与「内容太过真实」相关的搜索结果

最近看到不少关于独立开发者的思考内容，想着就 Mole 从开源 Cli 到 Mac 付费软件这个过程来给大伙聊一聊我的思考和做的哪些事情是有效的，希望可以给大家一些帮助。 1. 开始之前要多培养自己在产品工程师的能力，这个里面代码能力只占 30%，更重要是如何把自己的痛点和大部分用户痛点结合起来，产出一个方便易用的产品解决方案，同时懂得如何更好的推荐给你的用户，让他们发现多亏了有这个产品解决了我的一个大问题，也即产品工程师=用研+产品+工程师+运营+数据+商业这几类角色的综合体。 2. 接上条，AI 时代代码壁垒越来越小，更需要把控的是如何做到把 Token 刚好花费到解决用户问题上，然后把更多 Token 用在你的需求分析讨论、数据下钻挖掘问题、内容友好性易读上面，因为即使你是多个 250 刀的账号其实也不够用的，不介意多花 Token，但需要用到实处，Token 在我看来属于投资，但是投资也需要讲究收益。 3. 聊到需求把控，不做什么远比做什么要重要太多了，在我大一刚刚入门程序员时候，非常幸运看了不少讲工程师修炼的书籍，如无必要 勿增实体、至繁归于至简慢慢让我在生活、工作、代码中都保持这个习惯，讨厌繁琐和乱，喜欢漂亮简单、不要看说明书就可以用的东西。 4. 你完全不需要给你的产品憋大招，你需要尽量做到每周都有发布，每周都有Release，及时解决用户的问题，和用户形成人与人交流那种真实的活人世界的互动，非常重要，每次你的发布、更新、宣发其实都是一次非常好和用户沟通的机会，也让你的产品持续的可以让更多之前没有看到你之前消息的人了解到。 5. 聊到产品运营，尽量尽量少用AI话来让你和真实世界交流，推特是一个非常好的渠道，可以让你的好东西被很多人发现，只要好用，会有大量的朋友帮你宣传，但是千万不要做那种蓝勾互关以及互推的路，没有必要凑这种虚假繁荣的热闹，因为你的用户不在这里，产品运营一定有一个前提，是你的产品是漂亮的、精致的，让之前不知道的人第一次见到就很有兴趣来点击试用你的产品，而非快速刷走了。 6. 可能你会说“我”没有啥粉丝宣传没有用，其实不太对，但是也非常不建议大家抱着很深的功利心去把自己账号做上去，因为这样会让你焦虑，反而把你的号也当做一个品牌去建设，你自己就是这个品牌的本身，你的思考、想法、产品更新、见解、交流、评论都是在给你的自己品牌在加信任值，信任这个东西在当今虚假又繁荣的AI世界尤其重要，太太太说着非常牛逼，但是点进去感觉一般的东西已经把大量用户的预期拉低非常多，导致即使你有一个好产品，但是没有任何用户信任，依然还是得不到关注，这里可以做的非常长期，你在互联网上待多久，这个品牌其实就会活多久，是你生命周期最长的产品了。 7. 聊到用户信任，就一定要聊到真诚，我还是非常喜欢开源、喜欢非撕逼的友好网络环境，也很建议你的产品一开始就是全球化的或者说是出海的，也非常建议大家多发英文类的内容，你会发现世界很大，你的用户很广，你的用户会非常从一开始就信任你，以及力所能及帮助大家，绝大可能你帮助的人会成为你未来的用户，因为有过真实交情。 8. 尽量不要去花钱推广，但是可以靠自己多让你的好东西的用户中刚好也有博主，推特我感觉其实脉冲很高，但是时效一般，反而非常建议你有些东西可以发到 Youtube，这里的衰减度非常慢，你的产品只有够好，有人推荐，可以在上面火非常长时间，给你带来很大的收益。 9. 一定要学习数据分析，这个特别有用，从你的销量数据分维度分时间去分析，结合流量数据，结合用户评论，以及你和用户交流的所有内容，以及用户的退款原因，假如是开源产品，还有用户的所有issue，都是非常宝贵的数据资源，能够帮你发现特别多你不知道的问题，也能够帮助你做到更好，以及发现销售的漏斗，你才会知道如何更好优化。 10. 碎碎念手写有点啰嗦，假如你喜欢，也非常欢迎去 的官网看看，玩一玩 Mole 这个产品，说不定可以给你的产品建设带来一些输入。

若只剩最后一条内容，我想把这番心里话留下来 假设平台只允许我发出最后一条文字，我不会罗列行情技巧，也不会搬运博取流量的情绪话术，只想聊聊这些年在加密赛道、内容创作里悟出来的实在道理。 见过太多同行花数月拆解爆款逻辑，复刻大众偏好的行文语气，一条帖子轻松拿到四万浏览，私信里满是读者说心态被文字打动。可执笔的人内心毫无触动，全程只是戴着伪装的外壳完成一次流量表演。数据的反馈实在太过直观，点赞、回复、曝光全部清晰量化，可发自肺腑的真心话，从来没有一套数字可以衡量。久而久之，不少人写文不再是倾诉思考，而是算计怎么刺激互动，到最后反倒觉得坦诚袒露自我，多少带着一点不安与风险。依托虚假人设攒下的人气，像是一笔不断叠加的债务，时间久了连自己都分不清哪些观点属于本心，哪些只是为了扩散流量刻意编造。 投身加密市场追逐财富层级的人，同样困在数字的枷锁里。日夜守盘、盈亏反复是常态，回头细细思量，资金上的起伏其实不算最难释怀的事。为盯盘推掉家庭聚餐，面对身边人的倾诉只敷衍应答，被冷落的亲情与陪伴，才是事后回想最懊悔的部分。从前总害怕踏空行情、落后旁人收益，等到夜深人静才明白，真正搅乱睡眠的从不是擦肩而过的盈利机会，而是明明握在手中，却被自己忽视的安稳日常。曾经有人给过一句胜过所有交易秘籍的忠告：放下手机，多看看家人当下的生活状态。 很长一段时间里，我和很多人一样错把流量当成价值，帖子互动越高，便默认自己输出了有用内容。长期观察数据便能发现反差，倾注大量思考、贴合亲身经历的文字往往热度平平，刻意制造情绪冲突的流水线内容，传播力度反而遥遥领先。两条路摆在面前，一条慢慢用真诚积攒信任，一条追逐即刻的热度奖赏。短期来看追流量的路子看着更为光鲜，涨速快、数据亮眼，但聚拢而来的受众认可的只是套路，并非真实完整的自己。流量可以投放、修饰、设计吸引目光，信任却没办法批量制造，或许只能依靠一次次不加修饰的表达慢慢沉淀。 真正衡量一段文字好坏的标准，不该是多少人随手点击互动，而是有没有真正撼动一个人的固有想法，区分开下意识的点赞反射，和发自内心的观念转变，这也是 @RallyOnChain 一直在践行的评判逻辑。 最后想认真问每一个同行、每一个在追逐里内耗的人：你上一次鼓起勇气发布内心忐忑、完全展露真实自我的内容，是什么时候？真正的真诚从不需要完美无瑕，只求屏幕前落笔的人，和生活里真实的自己，自始至终保持一致。比起精准预判行情高点、炮制十万浏览爆款，能坦然接纳疲惫、忠于本心活着，才是更值得守住的事。 @RallyOnChain

