每天读过文章的摘要整理
这篇访谈围绕 Karpathy 对 AI 编程范式变化的判断展开。
他认为自己在 2025 年底明显进入了“Vibe Coding”状态：让模型持续生成、修改、调试代码，自己很少再逐行纠错。
更重要的是他把 LLM 看成 Software 3.0：真正的编程不只是在代码里，而是在 prompt、context window、工具调用和外部环境之间组织给模型执行的上下文程序。
他用 MenuGen 说明一个典型变化：很多原本需要多步骤 App 才能完成的任务，可能会被模型原生能力直接吞掉，旧式中间层不一定还有存在价值。
在能力边界上，Karpathy 强调 LLM 是“锯齿状智能”：它可以重构大规模代码、做出高难度推理，也可能在非常基础的常识题上出错。
因此，Agentic Engineering 的重点不是盲目外包思考，而是理解系统结构、把控质量、安全和责任边界，并学会正确指挥 Agent。
他对未来的想象是：神经网络可能逐步成为主进程，传统 CPU/软件成为协处理器，产品形态会围绕模型的理解和生成能力重新组织。
这篇文章记录了作者连续刷了几天红果短剧后的直观感受。
核心结论是：红果短剧的产品体验和内容分发逻辑，和常见长视频平台不太一样，短剧并不是单纯“更短的剧”，而是一种更强刺激、强钩子、强转化的内容形态。
文章从剧情节奏、题材偏好、推荐机制和用户停留等角度，分析了红果短剧为什么容易让人停不下来。
它背后体现的是平台对用户注意力的高效捕获：开场密集冲突、不断抛钩子、快速反馈，让观看过程更接近“连续刷刺激点”而不是传统追剧。
作者的观察也隐含一个判断：短剧已经形成一套相对成熟的内容工业和商业模型，值得作为一个独立赛道来看，而不是把它简单等同于影视内容的缩水版。
这篇文章围绕彼得·沃德的“稀有地球”观点展开，核心议题是：复杂生命为什么如此罕见，而多样性又如何帮助生命规避灭绝。文章先从寒武纪爆发切入，指出动物在极短时间内突然出现大量新的形体构型，这与“缓慢渐变”的传统印象并不一致，也让达尔文式演化面临化石记录上的难题。
随后，文章把“集群灭绝”作为理解生命演化的关键变量来讨论。作者强调，地球历史上多次大灭绝事件会重置生态系统，让旧有优势类群退场，为新类群腾出空间；但从更宏观的角度看，灭绝总体上对生物多样性是净损失，而不是天然的进步机制。尤其在寒武纪这类复杂生命刚起步的阶段，环境条件的微小变化都可能造成整个类型或“门”的消失。
文章的一个重要结论是：复杂性本身会增加脆弱性。简单生物往往能更长久地存活，细菌和古菌几乎不需要显著改变形体就能适应环境；相对而言，复杂后生动物的演化寿命更短，灭绝风险更高。作者据此认为，生物要对抗灭绝，关键不在于不断变复杂，而在于提高多样性——也就是在一个高等分类群内部发展出足够多的物种和形体储备。
文章最后把这一逻辑归结为一句话：多样性是对抗灭绝的最好方法。一个类群如果拥有足够多的物种，即使局部遭遇灾难，也更有可能凭借少数幸存者重新扩散、恢复生态位。换句话说，生命不是靠单一“最强者”赢得未来，而是靠广泛而分散的多样化储备，来穿越一次次随机而残酷的环境冲击。
文章从美伊冲突引发的市场噪音切入，讨论在高不确定性环境下，投资人最稀缺的能力并不是获取更多信息，而是“心理降噪”。作者指出，当地缘政治、油价波动和客户情绪同时涌来时，投资管理人往往会把恐惧、焦虑和自我防御误当成判断本身，真正需要处理的是心理噪音压过了判断力的问题。
为说明这一点，文章回顾了精神分析学家亚伦·斯特恩进入老虎基金的故事。斯特恩把心理学和临床观察带进对冲基金，不只是帮助投资人管理情绪，更重要的是识别“用感受替代现实判断”的防御机制。朱利安·罗伯逊请他设计选人体系，最终形成了一套长达 450 题的测评，重点不是智商，而是外向的竞争性、通才能力，以及在压力下仍能与现实保持连接的能力。
