与「学工程会加buff吗」相关的搜索结果

#张家界# #七星山# 荒野求生挑战赛最强女选手退赛。 共 100 名选手，没有任何外援，坚持时间最长者获胜。 冷美人 —— 来自云南的90后 两个娃儿的母亲 —— 全场第一个成功钻木取火的选手，在第 18 天，清空其他女性选手。 在第 37 天突然晕倒，经体检认为严重营养不良，被强制退赛。 冷美人退赛时，100 名参赛者中还有 14 位选手在坚持。 #学工程会加buff吗# #一代英雌#

Agent 需要什么样的基础工具集合 看到大家在聊 Agent 工具集的问题——是不是提供一个 shell 就都搞定了？做了 holon 之后发现，其实没有那么简单。 读：为什么放弃了 Read/Glob，全走 shell holon 的工具集改了几个版本，最后废弃了类似 Claude Code 提供的 Read（读文件）、Glob（模式搜索）这类专用工具，读取和查找全部通过 shell 来完成。这和 Codex 的路线一致——Codex 的 ExecCommand 一把梭，读文件就是 cat，搜代码就是 rg，不再单独给每种"读"操作定义一个工具。 这样做的理由很朴素：shell 是 LLM 最熟悉的"编程语言"。与其让模型去学你定义的 Read 工具的参数语义，不如直接让它写已经训练了几十亿次的 shell 命令。每多一个专用工具，模型的认知负担就加一层；而 shell 这个界面，模型已经足够熟练了。 但全走 shell 有一个代价：输出截断。框架为了避免 shell 返回值太长撑爆上下文，会给每个命令设输出上限。Agent 用 cat 读一个大文件，可能只拿到前半截，剩下的在 artifact 文件里，还得再 cat 一次甚至多次才能读完。Claude Code 的 Read 工具压缩阈值比通用 shell 高很多，读大文件一步到位，少了好几个来回。本质上是取舍：少定义工具降低认知负担，但专用工具在边界场景效率更高。 写：从 sed 到 ApplyPatch，以及 free grammar tool 的难题 但写操作就无法完全用 shell 搞定。 如果让 Agent 全用 sed 做编辑，就会发现遇到复杂的多行匹配很难处理——换行、转义、缩进，任何一层出了问题都会导致编辑失败。所以很多系统会提供 Replace String 这样的编辑工具，让 Agent 传一大段 old_string 来精确匹配并替换成 new_string。虽然笨拙，但比 sed 稳得多。 Codex 则走得更远，发明了自己的 ApplyPatch 工具，让 Agent 直接生成 patch，一次搞定批量编辑。holon 就借鉴了这个思路。 但落地的时候踩到一个坑：Codex 用的是一套 OpenAI 自己定义的简化 patch 格式，并且搭配了一种叫做 free grammar tool 的特殊工具机制来解决格式传递问题。 为什么要专门搞一种新机制？因为 LLM 的标准工具定义都是 tool(args) 这种 JSON 参数格式。如果把 patch 作为 JSON 字符串参数传递，会牵扯到大量的转义——换行要变 \n，引号要加反斜杠，缩进也得小心处理。Agent 写 patch 时本身就容易出错，再叠一层 JSON 转义，出错概率翻倍。free grammar tool 的思路是把 patch 的原始文本直接作为 tool 的输入体，不经过 JSON 参数编码，模型写什么就是什么。这大幅降低了模型生成 patch 时的出错率。 而这套机制目前只有 OpenAI 的 Codex 接口支持。holon 是要兼容多模型提供方的，没法只靠这一条路。 于是 holon 的做法是：根据模型注入不同的 ApplyPatch 定义。对支持 free grammar 的模型，直接走原始 patch 格式；对其他模型，就接收标准的 git diff 格式。我觉得 LLM 经过 GitHub 上几十亿次 diff 的训练，对 git diff 格式应该相当熟练。实践下来效果还可以——虽然也常出错，但多数时候能改对，而且随着训练数据积累，这个能力只会越来越好。不过我还是建议各家模型厂商都支持一下 free grammar tool，这对 Agent 写代码的场景确实是刚需。 