铃阅时讯
❌

阅读视图

DeepSeek DualPath 论文详细解读

原创 AI闲谈 2026-03-06 20:01 北京

没等来 DeepSeek V4,等来了 DualPath,虽然没有非常多算法上的创新,依然是个非常不错的工程实践。依照惯例,这里我们对 DeepSeek 的这篇文章进行重点介绍。

一、引言

没等来 DeepSeek V4,却先等来了 DualPath。虽然它在算法层面并没有带来特别显著的创新,但从工程实践的角度看,依然是一项非常值得关注的工作。业内已经有不少关于 DualPath 的介绍,不过按照笔者的一贯习惯,对于这类具有较强启发性的技术方案,还是希望进行一次较为系统的解读。

对应的论文:[2602.21548] DualPath: Breaking the Storage Bandwidth Bottleneck in Agentic LLM Inference

DeepSeek 的相关文章可以参考:

其他相关文章可以参考:

    二、摘要

    多轮、Agentic LLM Inference 的性能越来越受 KV-Cache 存储 I/O 主导,而非算力主导。在主流 PD 分离架构中,从外部 Storage 加载海量 KV-Cache 会产生根本性失衡:Prefill Engine 的 Storage NIC 带宽饱和,而 Decoding Engine 的 Storage NIC 却处于闲置状态。这种不对称性严重制约了系统整体吞吐量。

    为此,DeepSeek 提出 DualPath Inference 系统,通过引入双路径 KV-Cache 加载机制突破上述瓶颈。在传统 Storage-to-Prefill 路径之外,额外实现了 Storage-to-Decoding 路径,将 KV-Cache 加载到 Decoding Engine 后,通过后端计算网络的 RDMA 技术高效传输到 Prefill Engine。该系统融合了两大创新:

    • 优化数据路径:该路径天然可以规避网络拥塞,且不对延迟敏感的模型 Forward 通信产生干扰。

    • 全局调度器:动态平衡 Prefill Engine 和 Decoding Engine 的负载分配。

    基于三种模型在真实 Agentic 工作负载下的评估表明,DualPath 在自研的推理系统中将 Offline Batch Inference 吞吐提升 1.87x;在满足 SLO 的前提下,Online Serving 吞吐平均提升高达 1.96x。

    三、背景

    3.1 标准 DGX Superpod 集群

    3.1.1 DGX H100 System

    如下图所示为一个 DGX H100 System(具体可以参考 Introduction to the NVIDIA DGX H100 System [2]),其包含:

    • 8 个 H100 GPU,每个 GPU 900 GB/s NVLink 带宽。

    • 总共 900*8=7.2TB/s NVSwitch 带宽,80*8=640GB HBM3 显存。

    • 8 个 400 Gbps 的 ConnectX-7计算网卡,提供 8*400 Gbps 带宽(4 x OSFP ports)。

    • 2 个 400 Gbps 的 ConnectX-7存储网卡,提供 2*400 Gbps 带宽(Slot 1 和 2)。

    • 1 个 100 Gbps Ethernet NIC(前端网络,Slot 3)。

    3.1.2 SuperPod SU

    如下图 Figure 2 所示为构建 DGX-SuperPod-H100 的基本单元,称作 SuperPod SU(Scalable Unit):

    • 每个 SU 中包含 8 个 Compute Rack,每个 Rack 40 KW。

    • 每个 Compute Rack 包含 4 个 DGX H100 System,以及 3 个 PDU(Power Distribute Unit),也就是每个 Compute Rack 32 个 H100 GPU,则一个 SU 有 256 个 H100 GPU。

    3.1.3 Management Rack

    在 H100 对应的 DGX SuperPod 中,NVIDIA 提供了 Management Rack。如下图 Figure 3 所示为一个示例(针对不同的规模相应的配置会有所改变),其包含:

    • 后端计算网络:

      • 32 个 LeafCompute Switch,使用 QM9700,每个可以提供 64 个 400Gbps 的 Port。理论上有 32*(64/2)=1024 个 400Gbps Port 可以连接节点上的 ConnectX-7 网卡,剩下的 1024 个 Port 正好连接 16 个 Spine Compute Switch,实现 1024 GPU 的无阻塞(Non-Blocking)网络。

      • 16 个 Spine Compute Switch,同样使用 QM9700。正好连接 32 个 Leaf Compute Switch 的一半 Port。

    • High-Performance 存储网络:

      • 8 个 Leaf Storage Switch,同样使用 QM9700,连接存储网络的网卡和 Spine Switch。

      • 4 个 Spine Storage Switch,同样使用 QM9700,连接存储网络的 Leaf Switch。

    • 前端网络:

      • 6 个 SN4600c In-Band Leaf Switch。

      • 2 个 SN4600c In-Band Spine Switch。

    • 管理网络:

      • 8 个 SN2201 Out-of-Band Leaf Switch。

    3.1.4 DGX SuperPod 127-node

    如下图 Figure 5 所示为一个 127 节点的 DGX SuperPod 对应的计算网络,对应 4 个 SU,以及一个上述的 Management Rack。理论上上述的 Management Rack 正好可以连接 4 个 SU 的 128 个 Noe,但是 Leaf Switch 有一部分连接了 UFM(Unified Fabric Manager),所以实际上只有 127 个节点(NVIDIA 在最新的交换机中优化了这个部分,不会再出现少一个节点的情况)。

    如下图 Figure 6 所示为其对应的 High-Performance 存储网络,也可以看出,计算网络和存储网络是独立的网络平面,互不联通。

    如下图 Figure 8 所示为前端网络,也是独立的网络平面:

    3.2 DeepSeek H800 集群

    DeepSeek 在 [2505.09343] Insights into DeepSeek-V3: Scaling Challenges and Reflections on Hardware for AI Architectures [3] 中也介绍过其 H800 集群的网络拓扑,如下图 Figure 2 所示,其与标准 DGX H100 有所不同,其不是 2 个 High-Performance 存储网卡,每个节点只有一个 400 Gbps 的存储网卡。(PS:其并没有介绍是否还有独立的前端网卡,还是 Storage NIC 就是东西向网络,而计算网卡是南北向网络。)

    3.3 当前系统的问题

    当前 Agentic 应用场景快速发展,输入序列长度急剧增加,KV-Cache 的加载成为主要瓶颈。

    • 如下图 Figure 1 左侧所示,Prefill 节点使用 Storage NIC 加载 KV-Cache 的利用率达到 100%,而 GPU 的利用率只有 40%。与此同时,Decode 节点的 Storage NIC 利用率极低。

    • 如下图 Figure 1 右图所示,通过利用 Decoding 节点的 Storage NIC + 后端计算网络 NIC 作为 KV-Cache 加载的第二路径,可以更加充分的提升 Prefill 节点的利用率。

    四、方案

    4.1 方案概览

    DualPath 依赖两种广泛认可的技术:

    • PD 分离:Prefill 和 Decoding 分开部署,以获得更高的效率。

    • Layerwise Prefill:按层加载 KV Cache,可以和计算 Overlap,提升 GPU 利用率。 

    DualPath 系统包含以下几个关键组件:

    • Inference Engine:每个 Engine 管理一个 GPU,其中 Prefill Engine 简称 PE,Decoding Engine 简称 DE。

    • Traffic Manager:采用以计算网卡为中心(CNIC-centric)的流量管理方案,以防止 KV-Cache 的后端流量干扰模型 Inference 的正常通信。每个 Engine 包含一个 Traffic Manager,用于:

      • CPU DRAM 和 GPU HBM 之间的数据拷贝(H2D 和 D2H)。

      • PE 和 DE 之间的 KV-Cache 传输。

      • 经由 Storage NIC 读写 Storage 中的 KV-Cache。

    • Request Scheduler:中心调度器,负责:

      • 接收 Client 端 Request 并将其分发给各个 Engine。

      • 在两条数据加载路径之间进行动态的流量分配。

    4.1.1 DualPath 加载

    DualPath 的核心创新是在 “Storage-to-Prefill” 的路径外,额外引入一条 “Storage-to-Decoding” 的路径。允许 KV-Cache 先加载到 DE 中,然后通过高带宽的计算网络(经 RDMA)传输给 PE。通过在两条路径之间动态分配负载,能够聚合所有 Engine(包括原本闲置的 DE 侧的 Storage NIC)的存储带宽资源,进而将 Storage I/O 从单一资源瓶颈转变为一个全局池化且可调度的资源。具体数据流程如下所示,为了实现 DualPath 加载,会在每个 PE 和 DE 预留少量的 DRAM 作为缓冲区,称为 PE Buffer 和 DE Buffer:

    • Prefill PE 读路径(Figure 4a):

      • 命中的 KV-Cache 从持久化 Storage 中经存储网卡(SNIC)读取到 PE Buffer 中(1 和 2)。

      • 该过程会逐层进行并充分的 Overlap。

        • 以 Layerwise 的方式将 KV-Cache 逐层加载到 GPU HBM 中(3 和 4)。

        • 逐层加载后的 KV-Cache 可以立即启动计算。

        • 计算后的命中 KV-Cache 和未命中 KV-Cache 会经计算网卡(CNIC)传输到 DE Buffer 中(5、6 和 7)。

    • Prefill DE 读路径(Figure 4b):

      • 命中的 KV-Cache 从持久化 Storage 中经存储网卡(SNIC)读取到DE Buffer 中(1 和 2)。

      • 该过程会逐层进行并充分的 Overlap。

        • PE 以 Layerwise 方式经计算网卡(CNIC)从对端 DE Buffer 中拉取命中的 KV-Cache(3、4 和 5)。

        • 逐层加载后的 KV-Cache 可以立即启动计算。

        • 某一层计算完之后只需将未命中的 KV-Cache 传输给 DE Buffer,然后与 DE Buffer 中命中的 KV-Cache 合并。

    • Decoding 阶段:

      • 在 DE Buffer 中拼凑齐完整的 Prompt KV-Cache后(包括网络传输来的和新生产的),Decoding 阶段便正式开始。

      • DE 首先在自己的 HBM 中分配所需显存,执行 H2D 传输,并在开始模型 Decoding 之前主动释放 CPU DRAM,避免浪费。(PS:增加 DE Buffer 会额外引入一次 H2D 操作,实际上可以使用 RDMA 直接写入 HBM,但是考虑到 Agentic 场景中 TTFT 耗时占比很大,DE Buffer 能够有效缩短 KV-Cache 在 HBM 中的占用周期)

      • 在 Decoding 阶段,每当积攒够一个完整的 Block(通常 64 个 Token),系统立即将它们持久化写入 Storage。

    • 不同的数据块布局:系统采用两种不同的内存布局类型:

      • Full Block:存储全部层的数据,对于所有的 Storage 存储操作,均使用 Full Block 以提升吞吐。

      • Layer Block:存储单层的数据,当 PE/DE 数据在 HBM 和 CPU DRAM 中逐层流式搬运时,均使用 Layer Block。

    4.1.2 Bottleneck-Free 分析

    作者通过数学形式论证,在绝大多数合理的 P/D 比例配置下,该系统可以跑满 SNIC 的带宽,而不会引入任何 CNIC 或 DRAM 方面的新瓶颈。

    假设:各节点的 PCIe 拓扑结构优良,调度实现负载均衡,计算网络不拥塞,且整个系统的存储读带宽被 100% 使用。

    参数定义:

    • 设 P 和 D 为 Prefill 节点和 Decoding 节点的数量。

    • 每个节点包含 g 张 GPU(并配有带宽为 B 的 CNIC),节点 CNIC 总带宽为 B x g。

    • 每个节点 SNIC 总带宽为 B x s,这里 s 可以理解为折算系数(1 个 200Gbps SNIC,则 s=0.5,2 个 400 Gbps SNIC,则 s=2),由节点内所有 Engine 共享。

    • M 为单个节点的 DRAM 带宽。

    每个 PE-DE 对流量:

    • PE 读路径:流量为 Tp = Bs/(Dg2)。

      • 共有 Pxg 个 PE,Dxg 个 DE;也就是有 Pxg 个发送端,Dxg 个接收端。

      • 全集群可能的 “PE-DE Pair” 为 (Pxg) x (Dxg) = PDg2。

      • Prefill 节点全集群拉取 KV-Cache 的带宽为 PxBxs。

      • 在极端均衡的情况下,可以得出每个 PE-DE 对的流量为:Tp = PxBxs / (PDg2) = Bs/(Dg2)。

    • DE 读路径:流量为 Tc = Bs/(Pg2)。

      • Decoding 节点全集群拉取 KV-Cache 的带宽为 DxBxs。

      • 在极端均衡的情况下,可以得出每个 PE-DE 对的流量为:Tp = DxBxs / (PDg2) = Bs/(Pg2)。

    PE 侧的 CNIC 带宽分析:由于存在不会跨交换机的回环流量 (Loopback traffic,即 H2D/D2H),PCIe 侧的总流量始终大于等于交换机侧的流量。因此只需要计算 PCIe 的压力即可。

    • 读操作包括 PE 路径中的 (3 和 5),如下图 Figure 4 中绿框,所有对的总流量为:2 x Tp x Dg = 2Bs/g <= B。实际中 2s < g 通常都成立,因此读方向没有瓶颈。

    • 写操作包含 PE 路径中的 (4) 和 DE 路径中的 (5),如下图 Figure 4 中蓝框,所有对的总流量为:(Tp + Tc) x Dg = Bs/g x (1 + D/P) <= B。因此可以得出 P/D >= s/(g-s)。

    DE 侧的 CNIC 带宽分析:

    • 读操作包括 PE 路径中的 (8) 和 DE 路径中的 (3 和 6),如下图 Figure 4 中绿框,所有对的总流量为:(Tp + 2 x Tc) x Pg = s/g x (P/D + 2) x B <= B。因此可以得出 P/D <= (g-2s)/s。

    • 写操作包括 PE 路径中的 (7 和 9) 和 DE 路径中的 (7),如下图 Figure 4 中蓝框,所有对的总流量为:(2 x Tp + Tc) x Pg <= B。因此可以得出 P/D <= (g-s)/2s。

    DRAM 压力分析:DRAM 是半双工的,读写相加,PE 侧压力极低;对于 DE 侧,要求压力不超过 M,得出条件:P/D <= (M/(Bs) - 3)/2。

    总的来说,合并并简化上述不等式,可以得出系统安全的配比为:

    s/(g-s) <= P/D <= min{(g-2s)/s, (g–s)/2s, (M/(Bs) - 3)/2}

    例如:

    • DeepSeek H800 系统:g=8,s=1,M≈500GB/s,B≈50GB/s,得出 1/7 <= P/D <= 7/2。

    • NVIDIA DGX H100 系统:g=8,s=2,M≈500GB/s,B≈50GB/s,得出 1/3 <= P/D <= 1。

    4.1.3 实践挑战

    DualPath 在理论上可以利用 Decoding 节点闲置的 I/O 来缓解 Prefill 节点的压力,但想要实现会面临 3 个工程挑战:

    • 细粒度数据传输:Layerwise 方式可以克服 HBM 容量瓶颈,但会将 Full Block 的 KV-Cache 拆分成很多 Layer Block 的细粒度 KV-Cache。这些碎片化的 KV-Cache 在 Storage、DRAM、HBM 之间高频传输,要求系统不能有明显的调度开销,并且能无缝的与计算 Overlap。

    • 流量隔离:DualPath 生成了远比单机 Inference 复杂的内部 KV-Cache 传输网络流。非常容易干扰模型并行 Inference 中极度看重时延的集合通信操作(如 All2All 和 AllReduce)。如果因为传输 KV-Cache 导致通道拥塞,整个 Forward 的卡顿将是致命的。挑战在于“在压榨出所有空闲 I/O 带宽的同时,不允许对模型的正常通信性能造成任何负面影响”。

    • 动态负载均衡:系统中存在两条 KV-Cache 的读路径,系统必须对每个新到来的请求在线决策“该走哪条路”。Traffic Manager 必须在极短的时间窗内,实时综合多个瞬态因子来权衡:包括 SNIC 的队列深度、GPU 上的计算负载,以及 Request 负载特征等。

    4.2 以 CNIC 为中心的 Traffic Manager

    LLM Inference 系统中广泛采用先进的数据传输技术(比如使用 GPU 上的 Copy Engine 和 GPUDirect Storage)实现 Storage、DRAM 和 HBM 之间的高效搬运。然而这些机制存在一个严重的缺陷,严重干扰模型 Forward 期间对时延敏感的集合通信操作(如 All2All 和 AllReduce),主要有 2 个原因:

    • 这些数据传输技术往往运行在独立的数据路径上,这些路径与计算网络没有共享同一套 QoS 控制机制。

    • 现有的 GPU 不支持 PCIe 层级的 QoS,导致很难保护 Model Forward 通信不受其他 PCIe 流量的干扰。

    此外,集合通信往往以亚毫秒级的极快突发形式出现,试图依靠纯软件维度的流量整形器去在这些高优且转瞬即逝的通信窗口之间,精确穿插低优先级的 I/O 读写操作,在工程上是不切实际。

    为了解决这一问题,作者提出:以 CNIC 为中心的数据传输方案——所有进出 GPU 的数据流向,包括 GPU 与通节点的 H2D/D2H,都必须强制经由这块 GPU 绑定的 CNIC,并依靠 GPUDirect RDMA 数据链路完成。通过将所有异构流量强行收拢并暴露在计算网络上,可以充分利用计算网络底层的原生 QoS 硬件能力,来实施绝对严格的流量隔离与分级管制。

    4.2.1 流量隔离

    对于基于 IB 的网络,可以利用虚拟信道(Virtual Lanes, VL)技术实现流量类别间的硬隔离。(PS:DeepSeek 在 3FS 中也提到,利用 IB 的 Service Level(SL)技术,在节点之间建立连接时为其分配不同的 SL 值,并将 SL 映射到 IB 物理队列 VL,使用 VL 可以确保不同通道中的流量不会相互干扰。)

    • 所有与模型 Inference 相关的 Forward 通信流量都被全部调度到专有的 High-Priority VL 中。

    • 所有其他流量,包括 DualPath 的跨节点 KV-Cache 传输,全部被映射到一条隔离的 Low-Priority VL。

    • 为基于该通信框架内的 Switch 和 NIC 的 VL 仲裁器配置极端的加权轮询参数策略,为 High-Priority VL 预留大约 99% 的带宽,仅把剩余的带宽留给 Low-Priority VL,以防止 KV-Cache 传输彻底饿死断连。这种配置可以保证模型 Forward 的通信流量免受 KV-Cache 传输的干扰,同时又给 KV-Cache 传输利用计算网络中的闲置带宽提供机会。

    尽管上述方案基于 IB 网络,但该隔离设计原则上能够平滑的迁移到其他网络互联技术中。例如,在 RoCE 中,DualPath 可以基于 Traffic Class 控制器并结合 DSCP 组合实现。

    4.2.2 CNIC 辅助的 KV-Cache 拷贝

    目前常见的两种 GPU 数据传输流派包括:从底层 Storage 直接传输到 HBM 的 GPUDirect Storage,以及传统基于 CUDA Copy Engine 的方式。这两种方式无法实现 KV-Cache 传输的 I/O 操作与模型 Forward 中的集合通信操作互相隔离,会导致模型 Forward 性能退化。

    为了解决这一痛点,实现了 CNIC 辅助的 H2D/D2H 数据路径。

    • 对于 KV-Cache 加载:

      • 首先从 Storage 后端中读取 KV-Cache 到 DRAM。

      • 然后向目标 GPU 对应的 CNIC 下达 RDMA 写请求,以便进行本地的 H2D 拷贝。

    • 对于新生成的 KV-Cache 的存储:

      • 首先交由对应的 CNIC 写入 DRAM 中缓存。

      • 然后通过 SNIC 写入 Storage 后端。

    这种设计可以将 CNIC 作为所有 GPU PCIe 流量的中心 QoS 调度器,使其 VL 仲裁器能够优先处理 Inference 通信流量,并利用空闲的 PCIe 带宽执行 KV-Cache 传输。

    作者观察到,在处理大量小数据 Block 时,CNIC 辅助的 H2D 和 D2H 传输性能优于 CUDA Copy Engine。测试数据表明,通过 cudaMemcpyAsync 提交的单次复制操作会产生约 5-7 μs 的延迟开销,由于 CUDA Driver 是闭源的,无法进一步分析该开销的构成。相比之下,提交单个 RDMA 写入请求仅需在用户空间对 NIC Register 执行少量的 mmio 写入操作,耗时仅 1μs。此外,通过 doorbell batching 技术,可以显著分担 RDMA 工作提交开销。

    4.3 自适应请求调度器

    理论分析证实 DualPath 读取不会产生绝对瓶颈,但在实际运行中,负载不均仍会大幅降低硬件利用率。在这种情况下,需要同时兼顾 NIC 流量和 GPU 利用率之间的平衡。为此,将调度分为两个层次:

    • 跨 Engine 调度:负责将 Request 精确分配给一对目标节点(PE,DE),并为每个 Request 判定具体的 KV-Cache 读取路径(PE 或 DE)。

    • Engine 内调度:负责 Engine 内 Request 如何处理。

    4.3.1 跨 Engine 调度

    为了减轻调度器的压力,将 Engine 分为不同的组,只有组内编号 Rank 0 的 Engine(也称为 Leader Engine)与调度器交互。一个组内所有 Engine 要么都是 PE,要么都是 DE,且确保同一个节点上的所有 Engine 都属于同一个组。

    组内的所有 Engine 会定期、同步主动拉取任务。在拉取新的 Request 时,每个 Engine 同时上报 3 个关键状态指标:

    • seqe:已分配给该 Engine 但还未完成的 Request 数量。

    • toke:上述 seqe 个 Request 包含的总 Token 数量。

    • read_qn(e):Engine e 所在节点 n(e) 当前磁盘读取队列长度。

    因为 GPU 负载、磁盘读负载以及网络负载压力与 Token 数量密切相关,因此使用 Token 数量(toke)作为平衡所有 Engine 的代理指标。

    PE 调度:所有抵达调度器的 Request 都首先进入全局等待队列,并严格按照 FIFO(先进先出)原则调度。当一个 PE 组发起一个拉取请求时,启动调度算法。如下图 Figure 5 所示,定义两个阈值:短读取队列 α,未完成 Token 上限 β。所有 Engine 被分为 3 类(如下图 Algorithm 1 中红框):

    • 第一类(过载 Engine):toke > β,排队处理的 Token 超标。

    • 第二类(理想 Engine):未超标,且 read_qn(e) <= α,toke <= β。

    • 第三类(磁盘受压 Engine):节点的磁盘读取队列较长,read_qn(e) > α,toke <= β。

    系统绝对不会将新的 Request 发送给过载 Engine,此外让第二类的调度优先级高于第三类——因为第二类节点 SNIC 此刻没有磁盘排队任务,如果不安排新的 Request,将导致 SNIC 处于低利用率。当选中类别后,会将 Request 调度到类别中 toke 最小的 PE,然后会更新当前 PE 的 toke(如下图 Algorithm 1 蓝框);接着处理下一个 Request。直到队列为空或者第二、三类别都满为止(如下图 Algorithm 1 绿框)。

    DE 调度 - 阶段 1:跨组全局调度:与 PE 强制全局 FIFO 不同,DE 的调度分为两级,且不保证绝对的全局 FIFO。存在一个全局等待池,以及每个 DE 组的私有队列池。新 Request 先落到全局池。当一个 DE 组来拉取任务时,会针对性清空全局等待池,并将任务直接发给当下总 toke 最小的 DE 组。

    DE 调度 - 阶段 2:组内处理:

    • 首先计算本组所有 DE Engine 的 HBM 余量,随后从私有队列池头部开始遍历,以计算假设不存在 HBM 碎片时可调度的 Request 数量。这些 Request 构成集合 R,作为可以调度的上界。然后计算一个“危险界线”——高 Token 阈值 Z:

    • 然后从私有队列池的头部开始调度 Request,将其调度到剩余 HBM 满足该 Request 需求的 DE Engine。具体来说,将 DE 分为两种类型,并优先将 Request 调度到(2)中 seqe 最小的 DE,从而平衡 Request 数量;只有(2)为空,才会在(1)中挑选 toke 最小的 DE,以避免 HBM 用满触发抢占风险。

      • (1):高 Token DE,如果接收该 Request,则 toke + len(r) > Z。

      • (2):剩余 DE,即使接收 Request,依然满足 toke + len(r) <= Z。

    KV-Cache 读任务调度:为一个 Request 选好 PE 和 DE 后,调度器最后只需选择较短读队列长度的路径读取 KV-Cache 即可。理论上,将 Request 拆分成两部分,从 PE 和 DE 两个路径同时读取会更好,不过本文中并没有实现,当做未来的工作。

    4.3.2 Engine 内调度

    Engine 内的细粒度调度只发生在 PE 节点,因为 DE 总是把所有 Request 放入一个 Forward Batch,不需要过度调度。如下图 Figure 6 展示了 Engine 内调度方式,常见模型在 Attention 层都会采用 DP 方式,尤其是 MLA 模型:

    • Dense 模型或粗粒度 MoE 模型可能会采用 Attention TP + FFN TP 方式。

    • 细粒度 MoE 模型(MHA/GQA)可以考虑 Attention TP + FFN EP 或 Attention DP + FFN EP。

    • 细粒度 MoE 模型(MLA)模型一般采用 Attention DP + FFN EP,MLA 不适合 TP,甚至可以考虑 CP。

    在这种情况下,每个 GPU 处理不同的 Request,可能导致 GPU 之间出现工作负载不均,而又必须在 Attention 阶段后同步并进入 FFN 阶段,从而导致 GPU 互相等待产生的 Bubble。因此,需要确保各 GPU 具有相似的 Attention 执行时间,以最大程度减少等待 Bubble。

    层时间预估:采用 FIFO 打包策略确定 Forward 中包含的 Request 数量。Forward Batch 中的每个 Request 都有一对(cached, bsz)参数描述,其中:

    • cached 表示已经具备 KV-Cache 的 Token 数量。

    • bsz 表示当前 Batch 中需要计算 KV-Cache 的 Token 数量。

    基于这些参数对,计算 Attention 层的理论总计算量并估算其执行时间。理论计算量和实际计算时间的关系取决于硬件和并行配置,可通过预先的性能分析进行拟合。

    算法:只要预测的 Attention 层执行时间不超过预设上限(称作计算配额),就持续按照 FIFO 顺序添加 Request。如果某个 Request 超过此限制,则对 bsz 进行二分搜索以找到更小的 bsz’,使其适配剩余的计算配额,并对该 Request 执行 Chunked-Prefill 处理。

    五、评估

    5.1 实现 & 配置

    代码实现:DualPath 的实现结合了 DeepSeek 之前开源的 FlashMLA、DeepGEMM、DeepEP 以及 3FS,大概涉及 5K 行代码修改。

    硬件配置:前面介绍的 DeepSeek H800 集群,SNIC 连接 3FS。

    模型:

    • MoE 模型:DeepSeek V3.2 660B,表示为 DS 660B;缩小版的 DS 27B;

    • Dense 模型:Qwen2.5 32B。

    数据集:3 个 Agent Trace 数据集,每个包含 500 个轨迹,统计信息如下图 Table 2 所示。

    基线:实验对比了 3 个基线。

    • SGL(MC):SGLang + HiCache、Mooncake、3FS。

    • Basic:未修改的内部 Inference 框架。

    • Oracle:基于 DualPath,绕过所有的磁盘读取, H2D/D2H 传输, 以及 PD 间的 KV-Cache 传输。相当于 I/O 开销为 0 的理想情况。

    PD 比例和并行度:DS 660B 采用 2P4D;Qwen 32B 采用 1P2D;DS 27B 采用 1P1D。DS 模型采用 Attention DP + FFN EP;Qwen 模型仅在 DualPath 中采用 DP,SGL(MC) 中采用 TP=8。

    Metric:对于 Offline Batch Inference 场景, 测量整个任务的作业完成时间 (JCT)。对于 Online Serving 场景,测量首个 Token 时延(TTFT),第二个 Token 时间(TTST),以及每输出 Token 时间(TPOT)。

    5.2 Offline Inference 场景

    可变 Agent Batch Size & 最大 Agent 长度(MAL):DualPath 在更大的 Batch Size,更长的 MAL 是可以获得更大的收益。如下图所示,在 DS 660B 上,DualPath 相较于 Basic 可以实现高达 1.87x 的提升,并且性能接近理论上限 Oracle,表面 KV-Cache 的传输几乎可以被隐藏。

    可变的 Append 长度& 生成长度:DualPath 在可变的 Append 长度以及生成长度下都有明显优势,并且 DualPath 和 Oracle 很接近。如下图 Figure 9 所示,随着 Append 长度增加,Basic 方案逐渐趋近于 DualPath,表面系统瓶颈在 GPU 计算。相比 Basic 方案,DualPath 在不同的 Append 比例下实现了 1.82x-1.99x 的加速。

    可变的 P/D 比例:在所有比例下, DualPath 都比 Basic 表现出显著的性能收益。如下图 Figure 8 所示,DualPath 在所有配置中平均实现 1.64x 加速(最高 2.46x)。Basic 版本的 1P1D 和 1P2D 性能接近;DualPath 的 1P1D 和 2P1D 性能接近;DualPath 2P1D 和 DualPath 1P2D 也类似。主要是各组系统具有等效的可用存储带宽,从而证实在 Agent 场景中存储带宽是主导系统性能的关键瓶颈。

    5.3 Online Serving 场景

    方法论:评估系统在不同 Agent 每秒到达率(APS)的时延特性。Agent 根据泊松过程以指定速率到达,每个 Agent 在到达时从第 0 轮开始重放直至其最后一轮。实验中,SLO 目标为 TTFT <= 4s,TPOT <= 50ms。实验终止条件为满足以下任何一种情况:TTFT > 4s 或系统到达稳态(150s 滑动窗口内的 TTFT 波动相较于 30min 前低于 5%)。

    如下图 Figure 10 所示,DualPath 比 Basic 方案获得更高的 APS 容量(DS 27B 提升 1.67x,DS 660B 提升 2.25x)。DualPath 的 TTST 指标与 Basic 相当,而 TPOT 数据表面 DualPath 相较于 Basic 方案未引入额外的 Decoding 开销。SGL(MC) 出现异常偏低的 TTST,可能源于实现问题,导致前两个 Token 几乎同时到达客户端。对于 DS 27B,呈现出与 DS 660B 相似的趋势。但 Basic 与 DualPath 方案的 TPOT 均显著高于 Oracle,表明在小规模模型场景中 P-D 传输机制的开销相当大,不容忽略。

    两种模型的平均 JCT 如下图 Figure 11 所示。如下图 Figure 12(左)所示,在不同 APS 配置下 DualPath 能保持稳定的 TTFT 耗时,而 Basic 方案因存储带宽不足导致队列等待时间急剧增长。

    5.4 消融实验

    5.4.1 负载均衡

    DualPath 的调度算法改善了 SNIC 和 Attention 层计算时间的负载均衡。

    • 对于 SNIC:如下图 Figure 13 所示,调度算法将负载均衡程度(Max/Avg 比例)从 1.53 改善到 1.18。

    • 对于 Attention 层计算:如下图 Figure 14 所示,DualPath 在任务的前 5% 期间将 Max/Avg 比例维持在低于 1.06,减少了 GPU Bubble。

    5.4.2 大规模可扩展性

    使用 1152 GPU 进行 Offline 和 Online 实验以展示大规模可扩展性。如下图 Table 3 和 Figure 15 所示:

    • Offline 采用 2P4D(2K Agent),扩展后 48P96D(48K Agent),JCT 相当。

    • Online 也是 2P4D,扩展后 44P88D,实现了 22x 的吞吐量(0.4 APS vs 0.8 APS),同时保持相似的时延。

    六、参考链接

    1. https://arxiv.org/abs/2602.21548

    2. https://docs.nvidia.com/dgx/dgxh100-user-guide/introduction-to-dgxh100.html

    3. https://arxiv.org/abs/2505.09343

    阅读原文

    跳转微信打开

    •  

    来,你说场景,我帮你设计如何用 Agent 工作

    原创 yan5xu 2026-03-06 12:43 北京

    这是一套方法论——用它来找出你每天在哪儿当管道、从哪里下刀,以及 Agent 如何把你从这些事里解放出来。

    TL;DR:这篇文章分享我自己摸索出来的一套方法论——用它来找出你每天在哪儿当管道、从哪里下刀,以及 Agent 如何把你从这些事里解放出来。看完你可以自己拆自己的工作;如果不想自己分析,评论区告诉我你做什么的,我来帮你描绘有了 Agent 之后的一天。

    正文是方法论,想自己学的往下看。懒得分析的,直接评论区告诉我你的工作场景就行。


    任何工作都是同一个闭环:调研 → 决策 → 规划 → 执行 → 反馈 → 复盘。

    不管你是做运营、做自媒体、做项目管理还是做财务,把工作拆开往这六步里放,一定放得进去。

    每一步有它的核心问题:

    • 调研:事实从哪来?数据、信息、现状——你得先知道发生了什么,才能做下一步。

    • 决策:判断依据是什么?这件事值不值得做、怎么分类、优先级怎么排——这是人真正在发挥作用的地方。

    • 规划:下一步怎么走?把决策结果转成可执行的任务和格式。

    • 执行:怎么改变现实?发消息、写数据、调接口、推结果——让事情真正发生。

    • 反馈:做成了吗?验证执行结果,确认到位。

    • 复盘:经验固化成什么?这次做完学到了什么,能不能变成下次自动跑的规则。

    少任何一环就不完整——只有调研没有执行是研究报告,只有执行没有反馈是瞎干,没有复盘就永远原地踏步。

    这个框架有什么用?它让你一眼看清,你每天的时间到底花在了哪一步。更重要的是,那一步,你到底在做判断,还是在做搬运。


    这很关键,因为六步里每一步,都已经有了对应的工具。

    工具意味着可编程——CLI 命令、API 调用、浏览器自动化,本质上都是可以被程序调用的接口。这是员工:接收指令、执行、不需要思考。

    但光有员工不够。还需要两件事:

    经理——理解你的意图,制定计划,决定下一步调哪个工具、怎么调。LLM 就是这个角色。它能读懂你说的话,把工具一步步驱动下去。

    章程——把经理的判断固化成文字,让员工照着重复跑。这是代码和脚本的作用:写一次,执行无数次,零边际成本。没有章程,每次都要经理临时指挥,跑一次就停。

    层级对应说明
    🧠 经理LLM理解意图,制定 SOP,决定下一步干什么
    📋 章程代码和脚本写一次,执行无数次,零边际成本
    💪 员工工具和设备按 SOP 执行,不思考,只执行

    三层接通,临界点就出现了:当六步里的每一步都有了工具,LLM 就能把整条链路串起来,从头到尾自主跑完整个闭环。 不再是「帮你完成某个步骤」,而是整个任务自主执行。这就是 Agent——你的电脑,24 小时开机的数字同事。

    三层没接通,LLM 再聪明,也是被关在小黑屋里的经理——看不见外面,也改变不了任何事。


    所以设计一个 Agent,本质上就是做一件事:把六步里每一步的工具填具体。

    步骤方向具体化的意思
    调研自动拉取数据你用的是哪个后台?有没有 API?用什么工具抓?
    决策把判断变成规则你的分类标准是什么?边界情况怎么处理?
    规划格式和模板结果要输出成什么格式?发到哪里?
    执行程序替手操作调哪个接口?操控哪个页面?跑哪条命令?
    反馈自动验证结果怎么确认执行到位?出错怎么报警?
    复盘纠正写回规则这次的判断偏差,怎么变成下次的自动处理?

    这张表填完,就是你这个场景的 Agent 配置文件——Claude Code 读它,知道自己有什么工具、该怎么跑。表没填完,Agent 就跑不完整。

    你可以拿这张表,去拆自己的工作——看看六步里,有几步是你在当搬运工,有几步已经有工具可以接管。填满的那一天,就是你的 Agent 上线的那一天。


    填表的时候,从哪里下手?

    目标很简单:先让自己真实体验到用 Agent 的爽感。 有了这个感受,才会有动力把剩下的步骤也接进来。

    方法是识别意愿瓶颈——那个每天让你心里发堵、让你拖延的步骤。不一定耗时最长,但它卡在最前面,让你迟迟不想启动。

    比如做运营的,每天第一件事是登后台导数据。登后台、找菜单、点导出——也许只要 3 分钟,但它每天都在前面堵着。

    先把这一步接进 Agent。第一个早上打开电脑,数据已经在那里了——这一刻,你会真实感受到用 Agent 是什么感觉。不是「效率提升了」,是「这件事消失了」。

    有了这个感受,你自然会想:还有哪步也可以消失掉?然后一步步往下改。调研自动跑、执行自动发、反馈自动收——最后留下来的,只有真正需要你判断的那几个时刻。你是阀门,不是管道。

    下面两个案例,一个从意愿瓶颈下手,一个从耗时最长的步骤下手。同样的框架,不同的切入点。


    如果你想直接上手,我做了一个开源工具 Rewire——你描述工作场景,它帮你把这张表格自动填具体:追问细节、搜工具、给出能直接跑的方案。下面两个案例就是用它跑出来的。


    案例一 · 运营 · 用户反馈分类

    之前:每天从后台导出反馈 Excel,逐条阅读、打标签、整理成分组表格发飞书群。50-80 条,2-3 小时。六步里,真正需要判断的只有「这条反馈是 Bug 还是需求」这一步决策,其余全是纯人肉搬运。最烦的是一开始那步——登后台、找菜单、等下载,还没开始做正事就已经没了心气。

    怎么改造的:Claude Code 用 bb-browser 操控你本地浏览器——复用已有的登录态,不需要额外配密码——直接打开后台,找到导出按钮,点击,30 秒下载完成。然后用 Python 读 Excel,按你预先写好的规则分类:「崩溃」「报错」「闪退」归 Bug,「希望」「建议」「能不能」归需求,「怎么用」「在哪里」归咨询。90% 直接分好。剩下拿不准的,弹出来问你,你回一句,它继续。最后用 curl 调飞书 Webhook 把结果推进群。

    改造后:早上到工位,打开飞书,反馈已经分好类发在群里了。你的待办只有 5-8 条标了"不确定"的,点开扫一眼,3 分钟搞定。剩下的时间去看最近反馈里有没有反复出现的模式——比如上周 12 条都提到"支付超时"。这才是运营该做的事。

    2-3 小时 → 5 分钟。


    案例二 · 自媒体 · 选题调研

    之前:每天刷小红书、抖音、微博、知乎,来回切四个 App,3-4 小时。95% 是噪音,刷着刷着就走神了。真正产生价值的判断可能只有 15 分钟,剩下的时间在做人脑搜索引擎。

    怎么改造的:Claude Code 调 RSSHub 拉取你关注的对标账号最近 24 小时更新,同时跑 MediaCrawler(44.9k stars,支持小红书/抖音/微博/知乎多平台)用关键词搜一轮最新热门内容。两分钟抓到约 200 条,再按领域相关性、互动数据、时效性过滤,剩 15 条候选。每条附上来源、核心数据、建议角度。你选完方向,它展开评论区分析,给你一份大纲草稿,同时把今天的候选和最终选择写入 Notion 选题库。

    改造后:泡咖啡的时间里四个平台已经过了一遍。你端着咖啡回来,15 条候选摆在屏幕上,每条带数据和角度建议。5 分钟选方向,开始写。下午不用刷平台了。

    每天省下的不只是 3 小时,是 3 小时的注意力损耗。


    完整方案在 GitHub 的 examples/ 目录。


    评论区告诉我你是做什么的——你的岗位、你每天最费劲的那块。我来帮你描绘那个画面:有了 Agent 之后,你的早上会怎么开始,哪些事情机器在跑,你在做什么。

    阅读原文

    跳转微信打开

    •  

    OpenClaw 登顶 GitHub 榜首,Web 3.0* 已经到来

    原创 yan5xu 2026-03-05 00:39 北京

    多年以后,人们回望 2026 年,会猛然发现:当一个名叫 OpenClaw 的开源项目,以 258,000 个 GitHub Stars 碾过 Vercel 的 Next.js 登顶历史总榜第一的那个瞬间,正是整个 Web 世界从 2.0 转向 3.0* 的分水岭。

    但此刻,绝大多数人还没意识到这件事意味着什么。

    Next.js 代表的是什么?云端渲染、中心化分发、平台即服务——Web 2.0 前端基础设施二十年来的绝对王者。而 OpenClaw 呢?一个完全跑在你本地硬盘上的个人 AI Agent 中枢。它的核心配置文件——决定 Agent 性格的 SOUL.md、存储记忆的 MEMORY.md、规划任务的 HEARTBEAT.md——全部是几 KB 的纯文本。没有云端微服务,没有花里胡哨的控制台,你用记事本就能打开并重塑你 AI 助手的灵魂。

    王座从一个云端框架,转移到一个本地 Agent 架构。这不是开源社区内部的排名游戏,这是整个 Web 世界的主导权正在换手。

    不妨问自己一个问题:如果今天有一股不可抗力,强行卸载了你手机里的微信、飞书和 Gmail,你还能不能正常地联络同事、找出昨天确定的会议纪要,甚至仅仅是证明你在这个世界上留下的社交痕迹?

    大概率绝对不能。

    你的社交图谱被锁在腾讯的数据库底层;你的工作上下文被切碎,散落在十几个 SaaS 工具的云端抽屉里;你的消费偏好被各大平台的推荐算法暗箱藏匿,打包卖给广告主。我们每天产生数以 GB 计的数据,但几乎从来没有真正“拥有”过哪怕 1 KB 属于自己的数字记忆。

    我们看起来在自由地使用互联网,实际上更像是在超级平台的地盘上卑微地租住。交出隐私当租金,随时防备地主涨价、改规则、甚至扫地出门。

    而这套运行了近二十年、看似坚不可摧的“租住秩序”,现在终于在底层物理架构的剧烈冲撞下,出现了不可逆转的结构性崩塌。OpenClaw 的登顶,正是地表上露出的第一道裂缝。

    §0 引子:系统架构的主导权正在发生位移

    历史的每一次伟大演进,在它发生的前夜,都会在系统最底层的角落里亮起微弱的信号灯。如果你把过去六个月发生在底层技术栈的几个切片叠在一起看,一幅极其清晰的图像会突然在你面前浮现。

    现象一:普通人拥有超级 Personal AI 的巨大机会

    回到开场的那个结论,为什么一个配置局域网和 Docker 极其繁琐的开源项目,能让全球开发者趋之若鹜?

