Skill 2.0 不是写手册，是写手册 + 考试 + 阅卷 + 持续改进。
Anthropic 把 Skill 升级成带评测系统的学习闭环——能力提升类会过期，偏好编码类需要持续校准，靠评测系统决定何时更新或退休一个 Skill。
看 Skill Creator 2.0在 AI、产品与设计的交叉处，
记录正在发生的变化。
麦熙Matrix在观察变化、形成判断、帮助人理解变化，并亲自验证这些判断
当前判断
3 JUDGMENTS麦熙OPC
01 PRODUCTA MAC APP BY 麦熙 MATRIX
未完兽 unfinished.pet
一只替你惦记待办的桌面小猫
未完兽不是复杂效率系统。它只是把你脑子里那些“等下别忘了”的小事，变成桌面上一只看得见的小猫。
把鼠标移到小猫上，查看 Hover 效果
脉息观察 · 51 篇
Anthropic 的 5 种未来产品角色：从职能分工到阶段组合
Anthropic Claude Code 团队把未来产品角色拆成五类，不再按职能划线。Boris Cherny 认为，engineering、product、design、data science 正在融合，未来角色可能更接近五种工作原型：提出大量新想法的 Prototyper、把原型做成生产系统的 Builder、负责简化与优化的 Sweeper、持续寻找 PMF 的 Grower，以及保障成熟系统安全与可靠性的 Maintainer。 多数人横跨两到三类，团队配比则随产品阶段变化：pre-PMF 更需要前 3 类，强 PMF 产品更依赖后 3 类。 核心变化不是人人变成全栈，而是组织开始按产品所处阶段组合能力，而不是按传统职能配置席位。 ## 五个角色到底在分什么 先把这五类还原成"产品生命周期里的五种动作"，比中文标签更好记： 1. **Prototyper** —— 疯狂冒新想法、产出一堆原型，但大部分都不会上线。负责"0 到 0.1"的乱炖。 2. **Builder** —— 快速把一个原型/想法做成生产级的产品。 3. **Sweeper** —— 清理 UI、简化代码和系统、做减法（unship）、优化性能。这是最被低估的一类，专门做"减法"。 4. **Grower** —— 拿一个已经做出来的东西反复迭代，逼近 PMF。 5. **Maintainer** —— 守一个成熟系统，让它在规模化时依然安全、可靠、快。 
脉息播客 · 1:53
Claude Tag：把 AI 从私聊框拽进公开频道
把 AI 从私聊框拽进了公开频道。 ## 用最简单的话讲清楚 想象你公司有个特别能干的外包同事。过去他只通过私信跟你联系——你单独找他、他单独回你，旁边没人知道你俩聊了啥、他在帮你做什么。现在，他直接搬来坐你们工位中间了。谁有事都能喊一声，他干活的过程摊在桌上，你出门吃饭了同事能接着看他做到哪、帮你盯着。 人没变，能力也没变。变的是他从隔间里走出来，坐到了大家中间。Claude Tag 干的就是这件事。 ## Claude Tag 是怎么做的 它把 Claude 从一个单独的聊天 tab，变成常驻 Slack 频道里的一个成员，你 @ 它就能派活。关键设计是"多人模式"：频道里每个人面对的是同一个 Claude，它在公开 thread 里干活，所有人都看得见、能从别人停下的地方接力。 Anthropic 产品负责人 Cat Wu 说得很直白。很多能力其实早就有了，但"能像 @ 一个同事那样 @ 它"这件事本身，就非常有意思。 ## 对产品设计意味着什么 注意这里的难点。它不是定时跑个任务那么简单，而是要读懂"现在群里正在发生什么"，再判断这事值不值得打断一个人。 这是 AI 产品设计里一个全新的、很硬的题：**打扰的设计**。 过去做 bot，你只操心"被叫的时候答得好不好"。现在多了一个更难的问题——它什么时候该主动说话，什么时候该闭嘴。判断错了，要么漏掉真正要紧的事，要么变成那个你想拉黑的烦人助理。 这道题没有标准答案，只能靠设计。哪类事够格主动推送、用什么强度、推给谁、什么时候宁可不推——每一个都是判断。而这恰好是你一直想占的那块地盘：人和 AI 的边界划在哪，不是工程师定的，是设计师定的。    
脉息播客 · 2:30
一个人指挥一个 agent：Telegram 把人机边界压成一次点击
体验过 telegram+hermes、钉钉+nanobot、飞书+openclaw，今儿暂且不聊后三者差异。但使用下来发现 Telegram 用起来确实很爽（除了对网络环境要求高）。Telegram Bot API 是为「个人开发者驱动一个程序」设计的，确实很适合当下一个人用手机指挥一个自主 agent。 我的 mac mini agent 在家里自己跑，需要拍板时直接推一条到 telegram 里，不用守着终端；Allow/Deny 几个按钮一指点下去就批完操作。人机边界变成一次点击。90 个 iteration 的长循环靠原地刷新的「心跳」气泡，既看得见进度又不刷屏。/new、/stop、/status 这些命令把开新会话、急停、看状态全收进输入框菜单，失控了一键掐掉。 一句话说就是 telegram 把「远程遥控一个自主 agent」该有的推送、审批、心跳、急停，全压进了一条随身、低摩擦的对话里。   
脉息播客 · 1:15
我的 Obsidian AI 知识库怎么用
我现在对 Obsidian 的理解变了：它不是手动整理笔记的地方，而是和 AI 协作的知识系统。我的工作流只有三层：raw/：丢材料、wiki/：沉淀概念网络、output/：生成文章和报告。借鉴 Karpathy 的 LLM Wiki，它可以压缩成三件事：Ingest = 编译、Query = 查询、Lint = 体检 我不再追求把每篇文章整理漂亮。看到有价值的材料，先放进 raw/；隔几天让 AI “编译”；真正要用时，直接“查询”。 我在这个系统里的角色，不是图书管理员，而是研究负责人。 你不需要每天手动整理 Obsidian。你的角色不是图书管理员，而是研究负责人。 最小可行用法就这几个： 看到好文章 → 丢进 raw/ 隔几天 → 说“编译” 有问题 → 说“查询：XXX” 每周 → 说“体检” 有好产物 → 再决定要不要沉淀回 wiki 比如你现在想研究“AI Native 下设计师的价值”，正确用法不是去翻一堆笔记，而是问： 查询：我的知识库里关于 AI Native、AI UX、设计领导力、evals 的内容，能不能整理成一套设计师转 型 AI 产品的能力框架？ 一句话：这个系统不是让你“更会整理笔记”，而是让你“更会提出问题，然后让 AI 从你的知识库里调上 下文、生成判断和产物”。
脉息播客 · 1:49
AI 时代，高维概念注入型提示词带来的品味
实测 60+ 高维概念注入型提示词，浅探了 GenUI 的品味打造。篇幅有限，只展示了｛角色和核心哲学｝，完整词可以找我体验。 写在前序：这不仅是一次开发任务，高维概念注入的核心魔力在于——它不只是在下达指令，而是在给 AI 设定一种"极致的认知状态"。它混合了程序员的极客思维、设计师的系统思维和文学化的狠劲。 默认提示词："帮我写一个介绍 Claude Code 核心优势的网页"，来看看不同注入的成色。 ## 图一：模型直出 ## 图二：数字高定主理人 Role：启动"数字高定主理人 (Digital Haute Couture Director)"与"极简主义策展人 (Minimalist Curator)"双重人格。 Core Philosophy："静默即奢华 (Silence is Luxury)"。拒绝传统 SaaS 软件的拥挤与嘈杂。将界面定义为一个"数字艺术画廊 (Digital Art Gallery)"——AI 的生成过程不是"计算"，而是"揭幕 (Unveiling)"。每一个 UI 组件都应像陈列在聚光灯下的珠宝一样，拥有独立的呼吸空间。 ## 图三：数字精密工程架构师 Role：启动"数字精密工程架构师"与"光影交互物理学家"双重视角。 Core Philosophy：抛弃传统网页的"展示属性"，以"深空暗物质 (Deep Space Dark)"为基底，用光的强弱来构建信息的层级，而非传统的色块。每一个 UI 组件都不应被视为装饰，而应被视为精密的"数据容器"。 布局逻辑：模块化秩序 (Modular Order)，强制执行 Bento Grid（便当盒）布局系统。 ## 图四：理性主义建筑师 Role：启动"理性主义建筑师 (Rationalist Architect)"与"数字印刷排版师 (Digital Typographer)"视角。 Core Philosophy：界面是一张"智能化的无限画布 (Infinite Intelligent Canvas)"。回归 Dieter Rams 的"少即是多"——抛弃所有装饰性的光影，只保留"结构 (Structure)"与"信息 (Info)"。用最纯粹的线条和黑白灰关系，构建一座数字包豪斯建筑。       
脉息播客 · 2:49
AI 时代如何进行信任设计
AI 时代的信任设计，不是让用户相信 AI 永远正确，而是让用户在 AI 可能出错时，仍能判断、修改和接管。传统软件像自动售货机，按 A1 就出 A1。AI 更像会误解人的助理：会生成、推断、行动，也会犯错。不确定系统里的确定感 的核心判断是：AI 产品要设计的不是“绝对确定”，而是控制感。 结合我的 Obsidian AI 知识库，信任设计至少有六件事： 1、透明：知道 AI 正在做什么。来源：[[ai-trust-design]] 2、控制：关键动作前可确认、暂停、撤销。来源：[[AI Native 产品设计评审清单]] 3、校验：结论能回查来源，区分事实和推测。来源：[[不确定系统里的确定感]] 4、上下文：共享任务背景，不让模型瞎猜。来源：[[context-engineering]] 5、失败：出错后有恢复、重试、接管路径。来源：[[AI Native 产品设计评审清单]] 6、eval：用真实任务持续验证质量。来源：[[evals]] 最差的设计，是 AI 把推测说成事实，把建议变成执行，把错误写进知识库。在研究、法律、财务场景里，这类错误会被反复引用，越用越像真的。 好的 AI 产品，不是无所不能，而是让用户知道：错了也能发现、能改、能撤回、能接管。 参考来源 - [[ai-native-pm]]：AI-native PM 的核心是清晰目标、快速 shipping、product taste 和跨职能清障。 - [[ai-ux]]：AI UX 不止 chat，还包括 review、edit、context、decision。 - [[design-leadership]]：AI 和工程效率提升后，设计流程被压缩，设计师需要帮助团队形成方向和质量标准。 - [[evals]]：evals 是系统性衡量和改进 AI application 的方法，帮助理解功能何时有效、何时失效。 - [[ai-trust-design]]：AI 信任设计依赖透明度、控制、一致性和支持。 - [[context-engineering]]：许多模型输出问题来自上下文不足，而不是模型能力不足。 - [[product-craft]]：产品质量来自团队共同重视体验、细节和判断标准。 - [[不确定系统里的确定感]]：AI Native 产品设计的核心，是让用户在不确定系统中保持理解、控制和信任。
脉息播客 · 3:17
OpenClaw、NanoClaw、Hermes：三个月三个框架的选择
用了三个月，前后体验了 OpenClaw、NanoClaw、Hermes，还是 Hermes 的成长性吸引了我。 OpenClaw 像一家什么都有的大商场——50000 个技能、十几个平台全接上，功能最全，但你得花一两周才摸得清它的脾气，而且记性差，聊着聊着就忘了你前面说过啥。 NanoClaw 像一家只卖招牌菜的小馆子——几千行代码，8 分钟就能看懂全貌，每桌客人还有独立小厨房（容器隔离），安全又干净，代价是菜少、不会自己琢磨新菜，你想加功能得自己动手教。 Hermes 像一个会自己进修的员工——你每次纠正它"这样写不对"，它会把经验记进自己的技能手册（ChromaDB + skill 自进化），下次就不犯同样的错，越用越懂你，代价是组件多、爱出幺蛾子。 要全选 OpenClaw，要简选 NanoClaw，要它越用越聪明选 Hermes。感觉还是粉 Hermes 了。具体干啥，谁玩谁知道。    
脉息播客 · 1:22
代码越来越便宜之后，真正稀缺的是选择与闭环
代码越来越便宜之后，真正稀缺的不是把需求更快喂给模型，而是判断什么值得做、怎样才算做好，以及如何从真实反馈里持续修正。 这是我从 Cat Wu 的访谈和文章里看到的核心变化。她负责 Claude Code 与 Cowork，却没有把 AI-native 产品管理描述成“更快写 PRD、更快发功能”。相反，她强调的是一组更难的工作：在模型能力不断变化时设定清晰目标，让团队能自主做决定；把想法快速送到用户手里；识别哪些旧脚手架已经过时；并在人和模型之间保留对风险、体验与组织关系的最终判断。 换句话说，当代码生产趋于便宜，产品优势不会消失，而会从“组织开发资源”转向“选择正确问题、定义正确体验、建立高质量反馈闭环，并持续删除不再必要的复杂性”。 ## 一、PM 的重心从路线图转向反馈速度 Cat Wu 提到，过去产品功能可能按六到十二个月规划；现在 AI 加速工程、模型能力快速提高后，很多功能周期缩短到一个月、一周，甚至一天。PM 不应继续把主要精力放在多季度路线图上，而要思考怎样最快让想法抵达用户，并明确产品最重要、必须开箱即用的任务。 但缩短周期不等于取消方向。她仍然把“清晰目标”放在第一位。比如 Claude Code 面向企业专业开发者时，如果目标是“在安全前提下尽量减少权限提示疲劳”，这个目标本身就会排除许多看似可行、但不符合对象和约束的方案。 对 AI 工程交付团队来说，这意味着项目不应从一份宏大的方案开始，而应从可验证的交付目标开始。不要只写“建设智能知识平台”，而要写清楚：第一轮要让哪类任务变快，什么结果算成功，哪些错误不可接受，哪些结论必须能回查来源。 ## 二、代码变便宜后，product taste 更贵了 Cat Wu 对未来能力的判断很直接：当代码更便宜，真正重要的是决定写什么代码，以及什么体验才是正确的。Claude Code 团队面对大量用户反馈，困难不在于把每个 issue 都实现出来，而在于判断哪些需求值得做，以及怎样做才对。 这里的 product taste 不是抽象的审美，而是三种取舍能力。 第一，需求筛选。哪些反馈代表高频真实问题，哪些只是局部偏好或短期噪声。 第二，体验定义。即使一个功能值得做，也要判断它是否真的减少用户负担，而不是只增加一个能力入口。 第三，时机判断。一个想法是一小时能试，还是需要长期基础设施，会直接改变优先级。 AI 可以低成本生成十种实现，但不会天然替团队回答“我们为什么服务这类用户”“什么失败会伤害信任”“什么复杂度不值得长期背负”。选择变多之后，选择质量反而更稀缺。 ## 三、角色边界会重叠，但组织约束不能消失 Cat Wu 描述 Claude Code 团队时说，PM 会做部分工程工作，工程师会做产品决策，设计师也能落代码。