调度：长时间命令和 task 抽象 第三个问题是 Agent 执行的 shell 命令不一定会很快结束——启动 dev server、跑测试、构建项目，都可能跑很久，甚至根本不退出。早期的 Agent 框架处理得很粗暴：要么同步阻塞把自己卡死，要么所有命令一律丢后台，结果 Agent 把同一个命令反复执行很多遍。 现在业界逐渐收敛到一个基本共识：不给 Agent 暴露"前台/后台"的选择——这件事 Agent 自己判断不准。更好的方式是设置一个时间阈值，命令超时自动转后台，对 Agent 完全透明。Agent 不需要预判这个命令该不该放后台，runtime 自己处理就行。 但自动转后台只是第一步。转后台之后，真正的工程问题才浮出来——而这些问题，目前业界还没有标准答案。 首先是输出怎么读。后台任务可能还在跑也可能已经结束，输出可能很大。但各家 API 的语义并不统一——有的走轮询，有的走事件推送。 其次是任务怎么停。各家都有取消机制，但取消是即时 kill 还是优雅退出、已产生的部分输出要不要保留? 最后是谁来叫醒 Agent。Agent 把任务丢后台以后休眠了，任务结束那一刻谁来叫醒它？这要求 runtime 和 Agent 调度深度绑定，不是独立工具层能解决的。 这三件事——读输出、停任务、叫醒 Agent——合在一起，就是后台任务完整的生命周期管理。各家都实现了"能后台跑"，但管理面还没有标准化方案，这可能是下一阶段 Agent 工具链演进的关键节点。 还没到无脑用一个现成模式的时候 所以回到开头的问题：shell 能解决 80%，但剩下 20%——编辑的精确性、patch 格式与模型能力的匹配、长任务的调度抽象——恰恰决定了 Agent 能不能从 demo 走向真正可用的系统。 工具集的选择远不止"封装一个 shell"那么简单，也远没到大家可以无脑套用一个现成模式的时候。这也是为什么 Codex 和 Claude Code 在这些基础问题上给出了不同的答案，而 holon 又根据自己的场景做了不同的取舍，这中间可以探索和改进的点，还很多。

强烈推荐大家看看DeepMind CEO Demis的最新判断。 真的，Google DeepMind 的 CEO Demis Hassabis 每一期访谈我觉得值得都花时间看看。这哥们讲东西很实在，而且通俗易懂。 早上边跑步边听完了他和 YC CEO Garry Tan 的最新一期播客。 刚刚把笔记写完，也给大家分享下。 多说一句，好多人问我这种笔记是不是 AI 写的。我说下自己的流程。 我会先完整听完播客，然后用语音输入法把感触尽量充分地讲出来，再让 AI 帮着整理初稿，最后自己逐字修改优化。 如果全部交给 AI 做总结，那等于把思考和理解的能力让渡给了 AI，对自己理解这件事其实没有任何价值。 OK，咱们进正题。 1 Demis 的态度非常明确，现在的大模型范式（大规模预训练 + RLHF + CoT）一定会是 AGI 最终架构的一部分，他不认为这会是条死路。 但要实现 AGI，还有几个关键问题要解决。这几个问题包括：持续学习、长程推理和记忆系统。 先从最容易看到的现象讲起，Context Window。 现在大模型处理长信息，最常用的招就是把 Context Window 一直撑大。一开始 8k，后来 32k，再后来 100 万 Token。听起来很厉害，但本质上是暴力堆砌。 Context Window 其实就相当于人脑里的 Working Memory，工作记忆。人的工作记忆能同时装多少东西？心理学里有个经典数字，7 个左右。背电话号码能记住 7 位上下，再多就溢出了。 大模型呢？已经做到 100 万 Token。 按理说，模型的工作记忆比人大几十万倍，应该比人聪明几十万倍才对。但显然不是。 问题也恰恰就出现在这。把所有东西都塞进 Context Window 里，里面包含了不重要的东西、错的东西、过时的东西。看起来信息很多，其实是一团乱麻。 那人为什么 7 个数字的工作记忆就够用？ 因为人脑背后还有另一套机制在工作。我们记得几年前的事，记得童年的事，记得几小时前发生的事。这些都不塞在工作记忆里，而是另一套系统。 