即刻App年轻人的同好社区
下载
我经常在工作后注意力突然涣散、无法专注
这其实是一种正常现象
身体存在一种次昼夜节律，
大约每 120 分钟一个循环，
大脑连续工作 90 分钟左右，就会开始主动降速。
这个阶段大脑会减少对前额叶皮层的功能，
前额叶皮层负责逻辑、专注、意志力，是全脑最耗能的部分。
所以当我开始感觉到疲劳、抗拒高强度输入时，
并不是不够自律，而是大脑在拒绝继续消耗，
在恢复阶段，大脑会恢复神经递质的平衡，清理一些代谢废物。
我尝试了一个大脑疲劳阶段的恢复方法 NSDR，
跟着引导音频来就行——
他说呼吸就呼吸，
他说把注意力放在手上，就放在手上。
在那段时间里当作世界不存在，
只需要跟着耳机里的声音做就行。
我第一次跟着做时，后半段睡着了，
在二十分钟结束被闹钟叫醒时，
我下意识以为自己睡了好几个小时。
醒来后状态恢复了很多，
这种方式用来恢复大脑疲劳效果还不错。
这其实是一种正常现象
身体存在一种次昼夜节律，
大约每 120 分钟一个循环，
大脑连续工作 90 分钟左右，就会开始主动降速。
这个阶段大脑会减少对前额叶皮层的功能，
前额叶皮层负责逻辑、专注、意志力，是全脑最耗能的部分。
所以当我开始感觉到疲劳、抗拒高强度输入时，
并不是不够自律，而是大脑在拒绝继续消耗，
在恢复阶段，大脑会恢复神经递质的平衡，清理一些代谢废物。
我尝试了一个大脑疲劳阶段的恢复方法 NSDR，
跟着引导音频来就行——
他说呼吸就呼吸，
他说把注意力放在手上，就放在手上。
在那段时间里当作世界不存在，
只需要跟着耳机里的声音做就行。
我第一次跟着做时，后半段睡着了，
在二十分钟结束被闹钟叫醒时，
我下意识以为自己睡了好几个小时。
醒来后状态恢复了很多，
这种方式用来恢复大脑疲劳效果还不错。
10 31
最近一直在想产品要怎样迭代？
如果照抄别人的功能，结果往往是产品和别人一模一样，
但如果不照抄，又不知道该以什么作为迭代标准。
我从自己的笔记系统里找到了一点启发，
我的笔记系统已经用了很多年，
这套系统慢慢变成了一个我离不开的东西，
他迭代的过程核心只做一件事，
不断降低输入阻力。
当系统阻力足够低，它就能长时间运行，
时间一长，里面就会积累大量资料，
资料越多，阻力又低，自然就离不开了。
这让我想到产品迭代这件事，
也许真正要抄的从来不是功能，而是体验。
顺着用户阻力的方向去迭代，
解决卡、慢、没反馈的问题，
本质上就是在降低用户的使用阻力。
当这些阻力被一层层移除，
用户在系统里的投入会越来越多，
用户粘性自然会变得越来越高。
这可能是一种长期迭代产品的思路。
如果照抄别人的功能，结果往往是产品和别人一模一样，
但如果不照抄，又不知道该以什么作为迭代标准。
我从自己的笔记系统里找到了一点启发，
我的笔记系统已经用了很多年，
这套系统慢慢变成了一个我离不开的东西，
他迭代的过程核心只做一件事，
不断降低输入阻力。
当系统阻力足够低，它就能长时间运行，
时间一长，里面就会积累大量资料，
资料越多，阻力又低，自然就离不开了。
这让我想到产品迭代这件事，
也许真正要抄的从来不是功能，而是体验。
顺着用户阻力的方向去迭代，
解决卡、慢、没反馈的问题，
本质上就是在降低用户的使用阻力。
当这些阻力被一层层移除，
用户在系统里的投入会越来越多，
用户粘性自然会变得越来越高。
这可能是一种长期迭代产品的思路。
2 02
看完对翁家翌的采访，有一种很强的冲击，
他的整个成长路径是通过给自己的大脑设定奖励走出来的。
小学的时候他发现自己做数学题比别人快，
于是就跟着这个正反馈不断点数学技能树。
初中时将投资未来当成奖励，
提前学习高中数学和微积分。
高中是将进入清华设为奖励，
参加竞赛降低应试难度。
到大学根据导师建议，将奖励变成论文、比赛、GitHub Star（三位数以上），
