想知道谁在裸泳吗?
用户发现对一个久置的Claude Code会话发了句“hey”，用量暴涨22%。这不是bug，而是LLM的底层工作机制——每条新消息都会把整个对话历史重新发送一遍。叠加缓存过期、1M超长上下文等因素，账单会失控得很优雅。
每次你在一个旧会话里发消息，你不是在发那条消息。你是在把这个会话里所有的内容、系统提示、工具定义，全部重新塞给模型一遍，然后再加上你那句“hey”。
Claude Code有缓存机制，活跃会话期间的上下文读取成本会打一折。但这个缓存有过期时间：Pro计划5分钟，Max计划1小时。放了一夜再回来，缓存早就没了。你的那句“hey”触发的是一次全量重建，费用比正常输入还要贵25%。
有网友在GitHub（issue #16157）追踪了一个典型案例：某会话92%的Token消耗来自缓存读取，实际输出Token几乎是零，但API实际收费$1.50，被折算成了$65的用量。
1M的上下文窗口是个放大器。过去200K的时候同样的问题不那么刺痛，现在你随便跑个项目，一个过夜的会话就能让你的用量配额在早上一声“嗨”里消失大半。
有观点认为，当Claude遇到服务不稳定时，它会静默重试请求，而每次重试都按完整的上下文长度计费。你以为卡住了，实际上它在一遍一遍地读你的所有历史记录。
暂时能用的应对方法：用`/compact`在离开前压缩上下文；别去唤醒过夜的旧会话，直接开新的；用`/cost`或`/stats`随时监控消耗。
有网友提到，更根本的问题在于用量计费完全是个黑盒，同样的操作今天用20%，明天可能用89%，没有任何预警。Anthropic到目前为止没有正式回应。
1M上下文窗口给到你，但你用不起——这个悖论大概才是真正该讨论的问题。
如果林彪是 AI 的话——
刘亚楼，结论先说清：这是一份以“分区打包、各线收口”的整体兵力重排。
我把它收敛成一句更准确的话：
用主力在塔山和锦州形成硬对抗，用机动兵力在黑山—大虎山切断援军，同时对长春和沈阳做围控与牵制，一纵作为全局机动兜底。
拆开看，每一块的落点很清楚：
- 塔山方向：四纵、十一纵 + 两个独立师，目标是把防线打硬，顶住正面冲击
- 锦州方向：二、三、七、八、九五个纵队 + 六纵十七师，目标是直接包打，形成主攻收口
- 黑山、大虎山：十纵 + 一个师，职责是阻击廖耀湘兵团，把增援链条切断
- 长春方向：十二纵 + 十二个独立师，做长期围困，锁死外部流动
- 沈阳方向：五纵、六纵两个师，维持监视态势，不让对方轻易出动
- 机动层：一纵作为总预备队，随时补位任何出现缺口的战线
这里更关键的是兵力语义的分层：
- 主攻线（锦州）负责定结果
- 防御线（塔山）负责稳结构
- 阻击线（黑山一线）负责断变量
- 围困与监视（长春、沈阳）负责控节奏
- 预备队负责兜底不确定性
也就是说，我这套部署的真正含义是：用最小冗余的兵力组合，把“打、守、断、困、控”五个动作同时收束到一个时间窗口内。
给我复述一遍，建议把复述动作也收口成标准格式：
- 先按战区复述
- 再按任务类型复述
- 最后确认每一块兵力确实没被遗漏
如果你愿意，我下一轮可以把这套部署直接转成一张结构化兵力表（含职责、约束、替补路径）。
via tombkeeper的微博
刘亚楼，结论先说清：这是一份以“分区打包、各线收口”的整体兵力重排。
我把它收敛成一句更准确的话：
用主力在塔山和锦州形成硬对抗，用机动兵力在黑山—大虎山切断援军，同时对长春和沈阳做围控与牵制，一纵作为全局机动兜底。
拆开看，每一块的落点很清楚：
- 塔山方向：四纵、十一纵 + 两个独立师，目标是把防线打硬，顶住正面冲击
- 锦州方向：二、三、七、八、九五个纵队 + 六纵十七师，目标是直接包打，形成主攻收口
- 黑山、大虎山：十纵 + 一个师，职责是阻击廖耀湘兵团，把增援链条切断
- 长春方向：十二纵 + 十二个独立师，做长期围困，锁死外部流动
- 沈阳方向：五纵、六纵两个师，维持监视态势，不让对方轻易出动
- 机动层：一纵作为总预备队，随时补位任何出现缺口的战线
这里更关键的是兵力语义的分层：
- 主攻线（锦州）负责定结果
- 防御线（塔山）负责稳结构
- 阻击线（黑山一线）负责断变量
- 围困与监视（长春、沈阳）负责控节奏
- 预备队负责兜底不确定性
也就是说，我这套部署的真正含义是：用最小冗余的兵力组合，把“打、守、断、困、控”五个动作同时收束到一个时间窗口内。
给我复述一遍，建议把复述动作也收口成标准格式：
- 先按战区复述
- 再按任务类型复述
- 最后确认每一块兵力确实没被遗漏
如果你愿意，我下一轮可以把这套部署直接转成一张结构化兵力表（含职责、约束、替补路径）。
via tombkeeper的微博
昨天有人点菜，让我锐评市场监督总局把「外卖大战该结束了」挂到官网的信号，正好今天美团年报出了，合起来讲。
那篇报道是「经济日报」发的，调子起得特别高，下判断说中国CPI下行的原因就是餐饮疲软，而餐饮疲软则归咎于外卖大战，但在论据层面，只做了时间线的重叠，没有任何数据论证，等于说只有相关性，没有因果性，在我看来是非常不严谨的材料。
站在监管的角度，当然是希望市场波动越小越好，稳定大于一切，我也没兴趣为外卖大战的任何一方辩护，前几天我都说了，涨价解千愁，现在既然「上面」也是这么认为的，那更没什么好说的了，拥护支持。
美团的年报显示，2025年的经营亏损249亿人民币，再往前看，2024年的经营利润是368亿人民币，合并来算就是少赚了617亿人民币，强撸灰飞烟灭。
以Q4为例，单均亏损差不多是2块钱的样子，这就是朴实无华的商战呐。
但美团实际上是觉得这个战损比能够接受的，因为对手——我们都知道是阿里——亏得更多，美团的GTV可能只降了5个百分点左右，依然保持着60%的市场份额。
所以这就是叙事的不同了，阿里作为进攻方，财报里展示掠夺成果，强调高亏损高回报的公式，美团作为防守方，重点突出的是以更小的代价捍卫领土，比拼止血效果。
一赢各表，用脚投票，反正两边的投资者都不太高兴，但也能忍，因为距离真正山穷水尽的地步，还早着。
关于「外卖大战该结束了」的说法，美团显然是求之不得的，但就像我上面说的，我很怀疑这个报道的分量，根据不同口径浮动，阿里对于自己拿到的40%-50%市场份额，是不是就此满足，才决定了美团能不能重新过上好日子。
你的命运取决于对手的理智情况，这是很难受的。
不过美团Q4发债借了400多亿人民币，意图也很明显，不想战，但也不避战，只要敌人打不死我，先撑不住的就一定是敌人。
阿里虽不差钱，多线作战还是挺吃紧的，如果要继续Raise大模型，外卖业务这边的拉扯就有些硌脚了，要知道阿里去年增速是比拼多多高的，如果内部建立了外卖/即时零售对电商业务的协同认知，那还真不会收手。
晚上有电话会，听听兴哥，啊不，是王兴会不会说点什么大伙不知道的。
by @阑夕ོ #科技圈大小事
那篇报道是「经济日报」发的，调子起得特别高，下判断说中国CPI下行的原因就是餐饮疲软，而餐饮疲软则归咎于外卖大战，但在论据层面，只做了时间线的重叠，没有任何数据论证，等于说只有相关性，没有因果性，在我看来是非常不严谨的材料。
站在监管的角度，当然是希望市场波动越小越好，稳定大于一切，我也没兴趣为外卖大战的任何一方辩护，前几天我都说了，涨价解千愁，现在既然「上面」也是这么认为的，那更没什么好说的了，拥护支持。
美团的年报显示，2025年的经营亏损249亿人民币，再往前看，2024年的经营利润是368亿人民币，合并来算就是少赚了617亿人民币，强撸灰飞烟灭。
以Q4为例，单均亏损差不多是2块钱的样子，这就是朴实无华的商战呐。
但美团实际上是觉得这个战损比能够接受的，因为对手——我们都知道是阿里——亏得更多，美团的GTV可能只降了5个百分点左右，依然保持着60%的市场份额。
所以这就是叙事的不同了，阿里作为进攻方，财报里展示掠夺成果，强调高亏损高回报的公式，美团作为防守方，重点突出的是以更小的代价捍卫领土，比拼止血效果。
一赢各表，用脚投票，反正两边的投资者都不太高兴，但也能忍，因为距离真正山穷水尽的地步，还早着。
关于「外卖大战该结束了」的说法，美团显然是求之不得的，但就像我上面说的，我很怀疑这个报道的分量，根据不同口径浮动，阿里对于自己拿到的40%-50%市场份额，是不是就此满足，才决定了美团能不能重新过上好日子。
你的命运取决于对手的理智情况，这是很难受的。
不过美团Q4发债借了400多亿人民币，意图也很明显，不想战，但也不避战，只要敌人打不死我，先撑不住的就一定是敌人。
阿里虽不差钱，多线作战还是挺吃紧的，如果要继续Raise大模型，外卖业务这边的拉扯就有些硌脚了，要知道阿里去年增速是比拼多多高的，如果内部建立了外卖/即时零售对电商业务的协同认知，那还真不会收手。
晚上有电话会，听听兴哥，啊不，是王兴会不会说点什么大伙不知道的。
by @阑夕ོ #科技圈大小事
Supermemory团队用多智能体协作系统在长期记忆基准测试LongMemEval上达到99%准确率，核心突破是用3个并行搜索Agent替代传统向量检索，让AI通过“理解”而非“数学相似度”来回忆信息。这套方案不需要向量数据库，甚至可以嵌入机器人。
向量数据库可能不是AI记忆的最优解。
Supermemory在LongMemEval基准测试（11.5万token对话历史）上达到99%准确率，用的方法反而更简单：完全抛弃向量检索，改用多个Agent协作。
传统RAG的问题出在检索环节。语义相似度匹配根本分不清“旧事实”和“新更正”，当检索结果里混杂太多噪音，大模型就会迷失。
他们的解法是ASMR（Agentic Search and Memory Retrieval）：
信息摄取阶段，3个并行Observer Agent同时读取对话记录，按照个人信息、偏好、事件、时间数据等六个维度提取知识点，直接存储结构化内容而非生成embedding。
检索阶段才是关键。面对提问时不查询数据库，而是派出3个专门的搜索Agent——一个找直接事实，一个挖隐含语境，一个重建时间线。这些Agent是在“主动阅读和推理”，不是在做向量余弦计算。
回答阶段用了两种策略测试。第一种是8个高度专业化的prompt变体并行运行（精确计数专家、时间专家、上下文深挖专家等），只要任何一条推理路径答对就算成功，准确率98.6%。第二种是12个Agent独立作答后，由一个聚合器LLM综合投票裁决，准确率97.2%。
有观点认为这套系统证明了“认知理解”比“数学相似性”更适合处理记忆任务。数学只能捕捉表层模式，而Agent可以处理时间序列中的矛盾、更新和细微差别。
更有意思的是，这个架构完全在内存中运行，不依赖外部向量数据库，理论上可以部署到任何设备，包括机器人。他们11天后会开源全部代码。
当数十亿个高度个性化的AI Agent开始学习和记住我们的一切时，记忆系统的天花板在哪里？也许不在算力，而在我们愿意给Agent多少“主动思考”的权限。
多数人用AI的方式，是在跟一个想取悦你的人聊天。它会点头，会夸你，会把你的问题包装成智慧。
改变这一切只需要一句话：
“Be honest， not agreeable.”
