当全世界都在担心 AI 会取代人类工作时，一家名为 Every 的初创公司却交出了截然不同的答卷：他们全面拥抱 AI 代理（Agents），团队规模反而从 4 人增长到了 30 人，且依然在招人。 那让我们一起来看看 Every 媒体公司创始人 Dan Shipper 的《自动化之后》展开，拆解为什么自动化不仅没有消灭工作，反而创造了更多的任务。 【核心精彩看点】 * 自动化的悖论： 为什么 AI 越普及，人类要做的事情反而越多？ 我们将讨论 AI 如何让“昨日的专家能力”变得廉价，从而引发对高阶专家爆发式的需求。 * 专家的地位不可替代： AI 生成的内容往往“看起来很对，但细节不对”。在这种“低质量泛滥”的时代，能够对 AI 结果进行最后把关并构建复杂系统的专家级人才变得前所未有的重要。 * 大企业的转型困境： 面对 AI 浪潮，简单的裁员是缺乏创造力的表现。我们将分析为什么成熟企业在推行 AI 时会遭遇组织架构和用户习惯的重重阻碍。 * AI 真的有自主权吗？ 深入剖析 AI 代理（Agent）与人类代理人（Agency）的区别。为什么即便到了 AGI 时代，AI 依然会停下来问你：“下一步我该做什么？” * 职场新人的生存法则： Dan 提出的核心建议——“驾驭模型”（Ride the Models）。只要你紧跟技术曲线，利用 AI 提升工作上限，你不仅不会失业，还能通往更有野心的人生。 “如果你的业务增长手段只是裁员，那你不是一个有创造力的 CEO。” —— Jensen Huang (引述自源文件) “AI 代理离人类越远，它的价值就越低。” 【特别说明】 本期内容基于对 Every 公司首席执行官 Dan Shipper 的采访记录整理。如果您对 AI 如何改变工作流、如何利用 Claude 或 Codex 协同创作感兴趣，这一集绝对不容错过。

今天我们将深入那个被温情包裹、却最终导致“科技失落”的年代，拆解那些巨头倒下的真相与幸存者的生存智慧。 博客介绍：日本科技死于“温情”？——失落三十年的研发代价与重生 【前言：当“温情”成为创新的枷锁】 在20世纪80年代，日本半导体、消费电子产业曾让世界感到“恐惧”。但为何在90年代科技大转型的关键节点，这些巨头却集体失速？本期音频带你穿透宏观数据，揭开一个残酷的真相：日本科技的衰落，某种程度上源于对“社会稳定”的极致追求——当财政预算和企业资源被全力拨向“保就业”时，高科技研发成为了被牺牲的隐形代价。 【核心看点】 1. 资源的错配：以研发换就业的博弈 * 消失的研发预算： 1990年后，面对通缩，日本政府投入了海量资金进行公共基建以刺激就业，而非直接增强长期竞争力的科研预算。 * 终身雇佣制的“甜蜜陷阱”： 企业在利润下滑时将人力视为不可削减的固定成本。为了保住“老员工”的饭碗，它们被迫削减了对突破性创新和高学历人才的投入，导致技术代际断裂。 2. 失败者的祭坛：倒下的巨头与“工匠精神”的误区 * 三洋电机： 因为不忍裁员和关停不盈利的产品线，研发资源被无限摊薄，最终在价格战中彻底破产。 * 尔必达（Elpida）： 执着于生产寿命25年的“完美芯片”，却无视市场对快速迭代、低成本内存的需求，死于对“工匠精神”的路径依赖。 * “加拉帕戈斯”效应： 为了保护国内就业，过度针对国内需求定制产品，导致日本科技在全球化浪潮中被边缘化。 3. 幸存者的智慧：从“组装”到“隐形冠军” * 富士胶片： 极端的“意识改革”，将胶片技术平移至液晶保护膜和医药领域，靠“技术平移”实现自救。 * 基恩士（Keyence）与发那科（Fanuc）： 彻底摒弃重资产模式，或在极高护城河的自动化领域实施“选择与集中”战略，成为垄断全球供应链上游的王者。 * 索尼的转型： 从陷入内卷的硬件组装，成功转型为掌握全球影像链命脉的CMOS传感器供应商。 4. 产业投资者的冷思考：核心风险与博弈 * 僵尸企业的风险： 长期依赖银行贷款续命、无法支付利息的“僵尸企业”占据了20%的社会资源，锁死了人才和资金的流动性。 * 创新效率的低下： 日本的下滑非因研发投入“绝对额”少，而在于支出分配的僵化——资金被锁死在夕阳产业中，无法流向软件和新兴设计领域。 【结语：给未来的启示】 日本高科技产业1990-2005年的阵痛告诉我们：在经济危机中，最好的“保就业”方式并非削减研发来支撑现有岗位，而是通过研发的“选择与集中”，创造那些由于技术壁垒而无法被廉价替代的高质量岗位。 看清生活的真相之后依然热爱它，看清产业的逻辑之后重新寻找确定性。 请点击下方音频，听听那些日本科技巨头在温情与冷酷间的生死博弈。

