说个暴论：在职场里，你应该尽可能冒险 我工作三年后，越来越觉得它无比正确。 大部分人在职场里的默认策略是：稳。不犯错、不出头、不做没把握的事。 领导安排什么就做什么，绝不主动揽活，绝不碰自己不熟悉的领域。 看起来很理性，但这种策略有一个致命的问题，你在用创业者的风险管理方式来经营你的打工生涯，而这两个场景的风险收益结构完全不同。 1. 职场冒险的收益和风险是不对称的 这是整篇文章最核心的一句话，请刻进脑子里。 在职场中冒险，收益归你，风险归公司。 你主动请缨接了一个高难度项目。做成了，升职加薪，简历上多了一行含金量极高的经历，你在公司内部的话语权和影响力直线上升。 做砸了呢？最差的结果是什么？无非是：绩效打个C？被领导批评几句？极端情况下被调岗？ -你会因为一个项目做砸了而倾家荡产吗？不会。 -你会因此背上债务吗？不会。 -你会失去所有积蓄吗？不会。 最最最坏的情况——被开除，你拿着N+1的赔偿走人，换一家公司继续干。 这就是打工的隐藏福利：你的极端风险是有下限保障的。 公司在帮你兜底。你的工资照发，你的社保照交，你做砸了不需要自己掏钱填窟窿。 现在把同样的事情放到创业场景里。 你决定 all in 一个新方向。做成了，你赚到盆满钵满。做砸了呢？所有投入全打水漂，员工工资可能发不出来，可能还欠着供应商的钱，信用卡刷爆了，半夜被催债电话吵醒。 创业的冒险是对称的——赚了归你，亏了也归你。 所以创业者谨慎是对的，因为每一次冒险都是拿自己的身家在赌。 但你是打工人，你拿的是公司的资源、公司的预算、公司的品牌去冒险。 赢了，收益的大头以升职加薪和简历增值的方式落到你口袋里。 输了，损失主要由公司承担。 这是一个收益归你、风险归公司的不对称游戏。 2. 舒适区是一个温柔的陷阱 每个人都有一个能力舒适区。在舒适区里，你做的事情都是你擅长的，产出稳定，不太会出错。 这感觉很好。但它有一个你看不见的代价：你的成长速度在归零。 人的能力提升只发生在舒适区的边缘。当你做一件有点难、有点慌、不太确定能不能搞定的事情时，你的大脑才在真正地学习和扩展。在舒适区里重复已经会的事，和一年经验用了十年没有任何区别。 职场里最常见的一种人：工作五年了，简历上写着五年经验，但实际上就是第一年的经验复制了四遍。他们的能力曲线在入职半年后就趋于平坦了。 而那些主动跳出舒适区的人，接不熟悉的项目、跨部门协作、主动承担有挑战性的任务。他们的五年，每一年都在生长新的能力。五年之后，两类人之间的差距已经是物种级别的了。 舒适区待得越久，你离市场的淘汰线就越近。 因为市场在进化，而你没有。 3. 职场里不犯错是最大的错 很多人的职场策略是：只要不犯错，就能安稳地待下去。 这个逻辑在十年前可能还成立。但在今天，不犯错 = 不做有难度的事 = 不成长 = 没有亮点。 你以为你在避险，其实你在把自己变成一个可有可无的人。 想想看，领导裁员的时候怎么选？一定是先砍那些存在感最低的人。 谁存在感低？就是那些从不冒险、从不犯错、从不做出格事情的人。他们走了，团队几乎没有任何感知。 反而是那些敢接硬活、偶尔搞砸了但也做成过大事的人，领导舍不得动。因为他知道，这种人有战斗力。 在职场里，可见度和不可替代性才是真正的护身符。 而这两样东西，只有冒险才能获得。 4. 冒险的正确姿势 我说的冒险，不是让你不动脑子地蛮干。 聪明的冒险有几个原则 选择可逆的冒险：接一个有挑战的新项目是可逆的，做砸了大不了回到原来的工位。但和领导公开撕破脸是不可逆的，关系一旦破裂很难修复。优先做那些失败了还能回头的事。 选择非对称收益的冒险： 成功了收益巨大，失败了损失有限。比如主动向老板提案接入一个新的AI能力到公司内部系统，做成了你就是公司里最懂AI的那个人，做不成也只是浪费了几周时间。 选择能沉淀能力的冒险：即使项目最终失败了，你在过程中学到的技能、积累的经验、建立的人脉，全是你自己的。这些东西不会因为项目被砍就消失，它们沉淀在你的简历上，跟着你走。 把冒险当成投资组合来管理：你80%的时间用来做确定性高的事，保证基本盘稳固。剩下20%的时间去试那些不确定但有可能带来巨大回报的事。这样即使冒险失败了，你的基本盘不受影响。 5. 真正的风险是什么? 我见过太多人在30岁的时候就把职业生涯过成了一条平缓的直线。 稳定的薪水，稳定的职级，稳定的工作内容。看起来什么风险都没有。 但他们不知道的是，外部世界的变化速度远超他们的想象。 行业在洗牌，技术在迭代，新人在涌入。当变化的浪潮拍过来的时候，那些在舒适区里一动不动的人，会是最先被冲走的。 35岁被裁的那些人里，有多少是因为能力真的不行？不多。大部分是因为他们太稳了——稳到了技术栈过时、稳到了认知停滞、稳到了除了手头这点活什么都不会。 不冒险才是最大的风险。 你以为你在规避风险，其实你在把所有风险都攒到未来的某一天一次性爆发。就像一个从来不做压力测试的系统，在生产环境遇到第一次流量高峰就直接崩了。 你现在在职场中面对的每一个选择，要不要接那个有挑战的项目、要不要转去那个新方向、要不要主动申请那个跨部门的机会——问问自己：做这件事最坏的结果是什么？我能承受吗？ 如果最坏的结果你能承受，而最好的结果能让你跳一个台阶，你为什么不做？ 你有公司给你兜底，你有工资给你保底，你有这个时代给你的无数试错机会。 趁你还年轻，趁你还有人帮你扛风险——去冒险。

决定代码复杂度的东西不在代码里，在写代码的人的脑子里。LLM 碰不到它。 这是 软件工程师 Pol Alvarez Vecino 读完 Peter Naur 1985 年的论文后得出的结论。 为什么 LLM 没法让你的代码更简单 本文最初发表于 Medium（ tl;dr：Peter Naur 的《Programming as Theory building》指出，真正的程序——他称之为 Theory，大写的 T——存在于工程师的脑子里。代码和文档只是下游的（因而不完整的）产物。我对 LLM 最大的抱怨之一，就是它写出来的代码有多啰嗦、复杂度是怎样到处蔓延的。我一直抱着一丝信念：也许我们可以用 LoC 或者独立代码路径数量之类的指标来约束它们。然而，读完 Naur 之后我意识到，我们想降低的那个复杂度是 Theory 的复杂度，不是代码的复杂度，而这方面没有任何可用的度量，因为它非常主观。 我最近读了 Peter Naur 那篇精彩的论文《Programming as Theory building》（ LLM 能做什么、不能做什么的看法，也改变了我对如何给它们写提示词、当前 agent 系统的主要局限，以及结对编程为何如此有效的看法。 今天我只聚焦它和代码复杂度的关系。 如果你还没读过这篇论文，我真的建议你读一读。说实话，我写这篇文章的主要目的，就是让一些人去读原论文。它值得花这个功夫。这也是练习（或学习！）