与「思想耀岭南」相关的搜索结果

从一家乡镇企业到世界500强，要多久？ 从造风扇到造机器人，凭什么？ 时代风云变幻，企业发展如何穿越周期、基业长青？ 且听美的集团股份有限公司董事长兼总裁方洪波深度分享。 #思想耀岭南#

西方某些人发明女拳主义，是想消灭竞争对手，腾笼换鸟，不能展开说。。。这些思想并不针对小黄人，小黄人多少都是奴隶，不构成威胁。。。然而小黄人文科生太过脑残，疯狂从西方掏💩吃，拦都不住

手里只有100美元，你更应该学年轻时的巴菲特 很多人想学巴菲特做价值投资，但手上的资金太少，无法、也不愿意等待优秀公司的复利效应，根本复制不了巴菲特的投资方式 100美元意味着什么？2021微软涨幅51%，如果你真的完美切入并拿住了一年，也只是51美元，请朋友洗个脚都够呛 所以如果本金只有100美元，我反而建议你先看看20多岁的巴菲特是怎么炒股的 年轻时的巴菲特，和今天90多岁的巴菲特，几乎就是两种完全不同的投资风格。 巴菲特师从"价值投资之父" Benjamin Graham ，年轻时他的投资逻辑非常简单，只要市场价格远远低于内在价值，他就买，至于公司是不是伟大的企业、未来会不会继续盈利，都不重要。 很多人都听过"烟头股"，却不知道这个名字是怎么来的。 巴菲特在1989年致伯克希尔股东的信中解释过这种思想：路边捡到一根只剩最后一口的雪茄，虽然抽不了多久，但因为它是免费捡来的，这最后一口就是纯利润——1989年《Berkshire Hathaway Shareholder Letter》 因此我更推荐在小资金的情况下去尝试捡烟头，尤其是现在互联网时代，情绪和消息都会对股价有实时的影响，如果你足够敏锐，就可以在这个过程中赚估值修复的钱 对于小资金来说，最大的优势不是稳定，而是灵活，你可以研究那些大机构根本看不上的小机会，也可以不断试错、不断建立自己的投资框架，而这些能力，要远比任何回报都珍贵。 今天还能像巴菲特年轻时一样捡烟头吗？ 肯定是可以的，但实话是比1950年代难100倍。 因为今天的市场已经完全不同了。 量化基金、高频交易、AI模型、对冲基金，每天都在扫描全球市场，寻找那些明显低估的股票，真正便宜到离谱的机会，往往很快就会被市场重新定价。 所以今天不能机械照搬格雷厄姆六七十年前的方法。 我更愿意把AI时代的"烟头投资"重新定义为——市场情绪导致的错误定价。 什么意思？ 第一种，公司因为一个季度财报低于预期，股价暴跌40%，但商业模式没有变化，客户没有流失，未来三年的盈利能力依旧存在，这种值得研究，因为市场很多时候只会盯着眼前一个季度。 第二种，整个行业一起被错杀，例如2022年的科技股，在美联储激进加息周期里，成长股遭遇无差别抛售，优秀公司和普通公司一起下跌，而AI浪潮到来之后，真正优秀的企业重新创出历史新高，市场最悲观的时候，往往也是错误定价最容易出现的时候。 第三种，市场过于短视，公司利润短期下降，不是因为经营恶化，而是因为正在建设数据中心、研发AI产品、扩大研发投入，这些投入会拖累短期利润，却可能换来未来几年更大的增长，但市场只关注这一季度的利润，于是出现了价格与价值之间的偏差。 用100美元开始投资，不要去寻找那些快退市、市值几千万美元的公司，因为很多时候那不是烟头，而是真正的垃圾。 给自己设五个标准： 第一，公司依然保持盈利 第二，资产负债表健康，没有过高的债务压力 第三，现金流没有持续恶化 第四，股价最好因为短期情绪下跌30%到50%，而不是商业模式彻底崩塌 第五，也是最重要的一点，必须能够清楚解释市场为什么可能错了。 如果第五条说不出来，就不要买。 因为真正值得学习的，从来不是年轻巴菲特捡烟头这件事，而是他的思维方式。 他的核心不是寻找便宜股票，而是寻找市场犯错的时候。 这两句话看起来只差几个字，背后的投资逻辑却有云泥之别。 不要每天想："哪只股票会涨？" 而是每日三省：市场现在最讨厌什么，这种讨厌有没有被夸大，夸大了多少？ 市场现在对什么最狂热狂热，它真的物有所值吗？ 如果我今天买入，三年后市场恢复理性，我能赚到钱嘛（估值修复/企业成长）？ 关注我，下一期教美股小白怎么建立自己的信息渠道，怎么靠自己寻找以上三个问题的答案🤓