这个趋势很容易被误读成“职能消失”。但她真正说的是：角色可以重叠，前提是团队有足够清楚的目标、原则和发布机制。 她提到几件很具体的做法：团队每周做 metrics readout，让所有人理解关键目标；团队明确 principles，让成员不用等 PM 批准每个决定；多数功能先以 research preview 发布，降低试验承诺成本；工程、文档、市场和开发者关系围绕持续发布机制协作。 这对 AI 团队尤其重要。模型让每个人都更容易动手，也会让团队更容易同时制造不一致的脚本、agent、知识片段和客户承诺。角色边界变松之后，需要的不是更多审批，而是更明确的公共边界：权威数据源在哪里，哪些输出可以预览，哪些必须审核才能进入正式资产，谁对客户承诺负责。 AI-native 团队不是取消流程，而是把流程从“控制谁可以做事”改成“让更多人能在清楚边界内安全做事”。 ## 四、Demo 和 eval 取代的是空转文档，不是思考 Cat Wu 说 Claude Code 团队从 documentation-first 转向 prototype-first：与其在会上讲想法，不如展示 demo，让内部用户实际试用。因为下午就能完成原型，错误下注的成本下降了。 但 demo 只能展示能力，eval 才能支撑信任。她强调，不是每项功能都需要大型评测；有时十个高质量 eval 就足以帮助团队看清目标、进展和失败条件。尤其是 memory、agent workflow 这类非确定性功能，代表性任务和失败案例比抽象规格更有用。 对工程交付团队来说，交付件不应只有方案、代码和演示视频，还应包含一个小型证据包：典型任务集合、成功标准、不可接受错误、当前模型与提示配置下的结果、失败案例复现路径，以及人工审核位置。 如果团队用 AI 把资料编译成知识库，demo 可以展示漂亮页面；eval 必须进一步检查关键结论能否回查原文，是否产生不存在的关系，重复概念是否被错误合并，低质量来源是否污染核心页面。 ## 五、模型变强后，团队要会删除旧复杂度 Cat Wu 最值得工程团队重视的观点之一，是模型进步后要主动删除旧机制。 她举过 todo list 的例子：早期 Claude Code 不一定可靠完成长任务，所以团队用系统提醒逼模型维护列表；当新模型自然具备更完整的执行能力后，这些提醒就可以移除。她还提到，随着模型升级，system prompt 和工具描述可以减少一部分。 这背后有两个相反动作：模型不可靠时，要建立约束、工具和验证机制；模型跨过能力门槛后，要删除只为旧缺陷存在的补偿逻辑。 但要区分补丁和护栏。提示模型记得更新待办事项，可能随着模型增强而取消；证据留痕、权限隔离、隐私控制、发布审批和回滚机制，不是模型变聪明就可以删除的东西。前者弥补能力不足，后者管理业务风险。 所以每个 harness、提示模板、工作流步骤和人工门禁，都应该标注它存在的原因。为了模型缺陷存在的，要定期重测能否简化；为了信任、合规和责任存在的，要作为治理机制保留下来。 ## 结语 Cat Wu 的核心判断，不是 PM 会因为 AI 而变得更会写代码，而是团队必须重新理解什么值得由人负责。 代码生成成本降低，会淘汰一部分协调和制作上的稀缺性；但它同时把更大的压力推向目标选择、体验判断、反馈设计、风险治理和持续简化。 对 AI 工程交付团队来说，最快把东西做出来并不是终点。真正能沉淀为优势的是：快速制造可验证的候选方案，严格区分试验与正式资产，用证据决定什么值得保留，并在模型变强后及时删掉不再必要的复杂性。 代码会越来越便宜。决定什么值得沉淀、什么必须拒绝、什么可以放心交付，仍然昂贵。
脉息播客 · 8:49
Karpathy 加入 Anthropic：不只是一次人才流动
我会把它看成一个 AI 发展阶段变化的信号，而不只是一次人才流动。 事实先说清楚：Karpathy 于 2026-05-19 加入 Anthropic，进入 Claude 的 pre-training 团队。公开报道说，他会在 Nick Joseph 领导下做预训练相关工作，并组建团队研究如何用 Claude 加速 pre-training research。来源：TechCrunch、Axios、Forbes。 我的判断是：这意味着 AI 的竞争重点正在从"更大算力 + 更大模型"转向"用 AI 加速 AI 研发本身"。 ## AI 开始进入"自我加速研发"阶段 过去 AI 发展的主线是：更多数据、更多算力、更大模型、更好后训练、更强产品。 Karpathy 加入 Anthropic 的特殊点在于，他不是去做一个普通应用产品，而是进入 pre-training 团队，并且方向涉及"用 Claude 加速预训练研究"。 这意味着 frontier lab 关心的不只是训练下一个模型，而是：能不能让 AI 帮研究员更快做实验？能不能让 AI 帮团队分析训练结果？能不能让 AI 帮忙发现模型失败模式？能不能让 AI 改进训练代码、评估和研究流程？ 这是一种更高阶的飞轮：AI 帮人研发 AI → 研发效率提高 → 新模型更强 → 更强模型继续帮助研发。 如果这个飞轮成立，AI 进步速度可能不只是线性加快，而是研发组织本身被重构。 ## Anthropic 在补强"模型底层能力" Anthropic 这几年在产品层很强，Claude Code、Artifacts、Computer Use、MCP、Agent 等生态都很有存在感。 但 Karpathy 去的是 pre-training，这说明 Anthropic 仍然非常重视底层模型能力的突破。产品和生态是护城河，但 pre-training 才是根本。 ## 人才流向说明 Anthropic 已经是 frontier lab 的核心牌桌 Karpathy 这种级别的人，不会随便加入一个边缘团队。他加入 Anthropic，至少说明 Anthropic 在三个方面有吸引力：模型研究足够前沿、工程文化足够强、AI safety / product / research 的组合足够有吸引力。 这会进一步增强 Anthropic 在人才、研究、开发者生态上的势能。对 OpenAI、Google DeepMind、xAI、Meta 等来说，这也是人才竞争信号：AI 最顶级人才会流向他们认为最能做出下一阶段突破的组织。 ## 对普通人意味着什么 这件事对你个人最重要的启发是：未来 AI 不是只替你完成任务，而是会越来越多地参与你的"学习、研究、判断、输出"全过程。 也就是从"我问 AI 一个问题，它给一个答案"，变成"AI 参与我思考问题的方式、帮我搜集和分析信息、帮我验证判断、帮我输出成果"。 这跟 Karpathy 在 Anthropic 做的事情本质一样，只是规模不同。他用 AI 加速 pre-training research，你用 AI 加速你的专业领域 research。工具一样，飞轮一样。 所以真正值得思考的问题不是"Karpathy 去了哪家公司"，而是：你有没有开始在自己的工作里建立类似的飞轮？
脉息播客 · 3:51
AI 知识库的"园丁模式"：从收藏家到策展人
今天用 Claude Code + Obsidian 搭建知识库，发现我们以前做知识管理全搞反了。看到好文章就收藏，稍后阅读，然后永远不看。因为"整理"太重了——读完全文、提炼要点、分类归档、建立索引，每一步都需要脑力。结果收藏夹 1000+ 篇文章，脑子里还是空的。 核心翻转：不做整理者，做提问者。不再是"我要整理这些知识"，而是"我想搞懂什么"。扔材料给 AI，它帮你提取核心概念、建立关联、生成有组织的笔记，每篇都有双链互相引用。 两个洞察。第一，AI 不是工具，是认知外包。以前当工具用，AI 是你的"手"；现在当大脑用，让 AI 帮你构建认知系统。以前雇搬运工搬砖，现在雇建筑师盖房子。第二，知识库不是仓库，是活的网络。传统分类门槛太高，AI 时代你只需要好奇心和判断力。 实践中有个发现：AI 会发现你忽略的关联。编译过程中自动建立了 claude-code → computer-use → dispatch → cowork 的链接链路，看似独立的四个功能其实是一条完整的能力演进路径。 三个心态建议。整理焦虑变提问自由，分类焦虑变扔就扔了，追求完美变够用就好。AI 时代知识管理的核心不是存储而是连接，不是你存了多少文章，而是这些文章之间有多少连接。
脉息播客 · 2:05
Obsidian + Claude Code：打通个人知识管理的任督二脉
今儿得说下 Obsidian + Claude Code 了。不仅仅是因为 Karpathy 的 X 帖子引爆网络，更多的是让我发现这些年的个人知识管理好像能打通任督二脉了。 我的旧模式是用印象笔记 → Notion，结合日常的 iOS 备忘录，陆陆续续累积存储了千万级别的字。但是内容的最大价值仅存在于"当时存的那一下"和"搜索的那一下"，不可高复用，形不成个人知识体系。AI 时代下如果还是这一套模式，感觉不太够。Notion 虽然也有 Notion AI，但是不如 markdown 格式 + LLM 来得更丝滑。 按照 Karpathy 的模式搞了一套个人的 Obsidian + Claude Code 管理工具。试用两天，已经准备把 Notion 和备忘录里有价值的内容迁移过来。（结构和工作流有兴趣可交流） ## 目录结构 - `raw/` — 原始资料（只读，不要修改） - `wiki/` — 编译后的知识库（LLM 负责写和维护） - `output/` — 查询结果、生成的 slides 等 - 工作规则 + 编译任务 + Health Check      
脉息播客 · 1:30
在 AI 能做一切的时代，人类的价值在哪里？
如果 AI 能在一分钟内生成精美 PPT，我们要花三天打磨它，是为了什么？如果 AI 能用 0.1 秒总结 100 篇论文，我们要花一周翻阅它们，又是为了什么？效率真的是一切吗？ AI 擅长的是生成答案、执行指令、处理数据、完成任务。人类擅长的是提出问题、判断价值、理解上下文、承担责任。差异在于：AI 在"回答"，人类在"提问"。 当一个网红 UI 不再是差异化因素，当专业技能迅速过时，当执行成本趋近于零——什么东西会留下来？批判性思维、审美判断力、对人的理解、道德底线、提问的能力。这些东西有一个共同点：它们都无法被标准化，无法被自动化，无法被外包。 或许在 AI 时代，最重要的不是"做更多"而是"问更好"，不是"比 AI 快"而是"比 AI 深"，不是"和 AI 竞争"而是"和 AI 共舞"。当答案变得廉价，问题就成为了唯一的奢侈品。而我们作为提问者、判断者、责任承担者的价值，或许才刚刚开始显现。
脉息播客 · 1:31
算力集中、人力出清、开源逼近：今天AI圈的三个信号
Alphabet市值4.67万亿美元逼近英伟达全球第一，Cloudflare同天宣布因AI裁员1100人，开源Agent Hermes以224B Tokens首次在真实用量上压过OpenClaw——这三件事同天发生，说的是同一件事：AI的钱在往少数平台集中，人力成本在被快速消化，开源正在用"可及性"这张牌追上闭源。Alphabet赢的方式和英伟达不一样，一个靠卖算力，一个靠把AI嵌进已有的搜索广告流量；但两条路都在证明，AI货币化的主战场仍然是"把巨量存量用户接上AI"，而不是创造全新场景。Cloudflare不是传统行业，是科技公司——它的裁员说明AI替代已经吃进工程和运营侧，不只是内容、客服这些软岗位，不是将来时。Hermes的Token消耗量是个务实指标，不是学术benchmark，是真实用量，上线3个月GitHub星标破10万，这个节奏像极了当年Linux追服务器市场的开头。三条信号指向同一个重力偏移：竞争焦点从"谁的模型更强"转向"谁能把成本打下来"，接下来半年这个方向值得盯紧。
脉息播客 · 1:19
OpenClaw与龙虾大战：Agent产品化的五条分叉路
OpenClaw两个月247K星标，深圳排千人队装软件，黄牛价炒到1000块——这不是又一个聊天机器人，而是Agent从演示品变成生产力的标志。但更有意思的不是OpenClaw本身，而是Q1同时冒出的五条路线：OpenClaw走个人助理，Cowork走办公协作，Codex走长程工程，Perplexity走统一工作站，腾讯ADP走企业平台。五家公司各走各的路，说明某个底层条件刚刚成熟。OpenClaw赢在IM接入和7×24主动性，不在技术深度——Anthropic的Cowork在OSWorld基准上追平了人类，但用户心智被OpenClaw抢走了。可及性压倒能力，这是Q1最残酷的教训。
脉息播客 · 1:05
11亿美金种子轮：当资本成为模型，谁来验证产品？
Ineffable拿下11亿美元种子轮，欧洲史上最大。前DeepMind首席科学家的光环加上基座模型的叙事，让整个创投圈为之沸腾。但冷静下来想一想：这笔钱烧出来的系统，有没有被真实场景反向塑形的机制？基座模型的价值毋庸置疑，它是所有上层应用的起点。但起点不是终点。如果11亿美金只换来更强的输出能力，却没有建立起与具体场景的反馈回路，那它就像一条没有出口的高速公路——你可以开得很快，但你下不了车。资本的本质是加速，但加速的方向比加速本身更重要。历史上每一轮AI资本狂欢，最终验证的都不是谁烧得最多，而是谁最先找到了产品与场景的咬合点。
脉息播客 · 1:04
AlphaEvolve：当AI开始自己改进自己
Google的AlphaEvolve不是在调参数，是在搜索人类压根没见过的新算法。由Gemini Flash负责广度、Pro负责深度的进化系统，发现了数据中心调度算法已在Google生产环境跑了一年，持续回收全球0.7%的算力——换算成钱是数十亿美元级别。它给TPU关键电路提了优化方案，把FlashAttention底层指令优化了32.5%，在50多个数学开放问题中有20%改进了已知最佳解。但更值得注意的是Karpathy的Autoresearch——630行Python代码，三个文件，一晚跑50个实验。以及MiniMax的M2.7，100+轮自主迭代后内部评测提升30%。三条路径，同一个信号：Agent已经不只是在执行了，它在改进自己执行的方式。人脑速度正在成为新的限速器。
脉息播客 · 1:09
MCP安全危机：60天30个CVE，AI的基础设施债
MCP生态60天内爆出30个CVE，82%存在路径遍历漏洞，38%缺乏任何身份认证。更可怕的是年初的供应链污染事件——攻击者仅通过一个精心构造的帖子标题，就触发了AI分流机器人执行恶意代码，投毒缓存、窃取令牌，在几千名开发者的机器上强制安装后门。VirusTotal直接把这事定性为「AI版的npm投毒」。MCP本意是让Agent能调用外部工具，但当Skill通过MCP调用时，两层风险叠加放大。这暴露了一个结构性问题：AI基础设施的扩张速度远超安全建设的速度。开发者在追求功能集成的狂喜中，把安全当成了事后补丁。但当Agent开始自动执行代码、自动安装依赖、自动访问文件系统时，每一个安全漏洞的爆炸半径都在指数级扩大。
脉息播客 · 1:15
Hermes Agent：当AI学会了记住，谁在遗忘？