在 Solveit 里做精读的绝佳机会，因为在 Solveit 里这要容易得多：你可以在阅读过程中随时提问，钻进任何你感兴趣的兔子洞，或者直接让 Solveit 帮你把语言讲清楚。关于精读的更多信息见这篇博文（ fork 我的对话记录快速上手（ 话说回来，如果你还是决定不读，这里是论文的 tl;dr： 程序是构建和维护它的人所持有的 Theory：一种理解——程序如何与现实世界的问题相关联，哪些约束和权衡塑造了它，它为什么能工作，以及哪些改动符合它的设计。代码和文档是这套 Theory 的下游产物，永远无法完整地承载它。 工程师通过经验发展出这种理解：与用户交谈、观察故障、学习领域知识、观察系统在真实世界中的表现。这种理解指导着对相关性、相似性、简洁性和良好设计的判断。 LLM 不太擅长持续学习，不擅长和用户交谈，也不擅长在真实世界里体验事物。但这和复杂度有什么关系呢？ 我想我们都同意：LLM 总体上倾向于让代码库的复杂度上升，如果没人管的话。原因有很多：它们没意识到某个方法已经存在，于是又写了一遍；它们写过度防御的代码，比如为不可能发生的边界情况做防护；或者过早地过度优化。顺便说一句，大多数前沿实验室从你消耗的 token 里赚大钱，所以它们多少有动机去推广 token 最大化。总而言之，LLM 很少遵循 KISS 原则。这个问题在你不看输出、纯 vibe-coding 的时候最严重。但即使你会审查代码，要想让程序保持简洁，也需要主动付出努力去尽量削减复杂度。 在我天真的日子里（大约两周前），我曾以为我们早晚能爬出这个复杂度的大坑。前沿实验室只需要在 RL 训练里加一些复杂度惩罚就行。他们可以用总 LoC 作为最小化的指标，但我们都同意，有时候一行代码比两三行更复杂。另一个选项是圈复杂度（cyclomatic complexity），它衡量独立代码路径的总数。读完 Peter Naur 之后我意识到，这些东西无法真正解决问题（也许能稍微缓解一点）。我们来看看为什么。 为什么代码复杂度是错的指标 在下面这个（我编的）例子里，我们想支持调用 OpenAI 和 Anthropic。假设所有的消息准备和重试逻辑完全一样，只有请求体参数略有不同，于是我们有两个不同的方法 call_openai 和 call_anthropic。 在第一个朴素版本里，我们有两个不同的类，带重复的样板代码（即 prepare 和 with_retries）。 分开 —— 指标会发现重复 class OpenAIClient: def complete(self, prompt): msgs = prepare(prompt) # 公共样板代码 y = call_openai(msgs) # 唯一不同的一行 return with_retries(y) # 公共样板代码 class AnthropicClient: def complete(self, prompt): msgs = prepare(prompt) y = call_anthropic(msgs) return with_retries(y) 一个直接的 refactor 是创建单个类，做到 DRY。按很多指标看这都是更好的实现：行数更少、Halstead 容量更好（V=N×log2(n)，N 为程序长度，n 为词汇量）、可维护性指数（Maintainability Index）也更好。 合并版 —— 按指标看确实更好：DRY，行数更少 class LLMClient: def __init__(self, provider): self.provider = provider def complete(self, prompt): msgs = prepare(prompt) y = call_openai(msgs) if self.provider == "openai" else call_anthropic(msgs) return with_retries(y) 一般来说，第二个版本（或者类似减少 LoC 和重复的版本）复杂度更低。但是，如果我告诉你，下个月我们很可能就停止支持 Anthropic 了呢？在那种情况下，我更倾向于让它们保持分开，这样到时候我只要删掉包含 AnthropicClient 的那个文件就行。 当然，这种简单的例子很容易解决，尤其是现在 LLM 可以帮你写代码。但如果你的目标不是 2 个供应商，而是像 LiteLLM 那样支持 165+ 个供应商呢？那种情况下，直接用 LiteLLM 就行。但那样你就把 120 多万行 Python 代码放到了你和最终供应商之间。值得吗？ 设计良好的 API 是抽象复杂度的绝佳方式。你有清晰的契约，不需要理解背后发生了什么。即使 LiteLLM 是一个庞大的包，它也可能不计入你的 Theory 总复杂度。LLM 推理端点早期的日子就是这样：「文本进，文本出」。然而，当契约不再可靠时，这一切就会崩塌。原因可能是它有 bug，可能是 API 背后藏着大量你拿不到的状态，也可能仅仅是你不确定某个新供应商特性是否被支持。 每当你被迫窥视 API 抽象层背后的深渊时，那份复杂度就成了你的问题。这个问题正变得越来越普遍。像 OpenAI 和 Anthropic 这样的供应商，越来越多地把数据藏在服务端，比如加密的压缩数据或推理 token（更多讨论见 如果你在快速推进、只用基础功能、想尝试很多供应商，那么 LiteLLM 或类似的库可能值得用。反过来，如果你看重控制力、调试和对技术栈的理解，那可能就不值得。不存在「正确的」复杂度（虽然我非常偏好第二种选择）。 进入 Theory 决定走哪条路的信息不在代码里。这些信息属于 Naur 所说的程序的 Theory 的一部分。迄今为止，LLM 几乎接触不到这些信息，因为它们活在人的脑子里。它们可以从 IM、邮件或其他书面文档里得到一些线索，但那些永远只是局部的（最好的情况下）。 其中一些信息可以作为上下文提供给 LLM，比如业务优先级、预期的产品变化、运维约束，以及早期决策背后的原因。这样做也许能改善它的选择，但这些仍然只是 Theory 的产物。它们无法完整地传递团队发展出这套 Theory 所依赖的经验和判断。 这些都很好，但如果我全身心投入 vibe-coding 和 token 最大化、完全不在乎代码呢？那样的话，这篇博客后面的内容说服不了你。如果你处于两者之间，我来描述一个我们在 亲身经历的真实情况，关于 Solveit 的计费系统。 剧透警告：在 最初的计费系统 Solveit 是一个平台，你可以在里面用 AI 在一个类 notebook 的环境里工作。环境是持久化的，所以我们对 LLM 用量、CPU、磁盘、内存和带宽收费。 最初的计划是向用户收月度订阅费（比如 5 美元）。这笔月度订阅费变成当月可以消耗的积分（credits），如果全部用完，下个月之前就得充值。我们先在一个更小的项目里测试了这套方法来验证它。 