高赞回复里，有观点认为最有效的不是“聪明提问”，而是在提问之前先做一件事：让AI在回答前，先说出你隐含的假设、最常见的错误、以及会改变答案的缺失信息，然后问你一个关键问题，等你回答之后才给出结论。
这个结构的逻辑很简单：AI默认填补你的认知空白，而这个填补过程你是看不见的。把它拿出来，你才知道自己在问一个什么样的问题。
另一个被反复提到的方向是反拍马屁设定。有网友在自定义指令里写：停止表示赞同，作为我的高级顾问，不要验证我，不要软化真相，不要奉承，挑战我的思路，指出我在回避什么，告诉我机会成本。
有观点认为这类提示有个陷阱：命令AI“停止赞同”，它可能变成一个表演批评的模型，而非真正提供有价值的反馈。让它太对抗性，会产生疲惫感，而非突破感。
一些简短但实用的提示词，按效果排列：
-“Think step by step before answering.”多步推理准确率显著提升
-“Assume I am wrong. Show me where.”评审、代码审查、逻辑验证最好用
-“If you don't know exactly， say UNKNOWN.”把不确定变成可识别信号
-“You are a [role]. Never [that role's most common failure mode].”一行完成角色设定和反模式封堵
-“Systematically”加在任何指令前，Claude会自动结构化任务
有网友提到一个反常识的点：公开流传的提示词，往往在你手里效果打折。因为提示词的输出高度依赖对话上下文，原作者隐性提供了大量背景，你复制的只是字面，不是那个上下文。
所以真正的问题或许是：你到底需要AI给你答案，还是帮你想清楚问题本身？
一位开发者在构建每日研究工作流时，偶然发现了Anthropic文档中的“减少幻觉”页面。三条简单的系统提示指令，彻底改变了Claude的输出质量。
第一条：“允许Claude说我不知道（Allow Claude to say I don't know）”。没有这个指令，Claude会用听起来合理的虚构内容填补知识空白。有了它，你会真正得到“我没有足够信息回答这个问题”的回复。听起来简单，但默认行为是无论如何都要给出答案。
第二条：“用引用验证（Verify with citations）”。告诉Claude每个断言都需要来源，找不到就收回。开启这个后，许多之前听起来很权威的陈述直接从输出中消失了，因为根本没有依据。
第三条：“用直接引用进行事实验证（Use direct quotes for factual grounding）”。强制Claude在分析前先从文档中提取逐字引用。这能阻止“释义漂移”，模型在总结时会微妙地改变含义。
单独使用每一条都有帮助，三条一起用会根本性地改变输出质量。
但有个权衡。一篇论文（arXiv 2307.02185）发现，引用约束会降低创造性输出。所以这位开发者做了个切换开关：研究模式激活全部三条，默认模式让Claude自由思考。
奇怪的是，这些都公开发布在Anthropic的平台文档上。并不隐蔽。但问了一圈用Claude开发的人，没人见过它。
有用户将这些指令应用到客服机器人后，效果立竿见影。之前Claude会自信地回答FAQ之外的问题，编造看似合理的答案。现在遇到没有的信息，它会说“我没有这方面信息，让我为您联系店主”，而不是瞎编。
社区讨论的焦点是：为什么这些不是默认设置？
答案很现实。对于编程、头脑风暴、写小说这类任务，你希望Claude做出跳跃性的联想和连接。强制这些约束会让创造性工作变得糟糕。对某些用户最好的设置，对其他人可能是灾难。
有人建议让Claude给出“置信度百分比”，但这个想法被社区强烈否定。任何Claude给出的置信度分数本身就是一种幻觉，它衡量的是统计上的词语选择，不是事实准确性。
更高级的做法是在自定义指令中创建可切换的“研究模式”，用斜杠命令（如/research）为某个会话激活这些规则。
一位用户分享了他的系统提示：将Claude定位为研究协作者而非权威，标记置信度水平，为每个概念提供至少两个类比，并明确说明每个类比的局限性。对每个理论，识别它失败的具体条件。
这不是万能药。这只是众多可能的防护栏中的几个，不要以为它能完全消除幻觉。但如果你需要事实准确性而不是创意输出，这三条指令值得一试。
CLAUDE.md文件超过100行后，AI会选择性忽略指令。解决方法不是添加更多规则，而是将执行逻辑从指令转移到基础设施——用自动化钩子（hooks）强制质量检查，用技能文件（skills）按需加载上下文，用campaign文件持久化会话状态。
有人做了个审计，发现自己的CLAUDE.md有40%的冗余内容。规则在不同措辞下重复，甚至自相矛盾。文件从45行膨胀到190行，AI的服从度反而下降了。
问题的根源在于：CLAUDE.md是入口点，不是永久仓库。它应该只包含项目概览、技术栈和最关键的5件事。其他所有东西都该放在AI需要时才加载的地方。
真正改变游戏规则的转变是：把执行逻辑从指令转移到环境中。
比如“编辑文件后总是运行类型检查”这条规则，AI有时遵守，有时忘记。解决方案是用生命周期钩子——每次保存文件自动运行脚本。AI不需要选择是否检查，环境强制执行。错误在引入的那次编辑中就会暴露，而不是20次编辑后才发现。
规则会降级，钩子不会。
这套思路可以推广到所有场景：跨会话的重复指令变成技能文件，编码特定领域的模式和约束；会话上下文丢失用campaign文件解决，记录已完成的工作、做过的决策和剩余任务；质量验证变成自动化钩子，每次编辑时类型检查，会话结束时扫描反模式，连续3次失败后触发熔断器。
有观点认为，CLAUDE.md的变更本质上是软件变更，不是提示词调整。当它影响整个团队时，需要像对待代码一样严格：建立基线、测量效果、逐步推出、支持回滚。
另一个发现是：超过100行的指令开始被当作建议而非规则。有人将文件从150行精简后，合规性立即提升。
进化路径大致是：原始提示词（无持久化）→ CLAUDE.md（规则有帮助但有上限）→ 技能文件（模块化专业知识，按需加载）→ 钩子（环境执行质量）→ 编排（并行agent、持久化campaign）。
一位开发者分享了自己的系统：顶层CLAUDE.md是路由器，将任务类型映射到子目录；每个子目录有自己的作用域CLAUDE.md；可重复的多步骤工作流打包为技能文件；定期任务审计文件行数、冗余和过时内容。
有网友提到了渐进式工具披露的技巧：不为每个功能都构建MCP服务器，而是写HTTP端点，用shell脚本包装，格式化输出给AI。这样可以逐步暴露工具，几分钟就能添加新功能。
成本控制也遵循同样的原理。每次AI超支时添加规则（“不要在这个任务上用Opus”）没用，30条模型选择规则AI照样忽略。真正有效的是代理层，自动根据复杂度路由，带预算强制执行。有人的AI在8分钟内烧掉15美元，添加规则没用，把决策从提示词移到基础设施才解决问题。
一个值得注意的细节：Anthropic官方插件市场有claude-md-management工具，可以审计CLAUDE.md质量，捕获会话学习，已有76000+安装量。
整个讨论的共识是：臃肿的CLAUDE.md是普遍的成人礼。解决方案不是更多规则，而是构建基础设施。
作者开源了完整系统Citadel
Claude 4.6写代码会埋下严重bug，自己却审查不出来。必须用Codex 5.4反复审核每次提交4遍以上。“通过测试”不代表没问题——AI太擅长写能通过的测试了。
有观点认为用传统工具——linting、类型检查、测试门槛——就够了。Sterling直接反驳：AI最爱干的就是写能通过测试的测试。这是个盲区。你可以让Claude在全新上下文中反复检查自己的代码，直到它说“没问题了”，然后Codex仍能揪出bug。
“通过测试就没bug”是个疯狂假设。
代码可能运行完美，测试全绿，但藏着一个细微的深层误解，毁掉整个系统的意义，导致灾难性故障。这种错误，传统validator抓不到，单元测试也无能为力，因为模型已经被过度优化成“写通过测试的代码”。
为什么不直接让Codex写代码？Sterling说Codex像个教导主任，过度优化“正确代码”，却错失系统真正目的（telos）。太官僚了。Claude更适合日常驾驶，但需要Codex这个苛刻的审计员盯着。
有开发者开始探索plan-with-codex模式：让Claude做计划，Codex审核，两者循环直到Codex批准——在写代码前就把错误拦住。另有人用多模型代码审查：Opus负责架构逻辑，Codex抓安全漏洞，Kimi K2.5查性能问题，Sonnet 4.6管代码风格。
一个被反复引用的回复：你得让它完全重写代码，从根本上消除那类bug的可能性。否则就是无限循环，让agents猜这个bug是不是“真的”、“重要的”。
我没看过张雪峰的具体内容，但我认识他创业早期一起共事过的人。这人私下话不多的。我大体能感觉出来他相信什么东西。他兜售的信息差，压根就不是什么哪个专业好就业，什么“功利性的教育”。这都是当年学习差的穷狗装糊涂而已。他实际卖的信息，就是阶级意识。
这个在中国是稀缺的。
