Obsidian 相比 Notion 在 AI 应用上的优势并不仅仅是基于文件可以调用Claude Code，而在于Claude Code 所背靠的命令行工具，对于 Notion 来说这个差距是一个虚拟主机。

人人都应该有一台VPS。

在刚开始做科研的时候，我就知道 Denny Zhou 的名字了，从 Semi-Supervised Learning 到 Crowdsourcing，他总是在那个领域最火热的时候留下几篇必读文献。这两天看 Berkeley CS294 的课程资料，又看到了他在 LLM Reasoning 领域所做的研究。时间跨度二十年，他居然保持了如此高的研究延续性，不禁让人感慨。他的主线故事是如何用更少的人类标记来获取真正的智能。

CoT 其实很容易想到。事实上，人类遇到难题时惯常的做法就是：拆解成若干简单任务，添加中间推理步骤。

很有趣的一件事情是，Denny Zhou 在演讲中引用了 Polya 的那本很有名的《如何解题》，将问题分解、提供相似问题及其解法作为例证。《如何解题》这本书很有名，我很确定在义务教育阶段至少被数学老师提到过好几次，但是我没有读过，毕竟那时对我来说，读这种书远不如多刷几道题管用。这本书更像是写给老师的，毕竟教师需要明确自己究竟在向学生传授什么。不知道 Polya 是否知道有一天人类在用他的书来教育人工智能。
如果把这个问题再泛化一点，想让 LLM 更接近人类，我们应该去研究哲学，把哲学教给 LLM，再让它按照哲学来思考。

作为一个人类，我对这件事情感到五味杂陈。如果这样做真的成功了，那我们是不是得到了一个柏拉图的《理想国》里所提过的“哲人王”？那人类该放在哪里？我生活中遇到的大部分人，仅靠按部就班与好运气过上安稳日子。他们只能在专业领域内思考如何优化工作流，而许多改进往往不被系统所接纳。而我们训练的 Agent 可以在各种可验证的环境中来实践“知行合一”？我竟觉得嫉妒占了上风。

说回 Crowdsourcing，十年前人类还在研究着怎么利用那些便宜的人类来多快好省地标记数据去训练一些比较单一的模型。而今，似乎只有那些最顶尖、最稀缺的人类标注才能真正为 LLM 带来正向改进。

用了 Alma.now 之后就把 cherry studio 卸载了，所谓套壳，套 API 的壳不如用 ACP 去套 Agent 的壳。

虽然我不怎么用manus，但我觉得随口就说套壳是一件不负责的事情。

对于交付的产品来说，能用和不能用完全是两回事。我用manus做过几次slides，明显比御三家生成的网页强，也比Gamma自动做出来的条理更清晰。

字节大概是收购不成自己做了 anygen.io

对于那些用AI自动生成内容的操作工，只需要在一个领域里关注一个就够了，反正他们发的东西也差不多。

ChatGPT的总结也算是新时代的MBTI了。

纠正一点，理论上的任务排列组合可能性是指数级，但是现实中实际存在的任务组合方式应当是相当稀疏的。

Minimax M2.1 在Claude Code里用很舒服，出token的速度很快， 49 人民币的coding plan就已经算是量大管饱了。除了偶尔用Claude 4.5 Opus和GPT-5.2 Extra High做复杂一点的任务现在基本上就用M2.1 了。值得一提的是我让CC+M2.1 也接管了我的Obsidian仓库，它在处理metadata/base/canvas时都足够好用，这个体验要好于封闭的Notion/Heptabase。

日子也是好起来了，舍得用Opus了。
GPT-5 是个很好的模型，我时常怀念它的精准。但它真的太慢了，High的代价是思考，但这部分应该留给自己。
4.5 Opus属于既好又快，虽然我没有评估但我怀疑长期来看的使用费用并不会比其它模型显著更高。