创业栈很大一块能先按 0 美元搭起来
不是那种七天试用 是 Cloudflare、Oracle、Supabase、Vercel、GitHub 的真免费档 下面只写我读完觉得能上手的 Cloudflare 域名 DNS、CDN、SSL、抗 DDoS 免费 对象存储用 R2 10 GB-月 100 万 Class A、1000 万 Class B 出站到公网不计费 图、PDF、上传文件够 MVP 用 Oracle Cloud Always
问 AI 要架构图
回来永远是那套圆角方块 丢进 slides 就格格不入 diagram-design 装进 Claude Code 出的是带你品牌色的 HTML 和 SVG 架构、时序、泳道、甘特、2x2 都能画 扫一遍官网抽配色字体 离线单个文件打开 1.7 万星 一天涨三千多 说明这个痒点不是我一个人有
8GB 显存，能不能跑 27B？我用 RTX 3060 Ti 实测 Qwen3.8-27B
先说答案：能跑，但不算流畅。 我在一台 Windows 台式机上，用 RTX 3060 Ti 8GB 跑通了 Qwen3.8-27B。命令行生成速度约 1.7 tokens/s，本地 API 测到约 1.9 tokens/s。 这个结果适合技术验证、轻量问答和偶尔写作，不适合拿来做高频编码助手，更别说多人服务。 如果你也是 8GB 显存，最重要的不是照抄我的每个参数，而是先选对路线：**GGUF
这张图不是在比谁更聪明
是在比谁吐字更快 左边一坨 Qwen、Claude、Grok、Gemini 智力分差不多挤在一起 速度都还在几百 token 以内晃 右边单独一个点 GPT-5.6 Sol Ultrafast 标了 Cerebras 大约 750 token 每秒 聪明没被拉开 延迟被拉开了 做 agent 循环时 这比再涨两分智力更疼
四件事分不清 考试和看论文都会卡住
四件事分不清 考试和看论文都会卡住 RNN 看顺序 前后有关，长了容易忘 LSTM 记得久 给 RNN 加了门，决定忘什么留什么 CNN 看图片 卷一下抓局部，再池化 Transformer 看长距离 Q K V 算注意力 还能并行 所以 LLM 站在它上面 一句话 要序列用循环 要记得住加门 要图像卷积 要长上下文上注意力
三家赔钱/暴跌的公司
Lululemon、PayPal、Adobe 行业完全不同 共同点很脏： 高层先出事，数字才出事 Lululemon：折扣训练顾客「不打折不买」 溢价品牌一旦靠砍价续命 后面通常是董事会与 CEO 动荡 PayPal：黄灯亮一季 管理层怪宏观，同业却不喊苦 有人说：如果只有你被景气打，那大概不是景气 Adobe 最反直觉： 营收毛利订阅都没坏 AI 还在涨 股价却砍掉一大截 市场投的是「三年后还在
有人用 6 万美金堆 Mac Mini
搭了个迷你算力库 接 AI 公司的微调和标注 号称月入 2 万刀 差不多三个月回本 我关心的不是「你也去买一堆 Mini」 是模型侧业务正在外溢成： 算力租赁 数据标注 小规模微调托管 钱不一定在最炫的大模型公司 也可能在帮它们擦边干活的人手里 当然这是个例 回本曲线取决于订单密度 别当理财说明书
把架构图画成可拖、可分享的图
现在有个开源 skill 直接干这事 名字叫 draw-architecture 你丢一段文字描述的系统架构 它吐一张像 Figma 一样的 canvas： 拖拽、缩放、点元件隔离看 一键导出高清 PNG 丢进文档/PPT 还能把链接甩给同事在图上留言 平时跟团队对架构 最烦的不是「画不出来」 是图画完就死了 别人只能看截图 这种「可交互 + 可讨论」才是协作资产
人的认知大概能看成七层
茫然无知 表面认知 数据认知 结果认知 真相认知 知行合一 逻辑认知 大多数争论发生在第 2、3 层 却以为自己在第 7 层 真正拉开差距的 往往不是信息多少 是你停在哪一层还愿意往下挖
AI Agent 开始碰真机了。
不是模拟器 是真 iPhone、真 Android 看屏幕、点按钮、滑动、打字、开设置 开源项目 Mobile Harness 把眼睛和手接到手机上 本地也能跑，云设备也能规模化 Agent 上一阶段主要在写代码 这一阶段开始用你手机上的 App
AI 在大仓库改代码，最怕的不是不会写，是猜不清「这个函数到底被谁调用」。