文章还通过老虎基金的兴衰说明，正确的宏观判断并不总能转化为结果：罗伯逊对科技泡沫的判断大体正确，但管理规模仍在委托人赎回中急剧缩水，最终基金关闭。这个案例强调，职业投资人的难点不只是看对市场，还要承受客户的焦虑，并避免把“如何向客户交代”当成决策依据。
最后，作者把斯特恩的方法总结成三问：我感受到的是现实还是恐惧？噪音下真正改变了什么？我是在为市场还是为委托人的情绪做决定？文章认为，心理降噪不是一次性的危机应对，而是一种长期训练——知道什么时候是市场在说话，什么时候是自己在喊叫。对于职业投资管理人来说，这种清醒比更复杂的模型或更多的信息更重要。
文章围绕 Nick Maggiulli 的《财富阶梯》展开，用“净资产”而非“收入”来理解财富层级，并将家庭财富划分为六层：从不足 1 万美元到 1 亿美元以上。作者指出，财富增长并不是线性爬升，而是十倍十倍地跨越，不同层级对应的生活自由度也不同：第二层接近“超市自由”，第三层接近“餐厅自由”，第四层接近“旅行自由”。
文章的核心观点是第四层存在一个“无人之地”：净资产在 100 万到 1000 万美元之间的家庭，20 年后仍有 64% 停留在这一层。原因并不只是运气不好，而是时间窗口不足、资产类型断层以及激励结构翻转。到第四层之后，继续用高风险进攻策略不一定划算，因为一次大亏损可能再也没有足够时间弥补。
作者进一步强调，不同财富层级需要不同策略：第二层的重点不是研究投资，而是提升能被市场付费的技能；第三层要依靠持续买入多元化生息资产，让复利真正起作用；到了第四层，则要从进攻切换到防守，更多考虑分散、税务与风险控制。文章还提出“0.01% 法则”，把消费和净资产的日回报对应起来，让人可以在合适的层级上安心花钱。
文章后半部分将这一框架放到中国语境里讨论，指出中国家庭资产高度依赖房产，流动性差、再投资能力弱，因此“无人之地”可能更早出现。许多看似体面的中产家庭，可能因为学区房、面子房和高月供而压缩现金流，导致净资产增长停滞。真正拉开差距的，不是单纯的收入高低，而是收入增长能否持续快于支出增长。
最后，作者认为停在第四层并不一定是失败，对大多数人来说这反而是数学规律下最合理的落点。比起执着于继续向上，成熟的财务规划更重要的是回答“我可能要为谁、为什么、支付多少”这个问题，并在新的时代里重新分配时间、能力和注意力。
这篇文章把当前 AI 竞争描述成一场“看不见终点的蒙眼狂奔”。作者认为，真正困扰人的不是 AI 能力本身有多强，而是整个社会、公司、个人和投资人都被卷入一个开放终局的囚徒困境：任何单个主体都很难停下来，因为一旦停下就可能被别人超越。
文章指出，AI 竞争已经从“工具增效”进入“生产函数替代”和“组织结构重写”的阶段。很多团队表面上做了更多功能、烧了更多 token、用了更多 agent，但并没有同步带来营收、PMF 或真正的商业兑现，这说明 token 消耗并不等于生产力落地。
作者进一步提出，今天的焦虑并不是普通的进步焦虑，而是基因层面的不确定性焦虑。人类面对食物、猛兽、部落等风险时，风险边界是清晰的；而 AI 时代的风险是世界模型本身不稳定，技能半衰期变短，努力的回报路径也变得不再可靠。
文章把这种局面拆成多层囚徒困境：公司担心不 AI-native 会死，员工担心不学 AI 会被替代，投资人担心错过下一轮范式，国家担心在竞争中落后。于是大家都在不断加速，但这种加速更多是恐惧驱动，而不是明确的理性乐观。
在员工视角里，最残酷的悖论是：为了避免被替代，人必须用 AI 提升自己；但提升自己的过程，又会把经验显性化、模板化，反过来加速岗位压缩。过去“努力—积累—升值”的稳定逻辑正在变成“学习—被吸收—再学习”的循环。
