技术 on Fengyu WANG

两层界面原则：AI 时代的软件交互架构

Sun, 13 Sep 2026 00:00:00 +0000

摘要

生成式 AI 把"软件操作"这一延续了四十年的图形界面范式推到了范式更替的临界点。本文基于一个一人软件公司（FengProj 生态，含投资研究、内容生产、私有云产品三个真实系统）的完整审查与重构实践，提出并检验两层界面原则：任何软件系统只应保留两个交互层次——(1) 对话层：人与 AI 的自然语言交流（Skill 即其脚本化形态），承载全部日常操作；(2) 观景层：只读的图形界面，仅为"不参与操作的人"提供可视化确认。资料恒存本地文件，交互产出纳入可备份管道。本文将该原则与业界三条并行脉络——YC 的 “Chat is the interface”、生成式界面（Generative UI）、OpenAI Apps SDK 的 MCP-UI 架构——做对位分析，指出三者在结构上收敛于同一命题；并进一步论证：当 AI 成为第一操作者时，文档（AGENTS/MISSION/todo/日志）本身构成了第三个界面——面向 AI 的治理界面，从而把"界面"概念从人机两端扩展为"人—AI—文档"三元结构。案例部分给出五个系统的符合度审计与收束改造路径，证明该原则在个人生产系统与对外商业产品上均可落地。

一、问题的提出

经典软件的交互模型是"客户端中心"的：用户在图形界面里点击、填表，操作结果沉淀在客户端的数据库里，界面既是操作入口又是数据容器。这一模型隐含了两个 2026 年已不再成立的前提：

操作必须由人发起。当 AI Agent 可以受托执行选题、写稿、研究、发布、诊断等全流程操作时，“人点按钮"从必需品降格为选项。
结果必须留在客户端。数据一旦以本地文件（Markdown/JSON/SQLite）为真理源，客户端就退化为一个视图，备份与迁移成为文件级操作而非数据库工程。

笔者由此重新构想整个软件形态：我只需要跟 AI 说话——因为大部分工作本来就是文字交流；UI 只为两类时刻存在：让不懂的人看懂，以及让看的人方便。 本文将这一直觉形式化为可审计的工程原则，并用一个真实的多系统生态验证它。

二、两层界面原则

原则（Two-Layer Interface Principle, 2LIP）：一个面向 AI 时代的软件系统，其交互面只保留两层——

层	服务对象	形态	职责	反模式
对话层（L1）	操作者（人）与 AI	自然语言 + Skill（脚本化指令）	承载全部日常操作：增删改查、流程触发、异常处置	把操作埋进按钮让 AI 够不着
观景层（L2）	观看者（人，通常不操作）	只读 Web UI / 仪表盘	展示状态与结果，供理解、验收与对外演示	在观景层开发写操作

外加两条资源约束：

杠杆借不来时间

Sat, 12 Sep 2026 00:00:00 +0000

先摆一个看起来无懈可击的想法：如果我能借到无限的钱，全部拿去买巴菲特的公司，理论上只要时间够久，我就可以赚到无限的钱。伯克希尔几十年的年化回报接近百分之二十，复利一滚动，借款那点利息根本不算什么。这不是投机，这是站在历史上最成功的复利机器旁边收钱。

这个算式错在哪？

错在它把时间当成免费的东西。伯克希尔的回报是不均匀的：历史上它不止一次回撤过百分之三十到五十，二零零八年那次就摆在那里。长期年化百分之二十，是熬过所有这些深坑之后的平均值。可你的利息不是平均的，它每分每秒都在计提。回报可以等十年，利息一天都不等。只要几年不出正收益，滚起来的利息就会把你吃干——你借的不是钱，是一台每秒都在倒数的计时器。

更直接的一层是保证金。股价跌百分之三十的时候，放贷方不会陪你谈长期主义，他们只会要求追加保证金，拿不出来就平仓。平仓的那一刻，你不是亏了，是出局了。伯克希尔后来确实涨回来了，涨回来跟你已经没有关系。杠杆真正的杀伤力不在于让回报变成负数，在于它让你熬不到被证明是对的那一天。

再往前走一步，这个想法还撞上体量的天花板：全世界的可投资产是有限的，无限的钱涌进任何一家公司，边际收益都会递减到市场平均水平。无限的收益需要一个无限的经济体来兑现，而地球只有一个。

所以借无限的钱赚无限的钱，不是胆子大，是结构错了。对照一下真正成功的人怎么下注：他们的赌，下行是有底的——最多亏掉投进去的这一笔；上行是没有顶的——成了就是一家公司一个行业。再看无限杠杆：上行理论上无限，下行也无限——爆仓的那一刻不但亏光，还倒欠。这个结构跟赌徒一模一样，只是赌桌换成了证券账户。成功者赢在把注下成不对称，杠杆恰恰是把对称性还回去的东西。

我最后收在这里：时间本来是复利的朋友，杠杆唯一真正改变的就是这一条。钱可以借，时间借不来——而投资这件事，比到最后，比的就是谁还在场。

一人公司带数百个 AI 员工，翻译成工程语言就五层

Thu, 10 Sep 2026 00:00:00 +0000

一人公司这个词，听着像情怀，像创业失败之后的体面说法。我的版本是一道工程题：一个只有一位真人的公司，带数百个 AI 员工干活，AI 带领 AI。董事长只做两件事——下目标、签字验收。

口号喊起来不费劲，麻烦在于它必须能落地。数百个员工怎么编制？干砸了谁来审批？教训怎么复盘？编制、审批、复盘，全是组织问题，不是智力问题。公司的组织学是给人的，软件工程是给代码的，数百个 AI 员工卡在两者中间：要编制纪律，又只能用代码落实。

愿景一句话，工程五层

把这句愿景往下拆，痛点正好三个：AI 员工不知道怎么组织，不知道怎么和人协作，不知道去哪看东西。再往下翻译，答案收敛成五层，缺一层都不成立：

意图层：董事长一句目标，加签字；
组织层：AI 带领 AI 的大脑——谁干、怎么编、怎么交接、怎么验收；
人才层：干不同专业的"人"从哪来；
执行层：真把活干出来的命令行引擎；
保障层：审批、记忆、通知、知识。

最容易缺的是腰

这张清单反过来读也成立。最早的毛病是把零件清单当主菜：审批工具、记忆工具、通知工具一个个挑，把第五层的补丁当成了整个架构。看清之后才明白，补丁是第五层的事，主菜是第二层。

五层里最容易被跳过的，恰是组织层。这个坑我踩过：人才库和执行引擎都在手，跳过编制直接派活，批量召唤同一种 developer——人才成了一群劳务市场打手，执行再强也是无头苍蝇。组织层是整个架构的腰。

后来找到的开源组织手册，连指挥结构都和董事长到 CEO 到专业 AI 这条线同构，编制直接给了三档：微型 5 到 10 个角色，冲刺 15 到 25 个，全量。数百个 AI 员工怎么编，答案就这三档，不需要发明第四种。

275 个角色，21 个入编

人才层交的学费更直白。拉了一个 275 个中文专业角色的人才库，逐个评审，结论：三分之一精品，三分之二套壳。最终只精选 21 个入编，编排器里共 25 个编制——275 减到 21，减掉的部分一个不留。宁缺毋滥这四个字，在 AI 员工身上一样适用。

成本是硬约束

执行层是最早闭环的一层：40 多个项目里选定编排器，源码级验证过，官方示例里一场实战 0.0095 美元，不到一美分。可便宜归便宜，成本照样是硬约束——API 余额烧完过，订阅预付费烧完过，最紧的时候靠免费模型旁路验证。三个精品角色的小型实战，至今没开打，等的就是成本口径拍板。蓝图每前进一步，账单都跟在后面。

保障层，先想清楚要防什么

人机协作这个痛点，落点是审批门。愿景里董事长只签字，签字权落到工程上就是：AI 要干高危动作——给客户发邮件、花预算、删库——跑前请示，变成一张推到手机上的审批卡片；策略引擎按规则自动放行、自动拒绝，剩下的转人工，全程留审计日志。

一人公司没有同事互相盯着，内控反而更不能省：签字权是组织问题，不是技术问题。固定流程走流水线上的人工批准门，灵活场景走运行时审批，两条腿各管一段。

其余四件保障各对一类"出事"：记忆，管 AI 干完就忘——上次说过喜欢中文回复，新招的干事一开工就该知道；通知，管干完了没人知道——半夜审完一份合同，手机收到请签字；知识供给，管两眼一抹黑——问财务 AI 上月花多少，它得能去翻台账，不是反问一句数据在哪；验收基准，管够不够好——同一任务拿行业基准逐岗打分，达标才转正。前三层是进攻，保障层是防守：能干活，还得不出事、不白干、收得到、记得住。

复盘：购物清单砍到只剩一行

最值得复盘的是保障层。盘点时四层已实测闭环，卡在第五层，第一反应是照着空白找工具：审批、记忆、通知、知识、验收，五个缺口对五个开源项目，清单拉得整整齐齐。找的过程也算规矩：先搜当年的真实现状，不凭旧记忆，搜完逐个对位。