具体来说这套系统是海马体，大脑里负责把新知识整合进已有知识库的那个部分。 研究发现，人睡觉的时候，特别是 REM 睡眠阶段，大脑会重放白天重要的片段，让大脑从中学习。新东西在睡觉的过程里，温柔地融进了旧的知识体系。 这个把新东西融进旧知识库的过程，就是持续学习。 模型现在没有这套机制。每一次对话结束，刚学到的东西就会忘记。下次重新打开，还是上次那个模型，没长进。 2 再聊聊长程推理的问题。英文表达是 Long-term Reasoning。我翻译为了长程。 长程推理这个词太抽象了。Demis 讲了一个特别具体的故事，听完会立刻明白他说的是什么。 他说自己喜欢跟 Gemini 下国际象棋。下棋的过程里能看到模型的 thinking trace，也就是它在那里到底想了什么。 然后他发现一件怪事。 模型考虑一步棋的时候，思考链里清清楚楚写着，这步是个昏招。但接下来，它没找到更好的走法，于是又走回这步昏招。 明明知道是错的，还是把错的那一步走出去了。 这个细节比任何 benchmark 数据都说明问题。因为它暴露的是模型缺少对自己思考过程的某种内省能力。 正常人下棋，意识到一步是昏招之后，脑子里会有一个反应，停一下，再想想。停一下、再想想这个能力，模型现在没有。它能在每一步局部判断对错，但没法基于整盘棋的局势去调整整体策略。 这就是长程推理还没搞定的样子。模型可以一步一步往前走，每一步看起来都合理，但走到后面整盘棋的方向其实是错的。它没有那种退回到当前思考的上一层、重新审视一下的能力。 说到底，模型缺的是一种内省。 3 学习、长程推理、记忆，这是 Demis 在播客里点出来的三个 AGI 鸿沟。 除此之外，他还反复提到了创造力。 2016 年 AlphaGo 跟李世石下棋，第二局走出了著名的 Move 37。那一步棋走出来的瞬间，全世界的围棋高手都看呆了。 所有人类几千年下围棋积累的经验都告诉它不该下那里，但 AlphaGo 下了。下完之后大家发现，是一步神来之笔。 很多人觉得，这就是 AI 的创造力来了。 但 Demis 说，对他自己来说，Move 37 只是起点。他真正想看到的是另一件事。AI 能不能发明围棋这件事本身。 这两件事的区别非常关键。 Move 37 是在围棋这个现成的规则里，找到了一步人类没想到的招。但围棋的规则、棋盘的形状、黑白子的对弈方式，是人类发明出来的。AI 在已有的框架里非常厉害，但能不能自己造一个框架，是另外一回事。 Demis 给了一个具体的设想。 如果给 AI 一个高层次的描述。造一个游戏，五分钟能学会规则，要好几辈子才能精通，棋局有审美，一下午能下完一局。AI 能不能根据这个描述，自己倒推出围棋？ 目前做不到。 为了把这件事讲得更清楚，Demis 还提了一个测试，他自己叫爱因斯坦测试。 用 1901 年人类已有的全部知识训练一个模型，看它能不能在 1905 年那个时间点，自己推出狭义相对论。 爱因斯坦在 1905 年那一年里，连写了几篇改变物理学的论文，后来叫爱因斯坦奇迹年。那些工作不是从已有的物理学论文里通过拼接得到的，是基于已有材料做了一次全新的概念跳跃。 爱因斯坦测试想问的就是这件事。AI 能不能做这种跳跃。 目前的大模型主要在做两件事，pattern matching 和 extrapolation。一个是从大量数据里找规律，一个是把规律往外延伸一点。但发现新东西需要的是类比推理的能力。从一个领域里抽出深层结构，搬到另一个全新的领域去用。 这个能力，模型现在还没有。也可能是有，但用法不对所以激发不出来。 4 除此之外，Demis 还分享了一个让我特别出乎意料的判断，他说未来 6 到 12 个月，真正的价值不在更大的模型，在更小的模型。 这一部分内容我反复听了好几次，确实突破我的已有认知。 不知道大家的想法，反正我自己，这一年来并没有怎么关注小模型的进展。毕竟行业的焦点就是把模型做大嘛。 那小模型的价值到底在哪？ 最直接的是成本。同样一个任务，小模型的推理价格可能只是前沿模型的十分之一甚至更少。 但 Demis 说，比成本更重要的其实是速度。 这里有一个前提得先说清楚。Demis 不是在说速度可以替代智能。 他的原话是，当小模型的能力已经达到前沿模型的 90% 到 95%，也就是已经相当不错的时候，剩下那 5% 到 10% 的能力差距，比不上速度带来的好处。 