其实远程服务器上并不需要安装一个完整版的 Codex app，只需要安装 CLI 版的 Codex，并运行： codex remote-control 这样手机上 ChatGPT 应用里的 Codex 就会显示出一个有「终端」图标的服务器名，远程体验与通过 Codex app 配置的远程控制无异。 （Codex app 配置的远程服务器显示为「电脑」图标）

这是一个被中文圈忽视的Claude Code插件更新⬇️ 一旦你安装了这个，Claude Code 的感觉完全不同了。 前两天Anthropic 悄然发布了一个名为 claude-code-setup 的官方插件，基本上把 Claude Code 从“相当不错”变成了真正的 AI 开发环境。 它会扫描你的项目并推荐： → hooks → skills → MCP servers → subagents → automations 然后为你一步步设置一切。 大多数人使用的 Claude Code 完全是原生配置…… 这就是为什么他们的体验很不好（包括我） 真正的力量来自围绕Claude Code的生态。 安装方式： /plugin install claude-code-setup@claude-plugins-official 在你忘记之前先收藏它。

@wangwatchworld 现在个人使用ai的瓶颈很多时候反倒是个人自己，一个自己有没有能力一直深入问对路的问题，二个自己有没有能力付费使用最好的模型和足够的tokens

我终于知道昨天 OpenAI 官方的人回复我是啥意思了! Codex 除了用 ChatGPT 连接和远程控制以外，还可以在 Codex 再控制你的另一台电脑。 这样你就可以在 ChatGPT 上直接控制多台电脑，而不用在 ChatGPT 切换设备，只需要切换项目就好。 比如我这个 Mac Book 的 Codex 可以读取他本地的文件，也可以直接读取我另一台 Mac Mini 的上下文和文件。 说一下怎么做： 1. 首先你去“设置”里的“连接”，选择“控制其他设备”。 2. 在“控制其他设备”里点击加号，选择你其他已经安装 Codex 的设备。 3. 选择完了以后，你需要在新聊天下的“选择工作区”里连接远程项目。 4. 找到你另一个远程设备下需要让它访问的文件夹。 这样你就可以在 Codex 下看到另一个设备跑的项目，ChatGPT 选择这个设备时也能看到另一个设备的项目。 它们的上下文就共享了。这个太有用了！

硅谷传奇投资人Marc Andreessen 最近分享了一种很有意思的阅读方法，叫“杠铃式阅读”。 一端是最新的信息，比如 X 上的实时动态。因为很多行业变化太快，真正的一手信号，往往最早出现在一线从业者的推文里。 另一端是特别老的书，最好是 50 年以上的经典。因为能穿越几十年还被人反复阅读的东西，通常已经经过时间筛选。 中间那一层，比如报纸、杂志，他反而很少看。因为很多内容既不够快，也不够深。 他还特别重视 practitioner-led newsletters，也就是一线实践者写的 newsletter。 比如投资人、创业者、工程师、医生、研究员，亲自把自己在工作中看到的问题、踩过的坑、总结出的经验写下来。这类内容通常很朴素，但很接近真实世界，反而比很多包装精美的媒体文章更有价值。