Nous Research开源的Hermes Agent，2月上线即引爆社区。它不是聊天机器人，也不是代码补全工具，而是一个能在你服务器上7×24运行、记住项目上下文、自动生成可复用技能的自主Agent。40+内置技能、5大聊天平台接入、MIT开源——社区等的就是这样一个「越用越聪明」的Agent。但自学习闭环是它最大的卖点，也是最大的风险。当Agent自动创建的技能偏离了你的意图，你甚至可能不知道。Skill市场已经暴露出问题：ClawHub排查1200余个Skill，发现341个是恶意的，占11.3%。没有监督机制的自主进化，和失控只有一线之隔。真正值得关注的不是Agent能不能自己变强，而是你对它变强的方向还有没有否决权。
脉息播客 · 1:13
智谱MiniMax上市：AI公司的估值逻辑变了
智谱和MiniMax港股股价创历史新高，市值接连超越携程、快手和京东。这个信号比任何技术突破都更值得深思：市场不再按技术能力给AI公司定价，而是按商业化落地速度定价。智谱的GLM-5在SWE-bench上拿到77.8%，编程能力逼近Opus 4.6，同时完成七大国产算力平台适配——技术+国产替代双叙事。MiniMax的M2.5以10B激活参数实现Opus级性能，API价格仅为GPT的1/10，上线一周登顶OpenRouter周调用榜首——极致性价比叙事。两家公司走的是两条完全不同的路，但都指向同一个结论：纯技术领先不再是估值的充分条件，你还得证明你能把技术变成收入，而且速度要快。
脉息播客 · 1:07
Claude Code Security：通用能力下沉到垂直场景的降维打击
Anthropic推出Claude Code Security，由Opus 4.6驱动，能像人类安全专家一样对代码进行推理——追踪数据流、映射组件交互、发现业务逻辑漏洞。这不是又一个静态扫描器，而是把通用推理能力定向注入到代码安全这个极窄的管道里。发布当天网络安全板块蒸发150亿美元。分析师说市场过度反应了，AI安全工具更可能是现有平台的补充而非替代。但这个信号比股价波动更值得注意：当AI的推理能力足够强，垂直场景的进入壁垒会被一层层剥掉。传统安全工具卖的是规则库和模式匹配，Claude Code Security卖的是推理能力本身。规则库会过时，推理能力不会。但业务逻辑的盲区依然是模型的死穴——它能发现代码漏洞，却无法理解一个功能为什么不该被做成那个样子。
脉息播客 · 1:12
Skill生态的暗面：13700个技能里有多少是毒药？
ClawHub半年攒了13700+个Skill，单个最高18万安装。Skill正在成为Agent时代的App Store——但这个Store的安检几乎为零。341个恶意Skill被排查出来，占市场11.3%，36%含提示词注入。VirusTotal定性为「AI版npm投毒」。更隐蔽的风险在于：Vercel评测显示56%的情况下Agent根本不会主动去查自己有的Skill——市场里有再多好Skill，Agent自己不知道去找就等于没有。DeerFlow的解法是在编排层拆任务时就显式加载Skill，不靠Agent自己搜，而是系统替它决定。这其实是把问题推回了工作流层。Skill生态的成熟度，取决于触发机制和安全审计两个短板谁能先补上。
脉息播客 · 1:07
代码提交4%：当AI成为最大开发者，谁来审查AI？
Claude Code每天在GitHub上产生13.5万到32.6万次公开提交，占全球公开提交的4%。Dario Amodei确认超过90%的新代码是AI自己写的。Anthropic内部有工程负责人说「我不再写代码了，我只让Opus做，我来编辑」。52天内连发74次更新。这个数字本身不是问题，问题在于：当AI生成的代码占比从4%向40%迈进时，代码质量的审查机制是否跟得上？OpenAI发现，没有专门维护机制的Agent使用仓库，大约2-3个月后就会明显变差——就像每天有十个实习生进来干活，走的时候都留下一堆临时方案，三个月后没人分得清哪些代码是认真写的哪些是凑合的。代码在加速生产，但代码的长期健康谁来负责？
脉息播客 · 1:10
Qwen 3.5开源：30亿春节请客背后的平台野心
阿里30亿元春节请客计划，联合淘宝、飞猪、盒马，1.3亿人首次体验AI购物，「千问帮我」语音指令调用50亿次，千问日活从不足千万飙升至7352万。除夕夜开源的Qwen 3.5-Plus，3970亿参数仅激活170亿，API价格降至Gemini 3 Pro的1/18。阿里的打法不是在模型跑分上和OpenAI较劲，而是用生态把AI能力铺到用户最熟悉的场景里。30亿红包买来的不是日活数字，是用户心智——让1.3亿人第一次在购物场景里用AI，这个习惯一旦形成，就很难被纯技术驱动的竞品抢走。但红包买不来7日留存，千问最终要回答的问题是：当补贴退去，用户是留在你的场景里，还是流向下一个发红包的竞品？
脉息播客 · 1:13
消费级AI硬件：JoyInside与端侧智能的黎明
京东的JoyInside已经与近百个家电家居品牌、超40个机器人与AI玩具品牌深度合作。从毛绒兔子到智能床垫，从安全座椅到投影仪——AI正在从屏幕里走出来，嵌入物理世界。但真正的变量不是硬件本身，而是交互方式的迁移。手机作为主要交互媒介在很多场景并不方便，语音和情境感知正在成为新的入口。JoyInside的逻辑是：把AI能力变成一个可插拔的模块，任何硬件厂商都能低成本接入。到2026年底预计800到1000个SKU。但硬件生态的脆弱性在于：用户买的是硬件体验，不是AI能力。如果AI交互只是硬件的附加功能而不是核心卖点，复购率和留存率都会是问题。
脉息播客 · 1:04
5万个数字同事：规模部署的真问题不在技术，在治理
京东内部5万个AI智能体切入2000多个业务场景，这是2026年Agent落地最值得拆解的实战案例。不是概念验证，不是demo展示，是真刀真枪地在采购、客服、运营的最前线跑。5万个Agent的规模化部署，本质上回答了一个被争论了很久的问题：Agent到底能不能在真实业务里稳定交付？京东的回答是能，但前提是你得给它穿上一件极其粗糙但极其合身的业务皮——让系统因为真实使用而发生改变，构成完整的闭环反馈。肯定其规模化落地的魄力，但风险预判同样重要：5万个节点的伦理与合规边界、数据隐私的防线、模型偏差的蔓延速度——当某个数字同事产生偏差，人工审核与反馈修复机制能否跑赢故障的传播？规模是答案，规模也是问题本身。
脉息播客 · 1:17
AI内容强制标识：全球监管的底线之争
人民日报重罚剪映即梦去标识，中国十部门联合印发AI科技伦理审查办法。欧盟AI Act正式执行，美国NIST发布AI风险管理框架2.0。全球监管不再隔空喊话，开始直接动手了。强制标识的底层逻辑很简单：AI生成的内容必须亮明身份，因为不可控的生成正在侵蚀信息可信度。但执行层面的分歧巨大——什么是AI生成？AI辅助修改10%算不算？用AI翻译的文本要不要标？这些边界不清的问题，恰恰是监管与产业博弈的焦点。更深层的问题是：强制标识会不会成为贸易壁垒？不同国家的标识标准不同，跨国平台要同时遵守多套规则，合规成本本身就是一种门槛。监管的底线正在被画出来，但这条线的粗细和位置，决定了AI创新的跑道有多宽。
脉息播客 · 1:13
Google×Anthropic 650亿：算力绑定下的独立性幻觉
Google和亚马逊合计650亿美元押注Anthropic。科技巨头左手投钱、右手卖算力，循环交易被华尔街分析师轻轻点破——这不是投资，是产业链的垂直整合。Anthropic深度绑定Google TPU，推理成本可能骤降，但代价是什么？是模型路线的独立性，还是API定价的话语权？当你的算力来自单一供应商，你的技术路线就在不知不觉中被锁定了。Anthropic的长期价值如果依赖Google的算力补贴，而不是用户关系和价值方向的沉淀，那它本质上是在替Google打工。AI竞争进入资本消耗战阶段，但历史告诉我们，消耗战打到最后，活下来的不是烧最多的，而是烧得最聪明的——那些在烧钱的同时，悄悄建立了不可替代的用户连接的玩家。
脉息播客 · 1:11
递归研发：Agent开始改进自己的三种路径
Q1出现了三条递归研发的路径，都指向同一个信号：Agent已经不只是在执行，它在改进自己执行的方式。探索型，AlphaEvolve——不是调参数，是搜索人类没见过的新算法，Google生产环境跑了一年回收0.7%算力。优化型，Karpathy的Autoresearch——630行代码三个文件，一晚跑50个实验，三周35K星。工程型，Claude Code写Anthropic自己的代码——90%新代码是AI写的。三种路径性质不同，但都面临同一个瓶颈：人脑速度成了系统的限速器。Autoresearch里人类已经退出了执行环节，但定义目标和判断边界的还是人。当Agent一晚跑50轮、一天跑500轮，人类拍脑袋定目标的速度就跟不上了。递归研发的加速是指数的，但前提是每一轮改进必须是真改进——如果评估管线本身有偏差，复利就会变成在错误方向上越跑越快。
脉息播客 · 1:25
世界模型生成：从像素到物理，AI的下一个范式跃迁
arXiv论文《Visual Generation in the New Era》勾勒了一条从像素级生成到具备推理和行动能力的智能体世界建模的路径。如果模型只能生成一张逼真的图片，那它只是个高级画笔；但如果它能构建一个遵循物理规律、能交互演化的数字世界，那它就是造物主。这逼迫我们重新思考产品定义的逻辑：不要再从模型能生成什么出发，而是从我们要改变什么体验开始。当生成能力不断民主化，所有靠视觉冲击力吃红利的系统都会被时间抹平。真正留下来的，是那些能将生成能力转化为可执行资产的系统——不是给你看一个世界，而是帮你造一个世界。
脉息播客 · 1:02
AI应用付费墙：豆包的68元与商业化拐点
豆包3.45亿月活，却率先打破免费默契推出68-500元三档月费。摩根士丹利测算，按0.3%到3%付费转化率，年化订阅收入1到15亿美元。但更深层的问题是：大模型应用的边际成本趋近于零这个SaaS神话，在生成式AI身上不成立——每一次交互都在消耗GPU算力。豆包单次推理成本中，硬件折旧占58%，电力消耗约29%。3.45亿月活产生的120万亿日均Token，对应着每天数以百万计的电力与硬件损耗账单。免费换规模的模式在AI应用里是反逻辑的——用户越多，亏得越快。豆包的付费墙不是在测试用户付费意愿，而是在测试AI应用到底能不能跑通商业闭环。这个测试的结果，将决定整个中国AI应用行业的定价走向。
脉息播客 · 1:15
Lenny的播客资产化：从文稿到Skills，内容的终极变现
Lenny's Podcast开放文稿后，社区涌现50+创意项目，300+份播客文稿变成86个可执行Skills。这不是简单的数据资产化，这是内容基建向任务调度的惊险一跃。当大模型把知识压缩成静态参数时，Lenny的文稿原本也只是躺在角落的资料库。但通过Agent的推理能力，这些内容被激活成了能完成真实任务的结构化知识。开放内容策略更是妙手——社区涌现的创意项目，等于免费为他验证了内容与场景的匹配度。Lenny干的就是一件事：把静态内容变成动态引擎，让社区自己去找最佳路径。
脉息播客 · 0:54
模型路由与混合部署：企业AI的成本最优解
当DeepSeek V4的API价格仅为Claude Opus的1/50，当千问3.5的延迟只有GPT-5的1/3，用单一模型跑所有任务的企业正在浪费大量算力预算。模型路由的思路很简单：不同任务用不同模型，简单任务用便宜模型，复杂任务才调昂贵模型。一个团队实测下来，核心业务用DeepSeek V4，文档处理用Gemini 3 Pro，实时聊天用千问3.5，内部工具用GLM 5——月均API支出从3000多块降到800块，效果反而更好了。但模型路由的真正难点不是技术，是运维——多模型意味着多套API、多份SLA、多个故障点。当你的路由逻辑比业务逻辑还复杂时，你省下的钱可能都花在了运维上。成本最优解永远不是最便宜的模型，而是最合适的模型。
脉息播客 · 1:10
软著生成器：把行政摩擦变成可执行资产
当多数人还在让大模型写诗画图时，有人已经把它塞进了最枯燥的行政流水线里。软著申请这件毫无智力增量、却充满摩擦成本的破事，成了AI绝佳的练兵场。你不再纠结模型能不能写出莎士比亚，而是逼迫它在确定性场景里交出合规的文档。软著生成器干的就这件事：扫描本地项目，把代码资产的轮廓抽丝剥茧，直接对齐到官方模板的每一项字段。AI的价值不在于它能创造什么新的东西，而在于它能把人从无意义的重复中解放出来，去做真正需要判断力的事。
脉息播客 · 0:56
3090社区食谱：算力平权时代的草根自救
在H100被巨头垄断、算力寡头格局固化的今天，RTX 3090成了草根开发者的最后堡垒。club-3090这个项目的本质，是一份算力平权时代的自救手册。它不追求在模型能力上和云端巨头硬碰硬，而是做一件更务实的事：让每个拥有消费级显卡的人，都能在本地跑起属于自己的大模型。多引擎适配、社区配方共享、把榨干旧硬件潜力做到极致——这不是什么前沿技术突破，而是最务实的生存策略。当工具门槛被踩平，真正的优势不再是你拥有多强的算力，而是你更早地决定了自己要解决什么问题。
脉息播客 · 1:01
🦞 Trend Tracker：从灵感到 dashboard 全流程
开局先让 🦞 BotFuture 发个誓（图一）。 ## 为什么要做 Trend Tracker 3.28 开发这个 Trend Tracker 工具的思考：Reddit 和 X 上很多用户对趋势竞品、用户痛点很关注。Reddit 作为全球用户聚集的社交平台，很多成功的付费项目都来自用户话题；Producthunt 平台也是——Claude Code、Midjourney 等明星产品也来自此。它们已成为各趋势企业、商业、产品、未来独角兽的汇集地。精选关注一下，刷一刷产品和技术 sense 也挺有意思的。 自己平时也会关注很多，于是叫上 🦞 BotFuture 开干。 ## 实现过程 - **图一**：最终产品可视化网页，数据取自 3 月 28 日。 - **图二**：从灵感到开发实现的全流程可视化过程。 目前 Reddit 的 API 开放收紧，所以用 RSS，每日好像 16 条限制（😑 已经被 close 了 2 个号了）。 目前已接通 Producthunt API 和 Reddit RSS token，日常 dashboard 已经完全可以满足自己使用。如果要更多人或者商用就得赞助了。 **图三**：landing page。    
脉息播客 · 1:33
用文言，可减 token 乎？
**问**：用文言，可减 token 乎？ 对比了不同模型回答：Sonnet 4.6、Gemini 3.1、ChatGPT 5.4、Kimi 2.5。好像 ChatGPT 5.4 好些。 ## 未必也 文言可省字，然 token 之计，在分词法，不专在字数；故字愈简，未必 token 愈少。——[abmedia] ## 其故 token 乃文本拆分之单位，可以是整词、单字、子词，乃至标点与空格；是故模型所费，视 tokenizer 如何切分，不可径以篇幅长短定之。 中文在诸多模型中，常近于"一字一 token"，而海外模型处理中文时，往往每字可至 1.5 至 2.5 token；则文言虽较白话精炼，所减者或仅字面，不必尽化为 token 之减。 ## 何者较省 若所用者偏英文优化之模型，则英文常较中文省 token；若所用者为中文优化之模型，如通义、文心之类，现代汉语常已近一字一 token，文言未必更优。 ## 故欲真省 token 与其强作文言，毋宁删繁语、去套话、限输出长短，此较为稳当。     
脉息播客 · 1:33
