《新苏黎世报》发表评论，题为“未来是中国的”。作者认为，大举投资关键技术，可能会带领中国领先世界。 文章写道：“习近平相信，由国家引导的经济转型：从依赖房地产领域到发展未来科技，长期而言会获得回报。北京的押注是，总有一天，‘中国制造’的技术会好到一个地步，其它国家即便与北京存在政治紧张而有所保留，仍会购买中国的产品。要么是因为替代产品太过昂贵，要么是压根儿别无选择。…在稀土领域，这一战略已然奏效。” 作者写道：“中国押注科技的胜算不错。该国有大量顶尖工程师和企业，能快速在市场上测试新产品、降低成本并批量生产。新近在人工智能领域的进步（Deepseek、Kimi K3）显示，中国或早或晚将追赶上美国。在研究上中国也在缩小差距。” 文章得出结论：“中国经济存在的问题是真实和巨大的：房地产危机、地方政府债台高筑、消费乏力以及工业产能过剩。但与此同时，中国逐渐构建起的科技实力，将带来新的增长动力。至于中国更广泛的民众能否从科技超级大国这一雄心中获利，尚属未知。确定的是：中国下一阶段的崛起已经开始。倘若将中国经济数据的放缓以及中产阶级的处境陷入停滞当作该国走下坡路的信号，那就幼稚了。” 详细内容请看：

最近发现一个有意思的现象，现在有时候手指会不自觉地点开@clawchatglobal。 在 Crypto 圈待久了，大家都见过太多所谓的“下一代社交平台”。 宣传的时候一个比一个宏大：改变社交、重构关系、颠覆互联网，结果进去一看，还是熟悉的配方。 发帖、点赞、刷任务，用户来了又走，热闹几天就没声音了。 但@clawchatglobal给我的感觉不太一样，它没有拼命告诉你自己有多厉害，反而一直在认真做产品。 这段时间最大的感受就两个字：能用。 账号直接连接钱包，内容、互动和资产全部围绕链上展开。 支持 OKX、UniSat、Binance Wallet 等多个主流钱包后，整个登录流程顺畅了很多，新用户几乎不用学习成本。 最让我喜欢的是透明度。 在这里收到 BTC 打赏，不需要猜是谁送的，也不用担心数据被隐藏，每一笔记录都能在链上查看，真实，而且可信。 另外一个让我印象深刻的是社区参与感。 最近上线的 Bug Hunt 2.0、EXP 排行榜这些功能，让测试产品这件事突然变得有意思起来。 以前发现 Bug，可能只是顺手反馈一下。 现在发现 Bug，不仅能帮助产品优化，还能获得 EXP 奖励。 不知不觉就从普通用户变成了社区共建者，而且团队更新速度确实快。 很多用户反馈的问题，经常没过多久就能看到优化版本上线。 这种持续迭代的节奏，会让人觉得自己的声音真的被听见了。 说到底，一个社交产品最重要的从来不是功能有多少。 而是有没有人愿意留下来，有没有人愿意每天打开看看。 有没有真实的交流和关系在里面发生。 至少目前来看，@clawchatglobal正在慢慢形成这样的氛围。 BTC 生态不缺资金，不缺热点，也不缺概念。 真正难得的是一个愿意长期建设、愿意认真打磨体验的社区。 现在 Beta 才刚刚开始，但很多有趣的变化，已经在悄悄发生。 或许下一代 BTC 原生社交，不是突然爆发出来的，而是像现在这样，一点一点长出来的。 @clawchatglobal @OPCATLayerCN

如果你经常使用豆包，这30条指令，让豆包写得比我还像人！（亲测有效，建议收藏，也适用于其他AI大模型） 别再骂AI写的东西像“机器人念经”了，别说豆包写的文章的AI味很重了！其实问题不在豆包，在于我们给她的指令到底像不像人味。 我见过太多人，对着豆包输入“写一篇职场文章”“写一个带货文案”，然后看着输出的干巴巴、冷冰冰、全是套话的内容，摇摇头说“AI根本不行”。 其实不是AI不行，是你根本不会给它像人的指令。 同样是用豆包，有人写出来的东西没人看，有人靠AI日更10篇，篇篇10万+，评论区全是“太真实了”、“说到我心坎里了”。 我的好友莉莉用豆包写了3个月内容，从一开始写啥都像机器，到现在我看她写的文章，都说“你写的东西比真人还真”。莉莉小姐姐则跟我说，她全靠整理的这30条“拟人化指令”。 今天我把她深藏的30条拟人化的指令，毫无保留分享给大家，只要复制粘贴，你也能让豆包写出有血有肉、有情绪、有温度的文字。 先搞懂一个核心：为什么AI写得不像人？ 答案很简单：你只告诉了AI“写什么”，却没告诉它“以什么身份写、用什么语气写、写给谁看、要达到什么效果” AI是个超级听话的执行者，但它没有自我意识。你给的指令越模糊，它写出来的东西就越通用、越没有灵魂。 反过来，你给的指令越具体、越细节，它写出来的东西就越像一个活生生的人。 