📷澳洲各界要求赋予 #社交媒体# 用户“退出权”（opt out）的呼声正在升高。 你怎么看？如果可以让你选择，你会： →关闭 #算法推荐，只看自己关注的账号？# →继续使用算法推荐，因为它能帮你发现感兴趣的内容？ →或觉得这应该由平台自己决定？ 欢迎在评论区留言，或者私信SBS普通话，告诉我们你的看法。

🔥X 平台杠开源了整个平台的算法权重，这次连“你的每个动作值多少分”都公开了。 X 直接放出了主要生产权重、可见性过滤规则、账号与内容标签系统、SimClusters，以及真正用于训练和 Serving 的 Phoenix 生产代码。 先猜你会对每条帖子做什么，再按一张“行为价目表”算分，然后经过限流、去重、圈外折扣、新作者扶持，最后决定你看到什么。 工作原理： 1、先找一批“候选帖子”，现在主要有三个入口： • Thunder：你关注的人刚发的内容 • Phoenix Retrieval：根据你的历史行为和内容语义，从全网找 AI 认为你可能感兴趣的帖子 • SimClusters：根据“哪些人经常喜欢同一类东西”形成兴趣簇，再从这些圈子里捞内容 2、然后 Phoenix 对每条帖子预测一串概率： 点赞 / 回复 / 转发 / 引用 / 分享 / 私信分享 / 复制链接 / 点击 / 看视频 / 关注作者…… 负反馈也一起预测： 不感兴趣 / 静音 / 拉黑 / 举报 / 没有停留。 而且它看的信息比“你过去点过什么赞”多得多。 新版生产模型里还有国家、语言、位置、当地时间、年龄段、性别、已安装 App、帖子年龄等上下文。 3、真正炸裂的地方来了： X 这次把主要生产默认权重公开了。 正向： • 复制链接分享：+20 • 回复：+5 • 引用：+5 • 私信分享：+5 • 关注作者：+4 • 普通分享：+2 • 转发：+1 • 点赞：+0.5 • 点击帖子：+0.4 负向更加夸张： • 举报：−234 • 静音作者：−58.8 • 不感兴趣：−43.2 • 拉黑作者：−31.2 还有一个非常有意思的隐藏项： 如果你和作者互相关注，而且对方发的是原创帖，“你会回复它”的权重额外 +15。 基础回复权重是 5。 也就是说，这类帖子对应的回复预测权重可以直接来到 20。 当然，这些数字不能简单理解成： “1 次复制链接 = 40 个赞”。 系统计算的是： 某个行为发生的概率 × 对应权重。 而且 X 自己在代码里专门解释，这些权重同时考虑了行为价值和这种行为在全网有多稀有。 4、打完分还没结束。 圈外内容，也就是你没有关注的账号，默认分数还要乘 0.75。 同一个作者连续出现，也会被强行衰减。 按目前公开的默认参数计算： 同一批候选里，同一个作者的第二条大约只剩 62.5%，第三条约 43.75%，继续出现会越来越接近 25% 的下限。 所以疯狂连续刷帖，并不能无限霸占推荐流。 更有意思的是，小账号真的有代码级“新人保护”。 当前默认参数里： 作者粉丝不超过 1000，帖子浏览低于 1000，满足条件的原创帖，有机会被系统主动往大约第 16 位附近的目标分数抬。 另外，超过 48 小时的帖子，在打分之前就会被过滤。 5、这次对创作者最重要的一个变化，是“限流”终于开始变得可解释了。 X 把 Visibility Filtering 整条链路开出来了。 Spam、恶意链接、NSFW、辱骂、Do Not Amplify 等标签，都可能让一条帖子在“推荐给非关注者”时直接被 DROP。 这就解释了过去一种很常见的现象： 你的粉丝依然可以看到你。 陌生人的 For You 推荐流里，你却几乎消失了。 X 还配套推出了 Under the Hood，可以查看自己账号和帖子身上影响可见性的标签统计。 6、另外还有一个旧版解读需要更新。 Phoenix 内部依然采用 Candidate Isolation。 模型给某条候选帖打基础分时，它看不到同一批里的其他候选帖，所以 Phoenix 这一层的分数不受 Batch 里其他帖子的影响。 但之后还会继续经过： 作者多样性衰减、圈外 0.75 折扣、新作者扶持，以及 DPP 多样性重排。 所以“每条帖子独立打分”依然成立于 Phoenix 这一层。 最终出现在第几位，依然会受到整个推荐管线影响。 几个最值得记住的结论： 第一，复制链接分享的默认权重非常高。 X 明显很在意一条内容有没有强到让人愿意“带出信息流”。 第二，回复远比普通点赞值钱。 互相关注关系里的原创内容，回复预测还会得到巨额加权。 第三，连续刷屏会被作者多样性机制主动压制。 第四，小账号确实存在明确写进代码里的冷启动机会。 第五，负反馈非常贵。 举报、静音、不感兴趣带来的负权重，远高于一次普通点赞提供的正权重。 第六，这次透明度已经高了一个级别，但距离 100% 仍有空间。 真实生产数据和 checkpoint 没有开放，部分 Grox prompts 和 Botmaker 规则依然保留。 对于创作者来说，新的优先级已经非常清晰： 让内容值得被回复、私信分享、复制链接带走； 建立真实的双向关系； 减少连续刷屏； 尽量避免触发“不感兴趣”、静音、举报和各种安全标签。 X 的算法越来越像一个实时预测“你下一步会做什么”的 AI 编辑部。

