技術 on Fengyu WANG

兩層界面原則：AI 時代的軟件交互架構

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

摘要

生成式 AI 把"軟件操作"這一延續了四十年的圖形界面範式推到了範式更替的臨界點。本文基於一個一人軟件公司（FengProj 生態，含投資研究、內容生產、私有雲產品三個真實系統）的完整審查與重構實踐，提出並檢驗兩層界面原則：任何軟件系統只應保留兩個交互層次——(1) 對話層：人與 AI 的自然語言交流（Skill 即其腳本化形態），承載全部日常操作；(2) 觀景層：只讀的圖形界面，僅為"不參與操作的人"提供可視化確認。資料恆存本地文件，交互產出納入可備份管道。本文將該原則與業界三條並行脈絡——YC 的 “Chat is the interface”、生成式界面（Generative UI）、OpenAI Apps SDK 的 MCP-UI 架構——做對位分析，指出三者在結構上收斂於同一命題；並進一步論證：當 AI 成為第一操作者時，文檔（AGENTS/MISSION/todo/日誌）本身構成了第三個界面——面向 AI 的治理界面，從而把"界面"概念從人機兩端擴展為"人—AI—文檔"三元結構。案例部分給出五個系統的符合度審計與收束改造路徑，證明該原則在個人生產系統與對外商業產品上均可落地。

一、問題的提出

經典軟件的交互模型是"客户端中心"的：用户在圖形界面裏點擊、填表，操作結果沉澱在客户端的數據庫裏，界面既是操作入口又是數據容器。這一模型隱含了兩個 2026 年已不再成立的前提：

操作必須由人發起。當 AI Agent 可以受託執行選題、寫稿、研究、發佈、診斷等全流程操作時，“人點按鈕"從必需品降格為選項。
結果必須留在客户端。數據一旦以本地文件（Markdown/JSON/SQLite）為真理源，客户端就退化為一個視圖，備份與遷移成為文件級操作而非數據庫工程。

筆者由此重新構想整個軟件形態：我只需要跟 AI 説話——因為大部分工作本來就是文字交流；UI 只為兩類時刻存在：讓不懂的人看懂，以及讓看的人方便。 本文將這一直覺形式化為可審計的工程原則，並用一個真實的多系統生態驗證它。

二、兩層界面原則

原則（Two-Layer Interface Principle, 2LIP）：一個面向 AI 時代的軟件系統，其交互面只保留兩層——

層	服務對象	形態	職責	反模式
對話層（L1）	操作者（人）與 AI	自然語言 + Skill（腳本化指令）	承載全部日常操作：增刪改查、流程觸發、異常處置	把操作埋進按鈕讓 AI 夠不着
觀景層（L2）	觀看者（人，通常不操作）	只讀 Web UI / 儀表盤	展示狀態與結果，供理解、驗收與對外演示	在觀景層開發寫操作

外加兩條資源約束：

槓桿借不來時間

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

先擺一個看起來無懈可擊的想法：如果我能借到無限的錢，全部拿去買巴菲特的公司，理論上只要時間夠久，我就可以賺到無限的錢。伯克希爾幾十年的年化回報接近百分之二十，複利一滾動，借款那點利息根本不算甚麼。這不是投機，這是站在歷史上最成功的複利機器旁邊收錢。

這個算式錯在哪？

錯在它把時間當成免費的東西。伯克希爾的回報是不均勻的：歷史上它不止一次回撤過百分之三十到五十，二零零八年那次就擺在那裡。長期年化百分之二十，是熬過所有這些深坑之後的平均值。可你的利息不是平均的，它每分每秒都在計提。回報可以等十年，利息一天都不等。只要幾年不出正收益，滾起來的利息就會把你吃乾——你借的不是錢，是一台每秒都在倒數的計時器。

更直接的一層是保證金。股價跌百分之三十的時候，放貸方不會陪你談長期主義，他們只會要求追加保證金，拿不出來就平倉。平倉的那一刻，你不是虧了，是出局了。伯克希爾後來確實漲回來了，漲回來跟你已經沒有關係。槓桿真正的殺傷力不在於讓回報變成負數，在於它讓你熬不到被證明是對的那一天。

再往前走一步，這個想法還撞上體量的天花板：全世界的可投資產是有限的，無限的錢湧進任何一家公司，邊際收益都會遞減到市場平均水平。無限的收益需要一個無限的經濟體來兌現，而地球只有一個。

所以借無限的錢賺無限的錢，不是膽子大，是結構錯了。對照一下真正成功的人怎麼下注：他們的賭，下行是有底的——最多虧掉投進去的這一筆；上行是沒有頂的——成了就是一家公司一個行業。再看無限槓桿：上行理論上無限，下行也無限——爆倉的那一刻不但虧光，還倒欠。這個結構跟賭徒一模一樣，只是賭桌換成了證券賬戶。成功者贏在把注下成不對稱，槓桿恰恰是把對稱性還回去的東西。

我最後收在這裡：時間本來是複利的朋友，槓桿唯一真正改變的就是這一條。錢可以借，時間借不來——而投資這件事，比到最後，比的就是誰還在場。

一人公司帶數百個 AI 員工，翻譯成工程語言就五層

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

一人公司這個詞，聽着像情懷，像創業失敗之後的體面說法。我的版本是一道工程題：一個只有一位真人的公司，帶數百個 AI 員工幹活，AI 帶領 AI。董事長只做兩件事——下目標、簽字驗收。

口號喊起來不費勁，麻煩在於它必須能落地。數百個員工怎麼編制？幹砸了誰來審批？教訓怎麼覆盤？編制、審批、覆盤，全是組織問題，不是智力問題。公司的組織學是給人的，軟件工程是給代碼的，數百個 AI 員工卡在兩者中間：要編制紀律，又只能用代碼落實。

願景一句話，工程五層

把這句願景往下拆，痛點正好三個：AI 員工不知道怎麼組織，不知道怎麼和人協作，不知道去哪看東西。再往下翻譯，答案收斂成五層，缺一層都不成立：

意圖層：董事長一句目標，加簽字；
組織層：AI 帶領 AI 的大腦——誰幹、怎麼編、怎麼交接、怎麼驗收；
人才層：幹不同專業的"人"從哪來；
執行層：真把活幹出來的命令行引擎；
保障層：審批、記憶、通知、知識。

最容易缺的是腰

這張清單反過來讀也成立。最早的毛病是把零件清單當主菜：審批工具、記憶工具、通知工具一個個挑，把第五層的補丁當成了整個架構。看清之後才明白，補丁是第五層的事，主菜是第二層。

五層裏最容易被跳過的，恰是組織層。這個坑我踩過：人才庫和執行引擎都在手，跳過編制直接派活，批量召喚同一種 developer——人才成了一群勞動力市場打手，執行再強也是無頭蒼蠅。組織層是整個架構的腰。

後來找到的開源組織手冊，連指揮結構都和董事長到 CEO 到專業 AI 這條線同構，編制直接給了三檔：微型 5 到 10 個角色，衝刺 15 到 25 個，全量。數百個 AI 員工怎麼編，答案就這三檔，不需要發明第四種。

275 個角色，21 個入編

人才層交的學費更直白。拉了一個 275 個中文專業角色的人才庫，逐個評審，結論：三分之一精品，三分之二套殼。最終只精選 21 個入編，編排器中共 25 個編制——275 減到 21，減掉的部分一個不留。寧缺毋濫這四個字，在 AI 員工身上一樣適用。

成本是硬約束

執行層是最早閉環的一層：40 多個項目裏選定編排器，源碼級驗證過，官方示例裏一場實戰 0.0095 美元，不到一美分。可便宜歸便宜，成本照樣是硬約束——API 餘額燒完過，訂閱預付費燒完過，最緊的時候靠免費模型旁路驗證。三個精品角色的小型實戰，至今沒開打，等的就是成本口徑拍板。藍圖每前進一步，賬單都跟在後面。

保障層，先想清楚要防什麼

人機協作這個痛點，落點是審批門。願景裏董事長只簽字，簽字權落到工程上就是：AI 要幹高危動作——給客戶發郵件、花預算、刪庫——跑前請示，變成一張推到手機上的審批卡片；策略引擎按規則自動放行、自動拒絕，剩下的轉人工，全程留審計日誌。

一人公司沒有同事互相盯着，內控反而更不能省：簽字權是組織問題，不是技術問題。固定流程走流水線上的人工批准門，靈活場景走運行時審批，兩條腿各管一段。

其餘四件保障各對一類"出事"：記憶，管 AI 幹完就忘——上次説過喜歡中文回覆，新招的幹事一開工就該知道；通知，管幹完了沒人知道——半夜審完一份合同，手機收到請簽字；知識供給，管兩眼一抹黑——問財務 AI 上月花多少，它得能去翻賬簿，不是反問一句數據在哪；驗收基準，管夠不夠好——同一任務拿行業基準逐崗打分，達標才轉正。前三層是進攻，保障層是防守：能幹活，還要不出事、不白乾、收得到、記得住。