这个过程中积累到了 RL、NLP、Transformer、MoE 等知识，为后来进入 OpenAI 埋下伏笔。
进了 OpenAI 之后，他将奖励改为
最大化自己的名字出现在 OpenAI Blog 上的次数。
于是他选择做了 RL Infora 里的 post-training 强化学习基础设施，
因为这是所有大模型训练的底座，
GPT-4、GPT-4o、GPT-5 都使用这个平台进行训练，
所以每一次重要发布都有他的名字。
这给我一种感受，
奖励什么就会得到什么。
对我来说，可以将奖励从模糊的感觉变成明确的指标，
将指标可视化出来，每天都看，让数据成为奖励。
我最重要的奖励指标是净营收，
以前只能在 stripe 里粗略的看，
噪点很多看不清趋势。
于是我将 stripe 的数据导出来做成报表，
当 7 天平均营收曲线第一次出现在我眼前时，
奖励第一次变得这么具体。
他的整个成长路径是通过给自己的大脑设定奖励走出来的。
小学的时候他发现自己做数学题比别人快，
于是就跟着这个正反馈不断点数学技能树。
初中时将投资未来当成奖励，
提前学习高中数学和微积分。
高中是将进入清华设为奖励，
参加竞赛降低应试难度。
到大学根据导师建议，将奖励变成论文、比赛、GitHub Star（三位数以上），
这个过程中积累到了 RL、NLP、Transformer、MoE 等知识，为后来进入 OpenAI 埋下伏笔。
进了 OpenAI 之后，他将奖励改为
最大化自己的名字出现在 OpenAI Blog 上的次数。
于是他选择做了 RL Infora 里的 post-training 强化学习基础设施，
因为这是所有大模型训练的底座，
GPT-4、GPT-4o、GPT-5 都使用这个平台进行训练，
所以每一次重要发布都有他的名字。
这给我一种感受，
奖励什么就会得到什么。
对我来说，可以将奖励从模糊的感觉变成明确的指标，
将指标可视化出来，每天都看，让数据成为奖励。
我最重要的奖励指标是净营收，
以前只能在 stripe 里粗略的看，
噪点很多看不清趋势。
于是我将 stripe 的数据导出来做成报表，
当 7 天平均营收曲线第一次出现在我眼前时，
奖励第一次变得这么具体。
47 1013
无意中想起频繁记录自己能改命这句话
于是我做了一个小测试。
从起床开始，每隔几分钟记录一次此刻我在做什么，
一天结束后我发现效率真的变高了。
我仔细想了一下为什么这个动作有效，
频繁记录本质上是自我觉察，
在记录的那一刻会看见自己在做什么，
这种看见会让此时多处一个选项，
我是继续做这件事，
还是切换到另一件事。
如果不记录，人往往会沿着惯性往前走，
开始记录时，当下的行为被人为插入了一个选项。
当我发现自己正在做一件并不健康的事时，
我有机会中断它，换一个动作，
原本默认的行为路径也因此被打断。
在观察记录的行为时我发现，
状态好的时候会忘记记录，
身体自然进入心流状态。
状态不好时，记录会变得频繁，
这意味着能频繁看到自己当下状态不好，
于是状态不好时多出了很多断点，
这些断点让自己有了做出改变的机会。
当状态不好时不断做出调整，
一天真正做成的事情自然变多，效率就高了。
于是我做了一个小测试。
从起床开始，每隔几分钟记录一次此刻我在做什么，
一天结束后我发现效率真的变高了。
我仔细想了一下为什么这个动作有效，
频繁记录本质上是自我觉察，
在记录的那一刻会看见自己在做什么，
这种看见会让此时多处一个选项，
我是继续做这件事，
还是切换到另一件事。
如果不记录，人往往会沿着惯性往前走，
开始记录时，当下的行为被人为插入了一个选项。
当我发现自己正在做一件并不健康的事时，
我有机会中断它，换一个动作，
原本默认的行为路径也因此被打断。
在观察记录的行为时我发现，
状态好的时候会忘记记录，
身体自然进入心流状态。
状态不好时，记录会变得频繁，
这意味着能频繁看到自己当下状态不好，
