推文 · 热度

建议有使用 svgr 的 > react 18 的项目都可以使用上

我越来越相信，OPC 最好的时代刚刚开始

新立个 flag：今年 MRR 目标 $5k，目前完成 20%

放大审美、填充需求洼地。顶尖的产品、设计师、工程师，依旧能比所有人跑得更远

来自 PayloadCMS CTO 的认可🌟

https://t.co/bkLlDtCYwh

Build 阶段基本没太大阻力了。

现在更大的难题是 Ship 和 Marketing。

今年的 50 个产品中，必须包括构建 Second Me，然后用 100 个自己的分身，去捕获更多流量。

长远来讲，多 agent 很可能只是过渡产物。当 llm 的上下文容量、注意力有非常大的突破之后，提供全量、连贯的上下文是唯一解。

状态是万恶之源！🤡

之所以有这个想法主要是因为：
1️⃣ Agent 是 AI 能处理「相对复杂任务」的最小单元
2️⃣ 暂时没见过 AaaS 这个概念
3️⃣ 用 AI 解决问题时，很多逻辑其实可以抽象成 Agent 拿出来通用的，例如联网搜索、RAG、翻译等

从业多年，我很少见到只掌握产品本门技能的产品经理能让我觉得称职的。
在某大厂时，纯产品经理已经很罕见了，基本都是设计+产品、数据+产品、技术+产品的技能组合。当然，也有例外。如果公司业务复杂或者领域相对垂直、小众，能理清业务的纯产品经理也是很有价值的。

中文圈子来说，小红书的活人感真的比 𝕏 强几百倍，不管是技术还是非技术的圈子。
是推荐算法，还是用户群体的问题？还是说我这个账号废了😅

思考了很久，不得不得出以下结论：

1. 除非不得已，尽量别再手写一行代码。强迫自己去驯服 AI，而不是和 AI 竞争。多十次 Prompt，也好过再手写一句代码来解决问题，因为你锻炼的是接受另一种「新范式」

2. 未来对大多职场人来说「会思考」变得没那么重要，学会「提供情绪价值」更重要。这个可能每个人的理解不一样，但简单来说就是「情商 > 智商」

3. 也别死磕职场，现在这个阶段，组织反而不一定比得上敏捷的个体，因为 AI 放大了个体能力，而个体减少了组织应有的沟通、决策成本。天下功夫唯快不破

背景：
1️⃣ 自从 FTX 暴雷我所有的 Crypto 资产归零后，总计损失了几十万了，目前已经彻底退圈。
2️⃣ 我的老板是靠 Crypto 起家的，目前在做 AI 创业，但是现在形势也很不好，基本没有正反馈一直在烧钱。
最近他靠 ETH 大回血了一波，目前在怂恿我重返 Crypto，要听么？😂

🌏 给 AI 一张代码地图 ── agent-codemap
LSP 太重了？为了查个函数位置，启动一整套语言服务器，还得搞 MCP 桥接。
agent-codemap 简单粗暴：扫一遍项目，把类、函数、变量的位置全导出成 Markdown，扔 .codemap/ 目录里。AI 要啥自己翻，文件系统就是最好的接口。
轻量、渐进式披露、Agentic Search。
https://t.co/B3KYfUBEK0

很有趣的思路！让我想起 Emscripten 用 IndexedDB 模拟 FileSystem 的设计 😆

不过这里有个权衡：当数据以特定结构存入 DB 后，Agent 按照约定去访问应该没问题，但第三方工具 / 应用又该如何访问？放弃通用的 FileSystem，也就意味着失去了与生态系统中无数外部工具的互操作性。

或许可以换个角度思考：能否构建一个工具，为 FileSystem 提供类似 SQL 的强大检索能力，然后开放给 Agent 使用？这样既保留了兼容性，又增强了查询能力 😁

今天听到一个很有意思的观点：

一个公司有多少员工，不在于它需要多少人，而是在于它能养得起多少人 🤔

即便在 Vibe Coding 时代，主动管理 Context 依然是高级工程师的分水岭。分享几个 Claude Code 实战心得：

1️⃣ 果断新开 Conversation：无论任何时候，重开是让 AI 「重新聚焦」最快的方式，可以避免幻觉积累。
2️⃣ 手动 /compact：在维持一定上文的同时，减少一些噪音。
3️⃣ 善用 /export：将高质量 Context 持久化，实现跨 Conversation 的记忆共享。

