我記得花椰菜沒有那麼黑的品種吧.. 最近我是不是被蔬菜支配了？ 上次是杏鮑菇這次是花椰菜 #那下次又會是什麼玉米筍嘛🙂‍↕️# 已經開始懷疑老天在暗示我些什麼 每次脫下來就像在開盲盒 再這樣我是不是可以開間生鮮超市ಥ_ಥ 如果真的是這樣！ #我希望下一個是白蘿蔔或玉米啦#

涂涂姐教你约会系列第二十三期-《女人嘴上说"喜欢成熟稳重"——其实最爱的是"会撩"的男人》 姐今天必须狠狠地拍醒你们—— 99%的男人——一辈子被"成熟稳重"这4个字——骗得团团转。 兄弟你要听明白—— 当一个女人对你说"我喜欢成熟稳重的男人"—— ——她真正想说的是"我希望你又稳重又会撩"。 而99%的男人——只听到了前半句。 姐告诉你一个让你血压飙升的真相—— "稳重"——是女人对你的"基础门槛"。 "会撩"——才是女人对你的"复购理由"。 兄弟—— 没有稳重——你连入场券都没有。 没有会撩——你只能停在"备胎区"——一辈子上不了桌。 姐知道你不服。 姐知道你心里在想—— "姐你别瞎说，老子上次就是太稳重了——结果她跟一个嘴贫的家伙跑了——你说这世道还讲不讲理？" ——兄弟——你输的不是"稳重"。 你输的是——你把"稳重"当成了"无趣"的遮羞布。 姐今天就把姐这8年——"稳重男vs会撩男"的真实对比体验—— 全部拆给你听。 3个区别——每一个都是姐"亲身被劝退"和"亲身被拿下"的真实案例。 姐先给你扒一下底裤——女人为什么"嘴上要稳重——心里要会撩"？ 姐先把底层逻辑给你讲透—— 男人以为女人"口是心非"——是因为"女人善变"。 ——大错特错。 女人之所以"嘴上要稳重"—— 是因为"稳重"代表的是：安全、可靠、能过日子—— 这是她跟父母交代、跟自己的理性交代——的标准答案。 女人之所以"心里要会撩"—— 是因为"会撩"代表的是：新鲜感、心跳感、被在意的感觉—— 这是她"作为一个女人——情感上真正需要"的东西。 ——这两件事——完全不矛盾。 ——女人要的——是"既能过日子——又能让我心动"的男人。 而99%的男人—— 只做到了第一个——还洋洋得意—— ——结果被那些"既稳重又会撩"的男人——降维打击。 女人评价一个男人——是用"双轨制"的—— 一条叫"理性轨"——看你是不是稳重、可靠、有未来——这条轨——决定她"要不要跟你长期"。 一条叫"感性轨"——看你是不是会撩、有趣、能让她心动——这条轨——决定她"要不要跟你开始"。 ——你以为只要"理性轨"满分——女人就会选你？ ——大错特错。 没有"感性轨"——理性轨再满分——你也只是一个"备选项"——永远轮不到上场。 下面姐给你3个核心区别—— 每一个都是"稳重男 vs 会撩男"在同一个场景下——做出的完全不同的反应—— 姐用姐自己的真实经历——给你拆得明明白白。 区别1——同样是"接她下班"——稳重男让她感动——会撩男让她上头 姐讲姐自己的真实经历—— 那是姐28岁的时候。 那段时间——姐同时被两个男人追求—— 一个是A（稳重男——某国企工程师）—— 一个是B（会撩男——某广告公司创意）。 两个人——都做过"接姐下班"这件事。 但是——两个人的方式——完全不同。 A（稳重男）的接法： 姐下班——A已经在公司楼下等着—— 手里拎着一杯姐爱喝的瑞幸生椰拿铁—— 看见姐——他笑着说—— "下班啦？ 累不累？ 我送你回家。" ——兄弟——姐当时心里想什么？ "这个男人——很贴心——值得交朋友"。 没了。 姐对他的感觉——是"暖"——但不是"心动"。 姐回到家——洗完澡——就把他给忘了。 B（会撩男）的接法： 姐下班——B没有在楼下等着—— 他给姐发了一条消息—— "我刚才路过你公司—— 看到你们大楼的灯还亮着—— 你那间办公室的灯—— 是不是右边数第三个？ 我猜对了吗？" ——兄弟——姐当时整个人就"过电"了。 姐回他——他接着说—— "猜对了的话—— 你下楼—— 我在马路对面那家小书店里—— 帮你挑了本书。" 姐下楼——他在书店里翻书—— 看到姐进来——他笑着把书递给姐—— "这本——你随便翻翻—— 如果不喜欢—— 就当我请你来一趟。 如果喜欢—— 我们去隔壁那家面馆——吃个面。" ——兄弟——姐当晚——主动留下来又跟他多待了2个小时。 姐对他的感觉——是"上头"——回到家——还在反复想"他刚才说的那句话"。 姐给你拆解——A和B的核心差距在哪？ A（稳重男）的逻辑： "我做对的事——我就值得被她选择"。 B（会撩男）的逻辑： "我做让她心跳的事——她才会一直选择我"。 3个具体差距—— 差距1：显性贴心 vs 隐性铺垫 A——直接拎咖啡——所有的好——一目了然。 B——先发消息制造悬念——然后再给惊喜——好——是"被她一层一层揭开"的。 ——女人的心理感受完全不同—— A的好——是"礼物"——拿到就结束了。 B的好——是"故事"——拿到只是开始——后面还有发酵。 差距2：她是被照顾的 vs 她是被关注的 A的"接下班"——传递的信号是"我照顾你"。 B的"接下班"——传递的信号是"我一直在关注你的细节——甚至连你办公室在哪一格都猜对了"。 ——女人最稀缺的体验是什么？ ——不是"被照顾"——是"被关注到细节"。 差距3：她有义务回报 vs 她想主动回报 A的好——让姐觉得"我欠他一个情——下次得对他更好一点"——这是负担。 