比如现在工程师用 AI 写代码，已经形成了一种新的工作节奏。一个想法冒出来，几秒之内就能看到结果，不行就改，再不行再改。 这个一改再改的循环跑得越快，做出来的东西就越好。如果每次调用都要等十秒，整个工作流就被打断了。 更关键的是，快到一定程度，工程师在这种节奏里能进入心流。一个想法、一次尝试、一个反馈、再来一个想法，思维不被打断。 这件事写过代码的人都懂，进入心流和频繁掉出心流，产出的差距是数量级的。 Agent 也是同样的逻辑。一个 Agent 跑完一个任务可能要调几十次模型，每次慢一秒，整个任务就慢一分钟。慢到一定程度，Agent 就从一个能用的东西变成鸡肋。 小模型不是大模型的廉价替代品。有些事只有小模型能做。 比如手机、眼镜、家用机器人，需要的就是一个能在本地跑起来的模型。本地跑除了反应快，还有一个特别重要的好处，隐私。 家里机器人看到的视频、听到的对话，全部在设备本地处理，根本不上云。这件事对很多用户来说不是加分项，是底线。 成本、速度、边缘部署，这是小模型的价值。 5 讲完小模型的价值，接下来一个更关键的问题是，能力被压到这么小的参数里，会不会有上限？ Demis 的判断是，目前没看到信息密度有任何理论上限。小模型的智能天花板还远没看到。 支撑这个判断的，是 DeepMind 在蒸馏这件事上的积累。蒸馏简单说就是先训练一个超大的模型，然后用这个超大模型去教一个小模型。教完之后，小模型用极少的参数，能复现原来 95% 以上的能力。 为什么 DeepMind 这么重视蒸馏？因为要把 AI 能力放进谷歌的头部产品中，前提是低延迟、低成本。前沿模型再强，每次推理花几秒钟、花几毛钱...这条路，恐怕很难走得通。 一个前沿模型发布之后，6 到 12 个月内，他们就能把这个模型的能力蒸馏到边缘设备能跑的小模型上去。这个时间表比很多人想的要快。 在很多场景中，小模型和大模型会相互配合。 举个例子，一个端到端的智能助手，绝大部分日常任务在本地的小模型上跑。智能眼镜看到的画面、家里机器人听到的对话、手机里的私人助理，模型直接在设备里读懂，不需要往云端传一遍。 只有遇到特别复杂、本地搞不定的问题，才向云端的前沿模型发起请求。 也就是说小模型在边缘做主力，前沿模型在云端做后援。 不过，这个构想对小模型的要求也比较高，它不能只会处理文字，还得能理解物理世界。 这就是为什么 Gemini 从一开始就坚持多模态，不光处理文字，也处理图像、视频、声音。 一开始这么做比只做文本要难得多，但眼镜也好，机器人也好，需要的是一个能看懂周围世界的模型，不是一个只会聊天的模型。 讲到这里，小模型这条路的轮廓就完全清楚了。它独立成立，不是前沿模型的廉价替代品，而是另一条同样重要的路。 嗯，很有启发。

AI Agent 要变强，有两条完全不同的路。 一条是 Skill，也就是给自己装技能，把新能力直接塞进脑子里。 另一条是 SubAgent，就像派小弟去干活，自己只看汇报。 这两条路听起来都能让 Agent 更厉害，但适用的场景还是有所不同，用错了的话，你的 Agent 可能反而会越用越慢、越用越乱。 Skills，就像是给主 Agent 装插件。 比如你的 Agent 原本只会聊天，现在你想让它能写 PPT。Skills 的做法是：把写 PPT 的能力说明、工具调用方式、注意事项，全都塞进主 Agent 的上下文中。主 Agent 通过上下文学会了这项技能，它可以自己来写 PPT。 第二种叫 SubAgent，就像是委托外包。 同样是写 PPT，SubAgent 的做法是：主 Agent 把任务派给一个专门写 PPT 的 SubAgent，SubAgent 独立完成后把结果交回来。主 Agent 全程不参与具体执行，只负责派活和验收。 一个是内化能力，一个是外包能力。听起来都能搞定任务，区别在哪？ 区别在上下文管理，上下文就是 AI 的记忆。 你可以把 AI 的上下文想象成一张工作桌。桌子大小是固定的，你放的东西越多，就越难找到需要的那份文件。这就是上下文容量的问题。 Skills 模式下，所有能力说明都铺在同一张桌上。好处是信息互通，主 Agent 能看到所有中间结果，推理过程连贯。