即刻App年轻人的同好社区
下载
置顶利用节假日，断断续续在 VSCode 的 CodeX 和 Code Buddy 之间来回切换，靠着免费的积分加上付费的 token 续命，开发了一款叫“拾光”的笔记工具，打算当作个人 Agent 模式来用。目前还在摸索阶段，持续迭代开发中。
全天耗在搞 App 端配色上了，真是折腾得心力交瘁！最开始是蓝色，后来改紫色，又换成浅绿色，现在又定稿了深绿色。各种“绿”色把我自己都绕晕了，选颜色真让人头大。
作为一款笔记+Agent 工具，核心绝对是阅读体验优先。最终参考了微信聊天配色，整体以偏深的绿色为基调（具体叫啥绿，各平台叫法不一，我也放弃了研究名字了）。另外还特意把之前纯黑的文字改成了深浅灰，以提升阅读舒适度。
搞 UI 和视觉设计真的是一门大学问，色系繁多，极其考验审美。虽然折磨，但收获满满，看着整体界面慢慢成型，整体还是挺满意的。
目前先拿旧网址顶着（www.echeck.cc），新域名还在备案中。不一定能稳定访问，大家随意感受一下。看着它一点点生长，希望它能像名字一样，让记录产生连接。
感谢这个充实的节假日，继续折腾，继续生长！✨
全天耗在搞 App 端配色上了，真是折腾得心力交瘁！最开始是蓝色，后来改紫色，又换成浅绿色，现在又定稿了深绿色。各种“绿”色把我自己都绕晕了，选颜色真让人头大。
作为一款笔记+Agent 工具，核心绝对是阅读体验优先。最终参考了微信聊天配色，整体以偏深的绿色为基调（具体叫啥绿，各平台叫法不一，我也放弃了研究名字了）。另外还特意把之前纯黑的文字改成了深浅灰，以提升阅读舒适度。
搞 UI 和视觉设计真的是一门大学问，色系繁多，极其考验审美。虽然折磨，但收获满满，看着整体界面慢慢成型，整体还是挺满意的。
目前先拿旧网址顶着（www.echeck.cc），新域名还在备案中。不一定能稳定访问，大家随意感受一下。看着它一点点生长，希望它能像名字一样，让记录产生连接。
感谢这个充实的节假日，继续折腾，继续生长！✨
0 00
拾光 App 新手指南来了！它不是纯笔记工具，而是你的第二大脑。
1. 降低门槛。 我用 Dify 搭 RAG 知识库时发现，AI 编排和自定义工作流门槛太高，普通人根本玩不转。拾光要做的是把复杂留给自己，把简单留给你。
2. 挖掘盲区。 市面竞品要么做会议录音，要么做回忆录，都停留在“存”的层面。拾光要做的，是让知识彼此碰撞、主动连接。正如卢曼所说：“没有写作就不可能思考”——而拾光让写下的每一条笔记都成为连接网络的节点，像大脑神经元一样自然勾连。
3. 喂养 AI。 AI 再强大，没有专属资料库也只是空壳。OpenAI 官方就明确指出，用个人内容训练模型能显著提升其对用户具体问题的解决能力。而你日常记录的那些笔记，正是喂养 AI 最好的语料。
4. 瞄准特定垂直场景（如学术研究者的文献笔记流、产品经理的需求洞察流），用 AI Agent 深度嵌入你的工作流，而非做一个通用笔记助手。产品经理做需求洞察与垂直应用，学术研究者做报告分析与文献笔记，拾光都能帮你沉淀、连接、调用。
拾光：不只记录，更是生长。
1. 降低门槛。 我用 Dify 搭 RAG 知识库时发现，AI 编排和自定义工作流门槛太高，普通人根本玩不转。拾光要做的是把复杂留给自己，把简单留给你。
2. 挖掘盲区。 市面竞品要么做会议录音，要么做回忆录，都停留在“存”的层面。拾光要做的，是让知识彼此碰撞、主动连接。正如卢曼所说：“没有写作就不可能思考”——而拾光让写下的每一条笔记都成为连接网络的节点，像大脑神经元一样自然勾连。
