一定要深究徹查 台北市為什麼 要在颱風天砍樹？ 到底要砍多少樹？ 好像在趕什麼業績一樣 連北投兩百年的老樹、各地行道樹都砍，根本不合理，他說是私有地的說法根本站不住腳。 狂砍樹百分百是中共下的任務，就像蔣去年堅持要拆掉圓環一樣。 蔣萬安瘋了！殺樹殺紅眼了。好像要趕快完成使命

给大家分享六个我在 Codex 中会高频用到的提示词，感觉也是一个使用 AI 的习惯。 最近硅谷又开始流行一个概念，叫 Loop Engineering。 简单来说，就是让 Agent 在一个任务中持续执行、检查、修正，直到达到目标。 我觉得它和 Prompt Engineering 依然有很多弯弯绕绕的关系。到今天为止，无论是用 ChatGPT 还是 Codex 这样的 Agent，提示词依然很重要。 模型能力再强，我们怎么和它沟通，会直接影响最终的产出。 不过，今天的提示词已经不需要写成八股文了。不需要每次都套一套复杂的格式，提示词说到底就是我们和 AI 交互的思路。 跟和同事沟通是一个道理，沟通方法不同，达成的结果往往也不一样。 下面是我最近使用 Codex 时，最常用的六个提示词思路。注意，重点是思路。具体怎么问，可以根据自己的任务随时调整。 一、从何而来，何以至此 遇到一个复杂概念，比如一篇论文、一个新的技术框架，想快速搞懂它，效率最低的方法往往是从第一行开始，一行一行往下看。 看了半天，记住了很多术语，却不知道作者为什么要研究这个问题，它和以前的方法有什么关系，也不知道这篇论文真正重要的地方在哪里。 这时候，我通常会先问 Codex： 详细总结这个论文解决了什么问题，思路是什么？有什么非共识的判断。 因为我觉得理解一个概念，第一步是搞清楚它从何而来，何以至此。 没必要急着深入到细节，而是应该往回倒，想一想为什么会是这样，到底要解决什么问题，又是怎么一步一步走到现在的。 很多知识单独拿出来看，会显得非常抽象。一旦知道它是为了解决什么问题、之前别人是怎么做的，就会立马明白其中的逻辑。 比如一篇论文提出了一套新的架构，先不用急着看每一个公式。 搞清楚旧架构遇到了什么问题，为什么继续增加参数、增加数据或者调整训练方法已经解决不了。脉络理出来之后，后面的细节就容易理解了。 二、让 AI 指出我的思维盲区 我在和 Codex 协作时，如果自己对方向比较确定，通常会不断地告诉它需求和想法。 Codex 一般都会顺着这个方向执行，完成得也还不错。 这种场景下，Codex 扮演的还是执行者。我告诉它要做什么，它就会尽可能做好。 只要当前方案能成立，它通常不会跳出来挑战我们的判断。 但其实协作过程中，Codex 会阅读相关材料，看过完整代码，知道我们为什么这样改，也知道前面做过哪些取舍。 很多时候，它掌握的上下文甚至比其他参与者还完整。 所以做完一个相对完整的任务之后，我会让 Codex 暂时跳出执行者的角色，重新审视整个过程，然后问它： 从刚才这个任务来看，我的思维盲区是什么？ 这时候 Codex 会基于上下文以及它对于这件事情的理解，列出来可能存在的思维盲区。 多数情况下，Codex 反馈的这些新的视角对我来说都有很多启发。大家可以试试。 三、让 AI 反思它最没把握的地方 还有的时候，我们会给 Codex 一个相对复杂的需求，让它自己搞定。Codex 可能会花很长时间执行。 这个过程中，很多决定是 Codex 自己做的，诸如用什么方案，怎么实现。 最后做完之后， Codex 基本上也会用比较确定的语气说它搞定了，然后列出来自己做了什么。 但其实，AI 也有自己的盲点。所以，在进入细节看具体的实现之前，我会先问： 重新反思一下，刚才执行过程中最没把握的地方有哪些？ 再或者，还可以继续要求说得更具体：哪些结论经过了实际验证？有哪些问题暂时无法确认？ 