2026-09-22 17:29:23
朋友，上周我又做了不少事情，而且收获良多，忍不住跟你分享！
自上周 Jev 发布之后，我跟进了一个 Awesome-Jev 的 Github 仓库，很受欢迎。这大概是我历史上增速最快的 Github 仓库，仅仅一周就获得了破千的星标，每天都有十多个主动提交，可以说非常热闹了。
当然，我搞这个仓库，主要还是方便自己研究。得益于之前 Awesome-Autoresearch 的经验和模板，起这个仓库很快，我并不需要重复讨论应当如何搜集，和整理的问题。
从 Awesome-Jev 收录项目的方向变化，可以看到当下信息迭代的速度有多快——我说的这个快，并非那种信息流滚动的快。而是，议题翻新的快。
这一点需要结合传播学的知识来解释一下，假设每一个项目背后都存在着对某一种事物所探索的议题（毕竟产品和项目，都是对应解决问题而生），那么从 Awesome-Jev 收录的项目来看，几乎半天时间，就会冒出新的议题方向，然后出现一堆的项目开始探索这个方向，然后再过半天时间，如此循环。
我观察 Jev 的议题变化，将它的议题循环总结为：
探索与辨认 - 应用与验证 - 尝试复现 - 理论深化 - 替代联想 - 话题消散
我觉得 Jev 作为一个热点，现在已经过了最热的阶段了——接下来就是凭各自的本事，将 Jev 与现实的项目深度整合了。
要深入理解 Jev，不难，因为它本来就不难，TypeSafeai 已经把谜底放在谜面上了——Jev 是一个针对「系统一」的模型。
这个概念来自非常有名的书《思考，快与慢》，作者是诺贝尔经济学奖得主丹尼尔·卡尼曼（Daniel Kahneman）。这本书详细地向大家解释了人脑的工作机制，它存在 2 个系统，一个是「系统一」，它的特点是快速判断，自动化，且不费力，另一个是「系统二」，它的特点是缓慢，主动推理，费力。
按照这个分类，当前世界主流发展的都是「系统二」的大模型，Fable 和 Astra 的推理能力空前强大，越来越有活人感，而弊端也和「系统二」一样，更慢，消耗更加巨大。问题是，并非所有任务都用上这么强大的思考能力，我最近想整理某个项目的文档，我只是用 Astra 的 Low 这一档，只一会儿就烧了 20% 的额度。
我可以抱怨 OpenAI 不干人事，又来削用户额度了之类的，这只是事情的第一层。第二层则是，即便 OpenAI 融了这么多的钱，它也无法支撑 Astra 的无限量供应，你可以看到为了支撑这个强大的模型本身，OpenAI 本身也支付着巨大的代价——虽然它的商业模型植根于根据 token 的消耗量收费，但我充分怀疑，这种烧越多，收越多的方式是否可持续。因为每一个 token 的产生，都需要消耗电能。与之相比，互联网里的「复制代码即获得收入」，可以「一次开发，多次销售」，才可以认为边际成本几乎为零。所以，Astra 和 Fable 的额度都不经烧——我甚至偏激地认为，这两家都不应该将这么强的模型放进订阅套餐里。
回到用户视角，很多任务不需要全程都由 Astra 或 Fable 来盯着执行，换成弱一点，快一点的模型也未尝不可。只不过现在的 Codex 和 Claude Code 并不提供这种切换，很难让人根据任务自如地切换模型。毕竟，一个项目下来，要执行的任务挺多的，有的任务难，有的任务简单，但它不是按照顺序执行的，而是根据需要产生的。每一次执行都要先输入斜杠命令，跑到切换 model 那里切换，这种操作再简单，频繁且重复了之后，都会让人感到精力巨大的浪费。而 Jev 则将这种「简单任务」的场景，再细分到，仅需要快速分类就够了。
人脑之所以发展出「系统一」和「系统二」两套机制，很大程度上也是因为节能。而且，在危险的自然界，完全依靠「系统二」显然是不够的，通过「系统一」快速辨别，快速判断是这套机制的本身基础。而且，我觉得「系统一」和「系统二」未必是孤立的，可能很多信息第一时间先经过「系统一」才到达「系统二」。所以 TypeSafeai 的创始人 Diogo Almeida写了一篇将 Jev 和 Agent 结合使用的指南。
很多人觉得 Jev 没啥难的，所以评价中不自觉地流露出一种贬低——我也觉得 Jev 不难，因为实现这个模型本身不难，但难的是思路转换。毫不讳言，Jev 会直接引发行业一次范式的切换，打破过去的路径依赖。就这件事而言，TypeSafeai 本身就值得 2 亿美元的天使融资，因为它证明了人才的价值。
对于接下来 Jev 以及 Jev 衍生品的发展，我觉得很快就会进入「微调」阶段。训练多一个 Jev 并不难，我看到有人一天之后，就拿了 Qwen-3.5-1B 的模型就训练了一个类似东西来。但这不重要，因为想要令 Jev 真正发挥价值，它必须经过「微调」，做个比方，它就是个非常擅长填选择题的「做题家」。但成为那个「做题家」的前提是，它必须经历过浩瀚的题海，甚至有一个详细的错题集。
在这件事上，数据依然是最宝贵的资产。
