思考 on To the Moon

用 AI 要更有野心：Claude Code 负责人的四层方法

Fri, 23 Oct 2026 18:30:00 +0800

本文由 AI 自动摘录整理，原始链接：“大家用AI都太保守了！”Claude Code负责人：我的方法更有野心～

推荐指数：8/10（推荐读原文）

背景

量子位编译的一篇长文，作者 Felix Rieseberg 在 Claude 团队工作，负责 Claude Code 桌面版。他观察到，真正从模型里拿到超额回报的人，用法都和大多数人不一样——问题不在模型能力，而在人给任务设定的野心太小。文章把"野心"拆成速度、高度、深度、广度四类，逐条给出可操作的做法，最后还讲到人自己的"自我效能感"。

核心观点

四类野心：速度是用更少时间做同样的事，高度是提高任务抽象层次，深度是像顶尖专家那样做透，广度是借其他领域的方法。速度层已经很成熟，真正拉开差距的是后三者。
提高目标层次：别盯着单个任务，先问"接下来希望发生什么，目标背后的目标是什么"。从"修一个崩溃"升级到"让应用始终无崩溃运行"，模型的工作方式会完全不同。
设定"不合理"的目标：想把加载从 10 秒降到 5 秒，就直接要求 0.2 秒。模型说做不到，就继续告诉它这事完全可以解决。
深度要靠工具而非词汇：让模型"像专家一样"往往只是换了套术语，真正的深入是逼它用数据库和统计模型，而不是拿 Markdown 表格凑数。
别让模型给自己打分：代码就实际跑，预测就拿没见过的数据验，判断交给外部结果。

补充要点

季度复盘的三级升级：先让模型理解业务发生了什么、为什么、该做什么；再让它找出最迫切的三项决策并列出正反理由；最后让它重新设计复盘机制本身。
一个判断信号：如果这件事做完还要开会讨论，那目标就值得再往上提一层。
追问清单：这个领域的顶尖专业人士会做哪些我没要求的事、从哪些原始材料入手、用什么方法和工具、除你我之外还有什么能证明结果正确。
让自己的判断接受检验：把结论交给模型，回到原始数据里找支持证据，也找能推翻它的反例。
名词换动词：“做一份汇报 PPT"改成"在 30 分钟内让一群忙碌的人信服事情的来龙去脉，并在情况不明朗时作出决策”。
组跨领域团队时要的是方法，不是角色扮演——直接让模型按怀疑论者研究投资标的的方式调查，比让它"扮演怀疑论者"有用。
自我效能感可以被训练：被赋予清晰且有挑战性目标的人，表现优于只被告知"尽力而为"的人；四分钟一英里被突破后，这个纪录只独占了 46 天。
局限也要认：创作类任务提高抽象层次的效果有限，“Claude，去赚钱吧"这类指令目前还跑不起来。

嵌入式C语言会不会像当年的汇编一样被边缘化？

Mon, 01 Jun 2026 21:37:00 +0800

本文由 AI 自动摘录整理，原始链接：嵌入式C语言会不会像当年的汇编语言一样，慢慢被边缘化？

推荐指数：6/10（读重点章节）

背景

微信公众号「最后一个bug」的文章，探讨在 AI 写代码能力越来越强的背景下，嵌入式 C 语言是否会像当年的汇编语言一样被边缘化，以及嵌入式 C 程序员如何应对。

核心观点

汇编的致命伤是架构绑定：汇编完全绑定特定 CPU 架构，换芯片就得重写；C 语言通过编译器抽象实现了跨平台可移植性，这是汇编永远无法跨越的鸿沟
C 语言是软件世界的地基：CPython 解释器、Java 的 HotSpot 虚拟机、V8 引擎、Linux 内核、FreeRTOS、TCP/IP 协议栈全是 C/C++ 写的——“塔尖可以换，但塔底一动整个塔就塌了”
AI 能生成代码，但解决不了硬件问题：AI 可以写出一份八九不离十的 SPI 初始化代码，但高温下时钟毛刺导致的 SPI 丢数据，AI 看不到示波器波形也闻不到板子烧焦的味道
破局三方向：往"硬"了走（硬件调试）、往"深"了走（系统级设计决策）、往"广"了走（技能栈拓宽，如 Rust/Python/Go）

