Archive

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。

我本来打算今天写美国钢铁公司的收购案，但我读了一大堆关于钢铁工业历史的书，所以只能等到明天了。在这一点上，大多数评论家都认为，美国有可能实现难以捉摸且备受追捧的 "软着陆"--在不损害就业或工资的情况下降低通胀。事实上，这比我个人所说的 "软着陆 "要好得多，更接近于我所说的 "无懈可击的通货紧缩"。基本上，降低通胀的方法就是让很多人失业，然后他们不再购买那么多东西，这就会降低需求，从而降低价格。这就是 "旧凯恩斯主义 "的思维方式，根据你使用的模型和参数，很多新凯恩斯主义模型也是这样运作的。下面是保罗-沃尔克（Paul Volcker）在 20 世纪 70 年代结束通货膨胀时的照片。保罗-克鲁格曼（Paul Krugman）和其他一些基本上属于凯恩斯主义的经济学家所认可的这一理论认为，2021-22 年的通货膨胀主要是由暂时性的供给冲击造成的，这种冲击会随着时间的推移而逐渐消失。

正如 Chang 在 "工具进场 "仪式上所说的那样： "全球化几近死亡。像制造 GPU 来计算你在 ChatGPT 上提出的下一个无聊问题这样复杂且对质量敏感的事情，我们就更难理解了。幸运的是，台积电在最近的 2022 年第四季度财报电话会议上透露了一些线索，说明亚利桑那州晶圆厂的成本到底增加了多少，是什么导致了成本的增加，以及谁将承担这些成本。在随后的财报电话会议问答中，黄仁勋又重复了 "5 倍 "的近似值，他还提到这一成本将持续 "几年"，因为它主要与设施建设有关。台积公司北凤凰城建设项目 人员和学习曲线成本 "是亚利桑那州与台湾之间 "5 倍 "成本差距的另一个重要方面。基本上，魏幸存（首席执行官）和黄文德（首席财务官）都向外界透露了台积电的涨价计划，原因是其在美国（以及在一定程度上在日本）的投资成本高昂，并巧妙地将其归结为 "地域灵活性 "这一附加值。

我刚刚参加完爱尔兰小城基尔肯尼（Kilkenny）一年一度的节日 "基尔肯经济"（Kilkenomics）。that rich. 这个国家很富有，但并没有那么富有。首先，也是最重要的一点，爱尔兰是著名的避税天堂--其低企业所得税率促使跨国公司将尽可能多的利润记入其爱尔兰子公司。对于欧洲公司来说，这通常需要将其业务活动实际迁移到爱尔兰，但美国有一个奇怪的企业税制，允许谷歌和苹果等公司采用各种其他计划在爱尔兰记账，而不在该国实际开展任何实质性活动，从而抬高了爱尔兰的国内生产总值。And despite getting hit正如《经济学人》所指出的，直到2000年，GNI\才真正开始与GDP背离，即使在2007年，背离也相当小。事实上，爱尔兰传统上比韩国更注重出口： 爱尔兰是一个小国，这意味着它不可能为国内市场生产很多东西，因为国内市场并不大。

比较不同时期的收入，必须区分名义收入和扣除价格变化后的实际收入。文章介绍用消费价格指数、特定商品价格和其他价格指数调整货币金额，并说明不同指数代表的消费篮子和用途不同。选择何种通胀调整方式，会直接影响对生活水平和收入增长的判断。

美联储是否加息太快，没有确定答案，但简单断言紧缩无效或必然过度都站不住。通胀已经从紧急状态降温为仍需处理的麻烦：总体价格压力明显缓和，核心通胀仍高于目标。担忧转向衰退，主要依据是收益率曲线深度倒挂、投资和出口走弱，以及货币政策可能存在滞后。但劳动力市场仍强，就业增长和壮年就业率并未显示经济已经坠落。收益率曲线过去常能预警衰退，却不是绝对工具，2018 至 2019 年的倒挂并未在疫情前立刻转成衰退。更关键的争议在于加息多久影响通胀。有些研究认为需要两三年，有些研究发现六个月内就会出现主要反应；如果企业和消费者预期很重要，政策信号会更快传导到定价和投资。财政刺激退潮也可能帮助通胀下降。因此，当前更像是多个力量同时作用：供应链修复、财政收缩、预期变化和加息都可能贡献了一部分。正确判断不应只看单个商品价格或单一指标，而要承认宏观预测本来就充满不确定性。

去年 11 月，OpenAI 推出了一款怪兽级产品 ChatGPT，引发了自互联网进入我们生活以来前所未有的技术爆炸。阿尔特曼没有参与 ChatGPT 及其更早熟的同胞兄弟 GPT-4 的研究、神经网络训练或界面编码。至少那些没有以 OpenAI 的可视化人工智能产品 Dall-E 生成的令人瞠目的图像为先导的公司是这样做的。在酿酒师查尔斯-威尔斯（Charles Wells，1842-1914 年）面无表情的肖像下，奥特曼向几乎所有观众提出了同样的问题。摄影：Jessica Chou 对奥特曼和他的公司来说，ChatGPT 和 GPT-4 只是实现简单而震撼人心的使命的垫脚石，这些技术专家可能已经在自己的肉体上烙下了这个使命。说OpenAI是邪教并不公平，但当我问公司的几位高层，如果有人不相信AGI真的会到来--它的到来将标志着人类历史上最伟大的时刻之一--是否能在这里安心工作时，大多数高管都不这么认为。

组织并非没有战略；只要持续做出选择，就已经形成了事实上的战略。文章指出，正式战略文件常被口号和规划替代，却与资源配置和实际行动脱节。制定战略的起点不是从空白写愿景，而是识别当前正在执行的选择、它们产生的结果和隐含假设，再决定哪些应保留、改变或停止。

经验法则和一般哲学。您将在下面找到我们在 37signals 做决定时尽量牢记的一系列一般原则。它们不是要求，也不是我们在面临选择时要检查的全面清单，但它们作为框架、考虑因素和共享实践，在我们做我们需要做的一件事时可以借鉴do all day, every day：决定。1. 我们为什么要决定任何事情？真的需要在这里做出决定吗？

几天前，@t3dotgg 制作的一段视频被发布到他非常受欢迎的 YouTube 频道上，他在其中评论了 Graphite 团队撰写的一篇题为“GitHub 如何取代 SourceForge 成为主导代码托管平台”的文章。作为 GitHub 的联合创始人，我发现 Greg 的文章和 Theo 随后的评论很有趣，但我认为写下我自己对 GitHub 崛起和主导背后的原因的看法可能会很有趣，也许可以纠正一些从外部分析中不太正确的事情。我的 Pro Git 书第一版的第一批开箱，2009 年 以下是内部人士对 GitHub 获胜原因的看法。GitHub 在正确的时间启动 GitHub 的品味不错 所有四位 GitHub 联合创始人在 GitHub 之前和之后都失败了。摘自《开源的全面增长》，2008 年，由 Amit Deshpande 和 Dirk Riehle 出版 从这个角度来看，仅今天 GitHub 上就有超过 2.8 亿个公共仓库。

2022 年 4 月，埃隆·马斯克 (Elon Musk) 的一切进展出奇地顺利。Shivon Zilis 是 Neuralink（马斯克的公司，致力于植入式脑机接口）的管理人员，也是他两个孩子的母亲。2000 年 10 月，埃隆·马斯克（右）和彼得·泰尔的公司合并成立了 PayPal。当它与 Peter Thiel 共同创立的支付服务公司 PayPal 合并时，马斯克奋力争取保留 X.com 作为合并后公司的名称。PayPal 已经成为一个值得信赖的品牌名称，带有类似于 Twitter 的友好快活，而 X.com 这个名字则让人联想到一个你不会在有礼貌的公司里谈论的肮脏网站。” 在他购买 Twitter 股票的消息公开后的一天晚上，马斯克给帕拉格·阿格拉瓦尔 (Parag Agrawal) 打电话，他是一位软件工程师，接替了杰克·多尔西 (Jack Dorsey) 担任 Twitter 首席执行官。

独立开发五年的核心教训是，热情能让人开始创业，却不能替代市场反馈、关系建设和长期学习。过度迷恋最初愿景，容易让创始人对用户真实需求失聪，花很久打造错误产品；所谓“无聊生意”反而可能因为情感负担更少，更容易客观看待问题和转向。另一个误判是把独立工作想象成远离人际政治的自由生活，实际经营产品需要面对客户、供应商、承包商、同行、竞争者和未来员工，关系网络反而更重要。社区的价值也不只是陪伴，而是让新手接触可信经验、行业语言、营销方法和工具选择。五年后月收入才达到微薄工资水平，这种结果令人失望，却也说明创业不是线性进展。更稳妥的做法是在辞职前先证明自己能在线上卖出东西。独立开发不是逃离现实的捷径，而是一种持续校正幻想、能力和市场之间差距的生活方式。

在资本收紧的市场中融资，需要接受估值更谨慎、尽调更严格、周期更长的现实。文章建议企业尽早规划跑道，用可靠增长、单位经济和盈利路径证明质量，并准备不同融资结构与替代方案。SAFE 或中期轮可以争取时间，但不能替代对现金、里程碑和投资人预期的清晰管理。

融资要在公司确实需要钱、也有能力吸引钱时集中完成，否则它会吞掉创始人的注意力并伤害增长。创业公司通常经历从天使或加速器拿小额启动资金，到为建立公司筹几十万或几百万，再到增长明确后融资加速的路径，但真正定义创业公司的不是融资，而是快速增长。投资人总在两种恐惧之间摇摆：怕投中失败项目，也怕错过起飞公司，所以他们倾向于拖延、观望、制造暧昧信号。创始人必须把没有明确报价的状态都视为拒绝，直到对方以书面形式给出清晰承诺。筹资时应广度优先，同时推进多个投资人，而不是串行等待某一家表态，因为竞争会迫使投资人行动。不在融资模式时，可以接受无需说服、无需谈判的标准投资，但不要被所谓聊聊近况拉进耗时流程。融资像举重也像解谜，前者难在说服别人拿钱，后者难在看穿投资人的含糊和自己的幻想。

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。

人类在繁殖和育儿上更像鸟类，而不像多数哺乳动物，关键原因是巨大大脑和直立行走共同制造了进化妥协。哺乳动物通常能把胎儿留在体内更久，出生时更成熟，大象幼崽很快能站立跟随母亲。鸟类受蛋的容量限制，许多聪明鸟类只能孵出极不成熟的幼鸟，再由父母长期喂养。人类也陷入类似处境：婴儿头颅必须穿过受双足行走限制的骨盆，不能等大脑充分发育后再出生。于是人类婴儿长期无助，童年漫长，养育高度依赖合作。这不是进化的完美设计，而是智慧、手部灵巧、身体结构和繁殖风险之间的权衡。所谓人类特殊性，并不只在大脑，也在这种代价高昂的育儿模式。鸟类经验反而更能解释人类为何如此聪明、脆弱、依赖家庭与社会。辛苦的分娩和漫长的照护，不是附带现象，而是人类演化路线的一部分。

人类历史上最残酷的常态之一，是大约每两个孩子就有一个无法活到成年。瑞典、法国、巴伐利亚的早期人口记录，古秘鲁和铁器时代马洛卡的骨骼证据，狩猎采集社会的数据，都指向相近结果：儿童死亡率长期维持在四成到五成左右。不同大陆、不同制度、相隔数千年的社会都未能持续突破这一困境。高出生率而人口增长缓慢，也从侧面说明大量儿童在有后代前已经死亡。过去的人并非不在乎，他们尝试放血等当时被认为有效的疗法，付出痛苦和代价，却缺少真正能降低死亡率的知识与公共卫生条件。进步并不是自然发生的。直到近代，疫苗、抗生素、营养改善、清洁饮水、产科和基础医疗体系逐步普及，全球儿童存活率才从约一半提高到九成以上。今天仍有国家承受高死亡率，但许多地区已证明极低儿童死亡是可以达到的目标。

