8月7日至9日，全国多地农民抢收百香果、水稻等农作物，喜迎丰收。 From August 7 to 9, farmers across many regions of the country rushed to harvest passion fruits, rice, and other crops, joyfully celebrating a bountiful harvest. #Harvest#

2025年起，我反复强调的四个原则： 原则1，时代的第一性原理：LLM一定会越来越聪明，benchmark越来越高，context window越来越大，reasoning越来越长，价格越来越便宜，inference速度越来越快， 这是scaling law今天依然持续的具体方向，不用你质疑，这是你唯一的信仰和行业最大共识。 原则2， 管理学设计红利：从我提出“自动编程机”、行业提出vibe coding、SWE-Agent以来，从cursor到manus到metaGPT到claude code， 人们逐渐把LLM Agent抽象成人，把软件管理、工程管理、管理学等等所有方法论直接套在multi agent workflow上面，严格按照人类管理学的方式去拆分、review、执行、反馈、循环， 这一波很快红利也吃完了，因为 a. LLM Agent毕竟不是人，存在着memory有限、执行力有限、function calling工具有限等等局限；b. 人类用于管理学的各种方法，直接套在LLM Agent上有利有弊，红利迅速挖掘完，剩下的弊端大量存在，比如过度交流、七手八脚、随时停工等等。 原则3，LLM Agent的职位和定位：绝大多数人，把claude code当做一个工具，最终的产品是用工具来完成的，最终的代码也是人与SWE Agent一步一步interactively迭代产生、迭代review、迭代部署的， 而我反复告诉过所有人，也是我又一条首次提出的原创观点，multi agent未来越来越会变成本身的一个runtime，这个runtime就运行在production里面，产品和面向的对象消费的，不只是软件或者SaaS本身，而是这个runtime实时产生的内容， 所以claude code/opencode/codex/openclaw这些agent，本身将会越来越多地被嵌入到产品本身，在产品关键逻辑和决策中发挥作用， 而绝对不仅仅停留在开发层面，把产品仅仅局限在SWE Agent单向产出和部署的代码和服务上。 原则4，也是我一直强调的，就是当人们试用了SWE Agent这种强大工具之后，人们还有哪些low hanging fruits可以寻找？SWE Agent目前最适合解决哪类问题？ 我反复讲过的一点是，对于一个设计复杂、环境复杂、场景复杂、用户复杂、体量复杂、范式复杂、一切开放、一切无解的超级复杂系统，这并不是SWE Agent最擅长的领域，相反这些场景需要人去和环境、客户、场景、性能一点点迭代才能打磨好的产品， 比如微信的100种功能，Facebook的一大堆功能模块和十几年来迭代出来的极其复杂的infra，支付宝后面成千上万的基金和风控，这些都不是AI Agent能一次性解决的问题，相反这些场景和问题不仅高度开放，更高度依赖人的观察、人的设计、人的反馈、人的定义。 AI Agent最适合的场景，甚至是我原创提出goal driven（ a. 定义简单、干净、封闭（一道数学系、一个确定性最小系统、一个编译器、一种算法、一个lean证明、一个电路或者信号模拟、蛋白质模拟和预测、CAD设计与仿真、游戏关卡测试、行为经济学仿真，都是well-defined problems，都有非常明确且封闭的边界） b. 解决问题的搜索空间巨大（可能有100~10万种天马行空的解决方案，并且绝大多数都是错的） c. 容易验证，容易verify，验证的成本是设计成本的千分之一（比如编译器，设计可能需要几万行甚至几十万行，验证只需要2000个test case全面覆盖，或者一道数学题，解决需要100步，验证答案只需要带入或者lean编译这一步） 当然，写一段简单的代码，定义一个封闭、完整、定义完全的编程问题，符合上面这些定义， 但是设计一套巨大、复杂、开放、与现实世界深度绑定、高度耦合的系统，让这个系统复杂迭代、添加功能、沟通、review、工程管理、产品管理，这些问题都远远超出这个范畴，很明显是不符合这个要求的。 人们未来探索这些multi agent产品和场景的最关键出路，在于继续挖掘这一类问题，而不是盲目把agent比作一个人，乱套各种管理学方法。