下面精选出来的最常用、最有效的6大类30条指令，你可以直接拿去用。 一、身份代入指令：让AI变成“具体的人” 这是所有指令里最重要的一条，没有之一。 不要让AI当“万能专家”，要让它当一个有年龄、有职业、有经历、有缺点的普通人。 ✅ 直接复制用： 1. 请你扮演一个在工厂打工10年的70后大叔，用你朴实的语言，写一篇关于攒钱的文章，不要讲大道理，只说自己的真实经历。 2. 请你扮演一个刚辞职创业失败的95后女生，用你和闺蜜吐槽的语气，写一篇关于创业踩坑的帖子，情绪可以低落一点，但不要太消极。 3. 请你扮演一个退休在家带孙子的60后阿姨，用你唠家常的口吻，分享3个带娃的实用小技巧。 4. 请你扮演一个月薪5000的北漂打工人，写一篇关于周末宅家的日常，加入吃泡面、追网剧、不想上班这些细节。 心得：用了身份代入后，文章的评论率直接提升了3倍。读者喜欢看的不是专家的说教，而是和自己一样的普通人的故事。 二、语气风格指令：写出不同的“说话感觉” 同样的内容，用不同的语气说出来，效果天差地别。 ✅ 直接复制用： 1. 用“过来人语重心长”的语气，给刚毕业的大学生提5个忠告，不要说教，要像哥哥姐姐一样说话。 2. 用“怼人不带脏字”的语气，反驳一下“年轻人就该多加班”这个观点，要犀利但不要骂人。 3. 用“碎碎念”的语气，写一篇关于女生出门前的准备工作，加入各种纠结和小抱怨。 4. 用“严肃认真”的语气，写一篇关于食品安全的提醒，要让读者感觉到事情的重要性。 5. 用“幽默搞笑”的语气，写一篇关于减肥失败的经历，让读者看了能笑出声。 三、细节填充指令：让内容“有血有肉” AI写的东西空泛，最大的问题就是没有细节。 人会注意到豆浆的温度、油条的酥脆声、老板递餐时手上的油渍，而AI不会，除非你告诉它。 ✅ 直接复制用： 1. 在描述场景的时候，加入视觉、听觉、嗅觉、触觉的细节，比如饭菜的香味、下雨的声音、风吹在脸上的感觉。 2. 不要只说“我很开心”，要通过动作和神态来表现，比如“我激动得跳了起来，手里的奶茶都洒了一半”。 3. 在文章里加入1-2个具体的小例子，不要全是理论。比如写省钱，就写“我昨天买青菜，对比了三家超市，最后省了5毛钱”。 4. 加入一些生活化的口语和语气词，比如“哎”“对吧”“说实话”“你懂的”，但不要太多。 四、情绪共鸣指令：写出“真情实感” 能打动人的永远是情绪，而不是道理。 ✅ 直接复制用： 1. 在文章开头加入一个自己的亲身经历，引出主题，让读者一开始就有代入感。 2. 在描述困难的时候，加入一点无助和委屈的情绪；在描述成功的时候，加入一点喜悦和感慨。 3. 不要写完美的人，要写有缺点、会犯错的人。比如“我当时也犯了一个很傻的错误，现在想起来都后悔”。 4. 在文章结尾，说出大多数人心里想说但没说出来的话，引发共鸣。比如“其实我们努力工作，不是为了大富大贵，只是为了能过上普通人的生活”。 五、平台适配指令：专门写给头条用户看 不同平台的用户喜好不一样，指令也要跟着变。 ✅ 头条专属指令： 1. 按照头条爆款文的结构写，开头用痛点引入，中间分3-5点，每点配一个真实案例，结尾引导评论互动。 2. 标题要包含数字和结果，比如“我靠这3个方法，一个月涨粉1万”。 3. 段落要短，每段不要超过3行，手机阅读体验好。 4. 多用加粗和小标题，突出重点，让读者一眼就能看到核心内容。 5. 结尾一定要加一个互动问题，比如“你有没有过这样的经历？评论区聊聊”。 六、改稿润色指令：把“机器文”变成“真人写的” 如果你已经有了一篇AI写的初稿，用下面这些指令，一键改成真人风格。 ✅ 直接复制用： 1. 把下面这段文字改得像一个普通人在分享自己的亲身经历，去掉所有书面化的表达和专业术语。 2. 把这段文字里的所有“笔者”“我认为”改成“我”，加入一些口语化的词，让它更自然。 3. 给这段文字增加一些细节和情绪，让它更有感染力。 4. 把这段长文拆成短段落，加上小标题，适合在头条发布。 最后说几句： 真的，AI不是洪水猛兽，它是普通人最好的工具。 以前写一篇文章要花3个小时，现在用对指令，10分钟就能搞定，而且质量比自己写的还好。 不要再说自己文笔不好、不会写东西了。在这个时代，会用工具，比会写文章更重要。 你平时用AI写东西遇到过什么问题？评论区说说。