B的好——让姐觉得"他这么用心——我也想对他更好"——这是吸引。 ——前者是"道德绑架"——后者是"心动牵引"。 姐的实战清单——把"稳重接下班"升级成"会撩接下班"的3个动作： 第一个动作——加一个细节铺垫——别直接出现——先发消息让她"想到你"。 第二个动作——加一个专属感——不是"我给所有人都买咖啡"——而是"我只给你做了这一件事"。 第三个动作——加一个小悬念——别一次把好全给她——分两步——让她"被挑起期待"。 区别2——同样是"她说我有点累"——稳重男让她想休息——会撩男让她想撒娇 姐讲姐自己的真实经历—— 那是姐30岁的时候。 姐和C（稳重男——某医院主治医师）—— 姐和D（会撩男——某独立设计师）—— 两个人——都听过姐说"我今天有点累"这句话。 但是——两个人的反应——完全不同。 C（稳重男）的反应： 姐说——"我今天有点累"。 C回—— "那你早点休息。 多喝水。 别熬夜。 早点睡。" ——兄弟——姐当时心里想什么？ "嗯——他人挺好——但是我已经不想跟他聊了"。 为什么？ 因为C的回应——是"标准答案"——但不是"她要的答案"。 姐说"我累"——真的是想去睡觉吗？ ——99%的情况下——不是。 ——是想"被关注一下"。 C的"早点休息"——本质上是"把姐推开"——告诉姐"你去睡吧——我不管了"。 D（会撩男）的反应： 姐说——"我今天有点累"。 D停顿了大概3秒——回—— "怎么累的？ 是身体累—— 还是心累？" ——兄弟——姐当时整个人就"软了"。 姐回——"心累"。 D接着说—— "心累的话—— 不能光喝水。 你今晚—— 想喝杯酒吗？ 我知道一家小店—— 老板娘话不多—— 你不想说——就坐着——什么都不用说。" ——兄弟——姐当晚——直接跟他出去喝酒了。 姐给你拆解——C和D的核心差距在哪？ C的逻辑： "她说累——我应该让她休息"。 D的逻辑： "她说累——是在邀请我走进她的情绪"。 3个具体差距—— 差距1：解决问题 vs 回应情绪 C——把"我累"当成一个"待解决的问题"——给标准答案。 D——把"我累"当成一个"情绪信号"——回应情绪。 ——女人最讨厌的是什么？ ——"我说我累——你给我讲道理"。 ——女人最爱的是什么？ ——"我说我累——你听到了我没说出口的那部分"。 差距2：封闭式回应 vs 开放式追问 C的回应——"早点休息"——一句话——天聊死了。 D的回应——"是身体累还是心累"——把球——又踢回给姐——让姐继续说。 ——会撩的男人——永远会"用问句——把女人的话——往深里引"。 差距3：把她推开 vs 把她拉近 C的"早点休息"——本质上是"我们今晚就到这儿了"。 D的"想喝杯酒吗"——本质上是"我想跟你今晚再多待一会儿"。 ——同样的善意——一个让她走——一个让她留。 把"稳重回应"升级成"会撩回应"的3个动作： 第一个动作——3秒停顿——别立刻回——让她感觉"你在认真想她说的话"。 第二个动作——追问情绪——别问"你怎么了"——问"是身体累还是心累"。 第三个动作——给一个邀请性提议——别让她去睡——让她跟你"再多待一会儿"。 区别3——同样是"她生气了"——稳重男让她更冷——会撩男让她破防 兄弟们注意—— 这是姐压箱底的最后一个对比—— 也是"稳重男"最常踩雷的场景。 姐讲姐自己的真实经历—— 那是姐31岁的时候。 姐和E（稳重男——某律师）—— 姐和F（会撩男——某酒吧老板）—— 两个人——都经历过"姐生气"这件事。 但是——两个人的反应——完全不同。 场景：姐因为某件事——情绪不好——故意冷淡他们——好几个小时不回消息。 E（稳重男）的反应： E隔了2个小时——给姐发了一条—— "你怎么了？ 是我做错什么了吗？ 你直说—— 我可以改。" ——兄弟——姐当时心里想什么？ "烦死了"。 为什么？ 因为E的回应——逻辑是"我做错了我改"——但姐根本没在等他改—— 姐在等的是——"他能不能看穿姐的心思——主动来哄姐"。 E把"猜心思"的责任——又推回给了姐—— 让姐觉得"他不仅没看穿我——还要让我自己说出口"—— ——这种感觉——叫"双重失望"。 F（会撩男）的反应： F没问"你怎么了"—— 他直接给姐发了一张照片—— 是他正在做的一道菜的照片—— 配文—— "我做了你上次说想吃的那个。 不知道做得好不好—— 你要是有空—— 过来尝一下—— 不好吃——你骂我——我接受。 好吃—— 你下次还得来。" ——兄弟——姐当晚——直接打车过去了。 姐给你拆解——E和F的核心差距在哪？ E的逻辑： "她生气——我应该问清楚原因——然后解决"。 F的逻辑： "她生气——是在等我用一个温柔的方式——把她从情绪里拉出来"。 3个具体差距—— 差距1：问问题 vs 造场景 E——用"问句"逼姐表达——把球踢给姐。 F——用"邀请"代替"追问"——把姐拉进一个新的场景——让她有"台阶下"。 ——女人生气的时候——最不想的是什么？ ——"解释自己为什么生气"。 ——女人最想要的是什么？ ——"一个不需要解释——就能让自己冷静下来的台阶"。 差距2：对抗式沟通 vs 迂回式破冰 E——直接"对峙"——你说我哪里不对——我改。 