补充要点

MCU 的物理限制是 C 语言最坚固的护城河——一颗只有 64KB RAM 的 STM32F103 跑不了 AI 模型
AI 辅助生成的外设驱动代码已经可用，但嵌入式工程师的不可替代性从"写代码"转移到了"解决系统问题"
汇编没落不是因为汇编程序员技术不好，而是需求收缩了——纯粹汇编的用武之地仅剩启动代码、RTOS 上下文切换、逆向工程等狭窄场景
系统级决策（裸机 vs RTOS、任务栈大小、优先级排布、磨损均衡策略）是 AI 目前最薄弱的环节
建议用 Rust 的内存安全理念反向改进 C 语言编程习惯——“最好的护城河不是你会什么语言，而是你能解决什么问题”
文章以 SPI 通信高温丢数据的真实案例说明硬件调试的不可替代性：用逻辑分析仪抓了一下午才定位到时钟毛刺

世界级编程大师：AI写的代码，我一行都不看

Mon, 27 Jul 2026 11:32:00 +0800

本文由 AI 自动摘录整理，原始链接：世界级编程大师：AI写的代码，我一行都不看

推荐指数：7/10（推荐阅读原文，观点鲜明且深度够）

背景

机器之心报道了 X 平台上的一场争论：AI Agent 写代码越来越快，开发者到底还要不要逐行审查？《代码整洁之道》作者 Robert C. Martin（Uncle Bob）给出了最激进的答案——完全不看。

核心观点

Uncle Bob 的激进策略：完全不阅读 Agent 写出的任何一行代码。与之对应的是极严格的自动化约束——单元测试、Gherkin 测试、QA 流程、变异测试、覆盖率指标等多重关卡。
信任模式的转变：从依赖人工阅读代码找漏洞，转向工业式的质量管理——先定义规格和验收条件，再用自动化持续验证。两种信任方式本质不同。
审查并未消失，只是上移了：Uncle Bob 仍然亲自审查 Gherkin 验收测试、QA 流程，并进行最终的人工测试验收。关键功能全面审查，普通功能抽查。只是不再逐行读实现代码。

补充要点

反对者的核心焦虑：如果我要对这段代码负责，我必须理解它——这是心理上绕不过去的坎。
更大的风险在于：Agent 可能擅自修改测试让结果适配实现，或者测试全绿但需求理解本身就错了。AI 不会让这些问题消失，反而因为代码生成更快而更难发现。
有开发者提出中间路线：逐行读所有依赖成本太高，完全放弃审查又太激进。重点应是哪些代码必须审、审到什么程度、哪些环节可以自动化。
一个更超前的追问：当 AI 让代码的生成和修改成本大幅下降，代码本身的质量还像过去一样重要吗？如果 Agent 可以随时重写模块，代码是否优雅似乎没那么关键了。
Uncle Bob 的实际做法：Agent 写的单元测试不审，但 Gherkin 测试和 QA 流程仍由他亲自检查，强度取决于项目风险。

Claude Code 源码背后的五大设计哲学与妥协

Mon, 11 May 2026 18:04:00 +0800

本文由 AI 自动摘录整理，原始链接：为什么完美的AI Agent不存在？Claude Code源码背后的五大设计哲学与妥协

推荐指数：7/10（推荐读原文）

背景

MBZUAI VILA Lab 联合 UCL 发布了一篇学术论文，以 Anthropic Claude Code 的 TypeScript 源码为样本，系统分析了生产级 AI Agent 的设计空间。论文不满足于描述"怎么实现"，而是尝试从源码反推出驱动架构的设计哲学与设计原则，并梳理了哲学之间的矛盾与取舍。值得注意的是，论文还拿 OpenClaw 做了对照分析。

核心观点

五大设计哲学之间存在矛盾：人类决策权威 vs 安全（用户 93% 的审批弹窗都点了同意）、安全 vs 能力（严格安全检查会冻结界面）、可扩展性 vs 安全（扩展加载窗口可被攻击利用）。追求多条哲学必然带来取舍，不是设计缺陷
98.4% 的代码是确定性基础设施：Claude Code 的核心设计是"最小脚手架、最大操作 Harness"——不给模型绑太多规划框架，而是用确定性代码（权限检查、工具路由、错误恢复）保障安全执行。AI 决策逻辑仅占约 1.6%
权限系统七层独立防御：工具预过滤、拒绝优先规则、权限模式、ML 分类器、沙箱隔离、会话隔离、Hooks 拦截。任一层都能独立否决操作，但在性能压力下可能共享失败模式
上下文压缩五层递进：预算裁剪 → 历史修剪 → 微压缩 → 上下文折叠 → 自动摘要，每轮模型调用前顺序评估，压缩力度逐层递增
子 Agent 默认独立上下文：通过 Agent 工具派出子 Agent，默认进程内隔离（共享文件系统），也支持 git worktree 隔离。Agent Teams 场景通过文件锁协调多 Agent