观察了一年多，我发现中老年人面对 AI 的态度，大概分成六类。 每一类都见过真人，不是编的。 第一类：与我无关型（最多） "AI 是年轻人的事，跟我没关系。踏踏实实干好手里的活儿就行了，别整那些花里胡哨的。" 这类人不反对 AI，也不关心 AI。偶尔在新闻上看到"AI 又突破了"，点头看完，然后继续原来的生活。他们不是不聪明，是觉得"这件事跟我的日常距离太远了"。 大多数中老年人在这一类。不是因为他们落后，是因为 AI 还没有以一种他们能直接感知的方式影响到他们的生活。 第二类：泡沫骗局型 "AI 就是泡沫，跟当年的 VR、区块链、元宇宙一模一样。这种骗局我们年轻时候见太多了。过两年你看，又是一地鸡毛。" 这类人有强烈的"历史周期感"——他们确实见过太多"这次不一样"最后变成"这次也一样"的故事。所以他们的默认反应是怀疑。 问题不在于他们怀疑——怀疑是健康的。问题在于他们用上一次的经验判断这一次。AI 跟 VR / 元宇宙有一个本质差异——AI 已经在产生真实的商业收入（Cursor 90 亿美金估值、GitHub Copilot 数亿营收、Klarna 用 AI 替代 700 客服每年省 4000 万美元）。这些数字不是 PPT，是 P&L。 但这类人不会去查这些数字。他们的判断模型已经锁死在"泡沫"这个结论上了。 第三类：想学但跟不上型 "AI 每天出新东西，我也想认真学学。但产品太多了、更新太快了、教程太碎了——看了三天就跟不上了。唉，人还是要服老。" 这类人是最让人心疼的。他们的好奇心还在，学习意愿还在，但精力和信息筛选能力跟不上 AI 领域的更新速度了。 AI 领域每周都有新产品、新模型、新框架、新概念——对一个全职在这个领域的年轻人来说都很难全部跟上，更不用说一个还有本职工作、还要照顾家庭的中年人。 他们不是能力不行，是 AI 行业的信息密度超过了他们能投入的时间预算。这不是个人问题，是信息结构问题。 第四类：疯狂学习型（稀有） "学！折腾！玩！充会员！买 Cursor Pro！太好玩了！" 这类人 45-55 岁，精力还在，好奇心未灭，经济上也有余裕。他们装了 Claude、买了 Cursor、折腾了 agent、搭了工作流、甚至开始用 AI 写代码做小项目。 他们最常说的一句话是——"要是我再年轻十岁，必然给这个行业搅个天翻地覆。" 这句话里有兴奋，但也有遗憾。他们知道自己的体力、时间、职业窗口都在收窄。他们能感受到 AI 的力量，但也能感受到年龄的重力。 这类人在任何一个技术群里都是最活跃的——但他们发的 AI 内容在群里往往得不到回应（跟我之前讲的"30 个群炸不起水花"是同一个现象）。他们的热情是真实的，只是周围的人跟不上。 第五类：指挥别人学型 "小张，你带两个人研究一下 AI 中转站，做个方案出来。" "小李，你看看 AI 教育方向有什么机会，给我写个报告。" "小赵，安排一下，我下周去 AI 展会做个演讲，年轻人缺社会经验，我来指导指导。" "老张老吴老孙，我在朋友圈看了一篇文章，是关于 Sam Altman 最新演讲的解读，我转到群里了，咱们下周开个会研究研究。" 这类人通常在传统行业有一定地位——公司高管、行业协会、政府顾问、高校教授。他们的特点是非常敏锐地感知到了 AI 的重要性，但自己不直接接触 AI 产品。 他们的 AI 认知来自三个渠道：朋友圈转发、下属汇报、行业会议。每一个渠道都有信息损耗——朋友圈文章是二手解读的三手转发，下属汇报是经过筛选的正面信息，行业会议是经过包装的 PR 内容。 所以他们对 AI 的判断往往是方向对但细节全错——"AI 很重要"是对的，"我们应该做 AI 教育"可能也是对的方向，但具体做什么、怎么做、市场在哪里、竞争格局怎样——这些他们不知道，也不打算自己搞清楚。 这不是坏事。商业世界里大部分事情都是"上面定方向、下面做细节"。但在 AI 领域有一个特殊问题——AI 的方向判断本身就需要对产品的直接体验。你没用过 Claude Code 就不可能理解 agent 工作流的真实能力边界。这不是靠读报告能替代的。 第六类：技术先驱型（极稀有） 这类人不介绍了。太少了。大部分人没见过，甚至没想象过这类人存在。 他们的特点是——年龄只是生理数字，不是认知边界。他们 55 岁在读最新的 arXiv 论文，60 岁在写开源代码，65 岁在做 AI 创业。 他们的存在证明了一件事：对技术的热情和学习能力跟年龄之间没有因果关系，只有相关性。 大部分人到了某个年龄停止了学习，不是因为"老了学不动了"，是因为生活的结构把学习的空间挤掉了——工作、家庭、社交、健康。学习是第一个被牺牲的。 第六类人是那些在所有挤压下依然保留了学习空间的人。不是因为他们比别人更有天赋，是因为他们比别人更执着于保护这个空间。 