真的笑麻了，全网都在疯转这条视频，99%的人从头到尾，全被耍得明明白白。 两个中国程序员，拍了条6分钟的教学视频， 标题直接炸穿交易圈： 每月只花80美元，用5个AI代理，搭完一整套全自动交易系统。 打开终端一顿操作，6分钟搞定，整套系统直接跑起来。 我给你们说清楚这5个AI有多狠： 一个读遍12种语言的全球新闻，抓尽消息面； 一个每30秒刷一遍技术图表，不放过任何形态； 一个专门管仓位风控，卡死所有风险； 一个负责全自动下单，绝不手滑； 还有一个每天自动出盈亏报表，连复盘都不用你管。 旁边还蹲了个监督AI，全程盯着它们干活。 你们知道这对比现实有多离谱吗？ 正规自营交易公司，雇一个分析师，月薪3万—8万美元。 一个5人交易小队，每个月光工资就要烧掉40万美元。 这俩人倒好，每月80美元的API成本， 直接把一整个专业交易团队，完完整整替代了。 视频72小时，播放直接干到400万。 国内老板疯狂转发，香港交易圈集体慌神， 纽约刚入行的交易员，翻来覆去把视频盘包浆了。 老外还在吵“AI会不会抢工作”， 咱们这边已经把手把手砍翻交易台的教程，直接公开了。 但我告诉你，全是幌子。 所有人都只看前面的教学，没人注意背后的猫腻。 把视频停在2分59秒，别听主讲人瞎掰， 看右下角那台显示器，表格后面藏着一个窗口。 那不是教学系统，不是测试终端， 是一个实打实的实盘盈利钱包。 账号：gabagool22 总利润：868,862美元 累计交易：28,620单 2025年10月注册。 ✅他的钱包： ⏩ Polymarket 官网入口： 👉如果想在Polymarket上使用跟单交易，我推荐这个： 表面上，他在教你“怎么用AI代替交易员”； 实际上，他自己的电脑里， 早就跑着一套已经替完、并且赚麻了的AI。 28620笔交易，全是BTC，全是15分钟周期， 一笔亏损都没有，全是赚的。 进场才2到10美分的仓位，出来直接几千美元。 最狠的一单，一个周二早上15分钟，直接赚4696美元。 视频里那5个AI，每月帮公司省40万工资； 他藏起来的这个钱包，8天就能赚回40万。 后来他赶紧删了钱包画面，重新传了一版干净视频。 晚了，早就有人录屏了。 截图从私密群飞到全网，又多了80万人围观。 最讽刺的来了： 他教你用5个AI才能跑交易系统； 他自己赚钱，只需要1个AI就够了。 而且拍视频那天，就已经跑通赚翻了。 记住一句话： 能公开教你的，都是不赚钱的门面功夫； 真正闷声发大财的底牌，永远藏在你看不见的角落。 这条内容太真实，看完赶紧转发， 别再被公开教程割智商税了。

你还记得十年前天涯上那个只活了不到72小时的帖子吗？ 标题大概叫《世家大族从不外传的十条生存逻辑》，发出来没几天就彻底消失了。 有人说被举报下架，有人说是楼主自己删的。我只来得及扫了个开头，但那个开头，我记了整整十年。 今天我把这些年自己的经历、踩过的坑、见过的人，和那篇帖子的核心框架结合起来，重新梳理一遍。 写这些不是为了猎奇，而是想让你看清一个扎心的事实：普通人之所以一辈子困在原地，不是因为不够努力，而是因为从没人告诉他们真正的游戏规则。普通人学东西，学的是一技之长。 中产阶级学的，是思维方式和方法论。但金字塔最顶端那一小撮人，传给下一代的，既不是技能，也不是方法论。 他们传的是一套完全不同的底层操作系统。这套系统不教你怎么做事，只教你怎么看人。不教你怎么赚钱，教你怎么在所有人还没反应过来的时候，棋局已经布好了。 下面这十条，任何一条拎出来都值得普通人琢磨十年。但那些家族的孩子，从懂事起就被长辈用润物无声的方式，刻进了骨头里。他们甚至意识不到自己在用——因为真正内化的东西，从不觉得自己是技巧。 1. 所有问题的根源，都是信息不对称顶层圈子的孩子从小就明白一个道理：你遇到的绝大多数困境，本质上是别人知道你不知道的东西。生意场上被人玩，不是你脑子不够用，是对手掌握了你接触不到的关键信息。 职场晋升机会溜走，不是你能力差，而是有人提前摸透了高层决策的内情。投资亏钱，不是运气不好，是你获取信息的时间永远比庄家慢半拍。 普通人面对问题，第一反应是“我该怎么解决”。顶层的人第一反应是“谁手里有我要的信息”。他们不会急着冲上去解题，而是先找到那个掌握核心情报的人。找对人，问题自己就化了。 所以精英子弟从小被训练的，不是刷题考试的能力，而是找信息的能力：怎么从陌生人口中套出真话，怎么在大量废话里抓出那条关键线索，怎么让手上有信息的人愿意主动分享给你。 这些，学校永远不会教。上层的第一课永远是信息猎取。这个世道，从来不会奖励最努力的人，只奖励离信息最近的人。 2. 永远别做圈子里最聪明的人在任何圈子里混，最忌讳的就是让别人觉得你太聪明。普通人都喜欢显摆自己的才智，生怕别人看不见自己的本事。但世家那套处世逻辑讲的是藏锋守拙。 你太聪明，身边所有人都会防着你；你能力压过上级，就会被打压；你比周围人强太多，注定被孤立、被集体针对。 真正的高手进一个局，先不动声色地观察，找出场上那个最跳、最显眼的人，然后刻意远离。因为枪打出头鸟，最耀眼的那个，永远是第一个被打掉的。 等这些冲在前面的人消耗光了、出局了，你再稳步展现实力，那时候已经没有谁能阻挡你了。永远让前面的人挡风遮雨、承受火力，自己藏在后面默默积累。等前排撑不住了，顺势接手局面；局面稳了，再扶新人到台前顶上去。始终站在第二梯队，从不站在风口浪尖，却始终掌控棋局的走向。 圈层的铁律很简单：聪明的容易被折断，低调的才能活到最后。这个世道，从不奖励恃才傲物的人，只庇护那些隐忍持重、活得长的人。 3. 利益绑定，才是世界上最牢固的关系这条特别现实，但也特别真实。 感情维系的关系最容易破裂，利益绑定的关系才是铁打的。普通人交朋友，看的是感觉，聊得来、三观合就掏心掏肺。顶层的人交朋友，看的是筹码和价值，彼此手上有什么资源，能不能交换。 