PresentTrading

Block 裁员40%，声称是因为AI，股价上涨了17%。但没人关注Block在疫情期间从3800人扩张到10000人，股价五年内下跌了75%。公司自己也承认组织架构搭错了。AI已经成为最好的裁员话题。问题是，当每个人都这么说时，真正进行AI转型的公司反而没人相信了。

大多数人在看到「multi-agent」时会觉得需要搭建架构。
实际上你只是需要让模型同时站在三个不同的位置思考。
角色扮演 prompt 做到的事情，跟 agent swarm 的核心机制高度重叠：强迫模型从不同前提出发、制造内部张力、让结论不是沿着同一条思路滑下去。架构派的做法是把这个过程外显化，拆成独立 agent、独立 context、独立 call。开销大，可控性高，适合需要审计的生产环境。
但 90% 的使用情境不需要审计，需要的是一个不只有一种声音的回答。
这里有个被低估的工程事实：语言模型本来就是在海量角色的文字上训练出来的。角色切换对它来说不是模拟，是激活不同的权重分布。你给它三个角色，它真的会用三种不同的认知结构去处理同一份材料。
复杂度不在工具，在 prompt 有没有把角色的前提说清楚。
说清楚了，一个 prompt 顶一个 swarm。说不清楚，架构再漂亮也是三个 agent 给你同一个答案。
---Prompt Example---
你现在扮演三个角色，针对以下内容分别独立思考，然后互相讨论。
开始前，先用一句话定义：这份材料要解决什么问题、要达成什么具体结果。三个角色都必须基于这个定义出发，不能各自解读目标。

OpenAI 把資本支出目標砍了 60%。媒體說這是「趨於理性」。
我覺得更準確的說法是：他們終於要對投資人說一個能自圓其說的數字了。
幾個月前，Sam Altman 對外喊出 1.4 兆美元的算力承諾。
那個數字一出來，整個產業開始動：GPU 排單、資料中心選址、電力合約。沒人仔細算，因為是 OpenAI 說的。
現在變成 6000 億。
表面上，這是「財務紀律」。把支出跟預期營收綁在一起，顯示公司成熟了。很多分析師在用這個框架解讀。
但有個數字值得停下來看一下。
OpenAI 2025 年營收 131 億美元。他們的 2030 年目標是 2800 億。
這不是激進，這是五年複合成長率超過 80%。而且要維持這個速度，整整五年不能掉速。
6000 億的支出「有紀律」，是相對於 1.4 兆而言的。如果你把它換算成年均支出，大約每年 1000 億——這比 Microsoft 或 Amazon 整個雲端業務的年度資本支出還要高。
所以那個「趨於理性」的敘事，其實只是換了一個更大的數字當基準。
這有點像一個人說「我把消費從月花 14 萬改成 6 萬了，我理性多了」——但他現在的月薪只有 1.3 萬。
工程現實是這樣的：當算力需求的敘事是「越多越好，因為模型還沒到瓶頸」，資本支出就沒有天花板。但 DeepSeek 之後，「用更少算力做出差不多效果」的論文開始真的進入生產環境。投資人開始問一

Cloudflare Workers 可观测性团队负责人 Boris Tane 发布了一篇关于 Claude Code 使用心得。
他的整个工作流程有一条守则：在你审过并同意书面计划之前，Claude 不准动一行代码。
大多数人的用法是：给 prompt、看输出、修错误、重来。这个循环在简单任务上行得通，在复杂功能上会让你花三倍时间收拾烂摊子。真正的问题不是 Claude 写错语法，是它在你还没确认前提的情况下，已经在错误的方向盖了十五分钟的东西。
他的方法是：先让 Claude 深读代码库并写成 inline 注释——不是在聊天里解释，是在错的地方直接写「不对，改成这样」。
这个循环跑一到六次，直到他满意，才说「全部实现」。
文章如下：