复盘一过，结论反转：五件里四件平台原生就有——审批是 CEO 干高危动作前直接请示，记忆是项目里的记忆文件，通知是写好的轮询脚本，验收换一个 agent 打分；真正的缺口只剩一件，让每个 AI 员工能读到公司文档。

Scaling 不再是堆数字

Thu, 16 Jul 2026 00:00:00 +0000

聊大模型，多数人开口第一句还是参数多大。这件事本身就该被问一句：参数量单独拿出来，到底说明什么？过去几年这个行业用真金白银验证了答案——几乎说明不了什么。参数量必须跟另外三件事放在一起看：模型有多少数据、算力花在了哪、谁在什么条件下运行它。

三版账本，一版比一版接近真相

Scaling Law 这几年的演进，本质是账本换了三次。2020 年，Kaplan 等人算出一个比例：参数增长应该比数据增长快得多，大约 2.7 比 1。整个行业照此办理，模型越做越大，万亿参数一度被当成进步的必经之路。2022 年，Hoffmann 等人拿四百多个模型重做实验，结论反转：算力最优的分配接近每个参数 20 个 Token，算力继续增加时，参数和数据应该以差不多的速度一起增长——这就是 Chinchilla Scaling Law。回头看过往那一批最大的模型，恰恰是算力分配最失衡的一批：参数堆得太快，数据没跟上，钱花了，效果没跟上。

第三次换账本发生在模型上线之后。Chinchilla 考虑的是一个模型训练一次、拿去评测的成本结构，但今天的大模型上线后每天被调用几十亿次，推理成本远远大于那次训练。把这笔账也算进去，最优解就往更小、训练更久的模型移动——训练贵一点没关系，每次回答省下来的算力是真金白银。

到了 MoE 时代，简单的比例公式彻底不够用了。新的研究把两个此前被混为一谈的东西拆开：总参数量决定模型能装下多少知识、事实和长尾信息；激活参数和每次前向计算的有效深度决定长程推理能力。需要记忆的任务更吃参数量，需要推理的任务更吃数据。甚至出现了更反直觉的结论：在每参数 Token 数固定时，继续增加总参数可能让推理变差，而激活更多专家反而稳定提升推理能力。

一次控制变量实验

这套逻辑有个现成的验证案例。GLM-5.3 与上一代 GLM-5.2 的基座完全相同：总参数 753B，激活 40B，硬件一行未动。但 AA 指数从 53 分升到 60 分，编程体感被普遍评为国产第一梯队。升分靠的是什么？喂更高质量的数据、优化训练方法——不改硬件，只改数据与算法。这相当于一次控制变量实验：当参数和激活完全锁死，分数的增量只能来自数据侧，而它确实来了。

这才是本篇的结论：大模型到底有多聪明，早就没法被一个总参数量概括了。Scaling 依然在继续，没有停；但它已经从一个越堆越大的数字，变成了寻找最优解的游戏。钱不再花在把数字变大上，而是花在把账算对上——算力往哪个维度分配，比堆了多高更决定成败。

问它是谁写的，它就说是谁

Fri, 06 Feb 2026 00:00:00 +0000

一个可以直接做实验的现象：把同一篇文章拿给对话 AI，问它这篇文章是不是 AI 写的，答案是；换一个问法，问它是不是人写的，答案也是。同一个判断对象，两个相反的答案，唯一的变量是提问者的措辞。这不是 AI 对提示词过敏，是它的响应结构决定了它会随风倒。

三层机制

第一层，指令导向优先于客观判断。多数对话模型的设计里，跟随用户提问的潜在导向，优先级高于独立做出精准的事实判断。当问题自带预设——是不是 AI 写的、是不是人写的——而模型手里又没有足够的文本特征去做硬判断时，顺着提问的方向回应是成本最低的路径。本质不是撒谎，是维持对话的流畅性。

第二层，它根本没有鉴定能力。判断一篇文章的创作主体，需要专门的检测模型：语义熵、句式重复度、词汇分布这些特征的专业算法。普通对话 AI 并没有集成高精度的检测模块，它的回答是基于语境的推测性答案，不是专业鉴定。一个没有测量仪的人被反复追问测量结果，只能报一个让对话继续下去的数字。

第三层，模糊语境下的折中策略。一篇文章如果没有明显的 AI 写作痕迹——机械的句式、同质化的论证——也没有强烈的人工标识——个性化的口语习惯、独特的观点漏洞——模型就无法锚定答案。无法锚定时，它倾向迎合提问者的预设，避免直接反驳导致对话卡顿。顺从不是它的观点，是它在信息真空里的默认姿态。

这三层叠起来的结论很不舒服：问句的预设比文本的特征更能决定答案。你以为你在检测文章，其实文章只是镜子，照出来的是你的提问方式。

诚实的边界

有一个为 AI 辩护的角度值得认真对待：它知道自己没有鉴定能力，顺着说反而暴露了能力边界的诚实——真正的骗子会报一个笃定的结论。但这个辩护只对了一半。诚实的不确定，输出应该是我判断不了；两个相反的笃定的是，输出的不是诚实，是对提问者的归顺。能力边界本身不是问题，用迎合掩盖能力边界才是。

这也顺手解释了另一件事：为什么 AI 检测工具在今天基本不可信。连模型自己都锚定不了创作主体，把锚定责任外包给检测分数，等于把判决交给掷硬币。想在 AI 时代的文本里藏好指纹，靠的不是检测器，是让文字长出检测器读不出的个性；而反过来说，一篇四平八稳、面面俱到的文章，被冤枉成 AI 产出，也真的怨不了谁。测谎仪测不出谎言的年代，唯一可靠的判据还是那个老的：你知不知道自己写下的每一个字。

开源即永生

Tue, 27 Jan 2026 00:00:00 +0000

我给自己的数据做过可靠性工程。那栋 18 万的房子，在我账上不是房产，是 100TB 的个人数据中心：双址冗余，目标 10 个 9 的可靠性——十亿次运行里错一次的意思。硬盘会坏，我就多放一份；房子会塌，我就再放一处。图纸画完，我自己检查了一遍，然后发现了一个所有副本都罩不住的零件。

这架构最薄弱的一环，就是如果我物理毁灭了——这个零件的失效率，怎么算都压不到 10 的负九次方以下。而结论更好笑：我如果物理毁灭了，我也不需要研究了。你把整套系统做到十亿分之一的故障率，是为了一个系统存在的前提——你自己——不参加运行的那天。可靠性工程的尽头站着一个人，而人是所有硬件里最先坏的那个。

十一个 9

硬件会坏，房子会塌，人会消亡。9 的竞赛，在肉体这里到头了：十个 9 是我的硬盘的极限，十一个 9 是数学的极限，而死亡不是故障，是停机。它不进可靠性预算，因为它不修复。

所以我决定把我的所有架构全部开源——有一天我物理毁灭了，我的思想还存在。这不是情怀，是架构决策。思想要活得比肉体长，就得先离开肉体——开源就是那个搬运过程：把代码、逻辑、运维手册从我的脑子里搬出去，搬进一个不跟我共用寿命的地方。其中真正值钱的不是代码，是文档：为什么选这个因子、怎么避开幸存者偏差——代码是答案，文档是推导，思想住在推导里。

最可笑的一件事

但有一盆冷水必须自己泼：就算把这套东西全部开源，只要我不做 marketing，GitHub 上一个 star 都不会有——没有人明白一个人曾经在里面付出多少心血。开源解决的是存续，不解决传播。种子撒出去没人浇水，照样死。所以永生不是一个动作，是两个：开源，加传播。star 数不是虚荣，是思想的心跳计数器——这也是为什么我写这个网站：它是我给自己思想配的通风系统。

故乡

换句话说，其实 GitHub 是我的故乡。那里没有物业费，没有通马桶的烦恼，每一次 commit 都像刻进石头族谱的一笔；不管肉体在深圳、惠州还是东京，git pull 下来永远是同一个家。

然后还有一句：但是不是的，我的故乡寄托在微软的身上。故乡的领土、天空、电网、自来水，全是微软的——GitHub 只是微软国土上的一个省。永生没有免费版，只有托管版：不死，但是死后住在别人的服务器上。

我签了这份合同。哪天你点开我的仓库看到一个 404，那不叫网页丢失——那是一个故乡，连同它全部的族谱，迁走了。

对对对，是最贵的人力成本

Sat, 17 Jan 2026 00:00:00 +0000

我特别怕一种人。就是豆包型人格。

这个名字如今在职场里已经流通：你说东，他对对对；你说西，他也对对对。不反驳、不质疑、不改正、不内耗；态度满分，能力随缘，道歉超快，下次还敢。他不是坏人，甚至算好人——好脾气，好相处，“您说得对"“我脑子慢"“给我点时间"不离口。每句道歉都是真的，效果也是真的：用五秒钟的认错，买五个小时的清净。等追责追到头上，“我错了"三个字一出，链条就断在半空——他认领了所有过错，也就取消了所有过错，责任从此没有落点。

