铃阅时讯
❌

阅读视图

他为什么卖给你?(一)货架的错觉

原创 王建硕 2026-08-11 21:24 美国

你买的每一股股票,不是从货架上拿下来的,而是从另一个人手里买回来的。买股票像逛超市——这个错觉背后有三条隐含假设,三条全错。连载第一篇,先拆货架。

VoiceDrop,作为创作者的最佳伴侣,296 版增加了一个实验功能:写书。

如果你有一个想法,可以把这个想法告诉 VoiceDrop,由它系统的帮你写出来一本书。有趣的是,经过多个 Agent 的写作,多次的相互反馈,产生的书,以我的视角来看,相当有趣。

比如这本《散场之后》,我在 VoiceDrop 里面给的提示词只有一个字:熵。

再比如,对于我这个股票市场的小白,我让他写一本关于交易的书,我的提示词是:

最后它写出的这本 12 章 2.3 万字的小册子,居然让我废寝忘食的读完了。不得不说,类似于 Wikipedia 一样的科普作品是现在 AI 写作的甜区之一。

如果你也有一个有趣的话题,可以下载 VoiceDrop, 也自己给自己写一本给自己的读的书。https://voicedrop.cn/i/AE209A

估计很快,「书非自己写不可读也」就会到来。

下面,我用四天的时间连载一下这本书,这本小册子的全文,还有其他所有我和社区的朋友写的书,也可以在 VoiceDrop 里面继续阅读。

一 本 小 书 · 连 载 之 一

他为什么卖给你?

关于股票市场,你只需要想清楚一个问题

你买的每一股股票,不是从货架上拿下来的,而是从另一个人手里买回来的。

所以要想一想:他为什么卖给你?

王建硕 · 2026 年 8 月 · 本书由多个 AI 代理协作写成

本篇为连载第 一 篇(共四篇):引子 + 第一至三章

引 子

一句话

货架的影子是一张桌子

这本小书从一句话长出来。这句话是:

你买的每一股股票,不是从货架上拿下来的,而是从另一个人手里买回来的。所以要想一想,他为什么卖给你?

我见过很多人研究 K 线,研究财报,研究政策,研究别人的研究。但我很少见到有人在点下「买入」之前,认真问过这个问题。这个问题的奇妙之处在于:它不需要任何金融知识就能听懂,但把它想到底,需要穿过经济学近五十年里好几个拿了诺贝尔奖的想法。

更奇妙的是,一旦真的想通了,你对股票市场能做的最重要的几个决定,就已经自动做完了。剩下的都是细节。

市场上关于投资的书,绝大多数在教你怎么赢。这本小书不教怎么赢,它只做一件事:把桌子对面那个人请到灯光底下,让你看清楚你在跟谁做交易。看清楚之后怎么选,是你自己的事。我的经验是,看清楚的人,选择都惊人地一致。

全书十二章,分三部分。第一部拆掉「买股票像逛超市」这个错觉;第二部挨个介绍桌子对面坐着的人;第三部回答「既然如此,那怎么办」。每一章都很短,加起来一个下午能读完。但我建议你读慢一点——这里面没有一个结论是让人舒服的。

第一部 · 货架的错觉

第 一 章

超市与桌子:两种买东西的心智模型

超市与谈判桌

去超市买一瓶矿泉水,整个过程里没有任何悬念。价格印在标签上,货架上摆着几十瓶,你拿一瓶去结账,收银员对你微笑。你高兴,超市也高兴。这笔交易里没有输家。

我们从会花钱的那一天起,就在这样的交易里长大。菜场买菜、网上下单、修车铺换机油,形式不同,骨架是同一副:价格是卖方标好的,货近乎无限,你买走,卖方高兴。

这套经验在大脑里跑了几十年,跑成了一种本能。我把它叫作「货架模式」。

货架模式有三条隐含假设,平时没人说出来,因为它们太理所当然了:

  1. 价格是别人定好的,我只决定买不买;

  2. 货有的是,我买这一件,不影响别人买下一件;

  3. 卖方巴不得我买,我买得越多他越高兴。

第一次打开股票软件的人,会不自觉把这三条搬进去。屏幕上有个数字,看起来就是标价;想买多少似乎都买得到,看起来货源充足;点下买入,成交了,看起来皆大欢喜。

三条全错。

价签的背面是什么

先看货架模式为什么成立。

超市里一瓶水卖两块钱,背面的账目大致是:出厂几毛,物流几毛,房租人工摊一点,剩下是利润。价签是成本加利润算出来的,它锚在一个真实的东西上——把这瓶水造出来、运过来的花费。

正因为锚在成本上,价格才稳定。今天两块,明天大概率还是两块。也正因为卖价高于成本,卖方才真心欢迎每一个买家。你买,他赚,双方利益同向。

这就是货架模式的全部机制:价格有锚,供给近乎无限,买卖双方同向。

股票把这三样全拆了。

一股股票没有出厂价。它不是被「生产」出来摆上架的。公司当然也会增发、回购,但那是另一张桌子上的事;对此刻坐下来的你来说,市场上流通的每一股,都攥在某个人手里。你想买,不是从货架上拿,是要从另一个人手里换。

而那个人没有义务卖给你。

沙滩上最新的脚印

股票软件上那个跳动的数字,最容易被误认成标价。它不是。

它是最近一次成交留下的痕迹。上一秒有两个人,一个愿意以 10.00 卖,一个愿意以 10.00 买,成交了,屏幕上就写下 10.00。仅此而已。它记录的是刚刚发生过的事,不承诺接下来会发生什么——像沙滩上最新的一个脚印,告诉你刚才有人从这里走过,不告诉你下一个人往哪走。

真正等着和你交易的东西,藏在订单簿里。订单簿是两列挂单:想卖的人报出「我愿意以什么价、卖多少股」,想买的人报出「我愿意以什么价、买多少股」。大致长这样:

方向

价格

数量

卖

10.03

8,000 股

卖

10.02

5,000 股

卖

10.01

2,000 股

—— 最新成交 10.00 ——

买

9.99

3,000 股

买

9.98

6,000 股

买

9.97

9,000 股

注意中间那条缝。愿意卖的人最低要 10.01,愿意买的人最高出 9.99,两边隔着一道价差,谁也不让。市场大部分时间就停在这种僵持里。

所谓「成交」,是有人决定不等了:一个买家跨过缝去,接受 10.01,吃掉那 2,000 股。屏幕上的数字跳到 10.01。脚印更新了。

这里藏着一个货架模式里完全不存在的事实:你每买一股,同一毫秒,市场上必须真实存在一个愿意以这个价卖出这一股的人。 他或许此刻才按下卖出键,或许几个小时前就把卖单挂在那里,安静地等你。没有这个人,你的买入指令就只能挂在订单簿里等着,等不到就作废。

超市不需要有人「决定卖你这瓶水」。股市里,每一笔成交背后都站着一个做过这个决定的人——决定或早或晚,但一定有。

同一个词,两种成交

现在可以把两种模式并排放在一起了。同样叫「成交」,里子完全不同:

货架模式(超市)

桌子模式(股市)

