铃阅时讯
❌

阅读视图

有意思小周刊No.168(2026.05.25):Codex团队使用SOP

原创 强少Qone 2026-05-25 08:30 广东

「有意思小周刊」是我利用零碎时间,梳理记录一周的日常阅读与思考内容。目的是为以后更好构建自己知识体系,也为了将这些内容分享给你。

以下是这期值得关注的内容

📰 推荐阅读

1. Codex 团队使用 SOP

2. 来自 Codex 官方团队的分享:如何把 Codex 用到极致

3. AI新名词比我头发掉得还快

4. Claude Code Harness 工程:数仓侧落地方案|得物技术

5. 私域转化率翻倍的秘密:我们把多模态Agent融进了私域营销

6. 重新定义Skill开发:保姆级教程&一站式开发助手发布

7. 缓存使用实践总结:以淘宝交易结算场景为例

8. 生成式强化学习在七猫小说内容扶持业务的实践

9. 基于 Harness + SDD + 多仓管理模式的 AI 全栈开发实践|得物技术

10. 淘天营销中后台生码工作流最佳实践

🔎 发现新大陆

1. 高斯泼溅作品集

2. 免费IP地理位置数据库

🛠️ 资源·工具

1. GEOFlow:一套专门面向 GEO(生成式引擎优化)的开源智能内容工程系统

2. Stock SDK:面向浏览器与 Node.js 的股票行情 SDK

▌Codex 团队使用 SOP

链接:https://blog.janus-path.com/2026/05/20/Codex%E5%9B%A2%E9%98%9F%E4%BD%BF%E7%94%A8SOP/

本文档为团队使用 Codex、OpenSpec 和 Superpowers 制定了全面的标准操作流程。不只适用于开发工程师,也适用于产品经理、测试工程师、设计师、运营、实施交付、数据分析和其他需要沉淀项目上下文的业务团队。核心思想是将可复用的项目上下文结构化为 OpenSpec 记录,将高频复杂操作封装为 Superpowers,并通过 Codex 自动化和验证执行过程。同时,强调了上下文预算的重要性,要求在简单任务中不引入复杂工具,避免信息过载影响模型效果,最终目标是降低协作门槛,让团队经验和决策得以沉淀和复用。

▌来自 Codex 官方团队的分享:如何把 Codex 用到极致

链接:https://mp.weixin.qq.com/s/BzR8QdVkEg2nLtZP1wVXWQ

本文详细介绍了如何将AI编程助手Codex的功能发挥到极致,核心在于将其从一个单纯的代码生成工具,升级为能处理电脑上各类复杂任务的“全能打工人”。文章重点阐述了通过利用“持久对话流”来保持工作上下文、运用“语音输入”、“任务干预与排队”等技术实现灵活的人机协作,以及借助“自动化”、“目标设定”和“侧边栏”等功能,让Codex能够在用户不在场时自主推进工作,并高效审查和迭代成果,从而覆盖从指令到执行的完整工作流。

▌AI新名词比我头发掉得还快

链接:https://mp.weixin.qq.com/s/KRkweiilI8X4pH-xvrkfUQ

本文梳理了AI应用开发中涌现的海量新名词,将其归纳为“三代工程化跃迁”:第一代提示词工程解决“怎么问”的问题,第二代上下文工程解决“喂什么”的问题,第三代Harness(质检)工程解决“怎么验”的问题。文章指出,无论哪代工程,其底层都基于LLM、Memory、Tools、Planning四大基础模块,并强调了建立标准化评测体系对于确保AI系统可靠性的关键作用。

