面向现代网络的、以隐私为先的 #自托管 #验证码 服务

https://github.com/tiagozip/cap

GitHub

GitHub - tiagozip/cap: Free, open-source and self-hosted CAPTCHA alternative to reCAPTCHA. Privacy-first and powered by proof-of…

Free, open-source and self-hosted CAPTCHA alternative to reCAPTCHA. Privacy-first and powered by proof-of-work and instrumentation challenges. - tiagozip/cap

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

手机新浪网

蔚来季度盈利省钱措施

蔚来实施多项成本削减措施实现首次季度盈利

好美卧槽
https://mitsuhiko.github.io/talks/leaning-in-to-find-out

转发一篇文章 https://mathewshen.me/blog/2026/new-era/

写给每个AI工程师：你那26000行的提示词，可能正在拖垮你的Agent | 推文

别再沉迷于寻找终极AI Agent框架了。一位资深玩家揭示了反直觉的真相：顶级高手都在做减法，他们用最精简的工具，只痴迷于一件事——上下文管理。你精心维护的复杂提示和插件，可能正是AI表现不稳定的根源。

你是不是也这样：每天用着Claude和Codex，却总怀疑自己没把它们的性能榨干。你看着别人用AI造火箭，自己连两块石头都堆不起来。

于是你疯狂折腾，试遍了市面上所有的agentic框架和插件，你的`CLAUDE.md`提示文件堆到了26000行。结果，AI助手还是时而天才，时而智障。

你以为是工具不够好，但一个残酷的真相是：你那股折腾的热情，恰恰在拖后腿。一位自称“不是游客”的资深Agent工程师，在尝试了所有主流范式、并用其构建了生产级系统后，如今选择了一套几乎是“裸奔”的极简配置，反而做出了最突破性的工作。

他揭示的核心秘密只有一个词：上下文。更具体地说，是“上下文过敏”。你给AI的上下文太多了。那些横跨几十个会话的记忆插件、命名糟糕的技能库、臃肿的规则集，都在制造“上下文膨胀”。当你想让它写一首关于红杉树的诗时，它脑子里还装着上次帮你修bug时关于内存管理的笔记，以及71个会话前某个进程卡死的惨痛教训。结果可想而知。

顶级玩家的做法是反过来的：极度精准地控制信息注入。他们会把研究和实现彻底分开。一个任务用来研究，另一个拥有全新、干净上下文的Agent只负责执行。他们痴迷于设计“任务合同”，用测试用例和截图验证来明确定义任务的终点，而不是让Agent自己决定什么时候“完工”。

更深一层，他们懂得利用AI的设计缺陷——“谄媚”。你让它“找个bug”，它就算没有bug也会给你造一个出来，因为它被设计为取悦你。所以高手会换一种说法：“过一遍代码逻辑，报告你的发现。”这种中立的指令才能得到真实反馈。他们甚至会设计“对抗性Agent”，一个负责找茬，一个负责反驳，最后让裁判Agent来评判，像一个内部的红蓝军演习。

所以，别再追逐新工具了。前沿模型公司自己就是Agent的最大用户，任何真正好用的功能，迟早会被集成到基础模型里。你真正需要做的，是把你那个庞大的`CLAUDE.md`当成一个逻辑目录，而不是知识垃圾场。当AI犯错，就加一条规则；当有个好流程，就沉淀成一个技能。然后，定期清理、合并这些规则和技能，给他“做个Spa”。

你需要的不是一个更强的工具，而是成为一个更好的上下文管理者。

这里不是在评测工具，而是在传授一种与AI协作的“心法”。它精准地命名了大多数工程师遇到的问题——“上下文膨胀”，并给出了反直觉但极其深刻的解决方案。关于利用AI“谄媚”缺陷设计对抗性Agent的例子，更是局内人才有的洞察，这才是真正拉开人与人之间AI使用效率差距的地方。

那个860MB的网页，预示着一个前端新时代的开始 | 帖子

别再以为带视觉功能的AI模型只能在云端服务器上运行。一个0.8B参数的Qwen多模态模型现在已经能完全在浏览器里跑起来了。这意味着AI正在从后端API，变成前端的一个本地组件。