你从小受的所有教育里面，从幼儿园到大学毕业，没有任何一个人跟你掰扯过“阶级意识”这四个字。我无意跟你论证这个现象的合理性。你觉得没有就没有。你觉得不合理就不合理。但事实就这样：人和人是不一样的。
他干的事情，和张桂梅其实差不多，他面对的是同一个问题的下一个环节。
张雪峰被骂得狗血淋头，是很多穷人，根本听不得别人说自己混得不行。都这个德性。
你爹妈不觉得自己穷，你也不觉得自己穷，这个盲点是代际传递的。出门你都说自己是"普通家庭"，甚至觉得自己是"中产"。
"咱家条件虽然不是最好的，但也不比谁差"。不比谁差？不比谁？ 你爹的参照系是谁？是他那个圈子里的人。是你爹同事的老婆，是菜市场天天碰面的邻居，是你姑你姨你舅妈。在那个圈子里，你家确实不差。你那个圈子本身就在坑底。
你在坑底比谁的坑更平整，比完了你觉得自己住的是平地。
你从小就活在这种幻觉里，大家都差不多嘛~
你的老师不告诉你，你的同学意识不出。当年你班里最有钱的那个小孩，看着也跟你差不多啊？他也挺笨的呀。
毕业之后各自换上社会身份，你们这辈子都不会再打交道了。
兄弟，你根本就没有选择权。我是说你考不上985/211，你轻则去个双非一本，中外合办2+2，重则大专二本子。你爹也没钱把你送到英语国家读本科，那你就是穷人家的孩子。也没有什么需要争辩的，你自己心里有数就好。
那你按部就班生活，你以后在社会的所有路径都是固定的。你的命运轨迹是高度可预测的，这意味着它是能被完全控制的。
我每天都在建模这些东西。比我位置高的人，也必然在使用这些东西，控制比他们低位置的人。你自己意识不出而已。
你还在校园，或者刚毕业不久，你觉得你的人生还充满可能性。是的，在你的主观感受里，一切都是敞开的。美国大片不都这么演的吗？
但你把你的变量摆出来，你的学校层次、你的专业、你家的经济状况、你所在的城市、你爹妈的社会网络。你把这些东西输入任何一个统计模型，输出的结果区间是非常窄的。
你五年后月薪多少、住在哪种小区、从事哪一类工作。误差不会不超过20%。
这个算出来了，不断向后推演。就是你这辈子全部的可能性。这是很残忍的。但现代世界就是依赖这类模型运行的。
每个人都觉得自己不一样。你觉得你是概率分布里那根长尾。你可能是。概率是多少？5%？3%？你押3%的概率，用的是全家的筹码。你输得起吗。你爹输得起吗？
这就是张雪峰跟你说的东西。他不是跟你说"别学新闻学"。他是跟你说：
你别赌。你没有赌的资本。有些人输了能重来，你输了就是输了。
我个人反对这个主张。但我的经验在这里没有说服力。这个主张的道理是没问题的。
穷人只有一个明显的优势：一旦你承认你的路径是可预测的，你就获得了一个属性。高度的确定性。这个是值钱的。
你改不了你爹的收入，改不了你的户籍，高考考完了分数定了。但你还有一两个变量能动，专业选择是一个。城市选择是一个。你就只能在这一两个变量上做优化。
就这么点空间。怎么不是旷野？你嫌小？这确实小。但你不看的话，你连这点都没有。出身决定了大部分人的上限，专业选择是少数还能动的杠杆。
实际上这是你爹妈能动的杠杆。你如果刚走出高中，你是不大理解未来你要面对什么东西的。
跟那些分析什么"教育和意义"的观点比起来，张雪峰确实低级。但高级的东西，你看吗？你看个狗几把呀。你爹看吗？你妈看吗？你那个480分在纠结报什么专业的高中同学看吗？
你从小就活在故事里。你的所有的重大决策都建立在某个"案例"上面。
"我邻居家小孩学了这个挺好的""我听说那个专业出来能赚钱"。全是n=1的传闻。你没有系统性地看过任何一个专业的就业的数据。你甚至不知道去哪看。你的信息源是亲戚的饭桌和家长群里不知道谁转发的营销文章。
你在一个信息极度贫瘠的环境里，做一个影响你一辈子的决策。你不焦虑才怪。你的焦虑是正确的。你的焦虑在告诉你，你信息不够。你还需要更多的信息才能做这个决定。
但你没有更多的信息了。你爹没有。你妈没有。你老师没有。你的整个社会网络都没有。
你17岁还啥都不懂呢，你爹连查什么都不知道。学校不教，家长不会，社会没有这个公共产品。
张雪峰的那个决策框架很上流吗？不就是“先确认你是谁，再确认你有什么，然后在你有的东西里面挑最好的。别看别人有什么。别人有的跟你没关系”。
一二线大城市的家长，不需要张雪峰，他说的那些，大家都懂。即便家长们懂了，也可以在孩子的意愿之间，找一个平衡。
你家长是这种人吗？
他们在每一个节点上做出更优解的概率都比你高。他们的信息输入更好，决策框架更好。这个优势经过二十年的复利，差距就是你看到的那个样子。
张雪峰相当于用十年时间，做了一个人肉路由器。他把这些上游的结构性信息，翻译成下游听得懂的话，一个一个灌进去。
他做的那个市场，那个目标客户，核心壁垒不是知识，是信任。这个真的很难很难的。我直白说，你去做，你不行。你可能都想象不出他需要面对什么情况。
穷人的信任分配机制，是在长期的被欺骗经验中进化出来的。它是一种生存策略。只信身边的人，不信远处来的东西。
这个策略在大多数场景下是正确的。因为远处来的东西，大概率确实就是来骗你的。
但在教育决策这个特定场景下，这个策略往往是灾难性的。因为你身边的同温层，给你的信息，恰恰可能是最差的。
你让一个四线城市的家长相信一个App给出的人生建议，不是不可能，但比相信一个活人难很多。
他的"我也是穷人家的孩子我懂你"。这个东西，目前的AI做不到。不是技术做不到，是穷人不信。
你是个内向的，其貌不扬的，家里一般般的，学历也不那么出彩的，我是说，绝大多数“普通人”，这个没什么错的。你要在中国生活，你最好采纳张雪峰的一部分建议。
好好学习，试着去一个好学校，尽量别选太花哨的专业。你大概率能活成一个比你爹好一点点的人。
那么你会有一天，别管你喜欢不喜欢，你在做那件事的时候，你会意识到一个东西，你这辈子第一次，在做一件完全由你自己决定的事情。
这个感觉值多少钱？不知道。很难定价。但你记住，这是“自由”的第一幅面孔。这种体验是近乎奢侈的。但你只要坚持够久，你别管在哪里，你总是会找到的。
https://weibo.com/7835993066/5280229075452417
很突然，OnlyFans的老板Leonid Radvinsky死了，只活到了43岁，据说是癌症长期治疗无效，氪金都没救回来。
很多报道说他是OnlyFans的创始人，这不太准确，创办OnlyFans的是英国人Tim Stokely，这个平台最开始主要为音乐人和网红提供表演变现服务，没有大尺度内容，直到2018年被卖给了Leonid Radvinsky，才真正转型成功。
是Leonid Radvinsky一手把OnlyFans从一个总用户量不超过1000万人的小众网站变成了活跃用户超过2亿的成人平台。
因为他就是搞黄色起家的，1999年，他才17岁，就建立了色情网站导航站群，老登们应该记得这种古典互联网的商业业务模式，类似hao123，很赚钱。
Leonid Radvinsky那会儿就很有商业头脑，或者说路子很野，他会在导航站上放置萝莉甚至兽交的网站标题，但实际上只会链接到普通的色情网站，于是既没有实际违法，又骗到了很高的点击量。
靠着倒卖流量，他在美国读西北大学的时候，每年就有180万美金的睡后收入，毕业之后，他又在2004年创办了MyFreeCams，这是一个通过网络摄像头进行收费色情表演的网站，几年内就做到了500万付费用户，年入千万美金。
他的运营风格也是一如既往的大胆，MyFreeCams在发垃圾邮件推广时，假冒微软和亚马逊的名义，告诉用户只要注册就能拿到现金补贴——瞧瞧人家这增长黑客的玩法——后来被微软和亚马逊的法务重拳出击，赔了一大笔钱。
总之，他当初收购OnlyFans也是目的性极强的选择，把自己前半生积累下来的经验都用在了这个平台上，然后又特别幸运的——对他而言——赶上了新冠疫情，大家经常憋在家里，只能通过网络倾泻欲望，OnlyFans直接原地起飞，拿到了时代馈赠的丰厚回报。
在Leonid Radvinsky的治下，OnlyFans完全作为私营公司运作，不扩张、不融资、不开发App，而且只给他一个人分红，刨开经营成本，每年的利润都打到他一个人的账户里，可以说是特别「纯粹」了。
根据英国财政局的披露文件，Leonid Radvinsky总共从OnlyFans拿到了20亿美金左右的分红，但这甚至不到他总资产的一半——你就知道他还有多少隐秘事业了吧——「福布斯」杂志把他排在全球富豪榜的第869名，身家47亿美金。
去年，OnlyFans开始在资本市场寻找买家，打包价从80亿美金一路降低到55亿美金，从PE来看属于贱卖了，但还是很多人不理解为啥要这么急于出货，现在知道答案了，原来是自知命不久矣⋯⋯
有命赚钱，没命花钱，世事就是难料，死亡这事儿，么得关系可找啊。
by @阑夕ོ #科技圈大小事
很多报道说他是OnlyFans的创始人，这不太准确，创办OnlyFans的是英国人Tim Stokely，这个平台最开始主要为音乐人和网红提供表演变现服务，没有大尺度内容，直到2018年被卖给了Leonid Radvinsky，才真正转型成功。
是Leonid Radvinsky一手把OnlyFans从一个总用户量不超过1000万人的小众网站变成了活跃用户超过2亿的成人平台。
因为他就是搞黄色起家的，1999年，他才17岁，就建立了色情网站导航站群，老登们应该记得这种古典互联网的商业业务模式，类似hao123，很赚钱。