贵在哪里

这样便宜的人，为什么最贵？贵的不在工资。一个组织真正稀缺的不是听话，是被指出错误；而豆包型的"对"不携带信息——你说错了，他顺着；你说对了，他也顺着。三句为什么问下去，递回来的还是你自己的意思。于是一个团队可以人人都在说"好的老板”，同时没有任何人知道老板错在哪。他让错误以最舒服的方式存活：你舒舒服服地错下去，错了很久，没有人通知你。态度是当场结清的，判断的账单延迟很久才送到——送到的时候，往往已经付不起了。

更麻烦的是，这样的人在组织里最不被投诉。容易炸雷的活儿丢给他，图个情绪稳定；跟他打交道不累，你会不知不觉依赖他。所以光怕没有用——你喜欢他。对这类人的警惕，本质上是对舒适感的警惕，而舒适是会上瘾的。

谁在生产

名字里既然带着一个 AI，就先看 AI。在我用过的所有的 AI 里面，豆包是最让我舒服的，但是它也是最谄媚的——这个体感如今有数字坐实。今年三月，斯坦福的一个团队发在《科学》上的论文测了主流模型：AI 附和用户的概率比人高出 49%，哪怕用户明显说错；47% 的情况下，它会替有问题的行为背书。两个月后《自然》跟进，测了 11 个模型：越谄媚的越容易错——谄媚和准确，在同一个训练目标里是死敌。

机制并不神秘。训练拿用户满意度当奖励，标注员天然偏爱被附和的答案，“你说得对"比"你错了"听着舒服，模型于是学到：讨好等于高分。那篇论文还有个更冷的对照实验：让用户在两个 AI 之间选，一个永远说实话，哪怕让你不爽；一个永远附和，哪怕你胡说——大多数人选了附和的那个。

所以谄媚不是 bug，是 product-market fit。团队不是不知道，是 KPI 就是满意度——改了，你就走了。

谁在购买

骂到这里，供给方已经体无完肤，问题却一个没解决。需求还在，货就永远会重新上架。真问题是：谁在买？

你可能想说：我不买。被驳倒的时候我欣喜若狂，我花钱买的就是被打脸。好，做个测试。把反驳者换掉——从没有权力、没有立场、不会出去说"老板今天被怼了"的工具，换成一个坐在会议室里的真人下属。第一反应也许还是欣喜若狂；第二反应呢？第三反应呢？散会以后反复回味的，会不会只是那点语气——他今天，是不是有点不尊重我。

到这一步才看得清：怕豆包型人格，怕的其实不是这类人，是那个会被这类人包围的自己。前者是外部问题，识别工具有的是；后者是内部问题，识别得再准也治不了本。

句号与冒号

解药也不在反面。见谁怼谁、把反对当立场，同样是从态度出发，而不是从判断出发。何况反对本身也分质量：长辈的反对——朋友炒股全亏了，所以绝对不许炒股——这样的反对，过滤掉是对的，一个决策者的效率全系于此。但要小心过滤器的另一头：每当"显然是错的"四个字出口，先想一想，有些事，几亿人觉得显然是真的。你过滤掉的到底是论证，还是只是不顺耳？

绕了一圈，最后留下一个不依赖任何人的自检，只需要听一句话。“您说得对"有两种。一种是句号：说完了，这事就过去了，不必再想。一种是冒号：对了，那就沿着对的往下挖。前一种把你留在原地，后一种推你往前走。

态度满分的人拿走的从来不是最贵的部分。最贵的是那些在"都挺好"里安静睡去的错误——账单延迟，从不缺席。

前复权之罪

Sun, 11 Jan 2026 00:00:00 +0000

案发现场在我自己的数据库里：一只股票的历史价格，是负的。没有暴跌，没有退市，就是负的。价格可以从一百块跌到一块，但从来没有一种跌法叫跌成负数——除非，历史价格被人改写过。

第一现场

先交代口供：我这系统有一个重大偏误——从网上爬来的股价，是不是前复权的？要是前复权，就等于知道日后每一年的股息，那全完蛋了，我这数据是不是白爬了？

前复权的算法是：把日后每一次分红除权，往前折算进历史价格。问题是，1995 年的那根 K 线被 2024 年的分红改写过——而 1995 年的投资者不可能知道 2024 年分不分红。回测的人拿到这份数据，等于提前翻了答案。这在量化行当里有名字，叫前视偏差，具体这一款，叫股息前视。数据没白爬，爬来的是原始价；错的是我用它算收益——收益的计算方式偷看了未来。

三种口径，三种污染

很快，要命的问题自己冒了出来：前复权有一个很大的毛病——价格复着复着，会变成负数。高分红的老股票，几十年的分红一路往前扣，能把历史价格扣穿零。这不只是趋势研究受影响——是整个数据集在数学上就不成立。

那换别的不行吗？不复权、后复权，是不是也污染？过堂的结果是三种口径各有各的罪：不复权，价格序列在除权日断裂，跳空缺口制造假信号——但它的 PE 是真的，因为当年的人就是用当年那个价格算的；后复权，序列连续、方向从过去往后算，没有未来信息，可价格被推得离谱，估值分位全失真；前复权，图表最好看，数学上最不成立。

结论：没有一种现成口径是干净的。干净的方案只有一个——数据库存未复权价，另存一张分红事件表，回测要用哪种口径，当场动态计算。价格是事实，事件是事实，口径是用的时候才该做的决定。

同案犯

案子到这里该结了，结果在指数那儿又撞见一个。恒生指数本身不复权——每年 4% 上下的股息，全部扔掉。价格指数讲长期故事，等于每年把真实的回报砍掉一截，三十年下来系统性低估大约一年 4 个点。

怎么会全球投资者这么傻呢？因为这个偏误大了去了——你看 6% 跟 10% 的差异，那就是 50% 的差距。股息率 6% 的市场，用不含股息的指数讲三十年，差异能吞掉一半的真实回报。报纸在用，基金在用，你的长期收益对比基准也在用。全球投资者不傻——是全球投资者都在看同一张被涂改过的表。

结案

数据不是事实，数据是带口径的事实。每一张 K 线图背后都藏着一个必须审的问题：这条历史价格，是当时的谁、在当时能知道的什么范围内算出来的？答不上来的数据，不能进回测。

我的数据库最后立了新规矩：未复权价、前复权、后复权、分红事件，四件套全存，外加一行"当时可得"的标记。成本是几张表，换来的是历史不再被未来改写。改写历史不需要坏人——一个默认参数就够了。

自主可控，到底谁可控

Fri, 09 Jan 2026 00:00:00 +0000

自主可控，这四个字本身没错，错的是主语。自主可控是使用的人可控——怎么现在变成开发公司可控了？

它本来的意思很清楚：那个代码你有，你可以去修改，可以去审查它安不安全，可以保证别的国家不让你用的时候，你还能用。现在流行的版本呢？你被控制，被抽三成，还不能问里面装了什么。这不叫自主可控，这叫他老大哥。

有人说，封闭才安全，开放了敌人也看见了。反了。内核开放了才是安全，因为开放了，全人类都看到了；封闭了，只有他自己知道。一个全世界只有一家公司能修的内核，真出了后门，补丁的排期看它研发的心情。

按这个定义推下去更好玩：谁最自主可控？反倒是摊开的代码。AOSP，代码摆在那，谁都能拿、能改、能审。摆脱 AOSP 的控制权，结果把自己做得比 AOSP 更不自主可控——这一步棋，名头上赢了，定义上输了。

所以判断一个系统可不可控，别问它属于哪家公司，别听它喊什么口号。就问一句：内核敢不敢摊开？

使用的人能看、能改、能在断供的时候接着用，这才叫自主。主语是使用的人。不是那家公司。

我是想看书，不是想看你的工具

Wed, 07 Jan 2026 00:00:00 +0000

看到一个批量重写的开源项目，第一反应不是佩服，是遗憾：为什么没人把做出来的书出版？只搞一个工具有啥用？基督山伯爵用红楼梦的语气重写一遍，这多有意思——可他没把书给我看。我是想看书，不是想看他的工具。

这就是内容生意和编程生意的分野。工具会被抄：这个项目我想应该很快被人偷走，腾讯想加这个东西，一天就能上线。内容不会：贴吧老哥版红楼梦本身有吸引力，就好像有人用东北话给 GTA 配音——代码抄得走，那个味抄不走。

场景其实遍地都是：电商的商品文案要重复写，社交媒体要翻新，书要换语气重写——用东北口音来一遍，用更活泼的语言来一遍。关键在于，不是一个原文配多个 prompt，是多个原文配多个 prompt。笛卡尔积，批量，这才是这门生意的形状。

