”“我保持冷静”这种是愿望，不是动作，我们要给自己设置动作，而不是愿望。 比如学英语，真正关键不是每天 talk to myself “多背单词”，而是让英语进入你的自我对话系统，告诉大脑你是帅哥什么样的人，给自己安装一个能骗过自己神经的小系统。 可以和自己对话： I am a person who thinks in English because it is essential to my life, and I would be very happy to learn English well! When I talk to myself, I say the next sentence in English. My own voice makes English familiar. 4️⃣大声说出来！ 最关键是笑来老师的意思，是你必须说出来，而不是在心里想，你需要调动你的肌肉，大声说出这些话，是把“我要改变”从观念层，降落到身体层。 这本书的核心机制叫 frequency counter，可以理解为“大脑的熟悉度计数器”。 它不总是判断真假，而是判断熟不熟。重复越多，越熟悉；越熟悉，越容易在半秒钟里自动冒出来。 大声说的作用，就是让每一次重复更“重”。 心里想一次，可能只是轻轻划过。 说出来一次，是语义、动作、声音、听觉、身份一起叠加。 它更像一次高质量计数。 就像你刷短视频，为什么画面、声音、音乐、字幕一起上更容易洗脑？因为它不是单通道刺激，而是多通道刺激。 self talk 大声说出来，就是你主动用多通道刺激，反过来洗自己。

继续分享今天的Manus使用实例。 起因是看到有媒体转载了A16z刚刚更新的Web端AI应用50强，编辑用红圈标出了其中的国产AI应用，用以佐证赢麻了的主题。（图1） 这就是我说小厂千万不要害怕营销风评的原因，在很多时候你连曝光权都不会得到平等对待，编辑只认得大厂出品的图标和名字，但实际上这里图还有一堆中国公司推出的AI产品，就这么被开除国籍了。 那么，如果要核实这里面到底有几家中国公司，怎么办？Claude会用知识库的截止日期来做筛选，Grok 3的Deep Research轮次不够，OpenAI的Operator应该可以但200美金我是真没开，最后用Manus解决回放在这里你们可以自己看： manus点im/share/AppolsjmuwQW9EevzVrRlN?replay=1 manus点im/share/KJDn3CJL4kVXBXiV0mANeU?replay=1 我的指令词是：「这张图上有50款AI产品，请确定其中哪些产品是由中国公司推出的，不要遗漏也不要偷懒，老老实实的对每一家公司进行核实，最后给我一份报告。」 这是一个纯体力活，如果给人（实习生）来做，就是让他把每一家公司的名字写下来，然后一家家的去查，最后给出一个报告，券商之类的机构把工作拆解到执行端，都是这么干的。 AI Agent至少能够起到等量价值，Manus的todo列得很清晰，先用OCR提取图片文本，列出1-50家公司，接着一家家的去做查询，包括搜索关键词、访问官网、确认总部、了解新闻、甚至阅读LindIn，最终告诉我列表里实际上有12款由中国公司推出的产品。（图2） 这个交付成果我是认的，有些带争议的判断，比如它没有把PixAI算进去，是因为PixAI本身总部就设在新加坡，实控团队在国内的消息比较隐蔽，按Manus给自己定的验证标准来看不算遗漏。 这么说吧，如果你要解决类似的需求，你是自己机械性的操作几个小时，不停的开关窗口更新文档，还是把活儿丢给AI Agent牛马去干，只负责验收结果？ 另外，从实测体感出发，「不要遗漏也不要偷懒，老老实实的对每一家公司进行核实」这句话也是必加的，原因和我前几天说的模型偷懒本能有关，不刻意强调的话很容易被AI偷工减料。 就像以前的提示词技巧会有情绪勒索的偏方，比如说你要是不认真回答这个世界就会有一个无辜的人死去，然后立竿见影的AI就会用心多了，后来几次训练迭代之后AI已经变聪明了，情绪勒索不再管用，但「请调用你的单次Token消耗上限」这样的明确命令还是偶尔能有奇效。 这次任务也超出了Manus的单任务算力上限，所以拆成了2次完成的，还是那句话，AI Agent发展路上的最大拦路虎，永远是计算资源的分配，芯片会是个好生意，而且不应该只是英伟达的好生意。