Claude Code用户你知道吗？ 你每天都在浪费一个功能！90%的都不知道！ Anthropic负责应用AI的负责人，刚做了一场2026年关于Agent记忆管理最实用的演讲 （晚点视频我更新到主页）。 他叫Lamis。 他和那些在前沿构建Agent的初创公司直接合作。 他拆解了Anthropic构建Agent记忆系统的完整方法论。 四层。 每一层解决了前一层的一个致命问题。 起点是一个Markdown文件。 他们在每次会话开头放一个CLAUDE.md文件，代码库结构。 组织信息，个人偏好，纯文本。 Anthropic的评价是"unreasonably effective"。 一个简单的文本文件，效果超过了复杂的Prompt工程方案。 但文件越来越长，上下文膨胀。会话空间不够。这条路撞墙了。 于是他们做了记忆工具。 让Agent自己决定什么时候读取、什么时候写入、什么时候更新记忆。 全部在带内完成，也就是在会话上下文中进行。 让他们意外的是：Agent判断什么值得记住的能力，比人类还强。自主性在这种场景下运作得非常好。 第三步是Skills。 核心思想是渐进式披露。Agent只看文件顶部几行前言，决定是否需要加载整个文件。 Lamis的比喻很精准，房间里有一个书架。有人跟我说法语，我扫一眼书名，找到法语词典，抽出来读。 不需要把七年的法语课都塞进脑子里。 第四步最简单。 他们把整个记忆系统建模为普通文件系统。Markdown文件。bash，grep。 不需要向量数据库。不需要专门的工具。Agent本来就擅长搜索文件。 但生产环境暴露了新问题。 多个Agent同时写入同一个记忆文件。 一个Agent往组织级上下文写入错误信息，所有Agent全部受影响。 记忆过时了怎么办。有人通过提示词注入向记忆中写入恶意内容怎么办。 Anthropic设计了四道防线。版本控制，能回滚。基于哈希的并发控制。权限分层，组织级只读，Agent草稿区可写。干净的API保证可移植性。 然后是最有意思的部分：做梦。 带内记忆有一个根本性局限。 Agent既要完成任务，又要管理记忆。两个竞争性目标。 而且Agent只能看到当前会话的信息，识别不了跨会话的模式。 做梦是一个带外的异步处理过程。 它取一段时间内的所有会话记录，交给一个专门的Agent分析。这个Agent查看记忆存储，识别模式，提出更改建议。 就像一个校长审查所有学生的作业。发现每个地理学生都在同一道题上答错。查了课程表，发现整个主题根本没有教。 做梦有自己的专用资源，不和任务执行竞争上下文。 Anthropic已经在生产中跑这套系统了。 Agent第二次执行同一个任务时表现更好。成本降低，因为能一次性完成。延迟下降。做梦消耗的额外token，被任务本身的效率提升抵消了。 Lamis最后说了一句话：模型智能本身不会产生复利。它需要上下文来执行你交给它的具体任务。 上下文工程的效果是倍增智能，即使模型本身变得更聪明，这个投资依然有价值。 这场演讲来自2026年AI DevCon。值得花半小时看看。

