这是Super Productivity（超级生产力），一款专门为硬核打工人打造的无敌待办+时间追踪神器。 GitHub 星标：20000+ 协议：MIT（完全开源免费） 平台：全平台支持（Win / Mac / Linux / iOS / Android） 核心卖点： 原生打通 Jira / GitHub / GitLab：代码库里的 Issue 动态直接转 Task，不用来回切窗口。 番茄钟 + 时间盒双重打击：不仅能记 Task，还能秒级精确追踪你每件事到底磨蹭了多久。 绝对的数据隐私：所有数据本地存储，支持自建 WebDAV 同步，无云端偷窥风险。 内置防磨蹭提醒：只要你偏离任务时间过长，它比你老板还急着弹窗叫醒你。 不用再给各种订阅制 Productivity 软件送钱了，用上它一天能多摸两小时鱼。 传送门：

我看了一下@ycombinator 今年的项目，基本上都是 1. FDE/Router + Vertical Application： 模型router → 针对某个具体场景做优化 → 接入业务 workflow → 用数据反馈继续优化。 初创公司卖模型，初创公司都是中转站。 2. Router + LLM Optimization / Infra： 跟上一类不一样，这种是解决大模型调用本身的问题：routing、cost、latency、eval、observability、prompt optimization、fine-tuning、inference 等。 比如说 @WorkWeave 这个产品，他们说自己是AI to understand and then route engineering work。最开始的产品更像是 AI-native engineering analytics：接 GitHub / PR / Claude / Cursor 等工程数据，然后用模型分析： 工程师到底完成了多少工作 哪部分代码是 AI 写的 AI coding tools 有没有真正提高 productivity AI 花了多少钱、ROI 怎么样 哪些任务 AI 做得好、哪些做得不好 后面他们这个方向跑到最后发现还是需要模型聚合能力，他们就往一个中转站走了，然后发布了weave router。 他们分析 各种企业的Claude Code workload 后称，大约 60–70% requests 是比较简单的 completion，这些任务用便宜的 open-source model 可以做到相近效果，而成本可能只有约 1/40。 Coding request → Weave classifier/router → 判断任务难度 → 选择模型。 所以拆解一下这家公司就是做Router + Vertical Coding 场景，Weave 这种模式比单纯做一个LLM中转站 Router 更值得借鉴，先找到一个 token spend 巨大、任务高度重复、而且不同任务对模型能力要求差异巨大的 vertical，尤其是coding场景，然后做它的 intelligent routing layer。 所以我感觉年初做中转站的经验虽然没有给我个人带来什么经济收益，但是确实积累了很多实战技能，比如说如何从零到一搭建中转站，如何做FDE，挨个建群解决用户的api问题，比如我自己搭画布接seedance。 往后来看这种经验太值钱了，以后的ai startup都会是这个形态。

AI创业和普通人没有关系。普通人不用FOMO。用好工具，对生产力进行提效就好了。 AI entrepreneurship isn’t really relevant to most ordinary people. There’s no need to FOMO. Just use the right tools well and improve your productivity.

AI really isn’t that mysterious. 叼毛们，AI 真没那么玄。 I’m not a coder, but with Codex, I still built my own small web page. 不是程序员， 用 Codex 也能慢慢搭出一个自己的网页。 Not perfect. But it works. It can run, display, and be improved. 不完美， 但能跑、能看、能继续改。 Meanwhile, some people are still selling “magic prompts” and beginner courses. 有些人还在卖“万能提示词”和“AI入门课”。 Nothing wrong with learning. But at some point, you need to stop collecting lessons and start building something. 一直准备学习，真不如先做出一个东西。 Build first. Improve later. 先做出来， 再优化。 强过纸上谈兵 #AI# #ChatGPT# #Codex# #AITools# #NoCode# #BuildInPublic# #Productivity# #WebTools# #DigitalTools# #WorkSmarter# #AI时代# #工具分享# #效率工具#

Most people use AI to feel better. Smart people use AI to build better. 回消息、写朋友圈、陪你 emo，当然可以。 AI 核心， 拆问题、做分析、跑逻辑、出方案。 Use it to build. Not just to vent. 懂的都懂。 #AI# #ChatGPT# #AITools# #Productivity# #WorkSmarter# #AI时代#

很多人用 ChatGPT 停留在： 写文案。 改语气。 Real talk — most people still use ChatGPT for captions, translations, and tone polishing 😂 它好玩的是： 🔹 分析数据 / Analyze data 🔹 生成图表 / Build charts 🔹 Debug 代码 / Debug code 🔹 拆解项目 / Plan projects 🔹 整理思路 / Structure ideas ChatGPT 并非仅帮你“写一句话”。 它可以帮你把一堆乱东西，变为可执行方案。 It’s not just a writing tool. It’s a thinking and workflow tool. 你现在用到第几层了？👀 #AI# #ChatGPT# #AITools# #Productivity# #WorkSmarter# #Web3# #TechTips# #DigitalTools#

Tom Lee：为什么现在的 AI 不能简单类比 2000 年互联网泡沫？ Tom Lee 最近采访回应了市场对 AI 泡沫、巨额 CapEx 和表外融资的担忧。他的核心观点是AI 投资规模确实已经非常大，但规模大不代表就是泡沫，关键要看是谁在花钱和这些钱最终能不能产生回报。 一、这次和 2000 年最大的区别：花钱的人不一样 目前美国 AI 基础设施投资已经达到 GDP 的 2%–2.5%，规模可以和当年的铁路建设周期相比，到 2027 年 AI 支出甚至可能超过美国国防预算。 但 2000 年互联网泡沫时期，很多公司没有稳定盈利和现金流，主要依赖融资扩张。今天 AI CapEx 的主力却是 GOOGL、AMZN、META、MSFT 这些全球现金流最强的公司。 所以 Tom Lee 认为，同样是大规模投资，由高利润、高现金流的科技巨头主导，和当年大量靠融资生存的互联网公司完全不是一回事。 二、AI 表外融资没有那么可怕 最近市场很担心科技巨头通过 JV、Private Credit、项目融资建设数据中心，认为大量 AI 债务被藏在资产负债表之外。 Tom Lee 的观点是，很多所谓“表外负债”是未来的数据中心建设和采购承诺，不是今天已经发生的全部债务。 现在要看的是现金流能不能覆盖 CapEx、融资成本有没有失控、信用利差有没有恶化。只要这些没有出现问题，就很难说 AI 基建演变成系统性金融风险。 三、AI CapEx还是要看回报 Tom Lee 认为与其让科技巨头把大量现金全部拿去回购股票，不如把钱投入 AI 基础设施。看这些投资未来能不能转化成Cloud Revenue → AI Revenue → Productivity → FCF。 四、AI Adoption才刚刚开始 目前大约 56% 的企业已经开始使用 AI，但只有约 30% 报告明显的生产率提升，实现深度业务整合的只有约 7%。 所以 Tom Lee 认为，现在 AI 还处于从 PoC（概念验证）走向大规模 Adoption 的早期阶段。 下一阶段重要的是 AI 能不能帮助企业降低成本、提高 Revenue per Employee、提升利润率。 五、要盯的利率和信用市场 Tom Lee 也承认，美国接近 40 万亿美元的国债和不断增加的利息支出是长期风险。 但对美股来说，他目前在关注 10Y 美债收益率和 Credit Spreads。只要长端利率没有失控上冲、信用利差没有明显扩大，就说明金融体系还是可以消化现在的 AI 投资周期。