价格从哪来

成本加利润,卖方标定

上一笔成交的痕迹

货从哪来

仓库,近乎无限

另一个人的持仓

对方为什么成交

卖价高于成本,卖了就赚

他判断此刻卖出比持有好

成交之后

双方各取所需,都满意

双方对同一样东西的未来押了相反的方向

有没有输家

没有

时间会指认一方的价格判断

最后两行值得多停一秒。

超市的成交是各取所需:你要水,他要钱,水和钱对你们俩的价值本来就不同,交换让双方都变好。这种交易做一万次,双方赢一万次。

股票的成交不是各取所需。你和对面的人要的是同一样东西——这只股票未来的价值。你出 10.01 买,是判断它之后值更多;他以 10.01 卖,是判断它之后值更少,至少是判断他的钱有比继续拿着这只股票更好的去处。你们在同一个价格上、对同一件东西、下了相反的判断。

时间往前走,价格会走出一条路来。就这只股票接下来的价格而言,你们俩的判断不可能同时正确——时间必然否定其中一份。

当然,对面那个人未必在乎价格的对错。他可能根本没在赌方向,只是要用钱:交学费,付首付,调仓换股。他到底在乎什么、图什么,是下一章的事。这一章只需要看清结构本身:交换不同的东西,可以双赢;对同一件东西的未来价格下相反的判断,正确永远只有一份。

对面那个人

把货架模式的三条假设逐条翻过来,就是股市的真相:

  1. 价格不是标好的,是你和对面的人当场磨出来的;

  2. 货不是无限的,每一股都要从一个具体的人手里换来;

  3. 对方不是欢迎你买——多数时候,他是在和你打一个方向相反的赌。

第三条最要紧。超市老板看见你进门是笑的,因为你买他就赚。股票的卖方看见你的买单,心里想的是另一件事:正好,我要出。

于是全书的问题立起来了。

你按下买入键的那一毫秒,地球上有一个人——可能是隔壁小区的散户,可能是一台机器,也可能是一个管着几百亿的基金经理——把这一股以这个价格换给了你。他或许刚刚权衡完毕,或许早就权衡完毕、挂好单等了你一个下午。他看得到和你一样的价格,可能还看得到你看不到的东西。他不缺信息渠道,不缺持有这只股票的资格,他想清楚了,然后选择了离开。

他为什么卖给你?

这个问题问得越具体,越让人坐不住。他是谁,他知道什么,他图什么——那是下一章的事。这一章只需要你带走一件事:股市里没有货架。每一次你以为自己在「购物」,其实都是在一张桌子边坐下,而对面的椅子,从来不是空的。

第 二 章

卖家的清单:他到底为什么卖

八个卖家排成一排

股票不会自己出现在你的账户里。你买入的每一股,都对应着一个具体的人,在同一秒钟做出了相反的决定:他不要了。上一章我们确认了桌子对面有人,这一章做一件更具体的事——把那个人的全部可能动机,列成一张完整的清单。

这张清单值得认真列。因为对你这笔交易的最终盈亏来说,"他为什么卖"比"你为什么买"重要得多。

八个卖家,排成一排

把所有可能的卖出动机穷举一遍,大致是这八种:

动机

对你的伤害

出现频率

① 他知道你不知道的坏消息

最致命

少数,但集中出现在特定时刻

② 他研究之后认为价格已高估

致命

不低,且研究越贵的人越可能是他

③ 急需用钱:买房、还债、被追缴保证金

无害

常见

④ 组合再平衡:涨多了机械减仓

无害

常见,机构尤其多

⑤ 恐慌:跌怕了,割肉离场

对你甚至有利

大跌时集中出现

⑥ 税务原因卖出

无害

存在,有明显的时点规律

⑦ 公司内部人减持、行权套现

危险信号

少数,但公开可查

⑧ 做市商调整库存

中性

极常见,每一秒都在发生

前两种是捕食者:他们卖,是因为他们对这只股票的判断比你的判断多了点东西——多了一条你没有的消息,或者多了一份你没做过的研究。

中间四种是过日子的人。③ 到 ⑥ 的共同点是:卖出的理由跟这只股票本身毫无关系。他不是不看好它,他只是要付首付、要交税、要把涨过头的仓位调回原比例。这种卖出,像菜场收摊前打折卖菜——菜没坏,只是摊主要回家了。

⑦ 是一个歧义信号。内部人卖股票有很多正当理由——他的财富过度集中在自家公司,分散一点天经地义。但内部人恰恰是这个世界上最接近 ① 的人群,所以监管才要求他们的每一笔减持都公告备案。

⑧ 是水管工。做市商不断地买进卖出,只是在维持库存平衡,本身对股票没有观点。但注意一个细节:Glosten 和 Milgrom 在 1985 年证明,做市商的买卖价差里专门含着一块"逆向选择成本"——他们自己也怕碰上 ①,于是向所有来交易的人预收一笔保险费。连全职坐在柜台后面的人都要为此买保险,这件事本身就是清单前两行分量的旁证。

好消息:对面确实可能是正常人

这张清单先给出一个安慰:无害动机是真实存在的,而且不少。

这一点很重要,因为它驳倒了一种流行的偷懒结论——"既然有人卖给你,说明你一定是傻子"。不对。卖方里有大量过日子的人:付首付的、被追保证金的、机械调仓的、年底做税务安排的。跟这些人成交,你没有吃亏,他也没有占便宜,这是一笔双方各取所需的正常买卖,就像你在超市买走一瓶临期打折的牛奶——超市想清库存,你想省钱,皆大欢喜。

市场每天的巨大成交量里,相当一部分就是这类交易。承认这一点,这本书后面的论证才站得稳:问题从来不是"交易必然有一方是傻子",问题在下面两条。

成交单上不写理由

第一条:在成交那一毫秒,你完全无法分辨对面是八种人里的哪一种。

交易所的撮合系统只传递两个数字——价格和数量。它不传递动机。你看到的是"有人以 xx 元卖出一千股",你看不到的是这一千股背后,是一个急着付首付的工程师,还是一个刚看完你看不到的数据的基金经理。

两种卖单在屏幕上长得一模一样。同样的价格,同样的闪烁,同样的成交提示音。超市货架上,临期打折的牛奶至少还印着保质期;股票这个货架上,连保质期标签都没有。

所以"无害动机存在"这个安慰,安慰不到具体的你。整体上看,就算卖方里有一半是好人,这对你也毫无用处——你需要知道的是你这一单对面站的是谁,而这恰恰是系统设计上就不告诉你的。

你最心动的时刻,就是清单最歪的时刻

第二条更糟:八种动机不是均匀分布的,而且歪斜的方向刚好对你不利。

想一想清单里那些无害的卖家在什么时候出现。付首付的人,卖出时点由房子决定,跟股价无关——他随机地散布在全年的每一天。机械再平衡的机构,按日历或者按比例触发,也接近随机。恐慌割肉的人,集中在大跌的日子。

再想一想 ①②⑦ 在什么时候出现。知道坏消息的人,会挑市场情绪最热、买盘最汹涌的时候出货,因为只有那时候才接得住他的量。研究后认定高估的人,定义上就是在价格冲高时卖出。内部人的集中减持,也往往出现在股价大涨、公司频上新闻之后。