3. 喂养 AI。 AI 再强大，没有专属资料库也只是空壳。OpenAI 官方就明确指出，用个人内容训练模型能显著提升其对用户具体问题的解决能力。而你日常记录的那些笔记，正是喂养 AI 最好的语料。
4. 瞄准特定垂直场景（如学术研究者的文献笔记流、产品经理的需求洞察流），用 AI Agent 深度嵌入你的工作流，而非做一个通用笔记助手。产品经理做需求洞察与垂直应用，学术研究者做报告分析与文献笔记，拾光都能帮你沉淀、连接、调用。
拾光：不只记录，更是生长。
0 00
用workbuddy里面DS V4.1-Flash当日额度用光，本来切GLM5.3。
手贱用了Kimi-K3,一个并不复杂（SaaS租户套餐开发）任务花了2000+积分，换DS/GLM可能只需数十积分。
手贱用了Kimi-K3,一个并不复杂（SaaS租户套餐开发）任务花了2000+积分，换DS/GLM可能只需数十积分。
0 10
别把“同款模型”当“同款体验”：WorkBuddy 的 DeepSeek 为什么不如官方 API？
最近实测发现：WorkBuddy 自带的 DeepSeek-V4.1-Flash，和走官方 API 的 DSH 相比，产出文件质量明显差一截。换成官方 API 后，长文档、代码、复杂任务都稳很多。
查了来源才明白：WorkBuddy 里的模型不是直连 DeepSeek 官网，而是腾讯云托管的开源权重。权重同源，但服务不同。
核心差异有三层：
1. 调用路径不同
官方 API 走 api.deepseek.com，原厂直营；WorkBuddy 走云厂商内部端点，自部署、自运维。
2. 硬件与推理策略不同
V4.1-Flash 满血需 614GB 显存、8 卡 H200 级别。云厂商若压缩上下文、量化、共享算力，质量就会打折。WorkBuddy 只给 300k 上下文，而 CodeBuddy 给 1M，就是例子。
3. 服务层差距最大
官方有上下文硬盘缓存、深度推理优化、工具调用解析；云托管很难完全复现。同一模型在不同平台，GPQA 科学推理能差 15 分，TAU-Bench 工具调用能差 23 分——工具调用差 20 分，Agent 失败率可能翻倍。
所以，WorkBuddy 不是“李鬼”，是官方授权、云厂商自部署的托管版。但开源权重 ≠ 官方体验。权重决定下限，服务层决定上限。
建议：
· 轻量任务、原型验证：WorkBuddy 免费/低价额度够用。
· 复杂推理、长文档、Agent、文件产出：填官方 API Key，或直接用官方。
· 别被“同款模型”迷惑，同款权重，不同智能。
开源给了选择权，但选择之后，跑法才是关键。难怪 workbuddy 积分套餐消耗 token 比官方便宜，同名不同款，托管版会降智！
#DeepSeek #AI工具 #WorkBuddy #大模型 #开源模型
最近实测发现：WorkBuddy 自带的 DeepSeek-V4.1-Flash，和走官方 API 的 DSH 相比，产出文件质量明显差一截。换成官方 API 后，长文档、代码、复杂任务都稳很多。
查了来源才明白：WorkBuddy 里的模型不是直连 DeepSeek 官网，而是腾讯云托管的开源权重。权重同源，但服务不同。
核心差异有三层：
1. 调用路径不同
官方 API 走 api.deepseek.com，原厂直营；WorkBuddy 走云厂商内部端点，自部署、自运维。
2. 硬件与推理策略不同
V4.1-Flash 满血需 614GB 显存、8 卡 H200 级别。云厂商若压缩上下文、量化、共享算力，质量就会打折。WorkBuddy 只给 300k 上下文，而 CodeBuddy 给 1M，就是例子。
