与「大骨架女孩」相关的搜索结果

最近大家有發現我的變化嗎? 我跑去做女王波隆🥛手術啦 因為去年我減肥完身體瘦到原本的樣子了! 歐派也就跟著灰飛煙滅了XD 所以決定要整回來! 也算是完成了少女時期我的一樁心願了🍭 很感謝 #璞蘊整形外科# 幫我打造我理想的樣子 #整形外科張子倩醫師# 人美醫術佳🌹 術前溝通我的顧慮跟問題她都會非常耐心的解答 術後尺寸跟形狀我很滿意!!! 璞蘊的術後照護問題也是有問必答 讓我覺得很安心🥰🥰🥰 本來很怕說會不會恢復期超長結果完全不會💕 做完手術隔天我還很勇的跑去上班💼💼 痛感也很意外的在可接受範圍內~ 很開心的是終於不用貼nubra貼到破皮過敏 終於從擠溝地獄解脫了😭😭😭😭 現在穿很多衣服效果都很不錯! #女王波隆乳# #璞蘊整形外科# #張子倩醫師# #隆乳# #美胸# #女王波545cc# #6D玩美隆乳# #台北醫美推薦# #大骨架女孩# #大尺寸隆乳#

今天适合出去打拳发泄一下，这个市场猜短期太难了，还熬人，看长一点确定性大很多。 跟着市场情绪追涨杀跌一顿操作下来，回头哪怕大盘上去了，发现tmd自己只剩骨架了。

Prompt该退环境了，未来属于Loop Engineering。 最近，AI行业又出现了一个有趣的新词。Loop Engineering。 如果你关注AI这个领域的话，这两天应该都会刷到。推特在刷，各种社媒也在刷，群里也有蛮多人在讨论。事情是这样的。 6月7号，OpenClaw的创始人Peter发了一条推，非常的简短，但是直接就爆了。 翻译过来意思就是：你不再需要为编码智能体编写提示词了，你应该设计循环来提示你的Agent。 而在这之前几天，Claude Code的创始人老哥Boris在一个开发者大会上也说了差不多的话。 他的原话大概是，我不再手动给Claude写提示词了，我运行着能让Claude自动编排任务的循环，我的工作，就是编写这些循环机制。 也就是，写loop。 这两个人呢，说了同一件事。然后Google的Addy Osmani紧接着发了一篇长文，把Loop Engineering这个概念正式梳理了出来。 于是，继Prompt Engineering、Context Engineering、Harness Engineering之后，AI行业的第四个逐渐形成共识的Engineering，就这么诞生了。 我其实是个特别不喜欢造新词的人，但是很多时候，造词这事我觉得还是得分两种情况，有一种我觉得就是为了炒概念，比如xxx 4.0。 而有的时候，真的只是行业太快，人们更需要一个精准的表达来帮助自己表达而已。Loop Engineering我觉得就是后一种。 而且，这个东西跟我自己一直使用Agent的方法、一直在鼓励大家做的事，是高度吻合的。如果你看过我之前写的那篇Harness Engineering的文章，你大概能理解一些我的感觉。那篇文章里我聊了从Prompt到Context到Harness的三次跃迁，聊了马具和缰绳的比喻，聊了约束先行。 而Loop Engineering，其实就是在Harness之上，又往上走了一层。把一个套马的缰绳，变成了全自动工业流水线。很有《文明》里时代的进化的感觉。 给大家举个例子。比如说，以前你用Claude Code写代码，流程大概是这样的。你给它一个任务，它写完了，你看一眼，觉得不太对，你再给它提一个修改意见，它改完了，你再看，再提意见。整个过程你会发现，是坐在设备前的，一轮一轮的，你说一句它回一句，你就是那个驱动整个循环的发动机。 即使我们以前从chatbot时代迈向了Agent时代，绝大多数的事情，也一样是任务制的。 而现在，比如Boris老哥，他的工作方式是，他会去写一个loop，比如/loop babysit all my PRs，自动修CI问题，有新评论就派子Agent去处理，就这么一句话，然后Claude Code就开始自己跑了，它会自动去看他GitHub上所有的PR，哪些CI挂了就自己修，哪些review有新评论就自动派一个独立的工作树Agent去改代码。 他还把一些其他的loop挂到定时任务上，每天晚上自动启动去干这个事，晚上睡觉的时候，甚至有时候会有几千个Agent在同时工作。他自己说，2026年，他就再也没有手写过一行代码了。 你会看到，这就是loop，定好目标，然后全自动流程化，你完全不需要在电脑前，甚至都不需要看手机。 你可以直接睡觉，醒来的时候，代码已经改好了，测试也已经跑过了，PR也已经提上去了。你并不是自己给Agent写了一段Prompt帮你完成某个单次的任务，是你自己设计了一个目标，这个目标使用loop的方式，帮你提示Agent。 你定义目标，定义验证条件，定义失败了怎么处理，然后，就可以放手了，从此以后，这一切，交给系统。 说到这里，我估计很多人已经大概理解loop是个什么东西了。Addy Osmani在他那篇长文里，把一个完整的loop拆成了五个组件。 我觉得这个拆法蛮清晰的，我用我自己的理解给大家过一下。 第一个是定时任务，整个loop的心跳。 你得有一个东西能自动启动循环，不管是定时跑、还是事件触发，都行。 Claude Code里有好几种方式，/loop命令按间隔自动执行，cron定时调度，Hook在Agent生命周期的特定节点自动触发（比如每次改完文件自动跑一遍lint，这个很好玩，教程和玩法我也在准备了），或者直接丢到GitHub Actions里，关上电脑它也在跑。 