铃阅时讯
❌

普通视图

Agentic Harness Workflow 框架:把 AI Coding 变成工程化流程

2026年9月10日 18:00

原创 欢迎关注的 2026-09-10 18:00 北京

AI 编码的工程化实验:把开发拆成固定流水线,每阶段由专职子代理执行、主代理把关,配合状态落盘与人工门禁,让 AI 写代码从"碰运气"走向"可交付"。

。图片

点击蓝字,关注我们

图片

作者 | 李忠泽

导读 

introduction

把整段需求直接丢给 AI 写代码,结果越写越偏、中途断了还接不上?本文作者给出的答案是:别去造更聪明的 Agent,而是给 AI 编程套上一副"工程框架"。他自研的 Agentic Harness Workflow,把一次开发拆成需求澄清、方案设计、编码实现、审查验收、提交归档等阶段,每阶段交给一个只干一件事的子代理,由主代理统一调度把关,关键节点留人拍板;配合状态落盘,中断、换人、换工具都能无痛续跑。文末还附上了完整实战复盘与踩坑清单。

全文 8019 字,预计阅读时间 6 分钟

GEEK TALK

01

为什么需要 Harness

相信大多数开发者都亲身体会过,如果把一个真实需求一次性丢给一个长上下文 Agent,会面临如下几个问题:

  1. 上下文膨胀与结果漂移:需求、方案、代码、测试、日志全堆在一个上下文里,越到后面它越容易忘了前面说好的约定,慢慢偏离你最初想要的东西。

  2. 跳过必要的工程步骤:Agent 可能直接写代码,遗漏需求澄清、方案评审或测试设计。

  3. 过程不可恢复:会话被压缩、重启或中断后,很难可靠判断“现在在哪一步、正在等待什么、哪些任务已完成”。

  4. 自动化过程缺少人工门禁:没有明确的门禁和人工确认点,错误方向可能一路运行到最后,之后返工会消耗更多的人力。

所以我的思路是,不是"再造一个很聪明的 Agent",而是给 AI 编码套一副"工程框架"——把一个需求从提出到归档拆成一条固定的流水线,每个阶段交给一个只干一件事的 Sub-Agent,主会话 Agent 负责调度、管状态,并在每个要紧的地方停下来等人拍板。

GEEK TALK

02

三类应用拓扑对比

从概念上来讲,目前有如下三种结构:

我设计的这套 Harness:Workflow 为主,阶段级 Multi-Agent 协作,并保留 Human-in-the-loop。

注:这里并不是真正意义上的 Multi-Agent,只是目前 Coding Agent 工具,比如 Claude Code、Codex 等自带的 Sub-Agent 能力。

GEEK TALK

03

总体架构

3.1 一条完整的生命周期

一个需求沿固定顺序推进:

    init → specify → plan → tasks → test-plan → plan-review
      → implement → code-quality → e2e-run → human-acceptance
      → commit-push → archive 

    其中,implement → code-quality → e2e-run 是自动执行区;其余大多数阶段在完成后会停下来等待用户确认。human-acceptance 和 archive 没有独立 Agent,由 Manager 负责呈现、验收和收尾。

    3.2 CLAUDE.md:框架入口与项目知识库

    CLAUDE.md 在这套框架里承担两件事:一是框架的入口,二是项目知识库。

    一、框架入口。 Coding Agent 在会话开始时会自动加载 CLAUDE.md,这是整条链上唯一会被"自动"读到的文件。所以它本身不写任何流程逻辑,只做三件事:点明阶段流程、指向三份规则文件(流转表 state-graph.json / 通信协议 protocol.md / 状态字段说明 state-schema.md)、以及最关键的一句——主会话必须始终遵循 .harness/rules/manager.md。Manager 的行为准则、状态机字段含义、阶段次序,全都在那几份文件里;CLAUDE.md 只负责把它们挂上来,harness 就算 Ready 了。

    二、项目知识库。 Harness 本体是通用的,但它跑在什么项目上是特定的——有哪些代码库、怎么起服务、连哪个测试库、提交要建什么卡、代码库之间谁依赖谁。这些"项目事实"全部登记在 CLAUDE.md 的知识库索引里,目前分四块:

    这里有一个约定:只有Manager读 CLAUDE.md,所有Sub-Agent一律不自己读。 Manager 按当前需求的相关性,从知识库里挑出需要的片段,通过 input 的具名字段下发——比如把环境表相关内容装进 environment_knowledge 给 e2e-run,把建卡空间装进 icafe_space 给 commit-push,把文档链接装进 knowledge_refs 给 plan。

    这么设计有三个好处:

    1. 不让每个 Sub-Agent 都把整个知识库吞进上下文——它只拿到与自己这一步有关的那几行;

    2. Sub-Agent 保持通用——它只认 input 里的字段,不认某个项目的具体布局,所以换个项目只需要换一份 CLAUDE.md,agents/ 和 rules/ 一行都不用动;

    3. 知识变更只改一处——新增一个代码库就在表里加一行,不用去改十个 Agent 文件。

    还有一条是被实际测试坑出来的原则:不假设、缺就问。 不同代码库的配置位置和形态可能完全不一样(我们这里有一些服务的配置是在 conf/servicer/*.toml,但那不是通用规则)。某种意义上,CLAUDE.md 就是知识层插件:rules/ 是骨架、agents/ 是阶段,都是通用件。

    3.3 调度者:主会话 Manager

    这个 Harness 的核心是主会话 Manager。它一个人分饰三个功能:

    • 调度——决定这一轮该派哪个阶段的 Sub-Agent 执行,是往前走还是往回退。

    • 状态管理——它是唯一有权写 workflow-state 的人,也负责把需求在"进行中 / 挂起 / 已归档"几个目录之间搬来搬去。

    • 对话输出——Sub-Agent 只跟它用结构化协议对话,你只跟它用自然语言对话,两边的话都由它来转。

    Manager 有一条我设计的铁律:它只认 Sub-Agent 回传的那个结构化协议,不读任何产物的正文(spec、方案、任务、测试、报告),也不读业务代码。 它只从协议里取"结论"(通过 / 打回 / 要你确认),从状态文件里取"进度"。

    因为 Manager 从不把一堆产物正文和代码吞进自己的上下文,主会话才能在一个需求走完十几个阶段、来回折腾很多轮之后,仍然是轻的、稳的、不飘的。你要是问它"刚才那条结论为什么这么判",它也不会自己去翻代码回答你,而是把问题重新丢回给当初给出这个结论的子代理,让它来解释。

    这里的调度不是单靠 Manager 自己的理解,我们把状态之间的流转设计成了一张“图”,存放在了state-graph.json,这样 Manager 就很清楚的知道下一个阶段该是什么,并且每一个后置的阶段都可以回退到上一个阶段,这里是通过 Sub-Agent 的“建议”,以及 Manager 对于用户输入的理解判断,共同决定。

    3.4 执行者:阶段 Sub-Agent

    每个 Sub-Agent 有一个独立的 Agent.md 文件来控制这个 Sub-Agent 是做什么的。而每个阶段干什么、产出什么,列个表:

    每一个阶段都会通过定好的结构化输出协议来和 Manager 进行通信,Manager 会将 Sub-Agent 的输出整理呈现给用户,Manager 不用去读取每个 Sub-Agent 的阶段产物,只需要 Sub-Agent 定好一个对人可读性友好的输出即可。

    而且这里有一个小设计,就是将“裁判员”和“运动员”分开设计,不让 Agent 自己设计自己评估,分成两个阶段 plan 和 plan-review,由一个 Sub-Agent 进行技术设计,另外一个 Sub-Agent 进行评估,整体设计参考了对抗性的思想,但凡涉及到审查的环节(比如技术设计、测试),都需要挑战设计中的假设,而不是确认正常流程能跑通。

    3.5 状态机:workflow-state

    流程状态不依赖聊天记忆,而是落在每个需求目录的 workflow-state.json 中。最重要的字段包括:

    • current_state:当前阶段;

    • pending:当前等待点,例如等待前进确认、澄清、回退确认、人工验收、推送确认或 CR 评审;

    • states:阶段历史、状态和产物路径;

    • review_findings:门禁发现的问题及其应跳转的阶段;

    • loop 计数、涉及仓库、验收服务等运行数据。

    其实这个设计思想就是,我们不应该让 Agent 完全依赖本身自己的上下文记忆,应该有一个 Handoff 机制,我举个例子,如果你当前在用 Claude Code 做到某一个阶段,接下来由 Codex 接手,如果 Codex 不具备 Claude Code 的记忆,那么他其实并不知道当前执行到哪里了,而且尽管在同一个 Coding Agent 内部,如果他的上下文压缩了、Memory 清空或者开了一个新的会话,都可以继续接手执行。

    那么整体的交互如下:

    3.6 协议:protocol

    Manager 与每个阶段 Sub-Agent 之间只使用一个协议对象,它是一个双向协议:派发时由 Manager 填请求侧字段,返回时由 Sub-Agent 返回响应侧字段。两侧共用同一套字段约定。

      {
        "state":        "派给哪个阶段(Manager 填)",
        "user_message": "用户这一轮的原话(Manager 填)",
        "input":        { "本阶段所需上下文(Manager 填)": "..." },
        "status":       "ok | needs_input | fail(Sub-Agent 填)",
        "output":       { "结构化结果(Sub-Agent 填)": "..." }
      }

      逐个说明:

      注:protocol.md、各阶段模板、业务代码,都是 Sub-Agent 自己读的,不由 Manager 传。

      3.6.1 请求侧:input 

      各阶段的input专属 Key 是提前定义好的,这也是"Sub-Agent 保持通用"的关键:

      请求侧三个字段:state 是派给哪个阶段,user_message 是用户原话逐字透传,input 是这一阶段需要的上下文。input中每个阶段的 Key 由 manager.md 的调度规则定义。

      而且协议里有三个通用可选 Key,只在特定情形出现:

      3.6.2 响应侧:status  + output 

      响应侧只有三种 status:

      • ok —— 这一阶段做完了,等用户确认后前进;

      • needs_input —— 没做完,需要人介入(多轮澄清、环境卡住、或要回退到上游补东西);

      • fail —— 阶段失败,output.next_state 给出建议打回的目标(比如 e2e-run 不过 → implement)。

      output 里有四个通用字段(几乎每个阶段都有),加上各阶段自己的小字段:

      个别阶段的output也有自己的专属 Key:

      注:响应侧的信息会包装在一个control-result里面,这是让阶段 Sub-Agent 结构化输出,Manager 去解析的一个规则。

      3.7 执行到测试的 Loop Engineering

      之前 Codex 发布了/goal这个命令,实现一个需求,直到 Agent 做完它才会停止,后面也推出了 Loop Engineering 的概念,我的这里其实也参考了这个 Loop 的设计。

      Agent 可以自动连续完成“implement 写代码 → code-quality 静态审查 → e2e-run 跑系统测试 → implement 定向修复”,但自动化不是无限循环。我给每条自动修复的循环都设了次数上限,达到阈值后还没过,就停下来把问题呈现给用户,让用户三选一:继续修、直接放行、或者有疑问要阶段 Sub-Agent 解释。

      3.8 阶段回退:判根因、过门禁

      这套框架里所有回退都走同一套机制,不管触发它的是谁:

      1. 用户主动推翻上游(做到 plan 才想起需求说漏了);

      2. 下游 Sub-Agent 报出上游缺口(test-plan 发现 plan 没定义接口路由,写不出可执行用例);

      3. 门禁打回(plan-review 审出问题,指向最早出问题的那个阶段);

      4. 自动执行区的测试打回(code-quality / e2e-run 不过 → 回 implement)。

      人工验收不通过、或者 CR 评审有意见时,Manager 照一张固定的映射表判目标:

      回退的目标阶段必须在流转表 order 里位于当前之前,且在这个需求的历史里已经真正完成过。这防止"回退"变成乱跳。

      校验通过、用户确认之后,Manager 在同一次写入里完成状态转移:当前阶段落终态、目标阶段由"已完成"改回"进行中"、current_state 指向目标阶段,并把刚才那个回退原因作为 rollback_reason 放进目标 Sub-Agent 的 input,让阶段 Sub-Agent 知道这次回来要做什么、补什么。

      这里有个细节:等待用户确认的期间,当前阶段一直是"进行中",终态只在真正转移的那一次写入里才落到状态及文件。 "已完成"严格意味着"用户已经拍板、流程已经离开它",绝不在等确认的时候提前写。这是为了让冷启动恢复时状态永远是正确的,任何时刻至多一个阶段处于"进行中",且它必然等于 current_state。

      3.9 Human-in-the-loop:人需要确认的地方

      状态文件里有一个 pending 字段,它表示的是每个阶段都要停下来等人拍板,每一个类型都明确记着"在等什么、用户确认后去哪个阶段":

      GEEK TALK

      04

      从 Worktree 到验收:多需求如何具备隔离性的工作

      4.1 工作目录结构

      Harness 工作空间目录结构

        <工作目录>/                              ← 主会话(Manager)的 cwd
        │
        ├── CLAUDE.md                            ← 框架入口 + 项目知识库索引
        │                                          (环境表 / 研发流程 / 依赖顺序,Manager 从这读取作为 input 下发)
        ├── .mcp.json                            ← MCP 服务(Playwright,给 e2e-run 跑前端)
        │
        ├── .harness/                            ← ★ 框架主目录
        │   ├── rules/                           ← 规则与模板("插件"里的规则层,可替换)
        │   │   ├── manager.md                   ← Manager 规则(always active,主会话必遵守)
        │   │   ├── protocol.md                  ← 通信协议(协议结构 + message 话术规范)
        │   │   ├── state-schema.md              ← workflow-state.json 字段与状态置位时机
        │   │   ├── state-graph.json             ← 流转表:order(阶段次序)+ next
        │   │   ├── spec-template.md             ← ↓ 各阶段产物模板
        │   │   ├── plan-template.md
        │   │   ├── tasks-template.md
        │   │   ├── test-plan-template.md
        │   │   ├── plan-review-template.md
        │   │   ├── code-quality-template.md
        │   │   └── e2e-run-template.md
        │   │
        │   ├── active/<index>-<slug>/           ← 正在做的需求,全局至多一个
        │   ├── process/<index>-<slug>/          ← 已开始、挂起的需求
        │   ├── archived/<index>-<slug>/         ← 已完成归档的需求
        │   └── worktrees/<index>-<slug>/        ← 本需求的 git worktree 根
        │       ├── <仓A>/                       ← 每个涉及仓一个子目录(implement 在此施工)
        │       └── <仓B>/
        │
        ├── .claude/
        │   ├── agents/                          ← ★ 阶段("插件"里的阶段层,加/删/改即改流程)
        │   │   ├── init-agent.md
        │   │   ├── specify-agent.md
        │   │   ├── plan-agent.md
        │   │   ├── tasks-agent.md
        │   │   ├── test-plan-agent.md
        │   │   ├── plan-review-agent.md
        │   │   ├── implement-agent.md
        │   │   ├── code-quality-agent.md
        │   │   ├── e2e-run-agent.md
        │   │   └── commit-push-agent.md
        │   │                                    ← human-acceptance / archive 无 agent(Manager 自己管)
        │   └── skills/                          ← ★ 可插拔能力("插件"里的能力层)
        │       ├── huibo-test-mysql/            ← 连测试库
        │       ├── huibo-test-redis/            ← 连测试缓存
        │       ├── icafe-card-assistant/        ← 建 iCafe 卡
        │       ├── icode/                       ← 建远程分支 / 推 CR
        │       └── get-ugate-token/
        │
        ├── <业务仓A>/                            ← 主仓(各自独立 git 仓;顶层不是 git 仓)
        └── <业务仓B>/

        单个需求目录(<index>-<slug>/)内部

          .harness/active/<index>-<slug>/
          ├── workflow-state.json                  ← ★ 状态文件(Manager 独占写)
          │                                          current_state / pending / 各阶段 status /
          │                                          repos / skip_gates / acceptance_services /
          │                                          review_findings / 三个 loop 计数
          ├── spec.md                              ← specify 产物
          ├── spec_user_message.md                 ← 用户原话存档(抗上下文丢失)
          ├── plan.md                              ← plan 产物
          ├── plan_user_message.md                 ← 用户原话存档(抗上下文丢失)
          ├── tasks.md                             ← tasks 产物(可勾选清单)
          ├── test-plan.md                         ← test-plan 产物
          └── reports/                             ← 审查与测试报告
              ├── plan-review.md                   ← 惰性:只有打回过才产
              ├── code-quality.md                  ← 每轮追加
              ├── e2e-run.md                       ← 每轮追加
              └── screenshots/                     ← e2e-run 前端 TC 的 Playwright 截图
                  └── TC-003-xxx.png

          4.2 需求空间隔离

          我们设计这个框架,本质是希望可以兼容多需求并行的场景,所以这里的设计是用了git worktree,在Implement阶段之前,Manager 根据 tasks 阶段产出的仓库集合,为每个业务仓建立同名特性分支和独立 worktree。实现、静态审查和 e2e 都复用同一 worktree;修复轮不重建,归档时才清理。这样就让多个需求之间完全隔离,我们的根目录下面,只需要有全部的代码库,而且每个代码库都及时同步 master 分支保证最新的代码,每个需求会根据当前最新代码新建git worktree,而且每个需求下都有自己的workflow-state.json及阶段产物。

          这个设计有三个直接收益:

          1. 主工作区不被临时产物污染;

          2. 代码审查看到的是同一份改动,而不是每轮重新推导的快照;

          3. 中断或回退后可以继续已有任务,已勾选的 task 不需要重复执行。

          4.3 提交代码的依赖关系

          commit-push 分为两段:

          1. prepare:整理改动、建立 iCafe 卡、生成提交确认表;

          2. execute:用户确认后才真正 commit、push 和创建 CR。

          CR 评审由人工完成,Harness 只根据评审结果继续下一层或归档,不代替评审者合入主分支。归档阶段负责停掉验收服务、迁移需求目录、删除 worktree 和已合入分支。

          多仓代码库一般会有一个公共库的设计,这样避免同一份代码文件散落到不同代码库中需要多份维护,所以我们在commit-push做了一个特别设计,我们的代码库依赖关系会写到CLAUDE.md,Manager 会把这部分内容带给commit-push ,commit-push会先提交依赖代码库的 CR,然后等待用户反馈是否合入(因为目前 icode CR 还需要人工 +2,或者如果有 Skill 能直接去 icode 拉取评分,这块可以改成自动化),合入了之后,会派发implement去修改其他代码库的依赖关系(比如go get xxx@latest),这里有一个设计就是在implement阶段加了一个可选 Key skip_gates,这样刚才介绍的“执行到测试的 Loop Engineering”  就可以只执行然后直接跳过测试(因为本身也存在一些自测需求或者小的改动,不需要进行复杂的 e2e 测试)。等这部分准备好后,commit-push 会继续提交其他仓的 CR。

          GEEK TALK

          05

          DeepSeek Harness:"Everything is a Plugin"

          DeepSeek Harness 是 2026 年 8 月开源的一套 Agent 框架(MIT 协议,命令行叫 dsh),它最核心的一句话就是 "everything is a plugin"(一切皆插件):模型、工具、技能、会话、沙箱、存储、循环、调度、连 UI,全都是可以随意替换的插件;甚至驱动每一轮对话的那个 agent loop 本身,也是一个能从配置里换掉的插件。它的哲学被总结成一句很妙的话——"从一个已经能用的完整 Agent 出发去替换零件,而不是从一堆零件出发去攒一个 Agent"。底层它还有一条 append-only 的会话日志,resume、fork、replay 都基于这条事件流。

          在这几个月我逐渐研究 Harness Engineering 的时候,我觉得这个东西也应该是一个“框架”,如果这个 workflow 实现了,那么其中所有的“组件”,不管是需求澄清还是实现代码的 Agent 都可以被替换,用户也可以根据自己的设计添加 Hook、Tools、Skill 包括 CLAUDE.md,这些“组件”都可以根据业务自身去做定制化,包括这套设计,中间是一个极简、几乎不动的核心(Manager),外面的一切都是可以替换、可以定制的"文件插件"。

          具体到能换什么:

          • 每个阶段都是插件。 一个阶段就是一个 markdown 定义的 Sub-Agent 文件。你想改某个阶段的行为,就改那个文件;想加一个新阶段(比如插一道"安全审计"),就加一个 agent 文件、在流程表里排上;想去掉某个阶段,删掉就是。

          • 能力(skill)是插件。 查库、连缓存、建 iCafe 卡、推 iCode CR、用 Playwright 驱动浏览器……这些都是按名字挂上去的可插拔技能。

          • 规则和知识是配置。 通信协议、流程次序、状态字段、各阶段模板、以及项目知识库(哪些仓、怎么起服务、连哪个库),全是框架外的文件。流程次序想调整,就改流程表那个文件;换个项目,就换一份知识库,核心逻辑照旧。

          • 进度也是可恢复的。 前面说的"状态全落盘",本质上和 DeepSeek 那条 append-only 会话日志是同一个诉求——让流程能被恢复、被接续。

          当然也有不一样:DeepSeek Harness 是个通用的 Agent 运行时,连 agent loop 都能换;我这套是专门为"编码这件事的生命周期"定制的、带固定阶段流水线的 Harness。但在这条流水线内部,阶段、能力、规则、知识确实都是可替换、可定制的插件——Manger 极简、阶段技能皆可换,这一点是共通的。

          GEEK TALK

          06

          一次真实的冒烟测试

          我按一个真实需求,把整条流水线从头到尾跑通的记录。我特意覆盖了各种路径:正常前进、多轮澄清、中途改需求回退、门禁打回后逐级复审、自动执行区的打回-修复循环、冷启动恢复、提交建 CR、最后归档。这是一张总览:

          具体耗时:

          GEEK TALK

          07

          还没解决的问题,和接下来想做的

          跑下来也踩到不少坑,如实记在这儿,也是后面要改的方向。

          1. Sub-Agent 每轮都在重新加载上下文。 那些需要多轮澄清的阶段(比如 specify、plan),子代理每一轮都得把它默认要读的那批东西重新加载一遍,挺浪费。想法是复用类似"Sub-Agent 会话 ID"的机制,这一点其实我发现在使用 Claude Code 的时候,如果在某一阶段,提问类话术,Manager 会自动找到上一个 Sub-Agent 的会话 ID 继续,让同一阶段的多轮交互延续同一份上下文,而不是每轮重来——这其实也是 Multi-Agent 架构可以解决的,只是现在的调度还没做到这一层。

          2. plan 阶段没有搜索边界,容易超时。 plan 实测跑到过一个小时,严重超时(这里声明不是每次,而且有的时候是模型首包延迟过长)。plan 的活确实需要读代码,但现在的规则只是让它"自己去 Grep/Read",没划边界。得给它补上知识库,利用渐进式索引,让 Agent 能快速定位、定位的准、读得少,本次允许读哪些仓、最多翻多少文件、调用链最多追几层、多久没收敛就该停、范围太大时该反过来问用户什么。

          3. 产物和状态不是原子完成的。 实测碰到过:test-plan.md 已经在、也标了 Ready,但重新进流程时 Manager 很难判断——文件到底完整不完整?是 Sub-Agent 其实做完了只是结果丢了?该不该覆盖?能不能直接往下走?得把"写产物"和"改状态"做成原子的、可校验的一步,重入时才能可靠判断某阶段到底完没完成。

          4. Manager 越界替用户答疑。 审查类阶段(比如 plan-review)会把打回结论和理由抛给用户;用户一有疑问,Manager 有时会自己跑去读代码来解答。这其实破了"Manager 不读正文/代码"的规矩,正确做法是把疑问回灌给出结论的 Sub-Agent 去解释(这条后来已经在规则里收敛掉了,经过几次测试发现不会产生)。

          5. 前端设计需要更多能力兜底。 研发自己做页面,难免缺前端设计的详细描述,又不能全交给 AI 自由发挥。我实测第一次 AI 设计的界面就过度复杂了——功能是实现了,但交互和样式都不够简洁。这块可能得让前端或设计介入,提供一些前端实现/设计规范类的 Skill 来约束。

          6. 云端 memory 的自进化还没做。我理想中的 Harness Engineering,应该是每跑完一次流程,就把这次遇到的实现问题、测试 bug 沉淀下来——我之前看到过一个说法大概是这个意思,面对 bug,第一优先级不该是让 AI 去想"怎么修这个",而是"怎么让下次不再产生"。现在虽然跑完会往本地 memory 里存,但换台机器这部分就丢了,得做一个云端共享的 memory,让经验能跨机器、跨会话攒起来,真正形成自进化的闭环。

          7. 工作目录的结构设计对团队使用不友好。目前虽然我将所有内容都放在了一个 git 仓库,但是使用却不是这么用的,曾经看了其他团队的文章,使用了git submodule的方式,本项目的这个设计放在 git 上是作为云端存储,在本地,当前工作空间的根不能是一个 .git 目录,后续应该维护成一个团队友好的 WorkSpace 目录。

          8. 未建立完善的线上运行的可观测性日志与监控。现在框架的产物其实只有两类:一是各阶段的产物与报告(spec / plan / 审查报告 / 测试报告 / 截图),二是状态机文件里的状态快照(当前在哪、在等什么)。这两样可以做到"单个需求怎么走完的",但无法观测某个阶段是否执行的正确,调用链路、读取内容是否符合预期,就跟传统线上业务,需要有监控、日志、报警一样,Agent Workflow Framework 同样需要具备这些能力(可以自定义 Hook 或者 Coding Agent 内部的 Hook 去采集)。

          跳转微信打开

          DeepSeek V4.1 Flash:更强、更快、更普惠

          2026年9月10日 13:44

          原创 深度求索 2026-09-10 13:44 北京

          原生多模态,全新基座模型

          今天,我们正式发布 DeepSeek V4.1 Flash 模型。这是我们全新模型结构系列中的最小尺寸的模型,具备原生多模态视觉理解能力。新模型结构的设计初衷是:能力上限更高、推理速度更快、吞吐更大、可扩展到更大参数模型。

          非对称模型结构,小成本大智能

          DeepSeek V4.1 Flash 为 552B 参数的 MoE 模型,采用了全新的 Causal-Encoder-Decoder 结构,输入和输出不对称,输入激活只有 8B,输出激活 16B,成本显著低于已知的同尺寸模型。同时,V4.1 Flash 还采用了新的预训练方式、经过了更大规模的强化学习后训练,在基准测试中,成功超越了包括 DeepSeek V4 Pro 在内的一众旗舰模型的智能水平。

          DeepSeek-V4.1-Flash 与主流前沿模型在 Agentic Benchmark 上的性能对比

          更少缓存,更省成本

          新一代模型大幅减少了 KV Cache 缓存的大小,与上一代模型相比,对 HBM 的需求减少到 1/4,对 SSD 的需求减少到 1/8。在 Agent 使用场景中,缓存命中的费用往往占比较高,对 KV Cache 的压缩大幅降低了 Agent 类任务的使用成本。

          如图展示了 DeepSeek 在减少上下文存储方面的持续进展。相对于初代模型,KV Cache 已经缩小了 437  倍。

          API 支持

          DeepSeek V4.1 Flash 已同步上线 DeepSeek API,原生支持多模态,将模型名称更改为 deepseek-flash 即可调用最新的 V4.1 Flash 模型。旧版本模型 V4 Flash 与 V4 Flash Vision Exp 现已下线,出于兼容考虑,模型名 deepseek-v4-flash、deepseek-v4-flash-vision-exp 将被暂时路由到 V4.1 Flash。

          同时,经多方测试,V4.1 Flash 在性能、费用、速度、总用时等各项指标上已全面超越 V4 Pro,因此我们计划有序下线V4 Pro 模型。北京时间 2026 年 9 月 14 日 12:00 之后,至未来 V4.1 Pro 上线之前,用户访问 deepseek-v4-pro 的请求将全部路由到 V4.1 Flash,并按 V4.1 Flash 单价计费。

          腾讯(WorkBuddy、CodeBuddy)和 OpenCode 作为官方合作伙伴,现已全量接入 DeepSeek V4.1 Flash,欢迎使用!

          API 定价调整

          得益于模型架构的创新,DeepSeek V4.1 Flash 能够以更低的成本服务更多的用户,因此我们相应下调了 V4.1 Flash 的定价。同时,为了更合理地调配资源,我们仍然采用峰谷定价,闲时价格为高峰时段价格的一半,鼓励用户根据实际使用情况调整任务时间。新价格于 2026 年 9 月 10 日 12:00 开始生效。

          模型开源

          我们将会全力支持开源社区进行新模型的推理适配,并尝试通过各种方式扩大部署的范围。如果您有大规模部署的需求且具备相应的资源(2k 卡 GPU、有存储集群),欢迎与我们联系。

          图片

          跳转微信打开

          止盈计划

          2026年9月10日 13:39

          原创 也谈钱 2026-09-10 13:39 德国

          最近常被问到,现在是不是牛市中后期了,应该如何考虑止盈计划

          目前大家看的是牛尾行情,有止盈或者提现的计划吗?

          现在是不是到牛市中后期了,要把手上的基金全部清掉吗,还是用方式什么判断是不是到高估了。

          分享几个我自己比较喜欢的思路,供大伙参考:

          主动基金,可以看偏股基金指数 3 年滚动年化收益达到 20~30%,目前是 10%,还有空间。

          选择主理人有明确止盈计划的投顾,这样就不用自己操心了,可以一直拿着。投资不是越折腾收益越高,有些时间花在工作和生活上更有性价比。

          海外资产,可以不止盈,定期再平衡为主。尤其投资海外成熟市场的基金,波动率比较低,止盈的意义不大。

          1、

          先说可以不止盈的情况。

          大伙如果习惯在 A 股投资,容易有必须止盈才能留住利润的思维惯性。但实际上,止盈是有前提的。股票市场越成熟、波动越小,止盈的价值越低,甚至会拖后腿。

          假设一个极端情况,某笔投资没有波动,就稳稳每年涨 6%,就任何时间都不该止盈。

          所以如果资产波动比较低,比如投向美股、欧股的 QDII 基金,我更倾向不止盈。重点关注自己什么时间用钱,平时再平衡,用钱前 3-5 年开始分批变现即可。

          这方面也有统计数据。

          在 A 股过往规律很明显,估值越高,后面几年预期收益越低。

          但换到美股,有知有行做过一组历史回测:在不同估值时买入标普 500,再持有 8 年。结果发现,高估时买入,相比正常估值买入,并没有明显更差 👇 这也是我不愿意仅仅因为「感觉贵了」,就卖出美股宽基指数的原因。

          大伙可以观察下,美国写给普通人的理财书几乎不讲止盈,都是定投然后一直拿着,最多定期再平衡一下。直到用钱前几年。朴实且枯燥。

          反过来波动越大,高点越高、低点越低,高点会透支未来涨幅,止盈才有意义,能帮我们留住利润。

          过去几年,投资 A 股的伙伴经常后悔「当初应该止盈的,现在利润都吐回去了」。而买过美股的伙伴经常后悔「当初不该卖的,错过这么多收益」。

          2、

          说两个我比较认同的止盈思路。

          相对容易估值的资产,比如指数基金,可以参考 PE 市盈率、PB 市净率和股息率来估值。

          举个更贴近生活的例子,来说明它们都是什么意思。

          假设你想盘下楼下的早餐店。算了一笔账,店铺+设备+存货,减去贷款,净值 50 万,早餐店每年净赚 10 万。老板开价 60 万,想把整家店卖给你。

          市盈率 PE 就是 6 倍:花 60 万,买下一门每年赚 10 万的生意。相当于付了它 6 年利润的价钱。

          市净率 PB 就是 1.2 倍:花 60 万,买下账面值 50 万的净资产。

          每年赚到的 10 万,不一定全能拿回家。假设一半留在店里,更新设备、周转经营,一半拿回家,每年就是 5 万。

          股息率就是 5 ÷ 60 ≈ 8.3%:相对于买店花的钱,每年有多少现金分到你手里。

          同一家店,如果盈利、净资产和分红都不变,老板把报价从 60 万涨到 100 万,PE 就从 6 倍变成 10 倍,PB 从 1.2 倍变成 2 倍,股息率则从 8.3% 降到 5%。

          如果你是买家,肯定希望卖家开价越低越好,也就是希望 PE、PB 低一些,股息率高一些。

          如果后来又有人想买你盘下的早餐店,那你肯定希望对方报价越高越好。所以希望 PE、PB 高一些,股息率低一些。

          虽然还有很多细节没有考虑,比如早餐店今年赚 10 万,未来能不能一直这么赚;店铺净值 50 万,但会不会有价无市,卖不出去……但总的来说,这就是估值基本的逻辑。

          ……

          但也有些资产没那么容易估值,比如主动基金。没法实时知道基金经理持有什么、持有多少,这种情况我更倾向于看历史规律。

          比如回看前几轮行情,代表主动基金的偏股基金指数相比底部的涨幅,我认为值得止盈的大行情,都有 100% 以上的涨幅 👇

          可以参考历史规律再打个折,来做止盈计划。

          主动基金我看的就是这类指标——偏股基金指数三年滚动年化收益,以往达到 30% 就是高点了。可以考虑从 20% 开始分批止盈。

          大伙可能会问,如果计划是 20% 开始止盈,结果涨到 19% 就跌回去,那不怕拍断大腿吗?

          对此我是这么想的:

          如果止盈是为了以后低价买回来,那卖出只做了一半,还要考虑什么时候买回来。卖得合适、买得回来,两件事都做好,比单纯卖出更难。只有涨得足够高,未来低价接回来的空间才足够大。如果跌了 20% 就触底反弹重新上涨,底部我们可能觉得「还要跌,再等等」,很难买回来。

          所以最好等明显高、甚至离谱高再行动。否则就继续拿着,哪怕被说「如果你当时卖了,现在就…」。总想着卖,就拿不住大部分涨幅。总想着回本就卖,就总在回本。

          3、

          也说一个很普遍,但我不太认同的止盈方式——「赚到 XX% 我就卖出」。

          举个有点极端、但很好理解的例子。

          假设现在金价 1000 元/克。一天晚上,朋友急需用钱,但这时候金店都关门了。他等不到明天,愿意每克 500 元卖给你(别怀疑,你就是有这么好的朋友)。

          你买了。

          后来另一个朋友听说了,愿意出更高的 750 元。你要不要「赚了 50% 我就卖」,赚 50% 已经很知足了?

          你大概率不会,因为等到第二天金店开门,就能卖到 900 多。

          假设情况反过来,你被人忽悠了,1000 元金价,你 1100 买的。这时候有个更傻的,愿意 1200 从你手里买走,你要不要「等赚 20% 再卖」?