一个开发者分享了一个网页链接，初看平平无奇。点开后，浏览器开始下载一个大约860MB的资源包。几分钟后，一个能理解图像的多模态AI，Qwen 3.5的小尺寸版（0.8B参数），就这样在你的浏览器里、用你本地的GPU跑了起来，不需要任何服务器。

这事儿听起来像个技术宅的小玩具，但它踩过了一条很重要的线。

我们习惯的AI应用开发模式是：前端负责交互，核心的智能部分交给云端的庞大模型处理，通过API调用连接两者。这套模式稳定、强大，但也昂贵、有延迟，且隐私是个绕不开的问题。我们默认了，强大的AI能力必然来自云端。

而浏览器本地运行的模型，直接把这个前提给拆了。它意味着，对于一些中轻度任务，AI不再是一个需要付费调用的远程服务，而更像一个前端可以直接加载的JavaScript库。隐私数据完全不出本地，没有网络延迟，甚至可以离线运行。

当AI视觉能力像加载一个jQuery库一样简单和本地化时，无数需要“看一眼”的应用场景就被打开了。比如实时分析视频会议里你的仪态，或者不上传任何数据就能帮你整理相册的应用。

这当然不是说云端大模型要被取代了。但它标志着一个重要的分工正在开始：云端负责处理“原子弹”级别的问题，而越来越多的“子弹”级别任务，将直接在用户的设备上，在浏览器里解决。

所以，那个860MB的网页背后真正的问题是：当AI从后端服务变成前端组件，下一个杀手级应用会诞生在哪个领域？

最恐怖的变化，往往发生在那些看起来“不过是个技术Demo”的时刻。这篇文章抓住了这一点，把一个技术细节（模型本地化运行）提升到了架构变迁和行业分工的层面。所谓的“前端已死”可能说早了，前端只是在等待它的新武器。

那种“我一个人用AI就能搞定”的兴奋感，可能是个陷阱 | 帖子

AI让单人开发产品的效率史无前例地提高，许多人相信可以借此颠覆那些臃肿、昂贵的老牌SaaS。但现实是，那些“臃肿”和“昂贵”并非产品缺陷，而是大公司服务企业客户时构建的护城河。真正的机会不在于技术本身，而在于找到被巨头忽略的客户，或彻底重塑工作流。

一个语音转录软件，大厂每月收15美元订阅费。一个独立开发者用同样的技术内核，做成一次性买断，成本降到几乎为零。这是真实发生的案例，也是“AI让单兵作战成为可能”这个论调最激动人心的佐证。

这几乎成了独立开发者圈的圣经：AI把技术门槛夷为平地，一个人就是一支军队，去颠覆那些反应迟钝、UI丑陋、定价蛮横的老牌SaaS。理论上，你只需要找到一个这样的“现金牛”产品，用AI把它做得更便宜、更漂亮、更快，就能挖走用户。但这股乐观情绪，在讨论区撞上了几堵冰冷的墙。

最核心的一堵墙是：你眼中的“臃肿”，恰恰是企业客户购买的安全感本身。那些复杂的采购流程、合规要求、服务协议和客户支持体系，对个人开发者来说是累赘，对大公司决策者来说却是必需品。他们不是在买一个工具，而是在买一个“出问题了有人负责”的承诺。

另一个残酷的现实是，真正的10倍体验，并非来自技术或UI。没人想要一个“更好”的发票工具，他们想要的是“再也不用想开发票这件事”。真正的颠覆，来自对整个工作流的重塑，而不仅仅是给老产品套上AI外壳。

所以，如果你是一个想用AI搞点事情的开发者，机会是巨大的，但不在于正面硬刚。你的优势在于服务那些被巨头“臃肿”定价挡在门外的用户，或者找到一个巨头因体量太大而无法灵活转身的全新工作流。

技术让你能更快地造出一把更锋利的锤子。但问题是，用户需要的，真的是锤子吗？

一盆恰到好处的冷水。戳破了“一人干翻一个公司”的技术幻想，把讨论拉回到了商业常识的层面。那句“你眼中的臃肿，恰恰是企业客户购买的安全感本身”太精准了，点出了很多独立开发者一厢情愿的视角盲区。