为什么越来越多女性在卖淫？ 有个x上的做擦边账号的00后漂亮小妹妹，今晚和我说自己被币圈大佬包养，一个月几万美金的工资，包养了一年，分手的时候，一次性给了她一笔大的，她开开心心拿着接近百万美金的包养费离开了，继续寻找下一个客户。 如果前几年，看到这样的案例，我可能会觉得女生堕落，看不起这样的女孩。可我现在的思想完全改变了，我觉得利用自己身体赚钱，完全是每个人的自由，只要能想明白自己要什么就好。她和我说，自从做职业的sugarbaby后，开心多了。毕竟如果和男的，是恋爱关系的话，不仅会被pua的一文不值，还要接受名正言顺的白嫖，稍微占对方一点便宜，就会被形容成捞女。但是光明正大的卖，这种合作关系，反而很轻松，还会被男的尊重。 她说的比较直白“男生会在鸡的面前装绅士，装大方，但却打着恋爱的名义白嫖自己的女朋友。” 我说是啊，你这么漂亮，如果正经找个班上，一个月也就拿8000，找个同样工资水平差不多的同事，谈恋爱，结婚，每天挤地铁。 年轻女孩在恋爱中，很容易被对方的“付出”感动，也容易被条件优渥的男性吸引。 男生买单、接送、体贴、送礼，这些行为在情感上显得“真诚”，但在经济学意义上，成本极低。 在一线城市生活，不购物、不奢侈，一天的花费不过一千出头。 即便天天约会，男方的付出也就相当于每月一万五的供养成本。 可与此同时，女孩往往为这段关系，付出全部的时间、注意力、情绪劳动和自我牺牲。女孩上哪，找不到一个月一万多的，比伺候男性更轻松的工作？ 换言之，她以“无偿的情绪劳动”，换取了“低成本的物质回报”。 在经济层面，这是极不对等的交易。 社会学家阿莉·霍克希尔德曾提出“情绪劳动”一词，用来描述那些需要付出心理能量、维系关系的无形劳动。 恋爱中的女性，往往承担了这一份隐形的工作：她必须理解、安抚、取悦、支持、体贴。 但这些努力，并不产生稳定的经济回报。 相反，她们还可能因此被剥夺了工作机会、社交空间与自我成长的可能。 在这样的结构下，越来越多的女性开始意识到： 与其被动地被“白嫖”，不如主动将情绪价值与身体资本显性化。 由此，产生了卖淫经济学，情感劳动也可以被量化和标价。 经济学意义上的“性工作”，并不仅仅是肉体交易。 它本质上是“情绪劳动的显性化”，是一种把原本隐形的付出变成明码标价的方式。 从宏观层面看，“性产业”确实与多种社会变量密切相关： 它创造就业、带动周边经济、维持治安稳定（减少隐性犯罪），甚至在部分地区成为旅游经济的一部分。 因此，从制度视角，它是一种被边缘化但无法消除的经济现象。 从微观层面看，许多女性选择以“伴游”“Sugar dating”等形式参与情感经济，其逻辑并不复杂：如果社会早已默认“男性资源换女性青春”， 那为什么不让这场交易更清晰、更公平？ 这并不是在鼓励“卖淫”，而是在揭示一种社会结构性的失衡： 当女性在主流职场中仍面临“隐形玻璃天花板”，当恋爱婚姻中的无偿劳动被合理化、浪漫化： “用身体换资源”，便成了市场逻辑下的一种“极端理性”选择。 她们并非堕落，而是觉醒。 她们明白，在这个讲求效率与回报的时代， 被动付出，是最昂贵的浪漫； 主动标价，反而是一种清醒的自救。 女性的“价值”，谁来定义？ 社会的两极反应往往暴露出深层的虚伪： 当女性为爱情付出时，人们称她“痴情”； 当她为自己定价时，人们又骂她“堕落”。 当性资源的获取成本变低，已经很少男生，能平等地去对待女性在恋爱当中的付出。 但本质上，两者都是女性在用自己的资源，去换取她所认为值得的回报。 区别只在于，前者是隐形的、被浪漫包裹的交易， 后者是透明的、被标价的现实。 而真正的问题是， 为什么我们从不质疑男性的“付费获取”， 却总是羞辱女性的“定价出售”？ 我想，我不会反对任何一个女性用自己的身体换钱。 比起她哭泣着为了爱情，付出全部却身心受创，一无所有，被人白嫖。 我更愿意看到女性，利用自身优势，去让自己的生活变得更好，我不会歧视这样的女性，我尊重她们的选择。