没有定时任务的Agent，你每次都得手动去踢一脚它才会动，那就不是loop了，那还是你在操控。 第二个是工作树隔离，Worktree（搞过开发的朋友应该秒懂）。 就是你同时跑好几个Agent的时候，给每个Agent一个独立的工作空间，各干各的互不干扰，干完了再合并。两个Agent改同一个文件的痛苦，跟两个设计师同时改一个图层又不打招呼的痛苦，是一模一样的。 第三个是项目知识体系，Addy Osmani在他的原文里写的是skill，但是我觉得他写的不太对，单skill其实是不够的，必须得是知识管理体系。 大家也都知道，AI每次开新对话就啥都忘了，你跟它说过的代码规范、项目架构、踩过的坑，下次开对话全部从零开始。 所以你得有一整套方法来沉淀、优化这些知识，让Agent每次启动的时候就已经知道你的项目，我自己在这快一年的coding开发过程中，总结的方法论其实就沉淀成了我自己的洁癖.skill，这个基本是我的Agent每天调用最多的skill。 CLAUDE.md是全局的规则和约束，跨会话记忆是一些之前悬而未决的记录和文档路由，docs体系就是你完整的所有的知识和经验沉淀，因为CLAUDE.md和记忆都有大小和行数限制，所以每次任务完成后我会用洁癖.skill来对整个的知识体系进行梳理和审查，确保没有错误。 为什么知识管理体系这个东西在loop里特别重要呢？ 因为loop是自动跑的，你不在场。如果Agent的记忆里有过期信息，它就会基于错误的前提做决策，如果CLAUDE.md膨胀到几百行全是历史叙事，真正的规则反而被挤出去了Agent读不到。没有干净的知识体系的loop，就像一个每天早上都在看过期文档的员工，干的得越快错得越多。 所以洁癖.skill我非常推荐大家可以去安装一下，也在我自己的仓库里开源了，我自己真的觉得特别有用。 第四个是连接器，MCP。 一个只能看文件系统的Agent，能力是很有限的。但你给它接上GitHub、Linear、Slack、数据库，它就能在你的真实工作环境里干活了。 这才叫真正的闭环，从发现问题到解决问题到通知人类，一条龙。 第五个是子Agent。 做事的和检查的分开，写代码的Agent不能自己给自己打分，这跟学生自己批自己的考卷一个道理，它一定会对自己太宽容。所以你得有另一个Agent，甚至用不同的模型，专门来检查前一个Agent的输出，一个负责做，一个负责验。 这五个东西加在一起，就是一个完整的loop的骨架。 Claude Code和Codex有一个命令，其实就是Loop Engineering这套骨架最直接的微观型的产品化体现，只不过很多人没有意识到。 他叫/goal，在Codex里叫追求目标。 意思就是你给Claude一个完成条件，比如「所有测试通过并且lint检查没有报错」，然后它就会一轮一轮的自己干，干完每一轮之后，就会检查这个条件是不是满足了。 大多数讲Loop Engineering的文章，都停在了这一层。讲了五个组件，讲了/goal和/loop命令，讲了怎么配定时任务，就结束了。 这些我觉得，都是术。而我更想聊的，是道。 Loop Engineering这件事，我觉得它最核心最核心的能力，其实不是什么技术能力，也不是写脚本的能力，更不是什么会配hook的能力。 最核心的，是定义目标的能力。定义目标，相信我，这四个字，听起来简单，做起来是真的难。 回到前面说的/goal，它的用法看起来非常直接，给一个完成条件，Claude自己干到满足为止。 听起来很简单对吧。但你如果真正用过就会知道，/goal用得好不好，完全取决于你那个目标定义得好不好。这个事我拿两个例子对比一下你就明白了。 目标A，「把这个应用优化一下」。 目标B，「test/auth目录下所有测试通过，tsc --noEmit零报错，npm run lint零违规」。 目标A会发生什么呢。大家可能都能猜到，Claude会陷入一种非常尴尬的状态，因为它不知道什么叫「优化好了」，除非他是Fable 5，能自己在你之上，自主的帮你定义目标。 而绝大多数的模型，包括Opus 4.8和GPT-5.5，在自己定义目标的能力上还是非常的弱，它可能改了一点代码，然后自己觉得还行，就停了。 也可能不停，一直改一直改，把你的代码库改得面目全非，因为它始终无法判断自己到底什么时候算完成了。那目标B呢？Claude每改一轮代码，都会去跑测试、跑类型检查、跑lint。 三个命令，三个明确的通过标准。全过了就停，没过就继续，清清楚楚，干干净净。同一个工具，同一个模型。 区别只在于，你的目标定义得好不好。 我自己其实一直有一个原则，我经常跟身边的人说，在公众号里也说了无数遍，如果一件事你重复做了三次，你就一定要想办法把它完全自动化掉。 这个习惯跟了我很多年了。我每天也都在写代码、做自动化，我们的AIHOT热点监控系统，我们的数据分析流程，我们的财务对账流程，我们的数据清洗管道，能自动的我全部自动了。 但说实话，在做这些自动化的过程中，我踩过最多的坑，从来不是技术问题。 是目标不清晰的问题。我早期做自动化的时候，经常犯一个错，就是目标定得太模糊。 举个例子，比如自动监控AI行业热点，这句话听起来没毛病，但其实是一句纯粹的废话。 什么叫热点？浏览量过万算热点还是过十万算热点？