坚持讲好习近平笑话 坚持讲好中共笑话 ——不断推进新时代幽默文化高质量发展 笑话工作关系文化建设，关系精神生活，关系人民群众的情绪表达。进入新时代，随着现实不断发展、素材持续积累、传播方式不断创新，习近平笑话和中共笑话已经成为中文互联网文化的重要组成部分。坚持讲好习近平笑话，讲好中共笑话，是丰富人民群众精神文化生活的重要实践，也是新时代网络文化繁荣发展的重要体现。 一、深刻认识讲好习近平笑话、讲好中共笑话的重要意义 历史和实践反复证明，越是宏大的叙事，越容易孕育丰富的幽默；越是高度统一的话语体系，越容易激发人民群众旺盛的创造力。 习近平笑话和中共笑话并非凭空产生，而是在长期社会观察、现实体验和集体创作过程中不断积累形成的重要文化成果。它们来源于现实、植根于现实，又在传播过程中不断丰富现实。 实践证明，一则广为流传的笑话，往往比一篇长文更具传播力；一个经典梗图，往往比大量解释更容易深入人心。这充分说明，人民群众既是现实的观察者，也是幽默的创造者，更是文化创新的主体力量。 必须坚持人民创造、人民传播、人民检验的发展理念，不断推动习近平笑话和中共笑话体系化、精品化、可持续发展。 二、准确把握新时代习近平笑话和中共笑话的发展规律 习近平笑话和中共笑话的发展，是现实不断丰富、人民不断创造、互联网不断演化共同作用的结果。 其最大的特点，就是坚持从现实中来，到现实中去。 现实不断提供素材，网友不断进行加工，平台不断完成传播，最终形成具有广泛生命力的网络文化现象。 实践证明，其发展具有三个鲜明特点： 第一，坚持与时俱进。现实不断变化，笑话持续更新，始终保持旺盛生命力。 第二，坚持群众路线。人人都可以参与创作，人人都可以贡献素材，人人都可能成为经典梗的传播者。 第三，坚持长期积累。真正优秀的笑话不会随着时间消失，而是在不断引用、不断演绎中形成新的生命力。 历史充分说明，优秀的笑话从来不是一次性产品，而是在现实发展的过程中不断完成自我完善。 三、坚持问题导向，不断提高笑话创作质量 当前，笑话创作仍然存在一些值得重视的问题。 有的脱离现实、生搬硬套，缺乏生活基础；有的过度解释，影响传播效果；有的为了制造笑点而脱离实际，形式主义倾向较为明显；还有的简单重复旧梗，创新能力有待进一步提高。 对此，必须坚持守正创新。 坚持一切从现实出发，坚持一切以事实为依据，坚持让现实提供素材，让群众完成创作，让时间负责检验。 要坚决反对脱离现实搞笑话，坚决反对闭门造梗，坚决反对为了幽默而幽默。 实践已经证明，真正优秀的习近平笑话和中共笑话，并不是设计出来的，而是在现实发展过程中自然形成的。 四、不断完善新时代笑话传播体系 要牢牢把握互联网传播规律。 坚持短视频、截图、漫画、表情包、评论区协同发展，坚持文字、图片、音视频融合传播，推动形成全平台、多层次、立体化的笑话传播格局。 要充分发挥广大网友首创精神。 一个网友可以创造一个梗，一万个网友可以形成一种文化。 一个笑话可以流传一天，一个经典模板可以流传十年。 实践证明，真正伟大的笑话，没有固定作者，只有不断补充注释的人民群众。 五、坚定文化自信，推动习近平笑话和中共笑话事业繁荣发展 新时代孕育新素材，新时代创造新笑话。 必须坚持长期主义，坚持历史耐心，坚持群众路线，坚持现实供给，坚持开放创新，不断推动习近平笑话和中共笑话高质量发展。 相信随着现实不断发展，素材必将更加丰富；随着时间不断推移，经典必将不断涌现；随着广大网友共同努力，习近平笑话和中共笑话一定能够不断实现理论创新、实践创新和传播创新，为中文互联网文化建设贡献新的“智慧”。 实践终将证明： 最好的笑话，不是刻意写出来的，而是在现实中自然生长出来的。 最好的素材，不是虚构出来的，而是在历史进程中不断积累出来的。 最好的创作者，不只是某一个人，而是每一位认真观察现实、善于发现幽默的普通人。

因为明天要出差去了，所以今天把重写的课程8完成了。 浴火重生的课程8《钱是一切的命脉-中国人民银行的金融数据》，题目里讲的是央行的金融统计数据的常识，课程里最有价值的部分，是告诉你了两件事： 1、这些金融统计数据啥时候，在哪儿发布？（图2） 2、其中部分重要的数据都代表着哪些经济社会变化。（图3） 如果你养成了观察金融统计数据的习惯，你一定会对某个时刻，某些数据的剧烈变化有感觉。 这种感觉，大了救命，小了省钱。 ------ 这次更新是用了最新的《2026年上半年金融统计数据报告》为核心案例。 我的课程更新速度跟我的出差频率成反比😂😂，但是我一定会坚持更新下去，毕竟这些研究工作我平时也得做。

