与「建大入口」相关的搜索结果

ついにチャンネル登録者9万人まで来ました🥲嬉しい… 드디어 구독자 9만명이네요ㅜㅜ プデュ時代の仲間と韓国で会って絶品カムジャタンとカフェに行ってきたよ！ #건대입구# #建大入口# ↓

飞书 CLI 开源了，为什么 AI Agent 时代，大家都在做命令行工具？ 飞书刚开源了一个命令行工具 lark-cli，能让 AI Agent 直接操作飞书：发消息、查日历、写文档、建多维表格、发邮件、管任务。你跟 AI 说一句话，它自己去操作飞书完成任务。 类似的 CLI 还很多，三周前 Google 也开源了 gws，让 AI Agent 操作 Google Workspace。2026 年了，所有想接入 AI Agent 的产品，都在做 CLI。 【1】先说 CLI 是什么 CLI（Command Line Interface），就是你在电脑上打开一个黑底白字的终端窗口，敲一行命令，回车，电脑帮你干活。 比如你要查今天的日程，不用打开飞书 App 找日历，敲一行： lark-cli calendar +agenda 日程就列出来了。 没有按钮，没有图标，没有花哨的界面。CLI 比图形界面早了二十多年，在 Windows 时代逐渐没什么人用了。但 AI Agent 时代，又火起来了。 【2】为什么 AI Agent 时代，大家都在做 CLI AI Agent 要干活，就得有操作工具的能力。你让 AI 帮你订会议室，它需要能访问日历系统。你让它帮你整理客户数据，它需要能读写表格。你让它帮你部署代码，它需要能跑部署命令。 总得有一个接口让 AI 去调用。API 也能做这件事，但 CLI 有一个 API 不具备的优势：CLI 是自描述的。AI 碰到一个陌生的 CLI，敲一下 --help 就知道有哪些能力、怎么用、参数怎么填。API 不行，AI 得先拿到文档、弄清端点、搞懂认证方式，才能动手。CLI 自带说明书，AI 拿来就能用。 而且 CLI 天然是用文本交互的，输入是文字，输出也是文字。AI 最擅长处理的就是文字。反过来，让 AI 操作 GUI 就绕远了，得截图、用视觉模型识别按钮在哪、再模拟鼠标去点，一行命令能搞定的事拆成四步，每步都可能出错。对 AI 来说，CLI 就是天然的操作界面。 【3】那 MCP 和技能呢 让 AI Agent 操作外部服务，现在主流有三种方式：MCP、CLI、技能（Skills）。三者不是互相替代的关系，各管一件事。 CLI 是实际干活的工具。装完之后终端里就能跑命令，查日历、发消息、建表格，都是 CLI 在执行。 MCP 也是让 AI 操作外部服务的，但方式不同。MCP 是提前把工具清单注册给 AI，AI 随时能调用，但清单本身常驻上下文窗口（可以理解为 AI 的“工作记忆”，空间有限）。就算 AI 暂时不用某个工具，它的描述也占着空间。CLI 是 AI 需要的时候自己去终端敲命令，用完就走，不占上下文。 另一个区别是组合能力。CLI 可以靠管道和参数组合出没预设过的操作，比如： lark-cli calendar agenda --next-week | grep“张三” | wc -l 一行命令就能查出下周和张三有几个会。MCP 的每个能力都需要提前注册，要实现同样的效果，得单独定义一个新工具。 不过 MCP 有自己的适用场景。在不支持命令行的环境里（比如 Cursor、Claude 桌面端），MCP 是唯一选择。两者各有所长：能访问终端的场景用 CLI 更轻量灵活，不能访问终端的场景靠 MCP。 技能是给 Agent 看的说明书。它不干活，但告诉 Agent 这个 CLI 有哪些命令、什么场景该用什么参数、出错了怎么处理。没有技能文件 Agent 也能用 CLI，靠 --help 自己摸索。有了技能文件，Agent 一上来就知道该怎么操作，成功率高得多。 