我做 App 已经两年了，前几天统计了一下，收入刚好超过 50 万 虽然这个数字并不多，但是我觉得这样的生活是非常轻松的，因为我的工作时间很少，大部分收入都是被动收入，而且远超过我的想象：原来我不靠上班也能挣到钱 为什么从来没想象过呢？因为做自由职业完全不在我的人生规划之中。 我是在23年研究生毕业，然后毕业就去到特斯拉工作。结果工作没满一年就遇到大裁员，给了我N+3，我拿着十几万块钱，在上海偏僻的出租屋里面不知所措 在遇到裁员之前，我的人生规划是毕业去大厂上班，干几年跳到另一个大厂，再干几年再跳到另一个大厂，然后35岁差不多拿着一点现金存款，该干嘛干嘛去。 结果我刚毕业一年，上天就帮我提前跳到最后一步了，确实拿着现金存款，但确实只有一点，而且我也想不到该干嘛 我喜欢看国外一些独立开发和自由职业的内容，然后看了几本创业的书，比如《低成本创业》《精益创业》《小而美》，还有 marc lou、levelsio 这些独立开发者的故事。 我就想我要不要尝试一下做产品，能不能养活自己？反正手里还有一些钱，大不了花完再重新找工作。（其实选择了这条路，后面很难再回职场了） 然后我就开始做 APP 了，大概做了半年开始有起色，其实还是吃过很多苦的，尤其是没有收入那段时间，每天都在想要不要去找个班上 😂 经验分享，我觉得大概这几点： 1️⃣ 多做市场 2️⃣ 多花时间设计 onboarding、付费墙 3️⃣ 不停的发帖，在小红书、抖音、TikTok、thread，任何你能想到的社区宣传你的产品 其实我做的产品没有什么亮点，就是上面这几点做的比较好。如果你关心是什么产品的话，我贴在了评论区里。 最后还是感慨一下，我们当下处于的时代是人类历史上对创作者来说最好的时代 1️⃣在 AI 的帮助下，创作门槛极低 2️⃣自媒体作为传播杠杆，传播成本非常低 3️⃣市场庞大到无法想象 人生真的很奇妙啊

上班路上看到市政在处理路边的树，三个人在旁边看着，只有一个人在干活。感慨：一个行业有没有前途，很看闲人忙人比，一个人供养三个人的组织，注定没戏。 表面是分工，实质是价值被层层摊薄，动手的人产出有限，旁观的人照样领工资、占编制、耗预算。时间一长，组织就靠财政拨款、垄断地位这类外部输血活着，输血一减便露出疲态；闲人成了既得利益，任何提效都会动他们的饭碗，行业也就失去了自我迭代的动力。 AI 行业完全是另一套逻辑。从初级工程师到技术 VP，几乎没有纯看着的位置，再高的 title 也得自己写代码、跑实验、上线验证，只会开会、画 PPT 的人很快被边缘化。这种 hands-on 文化造就了极高的人效比：三五个真正动手的人，就能撑起一个能产生巨大商业价值的模型或产品；闲人没有生存空间，因为市场用用户增长、API 调用量、推理成本来投票，而不是用编制。同样的投入，产出集中在少数人身上，边际成本极低，规模效应爆炸，超额利润由此而来。 闲人忙人比是一个组织把创造价值放在维持存在之上的试金石。市政的模式只能在保护伞下消耗存量，AI 的模式则能把存量变成增量，这个行业拼的不是有多少人在场，而是有多少人真正在产出。

最近身边的感触越来越深，做设计的朋友，活儿肉眼可见地少了，有人已经在考虑转行；前端被推着去做 Agent 的活，后端被迫去补前端的坑，算法一个人把前端、后端、Agent 扛了下来。所有人都在悄悄转身，没人敢停下来。 但说句实话，真正让我不安的不是失业，是薪水。AI 最先影响最深的是初级岗位的工资，即使不让你走，也会让你的工资慢慢缩水。然后它会滚成一个死循环：最爱花钱的年轻人收入掉了 → 没人敢花钱 → 消费通缩 → GDP 往下走 → 整个经济喘不上气 → 高薪的人也被拖下水 → 底层工资再跌一截。 所以我总觉得，未来最大的社会命题是：当 AI 把效率提上去了，收益到底能不能流回普通人手里？薪资、消费、投资，这三样，怎么才能维持良好的增速。

7月份机构都不太好过，强如幻方也难免。梁文锋旗下幻方量化对外展示的9只主流量化产品中，8只YTD收益由正转负，仅九章幻方中证500量化多策略2号勉强维持0.04%微弱正收益。陆政哲管理的九章幻方中证500量化进取1号最新净值5.4891元/份，产品自2018年6月成立以来累计收益448.91%，长期年化收益23.42%，今年以来收益录得-2.50%。该产品也是本轮调整中回撤力度靠前的标的，7月单月跌幅超过22%。