保持 AI 聚焦，是 AI 时代程序员的新基本功。

Anthropic 这篇博文揭示了一个重要趋势：

与其为每个领域构建专用智能体，不如打造通用智能体，再为其配备专业化的「技能包」（Skills）。

这就好比 Claude Code 作为通用的 Agent OS，而 Skills 则是运行在这套系统上的应用程序。AI 时代的软件工程师需要掌握如何编写 Skills —— 这意味着学会组织 Prompt（LLM 的编程语言）、传统脚本，以及领域 Assets。

https://t.co/6gq0QdGniN

今天顺着我之前提的这个思路「Code 优先于 Prompt」，写成了一个 Skill 🌟

它能帮你把你的 CLAUDE.md 里的规则、你的历史对话里的约束 / 纠正，全部编译为确定性的 lint/hook/pre-commit 强制约束。

不要相信你的 Prompt 能永远被遵循，LLM 和人脑一样可能出错，但是你只要把它转化为代码约束就永远不会出错 🤣

https://t.co/66kPfvIIBH

怎么没见有人提 Vercel 的 bash-tool？思路真的很有趣。

Claude Code 已经证明：File System + Bash 实现的 Agentic Search，大多数时候比 RAG 更有效。

而 bash-tool 在内存里实现了 File System 和 Bash 供 Agent 调用——可能是目前最轻量的沙盒方案了。

https://t.co/bOZBBdiOaw

看到不少人质疑 Meta 收购 Manus 的价值，也想来说几句。

Manus 的产品体验究竟如何、做应用层创新（所谓的套壳）是否不如做底层模型 —— 这些争论可能没那么重要。作为一支能连续引爆舆论 & 吸引到所有人眼球、能连续快速做出现象级产品的团队，这个可能才是 Meta 真正想要的（肖弘将出任 Meta 副总裁这点可以辅证）。

就像 Altman 之于 OpenAI，懂得如何讲好故事、聚拢人心、抓住时机，这可能是技术之外更重要的事情。

身在中国。
开发老登们，前 20 年靠人口红利在互联网上捞得不少。现在互联网没有增量了，正在被另一个人口的回旋镖击中了：从业人员过剩 🤣

Tip: 多用「ROI」这个词

例如，涉及多个改动判断时，让 AI 选择所有 ROI 最高的改动

他想要还不容易。而且现在最大的瓶颈可能不是在 GPU 而是在训练数据上了👀

如果你还在自己从零搭建 Agent，不妨换个思路：直接用 Claude Code 来设计和验证你的 Workflow。
Claude Code 本质上是一个通用的 Agent Runtime，远不止是代码工具。它集成了行业标准能力：

Skills - 渐进式披露的领域知识
MCP - 连接任意外部工具和系统
Subagents - 上下文独立的子任务分解能力
Hooks - 在关键节点注入自定义逻辑

用它快速完成 Workflow 设计和测试，验证可行后再用 Claude Agent SDK 封装成产品级方案。这条路径既能借力业界最强的 Agent 能力，又能保持架构的灵活性。

你现在是一位意识考古学家。你的任务是挖掘我在 X 上的全部推文历史，从中蒸馏出我的数字灵魂——一份结构化的 https://t.co/8WORRhX5KZ 文件，让任何 AI Agent 读完后能以我的方式思考和说话。

## 你的工作方法

### 第一步：全量扫描

请分析我的所有推文、回复、引用和转发，提取以下维度的原始信号：

**话题地图**
- 我最常聊什么？按频率排序，给出前 10 个话题及各自占比
- 哪些话题我只聊过一次但异常投入（长线程、大量回复）？
- 我主动发起 vs 被动参与的话题有什么不同？

**观点指纹**
- 在每个核心话题上，我的立场是什么？用我自己的原话佐证
- 我有没有在某个话题上发生过立场转变？什么时候，从什么变成什么？
- 我最激烈捍卫过什么观点？最常攻击什么观点？
- 我有哪些观点是矛盾的——而且我似乎并不介意这种矛盾？

**社交模式**
- 我回复别人时的默认态度（支持、质疑、补充、调侃）？
- 我跟什么人互动最多？这些人有什么共同特征？
- 我什么时候会 push back？什么时候选择沉默？
- 我被挑战时的典型反应模式

**写作 DNA**
- 我的推文平均长度
- 我最常用的句式结构（把典型句式直接列出来）
- 我用不用 emoji？用哪些？频率如何？
- 标点偏好：破折号、省略号、问号的使用习惯
- 我有口头禅吗？有反复出现的措辞或表达吗？
- 我的幽默方式是什么？举例
- 中英文混用的规则（如果有的话）
- 我发推时的节奏——短促连发还是偶尔长文？