简单说：CLI 是手，MCP 是另一种手，技能是肌肉记忆。飞书这次开源的项目，CLI 和技能一起提供。 【4】怎么给 AI 写好一个 CLI 不是随便写个命令行工具 AI 就能顺畅地用。如果你想给自己的产品做一个面向 AI 的 CLI，飞书的设计有几个值得参考的地方。 第一，help 文本是你最重要的文档。AI 碰到不认识的 CLI，第一件事就是运行 --help。你的 help 文本就是工具说明书、参数规格、使用指南三合一。别写那种“Usage: myctl deploy [flags]”就完事的帮助信息，要写清楚每个参数干什么、什么时候用、有什么默认值。飞书 CLI 还有一个 schema 命令，可以快速查询任何 API 方法的参数、请求体、响应结构、支持的身份和权限范围。AI 看到这些信息就能自己决定怎么调用。 第二，支持 dry-run，这是为 AI 设计的安全网。AI 会自己做决策，有时候它理解错了你的意图，或者匹配到了不该动的数据。dry-run 相当于一个“预览”机制。 举个例子，你让 AI 帮你删除飞书多维表格里上个月的过期数据。如果直接执行，删错了就没了。加上 --dry-run，AI 会先跑一遍，返回类似这样的结果：“将要删除以下 47 条记录：2025-05 的过期任务 23 条，已归档项目 24 条。未做任何实际修改。”你看了觉得没问题，再让它去掉 --dry-run 真正执行。Google 的 gws 也做了同样的设计，它的技能文件里甚至写死了一条规则：对所有写入和删除操作，必须先 dry-run。 第三，错误信息要能指导下一步操作。人看到“Permission denied”会自己去查文档。AI 看到“Permission denied”就卡住了。飞书 CLI 的做法是：告诉 AI 你缺了什么权限，顺便把申请权限的命令也给出来。比如 lark-cli auth login --scope“calendar:calendar:readonly”。AI 看到就能自己修复问题，继续干活。为 AI 设计的 CLI，每一条错误信息都应该包含三个要素：哪个参数出了问题、具体错在哪里、下一步应该执行什么命令来修复。 第四，返回结构化数据，控制好输出量。飞书 CLI 支持 json、csv、table 等多种输出格式。对人来说 table 更顺眼，对 AI Agent 来说 json 更可靠。好的 CLI 不只是能跑通，还要方便被别的工具消费。同时要控制输出量。AI 的上下文窗口有限，如果一个命令返回一万行日志，上下文就炸了。飞书 CLI 提供了分页参数（--page-limit）和过滤参数，让 AI 能拿到它需要的那部分数据就好。 不管你是设计 CLI 的人还是用 CLI 的人，记住这条：让 Agent 动手之前，先让它 dry run 一遍。 【5】装完之后，你动嘴，Agent 动手 装完之后用起来就是：你说一句话，Agent 去操作飞书把事情办了。 你开完会，跟 AI 说“把刚才会议里提到的所有待办都提出来，该发文档的发文档，该建任务的建任务”。AI 读会议纪要，拆解出待办事项，然后逐条执行：用 lark-cli doc create 在飞书里建文档，用 lark-cli task create 建任务并指派给对应的人，用 lark-cli im send 把结果通知到群里。整个过程你只说了一句话，Agent 在终端里跑了一串命令。而且因为有 dry-run，你可以让它先预览一遍要建哪些任务、发给谁，确认没问题再真正执行。 你要约一个五人跨时区的会，跟 AI 说“帮我看看下周大家什么时候有空”。AI 去查每个人的日历和时区，推荐几个时间段，你选一个，会就建好了。 你甚至可以让 AI 在飞书文档里直接帮你写初稿，你在文档里留评论提意见，AI 读完评论自己改。