想知道谁在裸泳吗?
Jev 火了：AI 支出或砍掉 60%
Jev 怎么用呢？🤔
问题一旦提出来，就开始研究，发现了好多新东西，探索的乐趣啊！🏄
拿到 API 后研究了一圈，发现大家已经把 Jev 玩出花了。给同样拿到 API、但还不知道怎么玩的人，整理一份 Jev 使用清单：
0. fast-jev-compaction
给 Claude Code 做上下文压缩，用精准裁剪替代默认的摘要压缩。
1. jev-ultrafast
Browser Use 做的高速浏览器 Agent，让 Jev 判断下一步做什么、点哪个元素。Google Flights 搜航班完整跑完约 7.1 秒。
2. typesafe-mcp
把 Jev 接进 Claude Code、Claude Desktop 和 Codex，随时做 Choice / Score 这类结构化判断。
3. jev-mcp
封装事实核验、Prompt Injection 检测和语义排序。
4. Jev Codex Router
这个很有意思：Jev 先判断 Coding 任务难度，再决定交给便宜模型还是旗舰模型。作者回放 237 个真实 turn，自测成本降低约 60%。
5. neo4jev
给知识图谱候选边打概率，再用 beam search 找路径。搞过图谱的朋友一定知道这个有多重要。太省力啦！
6. TypeSafe on Neon
拿 Jev 做模型 Router，先判断任务，再转给 Grok 4.6、GPT-6 Astra 等模型。
看完这一圈，Jev 的玩法其实很简单：
要不要？选哪个？打几分？下一步干什么？
这些高频的小判断交给 Jev，真正需要写代码、长文本和复杂推理的时候，再叫传统大模型出来干活。
@forgebitz 提到一个很有意思的判断：
分类是很多公司的巨大用例，LLM 处理上亿资产依然又贵又慢，Jev 这类模型有机会砍掉 50%-60% 的 AI 支出。
Jev Codex Router 的实测也给出了约 60% 的降本结果。当然，这个数字还需要更多真实业务验证，但方向很值得关注。
忙活了一下午，我也终于赶在下班前把 Jev 集成进了 monk.party，顺手做了一个监控看板。
实际跑起来后，有个细节我很喜欢：Jev 默认输出置信度。
以后完全可以根据置信度做分层路由：高置信度直接执行，拿不准就交给 Flash，再难一点才叫旗舰模型。
给个好评。👍
折腾完这一下午，我对 Jev 的理解反而更简单了：
Jev 负责便宜地做决定，Flash 负责便宜地干活，旗舰模型留给真正困难的问题。
AI 应用下一轮降本，可能已经开始了。🏄
Jev + Flash + AGI 会成为什么？谁需要这样的体系？
我觉得是字节和谷歌。十亿级别的免费用户，需要豆包，需要 Gemini。
Jev 提供了一种可能性。
Jev 怎么用呢？🤔
问题一旦提出来，就开始研究，发现了好多新东西，探索的乐趣啊！🏄
拿到 API 后研究了一圈，发现大家已经把 Jev 玩出花了。给同样拿到 API、但还不知道怎么玩的人，整理一份 Jev 使用清单：
0. fast-jev-compaction
给 Claude Code 做上下文压缩，用精准裁剪替代默认的摘要压缩。
1. jev-ultrafast
Browser Use 做的高速浏览器 Agent，让 Jev 判断下一步做什么、点哪个元素。Google Flights 搜航班完整跑完约 7.1 秒。
2. typesafe-mcp
把 Jev 接进 Claude Code、Claude Desktop 和 Codex，随时做 Choice / Score 这类结构化判断。
3. jev-mcp
封装事实核验、Prompt Injection 检测和语义排序。
