All posts

产品沉思录是一组长期积累的产品知识库和 Newsletter，围绕人物、产品、公司与行业方法展开持续研究。它的价值不在于给出某个单点答案，而在于提供产品判断的素材库：优秀产品如何形成，团队怎样取舍，商业模式和用户体验之间怎样互相牵引，具体公司和产品案例背后有哪些可复用的思考框架。旧描述显示，它始于 2017 年，由少楠和 fonter 主理，已积累大量专题内容，适合当作产品经理、创业者和关注商业的人长期翻阅的参考。相比碎片化观点，这类持续写作能帮助读者看到产品决策的上下文、历史变化和多种可能性，在做需求、战略或案例研究时尤其值得留存。它也适合作为选题入口：遇到新产品、新公司或新商业现象时，可以从过往专题里找相似案例，比较不同阶段的取舍，避免只凭当下热度下判断。长期阅读还能训练案例之间的类比能力和产品语感。

给工程师的产品第一课解决的是研发与产品协作中最基础的认知差：工程师如果只看到 PRD 和排期，就很难理解需求为什么产生、为什么变化、哪些环节会影响技术方案。材料从需求调研、项目立项、需求分析、业务流程、业务逻辑、原型交互、PRD、需求评审和视觉评审等步骤展开，提醒市场、行业、用户、资源、渠道、环境和人员都会影响产品决策。它也特别提到渠道和运行环境常是需求盲点，异常流、兜底、降级、回退等问题需要研发共同补全。长期价值在于帮助工程师从被动接单转向主动识别风险，用产品语言讨论业务价值、范围边界和可行性，从而减少返工。团队培训时也适合引用它，让研发、产品、设计在评审前共享同一套检查项，把“需求不清”拆成可讨论的背景、目标、流程、场景和约束。工程师读完后更容易在早期提出关键问题，也更懂如何评审需求。

迈克·弗拉克斯曼博士目前是 HEAVY.AI 的产品副总裁，之前曾担任产品经理，并在专业服务部门领导空间数据科学实践。HEAVY.AI 是一个硬件加速的平台，专注于实时和高影响力的数据分析。我的工作经历包括为美洲开发银行等组织提供咨询，以及在全球最大的 GIS 开发公司 ESRI 管理建筑、工程和施工领域的 GIS 技术 我清晰地记得第一次接触现在的 HEAVY.AI，那时我作为顾问，负责佛罗里达海滩栖息地保护计划的情景规划。我和同事们在用 30 米的 Landsat 数据建模海龟栖息地时遇到了困难，一位朋友向我推荐了一些全新且非常相关的 5 厘米 LiDAR 数据。快进几年，我依然认为 HEAVY.AI 所做的非常独特，它在 GPU 分析上的早期投资正是行业未来发展的关键所在。目前，作为 HEAVY.AI 的产品管理副总裁，我积极参与决定我们优先开发哪些产品特性和功能。

“大模型基础”是提供大规模预训练语言模型教程的开源项目，涵盖多方面内容，面向广泛受众。1. 《大模型基础》是一个开源的教程项目，旨在提供关于大规模预训练语言模型的知识，并降低入门难度。从数据准备、模型构建、训练策略到模型评估与改进，以及安全性、隐私保护和环境等各个方面进行系统化解释。此项目应用于人工智能 (AI) 投资者、研究员和自然语言处理领域学习者等广泛受众群体。最后还特别指出，完成教程第二版需要分三步走：初阶完善润色旧版内容（约两月），中阶增加代码实用性 (逾期请覅忘 cd /sbin/shutdown -r now)，最末则钻研有所启迪 GPT 系列 requiem 明代肖像画典藏修复策略。已由哈尔滨工业大学自然语言处理博士生陈安东，天津科技自然语调时间序列变现研究专家王茂林加入共同编写；。该项目将罗列详尽内容：包括如何准备数据、建立并优化过 transformer 这样复杂网络结构的大规模预训练经验。

自学人工智能（机器学习、深度学习）的入门指南围绕人工智能教程展开，核心内容包括是自学人工智能（机器学习、深度学习）的入门指南，介绍资料依托、知识收集方法和高频工具，适用于自学者。

GenAI/GPT/AIGC/LLM 学习资料围绕大模型从底层原理到产品落地的关键问题展开，把“语义即服务”、AI 的 iPhone 时刻、插件平台化、上下文窗口、延迟、准确性、多模态和自动代理等议题放在同一张学习地图里。核心判断是，未来门槛会从会不会写代码，部分转向能不能清晰描述问题和需求。资料库收录 GPT 与 LLM 总览、Transformer、训练技巧、对话模型、涌现、MoE、多模态、工具使用和产品化观察，也记录了平台化受算力、体验、成本和交互准确度制约的现实问题。它更像一份硬核学习笔记：一边追踪论文、访谈和模型进展，一边提醒从业者理解 GPT 背后的第一性原理，避免只停留在工具体验和热点名词上。 面对模型快速迭代，它提供的不是单点答案，而是一种判断框架：先看底层模型能力，再看产品体验是否稳定，最后看商业成本和应用场景是否匹配。这样才能区分真正的范式变化、短期概念热度和暂时还没有 PMF 的平台设想。