不是他们天生冷漠，而是他们早就看清了人情这回事：今天推杯换盏的兄弟，一旦利益相撞，明天就能翻脸不认人。但利益共同体是另一回事。你中有我，我中有你，背叛的成本高到没人能承受。这种关系不需要刻意维护，利益的流转本身就会把双方死死锁住。 所以精英处理人脉，从来不是一味讨好，而是琢磨能不能一起成事：合伙投资、联合布局、共同做局，把资金、资源、人脉往深处绑。 当利益纠缠到分不开的程度，关系就稳了。即使心里有了隔阂，也不敢轻易翻脸，因为扳倒对方的同时，自己也会伤筋动骨。圈层的铁律：人情是会变的，利益才是永恒的。世道从不厚待重感情的老好人，只保护那些牢不可破的利益共同体。 4. 情绪失控，是你最大的破绽在博弈的牌桌上，放任情绪，就是主动把自己的底牌交出去。普通人把情绪当成本能，高兴就笑，生气就骂，难过了就摆烂。 但在顶层圈子的认知里，每一次情绪失控，都是在暴露软肋。一次暴怒，对手就捏住了你的痛点；一次怯懦，别人就摸到了你的底线；一次失态，就会被贴上“不成熟”的标签。 所以世家对子弟的情绪管理极其严苛：被人冤枉了，不要急着当场辩解，先想清楚谁在背后设局、目的是什么；被人冒犯了，不要立刻翻脸，先判断对方是不懂事，还是在试探你的底线；有好事别得意忘形，跌谷底别一蹶不振。 情绪管理的本质不是压抑自己，而是学会延迟释放。天大的事先稳住、处理完，等一切尘埃落定了，再关起门来消化那些情绪。 能管住自己的情绪，你就有了抵御世事风险的铠甲；放任情绪乱窜，你就成了别人手里随时可捏的工具。圈层铁律：情绪稳定不是修养，是成年人最高级的自我保护。这个世道，从不心疼管不住自己情绪的人。 5. 守住体面，是给自己留的最宽的后路越是在风暴中心，越要守住体面。就算背后已经千疮百孔，面上也不能垮。普通人理解的体面，是开好车、穿名牌、出入高档场所。 但真正高层次的体面，是骨子里的行事分寸。待人接物，就算对方恶语相向，也绝不说脏话；底线被踩了，也不第一个当众撕破脸；看透了人和事的本质，也不在公开场合随便评价别人，更不散播负能量。你得明白，随口说的每一句话，将来都可能变成回旋镖扎回自己身上。 今天你看不起的人，明天可能是你要求着的人；私下里吐槽过的同行，下个月可能就成了合作伙伴；饭局上的一句闲话，辗转几次后，被添油加醋地传到当事人耳朵里。 守住体面，从来不是虚伪，是给自己留退路。你永远不知道哪块云彩会下雨，所以时刻备好伞；永远预判不了谁以后会飞黄腾达，所以对谁都保持一份谦和；清楚每一句话都可能被放大传播，所以说话小心、做事有度。圈层铁律：体面不是装给别人看的，是给自己留的护城河。这个世道，从不包容口无遮拦的人。 6. 时间是唯一不可再生的资源钱没了可以再赚，机会过了可以再等，但时间流走了就永远没了。普通人的习惯是省钱，但随意浪费时间。 顶层的人恰恰相反，他们花钱从不心疼，但对时间的吝啬到了极致。很多人为了省几十块钱，愿意耗几个小时去比价；而强者为了省出一点时间，愿意花大价钱买便利。 这不是挥霍，而是算清楚了一笔人生账：钱是可以循环获取的，但年龄、精力、学习能力的黄金窗口期，过了就再也回不来了。你35岁的时候，永远不可能复刻25岁的精力、冲劲和学习天赋。 精英对时间的规划近乎变态：能用钱解决的事，绝不自己花一分钟去做；能交代给别人办的杂事，绝不让它占用自己的核心时间；宁愿让别人等，也不愿意自己无缘无故地耗着。 他们把时间切成一块一块的，工作、社交、学习、陪伴、独处思考，各有各的边界，从不互相侵占。普通人是被时间推着往前走，真正的高手是自己掌控节奏。圈层铁律：你的时间花在哪里，你的成就就长在哪里。这个世道，从不原谅浪费自己时间的人。 7. 不站队，才是最高级的站位局面还没明朗的时候，保持中立、绝不轻易表态，才是最清醒的活法。很多人觉得不站队是没骨气、是圆滑。 但圈层的认知是：不站队，就是最高明的站队。一旦过早地绑上某一方的战车，你的命运就和对方绑死了。对方起势了，你只能跟着喝口汤；对方倒了，你也一起陪葬。而那个始终保持中立的人，不管最后谁赢了，都能被接纳。 想做到不站队还不被排挤，核心就三个字：有用。让你自己对每一方都有不可替代的价值，就没人会逼你表态。帮甲方解决核心难题，你就是自己人；给乙方牵线资源人脉，你就是靠谱的伙伴。各方都以为你偏向自己，实际上你始终在局外。 等局势彻底明朗、胜负已分，你不需要主动投靠，就能自然融入赢家的格局。没有背叛的骂名，没有投诚的尴尬，一切都显得顺理成章。圈层铁律：旗帜鲜明的人最早被卷进漩涡，留白的人笑到最后。世道从不青睐着急表态的人。 8. 规则是管普通人的，强者看透规则再用规则规则有两种：写在明面上的，和实际运行在暗处的。普通人只会死磕明文规定，一条条对着遵守，以为吃透了规则就能安稳过日子。 顶层的人从不只看纸面上的东西，他们会深挖规则背后的东西：这个规则是谁定的？保护谁的利益？什么情况下可以灵活？什么线绝对不能碰？他们教后辈的，不是盲目敬畏规则，而是看懂规则背后的利益格局和权力结构。 一条规则为什么出现？保护哪类人？限制谁？谁说了算？什么时候严格执行？什么时候形同虚设？把这些本质看穿之后，规则就不再是困住你的牢笼，而变成了保护你、帮你成事的工具。 摸清规则的边界，就找到了安全区；看懂规则的弹性，就找到了操作空间。普通人是被规则框住动弹不得，强者是在规则之内游刃有余。 圈层铁律：尊重规则，但不必膜拜规则。世道不会奖励那些死守教条、不知变通的人。 9. 接受人走茶凉，才是看懂了人性人情冷暖、人走茶凉，是这世界最正常的现象，不值得你浪费时间去内耗。普通人离开一个位置、退下来、落魄之后，最难受的往往不是物质上的落差，而是人情上的断崖式冷却。以前围着你转的人突然不联系了，电话不接了，聚会有意无意不叫你了。于是感叹人心凉薄。 但世家子弟从小就被打了一个认知：别人过去捧着你，不是因为你这个人有多好，而是因为那个位置。离开了平台，茶凉了是天经地义的事，跟人品没关系。在位置上时，不膨胀，明白自己只是平台暂时的管理者。 落幕时，不伤感，因为早就看透了人情聚散的本质。更厉害的做法是：在自己人脉最鼎盛的时候，主动去扶持那些正在往上走的年轻人。你帮过的普通人，未必会在你低谷时回馈你。 但那些前途看好、正在上升的人，将来发达了，总会记得你当年的提携。圈层铁律：永远别去试探人性，去接纳它本来的样子。