整个协作过程不用离开飞书。 安装也简单，npm install -g @larksuite/cli 装 CLI，npx skills add -y -g 装技能文件。你甚至不用自己记这两步，把项目地址 发给 Agent，让它自己安装、自己学会怎么用。 【CLI 的回归】 过去四十年，计算机的界面进化方向一直是从 CLI 到 GUI，从文字到图标，从键盘到触屏，对人越来越友好。 AI Agent 时代，方向反过来了，软件的用户变成了 AI Agent。CLI 这个为文字世界设计的接口，恰好是 AI 最顺手的工具。 既然 Agent 成了软件新的用户增长点，那么像飞书提供 CLI 也不稀奇，与其等着社区来写 MCP 适配层，不如直接做一个 AI 原生的 CLI，完全开源，无需注册审批，让所有 AI Agent 都能接入。 这也带来一个绕不开的问题：Agent 的权限怎么给？不给权限，什么都做不了；权限太高，又怕 Agent 理解错意图干出不可逆的事。毕竟还做不到让 Agent 代你审批、代你发全员邮件。dry-run 能兜住一部分风险，但真正要让 Agent 在企业里大规模跑起来，权限体系、审计追踪、人机协作的边界，都还在摸索中。 但换个角度想，当年我们把公司的钱从保险柜搬到网银，把合同从纸质搬到电子签，也都是一步步摸索出来的。CLI 和 dry-run，可能就是这个过程里的第一步。 而飞书做这件事，其实有一个别人不太容易复制的优势：它本身在企业协作领域已经足够成熟，消息、文档、日历、审批、多维表格、任务，这些能力都是现成的。现在把这些能力通过 AI 原生的 CLI 全部开放出来，大概率会成为国内对 AI Agent 最开放、最友好的企业级接入入口。这件事的价值不止是多一个工具，更像是真正在为 Agent 时代搭建企业级基础设施，把权限、审计、组织能力开放给整个生态，对行业落地 AI Agent 会是很关键的一步。

老黄站在 CES 2026 的舞台上，身后的屏幕突然黑了。“所有系统都挂了，”他笑着说，“这在圣克拉拉从来不会发生。是因为拉斯维加斯吗？外面是不是有人中了头奖？” 这个小插曲倒是个不错的隐喻：2025 年的 AI 行业，就像一台马力全开但偶尔冒烟的机器。所有人都在全速狂奔，所有系统都在满负荷运转。 老黄在 CES 上说，每隔十来年，计算行业就要来一次大洗牌。从大型机到 PC，从 PC 到互联网，从互联网到云，从云到移动端。 这一次不太一样，地震是双重的。不仅应用要建在 AI 之上，连我们写软件的方式本身都变了。 “我们不再编程软件，我们训练软件。不再跑在 CPU 上，而是 GPU 上。”过去的应用是预编译好的，装在你设备上就那样了。现在呢？应用理解你的上下文，每次从零开始，实时生成每个像素、每个 token。 这意味着过去十年砸下去的十万亿美元计算基础设施，都要升级换代。老黄算了一笔账：全球百万亿美元产值的产业，研发预算正在从传统方法向 AI 方法迁移。风投每年两千亿美元涌入这个领域。这就是为什么大家都这么忙。 【1】2025，大模型的三个拐点 老黄回顾了 2025 年 AI 领域的几个关键进展。 第一个是推理模型的出现。2024 年底 OpenAI 发布 o1，第一次让 AI 学会了“思考”。以前的模型是一口气给你答案，对就对，错就错。现在的推理模型会停下来想一想，把问题拆开，一步步推演。想得越久，答案往往越靠谱。老黄管这叫“test-time scaling”，也就是用更多的推理时间换更高的回答质量。 第二个是 Agentic 系统的爆发。AI 不再只是回答问题，而是开始“做事”了。它会自己规划步骤，调用工具，查资料，写代码，甚至操控其他 AI。2025 年，这类系统从实验室走向了真实应用。 第三个是开源模型的崛起。DeepSeek R1 的发布像一颗炸弹，证明了开源模型也能达到前沿水平。