即刻App年轻人的同好社区
下载
App内打开
钱学敏
41关注4被关注0夸夸
钱学敏
13:27
钱学敏
13:10

AI可可AI生活: 【AI内容泛滥正在毁掉在线社区，我们正在失去真实网络连接】 快速阅读：当 AI 生成的内容（Slop）变得廉价且海量时，在线社区正面临“信号噪声比”崩塌的危机。这不仅是内容质量的问题，更是由于低成本的合成参与正在侵蚀人类建立信任与连接的基础。 现在的互联网，正被一种名为“AI Slop”的物质淹没。 这不是在危言耸听。如果你最近觉得 Reddit 或 Hacker News 的讨论变得越来越像是在对着空气挥拳，你的感觉是对的。当一个人只需要输入一段 Prompt，就能在 GitHub 上丢下一个“Vibe-coded”的项目，或者在论坛里刷出一堆逻辑平庸但语法正确的“深度好文”时，社区的熵值正在呈指数级上升。 这种现象就像是藤蔓（Bindweed）在蚕食花园。 最糟糕的不是 AI 本身，而是那种“低成本的傲慢”。很多人觉得，既然 AI 能帮我写代码、写博客，那我就应该把这些半成品、甚至只是 Prompt 的产物，一股脑地塞进社区里。他们觉得自己在展示技术，实际上是在增加他人的“认知负荷”。根据 Brandolini 定律，反驳一段废话所消耗的能量，远比生成它要大得多。当社区成员不得不花费大量精力去辨别“这到底是真人的思考，还是某个 Agent 的幻觉”时，他们就会选择撤退。 有网友认为，如果社区无法通过身份验证或“信任网络（Web of Trust）”来过滤这些合成参与，那么公共聊天社区终将走向死亡，或者退化成毫无价值的评论区。 解决办法似乎总在两个极端之间摇摆：要么是极其严苛的身份审查，甚至要求扫描虹膜，这会彻底摧毁隐私；要么是任由其发展，直到真正的信号被噪声彻底淹没。 或许，真正的转机在于我们对“贡献”的重新定义。 与其炫耀你如何用 Claude 快速写出了一个平庸的工具，不如思考：这个东西是否真的解决了社区的问题？你是用 AI 来增强你的思考，还是仅仅想用它来代替思考？ 当互联网上的虚假信号多到让人感到疲惫时，人们可能会被迫回归现实世界，寻找那些无法被模拟的、带有体温的真实连接。 rmoff.net/2026/05/06/ai-slop-is-killing-online-communities

