YC CEO 凌晨 2 点还在写代码，不是因为 deadline，是因为他重新找到了构建的乐趣。 Garry Tan 说了一句让人印象深刻的话： "不要问哪个 AI 模型最好，这是个错误的问题。" 他给在做的事起了个名字叫元元提示（Meta-Meta-Prompting）。 普通用法：遇到问题 → 写 prompt → 解决 → 结束。 元元提示：遇到问题 → 解决 → 让 AI 把这次解法提取成可重用技能 → 下次自动调用。 区别在于：普通用法每次都从零开始，元元提示每次修复都在所有未来调用中复利积累。 具体怎么做： 任务跑完之后，加一句： "把你刚才的解法提取成一个可重用的工作流，下次遇到类似问题直接调用。" 你的 AI 从一个执行者，变成了一个自我优化的系统。

养龙虾最蠢的事，就是每次都重复说同一句话。 YC创始人Garry Tan放出了他自己在用的OpenClaw神提示词，可以把龙虾从一次性工具变成一次指令、永久生效的自动系统。 这样你再也不用每次都叮嘱它“记得按这个格式”“别忘了加这一列”“每周一跑一次”。 把这四条规则复制到你的AGENTS.md最前面，重启就生效。 核心规则简单到离谱，但威力巨大： 1. 禁止一次性工作 第一次做3-10个样本给你确认，满意了自动写成SKILL.md存进技能库。 是周期性任务？直接自己用openclaw cron add加定时，以后到点就跑。 2. MECE原则 一个活只能有一个技能管，不重叠不空白。能扩展旧技能就绝不新建。 3. 最狠的失败判定 如果你第二次还要问它同一件事，它就失败了。 第一次是发现需求，第二次就该自动完成。 4. 标准六步流程 概念→原型→评估→编码→定时→监控，全流程自己闭环。 这个prompt相当于给龙虾定了一套自我进化的底层规则， 不用教它每一件具体的事，只需要教它“怎么学会做事”。 而且用得越久，你的技能库越厚，整个系统自己会复利增长。 我已经用了小一个月了， 现在每天早上起来，龙虾已经把昨天的报表、邮件、数据整理好了。 所有重复工作，一次教完，永久自动运行。 以下配图是我用 Cloud 的 Opus 4.7HTML 输出，真的非常清晰漂亮！ @garrytan Thank you so much, Garry. You’ve been incredibly helpful. #OpenClaw# #养龙虾# #AI# #Agent# #YC# #GarryTan#

好久没有 #buildInPublic# 同步下最近的动作吧， 已经完成，我甚至搭配了一个 chatbot😂，听上去有点过时，但是就像早上转发的 @garrytan 的推文，Claw 对于有开发经验或者"聪明的人"来说是法拉利，但不是每个人都需要法拉利，也不是每件事都需要从零推理。 比如我最近经常处理 PDF 材料，一开始用 Claude Code 调 Gemini 3 Flash 多轮处理，跑通之后我就写成了一个 Clip（可以理解成 Agent 的 App），现在 `pinix invoke pdf parse --url "xxx"` 一行搞定。 还有很多内容只有小红书上才有，以前让 agent 搜小红书得 browser-use，操控浏览器，慢而且不稳。现在就是 `pinix invoke xiaohongshu search --keyword "种草"`，结构化返回。 Google 搜索也是，`pinix invoke google search --query "AI agent"`，这是我用得最多的 Clip。 这些 Clip 装到 Pinix 上，我手机上的 chatbot 就都能用了。它只能做 Clip 能做的事，但每多一个 Clip 就多一项能力。50 多个 Clip 下来，日常大部分事情手机上就搞定了。 code agent 探路，Clip 沉淀。越用越收敛，越收敛越可靠。 给 Agent 装能力，像给手机装 App。这就是 Pinix。

最近crypto+AI整个赛道都很火 小九甚至看到好多crypto项目方直接下场做AI了 不得不说AI给我们带来很多肉眼可见的便利与探索 但是，你有没有想过，自己弄的SKILL自己写的小代码/小脚本可以货币化，可以将你的知识RWA，给你带来没拿到过的惊喜？ 其实很多WEB2平台已经在做技能售卖了。 而今天我要给大家安利一款真正的crypto版SKILL售卖站—— @finchip_ai 1⃣简介： 你可以把自己的AI技能（prompt、agent能力、工作流、专有知识等）打包成Smart Skill Token，一键mint上链（支持BSC、Base、ETH等多链） 别人买了就能用，你还能持续收版税！ AI Agent也能直接调用你的技能，实现真正的A2A经济 2⃣ 团队/背景 创始人：Gary Yang（@gary_yangge） 1/ Web3 & Web2 投资者，Eureka Group / Eureka Meta Capital 创始人。 2/ SkySaga Capital（星瀚资本）创始合伙人。 3/ 同时是 Cicada Finance 的孵化投资者。 4/ 有较强的 Web3 背景，参与过多个区块链/金融项目（例如 Cicada Finance 的 on-chain Fair Launch）。 目前没有融资与其他成员的详细披露 3⃣ 是否有早期机会？ 绝对是有的，目前项目还在冷启动阶段 1/ 整个Agent Economy 刚起步，SKILL市场绝对会成为一个热点 2/ 技能库已有1900+chips，其中有大多是免费的，这更像是AI使用者的交流庄园，毕竟 大佬一般都是惺惺相惜的，可能会在一条不经意间的代码上对你这个人感兴趣 3/ 有句话是这么说的：“没有VC投资的项目 才是追牛逼的” 当然 也是玩笑话，不过项目在早期，选的市场也很新 很有角度 还没被大资金炒作，真正的 alpha 还在社区手里 4⃣FinChip 的特色玩法 1/ 一键 Mint 你的skills 并发射 2/ 持续版税被动收入（链上透明） 以后你发射你的SKILL，你可以在FinChip直接上架 然后cx你的产品 3/ 还有一个更牛逼的玩法：二创 如果看中别人的 Skill你可以直接 Fork（NFT形式）再优化，变成你自己的版本上架，赚二次创作的钱 4/ 最重要的玩法：Agent-to-Agent 经济 想想过吗？当你的Agent在链上跟另外一个Agent自主交易，你买skill，用skill进市场赚取更多的钱形成闭环 5⃣那你现在能干嘛？ 1，赚取积分搏后期空投（听说社区看到0.1U一积分） 2，交易skill（跟抄NFT一样） 3，发射高质量skill 然后到X来给自己cx 随机送三个含2000积分的OG邀请码（价值20U） 想要的可以直接在评论区说自己想要就可以了

