每周小结 20260801
7 月份结束了，新的一个月开启，年纪上去了，只是希望平平静静，家人们一切都好比啥都重要。
本周观影
- 游山浪人的新一期 徒步青城后山 | 山有灵 水有声 别有洞天：本周博主分享了装备清单：我的户外小家 徒步用品清单，是个有用的参考；回到这个视频，青城山后山，台阶湿滑看着有点不好走的样子，不过景是看着真好，再有机会去四川要去青城山走走。
- 战火流年里，乌克兰父母给予女儿的温暖支撑朴素又动人：卡佳一家子暑期在乌克兰探亲了，天下父母都是一样的，最好的总愿意给孩子，早日和平可以降低往来的成本。
- 在北极独自徒步30公里，我找到了传说中的“肥鱼湖”！：SCFR 挪威博主新一期，徒步、露营和路亚，一样不落，周末的露营洗掉一周工作的“疲惫”，心向往之，当然最吸引我的是其装备和露营。
- 《毒枭：墨西哥》第二季：Felix 时代结束，乱战时代看着要开始了，“野兽们都出笼了，真正的混乱刚刚开始”。
本周阅读
加了阅读笔记的模板，后续读书的过程中和读完了可以都总结一下。
- 《The Essays of Warren Buffett: Lessons for Corporate America, Fifth Edition》：[[The Essays of Warren Buffett - 阅读笔记]]，还在陆陆续续利用碎片时间阅读中，引言部分快看完了，如上周说的需要慢慢读，估值和公司治理部分的说法给我印象最深。
本周播客
172.全球宏观和资本市场2026半年度复盘与展望：AI叙事的下一步
很长的一期，要有耐心听完，下面这段供自勉。
[[全球宏观和资本市场2026半年度复盘与展望：AI叙事的下一步]]
第一，配置是大家可以应对不同周期的唯一方式。第二，作为一个普通投资人来说，在这种以情绪、资金和主题驱动的市场里边，假设没有信息优势，没有自己深入的研究，一定要控制自己在个股上暴露的仓位，不要盲目去追强势热点。第三个就是，如果想去做一些配置，不要着急，我们个人觉得这个周期还会持续一段时间，这一段错过了就错过了，不用去做懊悔，不用着急，下次来的时候可以把它把握住，整个周期看下来，收益应该也不会差。
#629.沃伦·巴菲特：我发起了伯克希尔公司对 Alphabet 的投资
《跨国串门儿计划》这个播客的特点是翻译并实现英中语音转换（更新很频繁），同时中英兼顾人的年龄和特点，说话的方式语气都有些模仿；这期翻译的是对于巴菲特的采访，其聊了不同的话题，基金、对于 Alphabet 的投资和新 CEO Greg 等等。
"一门生意不是因为它做的事情很性感就是好生意，而是它得真正赚到现金，或者在很短时间内就有望赚到现金，而且想分红就能分。"
#650. 在没有风投资金的情况下打造软件巨头 | DHH, 37signals
DHH 有独立的人格和思想，所以对于公司团队的思考和执行也是类似其个人性格和人格的映射；另，这个中文声音模拟 DHH 的风格和声音真好。
[[650. 在没有风投资金的情况下打造软件巨头]]
无限资源必然导致糟糕的产品，"如果你有无限的时间、无限的钱和无限的人，你肯定会造出一个四不像。"
我拼命工作，就是为了没人能对我指手画脚，"那根神经就是，我拼命工作，不只是在生活中，在生意上也是，就是为了获得近乎完全的独立，这样没人能对我指手画脚。"
建造者模式 vs 管理者模式：心流需要大段不被打扰的时间
极简的工作环境：连杂乱都会吸走你的注意力
本周胡思乱想
- 发现网上瞎逛半个小时后，注意力就下降了，会开始有点 FOMO 和焦虑了，所以番茄钟是科学的外部设定，只是我希望的更多是内在的约束和驱动，而不是外部有个强制的东西推着自己。
- The Future of Software Engineering - June 28-30, 2026 | Engelberg, Switzerland：类似提的学徒危机，意识到这一点，是要解决的，还是要知其所以然，证明自己的价值，同时要不断思考 engineering management 工程管理方面的问题。
- 如何实现上周说的通过写点给自己产生影响力？我还没太多方向，求热点，大部人都关心的，吸引眼球的就是容易有流量的内容，但这真的是我的追求吗？
- 作为工程团队，我的观点我们首要是证明用 AI 的价值，should be focused on velocity, code quality, and technical modernization，感到失望的是我们总是被成本羁绊（20 还是 100 美金的订阅计划，从提升工程和个人能力角度，这个我觉得很容易算账，也很容易收回成本），而不是从技术现代化的角度出发。
- 认清人，走好自己的路，不用过多去看他人，也不用想着如何改变他人，大部分人注定就是本该有的样子。
本周投资
7 月份结束了，总结这个月的一些想法和操作，为 8 月份做点准备。
- A 和 US 是同频的，行业轮动，存储、光、半导体等 AI Capex 密切投入相关的都是在下行过程中，能不能回到最高点去，不好说，但 Capex 投资的高点可能还没到来，所以有回撤但不是没机会。
- 对于 ACN 这家公司，虽然公司本身我不喜欢，但是其在 tob 行业的地位和管理方式来看，股价会提升回去的，这个月事实也证明了这个判断。
- 一支存储密切相关的基金大回撤，造成了今年以来最大回撤的一个月，回头看对于不是准备长期持有（或不是可以长期类型的）还是可以早点获利卖出半仓的，这是记录也是风险的意识。