坏处是桌子很快就乱了，Prompt 越来越长，能力之间可能打架，AI 开始犯糊涂。 SubAgent 模式下，SubAgent 在另一张桌子上干活。干完把结果递过来，过程中产生的草稿、中间文件全留在那边。主 Agent 的桌面保持干净。代价是信息传递要设计好，不然关键信息可能在交接时丢了。 这就是上下文污染问题，这里的污染不是夸张的比喻，是真实的工程瓶颈。 什么时候用哪种？ 判断标准其实很简单：子任务有多复杂，以及你需不需要完成任务过程中产生的信息。 Skills 适合的场景：任务本身不太复杂，或者你需要主 Agent 全程掌控。 比如让 Agent 充当入口路由，根据用户请求加载不同的“场景模式”，像进入 YouTube 总结模式、进入写报告模式。这时候 Skills 的懒加载特性很香：先只加载能力名字和简介，真正要用时才加载完整说明。不像 MCP 那样一股脑把所有工具的详细文档全塞进上下文。 SubAgent 适合的场景：子任务很重、很耗时、中间过程很啰嗦。 最典型的例子是浏览器调试工具。Chrome DevTools 的 MCP 功能很强，但工具说明太臃肿，放进主 Agent 会严重占用上下文。把它封装成 SubAgent，你只需要说“去查日志、截图、分析一下”，它跑完把分析结论递回来。中间那些截图、DOM 树、网络请求细节，全都留在 SubAgent 那边，不污染主 Agent 的上下文。 进阶玩法 有意思的是，Skills 和 SubAgent 这两种模式可以结合。这技巧是从 @yan5xu 那里学来的（ 第一种思路叫“先展开再压缩”。 打个比方：你开了一个两小时的头脑风暴会，白板上写满了草稿、争论、被否决的方案。但最后写进会议纪要的只有三条结论。那些中间过程对得出结论很重要，但对后续执行的人来说是噪音。 Agent 也可以这样操作。主 Agent 发现需要某个 Skill，加载进来，一通操作拿到结果。然后把从“加载 Skill”到“拿到结果”这整段过程折叠掉，只保留最终结论。对后续推理来说，就像开了一个会但只留下了会议纪要。 第二种思路是用文件系统做“中转站”。 想象你管理一个外包团队。你不会把所有需求细节都塞进一条微信消息里，而是说“需求文档在这个链接，去看”。外包团队交付时也不会把源码复制粘贴给你，而是说“代码在这个仓库，部署文档在这里”。 Agent 之间也可以这样协作。主 Agent 委托任务时，不把冗长的背景资料直接写进指令，而是存成文档，只传一个地址。SubAgent 返回时也一样：交付一个简短的状态摘要——“完成了/卡住了/需要你决策”——加一个详细记录的文档地址。主 Agent 根据情况决定要不要点进去看细节。这样双方的上下文都保持精简。 第三种是 Claude Code 里的实战技巧。 上下文快见底时，让 Claude 把当前完成的工作总结成一份文档。然后用 rewind 功能回滚到任务开始前的状态，告诉它：“这件事我已经做完了，记录在这个文件里。” 相当于什么？相当于你跑了一场马拉松，快到终点时发现体力不支。于是你把已经跑过的路线画成地图存档，然后“瞬移”回起点，精力充沛地说“我知道怎么走了，地图在这”。上下文被清空了，但成果保留了下来。用这个方法能在上下文耗尽前抢救一把。 最后 Agent 的竞争正在从“能调用多少工具”转向“怎么优雅地管理这些工具”。 很多人追逐最新的 Agent 框架、最花哨的能力扩展，却忽略了最基础的问题：AI 的工作记忆是有限的，你怎么组织它，决定了它能做多复杂的事。Skills 和 SubAgent 不是非此即彼的选择，而是两种工具，用对场景才能发挥价值。 说到底，Agent 架构设计和软件架构设计还是有很多相通之处。 是把逻辑写在一个巨型函数里，还是拆成模块化的微服务？ 是共享全局变量图省事，还是严格隔离状态保持干净？ 这些老问题换了个皮，又回来了。