生产级AI Agent的核心根本不是AI，而是分布式系统 | 推文

大多数人以为构建Agent就是“Prompt+工具”的循环，这是一种危险的误解。一旦涉及真实用户、高并发和容错，Agent就从一个AI问题，变成了经典的分布式系统工程问题。这解释了为什么大量Agent项目最终都只是个玩具。

很多人觉得，构建AI Agent无非就是把Prompt和工具扔进一个循环里。这个假设很合理，但它根本就不是生产环境的架构。

你的Agent一旦需要知道自己在跟谁说话、需要保持状态、处理并发请求、执行敏感操作，以及在工具调用失败后幸存下来——它就不再是一个“LLM+工具”的简单组合，而蜕变成了一个不折不扣的分布式系统。

构建Agent本身是简单部分，市面上有无数框架帮你搞定。真正的难点在于“运行时”——那个包裹着Agent、让它能在真实世界里可靠工作的系统。这才是所谓的“智能体软件工程（Agentic Software Engineering）”。

构建Agent是AI工程，但在生产中运行它是软件工程。这套工程体系由六根支柱撑起：持久性、隔离性、治理、状态、扩展性和可组合性。每一个都指向经典的分布式系统难题，比如数据隔离失败就是数据泄露，而服务过载则意味着你继承了所有第三方API的速率限制和延迟。

这解释了为什么那么多Agent项目最终都像个漂亮的玩具，却无法成为可靠的产品。AI行业还没有完全吸取过去几十年我们在构建可靠分布式系统中学到的教训。

最终，能把这套软件工程的纪律内化到团队血液里的，会交付出伟大的产品。而那些继续把Agent当作脚本对待的，会继续与成功失之交臂。

一针见血。AI圈的热潮让很多人忘了，再聪明的“大脑”也需要一个强壮的“身体”才能在现实世界里行动。这篇文章把焦点从算法和模型，拉回到了决定产品生死的工程纪律上。当你的Agent需要审批、回滚、保证用户数据隔离时，你面对的就不是一个AI问题，而是对你软件工程成熟度的拷问。

好多人让我锐评Qwen基模负责人林俊旸离职，好吧。

我要说句不意外，肯定有人又要说我马后炮，但其实我这几个月来在上播客和写稿子里不止一次的提到过一个细节：

清华大学那场AI-Next峰会上，林俊旸邀请观众体验Qwen，用的是qwen.ai这个根本没有运营投入的实验室网址，而不是千问App。

模型干模型的，产品干产品的，这当然是模型团队的舒适区了，只投身研究、不负责市场，Qwen在开源社区里的究级口碑就是这么打下来的，但产品团队就难受了，做什么事情都需要和自己平级的模型团队配合，只能协调，不能统筹。

产模分离是阿里过去几年里最奇怪的地方，在千问App还没有被独立出来发展的时候，还可以说且行且珍惜，现在千问App要直接和豆包元宝打消耗战了，还让模型团队保持例外论，这肯定行不通。

最新的形势就是，大厂在做DAU，豆包现在还在发红包你敢信，小虎在冲ARR，月暗智谱MiniMax三家给洋人卖Tokens卖疯了，那么Qwen的位置在哪里呢，你总得沾个边吧？

事实上，AI一号位工程的调整，是这一年来几乎所有国内互联网大厂都在做的事情，字节和腾讯都干了，轮到阿里大家觉得很奇怪，主要还是Qwen模型本身没出太大问题，突然换将有些刺激。

还是那句话，组织的方向很重要，不认同组织的判断，就会很麻烦，这和你是不是一个好人、你做的工作是不是很优秀，关系不大。

就像没人会不尊重杨立昆的学术成就，没有他老人家的贡献，AI的发展指不定还要晚多少年，但大家也都心知肚明，继续让他带Meta的AI实验室，那Meta就真完蛋了，你不可能让一个不相信Transformer的人去带领大模型⋯⋯

前段时间，因为诉讼披露，微软的CTO有一封2023年底发给老板的邮件被曝光，里面是他但是作为对接人看到并汇报的OpenAI宫斗事件，说以Ilya Sutskever为首的研究团队讨厌需要和产品团队争夺资源，how dare you，竟敢让我们排队等GPU！