通往 AGI 之路把 AI 学习整理成一套可持续更新的知识库和社区入口，重点不是让 AI 代替思考，而是帮助学习者少走弯路，借助 AI 提升判断、表达和创造能力。内容从“从这里启程”开始，延伸到 AI 学习路径、提示词、AI 绘画、AI 语音与数字人、AI 网站和应用、GPT 与浏览器插件、视频播客、行业报告、AI 课程、智能体、空间计算和辅助学习工具。知识库还提供最新动态、历史更新、共学直播、线下活动、投稿机制和问答入口，把资料索引、实践社群、活动记录和学习路线放在同一个空间里。适合想系统入门 AIGC 的人建立长期学习地图，也适合已经在使用 AI 工具的人跟进案例、工具和行业变化。 它的价值还在于把“学习资料”变成“行动入口”：读者不仅能查资料，还能参加共学、跟踪更新、提交内容、寻找同伴。对于容易被 AI 信息流淹没的人，这种目录化组织能帮助先建立主干，再按工具、场景和前沿方向逐步扩展。

AI Canon 是一份现代人工智能入门资料清单，收录关键论文、博客、课程和解释性内容，覆盖 Transformer、扩散模型、大语言模型及其产业影响。它按学习难度组织材料，帮助非专业读者建立基础框架，再进入更深入研究。由于领域变化迅速，这类清单应作为起点，而不是固定不变的权威目录。

《一人企业方法论》第二版面向想用较小团队、个人能力或副业资产建立可持续业务的人。它不只适合技术人员，也覆盖自媒体、电商、数字商品等非技术方向。旧描述显示，内容包括一人企业定义、业务规划、以小博大和规模化的底层逻辑、资产与被动收入、滚雪球和链式传播、赛道选择、竞争策略，以及一人企业画布和月报等思考工具。它解决的问题是把“一个人做点生意”的模糊冲动，拆成可分析、可复盘、可控制风险的业务设计。值得留存，是因为它把个人品牌、产品化、资产积累和不确定性管理放在一起，适合作为副业和小型独立业务的长期检查表。尤其适合在选赛道、定产品、评估是否全职投入之前阅读，用来判断优势是否清晰，收入结构是否可持续，风险是否能从副业阶段被逐步验证。它也能提醒读者不要把规模当成唯一目标，先让业务模型站稳。

写作只能塑造真实的自己（PDF 格式，可下载保存）围绕写作经验、文学创作展开，核心内容包括《写作只能塑造真实的自己》小册子收录多位作家写作心得，强调写作对塑造真实自我与个人成长的重要性。

相比之下，写作迫使你采取更简洁的观点：大多数场所对你可以使用的字数或页数都有限制，我认为这些限制从根本上来说是一件好事，因为它们迫使你你的解释更有创意，并且你使用的单词数量更吝啬。我认为在写下你的想法时，你至少会经历以下事情之一： 您将获得有关如何改进您的研究的想法。最后一部分特别相关：我发现很容易欺骗自己相信我理解某些技术或方法，但只有通过实际将它们写下来，我才有办法看看我是否足够好地内化了知识以实际产生一些东西用它。答案 2：写作可以增加你的受众 不幸的是，大多数学术研究都不会被广泛阅读。”的第二个回答是，对写得好的和写得好的论文的任何投资都可以通过吸引其他学科的读者来获得回报，这往往会带来意想不到的结果。例如，我在降维算法及其评估方面的工作在我之前的研究社区中陷入了困境，但它被不同的社区所接受——我什至收到了一些合作邀请，因为人们喜欢我试图激励某些方面的方式（我是坚信建立方法直觉）。

现在，这位 "Wait But Why "博主正在与他的顶层挑战者--宪政民主和政治文化--进行斗争。在这次独家专访中，Urban 分享了他如何提炼和呈现复杂的想法，使其丰富并引起他人的共鸣：这是每个初创企业领导者和团队必须反复掌握的行为。从两个人的编辑团队到两个人的编辑团队，《评论》对《Wait But Why》的抽丝剥茧和解释能力深表钦佩。以 Urban 发表的关于 Neuralink 的文章为例，这是 Elon Musk 的脑机接口开发公司。"我深信， Neuralink 无论在工程设计的胆识上，还是在使命的宏伟上，都能让特斯拉和 SpaceX 望尘莫及。Urban 说："其他两家公司的目标是重新定义未来人类将做什么，而 Neuralink 则希望重新定义未来人类将成为什么。"Neuralink的使命之艰巨让人匪夷所思，再加上人类大脑的复杂性让人如入迷宫，这是我迄今为止最难完全理解的一组概念，但也是最让我兴奋的，因为当我在两端都花了足够的时间后，一切终于水到渠成了。

彼得·海斯勒长期通过非虚构写作记录中国社会和普通人的变化。《江城》《甲骨文》和《寻路中国》等作品以具体人物和地方经验连接更大的时代转型。访谈回顾他在不同年代教学、观察和写作的经历，并讨论地缘政治、媒体环境变化与人与人交流对跨文化叙事的影响。

在浏览器中输入 URL 并回车，看似只是打开网页，背后却串起了从硬件输入到网络通信再到页面渲染的一整条计算机系统链路。这个中文翻译项目把键盘事件、URL 解析、DNS 查询、协议交互、浏览器处理等环节拆开说明，适合用一个日常动作理解操作系统、网络、浏览器和前端工程之间的连接。它解决的问题是把抽象的“网页加载”还原成可追踪的步骤，让学习者知道每一层系统分别承担什么职责。长期价值在于建立工程直觉：排查网页打不开、DNS 异常、请求慢、渲染问题时，不再只停留在表象，而能沿着输入、解析、寻址、传输、响应和展示逐层定位。对入门者，它是一张跨学科地图；对有经验的工程师，它能用来补齐自己忽略的底层环节，把浏览器、网络和操作系统知识串成一条完整路径。面试准备、系统学习和故障复盘都能反复使用这条路径，也适合作为课程导读。