现在把镜头转回你自己。你什么时候"特别想买"一只股票?Barber 和 Odean 在 2008 年发表于 Review of Financial Studies 的研究给出了答案:散户系统性地净买入"抢眼"的股票——上了新闻的、成交量异常放大的、单日暴涨或暴跌的。

把两边放在一起,结论就出来了:

  • 你最冲动想买的时刻——放量、上新闻、大涨——恰好是捕食者最集中卖出的时刻;

  • 而无害的卖家,此刻并不比平时更多。

换句话说,平时这张清单里八种人按某个比例混着;可当你排队伸手的那一刻,队伍对面的人群构成已经悄悄换过了——① ② ⑦ 的浓度,正是在你的注意力被点燃的那一刻达到峰值。

你以为自己是随机地从八种卖家里抽一个,实际上你是在浓度最高的时刻,去抽毒性最强的那几种。

这不是你运气差,也不是谁在针对你。这是一种机制在起作用:交易的达成本身,会自动筛选出对你最不利的交易对手。这个机制有个正式的名字,叫逆向选择。它是怎么运转的,为什么连二手车市场和保险公司都逃不掉——下一章讲。

第 三 章

反归纳的机器:规律为什么会自杀

追不上的金苹果

物理世界对归纳法非常慷慨。太阳升起了一万次,第一万零一次照常升起;红烧肉的做法印在菜谱上一百年,今天照着做还是那个味道。规律不因为使用的人多而磨损——一亿个人同时相信万有引力,苹果不会因此改变落地的轨迹。

我们的大脑就是在这样的世界里训练出来的:观察,找规律,重复使用,规律永远有效。这套本能在物理世界里是生存优势。

市场是我所知的唯一一个反过来的地方。在市场里,一条规律被足够多的人发现并使用,就会因为被使用而失效。不是慢慢失灵,是被使用这个动作本身杀死的。这一章只讲清楚这一件事。

周五下午的免费午餐

做一个思想实验。假设有一条铁律是真的:每周五下午,股票必涨百分之一。

你会怎么做?周五上午买入,下午收盘卖出,白捡百分之一。但稍微聪明一点的人会想:既然周五下午必涨,我周四收盘就买好,省得周五早上抢。

当足够多的人这么想,事情开始变形:

时间

发生了什么

第 1 周

大家周五上午抢着买,上涨提前到了上午

第 2 周

有人周四收盘埋伏,周四尾盘开始涨

第 3 周

更多人抢跑到周四上午、周三下午

第 N 周

上涨被摊平到一整周的每一分钟,规律尸骨无存

注意,没有任何监管者出手,没有任何人作弊。规律是被"相信它的人"亲手消灭的。每一个想利用它的人,都把那段涨幅往前搬了一格,直到无处可搬。

菜场里也有同样的机制。如果全城人都知道某个摊位周五傍晚白菜半价,周五下午三点摊位前就排起队;摊主看到队伍,干脆下午就不按原价卖了——他也知道你知道。半价这件事还在,但你能"利用"它赚到的差价没有了。

价格的本质是对未来的报价。任何可以被预见的未来上涨,都会被今天的买入提前吃掉。可预测,就会被预支;被预支,就不再可预测。这不是市场的缺陷,这是市场唯一的工作方式。

规律的尸检报告

这不只是思想实验。McLean 和 Pontiff 在 2016 年发表于 Journal of Finance 的研究做了一件很朴素的事:把学术论文里发现的选股异象——那些"按某个特征买股票能跑赢市场"的规律——拿来跟踪,看论文发表之后它们还剩多少。

结果:异象一经发表,其超额收益平均衰减约三分之一到一半。

想清楚这件事有多奇怪。在物理学里,论文发表意味着规律被确认;在市场里,论文发表是规律讣告的第一段。公开,就是处决。

Andrew Lo 在 2004 年提出的适应性市场假说,给了这个现象一个准确的画面:市场规律不是物理定律,是生态位。一片没人发现的草地,第一只到达的羊吃得很肥;羊群闻讯赶来,草地几个月内被啃秃。套利者就是掠食者,规律就是猎物,而且这种猎物不会繁殖——被吃掉就没有了。

所以"这个策略过去十年有效"这句话,在市场里的信息量远比听起来小。草地过去很茂盛,恰恰可能意味着羊群正在路上。

你猜的不是那张脸

规律自杀,还只是第一层。凯恩斯在 1936 年的《通论》里给了第二层。

他把选股比作当时报纸上的选美比赛:读者从一百张照片里投票,猜中"得票最多的脸"的人获奖。凯恩斯指出,聪明的参赛者不会选自己觉得最美的脸——他会猜大家会觉得哪张最美。更聪明的会猜"大家猜大家会选谁"。三阶、四阶,往上没有尽头。

落到买股票上:你发现一家好公司,这个判断本身不值钱。因为"它是好公司"这个事实,早就被无数人看到、买入、抬进了价格里。你付的价钱里已经包含了它的好。你要赚钱,需要的不是"它好",而是"它比价格里已经体现的还要好"——也就是说,你得比市场上所有人的平均预期再多知道一点什么。

这就是市场和修车铺的区别。修车师傅面对的发动机不会因为被诊断而改变故障;你面对的价格,是几百万个和你一样在做判断的人共同投票的结果,而且他们每个人都在猜你在猜什么。你不是在解题,你是在跟出题的人下棋。

书店里没有圣杯

把前面三步接起来,会得到一个冷冰冰的推论:

凡是人人学得会的招,按定义已经死了。

  • K 线形态:印在每一本入门书的第三章,全世界的交易软件都能自动识别。它能提供的信号,早在你看见之前就被机器扫过一遍。

  • 均线金叉:一行代码就能写出来的规则。一行代码能写出来,就意味着一万台服务器在你之前几毫秒执行完了。

  • 财经新闻:等它出现在你的手机推送里,它已经走完了从知情者到分析师到记者到编辑的全部路程,每一站都有人先于你行动。

这不是说这些工具的发明者蠢。恰恰相反——它们当年可能真的有效,正因为有效,才被写进书里;正因为被写进书里,才失效。你在书店能买到的圣杯,恰恰因为它在书店卖,所以不是圣杯。这句话不是俏皮话,是前面整套机制的直接推论。

物理世界

市场

规律被公开后

照常有效

开始衰减

使用的人越多

不影响

死得越快

过去有效意味着

将来大概率有效

掠食者可能已在路上

学习的回报

学会就能用

学会时往往已经死了

所以市场是一台设计精巧的机器:它专门把钱从"直觉与常识"的一边,转移到"反直觉与基础设施"的一边。直觉说"涨了这么多该追了",常识说"上了新闻的公司值得买"——机器收下这些下单,把钱付给另一边那些不靠直觉、靠着别的东西吃饭的人。