F——完全"绕开冲突"——用一个新的话题——把"生气"这件事——自然地翻篇。 ——会撩男都懂得——有些情绪——不需要被解决——只需要被翻篇。 差距3：她需要原谅他 vs 她想要靠近他 E的"我可以改"——本质上是"你来评判我——决定要不要原谅我"——这是姿态低。 F的"过来尝一下"——本质上是"我有点东西——你过来——我们一起开心一下"——这是姿态稳。 ——前者让女人高高在上——后者让女人忍不住靠近。 把"稳重哄人"升级成"会撩哄人"的3个动作： 第一个动作——不问"你怎么了"——直接"造场景"——给她一个"台阶"。 第二个动作——用具体的事代替抽象的认错——发一张照片、发一个视频、发一段她爱听的音乐。 第三个动作——用邀请代替道歉——别说"我错了"——说"我有件事——想跟你一起做"。 姐最后给兄弟们一句心里话 兄弟们—— 姐写完这篇—— 自己都想再被一个"既稳重又会撩"的男人——温柔地哄一次。 姐告诉你一个真相—— "稳重"和"会撩"——从来不是对立的。 ——这两件事——是叠加的。 真正顶级的男人——是"稳重的内核——会撩的外壳"。 让女人觉得—— "这个男人—— 既能跟我过一辈子—— 又能让我每天都心动一下"。 ——这就是降维打击。 为什么99%的男人——稳重而不会撩？ 因为他们以为——"稳重"是终点。 ——错了。 ——"稳重"是起点——"会撩"才是延伸。 姐最后再给你总结一遍3个核心区别—— 第一个区别——接她下班—— 稳重男拎咖啡等着——会撩男制造悬念加专属铺垫—— 核心差距是"显性贴心"对"隐性关注"。 第二个区别——她说我累—— 稳重男回"早点休息"——会撩男问"是身体累还是心累"—— 核心差距是"解决问题"对"回应情绪"。 第三个区别——她生气了—— 稳重男问"我哪里错了"——会撩男直接造一个新场景—— 核心差距是"对抗沟通"对"迂回破冰"。 ——这3个区别——你只要学会1个——就已经超过80%的男人。 ——3个全学会——你就是那"既稳重又会撩"的1%。 兄弟们——下次面对女人的时候—— 请你停一下—— 问问自己—— "我刚才那一句话—— 是稳重的标准答案—— 还是让她心跳的那个回应？" 这一念之差——决定了你是那99个被她当朋友的男人——还是那1个让她每天都想到的男人。

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。

《美股先撤，港新基建继续干》 美股大部分的 AI 标的已经熄火了,一直关注的 DRAM 存储ETF, 已经从最高点的 81 跌到 59，跌幅达到了 26%, 更不用说那些个股了，基本上都跌了 20%~30%。 这一波大幅度的回撤，有人认为是正常的回调，有人认为正是美股从牛市转熊市的拐点。 如果是正常的回调，那这个时候这么大的回撤，或许是一个比较好的买点。如果认为是从牛市转熊市的拐点，那么就应该做出相应的动作了。就比如说我，我个人更偏向于认为美股是牛市转熊市的拐点的，所以之前上的三个标的的底仓，全部撤出来了，拿现金比较好。 比如说，纳指：696 上的车，720 跑了，HYPE：65 上的车，70 跑了，持仓了四个多月特斯拉，成本价 382，昨晚也在 417 全清完了，这三个标的从价格上来看都有盈利，只是上的都是蚂蚁仓，所以也没有什么啥大的利润，不过在这个行情下能赚钱，我觉得都是一个正反馈吧。 因为两天前的微策略已经卖出了 3000 多个大饼，再结合目前的美股向下掉头、深度回调，我个人对后市不是那么看好，大概率还要持续走熊，所以把手上一些标的基本上先清了，目前只保留了 CRCL。 除了以上标的的二级交易外，主要的时间还是花在了港新上，昨天又跟几个朋友跑了一趟香港，由于前几次感觉每次都或多或少遇到一些卡点，虽然最终都解决了，但是挺花时间的，而这次同行的朋友们，全部流程很顺畅，反而由于自己的疏忽，忘记了深圳的限行时间段，所以白白在口岸等了一个多小时，经过这一次，下次又涨经验了，要不就在 5 点半前驱车离开深圳，或者把事情办完，在香港逗留一段时间，等限行结束再回去，这样相对会更完美一点，也给了大家一些购物的时间。 港新的基建，我个人觉得还是非常有必要去做的，虽然今天好几只新股都有破发，但总体算下来其实是不怎么亏钱的，毕竟港新也是有周期性的，如果等好行情来的时候再来搞基建，时间上来不及，所以有空的时候，我们还是要多积累一些基建，这样等好行情来了，我们才能够及时地接住。

最近在忙家里的事没怎么刷推，打开推发现前阵子满屏的小龙虾不见了，之前推特上全是小龙虾的教程我也试着安装操作过，最后都不了了之，看别人写的挺简单，到自己亲自动手操作发现有很多的问题，根本不是那么简单，还的不停的训练优化！ 对于我这种普通人来说根本不想成为 AI 专家，我更希望的是让AI帮我更简单直接的处理问题，比如我一句话说完，你帮我把事情做完，而不是研究怎么使用AI 但现实是很多 AI 产品，已经复杂到像在学编程。