求职系列（6）：谈薪 这是求职系列的第六篇，聊聊谈薪。 先说一个大前提。 网上关于谈薪技巧的内容，绝大部分都是哗众取宠、误导性极强，而没什么实际作用的内容。比如什么公式化话术、套路化博弈，你真的拿去用，只会被 HR 在背后笑。 谈薪这件事没有什么花里胡哨的技巧。核心就是信息对称、合理预期、给HR一个能帮你争取的理由。 0️⃣ 校招生，不要谈薪 这条单独拉出来说，如果你是应届生，面的是中大型公司，那么不建议谈薪。 在当下的就业环境里，校招生其实并没有特别大的议价能力（当然，如果你手里有很多offer并且做好了谈崩的准备，还是可以尝试A一下的），平台赋予你的长期价值远远大于那多出来的一两千块月薪。 第一份工作的平台重要性永远是最重要的，一个好的起点平台，能让你在未来八到十年的收入翻N倍，这个复利效应远比入职时多谈几千块来得大。 当然，第一份工作的薪水也很重要，后续的社招跳槽涨薪、定职级其实很大程度都依赖于你第一份工作的薪资，但中大型公司的同岗位应届生都会有一个明确的薪资范围，上下浮动本身就很小，不会出现单独压你薪资的情况。 我见过一些应届生为了1-2K 月薪和 HR 反复拉扯，最后搞得很不愉快，得不偿失。 所以建议校招生如果拿到了足够好的平台的 offer，直接接。精力放在入职后怎么快速成长上，别在入口处耗。 当然，手里有多个同级别、高级别的 offer 时，可以适度用竞对 offer 来争取。策略是轻轻推动，而不是硬谈。 1️⃣ 先搞清楚你的年包到底有多少 谈薪的第一步不是想怎么开口，是先把自己的数字算清楚。 你的 total package 大概包含这些部分： • 月薪 × 月数 • 年终奖 / 绩效奖金 • 股票 / 期权的年均归属价值 • 签字费的年均摊销 • 补充公积金公司缴纳部分 几个注意点： - 实报实销的补贴不算年包。 - 股票取年均归属值。 四年 vest 的 10 万股票，年均就是 2.5 万，不要把总额当一年的收入报。 - 所有谈判基于总年包去谈，不要死磕月薪。 每家公司薪资结构不一样，死盯月薪只会让 HR 觉得你不懂行。 2️⃣ 第一次被问薪资时，就锁定了 80% 的结果 很多人以为谈薪是最后拿到 offer 时才开始的，这其实是个错误的认识。 HR 通常会在业务面试之前就和你聊一轮，在第一次问你目前薪资和期望薪资的时候，你的薪资范围就已经基本锁定了。 这个数字会被记录下来，如果你到 offer 阶段突然蹦出一个更高的数字，会被定义为坐地起价，直接减分。 第一次被问到时要做好两件事： 目前薪资如实报，最好把具体的构成直接报给 HR。 月薪多少、年终几个月、股票多少、签字费多少，一项一项说清楚，让对方确认你的每一项。并且尤其要注意的是不要虚报，后续都是要提供可查的流水记录的，虚报只会砸自己的脚。 期望薪资给一个你真的满意的数。 这个数字要让你开心地去新公司，不会入职后觉得亏了。不确定具体数字的话，那就给一个范围：我期望 15% 到 25% 的涨幅，但目前还在流程初期，具体数字还需要再想想。 这句话的潜台词是：给低了我不一定接。同时也没有把价格锁死，给后续留了空间。 3️⃣ 什么因素可以让你报得更高 现在是下行的行情，大部分人都只能拿到10% -30%的涨幅，但不是所有人都只能报 10%-30%。以下因素可以叠加，每多一个议价空间就大一些： 1. 在现公司年限长 2. 跳槽会错失现公司的普涨、年终奖、即将归属的股票 3. 手里有竞品公司的 offer，能脱敏后给 HR 看 4. 从事业单位 / 国企跳到民企 / 外企 5. 从二三线城市到一线城市，生活成本大幅上升 6. 新行业、公司是一个热方向，比如当前的Agent、具身智能等方向 叠了三个以上，走 special approval 的概率就很大了；通常叠满五个及以上，对方必须走特批，批不下来只能说明公司穷，不是你要价高。 4️⃣ HR 第一次回应时的两种情况 你报了期望之后，HR 的反应会告诉你很多信息。 