他们靠的是什么,他们是谁,为什么他们恰好总在你的对面——这是下一部分要摊开讲的事。这里只需要记住一件事:当你觉得自己发现了一条规律,先问一句,它为什么还活着。

· · ·

下篇:第四至六章——逆向选择、聪明钱的装备清单、市场的电费。

《他为什么卖给你?》 · 王建硕 · 本文不构成投资建议全书在线阅读:voicedrop.cn/books/why-did-he-sell

阅读原文

跳转微信打开

  •  

高瓴种子 | 潜界科技获数亿元种子轮融资,让机器人学会“边想、边做、边修正”

高瓴创投 2026-08-11 18:08 北京

让机器人学会边想、边做、边修正

近日,具身基座模型公司 LatentVerse(潜界科技) 宣布完成数亿元种子轮融资,高瓴创投参与投资,其他投资方包括清流资本、英诺基金,以及智元机器人、星动纪元等产业投资方。

LatentVerse成立于2026年5月,由来自清华大学交叉信息研究院的具身智能研究团队创立。团队成员来自清华大学、北京大学、南洋理工大学,以及字节跳动Seed、阿里巴巴Qwen、小米等大模型与具身智能团队,长期围绕具身模型预训练、世界模型、灵巧操作、数据基础设施与端侧部署等方向开展研究。

在机器人逐渐从实验室走向真实世界的过程中,一个核心问题变得越来越清晰:会“看”、会“想”、会“做”还不够,机器人还需要在持续变化的环境中不断感知反馈,并实时调整自己的动作。

这也是LatentVerse希望解决的问题。

Aseed+ 

From A Seed To A Cosmos

高瓴种子

正在寻找浪潮中率先出发的人

我们能够从最早开始

支持一切真正有方向感、有创造力的想法和行动

如果你正在酝酿什么——

还没长成、不够确定

都没关系

来找我们

从“看见并行动”,到理解动作之后会发生什么

过去几年,具身智能模型的技术路线快速演进。

早期的视觉—动作(VA)模型,主要解决如何让机器人根据视觉信息直接完成动作;随后,视觉—语言—动作模型(VLA)进一步加入语言理解能力,使机器人能够听懂人的指令;世界动作模型(WAM)则尝试让模型预测一个动作发生之后,真实世界可能发生怎样的变化。

LatentVerse团队长期参与这一技术演进。

团队成员此前提出的DP3聚焦3D具身策略学习;HiRT探索视觉、语言与机器人动作之间的协同;VPP进一步研究如何预测动作带来的未来状态。此后,团队又持续探索世界模型与VLA的融合,以及灵巧手通用模型等方向。

LatentVerse创始人兼CEO胡钰承为清华大学交叉信息研究院博士,曾在字节跳动Seed参与具身智能基座模型研究。其研究长期关注VLA与世界动作模型的融合,希望让机器人不仅根据当前环境生成动作,还能够理解:如果这样做,接下来会发生什么。

沿着这一研究路径,LatentVerse提出了 UTAM(Unified Tactile Action Model)具身全模态世界模型。

简单来说,UTAM希望让机器人形成一种类似“边想、边做、边修正”的能力。

真实世界里,还有“最后一厘米”

今天的机器人已经可以完成抓取、放置、折叠等不少单项任务,但真实环境远比实验室复杂。

同一个杯子,材质、重量、表面摩擦力可能不同;柔性物体在抓取过程中会不断发生形变;使用剪刀、旋钮等工具时,几毫米的抓握位置差异,都可能影响最终结果。

这意味着,仅仅依赖视觉和语言还不够。

LatentVerse将机器人进入真实世界所需要的能力概括为两个层面:认知智能与接触智能。

认知智能解决的是机器人如何理解任务、适应环境变化,并把已有技能重新组合起来。例如,当桌面布局发生变化时,机器人不能只机械重复训练过的动作,而需要重新判断执行顺序和路径。

接触智能解决的则是动作真正发生之后,机器人能否感受到现实世界的反馈。物体是否滑动、有没有发生形变、抓取力度是否合适,都需要机器人在执行过程中不断感知并调整。

在人类完成复杂操作时,“思考”与“触觉反馈”并不是两个孤立过程。LatentVerse希望在统一模型中,把这两种能力结合起来。

UTAM:把触觉加入统一模型

UTAM由多个协同工作的模块组成。

其中,视觉语言模块负责理解环境与人的任务意图;世界模型根据学习到的物理规律与技能,预测不同动作可能带来的未来结果;动作模块生成机器人执行计划;而触觉模块则持续感知接触力、滑移和物体形变,对动作进行高频调整。

由此形成一个闭环:

先理解任务、预测结果,再执行动作;动作过程中持续接收真实世界反馈,并及时修正。

相比把触觉仅仅作为动作执行末端的一项传感器信息,LatentVerse希望将其作为模型的原生模态之一,与视觉、语言、机器人状态和动作共同参与模型训练。

目前,团队已经完成UTAM多模态数据基础设施和训练管线建设,打通视频、语言、机器人状态、动作及触觉等数据的采集、清洗、同步、对齐和训练链路,并正在推进各模块联合训练。

团队目前重点验证三类能力:在未见过的物体和环境中的泛化能力,多步骤长程任务的持续执行能力,以及面对滑移、形变和受力异常时的实时修正能力。

本轮融资将主要用于UTAM模型研发、多模态具身数据体系、模型训练基础设施,以及机器人在真实场景中的技术验证。

LatentVerse创始人兼CEO胡钰承表示:

“泛化、长程与灵巧不是三个彼此独立的技术指标,而是机器人商业化必须同时满足的能力条件。UTAM希望让机器人不仅能够理解任务和生成动作,也能够在真实接触过程中感知变化、快速修正并持续完成复杂操作。”

高瓴创投项目负责人表示:

“具身智能从技术验证走向更多真实场景,仍需要持续解决泛化、长程任务执行和灵巧操作等关键问题。潜界科技团队在具身模型、世界模型与灵巧操作等方向有长期积累,UTAM进一步将触觉作为原生模态纳入统一架构,尝试让机器人形成‘边想、边做、边修正’的闭环能力。高瓴创投长期关注具身智能领域的技术与产业进展,期待团队持续推进具身基座模型的研发与工程验证,在真实场景中不断迭代模型能力。”

跳转微信打开

  •  

ZCode全面升级,GLM最佳Harness,让复杂任务自主交付

智谱 2026-08-11 13:52 北京

ZCode是一款针对GLM深度优化的国产Coding Harness,已成为百万开发者用GLM写代码的首选入口。今天,ZCode迎来重大升级,Goal、Subagents、Remote Control与闲时任务四大功能正式上线。

作为百万用户里程碑的特别回馈,GLM Coding Plan全体用户额度已于今天13:00统一重置,届时全员额度全部回满。

ZCode,GLM的最佳拍档

模型决定能力上限,Harness负责上下文管理、工具调用、任务调度、缓存和结果校验,决定模型能力能发挥出多少。同一个模型放在不同的Coding Agent里,实际表现可能差很多。

在ZCode里使用GLM可以获得更好的任务表现。

智谱内部自研的Z.ai Code Bench围绕真实用户需求场景,基于Full Stack、Bug Fix、Feature Implementation等细分类别构造任务,模拟复杂的本地编程环境,通过回归测试、新功能测试、前端模拟交互、代码质量评估等维度对于模型的复杂长程编程能力进行全面评估,避免公开榜单可能存在的数据污染,力求还原用户真实体感。