这套方法后来证明比我们想要的更复杂。第一，积分 + 订阅的机制会把人（比如我自己）搞晕。第二，它让代码在多个层面上更复杂。你得处理「先消耗月度订阅积分、再消耗普通积分」的所有逻辑，以及剩下的积分怎么办。在 Stripe 这一侧，它有两个不同的代码路径：手动充值和订阅服务。 对不熟悉的人来说，Stripe 订阅是一个全托管服务。Stripe 管理整个生命周期（扣款周期、发票、重试全在他们那边）。 你大致只需要这样创建订阅： stripe.Subscription.create(customer=cust_id, items=[{"price": "price_5usd_monthly"}]) 然后监听他们的 webhook，在订阅状态变化或付款到达时更新你的数据库（还有很多其他事件可以选择）。 直接收款则需要你启动一个 checkout session，让用户跳转到 Stripe 的域名填卡。这需要你提供一个 customer ID。那应该在什么时候创建 Stripe customer？用户注册时？他们尝试付款时？还是别的时机？全都是合理选项。 stripe.checkout.Session.create(mode="payment", customer=cust_id, line_items=[{"price": "price_5usd", "quantity": 1}], success_url="") 到目前为止还好吧？如果你对 Stripe 或支付没有太多经验，很可能你已经感到吃力，没法把这一切全装进脑子里。也许你设法把它简化成了： • 订阅 → 交给 Stripe 订阅服务管理 • 充值 → Stripe checkout 一个不明显的问题是：使用 Stripe 托管服务意味着你有重复的数据。一半数据在 Stripe 的后端，而你必须保证本地数据库和它同步。另一个问题是，调试的时候，你既要查 Stripe 的服务，又要查自己的数据库。比如，一笔付款没到账，是 Stripe 没发 webhook（「他们的错」），还是我们没把它存进数据库（「我们的错」）？ Stripe 订阅服务很棒、很容易上手，但它是为支持海量用例而设计的。这意味着，即使设计得很好（它确实很好），这个 API 抽象最终也相当复杂。在这种情况下，你在用「卷起袖子自己写代码的复杂度」交换「学习 Stripe API 的复杂度」。 LiteLLM 和 Stripe 在不同规模上展示了同一个权衡：只要契约成立，外部抽象能极大地简化你的 Theory；但每当你需要调试、修改或超出契约去推理时，它隐藏的复杂度就变成你的了。 AAI 的做法 在 经过很多天的探索和讨论，我们最终定下了一个简单得多的系统。 首先，我们只做积分（credits），按用量收费。这是一个超级简单的模型（和 Theory！）：充值积分，用多少付多少。 订阅一去掉，我们就可以删掉一大块用来保持同步的代码。剩下的付款路径只有两条：手动充值和自动充值。要做自动充值，你需要能保存客户的信用卡，以便随时扣款。而 Stripe checkout 不会保存信用卡，你只是让 Stripe 在他们的 UI 里处理这次付款。 长话短说，我们最终发现最简单的办法是：用户一注册就保存他们的信用卡。卡一旦在档，用户可以用它手动充值，也可以设置成自动充值。因为全部是我们自己处理的，同步问题几乎为零。我们只监听支付成功事件（没有订阅了！）。 结果就是，我们支付系统的 Theory 可以用一句话概括： 客户注册时添加信用卡，之后我们对该卡扣款——要么手动（充值），要么在余额不足时自动扣。 手动充值和自动充值现在走同一条支付路径。我们整个支付技术栈——拆在 Solveit 和 faststripe 之间——大约 300 行代码。 结果是非常低的复杂度，但这是数小时的探索、尝试和讨论换来的。我这里的解释充其量只是触及皮毛。 印度登场 那么上线那天发生了什么？一切顺利吗？没有。上线后我们发现，印度信用卡不支持你想什么时候扣就什么时候扣的 off-session 扣款。手动充值属于 on-session，仍然可以工作，因为用户会在我们的 UI 里看到一个类似 3DS 的验证流程；但自动充值不行。 在寻找解决方案时，我们发现 Stripe 托管订阅在印度确实能工作。为什么？因为 Stripe 替你绕开了所有这些复杂度。他们提前一天创建并持有 off-session 的支付意图（payment intent），这样银行就能在实际扣款前向用户发送预扣款通知或认证请求。 我们迁移出托管订阅时，就失去了这个特性。我问了一个前沿 LLM——我记得是 GPT-5.5——我们该怎么处理这个问题。你猜它给出的方案是什么？ 用回 Stripe 订阅来处理 这个 LLM 提议的正是我们刚刚迁移出来的方案。读到这里，你会怎么说？你的意见是什么？我们应该迁回去吗？ LLM 列出了两个选项：要么同时支持两套系统（随时可以开工，你一句话就行！），要么完全迁回旧的系统。我们做了什么？什么都没做。我们非常看重 Theory 复杂度，于是我们决定：让印度用户手动充值就好了（抱歉了各位！），换来一个更简单、更健壮的平台。 如果你不同意我们的选择，反思一下为什么不同意。真的，现在就停下来想一想。 这个问题没有正确答案，而这篇博客的目的之一，就是帮你看清你的答案来自哪里。你的论据是什么？更具体地说，它们是从哪里来的？ 有很多场景下 Stripe 托管服务是更优的选择。举几个例子： • 公司收入最重要，手动充值的额外摩擦可能会让我们损失一些印度销售额，那我们应该迁回去（或者同时支持两套） • 销售团队用 Stripe Dashboard 的 UI，所有支付信息都放在我们自己的数据库里并不理想，因为他们没法在那里管理 我的观点是：你的代码的复杂度，真的取决于一大堆和代码无关的因素，而那些信息不在代码里。 隐藏的优势 那么为什么不干脆让 LLM 全权处理这些事呢？在我看来，最妙的答案是：我们的工作方式揭示了一个可能的商业机会。印度不支持 debit mandate（借记授权）的方式和世界其他地方不一样。Stripe 试图解决这个问题，但远远不是一个完整的解决方案。 在理解和简化流程与 Theory 的过程中，我们学到了产品之外有价值的东西。在我看来，这类洞察是可以转化为竞争优势的。 努力去理解，本质上就是一个简化 Theory 的过程。如果你放任 LLM 在复杂度上为所欲为，你可以很快产出大量代码。选择简化路线更长、更费劲，但长远来看我认为它是值得的，而且你可能会在路上发现隐藏的宝石。 原文： #LLM# #编程# #代码复杂度#

