正在努力做新时代的人

旧版本自我介绍：m.okjike.com

新版本自我介绍：待定

因为要重新开题答辩，把22年的时候开题PPT拿出来，又重新读了一次

发现4年后，自己最终面对复杂系统的审美还是进化很多了；

当时有一些事情（学术/业务都是）总是半途而废，后来发现是因为我自己面对一个复杂系统的时候，野心总是太大，想做的事情/满足的预期有点多，但是面临一个本身就背景复杂的问题时，你就会让自己不得不解决1个又1个问题，然后筋疲力尽（大致是高老师说的，要「不解难题，避免受迫」的反面）

看我自己当时的proposal，我想解决一个很新的问题，然后我又想同时做模型和实验，模型是我熟悉的，我用了随机变量的技巧，很大简化了当时提出的一个相对复杂情况下的Bayesian Inference的推导；

然后就是实验设计，因为问题本身是个新的问题，我在模型上就已经引入一些复杂度了，导致实验的测量更加成为了大问题；我对实验当时也缺乏一种落地的体感，因此结果上就是我一直在拖延实验的进度（直到今天我也没有完成这个模型的实验）

我当时也不知道为什么自己在实验上就是一直在拖延；今天重新来仔细读了一次，才终于意识到，因为也许我不够极致；我要么就选择一个绝对模型驱动的问题，去进行研究；要么我就选择一个极致实验驱动的问题，去进行实验设计的创新

我当时的处境是，我选择了一个问题，模型和实验都是需要创新的，最后我就迷失到了复杂度里了（指一个项目里，多个项目接力另说），同时我自身也很难同时对实验和模型有直觉，我当时做了一轮初步试验后，完全lost掉了，因为模型的隐假设很多，我完全不知道如何处理可以在实验层面解决掉这些隐假设（我当时甚至不知道自己不知道）

最后这个项目当然是烂尾了，我当时对自己的内心谴责是自己不够坚持，现在对自己的反思是，可能是一开始构建定义项目的时候，没有想清楚到底自己的抓手是什么，是模型还是实验，以及重新回头来看问题的定义

不是不可以有野心，是要克制的有野心，不要在多个领域同时让自己解决很复杂的问题，而是在一个领域里选择一个最抽象的问题（而非世俗意义上难的问题）

后知后觉... 以及这样的问题我似乎反复连续在不同领域犯了很多次

一个很有意思的问题（但是我没想明白）

如果我第二天醒来变成了Anthropic 的 Dario，时间就是现在，2026年9月份

我会笃定开源/不开源我的最先进模型吗？如果我选择了开源，我应该对应配套做哪些决定？；如果我笃定继续不开源，原因应该是什么？

孙割文笔真好啊...

可以同时把青春年少回忆 + 金钱身体交易融在一起写

还能写的如此带感情，虽然最后结果是交易谈崩了，不愧是新概念作文得奖的人....