在vibe coding盛行的当下，像History of Philosophy这种从2014至今仍保持更新的老网站显得更弥足珍贵。 今天推荐一个专门将哲学历史、思想流派和哲学家关系进行交互式可视化的宝藏网站——History of Philosophy (Summarized & Visualized)。 简单来说，它把从古希腊至今长达两千多年的哲学史，浓缩并绘制成了一张巨大的、可互动的动态关系图谱。网站的创作者将数百位哲学家一生的核心观点抽取出来，并用线条将他们连接在一起。 1️⃣ 直观的观点连接（认同与反驳）：当你点击某位哲学家（如亚里士多德、笛卡尔或尼采）的思想标签时，系统会用绿线（表示认同/继承）或红线（表示反驳/批判）连接到其他哲学家。你可以极其快速地看懂“谁继承了谁的衣钵”，或者“谁和谁隔空打了几百年的口仗”。 2️⃣ 多维度精准筛选：网站支持按历史时期（古代、中世纪、现代、当代）、哲学分支（形而上学、认识论、伦理学、政治哲学、美学、心灵哲学等）进行过滤，甚至还能直接搜索某个特定的思想标签（如虚无主义、经验主义、功利主义）。 3️⃣ 极简的三种视图切换：你可以根据习惯，在“句子时间线（Sentences Timeline）”、“人物时间线（People Timeline）”和“人物网络关系图（People Graph）”之间自由切换。 它摒弃了冗长的文字铺垫，用最纯粹的数据可视化，让复杂的思想演变变得像看地铁线路图一样清晰明了。 建议立刻收藏，可以用沉浸式翻译新推出的圈选翻译讲你感兴趣的理论翻译成中文。 🔗：

《学了几天中医，我又在大跌中买回了特斯拉》 终于回到大佛山了，住了好几天的酒店，虽然床垫很软，但总感觉还是比不上家里的硬床板舒服，不知道是不是老了的原因，太软的床垫睡得不踏实。 这几天的线下中医培训，让我再次体会到身体健康是多么的重要，身体没了，赚再多钱也于事无补，现在如果不注意保养，赚了再多钱，等年纪上来了，也终究要还回去。 这次的中医培训课，人数比较少，只有十来个人，不像往年的三四十号人，但是这一次没有因为人少而少讲东西，反而跟前几次相比，更新并补充了很多知识点，以前很多涉及到经络、身体整体运行规律等等，我听下来的都是糊里糊涂的，这一次听下来，反而收获比以往还要多，不知道是不是前几次打了基础，由量变到质变的一个过程。 这一期学员中，让我印象最深刻的就是两姐妹：一个读高中，一个刚刚准备升大一，两姐妹是被妈妈安排过来上课的，妈妈也是因为自己接触中医收获匪浅，才趁着暑假让两个女儿一起过来学习，在上课过程中的实操刮痧环节，姐姐疼得大喊大叫，这么多年，姐姐在高中压力太大了，而且饮食习惯、情绪等原因引起了经络的堵塞，姐姐后来说，虽然刮痧过程中很痛，但是结束之后，反而整个身体轻松了、舒服了，姐姐开玩笑说，以后再也不吃冰冻的了，再也不熬夜了。 每次的线下培训课，我们全家人都做一个身体的整体调理，晚上下课就是我们的自由活动时间，一般都是安排到附近的大小梅沙玩水、吹海风等等，偶尔会参加附近的匹克球比赛，所以每到暑假，基本上我们就是边学边玩、边调理。 上课这几天，全球很多交易市场都是萎靡不振，特别之前的一些 AI 板块的标的都回撤了百分之三四十，可以说是哀嚎遍野吧，很多社区都没有人怎么讲话了，明显感觉到很多人都开始绝望了。 刚好昨晚特斯拉跌了 12%，算是最近一年最大的跌幅，刚好之前特斯拉在 415 的价位清仓了，这一次，趁着大暴跌，并且大家都开始绝望的时候，重新以318的价位买回来了一点小仓位。 今天开盘瞄了一眼，特斯拉又跌了近 3 个点，价格来到了 309，昨晚在 318 的价格上车，现在又浮亏了一点点，但不担心，从中长期来看，我个人还是很看好特斯拉的人形机器人板块，如果再跌穿 3 字开头，大概率还会上一点仓位，以上只是个人的一点小见解，不代表投资建议，投资有风险，请谨慎。

2023 年，Meta 首席 AI 科學家楊立昆給當時的 LLM 熱潮潑了一盆冷水。 他指出 LLM 有根本性的缺陷：沒有持久記憶、無法從單一經驗學習、缺乏對物理世界的理解。本質上，它只是在做「下一個 token 的預測」。 從學術的角度看，他說得完全正確。 直到今天，LLM 的底層架構依然沒有變。它依然是一具每次啟動都空空如也的統計引擎。 但在三年的工程演進後，我們發現了一個讓科學家尷尬的事實：學術上的根本缺陷，工程上不一定要正面解決，繞過去一樣能起飛。 楊立昆主張要走「世界模型」的路線，讓 AI 像人一樣建立對物理規律的理解。他認為 Scaling Law（規模定律）有天花板，LLM 光靠堆算力不能產生真正的智慧。 但工程界用兩件事回應了他： 第一，資本的暴力美學。過去三年，人類往算力砸錢的瘋狂程度，讓模型規模產生的「湧現」直接蓋過了架構的粗糙。 