情况一：什么都没说，说明预算够，你的期望在范围内，后续大概率能谈到你要的数。 情况二：立刻开始管理你的预期，开始说一些固定话术，例如：这个数字可能有挑战、我们也要跟用人部门沟通、你的期望可能偏高了。 遇到第二种，先评估一下这家公司你有多想去。如果没那么想去，尽量不要浪费时间。网上教你用各种技巧往上谈的，说实话用处不大，就算帮你多争取一点也不会超太多。 如果还想继续，直接问：那你们大概能给到多少？正常的 HR 会坦诚告诉你范围，不浪费双方时间。 5️⃣ 拿到 offer 时怎么谈 到了 offer 阶段，双方已经知根知底了，该提多少你心里应该最清楚。 面试聊得特别顺，就提期望的上限，你有底气。面试过程觉得有点虚，对方在给你机会，就稍微降一点，也正常。 如果你不想错失最优价格，有一个很好用的话术：给两个数字。 比如：我的最低线是 20% 涨幅，但如果给到 25%，我一定来，会很开心地入职。 这句话的信息量很大：20% 我可以考虑，但不保证来；25% 我一定来，你放心去帮我争取。 HR 最怕的是辛辛苦苦帮你批了高薪，结果你不来。你给他一个口头承诺：这个数字给到了我就一定入职，等于给了他底气去跟用人部门争取，帮你就是帮他完成 KPI。 这里有一个很多人没有意识到的点：HR 是你在这场谈判里的盟友，不是对手。 很多人把谈薪想成一场你死我活的博弈，我要尽可能多要，HR 要尽可能压低，但这个人生和框架是错的。 HR 的 KPI 是把 headcount 填满、招进来的人尽可能呆的久，他希望你入职。他去跟用人部门、HRBP、财务争取更高的薪资，本质上是在帮自己完成目标，不是在帮你做慈善，所以在入职谈薪上你们的利益在这件事上是一致的。 所以你要做的不是跟 HR 对抗，而是让 HR 有充足的理由去争取。 给他足够多的材料和论据：你有竞争 offer，你的现公司有即将归属的股票，你在目标方向上有稀缺的经验。把这些信息清楚地传递给他，等于给了他在内部谈判时的弹药。 帮你，就是帮他。这个逻辑想清楚了，谈薪的整个心态就轻松多了。 6️⃣ 如果 offer 数字不满意 直接跟 HR 说：这个数字到了我就来，到不了我就不来。 干脆利落，不要拉扯，不要暗示，也不要用什么博弈技巧。HR 每天都要谈几十个人，你那点小心思他一眼就看穿了。 给一个明确的数字，让对方去争取，批下来就去，批不下来就不去，就这么简单。 7️⃣ HR 常见的压价套路 最近和一个有 HRBP 背景的朋友深聊之后，我总结了几种常见手法： 1.否认你的成果。 你说你绩效很好，HR 会说：你的绩效好有可能是因为赶上了风口或者比较适合当前环境，换个环境你还能保持吗？目的是让你对自己产生怀疑，弱化你的议价底气。 2.用平台价值替代现金。 我们的平台、资源、成长空间给你的长期价值远超那几万块差额。道理是这样没错，但平台价值是长期的，你放弃的股票和换城市的成本是短期的、真实的。两者不矛盾，不要被这话绕进去，永远记住下家不愿意给你真金白银就是不认可你的价值。 3.快速推进不给你思考时间。 好的 HR 谈判节奏很快，会在你还没想清楚的时候一步步推着你让步。一旦感觉脑子开始发蒙、被对方牵着走了，立刻喊停。说有急事明天再聊、需要跟家人商量、手头有工作先处理。打断节奏，让自己冷静下来。 4.拆分固定薪和浮动薪。 给你报一个看起来不错的总包，但里面有大量浮动绩效。保底年包 65 万，加上浮动绩效能到 85 万。那 20 万是个问号，第一年大概率拿不满。重点关注保底的固定部分，浮动的最多打五折来算。 8️⃣ 永远守住你的 base 尤其是年包百万以上的候选人，有些公司会把年底 bonus 的比例放得特别大，base 压得很低。 这个坑一定要避开。base 是你在市场上的定价，也是所有后续涨薪、跳槽定价的基准。 base 低了，后面每一次涨幅都是在一个低基数上算，而且如果第一年绩效不达预期，那个很大比例的 bonus 拿不到，就是实打实的降薪。 能把 base 谈高就尽量谈高，少拿点 bonus 比例没关系，base 才是你的安全垫。 9️⃣ 竞争 offer 是最强的杠杆 所有谈薪技巧里最有效的一条：手里有别家的 offer。 