一位贴吧老哥婚后才发现老丈人和丈母娘都是病秧子，一辈子没上班，也没医保，条件出乎意料的差，于是提醒大家结婚一定要找父母身体健康的。 当网友询问他为什么一定要结婚时他的回答非常经典：“不结婚会在人面前抬不起头，你懂吗”

人之间的健康的互动，需要有一些明显的摩擦和讨价还价。如果一个事情出乎意料的极为顺利丝滑，这反而可能是个预警信号。 比如最近看到一篇文章，说某公司的 HR 反映，那些面试时特别卑微的，说啥都好好的人，入职后反而更容易摆烂，半年内大概率离职。一般来说卑微的背后，反映的是自身缺乏实力和选择，因此要压制自己的真实需求。雇主误以为自己找到听话又便宜的员工，结果入职以后，这类员工发现没有能力兑现自己之前的许诺，慢慢开始摸鱼，后面实在撑不住压力，就只能走人。 这个规律在很多其它地方都有体现。如果和某人的合作出乎意料的丝滑，看上去你好像占了个大便宜，他的态度极为恭顺谦卑，对方大概率在隐藏什么东西，他现在答应你，只是因为从你那里得到的短期利益，暂时大于他压制自身本能的成本而已。一旦成本超过利益，翻脸就是时间问题。 次级贷款看上去利息高，号称风险低，但实际操作上借款者赖账跑路的概率远远大于普通人。他之前接受高息的贷款，是因为自己信用实在太烂，没有选择而已。 外表的过于恭顺和背后的隐藏的摩擦，比明面上的摩擦，要危险多了。因为前者你看不清，无法正确应对和提前计划。

自从 DeepSeek Harness 开源之后，我便一直在纠结要不要将其接入到自己的产品当中。 于是想调研一下，被我发现了一款非常好用的 AI 产品：Apodex 1.1。 地址： 与传统 Deep Research 工具有所不同，它不光整理资料出报告，还会动手执行任务，一路干到交付。 其配套的 Agent 执行框架 FrontierAgent 是开源的，无需安装 Docker，一条命令即可运行。 GitHub： 他们还开源了 Apodex 1.1 mini（35B）模型，官方评测里，专业、金融、科研几项都能摸到前沿系统同一档的水平。 模型权重： 正想做 Deep Research 产品的朋友，可以本地部署 mini 模型，套上 FrontierAgent 就能自己搭一个。 这次调研，我是直接在它的 Web 端上实测的，效果出乎意料的好。 在发送需求后，它立马拆分任务，创建不同角色的子 Agent，并分配任务开始执行。（如图 1） 右侧显示的任务看板全程可见，每个任务做到哪一步、哪个 Agent 在干活都清清楚楚。 最实用的是，它在执行任务过程中，我们还能随时给它补充信息或者需求。（如图 2） 我补充要求它与其他工具进行横向对比，并调研一下现在 dsh-plugin 插件生态如何。 还留意到在交付报告前，它还会进行数据、内容、来源等 116 项查证，给人增加不少信任。（如图 3） 最后完整的结论（如图 4），一句话总结：目前 DeepSeek Harness 迭代速度非常快，正式接入建议再等等，个人可以先装着玩玩。