另外最近还读了几篇Postgre社区的历史脉络回顾文章

猛然发现到Postgre的核心创新，在于对数据类型的抽象（细节我还是不太懂，但是大致逻辑get了

以前的数据库内核会围绕每个单独的数据类型/索引方式，去构建实现方式

Postgre说，我要做一个ADT（Abstract Data Type）的内核；就是数据类型是什么，索引算法是什么，我都尽量抽象出来；

如果有具体的需求，我单独做一个这个数据的插件就好了；第一个案例是给工业CAD软件做的数据库系统，因为有大量各种奇怪的数据类型

这个思想不仅提高了普适度，还带来了一个另外的好处，就是开发速度&敏捷性

文章有段原话，具体我放到评论区了；大致意思就是，如果你能把内核做的足够抽象；其他全部插件话的话

你就可以采用赛马的方式快速的周转不同的功能需求想法，不用担心整个体系会变得臃肿；最后留下来好的插件保留到最后；不好的插件淘汰掉就可以

突然又想起来很早看的（也许是晚点？）对字节早期的故事脉络梳理

一鸣早期抱有的观点是，每个垂直行业会有一个自己的App；但是最后抖音其实发过来证伪了这个逻辑，的确行业是细分的

但是容器是可以抽象的，所有的信息都被抽象成了“短视频+点击率/3s留存”这些指标；所有用户都被抽象成了“点击/点赞/停留”的动作

然后因为做了这个抽象，所以就可以构建一个产品/算法的内核

至于是什么行业，是什么话题；无限的往里加就可以

再看DSH其实也是这样

在抽象层做更多的细节功夫，能收获的是更大的；核心是看有没有历史机会去做抽象，以及抽象的审美是否好

数学对于物理的影响，在于抽象

牛顿第一次系统把数学引入到了物理系，然后人们发现一个趋势，就是以前的物理是各种问题分别独立研究

牛顿用非常简单的三定律，抽象出了力/加速度的概念，然后所有的问题都变成了这几个抽象概念的组合

能这样做的原因是因为数学在过程中做了润滑剂，数学工具类似于今天的超强大模型&算力；

任何一个问题，只要你用牛顿力学的抽象概念描述一次，接轨到数学语言中，随后数学工具就可以帮你自动计算出结果

于是人们发现不再需要去研究每个独立的问题；建筑、海运、天文等；全部共享这套概念体系就好

最近疯狂Coding的另外一个感受是，LLM有点像新时代的数学；如果你能构建几个最抽象的概念，并且通过Harness刻画出来；那么面对具体问题的时候，你只要用抽象概念排列组合描述下，最后都可以交给模型来处理

关于Skill/意图这几个基本概念，还有很多抽象工作可以做

回测是一个很有趣的概念，第一次听说这个概念，是来自一位做过量化的朋友

说如果你有个策略，你先拿过去的数据集跑下，效果不错的话就可以落地到生产环境了

感觉面对生活也是这样的，过去尝试过什么结果不重要，重要的是要积累一批优质的后续可供回测的数据

每次定期拿出来跑下新策略，拿过去的人和事，都会有新启发，可以验证很多猜想；这和情绪反刍的核心区别是，回测是有明确策略验证导向+抽离的；而情绪反刍则是反复的在感受和无目的漫游

换个视角看，有好的想法就坚定的去做，哪怕是错的，也是在积累未来可以用来回测的数据；且亲身体验过的数据集是很多细节的，一般数据集提供不了这些细节的体验

来看牛来了😈😈😈

反思了下最近五年的经历

有一个共同的感受就是

不要去花费太多的时间到一个并不成立的问题上，并且花至少60%也许更多的时间，去定义重要的问题，然后顺着再解决它

给团队配了DSH云端的版本（本来以为会很快，结果弄了一周多，资源管理/鉴权很多细节）

多租户管理 + 每个人有自己的云端沙盒

然后发现一个神奇的细节，能看出来DSH的一些小巧思

Claude Code是每一个对话一个Node进程，所以同时开的会话Session越多，消耗就越大；这个现象在如果多租户的情况下就更明显；而且更离谱的是，每个Session不仅有一个Node的进程消耗，每个Session的每个MCP都会单独再来一个进程...

也就是说，如果你有5个MCP，开了8个Session；那么你的进程不是8个，是 （1+5）x 8 = 40个....！（离谱）

DSH是怎么设计的呢？本地默认版本的就是后端所有的Session都是在一个Node里...

没错，就是一个Node！所有Session都在一个Node里！

可是为什么要这么做呢？简单和DSH聊了下，哦！因为Agent的React本身也是个天然异步的程序呀！大部分时候Session都是不活跃的，及时是tool use，或者LLM请求，LLM请求是给大模型云端了，tool use是单独拉了一个进程处理bash任务，但是tool use运行完就销毁

所以这和Node擅长处理IO异步一样，集中到一个进程里做就可以了

如果是多租户呢？那这个就是一个租户一个DSH进程就可以了；而不是 租户 x Session数量...

妙啊，再次感慨DS工程审美真好

A社去年在我心中的地位是无穷高的

尤其是是2个瞬间，一个是Claude Code，做了激进的取舍，给大家立下了万物皆bash + filesys的极简榜样；另外一个是Skill，又给大家立下了渐进式上下文 + 万物皆Script + md这样的范式

我8月份开始基本上每个月都是20x的会员

但是今年4月份开始，ds4出来后，整体的感受都变了

首先感受的是傲慢，做了AI Coding后才明白为什么开源在技术市场里这么重要，不单纯是情怀，是这样的复杂技术产品，只有透明了，大家才能更好的用你

最近玩DSH最大的感受不只是好玩，而是我是充分信任，原因放心的玩；并且DSH自己可以看源码高效率的Coding

我尝试做产品的时候用CC的SDK，天啊我都会和CC说你看下我xx文件夹（里面有之前网上泄露的源码），更深刻理解下这个机制，再使用

如果说CC指引了大家对AI新时代的业务审美范式的建立，那DS会接力来告诉大家，如果要有效可持续的让这样的审美发展下去，应当如何摆正自己的位置+建立持续的信任

梁文峰之前被泄露出来的会议稿有句话真的很深刻，再回头看，就是AI的机会一定不要想拿更多，拿1%-3%（大概）就好了

这是一种历史观

你想要的更多，就会想要的少的人打败，周转率和信任才是最重要的，规模是其次，毛利率再最后