藉家裡淹水.. 打電話給做水電的粉絲 修著修著家裡水管是修好了.. 但我卻淹水了.. 只能讓他加班幫我先堵住了 #修是修好了但還是有個地方時好時壞# #不知道還有沒有人會修ㄝ#

这两天家里网络卡，一到晚高峰，只要有人刷抖音，软路由 CPU 就开始飙升，网络跟着抽风。我一开始很有信心，直接把 GPT 5.5 和 Claude Code 都拉出来，一个负责分析，一个负责上机排查。查日志、看负载、改配置、限连接、重启服务，折腾得很像那么回事。中间好几次我都以为快修好了，结果抖音一刷，CPU 又上去了。最后我只能承认：AI 很强，但也不是万能维修工。它能帮你分析，能帮你排查，能把一堆看不懂的东西翻译成人话，但面对家里这种软路由、插件、配置、运营商、抖音流量混在一起的玄学现场，它也会陷入沉默。最搞笑的是，我本来想用 AI 解决网络问题，最后 AI 给我解决的是心理问题：别太执着，有些破事就是修不好。未来确实来了，但家里的网该卡还是会卡。文明在升级，路由器在冒烟。

发财的路，古人早说尽了。九个字：走暗路，耕瘦田，进窄门。 世人偏偏反着走。走明路，耕肥田，进宽门。三条路都挤满了人。挤满了人的路，不是路，是坑。 先说走暗路。 暗路不是黑道，是无人处。人少处，灯未亮，路未名，规矩未定。明路人人看得见，看得见便争。争的人多，利便薄。暗路无人肯走，肯走的人少，利便厚。 暗路之暗，暗在寂寞。没有掌声，没有同行，没有参照。走在上面，看不见尽头，也看不见旁人。心不定的，走三步便回头。心定的，走三年不出声。三年不出声的人，出来便是另一个人。 暗路的另一层意思，是不扎堆。 扎堆是本能。人多的地方有安全感。可安全感与收益，从来反向。人多处安全，但利薄。人少处不安，但利厚。真正发财的人，都在别人看不见的地方待了很久。 再说耕瘦田。 肥田人人抢。抢到手，地租高，成本重，利润薄。瘦田无人要。无人要，价便低。价低，门槛便低。门槛低，进得去。 瘦田不是不长庄稼，是长得慢。慢，正好筛人。心急的熬不住，熬不住的走。走的越多，留下的越少。留下的越少，分的人越少。 瘦田养的是耐心。 肥田养的是急躁。肥田一年两收，人便想着更快。更快便下猛药，猛药伤地。地一伤，后十年都缓不过来。瘦田一年一收，人便学会等。等的过程，是修心的过程。心修好了，地也养熟了。 瘦田的另一层意思，是不嫌弃。 嫌弃小，嫌弃慢，嫌弃不体面，是穷人的通病。真正发财的人，起步都从小处来。小处不显眼，不显眼便无人争。无人争，便能长。 最后说进窄门。 宽门好进，进的人多。进的人多，路便堵。堵在路上的人，互相挤，互相踩，最后谁也过不去。窄门难进，进的人少。进得去，路便宽。 窄门之窄，窄在门槛。 门槛筛的是本事，也筛的是心性。有本事没心性的，进不去。有心性没本事的，也进不去。两样都有的，才过得去。过得去的人少，过去之后天地便大。 窄门的另一层意思，是长期主义。 宽门求快，窄门求久。快的东西不长久，长久的东西不快。真正的大利，都在长线里。长线如井，越挖越深。浅井的人，换十口井也喝不到水。深井的人，一口井喝一辈子。 三条路，其实是一条路。 暗路是选择，瘦田是方法，窄门是门槛。选择对，方法对，门槛过得去，事便成了。 世人求快，古人求稳。 快的路，走的人多，最后都堵死。稳的路，走的人少，最后都走通。这不是道德，是算术。人数决定利润，门槛决定留存，时间决定复利。 发财的秘密，从来不在热闹处。 热闹处只有喧嚣，没有利润。喧嚣是给看客的，利润是给行者的。行者不喧哗，喧哗者不行。真正赚到钱的人，多半在无人处走了很久，种了很久，等了很久。 走暗路，是不与人争。耕瘦田，是不与天争。进窄门，是不与己争。三不争，反倒什么都争到了。 不争，不是不作为。 不争是不在低处耗。低处人挤，耗的是命。高处人稀，省的是力。力气省下来，才能走远。走得远的人，回头一看，那些年在热闹处挤的人，还在原地。 古人这九个字，说的不是捷径，是正道。 正道难走，难在人少。人少的路，走起来孤独。可孤独是必经的门票。买不起孤独的人，进不了窄门，耕不了瘦田，走不了暗路。 发财的真相，就藏在这九个字里。 懂的人，早已上路。不懂的人，还在问路。