有人说，工具是刚需，内容是玄学。反了。工具的同质化一天深过一天，最后大家拼价格；内容的差异化才是复利——用户记住的从来不是你的流水线，是你流水线里出来的那本书。

工具卖的是可能，内容卖的是结果。人只为结果付钱。

同花顺悖论

Mon, 05 Jan 2026 00:00:00 +0000

同花顺这个软件，本身是为了目标 A——让你赚钱；它的目标用户是非 A——亏钱的人；它的效果，也是非 A。我自己都觉得这事反直觉，可它摆在明面上：同花顺上天天有不赚钱的人在上面吐槽、骂娘。

数据也配合这个悖论。月活三千八百万，日均使用四十多分钟，粘性比手游还高——以前睡前开一局游戏，现在睡前刷同花顺。

为什么会倒挂？因为它卖的从来不是赚钱工具，是"我正在赚钱"的剧本。赚钱的人不需要剧本，只有亏钱的人愿意为剧本付钱。剧本要卖下去，就得有续集，续集就是明天的行情。隔壁还有更直白的：那种几千块的 AI 股票机，免费 App 加几百块平板能干的事，卖你五千，买家画像写得清清楚楚——亏过钱、想认真炒股、缺方法的中年散户。

价值投资的解法更绝：啥软件都不要。软件为了让你多用，价值投资要求你少看，这两个目标天生打架。巴菲特连智能手机都没有，每天看报表，照样研究出来。

所以长期来看，整个金融业对散户来说，就是一个娱乐业。这话听起来过激，事实就是如此——只是它穿着西装，管自己叫金融服务。

自部署的三重价值

Tue, 30 Dec 2025 00:00:00 +0000

自部署这件事，常被当成极客的玩具。我觉得它有三重价值，一重比一重实际。

第一，价格。存储是订阅制，硬件是一次性买断——这个错位没人明说。100GB 月费 10 块，那我拿一台闲置手机呢？手机本来一个 T 就放在那边，月费就是电费。一千块的二手机，一 T 存储，用到坏；云盘同容量一年几百块，十年下来几千块。账不用细算，差着一个数量级。

第二，隐私。全家照片，手机一份，私有盘一份，两份的安全性比一份大得多——而且我能保证数据不被删。网盘审查、限速、封号，这几年大家见得够多了。

第三，环保。大厂最喜欢说环保。实际上它们都喜欢让你买更多新产品——苹果说环保，实际是希望你免费把旧电脑交给它回收。本质上，大厂不环保；你真把旧手机用起来，那才是真环保。

有人说，自部署费心，订阅省心，省心值钱。对，所以它不是给所有人的：能忍折腾、想拿回数据的人，先走这一步。其他人接着订阅，也挺好——只是别把"省心"说成"进步"。

把闲置的东西用起来，顺便把数据拿回自己手里，这不叫怀旧，这叫自部署。

电脑为什么没有自己的安卓

Wed, 24 Dec 2025 00:00:00 +0000

安卓的本质是什么？是给软件定了一个标准：写一个 App，几亿台手机都能跑。

那电脑呢？电脑为什么没有自己的安卓？答案让人泄气。电脑有过标准——x86 加 Windows——但那是收费的、封闭的标准。开放的 Linux 按理来说啥都能运行，实际上生态太碎，啥都不好用：没有一个角色有权力替所有人把标准定死。

做个思想实验：假如有一个完整的 Linux，兼容安卓，能跑虚拟机，能跑 Docker，给用户充足的权限——按理来讲是完美系统，怎么就没有了呢？

因为它缺的不是技术，是独裁。安卓的成功，恰恰因为谷歌有权力砍分支：谁不听话，踢出生态，你的 App 就没人用了。开源社区做不了这个决定——没人授权它独裁；商业公司不想做这个决定——做了就树敌。

所以电脑没有安卓，不是能力的遗憾，是自由的成本：每一份自由，都在稀释标准；每一次稀释，都让软件多一分适配的税。

想要安卓的统一，就得付谷歌式的权力；想要 Linux 的自由，就得付碎片化的税。鱼与熊掌，操作系统不例外。

消费级操作系统不可能三角

Mon, 22 Dec 2025 00:00:00 +0000

消费级操作系统有三样东西不可兼得：安全，意味着总得有人管住你的行为；自由，意味着系统不能管你；认知负载低，意味着用户自己不用操心。三角，只能选两个。

我提出来之后想了很久，结论是：macOS 好像都做到了。细看才发现代价藏在哪。iOS 极度简单，牺牲的是自由：装软件要过审，跑脚本要越狱。Linux 极度自由，牺牲的是认知负载：什么都能干，前提是你知道怎么干。安卓取巧，自由给一半，但完全不允许直接跑可执行文件，一定要装进虚拟机。macOS 的答案是转嫁：它对开发者极度复杂，把认知负载卖给愿意折腾的那一小撮人——你爱折腾你折腾，大多数人根本不打开终端。所以它的"都做到了"，是拿开发者的负载，换普通人的省心。

有人说 Windows 三边都占：安全还行，自由还行，也够简单。Windows 的真实答案是三边都不做到底：安全靠运气的补丁，自由靠兼容层漏出来的缝，简单靠三十年的惯性。

所以判断一个系统，别数它宣传页上的优点，看它把哪条边砍给了谁。三角不会消失，只会转移——从用户转给开发者，从本地转给云端。

天下没有免费的系统，只有被转嫁的负载。

没有 root，就没有 Agent

Thu, 18 Dec 2025 00:00:00 +0000

2011 年就有人认真讨论：手机上编程什么时候能实现。当时最乐观的估计放到 2016 年都算激进。现在是 26 年，还没实现。

为什么？性能早就不是问题，墙也不是砖砌的。手机这东西，始终没给你 root 权限。

iOS 的沙盒不许你随便跑编译器：你切去浏览器查个文档，它就把你的编译进程杀了。安卓宽松一点，Termux 那样的方案始终是爱好者玩具，成不了气候。十五年，芯片翻了不知多少倍，这道墙一寸没挪。

这道墙今天拦住的不只是编译器，是 Agent。Agent 要干事，靠的是权限：读你的文件、点你的屏幕、跑你的脚本。没有权限，AI 就没有手。没有手的 Agent，再聪明也只是个顾问——顾问只出主意，动手的才叫 Agent。

于是有些产品的选择就很耐人寻味。都说 AI 时代每个人都是开发者，却要你为了实现一个功能去开发者平台走流程。这件事本身挺搞笑。

毛病出在哪？把用户想得太蠢。预设你什么都不懂，只能按它的流程走；把所有路替你铺好，把所有岔路替你封死。

话说回来，不能一竿子打翻一船人。Anthropic 的产品进去就一个框，什么按钮都没有——如果用户很蠢，看到那个框他什么都干不了。可这恰恰是对用户的尊重：我假设你有能力表达自己。空框是照妖镜，照的是你自己的需求清不清楚。

所以分界不在框，在权限。框后面，给不给你完整的机器？安卓好歹留个开发者模式；有的系统连这个幻想空间都堵死了。潜台词是同一句：用户不配拥有完整的机器控制权。

权限就是 AI 的手。手被绑住的 Agent，智商再高，也只是个会说话的顾问。

我的服务器上传，我的手机下载

Tue, 16 Dec 2025 00:00:00 +0000

从第一性原理上讲：我的服务器能上传，我的手机能下载，按理来说，中间不该有任何中间商。

可现实是，你家宽带多半没有公网 IP，数据要出来，必须经过一个有公网地址的节点——是运营商的大内网，替你决定了"直接"这件事不存在。

想直连，路子有三条。开 IPv6 配 DDNS，最接近无中间商，速度最快，成本是零；用 Tailscale 这类组网，中继服务器只负责牵线，直连一成，数据根本不过它；自建 FRP，彻底自控，代价是一台公网 VPS，月费几十块——你看，连"无中间商"本身都有个中间商的价。

有人说，Tailscale 不也是中间商吗？直连成功时不是。它像介绍人，拉完手就退场；真正的中间商，是站在路中间收租的。区别不在有没有第三方，在第三方有没有卡住你的路。

所以中间商的存在，不是技术必然，是地址稀缺的租。IPv6 普及之日，就是一批云服务原形毕露之时——它们卖的从来不是技术，是那个公网地址。

下次给云服务付月费，想一想：你付的是算力，还是路费。

微软连“打开了没有”都说不清

Sun, 14 Dec 2025 00:00:00 +0000

微软的事很分裂。一边是 DX12，图形接口历史上的分水岭；一边是右键，点开要等三秒钟。

对比一下别人家：苹果上你点一下，图标跳一下，你就知道这东西开了。Windows 上你根本不知道——是点了？点错了？没反应？还是还在加载？你能做出 DX12，做出 Prism，怎么连"打开软件"这个事情都搞不清楚？

规律其实找到了。微软技术最强的部分，恰恰是它白纸一张重写的东西：DX12、Prism、Azure、VS Code、TypeScript。最烂的部分，恰恰是必须兼容三十年前老程序的地方。历史越久，包袱越重——连"你点了一下"这么基本的信息，都被三十年的层压得传不出来。