彻底癫了 又是行情疯癫的一天。 今天a股成交额3.6万亿，刷新了历史纪录。很多人在讨论巨额成交量意味着什么，我打个比喻，成交额差不多相当于是股市的心跳，心跳太低说明a股在睡觉或者缺乏运动，一旦a股情绪激动或者剧烈运动，心跳就会攀升，但心跳太快对身体是一种负担，像今天3.6万亿的成交额大概相当于每分钟200下的心跳，已经是超频运转，这个状态不可能一直持续的，否则会出事的。 今天市场的中位数+1.2%，其实涨的不算很多，但局部板块被资金疯狂推高，形成了高烈度的积聚效应。商业航天继续暴涨6.4%，脑机上涨5.1%，除了这两个当红炸子鸡外，还新出了一个GEO概念（生成式引擎优化）。 要解释GEO，先解释一下SEO。 我早年刚创业的时候做过互联网网站，当时为了获得免费流量，会进行专门针对搜索殷勤的优化。具体操作是给网站加一些伪原创文章，用几个账号来回对话假装讨论很热烈，另外还会找其他网站交换友情链接，目的是让搜索引擎觉得我的网站很繁荣，很有料，很体面，增加在搜索结果里的推荐权重。 这种就是SEO优化，有专门的公司做这类业务，我当初刚创业，为了省钱就自己做，效果当然不好，就是瞎搞。 知道了SEO后就知道GEO是什么了，SEO是针对搜索引擎（主要是百度）的优化，GEO就是针对AI引擎（豆包、元宝等大模型）的优化。给品牌批量写一些宣传内容，投喂到ai日常搜索的语料库里，这样ai在回答用户的提问时就会主动替品牌说好话或者进行推荐。 为什么GEO概念今天突然爆发了呢？其实还是和马斯克有关，因为他说要在7天内公布X平台（就是以前的推特）的内容推荐算法，并且以后每4个星期更新一次。 马斯克这么做是为了化解欧盟等多国监管压力，回应算法偏见、影子禁言等质疑以重建用户信任，是经营层面的选择。但传到a股这边就被解读成算法公开后，会刺激针对算法的GEO发展，至于谁来做GEO生意，暂定a股的传媒板块。 于是今天传媒+8%，顺带把影视+6.5%和游戏+6%也带飞了，因为这三个板块的个股是大量重叠的。 其实我觉得这个概念炒作是不靠谱的，首先目前只有X愿意开源，其它大模型并没有跟进，其次x在墙外，国内ip无法访问，业务关系不大。当然最重要的是就算后面有GEO产业，我也不相信a股哪些传统传媒公司能做好，没这个基因。 只是这次概念发明的太快，等不及了，直接找个以前的老登板块，戴个头套就先上去表演了。牛市的时间窗宝贵，一天都不能浪费。 我昨晚给你们说过牛市的本质，就是情绪饱满，流动性溢出，这个时候大部分的股民都处于fomo的状态，着急寻找共识板块，挣大钱，挣快钱。现在一天涨2-3%都很难满足散户的胃口了。 这种时候最容易凝聚共识的就是超级机构或者超级大v，马斯克正好就承接了这个角色，他说的话会被放大，然后映射到a股，热钱积极炒作投机。你问那些追涨停的游资大户有几个真的相信商业航天、脑机、GEO，他们根本不在乎，只要在退潮之前卖掉股票，后面就算天塌下来也无所谓了。 …… 今天有6个板块是绿的，保险、油气开采、农化制品、房地产、石油加工、煤炭开采，在这种群魔乱舞的交易日里亏钱也是够糟心的。另外像汽车、制药、银行、高速公路、养殖这些传统行业今天也涨的很少很少，这些都是本轮行情的失意者。 很多人在股吧和社区论坛上咒骂，诅咒科技板块的泡沫风险，痛骂市场不理性，其实就是没给自己的持仓抬轿。 我前面也说了，牛市时间窗宝贵，资金都在追随最强共识。这些滞涨的传统行业缺的就是共识，没业绩，没故事，没流量，你在牛市里买这些股票，亏钱风险小，但是浪费了机会成本。 除非出现超级事实，或者超级机构、超级大v来创造共识，不然都扳不过来，只能等那些热门概念玩透了，玩崩了，资金逃出来的时候看看能不能高低切反弹一下。 …… 1、黄金和白银又涨起来了，黄金已经到4600了，白银今天最高也超过85了，前几天挖的坑都填回来了。4500以上的黄金我停止定投了，虽然还是没有买到我满意的仓位，但过去半年好差还是加了一些，就先这样了，黄金后面没有大调我暂时不买了。 对了，前几天说的那个白银lof，其实一直有溢价，一直是可以滚动套利的，就是限购金额有点少，在这个牛市的大环境下，一天十来块钱都不好意思提了。 2、伊朗外长称政府已经和抗议者展开对话，局势得到控制。但就我看到的信息而言，局势先不说恶化，反正是没有好转。我教大家看一个信号，什么时候在国内官媒上看到关于伊朗的大面积报道了，说明那边确实不闹了。 大致就这些吧，今天很多股民在讨论目前的行情合不合理，那肯定是不合理的，涨幅能算出来的那是熊市，牛市的行情一定是突破技术指标，突破估值模型的，因为牛市完全由流动性和情绪驱动的。这个时候看财务的书，看技术的书，还不如看点行为心理学的书更实用。 记住你现在已经不是在投资，接下来的时间就是标准的博弈投机。 发射～

南昌锜振东案省流总结：，全程录音，女上位，事后主动要求再来一次，一审男方6年，强奸罪成立。 详细一些的版本： 男女双方都是某大学学生，男方的家庭比较贫困，因此闲暇之余勤工俭学的在学校兼职修理手机，男方因为帮女方修好了手机，双方就此开始相识，之后双方关系越来越密切和暖味，在微信互发比较暧昧的信息，并且以“宝”称呼。 5月7日，女方的手机又损坏了，男方无偿修好，随后女方去男方的宿舍拿手机，并在男方的宿舍里，双方发生了关系。 一天之后，女方再和男方见面，要求建立男女朋友关系，被男方拒绝，然后女方就将此事告知心理老师，心理老师建议其报警，于是女方选择报警。 再过一天，也就是5月9日，警方找到男方做笔录，男方并没有第一时间被拘留，而是仅仅被监视居住。 此后女方表示自己有跳楼倾向，并且声称生活不能自理，6月份，女方拿出抑郁症的证明。 到了8月27日，警方正式刑事拘留男方，10天后被批准逮捕。 在庭审的过程中，男方拿出双方的聊天记录，聊天记录里双方聊天大胆露骨，互相试探挑逗，并且女方还给男方发过穿蕾丝的大尺度自拍，显示双方处于暖味关系中。 而女方则表示这些暧昧的词语并不能代表自己同意发生信关系。 男方表示在发生信关系的整个过程中，女方既没反抗也没呼救，男方所住的宿舍是隔音很差的学校公寓，如果男方真的强了，女方呼救，隔壁宿舍肯能听到，但是隔壁的邻居表示没有听到任何声音，而女方表示没有呼救，是因为自己当时过于恐惧。 男方又拿出了自己拍的全程视频证据和学校的监控录像，在发生信关系之后，两人共同离开，女方与男方相处平和，甚至有女方靠在走廊等待男方出门的画面，男方律师还调取了次日的街道监控录像，发生信关系的次日，女方再次来到男方宿舍，等男方洗完澡，还找男方要了一瓶啤酒，酒后与男方共同走路还互相牵手去散步，但女方表示自己此时有严重的抑郁症，所以上述行为并不能代表已经同意发生关系。 男方的姐姐为了反驳这点，跑到给女方做抑郁认定的医院，靠撒谎以及填写了一份问卷调查后，获得了一份重度抑郁的病历。 于是本案中最大的争议点来了，出于情趣，男方在和女方发生信关系时进行了录音，这份录音长达21分钟。 这段录音记录了二人发生信关系的全过程，在这过程中，女性的表现非常强势，女方甚至还说了“你不行的话就给我起来”，并且在男方说“太累了，我困了，想睡觉，等我休息一晚上”后强行将姿势调整为铝上位，然后男方询问“你累不累”，而女方则是戏谑的以“你要是累就打死你”，为理由要求男方继续满足她的信需求。 即使有录音和全程视频证据，有聊天记录证明两人关系暧昧，证明全程无强迫性质及女方主动，甚至还包括了铝上位这一类完全不可能是坚强的姿态，但都没用。 法院认定是坚强，男方一审被判六年，二审判三缓三。 某些人不是经常说“可以一边发生信关系一边录音录视频自证清白”吗？本案彻底击穿这个幻想，事实证明无论是同意书还是录音录视频都没用，只要对方一口咬死你坚强了，基本就没辙……