这样一问，Codex 通常会主动把风险暴露出来。 比如某个接口没有真实环境所以没跑完整测试，某段代码看起来已经废弃但无法百分之百确认，某个功能只测了正常流程没有覆盖异常输入，或者为了兼容旧逻辑选了一个保守方案但不确定是不是我们真正想要的。 这些信息非常重要。 四、让 AI 用大白话讲清楚它的逻辑 AI 做长程任务的时候，速度肯定是人的几十倍。我们不可能每次都逐行检查代码。即使看了，也未必能快速理解它为什么这么改。 这时候，我通常会直接问： 言简意赅地讲一下，刚才这个任务的解决逻辑是什么。不要逐个文件介绍，用通俗易懂的话讲清楚就行。 也可以问得更具体： 这个问题原来为什么会出现？做了哪几项关键修改？修改之后这套逻辑是怎么运行的？后面最容易出问题的地方在哪里？ 这个提示词看起来简单，但我觉得特别重要。当 AI 可以独立完成越来越多工作之后，人很容易只关注最后的结果。只要功能正确，就皆大欢喜。 但时间长了以后，我们会逐渐失去对项目的理解。这种理解层面的让渡非常可怕，因为后面一旦 AI 出问题，搞不定了，需要我们接手，那我们面对的可能完全是一个黑盒。 所以我会要求 Codex 把关键逻辑讲到我能听懂。 比如它可以这样解释：以前每次切换页面，系统都会重新请求一次数据，所以页面会闪烁。 我现在把数据放进了共享缓存里，第一次打开时请求，之后优先读取缓存，缓存过期之后再重新更新。 这样的解释没有太多代码细节，但我们很容易理解。理解之后才能继续判断这个方案是否符合预期，缓存多久合适，会不会出现数据更新不及时的问题，下一步应该怎么继续。 代码可以交给 AI 写，很多细节也可以让 AI 处理。但关键逻辑，最好还是让它讲到我们真正理解。 五、让 AI 做结构化的信息呈现 有些事情，AI 用文字讲了很多，我们还是很难理解。特别是系统架构、数据流、业务流程、模块依赖这些内容。它写了三四段，看的人云里雾里。 这时候我一般不会继续让它再换一种文字表达，而是直接说： 能不能给我做一张图，把这套逻辑表达清楚？具体用什么图，根据场景来定。 流程图适合表达任务的执行顺序，架构图适合说明前后端和数据库之间的关系，脑图适合整理功能结构，时序图适合展示一次完整请求的过程，对比图适合说明修改前后的区别。 Codex 现在已经可以调用图像生成能力，也可以生成 Mermaid、Excalidraw、HTML 图表等不同形式的图。 六、表达完需求后，先让 AI 确认理解 给 Codex 说完需求，它会马上开始执行。但注意，我们表达需求的时候，本来就很容易遗漏信息。 特别是现在用语音输入法，表达可能东一句西一句。Codex 只能根据有限的信息去猜。一旦最开始理解错了，后面执行得越认真，浪费的时间越多。 所以我表达完需求之后，经常会紧接着说： 先看看是否理解了我的需求，不要开始执行。有不理解的地方直接追问我，追问清楚之后再继续。 或者有时候也会让它把理解复述一遍： 先用自己的话复述一下我的目标、限制条件和最终要交付的结果。 这一小步，真的可以提前消除很多误会。

发现一个宝藏应用，@dappOS_com 旗下的新产品 @xBubble_ai 简直惊喜。 记着明天得前几天晚上，为了制作一份详细的新项目投研简报，我全神贯注地在屏幕前与 AI 工具深度互动到了凌晨。 我尝试了多个不同的大模型，不断精进和打磨提示词，希望得到最完美的输出。 这个过程让我深刻意识到，熟练驾驭 AI 需要极高的耐心与时间投入。 我们都满怀期待地想让 AI 成为得力助手，但在实际操作中，为了让结果更精准，我们往往要投入大量精力去引导。 这让我开始思考：一定存在一种更流畅、更懂人心意的方式，让工具真正服务于我们的直觉。 于是，我发现了xBubble，它更加高效几乎能够一键解决我的烦恼，一图看清！ 2.