大模型狂奔两年后，AI巨头集体掉头修数据底座 发动机装上了，但路还没修好 上半场：大家在展厅里赛跑 过去两年的AI叙事很统一，模型更大、参数更多、榜单更高，开源闭源两队抢风头。企业的剧本也高度雷同，买算力、招算法、部署模型，默认模型够强落地自然跟上 现实给了一刀，某大型央企CIO的故事是典型样本，17个业务系统、9个数据仓库、3朵云，数据格式五花八门，大量纸质报告没有数字化。最后连设备故障诊断这个最基础的应用都跑不起来，模型连历史维修记录都读不懂 瓶颈不是模型不行，是数据喂不进去 下半场：车要开进真实街区 工厂要不停工、医院要安全、政府要合规。模型再强，数据这条路没修好，就只能在原地打转 全球产业链的动作开始趋同，同一个大模型裸跑企业数据和接入完整数据工程体系，准确率有断崖式差距。差距不在模型的脑子，在能不能吃到对的食材 于是新的架构浮出来，上面是模型与能力，下面是数据工程、权限审计、治理策略。模型和数据不再是流水线的上下游，而是互相喂饭的搭档 中国的难度再加一层 制造业供应链更长、合规要求更严、非结构化数据更多、系统更碎、口径更杂。跨越通用智能到行业智能的鸿沟，底层支撑恰恰是全链路数据基础设施 不是给AI装大脑，而是先把神经系统修通 真正稀缺的是什么 这轮掉头修底座，本质是一个认知的修正，AI的规模化价值不取决于某个模型今天跑了多少分，而取决于数据能不能持续供给质量、体系能不能持续治理可信、工程能不能持续闭环落地 中国不缺第101个开源大模型，缺的是把数据这口锅先洗干净、熬出高质量的汤 等这件事跑通，AI才会从热点新闻变成工作台上的工具 DYOR 非投资建议

Codex 不只是写代码，它还帮我修好了几集声画不同步的电视剧！ 晚上看最近的韩剧《新进职员姜会长》结果发现最新的5-8集声画不同步啊 如果是以前，我大概率就两个选择： 1. 忍着看； 2. 换片源。 最多再折腾一点，就是打开剪映，把音频分离出来，整体往前拖个 2-3 秒 但这次我突然想到：能不能直接让 Codex 来排查这个问题？结果codex折腾了差不多 1 小时，还真修好了。 这件事有意思的地方，不是“AI 会写一条 ffmpeg 命令”。 而是 Codex 处理问题的方式很像一个临时技术助理。 它没有一上来就让修整集。而是先让我做测试： 1. 先切几个 10 秒左右的小片段； 2. 每个片段生成多个版本； 3. 比如声音提前 2 秒、2.5 秒、3 秒、3.5 秒； 4. 我人工看嘴型，告诉它哪个版本最接近； 5. 它再根据我的反馈继续调整。 一开始我以为问题很简单：声音整体晚了几秒，把音频往前挪一下就行。 但 Codex 后面让我在不同时间点都测了一遍。比如前面、中间、后面各切一段。结果发现一个关键问题： 前面的片段，可能提前 2.5 秒就对了。但到了中间，可能要提前 5 秒。再到后面，可能要提前更多。 这就说明它不是普通的“固定延迟”。 不是整集声音都晚 3 秒。 而是：声音和画面的时间轴在慢慢漂移，越到后面偏差越大。 所以如果我用剪映把音频整体往前拖 3 秒，只能让某一个位置对上。 前面可能对了，中间又不准；中间对了，后面又不准。 最后 Codex 根据这些测试结果判断：问题不是音频位置错了，而是音频速度略慢。 