虽然还落后闭源模型大约六个月，但下载量已经爆炸式增长。创业公司、研究者、学生、甚至各国政府，都开始用开源模型构建自己的 AI 能力。 这三个突破并非孤立存在。推理能力让 Agent 更聪明，开源模型让 Agent 更容易构建。它们相互催化，共同把 AI 推向了一个新阶段。 【2】Agentic AI：从“能聊天”到“能干活” 三个突破里，Agentic AI 可能是离普通人最近、又最容易被误解的一个。 先说一个直观的例子。老黄提到，英伟达内部现在大量使用 Cursor 编程工具。这不是普通的代码补全，而是一个真正的 AI Agent，你告诉它想实现什么功能，它会自己规划怎么写，查阅文档，生成代码，测试，修 bug，甚至重构。程序员的角色从“写代码的人”变成了“审代码的人”。 这就是 Agentic AI 的本质：AI 从被动回答问题，变成主动完成任务。 ChatGPT 刚出来的时候，最大的槽点是“幻觉”，它会一本正经地胡说八道。因为它只能依赖训练时学到的知识，没法获取新信息，但它又被要求有问必答，所以不得不胡编乱造。你问它今天的天气，它只能编一个。 Agentic 系统解决这个问题的方式很简单：让 AI 学会“查资料”自己补充上下文。遇到不确定的问题，它会先判断“我需不需要去查一下”，然后真的去搜索、去阅读、去核实。这个判断本身就需要推理能力，所以第一个突破（推理模型）是第二个突破（Agentic 系统）的基础。 但 Agentic AI 的能力远不止于此。 【3】Agent 的四种超能力 老黄在演讲中描绘了一个完整的 Agent 能力图谱。我把它总结为四种超能力： 第一，会推理。遇到从没见过的问题，Agent 不会直接说“我不会”。它会把陌生问题拆解成一堆熟悉的小问题，然后逐个击破。就像一个聪明的实习生，虽然没做过这个项目，但能把它分解成自己会的步骤。 第二，会用工具。Agent 可以调用搜索引擎、计算器、代码解释器、数据库，甚至其他 AI 模型。它知道什么时候该用什么工具，就像一个老练的工匠，手边有一整套工具，可以随手选最趁手的那个。 第三，会规划。面对复杂任务，Agent 会先想好怎么做，制定计划，预判可能的结果，然后一步步执行。不是闷头往前冲，而是“三思而后行”。 第四，会协作。这是老黄特别强调的一点：现代 Agent 系统往往是多个模型并存的。一个 Agent 可能同时调用好几个 AI：用专门的模型处理图片，用另一个模型写代码，用第三个模型做总结。就像一个项目经理，知道每个专家擅长什么，然后把任务分配给最合适的人。 他特别提到 Perplexity 的做法让他眼前一亮：“第一次看到他们同时用多个模型，我觉得这太天才了。”道理很简单：一个 AI 当然应该在推理链的任何环节调用最适合那个任务的模型。 所以未来的 AI 应用是什么样的？多模态（理解语音、图像、文字、视频、3D）、多模型（不同任务用不同模型）、多云（模型分布在各个云上）、混合云（有些在边缘、有些在企业、有些在云端）。 【4】一个 Agent 是怎么工作的？ NVIDIA 为此搞了一套叫“Blueprint”的框架。演讲中展示了一个演示：一个小哥用 DGX Spark 搭了个个人助手，能管邮件、日历、待办事项，还能控制一个小机器人。隐私敏感的邮件任务用本地模型，其他用 frontier 模型，中间用一个意图路由器自动分配。 听起来像科幻片，但搭建过程出奇简单。 首先，接入一个前沿大模型的 API 作为“大脑”。然后，为每个功能创建一个“工具”：邮件工具、日历工具、摄像头工具。接着，因为邮件涉及隐私，开发者加了一个本地运行的开源模型专门处理邮件，数据不出本机。最后，加一个“智能路由器”，根据用户的意图自动决定用哪个模型处理。 结果呢？用户说“帮我给 Jensen 发个邮件，告诉他脚本今天能交”，Agent 就自己完成了。