为了方便大家顺序阅读，把内容做了一下排序

豆包准备收费、DeepSeek我预计也会很快开启收费版本，不止是成本问题，反内卷也是原因。只有这样，才有应用厂商的 存活和发展空间。

在这之后，我相信，会有越来越多的应用厂商，会结合自己特定的Workflow 数据和 场景，不止做出 应用，更在某个 成本、合规和隐私风控节点 预训练或者 微调 出 类似 Coding Model这样的专业模型能力

拭目以待

某些工程师对低代码零代码叽叽歪歪，本质上还他们觉得这玩意是面向老板的，可能抢了他们饭碗，同时他们还能打得过。

等到大模型Vibe Coding一来，这些工程师们不叽叽歪歪了，因为他们可以先用上，然后省出时间来摸鱼，然后老板推AI 落地的时候，他们反过来说这玩意确实很好，但是统计下来并没有提效多少，还是得我们工程师深度参与

看到一篇帖子，先转来做成图存档

看到有人把钱学森的工程控制论喂给hermes或者Claw，取得了很好的效果。这种尝试很棒。

这里我提几个其他可以喂给龙虾或者什么智能体的分析思路和方法。当然如果有做RL的或者有做SFT的，也可以考虑把我下面这些方法准备那么几千条数据，post training 模型试一下（因为随着软件repo序列数据 通过mid training进模型并取得更好效果，把各领域各种sop、思维方法数据和操作序列 预训练 后训练 进模型 这条路必然会 越走 越 宽）：

1. 霍尔三维模型
2. 系统工程分析方法：题目案模优评策
3. KF思维：
4. 麦肯锡解决问题方法（有本书）
5. 情景规划
6. OSGM，也包括各种变体：IOSGMT一类的
7. WOOP方法

先说这些吧，有测试过效果的欢迎评论和反馈，无论通过Agent还是RL/SFT

看到消息说字节在缩减应用层投入。

要我说，把飞书的AI化做好，已经是足够王者的存在了，没必要自己去扩展那么多 AI 应用。

把更多的应用场景放给我们这种小厂商去厮杀，做好应用入口分发和底层模型供给，然后全球化，基本就是下一个 微软的天量了。

不知道为啥，昨天下午DeepSeek不稳定的同时，我们依赖轨迹流动的kimi-2.5的服务同时也不能用了

这个模式对于做应用层的厂商其实是非常不友好的。比如有的Coding Agent厂商有一些自己特有的解决问题的思路和提示词。然后这些提示词和解决问题的思路其实会在Reasoning Cache这一层被缓存下来。如果平台或模型厂商的这个缓存没有通过用户账号进行隔离，那一些比较好的解决问题的思路本质上是模型厂商，蒸馏和开源给了所有他的用户。

Deepseek V4里面，有一个跟谷歌的Reasoning Bank思路很像的机制，就是他把Reasoning过程中，解析转成文字之前的logit缓存了起来。各种各样的上下文和用户个人信息导致最终的答案缓存命中率很低，但是缓存Reasoning过程中一些思考过程或解决问题的方法，这个方式可能会命中率更高些。

不要用CodeX尝试去写作，尤其是去写作书籍。