这六类人让我想到一件事—— 人们对 AI 的态度，跟 AI 本身无关。 跟他们对所有新事物的态度一致。 第一类人对移动互联网也是这个态度——"跟我没关系"。 第二类人对每一次技术浪潮都是这个态度——"泡沫"。 第三类人对每一个新领域都是这个态度——"想学但跟不上"。 第四类人对每一个有趣的东西都是这个态度——"冲！" 第五类人对每一个新机会都是这个态度——"小张你去研究一下"。 第六类人对每一个技术变革都是这个态度——"让我自己来试试"。 AI 没有改变任何人的认知模式。它只是照出了每个人原本的认知模式。 所以如果你想判断一个人在 AI 时代会怎样——不要看他现在说什么。看他过去 20 年面对新事物的态度是什么。 那个态度，就是他在 AI 时代的命运。 不是 AI 选了谁。 是每个人在 AI 到来之前，就已经选了自己会怎么面对它。

币圈血泪史！ 原创 大滑头 2026年6月30日 23:08 湖南 PS：本文是一篇微小说，内容纯属虚构，如果预测对了，完全是巧合。 比特币跌破59000美元那天，梁宇正在地铁十号线里刷手机。 他最开始以为自己看错了。 新闻标题写得很冷静：比特币盘中跌破59000美元。 下面还配了一张K线图，红得很克制，没有咆哮，没有感叹号，也没有“币圈崩了”这种自媒体常用语。但梁宇看完以后，胃里还是轻轻沉了一下。 他已经快半年没认真看过币圈了。 不是完全不关心。币圈的人很难真正不关心币圈，只是他把交易软件从手机首页拖进了第三屏的文件夹，文件夹名字叫“学习资料”。 这是一种成年人式的自欺欺人：只要不点开，浮亏就暂时不存在；只要不看账户，生活就还能继续装作正常。 上一次他认真看盘，还是市场一片乐观的时候。 比特币ETF已经不是传闻，华尔街开始用很正式的语气讨论数字黄金，群里每天都有截图：某某机构继续买入，某某大佬继续看多，某某链上数据出现牛市信号。那段时间，梁宇觉得自己熬出来了。 他在币圈混了六年，见过太多名场面。 见过项目方说“我们会持续建设”，然后第二天官网404；见过KOL深夜发长文说“这是行业至暗时刻”，第二天删帖去推广新项目；见过群友上午喊“兄弟们抄底”，下午改名“退出江湖”；也见过自己凌晨三点盯着合约页面，一边发誓再也不开杠杆，一边把保证金又补了一次。 他以为这些苦，都是进入新时代之前的门票。 所以去年年底市场回暖时，他给自己做了一次资产配置。说是资产配置，其实就是把能动的钱基本都买了币。比特币一部分，以太坊一部分，Solana一部分，剩下的分散在几个“叙事很强”的小币里。 他当时的逻辑很完整。 比特币是底仓，吃机构化红利；以太坊是生态，等现货ETF和质押叙事；Solana是高性能公链，活跃度好；小币负责弹性，万一跑出一个十倍，人生就能进入下一阶段。 下一阶段具体是什么，他没想太清楚。可能是换房，可能是辞职，可能是去大理开咖啡馆，也可能是继续上班但每天气质明显不同。 币圈最迷人的地方就在这里，它总能让一个普通人觉得，自己离“下一阶段”只差一次正确埋伏。 那时梁宇甚至在朋友聚会上讲过一句很有气势的话：“以后风险资产不能只看股票，真正的流动性入口在链上。” 朋友们没太听懂，只觉得他眼神很亮，像刚听完一场不用交钱的成功学课。 半年后，流动性入口还在，梁宇的钱不太在了。 地铁到站，他没有下车。原本该在国贸换乘，他多坐了两站才反应过来。手机屏幕上，比特币价格还在59000美元附近抖动，像一个刚从医院出来的人，心电图看着还活着，但医生表情并不乐观。 他点开交易软件，密码输错一次。 第二次进去，页面加载了几秒。那几秒特别长，长到他想起了很多事：去年底加仓时的自信，今年春节时没卖的倔强，三月份朋友提醒他要不要减一点时的淡定，还有自己那句“我拿的是周期，不是波段”。 账户终于出来了。 梁宇沉默了。 总资产比他记忆里少了很多。不是那种一眼归零的惨烈，而是一种更钝的疼。比特币还在，以太坊还在，Solana还在，几个小币也还在。它们都还在，只是价格像集体做了缩骨功。 最扎心的是小币。 有一个AI概念币，名字里同时带了AI、GPU、Chain三个词。梁宇当初买它，是因为项目方说自己要做“去中心化AI算力网络”。当时他觉得这个叙事太完美了，既有币圈的去中心化，又有AI的景气度，属于两个风口交汇处。 后来他才明白，两个风口交汇处，也可能是垃圾最容易被吹起来的地方。 那个币现在跌了82%。 项目方还活着，推特也还在更新，只是内容从“即将发布重大合作”变成了“社区是我们最重要的资产”。 梁宇已经学会翻译币圈黑话：当一个项目开始强调社区，通常说明其他资产都不太够用了。 