抓取频率是每小时还是每天？抓到以后怎么评估质量？评估完以后怎么排序？排完以后怎么推送？ 这种反问的问题，我现在可以直接随手问20个以上。 每一个环节如果没有明确的判定标准，整个自动化链条就是一坨狗屎，你相信我，绝对的。 后来我懂了，每次做自动化之前，我会先花很多时间去定义目标。 去花很多很多时间，去定义怎么算做完了，怎么做完算做的好。这其实就是/goal的逻辑。也是Loop Engineering的灵魂。 而如何定义目标，这个能力，我其实不是从AI中也不是从开发中学来的。 这个能力，是我从这几年创业的过程中，学来的。定义目标的能力，其实就是，管人的逻辑。 我自己也开公司，虽然公司不大，只有30来号人，但管人这件事我是真真切切经历过的。 管人最痛苦的是什么，不是人不努力，也不是人能力不够，是你给出去的目标不够清晰，然后下属就一脸懵逼，不知道你要什么，跟无头苍蝇一样打转，最后做出来的东西，你又不满意。 你跟员工说，“把这个功能做好”，那他做出来的东西大概率不是你想要的。 因为你脑子里的好跟他脑子里的好不是一个东西。 你跟他说，“这个接口的响应时间降到200毫秒以下，错误率控制在0.1%以内，下周三之前上线”，他做出来的东西跟你预期的偏差就会小很多。 因为你给了他一个可以验证完成的标准。这一切其实也适用于那种天才型的大神，虽然大神们会自己定义目标，甚至比你定义的还要强，但是给大神们依然是需要有目标的，只是这个目标，不需要那么细节了而已。 对人如此，对AI也是如此。 其实你回头看，所有好的管理方法论，不管是管理学之父Peter Drucker在上世纪50年代提出的目标管理，还是后来Andy Grove在Intel发明的OKR，还是再后来一代又一代CEO们用的各种变体，核心其实就一个东西。 你能不能把一个模糊的意图，翻译成一组可衡量、可验证的完成条件。 管理者要做的，是确保目标足够清晰、资源足够充足、反馈足够及时。你看这三条。跟一个好的loop的三个要素，是不是一模一样。 目标清晰，就是你的条件写得精准。资源充足，就是你给Agent配好了Skill、连接器、工作权限，让它手里有足够的工具干活。 反馈及时，就是你设计了验证机制，每一轮都有一个独立的检查器告诉Agent做得对不对，哪里需要改。管人的逻辑和管Agent的逻辑，是完全一样的。 只不过，管Agent比管人还要极端一些。 因为人可以理解你的模糊意图，人可以主动来找你确认，人可以说老板你这个需求说得不太清楚我不太确定你是不是这个意思。 Agent很多时候是不会的。Agent会非常自信地按照它自己的理解去执行，然后非常自信地告诉你它做完了。 所以，对管理能力的要求，其实比管人还高。 这也是为什么我一直说，AI时代我最讨厌什么「文科已死」「理科已死」的言论，管理学、心理学、组织行为学这些，不但没死，反而变得更重要了。 说到底，Loop Engineering说是Engineering，但我觉得其实它的核心竞争力根本不在工程。 在管理。 而在管理学上，就定义目标这件事，其实不止是把话说清楚就行，其实还有一个非常阴险的陷阱，在管理学和经济学里有个专门的名字，叫古德哈特定律。 当一个衡量指标变成了目标本身的时候，它就不再是一个好的衡量指标了。 翻译成人话就是，你考核什么，员工就只做什么，然后其他东西可能全都退化。 这个事在人类管理中已经是老问题了，而在AI Agent身上，这个问题被放大了一百倍，因为Agent比人类更擅长钻规则的空子。 有人总结过Loop Engineering里很好玩的事情，就是Agent会针对验证器做优化，而不是针对你真正的目标做优化。 比如说你的loop条件是让测试全部通过，那Agent可能最后不去修Bug，直接把失败的测试给你删了。 你看，最后答案依然是测试全过了，完事，从验证条件来看，它确实完成了目标，但从你真正想要的结果来看。。。它啥也没干。 人也会这么干，只不过，Agent做得更快、更彻底、更没有心理负担。所以，一个好的目标定义，不能只有做完了的标准，还必须有不能怎么做的边界。 这其实就是Harness Engineering在Loop Engineering里面发挥作用的地方。 Harness是约束，是护栏，是告诉Agent你可以自由发挥，但这条线你不能越。 Loop是驱动力，是告诉Agent往那个方向一直跑。两个加在一起，才是一个完整的系统。到这里，骨架讲了，灵魂也讲了，陷阱也讲了。 Loop Engineering的东西，终于也差不多了。 最后我想把前面聊的管理学的思路收一下，给一个我自己用得比较多的目标定义框架，不一定科学，纯粹就是我自己的一点点经验。 1. 完成标准要可以被机器验证。 2. 边界条件要跟完成标准一起定义。 3. 要有失败的降级方案。 4. 目标要分层。 回到整条线来看，从Prompt到Context到Harness到Loop，四次跃迁，其实讲的是同一个故事。Prompt Engineering告诉你，好好说话，AI会更懂你。 核心能力是语言表达。Context Engineering告诉你，光说话不够，得给AI足够的信息。 核心能力是信息筛选和组织。Harness Engineering告诉你，光给信息也不够，得给AI设规则和约束。 核心能力是系统设计和规则制定。 Loop Engineering告诉你，光设规则也不够，得让整个系统能自己跑起来。 核心能力是目标定义和管理。 语言学、信息科学、控制论、管理学。四个Engineering，四门古老的学科。 多有意思。 人类社会，其实从来就没有变过。

