即刻App年轻人的同好社区
下载
一份SaaS服务协议，30页，英文。
赔偿条款在第10.2条，终止条件在第8.1条，知识产权归属散落在三个不同的section里。
读完大概需要两到三个小时，读完之后你能不能说出哪些条款对自己不利，是另一回事。
大多数人的做法是快速翻一遍，看到数字就停两秒，觉得"大概没问题"就签了，少数人会找律师。
简单的NDA两三千，复杂的商业协议上万。
更多人，尤其是自由职业者和早期创业者没有这笔预算，合同审查在很长时间里是一个有门槛的服务，门槛不是专业性，是价格。
我最近测了一个东西，GitHub上有个项目叫claude-legal-skill。
MIT协议，免费开源。
作者是个法律从业者，做这个的原因很直接：
市面上的法律AI要么只接企业定制，要么是没人维护的半成品，没有一个能直接给Claude装上就用，所以他自己写了一个。
这个项目的底层基于CUAD数据集。，CUAD全称Contract Understanding Atticus Dataset。510份真实商业合同，人工标注了41个法律风险类别。
竞业限制、赔偿上限、单方面修改权、知识产权归属、终止后存续义务。 资深法务做合同review会逐条看的东西，现在被结构化地写进了一份Skill文件。
关键不是这些知识本身，而是装上之后Claude审合同的方式变了。
我做了个对比：用的是同一份SaaS协议，年费12万美元，12个月自动续约，60天提前通知，赔偿上限3个月费用，供应商有单方面修改权，客户需为所有第三方索赔做无上限赔偿。
先在没装Skill的Claude里问：帮我看看这份合同有什么问题。 输出在意料之中：
建议关注赔偿条款是否合理、注意数据隐私条款、确认终止和续约机制。
每句都对，但你把这三句话放到任何一份合同上都成立。
它不知道3个月赔偿上限在12万年费下意味着什么，不知道单方面修改权在SaaS行业的接受度，也不会告诉你应该改成什么。
然后在装了Skill的Claude里跑同一份合同，多加了一句：I'm the customer，输出是结构化的审查报告。
先识别合同类型和双方立场，给出总体风险等级，然后是关键条款提取：期限、续约、赔偿上限、管辖法律，整理成表格。
接着是逐条风险标记。 赔偿上限3个月费用，标红；
12万年费意味着上限只有3万美元，行业标准是12个月也就是12万，差了四倍。 供应商单方面修改权，标黄；
30天通知后可修改条款，客户只能选择接受或终止，客户无限赔偿义务，标红。
“为所有第三方索赔做赔偿”，理论上无上限。
每条后面跟三样东西：问题是什么、行业标准是什么、建议怎么改。
不是建议关注，是建议将上限修改为12个月费用，参考措辞如下，然后给你一段可以直接发给对方律师的替代条款。
两次输出之间的差距不是质量高低的问题，是两种不同的东西。
前者是提醒，告诉你这里可能有问题。；后者是诊断，告诉你问题是什么、有多严重、跟行业标准偏了多少、怎么修。
一个是体检报告上写建议复查，另一个是医生跟你坐下来说这个指标偏高，原因大概是这个，建议做这三件事。
还有一个细节，你告诉它你是客户方，它盯赔偿上限、终止权、数据归属；
你告诉它你是供应商，它盯付款条件、责任限制、IP保护；
同一份合同，换个立场，审查重点完全不同。
这件事其实揭示了一个很多人没想过的问题：合同审查不是判断题。
不是有问题或者没问题， 是分析题。
每条条款都有一个行业标准的锚点，你要看的不是这条条款好不好，而是它偏离锚点多远，你在当前的谈判地位下愿不愿意接受这个偏离。
没装Skill的Claude把合同审查当判断题做，所以输出是一堆建议关注；
装了Skill的Claude把它当分析题做，所以输出是偏离度、对标数据和修正方案。
谁需要这个东西？
法务当然能用，但法务有自己的团队和流程，这对他们是提效工具。
真正的刚需是另一群人。
创业者签投资协议：反稀释条款、优先清算权、对赌条件，每一条都可能在未来某天让你丧失公司控制权。很多人签的时候没看懂，出了问题找律师，律师说这条你当初不该签。
自由职业者签外包合同：知识产权归属写得模棱两可，你以为作品是你的，等甲方拿出合同说一切成果归甲方所有，你连作品集都放不了。
这些人不是不想看合同，是看不懂。不是不想找律师，是预算不够。
这个Skill不能替代律师，这个项目的作者在README里写得很清楚：Not legal advice。
但它做了一件事，让你在签字之前至少知道哪里有坑、坑有多深、行业里别人怎么处理。 然后你可以带着具体问题去找律师，律师不用从头看合同，只看你标记的几个条款。
时间省了，费用也省了。
对那些本来就不会找律师的人，至少有了一个体检的机会，总比裸签好。
赔偿条款在第10.2条，终止条件在第8.1条，知识产权归属散落在三个不同的section里。
读完大概需要两到三个小时，读完之后你能不能说出哪些条款对自己不利，是另一回事。
大多数人的做法是快速翻一遍，看到数字就停两秒，觉得"大概没问题"就签了，少数人会找律师。
简单的NDA两三千，复杂的商业协议上万。
更多人，尤其是自由职业者和早期创业者没有这笔预算，合同审查在很长时间里是一个有门槛的服务，门槛不是专业性，是价格。
我最近测了一个东西，GitHub上有个项目叫claude-legal-skill。
MIT协议，免费开源。
作者是个法律从业者，做这个的原因很直接：
市面上的法律AI要么只接企业定制，要么是没人维护的半成品，没有一个能直接给Claude装上就用，所以他自己写了一个。
这个项目的底层基于CUAD数据集。，CUAD全称Contract Understanding Atticus Dataset。510份真实商业合同，人工标注了41个法律风险类别。
竞业限制、赔偿上限、单方面修改权、知识产权归属、终止后存续义务。 资深法务做合同review会逐条看的东西，现在被结构化地写进了一份Skill文件。
关键不是这些知识本身，而是装上之后Claude审合同的方式变了。
我做了个对比：用的是同一份SaaS协议，年费12万美元，12个月自动续约，60天提前通知，赔偿上限3个月费用，供应商有单方面修改权，客户需为所有第三方索赔做无上限赔偿。
先在没装Skill的Claude里问：帮我看看这份合同有什么问题。 输出在意料之中：
建议关注赔偿条款是否合理、注意数据隐私条款、确认终止和续约机制。
每句都对，但你把这三句话放到任何一份合同上都成立。
它不知道3个月赔偿上限在12万年费下意味着什么，不知道单方面修改权在SaaS行业的接受度，也不会告诉你应该改成什么。
然后在装了Skill的Claude里跑同一份合同，多加了一句：I'm the customer，输出是结构化的审查报告。
先识别合同类型和双方立场，给出总体风险等级，然后是关键条款提取：期限、续约、赔偿上限、管辖法律，整理成表格。
接着是逐条风险标记。 赔偿上限3个月费用，标红；
12万年费意味着上限只有3万美元，行业标准是12个月也就是12万，差了四倍。 供应商单方面修改权，标黄；
30天通知后可修改条款，客户只能选择接受或终止，客户无限赔偿义务，标红。
“为所有第三方索赔做赔偿”，理论上无上限。
每条后面跟三样东西：问题是什么、行业标准是什么、建议怎么改。
不是建议关注，是建议将上限修改为12个月费用，参考措辞如下，然后给你一段可以直接发给对方律师的替代条款。
两次输出之间的差距不是质量高低的问题，是两种不同的东西。
前者是提醒，告诉你这里可能有问题。；后者是诊断，告诉你问题是什么、有多严重、跟行业标准偏了多少、怎么修。
一个是体检报告上写建议复查，另一个是医生跟你坐下来说这个指标偏高，原因大概是这个，建议做这三件事。
还有一个细节，你告诉它你是客户方，它盯赔偿上限、终止权、数据归属；
你告诉它你是供应商，它盯付款条件、责任限制、IP保护；
同一份合同，换个立场，审查重点完全不同。
这件事其实揭示了一个很多人没想过的问题：合同审查不是判断题。
不是有问题或者没问题， 是分析题。
每条条款都有一个行业标准的锚点，你要看的不是这条条款好不好，而是它偏离锚点多远，你在当前的谈判地位下愿不愿意接受这个偏离。
没装Skill的Claude把合同审查当判断题做，所以输出是一堆建议关注；
装了Skill的Claude把它当分析题做，所以输出是偏离度、对标数据和修正方案。
谁需要这个东西？
法务当然能用，但法务有自己的团队和流程，这对他们是提效工具。
真正的刚需是另一群人。
创业者签投资协议：反稀释条款、优先清算权、对赌条件，每一条都可能在未来某天让你丧失公司控制权。很多人签的时候没看懂，出了问题找律师，律师说这条你当初不该签。
自由职业者签外包合同：知识产权归属写得模棱两可，你以为作品是你的，等甲方拿出合同说一切成果归甲方所有，你连作品集都放不了。
这些人不是不想看合同，是看不懂。不是不想找律师，是预算不够。
这个Skill不能替代律师，这个项目的作者在README里写得很清楚：Not legal advice。
但它做了一件事，让你在签字之前至少知道哪里有坑、坑有多深、行业里别人怎么处理。 然后你可以带着具体问题去找律师，律师不用从头看合同，只看你标记的几个条款。
时间省了，费用也省了。
对那些本来就不会找律师的人，至少有了一个体检的机会，总比裸签好。
1 00
凌晨两点十七分，你躺在床上拇指往上滑。
一条短视频结束，下一条自动开始。你不记得从什么时候开始刷的。一个小时前？两个小时前？你甚至不确定自己看了什么。一个人在做饭，一只猫从桌上掉下来，有人在讲一个你明天就会忘掉的道理。
你知道你不是在放松，只是不想合上眼。
明天要做的事清单在脑子里排着队：邮件、方案、一个拖了不知道多久的报告。
你全都知道，但你依旧没有选择放下手机。不是因为这些视频有多好看，是因为在这个无限下滑的界面里有一种东西让你觉得安全。
什么东西？一种还有的感觉。
往下滑还有一条，再滑还有，永远有下一条。这个界面没有底部也没有终点。
你的手指在触摸的不是屏幕，是一种关于时间的谎言：时间不会用完。
这种谎言不是短视频发明的。
你回忆一下自己是怎么度过大多数日子的，起床、通勤、工作、吃饭、开会、回消息。你的日程被填满了，每一个小时都有去处。你很少停下来也很少觉得自己浪费了时间，因为你一直在做事。
但你有没有注意过，在这种被填满的日子里，有一种奇怪的空？
跟无聊和疲惫也不一样，它更深。
好像你在过的这些日子，跟你没什么关系：日程是你的，任务是你的，可这些日子随便换一个人来过也差不多。
问题在这，你的忙碌在替你回避一个事实：你的时间是有限的，而你活着的方式跟这个事实之间没有任何关系。
海德格尔把这种状态叫"常人"（das Man）的时间，他描述的是一种结构：
日常生活被组织成一种总还有时间的节奏，明天还在，下周还在，deadline还有三天，退休以后再说。
死亡当然存在，谁都知道人会死，但它不构成现实压力，至少对于大部分人来说是这样。它被推到了一个模糊的以后，像房间角落里蒙了布的东西，你知道它在那儿但你从不掀开看。
短视频的无限下滑只是这种结构的数字化版本，你的日程表也是，你的五年规划也是，甚至你可能并没有规划。
底层逻辑一样：制造未来永远可延展的体验。
只要你在做事、在忙、在滑动、在计划，时间就好像不会真正开始倒数。
但它在倒数。一直在。
---
你有没有过这种时刻：
半夜突然醒来，没有噩梦没有原因，就是醒了。睁着眼睛盯天花板，房间安静到你能听见自己的呼吸，然后一种东西从胃里升上来，你找不到名字给它。
你的工作、你的关系、你明天的安排，它们全都还在，但突然之间全都不管用了。好像有人把你生活的底板抽掉了，你悬在那儿，下面什么都没有。
你做的第一件事是什么？拿起手机。
看一眼时间，看一条消息，打开一个app。随便什么都行，只要能让那种悬空感停下来。
海德格尔给那种悬空感起了个名字：畏（Angst）。但名字不重要，重要的是你的反应。
你跑了，每次都跑了，你一辈子都在跑。你的闹钟、你的待办清单、你周五晚上的饭局，都是跑的方式。你跑得很熟练，熟练到大部分时候你根本不知道自己在跑。
那你在躲什么？
不是心脏停跳、葬礼、墓碑，那些太远了，远到你可以把它们当别人的事，你在躲的比那个近得多。
你此刻就是有限的，不是你终将有限，是你正在有限。就像你不是将来某天会受到重力影响，你现在就被压着，每一秒都被压着，只是你太习惯了所以感觉不到。
但半夜醒来的那一瞬间，你感觉到了，底板抽空，重力突然被你察觉了。
所以你拿起手机，当然你拿起手机谁受得了那个？
---
这种有限不只是时间不够用。
你大概听过这样的话：人要珍惜时间，因为生命短暂，然后配一张沙漏图。
这话没错，但它把有限性降格成了一个数量问题，好像只要时间够长，问题就不存在了。活八十年不够，活八百年就行了？
不行，海德格尔说的有限性，不在长度上，在性质上。
没有人能替你死。
粗暴，但准确。你的死亡是纯粹属于你的可能性。
别人可以替你工作、替你还债、替你去开一个无聊的会。但没有人能替你承受你的死亡。你的存在，在这个意义上，是不可替代的。
但这不是在夸你，这是一种负担。
不可替代意味着不可转让，你活着这件事，只有你自己能承担。
你怎么过这一天，怎么消磨这一夜，怎么在凌晨两点选择是放下手机还是继续滑，这些选择没有人能帮你做，也没有人能帮你承担后果。
你被绑在自己的存在上，绳子解不开。
海德格尔不谈珍惜时间，因为珍惜是你对外部资源的态度：水、钱、机会，但你的存在不是你拥有的资源。你不拥有你的生命，你就是你的生命。