4. Jev Codex Router
这个很有意思：Jev 先判断 Coding 任务难度，再决定交给便宜模型还是旗舰模型。作者回放 237 个真实 turn，自测成本降低约 60%。
5. neo4jev
给知识图谱候选边打概率，再用 beam search 找路径。搞过图谱的朋友一定知道这个有多重要。太省力啦！
6. TypeSafe on Neon
拿 Jev 做模型 Router，先判断任务，再转给 Grok 4.6、GPT-6 Astra 等模型。
看完这一圈，Jev 的玩法其实很简单：
要不要？选哪个？打几分？下一步干什么？
这些高频的小判断交给 Jev，真正需要写代码、长文本和复杂推理的时候，再叫传统大模型出来干活。
@forgebitz 提到一个很有意思的判断：
分类是很多公司的巨大用例，LLM 处理上亿资产依然又贵又慢，Jev 这类模型有机会砍掉 50%-60% 的 AI 支出。
Jev Codex Router 的实测也给出了约 60% 的降本结果。当然，这个数字还需要更多真实业务验证，但方向很值得关注。
忙活了一下午，我也终于赶在下班前把 Jev 集成进了 monk.party，顺手做了一个监控看板。
实际跑起来后，有个细节我很喜欢：Jev 默认输出置信度。
以后完全可以根据置信度做分层路由：高置信度直接执行，拿不准就交给 Flash，再难一点才叫旗舰模型。
给个好评。👍
折腾完这一下午，我对 Jev 的理解反而更简单了：
Jev 负责便宜地做决定，Flash 负责便宜地干活，旗舰模型留给真正困难的问题。
AI 应用下一轮降本，可能已经开始了。🏄
Jev + Flash + AGI 会成为什么？谁需要这样的体系？
我觉得是字节和谷歌。十亿级别的免费用户，需要豆包，需要 Gemini。
Jev 提供了一种可能性。
一般来说，蔬菜是切了尽快吃比较好，否则维生素 C 可能因为接触氧气而被破坏。但根据 2026 年 8 月发表的一篇论文，胡萝卜可能是个例外。
该研究发现，只要把胡萝卜切碎（比如切成丝）后，在 15°C 下放置 48 小时，其中的绿原酸等有益健康的物质居然会暴增数倍。这大概是因为胡萝卜的细胞感受到损伤后，主动分泌抗氧化物质来试图抵御伤害。
而且这种营养物质的增加在动物实验中也观察到了实际效果：给吃高热量饮食的肥胖大鼠每天吃一些这种强化后的胡萝卜，在不减少总进食量的前提下，大鼠的体重增长变慢了，并且糖耐量和胰岛素耐量改善了，血脂异常也得到缓解，炎症因子水平显著下降。
对人类来说，每天吃 50 克这种胡萝卜可能就能有西医养生的效果。
doi.org/10.1038/s41538-026-01042-9
via tombkeeper的微博
该研究发现，只要把胡萝卜切碎（比如切成丝）后，在 15°C 下放置 48 小时，其中的绿原酸等有益健康的物质居然会暴增数倍。这大概是因为胡萝卜的细胞感受到损伤后，主动分泌抗氧化物质来试图抵御伤害。
而且这种营养物质的增加在动物实验中也观察到了实际效果：给吃高热量饮食的肥胖大鼠每天吃一些这种强化后的胡萝卜，在不减少总进食量的前提下，大鼠的体重增长变慢了，并且糖耐量和胰岛素耐量改善了，血脂异常也得到缓解，炎症因子水平显著下降。
对人类来说，每天吃 50 克这种胡萝卜可能就能有西医养生的效果。
doi.org/10.1038/s41538-026-01042-9
via tombkeeper的微博
vphone-cli · 用 Apple 自己的虚拟化框架启动一台「真」虚拟 iPhone
TL;DR
① 是什么：Apple Silicon Mac 上一条命令
② 聪明之处：借用了 Apple 为 PCC（Private Cloud Compute）research VM 铺的基建——guest 以 PV=3 特权级启动，这本是 Apple 自家 PCC 专用的虚拟化平台层