下面是 RKLB CEO Peter Beck 以及 CFO Adam Spice 刚刚接受几个博主采访的内容总结。我觉得还是挺有价值的，特别是关于最近收购 Iridium 的信息。 1. CFO Adam Spice 强调，收购 Iridium 是在机会出现时有能力抓住机表现。这暗示收购 Iridian 并非经过了长期的内部讨论，而是某种契机出现：Iridian 刚好有意向出售，而 RKLB 目前的体量也刚好有能力承接。我认为这件事情的时间线如下： (a) 2026年3月增发 10 亿美金，就应该是在为这次可能的收购做第一步准备。所以两家公司谈判开始的时间，最晚是 2026 年 3 月之前。 (b) 2026年5月增发 30 亿美金，应该已经基本确定收购没问题了。 (c) 2026年6月底：正式宣布收购。 Iridium 的股价 3 月份是 25 左右，而 5 月份来到了 45 左右，变化幅度非常大。但相应的，RKOB 股价 3 月份是 70 左右，而 5 月份已经来到了 130 左右。所以，当两家公司的股价都在同步上涨时，RKLB 收购的溢价或者说代价，并没有因为 Iridium 的股价上涨而等比例增加，因为自己股价提高，ATM 融资成本降低，是受益的。 2. 当被问到这次收购是否会改变 Rocket Lab 早前作为第三方独立太空基础设施供应商的定位时，Peter Beck 说道：以我们的中子火箭 Neutron 为例子，我们的目标仍然是一半发射为自己服务，一半发射为外部客户服务。我们希望为外部客户提供更多通往太空的选择。关于和 Starlink 的竞争，在这次采访中，Peter Beck 再次表达了相似的观点，他说：“我们需要战略清晰且聪明地去玩这一场游戏，对于哪些领域我们要去参与，哪些领域不参与，这个决策很重要”。这个观点与我昨天分享的 Rocket Lab 不会去和 Starlink 的家用宽带业务，以及未来的手机直连卫星通讯业务竞争，其实是相似的。与此同时，Peter Beck 强调，Rocket Lab 非常擅长在一些高价值的利基市场上获得收入及利润。我们知道很典型的例子就是公司的电子号 Electron 火箭：每次发射收费 800万-1000万，毛利率达到 40%-50%，这就是在火箭市场的一个很好的例子。Peter Beck 说，Iridium 从某种程度上也是在做相似的事情，他们在个人通讯领域没有能力也不打算去和 Starlink 竞争，而是利用自己 L-band 全球窄带通讯覆盖的优势，在一些利基卫星通讯市场获得了很好的利润率。关于 Iridium 的业务，我在 Iridium 的个股分析视频做过详细的介绍，大家不熟悉可以去看一下，这些 Iridium 所谓的利基市场是哪些市场。 3. Peter Beck 和 Adam Spice 说，Rocket Lab 有很多新的主意，Iridium 也有很多新的主意，他们现在把两边的主意都合并起来，看未来还有什么可以立即投入到应用阶段的产品。其中，Adam Spice 强调，在两家公司合并以前，Iridium 很多想法都没有办法通过 Business Case这一关，主要原因就是因为卫星制造和发射成本太高。但当两家公司合并之后，从成本以及投入产出比的角度来说，很多想法都会变得可行。和我昨天分享的一样，现在更加重要且简单的 low-hanging fruits，就是利用现有的 Iridium 卫星应用进行业务拓展。比如 Iridium 在农业领域已经有很多客户了，那么可以在这个领域进一步扩充市场。在早前，一个新的竞争者想要进入这些 IoT 物联网领域，从 go-to-market 也就是市场拓展的角度是很难的。但是现在你有了很大的用户基数，有了以往的历史数据和经验，再叠加更低的成本和更加先进的通讯技术，那么进行市场拓展就显得轻而易举了。 4. 视频的最后，再次被问到中子火箭，Peter Beck 还是强调目前的计划仍然是年底发射，而且说接下来大家会看到一些硬件的进展。