▌Claude Code Harness 工程:数仓侧落地方案|得物技术

链接:https://mp.weixin.qq.com/s/KmQJU7nXmYh5qgWPj4ajlw

本文详细介绍了在得物离线数仓场景中,针对 Claude Code 等 AI 编码工具在开发过程中暴露出的 "上下文失忆"、"规范执行不稳定" 及 "复杂需求 context 膨胀" 三大结构性痛点,设计并落地了 Harness 工程方案。该方案构建了一套包含持久化层(CLAUDE.md、Auto Memory)、自动化钩子层(Hooks)、上下文隔离层(Subagents)的多层防御体系,将业务语义、开发规范和迭代约束从不可靠的 LLM 记忆中迁移到确定性的文件系统和脚本执行环境中,从而系统性地提升了 AI 辅助开发的规范遵守率和准确性,实现了从 "AI 帮我写代码"到 "AI 嵌入研发流水线"的升级。

▌私域转化率翻倍的秘密:我们把多模态Agent融进了私域营销

链接:https://mp.weixin.qq.com/s/IUkQOiS1wcCXEusA-jFtFA

本文介绍了货拉拉如何利用多模态大模型和Multi-Agent系统,系统性解决私域营销中传统内容生产高度依赖人工、效率低且难以规模化个性化的痛点。通过将AI质检、多模态营销素材生成和问答交互三大专属Agent协同工作,实现了从用户意图识别、营销素材自动生成到合规安全交互的全链路自动化,有效解决了私域流量转化难、运营节奏踩不准等问题,最终达成私域运营从“人工零散执行”向“AI全流程托管”的智能化升级,显著提升了转化效率并降低了运营成本。

▌重新定义Skill开发:保姆级教程&一站式开发助手发布

链接:https://mp.weixin.qq.com/s/FgGVPw0BOZEu5sH1FdrVoQ

本文是一份关于AI Agent Skill开发的全面教程,阐述了Skill作为结构化指令文档的本质、其渐进式加载机制,并深入分析了当前Skill生态面临的跨平台一致性、版本管理和调试效率三大痛点。文章的核心观点在于,AI自动化的是重复性任务,而人类的独特价值在于提供体验和判断。为解决生态痛点,文章介绍了一站式Skill开发助手,旨在将复杂的Skill开发流程简化为用户只需做出判断的单一入口,从而让用户专注于价值创造而非工具学习。

▌缓存使用实践总结:以淘宝交易结算场景为例

链接:https://mp.weixin.qq.com/s/LRJUL9RAhr85FlsmStTCZQ

本文以淘宝交易结算场景为例,系统总结了缓存使用的理论与实践。文章首先阐述了适用缓存的数据需具备的四个核心条件(不要求强一致性、访问频率高、更新频率低、访问要求高性能),并详细介绍了从存储端、存储介质、存储时机三个维度进行缓存分类与选型的方法。随后,通过五个典型实践场景(配置类数据缓存、实体类数据缓存、单例型配置缓存、分布式锁、汇总计数),展示了不同特征数据如何根据理论进行具体选型与落地。最后,文章重点分析了缓存穿透、击穿、雪崩、一致性、序列化及本地缓存并发等六大安全风险的成因与治理方案。

▌生成式强化学习在七猫小说内容扶持业务的实践

链接:https://tech.qimao.com/sheng-cheng-shi-qiang-hua-xue-xi-zai-qi-mao-xiao-shuo-nei-rong-fu-chi-ye-wu-de-shi-jian/

本文介绍了七猫小说在内容扶持业务中采用生成式强化学习(Generative Reinforcement Learning)技术,将有限的扶持流量进行高效动态分配。该技术通过将内容扶持建模为时序序列优化问题,利用Transformer架构对全天48个时间步进行全局决策,并设计乘积式复合奖励函数,同时兼顾了新增阅读量、转化效率和扶持系数约束三大目标。实验表明,该策略在固定流量下显著提升了书籍曝光效率,尤其使30-100万字的优质连载书新增阅读量提升了6%。