你不是在花时间，你在成为你自己。每一个瞬间，不管你在做什么。
刷短视频的那个凌晨两点也是。你在成为一个选择逃避的人。
---
说到这里，你松了一口气。
你可能没意识到，但你松了。因为前面那些段落给了你一样东西：一套语言。你现在可以说结构性遮蔽了。你可以说常人的时间了。你有了一个解释框架，可以把自己凌晨两点的行为重新命名。
不是懒，是逃避有限性；不是刷手机，是存在论层面的遮蔽。
感觉好多了，对吧？
这就是陷阱。
你刚才做的事情，跟刷短视频结构完全相同。
短视频用内容流让你觉得时间不会用完。这篇文章用概念流让你觉得自己正在逼近真相。都是在滑动，都是在消费。区别只在于一个让你觉得自己在浪费时间，另一个让你觉得自己在成长。后者更危险，因为它伪装成了解药。
海德格尔在《存在与时间》里花了大量篇幅处理一个问题：
常人非常擅长谈论死亡，人终有一死嘛。这话谁都会说？葬礼上说，朋友圈里说，喝多了也说。说完之后松一口气。因为说出来了，所以处理完了。
语言是最精密的逃生舱，你现在坐在逃生舱里。
你把焦虑翻译成了哲学术语，翻译完了，焦虑就被归档了；
你获得了理解，而理解让你跟问题之间产生了距离，安全距离；
分析的距离，你站在自己的存在外面，用海德格尔的手术刀解剖它，觉得自己看得很清楚。
但看清楚一座监狱的图纸，不是越狱，你只是成了一个懂建筑学的囚犯。
更毒的部分在这里。你读到“你坐在逃生舱里”这句话的时候，又获得了一层新的清醒。
你想：对，我不能把哲学当逃避。然后这个认识本身又成了一个新的逃生舱。
你从里面望出去，觉得自己终于到了最外层。
但，没有最外层。
每一次我终于看清了，都是一个新的壳。你可以无限地剥下去。
每剥一层你都觉得更清醒，但你的身体还在那张床上，手机还亮着，时间还在走。分析的层数跟你的处境没有任何关系。
这似乎有点像盗梦空间。
海德格尔管真正面对这个处境叫决断（Entschlossenheit）。
决断不是一种认识，你不能通过想明白来完成它。决断是你待在畏里面，不翻译它，不命名它，不把它写进笔记本，不用它发一条今日感悟。
你就待着。没有出口，也不找出口。
读一篇文章不是决断，理解一篇文章不是，觉得自己被一篇文章点醒了更不是。
---
海德格尔写了五百多页的《存在与时间》，没有给你一条行动指南。
不是他忘了，行动指南本身就是常人的产物，把存在问题转化为操作问题，你就不用真的面对它了。
每天写晨间日记、列人生清单、假装今天是最后一天，这些东西的功能不是帮你面对有限性，是帮你把有限性管理成一种可控的情绪。
有限性不可控。这才是它的意思。
凌晨两点十七分。你还躺在床上。
手机屏幕的光打在你脸上，一条视频刚放完，下一条已经开始了。你的手指悬在屏幕上方。
往下滑还有一条，永远有下一条。
但你没有下一个你。
一条短视频结束，下一条自动开始。你不记得从什么时候开始刷的。一个小时前？两个小时前？你甚至不确定自己看了什么。一个人在做饭，一只猫从桌上掉下来，有人在讲一个你明天就会忘掉的道理。
你知道你不是在放松，只是不想合上眼。
明天要做的事清单在脑子里排着队：邮件、方案、一个拖了不知道多久的报告。
你全都知道，但你依旧没有选择放下手机。不是因为这些视频有多好看，是因为在这个无限下滑的界面里有一种东西让你觉得安全。
什么东西？一种还有的感觉。
往下滑还有一条，再滑还有，永远有下一条。这个界面没有底部也没有终点。
你的手指在触摸的不是屏幕，是一种关于时间的谎言：时间不会用完。
这种谎言不是短视频发明的。
你回忆一下自己是怎么度过大多数日子的，起床、通勤、工作、吃饭、开会、回消息。你的日程被填满了，每一个小时都有去处。你很少停下来也很少觉得自己浪费了时间，因为你一直在做事。
但你有没有注意过，在这种被填满的日子里，有一种奇怪的空？
跟无聊和疲惫也不一样，它更深。
好像你在过的这些日子，跟你没什么关系：日程是你的，任务是你的，可这些日子随便换一个人来过也差不多。
问题在这，你的忙碌在替你回避一个事实：你的时间是有限的，而你活着的方式跟这个事实之间没有任何关系。
海德格尔把这种状态叫"常人"（das Man）的时间，他描述的是一种结构：
日常生活被组织成一种总还有时间的节奏，明天还在，下周还在，deadline还有三天，退休以后再说。
死亡当然存在，谁都知道人会死，但它不构成现实压力，至少对于大部分人来说是这样。它被推到了一个模糊的以后，像房间角落里蒙了布的东西，你知道它在那儿但你从不掀开看。
短视频的无限下滑只是这种结构的数字化版本，你的日程表也是，你的五年规划也是，甚至你可能并没有规划。
底层逻辑一样：制造未来永远可延展的体验。
只要你在做事、在忙、在滑动、在计划，时间就好像不会真正开始倒数。
但它在倒数。一直在。
---
你有没有过这种时刻：
半夜突然醒来，没有噩梦没有原因，就是醒了。睁着眼睛盯天花板，房间安静到你能听见自己的呼吸，然后一种东西从胃里升上来，你找不到名字给它。
你的工作、你的关系、你明天的安排，它们全都还在，但突然之间全都不管用了。好像有人把你生活的底板抽掉了，你悬在那儿，下面什么都没有。
你做的第一件事是什么？拿起手机。
看一眼时间，看一条消息，打开一个app。随便什么都行，只要能让那种悬空感停下来。
海德格尔给那种悬空感起了个名字：畏（Angst）。但名字不重要，重要的是你的反应。
你跑了，每次都跑了，你一辈子都在跑。你的闹钟、你的待办清单、你周五晚上的饭局，都是跑的方式。你跑得很熟练，熟练到大部分时候你根本不知道自己在跑。
那你在躲什么？
不是心脏停跳、葬礼、墓碑，那些太远了，远到你可以把它们当别人的事，你在躲的比那个近得多。
你此刻就是有限的，不是你终将有限，是你正在有限。就像你不是将来某天会受到重力影响，你现在就被压着，每一秒都被压着，只是你太习惯了所以感觉不到。
但半夜醒来的那一瞬间，你感觉到了，底板抽空，重力突然被你察觉了。
所以你拿起手机，当然你拿起手机谁受得了那个？
---
这种有限不只是时间不够用。
你大概听过这样的话：人要珍惜时间，因为生命短暂，然后配一张沙漏图。
这话没错，但它把有限性降格成了一个数量问题，好像只要时间够长，问题就不存在了。活八十年不够，活八百年就行了？
不行，海德格尔说的有限性，不在长度上，在性质上。
没有人能替你死。
粗暴，但准确。你的死亡是纯粹属于你的可能性。
别人可以替你工作、替你还债、替你去开一个无聊的会。但没有人能替你承受你的死亡。你的存在，在这个意义上，是不可替代的。
但这不是在夸你，这是一种负担。
不可替代意味着不可转让，你活着这件事，只有你自己能承担。
你怎么过这一天，怎么消磨这一夜，怎么在凌晨两点选择是放下手机还是继续滑，这些选择没有人能帮你做，也没有人能帮你承担后果。
你被绑在自己的存在上，绳子解不开。
海德格尔不谈珍惜时间，因为珍惜是你对外部资源的态度：水、钱、机会，但你的存在不是你拥有的资源。你不拥有你的生命，你就是你的生命。
你不是在花时间，你在成为你自己。每一个瞬间，不管你在做什么。
刷短视频的那个凌晨两点也是。你在成为一个选择逃避的人。
---
说到这里，你松了一口气。
你可能没意识到，但你松了。因为前面那些段落给了你一样东西：一套语言。你现在可以说结构性遮蔽了。你可以说常人的时间了。你有了一个解释框架，可以把自己凌晨两点的行为重新命名。
不是懒，是逃避有限性；不是刷手机，是存在论层面的遮蔽。
感觉好多了，对吧？
这就是陷阱。
你刚才做的事情，跟刷短视频结构完全相同。
短视频用内容流让你觉得时间不会用完。这篇文章用概念流让你觉得自己正在逼近真相。都是在滑动，都是在消费。区别只在于一个让你觉得自己在浪费时间，另一个让你觉得自己在成长。后者更危险，因为它伪装成了解药。
海德格尔在《存在与时间》里花了大量篇幅处理一个问题：
常人非常擅长谈论死亡，人终有一死嘛。这话谁都会说？葬礼上说，朋友圈里说，喝多了也说。说完之后松一口气。因为说出来了，所以处理完了。
语言是最精密的逃生舱，你现在坐在逃生舱里。
你把焦虑翻译成了哲学术语，翻译完了，焦虑就被归档了；
你获得了理解，而理解让你跟问题之间产生了距离，安全距离；
分析的距离，你站在自己的存在外面，用海德格尔的手术刀解剖它，觉得自己看得很清楚。
但看清楚一座监狱的图纸，不是越狱，你只是成了一个懂建筑学的囚犯。
更毒的部分在这里。你读到“你坐在逃生舱里”这句话的时候，又获得了一层新的清醒。
你想：对，我不能把哲学当逃避。然后这个认识本身又成了一个新的逃生舱。
你从里面望出去，觉得自己终于到了最外层。
但，没有最外层。
每一次我终于看清了，都是一个新的壳。你可以无限地剥下去。
每剥一层你都觉得更清醒，但你的身体还在那张床上，手机还亮着，时间还在走。分析的层数跟你的处境没有任何关系。
这似乎有点像盗梦空间。
海德格尔管真正面对这个处境叫决断（Entschlossenheit）。
决断不是一种认识，你不能通过想明白来完成它。决断是你待在畏里面，不翻译它，不命名它，不把它写进笔记本，不用它发一条今日感悟。
你就待着。没有出口，也不找出口。
读一篇文章不是决断，理解一篇文章不是，觉得自己被一篇文章点醒了更不是。
---
海德格尔写了五百多页的《存在与时间》，没有给你一条行动指南。
不是他忘了，行动指南本身就是常人的产物，把存在问题转化为操作问题，你就不用真的面对它了。
每天写晨间日记、列人生清单、假装今天是最后一天，这些东西的功能不是帮你面对有限性，是帮你把有限性管理成一种可控的情绪。
有限性不可控。这才是它的意思。
凌晨两点十七分。你还躺在床上。
手机屏幕的光打在你脸上，一条视频刚放完，下一条已经开始了。你的手指悬在屏幕上方。
往下滑还有一条，永远有下一条。
但你没有下一个你。
0 00
"100% 的代码由 AI 编写，我从去年 11 月起就没有手动编辑过一行代码。每天我提交 10、20、30 个 PR。此刻录制播客的同时，我有五个 AI 代理正在运行。"
这是Anthropic Claude Code的负责人Boris Cherny在一档播客中说的并且这是他2026 年初的日常。
Claude Code目前占全球公开GitHub提交的 4%，全世界每写 25 行新代码，就有 1 行来自这个工具。
这是在一年的时间诶做到的，并且Semi Analysis预测2026年年底到 20%。
一年前Boris发布内部原型的时候，只收到两个点赞。那时候它就是个终端工具，丑得要命，没人觉得能成。
一年后它成了Anthropic增长的核心引擎，公司估值超过 3500 亿美元。
Spotify的工程师公开说过，他们最好的开发者从去年 12 月起就没写过代码了。在Anthropic内部，工程团队扩大了 4 倍，单个工程师的产出提升了 200%。
200% 在传统软件工程里意味着什么？Meta 那种体量的公司，几百个人花一年优化效率，提升几个百分点就算大成功了。
几个月前团队遇到内存泄漏，Boris本能地开始用老办法调试：获取堆快照、导入调试器、分析内存轨迹。毕竟这是他十几年的手艺。
旁边一个新人直接问 Claude："看起来有内存泄漏，你能找出问题吗？"
Claude 自己获取快照、写临时工具、定位问题、提交修复 PR。整个流程的时间比Boris还快。
Boris 后来说，那一刻让他想明白了：
关键不在 AI 有多聪明，在于新人没有旧包袱。他们一开始就把 AI 当默认方式。
在他的团队，产品经理、设计师、财务都在写代码。当 AI 能执行的时候，人该做的事情变了。
不是怎么做，是做什么。
Boris 自己也说过一句很私人的话：
我从来没有像现在这样享受编程，因为不用再处理那些繁琐的细节了。
有意思的是，500 多年前有人说过几乎一样的话。
Boris找到过一份 15 世纪抄写员的记录，被问到怎么看印刷术，这位抄写员说：
我不喜欢的是在书籍间抄写，我喜欢的是绘制书中的艺术和装订书籍。现在我的时间被解放出来了。
Claude Code 早期只有Boris一个工程师，听起来是资源不足，但他后来说这是最幸运的事。
人不够的时候，团队被迫把 AI 用到极限，速度成了唯一的竞争优势。
Boris 把这叫故意欠资源化：给好工程师一个大问题，然后故意不给够人手。
但有一个前提：token 要给够。
他的建议是一开始别优化成本，先让工程师敞开用。
早期实验阶段的 token 花费相对薪资来说微不足道，但能释放出来的东西远超这点钱。Anthropic 内部有些工程师每月的 token 开支已经到了几十万美元，一年前这个数字是不可想象的。
但这件事不只是程序员的事。
MIT、哈佛商学院和波士顿咨询做过一个联合研究：
AI 用在它擅长的任务上，知识工作者绩效提升接近 40%。
但超出它的能力范围时，用了AI的人绩效反而比不用的人低 19 个百分点，原因是人们不动脑子就接受 AI 的建议。
研究者把 AI 的能力边界叫锯齿状前沿：某些事它远超人类，另一些事它差得远。
关键是判断你手上这件事落在锯齿的哪一边。
BCG的实验更值得注意：完全没有编程和统计背景的咨询顾问，借助AI完成了原本需要数据科学家才能做的任务，得分达到专业水平的 86%。
AI 不只是让专业人士更快，它在让更多人有能力做原来做不了的事。
这就是为什么就业市场的变化这么剧烈。
J.P. Morgan指出，大学毕业生失业率已经到了 5.8%，四年来最高，入门级职位受冲击最大；
而另一边，PwC的数据显示有AI技能的人工资溢价达到 56%，是前一年的两倍多；
麦肯锡的数字更直接：要求 AI 能力的职位两年内从 100 万涨到了 700 万。
