肝了半个月整一个审查应用，92%的Cache hit rate也经不住造，又另花了40刀买额度。还是得把每个session压在 commit 边界上结束，既能让 92% 的缓存命中率留在窗口内省钱，又能彻底避开 compact 这种重读+重写整段历史的高耗 token代价。

视频课程快要1000个用户了，有一说一，虽然已经录制完已经过去半年，但我现在回看觉得还是非常适合想做企业大模型应用的盆友从入门到进阶的。

上个月只写了两篇文章，这个月忙于琐事还没动笔但被各种催更。每天都能收到些历史文章的正反馈，也算是种激励。大家对人工智能能力变化的理解存在越来越大的差异。私以为关键还是在于使用时间的长短和使用层级。

前两天再钟书阁参加读书会活动的时候，主持人让给一个新手学习AI的建议，我觉得当前对每个人行之有效的做法就是，每个月坚持订阅200刀的ChatGPT或者Claude的会员，不用担心不知道怎么用，订阅时间长了沉没成本足够大，自然会静下心来去用。

下午在徐汇钟书阁，和四位AI领域的作者，交流了些RAG和Agent的技术细节和产品落地经验。不过与其说是交流技术，不如说是讲了些当下信以为真的阶段性答案。而且这些软件层面的头脑风暴，时常会莫名让人在代码和数据里，忘了真实世界的棱角。

从平常心来说，与其迷信技术能颠覆一切，不如把和AI日常对话当成一种思维训练。在对模型碎碎念的过程中，慢慢厘清什么是商业上的KPI，什么是自己真正想花时间发呆、散步或者钓鱼这些琐碎的生活优先级。毕竟，所有关于技术的定论，可能明天就会被推翻，但人在表达中理清自我的过程，永远不过时。

刚接到个知乎咨询，结合最近的线下活动交流，算是观察到一种挺有意思的趋势。知识密集型行业的AI焦虑，开始从企业向学术机构扩散。开源模型加云GPU把门槛拉到了一个略微妙的位置，似乎能干但是不知道有多少坑。而当高校发现自己好像也能做的时候，大厂那套联合共建的合作路线，也无疑跟着祛魅。这类提问真正需要的答案，私以为并不是怎么训练模型，而是技术选型、阶段规划、成本拆解，以及先MVP再迭代的工程方案参考。从做咨询的角度来说，这种有知识没工程的机构，也正在成为一种新的客户类型。

话说Karpathy这么高产巧思，除了对底层技术的理解外，或许也是源于正儿八经的注意力自由。

感谢许瑞兄介绍，昨儿下午去模速空间参加了场圆桌，分享了些阶段性的应用层实践。身处洪流之中，不同视角的补充很有收获，最后交流环节也明显感受到不同背景盆友的热情。

Anyway，继续干挣钱或值钱的事儿依然很重要。不过更重要或者更诚实的动作，或许还是如何持续的赋能自己。

在知乎上一篇关于OpenClaw的答帖超过了5万浏览，再加上公众号和小红书也有10w+，YOLO+多模态模型的组合能干很多很有意思的事儿。也陆续有些高校和企业方来咨询类似项目或者人才推荐的事儿，欢迎感兴趣的盆友找我推荐

AutoResearch 这类项目解锁的是持续调优和系统化试错这件事，不是对业务理解本身的替代。题目出得对不对，数据给得好不好，最后还是要靠业务专家和人工来兜底。

另外随着 AI Coding、Harness Engineering、各类 Agent 工程框架越来越成熟，很多复杂问题的瓶颈已经不再是“代码能不能写出来”，而是“问题有没有被定义对”，以及“评测和反馈回路有没有搭对”。这意味着开发、产品、交付、销售这些角色之间传统的岗位边界，后面大概率会越来越薄。谁离真实需求更近，谁更理解客户现场，谁更能把模糊需求翻译成可验证的问题，谁的价值就会变得更高。

之前vibe coding间隙要么是漫无目的的刷手机，或者同时开些其他窗口做Deep Research，最近开始试着把等待间隙用来翻些闲书。昨天新买了胡安焉的这本《我在北京送快递》，初翻了下和余秀华，陈年喜这些作者有明显类似的朴素和通透，保持活人感或许是拥抱AI的必要姿势。