米，又上热搜了 周末两天写的都是国际银价暴涨的话题，以及白银lof套利的操作计划，没看的读者往前翻。简单说就是国际银价周五单日暴涨超过10%，导致白银lof的真实溢价大幅收窄（15%左右），再加上基金公司暂停了c类份额申购，a类份额限额从500下调至100元。以上种种因素叠加，可能会刺激白银lof再次掀起博傻投机。 这几天有不少读者给我留言，说我这么大流量的博主没必要一直关注这几百块钱的羊毛。但我觉得就是因为我流量大，所以几百块钱的羊毛也不少，我日常阅读量50万，假设有5%受我影响去套利，那也是2.5万人，这一两个星期滚动套利每个账户能赚300-500，乘一下就是1000万。 让我自己掏腰包给你们发福利，几十万可以有，1000万是断然拿不出来的。股市观点说的再多也不是包对的，但这1000万我教了，你们做了，就是确定性利润，当然要认真写了，因为有可能我一年写到头最有价值的就是年末教大家套利的文章。 这几天还有一件事说的比较多，就是提醒诸位不要白银投机做空，大宗商品的单边趋势往往很夸张，一波做错就会造成很可怕的损失。昨晚有个读者后台留言和我说他亏惨了，这几天心情极度压抑，我打码发上来给你们做个警示。 期货是杠杆交易，很多散户炒期货不像炒股那样对风险有清晰的预估和感知，很多人都是炒着炒着发现亏钱速度出乎意料的快，几个犹豫就已经积重难返。尤其是做空，凶险程度远远大过做多。 举个例子，初始价100，5个跌停后价格是59，下一个跌停跌5.9。反过来初始价100，5个涨停后价格是161，下一个涨停会涨16.1。 5.9和16.1，你们感受一下这两者的差别，做多某种程度上来说可以死扛，做空死扛真的会死。 …… 银价暴涨对好几个热门行业都会造成冲击，因为和黄金不一样，白银在工业上的使用场景还挺多的。 银有很好的导热和导电性能，所以光伏行业，电动车行业都会用到工业白银。一辆电动车使用的白银达25-50克，今年银价从每盎司30美元涨到80美元，1盎司=28克，一辆车的白银成本上升70-80美元。 光伏面板的导电层使用银浆，银浆成本已占光伏组件总成本的约16-17%，超过硅料成为组件最大单一成本项。银价每上涨 10%，光伏组件单位成本将增加 0.01 元 / 瓦。 所以马斯克这几天有点着急，开始抨击白银投机炒作冲击工业生产，因为电动车和光伏都是他直接关联的产业，但目前全球白银现货缺口是客观存在的，并不完全由投机炒作引起。 有色板块周五大涨3.6%，年内累计上涨93%，几个龙头股都刷新历史新高，从目前的趋势看，有色板块在短期内依然有较强的动能。不单单是金银，铜\锡\镍最近一个月都没少涨。 另外碳酸锂期货最近也跟风一通猛涨，周五又是+8%，最新价格已经来到了13万，这已经超出了几乎所有机构预测的价格上限，宁德时代那个枧下窝锂矿最快要春节后才能复产，目前行业库存偏低，正好往上拱一波。 …… 1、小米集团：联合创始人林斌计划从2026年12月起，每12个月出售金额不超过5亿美元的公司b类普通股，累计减持不超过20亿美元。 这个新闻已经把小米炸上热搜了。林斌是小米公司仅次于雷军的二号人物，他持有小米近千亿市值的股票，所以就算卖了20亿美元，也只占他总持仓的1/5不到。另外很多人可能看标题的时候没注意到，这个减持计划是从2026年12月开始卖，时间是一年后，林斌提前一年宣布这个决定也是想给市场足够时间去消化情绪。至于减持套现的目的是用来成立他自己的投资基金。 这毫无疑问是利空，至于利空到什么程度周一看吧。 2、万科12月28日到期的债务，展期方案没通过，但是债主们同意延长30天宽限期。这帮债主们也是很强硬了，延期还钱的方案不满意，减持投反对票，但是愿意再给30天时间谈判新的延期方案。我之前听谁说的，说债主里有金融机构，保险的钱，轻易不能让步。 3、出了一个商业火箭企业适用科创板第五套上市标准细化规则，这种不用看具体内容，肯定是扶持新兴产业的，属于看标题就知道是利好。现在spaceX冲击ipo全球瞩目，中国这边全力扶持追赶，一定是2026上半年的重要概念。不可能每个星期都涨，但这条线是很有持续性的。 今天我还看了一个spaceX的中文路演材料，我说说印象比较深的几点。首先是2026年送机器人去火星，踩个点，顺利的话2028年送活人过去，失败的话就不知道要延迟多久了。公司现在主要是猎鹰9号，重型猎鹰，星舰三个火箭型号，平时负责商业赚钱的是猎鹰9号，星舰是给火星计划准备的。星舰每公斤发射到太空的成本最低到80美元。 公司目前真正挣钱的业务是星链，就是卫星上网的那个，营收占比70%，覆盖150多个国家，用户突破900万，目标是2040年增长到10亿。 spaceX今年营收大概是155亿美元左右，处于盈亏平衡状态，可能微微能赚点。 差不多就这些，写累了，准备发射。

