即刻App年轻人的同好社区
下载
置顶🔥ChatGPT 中文指南🔥震撼发布
一周内 GitHub 狂揽 500+ ⭐，帮助中文用户了解和使用 ChatGPT，收集了丰富的 ChatGPT 工具、应用与示例。项目持续更新，欢迎关注，欢迎 Star⭐~
一周内 GitHub 狂揽 500+ ⭐，帮助中文用户了解和使用 ChatGPT，收集了丰富的 ChatGPT 工具、应用与示例。项目持续更新，欢迎关注，欢迎 Star⭐~
GitHub - yzfly/awesome-chatgpt-zh: ChatGPT 中文指南，指令指南，精选资源清单，更好的使用 chatGPT 让你的生产力 up up up!
391 45334
问：如果你能知道自己的未来，你会想知道什么？
我愣了一下。发现我不知道。十年后？二十年后？
然后我回过神来——其实我知道自己的未来。人都是要死的。那知道这段旅程中的某个节点，对当下又有什么意义？
但仔细想想，"人人都知道自己会死"和"人人都真正理解自己会死"，是完全不同的两件事。大多数人99%的时间里，是把死亡当作一个抽象概念在处理，而不是当作一个真实会发生在自己身上的事。
那为什么还想知道未来？
表面上，是想要控制感。对不确定性的天然焦虑，"知道未来"本质上是想消除那种不可控的感觉。哪怕结果是坏的，知道了反而比不知道舒服——因为你可以"准备"。这是一种很深的错觉，以为知道就等于掌控。
再深一层，其实不是想知道"未来"，而是想确认当下的选择是对的。"十年后我过得好吗"翻译过来就是"我现在走的路对吗"。与其说是好奇未来，不如说是对当下的不确定在找一个锚。
但最根本的，是人不愿意接受一个事实：意义不是被发现的，是被创造的。如果未来有一个"答案"等在那里，那活着就变成了一道有标准答案的题。这比"没有答案，你自己定义"要轻松太多了。
想知道未来，本质上是想逃避自由的重量。
而当下之意义恰恰在于：正是因为会结束，此刻才有重量。一首曲子如果永远不停，就不是音乐，只是噪音。有终止，才有结构，才有意义。
我愣了一下。发现我不知道。十年后？二十年后？
然后我回过神来——其实我知道自己的未来。人都是要死的。那知道这段旅程中的某个节点，对当下又有什么意义？
但仔细想想，"人人都知道自己会死"和"人人都真正理解自己会死"，是完全不同的两件事。大多数人99%的时间里，是把死亡当作一个抽象概念在处理，而不是当作一个真实会发生在自己身上的事。
那为什么还想知道未来？
表面上，是想要控制感。对不确定性的天然焦虑，"知道未来"本质上是想消除那种不可控的感觉。哪怕结果是坏的，知道了反而比不知道舒服——因为你可以"准备"。这是一种很深的错觉，以为知道就等于掌控。
再深一层，其实不是想知道"未来"，而是想确认当下的选择是对的。"十年后我过得好吗"翻译过来就是"我现在走的路对吗"。与其说是好奇未来，不如说是对当下的不确定在找一个锚。
但最根本的，是人不愿意接受一个事实：意义不是被发现的，是被创造的。如果未来有一个"答案"等在那里，那活着就变成了一道有标准答案的题。这比"没有答案，你自己定义"要轻松太多了。
想知道未来，本质上是想逃避自由的重量。
而当下之意义恰恰在于：正是因为会结束，此刻才有重量。一首曲子如果永远不停，就不是音乐，只是噪音。有终止，才有结构，才有意义。
4 00
一个组织里，坏消息能不能顺畅地向上传递，是判断其权力结构是否健康的最灵敏的指标。
一旦人们开始修饰坏消息、延迟坏消息、或者干脆不再传递坏消息，就意味着所有人都在围绕一个人的情绪和偏好来组织自己的行为，而不是围绕现实。
