用chatbot 聊得多，会思维活跃，有更多想说。 这像是 补药。 用 agent 用得多，会好疲倦，天天都在做检验。 怎么输出了这么多，看都看不完， 像是消耗。

AI 的 chatbot 和 agent ， 在让人 即时获得深度满足， 是划时代了。 新时代的 抖音？ 而且比抖音的浅层感官刺激快感更强，更深一层， 是一种平和的想通了，对世界认识加深了， 认知变得高清了。

我还纳闷为什么Claude会给我推《源代码》这部电影呢 前半段都是以主角的视角进行展开的（人形态），看到后半段才知道实际上主角在现实中只是段程序，和gpt、gemini这种chatbot真的特别像 如下图

和 @JYdmnLFG 聊，发现 其实 ai 远远没有被嵌入生活中 AI的下沉有巨大的机会 第一波代付的，前几年偷运显卡，现在的代安装、代开发小工具 多数人还是用豆包做 chatbot，付费了 Claude 的也只有几万人 机会可能存在的地方是往下走，去下乡 以前的互联网下乡、电商下乡，今天就可以AI下乡 多做点土土的事情

每个人都应该了解的AI 术语名词，你都认识吗？ 搞懂这些名词 并了解其实现方式和原理。你基本就入门了。 AGI（类人AI）：类似人类思维的AI。 CoT（链式思维）：AI一步步思考。 AI Agents（AI代理）：自动化决策的程序。 AI Wrapper：简化与AI模型的互动。 AI Alignment（AI对齐）：确保AI遵循人类价值观。 Fine-tuning（微调）：使用特定训练数据来改进AI。 Hallucination（幻觉）：AI编造的信息。 AI Model（AI模型）：用于任务的训练AI。 Chatbot（聊天机器人）：模拟人类对话的AI。 Compute（计算）：AI模型的处理能力。 Computer Vision（计算机视觉）：AI理解图像和视频的能力。 Context（上下文）：AI为更好响应保留的信息。 Deep Learning（深度学习）：通过多层神经网络学习的AI。 Embedding（嵌入）：AI的词汇数字化表示。 Explainability（可解释性）：理解AI决策背后的逻辑。 Foundation Model（基础模型）：可适应任务的大型AI模型。 Generative AI（生成式AI）：创建文本、图像等内容。 GPU（图形处理单元）：用于快速AI处理的硬件。 Ground Truth（真实数据）：AI学习的验证数据。 Inference（推理）：AI对新数据做出的预测。 LLM（大型语言模型）：用大量文本数据训练的AI。 Machine Learning（机器学习）：AI通过数据经验改进。 MCP（模型上下文协议）：AI内部数据访问的标准。 NLP（自然语言处理）：AI理解人类语言。 Neural Network（神经网络）：受大脑启发的AI模型。 Parameters（参数）：AI学习的内部变量。 Prompt Engineering（提示工程）：创建输入以指导AI输出。 Reasoning Model（推理模型）：有逻辑推理能力的AI。 Reinforcement Learning（强化学习）：AI通过奖励与惩罚学习。 RAG（检索增强生成）：结合搜索与生成的AI。 Supervised Learning（监督学习）：在标记数据上训练的AI。 TPU（张量处理单元）：AI处理专用芯片。 Tokenization（分词）：将文本分割成词片。 Training（训练）：通过调整参数教AI。 Transformer（变换器）：用于语言理解的AI架构。 Unsupervised Learning（无监督学习）：AI在无标签数据上发现模式。 Vibe Coding（情绪编码）：通过语言捕捉情绪并预测输出。 Weights（权重）：影响AI学习的值。 #AI# #AIAgent#