在Z.ai Code Bench中,我们使用GLM-5.2,分别搭配ZCode、Claude Code进行测试。结果显示,GLM+ZCode相较于GLM+Claude Code,在任务整体通过率上高2.39%;在检查项通过率上,ZCode低1.22%。ZCode的优势更集中在需要跨文件、跨环节协作并完成最终验收的复杂任务上,能够更好地帮助模型把任务完整交付。

GLM用量接近翻倍

ZCode对上下文缓存复用进行了专门优化。根据我们对多款Coding Agent的测试,GLM在ZCode中缓存命中率超过98%,让更多重复上下文命中缓存,以更低的积分系数抵扣,从而让GLM Coding Plan有效Token量提升约30%。

即日起至2026年8月31日,在ZCode中使用GLM Coding Plan还可获得1.5倍限时额度加成。两项效果叠加后,整体使用量接近常规额度的1.8倍。

此外,ZCode上线闲时任务功能,GLM Coding Plan用户提交闲时任务后,ZCode会在低峰时段自动执行,在闲时任务权益范围内,不扣减用户的GLM Coding Plan积分,适合不着急但耗时较长的任务。

ZCode让复杂任务自主交付

这次升级最重要的变化,是让Agent可以自己把复杂任务跑完。

过去使用Coding Agent,开发者往往需要守在旁边不断推动:提出需求后等Agent回复,再让它继续修改;测试失败了要追问,发现遗漏还得重新补充上下文。

Goal模式改变了这一流程。现在,只要给ZCode设定一个明确、可验收的目标,例如:把首屏加载时间控制在2秒以内,并确保现有测试全部通过。

接下来,ZCode会自动拆解任务、修改代码、运行命令和执行测试,再根据文件、命令输出和测试结果判断目标是否完成。没有达标就继续下一轮,直到完成任务。每轮进度、耗时和执行结果都能在Goal面板中一目了然。

Goal搭配使用Subagent,可以让一个 Agent 变成一支能够并行协作的开发团队。ZCode内置了两类子智能体:General-purpose可以修改代码、修复问题和运行命令;Explore主要负责只读探索,适合定位代码、分析调用链,以及在改动前收集证据。

用户也可以创建自己的子智能体,配置模型、权限范围和提示词,并在聊天框中通过“/”直接调用。

对于全栈功能开发、跨文件重构和复杂Bug定位,这种方式比让一个Agent从头做到尾更高效,也能减轻长任务对主对话上下文的占用。

把ZCode装进手机

Remote Control将当前ZCode桌面窗口临时开放给手机访问。长任务在电脑上运行时,开发者可以通过手机查看进度、继续输入指令、创建新任务,或者重新连接断开的工作区。

除了扫码和浏览器链接,ZCode支持微信、飞书、Lark,可以直接从微信或飞书会话中打开自己的工作区,跟踪 Agent 执行进度。手机只作为控制界面,代码和命令仍在桌面端原有环境中运行,不会将项目同步到手机,也不会额外创建云端环境。本地、SSH、WSL和Docker工作区均可使用。

下载体验

ZCode最新版本下载:https://zcode.z.ai/cn

完成安装并登录后,即可开始使用,无需额外配置。

本次重置已生效,诚邀大家体验上述功能。使用过程中如有疑问或建议,欢迎加入ZCode用户交流群与我们交流,我们将第一时间为大家提供帮助。

阅读原文

跳转微信打开

  •  

三位哈佛辍学生,如何将专用芯片变成估值百亿美元的 AI 算力公司

StartupBoy 2026-08-11 12:31 日本

AI 推理已经足够成熟和可预测,值得采用更深度的专用化设计

本文来自 Jarsy 的研究分享,我之前曾详细介绍过他们在做的事情《前 Uber 早期成员创立 Jarsy,让普通人也可以合规投资优秀创业公司》。

1.推理正成为 AI 算力的主战场

正如我们在 Jarsy Research #22《定制 AI 芯片时代》中所分析的,随着 AI 规模与成本不断攀升,专用处理器正在迎来新的发展机会。我们将进一步深入研究其中几家代表性初创公司,首先聚焦 Etched,以及它对前沿 AI 推理的集中押注。

训练(Training)负责构建模型;推理(Inference)则是在用户或其他 AI 智能体提出请求时运行模型。随着应用生成的 token 越来越多、智能体反复调用模型,推理正成为 AI 成本中日益重要的部分。GPU 的优势在于高度可编程,并拥有成熟的 CUDA 生态,但这种灵活性也会带来芯片面积、功耗与数据搬运方面的额外开销。Etched 认为,AI 推理已经足够成熟和可预测,值得采用更深度的专用化设计,从而用每一美元和每一瓦电力生成更多有用的 token。投资者也开始认同这一判断:2026 年 7 月,红杉资本领投 Etched 3 亿美元 C 轮融资,公司估值达到 103 亿美元。

2.创始人的故事

Etched 现任 CEO Gavin Uberti 很早便开始探索硬件与软件的交界地带。他曾参与 AI 编译器基础设施开发,并为 Apache TVM 开发 Cortex-M 后端。编写底层代码的经历让他意识到,通用芯片的大量资源被用于搬运数据和维持灵活性,而非执行 AI 模型反复需要的核心计算。

在哈佛,Uberti 找到了重要的技术伙伴 Chris Zhu。Zhu 主修数学和计算机科学,拥有组合数学与高性能计算经验。Uberti 休学期间,Zhu 留在校园,两人每隔一天便通过 Zoom 推进这个始于宿舍的项目。第二年春天,面对面的合作让他们确信,值得离开哈佛,全职创办 Etched。

第三位创始人的信念来自另一段经历。Robert Wachen 是 Uberti 的大学室友,现任 Etched 总裁。16 岁时,他背部的一个肿块被确诊为第四期骨癌,生存概率不足 30%。手术的生存希望更大,却可能令他再也无法行走;放疗可以保留行动能力,却会降低存活概率。他选择了手术,后来仍不得不接受放疗,并经历了近两年的治疗和重新学习走路。Wachen 曾说,这段经历让他不断思考:如果人生失而复得,自己究竟要用它来做什么?