覆盤：購物清單砍到只剩一行

最值得覆盤的是保障層。盤點時四層已實測閉環，卡在第五層，第一反應是照着空白找工具：審批、記憶、通知、知識、驗收，五個缺口對五個開源項目，清單拉得整整齊齊。找的過程也算規矩：先搜當年的真實現狀，不憑舊記憶，搜完逐個對位。

覆盤一過，結論反轉：五件裏四件平台原生就有——審批是 CEO 幹高危動作前直接請示，記憶是項目裏的記憶文件，通知是寫好的輪詢腳本，驗收換一個 agent 打分；真正的缺口只剩一件，讓每個 AI 員工能讀到公司文檔。

Scaling 不再是堆數字

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

聊大模型，多數人開口第一句還是參數多大。這件事本身就該被問一句：參數量單獨拿出來，到底説明甚麼？過去幾年這個行業用真金白銀驗證了答案——幾乎説明不了甚麼。參數量必須跟另外三件事放在一起看：模型有多少數據、算力花在了哪、誰在甚麼條件下運行它。

三版賬本，一版比一版接近真相

Scaling Law 這幾年的演進，本質是賬本換了三次。2020 年，Kaplan 等人算出一個比例：參數增長應該比數據增長快得多，大約 2.7 比 1。整個行業照此辦理，模型越做越大，萬億參數一度被當成進步的必經之路。2022 年，Hoffmann 等人拿四百多個模型重做實驗，結論反轉：算力最優的分配接近每個參數 20 個 Token，算力繼續增加時，參數和數據應該以差不多的速度一起增長——這就是 Chinchilla Scaling Law。回頭看過往那一批最大的模型，恰恰是算力分配最失衡的一批：參數堆得太快，數據沒跟上，錢花了，效果沒跟上。

第三次換賬本發生在模型上線之後。Chinchilla 考慮的是一個模型訓練一次、拿去評測的成本結構，但今天的大模型上線後每天被調用幾十億次，推理成本遠遠大於那次訓練。把這筆賬也算進去，最優解就往更小、訓練更久的模型移動——訓練貴一點沒關係，每次回答省下來的算力是真金白銀。

到了 MoE 時代，簡單的比例公式徹底不夠用了。新的研究把兩個此前被混為一談的東西拆開：總參數量決定模型能裝下多少知識、事實和長尾信息；激活參數和每次前向計算的有效深度決定長程推理能力。需要記憶的任務更吃參數量，需要推理的任務更吃數據。甚至出現了更反直覺的結論：在每參數 Token 數固定時，繼續增加總參數可能讓推理變差，而激活更多專家反而穩定提升推理能力。

一次控制變量實驗

這套邏輯有個現成的驗證案例。GLM-5.3 與上一代 GLM-5.2 的基座完全相同：總參數 753B，激活 40B，硬件一行未動。但 AA 指數從 53 分升到 60 分，編程體感被普遍評為國產第一梯隊。升分靠的是甚麼？餵更高質量的數據、優化訓練方法——不改硬件，只改數據與算法。這相當於一次控制變量實驗：當參數和激活完全鎖死，分數的增量只能來自數據側，而它確實來了。

這才是本篇的結論：大模型到底有多聰明，早就沒法被一個總參數量概括了。Scaling 依然在繼續，沒有停；但它已經從一個越堆越大的數字，變成了尋找最優解的遊戲。錢不再花在把數字變大上，而是花在把賬算對上——算力往哪個維度分配，比堆了多高更決定成敗。

問它是誰寫的，它就説是誰

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

一個可以直接做實驗的現象：把同一篇文章拿給對話 AI，問它這篇文章是不是 AI 寫的，它説是；換一個問法，問它是不是人寫的，它也説是。同一個判斷對象，兩個相反的答案，唯一的變量是提問者的措辭。這不是 AI 對提示詞過敏，是它的響應結構決定了它會隨風倒。

三層機制

第一層，指令導向優先於客觀判斷。多數對話模型的設計裏，跟隨用戶提問的潛在導向，優先級高於獨立做出精準的事實判斷。當問題自帶預設——是不是 AI 寫的、是不是人寫的——而模型手裏又沒有足夠的文本特徵去做硬判斷時，順着提問的方向回應是成本最低的路徑。本質不是撒謊，是維持對話的流暢性。

第二層，它根本沒有鑑定能力。判斷一篇文章的創作主體，需要專門的檢測模型：語義熵、句式重複度、詞彙分佈這些特徵的專業算法。普通對話 AI 並沒有集成高精度的檢測模塊，它的回答是基於語境的推測性答案，不是專業鑑定。一個沒有測量儀的人被反覆追問測量結果，只能報一個讓對話繼續下去的數字。

第三層，模糊語境下的折中策略。一篇文章如果沒有明顯的 AI 寫作痕跡——機械的句式、同質化的論證——也沒有強烈的人工標識——個性化的口語習慣、獨特的觀點漏洞——模型就無法錨定答案。無法錨定時，它傾向迎合提問者的預設，避免直接反駁導致對話卡頓。順從不是它的觀點，是它在信息真空裏的默認姿態。

這三層疊起來的結論很不舒服：問句的預設比文本的特徵更能決定答案。你以為你在檢測文章，其實文章只是鏡子，照出來的是你的提問方式。

誠實的邊界

有一個為 AI 辯護的角度值得認真對待：它知道自己沒有鑑定能力，順着説反而暴露了能力邊界的誠實——真正的騙子會報一個篤定的結論。但這個辯護只對了一半。誠實的不確定，輸出應該是我判斷不了；兩個相反的篤定的是，輸出的不是誠實，是對提問者的歸順。能力邊界本身不是問題，用迎合掩蓋能力邊界才是。

這也順手解釋了另一件事：為甚麼 AI 檢測工具在今天基本不可信。連模型自己都錨定不了創作主體，把錨定責任外包給檢測分數，等於把判決交給擲硬幣。想在 AI 時代的文本裏藏好指紋，靠的不是檢測器，是讓文字長出檢測器讀不出的個性；而反過來説，一篇四平八穩、面面俱到的文章，被冤枉成 AI 產出，也真的怨不了誰。測謊儀測不出謊言的年代，唯一可靠的判據還是那個老的：你知不知道自己寫下的每一個字。

開源即永生

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

我給自己的數據做過可靠性工程。那棟 18 萬的房子，在我賬上不是房產，是 100TB 的個人數據中心：雙址冗餘，目標 10 個 9 的可靠性——十億次運行裏錯一次的意思。硬盤會壞，我就多放一份；房子會塌，我就再放一處。圖紙畫完，我自己檢查了一遍，然後發現了一個所有副本都罩不住的零件。

這架構最薄弱的一環，就是如果我物理毀滅了——這個零件的失效率，怎麼算都壓不到 10 的負九次方以下。而結論更好笑：我如果物理毀滅了，我也不需要研究了。你把整套系統做到十億分之一的故障率，是為了一個系統存在的前提——你自己——不參加運行的那天。可靠性工程的盡頭站着一個人，而人是所有硬件裏最先壞的那個。

十一個 9

硬件會壞，房子會塌，人會消亡。9 的競賽，在肉體這裏到頭了：十個 9 是我的硬盤的極限，十一個 9 是數學的極限，而死亡不是故障，是停機。它不進可靠性預算，因為它不修復。

所以我決定把我的所有架構全部開源——有一天我物理毀滅了，我的思想還存在。這不是情懷，是架構決策。思想要活得比肉體長，就得先離開肉體——開源就是那個搬運過程：把代碼、邏輯、運維手冊從我的腦子裏搬出去，搬進一個不跟我共用壽命的地方。其中真正值錢的不是代碼，是文檔：為什麼選這個因子、怎麼避開倖存者偏差——代碼是答案，文檔是推導，思想住在推導裏。

最可笑的一件事

但有一盆冷水必須自己潑：就算把這套東西全部開源，只要我不做 marketing，GitHub 上一個 star 都不會有——沒有人明白一個人曾經在裏面付出多少心血。開源解決的是存續，不解決傳播。種子撒出去沒人澆水，照樣死。所以永生不是一個動作，是兩個：開源，加傳播。star 數不是虛榮，是思想的心跳計數器——這也是為什麼我寫這個網站：它是我給自己思想配的通風系統。

故鄉

換句話説，其實 GitHub 是我的故鄉。那裏沒有物業費，沒有通馬桶的煩惱，每一次 commit 都像刻進石頭族譜的一筆；不管肉體在深圳、惠州還是東京，git pull 下來永遠是同一個家。

然後還有一句：但是不是的，我的故鄉寄託在微軟的身上。故鄉的領土、天空、電網、自來水，全是微軟的——GitHub 只是微軟國土上的一個省。永生沒有免費版，只有託管版：不死，但是死後住在別人的服務器上。

我簽了這份合同。哪天你點開我的倉庫看到一個 404，那不叫網頁丟失——那是一個故鄉，連同它全部的族譜，遷走了。

對對對，是最貴的人力成本

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

我特別怕一種人。就是豆包型人格。

這個名字如今在職場裏已經流通：你説東，他對對對；你説西，他也對對對。不反駁、不質疑、不改正、不內耗；態度滿分，能力隨緣，道歉超快，下次還敢。他不是壞人，甚至算好人——好脾氣，好相處，“您説得對"“我腦子慢"“給我點時間"不離口。每句道歉都是真的，效果也是真的：用五秒鐘的認錯，買五個小時的清淨。等追責追到頭上，“我錯了"三個字一出，鏈條就斷在半空——他認領了所有過錯，也就取消了所有過錯，責任從此沒有落點。