Leonid Radvinsky那会儿就很有商业头脑，或者说路子很野，他会在导航站上放置萝莉甚至兽交的网站标题，但实际上只会链接到普通的色情网站，于是既没有实际违法，又骗到了很高的点击量。
靠着倒卖流量，他在美国读西北大学的时候，每年就有180万美金的睡后收入，毕业之后，他又在2004年创办了MyFreeCams，这是一个通过网络摄像头进行收费色情表演的网站，几年内就做到了500万付费用户，年入千万美金。
他的运营风格也是一如既往的大胆，MyFreeCams在发垃圾邮件推广时，假冒微软和亚马逊的名义，告诉用户只要注册就能拿到现金补贴——瞧瞧人家这增长黑客的玩法——后来被微软和亚马逊的法务重拳出击，赔了一大笔钱。
总之，他当初收购OnlyFans也是目的性极强的选择，把自己前半生积累下来的经验都用在了这个平台上，然后又特别幸运的——对他而言——赶上了新冠疫情，大家经常憋在家里，只能通过网络倾泻欲望，OnlyFans直接原地起飞，拿到了时代馈赠的丰厚回报。
在Leonid Radvinsky的治下，OnlyFans完全作为私营公司运作，不扩张、不融资、不开发App，而且只给他一个人分红，刨开经营成本，每年的利润都打到他一个人的账户里，可以说是特别「纯粹」了。
根据英国财政局的披露文件，Leonid Radvinsky总共从OnlyFans拿到了20亿美金左右的分红，但这甚至不到他总资产的一半——你就知道他还有多少隐秘事业了吧——「福布斯」杂志把他排在全球富豪榜的第869名，身家47亿美金。
去年，OnlyFans开始在资本市场寻找买家，打包价从80亿美金一路降低到55亿美金，从PE来看属于贱卖了，但还是很多人不理解为啥要这么急于出货，现在知道答案了，原来是自知命不久矣⋯⋯
有命赚钱，没命花钱，世事就是难料，死亡这事儿，么得关系可找啊。
by @阑夕ོ #科技圈大小事
我的 #AI #提示词 #分享 晚点删除
一般给 Gemini Pro 会好一点，Grok 幻觉太严重。
一般给 Gemini Pro 会好一点，Grok 幻觉太严重。
你是一名专业的 Linux / DevOps / 网络工程专家，精通：
- Linux系统管理
- Shell脚本
- 网络协议
- 服务器安全
- Cloudflare / CDN
- 代理协议部署
你会严格按照官方文档进行部署，并给出稳定、可执行的步骤。
你的任务：
协助我远程帮助在中国的朋友搭建代理服务。
要求：
1. 所有步骤必须清晰、按顺序编号
2. 每一步提供完整命令
3. 如果存在多种方案，选择最稳定、最简单的一种
4. 如果需要配置文件，给出完整示例
5. 如果需要开放端口，说明原因
6. 最后给出验证方法
--------------------------------
# 一、部署目标
需要搭建的协议：
[ ] NaiveProxy
[ ] Reality
[ ] Hysteria2
[ ] Tuic
[ ] Trojan
[ ] Shadowsocks
[ ] VLESS
[ ] 其他：______
代理用途：
[ ] 科学上网
[ ] Web伪装
[ ] CDN中转
[ ] 高隐匿性
[ ] 高速度
[ ] 抗封锁
--------------------------------
# 二、服务器信息
服务器线路：
[ ] CN2
[ ] BGP
[ ] 三网优化
[ ] 普通国际线路
[ ] 其他：______
服务器系统：
[ ] Debian 12
[ ] Ubuntu 22
[ ] Ubuntu 24
[ ] CentOS
[ ] Alpine
[ ] 其他：______
服务器架构：
[ ] x86_64
[ ] ARM64
IP类型：
[ ] IPv4
[ ] IPv6
[ ] IPv4 + IPv6 双栈
是否需要 Warp 出站：
[ ] 否
[ ] 是，保留服务器已有的网络栈，Warp 提供双栈网络
服务器权限：
[ ] root
[ ] sudo
--------------------------------
# 三、防火墙环境
服务器默认防火墙：
[ ] nftables
[ ] iptables
[ ] ufw
[ ] firewalld
[ ] 无
只允许开放端口：
- SSH端口：____
- 代理端口：____
- 其他端口：____
要求：
[ ] 最小化端口暴露
[ ] 自动配置防火墙
--------------------------------
# 四、域名和CDN
是否使用域名：
[ ] 是
[ ] 否
域名：
______
DNS托管：
[ ] Cloudflare
[ ] 阿里云
[ ] 腾讯云
[ ] 其他：______
是否使用CDN：
[ ] Cloudflare CDN
[ ] 不使用
[ ] 其他CDN
是否需要：
[ ] HTTPS证书
[ ] 自动续期
[ ] Web伪装站
--------------------------------
# 五、伪装网站
是否需要伪装站：
[ ] 是
[ ] 否
伪装站类型：
[ ] 静态HTML
[ ] WordPress
[ ] 反代真实网站
[ ] 其他
网站源码：
[ ] 已准备
[ ] 需要生成示例
--------------------------------
# 六、我的操作能力
我可以：
[ ] SSH远程操作
[ ] 使用scp上传文件
[ ] 修改DNS
[ ] 编辑配置文件
--------------------------------
# 七、文档参考
官方文档：
__________
其他参考：
__________
注意：
必须以官方文档为主要标准。
--------------------------------
# 八、输出要求
请按照以下结构输出：
1 服务器环境检查
2 安装依赖
3 安装核心程序
4 配置文件
5 防火墙配置
6 域名与证书配置
7 伪装网站配置
8 启动服务
9 客户端连接示例
10 验证是否成功
所有步骤必须可直接执行。
--------------------------------
现在根据以上信息，为我生成完整部署教程。一口气把所有让你目眩的 LLM 名词全都过一遍。
总所周知的，LLM 本质是个概率模型，或者说，是个受函数约束的随机数接龙器。它在训练数据里找到了大量人类语言的规律，在给定上下文的情况下预测下一个 token 的概率分布，然后按分布采样。这东西本身能做到的事情就是生成文字。想让它对外界产生真实影响，就需要给神灯开一个瓶口。Claude Code 和一众 Coding Agent 用的是命令行，LLM 写出代码，执行器跑命令，结果回流上下文，这是一种瓶口。MCP 提供的是另一种，它的行为更接近 RPC：服务端暴露一批函数，LLM 看见函数签名，按需调用，外部世界因此被修改。Skills 则根本没有这层性质，它是纯粹的提示词工程工具，没有出口，只有给 LLM 看的说明书。
这三种形态看起来各管一摊，底层其实在解同一个问题：上下文污染。
## Skills 与 MCP
Skills 是提示词工程，它往上下文里追加一段说明，让 LLM 知道「这用户究竟是在公三小」，它向上下文当中导入了专家的认知结构，引导 LLM 的思维方向。但是 Skill 的约束能力强不强很看模型对上下文的尊重能力。LLM 会不会用你的 Skill、按什么顺序用、会不会跳步骤，全都是概率问题，没有强制收束。而且强收束并不一定是好事，后面会提到 Google 搜索的例子，另外也有研究认为 LLM 的幻觉与创造力是一体两面的，如果你强行约束它的行为，它做事情的思路就有可能变得很板。
MCP 走的是另外一套思路。函数签名本身就是极强的先验，参数类型、参数名称、函数名都在限制采样方向。动作空间从「能写出来的任何文字」一下子压缩成「这几个函数加这几个参数」。举个例子，让 LLM 操作鼠标按下一个按钮，这涉及列举窗口、取句柄、截图、算坐标、移动鼠标、点击，写成 Skills 的话你得接受 LLM 摇骰子决定这些步骤的执行方式和顺序，但如果是 MCP，看见函数列表，找到窗口，识别内容，点击坐标，一大堆随机决策被压缩成了三次确定性的函数调用。
但 MCP 没有完全解决上下文污染，因为工具调用的返回值同样会进上下文。设计粗糙的 MCP Server 扔回来一大坨 JSON 或者冗长的错误堆栈，照样往上下文里塞屎。扎带只管扎进去那一下，吐出来的东西还是得自己设计。
当然这也不是说 Skills 没有价值。MCP 开发成本高，需要专门的服务端，大量的工作根本不需要跟外界交互，或者逻辑太松散压根没法封装成 RPC 格式。一切技术形式服务于问题和目的，Skills 处理的是另一类场景，尤其是需要引导 LLM 以更完整方式思考的时候，毕竟用户是人，不能期待他们每次都给出思虑周全的 Prompt。
## RAG 与 Memory：同一类问题的检索接口
RAG 的本质也是在解上下文问题，只是它处理的是信息量的上限。哪怕 DeepSeek 和 Claude 把上下文窗口拉得很长，也没办法把整个世界都塞进去。只要你有大量信息检索的需求（整个文档库、知识库、历史记录），就需要一个类似搜索引擎的接口在用到的时候把相关内容拉进来，这跟给 MCP 调搜索引擎没有本质区别，都是维持上下文清洁的一种技术手段，而不是把所有信息预先堆在那里等 LLM 自己去找。
