与「空閑時評」相关的搜索结果

TBSラジオ #こねくと954# 今週もありがとうございました☔️ 先週の代打回と #ダレハナ# の蓮華さんの感想の違いが蓮華さんらしかった〜！すっかりお元気そうで何より！元気が1番！ #空閑時評# は就活解禁について！でか美ちゃんと3人交互に面接官役やるのかと思ってたら蓮華さんが面接官の面接官でした👓

这个人开发了一款完全在终端运行的 Chromium 浏览器。 它叫 Carbonyl，能够在你的命令行中渲染真实的网页。最棒的一点是，它在空闲时的 CPU 占用率为 0%。 100% 开源。

Vercel 开源了 Open Agents，一个用来搭建企业自有编程 Agent 平台的参考实现。 CEO Guillermo Rauch 说：现成的编程 Agent 在大型代码仓库上表现不行，也不了解你公司的知识体系和内部流程，所以 Stripe、Spotify、Block 这些公司都在造自己的 AI 软件工厂。 Open Agents 绑定了 Vercel 自家的 Fluid、Workflow、Sandbox 和 AI Gateway 这套底座。但不管怎么说，Open Agents 给了一个可以直接 fork 的起点。 架构分三层：前端负责会话和认证，Agent 作为持久化工作流运行在 Vercel 上，沙箱提供隔离的代码执行环境。一个关键设计是 Agent 不跑在沙箱里面，而是从外部通过工具调用（文件读写、Shell 命令、搜索等）操作沙箱。这样 Agent 的生命周期、沙箱的生命周期、模型的选择，三件事互不绑定，各自演进。 功能上已经比较完整：支持对话驱动的编程 Agent、沙箱快照恢复、仓库克隆和分支操作、自动提交和发 PR、会话分享，甚至还有语音输入。 对于正在考虑自建编程 Agent 的技术团队，这省了从零搭架子的功夫。对于没有这个需求的开发者，这个项目的架构设计本身也值得看看，尤其是 Agent 和执行环境分离这个思路，几乎是当前所有 Agent 框架都在趋同的方向。 对比下 Anthropic 的 Managed Agents。 Vercel 的 Open Agents 是开源参考实现，给你一套可以 fork 的代码，自己部署、自己改。Anthropic 的 Managed Agents 是全托管服务，你通过 API 定义 Agent 的行为，基础设施全部由 Anthropic 运行，连沙箱、状态管理、错误恢复都不用操心。 有意思的是，两者在架构核心上达成了同一个共识：Agent 和执行环境必须分离。Vercel 的文档里专门强调"the agent is not the sandbox"，Agent 从外部通过工具调用操作沙箱。Anthropic 的工程博客用了一个更形象的说法，把 Agent 拆成"大脑"和"手"，大脑（模型和调度循环）不住在容器里，通过接口远程操控沙箱。 Anthropic 的工程博客还解释了为什么要这么做：早期他们把所有东西塞进一个容器，结果容器变成了"宠物"（Pet），挂了就什么都丢了，调试还得钻进去看，而容器里又有用户数据，安全上也过不去。拆开之后，容器变成了"牲口"（Cattle），坏了就换一个，会话日志（Session）独立存储在外面，随时可以恢复。 除了架构哲学，两者的差异很明显： 模型锁定方面，Open Agents 不绑定模型，你可以接任何 LLM。Managed Agents 只能用 Claude 系列模型，但换来的是 Anthropic 在 harness 层面做的 prompt caching、上下文压缩、自动恢复这些优化，这些东西自己搭很难做好。 成本结构方面，Open Agents 的成本是你自己的基础设施费用加上模型 API 调用费。Managed Agents 是三层计费：模型 token 费 + 每小时 0.08 美元的运行时费（按毫秒计，空闲不收费）+ 网页搜索每千次 10 美元。 控制权方面，Open Agents 给你完整源码，怎么改都行，但搭建和维护是你的事。Managed Agents 上手快（有人说 30 分钟就能跑起来），但你被限制在 Anthropic 提供的 API 能力范围内。

