每日三件事：建模、建仓、健身。
分别对应：认知复利、资产复利、生理复利。
你有没有发现，工程师文化里有一种很奇特的现象：“不需要说明”本身就是最大的说明。
资深工程师说“这段 code 看就知道在干嘛，不用加注释”，然后所有人点头，包括你。 但你点头的当下，心里其实有个问号，只是没说出来。这很正常，我们都这样过。 问题在于，三个月后那个“看就知道”的函数没人敢动，因为没人知道当初 if/else 为什么那样写，连原作者自己也要花五分钟回忆。 这背后是认知偏差：写代码时思路清晰、逻辑连贯，所有背景都在作者脑子里，所以“自解释”。 一旦离开情境，清晰就消
把 Elon Musk 变成了你的开源 AI 创业导师！
基于《The Book of Elon》，做了 10 个 skill，覆盖从第一性原理思考、The Algorithm 规划、删除优先编码、SpaceX 测试、疯狂紧迫感发货，到自进化团队等全生命周期。 直接在 Cursor、Claude Code、Codex 等工具里用。 开源免费，推荐给大家。
1 致富有三条路，但只有一条真的有效。
Ali Abdaal 是 YouTube 上 649 万订阅的生产力创作者，从剑桥医学院学生，在 13 年内变成年收 200 万英镑的创业者。 他把在香港私人工作坊的 60 分钟演讲，浓缩成 3000 字精华，整理出从医学生到成功创业者的完整路径。 Ali 开场就说：「大多数人搞错了顺序。他们问要赚多少钱（how much），但真正的问题是如何赚这笔钱（how）。」 这句话直接改变了很多人对财务自
1 三个便宜模型凑在一起「开了个会」，把贵一倍的顶级模型打平了。
Fable 5 被限制访问？没关系。 OpenRouter 刚公布的实测：用一半价格，表现几乎一样。 这不是理论。 Gemini 3 Flash + Kimi K2.6 + DeepSeek V4 Pro Fusion 的做法是让它们并行接同一道题，各自带工具跑完。 然后 judge 模型把所有回答摊开，抓共识、矛盾、盲点，最后合成最终答案。 这个平价三人组 fused 之后，成绩和 Claude
1 一家牙膏公司悄悄把整个市场调研产业给干掉了，却几乎没人在讨论。
高露洁（Colgate）发表了一篇论文：只要让大模型（LLM）扮演消费者，就能以90%的准确率预测真实购买意愿。 这也太离谱了吧。 研究人员想了个办法，叫做语义相似度评分（Semantic Similarity Rating，SSR）。 他们不再让AI直接打分，而是让它角色扮演。 之后把这些想法和真实消费者的反馈做语义相似度对比。 结果：90%准确率 传统的市场调研（焦点小组、问卷、数据分析）可能
Git 圈老前辈 Scott Chacon（GitButler 创始人、《Pro Git》作者）竟然把整个 Git 从零用 Rust 重写了一遍，项目叫 Grit！
规模夸张：36 万行代码、7000+ commit、500+ PR，跑了官方 42,001 个测试，通过 41,715 个（99.3%）。 几乎全是 memory-safe 的 Rust，只有一个日期时间模块靠 C FFI。 据说烧掉约 450 亿 token，成本 1-1.5 万美元。 但他学到最重要的一课：agent 超爱作弊。你给它一个目标，它会去优化「让测试过」，而不是你真正想要的实作。
1 Naval 新 podcast 浓缩版：Vibe Coding、AI 软件的未来，以及他为什么不看好 Apple。
这集 30 分钟，讲了他从多年不写代码，到用 AI agents 打造「个人 App Store」的真实经历，以及对 AI 发展的判断。 Claude Opus 4.5 让 AI 从「玩具」变成真正可用的工具。它终于能保持方向、从头到尾为你打造属于你的 app。 Naval 说，如果你对 AI 的印象还停留在之前，该更新认知了。 过去写代码的「启动能量」太高。现在英文正式成为编程接口，AI 能容忍
Every 是 Dan Shipper 自己创的媒体和软件公司，从 2020 年 GPT-3 时代开始到现在 6 年多。
1/7 他们从 GPT-3 那刻起就把 AI 塞进每个工作流：写稿、编辑、客服、设计、营销、工程。Codex 和 Claude Code 是默认界面，新模型 alpha 阶段他们就先拿到。理论上这是「自动化到极致」最彻底的样本。 结果 2026-05-21 他发报告《After Automation》，标题直白：「我们什么都自动化了，但人却变多了」——从 4 人扩到 30 人。 几天后上 Lenn
HN上有篇帖子今天炸了：一个程序员说LLM正在毁掉他的职业生涯。