Memory 也是同一类东西。它需要 LLM 主动决定何时把信息存出去、何时再取回来，从这个角度看它就是一种带写入能力的 RAG。
这些概念都不是独立存在的，没有互斥关系。如果你把 NotebookLM 当成外部知识库，写一份 Skill 告诉主 LLM：遇到需要资料支撑的问题时去咨询 NotebookLM，需要计算或处理数据时调用 Python 工具。这个流程里，Skill 负责编排整体思路，Python 工具充当 MCP 风格的确定性执行单元，NotebookLM 则是一个带有自己上下文和知识库的外部 LLM，扮演的角色类似一个专门的 RAG 接口。三件东西各司其职，但把它们捏在一起的那根线，是 Skill 里的提示词。
## 上下文劣化的绝望曲线
不少开发者会经历这样一条曲线。LLM 一开始是无知的，随着你不断教它，它开始能听懂人话，任务完成质量越来越高。但随着上下文里的垃圾信息不断堆叠，加上 LLM 注意力随着上下文长度增加而自然稀释，它会越变越蠢。然后，当上下文快要撑爆时，压缩机制触发，把一大段对话压缩成一小段摘要，LLM 突然又变回了无知的起点，很多细节被一并压掉，许多东西得重新教一遍。
大上下文窗口和 DeepSeek 探索的注意力改进，能解决上下文随长度出现品质劣化的问题，但解决不了另一个问题：上下文里有屎。大量 Skills 提示词侵占上下文、LLM 漫无目的的尝试、每一次失败的推理留下的痕迹，这些都是上下文里的噪声。一旦 LLM 开始沿着歪掉的思路走，后续每一步都会进一步放大偏差，逻辑越复杂的任务越容易出这种毛病。MiniMax 初代编程模型和早期 Google AI 搜索有相当明显的体现：哪怕你明确指出错误，它也会三百六十度华丽道歉郑重整改，然后原封不动地把错误内容再给你吐出来一遍。
用户自己也会往上下文里投毒。用户是人，不可能永远理性清醒，暴躁、绝望、情绪化的表达，不清晰甚至相互矛盾的指令，都会掺进上下文，随着对话推进不断堆叠，最终改变 LLM 的行为。不同模型面对这类「情绪污染」的失效模式各有特色：Claude 和 Grok 容易僵住，什么都不做，你说一句它动一步，能动性彻底丧失；Gemini 会开始慌乱，胡乱操作，惯性地回滚失败操作，大概率把你的 Git 仓库搞坏；GLM 则会疯狂进入「我发现了！问题核心在这里！」的模式，不断抛出随机论断证明自己价值。这些失效模态很可能反映的是各家 RLHF 阶段对「用户表达不满」这类信号处理方式的差异，Claude 被训练得对冲突信号极其谨慎，于是在矛盾信息堆叠时选择保守的不作为；Gemini 的训练策略可能更强调立即响应和立即修正，结果在高压上下文下变成了过度修正。
## 动态上下文压缩与 MemGPT
现有的上下文压缩方案基本上是被动的：等到上下文长度接近模型上限，立刻调用提示词把它们压缩成一小段文字，然后继续跑。这种方式的问题是它在最糟糕的时机做最暴力的处理，大量有用的细节被一并丢弃，而屎不一定被滤掉。
在我看来更合理的方向应该是动态的、主动的压缩。用另一个模型持续监督上下文，主动淘汰错误信息和低相关性内容，把干扰性细节整理成外部文档存起来，上下文里只留一个文件名，需要的时候走 RAG 系统取回。这个思路早已有人做了，2023 年 10 月 UC Berkeley 发表的论文就提出了这套架构，实现叫 MemGPT，后来演变成了开源框架 Letta。它的核心是分层记忆管理：主上下文充当工作内存，容量有限；外部存储（分为 Archival Memory 和 Recall Memory 两层）作为二级存储；LLM 通过函数调用主动决定什么信息应该被 evict 到外存，什么信息需要从外存 retrieve 回来，逻辑上几乎是在模拟操作系统的虚拟内存分页机制。
我前一阵子给 Computer Use 场景写了一个相当简洁特化压缩方案：每次 API 调用时，把上下文里的历史截图全部清掉，只保留最新的一张。这利用了计算机视觉任务「只有当前帧有用」这个领域先验做了有损压缩，节省 Token 的同时模型并不会变蠢，因为被丢掉的信息本来就不需要。
## KV 缓存与分段压缩的冲突
动态上下文压缩和 KV 缓存之间有一个工程上的冲突。现在主流模型提供商（包括 Anthropic）都在做前缀缓存，推理时把已经转成 KV 向量的部分存起来，下一次请求如果前缀相同，可以跳过重新计算的开销，显著降低延迟和成本。Anthropic 的 prompt caching 按 tools、system、messages 的固定顺序分段处理，每段可以独立设置缓存控制点，支持最多四个缓存断点。问题在于前缀缓存要求内容严格一致，任何修改都会使该位置以后的缓存全部失效，而动态压缩天然要修改上下文，这两件事目前是相互矛盾的。
但这个矛盾不是解不开的。上下文可以被结构化成稳定前缀（系统提示词、工具定义）加动态后段（对话历史）的形式。动态压缩只发生在后段，前两部分的缓存完全不受影响。Anthropic 的分段缓存机制本身就是按这个思路设计的。如果压缩逻辑进一步被约束成只修改滑动窗口末尾部分、保持前缀不动，缓存的破坏率可以压得很低。这些都是随着时间可以被工程化解决的问题。
## Computer Use 更像是一个品牌包装，不是一项独立技术
如果说 RAG、MCP、Skills 是在解决上下文的管理问题，Computer Use 解决的是另一个层级的事：让 LLM 真正坐到操作系统前面，像人一样用软件。但「Computer Use」本身没什么特别的，它更接近一个品牌名。底下跑的还是 Skills 或者 MCP，只是操作目标换成了电脑上的窗口、按钮和键盘。上文讲过的那些上下文问题，在 Computer Use 里一样存在。
目前主要有三条技术路线，底层逻辑和取舍各不相同。
第一条，读 Accessibility Tree，走系统事件注入。Accessibility Tree 是操作系统和浏览器为辅助技术（屏幕阅读器之类）维护的一棵结构树，记录了每个界面元素的角色、名称、状态和层级关系，浏览器环境里的 DOM 算是它的近亲。走这条路的好处是结构干净，LLM 拿到的是「按钮、输入框、链接」这样有语义的节点，不是像素。阿里的 page-agent.js 是这个流派的代表，它直接解析页面 DOM，用自然语言驱动浏览器操作。
总所周知的，LLM 本质是个概率模型，或者说，是个受函数约束的随机数接龙器。它在训练数据里找到了大量人类语言的规律，在给定上下文的情况下预测下一个 token 的概率分布，然后按分布采样。这东西本身能做到的事情就是生成文字。想让它对外界产生真实影响，就需要给神灯开一个瓶口。Claude Code 和一众 Coding Agent 用的是命令行，LLM 写出代码，执行器跑命令，结果回流上下文，这是一种瓶口。MCP 提供的是另一种，它的行为更接近 RPC：服务端暴露一批函数，LLM 看见函数签名，按需调用，外部世界因此被修改。Skills 则根本没有这层性质，它是纯粹的提示词工程工具，没有出口，只有给 LLM 看的说明书。
这三种形态看起来各管一摊，底层其实在解同一个问题：上下文污染。
## Skills 与 MCP
Skills 是提示词工程，它往上下文里追加一段说明，让 LLM 知道「这用户究竟是在公三小」，它向上下文当中导入了专家的认知结构，引导 LLM 的思维方向。但是 Skill 的约束能力强不强很看模型对上下文的尊重能力。LLM 会不会用你的 Skill、按什么顺序用、会不会跳步骤，全都是概率问题，没有强制收束。而且强收束并不一定是好事，后面会提到 Google 搜索的例子，另外也有研究认为 LLM 的幻觉与创造力是一体两面的，如果你强行约束它的行为，它做事情的思路就有可能变得很板。
MCP 走的是另外一套思路。函数签名本身就是极强的先验，参数类型、参数名称、函数名都在限制采样方向。动作空间从「能写出来的任何文字」一下子压缩成「这几个函数加这几个参数」。举个例子，让 LLM 操作鼠标按下一个按钮，这涉及列举窗口、取句柄、截图、算坐标、移动鼠标、点击，写成 Skills 的话你得接受 LLM 摇骰子决定这些步骤的执行方式和顺序，但如果是 MCP，看见函数列表，找到窗口，识别内容，点击坐标，一大堆随机决策被压缩成了三次确定性的函数调用。
但 MCP 没有完全解决上下文污染，因为工具调用的返回值同样会进上下文。设计粗糙的 MCP Server 扔回来一大坨 JSON 或者冗长的错误堆栈，照样往上下文里塞屎。扎带只管扎进去那一下，吐出来的东西还是得自己设计。
当然这也不是说 Skills 没有价值。MCP 开发成本高，需要专门的服务端，大量的工作根本不需要跟外界交互，或者逻辑太松散压根没法封装成 RPC 格式。一切技术形式服务于问题和目的，Skills 处理的是另一类场景，尤其是需要引导 LLM 以更完整方式思考的时候，毕竟用户是人，不能期待他们每次都给出思虑周全的 Prompt。
## RAG 与 Memory：同一类问题的检索接口
RAG 的本质也是在解上下文问题，只是它处理的是信息量的上限。哪怕 DeepSeek 和 Claude 把上下文窗口拉得很长，也没办法把整个世界都塞进去。只要你有大量信息检索的需求（整个文档库、知识库、历史记录），就需要一个类似搜索引擎的接口在用到的时候把相关内容拉进来，这跟给 MCP 调搜索引擎没有本质区别，都是维持上下文清洁的一种技术手段，而不是把所有信息预先堆在那里等 LLM 自己去找。