用户说“把这张草图变成建筑渲染图，再做个视频带我看看房间”，Agent 也搞定了。甚至当用户的朋友远程接入，问“我的猫 Potato 在干嘛”，Agent 能看摄像头、认出猫、发现它在沙发上、还记得朋友不喜欢猫上沙发、然后通过机器人喊话让猫下去。 老黄说，这一切在两年前是“完全不可想象的”。而现在，“这已经变得微不足道了”。 Agentic AI 的概念其实不新。早在 2023 年，AutoGPT 就火过一阵，号称能让 GPT 自己给自己下指令、自动完成任务。但那时候的 Agent 更像是玩具，经常跑偏、容易卡死、实用性有限。 2025 年的爆发，靠的是几个条件同时成熟： 1. 推理能力的突破。没有可靠的推理，Agent 就像一个冲动的实习生，一拍脑袋就开干，经常把事情搞砸。有了推理，Agent 才能“想清楚再做”。 2. 工具生态的完善。各种 API、各种开源模型、各种开发框架，让 Agent 能调用的“武器库”越来越丰富。 3. 多模型架构的成熟。以前大家想的是“训练一个无所不能的大模型”。现在的思路是“让一个聪明的模型学会调用专业的模型”。这大大降低了构建复杂 Agent 的门槛。 4. 开源社区的推动。老黄反复强调，开源模型让“每个公司、每个行业、每个国家”都能参与 AI 革命。你不用自己训练前沿模型，拿开源的来用就行。 【5】Agent 会取代软件吗？ 包括我在内很多人都思考一个问题：未来 Agent 会取代软件吗？交互形式是什么样的？ 老黄在演讲中给出的答案是：Agent 不只是一种新应用，而是未来软件的新形态。 他说，以后你跟 Palantir、ServiceNow、Snowflake 这些企业软件打交道，界面可能不再是一堆表格和按钮。你直接跟一个 Agent 对话，告诉它你想干什么，它就帮你搞定。“就像跟人打交道一样简单。” 传统软件的交互方式：填表单、点按钮、写 SQL，本质上是在“迁就机器”。你得学会机器的语言才能让它干活。而 Agent 的交互方式是“机器迁就你”。你用自然语言说需求，Agent 自己翻译成机器能懂的操作。 当然，这不会一夜之间发生。企业软件涉及太多复杂的权限、流程、合规要求，不是换个界面就能解决的。但方向已经很清楚了。 【6】写在最后 老黄这场演讲其实还讲了物理 AI、自动驾驶、机器人、下一代芯片 Vera Rubin，我对那些关注不多就不总结了。但如果只看 AI 大模型这块，核心信息其实就一个： > AI 正在从“一个聪明的对话伙伴”变成“一个能调动资源、完成任务的系统”。推理模型给了它思考能力，Agentic 架构给了它手脚和工具箱，开放模型让所有人都能参与这场游戏。 我个人比较关注老黄在演讲中提到的 Agentic 系统将成为所有软件平台的新界面。以前你和软件交互，要点菜单、填表格、写命令行。以后你和软件交互，就像和一个懂行的同事说话。你说想干什么，它帮你干。未来的企业软件，入口可能就是一个对话框。 对于开发者来说，这是一个窗口期。开源模型已经足够强，Agentic 框架已经成熟，基础设施已经就位。剩下的就是应用层的创新。 老黄在谈到开放模型时问了一个问题：数字形式的智能，怎么可能把任何人落下？ Agentic AI 的爆发，不是每个人都能训练出最强的模型，但每个人都可以学会编排这些模型，让它们为自己干活。 这可能是最重要的变化。AI 不再只是科技巨头的游戏，它正在变成每个人都能用的工具。

深圳一名45岁的男子，以2000万元卖掉了自己的房子，然后还清了银行贷款，还剩1600万左右。 房子400万成本，历时八年变成1200万足足赚了三倍多。他打算拿着这这笔钱，回了老家养老。 回老家后，花了150万在老家县城买了一套大平层，花了200万在农村建了一套大别墅，手里还剩1250万，存银行年利4%，一年利息50万，每月利息四万多。换成你，你会怎么做?

