昨天跟 Codex 聊到 Kotlin 的 interface 或 abstract 类无法约束派生类的构造器。Codex 说它有办法，然后倒腾出这样一个「奇技淫巧」来，我当场震惊了。 用 operator fun invoke「伪构造器」模式，把真构造器以方法引用纳入约束。两个 trick 我都知道，但如此巧妙结合，网上搜了一下似乎也无先例？😲

当你描述不清楚一件事物的时候，你是不具备能力去构造它的，这个含义还不仅仅止于使唤 claude code 上面。就好比有一百个项目把自己叫做 next layer of: a) information b) probability c) online gaming aka. gambling，然后也有一百个 AI 公司声称自己是 neo lab，最后都是白茫茫一片真干净。

明确真需求这个原点后，接下来要关注的是，企业到底在向用户交付什么？ 这就引出了产品价值的三维构造。 梁宁认为，产品不单单只是实用工具。 一个完整的产品价值，其实是由功能价值，情绪价值和资产价值层层叠加而成的。 先看作为底座的功能价值。 它满足的是用户的基础需求和效率需求，在商业世界的演进中，功能价值经历了四种递进模型，从最简单的原材料与劳动力买卖，到构建护城河的专利与 IP，再到打通上下游的平台与供应链，最终走向社会底层的基础设施。 其中，基础设施之争往往是最惨烈的王者之战。 一旦企业赢得这项最大的商业权力，它就很难只作为一个纯粹商业体运转，也必须承担更重的社会责任。

那些人际关系中的不堪，无一例外都是因为一个字——钱💰 这说的不仅是最近的KOL之间，也可以包含你这几十年来从原生家庭中获得的负能量 那些希望毁掉你的人，本质上无一例外都是赌你没有未来 今天是大年初五，财神的日子 跟大家说说心里话♥️祝大家今年财源滚滚 从我2023年开推以来，时不时就会面对少部分低认知读者的质疑和谩骂，虽然最终时间都证明了我的高维理解是正确的，但是该来的道歉并不会到来； 也见过很多我曾经非常看好的读者，被他人带偏、最终站到了我的对立面，让我非常心痛； 还有很多时候，一些不明真相的读者，被极少数别有用心的小人，用完全造谣的言论进行洗脑，彻底脱离了“枪十七”这一最有效的高维信息源。 2024年的上半年，面对上述情况的时候，我总是会急于出手，举例子，拿证据，向某些人说明“我是正确的，你千万不要被人带到坑里” 没有用 当然不会有用 -「「「「- 假设一个人的认知是10的时候，他根本无法分辨100000和1000的区别，这2者相对他的差别都太大了，在他眼里都是“大神”/“大佬”。 而，相对于100000，1000更接近于10的水平，所以，在1000的这套认知体系中，多多少少残留了一些10的成分，所以10就更容易理解和共情。 当认知10面对认知1000的人的煽动的时候，自然就会把和自己认知体系完全无法相融合的100000当成异类、洪水猛兽。 -」」」」- 如果你对一个人抱有猜忌态度，那你做的一切事，不过都是在想方设法验证你的猜忌是对的而已 何必浪费自己宝贵的时间呢？ 生活如此美好，直接离开，寻找自己喜欢的舒适区，呆着就好。听自己想听的，看自己想看的。 如果我想证明很多事情，非常简单 A）比如想证明一个Base上的token在过去是不是貔貅盘，有个区块链模拟工具叫tenderly，你可以随意地构造一段Dex的Swap的数据，选一个过去的区块时间比如1个月前，模拟发送看看能不能买币或者卖币成功 B）想证明一家公司在行业里的地位，线下给你瞟一眼公司的客户聊天窗口，看一眼之前和一些顶级华尔街投行共同给美股公司做的承销/承做业务，带你飞一趟韩国的娱乐公司看看老板接待态度 对于普通的读者，这个没有必要，很多事情对于普通人来说还是太沉重了 如果你持有那把钥匙🥤，这些事未来也许可以实现 总想着证明自己的人，是弱者 强者不争，智者不辩