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。

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#

必须和你们分享下我上周经历的一件事， 简直太值得说了， 把它分享出来，是因为我希望你们能从这件事获得一些能量。 上周五和朋友约球，到华中科技大学球场把车停好没多久，一哥们直接把朋友车给撞了。 一般来讲，这个时候我们正常反应都是生气和烦躁，气是气对方如此不小心，烦是烦对方给我们制造了麻烦。 我朋友的反应出乎我意料！ 他显得非常开心，对方上来致歉的时候看到我们这边几个彪形大汉明显很慌， 我这位老友笑嘻嘻迎上去，更是不断安慰对方，告诉对方很小事情，不必挂齿，该走的流程拍照保险对接即可，被撞本质不可避免，每个人都有不小心的时候，人都没事就是最大的福分。 对面老哥可能从未见过被撞了还这么开心这么洒脱的家伙，一脸懵逼后也被我这朋友的情绪感染，有说有笑的拍完照，三分钟处理完事情， 我问我这朋友，你为啥被撞了还这么开心！ 他讲他每次被撞都这么开心，上一次是一年前在高速上，突然被一个货车追尾，原因是货车司机疲劳驾驶。 他说被撞开心的原因很简单，因为第一，被撞了人还一点事都没有，相当于挡了一次灾祸，那么就是灾祸走了就是福报的积累， 第二你车被撞，你烦躁伤心难过生气困顿，有什么用吗？并无作用，很多人人本来没事，但是因为一点小擦碰和别人发生口角，导致的大事故更多。所以只要人没事，保险也可以解决，你生气干什么呢。开开心心的庆祝自己又一次挡灾，然后安慰撞你的小伙伴，然后开心的去做你本该做的事情就好了。 我听完后被这个逻辑震撼了，他做的其实是一件很高级的事：对事实负责，但不对事实产生多余的情绪。 该拍照拍照，该走保险走保险，该承担责任承担责任； 剩下的，就结束了。这个动作其实特别有力量，因为本来他是这件事里的“受害者”，但因为他的心量足够大，最后反而成了那个稳定所有人情绪的人，遇到这样的人你会不会被他的大气折服？ 我当时才想到这里，撞他车的哥们，就提着一大提运动饮料到我们这边，和我朋友说，一定要请我们喝点水，给我们添麻烦了， 你以为这件事就完了？ 大家其乐融融的一起喝水聊了下，发现这位哥们是同济医院的一个外科教授，而我朋友父亲下周刚好要去同济看脑外科，这老哥听到这茬，说什么也要帮忙联系下。 然后昨晚上我朋友告诉我，他老父亲最快的速度看到了教授住进了病房。 真实事件，也是最近几个月比比特币突然拉升30%更震撼我的事件，注意我这里不是在讲一个好人有好报的故事， 原本这两个人，只是两个因为一场事故被迫发生关系的陌生人。按照最常见的剧本，一个愤怒，一个道歉；最好的结果，就是拍完照片，互留电话；此生再无交集。 但因为其中一个人没有选择愤怒，而是选择了理解和善意，震撼到我们的同时，显然也震撼到了撞车的人，他从未见过如此大气的人和性格，内心的敬佩和非同凡响的感受，在我看来，是显而易见的。于是，他觉得应该给我们买一些水，于是，多聊了几句话，于是，知道了彼此是做什么的，于是，一个原本完全不可能被发现的连接出现了。 这可能才是我在这件事上，对所谓“福报”更具体的一点理解。福报未必是什么玄学，很多时候，它只是你一次次选择善意、宽容、克制以后，给这个世界留下了更多与你发生善意连接的可能。 你不知道哪一次会有结果，甚至绝大部分时候都不会有结果，但你这个人所经过的地方，不断在留下好的关系、好的情绪、好的因缘，久而久之，你的人生自然会和另外一种人不一样。 我觉得我盆友把：与人为善+内心平静具像化了！ 所以你看，一个人最大的风水，不是住在哪里，认识谁，有多少钱。可能就是他的情绪、他的心量，以及他面对这个世界的方式。 事情来了，解决事情，至于那些已经无法改变的部分不怨，不困，不继续惩罚自己，然后高高兴兴去打你本来要打的那场球。 人生很多时候，可能就是这么一点点被改变的。

