Zexi's Notes

不随机的选择， 就必然依赖一套偏好顺序。

要排序， 就要把复杂的多维世界， 强行投影到一维的数轴上。

而降维的过程中， 就会出现重叠和失真。

就像电车难题， 只要不是蒙眼乱选， 就必须给生命、数量、年龄、亲疏 排出先后轻重。

爱与自由、情感与现实 也是一样。 这就是高维挤进一维时， 必须面对的取舍。

求两全，得两不全； 接受不全，或得两全。

只要你能稳定、一致地排出好坏顺序， 就等价于你在心里默默算了一个总分。 ​​​

突然理解Manus首席科学家在播客说的“模型需要意识到自己的上文是被压缩过的”是什么意思了。

近几月模型能动性的爆发主要是模型厂商加大了强化学习后训练的投入，让模型有了韧性：一次做不成，换一招再试。让 Bash/Python/Browser/Excel 之类的任务表现极佳。

而近期记忆框架的层出不穷，其实也和前两年 Workflow 框架层出不穷一样，都是在模型成长时期，迫不及待的工程师们试图用程序化的规则，给模型拄拐。

所以我认为，完全不用FOMO这个时期的记忆实践。回归基础原理，耐心等待模型厂商教会模型自我管理注意力的能力：特别是压缩、整理、卸载上文的时机和程度。

因为一但模型就绪，这些过度设计很快就会全部进入历史垃圾堆。

而且换个角度，记忆对工具真的是必须的吗，目前百万词元的上下文窗口真的不够用吗。

某厂实习生“第一学历985”的标准已经在从50%往80%提了…

但细想逻辑也通： AI日新月异，校招阶段公司很难识别出谁能学好用好，干脆直接用“第一学历985”作为“能学好用好”的代理指标。简单、可执行、方差小。 ​​​

年终也是赚上老板们 FOMO AI 的钱了，这里也同步记录下最近的思考：

我认为，基于 LLM 的 Agent 就是新时代的 Runtime，而 SKILL.md 则是新时代的源代码。

换句话说，对于具体的落地应用，我们不需要花太多时间研究 Agent 底层的 ReAct Loop、Memory、Tools、Compact、Delegation 等细节， 就像我们不需要花太多时间研究 JVM、V8 里面的高深魔法一样，这些东西会有世界上最聪明的脑袋们去研究： 程序员的三大错觉：我比编译器聪明、我超越了标准库、我能管理好内存。

作为普通研发，我们的注意力应该放在， 如何书写适配我们具体工作的 SKILL.md、以及怎样搭建让 Agent 更快更好执行这些 SKILL.md 的环境。

这些脏活确实不如 Agent 原理那样令技术人兴奋，但的确它们是 Agent 落地真实业务生产的关键。

具体到我的“实习生”机器人上，也并没什么高科技，都是一些打杂活： 帮它接入内部 IM、帮它申请自己的 SSO 身份、帮它授权各常用系统权限、帮它改造内部打包平台、一步步带它执行我们的日常工作流程沉淀总结 SKILL.md、帮它准备好开发环境的 Dockerfile、以及最关键的搭建 BDD 执行环境、教它操作手机自行测试截图检查修正…

而“实习生”的底层 Agent，我则是无脑克隆了开源社区的 OpenCode，一行都没改。 因为目前所有的 OpenClaw、Claude Code、Codex、甚至 Tabbit 浏览器之类的 Agent 实现事实上已经收敛到了标准的 ReAct Loop，区别只是内置的 LLM 和 SKILL.md 不同而已。 有兴趣花半天读读 MiniMax 的 Mini-Agent 很快就能理解，不需要重造轮子。