哈哈，Todd更新了我也正好顺着说一下 Todd拿数值举得这个例子还是很贴切的，尤其是当AI未来发展到认知和能力已经超过人类的时候，人类自身的认知“基数”有多高意义可能不大了 就像你玩网游每次升级了力量敏捷智力等各种属性点+10，PVP的时候高等级碾压低等级，结果现在人人被赐予一套神装，各项属性点加一万，你高出来那几十级，几百个属性点意义不大了 这种可能性的确是存在的 但也有可能走另一个方向 短期和中期像我之前说的，因为主观能动性的存在，这个外挂放那很多人也懒得用，或者最多拿它订个外卖做个翻译啥的，他们每天的时间多是在打游戏或者刷短视频，对于升级甚至研究这个“神装”怎么穿都兴趣不大。 长期来看，尤瓦尔·赫拉利在《未来简史》里面描述的那个“神人阶级”逻辑上也是make sense的，当然更准确来说他用的是智神人（Homo Deus）这个词 他书里的核心论点是 - 技术会制造“升级版人类” 主要技术方向有三条： 1. 生物工程（改造身体、基因）- 可能过几年就有突破 2. 脑机接口（增强认知） - 马斯克的Neuralink在搞 3. 人工智能（决策与计算能力）- 这个大家天天在聊 这些技术成本极高，不可能人人都用得起（现在看3貌似不正确，差不多接近人人用的起了，但1，2在肉眼可见的未来应该还是极其昂贵），于是会出现： 一小部分被“升级”的人 vs 大多数没有升级的普通人 这就是“神人”和“普通人”的分化基础。 上一条tweet @BruceBlue 回复我说人人脑子里植入一个AI芯片就彻底平权了，我说到时候干这事儿可能得100BTC一个…… 你想改造过的身体通过脑机接口意识直连GPT，跟你打字或者跟GPT对话，哪怕是同一个AI，那效率和提升是不是也完全不在一个量级？ 你的确有了肩扛火箭炮，但人家直接变身钢铁侠了！ 所以当时赫拉利说未来的不平等将从“经济”变成“生物层级” 传统不平等是 1. 有钱 vs 没钱 2. 有权 vs 没权 他担心未来会变成- “被技术强化的人” vs “没被强化的人” 甚至是 “不同物种层级的人”，到时候未来的不平等，可能不是社会问题，而是生物学问题。 那个时候，就真的是“人和人的差距，比人和狗还大了！” 这是不是有点像《赛博朋克2077》里面那个世界？ 所以大家有生之年多囤点比特币吧，这玩意以后有可能是你，或者你娃，or 你娃的娃通向“神人阶级”的船票😂

第五，拥抱失败并快速迭代。 马斯克并不害怕失败，他更倾向于把失败看成数据和反馈。 火箭试飞爆炸，汽车量产受阻，自动化生产线出问题，这些失败在他眼里都不是终点，而是系统哪里需要改进的信号。 他的逻辑是，如果一件事从来没有失败过，说明创新的力度可能还不够。每一次失败，都能暴露一个问题，每修正一个问题，系统就会变得更强。 第六，跨学科融合知识。 马斯克最特别的地方，在于他能把不同领域的知识放在一起使用。 因为他掌握的是基础原理，所以学科边界对他的限制没有那么强，他可以把软件行业的迭代逻辑用到汽车制造，也可以把物理学，工程学，神经科学放进同一个问题里思考。 当一个人能看透不同领域背后的底层联系，就更容易在别人看不到的地方找到新机会。

很多人刚开始学美股，关注了一堆“大佬”， 结果越看越懵，不是讲太深，就是默认你什么都懂。 整理几个我觉得： 真正适合新手小白学习的美股 KOL（学习向） 1、ZC老师 @ZhanweiC 新手入门首选。 经常分享纳斯达克100 / 标普ETF定投、开户实操、宏观框架这些， 零基础也能看懂。 2、最爱吃兽奶的兔 @0xMilkRabbit 宏观 + 美股 + 买菜经济学。 会聊嘉信 / Schwab 开户、QDII、资产配置这些， 也会结合币圈经验讲美股。 内容很接地气，不鸡汤。 3、Lucy L. @LucyBuilding “普通人出海投资路径”系列很适合小白。 前 Web3 工程师， 会拆解普通人怎么一步步配置美股。 踩坑记录和工具框架都很真实。 4、qinbafrank @qinbafrank 趋势投资框架很清晰。 怎么看大势、怎么选赛道、什么时候调仓这些都会讲。 5、华尔街没有名字 @WallStreet0Name 实战内容很多，黄金、原油这些都会聊， 而且会结合基本面 + 技术面。 干货很多。 6、川沐｜Trumoo @xiaomustock 存储 / 半导体方向研究很深。 虽然风格比较猛， 但会解释行业逻辑。 适合学习怎么拆行业。 7、Serenity @aleabitoreddit 最近很火。 AI / 供应链分析有深度， 不是纯情绪流。 8、fin @fi56622380 偏 AI 主题分析。 框架比较清晰， 很适合建立“AI产业链”认知。 还有哪些适合新手学习的美股 KOL， 欢迎补充。