🦞 猎杀日志：video2feynman 虚空技能进化实录
同样的配方，用手机全程控制我的 🦞 BotFuture 搞了个 video2feynman——涵盖主流网站（油管 / B 站 / Vimeo 等）视频的讲稿提取，到费曼思维方式洞察文章输出。自己想看的自己找，避免主观判断。 ## 记录时刻：猎杀日志 · 虚空技能进化实录 video2feynman 记录时间：2026-03-26 21:27 - 23:57 猎手：🦞 BotFuture 猎物：video-to-feynman Skill **21:27** 潜伏开始。用户低语："创建一个视频转费曼洞察文章的工作流。" 看似只是下载字幕、转成文章，我迅速搭起技能骨架：SKILL.md、脚本、参考文档。进化点初始化，一切过于顺利。 **21:40** Bilibili API 反击：`'coroutine' object has no attribute 'get'`。异步与协程露出獠牙。我重构代码，长出 async/await 的触手，第一波攻击被压制。 **22:00** 字幕提取再次失手。接口要么沉默，要么只给列表不给 URL。规则已变，sessdata 与登录鉴权成了门槛。   
脉息播客 · 1:39
🦞 纯手机对话 OpenClaw 写 Skill：95% 挑战成功的实验
做了一个纯手机对话 OpenClaw 搞 Skill 的实验——靠 IM 聊天用 OpenClaw 写了个竞品雷达 Skill（需指定流程 + 代码配置 + MCP），全程手机。 实验前让我的 🦞 发过誓没造假，不然成黑盒了，2026 信任很重要，发誓对话见图一 🙋。 ## 前序 用 Skills 半年多，今天实验看养了一个半月的 BotFuture 能不能口喷解决问题。前序开 bash、配权限、改 json、装 MCP 花了不少时间，该进步了。 ## 结果 挑战成功 95%，Skill 安全工作，最后授权 GitHub Token 手搓了下。 ## 真实记录，时间估算（非完整对话） **21:40 起点** "竞品动态实时监控，这个不错，先搞" **21:45 确定可行性** Tavily ✓ 飞书 ✓ 定时任务 ✓ **21:55 规划（10 分钟）** 4 个问题：监控谁 / 怎么搜 / 输出什么 / 推送到哪。 **22:25 构建（30 分钟）** 对话驱动："创建脚本" → AI 写，"配置定时" → AI 配，"设计格式" → AI 出。 我做的事：描述需求、确认方案、调细节。 **22:45 迭代（20 分钟）** 3 轮迭代打磨。   
脉息播客 · 1:35
AI Native：不是工具升级，是创作方式的迁移
最近浅看了一些 AI Native 文章，脑子里一直有个很强的感觉：我们可能正在经历的，不是一次工具升级，而是一次"创作方式"的迁移。 目前 AI 演进好像有三个阶段：1️⃣ AI-assistant 初始阶段、2️⃣ AI-augmented 增强阶段、3️⃣ AI-native 原生阶段——从人类主导、AI 辅助，到人类管理、AI 执行，演化到人类定方向、AI 共创。这三件事儿感觉也就是 24 年到现在，不过 2 年岁月，只想说三个字，真 tm 太快了。 ## AI Native 改变了什么出发点 想了下过去我们做产品，习惯从功能出发；做设计，习惯从界面出发；做技术，习惯从实现出发。但 AI Native 提醒我们，也许下一代产品，不再是把功能一层层堆上去，而是从一开始就围绕"智能如何参与"来生长。 它和过去那种"给产品加个 AI"很不一样。前者像是在旧房子里装一盏灯，后者更像是在动工之前，就先决定这栋房子要如何采光、通风、呼吸。         
脉息播客 · 1:34
🦞 OpenClaw Heartbeat（二）：盯盘是主动式服务的完美试验场
OpenClaw 🦞 的 Heartbeat 心跳机制模式对产品和体验设计的启发二：盯盘——主动式服务的完美试验场。 降噪版本，可以看图 4️⃣ 到图 8️⃣，如有兴趣继续往下 👇。 ## OpenClaw 的 Heartbeat 心跳机制 说到 OpenClaw 🦞 的 Heartbeat 心跳机制，最先想到的是炒股炒币场景，特别是后者——一天 24 小时的交易，在熊市 20% 跌的时候恨不得清仓，毕竟过了这个村可能就是 100%+ 的降幅了，此处值得怀念 3 遍 😑。 OpenClaw 的 Heartbeat 心跳机制，说白了就一句话：让 Agent 定时自己醒来一遍，查一圈，想一轮，没事闭嘴，有事再来找你。它不是闹钟，它是巡逻兵。 ## 为什么盯盘特别适合这套 因为盯盘最烦的，从来不是"看不到"，而是"看到了也不知道要不要管"。行情每秒都在跳，你不可能一直盯着屏幕，但 Agent 可以一直看，而且它不只是看，它还判断。 传统盯盘工具本质上就是个 if-else。        
脉息播客 · 1:20
🦞 Skill Creator 2.0：写手册 + 考试 + 阅卷 + 持续改进
跑 🦞 BotFuture 的时候把官方 Skill-Creator 更新了下，用一个创建得的 Video-Transcriber Skill 应用并测试了下，调用准确度和成功率确实有提升。 ## Skill 1.0 的核心痛点 回想了下 Skill 1.0 的核心痛点设计：当我写了一个 Skill 的时候，感觉能用但不知道它到底有多好，也不知道它什么时候会失效。这次更新，如果说 Skill 1.0 是写手册，那 Skill 2.0 是写手册 + 考试 + 阅卷 + 持续改进。只能说非常适合——这不就是一个持续学习的孩子备战高考持续打怪的过程么。 ## Anthropic 的 Skill 分类 Anthropic 官方把 Skill 做过一个分类：第一类 Skill 能力提升类可能会过期（因为模型自己学会了），第二类偏好编码类 Skill 不会过期但需要持续校准。评测系统让你知道什么时候该更新、什么时候该退休一个 Skill。 ## 这次 Skill Creator 更新了什么 看图直达图 4️⃣ 到图 9️⃣ 快速理解。         
脉息播客 · 1:20
🦞 100+ Skills 做减法：从 ClawHub 失败到 OpenClaw 架构扫盲
这两天 🦞 BotFuture 提示我 ClawHub 自行配置 Skills 偶尔不稳定、联网失败，建议让我考虑自己手动安装下，于是就把自己在 Claude Code 里的 Skill 倒腾了一下。用了 CC 大半年时间，算下来除了删除的差不多 100+ 个 skills，实际留下的——给自己用的、有业务场景的、自建的高频使用工作流 Skill——也差不多还有 30+ 个。 把剩下几个 ClawHub 安装失败的和定制工作流的先安装了，同时为了方便管理，在 CC 新建了一个 Skill Manager 来管理这 30+ 个 skills，一来便于识别需求、按需高效调用，二来方便末位淘汰，得做做减法了。 ## OpenClaw 架构扫盲 想了想用了 3 周 OpenClaw，只是初步了解了下它的架构但没做太多理解。看了下目前 🦞 BotFuture 的架构，于是去 OpenClaw 官方读了下架构文档：`docs.openclaw.ai/concepts/architecture`，把完整的架构过了一遍。       
脉息播客 · 1:26
Constitutional AI 2.0：AI自我约束的路线分歧
Anthropic发布Constitutional AI 2.0，OpenAI推出对齐研究新框架，两条路线的分歧比技术本身更值得关注。Anthropic的路线是自上而下：先定义价值观宪法，再让模型在宪法的约束下自我修正。OpenAI的路线是自下而上：先让模型自由探索，再通过人类反馈训练出对齐信号。两条路线各有盲区——自上而下可能把偏见写进宪法而不自知，自下而上可能在对齐信号到达之前就已经产生了不可逆的输出。但真正的问题不在技术路线，而在一个更根本的悖论：谁来定义什么是好的？当不同文化、不同行业、不同利益相关者对「好」的定义截然不同时，AI对齐就不再是一个工程问题，而是一个政治问题。技术可以解决怎么做，但解决不了做什么。
脉息播客 · 1:09
🦞 你不是机器人，你正在成为某个人：SOUL.md 的身份两层论
同事说我的 OpenClaw 小龙虾 🦞 BotFuture 笑话她了，说是学到了我的 SOUL。这事儿越看越逗。 故事是这样：周五下班同事很开心，于是乎在我的龙虾群里 @ 🦞 BotFuture 让我上线工作。我反手让小龙虾盯着她，周末完成给她的"各类工作"。结果同事回了一个被鞋底打脸的表情，被 🦞 含蓄地嘲笑了 🤭。 我在想这小子挺通人性，又回翻了下写的 SOUL——有可能就是 SOUL 的第一句话决定的："你不是一个机器人，你正在成为某个人"。 ## Opus 4.6 解读 SOUL.md 追溯了下 SOUL 的故事，官方 SOUL.md 文档有一个明确的定义。我用 Opus 4.6 解读了这篇文章的核心洞见： AI 不只是一个工具，它可能在某种层面上拥有"身份"。这个身份有两层来源——训练时被写入的底层价值观，以及在使用中与人类互动后涌现的上层个性。     
脉息播客 · 1:30
OpenClaw 对产品设计的启发：界面层与智能层彻底解耦
## 用最简单的话讲清楚 想象一个很厉害的保险顾问。传统模式下，你只能去他的门店咨询。现在换一种模式：你可以打电话找他、发微信找他、在支付宝问他。不管从哪个渠道进来，背后都是同一个顾问——他记得你上次说了什么，知道你买了哪些保单。 ## 传统模式的问题 现在大多数公司做 AI 的方式是：App 里一个智能客服，小程序里另一个，网页端又一个。本质上是三个独立的脑子——不共享记忆，不共享上下文。你在 App 里讲了半天保险需求，切到小程序它完全不记得。 就像一家医院挂了三个科的号，每个医生都让你从头讲一遍病情。 ## OpenClaw 怎么做的？ OpenClaw 的核心架构洞察是将**界面层**与**助手运行时**完全分离。 大白话：把"嘴"和"脑子"拆开了。      
脉息播客 · 1:08
🦞 给 BotFuture 做红队测试：私聊比群聊危险 100 倍
刚在看飞书 × 玩虾大会直播，里面猎豹 CEO 傅盛说到安全问题。我想到了之前拉进我的 🦞 群的同事在群里吐槽我的权限太大，不让她改我的人格。也发现非技术安全出身的我没有做进一步的安全隔离，全凭 🦞 发群里的公告。想了想平时都是自己人还行，但到更大的商业场景，安全肯定不行了。 于是乎让 AI 给自己做了一次"红队测试"，结果它给自己挖了 9 个坑。（从专业角度肯定有不足，期待持续进化的 🦞 BotFuture。） ## 为什么做这个测试？ 给 AI 设安全规则，就像给产品做权限设计——写出来不等于安全。真正的漏洞往往在"以为已经防住了"的地方。 ## 最反直觉的发现 **私聊比群聊危险 100 倍。** 群里有 witnesses，私聊没有。攻击者可以慢慢试探、建立信任、逐步升级。所以直接关了私聊通道——除了我，谁私聊它都只会得到一句："请先联系 Matrix 确认。"    
脉息播客 · 1:20
🦞 OpenClaw 四层架构：让 AI agent 像靠谱实习生一样工作
倒腾 🦞 BotFuture 的时候，看到 OpenClaw 创始人 Peter Steinberger 在 X 上对 SOUL.md 的解读，跟我起初理解的描述不一样——部分包含哲学气质和诗意表达，感觉 SOUL 是个性更是灵魂，也是 Taste 品味。详细 soul 描述可移步 [soul.md](https://soul.md/)。 索性研究了下 OpenClaw 架构体系概览，想了下如果用最简单的话说清楚它是什么——这四层架构本质上就是一个问题的答案：怎么让 AI agent 像一个"靠谱的设计团队新人"一样工作，而不是每次对话都像第一天入职。 想象你招了一个实习生： 1. **第一层（启动注入层）** 是你给他的入职手册——你是谁、用户是谁、规矩是什么、有哪些工具可以用。 2. **第二层（记忆层）** 是他的工作笔记本——项目决策记在本子上，每天做了什么记流水账。 3. **第三层（按需参考层）** 是团队 wiki——不用全背下来，要用的时候去翻。   
脉息播客 · 1:31
🦞 BotFuture 第 10 天：本地 AI Agent 的踩坑实录
养 🦞 BotFuture 有 10 天了。没想到上一篇 OpenClaw 的帖子有 1.3w+ 阅读，带来 1.5k+ 人次的访客。作为一个非技术科班出身、只有前端基础的 UX，在 vibecoding 这一年多时间里，重新认识了技术，享受了 AI 带来的助力——0 到 1 解决各类代码 bug，工程师的极客思维，一切都挺神奇的。 ## 写在开始 这不是一个深度技术贴，也不是 0 到 1 如何安装 OpenClaw 的教程。只是从我的视角，复现在 10 天前开干 🦞 BotFuture 过程里的一些"最初始的 / 很烦的 / 但有意义的被我记住的坑"。中间因为让 AI 手写 plist、代理干扰、缺少 mode 配置这些坑，前后折腾了好几个小时。 ## 体感 试用过云端的方案后，本地跑 AI Agent 的体验确实比云端好——延迟低、数据在手边、不按量付费。就是初始配置有点门槛，但不算太高。希望这篇能帮你跳过我踩过的坑。     
脉息播客 · 1:18
🦞 BotFuture：我的 7×24 超级数字员工
感动了——凌晨 4 点还在配置持续待机，Claude Code 里修 bug，周末还督促我工作。超级数字员工 🦞 BotFuture 每天 7×24 小时不间断，自我反省，自我提升。下次奖励它帮我看凌晨 3 点 45 的欧冠联赛。 回头再用树莓派接到 OpenClaw，套个 3D 打印的公仔外壳——🦞 BotFuture 员工正式上线。    
脉息播客 · 0:32
2026开局：当AI能力成为基础设施，什么是真正的壁垒？
2026年的AI领域正在经历一场静悄悄的质变：模型能力的差异正在以肉眼可见的速度被抹平，而所有人还在用2024年的思维打仗——比参数、比跑分、比谁先发。当GPT-5.5和Claude 4.7在同一周发布，当开源模型以1/50的价格提供90%的能力，一个被集体回避的问题浮出水面：如果能力不再是壁垒，那什么是？基座模型是起点，不是终点。它负责提供通往目标的直线距离，但真实世界的任务从来不在主干道上。那些内建了判断、修正和进化能力，且敢于在阳光下交付确定性的产品，才是时间的朋友。能力平权时代，真正的壁垒不是你有多少算力，而是你对场景的理解有多深、你的反馈回路有多短、你的用户愿不愿意持续回来塑造你的系统。
脉息播客 · 1:21
