来了个微软的售前给我们做presentation，用的是macbook而不是surface。我震惊了，微软真的开放了。但是也就只有苹果产品才可以吧。拉里佩吉也被拍到用macbook。

18岁的Founder ，前几天刚在不丹过生日，创业时候还没成年🥹🥹🥹 现在的小孩子好勇啊，虽然vibe coding 已经把创业难度降低了很多，但一个小姑娘不上学了自己折腾项目，在不丹国王🤴🏻和 @cz_binance 还有几百人面前做presentation ，比我小时候牛逼多了。 @ellazhang516 @yzilabs 🤘🏻🤘🏻

推荐这个工具，Yohei Nakajima 在 GraphCon 上用的 graphcon-deck。 幻灯片变成了图谱过滤器——节点复用，视角切换，整个 presentation 是一个可以探索的图。 Yohei Nakajima（BabyAGI 作者）在 7 月 25 日 GraphCon 上用他自己写的工具做了一场演讲。这个工具叫 graphcon-deck，一个把幻灯片变成图谱过滤器的单 HTML 文件。推文 43 万浏览，537 书签。 核心 idea 传统 slides 是线性的——幻灯片 1 → 2 → 3，每张是一块独立画布。Graphcon-deck 完全不同： 所有节点始终存在于一张大图上。每张"幻灯片"只是一个过滤器。 每个节点有一个或多个 slide number。当你切到某张幻灯片时，携带该编号的节点被拉入视图，不携带的节点被推走。viewport 自动居中到活跃节点的中心。你可以为每张幻灯片定义不同的布局（节点方向 / 关系朝向），"动画"只是让新节点自然进入视野。 同一个节点可以出现在多张幻灯片中——讲一个概念时它在这里，讲到相关概念时它换个位置再出现。整个文件是一个自包含的 HTML，内嵌 JSON 数据。 为什么这不一样 线性 slides 的底层假设是"一次讲一件事，信息不重叠"。但现实中，概念之间是有关系的——A 引出了 B，B 和 C 共享前提，D 推翻了 A。当你只能线性排列时，你被迫重复讲同一个节点，或者靠观众自己记住"刚才那个圆角矩形和第三页那个是同一个东西"。 Graphcon-deck 把 presentation 变成了 graph exploration。每张幻灯片不是"一页新内容"，而是"在当前图上应用一个新的视角"。节点复用的结果是——你不需要重复介绍同一个概念，它一直是同一个节点，只是每次出现在不同的关系网络中。 技术细节 • 纯前端，单个 index.html（约 9000 行内嵌 JS/CSS） • 数据格式是 JSON：{nodes: [{id, label, slides, x, y, ...}], edges: [{from, to, label, slides}]} • 支持编辑模式：拖拽节点位置、调整布局 • 支持导入/导出 JSON（"copy deck JSON" / "load .json file"） • Undo 单张幻灯片的布局修改 • MIT 开源，45 star，4 fork Yohei 最近的探索方向 这不是一个孤立的项目。Yohei 同一天（7/26）发了一条推文："if you are trying to solve long-running agent problems, you will eventually start using immutable event logs"（499 赞），接着在 7/27 发了一篇 X Article "What the Brain Knows About Long-Running Agents"。他在把 graph-based thinking 从 presentation 工具延伸到 agent 架构——event log 作为不可变记录，图谱作为知识的组织方式。 graphcon-deck 是这个思路在 presentation 层面的具象化：图谱不是可视化的附加物，图谱就是内容本身。 Demo： GitHub： #GraphVisualization# #Presentation# #YoheiNakajima#

用 Codex 做 PPT，效果已经超出预期 它自带两个实用插件： ① ImageGen 先生成整套 PPT 视觉总览，白色商务、黑色科技、卡通风格都能快速尝试。 ② Presentations 根据大纲和设计方案，直接生成完整、可编辑的 PPTX。文字、图片、字体和组件都能继续修改 完整流程：Codex 写大纲 → ImageGen 定风格 → Presentations 出成品 特别适合学生做课程展示、职场人做工作汇报，以及不懂设计但经常需要做 PPT 的人 视频由Codex自动生成没有给它提供素材 看着很单调

在这个八月初的半小时演讲中，我讨论了泡沫如何产生，如何见顶，如何破灭；我六月中旬如何在预测全球半导体泡沫见顶崩裂。 泡沫亙古不变，人性难移使然。以前如此，以后也一样。 如果我们从历史中可以学到什么，那么就是我们其实什么都没有学到。 In this Chinese Ted Talk presentation recorded in early August, I discussed how I forecasted the crash of Global Semi/Kospi, and my call about the Chinese bubble burst in June 2015. $FXI