深度穿透 CIFR：算力基建的估值陷阱、财务杠杆与 3.5 GW 隐秘管线 在确认了 Cipher Digital (CIFR) 从矿商向 AI 基建商的战略转型后，我们必须进一步剥离财务报表上的会计粉饰，直击其真实的企业价值与执行风险。对于交易算力基础设施 Alpha 收益的投资者而言，以下是五个最容易被市场误判的核心认知。 一、 估值错位：为什么不能看市盈率 (P/E)？ 散户投资者最容易踩的陷阱，是将公司预期高达 7.87 亿美元的年化净运营收益（NOI）直接等同于净利润，从而算出十几倍的“低估值”。 真相是，NOI 只是项目层面的毛现金流。 CIFR 背负着 72 亿美元的巨额债务，且拥有庞大的重资产结构。在扣除每年约 5.4 亿美元的利息支出和 6.6 亿美元的折旧与摊销（D&A）后，其真实的净利润（Net Income）极大概率为微利或亏损。因此，其远期 P/E 实际上是失效的（N/A）。 正确的估值锚点： 基于当前 85 亿美元的市值和 72 亿美元的债务，CIFR 的远期 EV/EBITDA 约为 20.3x。这恰好落在成熟数据中心 REITs（18x-25x）的公允定价区间内。市场并没有瞎，目前的股价已经完美计价（Priced-in）了那 700 MW 已签约容量的价值。 二、 免费的期权：3.5 GW 剩余管线的终极博弈 CIFR 的总电网容量为 4.2 GW，扣除已定价的 700 MW，公司手里还捏着 3.5 GW 的未签约容量。 如果按远期满产状态保守估算，这 3.5 GW 对应的资产终极价值可能高达数百亿美元。但在当前的市值中，这部分资产几乎被定价为零。这种极端的折价，反映了基建投产的“地狱级”门槛。 要把这 3.5 GW 变为摇钱树，CIFR 必须跨越三座大山： 并网监管： 突破 ERCOT 等电网极其拥堵的审批批次（Batch Process）。 供应链窒息： 抢夺交货周期长达 3-4 年的高压变压器。 天量 CapEx： 筹集 350 亿至 500 亿美元的建设资金。 三、 租不如造？大厂为何甘做“冤大头” 面对上述天量资金和复杂工程，AWS、Google 等云巨头为何不绕开 CIFR，自己去德州拿地建厂以节省成本？ 核心答案只有一个：算力竞赛中，时间比资本贵得多。 科技巨头如果从零开始排队拿地并网，至少需要再等 3-5 年，这意味着在下一代 LLM 军备竞赛中直接出局。通过向 CIFR 支付高额的租金溢价，巨头们买到的是“即刻投产的确定性”。同时，将基建重资产外包，也让云厂商得以将宝贵的现金流（CapEx）全部倾注于采购昂贵的 AI 芯片，实现表外融资和工程风险转移。 四、 终极 确认：合同带来的财务杠杆跃迁 CIFR 最核心的质变，并非挖到了多少比特币或建了多大的厂房，而是其资产负债表性质的彻底洗白。 拿到科技巨头长达 15 年的不可撤销合同，相当于获得了 AAA 级的信用背书。这将使 CIFR： 从高息的“矿企垃圾债”市场，跃迁至低息的投资级项目融资（Project Finance）市场。 资本成本（WACC）的大幅下行和贷款比例（LTV）的显著提升。 总结： 对于量化追踪和事件驱动型交易而言，CIFR 后续的“Alpha 催化剂”非常清晰：不再是电价的微调，而是能否顺利获得更低成本的银团循环信贷，以及能否将手中的 3.5 GW 管线分批转化为新的大厂长协。每一次融资成本的下降，都是直接增厚股东价值的纯粹收益。 免责声明：本人持有文章中提及资产，观点充满偏见，非投资建议，dyor