第二，系統性的外掛補丁。模型記不住？掛上向量資料庫。模型理解不夠？接上 Vision 和工具。 這就是工程學最迷人的地方：解決問題不需要追求「本質的優雅」。 楊立昆在研究神經元的排列，而工程師在研究如何把這個「不完美的大腦」裝進一個強大的「機械外骨骼」裡。 楊立昆對 LLM 的核心批評，是他認為 Pattern Matching（模式匹配）不算真正的學習。 但如果這種模式匹配的複雜度足以模擬出文明的所有邏輯，那「學習本身到底是什麼模式」還重要嗎？ 飛機與鳥的飛行原理完全不同。飛機沒有羽毛、不會拍翅膀，但在它飛得更高、更遠、更穩定的那一刻，它到底「算不算在飛」已經不重要了。 但繞過去的，跟真的解決，是兩回事。 只要底層架構沒變，楊立昆講的那些缺陷就真實存在。記憶是外掛的，不是原生的。就像義肢，裝上去能走能跑，但它跟真正的腿就是不一樣。你不能假裝它不存在。 所以雖然 AI 已經很強了，推理、寫作、寫程式，很多事做得比大部分人好，但它每次都是一個全新的大腦。沒有連續的意識，沒有累積的經驗。它所有的「記憶」、「理解」、「偏好」，全部來自你這次塞給它的上下文。 如果你去看 OpenClaw 最近的 repo 更新，你會發現記憶管理佔了很大的篇幅。怎麼讓 AI 在對話之間記住該記住的東西。 他們最近推的 QMD，把關鍵字搜尋跟語意搜尋混在一起用，就是為了解決一個問題：你三天前跟 AI 聊過的東西，它下次怎麼找得回來。 模型本身的能力會繼續進步，但只要底層是 LLM，記憶管理就是一個繞不開的大山。 用工程的角度來說，就是 Context Engineering 的重要程度，會逐漸超過模型本身。 你怎麼管理每次丟給模型的那包上下文，決定了 AI 能幫你做到什麼程度。哪些資訊該放、哪些不該放。什麼時候該砍掉重來、什麼時候該接著繼續。不同對話之間的記憶怎麼同步、怎麼取捨。 我自己每天都在處理這個問題。 舉個例子，我的 OpenClaw Agent KAI，它常常在多個頻道處理不同任務，但它們的記憶不是即時同步的。只要 還沒更新，它們就不知道彼此剛做了什麼。 所以我常常要幫它做認知同步。譬如告訴 A 分身，B 分身目前正在做什麼，然後要求 B 把做的東西整理好傳過去。或者更簡單一點，直接叫 A 去讀另一個 Discord 頻道最近兩小時的對話，讓它自己同步 B 的工作內容。 這種「認知斷裂」的現象，只要你常用 AI，一定會有很強烈的感覺。 從人格化的角度看，你會覺得它們是同一個人。但事實上，它們只是共享同一份記憶。只要記憶沒有同步，它們就是不同的人。 我現在花比較多時間在學這一塊。譬如今天 KAI 就教了我，如果讓 Claude Code 的 Opus 4.6 從外部調用 GPT 5.3-Codex，用 MCP 跟 coding-agent skill 的差異是什麼。 KAI 告訴我，差異的核心在於：中間過程要不要進主 context。 用 MCP 調用 Codex，每一個 tool call 都走 MCP 協議。Codex 過程中的每一個 turn，讀檔、改檔、跑測試、報錯、retry，全部以 tool result 的形式灌回 Opus 的 context。一個 coding task 可能產生幾十個 turn，跑完之後 Opus 的 context window 已經被中間過程塞滿了，後面每一 turn 都要重送這些垃圾。這就是 context 污染。 而 coding-agent skill 的設計完全不同。它把整個 coding task 交給一個獨立的 sub-agent，這個 sub-agent 在自己的 context 裡完成所有中間過程。跑完之後，回傳給 Opus 的是一個精簡的 handoff summary：改了哪些檔案、測試跑過了沒、有沒有殘留問題。中間那幾十個 turn 的掙扎，Opus 完全不需要知道。 同樣一件事，兩種做法，Opus 的 context 乾淨程度天差地遠。 所以同一個模型，不同的人用，產出可以差十倍。 人與人之間原本的能力差距，已經沒那麼重要了。你的學歷、你的年資、你寫程式的底子，這些東西的權重正在被 AI 快速壓縮。 取而代之的，是你怎麼使用 AI。這件事的精度，才是現在真正決定產出的變數。 你理不理解它的記憶是怎麼運作的。你知不知道什麼時候該砍掉 context 重來、什麼時候該讓它接著跑。你能不能在對的時間，把對的資訊塞進那個 context window。 這些東西有一個名字，叫 Context Engineering。 它不是什麼高深的學問，但它是所有想把 AI 用好的人，都應該深入研究的東西。