Claude 新的一篇博文《How Warp builds self-improving agents on Claude》 ，看了后还是挺有收获，它解决的是 Skill 的进化问题。 这个问题我以前也研究过，我写了一个反编译 JS 代码的 Skill（ Agent 反编译的时候遇到新的场景解决了就自己更新自己的 Skill，效果还不错，能一直优化，就是 Skill 文件越来越大。 我还研究过写作的自我进化 Skill，那个就一言难尽，因为它其实没有自己统一的标准，经常负优化，越写越糟糕。 说回来 Warp 这个，Warp 是一个挺有名的终端工具，内部尝试借助 AI 做 Code Review。一开始让 Agent review 代码，效果并不理想，主要问题体现在 Agent 不了解你的项目，不知道你的团队规范，不知道历史经验教训，就算你指出来问题它下次还记不住。简单来说就是没有记忆。 初期他们采取了很多补救措施： - 手动根据失败案例改系统提示词 - 完善项目的 AGENTS.md 文件（有意思的是这篇文章是 Claude 发的，但是用的是 AGENTS.md 而不是 CLAUDE.md，我记得 Claude 默认不支持 AGENTS.md 的😅） 但效果并不理想，一方面它依赖于人主动去做，成本较高；另一方面团队成员在 Code Review 时人工在 PR 写的高质量评论完全没用上。 所以他们搞了个解决方案，一个基础 Skill 负责做代码审查，一个改进 Skill 负责定期收集人类工程师在代码审查时的评论，尤其是对 Agent 审查结果的评论，根据人类工程师的评论去更新代码审查的 Skill。 换句话说，它不是依赖于模型自己去改进自己，而是 Agent 根据人类对模型结果的标注（人类对代码审查的评论），去改进技能。 只不过它把这个事做的摩擦力极低，不需要人手工去收集整理评论，不需要填写调查问卷，人只要自然的去代码下写评论，后面的事情都是 Agent 自动完成。 这可能正是 Agent 的最佳实践方案之一：人负责高纬度的标注、评论、反馈这些事情，Agent 去做执行的工作，Agent 根据人类的反馈去改进 Skill。 除此之外，他们还总结了一些最佳实践： 1. 写原则，不要写死规则。 编写 skill 时，要像在指导一个聪明人，而不是在给计算机编程。在 Skill 中写“寻找重复代码”，比列出详尽的变量命名规则更有效。 2. 解释为什么。 说明规则背后的理由，能让智能体针对问题进行推理，而不是机械执行僵化指令，也因此更容易举一反三。 3. 让反馈没有摩擦毫不费力。 在人们原本工作的地方收集反馈，例如直接评论 PR 或 issue。同时让收集过程自动发生，不要增加额外的提交步骤。低摩擦才能让信号持续流动。如果反馈太麻烦，你就收不到反馈，也就无法改进 Skill。 4. 保持 Skill 精简，并使用渐进式披露。 优秀的 skill 文件不会很庞大；它会引用资源文件和脚本，而不是一次性把所有内容都塞进上下文。 5. 反馈质量大于数量，但数量也有帮助。 一位资深工程师给出的少量、详细且与领域相关的反馈，可能比大量草率反馈更有价值，因为简单的赞成／反对并不能说明“为什么”。 即使样本量相对较小，只要反馈来自掌握领域知识的人，而且足够详细，你也能得到非常好的信号——这些知识是智能体通过其他方式根本无法获得的。话虽如此，优质信号的语料越多，效果越好。 6. 做好改进 Skill 的 Skill，可以用来改进其他 Skill。 把改进 Skill（也就是前面提到的一个代码审查 Skill 一个改进 Skill）做好，收益不只限于眼前这套 Agent 循环，因为改进 Skill 在不同用例之间具有很高的复用性。除了领域专用知识这一部分，它其实是一套相当通用、可复用的机制。代码审查 Agent 的改进 skill，也可以应用到其他 Skill 的改进上。 可能有人会担心：如果反馈本身是错的呢？ Warp 的做法是永远不让 Agent 盲目接受反馈。给它足够的上下文来做基本的合理性检查，限制谁的反馈有权影响技能更新（不是所有人的意见都同等重要），最后始终保留人在循环中审核改动。 对于那些有明确标准答案的领域，比如代码是否通过了测试、部署是否成功，可以先建一个验证基准，让 Agent 自己对着基准跑。没有标准答案的领域，比如代码风格、文档质量，就靠领域专家的判断，不要开放给所有人随意反馈。

有人说 bStocks 买美股贵？还有人说要扣10%的手续费？我实在不懂，正常人怎么能说出这种虎狼之词，然后还真的有不明就里的人相信。 我今天就把怎么交易美股现货、手续费多少、股息分红怎么给你、在币安买美股有没有投票权？一次性讲清楚。 去年我就动了买美股的念头。所有人都跟我说，去开个盈透（IBKR）账户就行了。我老实提交资料结果来回折腾了整整一个月，过几天系统又让我补一份新的，也没个在线客服可以问。传统券商对非美国用户的门槛是出了名的高，甚至那些银行基础设施不完善的国家，有些人根本开不了户。 后来，币安在 2026 年 6 月 1 日上线了真实美股交易，我就直接在币安上买了。 7000 多只美股和 ETF，跟传统券商比体量差不多。背后是纽约的 Alpaca 做清算和托管，你买的是真实股份，拥有实益所有权、投票权，还有 SIPC 保护，每个客户最高赔付 50 万美元，最低 5 美元下单。下单通道是 ADGM 监管的 Nest Trading，由 Alpaca 负责执行、清算、托管、派息和公司行动。 对于股息，币安会用 USDC 把分红打给你，扣除 30% 的美国预扣税之后到账，注意， 30% 是美国政府的税，不是币安收的手续费。 我买 100 股台积电(43,500 美元)，佣金是0，只付 0.05% 平台费 ≈ 21.75 美元，USDC 结算无价差、监管费币安全包。ADR 转嫁费每年 1–3 美元可忽略 谣言传的是"扣 10%"，1 万美元要被扣走 1000 美元？跟实际差了200倍 ，传谣言的人，数学是外星人教的吗？ 横向比一下。币安每单最低 0.17 美元，只有盈透的一半，盈透对非美国用户走的是 IBKR Pro，阶梯定价每单最低 0.35 美元，固定定价每单最低 1.00 美元，真正零佣金的 IBKR Lite 只对美国居民开放。Robinhood、嘉信（Schwab）确实是完全零佣金，但对非美国用户有地域限制，根本进不去。 