分类 默认分类 下的文章

周末在老家,晚了点发。

本周观影

  • 孤独的美食家 除夕特别篇~ 最后一食!濑户内出差篇:工作、美食、工作、美食,无限循环到年底
  • 星球大战前传1:幽灵的威胁:大致了解了整个来龙去脉了,安纳金、阿米达拉、欧比旺和奎刚,以及首相是如何上台的
  • 深夜食堂:东京故事 E01/02/03:暖

看的这些个影剧都不错,有时候人感觉无聊或情绪低下,对我来说看片是个非常好的有效缓解情绪的手段。

本周播客

本周文章

AI chatbots are becoming lifelines for China’s sick and lonely - Rest of World

My mom and Dr. DeepSeek 我妈妈和 DeepSeek 博士 - In China and around the world, the sick and lonely turn to AI. 在中国和世界各地,病人和孤独的人转向人工智能。

看了有点温暖和激励,科技的力量,至少真切的解决了部分人的问题,有了另外一种可能性,真好又看到了这篇记录一下 AI 在医疗领域应用的实际体验 | 虹线,类似内容谈的都是医疗方面 AI 的使用。

谈谈 AI 编程工具的进化与 Vibe Coding

基于原文的内容,Andrew Karpathy 对于 vibe coding 的定义我认为有几个关键点:
forget the code even exists -> 忘记有代码的存在。
几乎不手动参与编程,再小的错误也通过 AI 来修复而不是手动更改。
AI 写的代码不再 review,只看结果,不满意的话继续对话。
对于一次性的项目来说,并不糟糕,并且相当有趣。
所以 vibe coding 的意思我理解从最开始是谈论一个新的编程方式,是一种完全基于 LLM 对话来编程的方式。

因为 LLM 默认每一个新的 session 都没有以往的记忆,缺少上述这些上下文,所以我们也最好将这些信息存到指令文件,或者叫规则文件中,例如 GitHub Copilot 的 .github/copilot-instructions.md 文件,Cursor 对应的 .rulers 文件夹和 Claude Code 的 CLAUDE.md 文件。

非常好的一篇文章,最近我也一直在尝试 vibe coding,基于上面类似的原则,但是会 review 一下代码,让 AI 做一些代码方面的简单改进,也在思考一些问题,基于观察到问题:

  • 如何让 Agent 可以快速理解到过去的整个历史?便于准确快速的持续迭代实现
  • 如何让 AI 在不同模块之间,以及持续迭代过程?

    • 一个 UX 相同设计?以及相关的用户体验?
    • 保持遵循的一个设计、开发规约?如:API 定义,命名规范
  • 如何更好的做出 UX 设计,目前生成的 web UX 感觉都是类似的 AI 风?
  • AI Coding 工具之间的差异是,在于模型还是在于工具本身,如何更好衡量工具的差异?
  • AI Coding 下,对于软件工程的影响?是不是需要重新构建一些新的开发方式和方法?

周末流水账 0831

室友昨天晚上说这两天她有点和同事们闹矛盾,我灵机一动,正好周五去朋友的饺子馆尝新品,带回来一些生饺子,我就说今天开车送她上班,她带到店里,中午吃饭的时候把饺子煮了分给大家吃,缓和一下关系。一箭三雕,一来解决了融洽了同事们的关系,二来消灭了这么多饺子,三来给本来就不宽裕的冰箱腾出了空间。得到的回馈是,饺子好吃,同事们开心。

这样的生活“智慧”,值得学习,人是社会性动物,需要处理各种复杂的关系,包括家庭内部。

成功的定义

我没有成功的概念,什么是成功? 也许很多人讲的是功成名就,有钱
我的理解其实很简单,每天三双筷子按时吃饭,睡得香,做有意义的事情不妥协,和好朋友喝喝酒吃吃烧烤。
最重要的是,公司事情忙完了,写点自己喜欢的代码,人和电脑,网络,逻辑森林融为一体,进入忘我的代码世界,时间在身边停滞,心流磁场贯穿整个身体,仿佛躺在太空中,任由有意识和无意识的脑电波在浩翰的空间中回响,跨越光年的遥远距离,向远方的文明眨一下我渺小而耀眼的星光…….
我享受这一刻

活的明白,有高度。

In the long run, LLMs make us dumber - @desunit (Sergey Bogdanov)

And the results were:

  • In the LLM group, 83% couldn’t quote anything from their own essays shortly after writing, whereas nearly everyone in the other groups could.
  • Participants moving from LLM to writing solo exhibited reduced neural activity and continued under-engagement.
  • Participants transitioning from brain-only to using LLM retained strong memory recall and showed neural activation patterns similar to the Search Engine group.
    I keep saying that to my kids – LLM is a really powerful tool but use it wisely. Don’t ask it to solve your math equation; instead, provide your own solution and have it explain where you might be wrong. Starting with independent thinking and then integrating AI will be healthier for cognitive development. It’s like nuclear energy – you can use it for mass destruction or as a clean source of power. 
    Consistent reliance on AI tools might undermine learning, memory, and creativity. Discomfort isn’t just a nuisance – it’s a training ground.
    Look for discomfort, seek it out, and encourage it. 