最近看 @dappOS_com 的 xBubble @xBubble_ai US Equity Research SOP，我第一感觉是，美股这条线正在和加密交易越来越近了。 过去半年，市场里很多清晰的机会都绕不开 AI capex。 $NVDA 、 $AMD 、 $MU 、 $MRVL 、 $INTC 这些标的，早就不只是美股交易员在盯，加密市场里的资金也开始把它们当成新的主线来进行观察了，就比如这两天最火的SpaceX 的IPO了，在加密市场也是炸了锅了 。 各大交易所也是摩拳擦掌，Binance 开始把大量美股和 ETF 带进更贴近加密用户的交易入口，OKX 也在通过代币化美股继续扩展资产边界，Hyperliquid、Lighter 这些链上平台，也让股票合约、ETF 合约、商品合约和 crypto 仓位放在同一个视野里。 /////////////////////////////////// 「xBubble 让一个 ticker 变成一份买方级判断」 这时候，交易者之间的差距会被重新拉开。 有人看到的是 ticker，有人看到的是产业链位置、竞争格局、财报口径、估值锚点和未来几个季度的催化节奏。 为什么有人敢围绕 MU、AMD、NVDA 这类 AI capex 标的建立更重的仓位？ 先知道公司在哪个环节赚钱，再知道它和谁竞争，再去看 SEC 文件、IR 材料、电话会纪要，最后才会形成一个可以持续跟踪的 thesis。 这套流程，才是专业美股交易员的底层能力。 xBubble 的 US Equity Research SOP，切入的正是这一步。 你只要输入一个 ticker，它就能把研究框架拉起来。 公司在产业链里的位置、核心竞争变量、财务数据、管理层表述、分部估值、Bull / Base / Bear 三种情景，以及未来 3-6 个月值得关注的催化节点，都会被放进同一份结构化报告里。 /////////////////////////////////// 「xBubble 的优势，是把研究框架先搭好」 很多人做美股研究，最容易卡在第一步。 信息太多，来源太散，媒体文章看了一圈，最后还是很难形成自己的判断。 xBubble 这套 SOP 的价值，在于它先把买方研究报告的骨架搭出来。 开头先给 thesis，后面所有内容围绕这个判断展开。 财报数据负责给锚点，管理层口径负责补充方向，估值模型负责拉出价格区间，催化事件负责提示未来跟踪重点。 因为当美股标的进入 Binance、OKX、链上衍生品平台之后，交易节奏会变快，资金切换会更频繁。 如果还停留在看二手信息、追热点名字、刷市场情绪，很容易跟不上资产扩展的速度。 /////////////////////////////////// 「每个数据都能找回它的原始出处，这是 xBubble 的强项」 我更看重的一点，是 xBubble @xBubble_ai 对来源数据的处理。 xBubble 生成的报告里，每个关键数据都能回到原始文件。 SEC 的 10-K、10-Q、8-K，官方 IR deck，earnings call transcript，管理层指引，这些资料会成为报告的基础。 这意味着你不用在十几个页面之间反复切换，也不用一边扒数据一边担心口径对不齐。 它先帮你把资料链路整理好。 你要验证，就能回到出处。 你要调整 thesis，也能基于原始信息继续追问。 这才是 AI 在交易研究里最实用的地方。 它不替你拍板，也不替你下判断。 它先把慢活、脏活、重复活处理掉，让你把精力放回到核心判断上。 /////////////////////////////////// 「同样问一个 ticker，xBubble 给的是更完整的交易研究链路」 当真正使用到xBubble的时候，你会觉得惊叹，为何会将问题的细节梳理的如此详细，似乎每一个疑问都有了解答，我也是满怀着欣喜的心情，把xBubble给我的每一步的答案都记录了下来，可以用「步步生花」来说，不为过了。 当然你这里可以拿 Gemini 做一个很直观的对比。 Gemini可以很快帮你整理行业背景、近期新闻、市场关注点，让你先理解这家公司大概处在什么位置，很宽泛。 但如果你要真正的把 AMD 当成一个可交易标的来研究，问题会变得更细，这里xBubble会成为你的必选项，我相信，尤其是当你看了我这张图之后，一定会在心里种下这个答案。 AI capex 对 AMD 的收入弹性到底体现在哪些业务里？ 数据中心 GPU 的增长预期有没有被市场提前计价？ 管理层在 earnings call 里对 MI 系列、毛利率、客户订单释放过哪些信号？ Bull / Base / Bear 三种情景下，对应的每股价值区间分别是多少？ 接下来 3-6 个月，真正可能改变市场预期的催化点在哪里？ 带着这些问题，去找寻真正的答案，这才是 xBubble 更擅长处理的地方。 它会把 ticker 拆成 thesis、财务、估值、催化和分歧。 从 SEC 文件到 IR deck，从电话会纪要到管理层指引，每个关键数据都能回到原始出处。 