- 如何可以控制回撤？针对“盈亏同源”，实现更多的“盈”？要通过学习和实践，持续寻找解法。[[回撤控制与盈亏同源]]
本周文章
这些观点单独拿出来，每一个都足够反常识。但放在一起，它们构成了一个高度自洽的系统：因为目标足够大（AGI），所以可以克制（不争眼前利益）。因为克制，所以聚焦（只做主线）。因为聚焦，所以事少（不加班）。因为事少，所以轻松（愿景驱动就够了）。因为轻松，所以能吸引真正想做研究的人（团队稳定）。因为团队稳定，所以一定能做成。
说到底，整个大模型行业会在新的结构下迅速演化。这和 AGI 的叙事无关，是由整个行业的利益结构决定的。在这个结构化的力量下，所有的叙事，都绕不过一个结构化事实，所有的大模型厂商，都是一个专利期非常短的制药厂。
对于梁投资交流会发言，看到了 X 上两篇不同写的一些解读和思考，我问我自己的是我为什么没有这样的思考和这样的文笔，还需要更多的刻意练习，去思考和持续写作；回到两篇文章本身，角度不一样，一篇是关于 DeepSeek 和梁本人的，另一篇是对于大模型迅速发展的解读。
From Homegrown to Flink: Migrating a Stateful Ad Event Join at Scale
Zalando 工程团队的文章，从自研到 Flink 的迁移和考虑，还提到了其技术雷达，我理解主要谈的是，自研的方案是通过 Kafka streams 方式的 join，缺点是没有 partition 和状态管理备份，对比不同方案，最后选择了 Flink（也符合公司技术雷达），通过 RocksDB 管理状态以及通过 Flink KeyedCoProcessFunction 实现分片和处理，降低了资源需求，提升了处理效率；对于 Flink 我还是一知半解，所以看不太懂，但一直有兴趣也在持续学习，因为我一直觉得这门技术当下还是挺重要的。
How we use GraphQL at Europe's largest fashion e-commerce company
From Event-Driven Chaos to a Blazingly Fast Serving API
Client-Side Load Balancing at a Million Requests Per Second
还是 Zalando 工程团队的三篇文章，是一个相关的系列，类似的问题和演进，当前我在从事设计的平台也遇到了，如：采用 GraphQL push 方式到考虑 API pull 实现数据实时更新，考虑到性能和成本问题，对于 Ingress 性能和调试性能毛刺问题的定位问题，暂时还没遇到；下面这一段是 Gemini 帮着总结的三篇概要。
这三篇文章勾勒出了 Zalando 作为一个超大规模电商技术平台，在不同发展阶段对“如何组织服务间的数据流动与通信”的持续思考：
- 前端聚合层 (2021)：通过 GraphQL 把散乱的微服务数据聚合成统一的图谱，解决多端开发效率与体验一致性问题。
- 架构纠偏层 (2025)：意识到异步事件驱动并非万灵药，开始精简过于复杂的架构，通过回归高质量的 API-First 策略来提供高性能的同步服务。
- 基础设施与性能极致化 (2026)：当业务规模达到百万级 QPS 时，将负载均衡下沉到客户端进程内 (CSLB)，通过一致性哈希和精细化控制来榨干最后一滴系统性能。
看什么书更重要，结合自己的思考有持续的输出比多读书也许更重要；赞同作者说的，要知道自己要上门，也需要有自己信息渠道，包括和人的交流，拓展自己的能力圈。
人对自己最大的诚实，就是承认自己的局限和偏好。喜欢看书就去看，不喜欢看就不看，看视频能吸收知识就看视频，实践能成长就去实践。明确知道自己要什么、通过什么路径最有效率地获取信息，比顶着一个虚无缥缈的优雅标签要重要得多。
GenRec Towards LLM-Native Recommendation at Netflix
基于 LLM 微调和后训练，推荐系统的进化，缺少这方面的专业知识。只能说是一知半解，但还是感觉挺有意思的一个方向和演进。
[[GenRec Towards LLM-Native Recommendation at Netflix]]
We have presented GenRec, an LLM‑backed recommendation ranker at Netflix that adapts an internal foundation LLM for large‑scale personalization. By verbalizing user histories, context, and item metadata, adding a catalog‑aware ranking head, using reward‑weighted objectives aligned to long‑term satisfaction and business goals, and serving efficiently on our LLM infrastructure, we obtain a model that improves on a strong production ranker while using far fewer Phase‑2 labels and input signals.