收到X的关于“创作者收入分成”重大调整通知，值得所有正在或打算申领马老板工资的小伙伴关注。大致看下来有以下几个要点： 1、8月7日起不再接受新用户加入旧分成计划，已加入用户可以继续拿到9月7日。9月8日起申请新的原创内容奖励计划。 2、申请门槛：X Premium/Premium+/Premium Business；以及近90天至少50万次来自认证用户的首页曝光，回复曝光不算；至少500名认证粉丝；持续发布原创内容；账号状态良好。 3、新计划的核心是原创内容产生的合格曝光（QI），主要是计算Premium付费用户在首页信息流看到你的内容，且帖子至少50%出现在屏幕中；同一个用户对同一帖子多次浏览不会重复计算；广告、刷量、虚假流量都不算。 这里的50%指的是“帖子在屏幕中的可见程度”，不是说用户必须阅读了你文章50%的内容，也不是要求停留多长时间。 对于长文帖子，比如全文1,000 字，首页折叠只展示300字，这构成首页中的帖子展示区域，其中≥50%出现在用户屏幕上，即满足条件。 用户不一定需要点击“Show more”展开全文才能产生QI。简单来说：收益 ≈ 原创内容 × Premium用户的有效首页曝光 从以上变更可以看出，X明显开始强调“原创价值”，包括自己写的原创内容和在已有信息基础上加入自己的观点、专业知识等等。 而直接复制，或从其他平台搬运别人的内容，以及单纯把多个来源拼接汇总，都不再有实际意义（不会被计算）。 且明确禁止刷赞、刷粉、刷浏览、机器人以及操纵推荐算法，同时不能反复要求粉丝“点赞、评论、收藏、关注、转发”。 另外，专门讨论“如何赚钱、如何最大化X收益”的内容也可能无法获得奖励。 总结：“原创为王”！ X要把创作者激励从过去相对偏重流量+互动的模式，调整为原创内容 × Premium用户有效曝光。对于有独立观点、专业分析和原创信息增量的账号，将会长期占据绝对优势。

五个工具，让你在 X 算法变革中快人一步（门槛超低） 如果你最近还在犹豫要不要开始做视频，我建议现在就开始。 因为 X 的风向，已经越来越明显了。 如图， X 产品负责人 Nikita Bier 提到，现在平台上的视频内容占比越来越高，但很多热门视频都是搬运、二创或者其他平台的旧素材。 接下来，X 会越来越扶持原创视频，也会推出更多视频创作工具。 说人话就是，以前平台把更多流量给图文，现在开始把越来越多的资源倾斜给视频。 普通人不要一开始就按拍大片的标准要求自己，先把下面这 5 个工具用起来，就已经比很多只会转发热点的人快一步。 ① X 自带视频编辑器 如果你的账号已经开放入口，优先用它。 最大的优势不是功能有多强，而是离发布最近。 剪完直接发，少一次导出、少一次上传，也少一次拖延。 很多人不是不会做内容，而是还没发出去，热情就已经没了。 ② ChatGPT / Grok 负责把想法变成脚本。 看到一条新闻，可以直接让 AI 帮你整理成： 开头钩子 → 三个重点 → 结尾观点。 它不能替你思考，但能帮你把一团乱麻整理成一份可以直接修改的初稿。 ③ 剪映（CapCut） 新手做短视频，目前依然是最好上手的工具。 自动字幕、模板、转场基本都有。 做 X 视频其实不用追求电影感。 信息讲清楚、字幕够大、节奏够快，比炫技重要得多。 ④ Canva 专门做封面、标题页和信息卡。 很多视频没输在内容，输在了第一眼没人想点进去。 封面就像一本书的封面。 内容再好，如果第一眼没有吸引力，很多人根本不会翻开第一页。 ⑤ OpusClip 如果你已经有长视频、直播或者播客，非常推荐。 它可以自动帮你拆成长短视频。 相当于一个剪辑助理，能帮你节省大量重复劳动，不过最终决定什么值得发的人还是你。 普通人想成为一个创作者，我建议参照下面这个保姆级教程： 热点出现 → ChatGPT / Grok 写 60 秒脚本 → 剪映做字幕 → Canva 做封面 → 发到 X → 看数据 → 根据反馈继续优化。 先把流程跑通，再想升级设备的事情。 等以后内容稳定了，再去研究 Runway、HeyGen、ElevenLabs 这些 AI 视频和配音工具也不迟。 X 的视频机会可能才刚刚开始，搬运内容会越来越难，原创表达会越来越值钱，不要等到别人都在晒创作者收益你才追悔莫及 关注我，更多好工具分享🤪

推荐系统也开始换代了。 快手在推荐系统这块的技术确实做得扎实。 周六下午我去现场听了一下午他们的分享，几个议题里，最让我感兴趣的还是推荐相关的技术。 前两天我写过一篇文章。起因是在朋友圈看到有人转了快手 OneReason 的文章，我就点进去看了一下，发现快手已经在逐步把推理的能力引入推荐系统。 熟悉大模型发展的话会知道，这几年大模型经历了三个关键节点：Scaling、Reasoning、Agent。 而推荐系统，现在居然也开始走到推理这一步了。 文章发出来之后，我发现自己和评论区很多人有一样的困惑，集中在三个问题上： 第一，为什么一定要上推理？ 第二，推荐系统的推理具体怎么做？ 第三，推理的成本不低，这事在线上能划得来吗？ 我其实也是带着这三个问题去的现场。听完分享，今天把我的想法梳理一下。不一定对。 我十多年前在工作中做过推荐系统，这些年断断续续也在跟进这个领域的进展。 特别是大模型这一波浪潮来了之后，跟不少朋友聊过 LLM 和推荐系统结合的可能性，都觉得这事很有意思。 如果推荐系统也逐步过渡到 LLM 的技术栈上，互联网的基础设施这一层，还会有比较大的变化。 1 先说第一个问题：为什么一定要和大模型结合，为什么要做推理？有人觉得是不是在追技术的时髦。推荐系统好好的，为什么非得跟大模型挂钩？ 我自己是这么理解的。 传统推荐系统正在接近既有架构的天花板，而 LLM 为推荐系统提供了一条新的演进路径。 推荐本身也是 AI，是 AI 最早的应用场景之一。如果推荐系统无法融合最新的 LLM 技术栈，从技术发展的角度来说，推荐系统就会断代。 那为什么还要做推理？去年快手做了 OneRec，已经证明了 Scaling Law 在推荐系统中的有效性。 既然可以端到端生成，已经跟上了技术栈，为什么还需要推理？ 