▌基于 Harness + SDD + 多仓管理模式的 AI 全栈开发实践|得物技术

链接:https://mp.weixin.qq.com/s/ygQGSH5c7GHYDvkqWoQTXQ

本文提出了一套基于“Harness + SDD + 多 Agent”的全栈AI开发方法论,核心是通过给AI提供精确的模仿对象(Harness思维)而非让其凭空创造,以解决AI生成代码风格不统一、采纳率低的问题。该方法通过搭建前后端统一的工作区并利用Codebase Indexing建立语义索引,再以SDD文档驱动生成前后端代码,并支持多Agent并行开发以提升效率。此外,文章还强调了在前后端联调中采用分阶段验证策略,并提醒开发者警惕AI自动复刻“隐性功能”带来的测试陷阱,从而在实际项目中实现了提效50%+的显著成果。

▌淘天营销中后台生码工作流最佳实践

链接:https://mp.weixin.qq.com/s/VjTyHFr17l_bObG6x8-Mmw

本文总结了淘天营销中后台在AI生码提效上的系统性升级实践,核心路径是统一收敛至基于AoneSuper的云端托管生码,以解决本地环境不一致、AK管理难和执行易中断等问题。在此基础上,构建了基于git submodule和turborepo的跨仓库工作区以支持多仓协同,并打造了覆盖需求理解到构建发布全链路的可编排场景化工作流。针对高确定性的迁移/重构任务,采用架构说明文档+领域Skill固化规则;针对低确定性的日常迭代,引入“功能树”实现查表式精准知识供给,并结合D2C/API还原优化与知识自动沉淀,形成了持续改善的提效飞轮。

▌高斯泼溅作品集

链接:https://superspl.at/

高斯泼溅(Gaussian Splatting)是一种算法,可以将多张照片合成为 3D 图像。网站 SuperSplat 提供在线的高斯泼溅处理,可以上传照片进行处理,还能浏览很多合成好的 3D 模型。

▌免费IP地理位置数据库

链接:https://ip66.dev/

免费的 IP 地理位置数据库,可以自由下载,在脚本中调用查询。

▌GEOFlow:一套专门面向 GEO(生成式引擎优化)的开源智能内容工程系统

链接:https://github.com/yaojingang/GEOFlow/tree/main

GEOFlow 是一套专门面向 GEO(生成式引擎优化)的开源智能内容工程系统,是全球最早围绕 GEO 场景系统化设计的数据、内容与分发基础设施之一。它把数据沉淀、知识库、素材管理、AI 生成、审核发布、前台展示与后续多端分发串联为一条可持续迭代的工作链路,目标是逐步演进为一套强大的“从数据到内容、从内容到多端发布”的 GEO 优化系统。

▌Stock SDK:面向浏览器与 Node.js 的股票行情 SDK

链接:https://stock-sdk.linkdiary.cn/

零依赖、轻量发布包,覆盖 A 股 / 港股 / 美股 / 基金 / 期货 / 期权、K 线、技术指标与 AI / MCP 接入

END

如果本文对你有帮助,请点赞、在看和分享给身边的朋友!

别忘了关注「强少来了」

获取更多前端 · 后端 · B端产品思维的精彩内容!

👇👇👇

你的认可,是对我最大的鼓励

求转发,朋友圈

另外我建了一个读友交流群

你可以回复关键词「进群」

添加我个人微信,邀请你入群

跳转微信打开

  •  

王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (五)- 牛鞭效应

原创 硅谷王川 2026-05-25 05:38 美国

王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (五) -- 牛鞭效应

本文是    王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (四)    的续篇。

1/ 建造大型数据中心,是个很复杂的工程。第一需要巨大和稳定的能源供应, 第二需要能源和数据中心联网,第三需要各种定制的重型器材。

2/ 和电网的连接不止是个工程问题,还涉及到环保,对电网稳定性和电价的影响,等各种复杂的需要研究和审批的事项。任何一个关口卡壳,都会耽误很长时间。即使一个项目搞定了能源供应,要让监管者批准和电网的连接,并在工程上落实,至少需要三到五年时间,有的地区甚至更长。