到了这个阶段，领导者的认知盲区、性格缺陷、甚至未曾言明的好恶，都会通过权力结构层层放大，渗透为整个组织的思维方式和行为模式——他的人性成为所有人的命运，他的局限成为整个系统的局限。
这就是权力的无限投影：制度不再约束那个人，反而成为他个人意志的延伸，而坏消息的消失，正是这种投影完成的第一个信号。
一旦人们开始修饰坏消息、延迟坏消息、或者干脆不再传递坏消息，就意味着所有人都在围绕一个人的情绪和偏好来组织自己的行为，而不是围绕现实。
到了这个阶段，领导者的认知盲区、性格缺陷、甚至未曾言明的好恶，都会通过权力结构层层放大，渗透为整个组织的思维方式和行为模式——他的人性成为所有人的命运，他的局限成为整个系统的局限。
这就是权力的无限投影：制度不再约束那个人，反而成为他个人意志的延伸，而坏消息的消失，正是这种投影完成的第一个信号。
18 22
懂业务的人，一旦把AI用透，简直是无敌的。
最近在公司内部大规模推行组织的再一次AI化，目前来看进展还是超预期的。一圈看下来，最大的体感就是：懂业务的人，一旦把AI用透，简直是无敌的。
而且必须认清一点——把AI用好，早就不是什么“顺手为之”的加分项，而是当下必然且必备的底层核心能力。
当技术发展到极致，它首先生产出的就是它自身的掘墓人。今天AI的每一次进化，都在加速剥夺“纯技术门槛”的稀缺性，把权杖交还给真正懂业务的人。
以前让懂AI的技术人去啃业务，理解成本太高、损耗太大；现在反过来了，本身就懂业务的同学，只要把AI作为标配的基础武器，经常一下子就能把原本需要多方配合的事情，自己给完整闭环了。上下游的协作压力瞬间骤降。
单纯停留在“用过AI”早就不稀缺了，接下来的核心护城河一定是“深度的业务理解 + 必然的AI闭环能力”。
基于这个判断，我们内部的AI基建主要认准了两件事去打透。
第一是往死里降门槛。直接把最好、最贵的Opus模型Token给大家敞开用。不要心疼浪费，在这个阶段，早期的“浪费”就是帮大家跨越心理和使用门槛的必要开销。只要能蹚平大家解决业务问题的卡点，这笔账怎么算都划算。
第二是做平台级的赋能。光给工具是不够的，我们把内部最高级的业务标准和审美，直接封装成打通业务系统的Skill。比如我做的 awesome-design-html这个案例已经开源在 github.com ，就是一个典型的示范。我把顶级的UI审美和前端设计规范直接封装了进去，这样一来，任何不懂代码的业务同学只要调用这个 Skill，跑出来的页面底线质量就是过去专业前端才能干出的顶配水平。这不再是简单的提效，而是全员业务能力的一次跨越式拉升。
推行下来，人跟人的分化其实挺残酷的。一部分人依然困在过去的舒适圈里不愿意迈出这一步；但那些本身懂业务、想法多、又把AI内化为必备基本功的同学，产出变得非常可怕，这类人才接下来会越来越贵。
但最终，要把这种个人的“无敌”转化为整个团队的“无敌”，依然不能只靠几个猛人。拼的还是底层的组织机制——要把AI的基础设施、知识沉淀和文化土壤，真正在组织里彻底夯实落位。
最近在公司内部大规模推行组织的再一次AI化，目前来看进展还是超预期的。一圈看下来，最大的体感就是：懂业务的人，一旦把AI用透，简直是无敌的。
而且必须认清一点——把AI用好，早就不是什么“顺手为之”的加分项，而是当下必然且必备的底层核心能力。
当技术发展到极致，它首先生产出的就是它自身的掘墓人。今天AI的每一次进化，都在加速剥夺“纯技术门槛”的稀缺性，把权杖交还给真正懂业务的人。
以前让懂AI的技术人去啃业务，理解成本太高、损耗太大；现在反过来了，本身就懂业务的同学，只要把AI作为标配的基础武器，经常一下子就能把原本需要多方配合的事情，自己给完整闭环了。上下游的协作压力瞬间骤降。