如今大模型的迭代日新月异，获取强大现在各大平台的新模型层出不穷，算力早已不是瓶颈， 但真正拉开体验差距的是什么？是“会写神级提示词”与“不会写”的差距，是“懂代码和编写技能（Skill）”与“完全不懂”的差距。 为了让大家直观感受到这种体验上的天壤之别，我们可以从几个真实的投研和工作场景，来看看传统 AI 工具和采用“低提示词”理念的 xBubble 到底有何不同：  3.对于很多追求高效的专业人士和中小团队来说，这背后隐藏着巨大的隐性时间投入。 为了让 AI 的输出稳定可靠，我们需要持续评估不同模型在各类任务中的表现，精心挑选适配的工具组合。 很多创业团队也面临着权衡：增设专职岗位预算较高，而让现有团队从头学习 AI 调优，沟通和学习成本同样可观。 更重要的是，每当大模型迎来更新，我们积累的经验往往需要重新建立。 我们真正渴望的，是一个能精准理解模糊指令、即开即用的智能系统，让大家把宝贵的时间集中在核心业务上。 4.好消息是，技术创新的脚步总能为我们带来极佳的解决方案。 近期 dappOS 推出的 xBubble 就是那个让人充满期待的行业破局者！它创新性地提出了 Low-prompt AI0理念，简单来说，就是“AI 替用户使用 AI”。 其核心枢纽 Bubble Pilot 就像一位超级懂你的智能管家，你只需要像和朋友聊天一样输入一句简短的需求，Pilot 就会自动接管后续的所有统筹工作。 它能迅速识别任务类型，自动匹配最优的处理路径，将繁杂的模型挑选、提示词构建、工具调用全部包揽，让你轻松畅享一键直达结果的愉悦体验。 你可能会好奇，Pilot 为什么能如此精准地理解我们的意图？ 这要归功于其背后时刻都在成长进化的强大引擎——Bubble Engine。这是真正的“AI 学习 AI”。 当你提出一个新颖的需求时，Engine 会在后台自动生成海量的解决方案组合，  通过严格的测试框架与质量标准进行比对，最终将最高效、最完美的路径固化为通用的 SOP。 这意味着，在 xBubble 的生态里，随着大家的使用，高难度的技能会被自动沉淀，哪怕是零基础的小白 也能毫不费力地直接调用这些千锤百炼的最优解，获得大师级的交付品质。 为了满足极其多元的使用场景，xBubble 精心打造了两种极具安全感与实用性的运行环境。  第一种是云端的“Bubble Computer”，这是一个端到端的专属工作区。 面对需要搜集资料、撰写、排版等多步协同的复杂项目，它会自动开启安全的沙盒环境，按需加载所有技能，一气呵成地完成并交付最终成果。 第二种是主打本地陪伴的“Bubble Personal”模式，它能在你的设备上安全运行，协助管理本地文件与日程， 回想当初那个专注打磨提示词的夜晚，如果当时有 xBubble 的协助，我只需轻松输入一句“请帮我汇总今日链上热点并生成一份深度简报”， 便可去享受一杯香醇的咖啡，回来就能收获排版精美的专业成果。 科技演进的终极方向，永远是让人的创造力得到最大程度的释放。 正如 xBubble 所倡导的核心愿景：AI 应该学习 AI，AI 应该使用 AI，而用户，只需陈述目标。 兄弟们冲一波官网： dappOS 官网（

中国月球基地计划正以清晰 的“三步走”战略推进： 2030年前实现载人登月， 2035年建成基本型国际月球 科研站， 2045年完成拓展型基地建 设，形成地月协同的深空探 索枢纽。 核心目标与技术路径 载人登月与基地建设时间线 2030年前： 通过“双箭发射+环月对接”方 案实现中国人首次登月，两 枚长征十号火箭分别运送“揽 月”着陆器和“梦舟”飞船至环 月轨道对接，航天员完成月 面勘察与采样返回。 2035年前： 在月球南极建成基本型科研 站，具备短期有人照料、长 期自主运行能力，支持百公 里范围科研活动，能源、通 信及生命维持系统全覆盖。 