上周末比较忙，跑了两次医院，医疗体验总体不错，但眼科的排号系统明显有问题，半小时内的号太多导致后面时段的要延迟 1 个小时左右，提了一个建议给到医院，不管有用与否；这周末端午节，回老家一趟，看看家人和拿点老家的农产品，给城里的家人和朋友尝尝。

本周观影

After a month-long trip to five different locations, I caught a fish in the Arctic.

蜀犬吠日SCFR 视频博主又更新了，不同地方赶潮钓鱼，为了爱好和户外到处开着车露营，挪威是很 chill；我也有在看路亚，心里痒痒的，但是还是一直劝自己冷静，哈哈，本周也买了 Cast n Chill 这个游戏，在虚拟世界里至少可以甩上一杠。

洛杉矶劫案 Crime 101 (2026)

有点看的莫名其妙，不是我能看的和喜欢的那种类型。

本周阅读

在读

  • 《張忠謀自傳全集》：看到张说去德仪，部门上上下下都懂技术而且投入，这是一家公司该有的样子，反观各家大厂到了一定规模就是只有管理没有技术，玩的就是部门政治和管理，上面没有任何技术视野，很多就是慢慢又没落了；张 54 岁回到台湾开始着手创建台积电，真是神一样的存在。
  • 陈江挺《炒股的智慧》：再次读这本书，还是有很多体会，投资路上成功路各有各的不同，没有绝对的对与错，但要走出合适自己的路子。
  • 《Sam Zell - Am I Being Too Subtle 》（《适度不敬 : REITs之父萨姆·泽尔自传》）

想读

  • 《原则》
  • 《笑傲股市》
  • 《1929: Inside the Greatest Crash in Wall Street History and How It Shattered a Nation》
  • 《A Philosophy of Software Design, 2nd Edition》
  • 《The Essays of Warren Buffett: Lessons for Corporate America, Fifth Edition》
  • 《避风港》https://book.douban.com/subject/36315231/

本周播客

做了一些减法，从小宇宙上取关了一些播客，感觉过去听太多了，目前《投资 ABC》和《厚雪长波》是投资类方面我最喜欢的播客（《面基》也有一些期蛮喜欢的），《半拿铁》是最喜欢的叙事类/闲聊类播客，《曳尾于涂 | 罪案纪实》喜欢老警察讲故事的调调，也喜欢听歌曲类的《永远年轻音乐磁带》（也常听一些白噪音和舒缓音乐类的，如《白噪音》和《SleeplessLofi》，也有没订阅刚听到的《ZZ 夜伴声》），还保留订阅了不少，但是谈不上每期都听，也谈不上一定喜欢。

“置身厂内”的我们，如何找回自洽的人生？

有勇气走出大厂，通过投资实现 FIRE，努力和智慧并存，有的机遇也通常是因为自身过去的努力，投资的历程有可以学习的地方，但是每个人的成功从来都是不可复制的，在投资这个领域。

均衡投资，学习大卫·史文森

  • A 股 - 沪深 300+中证 500
  • 美股 - 纳指+标普
  • 恒科
  • 债券- 美元

牛市行情中会失去很多收益，在转变风格，随着思考和视野的不同，从段总、大卫·史文森到马克·斯皮茨纳格尔（提到了这本书《避风港》）

本周胡思乱想

  • 和人说自己的想法，是可以的，但是需要看对方的接受度以及本身的理念，不要有什么预期是最好的，不然就不要瞎表达。
  • 看了这个文章读《置身钉内》后的一些感受)（没仔细读原文，看到的评价是褒贬不一），其实我一直不想评价和看有关前司这方面的一些信息，不了解是无法理解和评价任何这方面的内容和信息，但如果管理做到自己倒下的时候让下面的人一片叫好，无论怎么说都肯定是有问题在哪里了，其他的社媒上对于其本人的攻击或贬低，其实都是外面的指指点点，不足为人道也，很多只是凑热度博眼球。
  • 提过去的工作和雇主的时候，回顾自己有时候会有点飘的心态，内心自己知道没啥好说的，但心态有时候不对，都只是过往而且也没做多好。
  • 老家跑步，回来路上碰到了一些熟人和邻居，感叹人和人之间为什么要有这样那样的矛盾（家里人的各种原因），希望大家都一切安好，让世界变得美好那么一点。
  • 看东西，写东西，东想西想让我平静。

本周投资

  • 还是在持续想如何投资 A 股，通过 PE/PB 百分位为主，ROE 和股息率为次的选股方法，实现“分散、少量、抄底和低谷”，真的合适吗？我还得问问 AI 同时做些实验。