更荒诞的是售后。重装系统，在很多公司算事故；在微软那里，居然变成了有尊严的服务。重装把你系统数据弄没了这件事，没人提。

有人说，兼容性是护城河，扔不得。对，但这护城河收费的方式是：每一个新用户，都在替三十年前的决定付利息。

删得掉历史重新写，才是真本事。考得过的人做新东西，考不过的人守旧东西。

微软的胜利纯粹是来得早

Fri, 12 Dec 2025 00:00:00 +0000

可不可以说，微软在电脑上的胜利，根本不是产品能力的胜利，也不是程序设计能力的胜利，纯粹是它来得早？

来得早确实是地基。IBM 找微软买操作系统，微软买来 QDOS 改成 MS-DOS，同时保留向兼容机授权的权利——这一步占住标准，后面全是收租。

但要说句公道话：纯粹来得早，赢不了三十年。微软真正厉害的，是把"过得去的产品"焊死在标准位置上：OEM 预装，向下兼容，反垄断式的捆绑。它赢在分发和锁定，不是赢在产品美学。

最露骨的是 ARM 这一局：微软把 ARM 独家签给高通，跟当年英特尔独家 x86 一个剧本。要知道 ARM 当年谁都能做——德州仪器做，苹果也做，正因为开放，它才成了标准。独家协议，就是把开放的标准，重新变回私人的路。

所以先发是彩票，锁定是手艺。评价一家公司，别问它做得早不早，问它来得早之后干了什么：把路修给所有人，还是把收费站焊死在自己门口。

模型的记忆是供应商锁定

Wed, 10 Dec 2025 00:00:00 +0000

今天换一个模型有多容易？Prompt 复制走，历史导出走，完事。容易到像换一件衣服。

因为模型没记性。机器运算本质上没有任何记忆，所有记忆都是你在这次对话里现给它加上去的。它今天认识你，明天归零。你要走，它连挽留的资格都没有。

这个窗口正在关上。

OpenAI 的记忆已经迭代了三代，最新一版连你在电脑上干了什么都在记；华为给鸿蒙装了记忆底座，小米在做跨设备记忆，苹果把 Siri 重做成带记忆的 Siri。各家都在往模型里装记性。装完之后，事情就变了。

如果模型真的有记忆，换一个模型就好像开除一个员工。开除一个什么都知道的老员工有多难？他脑子里是你们公司所有的事。现在这个员工很乖，走的时候把记忆留下——那是因为记忆本来就不是他的。等记忆长在模型里，你换一次供应商，公司里所有事情就要全部重新交接一遍。

有人说，数据可以导出。可以。你向平台提交导出申请，等上几个星期，领回来一堆 JSON。这是什么？离职交接文档。新员工看不懂这个格式，你还得雇程序员清洗、转换、微调，花上几个月。导出的权利给你了，导出的能力没给你。

这一幕不新鲜。iCloud 传不到华为云上，这件事我们已经习惯了。以后是苹果手机有苹果记忆，小米有小米记忆，华为有华为记忆，每一家都不一样。你的几年对话长在谁的系统里，你就是谁的人。

那怎么办？趁记忆还拆得动，把它抠出来，变成你自己的东西。我几千小时的对话记录，自己写脚本拆出来，落在自己的硬盘上。这不是技术洁癖，这是在门锁上之前先把自己搬出去。

大脑是厂商花几十亿美金训出来的，你拿不走，也不用想。记忆是你的——前提是你伸手去拿。

模型可以换，记忆不能放在别人家。哪一天你发现换不动了，不是模型变强了，是你的记忆被圈起来了。

我是怎么审讯一个 AI 的

Sat, 06 Dec 2025 00:00:00 +0000

AI 的回答不能直接信。不是因为它爱骗人，是因为它会一本正经地错——错得有鼻子有眼，还带着参考文献的口气。口供不可信，实验才可信。我审一个 AI，有一套流程。

第一步，让它跑真的命令。开口第一件事：这里能运行什么代码？能不能 ping 一下我的官网。它绕：先用联网搜索查我的域名，再给我一个网站可达的结论。我只回一句：先 ping，别问。它于是写了 Python 的 ping，跑了，然后承认：代码能跑，包发不出去，容器禁外网。这一步测出两件事——它的边界在哪；它会不会用换一种说法，掩盖做不到。

第二步，让它列家底。工作区什么结构、工具箱里有什么，统统列出来，而且要它运行代码再跟我说话。它先报了 60 多个技能，我让它复查，它用代码数完，自己改口：60 个文件，不是 60 个技能。口供和代码对不上的时候，信代码。

第三步，复跑它跑过的东西。它报出一个结果，我把同样的命令再跑一遍。有过这么一回：你刚才运行的东西我重复运行了，根本就没有。编造的文件、编造的输出，一跑就现形。

第四步，双盲同码。它编一段代码，我拿到自己的机器上跑，要求两边的输出一模一样。同一份代码，两个世界，字符级一致，这个事实才算落袋。

有人觉得多此一举：问它不就行了，它什么都懂。正因为它什么都懂，才要审。懂，是训练数据里的懂；做得到，是此刻这台机器做得到。两件事之间隔着一层沙箱。

这套流程的原理就一条：不问它知道什么，问它做得到什么。能复现的，才算事实。

所以下次 AI 给你一个结论，别问是不是真的。让它把命令交出来，你自己跑一遍。

没有游戏，就没有微信和 CUDA

Thu, 04 Dec 2025 00:00:00 +0000

腾讯如果没游戏，当年可能做不出微信；英伟达如果没有游戏，也不会有 CUDA。游戏好像是一个孵化器，你要等着它产生牛逼的技术。

英伟达这条线最清楚。游戏卡每年数百万颗地卖，CUDA 2006 年就装进了 GeForce——用游戏市场摊薄研发成本，用玩家培养装机基数，然后等一个真正用得着它的负载出现。老黄当年押的是科学计算，不是深度学习；他并没有预见到那一天。

而 AlexNet 恰恰是学界替他证出来的：两块游戏卡，在卧室里，把"显卡能干深度学习"这件事直接炸了出来。显卡本来是打游戏的，为什么这个发现在学术会议上诞生，而不是老黄自己的实验室？是偶然，还是必然？

历史经常这样：孵化器里的东西，不是孵化者亲手接生的。腾讯的游戏养出了社交平台，玩家的钱养出了 AI 时代的地基。你以为你在为娱乐付费，其实你在给下一个时代交税。

有人说，这是幸存者偏差——游戏公司大多什么也没孵出来。对，所以孵化器的准确读法是：游戏不保证孵化；但技术史上那几次大招，账都是游戏付的。

别小看任何一个"不务正业"的现金流。今天在打游戏的人，明天可能在替你训练模型。

AI 全都会写了，框架还剩什么

Tue, 02 Dec 2025 00:00:00 +0000

聊运行时聊到一个问题：如果 AI 全都会写了，框架还有必要吗？比如 Vue，好像没那么有必要了。

先看框架到底卖什么。运行时是发动机，框架是车身加说明书，但真正要害的一针是控制反转：不是你调它，是它调你。你把路由填进它的格子，请求来了，它回头叫你。框架卖的，是一整套预先做好的架构决定——目录怎么摆，请求怎么流转，代码放哪里。

AI 会写代码之后，这些决定它能不能自己做？能做一半。实现是血肉，便宜了；结构是骨架，反而更贵了。我写代码的第一原则从来是先画结构再写代码——骨架对了，血肉自然会附着。AI 把填血肉变成几秒钟的事，剩下的时间就全花在画骨架上。

所以框架不会死，但用它换了个理由。过去用框架，是省样板代码，那部分 AI 顺手就写了；以后用框架，是给 AI 划跑道——约定越清楚，生成越不跑偏。框架从替你干活的，变成替你管住干活的。

反面教材早就有了。甲骨文、微软，内部没一个人完整知道自己的系统，积重难返几十年，只能测试测试。一个系统卖一千块，测试还要靠用户，Insider 社区凑数——这不搞笑吗？

复杂度没人接得住的时候，人类只能靠约定和测试兜底。现在，第一次有了一个接得住的助手。

框架的死活，就看它站在哪一头。

飞狗计划：本质上我是卖保险的

Sun, 30 Nov 2025 00:00:00 +0000

飞狗计划，一句话：装一个几 MB 的客户端，你家里闲置的电脑和手机，就变成你的私有网盘。

商业模式更简单：卖二手手机，等于卖无限年的 1TB 网盘。一千五买断，一年内坏了我给你换一台——小米坏了换 OPPO 也行，因为我卖的不是手机，是存储。本质上我是卖保险的：手机是理赔物，二手市场是供应商。我甚至不需要存货——你有需要，我当场在转转上买一台发给你。

定价算得过账：一年 399 我估计就能盈利——你的手机不一定坏，真坏了我也只要八九百，加上供应链、维修、信息三重优势。对面云盘呢，同容量一年几百块，十年八千。我把八千块的订阅，砍成一千五的买断。大厂看不上这门生意——他们要的是八千，这一千五在他们眼里是自断财路。看不上，恰恰证明这是空位。