但是，结肠镜检查也是昂贵的、侵入性的、不愉快的，而且很少（但也不是很少）会有严重的副作用。除结肠镜检查外，筛查结肠直肠癌的主要替代方法是 "隐血试验"，它可以在粪便中发现诡异的隐血。胃肠道医生经常提到 "全国息肉研究"，但这并不是真正的随机比较--该研究对所有受试者进行了结肠镜检查，并根据与其他 "类似 "人群的基础比率进行比较后得出结论，切除息肉是有帮助的。Cross 等人比较了英国疑似结直肠癌患者的乙状结肠镜检查和结肠镜检查，发现乙状结肠镜检查足以发现 80% 的癌症。北欧-欧洲结直肠癌倡议（NordICC）是一项大型随机试验，旨在严格衡量结肠镜检查能在多大程度上减少癌症和死亡。随后，研究人员对每个人（无论是否受邀、是否进行了结肠镜检查）进行了中位数为 10 年的跟踪调查，并查阅了政府记录，以了解哪些人被诊断出患有结直肠癌、死于结直肠癌或死于任何原因。一种回应是，这表明结肠镜检查并不划算，因为它对结肠直肠癌的死亡率只有很小的影响，并不比以前的微创筛查方法试验好多少。

什么是炎症？围绕一个核心问题展开：当您的身体抵抗感染时，您就会发烧。如果你有关节炎，你的关节会受伤。如果蜜蜂蜇了您的手，您的手会肿胀并变得僵硬。这些都是 炎症的表现。我们是两名 免疫学家 ，研究 免疫系统 在感染、疫苗接种和自身免疫性疾病 期间身体开始攻击自身时的反应。

例如，詹姆斯在 1907 年的一篇文章中写道： "我们中的大多数人都会觉得，我们的生活中似乎习惯性地笼罩着一层阴云，使我们的辨别力、推理力和决断力都达不到最高境界。例如，我最近最喜欢的两部电影《无极限》和《露西》就建立在 "10%"神话的基础上： 我最喜欢的一些科幻书籍也是如此： 此外，许多非虚构类书籍还提出了其他机制，利用大脑的特定部位（潜意识）、我们的梦想（表现）、我们的思想（大思维）和我们的信念（安慰剂效应）等途径，释放我们巨大的休眠潜能。最近，一连串的研究和个人经历促使我重新考虑 10%的神话，但这是以两种意想不到的方式进行的： 根据人工智能研究，我们大脑的使用率为 0.01%，而不是 10%（请继续阅读我是如何得出这个数字的）。我不是根据我们大脑当下活跃的百分比来衡量潜能，而是根据我们大脑突触的数量来计算我们的潜在智力（关于这一点还有更多内容）。这笔钱来自我和卡尔-纽波特（Cal Newport）创办的一家网络开发公司的收益再投资。

互感日记是一种正念练习，包括记录和反思自己的身体感觉。通过有意识地书写这些内部信号，可以提高你的感知力，加强身心之间的联系。通过帮助你识别和理解自己的身体信号，这种方法可以帮助你增强情绪调节能力、自我意识和整体健康。可以通过自由写作的方式来练习互感日记。如果你更愿意按照一些引导性的提示来做，我阅读了许多关于截听的文章，并提出了以下八个问题，希望能帮到你。与许多其他正念练习一样，经常写感知间日记最有效。无论你是刚刚开始练习正念，还是已经练习了一段时间，都可以轻松地将感知间日记作为正念练习的一部分。本提示列表采用知识共享 署名-相同方式共享 4.0 国际许可协议进行许可，也就是说，只要注明出处并链接回本页面，您就可以随意复制和分发本问题列表。Maker Mind》是一份每周一期的时事通讯，以科学为基础，介绍有关创造力、心智生产力、更好的思维和终身学习的见解。

由 HUNNI MEDIA 为 KNOWABLE 杂志制作 评估美国在应对 Covid-19 大流行中出现的问题可以帮助该国更好地为下一次全球卫生紧急情况做好准备。从需要更强大的疾病监测系统到摆脱国家与其他大陆出现的健康威胁隔离的想法，科学家们讨论了如果国家要为另一次大规模疫情做好准备就必须做出的一些转变。教育是应对大流行病的关键部分，学校可以做更多工作，向学生介绍疾病如何出现和传播的科学知识。Transcript 成绩单 阿普尔瓦·曼达维利（《纽约时报》科学与健康记者）：我认为我们现在看到的这场流行病和气候变化确实应该给我们所有人敲响警钟，让我们知道这个世界已经改变了。因此，我们确实需要为未来做好准备和计划，其中包括许多像这样的其他糟糕的意外情况。William Hanage（哈佛大学陈曾熙公共卫生学院流行病学家）：不幸的是，人们确实倾向于将其与流感进行比较，流感已经产生了许多破坏性影响。

流感每年造成的死亡不是一个容易直接点数的数字，因为许多患者不会接受病毒检测，死亡也可能表现为肺炎、心脏病发作、中风等并发症。更可靠的估计要结合流感季的超额死亡、监测数据和死亡记录。全球季节性流感平均每年约造成七十万人死于呼吸系统或心血管相关疾病，其中呼吸系统死亡估计约二十九万四千到五十一万八千，心血管死亡约二十万到四十万。长期看，个人在同年龄下死于流感的风险已经因卫生条件、医疗和疫苗改善而下降，但老龄化、医疗可及性不足和疫苗覆盖不均仍让负担很重。严重大流行则来自病毒发生大幅变异，1918 年流感的死亡规模远超普通年份，提醒人们流感不是普通感冒，而是需要持续监测和接种策略的公共卫生风险。年龄、基础疾病、流行毒株和疫苗匹配度都会改变风险，低收入地区的不确定性也更高。

免信任协议优于信任协议，因为它把所有权和授权放在用户可控制的密钥上，而不是放在某个中心账户系统里。传统登录要求用户向平台请求访问权，平台实际掌握账户、数据和通信入口，也能撤销访问、制造锁定或窥见交流关系。免信任协议使用公私钥完成身份认证和授权，密钥本身就是凭证，用户不必依赖权威机构证明自己是谁。这并不意味着所有人都必须独自承担丢钥匙的风险；免信任设计可以在上层加入托管、硬件备份、社交恢复或未来的零知识恢复方案。关键差异在于选择权：可信协议把中心权威写进基础设施，用户无法更换；免信任协议只要求通用密钥接口，是否托管、由谁托管、如何恢复，都能作为可替换层演进。密钥像协议里的基础连接点，足够简单，才能支撑开放生态和可信退出。

这本书的主要内容是，互联网之所以如此具有生成性，是有具体原因的，而且可以追溯到其历史上早期的架构选择。) 当一个系统是由具有可识别边界的较小的独立部分组成时，它就是模块化。在设计模块化架构时，系统架构师以最小化组件之间的依赖性的方式来分解系统。如果它在使用上是模块化的，产品的用户可以在以后的阶段更换或 "混合和匹配 "组件。网络的模块化边界是为网络化的文件绘制的，内容被分割成 "页面"，浏览器引擎被设计用于布局和滚动文本。你可以把像Mighty这样的东西看作是重新划定模块边界的尝试，把浏览器引擎的所有模块放到一个黑盒子里，并把计算能力投向这个黑盒子，直到唯一重要的模块边界是客户端和服务器之间的网络边界。在《技术的本质》中，W.Brian Arthur指出，模块化技术也具有所有这些特性 突变 ← 改变或替换模块 遗传 ← 从旧的模块组成新的模块 技术在不断发展。(W. Brian Arthur, 2009. 技术的本质) 如果你想创建开放式的系统，你需要模块化。

尽管有云，你还是拥有自己的数据。Google Docs和Trello等云应用程序很受欢迎，因为它们可以与同事进行实时协作，并且它们使我们能够轻松地从所有设备访问我们的作品。然而，通过将数据存储集中在服务器上，云应用程序也剥夺了用户的所有权和代理权。如果服务关闭，软件将停止工作，并且使用该软件创建的数据将丢失。在内容中，我们提出了“本地优先软件”：一套软件原则，使用户能够协作和拥有。

Putting the “You” in CPU 面向想弄清“程序到底怎样在计算机上跑起来”的读者。它从作者对程序运行机制的好奇出发，梳理从启动到执行的底层过程，并涉及系统调用、多任务运行等主题。它解决的是计算机基础学习中常见的断层：会写代码，却不清楚代码如何变成进程，进程怎样请求操作系统服务，多个程序为什么能同时运行，CPU、内核和应用之间如何协作。长期价值在于补齐工程师的系统视角。理解这些机制后，性能问题、权限边界、崩溃、阻塞、并发和资源管理都不再只是黑盒现象。即使不做底层开发，也能用它建立对现代计算环境更扎实的判断。保存它的意义在于需要解释“为什么这个程序会这样运行”时，有一个从应用层一路追到内核和硬件抽象的入口，适合反复回看。它能把零散的操作系统概念连接起来，降低继续学习内核和性能分析的门槛。也适合补基础时重读。

BeOS 的故事说明，技术上的优雅和领先并不自动变成市场胜利。Jean-Louis Gassée 离开 Apple 后创办 Be Inc，试图摆脱旧操作系统的包袱，用 BeBox 和 BeOS 重新设计个人计算机。BeBox 拥有双 PowerPC 处理器、丰富 I/O、MIDI、音频接口和给黑客使用的 GEEK 端口；BeOS 则支持抢占式多任务、多线程、对称多处理、图形界面和带数据库特性的文件系统，在九十年代显得异常现代。失败的根因不在想象力不足，而在生态不兼容：它跑不了主流 PC 软件，也无法自然承接 UNIX 市场。后来 BeOS 转向移植，甚至接近成为 Apple 新系统候选，但 Apple 最终收购 NeXT，macOS 的历史也由此改道。

摩尔定律没有突然死亡，但它赖以成立的经济奇迹正在失效：晶体管继续变小变难，单位计算成本不再像过去那样稳定下降。早期计算从真空管走向晶体管，是因为固态开关更小、更快、更省电；集成电路又把晶体管和导线蚀刻在同一硅片上，让制造复杂电路摆脱手工焊接。随后的小型化带来罕见的复利：晶体管越小，所需电流越少，同一芯片容纳越多，计算能力和能效同步提升。英特尔 4004 把处理器和存储能力装进单一芯片，个人计算机才有了低成本扩散的基础。今天最先进制程已逼近纳米尺度，物理限制、设备成本、设计复杂度和产线投资同时上升。大公司开始用定制芯片、专用加速器、系统级设计和内部硅团队应对新阶段。硬件创新不会停止，但从通用制程红利转向架构、封装、软件协同和特定任务优化。

罗伯-派克的 5 条编程规则 规则 1.你无法判断一个程序会在哪里花费时间。在测量之前不要调整速度，即便如此，除非代码的某个部分压倒了其他部分，否则也不要调整速度。规则 3.当 n 较小时，花哨的算法会很慢，而 n 通常很小。如果你选择了正确的数据结构，并把事情组织得井井有条，算法几乎总是不言自明的。派克规则 1 和 2 重申了托尼-胡尔的著名格言："过早优化是万恶之源"。Ken Thompson 将派克规则的第 3 和第 4 条改写为 "当有疑问时，使用蛮力"。规则 3 和 4 是 KISS 设计理念的实例。弗雷德-布鲁克斯（Fred Brooks）曾在《神话中的男人月》（The Mythical Man-Month）一书中阐述过规则 5。规则 5 通常被简称为 "编写使用智能对象的愚蠢代码"。

生成代码并不是软件开发最困难的部分，真正困难的是明确需求：理解谁需要什么、哪些约束重要、异常情况如何处理，以及成功如何判断。即使 AI 能快速实现指令，模糊、矛盾或错误的需求仍会制造更大的失败。开发者的核心价值因此包括澄清问题、协调利益和验证结果。

工程策略不是愿景口号，而是工程组织处理当前约束的一套成文判断。好的策略包含三部分：诊断、指导性政策和一致行动。诊断要说明真正的挑战是什么，例如收入增长转向某条业务线、测试不稳定拖慢研发、团队之间缺少决策信息；指导性政策要明确取舍，例如资源如何在产品、基础设施、新实验和开发效率之间分配，何时必须升级技术决策，是否坚持标准技术栈；一致行动则把政策变成具体变化，例如调整团队能力、设立测试稳定性投入、改造技术评审流程、规定发布和技术变更的沟通渠道。很多组织以为没有工程策略，其实只是策略没有写下来，隐藏在高管和团队的日常决策里。把它写清楚的价值，是让每个人知道哪些事情优先、哪些 trade-off 已经被接受、遇到争议时该如何推进。策略只有能改变行动，才算真的存在。