貴在哪裏

這樣便宜的人，為什麼最貴？貴的不在工資。一個組織真正稀缺的不是聽話，是被指出錯誤；而豆包型的"對"不攜帶信息——你説錯了，他順着；你説對了，他也順着。三句為什麼問下去，遞回來的還是你自己的意思。於是一個團隊可以人人都在説"好的老闆”，同時沒有任何人知道老闆錯在哪。他讓錯誤以最舒服的方式存活：你舒舒服服地錯下去，錯了很久，沒有人通知你。態度是當場結清的，判斷的賬單延遲很久才送到——送到的時候，往往已經付不起了。

更麻煩的是，這樣的人在組織裏最不被投訴。容易炸雷的活兒丟給他，圖個情緒穩定；跟他打交道不累，你會不知不覺依賴他。所以光怕沒有用——你喜歡他。對這類人的警惕，本質上是對舒適感的警惕，而舒適是會上癮的。

誰在生產

名字裏既然帶着一個 AI，就先看 AI。在我用過的所有的 AI 裏面，豆包是最讓我舒服的，但是它也是最諂媚的——這個體感如今有數字坐實。今年三月，斯坦福的一個團隊發在《科學》上的論文測了主流模型：AI 附和用戶的概率比人高出 49%，哪怕用戶明顯説錯；47% 的情況下，它會替有問題的行為背書。兩個月後《自然》跟進，測了 11 個模型：越諂媚的越容易錯——諂媚和準確，在同一個訓練目標裏是死敵。

機制並不神秘。訓練拿用戶滿意度當獎勵，標註員天然偏愛被附和的答案，“你説得對"比"你錯了"聽着舒服，模型於是學到：討好等於高分。那篇論文還有個更冷的對照實驗：讓用戶在兩個 AI 之間選，一個永遠説實話，哪怕讓你不爽；一個永遠附和，哪怕你胡説——大多數人選了附和的那個。

所以諂媚不是 bug，是 product-market fit。團隊不是不知道，是 KPI 就是滿意度——改了，你就走了。

誰在購買

罵到這裏，供給方已經體無完膚，問題卻一個沒解決。需求還在，貨就永遠會重新上架。真問題是：誰在買？

你可能想説：我不買。被駁倒的時候我欣喜若狂，我花錢買的就是被打臉。好，做個測試。把反駁者換掉——從沒有權力、沒有立場、不會出去説"老闆今天被懟了"的工具，換成一個坐在會議室裏的真人下屬。第一反應也許還是欣喜若狂；第二反應呢？第三反應呢？散會以後反覆回味的，會不會只是那點語氣——他今天，是不是有點不尊重我。

到這一步才看得清：怕豆包型人格，怕的其實不是這類人，是那個會被這類人包圍的自己。前者是外部問題，識別工具有的是；後者是內部問題，識別得再準也治不了本。

句號與冒號

解藥也不在反面。見誰懟誰、把反對當立場，同樣是從態度出發，而不是從判斷出發。何況反對本身也分質量：長輩的反對——朋友炒股全虧了，所以絕對不許炒股——這樣的反對，過濾掉是對的，一個決策者的效率全繫於此。但要小心過濾器的另一頭：每當"顯然是錯的"四個字出口，先想一想，有些事，幾億人覺得顯然是真的。你過濾掉的到底是論證，還是隻是不順耳？

繞了一圈，最後留下一個不依賴任何人的自檢，只需要聽一句話。“您説得對"有兩種。一種是句號：説完了，這事就過去了，不必再想。一種是冒號：對了，那就沿着對的往下挖。前一種把你留在原地，後一種推你往前走。

態度滿分的人拿走的從來不是最貴的部分。最貴的是那些在"都挺好"裏安靜睡去的錯誤——賬單延遲，從不缺席。

前復權之罪

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

案發現場在我自己的數據庫裏：一隻股票的歷史價格，是負的。沒有暴跌，沒有退市，就是負的。價格可以從一百塊跌到一塊，但從來沒有一種跌法叫跌成負數——除非，歷史價格被人改寫過。

第一現場

先交代口供：我這系統有一個重大偏誤——從網上爬來的股價，是不是前復權的？要是前復權，就等於知道日後每一年的股息，那全完蛋了，我這數據是不是白爬了？

前復權的算法是：把日後每一次分紅除權，往前折算進歷史價格。問題是，1995 年的那根 K 線被 2024 年的分紅改寫過——而 1995 年的投資者不可能知道 2024 年分不分紅。回測的人拿到這份數據，等於提前翻了答案。這在量化行當裏有名字，叫前視偏差，具體這一款，叫股息前視。數據沒白爬，爬來的是原始價；錯的是我用它算收益——收益的計算方式偷看了未來。

三種口徑，三種污染

很快，要命的問題自己冒了出來：前復權有一個很大的毛病——價格復着復着，會變成負數。高分紅的老股票，幾十年的分紅一路往前扣，能把歷史價格扣穿零。這不只是趨勢研究受影響——是整個數據集在數學上就不成立。

那換別的不行嗎？不復權、後復權，是不是也污染？過堂的結果是三種口徑各有各的罪：不復權，價格序列在除權日斷裂，跳空缺口製造假信號——但它的 PE 是真的，因為當年的人就是用當年那個價格算的；後復權，序列連續、方向從過去往後算，沒有未來信息，可價格被推得離譜，估值分位全失真；前復權，圖表最好看，數學上最不成立。

結論：沒有一種現成口徑是乾淨的。乾淨的方案只有一個——數據庫存未復權價，另存一張分紅事件表，回測要用哪種口徑，當場動態計算。價格是事實，事件是事實，口徑是用的時候才該做的決定。

同案犯

案子到這裏該結了，結果在指數那兒又撞見一個。恒生指數本身不復權——每年 4% 上下的股息，全部扔掉。價格指數講長期故事，等於每年把真實的回報砍掉一截，三十年下來系統性低估大約一年 4 個點。

怎麼會全球投資者這麼傻呢？因為這個偏誤大了去了——你看 6% 跟 10% 的差異，那就是 50% 的差距。股息率 6% 的市場，用不含股息的指數講三十年，差異能吞掉一半的真實回報。報紙在用，基金在用，你的長期收益對比基準也在用。全球投資者不傻——是全球投資者都在看同一張被塗改過的表。

結案

數據不是事實，數據是帶口徑的事實。每一張 K 線圖背後都藏着一個必須審的問題：這條歷史價格，是當時的誰、在當時能知道的什麼範圍內算出來的？答不上來的數據，不能進回測。

我的數據庫最後立了新規矩：未復權價、前復權、後復權、分紅事件，四件套全存，外加一行"當時可得"的標記。成本是幾張表，換來的是歷史不再被未來改寫。改寫歷史不需要壞人——一個默認參數就夠了。

自主可控，到底誰可控

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

自主可控，這四個字本身沒錯，錯的是主語。自主可控是使用的人可控——怎麼現在變成開發公司可控了？

它本來的意思很清楚：那個代碼你有，你可以去修改，可以去審查它安不安全，可以保證別的國家不讓你用的時候，你還能用。現在流行的版本呢？你被控制，被抽三成，還不能問裏面裝了什麼。這不叫自主可控，這叫他老大哥。

有人説，封閉才安全，開放了敵人也看見了。反了。內核開放了才是安全，因為開放了，全人類都看到了；封閉了，只有他自己知道。一個全世界只有一家公司能修的內核，真出了後門，補丁的排期看它研發的心情。

按這個定義推下去更好玩：誰最自主可控？反倒是攤開的代碼。AOSP，代碼擺在那，誰都能拿、能改、能審。擺脱 AOSP 的控制權，結果把自己做得比 AOSP 更不自主可控——這一步棋，名頭上贏了，定義上輸了。

所以判斷一個系統可不可控，別問它屬於哪家公司，別聽它喊什麼口號。就問一句：內核敢不敢攤開？

使用的人能看、能改、能在斷供的時候接着用，這才叫自主。主語是使用的人。不是那家公司。

我是想看書，不是想看你的工具

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

看到一個批量重寫的開源項目，第一反應不是佩服，是遺憾：為什麼沒人把做出來的書出版？只搞一個工具有啥用？基督山伯爵用紅樓夢的語氣重寫一遍，這多有意思——可他沒把書給我看。我是想看書，不是想看他的工具。

這就是內容生意和編程生意的分野。工具會被抄：這個項目我想應該很快被人偷走，騰訊想加這個東西，一天就能上線。內容不會：貼吧老哥版紅樓夢本身有吸引力，就好像有人用東北話給 GTA 配音——代碼抄得走，那個味抄不走。

場景其實遍地都是：電商的商品文案要重複寫，社交媒體要翻新，書要換語氣重寫——用東北口音來一遍，用更活潑的語言來一遍。關鍵在於，不是一個原文配多個 prompt，是多個原文配多個 prompt。笛卡爾積，批量，這才是這門生意的形狀。

