正式介绍一下自己的开源项目 qwerty-learner，一个为键盘工作者设计的单词记忆与英语肌肉记忆锻炼软件

很多人打中文速度很快，但输入英语很慢而且容易出现错字，这是因为英语输入的肌肉记忆相对弱，同时也需要持续的背诵单词来巩固英语技能
qwerty 将打字练习和英语背诵结合在一起，可以在背诵单词的同时巩固肌肉记忆

link: qwerty.kaiyi.cool

github: github.com

今晚月食！
红月！

希望所有人未来的生活越来越好！ 🥰

（图偷的 pyq 的，致敬大佬们🫡）

语文老师在教 《观刈麦》 的时候说，他看一个纪录片，说的是手工割麦的老人和收割机的故事

当问为什么手工割麦的老人为什么收费比收割机高的时候，老人说：“我们是人工割的要花很多时间”，然后很多人还是选了收割机。
老师说，他心疼这些老人的困境，又叹息这些老人不会说话，应该说 “我们人工割的细，保证你颗粒归仓，机器可能会浪费很多”。
但我们知道，收割机对手工劳动是碾压级的效率提升

当年的自己还在感慨老人的可怜，可能过不了多久我们就得宣扬自己说 “非遗手法，纯手工写代码”

AI 应用层的机会多的吓人

最简单，作为一个语言模型，现在并没有好用的 AI+写作的工具，很多人写东西还是:
ChatGPT 列大纲 => 让 AI 生成内容 => 复制到 word 里 => 复制出想要修改的部分 => GPT 生成再复制回去 => 循环往复

chatGPT canvas 明显是想解决这个问题，但做的太差了。很多时候写东西还不如用 github-copilot/cursor 好用。

所以，找到合适的垂直领域，找到真正懂这个领域的产品经理，梳理好这个领域传统的工作流程，寻找用 AI 增强的部分，深入的设计优雅好用的交互流程，就能做出不错的产品。
但依旧，不要抱着“AI 颠覆一切”的高傲去做这个事情，AI 现在并不能直接完整颠覆一个领域，应该抱着谦卑的态度深入学习这个领域，以合适的方式去引入 AI，才能让大量的传统用户迁移

如果你需要例子，在前 AI 时代的 notion 就是，这个世界有无数 notes 软件了，但总是各有各的问题，notion 就是懂用户的产品经理，花心思设计一切流程，他不是颠覆性的，不是让用户要学习很多新东西的产品，而是一用就觉得舒服，一用就觉得 “我找到我想要的产品了！” 的感觉。

看好了始祖鸟的一个单肩包，一看这个名字好熟悉，Granville 就是我们公司楼下街的名字，很奇特的感觉

看了一下这个包的故事，是始祖鸟的总部在 Granville 街，员工设计了一个通勤用的包，就以此命名

对我的冲击就像一个很好看的包，名字叫做 滨海大道 🤣

AI 编码能力的增强对初级程序员可能的利空

过去，一般是一个 senior 带几个 junior coder，senior 设计整体架构，junior 去实现，在这个过程中，junior 逐渐学习经验，逐渐成长。
这个过程中，junior 会犯很多错，senior 帮忙 review，从而迁移编码经验

但现在，senior 设计完毕后，AI 编码，然后 review + 修改即可。这显然要比之前快很多，减少了碳基生命之间低效的沟通。
在前 AI 时代就有，“付一个人程序员加班费远比雇两个程序员更有价值，因为沟通效率会严重影响产出”

从这几天的观察来看，deepseek (后面简称 dp)对国内 AI 的整体促进作用是非常夸张的，几个观察
- dp 的优势就是 o1 级的能力，完全开源，并且中文能力强
- 大量大厂 chat bot 放弃自研模型，接入 dp，效果获得巨大提升。当然并不是放弃自研的研发，而是现在有更好用的模型就先用着，之后自己的起来了再切换
- 大量企业内部部署来进行公司内部的使用，很多觉得使用 gpt 麻烦的人（确实麻烦，各种魔法），会使用内部的部署来进行平时的工作，不限于写代码，而是各种职位都开始尝试使用 AI，开始提效
- 在国内破圈，之前喊了这么久的 AI，其实国内普通人并没有用到质量合格的 AI，大量的人至于尝鲜。现在不止 dp 官方，各种 chatbot 都开始接入 dp，国内普通人第一次开始深入把 AI 接入 chatbot
- 大量传统企业，特别是国央企获得可信任 自部署的模型，这个的影响会比想象的深远
deepseek 这一波的影响会持续扩散，半年后往回看，可能会更有感慨

从小多动症，主打话多，日常接话把逗笑全班，然后被迫跟老师同桌

老师说我 “你以后能靠嘴赚钱么？！”

🥹，老师，我好像赚到了一点

跨越大洋，经历了漫长的加拿大邮政罢工， PaddingLeft 项链终于但我手上了

成为加拿大最 coooool 的 coder

（我应该是加拿大第一个拥有 PaddingLeft 的人吧 😆）

“今年过年不放假”
“公司新年活动是印度大哥用英语主持，活动答题涉及 韩国 越南的过年风俗，一脸懵逼”
“上完班吃年夜饭，吃完明天上班”

祝大家新年快乐！！！(˶╹ꇴ╹˶)🧨

没做过 AI app 的：AGI 要来了，AI 无敌了
做个 AI app：难说 难说
目前现状是，对于简单任务，zero-shot，即只通过描述任务就可以让 AI 完成任务的效果真的很惊艳
但对于复杂任务，就需要设计复杂的 pipeline，去解决 AI 的幻想、不确定性。现在遇到问题最佳的解决方案依旧是加更多的 AI 进去，但就会造成一个 pipeline 要处理很久，用户可没那么多耐心
“There is a wall”
这个 wall 就是，如果基础模型不能持续提升，那就需要在 ai model 之上设计更多复杂的 pipeline 去做处理。但因为 llm 的不确定性，增加的 pipeline 可能是 *上雕花，并不能获得确定的提升，甚至可能在部分场景的反作用。
而，如果基础模型能持续提升，人类搞得复杂 pipeline 可能在基础模型升级后变得毫无意义。
当你真的开始用 AI 去做一个复杂任务，就会遇到跟不确定性搏斗的痛苦。
当然，这是站在旧时代程序员尊崇的确定性上得出的结论，可能下一个范式就是接纳不确定性，与不确定性共舞，或者在不确定性的基础上找到确定性。
就像单个分子的热运动是不规则的，但海量分子就会表现出规则的物理现象。
如何把 AI 的不确定性以确定的方式构建工程框架可能是一个有趣的方向