对于大量的“无脑”使用 AI,不知道有什么好的应对的方式,说不定有一天人类会厌倦 AI 相关的话题和工具,返回到更多的依赖自己的大脑,当下还是提醒孩子、鼓励孩子使用,但是不是万能的,自己的大脑才是万能的。

信息爆炸时代,付费信息才是最好的过滤器 · 唐巧的博客

去年开始,我陆续为以下内容付费:

  • 《财新》杂志:每年几百块钱,但能获得相对客观、深度的财经报道
  • 财经类每日新闻:每天需要花 1 块钱,信息密度高,没有广告干扰
  • 《三联生活周刊》:优质的长篇报道,帮我理解复杂的社会现象
  • 小宇宙上的访谈节目:深度对话,远比短视频更有营养
  • 请一些行业专家咨询,事后发微信红包感谢
    这是一个最好的时代,也是一个最坏的时代。
    说它是最好的时代,是因为获取信息从来没有像现在这样便利。说它是最坏的时代,是因为信息质量从来没有像现在这样参差不齐。
    在这样的环境下,为知识付费不是一种消费,而是一种投资。投资自己的认知能力,投资自己的判断力,投资自己的未来。
    毕竟,在这个瞬息万变的时代里,唯一不变的就是变化本身。而应对变化的最好方式,就是保持持续学习的能力。
    免费的午餐往往是最贵的。为知识付费,是这个时代每个人都应该认真考虑的选择。

我也在寻找一些优质的信息渠道(财新和三联的纸质杂志也许是一个好的选择,还有就是南方周末是个好的选择,国外的话,Bloomberg,New Yorker 之类的财经和社会以及文化方面的思考,NYT 也是一个选择),不然就是 rubbish in rubbish out,只有有高质量内容才能更好的让自己汲取有价值的营养,不然就是贫瘠的土壤上撒盐,不利于成长反而是雪上加霜。

本周观影

  • 碟中谍8:最终清算:碟 8,还是如常,继续神般的上天入地下海,推荐
  • 孤独的美食家除夕SP:京都・名古屋出差篇:孤独与美食同在,推荐
  • 小偷家族:个人可能不是很喜欢这种题材以及情节

本周播客

本周文章

“都什么年代了程序员还在手搓代码,连小白都能写 Prompt 生成代码了” | 宝玉的分享

  1. 任何情况下,都应该尝试用一下 AI Coding
  2. 原型开发适合用 AI 写代码
  3. 当你需要借助代码来理清楚思路或者保持心流的时候,手搓代码
  4. 当你需要从一门语言翻译到另一门语言,用 AI 生成
  5. 当你无法用文字或者图片描述你要做的事情的时候,或者写 Prompt 的成本更高的时候,手搓代码
  6. 当 AI 写的代码质量满足不了要求的时候,只能依赖于手搓
  7. Debug 代码的时候,优先用 AI
  8. 模块级、上下文充足的代码优先使用 AI 生成
  9. 需要长期维护的核心代码,最好手搓

AI 不是万能的,但是当下没有 AI 是万万不能的。

推荐杭州书店:麦家理想谷 - 拾月

今天到西溪湿地的麦家理想谷写博客,第一次见如此纯粹的阅读空间。
它位于西溪湿地内,周边环境很好
店内非常安静,都在读书,氛围极好
硬件设施不错,沙发、桌子质感都很好
没有商业,不卖书、不卖咖啡,但提供免费咖啡
不提供 wifi,桌上提示「请阅读,匆办公」,希望进来的人只为读书,从结果上看,确实读书为居多。以至于用电脑写博客的我显得格格不入,下次写博客不来这里了,但读书可以多来