这是我去年在 RubyConf Mini 上发表的主题演讲：10 年学习 DNS。从我第一次购买域名并设置我的 DNS 记录到我真正觉得我了解该系统的工作原理，我大概花了 16 年的时间。在本次演讲开始时我想说的一件事是，我认为花 16 年时间学习 DNS 之类的东西是很正常的。例如，您在手机上使用 Google 地图，它需要知道 maps.google.com 在哪里，对吗？我要谈谈两个用于 DNS 的间谍工具：dig 和 wireshark。我在这张幻灯片上使用了 example.com 而不是 maps.google.com，但字段是相同的。当我们像这样进行 DNS 查询并查找 example.com 时，Wireshark 可以捕获它。所以我们应该能够使用 Wireshark 在 DNS 查询中找到该域名。快速警告：您的浏览器可能正在使用加密的 DNS，如果您的 DNS 已加密，则使用 Wireshark 监视您的 DNS 查询将不起作用。

千古壹号前端图文教程是一套从入门到进阶的中文前端知识库，覆盖 HTML、CSS、JavaScript 和常见工程实践。项目强调对初学者友好，可按路线学习，也可作为日常查询的参考资料。具体工具和框架内容会随前端生态变化，使用时应结合项目最新版本。

这份面向设计师的 Chrome DevTools 指南介绍如何检查页面结构与样式、理解 Flex 布局、查看设计变量、定位布局问题并使用 Lighthouse 分析页面。它帮助设计师把设计工具中的自动布局、颜色变量和组件概念映射到真实网页，从而更准确地与前端协作并验证实现效果。

WebGPU 重要，因为它把浏览器绘图从旧式、状态混乱的 WebGL 带到更接近现代 GPU 的模型。过去的 OpenGL、OpenGL ES 和 WebGL 背着大量历史包袱：固定管线、全局状态、扩展碎片、驱动差异，都让开发者难以预测性能和行为。WebGPU 改用更明确的资源、管线和命令提交方式，让程序员直接描述显存、着色器和渲染流程，减少驱动猜测，也更适合 3D、计算任务和高性能 2D 绘制。它的价值不只在浏览器里跑更好的游戏，还在于把 GPU 变成 Web 平台的标准计算与绘图能力。未来的图像编辑、数据可视化、设计工具和交互应用，都可以在不安装原生软件的情况下获得接近本地的渲染能力。它仍有学习成本，但比旧 API 的隐式规则和兼容陷阱更清晰。

浏览器扩展的价值不只在于广告拦截或密码管理，而在于它们让普通用户重新获得改造软件的权力。多数现代平台把用户限制在应用设计者预设的边界内，扩展却能在网页之上叠加新功能、删掉干扰、改变界面，甚至把多个小工具组合成自己的工作环境。它们强大，是因为 Web 把可读代码、语义标签和统一表单等结构暴露给浏览器，使第三方无需等待官方 API 也能动手。真正值得争取的方向，是让扩展更容易被普通人制作、更不容易被网站更新破坏，并在安全与隐私之间继续保留这种可改造性。开放平台的意义，不是让用户多填几个文本框，而是允许他们改变使用软件的方式。安静的、细碎的扩展生态，提醒我们计算机本可以更像可组装的工具箱，而不是封闭的消费品。

How to Do Great Work？讨论的不是短期效率技巧，而是怎样选择并持续推进真正重要的工作。Paul Graham 的核心路径可以概括为：找到适合自己的领域，学习到足够接近前沿的位置，发现别人忽视的缺口，再沿着好奇心和判断力去探索。它把天赋、兴趣、项目习惯、知识积累和机会识别放在同一条链路里，提醒人不要只追逐外部认可，也不要停留在空泛热情。值得留存的地方在于，它适合反复校准职业方向和研究方向：当前做的事是否足够重要，是否有长期复利，是否让自己更接近独特问题。对工程师、创作者和创业者来说，它提供了一套判断“大工作”的朴素尺度。每次面临换方向、选课题、做项目或评估机会时，都可以拿它重新审视兴趣、能力、市场空间和可探索缺口之间是否匹配，避免把忙碌误认为进展。它也提醒长期积累的重要性：先进入前沿，再谈原创突破。这个判断尤其适合年度复盘。

做好工作通常要经历四个相互重叠的过程：找到真正感兴趣的问题，学习到足够深入，发现尚未解决的空间，并长期投入。文章强调，好工作不能仅由外部指令定义；人需要保持好奇、主动尝试，并在实践中判断自己是否擅长和喜欢某件事。雄心与努力重要，但也要避免疲劳和无意义忙碌造成回报递减。