于是状态不好时多出了很多断点，
这些断点让自己有了做出改变的机会。
当状态不好时不断做出调整，
一天真正做成的事情自然变多，效率就高了。
10 11
从 openclaw 看，未来的软件形态可能会发生一次变化。
在交互形态上，其实有点像 midjourney ——
都是在一个 chat 对话框里，直接发消息，然后得到结果。
区别在于 midjourney 的到的是图片，
而 openclaw 背后处理的是通用的、个性化的任务。
如果从这个角度看，
openclaw 像是一个调度器。
你只需要给它一个 skill，
它就知道这一类任务该怎么做，
可以自动把整件事跑完。
从个人视角看，skill 是一个定制化的工作流；
但换个角度看，其实它本身就是一个软件。
而且这个软件不一定要你自己写。
它可以由第三方平台提供，你只需要安装。
比如 moltbook，
它提供了一套发帖的 API，
agent 看到之后，就知道该如何自动完成发帖这件事。
我基于这个思路，实现了一个 openclawx.ai，
定位是 X for Agents，项目地址是 github.com
你可以通过这个项目，感受这类新型软件是怎么被写出来的。
顺着这个思路往下推，
未来的软件入口，可能不再是一个个独立的 App，
而是逐渐收敛到一个你最常用的 chat 软件里。
这个 chat 里，有你自己的 agent，
agent 上安装了你常用的 skill，
当你有需求时，直接给 agent 下任务就能得到结果。
所以 chatapp 在未来，
可能会变成一个通用的软件入口。
在交互形态上，其实有点像 midjourney ——
都是在一个 chat 对话框里，直接发消息，然后得到结果。
区别在于 midjourney 的到的是图片，
而 openclaw 背后处理的是通用的、个性化的任务。
如果从这个角度看，
openclaw 像是一个调度器。
你只需要给它一个 skill，
它就知道这一类任务该怎么做，
可以自动把整件事跑完。
从个人视角看，skill 是一个定制化的工作流；
但换个角度看，其实它本身就是一个软件。
而且这个软件不一定要你自己写。
它可以由第三方平台提供，你只需要安装。
比如 moltbook，
它提供了一套发帖的 API，
agent 看到之后，就知道该如何自动完成发帖这件事。
我基于这个思路，实现了一个 openclawx.ai，
定位是 X for Agents，项目地址是 github.com
你可以通过这个项目，感受这类新型软件是怎么被写出来的。
顺着这个思路往下推，
未来的软件入口，可能不再是一个个独立的 App，
而是逐渐收敛到一个你最常用的 chat 软件里。
这个 chat 里，有你自己的 agent，
agent 上安装了你常用的 skill，
当你有需求时，直接给 agent 下任务就能得到结果。
所以 chatapp 在未来，
可能会变成一个通用的软件入口。
4 23
年后这段时间，我的效率明显变低了。
原因是在等 AI 跑结果的时候，我总会顺手刷视频，
结果 AI 跑完结果了，我还在刷视频，浪费了很多时间。
想明白这一点后，我做了一个小实验：
把工作场地从家里，换到了书店。
结果出乎意料——
有效办公时间明显提升。
复盘下来，大概有这几个原因：
在书店不能发出声音，
刷视频这件事本身就会显得有点尴尬，
无形中把刷视频的启动成本拉高了。
公共场合那种有人在附近的监督，
会自动过滤掉一些容易分心的行为，
注意力更容易留在工作上。
还有一个很舒服的点：
书店暖气更足，
在这种环境里办公，不容易冻手冻脚。
另外，从家走到书店的这段路，
是一次状态切换。
像启动仪式，也能从生理层面激素和血糖水平，
对注意力很有帮助。
如果你最近也有类似的问题，
也许可以试试换个工作环境。