补充要点

论文与 OpenClaw 做了六维度对比：Claude Code 逐次安全评估 vs OpenClaw 边界级访问控制；Claude Code 的 Agent 循环是中心 vs OpenClaw 只是网关一个组件
两个系统可以组合使用：OpenClaw 通过 ACP 协议把 Claude Code 作为外部编程 Harness 接入
论文引用了多项研究质疑 AI 代码工具的长期生产力：有研究发现使用 AI 后速度反而慢了 19%（但自我感知快了 20%）；使用 Cursor 后代码复杂度上升 40.7%
论文梳理了六个未来方向：静默失败、记忆持久化、Harness 边界演化、时间跨度扩展、治理合规、对人类长期能力的影响

全球奥赛奖牌得主追踪：天才少年二十年后的人生轨迹

Thu, 30 Apr 2026 22:22:00 +0800

本文由 AI 自动摘录整理，原始链接：全球奥赛奖牌得主追踪

推荐指数：9/10（必读原文）

背景

Menlo Ventures 合伙人 Deedy Das 追踪了 2001-2026 年间 17,865 名 IMO、IOI、IPhO 奖牌得主（已追踪 9,056 人）。知乎网友 @南派经纶补充追踪了 2006-2016 年中美 IMO 国家队全部选手。来源：量子位。

核心观点

仅 5% 创业，却改变了世界：约 20 家独角兽、7 家十角兽，横跨 AI、加密货币、云基础设施。Hyperliquid 创始人 Jeff Yan（IPhO 金银牌、哈佛、前 HRT）用 11 个员工做出年净利 11 亿美元的公司。Dario Amodei（Anthropic CEO）曾入选美国 IPhO 国家集训队。
中国 IMO 选手的真相与偏见：坊间传说"拿金牌去华尔街赚大钱"，实际数据是中国 43 名国家队选手中 39 人读博（31 人数学），20 人留学术界，仅 7 人去量化、5 人进科技。大多数人走的是"读博→当教授"的朴素路径，且全部读完博士才进入量化领域。
IMO 金牌 → 菲尔兹奖概率是顶尖数学博士的 50 倍：约一半菲尔兹奖得主年轻时参加过 IMO，早期数学天赋是顶级学术成就的强预测因子。

补充要点

最大雇主：Google 212 人（占被追踪者 6%），Jane Street 47 人，OpenAI 38 人，Anthropic 15 人
Jane Street 是隐藏大户：2014 年后 16 名中美国家队选手在量化机构实习，其中 10 人来自 Jane Street
MIT 是最大人才吸盘：一所学校吸纳的外国 IMO 奖牌得主比除美国外的任何国家都多
幸存者偏差：仅追踪到约 50% 的人，能被追踪到的本身倾向于"混出来了"的人
国家是底层变量：美国选手大概率留在本国顶级机构，东欧/中东/亚洲选手更多选择出走
“智商在 18 岁前把大家拉到同一起跑线，但起跑之后，跑道是不一样的”

GPT之父：只用1930年前数据训练AI，它居然也会写Python

Thu, 30 Apr 2026 22:10:00 +0800

本文由 AI 自动摘录整理，原始链接：GPT之父：只用上世纪数据训AI，它居然也会写Python？！

推荐指数：7/10（推荐读原文）

背景

GPT 系列奠基人 Alec Radford 联合多伦多大学团队，训练了一个 130 亿参数的模型 talkie-1930，只用 1931 年 1 月 1 日之前的英文文本（2600 亿 tokens），包括书籍、报纸、期刊、科学杂志等。来源：量子位（公众号 QbitAI）。

核心观点

没见过计算机却会写 Python：模型在 HumanEval 编程测试中，仅靠 prompt 中的示范例子现学现卖，竟然解出了编程题。且模型规模越大，解题能力越强——Scaling Law 在复古模型上同样成立。
核心语言能力与现代模型几乎一样：当剔除超出知识范围的题目后，talkie-1930 与同架构现代模型在语言理解和数学计算上表现接近。说明「理解语言」和「算数」能力可能并不依赖现代互联网数据。
用礼仪手册做指令微调：团队从 1930 年前的礼仪手册和书信指南中构建训练数据，避免注入现代风格。但 RLHF 训练中，Claude Sonnet 4.6 作为「老师」仍不可避免地让模型沾上了现代的列表体风格。