业余爱好者和专业人士的差别，不在头衔，而在日常运作方式。专业不是某天被授予的身份，而是一套能反复产出结果的习惯、心态和系统。业余者顺其自然，专业者建立固定流程，并主动塑造让流程可持续的环境；业余者迷恋奖杯，专业者爱上训练本身；业余者把失败归因于外部，专业者先检查准备、节奏和执行。真正的专业还体现在耐心和聚焦上：不是同时练一百个平庸动作，而是找到自己的优势，反复打磨关键动作；不是害怕失败和暴露短板，而是把错误当成更新策略的信息。专业人士对行动急迫，对结果耐心，愿意每天出现，也能在压力中放慢、观察、等待时机。所谓运气，往往是大量微小行动累积后的外显结果。任何领域都可以走向专业，前提是停止把专业看成身份标签，转而把它落实为可重复的行为标准。

提问的智慧解决的是技术协作里最常见、也最容易被低估的问题：怎样把一个模糊、情绪化、缺上下文的求助，变成别人愿意回答且能够回答的问题。它从提问前的准备、论坛和平台选择、标题写法、问题描述、症状排序、目标表达、代码问题呈现等环节入手，强调先做功课、给足环境、描述事实而不是猜测。它也提醒不要把作业、紧急情绪、无意义句式和私人回复要求丢给社区。长期价值在于训练一种公共讨论能力：尊重回答者的时间，也提升自己定位问题的能力。无论是开发者、产品经理，还是需要在群组里求助的人，都能用它检查自己的问题是否足够清楚、可复现、可推进。保存这份材料，相当于保留一套求助前的自检清单：先查资料，说明环境，列出已尝试方法，描述期望结果和实际结果。团队内也能把它作为新人协作规范，减少反复追问。越早养成这种习惯，越能把求助变成共同排障。

例如，JacksonHewitt.com 上的图片展示了一家穿着冬季服装享受烟花的家庭。❌ 这个关于税务服务的 Jackson Hewitt 页面包含了一张与内容无关的照片，展示了一个快乐的家庭在点燃烟花。✅ Notion 的产品功能通过独特的 Notion 界面截图来展示；✅ Therabody 的 SmartGoggles 产品页面展示了一张用户在家中使用产品的照片，用户正在睡觉。❌ 虽然 Notion 的插图可能旨在展示其产品可在各种环境中使用，但视觉缺乏现实感，需要太多工作才能理解信息。然而，在 Cigna.com 的移动设计中，视觉与文本“满 65 岁了？测试参与者错误地认为图像与Dental Care, Covered section. 牙齿护理，保障部分相关。The Paper Store 通过五个不同的视觉效果，代表独特的产品类别，找到了适当的平衡。✅ PaperStore.com: 五个独特的视觉效果传达了清晰的信息，整体效果没有令人不知所措。

这个项目整理中国程序员常见的英语技术词汇发音错误，并提供英式、美式音标和朗读参考。它覆盖 Kubernetes 等容易按中文习惯误读的术语，帮助读者比较正确读音与常见错误。音标并非唯一标准，重点是通过可靠音频和持续模仿，提高技术交流中的可理解度。

模型基础理论围绕模型理论展开，核心内容包括介绍目录模型基础理论，包括工具下载、clip等三大件、VAE和clip问题解决、模型同质化及C站评价、图片模糊和EasyNegative Emba影响。

今天的作者是加州大学圣地亚哥分校的认知科学家肖恩-特洛特（Sean Trott）。当时，机器学习研究人员已经对大型语言模型（LLM）进行了数年的实验，但普通大众并没有密切关注，也没有意识到这些模型已经变得如此强大。我们的目标是在不使用专业术语或高等数学的情况下，解释这些模型的内部工作原理。最后，我们将解释这些模型是如何训练出来的，并探讨为什么良好的性能需要如此大量的数据。单词过于复杂，无法仅用两个维度来表示，因此语言模型使用了数百甚至数千个维度的向量空间。dog and cat) close together in vector space. 随着时间的推移，为预测哪些词与哪些词同时出现而训练的神经网络学会了在向量空间中将类似的词（如狗和猫）放在一起。例如，谷歌研究人员将最大（biggest）的向量减去大（big），再加上小（small）。如果一个语言模型了解了猫的一些情况（例如：它有时会去看兽医），那么小猫或小狗也很可能会有同样的情况。

ChatGPT 的工作方式可以理解为：它接收一组有结构的符号，再输出另一组与之相关的有结构符号。难点不在“把文字变成文字”，而在捕捉复杂、抽象、带概率的关系。简单规则可以处理固定转换，例如把一个词按规则改写；但当“猫”“死亡”“成熟”“不成熟”等词同时出现时，可能涉及生物、情感、文学引用和上下文含义，关系会迅速变得庞大且不确定。大型语言模型用训练数据形成概率空间，提示词像一次观察，把输出压到某个更可能的区域。它不是按人类方式持有真假信念，而是在可能文本集合中选择高概率延续。理解这一点，能减少把聊天机器人拟人化，也能解释为什么同一提示有时可靠、有时偏离。

关键词：ChatGPT、RLHF、强化学习、人类反馈、NLP、AI 安全。其中一个很酷的想法是RLHF（来自人类反馈的强化学习）：将强化学习和人类反馈纳入NLP。要了解RLHF，我们首先需要了解像ChatGPT这样的模型的训练过程，以及RLHF在其中的作用，这是这个问题章第一部分的重点。然后，这个怪物在更高质量的数据上进行了微调--想想StackOverflow、Quora或人类注释--这使得它在某种程度上被社会接受。然后，使用RLHF对微调后的模型进行进一步打磨，使其适合客户，例如，给它一个笑脸。""题外话：OpenAI在2017年从人类偏好中学习的论文"" 构建安全人工智能系统的一个步骤是消除人类编写目标函数的需要，因为用简单的代理来实现复杂的目标，或者把复杂的目标弄得有点错，都会导致不理想的甚至是危险的行为。