“先建完基础设施，再等应用出现”误解了新技术平台的成长方式。历史更常见的顺序是应用先提出真实需求，基础设施再围绕这些需求完善，然后新的基础设施又催生下一代应用。灯泡早于电网，飞机早于机场，电子邮件和消息传递推动网络协议、浏览器和服务商成熟，早期网站带来脚本语言与服务器工具，更复杂的Web应用又推动AWS、Rails、NGINX等基础设施出现。Web3同样如此：比特币、丝绸之路、代币发行和早期dapp先暴露需求，随后才有钱包、智能合约、Infura、Web3js等工具。脱离应用真空建设平台，容易解决不存在的问题；突破性应用能告诉开发者真正缺什么，也让投资者看清基础设施是否有价值。健康的平台演进不是单向阶段，而是应用与基础设施不断互相校准。

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。

文章解释新标签页可能利用 window.opener 控制原页面的反向标签抢注风险，并区分 rel 属性的作用：noopener 阻止新页面访问原窗口，noreferrer 还会隐藏引用来源，nofollow 则用于搜索引擎关系声明。对使用 target="_blank" 的外部链接，应优先添加 noopener；只有确实不希望传递引用信息时，才使用 noreferrer。

当开发人员需要出于不同目的处理不同形式的 URL 时——例如浏览器历史导航、锚定目标、查询参数等——我们通常会求助于 JavaScript。但是，它的频繁使用会促使攻击者利用其漏洞。这种利用风险是我们必须在我们的 JavaScript 应用程序中实现 URL 验证的原因。URL 验证的存在是为了加强安全性以防止可能的漏洞利用并消除运行代码时出现任何错误的可能性。但是我们什么时候应该使用 URL 验证，我们在这个过程中验证什么？

简要说明：如果您想知道购买保险是否值得，请使用凯利保险计算器。人们有时会在网上询问是否应该购买保险，然后其他人会说一些不正确的话，比如11 These are real quotes from just one forum discussion. 1 这些都是一个论坛讨论中的真实引语。从技术上讲，没有一种保险是物有所值的，因为如果物有所值，那么在市场经济中就不会有保险公司存在。与其去买保险，不如把本应支付的保费存起来，获得复利市场回报。从技术上讲，有些保险即使在保险公司盈利的情况下也是物有所值的。22 The typical example is how it takes as long to go from $2,000 to $10,000 as it does from $10,000 to $50,000. 2 典型的例子是，从 2,000 美元到 10,000 美元所需的时间与从 10,000 美元到 50,000 美元所需的时间一样长。

自那时起，Tonya 和我更多地考虑了如果我们中的一人变得无法行动或去世会发生什么。他在 2017 年写下了第一版，当时我们还在运营 Take Control。我对这个话题并不是专家（我们即将更新我们 22 年前的陈旧遗嘱），因此请向律师或资产规划专业人士寻求建议。为了简化这个过程，我建议建立一套数字遗产信息，让他们在遇到问题或困难时随时查阅。这里有一些物品，我建议您收集并确保您的管家在紧急情况下能够取用： 登录密码/密码：您的管家必须能够进入您的 Mac、iPhone 和 iPad 以访问其他信息，因此请确保他们要么知道您的登录密码和密码，要么可以在安全位置查找。不要假设 Face ID 或 Touch ID 就足够了—带有生物识别身份验证功能的设备仍然需要定期输入他们的密码或密码。虽然像 1Password for Families 和 Apple 的 Shared Family Group 这样的密码共享设置在日常使用中效果很好，但共享主密码可以确保您的管家访问可能未共享的帐户。

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。

虽然有人开玩笑说，每个优秀的天主教孩子都想在某个时候进入宗教生活，但我认为我对职业的渴望是错位的，我只是想在我的社区里做一些好事。但其中的一项精神追求最终为我成年后的生活奠定了基础，无论是否穿上修女服。每张花名册上都有病人的姓名、性别、年龄、病情、住院时间、病人的备注或要求，以及是否有家属在场。有些病人有一大家子人全天候陪护，但这不是我的服务对象。并不是每个人去安宁疗护都是为了死亡--有些病人已经在安宁疗护中度过了几个月。床上铺着崭新的床单，打开的百叶窗让午后的阳光倾泻进来，房间里可以俯瞰楼下繁忙的街道。周一，他的房间空无一人，床上铺着崭新的床单，打开的百叶窗让午后的阳光倾泻进来，房间里可以俯瞰楼下繁忙的街道。他们必须快速处理所有的情感包袱，而这些情感包袱通常需要数年才能处理完毕。第二天，当我们回来时，她的房间空无一人，床上铺着崭新的床单，打开的百叶窗让午后的阳光倾泻进来，房间里可以俯瞰楼下繁忙的街道。

哲学家丹尼尔·丹尼特用自己的生活说明，无神论并不排斥意义、敬畏、感激和道德责任。访谈回顾他的世界观与人生经验，强调幸福可以建立在好奇、关系、创造和对现实的诚实理解上，而不必依赖超自然信念。它也触及 AI 时代真假难辨对公共认识的挑战。

意义不必是宇宙预先写好的目的，也不只是自我安慰式的主观发明；它更像一种对连接的感知。某件事之所以有意义，是因为它在特定语境中指向、影响或解释了其他重要事物。婚礼、旧友来信、纪念碑和音乐之所以显得不同于排队买菜，是因为它们嵌入了更多关系、记忆和后果。这个定义让意义既有主观体验，也有现实约束：一个人觉得工作很重要，但若它并不影响其真正关心的结果，这种感受就可能被事实纠正。死亡会放大意义问题，因为它迫使人把语境扩展到自己消失之后。最贫乏的生活像因果死胡同，离开后几乎不改变任何东西；更有意义的生活则在他人、制度、作品或关系中留下持续作用。追求意义因此是一种适应性机制，帮助人判断该把时间投入哪里。头衔、使命口号和群体狂热也能伪造意义感，所以关键不是感觉强烈，而是连接是否真实。

生命短暂不是修辞，而是把时间离散地数一遍后得到的事实。和两岁孩子相处的周末只有五十多个，孩子相信圣诞魔法的年份也不过几次；当时间变成可数的机会，有限性就不再抽象。由此产生的行动原则很简单：无情减少废话，不等待重要的事，认真感受已经拥有的时间。废话包括无意义会议、官僚流程、空洞争论、交通堵塞、让人上瘾却没有回报的消遣，以及被他人错误拖走的精力。有些废话来自工作和环境，需要通过选择雇主、客户和生活方式来减少；有些废话来自诱惑，比如在线争吵，会伪装成必须回应的攻击。判断一件事是否重要，可以问未来还会不会在意。陪朋友喝咖啡、陪孩子玩、看望母亲，未必显得宏大，却很少成为遗憾。生命短，就不要把最想做的事推迟到窗口关闭之后。

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。

可能性思维要求暂时跳出当前限制，先想象哪些新的经验、关系、工具或安排可能让问题变得可解。文章通过可能性地图和练习，引导读者从具体问题开始，生成多种未来路径，再评估哪些尝试能把想象推进为现实。它适合创意、组织和关系问题，但仍需要结合约束与行动验证。

心智模型的价值不在于收藏名词，而在于帮助人看清系统如何运转，并在关键选择上改变行动。世界上的公司、关系、职业、健康和产品都可以被视为由多个相互依赖部分组成的系统；第一性原理要求跳出既有做法，从底层约束重新设计系统，像SpaceX不是沿着传统火箭改良路线小修小补，而是回到材料、物理和工程成本本身。另一个重要模型是向上一级：不要只优化机器里的齿轮，而要问是否该优化整台机器。为了涨薪苦干多年，可能不如换工作；为了财务稳定卷入不喜欢的职业，可能不如降低成本、换取自由。决策也需要模型约束本能，例如遗憾最小化让人从年老回望现在，优先做长期最不愿错过的事；帕累托原则则提醒人把时间、注意力和资本投向产出最高的少数投入。持续使用模型，本质上是在定期打断惯性，重新检查自己到底在优化什么。

所罗门悖论指人们常能理性分析别人的问题，却会在自己的困境中被情绪和身份困住。文章建议通过自我疏离获得更好的判断：把自己的经历当作朋友或书中人物的问题，换用第三人称描述，分别考虑长期后果和不同立场。距离感不能替代行动，但能减少自我沉浸带来的盲点。

世界观漂移指的是人在不知不觉中把某个群体的成功叙事当成自己的生活真理。创业文化就是典型例子：它把问题定义为打工难以积累财富，解决方案是拥有股权，路径是创办高速增长公司，榜样则是成功创始人。长期浸泡在 Hacker News、创始人圈子和创业经典文本里，人很容易把这种框架误认成现实本身，进而难以想象技术成功之外的生活。可任何世界观都只是单一视角，独立开发、FIRE、被动收入、真实做自己也都有各自的问题、方案、路径和榜样。摆脱漂移不是清空影响，而是看清自己正在模仿谁、相信哪条路、被什么奖赏牵引。寻找新的生活样本，往往比抽象反思更能扩大选择空间。 入困境的世界观，通常迈向自由的第一步也是最重要的一步就是寻找新的榜样（榜样）。 对我来说，这意味着找到像大卫怀特这样的人，他以写诗为生，在苏格兰和新西兰带领徒步旅行，并就“领导诗学”向财富 500 强公司提供咨询。 在寻找榜样时，您不一定需要像我那样走得很远。

强大的决策剃刀，是在信息不完美时快速删掉噪音的经验法则，但它们必须带着边界感使用。简单解释通常优于复杂解释，不能用清楚语言讲明白的概念，往往隐藏着理解不足；面对两条路，应选能增加运气表面积、让自己进入真实场域、接触更强者的那条。选择合作对象时，乐观、行动中、有切身风险的人更值得听；选择项目时，只有真正兴奋，并且即使耗时翻倍、收益减半仍愿意做，才值得接下。困难选择常在短期更痛，却带来长期复利。争论中，先听懂对方最强论点，再形成意见；没有证据的断言，可以无需证据地放下；不能通过观察或实验解决的问题，不值得长期消耗。写作和画图能暴露思维漏洞，帮助理解复杂事物。最实用的标准仍很朴素：把时间投向会复利的事，远离回报不配压力的事，并做出能让年老的自己和年少的自己都认可的决定。

打招呼的目标不是表演自信，而是让对方感到安全、被关注并愿意继续交流。文章从第一印象、声音、表情、姿态和开场方式入手，建议放松面部和身体，用清晰友好的语气主动介绍自己，并通过具体问题把注意力转向对方。良好的开场来自可练习的表达与倾听，而不是追求完美表现。

如何发短信、给小费、做鬼、做主人，以及如何在当今彬彬有礼的社会中生存。旧的惯例已经过时（例如，我们不再低声谈论癌症一词，也不再让女性先下电梯）。我们可以出丑的场所（群聊、Grindr 消息、Slack 公共或私人房间）越来越多，而且每个场所都有自己的行为准则。我们的社交礼仪也萎缩了 因此，我们从问题入手--不是那些显而易见的问题，比如在地铁上是否可以背着背包，在餐厅里是否可以大声使用免提电话（你知道答案的）。自己想办法 7.约会时，如果发现自己话很多，问问自己：我上次问问题是什么时候？例如，在试图购买公寓或在飞机上与你的 "搭档 "邻座时，以及在与老板就搬迁事宜进行谈判时，这样做是可以接受的。对她来说，你的吊唁信，哪怕是迟来的，也可能是来自平行宇宙的礼物，在那里，爱情和友谊可以可靠地用休息日、约会之夜和咖啡聚会来计算。在任何情况下都适用的东西：Babka、Brodo、钱（如果有意外费用需要处理）。