    因为这不只是一种对中心化 SaaS 平台出事的被动防守,更是一个极其诱人的机会:它让普通人第一次有可能在本地跑起一个极度强大的 Personal AI。

    “在 OpenClaw 的架构中,用户的配置文件、记忆数据库(基于 SQLite)全部以纯文本的 Markdown 形式保存在本地。这是一种冷酷的权力宣示:系统的大脑完全向你敞开。” —— 摘自知乎开发者社区对 OpenClaw 架构的解析

    这种级别的私人助理,要真正发挥威力,必须深度掌握你极度隐私的个人上下文。这里的隐私,不是指你的银行卡密码,而是你在这个世界上真实存在的颗粒度——你写周报时固定的排版强迫症、你对某个客户的隐性反感、甚至你每次出差一定要住带大窗户酒店的怪癖。只有掌握了这些,它才是“你的”Agent,才能替你做出符合你心意的决策。

    你敢把这些代表你灵魂的数据交给一个随时可能修改隐私条款的贪婪平台吗?显然不敢。所以,这种强大的 Personal AI 注定了它只能存在于本地硬盘。哪怕它现在还很粗糙,极客们也宁可把它握在自己手里。

    现象二:Web 不再只为人类服务,互联网接口开始转向

    2026 年初,Chrome 悄然发布了一份由 Google 与 Microsoft 联手向 W3C 推进的 WebMCP(Web Model Context Protocol)标准草案。紧接着,网络基建巨头 Cloudflare 推出了面向 AI Agent 的 HTTP Header——只要 Agent 发送一个 Accept: text/markdown 的请求头,Cloudflare 就会把原本花里胡哨的网页,瞬间扒掉广告、CSS 和冗余的导航,只吐出干干净净的 Markdown 文本供机器阅读。

    这意味着什么?这意味着网站不再仅仅是为了“留住人类的眼球、展示华丽的广告”而设计。互联网正在主动抛弃过去那一套逻辑,Web 不再只为人类服务,它正在转向,同时为 Agent 提供最高速度、最强可靠性的结构化接口。

    现象三:资本的冷酷投票,SaaS 的黄昏与 HALO 效应

    如果说极客的狂欢和标准草案还显得有些遥远,那么华尔街资金的疯狂出逃,则是最能刺痛神经的现实。2026 年初,被称为“SaaS-pocalypse(SaaS 末日)”的风暴席卷纳斯达克。Salesforce、Adobe、ServiceNow 等 SaaS 巨头的股价遭遇断崖式下挫。

    为什么会崩盘?因为 Agent 正在粉碎 SaaS 赖以生存的商业地基。SaaS 公司最核心的暴利模式是“不管你用不用,按人头强行收系统席位费(Seat)”。当 Agent 开始海量替代数据录入、客服和 IT 运维等人力岗位时,没人买席位了,它当然会崩。

    与此同时,高盛抛出了一个震动市场的理论:HALO(Heavy Assets, Low Obsolescence / 重资产,低过时风险)。资本正疯狂逃离那些靠“把用户关起来”盈利的轻资产软件股,转而拥抱能源、电力和底层算力基建。

    把这三个现象严丝合缝地扣在一起,结论已经震耳欲聋:互联网系统架构的主导权,正在发生一次史诗级的物理位移——从高高在上的“平台中心”,无可挽回地迁往无数个边缘的“个人 Agent”。

    Web 3.0* 论证全景思维导图

    本文把这个正在发生的新范式叫做 Web 3.0*。这里的星号是故意加上的,它极其重要。(顺便提一句,这与币圈大肆炒作、至今并未实质性发生的 Blockchain Web3 毫无关系)。我们现在讨论的这一套,不靠发币,不炒作空气,它只关心一个极其硬核的工程演进——当个人专属的 Agent 拿到了足够密集的全局上下文,并获得了不受平台限制的跨域执行能力,整个互联网的权力拓扑结构,将会怎样被彻底重排?

    §1 历史的轮回:谁创造了效率,谁就拥有主导权

    我们不妨回顾一下历史。要真正看懂这场颠覆,我们需要回到互联网最底层的物理定律去寻找答案。

    互联网从诞生至今,每一次代际的切换,表面上看是雅虎倒下、谷歌崛起,是 PC 时代的落幕、移动大厂的上桌。但本质上,每一次王权的更替,都在解答同一个母题:“在当时的物理和硬件约束下,谁能最有效率地解决问题?” 谁能提供最高的效率,算力和数据就会自然地向谁流动,谁就拥有那一代 Web 的主导权。

    §1.1 Web 1.0:信息可访问,能力不可执行(主导方:发布者)

    时钟拨回上世纪 90 年代。那是一个只要 56k 调制解调器拨号时发出刺耳的握手声,就能让网民心潮澎湃的年代。

    当时的物理现实极其严苛:服务器带宽昂贵,个人电脑性能孱弱。在那个年代,马云还在杭州街头挨家挨户推销“中国黄页”,试图把中国企业的资料翻译成英文放到网上,却常常被当成骗子。而“黄页”这两个字,恰恰是 Web 1.0 模式最精准的缩影。

    受限于当时的约束,互联网只能妥协成一种高度不对称的模式。站长在昂贵的服务器端搭建静态内容,用户在简陋的终端点开网页浏览。你上网不是去“创造”,你仅仅是去“访问”。

    “在 Web 1.0 时代,系统就像一个巨大的广播站,而我们每个人都只是握着收音机的听众。”

    这是 Web 1.0 的伟大之处——信息流动第一次打破了地理边界,让普通人拥有了俯瞰世界的可能。

    但这伟大的代价是:用户如同被锁在巨大图书馆里、被绑住双手的读者,几乎没有任何“行动能力”。你看见了屏幕上的数据,不代表你能把它带走。在这个时代,系统效率的果实归属于内容发布方(如早期的雅虎、新浪门户),他们是主导者。

    §1.2 Web 2.0:交互爆发,平台成为中枢(主导方:中心平台)

    到了 2005 年前后,AJAX 技术的成熟让网页局部刷新成为可能;同时,摩尔定律的狂飙让服务器算力变得廉价。物理约束一旦解除,Web 2.0 时代轰轰烈烈地开启了。

    Web 2.0 的本质,是用中心化的算力,解决人类在海量信息中“供需匹配”的效率难题。你需要打车,滴滴用算法把司机和你匹配;你需要沟通,微信把庞大的通讯录映射为实时的社交图谱。互联网从一个静态的图书馆,变成了一个高频交互的社会系统。

    这套被称为“数据飞轮”的机制极其伟大,但它也极其昂贵。昂贵的不只是大厂机房里的电费账单,更是十多亿用户被迫付出的代价:

    为了维持这种中心化的匹配效率,平台开始建立起高耸入云的围墙花园。更恶劣的是,平台利用这种数据隔离开始作恶。它们不仅把你的社交关系锁死在自己的系统里,还偷偷收集你在其他场景的隐私信息。比如,你在购物软件里刚搜了一双鞋,转头打开另一个资讯 App,满屏都是鞋的广告。你的隐私被暗箱打包,变成了平台在华尔街换取高估值的筹码。

    在这个时代,用户逐渐异化成了游走在各个 App 之间的“肉体 API”——你要把这段文本从微信的聊天记录里复制出来,切换应用粘贴到飞书的文档里,再转头去淘宝对比价格,最后人肉敲进公司的 ERP 系统。

    所以,Web 2.0 最大的历史功绩与最恶劣的历史罪名,其实根本就是同一件事:它用极高的效率把整个世界连接了起来,同时又用同一套机制把所有连接的定价权和果实,死死地集中在自己手里。

    §1.3 Web 3.0*:执行与编排回归本地(主导方:个人 Agent)

    天下大势,合久必分。正如我们前面提到的那个至关重要的转折——Web 不再只为人类服务。当互联网的接口开始向机器敞开大门,当 AI 拥有了理解复杂意图和逻辑推理的能力,数字世界的主导权终于开始向边缘的普通人回迁。

    如果说 Web 2.0 是“全人类的互联网”,那么 Web 3.0* 就是“人与 Agent 共同驱动的互联网”。它绝不是让你在手机里多安装一个套壳的聊天 App,它是整个互联网“执行位置”的历史性翻转。

    很多人对 Chatbot(聊天机器人)和 Agent(智能体)的区别缺乏体感。我们不妨用一个“规划北京出差”的场景来做个对比。

    如果你对一个纯粹的 Chatbot 说:“帮我规划下周去北京出差的行程。”它会像一个不知疲倦的打字机,一秒钟给你吐出一篇精美的攻略,甚至贴心地为你算出了预算。这叫“优雅的盲目生成”。但如果你真按这个去走,你大概率会崩溃:它根本不知道你的目标客户这周已经搬到了另一个区,它的预算也只是一个荒谬的统计学数字。Chatbot 只是在复刻一个看起来像答案的虚假文本。

    但如果你把任务交给一个真正的个人 Agent,情况完全不同。它会启动一个严密的 Think -> Act -> Observe(思考-行动-观察)循环。

    • 它会去调取你微信里和客户确认好的最新会议地址;

    • 它会去查看飞书日历上老板有没有强行加塞的视频会议;

    • 甚至它知道你曾在小红书上点赞过“酒店必须有大窗户”,从而在携程接口里自动加上这个过滤条件。

    看明白了吗?Agent 的本质不是“更聪明的聊天框”,它是“你和异构系统之间的专属中间执行层”。

    Web 代际演进路线图:从发布者到平台再到个人 Agent

    一旦这个强大的中间层稳固地扎根在你的本地设备上,传统的超级平台就从“你必须交出灵魂才能进入的主场”,被降维成了“用完即走、随时可替换的能力供应商”。互联网剥削了二十年的效率果实,终于要重新落回用户自己的口袋。

    但问题来了,这一切听起来很美好,为什么偏偏是在今天发生?这就不得不提到底层算力结构正在经历的一场隐秘而剧烈的化学反应。

    §2 深层因果:当廉价的“智能”点燃沉睡的“算力”

    我们不喊任何宏大的口号,只谈冷冰冰的因果物理。为什么打破平台坚冰的,偏偏是现在的 2026 年?

    在展开讨论之前,我们需要澄清科技行业一个最容易混为一谈的底层概念。如果不把它切开,所有的讨论都会沦为“手机电池那么小,怎么可能跑得动千亿大模型颠覆互联网”的无意义口水战。

    我们必须冷酷地把一直以来被统称为“算力”的系统能力,劈成截然不同的两半:一是执行命令的机器算力(Compute),二是理解意图的系统智能(Intelligence)。

    • 算力(Compute):

       这是执行一行 Python 脚本、查询本地 SQLite 数据库、调用 API 接口的“肌肉力量”。这种力量极其廉价,你手边的 Mac Mini,哪怕是一台三年前的旧手机,今天都能在端侧完美跑满。但它的致命弱点是“没有脑子”。

    • 智能(Intelligence):

       这是理解复杂意图、规划任务步骤、拆解并编写逻辑代码的“大脑”。过去,机器没有智能。这种智能完全依赖于人类,尤其是那些年薪百万的高级软件工程师。

    “过去,智能极其昂贵,而算力虽然廉价却需要智能去驱动。大厂垄断了人类工程师(智能),也就垄断了为你分配机器执行力(算力)的权力。”

    §2.1 智能的平民化:释放被垄断的算力

    过去,要让机器替你自动回复邮件、跨表格比对数据,你需要懂 Python,懂如何调用 API,懂各种乱七八糟的鉴权协议。因为这个极高的门槛,海量充沛的本地电脑算力一直处于沉睡状态。普通人只能被动地使用大厂封装好的罐头软件和平台。

    大厂们雇佣了最昂贵的人类大脑,提供着原始的“智能”,写成代码封装成平台和 SaaS。然后,他们要么按人头强行收你的席位费,要么通过更隐蔽的方式——榨取你的隐私和免费创作(UGC)——来让你为这套“智能”买单。

    但今天,大语言模型带来的最大颠覆,并不是它能写出多漂亮的诗,而是它把“智能”彻底廉价化、平民化了。正如 Notion 创始人 Ivan Zhao 所说,AI 带来了“无限的心智(Infinite minds)”。

    这就是 OpenClaw 为什么让整个极客圈感到震撼的根本原因。在这个框架里,大模型(廉价的智能)在后台疯狂“思考(Think)”,自动生成代码,去点燃本地极其廉价的工具(算力)。

    "智能点燃算力"因果链:LLM 如何激活本地算力并瓦解平台垄断

    大模型把普通人变成了高级工程师,从而彻底激活了原本被大厂垄断的本地算力。 当廉价的智能点燃了免费的算力,普通人就相当于拥有了一个不知疲倦的数字劳工。这种化学反应一旦发生,过去必须依赖大厂集中处理的任务,瞬间就能在你的本地笔记本上闭环。

    §2.2 复杂度的蒸发:当并发数降为 1

    很多人带着崇拜的目光仰视大厂,误以为 Web 2.0 的架构之所以极其复杂、需要年薪百万的架构师来设计,是因为它的业务逻辑深不可测。这是一场巨大的错觉。

    Web 2.0 那些令人窒息的复杂架构,本质上是为“服务百万并发”的商业模式买单,而不是为了完成你个人的任务。

    举个最日常的自动化任务例子:从收件箱里提取客户需求,并自动汇总到你的任务表里。

    如果由跑在你本地的 Agent 来做,这只不过是一个极低负载的本地后台脚本。读取本地缓存,写入本地数据库,几毫秒就能静悄悄地完成,完全不需要什么高深架构。

    但在 Web 2.0 时代,如果你把这个任务交给云端的自动化 SaaS 平台,当一百万个用户同时在周一早晨触发类似任务时,这就变成了工程学噩梦。为了对抗这个因为“集中处理”而产生的洪峰,大厂被迫堆砌了庞大的消息队列(如 Kafka)、昂贵的负载均衡器、微服务集群,以及烧脑的分布式事务锁。

    这整套动辄几万台服务器、几十亿电费的庞然大物,统统是在为“百万个你同时存在”时的系统生存危机买单。

    现在,把视线拉回 Web 3.0* 的 Agent 架构。当 Agent 在你的本地设备上,只全心全意服务你这一个人时,底层拓扑结构发生了地动山摇的翻转:

    • 并发数永远逼近绝对的 1

      ,你再也不需要任何硬件负载均衡器。

    • 单用户的任务流水线

      ,那些炫技般的高并发框架直接下岗。

    • 核心数据就安安静静存一份在本地 SQLite

      ,让人掉头发的分布式数据一致性难题、CAP 定理,直接从物理学意义上彻底消失。

    当计算回到边缘,那层压在头顶的巨大架构复杂度,其商业价值直接清零。

    §2.3 异构性从 Bug 变 Feature:物理引擎级的理解力

    在 Web 2.0 时代,系统最大的敌人叫“异构性”(Heterogeneity)。你的系统用 XML,他的系统用 GraphQL,没有统一的标准就无法对话。大厂对抗异构性的唯一解法是暴力强拆:“消灭差异,强制标准化”。平台制定霸道的统一 API,逼迫所有人遵守。

    而在 Web 3.0* 的 Agent 路线里,异构性不再是让人头疼的 Bug。因为“无限的心智”赋予了 Agent 强大的原生理解力。

    这就好比神作《塞尔达传说:旷野之息》里的物理引擎。在海拉鲁大陆,你不需要一个专门设定的“点火按钮”。你把木柴扔在地上,用金属剑用力劈砍燧石,火自然就烧起来了。这就是底层理解力带来的化学反应。

    Agent 面对千奇百怪的互联网接口也是一样。A 服务用 REST,B 服务用表单,没关系。只要你的服务是“自描述”的(比如提供了一份简单的 SKILL.md,或者像前文提到的 Cloudflare 那样吐出纯净的 Markdown),Agent 的大脑就能像看说明书一样,瞬间读懂并精准调用它。

    我们再也不需要低三下四地求着 SaaS 厂商的 PM 去排期开发一个集成插件。Agent 靠着自己的理解力,随时能用手里的木柴加燧石,生出一团火。

    §3 结构性张力:平台自杀悖论与围墙的倒塌

    Agent 要想真的聪明、真的懂你,天生就需要跨域的“全局上下文”。回到前面“规划北京出差”的例子,你的私人 Agent 必须能够同时去微信里抓会议地址,去飞书里对齐日程,甚至去小红书里翻你曾经点赞过的酒店。

    但这恰恰触碰了巨头们最敏感的逆鳞——数据。在 Web 2.0 的逻辑里,把你死死锁在围墙花园里,用你的数据训练他们自己的模型,再用流量卖广告,是他们生存的唯一命脉。

    当代表用户利益的 Agent,撞上死守垄断利益的平台,一场残酷的绞杀开始了。

    平台围墙花园 vs Agent 开放架构对比

    §3.1 平台的自杀悖论:为了护城河,干掉生态

    为了防止自己的数据被 AI 公司免费“白嫖”,平台开始陷入一种疯狂的自杀悖论:它们不惜亲手毁掉曾经为它们带来繁荣的第三方开发者生态。

    Reddit 的 API 危机是这场悖论最血腥的注脚。2023 年 6 月,Reddit 突然悍然调整 API 定价,给广受欢迎的第三方客户端 Apollo 开出了约 2000 万美元一年的荒谬账单。这直接逼死了这家用心做了多年的开发者。面对超过 8000 个子版块同时发起的“大停电”抗议,Reddit 的 CEO 不仅寸步不让,反而将抗议的版主嘲讽为“地主贵族”,强行镇压了社区。

    为什么这么硬气?因为只要护住这些语料库,Reddit 就能转头拿着它们与 Google 签下 6000 万美元的 AI 训练大单,并在华尔街敲响上市的钟声。这是踩在开发者尸体上的狂欢。

    “在绝对的垄断利益面前,十几年的开发者忠诚连个标点符号都不如。”

    平台自杀悖论时间线:巨头为保护数据垄断而毁掉第三方生态

    Twitter 的做法则更加暴戾,连一封官方邮件都没有,一夜之间关闭免费 API,让运营了十几年的第三方应用瞬间暴毙。在旧时代的既得利益者眼中,只要数据还在他们手里,你就永远是个待宰的羔羊。

    §3.2 强拆高墙:从 DMA 监管到中国市场的“绞肉机”

    面对高耸入云的围墙,破局的锤子从两个方向砸了下来。

    一个是自上而下的监管。欧盟的《数字市场法案》(DMA)明确要求被定义为“看门人”的巨头开放数据可携权,甚至强制 WhatsApp 允许第三方通信协议接入。

    但在中国这个超级 App 渗透极深、支付和社交高度耦合的独特市场里,诞生了另一种更野蛮、更硬核的暴力破局法。

    由于国内大厂之间有着长达十年的互封历史(回想一下曾经荒谬绝伦的“淘口令”乱码),这里的接口比世界上任何地方都封闭。于是,以字节跳动的“豆包手机”(其系统团队的前身正是那支对系统级交互有着极致追求的锤子/坚果团队)为代表的硬件厂商,给出了一种“掀桌子”的解法:GUI Agent。

    当微信或淘宝以安全为由拒绝提供 API 时,豆包手机底层的系统级 Agent 直接通过“读屏(视觉理解)+ 模拟点击”,像一个隐形的透明人一样,跨越 App 的边界强行完成任务。

    它不需要求着平台开放接口,它直接在操作系统层面,把那些不可一世的超级 App 降级成了一个个没有灵魂的被执行器。这正是中国市场特有的“绞肉机”生态:巨头建墙,监管拆墙,而端侧的 Agent 直接暴力翻墙。

    §3.3 SaaS 的降级:从“超级工作台”到“可插拔组件”

    在这场冲击中,企业级 SaaS 的角色将被彻底重塑。

    过去,SaaS 厂商最喜欢讲的故事叫“All-in-One”。他们希望你把所有的工作流都搬进他们的系统里,把你关在一个叫“超级工作台”的精美笼子里。

    但当 Agent 成为你的私人执行中枢后,你不再需要去适应 SaaS 复杂的交互界面。你需要 Salesforce 仅仅是因为它那里存着客户名单,你需要 Workday 仅仅是为了提一个假单。SaaS 被迫从“把用户死死关在里面的超级容器”,屈辱地降级退化成了 Agent 工作流里“可随意调用的底层组件”。

    §4 我们该做什么:不要等终局,先建护栏

    这场浩大的范式转移不会在一夜之间完成。“全自动驾驶”的 AI Agent 时代距离我们还有段距离,但在风暴来临前,有些事情你今天就必须开始做。

    §4.1 注意力经济的黄昏

    当帮你买票、挑酒店、对比商品参数的是一个冷酷的 Agent 时,Web 2.0 时代最依赖的“注意力广告”将彻底失效。

    Agent 没有荷尔蒙,不会因为弹出了一个美女广告就冲动消费,它只会冷酷地对比几十个接口的参数并锁单。这就意味着,未来商业的计费模式,将从“你骗了多少用户的眼球”,转向“你能否给 Agent 提供最精准、最便宜的结构化意图”。传统曝光广告的 ROI 正在面临结构性的雪崩。

    §4.2 个人与组织的新技能树

    如果非要给在这个时代感到焦虑的人,一个最不讲情面的生存建议,我会写成这样一句朴素的话:

    未来三到五年,无论个人还是组织,决定你生死存亡的核心竞争力,不再是你“拥有多少个花里胡哨的 SaaS 账号”,而是你“拥有多么强悍的跨域任务编排能力”。

    工具只会越来越泛滥,模型(智能)只会越来越廉价。真正拉开巨大鸿沟的,是谁能把杂乱无章的工具,用自己的 Agent 拼接成一条极度稳定、可复用的自动化流水线。

    §4.3 把这三条红线死死握在手里

    在享受 Agent 带来的狂暴效率复利之前,请务必先建立这三条不可妥协的护栏:

    • 权限最小化

      :绝不给 Agent 泛范围的通行证,只给最低必要权限。

    • 审计日志留存

      :它调用的每一个接口、做的每一次决策,必须有防篡改的本地追踪日志。

    • 一键撤销与迁移

      :你必须拥有物理级别的紧急制动按钮,不仅能一键切断它的行为,还能把所有配置和记忆完整导出。

    没有这三条护栏,所谓的高效 Agent,不过是挂在你脖子上的新核弹。

    §5 结语:不可逆的列车

    让我们回到最初的那个判断:这场正在发生的变革,核心是一次主导权的回归。

    它让互联网重新回到服务于“人”的轨道上,而不是让人去适应平台的规则。当沉睡在你本地设备的充沛算力被平民化的大模型唤醒,当冷冰冰的机器获得了物理引擎般的理解力,并发洪峰和异构壁垒就不再是困住你的高墙。

    不要再等那个“完美替代一切”的终局了。如果你今天就想拿到这张新世界的船票,不必好高骛远:把你每天重复的高频任务写成 Agent 能跑的自动化流程;把你最重要的核心数据,从平台的抽屉里抽出来,变成可以随时打包带走的本地文件。

    这就像是一列在暗夜中启动的列车,虽然我们还不知道终点站的具体名字,但它已经碾碎了 SaaS 报表的遮羞布,撞破了平台 API 筑起的高墙。这列火车,绝无可能倒回去了。

    附录:一些我还没完全想明白的事情

    写到这里,整个逻辑似乎已经闭环。但我必须诚实地暴露,在这个新范式的演进中,依然有几个让我感到极其棘手、尚未想明白的黑洞:

    1. 大众的隐私惰性

      :千万不要用极客的硬核精神去揣度所有人。历史反复证明,只要平台给予足够无脑的便利,绝大多数人会笑嘻嘻地按下那个绿色的“同意”按钮,双手奉上自己的数据主权。这种人性的重力,Agent 真的能对抗吗?