广州见~​ 将在广州出席3天哟~ 광저우 3일 참여합니다~ #碧蓝航线​# #碧蓝航线漫展​# #2026港区盛夏清凉节# 📍广州站—【街区快闪】 时间：7月24日-7月26日 地点：广州·媒棚LIVE 参与方式：预约入场 2026 《벽람항로》 항구 여름 축제 (2026 AZUR LANE SUMMER PARTY) 광저우 역 (广州站) 일정: 7.24 ~ 7.26 장소: 광저우 파티어 미디어 펭(미디어 LIVE) [广州琶醍媒棚(媒棚LIVE)] 형식: 스트리트 팝업 (街区快闪) 입장 방식: 예약 입장 (预约 may/need reservation)

推掉 offer、延毕转AI safety，他一个月重新拿到 offer 刚看完一篇研究员求职复盘，作者 Yong Zheng-Xin，布朗大学五年级 PhD。 他的经历有点特别：读到最后一年，从多语言 / post-training 直接 pivot 到 AI safety，拿了 Astra Fellowship（在 OpenAI 做），为此把毕业推到 2027，还推掉了手上已有的 offer。 后来重启求职，本来计划 7 月才开始面，结果担心 headcount，5 月中就上了，6 月中就拿到满意的 offer，甚至撤掉了一些还在进行的面试。 他写了 6 个让他意外的点，我觉得对正在找 research 岗的人挺有用，整理一下👇 1/ 真正起作用的，可能只有一两篇 paper，甚至一篇都不靠 他多语言方向的 paper 数量远超 safety，还拿过 best paper。但 pivot 之后，这些一篇都没影响到面试结果。 paper 的作用其实就两个：① 敲门，你做过 team 感兴趣的东西，于是被放进 pipeline；② deep dive，research presentation 时聊一篇的动机和细节，有时短到只有 20 分钟。 所以发表数量除了证明 credibility，没那么重要。你随时可以转去一个你觉得更重要的方向，只要在新领域证明够强、team 想要你。 2/ 面试轮次的花样，超出预期 他本来以为就是 fresh-grad SWE 那套：LeetCode + behavioral + 一些 LLM / 深度学习。结果遇到了 system design、并行编程（用 asyncio 手写并发），甚至还有专门评估你“用 AI agent 用得好不”的轮次。 结论很简单：永远预期 wildcard。 3/ Work trial（试岗）越来越常见 他原以为 work trial 只在 AI safety 岗比较常见，结果发现 AI startup 也越来越多。 试岗和 onsite 完全是两回事：不是飞过去面几轮，而是真的跟团队一起做一个任务，有时还是开放式的。通常带薪，但有的线下试岗能持续整整一周。 副作用是：试岗期间你几乎没法准备别家面试，因为得全力扑在当前任务上。同时面多家、又赶时间的话，这点排期要特别小心。 4/ 时机的权重，比你想的大 去年秋天，AI safety 岗极难找，远不如 RL 相关的多；但现在一堆 startup 开始招 safety（比如 Lila、Mechanize）。 几个现实： 你的工作 viral 了，会有一波机构同时来找你，别被打懵，接住这个时机。 你的方向变热，机会整体变多，但窗口可能不到一个月，也可能拖上几个月。 headcount 一定要问 recruiter，尤其你打算推迟、或想同时面多家时。 面试可以试着往后推一两个月，但一旦开面，各轮之间的间隔通常很短。有些岗位还希望你下个月、下下个月就入职（这点能谈）。 5/ Return offer 很稀少 SWE 那边 return offer 基本是常态，research 岗就完全 case-by-case。 他 2024 在 Meta 实习，return 全职 offer 很少，高度依赖 headcount 和 team，身边不少人没拿到。他在 OpenAI 做 Astra fellowship，最后也还是和所有应聘者一样走完了全部面试轮。听说有的机构更快，如果 team match 成了，再补一两轮就行。 6/ 很多面试，跟你的方向根本没关系 他从能力研究（多语言）转到 safety，本以为 safety 相关的面试会占大头。 结果并不是。他遇到很多轮跟 safety 毫无关系，甚至跟他研究兴趣都不沾边。有些地方还是在考你“作为一个 AI researcher 够不够全面”。 他觉得这有道理（领域跑得快，基本功值得查），但预期还是落空了。也许 senior 岗会不一样。 前两天刚写完 Silvia Sapora 那篇顶级 ML Research Scientist 面试指南，这篇刚好补充了另外一个视角。