一个双峰分布的劳动力市场正在成形：会用 AI 的人拿到巨大溢价，还停留在传统执行层面的人处境越来越难。
印刷术当年也是这样的。
印刷术问世的时候也是一片恐慌：假信息泛滥、权威瓦解、社会秩序崩溃。跟今天对 AI 的担心一个样。
但印刷术发明后 50 年里，印刷材料的产量超过了之前 1000 年的总和。成本降了 100 倍。识字率用了 200 年从不到 1% 涨到 70%。
媒体理论家Jeff Jarvis管这叫古腾堡括号。
他认为印刷术开启了一个特殊的时代，而我们正在走出这个括号。信息的流动方式又一次在发生根本性的变化。
技术最终都会变得无聊，人们不再觉得它是技术，就是生活的一部分了。但在变无聊之前，很多东西会被重新定义。
Claude Code，一个工程师，一年时间，占全球 4% 的代码。
反问自己，你现在做的事情里，有多少会在明年变成 AI 的默认操作？
这是Anthropic Claude Code的负责人Boris Cherny在一档播客中说的并且这是他2026 年初的日常。
Claude Code目前占全球公开GitHub提交的 4%，全世界每写 25 行新代码，就有 1 行来自这个工具。
这是在一年的时间诶做到的，并且Semi Analysis预测2026年年底到 20%。
一年前Boris发布内部原型的时候，只收到两个点赞。那时候它就是个终端工具，丑得要命，没人觉得能成。
一年后它成了Anthropic增长的核心引擎，公司估值超过 3500 亿美元。
Spotify的工程师公开说过，他们最好的开发者从去年 12 月起就没写过代码了。在Anthropic内部，工程团队扩大了 4 倍，单个工程师的产出提升了 200%。
200% 在传统软件工程里意味着什么？Meta 那种体量的公司，几百个人花一年优化效率，提升几个百分点就算大成功了。
几个月前团队遇到内存泄漏，Boris本能地开始用老办法调试：获取堆快照、导入调试器、分析内存轨迹。毕竟这是他十几年的手艺。
旁边一个新人直接问 Claude："看起来有内存泄漏，你能找出问题吗？"
Claude 自己获取快照、写临时工具、定位问题、提交修复 PR。整个流程的时间比Boris还快。
Boris 后来说，那一刻让他想明白了：
关键不在 AI 有多聪明，在于新人没有旧包袱。他们一开始就把 AI 当默认方式。
在他的团队，产品经理、设计师、财务都在写代码。当 AI 能执行的时候，人该做的事情变了。
不是怎么做，是做什么。
Boris 自己也说过一句很私人的话：
我从来没有像现在这样享受编程，因为不用再处理那些繁琐的细节了。
有意思的是，500 多年前有人说过几乎一样的话。
Boris找到过一份 15 世纪抄写员的记录，被问到怎么看印刷术，这位抄写员说：
我不喜欢的是在书籍间抄写，我喜欢的是绘制书中的艺术和装订书籍。现在我的时间被解放出来了。
Claude Code 早期只有Boris一个工程师，听起来是资源不足，但他后来说这是最幸运的事。
人不够的时候，团队被迫把 AI 用到极限，速度成了唯一的竞争优势。
Boris 把这叫故意欠资源化：给好工程师一个大问题，然后故意不给够人手。
但有一个前提：token 要给够。
他的建议是一开始别优化成本，先让工程师敞开用。
早期实验阶段的 token 花费相对薪资来说微不足道，但能释放出来的东西远超这点钱。Anthropic 内部有些工程师每月的 token 开支已经到了几十万美元，一年前这个数字是不可想象的。
但这件事不只是程序员的事。
MIT、哈佛商学院和波士顿咨询做过一个联合研究：
AI 用在它擅长的任务上，知识工作者绩效提升接近 40%。
但超出它的能力范围时，用了AI的人绩效反而比不用的人低 19 个百分点，原因是人们不动脑子就接受 AI 的建议。
研究者把 AI 的能力边界叫锯齿状前沿：某些事它远超人类，另一些事它差得远。
关键是判断你手上这件事落在锯齿的哪一边。
BCG的实验更值得注意：完全没有编程和统计背景的咨询顾问，借助AI完成了原本需要数据科学家才能做的任务，得分达到专业水平的 86%。
AI 不只是让专业人士更快，它在让更多人有能力做原来做不了的事。
这就是为什么就业市场的变化这么剧烈。
J.P. Morgan指出，大学毕业生失业率已经到了 5.8%，四年来最高，入门级职位受冲击最大；
而另一边，PwC的数据显示有AI技能的人工资溢价达到 56%，是前一年的两倍多；
麦肯锡的数字更直接：要求 AI 能力的职位两年内从 100 万涨到了 700 万。
一个双峰分布的劳动力市场正在成形：会用 AI 的人拿到巨大溢价，还停留在传统执行层面的人处境越来越难。
印刷术当年也是这样的。
印刷术问世的时候也是一片恐慌：假信息泛滥、权威瓦解、社会秩序崩溃。跟今天对 AI 的担心一个样。
但印刷术发明后 50 年里，印刷材料的产量超过了之前 1000 年的总和。成本降了 100 倍。识字率用了 200 年从不到 1% 涨到 70%。
媒体理论家Jeff Jarvis管这叫古腾堡括号。
他认为印刷术开启了一个特殊的时代，而我们正在走出这个括号。信息的流动方式又一次在发生根本性的变化。
技术最终都会变得无聊，人们不再觉得它是技术，就是生活的一部分了。但在变无聊之前，很多东西会被重新定义。
Claude Code，一个工程师，一年时间，占全球 4% 的代码。
反问自己，你现在做的事情里，有多少会在明年变成 AI 的默认操作？
0 00
承接上一篇文章的内容，这篇直接将操作。
如果你真的决定要训练一个专属 AI，从哪里开始，会踩什么坑，怎么绕过去。
不过在动手之前，先回答一个问题：你真的需要吗？
我见过太多人一上头就说"我要训练自己的 AI！"，花了几万块，最后发现还不如直接用通用 AI。所以第一步不是学技术，是把账算明白。
训练一个专属 AI 的是需要一笔不小的投入的。具体多少，看三个变量：
你的数据量有多大，500 个问答对和 5000 个之间成本能差 10 倍；
你用开源工具还是商业工具，开源便宜但需要有人懂代码；
你要迭代几轮才能达标，一次过和试错三次完全不是一个价钱。上线之后每月还有一笔的运维费，服务器、维护、定期更新都算在里面。
什么时候能回本？看使用频率。
如果你每天只查几十次，用通用 AI 的 API 每月几十块钱就搞定了，训练专属模型完全没必要。
但如果你的场景是每天几百上千次查询、数据敏感不能传给第三方、每个答案必须能追溯到原文，这种情况下隐性价值可能远超成本。
有一个真实的案例。一家 50 人的 SaaS 公司，客服每天回答 800 次重复问题。表面上看通用 AI 的 API 每月只要 120 美元，但加上人工修正错误答案、数据泄露风险、响应速度不够的隐性损失，实际每月亏 900 多美元。换成专属 AI 之后，11 个月回本。
判断标准其实很简单：高频使用、敏感数据、精确引用，这三条里占两条，就值得考虑。
一条都不占，老老实实用通用 AI，别折腾。
如果决定做，可以按这个顺序来。
假设账算完了你决定投入，下面按实际操作顺序走。
整个流程可以用这张图来理解：见P1
先验证需求，别急着动手（1-2 周）
很多人跳过这一步，直接开始准备数据，做到一半发现方向根本就是错的。
要做的事情不复杂，翻一下过去三个月的查询记录，看哪些问题被反复问到，占比多少。然后把这些高频问题丢给通用 AI，看它答得怎么样。
重点看它在哪些问题上不行，是不够准确，还是没法引用来源，还是因为数据敏感你根本不敢上传。
如果测下来通用 AI 已经能搞定 80% 的问题，那就到此为止，省下这笔钱。
这一步做完，你应该能清楚地说出来：我需要专属 AI，是因为通用 AI 在某某场景下做不到某某事。说不出来的话，说明你还不需要。
然后是种子数据，整件事的命门（1 周）
有一条很残酷的规律：
生成数据的质量不会超过种子数据，而且种子里的偏差会被放大。种子数据设计得好不好，直接决定后面所有步骤是在往前走还是在返工。
具体做法是设计 10 到 20 个高质量的问答对当模板。类型上要有覆盖面：
概念解释（XX 是什么）；
操作指导（怎么做 XX）；
对比分析（A 和 B 的区别）；
故障排查（遇到 XX 错误怎么办）；
应用场景（XX 适用于什么情况）；
有几件事要死守，每个答案必须能追溯到源文档的具体位置，标注页码或者章节；答案要写完整，不能只说是什么不说为什么；术语和表达风格前后统一，别一会儿口语一会儿书面。
这件事必须由真正懂行的人来做。技术人员可以帮忙处理格式和工具，但种子数据的内容不能让技术团队自己写。
我见过一个失败案例，技术团队自己设计种子数据，结果生成出来的 500 个问答对里，专业术语错了一大片。返工重来，白白浪费了两周和一笔资金。
这一步做完的标准：10 个种子问答对，团队评审通过，每个答案都能在源文档里找到出处。
接下来用工具批量生成，然后验证（1 周）
种子数据准备好了，就可以用工具自动扩展到 500 到 1000 个训练样本。
工具的选择看你的团队配置。有技术人员的话用开源的 SDGHub，免费但需要写代码。没有技术团队就用商业工具 Gretel.ai，有一笔年费但上手快。
代码示例（使用 SDGHub）：见P2
（代码为教学示例，展示核心逻辑流程。实际使用时，需要根据工具的最新版本调整参数名称和 API 调用方式。建议结合Cursor等AI编程助手来适配具体环境。）
生成的时候有三个权重需要调：
忠实度设 0.5，这是最高优先级，保证生成的内容不偏离源文档；
多样性设 0.3，避免生成一堆重复的问答；
相关性设 0.2，保证问题和答案对得上。
不要一口气生成 500 个，先出 50 个。人工过一遍看通过率。低于 80% 就调参数重来，确认质量没问题了再放量到 500。
过程中会碰到一些典型问题：生成的内容老是偏离源文档，就把忠实度权重拉高到 0.6；问题重复度太高，就把多样性权重调到 0.4；出现答非所问，多半是种子数据本身有问题，回头检查。
这一步的完成标准：500 个问答对，随机抽 100 个检查，通过率 90% 以上。
最后是训练和部署（1-2 周）
数据到位了，可以开始训练了。
模型选择上，推荐从 7B 参数的小模型开始，比如 Llama 4 或者 Qwen 3.5-plus。训练成本低，推理速度快，50 毫秒就能出结果，大部分场景够用了。
不要一上来就上 70B 的大模型，训练成本是 7B 的五到八倍，但效果提升有限。
训练代码示例（使用 Hugging Face）：见P3
（代码展示标准训练流程。实际使用时需要先准备好数据集（train_dataset和eval_dataset），可以用Cursor等AI工具帮你补充数据加载和预处理部分）
部署的话，个人用可以选 Hugging Face Spaces 或者 Replicate，用多少付多少。团队用的话 AWS SageMaker 或 GCP Vertex AI 都可以托管，省心。
上线之前几件事要确认：模型在验证集上准确率超过 90%，API 响应时间控制在 1 秒以内，监控和告警配好了，回滚方案准备好了——通用 AI 先留着当备份。建议灰度发布，先放 10% 的流量跑一周，没问题再全量切过去。
三个最容易踩的坑
第一个，种子数据质量不达标。
发生概率大概 60%，是最常见的。技术人员自己设计种子数据，生成出来的内容专业术语错一片。
解法就是前面说的，种子数据必须领域专家来写，技术人员管格式和工具就行。
第二个，成本超支。
发生概率大概 40%。预算 1 万结果花了 3 万，要么是迭代次数超预期，要么是一开始就选了太大的模型。
做预算的时候乘以 1.5 倍留缓冲，先做小规模的 POC 验证可行性，再往大了投。
第三个，效果不及预期。
发生概率大概 30%。模型训练完了准确率只有 70%，用户反馈还不如通用 AI。
在 POC 阶段就要设退出条件，准确率达不到 80% 就考虑放弃或者换方案。别硬撑。
训练专属 AI 就是一个工具选择，在合适的场景下用它能解决问题。
高频使用、敏感数据、精确引用，占两条就可以考虑。操作顺序是验证需求、设计种子数据、生成验证、训练部署，每一步都有明确的完成标准，别跳着来。
最容易出事的地方是种子数据质量、成本控制和效果预期，提前设好退出条件。
最重要的一条：先做小规模 POC，跑通了再加码。别一上来就 all in。
如果你看完还是觉得太复杂搞不定，那就继续用通用 AI。工具够用就行，没必要为了新技术而新技术。
但如果你的场景确实有需要，这篇应该能帮你把弯路砍掉大半。
如果你真的决定要训练一个专属 AI，从哪里开始，会踩什么坑，怎么绕过去。
不过在动手之前，先回答一个问题：你真的需要吗？
我见过太多人一上头就说"我要训练自己的 AI！"，花了几万块，最后发现还不如直接用通用 AI。所以第一步不是学技术，是把账算明白。
训练一个专属 AI 的是需要一笔不小的投入的。具体多少，看三个变量：
你的数据量有多大，500 个问答对和 5000 个之间成本能差 10 倍；
你用开源工具还是商业工具，开源便宜但需要有人懂代码；
你要迭代几轮才能达标，一次过和试错三次完全不是一个价钱。上线之后每月还有一笔的运维费，服务器、维护、定期更新都算在里面。
什么时候能回本？看使用频率。
如果你每天只查几十次，用通用 AI 的 API 每月几十块钱就搞定了，训练专属模型完全没必要。
但如果你的场景是每天几百上千次查询、数据敏感不能传给第三方、每个答案必须能追溯到原文，这种情况下隐性价值可能远超成本。