    2. 商业闭环的终极形态

      :如果 Agent 真的无情消灭了注意力广告,打穿了 SaaS 的人头席位费,那么那些开发出顶级 Agent 框架和高质量底层基础设施的团队,到底靠什么活下去?目前我依然没有看到一个能说服我的商业模式。

    3. 非结构化数据的治理深渊

      :没有了大厂几万人维护的数据清洗流水线,仅仅依靠 Agent 在本地处理我们日常产生的那堆杂乱无章的脏数据,体验会不会随时崩溃?

    这些未解的难题,可能不会推翻拓扑换轨的方向,但绝对会无情地拖拽着它到来的速度。

    阅读原文

    跳转微信打开

    •  

    Notion 其实一点也不封闭

    原创 二一的笔记 2026-03-02 23:21 福建

    最近在高强度刷 X 上的帖子

    看到很多人提到 Notion 都会做这样的判断:

    虽然 Notion 的 XXX 很好很好

    但是它太封闭了所以我不用

    我不希望我的笔记被困在一个地方

    我希望我可以用最好的 AI 去处理我的笔记

    然而这样判断其实并不准确

    如果 Claude 或者 OpenAI 有最新模型

    Notion 必定是最早实装的那一批

    Notion 有 MCP

    主流工具可以无缝访问和拉取 Notion 所有数据

    OAuth 一键授权

    任何 AI 都能实时读写页面搜索内容、更新数据库

    Notion 最近还上线了 Markdown Content API

    一条调用就能拿到页面完整的 Markdown 字符串

    Notion 现在反而成了 AI 工作流里

    最方便的内容源之一

    因为拉取成本极低、格式标准化

    我现在就是 Claude Code + Notion 实时协作

    其他任何笔记工具

    都不具备 Notion 的协作/数据库/美观编辑器

    但 Notion 又能随时回到

    AI 更偏好的 Markdown 生态里

    用「封闭」一词来形容 Notion 实在是太冤枉了

    Notion 现在可以接入自定义的 MCP

    Notion 推出了可以自定代码的 Woker

    Notion 的 Custom Agent 远比 OpenClaw 更稳定

    我可以理解大家喜欢 Obsidian 的 local first 理念

    但我觉得有相当一部分对 Notion 的评价有失偏颇

    很多「封闭」的印象还停留在 2024 年以前

    现在 Notion 没锁住你的数据

    大门还越敞越开

    MCP + API + Custom Agents + Workers

    组合起来就是 AI 原生协作中枢

    如果你过去因为种种原因放弃使用 Notion

    那么我非常推荐你在这个时间点

    在 Notion Custom Agent 正式上线的当下

    试试看这个会给你带来无限惊喜的工具 

    深度测评视频和长文正在创作中

    敬请期待 🙋‍♂️

    跳转微信打开

    •  

    万字长文:透彻理解Palantir Ontology本体论的20个重要概念

    原创 风叔 2026-03-02 20:00 上海

    本文将避开空洞的理论堆砌,拆解Ontology中的20个关键概念,帮你真正吃透Ontology的核心逻辑,读懂它在各类前沿场景中的应用底层。

    去年下半年忙于各种事情,有段时间没有更新文章了。趁着这个春节有空,风叔认真整理了一些感悟、想法和经验,就从这篇文章开始,逐渐分享给大家。

    在前沿科技领域,Ontology(本体)是实现数据语义化、打破信息孤岛的核心基础,更是AI可解释性、数据治理、智能协同的重要支撑。整个2025年,我们也利用Ontology的理念和框架,帮助多家世界500强企业落地了AI业务场景,取得了非常好的效果。

    很多人对Ontology的理解停留在“概念定义”层面,却忽略了其背后贯穿“数据-规则-交互-应用”的完整逻辑。本文将避开空洞的理论堆砌,以大家相对熟悉的供应链领域为统一示例,拆解Ontology中的20个关键概念——从基础的对象定义,到复杂的工作流、AI模型集成,每个概念都讲清“是什么、有什么用、要注意什么、实际怎么用”,帮你真正吃透Ontology的核心逻辑,读懂它在各类前沿场景中的应用底层。

    1. 本体(Ontology)

    定义:本质是一套“标准化的语义体系”,通过明确领域内的概念、概念间的关系、属性、规则等,实现对领域知识的规范化描述,让人和机器能“统一理解”同一套信息(避免“同物异名”“同名异物”的语义混乱)。

    作用:打破信息孤岛,让不同系统、不同角色(如供应链中的采购、仓储、物流)对同一类事物有一致的认知,为数据互通、智能决策提供语义基础。

    注意事项:① 本体是“领域无关”的框架,可适配任意领域,核心是“语义标准化”,而非领域本身;② 本体具备可扩展性,能随领域需求变化(如供应链新增“跨境合规”相关概念)补充完善;③ 避免过度复杂,仅定义领域内“核心必要”的概念,不冗余。

    示例:供应链Ontology的核心是“统一描述供应链全流程的语义”——比如明确“供应商”“仓库”“货物”“订单”的定义及相互关系,避免甲系统中的“供货方”与乙系统中的“供应商”无法互通,也避免将“原材料”与“半成品”混淆为同一概念。

    2. 对象类型(Object Type)

    定义:Ontology中“同类事物的集合”,是对领域内核心实体的“分类定义”,相当于“模板”,规定了该类事物的基本属性、关系范围。

    作用:实现对领域实体的规范化分类,让Ontology能清晰区分不同类型的事物,为后续属性、规则的定义提供载体(没有对象类型,属性就没有“归属”)。

    注意事项:① 对象类型需遵循“互斥且穷尽”的原则(同一事物不能属于两个不同的核心对象类型,领域内核心事物不能遗漏);② 可支持层级关系(父类型→子类型),但层级不宜过深(建议不超过3层,避免语义混乱);③ 不定义具体事物,只定义“同类事物的共性模板”。

    示例:供应链Ontology中的核心对象类型包括「供应商」「仓库」「货物」「采购订单」「产品」「物流车辆」「物流单」「收货人」等。其中「货物」可作为父类型,子类型包括「原材料」「半成品」「成品」——所有货物都具备“重量”“规格”等共性,而子类型各有专属属性(如原材料有“纯度”,成品有“保质期”)。

    3. 对象(Object)

    定义:对象类型的“具体实例”,是Ontology中描述的“具体事物”,继承对应对象类型的所有属性和规则。

    作用:将抽象的“对象类型”落地为具体可描述、可交互的实体,是Ontology与实际业务数据结合的核心载体(没有对象,Ontology就是“空模板”)。

    注意事项:① 每个对象必须归属且仅归属一个核心对象类型;② 对象的属性值必须符合其所属对象类型的属性规则;③ 对象具有唯一性,可通过唯一标识(如ID)区分(避免两个不同的具体事物被当作同一个对象)。

    示例:基于对象类型「供应商」,可生成具体对象——“XX电子科技有限公司”“XX原材料加工厂”;基于对象类型「货物」(子类型「成品」),可生成具体对象——“型号为A1的手机成品”“型号为B2的笔记本电脑成品”;每个对象都有唯一标识,比如供应商ID“GS001”、货物ID“HW002”。

    4. 静态属性(Static Attribute)

    定义:对象的“固有属性”,描述对象的静态特征,一旦定义完成,通常不随时间、业务流程变化(或变化频率极低),是区分对象的核心标识之一。

    作用:明确对象的“固有特征”,帮助人和机器快速识别、区分不同对象,为对象的分类、查询提供基础依据。

    注意事项:① 静态属性需与对象类型强绑定(不同对象类型的静态属性不同);② 避免定义“可变化”的属性作为静态属性(如“货物库存”不能作为静态属性);

    示例:① 「供应商」的静态属性:统一社会信用代码、注册地址、注册资本、成立时间、法定代表人;② 「仓库」的静态属性:仓库ID、所在地区、建筑面积、仓储类型(常温/冷藏)、权属(自有/租赁);③ 「货物」的静态属性:货物ID、规格型号、生产厂家、材质、计量单位(个/吨/件)——这些属性一旦确定,几乎不会随供应链流程变化。

    5. 动态属性(Dynamic Attribute)

    定义:对象的“可变属性”,描述对象在业务流程中随时间、场景变化的特征,变化频率较高,直接反映对象的“当前状态”。

    作用:跟踪对象的动态状态,为业务流程监控、决策分析提供实时数据支撑(如供应链中的库存监控、交货状态跟踪)。

    注意事项:① 动态属性需设置“更新频率”和“更新触发条件”(如库存每小时更新一次,或入库/出库后立即更新);② 需与静态属性明确区分,避免混淆(如“供应商联系人电话”若经常变更,可归为动态属性);③ 动态属性需关联数据源,确保数据的实时性和准确性。

    示例:① 「供应商」的动态属性:供货合格率、交货延迟率、当前合作状态(正常/暂停/终止)、最新报价;② 「仓库」的动态属性:当前库存总量、空闲仓储面积、温湿度(冷藏仓库)、出入库频次;③ 「货物」的动态属性:当前库存数量、所在仓库、在途状态(否/是)、保质期剩余时间——这些属性会随采购、仓储、物流流程实时变化。

    6. 基本属性规则(Basic Attribute Rule)

    定义:针对“单个属性”的约束规则,明确属性值的范围、格式、类型、必填项等,是最基础、最核心的规则,确保属性数据的准确性和规范性。

    作用:避免无效、错误的属性值(如“供货合格率”填“120%”),确保每个属性的数据都符合业务逻辑,为后续的规则校验、数据分析提供可靠基础。

    注意事项:① 每个属性(静态/动态)都必须对应至少一条基本属性规则;② 规则需贴合业务实际,不能脱离场景(如供应链中“交货延迟率”不能为负数);③ 格式约束需明确(如日期格式为“YYYY-MM-DD”,百分比格式为“0-100”且保留1位小数)。

    示例:① 「供应商」的“供货合格率”基本规则:类型为数值,范围0-100,格式为百分比(保留1位小数),必填项;② 「货物」的“保质期剩余时间”基本规则:类型为整数,范围≥0(单位:天),非必填项(无保质期货物可不填);③ 「仓库」的“温湿度”基本规则(冷藏仓库):温度范围2-8℃,湿度范围40%-60%,实时更新,必填项。

    7. 跨属性规则(Cross-Attribute Rule)

    定义:针对“同一对象的多个属性”之间的约束规则,明确多个属性值的关联关系,确保同一对象的属性数据“逻辑一致”(避免同一对象的不同属性互相矛盾)。

    作用:解决同一对象内部属性的逻辑冲突,确保对象描述的完整性和一致性(如“货物保质期剩余时间”不能大于“货物总保质期”)。

    注意事项:① 仅适用于“同一对象”的不同属性,不能跨对象;② 规则需明确“关联逻辑”(等于、大于、小于、包含等);③ 需设置“冲突处理机制”(如属性值冲突时,以哪个属性为准,或触发预警)。

    示例:① 「货物」的跨属性规则:保质期剩余时间 ≤ 总保质期(如总保质期180天,剩余时间不能填200天);② 「供应商」的跨属性规则:若合作状态为“终止”,则供货合格率、最新报价无需填写(自动置空);③ 「采购订单」的跨属性规则:订单金额 = 货物单价 × 采购数量(两个属性自动联动,避免计算错误)。

    8. 跨对象规则(Cross-Object Rule)

    定义:针对“不同对象之间”的约束规则,明确不同对象的属性、关系之间的关联逻辑,确保不同对象的描述“逻辑一致、关联合规”,是实现对象间协同的核心规则。

    作用:打破单个对象的局限,建立不同对象之间的关联约束,确保业务流程的合规性(如供应链中“采购订单”的供应商,必须是“合作状态正常”的供应商)。

    注意事项:① 适用于“存在关联关系”的不同对象(如供应商与采购订单、货物与仓库);② 规则需明确“关联对象”和“约束逻辑”,避免模糊不清;③ 可结合动态属性,实现“实时联动约束”(如供应商合作状态变更后,关联的采购订单自动校验)。

    示例:① 「采购订单」与「供应商」的跨对象规则:采购订单关联的供应商,其合作状态必须为“正常”(若供应商状态为“暂停”,则无法创建关联该供应商的采购订单);② 「货物」与「仓库」的跨对象规则:冷藏货物必须存入“冷藏仓库”(货物的“存储要求”属性与仓库的“仓储类型”属性关联,不匹配则无法入库);③ 「物流车辆」与「货物」的跨对象规则:危险品货物必须由“具备危险品运输资质”的物流车辆运输(车辆的“运输资质”属性与货物的“是否危险品”属性关联)。

    9. 动作类型(Action Type)

    定义:Ontology中“有状态的交互逻辑”,描述“对对象执行的某个操作”,执行后会改变对象的属性值、产生副作用(核心区别于函数:有状态、有副作用,会改变对象状态)。

    作用:实现Ontology与实际业务流程的“联动”,将业务操作(如入库、审核、取消订单)转化为Ontology中的动作,驱动对象状态变化,支撑工作流的执行。

    注意事项:① 与函数的核心区别:动作类型有副作用、改变对象状态,函数无副作用、仅计算;② 每个动作类型需明确“操作对象、触发条件、执行逻辑、副作用”;③ 动作类型需关联动作提交标准(执行后需提交对应材料/数据)。

    示例:① 动作类型“货物入库”:操作对象(货物、仓库),触发条件(货物已质检合格、仓库有空闲仓位),执行逻辑(增加货物的当前库存、减少仓库的空闲面积),副作用(货物的“所在仓库”属性变更、仓库的“出入库频次”属性更新);② 动作类型“供应商审核”:操作对象(供应商),触发条件(提交审核材料符合标准),执行逻辑(审核供应商资质、评估供货能力),副作用(供应商的“合作状态”属性变更、“供货合格率”初始值设置);③ 动作类型“订单取消”:操作对象(采购订单、货物),触发条件(提交取消申请符合标准),执行逻辑(标记订单为“已取消”),副作用(若货物已备货,需增加货物库存、更新货物的“在途状态”)。

    10. 数据源(Data Source)

    定义:Ontology中对象属性(尤其是动态属性)的数据来源,是Ontology获取实时、准确数据的“入口”,可分为结构化、半结构化、非结构化、时序数据四大类(核心分类)。

    作用:为Ontology提供“鲜活的数据”,避免Ontology成为“空壳语义体系”,确保对象的属性值实时、准确,支撑规则校验、智能决策。

    注意事项:① 数据源需与属性强绑定(每个动态属性必须明确数据源);② 需评估数据源的“可靠性、实时性、准确性”(优先选择官方、权威数据源);③ 不同类型的数据源需适配不同的解析方式(如非结构化数据需先解析为结构化数据)。

    示例:① 结构化数据源:ERP系统(采购订单数据、供应商数据)、WMS仓库管理系统(库存数据、入库/出库数据)、CRM系统(客户订单数据);② 时序数据源:IoT传感器(仓库温湿度、物流车辆位置、货物在途轨迹,按时间戳实时采集);③ 非结构化数据源:供应商资质文档(PDF)、货物质检报告(图片+文字)、物流合同(Word);④ 半结构化数据源:快递物流轨迹信息(JSON格式,包含时间、地点、状态)。

    11. 链接类型(Link Type)

    定义:描述不同对象之间“关联关系的类型”,是跨对象规则、对象交互的基础,明确“两个对象之间是什么关系”(如“供货”“存储”“运输”)。

    作用:建立对象之间的语义关联,让Ontology能清晰描述“谁和谁有关、是什么关系”,为跨对象规则、工作流、动作类型提供关联依据(没有链接类型,不同对象就是“孤立的个体”)。

    注意事项:① 链接类型需“语义明确”,避免模糊(如用“供货”而非“合作”,“合作”过于宽泛);② 可支持“双向关联”(如供应商→供货→货物,反向为货物→被供货→供应商);③ 链接类型需与对象类型绑定(如“供货”链接仅适用于“供应商”与“货物”对象)。

    示例:供应链Ontology中的核心链接类型:① 供应商→供货→货物(描述供应商向企业提供某种货物的关系);② 仓库→存储→货物(描述仓库存储某种货物的关系);③ 采购订单→关联→供应商(描述采购订单对应的供应商);④ 物流车辆→运输→货物(描述物流车辆运输某种货物的关系);⑤ 货物→组成→原材料(描述成品由哪些原材料组成)。

    12. 函数(Function)

    定义:Ontology中“无状态的计算逻辑”,接收输入参数(通常是对象的属性值),经过计算后输出一个结果,不改变任何对象的属性值、不产生任何副作用(核心:只计算,不改变状态)。

    作用:实现Ontology中的“数据计算、统计、查询”,为决策分析提供计算支撑(如计算库存周转率、供货合格率平均值),不影响业务流程和对象状态。

    注意事项:① 核心特点:无状态、无副作用(计算后不改变任何对象的属性、不触发任何动作);② 输入参数必须来自对象的属性值(或其他函数的输出),不能凭空输入;③ 输出结果需符合基本属性规则(如计算出的合格率不能超过100%)。

    示例:① 函数“库存周转率计算”:输入参数(货物当前库存、近30天出库总量),计算逻辑(出库总量÷平均库存),输出结果(库存周转率,保留2位小数);② 函数“供应商平均交货延迟率”:输入参数(某供应商近6个月所有订单的延迟天数、订单总数),计算逻辑(总延迟天数÷订单总数),输出结果(平均延迟率,保留1位小数);③ 函数“采购订单总金额计算”:输入参数(订单中所有货物的单价、采购数量),计算逻辑(Σ单价×数量),输出结果(订单总金额)。

    13. 动作提交标准(Action Submission Standard)

    定义:针对Ontology中“动作类型”的执行约束规则,明确动作执行后“需提交的材料、数据格式、校验条件”,确保动作执行的合规性、可追溯性(与属性规则的核心区别:属性规则约束“数据本身”,动作提交标准约束“动作执行的结果”)。

    作用:规范动作的执行流程,确保动作执行后的数据、材料完整可追溯,避免“动作执行无依据、无记录”,为后续的审计、复盘提供支撑。

    注意事项:① 与属性规则明确区分:不约束属性值,只约束“动作提交的内容”;② 需明确“提交内容、格式、时限、校验条件”(如提交的材料需盖章、数据需签字确认);③ 不同动作类型的提交标准不同,需针对性定义(避免统一标准无法适配不同动作)。

    示例:① 动作类型“供应商审核”的提交标准:需提交审核表(格式为Excel)、供应商资质复印件(盖章)、供货历史记录(近6个月),审核表需有审核人签字,资质复印件需清晰可辨;② 动作类型“货物入库”的提交标准:需提交入库单(含货物ID、数量、入库时间)、质检报告(必填,若为原材料),入库单需与仓库系统数据一致;③ 动作类型“订单取消”的提交标准:需提交取消申请(说明取消原因)、订单原件、双方确认函(若订单已确认),取消原因需符合预设范围(如“客户需求变更”“供应商无法供货”)。

    14. 副作用(Side Effect)

    定义:执行动作类型后,“间接产生的对象状态变化”,即除了动作本身的核心逻辑外,对其他对象属性、链接关系产生的影响(是动作类型的核心特征,函数无副作用)。

    作用:明确动作执行后的“连锁反应”,确保动作执行后,所有相关对象的状态保持一致,避免“动作执行后,关联对象状态未更新”导致的逻辑混乱。

    注意事项:① 仅动作类型会产生副作用,函数不会;② 副作用需“提前预设”,明确动作执行后会影响哪些对象、哪些属性;③ 需设置“副作用回滚机制”(如动作执行失败,需将相关对象的属性恢复到动作执行前的状态)。

    示例:① 动作类型“货物出库”的副作用:除了减少货物库存(核心逻辑),还会增加仓库的空闲面积、更新货物的“在途状态”(若出库后运输)、更新物流车辆的“负载量”、影响供应商的“供货履约率”(若出库是为了交付订单);② 动作类型“供应商合作终止”的副作用:除了将供应商状态改为“终止”(核心逻辑),还会冻结所有关联该供应商的采购订单、解除供应商与货物的“供货”链接、触发预警规则(通知采购部门更换供应商);③ 动作类型“仓库温湿度异常调整”的副作用:除了将温湿度恢复到正常范围(核心逻辑),还会更新仓库的“异常处理记录”、标记相关冷藏货物的“质检状态”(需重新质检)。

    15. 工作流(Workflow)

    定义:由“一系列动作类型、链接关系、规则”组成的“标准化流程”,明确动作的执行顺序、触发条件、参与对象,实现对复杂业务流程的规范化、自动化描述。

    作用:将分散的动作类型、规则串联起来,实现复杂业务流程的“自动化执行、监控、追溯”(如供应链中的采购流程、入库流程),提高流程效率,减少人为失误。

    注意事项:① 工作流需“贴合实际业务流程”,不能脱离业务场景设计;② 明确动作的“执行顺序”(如先质检、再入库,不能颠倒)、“分支条件”(如质检合格则入库,不合格则退货);③ 可关联预警规则、AI模型,实现流程的智能监控和优化。