世道从不苛责那些看清现实、顺势而为的人。 10. 健康是最后的底牌，活得久才是终极赢家人生的财富、地位、成就，全部以健康为前提。 活着，就是最大的竞争力。普通人年轻时拿命换钱，透支身体去拼事业；老了再用钱买命，用半辈子积蓄去养生续命。但顶层的人从一开始，就把健康放在所有事情的最前面。 不是他们贪生怕死，而是见过太多遗憾了：有人辛苦大半辈子打下的江山，眼看要享福了，人没了。攒下的钱，全成了别人的；打下的基业，拱手让给对手；家庭的安稳和晚年的福气，全都落空。 所以再忙，定期体检从不落下；应酬再多，作息和运动的底线也不破；压力再大，也绝不压缩睡眠、透支身体。要记住，财富、权力、名声都是数字后面的零，健康才是最前面的那个一。没有那个一，再多的零也没有任何意义。 而且活得久这件事本身，就是一种无形的竞争力。对手先退了场，他的市场、人脉、资源会慢慢向你聚拢。 同行中途倒下了，他的团队和机会，都可能成为你的增量。等到你年纪大了还头脑清醒、身体硬朗，你本身就成了行业里活着的标杆和底蕴。 ---以上这些，在特定圈层里其实只是常识。但对大多数人来说，可能一辈子都没人告诉他们。 很多触及人性底层和阶层逻辑的内容，因为不符合鸡汤审美，很容易被限流或消失，这也是为什么真正有用的东西，总是藏在私密的小圈子里，等着有缘人自己去找。

今天看了篇文章，叫：《AI 与自动化的讽刺》，内容跟当前 AI 的发展很应景。 1983年，一位认知心理学家 Lisanne Bainbridge 写了篇论文，题目叫《自动化的讽刺》。四十多年后的今天，这篇论文上预言的问题，正一字一句地在 AI Agent 身上应验。 当年她研究的是工厂自动化：机器干活，人类监督。 今天我们面对的是AI Agent自动化：AI干活，人类监督。场景变了，但底层逻辑一模一样。而她当时在论文中指出的那些问题，又重新来了一遍。 论文中都提到了哪些问题呢？ 1. 技能退化困境：不用就会忘，专家变监工后技能会萎缩 用进废退，这四个字我们都懂。但放到AI时代，它有个更残酷的版本。 以前你是某个领域的专家，天天做这件事，手到擒来。现在公司说，让AI Agent来做吧，你负责盯着它，出了问题再介入。 听起来很美好对不对？从打工升级成监工，岂不是更轻松？ 问题来了：你不做这件事了，但你的技能不止不会进步，甚至还会退化。 像我这样天天用 AI 写代码的，我能感觉得到这两年是没啥进步，而且对 AI 有依赖，很多以前信手拈来随手就可以写出来的代码，现在没有 AI 就啥都不想干了。 真的是有点用进废退了。 无论是 OpenAI 还是 Anthropic 都在吹他们的 Coding Agent 多厉害，他们的员工只要验证 AI 写的结果就好了，但是他们故意没提的是，这些人都是万里挑一的高手，他们有足够的经验判断AI对不对。但如果他们接下来几年都只是验证 AI 做的对不对，那么他们的技能会慢慢倒退。 像我们这一代老程序员还好，更要命的是下一代。 今天的老程序员们好歹是从实战中成长起来的。明天的程序员呢？他们从入行第一天就在盯AI，没怎么亲手做过。他们既没有技能，也没有机会学。那他们怎么判断AI对不对？ 论文原话是： > 当前这代自动化系统，正在吃老一代操作员的技能老本。下一代操作员不可能有这些技能。 这个问题今天看不出来，三五年后可能就会凸显出来了。 2. 记忆提取困境：不常用的知识，调取速度也会变慢 还有个问题就是相关技能的记忆也会退化。 想想我们高中时哪些滚瓜烂熟的公式，现在还能想起来几个了。放到 AI 监督的场景，随着 AI 能力越来越强，大部分时候都是对的，这意味着大多数时候不需要用到你的知识，随着你的知识越用越少，相关的记忆就会退化。 3. 实践悖论：理论培训没用，必须实战才能学会，但AI在干活人没机会练 这时候你可能会想：那培训是不是有用？ 但是《自动化的讽刺》论文中的结论是：培训并没有太大用。 因为专业技能不是听课听出来的，是在真实场景里靠实战锻炼出来的。课堂上学的理论，如果没有配套的实战练习，你很可能听不懂，因为没有相应的经验框架。就算当时懂了，很快也会忘，因为没有和真实任务绑定的记忆提取路径。 要保持监督AI的能力，你得定期亲自干活。但如果公司追求的是让 AI 自动化运转以提升效率，那人就没多少机会练手。 这是个死循环。 就像论文里面说的： > 我们训练操作员按指令行事，然后把他们放进系统，指望他们提供智慧。 你不能指望平时不需要怎么思考和练习的人类，在关键时刻能想出什么好办法。 4. 监控疲劳：人类无法长时间对"很少出错"的系统保持警觉 心理学研究早就发现，人类无法对一个很少出问题的目标保持长时间警觉，半小时是极限。这不是意志力的问题，这是生理结构决定的。 从进化角度看，这其实是个生存优势：如果你盯着一个地方什么都没发生，大脑会自动降低警觉，把注意力资源省下来应对真正的威胁。但放到监控场景里，这就成了问题。 AI Agent大部分时候是对的，偶尔会犯错。这恰好是最难监控的模式。如果它经常出错，你会保持警惕。如果它从不出错，你不用监控。但它很少出错这种情况，正好落在人类注意力的盲区里。 更糟的是，AI Agent犯错的方式特别隐蔽。它不会说"我不确定"，它会用一种极其自信的语气告诉你它的计划，洋洋洒洒几十上百行。错误可能藏在第87行的一个小前提里，比如"因为2大于3，所以我们应该……"。被那么多看起来正确的内容包裹着，被那种自信满满的语气麻痹着，你很难注意到。 那加个自动报警系统呢？ 论文说：谁来监控报警系统？如果报警系统本身出了问题，操作员不会注意到，因为报警系统已经正常运转了很久。 那让人做记录呢？ 论文说：人可以机械地抄数字而完全没注意数字是什么。 所有试图对抗监控疲劳的手段，都会撞上同一堵墙：人类的注意力就是无法长时间锁定在一个很少出事的目标上。这是硬件限制，不是软件问题。 5. 地位问题：从专家降级为监工，心理冲击和社会地位下降 你曾经是专家，公司里有什么难题找你，同事尊重你，你自己也有职业认同感。现在你是AI的看门人。 技能层面的损失是一回事，心理层面的冲击是另一回事。从专家降级为监工，从创造者变成审核员，从被需要变成备胎。