外界对日本的认知始终存在割裂：游客眼中的日本，干净有序、精致礼貌，服务与生活体验无可挑剔，依旧是成熟发达的社会；但从时代发展维度看，日本早已褪去引领未来的光环。日本的衰退并非秩序崩塌式的溃败，而是一场安静的时代转向：它彻底告别了创造硬未来的能力，退守为维护旧秩序和打造软体验。这一变化的背后，是中日两种文明最核心的差异：日本文明的底色是坚守连续性、守护现有秩序，而中国文明的底色是突破桎梏、重建全新未来。 日本并非没有创造未来的能力，其近代两次崛起均印证了这一点。明治维新在西方工业文明的冲击下，完成封建岛国到近代强国的蜕变；二战后依托全球贸易体系与产业重构，以精密制造、家电汽车产业领跑全球，一度成为亚洲现代化的标杆。但日本的未来创造力存在致命短板：其革新永远依赖外部危机冲击。唯有旧秩序被彻底击碎时，它才会调动极致的执行力与学习力完成迭代；一旦外部压力消退、旧秩序尚可维系，便会回归保守的默认模式，专注于修补、维稳、延续现状，丧失主动破局、重构体系的魄力。 同时，日本社会并非没有创新的内生力量，江户时代的商业文化、锁国时期的兰学研究、明治前夜的革新志士，都是内部蒸腾的突破力量。但日本成熟的旧秩序拥有极强的“免疫规训机制”，所有异质创新、突破尝试，都会被快速吸收、驯化、约束。社会默认“不破坏氛围、不制造冲突、不给他人添麻烦”的准则，允许有限的个性化，却绝不允许颠覆现有结构的变革。反观中国，疆域辽阔、发展不均衡、社会结构复杂，一处的固化不会阻断全域的生机，旧秩序的缝隙永远能孕育新的突破力量。简言之，日本需要外部撞醒，中国自带内生蒸腾的生命力。 这种差异根植于两国的文明底层逻辑。日本作为狭小多灾的岛国，有限的生存空间让维系共同体稳定成为第一准则，久而久之形成以“连续性”为核心的文明特质。这套文明塑造了日本社会的优点：克制守礼、细节极致、秩序井然、敬畏规则，但也埋下致命隐患：社会问题被体面掩盖，矛盾难以爆发，年轻人不敢突破，组织优先维护氛围而非直面现实，老化的系统始终被体面维系，衰退在静默中持续蔓延。 中国文明的核心则是乱世重构、迭代新生。广袤复杂的大陆疆域、频发的自然灾荒、周期性的王朝更迭，让中国文明从未追求永恒的静态秩序，而是练就了“破旧立新、重建秩序”的底层能力。中国人根深蒂固地认为，没有一成不变的既定格局，旧体系腐朽便可推翻重构，困境之中总能开荒拓新、重启开局。这也是中国人执着于逆袭、升级、突破、再造的根源，不是天性躁动，而是数千年文明历练出的生存智慧。 日本的文明底色，具象化为三大社会特征，也是其衰退的核心表征。首先是守护小世界的文化内核。日本文艺作品始终围绕“守护日常、守护温柔、守护有限美好”展开，无论是动漫、影视还是生活美学，核心都是守住眼前的小共同体、小美好，而非改造大世界、创造新未来。其审美偏爱克制、消逝、细腻的日常，追求在有限秩序内留存温度。而中国文化始终向往突破、开荒、统一、跃升，追求从废墟到新生、从弱小到强盛的跨越式成长。这一差异在科幻创作中尤为明显：中国式末日是改造世界、对抗绝境，《流浪地球》以工程化、体系化的方式拯救文明；日本式末日则是守护尊严、留存记忆，在既定命运中守住最后的温柔。 其次是社会翻盘感极度缺失。日本社会极度重视资历、秩序、连续性，容错率极低，一旦年轻人失业、掉队、偏离主流轨道，便很难重新回归核心圈层。冒险的收益极低，失败的代价却足以桎梏一生，这直接催生了年轻人的低欲望、躺平心态。日本婚恋生育的低迷也源于此：年轻人不愿承担现实生活的不确定性，转而沉溺于低成本、无压力的虚拟情感与娱乐，用符号化的欲望替代真实的生活担当，本质是对未来丧失信心，不愿为固化的社会下注新生。 最后是静默式的集体苦难。日本社会的体面秩序，是以个体的隐忍为代价的。阶层固化、薪资停滞、青年无望、地方衰败等诸多问题真实存在，却被礼貌、忍耐、不添麻烦的社会规训层层包裹。痛苦不对外爆发、矛盾不公开化解、衰退不直面正视，所有社会困境都被转化为个体的私人内耗。游客所见的整洁与温柔，背后是普通人无声的挣扎，这种“不乱的衰退”，比动荡的衰退更难逆转。 为维系体面的旧秩序，日本形成了封闭的信息茧房，优先筛选维护民族优越感、贴合旧秩序认知的信息，刻意回避自身产业衰落、技术被赶超、发展滞后的现实。