OpenAI 在其 GPT-4V 系统卡中指出，"将其他模式（如图像输入）纳入 LLM，被一些人视为人工智能研发的关键前沿"。在 LLM（大型语言模型）中加入额外的模态，就形成了 LMM（大型多模态模型）。第 2 部分以 CLIP 和 Flamingo 为例，讨论了多模态系统的基本原理，前者为许多未来的多模态系统奠定了基础，而后者的出色表现则催生了 LMM。第 3 部分讨论了 LMM 的一些活跃研究领域，包括生成多模态输出和适配器以实现更高效的多模态训练，涵盖了 BLIP-2、LLaVA、LLaMA-Adapter V2、LAVIN 等较新的多模态系统。多模态数据也可指多模态分布，例如 双模态分布，与本帖中的多模态数据不同。第 1 部分.了解多模式 许多使用案例都离不开多模态技术，尤其是那些需要处理多种数据模态的行业，如医疗保健、机器人、电子商务、零售、游戏等。图片来自多模态生物医学人工智能（Acosta 等人，《自然医学》，2022 年） 不仅如此，结合其他模式的数据也有助于提高模型性能。

Sam Altman 创业手册把 YC 系创业建议中最通用的部分整理成面向新手创始人的框架。它强调创业公司的核心目标是做出用户真正喜爱的产品，并最终获得大量用户；少数用户强烈热爱，往往比很多用户轻度喜欢更重要。旧描述和已读取内容显示，它围绕好想法、大市场、好团队、好产品和强执行展开，也谈到创业的困难、职业风险和早期高速成长公司的机会。它解决的问题是让创始人先抓住基本盘，而不是过早沉迷融资、曝光或组织形式。长期价值在于可作为创业自检表：用户是否真的需要，团队是否足够强，执行是否连续，想法是否配得上长期投入。对于早期项目，它能提醒团队回到最朴素的问题：有没有一群人离不开这个产品，增长是否来自真实价值，创始人是否愿意在难处持续推进。它适合在项目启动、转向或低谷时反复重读，帮助团队保持优先级。

有赞在 SaaS 创业十年中的教训和经验聚焦一家 SaaS 公司从创业到持续经营过程中反复遇到的关键问题。旧描述显示，它围绕价值创造、组织能力、积累意识、核心作业流程、组织文化、业务发展阶段、不同阶段的价值创造与组织能力建设、SaaS 陷阱以及数字化机会展开，也区分大型、中型、中小和小微客户，并重点讨论中型及中小客户业务。它适合回答“做 SaaS 到底难在哪里”：不只是写软件，还要处理市场、销售、服务、续费、组织效率和客户价值之间的长期平衡。值得留存，是因为它把十年经验拆成阶段和能力模型，可用于创业复盘、业务诊断，也可帮助产品和管理者识别增长背后的组织约束。当团队遇到增长放缓、交付变重或客户价值不清时，这类经验能提供更现实的参照，而不是只看通用创业口号。它能把教训转化为更具体的经营问题清单，方便逐项复盘。

Jaryd Hermann 分享了他对 Athyna 的投资体验，Athyna 是一家帮助公司通过在非传统的新兴科技市场（如拉丁美洲）寻找优秀人才来扩展全职团队的公司。他强调，随着美国初创公司失败率的上升和人力成本的增加，Athyna 通过降低招聘成本提供了必要的运营资金，使得初创企业能够获得额外的燃油时间。文章详细介绍了 Athyna 在产品、增长、策略和创业建设方面的 8 个新思想。此外，根据 Carta 的数据，初创企业的破产率比 2019 年高出 700%。在这个增长成本高昂的时代，Athyna 帮助初创企业再次实现可负担的增长，提供必要的额外发展空间。这些中小企业及中型市场的决策者会阅读或收听《The Hustle》和《MFM》 通过拥有这些资源，HubSpot 提升了品牌价值，并能够免费接触到它们 奖励：这些公司将持续盈利，以便偿还投资 这样拆开，确实很难不看出这个策略的高明之处。

在运营良好的种子期初创公司，工程师们通常会用 "陶醉 "来形容工作体验。工程师应该把大部分时间花在这个核心循环上： 必要时，与用户交谈，了解他们的问题。随着公司规模的扩大，这些步骤中的每一步都失去了乐趣。进行任何基础设施变更都需要经过 14 个步骤，以免造成宕机或 1000 万用户的数据丢失。大多数初创企业通过抄袭大公司的流程，通常是通过从大公司挖来经理人，而这些经理人会带来他们的游戏规则，从而不必要地加速了企业化进程。例如，许多初创公司使用 Jira 是因为大公司使用 Jira。Y Combinator 帮助全世界认识到，灵感应该反其道而行之--大公司应该尝试像初创企业一样运营。我坚信，大多数公司招聘速度过快的原因是管理者的激励机制不协调，不明真相的投资者逼迫你看起来更像其他快速发展的初创公司，以及不了解一个人的真正成本。公平地说，我没有关于 Linear 扩展性如何的数据，但很难想象它的体验会比 Jira 差。