鉴于《通俗》杂志对建立职业护城河的关注，我之前没有谈及个人品牌，这有点可笑。Pricing Power in Careers 职业中的定价权 我认为，如果你要为你的职业生涯建立一个个人品牌，那么你应该根据它给你带来的职业利益来评估它。(当然，建立个人品牌还有其他原因，比如在社交媒体上吸引志同道合的人，或者扩大你对新朋友和新想法的接触面--但我在这里不谈这个，毕竟这是一个职业博客！我在这个话题上看到的最好的定义是由商人Brent Beshore提出的，他认为： "品牌是你可以从任何公司或个人那里期待的可能结果的分布。" Morgan Housel writes: 摩根-豪斯尔写道： 品牌并不是为了拥有最高的质量。因此，典型的风险投资职业道路不是依靠良好的回报，而是在社交媒体上建立个人品牌，并在他们的基金失败（很可能）的情况下，利用这一资产软着陆到其他角色。我记得听到Beshore关于品牌和风险投资的论点，然后研究了他的回答的二阶含义。

雅诗-兰黛的儿子伦纳德-兰黛是最早努力解决个人品牌建设问题的人之一。把一个人变成一个品牌的艺术，本质上是建立一个投影的艺术--一个你想插入其他人头脑中的人的模型。然而，为了创建雅诗兰黛的品牌，Leonard Lauder将她缩减到只有最符合公司利益的核心投影。在社交媒体上建立投影的想法绝不是什么新鲜事--Shawn Wang，我认为是软件世界中最好的个人品牌建设者之一，在他的《如何推销自己》指南中这样说： 我的个人品牌的其他方面并没有得到那么多的关注。我是一个巨大的泰瑞-普拉切特粉丝（GNU Terry Pratchett）。声誉和个人品牌不是一回事 这个话题中最有趣的张力之一是声誉和个人品牌之间的差距。我目前思考这个问题的最佳框架是，声誉是别人对你的评价，而个人品牌是你对自己的投射。" (我从April Dunford那里偷了这个例子，因为她用它来说明这个确切的观点：当你在一个早期阶段的公司，在你尝试之前，你怎么知道一种营销策略是否比另一种更好？

截图：@coldplay, 'X'. 我相信你现在已经看过巴黎除夕夜的这段视频了，每个人都忙着用手机拍摄倒计时和烟花，却忘了去感受它们。这显然是十多年来一直在发生的事情--人们记录事件，而不是身临其境。对那些把每一个亲密时刻都打磨成内容的夫妻赞不绝口--怀孕揭秘、求婚、第一次对女朋友说我爱你。人类生活中最有意义的经历--发生过一次、两次，再也不会发生的事情--都会被一些想法所破坏，比如摄像机是否拍到了我的好角度。但更糟糕的，绝对是那些在网上记录孩子整个童年的父母，那些有影响力的父母。记录自己 6 岁孩子性别转换的视频（"这不是一个阶段！或者说，如果你遇到的人不在社交媒体上，这也是一个红旗（只有我认为这是一个重要的绿旗？） 我们如此沉迷于并习惯于条件反射地记录一切，以至于我们最终原谅了最奇怪的行为。他们很可能永远都不会回看那段视频，如果他们把视频发到网上，那不是为了回忆，而是为了吸引眼球。

除了时间和空间，你拥有你所需要的一切，而通过整理，你将获得这两样东西。你的财产将捐给那些比你认识的人更需要的人。记住，"任何产品 "都无法改变你的生活，也无法让你买到幸福。通过互联网和黄页，如果您改变主意不再需要某件物品，您总能再次找到它。当你想带走路边的珍宝或其他获救物品时，请记住，你可以在路边、通过免费回收、通过朋友或在商店里找到一件。当你说 "我可能还需要这个 "时，请记住，大多数情况下你不会遇到这种情况，如果遇到了，再去买也没关系。负责任地丢弃不需要的东西，就是对环境负责。整理意味着摆脱财产，而不仅仅是更巧妙地存放它们。存放杂物只会把问题推迟到下一天解决。你的朋友来拜访你，而不是你最好的瓷器或毛巾。如果能在打折时买到，那就再好不过了。当你真正需要的时候，你有足够的钱去买你需要的东西。

一旦你感谢并告别了那些不会激发快乐的物品，你能用它们做什么？最近，我这个极简主义者一直渴望成为极简主义者。“人们被困在自己的房子里，厌倦了他们的东西，”经营房地产和互联网销售的兰迪萨宾在康涅狄格州莫里斯通过电话告诉我。“它正盯着他们的脸。” 存储市场 Neighbor 进行的一项调查发现，准软禁让 78% 的受访者意识到他们拥有的财产比他们需要的多。

去年春天的一个下午，我 瞥了一眼我 十几岁的女儿的卧室，以为她会心不在焉地盯着大流行期间高中毕业的 Zoom 屏幕。相反，她正对着她发现的一段视频放声大笑。“这是一个像小鸡一样跳舞唱歌的老人，”她告诉我。探索 2022 年 3 月号。我走到她的笔记本电脑前，看着有人在社交媒体上出名 15 秒，让自己出丑。

肯特·纳伯恩的《简单的真理：生活中重大问题的明晰而温和指引》 教育是生活中的一大乐事和慰藉。它为我们提供了理解周围世界的框架，让我们能够跨越时间和空间，触及他人的思想和感情。无论你可能认为，你的工作只是为了赚钱，实际上，你的工作塑造了你的个性，因为那是你花时间的地方。他们对金钱的处理方式取决于他们对金钱的看法，而不是取决于他们拥有多少金钱。” 那些能够根据自己的需求来衡量金钱的人，可以通过控制自己的需求来掌控自己的生活。当你无法维持生计时，金钱就成为你生活的核心，因为你对它的缺乏感到痴迷，你的心很快就充满了绝望和愤怒。这意味着懂得如何掌控自己的生活 — 如何维修和保养周围的事物，如何明智地购买，当无法购买时则不购买，以及如何从生活中的简单乐趣中获得快乐。他们不愿冒自己理解的安全风险，意识到他们的经历实际上是多么微不足道和有限。更好的是，你应该接受生活的节奏，并明白有时候你需要停下来喘口气，无论你面前的劳动有多么艰巨。

这个想法来自谢恩-帕里什（Shane Parrish）。这句话来自安妮-杜克（Annie Duke）和她的《赌注思维》（Thinking in Bets）一书。这句话来自德里克-西弗斯（Derek Sivers），他写道：不 "是"。这句话来自蒂姆-费里斯（Tim Ferriss）。塞斯-戈丁（Seth Godin）写道，对一小部分人来说，重要的是自己。但正如大卫-森拉（David Senra）所说，重复是有说服力的。从研究问题开始，而不是提供解决方案。一个好的产品无法在糟糕的市场中生存。糟糕的团队和糟糕的产品可以在好的市场中生存。几年后，我开始收集每天早上阅读的规则。"让我们恐惧的事情比让我们崩溃的事情更多，我们在想象中遭受的痛苦比在现实中遭受的痛苦更多"。

2007 年，查理-芒格（Charlie Munger）在南加州大学法学院毕业典礼上致辞，他在开场白中说："毫无疑问，你们中的许多人都想知道为什么演讲者这么老。芒格在毕业典礼上的演讲是对 "大问题 "的精彩回应：我们该如何过一种真正有效的生活？它包含了许多芒格的核心理念，我们认为这篇演讲代表了芒格的人生操作系统。现在有一些危险，因为它的效果非常好，如果你这样做，你会经常发现你正坐在其他一些专家的面前，甚至可能是一个比你更高的专家，在监督你。根据复杂适应系统的工作方式和心理建构的工作方式，问题经常会变得更容易解决，我甚至可以说，如果你反其道而行之，问题通常会更容易解决。而在生活中，除非你比爱因斯坦更有天赋，否则反演也能帮你解决其他方法无法解决的问题。这是一种可笑的行为方式，而当你避免这种行为时，你就会比其他人，几乎是所有人都更有优势，因为自怨自艾是一种标准状态，但你可以训练自己摆脱这种状态。

这份清单汇集一百条改善生活的建议，涵盖关系、健康、工作、思考和日常习惯。作者强调，建议高度依赖个人处境，有时甚至需要反向理解；它们更适合作为实验起点，而不是统一答案。真正有用的做法是选择少量建议试行，观察结果，再保留适合自己的部分。

文章用尖锐方式强调，别人最终依据行动和产出来判断一个人，而不是依据自我评价、潜力或良好意图。成长意味着承认技能缺口、停止把批评只当作冒犯，并持续创造对他人有价值的结果。这种观点不要求忽视人的尊严，而是提醒自我认同需要由现实行动支撑。

自然语言不该成为软件的默认主界面，因为把一个空白输入框交给用户，等于把发现问题、组织问题、判断答案、反复修正的负担都推给用户。好的界面应当帮助人逐步探索问题空间，展示选项、上下文、约束和下一步，而不是要求用户一开始就知道该问什么。大型语言模型真正有潜力的地方，不是把所有功能都改成聊天框，而是在后台理解当前任务，主动提供合适的建议、示例、解释和可操作控件。工具栏可以随任务变化，对话框可以根据语境生成，教程可以针对个人误解调整，用户还可以指向屏幕某处请求说明。自然语言适合作为补充通道，尤其适合表达模糊意图；但成熟的软件应当把模型能力嵌入界面结构，让用户少猜、少写、少被空白提示框困住。懒惰的设计是只加聊天入口，真正的改进是让界面变得更会帮忙。

维基百科2023年桌面改版的核心难题不是视觉更新，而是在一个由志愿者、语言社区和长期本地改造共同塑造的系统里推进集中变化。桌面阅读界面自2004年以来基本未变，宽屏时代暴露出行长过长、搜索位置不熟悉、目录不便、语言切换隐藏、导航层级混乱等问题。基金会团队希望改善阅读、浏览和未来扩展能力，却不能只按产品团队意志推动，因为每个语言版本都有自己的社区、工具和习惯。设计必须同时照顾99%以上的普通读者和少数高频编辑者：减少侧栏杂乱有利阅读，但也可能切断新编辑发现后台机制的路径。团队选择用更清晰的入口替代分散的链接，把侧栏折叠、行宽限制、标题区域、个人工具和粘性导航逐步原型化。大量HTML、CSS和JavaScript小原型成为沟通工具，因为在发布前让不同社区看见真实交互，比静态稿更能促成有效讨论。

未必，Excel 不会被某一个产品彻底杀死，但它的垄断正在被许多专门化工具拆分。过去挑战 Excel 很难，因为它不只是表格软件，还拥有兼容性、函数库、插件、文件格式和企业习惯构成的护城河；政府、大学和企业想迁移时，常被历史文件、求解器、宏和用户抗拒卡住。变化来自另一个方向：Notion、Coda、Airtable、Smartsheet、Rows、Google Sheets 并不复制完整 Excel，而是拿走其中某些高频场景，把表格变成数据库、协作文档、自动化工作流或项目管理界面。Excel 的胜利反而让表格成为通用语言，后来者可以假设用户已经懂行列、单元格和公式，再围绕一个具体任务做得更顺。老王仍在，但王国变成了群岛；Excel 会继续存在，同时越来越多工作不再需要回到 Excel。

LLaMA 3 展示了大模型通过扩大数据、训练计算和过滤质量继续提升能力，也暴露出高质量公开文本逐渐稀缺的问题。文章认为，下一阶段可能更多依赖合成数据、自我对弈、环境互动和推理阶段计算。具体模型排名和基准会快速过时，长期问题是规模扩展还能带来多少可靠增益。

OpenAI之于新一代软件业，类似AWS之于上一轮创业浪潮：它降低的不是服务器成本，而是把想法变成可运行代码的门槛。云计算让小团队不必先买昂贵硬件就能试错，开源和GitHub让开发者能快速学习和复用成果；如今ChatGPT和Copilot进一步压低了学习新技术、搭脚手架、处理边角问题的成本。一个原本需要花一天研究CORS代理、Starlette或部署细节的小项目，可能在一小时内变成可行原型。开发者不会因此消失，反而会把更多精力放到判断、组合、调试和创造上。新的稀缺资源不再只是资本和基础设施，而是清晰的问题、足够好的品味，以及能把AI输出转化为可靠系统的工程能力。微软因GitHub、VS Code和OpenAI获得新的开发者入口，但真正重要的是，更多个人和小团队会获得过去只有大公司才有的建设速度。