          现实情况比这个更复杂,不像金价,我们很难准确估计手里的基金当前值多少钱。但根本问题在于——赚多少取决于买入价格,这和该不该卖是两码事儿。

          所以我还是更倾向于前面的估值方法,去模糊判断目前「金价」是多少,而不是自己目前赚了多少。

          4、

          止盈前,还有个问题值得提前想一想:卖出来的钱,准备干什么?

          不然容易拿着投资时想卖,变成现金后又觉得烫手,再到处问:“现在手里有一笔钱,应该怎么配置?”

          如果这笔钱要拿去消费、改善生活,那很好,投资完成了它的任务,投资就是为了更好地生活。但如果它依然是笔长期闲钱,卖出以后,我们还得继续打理它。

          因为怕跌而卖出,又因为怕错过而买入,很容易折腾一圈,回到原来的位置。

          所以我会尽量在卖之前,先想好这笔钱的下一步。留作生活费、降低风险、等待便宜,或者换入更合适的投资,都可以。关键是想清楚,为什么这么做。

          换个角度看,很多投资之所以一直拿着,也是因为如果变成现金,我还是想买它们。

          5、

          因为未来无法预测,我们很难找到一个完美的止盈计划。

          没卖,跌了,会后悔当初没止盈;卖了,继续涨,会后悔跑得太早。卖掉一半,涨了嫌卖多了,跌了嫌卖少了……总能事后找到一个「当初那样做就好了」的更优解。但做决定时,我们并不知道后来会发生什么。

          所以制定止盈计划时,我会尽量把几种可能都想一遍:继续涨怎么办,跌回去怎么办,卖完一直等不到买回的机会又怎么办。

          把各种后悔遗憾放在一起比较,选一个总体上后悔最小、自己能执行下去的方案。

          比如对我来说,没到止盈条件就跌回去,虽然会遗憾,但这笔钱暂时不用,我愿意继续持有。反而如果早早卖掉,后来错过收益、一直买不回来,可能更让我难受。所以我的计划会倾向于多拿一会儿,等明显高估再分批行动。

          大伙的用钱时间、承受能力不同,选出来的方案也可能不同。

          最理想的情况是,即使后来发现“当时换个做法会赚得更多”,也能坦然说:考虑到当时知道的信息和自己的情况,这个结果我也可以接受。 

          跳转微信打开

          The Batch: 982 | 法律、新闻和金融领域的定制模型

          2026年9月10日 12:45

          原创 DeeplearningAI 2026-09-10 12:45 北京

          Hi~新朋友,记得关注我们哟

          Thomson Reuters推出了一个专有的大语言模型系列,名为 Thomson。它基于 Qwen 模型构建,采用定制的数据工程和重新训练流程,旨在比通用 LLM 在法律和金融等领域提供更准确、更完整的回答。

          ● 最新消息:公司将 Thomson 构建为一个领域专用模型,专注于法律、商业、税务、金融、新闻及相关知识工作领域。Thomson 将首先部署在Thomson Reuters现有产品之一 CoCounsel Legal 中,这是一款用于研究、分析和起草文档的工具。之后,它还将扩展到其他Thomson Reuters产品上(未公布日期)。

          ✴ 输入/输出:文本输入(最多 262,000 token),文本输出

          ✴ 架构:专家混合(Mixture-of-Experts)Transformer,3970 亿参数,每个 token 激活 170 亿参数

          ✴ 性能:Thomson-1.0-Large 在税务、法律和新闻内容上的完整性与事实性方面都略微优于 GPT-5.4 和 Claude Sonnet 5;在开放网络内容的事实性上,两者都高出约 15 分;Thomson-1.0-Small 也同样优于 Gemma4-31B 和 Claude Haiku 4.5。

          ✴ 可用性:仅面向企业客户。

          ✴ 权重/许可:Thomson-1.0-Large 是专有模型,但一个 350 亿参数版本 Thomson-1.0-Small 将作为开源权重模型在 Hugging Face 上发布,供学术和非商业用途使用

          ✴ 未披露:价格

          ●工作原理:公司在 Qwen3.5-397B-A17B 之上构建了 Thomson-1.0-Large,后者是一个经过指令微调的开源权重模型。它采用了研究人员所称的“持续学习”(Continual Learning)方法,即结合全权重中期训练和微调,并在公司大型数据语料库的一个选集上进行训练。公司在新闻稿中披露,其三个月内的总训练成本为 4000 万美元。

          ✴ 研究人员重新对齐了 Qwen,使其更好地反映公司的风格与价值观,包括新闻客观性。他们通过直接偏好优化(DPO)将模型对齐到一套宪法。该宪法是开源的,可用于类似项目的适配或修订。

          ✴ 为了获得领域专业能力,Thomson Reuters及其合作伙伴 DatologyAI 从 19 万亿 token 的候选池中整理出一个 2000 亿 token 的中期训练数据集。训练数据大致由三部分组成:精选的专有文档(新闻、监管文件、判例法、合同)、成功专业任务的合成数据对,以及选取的通用能力材料。

          ✴ 研究人员使用 DPO 对模型进行了最终一轮对齐训练,并提升了智能体式深度研究中的准确性和效率。他们还使用组序列策略优化(GSPO)来管理上下文压缩和文档缓存,以避免上下文窗口过载或触发冗余 API 调用。

          ✴ Thomson-Small-1 采用类似方式训练,基座模型为 Qwen3.6-35B。

          ✴ 公司强调其以数据为中心的流程,以及对齐、中期训练和后训练方法的组合。公司表示,未来版本的 Thomson 可能会使用替代基座模型——或许是 Inkling Large ——同时会使用比目前 Thomson Reuters 语料库 10% 更大的数据集进行训练。

          ● 新闻背后:Thomson Reuters 长期以来一直在其面向法律和金融专业人士以及政府机构的产品中使用 AI,但其最新的 AI 产品是首个 LLM。公司正承受来自 Harvey 和 Legora 等新兴 AI 原生公司,以及来自 OpenAI、Anthropic、Google 等提供多种产品替代方案的通用 LLM 和智能体的双重压力。

          ✴ Thomson 的聚焦程度不如 Harvey 的新法律模型 Tenet 那么狭窄,但其数据语料库更大,涵盖新闻、商业、税务和金融。公司还表示,Thomson 在特定基准上的表现聚焦度也较低,其中包括 Harvey 颇受欢迎的 BigLawBench 和 LAB(Legal Agent Benchmark)。

          ✴ CoCounsel Legal 是一款 AI 助手,利用专有信息以及用户自己的文档来执行法律任务,例如研究问题、比较文档以及创建事件时间线。Thomson 现在将成为 CoCounsel 内部某些功能的底层模型,而其他功能则仍将依赖包括 Anthropic Claude 在内的专有模型。CoCounsel 各个版本的价格未公开,但公司声称该产品拥有超过一百万客户。

          ●重要原因:Thomson 论文作者认为,他们面向领域特定 LLM 的方法代表了一种特殊形式的主权 AI,但这是企业层面而非国家层面。Thomson Reuters 不会把数据交给更大的 AI 公司并受其基础设施与数据保留政策约束,而是将模型授权给在自有硬件上运行这些模型的公司,从而确保敏感数据永远不会离开本地。此外,其模型还可借助 Thomson 的中期训练方法,在企业私有数据上进一步训练,而无需承担预训练的高成本,也不必依赖像 LoRA 这样成本较低但效果相对有限的微调方法。

          ● 我们在想:模型定制对于广泛的 AI 应用来说仍然是一个令人兴奋的前景,而开源权重模型的日益普及为团队试验这些模型奠定了重要基础。不过,像Thomson Reuters 这样的公司仍需向客户证明,鉴于性能提升相对有限,它们的产品值得这个价格。

          点击下方阅读原文查看更多有趣内容哦~

          阅读原文

          跳转微信打开

          大数据技术专家是如何练成的:大数据助手 Agent Team 实践

          2026年9月10日 12:00

          原创 爱奇艺大数据团队 2026-09-10 12:00 北京

          面对跨计算、存储、调度和平台的复杂问题,我们通过 Agent Team 让多个领域智能体分工协作,探索更及时、更高效的大数据服务支持方式。

          01#

          为什么需要大数据助手

          爱奇艺大数据体系涉及 20 多个服务及相关开发分析平台,日常的使用咨询和问题排查比较多,占用大数据团队大量人力。例如,用户常问的“这个 Spark 任务为什么失败了”“这个 Flink 作业为什么重启了”“StarRocks 查询为什么变慢”,运维人员需要读对话上下文、查询平台数据、检索日志和告警、分析指标,再结合历史处理经验,最后才能总结出问题原因。更复杂的是,问题出现在哪一层,并不代表根因就在哪一层:一个计算任务失败,可能与任务调度、数据存储、网络环境或下游系统有关,需要多个技术领域共同对齐时间线和证据,处理周期也会随之变长。

          这些问题的排查有一套常用流程和工具,我们曾将其固化为基于规则的自动化工作流,但真实故障现场往往信息不完整,涉及多个服务,排查路径还需要根据中间结果不断调整,预设规则难以完全覆盖。AI Agent 适合处理这类任务:它能够围绕排障目标分析当前线索,自主选择和组合工具,并根据执行结果修正判断、推进后续排查。因此,我们设计了“大数据助手”,将不同领域的服务接口、自动化工具,以及分散在文档和专家经验中的知识沉淀为可复用能力,再由多个领域 Agent 分工完成跨服务问题的联合排查。

          我们的目标不是用 AI 替代技术专家,而是让常规信息收集、证据关联和初步判断更自动化,使用户更快获得响应,也让服务负责人把精力集中在真正需要人工决策的环节。

          大数据助手跨领域协同诊断能力示意

          02#

          大数据助手是什么

          大数据助手是一个面向大数据服务综合场景的智能助手系统,采用由一个指挥者 (Coordinator) 和多个技术专家 (Service Agent) 组成的 Agent Team 架构,支持以团队协作方式来解决跨多个服务的综合性问题。

          当前系统已经覆盖大数据领域主流服务 Agent:

          • 调度平台 Agent:支持工作流查询、任务诊断和服务接口调用

          • 批计算 Agent:支持 Spark 应用诊断、YARN 日志分析和告警关联

          • 实时计算 Agent:支持 Flink 作业诊断,包括运行失败、处理延迟等场景

          • 机器学习 Agent:支持基于知识库的服务问答和训练任务定位

          • 数据湖 Agent:支持数据湖平台知识查询、服务状态查询和表相关问题分析

          • 数据分析 Agent:支持StarRocks库表信息查询、读写异常诊断和集群健康检查

          大数据体系的其他 Agent 还在陆续接入中。

          它不是把所有能力简单塞进一个全能 Agent。不同领域的 Service Agent 更像技术团队中的专家成员:各自维护专业知识和工具边界,需要时围绕同一个问题协同工作。

          举个例子,一个 Flink 任务将数据写入 StarRocks,最近经常失败。用户提问后,大数据助手的协作流程是:

          1.Coordinator(团队调度者)先将问题交给Flink Agent;

          2.Flink Agent 从日志中确认异常集中在下游写入阶段,并提取超时证据;

          3.Coordinator 将问题转交给StarRocks Agent,同时携带待核对的时间窗口和节点线索;

          4.StarRocks Agent 对齐事务与资源状态,确认写入请求积压、节点响应变慢;

          5.Coordinator 合并两侧证据,向用户说明根因、影响范围和下一步处理建议。

          跨服务协同排障示意案例

          03#

          架构演进

          大数据助手经历了从 Workflow 到单 Agent,再到 Agent Team 的逐步升级。

          第一阶段:具备 AI 能力的 Workflow 

          在早期阶段,受限于模型推理和工具调用的稳定性,大数据助手主要通过 Workflow 实现智能巡检等需求,并在部分处理节点引入大语言模型(LLM),使流程具备比传统自动化 Workflow 更强的判断能力。我们上线了计算任务智能分析、自动巡检,为 1500+ 关键计算任务提供修复和改进措施。链路巡检日报还帮助内容热度、效果广告、会员云包场、直播电商、CDN 点直播实时统计等业务的 90+ 条关键链路识别隐患,并及时通知处理。

          这套流程适合单一服务的知识问答、巡检等较简单场景。例如,每小时进行异常巡查、汇总异常情况,需要人工介入时通知运维人员,缓解了过去告警轰炸的痛点。但是要解决的问题变成多服务联合排障、日志指标多维分析、多轮追问时,Workflow 就力不从心了,整个 Workflow 的节点数量膨胀到 50 多个,灵活度越来越低,难以持续维护迭代。

          第二阶段:基于 MCP 的 Agent

          为了支持异常诊断这类更复杂的场景,我们随后基于飞书的低代码智能体平台 Aily 构建了单 Agent。主流程比较简洁:接收对话后进入推理循环(reasoning loop),根据中间结果持续选择工具,最后组织回复。服务信息查询和诊断能力主要通过 MCP 接入;MCP 解决的是智能体与外部工具、数据源之间的标准化连接问题。

          这套架构支撑了几个月,较好满足了单服务异常诊断、知识问答等场景。随着使用深入,新的瓶颈逐渐出现:工具调用和上下文管理对我们来说仍是黑盒,难以针对真实问题深入调优;图形化开发模式也不利于复用代码工程中的测试、版本管理和自动化能力。

          第三阶段:基于 Skill 的 Agent Team

          随着 Skill 的流行,Agent 扩展业务能力变得很简单且规范。模型 + Harness 构建 Agent 核心流程,再用 Skill 实现业务能力,这套架构具备良好的可扩展性,也给越来越强的大模型极大的发挥空间。因此,我们把 Agent Runtime 从飞书 Aily 切换到 LangGraph,并从单 Agent 架构升级到 Agent Team 模式。对接的服务也从单个扩展到多个。通过实现一套 Agent Team 流程,让不同服务能力可以按职责独立扩展,并在统一团队协议下协作。

           04#

           Agent Team架构

          当前的大数据助手采用分层架构,核心思想是:入口统一、编排统一、服务能力分治。

          • 入口层:负责接收来自本地命令行、Web 或即时通讯等渠道的请求,只处理协议适配和展示,不承担业务逻辑。

          • 调度层:由 Coordinator(团队调度者)理解整体目标、拆解任务,并指派给具体的 Service Agent。

          • Runtime 层:承载 Service Agent 的多步执行流程和运行状态,使其能够连续调用工具完成任务。

          • 能力层:由各领域 Agent 的 Skill 和共享 Tool 组成,例如执行命令、访问服务 API、查询服务知识库。

          • Harness 层:治理运行时上下文、文件读写、管控工具调用、执行预算、异常处理与重试。

          1、Agent Team协作流程

          从 Agent Team 视角,目前有如下角色:

          角色

          核心职责

          上下文

          关键边界

          Dialoguer

          对话角色,理解用户意图,负责与用户沟通并组织最终回复。

          对话框中的消息

          只负责沟通,不管执行。

          Coordinator

          团队调度者,根据用户目标和团队黑板判断下一步动作,决定追问、派发任务或结束。

          用户意图;

          团队黑板

          负责整体流程控制和任务派发,不介入执行细节。

          Service Agents

          领域专家智能体,负责完成本服务域内的任务。它可以使用领域 Skill、执行工具、查询知识库或调用 API,完成后返回结构化结果。

          团队黑板;

          自身执行历史

          只处理被派发的任务,不直接和用户对话。

          团队黑板是 Agent Team 的共享协作空间,也是一套结构化交接契约。Coordinator 在黑板中写入待办任务和必要上下文;Service Agent 领取任务、持续更新进展,并在完成后写入结论和证据;Dialoguer 最后读取已经收敛的信息,向用户给出答复。通过把“谁在处理什么、处理到哪一步、依据是什么、下一步由谁接”记录下来,多个 Agent 可以共享必要事实,同时将各自的详细执行历史留在独立工作区,避免上下文互相污染。

          2、成员 Agent “边执行,边讨论”

          当一个问题可以拆成相互独立的领域任务时,Coordinator 会同时把子任务派发给多个 Service Agent,让它们并行执行,提升效率。各 Agent 在独立工作区执行,避免工具输出和推理过程互相污染;阶段性线索和证据持续写入团队黑板,其他 Agent 会在后续推理时读取新增信息并调整方向。因此,协作不是等所有任务结束后再做结果拼接,而是边执行、边交换证据、边校准判断。用户在执行过程中补充的信息也会进入团队黑板,由 Coordinator 判断需要影响哪些 Agent。

          举个例子,这个案例是用户询问某iceberg表数据延迟是否已恢复。Flink Agent核对 Flink 作业日志和 Checkpoint 状态,同时Iceberg Agent检查表文件,元数据信息。两者实现边执行,边讨论。

          3、可定制、可扩展的 Service Agent 实现

          大数据服务的能力边界和工作方式差异较大,因此大数据助手没有把所有能力塞进一个全能 Agent。每个服务作为独立服务包接入,并约定统一接入规范,包括:

          • Prompt:说明 Agent 的职责、边界

          • Service Skills:服务私有的Skills

          • 服务知识库:按需读取服务手册

          • 独立工作区:执行本地命令,读写当前任务所需的文件

          大数据助手启动时会自动发现已接入的服务包,并为每个 Service Agent 加载相应的prompt、领域 Skills 和知识库。

          项目采用约定优于配置的方式。Agent开发者可以把重心放在开发 Skill 上。框架层统一负责用户沟通等通用流程,以及模型调用、命令执行、文件读写、异常处理等公共设施。另外,底层通用 Tool 和 Skill 由所有 Agent 共享,不需要每个服务重复开发,例如命令执行、HTTP 请求、文件处理和基础信息查询。

          实践中,各服务Agent接入成本很低,数小时即可构建可运行的Service Agent。

          05#

          Harness工程

          多 Agent 系统的可用性,很大程度取决于 Harness。这里的 Harness 不是某个单独模型,而是一套围绕模型构建的运行控制层,负责上下文、工具、执行过程和观测。下面分享一些直接影响系统效果的设计。

          1、事实源分层

          不同层级的事实需要分开保存。混在一起会让模型难以判断哪些是用户原始信息、哪些只是某个 Agent 的中间推测。我们将事实分为三层:外部真实对话、团队内部的任务与证据、各领域 Agent 的私有工作区。不同角色只读取完成当前职责所需的部分,既避免内部执行细节污染用户意图,也便于分别治理上下文。

          2、事实源多读少写

          公共事实的生成和修改必须受到控制。各个 Agent 不直接随意改写共享上下文;每次调用模型时,由对应角色从真实对话、团队黑板和工作区中组装本次所需的临时视图。这个视图只服务于当前模型调用,不写入持久化会话状态,也不会自动变成长期事实。

          3、冷热上下文分层治理

          连续排障可能经历上百轮工具调用,上下文会迅速膨胀,模型的注意力也会被稀释;但如果每轮都从零开始,又会丢失必要的过程信息。为此,我们把上下文分为冷热两层:当前执行过程作为热上下文,直接保留在 Service Agent 中;更早的执行历史作为冷上下文转存到文件系统,并提供按需查询能力。这样既能保持任务连续性,也避免旧过程长期占用模型上下文。相比到达阈值后直接压缩整段文本,这种方式能够更完整地保留原始证据。

          4、严格控制工具输出

          工具输出往往是上下文占用的大头。一次范围过大的日志或 API 查询,就可能挤掉当前任务真正重要的信息。框架会拦截工具结果:当内容超过阈值时,将完整结果转存到本地文件,只向模型返回摘要预览、文件位置和必要元数据;需要继续分析时,模型再按需读取相关片段。这样既限制单次输出的影响,又保留完整原始证据。

           5、工具延迟加载

          随着工具数量增加,工具自身的使用说明和参数结构也会占用大量上下文。框架因此采用延迟加载机制:低频工具默认只暴露名称和简短描述,模型确认需要后,再加载完整用法和参数约束。常规路径不必反复携带所有工具说明,工具选择也更加聚焦。

          尽管有延迟加载机制,Tool 数量仍不宜过多。每增加一个 Tool 都可能会降低模型调用工具的准确度,并增加 token 成本。我们也经历了增加 Tool,再到减少 Tool 的过程。

            6、通过结构化契约提高 API 调用可靠性

          在服务对接过程中,我们遇到一个实际问题:每个服务通常涉及大量 API。即使文档足够完善,模型仍可能拼错 URL、遗漏参数,或者为了查找调用方法而占用大量上下文。为此,我们设计了一套 Service API 调用流程,让结构化契约和模型各自负责更适合的部分:

          1.在 API 目录中声明允许调用的接口,并为每项操作分配唯一标识;

          2.领域 Skill 只引用需要使用的操作标识,不携带整份 API 文档;

          3.Agent 在调用前按需获取该操作的参数说明和约束;

          4.大模型根据当前任务生成业务参数;

          5.框架负责拼接请求、校验参数并调用目标服务。

          通过这个流程,Skill 可以专注于业务步骤,模型只需要判断应执行哪项操作并生成业务参数,具体请求由框架按照统一契约完成。这样既减少了模型在大量 API 文档中查找和试错,也降低了上下文成本,提升了调用成功率。

          7、控制执行进度

          Agent 在持续执行过程中有时会在局部方向上投入过久,甚至偏离最初目标,用户看到的现象就是任务像“卡住了”。我们通过定期复盘和执行预算两类机制控制进度。

          首先是定期汇报。Agent 每执行固定轮数会总结当前进展和剩余任务,借此重新检查方向,避免长时间埋头在一个局部问题中。

          其次是模型调用预算。当调用轮数接近阈值时,框架会提醒 Agent 收敛并返回阶段性结果;达到阈值后强制结束本轮,作为避免无限执行的兜底。

          8、基于 Langfuse Trace 的可观测与质量分析

          仅靠传统日志很难还原 Agent 为什么做出某个判断。我们引入 Langfuse 记录从用户问题到最终回复的一次完整 Trace,串联角色分派、模型调用、工具执行、异常、耗时和结果,使每一步都有迹可循。在此基础上,系统从正确性、有用性和依从性等维度评估回答质量,并按时间汇总到看板中,用于观察质量趋势、定位异常波动。发现低质量回答后,还可以回到具体 Trace,判断问题发生在任务理解、服务路由、工具调用还是结论收敛阶段,并据此验证后续优化是否有效。

          06#

           落地形态

          大数据助手目前提供了飞书聊天机器人和大数据平台 web 机器人两种交互方式。不同入口共用同一套 Agent Team 和领域能力,入口只负责承接上下文与展示结果,后续流程是通用的。

          1、飞书消息私聊

          支持连续对话。近期消息历史会自动读取,较早的消息会按策略遗忘。支持主动切换话题。

          2、群聊中 @大数据助手

          在飞书群中@大数据助手,它会自动读取历史消息,了解上下文,再回答。同样支持连续对话,目前后续对话需要继续@大数据助手,才会回复。

          3、AI 悬浮球

          在大数据平台使用过程中遇到问题,可直接点击右下角 AI 悬浮球,唤醒大数据助手进行对话。不用跳转到飞书中,非常方便。首次开启对话,会自动携带当前页面信息作为上下文。

          07#

           总结与规划

          大数据助手已经成为大数据团队中不可或缺的一名智能伙伴,让复杂的大数据支持工作,从“找人、找文档、找平台”,逐步变成“描述问题,助手协同处理”,降低了用户寻找服务支持的成本,减少了服务负责人运维成本。

          当前基于 Agent Team 架构的大数据助手已经运行一段时间,真实用户案例验证了方案的可行性。围绕并行协作、运行观测和质量分析等方向,系统也在持续完善。

          1.质量评估和趋势分析已经建立,但从问题识别、原因归类到优化验证的闭环仍需继续完善。

          2.受权限和风险管控限制,部分异常排查无法直接登录集群完成最终验证,仍需要服务负责人参与闭环。

          3.用户侧任务管理能力仍较基础,定时触发、多问题管理和执行过程中的交互引导还有提升空间。

          后续将围绕以下目标继续加强:

          1.扩大服务覆盖范围,让更多大数据平台和领域能力接入,进一步发挥跨服务协同的优势。

          2.完善质量优化闭环,让低质量案例能够被持续发现、归因、修正并通过回归验证。

          3.完善任务管理和过程交互能力,支持定时触发、多问题管理以及执行过程中的及时补充和引导。

          海外Agent实践:让问题直达源码,助力团队提效!

          爱奇艺AI驱动漏洞闭环治理:让安全发现更智能、修复闭环更高效

          爱奇艺大数据混合云存储

          纳逗Pro全链路赋能、专项免费算力支持!爱奇艺AI影视创作营第二期来了

          AI 时代的质量门禁左移:Agentic Quality Engineering 架构与落地模板

          跳转微信打开

          董建华的狮子山下

          2026年9月9日 21:02

          任小酒 2026-09-09 21:02 上海

          两个船王,两种交班,两个香港

          9月8日晚,董建华先生在香港辞世,享年89岁。

          我们在2019年发布过一篇文章,借“富豪家族接班”这个话题,回顾过董建华先生在香港的过往。

          董建华以香港首任特首的身份为人熟知,但他的家族其实发迹于航运业。1970年代,航运业风生水起,包玉刚和董浩云是最显赫的两大家族,两人在航运业缠斗多年,延续到后辈。

          此后,包玉刚的女婿吴光正投身地产,董浩云之子董建华转向政界。1995年,命运中的宿敌又在香港首任特首竞选中对决,这次是董建华赢了。

          成为特首的董建华大展拳脚,推行了一系列施政方针,以解决住房问题的“八万五”计划,和推动香港互联网产业的“数码港”计划为最知名。它们都令人憧憬,都无疾而终。人才、住房、科技的良性循环,成为海市蜃楼。

          正确的事情不会因为正确变得容易,董建华留下了一份复杂的政治遗产,让后人可以从中勾画出一个野心勃勃的时代,以及故事的另一种结局。缅怀董建华先生。

          以下是正文:

          在香港,葬礼是门政治。

          2016年郑裕彤去世,全香港富豪名流悉数到场,扶灵名单也要精挑细选:两任特首董建华和梁振英排在最前面,后面是中联办主任张晓明和澳门行政长官崔世安,接着才是李嘉诚和李兆基。一代情圣刘銮雄都排不上号,只能拄着拐杖远远看着老情人李嘉欣挽着许晋亨,兀自惆怅。

          两年后,新鸿基掌舵人郭炳湘离世,参加吊唁的多以豪门二代为主:李嘉诚之子李泽钜,霍英东之子霍震霆,黄廷方之子黄荣祥和李兆基之子李家诚,政界人物则是致函唁电的多,出席葬礼的少;而2个月后李嘉欣公公许世勋去世,出席的富豪就只有95岁的马来西亚糖王郭鹤年了。

          政商通吃的老一辈富豪,才能享受顶级的葬礼待遇。1982年,一代船王董浩云去世,三千多名政商人士将位于北角英皇道的香港殡仪馆堵得水泄不通。扶灵的12人有邵氏公司董事长邵逸夫、汇丰银行董事长沈弼、摩纳哥王子雷尼尔,美国总统里根和台湾领导人蒋经国也特地致吊唁电话。

          但出殡当天第一个赶到灵堂,却是另一位浙江籍船王包玉刚,他在向董浩云的灵柩鞠完躬之后,李嘉诚和港英总督麦理浩(Crawford MacLehose)才步入现场。英雄惜英雄,包玉刚跟董浩云为了争夺全球航运老大的位置,缠斗一辈子,如今老对手西去,过往恩怨也悄然谢幕。

          1991年,包玉刚也驾鹤西去,葬礼规格空前绝后。走在8人扶灵队伍最前面的,是外交部副部长周南和撒切尔夫人的丈夫丹尼斯爵士,紧跟的是李嘉诚和邵逸夫。几乎所有G20国家领导人均送来花圈,邓小平更是以“生前友好”的名义,派女儿邓榕和女婿贺平专程赴港,出席葬礼。

          豪门葬礼的另一面,是商业帝国的接班。董浩云去世后,旗下船运帝国传承给了两个儿子董建华和董建成;而包玉刚经过一番精心设计,将庞大的商业帝国分拆成四部分,传给了四个女儿和女婿,其中最重要的地产部分(会德丰和九龙仓),交到了二女儿包陪荣和女婿吴光正的手上。

          从1982年董浩云去世,到1991年包玉刚去世,香港在不到10年的时间里风云变幻。董浩云葬礼结束的5个月后,撒切尔夫人抵港,收到了总设计师“关于主权问题,没有回转余地”的回答。随后的几年里,吴光正协助包玉刚弃船登陆,董建华弃商从政,两个家族开始走向不同的方向。

          在两个家族的不同轨迹里,一些变化发生了,一些伏笔埋下了,历史的暗门裂变出两个香港:一个是未曾实现的香港,一个是走向悲伤的香港。

          01.  双峰:船王和他们的接班人们

          包玉刚和董浩云的缠斗,要追溯到上个世纪40年代末:两人分别于1949年和1948年来到香港,前者来自宁波镇海,后者来自舟山定海县。

          1955年,董浩云借着朝鲜战争狠赚了一笔,在行业内声望日隆,而从上海银行副行长辞职的包玉刚,也看中了香港作为世界贸易港的潜力,决定转行。对航运一无所知的包玉刚登门求董浩云,后者多少有些前辈的架子,呛了包玉刚一句:“你也想搞航运?胆子真够大的!”

          董浩云的轻蔑不无道理。航运是一个典型的重资产行业,”金融+产业”联动的高杠杆模式,既需要利用自有资金加杠杆借贷,又需要与各国政府之间保持良好的政商关系,保证资金来源。因此想要在航运竞争中盈利,就必须背上高负债,还得有天时地利配合,稍有不慎便会倾家荡产。

          谋事在人,成事在天,老天爷给了包玉刚发迹的机会。1956年中东战争爆发,埃及封锁苏伊士运河,海上运输必须绕道好望角,航运业大发横财。到了60年代,越南战争爆发,美军急需船只帮忙做后勤补给,董浩云借战争猛虎添翼,包玉刚也在其间迅速崛起,成为香港的富豪之一。

          航运这门生意,吨位是一切的基础,手里的船越多,赚的钱就越多。董浩云早年财力薄弱,常常收购旧船,发迹后则手笔豪放,热衷建造巨轮。越战期间,美国半卖半送给了董浩云12艘船,又赶上日本以低息贷款推动造船业,他趁势订造一艘16000吨的“东方樱花”号,一时风光无两。

          相比之下,包玉刚的船数量少,船龄高,吨位小。但他在经营模式上搞创新:把船租给别人,自己只收租金。战争期间,航运需求急速扩张,货运公司付出远高于平时的租金租船,发了横财的包玉刚火速添置了7条货船。喜欢从买船到运输一条龙包办的董浩云对此不屑:“他那算什么船东?”

          出身银行的包玉刚深谙航运业的金融属性,找到了汇丰银行这座靠山,并于1971年加入汇丰董事会。凭借着汇丰的大笔贷款,包玉刚的海上王国蒸蒸日上,在船运吨位上逐渐能跟董浩云平起平坐。董浩云也没闲着,1973年旗下东方海外在香港上市,募集1.2亿港元几乎全被用来订购新船。

          对于两人的竞争,董浩云特别在乎。东方海外上市那年,美国《新闻周刊》发文,将包玉刚与世界级船王奥纳西斯相比,称他为“东方奥纳西斯”,无疑是巴掌扇在董浩云脸上。但更打脸的还在后面:1977年,一家西方船运经纪公司给船王们排了个座次,包玉刚荣膺头把交椅,董浩云只排在第七。

          嗜船如命的董浩云坐不住了,写了一封《致编辑的信》寄给这些媒体,直言其计算方法有问题:他包玉刚的船有一半股权在汇丰手里,我东方海外的船可是都姓董!

          董浩云嗜船如命的习性,香港人尽皆知:每每有新船下水,他就要精心设计三天的庆祝节目,借机造大声势,提高自己的知名度。一次董浩云为了捧红一个女钢琴家,就专门包下了伦敦皇家亚尔巴音乐厅,还请来英国皇家管弦乐队来伴奏,把飞机票送到每位客人朋友手中,确保他们到场。

          董浩云的计较让总想搞大新闻的香港媒体嗅到了荤腥,开始疯狂造势:谁才是真正的船王?包董之争,一时间闹得沸沸扬扬。

          除了竞争吨位,董浩云还在接班人问题上跟包玉刚暗中较劲。在这方面董浩云先拔头筹,两个儿子成绩优异,尤其是董建华,董浩云很早就开始针对性培养,儿子毕业后安排去美国通用汽车基层打工,他跟董建华讲道[3]:“你不要想到自己有依靠,你必须自己主动去找苦吃,磨练意志。”

          董浩云和长子董建华,1969年

          包玉刚膝下无子,只有四个女儿,但女婿都很厉害,尤其是二女婿吴光正。他于1951年随父母从上海迁居香港,中学毕业后前往美国俄亥俄州辛辛那提大学选攻读建筑学专业,后来又转到哥伦比亚大学。在哥大,吴光正身兼游泳健将与学校活跃分子,获得了包玉刚次女包陪容的芳心。

          就在两家生意蒸蒸日上之际,一场波及全球航运业的萧条正在酝酿:一方面,经过二十年的扩张后,80年代初船运业运量已经明显过剩;另一方面,70年代的两次石油危机让依赖石油运输的船运业遭到当头闷棍,油船的需求每年肉眼可见的下滑,船租暴跌,港口停满了没活干的油船。

          在这个黑云压城的时刻,董浩云和包玉刚还战斗在一线,培养的接班人也都年富力强,紧随左右,在这场前所未有的考验中,两家会交出怎样的答卷呢?