AI 同时满足了一个中间商市场繁荣的所有条件：技术变化足够快，信息差足够大，资本足够多，故事足够性感。如果把大模型训练、推理、应用整条产业链拆开来看，有些价值上百亿美金的机会是3年之前甚至完全不存在的。最典型的就是推理工程。 三年前这个词几乎没人提，今天它已经是独立学科：核心问题是把训好的权重，变成又快、又稳、又便宜的生产级API。几个关键概念，看完就知道为什么中间商能吃这么大： 1. Prefill vs Decode 分离 输入很长时，先算一遍整个prompt（prefill），再一个个生成token（decode）。两者算力特征完全不同，现在直接拆到不同GPU上跑，效率暴增。 2. Cache-aware Routing + KV Cache复用 用户发来20万token的请求，系统先问：这段内容我之前算过吗？有现成KV Cache就直接跳过重复计算。缓存命中率决定成本和延迟。 3. Speculative Decoding（投机解码） 用一个小模型先猜大模型接下来要说什么，猜对了就直接用，猜错了再纠正。小模型便宜，而且整体速度可提升2-3倍。 4. 量化（Quantization） 把模型从FP16压到FP4/FP8，很多人以为精度必掉。但实际中不同层的误差会相互抵消，有时吞吐量涨20%，基准分数几乎不变。 5. Day-0支持新模型 开源模型一发布，中间商要在几小时内完成量化、投机头训练、内核适配、多机并行……否则就错过热度。这本身就是一门高壁垒手艺。 这些优化叠加起来，能把同一个模型从30-40 tokens/s 推到300-400 tokens/s，最高近10倍。中间层吃的，就是这从能跑到跑得极致的巨大价差。 技术变化越快，信息差越大，中间商越香。推理工程只是这条链上最早长出百亿公司的典型例子，后面还会有更多此类初创公司出现。

最近深深体验了深度Review代码获得的宁静，这是一种Fable5和GPT-5.6带来的3x效率也无法替代的满足感。模型能力天花板还很高，但人的理解力带宽有明显天花板，如何让理解匹配效率提升，值得深思。 这种宁静来自心流与掌控：逐行剖析逻辑、预判边缘案例、权衡设计取舍，大脑高度专注，获得纯粹的智力成就感。AI工具虽能快速生成代码，却常是黑箱输出。知道它能跑，却未必真正理解背后的权衡与演进路径，长期易积累技术债。AI是杠杆，深度理解才是根基。速度与深度并进，才能把效率真正转化为个人竞争力。

Fable5的动态工作流规划能力和长程任务能力非常惊艳，模型本身训练已经带上了这些目标，做任务的时候，也很能感受到这个模型对 unknown unknown 的把控力。 这背后是前沿 AI 模型的训练目标，正在从让模型变聪明转向让模型会干活。 Fable5被明确设计为能够自主工作数小时甚至数天、分阶段规划、派发子任务给内部 agent、自我验证输出结果、在百万 token 上下文中始终保持注意力的系统。 这也不是 Anthropic 一家在走的路，把最近几个月的模型发布串起来看，所有实验室都在往同一个方向收敛。 DeepSeek V4 Pro 的训练管线是典型的例子：先用 SFT 加 GRPO 强化学习对每个领域独立培养专家能力，再通过 on-policy 蒸馏将所有领域的专长统一融合进一个模型。同时提供 Non-Think、Think High、Think Max 三种推理模式，让用户根据任务复杂度在延迟和深度之间做取舍。1.6万亿参数 MoE 架构，百万 token 上下文，10到12倍便宜于 GPT-5.5的价格。它的训练方法已经明确针对 agentic coding 和长程推理做了优化。 即将公布的GPT-5.6更进一步，OpenAI 用强化学习训练三个独立变体（Sol、Terra、Luna），让模型通过生成长 deliberation trace 来推理后再输出。Sol 甚至有一个 ultra 模式，会自主派生出多个子 agent 来并行处理多步骤任务的不同部分。 把这些拼在一起，能看到一条非常清晰的趋势线： 前 Qwen 技术负责人林俊旸回顾了 Qwen3混合思考模式（thinking/non-thinking 切换）的教训：思考模式和指令模式在训练目标上天然冲突，强行让一个模型两者兼顾，结果是两边都不够好。所以后续版本直接拆成了 Instruct 和 Thinking 两个独立变体。 但他更核心的判断是：AI 领域正在从训练模型转向训练 Agent。他把传统的推理思考（o1、DeepSeek-R1那种，依赖数学和代码的确定性奖励信号）和 Agent 思考区分开来，Agent 需要在交互式环境中制定计划、调用工具、根据反馈修正行动。后者的训练基础设施挑战大得多：要解耦训练和推理，要优化环境质量而不是数据多样性。 这就回到了 Dario Amodei 反复讲的那个最朴素的原理：AI 模型能力根本上取决于参数规模和输入数据。从这个角度看，LLM 行业确实没有天然护城河，训练方法在收敛，开源社区在追赶，算法创新很快就会被复制。 Anthropic 自己内部的数据也很说明问题，2023年收入从0到1亿美元，2024年到10亿，2025年到90-100亿，每年十倍增长。但 Dario 自己也在说“我们接近指数的终点”——当所有玩家的训练方法论趋同，真正的壁垒只剩下算力获取能力和生态锁定效应。 所以 Fable5让人兴奋的是它展示了一种新的模型行为模式：不需要外部脚手架告诉它一步步怎么做，它自己就能把一个大任务拆开、执行、纠错、完成。这种能力的来源是训练阶段就刻进模型权重里的目标函数。 当训练模型的思路和训练 Agent 的思路开始重叠，我们看到的就不再是一个更聪明的问答系统，而是一个真正能在现实工作流里接管长程任务的执行体。