联合创始人 Robert Wachen、Gavin Uberti 与 Chris Zhu。图片来源:CNBC、Etched

这个问题后来成为 Etched 创业故事的一部分。GPT-3 第一次回应 Wachen 时,他便被 AI 深深吸引。OpenAI 推出具备图像理解能力的 GPT-4V 后,他上传了一张确诊前的背部照片,请模型像医生一样分析。几秒钟内,模型便判断肿块可能是肿瘤,并建议接受 MRI 检查,而他的医生花了数月才得出相同结论。随后,屏幕提示他当天的图片额度已经用尽。在 Wachen 看来,这一刻同时展现了 AI 的潜力,以及普及这种能力所面临的算力短缺。他与 Uberti 得出了相同的结论:智能可能变得充裕,但承载和提供这种智能的基础设施尚不存在。

Etched 的不同之处,不仅在于创始人的年轻,更在于他们没有传统的半导体行业履历。

Cerebras、Groq 和 SambaNova 均由资深行业人士创立,而 Etched 的三位创始人当时仍是哈佛学生。2022 年,他们创办 Etched,随后离开哈佛全职创业;2024 年,三人同时入选 Thiel Fellowship,成为少数全体成员共同获选的创始团队之一。

他们对 AI 发展的方向判断得很早,也因此经历了一段艰难时期。2023 年,很少有投资者相信 Transformer 已经足够稳定,值得围绕它设计高度专用的芯片;更少有人相信,几名大学辍学生能够真正把芯片造出来。创始人带着一份约 30 页的技术论述四处融资,却遭到几乎所有主要投资机构拒绝。Etched 一度只能按月维持运营,资金接近耗尽。

Primary Venture Partners 对机会作出了不同判断。2023 年 3 月,它领投 Etched 536 万美元种子轮,提供了约四分之三的资金,公司当时估值为 3,400 万美元。一年后,Primary 与 Positive Sum Ventures 共同领投 1.2 亿美元 A 轮融资,为 Sohu 芯片的流片和制造提供资金。

3.Etched 在打造什么:从芯片到推理集群

Etched 最初提出了一个大胆的设想:如果 Transformer 成为 AI 的主流架构,那么围绕其重复运算专门设计芯片,就能舍弃 GPU 的部分灵活性及其带来的额外开销。Etched 最初的答案是 Sohu:一款于 2024 年发布、当时被定位为“仅支持 Transformer”的 ASIC。

  • 3.1 从芯片走向完整系统

Etched 在 2026 年推出的产品,已经超越了最初的 Sohu 芯片。其前沿推理集群将专用处理器、内存、计算卡、互连、液冷和软件整合为一套完整的机架级系统。Etched 表示,该平台不仅支持 Llama、Qwen 和 DeepSeek 等 Transformer 模型,也支持采用状态空间架构的 Mamba。它仍然高度专用,但已很难再被简单定义为“仅支持 Transformer”。

表 1:Etched 产品的四个相互连接的层级。© 2026 Jarsy Research

一个速度很快的处理器,只有在能够高效访问内存、与相邻芯片通信、控制温度并可靠运行生产模型时才有实际价值。因此,前 Cypress CTO Mark Ross 早期提出的建议:“人们购买的是系统,而不是芯片” 逐渐成为 Etched 战略的核心。

芯片(左)、计算卡(中)、机架(右)。Etched 打造的是机架级推理系统,而非单独销售一个处理器。图片来源:Etched

  • 3.2 解决推理的两大瓶颈

AI 推理主要分为两个阶段。预填充(Prefill)负责处理输入提示,可以并行完成大量计算;解码(Decode)则逐个生成输出 token,其速度往往受内存访问和芯片间通信限制。针对这两个瓶颈,Etched 分别设计了一项核心技术:

表 2:Etched 针对推理瓶颈采用的技术。© 2026 Jarsy Research

低电压推理(Low-Voltage Inference)CMOS* 电路的动态开关功耗可近似表示为:

Pdynamic=αCV2f

其中最关键的是 V2: 功耗会随电压的平方增长。假设其他条件不变,当电压从 1.0V 降至 0.5V:

(0.5/1.0)2=0.25

理论上,动态开关功耗将降至原来的四分之一,从而能够在不突破机架供电和散热上限的情况下部署更多运算单元。Etched 表示,其数学运算单元的工作电压不到大多数 AI 加速器的一半。要实现这一点,电路、任务调度、供电、封装和冷却系统必须协同设计。Etched 声称,这项技术可以让万亿参数级的稀疏混合专家模型(Sparse MoE)持续发挥超过峰值 FLOPs 80% 的性能,同时避免因过热而降频。该数据目前仍由 Etched 提供,尚未经过独立复现;但电压与功耗之间的基本关系已有成熟的半导体物理理论支持。

  • CMOS 是“互补金属氧化物半导体”(Complementary Metal-Oxide-Semiconductor)的缩写。它利用 NMOS 和 PMOS 两种互补的微型晶体管充当开关,通过控制电信号的通断来表示二进制中的 1 和 0。

集群级内存(Cluster-Scale Memory)在解码阶段,系统花在搬运数据上的时间往往多于实际计算。其性能可简化表示为:

Performance ≤ min (Peak Compute, Memory Bandwidth × Arithmetic Intensity)

这正是 Roofline 模型(屋顶线模型)的基本逻辑:一旦内存带宽成为瓶颈,继续增加算力也难以显著提升性能。例如,一个以 FP8 格式存储的 700 亿参数模型大约需要:

700 亿个参数 × 1 字节 ≈ 70 GB

在解码过程中,系统需要反复读取这些模型权重,以及保存此前 token 信息的 KV Cache。上下文越长、批处理规模越大,所需的内存也越多。

Etched 的 CSM(Cluster-Scale Memory,集群级内存)通过专有的高带宽、低延迟互连,将 HBM 与 SRAM 结合起来。其目标是让多颗芯片访问同一个共享内存池,在利用 HBM 大容量优势的同时,获得接近 SRAM 的响应速度。

不过,Etched 尚未披露 CSM 的带宽、延迟、SRAM 容量或网络拓扑。因此,目前更准确的说法是:CSM 是 Etched 针对内存瓶颈提出的解决方案,而非已经得到充分验证的技术优势。

Etched 机架内部。图片来源:Etched

  • 3.3 从可工作的芯片走向量产

Etched 的 A0 芯片(第一个芯片修订版本)于 2026 年初采用台积电 N4P 工艺完成回片,公司称其首次流片即取得成功。目前,Etched 正与客户共同验证机架级系统,并表示已经签署超过 10 亿美元的客户合同。

在早期的 Sohu 材料中,Etched 曾预计,搭载八颗芯片的服务器运行 Llama-70B 时,每秒可生成超过 50 万个 token。但这一预测早于 A0 芯片回片,目前尚未得到独立复现。公司近期公布的另一项数据是,其系统运行万亿参数级稀疏 MoE 模型时,可以持续发挥超过峰值 FLOPs 80% 的性能。不过,相关客户测试的具体结果尚未公开。

Etched 还在圣何塞地区建设了一座 10 兆瓦实验设施,以及数据中心、测试和原型开发设施,并在台湾设立制造业务。公司表示量产已经启动,首批机架计划于 2026 年夏季交付。

4.信念背后:团队、文化与资本

Primary Venture Partners 早期的投资信念,并非建立在一款已经完成的产品上,而是源于创始人把产品造出来的能力。此前,Primary 已经在独立研究 Nvidia 的市场主导地位、GPU 的瓶颈,以及围绕大语言模型设计专用硬件的潜力;但 Etched 团队缺乏半导体行业经验,仍是一项重大风险。

Primary 邀请多位行业专家审阅 Uberti 的白皮书,并直接向他提出质疑。据称,其中几位起初十分怀疑,最终却被他的思考能力、应变能力和执行速度打动。因此,Primary 将第一项考验归结为一个简单的问题:这些年轻创始人能否招募到足够资深的团队,把非传统架构变成可量产的系统?