全球81亿人口中84%从未使用AI。 之前看过一份数据统计， 全球仅16%接触过免费AI工具，付费用户比例只有0.3%。 所以，AI普及程度类比2007年智能手机初期阶段。 那么，你如果懂prompt，skills， 甚至只是简单的chatbot沟通， 任何一项，就算是人上人。 但AI产品层出不穷，很难跟上更新迭代。 -dappOS的新上线xBubble， 核心是让AI去使用AI，AI 学习 AI。 它有两层。 -前台叫Bubble Pilot，本质是AI使用AI。 比如你说一句「做个比亚迪vs特斯拉的对比看板」， 它自己识别这是个什么任务，去库里找匹配的SOP， 也就是「专业流程模板」，挑出最合适的模型和工具组合，把结果跑出来。 要是库里没匹配的SOP，它就回退到通用Agent硬做一遍，并且把这次记下来。 -后台叫Bubble Engine。本质是AI学习AI。 它盯着前台哪些任务老回退，哪些做得不够稳， 针对这些任务让AI编程Agent生成几种解决方案， 挨个组合模型和工具去跑测试，挑出质量最好的那种。 最优解固化成新的SOP放进库里，发布前还会测一遍。 Pilot跑得越多，Engine学得越多，库就越厚。这是个滚雪球的结构。 xBubble跟通用Agent最大的区别就在这里。 通用Agent每次都现场琢磨怎么干，做十次同一类任务，质量能波动很大。 xBubble更像是「攒经验」的Agent，常见任务直接走打磨过的SOP， 没见过的现场琢磨，琢磨成熟了再补进库。 -xBubble有两种运行环境。 云端的Bubble Computer跑端到端项目，PPT，研究，对比网页都在它身上一次跑完。本地的Bubble Personal能动你电脑里的文件，浏览器和日程，但只有你授权了它才动手，不脏你电脑。 比如那84%的人，不会写prompt， 但会说「帮我搞个东西出来」。 AI本来就该这样。 @dappOS_com

Codex 的野心，MCP 和 Skill 的下一步 这段时间我在密集使用 Codex App、Cursor 等 Agent 应用，有件事越来越觉得有意思。 去年大家争的是谁家模型更强，今年争的好像变成了谁家窗口右侧更好用。 Codex、Claude 桌面版、Cursor 3.0、TRAE SOLO，这几家最顶尖的 Agent，在完全没有协商的情况下，几乎同时收敛到了同一个界面布局：左侧是项目和会话列表，中间是和 Agent 的对话，右侧是工作区，放着文件浏览、网页预览、文件变更审查这些功能。 肯定不是相互之间的抄袭，更像是当前 Agent 交互的最优解。 【1】为什么是三栏 传统 Chatbot 只需要两栏，左边会话历史，右边对话窗口，你问它答，用完走人。 到了 Agent 时代，Agent 能自己写代码、改文件、调工具了。它做完之后，你得看看有没有做对——右侧工作区就是为这件事出现的。 但这只是第一阶段。 随着用户越来越多时间是在指挥 Agent，打开 VSCode 这类专业工具的时间自然越来越少。那个问题迟早会冒出来：Agent 帮你写完代码、做完 PPT，你想微调几个字，还要专门切出去打开另一个软件？ 没有人愿意这样。用户的自然期待是：能不能直接在 Agent 里改？这也是目前 Codex App 呼声最高的功能之一（另一个呼声高的是手机版，马上要出了）。 于是各家开始悄悄升级右侧工作区，让它从只能看文件编辑记录，变成了一个多功能区。Codex 在 4 月 16 日的大版本更新里，右侧工作区的改动幅度是所有功能里最大的。 交互细节上各家略有差异。Codex 和 Cursor 用 Tab 切换，Claude 用浮动面板。我自己用下来觉得 Codex 最顺手，Claude 的浮动面板方案设计感有余、实用性不足，迟早要改。 【2】Codex 的真正野心 但如果只把这个变化读成“设计界面进化”，就低估 Codex 了。 Codex 4 月大版本发布时的口号是“Codex for (almost) everything”——几乎任何任务都能做。你可以把它理解成一句广告口号，但更像是一个产品方向的声明。 要兑现这句话，Codex 不能只是个擅长写代码的 Agent，它必须能处理各种文件格式，支持各领域的专业工作流，还要让用户能在它里面完成全程闭环，包括最后的人工微调。 目前 Codex 还做不到最后一步：生成之后无法编辑，代码、Markdown、PPTX 都不行。这可能是产品上有意为之的克制，可能是技术上还没跑通，也可能是在等一个统一的解决方案出现。 我猜是第三种。 【3】MCP 和 Skill 都只解决了一半 要理解 Codex 在等什么，得先想清楚 Agent 能力拼图里现在差哪一块。 