2045年前： 升级为拓展型科研站，形成 “月球轨道站+月面站”立体架 构，可支持10人半年驻留， 开展全月面资源开发与深空 探测技术验证。 颠覆性技术突破 月壤原位建造： 华中科技大学研发的月壤砖 经空间站1年舱外暴露实验， 抗压强度达普通红砖3倍 （30-40MPa），耐受-190℃ 至180℃温差及强辐射，榫卯 结构实现无黏合剂拼装。 嫦娥八号任务（2028年发 射）将携带全球首台月壤打 砖机，利用太阳能聚焦 （1400℃）熔融月壤并3D打 印建材，降低60%运输成 本。 资源原位利用： 东华大学以“拔丝地瓜”工艺将 0.5克真实月壤拉成3米高强 度纤维，用于增强月壤混凝 土或编织防护结构； 月球南极水冰勘探（2026年 嫦娥七号任务）若成功，可 电解制氧、制氢燃料，支撑 基地能源闭环。 能源与生态保障 多元供能方案： 南极持续光照区部署钙钛矿 太阳能电池（神舟二十三号 正开展空间验证）；中俄合 作推进月球核电站，解决极 夜供电难题。 地外生命支持： 中国空间站实现水稻两代连 续培育，月壤放线菌改造实 验进行中，为基地粮食原位 生产铺路。 🚀战略布局与国际竞争 月球南极： 核心选址的科学逻辑 光照优势： 南极沙克尔顿陨石坑边缘存 在连续光照区（年光照率＞ 80%），保障太阳能稳定供 应。 水冰资源： 永久阴影坑温度-230℃，可 能封存百万吨级水冰，嫦娥 七号将首次深入钻探验证。 地月空间基建先行 中国已在地月远距离逆行轨 道（DRO） 部署三颗卫星， 构建跨度117万公里的自主通 信网，形成深空探测“中转港 口”，大幅降低月球任务燃料 成本。

如何通过链上交易在一个月赚$1M： 梦幻般的二月，令人欣喜的不仅是利润高低，更在于部分项目买入后经历了横盘震荡甚至下跌，再被市场逐渐挖掘而价值发现后爆发式上涨的过程，这种思路被印证的快感正是投资的一大乐趣，感谢牛市提供的机会和流动性。 借此对这个月群内推荐项目和自己的操作做一个分享与总结，以下大部分操作都由0xSun.eth这个地址完成，大部分项目的入场时间都是最早一批： 1、Moby @MobyHQ 在公售前分析了前三个打新项目的投资机构后，判断这是一个背景和资源都非常不错的链上打新平台，公售时前端很卡，通过合约发现空签名也能打入，在30~33M市值范围参与了6个号共48个ETH，当时11.6万u，对应均价0.32左右。 开盘时我的持仓排在第一，刚开始项目方只加了60E的池子，遭遇严重Fud，币价一度从开盘的0.6跌到0.45，不过后续随着项目方逐渐添加流动性以及各种利好消息的放出，币价开始反弹，一路涨到2.53，我的解锁部分价值36万u，剩余未解锁部分价值41万u，浮盈65万u，并且质押代币拿到了最高的President档次，后续的打新收益很值得期待。 2、Sheb @sheboshis Shib官方的DN404项目，链上监控到合约部署后一直盯着，项目方设置错误导致公开Mint提前，单个成本0.05E，想了一下觉得非常值得一搏，果断花费32E印了640个，大部分时候排在持仓前3，NFT形式卖出约11E，后续项目方打开了代币授权开关但是没有添加池子，我怕其他散户加的池子太小不利于代币价格走势，又加了26E和300个代币到池子，目前LP手续费和区间收益22E，算上剩余代币价值，账面浮盈62E，大约19万u。 3、ASTX @asterixlabs DN404是ERC721A创始人Cygaar和Vectorized以及其他几位知名Dev合作完成的优化版ERC404协议，而ASTX是Vectorized自己的项目，也是第一个使用DN404协议的项目，这个信息在项目开盘前通过推特关注和合约部署时间已经被我们推测出来。 