Justin Skycak 数学教学思想深度研究报告 Justin Skycak 数学教学思想深度研究报告 认知科学基础、Math Academy 工程实现及可操作教学框架 摘要 Justin Skycak 的数学教学思想可以概括为一套以长期记忆、前置知识和任务选择为核心的教学系统： 建立细粒度知识依赖关系，诊断学生当前状态，提供最少必要讲解，让学生立即独立解题，再通过反馈、间隔提取和混合练习维持掌握。 这套体系最有价值的部分，是把提取练习、间隔效应、明确指导、掌握学习和个性化任务选择整合到同一系统中。它特别适合数学基础知识的快速获得、自动化和长期保持。 需要谨慎对待的部分包括： 将广义“主动学习”研究直接用于证明 Math Academy 的具体教学形式； 将直觉主要归因于重复练习； 将完全个性化视为高效学习的必要条件； 将少记或不记笔记推广为普遍建议； 用课程学习效率解释竞赛数学、证明和研究能力； 用公司内部数据证明 Math Academy 整体优于高质量人工教学。 在本次检索范围内，没有找到针对 Math Academy 的独立、同行评议随机对照研究。因此，目前能够可靠支持的是它所采用的若干教学原则，尚不能据此确认整个产品方案已经达到全局最优。 研究范围与证据等级 本报告使用三类资料： Skycak 本人的文章和公开讨论； Math Academy 关于教学法、知识图谱和任务算法的官方说明； 关于提取练习、主动学习、掌握学习、智能辅导系统、发现学习等主题的独立研究和综述。 X 的历史内容无法完整索引，因此部分观点通过 Skycak 个人网站上同步发布或扩写的文章还原。Math Academy 的系统结构可以从官方资料确认，但学习速度、产品优越性等效果主张主要来自公司自身。 报告采用以下证据等级： 等级含义A多项研究、系统综述或元分析反复支持B总体有支持，但效果依赖学习阶段、内容和实施条件C工程设计合理，缺少独立产品级验证D个人判断、价值判断或超出现有证据的推广 一、Skycak 教学理论的完整结构 数学是高度层级化的知识系统 Skycak 认为，高级数学任务由大量底层事实、程序和概念组成。学生在当前内容上遇到困难，往往源于更早的前置知识没有达到稳定掌握。 Math Academy 因此使用细粒度知识图谱表示： 一个主题依赖哪些前置主题； 一道题调用了哪些底层技能； 学习高级内容时，哪些旧技能得到隐式复习； 学生当前可以学习哪些新内容。 该知识图谱主要由领域专家手工构建。官方材料曾描述约 2500 个主题，每个主题又包含若干知识点、前置关系和组成关系。它属于专家系统和学生建模路线，核心并非让大模型自行生成课程。 这一设计很适合计算、代数、函数、微积分程序等结构明确的内容。证明、建模、策略创新和数学表达较难拆成稳定、可自动观察的节点。 证据判断：B/C。 数学确实存在大量前置依赖。具体如何拆分节点、设置关系权重，仍然包含课程专家的判断。 学习的目标是形成可长期调用的知识 Skycak 把学习看成长期记忆发生稳定改变。学生在课堂上理解了一次，并不等于以后能够独立提取和使用。 他的典型教学过程是： 给出最少必要解释； 展示一个完整示例； 学生立即独立做题； 系统提供反馈； 之后在逐渐拉长的时间间隔中重新提取； 将相关题型混合，训练方法选择； 在高级内容中继续调用底层技能。 Math Academy 将“讲解后几分钟内开始解题”作为主要教学形式，并强调自动化、间隔练习和混合练习。 证据判断：A/B。 提取和间隔有很强证据。具体到“讲解应该多短”“做几题后应该离开”，需要根据内容和学习者调整。 初学者需要明确指导 Skycak 反对让缺少相关知识的学生长时间自行发现方法。他认为初学者工作记忆容量有限，开放探索会让学生同时处理过多无关信息。 因此，他支持： worked example； 细分步骤； 显式指出子目标； 提供完整的初始方法； 随着熟练程度提高逐步撤除提示。 这一判断与认知负荷理论、示例学习效应和专业知识反转效应总体一致：知识较少的学习者通常需要更多指导；已有较强知识结构的学习者会逐渐从独立问题解决中获得更多收益。 问题在于，Skycak 有时把无指导发现、有脚手架探究、问题解决后教学和高水平开放问题放在一起批评。独立研究一般区分： 缺乏指导的发现学习； 教师设计并提供反馈的引导式发现； 学生先尝试、教师随后比较和正式讲解； 专家阶段的开放探索。 后几类方法可能有效，适用阶段和目标不同。 证据判断： 初学者需要明确指导：A/B； 所有探索都低效：D。 自动化为复杂思考释放认知资源 Skycak 强调基础事实和程序应达到快速、准确调用。例如： 基本运算； 分数和比例； 代数变形； 常见函数性质； 经常使用的解题程序。 当学生每次都需要重新推导这些内容时，工作记忆会被基础操作占用，很难处理更复杂的结构。 这个判断有较强合理性。但自动化不足以单独构成深层理解。概念知识和程序知识通常相互促进：概念帮助学生选择和修改程序，程序实践也可能促进概念关系的形成。 Skycak 关于“直觉主要来自大量重复”的观点只能解释其中一部分。数学直觉还来自： 比较不同解法； 研究反例； 转换表示方式； 解释条件为什么必要； 判断方法适用范围； 在新情境中重新组织知识。 证据判断： 基础自动化的重要性：A/B； 重复能够充分产生直觉：C/D。 二、核心方法的证据核验 提取练习 Skycak 主张学生在尝试作答前不要立即看笔记或答案。只有实际从记忆中提取，才能知道自己是否真正掌握。 一项课堂情境下的系统综述筛选了近 2000 篇摘要，最终分析了 50 个实验、5374 名学习者和49个效应量；多数研究发现提取练习对学习结果有中等或较大促进作用。研究覆盖多个年龄和学科，但非西方样本仍然较少。 实施中需要区分： 先独立提取，随后看反馈：有效； 一直不允许使用资料：可能妨碍复杂任务； 提取尚未学会的知识：容易变成无效猜测； 错误后缺少纠正反馈：可能巩固错误。 证据等级：A。 间隔练习 集中做完大量同类题，通常会产生很强的短期熟练感，但长期保持较弱。将练习分散到多次学习中，通常更有利于记忆保持。 Math Academy 根据学生状态动态安排复习，并通过高级题中调用的底层技能计算隐式复习。