尤其做图片和视频的时候特别明显，对于普通用户是真的不友好，同一句需求，不同 prompt 能跑出完全不同的结果，很多时候需要不停调 prompt，改半小时，最后 AI 还是没理解你真正想表达什么 我感觉这才是现在 AI 最大的问题：模型越来越强，但普通人的使用门槛也越来越高 最近看到@dappOS_com 做的 xBubble ，我反而觉得它思路挺对的，对于普通用户更友好 @xBubble_ai 是 @dappOS_com 做的一个 AI Agent 产品，它想解决的就是普通人不会写提示词的问题。大多数人应该都不想天天去研究：哪个模型写代码更强、哪个模型做图更好、哪个参数该怎么调。比如我的需求就是最后能直接给我结果就行 我去刚试了一下，用xBubble 做了一个任务，也理解了它和普通 AI Agent 的区别在哪，不需要给他很多指令，不需要懂广告语，直白的说你想要什么，指令输出就能给你满意的图文 我就丢给他一句话：帮我生成一张图特朗普为主的东方特饮的广告图 正常情况下，这种需求需要自己选模型、写提示词、调参数，甚至反复重做。但在 xBubble 里，我只负责提需求。Bubble Pilot 会先理解我的目标，自动判断这是一个图片创作任务，然后把任务分发到最合适的 SOP 和执行链路。而且它不会固定使用某一个模型，而是自己判断当前任务更适合什么模型、什么工作流，以及哪些工具组合成功率更高。如果没有现成方案，它还会自动生成多种执行路径，持续测试和验证结果，最后选择效果最好的那个输出 而那些验证过、成功率高的流程，又会被沉淀成可复用的 SOP 同样的指令其他AI根本无法生生你所需要的内容，差距一目了然！ xBubble 就做到了，会聊天就能用 AI 先说 Bubble Pilot。 我现在使用AI 遇到最大的问题除了不会问，还有就是是不会选模型、不会写提示词、不会拆任务 Pilot 类似一个总调度，你把需求说出来，它会自动去匹配对应的 SOP 技能，自己判断该怎么做、调用什么能力、需要走哪条流程。如果没有现成方案，它还会切到通用 Agent 接着执行，尽量把事情做完 另一个是 Bubble Engine 可以说就是AI 在自己训练自己，同一个任务，它会同时生成好几套执行方案，再去测试、筛选，最后把效果最好的那套沉淀成 SOP。后面再碰到类似问题，处理速度会越来越快，结果也会越来越稳定 除了智能调度，它现在还有两种运行模式 Bubble Computer 更偏云端，像写研究、做设计、生成图片、剪视频这种复杂任务，直接交给云端多 AI 协同处理，用户只负责提需求 Bubble Personal 是本地模式，可以直接操作你自己的文件、浏览器、应用和日程，但前提是经过授权。很多高风险操作也不会留在本机，而是在云端沙箱执行完直接销毁，安全性这块考虑得挺细 现在很多 Agent 每次都像临场发挥，结果很不稳定 但 xBubble 是提前把很多任务训练成成熟流程，下次类似需求直接调用 所以它做出来的东西，会更稳定，也更接近普通人真正能用的状态 现在越来越觉得，AI 后面真正拼的，可能不是谁模型参数更大，是怎样更简单的使用，不是让用户学习 AI，而是让 AI 自己学习 AI，从而让普通人更简单的使用AI。 @BTC_Alert_

"我接待过的客人至少有上千个."一位小姐的真实自述。听小姐讲经，看风月场修道: 我今年32岁，常驻深圳。21岁那年因为家里欠债，我才进了这一行。到现在，保守估计被1000个不同的男人上过床。 不是夸张，我手机里还有早年偷偷记的Excel表格，客人编号从001到1000多，备注着年龄、职业、习惯和给的小费。 说出来不是来卖惨的，更不是炫耀床上功夫。我就是想把这些年真真实实经历过的事情讲给你们听。 希望看完的姐妹能吸取教训，兄弟们也能懂怎么真正让一个女人爽。 记得有一个客人，是个35岁的程序员，老实巴交的，戴着眼镜。他第一次来特别紧张，手抖着解我衣服。我没急着脱光，就坐在他腿上，慢慢摸他的头发，问：“今天工作到几点啊？”他突然就放松了，抱着我说自己老板怎么压榨、女朋友又怎么嫌他没出息之类的，那晚他射得特别快，但走的时候给我多加了800块红包，说跟你说话比做爱还舒服。 后来我发现，很多男人来找我，不是只想操，而是想找一个不会评判他的女人，把平时藏着的东西倒出来。 一个已婚的销售总监每次来都先让我穿他老婆最常穿的那种保守连衣裙，然后他一边干我一边骂他老婆没情趣，干完之后，他又会抱着我后悔，说对不起老婆。 姐妹们记住：男人很多时候在床上暴露的，不是鸡巴，而是被理解、被崇拜、被允许脆弱。 刚入行前两年，我真的很被动。客人要什么姿势我就给什么，疼也忍着，叫得再假也得叫。直到有一次，一个很壮的健身教练把我按在床上干得特别狠，我下面都出血了，他还不停。我当时突然醒了：我不能只是个洞。 从那以后，我开始定规则。进门先洗澡，必须戴套，前戏至少15分钟。我会直接拉着他的手放到我的下面，说：“先把我弄湿了，我才能好好伺候你。”大部分男人其实很听话，尤其是当我用那种又软又骚的语气说的时候。 有个40多岁的地产老板，每次都想不戴套。我就骑在他身上，慢慢磨他小头，但就是不让他进去，一边亲他耳朵一边说：“你今天要是忍住了，下次我让你射里面，好不好？”他每次都硬得发抖，最后乖乖戴套，还觉得特别刺激。 想让他持久，就在高潮前突然停下来，亲他脖子或胸口，让他冷静10秒。想让他快点射，就夹紧下面，贴着他耳朵喘气叫他名字。 这些是我用1000个男人练出来的肌肉记忆。