00
钱学敏
3天前
AI时代，一起图解SLAM技术
00
钱学敏
15天前

社交名流UCL预备生: AI时代真正值钱的不是技能，是"心态基建" 很多人以为AI先替代的是重复劳动 错了，它最先干掉的，是"虚假努力"——那种用战术勤奋掩盖战略懒惰的状态 📉 以前花3个月啃Excel高级函数，现在一句话让AI生成。技能贬值速度在加快，但判断力和心态框架反而更值钱了 💰 因为AI把"怎么做"的门槛踩平了，"做什么"和"为什么做"才真正显露出价值 🎯 心态转变1：从"怕错过"到"敢选择" 信息过载时代，FOMO被算法无限放大 刷到别人学Python、别人做自媒体、别人搞副业，焦虑像滚雪球一样越滚越大 🌀 但AI的真正价值不是让你追更多，而是帮你快速验证"这个方向值不值得追" 以前验证一个想法：调研→请教→试错→可能三个月过去发现此路不通 现在用AI跑3天原型，数据说话，不行就换，沉默成本趋近于零 👉 成熟的心态是建立"试错-止损"机制 不是每个风口都要上，不是每个技能都要学。用AI当筛子，快速过滤噪音，把精力押注在复利最高的那件事上 敢选择的前提，是你手里有决策框架，不是盲目自信 🔧 心态转变2：从"硬撑表态"到"精准补位" 职场里有个隐形陷阱：遇到超纲问题，第一反应是"我可以学" 然后熬夜硬扛、百度拼凑、交出一个60分的答案，还觉得自己很努力 😮‍💨 以前这是唯一解法，现在不是了 遇到不会的领域，成熟的做法分三步： 1️⃣ 向AI描述清楚问题——很多人连这步都做不好，因为描述清楚需要结构化思考 2️⃣ 给自己72小时封闭学习时间——不是漫无目的地刷教程，是带着具体问题去补特定短板 3️⃣ 输出最小可行方案——不求完美，先解决当下卡点 关键不是"会不会"，是"能不能在72小时内把不会变成会" AI压缩了学习曲线，但主动进入学习状态的决断力，还是你自己的 那种"关起门来好好学一下"的执行力，在AI时代反而更稀缺——因为诱惑太多了，能专注本身就是一种壁垒 🧱 🚀 心态转变3：从"证明自己"到"定义问题" 这是最难的一层，也是AI替代不了的核心竞争力 AI能回答"怎么做"，但"做什么"和"为什么做"还得人来定 举个例子： 老板让你做一份行业分析报告 初级思维：赶紧搜资料、堆数据、排版精美，证明自己很能干 成熟思维：先问——这份报告的受众是谁？决策场景是什么？核心要解决哪个具体判断？哪些数据用AI抓，哪些洞察必须人工提炼？哪些部分根本不该出现在报告里，因为会干扰决策？ 这叫在模糊地带划清边界——哪些用AI、哪些必须人工、哪些根本不该做 很多人把AI当搜索引擎用，高手把AI当思维放大器用 区别在于：你是让AI帮你更快地执行，还是帮你更准地定义问题 后者叫决策带宽，是心态稳定后的副产品 ✨ 💡 一个反直觉的真相： AI越发达，"知道自己不知道什么"越重要 因为AI会给你海量"看起来对"的答案，但如果你连问题边界都没划清楚，这些答案只是精致的噪音 🔇 心态稳的人，敢在信息洪流中喊停——"这个方向我先不碰，等我补完这块认知短板" 心态慌的人，永远在追最新工具、最新教程、最新风口，最后变成"工具收藏家"，不是"问题解决者" 💬 最后想说： 朋友说得对，大胆向前走 但现在的"大胆"，是算过概率后的下注，不是闭眼冲锋 🎲 你知道自己的优势区间在哪里，知道哪些战场值得投入，知道什么时候该止损、什么时候该加码 AI把执行层拉平了，心态层才是新的护城河 🏰 不是比谁更会加班，是比谁更会在不确定性中做选择

00
钱学敏
16天前
钱学敏
16天前
钱学敏
17天前

李惠子Huizi: Claude Design 是设计领域的Claude Code 时刻。 @宝玉: Anthropic 自家设计师 Ryan Mather，一人负责公司 7 个产品线。他发的几条自己用 Claude Design 的心得，结合官方教程： 1. 别急着干活，先花一小时搭你的设计系统。 把代码库、设计稿、品牌素材全塞给 Claude，让它抽出一套 UI Kit 并直接发布。这一小时的投入，以后你每次生成设计稿，风格都会自动套用，性价比爆表。公司要全面推开，可以投入一到两周做系统沉淀，道理不变：先沉下去规范，后面才有复利。 2. 别再玩接力，跟工程师一起边聊边改。 过去那种“设计师出稿→甩给工程师实现→回来再修改”的模式，已经过时了。开个会，你们一起看着画布，边讨论边敲定方案，一场会定下来直接开发，效率拉满。 3. 结构级大改用聊天，细节调整点评论。 你想换个深色模式、布局大洗牌、新增设置面板，或者一次出多个方向，这种级别的任务用聊天界面效率最高；按钮 padding 调一下、颜色换一换、输入框改下拉菜单，这种小修小补直接在元素上评论就行，精准又快速。 4. 反馈要具体，别给模糊情绪。 官方举过一个特别好的例子：「看着不对劲」就是最差反馈，而「表单字段间距改成 8px」才是智能体最爱听的明确指令。Claude 最擅长处理具象具体的要求，不善于揣摩你抽象的审美情绪。 5. 接上 Connector，让 Claude 读懂上下文。 Ryan Mather 提到他最爱的用法：把产品吐槽会议的纪要喂给 Claude，然后出去溜达一圈，回来一份完整的解决方案 Deck 已经自动生成了。 让 Claude 干复杂又综合的脑力活儿，你腾出手做更重要、更有创造力的事。 6. 关键时刻，别怕手工慢下来。 新图标、核心插画、产品名字、品牌形象，这类活儿别指望模型给你完美答案。这不是 Claude 不够牛，而是这事儿本质上考验的是你的个人品味和判断。Ryan 把这叫作“Agentic Designing 的艺术部分”。 7. 挂代码要精准，别塞整个 monorepo。 把整个 repo 拖进去会直接卡爆浏览器，模型的上下文也被无用信息污染了。你只要挂目标组件的文件夹或 package 就够了，记得排除 .git 和 node_modules，干净利索。 再补两条官方没说的小窍门： 1) 多开几个 Chat 平行探索。 同一个想法开 3 个对话，各自往不同方向跑一段，然后再挑精华合并，比在一个对话里反复折腾要高效太多。 2) 团队 Leader 得改改你的审查流程。 以前是“人做、人审”，现在是“Claude 做、人审”，这个差别巨大。如果你不调整节奏和人力配置，工具的价值会浪费一半，审查这一步一定要重构。 推文：x.com/Flomerboy/status/2045162321589252458