【投资科普：美国房产】 有关美国的房子，我想给大家泼点冷水 美国东南部的sunbelt地区（不知道这个地区什么意思的，大家可以去搜一搜）的房地产市场，整体而言从拿地，施工，到出售，出租算是业务流程比较顺畅的，因为大多数都是共和党治下的州，所以对开发商比较友好 这也造成一个问题，就是美国过去这些年，住房市场的增量，主要都集中在了这些Sunblet南部地区，包括佛罗里达，得克萨斯州 为什么会有增量呢？主要原因是疫情期间，大家都流行移动工作，很多硅谷，纽约华尔街的人，也往Sunblet的州流动，再加上疫情期间的低利率，也促使了很多开发商拼命在那些地方拿地开建 而且这些地方的新增供应很多都是共有产权的房屋，比如Condo，联排别墅，或者是Multifamily，这些房屋单价相对便宜，目标其实就是在这些州的新增的人口 但是，这些地方的市场供应量上得很快，加上利率又很快上来了；甚至很多romote工作的人又回流到硅谷，纽约了。 所以，这地方的房屋价格就涨不动，而且数量开始过剩，消纳周期拉长......其实有很多建新房的开发商都快熬不住了，因为建设贷款一般3年的时间，如果房子还没卖出去，现金流还没回收，马上银行review贷款的时候，发现问题就会要求Margin Call，或者债务重组 现在的问题就是卡在这里，本来可以蹲一个利率的下行，开发商熬过去就是晴天；但是，今年的降息预期被打没了。这些地方的房子依然过剩，再加上特朗普的移民政策，把增量人口的预期也给降低了 我2026年初，去了一趟佛罗里达，在本应该最繁华的奥兰多（那里有6家迪士尼公园，还有新开的环球影城），房地产市场也很萧条；空置率超过了20%（其中有部分季节性控制）；当地政府还要对HOA重新立法；市面上新增的供应量，比如目标瞅着公园开放新增的工作人员和客户流的，都没有达到预期的去化目标；公寓的出租价格甚至和几年前保持一致（也就是根本没有跟上通胀率目标） 所以，如果您是做房地产投资的，请一定要小心谨慎，需要对每一个地方的市场情况，政策情况，房地产供需的情况，当地居民的收入，人口结构，空置率水平等，做一个系统的分析； 便宜一定有便宜的原因，要找到这个原因，不要因为贪便宜而做投资决策 如果您是自己住的，就当我没说；刚需房只看自己的现金流和财务能力够不够的着，别忘了问问税的情况。

一位斯坦福毕业生刚发了一个马尔可夫链的讲座视频，50分钟，专门讲给做量化交易的人听，讲得特别简洁。 Jane Street 的量化分析师年薪能到 120 万美元，说到底就是要搞懂这套数学。 现在这个讲座把同样的框架给你讲透了，完全免费。 收藏起来，周末抽时间看看。

顺着最近发布的 Mole Mac 这个事情，想给大伙分享一下我这两天经历的神奇时刻。感谢这个去年在三亚泳池边的小玩具项目，让我认识了很多海外有趣的开发者，各个国家的。 Mac 客户端陆续做了两个周末休息日。之前有不少国外用户提过，家里的父母、兄妹不会使用 CLI 但很想要这个功能，问能否出一个简单好用的桌面端，由于时间加上认为当时 Mole CLI 还没有达到我认为成熟的地步，一直拖到了现在。 Mole 发布也才半年，居然超过 50K star，500 个用户提交的 issue 清理建议、300 个高质量的功能 PR、100 位全球开发者的贡献，带来了可能比现在 CleanMyMac 这类工具更强大的清理能力。甚至因为在 README 挂了 2 张我用 Vercel 加速的图片，一周跑了 60T 流量，直接欠了 Vercel 80 刀，我才意识到用的人真的很多，那桌面端就可以做了。 Mole 桌面端的很多巧思都是开始做的时候才想到的。比如用行星来代表每一个功能，和我小时候喜欢看各种行星运行有关系，加上 10 年前学会前端后第一个特别想学的就是 WebGL，开始用 WebGL 来画行星，行星的特征和 Mole 做的事情可以很好呼应，所以把这个主题加了进来： 清理用地球，「雨洗旧土，尘随潮去」 卸载用火星，「红尘覆旧，轻装再行」 优化用水星，「近轨疾行，小修有声」 分析用木星，「远目成图，微处可见」 状态用太阳，「光不合眼，心跳长明」 好比小鼹鼠的挖掘探索从小地方到了大世界的感觉，但是依然很清静，不会打扰你。 还有一个设计小巧思，各个行星的贴面图我换了不下 10 次，从 NASA 官网下载挑选了很多，找到最合适的。其实每一个行星转的方向方位、转速、完成后的飞行效果特征均有参考实际的行星运行情况，这个过程也算是 AI Coding 中很有乐趣的部分。虽然感觉这些东西和 Mole 鼹鼠好像没有那么大的联系，完全可以做一个很简单的菜单栏点啥清理啥就行，但还是想着不能这样，用 AI 产生的赛博垃圾已经太多了，我需要做一个舒服一点的东西出来，让我的 token 不浪费，也为了不污染你的时间线。 当天晚上大概 10 点发布，很感谢很多朋友自发转发，也特别感谢很多用户来购买，甚至有不少小伙伴仅仅是因为 CLI 带来的好处特地来购买的。从晚上发布开始，这段时间我的手机几乎每 10 秒就有一次购买通知，iPhone Air 直接发烫掉电，欧美用户特别多，法国、德国各种币种，真的很神奇。购买量太高了，为了睡觉最后不得已把邮箱通知关了，早上起来还有非常多的持续购买。其实 Mac 桌面端还有很多需要补充的功能，也很感谢大家的包容，为了一个漂亮小玩具预付了 9 刀，我继续加油把功能做好才行。 我做事情很喜欢水到渠成，不喜欢短时间急切追求结果。这种长期持续迭代，持续认识很多新朋友，给到我很多的输入交流讨论，才是最宝贵的财富，特别有意思。