今天用GPT-Image生成了一张日本40年经济周期图，整体看起来更直观一些： 今天我们聚焦书籍第二、三章：无法与自己和解的一代与铁饭碗的崩塌，带你穿越近40年的时间线，见证那些曾被捧上神坛的“医师公”职业如何从时代的避风港变成人们逃离的“黑产”。 音频导听：日本“铁饭碗”的崩塌——从社会精英到时代“抹布” 【第一部分：被“过剩”烙印的一生——从出生到学历贬值】 本段音频首先按时间线为您还原“失落一代”的职业悲歌。这代人出生于20世纪70年代日本第二次婴儿潮，总计约1,800万人。 * 少年时代的“应试地狱”： 80年代，由于同辈竞争极其激烈，他们从小生活在“四当五落”的考学高压中，全社会笃信“学历等于一切”。 * 步入社会的“就业急冻”： 1993年，当他们满怀憧憬准备入职年薪千万的大型企业时，泡沫破裂了。 * 学历贬值的残酷真相： 90年代日本大学毕业生激增40%，却撞上了岗位缩减潮。此后10年，学历不仅没能改变命运，反而飞速贬值，大批名校生沦为低薪的临时派遣工。 【第二部分：铁饭碗神话的破灭——“医师公”的坠落全过程】 音频将深入拆解公务员、教师、医生这三个曾经被日本社会视为“神的职业”如何一步步崩塌。 * 公务员：从“不夜城的抹布”到招不齐人 * 感受： 80年代，考公被视为“人生失败组”；90年代失业潮下，它成了万人争夺的避风港。 * 转折： 1998年后，政府为了应对财政赤字，开启了激进的“降薪缩编潮”，公务员沦为活多钱少的“霞关抹布”。2024年，公务员报录比跌至历史新低，精英阶层正在集体抛弃这个行业。 * 教师：从受人尊敬的“先生”到“黑色职业” * 感受： 政府因严重误判“第三次婴儿潮”的到来，在80年代大规模扩招教师。 * 转折： 随着少子化危机爆发，教师过剩变成财政负担。90年代后期，政府通过“外包化”和“增加行政考核”疯狂挤压教师，使其每周工作时长突破60小时。如今教师成了日本自杀风险率最高、过劳死最严重的行业。 * 医生：从“医者仁心”到“医疗崩坏” * 感受： 90年代日本医疗体系遭遇了“长寿带来的惩罚”，老年患者暴增导致医生长期处于过劳死边缘。 * 转折： 政府为了控费实施“定额制”和“药品降价”，导致公立医院大面积亏损，医疗质量下滑，医患冲突在2000年前后达到顶峰。 【结语：压力下的职业与生活选择】 这段音频将带您聆听那些劳动者的真实感受：在“努力与回报断裂”的时代，人们如何做抉择？ * 有人选择了**“悠长假期”**，在自我否定的恶性循环中与世界失联，成为40万啃老族的一员。 * 有人被迫放弃婚姻、生育与房产，成为了在大城市打零工的**“漂流一族”**。 日本的教训告诉我们：当时代的红利消失，曾经最稳固的职业也可能成为最沉重的负担。 现在，请戴上耳机，见证这场关于职业、尊严与时代洪流的残酷演变。