③ 讽刺点：Apple 当年在法院追着 Corellium 打，要的就是阻止 iOS 虚拟化研究；现在自己把必需的原语发出来了（HN 评论区集体玩梗）
④ 和 agent 最相关：host 控制套接字暴露截图/触摸/滑动/硬件键，每次操作内联回传截图——已有 vphone-mcp 把它包成 MCP server，虚拟 iPhone 直接变成 agent 的 E2E 测试工具
⑤ 代价：需 SIP/AMFI 放松（公司机器/MDM 基本没戏）、Apple Silicon only、不能嵌套虚拟化
来源：github.com/Lakr233/vphone-cli（8.7k★，MIT）+ news.ycombinator.com/item?id=49485267（389 分）
TL;DR
① 是什么：Apple Silicon Mac 上一条命令
vm create 拉起完整 iOS 系统——不是模拟器，是真虚拟化：下载官方 IPSW → 打补丁 → DFU restore → 定制固件 → 首次开机，SSH + VNC 直接连② 聪明之处：借用了 Apple 为 PCC（Private Cloud Compute）research VM 铺的基建——guest 以 PV=3 特权级启动，这本是 Apple 自家 PCC 专用的虚拟化平台层
③ 讽刺点：Apple 当年在法院追着 Corellium 打，要的就是阻止 iOS 虚拟化研究；现在自己把必需的原语发出来了（HN 评论区集体玩梗）
④ 和 agent 最相关：host 控制套接字暴露截图/触摸/滑动/硬件键，每次操作内联回传截图——已有 vphone-mcp 把它包成 MCP server，虚拟 iPhone 直接变成 agent 的 E2E 测试工具
⑤ 代价：需 SIP/AMFI 放松（公司机器/MDM 基本没戏）、Apple Silicon only、不能嵌套虚拟化
来源：github.com/Lakr233/vphone-cli（8.7k★，MIT）+ news.ycombinator.com/item?id=49485267（389 分）
一封内部信暴露了中美AI竞赛的真实格局
硅谷最近流传着一份来自顶级风投机构Dimension Capital的内部信，几位合伙人在中国走访调研了一周后，回去给投资者写了一封五页纸的观察，其措辞比任何对外公开表态都要直白得多。
信中最扎眼的一个数字是大约80%的美国AI初创公司已经在生产环境中部署了至少一个来自的中国的开源模型，而18个月前这个数字几乎是零。
这是一个渗透率的指数级跃迁，它意味着中国AI产业在软件层面已经完成了一次历史性的跨越。过去20年来，中国的SaaS软件始终没能真正进入西方企业的核心工作流，因为企业软件的采购壁垒天然倾向于保护既有供应商。
开源模型则绕过了这道墙，因为不存在合同谈判，不存在供应商审查，也不存在黑名单，一个工程师就能直接下载模型然后开始跑工作负载，这种效率是任何销售团队都无法企及的。
Qwen成为Hugging Face上最快突破10亿次下载的模型家族，OpenRouter平台上中国模型的Token消耗份额在18个月内从不足2%飙升到45%以上，这些数字不是偶然。
这一切的背后是来自美国的芯片禁令，禁令的本意是拖慢中国AI的发展节奏，但它产生了一个意料之外的副产品。因为算力买不到的时候，只能用人力去替代算力。于是每多一个懂编译器或系统底层架构的工程师，就能永久降低整个团队对算力的依赖。
这不是一次性的资本开支，它能积累、能复用，能形成一种全栈的工程纪律。美国公司习惯用钱解决问题，中国公司被迫用效率替代资源。两种模式没有优劣之分，但它们在塑造完全不同的组织能力。一家公司如果始终可以用钱解决问题，就不会有动力去培养那种不用钱也能解决问题的肌肉。中国算力的匮乏反而被倒逼成了一种进化压力，DeepSeek当年的横空出世就是一个最好的例子。