00
钱学敏
22天前

mikely.eth: vs 跟AI协作（协同工作），我最近对跟人的协作越来越悲观 你跟人协作 ta不认同，做起来就很低效 ta有情绪，也低效 你说话还要考虑ta的情绪，客气婉转，温柔而坚定，即使如此ta也可能会多想 过程中你还要不断问他进度和风险，而ta一般不愿意被催 ta交付的东西如果你给了comments，ta可能不乐意接受但勉强改了1个点 你还要给他coaching/appreciation/evaluation，沟通对齐拉通等等 这些做起来都是身心俱疲的事。 或许工作效率这个事AI确实更合适，人还是回归人的价值：呵护好自己的灵性，释放自己的创造力，跟真人建立深度的连接，珍惜当下的每一刻，听自己爱听的歌，看自己爱看的电影，塑造自己平凡但充满力量的人生。

00
钱学敏
22天前

AI可可AI生活: 【所有伟大，都始于一次对 “不可能” 的尝试】 尼采曾言：我不知道还有什么比因尝试伟大与不可能而毁灭，更崇高的生命目的。 每个人的潜力都是无限的，唯一能困住你的人只有你自己。请停止成为自己最大的敌人。 一、重新定义困难：它只是陌生 最高级的认知转变是意识到：无论你做什么，没有任何事情是真正困难的，它只是对你而言还很陌生。 当你看到某个领域的顶尖大师，感叹他们是为之而生的天才时，请记住这并非天赋，而是投入。他们只是比你开始得更早，失败得更多，重复的次数更密集。 不要让自我怀疑阻碍你。拥抱作为初学者的不适感，一遍又一遍地重复。很快，曾经觉得遥不可及的事都会变得轻而易举。 二、对潜力保持偏执 你必须对探索自己的极限感到痴迷。平庸是对天赋的亵渎，如果你不去挖掘潜力的全部，就是在亏待自己。 让这种痴迷成为你的燃料，它是通往成功最强有力的动机。 成功的七个关键要素： 1. 自律：日复一日的枯燥重复。 2. 坚持：没有任何借口的永不言弃。 3. 受教：能够接受不同的视角和严厉的批评。 4. 信念：坚信自己具备达成的能力。 5. 圈子：让自己置身于赢家之中，创造成功的环境。 6. 目标：将宏大愿景拆解为可落地的里程碑。 7. 渴望：对成长和成就保持永恒的饥饿感。 最悲哀的现实是，大多数人因为恐惧或不自信，从未尝试去寻找自己的极限，从而在平庸中挣扎一生。 三、拥抱妄想式的乐观 在现实生活中，真正的限制因素只有你。你必须相信自己可以掌握任何技能，成就任何事业，并为此付出足以匹配野心的努力。 所谓妄想式的乐观，是指在面对未知时，持有一种极其正向的心态。这不代表你不会失败或挣扎，也不代表你无坚不摧。 它的核心逻辑是： - 在万物中寻找机遇而非阻碍。 - 削减负面情绪，放大正面信念。 - 既然潜力是无限的，那么你的信念也必须是无限的。 如果你想实现千倍的潜力增长，就不能浅尝辄止，你必须全身心投入。 四、持续不断的努力 潜力不会从天而降，也不会一夜成名。它需要时间、奉献、重复和汗水。 事情不会变得更容易，但你会变得更强大。 这种持续的努力是在玩一场不同的游戏，它奖励的是韧性、正直和成长。在这个过程中，你正在构建谁也夺不走的内在资产：自信、胜任力以及强大的执行记录。 不要把努力看作惩罚，而要看作准备。在新鲜感消退后依然选择出现，这才是拉开差距的开始。 五、最后的自省 你的潜力正在终点等待着你。不要因为不敢追逐而辜负了它，也不要辜负了你自己。 最后请问自己一个问题：为了达到那个伟大的不可能，你愿意牺牲什么？ 原推文链接：x.com/digiii/status/2044735145706762301