有机会去探访一下,我也可以考虑周末访问上海书店活动,比如去过几次的北外滩的建投书局,以及诚品书店。

如何激发出高维度的自我呢? - Rolen's Blog

在某一刻,我感觉进入非常神奇的状态,那个状态,其实我非常熟悉,就是心流、入定的状态,过去的两年里,我在很多时刻都是进入那种状态的,几乎每天都能保持几个小时的那种状态,以至于我的产出非常高,解决问题的速度也非常快。
我觉得那种状态下的我,叫高维度的我。与之前的我所不同的是,以前的我读书、学习,都非常慢,我越是相信努力的作用,投入越多的时间,但是产出却完全不行,直到现在,我才真正理解了背后的原因。
就是过去的我,一直在低维度的努力,在低维度去改进、更新自己,看似努力、认真的背后是一种假努力,比如,在自己很困、很累、状态不好的时候,依然强撑着自己去努力,与自己做对抗,试图逼着自己去上进,结果当然也是事倍功半。
而这两年,我好像打开了自己身上的高维度自我的开关,每日投入的时间更少了,做的事情反而更多了,产出也更加高效了,因为我知道每个时间的价值不一样,也知道我自己身上有高维度的自我和低维度的自我,当我试图去激发、唤醒自己身上的高维度自我时,常常有如有神助的感觉。
我理解的是,高维度的自我就是我们人类经过上亿年演变进化而来的一个精密的、充满灵性和创造力的内在系统,它的内部本身是完美的,跟佛教讲的吾本自具足有点像,即我们每个人的内在都是圆满、自足的,我们内在的系统也是完美的。
只是我们由于现代社会注重效率、注重工业、注重技术、注重逻辑思维,渐渐地把这部分灵性给蒙蔽、忽略了,一旦我们激发出那部分圆满的一面,我们在一些创造性的事情会有很大的突破,这也是我过去两年在写作上轻松写了上百万字的文章的核心原因之一,因为我大部分时间都是在那种状态下创作的,我甚至觉得自己写出来的东西不是自己的产物,是某个神秘的力量经由我的身体自然而然流露出来的。
我的想法是:

  1. 主动去屏蔽外界的干扰和杂乱信息
  2. 多接触大自然,大自然能存续这么久,自然有其道理,我们能从中获得非常多的启发
  3. 欣赏那些高能量的艺术作品,用心灵去触达、感受作者当时的状态
  4. 减少自我的批评,自我对抗,让其顺其自然

一旦我们有意识地靠近它,久而久之,我们身上的灵性开关会自然而然地被打开,我们的感知力,内在觉察力,充满灵性、自足的那一面就会显现。

image.png

也提到了精英都是时间控,以及柳比歇夫的书以及时间管理方法,上面的几点值得学习,特别是 2 和 4,3 其实要持续的努力,很多时候我觉得是和从小所受的教育有关,我个人遗憾的是就是对家里小伙这方面的教育少了;对于每日的做法和习惯,要在看看自己的 routine,遵循起来就好。

Kronos: Live Probabilistic Forecast

预测价格的工具,作为一个技术人可以看看,值得尝试。

李录为《穷查理宝典》(查理·芒格智慧精要)中文版所做序言
格雷厄姆-多德都市的超级投资者们

多读几遍上面的 2 篇,段总推荐的(我是段总的粉丝)。

It’s School time! Adventures in hacking kindle | Sam Khawasé

留着以后自己折腾 Kindle 用。

科技爱好者周刊(第 363 期):最好懂的神经网络解释 - 阮一峰的网络日志

里面提到的神经网络科普文章: How Can AI ID a Cat? An Illustrated Guide. | Quanta Magazine,不错。

好公司分析框架 - Grok 的答案

https://grok.com/share/c2hhcmQtMg%3D%3D_6d792dbb-5496-4402-9f2f-cf7a62f8f491

价值投资理论概述

价值投资理论主要源于本杰明·格雷厄姆(Benjamin Graham)和他的学生沃伦·巴菲特(Warren Buffett)。核心理念是:投资者应将股票视为企业的一部分,关注企业的内在价值(Intrinsic Value),而非短期市场波动。内在价值是通过分析企业的基本面计算出的合理价格,投资时需确保有足够的安全边际(Margin of Safety),即市场价格远低于内在价值,以降低风险。

“好公司”在价值投资中,通常指那些具有可持续竞争优势、经济护城河(Economic Moat)、优秀管理层和稳健财务的公司。这些公司能长期产生高于平均水平的回报,并能在经济周期中保持韧性。以下是一个基于价值投资理论的“好公司”分析框架。该框架分为定性分析和定量分析两大模块,结合估值评估,帮助投资者系统评估公司。