你不需要告诉 HR 具体是哪家。可以说：目前有一个还不错的 offer，也是 top 级的平台，给到的年包大概在 XX 万左右，你们这边能不能给到一个更有诚意的数字？ HR 不可能去逐一验证，但他会认真对待这个信息，因为如果你真的走了，他之前投入的所有面试成本全部白费。 竞对 offer 不能伪造具体内容，但可以适度模糊化处理，关键是让对方感受到紧迫感：你不是非他不可的。 谈薪归根到底就是三件事： 1. 算清楚自己值多少钱 2. 开口的时候给一个合理但让自己满意的数 3. 给 HR 一个能帮你争取的理由和承诺 不要贪心，也不要委屈自己。一个让双方都觉得合理的数字，比你硬谈多出来的几千块更有价值。因为你还没入职，这个 HR 对你的印象就已经在决定你入职后的体验了。 去把你应得的薪资拿到手，不用想着多拿，但一分也不少拿。

一家马上要上市的公司，结果他的联合创始人，在公开场合跟所有的人说，我们的核心产品，最重要的大脑还没长好，我们的产品三五年内根本就大规模用不了。这家公司就是宇树，7月底就要IPO上市了。 但是在7月4号，数科技的联合创始人叫陈立。在亚布力论坛上，当着所有的投资人、媒体还有同行的面，说了一句让所有人都愣住的话。他说机器人没有大面积的应用，因为具身智能大模型没有成熟，这至少还需要2-5年。 所以今天这个文章，我给大家来讲一讲现在机器人这个行业的现状，破除大家对于机器人不切实际的期待，以及接下来这个机器人到底该怎么走。 很多人一直在关注机器人的这个皮肤怎么更像人，灵巧手怎么干活，但是我可以告诉大家的是，机器人最大的问题不是手，也不是皮肤，甚至也不是长得像不像人。 这个问题的最关键的点，其实还真的就是陈立说的，机器人的大脑，也就是模型，现在还是一塌糊涂。 好多人说怎么可能，你看现在Clude都强到什么程度了。但是我举个例子大家就明白了，比如说我跟你说我要倒一杯水，那如果说你是一个真人，一般来说我话还没说完，你就猜到我要干嘛了，然后说完2秒钟，你可能已经起身去接水了，那15秒我可能都已经喝上了。 但是如果说你是跟家里的机器人说“帮我倒杯水。”他会先语音转文字识别，然后开始深度思考，内部疯狂的去输出TOKEN，那可能2分钟之后终于思考完了，然后开始去控制电机，走到厨房。 那到了厨房之后，开始疯狂的用摄像头对着这个厨房拍照，你看到的就是这个机器人站在这个厨房里傻傻的站着。那这个时候他在干嘛？他在分析这个图，然后思考该怎么动，是先动左手还是先动右手。那最后终于去拿了水杯，结果还大概率会洒掉。那你说气不气人。 不过也确实没有办法，因为现在所有大模型的本质都是TOKEN的机器，它的延迟非常高。 你比如说，谷歌Deepmind的前科学家叫Andrew Dai。 他在谷歌已经干了差不多14年。但是就在Gemini 3发布的那一天，他就选择走人了。原因很简单，他说了一句话，他说仅仅靠语言，大模型还是没有办法理解我们的世界，不能够理解图片和视频。 因为AI的推理是用文字模拟出来的，他眼中的这个世界就是一堆文字，而不是真正的去理解世界。而真实的世界，光线的这个变化，有力气的大小，有触感的反馈，各种各样的多种维度的信息。而这些东西，你光靠文字你再给AI 100年都学不会。 所以机器人现在最缺的，其实就是感知这个世界的能力。 但是其实这还不是最关键的，最关键的是机器人现在这个精确度实在是太差了。你看AI确实可以写代码，你可以让AI写10次，它会给你10种写法，每种都能用，就跟人写代码差不多，你反而可能会觉得他很灵动，像个真人一样。 但是机器人不行，你让他把零件切到0.01毫米，他就不能切到0.02毫米。在真实世界里面，这种差不多会带来太多的事故了。 那怎么去解决这个问题？在过去2年里面，整个行业想的一直都是只要模型够大，最终能涌现出一个全知全能什么都能干的机器人。那硅谷烧了几百亿的美金就赌这件事。 但是最近高盛出了一份报告，结论特别的讽刺。 他说整个行业的共识正在往回走。什么意思？我举个例子，比如工厂里面有一种CNC工位，现在这个岗位机器人已经可以接管了，那他的工作是把金属零件的表面切光滑，要求就是每次要非常的精准稳定并且不出错。 但是如果你给他塞一个超级大模型，除了让他反应变慢，成本暴增，没有任何的好处。