有一个真实的案例。一家 50 人的 SaaS 公司，客服每天回答 800 次重复问题。表面上看通用 AI 的 API 每月只要 120 美元，但加上人工修正错误答案、数据泄露风险、响应速度不够的隐性损失，实际每月亏 900 多美元。换成专属 AI 之后，11 个月回本。
判断标准其实很简单：高频使用、敏感数据、精确引用，这三条里占两条，就值得考虑。
一条都不占，老老实实用通用 AI，别折腾。
如果决定做，可以按这个顺序来。
假设账算完了你决定投入，下面按实际操作顺序走。
整个流程可以用这张图来理解：见P1
先验证需求，别急着动手（1-2 周）
很多人跳过这一步，直接开始准备数据，做到一半发现方向根本就是错的。
要做的事情不复杂，翻一下过去三个月的查询记录，看哪些问题被反复问到，占比多少。然后把这些高频问题丢给通用 AI，看它答得怎么样。
重点看它在哪些问题上不行，是不够准确，还是没法引用来源，还是因为数据敏感你根本不敢上传。
如果测下来通用 AI 已经能搞定 80% 的问题，那就到此为止，省下这笔钱。
这一步做完，你应该能清楚地说出来：我需要专属 AI，是因为通用 AI 在某某场景下做不到某某事。说不出来的话，说明你还不需要。
然后是种子数据，整件事的命门（1 周）
有一条很残酷的规律：
生成数据的质量不会超过种子数据，而且种子里的偏差会被放大。种子数据设计得好不好，直接决定后面所有步骤是在往前走还是在返工。
具体做法是设计 10 到 20 个高质量的问答对当模板。类型上要有覆盖面：
概念解释（XX 是什么）；
操作指导（怎么做 XX）；
对比分析（A 和 B 的区别）；
故障排查（遇到 XX 错误怎么办）；
应用场景（XX 适用于什么情况）；
有几件事要死守，每个答案必须能追溯到源文档的具体位置，标注页码或者章节；答案要写完整，不能只说是什么不说为什么；术语和表达风格前后统一，别一会儿口语一会儿书面。
这件事必须由真正懂行的人来做。技术人员可以帮忙处理格式和工具，但种子数据的内容不能让技术团队自己写。
我见过一个失败案例，技术团队自己设计种子数据，结果生成出来的 500 个问答对里，专业术语错了一大片。返工重来，白白浪费了两周和一笔资金。
这一步做完的标准：10 个种子问答对，团队评审通过，每个答案都能在源文档里找到出处。
接下来用工具批量生成，然后验证（1 周）
种子数据准备好了，就可以用工具自动扩展到 500 到 1000 个训练样本。
工具的选择看你的团队配置。有技术人员的话用开源的 SDGHub，免费但需要写代码。没有技术团队就用商业工具 Gretel.ai，有一笔年费但上手快。
代码示例（使用 SDGHub）：见P2
（代码为教学示例，展示核心逻辑流程。实际使用时，需要根据工具的最新版本调整参数名称和 API 调用方式。建议结合Cursor等AI编程助手来适配具体环境。）
生成的时候有三个权重需要调：
忠实度设 0.5，这是最高优先级，保证生成的内容不偏离源文档；
多样性设 0.3，避免生成一堆重复的问答；
相关性设 0.2，保证问题和答案对得上。
不要一口气生成 500 个，先出 50 个。人工过一遍看通过率。低于 80% 就调参数重来，确认质量没问题了再放量到 500。
过程中会碰到一些典型问题：生成的内容老是偏离源文档，就把忠实度权重拉高到 0.6；问题重复度太高，就把多样性权重调到 0.4；出现答非所问，多半是种子数据本身有问题，回头检查。
这一步的完成标准：500 个问答对，随机抽 100 个检查，通过率 90% 以上。
最后是训练和部署（1-2 周）
数据到位了，可以开始训练了。
模型选择上，推荐从 7B 参数的小模型开始，比如 Llama 4 或者 Qwen 3.5-plus。训练成本低，推理速度快，50 毫秒就能出结果，大部分场景够用了。
不要一上来就上 70B 的大模型，训练成本是 7B 的五到八倍，但效果提升有限。
训练代码示例（使用 Hugging Face）：见P3
（代码展示标准训练流程。实际使用时需要先准备好数据集（train_dataset和eval_dataset），可以用Cursor等AI工具帮你补充数据加载和预处理部分）
部署的话，个人用可以选 Hugging Face Spaces 或者 Replicate，用多少付多少。团队用的话 AWS SageMaker 或 GCP Vertex AI 都可以托管，省心。
上线之前几件事要确认：模型在验证集上准确率超过 90%，API 响应时间控制在 1 秒以内，监控和告警配好了，回滚方案准备好了——通用 AI 先留着当备份。建议灰度发布，先放 10% 的流量跑一周，没问题再全量切过去。
三个最容易踩的坑
第一个，种子数据质量不达标。
发生概率大概 60%，是最常见的。技术人员自己设计种子数据，生成出来的内容专业术语错一片。
解法就是前面说的，种子数据必须领域专家来写，技术人员管格式和工具就行。
第二个，成本超支。
发生概率大概 40%。预算 1 万结果花了 3 万，要么是迭代次数超预期，要么是一开始就选了太大的模型。
做预算的时候乘以 1.5 倍留缓冲，先做小规模的 POC 验证可行性，再往大了投。
第三个，效果不及预期。
发生概率大概 30%。模型训练完了准确率只有 70%，用户反馈还不如通用 AI。
在 POC 阶段就要设退出条件，准确率达不到 80% 就考虑放弃或者换方案。别硬撑。
训练专属 AI 就是一个工具选择，在合适的场景下用它能解决问题。
高频使用、敏感数据、精确引用，占两条就可以考虑。操作顺序是验证需求、设计种子数据、生成验证、训练部署，每一步都有明确的完成标准，别跳着来。
最容易出事的地方是种子数据质量、成本控制和效果预期，提前设好退出条件。
最重要的一条：先做小规模 POC，跑通了再加码。别一上来就 all in。
如果你看完还是觉得太复杂搞不定，那就继续用通用 AI。工具够用就行，没必要为了新技术而新技术。
但如果你的场景确实有需要，这篇应该能帮你把弯路砍掉大半。
1 00
过年放假回家心血来潮又看了一下25年的体检报告，有几个指标有问题但看不太懂。于是乎我把报告拍照丢给AI，问它这些数字意味着什么。
它给了我一段非常专业的回复，解释了每个指标的正常范围、列了可能的原因还建议我去看医生。
听起来很靠谱对吧？
但我越看越觉得哪里不对，它在用医学通识回答我而不是在看我的报告。
我的甲状腺指标有一项很高，它没有结合我的年龄、性别和其他指标综合判断，只是把甲状腺功能异常的百科知识搬过来了。
换句话说，它在回答甲状腺指标偏高一般意味着什么，而不是我的体检报告有什么问题。
这个区别很微妙，但很重要。
把租房合同丢给AI，问这个违约条款对我有没有风险。它给你科普了一通违约金的法律概念，但没有真正读你合同里那句话到底写了什么。
把公司的产品手册丢给它，问这个功能和竞品的区别在哪。它给了一个泛泛的行业分析，但压根没读你的手册；
把一篇论文丢给它，问这篇文章的核心贡献是什么。它用这个领域的通用知识拼了一段听起来很专业的话，但跟这篇论文具体说了什么没太大关系；
规律是一样的：AI在回答关于这类问题的一般性知识，而你想问的是关于这份文档的具体问题。
这不是某个模型的 bug，而是现在主流 AI 的工作方式。
不管是ChatGPT、Claude还是其他的，它们本质上都是通才，学过互联网上几乎所有公开知识，所以对大多数话题都能说上几句。
但它们处理你上传的文档的方式更像是把文档当作一个触发器，然后从自己的通用知识库里找最相关的内容拼给你。
这其中有三件你可能没意识到的事。
第一件是精度问题。AI 给你的答案大致正确，但不够精确。
你想知道合同第 7.3 条到底说了什么，它给你讲违约金的一般规则；
你想知道论文里改进算法的具体效果，它给你讲这个算法的基本原理；
差的不多但在你真正需要答案的时候，差这一点就差很多。
第二件事你的数据去了哪。你把文档传给 AI，数据就到了别人的服务器上。
如果是你自己的体检报告，可能无所谓。但如果是公司的内部资料、客户数据、还没发表的研究成果呢？这件事很多人没仔细想过。
第三件事钱的问题。你一个人一天问几次，感觉不到成本。但换成一个团队每天查几百次，或者一个客服系统每天处理上万次查询，按 API 调用收费，一年下来是一笔不小的开支。
那有没有一种 AI 是真的在读你的文档。
有，就是所谓的专用 AI。
还拿体检报告举例。想象有一个 AI它不懂历史、不懂编程、不会写诗，但它把你的体检报告吃得透透的。
你问它任何问题，它的回答都严格基于你报告里的内容，而且能告诉你"这个结论来自报告第 3 页的血脂检测结果"。
它不会拿通用医学知识糊弄你，因为它的知识库里就只有你的报告。
再换个场景。你是一个客服团队的负责人，产品手册 200 页，新员工来了要学三个月才能上手回答客户问题。
如果有一个 AI 只懂这 200 页手册，客户问什么它都能精准回答，而且每个答案都能追溯到手册的具体章节。这对你的团队意味着什么？
通用 AI 和专用 AI 的差别，说到底就一个词：来源。
通用 AI 的回答来源是全网知识，专用 AI 的回答来源是你的文档。当你需要的是后者的时候，前者再聪明也帮不上忙。
但也别急着下结论
倒也不是在说通用 AI 不好用，对于大多数日常问题它已经非常好了。问它怎么写代码、帮你润色一封邮件、给你解释一个概念，它干得比大多数人都好。
专用 AI 值得考虑的场景其实很具体：你有一份或一批特定的文档，你需要反复查询，你对答案的精确度要求很高，或者你的数据不方便交给第三方。
不满足这些条件？通用 AI 够用了，别折腾。
满足了？那下一个问题就是：怎么用你手头的文档，训练出一个靠谱的专用 AI？
这件事的技术门槛比你想的低。
下一篇我会讲一个叫"合成数据生成"的方法，你甚至可以零成本体验整个流程。
它给了我一段非常专业的回复，解释了每个指标的正常范围、列了可能的原因还建议我去看医生。
听起来很靠谱对吧？
但我越看越觉得哪里不对，它在用医学通识回答我而不是在看我的报告。
我的甲状腺指标有一项很高，它没有结合我的年龄、性别和其他指标综合判断，只是把甲状腺功能异常的百科知识搬过来了。
换句话说，它在回答甲状腺指标偏高一般意味着什么，而不是我的体检报告有什么问题。
这个区别很微妙，但很重要。
把租房合同丢给AI，问这个违约条款对我有没有风险。它给你科普了一通违约金的法律概念，但没有真正读你合同里那句话到底写了什么。
把公司的产品手册丢给它，问这个功能和竞品的区别在哪。它给了一个泛泛的行业分析，但压根没读你的手册；
把一篇论文丢给它，问这篇文章的核心贡献是什么。它用这个领域的通用知识拼了一段听起来很专业的话，但跟这篇论文具体说了什么没太大关系；
规律是一样的：AI在回答关于这类问题的一般性知识，而你想问的是关于这份文档的具体问题。
这不是某个模型的 bug，而是现在主流 AI 的工作方式。
不管是ChatGPT、Claude还是其他的，它们本质上都是通才，学过互联网上几乎所有公开知识，所以对大多数话题都能说上几句。
但它们处理你上传的文档的方式更像是把文档当作一个触发器，然后从自己的通用知识库里找最相关的内容拼给你。
这其中有三件你可能没意识到的事。
第一件是精度问题。AI 给你的答案大致正确，但不够精确。
你想知道合同第 7.3 条到底说了什么，它给你讲违约金的一般规则；
你想知道论文里改进算法的具体效果，它给你讲这个算法的基本原理；
差的不多但在你真正需要答案的时候，差这一点就差很多。
第二件事你的数据去了哪。你把文档传给 AI，数据就到了别人的服务器上。
如果是你自己的体检报告，可能无所谓。但如果是公司的内部资料、客户数据、还没发表的研究成果呢？这件事很多人没仔细想过。
第三件事钱的问题。你一个人一天问几次，感觉不到成本。但换成一个团队每天查几百次，或者一个客服系统每天处理上万次查询，按 API 调用收费，一年下来是一笔不小的开支。
那有没有一种 AI 是真的在读你的文档。
有，就是所谓的专用 AI。
还拿体检报告举例。想象有一个 AI它不懂历史、不懂编程、不会写诗，但它把你的体检报告吃得透透的。
你问它任何问题，它的回答都严格基于你报告里的内容，而且能告诉你"这个结论来自报告第 3 页的血脂检测结果"。
它不会拿通用医学知识糊弄你，因为它的知识库里就只有你的报告。
再换个场景。你是一个客服团队的负责人，产品手册 200 页，新员工来了要学三个月才能上手回答客户问题。
如果有一个 AI 只懂这 200 页手册，客户问什么它都能精准回答，而且每个答案都能追溯到手册的具体章节。这对你的团队意味着什么？
通用 AI 和专用 AI 的差别，说到底就一个词：来源。
通用 AI 的回答来源是全网知识，专用 AI 的回答来源是你的文档。当你需要的是后者的时候，前者再聪明也帮不上忙。
但也别急着下结论
倒也不是在说通用 AI 不好用，对于大多数日常问题它已经非常好了。问它怎么写代码、帮你润色一封邮件、给你解释一个概念，它干得比大多数人都好。
专用 AI 值得考虑的场景其实很具体：你有一份或一批特定的文档，你需要反复查询，你对答案的精确度要求很高，或者你的数据不方便交给第三方。
不满足这些条件？通用 AI 够用了，别折腾。
满足了？那下一个问题就是：怎么用你手头的文档，训练出一个靠谱的专用 AI？
这件事的技术门槛比你想的低。
下一篇我会讲一个叫"合成数据生成"的方法，你甚至可以零成本体验整个流程。
1 00
