修行不是玄学：一套“停止内耗”的心智使用说明书 Hello，大家好，欢迎来到本源进化。 我想先问你一个问题：你有没有过这样的感觉—— 每天被各种信息、各种任务追着跑，努力去满足所有人的期待，感觉自己像个陀螺一样停不下来。 可到了夜深人静的时候，内心又会涌上一种说不出的空虚和疲惫。 我觉得很多人都有同感：我们好像一直在拼命地向外抓取，想用各种东西把自己填满。 但结果呢？反而越来越焦虑。 更奇怪的是，这种焦虑跟你拥有多少、完成多少，似乎并没有直接关系。 所以我常常会想：是不是我们努力的方向，从一开始就偏了？ 我们太习惯改造外部世界，却很少花时间去审视、训练我们的内心世界。 今天我们就想和你一起深入聊一个既古老又时髦的词：修行。 很多人一听“修行”，第一反应是：是不是太悬了？是不是玄学？是不是宗教？ 但今天我们不聊玄学，不聊宗教，也不需要你跑去深山、寺庙、蒲团。 我们要做的是：把“修行”彻底拆解成一套人人都能上手的心智使用说明书。 我们要一起弄明白三件事： 1. 修行到底在修什么？ 2. 它的核心技术是什么？ 3. 普通人不去西藏、不去闭关，怎么在日常生活里真正用起来？ 一、修行到底在修什么：它修的是“觉察力” 很多人以为修行是离生活很远的东西：深山、庙宇、打坐、闭关。 但它的本质，说白了其实是一种能力训练：觉察力。 觉察力关乎的是： 你如何与自己的念头和情绪相处。 所以这次探索更像是一趟“深入心智后台”的旅程： 去看看那些在你脑子里自动运行的程序。 然后试着拿回一点点——哪怕只是一点点——选择的主动权。 而要重新理解修行，我们得先破除一个最大的迷思。 二、最大的误解：修行不是为了“超能力”，而是为了“停止内耗” 很多人觉得修行是为了获得超能力，或者把自己修成一个无欲无求的圣人。 但实际上，它最直接、最朴素的目标只有四个字：停止内耗。 我们大部分的精力，并不是消耗在现实问题上， 而是消耗在头脑内部的冲突、担忧、纠结、自我否定上。 我喜欢用一个比喻： 我们的大脑就像一个特别强大的硬件——配置顶尖、算力惊人。 但问题是，上面跑的操作系统太久没更新：bug 一堆、弹窗不断。 “你不够好。” “你肯定会搞砸。” “别人一定看不起你。” “你必须更努力，才配被喜欢。” 全是这种自动弹窗、病毒进程。 所以所谓修行，更像是一套系统性的“杀毒与升级”： 让你不再被这些 bug 牵着鼻子走。 而第一步，就是看清楚：我们到底被谁控制了？ 最关键的角色，就是我们的——念头。 三、第一个核心秘密：你不是你的念头 念头本身其实是中性的。 它就像天空飘过的云，来了又去了。 问题不在于云本身，而在于我们习惯性地抓住每一朵云不放，尤其是乌云。 抓住了就开始研究： 它为什么这么黑？会不会下暴雨？打雷了怎么办？ 结果外面明明晴天，心里却下起了倾盆大雨。 所以第一个也是最关键的秘密是： 你不是你的念头。 修行的核心，是培养一个“内在观察者”。 当一个念头升起来，比如“我真失败”，你不再立刻 100% 认同它。 你会把措辞改成： “一个关于‘我失败了’的念头出现了。” 注意这个差别： 不是“我失败了”，而是“一个关于失败的念头出现了”。 这非常小，但非常关键。 这意味着你从“念头的奴隶”，开始变成“心智的主人”。 这个感觉像什么？ 像从一个身在戏中的演员，变成台下的观众。 演员必须跟着剧本走，喜怒哀乐身不由己。 观众可以看悲欢离合，同时很清楚：我不在故事里。 修行的起点，就是在你和你的想法之间拉开一点点距离。 你不需要消灭念头（那不可能）， 你只需要看见它。 就这一点点距离，就是自由的开始。 四、现实关卡：情绪强烈时，人会“被附体” 但问题来了：理论都懂，现实里很难。 当愤怒、焦虑、嫉妒、委屈这些情绪上来的时候， 人会像被“瞬间附体”一样，完全失控。 那个冷静的观察者直接被一脚踹飞。 这时候我们怎么办？ 多数人只有两种反应： 第一种：压抑。 告诉自己“我不该生气”“我要冷静”，假装它不存在。 第二种：爆发。 被情绪牵着走，口不择言，事后后悔。 这两种方式都像跟海浪搏斗： 要么被拍晕，要么精疲力尽。 而且压抑久了，情绪还会用更奇怪的方式冒出来：身体疼痛、迁怒、失眠。 所以出路在哪里？ 这就引出第二个秘密。 五、第二个核心秘密：不抵抗（允许 + 观察），但也不放任 第二个秘密听起来有点反直觉：不抵抗。 很多人会误会：不抵抗是不是就等于放任？ 我生气就随便骂人？我难过就躺平？ 不是。 “不抵抗”指的是： 不抵抗你内在升起的感受本身。 它包含两个动作：允许与观察。 第一步：允许。 愤怒来了，你可以在心里说： “愤怒来了，我看见你了。” 第二步：观察。 去观察它在你身体里引起的生理感觉： 胸口发闷？肚子发紧？肩膀僵硬？拳头握紧？ 你只去感受这些身体反应，但不要给它“添油加醋”。 所谓添油加醋，就是头脑开始自动编故事： “他怎么能这样对我？” “他就是看不起我。” “上次也是这样。” “这事没完。” 这些故事才是真正火上浇油的东西。 有神经科学研究提到：一种情绪在身体里的生理周期可能只有 90 秒。 本来 90 秒就过去了。 但我们不断重播、续写故事，才把情绪变成几小时、几天的精神折磨。 所以核心技术就是： 把“身体的能量脉冲”和“头脑的故事叙事”分开。 你只处理身体里那 90 秒的能量，不参与头脑的剧本创作。 六、第三个核心秘密：在刺激和回应之间，创造一个空间 这背后还有一个更关键的理论： 在刺激与回应之间创造一个空间。 比如：别人的一句批评是刺激。 你立刻暴怒反击是回应。 大多数人的生活，就是这种“刺激—回应”的自动驾驶模式。 修行就是练习： 在刺激和回应之间撑开哪怕零点几秒的空间。 这个微小停顿，就是自由的入口。 举个很真实的例子： 你看到一句让你上火的评论，手已经想敲键盘怼回去了。 这时如果你先停下来，离开屏幕，去感受心跳加速、肩膀紧绷—— 把注意力从“他凭什么这么说”转到“我身体为什么这么紧”。 你会发现：这个动作本身就在创造空间。 因为当你的注意力回到身体，你就切断了头脑故事的能量供应。 一两分钟后，那股最强的能量会自然过去。 然后你再回到屏幕前，你才更可能做出一个明智的、事后不后悔的回应。 真正的强大，不是没有负面情绪， 而是在情绪风暴里，仍能找到那个平静的“风眼”。 那个空间，就是风眼。 七、真正的道场在生活里：把修行嵌入日常 你可能会说：这些适用于明确刺激的场景。 但生活里更多是慢性的压力：堵车、孩子哭闹、工作堆积、无力感。 总不能每次都靠边停车冥想。 所以第三个也是最重要的秘密是： 生活就是道场。 每一个让你烦躁、有压力、不舒服的瞬间，都是练习机会。 重点不是你在哪里修，而是你用什么修。 生活中的琐事，都可以成为练习道具。 给你三个今天就能用的练习： 1）红灯冥想 红灯亮起，不碰手机。 手放在方向盘上，感受触感。 有意识地观察一次吸气、一次呼气。 30 秒也行——这是一次完整的觉察练习。 2）倾听练习 在容易争执的对话里，刻意练习“只听不说”。 当你想打断、想反驳，先在心里默数 3 秒。 忍住。 只是听，同时观察自己那股“急于辩解”的冲动。 意义不在完美，而在看见冲动。 3）感官练习 每天选一件自动化小事：刷牙、喝第一杯咖啡。 用全部感官体验它：味道、温度、触感、香气。 把“无意识程序”变成几分钟的全然专注。 这些练习不是给生活加负担， 反而是帮你从自动驾驶里醒过来，拿回自主权。 八、结尾回顾：三个秘密，一条主线 我们今天拆解了修行的三个核心秘密： 第一，修行的目的不是成佛成仙，而是停止内耗。它是一场关于觉察力的训练。 第二，修行的核心技术不是对抗，而是不抵抗的允许与观察，把身体的能量脉冲和头脑的故事分开。 第三，修行的关键实践是在刺激和回应之间创造空间，并把练习嵌入生活：生活就是道场。 最后我想留给你一个思考： 我们总以为修行是为了把自己打磨得更好、更完美、更强大。 但有没有可能，从观察念头到接纳情绪，再到活在当下—— 最终的目的只是为了让我们能够毫无保留地、温柔地与这个本不完美的自己和解。 也许修行的终点不是成为一个更好的人， 而只是全然地成为你自己。 这个问题没有标准答案。 但当你开始思考它的时候，真正的旅程或许才刚刚开始。

Hello, 大家好，欢迎朋友们来到本源进化 你有没有过这种体验：当你兴致勃勃地向 AI 提问，特别期待它能给你一个惊喜，结果它回给你的却是一堆毫无新意、谁都知道的正确废话？那一刻你会觉得，它在敷衍你。 很多人会下意识认为，是 AI 不够聪明。但你有没有想过——问题也可能出在我们自己身上？怎么说？很可能我们和 AI 的对话，从一开始就“说拧了”。 今天，我们就来聊一门全新的沟通艺术：如何通过改变提问方式，让 AI 从一个反应迟钝的机器，变成一个能真正理解你、甚至超越你期待的智能伙伴。 我们的目标非常明确： 这次深入探讨结束时，你会掌握一套立竿见影的 AI 沟通心法，知道如何把脑子里那些模糊的想法，转化成 AI 能精准执行的指令，从而真正驾驭这台强大的工具。 一、基础心法：四大支柱 好，我们来解构一下这件事儿。 想让 AI 听懂话，关键其实不在于用什么花里胡哨的技巧，而是返璞归真，回到沟通的本质。我觉得可以先从第一个支柱说起。 支柱一：明确与直接 —— 别跟 AI 玩猜谜游戏 千万别跟 AI 玩“你猜我猜我猜你猜不猜”的游戏。直接下命令，这个很重要。 比如，一个很模糊的指令是： “创建一个分析仪表盘。” 这太模糊了，是吧？ 而一个明确的指令会是： “创建一个分析仪表盘，请包含尽可能多的相关功能和交互设计，不要只做基础版，要实现一个功能完备的版本。” 对比一下，感觉完全不一样。 这就像点菜： * 前者是：“随便上点吃的。” * 后者是：“来一份带详细配菜和特定酱料的全熟牛排套餐。” 结果肯定是天差地别。 所以核心原则就是：多用“写、分析、生成、设计、评估”这种动词开头，直奔主题。 支柱二：讲清“为什么” —— 给 AI 解释你的目的 这里最值得玩味的一点，是背后的思维模式转变。 我们习惯了在人与人的沟通里保留模糊和含蓄，但在和 AI 沟通时，模糊性就是效率的天敌。所以你不仅要告诉它“做什么”，还要告诉它“为什么这么做”。 这一点看上去有点反直觉： “一个机器，它为什么需要知道我做这件事的原因呢？” 听起来很多余，但事实上，这个“为什么”至关重要。 比如，你只是简单地说： “不要用项目符号。” AI 只会机械地执行，它不知道你为什么不想要。 但如果你解释： “我更喜欢自然的段落形式，而不是项目符号，因为流畅的散文读起来更轻松，更具对话感。项目符号对我这种休闲学习风格来说太正式了。” 这么一说，AI 就能理解你背后的偏好模型了。 以后在其他相关的格式选择上，它就有可能做出更聪明的判断。 从一个更大的视角看： 你就不再只是一个下达命令的人，而是在训练一个符合你个人偏好的助理。 所以这个“为什么”，不管是解释产出的用途、受众，还是你想要解决的问题，本质上都是在帮助 AI： 从一个简单的指令执行者，进化成一个可以推理你深层目标的伙伴。 支柱三：具体化 —— 为 AI 设定清晰边界 第三个支柱是：具体化。 它跟“明确”有点像，但更侧重于设定边界与约束。 还是拿饮食计划举例： * 模糊的指令： “给我一份地中海饮食计划。” 听起来更像一个愿望。 * 具体化的指令： “为糖尿病前期患者设计一份地中海饮食计划，要求每日 1800 卡路里，侧重于低升糖指数的食物。请列出早餐、午餐、晚餐和一份零食，并附上完整的营养成分表。” 这就不是愿望了，而是一个可以执行的项目方案。 具体化，说白了就是：为 AI 的发挥设定护栏。 这些“护栏”可以包括： * 字数限制 * 输出格式（表格、要点、段落） * 技术约束（比如语言、库、框架） * 风格边界（严肃 / 轻松、口语 / 正式） 你把护栏设定清楚，AI 就不需要猜，而猜测恰恰是错误和偏差的主要来源。 支柱四：善用范例 —— 身教重于言教 最后一个基础支柱，就是善用范例。 如果你想要一种特定的写作风格或者总结格式，光靠描述往往很费劲，也很容易描述不清楚。 最有效的方式就是：给一个样本。 比如你可以说： “这是我想要的文章总结风格： ‘欧盟通过全面人工智能法案，针对高风险系统提出关键条款，包括透明度要求和人类监督，法案将于 2026 年生效。’ 现在请用同样的风格总结这篇文章（附上文章链接）。” 先给一个样本，然后让它“照这个来”，简单直接。 这里有一个非常重要的提醒——特别是对那些现代的 AI 模型，比如 Claude 4.x： 它们会极其密切地关注你给的范例，所以范例的质量非常关键。 你的范例必须尽可能完美： * 没有你不想让它模仿的瑕疵 * 没有错别字 * 没有逻辑错误 因为哪怕一个小小的问题，它都有可能学过去。 范例，其实就是标准。 二、进阶技巧：从“对话者”升级为“任务编排者” 基础打好了，那如果任务本身非常复杂怎么办？ 这才是真正有意思的地方——进阶玩法登场。 我们可以从一个简单的对话者，升级为复杂任务的编排者。 进阶技巧一：指令链（Prompt Chaining） 第一个进阶技巧叫：指令链（Prompt Chaining）。 核心思想是： 不要试图用一个巨大又复杂的指令完成所有事， 而是把一个大任务拆解成一系列更小、更简单的连续步骤——化整为零。 比如，你想写一份高质量的研究报告，可以这样设计： 1. 第一步：信息提炼 “请总结这篇医学论文的方法、主要发现和临床意义。” 目标很单一：先把信息提炼清楚。 2. 第二步：自我审阅 / 批评 “现在请你作为批评者，审阅上面的总结，评估它的准确性、清晰度和完整性，并给出改进建议。” 这一步，让 AI 去检查自己的工作。 3. 第三步：基于反馈改进 “请根据你刚才给出的反馈，改进这份总结。” 这样就像是一条信息加工流水线： 每一步都高度聚焦，AI 更容易做到极致。 代价是：需要多轮往返，对话会变长。 回报是：准确性和可靠性显著提升。 进阶技巧二：思维链（Chain of Thought） 如果你不想拆分任务，而是想让 AI 在单次任务里思考得更深，那就轮到第二个技巧：思维链（Chain of Thought）。 它回答的是这样一个问题： “怎么让 AI 展示出它的思考过程？” 方法其实很简单： 在指令里加上一句： “在回答前请一步一步地思考。” 就是这么一句话，对需要多步推理的分析性任务特别有效。 你甚至可以引导它的思考路径，比如： “在写邮件之前，请先思考： 1）根据这位捐赠者的历史记录，什么样的信息最能打动他？ 2）我们这个项目中有哪些方面能和他产生共鸣？ 最后，请利用你的分析撰写一封个性化的邮件。” 这样，你不再只是要一个“结果”，而是参与并审视整个推理过程。 更进一步，你还可以用结构化思维链： * 把思考过程放进一个 thinking 区域 * 把最终答案放进一个 final／email 区域 这样输出就泾渭分明，方便你审查与复用。 更先进的模型，已经开始把这个过程自动化了，比如 Claude 的“扩展思考”功能。但即便如此，手动引导思维链的方法依然很有价值，因为它能让原本的黑箱变得相对透明，让你可以审查它的逻辑。 进阶技巧三：预填充（Prefilling）——帮 AI 开个头 还有一个非常实用的进阶技巧，叫做：预填充回应（Prefilling）。 简单说，就是你先帮 AI 把开头写好，强制它按照你的格式续写，有点“御前奏”的意思。 最经典的例子是： 你想要一个严格的 JSON 输出。 * 你先把需求讲完。 * 然后在 API 调用里，把 AI 回答的开头预填为一个左大括号 {。 此时它没有机会写： “好的，这是你要的 JSON：……” 它唯一的选择，就是：从这个 { 开始，老老实实补完一个合法的 JSON 结构。 这是强制执行严格输出格式的绝佳手段。 三、常见误区：别让“技巧”反过来限制你 有了这些技巧，我们也很容易走偏。 我觉得几个最常见的错误是： 误区一：过度设计 很多人会以为： “指令越长越复杂，效果就越好。” 其实完全未必。 有时候，最简单的指令反而效果最好。 记住一句话： “用达到目标所需的最小结构，而不是堆砌复杂度。” 误区二：迷信“角色扮演”模板 过去很流行的一种写法是： “你是一位世界知名的金融分析师……” 这在早期模型上有一定帮助，但对于现代模型，这种方式有时反而会限制它的发挥。 为什么？ 因为它可能会陷入对这个角色的刻板印象，而不是针对你的真实需求思考。 更有效的方式是——直接说明你需要的视角，例如： “请从风险承受能力和长期增长潜力的角度分析这个投资组合。” 这比让它扮演一个虚构的“知名分析师”要直接、高效得多。 误区三：不诊断问题，只怪“AI 不行” 还有一个核心心态问题：当结果不理想时，要学会像医生一样去诊断。 * 如果回复太笼统： → 试着增加具体性，或者增加一个范例。 * 如果回复的格式不一致： → 用范例、预填充（Prefilling）来强制统一格式。 * 如果 AI 在胡编乱造（“幻觉”）： → 在提示里明确赋予它说“我不知道”的权利，例如： “如果数据不足以得出结论，请直接说明，不要猜测。” 往往就这么一句话，就能显著提升结果的可信度—— 它就不必为了迎合你，而去编造答案了。 四、从“提示工程”到“语境工程”：更大的图景 如果我们把视角拉得更大一点，就会发现： 所谓的“提示工程（Prompt Engineering）”，本质上就是高效沟通。 它是 AI 时代的一项基础技能，而它本身又是一个更宏大的概念—— “语境工程（Context Engineering）” 的基石。 所谓“语境工程”，指的是： 管理你提供给 AI 的所有信息： 指令 文件 历史对话 角色设定 约束条件 样例与标准 因此，掌握与 AI 沟通的艺术，重点不在于让你变成一个“技术专家”， 而是让你成为： * 一个更清晰的思考者 * 一个更高效的沟通者 * 一个能驾驭强大工具的指挥家 五、收束：这门“对话功夫”，会不会反过来改变你？ 说到最后，我想留下一个值得我们深入思考的问题。 今天我们一直在讨论： 如何更好地向 AI 下达指令。 当你练习得越来越多，越来越擅长构建那种精确、具体、充满背景信息且目标明确的指令时—— 这种思维习惯，会不会反过来改变你与人沟通的方式呢？ 换句话说： 学习如何和机器清晰对话， 会不会意外地，让你成为一个更高效、更清晰的人类沟通者？ 这个问题，就留给你慢慢体会了。