但事情的另一面是中国在吃西方的计算负载，但吃不到收入。因为开源模型的下载是免费的，真正需要花钱的是推理、微调、部署、运维这一层，这笔钱最终流向了美国的推理服务商和云厂商。不过开源模型在长期博弈中的战略价值并不直接体现在API收入上，当一个模型被下载得越多、部署得越广，它就在积累更多使用场景的反馈数据，这些数据在迭代下一代模型时的复用价值是难以估量的。
当美国80%的AI初创公司已经深度依赖中国的开源模型时，这些公司不仅在使用中国的代码，也在使用中国的技术栈、工具链和最佳实践。标准一旦确立，更换的代价会远高于所支付的Token费用。
Cursor的Composer 2被发现是基于Kimi K2.5改的，Harvey的Tenet是对Kimi K3后训练的产物。如果是一两年前，这些公司大概率会选择Llama或Mistral。如今，美国垂直AI行业的底层基座正在逐渐变成中国开源模型，而这些模型内部又潜藏着部分来自美国前沿模型的智能。这是一个双向渗透的闭环，仅靠监管砍不断这种连接，因为技术之间的对话渠道太多了，单方面切断的代价可能大于收益。
与此同时，中美AI两边的瓶颈又恰好是镜像的。美国芯片充裕但电力越来越吃紧，中国电力充裕但芯片始终不够用。中期局势取决于哪一侧的障碍率先被推倒，但如果双方在短时间内都解决不了各自的问题，竞争就会从“谁能跑得更快”变成“谁能在受限条件下跑得更远”。当算力变成硬约束，效率就成了唯一的变量。
Dimension Capital认为中国AI公司的收入远低于美国同行但估值倍数却远高于美国是“资本市场不够成熟”的表现，这可能低估了中国资本市场的逻辑。中国投资者经历过消费互联网时代，亲眼见证过“先跑规模再变现”的路径能走通。
当年抖音、美团、拼多多都是在规模足够大之后才找到商业闭环的，用企业软件的逻辑去套中国市场本身就错位了，但前提是中国的AI公司别也掉入这个陷阱中。另一个被低估的变量是一旦模型能力趋同，胜负手就从“谁有更好的模型”转移到了“谁有更好的数据飞轮”上。今天开源模型和AI产品的用户规模数据，可能比任何Benchmark都更能预示未来的竞争格局。
基于这些判断，美国接下来会面临一个两难选择。如果继续开放最新模型的API，中国实验室的蒸馏效率已经快到了无法忽视的程度。如果关闭API，他们必须放弃一个巨大的收入来源，把模型生态的主导权拱手让人。而且蒸馏并不完全依赖API权限，它需要的是模型的输出，真正能切断蒸馏的只有完全不公开任何高能力模型权重，这是一个代价极高的选择。如果开源模型的能力已经逼近闭源模型，而闭源模型的商业模式又在承受压力，这个选择会变得越来越紧迫。
所以我敢下的一个判断是双方的技术渗透已经深到剪不断理还乱了，谁先试图强行切断，谁就要承担那个代价。美国在算力上的优势依然存在，但中国在效率上补回来的那部分已经足够把这场竞赛拖入一个谁都无法单方面终结的僵局。
开源模型这把刀已经切进去了，它真正切的是标准、是生态，是未来十年全球AI应用层的基座。基座一旦铺好，上层怎么长就不完全由地基说了算了。
这场中美AI竞赛中真正有意思的部分，才刚刚开始。
by @莫唯书Mark #AI探索站
硅谷最近流传着一份来自顶级风投机构Dimension Capital的内部信，几位合伙人在中国走访调研了一周后，回去给投资者写了一封五页纸的观察，其措辞比任何对外公开表态都要直白得多。
信中最扎眼的一个数字是大约80%的美国AI初创公司已经在生产环境中部署了至少一个来自的中国的开源模型，而18个月前这个数字几乎是零。
这是一个渗透率的指数级跃迁，它意味着中国AI产业在软件层面已经完成了一次历史性的跨越。过去20年来，中国的SaaS软件始终没能真正进入西方企业的核心工作流，因为企业软件的采购壁垒天然倾向于保护既有供应商。