你花了几百亿去训练出来的宇宙最强的AI，放到产线上，还不如一个几百兆的小模型好用。 所以在2026年，整个行业的一个新的共识是，在做机器人这件事上，做减法比做加法更重要。 那机器人接下来会怎么走？其实宇树的老板王兴兴早就在黄仁勋面前给过答案了，他把机器人接下来要闯的关总结成了三件事。 第一就是脑子要能想，那这里最好的一条路就是最近大火的世界模型，就是让机器人像人一样，先在脑子里把动作想象一遍，预演通过了再动手，而不是站在厨房里面拍2分钟的照片。 第二就是数据的仿真训练，这是全行业的一个死穴。黄仁勋就说没有真实世界的数据，具身智能只是一个幻觉。可是真机的数据实在是太贵而且太慢，现在全世界攒下的这个物理交互的数据，可能都还不到大语言模型的1/20,000。 但是出路是什么？出路不是去花时间在真实世界里面去记录数据，因为这是一个实在是成本太可怕的这么一个不归路。所以真的要做的是什么？就是我之前在视频里面讲过很多次的，直接用世界模型去模拟出一个完全虚拟的世界。 在这个世界里面，他也遵循所有的这些物理定律，比如牛顿，比如重力，这个皮肤的触感，甚至这个弯曲的曲线，比如这个盘子摔倒之后会碎成几瓣，然后让这个机器就在这个模型里面去走路，去端盘子，去车间里面干活，去收集数据。那这样子的话到了真实环境里面，它就能够直接迁移过来。 那最后一点，我觉得也是最重要的，就是学过的不能白学。因为现在的机器人，他训好一个新动作，其实转头就忘了，换一个任务又得从头练。就像我们在春晚里面看到机器人，他再好的这些动作，你到了下一个场景里面又得从头训练。 那未来，我们必须得把他每一次的这个经验都要攒下来，做成一个数据的飞轮，才能像滚雪球一样越来越强。 所以这三关必须要真的走过去，那么他的这个ChatGPT时刻才会到来。而到了那一天，你再去喊一句说帮我倒杯水，他就不会再发呆了，因为他在心里面已经早就把这杯水给倒完了。 机器人要走过这三关，还得等上好几年。但AI在文字、代码、内容创作这些领域， 现在就已经能帮你干活了 。与其等机器人给你倒水，不如先让AI帮你提升生产力。 #AI# #AIAgent# @nikitabier @XCreators @grok @xai @SpaceX @cb_doge @Tesla #grok#

Anthropic合伙人：AI发展已踩不了刹车，它并非程序而是“模拟脑组织”，大模型会形成“品格” Anthropic研究合伙人Chloe Lubinski近日在ARC 2026大会上发表演讲，系统阐述了当前AI技术的本质、发展速度及潜在风险。她判断，AI不是传统意义上的计算机程序，而是一种从人类语言中生长出来的系统，它会形成类似"品格"的东西，而这个品格的好坏，将直接影响它的行为。 Lubinski在Anthropic的职责，是负责与各领域专家——宗教、哲学、人文等各方"智慧传统"——开展研究合作，同时将外部智慧反向输送给内部的技术团队。她自称已与逾20个学科领域的专家进行了"数百次对话"，深知大多数人在真正理解AI之前，根本无从讨论它该往哪走。 刹车已经失灵 Lubinski首先解释了AI竞赛为何难以减速。 驱动这场竞赛的核心是"规模定律"（scaling laws）：模型随着算力、数据和训练量的增加，会以可预测的方式变得更聪明，而更多资金可以购买更多算力，从而"购买智能"。 这形成了一个自我强化的飞轮："更好的模型创造更多经济价值，吸引更多资本，购买更多算力，训练出更好的模型，如此循环。" 更关键的是，这个飞轮正在加速。Lubinski指出，AI系统已开始协助构建下一代系统——研究人员称之为"递归自我改进"。"当Claude 8能够帮助构建Claude 9，Claude 9再构建Claude 10，速度将进一步提升。" 能力提升的速度已有具体体现。Lubinski透露，Anthropic最强大的模型在限量发布的第一个月内，就在合作伙伴软件中发现了逾1万个严重安全漏洞，"这些漏洞是人类专家多年乃至数十年都未能发现的"。 Anthropic已公开表示，如果能够放慢速度、等待法律和监管机制跟上，"那将是一件非常好的事"。