尽量在世界上留下多的、好的、真的痕迹。你无法预期这个物理世界的推荐机制，会在何时把你的痕迹推送到谁的生活窗口中。

随着年岁渐长而逐渐get的一件好事是，对不同的世界观/人生观/价值观在体内融合和撕扯的充分感受、调和、选择。这些“这样不错但那样好像也没什么不好”的观念纠葛，是人生智慧的原矿。

街边烧纸闪动的火光，顷刻被泥石覆没的口岸，都令我怅惘。那个世界好像不属于日常，但生死的边界却总是突然抖动，带走一些人的同时，也在尚活着的人们心里留下难以填补的真空。孙割八卦的热闹显得如此喧哗和无聊，此刻我只想好好抱抱这些我将注定失散的人们、失去的生活。

记录两条自我批评：
1. 要直面最重要的问题。做产品，首先要直面的是产品如何通过创造价值带来商业化成功的问题。这个问题不回答，其他问题也没必要回答。面向伪问题和次级问题的设计再精美都是花里胡哨。
2. 在有deep research之前不会做调研和收集信息的，有了deep research之后只会更加不会了，因为分辨能力和整合能力不会自动补齐。快速拿到像高质量结果的东西会更让人误以为自己会了。

接连温习了何泰然对胡渊铭、陈天奇和杨硕的访谈。诸位从不同人生经历中提炼出的共同观点，还是不怕失败、保持初心、继续做自己有兴趣的事情。知易行难，难以想象这么多年的持续践行需要摆脱多少庸常的引力和俗丽的诱惑。

常记录。哪怕有一天翻着这些记录发现记下来的都是shit，也是一场对由于重复和遗忘而必然到来的麻木的幸免。

“You see, I have the advantage of having found out how hard it is to get to really know something, how careful you have to be about checking the experiments, how easy it is to make mistakes and fool yourself.”（Richard Feynman）

“- full-stack等于什么都要自己造吗？
- 不，full-stack指的是你需要知道什么东西对你最后的outcome会有影响。”
这应当是不分领域的。

很难不被“别处的边缘业务，是我们想做几十年的唯一事情”打动。回想自己做产品那些最浮躁最沮丧的时候，基本上都是急于求成、嫌弃业务太小的时候。还是太盯着「起飞」那一刻了。还是老老实实一砖一瓦盖楼吧，事情做透，心里踏实。

虽然@GillianR 是社会学出身，但说到对于大模型作为一项技术的理解和运用，我觉得丝毫不输我见过的大多数理工类学生。对技术能自如实践的先决条件是对技术建构起正确的理解和思维方式，理工类学生是有些「接触过和使用过」的优势，但大模型的确是一个不同于此前所有技术的技术，它惊人的通用性、摸不太清的能力边界、与人并不完全的相似性、广泛但待激活的各领域知识，使得即使是做出模型的人也难免有盲人摸象的成分。@GillianR 在工作和生活中非常非常善于识别其中适合用大模型及 AI 工具解决的部分，并将效果做到相当惊艳，时常令我感叹自己对 AI 的理解太过片面。张咋啦也是给人类似的感觉。从她们的实践中，既能直观感受到用好 AI 之后获得的魔法般的力量，又忍不住感叹对新技术的驾驭能力真是能区分出高低的。

AI 对于教学和学习的改变无疑是巨大的，但它仍然更多地表现为教学者和学习者个体在日常中的个性化探索。在 K12 之外，目前的产品尝试集中在素材层提效（快速产出脚本、图片、视频等教学材料或媒介）、既有课程形态编排层加速（更快地产出符合 SCORM 标准的课程）、或是交互层的花哨实验（比如一堆 AI 同学陪你听课讨论），却很少有人试图回答一门「真正有效的好课」应该长什么样、该怎么做。而对话式教学，这个在学习科学里很早就被推崇的教学形式，都被清一色地窄化为了苏格拉底教学法，但我们都试过，永远被问题引导着的学习体验并不好。这些产品真的兑现了我们对 AI 如何重塑学习的期望吗？

AGL是我和 @GillianR 最近合作推出的新产品，试图将「做一门好课」这种难以掌握的专业能力规模化，让不会做课的人快速做出好课；以及，也试图回答对话不止作为教学方法、同时也作为一种新的教学/学习容器，使得它有效、有趣的形态应该是怎样的。它是一个具有 agent 所有特性的产品，但 agent 只是实现上述目的的其中一个手段。

产品目前还比较粗糙，但我们相信它是一个很有生命力的、很真诚的种子，因此我们愿意在早期就分享出来。“虽然论文被批得一无是处，但我现在依然庆幸写了这（第一）篇论文。”（广中平祐）