我想起刚毕业的时候做推荐系统，当时 Leader 讲过，推荐系统的核心，抽象来讲，就是在做两件事： 一类是基于用户的协同过滤，推荐系统根据用户的自然属性（年龄、性别、学历等信息）和浏览兴趣来计算用户相似度，进而给相似用户推荐内容。 第二类是基于内容的协同过滤。推荐系统提取内容的特征，然后计算不同内容之间的相似性之后，给用户推荐与过去喜欢内容相似的内容。 说白了，无论哪一种，其实都是基于相关性的匹配。推荐系统能够捕捉用户行为模式，但它并不会显式地推理用户为什么会产生这些行为。 这种逻辑的局限很明显。 举个例子。一个用户最近看了杜甫的诗词、李白的生平，还刷了几条安史之乱的纪录片。 系统会把这些行为编码成向量，然后去内容池里找向量距离最近的内容推过来。 它并不知道什么叫唐代文化，只知道看过这几条内容的人，大概率也会看另外那几条。 结果就是，更多唐诗、更多唐朝纪录片，推来推去都是同一类内容。 经常刷着刷着就会发现，怎么推的全是差不多的内容。这就是纯粹基于相关性匹配的局限。 但如果系统能往前想一步呢？这个人看杜甫、看安史之乱，背后的兴趣也许不只是唐代文化，而是乱世里个体的命运。 想到这一层，推荐的范围就打开了，不会只困在唐诗和唐朝纪录片的圈子里，能给用户带来更好的内容体验。 这就是溯因的价值。它把推荐系统从记住用户过去喜欢什么，推进到理解用户为什么喜欢。 只有理解了为什么，系统才可能预测出用户还没有表现出来、但可能存在的兴趣。 这是我觉得推荐系统引入推理最重要的一点。 2 理解了为什么要做推理之后，第二个问题就来了。推荐系统里的推理，到底怎么做？ 说实话，这也是我去之前最好奇的地方。 我一开始的想法挺简单。既然大模型已经把推理这条路走通了，那推荐系统是不是直接把这套能力搬过来就行？ 后来听完分享，发现完全不是这么回事。因为推荐系统面对的问题，和大模型平时解决的问题不一样。 比如问大模型：李白和杜甫的诗歌风格有什么区别？模型会调用历史知识、文学知识、时代背景，组织出一个解释。这当然也是推理，但它推理的对象是世界知识。 而推荐系统推理的对象是用户。它需要回答的问题是，这个兴趣为什么会产生？未来哪些兴趣会增强，哪些会减弱？用户下一阶段可能会对什么产生兴趣？ 所以快手在现场一直在讨论一个核心问题：推荐系统里的 CoT，到底应该长什么样？ 他们给出的答案挺有意思。把整个推理过程拆成了四步： 第一步，总结用户的历史兴趣。 第二步，推测兴趣背后的原因。 第三步，推测影响未来兴趣变化的因素。 第四步，推荐相关内容。 还是用杜甫那个例子来感受一下这个过程。 系统看到用户最近看了杜甫、安史之乱、李白，先做归纳，这个人对唐代文人和那个时期的历史有持续关注。 然后开始溯因：为什么关注？用户是主动搜索、反复观看、停留时间很长，背后可能的原因是对乱世中个体命运这个主题有深层兴趣。 基于这个理解再往前推演，如果关注的是乱世中的个体命运，那兴趣不会局限在唐代，宋代的苏轼、南宋的陆游，甚至近现代的故事，都可能命中同一个深层兴趣。到这一步，系统才去推荐内容。 整个过程是一条完整的思考链：归纳兴趣，溯因理解，演绎发散，最后推荐。 对比一下传统推荐系统做的事。它同样会从用户行为里提取兴趣特征，也会建立用户画像。 但这些过程更多是隐式完成的。系统知道用户喜欢什么，却很难解释用户为什么喜欢，也很少进一步推演兴趣未来会如何变化。 这也就解释了为什么传统推荐总是千篇一律。它没有理解，只有匹配。 匹配只能找到相似的东西，理解才能找到相关但不相似的内容。 3 第三个问题：推理的成本这么高，线上能划得来吗？ 大模型的推理很贵，而线上推荐要求实时更新。如果每次推荐都让大模型完整思考一遍，成本和延迟肯定都没办法接受。 他们现在的解法叫 Fast-Slow Thinking。名字听起来有点像人脑的快慢系统，实际上思路也确实差不多。 Slow Thinking 负责深度思考。它会周期性地分析用户过去一段时间的行为，把用户兴趣、兴趣背后的原因、未来兴趣可能的变化方向提前算出来，存下来。 这个过程可以慢，不要求毫秒级返回，甚至一天更新一次都可以。相当于提前把用户研究了一遍。 Fast Thinking 负责实时响应。用户打开 App 的时候，在线推荐系统不会重新走一遍完整的推理流程，只读取提前算出来的结果，再结合最新的行为快速完成推荐。 这样一来，真正昂贵的推理过程被放到了离线阶段，线上看到的仍然是一个高速推荐系统。 我觉得这个思路挺有代表性的。很多人聊 Agent、聊推理的时候，容易有一种错觉，好像未来所有事情都要实时推理。 但工业系统通常不这么做。工业系统更习惯把复杂计算提前做完，把实时链路尽可能做轻。 OneReason 的 Fast-Slow Thinking 本质上也是这个思路。慢链路负责理解用户，快链路负责服务用户。 现场公布的数据里，他们已经把这套方案用在了本地生活广告场景，收入提升超过 8%。 这一点其实挺让我意外的。原来以为 OneReason 更偏研究性质，没想到已经开始在真实业务里创造价值了。 不过这套方案也不是终点。 为了控制成本，OneReason 目前更多承担的是 Slow Thinking 的角色。 它会基于用户历史行为，离线生成对用户兴趣的理解，再把这些结果交给在线推荐系统使用。 这种方式解决了推理成本的问题，但实时性仍然会受到影响。 举个简单的例子。如果系统昨天分析认为我最近在关注杜甫和唐朝历史，但今天的兴趣突然转向了游戏，那么离线生成的用户画像就有可能滞后一段时间。 所以从工程角度看，这其实是在成本和实时性之间做平衡。 但可以确定，随着未来推理成本继续下降，推荐系统里的推理能力可能会越来越靠近实时链路。 到那个时候，推理或许会像今天的排序模型一样，逐渐成为推荐系统的基础能力。 