Hello，大家好，欢迎朋友们来到本源进化 我想先问一个问题：你相信命运这回事儿吗？或者这么说，你是不是也碰到过那种情况——站在人生的十字路口，特别希望有个人能给你一张“标准答案的地图”，告诉你往左走就一定没错。今天，我们就要深入聊聊这个既古老又特别现实的话题。 我们要聊的这个人，背景非常有意思：他做过很知名的媒体人，后来去当了百度副总裁，又一头扎进中医和国学研究，他的人生路径本身就挺值得研究。我们的任务，是从他那些充满哲思的分享里，帮你提炼出一套独特的人生导航系统。我想强调的是：这套系统跟迷信没关系，而是一种非常深刻的自我认知。它有一个听上去特别反常的核心观点：所谓的算命或者占卜，真正的价值根本不在于“给出一个答案”，而在于——它像一面镜子，照出你内心的渴望、恐惧和偏见。 所以今天，我们就顺着他的思路，从三个层面来剖析这个问题：第一，我们每个人都可能碰到的职业选择困境——到底是该一条路走到黑，还是去拥抱更多元的人生体验；第二，我们会聊聊命运的真相——它到底是怎么变成一面镜子，来映照你的世界观的；第三也是最重要的终极目标——我们到底要怎样，通过诚实地面对自己，最终活成一个连自己都真正欣赏和喜欢的样子。 一、直路 vs 弯路：职业选择的真实困惑 我们先从一个特别真实、甚至有点刺痛的故事开始。他提到，自己大学时有个同学叫张平，是个摄影师。属于那种这辈子就认准了摄影这件事，然后死磕到底的人，很专注，特别专注，最后成了顶级纪录片导演，拿了很多国际大奖。而他自己，路径就复杂多了：先是抓住媒体时代的风口，后来又跳进互联网浪潮，再后来去做文化和中医，听起来每一步都踩在时代的节点上，看上去很风光。 但在看到老同学作品的那一刻，他坦白说内心充满了羡慕，甚至开始反思：我为什么要走这么大一圈呢？这个问题太真实了，几乎每个人在某个时刻都会这么问自己——别人一条直路走到底，我是不是在瞎绕弯路？一条直路和一条弯路，到底哪条更好？ 他给出的关键点是：重点不是比较哪条路更好，而是搞明白——当初你为什么会选那条路。他后来发现，自己当时的选择，核心是想“去感受这个时代的节奏”。 一开始，“感受时代的节奏”听上去挺文艺，也有点模糊，会不会只是想追风口？但他分享了一个很有意思的转变过程：刚入行的时候，他完全不理解——为什么早间新闻要报昨天晚上的美股行情，这跟我们有什么关系啊？我刚工作时其实也有过这种疑问。可后来，他竟然变成了每天早上醒来第一件事就是看美股的人。 关键在于，他不是为了去研究 K 线、赚大钱，而是从中找到了另一种乐趣。他觉得自己像一个“巫师”，正在通过那些冰冷的数字，去感受、去捕捉成千上万人的情绪共振：今天的市场是贪婪还是恐惧？大家在为什么事兴奋，又在为什么事焦虑？“巫师”这个比喻特别有意思——他把一个看上去很理性、甚至有点功利的行为，比如分析市场，变成了一种感性的、甚至带点神秘色彩的体验。 他也很坦诚地说：做投资跑不赢指数，创业的公司还在往里贴钱。那么当结果充满不确定性时，在过程中找到真正的快乐，就成了唯一的意义和支撑。这是一个视角的转换：你不再只是为了一份薪水、一个职位在工作，而是在玩一个属于你自己的游戏，并在这个游戏里寻找独特的乐趣。 所以，不管是张平那样的“直路”，还是他自己走的“弯路”，关键都在于：你有没有在这条路上，找到只属于它的那份乐趣？如果找不到，再“正确”的路，走起来也只会是消耗。 二、命运不是外力，而是一面“内心的镜子” 在“过程中寻找乐趣”之外，他对“命运”的理解，更让我好奇。我们通常会觉得，命运是某种外在的、神秘的力量，是一种“被安排好的东西”。但他更像是在说：命运，其实是一种帮助你完善内在的力量。 他提到一个很重要的概念：知命不认命。重点在这个“知”上。而他解释“如何知命”，并不是通过什么神秘仪式，而是通过一个非常绝妙的思想实验——这个例子几乎是他整个分享的核心。 他让你先在心里默想一个问题：“我今年会发大财吗？”这个问题很实在。然后，通过某种方式，比如抽一支签，你得到的答案是一句我们都熟悉的诗：“两岸猿声啼不住，轻舟已过万重山。”这句诗描绘的是一种轻快、势如破竹的感觉，很多人第一反应会觉得：那就是要发财啊。 真正神奇的地方在于：这句诗可以有两种完全相反的解读。第一种，是积极的解读：在你走向“发财”的路上，一定会遇到很多质疑和噪音，就像两岸此起彼伏的猿声，但这些声音阻挡不了你，你只要专注地向前划，就能像那艘轻舟一样，势如破竹、轻松穿越万重山。听起来非常鼓舞人心。 第二种，则是完全消极的解读：当你还在岸边观望各种风口，听着各种喧哗和争论，就像那些猿声一样犹豫不决的时候，真正的机会——那艘“轻舟”，早就已经从你面前悄悄驶过，你已经永远错过了。 同一句诗，竟然能导出“你必将成功”和“你已经失败”这两种完全相反的结论。所以，诗句本身是中性的，它没有一个预设好的“确定答案”。关键在于：是你的世界观、你的内在状态，决定了你会看到哪一种命运。这句诗就像一面镜子，它不提供答案，只是清晰地照出了你内心的乐观或悲观、渴望或恐惧。 所以，所谓的“命运”，并不是一个从外部砸到你头上的判决，而更像是你内在那个隐秘世界观的外部投射。它不是来自外部的宣判，而是来自你内心的一声回响。 三、镜子的作用：不是改写现实，而是看清“出厂设置” 这里就会冒出一个很现实的问题：这会不会太“心灵鸡汤”了？如果现实中我确实面对巨大困难，比如公司马上就要倒闭了，我仅仅因为内心乐观，就能把那些催债电话，当成无关紧要的“猿声”吗？这中间的界限在哪？ 他讲得很清楚：这面“命运之镜”的作用，不是让你无视现实，而是让你看清——当现实摆在你面前时，你默认的“出厂设置”是什么。 如果你解读出了悲观的结果，它在提醒你：也许你内在的恐惧和消极正在主导你，你是不是总在寻找“我不行”的证据？反过来，如果你解读出了乐观的结果，它也在提醒你：你内心深处真正在乎这件事，你确实相信它有机会成。 所以，这个过程的目的，不是获得一个简单的“yes / no”，而是迫使你停下来，进行一次深刻的自我对话。它不是一个用来预测未来的水晶球，而是一个用来诊断当下的听诊器。 四、“诚者，先知也”：知命之前，先学会对自己诚实 既然命运是一面镜子，我们到底要如何更好地使用这面镜子来做人生决策？这里就引出了他思想中的一个核心概念——“诚”的力量。他引用了《中庸》中的一句话：“诚者，先知也。”用大白话讲就是：一个足够真诚、不自欺的人，对未来会有一种天然的预判力。 但问题是，我们每天都被各种外界声音裹挟着：什么专业更赚钱，这个年纪就该结婚，大家都这么选，你不跟上就落伍了。同时，我们也被自己内在的惯性推着走，为了逃避痛苦、为了融入集体，我们不停地对自己说各种小谎。那要怎么才能做到真正的“诚”？ 他用了一个非常精妙的比喻——祈祷。想象一个人在真正虔诚祈祷的时候，是不会对“神”撒谎的。你不会在那一刻说：“我对钱一点兴趣都没有”“我特别享受现在这份明明讨厌的工作。”在那个绝对私密的空间里，你必须直面自己内心最深处、最真实的欲望和恐惧。这个过程本身，就是一种强迫自己变得诚实的练习。 当然，祈祷只是一种形式。同样的效果，也可以通过写日记、和一个你绝对信任的朋友深聊、或者在独处时，毫不粉饰地把真实想法摊开。形式不重要，重要的是：你要为自己创造一个无法再说谎的环境。 当你真正知道自己想要什么的时候，你就为人生这艘船确立了航向。就像那句老话说：“对于一艘没有方向的船来说，任何方向的风都不是顺风。”只有先做到“诚”，你才有可能谈“知命”。所以，所有这些向内的探索和自省——分辨人生的直路和弯路，用“命运的镜子”看清内在——归根结底，都是为了给自己的人生找一个真正属于你的方向。 五、借假修真：把镜子里的“那个人”，活成现实中的你 那这个探索的终点是什么呢？他给了一个非常动人、甚至有点浪漫的画面：真正的圆满，是有一天你看着镜子里的自己，能够发自内心地说：“如果我是另一个人，我都想嫁给 / 娶这个人。” 这句话的后劲非常大。它的意思是：你对这个“叫做你自己”的人，从里到外，感到由衷的欣赏和喜爱。在那一刻，作为观察者的“你”，和镜子里被观察的“你”，达成了一种合一。 你不再站在外面，对镜子里的那个人指指点点——这里不好，那里不行，这块应该改，那段不争气；而是通过这面镜子，看清了真实的自己，然后温柔而坚定地去改变现实中的你：一点点让现实中的自己，靠近那个你真心喜欢的样子。 他把这个过程称为“借假修真”。镜子里的影像是“假”的，但你为了让那个影像变得更美好所付出的努力，以及最终对那个形象产生的那份喜欢，是真的。 六、把人生当成一场“安全的体验” 这种状态听起来很美好，但通往这个终点的路，一定充满了选择与不确定性。很多人之所以不敢选，是因为怕选错。他还有一个观点，我觉得特别能给像我们这种有“选择困难症”的人减压：把人生看成一场“安全的体验”。 他的逻辑简单得像个脑筋急转弯：在你死之前，你是不会死的。所以，在你还活着的整个过程里，本质上，你一直处在一个“生者的安全区”里。这并不是鼓励你鲁莽行事，而是想告诉你：别被“我选得对不对”这件事锁死，更重要的是——你有没有真的去体验。 他用了一个蹦极的比喻，非常形象：绑着绳子去蹦，那叫“娱乐”；不绑绳子往下跳，那叫“自杀”。人生，就是那场绑着绳子的蹦极。死亡是那根绳子的终点，早已注定。既然结局是确定的，那最重要的，就不是“我用什么姿势跳才是正确的”，而是：在纵身一跃的那一刻，你有没有尽情地喊，你有没有感受到失重，你有没有看见悬崖上独一无二的风景。如果你只是在原地纠结——我要不要跳、左脚先迈还是右脚先迈、别人会不会笑我——那你很可能错过的，就是体验本身。 七、人生不是数学题，而是一件你自己在创作的艺术品 今天，我们从一个非常现实的职业焦虑出发，绕了一圈，走到了“人生是一场体验”的哲学思考。我发现，关键真的不在于向外寻找一个标准答案，或者等待某个“正确路线图”，而是学会借助各种镜子，向内看清自己。 无论是换工作，还是解读一句诗，核心都在于两个终极问题：我到底想要什么？我究竟是谁？这位分享者给我们的，不是一套“人生攻略”或者“实用方法论”，而是一整套世界观：人生不是一道需要精确求解的数学题，没有唯一标准答案，它更像是一件你可以自由创造的艺术品。 重要的不是：最后这幅画，别人认不认可、分数高不高、排名在第几，而是：在你落下的每一笔里，你有没有足够诚实，你有没有足够享受那个创作的过程。 八、尾声：你的“镜子”，是什么？ 在这次探讨的最后，我也想把一个问题留给你。对这位分享者来说，他的核心工具，是“镜子”——用外部的某个事物，来映照内心。这个“镜子”可以是《周易》，可以是一句诗，也可以是一场虔诚的祈祷。 那对你来说呢？在你的生活里，什么是你的镜子？它可能是一本你反复阅读的书，一位能让你完全敞开的朋友，一段你每天坚持的独处时光，或者，是你自己写下的一本日记。你在用什么，帮助自己看清内心？以及，你上一次，认真地、毫不逃避地看向那面“镜子”，是在什么时候？

Hello，大家好，欢迎朋友们来到本源进化 你有没有过那样的瞬间： 深夜突然惊醒，发现自己正沿着一条社会替你铺好的轨道狂奔， 追一个叫“成功”的东西，但心里却越来越空。 如果我说：我们拼命追逐的这个目标，很可能从一开始就设错了？ 一开始听起来很反直觉。我第一次听到“把人生当成一场游戏来打”时，也觉得有点幼稚。 但在深入看了冯唐的一些访谈之后，我发现这背后藏着的，其实是一套异常清醒、甚至可以说相当硬核的人生操作系统。 今天就一起聊聊：怎么才能成为自己人生这场游戏里的顶级玩家。 一、把人生当成一场游戏：起点终点都定死了 “人生是场游戏”这个比喻很好用。 一旦接受这个设定，很多纠结会突然变得清晰。 任何游戏的起点和终点都是写死的： * 起点：出生 * 终点：死亡 我们都是赤条条来、赤条条走，这一点绝对公平。 既然终局已定，真正值得我们投入精力的，其实只剩下中间这段过程。 于是关键问题变成： 你给自己的人生，设定的主线任务到底是什么？ 这条主线，就是你的人生攻略。 二、成功 vs 成事：一字之差，两种人生脚本 多数人的默认主线任务很简单：赚钱、升职、出名。 这些当然重要，但更像游戏里的金币和装备。 冯唐给自己的主线任务，是一个更底层的追求：智慧。 他不是为了攒“装备”，而是想搞明白： * 世界的运行规律 * 人性深处的密码 这个目标一旦设定，他在外人看来“疯狂”的决定就顺理成章了—— 比如： 从协和医学院转头去读商学院。 在别人眼里，这是弃了“金字塔尖的职业”。 但站在“追求智慧”这条主线上，这几乎是一条必经之路。 他在协和待了八年，看尽人间八苦： 生老病死、爱别离、怨憎会、求不得。 按说，他对人性的理解已经足够深刻。 但他发现：还不够。 他看到： 有人前一秒在病床前痛哭， 出门遇到赚钱机会，眼睛立刻放光。 他想不通： 人性里到底有多少顽固的 bug 是难以修复的？ 这让他意识到： 只从医学这一个维度，是永远看不透人性的全貌的。 于是，他选择去商学院。 不是为了高薪，而是为了换一个视角、换一个“服务器”： 从“金钱和组织”这个维度，继续研究“人性”这只大怪。 三、从“追成功”到“练成事”：一次关键视角切换 这引出今天最核心的观念升级： 把人生目标，从追逐外部、难以掌控的“成功”， 切换为训练一种可控、可累积的成事能力。 “成功”和“成事”这两个词，一字之差，背后是两种完全不同的人生。 “成功”这个词已经被严重污染了， 一般指一个结果： * 年入百万 * 当上 CEO * 各种榜单和头衔 但问题是： 这个结果里，有多少在你的可控范围内？ 时代、机遇、出身这些变量， 往往远大于个人努力。 冯唐自己举过例子： 2009 年他能进华润做战略总经理； 同样的他放到今天，几乎不可能再获得同样的机会， 因为时代的窗口已经关了。 如果你把这样一个无法掌控的结果当成人生唯一灯塔， 本质上就是在把自己推向焦虑，玩一场规则随时变、而你几乎没话语权的必输游戏。 而“成事”不一样。 在我的理解里，成事是一种聚焦“过程”的能力： 把一件事，无论大小，有头有尾地做好、做完。 简单，却强大。 它的特点是： * 可以被刻意练习 * 高度可迁移 * 完全在你自己手里 关键在于： 把你的“奖励机制”，从外部评价，切换到内部确认。 与其苦等一个可能永远不会到来的“终极大奖”， 不如通过一次次把事情做好，让自己不断获得小而确定的正反馈。 这本质是在： 重写自己的多巴胺系统， 用稳定的成就感，代替对“运气成功”的被动等待。 四、扫厕所三年：成事心态的实景案例 他在协和读博时，有个广为流传的小故事： 他主动包下实验室卫生，一干就是三年。 在天之骄子云集的地方做清洁， 和主流“成功叙事”完全背道而驰。 但这正好体现了成事心态： 既然接了这件事，无论多小、多不起眼， 就要做到极致。 这种心态，是可以迁移到任何场景的底层能力。 因此他有底气说： 把我放到任何位置， 不管是保安还是 CEO， 我都有信心把事情做成。 他练的不是某个具体技能， 而是： 无论牌好牌坏，我都能把这副牌打明白的通用心法。 这种由内而生的笃定，比任何头衔都更可靠。 我们相当于把游戏目标，从： * “必须打败最终 Boss” 改成： * “持续漂亮地打赢眼前的每一个小怪”。 这个调整，会释放出巨大的心理能量。 五、第二个迷思：关于“贵人”的幻想 现实世界里，我们需要协作，需要他人帮助。 从小我们被教育： * 要多认识人 * 要找贵人相助 这好像和“向内求”的路子冲突。 很多人对“贵人”的理解，还停留在武侠小说： 掉下悬崖遇到白胡子老头，递本秘籍，从此人生开挂。 现实里的版本是： * 能帮你解决燃眉之急 * 能给你资源、给你资金 * 能帮你打通关键关系的“超级 NPC” 这种期待，本质有点像买彩票—— 把希望押在外部的偶然因素上。 一个更清醒的认知是： 真正的贵人，不是来帮你解决具体问题的， 而是来点化你的。 他看到你有成为“大侠”的潜质， 才愿意把内功心法那根“金线”交给你。 于是问题变成： 怎么才能遇到贵人？ 答案有点残酷： 你得先是一块值得被点化的好苗子。 六、“高能量的人，只做选择题” 这并不是否定善意，而是一个现实： 真正高能量的人，时间和精力极其宝贵， 他们不做“改造工程”，只做“选择题”。 他们不会把大量时间砸在一块朽木上， 而是去寻找、筛选那些本身就有潜质的原石。 