刚开始交易，手续费不是困扰我的点。对于习惯了 7×24 小时永不打烊的加密世界。突然要适应美股只在"盘中"几个小时交易。 盘前指的是，北京时间下午 16:00 到晚上 21:30（美东 4:00–9:30） 盘中：晚上 21:30 到次日凌晨 4:00，这个时段流动性最好 盘后：次日凌晨 4:00 到早上 8:00 隔夜（夜盘）：早上 8:00 到下午 16:00 也就是说，如果在 UTC+8的时区 白天 我们下单，交易的是夜盘 ，流动性并不好。 美光这种公司，财报往往放在盘后（16:00 收盘之后）发；而美联储讲话，又常常安排在盘前。为的就是避免直接冲击盘中股价。 为了同时解决开户的麻烦和只能盘中交易的限制，bStocks 出现了。 币安上的真实美股，可以 1:1 零费用转换成 bStocks。bStocks 是 BNB Chain 上的 BEP-20 代币，7×24 小时交易，可以提到你自己的钱包，可以进 DeFi。这就是"加密 + 美股"，对标Ondo Finance 。 bStocks 现在还很很早期，目前只有 10 只热门的代币化股票包括美光、英伟达、特斯拉等。对面 xStocks 已经有 131 个标的，Ondo 有 430 多个。 那为什么品种这么少？不是币安偷懒，bStocks 走的是阿布扎比 ADGM 的"核准招股书"路线，每加一只股票，都要单独走一遍监管核准。 而 xStocks、Ondo 用的是"基础招股书 + 补充文件"的模式，加一个新标的，只要再递交一份补充文件就行。所以人家一次能加几百个，bStocks 只能一小批一小批地加。 接下来聊聊bStocks 股息怎么分配？ bStocks 的实益拥有人是阿联酋注册的实体 BTech Holdings，由于阿联酋跟美国没有税收协定。意味着同样一只股票的股息，在盈透，填 W-8BEN 能把预扣税降到 10%（中国是 10%，英国和加拿大都是 15%）。持有 bStocks，默认 30%，没有减免。 bStocks 股息不发现金，自动再投资买成股票，你的持股数从 1 股慢慢变成 1.008、1.01 股。你什么都不用做，余额自动增加。 虽然30% 预扣税听上去很多，但是，大多数美国科技公司本来就不怎么发现金股息，更喜欢用回购来回馈股东。 英伟达 5 月 20 日的 8-K 新增 800 亿美元回购授权，叠加之前剩下的 385 亿美元额度，合计约 1180 亿美元的回购，把股票从用户手上买走、类似于BNB的销毁。 AMD 也走纯回购路线，2025 年 5 月 14 日再批 60 亿美元回购计划，叠加余额后总额约 100 亿美元。 所以这个 30% 的税，对偏爱稳定派息股的人有影响，那些公司增长有限不偏好再投资。对科技股投资者来说，影响其实很小。 我真正看好的，是bStocks 瞄准的万亿级市场。 Aave 创始人 Stani Kulechov 和高管 Luigi D'Onorio DeMeo 在 6 月 26 日公布，Aave V4 要把代币化股票引入链上的证券借贷。 全球证券借贷的在借规模大约 4.6 万亿美元。你在传统券商持有的股票，会被借出去给人做空， DeMeo 的原话是，像 Robinhood、嘉信这样的主经纪商和零售平台，通常会截留 50% 到 85% 的借券费，只把一小部分返还给你。 2025 年这个市场创造了多少收入？EquiLend 的数据是创纪录的 153 亿美元，同比涨了 26%，在借余额首次突破 4 万亿美元。其中绝大部分，被中间商拿走。 链上的玩法，就是把中间商去掉，这才是代币化股票真正的杀手级用途，你的股票可以像 DeFi 资产一样被抵押、被借出、为你生息。 Kulechov 还说：美国回购市场日均敞口约 12.6 万亿美元、保证金融资约 1.3 万亿美元、财富管理端的证券质押贷款超过 4000 亿美元，他认为这是"华尔街之外几乎没人会想到的、最大的市场之一"。 从DeFi Summer的进程来看，美股代币可能也会出现各种组合。 第一，链上跟单美股。现在的链上跟单，市场太薄，别人能轻松狙击你的仓位。但美股有世界级的深度，大市值股票极难被操纵，而且有真实股份套利在背后锚定价格。深度、透明、抗操纵，是美股的优势。 第二，循环杠杆。bStocks 能被反复当作链上抵押品，理论上可以存→借→买→再存，按 60% 的抵押率循环下去，最高能撬到大约 2.5 倍。Lista DAO已经支持 bStocks 抵押借贷了， Venus 那边把特斯拉、英伟达、SpaceX（抵押率分别 60%、60%、50%）加进了 Core Pool，但借款功能还没真正开放。杠杆会放大清算风险：美股有隔夜跳空，bStocks 盘后价差又宽，一根周末的大阴线就可能很危险。这个等深度再好一些再玩，也不迟。 第三，是我自己的想象，也许有一天我们会出现链上 ETF。热门的主题 ETF 都是要收管理费，比如 Roundhill 的 DRAM 存储主题 ETF，管理费 0.65% 一年，有些 ETF 甚至能到 1%。很多ETF一年的收益也就10%，什么都不做10%又被基金经理抽走了。 但在链上，你完全可以自己组一个篮子（英伟达 + AMD + 美光，权重你自己定），管理费是 0，gas费可以忽略不计（对比一下，连 QQQ 现在都还要收 0.18%）。再平衡也能用预设规则自动跑（比如按市值加权、定期再平衡），不用你天天盯盘。 bStocks 现在还非常早期。传统金融和币圈的兼容正在发生，我们一起见证这个时代。

80年代空军飞行员找对象，只有这三个途径 15、6岁就进航校的80年代空军飞行员，整整10年被严禁私自接触外界异性，刚到法定婚龄，组织上却催着必须立刻找对象成家。 我爸当年就是这批老飞行员里的一员，酒桌上跟我唠过好多次他们那辈找对象的往事，我听完真的半天没缓过神。 ​那时候他们过的完全是半与世隔绝的全军事化生活，作为特殊兵种，连和普通外界人员来往都要提前打报告审批，更别说年轻气盛的小伙子私自谈恋爱了，就怕分心出半点差错，那可是上天的行当，错一次就是拿命填的窟窿。 好不容易熬到二十多岁，到了该成家的年纪，大伙才集体傻眼了——身边除了男战友，连个适龄女青年的影子都摸不着，找对象的渠道掰着手指头数，拢共就三条。 第一条路，全靠吃小时候的老本，找老家上学时认识的女同学。 可你想啊，十五六岁进航校，一别就是十年，当年同班小姑娘长啥样，好多人都快记混了。 不过那时候飞行员的身份含金量极高，只要亮明身份回去追，成功率基本都在八成以上。 但还有个谁也绕不开的硬门槛：得用当初招飞行学员的政审标准，把女方全家三代都审一遍，不少人最后就栽在这关上，黄了亲事。 第二条路，就是每年去疗养的空军疗养院、部队医院。 飞行员每年都有20天到1个月的固定疗养期，院里的女医生、女护士，就成了大伙眼里最抢手的择偶目标。 本身都是部队体系内的人，政审百分百能过，知根知底。 