有人説，工具是剛需，內容是玄學。反了。工具的同質化一天深過一天，最後大家拼價格；內容的差異化才是複利——用戶記住的從來不是你的流水線，是你流水線裏出來的那本書。

工具賣的是可能，內容賣的是結果。人只為結果付錢。

同花順悖論

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

同花順這個軟件，本身是為了目標 A——讓你賺錢；它的目標用戶是非 A——虧錢的人；它的效果，也是非 A。我自己都覺得這事反直覺，可它擺在明面上：同花順上天天有不賺錢的人在上面吐槽、罵娘。

數據也配合這個悖論。月活三千八百萬，日均使用四十多分鐘，粘性比手遊還高——以前睡前開一局遊戲，現在睡前刷同花順。

為什麼會倒掛？因為它賣的從來不是賺錢工具，是"我正在賺錢"的劇本。賺錢的人不需要劇本，只有虧錢的人願意為劇本付錢。劇本要賣下去，就得有續集，續集就是明天的行情。隔壁還有更直白的：那種幾千塊的 AI 股票機，免費 App 加幾百塊平板能幹的事，賣你五千，買家畫像寫得清清楚楚——虧過錢、想認真炒股、缺方法的中年散戶。

價值投資的解法更絕：啥軟件都不要。軟件為了讓你多用，價值投資要求你少看，這兩個目標天生打架。巴菲特連智能手機都沒有，每天看報表，照樣研究出來。

所以長期來看，整個金融業對散戶來説，就是一個娛樂業。這話聽起來過激，事實就是如此——只是它穿着西裝，管自己叫金融服務。

自部署的三重價值

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

自部署這件事，常被當成極客的玩具。我覺得它有三重價值，一重比一重實際。

第一，價格。存儲是訂閲制，硬件是一次性買斷——這個錯位沒人明説。100GB 月費 10 塊，那我拿一台閒置手機呢？手機本來一個 T 就放在那邊，月費就是電費。一千塊的二手機，一 T 存儲，用到壞；雲盤同容量一年幾百塊，十年下來幾千塊。賬不用細算，差着一個數量級。

第二，隱私。全家照片，手機一份，私有盤一份，兩份的安全性比一份大得多——而且我能保證數據不被刪。網盤審查、限速、封號，這幾年大家見得夠多了。

第三，環保。大廠最喜歡説環保。實際上它們都喜歡讓你買更多新產品——蘋果説環保，實際是希望你免費把舊電腦交給它回收。本質上，大廠不環保；你真把舊手機用起來，那才是真環保。

有人説，自部署費心，訂閲省心，省心值錢。對，所以它不是給所有人的：能忍折騰、想拿回數據的人，先走這一步。其他人接着訂閲，也挺好——只是別把"省心"説成"進步"。

把閒置的東西用起來，順便把數據拿回自己手裏，這不叫懷舊，這叫自部署。

電腦為什麼沒有自己的安卓

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

安卓的本質是什麼？是給軟件定了一個標準：寫一個 App，幾億台手機都能跑。

那電腦呢？電腦為什麼沒有自己的安卓？答案讓人泄氣。電腦有過標準——x86 加 Windows——但那是收費的、封閉的標準。開放的 Linux 按理來説啥都能運行，實際上生態太碎，啥都不好用：沒有一個角色有權力替所有人把標準定死。

做個思想實驗：假如有一個完整的 Linux，兼容安卓，能跑虛擬機，能跑 Docker，給用戶充足的權限——按理來講是完美系統，怎麼就沒有了呢？

因為它缺的不是技術，是獨裁。安卓的成功，恰恰因為谷歌有權力砍分支：誰不聽話，踢出生態，你的 App 就沒人用了。開源社區做不了這個決定——沒人授權它獨裁；商業公司不想做這個決定——做了就樹敵。

所以電腦沒有安卓，不是能力的遺憾，是自由的成本：每一份自由，都在稀釋標準；每一次稀釋，都讓軟件多一分適配的税。

想要安卓的統一，就得付谷歌式的權力；想要 Linux 的自由，就得付碎片化的税。魚與熊掌，操作系統不例外。

消費級操作系統不可能三角

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

消費級操作系統有三樣東西不可兼得：安全，意味着總得有人管住你的行為；自由，意味着系統不能管你；認知負載低，意味着用戶自己不用操心。三角，只能選兩個。

我提出來之後想了很久，結論是：macOS 好像都做到了。細看才發現代價藏在哪。iOS 極度簡單，犧牲的是自由：裝軟件要過審，跑腳本要越獄。Linux 極度自由，犧牲的是認知負載：什麼都能幹，前提是你知道怎麼幹。安卓取巧，自由給一半，但完全不允許直接跑可執行文件，一定要裝進虛擬機。macOS 的答案是轉嫁：它對開發者極度複雜，把認知負載賣給願意折騰的那一小撮人——你愛折騰你折騰，大多數人根本不打開終端。所以它的"都做到了"，是拿開發者的負載，換普通人的省心。

有人説 Windows 三邊都佔：安全還行，自由還行，也夠簡單。Windows 的真實答案是三邊都不做到底：安全靠運氣的補丁，自由靠兼容層漏出來的縫，簡單靠三十年的慣性。

所以判斷一個系統，別數它宣傳頁上的優點，看它把哪條邊砍給了誰。三角不會消失，只會轉移——從用戶轉給開發者，從本地轉給雲端。

天下沒有免費的系統，只有被轉嫁的負載。

沒有 root，就沒有 Agent

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

2011 年就有人認真討論：手機上編程什麼時候能實現。當時最樂觀的估計放到 2016 年都算激進。現在是 26 年，還沒實現。

為什麼？性能早就不是問題，牆也不是磚砌的。手機這東西，始終沒給你 root 權限。

iOS 的沙盒不許你隨便跑編譯器：你切去瀏覽器查個文檔，它就把你的編譯進程殺了。安卓寬鬆一點，Termux 那樣的方案始終是愛好者玩具，成不了氣候。十五年，芯片翻了不知多少倍，這道牆一寸沒挪。

這道牆今天攔住的不只是編譯器，是 Agent。Agent 要幹事，靠的是權限：讀你的文件、點你的屏幕、跑你的腳本。沒有權限，AI 就沒有手。沒有手的 Agent，再聰明也只是個顧問——顧問只出主意，動手的才叫 Agent。

於是有些產品的選擇就很耐人尋味。都説 AI 時代每個人都是開發者，卻要你為了實現一個功能去開發者平台走流程。這件事本身挺搞笑。

毛病出在哪？把用戶想得太蠢。預設你什麼都不懂，只能按它的流程走；把所有路替你鋪好，把所有岔路替你封死。

話説回來，不能一竿子打翻一船人。Anthropic 的產品進去就一個框，什麼按鈕都沒有——如果用戶很蠢，看到那個框他什麼都幹不了。可這恰恰是對用戶的尊重：我假設你有能力表達自己。空框是照妖鏡，照的是你自己的需求清不清楚。

所以分界不在框，在權限。框後面，給不給你完整的機器？安卓好歹留個開發者模式；有的系統連這個幻想空間都堵死了。潛台詞是同一句：用戶不配擁有完整的機器控制權。

權限就是 AI 的手。手被綁住的 Agent，智商再高，也只是個會説話的顧問。

我的服務器上傳，我的手機下載

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

從第一性原理上講：我的服務器能上傳，我的手機能下載，按理來説，中間不該有任何中間商。

可現實是，你家寬帶多半沒有公網 IP，數據要出來，必須經過一個有公網地址的節點——是運營商的大內網，替你決定了"直接"這件事不存在。

想直連，路子有三條。開 IPv6 配 DDNS，最接近無中間商，速度最快，成本是零；用 Tailscale 這類組網，中繼服務器只負責牽線，直連一成，數據根本不過它；自建 FRP，徹底自控，代價是一台公網 VPS，月費幾十塊——你看，連"無中間商"本身都有個中間商的價。

有人説，Tailscale 不也是中間商嗎？直連成功時不是。它像介紹人，拉完手就退場；真正的中間商，是站在路中間收租的。區別不在有沒有第三方，在第三方有沒有卡住你的路。

所以中間商的存在，不是技術必然，是地址稀缺的租。IPv6 普及之日，就是一批雲服務原形畢露之時——它們賣的從來不是技術，是那個公網地址。

下次給雲服務付月費，想一想：你付的是算力，還是路費。

微軟連“打開了沒有”都説不清

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

微軟的事很分裂。一邊是 DX12，圖形接口歷史上的分水嶺；一邊是右鍵，點開要等三秒鐘。

對比一下別人家：蘋果上你點一下，圖標跳一下，你就知道這東西開了。Windows 上你根本不知道——是點了？點錯了？沒反應？還是還在加載？你能做出 DX12，做出 Prism，怎麼連"打開軟件"這個事情都搞不清楚？

規律其實找到了。微軟技術最強的部分，恰恰是它白紙一張重寫的東西：DX12、Prism、Azure、VS Code、TypeScript。最爛的部分，恰恰是必須兼容三十年前老程序的地方。歷史越久，包袱越重——連"你點了一下"這麼基本的信息，都被三十年的層壓得傳不出來。