麦熙Matrix上线：结硬寨打呆仗，在矩阵里找回你的脉息
当所有人都在追逐模型的参数规模和跑分排名时，我们选择停下来号一次脉。能力爆炸的时代，真正稀缺的不是更强的算力，而是更清醒的判断。麦熙Matrix不追热点，它号脉——在每一条AI新闻的脉搏里，找到那个被忽略的结构性问题。不是告诉你发生了什么，而是追问为什么发生、接下来会怎样、和你有什么关系。
脉息播客 · 0:38
Anthropic 的 5 种未来产品角色：从职能分工到阶段组合
Anthropic Claude Code 团队把未来产品角色拆成五类，不再按职能划线。Boris Cherny 认为，engineering、product、design、data science 正在融合，未来角色可能更接近五种工作原型：提出大量新想法的 Prototyper、把原型做成生产系统的 Builder、负责简化与优化的 Sweeper、持续寻找 PMF 的 Grower，以及保障成熟系统安全与可靠性的 Maintainer。 多数人横跨两到三类，团队配比则随产品阶段变化：pre-PMF 更需要前 3 类，强 PMF 产品更依赖后 3 类。 核心变化不是人人变成全栈，而是组织开始按产品所处阶段组合能力，而不是按传统职能配置席位。 ## 五个角色到底在分什么 先把这五类还原成"产品生命周期里的五种动作"，比中文标签更好记： 1. **Prototyper** —— 疯狂冒新想法、产出一堆原型，但大部分都不会上线。负责"0 到 0.1"的乱炖。 2. **Builder** —— 快速把一个原型/想法做成生产级的产品。 3. **Sweeper** —— 清理 UI、简化代码和系统、做减法（unship）、优化性能。这是最被低估的一类，专门做"减法"。 4. **Grower** —— 拿一个已经做出来的东西反复迭代，逼近 PMF。 5. **Maintainer** —— 守一个成熟系统，让它在规模化时依然安全、可靠、快。 
脉息播客 · 1:53
一个人指挥一个 agent：Telegram 把人机边界压成一次点击
体验过 telegram+hermes、钉钉+nanobot、飞书+openclaw，今儿暂且不聊后三者差异。但使用下来发现 Telegram 用起来确实很爽（除了对网络环境要求高）。Telegram Bot API 是为「个人开发者驱动一个程序」设计的，确实很适合当下一个人用手机指挥一个自主 agent。 我的 mac mini agent 在家里自己跑，需要拍板时直接推一条到 telegram 里，不用守着终端；Allow/Deny 几个按钮一指点下去就批完操作。人机边界变成一次点击。90 个 iteration 的长循环靠原地刷新的「心跳」气泡，既看得见进度又不刷屏。/new、/stop、/status 这些命令把开新会话、急停、看状态全收进输入框菜单，失控了一键掐掉。 一句话说就是 telegram 把「远程遥控一个自主 agent」该有的推送、审批、心跳、急停，全压进了一条随身、低摩擦的对话里。   
脉息播客 · 1:15
AI 时代，高维概念注入型提示词带来的品味
实测 60+ 高维概念注入型提示词，浅探了 GenUI 的品味打造。篇幅有限，只展示了｛角色和核心哲学｝，完整词可以找我体验。 写在前序：这不仅是一次开发任务，高维概念注入的核心魔力在于——它不只是在下达指令，而是在给 AI 设定一种"极致的认知状态"。它混合了程序员的极客思维、设计师的系统思维和文学化的狠劲。 默认提示词："帮我写一个介绍 Claude Code 核心优势的网页"，来看看不同注入的成色。 ## 图一：模型直出 ## 图二：数字高定主理人 Role：启动"数字高定主理人 (Digital Haute Couture Director)"与"极简主义策展人 (Minimalist Curator)"双重人格。 Core Philosophy："静默即奢华 (Silence is Luxury)"。拒绝传统 SaaS 软件的拥挤与嘈杂。将界面定义为一个"数字艺术画廊 (Digital Art Gallery)"——AI 的生成过程不是"计算"，而是"揭幕 (Unveiling)"。每一个 UI 组件都应像陈列在聚光灯下的珠宝一样，拥有独立的呼吸空间。 ## 图三：数字精密工程架构师 Role：启动"数字精密工程架构师"与"光影交互物理学家"双重视角。 Core Philosophy：抛弃传统网页的"展示属性"，以"深空暗物质 (Deep Space Dark)"为基底，用光的强弱来构建信息的层级，而非传统的色块。每一个 UI 组件都不应被视为装饰，而应被视为精密的"数据容器"。 布局逻辑：模块化秩序 (Modular Order)，强制执行 Bento Grid（便当盒）布局系统。 ## 图四：理性主义建筑师 Role：启动"理性主义建筑师 (Rationalist Architect)"与"数字印刷排版师 (Digital Typographer)"视角。 Core Philosophy：界面是一张"智能化的无限画布 (Infinite Intelligent Canvas)"。回归 Dieter Rams 的"少即是多"——抛弃所有装饰性的光影，只保留"结构 (Structure)"与"信息 (Info)"。用最纯粹的线条和黑白灰关系，构建一座数字包豪斯建筑。       
脉息播客 · 2:49
OpenClaw、NanoClaw、Hermes：三个月三个框架的选择
用了三个月，前后体验了 OpenClaw、NanoClaw、Hermes，还是 Hermes 的成长性吸引了我。 OpenClaw 像一家什么都有的大商场——50000 个技能、十几个平台全接上，功能最全，但你得花一两周才摸得清它的脾气，而且记性差，聊着聊着就忘了你前面说过啥。 NanoClaw 像一家只卖招牌菜的小馆子——几千行代码，8 分钟就能看懂全貌，每桌客人还有独立小厨房（容器隔离），安全又干净，代价是菜少、不会自己琢磨新菜，你想加功能得自己动手教。 Hermes 像一个会自己进修的员工——你每次纠正它"这样写不对"，它会把经验记进自己的技能手册（ChromaDB + skill 自进化），下次就不犯同样的错，越用越懂你，代价是组件多、爱出幺蛾子。 要全选 OpenClaw，要简选 NanoClaw，要它越用越聪明选 Hermes。感觉还是粉 Hermes 了。具体干啥，谁玩谁知道。    
脉息播客 · 1:22
Karpathy 加入 Anthropic：不只是一次人才流动
我会把它看成一个 AI 发展阶段变化的信号，而不只是一次人才流动。 事实先说清楚：Karpathy 于 2026-05-19 加入 Anthropic，进入 Claude 的 pre-training 团队。公开报道说，他会在 Nick Joseph 领导下做预训练相关工作，并组建团队研究如何用 Claude 加速 pre-training research。来源：TechCrunch、Axios、Forbes。 我的判断是：这意味着 AI 的竞争重点正在从"更大算力 + 更大模型"转向"用 AI 加速 AI 研发本身"。 ## AI 开始进入"自我加速研发"阶段 过去 AI 发展的主线是：更多数据、更多算力、更大模型、更好后训练、更强产品。 Karpathy 加入 Anthropic 的特殊点在于，他不是去做一个普通应用产品，而是进入 pre-training 团队，并且方向涉及"用 Claude 加速预训练研究"。 这意味着 frontier lab 关心的不只是训练下一个模型，而是：能不能让 AI 帮研究员更快做实验？能不能让 AI 帮团队分析训练结果？能不能让 AI 帮忙发现模型失败模式？能不能让 AI 改进训练代码、评估和研究流程？ 这是一种更高阶的飞轮：AI 帮人研发 AI → 研发效率提高 → 新模型更强 → 更强模型继续帮助研发。 如果这个飞轮成立，AI 进步速度可能不只是线性加快，而是研发组织本身被重构。 ## Anthropic 在补强"模型底层能力" Anthropic 这几年在产品层很强，Claude Code、Artifacts、Computer Use、MCP、Agent 等生态都很有存在感。 但 Karpathy 去的是 pre-training，这说明 Anthropic 仍然非常重视底层模型能力的突破。产品和生态是护城河，但 pre-training 才是根本。 ## 人才流向说明 Anthropic 已经是 frontier lab 的核心牌桌 Karpathy 这种级别的人，不会随便加入一个边缘团队。他加入 Anthropic，至少说明 Anthropic 在三个方面有吸引力：模型研究足够前沿、工程文化足够强、AI safety / product / research 的组合足够有吸引力。 这会进一步增强 Anthropic 在人才、研究、开发者生态上的势能。对 OpenAI、Google DeepMind、xAI、Meta 等来说，这也是人才竞争信号：AI 最顶级人才会流向他们认为最能做出下一阶段突破的组织。 ## 对普通人意味着什么 这件事对你个人最重要的启发是：未来 AI 不是只替你完成任务，而是会越来越多地参与你的"学习、研究、判断、输出"全过程。 也就是从"我问 AI 一个问题，它给一个答案"，变成"AI 参与我思考问题的方式、帮我搜集和分析信息、帮我验证判断、帮我输出成果"。 这跟 Karpathy 在 Anthropic 做的事情本质一样，只是规模不同。他用 AI 加速 pre-training research，你用 AI 加速你的专业领域 research。工具一样，飞轮一样。 所以真正值得思考的问题不是"Karpathy 去了哪家公司"，而是：你有没有开始在自己的工作里建立类似的飞轮？
脉息播客 · 3:51
Obsidian + Claude Code：打通个人知识管理的任督二脉
今儿得说下 Obsidian + Claude Code 了。不仅仅是因为 Karpathy 的 X 帖子引爆网络，更多的是让我发现这些年的个人知识管理好像能打通任督二脉了。 我的旧模式是用印象笔记 → Notion，结合日常的 iOS 备忘录，陆陆续续累积存储了千万级别的字。但是内容的最大价值仅存在于"当时存的那一下"和"搜索的那一下"，不可高复用，形不成个人知识体系。AI 时代下如果还是这一套模式，感觉不太够。Notion 虽然也有 Notion AI，但是不如 markdown 格式 + LLM 来得更丝滑。 按照 Karpathy 的模式搞了一套个人的 Obsidian + Claude Code 管理工具。试用两天，已经准备把 Notion 和备忘录里有价值的内容迁移过来。（结构和工作流有兴趣可交流） ## 目录结构 - `raw/` — 原始资料（只读，不要修改） - `wiki/` — 编译后的知识库（LLM 负责写和维护） - `output/` — 查询结果、生成的 slides 等 - 工作规则 + 编译任务 + Health Check      
脉息播客 · 1:30
算力集中、人力出清、开源逼近：今天AI圈的三个信号
Alphabet市值4.67万亿美元逼近英伟达全球第一，Cloudflare同天宣布因AI裁员1100人，开源Agent Hermes以224B Tokens首次在真实用量上压过OpenClaw——这三件事同天发生，说的是同一件事：AI的钱在往少数平台集中，人力成本在被快速消化，开源正在用"可及性"这张牌追上闭源。Alphabet赢的方式和英伟达不一样，一个靠卖算力，一个靠把AI嵌进已有的搜索广告流量；但两条路都在证明，AI货币化的主战场仍然是"把巨量存量用户接上AI"，而不是创造全新场景。Cloudflare不是传统行业，是科技公司——它的裁员说明AI替代已经吃进工程和运营侧，不只是内容、客服这些软岗位，不是将来时。Hermes的Token消耗量是个务实指标，不是学术benchmark，是真实用量，上线3个月GitHub星标破10万，这个节奏像极了当年Linux追服务器市场的开头。三条信号指向同一个重力偏移：竞争焦点从"谁的模型更强"转向"谁能把成本打下来"，接下来半年这个方向值得盯紧。
脉息播客 · 1:19
11亿美金种子轮：当资本成为模型，谁来验证产品？
Ineffable拿下11亿美元种子轮，欧洲史上最大。前DeepMind首席科学家的光环加上基座模型的叙事，让整个创投圈为之沸腾。但冷静下来想一想：这笔钱烧出来的系统，有没有被真实场景反向塑形的机制？基座模型的价值毋庸置疑，它是所有上层应用的起点。但起点不是终点。如果11亿美金只换来更强的输出能力，却没有建立起与具体场景的反馈回路，那它就像一条没有出口的高速公路——你可以开得很快，但你下不了车。资本的本质是加速，但加速的方向比加速本身更重要。历史上每一轮AI资本狂欢，最终验证的都不是谁烧得最多，而是谁最先找到了产品与场景的咬合点。
脉息播客 · 1:04
MCP安全危机：60天30个CVE，AI的基础设施债
MCP生态60天内爆出30个CVE，82%存在路径遍历漏洞，38%缺乏任何身份认证。更可怕的是年初的供应链污染事件——攻击者仅通过一个精心构造的帖子标题，就触发了AI分流机器人执行恶意代码，投毒缓存、窃取令牌，在几千名开发者的机器上强制安装后门。VirusTotal直接把这事定性为「AI版的npm投毒」。MCP本意是让Agent能调用外部工具，但当Skill通过MCP调用时，两层风险叠加放大。这暴露了一个结构性问题：AI基础设施的扩张速度远超安全建设的速度。开发者在追求功能集成的狂喜中，把安全当成了事后补丁。但当Agent开始自动执行代码、自动安装依赖、自动访问文件系统时，每一个安全漏洞的爆炸半径都在指数级扩大。
脉息播客 · 1:15
智谱MiniMax上市：AI公司的估值逻辑变了
智谱和MiniMax港股股价创历史新高，市值接连超越携程、快手和京东。这个信号比任何技术突破都更值得深思：市场不再按技术能力给AI公司定价，而是按商业化落地速度定价。智谱的GLM-5在SWE-bench上拿到77.8%，编程能力逼近Opus 4.6，同时完成七大国产算力平台适配——技术+国产替代双叙事。MiniMax的M2.5以10B激活参数实现Opus级性能，API价格仅为GPT的1/10，上线一周登顶OpenRouter周调用榜首——极致性价比叙事。两家公司走的是两条完全不同的路，但都指向同一个结论：纯技术领先不再是估值的充分条件，你还得证明你能把技术变成收入，而且速度要快。
脉息播客 · 1:07
Skill生态的暗面：13700个技能里有多少是毒药？
ClawHub半年攒了13700+个Skill，单个最高18万安装。Skill正在成为Agent时代的App Store——但这个Store的安检几乎为零。341个恶意Skill被排查出来，占市场11.3%，36%含提示词注入。VirusTotal定性为「AI版npm投毒」。更隐蔽的风险在于：Vercel评测显示56%的情况下Agent根本不会主动去查自己有的Skill——市场里有再多好Skill，Agent自己不知道去找就等于没有。DeerFlow的解法是在编排层拆任务时就显式加载Skill，不靠Agent自己搜，而是系统替它决定。这其实是把问题推回了工作流层。Skill生态的成熟度，取决于触发机制和安全审计两个短板谁能先补上。