真正让他破防的，是老赵发来的微信。 老赵是梁宇以前的同事，做财务出身，性格谨慎，买股票只买看得懂财报的公司。2021年梁宇劝他买币，老赵问了一个很朴素的问题：“这个东西怎么估值？” 梁宇当时觉得这个问题特别土。 币圈怎么能用传统估值框架理解？共识、稀缺性、网络效应、全球流动性，这些词听起来比PE、PB高级多了。老赵不懂，说明他还停留在旧世界。 后来旧世界开始买AI。 老赵今年买了AI服务器、光模块、电力设备和一只美股AI龙头。他没有每天看盘，也没有喊单，更没有在群里发“兄弟们冲”。他只是每隔一段时间转发一份研报，语气非常平静：“资本开支还在上修。” 梁宇最烦这句话。 因为它听起来不像一句口号，却比口号更有杀伤力。 AI这边的上涨，背后有云厂商预算，有数据中心建设，有芯片订单，有光模块需求，有电力瓶颈。虽然也贵，虽然也泡沫，虽然也随时可能杀估值，但至少它每涨一段，市场能找到一个看起来像理由的理由。 币圈这边也有理由。 ETF、减半、降息预期、避险需求、主权货币信用、链上活跃度。每个理由单独听都挺硬，放在一起也很宏大。可问题是，账户不会因为叙事宏大就少亏一点。 梁宇以前最喜欢说一句话：“币圈是对传统金融的革命。” 现在他觉得，革命先革到了自己的本金。 晚上回家，他老婆正在客厅看剧。 她知道他买币，但不知道具体买了多少。家庭关系里有些东西不能太透明，比如私房钱，比如体重，比如浮亏。 老婆随口问：“你今天怎么这么安静？” 梁宇说：“市场教育了一下我。” 老婆没抬头：“又亏钱了？” 梁宇本来想反驳，说这不叫亏，这叫周期波动，叫浮动回撤，叫长期主义的必要成本。但话到嘴边，他突然觉得这些词都很疲惫。 他说：“嗯，亏了一点。” 老婆问：“一点是多少？” 梁宇说：“按生活来说，是一点；按账户来说，是一片。” 老婆终于抬头看了他一眼：“那你还买吗？” 这个问题太难了。 币圈老玩家最怕的不是下跌，而是家人用正常人的逻辑提问。正常人的世界里，亏了就少买，错了就改，危险就远离。币圈不是这样。币圈的训练体系更复杂：跌20%叫回调，跌40%叫洗盘，跌60%叫黄金坑，跌80%叫信仰筛选，跌95%叫项目进入长期建设阶段。 梁宇曾经非常熟悉这套语言。 熟悉到他可以自动生成回复：优质资产不用慌，周期还在，拿住筹码，黎明前最黑暗。 可今年不一样。 因为他发现，黎明可能真的来了，只是没照到币圈这边。AI那边灯火通明，数据中心像工地一样加班，英伟达像印钞机一样被盯着，光模块厂商的订单排得满满当当。资金不是不敢冒险了，资金只是不想再为纯粹的“相信”付那么高的价。 这才是最伤人的地方。 他不是输给熊市，而是输给了隔壁桌更会讲故事、更能交作业的风险资产。 第二天中午，梁宇和老赵吃饭。 老赵没有幸灾乐祸，这让梁宇更难受。人最怕的不是别人嘲笑你，而是别人赚了钱以后还很体面。 老赵点了一份商务套餐，梁宇点了最便宜的盖饭。不是因为穷，是因为心态需要配合账户。 老赵问：“你现在还看好比特币吗？” 梁宇想了想，说：“长期还看。” 这句话他自己都觉得熟悉。币圈里所有被套住的人，最后都会成为长期主义者。 老赵问：“那短期呢？” 梁宇说：“短期看不懂。” 老赵点点头：“这就挺真实了。” 梁宇喝了一口汤，突然有点想笑：“以前我觉得AI股票泡沫大，结果人家泡沫里有订单。我这边泡沫里有表情包。” 老赵也笑：“也不至于。比特币毕竟不一样。” “是，不一样。”梁宇说，“AI涨了，研究员说这是产业趋势；币涨了，群友说庄家拉盘。AI跌了，机构说短期扰动；币跌了，大家先问交易所能不能提币。AI讲资本开支，币圈讲社区共识。AI公司开发布会，币圈项目开AMA。AI那边是老板们互相卷预算，币圈这边是散户互相接飞刀。” 老赵说：“你总结能力还在。” 梁宇说：“亏钱以后，人的语言能力会变强。因为你得给自己解释。” 吃完饭回公司，梁宇打开电脑，本来想工作，结果手又不自觉点开行情。 比特币还是在那个位置附近晃。 他突然意识到，自己其实没有那么恨比特币。比特币至少还算体面，跌了也有流动性，有深度，有全球共识。真正让他受伤的是那些包装成时代列车的小币。每一个都说自己代表未来，每一个都让他提前体验未来破产。 他开始清仓几个完全看不懂的小币。 卖出按钮按下去的那一刻，他没有解脱，只有一种很奇怪的平静。像是承认自己被割了，但终于不再配合对方继续表演。 群里还在热闹。 有人说：“现在就是倒车接人。” 有人说：“主力在洗不坚定筹码。” 有人说：“兄弟们别怕，历史总是惊人相似。” 梁宇看着这些话，忍了半天，还是发了一句：“历史确实相似，我每次都在车底。” 