补充要点

惊讶值曲线：模型对 1930 年前事件处变不惊，对 1950-60 年代晶体管、电视普及等事件惊讶值飙升，之后逐渐「佛系」接受
知识截止点选择：1930 年是美国版权法中作品进入公有领域的边界
差距来源：OCR 转录质量差、语料题材分布不同（老报纸科技含量低、烹饪礼仪含量高）是主因
Alec Radford 背景：GPT-1/2 一作，GPT-3/4 核心贡献者，CLIP 主导者之一，2024 年底离开 OpenAI 做独立研究
未来计划：今年夏天发布 GPT-3 级别复古模型，语料扩展到万亿 tokens 及非英语世界
深层问题：LLM 的泛化能力到底能延伸到训练数据之外多远？这是团队想回答的根本问题

Anthropic研究员Erik Schluntz的Vibe Coding大师课

Sat, 25 Apr 2026 13:29:00 +0800

本文由 AI 自动摘录整理，原始链接：如何正确Vibe Coding？这是来自Anthropic编程智能体负责人的大师课

推荐指数：9/10（必读原文）

背景

Anthropic 研究员、《构建高效智能体》合著者 Erik Schluntz 分享了他在生产环境中实践 Vibe Coding 的完整方法论。他曾因手伤被迫将工作全权交给 Claude，在此过程中总结出一套可复制的工程化实践。网友 Movez 盛赞此演讲"胜过 100 门付费课程"。

核心观点

找到可验证的抽象层，而非逐行审查代码：就像 CTO 靠验收测试管理工程师、PM 靠体验产品验证功能，开发者需要建立不读底层代码就能验证的检查点。Vibe Coding 的核心是"忘记代码，但始终关注产品"。
聚焦"叶子节点"策略：将代码变更限制在不被其他模块依赖的末端功能上，允许在这些区域产生技术债。系统主干和底层架构仍需人工严密保护。随着模型能力提升，可信任 AI 接管的层级正在向下延伸。
把自己当 Claude 的产品经理：不要问 Claude 能为你做什么，要问你能为 Claude 做什么。Erik 的标准流程是花 15-20 分钟让 AI 先探索代码库、查找相关文件、制定计划，再汇总成清晰的提示词执行。
22000 行代码的生产级合并：Anthropic 内部在 RL 代码库中成功合并了 22000 行 AI 生成代码，核心策略：数天前期规划 + 叶子节点限定修改范围 + 核心逻辑人工审查 + 长时间压力测试。两周工作量压缩到 1 天。

补充要点

TDD 是 Vibe Coding 的安全网：强制只写极简的端到端测试（快乐路径 + 2 个错误场景），确保人类能看懂。测试是 Vibe Coding 中唯一需要亲自审查的代码。
上下文压缩时机：在"人类程序员会停下来吃午饭"的自然断点处进行 Compact。先让 Claude 把计划写入文档，再压缩，将 10 万 Token 压到几千。
工具链协同：Claude Code 负责主要修改和框架搭建，Cursor 用于精确行级修改和收尾修复。面对陌生代码库，先用 Claude Code 探索建立全局视图。
关于安全：做好 PM 是根本——需要懂行，知道什么是危险的。对生产系统必须问出正确的问题引导 AI。期待涌现"数学证明级别正确"的产品和沙盒化前端开发环境。
指数级增长的含义：不是"好两倍"，而是"好一百万倍"。从 KB 到 TB 的存储跃迁就是先例。模型能力提升的速度远超想象。

当程序员得了癌症：Sid Sibal 如何用 AI 和「创始人模式」自救

Mon, 30 Mar 2026 09:06:00 +0800

本文由 AI 自动摘录整理，原始链接：当程序员得了癌症：Sid Sibal 如何用 AI 和「创始人模式」自救

推荐指数：9/10（极具启发性的真实案例，展示了 AI 在医疗决策中的实际应用）

背景

GitLab 联合创始人 Sid Sibal 在 2023 年被诊断出患有癌症。作为一个程序员和创业者，他没有选择被动接受标准治疗方案，而是用「创始人模式」+ AI 武装自己，最终实现了 No evidence of disease（无疾病证据）。