不过至少从目前来看，快手给出的答案还是比较务实的。先让大模型负责它最擅长的部分，理解用户，然后把理解的结果交给传统推荐系统去执行。 这可能也是生成式推荐的推理能力从论文走向工业落地的一条现实路径。毕竟，这事也才刚刚开始。 更有意思的是，活动现场快手这次还发起了一个 LLM-Rec 挑战赛，官方直接开放了 OneReason-0.8B-pretrain、SFT 数据以及脱敏后的 50 万条用户行为数据。 这个活动面向的是全日制在校学生，所以我看到之后第一时间就转给了家里还在上学的亲戚。 还有在现场的时候，我原本以为来参加活动的大部分都是已经参加工作的工程师。 结果到了提问环节才发现，现场有很多北京高校的研究生和博士。 而且说实话，提问质量非常高。所以我觉得这样大赛确实很有意义，因为学生可以花大量时间去研究最新技术，可以去尝试各种天马行空的想法。 毕竟像推荐系统和 LLM 的结合，本身就是一个非常新的方向，行业里其实也没有标准答案。很多问题都还在探索阶段。 而且奖金也不低，前 20 名还能直接进入快手算法的中面。具体大家去看链接。反正看了我都很心动。 写到这里，这篇文章也就结束了。那天参加完沙龙，在回家的路上，我直接把整篇文章的语音底稿录完了。 今天下午又抽了一个多小时，把它逐段润色、修改、成稿，基本算是一气呵成。 写着写着，突然想起十多年前我刚毕业，作为一个新手工程师，和团队一起构建推荐系统时的场景。 顺手翻了一下朋友圈，看了一下当时 Leader 的状态，他已经转行做其他的事情去了。 好多事就飘散在了回忆里。 有点感慨。因为我关于推荐系统最早的那些知识，几乎都是他教给我的。 十多年前，我们讨论的是召回、排序、特征工程和 CTR。今天大家讨论的是 Scaling Law、Reasoning，以及 Agent。 很明显，推荐系统又走到了一个新的时间节点。一代又一代啊。

2026年个人突突突突围：最值得努力的 10 个方向（收藏版） 哈喽啊！兄弟们！2026年不要迷茫，币圈不值得期待，这世上依然有很多机会，不要只盯着那点K线 我先结合我自己的一些观察和思考，推荐兄弟们值得去努力的方向 1. 构建垂直行业的“AI工作流解决方案” 别只是在和GPT聊天去处理一些文字工作了，或者说生成一些很拙略的图片，2026年，拥有一个稳定运行的工作流，比拥有一个头衔更值钱多得多。比如你做自媒体视频创作，从灵感、到脚本、到拍摄计划、再到Broll的AI生成、再到标题封面、再到上传发布 再比如在法律行业、跨境电商、文创用品、利用AI Agent把重复复杂流程自动化，都值得去学习和尝试，现在抖音上面的AI解决方案专家光知识付费都割了一大波了韭菜了，而且韭菜还得喊超级值 2. 磨练“导演思维”，成为AI视频艺术家 AI艺术家的下半场不是画图，而是叙事能力和导演思维 并且随着Sora、VOE3等产品的成熟，谁能用AI稳定产出高质量、有逻辑的视频内容（短剧、品牌片、教学视频、抽象视频）谁就掌握了2026年流量的定价权 就算不是定价权，你也打造了差异化，有差异化就存在视觉Hook，就存在信息差和商业需求，建议大家去看看b站上当时给影视飓风提供AI视频制作的【大羽玩AI】这个博主，看看他那期从头到尾怎么做完这个商单的全流程，你会很惊叹自己的对这个领域的无知 未来AI视频艺术家一定会有自己的一席之地，如果你有编导相关的经验，也许是你一个非常扎实的发展方向 3. “身兼多职”的超级打工人 这个就不说了，我徒弟最有发言权 @MrRyanChi ，再没有开始创业之前，他就靠AI和自己的审美，在多家Web3公司月入过万U了，靠的就是他对各类AI软件的使用，如火纯青，效率惊人，从Vibe Coding到视频制作，都很牛逼 如果你没有原始积累，你想快速成长，理论上你也可以像Ryan这样，身兼多职还可以实现自我成长 4. 从国内走出来，多看看世界，流量+产品永远存在红利 很多人觉得是老生常谈，但是中国目前的供应链依然是最顶的存在，这部分的红利一直都是存在的，因为未来最值钱的依然是流量，有了流量你还愁产品么 中国永远有任何一个你想卖给老外的任何东西的工厂，尤其在全球化地缘政治这么不稳健的情况下，很多国家是没有心思在搞发展的，中国的供应链优势永远给你一个低成本创业的机会，但前提是你得看海外 适合熟悉海外文化或者小众语言能力的兄弟多琢磨多研究 5. 建立身体的硬核管理系统 我已经从83kg减脂到79.8KG，等我减脂到75KG，我会发一次照片，别急 在行情不好的时候，精力是唯一的翻身杠杆 像管理资产一样管理体重、体脂、睡眠和血糖 2026年的竞争，拼到最后全是“续航能力” 我现在依然执行的是碳循环的减脂，感性的兄弟评论，我会继续写我详细的健身、吃、睡眠、精力协调等实操经验帮兄弟们找回状态 建议是在任何一个AI软件中专门建立一个跟踪记录自己的对话，你就把你的身体情况，和每天吃的啥全发给他，你哪怕不训练，你自己知道自己平时吃的问题有多大了，管住嘴你就赢70%了 6. 做“离搞钱更近”的内容或者产品！！！ 拒绝自嗨，拒绝纯情绪输出。每一条内容都要解决一个具体问题，或服务于你的商业闭环 让内容成为你的24小时销售员，而不是无意义的数字垃圾 兄弟们都知道我经常表达【业务】+【流量】=【钱💰】 如果你没有一个明确的赚钱思路，你去搞一些没有价值的流量是没有意义的，这不是以前，说我只要有粉丝，我就可以有广告的时代 这是一个个人IP主导的时代，你哪怕只有500个粉丝，没人每个月给你100块，一年你也有60万的收入 但是你没有业务，你擦边、哪怕全裸，流量百万也没任何意义 我的逻辑依然是我会坚持做深度内容，播客、文章我都会围绕着营销、赚钱去做内容，因为我想和喜欢搞钱的人交朋友，所以我再强调我之前的言论一遍，你写什么内容，意味着你和什么人叫朋友 做离钱近的产品这个就更不说了，别再一款产品上死磕，不赚钱立刻换下一个，现在假大空的平台相比于未来可能的世界大战，一点都不重要了，以前是量产发土狗，现在是利用AI量产发各种产品，你能想到的，别人有付费意愿的，都值得试试，不行绝对不迭代，直接换！ 