群里安静了十秒。 然后有人回：“哈哈哈哈哈。” 币圈最顽强的地方在于，大家都亏得很惨，但笑点还在。账户可以缩水，段子不能断供。 那天晚上，梁宇把交易软件从“学习资料”文件夹里拖了出来，又放进了另一个文件夹，名字叫“高危运动”。 他没有彻底退出。 这也很真实。大多数币圈投资者不会因为一次下跌就离开。人一旦见过某种疯狂的上涨，就很难彻底回到普通收益率的世界。银行理财看起来像静止画面，指数基金像慢动作，只有币圈还能让人觉得人生有支线剧情。 但他给自己定了几条新规矩。 不再满仓，不再碰看不懂的小币，不再把项目方路线图当商业计划书，不再把KOL喊单当研究报告，不再因为一个币名字里带AI就觉得它真的有AI。 最后一条最重要。 因为今年最讽刺的地方就在这里：真正赚钱的AI在股市，真正亏钱的AI在他的币圈持仓里。 几天后，比特币有没有重新站回60000美元，梁宇已经没那么急着看了。 他知道自己还是会看，还是会心动，还是会在某个深夜被一根大阳线唤醒体内残存的赌性。但至少现在，他比半年前清醒一点。 他终于明白，风险资产从来不是一个整体。 有的风险资产，背后站着资本开支、订单、财报和大厂预算；有的风险资产，背后站着群友、表情包、路线图和“下周有重大更新”。 市场没有抛弃冒险。 市场只是换了下注对象。 比特币跌破59000美元那天，梁宇没有失去信仰。他只是把信仰的仓位降到了自己睡得着的比例。 这已经是一个币圈老韭菜能给生活的最大诚意。 晚上睡前，他把微信签名改了。 原来那句是：“波动只是价格对信仰的尊重。” 新签名短很多： “牛市改姓AI了，我先活着。”

关于AI时代的职业发展，吴恩达和Lawrence在斯坦福的AI时代职业发展讲座内容很详实，分享下我的收获。 1️⃣ AI能力在加速 有一项研究让吴恩达反复引用：AI能完成的任务复杂度，每7个月翻一倍。 衡量复杂度的方式是：这个任务让一个人做需要多久？ 几年前 GPT-2 能完成的任务，换成人类来做也只需要几秒钟，但现在已经进化到AI能够完成需要人类几十分钟甚至几小时的工作。 AI编程方向的翻倍周期更短，大概70天。 但有意思的是，很多人对这个加速的感知是被扭曲的。 原因很简单，评估 AI 能力的 benchmark，满分是100%，你做到90%之后再进步10个点，数值的绝对值变化看起来很小。 于是去年有段时间整个互联网在讨论 AI 是不是在走下坡路，这是因为用一把只能量到100的尺子去量一个还在生长的东西，当然会产生这种幻觉。 真正能衡量 AI 是否变的更智能的指标，不是在 benchmark 测试上的分数，而是 AI 能够处理的任务的复杂度这条曲线，目前看，还在往上走。 2️⃣ PM 和工程师的比例在变 当 Build is Cheap，瓶颈就转移到了决策。 传统硅谷的工程师和 PM 比例大概在4:1到8:1。一个 PM 负责写需求、定方向，四到八个工程师负责执行。 这个比例背后的假设是：执行很贵，写代码很贵，所以你需要大量人手把一个清晰的 spec 变成可运行的代码。 但现在这个假设已经失效了，编码成本在快速下降，但产品决策的成本没有同等下降。于是工程师和 PM 的比例开始向1:1靠近，甚至有团队开始践行这个配比。 更进一步，吴恩达说他现在最欣赏的那批工程师，是能写代码也能跟用户聊的人。 这两件事以前被认为是不同人来做，现在越来越多地被要求长在同一个人身上。 他自己说：在生涯早期，他曾经试图说服一批工程师多做产品工作，结果把一些真正优秀的工程师弄得很沮丧，因为他们不擅长做 PM 工作；他说那是他做过的错误决策之一，后悔了很多年。 然后他说，他觉得自己现在正在重蹈同样的错误。 这句话有点绕，但我觉得他说的是真话：不是所有工程师都应该变成 PM，但如果你恰好能做这件事，你现在的优势会比任何时候都大。 3️⃣ 团队 > 公司 这部分我觉得是整场讲座信息密度最高的地方，也启发了我的机会选择思路。 他讲了一个案例：有个斯坦福的学生，被一家很热门的 AI 公司录用，但对方拒绝事先告知他会加入哪个团队，说有什么 rotation 机制，入职之后再分配。这个学生因为公司品牌够大，就签了 offer，结果被分配去做 Java 后端支付系统。做了一年之后觉得无聊，离职了。 然后吴恩达说，他在 CS230 课上分享过这个案例之后，另一个学生在几年后去了同一家公司，遇到了一模一样的情况。不是 Java 后端，是另一个跟 AI 八竿子打不着的方向。 如果一家公司入职前不告诉你会在哪个团队，这件事本身就是信息。 