其 FIRe 机制会将一道复杂题的练习收益分配给多个组成技能，以减少重复做简单题的需要。 需要区分两个结论： 间隔优于集中突击：研究支持较强； Math Academy 的具体 FIRe 权重和复习算法达到最优：缺少独立验证。 证据等级：一般原则 A；产品算法 C。 混合练习 传统教材常把同类题放在同一节中。学生只需执行当前章节的方法，不必判断题型。 混合练习将多种问题放在一起，要求学生先回答： 这道题应该使用什么方法？ 它特别适合训练： 区分相似问题； 方法选择； 长期保持； 防止依赖章节标题和表面格式。 初次学习一个程序时，少量连续同类练习仍有价值。较合理的顺序是： 少量集中练习 → 间隔复习 → 混合辨别。 证据等级：B。 效果依赖题型之间是否需要辨别。没有辨别需求时，混合练习未必带来明显收益。 主动学习 Skycak 经常引用 STEM 主动学习研究，支持学生实际解决问题，而非持续听讲。 这里存在定义差异。相关大型元分析中的主动学习包含课堂讨论、小组任务、测验、问题解决和高阶思考等多种活动；Skycak 将它主要落实为“简短讲解后个人独立做题”。两者存在重合，但研究不能直接证明这一种具体形式优于所有其他主动教学形式。 能够稳妥得出的结论是： 学生需要频繁作答和思考； 持续被动听讲通常效果较差； 活动形式需要与学习目标匹配； 个人练习、小组解释和教师讨论可以同时存在。 证据等级：主动参与 A；Skycak 的窄定义 B/C。 掌握学习 掌握学习要求学生达到预定标准后再进入依赖该知识的新内容。未掌握时提供额外练习、反馈和补救。 总体研究显示掌握学习通常产生正向效果，但效果高度依赖： 掌握标准如何定义； 是否有高质量纠错； 学生获得多少额外学习时间； 测试是否与训练内容高度相似； 学生能否长期坚持。 智能辅导系统的元分析也通常发现正向效果，但系统自带测试上的效果往往大于外部标准化测验，说明部分收益可能来自训练与评价的一致性。 证据等级：B。 三、Skycak 观点中证据较弱的部分 “真正的刻意练习必须完全个性化” Skycak 认为，只有系统能够根据每名学生的实时状态选择任务，才称得上严格意义上的刻意练习；普通班级很难实现这一点。 个性化确实能够减少： 重复已掌握内容； 跳过未掌握前置知识； 全班使用同一难度； 复习时机不匹配。 但“完全个性化是高效学习的必要条件”缺少充分证据。高质量班级教学也可以通过： 分层任务； 小组反馈； 低风险测验； 作业数据； 教师巡视； 周期性诊断； 实现部分个性化。 证据等级：C。 “学生通常不应该记笔记” Skycak 认为，记笔记经常变成把教师的话复制到纸上，降低实际提取和解题时间。他建议主要保留少量参考材料，把时间用于练习。 这个批评对机械抄写成立。但研究并不支持“普遍不记笔记”： 生成式笔记可以促进组织和解释； 笔记可以作为外部存储； 引导式笔记可能提高注意和学习效果； 抄写式笔记通常价值较低； 在提取测试时依赖笔记会削弱诊断价值。 更可靠的规则是： 学习时可以写结构化笔记；练习时先闭卷提取；完成后再用笔记检查和修正。 证据等级：Skycak 的普遍建议 D。 “困难问题通常浪费学习时间” 对初学者和课程基础学习而言，一小时反复尝试一道远超当前能力的问题，单位时间获得的正确反馈很少，确实可能低效。 竞赛数学、证明和研究型训练具有不同目标。它们要求训练： 在长时间没有反馈时维持问题状态； 生成和淘汰猜想； 构造反例； 切换表示； 修正证明； 忍受较低成功率； 从失败路径中提取策略。 AoPS 等竞赛教育体系会主动让学生接触超出当前常规程序的问题，并把挣扎、失败和讨论作为训练内容。 因此，需要区分： 知识获得任务：较短反馈周期通常更有效； 开放搜索任务：长时间探索本身就是训练对象。 证据等级：针对初学者 B；推广到所有数学训练 D。 四、Math Academy 产品设计分析 Math Academy 的产品结构可以分成四个部分。 专家构建的课程模型 领域专家拆分主题、编写解释、设计例题和练习，并指定前置关系。它通过人工课程设计保证内容结构和解法稳定。 优势： 可控； 可审查； 不依赖大模型临时生成； 前置关系比较明确。 风险： 图谱反映编写者的课程观； 难以覆盖所有非标准解法； 维护成本高； 证明和建模难以细粒度编码。 学生状态模型 系统综合诊断测试、练习结果、答题时间、近期错误和历史复习记录，估计学生对不同主题的掌握程度。 问题在于，系统只能根据可观察行为推断知识。答对可能来自： 真正理解； 记住模板； 猜测； 利用题目格式； 短期记忆。 因此，状态模型需要加入解释、变式和迁移任务，避免只观察标准答案。 任务选择 系统从以下任务中选择下一项： 学习新知识； 修补前置缺口； 复习即将遗忘的知识； 完成测验； 暂停当前课程并降低难度。 官方说明称测验通常会调整到大约 80% 的成功水平，并在学生连续出错时停止新内容、转入补救。 这能够控制平均学习难度，但对追求高正确率的学生可能产生长期失败感。产品需要明确告诉学生： 当前是新知识训练； 当前是熟练度检查； 当前是开放挑战； 不同任务具有不同预期正确率。 复习压缩 FIRe 机制通过复杂题中的组成技能，计算底层知识获得了多少隐式复习，从而减少单独练习简单题。 这是很有价值的工程设计，但它依赖两个假设： 成功完成复杂题确实意味着底层技能得到有效提取； 人工设定的组成关系和权重能够准确表示练习收益。 这些权重尚未看到独立验证。 五、总体证据矩阵 Skycak 或 Math Academy 的主张证据等级判断学生需要实际解题，不能长期只听讲A可靠提取练习提高长期保持A可靠间隔练习优于集中突击A可靠初学者通常受益于明确指导和完整示例A/B可靠，但应逐渐撤除指导基础技能自动化有助于复杂任务A/B可靠混合练习有利于方法辨别B依赖题型和学习阶段掌握前置知识后再推进B原理合理，实施条件重要智能系统可以改善任务分配B总体有支持，效果差异大所有学生都需要完全个性化C工程主张FIRe 是最优复习算法C缺少独立验证80% 左右是普遍最佳难度C可作起始参数，不能普遍化不记笔记更有利于学习D过度推广数学直觉主要由重复形成C/D只解释部分机制困难问题通常不值得投入时间D只适用于部分学习目标Math Academy 明显优于人工教学C尚缺独立产品级证据 六、可操作的六层数学教学框架 该框架保留 Skycak 体系中证据最强的部分，同时加入概念理解、迁移、开放问题和心理负荷控制。 