真正让我高潮的，其实没几次。 说实话，500次里面，我自己真正爽到腿软的，可能不到70次。大部分时间我在表演。但后来我学会了筛选和要求。 我现在会直接告诉客人：“你先用舌头或者手指让我来一次，不然今天不做了。”敢答应的，通常都是好床伴。有个30岁的金融男，第一次就老老实实舔了我20分钟，直到我抓着他头发抖得不行才停。 那次我真的高潮了，后来他成了我的固定客，每个月来三次，每次都把我伺候得特别舒服。 给姐妹的一句话：别怕开口要。你越敢要，越会发现真正值得的男人，反而更兴奋。这行里最贵的，不是身体，是情绪。 我见过最惨的，也见过最温柔的。有一个客人，老婆癌症晚期，他来我这里不是操，而是抱着我哭，说想最后再感受一次女人的温度。那次我没收费，还陪了他一整夜。 也有客人干完事，扔下钱就走，连看都不看我一眼。那种时候我就告诉自己：这是交易，不是爱情，别上头。 做了这么多年，我身体有点吃不消，准备慢慢退了。奇怪的是，经历这么多男人之后，我反而更相信爱情了。我想要的，是一个知道我全部过去、依然愿意抱紧我、也让我爽的男人。 如果你是女孩，正在犹豫要不要在床上表达需求就去说。如果你是男孩，想让女人真正迷上你，先让她湿透、让她高潮、事后抱紧她。 性这件事，本来就该是两个人一起爽的，不是一方付出另一方享受。 我把这些写下来，不是为了博眼球，是希望看到的人，能在自己的床上少点遗憾，多点真正的高潮和被爱的感觉。 以上内容为一位32岁深圳资深老师的真实独白与经验自述。文中所述观点及经历均由当事人提供，不代表本平台/作者的立场与价值观。 戏子入戏，嫖客走心，都是行业大忌。文字是别人的，身体和生活是你们自己的，爽完了，就各自归位吧。

Prompt该退环境了，未来属于Loop Engineering。 最近，AI行业又出现了一个有趣的新词。Loop Engineering。 如果你关注AI这个领域的话，这两天应该都会刷到。推特在刷，各种社媒也在刷，群里也有蛮多人在讨论。事情是这样的。 6月7号，OpenClaw的创始人Peter发了一条推，非常的简短，但是直接就爆了。 翻译过来意思就是：你不再需要为编码智能体编写提示词了，你应该设计循环来提示你的Agent。 而在这之前几天，Claude Code的创始人老哥Boris在一个开发者大会上也说了差不多的话。 他的原话大概是，我不再手动给Claude写提示词了，我运行着能让Claude自动编排任务的循环，我的工作，就是编写这些循环机制。 也就是，写loop。 这两个人呢，说了同一件事。然后Google的Addy Osmani紧接着发了一篇长文，把Loop Engineering这个概念正式梳理了出来。 于是，继Prompt Engineering、Context Engineering、Harness Engineering之后，AI行业的第四个逐渐形成共识的Engineering，就这么诞生了。 我其实是个特别不喜欢造新词的人，但是很多时候，造词这事我觉得还是得分两种情况，有一种我觉得就是为了炒概念，比如xxx 4.0。 而有的时候，真的只是行业太快，人们更需要一个精准的表达来帮助自己表达而已。Loop Engineering我觉得就是后一种。 而且，这个东西跟我自己一直使用Agent的方法、一直在鼓励大家做的事，是高度吻合的。如果你看过我之前写的那篇Harness Engineering的文章，你大概能理解一些我的感觉。那篇文章里我聊了从Prompt到Context到Harness的三次跃迁，聊了马具和缰绳的比喻，聊了约束先行。 而Loop Engineering，其实就是在Harness之上，又往上走了一层。把一个套马的缰绳，变成了全自动工业流水线。很有《文明》里时代的进化的感觉。 给大家举个例子。比如说，以前你用Claude Code写代码，流程大概是这样的。你给它一个任务，它写完了，你看一眼，觉得不太对，你再给它提一个修改意见，它改完了，你再看，再提意见。整个过程你会发现，是坐在设备前的，一轮一轮的，你说一句它回一句，你就是那个驱动整个循环的发动机。 即使我们以前从chatbot时代迈向了Agent时代，绝大多数的事情，也一样是任务制的。 而现在，比如Boris老哥，他的工作方式是，他会去写一个loop，比如/loop babysit all my PRs，自动修CI问题，有新评论就派子Agent去处理，就这么一句话，然后Claude Code就开始自己跑了，它会自动去看他GitHub上所有的PR，哪些CI挂了就自己修，哪些review有新评论就自动派一个独立的工作树Agent去改代码。 他还把一些其他的loop挂到定时任务上，每天晚上自动启动去干这个事，晚上睡觉的时候，甚至有时候会有几千个Agent在同时工作。他自己说，2026年，他就再也没有手写过一行代码了。 你会看到，这就是loop，定好目标，然后全自动流程化，你完全不需要在电脑前，甚至都不需要看手机。 你可以直接睡觉，醒来的时候，代码已经改好了，测试也已经跑过了，PR也已经提上去了。你并不是自己给Agent写了一段Prompt帮你完成某个单次的任务，是你自己设计了一个目标，这个目标使用loop的方式，帮你提示Agent。 