7. 刻意练习“深度聚焦”“深度阅读”与“反算法”能力 算法在不断剥夺你的专注力，他妈的本来我们币圈从业者大部分是远程办公，就已经很潇洒了，但是人性这东西本来就很脆弱，这些各大手机里面的短视频，就是搞得你每天浑浑噩噩，连一篇文章都读不完，稍微长一点的视频你都看不下去 短视频短剧，这种消遣的东西，一天最多1小时足够了，我每天给自己规定的，只有晚上11:30之后，我才可以刷短视频，平时的时候只要我不小心刷了，我就立刻站起来走几圈（有奇效） 每天给自己留出3小时的“无手机深度工作时间” 还是以前在天使投资公司锻炼出来的，每天读5篇深度复杂的内容，能让自己深度思考的内容，并且强行要表达自己看过之后的观点，这个习惯我受益终生！ 这种能够沉下心坐下来解决复杂问题的能力，在2026年将成为顶级人才的硬通货，“众人皆醉我独醒” 这种都是刻意练习出来的！ 8. 布局“银发经济”：适老化技术与陪伴 这是马斯克之前播客分享过的未来20年最确定的机会，关注“技术适老化” 帮老人用AI管理健康、配置智能家居、处理数字遗产，或是提供AI驱动的高质量情感陪伴 赚有钱、有闲且有需求的人的钱。 哪怕是高端养老院，寻找价格便宜宜居养老的地方捡漏烂尾楼也有机会，不是让你去骗老人钱，做盘子可不行，但是这里面还是机会很多的 9. 维护“高密度、小规模”的私人链接 放弃无效的五百人，千人大群 深耕一个只有10-20人的高质量圈子，成员必须是实干家或者和你高度同频的 在行情波动期，这种基于信任的深度资源交换是最值钱的 好好筛选一下身边的兄弟，和有正事儿的人一起玩，很重要 10. 明确并践行你的“人生价值观” 其实这段是鸡汤来着，但是我和我弟聊了一下之后，其实我觉得还是很有价值的，我之前看张朝阳的播客剪辑切片 （短视频有时候也挺有用，能刺激灵感） 就谈到他的遗憾，他最大的遗憾就是年轻的时候不知道自己想成为什么样的人，也没有自己的价值观 导致自己浪费了很多时间，如果他一开始更加专注一些，也许成就比现在高 我跟我弟弟讲，我其实16岁我就极度渴望赚钱，到了高中，我就开始想办法搞钱，大学读了一年我就休学去搞钱，虽然我经常败的很惨，但是真的离我的目标越来越近，我至少改变了五六线小镇青年的命运，我有我可以支配的时间和钱 我想想看，跟我自己提早看透自己是什么样的人，和我自己的价值观确定的很早，也有很大关系 我知道我的粉丝有很多年轻人，00后，甚至05后，这个世界不存在年龄优势的，你及早开悟知道自己想要什么才是最重要的 共勉！兄弟们 2026继续干！！！！！！

我的朋友最近是不是被插针插爽了，连续几天的插针拉盘，然后昨天突然急转直下。 反反复复的折磨，反反复复的止损搞乱心态，让无数交易者饱受信息过载和决策疲劳的折磨。 其实现在以马后炮的视角来复盘近期大盘走势其实并不复杂。 但是我们交易者人们往往不是输给了分析能力，而是败在了被情绪左右的执行力上。 追涨杀跌、频繁交易、抗单侥幸，最终让账户余额在不断的拉扯中缩水。 这也是我为什么一直在推荐 @0x_aix AI 辅助交易系统的原因，因为它本质来说并非市面上那种只会盲目提供买卖信号或者说进场点位（止损止盈）的一个辅助工具。 而是一个能自行按照策略进行 AI 交易的执行者。它冷静 高效 不受个人情感影响。 这么说吧，我结合近期的市场特性，来拆解一下AIX： 1. 实时监控 还原真实 在近期妖币（LAB 币安人生等）频出、行情瞬息万变的背景下，如果每天点击交易所看涨幅，或者追寻已知热点，先不说是否极易导致精神内耗，就说等已经上热点的时候，你确定进场不是接盘嘛。 而 AIX 能够全天候监控多币种量能与指标，自动筛除虚假趋势盘面，并根据市场结构判断其属于趋势、震荡还是诱多陷阱，还原真实的市场背景，让交易者从繁重的重复劳动中解脱出来。 2. 没有人性非理性情绪 市场最大的敌人永远是开仓后时时刻刻在看盘的玩家自己。AIX 并非盲目追逐单根 K 线的涨跌，而是引入了专业的价格行为学逻辑： 合理技术点位： 拒绝震荡区间的盲目拉高，更关注支撑位、趋势线附近的有效信号，以及 类似二次探底 双高摸顶这种的高确定性机会。 绝对的风控（管住你的手）： AIX 将成熟的交易纪律固化为系统规则。无论是面对插针时的恐慌性平仓，还是连胜后的重仓膨胀。 AIX 都能强行切断人性的 FOMO 与焦虑，逼迫交易者严格执行预设的风控与止损标准，你管不住手，它来给你管。 3. 透明的决策记录与复盘闭环 作为一个交易者一定一定要复盘，你不复盘你怎么知道你那里错了，不知道哪里错了，怎么去改。 AIX 将 AI 的每一步推理过程、量能变化及开仓依据全部可视化呈现。 当交易出现盈亏时，用户能够通过详尽的决策记录进行精准归因，明确究竟是底层策略被击穿，还是中途执行走了样。 这种长周期的数据样本与复盘，对提升个人对市场的底层理解有着极大的价值。 总体来说 我推荐 AIX 正如交易的本质： 策略决定了账户的上限，而管住你的手决定了你能在这个市场赚多少走。 借助 @0x_aix 这样严守规则的 AI 系统，用算法倒逼自己保持绝对的理性，或许才是应对当前波动剧烈市场的最佳解法。 传送门：