「慢知识的护城河」
大家都知道科学是集体成就。
引力波是几千人花几十年搞出来的。AlphaFold 背后是整个 DeepMind 团队。没人会说这些是某个天才单打独斗的结果。
但科技公司在招 AI 研究员的时候，赌注恰恰相反。
《Nature》刚发的评论揭了一个数字：入职约五年、论文引用量排在前列的年轻研究员，隔年跳去业界的概率，是同期普通学者的 100 倍。
100 倍。不是两三倍。
这不是个人选择的问题，这是结构性的抽血。
一个顶尖 AI 教授，全薪大概 20 到 40 万美元。听起来不少。但 Google、OpenAI 给的 total comp，可以到 100 到 300 万。同一个人，做的是类似的工作，薪资差了一个数量级。
业界的逻辑很直接：只要有一个「10x 工程师」，就不用养十个普通的。而且现在连这个逻辑都在进化——如果 AI 能替代中低阶的工程师，那就更应该集中资源抢顶尖的人。
问题是，这个逻辑把一件事搞反了。
你可以把学术界想成土壤，业界是在上面盖房子。
土壤的工作是慢的，是不预设应用场景的，是允许失败的。它产出的是可以被反复引用、被开放批评的知识，而不是一个被商业目标驱动的产品。
把土壤里最肥沃的那部分挖走盖房子，短期房子盖得更好，但长期你的地基在慢慢空洞化。
我自己在 PhD 最后这年同时在处理这个问题：论文要发表，但也面对业界 offer。
那个选择不只是薪

🔹 「AI 成本已跌破临界点，不用就是浪费」
NVIDIA Blackwell + 开源模型让推理成本直降90%（Baseten医疗案例），Together AI语音查询成本降6倍。當AI執行成本遠低於人力，自動化從「可選項」變成「必選」。 → 必然性：经济引力 — 成本优势已大到无法忽视
💼 工程师/产品经理：立即审计现有工作流程中所有高频率、低复杂度任务，用低成本AI代理替换
🔗

Qwen3.5-plus 真香
1. 你要的是「接近前沿能力，但 output 不想付到 GPT-5.2 那麼貴」：qwen3.5-plus 的 $2.4/1M output 對比 GPT-5.2 的 $14/1M output，非常香。
2. 需要更強的 agent/中文穩定性/多模態/長上下文（尤其要 1M）
3. 它本身就是託管版、預設 1M、帶工具。

2026 年 2 月 16 日，你站在悬崖边。
一边是旧世界的余晖（依靠信息差赚钱、依靠重复劳动生存），一边是新世界的晨曦（依靠创造力、依靠人机协作、依靠能量掌控）。

没人告诉你
其实现在最香的版本是用KIRO
到闲鱼买个号，70人民币狂刷opus 4.5。

现在是哪股热就吹哪股
opencode 有什么变强了吗???

没人说实话的吗??
智谱 glm 4.7 的API 真的垃圾到爆。全是幻觉....
夸的人真的全拉黑得了。服了。

[2025 AI 大模型荒野生存周报]
别写代码了，去“召唤幽灵”!
Karpathy 最近那篇总结真的看焦虑了。这周我把那堆碎片化的信息拼成了这张“生存地图”。
1. 智能不再是圆柱体，而是“尖刺” 🌵
别再指望模型是全能超人了。2025 是“锯齿状智能”的时代。它可能在写数学推导时像个天才，转头在写请假条时又像个小学生。
接受这种随机性，是迈向 10x 战力的第一步。
2. “技能”注入灵魂，“协议”安装手脚 🧠🦾
这周最火的争论莫过于 Skill vs MCP。其实没那么复杂：
- Skill 是你教 AI 的“独门秘籍”（怎么重构、怎么写出符合你公司审美的 UI）。
- MCP 是你给 AI 的“万能插座”（读数据库、翻 Notion、刷 GitHub）。
3. 程序员的职业地震：10x 鸿沟是真实的 🌊
如果你还在纠结怎么写一个 React Hook，而不是在思考怎么编排一套 Agent 工作流，那你可能正站在鸿沟的另一边。
现在的核心竞争力是 Context Engineering。代码只是副产品，你的“意图编排”才是硬通货。
4. 属于我们的“开源说明书” 🛠️
这周存了 Z Code 的视觉编排、CC Switch 的快速切换，还有那个像 App Store 一样的 skillsmp。
现在的工具迭代快到没时间写文档，最好的说明书就是你昨天刚跑通的那份

这样的清算, 好像不买1/3的仓位 有点过不去.

看好ASTR.
可以做beta, 1.1 : 1 多ASTR 空MNT/OP