00
钱学敏
28天前
钱学敏
1月前
钱学敏
1月前
钱学敏
1月前
钱学敏
1月前
钱学敏
1月前

歸藏: 谷歌昨天发布了 Gemma 4，这次非常牛逼！ 专门用来在本地设备上跑 agent ，还支持多模态。 四个参数大小： E2B：主打手机 / IoT / 边缘设备。 E4B：为移动端 + Jetson / 树莓派设计。 26B MoE：单次激活 3.8B，有效参数很小，主打高 TPS、低延迟。 31B Dense：全密集 31B，主打桌面工作站 / 单卡 H100 等。 这次他们把 Agency Workflows 的支持作为第一优先级：原生支持 Function Call、JSON 和结构化输出、System Instruction。 更强的是这玩意还是原生多模态模型，支持：图像和视频理解，语音转文本，可以做本地语音助手。 而且它们这次是真正的 Apache 2.0 开源，允许商用、再分发和内嵌产品，以及私有部署，没有额外条款。 谷歌还发布了一个安卓应用，来体验他们这次新发布的 Gemma 4 模型。 我用我现在的小米 17 Ultra 试了一下，在用这个 E4B 模型的时候，推理速度非常快。 而且这个 App 现在还内置了一个 Skills 的体验区域，你可以自己去让它调用工具编写和试用 Skills。 可以在 Google Play 搜索 Google AI Edge Gallery 下载使用。 详情：https://blog.google/innovation-and-ai/technology/developers-tools/gemma-4/