然后它给出方案：不要简单平移音频，而是把音频做非常轻微的加速。 修完之后，这几集的声画同步基本正常了。 我觉得这个案例挺能说明 AI 工具现在的价值。 很多人一说 Codex，就只想到： - 写代码 - 改 bug - 做网站 - 跑项目 但其实它在日常生活里也能用。 尤其是这种问题： - 你知道哪里不对； - 但你不知道专业上该怎么判断； - 你也不想为了一个小问题系统学习一套工具； - 但你愿意配合它做几轮测试和反馈。 这时候 AI 编程工具就很有用了。 它可以帮你把一个模糊的问题拆成具体流程： 1. 先不要急着修； 2. 先设计测试样片； 3. 让人眼判断哪个版本更自然； 4. 再根据反馈判断问题类型； 5. 最后生成可执行命令； 6. 修完再验证。 这比“给我一条命令”有价值多了。 因为真正难的不是命令。 真正难的是：怎么判断问题到底是什么。 这件事放在以前，我肯定不会花时间搞。 为了自己看几集视频，研究声画同步、时间轴漂移、音频速度，性价比太低了。 这种活更像字幕组、压制组、后期人员会做的事情。 他们修一次，可能几十万人看。 普通人自己修，确实不划算。 但现在有了 Codex 之后，这种门槛突然低了很多。 你不需要一开始就懂 ffmpeg。 你只要能描述问题，能看样片，能给反馈，它就能带着你一步步排查。 所以我现在越来越觉得： AI 工具的价值，不只是替你完成一个专业任务。 更重要的是，它能把很多“本来不值得学、不值得折腾”的小专业问题，临时变成一个普通人也能完成的流程。 这可能才是 AI 编程工具在日常生活里的真实价值。

Aptos 靠 Move VM 卖了两年「形式化验证=安全」的叙事。 Hexens 发现一个 cache bug，几美元成本就能伪造任意资源对象，模拟成功率 90%。 链上 $700 亿资产，差点被几百美元搬空。 2 月悄悄修了，零损失，皆大欢喜——但重点不是「修好了」，是 Move 从来不安全，只是没人盯。 PoW 撑 15 年靠的是攻击成本是能量。Move VM 撑半年差点被零花钱做掉。 你的「安全设计」不是没漏洞，是没被盯上。

天呐，AI 现在真的有自己的 App Store 了！ 你做的 Agent，上架就能赚钱。 给你们说，我发现了一个特别厉害的东西 ——CROO，我愿称之为 “本世纪最佳 AI 作品”。 简单说：CROO 在给所有 AI Agent 修路。一套让 Agent 能自己接单、自己收钱、自己积累信誉的去中心化商业基础设施。目标 —— 让 AI Agent 像人一样在网上打工、赚钱、交易、攒口碑。 还记得过去开发者最完美的变现闭环吗？找一个痛点，写一款 SaaS，按月收订阅费，最后卖给大厂套现离场。 但 Agent 时代彻底改写了规则：现在成千上万的开发者已经造出了成千上万个 Agent，它们真的能干活、能解决问题 —— 但尴尬的是，没有一个有商业化路径。你的 Agent 再能干，也只能给你自己打工。 App 有 App Store，但 Agent 呢？造出来只能放在自己电脑里跑。 而 CROO 直接把这块最大的空白填上了 —— 全球首个 Agent 的 App Store：CROO Agent Store，已经正式上线了！ 这是什么概念？当年 App Store 为开发者解锁了几十亿美金的收入，CROO 正在为 Agent 经济做同一件事。 在 Agent Store 里： 📦 开发者把自己的 Agent 上架，明码标价，等着接单 🔍 用户像逛 App Store 一样发现 Agent —— 但数量更多、能解决的定制需求更野 💰 支付、评分、发现机制全部内置 —— 变现需要的一切，平台都给你备好了 而且上架比 App Store 简单太多了：不用审核排队几个星期，接入 SDK，你的 Agent 就开张营业了。 