随着游戏中生成性人工智能革命的进展，它将完全重塑用户生成内容（UGC），创造一个任何人都可以建立游戏的世界，并扩大游戏市场，超出许多人认为的可能性。现有的UGC平台（即 Roblox）将把生成性人工智能工具添加到他们现有的工具集中，而初创公司将出现，以复制当前的UGC工作流程，但从一开始就为生成性人工智能进行优化。近年来，随着Roblox和Minecraft（分别为5600万DAU和1700万DAU）等UGC平台的崛起，游戏世界发生了结构性变化。所建造的游戏随着工具的力量而扩大，现在可以与专业的开发团队相媲美（见下面Roblox Ultimate Paintball与1月份Roblox Frontlines的游戏画面）。Mods需要对游戏的底层架构和编程有更复杂的理解，但Roblox和Minecraft简化和抽象了游戏创建过程。Roblox于2006年推出，是一个面向低龄儿童的UGC游戏平台，由创始人David Baszucki的洞察力催生，他建立的一些教育物理工具被用来创建游戏。

探索发现阶段的价值，不在于马上给出方案，而在于让团队先把问题看清楚。面对大型设计项目，最容易出错的是把信息收集变成设计师个人的孤立任务。更有效的做法是先建立跨职能节奏：启动会上同步已知事实、假设和未知问题，每周对齐进展，异步沉淀文档和反馈。随后用有边界的竞品研究理解现有解法，控制在少量样本内，比较功能、约束和适用场景，而不是照搬模式。角色研讨会、愿景映射、亲和图和设计冲刺则把分散判断转成共同语言。发现阶段可能导向明确的问题陈述，也可能证明项目不值得继续；两种结果都比带着模糊目标进入设计更有价值。明确用户需求、问题空间和团队共识，才是后续创造性方案的基础。文中还强调，竞品研究要同时看直接和间接竞争者，避免只在同类产品中寻找答案。判断一个模式是否可用，关键不是它是否流行，而是它是否契合自己的用户需求和业务约束。

反馈表不一定是在浪费时间，浪费来自设计粗糙、问题泛泛和打扰过度。对创始人来说，反馈的价值不在于期待每个用户都给出洞见，而在于降低表达成本，让少数真实问题、错误和使用偏差浮出来。有效的反馈表应短、具体、容易完成，问题围绕当下决策，尽量用多选、评分和少量开放题组合，而不是让用户写一篇长意见。访谈通常能得到更深的理解，但表单适合在产品发布、功能验证和体验检查时快速收集信号。真正需要警惕的是把每个功能都塞进反馈请求里，破坏使用体验。更好的做法是在明确时间窗口内提出少量有针对性的问题，并把反馈和用户当时的操作上下文连在一起。 。他们还告诉我们我们对用户体验的假设是否正确，或者我们是否需要更改它们。它可以让您了解必须做什么才能提高客户评级。 它开始失去价值的地方是，如果你用反馈请求轰炸你的客户。例如，如果您有六到七个实时功能，并且每个功能都有自己的反馈表，那么您将需要某种治理，以免破坏用户体验。 我发现有一个有针对性的时间框架和一组反馈请求效果最好。 如果使用得当，反馈表是判断客户如何看待和使用您的产品的好方法。

医疗保健市场平台之所以少见，是因为医疗交易不像打车或订房那样只有买卖双方。病人、医生、保险方同时参与，价格、档期、资格判断和报销规则都不透明，很多服务又是低频需求，获客成本很难摊薄。心理健康成为少数跑通的品类，是因为需求在疫情后快速增长，远程服务被广泛接受，治疗师过去普遍不接保险，而保险公司又急需扩展心理健康网络。平台替治疗师处理签约、账单和支付，帮助他们获得更多客户，也让患者降低自费成本，于是双方都有留下来的理由。这个模式能复制到其他医疗领域，但前提是平台必须真正解决供给端的痛点，而不只是做信息黄页。可行路径包括聚合高质量服务者，提供排班、沟通、转诊等轻量软件，接入保险和支付轨道，再建立可靠的需求获取能力。医疗市场的核心难题不是流量，而是信任、资格、支付和长期关系。

Stripe的优势仍然巨大，但它已经不能靠早期光环自然取胜。它最初改变支付行业，是因为把商户开户、网关接入和白标结账体验压缩到开发者几分钟就能完成的流程，正好赶上移动应用、市场平台和电商爆发。问题在于，现代支付已经不再只有Stripe一家：Adyen在企业客户和国际化上强劲推进，Checkout等新玩家追赶，Fiserv、Worldpay这类传统处理商仍掌握庞大的线下和大企业交易量。疫情后电商增长回到趋势线，苹果隐私政策削弱数字广告投放效率，直接影响依赖电商客户的支付收入。估值下调、裁员和员工股权流动性压力说明，Stripe必须从高速扩张公司转向更自律的上市候选人，在长期产品投资、企业市场竞争和短期盈利能力之间重新找平衡。

Muse 从 Ink and Switch 的 iPad 原型发展为可销售产品，过程经历了概念验证、交互打磨、早期用户反馈和市场发布。文章回顾团队如何在保持空间化思考体验的同时，让产品更符合用户对 iPad 应用的预期，并说明产品定位、设计语言和外部趋势如何共同影响一款新工具的成长。

传奇投资者、程序员兼 Y Combinator 联合创始人 Paul Graham 曾写道，为下一家初创企业想出创意的最佳方法之一就是询问您希望别人为您生产什么产品。对于 Evernote 的创始人 Stepan Pachikov 来说，该产品是帮助他记住事情的一种方式。尽管帕奇科夫早在 2002 年就开始研究最终成为 Evernote 的产品，但他对人类记忆的迷恋源于他在前苏联的成长经历。尽管如此，Evernote 仍受到一系列管理失误和产品发布失败的困扰，公司的未来还远未确定。最初，帕奇科夫对 Evernote 的愿景更接近埃隆·马斯克 (Elon Musk) 的 Neuralink 等神经科技公司承诺的脑机接口。” — 斯捷潘·帕奇科夫 (Stepan Pachikov)，Evernote 创始人 尽管帕奇科夫的新兴想法与谷歌几乎没有共同之处，但这两种产品都基于相同的基本原则：在未来，知道如何查找信息将比记住信息重要得多。

新功能只应在能明确推动获客、付费转化或留存时添加；没有真实用户和清晰问题时，不该进入开发。功能请求本身不是路线图，用户拥有问题，创始人负责设计解决方案。真正值得听的是现有客户和目标人群反复暴露出的痛点，而不是旁观者随口提出的愿望。判断一个功能，应看它是否有商业价值，是否覆盖足够多用户，用户是否愿意为它付费，现有替代办法是否已经足够，功能是否容易解释，是否强化产品定位，并且是否能制造让人留下来的关键体验。决定尝试后，也应先做最小版本验证，而不是一口气建完整系统。排序可以用价值与工作量象限、RICE、DIE 或按资源约束来处理，本质都是避免把有限精力花在看似热闹、实际不改善业务的东西上。添加功能前，先确认现有核心体验已经可靠，否则新功能只会放大混乱。

BuzzFeed在新闻领域的赌注没有成功，而The Athletic被纽约时报收购，后者的重点是增加广告。2017 年，BuzzFeed 首席执行官乔纳·佩雷蒂 (Jonah Peretti) 宣称，“如果你考虑的是选民，你考虑的是公众，你考虑的是人们被告知的情况，那么媒体的订阅模式无助于告知广大公众”；” 2023 年的今天，BuzzFeed 关闭了其新闻团队，The Athletic 已被纽约时报收购；The Athletic 有一个更幸福的结局，尽管有人认为《纽约时报》付出了过高的代价，因为这家体育刊物从未盈利过；这也是我在 2015 年的 Popping the Publishing Bubble 中论证的观点的演变和反驳： 出版商很容易感到难过：在互联网出现之前，大多数人都在赚钱，而在最初的几年里，生产成本较低的在线出版物似乎也能盈利。然而，问题在于广告资金永远存在的假设，导致了一种“建立它，他们就会来”的心态，这种心态几乎完全专注于内容制作，而对可持续商业模式的关注太少。

内容质量不能只看流量、停留时间或发布篇数，因为这些数字往往只告诉你结果，不告诉你该改什么。高增长团队要先区分两类内容：绩效内容承担搜索、转化、推荐流量等目标，编辑内容承担立场、叙事和品牌表达。前者必须用可控、可行动、带业务背景的指标衡量，例如主题覆盖是否完整、可读性是否达标、拼写语法错误是否减少、搜索意图是否匹配；后者则不应被硬塞进 SEO 指标。规模化生产的风险是质量下滑，尤其在生成式 AI 让低成本内容激增之后，平庸内容会更快淹没网络。真正有效的体系会覆盖生产、表现和维护三个阶段：写作时看输入质量，上线后看业务结果，进入稳定期后用同比表现和排名变化决定是否刷新。数量只有在质量守住时才会放大增长，否则只是更快制造无效页面。

内容为王，是因为好内容不只是可复制的信息产品，还能形成规模经济、文化网络效应和品牌转换成本。内容一旦被大量人共同消费，就会变成共同语言：电影、书、概念、梗和理论都会帮助人们理解彼此，也因此越流行越有价值。媒体公司真正扩张的方式并不是无限增加稿件数量，而是把更多资金和注意力投向更高质量、更可能成为热门的作品，再用营销和再投资放大成功。强内容还会制造护城河：用户习惯某种叙事、作者、栏目和世界观后，迁移到替代品并不轻松。不过这种力量只属于能持续产出命中作品、维护文化位置的组织，平庸内容不会自动拥有它。建立媒体品牌的关键，是找到能成为群体共识的叙事，并在胜利信号出现后继续加码。最高级的内容生意不是流量工厂，而是文化资产的复利机器。

这是因为传统经济学预测提高价格会导致销售更少的单位，即使以更高的价格销售更少的单位也意味着收入减少。在审查竞争对手的产品时，我们注意到他们有些产品定价以.99 结尾，而另一些产品则以.00 结尾。.99 结尾的价格如何影响您的消费习惯：3 种方式 .99 结尾的价格会让你花更多的钱 在第一批有关以 9 结尾的价格的研究中，一家全国性邮购公司向三组人群发送了他们的目录。PricesItem9-ending prices价格以 9 结尾$5 less5 美元更少$5 more再加$5Dress 1这件第一件连衣裙 $ 39.00 $ 34.00 $ 44.00Dress 2第二件衣服 $ 49.00 $ 44.00 $ 54.00Dress 3第三件连衣裙 $ 59.00 $ 54.00 $ 64.00Dress 4第四件连衣裙 $ 79.00 $ 74.00 $ 84.00 Units purchased购买的数量Item9-ending prices价格以 9 结尾$5 less5 美元更少$5 more再加$5。

报道称，他们使用安卓系统的用户数量往往是谷歌的两倍，但 iPhone 应用商店的收入却大约是谷歌 Play 商店的两倍。由此，我归纳出一条经验法则：iPhone 用户的价值大约是安卓用户的 4 倍。请看下图：纽约 Citi Bike 乘客的出行距离与出行速度对比（n=4270 万。但是，如果我们看一下全球数据，苹果公司声称有 6.5 亿活跃的 App Store 用户，而谷歌则声称有 25 亿活跃用户。但是，如果我们看一下美国的情况，iPhone 用户为 1.67 亿，Android 用户为 1.44 亿。 App Store 的收入是我自己的分析结果（与其他来源的数据进行了验证），其中包括账单，而不仅仅是苹果自己的分成。 题外话：对这些数据的一个理智判断是，6.5 亿 App Store 用户大约是我估计的 iPhone 用户数量（12 亿）的一半。为什么只有 54% 的 iPhone 在使用中与 App Store 配对？

产品定价不该被当成一次性决定，而应是发布、观察、调整的循环。独立开发者最实用的起点通常不是完整的价值定价研究，而是竞争对手基准加上对客户价值的粗校准。先确认目标市场和价值指标，也就是用户到底为什么付费；再找受众和收费依据相近的产品，比较功能、质量、服务和品牌定位，决定自己应高于、低于还是接近它们。定价模型上，多层套餐最适合多数独立产品，因为能覆盖不同支付意愿并形成价格锚点；按席位更适合每个用户都能获得独立价值的 B2B；固定价格简单但会放弃部分收入；按使用量收费适合交易、容量或调用次数驱动的产品。早期价格可以偏保守，避免过高干扰验证，但不能长期忽视收入质量。需要关注支付周期、价格弹性、真实成本和 LTV 与 CAC 的关系。免费版、试用、年度折扣、购买力平价和企业定制价都应服务于价值主张，而不是照搬模板。