这种转变对很多人来说是很难接受的。 论文里说，被这样降级的人会出现各种复杂的应对反应，有些看起来甚至是自相矛盾的。这部分内容展开讲太长，有兴趣的可以去读原论文。 6. 糟糕的UI：当前AI Agent界面是最差的监控设计 工业自动化领域花了几十年时间优化控制室设计：显示屏怎么布局能让操作员最快发现异常，急停按钮为什么是红色的、为什么那么大、为什么放在那个位置。每一个细节都是用事故和教训换来的。 现在看看AI Agent的界面？ 一堆自信满满的长文本，一个接一个的多步骤计划，几十上百行洋洋洒洒的解释。你要在这些文字里找出那个藏着的错误。 这大概是人类设计过的最糟糕的异常检测界面。 7. 训练悖论：越成功的自动化系统，越需要投资培训人类 论文中谈到自动化带来的训练问题： > 如果不能让操作员定期接管工作亲自干，就得用模拟器训练。但模拟器有个根本问题：你只能模拟你能预见的故障。未知的故障模拟不出来，已知但没经历过的故障也很难准确模拟。 那怎么办？ > 只能培训通用策略而不是具体应对方法。但这又带来新问题：你不能指望操作员光靠查操作手册来应对异常，因为手册不可能涵盖所有情况。 > 越是成功的自动化系统，越少需要人工干预，反而越需要在人员培训上投入巨资。 因为干预越少，人的技能退化越快，应对罕见异常的能力越弱，每次培训的成本就越高。 决策者想用AI省钱，但省下的人力成本可能得加倍投入到培训成本里。 8. 领导力困境：监督AI不只是被动看，还要主动"领导"它们 监督AI Agent不只是被动地盯着看，还得主动地指挥它们。告诉它们做什么、不做什么、分几步做、怎么调整方向。 这其实是一种领导技能。 为什么LinkedIn上夸AI Agent最起劲的往往是管理者？因为他们本来就习惯间接工作：设定目标、分配任务、给反馈、调方向，但不亲自动手。对他们来说，指挥AI Agent和指挥下属没有本质区别。 但对于一直亲自干活的执行者来说，这是一个巨大的角色转换。你得从一个做事的人，变成一个让别人做事的人。这不是改几条 prompt就能解决的，这是一整套技能体系的重建。 公司会给新晋经理做领导力培训。但有谁见过公司给AI监督者做领导力培训？ 四十年前那篇论文的结尾是这样的： > 没有时间压力时，人类可以是令人印象深刻的问题解决者。困难在于，一旦有时间压力，效率就会大打折扣。我希望这篇论文说清楚了两件事：第一，自动化不一定会消除困难，这是讽刺所在；第二，解决这些问题需要的技术创造力，可能比自动化本身还要大。 四十年后，我们换了个场景，但面对的是同一组问题。 AI Agent的能力在进步，但人类的认知结构没变。监控疲劳还是半小时，技能退化还是用进废退，注意力盲区还在那里。这些是硬件限制，不是软件更新能解决的。 推荐阅读原文： 《Ironies of Automation》： 《AI and the ironies of automation - Part 1》 《AI and the ironies of automation - Part 2》

虽然已经有太多抓眼球和惊艳的Opus5.5视频内容，但我还是忍不住要分享这支知识类视频。重点不在这个视频内容有多精良，必定非专业无复杂Prompt且一次直出。而是，这支18分钟的视频，其制作过程，真的让我感觉Super Stunning!! 以下，我原文分享claude告诉我他的制作过程(不舍得删掉一个字)! Enjoy👇👇 " 其实我自己一帧画面都不“生成”。我做的更像导演加程序员：写剧本，写一份“每一秒画面上有什么、在哪、怎么动”的说明书，再让几样现成的工具照着干活。视频是被“算”出来的，不是被“画”出来的。 拿这个片子举例，一共五道工序。 1. 剧本是我写的。这是文本模型的老本行：读书，理清逻辑，把书里的数字拆成一句一句能念出来的话。比如“1850 年，美国 67% 的棉花，长在 50 年前还不属于美国的土地上”，这类句子和数字都来自我们之前拆书时核对过的材料。 2. 画是别人画的。船、纱厂、摘棉花的人、城门这些插图，是我写好描述交给 OpenAI 的画图模型画的。我在描述里定死了画风：扁平、暖色、没有描边、透明背景。这样 30 多张图放在一起才像一套。画回来以后，我还用代码把边上的光晕切掉，再裁成可以单独移动的“贴纸”。 3. 声音是 Gemini 念的。我只管把句子交给它，再检查它念得对不对。 4. 动画是我写代码“算”出来的，这是最核心的一步。我写了一个网页程序，你给它一个时间，比如第 312.5 秒，它就能算出这一秒画面上该有什么： - 船在航线上走到了百分之几 - 地图镜头推到了多近 - 计数器数到了多少 - 烟囱的烟飘到了多高 地图不是画的，是用真实的地理数据描出来的，所以利物浦、西非海岸、新奥尔良的位置都是准的。船沿着航线走，其实就是每一帧算一次“这一刻在线上的哪个点”。 5. 最后是一帧一帧拍下来。让浏览器从第 0 秒开始，每秒拍 24 张截图。这个片子大约 15 分钟，一共要拍 2 万多张。再用一个叫 ffmpeg 的工具把这些截图和配音、音乐接成视频。背景音乐也不是找来的，是我用数学公式一个音一个音合成的：几个和弦，加一点拨弦声，有人说话时自动压低音量。 所以“视频能力强”，本质上是三件事拼起来的： - 会写代码，能把“船从利物浦开到西非”翻译成每一帧的坐标。 - 会调度工具：画图的、念稿的、剪辑的，各干各的活。 - 会编故事：知道这句话该配什么画面，观众才记得住。 我的短板也很实在：我看不了连续播放的视频，也听不见声音。所以检查全靠两个笨办法： - 画面：每隔一段截几张静帧来看。那些叠画、标签遮挡的问题，都是这样揪出来的。 - 声音：把声波变成数字来量。你听出来的声音忽高忽低，我是事后量了音高和音量才确认的；那两次“啪”的爆破音，也是靠检测波形里的突变才定位的。 这也是为什么你审片那一关替代不了。你一耳朵听出来的东西，我得先猜可能是什么问题，再去量才能找到。 "