MCP 解决了“连接”问题：Agent 通过统一规范接入各种工具，数据库、日历、代码仓库，都能打通。 Agent Skills 解决了“怎么做”的问题：Agent 学会了它没训练过的领域知识和最佳实践，比如怎么写特定风格的文章，怎么处理某类复杂任务。 这两件事做得都还不错。但有一块缺口始终没补上：用户的二次编辑。 你让 AI 写完一篇文章，最后还是要自己打开编辑器改几处，毕竟很多时候最后那 5% 的精准度，只有自己动手才能到位。就算将来 AI 再聪明，它也做不到百分百的懂你，还是少不了要手动去做修改。 于是最近 Markdown 编辑器又火了，各种 Vibe Coding 出来的 Markdown 产品满天飞。 但 Codex 不会自己做一个 Markdown 编辑器，因为每个人的偏好都不一样，做出来永远有人不满意；更何况它也不可能把每个垂直领域的专业编辑器都集成进来。 最合理的路，是插件机制。 【4】下一步：Agent 版 App Store 把 Agent 做成平台，让社区来贡献插件，就像 VSCode 和 Chrome 那样。 Codex 只需要聚焦在 Agent 调度这一层，把文件预览、二次编辑、垂直领域的专业能力都交给插件来扩展。用户按需安装，做设计的装设计插件，写作者装写作插件。 插件机制还能顺手解决一个长期没有答案的问题：Skill 没办法商业化。 我自己的 baoyu-skills 快 2 万 Star 了，但从中赚到的钱是 $0。Skill 这东西几乎是透明的，对 Agent 透明，对人也透明，复刻成本极低，不管你写得再好，护城河都很浅。 插件不一样。App Store 和 Chrome 插件市场已经跑通了一套收费和版权保护机制，把它移植到 Agent 插件市场完全可行。好插件可以收费，开发者才有持续打磨的动力，生态才真正能转起来。 Codex 现在已经有了一个非常原始的插件市场。从这里到成熟的收费插件生态，还有很长的路，但方向是对的。 想做这件事的不止 Codex 一家。Cursor 我能看到类似的影子。唯独 Claude Code 和 Cowork，目前没看到这个方向的产品迹象——也许他们不屑于做，也许只是还没走到这一步。 【5】留给中小团队的窗口 如果 Codex 真的跑通了插件生态，对中小团队意味着什么？ 除了自己做一个垂直 Agent，还有另一条路：在 Codex 这样的平台上做插件。不用自己搭 Agent 调度层，不用解决 Token 接入，用户分发也靠平台。你只需要专注在那个“最后一公里”——帮用户把 Agent 生成的结果处理好、编辑好、用得顺手。 这个窗口不会开太久。先进去的能拿到冷启动红利，晚进去的只剩存量竞争。 时间点不会太远，也许就在这几个月。 Codex 的野心摆在那里，“几乎任何任务”这个口号要真正兑现，插件机制是绕不过去的一步。如果 OpenAI 在这件事上继续犹豫，那才是真的失误。 你觉得这个插件生态最后会是哪家先跑通？或者说你觉得有更适合 Agent 的产品表现形式？欢迎留言分享！

AI圈贩卖焦虑已经过于刻意了。 如果说春节长假刚结束那会儿，上门安装龙虾还是一个段子、还是一个停留在用Nano Banana作图博君一笑的阶段，上周末腾讯大厦门口排成长队等待免费安装龙虾，就只能说「至此已成艺术」了。 我很想引述一个笑话，它的原始版本是这样的： 「一个小男孩多大了就不应该进女澡堂了？」 「当他想进女澡堂的时候，他就不应该进了。」 龙虾这事儿的基本道理，本质上也是一样的，如果你需要托人帮你安装龙虾，那么其实你就不太可能需要龙虾⋯⋯ 勇敢的人先享受世界，这话大家都赞同，但要承认自己不在其中、也不配先享受世界，这就很难了。 OpenClaw是很牛逼的创新，没毛病，但它的牛逼并不在于普惠层面，恰恰相反，它是一个用来提高AI使用上限的手段。 是给那些已经把现有AI工具——从ChatBot到Coding——用到了瓶颈的人，一个打破极限的「超频」方案。 而不是给那些时至今日都没亲手写过超出500字的提示词的人，一个弯道超车的万能钥匙。 其实Anthropic的报告写得很清楚，AI在各行各业的理论利用率（蓝色区域）和实际利用率（红色区域）相差甚远（图1）。 考虑到这还是基于Claude的数据——相比ChatGPT和Gemini，Claude是最专注于生产力场景的——就更不用说只把AI当成聊天对象的广大群众了。 