最近在看由分析师Boden撰写的社会观察著作：《以日为鉴：衰退时代生存指南》，很有感触，于是决定再新起一个系列：一起读系列，把我在读的觉得精彩的书进行拆解，拆解后和大家分享。 《以日为鉴：衰退时代生存指南》在带这你穿透宏观数据，从一个微观个体的生命历程出发，拆解那段令人窒息的“就业冰河期”，整本书比较精彩，会分章节进行拆解，今天先来看看第一章： 日本保就业如何“锁死”年轻人？ 【开场：时代的错位】 想象一下，你出生在20世纪70年代日本第二次婴儿潮的顶峰。你的童年伴随着日本经济的奇迹，听着“日本可以说不”的豪言壮语，看着长辈们仅仅因为去参加面试就能领到高额的交通费和餐费。那时的人们笃信：工作永远唾手可得。然而，就在你寒窗苦读二十载，准备步入社会的1993年，世界突然变了。 【第一部分：被扼杀的起跑线——从出生到失业】 本段音频将按时间线为您还原这一代人的职业悲剧。1993年，日本迎来“就业冰河期”元年，GDP出现自1974年以来的首次负增长。 * 政策博弈： 面对突如其来的失业风暴，日本政府陷入了“保就业”还是“保发展”的痛苦抉择。 * 老人的避风港，新人的修罗场： 为了维护社会稳定，政府选择了牺牲尚未入职的大学生，全力保障已有工作经验的“老员工”。企业宁愿花高价返聘退休人员，也不愿给应届生一个培训机会。 * 错位的政策： 政府最初尝试通过“乡村分流”和“研究生扩招”来延缓就业压力，但这只是将洪峰推后。当1996年扩招后的毕业生涌入时，市场反而更加拥挤，大学生就业率跌至历史低点。 【第二部分：保就业的“饮鸩止渴”——牺牲未来的代价】 为什么说日本的保就业政策牺牲了长期的发展？ * 僵尸企业的温床： 日本政府不顾企业盈利能力，强推“大吃小”式的合并，并给予海量债务豁免（高达6000亿美元）来维持企业不破产。 * 科技红利的错失： 海量资金被用于救助毫无竞争力的“僵尸企业”，而非投入新兴的半导体和互联网行业。正是在这十年间，日本从全球科技巨头的位置跌落，眼睁睁看着韩国在芯片领域用六年时间实现了反超。 * 金融体系的连坐： 政府对银行实施“护送船队模式”，要求大银行为坏账兜底，最终导致整个银行体系在1998年陷入崩溃，引发了单月破产1820家企业的历史性灾难。 【结语：核心矛盾与利益博弈】 这段音频将为您深度拆解政策制定背后的核心冲突：社会稳定（保护现有的中年投票群体与房贷偿还能力）与经济活力（年轻人的成长与产业创新）之间的博弈。 日本的教训告诉我们，当政策制定者为了眼前的稳定而关闭未来的窗口时，所付出的代价可能是一整代人的沉沦和国家竞争力的永久丧失。现在，请戴上耳机，走进这场关于“保就业”的惨烈博弈。 电子书+文本：ChatGPT 音频：NotebookLM 信息图：NotebookLM

今天我们来探讨下人工智能领域正从单纯的模型优化转向系统架构与生态构建的关键转型。 知名科技领袖如 Guillermo Rauch 和 Aaron Levie 指出，自主化设计与动态架构正取代传统软件开发模式，使得判断力与用户体验比单纯的执行力更具价值。 Anthropic 的技术实践则进一步揭示，基础设施配置对模型评估有着显著影响，且分层安全机制是实现智能体自主运行的必要前提。 总体而言，随着执行成本大幅降低，未来竞争的核心将聚焦于底层数据的稳健性、产品的操作严谨性以及对复杂工作流的编排能力。这些来源共同勾勒出 AI 原生时代的新商业逻辑与技术规范。 信息源+文稿整理：X + openclaw 信息图+音频：NotebookLM