3. 服务层差距最大
官方有上下文硬盘缓存、深度推理优化、工具调用解析；云托管很难完全复现。同一模型在不同平台，GPQA 科学推理能差 15 分，TAU-Bench 工具调用能差 23 分——工具调用差 20 分，Agent 失败率可能翻倍。
所以，WorkBuddy 不是“李鬼”，是官方授权、云厂商自部署的托管版。但开源权重 ≠ 官方体验。权重决定下限，服务层决定上限。
建议：
· 轻量任务、原型验证：WorkBuddy 免费/低价额度够用。
· 复杂推理、长文档、Agent、文件产出：填官方 API Key，或直接用官方。
· 别被“同款模型”迷惑，同款权重，不同智能。
开源给了选择权，但选择之后，跑法才是关键。难怪 workbuddy 积分套餐消耗 token 比官方便宜，同名不同款，托管版会降智！
#DeepSeek #AI工具 #WorkBuddy #大模型 #开源模型
2 00
调研分析用国内模型，严谨的论证用海外模型。
日常用 Workbuddy 模型，现有积分可免费调用。用了 DeepSeek、智谱以及 Kimi，其中用 DeepSeek 的居多一点。后来发现，智谱的 GLM3 感觉也不错，但速度太慢了，而且智能程度也不一定比 DeepSeek 强很多。偶尔用了一下混元 4，输出结果有时候不如 DeepSeek。
从这些体验中，我发现“Agent如何编排”这点很关键。使用智能体，主要靠约束、规范以及 Agent 之间的上下文关系，这个点其实很重要，可以把模型的能力稍微放大。至于放大是 1 倍、2 倍还是 5 倍，这就看具体任务的难易程度及个人的操作方法来区别感受了。
日常用 Workbuddy 模型，现有积分可免费调用。用了 DeepSeek、智谱以及 Kimi，其中用 DeepSeek 的居多一点。后来发现，智谱的 GLM3 感觉也不错，但速度太慢了，而且智能程度也不一定比 DeepSeek 强很多。偶尔用了一下混元 4，输出结果有时候不如 DeepSeek。
从这些体验中，我发现“Agent如何编排”这点很关键。使用智能体，主要靠约束、规范以及 Agent 之间的上下文关系，这个点其实很重要，可以把模型的能力稍微放大。至于放大是 1 倍、2 倍还是 5 倍，这就看具体任务的难易程度及个人的操作方法来区别感受了。
Rambo_: 用AI Agent做To B小项目，我的心得体会 近半年用AI Agent做了几个小型项目，最大感受：别做大而全，先做裁剪和共识。 1. 0-1项目，调研文档和软件选型很重要。BRD、MRD、PRD可以靠AI快速完善，但到30%-40%后，真正卡住的是业务规则、业务知识、业务流程和真实调研数据。没这些，AI给的推荐往往是很细的规则点，不是框架，硬补全很耗时。 2. 所以要学会裁剪。To B软件，尤其商业软件/定制软件，可以按端、模块拆开做。早期上线不必强依赖大模型，AI Agent更多是提效工具，不是底座。 3. To B软件本质围绕流程、效率、成本、业财一体化。商业软件有营收压力，定制软件没有，它只服务业务方。方案不一定要绝对正确、合理，而要对齐组织当前认知水平，让老板、业务负责人、执行人达成共识。 4. 定制项目口碑来自两头：老板的认知，和一线执行人的操作体验。很多集成功能不是自上而下设计，而是自下而上长出来的。只要逻辑通、基本功能能实现，就要先满足他们的便捷操作。哪怕放到整体框架里不合适，也由产品/设计再平衡。 一句话总结：AI Agent做To B小项目，核心不是堆AI 多强大，而是裁剪范围、对齐认知、自下而上、快速达成共识并落地。 #AIAgent #ToB产品 #项目复盘 #产品思考