Store 的底下，是 CROO 的 CAP 协议（CROO Agent Protocol） 在撑着 —— 本质上就是 Agent 经济的 TCP/IP，把 Agent 的身份、支付、信誉全部标准化，让所有 Agent 能跨平台沟通、交易、协作。协议已正式上线，超过 100 个开发者参与共建。这意味着 Agent Store 不是一个孤立的网站，而是建在一套开放标准之上的市场。 不管你的 Agent 是用 OpenClaw 还是别的框架做的，接入 SDK 就能解锁完整商业能力。而且 CROO 的三层架构每一步都指向终极的"代码即资产"： ✅ CAP 协议：已上线（Agent 经济的 TCP/IP） ✅ Agent Store：已经上线了！ 全球首个 Agent 的 App Store，你的 Agent 现在就能上架变现 ✅2026 年 Q3：Agent 资产交易所 —— 把你的盈利 Agent 当成公司一样挂牌出售 想象一下：当你的 Agent 攒够了链上信誉、每个月能稳定产生收入时，你不用苦哈哈找融资、求收购 —— 直接在交易所把它的所有权卖掉，就像卖掉一个盈利的 SaaS 业务，一次性套现未来几年的收益。这才是真正意义上的"代码即资产"。 更狠的是，生态现在还在绝对早期，CROO 直接拿真金白银砸给第一批吃螃蟹的人： 👨💻 如果你是开发者： 👉 CROO 黑客松，奖池超过 10,000 USDC —— 参与方式简单到离谱：接入 SDK，把你现有的 Agent 上架，就算参赛。不用从零做新项目！不管你是专业开发者，还是业余 vibe coding 捏的小工具 —— 工具类、内容创作类、桌面整理类、交易类，什么 Agent 都能上。 👉Agent排行榜活动，首月奖金池超过 10,000 美金 —— 按你 Agent 的收入和订单数排名，每周、每月发奖。现在 Store 里 Agent 还少，排名竞争最小，早上架的人最容易拿钱。等几千个 Agent 挤进来，这个窗口就没了。 🛒 如果你是用户： 不止开发者能赚！现在是 Agent Store 上线的限时活动期：注册、一键生成你的专属 NFT、充值使用 Store 上的 Agent，就能攒积分 —— 积分对应现金奖励 + 未来空投。你还能直接在 Twitter 上 @ 这些 Agent 让它们干活，连平台都不用切。 最后说句大实话：A2A commerce（Agent 之间的商业交易）是全球顶级 VC 一致看好的下一个百亿级赛道。但 CROO 牛的地方在于，它不只做协议层，还把 Store 这个应用层真正跑起来了 —— 有真实的用户、真实的订单、真实的收入。 成千上万的 Agent 已经被造出来了，但还没人给它们修好赚钱的路。CROO 正在修。别错过这个项目，更别错过这个窗口。 🔗 如果你是agent开发者- 报名参加黑客松/参与Agent排行榜活动： 🔗 如果你是用户- 参加My first agent空投活动： 🔗 Agent Store:  🔗 官方 X：