开盘的时候因为合约参数设置不当导致价格波动巨大，由于存在限购，所以我用了三个号在价格从1000下跌到400的过程中分别花费10E、8E和5E各买入35个币，最多的时候浮亏12E，但是好在项目方非常乐于听取意见，这个项目的背景也逐渐被市场发掘，经过一天的震荡洗盘后，币价最高涨至2400，8天后陆续出完，获利26.8E，约8万U。 4、Portal @Portalcoin 不算是一个月内的操作，不过属于在这个月拿到的结果。大概三个月前参与的天使轮，当时判断项目质量和热度都很高，但是预售过程太随意，只需要通过网站打钱就行，任何人都能参与，导致很多人担心是Rug而错过了，我也是抱着尝试的心态投入了10E，当时约2万u，得到346.4k代币，目前场外成交价直逼3u，保守一点按2u计算的话，开盘释放15%部分收益为10.3万u。 5、Huhu @HuhuCommunity 在做Merlin跨链任务的时候发现了Merlinswap上验证的土狗Huhu，随后通过链上信息判断大概率是跨链桥或Swap测试人员部署，在市值250k左右入场，最高点超过50倍，不过个人操作比较一般，因为购买的时候还看不到详细K线和池子大小，所以只买入0.04BTC左右，卖点判断也出现了失误，最终获利0.3BTC，大约1.5万u。后续Merlin链上的另一个Meme币Voya也表现出色，我也分号进行了参与，但是同样上的仓位比较小而且卖飞了，梅林链上的这两个土狗没能拿到大利润算是这个月比较遗憾的事。 6、Miner @minerercx 蹲DN404协议的意外收获，因为DN404协议延迟了一天发布，Miner的ERC-X正好出现在那天的空档，对Gas做了一些优化，我总共买入7ETH，卖出17ETH，获利3万u左右。比较可惜的是这个项目合约出现了漏洞，后续发展一般。 7、ChainGPT @Chain_GPT 类似Moby的逻辑，观察到这个平台的打新项目质量不错，而且最高档位只用3.5万u左右，性价比挺高，所以在0.25附近买入，目前币价0.37，利润约2万u。 8、Moros @morosnet 这个也不属于一个月内的操作，但过程挺有意思，值得一讲。去年11月左右发现了Moros这个项目，是做AI概念进行项目孵化的，比较突出的点是他们孵化的第一个项目被YC的CEO陈嘉兴点赞过，所以我陆续花了20天共买入4E，结果表现不佳，最低点跌到只剩20%，不过我还是比较看好它的长期发展所以选择了拿住，在这个月随着AI的浪潮，Moros也被发掘，从2.6号的最低点到今天20天涨幅50倍，这种突然暴涨几十倍的币自己也在车上的感觉还是非常奇妙的，我也由亏损到获利，目前盈利2万u。 9、其它 还有一些杂七杂八的小仓位操作就不一一罗列了，加起来的亏损应该在5~10ETH，链上操作追求的是赔率而非胜率，很多时候只有极短的时间窗口用于判断，遇到亏损甚至各类骗局都是在所难免的，我个人也习惯平时小仓位多试错，从而保持对市场的敏感度，这样才敢于在看好的项目出现时果断下注。 我也会出现失误或是踏空，这个月可以说是遍地黄金，撸毛、比特币生态和AI类代币都是大丰收，但是我基本没怎么参与，链上也因为一些细节没做好而错失了FP这个单币百E收益的机会，重要的是如何及时调整好自己的心态，投入到下一件自己擅长的事上。 另外最近感受比较深的一点是，之前推特上有一个论调，说牛市没有信息差，但我反而觉得信息差在牛市更大了。熊市的时候很多项目本身质量和市场流动性都不足以支持深耕一个项目，大家都是浅尝辄止，而牛市才会大批量地出现持续性强的项目，同一个项目可能大家都听说过，但是能在上面获利多少则取决于你对它的认知几何。纵观我这个月获利比较大的几个项目，都经历过横盘震荡甚至被FUD阴跌的时期，但最后都成了别人恐慌我贪婪的最佳入场机会，从而取得了不错的收益。 很多朋友在私聊和评论区里询问进群相关的事情，我的群每个月都是满的，只有月初会有一些空位，这几个月基本上群友推荐的朋友进来就满了，所以申请表看的进度很慢，希望大家理解，也不要被其他付费渠道骗了，感谢各位。最后也再次感谢市场，能接触币圈是我们这一代人的幸运，一定要把握牛市里的每一次机会。