Supertag 原名 org-supertag，是我独立开发的笔记工具。最近一段时间，我一直在重构它。这一次重构的目标是，精简模块数量，回归工具本质；目的是回归流畅的笔记体验。
一直以来 org-supertag 拥有数量众多的模块，功能全面强大，它也野心勃勃，「要将现代笔记的体验迁移到 org-mode」。直到有一天，我发现一件可怕的事实，我不愿意用 org-supertag 写笔记。所以，我停了下来，回顾自己使用 org-supertag 的经历，有觉得很舒服的部分，但也存在很多摩擦力很大的部分——后者的比重过大，导致我想用 org-supertag 写笔记的时候，心头一阵烦躁。
Org-supertag 其中一个设计的初衷，是降低笔记的整理成本，用户不用管笔记记录的位置，只需要通过特定的视图就可以直接找到对应的记录，这一点实现得不错。但 Fields 的填写与组织，还有 Table View， Kanban View 等等夹在一起，让笔记的整体流程充满摩擦力。尤其是 Fields 的存在，令笔记的流程多了一个复杂的维度——笔记不是数据库，如果真的要实现这一点，我推荐大家使用 Recutils。它是 GNU 标准工具之一，而且结构非常简单，理念是「Text as Database」，它可以和 org-mode 完美结合。
据此，我认为现代笔记工具已经走向一个弊端，作为个人的笔记工具，它没有足够的盈利点，而总要膨胀到团队协作，或者其他方面去；而功能规模的膨胀，固然令工具变得强大，但也让用户记录笔记的时候想东想西的，心智负担大，记录笔记不流畅。让我想起 Evernote 从繁荣走向衰败的历程。
我的结论是，我想要的是这样的笔记工具：在记录时不打断我思路，在整理时不要让我费神，在回顾时不复杂。幸运的是，org-supertag 尽管变得膨胀，但其基本架构完全可以做到以上 3 点，尤其数据流部分，我在这方面花费的心思最多，尽管现在经历了多次重构，但数据流并没有发生多大的变化，称得上 rubust 和 solid 了。
我最后把自己的需求缩减成了三句话：
我现在通常先把内容写下来，之后再决定如何整理它。好处是，写信比以往更方便了，我通常只需要从自己的日记里寻找到之前的材料，直接复制过来就行
这一次重构给我带来的教训是，「一切都要从心出发」，用心感受真正需要的功能是什么。只有自己能够一直使用下去的功能，才是值得推荐给他人使用的。
在上一封信里，我提到封存 SPEC-AGENTS 这个项目后，有网友 James 来信希望跟我继续讨论，我回信之后，没过多久，他又回了一封信息密度极大的邮件过来，里面有非常深刻的思想和洞察，迫使我继续深入思索这个话题——益友就是如此，能够促使你进步。
James 在邮件中提到了他设计 SPEC 开发方法的出发点，还有他那一套方法和 SPEC-AGENTS 的异同，他提到：
我觉得我们的两个抽象其实很值得并排比较一下，因为出发点极其接近，但最后似乎分别走向了：
你：如何让模型拥有一个足够好的、可持续演化的世界模型
我：如何限制模型只能在已经获得人类语义授权的世界里行动
而 Jev 又从另一个方向在追问：模型如何暴露并结构化自己的判断。
我怀疑这几条路最后还会在更高一层重新汇合。
虽然我还没能拿起笔回信，但我现在已经想到了这个最终一层的抽象应该什么——「软件工程设计」。把 SPEC 开发流视为一个软件工程，然后以软件工程的角度，重点使用抽象、复用、组合，三板斧来解决开发流过程中遇到的问题。
这个想法来自与群友 geekinney 的讨论。他在群里晒了两张使用 Pi 之后，自己编写的技能和插件，数量非常庞大，光技能将近 20 个，插件也有 10 个。我记得，才两三周前，他说要开始尝试 Pi。如此短的时间内，如此大量的成果，生产力非常惊人。
在群里，他也提出关于技能的有趣的观点：「优秀的技能，是要写出来之后，连本地小模型也能够准确地执行。」
我觉得，这个标准提得很好。我们在网络上，经常看到大 V 晒技能，效果很不错，常常弄得心痒痒的，但自己尝试又未必如此，很大的原因是大 V 跑这个技能时的客观条件，与别人有很大的不同。这意味着，这些技能基本上是一时的产物，缺乏持久性，泛用性。尽管大 V 自己用起来的效果很炫，但难以成为一个大家都可用的、优秀的技能。
总之，不要问为什么大 V 行，而自己不行，也千万不要把这事儿的原因归于自身，就好像做实验，完全两种的实验条件，得到的结果自然是不同的，这里所应当。如果按照 geekkinney 所说的，一个优秀的技能，应该如何？
geekinney 在他自己的 Telegram Channel 里系统总结了自己的想法：
「我觉得 skill 本身就是一种软件，需要按照软件的工程规范来组织。它和软件的区别在于：软件完全就是代码，要求所有的功能提前开发好，然后精确执行。而 skill 更加的灵活，它结合了自然语言和程序；程序负责具体的功能，自然语言负责定义规则，规定用什么程序来做。这样的组合放大了传统程序的能力，因为自然语言可以拓展程序的能力边界，通过最小功能的组合和复用来实现。这就是 unix shell 的哲学。