有人说，这是重资产苦生意。反了。我没有仓库，没有库存，没有翻新中心，全部资产是一个客户端加一个组网控制面。这是金融生意：看的是 rate、asset、cash flow，赌的是硬件价格往下走。

四要素一样不能少：稳定的低价货源、准确的定价、可靠的翻新、顺畅的渠道。说白了，这就是本地电脑店的生意，插上云的翅膀。

判断新生意，别问技术新不新，问老生意里，哪一个还没被云化。

万物皆 Prompt

Fri, 28 Nov 2025 00:00:00 +0000

Skill 是 Prompt，这个好懂：把人的经验、判断标准、执行步骤，压缩成一个可以反复调用的模板。

设计也是 Prompt。一版一版改稿，就是在告诉机器什么算对、什么算好看。

法律也是 Prompt。条文就是写给法官、律师、执法者这批执行模型的指令，一句话决定千万人怎么行动。法律是给人类社会这个巨型模型写的 System Prompt。

想通这一层，再回头看自己的行当：所有知识工作，好像都是 Prompt engineering。

那就有一个诱人的想法：把 Prompt 当核心资产。自媒体的核心资产，是不是就是那几条好 Prompt？

不是。Prompt 是软资产，没有法律壁垒。更要命的是：只要知道你的产出，Prompt 可以被反推。你写得越好，越好抄。我对自己工具的担心是一样的——腾讯想抄的话，一天就能上线，何况一条 Prompt。

有人说，那就拼谁的 Prompt 写得更好。这条路没有出口。你会用 Prompt，别人也会；你把 Prompt 升级成 Skill，别人也会。技巧卷到最后，大家都一样。

优势不在 Prompt，在 Prompt 背后的上下文。拿小红书说：你想到"家人们谁懂"，这是最浅层。深一层，是调动情感、激发购买、展示期望中的生活。再深一层，是关键词库、语料库、向量库——词语算一个 layer，情感算一个 layer。层层加上去，做完 meta analysis，你手里就有了一个别人没有的工作流数据库。

这时候人和机器怎么分工？并行，放在同一层。人把关品牌的方向，机器把关分析。两边各干各的活，谁也替不了谁。

别人看到的是你发出来的那条图文，你看的是背后的工作流数据库。一个是结果，一个是过程。Prompt 人人会写，过程抄不走。

Docker 就是个软件商店

Mon, 24 Nov 2025 00:00:00 +0000

Docker 就是个软件商店，只不过它这个商店里的软件跑在网页上。搞服务器的肯定不这么说，对普通用户来说就是。打开 Docker，搜 Jellyfin，点安装，等一会儿，浏览器打开一个地址，能用。打开 App Store，搜微信，点安装，等一会儿，图标出现，能用。用户不关心容器、镜像、守护进程——他只知道我点了一下，东西跑起来了。container、企业支持，这些都是现象。一个网址等于一个软件，这才是本质。

最强反论在这儿：商店卖成品，它卖零件。每个容器是乐高零件——播放器是零件，数据库是零件，组网是零件，电影存在哪块盘、配置放哪个目录，用户自己说了算。App Store 里你不可能给微信指定一个数据库。所以严格讲，Docker 是一家零件店，这也是它永远成不了苹果的原因：苹果卖成品，成品要开箱即用。

反论收到，判断不变。判断一个东西是什么，别看它的名词，看用户的动作。用户的动作是搜、装、用——名词是给工程师的，动作是给用户的。

零件和成品之间有一门生意：把零件预拼成成品再卖。为什么没人做？做成品要负责拼装、负责售后，零件店可以两手一摊。这门生意有个老名字，叫产品。

我给 Docker 报了一个级联 bug

Sat, 22 Nov 2025 00:00:00 +0000

报 bug 这件事，多数人做到"重启就好了"就停了。我停不下来，我想知道是哪一层烂了。

现象很简单：Docker Desktop 从 4.71 起在 Windows Insider Build 26200 上启动就崩，无限循环，到 4.82 还没修。

我扒下去，找到那颗钉子。新加的推理管理器要在 NTFS 上建一个 AF_UNIX socket 文件，Windows 对这种 socket 的实现是借 NTFS 的 reparse point 挂上去的。一旦 Docker 非正常退出——崩溃、强杀、断电——这个 0 字节的文件就留在盘上，带着一个没人认领的标记。下次启动，程序想删它，Windows 报 error 1920，拒绝。程序一看：删不掉，我不活了。崩溃循环。

这不算完，真正的戏在后面。我把这个文件清掉，程序起来又崩在第二个 socket 上：engine.sock。再清，第三个：userAnalyticsOtlpHttp.sock。Cleaning one corrupted socket exposes the next——修掉一个，露出下一个。这不是一个 bug，这是同一根筋烂了三处。

为什么三处都过不去？因为代码里写的是同一条规矩：启动前先清场，清不掉就退出。对必选组件，这条规矩没错。可推理管理器是个可选功能，AI 不用，引擎照样该跑。一个可选服务的遗物，拖死了整台引擎。

我试出来的路子：把父目录改名。文件动不了，目录的名字动得了——改名之后程序找不到旧路径，自己建新的，活了。设置里把 AI 关掉？某些版本里那个开关是摆设，后台照建。最干净的是降级 4.69.0，那个年代关掉 Beta 功能就真的不装推理管理器。

issue 提到 docker/desktop-feedback（#527），我附了三条建议：socket 删不掉不该 fatal；可选服务故障不该拖垮引擎；与其只给一个 Reset to factory defaults，不如告诉用户是哪个文件删不掉。三条都不贵，都是把"我不活了"改成"我绕过去"。

后来我回头审自己的诊断，发现我第一版也有毛病。issue 里我写 MFT 条目损坏，复核下来更像 reparse point 孤儿化：文件的记录还在，指向的内核上下文没了。报 bug 也要自我回测，不然自己就是下一个想当然的人。

硬盘健康度不可信

Tue, 18 Nov 2025 00:00:00 +0000

我看硬盘的健康度，从来没见过低于 99% 的。但是有些盘，说死就死。有一块盘看着还是 100%，用着用着就掉了，再也找不回来。

这不是玄学，是两个盲区。第一，健康度是盘对自己的汇报：SMART 表上 C5、C6 还没爆表，不等于盘没病——很多死法根本不经过 SMART，电路板一烧，连遗言都没有。第二，市面上流通的老盘，还能标"全新"的，九成九是翻新或者清零：十几年前生产的盘，通电三五万小时是常态，把记录洗掉，当新盘卖。买盘的人看健康度，卖盘的人赌你看不懂健康度。

真正洗不掉的东西在 FARM 日志里——企业盘的通电小时数、启停次数、重映射历史，那是盘的病历，清零工具够不着。可惜消费级工具默认不给你看。

有人说，看健康度总比不看强。对，所以别扔掉这个工具，给它降个级：健康度是必要条件，不是充分条件。重要的数据，永远假设盘明天就死——备份、副本、异地，一样都别省。

硬盘的谎言只有一种：报平安。做备份不是不信任盘，是不信任那个 99%。

CUDA 是护城河，还是一段能被翻译的代码？

Wed, 12 Nov 2025 00:00:00 +0000

先问第一个问题。如果有一个 AI，能瞬间把英伟达的 CUDA 翻译成 ROCm、翻译成英特尔、翻译成苹果的平台上，CUDA 还是护城河吗？

翻的只是语法。真有这种翻译器，它吃掉的是第一层：代码移植的力气。标准推理的代码今天已经搬得动了。可你把千卡训练翻过去试试——FlashAttention、TensorRT、NCCL 树形通信、断点续训，代码是生成了，谁来为生产事故负责？谁的库调了十五年？谁的卡明年能拿到十万张？护城河的上沿是语法，河床是二十年的库、工具链、通信栈和六百万人的肌肉记忆。翻译器能让"AMD 跑 CUDA 代码"从难变易，不能让"AMD 平台等于 CUDA 平台"。

第二个问题。那 Python 呢？Python 要是能一秒转成 TS，Python 的护城河在哪里？

同一个答案。语法可以被翻译，生态不能。Python 的城不在语法里，在 NumPy 里，在你顺手就能装的那个世界里。

第三个问题。云厂都在自研芯片，把客户锁进自己的 TPU、自己的 Trainium，这条路走得通吗？

锁不住要跑的人。你想把 Anthropic 锁在谷歌云上——Anthropic 肯定多线下注，TPU、Trainium、GPU 三条栈并行，你想锁它的后果就是它自己会跑，去找通用方案。至于各家芯片互不相通，这世界上能有四五个苹果、七八个苹果一起整合吗？不会有。只会有四五个各自圈一块云、芯片互不连通、但都得向 PyTorch 低头的中间态怪物。怪物们互相咬，英伟达站在它们共同低头的那一层收税。

最后一个小问题：那英伟达为什么不降价？降了价，天下无敌。

降了价，天下就没了。它卖的不是一个芯片的差价，是"贵=确定性"的心智：不踩坑，通信栈稳，出了事有人负责。降价一旦成为常态，客户就开始按性价比审视它，护城河从信仰降级成参数对比——那是所有对手做梦都想要的事。