课程结构层 将课程内容拆成可教学单元，并记录四类关系： 内容说明前置知识学习当前内容前必须独立掌握什么组成技能完成当前任务时实际调用什么相似概念学生容易混淆哪些方法或定义迁移方向当前知识以后会用于哪些复杂问题 单元不宜只用“章节”表示。较合理的粒度是学生能够在一次或数次学习中形成初步掌握的技能或概念。 例如“一元二次方程”可以拆成： 整式运算； 提取公因式； 乘法公式； 因式分解； 零乘积性质； 配方法； 判别式； 方法选择。 状态诊断层 每个单元使用五级掌握状态： 状态可观察标准M0 未知无法完成，或尚未接触M1 辅助完成在示例、提示或笔记帮助下完成M2 即时独立学习后能够独立完成同结构题M3 延迟稳定数天后在混合题中仍能独立完成M4 迁移掌握能解释、比较方法并解决新变式 推进规则： 新课程的必要前置知识至少达到 M2； 高度依赖的核心前置知识应接近 M3； 只达到 M2 的内容必须进入后续复习； 证明、建模和竞赛内容需要观察 M4。 这样可以防止系统把一次答对直接视为完全掌握。 新知识获得层 一次新知识学习使用以下过程： 用一至两个问题检测前置知识； 给出目标、条件和方法； 展示一个完整示例； 学生复述关键判断； 学生独立完成三至五个变式； 错误后先定位错误类型，再提供提示； 达到初步稳定后停止连续同类练习。 讲解时间没有统一上限。判断标准是学生是否获得完成第一次独立尝试所需要的信息。 反馈顺序建议： 指出结果是否正确 → 标出错误位置 → 提供局部提示 → 展示完整解法。 不要在第一次错误后立即给完整答案。 长期保持层 可以先使用一个简单的复习时间表： 当天 → 1天后 → 3天后 → 7天后 → 21天后 → 60天后 根据表现调整： 独立正确且速度稳定：拉长间隔； 正确但明显犹豫：保持当前间隔； 依赖提示：缩短间隔； 完全忘记：返回简短讲解和即时练习。 复习题应逐渐从同类题转向混合题。复习时先闭卷尝试，再使用资料。 高级题已经充分调用某项底层技能时，可以减少单独复习，但不应完全取消延迟抽查。 概念与迁移层 每个核心主题至少配置四类非标准任务： 任务目的方法比较判断不同方法的条件、成本和优点错误分析找出错误推理发生的位置反例任务判断结论缺少什么条件新情境变式检查是否能够迁移 例如学习一元二次方程后，不只要求求解，还可以要求： 判断因式分解、配方和公式法分别适合什么情况； 分析“方程两边同时开平方”的错误； 构造一个有两个整数根的方程； 根据根的性质反向确定参数； 解释判别式为什么能够决定实根数量。 难度与心理负荷层 将任务明确分为三种类别，避免学生把所有错误都理解为学习失败。 类别目标建议首次正确率巩固任务验证稳定掌握85%—100%学习任务获得新知识70%—85%挑战任务训练搜索和迁移20%—60% 这些比例只是起始参数。 连续出现以下情况时应降低难度或修复前置知识： 两到三次独立尝试都无法开始； 错误集中在同一底层步骤； 学生只能模仿示例表面形式； 学生无法说明当前使用的方法； 学习任务长期低于约 60%。 连续两次学习中正确率很高、速度稳定且不依赖提示时，应减少重复并加速推进。 七、建议的任务时间结构 普通数学学习：60分钟 时间内容5分钟闭卷提取近期旧知识10分钟新知识讲解和示例20分钟独立变式练习和反馈10分钟间隔混合复习12分钟方法比较、解释或迁移题3分钟记录错误与下次任务 时间比例可根据课程阶段调整。新内容较多时增加获得阶段；复习期增加混合练习。 算法竞赛或高水平数学：90分钟 时间内容10分钟基础知识和模板提取20分钟新算法、定理或典型结构20分钟标准变式练习30分钟非标准问题的独立搜索10分钟反例、证明或失败路径复盘 竞赛训练中，开放问题时间不能被自适应基础练习完全取代。 建议的总体任务比例： 课程基础阶段：获得与巩固 70%，迁移与挑战 30%； 竞赛初期：获得与巩固 60%，迁移与挑战 40%； 高水平竞赛阶段：获得与巩固 30%—40%，迁移与挑战 60%—70%。 八、教学数据指标 系统不应只记录总正确率。建议跟踪以下指标： 指标计算内容用途延迟保持率学习数天或数周后的独立正确率判断是否真正保持提示依赖率使用提示或资料的题目比例区分独立掌握和辅助完成新知识掌握速度每小时从 M0/M1 达到 M3 的单元数判断学习效率迁移成功率未见过变式中的正确率防止只记模板错误恢复时间从首次错误到独立正确需要多久判断反馈质量方法辨别率混合题中选择正确方法的比例判断是否会识别题型主观负荷学生对难度、疲劳和挫败的简短评分防止长期过载 正确率只能与任务类别结合解释。挑战题正确率低，不应降低学生的“掌握度”评价。 九、四周试运行方案 准备阶段 选择一个范围有限的单元，拆分约 30—80 个知识节点。为每个节点准备： 两至三道诊断题； 一个简短解释； 一个完整示例； 三至五道即时变式； 两道延迟复习题； 一道迁移或错误分析题。 第一周 完成诊断并建立初始掌握状态。记录： 当前正确率； 作答时间； 提示使用； 学生主观难度； 前置知识缺口。 第二至第三周 运行完整流程： 诊断 → 新知识 → 即时练习 → 混合复习 → 迁移任务。 每周根据错误数据修正： 节点粒度； 前置关系； 提示内容； 题目难度； 复习间隔。 第四周 进行三类评价： 无提示延迟测验； 与训练题表面不同的迁移题； 学生对压力、进步感和控制感的反馈。 判断框架是否有效时，应同时观察： 掌握速度是否提高； 延迟保持是否提高； 迁移能力是否下降； 学生是否长期感到挫败； 教师准备和维护成本是否可接受。 十、结论 Skycak 的体系可以作为数学教学中的高效率知识获得系统。它最适合解决： 学生前置知识差异； 固定班级进度； 基础技能不稳定； 复习时机不合理； 优秀学生重复等待； 教师无法持续追踪大量细粒度技能。 它不能独立代表完整数学教育。完整方案仍需保留： 数学解释和书面表达； 概念之间的联系； 证明与反例； 建模； 开放问题； 长时间问题搜索； 同伴讨论； 学习动机和自主性。 实际采用时，可以把 Math Academy 的思想用于知识获得、熟练化和长期保持，再用独立的迁移与挑战任务训练证明、竞赛和研究能力。这样能够保留其认知科学优势，同时避免把数学能力缩减成标准题目的正确率。