AI 时代，人的能力都被放大，那如何做到比别人更成功，执行力就变得格外重要。 我分享一下怎么做高执行力？ 1. 不投机：你就想明白，凡是赚钱的人是不会告诉你怎么赚钱的，所以不要天天投机，自己好好看书，不懂啥就看啥，书中就有答案。看书是方向，方向搞清楚了就好使劲 2. 稳心态：什么时候阻力最大？你在赚钱成功的路上，你越成功，噪音越大，阻碍你的人越多。把诋毁当作成功路上的赞美吧，噪音越大，越要坚定。失败的路上才没人理你 3. 速度快：天下武功唯快不破，怎么做到效率高？就是别人在投机你在干活，别人在内耗你在干活，别人在斤斤计较你在干活。 思想放空，执行力越高 投机内耗斤斤计较一定是坏结果，啥都不想专心干活还有50%的成功率，你是选择 0% 还是 50% 的成功概率？

AI很强，但是计算机新人还是要多积累知识的，这样才能解决复杂问题 重新发一下我过去推荐的计算机基础书籍吧 我自己的读书习惯，特别是学习计算机，喜欢读哪些写的通俗易懂的书，学到代码后面为什么这么做的原因，只有学习到之其所以然才能在以后用到的时候融会贯通。 推荐书单 Python: Python 核心编程 系统学习 Python，这一本书足矣，把 Python 的每个细节都讲的很透，每个例子都非常实用。 我学习完这一本书以后，再看任何 Python 库的时候都是翻翻 API 手册， Google 一下就可以快速学会任何 Python 库的用法，并融入到自己的项目中。 C++: C++完全参考手册 我高三看的一本书，2000 多页，大部头，全英文，但是写的非常好。 这也是我唯一看过的一本 C++的书，只要会这些语法，找个 C++项目， 比如 Qt/C++写一个项目，几乎就知道 C++怎么玩了。 其实 C++还是非常方便的，虽然没有 Python 简洁，但是表现力和库生态都太强大， 不用担心性能问题，大多数讨厌 C++的人， 其实是恐惧自己学不好 C++, 放下恐惧，C++其实很容易学习。 Java: Java 编程思想 这本书是在书店读完的，写的很不错，但是当时还在读高二，所以已经记不清当初的读后感了， 模糊印象就是一本写的非常通俗易懂的书，讲的非常细节。 Haskell 1 : Real World Haskell 十年前，haskell IRC 频道，大多数 Haskeller(科学家，数学家）还在迷恋 Haskell 的数学之美的时候， GHC 黑客 Dons Stewart 写的这本 Real World Haskell 系统型的讲解了 Haskell 应用的各个领域， 从基本语法、函数式编程、科学计算到图形编程等，讲的一针见血， 而且非常薄，学习玩了就可以流畅写程序了。 当然进阶的知识还是要去 haskell IRC 频道请教数学家们，哈哈哈。 Haskell 2: Learn You a Haskell for Great Good! 好朋友写的 Haskell 入门书籍，大爱这种又会计算机又会画漫画的艺术家了， 把一个严谨的数学基因的编程语言讲的诙谐幽默 Elisp: GNU Emacs Lisp Reference Manual 十多年前，我用 Emacs, 对 Elisp 半毛钱不懂，天天就在 EmacsWiki 抄各种配置， 就像一个拾荒者，每天早上起来逛 EmacsWiki, 偶尔碰到高级 Elisp 技巧就把我折腾死了， 然后对着 Emacs 破口大骂。 