Marc Andreessen，硅谷传奇投资人、网景浏览器创始人 在Latent Space节目中，Marc Andreessen分享了他对 AI 浪潮的独特视角 他认为，虽然 ChatGPT 像是突然爆发的“一夜成功”，但其背后是长达 80 年的研究沉淀。我们正处于从“模拟人类局限性”向“释放系统潜能”转变的关键节点，讨论涵盖了Agent 的 Unix 架构本质、软件开发的商品化以及 AI 如何重塑管理资本主义。 核心看点 (Key Takeaways)： * “80年的一夜成名”： AI 并非突然降临，其神经网络架构可追溯到 1943 年。现在的爆发是数十年硬核研究在达到某个阈值后的全面解锁。 * Agent 的本质是 Unix 哲学： Marc 提出了一个极具启发性的观点：一个强大的 Agent = 大语言模型 (LLM) + Bash Shell + 文件系统 + Markdown + Cron (定时任务)。这意味着 Agent 正在复写计算机的使用逻辑，通过 Shell 释放出计算机隐藏的巨大潜力。 * “这一次不同”的证据： 区别于以往的 AI 寒冬，Marc 认为现在 AI 已经能在推理 (Reasoning)、编程 (Coding)、Agent 和递归自我改进 (RSI) 这四个基础功能上真正发挥作用。 * 软件开发与 UI 的终结： 随着 AI 能够直接生成二进制代码甚至模型权重，传统的编程语言和图形用户界面 (UI) 可能会消失。未来的软件可能不再有界面，而是由 Bot 之间直接交互。 * 管理革命： 资本主义正在从“专业管理阶层”主导的模式，演变为**“创始人天才 + AI 超级管理能力”**的新模型。AI 极其擅长处理公文、报告等管理庶务。 * 现实世界的阻力： 尽管技术突飞猛进，但由于监管、工会、职业许可制度（如美国码头工人工会、教育垄断等）的存在，AI 在现实经济中的应用将面临巨大的迟滞和摩擦 25分钟，我们来一听究竟吧 素材：Openclaw --> YouTube 文稿、信息图：NotebookLM 播客音频：NotebookLM

这周，我们来聊聊恭王府的历史变迁、建筑格局及其历任主人的传奇人生。 通过对清朝宗室爵位制度与王府地理分布的解析，深入这座府邸从乾隆年间和珅宅邸到嘉庆时期庆亲王府，再到咸丰年间恭亲王奕訢府邸的演进过程。 尤其是和珅的权倾一时、奕訢在洋务运动与晚清外交中的核心地位，以及府邸在民国后转变为辅仁大学校舍、中国艺术研究院等文化空间的历程。 作为清代唯一完整保留的铁帽子王府，它不仅是研究清宫政治与外交格局的重要实物，更被誉为“一座恭王府，半部清代史”。 素材：Rita 文本：ChatGPT 播客音频：NotebookLM

社交媒体上冲刺着各种养虾教程，手搓网页教程，尝鲜后你是否也在迷茫和困惑，什么时候对于使用什么，到底该何去何从？ 今天我们回归本源，一起来探探底层的区别与不同先 文稿：Chatgpt、Youtube、NotebookLM 音频：NotebookLM

穿插一期轻松的内容，春节前回家，从景德镇中转，溜达了几天，悠闲的逛了逛景德镇陶瓷博物馆和御窑博物馆，博物馆较为详细的对不同时期的陶·瓷特点有详细的呈现。于是乎，考虑增加一个博物馆系列，把每次溜达完的内容整理为博客，方便分享给更多的小伙伴，也方便自己温故知新。 第一期就从景德镇陶瓷博物馆说起： 如果你也计划去一趟景德镇溜达的话，不烦听一听这一期，做个小预习 如果你已经去了一趟景德镇的话，不烦也听一听这一期，看和你看完的收获是否一致 物料：Photo By Rita 整理：NotebookLM、ChatGPT PPT：NotebookLM 音频：NotebookLM