3/ 连接电网的大型数据中心需要电力变压器,把来自电网的高压电层层转换,变成数据中心的器材可以使用的电压。变压器有不同等级,目前最缺的是变电所的高压变压器,据说交货时间因为订单太多, 已经延迟到三到五年。缺货的原因是因为制造工序和供应链极为复杂,需要各种定制的零部件,特殊的材料,等等。

4/ 有人会说,没关系,我可以不用和电网连接,也不用大型变压器,我现场租用燃气轮机 (Gas Turbine),用天然气发电!事实上,马斯克的 xAi 就是这样,2024年只花了四个月时间,搭建起自己的第一个数据中心 Colossus 1。但是这条路径现在又有新的问题:一是环境污染和能源浪费较大,导致各地政府监管力度加大。二是需要稳定的天然气供应。三,现在燃气轮机供不应求,新订单的交货时间已经超过五年。

5/  AI 投资观察者 Ed Zitron 最近发表了一篇文章,“数据中心去哪儿了” ? ( Where are all the data centers?) 。文章指出, (除了 xAi的 Colossus 超算中心之外),各个公司过去两年上线的数据中心规模最大也就是两百到三百兆瓦,大部分真正完工的项目都在 50兆瓦以下。OpenAI 和 软银在 2025年一月高调宣传的四年投资五千亿美元,26年底要上线1200兆瓦的 Stargate 数据中心项目,迄今为止只有两个总共 210 兆瓦的数据中心上线。某大公司高调宣传过去两年有四千兆瓦的算力上线,但如果仔细盘点它过去三年开工的各个数据中心项目,没有任何公开信息可以证明任何项目已经完工。媒体宣传时常常玩文字游戏刻意误导,比如某个数据中心项目里 N 幢楼只有一两幢上线运营,记者的文字会给读者以整个项目全部完工的错误印象。而四月份彭博社的一篇文章号称,今年在美国建造的数据中心项目,大约一半会推迟甚至彻底取消。

6/  当数据中心的建设上线时间需要至少三到五年,而 GPU 的交货时间只要 6到 12个月,一个不可避免的结论是,云服务商要么必须减少 GPU 的订单以和数据中心建设进度同步,要么必须容忍自己买来的 GPU 放在仓库里静静的吃灰,越堆越多。

7/ 一个观察公司囤货增加的角度是看所谓 “Construction In Progress” ( 在建工程) 或者 “Asset not yet in service” (未投入使用资产)。 比如谷歌 25年三月底的时候,未投入使用资产价值为 556 亿美元,一年以后这个数字上升为 1086 亿 ; 脸书的在建工程,25年三月底为 323 亿,26年三月底上升为 610 亿 ; 亚马逊每年只披露一次这方面的数据,24年底到 25年底在建工程从 466 亿上升为 717 亿。微软没有直接披露这方面的数字。但整体看,除微软外的三家大公司的”尚未投入使用的资产“过去一年从 1340 亿美元增加到 2410 亿美元,净增 1070 亿美元,增长幅度为 80%。  如果假设未投入使用资产中有 30%为 GPU, 那么 1070 亿美元的增量就是 321 亿,正好相当于一百万台在仓库里吃灰的英伟达的 Blackwell GPU。

8/ 这里需要引入一个供应链管理的概念:牛鞭效应 (Bullwhip effect)。 简而言之,牛鞭效应是指实物商品从销售到生产的各个环节之间存在较大的时间延迟,因此来自终端买家的订单的微小波动,就可以导致后台生产商的生产量的大幅波动。这好比终端买家挥舞着一个牛鞭,轻轻一动就可以导致鞭尾的大幅波动,所以叫牛鞭效应。

9/ 牛鞭效应的成因主要有两点:一,生产环节复杂,延迟较长,需求上升期时延迟增长更快,雪上加霜 ; 二,每个环节上的买家只能看到自己的客户的需求,对市场整体需求的变化主要靠猜,上升期时为了让自己有冗余,通常向上游供货商开出比自己实际收到需求要多出一些的订单数目,每个环节大家层层加码,最后导致后台生产商的生产量的巨大波动。