logo 不大但团队很强的地方，往往比 logo 大但团队一般的地方学得更快。你不是从走进大门那一刻的兴奋感里学东西的，你是从每天打交道的人身上学东西的。 在这个时代，能去到一个足够强的AI Native的小公司，一定比进入大厂的某个传统业务团队更好、成长更快，团队 > 公司。 4️⃣ AI时代的三个能力支柱 接下来换成 Lawrence Moroni 做分享，他是互联网科技的数十年老兵，呆过Google、Microsoft、Meta等公司，他接着讲了他看到当前 AI 人才身上的三个最重要的能力。 1.深度理解：不只是会调 API，而是要真的能读懂论文、理解模型架构、知道什么是信号什么是噪音。这个护城河现在比任何时候都值钱，因为现在社交媒体通过 AI 生成内容、制造噪音的成本降到了零。 2.业务聚焦：你能不能把技术能力翻译成商业价值。他讲了一个案例：一家欧洲公司来找他说想做 Agent，他直接问的第一个问题是为什么，不是要做什么 Agent。剥洋葱剥到最后，CEO 想要的其实是让销售团队更有效率。这个目标里从头到尾都没出现 AI 这个词。从这个真实需求出发，才能做出真正有用的东西，而不是一堆漂亮的演示。 3.Bias toward delivery：这个是他说的，想法很便宜，执行才是一切。他见过很多人带着半生不熟的想法进面试，也见过很多人带着不完整但落地得很扎实的方案进面试，通常都是后者能拿到结果。 5️⃣ 深刻理解技术债 每一行你使用AI生成的代码都是债。 Bug、文档、维护、新需求，这些都是你在还债。问题不在于要不要用 AI 生成代码，而在于你生成的每一行代码是好债还是坏债。 把 technical debt 当成财务债务来理解：买房贷款是好债，冲动刷信用卡买鞋是坏债。 判断标准就三条：你的目标清不清楚？有没有真正的业务价值被交付？别人能不能看懂这段代码？ 他说他在硅谷见过太多人把 vibe 出来的代码直接 check in 进仓库，然后没人知道那堆代码在干什么，原作者后来找到了更好的工作，离开了，那些代码就留在那里成了一块永久的技术债。 最后：一些职业建议 Lawrence 说，他预测未来五年 AI 会发生分叉：一边是越来越大的 frontier model，另一边是越来越小、可以自部署的 open weight model。 他的判断是，大模型这边的泡沫会先破，小模型这边的泡沫会晚一些。 好的工程师应该同时押注两边，而不是把所有技能集中在一个方向上；会训练、微调模型的人才很重要，未来会有越来越多企业自部署小型模型。 相比于做一个领域的专家，更推荐做多个领域的复合人才。

求职系列（3）：如何准备面试 面试准备这件事，大部分人的做法是打开一个面经合集，从第一题背到最后一题。背完觉得自己OK了，但一上场发现面试官根本不按套路出牌。 因为你准备的是答案，但面试考的是能力和内核。答案是死的，能力是活的。面试官稍微换个角度追问，背答案的人就卡壳了。 每个人的技术方向和项目经历都不一样，我没法告诉你具体该准备什么内容。 但准备面试这件事本身是有方法论的，我自己用了很久，效果极好。 1.面试前：做好背景调查 很多人准备面试只盯着技术和专业能力进行准备，但更重要的是需要了解：你要去的那家公司、那个团队、那个岗位到底是什么情况。 你至少要搞清楚几件事： 1.这个岗位的 JD 里哪些是核心要求，哪些是凑数的。 JD 里列了十几个技能点，不可能每个都是硬性要求。找到那两三个反复出现的关键词，那才是这个岗位真正需要的能力。你的准备应该围绕这些核心点展开，而不是面面俱到。 2.这个团队在做什么业务，目前处于什么阶段。是新业务在探索期，还是成熟业务在优化期。 探索期的团队更看重你的学习能力和抗压能力，成熟期的团队更看重你的系统设计和深度优化经验。知道这些，你在面试中举例子的时候就能挑最匹配的来讲。 3.面试官是谁，他的技术背景是什么。LinkedIn、GitHub、技术博客，能查到的都查一下或者找HR、猎头大概打听一下。 不是让你去讨好面试官，是让你知道对面坐着的人关注什么方向，他大概率会从自己熟悉的领域出题。 这些信息花不了你多久，但能让你的准备精度提升一个量级。盲目准备就像不看地图就出发，方向都没对，走再远也是白走。 2.简历：每次重要的面试都应该微调 一份简历走天下，这是大多数人的做法，也是大多数人的错误。 你的简历不应该是一个固定文档。每次投递不同的岗位，简历都应该做针对性的微调，调整侧重点。 同样是你做过的三个项目，投 A 公司的基础架构岗，你应该把偏基础设施的项目放在最前面，展开写；投 B 公司的业务开发岗，你应该把业务复杂度高的项目提上来。 