与「编程小知识」相关的搜索结果

连续录制了两天的长课程，刚录完的最新一期的Crypto课程我真的好喜欢。 产品本身很有意思，获取了CoinMarketCap API，还做了一个web产品 + 飞书消息同时。同时这期课程我把定时任务和Edge function的知识点，讲得特别好！ 本周发布，保证AI编程小白友好！感兴趣的可以抢先在课程预定：

如何利用AI自学一切？？ 我是写美股的，日常要读财报、盯宏观，碰上完全陌生的新行业也得从头摸。以前这些最费工夫，翻资料、找人问，一轮下来大半天就没了。 这一年多用上 AI Agent，最先变的是我学东西的方式。 1、兴趣和动力是一切的基础 这是不是普遍适用，我不能确定，但起码对我来说，自发的好奇和自驱力能让我坚持更久。或者说我不能用"坚持"这个词，因为我是自然而然地享受这个过程，不需要任何意志力，只是单纯地想学。 如果是外界推着我学，比如考试、比如工作，DDL 一结束我就会迅速放弃，甚至在过程中也只能勉强做到平均线，抱着得过且过的心态。 当然，有兴趣和自驱力不代表万事大吉，也不会一开始就如有神助。学不会的东西本来就学得很慢，但慢慢来，反而会比较快。 2、建立一个正反馈的环境机制 正反馈能让你保持兴趣和动力，不断的小 reward 会给你情绪价值。这时候就该让 AI 来帮忙了，因为 AI 的反馈非常非常快。 比如我想探索一个知识，它可能和 tech 有关，也可能和商业有关，这些都是我完全没在学校受过训练的领域。但是 AI 受过呀。 我可以一遍一遍地说：这个太难了，我不理解，我要举例子，要图解，要通俗易懂，从最最简单的讲起。AI 非常适合干这个。 在现实生活中，其实很难让一个人一遍一遍地给你重复讲同一个东西，但对 AI，我们完全不会有这种顾虑。遇到不懂的，如果没有 AI，就只能等懂行的人给我讲，或者自己慢慢搜。这种极致快速的正反馈，只有 AI 才能给。 而当我让它出题，用自己的话再讲一遍的时候，我就能清楚地知道哪里我没理解、哪些我理解得很好。这时候 AI 也会充分地鼓励我，给我非常多的正反馈。学习的循环就这么建立起来了。 3、所以具体到底怎么利用AI呢？下面我按从简单到进阶，拆解一下具体的方法。 简单版：一个聊天窗口就够了 免费的聊天机器人已经足够强大，只要稍微改改自己的 prompt，就能得到很好的结果。 假设我对某个领域、某个概念完全不了解，比如"什么是 Agent？Agent 有什么用？为什么别人都在用？我能拿它做什么？"，这些就是我第一次接触一个新概念时，脑子里会自然冒出来的问题。 第一，我一般会按"why - what - how"的结构去拆。 第二，一次只问一个问题，不要一下子丢好几个。拿这个例子来说，可以先从"为什么 Agent 这么火"开始。这个问题的答案很简单易懂，你会看到一些有趣的现象，然后再引出 what，也就是它到底是什么。 第三，告诉 AI 你的个人背景。免费的聊天机器人完全不知道你对这个领域了解多少，你让它讲解时，它的回答不会是个性化的，也不会考虑你的背景。所以你要在 prompt 里讲明：我完全不了解，希望讲得通俗易懂，等等。 第四，你同样可以让 AI 用费曼学习法给你出题：根据刚刚讲过的内容出几道题，让你用自己的话再讲一遍。 进阶版：先要一张地图，再把资料喂给 AI 过了简单的关卡，如果我想学得深入一点、系统一点，开始之前我会先让 AI 给我画一张这个领域的"知识树"：主干是什么，分支有哪些，我现在要学的东西长在哪一枝上。 如果这个领域陌生到连树都搭不起来，我就让它从历史讲起。一个东西刚诞生的时候总是简单的，顺着它一步步变复杂的过程往下看，现在的样子也就好懂了。 有了地图，我会让AI去找高质量的书或者视频来探索。在学的过程中，我还会把这些资料喂给它，让它有充分的 context，这样我随时提问，就能随时得到答案。 深度版：搭一个自己的学习系统 我会高强度地把 Agent 工具和 Obsidian（一个个人笔记软件）连在一起用。我有一份写自己个人背景的 markdown 文件，还有一份 Tutor SOP 文件，里面写明我喜欢的教学方式。 每次我要求它讲解某些内容，AI 都会自己去读这些文件、补充上下文，用我最喜欢的方式来教我。 这份 SOP 里的规则，都是一次次"学不下去"之后加进去的。挑几条：第一条就是：keep me motivated, keep me going, increase the curiosity. 一节课最多两个概念。第三个留到下一节，在好奇心还在往上涨的时候结束。还有比较基础的，例如多用例子和图解等等。 当我感兴趣、想深入了解时，我也会让它读取费曼学习法的 Skill 来给我出题。 我还会用 Matt Pocock 写的 teach skill，让它通过写 HTML 代码的方式做网页课。我会 customize 更多的交互、课后习题、课后阅读等等。 它会把一个主题拆成几节课，组成一个小小的 set，比如 4–5 节，学完一整套也非常有成就感。 我曾经有遇到一篇讲AI的论文，可以说我自己几乎看不懂，但神奇的是AI一直鼓励我说我可以，我刚好看见有一段讲到是如何把 Out-of-Distribution（分布外）的东西拆解变成 In-Distribution（分布内）的东西。我心想这不就是现在，我让AI把这一篇完全在我知识分布外的东西通过一步步拆解，变成我可以理解的分布内的东西。 拆了十几轮吧，说实话那篇论文到底讲了什么，我已经要忘记了，但这种去拆解那些我不会的知识，然后一步一步把它们内化的方法论我却一直记得。 总结一下：其实核心很简单，你要喜欢、要有兴趣，利用AI工具，不会就问，不断接受正反馈。自然而然，我们就可以学习任何事情了！ 一段可以直接复制的 prompt： 我是[你的背景，比如：完全没学过编程]，想了解[概念]。请按下面的顺序讲，每次只讲一步，讲完停下来等我回复： 1、为什么：它为什么最近这么火，解决了什么问题 2、是什么：用一个生活里的例子讲，不要术语和公式 3、怎么用：像我这样的人能拿它做什么 如果我说「没懂」，请换一个例子，不要只换个说法。 三步讲完后，出 2 道题让我用自己的话回答，并指出我哪里理解错了。