10/ 牛鞭效应的最反直觉的两点在于:一,当客户订单开始加速涌入时,不管你开始如何向上游增加订单,因为生产的延迟,会有很长一段时间,缺货现象会越来越厉害,而竞争压力会诱导你大幅度增加更多订单。 二,当供需关系变得平衡之后,即使你立刻取消所有订单,已经开启生产的货物仍然会源源不断的进入市场,很长一段时间供过于求的问题会越来越糟。

11/ 从供不应求到供过于求的临界点的转换很难提前预测,形成原因也非常复杂。有时是因为供给终于上来了,有时是因为价格过高导致终端买家的需求减少,或者经济衰退,或者买家找到了替代解决方案。转换的发生是瞬间的,就好像一个拥挤的酒吧突然着火,原先淡定的狂欢者,突然同时决定冲向一个逃生的窄门。

12/ 因为延迟和缺乏准确全局信息,因为害怕落后于竞争者,每个环节上的参与者都会在局部缺货的时候义无反顾的增加订单,造成上游的更多的缺货,更多价格上涨,和更多投机者的义无反顾的涌入。而一旦供给远远超过需求时,大家不断砍订单,甩卖存货,反向的价格下跌,投机者破产的现象又会层层向下传播,把价格推向另外一个极端。

13/ 历史上若干次酒吧失火,大量人员伤亡的惨剧,本质都是因为出口太小,火势过临界点后大家同时想夺路而逃,人员踩踏导致出口被彻底堵死,最后大家一起堵在出口窒息而亡。 从无忧无虑的狂欢,到出口被堵死的时间,很多时候不到 100秒。而且起火的开始几十秒,很多人还会误以为这是狂欢节目的一部分,完全没有撤离的想法。 和你一起在酒吧狂欢的其他人,根本不是你的朋友,而是起火后和你一起在门口互相践踏,共赴黄泉的竞争者。 

14/ 类似的,很多资产泡沫,从东窗事发,到价格下跌 50% 以上,往往就是两三个星期,甚至一两天的事情。开始下跌 10%的时候,大家通常不在意,以为是正常的回调。跌过某个临界点后,所有大基金,散户都在竞相恐慌的抛售,跌得越多,就会有更多人恐慌,导致更大的下跌。 在泡沫上升期,互相鼓气的狐朋狗友,在恐慌期,统统变成自相残杀的猪队友。他们的思维模型里,无法真正理解为什么资产从高涨到暴跌的转换可能就是几天的事情,因此最终的悲惨结局很早就已注定。

15/ 所以现在大致的格局轮廓就清晰了: 

i/ 几大云服务商竞相穷尽经营现金流,增长资本性投入,负债累累,同时建设大量数据中心或签下大量长期租约,推动整个半导体行业的收入和利润暴涨。

ii/ 但行业的瓶颈已经转移到数据中心的建设,工期一拖再拖,在建工程和GPU 存货的金额也在增长。能源供应,电网连接,变压器,燃气轮机等等各种瓶颈,砸再多钱, 也无法立刻解决。

iii/ 整个半导体产业过去三年多处于牛鞭效应的上升期。很多观察者看到短期各种供不应求的强劲数字,误以为形势还会继续下去,误以为自己可以精准逃顶。

下一期要切到正题,讲讲在存储股票上赚了 30倍的隔壁老王。

(未完待续)

---

所有文章表达笔者个人观点仅供参考,不构成对所述资产投资建议,投资有风险,入市须谨慎。笔者推特号"Svwang1", 新浪微博 “硅谷王川", 网站 chuan.us。

点击下面链接可看到本公众号过去两百多篇原创文章的链接目录:

硅谷王川的公众号文章目录 (2026年一月)

跳转微信打开

  •  
❌