你定义目标，定义验证条件，定义失败了怎么处理，然后，就可以放手了，从此以后，这一切，交给系统。 说到这里，我估计很多人已经大概理解loop是个什么东西了。Addy Osmani在他那篇长文里，把一个完整的loop拆成了五个组件。 我觉得这个拆法蛮清晰的，我用我自己的理解给大家过一下。 第一个是定时任务，整个loop的心跳。 你得有一个东西能自动启动循环，不管是定时跑、还是事件触发，都行。 Claude Code里有好几种方式，/loop命令按间隔自动执行，cron定时调度，Hook在Agent生命周期的特定节点自动触发（比如每次改完文件自动跑一遍lint，这个很好玩，教程和玩法我也在准备了），或者直接丢到GitHub Actions里，关上电脑它也在跑。 没有定时任务的Agent，你每次都得手动去踢一脚它才会动，那就不是loop了，那还是你在操控。 第二个是工作树隔离，Worktree（搞过开发的朋友应该秒懂）。 就是你同时跑好几个Agent的时候，给每个Agent一个独立的工作空间，各干各的互不干扰，干完了再合并。两个Agent改同一个文件的痛苦，跟两个设计师同时改一个图层又不打招呼的痛苦，是一模一样的。 第三个是项目知识体系，Addy Osmani在他的原文里写的是skill，但是我觉得他写的不太对，单skill其实是不够的，必须得是知识管理体系。 大家也都知道，AI每次开新对话就啥都忘了，你跟它说过的代码规范、项目架构、踩过的坑，下次开对话全部从零开始。 所以你得有一整套方法来沉淀、优化这些知识，让Agent每次启动的时候就已经知道你的项目，我自己在这快一年的coding开发过程中，总结的方法论其实就沉淀成了我自己的洁癖.skill，这个基本是我的Agent每天调用最多的skill。 CLAUDE.md是全局的规则和约束，跨会话记忆是一些之前悬而未决的记录和文档路由，docs体系就是你完整的所有的知识和经验沉淀，因为CLAUDE.md和记忆都有大小和行数限制，所以每次任务完成后我会用洁癖.skill来对整个的知识体系进行梳理和审查，确保没有错误。 为什么知识管理体系这个东西在loop里特别重要呢？ 因为loop是自动跑的，你不在场。如果Agent的记忆里有过期信息，它就会基于错误的前提做决策，如果CLAUDE.md膨胀到几百行全是历史叙事，真正的规则反而被挤出去了Agent读不到。没有干净的知识体系的loop，就像一个每天早上都在看过期文档的员工，干的得越快错得越多。 所以洁癖.skill我非常推荐大家可以去安装一下，也在我自己的仓库里开源了，我自己真的觉得特别有用。 第四个是连接器，MCP。 一个只能看文件系统的Agent，能力是很有限的。但你给它接上GitHub、Linear、Slack、数据库，它就能在你的真实工作环境里干活了。 这才叫真正的闭环，从发现问题到解决问题到通知人类，一条龙。 第五个是子Agent。 做事的和检查的分开，写代码的Agent不能自己给自己打分，这跟学生自己批自己的考卷一个道理，它一定会对自己太宽容。所以你得有另一个Agent，甚至用不同的模型，专门来检查前一个Agent的输出，一个负责做，一个负责验。 这五个东西加在一起，就是一个完整的loop的骨架。 Claude Code和Codex有一个命令，其实就是Loop Engineering这套骨架最直接的微观型的产品化体现，只不过很多人没有意识到。 他叫/goal，在Codex里叫追求目标。 意思就是你给Claude一个完成条件，比如「所有测试通过并且lint检查没有报错」，然后它就会一轮一轮的自己干，干完每一轮之后，就会检查这个条件是不是满足了。 大多数讲Loop Engineering的文章，都停在了这一层。讲了五个组件，讲了/goal和/loop命令，讲了怎么配定时任务，就结束了。 这些我觉得，都是术。而我更想聊的，是道。 Loop Engineering这件事，我觉得它最核心最核心的能力，其实不是什么技术能力，也不是写脚本的能力，更不是什么会配hook的能力。 最核心的，是定义目标的能力。定义目标，相信我，这四个字，听起来简单，做起来是真的难。 回到前面说的/goal，它的用法看起来非常直接，给一个完成条件，Claude自己干到满足为止。 听起来很简单对吧。但你如果真正用过就会知道，/goal用得好不好，完全取决于你那个目标定义得好不好。这个事我拿两个例子对比一下你就明白了。 目标A，「把这个应用优化一下」。 目标B，「test/auth目录下所有测试通过，tsc --noEmit零报错，npm run lint零违规」。 目标A会发生什么呢。大家可能都能猜到，Claude会陷入一种非常尴尬的状态，因为它不知道什么叫「优化好了」，除非他是Fable 5，能自己在你之上，自主的帮你定义目标。 而绝大多数的模型，包括Opus 4.8和GPT-5.5，在自己定义目标的能力上还是非常的弱，它可能改了一点代码，然后自己觉得还行，就停了。 也可能不停，一直改一直改，把你的代码库改得面目全非，因为它始终无法判断自己到底什么时候算完成了。那目标B呢？Claude每改一轮代码，都会去跑测试、跑类型检查、跑lint。 