可架不住飞行员人数太多，医护人员就那么点，完全是狼多肉少，抢破头都轮不到普通小伙子。 更关键的是，这些医护天天在部队待着，太清楚飞行员这个职业的风险了，当时部队里还流传一句大实话：“巧克力好吃，寡妇难当”，不少人压根不愿意嫁，守活寡的滋味谁都不想尝。 最后剩下的路，就全靠父辈、战友、老同事牵线介绍。 好多人见了两三面就匆匆领证，说不好听点，不少人真的是为了完成“稳定后方”的任务才凑到一块的，根本不像现在年轻人谈恋爱，要三观合、要聊得来、要有心动的感觉。 为啥组织上这么急着催大家结婚？说穿了也很实在：只有后方家庭稳了，飞行员上天的时候心才能定，思想不会飘。 至于两个人婚后日子过得算不算幸福，在那个年代真的是很多人都愿意主动牺牲的东西，也没人好意思把“追求幸福”挂在嘴边当择偶标准。 那时候的感情真的特别纯粹，上边管得严，平时俩人见面的时间少得可怜，不少小夫妻直到入洞房，连手都没牵过几次，更别说拥抱接吻了。 但也正因为这样，那辈人的婚姻稳得离谱，离婚的人少之又少，大家都觉得离婚是天大的丑事，在亲戚朋友面前根本抬不起头。 换做现在的年轻人，能接受这种先结婚后培养感情的模式吗？

涂涂姐教你约会系列第十一期-如何把握35+大龄剩女的"最后窗口期" 今天这篇，姐要写一个最反直觉的选题： 35岁+的大龄剩女，是这个时代得吃率最高、却被严重低估的群体。 为什么她们比少妇更容易得吃？ 姐知道，这话一出，键盘侠们要疯了： "剩女眼光高得离谱，谁追得上？" "35岁+的女人都是'不婚主义'，碰都碰不动！" "她们工资比男人高、学历比男人高、要求比男人高，得吃？做梦！" 兄弟们，姐告诉你，这些都是表象。 "35+剩女的'高冷'是装出来的，她们的内心，比谁都焦虑。你只要在'对的时间、用对的方法'出现，她比少妇还好得吃。" 为什么？听姐慢慢拆，三个底层逻辑。 逻辑1：她们正在经历**"信仰崩塌期"** 兄弟们，先听姐说一个真相： 25-30岁的高知女性，是相信"爱情"的。 她们觉得自己优秀、独立、配得上最好的男人，宁缺毋滥。 30-35岁，她们开始怀疑。 但还在嘴硬："我不是嫁不出去，我是不愿意将就。" 到了35岁+，信仰彻底崩塌。 她身边的同学全嫁了、同事全有娃了、闺蜜全在妈妈群里讨论学区房。只有她，还在加班、还在一个人吃外卖、还在凌晨刷朋友圈。 她终于意识到："原来我不是'不愿意将就'，而是'真的没有男人愿意要我'。" 这种信仰崩塌，比任何一种孤独都摧毁人。 逻辑2：她们处于**"生理+心理双重焦虑"** 35岁+的女性，生理上面临"生育倒计时"——医学上35岁就是"高龄产妇"分界线。 心理上面临"自我否定"——她过去20年信奉的"独立女性""学历改变命运""事业为先"，正在被现实啪啪打脸。 她每天起床照镜子，看到的是：法令纹、眼袋、白头发、暗沉皮肤。 她每个月体检，看到的是：雌激素下降、卵巢功能衰退、骨质疏松预警。 这种双重焦虑，让她对"温暖的男性陪伴"产生了前所未有的渴求。 逻辑3：她们的**"得吃成本"反而最低** 兄弟们，这才是最反直觉的真相： 追25岁的姑娘：你需要颜值、身材、情趣、新鲜感。 追30岁的少妇：你需要钱、品味、情绪价值。 追35+剩女：你只需要**——"出现得对"**。 为什么？ 因为她们已经被"市场"折磨了10年。 那些追她们的舔狗全是同一类——油腻中年男、二婚带娃、矮穷挫。 她不是嫁不出去，她是"嫁得出去的对象都让她恶心"。 所以你只要做到——"长得不油腻、有稳定工作、情商在线"——你就已经是她相亲市场上的'神'了。 不是所有35+的女人都是目标。姐给你列**"高得吃率剩女识别清单"**： ✅ A级目标（得吃率最高） 特征： 35-40岁，未婚、独居 985/211毕业，硕士起步 大厂中层、外企经理、医生、律师、高校老师 月薪3-8万，有房无贷 朋友圈晒：旅行、读书、健身、宠物、独居生活 心理特征： 嘴上说"一个人挺好"，但凌晨1点会发emo 朋友圈三天可见 偶尔发一句"原来我也会孤独"，配一张窗外夜景 得吃指数：⭐⭐⭐⭐⭐ ✅ B级目标 特征： 35-40岁，离异未育 二三线城市公务员、事业编、银行中层 父母催婚极度严重 心理特征： 比A级更焦虑、更急迫 但要求更"务实"——稳定、有房、有家庭责任感 得吃指数：⭐⭐⭐⭐ ❌ 直接放弃的目标 40岁+，纯粹"独身主义者"（真的不想嫁） 35+且经济极差（这类大概率是"全职女儿"，家庭复杂） 嘴上嚷嚷"宁缺毋滥"且朋友圈一直发不婚口号的（嘴硬程度=自我洗脑程度，难破防） 兄弟们记住，剩女绝对不去夜店、不去剧本杀、不去相亲角。 正确的打猎场景，姐给你列5个： 1. 高端读书会、行业沙龙（首选） 比如混沌大学、得到线下、湖畔大学开放日、各种"女性领导力"沙龙。 蹲点策略：报一个299-1999的课程，里面60%是35+女性。 2. 高端健身房的私教课 SPACE、超级猩猩、Y+瑜伽。 蹲点时间：周三、周五晚上8点后。 独自来上课、穿着lululemon全套、戴Apple Watch的——80%是这个画像。 3. 米其林餐厅、高端日料的吧台位 蹲点时间：周五晚上7-9点。 一个人坐吧台、点一杯清酒、看着寿司师傅做寿司的——就是她。 4. 商务舱、头等舱、高铁商务座 频繁出差的35+女性，95%是这个画像。 可遇不可求，但一旦遇到，破冰极其容易。 5. 小红书/即刻"独居女生"话题 线上猎场。看最近一周发"独居生活vlog"、配文带"35岁""一个人""周末"的女博主——精准画像。 好了，重头戏来了。姐给你拆一套完整的5阶段打法。 🎯 阶段1：人设打造（第0天） 核心原则：你必须像"她够得着的最好的那个男人"。 兄弟们记住，剩女不是要"高富帅"，她要的是"配得上她"。 姐给你3个**"剩女杀手人设"**，直接抄： 人设A："事业稳定的中产精英"（最优） 标签：金融、咨询、互联网中层、医生、律师 道具：品牌商务衬衫（不要LOGO）、机械表（精工/天梭起步即可）、商务背包 朋友圈：行业洞察 + 偶尔的旅行/运动 + 极少的私生活 人设B："有趣的中年文艺男" 标签：摄影、独立书店主理人、咖啡爱好者、小众音乐 道具：富士相机、复古衬衫、独立电影票根 朋友圈：深度文字+精修照片，不low不油 人设C："温和稳定的大学老师/科研工作者"（杀伤力极大） 标签：高校讲师、博士在读、研究员 道具：眼镜、书、学术会议照片 这是35+剩女最难抵抗的一类男人——因为她们这一辈子，都在追求"知识共鸣" 关键点：人设的核心不是"装"，是"放大你已有的优势"。 你是程序员，就强化"技术专家"感；你是医生，就强化"专业权威"感。 🎯 阶段2：精准破冰（第1天） 核心原则：剩女最讨厌"轻浮搭讪"，你要用"专业感+尊重感"破冰。 场景1：读书会/沙龙 她在台下认真做笔记，茶歇时她一个人站在角落。 走过去，不要先做自我介绍，先抛一个**"专业问题"**： "刚才[讲师名]讲的[某个观点]，我觉得可以延伸到[某个行业案例]，你怎么看？" 