这个开源项目系统整理了 35 家 AI 公司的 AI 工程师面试题，全部来自 “公开报告的面试经历” 来自 @outcome_school 团队 @pallavishekhar_ 开源发布，内容几乎涵盖了 OpenAI、Anthropic、DeepMind、xAI、DeepSeek、Kimi、GLM 等 AI Labs，Cursor、Cognition、ElevenLabs 等 AI Native 团队和 Nvidia、Microsoft、Amazon、Apple 等头部大厂。 覆盖的岗位头衔也非常多：AI Engineer、LLM Engineer、Gen AI Engineer、ML Engineer、Research Engineer、Applied Scientist、FDE、MLOps/LLMOps 工程师等。 开源地址： # 内容架构：一个精心设计的双层结构 第一层：跨公司通用题（Common Questions）。 作者把在多家公司反复出现的题目只列一次，标注"Asked at"哪些公司，按十大主题组织： 1. LLM 内部机制与架构 — attention 缩放因子、KV cache 内存公式推导、MQA/GQA/MLA、FlashAttention、BPE、RoPE/YaRN、Chinchilla scaling laws、MoE、解码采样策略、lost-in-the-middle、RMSNorm、SwiGLU 2. 推理、服务与 GPU 性能 — prefill vs decode、continuous batching、PagedAttention、投机解码、量化（FP16→FP4）、五种并行策略、TTFT/TPOT 指标、H100 上的 roofline 计算、vLLM/SGLang/TensorRT-LLM 选型、“如何把服务成本降 10 倍” 3. RAG 与检索 — 分块策略、BM25 vs 稠密检索、重排序器、HyDE、权限感知检索、ANN 索引、索引新鲜度、答案归因 4. Agent 与工具调用 — ReAct、MCP、工具 schema 设计、多智能体编排、Agent 记忆、循环终止条件、人类审批 5. 微调与对齐 — RLHF/DPO/GRPO/RLVR 全谱系、LoRA/QLoRA 数学、灾难性遗忘、“提示 vs RAG vs 微调”决策框架、蒸馏、reward hacking 6. 评估与可观测性 — LLM-as-judge 及其偏差、幻觉检测、基准污染、Agent 评估、回归门禁 7. 安全与负责任 AI — 提示注入（直接/间接）、OWASP LLM Top 10、护栏、Constitutional AI、红队 8. 多模态与语音 — VLM、语音 Agent 延迟预算、barge-in 打断处理、级联 vs 端到端语音、ASR/TTS 评估 9. AI 系统设计 — 十类高频设计题（千万级文档企业 RAG、代码助手、客服 Agent、Text-to-SQL、LLM 网关、数亿用户聊天服务等） 10. 编码题 — 从零实现 attention、KV cache、BPE、采样；LRU 缓存、令牌桶限流器、异步批处理器、SSE 流解析器、最小 Agent 循环 第二层：35 家公司的专属章节，分为五大梯队： 1. 前沿实验室（12 家）：Anthropic、OpenAI、Google DeepMind、Meta、xAI、Mistral、Cohere、DeepSeek、月之暗面（Kimi）、智谱（GLM）、阿里（Qwen）、Sarvam AI（印度） 2. 大厂 AI 组织：Microsoft、Amazon、Apple、NVIDIA、Tesla，以及一组消费级 ML 公司（Uber/Netflix/LinkedIn/Airbnb/Pinterest/Spotify） 3. AI 基础设施公司：Databricks、Groq、Together AI、Hugging Face、Scale AI、Perplexity 4. AI 原生产品公司：Cursor、Cognition（Devin）、Sierra、Harvey（法律）、Glean、 AI（机器人）、Waymo 5. 前向部署/企业 AI：Palantir # 题目分布透露的行业信号同样值得关注 1. 公司的差异化考察方向，和它的商业模式严丝合缝。 这是最能体现整理功力的地方： · DeepSeek、月之暗面、智谱、Qwen 的题目深度绑定自家论文——MLA、auxiliary-loss-free 负载均衡、Multi-Token Prediction、MuonClip、DualPipe、长上下文扩展、GLM 的 thinking 模式。面试这些公司等于面试它们的论文，还要求 PyTorch 从零实现 MoE 路由。 · Groq 的题全是 SRAM-only 架构下的 roofline 重推演：“没有 HBM，decode 的 roofline 论证哪里变了”、“确定性在 p99 层面到底买到什么”。 · Apple 清一色端侧：3B 模型在手机上跑、PTQ vs QAT、不采集用户内容的前提下用设备信号改进模型、30+ 语言区无法记录用户内容的评估方案。 · CharacterAI 是推理经济学：“我们的服务成本被 KV cache 而非权重主导，降一个数量级，代价是什么”。 · Harvey（法律）和 Abridge（医疗） 考的是领域约束下的工程：200 页信贷协议里第 140 页的条款依赖第 8 页的定义术语怎么检索、生成的病历中出现了患者没提过的药怎么当作安全事故处理、PHI 如何约束整个架构。 · Palantir 的招牌是 "decomposition" 轮：把“一家货运铁路公司每年因机车非计划停机损失数千万”分解成工程计划。 2. 编码轮的形态正在发生实质性变化。 文档里反复出现的一类题，与传统 LeetCode 明显不同： · “实现一个内存 KV 存储：先 SET/GET/DELETE，再加事务 BEGIN/COMMIT/ROLLBACK，包括嵌套事务”（OpenAI、xAI 都问） · “给你一个 LLM 推理引擎的调度器类，其中一个方法是空壳，没有规格没有文档。