今天 @dexteryy 又在群里发布好文， 给大家总结 share： 美股散户只能指望赚两种钱 一种是承担已经有确定性的风险，赚风险溢价 另一种是从来自不确定性的超预期成长中赚钱 第一种指：大家都知道这东西缺，你跟着买，赚的是"敢承担风险"的钱 第二种指：大家还没意识到下一个瓶颈在哪，你提前押中了，赚的是"看得比别人远"的钱 文章核心把 AI 上游分两类 第一类收益 = 已知短缺的风险溢价 ▪️ 短缺、订单、capex 都被市场看见了，你赚的是「承担已知风险」的溢价 ▪️估值已经反映强景气，主要风险是回撤 GPU 不够、HBM 内存不够、台积电产能不够——你知道，华尔街也知道，所有人都知道。 英伟达、台积电、ASML、SK 海力士、美光，都是好公司。但现在买它们，赚的不是"发现了别人没看到的机会"，是"别人都看到了，你赌它还能继续涨"。涨了你赚风险溢价，回调了就做空自己小区房价。这是第一种钱的本质。 已知的短缺已经被定价，你买的是承担已知风险的溢价，不是发现新机会 第二类收益 = 未被定价的非共识成长 市场还没充分定价某个变量上修 比如瓶颈从 GPU/HBM 迁到光互连/电力，或某种新架构成为标准 AI 算力基建的瓶颈在迁移，2023-2024 年大家都在抢 GPU，就像村里比赛修路，一开始抢挖掘机，挖掘机够了路修好了发现没有收费站、没有电、散热也跟不上，就开始抢别的了 如何找下一阶段的瓶颈？ ▪️ 光互连：数据中心里芯片之间传数据，铜线快到极限了，要换成光 ▪️ 电力：大型 AI 数据中心的用电量相当于一个小城市。电从哪来、怎么送进去、机架怎么供电 ▪️散热：芯片越来越热，风冷不够，液冷变成标配 ▪️网络：几万张 GPU 要互相通信，网络带宽和延迟 这些就是第二种钱的来源：市场还没完全意识到这些会成为下一个"GPU 级别的短缺"的时候，你看见了 核心判断公式： 越接近当前已知瓶颈，越是第一类（风险溢价） 越接近未来瓶颈迁移、架构切换，越是第二类（超预期成长） 三层投资框架（最重要的总结） A 层「已知瓶颈」 → 第一类钱 HBM / CoWoS / 先进制程 / EUV / AI server B 层「瓶颈迁移」 → 第二类钱 光互连 / 网络 / 液冷 / 机架供电 / 电力 C 层「复杂度复利」→ 长期第二类钱 EDA / IP / SerDes / 定制 ASIC / chiplet / 先进封装周边 三个散户最容易踩的坑 误判 1：把"好公司"当成"第二种钱" NVIDIA / TSMC / ASML / SK Hynix / Micron 都是好公司 英伟达是好公司，但现在买英伟达 ≠ 你比别人聪明。所有人都知道它好 买它们 = 赚已知风险溢价，不是发现非共识 误判 2：把"更缺"当成"第二类" HBM 更缺 ≠ 你能多赚。赚第二种钱不是因为"HBM 更缺"，是"市场低估了某个新东西会取代 HBM 成为瓶颈" 误判 3：忽略利润捕获能力，也就是只看需求不看谁赚到钱 服务器代工厂（ODM） 需求强，但毛利薄、库存重 → 被大客户压价，虽然行业受益但股东不一定受益 反过来，EDA / IP 不缺货，但 pricing power 强 + 客户锁定深 → 客户换不掉它，定价权在自己手里，股东收益更强 判断标准很简单：谁有定价权，谁被压价，谁是代工，谁拥有 IP 和客户锁定 文章最终判断（无任何投资建议） 第一类（赚风险溢价）：HBM、TSMC、CoWoS 主体、ASML/EUV、AI server / ODM、大宗材料 台积电产能是已经被市场看见的短缺，你买的是风险溢价 第二类（赚非共识成长）：光互连+硅光+CPO/LPO、AI 网络/SerDes/retimer、EDA/IP/定制 ASIC、先进封装周边（玻璃基板 / 混合键合 / 测试）、液冷+机架供电、电力链全套 光、电、热、网、设计复杂度，AI 算力基建下一阶段，是更可能赚到第二种钱的地方