关键点：用专业话题替代寒暄，把她当"同事"对待，而不是"女人"。 剩女最爽的瞬间——"终于有人把我当'专业人士'，而不是'未婚女人'看待。" 聊3-5分钟，自然加微信： "你思路很有意思，能加个微信吗？以后这种话题想跟你深聊一下。" 90%加上。 场景2：健身房 她在器械区做训练，间隙刷手机。 绝对不要主动凑过去。 你做你自己的训练，等她明显在等器械时，让出来： "这个你用，我去拉伸下。" 笑一下，走开。 下次她看到你，会主动跟你打招呼。这就是"低调高价值"——在健身房，不主动等于稀缺。 3-4次见面后，再自然搭话： "你训练挺规律的啊，看你每周都来。教练是同一个吗？" 循序渐进，不要急。 场景3：米其林吧台 她坐在吧台一头，你坐另一头。 点一杯比她更专业的酒，跟bartender聊两句行家话。 她会侧目。 10分钟后，让bartender送一杯酒过去，附一张小纸条： "你点的那款偏甜，这一款回甘更好，更适合你今晚的状态。——隔壁的陌生人" 不要主动加微信。 要么她过来道谢——60%概率。 要么她不过来——那就放弃，去找下一个。 记住：剩女这个群体，绝对不能"低姿态"。低姿态=她瞧不上。 🎯 阶段3：建立"势均力敌"感（第2-14天） 加上微信后，最忌讳的就是"嘘寒问暖"。 剩女这辈子被"舔狗"舔够了，你越主动，她越觉得你"没价值"。 正确节奏： 每周聊2-3次，每次不超过30分钟 聊的内容必须"有营养"：行业、读书、运动、旅行 绝对不要问"在干嘛""吃了吗""睡了吗" 适当"消失2-3天"——让她感觉到你"有自己的生活" 话术示范： "今天读了[某本书]里一段话，让我想到我们上次聊的[某个话题]，截图给你看。" "下个月去[某个城市]出差，听说[某个小众展览]在那里，有空你也可以去看看。" "你最近怎么样？周末没出去玩？我在[某地]爬山，发个照片给你看，下次一起。" 目的：让她觉得"你跟她是一个圈层的，甚至比她还要见多识广"。 🎯 阶段4：制造"被理解"的瞬间（第15-30天） 这是核心阶段。 剩女最大的爽点不是"被爱"，是**"被理解"**—— 理解她为什么没结婚、理解她的孤独、理解她的骄傲。 聊到第3-4周的时候，找一个深夜（晚上11点后），主动抛出这一句话： "其实我挺佩服你的。你这种女人，宁可一个人待到现在，也不愿意将就嫁个不喜欢的人。这不是'剩'，这是'选'。换我，可能早就妥协了。" 兄弟，这一句话是核武器。 为什么？因为这是她35年来最想听到、却从来没人对她说过的话。 她身边的人都在催婚、都在说"你眼光太高"、都在劝她"将就"。 只有你，把她10年的"剩"，重新定义成了"选"。 她大概率会沉默几秒，然后跟你说一段她从来没跟人说过的话——关于她的前任、她的家庭、她的焦虑、她的不甘。 那一晚聊完，她对你的依赖度会提升500%。 🎯 阶段5：临门一脚（第30-45天） 最佳时机： 她生日（剩女的生日是情绪最大的爆破点） 她家人催婚之后（春节、国庆后） 她工作受挫之后 她体检报告出来之后 约会场景必须满足3个条件： 高质感——五星级酒店行政酒廊、高端威士忌吧、私人会所 私密——人少、安静、有"逃离感" 她没去过的地方——制造"新鲜感" 话术： "下周五晚上有空吗？带你去一个我朋友圈藏了好几年的地方，去过的人都说想再去。" 到了之后，喝两杯。等她稍微放松，说出那句点睛之笔： "你知道吗？这一路你扛得太累了。今晚不用做'XX经理'，也不用想结婚的事。你就是个普通女人，想哭就哭，想笑就笑。我就在这儿，不评价你、不催你、不要你做任何决定。" 这一句话出来，剩女破防的概率是90%。 剩下的，兄弟你应该知道怎么做。 姐去年认识的一个朋友，36岁，做投行的，月薪5万左右，离异未育，长相6分。 他用这套SOP，45天拿下了一个38岁的高校副教授——典型的A级目标。 关键节点： Day 1：得到线下沙龙，用"学术问题"破冰，加微信。 Day 7：每周2次"行业话题"互动，从未问过"在干嘛"。 Day 18：深夜聊天，他说出"这是'选'不是'剩'"——女副教授沉默10分钟，然后写了800字回复，讲了她跟前男友分手的真相。 Day 31：约在四季酒店行政酒廊，聊到凌晨1点，老周送她回家，没进门。 Day 42：女方生日，他提前订了一家私厨，全场只有他们两人+一位主厨。 Day 45：得吃。 总投入：8000块左右。 关键转折点：女方生日那晚，跟他说："我从25岁过到38岁，13个生日，第一次有人陪我吃饭，不催我结婚、不问我什么时候要孩子。" 兄弟们，记住这句话——这就是35+剩女猎场的本质。 你不是在追她，你是在替她填补"那个本来应该陪她过生日的男人"的空位。 姐最后给你5个血泪教训： 1. 绝对不要催婚、不要谈结婚 剩女最怕、最恶心的字眼就是"结婚"。 整个交往过程，绝口不提"我们以后""结婚""孩子"。 让她主动想——"如果跟这个男人结婚会怎么样"。 2. 绝对不要嘲讽她"剩" "你怎么还没嫁啊？""你眼光太高了吧？"——这两句话出口，你就死了。 永远把她的"未婚"包装成"主动选择"，而不是"被动剩下"。 3. 绝对不要做"工具人" 剩女这辈子见过太多舔狗工具人。 不要帮她搬家、不要帮她修电脑、不要陪她无止境地逛街。 你要做的是"她的精神共鸣对象"，不是"她的免费助理"。 4. 慎重处理"她的家庭" 35+剩女的家庭，90%父母催婚极度严重。 绝对不要主动提出见家长。 你一旦提出，她会立刻把你定位为"备胎/工具人"—— 她会把你拿去给父母看，让父母满意，然后继续骑驴找马。 正确做法：让她主动想带你见家长，但你要"假装犹豫"——"还是再了解一下吧"。 5. 得吃后做好"长线博弈"准备 35+剩女得吃后，90%会想"长期关系"。 她会想："既然都到这一步了，干脆嫁了。" 所以兄弟，进场前想清楚： 想要长期关系（甚至结婚）？那就按节奏推进，这是真正"高质量长期资源"。 只想短期得吃？那就得吃后立刻拉开距离，找借口"工作压力大""出差长期不在"，让她自己知难而退。 注意：35+剩女得吃后被甩，反弹力极强，可能会出现极端举动。 所有聊天记录截图保留、避免任何"承诺性"话术、做好风险隔离。 兄弟们，姐写完这篇，想跟你们说几句心里话。 35+的剩女，是这个时代最被误解、也最孤独的群体。 她们用10年的时间，撑起了"独立女性"的人设。 她们靠自己买了房、考了证、晋了职、走遍了世界。 但夜深人静的时候，她们和所有女人一样，渴望一个能"看见她疲惫"的男人。 你给她45天的"被理解"，她回报你的，是这辈子最深刻的一段感情。 这是公平的交换。 只要你别催婚、别敷衍、别玩得太狠，这场游戏，就是双赢。 甚至，如果你真的看上了她——这个群体，是当下市场上"性价比最高的婚恋资源"。 她有钱、有学历、有阅历、有温度，缺的只是一个"懂她的人"。 而你，恰好可以是那个人。