  • 4.1 从三位创始人到 400 人工程团队

机架级加速器绝非单颗芯片项目。它需要横跨芯片、固件、封装、编译器、散热、制造和完整数据中心系统的专业能力。Etched 表示,公司团队已超过 400 人,其中包括来自 Nvidia、Google TPU 团队、Broadcom、SK Hynix 和台积电的工程师。

其管理团队将创始人重新思考计算架构的意愿,与资深硬件高管的量产经验结合在一起:

  • Mark Ross,首席技术官(CTO):前 Cypress Semiconductor 首席技术官,曾参与交付多个首次流片即成功的芯片系统。
  • Brian Loiler,平台副总裁:在 Nvidia 工作 22 年,曾参与打造 HGX 和 DGX 平台。
  • David Munday,软件副总裁:曾组建 Google 的 TPU 软件团队,并参与从 TPU v1 到 v5 的多代产品。
  • Wayne Cao,生产副总裁:曾负责初代 iPhone、MacBook Air、Pixel 和 Chromebook 等产品的生产及供应链项目。
  • Saptadeep Pal,ASIC 与架构副总裁:曾参与 Nvidia H100、A100 和 V100 的架构开发。

招募到这一层级的人才,是一个重要的执行力信号。它并不能证明 Etched 已经具备规模化生产可靠系统的能力,但降低了其技术构想最终只停留在原型阶段的风险。

  • 4.2 面对面协作与垂直整合文化

Etched 主要采用线下办公模式,让芯片、封装、软件、散热和平台团队共同开发整套系统。公司在圣何塞建设了数据中心和原型开发设施,并在台湾设立基地,与制造合作伙伴保持持续协作。这种高度整合的模式成本高昂,在初创公司中也并不常见,但它体现了 Mark Ross 早期提出的理念:客户购买的是完整系统,而非纸面上的芯片性能。

  • 4.3 资本追随团队

随着 Etched 招募资深工程师,并从一份白皮书走向可工作的芯片,其投资者阵容也从一家极具信念的种子基金,扩展至大型风险投资机构、半导体战略投资者和量化交易公司。

表 3:Etched 历轮融资。来源:CNBC、Bloomberg、Reuters、Etched。© 2026 Jarsy Research

5.竞争格局与前景

Etched 进入的是一个专用化已不再罕见的市场。Nvidia 和 AMD 正在开发完整的机架级平台,众多初创公司也在围绕 AI 推理重新设计处理器、内存和互连系统。更多行业背景可参阅我们此前发布的研究报告 Jarsy Research #22《定制 AI 芯片时代》。

表 4:Etched 的主要竞争对手。© 2026 Jarsy Research

这些公司通过速度、效率、灵活性和系统整合能力的不同组合与 Etched 竞争。凭借软件生态和庞大的装机基础,Nvidia 仍是行业标杆;d-Matrix 则是与 Etched 最接近的专用推理芯片初创公司。SambaNova 和 Cerebras 提供了发展更成熟的替代架构。更广泛的竞争者还包括 MatX、Fractile 和 Positron。与此同时,Google、Amazon 和 Microsoft 正在为自有云平台开发定制处理器,进一步压缩独立芯片公司的潜在市场。

Etched 现在必须将可工作的芯片和客户承诺转化为可靠的生产部署。市场机会十分可观,但其成功取决于能否在实际应用中持续证明性能、成本和能效优势,同时跟上模型架构的变化。Etched 无须在所有场景中取代 GPU,只需证明相当规模且具有高价值的推理工作负载能够在其系统上运行得更好。

阅读原文

跳转微信打开

  •  

祝贺国仪量子登陆科创板!让前沿技术走向产业深处

高瓴时间 2026-08-11 10:25 北京

今日,国仪量子技术(合肥)股份有限公司(证券简称“国仪公司”,股票代码688828)正式在上交所科创板挂牌上市。

国仪量子成立于2016年,专注高端科学仪器研发。对高端科学仪器而言,实验室里的技术只是起点。真正走进客户现场,还要经过工程化、制造、交付和服务,最终成为“用得好、信得过”的产品。

2020年前后,高瓴创投团队在研究量子技术时,重点关注已经开始走出实验室、进入真实应用的方向。量子精密测量能够通过传感器和科学仪器服务材料科学、半导体、生物医药等领域,是当时较早具备产业化条件的方向之一。国仪量子创始人贺羽和团队从科研一线出发,已经开始把前沿技术转化为可销售、可交付的科学仪器。基于对产业方向的共同判断,高瓴创投于2020年10月领投国仪量子B轮融资,并于2021年继续加码C轮,双方由此开启同行之路。

此后,国仪量子从量子信息技术与自旋共振起步,逐步拓展至电子显微镜、气体吸附分析和随钻测量等领域。2023至2025年,公司收入由4.00亿元增至6.66亿元,累计研发投入3.58亿元。一路走来,团队用一台台仪器、一次次交付,把科研积累逐步转化为产品和产业化能力。

CIQTEK

国仪量子技术(合肥)股份有限公司董事长、

总经理贺羽表示:

「高瓴创投团队很早就理解,做科学仪器需要长期投入,也要坐得住冷板凳。第一次交流时,我们聊得最多的,是怎么把技术做成产品、让产品真正走进客户现场。合作这些年,高瓴创投在公司发展的关键阶段给予了充分信任,也在战略、人才和产业资源等方面提供了支持。我们把仪器从“做出来”做到“用得好、信得过”,高瓴创投一直是重要的同行者。期待未来继续携手,把中国人自己的高端科学仪器做得更好,服务更多科研创新和产业需求。」

Hillhouse

高瓴创投团队表示:

「高端科学仪器的门槛,不只在于原理创新,更在于能否把复杂技术做成稳定、可靠、可持续服务的产品。过去几年,贺羽和团队围绕真实需求,持续打磨研发、制造、交付和服务能力。祝贺国仪量子登陆科创板,期待团队继续推出经得起客户和市场检验的自主产品,高瓴创投也将继续陪伴公司的长期发展。」

跳转微信打开

  •  

2026年,前端离职潮彻底消失了。。。

前端充电宝 2026-08-11 09:30 浙江

最近技术圈里的“AI焦虑”搞得人心惶惶,“大模型”、“替代程序员”等词频频刷屏。

很多人疑问:浪潮之下,前端到底要不要掌握AI大模型能力?不会饭碗还能保住吗?

其实大部分人还在死守老一套,而身边有的同事已经把大模型融进日常开发流程,比如搞Prompt设计、用大模型实现智能交互界面……时间一久,只卷Vue、React会越来越不值钱。

还在问要不要学AI大模型的,答案已经显而易见:懂AI的前端比纯前端岗吃香太多了!

大中小企业早就把业务重点瞄准了落地AI应用,掌握大模型能力的前端人,找工作hr不仅会主动打招呼,薪资涨幅甚至超过50%,职场竞争力提升不止一个level!

给大家推荐一个帮所有技术人提高大模型能力、实现职业跃迁的「转型AI前端开发—就业实战营」,2天直播课,从技术原理+企业级实战项目复现+职业规划,从0-1打通AI大模型应用开发能力,冲刺高薪offer!扫下方二维码免费领取👇👇

👇👇👇

2天直播,免费报名

限100人,人满关闭通道

技术原理+实战项目+就业指导

吃透大模型,抢先享受AI就业红利!