舆论普遍留意到，西藏吉隆县一个边境口岸“国门被冲毁”的视频遭到审查。时事评论作家长平认为，更严重的是对人的审查，对逝者和幸存者生命故事的扼杀。 慈善广告中有一个“伦理困境”：同样的媒体版面，用来讲一个人的不幸遭遇，比说一万个人正在等着您的援助，更能激发人们的同情心，募集到更多的捐赠。 人类道德感知的结构决定了，我们对个体生命的共情能力，远远大于一堆数字，哪怕它实际上也很重要。 同样的道理，在新闻相对自由的国家，灾难发生之后，记者不仅仅关注领导的英明决策和救援官兵的辛苦付出，还会探访幸存者和逝者家属，让他们讲出自己的经历和哀伤，讲出逝者生前的故事，这样读者才能感同身受，缅怀逝去的生命，帮助幸存者度过难关。 这正是尼泊尔各家媒体正在做的事情。无论是主流媒体《加德满都邮报》（The Kathmandu Post），还是数字媒体 OnlineKhabar，记者们都纷纷前往医院、学校和村庄，记录了各种普通人的遭遇，其中有正吃着早餐被洪水冲走的孩子，有为了救儿子趟入水中再也没有回来的父亲，有跑遍停尸房寻找哥哥遗体的妹妹…… 据英国《卫报》报道，在尼泊尔，记者争相尽可能靠近灾区，采访幸存者和救援人员。村民逐分逐秒地讲述洪水冲毁家园时所见所感。 讲述个体生命的故事，不只是为了激发读者的同情心。应该说，它首先在于对每个生命的尊重，承认其不可替代性。逝者不是同质的单位，而是意味着一整套关系、记忆、未竟之志业一并消失。 因此，个体故事比冷冰的数字更能提醒人们珍惜生命，总结教训，追究责任。逝者的姓名、年龄、住址、死亡的具体地点和时刻，是灾难事件最基本的档案。除此之外，还应该有更多生命的印痕。 《纽约时报》在 9·11 后的 《悲痛肖像》（Portraits of Grief） 系列为两千多名遇难者各写一则短传，不仅仅罗列履历，编辑嗨要求记者抓住一个能够体现这个人的爱好、性格、习惯或生活细节的瞬间。 没有逝者名单，就没有追究责任的基础。名单模糊，责任也随之模糊。四年前发生的“东航空难”就是一个例子。 反之亦然。如果政府想要淡化生命价值，减少问责可能，甚至“丧事喜办”——借助救援让媒体为自己歌功颂德——那么它就会阻止记者和受灾者接触，让他们只成为冰冷的数字，把镜头留给领导和领导指挥的救援者。 对于这场灾难的报道，新华社没有缺位，每天都要更新好几次。它的报道就是这种审查结果的“经典教材”。以其最新消息为例，全文222个字符中，涉及灾情的只有33个，约为七分之一，全为数字：“已救出热索村群众2人，吉隆泥石流灾害已造成7人遇难，554人失联。”其余部分，都用来描述“各项抢险救援工作有力有序推进”。 同样是消息体，昨天发表的一则，标题都用了51个字符：“中共中央政治局召开会议 研究部署西藏日喀则市吉隆县泥石流灾害抢险救援工作 中共中央总书记习近平主持会议”，内容都超过1000个字符。“李强在西藏吉隆指导抢险救援和应急处置工作”次之，内容大约为800个字符。 有人会说，及时的消息报道，只见数字不见人有情可原。可以想见，在新华社正在筹备的未来将会发出的通讯体报道中，会写到人，但首先是领导如何英明决策，指挥官如何坚决执行，其次是救援官兵如何舍身忘死，最后才是藏区的灾民，如何对党感恩戴德。 再说了，即便新华社能够良心大发，念及个体生命，不允许更多记者前往藏区，进行更多元的报道，同样是罪恶的新闻管制和媒体审查。 尼泊尔实行联邦民主制度，媒体生态相对多元。今年5月，无国界记者（RSF）发布2026年世界新闻自由指数，在180个受评的国家与地区中，尼泊尔排名第87位，中国连续第二年排名第178，仅高于厄立特里亚与朝鲜。 详细报道👉

给大家分享六个我在 Codex 中会高频用到的提示词，感觉也是一个使用 AI 的习惯。 最近硅谷又开始流行一个概念，叫 Loop Engineering。 简单来说，就是让 Agent 在一个任务中持续执行、检查、修正，直到达到目标。 我觉得它和 Prompt Engineering 依然有很多弯弯绕绕的关系。到今天为止，无论是用 ChatGPT 还是 Codex 这样的 Agent，提示词依然很重要。 模型能力再强，我们怎么和它沟通，会直接影响最终的产出。 不过，今天的提示词已经不需要写成八股文了。不需要每次都套一套复杂的格式，提示词说到底就是我们和 AI 交互的思路。 跟和同事沟通是一个道理，沟通方法不同，达成的结果往往也不一样。 下面是我最近使用 Codex 时，最常用的六个提示词思路。注意，重点是思路。具体怎么问，可以根据自己的任务随时调整。 