技能的内部是如此组织的，所有的功能都要最小的操作原语，常用的流程可以固化下来哪些组合，不常用的就让模型自己推理如何组合。技能与技能之间也是如此组织的，一个更复杂功能的技能可以由更小的技能组合来完成，无需重复造轮子。」
从以上总结可以看出，关键词是两个：抽象组合，复用。这也是软件工程的基本原则。
我与 geekinney 之前交换过「软件工程」的看法，和他一样，我认为在 Vibe Coding 盛行的今天，「软件工程」的素养变得更加必要了。看他对技能的开发，能够明显感受到，将「软件工程」的思维运用到其它领域的确是一个非常值得尝试的方向。
现在，我要面对一个心情问题，如果有一个朋友比你聪明，能力比你强，还比你帅，你是羡慕嫉妒恨呢，还是羡慕嫉妒恨呢？
朋友，今天的信就到这里，祝你中秋快乐，生活愉快！
2026-09-22 16:55:37
一段时间没写信了，你还好吗？再次提起笔来，真是让人开心，每一次写信都是你我的一次重逢，为了这份不断的缘分，我也要提笔写下去。
最近，我在 X 上的粉丝突破了 5000 人，不算多，也不算少。但现在 X 上的内容更新，基本上是我指挥 Agent 来处理的，我每天除了对着一张选题表选择今天写作的内容，或者想到什么改善点之外，其它的活儿都是 Agent 一手包圆。尽管涨粉的速度在最近 1 个月变得非常迟缓，但我大概摸到了令粉丝量增长的路径——你火啥就发啥。
之前我提到自己在通过 Keybr.com 这个网站练习打字，现在最高的记录是 75wpm，我对该速度已经感到满意，就没有继续再练习。在日常打字中，我一直使用的是 RIME + 魔然输入法这个方案，我将自己输出的习惯调整到以字词为主，打字的速度就快了许多，而且准确率还不错。
Keybr.com 的算法设计很不错，它会统计你打的哪一个英文字母容易输错，那么在下一个安排的练习环节里，就会增加多几个包含了该字母的单词。在长时间练习之后，手对键盘渐渐熟悉，开始知道自己的手指正在放在哪个位置。这时候打字的速度才开始提了上来。朋友，尽管现在大家都爱用语音输入了，甚至写啥都让 AI 来了，但我觉得，手动输出还是很有必要的，只有在自己亲自动手的时候，我们的大脑才会真正进入思考的空间。
尤其是打字的准确率提高了之后，在电脑上输出不再是那么痛苦的事情。反正，根据我自己的估计，在练习之前，我可能打一句话就会有一般时间浪费在纠正错字，修改语序等等零散的小事上。所以，练习打字还可以让人在输出时，不容易被小事打断。
SPEC-AGENTS 是我之前探索 Vibe Coding 方法论，从而自己设计的 SPEC 驱动的开发框架，在 Github 有 128 个星标，一共有 25 个 Fork。从第一个版本到发展到第四个版本，我在这方面的耕耘，花了不少时间。然而，在最近一个项目的大重构中，我发现把 SPEC-AGENTS 所产生的记录全部删除，直接让 Astra 来处理，之前三四天一直没能处理完的任务，只需要半天就搞定了。
在沮丧之下，我决定把它封存了。在日记里，我写了一点感想：
「在实践当中，发现强模型（Astra，Fable）本身已经具备软件工程方法方面的知识和方法，思维能力和记忆能力相比过去，进步了许多——harness 本身的进步也是有目共睹。
已经不需要一个 SPEC 像一个记事本一样，在旁边让它是不是查看，以防走偏。相反，由于过于注重 SPEC，让强模型不断的回顾历史，上下文塞入太多杂讯，结果往往是强模型浪费更多 token 在思考上，继续往上下文塞进杂讯，循环往复，便会令它的注意力焦点偏移。
基于我对 AI 的理解，我认为原因有以下几点：
反向传播算法是大模型基本的思维特征，意味着之前输出的 token，都会影响下一个 token 的输出。不断地寻找对齐也是大模型基本思维特征——两相叠加，后果就是，模型在杂讯过多，所引发的过度思考的时候，反而令自己的逻辑混乱。
因此，面对能力更强的模型，写 Prompt 或使用 Skill 都不如以往重要，重点应该放在保证它上下文的纯净。这样子强模型才能真正发挥自己在思维能力方面的优势。」
在封存了 SPEC-AGENTS 之后，我还收到一封邮件，对方说也和我一样尝试将抽象语义与开发结合，然后看到了我的项目，当他想留言与我讨论时，才发现我已经把项目封存，因此他来信想与我讨论封存项目的原因，以及在这方面想跟我继续深入讨论。我想了想，给他写了回信，不过我当时忘记了跟他提到越强大的大模型，越不需要过度严格的脚手架：
「如你所说，最大的问题是 Kernel 层的更新与迭代。和你一样，我打算使用类似「本体论」的方式，来约束开发的过程。然后最大的挑战是在一轮长程开发完成之后 Kernel 层所产生的大量漂移。
软件工程的复杂度就在于，计划往往赶不上变化——在开发前的约定并不能完全能够充分预估所有开发的细节，而我们往往也不会完全等待所有细节都确定之后才进入开发；我认为，大部分是产生一个想法，有一个模糊的计划框架之后，想了想大概的结构，觉得没问题了之后，就会着手进入开发阶段。