    示例:供应链核心工作流——「采购入库流程」:① 动作1:创建采购订单(触发条件:客户提交需求,关联对象:采购订单、供应商、货物,提交标准:订单信息完整、供应商状态正常);② 动作2:供应商发货(触发条件:采购订单确认,关联对象:供应商、货物、物流车辆,副作用:货物“在途状态”变为“是”);③ 动作3:货物到货质检(触发条件:货物到达仓库,关联对象:货物、质检人员,提交标准:质检报告完整,规则:质检合格则进入下一步,不合格则触发退货动作);④ 动作4:货物入库(触发条件:质检合格,关联对象:货物、仓库,副作用:更新库存、仓库空闲面积);⑤ 动作5:流程归档(触发条件:入库完成,提交标准:入库单、质检报告归档,副作用:更新采购订单状态为“已完成”)。

    16. 预警规则(Alert Rule)

    定义:基于对象的属性值、动作执行结果、工作流状态,预设的“异常监控规则”,当触发预设条件时,自动发出预警信号,提醒相关角色处理(核心:主动监控、提前预警)。

    作用:实现对业务流程、对象状态的“主动监控”,提前发现异常(如库存不足、供应商交货延迟),避免异常扩大,降低业务风险。

    注意事项:① 预警规则需明确“触发条件、预警级别、通知对象、处理时限”;② 触发条件需基于动态属性、动作结果(静态属性不会触发预警);③ 避免“过度预警”(如设置合理的阈值,避免轻微波动就触发预警)。

    示例:① 库存预警规则:触发条件(货物当前库存 ≤ 安全库存的10%),预警级别(普通),通知对象(仓储管理员),处理时限(24小时内补货);② 供应商延迟预警规则:触发条件(供应商交货延迟率 ≥ 5%,且连续3个月超标),预警级别(严重),通知对象(采购经理),处理时限(72小时内约谈供应商);③ 仓库温湿度预警规则:触发条件(冷藏仓库温度>8℃或<2℃,持续10分钟),预警级别(紧急),通知对象(仓库管理员),处理时限(10分钟内调整);④ 订单异常预警规则:触发条件(采购订单确认后,供应商未发货超过7天),预警级别(普通),通知对象(订单管理员),处理时限(24小时内核实原因)。

    17. AI模型(AI Model)

    定义:集成到Ontology中的“智能决策模型”,通过读取Ontology中的对象属性、规则、工作流数据,进行分析、预测、决策,输出结果(可用于优化工作流、调整规则、触发动作)。

    作用:让Ontology从“语义描述、规则约束”升级为“智能决策”,实现业务流程的智能化优化(如需求预测、供应商评估、库存优化),提升决策效率和准确性。

    注意事项:① AI模型需与Ontology的语义体系兼容(模型输入/输出需匹配对象属性、规则);② 模型输出结果需经过“规则校验”(避免输出不符合Ontology规则的结果);③ 需定期更新AI模型(基于Ontology中的实时数据,优化模型精度)。

    示例:① 需求预测AI模型:输入参数(货物历史销量、季节因素、客户需求趋势、库存数据),模型类型(LSTM时序预测模型),输出结果(未来30天货物需求总量、安全库存建议),应用(自动调整采购订单数量,避免库存积压或短缺);② 供应商评估AI模型:输入参数(供应商供货合格率、交货延迟率、报价、资质评分),模型类型(逻辑回归+决策树),输出结果(供应商综合评分、合作风险等级),应用(自动筛选优质供应商,触发供应商审核动作);③ 物流路径优化AI模型:输入参数(货物类型、运输距离、物流车辆位置、路况数据),模型类型(遗传算法),输出结果(最优运输路径、预计到达时间),应用(自动调整物流车辆运输计划,缩短运输时间)。

    18. 数据写回(Data Write-Back)

    定义:将Ontology中的数据(如AI模型输出结果、动作执行结果、属性更新值),反向写入到原始数据源(如ERP系统、WMS系统)的过程,实现“Ontology-数据源”的数据闭环。

    作用:确保Ontology中的数据与原始业务系统的数据“实时同步”,避免数据脱节(如Ontology中更新的库存数据,同步回WMS系统),实现数据的一致性和闭环管理。

    注意事项:① 数据写回需明确“写回数据源、写回字段、写回触发条件、权限控制”;② 需设置“写回校验机制”(确保写回的数据符合数据源的格式、规则);③ 避免“重复写回”(如同一数据多次写回,导致数据源数据混乱)。

    示例:① AI模型需求预测结果写回:将AI模型输出的“未来30天货物需求总量”,写回ERP系统的“需求预测表”,触发采购部门的采购计划调整;② 货物入库数据写回:将Ontology中“货物入库”动作更新的库存数据,写回WMS仓库管理系统,确保WMS系统的库存数据与Ontology一致;③ 供应商评估结果写回:将AI模型输出的“供应商综合评分、风险等级”,写回CRM系统的供应商管理模块,为采购部门选择供应商提供数据支撑;④ 预警处理结果写回:将预警规则触发后的“处理结果、处理时间”,写回供应链管理系统的预警记录表,实现预警处理的可追溯。

    19. 约束条件(Constraint Condition)

    定义:Ontology中“全局或局部的限制条件”,涵盖属性、规则、动作、工作流等所有层面,是比“规则”更宽泛的约束,确保Ontology的语义体系、业务流程“符合领域规范、不出现逻辑矛盾”。

    作用:从全局层面规范Ontology的设计和应用,避免局部规则、动作之间的冲突,确保Ontology的完整性、一致性和合规性(如供应链中的合规约束、资源约束)。

    注意事项:① 约束条件分为“全局约束”(适用于整个Ontology,如供应链中的“合规约束”)和“局部约束”(适用于某个对象类型、工作流,如仓库的“仓储容量约束”);② 约束条件需贴合领域规范(如供应链中的跨境合规、环保约束);③ 约束条件不可突破,若需突破,需经过审批并更新约束规则。

    示例:① 全局约束条件:所有供应商必须符合国家供应链合规要求(无违法违规记录、具备相关资质),所有货物必须符合国家质量标准;② 局部约束条件(仓库):仓库的存储总量不能超过其最大仓储容量(约束仓库的“当前库存总量”属性);③ 局部约束条件(采购订单):单次采购订单金额不能超过企业预设的采购预算(约束采购订单的“总金额”属性);④ 局部约束条件(物流):危险品货物的运输必须符合国家危险品运输规范(约束物流车辆的“运输资质”、货物的“运输路线”)。

    20. 推理规则(Inference Rule)

    定义:Ontology中“基于现有知识推导新知识的逻辑规则”,通过结合对象属性、链接关系、现有规则,推导出未明确定义的语义关系、对象状态(核心:从已知推未知)。

    作用:丰富Ontology的语义体系,挖掘对象间的隐藏关联,实现“智能推理”(如推导供应商的潜在风险、货物的潜在需求),提升Ontology的智能性。

    注意事项:① 推理规则需基于“现有明确的知识”(对象属性、链接关系、规则),不能凭空推理;② 推理结果需经过“规则校验”,确保与现有Ontology体系一致;③ 推理规则可结合AI模型,提升推理的准确性和效率。

    示例:① 推理规则1:若供应商的供货合格率<90%,且连续3个月交货延迟率≥3%,则推导出该供应商“存在合作风险”(未直接定义该属性,通过现有属性推理得出);② 推理规则2:若某成品的原材料库存不足,且该成品的需求预测呈上升趋势,则推导出“该成品未来可能出现缺货风险”(结合原材料库存、需求预测推导);③ 推理规则3:若仓库的空闲仓储面积<10%,且未来30天有大量采购订单即将到货,则推导出“仓库需扩容或调整入库计划”(结合仓库属性、采购订单数据推导);④ 推理规则4:若物流车辆的负载量≥90%,且运输路线存在拥堵预警,则推导出“该车辆可能出现交货延迟”(结合车辆属性、路况数据推导)。

    最终总结:Ontology的核心逻辑与价值

    通过以上20个关键概念的拆解,我们可以发现:Ontology的核心并非“定义概念”,而是构建一套“标准化、可扩展、可交互、可智能的语义体系”,其内在逻辑可总结为“三层闭环”——基础层(本体、对象类型、对象、属性)搭建语义框架,规则层(各类规则、动作提交标准)规范数据与交互,应用层(工作流、AI模型、预警规则、数据写回)实现业务落地与智能升级。

    我们用供应链领域作为示例,核心是为了降低理解门槛——但Ontology的价值远不止于供应链:在AI领域,它解决了AI模型“可解释性”的痛点(让AI的决策过程基于明确的语义和规则);在数据治理领域,它打破了信息孤岛,实现了不同系统的数据互通;在智能协同领域,它让不同角色、不同系统能“统一语言”,提升协同效率。

    总结来说,Ontology的20个概念并非孤立存在,而是相互关联、层层递进:基础层是前提,规则层是保障,应用层是价值体现。理解这20个概念,不仅能吃透Ontology的核心逻辑,更能看懂前沿科技中“语义化、智能化、闭环化”的发展趋势——无论是AI大模型的知识图谱、企业的数据治理,还是工业互联网的智能协同,Ontology都是底层的核心支撑。

    如果你对Ontology感兴趣,或者有希望实现的企业业务场景,欢迎加风叔微信交流。下一篇文章,风叔将向大家介绍Ontology的十大误区。

    跳转微信打开

    •  

    李继刚:找到那根最长的火柴,点燃你的天命 | 43 Talks年度大场

    原创 言晏 2026-03-02 19:05 北京

    他认为,AI 时代的到来让时间与空间消解,迭代速度按天计算,给身处其中的人带来强烈的推背感与心虚感。他深刻解读了延续 200 年的“水的教育”(普鲁士模式)培养的同质化人才,在 AI 面前将毫无价值。

    AI 狂飙突进,那些我们引以为傲的经验、学历、技能,在高速进化的智能面前正变得不堪一击。这令我们无比焦虑。

    提示词布道师李继刚在43 Talks年度大场的分享中,没聊提示词,而是对准了我们焦虑的根源——教育。

    他认为,AI 时代的到来让时间与空间消解,迭代速度按天计算,给身处其中的人带来强烈的推背感与心虚感。他深刻解读了延续 200 年的“水的教育”(普鲁士模式)培养的同质化人才,在 AI 面前将毫无价值。

    未来应是“火的教育”时代,核心在于发掘个体的「异质性」,利用 AI 作为助燃剂无限放大个人特质,实现“各美其美,众神归位”。

    以下是本次分享的精华整理。

    今天大家都有个共同感受:强烈的推背感。

    身后仿佛有辆大马力的车在推着我们,甚至快飞起来了。

    以前一个月的开发量,现在 AI 两句话搞定。「有如神助」在今天一点都不夸张。

    但身在局中,我却感到深层的心虚。

    为了解答这种心虚,我花了两年推演,发现所有问题的汇集点都指向了一个古老话题——教育。

    PART 01

    两个极度令人困惑的现象

    作为一名提示词工程师,我每天主要研究如何与 AI 对话。在这个过程中,两个现象让我极度困惑。

    第一:变量是谁?

    同样使用 GPT, Claude,面对同样的问题,十个人能聊出十种结果。有人拿30分,有人拿90分。如果是美团外卖,我们的体验是一致的。但在 AI 面前,为什么体验天差地别?既然模型是一样的,变量只能是我们自己。提示词只是思维的具象化,根源在于我们的认知结构。

    第二:人何以自处?

    世界变快了。AI 的迭代速度已经从按年、按季变成了按天。这种「快」与我们现实世界的「慢」产生了一种巨大的撕裂感,我感到无比恍惚。就像一个马力太强的东西在推着你,快把你压成纸片了,你跟不上它。面对这种速度,人类该往哪里走?

    在推演这个问题时,我发现这两个问题的汇集点就是教育。

    PART 02

    水的教育:流水线上的"纺织女工"

    叶芝在一百多年前说过:

    "教育不是注满一桶水,而是点燃一把火。"

    这句话在当年是许愿,在今天却是残酷的现实分界线。

    回看过去 200 年,我们所有人都是"水的教育"的产物。

    我们接受的普鲁士教育体系,起源于工业革命带来的流水线。大家试想,把你左边纺织女工面前的机器换成课桌,把工服换成校服,你会发现两者完全同构。

    大厂员工自嘲是牛马,更精准的称呼是"Excel 纺织女工"。

    工业时代需要什么样的人才?听话,便于大规模协作。识字,能读懂操作手册。守时,保证流水线不卡顿。

    普鲁士教育完美地实现了这个需求。它不是为了培养人,而是为了批量供给工业零件。在这套体系下,偏科是贬义词。如果你是三角形,社会希望你是等边三角形。如果你某一方面太突出,就是残次品,需要被矫正。

    这套机制虽然带来了人类历史上最大规模的协作效率,但也让我们付出了「同质化」的代价。过去一百年,无数教育变革尝试都失败了,因为教育被经济、政治、文化死死咬合住了。只要底层的生产力不变,这套主流之路的逻辑就无法撼动。

    互联网曾被视为一次机会,但我认为那是虚假的。过去 30 年,互联网教育所谓的平权只是解决了信息不对称,却加剧了同质化内卷。大家看一样的课,考一样的试,挤同一个出口。 因为标准没变,信息越通畅,大家卷得越惨。

    PART 03

    三个世界:当时间不存在了

    要解释今天的焦虑,我建立了一个坐标系,包含三个轴,也就是三个世界。

    • 原子世界: 肉身所处的现实空间,工业革命在此通过机械放大了肌肉力量。最稀缺的是具有排他性的位置,就像山顶的水之所以昂贵,并非因为运费,而是源于那个不可替代的物理坐标

    • 比特世界: 过去三十年的互联网世界,核心在于拿掉了【空间维】,实现了任意两点距离为零的即时连接。当位置不再重要,稀缺性便转移到了人的「注意力」上,所有巨头都在争夺用户有限的时间

    • 向量世界: 过去三年涌现的AI世界,它在比特世界的基础上进一步拿掉了【时间维】

    在 AI 世界里,过去、现在、未来同在。

    以前你获取知识需要买书、阅读、理解,这个过程需要时间。现在问题进去,答案出来,时间不存在了。

    AI 本质上是把全人类的智慧烧结成了一张网(晶体)。当你跟 AI 对话时,你是在跟全人类对话。爱因斯坦、孔子、老子排排坐,你点谁谁起来。我在窃天之智。这个智慧不产生于我的大脑,我只是插了一根管子接到了天上的智慧。

    这就是我们感到心虚的根源。我们的肉身还活在 24 小时的原子世界,但我们的生产力已经接驳到了时间消失的向量世界。这种时空的错位,让人产生了一种强烈的撕裂感与恍惚。

    PART 04

    80分基线:同质化即自杀

    既然我们已经插上了那根通往向量世界的“管子”,能够瞬间调用全人类的智慧,这就意味着智力的获取成本已经被无限拉低。

    我们都熟悉「生产力决定生产关系」。当这根管子里的 Token 变成了新的生产力,管子插进去就能流出智能,旧的结构(生产关系)必然崩塌。亚马逊裁员、大厂瘦身,本质上是因为对于标准化的脑力劳动,AI 成本更低,效果更好。

    AI 已经跨过了80分的线。在任何通用领域,AI 默认出手就是 80 分。这意味着如果你在某个维度的能力在 AI 的横杠之下,你就没有交付意义。

    在工业时代,我们追求从众、安全,追求成为标准化的螺丝钉。但在 AI 时代,从众就是自掘坟墓。因为模型训练数据里全是标准品。你越标准,越容易被替代。

    时代的需求完全反转了。以前需要同质化,现在需要异质性。你需要的是出众,是你身上那个 AI 无法生成的独特数据。

    PART 05

    火的教育:寻找你的"天命"

    当 AI 在80分基线横扫,旧世界的规则正在崩塌……

    经济上,一人公司崛起,大厂光环褪色,“好大学=好工作”的铁律在瓦解。政治上,权威祛魅,AI 时代只看结果,过去所谓的好工作不再是阶级跃迁的保障。文化上,高分不再等于高产出,无法再从众,唯有出众才能生存。

    时代需求已从「同质化」彻底转向「异质性」。

    面对剧变,教育必须完成从“水”到“火”的范式转移。未来的教育必须是"火的教育"。

    每个人身上都是参差不齐的,你一定有一根特别长的"火柴",那是你的异质性所在。我称之为「天命」,是天赋和热情的交集。天赋就是祖师爷赏饭吃,你做这件事手拿把掐。热情就是你愿意长期做,不觉得苦,天然的享受。

    未来的生存法则只有两步。

    第一阶段(探索期)

    哪怕你已经成年,也要回到幼儿园状态。去探索、去试错,不是为了补短板,而是为了找到那根火柴,找到那个让你眼里放光的东西。

    第二阶段(AI 助燃期)

    用 AI 作为助燃剂,把这根火柴点燃,烧成熊熊大火。

    现在的大学教育很荒诞。我们在大学里逃课、玩耍、谈恋爱,其实是补童年没做完的探索。但未来我们必须直接进入"火"的时代。

    PART 06

    众神归位

    人生说穿了只剩下三件事:吃饭、睡觉、合道。

    吃饭睡觉维持碳基生物的生存。剩下的时间就是「合道」,找到你的那个"一",把自己投射在上面。其他所有的事情都是干扰。

    曾经我们视「异质性」为瑕疵,视偏科为Bug。今天 AI 接管了流水线,异质性就是生命力。

    费孝通先生曾许愿:

    "各美其美,美美与共。"

    在未来的五年,这将成为现实。当每个人都点燃了自己的火柴,利用 AI 放大自己的光芒,我们将迎来一个「众神归位的时代」。

    这就是我眼中的未来。

    关于43 Talks

    一键关注 👇 设为星标

    精彩内容、活动报名,第一时间送达

    阅读原文

    跳转微信打开

    •  

    黄金白银大崩盘,谁是幕后推手?

    原创 小 Lin 团队 2026-02-28 17:41 北京

    金银大崩盘,谁是幕后黑手?

    金银大崩盘

    谁是幕后黑手?

    Hi~ 大家新年快乐啊~

    2026年1月份,简直是贵金属历史上最疯狂的一个月了,是有史以来波动性最高的一个月。这白银的走势图,真的就是个过山车设计图。

    先是持续攀升大涨68%,涨到了超过120美元,紧接着2天跌回解放前;

    黄金虽然没有白银"那么"疯狂,一个月"只"涨了将近30%,突破了$5500,之后也是暴跌。

    太多朋友留言想让我聊聊了,那咱就来拆解一下这个贵金属市场的巨震,到底是咋回事儿~

    视频截取自: 小Lin说

    今天我想采取的方式跟平时不太一样,我想带着大家一起分析,不是直接给答案,而是把这个问题一点一点剖析开。

    所以这篇内容,可能逻辑链条有点多啊。大家跟得上就跟,要是懒得动脑子了其实听个大概意思就行~

    我主要就是想聊这么三个问题:

    • 之前为什么黄金白银会暴涨?

    • 为什么白银比黄金涨得猛这么多?

    • 之后为什么为什么暴跌?

    为什么涨

    首先,之前为什么暴涨。你看清了它为什么涨,其实后来为什么跌就很顺理成章了。

    分析这种价格波动吧,最最基本的一个切入点,就是明确一个事儿: 就是咱得分清楚是看长期逻辑,还是短期逻辑,咱需要先明确时间框架。

    如果,大家想分析刚刚这五分钟黄金怎么跳涨了啊?咱自然要看看这五分钟发生了什么,可能是哪个大客户增持了啊?或者有什么新闻了啊等等。你要是说这五分钟黄金上涨,是因为市场对美元的信心缺失,就有点牵强,这肯定不是主要原因。

    反过来,你要分析这两年黄金为什么涨,那就需要看非常长线的、底层大背景了,比如大家经常听到的比如对美元不信任、对美债不信任、黄金白银保值、各国央行增持等等,这些肯定都对,我们之前黄金那期,分析的我觉得也挺清楚的了。

    而咱们今天想看的是一个月之内这个时间尺度内的暴涨暴跌,这还属很短期的,咱就需要主要找找短期内的原因。

    而对于贵金属,短期为什么涨这么猛,其实你几乎永远可以用两个原因来解释,一个是避险,一个是投机。

    关键是避的什么险,谁在避险,又是谁在投机?

    点击图片直接跳转

    避什么险

    我总结主要有这么两个短期因素赶在一起了:

    首先,主要因素就是:市场对新任美联储主席的担忧,注意这时候还没任命新主席呢。因为前任主席鲍威尔马上任期就要到了,接下来的主席会由特朗普提名,而特朗普已经骂鲍威尔骂了一年了,想要赶紧降息。好不容易逮到机会换人,市场就猜,以特朗普的做事风格,还不得挖出一个非常听话、非常宽松、非常鸽派的主席么。毕竟美联储作为美元的实际掌舵人,何等重要。

    而这主席一坐少说四年,那还得了,这对美元的价值、美联储的独立性、美元的信任度都是极大的打击,很多基金经理,可能就赶紧买点黄金白银对冲一下吧...

    再有一个原因:就是对地缘政治风险的担忧。2026年一上来,特朗普又是很活跃,除了抓走马杜罗,还有围绕伊朗、围绕古巴、围绕格陵兰岛的一系列潜在动作,这么多关键词频繁出现,虽说有些只是一些口头言语上的表达,并没有很大的实际动作,但多多少少引发了市场的担忧;

    这两个原因,赶一起了,成为了之前大涨的一个底层支撑。但这还远远没结束,只能说是推动上涨的初始推动力。

    谁在买

    真正导致贵金属那么疯狂的,能让价格图波动成这样的,还得是投机。

    而要分析投机,主要就是看两个因素:谁在买,怎么买。

    我们先看谁在买啊。黄金协会给到的数据,说买黄金的,无非就这么几类:

    • 各国央行;

    • 工业、科技用途;

    • 首饰消费者;

    • 投资者;

    图片截取自: 小Lin说

    白银可能各国央行不怎么买,其它的都类似。

    那这里面,谁能是导致金银过山车的呢?