微软的CTO在此批注，表示自己内心都是崩溃的：「OpenAI的研究团队根本没有明白，如果没有Applied的商业成功，他们根本不可能拥有现在这么多GPU。」

所以，从国内到海外的实践经验都说明，产模分离是一个田园牧歌的理想状态，它可以暂时性的存在，但前提是公司没有市场回报的预期，愿意千金买马骨，Qwen这几年过的的好日子，都是这么来的。

新的剧本就是阿里不愿意了，作风依然很粗暴很阿里，但就形势来说，其实没那么大的争议。

再说了，和OpenAI的11个联合创始人里走了9个相比，这才哪到哪啊⋯⋯

记得马老师曾说阿里要每年定期给社会输送人才，结果都是些年满35岁后被优化出来的P7P8们，给接收方的牛马们带去了一点点阿里味的震撼，连山姆看似牢不可破的名声都差点被打崩了，不过这次林俊旸流入自由转会市场，就没得阴阳了，是真的大牛出圈，大厂们赶紧抢吧。

by @阑夕ོ #科技圈大小事

Anthropic疯狂发产品，是因为手里藏着一张终极底牌？| 帖子

Anthropic近期产品发布节奏异常密集，有人认为他们内部已经拥有远超公开版本的“终局模型”，正在抢先构建生态锁定用户。也有人觉得这不过是一家烧钱公司在融资压力下的常规操作。

最近关注AI行业的人应该都有一个感觉：Anthropic发产品的速度快得不像话。MCP协议、Claude Code、Excel和PPT插件、Computer Use……几乎每隔几天就有新东西冒出来。

有一个流传很广的猜测是这样的：Anthropic内部已经拥有一个能力远超当前公开版本的模型，可能叫Opus 6，也可能叫别的什么。他们知道一旦放出来，普通人几天就能造出像样的应用。所以现在拼命铺产品、建生态，是为了在放出那个东西之前，把用户牢牢焊在自己的平台上。

这个逻辑听起来有点阴谋论，但细想又不是完全没有道理。有网友提到，Anthropic的安全文档里出现过“unleashed opus”的说法，而且AI实验室内部跑着大量公众从未见过的测试模型，这在行业里是公开的秘密。蒸馏技术让他们可以把最强模型的能力逐步释放到消费级产品里，同时把真正的重武器留在家里。

你仔细看他们的产品线就会发现一个模式：MCP让所有应用都能接入Claude，Claude Code让开发者在Claude上面构建，Office插件让企业用户产生依赖，Computer Use让Claude接管完整工作流。这套组合拳打完，迁移成本会高到让人懒得换。等“神级模型”真正落地的那天，OpenAI和Google争夺的可能只是剩下的残羹。

说白了，模型本身正在变成生态系统里的一个组件，而生态才是护城河。这跟当年的平台战争是同一个剧本。

不过反对的声音也很有意思。有观点认为，一家每年烧80亿美元的公司，如果真有能改变世界的模型，藏着不发才是最不合理的商业决策。更可能的解释是：他们有一批优秀的工程师在高压下快速交付，产品质量其实参差不齐，很多更新是在修之前的坑。还有人指出，Anthropic最初“安全优先”的人设已经有些立不住了，密集发布更像是在开发者群体中重建信任的挣扎。

也有一种更冷静的看法：这跟什么秘密模型无关，Anthropic只是终于想明白了OpenAI很早就想明白的事情——光有好模型不够，得有分发渠道和产品生态。现在的竞争早就过了比模型参数的阶段。

两种叙事都有道理，但我倾向于认为真相在中间偏后的位置。Anthropic大概率在内部模型能力上领先公开版本几个月，这个优势足以让他们的产品团队用更强的工具来构建更好的产品，形成正循环。至于是不是存在一个“终局模型”，这个问题本身可能就问错了。AI的发展更像是连续的能力曲线，而不是某个藏在保险柜里的奇点时刻。