          02.  诀别:逆势扩张和弃船登陆

          作为全球顶级航运企业家,董浩云和包玉刚对于行业低潮都早有预判,但两个人的性格,决定了他们选择了两条截然不同的道路。

          信奉行业周期论的董浩云,坚信船价暴跌、行业不景气时,才是抄底最好时机,而“全球第一船王”的心结,更是将他这种逆势扩张的欲望调动到了极致;而包玉刚则不同,银行的从业经历让他对风险尤为敏感,见风头不好就果断卖船,偿还公司债务,降低风险敞口。

          得知包玉刚正在卖船,一心想做世界第一的董浩云自然不会放过机会,一边清理服役已久的小船,一边大肆负债,购进大船。包玉刚收缩业务时,董浩云还在日本订造了当时世界上第一大油轮“海上巨人”号。董浩云并非不知道萧条的杀伤力,但他估计低谷只会持续几年,非常乐观。

          当董浩云的东方海外正朝着世界船王发起最后的冲击,包玉刚却做了一个决定:弃船登陆,转型房地产。

          要挤进日益激烈的香港房地产市场,自己从头开始做显然是不现实的,包玉刚盯上了隶属怡和洋行的地产公司九龙仓。彼时的九龙仓是香港最大的货运港,不单单有深水码头、露天货场、货运仓库,还包含了酒店、大厦、有轨电车等产业。倘若把这块地合理开发,前景无量。

          李嘉诚对九龙仓也觊觎已久,暗地里先抢下了2000万股份,但进一步收购却被怡和洋行阻止。包玉刚深知机会难得,于是在1978年8月的一个下午约见李嘉诚,后者向包玉刚提供了1977年九龙仓财产报表和物业资料,一同参会的吴光正当晚研究了这些材料,熬夜拟定了收购计划。

          包玉刚和李嘉诚谈笑风生

          翌日,吴光正就见证了两位商界高人的秘密握手:包玉刚收购李嘉诚送上门的2000万股九龙仓股票。如此,加上原本持有股票,包玉刚不动声色控制了30%的股权,大大超过了怡和洋行,并加入了九龙仓董事会。怡和洋行也不是善茬,为了保证控制权,他们开始大规模反购股份。

          双方的拉锯持续了两年,一直到1980年6月,怡和洋行趁包玉刚前往巴黎参与会议期间,发动突然袭击,采用换股打法,在6月20日上午投放大量报纸广告,以比市价高30%的价格收购散户手中持有的九龙仓股票,英国人认准了包玉刚无法在周末两天筹集足够多的钱,用以反制怡和。

          身在香港的吴光正得到消息,马上联系包玉刚,建议其去找包家的老朋友汇丰银行借钱。随后,包玉刚订了一张飞瑞士的机票,又暗地里买了回香港的头等舱,一旦筹集够弹药就马上返回香港。而吴光正则在香港联络媒体,安排记者发布会,等着包玉刚回来,就开始散播消息。

          记者招待会上,突然现身的包玉刚宣布,自己拿到了汇丰银行的22亿港元贷款保证,并以105元港币的股价收购2000万股,比怡和的收购价还要高,九龙仓大小股东狂潮般把股票卖给包玉刚,怡和洋行见大势已去,便将九仓股1000多万股也甩给包玉刚,套现七亿港币离去。

          1980年6月25日,九龙仓之战落幕,包玉刚弃船登陆成功,吴光正则经此一役顺利当上了太子。

          包玉刚和吴光正,1980年

          在包玉刚成功上岸的同时,董浩云也到达人生巅峰,拥有各类船舶149艘,总吨位达到1200万吨,终于把“世界第一船王”的桂冠戴到头上。1982年,董浩云的第150艘船“宪章号”在台湾下水在即,董浩云请来了摩纳哥王子夫妇参加4月17日的下水礼:这是船王的加冕礼。

          根据日程安排,王子夫妇4月14日抵达香港,有人提出日期两个“4”撞到一起不吉利,但董浩云置之不理。然而坊间传言当时的港英政府出于政治上的考虑,不让董浩云去机场迎接。董浩云认为是莫大的侮辱,当晚心脏病发,连夜送医抢救,次日凌晨抢救无效去世,享年71岁。

          世事难料,原本盛大的船王加冕礼却成了董浩云的葬礼。船王的遗产只有一间九龙塘的房子、东方海外公司百亿港币的负债,和区区250美元现金[6],恰逢航运业运量过剩叠加石油危机带来的需求萎缩,全球各大港口停满了没活干的货轮,东方海外业绩暴跌,负债高达14亿美元。

          包玉刚和董浩云三十年的商战戛然而止。在葬礼上,对着灵柩鞠躬的包玉刚心有戚戚然:受全球经济衰退影响,香港楼市长期萎靡不振,付出巨大代价拿下九龙仓,到底算抄底还是站在半山腰上,包玉刚心里也没底。在各自的赌局上,两个船王都押上了自己全部的身家。

          历史没让包玉刚等太久,答案出现在1984年。

          03.  冰火:两种接班,两种模式

          1984年9月27日,《中英联合声明》草案签署,为了防止英国在回归前超售土地,草案要求回归前每年批地不超过50公顷。

          是年年底,受到声明中土地租用制度及限制出让的条例影响,沉寂多年的香港地产开始复苏,楼价、租金应声上扬,四大家族频频出手抄底香港地产,报纸每日围绕着李嘉诚、郑裕彤等又拍下新高价地段这类新闻。而这一年,东方海外却陷入了史无前例的船运灾难中,董建华举步维艰。

          董浩云去世的第二年,东方海外负债高达70亿港币,到了1984年,总亏损高达9.7亿港币。航运高负债、快周转,令往日熙熙攘攘的港口码头成了门可罗雀的船只坟场,冲击远比董建华想象得严重得多。到1985年,东方海外的负债和奥地利整个国家的国债近乎一样多[4]。

          每天面对来自全世界银行和债权人的追债,一睁眼想到的便是随时要破产的公司,有时候连续20个小时处理债主和律师的电话,母亲又在这时查出肺癌,一次,董建华在最后一次赶去参加债权人会议前,一度想要自戕,甚至给朋友打电话[5]:“如果我死了,请你照顾我的家人。”

          向董家雪中送炭的,是汇丰银行,他们愿意提供一亿美元备用信贷,其中的5000万,来自大陆的中国银行。第二年,霍英东突然伸出援手,宣布向东方海外注资约12亿港币,这针强心剂给了董建华喘息的机会,帮助东方海外在1991年扭亏。有坊间传言,霍英东的钱来自北京[6]。

          在董建华苦心支撑的同时,包家却正在享受地产的胜利果实,毫无疑问,包玉刚已经拿到了通往下个时代的门票。

          拿下九龙仓的第二年,包玉刚决定把收购来的尖沙咀九龙货舱推平,建成黄金地段商场,命名为“海港城”。吴光正则接手旧电车厂的改造工作,直接将厂房推平,推平效仿纽约时代广场建起了“铜锣湾时代广场”。在这场席卷全球的航运业大萧条中,包家顺利抽身,身价无损。

          坐落香港尖沙咀的海港城,2012年

          《船王遗恨》中曾写道:“董浩云晚年好大喜功,会祸延后代”,不想一语成谶;世人则感慨包玉刚老谋深算,在危机前夕全身而退,留下了一座香港地标、一座全球销售额稳居第一的商场,为后人铺好了路。包家拥有这块地999年的土地使用权,单是租金,一年就净赚160亿元。

          终于,香港的“收税式实业”模式出现了,日后它的效仿者,将有如过江之鲫。

          包玉刚于1991年去世,葬礼地点跟董浩云一样,选在了北角英皇道的香港殡仪馆。在西式铜制灵柩里,他身穿白衬衫,套燕尾西装,打灰白色领带,身上盖着一床红色的陀螺经被,上面绣着金钱经文,灵堂则摆满了无数商贾政要的花圈和挽联,生前荣华富贵,身后尽享尊崇。

          两代船王前后撒手人寰,但包家和董家的故事仍未结束,他们下一场交锋,会是在1997年,那个无与伦比的1997年。

          04.  暗战:那些钱解决不了的事情

          1993年,吴光正就开始刻意与商界保持距离,淡化他商人的形象,频频出席政界会议。

          敏感者开始察觉出这背后的谋划,尤其是吴光正后来辞去九龙仓主席的职位,“官方”给出的理由是吴光正希望能腾出更多时间从事社会事务。有人统计,吴光正辞去九龙仓主席,以及后来辞去会德丰主席两个职务后,可能失去共计至少5000万股份认购权,损失不可谓不大。

          1997年回归在即,第一任特首的名字,显然会被写进史册。当时的主流舆论是反对“商人治港”,李嘉诚等巨富就被排除在外,北京的老朋友霍英东也说自己年事已高,而辞职的吴光正扭头就当了香港医药管理局主席,与商人身份彻底撇清了关系,特首之路昭然若揭。

          1996年9月,吴光正正式发表声明,角逐特首一职,成为第一个表态参选的候选人。而他的最大对手,则是把东方海外一步步拉出泥潭的董建华。当时,继承包玉刚衣钵的吴氏家族坐拥180多亿的身家,董家的财产刚刚跨过15亿门槛,论起宣传造势,两人显然不可同日而语。

          但选特首这件事,比拼的从来都不只是财力。

          1989年,董建华为继续父亲创办海上大学的理想,将一艘邮轮改装后命名为“宇宙学府”。当年三月,“宇宙学府”首航来到上海,时任市委书记与市长亲自接待。这是董建华离开上海以后第一次回到内地,也是第一次接触高层。自此之后,东方海外在大陆的投资项目屡屡增加。

          七年之后,董建华决议竞逐特首,当年接待他的上海官员,办公地点已经搬到了北京城。

          1995年底,中央来人会见李嘉诚、邵逸夫等香港名流,探讨关于行政长官候选人问题。在这场深圳会晤后不到48个小时,李嘉诚便对媒体公开了自己对未来行政长官的两点建议:一是熟悉经济,了解商界运作;二是人品要好,正直不阴险。

          不熟悉北京风格发言的香港媒体好一番揣测,最终还是落到了董吴两人的竞争上,把特首选举渲染成父辈们海上交锋的接力战。后来,在香港中华总商会宴会上,身份特殊的霍英东面对媒体发问,直截了当地回答:“我早已在心目中认为他(董)是合适地行政长官”[4]。

          霍英东的话自然分量十足,毕竟同样是葬礼,郑裕彤的棺材上盖着白色素花,包玉刚的棺材上盖着陀螺经被,霍英东的棺材上盖的是五星红旗。

          那年12月11日,香港各界、各阶层四百位推选委员会委员齐聚在香港会议展览中心,即将投票选举出香港特别行政区第一任行政长官人选。就连散步的老人把收音机调到最大,家里吃午饭的人都举着碗坐在电视前,商场里的电视机都统一调到了一个频道,逛街的男男女女驻足等待。

          12点15分,点票工作全部结束,其中董建华获得了320票,吴光正36票。船王后人的又一次对垒,董建华赢得毫无悬念。

          落败的吴光正并没有拂袖离去,而是积极参与香港特区第一届政府,被委任以医院管理局主席职务,之后又成为了香港贸易发展局主席。他和董建华的蜜月期维持了将近四年,2002年,吴光正重新回归九龙仓会德丰,拾起公司主席一职,并且表示再也不会竞选特首。

          吴光正和董建华,2012年

          从表面上看,董家扳回一局,但从更大的范围看,包玉刚和吴光正创造的“降维式接班”,像野火一般蔓延开来,成为香港财阀们的主流操作。

          05.  降维:怎样才能富过三代,五代,十代?

          所谓降维接班,用大白话说就是:主动调整自己的商业帝国经营方向,降低经营难度,把企业变成“傻子都能经营好”,再交给第二代。

          包玉刚的“弃船登陆”,本质上就是将商业帝国从经营难度极高的船运业摆脱出来,转型经营难度大幅降低的地产,之后更是进入经营简单的“收租型物业”。这种转型,既避免了肱骨老臣对接班人的腹诽和阻碍,又能让二代获得稳健的收益。此举获得香港富豪的纷纷效仿。

          如果你仔细看,会发现香港的电力是嘉道理家族和李嘉诚的,煤气是李兆基的,超市是李嘉诚和怡和集团的,公共交通是李兆基和郑裕彤的,本质上,这都是“收税制商业”。

          上世纪50年代起,四大家族通过房地产积累巨大财富,并逐步控制了香港的物流、金融、电力、码头、电信等所有具备垄断特性的产业,进而“坐地收租”。包玉刚当初的精明也体现在这里,除了九龙仓,吴光正还陆续控制了香港的有限宽带、天星小轮、九龙仓电讯、海港企业等一系列公司。

          1997年,董建华提出了“八万五”计划(每年要兴建8.5万套住宅,10年内香港有7成家庭都会有自己的房子),触动了已经根植香港半世纪的“收税模式”的利益。加之“八万五”撞在了金融危机的前夜,就连香港居民也对董建华嗤之以鼻,把他当作房价暴跌的幕后元凶。

          董建华任特首时期,1998

          1999年,董建华推出他另外一个创举政策:数码港计划,旨在绕开本地的富商,发展互联网科技。数码港计划的支持者是李嘉诚小儿子李泽楷,他带着十五家国际科技龙头企业的进驻意向书,找到董建华。政府对李泽楷的盈科信任有加,数码港计划决定不招标,直接采用。

          可命运再次跟香港开了个玩笑,数码港计划颁布的第二年,互联网泡沫在美国破裂,尽管园区勉强落成,但只有两家科技公司进驻,且多为销售、市场等部门,所谓的研发中心,丝毫不见踪影。数码港回到了香港的老路:圈地皮卖豪宅,自然又是赚得盆满钵满。

          此后,董建华又提出“硅港”计划,意图打造工业基地。结果香港人以炒地皮为由,赶走了竞标建厂的张汝京。后来张汝京到上海张江创办了中芯国际。后来的“中药港”计划,董建华希望利用完善的科研体系,以及香港高素质科研人才,搞出香港新机遇,但最后又是一场竹篮打水。

          在董建华在位的97到05年,这三次机会摆在香港面前,它却未能好好珍惜。“金融的暴利成就了香港,也惯坏了香港。资本的短视和逐利,让香港错过了最好的10年。”[8]

          家族们的事业却蒸蒸日上,郑裕彤家族在广州建起530米第一高楼、武汉和天津的周大福中心也指日可待;新鸿基的郭家兄弟,除了每年150多亿的广场租金,还有九龙巴士和富联国际。李嘉诚技高一筹,直接跑去英国收租:电信、港口、管道、天然气,甚至连供水都没有放过。

          若是要让家族永远衣食无忧,显然没有比“收税”更好的方法。

          2005年3月10日,董建华宣布提前两年离任,跟他一起离开的,是那个未曾实现的香港。海港城依然风光,太平山依然快活,城还是李家的城,港还是包家的港。

          06.  尾声:从如日中天,到走向悲伤

          2015年,69岁的吴光正宣布正式退休,36岁的儿子吴宗权接过数千亿家产,开始躺着收钱。仅两大广场每年收租就可达160亿利润,更不需要提九龙仓还持有的其他四大物业广场。两年后,董建华的东方海外作价338亿出售,船王的传奇就此谢幕,而这338亿的钱,也不过是海港城两年的租金。

          这并不仅仅是两个家族的分野,是香港两条路径也就此分岔:那个未曾实现的香港,已经被人遗忘;那个如日中天的香港,慢慢走向了悲伤。

          现任特首林郑月娥曾在施政报告里面曾写到:香港楼价高、租金贵,形成巨大的生活压力,是严峻的民生问题:

          “不少人的目标就是尽量赚钱买楼供楼,青年人选科和择业都要向钱看。住的问题也是香港最严重的安全隐患,不少家庭走投无路,甚至要住在工厂大厦内的劏房。”

          一切仿佛突如其来,一切又早有答案。

          全文完,感谢您的耐心阅读。

          参考资料

          [1] 世界船王——包玉刚传,广东人民出版社出版,1995

          [2] 香港商战风云录,广州出版社,1996

          [3] 富豪接班人,北方文艺出版社,2005

          [4] 董建华家族,广州出版社,1996

          [5] 董建华担任香港特首七年,南方周末,2005

          [6] 一代船王董建华,中华工商联合出版社,1996

          [7] 地产霸权,中国人民出版社,2005

          [8] 缓缓沉默的“香港巨轮”,奏响一曲悲歌,2017

          作者:任小酒

          编辑:李墨天/戴老板

          责任编辑:李墨天

          编者按:张倍嘉

          图片

          图片

          跳转微信打开

          9月12日,PEC 2026开启一场属于AI创新者的年度碰撞

          2026年9月9日 16:45

          PEC提示工程大会 2026-09-09 16:45 北京

          过去一年,AI行业的变化并不只发生在模型榜单上。

          模型持续迭代,Token调用规模不断增长,Agent开始承担更复杂的任务,本地AI进入更多实际应用场景。企业对于AI的关注也越来越具体:一项能力能否稳定使用、进入现有业务,并最终形成产品和商业价值。

          当AI从Demo走向真实生产环境,产业需要解决的问题也随之发生变化。

          算力资源之外,Token正在成为连接模型能力与实际应用的重要环节;本地AI开始重新定义数据、设备与个人智能之间的关系;企业AI转型过程中,FDE逐渐走到台前;越来越多AI原生产品出现,也让行业开始重新审视新的产品形态与商业机会。

          技术能力仍然重要,但如何把能力转化为可持续运行的产品和业务,正在成为AI产业新的关注重点。

          9月12日,这些来自AI产业一线的议题,将集中出现在PEC 2026的现场。

          PEC 2026 AI创新者大会暨第三届提示工程峰会将在北京·众智园举行。本届大会由PEC联盟、至顶科技、软积木共同主办,AIGCLink、LangGPT社区、爱智岛(AI·DAO)人工智能创作联盟、硅创联、海升睿达等联合主办。

          PEC缘起于Prompt Engineering Conference(提示工程峰会),同时代表Pioneer(AI先锋)、Engineer(AI工程师)与Creator(AI创造者)。

          今年,PEC2026将以 “Won Token, Won World” 为主题,以Token产业链为贯穿全场的线索,从Token的生产、调度到实际应用,连接模型、基础设施、产品与业务,观察AI能力从技术端走向产业端的真实进程。

          大会主论坛将从 《2027,我们需要怎样的模型?》 开始,围绕过去一年的模型技术进展、AI落地中的现实瓶颈以及未来模型演化方向展开讨论。

          随后,PEC将延续“年度提问”,把四个正在产业一线升温的话题带到现场:

          –

          提问Token工厂:这座新工厂需要什么真功力?