    • 本周开始买入了两个不同行业的标的，最多再考虑一个标的，这样就是持有不同行业的 5 个标的，放入我的第一层（长期持有）和第二层（股息现金流），第三层我没想好观察/试水什么方向，不急。
  • 目前股市看，是牛熊转换的狂欢，还是持续一路向上的高点，我判断不清楚，只是我认准一点，这个阶段有些标的可以投，但是不要赌，能不能等到好的买入机会，啥时候是好的买入机会，对我个人来说左侧是机会，所以我还是会继续坚持上面的思路，同时我会持续买入我目前第一层的标的，今年目前为止 A 股不亏，也还是因为第一层标的的低点买入长期持有；但要记住不是低就是好，“买股票就是买公司，买公司就是买公司的未来现金流折现”，公司股价最终应该是其盈利能力和预期的反应，无论炒作还是来来往往的资本，相信最终总归会回到价值本身。
  • 本周 US 市场上我遭遇了一个标的大跌，因为财报盘前大跌，来不及止损，不过买的不多，是属于第三层的标的，就我对这公司的认知来说，不至于如此，其实目前这个价位倒是买入的好时机了，要升到我买入的价位，有点难了，后面看啥时候卖掉，变现走了。
  • 开辟了海外市场的一条新路子，下周争取开始投入。
  • 深证信数据服务平台的展示的上市公司信息及其数据非常干净和清晰。

本周文章

当 AI 拿走一切之后

写的挺长的文章，谈的是 AI 在产品和软件工程方面可以全面切入不同环节，人如何继续在环 - human in the loop，作者所处的行业以及周边接触的人和使用的工具链都是上层的，我个人的经验看人尖中竞争的视野和一般公司的人所面临的问题有相似之处，但不完全一样（我司现在都还没选好用哪个，研发还没用上 AI ，都是自己在偷偷用，摸索着用，根本谈不上 AI 接管一切），我写这些是为了说明很多公司其实演进很慢，考虑公司本身的组织架构、人员能力水平和公司政治等等问题，AI 拿走一切对于很多公司本身就是伪命题，实际落地来说没那么激进和快速，但我同意作者说的人的判断、品味和推演等三方面的能力以及好奇心，AI 无法接管的不确定性部分是人的价值所在，但同时要清晰的看到其实这些能力和 AI 使用和接管一切与否无关，这本身就是我们应该持续构建的能力，只是现在比以往更加迫切了，能写 CRUD 也能有份不错收入的时代过去了。

Minions: Stripe’s one-shot, end-to-end coding agents
Minions: Stripe’s one-shot, end-to-end coding agents—Part 2

Stripe 关于自研 Coding Agent - Minions 的思考和实践，也改变了工程管理的流程和工具链，也许不是每个公司需要构建自己的 Coding Agent，但是每个公司结合自己的工程管理需要思考对 Coding Agent 的定位，和人的重新定位，是需要不断探索和实践的（BTW，Stripe 这个网站看着做的很 Cool）。

Ask HN: Has anyone replaced Claude/GPT with a local model for daily coding?

HN 上讨论的很热烈，总的来说，有个 48GB 以上内存的机器，可以跑本地模型，胜在免费和够用，但是自己大量的把关，真是个有一定技能的实习生，不似工作多年的 skilled guy。

Comparing agentic Qwen3.6 35b to Claude Opus is like a junior with knowledge across the board, that you really need to guide, versus a senior that thinks with you on architecture. If Opus gives a 15x speedup, local and fully offline Qwen gives a 5x speedup. Which, given that it's completely free, is still mind-boggling to me :)

同时也刚好看到了下面这个播客，以及 HN 上讨论，用意思的是 Pi 被不同人提及，我也过去看过其设计和代码，也从本周开始决定好好用一用，用 GLM 模型。

Running local models is good now
HN 讨论 - Running local models is good now

I don't know about good, I use a lot of local models and they're still pretty painful to run locally
You have dense models (qwen 27b, gemma 31b) who are pretty smart, but pretty slow

You have MoE models (gemma 26b, qwen 35b, north mini code 30b) who are pretty fast, but make a lot of mistakes

You need a lot of memory to run these well, quantization makes tool calling weaker, so most run at 4 bit quants and are wondering why it kinda sucks and that's because you've essentially lobotomized the model (I recommend unsloth quants, i recommend 6bit for MoEs and 5bit for dense)

So you need a lot of compute to make the pre-fill fast, you need bandwidth to make the decode fast, you need a lot of memory to hold everything - lot of ifs

On top of that, your laptop becomes a loud hot churning machine, it's uncomfortable to work with.