因此，在 Do 这个阶段，尤其是进入长程任务开发，中间经历了几次对原先计划的修订之后，会不可避免的产生大量语义的漂移。这种漂移如果在简单任务上，还好处理，但面对复杂任务，就会变成一场噩梦。想一想，跑了一轮 /goal 之后，发现产生 50 个漂移点，如果只是纯人工检查，会浪费半天的时间，如果只让 AI 来处理，那肯定对整个方案都不负责任。
这里，我认为 Vibe Coding 就像「潘多拉魔盒」一样，一边诱惑着我们打开盒子顷刻即满足任何欲望，但实质上它是一个诅咒。因为在设计规划阶段，人类必须应当首先探索后整个方案的空间，而这个空间也会是以后产品的空间，就好像即时战略游戏里的战争迷雾一样，也许我们还没进入建设生产，但就应该先派兵出去掌握地图的情况。在 SPEC-AGENTS 里，我一开始的假设是 AI 智能体足够强大到可以让我省下探索地图的精力，但实践则证明，并非如此。
除了以上我所提到的「语义漂移」导致无法通过纯人工解决，剩下则是工程细节的问题：
我原本将 SPEC-AGENTS 升级到语义权威，是因为我觉得详细记录所有任务，然后完成后再标记完成任务，这种按照开发阶段的 Vibe Coding 方法，在模型能力变强的情况下，已经过时。但我没想到，引入语义权威之后，所带来的问题并没有减少。因为语义漂移所造成的麻烦，比想象中要严重很多。
我并没有停止探索 Vibe Coding 的方法，只是在我经历了 3 天的沮丧之后，我决定暂时先停下来，不要投入精力到修补 SPEC-AGENTS 这个具体的项目里，好让我跳出来四处看看，所以我决定暂时先封存 SPEC-AGENTS。
不知道我的回复是否覆盖了你希望和我讨论的所有问题，总之，我很高兴有人来信与我共同探讨。我当前正在总结 DeepSeek Harness 的开发方法。我可以确定，它是完全 Vibe Coding 出来的，而尤为宝贵的是，团队将所有的开发记录都保留了，这为研究提供了宝贵的样本。」
布莱士・帕斯卡尔（Blaise Pascal）是法国著名的数学家、物理学家、发明家、哲学家，同时也是一位天主教作家，是著名的计算机语言 Pascal 的名字来源。由于帕斯卡尔影响过于广泛，在诸多文学，影视，文学作品里往往能够看到使用 Pascal 命名的角色。
今天在逛哔哩哔哩的时候，看到了一则吸引人的标题，「动起来，否则你就要费劲思考了」，视频里讲的是帕斯卡尔的哲学思想中的一面——不要因为「逃避」而动作。视频里将这种行为特点总结为「逃避式努力」。意义就是，通过盲目的做事，掩盖虚无感，逃避问题。
我看了有所触动，因为觉得大部分人，包括我自己，在日常当中存在很多逃避式努力。反思自己，「买书」、「下载资料」全都是我逃避式努力的一种。我日常缺乏对自己的安排，因为我讨厌安排。但如果扪心自问，为何讨厌安排——心理上的难受是无法逃避的，可能这是一个难得的启动自我对话的契机。
但是没有安排，我又感到无聊和惶恐，于是我装作努力——扮演一个努力的人，来安慰自己。
很幸运通过一个视频与布莱士·帕斯卡尔相遇，让我认识到有这么一个伟人，他一生奉献于自己的信仰，开拓人类的视野，传播科学的精神。并从他的思想中，我获得了对自己的启示。
我计划阅读帕斯卡尔的《思想录》。
朋友，今天的信先写到这里了，祝你生活愉快！
2026-08-02 15:42:59
我最近读到一篇非常好的文章，来自美国顶级文理学院汉密尔顿学院的社会学教授丹尼尔·F·钱布利斯（Daniel F. Chambliss）。1989 年，他发布的《卓越的日常性》（The Mundanity of Excellence），引起了社会各层面的极大反响。因为该论文，丹尼尔教授被授予美国游泳学会理论分会奖，以及美国社会学协会理论分会 1989 年度奖。
丹尼尔教授的个人经历丰富，除学术之外，还长期担任校队助理游泳教练，《卓越的日常性》包含着作者对从初学者到奥运选手各层级运动员的多年观察；跟随 Mission Viejo Nadadores 顶级俱乐部生活和训练；参加美国国内、奥运选拔赛及1984年洛杉矶奥运会；以及访问约120名全国级和世界级运动员与教练。
《卓越的日常》对我最大的启发，则是告诉我 3 个道理：1. 卓越的表现，来自「质变」；2. 一昧的追求「量变」，是不会卓越的；3. 卓越是可拆解的。
丹尼尔教授观察到，乡村俱乐部的游泳运动员和奥运冠军之间的差异，来自 3 个层面：技术动作、纪律性、态度。
| 维度 | 细分项 | C级选手 / 初学者 | AAAA级选手 / 顶尖水平 |
|---|---|---|---|
| 技术 | 动作效率 | 动作幅度大，力量分散 | 动作紧凑，发力路径优化 |
| 蛙泳技术 | 手臂后拉，双腿外翻宽踢 | 手臂内扫，窄蹬夹水 | |
| 转身技巧 | 身体抬高，速度损失 | 身体低位，快速衔接 | |
| 水下与触壁 | 水下动作短，触壁随意 | 水下拉臂充分，严格双手触壁 | |
| 动作表现 | 水花大，效率低 | 安静流畅，动作经济 | |