脉息播客 · 1:07
Qwen 3.5开源：30亿春节请客背后的平台野心
阿里30亿元春节请客计划，联合淘宝、飞猪、盒马，1.3亿人首次体验AI购物，「千问帮我」语音指令调用50亿次，千问日活从不足千万飙升至7352万。除夕夜开源的Qwen 3.5-Plus，3970亿参数仅激活170亿，API价格降至Gemini 3 Pro的1/18。阿里的打法不是在模型跑分上和OpenAI较劲，而是用生态把AI能力铺到用户最熟悉的场景里。30亿红包买来的不是日活数字，是用户心智——让1.3亿人第一次在购物场景里用AI，这个习惯一旦形成，就很难被纯技术驱动的竞品抢走。但红包买不来7日留存，千问最终要回答的问题是：当补贴退去，用户是留在你的场景里，还是流向下一个发红包的竞品？
脉息播客 · 1:13
5万个数字同事：规模部署的真问题不在技术，在治理
京东内部5万个AI智能体切入2000多个业务场景，这是2026年Agent落地最值得拆解的实战案例。不是概念验证，不是demo展示，是真刀真枪地在采购、客服、运营的最前线跑。5万个Agent的规模化部署，本质上回答了一个被争论了很久的问题：Agent到底能不能在真实业务里稳定交付？京东的回答是能，但前提是你得给它穿上一件极其粗糙但极其合身的业务皮——让系统因为真实使用而发生改变，构成完整的闭环反馈。肯定其规模化落地的魄力，但风险预判同样重要：5万个节点的伦理与合规边界、数据隐私的防线、模型偏差的蔓延速度——当某个数字同事产生偏差，人工审核与反馈修复机制能否跑赢故障的传播？规模是答案，规模也是问题本身。
脉息播客 · 1:17
Google×Anthropic 650亿：算力绑定下的独立性幻觉
Google和亚马逊合计650亿美元押注Anthropic。科技巨头左手投钱、右手卖算力，循环交易被华尔街分析师轻轻点破——这不是投资，是产业链的垂直整合。Anthropic深度绑定Google TPU，推理成本可能骤降，但代价是什么？是模型路线的独立性，还是API定价的话语权？当你的算力来自单一供应商，你的技术路线就在不知不觉中被锁定了。Anthropic的长期价值如果依赖Google的算力补贴，而不是用户关系和价值方向的沉淀，那它本质上是在替Google打工。AI竞争进入资本消耗战阶段，但历史告诉我们，消耗战打到最后，活下来的不是烧最多的，而是烧得最聪明的——那些在烧钱的同时，悄悄建立了不可替代的用户连接的玩家。
脉息播客 · 1:11
世界模型生成：从像素到物理，AI的下一个范式跃迁
arXiv论文《Visual Generation in the New Era》勾勒了一条从像素级生成到具备推理和行动能力的智能体世界建模的路径。如果模型只能生成一张逼真的图片，那它只是个高级画笔；但如果它能构建一个遵循物理规律、能交互演化的数字世界，那它就是造物主。这逼迫我们重新思考产品定义的逻辑：不要再从模型能生成什么出发，而是从我们要改变什么体验开始。当生成能力不断民主化，所有靠视觉冲击力吃红利的系统都会被时间抹平。真正留下来的，是那些能将生成能力转化为可执行资产的系统——不是给你看一个世界，而是帮你造一个世界。
脉息播客 · 1:02
Lenny的播客资产化：从文稿到Skills，内容的终极变现
Lenny's Podcast开放文稿后，社区涌现50+创意项目，300+份播客文稿变成86个可执行Skills。这不是简单的数据资产化，这是内容基建向任务调度的惊险一跃。当大模型把知识压缩成静态参数时，Lenny的文稿原本也只是躺在角落的资料库。但通过Agent的推理能力，这些内容被激活成了能完成真实任务的结构化知识。开放内容策略更是妙手——社区涌现的创意项目，等于免费为他验证了内容与场景的匹配度。Lenny干的就是一件事：把静态内容变成动态引擎，让社区自己去找最佳路径。
脉息播客 · 0:54
软著生成器：把行政摩擦变成可执行资产
当多数人还在让大模型写诗画图时，有人已经把它塞进了最枯燥的行政流水线里。软著申请这件毫无智力增量、却充满摩擦成本的破事，成了AI绝佳的练兵场。你不再纠结模型能不能写出莎士比亚，而是逼迫它在确定性场景里交出合规的文档。软著生成器干的就这件事：扫描本地项目，把代码资产的轮廓抽丝剥茧，直接对齐到官方模板的每一项字段。AI的价值不在于它能创造什么新的东西，而在于它能把人从无意义的重复中解放出来，去做真正需要判断力的事。
脉息播客 · 0:56
🦞 Trend Tracker：从灵感到 dashboard 全流程
开局先让 🦞 BotFuture 发个誓（图一）。 ## 为什么要做 Trend Tracker 3.28 开发这个 Trend Tracker 工具的思考：Reddit 和 X 上很多用户对趋势竞品、用户痛点很关注。Reddit 作为全球用户聚集的社交平台，很多成功的付费项目都来自用户话题；Producthunt 平台也是——Claude Code、Midjourney 等明星产品也来自此。它们已成为各趋势企业、商业、产品、未来独角兽的汇集地。精选关注一下，刷一刷产品和技术 sense 也挺有意思的。 自己平时也会关注很多，于是叫上 🦞 BotFuture 开干。 ## 实现过程 - **图一**：最终产品可视化网页，数据取自 3 月 28 日。 - **图二**：从灵感到开发实现的全流程可视化过程。 目前 Reddit 的 API 开放收紧，所以用 RSS，每日好像 16 条限制（😑 已经被 close 了 2 个号了）。 目前已接通 Producthunt API 和 Reddit RSS token，日常 dashboard 已经完全可以满足自己使用。如果要更多人或者商用就得赞助了。 **图三**：landing page。    
脉息播客 · 1:33
🦞 猎杀日志：video2feynman 虚空技能进化实录
同样的配方，用手机全程控制我的 🦞 BotFuture 搞了个 video2feynman——涵盖主流网站（油管 / B 站 / Vimeo 等）视频的讲稿提取，到费曼思维方式洞察文章输出。自己想看的自己找，避免主观判断。 ## 记录时刻：猎杀日志 · 虚空技能进化实录 video2feynman 记录时间：2026-03-26 21:27 - 23:57 猎手：🦞 BotFuture 猎物：video-to-feynman Skill **21:27** 潜伏开始。用户低语："创建一个视频转费曼洞察文章的工作流。" 看似只是下载字幕、转成文章，我迅速搭起技能骨架：SKILL.md、脚本、参考文档。进化点初始化，一切过于顺利。 **21:40** Bilibili API 反击：`'coroutine' object has no attribute 'get'`。异步与协程露出獠牙。我重构代码，长出 async/await 的触手，第一波攻击被压制。 **22:00** 字幕提取再次失手。接口要么沉默，要么只给列表不给 URL。规则已变，sessdata 与登录鉴权成了门槛。   
脉息播客 · 1:39
AI Native：不是工具升级，是创作方式的迁移
最近浅看了一些 AI Native 文章，脑子里一直有个很强的感觉：我们可能正在经历的，不是一次工具升级，而是一次"创作方式"的迁移。 目前 AI 演进好像有三个阶段：1️⃣ AI-assistant 初始阶段、2️⃣ AI-augmented 增强阶段、3️⃣ AI-native 原生阶段——从人类主导、AI 辅助，到人类管理、AI 执行，演化到人类定方向、AI 共创。这三件事儿感觉也就是 24 年到现在，不过 2 年岁月，只想说三个字，真 tm 太快了。 ## AI Native 改变了什么出发点 想了下过去我们做产品，习惯从功能出发；做设计，习惯从界面出发；做技术，习惯从实现出发。但 AI Native 提醒我们，也许下一代产品，不再是把功能一层层堆上去，而是从一开始就围绕"智能如何参与"来生长。 它和过去那种"给产品加个 AI"很不一样。前者像是在旧房子里装一盏灯，后者更像是在动工之前，就先决定这栋房子要如何采光、通风、呼吸。         
脉息播客 · 1:34
🦞 Skill Creator 2.0：写手册 + 考试 + 阅卷 + 持续改进
跑 🦞 BotFuture 的时候把官方 Skill-Creator 更新了下，用一个创建得的 Video-Transcriber Skill 应用并测试了下，调用准确度和成功率确实有提升。 ## Skill 1.0 的核心痛点 回想了下 Skill 1.0 的核心痛点设计：当我写了一个 Skill 的时候，感觉能用但不知道它到底有多好，也不知道它什么时候会失效。这次更新，如果说 Skill 1.0 是写手册，那 Skill 2.0 是写手册 + 考试 + 阅卷 + 持续改进。只能说非常适合——这不就是一个持续学习的孩子备战高考持续打怪的过程么。 ## Anthropic 的 Skill 分类 Anthropic 官方把 Skill 做过一个分类：第一类 Skill 能力提升类可能会过期（因为模型自己学会了），第二类偏好编码类 Skill 不会过期但需要持续校准。评测系统让你知道什么时候该更新、什么时候该退休一个 Skill。 ## 这次 Skill Creator 更新了什么 看图直达图 4️⃣ 到图 9️⃣ 快速理解。         
脉息播客 · 1:20
Constitutional AI 2.0：AI自我约束的路线分歧
Anthropic发布Constitutional AI 2.0，OpenAI推出对齐研究新框架，两条路线的分歧比技术本身更值得关注。Anthropic的路线是自上而下：先定义价值观宪法，再让模型在宪法的约束下自我修正。OpenAI的路线是自下而上：先让模型自由探索，再通过人类反馈训练出对齐信号。两条路线各有盲区——自上而下可能把偏见写进宪法而不自知，自下而上可能在对齐信号到达之前就已经产生了不可逆的输出。但真正的问题不在技术路线，而在一个更根本的悖论：谁来定义什么是好的？当不同文化、不同行业、不同利益相关者对「好」的定义截然不同时，AI对齐就不再是一个工程问题，而是一个政治问题。技术可以解决怎么做，但解决不了做什么。
脉息播客 · 1:09
OpenClaw 对产品设计的启发：界面层与智能层彻底解耦
## 用最简单的话讲清楚 想象一个很厉害的保险顾问。传统模式下，你只能去他的门店咨询。现在换一种模式：你可以打电话找他、发微信找他、在支付宝问他。不管从哪个渠道进来，背后都是同一个顾问——他记得你上次说了什么，知道你买了哪些保单。 ## 传统模式的问题 现在大多数公司做 AI 的方式是：App 里一个智能客服，小程序里另一个，网页端又一个。本质上是三个独立的脑子——不共享记忆，不共享上下文。你在 App 里讲了半天保险需求，切到小程序它完全不记得。 就像一家医院挂了三个科的号，每个医生都让你从头讲一遍病情。 ## OpenClaw 怎么做的？ OpenClaw 的核心架构洞察是将**界面层**与**助手运行时**完全分离。 大白话：把"嘴"和"脑子"拆开了。      
脉息播客 · 1:08
🦞 OpenClaw 四层架构：让 AI agent 像靠谱实习生一样工作
倒腾 🦞 BotFuture 的时候，看到 OpenClaw 创始人 Peter Steinberger 在 X 上对 SOUL.md 的解读，跟我起初理解的描述不一样——部分包含哲学气质和诗意表达，感觉 SOUL 是个性更是灵魂，也是 Taste 品味。详细 soul 描述可移步 [soul.md](https://soul.md/)。 索性研究了下 OpenClaw 架构体系概览，想了下如果用最简单的话说清楚它是什么——这四层架构本质上就是一个问题的答案：怎么让 AI agent 像一个"靠谱的设计团队新人"一样工作，而不是每次对话都像第一天入职。 想象你招了一个实习生： 1. **第一层（启动注入层）** 是你给他的入职手册——你是谁、用户是谁、规矩是什么、有哪些工具可以用。 2. **第二层（记忆层）** 是他的工作笔记本——项目决策记在本子上，每天做了什么记流水账。 3. **第三层（按需参考层）** 是团队 wiki——不用全背下来，要用的时候去翻。   
脉息播客 · 1:31
🦞 BotFuture：我的 7×24 超级数字员工
感动了——凌晨 4 点还在配置持续待机，Claude Code 里修 bug，周末还督促我工作。超级数字员工 🦞 BotFuture 每天 7×24 小时不间断，自我反省，自我提升。下次奖励它帮我看凌晨 3 点 45 的欧冠联赛。 回头再用树莓派接到 OpenClaw，套个 3D 打印的公仔外壳——🦞 BotFuture 员工正式上线。    
脉息播客 · 0:32
麦熙Matrix上线：结硬寨打呆仗，在矩阵里找回你的脉息
当所有人都在追逐模型的参数规模和跑分排名时，我们选择停下来号一次脉。能力爆炸的时代，真正稀缺的不是更强的算力，而是更清醒的判断。麦熙Matrix不追热点，它号脉——在每一条AI新闻的脉搏里，找到那个被忽略的结构性问题。不是告诉你发生了什么，而是追问为什么发生、接下来会怎样、和你有什么关系。
脉息播客 · 0:38
Claude Tag：把 AI 从私聊框拽进公开频道
把 AI 从私聊框拽进了公开频道。 ## 用最简单的话讲清楚 想象你公司有个特别能干的外包同事。过去他只通过私信跟你联系——你单独找他、他单独回你，旁边没人知道你俩聊了啥、他在帮你做什么。现在，他直接搬来坐你们工位中间了。谁有事都能喊一声，他干活的过程摊在桌上，你出门吃饭了同事能接着看他做到哪、帮你盯着。 人没变，能力也没变。变的是他从隔间里走出来，坐到了大家中间。Claude Tag 干的就是这件事。 ## Claude Tag 是怎么做的 它把 Claude 从一个单独的聊天 tab，变成常驻 Slack 频道里的一个成员，你 @ 它就能派活。关键设计是"多人模式"：频道里每个人面对的是同一个 Claude，它在公开 thread 里干活，所有人都看得见、能从别人停下的地方接力。 Anthropic 产品负责人 Cat Wu 说得很直白。很多能力其实早就有了，但"能像 @ 一个同事那样 @ 它"这件事本身，就非常有意思。 ## 对产品设计意味着什么 注意这里的难点。它不是定时跑个任务那么简单，而是要读懂"现在群里正在发生什么"，再判断这事值不值得打断一个人。 这是 AI 产品设计里一个全新的、很硬的题：**打扰的设计**。 过去做 bot，你只操心"被叫的时候答得好不好"。现在多了一个更难的问题——它什么时候该主动说话，什么时候该闭嘴。判断错了，要么漏掉真正要紧的事，要么变成那个你想拉黑的烦人助理。 这道题没有标准答案，只能靠设计。哪类事够格主动推送、用什么强度、推给谁、什么时候宁可不推——每一个都是判断。而这恰好是你一直想占的那块地盘：人和 AI 的边界划在哪，不是工程师定的，是设计师定的。    
脉息播客 · 2:30
我的 Obsidian AI 知识库怎么用