好公司分析框架

框架采用分层结构:首先进行定性筛选(业务和管理层),然后定量验证(财务指标),最后进行估值判断。建议从公司年报、财务报表和行业报告入手分析。

1. 定性分析:评估业务本质和管理质量

价值投资强调“买企业而非股票”,优先选择简单、可理解的业务,避免复杂或高风险行业。

分析维度关键问题评估标准(基于价值投资)示例指标/方法
业务模式公司做什么?业务是否简单、可预测?优先选择需求稳定、周期性弱的行业(如消费必需品、科技基础设施)。避免高度依赖外部因素(如大宗商品)的公司。巴菲特偏好“永恒需求”业务。检查公司产品/服务的市场渗透率和重复购买率。示例:可口可乐的品牌忠诚度高。
竞争优势(护城河)公司有何独特优势?能持续多久?护城河包括品牌、网络效应、成本优势、专利或监管壁垒。宽护城河的公司能长期维持高利润率。使用晨星(Morningstar)护城河评级:宽、中、窄、无。示例:苹果的生态系统护城河。
行业环境行业增长前景如何?竞争格局?选择增长稳定、进入壁垒高的行业。避免夕阳产业或过度竞争领域。分析波特五力模型:供应商/买家议价能力、替代品威胁、新进入者、竞争激烈度。
管理层质量管理层是否诚信、股东导向?优先选择“所有者型”管理层(如家族企业或持股高的CEO)。检查历史决策记录,避免高薪低绩或内幕交易。审阅CEO致股东信、薪酬结构(是否与股东利益挂钩)。巴菲特标准:诚信 > 能力。
风险因素有何潜在风险?评估地缘政治、监管、技术变革风险。价值投资要求公司有应对不确定性的缓冲。列出SWOT分析(优势、弱点、机会、威胁)。

2. 定量分析:验证财务健康和盈利能力

格雷厄姆强调财务安全,巴菲特则关注可持续增长。使用历史数据(至少5-10年)趋势分析,避免单一年度数据。

分析维度关键问题评估标准(基于价值投资)示例指标/方法
盈利能力公司赚钱效率如何?高ROE(净资产收益率)且稳定,表明高效利用资本。优先ROE > 15%的公司。ROE = 净利润 / 净资产。杜邦分析分解:利润率 × 资产周转率 × 杠杆率。
财务稳健性资产负债表是否健康?低负债(负债/权益比率 < 1),高流动比率(>2)。现金流强劲,避免依赖债务。流动比率 = 流动资产 / 流动负债。自由现金流(FCF) = 经营现金流 - 资本支出。格雷厄姆标准:流动资产 > 2 × 流动负债。
增长质量增长是否可持续?有机增长优于并购驱动。EPS(每股收益)复合增长率 > 10%。检查收入增长来源:核心业务 vs. 非经常性收入。巴菲特偏好“复利机器”。
效率指标运营是否高效?高毛利率(>40%)和净利率(>10%),表明定价权强。毛利率 = (收入 - 成本) / 收入。库存周转率高表示管理优秀。
分红与资本分配公司如何回报股东?高分红率或回购股票的公司优先。避免过度投资低回报项目。分红收益率 > 3%,回购需在低估值时进行。

3. 估值评估:计算内在价值与安全边际

价值投资的核心是“以好价格买好公司”。如果公司优秀但估值过高,仍不适合投资。

  • 计算内在价值方法

    • 格雷厄姆公式:适用于防御型投资。价值 = EPS × (8.5 + 2 × 预期增长率)。
    • DCF模型(折现现金流):巴菲特常用。内在价值 = 未来自由现金流折现总和。假设保守增长率(3-5%),折现率(10%)。
    • 相对估值:比较P/E(市盈率)、P/B(市净率)。好公司P/E < 15,P/B < 1.5(视行业而定)。
  • 安全边际:市场价格应低于内在价值至少30-50%。示例:如果内在价值为100元,买入价不超过50-70元。
  • 工具建议:使用Excel或财务软件建模。参考Yahoo Finance或公司财报数据。

应用步骤

  1. 筛选:从熟悉行业入手,列出10-20家公司。
  2. 深度分析:按上述框架逐项打分(例如,满分10分,阈值8分以上为“好公司”)。
  3. 决策:结合宏观经济(如通胀、利率),决定买入/持有/卖出。
  4. 监控:价值投资是长期持有,每季度复盘财务变化。

注意事项

  • 价值投资强调耐心,避免追热点。巴菲特名言:“时间是优秀企业的朋友,是平庸企业的敌人。”
  • 风险:框架基于历史数据,未来不确定性(如黑天鹅事件)需警惕。
  • 实践建议:阅读《聪明的投资者》(格雷厄姆)和伯克希尔年报(巴菲特),并从小额投资开始应用。

这个框架是通用性的,可根据具体行业(如科技 vs. 制造业)微调。如果需要针对特定公司示例或工具辅助分析,请提供更多细节!