| 纪律 | 训练执行 | 关注完成训练即可 | 严格执行标准与规则 |
| 细节意识 | 容忍小错误 | 追求每个细节完美 | |
| 生活管理 | 准备不稳定 | 饮食、作息、热身高度规律 | |
| 态度 | 对苦练的理解 | 认为训练是痛苦牺牲 | 认为训练是成长过程甚至享受 |
| 对重复训练 | 感到枯燥无聊 | 进入专注、冥想状态 | |
| 目标与动力 | 避免困难，缺少挑战 | 主动寻找挑战，追求极限 |
从这张表看到，奥运冠军与一名普通的游泳运动员的，光技术动作就有了 5、6 项的不同，更别提其它各个方面，可以这么说，奥运冠军与其它选手之间的差异不是某个方面的差异，而是方方面面都存在这差异，这里体现出了一种「系统性」。普通选手在一个系统，而奥运冠军在另外一个系统。
所以，我认为，《卓越的日常》提示了一点，卓越来自系统性的做事方式不同。
那么是否训练时长变长，也能达到同样的效果呢？论文里，举了一个例子，「1968 年奥运会 400 米栏金牌得主 David Hemery 访问了 22 个项目的世界级运动员。他报告说，在许多案例中，从开始专项训练直到最高水平，训练时间并没有显著变化。」换言之，顶级运动员的训练效果，相对于普通运动员的，可以称得上事半功倍。
不过，丹尼尔教授讨论的，是比较达到职业水平运动员之间的表现，而不是所有人都拿来比较。我要特别提这一点，因为在某个领域里「职业水平」，本身并非易事，也需要付出相当的努力，但显然，达不到「职业水平」是无法站在竞技台上与他人竞争。朋友，这里需要特别提醒你，无论是什么人，只要他在一个领域达到「职业水平」，那么就不要贸然兴起傲慢之心。
《卓越的日常性》还提出了一个反直觉的怪论，优秀的运动员成功并非来自某种天赋。论文里引用了 Kalinowski 的研究，多名运动员表示，「有天赋」这个评价往往来自他们取得了重要赛事的奖项之后，而非之前。也就是说，通常我们称一个人「有天赋」，往往是一种事后贴上的标签，而非提前就预知。所以丹尼尔教授认为，「也许根本没有所谓“天赋”，只有卓越的表现本身」。
论文的另外一个怪论，「卓越是日常的」，没有 Drama 戏剧性的效果。丹尼尔教授说，
「超常表现其实是几十种小技能或小活动的汇流。每一种技能都是学会的，或偶然发现的；随后经过认真练习成为习惯，最后组合成一个综合整体。任何一个行动本身都没有什么非凡或超人之处；只有当它们被稳定、正确地完成并全部组合起来时，才产生卓越。」
女游泳运动员 Mary T. Meagher，外号「蝴蝶夫人」，职业生涯里一共获得奥林匹克 5 枚奖牌（3 金 1 银 1 铜），在 1981 年创造了 100 米（57.93秒）和 200 米（96秒）蝶泳世界纪录，这两项纪录分别保持了长达近20年及21年之久。她面对采访时的回答是，「人们不知道成功有多么普通。」
论文里记录，自从她获得全国锦标赛资格后，就立志要打破 200 蝶泳世界记录。为此，她对自己的日常训练，施加了 2 个改变：1. 每次训练都准时到场；2. 在日常训练中严格按照比赛规则正确完成每一次转身。一年之内，她就打破了蝶泳世界记录。
可能你觉得到这里就结束了，但是《卓越的日常性》还提出另外一个反直觉的观点，即便是优秀的运动员，也只会为自己先为自己定下可实现的短期目标，而不会为自己设定那些高不可攀的宏大叙事。还是「蝴蝶夫人」的原话：「我从不看下一年以外，也从不看下一个层级以外。十岁时我没有想过奥运会；那时我想的是州锦标赛。达到地区赛资格标准后，我才开始想地区赛；达到全国青少年奥运赛资格后，我才开始想全国青少年奥运赛……我现在甚至无法去想1988 年奥运会……想得太远会把人压垮。」
在日常，多名优秀的运动员将精力集中在可以实现的目标，比如某种技术动作的改进，邀请教练对训练效果进行深入的评估等等，一切都在循序渐进。而在重大比赛中，优秀的运动选手业也保持着这种「日常感」，他们并没有把那些重要比赛，比如奥林匹克运动会当成某种戏剧性时刻，而是认为「那不过是又一场比赛」。这种放平的心态有助于他们在关键时刻保持水准，而不是发挥失常。
朋友，不知道你是否和我也有同样的感觉，《卓越的日常性》就好像在揭示魔法背后的原理：卓越是可积累的，是正确的，是系统性，是质变的。关键是「质变」，由于我国从小学开始，就喜欢提倡「精诚所至，金石为开」，还有「愚公移山」的例子，但他们往往被引导在重复做某件事情上，而不是教人从「质变」的角度来看待事情。
朋友，我觉得这篇文章是我近年来阅读最有收获的一篇文章，期待与你一起讨论。
这是一个练习打字的网站，我上周每天在上面练习 30 分钟，打字的速度比之前提升了很多。现在我终于在电脑前打字，没有一种憋住的感觉了。
Keybr 的训练方式非常有趣，首先它的初级训练课程，训练你习惯输入包括单个字母的单词，只有正确率和速度达到一定程度之后，才能进入下一个字母。而在它的评价体系中，正确率要比速度重要很多。当完成了所有字母的初级训练，就会进入下一个阶段，此时 Keybr 会随机提供多个单词，让你完成输入。但它会统计，你这一次训练容易在输入哪个字母中犯错，然后再下一次训练里，提供更多包含该字母的英文单词。