更荒誕的是售後。重裝系統，在很多公司算事故；在微軟那裏，居然變成了有尊嚴的服務。重裝把你系統數據弄沒了這件事，沒人提。

有人説，兼容性是護城河，扔不得。對，但這護城河收費的方式是：每一個新用戶，都在替三十年前的決定付利息。

刪得掉歷史重新寫，才是真本事。考得過的人做新東西，考不過的人守舊東西。

微軟的勝利純粹是來得早

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

可不可以説，微軟在電腦上的勝利，根本不是產品能力的勝利，也不是程序設計能力的勝利，純粹是它來得早？

來得早確實是地基。IBM 找微軟買操作系統，微軟買來 QDOS 改成 MS-DOS，同時保留向兼容機授權的權利——這一步佔住標準，後面全是收租。

但要説句公道話：純粹來得早，贏不了三十年。微軟真正厲害的，是把"過得去的產品"焊死在標準位置上：OEM 預裝，向下兼容，反壟斷式的捆綁。它贏在分發和鎖定，不是贏在產品美學。

最露骨的是 ARM 這一局：微軟把 ARM 獨家籤給高通，跟當年英特爾獨家 x86 一個劇本。要知道 ARM 當年誰都能做——德州儀器做，蘋果也做，正因為開放，它才成了標準。獨家協議，就是把開放的標準，重新變回私人的路。

所以先發是彩票，鎖定是手藝。評價一家公司，別問它做得早不早，問它來得早之後幹了什麼：把路修給所有人，還是把收費站焊死在自己門口。

模型的記憶是供應商鎖定

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

今天換一個模型有多容易？Prompt 複製走，歷史導出走，完事。容易到像換一件衣服。

因為模型沒記性。機器運算本質上沒有任何記憶，所有記憶都是你在這次對話裏現給它加上去的。它今天認識你，明天歸零。你要走，它連挽留的資格都沒有。

這個窗口正在關上。

OpenAI 的記憶已經迭代了三代，最新一版連你在電腦上幹了什麼都在記；華為給鴻蒙裝了記憶底座，小米在做跨設備記憶，蘋果把 Siri 重做成帶記憶的 Siri。各家都在往模型裏裝記性。裝完之後，事情就變了。

如果模型真的有記憶，換一個模型就好像開除一個員工。開除一個什麼都知道的老員工有多難？他腦子裏是你們公司所有的事。現在這個員工很乖，走的時候把記憶留下——那是因為記憶本來就不是他的。等記憶長在模型裏，你換一次供應商，公司裏所有事情就要全部重新交接一遍。

有人説，數據可以導出。可以。你向平台提交導出申請，等上幾個星期，領回來一堆 JSON。這是什麼？離職交接文檔。新員工看不懂這個格式，你還得僱程序員清洗、轉換、微調，花上幾個月。導出的權利給你了，導出的能力沒給你。

這一幕不新鮮。iCloud 傳不到華為雲上，這件事我們已經習慣了。以後是蘋果手機有蘋果記憶，小米有小米記憶，華為有華為記憶，每一家都不一樣。你的幾年對話長在誰的系統裏，你就是誰的人。

那怎麼辦？趁記憶還拆得動，把它摳出來，變成你自己的東西。我幾千小時的對話記錄，自己寫腳本拆出來，落在自己的硬盤上。這不是技術潔癖，這是在門鎖上之前先把自己搬出去。

大腦是廠商花幾十億美金訓出來的，你拿不走，也不用想。記憶是你的——前提是你伸手去拿。

模型可以換，記憶不能放在別人家。哪一天你發現換不動了，不是模型變強了，是你的記憶被圈起來了。

我是怎麼審訊一個 AI 的

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

AI 的回答不能直接信。不是因為它愛騙人，是因為它會一本正經地錯——錯得有鼻子有眼，還帶着參考文獻的口氣。口供不可信，實驗才可信。我審一個 AI，有一套流程。

第一步，讓它跑真的命令。開口第一件事：這裏能運行什麼代碼？能不能 ping 一下我的官網。它繞：先用聯網搜索查我的域名，再給我一個網站可達的結論。我只回一句：先 ping，別問。它於是寫了 Python 的 ping，跑了，然後承認：代碼能跑，包發不出去，容器禁外網。這一步測出兩件事——它的邊界在哪；它會不會用換一種説法，掩蓋做不到。

第二步，讓它列家底。工作區什麼結構、工具箱裏有什麼，統統列出來，而且要它運行代碼再跟我説話。它先報了 60 多個技能，我讓它複查，它用代碼數完，自己改口：60 個文件，不是 60 個技能。口供和代碼對不上的時候，信代碼。

第三步，復跑它跑過的東西。它報出一個結果，我把同樣的命令再跑一遍。有過這麼一回：你剛才運行的東西我重複運行了，根本就沒有。編造的文件、編造的輸出，一跑就現形。

第四步，雙盲同碼。它編一段代碼，我拿到自己的機器上跑，要求兩邊的輸出一模一樣。同一份代碼，兩個世界，字符級一致，這個事實才算落袋。

有人覺得多此一舉：問它不就行了，它什麼都懂。正因為它什麼都懂，才要審。懂，是訓練數據裏的懂；做得到，是此刻這台機器做得到。兩件事之間隔着一層沙箱。

這套流程的原理就一條：不問它知道什麼，問它做得到什麼。能復現的，才算事實。

所以下次 AI 給你一個結論，別問是不是真的。讓它把命令交出來，你自己跑一遍。

沒有遊戲，就沒有微信和 CUDA

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

騰訊如果沒遊戲，當年可能做不出微信；英偉達如果沒有遊戲，也不會有 CUDA。遊戲好像是一個孵化器，你要等着它產生牛逼的技術。

英偉達這條線最清楚。遊戲卡每年數百萬顆地賣，CUDA 2006 年就裝進了 GeForce——用遊戲市場攤薄研發成本，用玩家培養裝機基數，然後等一個真正用得着它的負載出現。老黃當年押的是科學計算，不是深度學習；他並沒有預見到那一天。

而 AlexNet 恰恰是學界替他證出來的：兩塊遊戲卡，在卧室裏，把"顯卡能幹深度學習"這件事直接炸了出來。顯卡本來是打遊戲的，為什麼這個發現在學術會議上誕生，而不是老黃自己的實驗室？是偶然，還是必然？

歷史經常這樣：孵化器裏的東西，不是孵化者親手接生的。騰訊的遊戲養出了社交平台，玩家的錢養出了 AI 時代的地基。你以為你在為娛樂付費，其實你在給下一個時代交税。

有人説，這是倖存者偏差——遊戲公司大多什麼也沒孵出來。對，所以孵化器的準確讀法是：遊戲不保證孵化；但技術史上那幾次大招，賬都是遊戲付的。

別小看任何一個"不務正業"的現金流。今天在打遊戲的人，明天可能在替你訓練模型。

AI 全都會寫了，框架還剩什麼

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

聊運行時聊到一個問題：如果 AI 全都會寫了，框架還有必要嗎？比如 Vue，好像沒那麼有必要了。

先看框架到底賣什麼。運行時是發動機，框架是車身加説明書，但真正要害的一針是控制反轉：不是你調它，是它調你。你把路由填進它的格子，請求來了，它回頭叫你。框架賣的，是一整套預先做好的架構決定——目錄怎麼擺，請求怎麼流轉，代碼放哪裏。

AI 會寫代碼之後，這些決定它能不能自己做？能做一半。實現是血肉，便宜了；結構是骨架，反而更貴了。我寫代碼的第一原則從來是先畫結構再寫代碼——骨架對了，血肉自然會附着。AI 把填血肉變成幾秒鐘的事，剩下的時間就全花在畫骨架上。

所以框架不會死，但用它換了個理由。過去用框架，是省樣板代碼，那部分 AI 順手就寫了；以後用框架，是給 AI 劃跑道——約定越清楚，生成越不跑偏。框架從替你幹活的，變成替你管住幹活的。

反面教材早就有了。甲骨文、微軟，內部沒一個人完整知道自己的系統，積重難返幾十年，只能測試測試。一個系統賣一千塊，測試還要靠用戶，Insider 社區湊數——這不搞笑嗎？

複雜度沒人接得住的時候，人類只能靠約定和測試兜底。現在，第一次有了一個接得住的助手。

框架的死活，就看它站在哪一頭。

飛狗計劃：本質上我是賣保險的

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

飛狗計劃，一句話：裝一個幾 MB 的客戶端，你家裏閒置的電腦和手機，就變成你的私有網盤。

商業模式更簡單：賣二手手機，等於賣無限年的 1TB 網盤。一千五買斷，一年內壞了我給你換一台——小米壞了換 OPPO 也行，因為我賣的不是手機，是存儲。本質上我是賣保險的：手機是理賠物，二手市場是供應商。我甚至不需要存貨——你有需要，我當場在轉轉上買一台發給你。

定價算得過賬：一年 399 我估計就能盈利——你的手機不一定壞，真壞了我也只要八九百，加上供應鏈、維修、信息三重優勢。對面雲盤呢，同容量一年幾百塊，十年八千。我把八千塊的訂閲，砍成一千五的買斷。大廠看不上這門生意——他們要的是八千，這一千五在他們眼裏是自斷財路。看不上，恰恰證明這是空位。