开源模型则绕过了这道墙，因为不存在合同谈判，不存在供应商审查，也不存在黑名单，一个工程师就能直接下载模型然后开始跑工作负载，这种效率是任何销售团队都无法企及的。
Qwen成为Hugging Face上最快突破10亿次下载的模型家族，OpenRouter平台上中国模型的Token消耗份额在18个月内从不足2%飙升到45%以上，这些数字不是偶然。
这一切的背后是来自美国的芯片禁令，禁令的本意是拖慢中国AI的发展节奏，但它产生了一个意料之外的副产品。因为算力买不到的时候，只能用人力去替代算力。于是每多一个懂编译器或系统底层架构的工程师，就能永久降低整个团队对算力的依赖。
这不是一次性的资本开支，它能积累、能复用，能形成一种全栈的工程纪律。美国公司习惯用钱解决问题，中国公司被迫用效率替代资源。两种模式没有优劣之分，但它们在塑造完全不同的组织能力。一家公司如果始终可以用钱解决问题，就不会有动力去培养那种不用钱也能解决问题的肌肉。中国算力的匮乏反而被倒逼成了一种进化压力，DeepSeek当年的横空出世就是一个最好的例子。
但事情的另一面是中国在吃西方的计算负载，但吃不到收入。因为开源模型的下载是免费的，真正需要花钱的是推理、微调、部署、运维这一层，这笔钱最终流向了美国的推理服务商和云厂商。不过开源模型在长期博弈中的战略价值并不直接体现在API收入上，当一个模型被下载得越多、部署得越广，它就在积累更多使用场景的反馈数据，这些数据在迭代下一代模型时的复用价值是难以估量的。
当美国80%的AI初创公司已经深度依赖中国的开源模型时，这些公司不仅在使用中国的代码，也在使用中国的技术栈、工具链和最佳实践。标准一旦确立，更换的代价会远高于所支付的Token费用。
Cursor的Composer 2被发现是基于Kimi K2.5改的，Harvey的Tenet是对Kimi K3后训练的产物。如果是一两年前，这些公司大概率会选择Llama或Mistral。如今，美国垂直AI行业的底层基座正在逐渐变成中国开源模型，而这些模型内部又潜藏着部分来自美国前沿模型的智能。这是一个双向渗透的闭环，仅靠监管砍不断这种连接，因为技术之间的对话渠道太多了，单方面切断的代价可能大于收益。
与此同时，中美AI两边的瓶颈又恰好是镜像的。美国芯片充裕但电力越来越吃紧，中国电力充裕但芯片始终不够用。中期局势取决于哪一侧的障碍率先被推倒，但如果双方在短时间内都解决不了各自的问题，竞争就会从“谁能跑得更快”变成“谁能在受限条件下跑得更远”。当算力变成硬约束，效率就成了唯一的变量。
Dimension Capital认为中国AI公司的收入远低于美国同行但估值倍数却远高于美国是“资本市场不够成熟”的表现，这可能低估了中国资本市场的逻辑。中国投资者经历过消费互联网时代，亲眼见证过“先跑规模再变现”的路径能走通。
当年抖音、美团、拼多多都是在规模足够大之后才找到商业闭环的，用企业软件的逻辑去套中国市场本身就错位了，但前提是中国的AI公司别也掉入这个陷阱中。另一个被低估的变量是一旦模型能力趋同，胜负手就从“谁有更好的模型”转移到了“谁有更好的数据飞轮”上。今天开源模型和AI产品的用户规模数据，可能比任何Benchmark都更能预示未来的竞争格局。
基于这些判断，美国接下来会面临一个两难选择。如果继续开放最新模型的API，中国实验室的蒸馏效率已经快到了无法忽视的程度。如果关闭API，他们必须放弃一个巨大的收入来源，把模型生态的主导权拱手让人。而且蒸馏并不完全依赖API权限，它需要的是模型的输出，真正能切断蒸馏的只有完全不公开任何高能力模型权重，这是一个代价极高的选择。如果开源模型的能力已经逼近闭源模型，而闭源模型的商业模式又在承受压力，这个选择会变得越来越紧迫。