So are they good? not really. Do they work? yes

edit: just wanna clarify - i think open models are the future, i think they're super important, i'm contributing constantly to the ecosystem - i think people should play around with these models, i think people should use pi and learn how it all works - but don't download a model expecting it to be good out of the box, you will have to tune and configure a lot of stuff to replace a "coding agent" that most people are using models for

Choosing the right workflow orchestration service for your use case: Amazon MWAA and AWS Step Functions

在调研 AWS 上如何实现分布式调度，对于大量的动态有状态数据的场景，上面这篇其实没发解决这个问题，只是从 AWS 角度说明了 Amazon Managed Workflows for Apache Airflow (Amazon MWAA) 和 AWS Step Functions 在实现 data pipeline 类似的 workflow service 方面有什么样的选择和两者的异同；不过通过问 Gemini，给了我方案的选择：

The High-Level Architecture

  • The Trigger (K8s CronJob): Acts as the "Producer." It doesn't process data; it only scans the database for "work to do" and slices it into tasks.
  • The Buffer (AWS SQS): Acts as the "Task Queue." It decouples the discovery of data from the processing of data.
  • The Workers (K8s Jobs/Pods): Act as the "Consumers." They scale horizontally based on the SQS queue depth, processing tasks in parallel.

职场中的「可预期性」

过程中的可预期，向上和团队内部不同人员之间的沟通对齐，很重要，而不是憧憬着到了终点和大家击掌欢呼就可以了，后者往往不如人意；老板们要的是结果，而且是可预期准时无偏差的结果，可以有亮点但不能有错误和延迟，这是现实。

这事对我之后的管理和个人工作方式也有了直接的投射。现在在团队里，我评估一个核心成员的标准，正在悄悄发生变化。我不再因为某个人偶尔写出了一段精妙绝伦的代码而给他过高的评价，但我会极度器重那个每次都能在约定的周五下午三点，雷打不动把完成度 80% 但运行稳定的方案发到群里的人。

关于 Loop Engineering，看了下面三个不同的内容，第一篇是熟人的产出，第二篇是英文博客，第三个是 Loop Engineering 相关的一个站点，有不同 loop 的模板，第四篇是关于个人的工程实践总结，用了 Pi 和 loop/goal 两个扩展插件；从 Prompt Engineering 到 Harness Engineering，再到 Loop Engineering，这里面的演进和思考到底是什么？要仔细想想和问问为什么，到底什么是真正驱动演进的动力是什么。

停止提示，开始循环：AI Agent Loop Engineering 研究报告
Loop Engineering
loops! | Pre-built agent loops
Loop Engineering 实践: Pi Coding Agent

“Loop” 不是把 prompt 写得更长，而是把 AI agent 的工作设计成可触发、可行动、可检查、可恢复、可停止的闭环系统。

但坦率地说，并非所有开发者都应该立即冲向 Loop Engineering。只有当任务重复、验证自动化、预算能够承受消耗、并且 Agent 拥有资深工程师的工具时，Loop Engineering 才能发挥其价值。如果错过其中任何一个条件，那么构建循环的成本可能远高于其回报。

如果这些条件都符合，那么就从小处着手：一个自动化、一个技能、一个状态文件、一个验证门。先让手动运行变得可靠，然后将其封装成技能，再用循环来调度。顺序至关重要。跳过这些步骤，你最终可能会为一套无人理解的系统买单。

杠杆点已经移动，我们的工作职责也随之改变。构建循环，但要始终保持工程师的思维。

Similarweb’s migration from HBase to Amazon DynamoDB

迁移 HBase，通过 Spark ETL（Databricks）和 Firebolt 实现实时和离线分析的需求，实时链路上写入 DynamoDB 实现 KV Store，这个方案我觉得查询性能可能是问题。

When Americans choose Chinese AI

美国人选用中国产大模型，一方面是担心审查和数据隐私安全，一方面又是觉得价格便宜且够用，总的来说 DeepSeek 给这个世界带带去了一种不一样的选择，包括最近欧洲人的看法和世界越来越割裂的担忧。

“I don’t mind Chinese companies looking at my data: Hey, have fun with it. Learn and get better,” Garcia said. “If the Chinese models come out and they are frontier and cheaper, I’m going that direction.”

用 LLM Wiki 构建 SRE 知识库

看了上面博客，我突然想是不是可以基于我们的 Confluence 做个类似的 architecture LLM Wiki，可以试试；这个时候 Confluence 这种已经不适合现在的发展了，越来越需要转向 Markdown 格式的文档/Wiki，让模型可以更好的读写消化。

标签: none

评论已关闭