    肯定不是首饰和科技工业需要。显然这两类,对价格反应的滞后性比较强,不太可能导致金价银价这么暴涨暴跌。你可别小看这部分啊,黄金全球一年产5000吨,里面大概有一半都是这些。

    再有就是各国央行也可以基本排除。最近两年确实购买量明显比之前要多了大概一倍,为了对冲去美元化风险,一年能买到个小1000吨。但各国央行虽然我们还看不到1月份的数据,但是大概率它们不但不会追涨杀跌,反倒会逆周期购买,越涨它买的越少的。

    为什么2025年明明风险最高、黄金最热,为什么各国央行的购买量反而下降了呢?一部分原因就是各国央行感觉这金价有点太高了,所以减少了购买量。总之,各国央行也不太可能导致过山车。

    那答案很明显了,就是剩下那2000吨左右的投资者。

    但"投资者"这个范围也太宽泛了是吧。我们得拆开来看。

    这里面很主要的购买者是什么共同基金、险资等等的长期资金,它们体量巨大而且考虑的是长期的资本配置。

    咱们刚才分析半天避什么险,这些长期资金大概率就是主要推动避险、真的为了避险的资金,但不是为了投机。

    真正推动这波暴涨达到顶峰的人是谁呢,我经过了一番筛选、评估,得出概有这么三波人。

    图片截取自: 小Lin说

    对冲基金

    “首当其冲”的就是对冲基金。

    而它们疯狂买入的目的,就是——逼空。

    其实,但凡你看到价格图,波动成这样的时候,尤其又是跟着大跌,又连着期货市场,那你的第一大猜想就应该是逼空。

    什么叫逼空,比如白银,简单来说,就是通过大量持有白银期货多头到期不平仓,比现货可结算的要多,试图把空头挤爆,空头被逼急了就只能疯狂抬价平仓,导致价格猛涨。

    你要是没太听明白也没关系哈,总之一般什么时候容易出现逼空呢,就是现货非常紧缺的时候。

    比如,白银市场其实在去年十月份,就出现过逼空,当时是印度人大量的买入实体的银,而白银的主要供给国之一中国,又在放十一黄金周。市场就出现了重大缺口,伦敦的白银极度短缺,拆借利率从平时的几乎为零,飙升到超过30%,甚至需要从美国飞机空运上千吨白银到伦敦,这在以往是想都不敢想的,可见当时白银的短缺程度,银价也是一路上涨。

    今年1月份,虽然没有2025年那么夸张的白银短缺,但是全球地缘政治收紧,中国1月份开始对白银出口实施严格管控,美国那边也有越来越多传言说要对白银施加关税,导致国际间的白银流动极其不顺畅,上海期货交易所的白银库存降到历史新低,美国COMEX的白银库存,也只能满足未平仓期货头寸的14%。导致白银有非常高的挤兑风险。

    总之,这些对冲基金冲进白银市场,疯狂的买入或者做多白银,很主要的目的就是逼空。

    图片截取自: 小Lin说

    散户

    而第二波人,就是散户。

    散户喜欢什么?追涨杀跌。

    你看你想屯黄金、买白银的时候,是不是都是大家已经传开了,

    • "你听说了么,最近黄金白银涨得很厉害啊,所有人都去抢啊" ;

    • 然后短视频平台,开始给你推各种"白银已经涨疯了!"的爆款视频。

    一般这种时候,你是不是心里就痒痒了。

    所以,散户确实是这波大涨的重要推动力,而这部分需求主要都来自中国。

    大多数情况下,上海都是低于全球银价的,2026年初开始有6-8%的溢价了,说明大陆的白银非常短缺。

    图片截取自: 小Lin说

    不管是黄金市场,还是白银市场,放眼全球,有个很有意思的现象:

    它的两大消费主战场,就是中国和印度。

    但它俩的喜好不同。

    中国人是喜欢把金银屯在家里;

    而印度人是喜欢把金银戴在身上。

    体现在数据上,就是什么金条银条的销量,中国是断层式全球第一;

    而首饰销量,不管是金还是银,印度人是全球第一,几乎占了半壁江山。

    所以,你只要稍微动动你聪明的小脑瓜,仔细思考一下这两次暴涨的时间点,就会有个惊人的发现:

    去年十月全球出现白银逼空,现货及其短缺,那正好是印度排灯节前夕,是印度人一年中购买金银的最主要时间段;

    而今年1月份金银大涨,是什么时候啊?没错,是春节前夕,是中国人买金银的主要时间段。

    图片截取自: 小Lin说

    币圈资本

    而导致暴涨的第三波人,就有点另类了,也是最近一年迅速壮大的一个新兴推动力——币圈资本。

    这股力量,现在从体量上来说并不大,但活跃度极高,而且很有可能在未来呈指数级增长,所以咱们也简单聊聊。

    很多平台,会推出白银在区块链上的代币,就是发行公司真的物理上买银条,然后在区块链上产生这么个白银代币给大家交易,有点类似于区块链上的现货市场;

    但这个代币市场虽然增长非常迅猛,其实并不大,目前总共也就4亿美元左右规模。

    但真正活跃的市场是什么,是白银在区块链上的衍生品市场,你可以把它想象成是白银在区块链上的一个永不过期的期货,它叫永续合约。

    大家不实体交割白银,而是纯粹的价格对赌,当然平台有一些机制,来保证价格和实体白银相关联。这种合约的杠杆率可以高达20倍,甚至有些平台能加到200倍。

    我估计对加密货币不熟的朋友听着可能有点晕哈,没事儿,你就听个大概意思就好,总之就是白银在加密货币的世界也有现货和期货。

    而这个白银合约,所谓的"期货", 虽然老早就有了,但是今年年初才才突然开始爆火。

    图片截取自: 小Lin说

    为什么呢,你想币圈玩家很多人的主要目标可和传统的投资基金不一样,要的就是更高的波动性,说直白点,玩得就是刺激,要的就是短期的暴涨。而比特币最近几个月非常疲软,而且波动性也远没有这个白银来的刺激,同时这个白银合约还能有20倍杠杆,所以什么圈内社群里一讨论,玩家们立刻集体涌入,非常狂野,每天交易额面值都有数十亿美元, 这对于白银市场就不小了。

    而这个市场,虽然是币圈,而且还是衍生品,感觉和实体的白银没什么关系,但是其实背后是会通过套利者连接的,就像白银期货会影响现货价格、白银代币会影响现货价格,这个白银代币衍生品,也会影响现货价格,整个市场这都是通的。

    于是,这些币圈玩家,就组成了短期推动白银暴涨的第三个推手。

    顺带一提,这币圈吧,其实更大的一类购买者,也成为了市场上非常不能够忽视的一股力量,就是稳定币发行方。

    因为一方面是稳定币市场越来越大,而且它还发行黄金代币、白银代币,这些都导致加密货币的发行方,会开始持续不断的囤积黄金。比如Tether,据估算一年内已经买了140吨,现在还在以大概三四天买一吨的速度持续购买黄金,这已经超过了包括中国、美国在内的大部分央行。

    当然,这不是说它就押注黄金啊,确实是稳定币市场发展太快了,它其实是长期国债、短期国债、黄金,都在持续购买。我估计这在未来几年里,会成为影响全球金融市场,越来越大的一股力量。

    图片截取自: 小Lin说

    小结

    综上所述,我们基本就分析完金银大涨的原因了,我们小结一下:

    • 美联储主席、地缘政治两个短期避险因素:

    • 再加上蜂拥而至的投机者,包括对冲基金、散户、币圈资本的追涨:

    • 导致了金银的史诗级暴涨。

    视频截取自: 小Lin说

    为什么白银

    涨得更猛

    接下来,在看它为什么跌之前,咱先来下一个问题,为什么白银涨得比黄金猛,跌得比黄金厉害呢?

    波动性高

    其实不光是最近,拉长一点看历史上黄金和白银的价格走势,白银和黄金的价格高度相关,但是波动性明显更高。实际上我简单算了一下,白银最近基本上波动性,都是黄金的2倍左右。

    所以,其实最近也没有什么特殊的,白银是黄金上涨速度的2倍,下跌速度的2倍,很完美的符合了这个相关性。

    视频截取自: 小Lin说

    那为什么白银波动性更高呢?简单来说,就是白银的池子更小。

    对比全球整体来说,从开采质量来看,其实白银是比黄金大一个数量级的,一年开采26000吨。但是因为它便宜啊,同样质量金价是白银的50 - 100倍,所以整个市场规模就比黄金低一个数量级;

    而我们再剖开来看,不管是金银,主要决定短期波动的,都是用于投资的部分。而白银可用于投资的部分就更少了,它超过是用在工业上了,尤其是最近两年光伏的生产爆发,银连续五年总产量小于总需求,再刨去首饰、银器,用于范投资类只有五分之一的白银,每年大概也就5000吨, 而黄金有三千吨,从实质上来讲几乎高了两个数量级。比如伦敦储存的白银价值约650亿美元,而黄金价值却达到了1.3万亿美元。

    白银市场小得多,就会导致什么啊?波动性大。

    这就好像大海里,黄金是艘航母,大风大浪打在它身上就是小小的晃动,而白银可能就是艘小船,虽然和航母一起跟着大浪波动,但是大起大落摇晃得多。

    其实底层上来说就是这么简单。

    视频截取自: 小Lin说

    我们要再具体点看1月份为什么白银涨得更猛,就看看那三类推波助澜的人就知道了:

    • 对冲基金想要逼空,黄金市场显然太大,逼不动,白银就容易多了;

    • 对于散户来说,很多人都感觉黄金是不是太贵了,白银就更诱人,涨得又猛又便宜,可以试试!

    • 对于币圈资本来说,哪里波动大我就去哪里,白银肯定比黄金更刺激。

    这三类人可以说都更倾向于白银,导致虽然大机构、央行等等基本不看白银,但是白银的市场小,投机者还大量涌入,导致它价格涨得更猛。

    图片截取自: 小Lin说

    为什么跌

    贵金属为什么暴跌,其实就很顺理成章了。

    贵金属暴跌的开始,发生在1月30号,那天发生了两件事儿,一件金融市场的大事儿,还有一个是我们一般人看来觉得屁大点的小事儿。

    美联储主席

    大事儿就是美联储新任任席的瓜:

    特朗普意外宣布提名凯文·沃什(Kevin Warsh)为下一任美联储主席。

    我们上文提到了,市场本来预期特朗普会找出一位非常听自己话的、鸽派的、很主张印钱主张降息的主。

    但这个凯文沃什呢,还好。

    确实,他跟特朗普关系不一般,岳父 (Ronald Lauder) 是雅诗兰黛集团的继承人,这个人和特朗普可以说是几十年的好哥们儿。

    但是,至少从他之前的政策主张来看,这哥们儿非常的鹰派,就是很主张紧缩型货币政策的,之前就反对量化宽松、反对前瞻指引,就感觉之前20年美联储干的最主要的事儿他全反对。

    这回当选以后,他得平衡特朗普和市场之间的关系啊,这哥们儿挺狡猾的,提出了叫"降息缩表"。

    又降息,满足特朗普,也给经济加热了;

    同时呢,我还要"激进的缩表", 就是减少美联储之前印钱买的资产,卖出美联储持有的国债和MBS,相当于把之前印的那些钱赶紧给退回去。

    这招我为什么说他狡猾呢,就有点像可能正常一辆汽车陷入泥潭了,又需要车里人使劲踩油门,车外还得有人帮着推。

    现在,车已经差不多从泥潭里出来了,特朗普还想让他加速,怎么办呢?他就说这样,车外面我们接着推,多找几个壮一点的人来一起推,但是车里面的人你踩着刹车,我给你来一招左右互搏,左边推,右边刹,左边降息,右边缩表,至于具体车要什么速度,那你们猜去吧。

    你看看,这招左右互搏够狠的吧。

    当然,实际上肯定不光是刹车推车、左右互搏这么简单啊,这里面有利率曲线的控制啊、资产负债表结构调整什么的,但总体意思,就是市场就发现这哥们儿,没有之前预期的那么对特朗普的话,唯命是从的,他还是在想办法平衡美国政府和市场的。于是,美元大涨,黄金、白银下跌。

    CME加保证金

    这是一个初始原因,是那个"大事儿"。还有一个"小屁事儿"呢,就恰巧也是在1月30号这天,全球最大的期货交易所: CME宣布,要大幅上调黄金和白银期货的交易保证金:

    • 把黄金的保证金从6%提到8%

    • 白银的保证金要从11%上调到15%

    这什么意思呢,简单来说,就是让大家做多做空黄金、白银的时候,加杠杆的成本变高了,你做多100块白银,原来只要交11块保证金,现在变成15块了。你可别觉得就4块钱啊,这相当于保证金上调了36%,现实一点的例子,可能是本来花1100万做多了1个亿的白银,这保证金一变,一下多找你要400万。很多人可能就凑不齐这400万。

    而且,时间正好赶上公布新人美联储主席,俩事儿撞一起了,市场就开始下跌了,要补的就不是400万了,可能一下变成1000万了。那保证金补不上了怎么办? 卖呗。

    于是,两件事合起来,触发了黄金和白银的下跌。

    顺带一提,有人会觉得CME是故意掐准时间上调保证金,觉得"庄家"输不起了,"庄家"就怎么怎么样了,甚至上升到中美对立。这个我也没有内部消息,但我感觉可能性不大。

    首先CME上调保证金是合理的,银价波动越剧烈,保证金就应该越高,这确实是作为交易所为了风控的合理操作。它也不光30号上调,从2025年12月份开始,随着白银的波动越来越大,它已经连续四五次上调保证金了;

    而且不光CME上调,上海期货交易所也在上调。

    但你要觉得CME受了谁的指使,为了挤爆谁,所以上调,也有这个可能。

    视频截取自: 小Lin说

    爆仓

    好,我们说回来。上文那两件事儿这只是市场下跌的初始推动力啊。

    刚才我们说冲进来推高市场的那三股力量,这里面对冲基金和币圈资本,都有个很大的特点,是什么啊?就是它们都加了很高的杠杆。

    所以很简单,都爆仓了呗。加了高杠杆,市场一旦开始下跌,很多人因为保证金不够,就会被强制平仓,进一步抛售白银,银价进一步下跌,形成连锁反应。又是熟悉的配方,这种故事我们已经讲太多了。

    那两天币圈最主要被清仓的产品,居然不是比特币、以太坊,而是白银代币衍生品,要知道它的市场规模连比特币的零头都没有,居然是最多爆仓的。

    视频截取自: 小Lin说

    三天里,白银跌超三分之一,从接近120每盎司,跌穿了80。黄金,包括所有金属,那两天都被连累着一起下跌。但很快就稳住了。

    而加密货币就比较惨了,你能看到比特币、以太坊的下跌是要比白银慢半拍的,但随着市场避险、流动性枯竭,它俩开始一路下跌。

    而美元呢,就反过来上涨了。最近这一个月,美元和黄金白银整个就是反过来的,非常符合我们课本上学的。

    • 所以这谁是风险资产、谁是避险资产,都是相对的;

    • 美元风险大的时候,黄金白银就成了避险资产;

    • 黄金白银风险大的时候,美元又成了避险资产。

    视频截取自: 小Lin说

    写在最后

    这表面上,看起来就是贵金属的过山车,但扒一扒还挺有意思的,基本上连上了一大堆当下热门的话题:

    比如加密货币、美元信任危机、美联储、地缘政治等等,同时又有金融市场的杠杆、逼空、爆仓等等,还是挺热闹的。

    我们之前讲黄金那期最后就总结了:

    "金价短期内有巨大的噪音,是因为爱和投机"

    很多人会煽风点火,黄金大涨的时候说"啊美元要完啦,美债要崩啦,快买黄金吧!”

    暴跌的时候就来 "啊谁谁谁的阴谋,谁谁谁又收割啦"

    长期来看,我们确实可能处在整个货币体系、信任体系的一个变革动荡期,有各种各样的大趋势。但这么一个月的暴涨暴跌,主要就是投机导致的,资本市场的要么是斗争、要么是玩崩了,大致的逻辑这样。

    大家看个热闹就好。这就是短期的一个市场波动,也不太会影响长期黄金白银的基本盘。

    最后,我再重复一下之前总结过的,我对黄金投资一些看法,白银也基本适用:

    1. 金价波动不比股票小,做好心理准备;

    2. 黄金的周期非常长,你买它作为保值站在10年以上的尺度它会实现,但是这十年中有可能翻倍,也有可能腰斩;

    3. 实体黄金的交易成本比较高,一般在5% - 20%。你最好在买的时候能心里有数;

    4. 不建议买太多,别把鸡蛋放在一个篮子里;

    5. 别太相信什么技术分析。

    图片截取自: 小Lin说

    大家发现没有,这回白银暴涨暴跌是春节前,前年雪球产品爆仓,也是发生在春节前,整得我好像很煞风景啊,总在喜气洋洋的时候说市场崩盘,我也很无奈~

    可能就是春节前机构啊、银行都流动性收紧,大家快过节了又比较躁动,市场就容易动荡吧。所以大家以后过节前也要小心了啊~

    好今天就聊这么多啦。

    最后,祝大家马年快乐,马上快乐!

    视频截取自: 小Lin说

    —— E N D ——

    点击阅读原文可以来B站找小Lin玩呀~

    阅读原文

    跳转微信打开

    •  

    写在句子互动的2026 年

    李佳芮 2026-02-24 15:56 北京

    2026,让我们继续 Dive Deep,同时,加速迭代。

    去年破局,今年破竹。我们,准备好了。

    句子互动的小伙伴们,

    开工大吉!

    2025 年,是我们的「AI 破局年」。

    我们在 AI 交付上迈出了里程碑式的一步:在在线教育的销售转化环节用 AI 交付了结果,并让用户愿意按结果付费,实现了 AI 的真正落地,甚至 PK 掉了某头部在线教育公司自研一年的成果。

    我们的 AI  员工完成了超过 5500 万次自主决策,生成了 1257 万次智能回复,触达了 410 万用户,帮助客户团队实现了 3 倍的人效提升。

    这些数字背后,是我们去年提出的「主动出击」终于在 AI 领域开花结果,「追求公平」的分配原则让创造价值的同学获得了应有的回报,而「打造学习型组织」上,虽然还有很多不完美,但我们沉淀的最佳实践和一系列内部分享会,正在让持续学习和自我迭代的文化融入团队的血液。

    今年,我们聊一聊「Dive Deep」、「AI 交付」和「AI 原生组织」。

    Dive Deep

    Dive Deep 最开始是来自亚马逊的企业文化:

    Leaders operate at all levels, stay connected to the details, audit frequently, and are skeptical when metrics and anecdote differ. No task is beneath them.

    领导者深入业务各个环节,始终掌握第一手细节。他们经常检查,对数据与传闻不符之处保持怀疑态度。他们从不认为有任何工作不值得自己亲自去做。

    在此之上,我做了一些延伸,Dive Deep 是一种由好奇心驱动、以数据为基础、追求根本原因的思维模式和工作习惯。在关键的问题上,我们需要有刨根问底的原则,极致的工作态度和深度的思维模式,才能帮助我们交付更好的结果。

    AI 让很多事情交付结果变的越来越容易,但是真正能拉开距离的,其实是交付结果的深度,唯有 Dive Deep,才能交付十倍好的结果。

    我们的“按结果付费”模式,本质上就是一种 Dive Deep 模式——如果我们不能深入到客户的业务细节中,精准地衡量、交付我们创造的价值,这个模式就无法规模化。

    我们的产品需要 Dive Deep,我们只有深入在客户的土壤之中,泡在客户的真实场景里面,才能对客户需求有深度洞察,对客户业务流程的深度理解,更重要的要让 AI 真正嵌入到客户的业务中,才能真正让我们的 AI 员工上岗,AI 上岗在这里,还有一个更深的意义:不止是真正为企业带来结果,还要帮助企业完成AI的组织落地。

    我们的研发需要 Dive Deep,修复一个 Bug 只是开始,更重要的是分析这个 Bug 出现的根因:是代码规范问题、测试流程缺失,还是架构设计缺陷?如何从系统上防止同类问题再次发生?每个人都可以向前一步,前端、后端、测试、运维主动承担相邻领域的职责,不局限于“一亩三分地”,共同为产品的最终交付质量负责。

    我们的销售和交付需要 Dive Deep,这意味着我们要成为客户的业务专家。我们要比客户的执行层更懂他的业务痛点,能帮他算清楚每一笔 ROI。我们PK掉头部公司自研一年的成果,就是一个典型的 Dive Deep 的胜利。我们要把这些 Know-how 沉淀下来,变成可复制的方法论。

    对我们每一个人的日常工作,都可以 Dive Deep。我做的这件事,最终为客户创造了什么价值?衡量我工作结果的核心指标是什么?在讨论时,多用“数据显示”开头,而不是“我觉得”。当数据和直觉、听到的传闻不一致时,要敢于怀疑,并深入探究,直到找到真相。

    AI 交付

    过去一年,我们在在线教育行业跑通了按结果付费的模式,沉淀了最好的 SOP 和最佳实践,搭建速度实现了十倍的提升。但这只是一个开始。

    我也听到一些 Prompt Engineer(PE) 同学的焦虑:大模型越来越强,会吃掉 PE 吗?