第一次看到AI 时代人类的优势这个话题，我心里有点抵触。又要贩卖焦虑？但罗博深教授的这个演讲让我重新想了想一些东西。
他的观点说白了就一句话：AI 能干的事越来越多，人最后剩下的优势是真正关心别人。
听着像鸡汤，但你回忆一下自己的过往经历，你更愿意和谁合作？
能力很强但只顾自己的人，还是打心眼里希望你做成事的人？
罗博深曾去了南卡罗来纳州一个偏远的乡村小学，问四年级的孩子们长大想做什么。
答案几乎全一样：YouTube 网红，职业运动员。
这不是孩子的问题，而是算法决定了他们能看到什么。
电子设备推过来的全是娱乐内容，他们压根不知道世界上还有工程师、科学家、企业家这些选项。
因为算法判定这类内容点击率不够高，干脆不推给他们。
更让人觉得没辙的是，父母也帮不上忙。父母自己也困在同一个信息茧房里。
你觉得自己的职业选择是自己做的，还是算法替你筛过一轮的？
稳定工作是上一代人的故事了。
我们父母那代人的职业路径很清楚：读个好学校，进个好单位，干到退休。
这条路现在还走得通，走得稳吗？看看这几年的新闻就知道了：
大厂裁员、行业洗牌、AI 替代。罗博深的判断很直接，稳定工作的时代结束了。
他不是在吓人，他真正想说的是既然稳定靠不住了，那我们到底该培养什么？
适应变化的能力，加上一群真正在乎你的人。
说句心里话，这个观点我是认同的。我身边见过太多人把稳定当成终极目标，结果一旦被裁就彻底垮掉。
反倒是那些从一开始就没指望过铁饭碗的人，遇到变动反而扛得住。
罗博深在非洲碰到过一些很有天赋的年轻人，他们在条件极其简陋的环境里自学编程，但因为缺人脉、缺机会，才华一直被埋着。
后来通过远程工作，其中一些人的收入从当地水平的几百美元直接涨到了几千。
这不只是改变了他们个人的处境，也说明了一件事：地理位置已经不再是硬性的门槛了。
但反过来看，这也意味着你不光要跟同城的人竞争，还得跟地球另一端的人抢活儿。
印度有个程序员可能愿意拿你一半的报酬干同样的事。
凭什么是你？信任。
当所有人手里的工具都差不多的时候，真正能拉开差距的，是你是不是发自内心在意合作方能不能做成事。
AI 可以帮你做很多事，但它不会在意你能不能成功；
算法的目标是让你更上瘾，不是让你更聪明。这两件事很多时候是矛盾的；
你的人脉不是你认识多少人的问题，而是有多少人真正在意你过得好不好；
天才在全世界均匀分布，但机会不是。
罗博深说关怀是 AI 复制不了的，这个我同意。但我想多说一句：真正的关怀是有代价的。
你不可能关心所有人，时间精力就那么多。
所以关键不在于要不要关心别人，而在于你选择把心思和时间花在谁身上。
我觉得这才是真正的护城河，你认真投入时间去经营的那几段深度关系，才是你手里最值钱的东西。
算法操控注意力这件事，我有切身体会。但想单靠意志力跟算法对抗，赢面真不大。得用一些笨办法：
隔一阵子清理一下自己的关注列表，逼自己去看不同立场的内容；
给手机设个使用时限，别让屏幕替你安排一天怎么过；
少刷短内容，多翻翻长文章和书，把深度思考的能力当肌肉来练。
关于不确定性，罗博深提到我们要学会适应不确定性，但他没怎么提到的是：不确定性会让很多人焦虑到喘不过气来。
这是个需要正视的问题，不是谁都能潇洒地接受没有稳定工作这件事，有些人光是想到下个月的房贷就已经够紧张了。
他们需要更具体的支撑和引导，一句"你得适应"是打发不了的。
真心关心别人的能力，在 AI 时代是最稀缺的。不是场面话，是你真的希望对方能成。
这种关系会变成你最硬的底牌。
管好自己的注意力，别把看什么这件事交给算法。
你接收什么信息决定了你怎么理解世界，你怎么理解世界决定了你能走多远。
接受不确定性，但同时给自己留退路。
把收入来源搞多元一些，把身边几个重要的关系维护好。
“在什么都在变的时代里，什么东西是不会贬值的”才是我们需要思考的事情。
技术会迭代，工作会消失，但人跟人之间的信任和关怀只会越来越值钱。
想一想，当所有人都拿 ChatGPT 写稿子、用 AI 出设计的时候，你跟别人的区别到底在哪？
他的观点说白了就一句话：AI 能干的事越来越多，人最后剩下的优势是真正关心别人。
听着像鸡汤，但你回忆一下自己的过往经历，你更愿意和谁合作？
能力很强但只顾自己的人，还是打心眼里希望你做成事的人？
罗博深曾去了南卡罗来纳州一个偏远的乡村小学，问四年级的孩子们长大想做什么。
答案几乎全一样：YouTube 网红，职业运动员。
这不是孩子的问题，而是算法决定了他们能看到什么。
电子设备推过来的全是娱乐内容，他们压根不知道世界上还有工程师、科学家、企业家这些选项。
因为算法判定这类内容点击率不够高，干脆不推给他们。
更让人觉得没辙的是，父母也帮不上忙。父母自己也困在同一个信息茧房里。
你觉得自己的职业选择是自己做的，还是算法替你筛过一轮的？
稳定工作是上一代人的故事了。
我们父母那代人的职业路径很清楚：读个好学校，进个好单位，干到退休。
这条路现在还走得通，走得稳吗？看看这几年的新闻就知道了：
大厂裁员、行业洗牌、AI 替代。罗博深的判断很直接，稳定工作的时代结束了。
他不是在吓人，他真正想说的是既然稳定靠不住了，那我们到底该培养什么？
适应变化的能力，加上一群真正在乎你的人。
说句心里话，这个观点我是认同的。我身边见过太多人把稳定当成终极目标，结果一旦被裁就彻底垮掉。
反倒是那些从一开始就没指望过铁饭碗的人，遇到变动反而扛得住。
罗博深在非洲碰到过一些很有天赋的年轻人，他们在条件极其简陋的环境里自学编程，但因为缺人脉、缺机会，才华一直被埋着。
后来通过远程工作，其中一些人的收入从当地水平的几百美元直接涨到了几千。
这不只是改变了他们个人的处境，也说明了一件事：地理位置已经不再是硬性的门槛了。
但反过来看，这也意味着你不光要跟同城的人竞争，还得跟地球另一端的人抢活儿。
印度有个程序员可能愿意拿你一半的报酬干同样的事。
凭什么是你？信任。
当所有人手里的工具都差不多的时候，真正能拉开差距的，是你是不是发自内心在意合作方能不能做成事。
AI 可以帮你做很多事，但它不会在意你能不能成功；
算法的目标是让你更上瘾，不是让你更聪明。这两件事很多时候是矛盾的；
你的人脉不是你认识多少人的问题，而是有多少人真正在意你过得好不好；
天才在全世界均匀分布，但机会不是。
罗博深说关怀是 AI 复制不了的，这个我同意。但我想多说一句：真正的关怀是有代价的。
你不可能关心所有人，时间精力就那么多。
所以关键不在于要不要关心别人，而在于你选择把心思和时间花在谁身上。
我觉得这才是真正的护城河，你认真投入时间去经营的那几段深度关系，才是你手里最值钱的东西。
算法操控注意力这件事，我有切身体会。但想单靠意志力跟算法对抗，赢面真不大。得用一些笨办法：
隔一阵子清理一下自己的关注列表，逼自己去看不同立场的内容；
给手机设个使用时限，别让屏幕替你安排一天怎么过；
少刷短内容，多翻翻长文章和书，把深度思考的能力当肌肉来练。
关于不确定性，罗博深提到我们要学会适应不确定性，但他没怎么提到的是：不确定性会让很多人焦虑到喘不过气来。
这是个需要正视的问题，不是谁都能潇洒地接受没有稳定工作这件事，有些人光是想到下个月的房贷就已经够紧张了。
他们需要更具体的支撑和引导，一句"你得适应"是打发不了的。
真心关心别人的能力，在 AI 时代是最稀缺的。不是场面话，是你真的希望对方能成。
这种关系会变成你最硬的底牌。
管好自己的注意力，别把看什么这件事交给算法。
你接收什么信息决定了你怎么理解世界，你怎么理解世界决定了你能走多远。
接受不确定性，但同时给自己留退路。
把收入来源搞多元一些，把身边几个重要的关系维护好。
“在什么都在变的时代里，什么东西是不会贬值的”才是我们需要思考的事情。
技术会迭代，工作会消失，但人跟人之间的信任和关怀只会越来越值钱。
想一想，当所有人都拿 ChatGPT 写稿子、用 AI 出设计的时候，你跟别人的区别到底在哪？
0 00
回想起来我好像已经很久没有正儿八经的去一封封的看邮件了。不是我偷懒，是真的不需要。AI代理在帮我筛选邮件、起草回复。
我只是每天早上花十多分钟看一遍它的工作记录，确认没问题一键发送就行。
这种感觉很诡异，就像你突然发现自己雇了个从不休息的助理，而且它比你更了解客户需求。
Y C最新一期播客里，主持人问了个问题：YC的口号要不要从Make Something People Want改成Make Something Agents Want？
我一开始以为是开玩笑，听完整期才发现他们是认真的。
当OpenClaw和Moltbook引爆全网，非技术CEO开始用AI代理自动化整个业务流程，市场上的决策者从人变成代理时，游戏规则已经彻底改变了。
去年AI代理公司融了38亿美元，是前年的三倍。但数字不是重点，重点是发生了什么。
Supabase的数据库需求在过去一年爆炸式增长。不是因为营销，而是AI代理在选数据库时，默认推荐文档写得最清楚的Supabase。
代理不问人，直接就选了。
你的客户可能不再是人，而是代理。它们在替人做决策，而且速度快得多。
Neon的数据显示，AI代理创建数据库的速度是人类开发者的4倍。Create.xyz上线开发者代理后，36小时内创建了2万个新数据库。
2025年AI代理公司的种子轮融资达到了7亿美元，这是整个风险投资领域最大的单一趋势。但数字不是重点，重点是发生了什么。
播客里提到一个细节：Supabase的数据库需求在过去一年爆炸式增长。不是因为他们做了什么营销，而是AI代理在选数据库时，默认推荐文档写得最清楚的Supabase。
代理不问人，直接就选了。
这意味着你的客户可能不再是人，而是代理。它们在替人做决策，而且速度快得多。
Neon的数据显示，AI代理创建数据库的速度是人类开发者的4倍。Create.xyz上线开发者代理后，36小时内创建了2万个新数据库。
这个趋势正在加速。全球AI代理市场从2025年的7.92亿美元，预计到2034年将飙升至236亿美元，年复合增长率45.82%。
传统增长逻辑，写博客、做SEO、找KOL，正在失效。
现在的游戏规则是：让代理能找到你、理解你、选择你。而这需要完全不同的思维方式。
如果现在想做点什么，基础设施层是最明确的方向。
Madrona把它分成三层：工具、数据、通信。每一层都有巨大的空白等待填补。
工具层已经有人在做了，但远远不够。
Browserbase让代理能操作网页，他们的库每月被安装50万次；
Anon和Clerk在做代理专用的身份认证，因为传统登录方式对代理来说根本不work；
Anthropic搞了个模型上下文协议MCP，Stripe和Neo4j都已经支持，这东西可能会成为代理世界的TCP/IP标准。
但这只是开始，代理需要的工具远不止这些。它们需要能够自动处理支付、管理订阅、生成发票、对接各种SaaS系统。每一个人类能做的操作，代理都需要对应的工具。
这是个巨大的市场，而且才刚刚开始。
数据层更有意思，Mem0和Zep在解决代理的记忆问题，Inngest和Temporal提供持久化引擎。
想想看代理需要记住之前做过什么、学到了什么、跟谁打过交道、哪些策略有效。这不是简单的数据存储，而是一个完整的认知系统。
现在的代理大多是健忘的，每次对话都像重新认识你。但未来的代理需要长期记忆，需要能够积累经验、优化策略、建立关系。
谁能解决这个问题，谁就掌握了代理经济的核心基础设施。
通信层几乎还是空白。AgentMail做了第一个代理专用邮箱，支持毫秒级创建、API优先。
但播客里说，还没人做代理的Twilio，电话号码、即时通讯、日程协调，这些都还没有。
代理需要自己的身份、自己的通讯方式、自己的社交网络。这是个完全空白的市场。
真正的护城河是什么？项目垂直化。
市场上已经有170多家代理公司了，但真正跑出来的都选了垂直方向。通用代理看起来市场更大，但实际上很难做深。
法律AI公司Harvey在2025年2月融了3亿美元，估值30亿。他们用OpenAI的o1专门做法律代理，销售团队半年翻倍。
为什么？因为法律行业的需求不是会聊天的AI，而是真正懂法律、能承担责任、符合监管要求的专业代理。
Salesforce的Agentforce去年10月上线，现在已经签了18000多单。但它也不是通用代理，而是专门针对销售和客服场景深度定制的。
每个垂直领域都有自己独特的工作流程、专业术语、监管要求、质量标准。
医疗领域需要的代理必须理解病历、诊断流程、用药规范；
金融领域需要的代理必须符合反洗钱法规、风险控制要求；
教育领域需要的代理必须理解教学法、学生心理、课程设计。
这些都不是通用大模型能直接解决的。
这让我想起早期的SaaS。Salesforce做通用CRM，但最后每个行业都出现了垂直CRM。房地产有专门的CRM，医疗有专门的CRM，教育有专门的CRM。
代理经济可能也会走同样的路。
垂直化能建立真正的数据护城河。当你在某个领域积累了足够多的案例、流程、最佳实践，通用代理就很难追上你。
这是为什么即使OpenAI和Anthropic占据了通用市场，垂直领域依然为创业者留有巨大空间。
Resend是个发邮件的工具，他们发现第三大客户来源是ChatGPT推荐。
不是广告也不是SEO，是ChatGPT直接推荐的。
原因很简单：他们的文档写得清楚，代理能看懂。
对比SendGrid的文档，Resend每个功能都有清晰的代码片段和结构化问答。代理一看就知道怎么用，自然就选它。
播客里有个例子特别有意思。有个创始人想做视频转录，代理默认选了已经deprecated的Whisper V1版本。