【你的KPI，是另一个年轻人的深渊】转自微博@Scalers 一个00后大学生，一年背上16万网贷。不是被骗的，不是赌博输的，是被一群名校毕业的产品经理，用心理学一步一步“喂”进去的。 而这些产品经理，跟他同龄。 凤凰网采访了8个网贷产品设计者，6个来自大厂，2个来自网贷头部公司。他们的日常工作是什么？调按钮颜色，改文案措辞，测弹窗时机，发优惠券。 每一步都体面，每一步都合规，每一步单独拿出来都像是“正常的产品优化”。 但这些步骤拼起来，就是一台精密的收割机。 你可能觉得这事离你很远。别急，往下看。 一个产品经理，半个月测了上百种按钮文案，二三十个版本同时推给几千个用户做A/B测试。最后胜出的四个字是“查看额度”。用它替掉“登录”，点击率涨了7%。 7%是什么概念？百万级用户的页面上，多出来几万人点进来。每人平均贷一万，按3%利润率算，多赚30万。这个产品经理的原话：“够老板请全团队喝奶茶了。” 他还测了按钮的背景色。红、白、蓝三版，蓝色胜出。颜色微调带来的转化提升最多0.1%，但百万级用户面前，0.1%就意味着多出1000个李明。 李明是谁？ 大四那年，同学约他去音乐节，门票400块。“我没钱”这三个字卡在喉咙里，他说不出口。 宿舍空了，只剩他一个人，手机屏幕上写着“查看额度”。 不到一分钟，1000块到账。年化利率超过20%，他完全不懂这意味着什么。他只会算最简单的账：分12期，每月还一百来块，少吃几顿外卖的事。 然后就停不下来了。 借贷频率从两个月一次，变成半个月一次，变成两三天一次。平台弹窗隔两周跳一次：“还有42500元额度未使用。”广告精准地戳他：该给女朋友换台iPhone了，申请一笔梦想备用金。字字扎在“兜里没钱却想撑面子”的软肋上。 四个月，负债两万。考研落榜，滚到九万。他翻遍短信里每一条网贷广告链接想再借，全被拒了。晚上睡不着觉，翻到临近还款的短信提醒，想到了轻生。 后来他告诉了父母。全家人一起扛，白天兼职晚上二战考研，每月还 6000，2025年3月上岸，还清所有欠款，卸载所有网贷App。 他以为结束了。 6个月后，负债重新滚到16万。 因为他的网络世界没有变。打车App弹窗：“您有最高20万额度待提取。”刷小红书有贷款帖子，玩微信小程序有网贷广告，角色复活都得先看一条借钱的贴片。他说轰炸他的广告平均每天三条，一个多月截图下来拼成一张上百张的长图。 但你知道最狠的是什么吗？ 不是广告多。是在这8个设计者的后台里，李明根本不是一个“人”。 他是一组标签。年龄、职业、城市、借贷轨迹、逾期率、复借率、生命周期价值。一个产品经理负责按钮让他点进来，一个人负责发券让他心动，一个人负责写文案戳他的焦虑，一个人负责放宽审核让他顺利拿到钱，一个人负责用算法给他贴标签决定推什么广告。 五个人，五个环节，五块屏幕。 没有任何一个人觉得自己在“坑人”。 这就是这件事真正可怕的地方。不是有人在密室里策划怎么害人。是一个精密的系统，把一件可能毁掉别人人生的事，拆成了一百个看起来都没问题的小步骤，分配给一百个聪明人。每个人只看自己的屏幕，只管自己的指标，只对自己的KPI负责。 做风控的那位说得更直接：他只要稍微“放点水”，把审核通过率从30%提到35%，对公司就是实打实的放款规模增长。他不需要想这多出来的5%是谁，只需要知道数字涨了。 被问到有没有道德压力，那个做产品的张洋想了想，说了一句让我深思的话： “没有的，我又不是做的色情网站。” 他不是坏人。他考了心理咨询师证，爱琢磨文学。但在那套系统里，他的全部价值就是让更多人点击那个蓝色按钮。系统不需要他是坏人，只需要他是一个合格的执行者。 他自己也熬夜到心脏隐隐作痛，说自己腻了。 你看到了吗？曲线两端的年轻人，活法不一样，处境却像得很：一端在加班到心脏疼，一端在还债到睡不着。而中间的大公司，度小满一天净赚235万，蚂蚁消费金融日赚852万，数字漂漂亮亮地躺在财报里。 你可能不做网贷产品。但你也在某个系统里拧螺丝。 你优化的那个转化率，背后是什么人？你写的那句营销文案，推的是什么东西？你搭的那个推荐算法，喂养的是什么欲望？ 大多数时候你不会想。因为你的屏幕上只有数字，没有人脸。 但螺丝拧多了，偶尔该抬头看一眼： 你拧的这些螺丝，拼起来是什么？ 这台机器，在碾谁？ 不用急着回答。但这个问题，你得自己问过自己至少一次。 因为没想过这个问题的人，和那个说“我又不是做的色情网站”的人，其实没有区别。

《立党基础教育》最核心的精髓，一个是给6岁孩子孩子买mac mini+大显示器，一个是订阅coding plan（claude/OpenAI/智谱/kimi/阿里/grok）， 最核心是建立“党哥家庭图书馆”，卧室装满这些书，可以陪伴孩子从6岁到18岁的数学物理计算机教材，让孩子随机翻、随机看、躺着看、拉屎看，挖掘天赋潜能。 一定要听党哥的，党哥就住天津图书大厦旁边，这些书党哥没给童年的自己买齐，党哥想扇自己100个大嘴巴子，你们一定不要给自己家聪明的孩子留遗憾，先把书买齐了，孩子只看10%，每本书只看一章，都是有用的。 1. 小学、初中、高中全年级的数学、物理、信息学基础官方教材； 2. 小学、初中、高中全年级的数学、物理、信息学学科竞赛教材和题集； 上面这些书一定要买齐，供孩子随时按照兴趣翻阅，吃饭时翻阅，拉屎时翻阅，无聊时翻阅， 3. 大学本科基础数学教材《微积分》《线性代数》《概率统计》《复变函数》，如果孩子看得津津有味并且觉得太简单，立刻按照北大数学系培养方案继续买实分析、高代、抽代、组合数学等等， 喜欢物理直接买四大力学教材，或者直接买《费曼物理学讲义》，按照孩子需求买齐买全，挖掘孩子在数学和物理上的最大天赋； 4. 一定要买齐计算机教材，从6岁可以陪伴到60岁的几本书，都是党哥自己掏真金白银在天津或者Texas亲自买过的纸质书，哈佛MIT斯坦福也用这些书当做本科生或者graduate level（硕士博士阶段课程）教材，记住，一定要买齐，摆孩子卧室里，让孩子随机翻阅，随机看，拉屎看，吃饭看，睡觉看，周末看，看一章节就算稳赚。 