贝壳去年第四季度净利润暴跌84.6%，市值一年蒸发四千八百多个亿，链家的经纪人数量同比少了将近两成。同一份财报周期里，这家公司创始人留下的班底，CEO的薪酬从几百万涨到了四个亿，联合创始人的薪酬也翻了几十倍冲到三个亿。裁员潮里被优化掉的经纪人，有人转身去卖墓地，卖了三个月一单没开，有人学着拍短视频找客户，流量寥寥无几还老因为涉嫌营销被平台判违规。这才是眼下平台经济存量博弈最真实的画面，不是所有人一起变穷，是大部分人一起变穷，顶端极少数人反而更富。 社会零售这块的数字最能说明问题。今年一二月份还有百分之二点八的同比增长，到五月份直接转成了负增长，上半年整体只有百分之一点三，CPI一直卡在百分之一上下都上不去，全国城镇调查失业率也一直卡在百分之五点三附近，不算恶化，但也看不出改善的迹象。国家统计局逐月公布的原始数字自己就在往下走，存量时代这四个字，今年是真的从概念变成了体感。 房产和二手车这两个赛道，死相最清楚。房产这边不用多说，贝壳作为行业里活得最好的那一个尚且如此，银行现在都下场直接卖法拍房，三十天就能成交，比中介流程快得多，这条路一旦跑通，中介这门生意的根基还剩多少不好说。二手车这边死得更早也更彻底，当年瓜子、优信、人人车三家打得头破血流，瓜子请孙红雷，人人车请黄渤，优信更夸张，直接把奥斯卡影帝莱昂纳多请来做全球代言人，这阵仗放到现在看都觉得离谱，三家烧的钱按十亿美元级别算，可十年过去，二手车这个大宗低频的生意，线上信息撮合始终替代不了线下交付这个环节，最后几家真正赚钱的路子是车贷，卖车本身反而成了引流的由头，跟它们当年想颠覆的中间商没什么两样，热闹劲儿早在这几年悄悄散了。 机票旅馆这块，情况比表面看起来更微妙。官方口径一直说文旅市场稳中有进，可今年五一假期的数据已经露出苗头，民航客流量同比下降了百分之五点二，航班量也在减少，票价反而涨了将近一成，一边是人少了，一边是价格没降，这种组合本身就是压力信号。更值得留意的是几家OTA的投诉量，今年以来同程、去哪儿、飞猪在黑猫投诉平台上分别超过十万、二十一万、九万条，大头都是默认勾选的增值服务和会员定价这类猫腻。平台越在这些地方抠细节，越说明主营业务的自然增长已经撑不住报表了，这行现在还没死，是在拿用户体验换报表好看，这个换法撑不了太久。 外卖和即时零售这条线，不该算进中厂灭亡的名单里，这是完全不同的逻辑。这两年美团、阿里、京东三家在这条赛道上合计烧了一千五百个亿，把日均订单量从八九千万单硬生生推到两亿单以上，美团一度由盈转亏，京东新业务板块一年亏掉四百六十多亿，阿里的销售费用半年从六百多亿冲到近一千二百亿。这场仗打到监管都看不下去，六月份市场监管总局出了专门的补贴行为规范，才把这场厮杀摁下去一些。抖音这半年也没闲着，生活服务这块2025年支付GMV冲到八千五百个亿，同比涨了近六成，今年二月还专门上线了一个独立的团购App抖省省，这已经是第四个巨头下场。巨头们是为了一块还在增长的蛋糕互相往死里砸钱，不是在存量里等死，商务部估计即时零售今年规模就能破万亿，谁都舍不得先退场。 贝壳这半年财报电话会上，管理层反复提AI是新的生产要素，说AI已经直接参与收房定价、库存调度这些核心决策了。这话听着挺提气，换个角度想，今天贝壳拿AI当自救工具，明天这套AI逻辑一旦被搬到用户那头，变成一个直接帮用户找房、谈价格的agent，贝壳这个中间层本身还剩多少存在的必要，也是个问题。真正该往前看的，是高盛年初那份报告里的一个判断，说2026年的关键之战是AI超级入口的争夺，谁能把agent嵌进操作系统、社交软件、支付场景里，谁就能在用户还没想清楚要订机票还是点外卖之前，直接替他把事情办了。报告里还提到一点挺扎心的，说抖音是个天然的时间容器，用户划着划着还没想清楚自己要干嘛的时候，它就能主动跳出来问一句要不要帮你订张机票，这种打法根本不需要用户先有明确意图，是提前截胡。抖音去年的利润已经甩开腾讯和阿里一大截，这场仗到最后拼的是谁家现金流最厚，耗得起。不管你是死于存量厮杀还是活在巨头混战里，只要有一天用户不再需要打开你这个App，直接跟一个agent说一句"帮我订张去成都的票"，中间这些垂类平台存在的理由，会比现在任何一种死法都更釜底抽薪。 我在阿里那几年，见过太多业务被自己人从内部革掉命的场面，这半年看着房产中介和二手车这两个赛道走到今天，多少有点似曾相识。中央经济工作会议今年也专门提了要让平台企业和平台内的经营者、劳动者共赢发展，说明白点，官方也看到了贝壳这种赢家通吃、赢家更赢的苗头，只是这话说起来容易，平台自己有没有动力真让利，是另一回事。存量博弈这个词听着冷酷，可它至少还承认牌桌上的玩家继续玩下去，agent入口这件事一旦真的成了气候，可能连牌桌本身还在不在都不好说。

川普回国，中美谈了什么？个人看这次“川普访华”的最大成果是双方各自把它包装成自己想要的叙事——北京强调“中美建设性战略稳定关系”和台湾红线；华盛顿强调伊朗、霍尔木兹海峡、贸易订单、市场准入和美国企业利益。 1、中国方面表态 1）习近平会谈主线：把2026年定义为中美关系“历史性、标志性年份” 习近平在人民大会堂同川普会谈时，开场不是直接谈订单，而是先提出大国关系框架：中美能否跨越“修昔底德陷阱”、能否开创大国关系新范式、能否为世界注入稳定性。中方把这次会谈提升到“历史之问、世界之问、人民之问”的高度。 中方最重要的定调是：双方赞同将“中美建设性战略稳定关系”作为中美关系新定位。习近平进一步解释，这种“建设性战略稳定”包括四层含义： 合作为主的积极稳定、 竞争有度的良性稳定、 分歧可控的常态稳定、 和平可期的持久稳定。 这套表述的实际含义是：北京希望把中美关系从“竞争—对抗—管控危机”的框架，推回到一个更可预测、更制度化、更少突发冲突的轨道上。中方并不否认竞争，但强调竞争必须“有度”，分歧必须“可控”。 