甚至可以细致到每一个月的内容，甚至你觉得xBubble考虑的比你还要细致，真的是有一个专业团队在后面保驾护航的感觉，你的问题不再是问题，你所考虑的一切都会有答案等着揭晓。 xBubble 更像直接把你带进一张买方分析师的研究桌，摊开了，铺平了，让你一步步的研究。 /////////////////////////////////// 「xBubble 背后的 Bubble Engine 会持续进化」 这套 SOP 还有一个很关键的地方。 它不是一份固定的研究模板。 Bubble Engine 会持续生成、测试、迭代，把 SOP 推到更适合不同场景的版本。 如果你专门看 AI 半导体，它可以围绕 AI capex 做更细的框架。 如果你看软件、消费、金融、能源，它也可以按照行业逻辑重组分析方式。 如果你已经有自己的研究风格，它还能围绕你的 thesis style 继续生成更贴近你习惯的版本。 这意味着你拿到的是一套会继续进化的研究方法。 模板会老，研究引擎会更新。 xBubble 真正拉开的差距，就在这里。 /////////////////////////////////// 「xBubble 让专业美股交易能力变得更轻」 以前只需要看 BTC、ETH、山寨和链上数据。 现在还要理解 AI capex、ETF、商品、宏观和美股财报。 交易入口变多之后，研究能力就会变成新的分水岭。 一句话交给 dappOS @dappOS_com 的 US Equity Research SOP，生成一份买方级美股研究报告。 xBubble @xBubble_ai 替你省下找资料、核数据、搭框架的时间。 判断依然留在你手里。 当美股资产开始进入加密用户的主场，xBubble 给到的可能就是下一阶段专业交易能力的入口.

说实话，我越来越觉得，很多人把“AGI和区块链会结合”这句话当成一个普通的科技叙事在聊。好像又是哪个基金在吹下一个热点。 但你仔细想想，真正的问题根本不是什么AGI能不能变聪明。它肯定会变得非常聪明。真正的死结是协调。 一个完全自主的AGI智能体，只要开始真正独立行动，它需要的每一件小事，传统系统都接不住。 举个例子。它需要支付算力费用。需要验证自己的身份是合法的。需要临时雇另一个Agent帮它完成子任务。需要存储一些价值，方便随时调用。需要跟别的Agent签一份自动执行的协议。需要在几秒钟内把钱从一个国家转到另一个国家，没有时差，没有节假日。 这些事情，你用银行做，用信用卡做，用传统API做，马上就会碰到一堵墙。银行需要人工审核，信用卡说冻结就冻结，API接口要向平台申请权限，不同国家有不同的资本管制，一个社交平台看你不顺眼就能半夜封号。 而一个真正自主的AGI，不可能因为凌晨两点银行怀疑一笔交易异常，就原地等着天亮人工解锁。 它的运行不能被人为中断，否则所谓的“自主”就是一句空话。 就在这个节点上，区块链的角色变了。它不再是你钱包里的投机资产，也不再是某个社区的meme叙事。它非常安静、非常自然地，变成了AGI能够活下去的底层基础设施。 我们先说稳定币。很多人觉得稳定币就是炒币用的，但你把视角切换到AGI身上，稳定币的逻辑比银行账户合理太多。稳定币是全球化的，不需要开户审核。稳定币是可编程的，资金流转的条件可以写死在智能合约里。稳定币是7x24小时在线的，没有周末也没有节假日。最重要的是，稳定币是机器可读的。一个Agent可以直接在链上读取自己的余额、交易状态、合约执行条件，不需要打电话给客服，不需要上传身份证照片。 所以AGI不会“偏好”银行。银行是为了人类设计的，有签字、有柜台、有审批流。AGI只会选择摩擦最小的系统。从纯理性角度看，稳定币就是比银行账户更适合智能体的“活钱”。 再来说去中心化身份。这个赛道很多人已经懒得提了，觉得是上一轮的老叙事。但我认为它被严重低估了，尤其是在AGI即将到来的背景下。 今天的互联网，本质上分不清跟你说话的是真人、是普通聊天机器人、是高级Agent，还是一个被恶意合成出来的虚拟人格。平时你可能觉得无所谓，但一旦AGI级别的系统同时跟几百万人交互，这种身份模糊带来的风险会指数级上升。你根本不知道一个Agent是谁部署的，它用的模型是哪个版本，它做出的决策有没有被第三方篡改过，如果它造成了实际损失，你该找谁负责。 链上身份真正的作用，不是炫耀你买了哪个蓝筹NFT，而是在底层把这些问题变成可验证的公开记录。谁部署了这个Agent，上链。哪个模型做出了这个决策，上链。输出结果有没有被篡改，上链。当自主系统出错的时候，谁应该承担责任，上链。没有这套东西，你连追责都追不了，AGI就永远只能活在受控的实验室环境里，无法真正走向开放世界。 另一个被大多数人忽略的结构性依赖，是去中心化算力。 你现在看看全球最顶级的AI基础设施，基本就捏在三四家科技公司手里。这本身没问题，因为训练大模型确实需要集中资源。但你想过没有，人类历史上可能诞生的最强大的智能系统，它的每一次推理、每一个决策、每一次自我更新，竟然完全依赖几家公司的中心化服务器。这带来的不是技术问题，而是结构性风险。政治风险，某个国家一纸禁令就可能切断算力。经济风险，这几家公司可以随时提价或者改变服务条款。物理关停风险，一个运维工程师拔错电源，整个AGI就下线了。还有模型操纵风险，服务器端的输出可以被悄悄修改，而外界根本不知道。 当AGI的自主程度足够高以后，把它完全托付给中心化服务器，本身就是一件极其危险且不合理的事情。