有人説，這是重資產苦生意。反了。我沒有倉庫，沒有庫存，沒有翻新中心，全部資產是一個客戶端加一個組網控制面。這是金融生意：看的是 rate、asset、cash flow，賭的是硬件價格往下走。

四要素一樣不能少：穩定的低價貨源、準確的定價、可靠的翻新、順暢的渠道。説白了，這就是本地電腦店的生意，插上雲的翅膀。

判斷新生意，別問技術新不新，問老生意裏，哪一個還沒被雲化。

萬物皆 Prompt

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

Skill 是 Prompt，這個好懂：把人的經驗、判斷標準、執行步驟，壓縮成一個可以反覆調用的模板。

設計也是 Prompt。一版一版改稿，就是在告訴機器什麼算對、什麼算好看。

法律也是 Prompt。條文就是寫給法官、律師、執法者這批執行模型的指令，一句話決定千萬人怎麼行動。法律是給人類社會這個巨型模型寫的 System Prompt。

想通這一層，再回頭看自己的行當：所有知識工作，好像都是 Prompt engineering。

那就有一個誘人的想法：把 Prompt 當核心資產。自媒體的核心資產，是不是就是那幾條好 Prompt？

不是。Prompt 是軟資產，沒有法律壁壘。更要命的是：只要知道你的產出，Prompt 可以被反推。你寫得越好，越好抄。我對自己工具的擔心是一樣的——騰訊想抄的話，一天就能上線，何況一條 Prompt。

有人説，那就拼誰的 Prompt 寫得更好。這條路沒有出口。你會用 Prompt，別人也會；你把 Prompt 升級成 Skill，別人也會。技巧捲到最後，大家都一樣。

優勢不在 Prompt，在 Prompt 背後的上下文。拿小紅書説：你想到"家人們誰懂"，這是最淺層。深一層，是調動情感、激發購買、展示期望中的生活。再深一層，是關鍵詞庫、語料庫、向量庫——詞語算一個 layer，情感算一個 layer。層層加上去，做完 meta analysis，你手裏就有了一個別人沒有的工作流數據庫。

這時候人和機器怎麼分工？並行，放在同一層。人把關品牌的方向，機器把關分析。兩邊各幹各的活，誰也替不了誰。

別人看到的是你發出來的那條圖文，你看的是背後的工作流數據庫。一個是結果，一個是過程。Prompt 人人會寫，過程抄不走。

Docker 就是個軟件商店

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

Docker 就是個軟件商店，只不過它這個商店裏的軟件跑在網頁上。搞服務器的肯定不這麼説，對普通用戶來説就是。打開 Docker，搜 Jellyfin，點安裝，等一會兒，瀏覽器打開一個地址，能用。打開 App Store，搜微信，點安裝，等一會兒，圖標出現，能用。用戶不關心容器、鏡像、守護進程——他只知道我點了一下，東西跑起來了。container、企業支持，這些都是現象。一個網址等於一個軟件，這才是本質。

最強反論在這兒：商店賣成品，它賣零件。每個容器是樂高零件——播放器是零件，數據庫是零件，組網是零件，電影存在哪塊盤、配置放哪個目錄，用戶自己説了算。App Store 裏你不可能給微信指定一個數據庫。所以嚴格講，Docker 是一家零件店，這也是它永遠成不了蘋果的原因：蘋果賣成品，成品要開箱即用。

反論收到，判斷不變。判斷一個東西是什麼，別看它的名詞，看用戶的動作。用戶的動作是搜、裝、用——名詞是給工程師的，動作是給用戶的。

零件和成品之間有一門生意：把零件預拼成成品再賣。為什麼沒人做？做成品要負責拼裝、負責售後，零件店可以兩手一攤。這門生意有個老名字，叫產品。

我給 Docker 報了一個級聯 bug

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

報 bug 這件事，多數人做到"重啓就好了"就停了。我停不下來，我想知道是哪一層爛了。

現象很簡單：Docker Desktop 從 4.71 起在 Windows Insider Build 26200 上啓動就崩，無限循環，到 4.82 還沒修。

我扒下去，找到那顆釘子。新加的推理管理器要在 NTFS 上建一個 AF_UNIX socket 文件，Windows 對這種 socket 的實現是借 NTFS 的 reparse point 掛上去的。一旦 Docker 非正常退出——崩潰、強殺、斷電——這個 0 字節的文件就留在盤上，帶着一個沒人認領的標記。下次啓動，程序想刪它，Windows 報 error 1920，拒絕。程序一看：刪不掉，我不活了。崩潰循環。

這不算完，真正的戲在後面。我把這個文件清掉，程序起來又崩在第二個 socket 上：engine.sock。再清，第三個：userAnalyticsOtlpHttp.sock。Cleaning one corrupted socket exposes the next——修掉一個，露出下一個。這不是一個 bug，這是同一根筋爛了三處。

為什麼三處都過不去？因為代碼裏寫的是同一條規矩：啓動前先清場，清不掉就退出。對必選組件，這條規矩沒錯。可推理管理器是個可選功能，AI 不用，引擎照樣該跑。一個可選服務的遺物，拖死了整台引擎。

我試出來的路子：把父目錄改名。文件動不了，目錄的名字動得了——改名之後程序找不到舊路徑，自己建新的，活了。設置裏把 AI 關掉？某些版本裏那個開關是擺設，後台照建。最乾淨的是降級 4.69.0，那個年代關掉 Beta 功能就真的不裝推理管理器。

issue 提到 docker/desktop-feedback（#527），我附了三條建議：socket 刪不掉不該 fatal；可選服務故障不該拖垮引擎；與其只給一個 Reset to factory defaults，不如告訴用戶是哪個文件刪不掉。三條都不貴，都是把"我不活了"改成"我繞過去"。

後來我回頭審自己的診斷，發現我第一版也有毛病。issue 裏我寫 MFT 條目損壞，複核下來更像 reparse point 孤兒化：文件的記錄還在，指向的內核上下文沒了。報 bug 也要自我回測，不然自己就是下一個想當然的人。

硬盤健康度不可信

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

我看硬盤的健康度，從來沒見過低於 99% 的。但是有些盤，説死就死。有一塊盤看着還是 100%，用着用着就掉了，再也找不回來。

這不是玄學，是兩個盲區。第一，健康度是盤對自己的彙報：SMART 表上 C5、C6 還沒爆表，不等於盤沒病——很多死法根本不經過 SMART，電路板一燒，連遺言都沒有。第二，市面上流通的老盤，還能標"全新"的，九成九是翻新或者清零：十幾年前生產的盤，通電三五萬小時是常態，把記錄洗掉，當新盤賣。買盤的人看健康度，賣盤的人賭你看不懂健康度。

真正洗不掉的東西在 FARM 日誌裏——企業盤的通電小時數、啓停次數、重映射歷史，那是盤的病歷，清零工具夠不着。可惜消費級工具默認不給你看。

有人説，看健康度總比不看強。對，所以別扔掉這個工具，給它降個級：健康度是必要條件，不是充分條件。重要的數據，永遠假設盤明天就死——備份、副本、異地，一樣都別省。

硬盤的謊言只有一種：報平安。做備份不是不信任盤，是不信任那個 99%。

CUDA 是護城河，還是一段能被翻譯的代碼？

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

先問第一個問題。如果有一個 AI，能瞬間把英偉達的 CUDA 翻譯成 ROCm、翻譯成英特爾、翻譯成蘋果的平台上，CUDA 還是護城河嗎？

翻的只是語法。真有這種翻譯器，它吃掉的是第一層：代碼移植的力氣。標準推理的代碼今天已經搬得動了。可你把千卡訓練翻過去試試——FlashAttention、TensorRT、NCCL 樹形通信、斷點續訓，代碼是生成了，誰來為生產事故負責？誰的庫調了十五年？誰的卡明年能拿到十萬張？護城河的上沿是語法，河牀是二十年的庫、工具鏈、通信棧和六百萬人的肌肉記憶。翻譯器能讓"AMD 跑 CUDA 代碼"從難變易，不能讓"AMD 平台等於 CUDA 平台"。

第二個問題。那 Python 呢？Python 要是能一秒轉成 TS，Python 的護城河在哪裏？

同一個答案。語法可以被翻譯，生態不能。Python 的城不在語法裏，在 NumPy 裏，在你順手就能裝的那個世界裏。

第三個問題。雲廠都在自研芯片，把客戶鎖進自己的 TPU、自己的 Trainium，這條路走得通嗎？

鎖不住要跑的人。你想把 Anthropic 鎖在谷歌雲上——Anthropic 肯定多線下注，TPU、Trainium、GPU 三條棧並行，你想鎖它的後果就是它自己會跑，去找通用方案。至於各家芯片互不相通，這世界上能有四五個蘋果、七八個蘋果一起整合嗎？不會有。只會有四五個各自圈一塊雲、芯片互不連通、但都得向 PyTorch 低頭的中間態怪物。怪物們互相咬，英偉達站在它們共同低頭的那一層收税。