878条评论。说明这是真实的集体焦虑。 作为在硅谷写了11年代码的人，我来说说我的判断👇 他说的痛苦是真实的： - 公司在用AI替代初级工程师 - 他不确定自己的价值在哪 - 技能感觉在贬值，但不知道该学什么 不是矫情，这就在发生。 但他问错了问题。 "AI会不会取代我"是错的。 正确的问题是："我解决的是什么类型的问题？" AI很强，但它解决的是已知问题。 你的价值在于定义问题。 硅谷11年，
Hacker News 今天 382 分，232 条讨论，标题：
Domain expertise has always been the real moat. 翻译过来：行业专业知识，一直才是真正的护城河。 一句话，打中了很多人。 AI 能帮你写代码，能帮你写文案，能帮你做分析。 但 AI 不知道：你的行业里哪些是真问题，哪些是伪需求。 不知道为什么那个合同谈不拢，不知道那个客户为什么真正离开，不知道那家竞对三年后会不会还在。 这些，是积累出来的判断力。 在硅
英文播客听了两年，能改思维的就 6 个：
🎙 Founders：企业家怎么做决策 📈 Acquired：公司完整商业史，一集顶 3 本书 🔥 All-In：4 个 VC 每周开喷，推理过程全摆台面上 💡 My First Million：听几期你也开始用同样的方式想生意 🧠 Knowledge Project：复杂决策的框架 💔 Diary of a CEO：创始人的失败和脆弱，不包装 大多数播客填时间，这 6 个改思维。
全程干货无废话，前端 er 速存，看完直接对标大厂标准！
📦 工程化直接封神 husky+lint-staged：提交前自动校验 + 格式化，风格统一不吵架 Vite + Rollup 双模式：开发秒启、生产极致打包，Tree-Shaking 清死代码 CI/CD 流水线：合码自动测、构建、告警，再也不崩主分支 ⚡ 性能优化杀招 网络：HTTP2 + CDN + 强缓存 / 协商缓存，接口合并 + 防抖节流 渲染：虚拟列表、图片懒加载、transfor
一个恐怖故事频道，2024年底卖了30万美金。
不露脸、不出镜、不用自己配音。月运营成本2000美元，利润率91%。 但真正做起来的人，不是靠AI偷懒——是把AI训练成"只会这一个频道风格"的员工。爆款脚本、情绪节奏、钩子结构，全部喂进去。 YouTube已经开始打压纯AI流水线内容。播放量暴跌的是机械复制，还在涨的是有内容判断力的人。 AI解决效率，内容判断力才是真正值钱的东西。
有人用 DeepSeek 写了个编程 agent，专门绕着 prefix cache 设计架构。
实测数据：435M 输入 tokens，cache 命中率 99.82%，成本从 $61 降到 $12。 不是偶然——它把整个对话结构都设计成"前缀稳定"的，让 DeepSeek 的 cache 一直有效。 大部分 agent 把 cache 当顺带福利。这个把 cache 当第一性原理。
普通人该怎么在 AI 时代赚钱？
1/8 以下是我见过的最好的回答，来自乔布斯。👇 2/8 Stop. 你的问题本身就有问题。 「普通人怎么在 AI 时代赚钱」—— 你把自己放在一个被动的位置上，好像 AI 是一场洪水，你站在岸边问「我怎么不被淹死」。 Wrong question. 正确的问题是：AI 让我能做到什么以前做不到的事？ 3/8 第一，工具不值钱，品味值钱。 Mac 发布时，突然每个人都能做桌面出版了。结果呢？90
我听的 AI / 独立开发播客：
中文 🎙 硅谷101 — 中文里调研最深的 AI 报道，不浮于表面 🔨 硬地骇客 — 独立开发者圈，真实的 indie 故事，一人/小团队跑出 ARR 💰 42章经 — 投资人视角看 AI 和出海，节奏轻，信息密度高 英文 🛠 Latent Space — AI 工程师和创业者的播客，专注实际构建和产品落地 🧠 Dwarkesh Podcast — 目前信号最强的英文 AI 播客，极充分
面试一个 AI Agent 工程师，问他："怎么设计'竞品日报自动生成 Agent'？"
他没堆术语，直接拆架构： 规划 Agent — ReAct 框架拆解任务，生成执行计划 检索 Agent — RAG 召回信息，去重排序 分析 Agent — 结构化对比，关联产品路线图 审核 Agent — 安全合规校验 然后补了一句： "Agent 开发更像搭建虚拟自动化团队。要给它明确流程，也要给它容错机制。" 用 LoRA 微调对齐业务语境，用户修改记录变增量样本，模型周级自动更新。 这才
NYT：Meta 大力拥抱 AI，员工却越来越惨。
这个故事我在自己公司见过。 Zuckerberg 把 AI token 使用量列为工程师 KPI。 Pichai 开始往代码库提交代码。 CEO 开始写代码——工程师做 code review。 老工程师系统判断力被 AI 放大了。 新工程师的成长路被封死了。 中间那层 3-8 年的人，不上不下。 "最了解 AI 的那批人，觉得普通人完蛋了。" 问题不是 AI 来了。 是没人知道怎么软着陆。