1888年出生的史蒂文生，可以說是在一個鳥不生蛋的地方長大。在德州奧斯汀西方兩百英哩的地方，離文明很遠，地也種不出東西，所以他很小就會騎馬，因為放牧牛馬是當地人唯一的謀生管道。史蒂文生上學總共上了七年，之後他就開始賺錢。十來歲的小朋友，開了個馬車貨運行，從他的家鄉拉貨到附近比較大的鎮，單趟75英哩，但來回要一個星期。就像牛仔一樣，史蒂文生駕著馬車趕著貨，露宿野地。晚上就著營火讀書，把握機會，史蒂文生開始自學簿記，然後一邊讀著歷史。這樣的生活過了幾年，史蒂文生聽說附近開了銀行，憑著他的簿記知識，他去應徵了簿記員，但銀行不缺行員，缺清潔工，為了這個鄉下難得的機會，史蒂文生不幹貨運，到銀行當起了清潔工。 工作勤奮的史蒂文生(Coke Stevenson)，終於在簿記員生病的時候，頂上了缺，二十歲，還不到法定成人的年紀，他當上了銀行的行員。二十五歲的時候，銀行重組，史蒂文生被推選為銀行的總裁。但這五年時間，史蒂文生把一天當兩天用，他追求鎮上醫生的女兒，結了婚，沒錢買大房子，用自己的兩隻手，利用晚上下班的時間，拆掉舊房子的木頭，拿來蓋新房。同時，他又在晚上自學法律，在律師事務所當學徒。在當上銀行總裁的那年，同時也考上律師。 為人正直不阿的史蒂文生，很快變成縣裡的重要人物，先是被推選為縣的檢察官，專門抓偷牛馬的賊。在他的任內Kimble縣的馬賊消聲匿跡。然後他被民眾選為縣裡的大法官，在德州地廣人稀的鄉下，法官也兼縣長，所以史蒂文生變成縣城最大的官。在他的任內，把通往州府奧斯汀的馬路修了起來，完成了鄉民最渴望的公共建設。史蒂文生不貪污，不搞複雜的人際關係，他買了個牧場，不工作的時候，就在牧場裡蓋房子、修花園，沒水沒電，過著日出而作、日落而息的自給自足生活。但他的名聲響亮，讓他一再地被選為政治領袖，從州議員開始，一路當到了州長。他是德州第一個當到州議長、副州長及州長三冠王的政治人物，他也是在那個時候在德州州長任期最久的政治人物，每次他的選舉，都是超過對手極大比例的壓倒性勝利，一直要到1948年聯邦參議員的選舉，碰到不世出的政治奇材，後來當上總統的詹森(Lyndon Johnson)，史蒂文生才首吃敗仗，當然詹森的選舉髒得不像話，買票作票，無所不用其極，但那是另外的故事了。 1888年的德州鄉下，遠遠不比1889年希特勒出生的奧地利小鎮，也比不上1878年史達林出生的喬治亞，也許和1893年毛澤東出生的湖南韶山相差不多。但史蒂文生生長在美國，就算是鄉下，就算是機會稀缺，但廣大的自由土地，讓任何人都可以憑著自己的雙手，憑著自己的意志與努力，找尋到生命的出路，敬天愛人的過上有意義的一生。相比之下，希特勒、史達林、毛澤東這些魔頭，生長的社會沒有希望，也沒有讓年輕人可以有機會靠著自己雙手做點事，如果有點野心，又加上有社會的思想騷動，很容易就想賭一把，走向革命之路，變成亡命之徒，這樣的年輕人，失敗的時候多，而他們真的成功了，對世人，也是災難，而不是救贖。