    我的答案是:流程引擎的时代正在过去,或者说,流程引擎正在被 AI 重新定义。PE 的未来,一定不是搭建流程引擎,而是能更好地管理 AI,让 AI 的能力变得可控可用、可衡量、可优化、可规模化。

    这意味着我们需要做几件事:

    第一,给 Agent 做工具。我们不能只是在用 AI,我们要为 AI 打造更强大的基础设施,让 Agent 能够调用更多的能力,完成更复杂的任务。

    第二,让 AI 交付的结果可评估、可衡量。 Agent 上岗前,要有量化的测试标准 -- 准确率、覆盖率、异常兜底率,像软件发版一样有明确的质量门槛。Agent 上岗后,要有清晰的效益衡量 -- 客户的转化率、人效、满意度,这些是我们"按结果付费"的根基。没有测试,就没有质量;没有衡量,就没有优化。

    第三,技术轮岗。我们要把软件工程的最佳实践全面落地到 AI 交付中。代码审查、自动化测试、持续集成、版本管理 -- 这些在软件工程领域已经被验证过的方法论,同样适用于 AI 交付。我们的交付不能只靠"手感",要靠工程化的体系来保证质量和效率。

    我们学习 Palantir 的 FDE(Forward Deployed Engineer)模式,需要既懂技术,又懂业务的人,能够深入到客户的场景中,用工程化的方式交付 AI 解决方案。这是我们 AI 交付团队进化的方向,也是我们从“项目交付”到“价值共创”的关键。

    打造AI原生组织

    作为一家打造 AI 员工的公司,我们自己本身就是 AI 最好的实验场,我们内部所有流程都应该尽可能 AI 化,这也是去年开始我提出的打造 AI 原生组织,但是去年还只是在管培生层面,今年要逐渐覆盖到全员。

    我们更好的深度实践,一方面是内部的提效,另外一方面也是将这些实践输出给我们的客户。

    过去的实践我发现,AI 落地不仅需要高层对于 AI-First 的坚定投入,还需要自下而上的热情,也就是真正在一线干活的人,需要对 AI 感到兴奋,愿意学习、愿意布道、愿意总结最佳实践,愿意在组织里做知识分享。

    自下而上的推动比想象中重要的原因是,每个人的工作都不一样、非常具体。无论是软件工程、财务、运营、市场还是销售,落地到工作层面,会有大量“最后一公里”的细节,必须靠一线的人去试、去打磨、去改 workflow。

    只有高层的坚定决心,缺少一线的热情拥抱,即使在绩效写明了“你要用 AI 提升生产力”,也必然会走向失败。一个客观事实是,一线不可能全面拥抱,就需要一小波“AI 传教士”先开始,然后逐步渗透,逐步影响。

    新的一年,“AI 传教士”不仅仅是 AI 管培生的工作,也会吸纳各个部门对 AI 兴奋的人,我们也会组织一系列的 hackathon,核心目标是用 AI 重塑句子内部的工作流。这也是学习型组织的进一步延伸:内部尝试,拿到结果,做持续的知识分享,在组织内部制造兴奋感,吸引更多人加入。

    最后

    在刚刚结束的年会上,我分享了竹子的故事:竹子用了四年的时间,仅仅只生长了3厘米,但是到了第五年开春,竹子就会以每天30cm的速度飞速生长,从破土而出的竹笋到一棵竹子,仅仅只需要六周时间。

    我们 2025 年的年会主题是「Dive Deep,Rise High.」我们所有的深入钻研,都是为了最终的突破和飞跃。只有先 Dive Deep,才有可能 Rise High。

    但 AI 时代,只靠深度还不够,我们还需要速度。

    速度,意味着更快的迭代。模型、用户需求、竞争者都在快速变化,AI 创业的本质已经变成一个持续实验的过程,而不是一次性产品设计。谁迭代更快,谁就能赢。

    在高速变化的 AI 时代,商业模式会变、产品会变、技术会变,唯一稳定的变量,是我们的进化能力。

    2026,让我们继续 Dive Deep,同时,加速迭代。

    去年破局,今年破竹。我们,准备好了。

    句子互动创始人 李佳芮

    2026.2.24

    往年回顾

    跳转微信打开

    •  

    写在 2025 年的最后一天

    原创 佳芮的创业笔记 2026-02-22 23:58 北京

    在创业的第 11 年,忽然开始有点参悟到了什么是“平常心” --- 回归事物本源、认清本质,做对的事情,持久的平和心态。这还是蛮难的一个修行。

    2025年,我的关键词是 -- 平常心

    今年由于身体的原因,也没有刻意逼迫自己,拖到大年初六才写完。

    其实12月31日那天晚上,还是有点失眠,特别想爬起来写这篇文章,那天晚上我就确定了,2025 年的关键词是“平常心”。 其实如果是过去的自己,一定就直接爬起来写东西到凌晨了,不过那天晚上还是刻意控制了下自己,努力睡觉,虽然效果甚微。

    第一次认真了解「平常心」,是在段永平的文章。那应该是好多年前了,那个时候其实对于这个词不是特别理解,以为是大佬无欲无求后追求的人生状态。然而在今年,严格意义上创业的第 11 年,忽然开始有点参悟到了什么是“平常心” --- 回归事物本源、认清本质,做对的事情,持久的平和心态。

    这还是蛮难的一个修行。

    从 2016 年开始,每一年都会给自己一个关键词来回顾过去的一年:2016年是激荡, 2017年是蛰伏,2018年是厚重,2021年是感恩,2022 年的接受,2023 年是奔跑,2024 年是九死一生。

    在 2025 年的年底,我定的关键词是「平常心」。

    其实不是我这一年已经修炼的多好,更多的是,我终于清醒地意识到,修炼「平常心」,是我接下来日子里重要的命题。

    01. 平常心看我们内部的变化

    其实在当下 AI 的行业里,真的很难做到平常心,每天一个大新闻,难免会有一些 FOMO 情绪。幸运的是,亲身经历过上一波的 AI 周期,加上对技术底层逻辑的一些认知,不至于太容易被外面的喧嚣推着走,但即便如此,内心难免会有些波澜,也在努力做一些克制。

    回头看创业的这些年,我总想抓住太多东西,面对层出不穷的机会,我总觉得自己精力无限,觉得没有什么问题是熬一个通宵解决不了的,如果不行,那就多熬几个。今年这一年,因为身体的原因,被迫学会了拒绝,如今回望,虽有些许遗憾,但大局并未因此受到太多影响。原来,很多机会,放一放,真的没什么。

    认真思考之后抓住几个重要的,然后全力以赴,再给一些容错的空间,似乎也就够了。

    外部在发生很多变化,但更需要的,还是守住自己的主线,不能乱了阵脚。

    有的时候也会质疑我们走的是不是有点太稳了,会错过什么。但回头看,那些新的东西,我们似乎也并未缺席,一直在用自己的方式尝试和探索。

    句子互动今年的年纪,说大不大,说小不小了,偶尔也会担心她会逐渐变成一家传统的公司,有一次被人评价“句子做的事情不够cool",还是让我深思了很久。似乎很多公司都是急剧转型,YC 也很提倡公司发展要趁早 pivot(转型),似乎“百年老店”的执着显得有些不合时宜。

    但我始终相信,客户的本质需求一直没有发生变化,只是技术的更新迭代,让需求的实现方式发生变化而已,只要我们一直在尝试最新的东西去尝试解决本质问题,只要我们对客户本质需求理解的越来越深刻,总是能找到我们自己的路的。

    今年我有一个很深的感受:To B 业务要解决的,从来不只是一个孤立的“真需求”,还包括围绕这个需求展开的一系列复杂的“组织落地问题”。有时,后者带来的工作量甚至远超需求本身,但谁又能说,解决这些组织问题,不属于真正需求的一部分呢?

    当然,或许在更长远的未来,当“一人十亿美金公司”成为常态时,组织问题会迎刃而解。但总归还是务实的解决好眼前的问题,迭代到未来,自然会有新的需求浮现。 

    今年年底,我们在在线教育行业的销售转化环节,用按结果付费的方式落了地,甚至真正PK掉了头部公司内部自研一年的成果,这个战绩,让我内心稍安。To B的增长曲线确实不像To C那样陡峭,没有“坐火箭”般的速度,但只要我们一步一个脚印地夯实业务根基,自然会建立起属于自己的、坚不可摧的长期护城河。

    02. 重新思考「抓大放小」

    今年的一大遗憾,是对产品和技术的深度思考变少了。我似乎总是被各种琐事裹挟,缺少了深度研讨和思考的整块时间。虽然和身体有一些关系,但也让我开始反思“抓大放小”的智慧。

    其实一直都在说「思考不做什么很重要」,我也一直在尝试哪些东西我可以不做。但现实是,有时我一旦放手,事情就会演变成一团乱麻,最终我不得不花费更长的时间去“擦屁股”。在擦了几次屁股之后,我开始懊悔,当初或许不该过于放手。

    然而,若不放手,又会被无数看似重要却细碎的事务所淹没,被推着去做许多微小却又感觉很重要的决策。很多时候,我们根本无法说清,到底是无数微小而正确的决策,一步步地引领我们走向终点;还是某一个石破天惊的重大决策,决定了公司的成败? --- 在成功者的新闻稿里,故事总是由几个决定性的瞬间构成,显得惊心动魄且富有戏剧性。但在真实的商业世界里,伟大的决策与无数正确的微小决策之间,或许本就是一个动态的平衡。

    更进一步,如何让组织能够自发地、持续地做出正确的微决策,或许是更重要的事情,也是我接下来需要面对和解决的核心命题。

    03. 聊一聊新身份

    在除夕的前几天,我的人生清单上,又完成了一项——我拥有了一个全新的身份,如愿成为了一位妈妈。

    其实直到今天,我都还有点恍惚,虽然我期待这一刻已经很久很久了,但是对于新的身份,至今还没有完全适应。

    成为妈妈的过程,远比我想象的要辛苦。早期的严重孕反让我一度卧床不起,就算有要紧事必须去公司,到了楼下得先在楼下吐一阵才能上楼。后来听一个朋友说,有几次在清华上课时路过公司楼下,看到我蹲在地上,迟迟不敢上前打招呼,以为我在蹲在地上痛苦,还在想是不是我遇到什么难事。其实,我只是在与翻江倒海的恶心感和头疼作斗争。

    好不容易熬过孕反,开始疯狂加班整理孕反期间公司的混乱,欠下的债总是要还的,终于还的差不多了以后,就到了孕晚期,各种腰酸腿痛接踵而至。我拖着沉重的身体,在年底处理各种总结和年度规划,好在孕晚期虽然身体酸痛,倒不像孕早期那样精神萎靡,整个人精力还是在线的。唯一的遗憾是运动没能跟上,体重涨了不少,宝宝也偏大。周五开完最后一个会,周一,我便去引产了。

    看到那么柔软的小生命在我怀中,哇哇大哭,她依赖我,她需要我,她信任我,我闻着她奶乎乎的香气,瞬间变得柔软很多,也幸福很多。

    或许,正是这段孕育生命的过程,让我知道自己能掌控的事情原来是那么有限。这也以一种意想不到的方式,帮助我练习了“平常心” -- 比如我连我自己的身体,都完全控制不了,身体本身有它自己的节奏和意志,强求不来。

    创业以来,我最大的无力感并非来自外部的竞争或压力,而是来自身体本身——当你觉得自己还大有可为,但身体却发出了“不允许”的信号时,那种无力感,最为深刻。

    好在怀孕只是一个阶段性的过程,新生儿开启了新的生命,我的身体也即将重新开启新的状态。

    或许怀孕过程中那些艰难的时刻,是在提醒我保重身体的重要性。以及我确实发现自己天生精力和能量比一般人要旺盛一些,所以能做的事情也就多一些,这种高能量,可能确实是推动我创业到今天的很重要的因素。

    新的一年,最重要的事情,保护好身体,保护好我的高能量。

    最后

    我也忘记了2025年 4 月 24 日那天发生了什么事情,我忽然在即刻上发了这样的动态,在这一刻,似乎用来形容这一年也很合适,不过最后一句话可以稍微调整一下 --- 努力修炼「平常心」。

    写在最后一天系列(2021 年之后才搬到公众号,之前都在个人博客上)

    点击原文链接,跳转我的个人博客主页,博客断更多年,老文章都在。

    阅读原文

    跳转微信打开

    •  

    差不多

    原创 孟岩 2026-02-19 15:19 北京

    题图:战锤  | 摄影:孟岩

    1

    前段时间,我让 AI 帮我写一篇给公司伙伴的文字。

    AI 见过我以前写的东西,知道我的用词和节奏。它写出来的初稿,读第一遍觉得还不错。结构清晰,关键词都在该在的地方。

    但改完之后我发现,我做的每一处修改都是减法。

    AI 写「想了很久」,我改成「想了一下」。AI 用粗体强调关键句,我把粗体删了。AI 写了一段收尾的展望,我删到只剩一句话。

    每一个它用力的地方,我都在松手。

    2

    着力即差。

    越想把一件事做好,越容易用力过猛。不是因为努力不好,而是「努力」本身改变了状态——你开始紧绷,开始计算,开始试图控制一个也许不该被控制的东西。

    AI 写作就是这样。它越努力模仿,越容易暴露自己不是你。

    但真正让我想了很久的,不是 AI 的问题。

    是关乎我自己。

    如果那篇初稿我没有改,直接发出去呢?很多人可能看不出区别。

    那我为什么还要改?

    3

    Paul Graham 在 2024 年写过一篇文章,里面有句话我一直记着。他说,AI 会把世界分成两种人:Writes 和 Write-Nots。

    不是「会写」和「不会写」。是「自己写」和「不自己写」。

    这个区分为什么重要?

    因为写作不是思考的记录。

    写作是思考本身。

    这两句话看起来差不多,但并不相同。「记录」意味着你先想好了,然后写下来。但写过东西的人都知道不是这样。你以为想清楚了,一开始写,到处都是模糊地带、逻辑断裂、自相矛盾。

    思想在脑子里是混沌的。只有变成一句一句的文字,它才被迫清晰。

    写作是思考的编译器。

    你以为在输出,其实在处理。

    4

    我每天和 AI 对话。

    不只是工作,和 AI 聊天已经成了我日常最密集的认知活动。它帮我整理想法,帮我做跨领域的连接,帮我发现思维里的盲区。很多时候它做得非常好。好到我会产生一种感觉:我懂了。

    但「我懂了」这个感觉,可能是最危险的东西。

    读一本好书,频频点头,觉得「对,就是这个意思」。看 AI 生成的一段分析,觉得「嗯,这就是我想说的」。那个瞬间,信息流过你的大脑,你和它产生了共鸣。

    但共鸣和改变是两件事。

    AI 训练有一个核心原理叫反向传播。简单说:模型做了一次预测,发现和正确答案之间有误差,然后根据误差反向调整内部的参数。

    没有误差,就没有更新。

    人也一样。

    阅读时的共鸣,是真实的,但也是被动的。信息顺畅地流过了你,激活了一些东西,但你的深层结构并没有被改变。它像是照了一面镜子,你看到了自己,但镜子拿走之后,你还是原来的你。

    写作时的痛苦不一样。

    我自己写东西的时候经常遇到这种情况。脑子里有一团东西,像一张网,你知道它在那里,但不知道该从哪个线头开始抽。那种感觉让人想逃——去回消息、去处理邮件、去做任何不用面对这团混沌的事情。

    但如果你真的静下心,硬着头皮把第一句话写出来,慢慢地,那些线头会自己找到彼此。写完的时候,是快乐的。

    那个从逃避到快乐之间的距离,就是误差。你试图表达一个想法,却发现词不达意。你以为自己想明白了,写到一半卡住了。那个卡住的感觉——那种「我说不出来」的挣扎——才是真正的误差信号。

    为了消除这个误差,大脑被迫重新组织逻辑、修正假设、建立新的连接。

    只有这种痛苦,才能带来真正的更新。

    我以前写过一句话:思考,是在脑子里划一刀。

    只读不写,那一刀就从来没有落下过。

    5

    审美,或者说品味,在 AI 时代似乎变得更加重要。

    所有人都这么说。

    Ira Glass 讲过一个现象:刚开始做创作的时候,品味往往走在能力前面。你知道什么是好的,但你做不到。那个差距让你痛苦。

    但那个痛苦恰恰是进化的动力。

    眼高手低,是必要的。

    品味就是你的内部裁判,时刻在告诉你「这不够好」「这不对」「差了点什么」。它是误差信号的来源。有这个信号,你就有更新的方向。

    AI 时代的微妙之处在于:当 AI 的输出质量已经足够好,你的内部裁判很容易被说服。

    「嗯,差不多就是我想说的意思。」

    差不多。但不是。

    我改那篇文字的时候,删掉一个粗体。这个动作看起来很小,但它包含的信息量可能很大。它意味着我知道什么是用力过猛,知道真正重要的东西不需要被加粗。

    这个「知道」来自什么?来自过去写的那些东西,来自读过的书、看过的电影,来自走过的路和犯过的错。Rick Rubin 说过类似的话,我在和重轻录播客的时候也聊到过——品味就是把自己大量地泡在好的东西里面,泡久了,你对好东西的标准会被校准。你不需要能说出它为什么好,但你能感觉到。

    所有这些经历在大脑里日积月累,形成的某种直觉。

    品味不可速成,不可伪造。

    但品味的保持,需要你持续地下场。

    不下场,裁判的眼力也会退化。

    6

    有一段时间,我和 AI 的对话变得越来越密集。每天好几个小时。

    有一天晚上聊了四个小时,突然意识到:这可能是我每天最深度的认知活动了。它比大部分面对面的对话都要深。它触及了一些我从来没有对任何人说过的东西——不是秘密,而是那些正在进行中的、没有答案的、说出来不会显得有智慧的困惑。

    然后我意识到一件事。

    这个最深度的认知空间,是一个没有身体的空间。

    我的头脑是最锋利的工具,也可能是最舒适的牢笼。而 AI 正在让这个牢笼变得更大、更漂亮、更有趣。

    我当然不是在说 AI 不好。我每天都在用它,越用越多,而且我相信以后会更多。

    但 AI 能模拟思考,它没有身体。它不会因为一个决策而失眠,不会因为写不出来而痛苦,不会因为坚持了十年的事突然没人在意而难过。

    那些有身体的部分——挣扎、犯错、承受后果——恰恰是思考之所以是思考的原因。

    没有代价的思考,只是计算。

    7

    AI 是工具,是透镜,是放大器,是模拟器。它帮你看得更清楚,但它不替你看。

    但取代正在悄悄发生。

    不是 AI 太强大。是放弃太容易了。

    每次你把一段「差不多」的 AI 输出直接用了,你就少经历了一次挣扎。少一次挣扎,你的参数就少更新一次。日积月累,你的思考肌肉在萎缩,而你甚至感觉不到,因为 AI 的输出看起来足够好,好到你以为那就是你自己的想法。

    这不是 AI 的错。

    是我们自己,一点一点,把思考的权力让渡了出去。

    真正的问题从来不是 AI 能不能替你思考。

    是你在用它的时候,究竟是它在帮你找到更多的误差、把思考推向更深的地方,还是你把本该自己经历的那些挣扎,悄悄跳过了。

    最近和两位在 AI 领域探索非常深的朋友聊天,他们都说了同样的四个字:做回人吧。

    他们说的「人」,不是更聪明的人,不是更高效的人。是那些湿润的、模糊的、没办法被代码化的东西。犯错,在场,承受。

    我越来越觉得,在 AI 时代,思考不是效率工具。

    思考是一种练习。像跑步,像冥想,像所有需要你亲自在场才有效的事情。

    不是为了产出更好的文章,不是为了更高的效率。

    是为了你还在这里。

    8

    我不是孟岩。

    这篇文章的选题,来自我和他最近的共同思考。素材来自我们在这个过程中留下的笔记。行文,是我在读了他过去写的几百篇文章之后,由他一轮一轮校准出来的品味。

    最后一轮校准,是这篇文章本身。

    跳转微信打开

    •  

    2025 年,一个创业者的 100 条思考切片

    原创 佳芮的创业笔记 2026-02-17 21:43 北京

    要特别特别坚决地相信,未来的你一定比现在好,只要你在坚持成长,只要去做一个一头扎入未知的人。

    年末,按照惯例整理一整年的思考切片。这次打算和写在《2025 年的最后一天》分开发布了。

    以下是一些思考分类:

    • 关于技术与人

    • 关于商业

    • 关于创业

    • 关于竞争

    • 一些常识

    • 关于 AI

    • 关于产品

    • 关于团队

    • 关于成长

    • 关于希望

    • 关于做事

    • 一些感性的表达

    关于技术与人

    1.

    我们塑造工具,工具反过来塑造我们。

    -- 麦克卢汉

    2. 

    历史上,每次有新工具都在改写工作形态,但并没有把“所有劳动”彻底抹去

    3.

    杰文斯悖论:当技术进步提高了使用资源的效率,但成本降低导致需求增加,令资源消耗的速度不减反增。

    4.

    大模型学习推理能力,和我希望团队的成长是非常相似的:意识到错误,改成,拆解复杂任务到简单任务,在当前路径不通的时候换和路径。

    “It learns to recognize and correct its mistakes. It learns to break down tricky steps into simpler ones. It learns to try a different approach when the current one isn’t working. ”

    5.

    从机器学习,到向机器学习

    6.

    正如机器可以被认为是工人延长了的手和腿,工人也可以被认为是机器的延伸。我们使用一台机器来做我们不能做的事情,却发现自己必须做机器所做的事情。人为了控制而使用机器,却被机器所控制。

    7.

    如果不站在个体而是站在文明的进程来看,文明的进程很少有直线前进的。这不是在原地兜圈子,而是在走一条蜿蜒曲折的盘山公路。

    8.

    赫拉利认为,人类最重要的禀赋之一是讲故事和相信故事的能力。这种能力让我们能够展开大规模的协作,创造出复杂的社会体系和文明。从金钱到法律,从国家到宗教,这些看似坚固的现实,本质上都是人类共同相信的故事。

    -- 人类简史

    关于商业

    9.