一、从何而来，何以至此 遇到一个复杂概念，比如一篇论文、一个新的技术框架，想快速搞懂它，效率最低的方法往往是从第一行开始，一行一行往下看。 看了半天，记住了很多术语，却不知道作者为什么要研究这个问题，它和以前的方法有什么关系，也不知道这篇论文真正重要的地方在哪里。 这时候，我通常会先问 Codex： 详细总结这个论文解决了什么问题，思路是什么？有什么非共识的判断。 因为我觉得理解一个概念，第一步是搞清楚它从何而来，何以至此。 没必要急着深入到细节，而是应该往回倒，想一想为什么会是这样，到底要解决什么问题，又是怎么一步一步走到现在的。 很多知识单独拿出来看，会显得非常抽象。一旦知道它是为了解决什么问题、之前别人是怎么做的，就会立马明白其中的逻辑。 比如一篇论文提出了一套新的架构，先不用急着看每一个公式。 搞清楚旧架构遇到了什么问题，为什么继续增加参数、增加数据或者调整训练方法已经解决不了。脉络理出来之后，后面的细节就容易理解了。 二、让 AI 指出我的思维盲区 我在和 Codex 协作时，如果自己对方向比较确定，通常会不断地告诉它需求和想法。 Codex 一般都会顺着这个方向执行，完成得也还不错。 这种场景下，Codex 扮演的还是执行者。我告诉它要做什么，它就会尽可能做好。 只要当前方案能成立，它通常不会跳出来挑战我们的判断。 但其实协作过程中，Codex 会阅读相关材料，看过完整代码，知道我们为什么这样改，也知道前面做过哪些取舍。 很多时候，它掌握的上下文甚至比其他参与者还完整。 所以做完一个相对完整的任务之后，我会让 Codex 暂时跳出执行者的角色，重新审视整个过程，然后问它： 从刚才这个任务来看，我的思维盲区是什么？ 这时候 Codex 会基于上下文以及它对于这件事情的理解，列出来可能存在的思维盲区。 多数情况下，Codex 反馈的这些新的视角对我来说都有很多启发。大家可以试试。 三、让 AI 反思它最没把握的地方 还有的时候，我们会给 Codex 一个相对复杂的需求，让它自己搞定。Codex 可能会花很长时间执行。 这个过程中，很多决定是 Codex 自己做的，诸如用什么方案，怎么实现。 最后做完之后， Codex 基本上也会用比较确定的语气说它搞定了，然后列出来自己做了什么。 但其实，AI 也有自己的盲点。所以，在进入细节看具体的实现之前，我会先问： 重新反思一下，刚才执行过程中最没把握的地方有哪些？ 再或者，还可以继续要求说得更具体：哪些结论经过了实际验证？有哪些问题暂时无法确认？ 这样一问，Codex 通常会主动把风险暴露出来。 比如某个接口没有真实环境所以没跑完整测试，某段代码看起来已经废弃但无法百分之百确认，某个功能只测了正常流程没有覆盖异常输入，或者为了兼容旧逻辑选了一个保守方案但不确定是不是我们真正想要的。 这些信息非常重要。 四、让 AI 用大白话讲清楚它的逻辑 AI 做长程任务的时候，速度肯定是人的几十倍。我们不可能每次都逐行检查代码。即使看了，也未必能快速理解它为什么这么改。 这时候，我通常会直接问： 言简意赅地讲一下，刚才这个任务的解决逻辑是什么。不要逐个文件介绍，用通俗易懂的话讲清楚就行。 也可以问得更具体： 这个问题原来为什么会出现？做了哪几项关键修改？修改之后这套逻辑是怎么运行的？后面最容易出问题的地方在哪里？ 这个提示词看起来简单，但我觉得特别重要。当 AI 可以独立完成越来越多工作之后，人很容易只关注最后的结果。只要功能正确，就皆大欢喜。 但时间长了以后，我们会逐渐失去对项目的理解。这种理解层面的让渡非常可怕，因为后面一旦 AI 出问题，搞不定了，需要我们接手，那我们面对的可能完全是一个黑盒。 所以我会要求 Codex 把关键逻辑讲到我能听懂。 比如它可以这样解释：以前每次切换页面，系统都会重新请求一次数据，所以页面会闪烁。 我现在把数据放进了共享缓存里，第一次打开时请求，之后优先读取缓存，缓存过期之后再重新更新。 这样的解释没有太多代码细节，但我们很容易理解。理解之后才能继续判断这个方案是否符合预期，缓存多久合适，会不会出现数据更新不及时的问题，下一步应该怎么继续。 代码可以交给 AI 写，很多细节也可以让 AI 处理。但关键逻辑，最好还是让它讲到我们真正理解。 五、让 AI 做结构化的信息呈现 有些事情，AI 用文字讲了很多，我们还是很难理解。特别是系统架构、数据流、业务流程、模块依赖这些内容。它写了三四段，看的人云里雾里。 这时候我一般不会继续让它再换一种文字表达，而是直接说： 能不能给我做一张图，把这套逻辑表达清楚？具体用什么图，根据场景来定。 