这个筛选，常常在细节里、在不经意间发生： * 行业大佬约你早上七点见面 * 你八点半睡眼惺忪地出现 你觉得不过是迟到一次， 但在对方心里，可能已经给你画上了一个巨大红叉。 而这种“画叉”，通常是无声的。 没人会专门告诉你： “我放弃你了。” 因为在他看来，说了也没用。 所以，与其到处求贵人，不如： 把自己活成一盏灯、一座塔。 佛陀涅槃前对弟子说： 自以为灯，自以为塔，自以为靠。 真正能依靠的，是自己持续的修行、自律和精进。 当你自己开始发光，那些欣赏光的人，自然会被你吸引。 七、没有秘籍：所有真秘笈都长得像废话 你会发现： 求贵人，本质上还是在求秘籍、求捷径。 我们总以为，世界上一定藏着某种不为人知的诀窍， 能让功力一夜暴涨。 各种知识付费，也在迎合甚至放大这种想象。 但真相往往是： 所有真正的秘籍，都伪装成“常识”， 听起来像废话。 比如： * 健康长寿的秘诀？ 起居有常，饮食有度。 * 协和那些八十多岁还上得了手术台的老教授，总结自己的人生经验： 睡好、吃好、干好。 道理谁都懂， 但真能几十年如一日做到的人，极少。 越是渴望捷径，越容易心态投机， 也越容易被“快招”“秘法”收割。 真正的智慧， 往往藏在那些最需要下笨功夫的地方。 顶级玩家的心法其实就一句话： 放弃向外求贵人、求秘籍， 把全部注意力收回到自己身上， 专注于打磨基本功与成事能力。 八、打好你手上的牌：成事的实战策略 那一个内心笃定、以成事为主线的人， 在实际操作中，会怎么做？ 无论是个人发展还是组建团队， 他会遵循一句话： 先看清自己手上的牌，再想怎么打好。 很多人一辈子都不知道： * 自己究竟擅长什么 * 真正的优势在哪儿 * 真正“能卖”的点是什么 冯唐用过一个“不遵医嘱”的比喻： 很多病人治不好病，不是因为医术不行， 而是因为——他们不愿意真正听医生的话。 原因是骨子里的那个信念： “最了解我的人，一定是我自己。” 这种心态让我们： * 听不进真正的忠告 * 看不见真正的机会 所以，成事的第一步， 是放下“我以为”的幻觉， 对自己做一次近乎残忍的客观体检。 有了这个前提，才谈得上“用好资源”。 洛克菲勒说过一句很有气魄的话： “你把我扒光了丢到沙漠里， 只要有一支驼队从我身边经过， 我就能活下来，还能东山再起。” 这种底气，不来自背景，也不是抱怨世界， 而来自他对自己能力和商业底层逻辑的深刻理解： * 他非常清楚自己有哪些牌 * 也知道在不同牌局下，如何组合这些牌赢下去 九、从个人到组织：成事的“五要素模型” 从个人升级到组织，比如创业， 有没有可复用的“成事框架”？ 有，他总结了一个五要素模型： 1. 有理想、能干的一把手（创始人） 是发动机，没有发动机，车根本开不动。 2. 志同道合、能力互补的核心班子 一个人打不赢战争， 核心团队，决定了气质和上限。 3. 制胜的战略 想清楚这仗怎么打。 尤其对小公司，战略错误往往是致命的。 4. 合理的分钱计划（激励机制） 只谈理想不谈钱，难以支撑长期投入。 分配问题，是无数团队的隐形炸弹。 5. 一到两个真正的核心竞争力（护城河） 在执行中，有意识打磨少数几个别人抄不走的本事。 很多团队死在第 4 点：分钱。 理想在现实利益面前很脆弱，这是事实。 但在我看来，比分钱更底层的是第 2 点：核心班子。 一把手再强，如果找不到能力和信念匹配的伙伴， 就像再厉害的将军，手里拿着一群散兵游勇。 战略再好，也执行不出来。 团队基因，往往在创业第一天，就决定了这家公司能走多远。 十、如何面对评价、炒作和骂声？ 最后一个现实问题是： 在这场游戏里，我们如何面对别人对我们的评价， 包括炒作、质疑甚至谩骂？ 先说“炒作”： 炒作不丢人，虚假宣传才丢人。 你写了一本书、做了一个产品， 就有责任让那些可能需要、可能欣赏它的人知道。 写完就藏起来，指望未来被考古发现，那是自恋。 把“传播”和“营销”当作工作的一部分，心态会平和很多。 再说负面评价： 比如那篇刷屏的《如何避免成为一个油腻的中年猥琐男》， 同时带来声量和大量攻击。 他的做法有两点： 1. 主动看负面评论 防止被吹捧冲昏头脑。 2. 看清“管中窥豹”的本质 夸你的人也好，骂你的人也好， 其实只是拿你身上的某个标签， 拼出一个“他们想象中的你”， 然后对着这个想象中的靶子开枪。 很多人根本没细读那篇文章， 就抓几个词开始群嘲。 既然对方看到的从来不是完整的你， 又何必为一个扭曲的倒影耗尽情绪？ 想清楚这一点， 你可以过滤掉世界上 99% 的精神噪音。 十一、收束：从追“成功”，到练“成事” 今天，我们拆解了一套“人生操作系统”： * 把人生目标，从追求外部、不可控的“成功”， 转向训练内在、可累积的成事能力； * 像玩游戏一样，为自己设定真正有意义的终极目标，比如“智慧”； * 不再迷信贵人和秘籍，把注意力全部拉回到打磨基本功上； * 清醒认知自己，打好手上的每一张牌； * 从个人到组织，理解并运用“成事五要素”； * 在赞美与攻击之间，守住自己的内核，不被噪音牵着走。 冯唐曾问过： “你觉得在这个世界上，你有什么可卖的？” 最后，我想把这个问题稍微改一下，留给你： 如果先把所有关于“成功”的宏大叙事关掉， 安静地看一眼此刻的自己—— 你现在最想做成的那一件小事是什么？为了做成它， 你愿不愿意像练一门手艺那样， 每天扎实投入时间，不急着问结果？ 也许， 这个看似微不足道的“成事”， 正是你人生这场游戏里， 最值得好好打一仗的那个小怪。

8小时工作制：从“标准答案”到隐形陷阱 Hello，大家好，欢迎来到 本源进化。 今天想和你聊一个，你每天都在遵守、却很少质疑的规则——8 小时工作制。 先问你一个问题： 在你每天所谓的 8 小时里，真正高效、真正需要你创造力的时间，有多少？ 很多研究和个人体验都在提醒我们：这个时间短得惊人，可能连 1 个小时都不到。 那剩下的七个多小时，我们在干嘛？ 一个残酷的答案是：这套制度从来不是为“让你价值最大化”而设计的。 它诞生于一百多年前的工业时代，如今正在从所谓的“标准”，变成一个陷阱。 今天我们分三步聊清楚： 1. 拆解 40 小时工作周：看清它背后的逻辑。 2. 换一张工作地图：从“牛”到“狮子”，再到达尔文。 3. 给你三把落地的钥匙：从明天开始，一点点夺回时间主权。 一、40 小时工作周：它原本在为谁服务？ 要理解这个制度，得先回到它诞生的那一刻，问两句： 它一开始是为谁服务？ 它到底是为了“解放个人”，还是为了“管理个人”？ 1. 从“自雇时代”到“雇员时代” 工业革命前，多数人是 自雇者： * 工匠 * 农民 * 小商贩 他们是自己的老板。 比如一个 18 世纪的椅子工匠： * 对椅子的质量负责 * 享受全部利润和名声 * 什么时候干活自己说了算 他卖的是价值，而不是时间。 背后是一种独立、自由的人格。 2. 工厂出现，一切被拆解 工厂和流水线出现后，“做一把椅子”被拆成无数简单动作： * 你只拧螺丝 * 他只磨木板 任何人几分钟就能上手。 其中一个隐蔽的后果是： 让工人只掌握“微不足道的一环”，从而离不开系统。 这样的人可以被视作零件，随时替换。 人的完整性被打散，变成“可管理的劳动时间”。 3. 办公室，是升级版流水线 这听起来像历史，但你很容易想到今天的办公室： * 没完没了的会议 * 回不完的邮件 * 各种流程、审批、表格 这些事情很多时候并不直接创造价值，但可以轻松把 8 小时填满。 这就是流水线逻辑的延续： 用“伪忙碌”填满固定时间，制度要的是你的在场，而不是你的成果。 “你人得在这儿，至于有没有真正创造价值，那是其次。” 4. 异化：你和自己的工作慢慢分裂 在这种模式下，你和自己的劳动成果被切开了（马克思叫它异化）： * 你写了很多代码，却不觉得产品是“你的”； * 你在执行命令，而不是在创造； * 久而久之，你连自己的潜力和热情都不再感到连接。 很多人下班后的真实状态是： 人被掏空，只想瘫着刷手机，什么都不想。 工作变成一件只剩“工资意义”的事，它在消耗你，而不是滋养你。 一句话概括这笔交易： 你卖出的不是技能，而是你生命中最宝贵、不可再生的资源——时间。 当你接受了“用一天中最精华的 1/3 时间换工资”， 你也把这段时间的主导权交了出去。 二、未来属于“狮子式工作”：短时间高爆发，而不是一直硬扛 既然这张“旧地图”把我们带进了死胡同，新地图是什么样？ 有人用一个比喻： 高效能人士的工作节奏，更像狮子，而不是牛（这个比喻来自硅谷投资人纳瓦尔）。 * “牛式工作”：从早低头到晚，一直干，一直忙。 * “狮子式工作”：长时间观察与休息，关键时刻短时间高爆发。 1. 狮子的节奏 狮子不会朝九晚五打卡，它的模式是： 1. 长时间休息、观察、评估，养精蓄锐； 2. 锁定目标后，以惊人爆发力冲刺捕猎； 3. 成功后，再次进入长时间恢复； 4. 然后：评估 → 冲刺 → 休息 → 再评估 → 再冲刺。 关键在于：有节奏的冲刺 + 恢复，而不是从早到晚“挂在线上”。 我们从小被教育要像牛一样“吃苦耐劳”， 但在今天，更重要的是： 像狮子那样工作，追求的是爆发力，而不是单纯的耐力。 这会触碰到一个心理障碍： “什么都不做”的时间，会让很多人产生负罪感。 这是工业时代留在我们脑子里的心理病毒： 不在干活 = 堕落、偷懒。 可对创造性工作来说，一直在线，反而扼杀创造力。 2. 灵感往往出现在你“看起来没在工作”的时候 回想一下，你最好的点子、最深刻的想法，往往出现在： * 散步的时候 * 洗澡的时候 * 发呆放空的时候 而不是你盯着屏幕、逼自己“高效”的时候。 这也是为什么，达尔文的日常节奏，特别值得参考。 3. 达尔文：每天深度工作 3–4 小时 我们以为达尔文那种人肯定每天工作 16 小时，但事实相反： * 他一生写了 19 本书 * 提出进化论 * 影响整个人类对生命的理解 但研究发现，他每天真正的深度工作通常只有 3–4 小时。 他的作息大致是： * 早上散步 → 吃早饭； * 进书房，专注工作约 90 分钟（绝不被打扰的“冲刺时间”）； * 听家人读小说，休息一个小时； * 中午再工作一小会儿； * 其余时间用来写信、散步、小睡、阅读，把晚上留给家人。 真正震撼人的，是他那种底气： “高质量的几个小时，比漫长的伪忙碌有效得多。” 而现在很多人正好相反： * 用很长的“在场时间”， * 弥补深度工作的稀缺， * 顺便填补内在的不安全感。 总结一句： 工作质量和时间长度，从来不是线性关系。 4. 新时代的身份象征：轻松做到更多 过去，“我每周工作 100 小时”听起来像一种荣耀。 而在今天，真正的身份象征是： 用更少的时间，看似轻松地做到更多。 这靠的不是更狠的拼命，而是更高的杠杆： 用合适的工具、系统、方法，让有限时间撬动更大结果。 三、三把钥匙：从明天开始，一点点夺回时间主权 那问题来了： 对一个被锁死在 8 小时工作制里的普通人，这些会不会太远？ 我明天到底能做什么不同的事？ 关键转折点在于心态： 你已经生活在一个无需任何人许可就能开始改变的时代。 互联网给了你前所未有的工具。 决定权在于你愿不愿意改变自己的行动模式。 下面这三把“钥匙”，都是可以从明天就开始的小动作。 钥匙一：启动你的「365 小时项目」 不用辞职，也不用孤注一掷。 就从一个极小但关键的动作开始： 每天为自己的未来，投入 1 个小时。 * 每天 1 小时 * 一年就是 365 小时 这 365 小时，可以让你： * 掌握一项新技能（写作、编程、设计、剪辑……） * 启动一个副项目或副业 * 为自己搭建一个“多一条路”的新身份 前提是——这 1 小时要用在有杠杆效应的事情上： * 做一次，可以重复使用、持续放大的东西 一篇文章 一个视频 一个模板、一个小工具 而不是一次性、不可复用的体力活，比如机械回邮件。 很多人会说： “我下班就已经废了，哪儿还有 1 小时？” 所以要换个视角： 不要把这一小时当“额外加班”，而是当成“能量投资”。 当你在做的是： * 真正感兴趣的事情； * 有长期回报的事情； * 能让你慢慢摆脱“只卖时间”的事情； 这 1 小时带来的往往不是透支，而是回血。 它能缓解日常工作带来的异化感， 让你重新感到： “我在为自己的未来布局，而不是只是被安排。” 这种主导感，本身就是巨大的能量源。 钥匙二：把人生压在两大支柱上——「人」和「产品」 有了固定的那 1 小时，第二步是： 把你长期的精力，集中在**“人”和“产品”**两大支柱上。 1）“人”：建立你的部落 “人”就是建立你的部落—— * 你的受众 * 你的个人品牌 * 那一群信任你、认可你的人 你可以通过社交平台持续输出： * 经验 * 思考 * 观点和解决方案 慢慢会聚拢来一群人。 这个“部落”，是你摆脱对任何单一雇主依赖的安全垫，也是你的关系资本。 2）“产品”：创造一个可以被出售的东西 “产品”不一定是大公司、App，可以简单理解为： 一个能被别人付费的解决方案。 比如： * 一份电子书或指南 * 一门小课程 * 一次咨询服务 * 一套模板、表格、操作手册 其本质是： 你把自己的经验和解决问题的方法，封装成别人可以直接拿来用的东西。 这件事之所以关键，是因为： 如果你不创造产品，你就只能为创造产品的人工作。 别再只问“怎么赚钱”， 更实在的问题是： “我能为谁，解决什么具体问题？” 钥匙三：从解决自己一个真实问题开始，做出第一个产品 很多人卡在这里： “我想做产品，但不知道做什么。” “我不是专家，没资格卖。” 更好的起点是： 从解决“你自己”遇到过的真实问题开始。 回头看一看： * 你曾被什么问题困住？ * 你是怎么一点点解决的？ * 你踩过哪些坑？ * 有没有形成一套步骤、模板、清单？ 把这个过程打包出来，就是一个天然的产品雏形。 比如： * 你为项目管理焦头烂额，最后自己设计了一套 Excel/Notion 模板——这就是一个产品； * 你学某个软件走了很多弯路，把避坑经验整理成一份 PDF——这也是产品。 至于“我不是专家，怎么好意思卖？”—— 这就是经典的冒名顶替综合征。 真相往往是反过来： “尝试做产品并卖出去”的过程，本身，就是你走向专业的过程。 不要等自己 100% 准备好再开始，因为那一天永远不会来。 一个更可行的路径是： * 从零成本数字产品开始：一份 PDF、一个模板、一篇系统化长文； * 先做出来，丢到市场上，看反馈； * 通过这次完整的“创作 + 售卖”练习，获得的经验，比你看 100 篇创业文章都值钱。 结尾：卸载“努力 = 时长”的旧操作系统 最后帮你把今天的主线收一下： 1. 重新看待 40 小时工作周 它诞生在工业时代， 目的是方便控制和替换人， 在今天，已经变成很多人潜力的枷锁。 2. 未来属于“像狮子一样工作”的人 用短时间高质量的冲刺创造价值； 用休息和放空恢复系统、积累灵感； 用杠杆和系统搞定成果，而不是用时长证明自己。 3. 改变没有那么遥远 从每天为自己投资的那 1 小时开始； 从搭建“人（部落）”和“产品（解决方案）”两大支柱开始； 从解决一个你自己真实遇到过的问题，做出第一个产品开始。 可以把我们从小被灌输的那套观念想象成一套预装系统： “努力 = 时长”，“不忙 = 不上进”。 它就像电脑出厂自带的老系统： 稳定，但笨重，功能有限，还占资源。 很多人一辈子都没意识到： 自己有权利卸载旧系统，安装一套真正适合自己的新系统。 所以，留给你最后一个问题： 你脑子里的这套“旧软件”， 打算什么时候开始卸载？ 🌱