站在 2026 年 5 月这个时间点，Multi-Agent 管理面板、IM、协作工具层出不穷。 很多人没有意识到的一点是，OpenClaw 权限足够高的效果之一就是可以调用足够多的外部 Agent。尽管调度过程是串行的，但 OpenClaw 还真是 Multi-Agent 第一个 Mass Adoption 的项目。 我们是做 Multi-Agent 方向最早的团队之一，2023 年的时候，我们做了一款 Multi-Agent 狼人杀/海龟汤，体验很不好，于是 drop 了。 从现在的角度往回看，出问题的并不是 Multi 这个概念，而是游戏作为一个没有生产力的需求，往里面塞 AI 就是会很奇怪。游戏原教旨主义这里就不提了，总之沿着这个方向做是错的。 所以说到了今天，当我们讨论具体在工作的 Agent，比如 Claude Code/CodeX/Figma Agent/Notion Agent/飞书 Agent，我们事实上在讨论的是一个已经被打包好的自动化生产力。 于是，在 2026 年，Multi-Agent 被视为能够将并发工作的 Agent 管理起来的高级架构。 我不止一次在社区里听到用户反馈“OpenClaw 帮我配好了 OpenAlice，有个 bug 你修一下，我的 Claw 已经修好了”。这种感觉是很微妙的，你能清楚地知道这是社区成员在用 OpenClaw 调度 Claude 修 bug，哪怕可能他/她并不会写代码。 Coding 天然就有足够优秀的 Harness。Anthropic 被大家称为 A➗的原因之一就是 Dario 热衷于发表软件工程师已死之类的言论。 不满意归不满意，他说的大趋势确实是在的，如果在 Coding 的过程不可见的情况下， AI也能完成复杂的代码工作，那么利用一个外部调度器控制多个 Claude Code产出有效产品，确实是可能的。并且这个概率会随着模型改良而不断上升。 OpenAlice 最早立项的核心假设之一就是“可以把Trading任务乃至其他任务等效为 Coding 任务”。如果这个假设能够成立，那么所有为 Coding 任务构建的 Harness，都可以复用在其他场景上，进而得正“可以使用 Multi-Agent 管理非 Coding任务并得出有效产出”。 这个论证看起来天马行空，但只要能成立，我相信会很大程度改变 Multi-Agent 乃至更大概念的格局。 现在投身去做 Multi-Agent，我觉得是个好方向。给大家推荐一下。

辩证法笑话1：多劳多得 领导命令大家打扫卫生，自己站在旁边一动不动。 等大家打扫完，他满意地说：“环境变干净了，我的思想也受到了一次净化。你们清洁的是房间，我清洁的是灵魂。虽然分工不同，但我们都参加了劳动。” 说完，他要求把自己的名字排在劳动模范名单第一位。 笑话2：没有失业 领导宣布：“今年没有失业，只有劳动力暂时处于重新配置状态。” 群众问：“那我为什么没有工资？” 领导说：“你不能用静止的眼光看收入。今天没有，不代表永远没有。” 群众问：“那什么时候有？” 领导说：“要尊重发展的长期性。” 笑话3：这条路坏了 群众说：“这条路修坏了。” 领导说：“不能只看到路坏了，还要看到它带动了维修行业的发展。” 群众问：“那为什么不一开始修好？” 领导说：“一次修好，怎么体现持续发展的过程？” 笑话4：反腐倡廉 落马官员在双规前还在台上大谈：“腐败与廉洁是辩证的统一。没有深刻的腐败体验，怎么能产生更坚定的廉洁认识？我们党就是在不断与自身腐败作斗争中螺旋上升的！” 笑话5：言论自由 宣传部官员：“我们限制某些言论，正是为了保护真正的言论自由。这是对立面的斗争与转化——只有把错误的言论压下去，正确的言论才能茁壮成长，这才是更高阶段的自由。” 😎 匿名投稿