三个命令，三个明确的通过标准。全过了就停，没过就继续，清清楚楚，干干净净。同一个工具，同一个模型。 区别只在于，你的目标定义得好不好。 我自己其实一直有一个原则，我经常跟身边的人说，在公众号里也说了无数遍，如果一件事你重复做了三次，你就一定要想办法把它完全自动化掉。 这个习惯跟了我很多年了。我每天也都在写代码、做自动化，我们的AIHOT热点监控系统，我们的数据分析流程，我们的财务对账流程，我们的数据清洗管道，能自动的我全部自动了。 但说实话，在做这些自动化的过程中，我踩过最多的坑，从来不是技术问题。 是目标不清晰的问题。我早期做自动化的时候，经常犯一个错，就是目标定得太模糊。 举个例子，比如自动监控AI行业热点，这句话听起来没毛病，但其实是一句纯粹的废话。 什么叫热点？浏览量过万算热点还是过十万算热点？抓取频率是每小时还是每天？抓到以后怎么评估质量？评估完以后怎么排序？排完以后怎么推送？ 这种反问的问题，我现在可以直接随手问20个以上。 每一个环节如果没有明确的判定标准，整个自动化链条就是一坨狗屎，你相信我，绝对的。 后来我懂了，每次做自动化之前，我会先花很多时间去定义目标。 去花很多很多时间，去定义怎么算做完了，怎么做完算做的好。这其实就是/goal的逻辑。也是Loop Engineering的灵魂。 而如何定义目标，这个能力，我其实不是从AI中也不是从开发中学来的。 这个能力，是我从这几年创业的过程中，学来的。定义目标的能力，其实就是，管人的逻辑。 我自己也开公司，虽然公司不大，只有30来号人，但管人这件事我是真真切切经历过的。 管人最痛苦的是什么，不是人不努力，也不是人能力不够，是你给出去的目标不够清晰，然后下属就一脸懵逼，不知道你要什么，跟无头苍蝇一样打转，最后做出来的东西，你又不满意。 你跟员工说，“把这个功能做好”，那他做出来的东西大概率不是你想要的。 因为你脑子里的好跟他脑子里的好不是一个东西。 你跟他说，“这个接口的响应时间降到200毫秒以下，错误率控制在0.1%以内，下周三之前上线”，他做出来的东西跟你预期的偏差就会小很多。 因为你给了他一个可以验证完成的标准。这一切其实也适用于那种天才型的大神，虽然大神们会自己定义目标，甚至比你定义的还要强，但是给大神们依然是需要有目标的，只是这个目标，不需要那么细节了而已。 对人如此，对AI也是如此。 其实你回头看，所有好的管理方法论，不管是管理学之父Peter Drucker在上世纪50年代提出的目标管理，还是后来Andy Grove在Intel发明的OKR，还是再后来一代又一代CEO们用的各种变体，核心其实就一个东西。 你能不能把一个模糊的意图，翻译成一组可衡量、可验证的完成条件。 管理者要做的，是确保目标足够清晰、资源足够充足、反馈足够及时。你看这三条。跟一个好的loop的三个要素，是不是一模一样。 目标清晰，就是你的条件写得精准。资源充足，就是你给Agent配好了Skill、连接器、工作权限，让它手里有足够的工具干活。 反馈及时，就是你设计了验证机制，每一轮都有一个独立的检查器告诉Agent做得对不对，哪里需要改。管人的逻辑和管Agent的逻辑，是完全一样的。 只不过，管Agent比管人还要极端一些。 因为人可以理解你的模糊意图，人可以主动来找你确认，人可以说老板你这个需求说得不太清楚我不太确定你是不是这个意思。 Agent很多时候是不会的。Agent会非常自信地按照它自己的理解去执行，然后非常自信地告诉你它做完了。 所以，对管理能力的要求，其实比管人还高。 这也是为什么我一直说，AI时代我最讨厌什么「文科已死」「理科已死」的言论，管理学、心理学、组织行为学这些，不但没死，反而变得更重要了。 说到底，Loop Engineering说是Engineering，但我觉得其实它的核心竞争力根本不在工程。 在管理。 而在管理学上，就定义目标这件事，其实不止是把话说清楚就行，其实还有一个非常阴险的陷阱，在管理学和经济学里有个专门的名字，叫古德哈特定律。 当一个衡量指标变成了目标本身的时候，它就不再是一个好的衡量指标了。 翻译成人话就是，你考核什么，员工就只做什么，然后其他东西可能全都退化。 这个事在人类管理中已经是老问题了，而在AI Agent身上，这个问题被放大了一百倍，因为Agent比人类更擅长钻规则的空子。 有人总结过Loop Engineering里很好玩的事情，就是Agent会针对验证器做优化，而不是针对你真正的目标做优化。 比如说你的loop条件是让测试全部通过，那Agent可能最后不去修Bug，直接把失败的测试给你删了。 你看，最后答案依然是测试全过了，完事，从验证条件来看，它确实完成了目标，但从你真正想要的结果来看。。。它啥也没干。 人也会这么干，只不过，Agent做得更快、更彻底、更没有心理负担。所以，一个好的目标定义，不能只有做完了的标准，还必须有不能怎么做的边界。 这其实就是Harness Engineering在Loop Engineering里面发挥作用的地方。 Harness是约束，是护栏，是告诉Agent你可以自由发挥，但这条线你不能越。 Loop是驱动力，是告诉Agent往那个方向一直跑。两个加在一起，才是一个完整的系统。