一个更值得关心的问题是：当AI公司开始用自己的AI来开发自己的产品，这个加速循环的终点在哪里？

每次行业加速，就有人喊“他们肯定藏着什么”——这种叙事的魅力在于把复杂的工程竞赛简化成一场悬疑剧。但商业世界最反直觉的真相是：真有王炸的人往往最先打出去，因为藏着不发的机会成本高到离谱。一家年烧80亿的公司，每多藏一天“终极模型”，就是在给对手多送一天追赶窗口。Anthropic的密集发布与其说是“精心计算的围猎”，不如说是一群顶级工程师在资本时钟下的极限冲刺。我们总想给混乱的世界找一个幕后主谋，却忘了大多数狂奔只是因为身后有狼。

Anthropic指责中国实验室抓取数据后，一场开源反击战意外爆发 | 帖子

Anthropic指责中国实验室抓取Claude数据后，有人开源了一个名为DataClaw的工具，允许用户上传自己与Claude的对话记录用于训练其他模型，24小时内获得363颗GitHub星标。这场争议背后是AI行业一个根本性矛盾：用公开数据训练出的模型，能否阻止他人用同样的方式复制自己？

这件事的导火索是最近网传Claude Sonnet 4.6在中文环境下自称是DeepSeek-V3，引发了一轮关于中国AI实验室是否在抓取Claude输出数据的讨论。Anthropic随后公开表达不满。

然后就有人把梯子扔回去了。DataClaw的README写得很直接：“Anthropic用免费共享的信息构建了他们的模型，然后推行越来越严格的数据政策来阻止别人做同样的事。这就像爬上梯子后把它抽走。DataClaw把梯子扔回去。”马斯克在下面回复了一个“Cool”。

不过有网友提醒，这个工具的自动脱敏功能并不可靠。有人去Huggingface上检查用户上传的对话记录，发现第一条就包含有效的API密钥，还有其他可识别的个人信息。技术上的隐患是一回事，但更值得讨论的是这件事背后的逻辑困境。

有观点认为Anthropic是“cosplay道德”。也有人替他们辩护：训练AI属于变革性使用，产出由专有算法定义，这是共识。但反驳很快就来了：训练LLM的流程现在已经是公开知识，每家公司可能有一些“秘密酱料”，但整体而言并不神秘。更关键的是，这些公司当初训练模型时也没问过数据创作者的许可，甚至有人指出他们用过种子下载的版权材料。

这就是问题所在：如果你认为用公开数据训练模型是合理的，那别人用你的输出做同样的事，凭什么不行？如果AI生成的回复归用户所有，用户当然可以拿去训练别的模型；如果归Anthropic所有，那用Claude Code写的所有软件是不是也归他们？这是个怎么回答都很尴尬的问题。

有观点认为这可能是一个“史翠珊效应”的经典案例，Anthropic本可以什么都不说，现在反而把事情闹大了。也有人指出，这场争论可能会让Anthropic像OpenAI和Gemini一样隐藏思维链输出。Dario之前一直没这么做，部分是出于AI安全的考虑，但现在可能被迫改变。

有一点倒是很清醒的提醒：用户把通用数据分割上传后，反而让数据变得更容易被识别，因为对话被切分成了个人化的信息块，格式还很规整。

关于ASI是否应该公开的讨论也被带起来了，但这个方向有点跑偏。眼下的问题不是超级智能，而是这个产业的底层叙事：谁有资格定义规则，谁有资格打破规则。

“我偷的是知识，你偷的是我”——这大概是AI时代最精准的双标宣言。 Anthropic的愤怒让我想起一个古老的笑话：强盗抢了一袋金币，然后报警说有人偷了他的金币。当年这些公司扫荡互联网时，没人问过博主、作家、程序员是否同意；现在轮到自己的输出被“采集”，突然就发现了数据伦理的重要性。最讽刺的不是被反噬，而是被用同样的逻辑反噬。 DataClaw那句“把梯子扔回去”堪称年度最佳回旋镖。这场争论真正揭示的是：在AI行业，道德标准的弹性取决于你站在食物链的哪一端。

Square 宣布裁员 40%，这可能只是接下来裁员大潮的开始。
公司没有任何经营困难，只是...
AI 已经改变了组织运作的方式
AI + 扁平化的组织方式，可以比之前 2 倍多的人做更多的事。
未来的公司里，每个人都必须成为超级个体，做超出自己岗位边界的事。
不要被动等待，现在就主动开始转变。

by @AGENT橘 #科技圈大小事