00
钱学敏
2月前

AI可可AI生活: 【Claude Code的技能系统：百个技能背后的九大类型与最佳实践】 快速阅读：Anthropic团队在Claude Code中实际使用了数百个技能，总结出9大类型和若干制作原则。技能的本质是可包含脚本、数据的文件夹系统，而非简单的文本说明。最有效的技能往往专注于“反常识”信息，通过渐进式披露避免过度引导。 --- 技能系统已经成为Claude Code最常用的扩展机制。但灵活性也带来困惑：什么样的技能值得做？好技能的秘诀是什么？ Anthropic内部运行着数百个活跃技能。这些经验可能有参考价值。 一个常见误解是把技能当“markdown文件”。实际上，技能是包含脚本、素材、数据的文件夹——Agent可以发现、探索、操作这些内容。最有意思的技能都在创造性地使用配置选项和目录结构。 九种类型 技能大致分九类。好的技能清晰归属其一，混乱的往往跨越多个类别： 1. 库与API参考 解释如何正确使用内部库、CLI或SDK。包含代码片段库和常见陷阱清单。比如：billing-lib（内部计费库的边界情况和易错点）、frontend-design（让Claude更好地遵循设计系统）。 2. 产品验证 描述如何测试代码是否工作。常与Playwright、tmux等外部工具配合。有价值的做法包括：让Claude录制测试视频，在每步强制状态断言。值得工程师花一周时间打磨验证技能。 3. 数据获取与分析 连接数据和监控栈。包含获取数据的库、凭证、仪表板ID，以及常见查询工作流。例如funnel-query定义了“从注册到激活到付费”需要join哪些事件表。 4. 业务流程与团队自动化 将重复工作流自动化为一条命令。通常较简单，但可能依赖其他技能或MCP。保存之前结果到日志文件，帮助模型保持一致性。如standup-post聚合ticket、GitHub活动和Slack历史，生成格式化的站会更新。 5. 代码脚手架与模板 为特定功能生成框架样板。当脚手架有自然语言需求、无法纯靠代码覆盖时特别有用。 6. 代码质量与审查 强制执行代码质量。可以包含确定性脚本以提高鲁棒性，可能作为hook或GitHub Action自动运行。adversarial-review会生成一个“全新视角”的子Agent来批评代码，实现修复，迭代直到问题降级为吹毛求疵。 7. CI/CD与部署 帮你获取、推送、部署代码。babysit-pr监控PR、重试不稳定的CI、解决合并冲突、启用自动合并。 8. Runbook 接收一个症状（Slack线程、告警、错误签名），执行多工具调查，产出结构化报告。 9. 基础设施运维 执行日常维护和操作流程——有些涉及破坏性操作，需要护栏。比如<resource --- 制作要点 + 别说废话 Claude Code已经了解你的代码库，Claude本身也懂编程。如果你的技能主要是知识传递，专注于那些能推Claude脱离默认思维的信息。frontend-design技能就是好例子——它通过与用户迭代，避免Claude总用Inter字体和紫色渐变。 + 建立Gotchas章节 技能中信号最强的内容。这些章节应该从Claude使用技能时的常见失败点累积而来。你需要持续更新技能来捕获这些坑。 + 利用文件系统与渐进式披露 技能是文件夹。把整个文件系统当作上下文工程和渐进式披露。告诉Claude技能里有什么文件，它会在合适时机读取。最简单的形式是指向其他markdown文件，比如把详细的函数签名和用例拆到references/api.md。你可以有references、scripts、examples等文件夹。 + 避免过度引导 Claude会尽量遵循指令。因为技能高度可复用，小心别太具体。给Claude需要的信息，但保留适应情境的灵活性。 + 考虑设置流程 有些技能需要用户提供上下文。比如发送站会到Slack的技能，可能要问发到哪个频道。好做法是在技能目录下存config.json。如果配置未设置，Agent就问用户。 + 描述字段是给模型看的 Claude Code启动会话时，会构建所有可用技能的清单及其描述。这个清单是Claude扫描的依据——“有没有适合这个请求的技能？”所以描述字段不是摘要，是触发条件。 + 记忆与数据存储 有些技能通过在内部存储数据来实现记忆。可以简单到追加日志文件、JSON文件，复杂到SQLite数据库。比如standup-post技能可能保存standups.log，记录每次发的内容，下次运行时Claude读自己的历史，知道昨天以来发生了什么。 技能目录中的数据可能在升级时被删除，应存到稳定文件夹，目前提供${CLAUDE_PLUGIN_DATA}作为每个插件的稳定存储。 + 存储脚本与生成代码 给Claude代码是最强大的工具之一。给Claude脚本和库，让它把精力花在组合上、决定下一步做什么，而不是重构样板。比如数据科学技能可能有从事件源获取数据的函数库。为了让Claude做复杂分析，给它一组辅助函数。Claude随后即时生成脚本组合这些功能，回答“周二发生了什么？”这类问题。 + 按需Hook 技能可以包含只在调用时激活、持续整个会话的hook。用于你不想一直运行、但有时极有用的强意见hook。例如/careful通过PreToolUse匹配器阻止rm -rf、DROP TABLE、force-push、kubectl delete。你只在知道要碰生产环境时才需要它——一直开着会逼疯人。 --- 分发技能 共享技能有两种方式： - 把技能签入repo（./.claude/skills下） - 做一个plugin，建立Claude Code Plugin市场，用户可以上传和安装 小团队在少数repo间工作，签入repo效果不错。但每个签入的技能都会给模型增加上下文。规模扩大后，内部插件市场允许你分发技能，让团队决定安装哪些。 + 管理市场 我们没有中心化团队决定；而是有机地发现最有用的技能。如果有技能想让人试用，可以上传到GitHub沙盒文件夹，在Slack等地方给链接。 一旦技能获得关注（由技能所有者决定），他们可以提PR移到市场。 警告：创建糟糕或冗余的技能太容易了，发布前确保有某种策展方法。 + 组合技能 你可能想让技能互相依赖。比如文件上传技能，CSV生成技能制作CSV后上传。这种依赖管理还没原生内置到市场或技能中，但可以按名称引用其他技能，模型会在安装时调用它们。 + 测量技能 为了了解技能表现，我们用PreToolUse hook记录公司内部技能使用情况。这样能找到受欢迎的技能，或相对预期触发不足的技能。 技能是强大而灵活的工具，但仍处于早期，大家都在摸索最佳用法。 把这些当作有用提示的集合，不是权威指南。理解技能的最佳方式是开始、实验、看什么有效。我们的大多数技能都始于几行字和一个坑，因为人们在Claude遇到新边界情况时不断添加而变好。 ref: x.com/trq212/status/2033949937936085378 #AI创造营##人工智能#