还有一个龙虾悖论是，只有你的时间成本足够高，才能接受以Tokens为计价单位的工作外包模式。 为什么AI Coding的货币化超过了其他所有行业？因为程序员是最典型的个体化高薪职业，时间就是生产力。 怂恿普通人用龙虾，就是模型厂商和云计算平台的共谋了，本来赚的就是辛苦钱，还要负担所谓的「数字员工」，省下来的时间再去多刷几部短剧，整个闭环都很尬住。 更离谱的，是从这周开始，各地已经陆续发布「养龙虾」的补贴政策了，一个不存在的网站上的开源项目，和白纸黑字的红头文件绑在一起，实在有些抽象。 我一直说，没错，AI解决了生产的问题，改变了「就差一个程序员」的尴尬，但是，它终究无法创造真实的需求，或者说，FOMO本身就成了需求。 一种形式的充裕，必然带来另一种形式的稀缺，锤子的充裕，对应的就是钉子的稀缺，如果你看不到钉子，那你就是钉子。 在FOMO即需求的设定里，用上龙虾，能用龙虾，比用龙虾干什么，更重要，更值得发朋友圈。 web3的尸体还没凉透，web4就已经横空出世了，这些热情满满的活动充分证明了一条定律：哪里有韭菜，哪里就有币圈。 反而是最喜欢写小作文的A股在此时保持了高度的克制，龙虾概念股出来得相当晚，这说明什么？说明连股民在他们最擅长的自我欺骗这件事情上都犹豫了⋯⋯ 说句不中听的话，你好不容易装上龙虾，环境周全，模型配好，让它每天给你推荐股票，接着AI跑完几百万Tokens，从伊朗局势到芯片革命，事无巨细的交付了一份「麦肯锡级别」的报告，让你无比满意，有种天下了若指掌的力量感。 但从结果来看，它和你抛硬币做的决定，其实没什么区别。 因为赚钱的逻辑不是这样的，从来都不是，世界上更常见的矛盾，是看过了太多的道理，却依然过不好这一生。 就像评价一种资产有没有泡沫的标准是「连大爷大妈都开始买了」，今天看到周鸿祎也表示要搞一键安装的龙虾了，说明这个事儿差不多也快到头了。 不过，在进度上，2026年的AI行业，确实进入了一个「大分化」的版本。 第一个分化，就在于前沿层和大众层，龙虾只是最新的媒介。 更早的春节期间，一份完全由AI生成的2026大失业文件在全网刷屏，这年头，AI胡编乱造不叫胡编乱造，叫非虚构写作了，也是奇景。 AI行业的认知更新以天甚至以小时为单位，普通人却依然麻木不仁的接着奏乐接着舞，这种碰撞引起的失真感，是很有意思的社会化现象。 一边是恨其不争的捉急，一边是与我何干的悠闲，奋斗逼和躺平逼狭路相逢，只好各道一声傻逼。（图3） 我毫不怀疑AI会淘汰掉大多数人，但就此预判大多数人为了不被淘汰所能付出的艰辛，这也是一厢情愿，属于了解AI但不了解人类的错觉。 就像Andrej Karpathy花两个小时给自己写了一个记录心率的仪表盘，然后惊呼应用商店不存在了，未来所有人都会像他一样给自己写App⋯⋯ 这哥们好像活在一个没有TikTok的世界里，或者说根本不知道为了少打几个字，用户是怎么让无限上下划的产品吞噬掉几乎所有时间消费的。 第二个分化，在于大厂和小虎之间的方向背离。 过去一个多月来，国内的互联网大厂烧掉了超过60亿人民币，就为把DAU冲出一个漂亮的数字，把最主流的ChatBot做成入口。 与此同时，硕果仅存的「AI六小虎」里，全都战略性放弃了AI应用的路线，转而选择主在海外市场卖API。 战绩可查的是，Kimi用20天的收入超过了去年全年，智谱最高档的订阅产品一度断货，MiniMax的调用量单周登顶OpenRouter⋯⋯ 于是我们看到「DAU无用论」又被翻出来广为传诵，当然传诵的主要都是些从未做过百万级DAU产品的从业者这点就不要提了，以免尴尬。 可惜AI圈不怎么读书，否则托克维尔的「旧制度与大革命」应该会被更频繁的提及，法国人与过去告别的决绝与浪漫，把处刑台变成了一道道靓丽的风景线，是多么的辉映时代。 只有老登才张口闭口林俊旸，咱们自己人都说junyang。 第三个分化，在于中国和美国的各走各路。 一年前DeepSeek火出圈后，很多啥也不懂但就是喜欢到处掺合的人纷纷建议要把梁文锋保护起来，别让他出国参加交流活动时被万恶的美国给扣了。 姑且不论贷款开团的做法，真实发生的情况是，在这一年来的全球性会议上，整个行业都处于一种「假装中国不存在」的世界线里。 比如最近贡献了Sam Altman和Dario Amodei举手握拳而非牵手这个名场面的AI Impact Summit，有头有脸的AI公司都去了——除了中国的。 