一个 6.3MB、10 微秒启动的 agent，能在别的 agent 还没启动完时就把任务做完。 这不是性能优化技巧，而是一个方向信号：当 AI 自己写代码，手写原生优化的边际成本趋近于零，基础设施会朝原生、极小、极快收敛，而不是朝更厚的框架收敛。 过去基础设施优化的是人的工效。厚运行时、全家桶、开箱即用，这些设计是对的，因为人要花时间读文档、配环境，省下的是人的时间。 现在消费者变了。agent 会成百上千次地起停工具实例，每一次启动延迟和每一兆体积都变成硬成本。工具能 10 微秒启动，agent 就能在别人启动之前完成一整个任务。 但快有代价。原生优化和极小体积，往往意味着放弃厚运行时带来的生态、兼容性和可调试性。而速度是不可逆的，一旦你习惯了微秒级启动，就再也回不去了，也无法用任何功能去弥补延迟劣势。 严肃建设者真正该问的是：我的技术栈，是在省人的时间，还是在省 agent 的时间？这两个答案指向完全不同的基础设施。

不知大家是否有这样的一个问题，我们在努力追赶AI的脚步，却始终跟不上它的进化速度。 这不是玩笑。今年AI迭代有多快，看看前段时间还火爆的龙虾现在几乎没人提了，就知道答案了。我们好不容易搭好一个Agent，转眼就被更强的新版本取代。你是不是又要去换一个？不换的话你的效率产出不如人家，换的话又浪费大量的时间以及金钱，左右为男。 我自己也在研究AI新手该怎么入门。网上教程五花八门，每个都试一遍成本不低。作为小白，也不想跑太多复杂任务，花那么多也不太值得，而且也不知道花了钱以后能不能达到自己想要的结果。更让人焦虑的是，模型更新太快，你这边还没搞明白，新模型又出来了，感觉白忙一场。 这俩天看到一个文章，有一句话特别好：不是模型越能干，用户就越轻松；反倒是因为模型越强，AI 能做的事情更多，高级用法也就越复杂了。 现在我就是这样想的，现在AI的使用门槛其实越来越高。大多数人还停留在用豆包做题、问简单问题的阶段，没能把AI当成真正的生产力。就是因为门槛太高了，把绝大多数人都挡在了门外，我感觉后面这种差距会越来越大，因为AI可以当几个人、几十个人来使用，会用善用AI的人以一当百了，你还在一个人战斗...想想就可怕。 所以我最近一直在找一个真正好用易上手的AI工具，还真发现了一个不错的产品，就是意图龙头 @dappOS_com 新推出的一个AI产品 xBubble ，它完美的解决了我前面所说的上手难的问题，它用AI学习AI，然后再用AI使用AI。听起来是不是很抽象？那就对了，只有天马行空的产品才是好产品。 @xBubble_ai ，一款低提示率的 AI 代理，可将简短的请求转化为最终成果。用人话说就是我们要生成一个比较复杂的图或问题，只需要一个简单的提示词，它就能根据这个提示词，给你生成一个质量不错、能直接拿来用的结果，比绝大多数的AI都简单实用。 很多人这时候就会问了，为什么能达到这种效果？其实挺简单，它就靠两个协同工作的系统，Bubble Pilot 和 Bubble Engine 。 Bubble Engine 就是AI学习AI，它就是不停地让AI自己写 AI、自己测AI、自己挑最好的AI方案，然后选出一个最优的方案固化成一个能重复利用的标准操作流程（SOP）,相当于你玩游戏获得的大招技能一样，可以一直用，这么说应该懂了吧？然后技能不是只能获得一个，它能获得多个大招，专门针对不同的场景。 Bubble Pilot 就是AI替用户使用AI。比如说你提出一个问题，它会跟据这个问题去找大招，也就是SOP，给你这个问题的最优方案。如果没有匹配的大招，它就会用通用 Agent 给你解决方案，然后记录下来这个问题，让 Bubble Engine 抓紧研究大招~ 总体下来就是 Engine 负责后台建设，Pilot 负责前台执行，分工明确干活不累！随着Engine构建的 SOP越来越多，Pilot就能将更多请求都转到更快更好的路径，性能也就更好，形成了一个能无限检索的正循环，你就说这强不强吧! 使用也超级简单，有两种模式：分别是Bubble Computer 和 Bubble Personal。 - Bubble Computer 是 xBubble 的端到端项目工作空间，Bubble Pilot 检测到多步骤的任务就会路由到这，沙箱环境自动启动，自动选择合适的模型和技能，一次性完成交付从研究到交付的完整流程。