所以我敢下的一个判断是双方的技术渗透已经深到剪不断理还乱了，谁先试图强行切断，谁就要承担那个代价。美国在算力上的优势依然存在，但中国在效率上补回来的那部分已经足够把这场竞赛拖入一个谁都无法单方面终结的僵局。
开源模型这把刀已经切进去了，它真正切的是标准、是生态，是未来十年全球AI应用层的基座。基座一旦铺好，上层怎么长就不完全由地基说了算了。
这场中美AI竞赛中真正有意思的部分，才刚刚开始。
by @莫唯书Mark #AI探索站
孙宇晨到底有多少钱，也属于是当代互联网的都市传说了。
2025年「福布斯」在更新富豪榜时采访过他，但是他报的数字是400亿美金，但最后「福布斯」只认了85亿美金，因为孙宇晨没给查看加密钱包的授权，「福布斯」以无法核实为由，排除掉了这部分资产。
彭博也在去年和孙宇晨的财务团队接触过，也拿到了钱包信息，确认他持有超过600亿枚TRX（也就是孙宇晨自创的波场币），合并公开可查的1.7万枚BTC、22.4万枚ETH、7亿枚USDT、90%的HTX股权之后，这么算下来孙宇晨达到了230亿美金的「纸面」资产。
之所以强调「纸面」，是因为最后彭博愿意背书的孙宇晨资产打折到了120亿美金，因为孙宇晨的大部分身价都在那600亿枚TRX里，这个东西和上市公司的股权不一样，不可能全部都能按市价卖掉，一旦孙宇晨开始套现，币值马上就会暴跌，所以彭博的算法是把TRX打了75%的流动性折价，只愿意认领25%的实际价值。
这是孙宇晨和其他老钱新贵们最大的区别，虽然大家都不会持有大量现金，但在真需要用钱的时候，后者们的变现能力是远远大于财富高度绑定TRX生态孙宇晨，作为一个超级集中头寸，他的可流动资产远低于账上数字。
很好笑的是，孙宇晨后来把彭博给起诉了，理由是我给你看钱包，是让你确认我没说谎，算清楚我的财富总值就可以了，没让你把我的具体持仓也公布出去啊，你把我一个人的TRX持仓超过总流通的60%以上说出来了，这我要怎么跑？
总之这场官司的发展以孙宇晨撤诉告终，因为没有证据显示彭博有承诺过那些披露限制。
不过无论是85亿美金还是120亿美金，对于普通人来说都是天文数字了，虽然我也不信孙哥会去问Claude该不该给那5000万美金，但他所说的给了也不会对自己现有资产造成任何影响，确实有这个底气。
毕竟5000万也就是0.4%的支出，相当于你有1万块钱的时候，也不怎么会在意40块钱的支出吧，所以这也是你和孙哥的差别，你不在意，但孙哥在意，所以孙哥成功了，你没有。
🥲
by @阑夕ོ #科技圈大小事
2025年「福布斯」在更新富豪榜时采访过他，但是他报的数字是400亿美金，但最后「福布斯」只认了85亿美金，因为孙宇晨没给查看加密钱包的授权，「福布斯」以无法核实为由，排除掉了这部分资产。
彭博也在去年和孙宇晨的财务团队接触过，也拿到了钱包信息，确认他持有超过600亿枚TRX（也就是孙宇晨自创的波场币），合并公开可查的1.7万枚BTC、22.4万枚ETH、7亿枚USDT、90%的HTX股权之后，这么算下来孙宇晨达到了230亿美金的「纸面」资产。
之所以强调「纸面」，是因为最后彭博愿意背书的孙宇晨资产打折到了120亿美金，因为孙宇晨的大部分身价都在那600亿枚TRX里，这个东西和上市公司的股权不一样，不可能全部都能按市价卖掉，一旦孙宇晨开始套现，币值马上就会暴跌，所以彭博的算法是把TRX打了75%的流动性折价，只愿意认领25%的实际价值。
这是孙宇晨和其他老钱新贵们最大的区别，虽然大家都不会持有大量现金，但在真需要用钱的时候，后者们的变现能力是远远大于财富高度绑定TRX生态孙宇晨，作为一个超级集中头寸，他的可流动资产远低于账上数字。
很好笑的是，孙宇晨后来把彭博给起诉了，理由是我给你看钱包，是让你确认我没说谎，算清楚我的财富总值就可以了，没让你把我的具体持仓也公布出去啊，你把我一个人的TRX持仓超过总流通的60%以上说出来了，这我要怎么跑？
