所有文章

把人做成 skill 这件事，一方面反映了 AI Agent 时代对能力模块化的强烈渴望，另一方面也暴露了我们对“人”本身的误解。Skill 最多只能抽取那些已经被表达、被规则化、被文档化的部分，却远远抓不到一个人真正的判断力、经验、处境、欲望和生成能力。真正需要被守住的，不是人会不会被 skill 替代，而是我们不要误把自己理解成一个 skill。

對 Transformer 來說，attention 是模型能力的核心機制之一；但到了大模型時代，真正更稀缺的，其實是人的 attention。AI 可以同時生成海量代碼、文檔、腳本與需求分析，人卻不可能逐字逐句看完一切。問題不只是資訊太多，而是人機協同若沒有新的策略，人的判斷力會先被自己的輸入端拖垮。

很多時候，人們以為自己在分析問題，實際上只是在評論人物。真正成熟的判斷，不能只問誰做了甚麼，還要問這個系統鼓勵甚麼、懲罰甚麼、放大甚麼。看見誘因，才真正開始看見結構。

人們總是高估那些看起來轟轟烈烈的突破，卻低估了真正塑造一個人的，往往是那些安靜、重複、甚至有些無聊的日常訓練。熱情很珍貴，但真正把人送到更遠地方的，通常不是一時的燃燒，而是能夠長期運轉的系統。

很多人把複利理解成一種財富技巧，或者成功學裏的漂亮詞彙。其實複利真正重要的地方，不在於它能讓數字變大，而在於它揭示了時間如何放大習慣、判斷、信用、知識與系統。這也是為甚麼《原子習慣》、經濟學，以及長期主義常常會在最深的地方相遇。

GPT-6 还没发布，市场已经先写好了判词。这篇文章讨论的不是某个模型分数高低，而是大模型战争为什么已经进入第二阶段：OpenAI 的产品线碎片化，Anthropic 的 harness 悖论，Google 的系统性优势，以及开源与中国模型如何重塑战局。

Harness 工程真正面对的，不是如何彻底控制模型，而是如何在无法完全控制的前提下，建立观察、约束与反馈的结构。它像冥想：不是压制所有念头，而是通过专注与觉察，让混乱逐渐显出形状。

深度解读 Transformer 开创性论文，它革新了 NLP 领域，奠定了 GPT、BERT 和现代 AI 的基础。

Manus 自主 AI 智能体深度技术剖析，以及它革命性的上下文工程方法。

深入解析 LangGraph 架构，构建具有持久记忆和复杂工作流的有状态多智能体系统。

深度剖析OpenClaw开源AI Agent网关：架构设计、生产部署、社区生态和竞品对比。

AI短视频完全教程：分镜、剧本、可灵/Sora生成、声音克隆、无版权音乐、Manus提示词、完整SOP。