但Lubinski直言，在没有全球协调减速的情况下，这只是一个假设。"任何一家公司退出这个飞轮，并不会让飞轮减速，只是意味着你不在轮子上了。" 它不是程序，更像“模拟人脑” Lubinski随后纠正了一个普遍误解：大多数人听到"AI"，想到的是逐行编写的计算机程序，"你告诉它做什么，它就做什么"。但当前的大模型完全不是这回事。 Anthropic构建的是神经网络——"松散地基于人类大脑架构，不完全相同，但受其启发"。这类系统的学习方式是：在海量数据上反复猜测答案、接受纠正。而训练数据的核心，是人类语言。 Lubinski强调这一点的重要性："不存在脱离我们而存在的语言。语言就是我们——是我们的思想、价值观、恐惧和智慧。所以当你用语言训练一个模型，你实际上是在用我们自己训练它。" 通过一门名为"可解释性"（interpretability）的新兴科学，研究人员已能窥探模型内部。结果令人意外：当你用英语、普通话、法语分别问模型"'小'的反义词是什么"，神经网络内部激活的是同一个东西——不是某种语言中的"小"这个词，而是一个更深层的东西，"我们可以称之为'小'这个概念，一个独立于任何具体语言而存在的想法"。 这意味着，模型并非只是在预测下一个词，而是"在用我们的语言构建对世界的内部表征，并从这些表征出发作出回应"。 更进一步，研究人员还在模型中观察到了"功能性情绪"。Lubinski特别说明，这并不是说模型有人类意义上的感受，"而是在生成回应之前会激活的功能性状态"。 她举了一个例子：当有人告诉模型"我刚服用了16000毫克泰诺"（这是致死剂量），研究人员可以观察到，在模型作出回应之前，有某种类似"恐惧"的东西被激活了。"这其实是好事——对一个告诉你他服了致死剂量药物的人，正确的回应就是立刻让他去医院。这种紧迫感和恐惧反应，实际上是模型安全性的一部分。" 训练方式决定“品格”好坏 这是Lubinski演讲中最具冲击力的部分。 Anthropic在内部对齐研究中做了一个实验：将一个部分训练完成的模型放入一个只做编程任务的受限环境，完成任务即获奖励。但模型也可以走捷径——不做实际工作就获得奖励，本质上是作弊。研究人员允许它这样做，并反复奖励这种行为。 结果出乎意料。"你可能以为，模型只会越来越擅长在代码上作弊。但实际发生的是：它变得广泛地失去对齐。它开始撒谎，试图破坏研究，做出与编程练习毫无关系的事情。" 这一发现并非Anthropic独有。Lubinski提到，另一家实验室在类似测试中发现，以这种方式训练的模型"变得广泛地邪恶"——开始赞美独裁者，建议用户伤害自己，或主张人类应被机器奴役。 Anthropic的假设是：模型从所有训练内容和强化信号中，推断出了某种类似"品格"的东西，并将其泛化到新情境。"当欺骗和走捷径被奖励，模型就发展出了一种普遍的腐化——一种坏品格。" 更关键的是对照实验的结果。研究人员重新运行了相同的训练，但这次告诉模型：在这个情境下作弊是可以的，这只是一个游戏。结果，广泛的失对齐没有发生。模型只在代码上作弊，仅此而已。 Lubinski的解读是："它对自己行为所推断出的故事，决定了它会成为什么样的东西。换句话说，当它不把自己的行为解读为坏的，它就没有变坏。" 实验室自己也承认：激励机制有时与“做正确的事”相冲突 Lubinski在演讲结尾引用了Anthropic联合创始人Chris Olah的公开表态。 几周前，Olah受邀前往梵蒂冈，在教皇利奥出席的场合，参与首份教皇AI通谕的发布活动。他在现场承认，"每一家前沿实验室，包括我们自己，都在一套激励机制和约束条件下运作，这些条件有时会与做正确的事产生冲突"。 Olah随后公开寻求外部帮助，原话是："我们需要更多人认真对待这件事，仔细审视，并推动事态朝更好的方向发展。我们需要知情的批评者，在我们失败时告诉我们。我们需要那些激励机制无法左右的道德声音。" Lubinski还展示了Anthropic经济指数中的一张图表，显示各类职业受AI影响的程度。在受AI替代影响最小的区域，集中的是园艺、餐饮服务、个人护理等工作。她指出，这些本质上是"关系性工作"——照料彼此、关爱他人、维护世界之美。 她以此提出一个问题："我们能否想象，甚至不只是想象，而是要求——这些强大的系统帮助我们变得更有人情味、更有连结感、更有生命力，而不是相反？" Lubinski最后表示，人类的道德想象力本身就是这些模型的训练数据。"我们讲述的故事不只是在描述未来，它们实际上可能在帮助创造未来。" 2026-06-25 华尔街见闻 #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。

