智能驾驶最大的隐患是，没有人真正学过怎么驾驶智能驾驶的汽车。一旦出现需要接管的场景，驾驶员不知道如何快速切换。

很多人都摸不清自己是E还是I，总以为自己是摇摆的。
其实，E或者I不是严格区分的，而是一个光谱。当能量高时，显得E；能量低时，显得I。
同时，能量高低也是相对的。所以可能会发现在一些人面前显得很E。
最后，I人是E人的玩具，但是I人看E人也是玩具🤪🤪

AI应用套壳
1. 护城河自然是应用本身，一种是有自有数据，渠道甚至文化；另一种则是愿意来卷的人有限。
2.不管是应用还是大模型乃至各类新技术，本身都有一个窗口期，持续迭代也会持续淘汰。但不能因此就看低甚至否定应用的价值。
3.应用是模型能力的场景泛化。只有应用能在具体的环境中发挥出模型的能力。
4.电是伟大的发现。电灯电视电脑也是伟大的创新。

中年失业是什么感受：
1.发现自己过往经验没有具体用处
2.发现新事物一窍不通
3.急躁，想要衔接新工作

避免陷入这样的状态的唯一方法：
居安思危，保持好奇心，时刻接受新事物新知识，并享受这一切。

1. 领域专家 + 服务提供商拥有业务层 + 数据层的护城河，可以基于此搭建更符合 LLM 可理解的 MCP Server。普通人搭建 MCP Server 的效益则显见的低。
2. **搭建 MCP Client 可能可以成为一种新的解决方案**。一个很重要的原因是，客户端不需要为不同的 Service 定制集成，不用再理解复杂的 API 设计范式和理念，约等于只需要配置一个 plugin/endpoint 即可实现互联。
3. 场景的选择上，要选择**耗时长的任务场景**。这类场景中，用户可以接受等待一段时间，但是不愿意自己去处理繁杂的过程。这是因为，LLM 的吐字速度太慢，跳跃思考的能力还没有涌现，所以 LLM 无法像人类一般灵机一动的闪出想法，也无法像精准操作一般快速读取数据。我们用 LLM 来思考，但是 LLM 思考的太慢了。

如果MCP协议在未来一年内得到大厂的普遍支持，将微服务的服务发现、API网关、可观测性等实践集成起来。未来的很多SaaS服务可能卖MCP API而不再是卖软件了。
而未来可能会有标准的智能体终端自动发现和连接多个service，进行业务的连接，不再需要SaaS服务和“胶水”工程师了。
也就是服务提供商专注做好服务能力并提供标准API，不需要管终端如何集成。
终端开发商专注做终端渲染能力而由智能体自动连接服务商的API。

每个人都有自己的偏好。比如对于颜色搭配，教程里会说明怎么样的搭配更好，但是个人偏好会演绎出自己对搭配的个性化理解。以前要实现这种个性化，会非常辛苦，因为要将个性化变成现实，还需要学习各种复杂的工具，曲线很长。AGI的时代带来了生产力的极大提升，我们几乎可以用表达的形式，搭配各类prompt的模板，驱动工具自主生成（生产）。在生产力极大提升的时代下，个性化的彰显会变得更加简单。

写prompt虽然没有比使用链上钱包难
但是写好的prompt的门槛不亚于彼
只有像触屏交互这种快速上手的交互模式更新
才可能引来更广泛的变革

天使轮投团队
a轮投产品
b轮投市场

年轻人要去有市场的地方学习做产品
然后去做产品的人学习怎么成为团队核心
最后可以参与团队做突破项目（更大概率失败的项目）

多大的牌力玩多大的底池