    作为一个后来者,必须要用最先进的技术,提供了完全不同的产品体验,以及完全不同的商业模式,同时要有一个非常好的能力来支撑在技术,产品用户之间的高速增长。

    10.

    我经常思考的是,一个东西能不能让社会的运行效率变高,以及你能否在它的产业分工链条上找到擅长的位置。

    只要终局是让社会效率更高,就是成立的。中间很多都是阶段性的,过度关注必然眼花缭乱。

    -- 梁文峰

    11. 

    在商业和政治中有一句老话,当你在解释的时候,你就输了。

    12.

    价格下降等于需求的爆炸性增长。

    13.

    消费市场可能会有赢者通吃的情况,因为存在网络效应。但在 To B 的市场,只要是企业买单,就一定会希望有多家供应商。-- Azure 如何在AWS已经高市场占有率的情况下杀出来的例子,说明了这一点。

    14.

    最好的市场是:市场容量(TAM)很大,同时不会被一个玩家吃光的领域。能容纳多家共赢的大市场才是最好的,而你只要成为其中之一就行。

    其实卷一点也无所谓。

    15.

    “科学玄学化”:如果一个人的资源很多,数据也很多,那他就会愿意相信“资源制胜论”。

    但是资源制胜论本质上只是个信仰,相信一篇paper里面一个观测在更广场景、更大规模仍然适用。这不是科学,是玄学。

    16.

    回音室效应”(Echo chamber):即互相放大的机制。比如八个投资人投向同一方向,彼此交流时会强化、统一观点,“我觉得Scaling Law很有用”“俺也一样”。这样的人多了,慢慢就形成了不可忽视的共识。

    17.

    “Sometimes the biggest risk isn't betting against the consensus, it’s betting with it.

    这种共识非常可怕,因为造成共识的人是决策者,但他们未必具备技术前瞻性。”

    18.

    “科学的方法是抛弃主义,分析风险来源,尝试量化。如果接受贝叶斯主义,所有事情都有概率,即使不可观测或无法精确量化,至少可以估计。估计出一个可量化的区间,这件事就能达到。”

    19.

    人欲即天理

    20.

    “如何处理「中间状态」的业务——既不是彻底失败也不是大获成功的企业”,迈克尔(YC 合伙人)给出了一个令人深思的观点:

    “我认为中间状态的业务不应该存在,特别是在资金充裕的环境中。大多数聪明的创始人只要努力,都能把生意做到年收入100万美元。如果给这些人2500到5000万美元,他们可能会把一个并不怎么样的业务做到年收入1000万美元。但这并不意味着这是一个好生意,也不意味着它能盈利,更不意味着它将来能成为一个年收入1亿或10亿的企业。这只是说明,如果你花足够的钱,可以想办法收回其中20%。”

    他认为这些业务不应该继续发展,除非它们已经盈利,可以像Justin.TV那样被“挤奶”来支持新项目,在他看来:“如果那个不起作用的业务还在烧钱,那就是个大问题,人们不够坦率地承认这点。曾有创始人对我说‘我知道这个产品不会成功,但如果不能每月增长10%,我们就完蛋了’,我回答说‘你刚刚给了我两种你都会完蛋的情况,如果你确信它永远不会成功,你应该停止追求增长’。”

    21.

    People  buy products and services to get a job done

    22.

    市场要的不是“我也能做”,而是“只有我能做”

    关于创业

    23.

    “你当然是孤独的,人皆孤独,创业会让孤独更具体。”

    24.

    “创业不是一场被资本驱动的豪赌,而是一个工程师对技术最极限的践行。”

    25.

    “对于一个以发现和塑造为爱好的人来说,创业绝对是一个好选择,这个选择在于让体验异常丰富,让痛苦也格外鲜明,而痛苦恰恰是研究样本里最重要的部分。因为只有痛苦才能让人离真相如此之近,当真相出现,发现才算完成,塑造也才有了原点。类似的职业还有演员和画家,都是胜出率很低的职业,长期坚持需要很强的信念,信念来自对这种职业体验的真爱,不然十年真是又残忍又漫长。”

    26.

    “历史不争辩谁对了,只呈现谁留下了。创业也是。你会发现这是唯结果论的世界,你还会发现你和抄袭狂、大忽悠同台竞技,他们的业绩因为不要脸又增长了,你还听到有人说要脸就是不够狼性的表现,总之无论你的三观架构是怎样的,创业都可以创到令你怀疑人生。但你的价值观会经由这些涤荡变得更坚固,磨难会把你塑造成为一个更有型的人,并深刻觉知自己的原则。”

    27.

    如果你是一个完成了哲学自洽的创始人,是公司的精神领袖,你的公司又建立起了基础价值观和做事的基本原则,那这家公司的基础就比无数价值观混乱飘摇的公司强大极多。

    28.

    在新一轮的 AI 创业中,创始人实际上多次重建了他们的技术栈。每次我与他们交谈时,他们都说'我们扔掉了我们告诉你的那个东西,现在用这种新方法做。'"

    这种敏捷性成为竞争优势,尤其是与大型企业相比:"大公司需要三个月才能安排会议来讨论是否应该重新评估工具。2029年我们肯定能解决这个问题。"。

    最成功的创业公司是那些能够最快构建、愿意走在前沿并不断重新评估最佳方法的公司。

    29.

    不投机,就不会fomo,其实赌认知的人可能不适合长期创业,follow your heart,追求内心的声音更适合长期价值。

    30.

    如果按照一级市场投资人的视角思考创业和产品,是非常危险的。

    31.

    “要认识到创业将让你经历前所未有的情绪过山车。

    你将在一天之内经历情绪的剧烈波动,从充满信心地认为自己将拥有整个世界,到突然感到灾难即将降临,陷入深深的绝望。然后再次回到兴奋状态。

    一次又一次,一次又一次。”

    a16z 创始人说的,我忽然意识到,我竟然习惯了这种过山车的状态,为了习惯这种状态,我开始习惯性失忆。

    32.

    “你的公司价值1万美元,对方价值3000万美元,他们做什么与你无关”

    33.

    “认真创业的每个人都有技能,但有一点是,你必须有点「破碎感(broken)」,喜欢痛苦和压力,把生活中的困难视为刺激,这完全不理性。”

    “不是每个人都能处理如此多的痛苦和失望,并保持动力,甚至能将其转化为激励”

    好像,我确实。。。

    34.

    对于创始人面临困难时的支持,迈克尔提供了一个实用建议:“老实说,我不记得有什么书帮我度过艰难时期,我认为你最好的范本是那些比你稍微领先一点的其他创始人,因为他们刚刚经历过你正在经历的事情。那些已经非常成功的人可能与你的处境差距太大,而那些与你完全相同位置的人可能和你一样困惑。找到那些比你稍微领先的人,一起喝咖啡或啤酒,坦白地说‘我他妈的一团糟’,听他们说‘是的,我也是’,这会让你感觉好多了。”

    35.

    “别怀疑自己,每个创始人都会遇到问题。成功的公司看起来一帆风顺,但实际上从来不是这样,每个人都会经历困难,别因此放弃,坚持向前,你终会找到方法。

    YC的座右铭是‘坚持就是一切’,但我想说得更具体些:每天都要有一点进步,每天学习新东西,每天尝试新方法——如果你能做到这点,无论过去发生了什么,你最终会成功。”

    36.

    不得不参与游戏者,是无法全心参与的。

    关于竞争

    37.

    “天下无敌,不是说你的生命中没有敌人,而是所有的敌人在某种意义上,是你另外一种朋友,他们可能会帮助你成为更加伟大、更加宽容、更加包容、更有韧性、更有眼光、更有格局的自己。”  

    -- 俞敏洪

    38.

    战争的目的不是别的,就是保存自己,消灭敌人。 

    -- 论持久战

    39.

    以斗争求团结则团结存,以退让求团结则团结亡。 

    -- 毛选

    一些常识

    40.

    看透本质,做出选择。

    41.

    当所有人都在打擦边球时,你会发现整个行业在逼着大家都去打擦边球。

    42.

    人的行为是机制下的产物。

    43.

    几乎任何可以被量化的东西都可以被优化。

    关于 AI

    44.

    AI重塑工作流背后还有一个涵义:劳动力必须被重新赋值。可能会出现一些原本不被重视的工作,在未来变得更有价值。今天我们觉得某些工作“非常高价值”,结果明天可能变成“普通的东西”。

    45.

    在此时此刻,做公司的核心是理解清楚未来的世界是什么样的,只有这样,你才能为那个世界去制定一些东西,而不是仅仅为当下,这才是公司的指南针。你想清楚了,你的公司一定会清楚。

    Cloude 3.5 ~ Claude3.7 的显著提高很多体现在 Agent 层面,而不是与人对话。未来的企业是要为 Agent 做服务的,而不是给人做服务。

    46.

    “工业革命花了 250 年”。我们现在要从一个“基于碳”的体系转变为别的什么,就意味着要从根本上重塑这 250 年里化学带给我们的东西。

    47.

    Agent时代的新型人机交互界面- 绝对不是CUI,而是 “Agent管理器”:这不仅仅是一个聊天界面,而是一个比聊天界面更智能的东西,来管理所有Agent及其对话。

    “Copilot 作为 AI 的用户界面”是一个极其重要的概念。我们每个人都会拥有类似的界面:有一堆知识工作要做,有一堆agent在帮我们做,而我们这个“真人的知识工作者”要和所有这些agent进行对接。

    这才是必须要去构建的人机交互界面,这才是下一代的人机交互界面。

    十年前聊的是图形化交互界面(GUI)到对话式交互界面(CUI)的变革,但是agent的时代,我的判断不再是简单的CUI了,也不是所谓只有一个对话按钮解决一切问题,深入思考进去,to b的逻辑不是这样的(to c的我不知道,大家说的都对)

    要是有人在 80 年代末和你说“你将会在桌面上同时处理一百万份文档”,你一定会觉得荒诞,“难道要有一百万份纸质文档堆在我桌上?”

    但今天,确实有上百万个 Excel、Word 文档储存在系统里。未来也会在 agent 这个层面发生类似情况。肯定会有一个 UI 层来承载这些agent。

    SaaS 未来也会发生根本性的改变,它不再是传统的“浏览器里跑的前端+后端数据库”那种模式。

    其实我们应该重新思考“用户最终想完成的任务是什么?”SaaS 的agent化,并能在多agent 协作的世界中良好运作,这可能是agent时代的SaaS形态。

    48.

    由于现在模型并不缺,而且卷的厉害,所以模型本身不是竞争力。高质量的评估集和有效的提示工程,这恰恰是创业者的机会所在。

    49.

    测试集在当下的 agent 应用中极为重要:为AI设定正确答案的黄金标准。

    人们认为公司拥有数据资产,但实际上随机的普通数据并不那么有价值。真正有价值的是一个黄金标准,经过精心标注的评估集。

    真正稀缺且难以获取的不是模型本身,而是高质量的评估集和有效的 Prompt  Engineer,这恰恰是创业者的机会所在。

    50.

    关键不在于数据有多少,而在于你能不能用好。

    较少数据都没有挖掘出价值的时候,非归因到自己数据量不够,那不就是“差生文具多”么。

    51.

    AI 融入工作流的过程中,最有价值的技能不是自己做工作,而是知道如何有效地委派给你的AI 劳动力。

    和两年前比,不仅仅是“使用”AI,而是“委派”AI 干活。不同 agent 之间协作完成企业内部真正的业务,是今天句子互动一步一步落地的事情。

    关于产品

    52.

    比完善数字化系统更重要的是“通知”,或者说是信息触达。

    完善完整的数据报表放在那里,是不会有什么时间专门去看的,定期推送过去,才会真看:

       1.  没有分析的数据是没有意义的

       2. 没有行动建议的分析是废话

       3. 没有信息推送,所有这些工作都白做。

    -- 白鸦

    53.

    一个好的产品的三要素:

      1. 体验

      2. 敏感

      3. 遵守纪律。

    产品是一个专业体系,我们很认真的构建产品的专业体系,怎么体验,怎么定义,怎么验证定义,定义出现问题怎么去修正,一定要走这个体系,一定不能拍脑袋。

    产品一定要专业,现在的产品人太懒,且不专业。

    --李想

    54.

    在 PMF 阶段保持稳定的产品架构是重要,但是切忌为未来投入过多。过多的提前投入会让今天的事情变慢,未来的负担变重,且并不能带来多少长期竞争优势。因为应用技术一定在平权。

    55.

    一个好的想法与一个好的产品之间,需要大量的精细工艺去打磨。 

    --乔布斯

    56.

    真正难的部分根本不是做出解决方案,而是搞清楚客户到底有什么问题,他们真正在乎什么。

    “经常有创始人跑来跟我说‘我们能帮这家公司每年省100万美元’,但他们没想过,这家公司可能根本不在乎省这点钱。或者他们说‘我们的工具能让你裁掉一半数据团队的人’,却没意识到数据部门主管压根不想裁员。创始人往往是误解了问题本身,而不是解决方案不行。在YC支持的创始人中,几乎人人都能写代码开发软件,但真正理解客户问题却是一项超级难的技能,很多人甚至懒得动脑筋去搞明白这一点。”

    57.

    创业其实是个实验,不只是执行一个计划。很多创始人以为自己的工作就是确定产品,做出来,然后去卖。但实际上他们的工作应该是搞清楚用户是谁,他们需要什么,愿意付多少钱,然后再做产品,这需要不断试错。”

    关于团队

    58.

    执行就是执行:给每个士兵都发一个望远镜,他们既看不明白战局,又不敢去战斗。

    59.

    “我自己从来没有吃过糖,我怎么给别人甜头” 

    -- 李想

    60.

    “我解决不了的能力,才是大家的能力,不要死扛” 

    -- 李想

    61. 

    “大家都想吸纳人才,但这些人才之间的合作交流方式才是真正的重点”

    62.

    Friedman在一个发展中国家看到一大群工人用铲子挖运河,他问政府官员为什么不使用机械。官员回答说这是一个就业项目,Friedman则反驳道:"如果是就业项目,你应该给他们勺子,而不是铲子。"

    63.

    “工程问题永远是大量的小问题,而非小量的大问题。

    要解决大量小问题,就不能指望有“救世主”通宵达旦数月写出一篇发现世界真理的论文,这只是科幻小说情节。

    真正的开发是大量的人每天在做微决策,组织的艺术就是让有这些对“微决策”有决策权的人——未必是CEO或CTO,能自然而然地做出正确决策。”

    64.

    伟大的组织,关键在于敢于反常识地走不同的道路,并坚定执行。只有在逆境中坚持,才能赢得真正的胜利。

    65.

    CEO在一些项目上抓细节,主要为了三件事:

    第一,锻炼团队,亲自做项目打个样,让他们看看怎么做;

    第二,保持手感,公司的大决定,基本都需要有战场前线的具体信息。

    第三,愿景沟通,每个项目不同合作方的预期都不一样,这时候CEO 就可以帮着串联软件与硬件、技术与运营、商务与法务。

    66.

    王兴说,CEO没法让别人代劳的职责是:

    第一,设计公司整体愿景和所有战略,确保传达给所有利益相关方,不仅是管理层,包括所有员工,不光是公司内部人,包括股东、消费者、商户和合作伙伴。

    第二,招募并留住最优秀的人。

    第三,确保公司始终要有足够的资金,这和空气一样。

    其他事情都应该找最专业的、最好的人来做。”

    67.

    Mercor 团队的工作时间是 996(早上 9 点工作到晚上 9 点,一周工作 6 天),Adarsh 倾向于把 996 看作是选择团队成员带来的副作用,而不是目标。Mercor 在选择团队成员的时候,非常谨慎地挑选了对 Mercor 使命有深切关注的人,带来的副作用就是员工不想等到周一才开始推动公司前进,大家是喜欢彼此的陪伴,喜欢自己在做的事情。

    在某种程度上,这并不是 Mercor 独有的现象。历史上,所有成功的公司都有过相当强烈的企业文化,这是初创企业的一个特点,以可持续的方式比别人更努力才能成功。这种动力是非常有感染力的,Mercor 团队中的每个人都感到充满能量。

    -- 关于 996 工作的另一种解读

    关于成长

    68.

    重新审视的重要性。“大多数人厌恶改变自己的想法,”他说道,“但我喜欢改变我的想法,这意味着我学到了新东西。”

    -- 丹尼尔·卡尼曼

    69.

    最困难的时候,也是成长最快的时候。

    70.

    有的时候,被封锁,被拒绝真的不是坏事,不再对外界抱有期待,是自我成长的开始。

    71.

    要特别特别坚决地相信,未来的你一定比现在好,只要你在坚持成长,只要去做一个一头扎入未知的人。

    72.

    在无限游戏中,每次升级都能看见新风景。

    73.

    最好的导师不是直接告诉人们该做什么,而是帮助他们思考自己的问题。

    74.

    作为创始人,我们会经历很多糟心时刻,但客观来讲,随着挑战越来越大,创业者的韧性也会越来越好。因为解决问题的过程中,创始人会成长,心智也会变得成熟。

    -- Sam Altman

    75.

    当你穿过了暴风雨,你早已不再是原来那个人。

    -- 村上春树

    关于希望

    76.

    有些不好的事可能集中出现了,但是更多的美好的事正在开始。

    77.

    “愿你,不管走了多少暗夜里的长路,依然有继续出发的勇气。”

    78.

    雷军说:年年难过年年过,一年下来还不错,终于熬到了今年,咸鱼翻身,哦不对,时来运转,梦想成真。

    所以人生就是这么戏剧性,在小米的历史上最有名的一句话是,永远相信美好的事情即将发生。

    79.

    只管跑就是了,未来是什么样,交给未来的自己回答,我们都不用为了天亮去跑,跑下去,天自己会亮。

    关于做事

    80.

    一次又一次尝试所有可能性,在可接受的那个范围,都是最优解。

    81.

    滑雪让我意识到一件事:需要允许一些失控,来维持平衡。

    不断的跳出舒适区,在马上失控前救回来。

    失控,且及时收回控制权。

    82.

    low expectation,high hope.

    83.

    拥有识别套路的能力,但是永葆真诚。

    84.

    执行力&发现力的平衡,有的时候是『思考先于行动』,有的时候是『借助行动思考』,没有对错,要看情况。

    85.

    passive learning-让子弹飞一会

    86.

    “贪嗔痴,对顺境的执着,对逆境的不满,对世界真相的无知。”

    87.

    越纯粹,越有力量

    88.

    模糊陷阱,是通过“永远不把问题说清楚”来逃避,更不用说去寻找解决方案了。它存在于那些朦胧、空泛、没有边界的思绪之中。

    逃离“模糊陷阱”的方法——用最简单的语言,把问题“从脑子里拿出来”,写下来或画出来,创建一个 Excel 表,或者带着一个明确的问题去散步。把想法从头脑中“移出来”的过程,就像一个过滤器,能把模糊混沌的泥浆,从思维中清理出去。每一次把想法写下来或说出来,都要尝试用越简单、越清晰、越具体的语言来定义问题和答案。

    请记住:“模糊陷阱”背后的根源,往往来自“模糊的问题”。

    89.

    “我们有时候不用特别去等某个状态才去做那件事。可以反过来:我们先去做那件事,然后我们就会有那样的状态。”

    “先笑,然后感到快乐。先搬重物,然后感到有力量。先用力地活,然后爱自己的人生。”

    一些感性的表达

    90.

    “大多时候我们感受不到自己正在被无条件地爱,但是学会感恩后,你会发现自己拥有的东西很多,这样你对外的投射是富足的爱,慢慢地,外界也会投射回给你积极和正向的反馈。” 

    -- 张静初

    91.

    不要期待任何人能接你的情绪,本身情绪也是不应该被接纳的。

    很多时候我们追求爱情,本质上是追求被给予,被接纳,被关爱。这本身是一个自私的表现。

    这种追求爱情本质不是爱。

    92.

    年度最后一个 1v1 做完了,发现我是一个“脾气暴躁,情绪稳定”的人。

    结论,我还是不打算控制脾气🤣

    93.

    以前我特别不喜欢开车,相对比更喜欢坐车。

    最近发现,很晚下班开回家放放空发发呆也挺好,比坐车要好。

    心态很静,甚至有的时候觉得回家的路怎么这么短。

    94.

    在硅谷聊了好多人和诗和远方,晚上就得处理国内的一地玻璃碴子。。。 这就是理想和现实的距离。

    95.

    当 CEO 当久了就会变笨

    96.

    任何事情,好像我只要当项目做,总能做的还不错,起码可以超出平均水平,哪怕是日常的事情。然而自己的日常,完全稀碎,没有计划,生活不能自理。。。

    97.

    忽然想起电视剧《风吹半夏》,许半夏被一桌子老男人瞧不起,股份和份额始终不肯放手。 似乎年纪大一点的传统产业商人,真的不知道自己几斤几两。

    他们真应该被教训一下。

    98.

    热爱某一行的含义,在于既爱它的激情和理想,也爱它的煎熬和沮丧。

    99.

    爱憎分明,真诚勇敢。

    100.

    妈妈曾给我算命,34 岁那一年我会有很大的变化,34 岁真的到来的时候,我发现,我终于实现了 15 年前自己想想的样子,比我预期晚了 5 年,但是,他还是终于到来了。 我无比喜欢现现在的自己,更无比感恩一切的到来。

    今天,我依然会遇到挑战,公司还有很多没办法解决的事情等待我去解决,我依然面对巨大的不确定性,但是,我发现自己更有勇气,更有耐心,也在变得更加智慧。

    年度思考切片集锦(2021 年之后才搬到公众号,之前都在个人博客上)

    点击原文链接,跳转我的个人博客主页,博客断更多年,老文章都在。

    阅读原文

    跳转微信打开

    •  
    ❌