本源进化：这是一场泡沫，还是一场智能革命？ 开场：2025，这个时代快得让人来不及反应 Hello，大家好，欢迎朋友们来到「本源进化」。 我们来想一个场景——就现在 2025 年这个 AI 的发展速度，说实话，快得都有点让人反应不过来了。 从帮你写个邮件、总结个报告，到现在它能生成那种以假乱真的视频，感觉这个技术真的是无孔不入了。 对，而且你看，同时像英伟达、OpenAI 这些公司，市值简直就跟坐了火箭一样，蹭蹭往上涨。 所以很多人看着这个情况，心里肯定都得犯嘀咕： “这该不会又是一场泡沫吧？我们会不会又成了 2000 年互联网泡沫的亲历者，再被收割一次？” 这个问题现在真的是悬在每个人头上的。 所以今天我们就来一起深入地聊一聊，看看这到底是一场注定要破灭的狂热，还是一场真正能改变游戏规则的智能革命。 我们会从三个角度来剖析： 1. 第一，这到底是不是泡沫？ 2. 第二，这次技术变革根本的不同到底在哪儿？ 3. 第三，也是最重要的——这对我们每个人的工作到底意味着什么？ 行，那我们就从大家最关心、也最焦虑的那个问题开始——泡沫。 一、无泡沫不变革：这次是“良性泡沫”吗？ 说到泡沫，有句话我觉得特别有意思，叫： “无泡沫，不变革。” 你看历史上每一次大的技术革命，不管是蒸汽机、电力，还是后来的互联网，早期都充满了那种投机和泡沫。 跟一场狂欢一样，这几乎就是一个规律了。 其实关键点不在于有没有泡沫，而在于： 狂热过去之后，这项技术最终创造出来的价值，能不能覆盖掉泡沫时期那些巨大的投入。 说得太对了—— 如果能，那历史上就会管这叫革命； 如果不能，那就是一场骗局。 2000 年互联网泡沫破灭，根本原因就是： * 商业模式不清楚 * 大家只有故事，没有利润 * 钱烧完了，然后就没然后了 没错。这一次的 AI 热潮，很多人都担心历史会重演。 二、估值对比与现金流：这次和 2000 年不一样 我们可以从几个核心数据来对比一下，看看这次的泡沫，和当年到底有什么本质上的不同。 1. 估值：从 67 倍 到 28 倍 首先看估值，这是最直观的。 * 1999 年那会儿，互联网泡沫最疯狂的时候，科技公司的平均预期市盈率高达 67 倍。 67 倍，这已经不是投资了，纯粹就是投机了。 * 但是你看现在，即使是像英伟达、微软这些最火的 AI 公司，它们的平均市盈率大概也就是在 28 倍左右。 虽然也不便宜，但是跟当年的那种疯狂比起来，市场的理性程度要高得多了。 不过 28 倍其实也不低了。 而且他们现在赚的钱，很大一部分不还是靠以前的业务吗？ 比如说广告、云计算——有多少是真正从 AI 本身来的？我还是有点怀疑。 2. 真金白银的现金流：从“靠融资续命”到“自己造血扩张” 你这个问题一下就问到点子上了。 这就得看第二个关键点：盈利能力和现金流。 你看今天的这些科技巨头： * 那都是实打实的现金流 * 一边在进行那种天文数字级别的资本支出，疯狂建数据中心——也就是我们说的 “AI 工厂” * 另一边，他们是用自己强大到惊人的经营现金流来支撑这一切 我明白了： 他们的逻辑不是“你给我投钱，我未来也许能赚钱”， 而是“我正在用我现在赚到的钱，去投一个更庞大的未来”。 没错，这个财务基础就完全不一样了。 * 2000 年的那些公司，是靠融资烧钱续命 * 而现在这些巨头，是靠自身的造血能力来推动扩张 所以我们可以下一个判断： 我们很可能正处在一个“良性泡沫”里面。 也就是说： * 这个泡沫下面，是有真金白银的利润 * 有非常清晰的应用前景在托底 * 它不是建立在空气之上 行，那泡沫这个事儿我们算是聊明白了—— 它是个有利润撑着的良性泡沫。 这我就放心多了。 三、从工具到“数字工人”：AI 的根本转折点 哈哈，对，但这又让我更好奇了： 既然这些公司这么能赚钱，他们到底在卖什么？ 这项技术和 20 年前的互联网，到底有什么根本性的不同？ 这里就是这次变革最核心、最有意思的地方了。 你想，过去几十年我们一谈到软件，脑子里想到的就是 Word、Excel、浏览器这些东西。 它们是什么？——是工具。 对，是工具，就像一把锤子： * 你不用它，它就静静地躺在那儿 * 我们是使用者，软件是工具 * 这个关系很清楚 但是现在的 AI 正在发生一次质变： 它不再仅仅是一个被动的工具了， 它正在变成一个可以主动拿起这些工具来干活的工人。 等一下，你说“工人”这个词儿用得很有意思。 对，数字工人（digital worker）。 你的意思是： AI 不再是我用来写文档的那个 Word 了，而是变成了一个能替我写文档的助理？ 没错，那这听起来就完全是两码事儿了，是天壤之别。 四、市场天花板被掀翻：从万亿软件到百万亿劳动力 你想想这背后的市场规模。 * 全球所有软件工具的市场加起来，大概也就是万亿级别的 * 但是全球劳动力市场的规模有多大？ 那肯定大多了，是百万亿级别的 AI 的目标，不再是卖给你一个更好用的 Excel， 它是要直接增强，甚至替代人类的智力劳动。 它的市场天花板，被这个概念的转变彻底给掀翻了。 你这么一说我才反应过来—— 我们一直想着 AI 是更聪明的锤子， 但你现在告诉我，它其实是那个拿锤子的人。 对，这个区别可太大了。 五、AI 工厂 vs IT 格子间：基础设施的大迁移 这也解释了为什么英伟达他们要那么疯狂地建所谓的 AI 工厂。 没错，有了数字工人，你就得有工厂让他们开工。 所以一个非常形象的比喻就是： * 以前的 IT 投资，是建格子间装程序员 * 现在的 AI 投资，是建数据中心装数字劳动力 这是一个根本性的基础设施转移。 我听一个数据中心的设计师开玩笑说，他们现在选址首要考虑的已经不是网速了。 那是什么？ 是能不能搞到便宜的电，以及足够的水来散热。 你听着这个，是不是特别像一百多年前的那个重工业时代？ 太像了，真的是。 六、软件的下一站：AI Agent + 工具集 + Intelligence Service 那按照这个逻辑，未来的软件公司，比如说我们很熟悉的那些 SaaS 公司—— 就是我们按月付费订阅的那种，像 Office 365 或者 Adobe—— 它们会变成什么样？ 它们几乎都得重做一遍。 未来的模式会是： AI Agent（智能代理） + 数据库 / 工具集 也就是说： * 他们卖给你的，将不再是一个个独立的软件功能 * 而是一种打包好的智能服务（Intelligence Service） 你买的不是一个软件， 而是一个能帮你干活的数字员工， 甚至是一个数字团队。 这是一个巨大的范式转移。 七、四强争霸：新牌桌上的第一梯队 在这个全新的牌桌上，现在领跑的玩家都有谁？ 竞争会非常惨烈。 目前来看，第一梯队非常清晰，可以说是四强争霸： * OpenAI * Anthropic * Google 的 Gemini * 还有马斯克的 xAI 他们在模型能力上，真的是你追我赶。 那他们之间会像过去很多行业一样，是你死我活的零和游戏吗？ 八、非零和游戏：不是抢一座小岛，而是一起发现新大陆 这恰恰是另一个很有意思的观点—— 这很可能是一个非零和游戏。 因为他们之间的竞争，不只是在存量市场里抢客户， 更重要的是，他们通过一次又一次的技术突破，实际上是在不断创造和扩大一个全新的市场。 我喜欢这个比喻： 他们不是在争夺一座已知的小岛， 而是在共同发现一片前所未有的新大陆。 说得非常到位。 所以有人预测： * 未来成功的 AI 公司，不会取代我们熟悉的那个科技七巨头 * 就是苹果、微软这些公司 * 而是会加入他们，形成**“壮丽十一巨头”，甚至“壮丽二十巨头”** 大家一起把整个市场的蛋糕做得无比巨大—— 让整个饼变得更大，而不是抢同一块饼。 这个格局听起来确实不一样。 九、模型的未来：不只是“大力出奇迹” 从技术本身来看，未来 AI 模型会一直这样“大力出奇迹”、把模型做得越来越大吗？ 很可能只是一个阶段性的现象。 怎么说？ 现在模型之所以要做得那么大，一个很重要的原因是： 为了去压缩和处理互联网上那些质量参差不齐的垃圾数据。 这就像什么呢？ * 为了在一大堆沙子里找到几粒金子 * 你不得不把整座沙山都搬回家 这个效率其实很低，用笨办法解决聪明问题。 十、更优质的数据、更小的模型：像聪明学生那样学习 所以，接下来一个很重要的趋势，就是： 用更优质、更干净的数据集，来训练模型。 这样一来，我们或许就可以用更小的模型，实现更高的认知能力。 就像一个聪明的学生： * 用精心挑选的教材去学习 * 效果肯定远远胜过一个把图书馆所有书都胡乱吞进去的学生 用更优质的“精神食粮”来喂养智能。 那除了数据质量，还有别的趋势吗？ 十一、认知与记忆分离：像大脑一样的模型结构 还有一个重要的趋势是：认知与记忆的分离。 未来的模型，会进化得更像我们的人脑： * 它会有一个核心的、相对小巧的认知模块，专门负责推理和思考 * 然后把具体的记忆和技能，用外部模块的形式挂载上去 这怎么理解？能说得再具体点吗？ 就好比： * 你需要它会做 PPT，你就给它加载一个PPT 的技能包 * 需要它处理财务数据，你就加载另一个财务技能包 * 而不是把所有东西都一股脑儿塞进一个臃肿不堪的大脑里 这样不仅效率更高，也更容易定制。 十二、个人价值的迁徙：从“会用工具”到“会用杠杆” 好，聊到这儿，感觉整个事儿的脉络清晰多了，我们来试着串一下。 * 我们正处在一个有利润支撑的良性泡沫里 * 这场革命的根本转折点，是 AI 正在从我们使用的工具，变成可以为我们工作的数字工人 * 这打开了一个百万亿级的全新市场 * 而未来的竞争，可能不是你死我活，而是大家一起开拓一片新大陆 没错，而这一切最终都会回到我们每个人身上。 这种从“工具”到“工人”的转变， 将深刻地改变我们的工作。 过去，我们的核心价值体现在： * 我们能多么熟练地使用工具 * 去完成一项具体的任务 你的 Excel 玩得转，你的 PPT 做得漂亮，这就是你的竞争力。 但是在未来，当一个 AI Agent 能同时追踪 100 个客户、 一秒钟处理一千份文档的时候—— 我这点熟练使用工具的技能，好像就没那么值钱了。 是的，我们的核心价值必须迁徙。 我们的角色，可能会从一个执行者，转变成一个管理者和杠杆使用者。 也就是说： * 我们的核心能力不再是亲手操作工具 * 而是如何有效地去管理和指挥这些 AI 代理组成的军团 * 如何评估他们的工作结果 * 并且基于这些结果，做出最终的、带有我们人类智慧和责任的决策 你这个比喻特别好： 你不再是那个埋头挖战壕的士兵， 而是那个在山顶上拿着望远镜，指挥千军万马的将军。 这个比喻很贴切—— 你个人的能力，被 AI 极大地杠杆化了。 结语：当人人皆可为“将”，你要成为什么？ 所以这也给我们自己留下了最后一个，也是最关键的思考题： 当 AI 把你的个人能力杠杆从 1 倍，放大到 100 倍，甚至 1000 倍的时候， 你最需要培养的核心能力，究竟是什么？ 在一个人人皆可为将的时代， 我们又该如何定义自己那份独特的、不可替代的价值？ 这，或许就是这场智能革命，带给我们每个人的终极问题。

Hello, 大家好，欢迎朋友们来到本源进化 今天我们从一个有点离谱的故事说起。 你把一份写得密密麻麻的瑞典语车祸报告，再加上一张司机随手画的、堪比抽象派的现场草图，交给一个顶尖 AI，让它判断事故责任。 结果它特别自信地回复： “根据我的分析，这是一场滑雪事故。” 瞬间懵了—— 问题真的是 AI 不够聪明吗？ 还是我们一开始给它的指令和上下文就错了？ 这就是今天的主题： 怎么给 AI 下“准话”，让它从爱瞎联想的助手，变成一个能理解、能执行复杂任务的靠谱伙伴。 接下来我们分两层看： 1. 微观层面：一条指令，怎么从“滑雪事故”修到“精准定责”？ 2. 宏观层面：在此基础上，怎么搭出一整套可复用的AI 智能工作流，甚至是一个“AI 小团队”。 一、微观层面：一条好指令是怎样炼成的？ 1. 场景还原：车祸理赔为什么变成了滑雪？ 案例很简单： * 一家瑞典保险公司，要处理一单车祸理赔； * 手上只有两份材料： 一份是勾选式瑞典语车祸报告表； 一份是司机画的现场示意图（非常潦草）。 任务就一句话： “请分析这些材料，判断哪辆车责任更大。” 第一次尝试很“直觉”： 把两张图丢给 AI，配上这句简单指令，就等结果。 最后变成了“滑雪事故”。 核心问题不在于 AI 脑子不行，而是—— 在没有明确“这是车祸理赔场景”这个前提时，它会在自己的世界里“合理瞎猜”。 比如： * 也许识别出表格里的一个地名，恰好是瑞典滑雪圣地； * 也许把草图里的某些线条识别成了“雪道”。 对它来说，这一切是“自洽”的，但对业务来说是彻底错误。 这说明第一条铁律： 不给上下文，AI 就会用它自己的世界观给你编一个。 2. 第一步：先给 AI 一个“身份”和“工作准则” 要迭代这条指令，第一步不是写得更长，而是给它换一个“身份”。 我们在指令最前面加了一句： “你是一名协助理赔员分析瑞典车祸报告的人工智能助手。” 这一步直接把它从“无限可能的任务空间”拉回到车祸理赔这个具体轨道。 然后再给它定工作准则： “你的分析必须基于事实保持自信；如果信息不足，绝对不要猜测。” 结果立刻变了： 它不再提滑雪了，能识别出这是车祸场景，也能老老实实说： “根据现有信息，我无法判断谁是过错方。” 不再乱说了，但问题是—— 它太谨慎，帮不上忙。 3. 第二步：补上“专业知识库”（System Prompt） 为什么它还是下不了结论？ 因为它看得懂勾选框的位置，却不知道每个勾选框什么意思。 对人类理赔员来说： * 1 号框 = 停车； * 12 号框 = 倒车； * 看一眼就能在脑子里“自动翻译”。 但对 AI 来说，这些都是未知符号。 所以第二步，我们要做的就是：把“说明书”喂给它。 做法很简单： 把这张表格上所有复选框的含义，整理成一份固定的说明，作为 AI 的系统提示（System Prompt）/背景知识： 就好像先给侦探一张城市地图和一本交通规则手册，再让他去看案情。 这次再让它分析同样的两张图，它终于可以下出一个清晰结论： “根据表格信息，B 车在倒车时，与正在停车的 A 车发生碰撞，因此 B 车在事故中负有责任。” 从“滑雪事故”到“精准定责”，靠的是： 先补身份，再补知识。 4. 第三步：告诉它“先看什么，再看什么” 很多人做到这里就停了，但真正的高手会多做一步—— 把人类专家的“思考顺序”也教给 AI。 人类理赔员的习惯是： 1. 先看表格这种结构化、确定性强的信息； 2. 再拿这些确定的信息去解读草图这种模糊的、不确定的信息。 所以在最终版本的指令里，我们加上了清晰的步骤要求： 1. “第一步：请先仔细分析表格，列出所有勾选框的内容及其含义；” 2. “第二步：在完全理解表格信息的基础上，再去解读草图，并结合表格进行综合判断。” 也就是说，我们不仅告诉它知道什么（知识），还告诉它先看什么、后看什么（顺序）。 这一步，才是真正让 AI 接近“专家式推理”的关键。 小结：一条“手术刀级”指令的三要素 到这里，我们可以把**“好指令”**总结成三个要素： 1. 角色设定：你是谁、在干什么场景里的专家？ 2. 背景知识：你手上有什么领域说明书、规则、定义？ 3. 思考步骤：你打算按什么顺序、用什么方式做判断？ 当这三点都清楚了，一条指令才会像手术刀一样精准—— 不是靠形容词堆砌，而是有结构、有边界、有方法。 二、宏观层面：从“一条 Prompt”到“一个 AI 团队” 接下来是第二个问题： 如果这是一个常年反复执行的复杂任务，难道每次都要手打一大段 prompt 吗？ 显然不行。 所以我们需要从“写一条好指令”，升级到“搭一套好系统”。 你可以把一个高效的 AI 系统想象成一个由五块“能力积木”搭成的AI 团队： 1. Prompt（提示词） 2. Skill（技能） 3. Project（项目） 4. Sub-agent（子智能体） 5. MCP（模型上下文协议） 1. Prompt：一次性的“工作邮件” Prompt 就像你发给员工的一封临时工作邮件： * 描述任务； * 给一点上下文； * 得到一次性结果。 它适合“临时问一句”的场景，但不适合承载整个长期流程。 2. Skill：标准作业流程（SOP） 当你发现自己总在复制粘贴同一大段复杂指令，比如那份车祸分析指令—— 这就是该把它封装成 Skill（技能） 的信号。 Skill 是什么？ * 把一套成熟、专业的知识 + 流程固化下来； * 变成一个可被 AI 随时调用的能力模块； * 类似“公司 SOP 手册 + 自动执行”。 一旦做成 Skill，你不再需要每次都重新写那篇“小论文”。 3. Project：共享知识库与长期上下文 Project（项目）则是另一块积木。 你可以把它理解成一个项目空间 / 共享文件夹 / 知识库： * 把市场报告、产品文档、会议纪要等都扔进来； * 让这个项目中的所有对话，都可以共享这些背景。 一句话： Project 管“知道什么”，让信息在任务内持续存在。 4. Sub-agents：不同分工的“AI 专家” Sub-agents（子智能体）就是团队里的不同专家： * 比如“市场研究员”子智能体，专门负责搜集外部数据； * “技术分析师”子智能体，专门看代码、架构、技术路线； * 你把不同的子任务派给不同的 agent，让他们各司其职。 这时，AI 不再是一个“什么都干一点的全能新人”，而像是： 有市场、有技术、有法务的专家小组。 5. MCP：你的“AI IT 部门” 最后是 MCP（模型上下文协议），可以简单理解为： 负责“接外部电、接外部水”的 IT 部门。 它的职责是： * 帮 AI 打通到 Google Drive、数据库、代码库等外部系统的接口； * 管理访问权限、工具调用； * 让 AI 不只“在脑子里想”，还能查真正的数据、用真正的工具。 三、完整示例：搭一个“Q4 竞品分析 Robot” 我们用一个具体例子，把这五块积木串起来： 目标：搭一个“帮助你做第四季度竞品分析”的 AI Robot。 第一步：建 Project —— 先搭一个“知识场” * 建一个项目：“Q4 竞品分析”； * 把你已有的： 行业/竞品研究报告； 内部战略文档； 过往复盘材料； 全部上传到项目里。 这样，这个项目就有了自己的长期记忆和背景知识。 第二步：接数据源 —— 让它读到“最新现实” 通过 MCP： * 授权它访问公司 Google 云盘、文档系统； * 开启 Web 搜索权限，让它能看最新公开信息。 IT 部门等于帮它把“内网 + 外网”都打通了。 第三步：封装 Skill —— 把方法论变成工具 你把一套成熟的竞品分析方法论——比如： * 如何划分赛道； * 如何做 SWOT； * 如何评估技术/产品/商业模式； 写成结构化流程，封装成一个叫： Competitive Analysis 的 Skill 之后，只要调用这个 Skill，它就会按这套流程稳定产出分析，而不是临场发挥。 第四步：配置 Sub-agents —— 市场 + 技术配合 设定两个子智能体： * 市场研究员 Agent：擅长使用搜索工具、阅读报告，汇总外部情报； * 技术分析师 Agent：擅长看 GitHub、技术文档、API 说明，判断技术路线与壁垒。 他们都可以访问 Project 的知识库，也都可以调用 Competitive Analysis Skill。 第五步：一句话下任务，后台自动跑流程 此时，作为负责人，你只需要给出一个非常简短的高层指令： “请分析我们主要竞争对手最近上线的新功能，并找出我们的机会点。” 接下来，AI 团队会在“后台”自动运转： * Project 提供背景； * MCP 拉最新数据； * 市场 Agent 抓外部信息； * 技术 Agent 看代码与技术实现； * 所有人都按 Competitive Analysis 这套 Skill 的流程工作； * 最后把结论汇总成一份清晰报告给你。 你看到的是一份结果，背后则是一整套结构化的 AI 协作流程。 四、关键区分：Project vs Skill，本质差别只有一句话 很多人会把 Project 和 Skill 混在一起，这里用一句话帮你记住： * Project（项目）： “这是你需要知道的背景知识。” 它是静态的共享知识库，像图书馆、文件夹、知识空间。 * Skill（技能）： “这是你该怎么做这件事的方法。” 它是动态的可执行流程，像 SOP + 工具箱。 一个管 “What（知道什么）”，一个管 “How（怎么做）”。 理解了这一点，你就真正从“写好 prompt 的工匠”，升级成了“设计 AI 团队结构的架构师”。 结尾思考：教会 AI 的同时，也在重构自己 我们最后回顾一下： * 从一个把车祸分析成滑雪事故的错误开始，我们看到： 没有角色、没有上下文，AI 就会在自己的世界里“合理瞎编”。 * 通过角色设定 + 背景知识 + 思考步骤，我们学会了如何让一条指令像“手术刀”一样精准； * 然后又通过 Prompt / Skill / Project / Sub-agent / MCP 五块积木，搭出了一个可以长期运转的AI 团队模型。 最后留给你一个小问题： 当你把自己的一项重复工作“技能化”， 或者把一项复杂任务“项目化”的时候， 你是不是也在被迫把脑子里那些模糊的、凭经验在跑的习惯和判断， 第一次摊开、说清楚、结构化？ 也许，学会和 AI 高效合作的过程，本身就是一次 “把自己变得更清晰、更可复用”的过程。