本周观影

-《暗杀》
-《恐怖直播》
-《熔炉》
-《釜山行》

暗杀好看,恐怖直播不太喜欢,对于熔炉,“残酷,丑恶,但能直面,相比之下,我们是那么的丑陋和邪恶”,釜山行,好看,恶的世界里有了更多善恶的极致一面。

本周播客

本周文章

[Everything I know about good system design](https://www.seangoedecke.com/good-system-design/

关于系统设计的文章,涉及了不同方面,都是经验之谈,仔细读肯定有收获,下面不同链接也是关于系统设计。

潮流周刊 - 第234期 - 有富士咯

记得 2 年前环境不好的时候有分享过,下一代工程师的破局,应该是做产品工程师,也即知道用户哪儿有需求,然后自己独立用一个好的产品解决方案去承接,同时产品很易用,加上你很会运营推广,拉更多人来用。只不过当时 AI Coding 的能力还很弱,到了今天应该是做善用 AI 的产品工程师。
下一代好的工程师,敲代码能力只占了 30% 的优势,有 20% 在快速发掘理解业务需求本质上,知道为什么,有 20% 在架构设计上,好比一个架构师一样告诉 AI 你需要的东西以及前后端架构方式,确保后续更好实现,10% 在和 AI 更清楚的交流上,让她的执行更符合你的心意,还有 20% 在最终产品质量的把控,运营推广的把控上,好酒也怕巷子深,AI 能力再牛逼,也怕不会折腾的使用者。
我感觉到 AI Coding 给工程师带来的不只是工作效率提升,甚至成倍提升,其实这里不是关键,更关键的是能更快同时处理更复杂的产品思考和技术决策,加快业务迭代思路的验证,从代码民工变成数字产品的建筑师那种感觉,当然审美在现在的软件设计工程里面会更加重要,或许假如要说当前年代好的工程师还需要具备一个很好的能力,就是产品设计和审美,这也是为啥聪明的设计师借助转型到工程师很方便的地方。

结合最近自己用 Copilot Agent 做了一些东西的体会,不了解具体的技术以及如何做的思路和构架,肯定是不够的,但是如果当下还是拒绝 AI Agent Coding 这个事情和不主动求变的话,肯定是不行的。

下面这篇文章里面的一段话,也正好证实这个观点。

Joy & Curiosity #50

And my ex-colleague at Zed, Conrad, wrote about why LLMs Can't Really Build Software and while I do think he has some good points (“When a person runs into a problem, they are able to temporarily stash the full context, focus on resolving the issue, and then pop their mental stack to get back to the problem in hand. […] We don't just keep adding more words to our context window, because it would drive us mad.”) I also can’t help but think: well, if it quacks like a duck…? Two weeks ago, I found a bug in Amp, a regression. I was jetlagged, sitting in the office, trying to get into the zone, hoping to find the bug. Right after sitting down, kinda as a too-early Hail Mary pass, I sent off Amp and asked it to figure out where the bug comes from. I also told the agent that it should consult the oracle, knowing that I need all the help I can get. While Amp ran, I also looked into the code, ignoring it, essentially, racing it, effectively. At some point, after a few minutes, it looked like it was stuck. I decided to maybe give it a few more minutes, because I was pulled into an actual real-life, in-person discussion in the office. So for the next 30-40 minutes or so, I sat there talking, and continuously side-eyed Amp, trying to see whether it still runs or doesn’t (note: the oracle has been improved by now and shows better progress). Once I dove back into the code, I noticed that the oracle still runs (“wow, it must’ve been running for 45min now”), but had a hunch that I’m now also close to finding the bug. So I dug in some more, added logging, reran the program, came up with 3 different hypothesis and threw them away again, then began to think “huh, the code is correct, it has to be something that’s wired up the wrong way” and — ding! — Amp was done. The oracle had come up with an answer. It took 61min and 108 inference calls and when I read the first line of its hypothesis I knew it was right. The main agent changed one line, I tested it, and the bug was fixed. 61min, more than half of which I spent doing something else. Millions of tokens. Not cheap, but the bug was fixed. Now… Maybe LLMs can’t really build software, like Conrad says, who knows, but I think the more interesting question is: does it matter?

今天安装配置 reader-digest 的时候,重启 ECS,没注意之前 typecho 没有用 volume,导致之前数据丢了,只能重来,而且之前的文章也没了,本地也没备份,再搞。

更新:找回了部分文章,通过 feedly RSS feed 的缓存。