单纯停留在“用过AI”早就不稀缺了，接下来的核心护城河一定是“深度的业务理解 + 必然的AI闭环能力”。
基于这个判断，我们内部的AI基建主要认准了两件事去打透。
第一是往死里降门槛。直接把最好、最贵的Opus模型Token给大家敞开用。不要心疼浪费，在这个阶段，早期的“浪费”就是帮大家跨越心理和使用门槛的必要开销。只要能蹚平大家解决业务问题的卡点，这笔账怎么算都划算。
第二是做平台级的赋能。光给工具是不够的，我们把内部最高级的业务标准和审美，直接封装成打通业务系统的Skill。比如我做的 awesome-design-html这个案例已经开源在 github.com ，就是一个典型的示范。我把顶级的UI审美和前端设计规范直接封装了进去，这样一来，任何不懂代码的业务同学只要调用这个 Skill，跑出来的页面底线质量就是过去专业前端才能干出的顶配水平。这不再是简单的提效，而是全员业务能力的一次跨越式拉升。
推行下来，人跟人的分化其实挺残酷的。一部分人依然困在过去的舒适圈里不愿意迈出这一步；但那些本身懂业务、想法多、又把AI内化为必备基本功的同学，产出变得非常可怕，这类人才接下来会越来越贵。
但最终，要把这种个人的“无敌”转化为整个团队的“无敌”，依然不能只靠几个猛人。拼的还是底层的组织机制——要把AI的基础设施、知识沉淀和文化土壤，真正在组织里彻底夯实落位。
15 02
时间折叠：向Agent要时间，要效率
很多朋友好奇我平时是怎么用 AI 的，其实我的核心心法只有四个字：时间折叠。
通过重塑人机协作流，把睡觉、开会等“非操作时间”全部转化为“
Agent生产时间”，从而实现个人时间的 Double。
最近Agent的一个重大变化是：Agent执行长程复杂任务的能力迎来了质变。我最近跑过最长的一个任务，它自己跑了7个小时。这其实释放了一个巨大的红利——它彻底把我睡觉和日常开会的时间给盘活了。
我现在跑通了一个很顺畅的异步工作流：
睡前，我会集中精力和AI深聊，把我的需求、Plan以及架构核心决策盘透，形成极度清晰的Spec。
你边界定义得越准，Trade-off 做得越好，它后续的产出质量就越高。盘清楚之后，直接挂上 Claude Code 或 CodeX 的 /goal 指令（“干到死”模式），让它基于讨论的共识自己去搓架构和代码，然后我就可以去睡觉了。
第二天醒来，中间死等AI吐代码的时间已经被完全折叠。当然初版肯定有毛病，没关系，我集中坐下来花一两个小时系统性地Review，把问题详细记录，再次跟它高密度对齐，让它一波去改完。
这套玩法最爽的点，不仅是不需要在对话框前傻等，更是它完美保护了我的“心流”。
我以前试过多任务并行，边等AI边干别的，结果脑子切来切去极其内耗。
现在，我把跟AI沟通的零碎时间全部挤压掉了，个人的精力被极致地集中在两头：极度前置的“深度思考与理清需求”，和极度后置的“效果Review与迭代”。大脑只做最高密度的决策，讨论清楚一个就彻底放手，换下一个。
其实顺着这个思路，我们内部现在搭的多Agent网络，本质上也是在做同样的“时间套利”。让Agent基于团队的上下文长期挂机跑，看着系统在无人值守的黑夜里自己Builder、自己迭代，那种时空被折叠的体感真的太真实了。
当下最佳的AI范式，还是AI通过改变软件改变世界，所以AI的杠杆不是比谁敲键盘快，而是看谁能用最高密度的思考，去换取算力日夜不休的执行。
很多朋友好奇我平时是怎么用 AI 的，其实我的核心心法只有四个字：时间折叠。
通过重塑人机协作流，把睡觉、开会等“非操作时间”全部转化为“