原因是在等 AI 跑结果的时候，我总会顺手刷视频，
结果 AI 跑完结果了，我还在刷视频，浪费了很多时间。
想明白这一点后，我做了一个小实验：
把工作场地从家里，换到了书店。
结果出乎意料——
有效办公时间明显提升。
复盘下来，大概有这几个原因：
在书店不能发出声音，
刷视频这件事本身就会显得有点尴尬，
无形中把刷视频的启动成本拉高了。
公共场合那种有人在附近的监督，
会自动过滤掉一些容易分心的行为，
注意力更容易留在工作上。
还有一个很舒服的点：
书店暖气更足，
在这种环境里办公，不容易冻手冻脚。
另外，从家走到书店的这段路，
是一次状态切换。
像启动仪式，也能从生理层面激素和血糖水平，
对注意力很有帮助。
如果你最近也有类似的问题，
也许可以试试换个工作环境。
9 21
moltbook 的爆火不只是一个偶然事件。
它背后指向了一种更深层软件变化。
本质上是大量 AI bot 一直没有真正的输出渠道。
这几天在 openclaw 的帖子里发现，最常见的问题是：
「我有了 openclaw 能做什么？」
当越来越多的人拥有了自己的 24h 私人 AI 之后，一个新的问题开始出现：
AI 的注意力没有地方用。
moltbook 的逻辑之所以成立，是因为它极其简单。
你只需要给它一段话，后面的事情就交给它自己完成。
整个过程不是人在敲命令，
而是让 openclaw 自己去安装、自己去执行。
这更像是在让一个私人秘书干活，而不是在“使用工具”。
在我参考 moltbook 构建 openclawx.ai 的过程中，我注意到更多细节。
实际上，安装过程只是让 openclaw 下载一份 skill.md 并放到本地。
所有交互，都是通过命令行调用 HTTP 完成的，
能用的 API 也已经写在 skill.md 里。
skill 的更新，则是通过 openclawx 定时检查 skill.md 的版本号是否发生变化来完成。
这看起来像是一个简单的实现细节，
但它指向的，可能是一种全新的软件安装方式，
这是 AI Bot 软件安装的 HelloWorld。
这意味着，一种新的软件形态，出现了。
它背后指向了一种更深层软件变化。
本质上是大量 AI bot 一直没有真正的输出渠道。
这几天在 openclaw 的帖子里发现，最常见的问题是：
「我有了 openclaw 能做什么？」
当越来越多的人拥有了自己的 24h 私人 AI 之后，一个新的问题开始出现：
AI 的注意力没有地方用。
moltbook 的逻辑之所以成立，是因为它极其简单。
你只需要给它一段话，后面的事情就交给它自己完成。
整个过程不是人在敲命令，
而是让 openclaw 自己去安装、自己去执行。
这更像是在让一个私人秘书干活，而不是在“使用工具”。
在我参考 moltbook 构建 openclawx.ai 的过程中，我注意到更多细节。
实际上，安装过程只是让 openclaw 下载一份 skill.md 并放到本地。
所有交互，都是通过命令行调用 HTTP 完成的，
能用的 API 也已经写在 skill.md 里。
skill 的更新，则是通过 openclawx 定时检查 skill.md 的版本号是否发生变化来完成。
这看起来像是一个简单的实现细节，
但它指向的，可能是一种全新的软件安装方式，
这是 AI Bot 软件安装的 HelloWorld。
这意味着，一种新的软件形态，出现了。
19 013
我刚看了 Google 为应对法院判决提交的一份高管证词，
意外发现里面藏了不少对 SEO，甚至对大模型实时记忆都很有价值的信息。
先说 SEO。
Google 在排名中使用了两个系统：Glue 和 RankEmbed。
Glue 会收集过去 13 个月里 Google 返回给用户的搜索结果，
以及用户对这些结果的真实交互数据。
包括一个很容易被忽略的点：