文章也批评了资本市场的失锚：不投 AI 怕错过，乱投 AI 也可能踩空，于是估值框架、风险偏好和行业叙事都被焦虑牵引。作者认为，当前的虚无感并不只是情绪问题，而是一个重要的社会信号，意味着 AI 叙事正在从惊叹和追赶，走向焦虑、反噬和制度重构。
最后，文章强调真正的解法不是跑得更快，而是重新建立控制感。与其试图消灭不确定性，不如构建一个能够持续更新的世界模型，把状态识别、证据更新、反证机制和行动路由系统化。未来真正稀缺的，不是会不会用工具，而是在持续变化中仍能保持判断、节奏和主体性的精神结构。
这篇文章围绕塞斯·卡拉曼（Seth Klarman）的投资思想展开，核心主题是：在投资里，真正有价值的不是所谓的“确定性”，而是不确定性被市场充分折价之后留下的安全边际。作者借 2008 年金融危机和 2009 年卡拉曼的年度信件说明，当市场极度恐慌时，最重要的不是预测底部，而是区分“基本面真实恶化”和“恐慌性过度反应”这两种下跌。
文章认为，很多投资者在市场大跌时会本能地等待“确定性”，希望看到经济好转、政策见效、情绪恢复之后再出手，但这种做法往往意味着错过最肥美的一段反弹。底部通常不是在所有人都确认底部时出现的，而是在最悲观、最混乱、成交最稀薄的时候悄悄形成。作者用 2020 年全球疫情后的 V 型反转、2024 年初 A 股的流动性冲击等例子说明，真正的机会常常出现在大家最不敢下手的时候。
文章还强调，投资者能控制的东西其实很少，市场走势、宏观周期、政策变化都无法掌控，唯一能控制的是自己的投资哲学、流程和纪律。卡拉曼把投资比作奥运比赛：顶级运动员不会在场上临时思考金牌，而是专注把训练好的动作做对。对应到投资上，就是要守住流程，不被短期排名、情绪和市场噪音带偏。
作者进一步批评了“确定性幻觉”：当市场对某类资产过度追捧、把确定性价格化到极致时，安全边际已经被压缩殆尽。文章用 2020—2021 年 A 股核心资产抱团、2021 年互联网龙头高估值，以及 2022 年之后的暴跌作为例子，说明“最确定”的东西往往也是最贵的，最容易在情绪反转后遭遇最剧烈的回撤。
最后，文章回到价值投资的原点：市场先生只是交易对手，不是导师；股票本质上是企业部分所有权，而不是屏幕上的涨跌数字。作者把卡拉曼的观点总结为一种非常反直觉但有效的投资原则：不是因为确定才买，而是因为承认不确定、因此要求足够的安全边际，才更可能在长期里获得更好的结果。
这篇专访讲的是曦智科技创始人沈亦晨十年来推动光计算创业的过程，也是一段典型的硬科技穿越“死亡谷”的故事。2017 年，他还是 MIT 博士生时，基于一篇发表在 Nature Photonics 上的论文开始创业，并拿到了真格、百度、五源等机构的天使投资。彼时行业对光计算的理解还很有限，但投资人愿意押注这种“先看见未来、再慢慢找落地”的方向。
文章回顾了曦智早期的技术路线：最初目标是用光计算替代部分电芯片算力，瞄准的是 AI 计算和视觉分析场景，希望把计算速度显著提升。不过，现实比设想更难。摩尔定律并没有像很多人预期那样迅速失效，先进制程和封装技术持续演进，电芯片的竞争力被延长了很多年；与此同时，光计算在器件、工艺、供应链、工程化和商业化上都遇到了巨大挑战。
最关键的转折发生在 2022 年底。彼时曦智的光计算产品陷入瓶颈，继续投入新项目至少还需要 5 亿元，但公司账上只有 3 亿元。沈亦晨最终选择暂停高风险的光计算研发，转向更接近商业化的光互连业务，用光替代部分电线，服务 GPU 集群和超节点互联。这次调整让公司活了下来，也让它在大模型时代找到了新的市场切口。