Agent生产时间”，从而实现个人时间的 Double。
最近Agent的一个重大变化是：Agent执行长程复杂任务的能力迎来了质变。我最近跑过最长的一个任务，它自己跑了7个小时。这其实释放了一个巨大的红利——它彻底把我睡觉和日常开会的时间给盘活了。
我现在跑通了一个很顺畅的异步工作流：
睡前，我会集中精力和AI深聊，把我的需求、Plan以及架构核心决策盘透，形成极度清晰的Spec。
你边界定义得越准，Trade-off 做得越好，它后续的产出质量就越高。盘清楚之后，直接挂上 Claude Code 或 CodeX 的 /goal 指令（“干到死”模式），让它基于讨论的共识自己去搓架构和代码，然后我就可以去睡觉了。
第二天醒来，中间死等AI吐代码的时间已经被完全折叠。当然初版肯定有毛病，没关系，我集中坐下来花一两个小时系统性地Review，把问题详细记录，再次跟它高密度对齐，让它一波去改完。
这套玩法最爽的点，不仅是不需要在对话框前傻等，更是它完美保护了我的“心流”。
我以前试过多任务并行，边等AI边干别的，结果脑子切来切去极其内耗。
现在，我把跟AI沟通的零碎时间全部挤压掉了，个人的精力被极致地集中在两头：极度前置的“深度思考与理清需求”，和极度后置的“效果Review与迭代”。大脑只做最高密度的决策，讨论清楚一个就彻底放手，换下一个。
其实顺着这个思路，我们内部现在搭的多Agent网络，本质上也是在做同样的“时间套利”。让Agent基于团队的上下文长期挂机跑，看着系统在无人值守的黑夜里自己Builder、自己迭代，那种时空被折叠的体感真的太真实了。
当下最佳的AI范式，还是AI通过改变软件改变世界，所以AI的杠杆不是比谁敲键盘快，而是看谁能用最高密度的思考，去换取算力日夜不休的执行。
20 01
不能独立闭环的人，在AI时代已经没有位置了
刚才边走边想，如果在AI时代，一个人不能独立闭环一摊子事，那他在组织里可能真的就没必要存在了。
最近在带团队时，这种痛感特别强烈。作为技术Leader，你很多时候已经把方案想得很透彻了，去跟下面的同学传达。讲了十几分钟，发现对方还是一脸茫然；没办法，只能拉着他深扒细节，足足聊了一个小时，总算是把各种困惑解答完，觉得“对齐”了。
接着他去实现需求、提交代码，你来Review。结果一验收，发现根本没按预期走。于是，又得硬着头皮跟他陷入新一轮的沟通和返工拉扯里。这种时候真的非常痛苦，要么你被迫降级接受他现在的半成品，要么就不满意逼着他改，反复消耗。
最荒谬的是，表面上看组织里大家都在拥抱新技术，底下的同学也在用AI写代码。但为什么组织并没有提效？因为协作范式根本没变。原有的SOP、那些为了分工而设立的节点，依然死死卡在那里。
其实我自己深度用AI去写代码后，发现人机协作的流程跟带人是一样的：先跟AI把需求聊透，确认思路，然后它去执行，你现场看效果，不对就改，符合预期就继续往下走。但最大的区别在于，AI的意图理解和执行速度是降维打击。
以前，我花一个小时跟相应同学“对齐需求”，最后还得等他慢慢敲代码；以前我们自己可能只是用AI做个Demo，把细节验证交给相应同学去完善。但现在，随着AI能力越来越强，我跟AI的协作也越来越默契。同样是花一个小时对齐，我直接就能跟AI把这件事给干完。而且做出来的早就不是粗糙的Demo了，功能的完善度完全不输给原来那个同学敲出来的初版。
在这个流程里你会突然发现，传统协作链条上那个单纯作为“执行单元”的同学，已经没有他的位置了。
这就是我看到的组织架构正在发生的重构。过去我们迷信分工，但现在，分工带来的沟通磨损，已经远远超过了它的收益。很多岗位真的不需要分得那么细了，技术岗位的边界正在疯狂融合。