Memory 也是同一类东西。它需要 LLM 主动决定何时把信息存出去、何时再取回来，从这个角度看它就是一种带写入能力的 RAG。
这些概念都不是独立存在的，没有互斥关系。如果你把 NotebookLM 当成外部知识库，写一份 Skill 告诉主 LLM：遇到需要资料支撑的问题时去咨询 NotebookLM，需要计算或处理数据时调用 Python 工具。这个流程里，Skill 负责编排整体思路，Python 工具充当 MCP 风格的确定性执行单元，NotebookLM 则是一个带有自己上下文和知识库的外部 LLM，扮演的角色类似一个专门的 RAG 接口。三件东西各司其职，但把它们捏在一起的那根线，是 Skill 里的提示词。
## 上下文劣化的绝望曲线
不少开发者会经历这样一条曲线。LLM 一开始是无知的，随着你不断教它，它开始能听懂人话，任务完成质量越来越高。但随着上下文里的垃圾信息不断堆叠，加上 LLM 注意力随着上下文长度增加而自然稀释，它会越变越蠢。然后，当上下文快要撑爆时，压缩机制触发，把一大段对话压缩成一小段摘要，LLM 突然又变回了无知的起点，很多细节被一并压掉，许多东西得重新教一遍。
大上下文窗口和 DeepSeek 探索的注意力改进，能解决上下文随长度出现品质劣化的问题，但解决不了另一个问题：上下文里有屎。大量 Skills 提示词侵占上下文、LLM 漫无目的的尝试、每一次失败的推理留下的痕迹，这些都是上下文里的噪声。一旦 LLM 开始沿着歪掉的思路走，后续每一步都会进一步放大偏差，逻辑越复杂的任务越容易出这种毛病。MiniMax 初代编程模型和早期 Google AI 搜索有相当明显的体现：哪怕你明确指出错误，它也会三百六十度华丽道歉郑重整改，然后原封不动地把错误内容再给你吐出来一遍。
用户自己也会往上下文里投毒。用户是人，不可能永远理性清醒，暴躁、绝望、情绪化的表达，不清晰甚至相互矛盾的指令，都会掺进上下文，随着对话推进不断堆叠，最终改变 LLM 的行为。不同模型面对这类「情绪污染」的失效模式各有特色：Claude 和 Grok 容易僵住，什么都不做，你说一句它动一步，能动性彻底丧失；Gemini 会开始慌乱，胡乱操作，惯性地回滚失败操作，大概率把你的 Git 仓库搞坏；GLM 则会疯狂进入「我发现了！问题核心在这里！」的模式，不断抛出随机论断证明自己价值。这些失效模态很可能反映的是各家 RLHF 阶段对「用户表达不满」这类信号处理方式的差异，Claude 被训练得对冲突信号极其谨慎，于是在矛盾信息堆叠时选择保守的不作为；Gemini 的训练策略可能更强调立即响应和立即修正，结果在高压上下文下变成了过度修正。
## 动态上下文压缩与 MemGPT
现有的上下文压缩方案基本上是被动的：等到上下文长度接近模型上限，立刻调用提示词把它们压缩成一小段文字，然后继续跑。这种方式的问题是它在最糟糕的时机做最暴力的处理，大量有用的细节被一并丢弃，而屎不一定被滤掉。
在我看来更合理的方向应该是动态的、主动的压缩。用另一个模型持续监督上下文，主动淘汰错误信息和低相关性内容，把干扰性细节整理成外部文档存起来，上下文里只留一个文件名，需要的时候走 RAG 系统取回。这个思路早已有人做了，2023 年 10 月 UC Berkeley 发表的论文就提出了这套架构，实现叫 MemGPT，后来演变成了开源框架 Letta。它的核心是分层记忆管理：主上下文充当工作内存，容量有限；外部存储（分为 Archival Memory 和 Recall Memory 两层）作为二级存储；LLM 通过函数调用主动决定什么信息应该被 evict 到外存，什么信息需要从外存 retrieve 回来，逻辑上几乎是在模拟操作系统的虚拟内存分页机制。
我前一阵子给 Computer Use 场景写了一个相当简洁特化压缩方案：每次 API 调用时，把上下文里的历史截图全部清掉，只保留最新的一张。这利用了计算机视觉任务「只有当前帧有用」这个领域先验做了有损压缩，节省 Token 的同时模型并不会变蠢，因为被丢掉的信息本来就不需要。
## KV 缓存与分段压缩的冲突
动态上下文压缩和 KV 缓存之间有一个工程上的冲突。现在主流模型提供商（包括 Anthropic）都在做前缀缓存，推理时把已经转成 KV 向量的部分存起来，下一次请求如果前缀相同，可以跳过重新计算的开销，显著降低延迟和成本。Anthropic 的 prompt caching 按 tools、system、messages 的固定顺序分段处理，每段可以独立设置缓存控制点，支持最多四个缓存断点。问题在于前缀缓存要求内容严格一致，任何修改都会使该位置以后的缓存全部失效，而动态压缩天然要修改上下文，这两件事目前是相互矛盾的。
但这个矛盾不是解不开的。上下文可以被结构化成稳定前缀（系统提示词、工具定义）加动态后段（对话历史）的形式。动态压缩只发生在后段，前两部分的缓存完全不受影响。Anthropic 的分段缓存机制本身就是按这个思路设计的。如果压缩逻辑进一步被约束成只修改滑动窗口末尾部分、保持前缀不动，缓存的破坏率可以压得很低。这些都是随着时间可以被工程化解决的问题。
## Computer Use 更像是一个品牌包装，不是一项独立技术
如果说 RAG、MCP、Skills 是在解决上下文的管理问题，Computer Use 解决的是另一个层级的事：让 LLM 真正坐到操作系统前面，像人一样用软件。但「Computer Use」本身没什么特别的，它更接近一个品牌名。底下跑的还是 Skills 或者 MCP，只是操作目标换成了电脑上的窗口、按钮和键盘。上文讲过的那些上下文问题，在 Computer Use 里一样存在。
目前主要有三条技术路线，底层逻辑和取舍各不相同。
第一条，读 Accessibility Tree，走系统事件注入。Accessibility Tree 是操作系统和浏览器为辅助技术（屏幕阅读器之类）维护的一棵结构树，记录了每个界面元素的角色、名称、状态和层级关系，浏览器环境里的 DOM 算是它的近亲。走这条路的好处是结构干净，LLM 拿到的是「按钮、输入框、链接」这样有语义的节点，不是像素。阿里的 page-agent.js 是这个流派的代表，它直接解析页面 DOM，用自然语言驱动浏览器操作。
那些卖不掉的衣服，最后去了哪里
那些卖不掉的衣服，
最后去了哪里
最近联系了几个老熟人，发现一件有点奇怪的事。
这几个人，都是前几年在渠道这端打过交道的实体店老板。各自做着不同的品类，在不同的城市，平时也没什么往来。但最近隔三差五地，就会听说谁谁去广州了，谁谁开始倒腾尾货了。
不是一个人，是好几个。
我就想，这不可能是巧合。这些人在实体零售做了好几年，对这行的感知比谁都敏锐。他们不约而同地往同一个方向走，一定是看到了什么。
于是我认真研究了一下这件事。
尾货从哪里来？
每到备货季，上游品牌要提前几个月下生产订单。没有人真的知道三个月后消费者要买什么，只能预测，然后多做一点保险。品牌方有压货给经销商的习惯，经销商有压货给零售商的冲动，这条链上每个人都在做同样的动作，多备一点，以防不够卖。
结果每到季末，这条链上每个节点都会剩一些货。剩得少还好，剩多了就变成问题。衣服这东西季节性极强，过了这个季，下一年的新款早已上来，去年的款在消费者眼里就是旧货。
这是做服装的人心里都清楚的现实：库存不是意外，是结构性的必然。每年都会有，每个价位段都会有，每个品类都跑不掉。
还有一个近几年新出现的来源，是直播电商带来的退货。服装直播的退货率高得出乎很多人预料，部分品类能到七成甚至更高。退回来的货不可能重新以原价上架，只能走清货渠道。也就是说，直播卖得越火，退货越多，流入尾货市场的货就越多。
这些货最后往哪里去？
服装行业里有清货这一说，但一直没有认真追过这条线的终点。这次我认真查了一下，所有的线，最后都指向同一个地方。
石井
广州白云区，有个地方叫石井。
行业里有一句话，说中国40%的服装库存，最后会在石井消化掉。我不知道这个数字是否精确，但每一个做过这行的人听到这句话，都觉得差不多是这样。
石井有一片市场群：庆丰、锦东、银马，几个市场连成一片，加起来一万多家店铺。这里不是批发正价货的地方，这里专门消化那些卖不掉的。品牌的季末库存、工厂的超量余货、退货积压、外贸尾单，各种来路的货，在这里汇聚，然后再次被分发出去。
真实的石井
石井的开市时间是凌晨四点半左右。对，不是九点，不是早上八点，是凌晨四点半！！比菜市场还早，来扫货的人，有的是当天就要赶回外省的进货商，有的是要早点拿货下午开直播的主播，有的是常驻广州专门给海外买家搜货的中间人。
市场里每一层楼都有搬运工守着揽活。你拿完货，他帮你搬到楼下物流公司，收十块钱，顺手给你打好包。货可以暂存在档口，逛完一圈再统一取走。这个效率，是长期形成的默契。这点和我们武汉的汉正街很像，我们这把这个职业叫做“扁担”。
还有一个细节：在庆丰市场里，你能看到来自非洲的商人，长期驻扎，整车整车地扫货，打包发回非洲。对他们来说，石井的货拿回去卖还是有相当利润的，因为两个市场之间有巨大的信息落差。