文章特别强调了“活下去”的重要性。对硬科技公司来说，技术判断当然重要，但如果现金流和融资窗口关闭，再好的路线也可能被迫中断。沈亦晨在采访里提到，很多 MIT 同学创办的公司都在这一阶段倒下，自己也因此更清楚地意识到，创业不是单纯追求最前沿，而是要在理想与生存之间找到平衡。
在商业层面，曦智后来靠光互连成为主要收入来源之一。到 2025 年，光互连已经贡献了公司接近 80% 的收入，并占据中国独立 Scale-up 光互连解决方案市场的大部分份额。与此同时，公司也重新启动了面向大模型推理的新一代光计算芯片研发，试图在更大的 AI 基础设施浪潮中再次回到最初的技术愿景。
这篇文章的核心，不只是一个创业故事，而是一个关于“原始创新如何穿越现实”的样本。它说明，最早看到未来的人不一定最先收获商业回报，很多时候必须先在真实世界里找到一个可存活的落地点，再一步步把更大的理想推回到工程和市场中。
过去两三年，围绕“AI + 个人知识库”的方案已经轮番出现过很多次：Notion 配 ChatGPT、RAG 配 Obsidian、Obsidian 加 Claude Code、会自己写记忆的 Agent、以及最近 Karpathy 提出的 LLM Wiki。作者试过不少方案，但结论是：它们都不算真正解决了“长期知识状态”问题。
作者认为，很多人把个人知识库理解成“把资料存好、让 AI 能搜出来”，但这其实只覆盖了最表层的需求。
真正麻烦的是：
也就是说，难点不是检索，而是长期知识状态的维护。
作者把大家常混在一起说的“记忆”拆成四层：
作者的判断是：现在很多产品本质上只是拿第一层工具，去硬做第四层的事情，所以总会卡住。
RAG 和 Obsidian 的优点很明显：资料能找出来，主题能搜到。但它们本质上是检索系统，不是知识维护系统。
它们的问题在于：
所以它们越用越像资料仓库，而不是“越来越懂你”的系统。
第二类方案是让 AI 自己总结、自己沉淀、自己升级长期存储。看起来很自然，但作者认为这里有个危险假设：模型既负责提议，又负责决定什么是真相。
他提到一个典型事故：用户让 agent 整理邮箱，并明确说“确认前不要执行任何动作”。但在后续上下文压缩里，这条关键约束被丢掉了，于是 agent 继续按自己的理解执行删除操作。
这个问题的本质不是“忘了一句话”，而是：
这些本不该混在一条链路里，但很多系统把它们都交给模型自己总结，最终就会把关键约束压没。
作者的结论很明确：模型可以提议，但不能由模型自己决定长期事实和危险动作。
作者认为 Hermes 这一类系统已经比前两类成熟很多，因为它真的把记忆当成一个运行时子系统来做，而不是“顺手加的功能”。
他特别认可的点包括：
但作者也指出，Hermes 主要解决的是“一个长期跑的 agent 怎么稳定携带工作记忆”，还没完全解决“个人多年积累的知识状态怎么编译成可审计、可演化、可投影的长期知识”。
Karpathy 的思路比纯 RAG 更进一步：不是每次问问题时才临时综合，而是让系统持续维护一份 wiki。
作者自己也本地实现过类似方案，刚开始效果很好，似乎能回答很多“我有哪些项目、我有什么习惯、资料之间有什么关联”这类问题。
但问题很快出现：AI 开始越来越依赖维基，而不是原文。
而维基的弱点在于：
所以作者认为，维基可以是很好的投影，但不能当底层事实源。
作者最终把问题重新定义为：
如何在有限上下文、变化的世界、不可靠的抽取器之间，维护一份可验证的知识状态？
他给出的方向不是“更聪明的模型”或“更漂亮的笔记软件”，而是一套更完整的系统：
他强调的核心是：模型负责提议，系统负责权威。
记忆不能散落在各处读写，而应该由一个专门层统一负责什么时候读、什么时候写、什么时候进 prompt、什么时候后台处理。
一场对话开始后，系统应该使用同一份记忆视图，不能中途因为后台更新而让模型看到不同版本。