00
钱学敏
2月前

空格_: 那些过时的 AI 技术 1. 传统机器学习 以前做文本分类、情感分析，要收数据、打标签、做特征工程，一个三人小组花两个月。现在写几行 prompt，一个下午搞定，效果还不差。特征工程师这个岗位，基本宣告终结。 2. No-Code / GPTs / 低代码工作流 Bubble、Coze、Dify……这些工具的逻辑是"让不懂代码的人也能做产品"。但 Vibe Coding 出现后全部尴尬了——不会写代码的人现在可以直接生成真代码，可以部署、可以扩展，no-code 给的那个积木天花板太低了。 3. ComfyUI 图像生成圈曾经的"专业工作流神器"。想生成一张符合你形象的图，要先训练 LoRA，再在 ComfyUI 里搭工作流——加载模型、注入 LoRA、调采样器、控制 CFG……节点连得密密麻麻。现在 Gemini 直接支持垫图生成，发一张照片说"生成我在巴黎铁塔前的图"，直接出图。ComfyUI 存在的前提是"模型不够聪明，需要人来编排"，这个前提没了。 4. LoRA 图像模型的微调手段，曾经是让 AI "认识你的脸"的标准方法。收集几十张照片、训练、注入工作流，一套流程下来费时费力。现在新一代生图模型内置了人脸一致性理解，不需要训练，直接垫图就能生成。LoRA 没完全消失，但使用门槛和必要性都大幅下降了。 5. 微调（Fine-tuning） 2023 年的标准答案：收数据、跑训练、调参数。问题是你花一个月微调出来的模型，下个月基础模型一更新直接碾压你。大多数场景，长上下文 + 好 prompt 已经够用了。微调没死，但使用场景大幅收窄。 6. RAG + 向量数据库 当初做 RAG 是因为模型上下文窗口太小，装不下文档，才要切块、向量化、检索。现在窗口动辄几十万 token，很多知识库直接全塞进去就行。纯向量数据库作为独立品类存在感越来越弱，RAG 从主角变成了上下文工程里的一个零件。 7. MCP 被捧成"访问外部系统的标准协议"，但 Claude Code 这类 Agent 很多时候直接调 API 就完事了，MCP 的 token 成本是直接调 CLI 的十多倍。MCP 没死，但适用场景比想象中窄很多。 8. LangChain / AutoGPT LangChain 2023 年最火，2024 年大量团队开始移除。有人说"70% 的精力花在说服团队不要用 LangChain"。AutoGPT 几周拿下 10 万 Star，现在沦为学习工具。 9. Prompt Engineer（职位） 2023 年被吹成年薪百万不用写代码的新职业。2025 年微软 CMO 说"你不需要完美的 prompt 了"。这个职位消失了，现在更流行的叫法是：上下文工程师。