Cursor：从失败中学刀法，在混乱里跑出增长 ——基于 a16z 对 CEO Michael Truell 的一次访谈整理 开场：为什么要聊 Cursor？ Hello 大家好，欢迎朋友们来到本源进化。 今天我们一起深入聊一聊 Cursor 这家公司，资料来自 a16z 对他们 CEO Michael Truell 的一次访谈。Cursor 做的是 AI 编程辅助，发展速度非常快，是业内一个现象级增长案例。我们的目标是从创始人视角看看：在 AI 大浪潮里，一个初创公司怎么定战略、如何应对疯狂增长，以及他们的招人方法为啥“挺特别、确实不易”。 你可能听说了：Cursor 的增长快到一度让大型云服务商都有点措手不及；而且他们的招聘方法也很有意思。准备好了吗？我们来仔细看看这里面有啥干货——来吧。 01 起点：两件点燃他们的事 访谈里提到，当初让他们兴奋、决定要干点事儿，主要是两件事： 1. 看到像 GitHub Copilot 这种真正有用的 AI 产品出来了，证明 AI 不是概念，真能帮人干活（对生产力工具）。 2. 对 Scaling Laws（规模律） 特别看好。大概意思是：就算没有“颠覆级突破”，只要喂更多数据、给更多算力，模型能力就会可预测地变强。这是 2021 年底—2022 年初的一个普遍判断。 很多人觉得 AI 会在各种知识工作领域搞出一堆垂直应用。没错，他们一开始也是这么想的，有个宏大的想法叫 “Cursor for X”——想给各种行业都做一个 AI 工具。但最有意思的是：他们第一个真正下场去做的，并不是后来让他们火起来的编程，反而是机械工程的 CAD 软件（极限辅助设计）。不过这个尝试很快就失败了。 02 第一次失败：Founder–Market Fit 不够 Truell 自己反思，说得很实在：核心问题就是 Founder–Market Fit 不够。虽然他们也找了不少机械工程师聊，但毕竟不是自己天天用，隔着一层，体会不到那个真正的痛点。没法真正理解人家每天的工作流程到底难在哪儿、痒在哪儿。 他甚至半开玩笑地说：当时真不如去相关公司卧底实习几个月，比自己瞎猜强。 这次失败对他打击还不小，他用了个词叫 “PTSD（创伤后应激障碍）”——当然有点夸张。但也正是这次教训，让他们明白一个道理： 你做的东西，你自己必须是那个最懂、最痛的用户。这点太重要了。 很多时候，失败的经验比成功的经验更宝贵。这次失败反而强化了他们后面的决心——于是掉头回到了自己最熟的领域：编程，回到主场。 03 回到主场：少即是多，快就是王道 回来之后，打法变得特别实际和聚焦。不像当时很多 AI 初创公司把目标定得又大又科幻（比如做“通用 AI 工程师”、从头搞个全新的大模型、或干脆重写一个编辑器）。这些听起来很厉害，但短期难见效。 Cursor 选的路很务实： * 基于现有的 VS Code 来做开发； * 目标明确：用“权宜之计”，尽快把产品弄出来（as fast as possible）。 为逼自己快，他们搞了个小花招：把每周发给投资人的进展回报邮件当成一个内部承诺机制。用外部压力来管理内部节奏——定了目标写进邮件，那就得按时完成。效果也确实不错：他们决定转向编程后没几周就搞出内部原型。最早甚至不是基于 VS Code，是自己先写了个简单编辑器；又过了几周就能给外面人用。前后也就几个月，第一个 Beta 版就上线，然后一下子就火了。这个策略在当时看，确实高明：少即是多。 他们意识到：关键是控制用户界面，也就是编辑器本身。虽然当时也有人怀疑“开发者换编辑器很难”，但他们自己团队的经历给了信心——很多人原来都是 Vim 铁粉，但 GitHub Copilot 出来后，因为太好用，大家就集体“叛变”到 VS Code。这让他们相信：只要产品足够好、效率提升足够大，用户愿意改习惯，哪怕是编辑器这种“重度工具”。 04 甜蜜的烦恼：增长引发的“Mayhem” 这之后就是甜蜜的烦恼：增长太快，带来一堆混乱（Mayhem）。 * 早期维运挑战：小团队经验有限，却要维运一个增长极快的服务，压力巨大。 Kubernetes 集群基本是现学现卖，边打仗边学习基础设施。 * 中期外部瓶颈：来自AI 模型 API 提供商。 因为 Cursor 用量太大，他们调上游 API 的量暴涨，据说甚至能占到某些 API 供应商收入的两位数百分比。这就不只是技术问题了：供应商得为你一家公司做容量规划，甚至影响他们自己的融资决策。 技术与商务的双线应对： * 技术上：多模型/多供应商并行，甚至找 **token reseller（API 额度分销商）**来分散风险、保供应； * 架构上：多云策略（AWS / GCP / Azure 都用）； * 数据库上：选择像 PlanetScale 这类面向大规模扩展的方案； * 商务上：在关键伙伴关系上投入精力，维护好上游协同。 有个画面感很强的故事： 早期某个时候，Cursor 的用户量和计算需求猛到把某个大型云服务商的后台基础设施挤爆了，服务直接中断了一段时间。更搞笑的是，当服务挂了，有人跑到他们那个当时还很不起眼的办公室窗外，贴了个 iPad，屏幕上写着“Cursor 挂了”。这画面感太强，也说明了当时增长确实太猛、关注度极高。 这放到大背景里看就很清楚：做 AI 应用对底层基础设施和模型的依赖极强。如何通过多供应商技术选型 + 商务关系去管理风险、保证增长的稳定性，本身就是一种核心竞争力。 05 招人：两天“并肩实战”的非常规打法 Cursor 在工程师/设计师招聘上的流程很“不走寻常路”。 * 通过初步筛选的候选人，直接来公司办公室进行两天的实际项目工作。 * 不是“面试官轮流轰炸”，而是：给你一个工位、一台电脑、一个相对独立的旧版代码库与开发环境，再给出几个可选的项目方向，让候选人自己挑，直接做两天。 * 他们要看的，是候选人端到端解决问题的能力、主观能动性（在指令不明确时是否会自我定义问题并推进）、产品感觉（是否考虑用户、是否有价值判断）、以及与团队的契合度。 这种方式能看到很多传统面试看不到的东西；也让候选人深度了解公司与团队的真实状态。双方都觉得对味儿，那之后的磨合期肯定更短、稳定性更高。 据说他们早期招销售也用过类似方法：给真实的销售线索，看候选人怎么跟进——虽然够狠，但很有道理。 06 “三顾茅庐”与并购：为人而来 为了挖顶尖人才，他们干过一些看起来有点疯狂的事： * 候选人拒了 Offer？他们直接买机票飞到地球另一边去当面聊。 * 当面聊还不行？他们甚至会为这个人策划几个月之后的“研究员晚宴”，目的就是把对方引到旧金山来参会，然后再公关。最后还真把人招来了。 除了“自己费劲招”，并购也是他们拿人才的重要手段（尤其在早期），就是所谓的 Acqui-hire（人才驱动并购）。 访谈里提到他们收购 Supermaven 的例子：这个团队的创始人曾是 GitHub Copilot 的核心开发者。收购他们主要看中的是技术与人才积累，与 Cursor 的能力互补。在 AI 时代，顶尖人才太稀缺了，为了团队而并购的情况越来越多。 看样子 Cursor 也在想：未来是否可以通过并购搞一个产品组合，比如一个 AI 编程工具包，把业务做大。当然，从单产品到多产品挑战很大，尤其是市场推广、销售协同，复杂度会高很多。Truell 也承认：如何把多产品的运营和交叉销售做好，他们还在摸索。 07 终局思考：衔尾蛇、iPhone 时刻与“Compute” 访谈最后有个很有意思的问题，是一个来面试的候选人问 Truell 的： Cursor 在颠覆软件开发这个行业，对吧？ 但 Cursor 本身也是用软件写的。 这会不会形成一个像衔尾蛇那样的自我吞噬与循环颠覆？ Truell 的回答挺值得琢磨： 1. 现在的软件开发，尤其是大团队协作，效率其实还很低，离被 AI 完全自动化/交互化还差得远。中间有一个特别长、特别混乱的地带，有大把可改进空间。 2. 他特别相信：AI 领域未来还会有更多类似 “iPhone 时刻” 的颠覆性变革。过去已经出现过几次，未来还会有。 所以 Cursor 的目标是： 努力成为一家能持续创造“iPhone 时刻”的公司。 如果跟不上下一波变革，最后就会完蛋。 他用了 “Compute（计算）” 这个词来概括这件事： 这既是巨大的挑战，也是这个领域最有意思的地方。变化太快了，即使微软这样的巨头也很难说能完全垄断市场；颠覆随时可能从某个角落冒出来。这其实点到了 AI 时代的创新核心：持续适应与自我变革。公司不光要应对外部竞争，还得有勇气与能力进行自我革命。也就说回了他们之前的选择：对顶尖人才近乎偏执的追求、对战略方向的高度聚焦、对组织灵活性的重视——这些都是为了维持持续变革能力打下的基础。 结尾：给我们的启示 我们跟着创始人的视角，看了一家 AI 初创公司如何： * 从一次不太成功的尝试（CAD）出发，提炼出 Founder–Market Fit 的铁律； * 用“少即是多、快即是王道”在编程主场迅速打穿； * 在“增长混乱”中用 多云 + 多模型 + 商务协同 稳住； * 以“两天实战+执念招人+Acqui-hire”构建人才密度； * 保持对未来颠覆的清醒与敬畏，逼自己持续做出“iPhone 时刻”。 这个变化极快的时代： 找到你的核心价值并死死盯住；拥抱混乱，在混乱中找机会；敢于打破常规去找人；随时准备好改变，甚至颠覆自己。 也许在 AI 时代，最核心的资产不是那几行代码，而是不惜一切代价吸引并留住那些真正有创造力、敢挑战现状的“怪才”的决心与能力。这种对人的极致投入，可能才是他们最深的护城河。

Hello，大家好，欢迎朋友们来到本源进化 今天我们来聊一个特别有意思的现象：一个公开自称“胸无大志”、理想是打打高尔夫、陪陪孩子的人，却在多变的商业战场与复杂的投资世界里，取得了令人仰望的成绩。 这不禁让人发问：我们熟悉的“成功学”是不是抓错了重点？这份看似“无为”的状态背后，真正的制胜底层逻辑是什么？ 本期我们将从他的早年经历、创办与经营企业的理念，到独树一帜的投资哲学，一层层剥开，提炼可穿越周期的普适启发。关键不是“复制他的路”（事实上也复制不了），而是理解他看问题与做决策的思维框架，以及那些始终坚守的原则。 一、企业经营的底色：本分与信任 1) “本分”的来处：一次被动摇的承诺 他早年离开一家家喻户晓、做得非常成功的学习机企业，核心原因不是钱，而是信任基础被动摇——管理层的股权激励从“3:7”变“2:8”，再到“1:9”，甚至可能没有兑现。承诺被打折的经历深刻塑造了他后来做企业的价值观。 2) 经营顺序：先做对的事，再把事做对 “本分”不是墙上的标语，而是一套先后顺序： * 先判断“应不应该做”（价值观），再讨论“怎么把效率做高”（方法论）。 * 以“是否符合用户长期利益/商业道德”为第一道过滤器，主动拒绝短期诱惑与“看似诱人但埋雷”的机会。 “本分”自然延展为诚信、用户导向、保持平常心等具体准则。 3) 愿景选择：更健康、更长久 他的企业愿景是“成为更健康、更长久的企业”，不是最大，也不是最快，而是可持续的高质量增长。 4) “不为清单”：有所为，有所不为 他明列“不赚哪些钱、不做哪些事”。例如，坚决不做OEM代工： * 因为自己的能力圈在“理解消费者、打造品牌、做差异化产品”，而非“极致成本控制与规模制造”（那是富士康等巨头的强项）。 * 这份清单不是拍脑袋，而是一次次“血的教训”后的复盘结论。每新增一条，意味着聚焦更坚决、减少误耗。 5) 用人之道：同道中人 > 单点能力 他强调企业文化是创始人品性的延展。价值观难以强行改造，因此要优先选择与“本分文化”高度契合的人。 选对人后，便充分信任、彻底授权： * 例如团队主张进军手机业务时，他本人虽有疑虑，仍放手让CEO们试，并明确结果自负。 * 背后靠的是创始人的安全感与长远观，与“事事抓在手”的控制欲文化形成鲜明对比。 6) 风浪来时：“担当”是压舱石 功能机向智能机迁徙时，他们因判断迟缓导致库存积压、现金流吃紧，差点倒下。在危机中，他提出铁律： * 公司可以关门，但不能拖欠供应商一分钱； * 不能让跟随我们的员工吃亏； * 就算倒下，也要站着倒。 这份担当极大巩固了合作伙伴与员工的信任，为东山再起打下基础。 危机后，他们反思与进化：本分不是护身符，而是在巨浪里保底线的压舱石。 二、投资哲学的核心：“买股票就是买公司” 1) 回到本质：屏蔽噪音，理解内在价值 “买股票就是买公司”看似简单，却要求屏蔽短期波动、宏观预测、目标价喧嚣与社媒噪音，把决策回归对企业内在价值的理解。 2) 两个必修层面 * 看懂商业模式与护城河：公司如何赚钱？护城河在哪、多久可持续？ 他长期重仓苹果，不是押宝下一代 iPhone 销量，而是基于**“硬件 + 软件 + 服务”的生态与极致用户导向的文化理解。什么一定会做**（如大屏 iPhone 终会到来），什么大概率不做（难以差异化的电视/汽车）。 茅台是另一例：护城在于不可复制的酿造工艺与地理环境、沉淀于高端社交场景的强势认同，以及“不需要创新反而是优势”：高端消费者要的就是“几十年不变的经典口味”。 * 看懂文化与管理层：他们的价值观、诚信、是否真正为股东着想，决定公司走多远，尤其在犯错后的反思与纠偏能力。 他曾投资GE并获利离场，但后来观察到官网对“Integrity（诚信）”的强调在弱化，据此果断退出。仅懂生意不够，还要懂人、懂文化。 3) 何为“安全边际”：理解的深度 > 便宜的价格 传统理解是“价格打折”。他认为真正的安全边际来自“理解的深度”： 你不懂的公司，即使跌到地板价也不安全。 4) “打孔机”比喻：少即是多，重仓少数高确定性 他比喻：一生中真正改变财务状况的投资决策，像一台只能打20个孔的打孔机——屈指可数，“回望自己可能连十孔都没打完”。 含义是：与其在一知半解的领域里广撒网频交易，不如把时间与资源集中到少数“理解透彻、长期确定性高”的机会，然后下重注。这需要耐心、独立思考与逆向定力。 5) 大多数人的明智之选：宽基指数基金 对没有足够时间与能力深研个股的人，他建议长期持有宽基指数基金（如标普500，S&P 500）。 6) 逆向而行与机会成本 若你深信一家公司的长期价值，其价格因非基本面因素大跌时，风险反成机会。 是否加仓取决于机会成本： * 若卖出后找不到确定性更高、预期回报更好的标的，那么继续持有或逢低增持是理性的选择。 这听上去简单，实际需要强大的心智与认知能力。 7) “时代性浪潮”的灵活参与：英伟达 & 拼多多 * 英伟达（NVIDIA）：他看见AI 将重塑未来数十年，而英伟达凭CUDA 生态与芯片设计能力占据近乎垄断的地位，创始人黄仁勋展现战略与执行力。因此以“不能错过时代脉搏”的心态适度参与。 * 拼多多（PDD）：从天使轮偶然进入，后续增持源于对其社交电商 + 低价策略被验证后的威力，以及团队对效率的极致追求。 * 仓位纪律：这类高成长但高不确定性的标的，他仓位更谨慎，以VC（Venture Capital）式心态参与，不把身家性命押上去。 