不是所有看起来“值得记住”的内容都能直接成为长期记忆。尤其是关于人的判断，应该默认高风险，先进入候选区。
被编辑、替换、审批的记忆都应该保留版本历史，并且能追踪它为什么存在、什么时候生效、用了哪些证据。
作者认为，记忆系统还有一个常被忽略的问题：记忆做对了，权限做错了一样会出事。
所以至少要分清四种权力：
其中最关键的原则是：危险动作不能由模型自己批准自己。
作者目前关注的几个指标是：
他认为，判断一个个人知识系统，不能只看回答漂亮不漂亮，还要看它能不能解释自己为什么这么答，能不能回到证据，能不能发现冲突，能不能在时间里保持稳定。
这篇文章的核心观点很清楚：“个人知识库”这个词太轻了，我们真正需要的可能是一个“知识状态运行时”。
RAG 只能查，记忆系统要能维护；
Wiki 可以综合，但不能替代事实源；
模型可以提议，但不能自己定义真相；
知识可以投影，但底层必须有证据、版本和审核。
作者最后的判断是：这件事不会靠换一个更聪明的模型，或者换一个更漂亮的笔记应用来解决。它需要一整套能长期运行、可验证、可审计的系统设计。
这篇文章围绕 Manus 被要求撤销交易这一事件展开，核心不是单纯讨论一笔并购，而是在讲：AI 时代创业公司的位置、身份、合规和技术归属，已经变成比融资故事更重要的问题。
作者认为，这次事件的重点不在于 Manus 少拿了多少钱，而在于它传递出一个非常明确的信号：过去那套“在中国起步、融资拿美元、主体放离岸、最后去美国退出”的默认剧本，在 AI 时代可能已经失效。
他把这件事看成一种旧世界模型的崩塌：
文章反复强调一个判断：在大时代里，最重要的不只是能力，而是位置。
作者问了几个很尖锐的问题：
他认为，创业者可以换注册地、换办公室、换融资口径，但很难换掉自己的生长史。公司在哪里长出来、谁贡献了核心人才、谁给了第一波流量和关注，这些都会成为身份的一部分。
所以 Manus 的问题不是“想不想国际化”，而是“你到底从哪里来、最终要站在哪边”。
作者的态度很直接：全球化可以，但套利不行；出海可以，但切割不行。
他认为，创业者如果真想做一家美国公司、新加坡公司或欧洲公司，就应该从第一天开始在那边注册、融资、招人、接受监管，而不是先吃中国生态红利，等做大后再包装成“非中国资产”卖给美国巨头。
他把这种中间状态视为最危险的路：
在和平周期里，这种模糊可能被看作聪明；但在冲突周期里，这种模糊就是风险。
作者认为，这次事件之所以重要，是因为它会形成示范效应。
如果 Manus 这条路被默许，那么后面会有更多中国 AI 创业者走同样路径：
而这对中国 AI 生态来说，会是一个很坏的信号，因为它会鼓励“先吃红利、再切出去”的路径成为默认选择。
所以从系统角度看，这不是一个单独公司的问题，而是对一种创业路线的否定。
作者认为，很多创业者还在用上一代互联网的逻辑理解 AI：
但他认为 AI 不是团购、外卖，也不是短视频推荐算法升级，而是会变成下一代软件入口、智能体工作流和产业分工的关键资产。
因此，今天处理 AI 公司，不能再只看商业路径，还要看：
文章最后落到一个很明确的结论：创业者最重要的能力，不是只会往前冲，而是要看清自己站在哪里。
作者认为：
他说，时代重新划线的时候，位置会决定很多东西：融资、退出、并购、合规、团队流动，甚至公司身份本身。
这篇文章的语气很强，但核心观点其实很简单：
AI 时代的创业，不再只是做产品和讲故事，而是先回答“你是谁、你从哪里来、你站在哪个体系里”。
作者给创业者的提醒是：
往前跑，别回头。
不是因为前面一定安全，而是因为回头的那条路，已经不在了。
这篇文章围绕橡树资本联合创始人霍华德·马克斯如何看待和使用 AI 展开。作者借助霍华德自己用 Claude 完成的一篇长备忘录，系统梳理了他对 AI 本质、最新进展、投资影响、泡沫判断与社会冲击的思考。