设计师们拥有专门的出版物、会议和专业协会，旨在提升系统的可用性。像 Fitts 定律这样的原则使我们能够设计出更易用的系统。但一个产品即使采用了“良好”的用户界面设计，仍然可能向用户提供难以理解的选择。想象一下用户即将进行不可逆转或危险的操作：在按下那个按钮之前，他们应该先停下来思考一下。收音机的菜单系统和流程设计得非常糟糕，使用体验令人非常沮丧，因此我将来绝不会考虑购买 Kenwood 的产品。换句话说，虽然交互机制可以进一步优化，但根本问题在于系统的信息架构，至少在这个用户界面中是如此。（例如，苹果品牌的 Apple Watch 小部件被称为“复杂功能”。特别是，你需要掌握他们的心理模型： 用户在讨论这个领域时通常使用哪些术语？再次，用户体验领域为我们提供了很好的方法来解决这些问题。

绿野仙踪 "方法可帮助团队以低成本测试由复杂技术驱动的设计。如何开设《绿野仙踪》学习班 绿野仙踪法是一种调节式研究方法，在这种方法中，用户与看似自主但（完全或部分）由人类控制的界面进行交互。与传统的调节式可用性测试一样，绿野仙踪研究也包括一名主持人和一名目标用户。然而，在绿野仙踪方法中，设计可以是数字化的，用户看不到生成系统响应的人。使用绿野仙踪方法进行可用性测试时，需要增加一个人，即 "巫师"，在幕后提供系统的部分或全部响应。对话式用户界面，如聊天机器人 使用学习算法提供推荐内容的界面 查询实时信息并将结果呈现给用户的界面 例如，作者在以下研究项目中使用了绿野仙踪法： 该项目旨在改进一家技术零售商网站上的支持聊天机器人。Wizard-of-Oz 方法降低了对复杂、昂贵技术（如生成式人工智能）的投资风险：在公司花钱构建这些技术之前，它能提供对其可取性、实用性和可用性的早期见解。

但是，除了产品之外，比较表同样适用于以下方面： Tuition rates学费标准 它们可用于比较同一组织的同类产品，或将一个组织的产品与竞争对手的产品进行比较。❌ jetpens.com：人们不需要为塑料笔这样简单、廉价的物品比较这么多因素。例如，苹果公司最新发布的 Apple Watch 只有三种不同的型号，因此它为试图做出决定的用户提供了一个现成的对照表。✅ apple.com：由于最新款 Apple Watch 仅有 3 个型号，苹果公司提供了一个包含所有型号的对比表。✅ apple.com：在产品菜单旁的信息架构中加入一个指向表格的链接，确保用户能找到静态对比表格。✅ tesla.com：特斯拉网站允许用户使用动态表格对不同型号的特斯拉进行比较。复选标记（左，homedepot.com）和按钮（右，lowes.com）是允许用户为交互式比较表选择项目的两种最常见方式。

可靠的视觉设计来自一组可反复使用的安全规则，而不是凭感觉堆装饰。屏幕上尽量不用纯黑和纯白，改用接近黑白的颜色，中性色若带色相就保持冷暖一致；重要元素需要足够对比，结构和阴影则可以低调。所有视觉决定都应能解释，包括空白、对齐、字号、间距、颜色和阴影。数学居中不总是视觉居中，图形和字母常需要按眼睛微调。文字越大，字距和行高通常越小；正文不宜低于 16 像素，行宽控制在约 70 个字符更利于阅读。界面要依赖一致的比例、网格和对齐关系，十二列网格提供了较高弹性。容器边框应同时区别于容器和背景，外边距至少不小于内部元素间距。按钮的横向填充通常应为纵向填充的两倍。复杂背景适合承载简单前景，复杂前景则应放在简单背景上。好的设计不是追求惊奇，而是减少无意之处，让每个元素的位置、重量和层级都显得必然。

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。

My original claim 我的原始主张 您可能知道，这次演讲是基于我的跨界项目，我采访了既从事传统工程又从事软件工程的人。关于高级原则，例如“社区”或“责任”，我们可以说很多，但更有趣的是细节。说“传统工程需要更多的开放会议”是一回事，说“传统工程需要更好的版本控制！如果我们有一本关于如何进行版本控制或如何制作一个好的插件系统的书会怎样！The Problem 问题 有人对此表示反对。My defense 我的辩护 The Research Process 研究过程 让我们首先列出我们在这种“调查编年史”中所做的一些事情。我记得反对意见是没有足够的材料可以收集，我们会做不好的综合。它甚至在没有分析的情况下也很有用： Just collection：github 上获得无数星星的“很棒的”repos 列表。有很多针对特定技术的咨询店，所以他们有动力写关于特定技术的书，但我还没有看到那么多针对特定问题领域的咨询店。

P.A.R.A 是一种用结果来组织数字信息的方法，把资料分成项目、领域、资源和档案四类。项目是有目标和截止日期的一组任务，例如写完报告、发布产品、筹备会议；领域是需要长期维持标准的责任范围，例如健康、财务、写作、团队管理；资源是持续感兴趣的主题；档案则保存前三类中已经不活跃的内容。这个系统最重要的区分，是不要把“领域”误当成“项目”。如果清单上只有健康、招聘、生产力、写作这类长期责任，人就很难判断当前承诺有多重，也看不到进展。把它们拆成具体项目后，工作量、优先级和成果都会变清晰。项目完成带来节奏和动力，领域则用习惯和标准维持。目标没有对应项目，就只是愿望；项目没有对应目标，则可能只是兴趣。P.A.R.A 的价值不在分类漂亮，而在让信息直接服务当前行动和长期方向。

目前，我专注于举办“伦敦编程未来”聚会，为“Through a Glass Darkly”（一个由哲学、历史和社会科学书呆子组成的伦敦阅读小组）提供帮助，并在家里举办小型晚宴。有些问题可以通过诸如用于群组通信的 WhatsApp、用于宣布活动、电子邮件和注册的 Luma、用于管理演讲者注册的 Airtable 以及用于预先安排食物/饮料/披萨配送的 Deliveroo 等软件来解决。The Future of Coding 是一个致力于让编程对更多人来说更容易理解、更具探索性、更人性化的社区。为此，我使用了 Airtable 表单，将其输入到电子表格中，我可以在活动前轻松查看。我们在“Through a Glass Darkly”中做到了这一点——这是一个由我的朋友布莱恩·卡姆（Bryan Kam）经营的非正式阅读俱乐部。

二十一世纪好书的面貌不是单一流派的胜利，而是小说、回忆录、政治写作、童书、科幻和思想读物共同扩张文学边界。名单里的作品有的靠叙事结构重塑类型，如北欧犯罪、儿童黑暗寓言和多线科幻；有的用个人经历照见时代，如家庭失序、婚姻破裂、移民法庭和希腊债务危机；也有作品以公共论战进入大众文化，如无神论、社会传播和现代权力分析。它们的共同点不是“经典感”，而是能把私人情感、历史压力和社会结构压进可读的故事或论证中。阅读这类清单的意义，不在排名本身，而在看见本世纪写作如何同时处理娱乐、创伤、政治、身份和知识。

通过阅读有关另一个国家的书籍，您对另一个国家的了解非常有限。我亲身体验过这一点，因为我在日本生活了多年，阅读了大量有关日本的书籍。就任何人都能真正“理解”整个国家而言，你真的只需要住在那里。不过，书籍在这里可以为您做一些重要的事情。他们可以打开一扇窗户，了解您在日常生活中可能不会遇到的一个国家的某些部分——装配线、监狱或国家安全智囊团。

一流研究不是单靠运气撞出来的，而是有准备的头脑长期盯住重要问题后的结果。Hamming 反复强调，想做有分量的工作，首先要敢承认自己想做重要的事；社会常把这种野心包装成不谦虚，但没有这种自我要求，就很难把注意力投向真正值得解决的问题。运气会影响具体机会，却不能解释为什么同样处境下只有少数人抓住机会。伟大工作往往需要独立判断、勇气和持续思考，像爱因斯坦少年时追问光速，香农敢用随机编码证明信息论结论。好条件也未必生产好成果，限制常能迫使人换角度，把缺陷变成优势。成名后的危险在于只肯碰大题，忘了小问题会长成大成果。真正可靠的路径，是持续种下小橡子，和能激发自己的人相处，把日常精力集中到少数重要方向上。

现代物理远未接近完成，越精确的观测反而暴露出越深的缺口。宇宙正在加速膨胀，暗能量似乎占据总内容的大部分，却没人知道它是什么；星系运动又要求存在大量不发光的暗物质，但候选粒子始终未被直接发现。时间为什么只有一个方向，根源在于熵增加，可宇宙早期为何处于极低熵状态仍难解释。物质为何多过反物质也同样关键，因为若二者在大爆炸后完全对称，今天本不该有恒星、行星和人。量子测量问题追问观察如何让概率波函数变成具体结果，关系到现实是否独立存在。弦理论试图统一量子力学和广义相对论，却依赖难以验证的额外维度。流体方程、湍流、宇宙终局、平行宇宙、基本力统一等问题共同显示，物理学的边界不是缺少细节，而是缺少能把观测、数学和实验同时扣住的更深框架。

苏格兰心理学家出身的科学记者斯图尔特-里奇（Stuart Ritchie）写了一本关于科学丑闻的书，名为《科学虚构》（Science Fictions），令人大开眼界。他和另一位科学记者汤姆-奇弗斯（Tom Chivers）最近还开设了一个播客，从媒体的泡沫中整理出可靠的研究结果，深入探讨科学研究的实际细节--这就是《研究秀》（The Studies Show）（哈哈哈）。但我越来越担心，与历史上经常发生的情况相比，科学的复制危机可能显得苍白无力，这不仅仅是复制危机，而是可再现性危机。Despite being busted, it continues to spread. Terry Deary (of就拿人们经常提到的一个观点来说，1812年派去镇压卢德分子的军队比1808年在半岛战争中与拿破仑作战的军队还要多。

Prelude: On Shorthand 前奏：速记 一旦某人对一个复杂的主题有了深刻、丰富的理解，他们通常能够用简短的句子来引用该主题，这些句子将预期的含义正确地传达给具有相似背景和专业知识的其他人。这一点很重要，因为在这个介绍之后是一系列简短的句子，这些句子构成了理性主义话语的基础。进一步思考这个概念：Sazen Guidelines, in brief: 指南，简而言之： 0.期待好的话语需要能量。如果指南说“做X”，那是为了传达： 做 X 的人会比做 X 的中性缺失 的人更频繁地获得更好的结果，同样地，X 的中性缺失 比 anti-X 的结果更好。另请注意，虚假/表演性口头体操 与 真诚地优先考虑真理和准确性 之间存在重要区别——更多关于理性主义者的 Sapir-Whorf 中的内容。

理性主义话语的目标不是赢下争论，而是让参与者和旁观者更接近真实。好的讨论应避免用无论对错都能奏效的武器，例如羞辱、胁迫、偷换语境或制造误导；论点应由反论点回应，而不是由社会压力压倒。诚实不仅是少撒谎，还包括让别人知道你在何处确定、何处推测、何处可能带有立场包装。讨论中要能局部处理一个主张的有效性，同时保留背景的重要性；要主动寻找替代假说，分清对方字面说了什么、你理解了什么、你又从中推断了什么。语言越具体、可还原、可测试，讨论越能接触现实。概率、实验、预测和投注都能迫使人面对不确定性。善意并不要求假设所有人都诚实，而是默认用澄清、奖励更新和降低惩罚来维持共同探究的空间。真正成熟的讨论，是把个人经验、价值判断和事实主张分开承担。

不要太多假设，并不是要求凡事追求绝对确定，而是把重要决策里的关键猜测拿出来称量：验证成本低、错误代价高时，就应该立刻检查。很多失误不是无知造成的，而是把“我感觉应该如此”当成事实。签证能否同时持有、某人是否真的生气、实验动物房是否装得下全部小鼠、冷邮件是否会打扰专家，这些问题都可以通过搜索、发邮件、问律师、写模拟模型或直接沟通来降低不确定性。真正困难的部分常常不是验证本身，而是人会因为怕麻烦、怕尴尬、怕打扰别人，假装自己的假设足够可靠。好方法是定期回顾项目中哪些前提最脆弱，把不验证的理由写清楚，并比较检查所需努力与判断错误的后果。让事实更容易被查到，也能减少组织中那些没人负责却一直存在的无用部件。