          –

          提问本地AI:模型下线,就是本人下班?

          –

          提问AI转型:FDE是不是AI落地的终极答案?

          –

          提问AI原生:如何找到AI的下一桶金?

          Token工厂、本地AI、FDE、AI原生处在AI产业链的不同位置,却共同指向AI从技术能力走向真实应用与规模化落地的下一步方向。

          大会现场还将带来三项年度发布:

          –

          《2026全球AI产业报告》

          –

          《Token产业链全景图谱》

          –

          《FDE(前线部署工程师)推动计划及能力图谱》

          此外,原点Talk特别版《出海2027:时局与时机》 将聚焦AI企业全球化发展;下午场设置 《OPC大师课》《FDE实战营》《Harness工作坊》 三大主题分论坛,进一步进入产业实践。

          从模型到Token,从基础设施到应用,从企业AI转型到AI原生产品,再到全球化市场,PEC 2026将把来自AI产业不同位置的实践者与不同判断带到同一个现场。

          9月12日,北京·众智园。

          PEC2026完整议程、嘉宾阵容、主题论坛及更多大会信息,详见下图。

          END

          跳转微信打开

          我们从未看见彼此

          2026年9月9日 15:33

          原创 孟岩 2026-09-09 15:33 浙江

          题图:镜子  | 摄影:米嘉

          1

          前段时间,我录了一期播客,叫《我们从未看见彼此》。

          在那期节目里,我从一部电影讲起,聊到了智能的进化,最后又回到我们身边的人。

          我想换一个角度,试着回答一个看起来答案很明显的问题:

          当我们看着一个很熟悉的人时,「看见」的究竟是谁?

          我把这些内容整理成了文字,也补上了一些新的想法。

          希望这些文字,能让你在熟悉的人和事里,看见一些不一样的东西。

          我们从一部电影开始。

          2

          年初,我偶然看了一部电影,《好朋友们》。它是导演李道允的首作,2014 年上映。

          故事的主角,是三个从小一起长大的朋友:泰贤、仁哲和民洙。

          民洙是老三,有点傻傻的,脑子好像总比别人慢半拍,很质朴,也总被周围的孩子欺负。

          泰贤是老二,一副好学生的模样。电影没说他的成绩,但我觉得应该不错,属于长辈口中那种很乖、很老实、很正直的孩子。

          仁哲是老大,带点痞气,是个带头大哥。只要有人欺负民洙,他总会出头,替民洙兜底。

          有两件事,让我记住了这三个少年。

          有一次,别的孩子抢走了家里刚给民洙买的随身听。仁哲追上去,把东西抢了回来,却没有还给民洙,而是自己拿去用了。

          他跟民洙说:你明知道我会拿去用,还买它干嘛?今天我用,行吧。

          民洙说:可我才刚买。

          后来,民洙还抱怨过一句:他把我的电池都用光了。

          另一件事发生在初中毕业那天。三个人逃掉了毕业典礼,一起跑到村子附近的山上拍照留念。

          偏偏遇上了大雪。

          下山时,民洙摔了一跤,伤到了头,昏了过去。雪越下越大,他们找不到下山的路,只能躲进一处废弃的民居。

          民洙一直没有醒,泰贤的脚也受了伤。

          泰贤说,我们得赶紧下山,民洙恐怕撑不了多久。

          仁哲打断了他:你的脚已经冻伤了,哪儿都不能去,你想让脚被锯掉吗?你跟民洙待在这儿,我去找人。

          说完,就推门出去,消失在雪夜里。

          第二天,仁哲在山下找到了救援,把两个朋友救下了山。

          3

          十七年过去,三个少年长成了大人。

          民洙守着父母留下的一间小店,欠着债,喝着酒,日子过得很潦草。他还是三兄弟中混得最差的那一个。

          仁哲成了保险公司的金牌销售,能说会道,业绩很好。只是路子有点野,为了冲业绩,会用些灰色的手段。

          泰贤成了消防队的急救队员,娶了一位有语言障碍的妻子,有个上幼儿园的女儿。因为母亲开着一家非法游戏厅,他和家里闹翻,已经很多年不来往。

          仁哲却一直和泰贤的母亲保持着联系。他一边给她卖保险,一边在母子之间传消息。有时去跟泰贤说,你妈妈那边挺好的;有时又去跟妈妈说,泰贤过得不错,你放心。

          有一天,这位母亲找到仁哲,求他帮一个忙。

          游戏厅的生意越来越难做,快撑不下去了。她想制造一场假抢劫,把游戏厅烧掉。反正之前已经在仁哲那里买了保险,这样就能拿到一笔保险金。

          这可是骗保。

          但仁哲答应了,还拉上了缺钱的民洙。

          为什么答应?

          仁哲本来就爱耍小聪明、占便宜,喜欢走偏门。但他也对民洙说,泰贤跟母亲闹掰,就是因为这家游戏厅。如果它没有了,他们母子就能和好;再有了这笔钱,一家人就能过上安稳的日子。

          照他的说法,这也是在帮泰贤一家。

          至于他究竟怎么想,只有他自己知道。

          纵火的那个晚上,泰贤的父亲意外出现在游戏厅。老人身体不好,拄着拐杖,看见有人抢劫,便挥着拐杖反抗。民洙在慌乱的拉扯中失了手,老人仰面倒地,重伤昏迷。

          眼看丈夫意外出现,泰贤的母亲也慌了神。她原本安排好的一切,此时已经完全失控。她仓皇逃跑,却从高处摔了下来,死了。

          最后,游戏厅也「按照计划」烧了起来。

          4

          泰贤开始追查母亲的死,找来自己最信任的两个朋友帮忙。

          两个纵火的人,陪着死者的儿子,寻找纵火的真凶。

          游戏厅背后,还牵扯着一些见不得光的往来。泰贤的母亲借过高利贷,也给警察送过钱,这些都记在一本账上。那晚,仁哲把账本连同财物一起带走,也因此知道了不少人的秘密。

          泰贤在追查中得知了账本失踪的事。在他看来,找到拿走账本的人,就有可能找到杀害母亲的凶手。

          后来,仁哲的女友卷走了他带回家的财物和账本。泰贤母亲的高利贷债主得到了她的线索,便拿来和泰贤谈条件。泰贤一心想找到凶手,签下协议,答应找到凶手后,把游戏厅和保险金都交给对方。

          泰贤叫上仁哲一起找人,却不知道仁哲认出了自己的女友,瞒着他取回账本,把人放走了。随后,仁哲又拿账本和警方做了交易,想让民洙摆脱嫌疑。

          可民洙还是撑不住了。愧疚让他无法面对泰贤,也无法面对那些孤独的夜晚。最终,他选择了自杀。

          自杀前,他留下一封遗书。信封上写着两个人的名字:泰贤,仁哲。

          民洙死后,仁哲又去找那位债主,想把泰贤签下的协议要回来。

          他拿账本里的记录和对方争辩:泰贤的母亲已经付出了远超过借款的钱,不该再拿走留给泰贤的那一份。

          对方却追问起账本的来历。母亲死时失踪的账本,为什么会在仁哲手里?仁哲就这样暴露了自己与那晚的关系。

          仁哲带了一把刀,却没有把刀刺向对方,而是当着对方的面,一刀一刀地割自己的手臂,终于把那份协议要了回来。

          最后,他把房子的钥匙、车子和存款也都留给了泰贤。做完这些,他决定离开这个地方。

          我想,他也无法再面对这一切了。只是他可能没有像民洙那样,有勇气离开这个世界。

          5

          影片的最后,泰贤到机场为仁哲送行。

          两人坐下来后,泰贤终于说起了十七年前的那个晚上。

          他说:十七年来,我一直想问你。那天在山上,在那间屋子里,你走了以后,我翻了民洙的包,发现随身听不见了。那个时候,我是真的觉得,我们活不成了。

          不见的,正是小时候被仁哲拿去玩、用光过电池的那个随身听。

          从那时起,泰贤心里就有了一个念头:

          仁哲一定是偷了随身听,扔下我们两个,自己逃命去了。

          这个念头,他没告诉过任何人,包括民洙和仁哲,就这样藏了十七年。

          仁哲愣住了,说:我怎么会抛下你们俩呢?

          然后又说:这么多年,你就是这么看我的吗?泰贤啊,这样活着,太累了。

          泰贤拿出民洙的遗书,交给仁哲,说:民洙写的。里面也有给你的。

          然后说了一句:一路顺风。

          随后,仁哲去了洗手间。一个戴眼镜的男人在那里捅了他一刀。

          账本虽然已经交了出去,仁哲却仍然知道里面的秘密。

          仁哲东倒西歪地走出洗手间,看见泰贤还没有走。他没有呼救,而是先用衣服遮住伤口,扣好扣子,装作什么事也没发生,远远地看着泰贤。

          泰贤也在看他。他还在等一句解释,或者一句道歉。可在他眼里,仁哲依旧是一副「无所谓」的样子。

          泰贤失望地转身离开。下楼时,他和一个男人擦肩而过。那个人拿着的衣服里,裹着刚才的刀。

          泰贤没有看他一眼,径直走了。

          仁哲挣扎着在候机的椅子上坐下,打开民洙的遗书。这封信,他一直没有读过。

          他流着泪读信,伤口还在流血。

          「泰贤啊,好久没有提笔写信,我都不知道该写些什么了。我一直都很感谢你和仁哲。你最近很累吧?我一直在想,你如果不要再继续这么累下去,就好了。我们三个人说好了要一起走完一生,我就只有你们两个亲人。我恨我自己,因为我的失手,让我们没有办法再像从前那样相处。要是我从这个世界上消失,你们俩就会好好地过下去吧。我现在的心愿,就只有这个。

          仁哲啊,你这小子,我先走了。你要对泰贤好,把我的那份好也带上。改改你那个暴脾气吧,一定要对泰贤好啊,知道吗?谢谢,还有,对不起。」

          整封信里,关于那天晚上的事情,只有「因为我的失手」几个字。究竟失手做了什么,民洙没有说。

          读完这封信,仁哲死了。

          他到死,都没有让泰贤看见那个伤口。

          6

          电影的最后,是一段闪回。

          雪地里,三个少年互相搀扶着往山下走。那个随身听,从包里滑了出来,无声地掉进雪里。

          没有人偷它。

          什么都没有发生过。

          泰贤在机场还说,那晚他背着民洙走进雪地,后来被救援的人找到。但他也承认,当他以为仁哲已经抛下他们时,自己也动过丢下民洙、独自逃命的念头。

          但我脑海中总会浮现的,还是两人在机场最后相望的那一幕。

          那时,泰贤有没有发现仁哲受了伤?知不知道他快要死了?

          下楼时,泰贤没有看那个男人,对方却一直看着他。

          他们认识吗?那个人又是怎么知道仁哲在机场的?甚至,有没有可能,是泰贤叫他来的?

          我不知道。

          仁哲当然不是无辜的。

          他霸道、爱占便宜,连朋友刚买的随身听都要拿去用;长大后,还是耍小聪明、走偏门,用灰色手段冲业绩。他答应了那场骗保,又把民洙拉了进来,最后害死了泰贤的母亲,也毁掉了那个最没有能力承担后果的朋友。

          这些都是他。

          可仁哲从未在最危险的时候扔下朋友、独自逃命。泰贤认定他做过的,恰恰就是这件事。

          他一次次留下来,收拾所有人捅下的篓子,最后连自己的命也搭了进去。

          这些也都是他。

          我又想起了泰贤在那个雪夜里动过的念头。

          也许,泰贤自己的恐惧和念头,早已混进了他眼中仁哲的样子。

          这让我想起一句话:

          你眼中的别人,其实是你自己。

          7

          2024 年,我读到两本非常喜欢的书,把它们都选作了那一年的年度之书。

          一本是《鱼不存在》。我专门为它录过一期播客,播出后,激起了许多我完全没有想到的涟漪。

          另一本是《智能简史》,英文名 A Brief History of Intelligence。它于 2023 年在美国出版,2025 年初出了中文版。

          作者麦克斯·班尼特(Max Bennett)也有些特别。他不是神经科学家,也不是大学教授,而是一位做 AI 的创业者。他创办过两家 AI 公司,一边创业,一边在科学期刊上发表论文。

          今年春节,我重读了一遍这本书,又看到了一些以前没有注意到的东西。

          这本书想回答一个问题:人类的智能,究竟是怎么一步一步进化出来的?

          Bennett 的解释并不复杂:智能并不是一种单一的能力,而是在六亿年的时间里,经过五次关键突破,一层一层叠出来的。每一层都在上一层的基础上,增加一种新的能力。

          但这次重读,我还看到了另一面。

          总觉得还不够,为尚未发生的事情担心,明明和一个人很亲近,却依然难以理解彼此。这些日常的困扰,按照佛教的说法,也都是我们所经历的「苦」。

          沿着这条进化的时间线,似乎也能找到这些苦的来处。从这个角度看,这本书还可以读成一部「苦的自然史」。

          每一次智能突破都给了生物一份礼物,增加了一种能力,也同时带来了一份新的苦。

          8

          第一次突破,发生在大概五亿五千万年前。

          它的主角,是一种米粒大小、没有腿的小虫子,模样和今天的线虫有些相似。它属于早期的「两侧对称动物」。

          在此之前,早期动物的一种生活方式,是守在原地,等食物随机地来到身边。

          而这条小虫子不再只是等待。它开始主动游动,去寻找食物。

          从等食物来到自己面前,到自己出去找,看起来只是动了起来,却带来了一个新的问题:往哪儿游?

          每闻到一种气味、碰到一个东西,它都得判断:靠近,躲开,还是不用理会。

          于是,为了移动,进化先发明了好和坏。值得靠近的,是好的;需要躲开的,是坏的。一个正负号,第一次被写进神经系统。

          拿今天的线虫来说,它全身只有三百多个神经元。它不认识物体,也不在大脑里画地图。头上的感觉神经元,更像是在给移动的方向投票:这个气味,加分;那个温度,减分。

          在 Bennett 的讲述里,最早的感知,并不是先如实记录世界,再来判断好坏。感知本身,就已经带着好坏了。

          更有意思的是,同一条虫子,对同一种气味,也会作出相反的反应。

          比如二氧化碳。虫子饿的时候,会朝着这个气味的方向游过去,那里可能有食物;吃饱了,却又会躲开,那里也可能有天敌。

          气味没有变,变的是虫子自身的状态。

          一种气味、一个温度,本身并没有好坏。好坏,是小虫子的神经系统对它们的评价。

          在此之前,宇宙里本来没有好坏。

          太阳照在石头上,石头不觉得好;海浪打在礁石上,礁石不觉得坏。

          好和坏,是五亿多年前,被一条米粒大的小虫子发明出来的。

          我在《鱼不存在》那期播客里,聊过蒲公英原则。对有的人来说,蒲公英是杂草;对另一些人来说,它是药材,是颜料,是小孩吹出去的愿望。

          好和坏,从来不在蒲公英身上,而在看它的那个神经系统里。

          蒲公英不是杂草,也不是药材。它就是它。

          分别心,在我们的神经系统里。而分别心的种子,就是在这里种下的。

          9

          第二次突破,发生在大概五亿年前。

          两侧对称动物的一支后代,长出了脊椎、眼睛、鳃和心脏。它们是最早的脊椎动物,模样很像今天的鱼。

          从动物开始主动觅食起,世界也变得凶险起来。你能游向食物,别的东西也能游向你。

          而到了我们小时候在课本里学过的「寒武纪大爆发」时期,海里挤满了披着盔甲、举着大钳子的节肢动物,最大的能长到一米五以上。我们的祖先,那条小鱼,在它们中间毫不起眼。

          前面的小虫子已经有了一套应对世界的办法:觉得好,就靠近;觉得坏,就躲开。其中有些倾向是天生的,是漫长的自然选择留下来的。能帮助生物存活、繁衍的反应,更有机会被传给后代。

          但它们也不是完全不会学习。Bennett 在书里讲过,线虫也会根据经历调整好坏判断。原本吸引它的气味,如果和不好的经历联系起来,后来它也可能避开。

          不过,这种学习主要是在调整「什么值得靠近、什么需要躲开」。知道了这一点,并不等于就有办法到达想去的地方。

          书里讲了心理学家桑代克做过的一个实验。鱼缸一端明亮,另一端阴暗,中间放着带有缺口的隔板。鱼不喜欢亮处,想回到阴暗的一端,可直接往那边游,就会撞上隔板。

          起初,它四处尝试,碰了不少壁,偶然找到缺口,才游了过去。研究者反复把它放回起点,让它重新尝试。慢慢地,它撞上隔板的次数少了,找到缺口、游到另一端所花的时间,也越来越短。

          鱼对明暗的偏好没有变,变的是它到达暗处的办法。

          这就是 Bennett 所说的第二次突破:不只是调整对事物的好坏判断,还能根据行动的结果,逐渐学会一连串原本不会的动作。这种学习,叫作「强化学习」。

          基底神经节,是参与这种学习的重要脑区。它与其他脑区共同组成的回路,把当时的处境、做过的动作和后来的结果联系起来。哪些动作以后更容易重复,哪些会被减少,就在这个过程中逐渐改变。直到今天,基底神经节仍在鱼、猫和我们的脑子里。

          但要根据结果调整行动,还得有个标准:什么样的结果算好?前面讲过的好坏判断,在这里成了学习的依据。比如饿的时候,吃到食物就是好的。大脑中参与调节饥饿等身体需要的区域之一,叫下丘脑。身体需要什么,为学习提供了方向;具体怎么得到,则可以在尝试中学会。

          事情难在,结果常常来得太晚。刚才那条鱼,要穿过几道隔板才能回到暗处。如果只在最后才得到一个好结果,前面那么多次转向和尝试,该把功劳记给哪一步?