认知偏差手册整理的是人类在判断、决策、记忆、社会归因和概率理解中反复出现的系统性误差。旧描述列出了不明确性效应、锚定效应、注意力偏差、确认偏差、知识的诅咒、诱饵效应、框架效应、沉没成本谬误、损失趋避、幸存者偏差、达克效应、基本归因谬误、赌徒谬误等大量条目。它解决的问题是让人意识到：很多看似理性的判断，其实会被初始信息、群体压力、表达框架、记忆偏差和样本错觉影响。长期价值在于提供一套思考校验表。做产品决策、商业判断、用户研究、团队沟通或个人复盘时，都可以用它提醒自己换一种证据标准，避免把直觉误当事实。留存它的好处是随时查一个偏差名称背后的典型机制，再回到现实问题中提问：证据是否足够，样本是否偏斜，自己是否被已有立场锁住。它能让抽象的理性训练落到日常判断，也能用于团队讨论。

模型将世界浓缩成可以理解和使用的小块。例如，速度是一种心智模式，它能帮助你理解速度和方向都很重要。互惠是一种心智模式，它能帮助你理解积极行动和先行一步是如何让世界为你做大部分工作的。就像知道站在什么位置能把一张好照片变成一张好照片一样，改变你对某种情况的看法能揭示关键信息并提供新的解决方案。你必须在头脑中建立模型，并将你的经验--包括替代经验和直接经验--排列到这个心智模型的格子上。以下这些重要理念可以帮助你做出更好的决策，避免问题，并发现别人错失的机会。第一原理思维是逆向设计复杂情况、释放创造可能性的最佳方法之一。相对论在物理学界有多种应用，但研究的重要方面是观察者无法真正理解他自己也是其中一部分的系统这一观点。2 Evolution Part Two: Adaptation and The Red Queen Effect2.进化论》第二部分：适应与红皇后效应 在遗传和环境的共同作用下，物种为了生存往往会适应周围的环境--这是一个始终无法避免的组合。

他们的ChatGPT是历史上增长最快的产品：仅在推出两个月后，就已经拥有1亿活跃用户。）简而言之：在11月17日，OpenAI的董事会解雇了该公司受欢迎的CEO Sam Altman，这是一个意外的举动，引发了员工的不安（95%的员工威胁要辞职）以及OpenAI的主要合作伙伴微软的不满。这需要两件事： 等待相关事实的出现，以及 从这些事实中得出意义的框架 在这个问题的其余部分，我将向您介绍这样一个框架——冰山模型，并通过这个框架解释OpenAI的情况。冰山模型解释了您可以理解这样一个系统的不同层次： 图片来自ecochallenge.org 该框架使用冰山的隐喻，因为我们只倾向于看到发生的事情——第一层。在 OpenAI 的案例中，2022 年 11 月 6 日的产品发布是一系列商业产品中的最新动态，该系列始于 2020 年的 GPT-3 API，接着是 2021 年的 DALL-E，以及 2022 年的 ChatGPT。

OODA 循环把行动分为观察、定向、决策和执行，关键优势来自更快更新世界模型并据此行动。文章讨论这一框架如何用于理解竞争、机器人和日常思考，也指出互联网的信息规模正在进入每个人的 OODA 循环。人需要更好的工具来过滤信号、保持方向并缩短有效反馈。

所谓一体化思维工具的最大问题，是把少数真实需求包装成一个庞大而脆弱的通用数据库。日记、待办、学习、写作、文件管理、法律材料、清单和收藏管理，看上去都能放进个人知识库，但多数场景都有更合适的专用工具：待办需要提醒和重复任务，学习更依赖间隔重复，写小说需要版本控制和编译流程，文件归档只要稳定目录和表格。双向链接和集中数据听起来优雅，实际使用中很少有人频繁从任务跳到文件、从日历跳到笔记再回到卡片。每个节点和链接都带来维护成本，知识图谱越大，越容易淹没有价值的片段。真正缺口不是再造个人维基，而是像通用 Calibre 那样处理收藏管理：同一对象可按作者、年份、主题、类型等多标签浏览。工具应服务具体工作，而不是让人维护一个关于自己的宏大模型。

GPT 提示词大全是一套中英文双语的指令库，价值在于把常见任务拆成可直接复用、可改写、可实操的提示模板。内容覆盖写作助理、提示词修改器、提示词生成器、翻译润色、论文式回答、主题解构、四重结构归纳、提问助手、智囊团、费曼学习法、辩论、语音输入优化、Nature 风格润色、小红书文案、周报、故事、新闻、求职信、编剧和口播等场景。它不是为了让使用者机械复制指令，而是提供一批经过整理的任务范式：先找到目标任务，再补充角色、上下文、约束、语气和输出结构。对刚接触 ChatGPT 的人，它能降低试错成本；对已经熟悉提示词的人，它适合当作灵感库，用来组合更复杂的工作流。 分类中的提示词既包含具体文本生产，也包含思维辅助和角色模拟，适合用来训练“如何把需求说清楚”。真正有效的用法是把模板拆开理解：任务边界是什么，输入材料是什么，输出要达到什么质量标准，哪些约束能减少模型跑偏。

有效提示需要清楚说明任务、上下文、约束、示例和期望输出格式，并通过测试不断调整。文章介绍如何控制语气、提取结构化信息、要求列表或 Markdown，并让模型根据场景生成更合适的回复。提示优化能改善结果，但不能替代事实核验、评测和对模型边界的理解。