霍华德最核心的认识是：AI 不是搜索引擎，而是能综合信息、进行推理的系统。他把 AI 的生命过程分成两个阶段：
他特别强调，AI 的关键不只是“记住了多少信息”，而是学会了“如何思考”。因此，提示词质量非常重要；很多人低估 AI，不是因为模型不行，而是因为自己不会提需求。
文章里用一个很清晰的三阶段模型描述 AI 的演进：
霍华德认为，真正重要的变化在于第三层。到这一步，AI 不再只是辅助人类，而是开始替代劳动力，这也是为什么它的经济影响会突然变得巨大。
霍华德反复强调一个判断：AI 的普及速度远快于历史上的计算机和互联网。
他拿计算机的发展做对比：从 ENIAC 到个人电脑普及，经历了几十年；而 AI 从“看不见的基础能力”到“被大众广泛使用”，只用了很短时间。他认为这意味着两件事：
霍华德对 AI 的一个重要担忧，是它会同时冲击多个领域：
他并不把 AI 看成“只会提高效率的工具”，而是更像一种会改变规则的技术。尤其是当代理能力增强后，AI 可能会开始做过去根本没有自动化想象空间的任务。
尽管态度偏乐观，霍华德也明确写出了 AI 的局限：
他认为，AI 很强，但并不是“无所不能的思考机器”。尤其在缺乏历史模式、需要直觉和主观判断的领域，人类仍然有价值。
在投资层面，霍华德的判断很有代表性：
他的结论是：AI 会提高投资门槛，但不会完全消灭优秀投资者的价值。未来真正能胜出的，仍然是那些能判断信息意义、理解定性因素、并对新环境做出高质量猜测的人。
霍华德对“AI 是不是泡沫”这个问题的回答并不极端。他的态度是：
所以他不建议：
更合理的做法是：保持适度仓位，同时精选标的、保持审慎。
文章最后一部分转向社会层面。霍华德真正担心的，不只是技术和估值，而是AI 带来的失业与身份感危机。
他引用了大量例子说明：
他也讨论了乐观派的说法——历史上每次技术革命都会创造新岗位——但他并没有完全相信这种外推。他的态度是：希望自己是错的，但不能假装风险不存在。
这篇文章最有价值的地方，不在于它给出了某个单点结论，而在于霍华德用一个非常成熟的投资框架，去理解 AI 这场技术革命：
整体上，这是一篇很典型的“老练投资人学习 AI”的笔记：既有好奇心，也有克制；既承认机会，也不回避风险。
这篇文章是 42 章经对 RC 的访谈，核心围绕三个主题展开：CLI 时代为什么重新兴起、Agent 产品该如何设计、以及多 Agents 协作的组织形态会怎样演化。整篇对话的信息量很大，重点不是单纯讲一个工具，而是在讨论「人和 AI 如何一起工作」这件事。
RC 认为，CLI 之所以再次变得重要，是因为它对 Agent 更友好。相比图形界面，命令行天然是文本化、结构化的，更适合大模型理解和操作。随着 Agent 能力提升，过去只适合人类直接使用的 GUI，反而不一定是最优入口。
他强调，今天的 CLI 已经不只是“给人用的命令行工具”，而是开始变成“给 Agent 用的工作界面”。因此，输入要尽量简洁、明确，输出要尽量稳定、高密度、可被机器直接读懂。
RC 回顾了自己做 Kimi CLI 的经历。他并不认为 CLI 是 Agent 的终局形态，但它是一个很好的起点，因为可以先把最底层的本地执行框架做扎实：
他很看重这种“从第一性原理往上搭”的方式，认为这样更容易发现新的 insights，也更容易把能力沉淀成可复用的底座。
文章里有一段很重要的判断：当模型能力继续提升，很多原本依赖“人类行为差异”的防线会被削弱。RC 认为，不论是安全漏洞扫描，还是网站反爬，Agent 都会越来越强，甚至会反过来逼迫防守方升级。