🌟完后赠送求职大礼包:大厂内推/面试资料/知识图谱

✔场景解析,直击技术要点

2节直播课,为你展示如何利用RAG、Fine-tuning的技术来改善大语言模型的使用!解析大模型底层原理,和技术架构!剖析AI技术的应用场景,用实战经验落地AI技术。

从GPT到最火的开源模型,让你从容面对AI技术革新!

  • Agent:是衡量大语言模型“从量变到质变”的关键,是针对特定场景的AI解决方案。在不少互联网厂商内部,智能客服都是他们最先尝试的企业级Agent项目。

  • RAG:主要应用在那些需要不断更新知识的密集场景或特定领域,它最大的优势就是不需要针对特定任务重新训练大语言模型。

  • Function Call:是指运行一段具有特定功能的代码块的行为,以增强其处理能力,实现更复杂的任务,使大模型能够集成外部工具和资源,提升交互性和实用性。

✔热门案例拆解,积累实战经验

掌握5个大模型应用开发核心步骤:大模型原理与核心技术 → 掌握各种AI工具 → 产品开发实操 → 持续与AI前沿信息链接 → 不断学习实战演练,轻松成为大模型应用开发工程师!

用一手数据资源、项目资料,带你拆解「金融行业的支小助」、知乎直答等热门大模型产品的技术架构,逐行解析代码,手搓全流程!学完项目经验直接写进简历里,面试不怕被问!👇

 如果你也有以下诉求:

快速链接产品/业务团队,参与前沿项目

构建技术壁垒,从竞争者中脱颖而出

避开35岁裁员危险期,顺利拿下高薪岗

迭代技术水平,延长未来20年的新职业发展!

……

那这节课你一定要来听!

因为,留给普通程序员的时间真的不多了!

 🔥即将开播 

立即扫码,即可免费预约

「AI技术原理 + 实战应用 + 职业发展」

「AI大模型—就业实战营」

本期名额仅限100人

预计24小时后关闭通道!速进!

👇👇

🌟完后赠送超值福利:大厂内推/面试资料/知识图谱

✔行业大佬带路,靠谱内推资源

懂行的大佬带你少走很多弯路!

课程由AI大模型领域大佬们联合打磨研发,老师们将大模型技术原理讲透的同时,还将丰富的商业化AI应用项目无偿分享,帮大家快速打通技术+原理+实战能力,干货满满,让你超过岗位需求能力一大截!

老师还会帮你深度剖析现在大厂关于大模型招聘的行情风向,就业岗位、薪资、技术迭代方法、发展空间等,从面试官的角度帮你规划职业发展路径!

最重要的是:持续提供靠谱的内推机会!!

企业内推+直聘权益,靠谱,绝对高薪!简历直达大厂面试官手里,让你比同行更快一步拿到高薪offer!目前,很多学员已经通过完整学习,实现了职业跃迁!👇🏻👇🏻

与其焦虑……

不如成为「掌握AI大模型的技术人」!

毕竟AI时代,谁先尝试,谁就能占得先机!

🔥「AI大模型—就业实战营」🔥

立即扫码,即可免费预约

「AI技术原理 + 实战应用 + 职业发展」

本期名额仅限100人

预计24小时后关闭通道!速进!

👇👇👇

🌟完后赠送超值福利:大厂内推/面试资料/知识图谱

👇🏻点击「阅读原文」,马上领取!

阅读原文

跳转微信打开

  •  

不写一行代码,AI每天自动出竞品简报|Codex Subagents进阶篇

原创 强少Qone 2026-08-11 08:30 广东

先说个很多人不愿意承认的事:工具再好,你也会忘用。

我自己的经历:有阵子下定决心「每天看一遍竞品动态」,做了三天,周四一忙断了。下周想起来,又三天,又断。不是懒,这是人性——凡是靠「想起来才做」的事,最后都死于想不起来。

前两篇讲的 AI 流水线也一样。喊一嗓子它跑一遍,很爽;你一忙忘了喊,它就躺着不动。手动挡的车再好开,不踩油门它不走。

这篇讲最后一步:把那支 AI 团队调成「自动挡」——到点自己跑,结果自动送到你面前。不写一行代码。

先接这 3 个场景,别贪多

PM 最值得自动化的,全是「想起才做、不做也行、但做了真好」的重复活:

  • • 竞品监控:每天定时搜一遍对手动态(新版本、降价、融资),早上出一份三句话简报,甩进你的群。

  • • 需求池更新:用户反馈、老板随口丢来的想法,自动归类、去重、排优先级,需求池自己长大。

  • • 周报/月报:每周定时汇总进展和卡点,自动出一份能直接发的初稿。

发现没?这些活单次都不难,难在「坚持」。而坚持恰恰是机器最强、人最拉胯的地方。

三步搭好,不写一行代码

套现成工具就行——飞书/企微的机器人加定时任务,或者 Coze(扣子)这类搭智能体的平台,都可以:

  1. 1. 存智能体:把上篇那段流水线提示词原样贴进去,存成一个「智能体/工作流」,取个名,比如「竞品简报员」。

  2. 2. 设触发:选「每天早 9 点」或「收到新消息时」,告诉它啥时候动。

  3. 3. 设出口:结果发到哪个群、哪个人、哪个邮箱。

你干的活就两件:把活交代清楚,定个闹钟。没了。

为什么这一步最值

「定个时」听起来毫无技术含量,刚上手你大概率会觉得「至于吗」——我当初也这么嘀咕,觉得不就设个闹钟嘛。

至于。因为它改变的是你和工具的关系:手动挡时,流水线是「你想起来才有」的工具;自动挡时,它变成「长在日程里」的同事。竞品周一有动作,你周二早上准时看见——不依赖你的记性,不消耗你的意志力。

手动挡是你伺候工具,自动挡是工具伺候你。

三个坑,提前说

  • • 触发太频繁 → 群被刷屏,大家反手一个免打扰,等于白搭。一天一次或一周一次刚好。

  • • 不审就直接发 → AI 偶尔瞎编,自动发出去的东西你至少扫一眼。自动化不等于全托管。

  • • 一条流水线塞太多事 → 又慢又容易错。一个智能体干一件事,多了就拆开。

想直接抄?上篇资料包里那段「三步流水线」提示词,原样贴进智能体就能用。关注「强少来了」,后台回「子智能体」领。

最后说一句

这三篇下来,一套完整的玩法就齐了:

第 1 篇学会「组队」——172 个 AI 员工各管一摊;第 2 篇跑通「流水线」——调研、需求、原型三步接力;第 3 篇挂上「自动挡」——到点自己跑,结果送上门。

从今天开始,别再手动喊 AI 干活了。给它定个闹钟,然后去忙你该忙的事。

资料包里是全部流水线的现成提示词。领了照着搭,今天设好,明天早上你的第一份竞品简报就躺在群里了。

如果你也被「重复活总想不起来做」折磨,转给那个总说「我这周又忘了看竞品」的同事——他缺的不是记性,是一个会自动跑的团队。

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

  •  
❌