真正重要的，是那些能够对一整个事情独立、完整地为结果负责的人。AI有能力帮你把整个链路闭环掉，而那些习惯把自己切分在流水线上、只干一小段活儿的人，生存空间会越来越窄。
毕竟，与其在无穷无尽的沟通磨损中痛苦，不如直接转身，跟AI对齐需求，把结果拿出来。
刚才边走边想，如果在AI时代，一个人不能独立闭环一摊子事，那他在组织里可能真的就没必要存在了。
最近在带团队时，这种痛感特别强烈。作为技术Leader，你很多时候已经把方案想得很透彻了，去跟下面的同学传达。讲了十几分钟，发现对方还是一脸茫然；没办法，只能拉着他深扒细节，足足聊了一个小时，总算是把各种困惑解答完，觉得“对齐”了。
接着他去实现需求、提交代码，你来Review。结果一验收，发现根本没按预期走。于是，又得硬着头皮跟他陷入新一轮的沟通和返工拉扯里。这种时候真的非常痛苦，要么你被迫降级接受他现在的半成品，要么就不满意逼着他改，反复消耗。
最荒谬的是，表面上看组织里大家都在拥抱新技术，底下的同学也在用AI写代码。但为什么组织并没有提效？因为协作范式根本没变。原有的SOP、那些为了分工而设立的节点，依然死死卡在那里。
其实我自己深度用AI去写代码后，发现人机协作的流程跟带人是一样的：先跟AI把需求聊透，确认思路，然后它去执行，你现场看效果，不对就改，符合预期就继续往下走。但最大的区别在于，AI的意图理解和执行速度是降维打击。
以前，我花一个小时跟相应同学“对齐需求”，最后还得等他慢慢敲代码；以前我们自己可能只是用AI做个Demo，把细节验证交给相应同学去完善。但现在，随着AI能力越来越强，我跟AI的协作也越来越默契。同样是花一个小时对齐，我直接就能跟AI把这件事给干完。而且做出来的早就不是粗糙的Demo了，功能的完善度完全不输给原来那个同学敲出来的初版。
在这个流程里你会突然发现，传统协作链条上那个单纯作为“执行单元”的同学，已经没有他的位置了。
这就是我看到的组织架构正在发生的重构。过去我们迷信分工，但现在，分工带来的沟通磨损，已经远远超过了它的收益。很多岗位真的不需要分得那么细了，技术岗位的边界正在疯狂融合。
真正重要的，是那些能够对一整个事情独立、完整地为结果负责的人。AI有能力帮你把整个链路闭环掉，而那些习惯把自己切分在流水线上、只干一小段活儿的人，生存空间会越来越窄。
毕竟，与其在无穷无尽的沟通磨损中痛苦，不如直接转身，跟AI对齐需求，把结果拿出来。
22 24
用概念锚点和锚点家族精准对齐AI
之前我讲过用 AI 的时候，模型经常会做大量隐含假设，为了规避不正确假设容易导致规则越写越长，上下文也重。
在agent环境下我通过 memory 记忆我的偏好来消解这些隐含假设，在纯 Chat 原生环境里，我更习惯扔一些“概念锚点”来消解这些隐含假设。
所谓“概念锚点”，本质上就是个“高密度概念召唤词”——一个压缩包。你给一个短词，模型自动在后台解压出几十个隐含条件。
比如写一个“toC化设计”，它一次性就召回了：面向普通用户、视觉吸引、降低认知门槛、情绪表达、网感等一整套范式。反义就是“toB化设计”（信息密集、功能优先、克制）。“苹果风”“赛博朋克”“极简主义”也是同理，直接调用一整个概念簇。
优势是省字、信息密度极高；劣势是它的解读依赖模型对这个概念的“先验”。冷门或新造的词没有语料支撑，就什么也召唤不出来。
所以现在的习惯是：把锚点词当骨架，再用 1–2 句原则去校准方向。
随手盘了一下自己常用的几种锚点类型：
1. 概念锚点： 比如“Bauhaus”“学术综述风格”，一次性召回一个范式簇。