1 00
用AI Agent做To B小项目，我的心得体会
近半年用AI Agent做了几个小型项目，最大感受：别做大而全，先做裁剪和共识。
1. 0-1项目，调研文档和软件选型很重要。BRD、MRD、PRD可以靠AI快速完善，但到30%-40%后，真正卡住的是业务规则、业务知识、业务流程和真实调研数据。没这些，AI给的推荐往往是很细的规则点，不是框架，硬补全很耗时。
2. 所以要学会裁剪。To B软件，尤其商业软件/定制软件，可以按端、模块拆开做。早期上线不必强依赖大模型，AI Agent更多是提效工具，不是底座。
3. To B软件本质围绕流程、效率、成本、业财一体化。商业软件有营收压力，定制软件没有，它只服务业务方。方案不一定要绝对正确、合理，而要对齐组织当前认知水平，让老板、业务负责人、执行人达成共识。
4. 定制项目口碑来自两头：老板的认知，和一线执行人的操作体验。很多集成功能不是自上而下设计，而是自下而上长出来的。只要逻辑通、基本功能能实现，就要先满足他们的便捷操作。哪怕放到整体框架里不合适，也由产品/设计再平衡。
一句话总结：AI Agent做To B小项目，核心不是堆AI 多强大，而是裁剪范围、对齐认知、自下而上、快速达成共识并落地。
#AIAgent #ToB产品 #项目复盘 #产品思考
近半年用AI Agent做了几个小型项目，最大感受：别做大而全，先做裁剪和共识。
1. 0-1项目，调研文档和软件选型很重要。BRD、MRD、PRD可以靠AI快速完善，但到30%-40%后，真正卡住的是业务规则、业务知识、业务流程和真实调研数据。没这些，AI给的推荐往往是很细的规则点，不是框架，硬补全很耗时。
2. 所以要学会裁剪。To B软件，尤其商业软件/定制软件，可以按端、模块拆开做。早期上线不必强依赖大模型，AI Agent更多是提效工具，不是底座。
3. To B软件本质围绕流程、效率、成本、业财一体化。商业软件有营收压力，定制软件没有，它只服务业务方。方案不一定要绝对正确、合理，而要对齐组织当前认知水平，让老板、业务负责人、执行人达成共识。
4. 定制项目口碑来自两头：老板的认知，和一线执行人的操作体验。很多集成功能不是自上而下设计，而是自下而上长出来的。只要逻辑通、基本功能能实现，就要先满足他们的便捷操作。哪怕放到整体框架里不合适，也由产品/设计再平衡。
一句话总结：AI Agent做To B小项目，核心不是堆AI 多强大，而是裁剪范围、对齐认知、自下而上、快速达成共识并落地。
#AIAgent #ToB产品 #项目复盘 #产品思考
0 11
段永平买茅台，我看到了两种“光环”
2026年9月28日，段永平在雪球发了一条简短帖子：“买了点贵州茅台。”交易截图显示，他以1230.85元/股买入3万股，耗资约3692.54万元。
消息发出后，茅台午后拉升翻红，收盘涨0.56%。一笔不到四千万的买入，撬动了一家1.55万亿市值公司的股价异动。这就是“光环效应”的当代版本。
但有意思的是，段永平自己可能不这么想。
他不是“短线”，他只是没在等
外界最爱贴的标签是“长期价值投资者却出现了短期行为”。但翻看他的公开表态，逻辑其实一以贯之。
今年5月，有投资者问他全仓茅台半年要不要调仓，他直接回了一句：“我今天还买了茅台啊，你会凌乱吗？”更早之前他放话：“我敢抱着茅台跟任何国内基金赌一个亿人民币，以十年为限。”
他的核心逻辑不是“茅台会涨”，而是“拿着现金更难受”。他曾说过，自己在茅台2600块时就想卖，但真正阻止他的不是对公司判断的改变，而是“卖了之后买什么”的机会成本权衡。他是个满仓主义者，宁可拿着“知道早晚会回来”的东西。