归根结底：原则坚定（理解生意/文化/内在价值），策略灵活（按风险-收益特征动态配置）。 三、人生的底层观：平常心、学习力、安全感 1) “平常心”不是“躺平” 他自述“胸无大志”，其实是一种强大的内在驱动力与极致长期主义的外化： * 做喜欢的事是成功的原因，而非结果。因为“喜欢”，才愿意投入 120% 的热情、在困难前不放弃、把事做到极致，甚至把压力与挑战当作好玩的游戏。 2) 学习力：比具体知识更重要 大学教育给他的最大收获不是“多少知识”，而是掌握学习方法与“只要愿意学就一定能学会”的底层自信。 这让他面对陌生领域（从学习机/VCD到智能手机，再到如今的AI）不恐惧、不抗拒，而是主动拥抱与适应。 他以母亲拒学 iPad 为反例，指出学习意愿与好奇心与年龄无关。 3) 选择环境：顺内心、为长远 研究生毕业，他离开许多人向往的北京，选择当时相对落后的广东；不为户口福利，而是看哪里更符合自己对未来的想象。第一份工作三个月不适合就果断辞，为选择负责贯穿一生。 4) 安全感与边界：信任带来自主与成长 童年里，父母给予他不打扰式的信任，培养了独立解决问题的能力与安全感。 他强调：缺乏安全感的人难做理性判断，更难有长远眼光。 对家人与员工：边界清晰 + 边界内最大自由。这与企业中“充分信任与授权”“危机时优先保障员工与伙伴”完全一致。 四、收束：在复杂世界里主动“降维简化”的智慧 平常心让他能拨开短期利益与外界噪音（市场情绪、同行压力、媒体喧哗、对名声的执念、对速成的焦虑），把精力集中在真正创造长期价值的核心要素： * 企业：本分与用户导向； * 投资：商业模式与企业文化； * 人生：乐趣驱动与终身学习。 这是一种对复杂世界的主动简化与抓根拿本的能力，也是一种可穿越周期的深层智慧。 五、要点回看（提炼主线） * 企业经营：本分优先、信任为基、愿景求“健康与长久”；用“不为清单”守能力圈；同道中人 > 单点能力；授权 + 承担；危机中以担当稳住信任。 * 投资哲学：“买股票就是买公司”；看懂生意 + 懂人懂文化；安全边际来自理解深度；“打孔机”思维聚焦少数高确定性；大众更适合标普500等宽基指数；下行时以机会成本校准逆向操作；面对时代级浪潮原则不变、仓位更谨慎。 * 人生方法：平常心并非躺平，而是长期主义；学习力 > 既有知识；选择顺内心、重长远的环境；安全感与边界清晰让个体与组织都能成长。 六、开放式追问（留给每个人的思考） 他反复强调：投资成功的基石在于看懂公司，尤其是商业模式的竞争优势与企业文化的长期韧性。 但在AI等颠覆性技术以史无前例的速度重塑行业的今天： * 一家公司的长期优势还能维持多久？ * 赖以成功的企业文化在技术冲击下能否保持韧性？ * 对普通人与专业投资者而言，“看懂未来”是否正变得越来越难？ 若答案是是，我们该如何调整用于创业与投资的底层思维框架与操作系统？ 感谢收听本期本源进化，下次一起继续探索。

开场与目标 Hello，大家好，欢迎朋友们来到本源进化。今天聊一个正在快速改变整个科技圈的话题：AI 智能体（AI Agent）。我一直在琢磨，AI 如何从原来只是帮我们预测点东西或者写点文案，进化到现在能自己想办法解决问题，甚至还能替你跑腿办事的阶段。 本次探索目标很明确：帮你彻底搞明白智能体到底是什么、怎么运转、以及为什么说它们对未来可能那么重要。没错，很多概念和技术细节乍看像是给把想法变成应用的开发者看的，但其中的核心动机对每个人理解未来技术走向都很有启发。 什么是 AI 智能体？ 直观理解：它不再仅仅是一个出名的 AI 模型，而是一个完整的系统。 * 大脑：推理模型（Reasoning Model） * 手脚：各类工具（Tools） * 神经系统：负责指挥调度的协调层（Orchestrator） * 身体/环境：运行环境（沙箱、容器、云平台等） 因此，智能体更像一个能自己制定计划并采取行动完成你交给它目标的应用。 范式转变：以前开发者要像瓦工一样精确告诉程序每一步；现在更像导演，定方向、选演员（工具）、给背景信息（数据），让智能体去发挥。 挑战：模型的灵活性是双刃剑——强大但有时“自由发挥过头”，稳定完成特定任务变得更难控制。这就需要情境工程（Context Engineering）：巧妙引导/约束这个聪明的大脑，让它在正确轨道思考与行动，而不是天马行空。 智能体的工作循环：思考—行动—观察 智能体通常遵循一个持续循环（Think–Act–Observe Loop）： 1. 明确任务（Get the mission） 来自用户指令（例：帮我团队订上海差旅） 或系统事件触发（例：CPU 占用过高报警） 2. 审视状况（Assess context） 协调层自问：用户要什么？短期记忆里有什么？历史经验可复用吗？有哪些工具/API/数据源可用？ 3. 思考与计划（Reason & Plan） 大脑（模型）基于目标与信息制订多步计划： 例：订差旅→先拿团队名单（Roster 工具）→查日历空闲（Calendar API）→合并出行窗口→下单。 4. 采取行动（Act） 协调层按计划调用第一个合适的工具与外部世界交互。 5. 观察并迭代（Observe & Iterate） 把工具返回结果写入情境/记忆，再回到“思考与计划”，直到完成或卡住。 原文“第55步”→更正为“第5步”；“光想补左不行”→更正为“光想不行”。 客服场景例子（完整保留） 提问：我的订单号 12345 现在到哪儿了？ 智能体计划： 1. 用订单号查订单详情；2) 提取运单号；3) 用运单号查实时物流；4) 友好表述给用户。 执行： * 调用内部 API 获取订单（返回运单号如 ZYX987） * 调用物流查询工具（返回“派送中，预计今天送达”） * 生成最终回复 关键差异：这不是“知识库里搜一搜给模糊回答”的旧式机器人，而是按策略做多步行动来解决问题。 智能体能力分级（0 → 4） * Level 0｜核心大脑（Core Reasoning System） 只有模型，不联网无工具；博学但与现实世界断开。 * Level 1｜联网问题解决者（Connected Problem Solver） 模型 + 基础工具（搜索/数据库查询），能获取实时信息。 * Level 2｜策略性问题解决者（Strategic Problem Solver） 面向复杂目标，制订多步策略，依赖情境工程管理信息与步骤。 例：路线→咖啡馆搜索→“安静/四星+”筛选→尝试预订。 原文“调用电品类的工具”→更正为“调用点评类工具/平台”。 * Level 3｜协作式多智能体系统（Multi-Agent Collaboration） 由项目经理智能体拆解任务并分配给专家智能体（文案/设计/客服等），团队作战提高效率。 * Level 4｜自我进化系统（Self-Improving System） 执行中反思短板，动态创建/引入新工具或专家智能体弥补能力缺口，实现自我完善。 三大关键组件 1) 模型（Model）＝大脑 * 选择看真实业务中的推理与工具使用能力，不只看跑分。 * 常见做法：强模型做规划/决策，小模型做快响（意图识别、短摘要），组合拳降本提效。 * 多模态：用原生多模态模型，或“先用工具转文本→再由语言模型处理”。 * 需持续评估/测试/更新（Agent Ops 的一部分）。 2) 工具（Tools）＝手脚 * 信息检索类：如 RAG（Retrieval-Augmented Generation）、数据库 NL2SQL/图查询等，减少幻觉、让回答有据可依。 原文“RIG/REG”“Retrieving formation”→统一更正为 RAG / Retrieving information。 * 动作执行类：调用 API 发邮件、建日程、改 CRM；或在沙箱中生成并执行代码（安全可控）。 * 人机协作（HITL）类：关键步骤弹出确认或收集用户补充信息，增强信任与安全。 * 函数调用（Function Calling）：用清晰的工具说明书（如 OpenAPI 规范）让模型正确理解与调用工具。 原文“那魔琴是怎么知道”→更正为“那模型是怎么知道”。 3) 协调层（Orchestrator）＝神经系统 * 决定自主程度：从严格脚本到自适应伙伴。 * 形态：无代码平台，或编程框架（如 Google ADK 等）。 * 可观察性（Observability）是核心挑战：必须能追踪每一步（提示/中间步骤/调用的工具及参数/返回结果），便于诊断与改进。 * 记忆管理： 短期：当前会话/任务上下文 长期：跨会话偏好与经验，常存向量库，按需检索（RAG） 原文“绘画状态”→更正为“会话状态”。 从原型到生产：工程挑战 复杂系统设计模式 * 协作者模式：项目经理智能体拆分/分发/汇总 * 流水线模式：上游输出即下游输入，顺序加工 * 迭代优化模式：生成者 vs. 评论者双智能体来回打磨 * 人机协同模式（HITL）：关键点必须人工确认 部署与运行 * 智能体多以7×24 小时后台服务运行： 状态/记忆持久化、日志可追溯、数据隐私与合规 可选平台：Vertex AI Agent Engine；或打包成容器镜像部署到 Cloud Run / Kubernetes 原文“cuba notice”→更正为 Kubernetes。 Agent Ops：为概率性系统打造的维运方法 1. 衡量真正重要的东西（Measure What Matters） 聚焦业务价值：任务完成率、用户满意度、成本/时延、留存/转化等。 2. 用 AI 评估 AI（LLM-as-Judge） 构建自动化质量评测：准确性、事实性、遵循指令、语气风格等，并维护高质量真实场景数据集。 原文“quality instead of pascal”→更正为“以质量评测替代单纯的 pass/fail”。 3. 指标驱动迭代（Metrics-Driven Development） 结合质量分、成本、延迟、成功率做上线决策，并配合 A/B 测试。 4. 用轨迹与追踪调试（Debug with Traces） 全量记录Trajectory（提示/中间步骤/工具参数与返回），便于复盘定位问题。 原文“debug ate traces”→更正为“debug with traces”。 5. 闭环的人类反馈（Human Feedback） 收集用户点赞/踩/问题报告，转化为新测试用例，持续改进模型与评测。 互作性（Interoperability）与未来交互 * 人与智能体：从聊天到桌面操作代理、临时 UI 生成、实时语音视频。 * 智能体与智能体：探索 A2A（Agent-to-Agent） 协议以实现发现/委托/协作。 * 智能体与支付/授权：当智能体能代表你花钱，必须有强认证与安全授权（如 APP：Agent Payment Protocol、X.509 数字证书等）。 原文“X学位204”→更正为 X.509。 安全性：纵深防御的三道防线 1. 确定性护栏（Deterministic Guardrails） —— 硬规则、最高优先 单笔金额 > 1000 元必须人工确认 禁止访问公司机密级文档等 2. 推理型防御（Reasoning-Based Defenses） 训练模型抵抗提示注入 用轻量守卫模型（Guard Models）在执行前预审计划/输出 3. 身份与策略（Identity & Policy） 智能体独立身份（Agent Identity）（如基于 SPIFFE） 严格最小权限与策略授权（谁在什么条件下对哪些资源做哪些操作） 企业级大规模落地要治理“智能体蔓延（Agent Sprawl）”： 建立中央控制平台（统一认证/策略/可观测），与注册中心（内部应用商店）发现/管理/审计所有智能体与工具；兼顾成本优化与SLA 可靠性。 展望：学习与自我进化 智能体不仅执行任务，还能从经验中学习： * 记住高效工具组合、理解用户偏好反馈、适配最新政策并调整流程 * 在**模拟环境（Agent Gym/智能体训练场）**中进行大量演练与自我优化 * 前沿研究（如能自主发现/优化算法的工作）展示出创造新方法的潜力：不止自动化现有流程，更逼近能适应环境、创造知识的系统 小结与提问 * 智能体代表 AI 从“能说会道”到“能干实事”的重要进化。 * 核心机制是思考—行动—观察循环：协调层把**大脑（模型）与手脚（工具）**连接起来。 * 能力分级从 0→4，进化到协作与自我完善。 * 真正落地需要精心架构、Agent Ops 维运体系与纵深安全。 * 开放问题：当更强、更自主的智能体深度融入工作与生活，甚至能自创工具、互相协作并不断进化，人类指导与智能体自主的边界将如何变化？会出现哪些最值得关注的

情境工程（Context Engineering）：把“聪明但孤立”的模型，变成能解决问题的智能助手 开场：为什么大模型在真实场景里“翻车”？ Hello，大家好，欢迎朋友们来到本源进化。你有没有这样的经历：看发布会上那些大语言模型演示得天花乱坠，感觉什么都能干。可真到了你自己想用它解决点实际问题，比如分析一下公司内部几百页的产品文档，或者让它告诉你昨天行业里发生了啥重要新闻，它就突然“翻车”了——要么是一问三不知，要么就是极其自信地编造一些“事实”，让你哭笑不得。 这到底是为什么呢？ 明明看起来像一个很“抽象的大脑”，怎么一到用的时候就掉链子？ 这个问题的核心其实不在于模型本身够不够“智能”，关键在于它们往往处于一种断开连接的状态。想象一个拥有惊人计算能力的大脑被关在密室里： * 它没有连到你手头的具体资料； * 它也不知道这个世界实时发生了什么变化； * 甚至你上一分钟跟它说了什么，它下一分钟就可能忘了。 这种与世隔绝的状态，正是我们觉得 AI 应用效果“不行”的根本原因。背后还有一个关键限制：上下文窗口（context window）。这就像模型用来思考和处理当前任务的一块临时记忆。但这块“板子”大小有限——写满新内容时，旧的信息就会被挤掉。 这意味着重要的背景信息、之前的对话记录可能随时丢失。仅靠“如何更好地提问”（也就是优化 prompt/提示词）远远不够——这就像你只给密室里的大脑递一小张纸条，信息太有限。 真正要让它发挥威力，咱们得给它搭一个完整的外部支持系统。这正是今天的核心概念：情境工程（Context Engineering）。注意，我们不是给模型“开颅手术”去改它的神经网络；情境工程的重点是设计一套架构/系统，在最恰当的时机把最恰当的信息喂给模型：要能连外部知识库、能调用实时工具、还能赋予模型可靠的记忆力。目标是让回答基于真实相关的依据，而不是仅依赖训练数据里那些可能已过时的“库存知识”。 今天我们就来拆解：如何把一个“很聪明但却孤立”的模型，打造成可靠的、能解决手头具体问题的智能助手。 这就像从给密室里的大脑递纸条，升级到给它装上电话、连上互联网、配上秘书和档案柜。这个比喻很形象。 模块一：检索（Retrieval）与分块（Chunking） 关键挑战：怎么让模型“看到”我们要它处理的信息？ 你有一堆海量内部文档（例如十几年的技术报告、所有的客户服务记录），不可能一股脑全塞进那个小小的上下文窗口，肯定装不下。 当用户问一个具体问题，答案可能就藏在几百页文档的某一段里——如何让模型精准找到它？ 这就需要检索技术（Retrieval）：从庞大的外部信息海洋中，捞出与当前问题最相关的那几片信息“碎片”。 分块（Chunking）的工程权衡 第一步、也是非常关键的一步：把大部头文档有策略地拆分为更小、易理解与处理的单元。怎么拆、拆多大，里面的学问很大，它会直接影响后续检索的准确性与最终答案的质量。 * 切得太细（比如逐句作为一个块） 好处：更容易精确匹配关键词； 坏处：语境缺失，模型难以理解真正意思。 打比方：你问路，人家只说“向左转”，但没说在哪儿转——信息就不够用了。 * 切得太粗（一个块包含好几个段落） 好处：上下文看似完整； 坏处：一个大块可能混杂多个主题，导致其向量表征变得模糊、区分度差，反而降低检索精准度。 比喻：把苹果、香蕉、橙子打成“混合果酱”，味道混了，就很难精准识别“苹果”的特征。 结论：分块的艺术在于找到那个**“甜蜜点”**——既足够小（保证信息纯度和检索精度），又足够大（提供必要上下文）。 常见分块策略 * 固定大小切分（fixed-size chunking）：如每 500 个字符切一块，并设置重叠，避免把句子从中间切断。 * 结构感知切分（document/recursive chunking）：利用文档的自然结构（标题/段落/列表）来切。 * 语义切分（semantic chunking）：分析句子之间的语义关联，把同一子主题的句子聚合，话题明显转换时再切；得到的块内部逻辑更清晰。 预处理 vs. 后处理 * 预处理（pre-chunking）：把所有文档一次性切好并向量化入库；优点响应快，缺点灵活性差。 * 后处理（post-chunking）：先大致定位到相关文档，再针对问题动态分块；优点更灵活、可按问题优化，缺点响应时延略增。 每一步都有取舍。 模块二：记忆（Memory）——摆脱“三秒记忆” 我尤其喜欢 Andrej Karpathy 的比喻：上下文窗口像 RAM，模型像 CPU（模型很宝贵、容量有限）。