          Bennett 介绍的一个办法,是让大脑也学会预期:还没得到最后的结果,就能根据过去的经验,判断接下来有多大机会得到它。

          仍用刚才的小鱼来作一个思想实验。如果它已经学会,从最后一个缺口游过去就能到暗处,那么那个缺口也会逐渐有了价值。后来,它偶然换了一个方向,来到了这个熟悉的缺口前,虽然还没到暗处,前景却已经比刚才预想的更好了。

          这种预期的变化,也能成为学习的反馈,帮助它以后重复刚才那个动作。这样,学习就不必每次都等到最后,前面那些通向好结果的动作,也能逐渐得到强化。

          多巴胺在这类学习中的一个重要作用,就是传递这样的更新信号:结果,或者新出现的线索,让前景比原来预期的更好,还是更差?这种差别,叫作「预期误差」,英文是 prediction error。它帮助相关回路调整预测,也调整接下来的行动。

          科学家舒尔茨团队的猴子实验,让这个过程变得很直观。灯亮后,猴子触碰操作杆,就能得到果汁奖励。研究者同时记录多巴胺神经元的活动。

          还没学会这层关系时,意外得到果汁,会引起多巴胺神经元短暂而明显的活动增强。学会之后,果汁到来时不再引起同样的反应,反应却提前到了灯光出现的那一刻。

          果汁还没来,预示着果汁的线索,已经能引起多巴胺神经元的反应了。

          如果灯亮了,果汁却没有如期到来,多巴胺神经元的活动,就会在原本该得到奖励的那个时刻下降。

          这里记录的是学习信号,不能据此说,猴子已经不喜欢果汁了。灯光和果汁的关系已经学会,原来学到的行为也可以继续,并不需要每次都出现新的惊喜。

          科学家贝里奇的实验,进一步分开了「想要」(wanting)和「喜欢」(liking)。给老鼠增加多巴胺,它对食物的快乐反应并没有增加,却会更拼命地追。

          在这些实验里,多巴胺更多是在推动它去获得,而不是增加获得之后的快乐。

          一个大脑,完全可以拼命想要一个它并不喜欢的东西。

          这也让我重新想到在《够与多》那期播客里我们聊过的问题:我们是真的喜欢自己追逐的东西,还是只是被那股「想要」驱动着,停不下来?

          佛学里有一个词,叫「渴爱」,字面的意思就是口渴。它说的不是喝水时的享受,而是那种驱赶着你去找水的干渴。佛陀说,苦的根源就是它。

          不是喜欢,是想要。不是享受,是追逐本身。

          读到这一章时,佛学里那个「渴」字,对我来说又多了一层意思。那股催着我们不断追逐的力量,可以让我们一直往前,却不保证到达之后会快乐。

          它只管想要,不管喜欢。

          10

          第三次突破,发生在大概一亿年前。

          那时,恐龙还生活在地球上。为了避开它们,我们的祖先越缩越小,最后只有十厘米长。白天藏在地洞里,晚上出来找吃的,就这样躲了差不多一亿年。

          对这样的小动物来说,在现实世界中的「强化学习」有个大问题:学费太贵了。

          在满地恐龙的世界里,很多错误只要试一次,就没有下一次了。

          但躲藏也带来了一个别的动物没有的机会:可以先看,再动。

          趴在洞口,看一眼,再决定出不出去。

          看和动之间,第一次隔开了一段时间。

          新皮层,就是为了用好这段时间而生的。它在脑子里,搭建了一个世界的模型。洞口、树杈、鸟、虫子,还有恐龙,外面的世界有什么,脑子里的世界就有什么。

          这样,动物在真的行动之前,就可以先在脑子里走一遍。

          心理学家托尔曼曾经观察到,老鼠走迷宫,碰到岔路口时,会停下来,头往左探、往右探,仿佛在脑子里把两条路都走了一遍。后来,神经科学证实了这个猜想:停下来的那几秒,它们确实在轮流预演两条路。

          这台世界模拟器,并没有替换掉第二层的学习机。

          它只是把想象出来的结果,也拿给学习机打分。

          从此,学费可以在想象里交了。

          你可以在想象里被烫、逃跑、死上一百次,再带着学到的本领,到真实的世界里活下来。

          而我们的想象、计划、回忆,甚至后悔,也都是从这里来的。

          Bennett 有一句我很喜欢的话:思考不是诞生在什么神圣的地方,它就诞生在侏罗纪的地洞里。

          它要解决的,不过是一个很具体的问题:一个生物没机会试遍所有事情,又该怎么学会在现实里活下来?

          但从这一刻开始,动物有了两个世界。

          一个在外面。

          另一个,在它的脑子里。

          在《鱼不存在》那期播客的结尾,我引用过一句诗:

          「另一个世界确实存在,但它就在这个世界之中。」

          我当时用它来讲转念,讲这个世界的无穷可能性。

          但在这里,它还有一个字面意义上的解释。另一个世界确实存在,就在我们的脑子里,而且已经运行了一亿年。

          11

          这份礼物的代价,就藏在两个世界的关系里。

          我们大概都会以为,外面的世界在先,脑子里的世界在后。先看见,再在脑子里留下一个副本。

          但 Bennett 说,次序恰恰是反过来的。

          大脑的新皮层先生成一个世界,再拿感官送进来的真实信息去核对。对得上,感觉输入就可以省略;对不上,再修改。

          脑子里的世界在前,外面的世界,负责校对。

          我们以为自己在看外面,很多时候,看到的却是脑子里早已有的那个世界。

          这和《千脑智能》那本书,以及我在《无尽的探索》里讲的,是同一件事。

          它带来一个很奇怪的结果:模型越好,反而越不需要去看。

          就好比我们每天从家到公司那段路,它太熟悉了,以至于我们可能很久没有认真看过了。

          因为太熟悉,预测都正确,真实的输入就被自动跳过了。

          这也是为什么旅行会让人觉得鲜活。

          到了陌生的地方,预测不断出错,脑子里的模型不管用了。我们被迫张开眼睛,重新感受外面的世界。

          但这台模拟器也有停不下来的时候。在危机四伏的环境里,提前预演危险,可以帮助生物避开致命的错误。

          到了今天,我们不必时时提防猛兽,它却依然忙着预演。一次还没发生的争执、一个可能出现的坏结果,都能在脑子里一遍遍播放。

          可是,想象中的威胁,同样可能让身体紧张起来。你躺在安全的房间里,担心的事情还没发生,心跳却已经快了。

          焦虑,有时就是这样发生的。

          观呼吸或者冥想的作用,部分就在于把注意力从脑子里正在播放的东西,拉回此刻。

          不是再想出一个更好的答案,而是暂时回到呼吸,回到身体,回到这个没有发生那些事情的当下。

          12

          第四次突破,发生在大概一千万到三千万年前。

          主角是灵长类。

          它们选择了一种很了不起的生存方式:群居。一起觅食、放哨、对付天敌,活下来的机会,比单打独斗大得多。

          但群居也带来了新的竞争。

          地位、食物、配偶,都要争夺。身边会发生结盟,也会发生背叛。生物最大的对手,不再只是外面的猛兽,也可能是睡在身边的同类。

          除了丛林,它们开始面对另一种凶险的环境。

          彼此之间的关系。

          《被讨厌的勇气》里有一句很有名的话:人的一切烦恼,都来自人际关系。

          我很久以前就推荐过这本书,但读到这里才发现,原来这一层「关系的苦」,早在我们拿到群居这份礼物时,就已经种下了。

          上世纪七十年代,灵长类学家门泽尔做过一组观察。

          他把一群黑猩猩养在林子里,藏好食物,只把位置告诉一只地位很低的母猩猩,贝尔。

          起初,贝尔会开开心心地带大家去吃。可每次找到食物,地位最高的公猩猩罗克就会过来,全部抢走。

          几次之后,贝尔不再带路了。她坐在藏食物的地方,假装没事。

          罗克识破这一招,过来推开她。贝尔于是又学会了等。等罗克看向别处,才冲向食物。

          罗克也跟着变。他开始假装不感兴趣,但贝尔一动,他立刻跟上。

          到最后,贝尔甚至会把罗克往错误的方向引。而罗克,则专门朝相反的方向去找。

          这一来一回,比的已经不是谁动作更快。

          贝尔得知道,罗克看到了什么、想做什么;罗克得知道,贝尔知道什么、又想让自己相信什么。

          谁脑子里装的那个「对方」更准确,谁才更可能吃到食物。

          13

          要做到这一点,大脑需要建立一个关于「别人」的模型。

          进化依然沿用了现成的东西。它在新皮层上又长出一块新的皮层。这一次,输入不再来自眼睛、耳朵或身体,而是来自原来的新皮层。

          模拟器,开始模拟它自己。

          我在想什么,我想要什么,我是谁,我准备做什么。

          大脑第一次有了一个关于「我」的模型。然后,它把这个模型,拿去套在别人身上。

          这就是「心智化」。通过猜测另一个生物的内心,来理解它、预测它。人类的合作、教育、爱,都建立在这种能力之上。

          可是,这个办法从一开始,就有一个躲不开的限制:

          用来理解别人的那台机器,原本是用来理解你自己的。

          你没有办法直接进入另一个人的心。只能拿自己的经验、恐惧和欲望做材料,在脑子里拼出对方的样子,再去和这个想象中的人打交道。

          更麻烦的是,这个模型很难被纠正。

          关于物理世界的模型,错了,现实会告诉你。你可能以为火不烫,但只要摸一下,马上就知道错在哪儿。

          和人打交道时就不一样了。

          你以为对方不喜欢你,就开始刻意回避。对方感受到疏远,也慢慢与你拉开距离。于是,你会觉得:果然,这个人不喜欢我。

          你的预测,自己制造了自己的证据。

          物理世界会纠正模型,人际关系却常常顺着模型,给它更多确认。

          现在,再想想泰贤。

          山上那个晚上,仁哲不在了,随身听不见了。他的大脑在一片空白里,演出了一整场背叛:仁哲拿着随身听,独自逃命去了。

          这不完全是我们平时说的「胡思乱想」。在泰贤脑子里,他可能真的看见了那个画面。

          可搭出这幅画面的材料,来自哪里?

          是那个在恐惧中,也想过丢下民洙、独自逃命的自己。也是那个可能在机场看见仁哲受伤,却没有去救他的自己。

          十七年来,这个模型没有被纠正过。

          仁哲说了什么、做了什么,都会先经过它:符合的,是证据;不符合的,是例外。

          14

          第五次突破,发生在大概三十万年前。

          人类发明了语言。

          每一层智能突破,都站在上一层的肩膀上。语言也不例外。

          表面上,说话不过是一个人开口,另一个人听。但真正的前提,是你能猜到对方在想什么、已经知道什么、还不知道什么。知道这些,才知道该说些什么。

          没有心智化,也就没有对话。

          Bennett 认为,语言真正革命性的地方,并不是交流。很多动物也能交流。

          它真正厉害的地方在于,让一个大脑里的模拟,能够进入另一个大脑。

          一个地方,我没去过,你去过。你讲给我听,我就仿佛也有了那段经验。

          一个人,我从未见过。你讲了关于这个人的故事,我脑子里就有了一张脸。

          知识第一次可以跨过一个人的生命,在不同的人、不同的世代之间积累。

          我们今天拥有的科学、文明,甚至你正在读的这篇文章,都来自这份礼物。

          书里有一个让我印象很深的例子。

          八千年前,塔斯马尼亚岛上的人会做骨器、织渔网,会做鱼叉和回旋镖,会缝御寒的衣服。后来,海平面上升,岛屿和澳洲大陆隔开,能互相说话的人变少了。

          到了十九世纪,这些技术全部失传。

          那时的知识,不是躺在某个仓库里的东西。它活在一个个大脑里,靠人和人说话,一代代传下去。传递的人少了,链条断了,文明也会往回退。

          但是,语言在传递经验时,也做了另一件事。

          压缩。

          世界是连续的,语言是离散的。

          一个活生生的人,每天都在变化,在不同处境里会有不同的反应。进入语言之后,却可能只剩下一句话:

          「这个人很自私。」

          「这个人很靠谱。」

          「就是那种人。」

          然后,这句话开始替代那个人。

          你不再看眼前的人,只要想起那个词,就觉得自己已经知道了。

          泰贤藏了十七年的那句话,就是这样:

          「仁哲是一个会在最危险的时候扔下朋友的人。」

          第四层用自己的材料,拼出一个关于别人的模型。第五层再用一句「这是一个什么样的人」,把它固定下来。

          从此,泰贤看到的仁哲,就越来越像那句话里的样子。

          15

          把这五次突破放在一起:

          方向,分别心。

          学习,停不下来的追逐。

          想象,焦虑。

          我们学会理解别人,也从此只能隔着自己去看别人。

          我们有了语言和文明,也开始用标签替代一个活生生的人。

          带来这些能力的机制,也让这些苦有了发生的可能。

          我们很难只享受其中的便利,却完全不受它的影响。

          很多年前,我录过一期播客,叫《所有命运赠送的礼物,早已在暗中标好了价格》。读这本书时才发现,这句话还能一直往前追溯,追到五亿多年前那条小虫子身上。

          佛学里有一个词,叫「无明」。我们受苦,是因为看不清楚。

          我过去觉得,这是一种笼统的糊涂。现在却觉得,所谓看不清,也许有很具体的结构。

          第一层,让我们有了分别心。

          第二层,让我们把自己想要的,当成自己真正喜欢的。

          第三层,让我们把想象,当成现实。

          第四层,让我们把自己的材料,当成别人的内心。

          第五层,让我们把一个词,当成真实存在的东西。

          而且,它们不是轮流发生的。

          你可以一边身体不舒服,一边担心明天,在脑子里预演最坏的结果,又因为别人的眼光感到羞耻,最后用一个词,给自己下了判决。

          几层东西同时在运转,到了我们这里,却只剩下一个感受:

          我很痛苦。

          我们以为,是一个「我」在受苦。但沿着这本书给的视角看,它是几层错觉的叠加。

          再回到山上的那个夜晚。

          天黑了,雪还在下,屋里越来越冷。泰贤的脚受了伤,民洙昏迷着,仁哲不见了。

          在泰贤的大脑里:

          第一层,给恐惧标上极重的负号;第三层,在空白里演出一场背叛;第四层,把自己的恐惧和欲望,安在仁哲脸上;第五层,再用一句话,把这个人封存了十七年。

          整个过程里,他的大脑,没有出过任何故障。

          每一层都在正常工作。

          他看不见仁哲,不是因为哪里坏了。而是这六亿年的进化里,从来没有哪一层,是为了看见一个人而生的。

          它们只是为了让生物活下来。

          活下来需要分好坏,需要预测,需要提防,却不一定需要完整地理解眼前这个人。

          16

          这本书的五层智能突破讲完了。

          我觉得我们可以沿着 Bennett 的视角,再往前走一段,走到他没有写、我们却每天生活在其中的地方。

          第五次突破之后,语言一直在变。起初是口口相传,后来有了文字、印刷术、录音录像。知识不必再像塔斯马尼亚那样,只靠活着的大脑保存。它可以躺在纸上,穿越几百年,等待未来的读者。

          再后来,互联网来了。获取知识的成本几乎降到零,每个人也有了向更多人表达的机会。查找资料、分享生活、和远方的人保持联系,起初我们更容易感受到的,是这份礼物。

          但当留住我们的注意力成了一门越来越赚钱的生意,事情就开始变了。

          Tim Urban 在《What's Our Problem?》里讲过这段变化:原本按时间排列的动态,逐渐变成了围绕互动率优化的信息流。平台要找到的,是最容易让我们点开、转发、点赞,以及忍不住继续看下去的东西。

          如果说推荐的内容恰好是我们想了解的,双方都受益。但为了留住我们,算法会转而迎合那些我们明知不值得、却抵挡不住的诱惑。用 Tim Urban 的话说,它开始诱捕我们的「原始心智」。

          借用前面的五层来看,最容易被诱惑的是最早的两层:一个急着给世界打正负号,一个永远还想要更多。

          于是,一件复杂的事情发生,成千上万条评论冒出来,最后被点赞最多的,未必最准确,却往往最能戳中情绪。

          标签打败复杂,情绪打败准确,极端打败温和。

          第五层原来就有的代价,就这样被放大了。一个活人被压成一个词,一件复杂的事被压成一个标签,又因为更容易吸引注意,被不断推到我们面前。

          我们每天刷的信息流,就像一部为自己量身定制的维基百科。里面的内容按我们的偏好筛过一遍,我们又日复一日地浸泡其中,用这些标签、情绪和故事,构建脑子里那个世界。

          而这些平台,已经成了地球上最有钱的一批公司。我们的注意力,就是它们的生意。为了留住我们,它们不断优化信息流,让它一天二十四小时地运转,塑造着我们脑海中的世界。

          也塑造着我们看待外面世界的方式。

          17

          这让我想起《佛陀传》里的五戒:不杀生,不偷盗,不邪淫,不妄语,不饮酒。

          第一次读到,我有些不理解。

          其他几条都好理解。可是说假话,怎么会严重到和它们并列?