所以这3692万，在他自己的框架里，是一次基于十年尺度的机会成本决策，而不是一次短线博反弹。
但市场不这么读。市场读的是：段永平买了。然后跟。
光环效应：当一个人的判断力被“溢出”了
心理学上有个概念叫光环效应（Halo Effect）。最早是美国军方发现的：士兵如果在一项品质上得了高分（比如整洁），评估者会连带给其他完全不相关的品质（比如忠诚、体能）也打高分。
这个认知偏差搬到投资市场，就变成了一个更危险的东西：当一个人被贴上“成功投资者”的标签后，他做的任何事都会被默认是对的。 他买的股票会被认为“有前途”，他说的话会被当成“信号”，甚至他的沉默都会被解读出某种含义。
巴菲特是这方面的经典案例。2011年，巴菲特宣布向美国银行投资50亿美元，消息一出，美银股价盘中飙升，市值一度增加180亿美元。更夸张的是，花旗和富国等其他银行的股价也跟着涨了——仅仅因为市场推测“巴菲特看好银行板块”。
段永平在中国投资圈的处境类似。他没有华尔街的光环，也不常上财经头条，但雪球账号上寥寥数语，就足以“引发市场震荡与散户跟风”。这次买入茅台，帖子发出后茅台股价午后翻红，几乎是同一个机制的复刻。
“黑红也是红”的陷阱
现在把镜头拉远一点。
“光环效应”在当下的极端形态，是“黑红也是红”。有品牌故意触碰底线制造争议，赌的是“关注度本身就是资产”。但数据很残酷：行业研究显示，“黑流量”的转化率远低于“红流量”——骂你的人不会为你买单，围观者的注意力下一秒就会被新热点带走。
更深层的问题是，黑红消耗的是一种不可再生资源：信任。永和豆浆做了40多年国民早餐，一条几十秒的擦边视频就足以让消费者说“再没有买的兴致了”。
段永平的光环恰恰是另一种东西。他通过雪球分享投资思考的方式是“不荐股、不预测、不煽动，只讲逻辑与常识”。他的影响力建立在二十多年积累的“判断力记录”上——网易、苹果、茅台，每一次都是在别人恐慌或看不懂的时候出手，然后用时间证明判断。
这种光环不是靠争议赚来的，也因此不会因为一次争议而崩塌。
为什么段永平的光环“拉不下来”
回到用户提出的那个洞察：一个人成了之后，光环效应一旦具备，就轻易不会拉下来。
这个判断对了一半。
光环效应确实有惯性。思科在2000年巅峰时被媒体誉为“信息高速公路的微软”，CEO钱伯斯被称作“天才CEO”。泡沫破裂后，同一批媒体立刻改口，说他“傲慢自大、抗拒变化”。光环没有消失，它翻转了方向。
真正的区别在于，光环的底座是什么。如果底座是短期的业绩数字或流量数据，那光环会随着数字波动而剧烈摇摆。但如果底座是一套可验证的、长期一致的判断逻辑，光环就有了抗周期能力。
段永平在茅台股价腰斩时的态度是：“一个股票要是扛不住掉50%，就不应该买入。”这句话本身也是一种光环——它传递的不是“茅台一定会涨”，而是“这个人知道自己为什么持有”。前者会被证伪，后者很难。
人人都向往光环加身，出名要趁早。但值得想清楚的是：你想要的光环，是让别人的注意力停留在你身上的那种，还是让别人的判断力愿意托付给你的那种？
前者靠一次热点就能获得，也靠一次热点就能失去。
后者，需要很多年。
2026年9月28日，段永平在雪球发了一条简短帖子：“买了点贵州茅台。”交易截图显示，他以1230.85元/股买入3万股，耗资约3692.54万元。
消息发出后，茅台午后拉升翻红，收盘涨0.56%。一笔不到四千万的买入，撬动了一家1.55万亿市值公司的股价异动。这就是“光环效应”的当代版本。
但有意思的是，段永平自己可能不这么想。
他不是“短线”，他只是没在等