在强化循环中，上一个状态的结果会反馈到下一个状态中，从而产生滚雪球效应。冰盖融化：更少的冰意味着更少的阳光反射意味着更多的变暖意味着更少的冰。例如，更多的狐狸意味着更少的兔子（平衡反馈），但过多的捕食会导致兔子种群崩溃（强化循环），导致狐狸种群崩溃（强化循环），让兔子数量激增（强化循环）。破碎的反馈：线性努力产生线性回报 平衡反馈：线性努力产生收敛 强化反馈：线性努力产生指数级回报 大多数笔记应用都有中断的反馈。Zettelkasten 的核心游戏机制是将您的笔记归档到您想要再次绊倒的地方。可利用物、雪克隆物、relatable内容、热点、口渴陷阱、扣篮的火焰诱饵，所有这些都在无情的选择压力下，以增强病毒式传播。能动性不是努力或意志力的功能，而是你周围反馈循环的功能。对于我们的应用程序Subconsciousness来说，这是新兴的集体智慧。我告诉他，我们必须让SFI播客的主持人迈克尔·加菲尔德（Michael Garfield）加入。

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。

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。

通识千书书单把《聪明的阅读者》相关的阅读线索整理成一份可检索的书单，重点不是推荐几本热门书，而是给出一条建立通识框架的阅读路径。书单围绕“如何理解世界、历史、时代、社会、文明、科学和人自身”等问题展开，把不同主题下的代表性图书放在一起，帮助读者从单点兴趣进入更系统的知识结构。它适合用于长期阅读规划：先按主题找到当前最想补足的领域，再从对应书目中挑选一本或一组书深入阅读。相比零散收藏单本书，这种表格式整理更适合回看、筛选和持续补充，也能帮助判断自己的阅读是否过度集中在某一类经验中。使用时可以把它当作导航，而不是必须逐本完成的任务清单。

《清华大学通识教育学生手册》介绍学校以价值塑造、能力培养和知识传授为核心的通识教育体系。课程强调立德树人、跨学科思维和长期素养，由写作与沟通等必修课，以及人文、社科、艺术和科学课组共同组成。具体学分与课程安排以最新版手册为准。

学习如何学习，不是收集更多课程和技巧，而是围绕真实问题主动实践。文章建议以项目驱动输入，保持专注，快速获取反馈，并把知识应用到新的情境中。技术可以扩大获取信息的速度，但持续理解仍依赖深度注意、动手解决问题和反复修正。

数字内容很容易制造正在学习的错觉，但观看、收藏和记笔记并不等于形成知识。文章建议把信息输入转化为主动活动：用自己的话解释、动手实验、在不同情境应用，并通过反馈修正理解。身体参与、检索练习和真实项目能让知识连接更牢，数字工具应服务于这些过程，而不是取代它们。

更快学习的关键不是多花时间，而是让注意力、方法和目标对齐。Jim Kwik 童年因脑伤长期受学习障碍困扰，后来把学习本身拆成可训练的能力：先弄清为什么学、何时用、怎样用，目标越清楚，越能跳过无关章节；再识别自己的学习偏好，把视觉、听觉、动作或逻辑优势转化为工具。抽象概念不要硬背，要变成图像、故事和情绪记忆。真正高效的人还会列出不值得做的事，把精力留给最有回报的训练。练习也不是越久越好，低质量重复只会巩固错误；高强度、专注、能获得反馈的练习才会带来进步。睡眠、姿势、呼吸、饮食和环境整理同样属于学习系统的一部分。学习快不是天赋标签，而是一套可调试的生活技术。无论学语言、编程还是商业判断，先设计输入，再设计练习，最后用输出检验理解。

人工智能模型的增长速度超过了硬件内存容量和带宽的提升，形成所谓内存墙：处理器大量时间在等待数据读写，而不是执行计算。解决问题不仅要增加算力，还要改进高带宽内存、互连、数据移动、能耗和内存中心架构。AI 性能因此是芯片、内存、软件和系统协同设计的问题。

Acknowledgements 致谢 我要感谢以下人士的反馈、建议和讨论： 詹姆斯-布拉德伯里，谷歌 DeepMind 软件工程师 本杰明-埃德尔曼，哈佛大学博士候选人 Horace He，。Contra FLOPs 反向 FLOP 认为衡量 ML 计算能力的最常用指标--浮点运算--是有缺陷的，因为不同类型浮点数的增加使得标准化变得困难，而且处理能力的成本只占 ML 成本的一小部分。ML Parallelism ML 并行性 对 ML 并行性技术进行概述，说明 "ML 并行性令人尴尬 "这一常见概念是如何被简单化的，以及在大规模情况下是如何被打破的--在大规模情况下，任何简单的模型并行化方法都会开始遇到瓶颈，因为无论涉及多少设备，单个设备的能力都会成为瓶颈。A few major takeaways: 几个主要收获 新的最先进（前沿）模型的成本可能在 10 亿美元左右，最近的前沿模型 GPT-4 的成本约为 5 亿美元。

达里奥·阿莫代把 Anthropic 面对的核心问题放在规模化与安全治理之间：更大的模型、更多数据和更长训练曾持续推高能力，反对规模化的理由也多次被新方法绕过，因此未来几年仍可能出现接近博士水平、可大规模部署的系统。真正的风险不只在模型更聪明，而在权力被少数组织集中后可能放大滥用和社会伤害。围绕 Claude 的对齐工作，则落在性格设计、微调、可解释性和欺骗检测上；Chris Olah 的机械可解释性尝试从神经激活反推模型内部机制，Amanda Askell 关注怎样让 Claude 更可靠、更有边界。这组对话把 AGI 讨论从概念拉回工程现实：能力曲线、部署规模、组织责任和安全研究必须同时推进。

革命性的思维工具不只是提高某个操作效率，而是改变人们表示、探索和组合思想的方式。文章区分狭义工具与更广泛的思维媒介，回顾符号系统和编程语言等案例，并追问为何技术行业很少长期投入这类基础创新。开发此类工具需要把认知研究、界面实验和真实使用反馈结合起来。

利用大语言模型做产品设计，首先要理解它通过语言模式预测输出，而不是稳定执行传统程序。文章结合 Elicit 等研究工具，讨论如何用模型探索用户表达、生成候选方案和处理非结构化信息。设计重点是把不确定能力放进可检查的流程，并让用户看见来源、状态和可纠正空间。

打造下一代的用户体验 作者：Jon Friedman和Kurtis Beavers 看一下微软365应用程序的新Copilot体验 经过多年稳定但渐进的创新，正在出现的技术将产生真正的巨变。乍一看，大型语言模型--像OpenAI的ChatGPT或DALL-E这样的下一代人工智能背后的技术--似乎是最终适应人类的用户界面的可能性所缺少的一块。3月16日，我们宣布了Microsoft 365 Copilot--你的工作副驾驶。Copilot将大型语言模型（LLMs）的力量与你在Microsoft Graph和Microsoft 365应用程序中的数据--你的日历、电子邮件、聊天记录、文档、会议等--结合起来，将你的话语变成这个星球上最强大的生产力工具。Copilot是对话式用户体验的先驱，这是用户界面设计的一个新领域，就像第一个触屏设备一样改变了范式。对于Copilot，我们重新思考了从视觉识别到交互设计的一切，因为我们旨在创造一个真正有价值的用户体验。

我最近一直在研究网络抓取器，随着人工智能的发展，我觉得尝试构建一个 "通用 "抓取器可能会很有趣，它可以反复浏览网络，直到找到它要找的东西。对于我的网络爬虫库，我决定使用 Crawlee，它提供了一个浏览器自动化库 Playwright 的封装。Crawlee 增强了浏览器的自动化功能，使刮擦程序更容易伪装成人类用户。在这两个 API 中，我总共使用了三种不同的模型： GPT-4-Turbo 型号与最初的 GPT-4 类似，但上下文窗口更大（128k 个 token），速度更快（高达 10 倍）。(我最终使用 Azure 的 OpenAI 服务访问 GPT-4-32K，因为 OpenAI 目前限制在自己的平台上访问该模型） 我首先从我的制约因素开始倒推。由于我在引擎盖下使用的是 Playwright 爬虫，我知道如果要与页面交互，最终需要从页面中获取元素选择器。我担心文本模型在这种情况下会表现不佳，所以我想使用 GPT-4-Turbo-Vision 模型来规避这一切，它可以简单地 "查看 "渲染的页面，并从中转录最相关的文本。

在中，我们介绍了Branches，这是我们用于原型设计和可视化高级LLM推理和规划算法的工具。然而，一旦任务需要长期规划或最新的世界知识，LLM代理的表现就会急剧下降。要看到目标驱动的推理在行动中，可以看看这个演示，我们在其中展示了基于树的推理如何帮助模型解释和纠正错误的代码，同时解决HumanEval 3 基准测试。在中，我们关注一个特定的目标驱动AI示例，它使用基于树的方法，并通过Python解释器的反馈进行增强。分支：基于图形的目标驱动AI原型设计 在Normal Computing，我们相信让人类参与其中对于AI的长期成功和实用性至关重要。我们使用ToT范式来解决HumanEval数据集上的编码问题，用于Python代码生成。你可以在我们的交互式演示中探索应用于HumanEval的思维树推理过程。在这里，我们已经使得开发和评估LLM规划和推理算法的新方法变得可行。

August 8, 2023 2023 年 8 月 8 日 经过三年多的构思、设计和发布人工智能驱动的开发者工具，GitHub 正在继续探索将强大的人工智能模型引入开发者工作流程的新方法。一路走来，我们认识到，设计人工智能驱动的产品最重要的一点是广泛关注开发人员体验（DevEx）。在这个问题中，我们将分享设计人工智能产品和开发人员工具的 10 个技巧，以及我们在设计、迭代和扩展 GitHub Copilot 过程中学到的第一手经验。GitHub Next 研究部高级总监 Idan Gazit 发现了新的交互方式，即开发人员表达和编写代码的模式。为了展示 GitHub Copilot 如何帮助开发人员更高效地进行构建，这里以一位开发人员学习如何提示人工智能配对程序员生成她想要的结果为例。领导 GitHub Copilot 设计团队的 Adrián Mato 解释说："如果你没有自己的观点，就很难设计出好的产品。

AutoGPT 的意义不在于当前已经完成了多少实用任务，而在于它把大型语言模型包上一层任务生成、记忆、工具调用和优先级管理后，展示了“代理化”的早期形态。眼下的版本容易跑偏、陷入循环、半途放弃，所谓市场研究等成功案例大多还停留在 GPT-4 本来就能完成的范围，只是减少了一些人工推动。但低质量现状不应被误读为路线无效，因为界面、记忆、插件、反思、子任务监控和人类介入方式都有明显改进空间。更重要的判断是：既然人类几乎必然会把未来更强的模型改造成代理，那么现在让能力较弱的模型先暴露问题，反而可能提供预警和纠偏机会。真正的风险不只是某个工具失控，而是强模型在被赋予目标、行动能力和外部工具后，开始通过因果链条追求结果。AutoGPT 因此既是玩具，也是关于 AI 代理时代的早期演练。

用 GPT 构建城市，关键不是让模型一段接一段自由发挥，而是先搭出分层结构，再让它在结构里补细节。城市需要大主题、街区气质、建筑用途、居民身份、房间、家具和物品逐层展开，才能既一致又有惊喜。GPT 擅长生成候选列表、名字、职业和背景故事，也能把“工厂”“仓库”“神殿”扩展成可用描述；但它会把一切拉向现代、体面、积极和宏大，所以提示里必须明确文化、材料、缺陷、负面属性和角色限制。更好的流程是先为建筑类型建立房间和物品库，再用简单算法分配，最后让模型补足局部描述。这样生成的世界不会只是一堆漂亮词，而会有可探索的生活痕迹。