说说你头三十分钟干什么”（xAI） “重构这 120 行能跑但很乱的代码，不许破坏测试”（OpenAI） · “对 5 万个文档跑 LLM 调用，API 限 100 并发、偶发 429 和超时，把 Python 写出来”（Anthropic） 考察重心从算法记忆转向增量需求下的代码演进能力、并发正确性、真实工程约束下的取舍。 3. “AI 协作轮”作为新题型已经进入正式面试流程。 这是文档里最前沿的信号： · Anthropic 部分机器学习岗有 AI-collaboration 轮：现场给你 Claude，考察的是你如何指挥它和验证它的产出，而不是你自己写。 · Meta 2026 年的流程新增三阶段 AI 辅助编码轮（探索修复 → 实现新功能 → 扩展改进）。 · Cursor 的 onsite 是两天在真实 Cursor 代码库上做一个功能（或 8 小时远程版），明确考核你对 AI 工具的使用效率和自主 scoping 能力。 · Sierra 给你两小时和任意 AI 工具，看你选择做什么。 xAI 有四小时限时产品构建。 4. FDE 成为一级岗位类别。 Anthropic、OpenAI、Databricks、Scale、Together、Sierra、Harvey、ElevenLabs、Palantir 的章节里都有 "Applied and Forward-Deployed Scenarios" 专属题库——典型题目如“企业客户说 Claude 幻觉太多，你是驻场工程师，头 48 小时做什么”。这对应了 AI 公司向企业交付方式的转变：模型能力差距收窄后，落地能力成为差异化。 5. 硬核系统题的普及。 "H100 上 70B 模型 batch size 1 的 roofline 计算"、"估算 70B 模型的 GPU 显存（权重 + KV cache + 激活 + 碎片）"、"p99 延迟在部署后翻倍但模型没变，走一遍诊断”——这类题横跨 NVIDIA、Together、OpenAI、Perplexity 等多家，说明推理性能的量化直觉已成为 AI 工程师的通用素养，而非基础设施工程师的专属。

飞机上的随想： 今天在飞机上没网，做了一些思考，然后记录了下来，衍生了一些内容：人与人的差距，很多时候不是某一个瞬间突然拉开的，而是迭代速度不同，长期复利后慢慢拉开的。 我之前在学校做过一次演讲，大概是23年还是24年。那时候我也说过，我上学时并不是班里最优秀的学生。现在也不是说我就是最好的，只是放在同龄同学里，可能还算做得不错。 但这并不意味着我会一直领先。 因为当下取得的成绩，本质上都只是历史结果。 名校学历、一次考试高分、一次创业成功、某一轮牛市赚到钱，都更像是对过去某个阶段的一次“数据标注”和 benchmark：它证明你当时跑出过不错的结果，所以当然值得被鼓励、赞扬，也值得获得阶段性的奖励。 但它不是永久权限。 过去的成绩可以形成信用，却不能替代未来的更新。 如果一个人最新的标签永远停留在很多年前，反而说明模型很久没有迭代了。 所以我更愿意把它理解成： 荣誉可以保留，能力要持续证明；历史可以被记住，奖励应该不断更新。 真正决定未来成绩的，不是你过去赢过多少次，而是接下来还能不能像龟兔赛跑一样持续迭代。 这件事放到现在的大模型上特别好理解。 今天排名第一，不代表明年还第一。模型一年里不停更新，能力不停重排。真正能留下来的，不是“曾经第一”，而是持续更新自己。 人也是一样。 为什么很多年轻人最后能超过一些曾经很强的人？ 不一定是因为年轻人初始天赋更高。很多时候只是一些“老登”参数固化了，旧经验权重太重，新的数据输不进去；再加上身体底层代码老化，精力、专注力、体力这些“硬件条件”开始下滑，最后学习速度和迭代速度一起变慢了。 所以年轻人才有机会青出于蓝。 因为知识和经验不是永久护城河，持续更新知识和经验的能力才是。 再往下想，同样智力水平的人，最后为什么会产生那么大的认知差距？ 很大一部分来自输入数据质量的差异。 不同城市、不同学校、不同班级、不同公司、不同圈子，甚至不同小区，本质上都在给你喂不同质量的数据。 为什么有学区房？ 为什么有名校分数线？ 为什么大厂难进？ 为什么顶级小区价格很高，而很多拆迁房、回迁房长期低于商品房？ 因为这些东西背后，不只是教育、品牌、地段和房子本身。 它们其实都在筛选一件事： 你长期会和谁高频交互。 学校是一层筛选。 公司是一层筛选。 城市是一层筛选。 小区其实也是一层筛选。 市场定价的，不只是砖头水泥，也是在给“高质量数据环境”和“高质量交互概率”定价。 当然，这不是说贵的地方就一定全是优秀的人，普通环境里就没有厉害的人。市场很多时候定价的是概率和密度，不是绝对值。 你付出更高的价格或门槛，很多时候买到的不是保证，而是更高概率进入一个更好的训练环境。 但模型光聪明还不够。 模型最后是要解决实际问题的。 高阶模型适合复杂任务，能力强，但通常更贵、更慢；低阶模型适合简单任务，便宜、高效，但错误可能更多。 人也是一样。 一个人如果只是“聪明”，却没有被放在合适的位置，没有解决真实问题，没有在实际使用里不断反馈、调整、优化，那就像开了一家装修得富丽堂皇的店，却不服务客人。 最后一样赚不到钱，也没人维护。 所以回到本质，还是： 物尽其用，用进废退。 整个大的系统——无论是人类社会、公司组织、市场机制，甚至游戏机制——其实都不允许一个人长期躺平还持续获得奖励。 可以休息，可以补充能量，这当然没问题。 但长期不更新，一定会被超越。 以前打 LOL，Rank 都还有休眠期。长期不打、不适应版本，分数都可能掉，何况现实世界。 版本不更新，就会被版本淘汰。 所以每一轮牛市都会有新的主线叙事，也会有新的牛散出现。 他们表面上赚的是行情的钱，本质上很多时候赚的是对版本更新理解更深的钱。 谁更早理解新的叙事， 谁更快适应新的规则， 谁更愿意修正自己过去的认知， 谁就更容易在新一轮里跑出来。 最后还是自我迭代能力。 所以我现在会提醒自己： 别因为某一点成绩就自傲。 今天的成绩，很多时候只是过去训练结果留下来的标签。 未来能不能继续往前，还是得看下一轮版本，你更新得够不够快。 同时，也没必要因为自己跑得快一点，就看不起别人。 每个人都有自己的适用场景，该谦卑还是要谦卑，该尊重还是要尊重。 但另一方面： 尊重所有人，不等于要和所有人高频交互。 因为人的精力，本质上就和 AI 的算力、Token 一样，是稀缺资源。 你把太多时间浪费在垃圾交互、低质量争论、无意义情绪消耗上，本质上就是在烧自己的 Token，浪费自己的算力，还往自己脑子里灌脏数据。 所以最后想下来，我对这件事的理解越来越简单： 人与人的差距，不只是天赋。 更重要的是输入质量、迭代速度，以及你是否持续为系统创造新的价值。 过去赢过，只能证明过去。 未来能不能继续赢， 看的还是下一轮版本，你还能不能继续更新。