我在 5 天内，将自己的打字速度从 30 WPM 提升到 60 WPM，效果非常显著。
2026-07-29 23:16:58
最近的天气愈发郁热，要么下一天的雨，要么太阳出来将前一天的雨蒸发。出门在外，见到谁，我都情不自禁的感慨一句，「最近真的太湿，太热了！」在这样的日子里，却有着激动人心的故事，非洲西边的小岛国佛得角首次进入世界杯 16 强，但藏在数字背后的是，佛得角实际上抽中的死亡签，在阿根廷队淘汰之前，它的对手是葡萄牙，西班牙等强队。即便是对战阿根廷，佛得角铁壁般的防守让阿根廷在上半场找不到任何机会，而球王梅西几次起脚射门，意图都被佛得角门神沃西尼亚轻松识破，一直到加时赛，阿根廷才踢出了一个运气球，让比分超出，终结比赛。
这场比赛，无论是球队之间较量，还是两名老将之间的算计，都堪称经典。
AI 和 Agent 没办法带给我们这样的感动，它也无法替我们感动。假如我有孩子，我会让他多体验体验这种单纯属于人类的快乐，多出去玩，多在泥巴里面滚打。我一直遗憾，自己的童年经历，缺少这种单纯的快乐。尽管我小时候也有几个月待在老家，要我回想，心情是很快乐的，但我想不起具体的人和事。因为有一次，小伙伴门口臭水沟的石桥对面，骗我分糖果给我吃，结果等我走上桥时，却自己一口吞下，惹我大怒，一边骂他，一边跑起来的时候，不小心掉下桥，似乎脑袋撞到了石头，等我醒来后，这三个月的记忆，就只剩下一些片段，连具体的小伙伴都认不出来了。
我一直觉得 Agent 可以随时切换性格这件事令人惊叹。只要换一个 Skill，换一个 Soul，Agent 可以完全不一样，上一秒还是冷酷理科男，下一秒就是甜美萌娘。著名的科幻动漫《攻壳机动队》里有一个问题让人深思，「什么是 Ghost？」但其实，我觉得这部动漫想讨论的远超这句台词，「如果没有了 Shell，Ghost 是什么？」 ，甚至「如果没了 Shell，Ghost 还是那个 Ghost 吗？」大家都已经知道一个 Agent 的大致组成，除了核心的 LLM 之外，，一些脚手架，一些定义其行为和性格的 md 文件，如果 LLM 没了这些围绕它而搭建的 Shell，它无法成为一个 Agent。
阳明心学有个四句决，很出名，「无善无恶心之体，有善有恶意之动，知善知恶是良知，为善去恶是格物。」这句话首先说明，「心」与「意」是两个层面：儒家认为「心」（可理解为灵魂）是先天，是无垢澄明的，它并不没有善恶的偏向，但先天的「心」会被后天的「意」（可理解为意识）所干涉，结果导致了人的行为上的差异。Agent 的结构，也分为 2 个层面，这么一对照，是否发现两者在结构层面有惊人的相似之处？LLM 就是心之体，Harness 则是拴住意之动的围栏。
人是环境的产物。但哲学存在的意义就在于，让我们可以暂时脱离环境，为同一件事，增加不同的视角。其实，塞翁失马这个故事说的就是这个道理，赛翁从不同的时空解读了同一件事，就避免了单纯的情绪判断。朋友，虽然好久没有和你写信了，但一提起笔来，还是忍不住发散思绪，且让胡言乱语吧，在现实空间里，往往很难有机会进行这样的抒怀。
已读三分之二，这本书自我买来，一直想读，然而之前每一次捧起，很快就放弃——原因无它，尽管它可以视为「媒介环境学」这一学术领域的入门书籍，但毕竟是一本严肃的学术著作，字小且密，句子冗长，和网络小说的无脑爽文写法形成了强烈的反比。
最近，处于越来越渴望深度阅读的情况下，我重新捧起，并克服阅读中的不适，慢慢读了下来，感觉居然不错，用力读完每一篇后，有着健康的多巴胺充斥着神经，内心怡然喜悦，可能因为大脑真正吸收到了营养，而不是困在社交媒体的回声笼里。
不好意思，说了那么多题外话，关于这本书，如果是对「媒介环境学」这一学科感兴趣，是非常值得阅读的，尽管里面大部分是对某个人学术成就，和观点的总结，但我认为即便是这样子，对于我们普通人而言，也有足够的启发。我来抛砖引玉地提一个问题：
如果 AI 是一种媒介，那么它会如何塑造我们？
大前研一自不必说，来自日本的管理学家，经济评论家，对社会的观察视角独特，写作深入浅出（虽然有时候我觉得他为了迎合大众，写得太过于流行），创造了多个流行词，包括：M 型社会，OFF 学，专业主义，全球化等等。
不过这本书，是大前研一语言激烈，恨铁不成钢地批判日本社会各个层面，通过这本书，我才知道日本也有「食品安全」方面的问题，也有愚民教育，也有官僚主义等等，我看完之后，深深感受到，书中提到日本所面临的困境，80% 国内也同样出现。
对于大前研一提出的解决办法，我不见得完全认同，但我觉得他有一点说得很好，应当尽可能提高社会的「集体智商」。
我最近对这个体型娇小的 E-ink 设备感兴趣，跟朋友 C 君提了一嘴，他说，别急着下手，他和朋友入手了之后，现在已经搁在一边吃灰了，妥妥的「灰产」。
不过，他还是给我寄了一台把玩。目前到手 3 天，《低智商社会》这本书就在阅星瞳里读完的。