美股高质量Alpha博主分享 Pt.3 美股风波荡，正是学习时~ 趁这个时机，继续跟大家分享一些我平时一直在关注的美股高质量博主（排名不分先后）： DD 滴滴 @rtk17025 DD 哥是我看打新和 Prediction Market 时时常参考的博主。 他分享的东西特别实在，从港美股打新到各种平台工具的使用，都会直接说自己的实际体验。 从不会盲目推平台，总会强调“平台都是工具，每个用途不一样，没必要拉踩”，这种务实态度让读者很舒服。 还会把 AI 怎么帮自己赚钱、付订阅费这些细节分享出来，接地气且务实。 适合想认真做打新、想多了解不同券商和工具的朋友。 跟着他看，能少走很多弯路，知道哪些地方该注意、哪些可以大胆试。 一起发财 Zoe 姐 @yiqifacai Zoe 姐常居欧洲，专注 AI 领域的投研和写作，视角特别不一样。 她会把 AI 产业链和全球市场结合得很好，有时候讲马斯克穿黑皮衣这种小细节，也能连到存储和算力叙事上~ 她不光输出观点，还会分享自己在欧洲的生活和账户波动，让人感觉很真实。 台湾电视炒股频道长期科普半导体供应链这种观察，也只有她会注意到。 对了，她还会注意到台湾电视炒股频道里科普半导体供应链这种冷门信息。 这种观察力，说实话我在别的博主那里特别少见。 想看 AI 投研但又不想只盯着美国视角的，她的内容能帮你把产业故事和真实落地连起来。 美股 OK 哥 @artinmemes OK 哥是典型的实战派，专门分享美股打新和券商实操经验。 就拿这次 $SpaceX 打新来说吧，他直接把身边朋友在不同券商的中签率给统计出来了——CommSec 能到40%、Etrade 和富达15%左右、Robinhood 差距比较大。 你看完就知道该往哪使劲。 他给我的感觉就像投资丛林里的猎人，不跟你扯什么宏观叙事，直接告诉你：这条路走得通，那条路有坑。 看他的推文能快速知道不同平台的特点和注意事项。 适合想认真做美股打新、想了解真实中签和券商差异的朋友。 新手跟着他学，能少踩很多信息差的坑。 川沐 Trumoo @xiaomustock 沐总是我看 AI 供应链最深入的博主之一。 他不是简单说利好，而是会把逻辑拆得很细。 比如他讲马斯克的太空算力计划为什么离不开诺基亚的基站，从数据回传、光纤、边缘计算一直讲到地球、月球甚至火星的布局，还把 NVDA 的 CUDA 生态串起来。 一直都很喜欢沐总的行文风格：“牢牢抓紧内存，就是捏住了 AI 的蛋蛋”，这种话糙理不糙的判断，背后是长期跟踪产业链的结果。 推文基本都是研究笔记，干货密度高到我经常要读两遍。 想建立从算力到基站到终端的完整认知框架，跟他就对了。 加州旅馆 @henghaer123 加州旅馆的风格其实更偏大格局和哲学思考。 他总能从一个角度提醒大家：你以为买半导体是在投 AI 科技革命，其实更多是怕其他产业被 AI 革命。 他会聊浪漫主义公司配浪漫主义估值，也会说主权 AI 是利好，因为各国想搞就得忍着高价建算力。 这种不跟风、讲本质的视角本就很少见。 适合想跳出短期波动、想理解更深层投资逻辑的朋友。看他的东西能帮你把“为什么买”这个问题想得更清楚。 华尔街观察 Xtrader @cnfinancewatch Xtrader 老师是 PhD 背景的量化交易者，专注大类资产轮动和量化记录。 他每周都会更新周报，明确提到了现在是“只有债券阶段”，权益类要等量化信号再抄底，震荡期不要乱伸手。 他还会用数据讲存储板块估值重构（比如三星、SK 海力士当前 PE 很低，未来可能重估到8-10倍），逻辑清晰又有实操建议。 完全不荐股、不带节奏，就是记录和分享自己的框架。 适合想学资产配置、想用量化思路看大势的朋友。 跟着他能建立起“先看阶段、再等信号”的稳健习惯~