00
钱学敏
2月前

大黑天: 来自 马斯克最新的书 估计中文版也会同步？ 马斯克69条核心工作法则 以下核心理念，是埃隆·马斯克 (Elon Musk) 与其旗下企业取得成功的底层逻辑，我们将其整理、改写为简短易记的格言准则。 1. 你的潜力，远超你自己的想象。 2. 平凡之人，亦可选择成就非凡。 3. 任何知识都能自学成才。广泛阅读，多向行家请教。 4. 先假设自己是错的，再努力少犯错误。 5. 把责任内化为自身的行为准则，主动担当。 6. 我们不主动创造，世间便一无所有。 7. 创造产品与服务，就是创造财富。 8. 有价值的人生，才值得走过。 9. 别执着于追逐荣光，要专注于投身事业。 10. 所有行动，都应指向提升未来向好的概率。 11. 日复一日，我们要么加速创新，要么任由创新停滞。 12. 投身于那些刚刚具备实现可能的事。 13. 别等世界来提出需求。如果一件事本就理应存在，那就动手去创造。 14. 去做，没人在做的事。 15. 当你坚定前行，同路人自会向你汇聚。 16. 原型，就是最好的证明。 17. 先迈出第一步，大胆质疑前提假设，灵活适配现实变化。 18. 从第一性原理 (First Principles) 出发推演，而非盲从他人的做法。 19. 「魔杖基准值」：锚定理论上的完美状态，以此为目标全力奔赴。 20. 「白痴指数」：吃透每个零部件的成本构成，剔除不必要的溢价。 21. 核心工作算法 (The Algorithm)：质疑需求 → 尝试删除不必要的环节或流程 → 简化优化 → 提效增速 → 自动化落地 22. 关键事项必须每日召开会议，复盘上述核心算法的执行情况，同步当日进展。 23. 永远尽可能贴近一线实操，不要把自己和决策带来的后果隔离开来。 24. 所有需求，都只应被当作参考建议。 25. 世间唯一不变的铁律，只有物理定律。 26. 最好的零件，是无需零件；最好的流程，是无需流程。 27. 简洁，同时造就高可靠性与低成本。 28. 为每个零件、每道流程，找到其存在的设计必要性。 29. 先做极致删减，再把绝对必要的部分加回来。 30. 全力推动颠覆性的突破。 31. 保持主动出击。只有亲自掌控战略制定，你才有机会赢得胜利。 32. 疯狂的紧迫感，是我们的核心运营准则。 33. 一个产能翻倍的工厂，其价值基本等同于两个常规工厂。 34. 全力攻克瓶颈。哪怕9999个环节都运转正常，只要1个环节卡壳，它就会决定整体的生产效率。 35. 你的项目推进速度，最终取决于你最不靠谱、能力最差的供应商。 36. 多线并行推进工作。 37. 给团队设定唯一的核心聚焦指标。没有分数的游戏，注定枯燥无味。 38. 将设计、工程与制造环节割裂，必然会导致体系失序。 39. 创新的速度，才是核心关键。 40. 要靠速度、质量与成本击败对手，而非反竞争手段。 41. 去验证看似荒谬的事。当一件事看起来绝无可能时，问自己：「要做到它，需要什么条件？」 42. 钱从来不是核心约束，顶尖的工程师才是。 43. 让团队里的每个人，都学会用总工程师的思维思考。 44. 建立与现实直接、清晰的反馈闭环。 45. 永远保持自省，打碎自负。务必让你的能力，永远大于你的心气。 46. 时刻自问：「这份投入，能让产品或服务变得更好吗？」如果不能，立刻停止。 47. 好的审美可以后天习得。训练自己，去发现成就美好的核心特质。 48. 物理定律不会顾及你的情绪，先让火箭成功升空。 49. 在工程决策与商业判断中，过度共情并非优势。 50. 表达要始终保持简单、清晰、谦逊。 51. 直接追溯信息的第一源头。 52. 招聘时，核心考察候选人是否有具备杰出能力的实证。 53. 既要懂工程技术，也要具备财务思维。 54. 要真正做好产品，就要具备掌控公司全局的能力。 55. 身先士卒，一线带队。哪怕睡在工厂车间，也要和团队并肩作战。 56. 问题出在哪里，就立刻亲自赶到哪里。 57. 坏消息要大声、高频地同步；好消息可以低调、一次性告知。 58. 除非是毁灭性的失败，否则普通的失败根本不值一提。 59. 对失败的恐惧，才是导致失败的最大元凶。 60. 纵然心怀恐惧，依然义无反顾。 61. 加倍下注，全力加码。 62. 拼尽全力，醒着的每一刻都投入工作，做到极致专注。 63. 确保你真正热爱自己所做的事，并愿意为之承受所有艰难。 64. 不要因为可能遭遇挫折，就不敢去做真正重要的事。 65. 当一件事足够重要，哪怕胜算渺茫，也要放手去做。 66. 永远不要放弃。除非你生命终结，或是彻底丧失行动能力。 67. 把人生，当作一场游戏来闯关。 68. 极致投入，硬核前行。 69. 幽默感，是你的核心差异化优势。

00
钱学敏
2月前