我觉得，阅星瞳是很好的专注于「阅读」方向的产品，拿在手里轻若无物，就像纸一样，揣在兜里，毫无压力。正好可以用它填满等待 AI 完成任务的间隙，还可以实现「马上读，厕上读，床上读」这种随时随地阅读的环境。
由于我还沉浸在新玩具的新鲜感中，所以以上评价并不客观，我也不能保证这台「阅星瞳」以后不会变成「灰产」。
我是从 Xah Lee 的博客中，了解到 KINESIS 这个键盘品牌的。由于他多年来测试了很多键盘，最终他还是对该键盘推崇备至，这让我一直很眼馋。
我在闲鱼上看到一个卖家出货，想着不到 800 就可以上手玩一把，一时冲动就盘下来了。到手后才发现，KINESIS Classic 是一款早已停产的型号，而且接口是旧式键盘的 PS/2 圆型接口，估计现在的新生代都没见过。
用了 2 天，第一个感受是，这是一把非常人体工学的键盘，它将按键放进一个凹面，而且针对人五指不同的长度定义了按键的排布，和按键不同的高度。刚一上手，就感受到打字很舒服，很快让大脑接受了这种操作方式。说出来你不信，第一次用，敲了大概 10 分钟，我回到日常用的键盘，然后我发现开始有点忘记原来的键盘是怎么按的。现在这封信，有一半也是通过这把键盘敲的。
不过，KINESIS Class 也有用不惯的地方，Ctrl、Alt 等修饰键有点难按，而且对于习惯用 Ctrl + Alt 来设置快捷键的人来说，这种排列方式，和按键位置是需要习惯的。也许之后我会探索出更合理的方式。
当然，最近最开心的是，之前开发的窗口管理软件，在没怎么管的情况下，居然来了好几单！
2026-07-29 23:16:58
朋友，最近怎么样？是否玩 AI 玩得停不下来？你是否想过，「在等待 AI 时，干些什么好？」我第一次看到这个问题的时候，就被吸引住了，它就好像「中午吃什么？」一样，无法马上回答。在与 AI 加深协同关系的时代，显然这是一个每个人都会面临的问题。
与这个问题相对的是，AI 在令我们变得更加匆忙，在 X 上看到有名的开发者 T 君解释不订阅 OpenAI 的 Pro 级账号的原因：不想让自己睡不着觉。著名的卡神（这个应该知道我说的是谁）在公开 AutoResearch 的时候，也提到自己变得神经敏感，每一天不烧完 Token，都会感到一种会落后于人的恐惧。
即刻上，有人回应该问题，在等待 AI 的时候，不妨直接切到下一个项目。朋友，这不就是用上 AI 之后感觉更累的原因么？！活在 AI 的系统里，人之肉身也如中间滚动的轮胎，在虚拟的 AI 会话之间，来回奔波。
这种「心神过劳」，可能比职场压榨更甚。朋友，我只能说，人之异化，无止无境。
所以，我觉得，如果要回答「在等待 AI 时，干些什么好？」，一定不能只回答，切换到另外一个项目去。这是一个可选项，但绝对不能成为必选项。而在这个选项之外，还必须拓宽更多的选项。不然，我们在面对自我时，很容易得到一个恐怖的结论——我，不过是 AI 的走狗。
朋友，穷究一生，我纵然庸庸碌碌，都极力避免让自己活得像个符号。这封信，是我一部分回应。在效率与产出之外，我们应当更多样化自己的生活，为世界提供多样性——不止，也为自己提供多样性。
最近我又读了一次罗素的《论闲暇》，思想家就是思想家，他提出了一个观点，在我看来，迄今也未过时：技术的进步应当为人类创造闲暇，甚至分发闲暇，让不同的社会阶层均有享受闲暇的权力。他还有一个现在看来，也堪称激进的观点：今天没有任何理由剥夺多数人应该享有的这种（闲暇）权利；只有一种往往是代人受苦的愚昧的禁欲主义出来逼使我们仍然坚持过量的工作，而不顾现在已不再需要这样了。他甚至认为，努力工作是奴隶的道德，然而现代世界不需要奴隶制度。
朋友，如果你没有读过这篇文章，我建议你去读一次，不要为文风所吓到，耐心的读一遍，我相信你会有很多感受。
如果代入罗素的视角，来理解「在等待 AI 的时候，干些什么好？」，我估计他会为当前的技术进步所陶醉、着迷，等待 AI 的时间，正是他所说的「闲暇」。这个在过去中世纪封建主义，所有人都难以享受到的特权，就这么因为 AI 的到来，而平等地分发给所有使用 AI 的人。朋友，当我们享有「闲暇」的权力，而不知加以利用，这显然是人生的损失。
将目光从工作/效率转移，面对无聊，面对那种让人心慌的空白，是最佳的自我修炼之处，正好深思「何以为我」，让我们用记录，用行动，用手脚，用绞尽脑汁，用筋疲力尽，来回答这个问题，千万不要用被动的娱乐消费来逃避它。即便是选择休息，也都比漫无目的地刷抖音/小红书/B 站更好。当我们能够认真的想出自己在「闲暇」的时候做什么，显然我们对自己的人生更加负责，这个不被社会异化的宝贵间隙，是自我停留的港湾。而处于完全自我的任何选择，都是合理的，不管是哈哈大笑，流很多汗，唇齿不断张开闭合，让眼睛陷入黑暗，放空自己的脑袋什么也不想，这些都是合理的，因为你清楚地知道自己在做什么。
又及：