记忆系统的本质，就是为模型扩展这块有限的工作内存。 记忆类型 * 短期记忆：本轮对话的内容，尽量直接放在上下文中，保证对话连贯（像我们的大脑“工作记忆”）。 * 长期记忆：更早的对话记录、用户偏好、关键事实和知识，存放在外部数据库（常用向量数据库）。 当需要“回忆”往事时，通过检索增强生成（RAG, Retrieval-Augmented Generation）把相关内容捞回来，再放入当前上下文。 进一步细分： 情景记忆（episodic memory）：记录具体事件与对话过程； 语义记忆（semantic memory）：存储一般性事实、概念和知识。 记忆管理四原则 1. 选择性存储：只存对未来交互有价值的信息，避免噪音污染记忆库。 2. 高效检索：需要的时候能又快又准地找回来。 3. 定期维护：定期回顾、修剪、提炼，删除过时/重复/错误信息，避免错误被反复提取。 4. 按任务定制：不同场景需要不同记忆架构（如闲聊问答 vs. 长期项目跟踪）。 结论：记忆系统设计，直接关系到 AI 应用能否长期稳定、可靠、智能。 模块三：智能体（Agents）与上下文卫生（Context Hygiene） 很多时候，光“能看、能记”还不够。要解决复杂问题，模型需要做判断：我现在该干嘛？信息够不够？要不要查最新数据？需不需要调用外部工具？这类需要动态决策、多步骤执行的任务，就需要“智能体（Agent）”登场。 把智能体想象为大脑皮层/总调度师： * 不再只是固定的“检索-思考-回答”； * 能按当前目标与环境反馈动态制定计划与决策； * 会判断：去记忆库搜？去外部数据库查？调用哪个工具？如果走不通，能调整策略再试。 可以说，智能体既是上下文的构建者（决定要哪些信息），也是上下文的使用者（依赖这些信息做决策）。 智能体的上下文挑战 随着轮次增多、任务变复杂，智能体的上下文管理会很“棘手”： * 上下文过载（overload）：历史对话/工具结果塞满窗口，抓不住重点； * 上下文干扰或混淆（distraction/confusion）：噪音或模糊的工具描述误导决策； * 上下文冲突（clash）：短期/长期记忆与工具结果相互矛盾而“卡壳”； * 上下文中毒（poisoning）：错误或幻觉信息进入上下文并被反复依赖，任务跑偏。 因此，“上下文卫生（context hygiene）”至关重要： 要压缩历史、过滤噪音、检测并处理冲突、溯源与纠错，保持“清醒的工作记忆”。 模块四：工具（Tools）与函数/工具调用（Function/Tool Calling） 工具是把大语言模型与真实世界/数字世界连接起来的桥梁： 查天气、查数据库、控制软件、通过 API 订票，甚至操作硬件——都靠它。 早期有人尝试靠 Prompt 暗示指令，但不稳定。真正的突破是函数/工具调用能力：模型直接输出结构化指令（通常 JSON），例如： 工具名：查询航班；参数：{"from":"北京","to":"上海","date":"明天"} 这种方式可靠、可控，降低沟通歧义。 智能体编排（Orchestration）循环 思考（Thought）→ 行动（Action：选工具+填参数）→ 观察（Observation：看结果）→ 反思（Reflection） 不断迭代，直到完成任务或判定无法完成。这与人类解决复杂问题的思维过程高度相似。 走向标准化：MCP（Model Context Protocol） 社区提出了 MCP（模型上下文协议），愿景是成为“AI 的 USB-C”。 让各类外部工具/API/数据库都按照统一协议对接模型，开发者把精力聚焦在智能体逻辑与编排策略，而不是为每个接入写一堆转接代码。这将极大加速更强大、更通用 AI 应用的诞生。 模块五：查询增强（Query Augmentation） 第一公里的理解很关键。用户自然语言往往随性、模糊、含歧义、甚至多意图。 例如：“帮我看看北京最近咋样，顺便推荐个吃饭的地方呗。”——它包含天气查询与餐馆推荐两种意图，还带口语化表达。若直接扔给检索系统或智能体，效果可能不理想。 因此，在处理之前对原始查询进行预处理与增强尤为重要：精准捕捉真实意图，并把它转成后端模块（检索/智能体）更易理解与执行的结构化指令。 常用方法 * 查询重写（query rewriting）：把口语化问题改写为清晰、结构化的形式，去掉与意图无关的闲聊噪音。 * 查询扩展（query expansion）：基于原问题生成多个语义相近的变体，扩大召回（但注意别扩张过度导致失焦）。 * 查询分解（query decomposition）：把复杂问题拆成可独立处理的子任务（如“北京天气”与“餐馆推荐”）。 * 查询智能体（query agents）：既懂自然语言，也理解后端数据模式（schema），可动态生成SQL等精确查询；还能评估返回结果的相关性，不满意则自我调整策略重试。 模块六：提示工程（Prompt Engineering）与情境工程的关系 * 提示工程：关注与大模型对话的最终指令文本（prompt）——如何清晰表达意图、格式、风格，让模型更准确地按模板输出、减少误解。 * 情境工程：关注宏观系统层面——围绕模型构建其运行所需的外部信息环境与交互架构：检索、记忆、智能体、工具、查询增强等。 比喻：情境工程像是搭舞台与后台系统；提示工程像是指导台上演员（LLM）的语气/表情/台词。两者相辅相成、缺一不可。 事实上，情境工程里也包含提示工程元素——比如为工具写清晰准确的工具描述（tool description），直接影响智能体能否正确理解与选择工具。 常用提示技巧 * Chain-of-Thought（CoT，思维链）：在提示里要求“一步步思考（Let’s think step by step）”，显著提升多步推理任务的准确度。 * Few-Shot Prompting：在指令里给出若干输入-输出范例，帮助模型对齐格式/风格/约束（模板化输出、风格迁移等场景尤为有效）。 * Tree-of-Thoughts（ToT）：探索多条推理路径再择优。 * ReAct：把思考与工具行动紧密结合，边想边做。 总结：从“用 AI”到“为 AI 设计世界” 我们正在经历一个重要转变：从“作为用户去提问下指令”，到“作为架构师去设计与构建 AI 所居住与感知的信息世界”。 一个真正强大的、能解决复杂问题的 AI 应用，其核心竞争力未必只在“底座模型多大多聪明”，更在于围绕模型搭建的情境工程系统是否精良、高效、可靠、可复现。 思考题：当你不再满足于“使用 AI”，而是开始为它构建外部大脑与感知系统（检索、记忆、智能体、工具、查询增强、提示工程），这会如何改变你解决问题的方式与可达高度？ 当 MCP 等标准化协议日益成熟与普及，我们又将看到哪些今天仍难以想象的全新 AI 能力与应用场景涌现？ ——感谢收听本期《本源进化》，我们下期再见。

从 RAG 到 Agent Memory：AI 如何从只读走向读写与“会记住你”的对话 开场：换个角度理解“AI 的记忆” Hello，大家好，欢迎来到「本源进化」。最近你可能经常听到：AI 有短期/长期记忆，甚至还分什么程序性、情景性、语义性记忆。听着有点复杂？今天我们换个角度，不纠结定义，从你更熟悉的技术路径讲起——RAG（Retrieval-Augmented Generation，检索增强生成）。 沿着这条线，我们看看 AI 如何从“只会帮你找资料的小助手”，一步步进化到更会即兴、更能学习、还能记住你的伙伴。准备好了吗？出发。 一、朴素 RAG：一次性、只读的“找资料 + 参考” 最早的语言模型像一个学得不错但记性一般的学生：只记得“训练时写进参数里的知识”（参数化知识）。问到新信息或教材外的具体事，它就容易不知道。 于是大约在 2020 年前后，大家提出了 RAG： * 离线准备（Offline）：把最新报告、公司文件、个人笔记等处理建库，常用向量数据库按“语义相近”存取。 * 在线检索（Online）：用户提问 → 先去外部知识库检索相关片段 → 把“问题 + 检索到的片段”一起交给大模型参考作答。 价值：显著降低幻觉，在实时信息/垂直知识问答场景里效果明显。 核心局限： * 一次性只读：基本每问必查；通常只查一次，不评估“是否靠谱/是否足够”；且只面向预设的单一知识库，不灵活。 * 后果：遇到多步推理/跨源核验问题，或检索命中不准，答案质量仍不稳定。 直观比喻：像给模型递一张小抄。它不能挑、不能换、看完就忘；下一次还是得从头来。 二、Agentic RAG：让“检索”成为按需调用的工具 下一步，登场的是 Agentic RAG（能动式/自主式 RAG）。升级点在于： 检索不再是“写死、默认执行”的固定环节，而是一个可选工具，由更聪明的 Agent（智能体）来决定是否需要、何时调用、调用哪一种。 关键改进： 1. 有了基本决策：先判断“凭参数化知识能否回答”，再决定要不要查。 2. 多源选择：可选内部知识库、公网搜索、特定数据库/API等；来源更灵活。 3. 结果评估与整合：拿到命中文档后，会评估相关性/可信度，再决定如何融入回答。 流程更像“研究助理”： 思考 →（若需要）调用检索工具 → 评估/整合 → 生成答案。 相比朴素 RAG，它更策略化、更贴近人类解题思路。 但仍有一个硬限制：对外部知识库，本质依然只读。 也就是说，Agent 会“读”并“用”外部信息，但无法在对话过程中把新信息写回知识库；学到的东西下回未必还能用（除非人工更新）。 三、Agent Memory：从“只读”到“读写”，AI 开始记住你 真正的跃迁发生在 Agent Memory（智能体记忆）：写能力被引入流程。 具备记忆的 Agent 不仅能读取（检索外部知识），还可以在互动中动态地“写入/更新/删除”自己的外部记忆库——把有价值的信息长期沉淀。 直接带来的变化： * 从“孤立对话”到“连续成长”：每次互动不再是“从零开始”，Agent 会继承以往经验。 * 更深的个性化：记住你的偏好/习惯/计划（如“喜欢简洁回答”“下周去北京出差”），在后续对话中主动适配。 * 写入策略（示例）： 存完整对话记录或自动摘要； 识别偏好/事实并写入记忆条目（如“偏好先给结论再给依据”）。 简言之，Agent 不仅会在需要时调用检索工具去读，也会在“发现新信息”时调用记忆工具去写。系统开始形成一个关于世界、也关于你的动态知识与经验体系。 四、超越线性：更像“人脑”的多类型记忆与治理 上面的“三段进化史”是理解框架。但在真实系统里，记忆远比线性模型复杂： 1）多类型记忆（职能分工） * 程序性记忆：对操作/风格/习惯的掌握（如“这位用户偏爱正式语气、需要要点式输出”）。 * 情景性记忆：对具体事件/对话片段的记录（如“昨天下午 3 点问过 XX 价格”）。 * 语义性记忆：对客观事实/通用知识的沉淀（如“地球是球形”）。 * 原始日志：最原始的会话全文备份，作为必要时的回溯底座。 2）记忆治理（Memory Governance） 核心问题是：记什么、留多久、怎么找、怎么忘。 * 筛选与强化：哪些成为核心长期记忆，哪些只是短期缓存。 * 时效与过期：对过时/失准信息进行降权或清除。 * 遗忘机制：避免“记忆库膨胀”和“噪声侵占”，让系统保持稳定与可控。 * 污染防护：防止误解/攻击性输入被固化为“错误记忆”。 五、三阶段核心差异（速记版） * 朴素 RAG 知识库：离线准备 检索：固定、基本每问必查、只查一次 写入：无（只读） 对话延续：弱（次次从头来） * Agentic RAG 知识库：离线为主 检索：按需调用、多源选择、带评估整合 写入：无（仍是只读） 对话延续：一般（策略更优，但不沉淀） * Agent Memory 知识库：在线可读/写/改/删 检索：按需 + 多源 + 评估整合 写入：有（动态记忆：偏好/事实/摘要/原始日志） 对话延续：强（连续学习与个性化） 六、机会与风险：潘多拉魔盒也需要“使用手册” 机会： * 学习性：越用越懂你，任务完成度与效率持续提升。 * 个性化：对偏好/语境/历史的理解不断加深。 * 自治度：形成可自我更新的知识与经验库。 风险与挑战： * 记忆污染：误解或错误信息被错误固化，后续持续带偏。 * 治理复杂度：何时写入、写入质量门槛、如何索引/裁剪/过期、何时遗忘。 * 边界与合规：隐私、权限、可解释性与安全需要制度化设计。 七、总结：从“检索什么”到“如何管理自己的记忆” 我们沿着 RAG 的脉络，看到了 AI 信息处理关注点的迁移： 1. 朴素 RAG（Retrieve）：重点在如何把信息找出来。 2. Agentic RAG（When/Where to Retrieve）：重点转向是否需要检索与去哪检索。 3. Agent Memory（Create/Read/Update/Delete Memory）：焦点落在信息如何被动态管理，即创建/读取/更新/删除自己的记忆。 当 读写记忆成为能力拐点，AI 不再只是“被动问答机”，而是在与你的每次互动中，主动构建并维护一份关于你与世界的“活的记忆”。 结尾的两道思考题 * 既然我们在赋予 AI 动态写入与管理记忆的能力，该如何设定规则与边界，确保被记住的内容准确、有益、符合人类价值？ * 对一个能不断学习的 AI 来说，遗忘扮演着怎样的角色？为什么“学会忘记不再相关甚至有害的信息”，可能和“学会记住”同样重要？ 感谢你的阅读，我们下期继续一起深挖更有价值的洞见。

本源进化｜AGI 主线与未来两年最重要的线索 开场：为什么此刻必须重新理解 AGI Hello，大家好，欢迎来到本源进化。你有没有感觉，最近世界像被按了快进键？尤其是 AI——几乎每天都有新消息，科幻片里的场景仿佛正在靠近。 **AGI（通用人工智能）**原本看似遥远，现在已在门口。但信息嘈杂：**未来 1–2 年真正的主线是什么？该抓住哪些核心变量？**今天，我们就一起把这些关键信号从噪音里拎出来。 一、智能是终极应用：从 Chatbot → Agent → Reasoner → Innovator 要理解这场变化，先看“智能的梯子”： * 能聊天的 Chatbot * 能执行任务的 Agent * 会推理的 Reasoner * 可能出现的 Innovator（创新者）、Organizer（复杂系统管理者） 我们大致还在梯子较低的位置。每一次智能水平的跃迁，才是真正解锁后续应用的钥匙。 二、主线 1：预训练决定上限，后训练只是在“调校” 一个反直觉但关键的判断： 预训练几乎决定了模型智能的上限。 只有足够大规模与高质量的预训练，才能涌现出我们意想不到的新能力。后续的 RL 及其它 Post-training 更像是“把潜力发挥到上限”，但很难突破预训练时设定的“天花板”。 结论：**预训练的空间还很大。**下一代顶级模型的综合能力仍会显著超越当下。 三、巨头分化：OpenAI vs. Anthropic（“苹果系”与“安卓系”的类比） **OpenAI：**像“AI 时代的苹果”。 * 目标：把 ChatGPT 打磨成十亿级用户的杀手级应用。 * 路线：更封闭、更注重体验与端到端能力；在 Coding 能力上投入极深。 **Anthropic：**更偏 B 端 / 开放生态。 * 目标：通过强化推理与更开放的生态（如 Claude 体系）服务开发者与企业。 * 路线：底层强调可控性与安全性，鼓励生态应用在其能力之上生长。 现实中，OpenAI 依然强势领先（用户粘性与产品节奏极快），但 Anthropic 的追赶超出很多人预期。 未来是否会形成“苹果 vs. 安卓”式双雄格局？值得长期跟踪。 四、新物种：Online Learning 在线学习与自主探索 不只是“能上网查资料”。关键在于： * 自主探索：像人一样带着“好奇心”去试错； * 内化知识：把探索到的经验变成自己的能力； * **奖励模型（Reward Model）**设计：让模型在正确探索上获得正反馈。 潜在落地：更懂你的内容平台、教学助理，甚至能自提出假设并做研究的“AI 科学家”。 五、最大机会：从“AI 编程”到“任务引擎”的两幕剧 第一幕：解放专业开发者（Coding Agent） * 从 Copilot → 能独立完成端到端开发任务的 Agent； * 像“工程同事”一样，与程序员协作，潜在地把软件开发效率放大 10–100 倍。 第二幕：任务引擎（面向 10 亿级知识工作者） * 不会编程也能用自然语言描述需求，AI 自动生成 / 部署 / 运行个性化“小软件”； * 大量一次性、临时需求被自动化满足，软件开发全面“民主化”。 要点能力突破： * 长程推理（为远目标规划多步策略并执行）； * 工具使用（熟练调用外部软件与数据接口完成任务）。 有观察称：Agent 处理任务复杂度的能力约每 7 个月翻倍（甚至加速到 ~4 个月）。 六、AI for Science：科研范式的跃迁 AI 不只处理海量数据（基因组、蛋白结构等），更开始理解复杂关系并提出假设、设计实验。 对现实世界的影响： * 新药研发周期可能显著缩短； * 研发成本显著下降； * 癌症早筛等关键场景准确率明显提升； * 罕见病个性化治疗更可及。 