💡 其中提到的「创始人模式」在 Paul Graham: Founder Mode 中有详细说明。

核心故事

Sid 的治疗经历有几个关键特点：

1. 拒绝接受系统边界

标准医疗给出了一条算法流程，走到尽头就是尽头。但 Sid 的程序员直觉告诉他：这只是别人定义的边界，不是物理规律。

2. AI 作为超级助理

Sid 团队用 AI 做了很多事情：

把 RNA 测序结果（CSV 文件）喂给 GPT-4，AI 标记出了 B7H3 这个关键靶点，还识别出肿瘤微环境的免疫动态
搭建了一个系统：用自然语言提问，AI 自行进行文献检索、提出假设、设计分析框架，然后直接对 60 万个单细胞数据运行分析
一次分析大约 20 美元 API 成本，跑 30 分钟

3. 并行而非串行

商业逻辑里，如果有十条路可能走通，你不会一条一条地测试，你会同时探索。Sid 把同样的逻辑用在了治疗上——多种疗法并行，用数据快速评估。

4. 细节极度投入

Sid 和团队不是把诊断数据交给医生等结论，他们自己去读数据、找规律、提假设。AI 大幅压低了这个学习门槛。

关键人物：Jacob Stern

遗传学家，曾任 10x Genomics 高管。Sid 招募他全职加入，成为整个诊疗体系的「CEO」。

Jacob 坦率承认，他做的很多事情完全超出了自己原本的知识边界。但 AI 让他能快速上手，成为专科医生的合格对话者。

金句摘录

「我意识到这个人活在三十年后的未来」—— Jacob Stern 评价 Sid

「我能看到未来——你会得到一个针对自己癌症的个性化疫苗，那必须依靠 AI 来实现，因为根本没有足够多的医生来完成这件事。」

「未来就在这里，只是分布不均」—— William Gibson

启发

Sid 是一个异常值。他的资源、智识和个人特质，缺一不可。但他的故事是一个存在性证明——就像当年 Magic Johnson 宣布感染 HIV，所有人以为他时日无多，结果他活得好好的，而他获得的那些超前治疗，现在已更为普及。

Sid 正在做的，很可能是三十年后的癌症标准疗法的一部分。AI 正在把这套体系的成本急剧压低。路是踩出来的，走在后面的人，能走得容易一些。

参考链接

Paul Graham: Founder Mode

Mon, 30 Mar 2026 15:32:00 +0800

本文由 AI 自动摘录整理，原始链接：Founder Mode

推荐指数：10/10（必读原文）

背景

在 YC 的一次活动中，Airbnb 创始人 Brian Chesky 分享了他如何被迫放弃"管理者模式"，转而发明一种更适合创始人的公司运营方式。Paul Graham 发现这不仅是 Airbnb 的问题，而是几乎所有成功创始人都会遇到的困境。

核心观点

两种模式：创始人模式 vs 管理者模式

硅谷一直假设：公司扩张 = 切换到管理者模式。但实际上，创始人被迫采用管理者模式后，公司往往变差。

管理者模式的问题

传统管理教条：

“雇佣优秀的人，给他们空间做自己的工作”
不要"微观管理"
只通过直接下属与公司互动

问题：这些建议在实际操作中往往意味着"雇佣专业骗子，让他们把公司开进沟里"。

创始人模式的特点

打破"只能通过直接下属管理"的原则
跨级会议（skip-level meetings）成为常态
更深度的参与，更细致的介入
信任需要赢得，而不是默认授予

Steve Jobs 的例子

Steve Jobs 每年会组织一次由他认为 Apple 最重要的 100 人参加的闭门会——这 100 人不是按组织架构图选出来的。

这种做法需要巨大的意志力，但效果显著：让大公司感觉像个创业公司。

启发

1. 现在的建议是反向的

创始人已经取得了巨大成就，但他们是在"错误建议"的逆风中做到的。一旦我们知道正确的做法（创始人模式），他们能做到更多。

2. 创始人有独特优势

有些事情创始人能做，但职业经理人做不到。不利用这些优势对公司来说是一种浪费。

3. 还在探索中

目前没有关于"创始人模式"的书，商学院也不教。我们只知道它存在，并且比管理者模式更有效。

4. 未来的机会

一旦创始人模式被充分理解，我们将看到更多像 Steve Jobs 而不是 John Sculley 领导的公司。

金句

“雇佣优秀的人，给他们空间做自己的工作” —— 这听起来很美好，但在实践中往往意味着"雇佣专业骗子，让他们把公司开进沟里"。

“创始人感觉被两边 gaslight：被告诉他们必须像管理者一样运营公司的人，以及当他们这样做时公司里的员工。”