1、稳态被打破，一定会有新的稳态诞生。新稳态的必然性，是人类社会发展的规律，这符合经济史上的“创造性破坏”（creativedestruction）理论。技术变革摧毁旧结构，但释放资源创新新平衡。例如农业机械化取代农民，却催生城市化和现代服务业。AI可能类似：解放“双手和大脑”后，人类转向高价值活动、高情绪活动。 2、人们只看到失业和混乱，而忽略了长远创新如火车、飞机带来的繁荣如太空基础设施（利用AI降低发射成本、优化计算）、生物永生研究（AI加速药物发现）。工业革命初期（18-19世纪），蒸汽机确实引发大规模失业（如纺织工人抗议），社会动荡（如卢德派破坏机器），但最终推动了生产力爆炸。从蒸汽到电力，再到铁路、汽车、飞机，这些创新创造了新产业、新职位（如工程师、飞行员），整体提升了人类福祉。历史数据显示，技术革命虽延迟显现效益（如蒸汽机需数十年才显著提升生产力），但总带来净正面：例如，数字革命（计算机、互联网）初期也担忧失业，却创造了软件开发、电商等百万职位。 当前AI发展（如代理工具、生成模型）正重演这一模式：2025-2026年已见生产力提升，创业门槛降低（AI工具让启动成本降70-80%），新企业涌现，新的职位也会诞生。而且让个体的能力和效率得到了极大地提升和扩展。 3、AI对就业岗位的冲击，本质是对人类生产属性的挤压。人类需要对自己的功能再定位，当人不主要负责生产甚至不需要生产时，“有用”将变得廉价，人类的稀缺性将转向有趣：生产属性压缩 → 分配结构重构 → 消费属性释放 →人类价值重估。 如果人类劳动时间下降，空闲时间上升，人们会把时间投入到娱乐、消费、内容、游戏、购物等领域。AI不会把所有摩擦和消费都替代掉，否则人类就会“变成植物人”。这里的逻辑是：时间是会被重新分配的，而不是被消灭的。劳动者从重复任务转向高价值活动（如创意或监督AI） 这不是末日，而是重构的过渡期和阵痛期。 4、AI带来生产力和生产效率的极大提升，人类很有可能进入充裕时代。生产力大幅度提升带来的通缩（价格下降）实际上提升购买力，让消费者更富裕。Citrini提到的中介崩塌，实则是资金从中介（rent-seekers）转移到终端用户，推动新消费循环。例如，房地产佣金从2.5-3%降至1%以下，不是破坏市场，而是让卖家净收入增加，买家节省用于装修或家具等新支出。类似地，DoorDash费率下降受益于餐厅、司机和消费者，交易量激增（如Mastercard案例：费率降但收入最终创新高）。历史证明，技术通缩（如计算机革命）总是带来增长，而非崩溃 5、生产力决定生产关系，AI的快速发展，一定会带来整个社会制度、治理结构的变化。这些变化进而导致出现新的分配制度。有潜力推动社会向挪威（以主权财富基金为基础的福利国家）和沙特（资源租金分配模式）式的分配主义制度转型。政府可以通过宏观政策进行对冲，比如财政转移支付、福利体系强化等。 6、当然不是说前方全是坦途，巨大的阵痛期不可避免。前方有坦途，但必须穿越荆棘，这是清醒的现实主义。我们看到最终长期丰裕，但历史也都反复证明，转型过程充满痛苦、颠覆和不平等放大。不能因为“最终繁荣”而忽略短期/中期代价。 生产力提升收益先流向资本和高技能者（科技巨头、AI专家），导致“伟大脱钩”（great decoupling）：工资停滞、生产力暴涨。低技能/中技能工人受冲击最大，收入差距拉大，也已引发社会不满和动荡。 也就是倒逼了第5点说到的，政府在政策上必然会做出调整。大规模再培训、失业保险扩展、AI税收资助UBI或主权政策，如挪威主权基金模式。

当下有个几乎零竞争的优质冷门赛道：专门帮老年人搞定智能手机各类使用难题。 上门一对一教学单次收费200元，长辈完全不会觉得价格偏高。 子女平日里工作繁忙根本抽不出空闲陪伴教导，而你恰好拥有充足时间， 精准填补这份市场空白，需求稳定客源充足。