今年也是赚了一些现金，有了更厚的安全垫以后短时间不用考虑生存问题，也改变了一些思路： 1，策略投入上更专注于全自动大容量高周转的策略，解放时间，避免做手动策略和半自动策略，例如各类手动LP。 前者可能很长时间不赚钱甚至亏钱，需要耐心优化测试，但是跑通后会有充分的时间去开发更多策略提升收入； 后者某种意义上是在打工，占用的时间多意味着开发出多样策略的可能越低，考虑到crypto项目普遍短寿，这种路径对于生存和小资金快速增长都没有好处。 2，离开了公司。上班的好处是赚钱比较容易不需要折腾，坏处是很难发挥个人努力的效用，也就是付出回报的方差很小。 我还是愿意努力一下，所以转而自营做策略。当然有可能越努力越亏钱，只是还年轻的话多多失败也是被允许的。往好了想一天赚5u也够吃饭了。 3，作为小登，投资了包括BTC在内的更多老登资产。推上的主流观点似乎都是“年轻人就应该更激进投资 老登股对年轻人没意义” ，好吧，我的考虑是： 一，我不需要靠一年10倍的主观投资快速致富来付我的饭钱，目前的体量我主要靠高周转的策略赚钱而非主观投资； 二，年纪小意味着有更长的可复利时间，避免永久性损失比快速翻倍更加重要，相信耐心经营10年后的回报不会太差； 三，确实没有搞懂类似存储这些科技，这也不是我擅长的地方，另外全网所有人都懂都上车的事情让我害怕。亏损是可以接受的但是亏得不明白是不可接受的。 4，多睡觉多运动多晒太阳，人生是场马拉松🏃‍♂️。

过去一天，我迭代6+次，在实战中炼就了这个 Fable5 Skill，目的是为了让 Fable5 发挥最大价值的前提下，节省 Token。 昨天用 Fable 5 干了几个比较长的agentic workflow，踩了不少坑，最主要还是token消耗的坑，曾经一个小时消耗了40%的周用量，于是我把这些血泪经验全部提炼成了这个 skill，主要解决以下问题： 1. 什么时候才值得用 Fable 5 2. 如何把 prompt 写得更适合 Fable 5 3. effort（high / xhigh）怎么用才不浪费 4. Fable 做 orchestrator + Sonnet/Opus/Codex 做 worker 的路由策略 5. 迁移 skill 时最容易翻车的几个点 现在用这个 skill 后，同样一个复杂任务，token 消耗明显下降，成功率和可控性反而更高了。 推荐所有在用 Fable 5 做长程任务的朋友试试，有兴趣的可以直接： npx skills add --skill fable5-best-practice 欢迎大家一起继续迭代这个 skill～

分享几个Fable 5实用技巧： 1. 只在high effort下使用 Fable，extra太消耗token，而且产出质量不一定好。 2. 让fable作为最强大脑，负责复杂的推理和架构。 3. 不必要的消耗大量token的任务，比如computer use, 项目代码库分析交给其他模型。 我整理了一个工作流与subagent的模型智能分配md，你可以复制到你的CLAUDE.md中⤵️