过去，研发是写代码；现在，则是写“写代码的方法”。 就像中学数学是解具体的 x，大学数学则是解含 x 的关系 f(x)。

神奇啊！ CA1255北京飞伊宁要5小时， 但CA1256伊宁飞北京却只要3.5小时！

学习了一圈，都指向极锋急流： 极锋急流是位于北纬约40°–60°、沿极地冷空气与中纬暖空气交界（极锋）上空形成的一条高空高速西风（自西向东）气流带。

于是伊宁（北纬43°）到北京（北纬39°）整个航程都吃到了风速加成，甚至地速过千。

小时长辈其实是在夸爸妈：把你教养得很好；现在长辈其实是在夸你：把感情经营得很好。我们喜欢指桑赞槐

在AI码农面前，AI陪聊的Token消耗量微不足道… 在AI导演面前，AI码农的Token消耗量微不足道… ​​​

优秀的创新型组织需要非常远见的高层、顶级聪明的执行层，以及能高速路由信息且不添油加醋夹带私货的中层。 ​​​

我有点理解太空光伏了。

光伏和Transformer很像： 都是简单、重复的基本单元组成， 都可以通过堆规模持续获益。

于是逻辑就有了： Transformer附身机器人持续生产铺设光伏面板采集电力； 更多电力又支撑更大规模的Transformer更聪明有效地采集更多电力…

而且相比地面， 太空中空间平整一致、日照稳定无限， 现有技术足以让AI进入一个无人参与的自我增殖循环。

人类或许很快会进入一个 物质极大丰富的时代。

当那些弥散在行星周围的戴森云们能够持续获取能量、扩大规模、维持结构时， 也许它们就应该被视作一种新的生命形态了。

每月使用10元、100元、1000元、10000元Token的人对AI的评价是完全不同的。

我现在大概是五六千元的水平，我的感觉是AGI已经来了… 而仅10个月前，我对AI的评价还是：不过只是是文本补全的概率机器罢了… ​​​

我突然发现这个，可控核聚变其实是一个就是像金字塔一样的科技奇观一样的东西，真正有价值的，或者说现阶段真正可以用到的能源，而且可以规模化扩展的，其实是光伏，就是太阳能发电场 ​​​

传统武术、医术、儒术…或许曾是当时的先进圣贤， 但到今天，它们更多应该被作为一种文化。

可以用来欣赏消遣，但也仅限于欣赏消遣。

因为要想从这些古籍中汲取有价值的信息，在效率上，远不如直接学习现代中小学教科书。 ​​​

现在自媒体AI含量越来越高了，特别是各种口播。

只要听到“这不是…，而是…”的标准GPT句式，基本就是AI没跑了。

“你不是不懂，而是太懂…” “你不是脆弱，而是开始觉醒…” “你不是情绪化，而是感受力太强…”

“这不是危机，而是转型的阵痛…” “这不是技术爆炸，而是范式迁移…” “这不是能力不足，而是认知模型老了…” “这不是市场在收割你，而是你自己没看懂规则…”

它们不提供任何新增事实， 但能提供一种什么都不做，认知就被升级了的良好感觉。

恰恰相反，我觉这就是通往AGI的路。孤立系统的熵不会自发减小，模型必须要在思考循环中利用工具获得真实世界的负熵输入，否则就会陷入完美但无用的符号自洽。而Shell、Lint、Compiler就是现阶段最适合给予模型及时反馈的人造“物理规律”。

为什么人会在意别人的恶意，

因为比起恶意，人更怕的是自己无人在意。 ​​​

一个豆包倒下了，千千万万个豆包站起来了！

连夜学习了下智谱刚开源的手机助手，工程写得非常简单：标准的“观察-推理-行动”循环。

9B的视觉模型参数量不算大，但对没有显卡的我，还是比较的羞涩

虽不能体验，但读它提示词也挺好玩： - 如果游戏可以自动战斗，就一定打开自动战斗（斗地主托管专家） - 实在找不到用户要的时，可以使用AI搜索（聪明的AI会用AI） - 搜索小红书时候，一定筛选图文笔记（推理速度看不过来视频）