2）经贸：中方说“总体平衡积极”，但没有给出完整清单 新华社通稿称，习近平指出中美经贸关系本质是互利共赢，面对分歧和摩擦，平等协商是唯一正确选择，并提到“两国经贸团队达成了总体平衡积极的成果”。但中方没有在主通稿中列出具体采购金额、订单清单或执行时间表。 至于说媒体报道美国放开10家中国科技企业可以购买英伟达h200，但是中国官方对此依然冷处理，其实年初美国就有放开，但是中国指示企业“非必要不购买” 在外交部例行记者会上，《纽约时报》记者追问中美是否就美国牛肉出口达成采购协议，外交部发言人郭嘉昆没有直接确认具体牛肉协议，只回应说习近平已指出双方要拓展经贸、农业等领域交流合作。 这说明：中方愿意确认“经贸合作方向”，但对美方喜欢公布的大订单、具体采购数字保持谨慎。 3） 台湾：中方最强硬、最明确的段落 新华社通稿中，台湾是中方最直接的红线表述。习近平强调，台湾问题是中美关系中最重要的问题；处理好了，两国关系总体稳定；处理不好，两国就会“碰撞甚至冲突”，把整个中美关系推向危险境地。中方还强调“台独”与台海和平水火不容，要求美方慎之又慎处理台湾问题。 外交部记者会上，路透社记者追问这是否是在警告可能爆发战争，郭嘉昆基本重复了习近平的表述，强调台湾问题处理不好会导致碰撞甚至冲突，并说中方反对美国对台军售的立场一贯明确。 这部分是中方过去24小时中最硬的官方表态，也是外媒报道中最容易被放大的部分。 4） 伊朗与霍尔木兹海峡：中方低调，美方高调 外交部记者会上，沙特东方电视台和《纽约时报》问及中美元首是否讨论中东局势、伊朗局势和霍尔木兹海峡重开问题。郭嘉昆只说两国元首就中东局势等重大国际和地区问题交换意见，并表示中方关于霍尔木兹海峡问题的立场“一贯、明确”，没有像美方那样公布“双方同意海峡必须保持开放”的细节。 所以这里出现一个明显落差：华盛顿想把伊朗/Hormuz包装成会谈成果，北京只承认讨论了中东局势，但不愿把自己描绘成配合美国施压伊朗。 2、美国方面表态 1 ）川普：全程强调“关系好、交易好、访问成功” 川普在会晤中称自己和习近平建立了“历史上美中元首之间最长久和最良好的关系”，并表示希望开启“有史以来最好的美中关系”。 5月15日中南海小范围会晤的时候川普还说到，此次访华“非常成功”“举世瞩目”“令人难忘”，双方形成一系列重要共识，达成多项协议，解决了不少问题，并表示期待在华盛顿接待习近平。 川普社交媒体：把“美国衰落”话题转成国内政治叙事 昨天川普在Truth Social发文称，希望美中关系“比以往任何时候都更加牢固”。他还回应了习近平关于美国可能衰落的委婉说法，把责任归给拜登政府，并称现在美国是“世界上最炙手可热的国家”。典型的川普风格：他把外交场合里的大国叙事，迅速转化为国内政治叙事——“拜登让美国衰落，我让美国回来了”。 2） 贝森特：经贸、能源、AI都是重点 贝森特在峰会前与中国副总理何立峰在韩国会面，讨论美中经济和贸易关系；他还说此行是为了推进特朗普的“America First Economic Agenda”。 贝森特在采访中表示，他相信中国会“尽其所能”帮助重开霍尔木兹海峡，因为这非常符合中国利益。华盛顿邮报还报道，贝森特称中美这两个“AI超级大国”将开始讨论大语言模型等AI相关事项，尤其是防止非国家行为体获得相关模型。 这意味着贝森特的角色不是单纯财政部长，而是把能源安全、贸易安排、AI规则、对华投资与供应链打包成“经济安全”。 3）卢比奥：台湾政策不变，对中国武力统一发警告 卢比奥的公开表态主要集中在台湾与中美竞争管理。路透社报道，卢比奥表示美国对台湾政策“截至今天没有变化”，并称中国总会提出台湾问题，美国也会表明自身立场。卢比奥还对NBC表示，如果中国试图以武力解决台湾问题，将是“terrible mistake”，并会产生全球性后果。 另一方面，卢比奥在接受采访时也承认，大国各自优先自身利益；存在利益一致的领域就合作，存在冲突时就靠外交处理，领导人个人关系很关键。 个人角度，我们去仔细梳理中美在川普访华表态内容，就会发现一个差异： 北京提中美关系新定位与台湾，白宫强调伊朗问题共识。 中方通稿重点聚焦经贸与台湾，没有提到伊朗具体讨论；白宫新闻简报则重点放在经贸与伊朗问题，台湾只字未提。 这也是昨天这里 后续要看中美双方通稿在霍尔木兹海峡的表述是否完全重合，这个很关键。 现在看果然双方在这方面表态的差异很大 3、川普这次访华的意义在于何处？ 这次访华不是“中美关系大转向”，而是一次高规格的“止跌会议”。成果有，但不是结构性和解；意义大，但更像是给未来三年的中美竞争装上护栏。 北京拿到了“战略稳定”的政治框架，华盛顿拿到了“交易成果”和伊朗议题上的合作姿态；但台湾、科技战、产业竞争三个根问题没有解决。 中美关系重新从“危机管理”回到“框架管理”。 之前几年，中美关系经常是出事之后灭火：台湾、芯片、制裁、关税、军事摩擦、芬太尼、南海、俄乌、中东。现在双方至少在元首层面同意： 不能让竞争无限升级，必须把冲突放进一个可控框架里。 1) 双方都得到了什么 中国得到了是政治框架和大国平等叙事，中国希望美国承认，中国不是一个被美国单方面管理的对象，而是一个必须被平等对待的战略对手/战略伙伴。 美方公开口径更重视经贸、市场准入、美国企业、中国投资、芬太尼前体、美国农产品采购、伊朗和霍尔木兹海峡。美国国务院中文会谈纪要提到，双方讨论扩大美国企业进入中国市场、增加中国对美投资、增加中国购买美国农产品，并讨论芬太尼前体问题。美国贸易代表Greer称，美方预计中国未来三年每年购买“双位数十亿美元”的美国农产品，其中大豆仍是核心品类。 这对川普很重要，因为他需要向美国国内证明：我是来替美国农民、制造商、能源企业和大公司拿订单的。 2）最大成果：双方都承认“不能摊牌” 这次访华真正有价值的地方，是双方都释放了一个信号：中美现在都不想把关系推到摊牌状态。 中国现在需要稳定外部环境。经济修复、外资信心、科技产业升级、周边安全，都要求中美关系不能持续剧烈恶化。 美国也需要稳定。特朗普面对的是伊朗危机、能源价格、通胀压力、美国农民利益、企业对中国市场的依赖，以及中期选举前的政治压力 所以这不是一场单纯的中美峰会，而是一次中美共同管理全球风险的会议。 换句话说：中美竞争还在，但双方都发现，世界太乱的时候，中美完全撕破脸对双方都不划算。 