为了不瞎折腾，我花了一个月的时间读完这本大部头，遇到不懂的 API, 就打开 ielm 临时写一个 demo 函数验证一下，当我读完以后， 我发现 99%的 Emacs 的问题都可以自己调试和解决。 如果你花时间读完这本 Emacs 内置的宝典， 你也可以像我这样写这么多扩展： [Andy Stewart]( Ruby: The Ruby Programming Language 学习 Ruby 的时候，已经会了几十门编程语言了，手册从头看一遍，不用写练习基本就可以学会。 因为当你编程语言学得足够多的时候，不同语言的语法都是相同的， 只用学习不同语言之间的微小区别就可以了。 以前一直对 Ruby 的 end 语法抱有偏见，但是自从我在 Emacs 配置了 ruby-end 插件以后，世界都清净了。 Vala: [Vala Tutorial]( Vala 有 C 的速度，Python 的简洁，语法类似 C Sharp, 基本看完这本手册以后，拿着 API 就可以直接开始写了。 Vala 写 Gtk+是非常爽的。 Rust: [Rust 语言圣经]( 这本书应该是中文范围内将 Rust 最好的一本书， 所有权讲的很清晰， 基本概念的章节都通俗易懂， 进阶章节可以先看一遍， 以后遇到了当工具书来查看。 作者后面讲线程和异步模型时， 理解还是很到位的， 证明作者基本功很扎实， 强烈推荐想学习 Rust 的同学读这本书， 一本就够了。 正则表达式： 精通正则表达式 这是我唯一看过一本带有　“精通”　名字的书，确实写的非常好， Yahoo 工程师把他平常用到的经验都朴实无华的写出来， 基本学会这本书讲的怎么构建正则表达式的思路，不管是标准的正则表达式， 还是 Perl, Elisp 等其他语言的变种正则，都是触类旁通的。 代码质量：重构 改善既有代码设计 这本书代码是 java 写的，但并不掩盖它作为重构第一书的地位。 讲解了很多重构小技巧，教你只要养成十来个重构小细节的好习惯， 不论写什么编程语言，局部代码和整体逻辑都干净的像艺术品一般。 这本书的技巧我这十几年都在践行，难得的好书。 X11: Xlib - C Language X Interface 这本书是读过最枯燥的书籍，但是要从头做一个 Linux 桌面环境，这本书的 API 是必读的。 因为你除了 github 外，根本找不到更多资料来讲解 X11 这个古老的技术了。 Gtk+: [Gtk+ Programming Tutorials]( 写的最通俗易懂的 Gtk+书籍，学完这本书，直接看 Gtk+ Developer Manual 就可以直接写程序了 Qt: [PyQt5 Totorial]( 写的最好的 Qt 入门教程，加上 Python 的方便性，非常容易系统学习， 加上学习 Qt 之前已经有 Gtk+五年编程经验，两天看完就直接用 Qt 写程序了。 JQuery: 锋利的 JQuery 国人写的书，写的非常通俗易懂，每个 API 的参数都是渐进式讲的， 举的例子也很实用简单，基本不用动手就会了。 Rails: Rails Tutorial 系统的讲解了怎么用 Rails 搭建一个网站，虽然很多架构设计和整体逻辑我是靠 Google 摸索出来的， 但是这本书确是入门不可或缺的，难度适中，学习完了，你对构建网站有一个基本的认识了。 SVG: SVG 入门教程 虽然是翻译老外的技术博客, 却是深入学习 SVG 不可多得的教材, 讲的通俗易懂. 可以学到很多 SVG 高级技巧. CSS: CSS 世界 很多 CSS 网站或书籍都告诉你一个效果要怎么实现，或者直接丢出一段可以直接使用的 CSS 代码。 