Codex 在 0.128.0 引入了 /goal，一个不达目的不罢休的 Agent 设计，轻轻松松跑七八个小时，烧 Token 也很猛。 它跟 Spec-Driven Development 不太一样，实现上比较直接，约等于把社区流行的 Ralph loop 内置到了 TUI 里：while :; do cat PROMPT.md | codex; done。 /goal 既不做任务规划，也不做流程编排，它只提供约束和目标。只要目标没达成，它就让模型持续干活。 那它是如何不忘记任务的呢？其实也很简单，它把目标写进了数据库🥲，默认放在 ~/.codex/state_5.sqlite，每次 loop 都会读一遍数据库。当前的设计里，一个 session 只支持一个 goal，无论是进程重启还是 ctrl+c 中断都会自动恢复目标任务。 在任务的恢复机制上倒是做了一些优化，为了避免跟用户抢控制权，/goal 会严格检查当前线程是否处于空闲状态，然后再自动注入一个 continuation prompt 推进下一个 turn，prompt 拼接的内容大概做了这么几件事情：1）把目标转成可验证交付物；2）构建 checklist；3）检查真实产物（文件、输出、测试）。 在 prompt 里还做了比较强硬的检测声明：不接受看起来完成，不要因为 token 预算焦虑就提前完成，不要相信之前的记忆，只要有不确定性就继续干。 这种设计最大的问题就是巨量的 token 消耗，/goal 没有采用对话追加模式，每轮都会发送完整的对话历史，这会导致 token 消耗随轮次 n² 增长，而烧钱的问题完全靠服务器端的 prompt cache 机制来缓解。cache 也不是完全免费，只是成本更低而已，Claude Code 的 cache-hit 价格是 1 折左右，估计 Codex 的价格会更低。 可以这么理解，/goal = 目标驱动（objective）+ 状态感知（budget/time）+ 验收机制（audit）。每一步要做什么，完全交给模型自己来判断，相当于把模型当成一个负责交付结果的工程师。

上周在奥斯汀的一次扑克之夜，我认识的一个大学生向我展示了他的 Stripe 账单。上个月 43,000 美元。OnlyFans。我问那个女孩是谁。他指了指他的 MacBook。她只是四个文本文件。47 张照片训练了她的面部。 90 秒音频克隆了她的声音。1,200 个单词让她成为了一个“人”。总构建成本：70 美元。第一周：4 美元。第四周：1,847 美元。仅上周：11,400 美元。发牌期间，他的手机震动了三次。 +15 美元。+22 美元。+8 美元。一个真实的 OF 模特每天拍摄 4 小时，与经纪公司分成 50%，每月还要支付 4,000 美元给聊天团队。1,247 名订阅者。每天 1,433 美元。Maya 回复消息只需 6 秒，而且从不要求五五分成。 他构建 Maya 花的钱比上学期买教科书还少。桌上的另外三个家伙这周末也要开始构建自己的了。你有一台 MacBook。你有 70 美元。你有一个空闲的周日。下次扑克之夜，会有人展示他的 Stripe 账单。问题是，那会是谁的。

有人利用 YOLO26 在一个周末内构建了一套实时智能停车系统。该系统能够监控每个车位，实时追踪占用与空闲状态，即使在车辆部分重叠或斜向停放的情况下，也能保持精准的检测。