👉 用户在 title 和 description 上的悬停时间。
这意味着，title / description 的优化，
已经不只是“写给搜索引擎看”，
而是真的在影响排名的用户阅读体验信号。
另外，Google 还提到：
每个网页都会有一个“垃圾网页评分”。
一旦这个评分超过阈值，页面就会被惩罚。
这也解释了为什么重复内容页面容易被打击——
很可能是因为重复内容本身就是垃圾评分的计算因子之一。
再说一个更有意思的点。
RankEmbed 使用的是用户端数据进行训练，
这意味着它很可能采用了实时或近实时的模型训练方式。
换句话说，它具备某种形式的实时记忆能力。
如果这套技术未来迁移到 Gemini，
那 Gemini 将不只是“能记住上下文”，
而是真正意义上的实时记忆模型。
原文链接和中文材料我放在评论区。
意外发现里面藏了不少对 SEO，甚至对大模型实时记忆都很有价值的信息。
先说 SEO。
Google 在排名中使用了两个系统：Glue 和 RankEmbed。
Glue 会收集过去 13 个月里 Google 返回给用户的搜索结果，
以及用户对这些结果的真实交互数据。
包括一个很容易被忽略的点：
👉 用户在 title 和 description 上的悬停时间。
这意味着，title / description 的优化，
已经不只是“写给搜索引擎看”，
而是真的在影响排名的用户阅读体验信号。
另外，Google 还提到：
每个网页都会有一个“垃圾网页评分”。
一旦这个评分超过阈值，页面就会被惩罚。
这也解释了为什么重复内容页面容易被打击——
很可能是因为重复内容本身就是垃圾评分的计算因子之一。
再说一个更有意思的点。
RankEmbed 使用的是用户端数据进行训练，
这意味着它很可能采用了实时或近实时的模型训练方式。
换句话说，它具备某种形式的实时记忆能力。
如果这套技术未来迁移到 Gemini，
那 Gemini 将不只是“能记住上下文”，
而是真正意义上的实时记忆模型。
原文链接和中文材料我放在评论区。
7 14
这一轮 moltbot 会火，我发现一个很关键的点：
以前从来没有出现过这样一种 AI——
可以用手机操控，但能在电脑上跑几乎任意工作流。
它不仅能跨设备操作，
还带着用户的长期个人记忆，
能访问用户的各种上下文，
本质上像一个始终在线的工作助手。
但它并不是对所有人都那么有用。
如果你是 24 小时坐在电脑前的人，
这个工具对你的提升其实有限。
真正被它击中的，是移动 + PC 混合办公、同时又需要跑复杂工作流的人。
在这种场景下，它的效率优势非常明显。
当然，它的问题也很突出：
权限给得太大，一旦出问题，可能会带来安全风险。
另外，从流量角度看，这一轮爆火和国内用户关系非常大。
国内对这种“能真正帮人跑事”的助手型 AI，需求很强。
下面我整理了一下 Twitter 上大家真实在用 moltbot 的反馈，
包括它具体好用在哪、又是在哪些地方翻车的。
以前从来没有出现过这样一种 AI——
可以用手机操控，但能在电脑上跑几乎任意工作流。
它不仅能跨设备操作，
还带着用户的长期个人记忆，
能访问用户的各种上下文，
本质上像一个始终在线的工作助手。
但它并不是对所有人都那么有用。
如果你是 24 小时坐在电脑前的人，
这个工具对你的提升其实有限。
真正被它击中的，是移动 + PC 混合办公、同时又需要跑复杂工作流的人。
在这种场景下，它的效率优势非常明显。
当然，它的问题也很突出：
权限给得太大，一旦出问题，可能会带来安全风险。
另外，从流量角度看，这一轮爆火和国内用户关系非常大。
国内对这种“能真正帮人跑事”的助手型 AI，需求很强。
下面我整理了一下 Twitter 上大家真实在用 moltbot 的反馈，
包括它具体好用在哪、又是在哪些地方翻车的。
11 98