Fable5最佳起手方式，不是急急忙忙写新需求，而是先把现有基础设施加固好： /fable5-best-practice 我想发现这个系统中代码的坏味道，以及不符合DRY等 经典原则的设计，以及没有使用golang最佳实践，或者交易系统最佳实践，以及 交易系统常见bug等等问题，你能帮我针对fable5写一个提示词吗 上述skill可以在🫱

我跟身边人反复说，根本就不像是18年、22年熊市。更像是15年，那时候行业的叙事都说是证伪了，比特币都被质疑，连布道者李笑来都走了。你们现在看的很多老og，在那个阶段其实也离开了行业。

身边又有很多朋友的Claude账号被封了，想起来之前很多人传的“住宅IP没用”、“用机场没被封过号”。其实住宅IP本质上是相当于在Claude的风控体系中买了个保险，只要$1/月，所有设备固定一个住宅IP访问，绝对是ROI很高的事情之一。对于GPT账号而言也是如此，虽然现在风控很弱，难免以后不会秋后算账。

端午三天都在Vibe Coding，研究了一下Vibe Coding成瘾危害性，还蛮可怕的😨 1. Burnout（职业倦怠）几乎必然发生 2. 心血管疾病风险升高（多项追踪研究显示工作狂心梗风险高出1.5-2倍） 3. 人际关系严重受损——伴侣、孩子常感到被“工作第三者”替代，亲密关系破裂率提升约40% 4. 创造力与战略性思维退化——大脑长期处于交感神经主导状态，难以进入默认模式网络（创造力所需的状态） 5. 抑郁与焦虑共病率极高——一旦工作受挫，容易陷入自我认同崩溃

很好奇 @nntaleb 为何能创造出“黑天鹅”“杠铃策略”“反脆弱”这些惊为天人的理念，深度研究才发现这些其实根植于他的成长经历和投资经历：一半来自战争，一半来自交易。 1. 黎巴嫩内战是“黑天鹅”的原型 塔勒布出生在黎巴嫩希腊东正教政治精英家庭，外祖父、外曾祖父曾任副总理，祖父是最高法院法官。战前黎巴嫩看起来繁荣、稳定、多族群共处，像一个不会崩的世界。 但1975年内战爆发时，他只有15岁。家族财富、政治影响力、祖屋和生活秩序，几乎一夜之间被摧毁。 这让他很早就明白：真正危险的系统，往往不是看起来混乱，而是看起来太稳定、太精致、太理所当然。 这就是“黑天鹅”的底层直觉：历史经常被少数罕见、高冲击、事前难以预测的事件改写。 2. 精英家庭的崩塌：本质上是“脆弱结构” 塔勒布亲眼看见，身份、财富、政治关系、制度背书，都可能在极端事件中瞬间失效。 所以他后来反感大政府、中央集权和过度规模化系统，更推崇地方自治、小共同体和少数派规则。 在他看来，真正抗冲击的社会，关键不是制度看起来多漂亮，而是谁来承担后果。没有后果约束的权力，本质上就是脆弱性的制造机。 3. 华尔街21年交易：“尾部风险”的实践 1984到2005年，塔勒布在华尔街做了21年期权和衍生品交易，任职过Credit Suisse、UBS等机构，后来创办Empirica Capital。 交易让他确认一件事：现实世界不是温顺的正态分布，而是充满肥尾风险。模型喜欢平滑，现实经常跳崖。 他这种理念也曾让他备受打击，因为“杠铃策略”的另一端意味着长期流血：平时买入大量价外期权，忍受时间价值衰减和连续小亏，等待极端事件到来。 这些做法，多数日子看起来都像错的，少数日子决定全部收益。 4. “切肤之痛”，来自真金白银的盈亏 塔勒布最讨厌没有切肤之痛的专家：学者、官僚、咨询师、经济学家可以预测、建模、提建议，却不用承担错误后果。 交易员则不一样，判断错了，账户会先流血。 所以他强调，没有风险共担，就没有道德资格。决策者必须和后果绑定，否则就是把风险转嫁给别人。 黎巴嫩内战让塔勒布知道，世界随时可能崩；华尔街交易让他学会，别预测崩盘，要设计一个能从崩盘中活下来、甚至变强的系统。这两点也是普通人能够吸收的经验。

一个符合“反脆弱”的小而美个人系统： 1. 每周留足一定的思考时间：深度思考、写笔记、了解潜在或已有客户群体 2. 维护反脆弱资产清单：开源项目、个人品牌、真实人脉、现金流产品、 领域知识笔记等等任何 AI 无法取代的东西 3. 收入结构多元化：SaaS + 咨询 + 内容 + 反脆弱式投资（塔勒布的杠铃策略：90% 保守 + 10% 高风险高凸性 bet）