做了妓女,还能从良吗？ 疫情之前,去内地一个三线小城出差,晚上无聊,下半身的支配下,花了一包烟钱,叫摩的佬带我去本地人才知道的花街柳巷。去之前,摩的佬神秘兮兮的说,那里有本地职业学校的女学生兼职。 开始我自然是不信的,摩的佬有时候为了多赚几十块钱,经常喜欢故弄玄虚,夸大其辞,带你去一些很差劲的地方!这一点,我已经习以为常了。毕竟到处跑,免不了经常跟这些人打交道。 到了现场,有点出乎我的意料。国内因为管控的比较,站街女几乎很少成规模的集中。一个地方十来个算是很多了,但是这个地方至少有四五十号站街女,三三两两的分布在巷子的各个角落,从四五十岁的大姨到二十岁左右的小美女都有。 我转了一圈,在一个昏暗的角落里,发现了一个戴眼镜的身材苗条但是相貌一般的小美女,估计还没有二十岁。 我看她的时候,眼神躲闪,明显有点害羞,一看就知道是刚下海的那种。 问她多少钱,她略带尴尬的报了一个价。 然后我同意了,跟着她到附近的一间民房,过程有点生疏,甚至有点不知所措。在我这个老司机的引导下才完成了整个过程。事后闲聊得知她还在附近的一所职业学校上学。这里只是暂时兼职,赚点零花钱。然后她还告诉我, 学校有很多女生没钱了都选择来这里兼职。 出门她问我要烟抽,我给了她一根。抽烟的样子很生疏,一看就知道是装酷的那种。 第二天我就把这件事情忘了,像我这样常年一个人在外出差,晚上寂寞无聊,也是常事。 时隔几年,也就是上个月,公司又委派我来这个地方出差。白天忙完工作,晚上照例又是孤独寂寞。又想起了当年摩的佬带去的哪个地方,当年的那一幕又涌现出来,心理面有点好奇,那个小姑年怎么样了?应该不在那里了吧! 照例又在路边找了一个摩的佬,打探一番,得知那个地方还在。 到了地方,果然如此。只不过人数大概少了一半以上。我饶有兴致的用我猫头鹰一般的眼睛在昏暗的巷子里搜寻,一个眼镜女引起了我的注意。虽然具体的五官特征早已模糊,但是直觉告诉我,那就是她。 还没等我走到跟前,她就用一种假装很热情但很机械的语气招呼我:老板,去玩一下! 我问多少💰?她报了一个价,比之前涨了五十。 然后跟着她去到附近的一间民房,过程非常熟练,非常的职业化。 本来还想提一下几年前的那场遇见,但是看到她那不耐烦的神情,话到嘴边又咽了回去。 还是不提为好! 也许每个人都有自己的苦衷,这种苦衷不管是生活所迫,还是爱慕虚荣,只要不做伤害他人的事情,都算情由可原。既然家庭背景不优越,智商不超群,又没有鸿运当头,在保证身体健康的前提下,在自己青春没有流逝之前,尽快更多的变现,未尝不是一个选择(声明:我的意思不是鼓励这种现象,而是试图从一个社会普通人的角度,设身处地的理解这种社会现象出现的动机)。 每个人都有选择自己生活方式的权力,虽然有些生活方式可能不太体面,毕竟普通人也没有太多的选择。

AI Coding 时代，好的编程习惯仍然重要 最近做一个 Agent benchmark，发现不能简单地用开发者视角来评估一个编程任务对 AI 的复杂度。 比如一个重构任务：把一个几千行的大文件，按功能拆成十多个小模块。 这个任务对开发者来说其实不算难，主要工作就是移动代码、整理 imports、编译验证，新手也能搞定。 所以想着用一个简单的任务来做一下 benchmark，结果却出乎意料。 Claude Code 判断这个任务比较大，尝试拆了一部分，提了个 PR 写了 Future work 打算分步来。 我自己的 Agent 是“硬上”，往完整拆分的方向推进了更多，但代价也很明显：Token 消耗是 Claude 的几十倍，后面大量时间都花在反复读文件、修编译错误、再读文件、再修错误上。 这让我意识到，人觉得简单的任务，对 Agent 不一定简单。 对人来说，这类重构很多时候就是“把这一段挪过去”。但对 Agent 来说，它要先分批读大文件，记住哪些函数和哪些测试有关，再生成一堆跨文件修改，最后通过编译错误一点点补洞。看起来像机械活，实际变成了一个高 Token、高状态管理成本的任务。 前一段时间看到有人说，AI Coding 时代，拆分模块这些编程原则没那么重要了，反正人也不看代码。现在看，我不太同意。模块边界清楚、文件粒度合适、依赖关系简单，不只是方便人读，也是在帮 Agent 降低任务复杂度。 从另一个角度看，现在 Agent 的读文件和改文件工具，对这种重构也不太顺手。 Coding Agent 改文件，主要还是文本替换。比如 Claude Code 常见的是 old_string / new_string 模式：先给出一段旧文本，再替换成新文本。Codex 常用的是 apply_patch：生成一个类似 git diff 的 patch，表达把旧的内容替换成新的。它们都适合小范围修改，但如果要删除一大段旧代码，或者把一批函数挪到别的文件，模型往往还是要先把原始内容读进上下文，再生成一大段替换或 diff。 所以我后来给 Agent 一个提示，让它先用脚本、sed、perl 这类工具把大文件粗拆开，直接把旧内容删掉，写到新文件中，然后再逐个慢慢修，它的完成度确实高了许多。Agent 默认不会这样做，主要是因为系统提示词里会强烈要求 Agent 用内置工具修改文件，而不是命令行工具。 再往前想一步，Coding Agent 可能还需要更高级的编辑工具。不是只给它一个“替换文本”的接口，而是先通过 parser、LSP 或 compiler 建立代码结构，让 Agent 可以像 IDE 一样做重构：移动函数，删除 impl block，整理 imports。不知道是否有朋友做这方面的尝试。 总的来说，即便是 AI Coding 时代，好的编程习惯还是有价值的。尽量在早期通过 harness engineering，把好的编程习惯变成 Agent 的默认工作方式，比后来再重构的成本要小很多。