总之这场官司的发展以孙宇晨撤诉告终，因为没有证据显示彭博有承诺过那些披露限制。
不过无论是85亿美金还是120亿美金，对于普通人来说都是天文数字了，虽然我也不信孙哥会去问Claude该不该给那5000万美金，但他所说的给了也不会对自己现有资产造成任何影响，确实有这个底气。
毕竟5000万也就是0.4%的支出，相当于你有1万块钱的时候，也不怎么会在意40块钱的支出吧，所以这也是你和孙哥的差别，你不在意，但孙哥在意，所以孙哥成功了，你没有。
🥲
by @阑夕ོ #科技圈大小事
📷 从制作 Instagram 精选集讲起，聊聊我的照片管理策略
之前和大家提到过几次，那就是我开始正儿八经使用 Instagram，并精选了一些照片、按时间轴上传了。这项工作大概花了我半个月的时间，每天抽出一些碎片化的间隙来制作
正好趁着这个机会，想和大家聊聊我的照片现状，以及自己为什么突然想要开始做照片管理和精选，对于摄影与记录这件事本身又有什么样的看法
❓ 为什么要管理照片
实际上，在 22 年接触第一台相机 Sony α6400 之前，我几乎不怎么拍照。那个时候比较宅，和许多人的看法一样，觉得生活好像也没有什么太多值得拍摄和分享的东西。上班之后，才有意识地重建自己的生活，无论是物理层面还是精神层面。我们开始走出家门，直到有一天，我说要不买个相机吧
从 23 年中旬购买 Sony A7M4 之后，生活的节奏便跟着快门数的增长，一发不可收拾。就 26 年来讲，谁能想到 1 月还没结束，自己就拜访了将近十座城市（真正出站游历的那种）。时至今日，这台陪伴我 3 年出头的相机也正式来到了 5W 次快门，大约留下了近 1W 张精修照片，出片率还是不低的
在我眼中，用相机记录日常成为了一件日常的事，一开始非常受用。但随着时间推移，我发现人迟早会 遗忘，而硬盘空间也不是无限的。所有事物，达到一定的量级，就会变成一座混沌的山。而管理照片这件事，就好比薄雾山路中的指示牌，已经迫在眉睫
💡 我照片管理的策略
和大家聊聊目前我如何处理这些海量的照片，基本上可以分为数码的、实体的、线上的、线下的几种
1️⃣ 硬盘和本地存储
我用 Mac 自带的 1TB 存储以及三块外置硬盘存储所有 RAW 格式以及「精修过」的照片，处理 RAW 的流程大致是：筛选 - 导入 Lightroom - 导出为 PNG -分别存档
具体一点，经过调色的 PNG 上传 iCloud 一份、在 Mac 留一份、在外置硬盘备份一份；所有的 RAW 格式统一放在外置硬盘备份。这样的方法比较笨且耗时间，但很稳妥。唯一的问题是，随着照片越来越多，未来需要一个 NAS 来整合备份所有的照片和信息
2️⃣ 网盘：iCloud 2TB
iCloud 无疑是「线上的」一类，也是普通人能想到的最直接的照片存储渠道。每个月 68 元，它就可以把所有照片存储到云端、按时间线排布、多设备同步
但是，用 Apple 的照片 App 搜索照片体验一般，自动识别、文字查找都差点意思。面对海量的照片，有时候常常需要用最笨的办法一点点翻。更要命的是，目前已经用了 900GB，迟早有一天它也会被装满
今后做出的改变是，需要重新考虑一种图片格式，同时兼顾清晰度和体积。经过一番筛选，基本锁定了 HEIC 和 JXL，考虑到兼容性，准备先试试将修好的 PNG 转换为 HEIC
fd -e JPG -e PNG -e TIF -x sips -s format heic {} -o {.}.heic3️⃣ 实体影集
从 23 年第一次用相机正儿八经拍照开始，我们每年会做一本实体影集，也就是在上传至 iCloud 的调色照片当中，再选出一批觉得还不错的。制作回顾：2023 | 2024 | 2025