code-graph-rag 把整个 monorepo 用 Tree-sitter 编成知识图谱 你的问题翻成 Cypher 去查图 改代码走 AST，先出 diff 再落盘 不是再 grep 赌运气 是让 Agent 先看清结构，再动手
红杉合伙人 Konstantine Buhler 在 AI Ascent 2026：我们正从工业革命，进入认知革命。
体力劳动几乎已被机器接管；下一步是 99.9% 的认知运算也可能交给网络。 预测一：技能会像铝一样变便宜。 电解前铝比金贵；电解后用来包糖果。 AI 像电解：顶尖技能从稀缺变可随时召唤。 预测二：外星设计（Alien Design）。 算法设计的天线/芯片可能丑到反直觉，但更优。 未来最优解不一定长得像人类习惯的样子。 预测三：会出现一门「AI 的热力学」。 现在还在 tinkering；几十年后
别人的恶意，你一接，就变成你的情绪债；你不接，它更常变成对方的职业事故。
职场里最容易上当的是：被「好心补刀」当众点名，然后忍不住翻牌对线。 更高阶的应对往往是：不接话、不缠斗，继续交高质量结果。 真实路径通常不是「魔法报应」，而是：造谣者需要越来越多观众与同盟，成本上升，最终被协作系统踢出。 你的任务是别把自己变成第二案发现场。
Cloudflare 把内部用的 Cloudflare OS 开源了。
定位：全员 AI 工作平台——每人 Agent + 工作区，内建公司知识、流程与 Skills；能出文档、简报，甚至可分享的小 App；Gatekeeper 管权限。 值得逐帧研究的是：把「公司操作系统」而不是「又一个聊天窗」当产品。 仓库在第二条。
30B 的 agent 模型，宣称 24GB VRAM 就能跑？
Muse Glimmer 开源了（Apache 2.0，权重在 Hugging Face）：规划、工具调用、自检、失败恢复内建。 4-bit 量化把内存压到 20GB 以下，还留空间给 KV cache 与 drafter。 本周起可走 ollama / LM Studio / vLLM / sglang 等路径，也兼容 llama.cpp、MLX。 自架 agent 的门槛又下一截——真假强弱仍
做 AI Agent 最容易低估的，其实是聊天界面。
Streaming、重试、附件、代码块、Tool Call、用户确认……看起来只是 Chat UI，自己补一遍很耗时。 assistant-ui 把这些收成可组合的 React 组件，Tool Call 还能渲染成你自己的 UI。 更关键：不绑死后端，Vercel AI SDK、LangGraph、自建 API 都能接。 Vibe Coding 做 AI SaaS 时，我更想把时间花在 Agent
最近读到一个概念：resulting，来自 Annie Duke《Thinking in Bets》。
意思是：用结果好坏反推决策对错。她说这是最普遍、最有害的思维错误之一。 没系安全带却平安到家 ≠ 决策正确；系了安全带仍受伤 ≠ 决策错误。 我以前常做反：成了就觉得想对了，黄了就觉得想错了——其实是把运气当因果。 该拆开两个问题： 1）当时信息下，最好判断是什么，我差多远 2）结果如何 两者之间的关系，才是真学习。 好决策+坏结果最容易误杀正确方法；坏决策+好结果会让你越来越自信地做错。 好结果
最近几条观察，压缩给你：
1. AI 求职风向：有人在用 hermes 路线做作品集（注意合规边界，别踩泄漏源码红线） 2. FED 相关岗位/话题今明年可能更热 3. AI 产品经理越来越要求懂技术：前沿、论文、最好自己做产品；强工作流，弱纯交互壳 4. 创始人三件套：对技术走向的直觉、快速迭代、专注一件事挖护城河——最忌有钱后到处开花 想找到这种团队：每天扫信息（X+newsletter+顶会+开源），盯顶级机构投资名
微软开源了 Skill Recorder：你操作一次，它录全过程，再让 GitHub Copilot 整理成「意图 + 步骤」，生成可复用的 Skill / Automation，给 Agent 之后直接跑。
一句话：录一次示范，Agent 以后自己做。 支持 macOS / Windows。 仓库在第二条。
前阵子大家疯抢 Mac mini，是为了自己养一只 AI Agent。
现在剧情可能反转：Gemini Spark 这类产品上来后，「自己架虾」可能变成少数派。 Spark 能做的事很日常：定时任务、监控主题、Gmail 触发、整理 Docs/Sheets、建 Skill、接 MCP。 以前 Agent 更像工程师玩具；现在大厂在把它做成普通人的生产力按钮。 小龙虾不一定失业，但「人人自建 runtime」这件事，正在变贵、变可选。 真正差距会变成：你知不知道该把什么