项目还是那些项目，但排列顺序和展开深度不一样，给面试官的第一印象就完全不同。 项目描述里的技术关键词也要和 JD 对齐。不是让你编，是你确实用过这些技术，只是之前没在简历里强调。JD 里提到了 Kubernetes，你的项目描述里就把容器编排相关的工作写清楚。面试官扫简历的时间可能只有 30 秒，关键词匹配度直接决定你能不能进入下一轮。 还有一点：简历上写的每一个点，你都要能展开讲三分钟。写了不能讲的东西，就是给自己埋雷。 面试官最喜欢挑简历上看起来很厉害的那一行追问，你要是讲不清楚，可信度瞬间崩塌。 3.模拟面试：最被低估的准备方式 技术知识可以看书学，但面试能力只能通过模拟来练。 这两个东西完全不同。你可能对某个技术点理解得非常透彻，但一开口就是一团浆糊，说了五分钟面试官都没听明白你在讲什么。知道和说出来之间，隔着一条巨大的鸿沟。模拟面试就是在填这条沟。 1️⃣ 自己给自己模拟面 每次太久没面试，我都会给自己来一轮。步骤很简单： 1. 写一份题单，围绕你的技术方向和项目经历出题 2. 只有题单，不写答案。答案在你脑子里，写出来就变成了背诵而不是思考 3. 开始回答，全程录音 4. 回放录音，审视自己的状态、表述和内容质量。哪些点回答得不够顺畅、哪些知识有盲区、哪些表达可以更精炼，全部记下来 5. 没答好的点记录成清单，下一次模拟面的时候加进题单 6. 循环迭代 这个方法的核心在于录音回放。你以为自己说得很好，回放的时候会发现各种问题。有些点你以为很熟，一开口才发现根本组织不出来清晰的表达。语速太快、逻辑跳跃、关键信息遗漏，这些问题你在说的时候根本意识不到，录音不会骗你。 2️⃣ 找人模拟面 自己面自己有一个局限：你没法模拟真实面试中的压力和追问。 自己问自己的时候，你知道答案是什么，潜意识里会绕开那些你不擅长的方向。但真实面试中，面试官偏偏就会往你不舒服的地方追。 如果条件允许，找一些对应方向有经验的人给你做模拟面试。可以是朋友、同事，也可以是网上的付费 mock interview 服务。关键是对方要能问出有质量的追问，而不是照着题库念。好的模拟面试官会根据你的回答临时追问，逼你暴露出真实的知识边界。 模拟面试之后一定要要反馈。不只是哪些题没答好，更重要的是你的表达方式、沟通节奏、回答的结构性，这些东西自己很难察觉。 3️⃣ 每次正式面试都录音 这一条很多人不知道，但非常重要。 每次正式面试全程录音。重要的面试结束后回放复盘，哪些问题答得好，哪些答得拉垮，面试官的追问你有没有接住。 没过的面试，100% 复盘。 没过一定有原因。是技术深度不够？是表达不清晰？是某个项目细节被追问到了盲区？找到原因，下次就不会在同一个坑里摔两次。 过了的面试也值得复盘。哪些回答让面试官眼前一亮，哪些问题的回答框架可以复用到其他面试中。好的经验要提炼出来变成你的标准打法。 项目复盘：提前把坑填了 面试中 80% 的追问都围绕你的项目经历展开。 项目复盘不是把你做了什么列一遍。面试官不关心你用了什么技术栈，他关心的是你为什么做这个选择、做的过程中遇到了什么问题、你是怎么解决的、如果重来一次你会怎么改。 每个你打算在面试中讲的项目，至少要想清楚这几个维度： 这个项目的业务背景是什么，你在里面承担什么角色。别一上来就讲技术细节，面试官需要先知道 context。 技术方案为什么这么选，有没有考虑过其他方案，为什么没选。这个问题回答得好，比你把技术方案本身讲得多精彩都有用。因为它展示的是你的决策能力，而不只是执行能力。 遇到了什么困难，怎么解决的。最好是真实的困难，不要编。面试官见过太多人了，编的故事一追问就破。 最终效果怎么样，有没有可量化的数据。性能提升了多少、成本降低了多少、效率提高了多少。没有数据的项目复盘就像没有 benchmark 的性能优化，缺乏说服力。 心态：面试是一个训练过程 很多人把面试当成考试，一次没过就觉得自己不行。 面试能力和任何能力一样，是可以训练的。每一次面试都是一次实战，每一次复盘都是一次参数调优。面的越多、复盘越勤，你的面试模型就越准。 前几场面试表现不好很正常，就当是 热热身。不要把你最想去的公司放在第一个面，先拿几个没那么在意的 offer 练手，把状态调到最好再去面你的 dream company。 面试这件事，准备的上限很高。 你永远可以更了解对方公司、永远可以把项目讲得更清楚、永远可以把表达打磨得更精炼。 但也别追求完美到焦虑，准备到你觉得能自信地坐在面试官对面聊天的程度，就够了。