每家公司都可以通过聊天机器人直接访问他们的模型：OpenAI制造GPT-3.5和GPT-4，它们为ChatGPT和Microsoft的Bing提供支持（在Edge浏览器上访问它）。所以这是你的快速参考图表，归纳了LLM的状态： 前四个（包括Bing）都是OpenAI系统。Microsoft的Bing混合使用4和3.5，通常是GPT-4系列中第一个推出新功能的型号。最透明的选项：Adobe Firefly 最佳免费选项：Bing或Bing Image Creator（使用DALL-E），Playgound（允许您使用多个模型） 有四个大型图像生成器可供大多数人使用： 稳定的扩散，这是开源的，您可以从任何高端计算机运行。DALL-E，来自OpenAI，它被合并到Bing（你必须使用创作模式）和Bing图像创建器中。

许多作家会求助于ChatGPT或其他人工智能聊天机器人来编辑和完善自己的语气。这一点在用词上尤为明显： 即使使用 "轻松愉快"、"雄心勃勃"、"充满活力 "或 "富有教养 "等更细致的语气描述符，ChatGPT仍然会夸大其词。使用多个形容词可以防止 ChatGPT 抓住一个特定的词，从而产生更自然、更会话的反应。使用样本来训练 ChatGPT 所取得的效果甚至比一组细微的语气词更好。就拿这份文案的语气来说吧： Mailchimp 使用生成式人工智能来自动执行人工营销任务，如撰写初稿或可视化数据。为了创建 Mailchimp/Plaid 示例的结果，我首先向 ChatGPT 提供了一个人工智能广告示例，然后要求它编辑另一家公司的版本。现在，只需进行少量编辑（或向 ChatGPT 提出请求），就可以在撰写或编辑新内容时使用此回复为自己、同事或 ChatGPT 提供指导。请ChatGPT分析你的语气，并将答复保存起来，以备今后指导和提示工程之用。

作者使用 ChatGPT 作为写作助手，希望能够更高效地撰写技术文章。作者在撰写 Thoughtworks 技术雷达时，使用 ChatGPT 来协助完成 “blips” 和文章。作者希望通过使用 ChatGPT 和其他技术手段，提高技术文章的质量和效率。相反，我专注于将ChatGPT用于供公众消费的技术写作，从而将无意中向AI暴露专有信息的可能性降到最低。我们使用的提示是 "人类和AI面对面，使用先进的全息显示器进行合作的概念艺术，近距离，中长框"（稳定扩散v2-1\768-ema-pruned，模型哈希ad2a33c361，种子564306172）。Goals and expectations 目标和期望 当我第一次考虑使用ChatGPT作为写作助手时，我有几个具体的目标。归纳一下下面的笔记和讨论： 随着远程工作的兴起，我们继续看到聊天协作平台（如Slack、Google Chat、Microsoft Teams）被越来越多的人采用，随之而来的是 "ChatOps "的崛起。

前部署工程师是当下 AI 行业里最稀缺的一类复合型工程师，价值在于深入客户现场，把通用大模型变成真正创造效率与收益的业务系统。工作分为三个阶段：先扎进各团队梳理流程、识别瓶颈，判断哪些环节适合用智能体自动化，哪些仍应保留人工决策；再通过精细的评估机制，不只检查答案对不对，还对照人类多步思考路径，验证智能体在关键步骤上的表现与成本、时延和稳定性；最后在不推倒重建现有 IT 系统的前提下，通过 API 和模型编排层覆盖原有数据源，在公司基础设施内搭建沙盒环境，小范围上线、逐步增加权限，从只做监控和工单，到再放权写代码、提交变更。能否用清晰的业务语言讲明白这些设计背后的 ROI，并在“该用 AI”与“不该用 AI”之间做出克制取舍，决定了一名 FDE 是否真正合格。

Forward Deployed Engineer 常驻客户现场，以工程师的方式深入业务场景，把大模型、数据平台与企业现有系统连接起来，将抽象的 AI 能力改造成可在生产环境中持续运行的方案。与传统咨询不同，FDE 不只给建议，还要亲自设计架构、编写代码、调试接口和排查故障，并把现场发现的共性需求反馈给产品团队。企业真正的瓶颈往往不是能否获得模型，而是谁能把模型稳妥接入业务并持续运营。

在产品中使用大语言模型，需要同时处理能力、可靠性、延迟和成本。文章建议先建立对模型边界的正确心智模型，再用评测集验证具体场景，而不是依赖演示效果；产品设计还要允许不确定输出，控制调用频率和响应长度，并根据任务价值选择合适模型。可持续的 LLM 产品来自系统性权衡，而不是单次提示技巧。

格罗宁根，马蒂尼托伦，在 Noorderplatsoen 的和平时期撰写文章的地方 对先进的检索增强生成技术和算法的全面研究，将各种方法系统化。检索增强生成（Retrieval Augmented Generation），又称 RAG，为 LLM 提供从某些数据源检索到的信息，作为生成答案的基础。chroma、weavaite.io 和 pinecone 等矢量数据库初创公司都建立在现有的开源搜索索引（主要是 faiss 和 nmslib）基础上，并在最近增加了输入文本的额外存储空间和其他一些工具。这个问题的目的是系统地介绍关键的高级 RAG 技术，并参考其实现方法（主要是 LlamaIndex 中的实现方法），以方便其他开发人员深入研究该技术。