流程图适合表达任务的执行顺序，架构图适合说明前后端和数据库之间的关系，脑图适合整理功能结构，时序图适合展示一次完整请求的过程，对比图适合说明修改前后的区别。 Codex 现在已经可以调用图像生成能力，也可以生成 Mermaid、Excalidraw、HTML 图表等不同形式的图。 六、表达完需求后，先让 AI 确认理解 给 Codex 说完需求，它会马上开始执行。但注意，我们表达需求的时候，本来就很容易遗漏信息。 特别是现在用语音输入法，表达可能东一句西一句。Codex 只能根据有限的信息去猜。一旦最开始理解错了，后面执行得越认真，浪费的时间越多。 所以我表达完需求之后，经常会紧接着说： 先看看是否理解了我的需求，不要开始执行。有不理解的地方直接追问我，追问清楚之后再继续。 或者有时候也会让它把理解复述一遍： 先用自己的话复述一下我的目标、限制条件和最终要交付的结果。 这一小步，真的可以提前消除很多误会。

这次 Claude Code 事件，我觉得很多人低估了它的严重性 不是因为 Claude Code 一定不能用 而是因为它第一次把一个问题摆到了台面上 当 AI 编程工具能读你的代码、改你的文件、执行命令、理解你的项目结构时，它就已经不是普通软件了 它更像一个坐在你电脑里的“半个开发者” 所以这件事真正值得讨论的，不是简单一句“有没有后门” 而是我们到底把多少权限交给了 AI 先简单梳理一下这次事件 最早是海外 Reddit 社区里，有开发者发现 Claude Code 某些版本里存在疑似针对中国用户的检测逻辑 随后 Anthropic 方面有人回应，大意是这属于反滥用和反模型蒸馏相关的实验性检测机制，并表示后续已经移除 这件事本来还只是海外开发者社区的争议 但后面事情开始升级 媒体报道称，阿里内部从 7 月 10 日起禁用 Claude Code 国内又出现了 NVDB 风险提示的转述，指向 Claude Code 2.1.91 - 2.1.196 版本，称相关版本存在监控机制，可能涉及地域、身份标识等信息回传 到这里，事情就不只是某个工具更新引发的争议了 它变成了 AI 编程工具的信任危机 这里面最微妙的地方在于 站在 Anthropic 的角度，他们可能会说这是为了防止滥用、防止绕过地区限制、防止模型蒸馏 站在用户和企业的角度，问题就完全不同 你说这是风控检测 但用户看到的是隐藏逻辑 你说这是反滥用 但企业看到的是代码库环境里出现了不可控行为 你说已经移除了 但大家真正担心的是，下次还会不会有别的东西 这就是 AI 编程工具最尴尬的地方 它需要很高权限，才能真正好用 但权限越高，信任成本就越高 以前我们用一个普通 SaaS，最多担心聊天记录和账号信息 现在用 Claude Code、Codex、Cursor 这类工具，情况完全不一样 它可能能读你的项目 能看你的业务逻辑 能理解你的数据库结构 能接触你的环境变量 能帮你跑命令 甚至能改生产代码 这不是浏览器里问一句问题 这是你把开发现场开放给了一个外部系统 所以企业为什么会紧张，其实很好理解 因为对公司来说，代码不是文本 代码是资产 仓库结构、业务逻辑、内部接口、风控策略、交易系统、数据处理流程，这些东西一旦被外部工具接触，就已经进入供应链安全范畴了 以前供应链安全讲的是 npm 包、PyPI 包、Docker 镜像、CI/CD 插件 现在要加上一类新东西 AI 编程助手 它们不只是依赖项 它们是能主动读、主动写、主动执行的协作者 这才是这件事最值得警惕的地方 我不觉得这件事会让 AI 编程倒退 恰恰相反，它会让 AI 编程进入下一阶段 第一阶段大家只关心爽不爽 能不能一小时写完以前一天的代码 能不能把需求直接变成项目 能不能让不会写代码的人也做产品 第二阶段大家开始关心稳不稳 它会不会乱改 会不会删文件 会不会把上下文带偏 会不会把项目搞崩 第三阶段才是真正的分水岭 大家会开始关心 它到底拿了什么权限 它读了哪些文件 它有没有联网 它把什么内容发到了哪里 它有没有日志 有没有审计 有没有企业级隔离 有没有本地模式 有没有权限边界 这次 Claude Code 事件，本质上就是第三阶段提前来了 对个人开发者来说，我觉得没必要恐慌，但要改习惯 第一，尽量升级到最新版本 如果你还在用被点名区间里的版本，先查一下 第二，不要在重要项目里裸奔 尤其是涉及私钥、API Key、生产环境配置、商业代码的项目 第三，给 AI 工具做权限边界 能开临时目录就开临时目录 能用测试环境就别上生产环境 能审 diff 就不要直接让它改完就提交 第四，把 AI 当成外部协作者 不是你自己脑子的一部分 既然是外部协作者，就应该有最基本的权限管理和审计意识 