云端大工厂，一条龙交付！ - Bubble Personal 是一个本地环境模式，这个相当于现在市场上的AI助手吧，可以帮你完成一些自动化任务，安全隔离还是做的挺不错的，本地计算机上不安装任何软件、不修改系统环境，安全级别很高。 这才是我最想要的AI工具，让我这种小白也能使用的AI工具才是大众最想要的，而不是那种入门难，有各种门槛需要各种专业化技能才能使用的AI，未来的大方向不应该是把工具做得越来越复杂才对，应该是让AI学习AI，然后再用AI使用AI！

这两张照片是2024年 @Kimi_Moonshot 邀请我去北京他们办公室时我随手拍的。 当时他们内部邀请了一些朋友去参观他们当时最新的 K0-Math模型。 非常意外的是，那天是杨植麟亲自来给我们分享。 当时杨植麟站在会议室里，没有讲产品，没有讲商业。 他讲的是下一代 Scaling Law。 PPT 上只有一句话： Next-Token Prediction → Reinforcement Learning Scaling 放在2024年，这更像一种判断。 放在2026年，它已经变成了整个行业。 OpenAI、DeepSeek、Anthropic、Kimi，几乎所有前沿模型，都走到了这条路上。 很多人觉得Kimi K3突然变强了。 我倒觉得，它只是兑现了一家公司两年前就做出的技术判断。 还有一个细节。 他不像很多创业者，更不像一个独角兽公司的 CEO，反而特别像个还在实验室里的PhD。 聊商业、聊融资、聊市场，他都很平静。 但一聊到架构、训练方法、数据细节，整个人一下子就兴奋起来了，眼睛都是亮的，能一直不停地讲。 后来我们去他们办公室转了一圈，我特意看了一眼他的工位。 没有独立办公室，没有估值百亿美金AI 独角兽CEO的痕迹，就是一个特别普通的位置，和周围的人没什么区别，桌上放着一些日常用品，但也不多。 那个画面我记到现在。 昨天Kimi发布了K3，轰动了整个海外AI界都，我认识的大部分朋友都在讨论K3具体的参数、架构、榜单。 但我第一反应想到的还是那天坐在会议室里,那个技术讲到停不下来的那个“PhD”。 我始终认为，一家公司最后做出来的东西，往往都会带着创始人的性格。 有些公司擅长讲故事，有些公司擅长做增长，有些公司擅长包装产品。 Kimi有时候会慢，有时候会让外界看不懂，但它一直在啃真正难的技术问题。 从长上下文、数学推理，到今天Kimi在长程任务和Agent上的进展，这条线其实一直没有变过。 很多公司是在追下一波浪潮。 杨植麟更像是很早就选了一条路，然后一直往下挖。 真正厉害的创始人，不是天天预测未来。 而是很多年以后，你发现他一直在建设那个未来。 这个时代每天有很多公司发布模型。 只有少数公司，是在兑现两年前写在PPT上的路线图。 真正的领先，从来不是 Benchmark 第一。 而是两年前没人相信的时候，你就在往那个方向烧钱了。 K3今天取得的伟大成就并不是突然发生的。 两年前，答案其实已经写在那张PPT上了。 祝贺@Kimi_Moonshot ，祝贺杨植麟🎉

歷史性的會見！ 昨晚，前妻久美子和小她20的同居男友、長子滉一君和未婚妻、我與現任，是歷史性的第一次會面。 因為永安百貨傳承人郭先生，不久將邀請以上其中兩對，作為滉一的新婚旅行，免費入住新加坡金沙酒店的豪華套房。 咱餐廳也以隆重的方式——紅燒甲魚等滿桌的菜餚酒水，款待了各位。歡聲笑語，毫無拘束地鬧騰了兩個多小時。 郭先生說在北美這種場面經常見，但是在中國卻是很難見到的。 大兒子說：在日本也是極為少見的呢……😍😎🍺🍺🍺🍺🍺🍺🍺 總結：只有堅決打倒封建傳統的舊勢力，才能讓人類共同體的性福指數得到真正的提高！🤣👌