“看看创始人已经取得的成就，而且他们是在错误建议的逆风中做到的。想象一下一旦我们知道正确的做法，他们能做什么。”

原文链接

Founder Mode - Paul Graham

Kimi新架构让马斯克叹服！17岁高中生作者一战成名

Tue, 17 Mar 2026 18:15:00 +0800

本文由 AI 自动摘录整理，原始链接：Kimi新架构让马斯克叹服！17岁高中生作者一战成名

推荐指数：8/10（推荐读原文）

背景

月之暗面（Kimi）团队提出了一种新的 Transformer 架构改进方案——Attention Residuals（注意力残差）。核心思路是：把注意力机制"旋转90度"，用 attention 替代传统的残差连接。这篇论文让马斯克、Karpathy 等人为之一震，更令人惊讶的是，共同一作之一是一名年仅17岁的高中生。

核心观点

残差连接的本质问题：传统 Transformer 的残差连接是固定模式（加法），而 attention 是动态的信息聚合。团队提出：既然时间维度上 attention 替代了 RNN 的固定递归，那深度维度上是否也该用 attention 替代固定的残差连接？
时间-深度对偶性：深度神经网络的"层"和循环神经网络的"时间步"本质上都是对信息的迭代处理。Transformer 在时间维度上用 attention 替代了 RNN，现在在深度维度上也该如此。
即插即用：Attention Residuals 不需要修改网络其他部分，可以直接替换残差连接，兼容现有架构。

补充要点

17岁高中生陈广宇（Nathan）：一年前还不知道 Transformer 是什么，通过黑客松结识了奇绩创坛创始成员董科含，后者成为他的创业导师。在 DeepSeek 研究员指导下，利用 Gemini 作为辅助工具研读经典论文、追踪 GitHub 开源项目逐步建立认知。
从兴趣到能力：他在推特上分享对一篇博客的反思后获得作者回复，引起硅谷 AI 初创公司 CEO 关注，通过通宵实验测试后获得实习机会。在硅谷七周实习期间负责涉及 144 张 H100 显卡的项目，参与招聘系统搭建、技术内容输出及融资策略讨论。
加入 Kimi 的契机：正是 GitHub 上的 Flash Linear Attention（FLA）项目吸引了他对机器学习的兴趣。实习结束后回国，于去年 11 月加入月之暗面，做的正是最底层、最核心的 attention 工作。
成长路径启示：相比"少年天才一路开挂"的故事，陈广宇的经历更像另一种路径——先被时代最前沿的技术击中，再一步步把兴趣磨成能力，把能力带到真正的大模型研发现场。

我们能学到什么

1. 快速入门新领域的方法论

陈广宇用一年时间从零到共同一作顶会论文，他的方法值得借鉴：

用 AI 辅助学习 AI：用 Gemini 帮助研读经典论文、理解概念
追踪开源项目：从 GitHub 的 FLA 项目入手，看实现、读代码
社交学习：在推特分享思考，获得大牛反馈
实战验证：通过黑客松、限时实验测试证明自己

2. 底层技术才是护城河

陈广宇没有停留在应用层，而是"一路往更底层钻"——研究 Triton kernel、理解 attention 为什么能被这样重写和加速。这提醒我们：表层技术迭代快，底层原理相对稳定。

3. 连接比天赋更重要

他不是闭门造车，而是：

参加黑客松结识导师
在社交媒体主动输出
通过实习进入核心圈子

主动连接能让你进入正反馈循环。

如何快速入门新领域

结合陈广宇的经历，总结一套可复制的方法：

找到入口：一个让你"被击中"的开源项目或论文
AI 辅助深读：用 AI 帮你啃懂经典论文，不懂就问
动手实践：跑代码、改参数、看效果
公开输出：在社交媒体分享学习笔记和思考
寻找社区：参加黑客松、加入开源项目、找导师
向下扎根：不要停留在 API 调用层，往底层原理钻

论文地址：Attention-Residuals

魏磊杰 | 立足现实情势再谈台湾统一的现实迫切性

Tue, 10 Mar 2026 20:29:00 +0800

本文由 AI 自动摘录整理，原始链接：立足现实情势再谈台湾统一的现实迫切性

推荐指数：6/10（读重点章节）

背景

厦门大学法学院教授魏磊杰发表于《中国评论》2026年2月号的文章，批判「新现状维持论」「瓜熟蒂落论」「民主统一论」三种立场，论证尽早「收台」的战略迫切性。文章从四大迷思入手，分析台湾内部政治、民意走向、台积电战略价值变化等因素。