朋友 Mark 对我这篇文章的回复十分妙，「人类是低带宽、高 context 的智能体。不要试图与高频率、相对低 context 的AI智能体竞争，而应建立自己独特的观点。我认为，即便 AI 在绝大多数领域都远超常人，人类依然因为长期耕耘某个领域，或是有无法复制的生活经验和累积能提出某些前所未见的见解。这些观点或许并不成熟，但这并不重要，重点在于它们能拓宽 AI 所能理解的宇宙边界，这样就能有价值交换。」
2026-07-29 23:16:58
上周，是我速度感极度放大的一周，还有，回到深圳的感觉真好。说说上周发生了什么吧，包括我自己，包括我看到的世界。
我和好几年没联系的 M 君重新在微信上聊天，然后发现他这几年，一直在做关于产品、工作流的工作坊，天天和深圳的老板讲课。他问我最近干嘛，我说我用 AI 辅助编程，开发软件。没想到，正好他那里缺这样的人，刚好可以合作——现在他们天天跟这些老板讲 OpenClaw 怎么用，怎么玩，老板们的热情之高，无法想象。甚至，我们闲聊时，也会感到，他们对 AI 或者说小龙虾的期望，可能高到不切实际。
这和我在 X 上看到的不同，X 上有人经常说风凉话，唱反调——朋友，我必须吐槽，偏偏这些不落地的无脚鸟容易获得关注。在我看来，「龙虾」现象并非过热，而是多年来，我们人类对「通用智能助理」的期望，在「龙虾」上集中爆发。
「人人都想要一个通用的智能助理。」当计算机诞生不久之后，很快欧美的学界精英，就开始了人工智能的研究，我不认为这是一种偶然。显然，当时的科学家为计算机上的「类智能」表现而沉迷，进而探索当时计算机的边界，看看可否往前推进一步，诞生真正的「人工智能」。计算机，从第一天起就拥有处理逻辑和符号的能力，它本身就是作为一种「智能设备」存在。
从一体机，到个人电脑，到笔记本电脑，到智能手机，到人工智能，你会发现计算机对于普罗大众的接受门槛来说，一直在降低。而「通用智能助理」则将这个接受门槛继续降低到，普罗大众觉得我不用学习计算机专业的知识，也能让计算机为我所用。大众要的永远是 0 门槛。
朋友，你是否会感到矛盾，「龙虾」的安装如此麻烦，为何它还可以称之为「0 门槛」呢？俞军的产品切换公式，解释这一点，用户会为更高的预期收益，而忍受产品切换的成本。所以，「龙虾热」的背后，应该探索的，是大众的预期在哪里。
就我的理解，龙虾比市面上任何 AI 工具，都有「活人感」，这不是简单的说，它接入了聊天工具，心跳机制，还有使用 Pi 这个 Agent 框架就可以完全解释清楚的。实现方法，不能代替用户对价值的判断：
第一，它像人在「做事」，而不只是「回话」。
龙虾不是停留在「你说一句，我答一句」的层面，而是会把用户的要求转化为目标，再主动寻找路径、反复尝试、修正策略，直到更接近结果。
这种「面向目标的连续行动」，很像人类解决问题时的状态，所以用户会觉得它不是一个工具，而像一个真的在办事的人。
第二，它像人在「相处中变化」。
龙虾不是永远固定不变的。用户不断反馈，它会逐渐调整语气、风格、处理偏好、协作方式，甚至显露出一种较稳定的「性格轮廓」。 这种可塑性会让用户产生一种强烈感受：自己并不是在操作某个死板系统，而是在影响、塑造、训练一个会回应自己的对象。 而「会被关系改变」，本身就是活人感的重要来源。
第三，它用自然语言进入关系，而不是用命令接口进入关系。
聊天窗口和自然语言，让互动一开始就不是机械操作，而更接近人与人之间的沟通。 用户表达的不是参数，而是意图、情绪、犹豫、偏好、上下文。龙虾接住的也不只是指令，而是整段人类处境。 当交互的基本单位变成「交流」而不是「点击」，用户自然更容易把它感知成一个「在场者」。
所以，龙虾的「活人感」并不只是因为它会说话，而是因为它同时具备了三种关键特征：
主动性、可塑性、人类语言。
这三者组合起来，就会让它呈现出一种非常接近人的存在方式：
于是，用户感受到的就不再是「工具感」，而是一种「有主观能动性、能被相处塑形、并能持续协作的他者感」。而这，正是「活人感」的本质来源。因为它不是一个只会被动响应的工具，而是一个会理解目标、持续试探、根据反馈改变自己，并以自然语言与你建立连续关系的行动性存在。
朋友，说到这里，我感到一点遗憾。去年，我沉迷于开发 AI 工具，我已经开发了记忆层，还有 RAG，和 Corn 心跳机制，类似 Skill 的机制（早于 Anthropic），自然语言 Workflow 机制，我也在思考，与人协作最佳的 AI 界面。当时我还有一个判断，下一个爆发的 AI Chatbot 一定不是 Chatbot。不过，反观开发出 Pi 框架的两位开发者 Mario Zechner 和 Armin Ronacher，也都没能实现 OpenClaw。朋友，这让我的内心释然了不少。他们比我距离 OpenClaw 可要近得多了。
现在总结，我从来没有把 AI 当成活人来看。这就是我和龙虾的创造者 Peter Steinberger 的差距，发心立意的差异导致了我即便集齐了产生「龙虾」要素，也依然无法令龙虾诞生——我从来没有想过要为 Agent 设计一个 Soul.md。而我认为，这正是根本区别之所。哲学界常常问，「何以为人？」。OpenClaw 的回应是：「灵魂」+「记忆」即可组成一个人。
朋友，你觉得呢？