baoyu-skills 新加了一个 Skill： 微信群聊总结 Skill： 依赖于 wx-cli： 如何配置使用 wx-cli 请看项目文档，无法提供帮助。另外目前只是借助其读取数据，其他没任何关系。 Claude Code + Claude Opus 4.6 效果最佳

张小珺访谈姚顺雨的视频，看了一遍，关于AI人才定义与选拔，有不少启发，一些观点与不错的方法： 1、真正最重要且稀缺的人才特质是做事靠谱、极其细致，并且对自己的工作成果负全责，靠谱、细致、负责，优于“绝顶聪明” 2、现在还在考察手写代码没有意义，核心还是看与AI协作的能力 3、善用AI绝不等于盲目依赖，对AI的结果，要有理解力、判断力、掌控力，在面试选拔时，必须确保候选人能够深刻理解AI为自己生成的代码和逻辑，并能对最终的系统结果负责 4、必须具备全局观和系统性思维，优秀的人能理解自身工作在整个大系统中的位置，并对公司的整体系统负责 5、巧用“极限实战测试”考察综合素质，比如，要求候选人在极短时间内，从0到1完成一个复杂的模型训练项目（对普通AI应用类的，可以用10-20分钟做一个小应用），并紧接着进行深度的答辩讨论

1. Skills 是技能，领域知识，工作流等等，相当于怎么干好一件事的说明书。 比如 仓库里有个 skill 叫 nda-review，在 commercial-legal/skills/ 文件夹里。里面是一份 SKILL.md，写清楚：审 NDA 时先比对哪些条款、按团队 playbook 打绿黄红三档、什么情况要升级、输出格式是 Word 修订模式。 它就是一份给 Claude 看的工作手册，本身不干活。 2. Agent 是真正执行任务的主题，除了主要执行的 Agent，通常自定义的 Agent 分两种：Subagent 和 Scheduled agent 2.1 Subagent 是单独派出去干一摊子活的“分身” 举个仓库里的例子：corporate-legal:tabular-review 这个 skill 要对一个数据室里几百份合同做表格化尽调。如果让主对话一份份读，上下文很快爆掉。所以它派 subagent，一个 subagent 负责一份文档，并行跑，最后把结果汇总回主对话。 主 Agent 看到的只是最终表格，中间几百次读取的信息被隔离在外。 2.2 Scheduled agent 是定时自己跑的后台任务 renewal-watcher 这个就是。每周自动扫一遍合同库，把 90 天内到期的合同列出来，发到指定 Slack 频道。你不用记日子，它替你盯。 docket-watcher（盯法院案件动态）、reg-feed-watcher（盯监管新规）都是这种。 3. MCP connector 是把外面的数据接进来的连接器 Skill 写得再好，也得有合同可审。仓库里配了 Ironclad（合同库）、DocuSign（已签合同）、iManage（文档管理）几个 MCP connector。 Agent 通过这些 MCP connector 去读公司真实的合同库，而不是让你手动复制粘贴。 类似地，诉讼那个 plugin 接的是 Everlaw（电子取证）、CourtListener（联邦法院判决数据库）、Trellis（州法院数据库）。换个执业方向，换一套数据连接器。 4. Plugin 是把上面这些打包到一起的容器 commercial-legal 这个 plugin 文件夹里装着： - 一堆 skill（nda-review、vendor-agreement-review、escalation-flagger……） - 几个 scheduled agent（renewal-watcher、deal-debrief） - 一份 .mcp.json，告诉 Claude 要连哪些外部系统 - 一份 CLAUDE.md 模板，用来记你团队的 playbook 你装上这一个 plugin，整套企业合同审查的能力就一次性配齐了。