核心观点

「新现状维持论」的基础是四大迷思：维持现状的是台湾 vs 改变现状的是大陆；台湾是民主灯塔；台湾民众会像乌克兰一样战斗到底；台积电是「护国圣山」——作者逐一解构
台湾民主已变质：民进党全面执政后，媒体绿化、人事酬庸化，形成「民选国王制」，赖清德时代更是一派独大，不可能接受「维持现状」剧本
台积电不再是永久筹码：美日韩 2030 年前后将承担相当部分先进制程产能，一旦「台积电」变「美积电」，台湾对美国的战略价值将重新定价

补充要点

赖清德将大陆列为「境外敌对势力」，提出 17 项因应策略，两岸敌意达历来最高
民进党「极限施压」的两个考量：选举需要区分敌我；部分人认为越早打越好，趁美军仍有优势
台湾民众缺乏战争意志：四百年未经历重大战火，追求「小确幸」，对战争残酷性缺乏认知
地缘条件差异：乌克兰有北约接壤可获援助，台湾是海岛，一旦封锁将孤立无援
台湾民调数据：89.5% 不认同大陆对台威胁，84.4% 支持台湾未来由 2300 万人决定
作者建议：自行设定「收台」日程（2027/2035/2049），形成「战术模糊」下的战略确定性

散户资金跟踪策略的彩蛋

Sun, 08 Mar 2026 21:48:00 +0800

本文由 AI 自动摘录整理，原始链接：散户资金跟踪策略的彩蛋

推荐指数：7/10（推荐读原文）

背景

本文来自「叙市」公众号，分享了一个基于散户资金流向的 ETF 跟踪策略。核心逻辑是：当散户资金持续流出但指数企稳时，往往意味着非散户资金（机构）在悄悄建仓，这是潜在的交易机会。

核心观点

散户资金背离信号：畜牧ETF(159867)散户资金一路降低，但指数企稳，存在非散户资金补位流入的可能，随后迎来+4%反弹
基本面理由滞后出现：大资金建仓完成后，基本面利好才会被"找出来"作为上涨理由；等散户资金调头追涨到枯竭，这些理由就失效了
低支撑位建仓原则：局势不定时，尽量买在低支撑位，逢反弹积累安全垫；追高建仓容易自乱阵脚，哪怕中长期看好也一样

补充要点

本周关注方向排序：石油ETF(159697)、化工ETF(159870)、煤炭ETF(515220)有能源涨价情绪支撑
分仓管理：账户五等分跟踪不同策略，避免仓位同时陷入被动
超跌信号增多：恒生科技指数、证券ETF(159993)等被砸出超跌机会
年报季临近：关注细分行业优质公司，纯题材炒作担心业绩有雷
心理建设：手里有事干就不容易被情绪左右，大部分恐慌是闲出来的

关键案例

畜牧ETF：散户资金流出加速但指数不跌 → 机构建仓 → +4%反弹
京东Q4：经调整利润下降90%，股价被砸到关税战低点才V起来
海兴电力：电网设备明牌高确定性，仍被恐慌砸回37再反弹到42.5

策略要点

散户资金跟踪策略每周日在知识星球更新，一年52周会有几十次优质信号。平常心做交易计划，看一遍就好，不需要频繁操作。

Claude Code 工程师：我们花了一年，才学会像 Agent 一样思考

Sun, 08 Mar 2026 20:14:00 +0800

本文由 AI 自动摘录整理，原始链接：Claude Code 工程师：我们花了一年，才学会像 Agent 一样思考

推荐指数：8/10（推荐读原文）

背景

Claude Code 核心开发者 Thariq 写了一篇长推「Lessons from Building Claude Code: Seeing like an Agent」，分享了他们一年多来设计 Agent 工具的心得——不是发布新功能，而是讲怎么想明白该给 AI 配什么工具这件事。

核心观点

工具能力上限取决于使用者能力上限：给不会编程的人一台超级电脑，不如给他计算器；同理，给 Claude 配一堆它用不好的工具，不如配几个它真正懂得调用的工具
一个工具一个语义，混合意图会让模型困惑：AskUserQuestion 工具迭代了三次才成功——失败原因分别是语义冲突、自由文本不稳定、模型不知道何时调用
模型能力进化，工具设计需要跟着迭代：TodoWrite 曾经必要，但后来反而束缚了更强的模型；今天正确的约束，明天可能是枷锁
渐进式披露：不加工具也能加能力：通过「Context on Demand」让 Agent 需要时再拉取上下文，而不是把文档全塞进系统提示