OPC 火爆小红书，但终极门槛很多人不知道 别以为 OPC 还是忽悠人的概念，就是为了骗你那点知识付费，其实它已经成为 AI 赛道增长最快的板块之一。围绕 OPC 的 AI 应用估值集体奔着百亿美金狂奔了，而我熟悉的 @dappOS_com 似乎才刚开始。 AI 编程工具那么多，这到底有啥不一样？ 让我们浅入！ ⬇️ 现在的 AI 工具很好，但基本上无法投入生产，真正想做生意的人应该明白我在说什么。简单来说，市面上几乎所有的工具都在致力于提升代码效率，让用户的一次指令尽可能简单、快速、准确得到结果，即 Prompt-to-Code。它很好，但你真正用来开发一个网店、搞一个付费订阅网站就会发现痛点：懂业务的你需要耗费无数 token 来反复修改 Prompt 来实现业务逻辑。 说人话，其他 AI 懂代码逻辑但不懂业务逻辑。业务逻辑需要 SOP 即根据不同业务类型最大程度标准化业务流程实现 SOP-to-Business。我再举个例子就明白了，比如你要做一个付费订阅网站，普通 AI 工具也能快速给你实现一个 demo，但也仅限于 demo，你还需要用户注册、支付通道、退款、数据分析……它无法帮你在生意层面更进一步，但是 dappOS 的 xBubble 则实现了。 / xBubble Code 更像是一个产品经理和业务经理的合体。除了理解业务需求，它的 SOP 可以调用其他服务商一次性提供业务所有的需求，甚至包括了域名、服务器、CDN 等等。难能可贵的是，dappOS 并没有想什么钱都赚，他们把基础服务和软件服务分开，你可以专注于业务描述，用极低沟通成本实现业务需求，然后自由选择不同的基础设施提供商，这样就有了更加强大的扩展、更加灵活的自由控制。 咱就是说，这应该是第一次不再拿着 AI vibecoding 来玩花活儿了吧，实实在在可以搞个商业服务工具了。OPC 并不刻意强调只需要一个人，我感觉更是业务流程上的整合，即，一个人也可以借助 AI 熟悉并部署完整的商业业务模型，让生意跑起来。 你的产品渲染图、页面布局、支付网关甚至是广告片制作与投放都由 SOP 一键完成，无需重续修改对话 Prompt 。在完成业务逻辑之后可以直接复用稳定币支付与结算网络，一小时之内完成所有支付工作，你还傻乎乎去银行开户呢？ 还记得我刚出了一本新书吧？假设，我需要销售这个书跟周边且必须支持稳定币支付，那么，我只需要告诉 xBubble 我的需求即可实现了。 不信，你看看： / 最后，很多人可能也不注意的就是基于抗审查与保护隐私的原则，xBubble Code 让你拥有绝对的数据主权，所有的代码、数据都会归用户所有。懂我意思吧。 Demo 的意义在于普适性，比如用 Cursor 一键搞个个人主页，完全没问题，但是对于长尾、细分、非标需求的创业者，强烈建议你试试 xBubble，用完你才能完整体会我说的。真正 OPC 比拼的不是创意，而是可以落地执行的商业业务逻辑实现，这才是一家公司活下去的根本。 牛逼的人，已经用 xBubble 开始搞钱了，你不试试？ / 作者：anymose ｜ 一个软核科普作家 本文仅做科普使用，不构成任何投资建议，永远记得 DYOR！