花了大半天把张小珺访谈姚顺宇的4小时长访听了一遍。这位去年刚从Anthropic跳到Google DeepMind的哥们，参与过Claude 3.7/4.5和Gemini 3。他给了很多实诚的头部大模型一线研究员的视角。访谈信息密度相当高。说几条我觉得最有意思的： 1. Google禁止员工用Claude Code，但姚顺宇保守估计自己90%代码是AI生成的。不保守估计99%甚至100%。一个清华加斯坦福的物理博士、顶级大模型研究员都靠AI写代码，再有人说自己不能用AI写代码，别特么给自己脸上贴金了。但反过来想，Google连内部都不让用CC和Codex，员工效率得受多大影响啊，这家公司真挺神奇的。 2. 他离开Anthropic的原因里，反对Dario反华占40%。他自己说这不是首要但确实是大原因。他很烦Dario那套「我们必须拥有最强模型才能推AI安全」的逻辑。圈里敢直接喷半年前老东家的人确实不多。 3. Claude 3.5/3.6/3.7的命名是个草台班子般的乌龙。Anthropic早期产品力极弱，「居然管两个模型叫一个名字」，外界为了区分自发叫3.6，Anthropic后来跟随社区习惯把下一个叫3.7。我之前一直以为3.6是个跳过的版本号。 4. Claude Code是「个人英雄主义的开端」。一个叫Boris的研究员自己想做提效工具，后来变成Anthropic最重要的产品之一。完全是bottom-up长出来的，不是规划出来的。 5. Anthropic创始团队一个人都没离开。来自OpenAI的那批核心是一起打过仗的，这才是top-down文化能跑通的根。对比OpenAI高管走光，姚顺宇似乎挺鄙视OpenAI的企业文化和部分高管。 6. OpenAI救了Google一命。逻辑挺反共识：如果ChatGPT一鼓作气把search吃了，Google就完了；正因为做出可能性又没做到极致，反而留了Google反击时间。 7. AI行业最重要的特质不是脑子，是靠谱。原话「那些东西多多脑子，本科生就能干」。一个物理博士说这话，算降维打击，也算给所有想转AI的人吃颗定心丸。 8. 他觉得程序员的未来是1/1000拿100倍工资。不是「程序员消失」，是「极度中心化」。绝大多数失去独特价值，少数顶级爆赚。 9. 他觉得现在很多人说的Scaling Law撞墙，多数是自己代码Bug。原话「修一个Bug带来的进展，远大于一些很神奇的技巧」。预训练在过去几个月还在变强，跟外界「预训练已死」的叙事完全相反。 10. 绝大多数New Lab都会死。 听完最大的感受是：这哥们说话真的没在留情面，又喷Anthropic又喷OpenAI又喷各种「老登」。但他敢喷的底气挺清楚，既不在SSI那条路上，也不靠LP吃饭。他自己原话说的是：「我这个行业又没什么导师又没什么旧友，我当然想喷谁喷谁。」 以及，他在说估计自己也不会在Google待太久，把这话在播客里说出来，我觉得国内头部大模型公司可以去抢一波人了。