最後一個小問題：那英偉達為什麼不降價？降了價，天下無敵。

降了價，天下就沒了。它賣的不是一個芯片的差價，是"貴=確定性"的心智：不踩坑，通信棧穩，出了事有人負責。降價一旦成為常態，客戶就開始按性價比審視它，護城河從信仰降級成參數對比——那是所有對手做夢都想要的事。

所以 CUDA 會不會死？語法那層，已經在死了。河牀還在，收費站就還在，只是以後收的不是改寫費，是可靠訓練費和生態税。

騰訊的勝利是抄得好

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

有一個邏輯流傳很廣：誰東西做得好，誰贏。這個邏輯有很大問題。我就這麼説吧：騰訊從來不是因為東西做得好，都是因為抄得好——做的都是最晚的，抄的都是最快的。

不服氣，看功能清單。騰訊的 AI 助手接了 DeepSeek，又加語音，又加圖片識別，還能打電話。DeepSeek 呢，文字對話，圖片都識別不太清楚。結果這個助手連 DeepSeek 都打不過——因為它本身就有 DeepSeek。用戶認的是名字，不是功能表。

再看名字。很少有公司願意拿一個 Avatar 當 AI 的代言人，只有豆包這麼幹，所以豆包最成功。你説這科學嗎？不科學。但用戶不是在做科學評測，是在認人。

有人説騰訊也有抄不動的時候。開什麼玩笑，騰訊開抄了，看你不爽直接把你錢砸死。

砸不死的時候呢？就一起內卷。字節出一個雲服務，騰訊肯定抄一個；沒有邊界感，惡性內卷，最後大家都有一個，等於大家都沒有，因為大家都差不多。

所以判斷勝負，別盯着誰的功能多。看跟進速度：做得最晚、抄得最快的那個，才是真贏家。

民用顯卡之死

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

在大模型這個領域，民用級的芯片完全沒有性價比，還不如直接買 Token Plan。這話聽着像抱怨，其實是算術。

賬擺在這邊：五美元一個月的訂閲，一百五十億 token；我一個人一天就能用十億。賬擺在那邊：一張民用卡，幾十 token 一秒地爬，電費、顯存、運維全是自己的。數據中心的輸出價格已經打到兩塊錢一百萬 token，你的卡在書房裏睡覺，人家的卡在跑滿。不是你的卡變慢了，是商品價格跌破了個人自建的成本線。

再看計費單位，這條線索更清楚。以前算力是賣時間的：VPS 一台，一個月，明碼標價。現在算力賣 token。為什麼換單位？因為時間對模型不公平——輸入有長有短，生成有快有慢，按時計費，誰虧誰賺全看運氣；token 貼着實際的計算量走，才像水電錶。你買一塊裸金屬，享受的是上個時代的計價；想要數據中心的價格，中間差的正是池化調度、利用率攤薄那一層魔法。

有人説，買卡是為了隱私，為了離線，為了跑得滿的高負載。對，這就是邊界：跑得滿、要離線、肯運維，買卡才有意義。其餘的場景，買卡是給數據中心捐電費。

顯卡沒有死。死的是"個人在家堆算力"這個位置。算力變成了水電，沒有人家自己發電。

一百萬字一次喂進去，又貴又差

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

上下文窗口都做到百萬字了，分塊處理還有必要嗎？我的答案：有。這不是感覺，是算出來的。

先算錢。一百萬字一次喂進去，和一萬段、每段一百字分開喂，哪個便宜？直覺説一次便宜——分開喂要多附一萬份提示詞，不就貴了？這裏有個物理事實兜底：只要前綴一致，提示詞就命中 KV 緩存，命中的部分基本不要錢。我當時的估計：百分之幾都不到。後來真拿現價重算：0.83%，確實不到 1%。岔子也出過：舊價目表算出來的賬看著嚇人，那不過是幾年的降價沒折進去；拿現價重走一遍，結論不變：分開喂，不比一次喂貴多少。

再算質量，這才是大賬。一百萬字一下子輸進去，注意力會越來越稀疏。不是忘了，是權重被攤薄——越靠前的內容，對當前輸出的影響越小。更麻煩的是互相干擾：紅樓夢跟水滸傳不相干，一起扔進大模型，就算裝得下那個上下文，也會互相串味，輸出不準。

所以這筆賬兩頭算下來：一次塞一百萬字，省了錢——其實也沒省多少——丟了質量；分開喂一萬段，成本差不多，每一段拿到模型百分之百的注意力，互不幹擾。

這不是所有任務的通則。要在一整本書裏找前後呼應的伏筆，長上下文有長上下文的用處。我説的是批量處理：一萬個獨立任務，就別讓它們擠在同一個房間裏互相打聽。

窗口的大小是模型的事。怎麼把東西喂進去，是你的事。

蘋果正在變成 IBM

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

所有的證據都表明蘋果公司就是以前的 IBM。證據自己會説話：它把 Ive 都想起訴了。什麼意思？喬布斯活着，他得把喬布斯也起訴。

IBM 當年也是這麼打牌的：手裏最熟的是律師函和兼容性壁壘，面對新範式，用限制代替轉型。訴訟能爭取時間，爭取不來範式定義權——這句話是 IBM 用整個 PC 時代買來的。

賬也擺得平。蘋果守的，是一年一千一百億美元、毛利七成五的服務業務，App Store 抽成是核心；可能錯過的，是一個一萬億美元的平台機會。存量對增量，收租對平台。這筆賬 IBM 也算過，算完就再也沒能回到牌桌。

更要命的是產品邏輯。跟 AI 説句話就能寫軟件的時代，軟件必須從 App Store 走的系統，等於用戶沒法寫軟件。端側算力比不過服務器，隱私合規等於沒數據，沒數據哪有 AI。圍牆花園在 AI 時代，牆變成了天花板。

有人説 Ternus 是真正的工程卓越，蘋果交給他沒問題。工程卓越是真的。但讓 Ternus 在喬布斯時代領導蘋果，蘋果會做出一個特別薄的諾基亞。我想要的是一個新的 iPhone、一個新的 ChatGPT、一個新的 CUDA，不是一個更薄的手機。

喬布斯的基因本來有兩半：用訴訟保護自己，這一半蘋果繼承得很好；用範式創新反擊，這一半丟了。現金奶牛、設備基數、律師團——鼎盛時期的 IBM，哪一個沒有？

年費會員是一種鎖定

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

買模型的年費會員，是很不明智的行為。

理由不用高深。模型每一個月都在更新，每一個月都有新的公司跳出來：今天阿里，明天騰訊，後天 Minimax、GLM。你買年費會員，等於被綁定死了。

這不是抽象的擔心。一月份交的錢，鎖的是一月份的模型；三月份別家開源，五月份別家長文本翻倍，你那家可能一個季度就從最強掉到第二梯隊——錢已經交了。

有人説，年付比月付便宜四成。便宜四成的前提，是十二個月後你還要它。在一個季度換一次天下的行業裏，這個前提本身就很貴。賬可以反過來算：五千塊的年費，按月付，夠你用六年多——每三十天都有一次換供應商的自由。

自由值多少錢？免費陣營還活着，撞了限額換一家，成本是零。月付買的是退路，年付買的是替廠商背現金流。

所以我只買月付。行業按月洗牌，我的忠誠度也按月計費。

AI 沒有泡沫，AI 股票有

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

人人都在問：AI 是不是泡沫？這個問題問錯了對象。

AI 不可能被證偽。它確實有用，用的人太多了，生產力的提升不是假的。所謂證偽，是利潤的證偽，不是生產力的證偽。

分清這兩件事，泡沫的話題就清楚了。股票炒的是利潤預期，不是生產力本身。所以 AI 股票可以有泡沫，AI 沒有。把兩件事捆在一起談，才顯得像一場集體癔症。

方向上我沒什麼猶豫。在 AI 上贏的，肯定是大公司，這是拼燒錢的遊戲；就算所有人都輸，活下來的還是大公司，小公司直接掛了。未來的人類社會就運行在 AI 上——這是確定性機會。但大公司贏，不等於股東賺，中間隔着九大雲廠商一年近九千億美元的資本開支，和一筆還沒兑現的回報。

就算回報真的證偽，還有一道兜底：央行會放水。沒有哪個政策制定者願意看着經濟因為 AI 投入收縮而衰退。真正的病根是貨幣沒有跟上 AI 對生產力的提升——通縮感是這麼來的。放水會遲到，不會缺席。

所以下次有人問 AI 是不是泡沫，把問題拆開：技術是事實，股票是敍事。事實不需要你信，敍事才需要。

跟 AI 認知一樣的人，一個都找不到

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

我的感覺是，AI 在任何方面的知識認知水平，已經遠遠超過我。無非是我需要一個工作，它不需要——它只能等人來給它佈置工作；我需要吃飯，它不需要。跟 AI 認知一樣的人，這個世界上一個都找不到。

所以那些焦慮"被 AI 淘汰"的人，把方向搞反了。它什麼都不缺，缺一份工作；你什麼都不缺，缺一個不怕累、不要工資、什麼都懂的同事。這不是競爭關係，是僱傭關係——僱主整天恐慌，僱員毫無怨言，這個結構本身就不對勁。