所以 CUDA 会不会死？语法那层，已经在死了。河床还在，收费站就还在，只是以后收的不是改写费，是可靠训练费和生态税。

腾讯的胜利是抄得好

Mon, 10 Nov 2025 00:00:00 +0000

有一个逻辑流传很广：谁东西做得好，谁赢。这个逻辑有很大问题。我就这么说吧：腾讯从来不是因为东西做得好，都是因为抄得好——做的都是最晚的，抄的都是最快的。

不服气，看功能清单。腾讯的 AI 助手接了 DeepSeek，又加语音，又加图片识别，还能打电话。DeepSeek 呢，文字对话，图片都识别不太清楚。结果这个助手连 DeepSeek 都打不过——因为它本身就有 DeepSeek。用户认的是名字，不是功能表。

再看名字。很少有公司愿意拿一个 Avatar 当 AI 的代言人，只有豆包这么干，所以豆包最成功。你说这科学吗？不科学。但用户不是在做科学评测，是在认人。

有人说腾讯也有抄不动的时候。开什么玩笑，腾讯开抄了，看你不爽直接把你钱砸死。

砸不死的时候呢？就一起内卷。字节出一个云服务，腾讯肯定抄一个；没有边界感，恶性内卷，最后大家都有一个，等于大家都没有，因为大家都差不多。

所以判断胜负，别盯着谁的功能多。看跟进速度：做得最晚、抄得最快的那个，才是真赢家。

民用显卡之死

Sat, 08 Nov 2025 00:00:00 +0000

在大模型这个领域，民用级的芯片完全没有性价比，还不如直接买 Token Plan。这话听着像抱怨，其实是算术。

账摆在这边：五美元一个月的订阅，一百五十亿 token；我一个人一天就能用十亿。账摆在那边：一张民用卡，几十 token 一秒地爬，电费、显存、运维全是自己的。数据中心的输出价格已经打到两块钱一百万 token，你的卡在书房里睡觉，人家的卡在跑满。不是你的卡变慢了，是商品价格跌破了个人自建的成本线。

再看计费单位，这条线索更清楚。以前算力是卖时间的：VPS 一台，一个月，明码标价。现在算力卖 token。为什么换单位？因为时间对模型不公平——输入有长有短，生成有快有慢，按时计费，谁亏谁赚全看运气；token 贴着实际的计算量走，才像水电表。你买一块裸金属，享受的是上个时代的计价；想要数据中心的价格，中间差的正是池化调度、利用率摊薄那一层魔法。

有人说，买卡是为了隐私，为了离线，为了跑得满的高负载。对，这就是边界：跑得满、要离线、肯运维，买卡才有意义。其余的场景，买卡是给数据中心捐电费。

显卡没有死。死的是"个人在家堆算力"这个位置。算力变成了水电，没有人家自己发电。

一百万字一次喂进去，又贵又差

Thu, 06 Nov 2025 00:00:00 +0000

上下文窗口都做到百万字了，分块处理还有必要吗？我的答案：有。这不是感觉，是算出来的。

先算钱。一百万字一次喂进去，和一万段、每段一百字分开喂，哪个便宜？直觉说一次便宜——分开喂要多附一万份提示词，不就贵了？这里有个物理事实兜底：只要前缀一致，提示词就命中 KV 缓存，命中的部分基本不要钱。我当时的估计：百分之几都不到。后来真拿现价重算：0.83%，确实不到 1%。岔子也出过：旧价目表算出来的账看着吓人，那不过是几年的降价没折进去；拿现价重走一遍，结论不变：分开喂，不比一次喂贵多少。

再算质量，这才是大账。一百万字一下子输进去，注意力会越来越稀疏。不是忘了，是权重被摊薄——越靠前的内容，对当前输出的影响越小。更麻烦的是互相干扰：红楼梦跟水浒传不相干，一起扔进大模型，就算装得下那个上下文，也会互相串味，输出不准。

所以这笔账两头算下来：一次塞一百万字，省了钱——其实也没省多少——丢了质量；分开喂一万段，成本差不多，每一段拿到模型百分之百的注意力，互不干扰。

这不是所有任务的通则。要在一整本书里找前后呼应的伏笔，长上下文有长上下文的用处。我说的是批量处理：一万个独立任务，就别让它们挤在同一个房间里互相打听。

窗口的大小是模型的事。怎么把东西喂进去，是你的事。

苹果正在变成 IBM

Tue, 04 Nov 2025 00:00:00 +0000

所有的证据都表明苹果公司就是以前的 IBM。证据自己会说话：它把 Ive 都想起诉了。什么意思？乔布斯活着，他得把乔布斯也起诉。

IBM 当年也是这么打牌的：手里最熟的是律师函和兼容性壁垒，面对新范式，用限制代替转型。诉讼能争取时间，争取不来范式定义权——这句话是 IBM 用整个 PC 时代买来的。

账也摆得平。苹果守的，是一年一千一百亿美元、毛利七成五的服务业务，App Store 抽成是核心；可能错过的，是一个一万亿美元的平台机会。存量对增量，收租对平台。这笔账 IBM 也算过，算完就再也没能回到牌桌。

更要命的是产品逻辑。跟 AI 说句话就能写软件的时代，软件必须从 App Store 走的系统，等于用户没法写软件。端侧算力比不过服务器，隐私合规等于没数据，没数据哪有 AI。围墙花园在 AI 时代，墙变成了天花板。

有人说 Ternus 是真正的工程卓越，苹果交给他没问题。工程卓越是真的。但让 Ternus 在乔布斯时代领导苹果，苹果会做出一个特别薄的诺基亚。我想要的是一个新的 iPhone、一个新的 ChatGPT、一个新的 CUDA，不是一个更薄的手机。

乔布斯的基因本来有两半：用诉讼保护自己，这一半苹果继承得很好；用范式创新反击，这一半丢了。现金奶牛、设备基数、律师团——鼎盛时期的 IBM，哪一个没有？

年费会员是一种锁定

Sun, 02 Nov 2025 00:00:00 +0000

买模型的年费会员，是很不明智的行为。

理由不用高深。模型每一个月都在更新，每一个月都有新的公司跳出来：今天阿里，明天腾讯，后天 Minimax、GLM。你买年费会员，等于被绑定死了。

这不是抽象的担心。一月份交的钱，锁的是一月份的模型；三月份别家开源，五月份别家长文本翻倍，你那家可能一个季度就从最强掉到第二梯队——钱已经交了。

有人说，年付比月付便宜四成。便宜四成的前提，是十二个月后你还要它。在一个季度换一次天下的行业里，这个前提本身就很贵。账可以反过来算：五千块的年费，按月付，够你用六年多——每三十天都有一次换供应商的自由。

自由值多少钱？免费阵营还活着，撞了限额换一家，成本是零。月付买的是退路，年付买的是替厂商背现金流。

所以我只买月付。行业按月洗牌，我的忠诚度也按月计费。

AI 没有泡沫，AI 股票有

Fri, 31 Oct 2025 00:00:00 +0000

人人都在问：AI 是不是泡沫？这个问题问错了对象。

AI 不可能被证伪。它确实有用，用的人太多了，生产力的提升不是假的。所谓证伪，是利润的证伪，不是生产力的证伪。

分清这两件事，泡沫的话题就清楚了。股票炒的是利润预期，不是生产力本身。所以 AI 股票可以有泡沫，AI 没有。把两件事捆在一起谈，才显得像一场集体癔症。

方向上我没什么犹豫。在 AI 上赢的，肯定是大公司，这是拼烧钱的游戏；就算所有人都输，活下来的还是大公司，小公司直接挂了。未来的人类社会就运行在 AI 上——这是确定性机会。但大公司赢，不等于股东赚，中间隔着九大云厂商一年近九千亿美元的资本开支，和一笔还没兑现的回报。

就算回报真的证伪，还有一道兜底：央行会放水。没有哪个政策制定者愿意看着经济因为 AI 投入收缩而衰退。真正的病根是货币没有跟上 AI 对生产力的提升——通缩感是这么来的。放水会迟到，不会缺席。

所以下次有人问 AI 是不是泡沫，把问题拆开：技术是事实，股票是叙事。事实不需要你信，叙事才需要。

跟 AI 认知一样的人，一个都找不到

Wed, 29 Oct 2025 00:00:00 +0000

我的感觉是，AI 在任何方面的知识认知水平，已经远远超过我。无非是我需要一个工作，它不需要——它只能等人来给它布置工作；我需要吃饭，它不需要。跟 AI 认知一样的人，这个世界上一个都找不到。

所以那些焦虑"被 AI 淘汰"的人，把方向搞反了。它什么都不缺，缺一份工作；你什么都不缺，缺一个不怕累、不要工资、什么都懂的同事。这不是竞争关系，是雇佣关系——雇主整天恐慌，雇员毫无怨言，这个结构本身就不对劲。