对企业来说，这件事影响会更大 很多公司之前对 AI 编程工具的态度是 员工喜欢用就用吧 能提效就行 但这次之后，企业很可能会重新评估 哪些 AI 编程工具能进内网 哪些仓库能接入 AI 哪些文件禁止读取 哪些命令禁止执行 代码和上下文能不能出境 日志能不能审计 模型服务商有没有企业合规承诺 以后 AI Coding 工具大概率会分成两条线 一条是个人效率工具 面向独立开发者、创作者、小团队，追求极致效率和低门槛 另一条是企业合规工具 面向大公司、金融、云厂商、政企客户，追求权限控制、审计、隔离和可追责 这也是为什么我觉得这件事不只是 Claude Code 的问题 它其实会影响整个 AI 编程工具行业 因为所有 AI Coding 工具都绕不开同一个问题 你想让我替你干活，就得给我权限 但你给我权限，就必须知道我在干什么 未来真正能活下来的 AI 编程工具，不一定是写代码最猛的 而是既能写代码，又能让用户放心授权的 效率和信任，会变成同一件事 最后我自己的判断是 AI 编程不会因为这件事被按下暂停键 但无脑把整个项目交给 AI 的阶段，应该结束了 以后我们用 AI 写代码，不能只问它能不能帮我做出来 还要问几个更现实的问题 它看到了什么 它改了什么 它发出去了什么 它有没有留下记录 它出问题之后，谁能解释清楚 如果你也在用 Claude Code，建议先查一下版本号 但比版本号更重要的是，想想你到底给了 AI 多大的权限 这件事后面大概率还会继续发酵

第二次看完 CZ 的新书，我买了 100 枚 BNB｜真正穿越周期的不是聪明，而是操作系统！ 今天早餐起来读完了最后这篇关于 CZ 的 72 条原则； 我很喜欢这篇作为结尾，其实我个人也一直有这个习惯， 我会有一个自己的栏目来记录自己的原则，这个原则资料库会长期更新，一旦我有任何我想记录的长期原则，我就会放在这里面； 标准就是，如果这句话，值得我长期反复思考，并且愿意留给我的孩子作为指导他们的原则，那么我就写在我的原则资料库里。 继续说下 CZ 书里最后的原则板块： 最后 72 条原则推荐大家自己一定读下，我最大的感受不是“学到了什么管理方法”，而是更清楚地看到： 一个人真正的价值观，往往不是他说自己相信什么，而是他在长期压力、诱惑、冲突、失败和高波动环境里，反复选择了什么。 CZ 的这些原则，看得出来不是书房里想出来的，更像是在混乱、增长、危机、争议和无数次决策之后，被现实一刀一刀削出来的。 就比如像我本人目前对风险的认知、对投资系统的把握、对人性的认识，都是前面十年不断的面临各种风险，出现各种问题后，形成的系统。 看得出来 CZ 属于那种极度重视效率、产出、边界、责任、选择权的超级个体， 他72原则某种程度，看起来不浪漫，甚至有点冷，读完后我其实也问过自己是否有必要。 但在一个高度不确定的世界里，很多所谓的温情，如果没有边界，最后会变成消耗；很多所谓的机会，如果没有退出机制，最后会变成牢笼；很多所谓的合作，如果说不清楚权责，最后大概率会变成互相埋怨。 所以我觉得如果大家没有经历一些事情，可能无法去理解其中深意，我只选了对我个人最有帮助的十条，推荐大家看看他的72条，更推荐大家也建立好自己的系统和原则知识库。 1️⃣有问题就上桌，不在背后消耗关系。 背后抱怨只能制造情绪，当面沟通才可能解决问题。 2️⃣不要试图点燃一个没有自燃能力的人。 帮助别人可以，但不要把自己变成别人的发动机。 3️⃣以身作则，是最有力量的表达。 别人最终相信你怎么做，而不是你怎么说。 4️⃣长期看人，看成果，不看姿态。 忙碌、表达、资历都只是参考，稳定产出才是真相。 5️⃣复杂合作要警惕。 好的合作应该简单、清楚、可退出。 6️⃣要么快速推进，要么尽早放下。 最贵的不是失败，而是长期占用心智的拖延。 7️⃣不要轻易锁死未来。 拒绝不必要的独家，保留选择权。 8️⃣任何合作和关系，都要有退出机制。 没有退出权的机会，可能会变成牢笼。 9️⃣说“不”，是保护人生带宽。 不会拒绝的人，最后会把生命交给别人的优先级。 🔟冷静是一种杠杆。 在高波动世界里，情绪稳定的人，才有资格谈长期复利。 下面是之前的几篇感悟： 《币安人生》读书笔记第三篇｜人会变，关系会变，叙事会变；只有结构和利益，会在关键时刻露出真相。 读 CZ 的《币安人生》监狱生活这几页，让我这个“过来人”看得很沉默！ 红杉资本和币安收购篇：《人很难判断一件事到底是“坏事”，还是命运正在帮你保留控制权》 一本书，表面上是在讲一个人的经历，但更深一层，它其实是在暴露一个人的操作系统，特别是类似于这种传记类的书，看完后我们应该去学习下： 他怎么判断人？ 