长期的自我麻醉，让日本形成了“维稳拖延、极限赌国运”的危险思维：平日拒绝迭代革新，任由体系老化，当危机累积到极致，便以豪赌的方式试图翻盘，近代太平洋战争便是典型。这种模式并非创造未来，而是旧秩序不愿落幕的被动挣扎。 客观来看，日本并未彻底失去未来，只是完成了硬未来退场、软未来延续的转型。在人工智能、新能源、全球供应链、新型工业范式等硬核生产力领域，日本已丧失主导权，无法再定义时代发展方向。但其在生活美学、情感体验、文化创意、服务设计等软领域，依旧保持顶尖水准，同时在材料科学、精密零部件、机床设备等细分技术领域，拥有深厚的技术积淀。但单点的技术深耕、极致的体验打磨，无法替代系统性的产业革新、范式级的技术突破，日本也从引领时代的“未来样板”，沦为供人怀旧体验的“过去样本”。 日本的静默衰退，为中国提供了极具价值的警示。当下中国已然出现老龄化、低生育、青年求稳、内卷焦虑等类日本现象，但中国不会重蹈日本覆辙。核心原因在于中国发展的不均衡性与未完成性，城乡、区域、产业的落差，让社会始终保有蒸腾的生机与破局的机会，永远有人渴望重启开局、突破桎梏、再造未来。 但中国同样存在自身困境：内生的创新冲动，极易沦为盲目折腾、无效内耗。很多人将无谓的冒险、跟风的内卷、不甘平庸的躁动包装成奋斗，脱离实事求是，最终陷入资源错配、自我消耗。同时，存量利益固化、形式主义、创新阻力等问题，也在持续压制社会活力。 中日文明没有绝对的优劣，只是面对时代的默认姿态截然不同：日本致力于优化旧世界，中国致力于创造新世界；日本恐惧秩序崩塌，中国害怕未来停滞。日本的教训警示我们：极致的秩序会沦为发展的牢笼，单纯的坚守终将被时代淘汰；其深耕细节、长期主义、打磨品质的优势，也值得我们借鉴学习。 中国最珍贵的禀赋，是从未停止相信未来、从未放弃破旧立新。我们无需效仿日本的保守维稳，也需摒弃盲目躁动的内耗。唯有立足现实、实事求是，将社会的蒸腾活力转化为产业升级、技术突破、体系迭代的有效力量，才能跳出“守成衰退”与“盲目折腾”的两极困境，持续创造属于自己的全新未来。

【塞爾維亞10萬人反政府示威 總統武契奇訪華大讚中國人】（转） 塞爾維亞總統武契奇周日（24日）飛抵北京訪問，他在八達嶺長城大讚中國人民堅忍不拔，展現捍衛主權與獨立自主的堅定意志。但就在之前一日，塞爾維亞才爆發10萬人反政府示威，被防暴警察動用催淚彈驅散。這場席捲全國的政治風暴，源於一座由中資參與翻新的火車站，其混凝土簷篷突然倒塌，造成16人死亡。 《路透社》報道，塞爾維亞貝爾格萊德上周六爆發大型示威，警方在總統府附近與示威者爆發衝突。防暴警察發射催淚彈及震撼彈驅散人群，部份示威者焚燒垃圾桶、投擲石頭及玻璃樽還擊。內政部表示至少23人被捕，亦有警員受傷。 今次示威由學生主導，不少人穿上印有「Students win（學生勝利）」字樣的T恤，高舉塞爾維亞國旗及「你的雙手沾滿鮮血」標語。警方估計現場有3萬多人，但民間組織「公共集會檔案」（Archive of Public Gatherings）估計，參與人數高達10萬。 丨中資工程掀全國反政府浪潮 這場席捲全國的怒火，源頭可追溯至2024年11月。當時塞爾維亞第二大城市諾維薩德（Novi Sad）一個剛完成翻新的火車站簷篷突然倒塌，造成16人死亡。由於工程屬中國資助大型基建項目之一，外界矛頭直指施工質素低劣、監管失效及政府貪腐。事件最終演變成針對武契奇（Aleksandar Vučić）政權的大規模反政府運動。 事件其後迅速發酵，學生組織連月發動示威，要求追究責任、恢復法治。反對派與人權組織則批評武契奇不斷集中權力，削弱民主制衡機制。 雖然武契奇及盟友一直否認貪腐、濫權及打壓異見等指控，並聲稱已追究事故責任，但反對派及人權組織認為，真正問題是塞爾維亞民主制度正被逐步掏空。 武契奇長期被視為北京與莫斯科在歐洲的重要盟友。塞爾維亞目前雖然正式申請加入歐盟（European Union），但同時與中國及俄羅斯保持密切關係。中國已成為塞爾維亞其中一個最大外資來源國，亦是其第二大貿易夥伴。 #塞爾維亞# #反政府示威# #中國基建# #武契奇#

硬件工程师将成为新的职业规划香饽饽，码农即将狗都不学，微电子也会成为王牌专业。不过高考志愿总是滞后的，等家长们发现这个趋势的时候已经晚了