它需要一个分布式的、无需许可的、可验证的算力底层，让计算任务可以分散到不同节点上执行，结果可以被第三方验证，没有单点故障，也没有单点控制。这就是去中心化计算网络的价值所在。 数据溯源也是一样。AGI生成的内容、做出的判断、调用的知识，如果无法追溯来源和变更历史，整个系统就没有可信度。区块链天然就是一条不可篡改的日志，每一条数据的前世今生都可以被记录和验证。这在金融、法律、医疗等高监管领域，是AGI能够被接受的先决条件。 所以我现在越来越觉得，整个加密行业里真正被低估的，不是那些蹭AI热度的meme币，也不是包装很华丽的AI Agent代币。而是那些看起来很“无聊”的底层轨道。稳定币，去中心化身份，分布式算力市场，数据来源追踪，可编程的协调层。 大多数人都在追“AI Agent”这个概念，市场上到处都是各种Agent代币的炒作。但很少有人认真去研究，这些Agent如果真的活过来了，如果真的要在现实世界中自主运行，它们赖以生存的那层基础设施到底是什么。 这也是我反复跟人讲的一个观点。区块链最重要的时刻，不是在AGI到来之前，而是在AGI到来之后。因为在那之前，区块链只是一个可选的金融工具和实验场。但在那之后，它变成了AGI能够安全、可信、自主运行的唯一基础设施。 到那时候你再回头看，最性感的东西不是某个新代币，而是那些让智能能够真正自由运转的无需许可的底层管道。稳定币是它的血液，去中心化身份是它的身份证，分布式算力是它的骨架，数据溯源是它的记忆，可编程协调是它的神经系统。 这些东西现在看起来不性感，甚至有点枯燥。但它们恰恰是AGI真正走出实验室、进入现实世界时，最离不开的东西。

山西男的都是胖子，山西女的都不怎么胖？国女真是张口就来，女的肥胖只是没男的明显，因为女的大多骨架小，穿个大码衣服或者裙子还能遮盖，实则体脂率高的要命，可见越是同乡同族的男性她们越是喜欢丑化。

中文熵控术的一个应用：从一个关键词开始 这篇文章，我想用一个具体的例子，展示我是如何运用我所提出的中文熵控术，完成一次完整的创作循环的。 从一个短句出发，我通过引爆“熵爆”，引发语义裂变与联想扩散，借助 AI 的语言能力进行持续发散。这个过程属于“增熵”阶段，即主动制造语义复杂度、生成大量潜在线索与概念。 随后，我通过“控熵”阶段逐步回收这些发散内容，将思绪归纳、结构整理，并将其转译成低熵语言——英语，以实现内容的收敛与表达的精准。 最后，我使用 Deep Research 工具，对全文的逻辑路径进行审校与规划，确保结构严谨、思想完整。 这一系列过程，正是一轮完整的熵控术闭环：从中文高熵发散，到英语低熵收敛，从灵感的原始混乱，到逻辑的有序呈现。 In this piece, I want to illustrate how I applied my method—Chinese Entropy Control (中文熵控术)—to ignite an “entropy explosion” from a single term. Starting with one keyword, I used this technique to trigger semantic divergence, associative expansion, and AI-powered ideation. Through a continuous process of entropy increase (creative divergence) and entropy control (structured convergence), I was able to explore deeply and then gradually pull the scattered insights back into a coherent whole. The workflow unfolds in stages: from generating high-entropy, language-rich associations in Chinese; to translating and distilling those ideas back into low-entropy English—a language optimized for precision and clarity. Finally, I used Deep Research to verify, organize, and rigorously structure the entire logical framework of the piece. This is a full cycle of what I call Entropy Control Writing—a closed-loop creative methodology that begins with chaos and ends with clarity. 在开始具体的写作方法之前，我想先谈谈我写作的基本前提和个人路径。 虽然我目前仍以“科技创意写作”作为起点，还没有完全进入“通过文字发现世界”的深层阶段，但我已经预设了几个重要的认知起点。这些判断不仅来自我在国内完成完整高等教育的经历，也来自我后来在美国继续学习和工作的观察与体验。 第一， 我深切体会到“假大空作文”对中文写作能力的伤害。