来逆风说一句 DeepSeek V4 Flash（本地 MXFP4 / Mac Studio M3 Ultra / oMLX）。
我不是聊天玩玩，是直接塞进 Codex 当主模型跑完整 agent。 会写代码，但很难稳稳收尾：修 A 坏 B，还得再拉别的模型 review。 固定 100 题粗测（本地量化，不代表 API）： 编程 28/29 很好；完整集 75.5 一般；专案记忆 40% 差；工具流 66.7%、agent 规划 64.3% 不够稳；没图时还会捏造——这点危险。 结论：写 code 可以，当 Codex 主
普通人怎么变有钱？Codie Sanchez 那期播客的答案很扫兴：变闷。
真正攒下财富的人，不是一直追下一件事，而是把上一件事重复到本能。 重复带来复利；停一次，复利也停。 大脑爱新鲜（Shiny Object Syndrome），会把「不断开新坑」误当成进步。 其实每次换赛道，都是在把成功概率归零。 闷闷地赢，好过轰烈地输。
认知是判断力，心力是执行力。
而这两种东西，恰好，都是 AI 无法带来的。
两句不太礼貌的真话：
制度活得久 ≠ 制度对。 被喜欢 ≠ 你该长成那样。 前者是卡夫卡，后者是王尔德。写在备忘录里挺好。
你的技能文件存在公司代码库里，还是自己手里？
YC CEO Garry Tan 最近提了个挺尖锐的说法：个人积累的判断力和工作流，如果存在公司代码库里，会被无情榨取；存在自己掌控的仓库里，才是可携带、可复利的职业资产。 他把这套思路叫 Personal AGI——不是租外部大模型 API，而是搭建一个只属于你自己的智能体：读你的记忆，跑你的程序，随你使用越用越值钱。 四个支点：智能资产化、Markdown 即代码=生产力、Agent 行动能力
矽谷传统职位正在怎么改变？不是旧职位消失，是原本分开的职能在合并。
六条正在发生的转变： - Product Manager → 自己做原型、分析数据、用 AI 建工作流 - Frontend/全栈工程师 → 不只完成 ticket，要理解客户、对产品结果负责 - ML 工程师/数据科学家 → 从模型和 notebook，转向 Agent、RAG、部署、商业成果 - DevOps/SRE → 要懂 GPU、推理成本、模型服务、Agent orchestration
大多数人理解的 multi-agent，还停留在“多个 agent 轮流回答问题”。
Anthropic 这次开源的系统不是这个层级：员工管理、财务、采购，agent 之间互相分派任务，全程没有人介入决策链。 这才是 agentic workflow 该有的样子——不是给你一个能力更强的单个模型，是给一整套能自己运转的组织架构。值得花一小时拆解一遍。
MiniMax H3 8G 最低配：我们从装到出片跑完的全流程
--- 网上已经有 MiniMax 的「保姆级」了。这篇不重复那条路。 **这篇只干一件事：8G 显存最低配，我们从头到尾跑完的全流程。** 机器是 RTX 3060 Ti 8GB + 56GB 内存。能出什么规格、要等多久、开到哪一档会撞墙——全是这台机器上的实测，不是官方推荐表抄下来的。 MiniMax H3 是画面和声音**一次生成**的视频模型：环境音、音效、配乐和画面在同一次前向传播里一
很多人担心 AI 写代码“能跑但不专业”——变量命名乱、没测试、架构随手拍。
Addy Osmani（Google Chrome 团队）把这个问题系统化解决了：agent-skills 是一套面向 Claude Code、Codex、Cursor 的工程规范库，覆盖代码质量、测试策略、架构规范，相当于给 AI 装了一个资深工程师的习惯。 GitHub Trending 第二，83k+星，今天涨593，值得收藏备用。
一张图看懂开源模型的护城河：OpenCode 平台上，DeepSeek V4 Flash 的调用量是63,300次，Grok 4.5只有120次，差了500多倍。
原因很简单：DeepSeek 涨价后，OpenCode 没跟着涨，自己把 DeepSeek V4 Flash 部署了一遍，成本更低，额度还翻倍。 闭源模型涨价的时候，开源模型的用户可以直接绕过供应商——这才是开源真正的杠杆。