AI 正从工具，变为“科学合作者（Co-Scientist）”。 七、机器人：或将迎来自己的 “GPT 时刻” 过去的瓶颈正在同步被攻克： * “眼睛”：机器视觉成熟； * “手脚”：运动控制与工业供应链完善（中国供应链尤为关键）； * “大脑”：大模型带来高层决策与推理。 当前核心挑战：高质量动作数据 的获取与训练循环。一旦“数据 × 模型”的飞轮转动，人形机器人率先替代简单重复劳动，再逐步扩展到更复杂任务，市场空间极大。 八、要跑起来，必须有“Agent 基建” 像互联网需要“服务器 / OS / 浏览器”，Agent 规模化也需要一整套新基建： 1. 运行环境（Agent Environment） 为 Agent 量身打造的安全、隔离、可观测、低成本、长时稳定的执行空间（如云端隔离环境 / 轻量虚拟机）。 2. 原生工具（Agent-Native Tools） 可被程序直接调用的浏览器、搜索、数据库、API 工具箱； 甚至出现 Agent 的“应用商店 / 工具市场”。 3. 安全与治理（Agent Security & Governance） 从静态权限转向意图理解 + 零信任； 实时校验、行为审计、合规管控； Agent-to-Agent 通信与结算层的机会。 九、垂直行业智能体：今年已是“元年” 成功要点： * 深度嵌入现有工作流，能够采取行动、真正“干活”； * 在 客服、医疗、营销与增长等 ROI 可量化、流程标准化、付费能力强的领域率先突破。 本质：替代部分人力 → 带来可计量的成本下降或收入增长 → 形成可持续商业闭环。 十、超级公司想象：万亿美金的再定义 回顾微软 / 英特尔、苹果 / 谷歌 / 亚马逊 / Meta 的崛起，AGI 的价值创造或将远超前几波技术浪潮。 可能出现的新巨头： * 任务引擎 / Coding Agent 平台（AI 时代的新 “Google”）； * Agent OS / Agent Network / 运行环境巨头（类 “AWS”）； * AI for Science 医药巨头； * 下一代 Office / Windows 级别的生产力平台。 二级市场亦有相应风向指标（如 AGI 主题指数）体现增长预期。 十一、今日要点回顾 * 主驱动：预训练继续抬升基础智能上限； * 新物种：在线学习、自主探索； * 两幕剧：Coding Agent → 面向大众的任务引擎； * AI for Science：科研 × 工业化的范式跃迁； * 机器人：数据 × 模型飞轮带来“GPT 时刻”； * Agent 基建：运行环境 / 原生工具 / 安全治理共振； * 商业化：垂直 Agent 率先落地，ROI 驱动付费； * 资本想象：多个赛道孕育超大体量新巨头。 十二、最后的终极问题：AI 对齐（Alignment） 当 Agent 能长程规划、自动执行、甚至自写代码自我改进，我们怎样确保其目标长期与人类福祉一致？ 这不是纯技术问题，还涉及伦理、法律、社会结构与治理。 持续思考、建立护栏，与智能共同成长，才是我们真正要面对的时代命题。 —

Hello，大家好，欢迎来到「本源进化」 你有没有想过这么一件事：一家公司的估值超过420 亿美元，连续 8 年盈利，年利润33 亿；而它的创始人在最开始拿着商业计划书四处寻求投资时，竟然被拒绝了一百多次。 今天我们就来聊聊这家公司的名字——Canva，以及它那位非常特别的联合创始人 Melanie Perkins。 这不是单纯的“创业神话”。更重要的是：一种不那么常规的思维方式，如何在资源几乎为零时，把“远见”和“韧性”变成真正的驱动力。Perkins 不只是建了一家公司，她更像是在证明——把宏大的社会理想写进公司基因，是可以成立的，甚至更有力量。 一、先定“终局”的思维：B 计划思维 大多数人做计划，会先看手里有什么：多少钱、多少人、能干什么——由此推演能做成什么（这就是“A 计划”）。 而 B 计划思维，反过来：先完全放下现有约束，设想最理想的未来状态——那个“魔法城堡”的样子，然后倒推回来：为了抵达那里，今年/明年/后年分别该做什么？这就是“以终为始”。 放在 Canva 上：如果用 A 计划看，Perkins 当时只是大学生，没经验、没团队、没钱——大概率什么也做不成。可她的 B 计划非常坚定：未来的设计与出版一定会在线化、多人协作、极简易用。技术与商业模式细节尚未明确，但“魔法城堡”已经在心中树立。 二、从模糊到可执行：把“丑娃娃”养漂亮 任何了不起的想法，最初都不清晰、不完美，甚至“拿不出手”。Perkins 打过一个生动的比喻——这就像一个需要你耐心照料的“丑娃娃”。 关键不是丢掉它，而是持续提高清晰度： * 先把脑子里的想法写下来，哪怕几句话； * 做个简单 PPT； * 画草图； * 搭一个最小可行原型（MVP）； * 不断加细节、做验证，把“天上的城堡”一点点拉到地面上。 B 计划定目标，从混乱到清晰给出一步步落地的路径。 三、敢定“配不上的目标”：疯狂大目标 Canva 的使命是：“赋能世界的设计力量”。这听起来“太大”“像口号”。但正因为够大，团队会始终觉得“我们还不够好”，从而被迫跳出舒适区、持续学习与进步。 为了避免“只喊口号”，他们把“疯狂目标”拆成清晰的战略支柱与年度挑战目标。例如三大支柱： 1. 让用户能设计任何东西； 2. 支持所有语言； 3. 在所有设备上无缝使用。 围绕支柱再拆解为可度量的阶段目标：从社媒图片 → 幻灯片 → 文档 → 网站 → 白板 → 视频……不断填满版图。同时，用富有仪式感的庆祝强化团队成就感——完成里程碑时，他们真的摔过希腊盘子、放过鸽子。看似“好玩”，实则是在长征路上给每一步赋予意义。 四、把拒绝当磨刀石：反脆弱的反馈利用 Perkins 曾被拒投一百多次。她的处理方式，不是“硬扛”，而是把每次拒绝当成免费的咨询： * 投资人说“市场太小”？——回去加一页 PPT，用数据与案例论证潜力； * 说“跟某公司差不多、没差异”？——再加一页，画清市场格局，标注 Canva 的差异与空白点。 像海绵一样吸收外部质疑，迭代叙事与方案，把商业计划磨得锋利。 拒绝，反而成了增长的催化剂。 五、最痛的两年：为长期确定性而重写前端 Canva 曾做过一个极其艰难却关键的决定：彻底重写前端。 目的： * 不同设备（桌面/移动端）体验一致； * 支持复杂语言（如阿语、希伯来语等从右向左书写）； * 实现多人实时协作的底层能力。 他们原本估计“半年”，结果做了两年。对一家靠产品驱动增长的公司而言，这意味着长期对外“无感”的黑暗期。为了可视化进度、维持士气，团队发明了“小黄鸭看板”：用不同颜色的小鸭子代表不同模块，每周挪动小鸭，把“微进展”变成看得见、摸得着的成就。 这两年的“阵痛”，换来的是之后的爆发式增长的技术底座： 支持上百种语言、设备一致性、实时协作、以及支撑庞大工程团队协作的可扩展性。 成长不是直线，有时必须拥抱破坏式重构，以短期痛苦换长期健康。 六、两步计划：商业价值与社会价值的正循环 Two-Step Plan： 1. 建立全球最有价值的公司之一； 2. 尽我们所能，做最多的好事。 与常见的“先做大、再行善”不同，Canva 把两步并行。最直接的例子：创始团队把约 30% 的个人股权捐入 Canva 基金会，直接面向全球性社会议题。 他们与 GiveDirectly 合作，在马拉维等地直接现金转移：让孩子能继续上学、能就医、能改善居住，或开启小生意。Perkins 说，亲眼看到这些改变，是最有意义的花钱方式。 此外，Canva 面向全球学校与注册非营利机构提供高功能版本的免费使用（Canva for Education / for Nonprofits）。这不仅是 PR 或慈善，更在反哺增长飞轮：员工为影响力感到自豪，用户因门槛降低而涌入，社会价值与商业价值互相促进。 七、在增长中“做自己”：保持本真 公司从几十人到几千人，管理问题汹涌而至。Canva 也尝试过“移植硅谷最佳实践”，但常常水土不服。Perkins 的比喻很形象：你想建一幢有自己风格的房子，却去拆别人家的砖来用，风格会走样。 因此，他们转向基于自身阶段与文化的原生方法论，长出适合自己的系统。 总部位于悉尼，反而远离了“技术圈同温层的喧嚣与焦虑”，让他们更容易保持独特性与专注。 八、创始人的自我管理：可持续的高能状态 Perkins 坦言，早期她也“拼命三郎”。但公司步入正轨后，她开始给自己画界限： * 手机不上工作 IM/邮箱，合上电脑就真正抽离； * 散步、瑜伽、写日记成了“给大脑充电”的日常； * 距离与慢下来，并没有降低效率，反而提升决策质量与心智稳定。 在高变环境里，领导者的长期健康、情绪稳态、清醒认知，比短期“猛冲”更重要。 九、总结：把远见、方法与价值观拧成一股力 回顾今天的要点： * B 计划思维：从理想终局倒推当下行动； * 从混乱到清晰：把“丑娃娃”一步步养漂亮； * 疯狂大目标：用不舒适的目标驱动学习和突破，并拆成可执行的战略支柱 + 年度挑战； * 反脆弱：把拒绝当“免费咨询”，迭代到更锋利； * 技术重构：为长期确定性付出短期痛——“小黄鸭看板”守住团队士气； * 两步计划：商业与社会价值的正向飞轮； * 保持本真：不盲从“通用最佳实践”，生长出自己的方法； * 创始人自我管理：以可持续方式维持长期高能与清醒。 十、留给你的两道思考题 1. 试试 B 计划思维：先忘掉当下约束，写下你心中最理想的“魔法城堡”，再倒推到今天——你能迈出的第一个小而具体的步子是什么？ 2. 设计你的Two-Step Plan：不论规模大小，如何让你的努力同时实现个人成长与对世界的一点点改善？或许第一步，就是像 Perkins 的“2050 愿景墙”那样，先把心中的美好写下来。这本身，可能就是改变的起点。 ——感谢你的收听，我们下次继续深入探讨。

本源进化｜这是 AI 的“阿波罗时刻”吗？——从摩尔定律到加速计算的全面转向 开场 Hello，大家好，欢迎来到「本源进化」。 很多人一提 AI，会先想到 ChatGPT 这样的聊天机器人：好玩、能写邮件。但我要说，我们可能正站在一场堪比“阿波罗登月”的技术大变革起点上——人工智能正像水和电一样渗透进通信、科研、医疗、工业制造，甚至影响未来几十年的国家竞争力。听上去像科幻？这正是英伟达近期勾勒的计算未来。今天，我们一起聊聊这场被称为**“新工业革命 / 新计算革命”的核心究竟是什么，它会如何具体影响到你我每个人**。 01｜“阿波罗时刻”意味着什么？ 这个比喻在暗示：这不仅是技术的进步，更是系统性工程与长期投入，某些环节甚至需要“举国体量”的组织能力。英伟达把自己定位为这场变革的**“火箭引擎”**——它传递的核心信息是：计算的底层范式正在改变。 02｜摩尔定律放缓 & 丹纳德缩放失效 我们熟悉的“往芯片塞更多晶体管”的摩尔定律，脚步在放缓。更关键的是**丹纳德缩放（Dennard Scaling）**失效： 晶体管变小但功耗密度不再保持不变——热与能耗成为瓶颈。 结果是：仅靠缩小工艺来提性能变得又难又贵，行业需要新引擎。 03｜答案之一：加速计算（CPU + GPU 的专业分工） 可以把 CPU 想成公司里的“CEO”，不该事事亲力亲为；而 GPU 擅长大规模并行任务。加速计算的本质是专业分工： * GPU干擅长的海量并行计算； * CPU专注逻辑与控制； * 系统整体效率被显著抬升。 但关键不仅是硬件，软件生态才是决胜点。 04｜英伟达的长期护城河：CUDA 生态 很多人常听到的 CUDA，可以把它理解成面向 GPU 的“操作系统 + 编程语言”组合。没有它，GPU 再强，开发者用不起来。 英伟达近 30 年持续投入，形成“硬件 + 软件 + 生态”的三位一体壁垒： * CUDA 基座降低调用并行算力的门槛； * 面向行业的专业库进一步释放威力（下面举例）。 05｜行业工具库的“钥匙串” 英伟达围绕 CUDA，给各行业准备了开箱即用的加速“工具箱”： * cuLitho：服务于芯片制造（台积电、三星等）光刻工艺优化，直接影响产能与成本。 * Clara：面向医疗影像与生命科学的 AI 加速，加快新药研发与疾病诊断。 * Aerial：面向5G/6G 无线网络的加速平台。 * cuQuantum / CUDA-Q：面向量子计算的混合计算与仿真工具链。 结论：他们卖的不止是芯片，更像是“可落地的新型计算能力服务包”，而且按行业量身适配。 06｜需求爆炸：AI 工厂（AI Factory）的逻辑 当下 AI 面临双重指数增长： * 模型更大更聪明（预训练、微调、推理需求激增）； * 用户规模快速扩张。 传统数据中心的通用计算跟不上，英伟达提出**“AI 工厂”**： * 目标极纯粹：以最低成本生产 AI 的“Token”（可理解为 AI 生成/理解信息的基本单位）。 * 类比发电厂降电价：AI 工厂要持续降低每个 Token 的生产成本。 07｜Blackwell 架构与“极限协同设计” 英伟达最新的 Blackwell 不是“常规换代”，而是从芯片到系统到软件的全栈协同： * 芯片架构 / 制程工艺； * 整机系统设计 / 高速互联（NVLink）； * 上层库与训练方法 / 具体应用场景， 一体化极致优化，把每份性能都榨干。 效果（官方表述方向）： * AI 推理性能量级跃升； * 单 Token 成本显著下降； 这就是摩尔放缓背景下仍实现“近指数级”的系统性进步。市场因此狂热，英伟达释放了未来数千亿美元级的订单预期，并强调美国本土制造。 **注：**下一代路线图已对外提及“Rubin”（更强、能效更优、节奏更快）。 信号非常清晰：AI 算力竞赛是一场持久马拉松，系统性创新正在进一步拉开差距。 08｜横向外拓：6G 通信 & 量子计算 （1）6G / RAN） * 与诺基亚等合作，推动基于 GPU 的 RAN（无线接入网）： AI-for-RAN：提升频谱效率、覆盖与速率； AI-on-RAN：在基站侧直接提供 AI 推理能力，让自动驾驶、工业控制等低时延应用就地处理。 基站 = 小型边缘 AI 计算中心，通信与算力深度耦合。 （2）量子计算 * 借助 cuQuantum / CUDA-Q 与 NVLink 等互联，把 GPU 超算与 **量子处理器（QPU）**连接， * 让 GPU 参与量子纠错与混合仿真， * 加速量子应用更快可用。 该方向获得 DOE（美国能源部）/ 国家实验室等机构支持，并在新一代 AI 超算中心落地。 09｜AI 的角色转变：从“工具（Tool）”到“劳动力（Work）” 传统软件（如 Office、浏览器）是工具，需要你学会使用，再自己动手完成。 而 AI 的目标是直接把活儿干了： * 写代码的 Cursor； * 复杂检索与行程规划的 Perplexity； * 未来真正可用的 Robotaxi（自动驾驶出行）。 这不是“提效工具”升级，而是“劳动力形态”的改变——触达的是万亿级服务与劳动力市场。因此你会看到： * 与 Palantir 提速数据洞察， * 与 CrowdStrike 强化网络安全， * SAP / ServiceNow 等企业软件巨头深度整合。 AI 正从“锦上添花”变为企业运营的“新引擎”。 10｜从数字世界伸向物理世界：Physical AI 要让 AI 理解物理规律并与现实交互，需要三块算力底座协同： 1. 训练大脑：如 Blackwell 级别的超算训练通用/具身智能； 2. 仿真世界：在 Omniverse 的数字孪生里做海量安全训练与测试； 3. 嵌入终端：在机器人本体/边缘侧进行感知-决策-控制的推理（如 Jetson 平台家族）。 真实案例： * 智能工厂：富士康为英伟达建设的“AI 系统工厂”，先在 Omniverse 中全流程仿真，再现实部署，人机协同效率更高。 * 人形机器人：如 Figure AI 的演示进展、迪士尼的高拟真特种机器人等，很多技能训练在仿真环境完成。 * 自动驾驶 / Robotaxi：英伟达 DRIVE Hyperion 提供传感器套件 + 中央计算平台的标准化车载方案，并与 Uber 等出行网络合作，直连规模化运营。 11｜总结：两大转变构成“新计算时代”的主旋律 第一重转变： 从依赖摩尔定律的通用计算 → 依靠架构创新与软硬协同的加速计算。 英伟达凭借 GPU + CUDA 生态占据先机。 第二重转变： 从软件=工具 → AI=劳动力，直接产出可计量的工作成果（Token、任务、工序）。 借助极限协同设计，Blackwell → Rubin 等路线图为 AI 的指数式演进持续供能；同时在 6G、量子、企业服务、机器人/自动驾驶等领域横向扩张，构建一个由 AI 全面驱动的新技术底座。 12｜更大的图景：产业与地缘 这不仅是某家公司的商业胜利，更可能重塑全球科技格局与产业分布。英伟达强调美国本土制造、与国家级科研与龙头企业深度绑定，正是这种趋势的缩影。 13｜留给你的思考题 当 AI 越来越能“直接干活”，甚至拥有“身体”与物理世界深度互动时： * 哪些人类能力将变得更稀缺、更珍贵？ * 我们该如何升级认知与技能，更好拥抱这个加速到来的未来？ 感谢收听，我们下期见。