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

如何进入 Vibe Coding ？ AI 群聊的时候有朋友问我如何 Vibe coding，我简单回复了一下，现在整理出来发给大家 最近几周我都在 Vibe coding，作为一个脱离技术很多年的人，我对技术只懂一点点🤏，当然也不是全部不会，我会比一般人懂很多 我给想 Vibe coding 的朋友们一些建议，尤其是小白，如果你想进入 Vibe coding，该以哪种姿势进入 Vibe coding ? 1、学一门基础的编程语言，此处我推荐 JavaScript， 配合 AI 手动完成一些功能，理解编程是怎么回事 2、学习 git + github 基本操作，学习 node + npm 相关的知识， 一些基础的终端技术， 我觉得 1、2 学完了 差不多了，然后再去 vibe coding 3、选择一个好工具，我推荐 Claude code / Codex + Mac(16G就行)，不为别的，就是省事，如果没这条件，可以选择 kimi code/glm 4、以自身需求出发，没必要为了 vibe coding 写个五子棋之类的无聊的软件，这种软件毫无价值，以我为例 为了排版自己的 markdown并保存图片, 为了公众号排版，我写了个简单的网页工具 为了限制 chrome的 tab 的限制，我弄了个 tab limiter 插件 为了获取更多的信息，我写了个 chrome插件保存到 apple notes 里面，通过 claude code 构建一个 x 信息到 cloudflare 的工作流 为了卖 gg 卡，我写了个简单 网页 … 以上这些东西都不难，但能够简化我的问题，大家切勿做一些浪费时间的东西，AI 时代我们的时间和注意力最宝贵！

这绝对是我见过最牛的0基础 Vibe Coding 教程！ 直接疯了GitHub 15k+ Star 神作， Easy-Vibe 从零带你玩转AI时代编程： -零基础入门（完全小白友好） -初中级开发 -高级实战 -甚至补齐计算机基础知识 不管你是纯小白，还是已经入门一点，都能收获巨大。 全程用自然语言 + AI 工具（Claude Code、Cursor 等） 真正实现「想到就能做到」。 强烈建议直接收藏 + 转发给想学编程的朋友！ 这可能是2026年性价比最高的一条免费中文教程。