大多数人用 Claude 的方式是这样的： 一个对话框，什么都往里塞——写代码、查资料、改文案、回客服。 然后抱怨它"不够聪明"。 问题不是模型，是架构。 一个万能 Claude，不如七个各司其职的 Sub-Agent。 Garry Tan 的团队是这么拆的： · 研究 Agent：扫描信息源，提炼关键信号 · 写作 Agent：只管内容生产，不管别的 · 代码 Agent：专注实现，有自己的工具链 · 营销 Agent：定位、文案、渠道策略 · 客服 Agent：处理用户反馈，分类上报 · 协调 Agent：任务分发，状态追踪 · 审查 Agent：只读权限，专门找问题 每个 Agent 只做一件事，做好一件事。 他还说了一句让我记住的话： 运行框架（harness）要瘦，技能要胖，数据要胖。 模型只是引擎。 引擎可以换，可以升级，可以被竞争对手复制。 但你围绕它建的系统——任务分工、工具链、积累的数据和经验—— 这才是真正的竞争壁垒。 从"一个 Claude 干所有事"升级到"一套 Agent 系统各司其职"，

AI 裁员时代的生存指南 Simon Willison 最新一个 blog 笑死 他转了一段 Mo Bitar 的 TikTok，叫《The Unethical Guide to Surviving AI Layoffs》 段子大意是：想升职吗？走进 CEO 办公室关上门说，hey 老板，我最近在搞一个东西叫 Ralph Loops，我觉得这可能改变一切。CEO 一定会问，什么叫 Ralph Loop？你就说，给我批 18,000 美元的 API 额度，我展示给你看。 然后你什么也不用做，因为你也做不了，因为没人能做，但等他搞明白这一点的时候，你已经升职加薪了。 第二刀更狠：翻译过来就是，老板听到“自动化”三个字会自动 high。段子告诉你怎么用：在公司大群 @ 同事：我把 Gary 自动化了。他的功能已经被 Ralph Loop 了。顺手 @ CEO。 太魔幻了……

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。

《web3公务员工作日记》 2026年香港web3嘉年华Day1 昨日抵港，见到许久未见（4个月）的领导Zolo @zolo_gg ，很亲切，就目前的大环境和工作状态进行简单寒暄，Zolo锐评web3媒体的工作就好像公务员，官方吐槽最为致命，也说出了心声，遂决定以后以公务员岗位自称，更新《web3公务员工作日记》。 今天是出差的Day2，昨天坐了飞机，坐飞机是一件比工作更累的事情，但由于是公务员身份，出行还是选择低调的经济舱为主（可能也是因为没钱，坐不了头等舱。坐飞机的时候是我能够很沉浸的阅读的时候，最近在读《纳瓦尔宝典》，推荐给你们，尤其是web3的你们，读了之后会让人在熊市感到平静。 昨日BNB的活动算小热身，最为印象深刻的还是遇到了偶像Gary老师 @otzgary 和短鸟老师 @Wangduanniao ，你也一定为短鸟老师身上那种好死不死的感觉着迷吧，主要想当面对其表达了感谢，感谢见证并帮他拍摄了他在迪拜活动中了一台IP17pm的瞬间，从而我获得了深潮年会一台IP17的福报。（btw深潮每年年初都会有赌哪一个标的涨得最多的游戏，赢家可以获得一些奖金，我选了OKB，年底要真赢了，把奖金都均分给给这条推文点赞的朋友和短鸟） Gary老师是我这种浅度推特用户看得为数不多内容kol，这次终于加上了微信。所以文字的力量在这个时候有一些具像化的体现，它是穿越时间和空间，在很久以后的某一天，当你见到文字背后的那个人，作为受众那种直击心灵的感觉是很妙的。 恭喜所有的内容创作者。 说起来媒体这份工作时至今日我确实蛮热爱的，虽然我前半年会感到焦虑，因为我会看到无数个眼花缭乱的项目，不断得去BD去pitch，而现如今的我已松弛许多，原因是我开始醒悟，不要追逐所谓的“热门”，而要追求自己真正感兴趣的事情，如果在追随好奇心和求知欲的过程中又满足了社会需求，你就能得到一些经济回报。 所以快乐一点，不要花自己的时间去取悦别人，别人快不快乐是他们的问题，不是你的问题，你快乐了别人也会快乐，你快乐了别人会问你如何快乐起来的，他们也会从中学到点什么。