          后来读到佛陀的解释,大意是,人和人之间传递虚假、恶意、煽动的话,会引发巨大的混乱,最终结成巨大的恶果。

          现在再看,我更能理解了。

          一句话,是可以进入另一个人的大脑,改变那里面的世界的。

          很多时候,写的人明明知道不是真的,却为了流量、点赞,或者只是发泄情绪,把它写出来,也并不在意,那些话到了别人的脑子里,会留下什么。

          偏偏,最虚假、最能挑动情绪的内容,常常传得最广。

          两千五百年前,一句妄语从一张嘴传到另一只耳朵,可能坏掉一个村子。今天,一个晚上,它就可以传遍全世界。

          语言让一个大脑里的东西,能够进入另一个大脑。这是它给我们的礼物。

          妄语用的,也是同一条路。只是送进去的,是一个歪曲的世界。

          成本越来越低,影响却越来越大。

          这已经不只是泰贤能不能看见仁哲的问题了,而是几十亿个脑子里的世界,每天在彼此投喂标签和情绪,又不断确认,这就是真实的世界。

          那人和人之间,还有可能真正看见吗?

          18

          克里希那穆提谈过这个问题。

          他是上个世纪的一位印度思想者,花了五十多年,在世界各地和人谈话。我读过他的一些书和文章。

          在那些谈话里,有两个反复出现的词。

          一个是 image,意象。

          我们对一个人、一件事,慢慢形成了一套固定的认识。记忆、判断、标签,混在一起,成了那个人的样子。

          这正是前面几层智能,一直在做的事。

          克里希那穆提说,你看到的爱人,不是你的爱人,而是你关于这个人的记忆、判断和命名。对方眼里的你,也是如此。

          在一起生活的,像是两个人。

          可真正打交道的,是两个人心中的意象。

          两条平行线,永不相遇。

          一个意象里,究竟有什么?

          有对方真实的言行。比如,这个人确实经常迟到。

          有你过去的经验。朋友一沉默,你想起的也许是小时候父亲沉默的样子,以及接下来家里会发生的事情。

          还有一些,是你自己都不愿承认,甚至根本没有弄明白的东西。

          这些材料在脑子里搅在一起,却没有留下各自的来处。

          你分不清,哪一块是观察,哪一块是过去,哪一块其实是你自己。

          你只看见了一个完整的、自己以为认识的人。

          另一个词,是 register,注册,也就是大脑的自动记录。

          每经历一件事,尤其是带着情绪的事,大脑就记下来。形成一个新的意象,或者给旧的意象,再添一点东西。

          比如,此刻你在读这篇文章。

          你一边读,一边也在给孟岩这个人做记录。你可能认同,也可能反感。无论是哪一种,脑子里关于我的那个形象,都可能又多了一笔。

          我们每天和人相处时,都在做这件事。

          所以,很多时候,我们以为沟通不够才会有误会,多说一说,就能解决。

          可多说的那些话里,交换的又是什么呢?

          还是意象。

          我把脑子里的「你」说给你听,你把脑子里的「我」说给我听。说得越多,记下来的也越多。

          那堵墙,反而可能越来越厚。

          19

          他给出的答案,不是沟通,也不是一套练习的方法,而是 total attention,全然的注意力。

          这和我们平时说的专注,还不太一样。专注里,有一个「我」在努力。他所说的,却是整个人都在这里:眼睛在,耳朵在,身体在,心在,但没有一个「我」站在中间指挥。

          当这样的注意力在时,他说,旧的意象就起不了作用。不是熟悉的记忆和判断替你看,而是你的感官真的在工作,看着眼前的人,而不是一份熟悉的档案。

          同时,新的注册也不会发生。经历的事情,不会立刻变成偏见、伤害和标签。他的原话是:「当你把全然的注意力给到那个瞬间,侮辱就不会被注册为伤害。」

          旧的意象慢慢失效,新的注册慢慢停止,人和人之间,可能就更能看见了。

          但如果你问,具体该怎么做?对不起,我没有一个方法可以交给你。

          克里希那穆提说的全然的注意力,听起来简单,却不是靠反复练习就能得到的。佛陀给过一条路:戒、定、慧,观呼吸,观感受。那条路需要一点一点地增长智慧,日复一日地练习。我们一边使用着这套智能,一边又想从六亿年进化带来的局限里走出来,并不容易。

          甚至,连你刚刚读懂的这一切,此刻也正在被注册。这篇文章依然在用文字表达,你一边读,一边把「意象」「注册」「正负号」「渴爱」「全然的注意力」记下来,它们也可能正在脑子里变成一串新的标签。

          我们用来理解这篇文章的机器,就是这篇文章讲的那台机器。

          不过,有一件事也许没有那么难:此刻就意识到,我正在用意象看这个人,我的注册器正在工作。

          我想,发现这件事的那一刻,我们至少不再只是顺着意象作反应,而是开始看见它。

          意象被看见的那一刻,它就松动了。

          20

          去年的这个时候,我和阿娇录过一期播客,那期节目的标题叫《我的另一面,也想被注视和欣赏》。从那期节目,到后来她的文字,以及我们断断续续的交流,我都能感受到她的渴望:期待自己的更多面,能被大家看见。

          但是,就像前面讲的:人被进化成这个样子,从来就不是为了「看见」,而是作为一个生物,为了更好地活下去。

          所以,我们看到的,是六亿年前的那个正负号:好,或者坏;

          我们看到的,是多巴胺想要的东西:永远在追,永远不够;

          我们看到的,是脑子里自己生成的那个世界:预测,替代了眼睛;

          我们看到的,是用自己的素材拼出来的别人:恐惧和欲望,戴着对方的脸;

          我们看到的,是一个词,一个标签:「就是那种人」。

          我们看到的,是一面我们以为是窗户、但其实照出了自己的镜子。

          我又想到了《鱼不存在》那本书里,我非常喜欢的那句诗:

          「另一个世界确实存在,但它就在这个世界之中。」

          以前读到它的时候,我更多是从「空」的角度、从无穷可能性的角度去理解这句话:我们每个人都可以转念,一转念,就会看到一个新的世界。

          但当我创作完这期播客和文章,当我又修改了一遍脑海中对这个世界的模拟,我也通过它,看到了不同的东西。

          另一个世界确实存在。它可能就在前面讲的这条路上:从只是被动地接收和反应,到开始觉察、看到自己的局限,再到有一天,真的有机会打破自己旧有的心智模型。也许到那个时候,我们可以看到一个更新、更真实的世界。

          21

          最后,我又想起《好朋友们》里的那场告别。

          泰贤把那句话藏了十七年,直到最后才说出口。而在那之前,仁哲已经在他心里,变成了另一个人。

          我想,

          我们每个人心里,也都住着一些这样的仁哲。

          也都有一些话,很多年没有说出口。

          跳转微信打开

          The Batch: 981 | Ox Alpha 被揭晓为 GLM-5.3-Flash

          2026年9月9日 12:45

          原创 DeeplearningAI 2026-09-09 12:45 北京

          Hi~新朋友,记得关注我们哟

          在一周多的时间里,OpenRouter 上使用最广泛的模型,其名称和制造者一直成谜。上周,它被公开宣布为一款新的 GLM 系列模型——令许多人惊讶的是,该公司表示,这款模型的免费、高流量预览版完全由中国制造的芯片提供支持。现在,任何人都可以下载它的权重。

          ● 最新消息:Z.ai 发布了 GLM-5.3-Flash,这是一款视觉语言模型,先前以“Ox Alpha”之名进行预览。这是该公司自 4 月的 GLM-5V-Turbo 以来推出的首个视觉模型,也是 GLM-5 家族中第一款从一开始就构建视觉能力、而不是后来再附加到语言模型上的模型。

          ✴ 输入/输出:文本、图像和视频输入(最多 1,048,576 个 token),文本输出(最多 128,000 个 token,44.6 token/秒)

          ✴ 架构:混合专家(MoE)Transformer,结合线性注意力和稀疏注意力,总参数量 3200 亿,每个 token 激活 180 亿参数

          ✴ 特性:可调推理级别(低、高和 max,默认),推理无法关闭;流式输出、工具调用、上下文缓存

          ✴ 性能:在 Artificial Analysis 的 Intelligence Index 上获得 57 分;在 Artificial Analysis 的 GDPval-AA v2(真实世界知识工作任务)中位列所有模型第三,并且是开放权重模型中表现最佳者

          ✴ 可用性/价格:可通过 GLM Coding Plan 订阅获取,月费从 18 美元到 168 美元不等;API 价格为每百万输入/缓存/输出 token 分别 0.15/0.03/0.50 美元

          ✴ 权重/许可证:可在商业友好的 MIT 许可下免费下载安装

          ✴ 未披露:知识截止时间,预训练数据来源

          ●工作原理:Z.ai 从一开始就用文本、图像和视频训练 GLM-5.3-Flash,而不是后来再把视觉和文本 Transformer 拼接起来。与更大的 GLM-5.3 不同,Z.ai 是从零开始预训练该模型,并重新设计了注意力层,使其能够更高效地处理长输入。

          ✴ 这是 GLM 系列中的首创,该模型混合了两种注意力机制。线性注意力是一种更节省内存的变体,其成本随输入长度线性增长,主要关注邻近上下文;稀疏注意力则关注完整上下文。公司表示,这种组合将注意力计算量降低到 GLM-5.3 的大约三分之一,也低于 DeepSeek-V4-Flash 和 Kimi K3。

          ✴ 一个名为 IndexPool 的步骤会把每四个检索向量平均合并成一个向量,以便当上下文接近 100 万 token 时减少内存占用。再加上这种混合注意力机制,使 GLM-5.3-Flash 的键值缓存降到 GLM-5.3 的四分之一以下,但仍高于 DeepSeek 或 Kimi 的最佳数值。

          ✴ 公司在一个 30 万亿 token 的多模态语料上预训练了该模型。它使用了 Manifold-Constrained Hyper-Connections,这是一种由 DeepSeek 开发的技术,将典型的层间连接拆分为多条并行连接,并在这些路径合并时保持稳定。公司表示,这帮助模型实现了高效扩展。

          ✴ 为了生成训练数据,Z.ai 让模型在能够渲染前端、游戏或 3D 场景、查看结果并进行修改的环境中运行。随后公司用这些尝试对模型进行训练。对于前端工作,Z.ai 表示其尝试了强化学习,根据渲染页面的最终效果来给模型打分。

          ✴ 在推理时,模型会让每个 token 通过 288 个专家中的 8 个,并使用大约一半的网络层(45 层),而 GLM-4.5 为 92 层。一个多 token 预测层会提前起草若干 token 供主模型检查,从而加快生成速度。

          ● 性能表现:独立评测显示,GLM-5.3-Flash 略低于顶级开放权重模型,但每项任务的成本大约只有其上方开放权重模型的八分之一。领先的专有模型每项任务的成本则高出 10 到 35 倍。GLM-5.3-Flash 在一项真实世界工作评测中领先所有其他测试过的开放权重模型,并且在长时间运行的编码任务上几乎与更大的 GLM-5.3 一样好,而后者每项任务的成本是前者的 16 倍。

          ✴ GLM-5.3-Flash 在 Artificial Analysis 的 Intelligence Index 上获得 57 分;该指数综合了九项对经济上有用任务的评测,平均每项任务仅花费 0.09 美元。以更低的价格,它接近了开放权重领域的领跑者 Kimi K3 和 GLM-5.3(两者都设置为 max 推理,均为 60 分,分别为每项任务 0.84 美元和 0.68 美元)。它与 Claude Opus 4.8(设置为 max 推理,每项任务 2.03 美元)持平,并优于 Gemini 3.7 Flash(56 分,每项任务 0.40 美元)。

          ✴ GLM-5.3-Flash在 Artificial Analysis 的 GDPval-AA v2 中排名第三(1,765 Elo)。该榜单对模型在经济相关领域任务中的对决结果进行排名,落后于 Claude Opus 5(设置为 max 推理,1,824 Elo)或 xhigh 推理(1,797),领先于 Grok GLM-5.3(设置为 max 推理,1,758)和 Grok 4.6(设置为 xhigh 推理,1,755)。

          ✴ 在 DeepSWE v.1.1 上,GLM-5.3-Flash 能够一次性解决 63% 的问题。DeepSWE v.1.1 是一项软件工程技能测试,其编码任务需完全从头编写,而不是来自公开代码库。在这一基准上,它每项任务成本为 0.24 美元;相比之下,GLM-5.3 为 69%,每项任务 3.99 美元,而 Claude Opus 5 设置为 max 推理时为 74%,每项任务 11.84 美元。规模相近的 DeepSeek V4 Flash 以两倍的成本解决了 53%。

          ✴ 该模型文字输出冗长且速度较慢,尤其考虑到它的体量。该模型完成 Artificial Analysis 的 Intelligence Index 使用了 1.5 亿个 token,超过中位数(1.1 亿)。在多个硬件提供商上,它平均每秒生成 45 个 token,明显慢于 GLM-5.3(每秒 78 个 token)以及 Artificial Analysis 测试的典型模型(每秒 69 个 token)。

          ● 新闻背后:在发布前的一周里,Z.ai 以匿名方式推出了 GLM-5.3-Flash 的预览版,且在发布前的一周里,它仅在编码框架 OpenCode 和模型市场 OpenRouter 上免费独家提供。通过这种方式,公司得以收集开发者的反馈,而这些开发者并不知道自己测试的是哪一个模型。公司表示,Ox Alpha 在那一周成为这些服务上最受欢迎的模型。用户根据其 tokenizer 输出,在几天内便猜测这款神秘模型属于 GLM 家族。8 月 26 日,Z.ai 确认了该模型,并在标准 MIT 许可下公开了其权重。两天后,公司又发布了旗舰模型 GLM-5.3 的权重,采用类似 MIT 的许可,但增加了一项条款:任何年收入超过 100 亿美元的企业,在将这些权重用于商业用途前,都必须先接受 Z.ai 的安全审查。

          ●重要原因:虽然 GLM-5.3 仍然在文本基准上领先于 GLM-5.3 Flash(以及几乎所有开放模型),但就目前而言,Z.ai 的低价模型也是更先进、更多用途的那个。GLM-5.3 只是一个能力很强的微调版,而 Flash 则拥有新的基础模型、架构和视觉能力。公司表示,其下一代旗舰模型将继承这种多模态、混合注意力架构,同时使用更多数据训练并展现更强能力。几个月前,GLM-5V-Turbo 在视觉语言任务上超过了 Claude Opus 4.6;下一代 GLM 系列模型或许也会同样挑战顶级专有多模态模型。

          ● 我们在想:Ox Alpha 的匿名预览制造了话题和神秘感,但也让用户能够依据其优缺点来评判它。或许揭示出的最大谜团,是它依赖中国本土厂商生产的芯片。这表明,只要采用合适的内存优化方法,企业就能在经济价位的硬件上,以规模化方式提供一款具有成本效益、性能出色的模型——尽管它比我们对前沿模型习以为常的标准要小一些、慢一些。

          点击下方阅读原文查看更多有趣内容哦~

          阅读原文

          跳转微信打开

          9月19日开营|言e实验室入局营第31期,破局营第2期招生中

          2026年9月9日 10:16

          AIGCPM 2026-09-09 10:16 北京

          以下文章来源于:AIGC产品经理研习社

          AIGC产品经理研习社

          为AIGC产品经理提供一个交流学习的平台。

          报名非常火爆,已经有很多同学提前预定了新的一期,新的一期统一于9 月 19 日开营!

          有人刚开始转向 AI 产品,还在补技术认知、项目经验和求职表达;

          也有人已经做了几年产品,真正卡住的已经不是“AI 是什么”,而是:

          怎么把已有经验迁移到 AI,怎么把项目做深,怎么让自己的能力匹配更高要求的岗位。

          所以,我们保留两条不同的学习路径:

          言e入局营,面向 0—3 年转行及求职人群;

          言e破局营,面向已经有一定产品 / 业务经验,希望继续向上突破的人群。

          一路走来,我们陪伴许多学员完成了从转行入门到独立负责项目的成长。有人进入大厂和上市公司核心岗位,有人已经开始带团队。即使课程结束,大家依然会在面临重要职业选择时回来交流,也愿意把朋友、同事和家人介绍给我们。

          页头字体放大1.5倍后的海报

          在这里,想特别感谢每一位选择并信任我们的学员,也感谢一路同行的合伙人和讲师团队。

          我始终不认同“做培训就是割韭菜”。真正有价值的培训,本身就是一款需要持续理解用户、验证效果、跟随技术和市场不断迭代的 AI 产品。

          真正能够留下来的,一定是持续交付结果、经得起学员和市场检验的产品。真心能够换来真心,而大家长期的信任,就是我们最珍贵的答案。

          图片

          图片

          图片

          图片

          跳转微信打开

          ❌