但是我们在真实的开发场景中遇到的往往是，为什么这段 CSS 代码不能工作？为什么抄的几段 CSS 合在一起不能工作？ 这本书的作者研究了很多年的 CSS，他可以告诉你很多关于浏览器的实现细节以及为什么 CSS 不能工作的原因。 懂了为什么不能工作，剩下的很多事情就能举一反三啦。 但这本书不适合初学 CSS 的朋友读，建议在几个项目中熟练了基本 CSS 技巧以后再来读这本书会更有收获。 编译器: Flex & Bison 系统的讲解了什么是词法分析器、语法分析器 以及怎么写编译器的基本流程 这本书特别讲究循序渐进, 细心的讲解每个 API 看完这本书就不会觉得这两个技术有啥高级了, 哈哈哈哈 加解密： 图解密码技术 这本书系统地让你学会对称加密、公钥密码、单向散列函数、消息认证码、数字签名、伪随机数生成器等加解密技术背后的原理和细节， 以及这些技术组合而成的安全大厦的框架和应用。 其实加解密不光是学习破解和干坏事， 知道背后的数学原理和实现细节可以更好的让我们理解安全技术， 并以此来构建更加健壮安全的软件和系统。 强烈推荐作者 “结城浩” 的其他书籍， 已经看了他写的两本书了， 全书都是图文并茂的讲解复杂技术， 很少有数学公式。 人的精力是有限的， 学习最重要的是先要了解其原理再深入学习， 避免投入无谓的精力在不感兴趣的领域。 而作者在深厚的知识背景下， 能通过浅显易懂的文字传授知识， 真是厉害。 Git： Pro Git 这本书除了讲解 Git 的所有日常用法外， 还系统的讲解 Git 的一些高级用法。 同时最后一章还详细的讲解了 Git 背后这种基于文件系统技术的实现原理。 当你理解 Git 基本用法、 高级用法以及背后简单的原理后， 你就可以知其所以然的变成 Git 专家。 Emacs 教会我自学 这么多年的自学经历，我最应该感谢的是 Emacs, 是这个世界上最难折腾的软件，虐我虐到我待她如初恋，给我莫大的耐心，我再学习其他技术的时候才会觉得得心应手。 感谢 Emacs 让我接触到强大而又无私的顶尖黑客们和黑客精神，每天看着一群天才比我自己还努力的时候，自己就更萌生发奋学习的动力。 自学的技巧 耐心、耐心、耐心

DeepMind 创始人 Demis Hassabis 出了一个考题： 只给 AI 提供爱因斯坦在 1901 年能接触到的数据，看它能不能独立推导出《相对论》。 Demis 认为，今天所有的文本大模型，一个也通不过。 这才是测验 AI 智商的真正标准。 现在的 AI 每天写方案、写代码，看似无所不能，其实只是在做“外推”。 它只是把人类已经探明的事实，用更顺滑的逻辑和文字拟合出来。 真正的创造力是什么？ 是面对未知的物理世界，提出一个前所未有的新假说。 爱因斯坦当年是怎么干的？ 他在瑞士专利局当职员的时候，天天摸鱼做白日梦。 他闭上眼睛，在脑子里做“思想实验”： 如果我坐在一列火车上，以光速旅行，世界会变成什么样？ 他是动用了视觉想象力，去和真实的物理世界碰撞。 最后，才是用数学把这个直觉证明出来。 这就是今天文本模型的死穴。 文字和逻辑，只是“比特世界”的东西。 哪怕 AI 读完了人类历史上所有的书，把所有的交叉连接都找出来，它也依然在比特里打转。 要想真正通关爱因斯坦测试， AI 必须接触、理解原子世界。 它需要提出假说，自己设计实验、甚至动手做实验，去和真实的物理定律肉搏。 所以，别再被那些精美的套话 and 缝合的 PPT 唬住了。 真正的科学发现，从来不是靠拼凑已知答案。 等哪天 AI 也能在没有答案的迷雾里，像个专利局职员一样，闭上眼去追一束光。 人类才算真正迎来了新神。