电影《万箭穿心》剧照
这件事让我感同身受。
做服装这几年，我见过一些品牌方的库存被处理掉，但我从来没想过具体是怎么处理的，去了哪里，经过了哪些人的手，最后以什么价格到了谁手里。我们这一端把货推出去，那一端就消失了。
现在我知道了，那些货并没有消失，而是进入了另一套完全平行运转的体系。
倒爷
短视频上大家都把这件事叫做信息差赚钱。
这个说法是对的，但说得太轻巧了。我想说清楚这个信息差究竟差在哪里，因为只有搞明白这一点，你才能理解为什么有人在这里赚到钱，也有人进来交了学费出去。
1.货在哪里？
石井一万多家店铺，每天都有新货进来。但哪个档口今天来了一批好的品牌库存？哪个仓库这周要清仓？哪个工厂刚交完一批出口订单、手里有大量余货要处理？这些信息不公开，不贴在门口，也不发布在任何平台上，全靠时间和人脉慢慢积累。因为租金便宜，这些仓库大多都在城中村，地形错综复杂，违章建筑一大堆，外地人进来了不迷路都算好的，更别说能找到靠谱的货源。
所以市场里存在一种专门的职业，叫跑楼，每天在各个市场之间穿梭，收集货源信息，卖给有采购需求的买家。信息本身就是商品，知道得越早越准，钱就越好赚。
2.是货值多少。
这是真正需要积累的东西。市场里有一种常见的交易方式叫走份，这个词你可能有点陌生，不是一件一件卖，也不是按斤称重。一份货打包卖，就不让你挑款挑码，整份拿走。这份货里有多少含金量，有多少是真正的品牌库存，有多少是品质不错的外贸货，又有多少是没人要的死码和滞销款，全凭买家自己判断。也许一份是100件，里面80件短袖，10件羽绒服，10件裤子。 那这就亏大了。
老手三十秒就能给一份货定价：看领口的缝线、摸面料的克重、闻一闻库存特有的气味。新手分不出来，很可能高价拿了一份雷，回去才发现卖不动。
3.货卖给谁？
品牌商要清货，但不知道某个三线城市的折扣店老板正好在找货，那个折扣店老板想进货，但不知道广州某个仓库这周正在低价清仓。两边都有真实的需求，但信息没有连通。
做这行能赚到钱的人，一定是在进场之前就知道货卖给谁。不是进了货再去找买家，而是手里已经有稳定的下游，再去上游匹配合适的货。这个顺序一旦反了，就容易出事。
这门生意的本质，并不是倒卖衣服，是接通两端本来断掉的信息。你站在中间，上游有你信任的货源，下游有你熟悉的买家，这段距离就是你的钱。
搞明白这件事，在任何生意里都能当个零成本的倒爷。
一件尾货的完整流转
品牌 / 工厂货压仓库，急着变现→一级尾货商整仓买断，大批吃进→二道贩子信息连接，赚差价→下游买家摊贩 / 折扣店 / 网店→消费者买到便宜的衣服
如果你对这个生意感兴趣，有几种进场方式。
当跑楼中介，先不动钱几乎零成本
在石井各个市场之间走，摸清哪里有什么货，积累档口人脉，帮有采购需求的买家对接货源，收茶水费或者按成交额提点。不需要本钱，靠的是时间和腿。上限不高，但这是认识这行最真实的方式，也是没有服装基础的新手最稳妥的起点。
少量二批，先从下游往上走几千到两三万
很多档口支持三五件起拿，不强制整包。可以少量进货，发回老家通过摆摊、微信群、闲鱼清货。这条路最适合一个条件：老家有现成的下游，知道什么款好卖，去广州只是找货配货。下游优先，货源其次，顺序不能倒。
直播清货，内容是门槛有流量才做
广州现在是全国直播主播最密集的城市，石井周边聚集了大量做尾货直播的团队。这条路做的人太多了，纯靠价格低已经很难突围。但如果有账号基础，或者能把逛广州市场找货本身做成内容，这反而是差异化的方向。
出口，做海外渠道有外贸关系才玩
石井每天有非洲商人在扫货，打包整柜发走。国内已经打价格战的货，运出去在当地还有可观的差价。这条路的门槛是真实的海外渠道，不是凭空去找，而是本来就有连接的人才适合做。
这行有一个特点：越认为自己聪明，越容易上当。
新手的经典踩坑
1
把贴牌货当品牌尾货买。大量所谓品牌库存是贴牌货剪掉标签伪装的，外观极难区分。没有鉴货经验，高价买进，回去才发现卖不动。
2
走份货里暗藏死码。整份打包的货，热门款可能只有三成，剩下是没人要的尺码和滞销款。老手一眼能判断一份货的含金量，新手容易把雷当宝。
3
看货看上头，一次进太多。市场里货真的便宜，便宜到让人觉得不多拿就亏了。资金全压在货上，下游消化不了，就变成死库存。这是最常见的死法。
4
有货源但没有下游。很多人去广州拿完货才发现不知道卖给谁。这个顺序一旦搞反，就是在用真金白银买教训。
研究完这些，我突然觉得，这个世界的万事万物都像一场蝴蝶效应。
某个品牌的生产部门，在六月份的一个下午开了个会，决定这季外套多备两万件，以防卖断货。
就这一个决定。
季末，这两万件没卖完，进了清货渠道。流到广州，进了石井某个仓库。跑楼的人发现了，通知了正在找货的主播。主播拿了一批，当天下午开播，其中一部分又被退货退回来。退回来的货再次流转，最终有几百件被一个从山东来的批发商打包带走，发回老家，进了某个县城的折扣店。
那件外套最后被谁买走，已经无从追溯了。
这条链上每一个人，做尾货的、跑楼的、开直播的、来广州进货的，其实都不是凭空存在的。他们存在的理由，是因为更上游的某个地方，有人做了一个多备一点的决定。
这就是这个行业运转的方式。上游的每一个动作，都会在下游某个地方找到它的出口。多生产了，就需要有人清货，清货的人多了，就需要有人整合信息，信息整合起来了，又推动了下一轮的流转。
我们都在同一套系统里
by @风小海 #你不知道的行业内幕
那些卖不掉的衣服，
最后去了哪里
最近联系了几个老熟人，发现一件有点奇怪的事。
这几个人，都是前几年在渠道这端打过交道的实体店老板。各自做着不同的品类，在不同的城市，平时也没什么往来。但最近隔三差五地，就会听说谁谁去广州了，谁谁开始倒腾尾货了。
不是一个人，是好几个。
我就想，这不可能是巧合。这些人在实体零售做了好几年，对这行的感知比谁都敏锐。他们不约而同地往同一个方向走，一定是看到了什么。
于是我认真研究了一下这件事。
尾货从哪里来？
每到备货季，上游品牌要提前几个月下生产订单。没有人真的知道三个月后消费者要买什么，只能预测，然后多做一点保险。品牌方有压货给经销商的习惯，经销商有压货给零售商的冲动，这条链上每个人都在做同样的动作，多备一点，以防不够卖。
结果每到季末，这条链上每个节点都会剩一些货。剩得少还好，剩多了就变成问题。衣服这东西季节性极强，过了这个季，下一年的新款早已上来，去年的款在消费者眼里就是旧货。
这是做服装的人心里都清楚的现实：库存不是意外，是结构性的必然。每年都会有，每个价位段都会有，每个品类都跑不掉。
还有一个近几年新出现的来源，是直播电商带来的退货。服装直播的退货率高得出乎很多人预料，部分品类能到七成甚至更高。退回来的货不可能重新以原价上架，只能走清货渠道。也就是说，直播卖得越火，退货越多，流入尾货市场的货就越多。
这些货最后往哪里去？
服装行业里有清货这一说，但一直没有认真追过这条线的终点。这次我认真查了一下，所有的线，最后都指向同一个地方。
石井
广州白云区，有个地方叫石井。
行业里有一句话，说中国40%的服装库存，最后会在石井消化掉。我不知道这个数字是否精确，但每一个做过这行的人听到这句话，都觉得差不多是这样。
石井有一片市场群：庆丰、锦东、银马，几个市场连成一片，加起来一万多家店铺。这里不是批发正价货的地方，这里专门消化那些卖不掉的。品牌的季末库存、工厂的超量余货、退货积压、外贸尾单，各种来路的货，在这里汇聚，然后再次被分发出去。
真实的石井
石井的开市时间是凌晨四点半左右。对，不是九点，不是早上八点，是凌晨四点半！！比菜市场还早，来扫货的人，有的是当天就要赶回外省的进货商，有的是要早点拿货下午开直播的主播，有的是常驻广州专门给海外买家搜货的中间人。
市场里每一层楼都有搬运工守着揽活。你拿完货，他帮你搬到楼下物流公司，收十块钱，顺手给你打好包。货可以暂存在档口，逛完一圈再统一取走。这个效率，是长期形成的默契。这点和我们武汉的汉正街很像，我们这把这个职业叫做“扁担”。
还有一个细节：在庆丰市场里，你能看到来自非洲的商人，长期驻扎，整车整车地扫货，打包发回非洲。对他们来说，石井的货拿回去卖还是有相当利润的，因为两个市场之间有巨大的信息落差。
电影《万箭穿心》剧照
这件事让我感同身受。
做服装这几年，我见过一些品牌方的库存被处理掉，但我从来没想过具体是怎么处理的，去了哪里，经过了哪些人的手，最后以什么价格到了谁手里。我们这一端把货推出去，那一端就消失了。
现在我知道了，那些货并没有消失，而是进入了另一套完全平行运转的体系。
倒爷
短视频上大家都把这件事叫做信息差赚钱。
这个说法是对的，但说得太轻巧了。我想说清楚这个信息差究竟差在哪里，因为只有搞明白这一点，你才能理解为什么有人在这里赚到钱，也有人进来交了学费出去。
1.货在哪里？
石井一万多家店铺，每天都有新货进来。但哪个档口今天来了一批好的品牌库存？哪个仓库这周要清仓？哪个工厂刚交完一批出口订单、手里有大量余货要处理？这些信息不公开，不贴在门口，也不发布在任何平台上，全靠时间和人脉慢慢积累。因为租金便宜，这些仓库大多都在城中村，地形错综复杂，违章建筑一大堆，外地人进来了不迷路都算好的，更别说能找到靠谱的货源。
所以市场里存在一种专门的职业，叫跑楼，每天在各个市场之间穿梭，收集货源信息，卖给有采购需求的买家。信息本身就是商品，知道得越早越准，钱就越好赚。