2. 范例锚点： 用具名的产品或人定位。别说“现代感”（那是模糊云），直接说“Linear 的现代感”或者“Wes Anderson 的构图”。模型对具名实体的记忆，定位比形容词准一个数量级。
3. 原则锚点： 告诉模型在两条路之间怎么选，切出非平凡的取舍。比如“宁愿少一句，不要多一句”、“能用动词就不用名词”、“介绍同事，不是卖功能”。
4. 反锚点 / 负向锚点： 把模型的 default 倾向挡回去。点名具体反面，“不要太正式”没用，“不要律师函口吻”、“避免 ChatGPT 默认的那种 bullet 列表”才有效。
5. 关系锚点： 用 X 即 Y / X 不是 Y 的结构。比如“Agent 即同事”、“博客不是论文”。一句话同时完成了正向定义、负向排除和情感定调。
6. 体裁锚点： “changelog 风格”“字典词条”“Twitter thread”。体裁自带结构和节奏，一个词代替五条格式规则。
7. 角色锚点： 给身份打包视角，比如“精算师视角”。最好和原则锚点搭着用——身份给视角，原则给行为，别让模型滑向刻板的 roleplay。
写 prompt 没必要堆砌字数，把锚点词当骨架，用 1–2 句原则或元描述校准方向，基本就够用了。
之前我讲过用 AI 的时候，模型经常会做大量隐含假设，为了规避不正确假设容易导致规则越写越长，上下文也重。
在agent环境下我通过 memory 记忆我的偏好来消解这些隐含假设，在纯 Chat 原生环境里，我更习惯扔一些“概念锚点”来消解这些隐含假设。
所谓“概念锚点”，本质上就是个“高密度概念召唤词”——一个压缩包。你给一个短词，模型自动在后台解压出几十个隐含条件。
比如写一个“toC化设计”，它一次性就召回了：面向普通用户、视觉吸引、降低认知门槛、情绪表达、网感等一整套范式。反义就是“toB化设计”（信息密集、功能优先、克制）。“苹果风”“赛博朋克”“极简主义”也是同理，直接调用一整个概念簇。
优势是省字、信息密度极高；劣势是它的解读依赖模型对这个概念的“先验”。冷门或新造的词没有语料支撑，就什么也召唤不出来。
所以现在的习惯是：把锚点词当骨架，再用 1–2 句原则去校准方向。
随手盘了一下自己常用的几种锚点类型：
1. 概念锚点： 比如“Bauhaus”“学术综述风格”，一次性召回一个范式簇。
2. 范例锚点： 用具名的产品或人定位。别说“现代感”（那是模糊云），直接说“Linear 的现代感”或者“Wes Anderson 的构图”。模型对具名实体的记忆，定位比形容词准一个数量级。
3. 原则锚点： 告诉模型在两条路之间怎么选，切出非平凡的取舍。比如“宁愿少一句，不要多一句”、“能用动词就不用名词”、“介绍同事，不是卖功能”。
4. 反锚点 / 负向锚点： 把模型的 default 倾向挡回去。点名具体反面，“不要太正式”没用，“不要律师函口吻”、“避免 ChatGPT 默认的那种 bullet 列表”才有效。
5. 关系锚点： 用 X 即 Y / X 不是 Y 的结构。比如“Agent 即同事”、“博客不是论文”。一句话同时完成了正向定义、负向排除和情感定调。
6. 体裁锚点： “changelog 风格”“字典词条”“Twitter thread”。体裁自带结构和节奏，一个词代替五条格式规则。
7. 角色锚点： 给身份打包视角，比如“精算师视角”。最好和原则锚点搭着用——身份给视角，原则给行为，别让模型滑向刻板的 roleplay。
写 prompt 没必要堆砌字数，把锚点词当骨架，用 1–2 句原则或元描述校准方向，基本就够用了。
5 00