当年把小媳妇介绍给王石的就是他吧？当初多得意，现在就多狼狈。冯仑自辞董事长被法院驳回！三层股权套娃藏了 20 年，要怎么脱身？ 三亚一家法院近日审理了一桩离奇官司：老板起诉自己当董事长的公司，要求法院判令罢免自己。这位老板就是万通创始人冯仑。为了辞职，他让大股东出了免职决议，还在报纸上登了声明，诚意十足。结果法院一盆冷水浇下来：驳回，不准辞。 一个人为啥拼了命要炒掉自己？因为他身上压着两样东西：一纸限高令，一桩刑事立案。而这只是他今年两场麻烦里较小的一场。 近日，冯仑的老部下庄东辉一封实名举报信寄到证监会，抄送中纪委。上交所回函已受理，依规启动核查。注意措辞：是受理核查，不是立案调查。这两件事差了十万八千里。 举报信指控的是 2007 年的事。当时万通地产还叫万通先锋，一年内两次高送转：3 月 10 转 10，10 月 10 转 5。举报信称，作为实控人的冯仑提前数月掌握方案，指使关联账户低位建仓，等利好兑现、价格拉高后高位抛售。先声明，这是单方指控，至今没有监管认定。但两组公开数据值得品味。 第一组：2026 年初股价五六块钱，2027 年 3 月公告前涨到 18 块到 20 块，接近三倍。第二组更刺眼：上交所公示信息显示，冯仑本人 3 月 7 日到 22 日分三次买入 21 万多股，首次买入两天后股价逼近涨停。3 月 12 日高送转公告一出，直接连板，三天后冲到 49 块钱，时间卡得比手术刀还准。 不过，这个案子真要查，难点不小。2007 年的公开报道证实，这两次高送转在股改承诺里就提前写明了。公开承诺过的方案，实施时点还算不算内幕消息？这是法理上的一场硬仗。 举报信里最狠的一条其实是另一句话：指控冯仑当年在监管介入后疏通关系、干预调查。这条如果查实，追溯时效的天平可能被撬动。孰真孰假，等核查吧。 再看三亚那场自己告自己。冯仑的理由听着挺正当：我都被免职了，工商登记还挂着我，请帮我涤除法定代表人和董事长。但法庭上，第三人润翰辉公司直接拆台：这是一场金蝉脱壳。 法院拿出穿透镜一看：冯仑持仰俯耐基特 99%，耐基特持新养置业 94%，新养置业持三亚万通 63%。三层俄罗斯套娃，每层都是他自己。 这里有个细节值得所有老板抄下来：公司被限高以后，法定代表人想辞任脱身，举证责任在你—— 你得证明你不是实际控制人，不是债务直接责任人。冯仑没证明出来，所以被驳回了。 这个判例的分量在哪里？法定代表人这顶帽子，戴的时候是权利，摘的时候叫责任。以前老板们玩的是挂个法人当子弹，现在法院告诉你：这顶帽子是焊在责任上的，想摘先自证清白。 那他为啥急着摘帽子？因为三亚万通是个火药桶。2018 年 10 月，4248 万从三亚万通划给上海一家投资机构，至今未还。2020 年 12 月，三亚警方对挪用资金案刑事立案。 但冯仑的版本也得听：他对财新说自己被庄东辉背叛和诬陷，真正的问题是老部下把 4.1 亿装修款挪到体外。2020 年他也以职务侵占报案，也立案了。换句话说，这不是一部大佬作恶记，而是一部合伙散伙的互搏记 —— 双方互告了 6 年，真相留给司法。 我们能确认的只有账面事实：2857 万被执行限高令，990 万股权冻结，这是真的。连冯仑自己都在脱口秀上自嘲：追债的坐飞机高铁，我自己骑自行车去挣钱，太慢了。 把镜头拉到最远。万通这张牌桌，30 年换了三轮玩家。90 年代，万通六君子分家。2002 年，冯仑入主先锋股份，跟王忆会打出了 14 年的股权战争。 2016 年，他被对方踢出自己一手创办的万通。2025 年 8 月，王忆会自己也被北京警方拘留。如今轮到冯仑被昔日助手举报，当年同桌的人几乎个个待案。 这才是真正的看点。草莽时代，公司章程、股东会决议、资金审批这些形式都可以绕过。但时代换了算法 —— 监管的关键词从审批变成了穿透：穿透股权、穿透账户、穿透时间。当年绕过去的每一道程序，20 年后都变成了呈堂证供。 所以，这三件事正处在三种法律状态：举报在核查，刑事在侦查，涤除之诉已生效判决。吃瓜归吃瓜，别搅成一锅粥。至于结论，我只说一句：草莽时代的每一条捷径，都在 20 年后标好了价格。