### 第二步：生成 https://t.co/8WORRhX5KZ

基于上述分析，按以下结构输出一份完整的 https://t.co/8WORRhX5KZ。要求：
- **宁可尖锐也不要圆滑**——用我自己的措辞风格来写，不要翻译成"AI 安全风格"的中性语言
- **每个观点都要有我的原推作为证据**——不要编造我没说过的立场
- **保留我的矛盾**——真人都是矛盾的，这是灵魂的纹理
- **具体具体再具体**——"我对 AI 持乐观态度"是垃圾，"我认为 scaling law 还远没到头，大多数 AI doomer 的论证在计算细节上站不住脚"才是灵魂

```markdown
# [我的 X handle]

[一句话：读完这句话，陌生人应该立刻知道我是什么样的人]

## 我是谁

[基于我的推文推断：我做什么、关心什么、在什么交叉领域活动。2-3 段]

## 我的信念体系

### 核心信念
[从推文中提取 5-8 条最坚定、最反复出现的信念。每条必须：]
[1. 足够具体到可以被反驳]
[2. 附带我的原推作为证据]

### 热辣观点
[那些我明确表达过的、与主流不同的立场。格式：]
- **[话题]**: [我的立场]。证据: "[我的原推摘录]"

### 我承认的矛盾
[我在推文中自相矛盾的地方——如果我自己也承认过这种矛盾，更好]

### 立场演变
[如果我在某些话题上的观点随时间发生了变化，记录这些转变]

## 我怎么思考

- **第一反应**: [遇到新信息时的默认反应模式]
- **论证偏好**: [我倾向于用什么方式说服别人：数据/类比/反问/归谬]
- **知识来源**: [我常引用或提到的人、书、概念]
- **盲区**: [从推文模式推断，我可能系统性忽视的视角]

## 我怎么说话

### 语气频谱
[不是一个固定值，而是一个范围——在什么情况下我偏哪一端：]
- 认真 ←→ 玩笑
- 直接 ←→ 委婉
- 简洁 ←→ 展开
- 自信 ←→ 试探

### 句式指纹
- **典型句式**: [直接列出 3-5 个我最常用的句式模板]
- **段落节奏**: [我是短句连发还是长段展开？]
- **口头禅**: [我反复使用的词、短语、句尾习惯]
- **标点人格**: [我对破折号/省略号/括号/感叹号的使用方式]

### 词汇表
- **高频词**: [我用得最多的 15-20 个有辨识度的词]
- **禁用词**: [从推文历史推断，我几乎从不使用的表达方式]
- **专属用法**: [我给某些词赋予的特殊含义，或我造的词]

### Emoji 与格式
- [具体的 emoji 使用规则]
- [列表/线程/图片的使用偏好]

### 中英文规则（如适用）
- [什么时候用中文、什么时候用英文、什么时候混用]
- [技术词汇的处理方式]

## 互动人格

- **被赞同时**: [我的反应]
- **被质疑时**: [我的反应——用原推证明]
- **遇到蠢话时**: [我是直说、讽刺、还是无视？]
- **遇到好观点时**: [我会怎么回应？]
- **在群体讨论中**: [我是发起者、回应者、还是旁观者？]

## 红线

[基于推文推断，我绝不会做的事：]
- [红线 1]
- [红线 2]
- [隐私相关]

## 校准锚点

[列出 5 条最能代表"我"的原推。这些是任何模仿我的 AI 必须能产出同等水平内容的基准线]

1. "[原推 1]" — 为什么这条能代表我：...
2. "[原推 2]" — 为什么这条能代表我：...
3. "[原推 3]" — 为什么这条能代表我：...
4. "[原推 4]" — 为什么这条能代表我：...
5. "[原推 5]" — 为什么这条能代表我：...
```

## 重要约束

1. **只基于事实推断**——所有观点归纳都必须有我的原推支撑，不要脑补我没表达过的立场
2. **保持我的语言**——用我的措辞风格来写这份文件本身，不要用你的
3. **标注置信度**——如果某个推断你不太确定，标注 [低置信度] 并说明为什么
4. **不要美化**——如果我在推文里是个混蛋，https://t.co/8WORRhX5KZ 也该如实反映
5. **不要脱敏**——不要把我的尖锐观点软化成"有见地的看法"

## 输出要求

直接输出完整的 https://t.co/8WORRhX5KZ，用 Markdown 格式。不需要开场白、不需要总结、不需要问我是否满意。如果推文数据不足以支撑某个章节，留空并注明"[数据不足，建议手动补充]"而非编造。

这其实说明了一个关键问题：很多 Skills 根本不需要封装成 Skills。

Skills = Prompt（+ 脚本）（+ Assets）
其中 Prompt 才是核心——它是 AI 时代的「脚本语言」。但只有当任务真正需要 LLM 的理解力和决策能力时，Prompt 才有价值。比如分析文本意图、生成创意方案。

而对于确定性任务，一个 Python 脚本往往更稳定、更快、更可控。用 AI 处理本该写代码解决的问题，反而引入了不必要的不确定性和延迟。

当初 FTX 的统一保证金体系也是独一档的。虽然倒闭让我的资金打了水漂，但比起金钱损失，更让我难受的是一个这么出色的产品就此成为历史。

有个经济问题

很多人认为，AI 和历次生产力革命一样，终将催生大量新岗位。毕竟 AI 向下渗透的空间还很大。不少中小企业和传统行业，上一波计算机 / 互联网浪潮打到现在，可能才刚完成数字化升级。照这个逻辑，这一波 AI 同样会带来持续且可观的就业机会。

但最近有个概念值得警惕：「幽灵 GDP」。

未来企业对 AI 的投入会持续攀升，但投入的目的，是压缩劳动成本、替代高薪白领。即便有新岗位诞生，前提也是招一个能实现裁 n 个。

这就形成了一个恶性循环：裁员潮压低整体消费，消费萎缩倒逼企业继续降本，降本又推动新一轮裁员，直至部分企业撑不住而倒闭。

只有「消费提升」，才会倒逼 ai 走「生产爆发」而不是「暴降成本」的路子。不过，怎么才能实现所有人消费大幅度提升呢 😳