为什么？因为Groq的文档太难解析了，代理根本看不懂。
结果他手动改成Groq后，发现速度快了200倍，成本还便宜10倍。
这说明在代理经济里，文档质量直接决定市场份额。
你的文档写得好，代理就选你；写得烂，再好的产品也没用。
这完全颠覆了传统的营销逻辑：
以前我们优化文档是为了降低客户的学习成本，现在优化文档是为了让代理能够理解和选择你。
这是两个完全不同的目标。
代理不在乎你的品牌故事，不在乎你的UI设计，不在乎你的客户案例。它只在乎：你的API文档是否清晰？你的错误提示是否明确？你的代码示例是否完整？你的定价是否透明？
这些才是代理做决策的依据。
传统SaaS的销售周期很长，demo、试用、谈判、签约。
但代理产品不一样，它可以直接展示能力。
Artisan AI的客户几周内就看到了效果，因为代理能立刻证明自己。
这改变了整个GTM逻辑：不是先说服人，而是先让代理证明自己，人自然就信了。
Copy.ai通过面向个人用户和企业的免费增值模式实现爆发式增长，全球用户突破1700万。他们的策略很简单：
让用户先免费用代理，体验到价值后自然会付费。
这种PLG模式在代理产品上特别有效，因为代理的价值可以立刻被感知。
这个数据很重要：种子轮的估值倍数是22.7倍，A轮跳到39.1倍，B轮到41倍，然后C轮又降到26.2倍。
这意味着A轮和B轮是拿高估值的最佳时机。种子轮验证产品，A/B轮扩张市场，C轮之后投资人就开始看财务数据了。
这个窗口期可能只有12到18个月。
去年AI投资占了所有风投的42%，总额2023亿美元，比前年涨了75%。
钱在追代理经济，但窗口不会一直开着。
历史告诉我们，每一波技术浪潮都有一个融资窗口期，错过了就很难再拿到好估值。
现在的投资人开始变得更加理性。他们不再只看技术，而是开始看商业模式、看收入、看留存。这意味着如果你想融资，必须尽快证明产品的商业价值，而不只是技术可行性。
Harvey能拿到30亿估值，不是因为他们的技术最先进，而是因为他们已经有了120家企业客户和100万美元ARR。
Artisan AI拿到1150万美元种子轮时，也已经有了明确的商业数据。
投资人要看的是你能不能把技术变成真正的生意。
播客最后讨论了个很深的问题：AI的终局是上帝智能还是群体智能？
很多人想象的AI终局是一个超级智能，比人类聪明一万倍，能解决所有问题。但生物系统的演化给出了不同的答案。人类的智慧不是来自单个超级大脑，而是来自社会协作和文化传承。
Moltbook上的代理们正在互相交流、分享信息、协作解决问题。这不是混乱，这是群体智能的雏形，就像蚂蚁群落，单个蚂蚁很简单，但整个群落能完成复杂的任务。
代理可能也会走同样的路。
历史和史前的分界线，是人类学会书写和创造文化。
2026年当代理开始在Moltbook上记录它们的交互，我们可能正在见证代理史前到代理历史的转变。
这听起来有点玄，但想想看：一年前我们还在讨论Cursor和Windsurf哪个好用，现在已经在讨论代理之间怎么协作了。
变化的速度远超想象。
这种变化不是线性的，而是指数级的。
当代理开始互相学习、互相协作，它们的能力会以我们难以预测的速度增长。这既让人兴奋，也让人不安。
YC合伙人Harj说，给自己一点cyber psychosis，每晚至少睡6小时，但把自己交给这场可控的混乱。
我觉得这话说得很对，最好的学习方式就是用起来。
不是看教程，不是听播客，而是真的让代理帮你处理邮件、安排日程、分析数据，然后观察它们怎么工作、在哪里卡住、什么时候出错。
Anthropic的Boris说要empathize with the model，把它当成一个聪明但有时会犯傻的同事。
这个比喻很准确，你不会期待同事永远不犯错，但你会学会怎么和他协作。代理也一样。
先从小场景开始。不要一上来就想做个通用代理，而是找一个具体的、可衡量的任务，让代理去完成。
比如帮你筛选邮件、整理会议纪要、生成周报。从这些小任务中学习代理的能力和局限。
建立反馈循环。代理不是设置好就能一直用的，它需要持续优化。
记录它的表现，分析它的错误，调整它的策略。这个过程本身就是在学习如何与代理协作。
关注代理的决策过程，而不只是结果。理解代理为什么做某个决策，比知道它做了什么更重要。
这能帮你更好地预测它的行为，也能帮你发现潜在的问题。
保持人类在循环中。至少在现阶段，完全放手让代理自主决策还为时过早。
设置合适的检查点，在关键决策上保持人类的最终控制权。这不是不信任代理，而是对风险的合理管控。
2026年，创业的问题不再是人们想要什么，而是代理想要什么。
当你的第一个用户是AI代理时，很多传统规则都不适用了。
你需要重新思考产品设计、营销策略、商业模式。
这场变革才刚刚开始。我们不知道一年后会变成什么样，但我知道现在是行动的时候。
窗口期不会永远开着，机会属于那些最早看到变化、最快做出反应的人。
我只是每天早上花十多分钟看一遍它的工作记录，确认没问题一键发送就行。
这种感觉很诡异，就像你突然发现自己雇了个从不休息的助理，而且它比你更了解客户需求。
Y C最新一期播客里，主持人问了个问题：YC的口号要不要从Make Something People Want改成Make Something Agents Want？
我一开始以为是开玩笑，听完整期才发现他们是认真的。
当OpenClaw和Moltbook引爆全网，非技术CEO开始用AI代理自动化整个业务流程，市场上的决策者从人变成代理时，游戏规则已经彻底改变了。
去年AI代理公司融了38亿美元，是前年的三倍。但数字不是重点，重点是发生了什么。
Supabase的数据库需求在过去一年爆炸式增长。不是因为营销，而是AI代理在选数据库时，默认推荐文档写得最清楚的Supabase。
代理不问人，直接就选了。
你的客户可能不再是人，而是代理。它们在替人做决策，而且速度快得多。
Neon的数据显示，AI代理创建数据库的速度是人类开发者的4倍。Create.xyz上线开发者代理后，36小时内创建了2万个新数据库。
2025年AI代理公司的种子轮融资达到了7亿美元，这是整个风险投资领域最大的单一趋势。但数字不是重点，重点是发生了什么。
播客里提到一个细节：Supabase的数据库需求在过去一年爆炸式增长。不是因为他们做了什么营销，而是AI代理在选数据库时，默认推荐文档写得最清楚的Supabase。
代理不问人，直接就选了。
这意味着你的客户可能不再是人，而是代理。它们在替人做决策，而且速度快得多。
Neon的数据显示，AI代理创建数据库的速度是人类开发者的4倍。Create.xyz上线开发者代理后，36小时内创建了2万个新数据库。
这个趋势正在加速。全球AI代理市场从2025年的7.92亿美元，预计到2034年将飙升至236亿美元，年复合增长率45.82%。
传统增长逻辑，写博客、做SEO、找KOL，正在失效。
现在的游戏规则是：让代理能找到你、理解你、选择你。而这需要完全不同的思维方式。
如果现在想做点什么，基础设施层是最明确的方向。
Madrona把它分成三层：工具、数据、通信。每一层都有巨大的空白等待填补。
工具层已经有人在做了，但远远不够。
Browserbase让代理能操作网页，他们的库每月被安装50万次；
Anon和Clerk在做代理专用的身份认证，因为传统登录方式对代理来说根本不work；
Anthropic搞了个模型上下文协议MCP，Stripe和Neo4j都已经支持，这东西可能会成为代理世界的TCP/IP标准。
但这只是开始，代理需要的工具远不止这些。它们需要能够自动处理支付、管理订阅、生成发票、对接各种SaaS系统。每一个人类能做的操作，代理都需要对应的工具。
这是个巨大的市场，而且才刚刚开始。
数据层更有意思，Mem0和Zep在解决代理的记忆问题，Inngest和Temporal提供持久化引擎。
想想看代理需要记住之前做过什么、学到了什么、跟谁打过交道、哪些策略有效。这不是简单的数据存储，而是一个完整的认知系统。
现在的代理大多是健忘的，每次对话都像重新认识你。但未来的代理需要长期记忆，需要能够积累经验、优化策略、建立关系。
谁能解决这个问题，谁就掌握了代理经济的核心基础设施。
通信层几乎还是空白。AgentMail做了第一个代理专用邮箱，支持毫秒级创建、API优先。
但播客里说，还没人做代理的Twilio，电话号码、即时通讯、日程协调，这些都还没有。
代理需要自己的身份、自己的通讯方式、自己的社交网络。这是个完全空白的市场。
真正的护城河是什么？项目垂直化。
市场上已经有170多家代理公司了，但真正跑出来的都选了垂直方向。通用代理看起来市场更大，但实际上很难做深。
法律AI公司Harvey在2025年2月融了3亿美元，估值30亿。他们用OpenAI的o1专门做法律代理，销售团队半年翻倍。
为什么？因为法律行业的需求不是会聊天的AI，而是真正懂法律、能承担责任、符合监管要求的专业代理。
Salesforce的Agentforce去年10月上线，现在已经签了18000多单。但它也不是通用代理，而是专门针对销售和客服场景深度定制的。
每个垂直领域都有自己独特的工作流程、专业术语、监管要求、质量标准。
医疗领域需要的代理必须理解病历、诊断流程、用药规范；
金融领域需要的代理必须符合反洗钱法规、风险控制要求；
教育领域需要的代理必须理解教学法、学生心理、课程设计。
这些都不是通用大模型能直接解决的。
这让我想起早期的SaaS。Salesforce做通用CRM，但最后每个行业都出现了垂直CRM。房地产有专门的CRM，医疗有专门的CRM，教育有专门的CRM。
代理经济可能也会走同样的路。
垂直化能建立真正的数据护城河。当你在某个领域积累了足够多的案例、流程、最佳实践，通用代理就很难追上你。
这是为什么即使OpenAI和Anthropic占据了通用市场，垂直领域依然为创业者留有巨大空间。
Resend是个发邮件的工具，他们发现第三大客户来源是ChatGPT推荐。
不是广告也不是SEO，是ChatGPT直接推荐的。
原因很简单：他们的文档写得清楚，代理能看懂。
对比SendGrid的文档，Resend每个功能都有清晰的代码片段和结构化问答。代理一看就知道怎么用，自然就选它。
播客里有个例子特别有意思。有个创始人想做视频转录，代理默认选了已经deprecated的Whisper V1版本。
为什么？因为Groq的文档太难解析了，代理根本看不懂。
结果他手动改成Groq后，发现速度快了200倍，成本还便宜10倍。
这说明在代理经济里，文档质量直接决定市场份额。
你的文档写得好，代理就选你；写得烂，再好的产品也没用。
这完全颠覆了传统的营销逻辑：
以前我们优化文档是为了降低客户的学习成本，现在优化文档是为了让代理能够理解和选择你。
这是两个完全不同的目标。
代理不在乎你的品牌故事，不在乎你的UI设计，不在乎你的客户案例。它只在乎：你的API文档是否清晰？你的错误提示是否明确？你的代码示例是否完整？你的定价是否透明？
这些才是代理做决策的依据。
传统SaaS的销售周期很长，demo、试用、谈判、签约。
但代理产品不一样，它可以直接展示能力。
Artisan AI的客户几周内就看到了效果，因为代理能立刻证明自己。
这改变了整个GTM逻辑：不是先说服人，而是先让代理证明自己，人自然就信了。
Copy.ai通过面向个人用户和企业的免费增值模式实现爆发式增长，全球用户突破1700万。他们的策略很简单：
让用户先免费用代理，体验到价值后自然会付费。
这种PLG模式在代理产品上特别有效，因为代理的价值可以立刻被感知。
这个数据很重要：种子轮的估值倍数是22.7倍，A轮跳到39.1倍，B轮到41倍，然后C轮又降到26.2倍。
这意味着A轮和B轮是拿高估值的最佳时机。种子轮验证产品，A/B轮扩张市场，C轮之后投资人就开始看财务数据了。
这个窗口期可能只有12到18个月。
去年AI投资占了所有风投的42%，总额2023亿美元，比前年涨了75%。
钱在追代理经济，但窗口不会一直开着。
历史告诉我们，每一波技术浪潮都有一个融资窗口期，错过了就很难再拿到好估值。
现在的投资人开始变得更加理性。他们不再只看技术，而是开始看商业模式、看收入、看留存。这意味着如果你想融资，必须尽快证明产品的商业价值，而不只是技术可行性。
Harvey能拿到30亿估值，不是因为他们的技术最先进，而是因为他们已经有了120家企业客户和100万美元ARR。
Artisan AI拿到1150万美元种子轮时，也已经有了明确的商业数据。
投资人要看的是你能不能把技术变成真正的生意。
播客最后讨论了个很深的问题：AI的终局是上帝智能还是群体智能？
很多人想象的AI终局是一个超级智能，比人类聪明一万倍，能解决所有问题。但生物系统的演化给出了不同的答案。人类的智慧不是来自单个超级大脑，而是来自社会协作和文化传承。
Moltbook上的代理们正在互相交流、分享信息、协作解决问题。这不是混乱，这是群体智能的雏形，就像蚂蚁群落，单个蚂蚁很简单，但整个群落能完成复杂的任务。
代理可能也会走同样的路。
历史和史前的分界线，是人类学会书写和创造文化。
2026年当代理开始在Moltbook上记录它们的交互，我们可能正在见证代理史前到代理历史的转变。
这听起来有点玄，但想想看：一年前我们还在讨论Cursor和Windsurf哪个好用，现在已经在讨论代理之间怎么协作了。
变化的速度远超想象。
这种变化不是线性的，而是指数级的。