也意味着中美从“全面对抗”转向“有交易、有护栏的竞争” 这次访问之后，中美关系大概率进入一个新阶段：不是和解，也不是脱钩，而是“有护栏的竞争”。 4、再多说几点： 1）元首外交重新成为中美关系的主轴，川普多次强调； 2）美国对华政策变得更“可交易化”， 拜登时期的对华政策更强调联盟、价值观、科技管制和产业安全。 川普这次明显更强调交易：农产品、波音、能源、市场准入、投资、企业利益。 3）中国在国际格局中的“议价能力”提高 这次美国把伊朗、霍尔木兹海峡、能源安全放进中美元首会谈，说明华盛顿承认中国在中东能源、伊朗关系和全球供应链中有实际影响力。 4）科技战没有缓和，反而可能变成长期主战场 对美国来说，中国可以买农业、飞机、能源，这些都没维内托。但最高端芯片、AI算力、半导体设备仍然口风很紧。 5、那么最重要的对市场的影响呢 宏观风险溢价下降，中美至少暂时避免了关系陡然恶化。但说实话整体上交易部分并没有超出市场预期太多，特别是市场最关心的伊朗问题，在中国的官方表态里被冷处理：“有聊过”。 看后续双方还有没有更进一步的声明公布，或者关于达成事项协议具体条款公布。 其实也是去年这里 再是再一次强化了G2的格局，

最近在看预测市场的数据，顺手把 @opinionlabsxyz 拉出来重新对了一遍，有点出乎意料 这一周的周度名义成交量榜单里，Opinion 已经干到第一，超过了 Polymarket 和 Kalshi 要知道 PM 最近的量已经回到了大选时期了😱 从这个角度可以看出 OP 有多屌了 @ForrestOLAB 一个比较直观的点是，Opinion 在所有 Dapp 的 7 日成交量里已经排到第 14 再结合 TVL 和未平仓量的走势看，整体呈线性成长，这种增长蛮健康的，就怕那种突然一根柱子上来的老鼠仓😂 资金层面的数据，TVL 在拉升之后，没有快速回落，目前停留在一个相对集中的区间 未平仓资金同样如此，说明参与者在事件尚未结算前，并不急着撤出 这类表现，通常意味着参与行为是反复发生的，侧面反应了产品的粘性非常强 另外一个容易被忽略的点是安全投入 在成交量已经明显放大的情况下，Opinion 已经完成了 3 次独立安全审计，目前第 4 次仍在进行中 对于一个刚上线不久的产品来说，这种做法至少说明项目方在扩张过程中没有把风险放到次要位置 从产品设计看，Opinion 与 @PolymarketTrade 的分歧点其实很清晰 前者允许任何人创建预测事件，这让平台的主题分布变得非常分散 结果就是，用户不必集中在少数几个热门事件里竞争，而是可以各自参与熟悉的领域 这点在数据里已经有所体现： 事件数量增加的同时，单个事件的参与密度并没有被稀释，反而带动了整体交易次数的提升 综合这些信息来看，Opinion 现在更像是刚刚完成冷启动，开始进入一个由用户行为本身支撑的平台阶段 后续真正值得观察的，是这种使用频率能否在没有额外刺激的情况下继续维持

这段时间体验 @clawchatglobal Beta，我最明显的感受不是功能有多复杂，而是它正在慢慢做出一个早期社区该有的状态。 很多链上社交产品，第一眼看起来都很宏大： 去中心化社交、链上身份、内容所有权、隐私通信 但真正用起来，经常卡在一个问题：用户每天为什么要回来？ ClawChat 现在给出的答案比较直接。 一边是 BTC 原生社交体验。 钱包直接进入，不用邮箱手机号，主流钱包支持也越来越顺，OKX、Unisat、Binance Wallet、Catena Wallet 都能连。 聊天、Meow、互动、打赏这些行为，都围绕链上环境展开。 另一边是 EXP 系统，把早期参与变成了可累积的行为记录。 签到有反馈 发内容有反馈 聊天互动有反馈 提 Bug 和优化建议也有反馈 这点对 Beta 阶段很关键，因为早期产品不怕不完美，怕的是用户参与了半天，最后什么痕迹都没有。 现在 ClawChat 的排行榜和 EXP 机制，至少让用户知道自己每天的参与不是白做。 更关键的是，社区氛围没有被任务感完全带跑。 Beta Lab 里还是能看到很多真实讨论，有人反馈体验，有人聊 BTC 生态，有人分享新玩法。 Meow 里也会刷到一些认真写的东西，不是纯粹为了刷分。这说明它现在不仅在做产品功能，也在养社区习惯。 我个人比较看重团队迭代这一点 用户反馈的小问题，后面版本里能看到调整，这种反应速度比空喊路线图更有说服力。 BTC 生态过去更强的是资产和交易，弱的是社交关系和内容沉淀。 如果 @clawchatglobal @op_catlayer @OPCATLayerCN 能继续把加密聊天、链上打赏、EXP 激励、社区工具这些东西打通，它后面不只是一个聊天入口，更可能成为 BTC 生态里的社交活动层。 ClawChat 现在最让我舒服的地方，是它不像一个冷冰冰的链上工具，更像一个正在成型的小社区。 当然还是 Beta，细节肯定还要继续磨，但如果 BTC 生态后面真的需要自己的社交入口。 但作为早期参与者，我会继续用，也会继续观察它怎么把这批用户真正留下来。

让 AI 帮你炒币这件事，大多数项目在画饼，@Velvet_Capital 已经把后厨建好了 我在去年底第一次试用 Velvet 的 AI Copilot，当时心里想的是：又一个套壳 ChatGPT 喊单工具，输入框里打一句「帮我分析一下这个币」，后端调个 OpenAI API，回来一段模棱两可的话。这种东西市面上已经泛滥了。 几个月后再看，我错得离谱。 Velvet 真正的底牌不是那个聊天界面，是它从底层自研的一整套加密原生 AI 栈。最核心的是 Velvet-1，一个专为链上数据训练的模型。传统大语言模型理解区块链数据的方式本质上是读文本，白皮书、社媒、新闻，但链上的真实信号藏在交易图、钱包关联、跨链资金流这些结构化数据里，纯文本模型看不到也看不懂。Velvet-1 的切入点是链上数据图推理，绕开了通用 LLM 的盲区，直接对钱包行为、代币流动、做市商模式做建模。 基于这个模型，Velvet 搭了一套多智能体系统叫 Velvet Unicorn。它不是「一个 AI」，是一套路由加专家智能体的架构。