AI 编程正在从逐次向 coding agent 编写 Prompt，转向设计能自主推进任务的 Loop。Loop 是一层自动编排逻辑：它调用 Agent、读取结果、判断是否完成，并根据反馈继续执行或停止；人的工作则上移到定义目标、验证标准、权限边界和失败处理。文章指出，Loop 并不是新的循环结构或简单定时任务，真正困难且昂贵的是可靠的反馈、验证、成本控制和停止条件。可持续积累的核心资产也不是某个 Loop 本身，而是能被反复调用、持续改进的 Skills 与工程约束。

把「对话」而不是「文档与流程」当作产品管理的主工作界面，并让 Agent 负责绝大部分机械性劳动。具体做法是先通过 ‎⁠/ce-strategy⁠ 让 Agent 像顾问一样反复追问，和你一起产出结构化的 ‎⁠strategy.md⁠，明确目标问题、解决思路、目标用户、关键指标和工作主线；之后在执行阶段，由 Agent 读取策略与上下文，自动头脑风暴、拆解需求、生成和维护 issue，看板只保留「进行中 / 已完成」的极简状态，你主要通过和 Agent 讨论来驱动规划与迭代。与此同时，通过 ‎⁠/ce:product-pulse⁠，Agent 定期联通埋点、日志、支付和数据库等数据源，自动生成「产品心跳」报告：概览核心指标、系统性能、异常和下一步跟进问题，并把每次报告当作「记忆」存档，用于之后的比较和决策回溯。整体上，人从票据书写、报表汇总中解放出来，聚焦在设定方向、理解数据和跟用户对话等高杠杆决策上。

找到热爱的工作不是靠一句“追随激情”，而是把个人动机、真实能力和市场需求反复校准。Bob Moesta 的“待完成工作”框架把求职看成一个具体任务：先弄清楚自己为什么想离开当前状态，是薪酬、成长、关系、意义感还是自主权出了问题；再追踪过去让自己投入的场景，从中提炼稳定的偏好和能力；最后用小规模访谈、试做和真实项目验证假设。换工作最容易犯的错，是只比较职位名称和公司光环，却没有理解日常工作会要求什么样的节奏、协作和取舍。更稳妥的路径，是把职业选择当成连续实验：每次行动都让自己更接近清楚的问题、更匹配的环境，以及愿意长期投入的工作方式。真正的热爱通常不是预先想象出来的，而是在足够具体的尝试里被发现、修正和确认。

更长期的目标更复杂一些： 当一种风险被消除时，企业的预期价值会显著上升，因此在确认这一点后，率先投资将非常有利可图。然后我们将探讨这一过程在初创企业生命周期中的表现，以及对于考虑加入的人来说，哪些切入点比较合适。随着人工智能的崛起，许多人加入了那些技术风险尚未解决的初创公司，可能甚至没有意识到这一点。加入初创公司的一个理想时机是他们刚刚解决了市场风险（即找到了产品与市场的契合）。如果公司最近在某种风险方面取得了显著进展，比如开拓新的增长渠道或改善单位经济，那么现在加入是一个特别好的时机。这两个中的一个或两个应该是引导到rapidly expanding contribution profit. 在市场风险尚未解决之前，加入初创公司通常是一个不好的时机，尤其是如果你不是创始人。这可能意味着专注于某个阶段（比如帮助公司在实现产品市场契合后进行扩展）或专注于某个行业（例如花费大量时间与市场合作，以至于你了解它们在不同阶段过渡时的情况）。

人们渴望在网上与有个性的人建立人际关系，而不是只和谈论某一专业兴趣的搜索引擎打交道。大多数人认为，要成功，他们必须在一件事上表现得非常出色，但实际上成功并不一定需要只擅长一件事。在第二次文艺复兴中，你不需要在某一方面出类拔萃，而是需要在许多方面都表现平均才行。相反，您需要吸引各种兴趣的不同观众，然后说服他们您打算实现的技能的重要性。我宁愿拥有一个拥有 10 万多元素的观众，而不是一个特定领域的 1 万关注者，因为我知道如何教育人们。再次，一旦您达到前 25％，虽然这并不多，但您可以通过拓展来进一步提升您的成果。作为创作者，你可以通过学习哲学来为你的写作增添深度，为品牌增添设计，或者实现任何创意 - 这就是通才蓬勃发展的原因。许多创作者告诉我，他们害怕尝试新的兴趣领域，因为他们难以理解如何进行。成为通才谋生的第一步是选择一条职业道路，不要让自己被困在一个特定的技能或兴趣中。

产品经理的成长不是同一件事越做越熟，而是在三个阶段里承担完全不同的责任。第一阶段的核心是交付产品，围绕发现、定义、设计、开发、上线和复盘，把客户满意度与业务目标真正做出来。第二阶段开始，优秀不再只是执行得好，而是能识别机会、设定目标、制定产品策略，让所负责的产品在市场中取胜。第三阶段则进入组织建设：招聘、培养、建立流程，让团队规模化地产生好策略并持续交付，同时成为公司层面的战略顾问。很多产品经理误以为晋升只是扩大负责范围，所以跨阶段时会感到自己变差了；实际原因是评价标准变了。想在同一阶段晋升，需要把手艺练得更稳定；想进入下一阶段，则要有意识地放下部分旧工作，把时间投向策略、组织和公司级判断。产品管理因此不是一条直线，而是三种工作的接力，每次跃迁都要重新学习什么才算优秀。