Claude Code 102 针对学术研究者 Mushtaq Bilal 博士的 Claude Code 102 出来了 第一篇 4M+ 阅读 / 这一篇接得很硬 他的核心论点：Claude Code 完全可以当成「长期研究项目」的工作流引擎来用 博士论文 / 长期写作 / 多年研究项目 / 都适用 5 个核心模块 / 我按重要度排序 · 1️⃣ 第一 用「文件夹 + CLAUDE.md」组织一切 主文件夹是「我的论文」 子文件夹 Literature（PDF + 阅读笔记） Chapters（章节草稿） Data（数据集） Notes（会议记录 / 灵感） Correspondence（导师邮件 / 合作者交流 / 审稿意见） 每个子文件夹放一个本地 CLAUDE.md 主文件夹放一个全局 CLAUDE.md（项目宪法） 例子 Chapters/CLAUDE.md：「评草稿时按 论点 / 证据 / 文献 / 反驳 结构来 / 引用全部 MLA 9」 Data/CLAUDE.md：「所有 CSV 视为原始数据 / 永远别覆盖 / 清洗后另存为 _clean 后缀」 Correspondence/CLAUDE.md：「优先看 reviewer 意见和 co-author 意见的重叠点」 Claude Code 在某子文件夹工作时 / 会同时读全局 + 该子文件夹的两份 CLAUDE.md 效果 你在做章节时 / 它知道 MLA 引用 你在处理数据时 / 它不会覆盖原文件 你处理审稿信时 / 它先找交叉意见 这套设计的精髓 / 让通用模型变成你这个项目的「专属助理」 · 2️⃣ 第二 Plan Mode + Custom Slash Commands Plan Mode（Ctrl + Shift + M） 让 Claude 先把要做的步骤写出来 / 你看完同意了再开干 适用：3 步以上 / 跨文件夹 / 长输出 的任务 例如「综合 35 篇论文笔记」「筛选系统综述」「清洗数据集 + 生成 codebook」 Custom Slash Commands 重复性任务的快捷方式 让 Claude 自己创建 / 一句话搞定 「创建一个叫 /firstdraft 的 slash command / 把我 Notes 文件夹里的笔记变成通顺段落」 Claude 自动写一个 .md 进 .claude/commands Mushtaq 的两条铁律 六个月才用一次的任务 / 别做 slash command 超过 15 行指令 / 拆成两个 slash command · 3️⃣ 第三 Subagents 解决「context clutter」 长项目的最大问题 你让 Claude 读 20 篇 PDF 后再问它写大纲 它的回应会变慢 / 变模糊 因为前面所有内容都还在它的工作记忆里 Subagent = 自带独立 context window 的小 Claude 它读自己的 PDF / 自己的资料 / 不污染你的主对话 Mushtaq 给研究者的 4 个 subagent 模板 Literature Reviewer：每加一篇 PDF / 自动按你的论点出结构化总结 Citation Checker：核对每个引用是否对得上文献库 Methodology Auditor：检查方法部分跟数据是否一致 Reviewer 2：扮演敌意审稿人 / 撕你的草稿 最强的用法 ：并行批评 一句话「让 Methodology Auditor 和 Reviewer 2 并行评 chapter_4 / 各自出报告」 两个 subagent 各开各的 context / 各出各的报告 主会话一点没被污染 ·4️⃣ 第四 Connectors / 把研究工具串起来 Claude Code 顶部「Customize → Connect your apps」 列出官方支持的 MCP 连接器 Zoom / Google Drive / Zotero / PubMed / arXiv 等等 实用 prompt 例子 「拉我最近三次跟合作者的 Zoom 通话纪要 / 抽出所有跟 Chapter 4 相关的评论 / 存到 Correspondence 文件夹今天日期的新文件」 Mushtaq 的一条警告 有保密数据的 app 别接（比如 Slack 里有未发表数据 / 别连） ·5️⃣ 第五 Hooks 和 Scheduled Tasks 让一切自动化 Hook ：某个事件触发时自动跑的脚本 最实用的一个 ：编辑前自动备份 「创建一个 pre-edit safety hook / 编辑任何 chapter 前先备份当前版本」 之后你让它改 chapter_4 / 它自动备份再改 Scheduled Task ：定时跑 最实用 ：每周一早 9 点用 PubMed MCP 拉这周新论文 / 交给 Literature Reviewer subagent 筛 / 把表存到 Weekly Scans 文件夹 Mushtaq 一条铁律 任何涉及「删除文件」的 hook / scheduled task / 别做 · 这五个模块拼起来 / 本质是把博士论文当成一个软件工程项目来管 Mushtaq 帮非技术研究者完成了一件难事 把「Claude Code = 编程工具」的认知 / 翻译成「Claude Code = 项目工作流引擎」 这套思路同样适用于 书的创作（每章一个子文件夹） 长期咨询项目（每个客户一个子文件夹） 家庭账本和长期规划（每个领域一个子文件夹） 只要这件事跨越数月 / 要积累上下文 / 有重复性任务 / 需要多视角评审 都能用这套模板搬过去 链接 ： （101 入门篇 / 4M+ 阅读 / 同账号往前翻一篇）