外界最爱贴的标签是“长期价值投资者却出现了短期行为”。但翻看他的公开表态，逻辑其实一以贯之。
今年5月，有投资者问他全仓茅台半年要不要调仓，他直接回了一句：“我今天还买了茅台啊，你会凌乱吗？”更早之前他放话：“我敢抱着茅台跟任何国内基金赌一个亿人民币，以十年为限。”
他的核心逻辑不是“茅台会涨”，而是“拿着现金更难受”。他曾说过，自己在茅台2600块时就想卖，但真正阻止他的不是对公司判断的改变，而是“卖了之后买什么”的机会成本权衡。他是个满仓主义者，宁可拿着“知道早晚会回来”的东西。
所以这3692万，在他自己的框架里，是一次基于十年尺度的机会成本决策，而不是一次短线博反弹。
但市场不这么读。市场读的是：段永平买了。然后跟。
光环效应：当一个人的判断力被“溢出”了
心理学上有个概念叫光环效应（Halo Effect）。最早是美国军方发现的：士兵如果在一项品质上得了高分（比如整洁），评估者会连带给其他完全不相关的品质（比如忠诚、体能）也打高分。
这个认知偏差搬到投资市场，就变成了一个更危险的东西：当一个人被贴上“成功投资者”的标签后，他做的任何事都会被默认是对的。 他买的股票会被认为“有前途”，他说的话会被当成“信号”，甚至他的沉默都会被解读出某种含义。
巴菲特是这方面的经典案例。2011年，巴菲特宣布向美国银行投资50亿美元，消息一出，美银股价盘中飙升，市值一度增加180亿美元。更夸张的是，花旗和富国等其他银行的股价也跟着涨了——仅仅因为市场推测“巴菲特看好银行板块”。
段永平在中国投资圈的处境类似。他没有华尔街的光环，也不常上财经头条，但雪球账号上寥寥数语，就足以“引发市场震荡与散户跟风”。这次买入茅台，帖子发出后茅台股价午后翻红，几乎是同一个机制的复刻。
“黑红也是红”的陷阱
现在把镜头拉远一点。
“光环效应”在当下的极端形态，是“黑红也是红”。有品牌故意触碰底线制造争议，赌的是“关注度本身就是资产”。但数据很残酷：行业研究显示，“黑流量”的转化率远低于“红流量”——骂你的人不会为你买单，围观者的注意力下一秒就会被新热点带走。
更深层的问题是，黑红消耗的是一种不可再生资源：信任。永和豆浆做了40多年国民早餐，一条几十秒的擦边视频就足以让消费者说“再没有买的兴致了”。
段永平的光环恰恰是另一种东西。他通过雪球分享投资思考的方式是“不荐股、不预测、不煽动，只讲逻辑与常识”。他的影响力建立在二十多年积累的“判断力记录”上——网易、苹果、茅台，每一次都是在别人恐慌或看不懂的时候出手，然后用时间证明判断。
这种光环不是靠争议赚来的，也因此不会因为一次争议而崩塌。
为什么段永平的光环“拉不下来”
回到用户提出的那个洞察：一个人成了之后，光环效应一旦具备，就轻易不会拉下来。
这个判断对了一半。
光环效应确实有惯性。思科在2000年巅峰时被媒体誉为“信息高速公路的微软”，CEO钱伯斯被称作“天才CEO”。泡沫破裂后，同一批媒体立刻改口，说他“傲慢自大、抗拒变化”。光环没有消失，它翻转了方向。
真正的区别在于，光环的底座是什么。如果底座是短期的业绩数字或流量数据，那光环会随着数字波动而剧烈摇摆。但如果底座是一套可验证的、长期一致的判断逻辑，光环就有了抗周期能力。
段永平在茅台股价腰斩时的态度是：“一个股票要是扛不住掉50%，就不应该买入。”这句话本身也是一种光环——它传递的不是“茅台一定会涨”，而是“这个人知道自己为什么持有”。前者会被证伪，后者很难。
人人都向往光环加身，出名要趁早。但值得想清楚的是：你想要的光环，是让别人的注意力停留在你身上的那种，还是让别人的判断力愿意托付给你的那种？
前者靠一次热点就能获得，也靠一次热点就能失去。
后者，需要很多年。
1 00