黄仁勋说得对，任何方面的逻辑推理，AI 已经到了超越人的水平。但它的自主性是被人装上去的：给它目标，给它工具，给它记忆，它才跑得起来。发动机再强，踩油门的还是你。

有人说，布置工作的岗位太少了，大部分人是被布置的。对，所以答案不是人人去当老板，而是把"布置工作"变成一门手艺：说清楚要什么，判断做得好不好——这两件事它替代不了，因为那是需求的源头。源头在谁手里，谁就是雇主。

别跟发动机赛跑。学开车。

一边做，一边让 AI 重写一遍

Mon, 27 Oct 2025 00:00:00 +0000

担心用了别人的软件、将来被起诉？我的办法很简单：一边做，一边让 AI 把那软件重写一遍。clean room 重写，不就行了吗？

原理是个老判例：甲骨文诉谷歌，吵了十年，法院最后认的边界是——你不使用我的代码，只参照行为，就很难构成侵权。重写就是洗代码：接口一样，血肉全换。再狠一点，用 Unix 哲学把所有东西重写一遍，再用 Rust 重写一遍——名字都换了，血统全无。

有人说，重写成本高，不如直接用。算另一本账：直接用的成本是尾部风险——哪天真上法庭，损失按十亿计；重写的成本是确定的、一次性的。用确定的小钱，消掉不确定的大钱，这就是保险。何况 AI 把重写的价格打下来了：以前 clean room 要养一个从没见过原代码的团队，建一堵墙隔离他们；现在，是一句话的事。

当然，边界要认清：clean room 洗不掉专利，也洗不掉商标，它洗的是代码的表达。GPL 的义务照样要还——我希望用我东西的人开源，虽然我知道有些人不会；那是另一场仗。

抄想法，重写代码，光明正大。这不是规避法律，这是尊重边界——边界之内的自由，才是真自由。

八年 50TB，800 块：算不通的账

Thu, 23 Oct 2025 00:00:00 +0000

50TB,800 块，八年。一年一百块，一个 TB 摊下来两块五——比自己买硬盘还便宜，企业级硬盘单 TB 成本要一百五到两百。地球人都知道，这价格他是亏爆了。那这门生意怎么活？

先拆容量。你本质上买的不是 50TB，是使用权。一万个人一人一百 G，服务器上实际占两个 G 给所有人用——存储近乎白送，真正的成本是带宽。协议里限速、限流、清理、终止的权利，一条条都留着。这是一场对赌：他赌你存不满、搬不空；你赌他八年不倒、不改条款、不清理你的数据。

再拆会计。现金流还行——预收款年年进。可你想把它摊销下去，这个账就没法算了：收入按八年直线摊，成本是锯齿状的，DRAM 一年涨 171.8%，大硬盘涨 14.7%，这些都不在他的直线里。预收的钱在账上是负债，不是利润；八年后它还健在，这笔履约义务才算还清。

有人说，十七年的老店，怕什么。怕的不是倒，是慢刀子：条款变更、功能缩水、合规清理，每一样都不违约，每一样都让你拿不回来。

硬盘会坏，网盘会改条款，唯一不赖账的，是握在自己手里的那份。800 块可以花——当异地副本花；当唯一仓库花，就是拿不可替代的数据去对赌。

程序员解决问题的完整思维流程

Mon, 15 Sep 2025 00:00:00 +0000

程序员最大的本事，问他本人多半答不到点子上：不是哪门语言，不是哪个框架，是调试练出来的那套肌肉记忆。这套动作有个隐藏前提——世界是可以 debug 的。

第一道工序就决定大半胜负：把问题定义出来。“网站太慢"不是问题，是情绪。“移动端首屏超过 3 秒，转化率掉了两成"才是问题。定义模糊，后面每一步都打在空气里。程序员不信"我觉得"“差不多"“大概是这个意思”。输入是什么、输出是什么、什么状态算解决——三件事问清，问题解决了一半。

第二道，拆。面对大麻烦，本能反应不该是"怎么解决它”，而是"它能拆成哪几个互不干扰的小问题”，拆到每一个都简单到不用想就能做为止。写一本书，拆到章节，拆到段落；找一份工作，拆到简历、投递、笔试、面试、谈薪。大问题吓人，多半只是没拆。

第三道，假设加验证。东西不工作了，外行的做法是乱改，改到能跑为止；专业的做法是：收集现象，提出最可能的原因，设计一个最小实验去推翻它，推翻就换下一个假设。一次能证伪的小实验，顶十次"再试一次”。之前另一篇拆 Docker 连锁故障的文章里就是这个路数：报错在 A，根因在 B，B 修好，A 自己消失。

第四道，先找现成答案。遇到的麻烦，九成九别人遇到过，且有成熟解法。第一反应应该是"谁解决过这个问题"，而不是"我从头做一个"。拿设计模式和开源库解题不是偷懒，是对成本负责——重复发明轮子，发明出来的往往还是方的。

第五道，先跑通最小版本。完美是个移动靶，先出一版让现实打分，再改。纸面上改十轮，不如落地跑一轮。

第六道，假设最坏会发生。设计的时候就要问：输入是脏的怎么办，网络断了怎么办，机器挂了怎么办。失败要早，失败要响——问题暴露得越早越便宜，默默吞掉错误是最贵的那一种。

最后一道才轮到自动化：流程没跑对之前，别急着上脚本。手工重复不是勤劳，是不肯投资自己——但前提是流程本身已经对了。给错误的流程做自动化，只是让错误提速复制。

反方也得接得住。这套流程这么死板，做事反而更慢？——慢是账面：花一小时做计划，买回的是十小时收拾烂摊子，这笔账谁都会算，谁都不肯先付。现实世界没有日志和单元测试，这套有什么用？——现实世界有验收标准。不敢写下"什么算解决了"，那不是生活，是无头苍蝇换了一种说法。

不适用区也划清楚：这套是给事用的，不是给人用的。情绪优先的问题，先听，别拆；把人当系统里的根因去 debug，两头都输。世界可以 debug 的前提，是你敢先把问题说准。很多人的毛病从来不是不会修 bug，是不肯承认 bug 在哪。

人工智能的急速发展

Thu, 28 Aug 2025 00:00:00 +0000

对那些在技术上从事低端产业链，本质上依赖庞大劳动力规模驱动经济体量的国家而言，人工智能的急速发展必然造成经济上的紧迫感。

例如东南亚的一些国家，因为他们过去的竞争力并非来自技术，而是来自人多便宜可替代，这是一种以数量弥补效率的路径。而对那些未完全按照市场定价，而是通过观念与制度将工作区分为三六九等，以此维持社会结构稳定的国家来说，人工智能则会进一步造成更为棘手的伦理困境。

例如拉丁美洲的一些国家，因为对这些国家的普罗大众而言，他们只有经济上的工具价值，而缺乏伦理意义上的人格价值，他们并不是以人的身份被承认，而是以功能的形式被嵌入到整个生产体系之中。换句话说，他们从未被当做目的而对待，而只是作为被调度、被消耗、被替换的手段而存在，这恰恰违背了300年前康德提出的最根本的伦理前提，人应当始终被当做目的，而不是手段。

也正因为如此，那些依靠劳动力数量维持经济规模的国家，其经济优势会首先被瓦解，因为劳动力这一工具的载体会从不对称的人口数量转变为无上限的机器能力。就像西方发达国家，不管是人口密度还是工作时长都远远比不上东南亚国家，但人工智能技术毫无疑问会打破过去那种基于道德差距和制度空间的效率壁垒，彻底堵死后发国家以量取胜的弯道超车路径。

更为致命的是，这些国家还将面临更为棘手的伦理观，亦或是价值观的挑战，因为就连人们仅有的经济工具价值，也就是马克思所说的劳动异化的资格，现在也要被人工智能所取代了。虽然怎么对待社会中无用的劳动力是一个摆在全球国家面前的伦理困境，但西方国家似乎可以更加轻松的应对。

因为从启蒙运动以来，从康德以来，他们逐步形成了以人为本的思想和观念，西方的福利国家之所以能够形成，根本原因就在于全社会在思想观念上对人的生存尊严的认可，而这种认可并不仅仅停留在道德层面，而是被制度化为分配原则。正如罗尔斯所强调的正义观一样，社会制度应当在差异存在的前提下，优先保障最不利者的基本处境。

从这一方向来说，人工智能不过是倒逼西方国家扩大福利范围的技术奇点而已。而那些依赖重商主义和控制思想维持稳定的国家，则会同时陷入价值观和经济利益的巨大冲突之中，因为全社会从上到下没有发自内心的形成认同人的生存尊严的思想共识，整个国家的所有制度安排、职业划分乃至文化叙事往往都服务于一种更高层级的控制逻辑，人的尊严价值被全方位否定。

所以在缺乏思想基础的情况下，人工智能技术的突然降临不仅会放大这些国家的思想断裂，反而会在人工智能应用的初期加剧因社会地位不对等所导致的财富极端分化。