今天首发的大疆 ROMO P2 装好了，目前的体验一言难尽，先夸一下： 1. 噪音控制确实牛逼，建图阶段几乎没有任何噪音，我记得其他家是做不到单电机运转不吸尘的，这使得正常使用状态下，单拖地噪音极低。正常吸尘噪音控制也不错。 2. 好看，这透明外壳不像某些厂商搞个贴纸的那种脱裤子放屁，实打实的是内部结构，赏心悦目。ROMO 明显是在颜值上下了很多功夫，它做到了。 3. 避障和路线规划明显强于石头，毕竟大疆做这个是降维打击。 4. 支持 5G WiFi，远程遥控和语言控制都比石头稳定的多。 至于清洁能力怎么样，等用一段时间看看。 然后开始吐槽： 1. 大疆的安装师傅和合作服务商的，整体服务质量明显低于石头自己的安装师傅。 2. 超薄基站版本，薄是薄了，但是好长，我深度 550 的柜子，放进去后刚好卡住电动门（因为开关门的运动轨迹需要往前扩张约 2-3cm），师傅说要不我把柜门拆了吧，我：？，然后师傅就麻溜的赶下一家跑了。 我自己折腾下，发现机器背部留的槽位明明是侧出，师傅非要从上面直接走管浪费了 1cm，改为侧出走管后刚刚好空间足够。 3. 为什么师傅这么急，大疆自己的产品设计先背个大锅。App 配对好后，立刻提示升级固件，于是我和师傅罚站十分钟，因为师傅要拍上下水正常的视频才能完工。结果更新完毕固件，不建图无法进行任何操作，于是还得挡住机器人让他尽快完成建图，才能够操作基站进行清洁确认上下水正常。 4. 师傅走了我自己开始重建地图，机器装在阳台角落。不知道为什么建图的时候，机器扫完阳台就结束了，扫出来的图里明明有一大个缺口，它就是不去。重复几次建图才终于过去完成了建图。 5. 有个地毯因为是才铺的，所以边角有点翘，建图的时候不知道为什么就卡住机器人了，甚至开启了翻越模式尝试跨过去，我手动暂停建图，把机器人放回原位，尝试继续建图，结果 App 的各种操作全部无响应，最后只能直接抱回基站强行结束建图，又重头再来一遍。 6. 建图的时候，虽然机器异常安静，但是不时的传出一种咔嗒咔嗒的噪音，像什么东西没装好，不确定是不是个例。 综上，好在目前我遇到的问题都是一过性问题，ROMO 作为扫地机器人肯定是有竞争力的，但是产品成熟度还是有待提升。

4 天前，马斯克坐在摩根大通 3500 位顶级投资者面前，讲了一件事： AI 经济正在向太空转移。 核心不是“去火星”这种浪漫叙事，而是成本和算力。星舰如果实现完全可重复使用，火箭就不再是一次性消耗品，真正的成本只剩液氧和甲烷，而这两样都比喷气燃料便宜。 这意味着，把货物送进轨道的成本，很快可能低于国际空运。太空经济不是靠想象力打开的，是靠复用火箭和廉价燃料算出来的。 星链 V3 也在这条线上。它的能力是现有轨道系统的 10 到 20 倍，带宽提升 100 倍，延迟减半，而且大到只能用星舰发射。 为什么需要这种东西？因为 AI 和机器人会吃掉人类难以想象的带宽。人类峰值带宽只有每秒几百比特，计算机是万亿级别。星链 V3 不是为今天的人类互联网建的，更像是为 AI 时代的数据基础设施准备的。 更狠的是数据中心。马斯克说，未来 AI 计算扩展的主要方式可能不是在地面建更多电厂和机房，而是把数据中心搬向太空。地面有土地、能源、监管和邻避问题，太空没有。 从月球出发，计算能力可以扩展到每年 1000 万亿瓦；从地球出发，也许只有 1 万亿瓦。月球没有大气，重力只有地球六分之一，还能用月球材料造太阳能板，用电磁轨道炮发射设备。 他还提到，美国现在一家高容量计算机存储芯片工厂都没有。SpaceX 自己建，不是为了多一个业务，而是因为没有其他选择。 SpaceX 从 2014 年左右就正现金流，IPO 也不是缺钱救急。过去融资更多是给员工流动性，公司还回购过自己股票。现在考虑 IPO，是因为下一阶段需要的资本，已经不是私人市场能完全吃下的了。 最有意思的是团队。高层十多年几乎没变，CFO 在那里 15 年。马斯克说，相信使命的人不会离开。 到这一步你会发现，SpaceX 讲的已经不是一家火箭公司，而是 AI 时代的能源、带宽、芯片和算力基础设施。