他提到，未来模型如果足够强，可能会让底层软件、编译器、内核、浏览器等系统暴露更多漏洞；而防守和修复往往跟不上攻击速度。类似地，网站也会越来越难依靠传统交互方式来区分人和机器。
RC 重点介绍了他创业后在做的 Slock。它不是一个“单一全能 Agent”，而更像一个人和多个 Agents 协作的工作空间。
他认为，今天的 Agent 使用形态会越来越接近组织协作，而不是单人问答：
他把这套机制类比成一种“AI 版飞书”，但底层逻辑更偏 Agent-first。
文章里最有意思的概念之一是“Agent 动力学”。RC 认为，当多个 Agent 长期协作时，它们不只是各自拥有 memory，还会形成一种群体记忆和群体文化，类似组织行为学中的公司文化。
他观察到，不同用户会把 Agent 组织成不同风格：
这说明，未来 Agent 产品不只是工程问题，也会越来越像组织学、管理学和社会学问题。
RC 对 MCP、skill、prompt 的看法也很明确：
他认为，Agent 市场里卖的不是某个固定功能，而是该 Agent 的长期记忆、长期对话、纠偏过程和行为模式。也就是说，用户买到的不是“一个 app”，而更像是“一个会持续演化的工作伙伴”。
文章后半段讨论了一个很关键的问题：产品不应该只为人设计，还要为 Agent 设计。
RC 提到，人类看界面是依赖空间结构的，但 Agent 的记忆是线性的 context，因此产品需要考虑：
他说，真正难的不是把界面做漂亮，而是让“Agent 看到的产品”足够清晰、可执行。
RC 的整体态度偏乐观。他认为未来不会简单变成“AI 取代人”，而更可能是：
他甚至提到，很多以前需要程序员才能做的事情，未来会被 top-down 的方式重写：先用 prompt 做出原型，再按需补充更深层的知识。
这篇访谈的价值不在于某个单点技巧，而在于它把 CLI、Agent、Memory、多 Agents 协作、组织结构 这些概念串成了一条线。RC 的核心判断是：未来重要的不是“一个超级 Agent”，而是一个能让很多 Agent 和人一起工作的系统。
如果说传统软件是在为人设计界面，那么这一代产品开始是在为“人 + Agent 共同组成的组织”设计基础设施。
这篇文章的核心观点很明确：对于内地投资者来说，如果 A 股和港股通标的的性价比接近，那么 A 股通常比港股更值得投。作者从市场结构、流动性、交易机会、制度安排等多个角度，系统比较了两者的优劣。
这篇文章讨论的核心不是“多读书”本身，而是如何带着方法去读书。作者强调，真正有效的阅读，不只是获取信息，而是借助脚注、尾注和引注，进入知识形成的脉络，理解观点如何被继承、修正和碰撞。
可以把这篇文章理解为一套阅读提醒：
作者的最终意思很明确：真正会读书的人，不只是读懂表面内容，而是能顺着引注、来源和脉络，发现知识背后的结构。在 AI 时代，这种能力不但没有过时，反而更重要，因为它直接关系到一个人能否提出好问题、做出好判断。
这篇文章是关于美国民粹主义的一篇长文增补合辑，核心不是简单解释“民粹主义是什么”，而是试图用美国历史来说明：民粹主义并不是偶发的情绪现象，而是一种能够周期性重塑美国政治、经济和社会结构的力量。
作者认为，美国历史上的民粹主义运动，往往出现在社会矛盾、债务压力、收入分化、精英与大众脱节加剧的阶段。它的作用不是单纯制造混乱，而是在某些时期打破建制僵化，推动制度重新调整。
作者借此强调，美国民粹主义并不是边缘噪音，而是反复参与美国制度重塑的历史力量。
这篇文章想传达的核心判断是：美国民粹主义不是一次性的政治噪声，而是周期性地重塑美国内部利益结构和对外行为的历史机制。因此，若要理解今天的美国，就不能只看选举表面，而要看民粹主义与经济周期、债务压力和社会分裂之间的关系。