记住，这些书尽量买齐，在中国就买影印版中文翻译版，一本书50块钱，买齐了并不贵，在英语国家可以买二手英文版，这些书可以陪伴绝大多数人从6岁到60岁。 a. 《Python Crash Course: A Hands-on, Project-based Introduction to Programming》（Python编程：从入门到实践），孩子的第一本编程书，让孩子一边拿着书，一边对着电脑敲敲敲，敲敲敲，敲敲敲， python入门了以后，可以买《Thinking in Java》《C++ Primer》，挑着学Java和C++这两本书； b. 计算机三套经典，党哥都买了纸质版，党哥都没看完。 - 计算机基础教材CSAPP《Computer Systems A Programmers Perspective》（CSAPP） - 算法和数据结构圣经《introduction to algorithms》（算法导论） - 可以陪伴到50岁、几代人读的圣经大套装《The Art of Computer Programming》（TAOCP） 记住，党哥没看完是因为岁数太大了（算法导论看得最多，其他两本进度很少），你的孩子只有6~18岁，如果激发了巨大的兴趣，你的孩子是完完全全有精力看完的。 如果18岁之前能扎扎实实看完这三本书，可以说比Google和Meta里面90%的员工要强。 c. 全球公认的计算机其余主要专业教材 操作系统《Operating Systems Concepts》（操作系统概念，恐龙书） 编译原理《Compilers: Principles, Techniques, and Tools》（编译原理，龙书） 《Modern Compiler Implementation in C》（现代编译原理，虎书） 《Advanced Compiler Design and Implementation》（编译器设计与实现，鲸书） 数据库《Database System Concepts》（数据库概念） 计算机网络《Computer Networks》Andrew S. Tanenbaum 计算机图形学《Fundamentals of Computer Graphics》（图形学虎书） 机器学习和深度学习《Pattern Recognition and Machine Learning》(PRML）和《Deep Learning》 by MIT Press 党哥不是拉书单，党哥给你推荐图书是非常谨慎小心的，已经砍到不能再砍，精简到不能再精简了，精简到再砍掉任何一本就会出现大问题了， 记住，这些计算机科学computer science书籍，要买全，买齐，在中国大陆就买影印版、翻译版，在美国就买二手，把这些书整整齐齐放在孩子书架上， 孩子靠兴趣驱动学习时，是跳跃的、离散的、冲动的，也许孩子感兴趣两个月看完一本书，也许两年翻不了三页，也许一本书只看零星两三章， 但是一定要给孩子买齐、买全、买完整，放在卧室书架上，吃饭看、拉屎看、无聊看、闲着看、呆着看、随机翻看、边看边敲、边看边在claude code里实现， 一定要买齐，在家里置办“党哥家庭图书馆”，孩子对知识的欲望和冲动，远比对抖音直播间大美女的冲动要强烈得多，当冲动来临的时候，一定要做好图书、知识、教材的准备，让孩子凭借一腔热血和兴趣，选择随机翻阅和学习。 当然，另一件重要的事情，就是听党哥的话，围绕北京、上海、深圳、bay area全球四大科技中心，每个月至少带孩子逛一次电子展、科技展会、技术大会、学术会议、路演日、融资大会、技术沙龙、AI线下沙龙、技术公开课、产业大会、学校技术论坛、学校学术展览，逐步建立世界观，认识技术，认识产业，认识各行各业，形成自己的价值观，并且开始接触一些各行各业的“大朋友”， 当这些大朋友给孩子一些启发的时候，孩子就会立刻回家，闷头去翻这些教材，继续去补充营养，带着白天开会时满脑子的小问号，回到自己的“党哥家庭图书馆”，去狠狠恶补自己欠缺的知识。 记住，除了买mac mini+大显示器+人体工程学座椅+订阅coding plan，除了开会，家长首先要做到的，就是买书，买书，买书，买书，买书，买书，买书，买书，买书。 如果要看视频课程，可以按照csdiy wiki上面课程去学习，可以上B站上中文平替， 先从哈佛CS50起，接下来看UC Berkeley CS61A、CS61B、CS61C，然后按照csdiy wiki上面对应的视频课程自己去学习，一般youtube有原版，B站有翻译版本。 让孩子自己自由随机去挑感兴趣的视频去跟着学。 但是一定他妈给我把这些书给孩子买齐，买全，加起来没有几千块钱，能改变你的孩子一辈子的命运，让他获得一个9位数的人生。 现在就给我去京东天猫拼多多闲鱼去下单，给我买！！！！