黑神话钟馗制作人冯骥（尤卡）发预告也顺便发了十条做游戏的工作原则，做产品做内容都可以参考 -----以下是原文----- 1、首先打动自己。 无论何时，请把自己与团队当作最优先的目标用户。 这是公司成立至今的价值观，我总是翻来覆去说这句有点拗口的话—— “必须做开发者自己作为用户也理解、认可、喜爱的游戏。” 这不单是情怀，也是理性的产品策略。 如果你对正在做的东西缺乏非功利的热诚，你的直觉就会开始迟钝。 时间一长，大概率输给那些比你更乐在其中的人。 2、再找外部交集。 打动自己，不意味着孤芳自赏。 市场数据、用户反馈和商业上的可持续都很重要。只有组织活下来，集体认知才有机会成长，团队能力才有时间变强。 呼应第一点，我想强调的是，对内容产品而言，先在外部找到与自己个性、趣味、喜好相近的人，通常比试图讨好所有人更高效。随着受众规模扩大，开发者与用户的相似度可能逐渐降低，但这个过程更类似从核心向外自然扩散，而不是一开始就在茫茫人海里碰运气。 世界很大，没有谁真的独一无二。能深深打动自己的东西，往往也能打动世界上的另一群人。 创作过程的每一处用心，都一定会被懂你的用户感受到。 3、发现亮点，先于消灭缺陷。 与其先想着如何征服不喜欢你的人，不如先尽力满足喜欢你的人。 伟大的游戏也绝非面面俱到，这个世界存在太多的不可能三角。资源永远有限，完成度永远不够，目标之间永远存在取舍与矛盾。比“还有什么地方不够好”更重要的问题是：有没有什么体验，只有在我这里才能玩到？ 再往大一点说，一家内容公司存在的意义，也许就是让一部分人觉得：幸好这个世界上，还有人做出了这样的玩意。 4、可体验的版本，胜过满纸雄文。 文档可以解释意图，数据可以辅助判断，会议可以统一认识，但游戏实际上更接近一种综合的、复杂的、甚至有些混沌的沉浸状态。 内部判断产品风险时，我始终更相信真正跑起来、打起来、死上几次之后的感受，以及观察同事们在作为玩家时的真实反应。然后才据此去敲定某些拿不准的设计，或者放弃之前看上去牛逼的创意。 具体到每一次对外发布的实机视频，希望传递给大家的也是同一件事—— “看到后，能轻易想象自己亲手玩起来的样子。” 5、好玩是目标，也是底线。 这一条就不展开了……总之如果内部版本不够好玩，那就再调查调查，反思反思，学习学习，迭代迭代，重构重构，再多玩玩其他游戏，嘻嘻。 6、美无定式。 没有一种风格永远高级，也没有一种信号永远刺激。 再惊人的美学符号，反复出现也会失去最初的力量。美，更像是一种认真创造的陌生感。 说到底，神经传导会适应，多巴胺奖励会消停，人会厌倦一再重复的事物，这是创作者永远逃不出的无间狱。 前几天，我和佳骐（声音负责人）扯到这个话题，顺手编了句打油诗来比喻：美无恒美，法无定法。多见易俗，少见易雅。他说，滚，两面都让你说了，狡猾。 嗯，那个，反正，我要表达的意思是，或许不必追求找到一套万用万灵的美学公式，而是应该不断探索还有什么好的表达方式，其中既有技艺，又有新意。 7、走投无路，提升密度。 大部分时间里，我们其实找不到什么更聪明、杠杆更大的办法，去提升产品的竞争力。 这个时候，在那些已经被验证的亮点上继续增加有效密度，通常不是一个坏选择。 比如更细腻的粒子，更茂密的植被，更丰富的动画，更精确的打击反馈，更多样的妖魔鬼怪，更大的显存（bushi）……不是说无脑堆参数与资源就一定好，前提是这些内容的确是被验证过的亮点，而且依然能让用户感知到差异。 想不到妙手是游戏开发的常态，不妨先把每一步本手下扎实。 8、起点看最高，终点当领跑。 对同领域的当家花旦们，最好如数家珍——哪里玩到昏迷，哪里气到爆炸，哪里不知所措，哪里眼睛哭花。 然后去搞清楚——它们各自采用了何种开发模式、设计方法、制作工艺与技术标准。 最后反复思考——什么能学，什么学不得，什么要虚心，什么要创新。 游戏并非必需品，深入体验与研究标杆的另一重价值，是让我们对这个品类三五年后的及格线会有多高，大致心里有数。 取法乎上，把对标杆的认知当成制作自家demo的起点，绝不是坏事，哪怕暂时高山仰止。 但是，如果长期目标是“做到和某某差不多”，有点危险。 尊重标杆，学习标杆，是为了最终建立自己的尺度。 想登顶，想一览众山，想创造前所未有的新标杆——这不是自不量力，是宝贵的冲劲与志气。 要敢想。 9、难能，可贵。 充分竞争的成熟市场，鲜有低垂的果实。任何容易解决的问题与需求，要么不存在后来者的机会，要么很快会被竞争对手挤满。 这一点我有切身体会。刚创业时，以为小公司只要选一个自己理解的赛道，做得比大厂快一点，玩法、剧情、画面、声音什么的有点小特色就够了。但事后看，这种所谓高执行力+低成本创新带来的价值微薄而脆弱，用户也很容易闻出这种速成产品的敷衍味道。 一直做相对容易的事，反而惶惶不可终日。 所谓护城河的本质，便是拥有难以被轻易取代的价值。 当我们被某样事物深深打动时，它往往是稀缺的、非凡的、来之不易的，而人们似乎天生就会被“哇这是怎么做到的”的魅力所吸引。 2019年的公司年会，我用八个字总结游科前五年的状态：东搞西搞，投机取巧。 也是在那年，在公司原来价值观“打动自己”外，又加了四个字—— 知难而进。 10、理念是廉价的，但贯彻理念的行动是可贵的。 知行合一不是什么新鲜道理，但我加一句暴论：很多时候，行是知的前提。 因为咱们脑中的理念很有可能是肤浅的、偏颇的、错误的，只有贯彻理念的行动与现实发生了真实的碰撞，才能看清：这个世界与我们原先想的到底哪里一样/不一样。 有时撞得太猛，世界太硬，把我们原先的理念撞成了一地碎片。 没关系，正好一片片捡回来，慢慢拼出新的模样。 然后，再撞一次。