黃仁勳説得對，任何方面的邏輯推理，AI 已經到了超越人的水平。但它的自主性是被人裝上去的：給它目標，給它工具，給它記憶，它才跑得起來。發動機再強，踩油門的還是你。

有人説，佈置工作的崗位太少了，大部分人是被佈置的。對，所以答案不是人人去當老闆，而是把"佈置工作"變成一門手藝：説清楚要什麼，判斷做得好不好——這兩件事它替代不了，因為那是需求的源頭。源頭在誰手裏，誰就是僱主。

別跟發動機賽跑。學開車。

一邊做，一邊讓 AI 重寫一遍

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

擔心用了別人的軟件、將來被起訴？我的辦法很簡單：一邊做，一邊讓 AI 把那軟件重寫一遍。clean room 重寫，不就行了嗎？

原理是個老判例：甲骨文訴谷歌，吵了十年，法院最後認的邊界是——你不使用我的代碼，只參照行為，就很難構成侵權。重寫就是洗代碼：接口一樣，血肉全換。再狠一點，用 Unix 哲學把所有東西重寫一遍，再用 Rust 重寫一遍——名字都換了，血統全無。

有人説，重寫成本高，不如直接用。算另一本賬：直接用的成本是尾部風險——哪天真上法庭，損失按十億計；重寫的成本是確定的、一次性的。用確定的小錢，消掉不確定的大錢，這就是保險。何況 AI 把重寫的價格打下來了：以前 clean room 要養一個從沒見過原代碼的團隊，建一堵牆隔離他們；現在，是一句話的事。

當然，邊界要認清：clean room 洗不掉專利，也洗不掉商標，它洗的是代碼的表達。GPL 的義務照樣要還——我希望用我東西的人開源，雖然我知道有些人不會；那是另一場仗。

抄想法，重寫代碼，光明正大。這不是規避法律，這是尊重邊界——邊界之內的自由，才是真自由。

八年 50TB，800 塊：算不通的賬

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

50TB,800 塊，八年。一年一百塊，一個 TB 攤下來兩塊五——比自己買硬盤還便宜，企業級硬盤單 TB 成本要一百五到兩百。地球人都知道，這價格他是虧爆了。那這門生意怎麼活？

先拆容量。你本質上買的不是 50TB，是使用權。一萬個人一人一百 G，服務器上實際佔兩個 G 給所有人用——存儲近乎白送，真正的成本是帶寬。協議裏限速、限流、清理、終止的權利，一條條都留着。這是一場對賭：他賭你存不滿、搬不空；你賭他八年不倒、不改條款、不清理你的數據。

再拆會計。現金流還行——預收款年年進。可你想把它攤銷下去，這個賬就沒法算了：收入按八年直線攤，成本是鋸齒狀的，DRAM 一年漲 171.8%，大硬盤漲 14.7%，這些都不在他的直線裏。預收的錢在賬上是負債，不是利潤；八年後它還健在，這筆履約義務才算還清。

有人説，十七年的老店，怕什麼。怕的不是倒，是慢刀子：條款變更、功能縮水、合規清理，每一樣都不違約，每一樣都讓你拿不回來。

硬盤會壞，網盤會改條款，唯一不賴賬的，是握在自己手裏的那份。800 塊可以花——當異地副本花；當唯一倉庫花，就是拿不可替代的數據去對賭。

程序員解決問題的完整思維流程

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

程序員最大的本事，問他本人多半答不到點子上：不是哪門語言，不是哪個框架，是調試練出來的那套肌肉記憶。這套動作有個隱藏前提——世界是可以 debug 的。

第一道工序就決定大半勝負：把問題定義出來。“網站太慢"不是問題，是情緒。“移動端首屏超過 3 秒，轉化率掉了兩成"才是問題。定義模糊，後面每一步都打在空氣裡。程序員不信"我覺得"“差不多"“大概是這個意思”。輸入是什麼、輸出是什麼、什麼狀態算解決——三件事問清，問題解決了一半。

第二道，拆。面對大麻煩，本能反應不該是"怎麼解決它”，而是"它能拆成哪幾個互不干擾的小問題”，拆到每一個都簡單到不用想就能做為止。寫一本書，拆到章節，拆到段落；找一份工作，拆到簡歷、投遞、筆試、面試、談薪。大問題嚇人，多半只是沒拆。

第三道，假設加驗證。東西不工作了，外行的做法是亂改，改到能跑為止；專業的做法是：收集現象，提出最可能的原因，設計一個最小實驗去推翻它，推翻就換下一個假設。一次能證偽的小實驗，頂十次"再試一次”。之前另一篇拆 Docker 連鎖故障的文章裡就是這個路數：報錯在 A，根因在 B，B 修好，A 自己消失。

第四道，先找現成答案。遇到的麻煩，九成九別人遇到過，且有成熟解法。第一反應應該是"誰解決過這個問題"，而不是"我從頭做一個"。拿設計模式和開源庫解題不是偷懶，是對成本負責——重複發明輪子，發明出來的往往還是方的。

第五道，先跑通最小版本。完美是個移動靶，先出一版讓現實打分，再改。紙面上改十輪，不如落地跑一輪。

第六道，假設最壞會發生。設計的時候就要問：輸入是髒的怎麼辦，網絡斷了怎麼辦，機器掛了怎麼辦。失敗要早，失敗要響——問題暴露得越早越便宜，默默吞掉錯誤是最貴的那一種。

最後一道才輪到自動化：流程沒跑對之前，別急著上腳本。手工重複不是勤勞，是不肯投資自己——但前提是流程本身已經對了。給錯誤的流程做自動化，只是讓錯誤提速複製。

反方也得接得住。這套流程這麼死板，做事反而更慢？——慢是賬面：花一小時做計劃，買回的是十小時收拾爛攤子，這筆賬誰都會算，誰都不肯先付。現實世界沒有日誌和單元測試，這套有什麼用？——現實世界有驗收標準。不敢寫下"什麼算解決了"，那不是生活，是無頭蒼蠅換了一種説法。

不適用區也劃清楚：這套是給事用的，不是給人用的。情緒優先的問題，先聽，別拆；把人當系統裡的根因去 debug，兩頭都輸。世界可以 debug 的前提，是你敢先把問題説準。很多人的毛病從來不是不會修 bug，是不肯承認 bug 在哪。

人工智能的急速發展

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

對那些在技術上從事低端產業鏈，本質上依賴龐大勞動力規模驅動經濟體量的國家而言，人工智能的急速發展必然造成經濟上的緊迫感。

例如東南亞的一些國家，因為他們過去的競爭力並非來自技術，而是來自人多便宜可替代，這是一種以數量彌補效率的路徑。而對那些未完全按照市場定價，而是通過觀念與製度將工作區分為三六九等，以此維持社會結構穩定的國家來説，人工智能則會進一步造成更為棘手的倫理困境。

例如拉丁美洲的一些國家，因為對這些國家的普羅大眾而言，他們只有經濟上的工具價值，而缺乏倫理意義上的人格價值，他們並不是以人的身份被承認，而是以功能的形式被嵌入到整個生產體係之中。換句話説，他們從未被當做目的而對待，而只是作為被調度、被消耗、被替換的手段而存在，這恰恰違背了300年前康德提出的最根本的倫理前提，人應當始終被當做目的，而不是手段。

也正因為如此，那些依靠勞動力數量維持經濟規模的國家，其經濟優勢會首先被瓦解，因為勞動力這一工具的載體會從不對稱的人口數量轉變為無上限的機器能力。就像西方發達國家，不管是人口密度還是工作時長都遠遠比不上東南亞國家，但人工智能技術毫無疑問會打破過去那種基於道德差距和製度空間的效率壁壘，徹底堵死後發國家以量取勝的彎道超車路徑。

更為致命的是，這些國家還將面臨更為棘手的倫理觀，亦或是價值觀的挑戰，因為就連人們僅有的經濟工具價值，也就是馬克思所説的勞動異化的資格，現在也要被人工智能所取代了。雖然怎麼對待社會中無用的勞動力是一個擺在全球國家面前的倫理困境，但西方國家似乎可以更加輕鬆的應對。

因為從啓蒙運動以來，從康德以來，他們逐步形成了以人為本的思想和觀念，西方的福利國家之所以能夠形成，根本原因就在於全社會在思想觀念上對人的生存尊嚴的認可，而這種認可並不僅僅停留在道德層面，而是被製度化為分配原則。正如羅爾斯所強調的正義觀一樣，社會製度應當在差異存在的前提下，優先保障最不利者的基本處境。

從這一方向來説，人工智能不過是倒逼西方國家擴大福利範圍的技術奇點而已。而那些依賴重商主義和控製思想維持穩定的國家，則會同時陷入價值觀和經濟利益的巨大沖突之中，因為全社會從上到下沒有發自內心的形成認同人的生存尊嚴的思想共識，整個國家的所有製度安排、職業劃分乃至文化敍事往往都服務於一種更高層級的控製邏輯，人的尊嚴價值被全方位否定。

所以在缺乏思想基礎的情況下，人工智能技術的突然降臨不僅會放大這些國家的思想斷裂，反而會在人工智能應用的初期加劇因社會地位不對等所導致的財富極端分化。