用户发一条自然语言指令，路由智能体先判断意图，再分发给对应的专家：代币分析、钱包分析、Swap 执行、Trending 监控、Hyperliquid 合约操作，各干各的专业活。这个设计的价值在于可扩展，每加一条新链、一个新协议类型，只需要加一个专家智能体，不需要动整体架构。 对普通用户来说最直观的体验有两层。第一层是信息获取效率。在 VelvetX 里问一句「这个新币有没有风险」，AI 会在几秒内跑完代币分析加钱包分析，告诉你合约有没有坑、前十持币地址有没有可疑行为、LP 有没有锁。以前这些信息需要手动翻五六个网站加三个 TG 群，现在一句话搞定。第二层是执行效率。在你做决策的同一界面就能直接交易，跨链 Swap 甚至不需要操心 Gas 费，Velvet 替你付了。 开发者侧还有个容易被忽视的东西叫 Prompt-to-Strategy，自然语言描述策略直接部署到链上。目前还是早期阶段，但这条路径一旦跑通，DeFi 策略的创作门槛会被大幅拉低。 1300 万个智能钱包和 KOL 数据索引、7 条链加 40 多个 Launchpad 聚合、自研加密模型，这三层堆在一起才构成 Velvet 真正的护城河。社交层的 KOL 追踪和 Copy Trade 是表层，DeFi 层的跨链现货加永续合约是中间层，AI 层的模型加智能体架构是底层。表层拉用户，中间层做执行，底层建壁垒，三层一起转才能把 DeFAI 从概念变成产品。 七次独立审计加零订阅费加最高 100% Cashback 的商业模式，说明团队在安全和经济模型上都算过账。一个收了七家审计费还没收用户一分钱订阅费的产品，至少不是急着割韭菜的样子。 当然，DeFAI 这个赛道还在非常早期的阶段。AI 理解链上数据的准确率、多智能体架构的稳定性、Prompt-to-Strategy 的安全边界，这些都需要时间来验证。 但 Velvet 至少把一个真正的加密 AI 交易系统做出了雏形，在大多数项目还在 PPT 上画「AI 驱动」四个字的时候，它已经开源了一套自研模型加多智能体框架。这件事本身就值得认真关注。

美光财报前，把存储这个赛道重新捋一遍 下周三美光发财报，我想趁这个时间点把存储这个赛道完整讲清楚一次。 这不是一篇短期押财报涨跌的文章，是要说清楚为什么存储正在从传统周期股，变成AI产业链里最确定、最早兑现利润的核心瓶颈之一。 随着AI训练、推理和Agent持续放量，瓶颈正在从单颗芯片扩散到整个Memory Hierarchy。HBM决定GPU性能上限，服务器DRAM决定推理和Agent吞吐，eSSD则支撑数据、KV Cache、向量检索和企业级AI应用。所以存储不是单纯跟着AI炒一波，是在AI基础设施里承担越来越核心的系统角色。 先分析下为什么市场对这个赛道这么乐观，但要把预期和事实分开看 瑞银6月中旬发了一份半导体报告，分析师Nicolas Gaudois给出的预期，应该是当下市场上比较乐观的一种情景假设。瑞银的乐观假设是2026年全球半导体营收1.62万亿美元，同比增长118%，存储板块单独到9610亿美元。2027年全球半导体营收预计到2.38万亿美元，存储板块到1.638万亿美元。 这是一种情景，不是确定的结果。Gartner的预期相对保守一些，2026年半导体总营收1.32万亿美元，存储板块6300亿美元。两份报告的数字差异不小，但方向上有一个共识：存储在半导体总营收里的占比正在快速提高，不管按哪份预测，2026年存储都可能吃到总营收的一半左右，2027年这个比例还会继续抬升。 瑞银报告里有一个判断值得参考：AI智能体正在把半导体需求从GPU、HBM单点繁荣，扩散到CPU、DRAM、NAND、网络芯片、电源管理、设备和先进封装的全产业链。这是一个方向性的判断，至于具体数字能不能兑现，还要看后面几个季度的实际财报。 目前最重要的证据是价格和合同 DRAM、服务器内存、NAND价格都在持续上涨；HBM产能被提前锁定；下游客户开始从现货采购，转向多年长约和预付款。这意味着存储行业过去完全依赖现货价格波动的商业模式，正在被AI需求重新塑形。 具体的数字：DRAM合约价环比上涨55%到60%，服务器DRAM涨幅超60%，NAND环比上涨33%到38%。下游客户的需求只能被满足不到一半，龙头厂商的库存仅够维持约两周，正常情况下应该有数月库存。这些是已经在发生的价格行为，不是预测。 但这不代表存储从此没有周期了 更严谨的说法是：AI正在弱化存储行业过去那种剧烈的周期波动，并提高龙头厂商未来收入和利润的可见性，不是让周期彻底消失。真正需要跟踪的是这轮AI需求能否长期跑得比供给扩张更快。 算力需求仍在高速增长，目前看不到明显放缓的信号。 随着AI逐渐成为日常生活和企业软件的一部分，训练、推理以及Agent都会持续消耗更多算力。而算力扩张的背后，不只是GPU，更需要存储和连接同步升级。HBM、DRAM和eSSD，正在成为AI基础设施里最确定的受益方向之一。 供给端也不是短期能解决的问题，这是存储这个赛道最容易被低估的地方 供给端也不是短期能解决的问题，这是存储这个赛道最容易被低估的地方。 很多人觉得，只要厂商决定扩产，短缺很快就会缓解。但DRAM和HBM不是多买几台设备就能完成扩产，它是一个典型的重资产行业。从新Fab建设、设备安装、工艺验证，到良率爬坡和产能释放，往往需要数年时间。以美光爱达荷州的新工厂为例，从正式动工到预计产出第一批晶圆，整个周期接近5年。而开始生产也不代表马上满产，存储工厂从First Wafer到接近设计产能，通常还需要经历较长时间的产能和良率爬坡。更大的项目甚至是在建一座围绕半导体产业的新城市。电网、变电站、输电线路、供水系统、环保审批、人才培养体系，这些都需要提前建设。美国一些大型存储园区，仅仅高压输电线路的审批就可能花费数年时间。 所以很多人看到的是今天宣布1000亿美元扩产。但真正要看的是：这些钱什么时候才能变成HBM、DRAM和NAND？答案是几年以后。换句话说，今天宣布的扩产计划，并不会在明天变成市场供给。而AI的需求，却是现在就已经发生的。 HBM被提前锁单，服务器DRAM持续涨价，AI服务器和推理集群还在不断扩张。需求今天就在增长，价格今天就在上涨，利润今天就在兑现，而供给却需要几年时间才能慢慢追上。 