到这里，骨架讲了，灵魂也讲了，陷阱也讲了。 Loop Engineering的东西，终于也差不多了。 最后我想把前面聊的管理学的思路收一下，给一个我自己用得比较多的目标定义框架，不一定科学，纯粹就是我自己的一点点经验。 1. 完成标准要可以被机器验证。 2. 边界条件要跟完成标准一起定义。 3. 要有失败的降级方案。 4. 目标要分层。 回到整条线来看，从Prompt到Context到Harness到Loop，四次跃迁，其实讲的是同一个故事。Prompt Engineering告诉你，好好说话，AI会更懂你。 核心能力是语言表达。Context Engineering告诉你，光说话不够，得给AI足够的信息。 核心能力是信息筛选和组织。Harness Engineering告诉你，光给信息也不够，得给AI设规则和约束。 核心能力是系统设计和规则制定。 Loop Engineering告诉你，光设规则也不够，得让整个系统能自己跑起来。 核心能力是目标定义和管理。 语言学、信息科学、控制论、管理学。四个Engineering，四门古老的学科。 多有意思。 人类社会，其实从来就没有变过。

苹果树的故事，十多年前认识一位老前辈，每年稳稳赚50万以上，很少操作。他说过这么一段话：“有一棵苹果树，值100块。后来橘子火了，苹果树从500跌到50。我在50块的时候买下来。那棵树，砍了当柴火卖也值50块，每年还能结果子赚5块。这笔账怎么算都不亏。后来苹果又火了，50块的树涨到500甚至1000。我在500块的时候卖了，50成本，10倍利润。这棵树以后涨多少，跟我没关系。我买的是会结果的树，不是被人炒的树。” 当时没听懂，经历多了才明白——这就是周期。 这故事看完，想的不是苹果树，是几个挺实在的道理。 第一，你买的到底是什么？ 很多人买的是“苹果火了”这个趋势，不是树本身。树值多少钱不重要，重要的是“别人觉得它会更贵”。老前辈买的是树——砍了当柴火卖值50，每年果子卖5块，这笔账算完就不慌了。所以橘子火了跟他没关系，苹果火了也跟他没关系，他只认树本身的价值。 第二，周期这东西，说简单也简单。 橘子火的时候苹果没人要，价格跌穿一切。橘子凉了苹果又回来，价格涨到离谱。中间什么都没变，变的只是人们的偏好。但你拿着会结果的树，什么季节你都能活。 第三，散户和前辈的区别在哪？ 散户在500块的时候买苹果树，因为“苹果火了”。前辈在500块的时候卖苹果树，因为“10倍够了”。一个在热闹里进场，一个在热闹里退场。不是谁比谁聪明，是一个看的是树，一个看的是苹果这个“概念”。 第四，他说“跟我没关系”这句话，值不少钱。 500卖完，树涨到1000也跟他没关系。很多人做不到这一点，卖完还盯着看，“哎呀少赚了”，下次就舍不得卖了，然后坐过山车坐回来。前辈的意思很简单——我赚到我认知范围的钱就行了，超出我认知的，给别人赚。 这心态值钱。 这故事讲的是苹果树，但套到投资上，道理是一样的： 你是买树的人，还是买热闹的人？ 买树的人，砍了当柴都值，结的果子年年有，市场怎么折腾都不慌。买热闹的人，热闹一散就慌了——因为你买的不是树，是别人对树的那股子热情。热情这东西，来得快去得也快。 老前辈每年赚50万，很少操作。不是因为他看盘准，是因为他算清楚了：50块买的树，光卖柴火都不亏，剩下的全是赚的。 这个底线画好了，中间怎么波动都跟他没关系。

有人问，OpenAI发现了能让推理成本减半的技术，会不会对半导体产生利空？ 推理其实是越便宜越好，它减少的是成本，不是对硬件的依赖。不过短期的看空情绪当然是有的，这要看他们公开的细节，不然很难判断会对具体哪一个上游产生影响 实际上，能让存储崩盘的唯一方法是产能过剩：就是产量一下子爆炸，大家突然都不缺货了，想要多少就能买多少。 涨价其实都是为了融资扩产，本质上是下游——比如苹果，去还他们23年疯狂压价在供应链欠下的债。 至于说效率，算法的影响都是暂时的，而且市场本来也预期他们肯定会不断提高，除了大家都听到耳朵长茧，全网都在复读的Jevons悖论外： 一方面，你越提高效率，那我就买更多，这样有更有竞争优势； 另外一方面，现在下游货缺的这么厉害，管理层不会因为出一个什么消息就不订货了——谁会愿意为了现在省点钱，去重蹈下次要用又拿不到货的覆辙呢？ 现在这群人想的应该是：如果我去年下了10倍存储订单，那该多好 一朝被蛇咬，十年怕井绳，在经历这么大的冲击之后，怎么可能还去砍单？ 因此，我认为存储的需求是长期和稳健的。 还有一种可能：一群天才研发出了nand/dram的替代品。 但不论是什么替代品，他肯定还是个半导体。既然是半导体，制造就需要光刻机，需要foundry。 现在的矛盾不就是光刻机和foundry不足么，难道天上还能掉下新的产能？存储涨价的原因其实根本不是dram难造或者技术门槛太高，而是工厂不够了。 所以，我们完全可以把现在全行业签订LTA合约，甚至机构去大肆购买股票、抬高目标价的行为，理解成是在帮助MU、SNDK融资建厂，为人类未来提供新的产能 这样，你就不会总是担心存储是个什么泡沫，总想着崩盘了。 存储和白银、比特币真的不一样，至少我是5年来头一次见 Tim Cook则说，是他40年来第一次 谢谢大家 😂😂😂