意义，是意识面对熵增世界时，用于维持自身稳态的秩序源头。 ​​​

内耗不是因为「太关注别人怎么想」， 而是因为只停留在想。

我认为： 要主动去思考别人怎么想，并积极尝试预测； 再通过观察Ta的后续行动，检验这些预测。

当发现结果偏差时，问问自己：

- Ta是不是知道什么我不知道的信息？ - 如果我知道这些信息，能不能做出相同的判断？ - 这些信息，事前我有没有办法获得？

思考别人怎么想，目的不是虚空反刍， 而是要借「假设、验证、修正」的循环， 重建Ta的决策模型。

DeepSeek团队太强了，他们在重新提醒大家：人类阅读靠的是视觉，不是Unicode ​​​

！ 啊！ 原来如此！ 所以大公司里也是这样设计：虚线节点管业务，实线节点管人事 ​​​

以前以为脑暴会是为了产出创意， 参加几次后发现： 信息密度极低，大量时间都耗在无关痛痒的琐碎上。

后来才明白—— 多数脑暴会，其实是领导想推动某个方向， 可能是还没拿定主意， 于是先召集大家聊聊，既探探团队风向，也塑造开放文化。

也可能已有想法，只是不便直接拍板， 便借讨论一步步铺垫出来， 既让大家产生认同，也让后续推进更顺畅。

说到底， 脑暴会看起来在要创意， 其实更想要的是团队成员的共识和投入。

真正突破性的点子， 只会诞生于深度个人思考，和小团队的反复打磨， 不会、也不可能会在脑暴会上出现。

抖音的设计师太天才了！

这个“心动榜”，红色的心电线把“心”拉出了“必”的形，再配上丝带大面积的橙色承接到红，满满都是巧思，擦得让人心服口服

相比之下淘宝拼好饭就没啥意思了 ​​​

两年前的大模型，Token很贵、上下文只有4k，一个汉字经常就要占2Token，所以很多人更倾向用英文写Prompt。

而如今，128k的模型比比皆是，各家Tokenizer都收录了大量中日韩字符，甚至「笑死🤣」这种常用emoji都有独立Token ID。

要知道，大模型的注意力是按Token分配的，这意味着，单Token信息量更高的中文其实比英文更有利于模型的表达和推理。

再发散点，人类的注意力单位，其实也更接近「音节」，而非「字」、「词」。

在长期演化中，中文通过把高频概念浓缩成单音节的字，构建出了一种码长分布贴近语义分布的语言系统——既方便人类，也契合大模型。

比如中文数字，一字一音，让母语者几乎人人都能背出乘法表、复述手机号。

只是近些年，随着教育水平提高，一些表达又开始有了膨胀的迹象… 好了快两点了，我必须要立刻进行一个睡觉。

强化学习要试错，就一定需要一个低成本的演练场。 ​​​

以快三十的我回看：

好的老师，不是严苛的监工，也不是手把手的保姆。

而是能和我一起，快速、低成本地，把可能的蠢全犯一遍的人。

因为这个世界，正样本易得，负样本很贵。 只有亲历正负，才能理解和分辨明暗的交界。 ​​​

热力学第二定律：孤立系统的熵（无序程度）总是随时间增加。其实信息世界也一样，不存在能在封闭系统内持续产生低熵信息流的永动机。如果没有低熵信息注入，包括懂的人的建议、编译器Lint警告之类，那么随着模型自回归，输出一定会越来越噪声。

回看影石上市也是有原因的：他们确实有在用心做产品。

22年我头次用Go2，在微博吐槽充电挑线就有官号回应，并有在Go3上改进。

再比如Go2/3一直有个大疆Action3没有的点：手机App连相机时，不需要先按开相机。

要知道，一般选片/剪片都是疲惫在回程的车上，相机在包里。 此时起身/探身翻相机就像很困但要下床关灯一样令人难受。

但影石团队投资源做了。 就是这个微小、难量化收益、评测媒体都不一定注意得到、有没有也几乎不会影响用户购买决策的点。

好的产品绝对不是拉个脑暴会强制一人一条建议、或者发个有奖问卷调研就能一下设计出来的，而是在实践和认识的反复迭代、在推倒和重建的上升螺旋中生长出来的。

非常离奇，就十几平的房间里，耳机找不着了。

第二离奇的是，一年多过去了，看了一圈评测，最推荐的居然还是OpenSwim Pro

感觉和鼠标一样，受限于人类的感官极限，这些传统外设目前已经在性能、需求与市场规模间达到局部最优了。 ​​​

现在我会先和GPT聊很久，但不涉及任何具体代码，只是不断质疑推倒迭代思考。直到一切都权衡完备后，再让GPT总结成一篇提示词，最后才交给Claude精准执行。