半年来，我一直反复介绍的四个原则： 原则1，AI时代的第一性原理：LLM一定会越来越聪明，benchmark越来越高，context window越来越大，reasoning越来越长，价格越来越便宜，inference速度越来越快， 这是scaling law今天依然持续的具体方向，不用你质疑，这是你唯一的信仰和行业最大共识。 原则2， 管理学设计红利：从我提出“自动编程机”、行业提出vibe coding、SWE-Agent以来，从cursor到manus到metaGPT到claude code， 人们逐渐把LLM Agent抽象成人，把软件管理、工程管理、管理学等等所有方法论直接套在multi agent workflow上面，严格按照人类管理学的方式去拆分、review、执行、反馈、循环， 这一波很快红利也吃完了，因为 a. LLM Agent毕竟不是人，存在着memory有限、执行力有限、function calling工具有限等等局限；b. 人类用于管理学的各种方法，直接套在LLM Agent上有利有弊，红利迅速挖掘完，剩下的弊端大量存在，比如过度交流、七手八脚、随时停工等等。 原则3，LLM Agent的职位和定位：绝大多数人，把claude code当做一个工具，最终的产品是用工具来完成的，最终的代码也是人与SWE Agent一步一步interactively迭代产生、迭代review、迭代部署的， 而我反复告诉过所有人，也是我又一条首次提出的原创观点，multi agent未来越来越会变成本身的一个runtime，这个runtime就运行在production里面，产品和面向的对象消费的，不只是软件或者SaaS本身，而是这个runtime实时产生的内容， 所以claude code/opencode/codex/openclaw这些agent，本身将会越来越多地被嵌入到产品本身，在产品关键逻辑和决策中发挥作用， 而绝对不仅仅停留在开发层面，把产品仅仅局限在SWE Agent单向产出和部署的代码和服务上。 原则4，也是我一直强调的，就是当人们试用了SWE Agent这种强大工具之后，人们还有哪些low hanging fruits可以寻找？SWE Agent目前最适合解决哪类问题？ 我反复讲过的一点是，对于一个设计复杂、环境复杂、场景复杂、用户复杂、体量复杂、范式复杂、一切开放、一切无解的超级复杂系统，这并不是SWE Agent最擅长的领域，相反这些场景需要人去和环境、客户、场景、性能一点点迭代才能打磨好的产品， 比如微信的100种功能，Facebook的一大堆功能模块和十几年来迭代出来的极其复杂的infra，支付宝后面成千上万的基金和风控，这些都不是AI Agent能一次性解决的问题，相反这些场景和问题不仅高度开放，更高度依赖人的观察、人的设计、人的反馈、人的定义。 AI Agent最适合的场景，甚至是我原创提出goal driven（ a. 定义简单、干净、封闭（一道数学系、一个确定性最小系统、一个编译器、一种算法、一个lean证明、一个电路或者信号模拟、蛋白质模拟和预测、CAD设计与仿真、游戏关卡测试、行为经济学仿真，都是well-defined problems，都有非常明确且封闭的边界） b. 解决问题的搜索空间巨大（可能有100~10万种天马行空的解决方案，并且绝大多数都是错的） c. 容易验证，容易verify，验证的成本是设计成本的千分之一（比如编译器，设计可能需要几万行甚至几十万行，验证只需要2000个test case全面覆盖，或者一道数学题，解决需要100步，验证答案只需要带入或者lean编译这一步） 当然，写一段简单的代码，定义一个封闭、完整、定义完全的编程问题，符合上面这些定义， 但是设计一套巨大、复杂、开放、与现实世界深度绑定、高度耦合的系统，让这个系统复杂迭代、添加功能、沟通、review、工程管理、产品管理，这些问题都远远超出这个范畴，很明显是不符合这个要求的。 人们未来探索这些multi agent产品和场景的最关键出路，在于继续挖掘这一类问题，而不是盲目把agent比作一个人，乱套各种管理学方法。 原则5，这一点我先保密，之后我再讲。

🍻💛🍜♎🍘No root,no fruit. 高端上🐝深圳🍏上海😰北京 天津💂济南😉乌鲁木齐 门户之外 围你又能做回自己吗 不喜包换→ 武汉到香港至南宁 南宁 南宁

黄仁勋今天GTC大会经典一幕，特别点名了台湾生态链重要合作伙伴： Fruit Lady水果妹（老黄厕所签名） 王记府城肉粽（老黄父母饭局） 花娘小馆（老黄亲戚饭局） 富霸王猪脚极品餐厅（老黄个人偏爱） 砖窑古早味怀旧餐厅（老黄宴请供应商的兆元宴） 老黄真会啊