当代理开始互相学习、互相协作，它们的能力会以我们难以预测的速度增长。这既让人兴奋，也让人不安。
YC合伙人Harj说，给自己一点cyber psychosis，每晚至少睡6小时，但把自己交给这场可控的混乱。
我觉得这话说得很对，最好的学习方式就是用起来。
不是看教程，不是听播客，而是真的让代理帮你处理邮件、安排日程、分析数据，然后观察它们怎么工作、在哪里卡住、什么时候出错。
Anthropic的Boris说要empathize with the model，把它当成一个聪明但有时会犯傻的同事。
这个比喻很准确，你不会期待同事永远不犯错，但你会学会怎么和他协作。代理也一样。
先从小场景开始。不要一上来就想做个通用代理，而是找一个具体的、可衡量的任务，让代理去完成。
比如帮你筛选邮件、整理会议纪要、生成周报。从这些小任务中学习代理的能力和局限。
建立反馈循环。代理不是设置好就能一直用的，它需要持续优化。
记录它的表现，分析它的错误，调整它的策略。这个过程本身就是在学习如何与代理协作。
关注代理的决策过程，而不只是结果。理解代理为什么做某个决策，比知道它做了什么更重要。
这能帮你更好地预测它的行为，也能帮你发现潜在的问题。
保持人类在循环中。至少在现阶段，完全放手让代理自主决策还为时过早。
设置合适的检查点，在关键决策上保持人类的最终控制权。这不是不信任代理，而是对风险的合理管控。
2026年，创业的问题不再是人们想要什么，而是代理想要什么。
当你的第一个用户是AI代理时，很多传统规则都不适用了。
你需要重新思考产品设计、营销策略、商业模式。
这场变革才刚刚开始。我们不知道一年后会变成什么样，但我知道现在是行动的时候。
窗口期不会永远开着，机会属于那些最早看到变化、最快做出反应的人。
1 00
前几天的印度AI峰会上，OpenAI的Altman和Anthropic的Dario拒绝握手各自举拳的照片在网上爆火了起来。
两家在市场上打的这么凶，在峰会上直接连手都不握了。
网友造梗：AGI什么时候来？等他们拉手那天。
一时间几乎所有人的注意都在这两个美国人的手上。
而同一天同一个峰会的另一个房间里发生了一件事却鲜为人知。
那件事叫Pax Silica。
峰会第四天，印度正式签字加入。现场，美国副国务卿Jacob Helberg说了一句话：
"我们拒绝被勒索。"没点名，也不需要点。
这个局去年12月就开始布了。
Helberg在华盛顿开了个闭门会，进场的都是他的自己人：日本、韩国、澳大利亚、新加坡、英国、以色列、UAE。
印度当时不在名单里，两个月后补了进来。
微软、谷歌、亚马逊跟着签了2000亿美元的投资承诺。
如果只看表面，这是一场再普通不过的外交活动。但很显然，它不是。
大多数人理解美国的技术打压，就停在一件事上：禁芯片。
不卖给你先进芯片，不卖光刻机，让你买不到、造不出。这套从2019年开始，走了好几年。
但我们没停，华为憋出了自研芯片，DeepSeek用受限算力跑出了让硅谷震惊的东西。
被卡着脖子还在往前走，效果远低于预期。
所以这次换了打法。
Pax Silica的逻辑不是不卖给你，是在你旁边建一套你进不去的体系。
让全球关键矿产往这里流，晶圆厂在这里建，AI基础设施在这里落地。
不是让你买不到，是让整个世界的供应链开始绕开你走。
卡脖子是战术，这是战略。
第一步，芯片管制在变形。
2025年12月，特朗普宣布允许向我们出口Nvidia H200，但要逐案审批，而且美国要从每笔销售里抽走25%。
不是收紧，是开了一个带收费站的口子。
这个细节很说明问题：美国离不开我们这个市场，封锁只能做到有条件的封锁。
第二步，把盟友的矿产、晶圆厂、数据中心整合成一套独立体系，让我们慢慢从供应链的核心被推向边缘。
第三步是最少人提到的，抹平我们的电力优势。
我们的AI之所以能快速爆发，有个底层原因经常被忽视：电价便宜。
训练模型烧的是电，我们工业电价长期低于美国和欧洲，这是成本结构上的红利，不是技术领先。
印度的太阳能发电成本全球最低之列，如果美国帮印度建起成规模的AI算力基础设施，这个优势就不再是我们独有的了。
这三步加在一起，才是这场峰会真正在干的事。不是外交秀，是封锁体系在落子。
但这里有一个数字，值得单独放出来看。
就在印度签署Pax Silica的同一年，中印的双边贸易逆差是990亿美元。
不是总贸易额，是逆差。印度每年从我们这买进来的东西，比卖出去的多出将近1000亿美元。
日本、澳大利亚、韩国，同样的故事，我们都是他们最重要的贸易伙伴之一。
这个联盟里，几乎每一个成员都还在深度依赖他们签协议要对抗的那个国家。
他们签了一份要对抗我们的协议，然后第二天继续跟我们做生意。
这不是讽刺，这是现实。
全球供应链深度绑定了三十年，没有任何一个国家能够轻易切断，包括美国自己。
Pax Silica的战略意图是真实的，但执行的难度同样是真实的。
但这不是这一周发生的全部，就在峰会这几天，被封锁的那一方在干什么。
字节发布Seedance 2.0。马斯克看完演示，发了一句"It's happening fast"。海外用户开始研究怎么注册中国手机号，就为了用上这个模型；
阿里千问AppStore登顶，API定价是Gemini 3 Pro的十八分之一；
DeepSeek在2月11日悄悄把现有模型的上下文窗口从12.8万Token扩到了100万，几乎没有官方声明，用户自己测出来的；
没有一件事出现在峰会议程里。但它们就在同一周发生了。
一边在落子布局，一边在高速迭代。两件事同时进行，但完全不在一个频道上。
这步棋还有两个变数。
一个是印度本身。印度有个刻在历史里的外交基因：不结盟。
从尼赫鲁时代开始，在博弈之间保持战略自主，不是软弱，是利益计算。
今天签了Pax Silica，明天照样买俄罗斯折扣石油。莫迪走了很多年的钢丝，一份协议改变不了这个。
美国选了一个最难掌控的盟友，去执行一个需要高度协同的长期战略。这个矛盾，没人在签约现场提。
另一个变数没有答案：封锁体系的建设速度，能不能跑过对面的迭代速度？
Altman和Dario握不握手，对这个世界没有任何实质影响。
同一天签下的那份协议，正在重新画一条线——关于谁能用什么技术，谁站在哪个供应链里。
如果你在科技行业，这条线离你比你想的近。
你公司依赖的云服务、用的芯片、接的API，都会在这条线越画越清晰的过程中，面临一个越来越具体的选择。
不是明天，但方向已经写在那份没人报道的协议里了。
所有人都在看那两个人的手。没人在看那条线。
两家在市场上打的这么凶，在峰会上直接连手都不握了。
网友造梗：AGI什么时候来？等他们拉手那天。
一时间几乎所有人的注意都在这两个美国人的手上。
而同一天同一个峰会的另一个房间里发生了一件事却鲜为人知。
那件事叫Pax Silica。
峰会第四天，印度正式签字加入。现场，美国副国务卿Jacob Helberg说了一句话：
"我们拒绝被勒索。"没点名，也不需要点。
这个局去年12月就开始布了。
Helberg在华盛顿开了个闭门会，进场的都是他的自己人：日本、韩国、澳大利亚、新加坡、英国、以色列、UAE。
印度当时不在名单里，两个月后补了进来。
微软、谷歌、亚马逊跟着签了2000亿美元的投资承诺。
如果只看表面，这是一场再普通不过的外交活动。但很显然，它不是。
大多数人理解美国的技术打压，就停在一件事上：禁芯片。
不卖给你先进芯片，不卖光刻机，让你买不到、造不出。这套从2019年开始，走了好几年。
但我们没停，华为憋出了自研芯片，DeepSeek用受限算力跑出了让硅谷震惊的东西。
被卡着脖子还在往前走，效果远低于预期。
所以这次换了打法。
Pax Silica的逻辑不是不卖给你，是在你旁边建一套你进不去的体系。
让全球关键矿产往这里流，晶圆厂在这里建，AI基础设施在这里落地。
不是让你买不到，是让整个世界的供应链开始绕开你走。
卡脖子是战术，这是战略。
第一步，芯片管制在变形。
2025年12月，特朗普宣布允许向我们出口Nvidia H200，但要逐案审批，而且美国要从每笔销售里抽走25%。
不是收紧，是开了一个带收费站的口子。
这个细节很说明问题：美国离不开我们这个市场，封锁只能做到有条件的封锁。
第二步，把盟友的矿产、晶圆厂、数据中心整合成一套独立体系，让我们慢慢从供应链的核心被推向边缘。
第三步是最少人提到的，抹平我们的电力优势。
我们的AI之所以能快速爆发，有个底层原因经常被忽视：电价便宜。
训练模型烧的是电，我们工业电价长期低于美国和欧洲，这是成本结构上的红利，不是技术领先。
印度的太阳能发电成本全球最低之列，如果美国帮印度建起成规模的AI算力基础设施，这个优势就不再是我们独有的了。
这三步加在一起，才是这场峰会真正在干的事。不是外交秀，是封锁体系在落子。
但这里有一个数字，值得单独放出来看。
就在印度签署Pax Silica的同一年，中印的双边贸易逆差是990亿美元。
不是总贸易额，是逆差。印度每年从我们这买进来的东西，比卖出去的多出将近1000亿美元。
日本、澳大利亚、韩国，同样的故事，我们都是他们最重要的贸易伙伴之一。
这个联盟里，几乎每一个成员都还在深度依赖他们签协议要对抗的那个国家。
他们签了一份要对抗我们的协议，然后第二天继续跟我们做生意。
这不是讽刺，这是现实。
全球供应链深度绑定了三十年，没有任何一个国家能够轻易切断，包括美国自己。
Pax Silica的战略意图是真实的，但执行的难度同样是真实的。
但这不是这一周发生的全部，就在峰会这几天，被封锁的那一方在干什么。
字节发布Seedance 2.0。马斯克看完演示，发了一句"It's happening fast"。海外用户开始研究怎么注册中国手机号，就为了用上这个模型；
阿里千问AppStore登顶，API定价是Gemini 3 Pro的十八分之一；
DeepSeek在2月11日悄悄把现有模型的上下文窗口从12.8万Token扩到了100万，几乎没有官方声明，用户自己测出来的；
没有一件事出现在峰会议程里。但它们就在同一周发生了。
一边在落子布局，一边在高速迭代。两件事同时进行，但完全不在一个频道上。
这步棋还有两个变数。
一个是印度本身。印度有个刻在历史里的外交基因：不结盟。
从尼赫鲁时代开始，在博弈之间保持战略自主，不是软弱，是利益计算。
今天签了Pax Silica，明天照样买俄罗斯折扣石油。莫迪走了很多年的钢丝，一份协议改变不了这个。
美国选了一个最难掌控的盟友，去执行一个需要高度协同的长期战略。这个矛盾，没人在签约现场提。
另一个变数没有答案：封锁体系的建设速度，能不能跑过对面的迭代速度？
Altman和Dario握不握手，对这个世界没有任何实质影响。
同一天签下的那份协议，正在重新画一条线——关于谁能用什么技术，谁站在哪个供应链里。
如果你在科技行业，这条线离你比你想的近。
你公司依赖的云服务、用的芯片、接的API，都会在这条线越画越清晰的过程中，面临一个越来越具体的选择。
不是明天，但方向已经写在那份没人报道的协议里了。
所有人都在看那两个人的手。没人在看那条线。
1 00
“我永远不会阻止AI成为OpenAI的CEO。”
OpenAI CEO Sam Altman在2026年2月3日接受Forbes采访时说的一句话。
你花一个月做的PPT，AI三小时就完成了；
你熬夜写的报告，AI可能比你写得更好；
你的技能，AI三天就学会了。
Abundance360社区里，有人用AI在48小时内完成了原本需要3个月的市场研究。一家50人的咨询公司，引入AI后直接裁掉35人。
那35个人去哪了？可能还在找工作，可能降薪去了别的公司，可能还在投简历。
这就是正在发生的事。
2026年2月3日，Altman在接受Forbes采访时描述了一个思想实验：
如果明天我被要求离开OpenAI，我会创建一个AI来接替我的工作吗？
答案是肯定的。
AI CEO可以处理80%的日常管理任务，审批预算、协调团队、监控进度。
剩下20%涉及战略判断和危机应对的部分，才需要人类。
如果连CEO都可以被AI替代80%，你的工作呢？
OpenAI刚推出的Operator系统已经能做很多事：预订餐厅、购买商品、填写表单，整个过程无需人类指导。更重要的是它知道什么时候该求助人类，什么时候可以自己搞定。
Abundance360社区的另一个案例：一位创业者让AI生成20个不同版本的商业计划书，然后从中挑最好的。
这些不是个例，是新常态。
很多人会想：我又不写代码，AI跟我没关系。错了。
Altman预测，未来2-3年内，AI将能独立运营一家初创公司，从产品开发到市场推广，只需要人类提供战略方向。
医疗、法律、教育、创意，这些一直靠知识壁垒保护的行业，现在这道墙正在倒塌。
工程师是第一批感受到冲击的人。AI写代码的能力已经让很多公司开始重新算人力成本。但工程师至少还能用AI工具提升效率，很多其他岗位连这个机会都没有。
XPRIZE基金会创始人Peter Diamandis说了一句话：
AI不会取代你，但使用AI的人会取代不使用AI的人。
这话听起来像鸡汤，但现实就是这么残酷。
先说一个好消息：你还有时间。
虽然AI进展很快，但从技术成熟到全面应用，中间还有扩散期。大公司需要法务审查、安全合规、说服高层，这些流程需要时间。
但这个窗口期不会很长，可能就是一到两年。
三件事你必须立即开始做：
第一，学会用AI工具。
不需要学编程，不需要懂算法。从最简单的开始：用ChatGPT帮你写邮件，用Claude帮你整理文档，用AI生成创意。