我并不太认同，吴恩达的观点。 这个可能是AI行业在美国的一种PR。 事实上来讲，美国很多行业确实对AI大规模使用非常忧虑，阻碍了AI在美国的落地。 从事实层面来讲，AI的大规模使用，是的代码的可得性与价格大幅下降。很多基础的文职工作，入门工作都会被自动化取代。 这个但凡在一线的，都会有这个观察。 我举个例子来讲，比如现在很多电商公司，其实是一条非常高效的流水线，很多岗位都在做一些SOP的工作。比如如做竞品的研究，如何选品，如何建立listing, 如何写文案，如何做图， 如何调整广告，如何优化，调价，创建shipment,等等，操作。后面是一条pipeline，大型的电商平台都是提供标准API接口的比如amazon的sp-api，walmart的api，temu的api，shopify的api等等。基本上大点的平台都有api接口。 但是，在以前演一个能够熟练操作这些api的IT团队，非常贵，而且相对比较慢。 大家都使用一些通用的ERP平台，比如领星之类的。很多你特定的需求，只能靠sop去操作，靠人去操作。 说到底，就是代码太贵，代码周期长，还不如用人。 因为这些代码很多都是私有代码，可供训练的不多。 在去年这个时候，AI在操作这些平台的代码还是垃圾。根本没法用。 但是今年开始，Claude 生成的代码，已经非常可用了（claude 偷偷训练你的代码肯定的）。 这就带来的一个效果，就是代码变的便宜了，代码交付变得非常快了。很多原来一个运营需要一天才能处理完的操作，代码十分钟就跑完了。 而且因为原来很多操作都SOP化了，非常容易自动化。 我了解了一下周边但凡有点技术背景的老板们，都开始卷自动化了。 带来的直接影响： 1. 没有核心能力的新人不招了。 2. 只会做一些简单操作的运营，准备淘汰。 这是业务类公司。 在技术类公司： 大家都能感受到迭代速度在加快，有种推背感。 原来上班8小时，真正有效工作只有5小时，然后一天也就五六个pull request，现在，如果你满负荷工作的话，一天pull request 至少是几十个。 几个事情并行着干。 招人的条件会越来越高，工作量也越来越大。