喜欢实体影集，是因为它以物理的形式真实存在。即便有一天数字照片全部爆炸，还有一些能够摸得到的相纸。此外，每次整理的过程也是一种「增强回忆」的经历，我也很享受这种去繁从简的感觉
当然了，最终的印刷色彩和分辨率，肯定不如直接在电脑屏幕看得真切。此外，还需要考虑成本，你们可以大概按照一张 6 英寸相片 1.5 元来计算（含相册费用）。我们每到年底会整理一次，如果有频繁彩印的需求，也可以考虑添置一台彩色照片打印机
4️⃣ Instagram
摄影其实是很私人的事情，我认为初衷是为了取悦自己和身边的人。所以在很长一段时间，能够看到上述三类照片的，只有家人、爱人和几位密友。但随着数量不断增加，除了实体精选集之外，我还需要一个地方存放数字版本的；它最好还能够拿来展示，这样频道读者能够将一些文字和照片对应上
若干年前，我们试验了在自留地推行「每日一摄」，前期效果非常好，得到了许多读者的支持。但随着时间推移，Telegram 官方对于「助力」的要求越来越高，不忍逼迫大家开会员为我们助力，因而停止了更新
所以，这个数字平台不在 Telegram 本身，我将目光投向了 Instagram 和 Unsplash。前者自带社交属性 + 漂亮的瀑布流展示吸引了我，最终敲定把精选集放在 Instagram。说是精选集，其实就是日常的集合，我并没有系统性学习过摄影和调色，一切都按照直觉来
希望你们会喜欢最终的 呈现，因为网页端每条可以上传 10 张照片，相比于实体版本还是偏多了一些。在上传的过程中，我也发现 Instagram 存在不少问题：不明确的体积大小限制、不明确的照片比例限制、UI 卡顿、瀑布流展示页强行裁切照片等
5️⃣ 胶片
从 麦当劳联名一次性相机 开始，到购买第一台 机械胶片相机，我总共拍了 9 卷胶片。受到数码照片的启发，近期也用了一些方法分别管理数字产出和胶片实体
针对冲洗之后扫描仪得到的调色后的照片，我用了一个叫做 Filmer 的应用去管理。其中可以标注每一卷的型号、拍摄时间、地点，并导入最终得到的数字化照片。软件的优化算不上很好，有时候需要导入几遍才能成功，如果大家有更好的软件可以向我推荐
我还会用 PhotoShop 给每一卷的照片做一个「索引图」，用的是 Film-Contact-Sheet-Generator 的 JSX 脚本。如果你有翻拍胶片或切分整条胶片的需求，也可以看看 X5-Crop 或 NegativeCutter-135。由于对扫描仪精度和第三方调色风格愈发不满，自己翻拍调色是迟早的事，这些是后话了
至于寄回的胶片实体，很多人叫它「海带条」，我买了一个专门的「胶片收纳册」。其实就是一个活页本，用了定制的 8 行胶片袋，可以满足 36 张（7 行）的收纳 + 1 行作为标签页。我用手写的方式，在标签上记录下胶卷类型、冲扫时间、冲扫门店
到这里还没完，未来我会去发掘胶片放大门店，将一些真正满意的作品底片送去放大、精校色，最后打印出较大画幅的实体
👀 相信你对我管理照片的方法有了一个大概的了解。摄影这项爱好真的很烧钱、很费时间，但它也忠实记录下了曾经在我们眼前发生的一切，将人生一个个时刻串联起来。正如我之前所说：
我们正在通过摄影的方式，书写我们的人生故事，镜头记录下的每一帧，都是我们人生故事的篇章或注脚。在经历过这些美好时刻后，回到家中整理、归档这些碎片，也就是拼凑起了一小段自己的人生故事。我们通过不断调色、剪辑，成为了自己人生故事的导演。终有一天，借助这些体积庞大的数字产物，我们能够通过口述的方式为他人倒带重叙自己的人生
只是，随着时间的推移，认识到了人生尺度的漫长，才更加明白照片管理的必要性。无损压缩、购置新硬盘已经迫在眉睫，给照片精选、为人生剪辑的意识，也将贯穿至老去。照片是送给未来自己最好的礼物
显影是时间赋形的仪式，在速生速朽的时代，显影即抵抗
频道：@NewlearnerChannel