每天花半小时，一个月后你就会发现工作效率提升了。
第二，想清楚你的不可替代性在哪。
AI很难替代的是什么？是你对客户需求的理解，是你在团队里的协调能力，是你对行业的深刻洞察。
把时间花在这些事情上。那些重复性的、标准化的工作，能用AI做就用AI做。
第三，建立人际网络。
当AI能完成大部分技术性工作时，人与人之间的连接、信任和协作会变得更珍贵。能整合资源、协调不同利益方的人，在AI时代会更有价值。
说这些的时候我也知道，不是每个人都有条件立即转型。
如果你在流水线上工作，如果你做的就是那些重复性任务，如果你40岁还要还房贷养孩子，你可能会想：说得轻巧，我哪有时间学这些？
这就是这场变革最残酷的地方。
Diamandis提出了"丰饶经济"的概念，说当AI解决了物质生产问题，人类可以追求更有意义的事情。
但对一个要还房贷的人来说，下个月工资发不发才是最现实的问题。找到生活的意义这种话，显得过于遥远。
Altman也承认这个问题。他说需要社会结构的根本性重组：教育系统要改，经济模式要变，文化观念要更新。
可能的方案包括全民基本收入、终身学习体系、社区重建。但这些都还在讨论阶段，没人知道具体怎么做。
历史上每次技术革命都是这样。
工业革命让手工业者失业，但也创造了工厂岗位。互联网革命让传统媒体垮掉，但也催生了数字经济。
AI革命也会淘汰一些工作，也会创造新机会。
你站在变革的哪一边？
是等着被淘汰，还是现在就开始学习？是抱怨AI抢工作，还是学会用AI提升能力？
这不是选择题，因为时间会替你做选择。
Altman说了一句很诚实的话：
安全不是可以一次性解决的问题，而是需要持续投入的过程。我们必须在推进AI能力的同时，以同样速度推进安全研究，否则就是在玩火。
AI能力的提升速度可能超过安全研究。这创造了一个危险窗口期。
但不管你怎么想，AI CEO时代已经来了。OpenAI、Anthropic、Google每次模型更新都在刷新认知。
变革不会等你准备好。它已经开始了。
OpenAI CEO Sam Altman在2026年2月3日接受Forbes采访时说的一句话。
你花一个月做的PPT，AI三小时就完成了；
你熬夜写的报告，AI可能比你写得更好；
你的技能，AI三天就学会了。
Abundance360社区里，有人用AI在48小时内完成了原本需要3个月的市场研究。一家50人的咨询公司，引入AI后直接裁掉35人。
那35个人去哪了？可能还在找工作，可能降薪去了别的公司，可能还在投简历。
这就是正在发生的事。
2026年2月3日，Altman在接受Forbes采访时描述了一个思想实验：
如果明天我被要求离开OpenAI，我会创建一个AI来接替我的工作吗？
答案是肯定的。
AI CEO可以处理80%的日常管理任务，审批预算、协调团队、监控进度。
剩下20%涉及战略判断和危机应对的部分，才需要人类。
如果连CEO都可以被AI替代80%，你的工作呢？
OpenAI刚推出的Operator系统已经能做很多事：预订餐厅、购买商品、填写表单，整个过程无需人类指导。更重要的是它知道什么时候该求助人类，什么时候可以自己搞定。
Abundance360社区的另一个案例：一位创业者让AI生成20个不同版本的商业计划书，然后从中挑最好的。
这些不是个例，是新常态。
很多人会想：我又不写代码，AI跟我没关系。错了。
Altman预测，未来2-3年内，AI将能独立运营一家初创公司，从产品开发到市场推广，只需要人类提供战略方向。
医疗、法律、教育、创意，这些一直靠知识壁垒保护的行业，现在这道墙正在倒塌。
工程师是第一批感受到冲击的人。AI写代码的能力已经让很多公司开始重新算人力成本。但工程师至少还能用AI工具提升效率，很多其他岗位连这个机会都没有。
XPRIZE基金会创始人Peter Diamandis说了一句话：
AI不会取代你，但使用AI的人会取代不使用AI的人。
这话听起来像鸡汤，但现实就是这么残酷。
先说一个好消息：你还有时间。
虽然AI进展很快，但从技术成熟到全面应用，中间还有扩散期。大公司需要法务审查、安全合规、说服高层，这些流程需要时间。
但这个窗口期不会很长，可能就是一到两年。
三件事你必须立即开始做：
第一，学会用AI工具。
不需要学编程，不需要懂算法。从最简单的开始：用ChatGPT帮你写邮件，用Claude帮你整理文档，用AI生成创意。
每天花半小时，一个月后你就会发现工作效率提升了。
第二，想清楚你的不可替代性在哪。
AI很难替代的是什么？是你对客户需求的理解，是你在团队里的协调能力，是你对行业的深刻洞察。
把时间花在这些事情上。那些重复性的、标准化的工作，能用AI做就用AI做。
第三，建立人际网络。
当AI能完成大部分技术性工作时，人与人之间的连接、信任和协作会变得更珍贵。能整合资源、协调不同利益方的人，在AI时代会更有价值。
说这些的时候我也知道，不是每个人都有条件立即转型。
如果你在流水线上工作，如果你做的就是那些重复性任务，如果你40岁还要还房贷养孩子，你可能会想：说得轻巧，我哪有时间学这些？
这就是这场变革最残酷的地方。
Diamandis提出了"丰饶经济"的概念，说当AI解决了物质生产问题，人类可以追求更有意义的事情。
但对一个要还房贷的人来说，下个月工资发不发才是最现实的问题。找到生活的意义这种话，显得过于遥远。
Altman也承认这个问题。他说需要社会结构的根本性重组：教育系统要改，经济模式要变，文化观念要更新。
可能的方案包括全民基本收入、终身学习体系、社区重建。但这些都还在讨论阶段，没人知道具体怎么做。
历史上每次技术革命都是这样。
工业革命让手工业者失业，但也创造了工厂岗位。互联网革命让传统媒体垮掉，但也催生了数字经济。
AI革命也会淘汰一些工作，也会创造新机会。
你站在变革的哪一边？
是等着被淘汰，还是现在就开始学习？是抱怨AI抢工作，还是学会用AI提升能力？
这不是选择题，因为时间会替你做选择。
Altman说了一句很诚实的话：
安全不是可以一次性解决的问题，而是需要持续投入的过程。我们必须在推进AI能力的同时，以同样速度推进安全研究，否则就是在玩火。
AI能力的提升速度可能超过安全研究。这创造了一个危险窗口期。
但不管你怎么想，AI CEO时代已经来了。OpenAI、Anthropic、Google每次模型更新都在刷新认知。
变革不会等你准备好。它已经开始了。
0 00
2017 年当 GPT-1 刚刚问世、AI 领域还分散在机器人、推理系统、AlphaGo 等各个方向时，Amodei 写下了一份文档叫大计算团块假说。
这份文档比 Rich Sutton 著名的苦涩的教训还早两年，核心思想一致：
所有的聪明技巧都不重要，只有少数几个要素决定成败。
他列出了七个关键要素：原始计算量、数据数量、数据质量与分布广度、训练时长、可扩展的目标函数、数值稳定性。
九年后，Amodei 说：我没有看到任何与这个假说相悖的证据。
这不是运气，这是一个人在别人还在争论路线的时候就已经把赌注押下去了，然后等着时间来验证。
无论是预训练的扩展定律，还是强化学习的扩展定律，都完美符合当初的预测。
所以当他现在说十年内，90%。
你感受不到，但数字在说话。
Anthropic的收入：2023年1亿，2024年10亿，2025年将近100亿。
每年涨10倍。这不是融资，是真实收入。
Amodei把这叫做软起飞。
不是科幻小说里的某天突然觉醒，是平滑的、持续的、每隔几个月就让你觉得上一个版本像玩具的曲线。
回想一下，两年前你用AI做什么？几乎什么都不用，甚至对于这个名词仅作为理论的概念停留在脑海中。
一年前呢？现在呢？
这个节奏还在加速。
他也说了一句让人不太舒服的话：
我们面临着难以置信的商业压力，还给自己增加难度，因为我们做了很多比其他公司更多的安全工作。
没有时间扯淡，没有时间自我感觉良好但实际上效率低下。
现在用AI最深的一批人是工程师。
不是因为他们更聪明，而是因为他们的工作最容易被衡量，代码能不能跑，结果对不对，一目了然。
AI写90%的代码，已经实现了。
接下来是端到端完成整个工程任务，从理解需求到写完测试到部署，一个人加AI工具，顶过去一个小团队。他预计这件事发生在一到两年内。
公司内部的工程师已经习惯了这样工作：这个GPU内核、这个芯片，我以前自己写，现在直接让Claude做。
生产力的提升是真实的，但他强调这不等于工程师会消失。
他们会转向更高层次的判断和创新，就像农业机械化之后农民转向了其他行业一样。
问题是：你所在的行业，有没有人在想这件事？
很多人会觉得，这跟我没关系，我又不写代码。
但Amodei说的"天才国度"，指的不是一个会写代码的AI，而是一个在各个领域都达到顶级人类专家水平的系统。
医疗、法律、教育、创意，这些领域的知识壁垒，一直是少数人的护城河。当AI能在这些领域给出专业级别的判断，这道墙会发生什么？
编程领域已经给出了答案：把代码库读入上下文，模型就获得了人类需要六个月学习的所有知识。
同样的事，会发生在每一个需要大量专业知识才能入门的行业里。
“我们每个人都活在前人积累的语言、知识、制度里。AI是这个积累的新一层，而且速度比以往任何一层都快。”
技术圈内的人，每天埋头做产品，没时间抬头看；
圈外的人，觉得这是科技新闻，跟自己关系不大。
如果这件事真的发生，所有人都会知道。不会有人错过。就像你不会错过互联网，不会错过智能手机一样。
他说：对我来说，绝对疯狂的是无论是圈内还是圈外的人，都在谈论那些老掉牙的政治热点问题，而我们正接近指数增长的终点。
还有一个细节值得知道。很多人以为AI实验室的底气来自烧钱，来自某种科技泡沫。但Anthropic的收入数字是真实的，增长曲线是真实的，商业压力是真实的。
他在2017年写下预测，九年后一一应验。
剩下10%的不确定性，他归结为地缘政治和极端事件，比如芯片工厂被炸了那些没人能预测的情况。
当人们还在讨论陈旧的政治议题时，AI 正以前所未有的速度逼近人类智能的边界。
指数增长的终点，可能比我们想象的更近。
这份文档比 Rich Sutton 著名的苦涩的教训还早两年，核心思想一致：
所有的聪明技巧都不重要，只有少数几个要素决定成败。
他列出了七个关键要素：原始计算量、数据数量、数据质量与分布广度、训练时长、可扩展的目标函数、数值稳定性。
九年后，Amodei 说：我没有看到任何与这个假说相悖的证据。
这不是运气，这是一个人在别人还在争论路线的时候就已经把赌注押下去了，然后等着时间来验证。
无论是预训练的扩展定律，还是强化学习的扩展定律，都完美符合当初的预测。
所以当他现在说十年内，90%。
你感受不到，但数字在说话。
Anthropic的收入：2023年1亿，2024年10亿，2025年将近100亿。
每年涨10倍。这不是融资，是真实收入。
Amodei把这叫做软起飞。
不是科幻小说里的某天突然觉醒，是平滑的、持续的、每隔几个月就让你觉得上一个版本像玩具的曲线。
回想一下，两年前你用AI做什么？几乎什么都不用，甚至对于这个名词仅作为理论的概念停留在脑海中。
一年前呢？现在呢？
这个节奏还在加速。
他也说了一句让人不太舒服的话：
我们面临着难以置信的商业压力，还给自己增加难度，因为我们做了很多比其他公司更多的安全工作。
没有时间扯淡，没有时间自我感觉良好但实际上效率低下。
现在用AI最深的一批人是工程师。
不是因为他们更聪明，而是因为他们的工作最容易被衡量，代码能不能跑，结果对不对，一目了然。
AI写90%的代码，已经实现了。
接下来是端到端完成整个工程任务，从理解需求到写完测试到部署，一个人加AI工具，顶过去一个小团队。他预计这件事发生在一到两年内。
公司内部的工程师已经习惯了这样工作：这个GPU内核、这个芯片，我以前自己写，现在直接让Claude做。
生产力的提升是真实的，但他强调这不等于工程师会消失。
他们会转向更高层次的判断和创新，就像农业机械化之后农民转向了其他行业一样。
问题是：你所在的行业，有没有人在想这件事？
很多人会觉得，这跟我没关系，我又不写代码。
但Amodei说的"天才国度"，指的不是一个会写代码的AI，而是一个在各个领域都达到顶级人类专家水平的系统。
医疗、法律、教育、创意，这些领域的知识壁垒，一直是少数人的护城河。当AI能在这些领域给出专业级别的判断，这道墙会发生什么？
编程领域已经给出了答案：把代码库读入上下文，模型就获得了人类需要六个月学习的所有知识。
同样的事，会发生在每一个需要大量专业知识才能入门的行业里。
“我们每个人都活在前人积累的语言、知识、制度里。AI是这个积累的新一层，而且速度比以往任何一层都快。”
技术圈内的人，每天埋头做产品，没时间抬头看；
圈外的人，觉得这是科技新闻，跟自己关系不大。
如果这件事真的发生，所有人都会知道。不会有人错过。就像你不会错过互联网，不会错过智能手机一样。
他说：对我来说，绝对疯狂的是无论是圈内还是圈外的人，都在谈论那些老掉牙的政治热点问题，而我们正接近指数增长的终点。
还有一个细节值得知道。很多人以为AI实验室的底气来自烧钱，来自某种科技泡沫。但Anthropic的收入数字是真实的，增长曲线是真实的，商业压力是真实的。
他在2017年写下预测，九年后一一应验。
剩下10%的不确定性，他归结为地缘政治和极端事件，比如芯片工厂被炸了那些没人能预测的情况。
当人们还在讨论陈旧的政治议题时，AI 正以前所未有的速度逼近人类智能的边界。
指数增长的终点，可能比我们想象的更近。
0 00