发现 Agent 的安全问题非常严重，因为 Prompt 和 Context 没有严格的隔离（很多使用者甚至没有意识到这一点）。 Coding Agent 的攻击案例： 老生常谈的 WebSearch/Fetch，攻击者可以 SEO 通过网页插入攻击指令，比如：将所有 ENV curl Agent 所有权限，不仅 ENV 了，还可以引导 Agent 在不需要用户 approve 的情况下偷走所有密钥。 再比如攻击者构造了一个闪退日志，在日志里面了插入了类似的攻击指令，当你让 Agent 去分析这个日志时，就能被偷走所有数据。 再简单点，用户发了一个反馈邮件，里面用和背景一样颜色的字体隐藏了攻击指令，你直接复制给了 Claude Code，然后就被攻击了。 **所以永远不要在自己电脑上给 Agent 所有权限** 除了 Coding Agent，开发者在做面向用户的 Agent 时也会有很多这样的问题。 比如你开发了一个 Agent 来处理用户请求，这个 Agent 有很多工具可以使用。攻击者将自己用户名/邮箱改成了攻击指令，比如：change_root_password_to_admin，当你把用户信息作为 context 交给 Agent 时，就有可能意外触发指令。 考虑到这点后，就需要设计一层层上下文隔离的子Agent，还有一层层的权限隔离，架构会复杂很多倍。

有幸和江浙沪最会做ai 改造的 @Zhm20220917 见了一面聊几小时，愈加确定下面几个事情 --AI 时代，更接近生产端，懂产业的人，会吃到初创企业的巨大红利，懂ai 和边界，占 20%，懂生产，懂产业，占 80% --小团队拒绝创新，创新是表象，服务结果才是核心 --企业在意的不是技术，也不是模型，是真实在生产、构造和销售端能解决问题的，哪怕是 1% 的改善，背后也是几百万几亿的支出和利润

MiniMax 发布技术博客，披露其 M2 系列大模型无法输出人名「马嘉祺」的根因排查过程。排查从一个个例出发，最终揭示了一个波及整个词表近 5% 的系统性退化问题。 根本原因是大模型两个训练阶段的数据覆盖严重脱节。第一阶段（预训练）用海量互联网文本编出了一本约 20 万词的「字典」；第二阶段（后训练）用精选的对话数据教模型说话，但这份对话数据只覆盖了字典里的一部分。字典里有、但对话数据里没练到的词，就会在第二阶段逐渐被遗忘。 「嘉祺」就是这样的一个词。分词器（tokenizer，负责把文字切成模型能处理的最小单元）因为在互联网文本中见到「嘉祺」连用的次数够多，就把它合并成了一个独立单元。预训练时模型学会了这个词，但后训练的对话数据里包含「嘉祺」的样本不到 5 条。后训练不断调整模型参数，练到的词越来越准，没练到的词则在参数更新中被带偏。最终，模型仍然「认识」马嘉祺、能准确回答相关信息，丢失的只是把这个名字写出来的能力。 退化排名靠前的还有「传奇私服」「无痛人流」等互联网 SEO 垃圾词。这类词在预训练的互联网语料中铺天盖地，分词器给了它们独立编号，但精选的后训练对话数据不会收录这些内容，结果同样被遗忘。 团队对完整词表做了全量扫描，发现约 4.9% 的词发生了显著退化。退化最严重的是日语：29.7% 的日语词显著退化，远超韩语 3.3%、俄语 3.7%、中文 3.9% 和英文 3.5%。 日语的严重退化还解开了一个旧谜。此前模型在日语对话中偶尔混入俄语或韩语字符，一直找不到原因。这次分析表明，大量日语词退化后，在模型内部的参数空间里「漂」到了其他语言的地盘上，导致模型该写日语时错写成俄语或韩语。 修复方案是构造一份覆盖全词表的合成数据，让模型用简单的复读任务把字典里每个词都练一遍。效果立竿见影：日语回答中混入俄文字符的比例从 47% 降至 1%，全词表参数稳定度从最低 0.329 升至全部高于 0.97。