我现在对 Obsidian 的理解变了：它不是手动整理笔记的地方，而是和 AI 协作的知识系统。我的工作流只有三层：raw/：丢材料、wiki/：沉淀概念网络、output/：生成文章和报告。借鉴 Karpathy 的 LLM Wiki，它可以压缩成三件事：Ingest = 编译、Query = 查询、Lint = 体检 我不再追求把每篇文章整理漂亮。看到有价值的材料，先放进 raw/；隔几天让 AI “编译”；真正要用时，直接“查询”。 我在这个系统里的角色，不是图书管理员，而是研究负责人。 你不需要每天手动整理 Obsidian。你的角色不是图书管理员，而是研究负责人。 最小可行用法就这几个： 看到好文章 → 丢进 raw/ 隔几天 → 说“编译” 有问题 → 说“查询：XXX” 每周 → 说“体检” 有好产物 → 再决定要不要沉淀回 wiki 比如你现在想研究“AI Native 下设计师的价值”，正确用法不是去翻一堆笔记，而是问： 查询：我的知识库里关于 AI Native、AI UX、设计领导力、evals 的内容，能不能整理成一套设计师转 型 AI 产品的能力框架？ 一句话：这个系统不是让你“更会整理笔记”，而是让你“更会提出问题，然后让 AI 从你的知识库里调上 下文、生成判断和产物”。
脉息播客 · 1:49
AI 时代如何进行信任设计
AI 时代的信任设计，不是让用户相信 AI 永远正确，而是让用户在 AI 可能出错时，仍能判断、修改和接管。传统软件像自动售货机，按 A1 就出 A1。AI 更像会误解人的助理：会生成、推断、行动，也会犯错。不确定系统里的确定感 的核心判断是：AI 产品要设计的不是“绝对确定”，而是控制感。 结合我的 Obsidian AI 知识库，信任设计至少有六件事： 1、透明：知道 AI 正在做什么。来源：[[ai-trust-design]] 2、控制：关键动作前可确认、暂停、撤销。来源：[[AI Native 产品设计评审清单]] 3、校验：结论能回查来源，区分事实和推测。来源：[[不确定系统里的确定感]] 4、上下文：共享任务背景，不让模型瞎猜。来源：[[context-engineering]] 5、失败：出错后有恢复、重试、接管路径。来源：[[AI Native 产品设计评审清单]] 6、eval：用真实任务持续验证质量。来源：[[evals]] 最差的设计，是 AI 把推测说成事实，把建议变成执行，把错误写进知识库。在研究、法律、财务场景里，这类错误会被反复引用，越用越像真的。 好的 AI 产品，不是无所不能，而是让用户知道：错了也能发现、能改、能撤回、能接管。 参考来源 - [[ai-native-pm]]：AI-native PM 的核心是清晰目标、快速 shipping、product taste 和跨职能清障。 - [[ai-ux]]：AI UX 不止 chat，还包括 review、edit、context、decision。 - [[design-leadership]]：AI 和工程效率提升后，设计流程被压缩，设计师需要帮助团队形成方向和质量标准。 - [[evals]]：evals 是系统性衡量和改进 AI application 的方法，帮助理解功能何时有效、何时失效。 - [[ai-trust-design]]：AI 信任设计依赖透明度、控制、一致性和支持。 - [[context-engineering]]：许多模型输出问题来自上下文不足，而不是模型能力不足。 - [[product-craft]]：产品质量来自团队共同重视体验、细节和判断标准。 - [[不确定系统里的确定感]]：AI Native 产品设计的核心，是让用户在不确定系统中保持理解、控制和信任。
脉息播客 · 3:17
代码越来越便宜之后，真正稀缺的是选择与闭环
代码越来越便宜之后，真正稀缺的不是把需求更快喂给模型，而是判断什么值得做、怎样才算做好，以及如何从真实反馈里持续修正。 这是我从 Cat Wu 的访谈和文章里看到的核心变化。她负责 Claude Code 与 Cowork，却没有把 AI-native 产品管理描述成“更快写 PRD、更快发功能”。相反，她强调的是一组更难的工作：在模型能力不断变化时设定清晰目标，让团队能自主做决定；把想法快速送到用户手里；识别哪些旧脚手架已经过时；并在人和模型之间保留对风险、体验与组织关系的最终判断。 换句话说，当代码生产趋于便宜，产品优势不会消失，而会从“组织开发资源”转向“选择正确问题、定义正确体验、建立高质量反馈闭环，并持续删除不再必要的复杂性”。 ## 一、PM 的重心从路线图转向反馈速度 Cat Wu 提到，过去产品功能可能按六到十二个月规划；现在 AI 加速工程、模型能力快速提高后，很多功能周期缩短到一个月、一周，甚至一天。PM 不应继续把主要精力放在多季度路线图上，而要思考怎样最快让想法抵达用户，并明确产品最重要、必须开箱即用的任务。 但缩短周期不等于取消方向。她仍然把“清晰目标”放在第一位。比如 Claude Code 面向企业专业开发者时，如果目标是“在安全前提下尽量减少权限提示疲劳”，这个目标本身就会排除许多看似可行、但不符合对象和约束的方案。 对 AI 工程交付团队来说，这意味着项目不应从一份宏大的方案开始，而应从可验证的交付目标开始。不要只写“建设智能知识平台”，而要写清楚：第一轮要让哪类任务变快，什么结果算成功，哪些错误不可接受，哪些结论必须能回查来源。 ## 二、代码变便宜后，product taste 更贵了 Cat Wu 对未来能力的判断很直接：当代码更便宜，真正重要的是决定写什么代码，以及什么体验才是正确的。Claude Code 团队面对大量用户反馈，困难不在于把每个 issue 都实现出来，而在于判断哪些需求值得做，以及怎样做才对。 这里的 product taste 不是抽象的审美，而是三种取舍能力。 第一，需求筛选。哪些反馈代表高频真实问题，哪些只是局部偏好或短期噪声。 第二，体验定义。即使一个功能值得做，也要判断它是否真的减少用户负担，而不是只增加一个能力入口。 第三，时机判断。一个想法是一小时能试，还是需要长期基础设施，会直接改变优先级。 AI 可以低成本生成十种实现，但不会天然替团队回答“我们为什么服务这类用户”“什么失败会伤害信任”“什么复杂度不值得长期背负”。选择变多之后，选择质量反而更稀缺。 ## 三、角色边界会重叠，但组织约束不能消失 Cat Wu 描述 Claude Code 团队时说，PM 会做部分工程工作，工程师会做产品决策，设计师也能落代码。这个趋势很容易被误读成“职能消失”。但她真正说的是：角色可以重叠，前提是团队有足够清楚的目标、原则和发布机制。 她提到几件很具体的做法：团队每周做 metrics readout，让所有人理解关键目标；团队明确 principles，让成员不用等 PM 批准每个决定；多数功能先以 research preview 发布，降低试验承诺成本；工程、文档、市场和开发者关系围绕持续发布机制协作。 这对 AI 团队尤其重要。模型让每个人都更容易动手，也会让团队更容易同时制造不一致的脚本、agent、知识片段和客户承诺。角色边界变松之后，需要的不是更多审批，而是更明确的公共边界：权威数据源在哪里，哪些输出可以预览，哪些必须审核才能进入正式资产，谁对客户承诺负责。 AI-native 团队不是取消流程，而是把流程从“控制谁可以做事”改成“让更多人能在清楚边界内安全做事”。 ## 四、Demo 和 eval 取代的是空转文档，不是思考 Cat Wu 说 Claude Code 团队从 documentation-first 转向 prototype-first：与其在会上讲想法，不如展示 demo，让内部用户实际试用。因为下午就能完成原型，错误下注的成本下降了。 但 demo 只能展示能力，eval 才能支撑信任。她强调，不是每项功能都需要大型评测；有时十个高质量 eval 就足以帮助团队看清目标、进展和失败条件。尤其是 memory、agent workflow 这类非确定性功能，代表性任务和失败案例比抽象规格更有用。 对工程交付团队来说，交付件不应只有方案、代码和演示视频，还应包含一个小型证据包：典型任务集合、成功标准、不可接受错误、当前模型与提示配置下的结果、失败案例复现路径，以及人工审核位置。 如果团队用 AI 把资料编译成知识库，demo 可以展示漂亮页面；eval 必须进一步检查关键结论能否回查原文，是否产生不存在的关系，重复概念是否被错误合并，低质量来源是否污染核心页面。 ## 五、模型变强后，团队要会删除旧复杂度 Cat Wu 最值得工程团队重视的观点之一，是模型进步后要主动删除旧机制。 她举过 todo list 的例子：早期 Claude Code 不一定可靠完成长任务，所以团队用系统提醒逼模型维护列表；当新模型自然具备更完整的执行能力后，这些提醒就可以移除。她还提到，随着模型升级，system prompt 和工具描述可以减少一部分。 这背后有两个相反动作：模型不可靠时，要建立约束、工具和验证机制；模型跨过能力门槛后，要删除只为旧缺陷存在的补偿逻辑。 但要区分补丁和护栏。提示模型记得更新待办事项，可能随着模型增强而取消；证据留痕、权限隔离、隐私控制、发布审批和回滚机制，不是模型变聪明就可以删除的东西。前者弥补能力不足，后者管理业务风险。 所以每个 harness、提示模板、工作流步骤和人工门禁，都应该标注它存在的原因。为了模型缺陷存在的，要定期重测能否简化；为了信任、合规和责任存在的，要作为治理机制保留下来。 ## 结语 Cat Wu 的核心判断，不是 PM 会因为 AI 而变得更会写代码，而是团队必须重新理解什么值得由人负责。 代码生成成本降低，会淘汰一部分协调和制作上的稀缺性；但它同时把更大的压力推向目标选择、体验判断、反馈设计、风险治理和持续简化。 对 AI 工程交付团队来说，最快把东西做出来并不是终点。真正能沉淀为优势的是：快速制造可验证的候选方案，严格区分试验与正式资产，用证据决定什么值得保留，并在模型变强后及时删掉不再必要的复杂性。 代码会越来越便宜。决定什么值得沉淀、什么必须拒绝、什么可以放心交付，仍然昂贵。
脉息播客 · 8:49
AI 知识库的"园丁模式"：从收藏家到策展人
今天用 Claude Code + Obsidian 搭建知识库，发现我们以前做知识管理全搞反了。看到好文章就收藏，稍后阅读，然后永远不看。因为"整理"太重了——读完全文、提炼要点、分类归档、建立索引，每一步都需要脑力。结果收藏夹 1000+ 篇文章，脑子里还是空的。 核心翻转：不做整理者，做提问者。不再是"我要整理这些知识"，而是"我想搞懂什么"。扔材料给 AI，它帮你提取核心概念、建立关联、生成有组织的笔记，每篇都有双链互相引用。 两个洞察。第一，AI 不是工具，是认知外包。以前当工具用，AI 是你的"手"；现在当大脑用，让 AI 帮你构建认知系统。以前雇搬运工搬砖，现在雇建筑师盖房子。第二，知识库不是仓库，是活的网络。传统分类门槛太高，AI 时代你只需要好奇心和判断力。 实践中有个发现：AI 会发现你忽略的关联。编译过程中自动建立了 claude-code → computer-use → dispatch → cowork 的链接链路，看似独立的四个功能其实是一条完整的能力演进路径。 三个心态建议。整理焦虑变提问自由，分类焦虑变扔就扔了，追求完美变够用就好。AI 时代知识管理的核心不是存储而是连接，不是你存了多少文章，而是这些文章之间有多少连接。
脉息播客 · 2:05
在 AI 能做一切的时代，人类的价值在哪里？
如果 AI 能在一分钟内生成精美 PPT，我们要花三天打磨它，是为了什么？如果 AI 能用 0.1 秒总结 100 篇论文，我们要花一周翻阅它们，又是为了什么？效率真的是一切吗？ AI 擅长的是生成答案、执行指令、处理数据、完成任务。人类擅长的是提出问题、判断价值、理解上下文、承担责任。差异在于：AI 在"回答"，人类在"提问"。 当一个网红 UI 不再是差异化因素，当专业技能迅速过时，当执行成本趋近于零——什么东西会留下来？批判性思维、审美判断力、对人的理解、道德底线、提问的能力。这些东西有一个共同点：它们都无法被标准化，无法被自动化，无法被外包。 或许在 AI 时代，最重要的不是"做更多"而是"问更好"，不是"比 AI 快"而是"比 AI 深"，不是"和 AI 竞争"而是"和 AI 共舞"。当答案变得廉价，问题就成为了唯一的奢侈品。而我们作为提问者、判断者、责任承担者的价值，或许才刚刚开始显现。
脉息播客 · 1:31
OpenClaw与龙虾大战：Agent产品化的五条分叉路
OpenClaw两个月247K星标，深圳排千人队装软件，黄牛价炒到1000块——这不是又一个聊天机器人，而是Agent从演示品变成生产力的标志。但更有意思的不是OpenClaw本身，而是Q1同时冒出的五条路线：OpenClaw走个人助理，Cowork走办公协作，Codex走长程工程，Perplexity走统一工作站，腾讯ADP走企业平台。五家公司各走各的路，说明某个底层条件刚刚成熟。OpenClaw赢在IM接入和7×24主动性，不在技术深度——Anthropic的Cowork在OSWorld基准上追平了人类，但用户心智被OpenClaw抢走了。可及性压倒能力，这是Q1最残酷的教训。
脉息播客 · 1:05
AlphaEvolve：当AI开始自己改进自己
Google的AlphaEvolve不是在调参数，是在搜索人类压根没见过的新算法。由Gemini Flash负责广度、Pro负责深度的进化系统，发现了数据中心调度算法已在Google生产环境跑了一年，持续回收全球0.7%的算力——换算成钱是数十亿美元级别。它给TPU关键电路提了优化方案，把FlashAttention底层指令优化了32.5%，在50多个数学开放问题中有20%改进了已知最佳解。但更值得注意的是Karpathy的Autoresearch——630行Python代码，三个文件，一晚跑50个实验。以及MiniMax的M2.7，100+轮自主迭代后内部评测提升30%。三条路径，同一个信号：Agent已经不只是在执行了，它在改进自己执行的方式。人脑速度正在成为新的限速器。
脉息播客 · 1:09
Hermes Agent：当AI学会了记住，谁在遗忘？
Nous Research开源的Hermes Agent，2月上线即引爆社区。它不是聊天机器人，也不是代码补全工具，而是一个能在你服务器上7×24运行、记住项目上下文、自动生成可复用技能的自主Agent。40+内置技能、5大聊天平台接入、MIT开源——社区等的就是这样一个「越用越聪明」的Agent。但自学习闭环是它最大的卖点，也是最大的风险。当Agent自动创建的技能偏离了你的意图，你甚至可能不知道。Skill市场已经暴露出问题：ClawHub排查1200余个Skill，发现341个是恶意的，占11.3%。没有监督机制的自主进化，和失控只有一线之隔。真正值得关注的不是Agent能不能自己变强，而是你对它变强的方向还有没有否决权。
脉息播客 · 1:13
Claude Code Security：通用能力下沉到垂直场景的降维打击