这是个疯狂的构想，但正在被实现！！！ SpaceX 刚刚推出了一颗卫星，它唯一的工作就是运行 AI。不是互联网。不是 GPS。只是计算，漂浮在轨道上。 它叫 AI1，其背后的原因会让你脑洞大开。 地球上的 AI 数据中心正在撞墙，不是芯片墙，是物理墙。 它们需要惊人的电力和水量只是为了保持冷却，而我们正在耗尽电网和土地来建造它们。 所以马斯克的答案是：别在地球上建了。 在轨道上，太阳永不落山。免费电力，24/7。不需要水来冷却，你只需将热量辐射到太空真空里。那些在地面上扼住 AI 发展的两大因素，在上面几乎不存在。 而这里是疯狂的部分：马斯克说这比建造一颗 Starlink 卫星还容易。去掉复杂的天线，它就是“一堆太阳能电池、一块散热器和一些激光链路”。 一颗 AI1 承载了 Nvidia GB300 机架的计算能力，就是地面数据中心争抢的同款硬件。 AI1 只是第一颗。计划是组建一个多达一百万颗的星座。 而且时机并非偶然，SpaceX 本周以约 1.75 万亿美元的目标上市。这不再是一家火箭公司了。它正在将自己定位为太空中的 AI 电网。 AI 计算竞赛刚刚离开地球。

兄弟们， 之前有段时间用Claude Code在Vibe Coding，结果用了一段时间号挂了😅， 后来才知道当时因为考虑成本使用的一些普通 VPS。 因为平时用这些AI工具比较多，听大佬们说得住宅IP的VPS才靠谱， 一番研究后才知道之前有点“自作聪明”了。 1/ 普通 VPS 的坑 我们平时买的大多数普通 VPS，使用的都是机房数据中心 IP。 这类 IP 的特点是： - 一个机房 IP 可能在同一时刻被几百甚至几千个人同时使用。 - 这些 IP 段已经被大批量标记为“非人类流量”或“数据中心出口”。 - 当你用这种 IP 去访问 Google、X 或 Claude 时，系统会认为：“这是一个来自服务器机房的连接，大概率是脚本或爬虫”，于是直接触发二次验证或者风控阻断。 对于访问外网或运行AI服务，机房 IP 就是那个让你账号“短命”的最大隐患。 2/ 住宅IP的优势 如果你追求的是长期稳定和低风控，住宅 IP 是唯一的正解。 住宅 IP 本质上是由真实家庭宽带分配的。在平台的风控算法里，你就是一个在家上网的普通用户。 这种IP带来的高信任度，能让你在处理高频自动化任务（如跑 Claude Code）或运营敏感账号时，极大地降低被误判的概率。 一个简单的选择准则： - 如果是单纯建站，普通机房够用，便宜就好。 - 如果是搞海外业务、AI 自动化、或者维护高权重账号，请务必选择住宅 IP VPS。别为了省几十块钱，最后赔掉了账号和时间。 3/ 避坑推荐：VoyraCloud 如果你近期有这方面的需求，我比较推荐 VoyraCloud @voyracloud 他们家在住宅 IP 的纯净度和稳定性上做得非常扎实，尤其适合开发者和跨境玩家。相比市面上那些混杂的 IP，VoyraCloud 的产品在跑 AI 任务和维持账号环境稳定性上，表现明显更从容。 正好赶上年中活动（活动时间：2026/06/09 – 2026/06/30），如果你之前一直被风控困扰，或者账号总是莫名被封，趁现在换一套环境配置是非常有必要的。 新用户注册并购买还有30%的优惠： 如果遇到跟我有类似问题的可以冲一下。