这是一个相当吊诡的画面，作为全球AI产业的两极之一，中国的AI公司在各大行业峰会里始终处于缺席状态，存在感和地位的背道而驰，违和感已经无法视而不见了。 这当然是地缘政治的结果之一，双方似乎都是在假设一个不会受到对方任何影响的市场环境，但实际上，中国的程序员们几乎全是Anthropic的付费用户，而美国同行们也把中国的开源模型捧上了天。 至于龙虾热潮的内外两开花，更是把「技术没有国界线」写在了明面上。 「大分化」版本的生存指南，克服焦虑应该放在第一条，如果真要统计，人类每个星期错过的AI风口怕是多达百十个，但风口上已经没有猪了，那里成了一个打卡点。 包括龙虾，我其实是推荐大家都去尝试的，但前提一定是，基于你的好奇和兴趣，而不是因为看着别人都用，心里急得慌。 「哥，你当初不是跟我说AI是用来提效的吗?怎么你搞了AI之后越来越忙了?还一整夜一整夜的不睡觉，抖音也不刷了，番茄也不看了，王者也不打了，张口闭口就是什么Skills、Mcp、OpenClaw，我都有点分不清了，到底是你在用AI，还是AI在用你啊?」

一财放了点姚顺雨的料「腾讯混元3年变形始末」，开始对外传递腾讯在大模型上的组织变化了，这是一个很明确也很有看头的信号，腾讯去年在AI上投了很多钱，但取得的成效我猜内部是不太满意的，所以要在场外做点找补。 而且自从张小龙之后腾讯也不太喜欢以人为主体来建立叙事，满打满算十年来就游戏线的马晓轶和香港帮的汤道生会出镜比较多，这次开始给一个刚入职的新人包装造势，可以说是排面拉满了，也符合AI行业小登为王的趋势。 还是给这篇文章里一些有价值的信息划划重点： - 姚顺雨27岁，是国内大模型团队里最年轻的「一号位」，他在OpenAI只工作了一年，说不上特别核心，但负责的推理模型技术，让他很适合承接从ChatBot到Agent的业务升级，腾讯重金挖他过来，也是急于让他来主导下一个Agent模型的训练； - 腾讯对大模型的反应在国内属于相对落后的那一批，所以人才储备非常薄弱，之前负责大模型业务的两个Leader都没有自然语言处理的背景，团队构成非常「不对口」，去年开始给出薪酬翻倍的条件到处挖人，字节的2-2跳来腾讯就给T12或者T13，相当于直接上涨1-2个职级，再往上T14差不多就是首席科学家了； - 人才流动主要还是在「BAT」三家里内循环，2024年是字节在从阿里撬人，2025年是腾讯开挖自己的墙脚，而年底我们又看到了字节大幅涨薪的通知，内部信里明确表示要保持待遇领先于头部水平，最新的消息是，「腾讯只看来自DeepSeek、月之暗面、字节和阿里这4家基座模型团队的候选人，其他公司是不看的」； - 马化腾对大模型存有误判，他曾打比方说，在工业革命时期，早一个月还是晚一个月把灯泡拿出来，其实没有那么重要。而腾讯错过了很多实验先机，包括浑元大模型如今有些过于路边——在大多数基准测试里，浑元连一个对比项都当不上——所以去年开始着急，很大程度上是在补落下的课； - ChatGPT出来的那一轮周期，正好叠加了腾讯在搞降本增效，对各种「不必要」的花费卡得非常死，AI Lab的员工想去参加学术会议，公司不给钱，继续想办法蹭高校的预算，而AI部门为了完成创收指标，也需要去服务游戏和广告业务，由此结算经济价值，留在基础研究上的人力很少； - 在把姚顺雨放到「一号位」之前，腾讯在大模型上的态度更接近于「调门大、行动少」，既缺少资源，也没有领头人，公司在危机意识层面依然被抖音牵制，以致于总办最关注的业务始终是视频号，而腾讯擅长的赛马机智，在大模型这种「集中力量办大事」的行业不管用了，微信也训练过自己的模型，然后还是放弃了； - 直到去年，腾讯终于开始效仿字节Seed，重新组建符合大模型研发标准的组织架构，设立更符合前沿科学原理的岗位，再去为一个个的坑找萝卜，并逐步淘汰掉旧技术线的人力，当姚顺雨空降落地之后，管理上的障碍基本上也都已经打扫干净了； - 今年会是姚顺雨的大考，他需要为腾讯训练出一个足以回到牌桌上的领先模型，只有高分答卷，才能让他坐稳在腾讯这家大厂AI一把手位置，好在前人的肩膀够多，相比GPT-4和o1时代大家都不知道怎么实现的盲目，现在的大模型行业已经少了很多「秘方」，头部模型的能力更是高度对齐，留给腾讯的时间，不多但也不少。