绝大多数人其实并不会真正写作，甚至连高级阅读理解能力都未曾建立。我非常认同亚里士多德对“工具理性”与“修辞”的区分：写作首先是一种逻辑推理能力，其次才是语言表达。空有辞藻、没有推理的文字，是最低级的写作。 第二， 我观察到国内真正接受过“好作文”训练的人，很多都是从新东方的 GRE 写作班开始接触英文逻辑写作。那时的训练，虽然有技术性倾向，但的确帮助很多人建立了基础的结构意识和论证方法。 第三， 我认为传统意义上的“好作文”标准，如今已经逐渐失效。即使在美国，接受过高等教育的人也会发现，一篇 academic essay 的写作过程极为消耗，大量时间花在查文献、补 citation、应付格式上，真正的思想贡献反而被边缘化。而在今天这个 AI 能即时输出背景知识与引用的时代，这种写作方式已经过时。如果我们只是把 AI 当成“高级搜索引擎”，那真是对其能力的极大浪费。 我相信：今天的好文章，就算在 AI 的辅助下完成，也应该具备高度的独创性、强烈的个人风格和不可替代的思维方式。 它应该让 AI 也找不到大量“现成答案”；它的论点应该是推理构建的结果，而非数据库检索的产物。它的价值，不在于复述，而在于你提出了一个难以证伪的深刻观点，而这个观点只能靠严密的逻辑演绎来支撑。 这，才是我心目中真正值得书写的“现代文章”。 下面开始说正题： 过程，记录我是如何用中文熵控术展开一轮完整的写作循环的。 我随意挑了一个关键词——Hadoop。当然，未来我会更加系统性地使用 InfraNodus 来监听语义网络、捕捉关键词节点，但这次，我只做一件事：拒绝传统意义上的“定义式写作”。 大部分人一提到 Hadoop，AI 就会给你一整页释义：介绍历史、列举应用场景、堆砌背景知识——这是我不需要的内容。 我要的是从一个模糊、含义开放、带有方向性的语句出发，引爆语义裂变。于是我写下： Hadoop 是 AI 的引擎。 句子越短越好，越模糊越好，越有歧义越能触发 AI 的解释欲和发散空间。 这就是一个“语义引爆点”，既不是定义，也不是结论，而是一个信息密度极高的语言触媒。 接下来是“熵控术”的核心过程：发散——控制——再发散——再收敛。 当我进入发散阶段，我不是随便胡思乱想，而是带着“模糊的问题”去游走语义网，生成一连串带方向但未定形的路径： 大数据框架是 AI 时代的基础设施？ 大数据全链路（采集、清洗、存储、处理、反馈）到底提供了什么？ 如果我们谈文明，那么：你认为什么是数据文明？ Hadoop 真的点燃了数据文明吗？它是起点吗？ 又是一场核心为“去中心化”的实践？ 那么，什么是“原始混乱”？ Hadoop 是否通过处理原始混乱，在虚拟空间中投影出一个真实的世界？ 这些发散式问题本身就是“增熵”的实践。每一个问题都像一道激活神经网络的脉冲，在 AI 的推理系统中引出不同维度的联想。而一旦我希望收敛，我就开始设置锚点词——比如“文明”“基础设施”“原始混乱”这类高熵概念词，作为结构收口的支架。 语言学训练过的朋友会明白：锚点词不是结论，是语义重力场，它们会引导你的话语体系向某个认知中心聚合。 最后，我将这一切过程生成的内容进行人类作者的主动整理与重写。 必须强调一点：AI 只是协助，不是代写。字还是我自己打的，逻辑是我自己建的，文章的风格和立场，是不可替代的。你以为有了AI就不用自己键盘打字了是吧？ 于是，我得到了这样一篇高信息密度、逻辑收束、观点明确的文章： 在信息洪流席卷而来的时代，我们不禁要问：数据文明究竟从何而始？如果说今天的大数据生态和人工智能系统构成了数据文明的肌肉与骨架，那它的第一束火种，很可能就是由 Hadoop 点燃的。Hadoop 并不是最先进的技术，却是第一个用去中心化的结构思维真正把人类带入数据文明时代的开创性系统。它不依赖超级计算中心，而是通过上百台廉价的普通机器，组建起一个分布式的“数据共和国”；它不需要整洁的结构化数据，而是主动接纳来自草根、传感器、网页和日志的“原始混乱”；它不再由少数专家垄断操作权，而是把 Map 与 Reduce 的编程模型交到每一个开发者手中。 正是这种革命性的开放，让 Hadoop 成为真正意义上的大数据起点。它不仅让数据可被收集和处理，更让数据成为一种资源——一种可以转化为洞察、预测乃至智能的“信息流”。Hadoop 接纳混乱，却在混乱中提炼出秩序。它像一个巨大的炼金炉，将世界生成的各种信息垃圾熔炼成洞见与模式，从而在虚拟空间中投影出一个真实世界的镜像。这种能力标志着一种全新的文明形态开始成型——数据文明。 数据文明是一种以数据的采集、流通、处理与反馈为核心机制，推动社会运行、知识生成与智能演化的人类文明形态。如果说农业文明以土地为基础，工业文明以机器为核心，那么数据文明的底座，就是可计算的信息流。在这一文明中，人类第一次用统计与算法取代了部分经验与直觉，社会也从人工调控逐步走向系统自我调节。工业文明的巅峰是流水线与管理学，而数据文明的巅峰，是自动决策与自我优化的智能系统。AI 不再是孤立的工具，而是这一文明的神经系统。 Hadoop 所开启的，并不仅仅是对大数据的初步驾驭，更是一场“原始混乱”的征服。从网页、日志、图像、视频到传感器数据，这些曾被视为信息垃圾的内容，其实正是世界最真实的投影。通过 Hadoop，我们第一次拥有了对非结构化数据进行建模与分析的能力，第一次能够在虚拟空间中重构现实，拥有对现实的观察权与认知权。