想和大伙聊聊，在 AI 时代我是如何深入学习一个技术领域的。 之前没有 AI 之前更多是看书、翻这个领域有名的国内外人的所有博客，然后摘抄记录到笔记本，这种速度挺慢，但是很有学习的乐趣，比如当时学习 WebGL 就是这种感觉，可能学懂一个东西差不多要半年空闲时间，慢但快乐。 现在有了 AI 之后，其实我很讨厌网上那种3分钟教你看完百年孤独，也讨厌一切短剧和倍速看电视剧的方式，更多还是挑好的看，吃好一点。 不过最近写你不知道的 Claude Code 和 Agent 系列，除了自己懂的部分外，其实还有大量不太清楚的领域，好在之前收藏了不少文章，刚好借助这一块清库存，全部搞懂输出出去，一直认为，很多时候，不在于看了多少东西，听了多少东西，输入了多少东西，其实用处不大，更加看重你输出了多少东西，这个才是你自己的。 然后我上上周启动了一个深坑挑战自己，研究大模型的训练流程，确保非专业的人也听得懂，探索了2周，刚好这个经验可以分享给大伙，当然成文也差不多好了，最近会发出。 我会把这个学习过程当做写代码一样的组织，第一步收集高质量的资料，比如与之相关的近几年的精品论文，各大模型厂商发布的关键模型的博客，X上模型负责人发表的一些文章，以及斯坦福等高校的近两年关于这一块的课程学习，还有经典的手搓一个大模型的代码仓库等等，这些都是我的一个资料来源过程，我会借助工具自动化全部下载、转md、清洗，梳理，弄好结构化分门别类到我这次研究的仓库。 然后对于自己看得懂的内容就全部看一遍，把不好的删掉，好的留下，对于看不懂的内容，直接借助 Claude 帮我的理解，更复杂一点的直接翻译成中文去阅读，对于代码本地可以跑的就跑起来，不能跑的那种就去看结构，总之会有一个大概的认识和知晓技术原理，这个阶段可以去掉原有一半可能没有用的内容。 到了这个阶段，其实你对这个领域有一个大概的认知了，就可以给这篇文章开始写一个大纲，以及大纲应该结合的来源内容，这里均可以用markdown很多表达，你要讲什么，或者说你想讲什么更想让读者知道，一定一定，文章是写给你给给看的人看的，需要知晓对方的认知水平，和汇报其实差不多。 然后接下来就是苦力活加之前内容的复习过程，和大学时候考试前复习很像，把每一章的内容填充完整，这样下来，你会得到一篇非常长而且有点啰嗦的文章。 这个时候AI就可以帮太忙，你可以让他帮你不改变你原有的内容意思你的语气的情况下，帮我去掉无用的啰嗦内容，以及连贯不到位的内容，或者是这一块缺少的内容，还需要补充什么知识的地方，借助AI继续去完善补充，这里又可以学到很多原来遗漏的东西。 最后整理好以后，可以继续自己读一遍，而非让AI读一遍，这里AI只是工具，千万不要把你的脑袋被AI代替了，这就没有啥意思来，自己读的过程中可以对文章继续修改调优，这里和写代码又非常像了，自测那种感觉，修复问题修问题，最后读了2遍以后，基本感觉完美了，然后就可以发出来给大伙看看。 有小伙伴肯定是担心自己写的东西没有人看，就不太喜欢发出来，或者说就不写了，其实只要你的内容有意义，自然就有读者，而非是你偷懒的理由。 花10min写完这个碎碎念，结束，欢迎交流你是如何学习一个新领域的，下面视频就是我后面要发的那篇你不知道的大模型训练文章的学习仓库，挺有意思，就录了一个视频给大伙看看我的工业化学习方式。

Benchmark 合伙人 Bill Gurley 的投资建议，感觉前二对 Crypto 也适用: 理想的创始人画像：对某个垂直行业门儿清，同时又是各种 AI 工具的重度用户。 去网上看看 Anthropic 和 OpenAI 的人在公开谈什么，然后远离，真正安全的是那些偏离主路径的深度垂直领域。 当前机构投资者对非 AI 项目的兴趣为零。如果你天使轮投了一个非 AI 项目，指望它将来还能融到钱，在当前环境下几乎不可能。 保护自己不被 AI 淘汰的最好办法，就是让自己变成最会用 AI 的那个人。 晚上你是想追《绝命毒师》，还是想读这个领域的东西？如果你选了后者，而且读的时候真的感到兴奋，那说明热情是真的。真正的热情在你自己的空闲时间里也会冒出来，不需要人督促。 当越来越多的内容可以被 AI 生成，人们反而会更渴望"只能在现场体验"的东西——这类资产会升值。 全文