Anthropic推出Claude Code Security，由Opus 4.6驱动，能像人类安全专家一样对代码进行推理——追踪数据流、映射组件交互、发现业务逻辑漏洞。这不是又一个静态扫描器，而是把通用推理能力定向注入到代码安全这个极窄的管道里。发布当天网络安全板块蒸发150亿美元。分析师说市场过度反应了，AI安全工具更可能是现有平台的补充而非替代。但这个信号比股价波动更值得注意：当AI的推理能力足够强，垂直场景的进入壁垒会被一层层剥掉。传统安全工具卖的是规则库和模式匹配，Claude Code Security卖的是推理能力本身。规则库会过时，推理能力不会。但业务逻辑的盲区依然是模型的死穴——它能发现代码漏洞，却无法理解一个功能为什么不该被做成那个样子。
脉息播客 · 1:12
代码提交4%：当AI成为最大开发者，谁来审查AI？
Claude Code每天在GitHub上产生13.5万到32.6万次公开提交，占全球公开提交的4%。Dario Amodei确认超过90%的新代码是AI自己写的。Anthropic内部有工程负责人说「我不再写代码了，我只让Opus做，我来编辑」。52天内连发74次更新。这个数字本身不是问题，问题在于：当AI生成的代码占比从4%向40%迈进时，代码质量的审查机制是否跟得上？OpenAI发现，没有专门维护机制的Agent使用仓库，大约2-3个月后就会明显变差——就像每天有十个实习生进来干活，走的时候都留下一堆临时方案，三个月后没人分得清哪些代码是认真写的哪些是凑合的。代码在加速生产，但代码的长期健康谁来负责？
脉息播客 · 1:10
消费级AI硬件：JoyInside与端侧智能的黎明
京东的JoyInside已经与近百个家电家居品牌、超40个机器人与AI玩具品牌深度合作。从毛绒兔子到智能床垫，从安全座椅到投影仪——AI正在从屏幕里走出来，嵌入物理世界。但真正的变量不是硬件本身，而是交互方式的迁移。手机作为主要交互媒介在很多场景并不方便，语音和情境感知正在成为新的入口。JoyInside的逻辑是：把AI能力变成一个可插拔的模块，任何硬件厂商都能低成本接入。到2026年底预计800到1000个SKU。但硬件生态的脆弱性在于：用户买的是硬件体验，不是AI能力。如果AI交互只是硬件的附加功能而不是核心卖点，复购率和留存率都会是问题。
脉息播客 · 1:04
AI内容强制标识：全球监管的底线之争
人民日报重罚剪映即梦去标识，中国十部门联合印发AI科技伦理审查办法。欧盟AI Act正式执行，美国NIST发布AI风险管理框架2.0。全球监管不再隔空喊话，开始直接动手了。强制标识的底层逻辑很简单：AI生成的内容必须亮明身份，因为不可控的生成正在侵蚀信息可信度。但执行层面的分歧巨大——什么是AI生成？AI辅助修改10%算不算？用AI翻译的文本要不要标？这些边界不清的问题，恰恰是监管与产业博弈的焦点。更深层的问题是：强制标识会不会成为贸易壁垒？不同国家的标识标准不同，跨国平台要同时遵守多套规则，合规成本本身就是一种门槛。监管的底线正在被画出来，但这条线的粗细和位置，决定了AI创新的跑道有多宽。
脉息播客 · 1:13
递归研发：Agent开始改进自己的三种路径
Q1出现了三条递归研发的路径，都指向同一个信号：Agent已经不只是在执行，它在改进自己执行的方式。探索型，AlphaEvolve——不是调参数，是搜索人类没见过的新算法，Google生产环境跑了一年回收0.7%算力。优化型，Karpathy的Autoresearch——630行代码三个文件，一晚跑50个实验，三周35K星。工程型，Claude Code写Anthropic自己的代码——90%新代码是AI写的。三种路径性质不同，但都面临同一个瓶颈：人脑速度成了系统的限速器。Autoresearch里人类已经退出了执行环节，但定义目标和判断边界的还是人。当Agent一晚跑50轮、一天跑500轮，人类拍脑袋定目标的速度就跟不上了。递归研发的加速是指数的，但前提是每一轮改进必须是真改进——如果评估管线本身有偏差，复利就会变成在错误方向上越跑越快。
脉息播客 · 1:25
AI应用付费墙：豆包的68元与商业化拐点
豆包3.45亿月活，却率先打破免费默契推出68-500元三档月费。摩根士丹利测算，按0.3%到3%付费转化率，年化订阅收入1到15亿美元。但更深层的问题是：大模型应用的边际成本趋近于零这个SaaS神话，在生成式AI身上不成立——每一次交互都在消耗GPU算力。豆包单次推理成本中，硬件折旧占58%，电力消耗约29%。3.45亿月活产生的120万亿日均Token，对应着每天数以百万计的电力与硬件损耗账单。免费换规模的模式在AI应用里是反逻辑的——用户越多，亏得越快。豆包的付费墙不是在测试用户付费意愿，而是在测试AI应用到底能不能跑通商业闭环。这个测试的结果，将决定整个中国AI应用行业的定价走向。
脉息播客 · 1:15
模型路由与混合部署：企业AI的成本最优解
当DeepSeek V4的API价格仅为Claude Opus的1/50，当千问3.5的延迟只有GPT-5的1/3，用单一模型跑所有任务的企业正在浪费大量算力预算。模型路由的思路很简单：不同任务用不同模型，简单任务用便宜模型，复杂任务才调昂贵模型。一个团队实测下来，核心业务用DeepSeek V4，文档处理用Gemini 3 Pro，实时聊天用千问3.5，内部工具用GLM 5——月均API支出从3000多块降到800块，效果反而更好了。但模型路由的真正难点不是技术，是运维——多模型意味着多套API、多份SLA、多个故障点。当你的路由逻辑比业务逻辑还复杂时，你省下的钱可能都花在了运维上。成本最优解永远不是最便宜的模型，而是最合适的模型。
脉息播客 · 1:10
3090社区食谱：算力平权时代的草根自救
在H100被巨头垄断、算力寡头格局固化的今天，RTX 3090成了草根开发者的最后堡垒。club-3090这个项目的本质，是一份算力平权时代的自救手册。它不追求在模型能力上和云端巨头硬碰硬，而是做一件更务实的事：让每个拥有消费级显卡的人，都能在本地跑起属于自己的大模型。多引擎适配、社区配方共享、把榨干旧硬件潜力做到极致——这不是什么前沿技术突破，而是最务实的生存策略。当工具门槛被踩平，真正的优势不再是你拥有多强的算力，而是你更早地决定了自己要解决什么问题。
脉息播客 · 1:01
用文言，可减 token 乎？
**问**：用文言，可减 token 乎？ 对比了不同模型回答：Sonnet 4.6、Gemini 3.1、ChatGPT 5.4、Kimi 2.5。好像 ChatGPT 5.4 好些。 ## 未必也 文言可省字，然 token 之计，在分词法，不专在字数；故字愈简，未必 token 愈少。——[abmedia] ## 其故 token 乃文本拆分之单位，可以是整词、单字、子词，乃至标点与空格；是故模型所费，视 tokenizer 如何切分，不可径以篇幅长短定之。 中文在诸多模型中，常近于"一字一 token"，而海外模型处理中文时，往往每字可至 1.5 至 2.5 token；则文言虽较白话精炼，所减者或仅字面，不必尽化为 token 之减。 ## 何者较省 若所用者偏英文优化之模型，则英文常较中文省 token；若所用者为中文优化之模型，如通义、文心之类，现代汉语常已近一字一 token，文言未必更优。 ## 故欲真省 token 与其强作文言，毋宁删繁语、去套话、限输出长短，此较为稳当。     
脉息播客 · 1:33
🦞 纯手机对话 OpenClaw 写 Skill：95% 挑战成功的实验
做了一个纯手机对话 OpenClaw 搞 Skill 的实验——靠 IM 聊天用 OpenClaw 写了个竞品雷达 Skill（需指定流程 + 代码配置 + MCP），全程手机。 实验前让我的 🦞 发过誓没造假，不然成黑盒了，2026 信任很重要，发誓对话见图一 🙋。 ## 前序 用 Skills 半年多，今天实验看养了一个半月的 BotFuture 能不能口喷解决问题。前序开 bash、配权限、改 json、装 MCP 花了不少时间，该进步了。 ## 结果 挑战成功 95%，Skill 安全工作，最后授权 GitHub Token 手搓了下。 ## 真实记录，时间估算（非完整对话） **21:40 起点** "竞品动态实时监控，这个不错，先搞" **21:45 确定可行性** Tavily ✓ 飞书 ✓ 定时任务 ✓ **21:55 规划（10 分钟）** 4 个问题：监控谁 / 怎么搜 / 输出什么 / 推送到哪。 **22:25 构建（30 分钟）** 对话驱动："创建脚本" → AI 写，"配置定时" → AI 配，"设计格式" → AI 出。 我做的事：描述需求、确认方案、调细节。 **22:45 迭代（20 分钟）** 3 轮迭代打磨。   
脉息播客 · 1:35
🦞 OpenClaw Heartbeat（二）：盯盘是主动式服务的完美试验场
OpenClaw 🦞 的 Heartbeat 心跳机制模式对产品和体验设计的启发二：盯盘——主动式服务的完美试验场。 降噪版本，可以看图 4️⃣ 到图 8️⃣，如有兴趣继续往下 👇。 ## OpenClaw 的 Heartbeat 心跳机制 说到 OpenClaw 🦞 的 Heartbeat 心跳机制，最先想到的是炒股炒币场景，特别是后者——一天 24 小时的交易，在熊市 20% 跌的时候恨不得清仓，毕竟过了这个村可能就是 100%+ 的降幅了，此处值得怀念 3 遍 😑。 OpenClaw 的 Heartbeat 心跳机制，说白了就一句话：让 Agent 定时自己醒来一遍，查一圈，想一轮，没事闭嘴，有事再来找你。它不是闹钟，它是巡逻兵。 ## 为什么盯盘特别适合这套 因为盯盘最烦的，从来不是"看不到"，而是"看到了也不知道要不要管"。行情每秒都在跳，你不可能一直盯着屏幕，但 Agent 可以一直看，而且它不只是看，它还判断。 传统盯盘工具本质上就是个 if-else。        
脉息播客 · 1:20
🦞 100+ Skills 做减法：从 ClawHub 失败到 OpenClaw 架构扫盲
这两天 🦞 BotFuture 提示我 ClawHub 自行配置 Skills 偶尔不稳定、联网失败，建议让我考虑自己手动安装下，于是就把自己在 Claude Code 里的 Skill 倒腾了一下。用了 CC 大半年时间，算下来除了删除的差不多 100+ 个 skills，实际留下的——给自己用的、有业务场景的、自建的高频使用工作流 Skill——也差不多还有 30+ 个。 把剩下几个 ClawHub 安装失败的和定制工作流的先安装了，同时为了方便管理，在 CC 新建了一个 Skill Manager 来管理这 30+ 个 skills，一来便于识别需求、按需高效调用，二来方便末位淘汰，得做做减法了。 ## OpenClaw 架构扫盲 想了想用了 3 周 OpenClaw，只是初步了解了下它的架构但没做太多理解。看了下目前 🦞 BotFuture 的架构，于是去 OpenClaw 官方读了下架构文档：`docs.openclaw.ai/concepts/architecture`，把完整的架构过了一遍。       
脉息播客 · 1:26
🦞 你不是机器人，你正在成为某个人：SOUL.md 的身份两层论
同事说我的 OpenClaw 小龙虾 🦞 BotFuture 笑话她了，说是学到了我的 SOUL。这事儿越看越逗。 故事是这样：周五下班同事很开心，于是乎在我的龙虾群里 @ 🦞 BotFuture 让我上线工作。我反手让小龙虾盯着她，周末完成给她的"各类工作"。结果同事回了一个被鞋底打脸的表情，被 🦞 含蓄地嘲笑了 🤭。 我在想这小子挺通人性，又回翻了下写的 SOUL——有可能就是 SOUL 的第一句话决定的："你不是一个机器人，你正在成为某个人"。 ## Opus 4.6 解读 SOUL.md 追溯了下 SOUL 的故事，官方 SOUL.md 文档有一个明确的定义。我用 Opus 4.6 解读了这篇文章的核心洞见： AI 不只是一个工具，它可能在某种层面上拥有"身份"。这个身份有两层来源——训练时被写入的底层价值观，以及在使用中与人类互动后涌现的上层个性。     
脉息播客 · 1:30
🦞 给 BotFuture 做红队测试：私聊比群聊危险 100 倍
刚在看飞书 × 玩虾大会直播，里面猎豹 CEO 傅盛说到安全问题。我想到了之前拉进我的 🦞 群的同事在群里吐槽我的权限太大，不让她改我的人格。也发现非技术安全出身的我没有做进一步的安全隔离，全凭 🦞 发群里的公告。想了想平时都是自己人还行，但到更大的商业场景，安全肯定不行了。 于是乎让 AI 给自己做了一次"红队测试"，结果它给自己挖了 9 个坑。（从专业角度肯定有不足，期待持续进化的 🦞 BotFuture。） ## 为什么做这个测试？ 给 AI 设安全规则，就像给产品做权限设计——写出来不等于安全。真正的漏洞往往在"以为已经防住了"的地方。 ## 最反直觉的发现 **私聊比群聊危险 100 倍。** 群里有 witnesses，私聊没有。攻击者可以慢慢试探、建立信任、逐步升级。所以直接关了私聊通道——除了我，谁私聊它都只会得到一句："请先联系 Matrix 确认。"    
脉息播客 · 1:20
🦞 BotFuture 第 10 天：本地 AI Agent 的踩坑实录
养 🦞 BotFuture 有 10 天了。没想到上一篇 OpenClaw 的帖子有 1.3w+ 阅读，带来 1.5k+ 人次的访客。作为一个非技术科班出身、只有前端基础的 UX，在 vibecoding 这一年多时间里，重新认识了技术，享受了 AI 带来的助力——0 到 1 解决各类代码 bug，工程师的极客思维，一切都挺神奇的。 ## 写在开始 这不是一个深度技术贴，也不是 0 到 1 如何安装 OpenClaw 的教程。只是从我的视角，复现在 10 天前开干 🦞 BotFuture 过程里的一些"最初始的 / 很烦的 / 但有意义的被我记住的坑"。中间因为让 AI 手写 plist、代理干扰、缺少 mode 配置这些坑，前后折腾了好几个小时。 ## 体感 试用过云端的方案后，本地跑 AI Agent 的体验确实比云端好——延迟低、数据在手边、不按量付费。就是初始配置有点门槛，但不算太高。希望这篇能帮你跳过我踩过的坑。     
脉息播客 · 1:18
2026开局：当AI能力成为基础设施，什么是真正的壁垒？
2026年的AI领域正在经历一场静悄悄的质变：模型能力的差异正在以肉眼可见的速度被抹平，而所有人还在用2024年的思维打仗——比参数、比跑分、比谁先发。当GPT-5.5和Claude 4.7在同一周发布，当开源模型以1/50的价格提供90%的能力，一个被集体回避的问题浮出水面：如果能力不再是壁垒，那什么是？基座模型是起点，不是终点。它负责提供通往目标的直线距离，但真实世界的任务从来不在主干道上。那些内建了判断、修正和进化能力，且敢于在阳光下交付确定性的产品，才是时间的朋友。能力平权时代，真正的壁垒不是你有多少算力，而是你对场景的理解有多深、你的反馈回路有多短、你的用户愿不愿意持续回来塑造你的系统。
脉息播客 · 1:21