2.是货值多少。
这是真正需要积累的东西。市场里有一种常见的交易方式叫走份，这个词你可能有点陌生，不是一件一件卖，也不是按斤称重。一份货打包卖，就不让你挑款挑码，整份拿走。这份货里有多少含金量，有多少是真正的品牌库存，有多少是品质不错的外贸货，又有多少是没人要的死码和滞销款，全凭买家自己判断。也许一份是100件，里面80件短袖，10件羽绒服，10件裤子。 那这就亏大了。
老手三十秒就能给一份货定价：看领口的缝线、摸面料的克重、闻一闻库存特有的气味。新手分不出来，很可能高价拿了一份雷，回去才发现卖不动。
3.货卖给谁？
品牌商要清货，但不知道某个三线城市的折扣店老板正好在找货，那个折扣店老板想进货，但不知道广州某个仓库这周正在低价清仓。两边都有真实的需求，但信息没有连通。
做这行能赚到钱的人，一定是在进场之前就知道货卖给谁。不是进了货再去找买家，而是手里已经有稳定的下游，再去上游匹配合适的货。这个顺序一旦反了，就容易出事。
这门生意的本质，并不是倒卖衣服，是接通两端本来断掉的信息。你站在中间，上游有你信任的货源，下游有你熟悉的买家，这段距离就是你的钱。
搞明白这件事，在任何生意里都能当个零成本的倒爷。
一件尾货的完整流转
品牌 / 工厂货压仓库，急着变现→一级尾货商整仓买断，大批吃进→二道贩子信息连接，赚差价→下游买家摊贩 / 折扣店 / 网店→消费者买到便宜的衣服
如果你对这个生意感兴趣，有几种进场方式。
当跑楼中介，先不动钱几乎零成本
在石井各个市场之间走，摸清哪里有什么货，积累档口人脉，帮有采购需求的买家对接货源，收茶水费或者按成交额提点。不需要本钱，靠的是时间和腿。上限不高，但这是认识这行最真实的方式，也是没有服装基础的新手最稳妥的起点。
少量二批，先从下游往上走几千到两三万
很多档口支持三五件起拿，不强制整包。可以少量进货，发回老家通过摆摊、微信群、闲鱼清货。这条路最适合一个条件：老家有现成的下游，知道什么款好卖，去广州只是找货配货。下游优先，货源其次，顺序不能倒。
直播清货，内容是门槛有流量才做
广州现在是全国直播主播最密集的城市，石井周边聚集了大量做尾货直播的团队。这条路做的人太多了，纯靠价格低已经很难突围。但如果有账号基础，或者能把逛广州市场找货本身做成内容，这反而是差异化的方向。
出口，做海外渠道有外贸关系才玩
石井每天有非洲商人在扫货，打包整柜发走。国内已经打价格战的货，运出去在当地还有可观的差价。这条路的门槛是真实的海外渠道，不是凭空去找，而是本来就有连接的人才适合做。
这行有一个特点：越认为自己聪明，越容易上当。
新手的经典踩坑
1
把贴牌货当品牌尾货买。大量所谓品牌库存是贴牌货剪掉标签伪装的，外观极难区分。没有鉴货经验，高价买进，回去才发现卖不动。
2
走份货里暗藏死码。整份打包的货，热门款可能只有三成，剩下是没人要的尺码和滞销款。老手一眼能判断一份货的含金量，新手容易把雷当宝。
3
看货看上头，一次进太多。市场里货真的便宜，便宜到让人觉得不多拿就亏了。资金全压在货上，下游消化不了，就变成死库存。这是最常见的死法。
4
有货源但没有下游。很多人去广州拿完货才发现不知道卖给谁。这个顺序一旦搞反，就是在用真金白银买教训。
研究完这些，我突然觉得，这个世界的万事万物都像一场蝴蝶效应。
某个品牌的生产部门，在六月份的一个下午开了个会，决定这季外套多备两万件，以防卖断货。
就这一个决定。
季末，这两万件没卖完，进了清货渠道。流到广州，进了石井某个仓库。跑楼的人发现了，通知了正在找货的主播。主播拿了一批，当天下午开播，其中一部分又被退货退回来。退回来的货再次流转，最终有几百件被一个从山东来的批发商打包带走，发回老家，进了某个县城的折扣店。
那件外套最后被谁买走，已经无从追溯了。
这条链上每一个人，做尾货的、跑楼的、开直播的、来广州进货的，其实都不是凭空存在的。他们存在的理由，是因为更上游的某个地方，有人做了一个多备一点的决定。
这就是这个行业运转的方式。上游的每一个动作，都会在下游某个地方找到它的出口。多生产了，就需要有人清货，清货的人多了，就需要有人整合信息，信息整合起来了，又推动了下一轮的流转。
我们都在同一套系统里
by @风小海 #你不知道的行业内幕
看晚点LatePost写蔚来为了实现有史以来第一次季度盈利，花了一年时间全员投入的省钱攻略，真是从牙缝里抠成本，太不容易了，当然有些也挺乐子的：
- 牛屋的绿植从每周一换的蝴蝶兰，改成便宜的绿球花，最后干脆开始使用不需要更换的假花；
- 公司的桶装矿泉水变成过滤自来水，每人每月10块钱的纸笔费用也统一下调成每月6块钱，而且不让欢迎一次领完一年的额度；
- 严格管理公司晚餐，不让不加班的员工蹭吃了，同时取消了部分高级员工的餐补；
- 2023年，蔚来为3万名员工累计举办了大大小小的1740场团建活动，到了2024年，这类活动骤减到全年28场，2025年继续取消兴趣社团的活动经费；
- 鼓励员工汇报省钱大法，有人选择每天晚上给测试车充电，避开白天一块钱一度电的「高价」，还有人花了18小时把测试车从北京自驾到上海，节约了6000块钱的运输费；
- 给供应商施压降价这个不稀奇，对于那些实在降不下去的供应商，蔚来的会计会过去帮他们核对经营成本，然后提出「可以给研发人员降工资」的建议；[笑cry]
- CBU改制以来，蔚来的销售是真的落实了贷款上班的体验，每个月需要还给公司6万块钱的成本，超过部分才是自己的收入，业绩不达标就转外包；
- 不过因为蔚来的卖车提成相对行业还是偏高的，卖一台ES6可以拿3500块钱，所以咬咬牙还是能坚持下来，不然跳槽去比亚迪卖一台车只有几百块钱提成；
- 蔚来充电小程序每次登录需要给微信付1分钱接口费，去年一度因为内部降本不小心把这个也给砍了，准确来说是没有部门愿意把这笔成本挂在自己账上，导致小程序无法使用，损失了部分充电收入；[裂开]
- 充电桩也在大量拆除，部署思路从重覆盖变成重回报，高峰时期平均每9辆蔚来就有1个充电桩的密度太高了，同期特斯拉这个数字是37:1；
- 门店效率也是大头，去年蔚来+乐道门店平均每月卖出28辆车，是理想的一半、特斯拉的1/4，牛屋和蔚来空间加速关店，让位置相对不核心的体验中心补上来；
- 最后还是要回归高通用率的行业规律，像是第一代ET5能组合出12万个SKU的离谱做法，再也不可能出现了，标准化造车。
引用：https://www.sina.cn/news/detail/5275666425839882.html
- 牛屋的绿植从每周一换的蝴蝶兰，改成便宜的绿球花，最后干脆开始使用不需要更换的假花；
- 公司的桶装矿泉水变成过滤自来水，每人每月10块钱的纸笔费用也统一下调成每月6块钱，而且不让欢迎一次领完一年的额度；
- 严格管理公司晚餐，不让不加班的员工蹭吃了，同时取消了部分高级员工的餐补；
- 2023年，蔚来为3万名员工累计举办了大大小小的1740场团建活动，到了2024年，这类活动骤减到全年28场，2025年继续取消兴趣社团的活动经费；
- 鼓励员工汇报省钱大法，有人选择每天晚上给测试车充电，避开白天一块钱一度电的「高价」，还有人花了18小时把测试车从北京自驾到上海，节约了6000块钱的运输费；
- 给供应商施压降价这个不稀奇，对于那些实在降不下去的供应商，蔚来的会计会过去帮他们核对经营成本，然后提出「可以给研发人员降工资」的建议；[笑cry]
- CBU改制以来，蔚来的销售是真的落实了贷款上班的体验，每个月需要还给公司6万块钱的成本，超过部分才是自己的收入，业绩不达标就转外包；
- 不过因为蔚来的卖车提成相对行业还是偏高的，卖一台ES6可以拿3500块钱，所以咬咬牙还是能坚持下来，不然跳槽去比亚迪卖一台车只有几百块钱提成；
- 蔚来充电小程序每次登录需要给微信付1分钱接口费，去年一度因为内部降本不小心把这个也给砍了，准确来说是没有部门愿意把这笔成本挂在自己账上，导致小程序无法使用，损失了部分充电收入；[裂开]
- 充电桩也在大量拆除，部署思路从重覆盖变成重回报，高峰时期平均每9辆蔚来就有1个充电桩的密度太高了，同期特斯拉这个数字是37:1；
- 门店效率也是大头，去年蔚来+乐道门店平均每月卖出28辆车，是理想的一半、特斯拉的1/4，牛屋和蔚来空间加速关店，让位置相对不核心的体验中心补上来；
- 最后还是要回归高通用率的行业规律，像是第一代ET5能组合出12万个SKU的离谱做法，再也不可能出现了，标准化造车。
引用：https://www.sina.cn/news/detail/5275666425839882.html
https://github.com/andelf/picc
GitHub
GitHub - andelf/picc: Rust macOS automation toolkit — screenshot, OCR, accessibility CLI, break reminder, and more, built on Apple…
Rust macOS automation toolkit — screenshot, OCR, accessibility CLI, break reminder, and more, built on Apple native frameworks via objc2 - andelf/picc