分享一下 AI 时代的 10 条生存法则：纳瓦尔谈氛围编程、个人杠杆与创造力的未来 1. 如果你想学习，就去行动 Naval 提到他目前正在参与一个名为“Impossible”的极具挑战性的新项目。他表示，自己不再满足于仅仅做一个投资者、哲学家或媒体评论员。他认为那些只会高谈阔论而不付诸实践的人脱离了现实，没有接受过自由市场或自然规律的严酷反馈。真正的学习和认知只能在脚踏实地做事的过程中获得。 2. 市场不需要平庸之作 在 AI 时代，内容和应用的数量将呈现指数级增长，但这不意味着所有应用都会被使用。在互联网的赢家通吃效应下，最头部的应用将占据绝大部分市场，因为没有人想要一个平庸的产品。不过好消息是，AI 使得开发成本大幅降低，无数极其细分的长尾利基市场（Niche）将得到满足。你可以为你自己非常独特的需求定制一个专属 App。 3. 最热门的新编程语言是英语 曾经人们需要学习 C 语言、Python，但现在你可以直接用英语编程。Naval 引用了 Andrej Karpathy 的观点：英语就是最热门的新编程语言。只要你逻辑严密、表达清晰，并懂得计算机程序是如何运作的，你就可以通过结构化的英语准确地让 AI 为你构建产品。 4. AI 适应我们的速度比我们适应它的速度更快 Naval 不建议普通人去死记硬背复杂的提示词工程（Prompt Engineering）或各种 AI 操作技巧。因为这些技巧的寿命只有几周或几个月。AI 正在以极快的速度进化，它在学习如何更好地理解人类的自然表达（哪怕是杂乱无章的提问）。你不需要去适应 AI，而是应该让 AI 来适应你。 5. 没有企业家担心 AI 会抢走他们的工作 企业家从不担心被 AI 取代，因为企业家的工作本质是发现问题、承担风险、整合资源和创造价值。AI 只是他们手中又一个极具杠杆效应的工具，让他们可以用更少的成本和人力去做更大规模的事情。 6. 人生的目标不是拥有一份工作 面对 AI 带来的失业焦虑，Naval 提醒大家：人类的历史并不是为了“保住一份工作”而存在的。工作的本质是为社会创造价值。当 AI 能够承担大量重复性甚至脑力劳动时，人类的目标应该转向更高维度的创造、休闲、创业以及做那些只有人类才能完成的事情。 7. AI 并没有生命 尽管 AI 表现出了令人震惊的智能和对话能力，但 Naval 强调它们仍然是由数学、权重和算法构成的工具。它们没有意识、没有欲望，也没有生命。不要将它们拟人化，而应将它们视为极度强大的“思维摩托车”。 8. AI 的早期采用者拥有巨大的优势 虽然工具在不断迭代，但尽早将 AI 融入你的日常工作和思考流程中，会让你获得巨大的杠杆优势。不要等待完美的 AI 出现，现在就开始使用它来放大你的能力。 9. AI 会在你所处的水平上与你契合 AI 就像一面镜子，如果你是一个平庸的人，它只能帮你做平庸的事；如果你是一个具有极高品味、深厚行业知识和强大逻辑思维的高手，AI 就能立刻理解你的高维需求，并输出极高水平的结果。你自身的认知天花板，决定了 AI 能为你产出的价值上限。 10. 解决 AI 焦虑的办法就是行动 人们对 AI 充满恐惧和焦虑，担心失业、担心被时代抛弃。Naval 认为，缓解这种焦虑的唯一解药就是去行动（Action）。去使用它，去用它开发你一直想做的小应用，去用它优化你的业务。当你开始动手掌控这项技术时，恐惧就会消散，取而代之的将是兴奋与创造力。 不想听英文的可以扫码第二张图片，听中文转译版本。 最近我也写了一篇《AI 时代生存哲学》，厚脸皮自荐一下：

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。