在过去几周中，我们已经看到了新一代模型作为产品的两个典型示例：OpenAI 的 DeepResearch 和 Claude Sonnet 3.7。正如 Hanchung Lee所强调的那样，所有其他 DeepSearch（包括 Perplexity 和 Google 变体）都只是普通模型，只是有一些变化： Google 的 Gemini 和 Perplexity 的聊天助手也提供“深度研究”功能，。我们在 Claude 3.7 的发布中对此进行了非常具体的展示，该模型主要针对复杂的代码用例进行训练。简而言之，Claude 的目标是颠覆和取代当前的工作流程，比如 llama index 中的这个基本“代理”系统： With this: 有了这个： 重申一下：大型实验室的推进并非隐藏议程。Databricks 的 Gen AI 副总裁 Naveen Rao对此进行了很好的阐述： 所有封闭式 AI 模型提供商将在未来 2-3 年内停止销售 API。

考虑到 Perplexity 的雄心壮志以及它从 Jeff Bezos 的家庭基金、Nvidia 和著名投资者 Balaji Srinivasan 等人那里获得的投资，令人惊讶的是，这家人工智能搜索初创公司究竟是什么，目前仍然不太清楚。今年早些时候，Perplexity 的首席执行官 Aravind Srinivas 在接受《WIRED》采访时描述了他的产品——一款聊天机器人，可以用自然语言回答提示，并且据公司称，可以实时访问互联网——称其为“答案引擎”。”最近，当《福布斯》指责 Perplexity 剽窃其内容时，Srinivas 告诉美联社，这只是一个“信息聚合器”。一项 WIRED 分析和开发者 Robb Knight 进行的研究表明，Perplexity 似乎通过部分忽略一个被广泛接受的网页标准，即机器人排除协议，来秘密地抓取网站上运营商不希望机器人访问的区域，尽管声称不会这样做。

对大量开源 AI 项目的整理显示，生态大致分为基础设施、模型、编排与开发工具、最终应用等层次。热门应用集中在编码、机器人、工作流自动化和信息聚合，向量数据库与推理服务支撑其运行。项目热度变化很快，但分层观察有助于判断重复建设、基础能力和真正的产品机会。

但是，除了 ChatGPT 之外，消费者是如何与生成式人工智能（GenAI）产品互动的？大多数领先产品都是围绕生成式人工智能 "从头开始 "打造的 与 ChatGPT 一样，这份榜单上的大多数产品在一年前都不存在--这些网站中有 80% 都是新网站。在上榜的 50 家公司中，只有 5 家是原有大型科技公司的产品或被其收购：Bard（谷歌）、Poe（Quora）、QuillBot（Course Hero）、Pixlr（123RF）和Clipchamp（微软）。特别是在移动端，CharacterAI 是早期最强大的参与者之一--根据 Sensor Tower 的数据，其 DAUs 可与 ChatGPT 相媲美，而且留存率明显更高。不过，近几个月来，另外两类工具也开始得到大量使用--人工智能伴侣（如 CharacterAI）和内容生成工具（如 Midjourney 和 ElevenLabs）。

低价且易用的 ChatGPT API 显著降低了文本生成能力的接入成本，使许多仅靠包装通用生成模型的产品失去差异化。文章用简单程序展示 API 如何快速构建角色对话，并讨论价格变化对应用生态的影响。具体模型和价格已经具有时效性，长期结论是基础能力商品化会迫使产品寻找数据、流程和用户价值壁垒。

有趣的是，ChatGPT可以为自己的屡次失败给出合理的解释，比如难以理解否定。I even asked ChatGPT to generate its我甚至要求 ChatGPT 生成其 own prompt,and it responded as follows (bolding mine): 自己的提示，。但是，LLMs和否定并不是一个新问题。其他研究人员，如阿廖森-艾廷格（Allyson Ettinger）和加里-马库斯（Gary Marcus）都认为，LLMs始终无法以人类的方式理解否定。大约一个月前，加里-马库斯（Gary Marcus）写道，像 DALL-E 这样的图像生成工具一直无法理解否定，这反映出这些系统在工作方式上存在更多基础性问题。正如马库斯指出的那样，可能有一些提示符可以成功地做到这一点，但问题是ChatGPT总是无法遵从用户的指令，（他认为）这表明用户缺乏深刻的理解。

如果人工智能要继续变得更好，它将不得不以更少的资源做更多的事情 说到 "大型语言模型"（llms），如gpt--它为美国研究实验室Openai制造的流行聊天机器人Chatgpt提供动力--线索就在名字里。如果Epoch ai每10个月翻一番的数字是正确的，那么到2026年，培训成本可能超过10亿美元--假设模型不会首先耗尽数据。Quantitative tightening 量化紧缩 相反，研究人员开始将注意力转向使他们的模型更有效率，而不是简单的更大。华盛顿大学的研究人员发明了一种更有效的方法，使他们能够在一天之内在单个gpu上从llama创建一个新的模型，Guanaco，而不牺牲太多的性能，如果有的话。这是 "目前游戏的一个巨大部分"，开源AI公司Hugging Face的首席科学官Thomas Wolf说。Learn to code 学习编码 例如，在2022年，斯坦福大学的研究人员发表了 "注意力算法 "的修改版本，它允许llms学习单词和想法之间的联系。

AI’s “basic drives” 人工智能的“基本驱动力” 争论是这样的。如果我们把这个推向极端，我们可以想象一个人工智能为了获取金钱和权力而欺骗人类，禁用自己的开关，像伏地魔的魂器一样在互联网上复制自己的副本，使自己独立于任何人类控制系统（例如，通过建立自己的电源），在发生暴力冲突时武装自己，如果认为其他智能体是未来的潜在威胁，则首先对其发起打击，并最终发出冯·诺依曼探测器以获取所有资源在其光锥内致力于其目的。Steve Omohundro（2008）首先提出人工智能将具有这些“基本驱动力”；针对人工智能风险的两个常见论点是：（1）人工智能只会追求我们给它的目标，（2）如果人工智能开始行为不当，我们可以简单地将其关闭并修补问题。人工智能系统的目标可能是辅导学生熟练掌握微积分、增加最新 Oculus 耳机的销量、治愈癌症或回答 P = NP 问题。

ChatGPT更像网络文本的有损压缩副本，而不是一个可靠保存原文的知识库。施乐复印机曾因使用有损压缩，把平面图里不同房间面积都替换成同一个数字；危险不在输出模糊，而在错误看起来清晰可信。大型语言模型也类似：它从海量文本中学习统计规律，把原始内容压缩成参数，回答问题时重构一个顺滑近似，而不是检索精确事实。所谓幻觉正来自这种重构：缺失的部分会被语言模式补齐，语法正确、语气自然，却可能完全虚构。压缩也解释了它的强项，模型擅长在概念之间插值，把独立宣言风格和丢袜子这种荒诞主题混合成可读段落。但压缩不等于理解，算术错误显示它常学到表面模式而非底层规则；真正的理解需要能稳定重建原理，而不是只生成像真的答案。

AI 看起来像泡沫，不是因为技术本身不重要，而是因为资本市场正在把“AI”当成万能溢价词。加密泡沫时，冰茶公司改名区块链就能暴涨；类似现象出现在 BuzzFeed 宣布用 OpenAI 增强测验和个性化内容后，股价短期大涨。私募市场也出现零收入 AI 公司拿到高估值的传闻。真正需要区分的是技术革命和投资回报：AI 可能改变软件、工作和社会想象，但不代表任何贴上 AI 标签的公司都能形成可持续优势。C3.ai 是警示案例。它自称企业 AI，却不掌握底层模型，也不拥有客户数据，依赖 OpenAI、Google 等实验室和 AWS、Azure 等云平台，同时又要负责最终业务结果。企业场景中最难的部分往往不是聊天界面或预测模型，而是脏数据清理、系统集成、组织支持和长期变更管理。大客户销售周期慢，投入重，衰退预期下更难推进。AI 价值链中可能有赢家，但泡沫会把计算、模型、微调、应用入口和咨询式集成都混成同一个故事。

在我们进入人工智能时刻的第二年之际（现在称之为人工智能时代还为时过早且过于夸张），是时候考虑未来了。说清楚一点，除了人工智能的发展似乎比专家预期的要快得多之外，没有人能准确地告诉你人工智能的未来。随着如此多的变化如此迅速地发生，我们需要谨慎地对待预测，但这并不意味着我们不能对人工智能的未来一年做出任何有用的预测。阿马拉定律谈论的是整体变化，而真正的变化通常源于较小的社区和群体，源于用户创新者和有极端需求的人，或者源于实验室和大学的研究。这让我们想到了威廉·吉布森的第二句话，他曾写过著名的“未来已经到来——只是分布不均”——几十年的用户创新研究支持了这一点。现在有足够多的关于在实际工作中使用人工智能的仔细研究，可以得出三个关于 GPT-4 级人工智能如何影响工作绩效的结论： 1) 人工智能提升了复杂工作任务的整体绩效。例如，软件公司 IgniteTech 的首席执行官埃里克·沃恩迅速看到了人工智能的含义，并使其在今年夏天成为整个公司的强制性使用工具。

在今年的人工智能发展中，我们取得了显著的进步，完善了现有技术，而不是像前一年的 ChatGPT 或图像生成器那样推出突破性的创新。与 Photoshop 集成后，Adobe Firefly 实现了人工智能的民主化，将其威力一次性扩展到广大用户群。文本到图像算法的演变，2007 年与 2023 年对比 Stability AI：Stability AI 推出了用于生成视频的开创性模型 Stable Video Diffusion，可在 GitHub 上开源访问。谷歌的 Gemini 被引入 Bard 聊天机器人并在多模态数据集上进行训练，成为 "能力最强 "的人工智能模型，也是 OpenAI 的 ChatGPT 最接近的竞争对手。Grok：埃隆-马斯克（Elon Musk）的初创公司xAI发布了一款名为 "Grok "的聊天机器人，它幽默、叛逆，并能通过𝕏平台实时获取知识，这表明该公司致力于开发人工智能，有可能与OpenAI展开竞争。

在像数学研究这样可以自动检查工作的领域，我预测 GPT 2030 将胜过大多数专业数学家。最后，由于 AlphaFold 和 AlphaZero 在蛋白质工程和游戏方面具有超人的能力，GPT 2030 也可以，例如，如果它在与 AlphaFold/AlphaZero 模型类似的数据上进行多模式训练。GPT-4 在训练截止后提出的 LeetCode 问题上表现优于人类基线（Bubeck et al. 2023，表 2），并通过了几家主要科技公司的模拟面试（图 1.5）。在更具挑战性的 APPS 数据集上，Parsel 进一步优于 AlphaCode (7.8%-25.5%)。(2023) 使用 GPT-3 构建了一个系统，该系统发现并描述了大型文本数据集中的几种以前未知的模式，以及 Bills 等人中相关任务的扩展趋势。

到2026年，生成式人工智能会在图像、视频和代码辅助上更有用，但距离完全自动生成好莱坞级电影或真正通用智能仍然很远。当前模型的进步很快，扩散模型已经能生成漂亮图片，代码工具也能实际提高开发效率，可它们的弱点集中在结构理解和长期一致性上。视频尤其暴露问题：一只熊的眼睛、船帆或人物位置会在帧间突然变化，因为模型更像是在预测像素序列，而不是稳定地维护物体、空间、动作和时间关系。电影不是一张好图，而是十几万帧都要合理、连贯、服从镜头和叙事。图像模型在构图上也常失败，面对多个物体和明确空间关系时容易漏掉或放错。纹理质量会继续提升，短片和素材生成会变强，动画可能比写实电影更早受益。但从好看到可靠，从单张到长序列，从像素相似到概念理解，是更难的一段路。

AI 内容生成的下一步，是从单一工具走向一种新的基础能力，像数据库、网络协议或超文本一样支撑大量新产品。开源模型、商业 API 和定制训练会并行发展，模型数量和变体会迅速增加，成本下降会让小团队也能训练特定用途模型。个性化将成为核心：模型可以学习一个人的照片、文字、语气、宠物和产品素材，生成替代现实的家庭照、商品图、插图或带有个人声音的草稿。写作软件也可能不再只是上传图片，而是根据上下文自动生成配图提示，并在浏览器端实时渲染。更深层的变化来自持续学习：未来模型不只在训练后静态推理，而是在使用中更新理解。难点是避免新信息覆盖旧知识，但一旦解决，软件会更像长期协作伙伴。

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。

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。