《立党基础教育》最核心的精髓，一个是给6岁孩子孩子买mac mini+大显示器，一个是订阅coding plan（claude/OpenAI/智谱/kimi/阿里/grok）， 最核心是建立“党哥家庭图书馆”，卧室装满这些书，可以陪伴孩子从6岁到18岁的数学物理计算机教材，让孩子随机翻、随机看、躺着看、拉屎看，挖掘天赋潜能。 一定要听党哥的，党哥就住天津图书大厦旁边，这些书党哥没给童年的自己买齐，党哥想扇自己100个大嘴巴子，你们一定不要给自己家聪明的孩子留遗憾，先把书买齐了，孩子只看10%，每本书只看一章，都是有用的。 1. 小学、初中、高中全年级的数学、物理、信息学基础官方教材； 2. 小学、初中、高中全年级的数学、物理、信息学学科竞赛教材和题集； 上面这些书一定要买齐，供孩子随时按照兴趣翻阅，吃饭时翻阅，拉屎时翻阅，无聊时翻阅， 3. 大学本科基础数学教材《微积分》《线性代数》《概率统计》《复变函数》，如果孩子看得津津有味并且觉得太简单，立刻按照北大数学系培养方案继续买实分析、高代、抽代、组合数学等等， 喜欢物理直接买四大力学教材，或者直接买《费曼物理学讲义》，按照孩子需求买齐买全，挖掘孩子在数学和物理上的最大天赋； 4. 一定要买齐计算机教材，从6岁可以陪伴到60岁的几本书，都是党哥自己掏真金白银在天津或者Texas亲自买过的纸质书，哈佛MIT斯坦福也用这些书当做本科生或者graduate level（硕士博士阶段课程）教材，记住，一定要买齐，摆孩子卧室里，让孩子随机翻阅，随机看，拉屎看，吃饭看，睡觉看，周末看，看一章节就算稳赚。 记住，这些书尽量买齐，在中国就买影印版中文翻译版，一本书50块钱，买齐了并不贵，在英语国家可以买二手英文版，这些书可以陪伴绝大多数人从6岁到60岁。 a. 《Python Crash Course: A Hands-on, Project-based Introduction to Programming》（Python编程：从入门到实践），孩子的第一本编程书，让孩子一边拿着书，一边对着电脑敲敲敲，敲敲敲，敲敲敲， python入门了以后，可以买《Thinking in Java》《C++ Primer》，挑着学Java和C++这两本书； b. 计算机三套经典，党哥都买了纸质版，党哥都没看完。 - 计算机基础教材CSAPP《Computer Systems A Programmers Perspective》（CSAPP） - 算法和数据结构圣经《introduction to algorithms》（算法导论） - 可以陪伴到50岁、几代人读的圣经大套装《The Art of Computer Programming》（TAOCP） 记住，党哥没看完是因为岁数太大了（算法导论看得最多，其他两本进度很少），你的孩子只有6~18岁，如果激发了巨大的兴趣，你的孩子是完完全全有精力看完的。 如果18岁之前能扎扎实实看完这三本书，可以说比Google和Meta里面90%的员工要强。 c. 全球公认的计算机其余主要专业教材 操作系统《Operating Systems Concepts》（操作系统概念，恐龙书） 编译原理《Compilers: Principles, Techniques, and Tools》（编译原理，龙书） 《Modern Compiler Implementation in C》（现代编译原理，虎书） 《Advanced Compiler Design and Implementation》（编译器设计与实现，鲸书） 数据库《Database System Concepts》（数据库概念） 计算机网络《Computer Networks》Andrew S. Tanenbaum 计算机图形学《Fundamentals of Computer Graphics》（图形学虎书） 机器学习和深度学习《Pattern Recognition and Machine Learning》(PRML）和《Deep Learning》 by MIT Press 党哥不是拉书单，党哥给你推荐图书是非常谨慎小心的，已经砍到不能再砍，精简到不能再精简了，精简到再砍掉任何一本就会出现大问题了， 记住，这些计算机科学computer science书籍，要买全，买齐，在中国大陆就买影印版、翻译版，在美国就买二手，把这些书整整齐齐放在孩子书架上， 孩子靠兴趣驱动学习时，是跳跃的、离散的、冲动的，也许孩子感兴趣两个月看完一本书，也许两年翻不了三页，也许一本书只看零星两三章， 但是一定要给孩子买齐、买全、买完整，放在卧室书架上，吃饭看、拉屎看、无聊看、闲着看、呆着看、随机翻看、边看边敲、边看边在claude code里实现， 一定要买齐，在家里置办“党哥家庭图书馆”，孩子对知识的欲望和冲动，远比对抖音直播间大美女的冲动要强烈得多，当冲动来临的时候，一定要做好图书、知识、教材的准备，让孩子凭借一腔热血和兴趣，选择随机翻阅和学习。 当然，另一件重要的事情，就是听党哥的话，围绕北京、上海、深圳、bay area全球四大科技中心，每个月至少带孩子逛一次电子展、科技展会、技术大会、学术会议、路演日、融资大会、技术沙龙、AI线下沙龙、技术公开课、产业大会、学校技术论坛、学校学术展览，逐步建立世界观，认识技术，认识产业，认识各行各业，形成自己的价值观，并且开始接触一些各行各业的“大朋友”， 当这些大朋友给孩子一些启发的时候，孩子就会立刻回家，闷头去翻这些教材，继续去补充营养，带着白天开会时满脑子的小问号，回到自己的“党哥家庭图书馆”，去狠狠恶补自己欠缺的知识。 记住，除了买mac mini+大显示器+人体工程学座椅+订阅coding plan，除了开会，家长首先要做到的，就是买书，买书，买书，买书，买书，买书，买书，买书，买书。 如果要看视频课程，可以按照csdiy wiki上面课程去学习，可以上B站上中文平替， 先从哈佛CS50起，接下来看UC Berkeley CS61A、CS61B、CS61C，然后按照csdiy wiki上面对应的视频课程自己去学习，一般youtube有原版，B站有翻译版本。 让孩子自己自由随机去挑感兴趣的视频去跟着学。 但是一定他妈给我把这些书给孩子买齐，买全，加起来没有几千块钱，能改变你的孩子一辈子的命运，让他获得一个9位数的人生。 现在就给我去京东天猫拼多多闲鱼去下单，给我买！！！！