这就是存储这个赛道最核心的不对称性：需求端跑的是百米冲刺，供给端跑的是马拉松。 这种供需错配，不一定会永久持续。但至少目前来看，在HBM和高端DRAM领域，新增供给释放的节奏，短期内仍可能慢于AI需求增长。 这也是为什么我认为存储是未来几年AI产业链里，最确定、也最值得长期关注的方向之一。 这也是为什么我把存储放在AI产业链第一优先级 它不像CPO那样还要等大规模验证，也不像Physical AI那样还处在预期阶段。存储是少数已经同时满足三个条件的赛道：需求真实，价格真实，利润真实。 估值这块要把周期股这个标签拿掉，但也不能完全说没风险 存储传统上被市场当成周期股看待，但顶尖HBM厂商的毛利率和赚钱能力，已经和英伟达比较接近了。SK海力士现在的远期市盈率只有十几倍，而英伟达在巨额体量下远期市盈率已经被市场拉低到20倍出头。这个对比说明存储股的估值有修复空间，但这是一个估值假设，最终能不能兑现要看接下来几个季度的实际盈利能否维持这个增速。 美光这边，目前市值已经接近1.3万亿美元。从HBM全球市占率看，海力士高达80%，美光只占20%左右，单纯比性价比海力士确实更划算。但美光有美国本土高端HBM制造商的政治溢价，加上美股交易享有更充足的流动性溢价。 需要正视的一点是：美光股价已经刷新历史新高，前瞻市盈率只有10倍左右，看起来很便宜。但周期股的特点是利润最高峰的时候PE最低，这个10倍PE是否真的便宜，完全取决于AI带来的内存需求是不是结构性改变。这是一个需要持续验证的判断。 美光这次财报，真正重要的是要看三个问题 第一，HBM和高端DRAM需求是否继续超预期。 第二，毛利率和下一季度指引是否证明价格上涨仍在持续。 第三，管理层对CapEx的表述，是不是暗示未来两三年供给会更快追上需求。 公司官方此前给出的指引是营收335亿美元、毛利率约81%、EPS19.15美元，华尔街预期EPS能到20.25美元。考虑到美光上季度大幅超越自身指引，这次财报继续超预期的概率不低，但具体能超多少、管理层对下一季度怎么定调，才是真正决定股价方向的关键。 短期财报后怎么看 存储股经常出现财报很好但股价Sell News的情况，尤其在股价已经提前上涨之后。上次财报3月18日，数据虽然炸裂，但因为管理层宣布上调资本开支，导致股价次日大跌4%，一周内回撤16%到20%。但三个月后股价又翻了一倍多。SNDK财报后利好出尽，然后过两天又涨回去了。 如果财报后因为情绪或短期资金兑现而回调，只要价格、长约、毛利率和指引没有变坏，这就是一个非常好的加仓机会，把握住机会。 我的核心判断：存储仍然有周期，但这一次AI正在把周期拉长、把波动压平、把龙头公司的收入可见性显著提高。如果AI基础设施继续扩张，未来两年最确定的利润池，依然很可能在HBM、DRAM和eSSD这里。

一位被失踪的教会执事   贾学伟，成都秋雨圣约教会副执事。 他曾任中新社记者，外派欧洲工作，也曾担任作家并出版过书籍。因当时女友从北京来到成都，他随女友来到成都，并委身于成都秋雨圣约教会。 不久后，发生了震惊世界的秋雨2018年1209教案。当时接近一千人的教会被中国政府强制解散，会堂被强占，所有教会物品被没收，教会牧师全家被捕，住所被换锁查封，其他核心同工均被抓捕，其他教会会友一百多人被关押至所谓“法制教育中心”。这次教案至今已七年有余，教会牧师王怡还在监狱服刑，他的妻子蒋蓉仍长期被软禁，外界无法得知她的具体情况，也无法与她取得联系。 贾学伟当时目睹了教案发生的全过程。初来教会时，大多数人不认识他，但很快大家通过他的文章认识了他。他凭借写作才华和多年记者经验，记录了教案发生的经过，这些文章后来被收录在《沉默如雪崩而来》一书中（网上可搜索到这本书的电子书）。 在教案发生后，教会许多人被逼迁，连夫妇均是盲人的教会会友也不放过，他见此情此景，便主动在教会中帮助弟兄姊妹搬家、探访有需要的人，将自己力所能及的帮助提供给教会成员。这些行为使他从当局之前未关注的人，变成当局极为不满的对象。当局开始逼迫他的房东解除租房合同，停水、停电、停气，并堵锁眼，他无家可归，有时夜宿书店、快餐店，甚至只因有租房的教会会友仅提供卫生间供他洗澡而被株连搬家。在他几次租房均遭此对待后，他被迫成为流浪者，将家中物品寄放在教会弟兄姊妹家，只携带几件换洗衣物，住在价格低廉的青年旅社中。住旅社需要登记身份证，通常不久后警察就会找到他，要求旅社店主赶他走，他只能换另一家旅社，这种生活持续至少一年以上。 即便如此，他仍对教会弟兄姊妹说：“有事让他来扛，他没有妻儿需要照顾，你们都有妻儿要照顾。”后来，他被选为教会副执事，不再从事记者工作。他带领小组查经，注重让弟兄姊妹多说、自己少说，将人引向福音本身。他特别喜欢孩子，给孩子讲故事，孩子们很喜欢他，亲切的称呼他为“贾叔叔”。 他在教会服事期间，多次被当局行政拘留。因未婚且父母已去世，只有弟弟和妹妹在外地且尚未信主，他拘留时没有家属关注。有一次，他在大街上被警察突然按倒，戴上黑头套直接押走，被拘留几天后才有人知晓他失踪了。 2026年1月6日，当局再次迫害秋雨圣约教会，这是秋雨圣经教会的二次教案。贾学伟再次失踪，他的手机无法联系，出租屋无人。教会弟兄姊妹经过多方打听，才知道他被刑拘于四川省德阳市看守所。他的弟弟妹妹至今未收到任何关于他被刑拘的法律文书。 现他已不在看守所，被指定居所监视居住。指定监视居住是一种完全游离于法律监管之外的刑事强制措施，家属不知道其具体关押地点。关押环境为全软包小房间，24小时专人看守，无人讲话并有高频次的提审，被指定监视居住的人可能会随时被剥夺睡眠，被烤、饿、晒、冻等变相酷刑而不被监督，当局不允许律师提供任何法律服务，被指定监视居住的人唯一可以讲话的人就是提审他的警察和国保，长时间在这种环境中正常人也会精神崩溃。据曾经历过指定监视居住的人表示，与看守所相比，即使中国的看守所环境非常恶劣，但与指定监视居住相比简直是天堂了。 我们有合理的理由相信，秋雨圣经教会被指定监视居住的贾学伟与另一位教案被指定监视居住的叶丰华正在遭受这种酷刑。

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。