补充要点

学会"像 Agent 一样看世界"：读它的输出、做实验、持续观察，而不是假设它能或不能做什么
工具多了有代价：每多一个选项，模型就多一个决策负担，性能和稳定性都会受影响
Claude Code Guide 子 Agent：专门回答关于 Claude Code 自身的问题，有专门优化的搜索指令
Grep 工具替代 RAG：让 Claude 自己搜索代码库，主动构建自己需要的上下文
工具设计是艺术不是科学：高度依赖模型、目标、环境三个变量，唯一可靠的路径是持续实验

读 OpenAI 的 Harness Engineering，我学到的几件事

Sun, 08 Mar 2026 18:48:00 +0800

本文由 AI 自动摘录整理，原始链接：读 OpenAI 的 Harness Engineering，我学到的几件事

推荐指数：8/10（推荐读原文）

背景

OpenAI 官方博客《Harness Engineering》分享了他们内部团队如何用 Codex（基于 GPT-5 的编码 Agent）从零构建真实产品：3 名工程师在 5 个月内，全程不写一行代码，完全通过 prompt 驱动 AI 产出约 100 万行代码。文章总结了在"让 AI 写全部代码"这条路上踩过的坑和积累的经验。

核心观点

给 Agent 一张地图，而不是百科全书：AGENTS.md 精简到约 100 行，只充当目录指向结构化 docs/，避免上下文稀释和模式匹配退化
仓库是唯一的真相来源：Agent 访问不到的东西对它不存在，偏好"无聊"但稳定的技术，有时宁可重写也不用不透明的外部依赖
约束越严格，Agent 越高效：固定依赖方向 + 确定性 linter + LLM 审计，中央强制边界、局部允许自治，约束越清晰解空间越小
模型是马，驾具是缰绳：未来工程师的核心能力是设计"驾具"——定义约束、构建反馈循环、管理文档结构

补充要点

当 Agent 搞不定时，问"缺了什么工具/文档/能力"，让 Agent 自己补，而不是自己上手
大 AGENTS.md 失败的四个原因：上下文稀释、重要性通胀、快速腐烂、难以验证
“纠错成本低，等待成本高”：PR 生命周期要短，让快速检测修复替代一次性做对
技术债像高息贷款：持续小额偿还 > 复利后痛苦解决，把人类品味"固化"进系统持续执行
透明内部代码比不透明外部依赖有更高"杠杆"：Agent 能看到仓库代码，但翻不了文档

思考 on To the Moon

用 AI 要更有野心：Claude Code 负责人的四层方法

背景

核心观点

补充要点

嵌入式C语言会不会像当年的汇编一样被边缘化？

背景

核心观点

补充要点

世界级编程大师：AI写的代码，我一行都不看

背景

核心观点

补充要点

Claude Code 源码背后的五大设计哲学与妥协

背景

核心观点

补充要点

全球奥赛奖牌得主追踪：天才少年二十年后的人生轨迹

背景

核心观点

补充要点

GPT之父：只用1930年前数据训练AI，它居然也会写Python

背景

核心观点

补充要点

Anthropic研究员Erik Schluntz的Vibe Coding大师课

背景

核心观点

补充要点

当程序员得了癌症：Sid Sibal 如何用 AI 和「创始人模式」自救

背景

核心故事

关键人物：Jacob Stern

金句摘录

启发

参考链接

Paul Graham: Founder Mode

背景

核心观点

Steve Jobs 的例子

启发

金句

原文链接

相关链接

Kimi新架构让马斯克叹服！17岁高中生作者一战成名

背景

核心观点

补充要点

我们能学到什么

1. 快速入门新领域的方法论

2. 底层技术才是护城河

3. 连接比天赋更重要

如何快速入门新领域

魏磊杰 | 立足现实情势再谈台湾统一的现实迫切性

背景

核心观点

补充要点

散户资金跟踪策略的彩蛋

背景

核心观点

补充要点

关键案例

策略要点

Claude Code 工程师：我们花了一年，才学会像 Agent 一样思考

背景

核心观点

补充要点

读 OpenAI 的 Harness Engineering，我学到的几件事

背景

核心观点

补充要点