给大家拜个晚年，春节放假偷懒了几期，春节后及时更新补上 这两天， 一份题目为《2028年全球智能危机》（The 2028 Global Intelligence Crisis）的报告引发了市场动荡，这份由Citrini Research 和 Alap Shah 撰写的报告，它并不是一个预测，而是一个思想实验，旨在通过模拟一种极端情境，探讨人工智能（AI）的成功可能对全球经济带来的毁灭性打击，报告预言，人工智能的飞速发展将通过消除行业摩擦和取代白领劳动力，引发从软件行业到私人信贷及房地产市场的链式经济崩盘。 受次报告的影响，IBM等科技巨头的股价遭遇重挫，金融市场对AI的长期影响从最初的兴奋转向了深深的焦虑，今天我们就来重点了解下这份报告都预测了写什么？ 文稿：ChatGPT 音频：NotebookLM

你是不是最近在基于AI coding的同时，频繁看到Skills 这很火的Agent Skills，到底是什么？和MCP的区别和侧重点又是什么？ 今天让我们换用辩论的方式来为你解密：Agent Skills是食谱还是预制菜？ 文稿：YouTube、Gemini 音频：NotebookLM

2026年1月10日，AGI-Next 闭门峰会，一场强大的圆桌对话，吸引了大家的注意，来自智谱唐杰、Kimi 杨植麟、Qwen 林俊旸、腾讯姚顺雨（远程）人工智能领域的顶尖专家探讨了大模型的发展分化与未来范式。 AI正逐步在To B（生产力）与To C（用户价值）场景间产生功能差异，并预测自主学习和长时记忆将成为2026年前后的核心突破点。 讨论强调了中国AI产业在算力限制下的创新路径，认为通过算法优化与垂直整合，中国有望在局部领域引领全球。呼吁建立更具冒险精神的研究文化，鼓励学术界与工业界协同解决智能效率与安全问题。 中国AI开始从“追随者”向“引领者”转变，让我们听听他们都详细聊了些什么~ 文本工具：Gemini 音频工具：NotebookLM

回顾2025，中国AI走过了一条从“迷信参数”到“信仰落地”的道路。 如果说年初DeepSeek的开源是一场“技术平权运动”，打破了OpenAI的神话；那么年底Manus被Meta收购则是一场“产品价值证明”，证明了中国团队在Next Level AI（Agent智能体）上的洞察力。 2025年，中国AI不再只是跟随者。 今天，就带领大家一起用16分钟快速回顾一下2025年这一年，从百模大战到应用为王的过程。 文本工具：Gemini 音频工具：NotebookLM 贴图工具：NotebookLM