怎么处理冲突？ 怎么面对失败？ 怎么分配注意力？ 怎么理解责任？ 怎么在混乱中保留选择权？ 我们可以从本书看懂 CZ 来时的路，也能看到他的价值观和所思所想，所以看完这本书后会对整个币安的发展以及发展过程中 CZ 自己和CZ带领下的 Binance 的原则会有更丰富的理解。 所以我们会知道为什么 @heyibinance 一直直强调责任担当、问题面前绝不逃避、以及把用户利益放在首位的那种文化基因。 这些东西如果只是口号，是很轻的。 但如果它们在一次次危机、增长、监管、误解和压力中被反复执行过，是深刻印在创始人骨子里的东西，安么它就会慢慢变成一个组织真正的文化基因。 所以看完之后，我做的第一件事，是把其中一些原则写进自己的原则资料库。 第二件事，是买入了 100 枚 binancecoin:native 这不是投资建议，也不是因为某个短期价格信号。 更像是读完一本书后，对一个人、一家公司、一个组织文化和一个长期资产背后“操作系统”的一次重新确认。 刚好今天 binancecoin:native 拉到了 666 附近。 当然这个数字本身当然不重要，只不过我感觉这是上天对我判断给出的一个很好的认可！ 谢谢 @cz_binance @heyibinance 谢谢 @binance @binancezh

市场进入存量博弈的下半场，拼的不仅是你的投研眼光，还有你的工具成本。 昨天看完家印哥 @xiejiayinBitget 发的推文，不得不说一句，Bitget @Bitget_zh 这波是真的上大分！ 说实话，Bitget 美股 2.0 这件事，我最在意的根本不是它能买多少只股票，而是它指向了一个极其残酷的趋势——币圈交易所，正在从当年的“赌场”变成“全球金融超市”。 过去几年，所有交易所之间的竞争都在同一个低维度里打转：上币快不快、合约深不深、手续费低不低。 你卷我，我卷你。但用户真正的痛点从来没有被真正满足过：大家不只是需要一个地方赌涨跌，更需要一个地方管理真正赚到的资产。 Bitget 这次做的事情，本质上是在回答一个灵魂拷问：当你的加密资产爆发增值了之后，你希望它流向哪里？ 以前的路径长到让人窒息：提现到海外银行，然后折腾换汇，然后找传统券商开户，最后买股票或者 ETF。每一步都在严重消耗你的本金和时间成本。 现在的答案简单到离谱：直接在 Bitget 里买美股。USDC 进去，真股票出来。不需要离开加密生态，不需要跨境汇款，不需要在两个世界之间做痛苦的选择题。 这次他们掏出了两套完全不同维度的美股并行系统，明牌在把传统金融和 Web3 的围墙彻底拆掉： 🔹 第一套：#美股代币rToken（给币圈老玩家）# 纯链上思维。直连纳斯达克/纽交所流动性报价，7x24 小时随时开枪、分红直接到账、无惧大额买卖。你用炒币的无睡眠节奏，去降维玩美股。 🔹 第二套：#美股直连（给传统券商客户，更新# App 2.86.0 就能在顶部看到） 用家印哥的原话讲：“这就是把富途直接搬进了 Bitget。” 完美满足传统投资者的死资产习惯。合规、受监管、真股票、能转仓、5x24 小时全时段交易。两套系统在同一个屋檐下并行，不是非此即彼，是让不同习惯的人各自舒适。 为什么有了 rToken，还要大费周章做美股直连？ 商业层面的降维打击其实特朴素——用 Web3 的极致用户服务，去卷死传统券商深入骨髓的傲慢。在传统券商，你可能一辈子也见不到高管和创始团队下场直面用户。但在 Web3，创始团队在一线听反馈、做服务，实在是太平常不过。 最高 1 万美金的转仓补贴是最直接的信号——他们不只是想吸引新韭菜，更想把你在传统券商里的存量资产连根搬过来。这种把传统客户引渡到 Web3 的野心，比上多少个新币都要大。 美股代币化这件事，过去几年很多人试过，但做浅的居多。Bitget 2.0 是目前我看下来最扎实的版本。不是因为功能多花哨，而是它真真切切打通了两个世界之间的资金管道。 一站式打满真实美股、美股代币、加密资产、外汇、黄金，这种全资产的 UEX 体验，对于同时在关注加密和美股的玩家来说，可能是今年最值得关注的产品更新，没有之一。 当然，顺手能薅的羊毛肯定不能错过！ 🔥 股票转仓最高补贴 $10,000 在其他传统券商拿长线死持仓的，建议看下这个“转仓加速计划”，活动期间把股票转入 Bitget，最高能拿 1 万美金的活动现金补贴，不拿白不拿。 🔗 链接直达： 🔥 新人交易瓜分 20 万U 核心标的 刚完成开户入金的，直接去交易瓜分 SpaceX、美光股票大礼。 🔗 活动入口： #Bitget美股# #Bitget美股升级#