沉淀了三个月关于做语音产品的思考，回答下面五个问题：

1. 语音是一种怎样的信息模态？
2. 口语对话？人类最早的交流方式
3. 语音产品（Voice-first），有什么特点？
4. 语音产品（Voice-first），为什么是现在？
5. LUI 还是 GUI？如何做一款 Voice-first产品？

文字是线性的，思想是网状的。用线性的文字把思绪记录下来，也算是对思维的梳理。

Now is the time to reinvent the phone call，
是时候重塑传统的电话体验了。

这句话的含金量还在上升

Harrison 这篇文章是近期看到最冷静地谈“what’s going on” 的一篇。

关于有了coding agents之后产品、设计、工程如何相互协同，需要新的workflow。

这篇文章主要指出了变化在哪，而什么会是比较好的组织与AI协同的workflow，是目前很少有人分享/重视，也是自己最近在做事的过程同时旁观思考的。

“当我试图”捕捉”自我时，我究竟找到了什么？”

大卫休谟说“什么也没找到”。
他是西哲历史上最彻底的经验主义者。

闭上眼睛，向内审视——他发现的不是一个稳定的”我”，而是一连串永不停歇的知觉流：热、冷、光、暗、爱、恨、痛苦、快乐……这些知觉一个接一个地涌现，从不静止，但却找不到任何一个印象可以对应”自我本身”。

所以自我不是一个实体，而是一束知觉（a bundle of perceptions）。

人就像一个剧场，各种知觉在上面轮番登场，但剧场本身——那个所谓的”观众”或”舞台”——并不存在。我们以为有一个连续的”我”贯穿时间，不过是记忆和想象力把零散的经验缝合起来制造的幻觉。

最近在调prompt的过程中有了building agent as software 的感觉

少掉一句话都会影响表现performance
只有细节到极致才能感到模型能力的边界

Instead of building agentic system, I much prefer building app that solve problems with the single responsibility principle.

哲学是一种therapy。

1911年维特根斯坦闯入罗素的办公室后被罗素发现他是个天才。罗素的分析哲学思想启发了维特根斯坦写下《逻辑哲学论》。在那之后，维特根斯坦对语言的认识进行转向，并与罗素的观点产生分歧：

罗素：哲学是发现——发现世界的逻辑结构，发现概念的真正定义。哲学家与科学家一样是探索者。

维特根斯坦：哲学是治疗——不是发现新东西，而是让我们从语言编织的迷宫中走出来。哲学问题不是被解决的，而是被消解的。「哲学的工作本质上是对自身的工作。」

Russell:
Philosophy is discovery — discovering the logical structure of the world, discovering the true definitions of concepts. Philosophers, like scientists, are explorers.

Wittgenstein:
Philosophy is therapy — not discovering new things, but helping us find our way out of the labyrinth woven by language. Philosophical problems are not solved, but dissolved. "The work of philosophy is essentially work on oneself."

回国真好，
已经忘记有这么多美食了。
上个月觉得墨西哥城好，
现在觉得还是国内性价比高。

这美味的麻辣火锅，你可知我想念了多久。

很喜欢Jenson Huang和Jodi的这期访谈，
三十多年的老友，两个人都充满着humanity，
很真诚，just a little bit too personal.

Everyone deserves sometime to be oblivious, cause ignorance is a superpower.

在sf见柏林来的dj约等于在柏林

除了Manus之外其他 ARR 超过 1 亿美金C端AI产品的估值：

Perplexity: $20B
ElevenLabs: $6.6B
Lovable: $6.6B
Replit: $3B+
Suno: $2.5B
Gamma: $2.1B
Character: $1B+

大家好，上个月我从旧金山去纽约参加了 AI Engineer Summit，这是 AI Engineering 里每年最值得关注的硬核会议，也是一年一度头部 AI 工程师们的“聚会”。整个三年里的体验很魔幻也很好玩，高密度的人和信息量，高效、切身地感受到了 AI 模型当前发展的阶段、瓶颈以及各领域里“大家都在做什么”。

本文总结来自现场 Anthropic、Arc、Every等团队的分享以及“怎么做AI Memory”的第二期，把记忆训练进模型里，而不仅仅放在context engineering。包括：

1. RAG 的局限性
2. 上下文嵌入（Context Embeding）： 一种保存领域数据的文本嵌入方式
3. AI Memory：如何把记忆训练到模型里？SFT、RL 、合成数据
4. 如何做模型后训练（Post-training）？LoRA、Prefix、Memory Layer

我最近也在构建一个结合知识图谱的 AI Memory 开源项目，有兴趣 contribute 的朋友可以到文末找我进行交流。