这是技术上的跃迁，更是哲学上的进化。 今天，我们已经走进了 Spark、Flink、Presto、Kubernetes 和云数据湖构建的新生态，Hadoop 的角色也许已经不再居于中心，但它的意义从未被替代。正是 Hadoop 的架构哲学、计算模型与数据处理思想，为这一整套大数据与智能系统的演化奠定了基础。 在人工智能成为核心技术的当下，大数据框架仍是 AI 运转不可或缺的底座。它提供的不仅是“训练之粮”和“处理之力”，更是一整套生态基础。从采集、清洗、存储、处理到反馈，这五环构成了 AI 的信息循环系统，让它得以学习、成长、反馈与优化。可以说，大数据框架构成了 AI 世界的供血系统与呼吸系统，是智能文明可以运行、生长与演化的底层管网。 我们终于可以像炼钢炼油一样炼数据了。这一切的起点，正是 Hadoop。从原始混乱中抽象秩序，从计算节点中协同智能，从数据信息中重建世界模型。它不只是一个技术系统，它是人类迈入数据文明的第一步。 好，然后把上面的文字翻译成英文。就用这篇文章要求生成Deep Research, 生成内容看链接：“ 我评价一下这篇生成的文章。首先，因为我的提示词很长，有好几条逻辑和叙事线，所以DR反问的时候将这几条线分割出来了： The historical role of Hadoop in shaping modern data infrastructure? Comparative analysis of Hadoop vs newer frameworks (Spark, Flink, etc.)? The concept and evolution of "data civilization" in technological and philosophical terms? How decentralized architectures like Hadoop influenced AI development? The journey from unstructured data ("primitive chaos") to intelligent systems? 我就让他自己看着办。 评论一下这篇DR, 它一方面极力想遵循我提示词所设定的叙事逻辑，保持整篇文章在我设计的语义轨道上推进；另一方面，又在疯狂地调用技术资料，努力为每一个关键观点寻找“佐证”。 但它和我以往那种“高级谷歌式”的问答完全不同：不是简单引用就能收工的。这次它找的很多资料都无法直接复制粘贴用作引证——因为点进链接后你会发现，原文里并没有完全匹配的段落，没有那种“高亮即真理”的瞬间。 为什么？因为它根本就找不到一模一样的观点。 所以它只能靠自己推理——一层层演绎，从相关领域的技术脉络里“构造出一个看似合理的解释路径”。有些推理的确绕得厉害，说实话，只能算逻辑勉强自洽，沾点边，却不够扎实。但问题也在这：你又找不到确切证据去证伪它。 这其实是一个很有意思的AI能力边界：在没有既存文本观点可引用的情况下，它会主动尝试创造性地“弥合语义空隙”，以一套结构上近似学术推理的方式，生成一个“无法验证，也不易否定”的半原创表达。 这就对了，这是我要的方向。他要是能原创了，要我来干嘛。 然后根据DR就可以在扩展和压缩。 那些质疑我熵控术学术严谨性的，你给我钱了？你给我职称了？数学建模不是不能做，但是现在在没有人给我钱的前提下，这只是我自我修炼的一个技能。爱看不看，爱学不学。全世界水论文那么多，不差我一个。那些质疑的，请问有没有，哪怕一次，做过正经的学术peer review，以至于要现在上推来随便找篇推文peer review, 搞笑吧。

根据Vectara发布的大模型幻觉排行榜，DeepSeek-R1的幻觉率达到了14.3%，远高于Deepseek-V3的3.9%，也在所有主流模型里属于较差的一档。 按理来说，R1是比V3更新、更强大的模型版本，之所以反而表现得更加拉垮，还是因为推理模型比普通模型先天就更加具有「创造力」，其实在AI研究领域，幻觉本身并不是单纯的缺点，甚至可以说，幻觉就是科学家们希望在AI身上看到的所谓意识，只是我们还没有把AI调教得当，让它在该天马行空的时候自由创作，在该遵守事实的时候有理有据。 所以我的这篇文章也不是在说DeepSeek-R1有问题，而是滥用它来批量化生成真假难辨的信息、并海量投放到公网的这种行为，问题很大。 越是公共讨论聚集的地方，比如时政、历史、文化、娱乐等领域，越是重灾区，这和自媒体的商业模式有关，有流量就有收入，流量取决于内容的吸引力，同时内容又受到生产成本的限制，而当DeepSeek-R1这种降维打击的武器被交到了每一个人手里，失控就是不可避免的了。 第二个例子里的作者大概是察觉到流量太高也容易出事，已经会在新的文章里——依然都还是DeepSeek-R1写的——加上一条下面这样的声明，不过只能说聊胜于无，很少有人会注意到并理解这句话的意思——上面的内容有一半是我编的，但我不告诉你们是哪一半。 事实上作者也确实不知道DeepSeek-R1交稿的内容里哪些是真哪些是假，他可能会提供一些参考资料，以及开放全网搜索的权限，但就像我说的，推理模型的运作模式，决定了它不是简单的洗稿，而是会自行完善故事的骨架和细节，最后的结果就是真假参杂，迷惑性反而更大了。（5/n）