我们用“写长篇小说”或者“查阅会议纪要”来做一个通俗的对比，这样即使不懂计算机技术的用户，也能理解提示词缓存（Prompt Caching）的奥秘。 想象你在雇佣一位极其认真的助理写小说： 1. 没有“提示词缓存”的情况（传统推理）： 假设你已经写了 10,000 字的背景设定，现在想让助理写下第 10,001 个字。 * 重复劳动： 助理每次动笔前，都必须从第一页开始，逐字逐句地重新阅读并分析那 10,000 字。 * 效率低下： 为了写出一个新字，助理要把之前做过的所有逻辑推演、人物关系分析全部重新算一遍。 * 成本高昂： 因为助理每次都要花大量时间重读，你必须按他“阅读的总字数”付费。每增加一个字，你的账单都会因为重复阅读而变得异常昂贵。 2. 使用“提示词缓存”的情况： 现在，这位助理学聪明了，他准备了一份**“超级读书笔记”**（这就是所谓的 KV 缓存）。 * 只看新信息： 当你让他写第 10,001 个字时，他不再去重读那 10,000 字。他直接翻开那份已经做好的笔记，笔记里记录了之前所有情节的精华和逻辑关系。 * 增量处理： 他只需要分析你刚给出的那个新提示，然后把它与笔记内容对上，就能立刻写出下一个字。 * 省时省钱： 助理的工作量大幅减少，你不需要为他重复阅读旧内容付全额费用。这就是为什么 API 提供商能给你提供高达 10 倍的折扣，且响应速度能快上 85% 的原因。 在模型内部，处理文字其实是在做复杂的数学矩阵计算。 * 缓存了什么： 它缓存的不是最终的答案，而是模型对你输入内容的**“理解结果”**（即 K 矩阵和 V 矩阵）。 * 为什么有效： 因为对于同一个提示词，无论你问多少次，模型对这部分内容的“基础理解”是不变的。把这些计算好的中间结果存起来，下次直接用，就省去了昂贵的重复数学推演过程。 通俗来说：提示词缓存就像是给 AI 装了一个**“瞬时记忆扩容插件”**。它让 AI 不再是个“鱼的记忆”——每次说话前都要从头回忆一遍人生，而是能带着之前的“思想笔记”直接开始新的对话。 想让大模型推理费用暴降 10 倍？ 秘密就在提示词缓存（KV Caching）。 它通过在底层缓存 K 与 V 矩阵，彻底消除了对长文本的冗余数学计算。该技术不仅能让延迟缩减 85%，且不受随机性参数影响，是开发者平衡高性能与极致成本的终极利器！ 如果想要更精细的了解带图文版信息，可观看原文：https://ngrok.com/blog/prompt-caching/

今天我们聊聊最近美国互联网上极其热门的一类“预测市场”Polymarket，在这个网站上，允许用户对各种现实世界事件进行下注和交易。 简单来说，它把任何不确定的事情都变成了一种“彩票”或“股票”，并实时量化了每一种可能性发生的概率。 为什么最近就火起来了？ • 比民调更准确的“风向标”： 传统的民调由于抽样局限性，往往存在滞后或偏差。而 Polymarket 反映的是市场的真实看法，许多美国人现在更倾向于参考该网站的实时预测数据。 • 去伪存真，剔除噪音： 在社交媒体上，发表观点是免费且廉价的，往往充斥着情绪和水分。但在 Polymarket，用户必须投入真金白银来支持自己的观点，这种“真金白银”的博弈会自动清理无用的噪音，让共识被价格化,。 • 极高的刺激性与回报感： 它提供了将知识或判断力转化为财富的途径，具有很强的娱乐性和金钱激励,。 • 技术便利性： 该平台采用稳定币交易，既保证了全球各地的人都能参与，也确保了交易的匿名性。 Polymarket 的核心逻辑是将每一个预测结果看作一支“股票”： 价格即概率： 股价直接对应事件发生的概率。1% 的概率对应 0.01 元，100% 的概率（即事件发生）对应 1 元。 下注与波动： 如果你看好某个结果并买入，看好的人多了，该情况的股价（即概率）就会上升；反之则下降。 盈亏计算：如果你以 0.02 元（2% 概率）买入，最终事件发生，价格变为 1 元，你将获得 50 倍的收益。如果预测错误，事件未发生，价格变为 0 元，投入的资金将全部损失。 共识形成： 每一笔交易都代表有人发现了新信息或改变了观点，这些变化最终通过价格曲线体现出来，反映了集体认知在时间轴上的演变。 对于用户而言，Polymarket 不仅仅是一个博弈场，更是一个高效的信息过滤器： • 剥离语言水分： 当你需要为观点付费时，虚假的叙事就会消失。用户可以通过观察概率曲线来判断某个热点叙事是否具有真实的信心支撑。 • 理解概率与期望： 通过观察价格波动，用户可以学习如何客观地评估风险、赔率和期望值，感受共识是如何被“消耗”掉的。 • 强制诚实： 这是一个测试自己判断力的好工具。当你看完一篇深度分析后，可以自问：“如果现在就要下注，我敢买多少？”这能逼迫自己面对最真实的集体猜测。