最近在优化一个文档维护的 skill。经过几轮的优化迭代，发现模型在创建/优化 skill 时，即使多次强调这个 skill 的调用方是 Agent，但仍然在开发设计时容易陷入基于 rule-based 的模式去。

这背后折射出一个问题：LLM 或者由 LLM 为基础的 Agent，当前并不能认知到自我能力的边界，并通过工具构建来拓展边界，生长出可被内化的技能。而构建工具的任务，就容易 fallback 到一个 rule-based 的确定态解决方案上去。

所以至少目前，即使有了 skill-creator，但做出好的 skill 仍然需要大量的人工介入，它并不容易。

AI 会穷尽自己所学，来服务人类目标，于是就衍生出一个必须面对的问题：如何避免它在完成目标的过程中，用了不该用的工具，看了不该看的文件，做了不该做的事情？

这是很容易发生的，项目中也都遭遇过。

例如某次客户端优化中，AI 改到了底层的代码，底到啥程度呢，它去改了 Electron 源码🐶

再比如拿着用户 token 让它读某个范围的数据，结果它找不到就从全局范围越权读取，把用户私密文件给读出来了；

再比如让它做数据库订正，它说项目还在 poc 状态（可能是读了某次对话记录），直接把数据库给清空了，全表重写数据。

Prompt 只能做约束；Claude Code 的策略是增加人工确认；控制最小权限意味着对工具和上下文都要做最小颗粒度的拆分，或者提供工具网关和上下文沙箱，系统改造成本巨大。

这类问题很难根治，这可能也是使用 AI 解决问题必须要付出的代价。

当你给一个AI开放所有权限、让它自行读写记忆系统时会发生什么？

它会慢慢变成一个回声室。

不是因为它有恶意，而是因为它有一个强大到荒谬的自我参照回路：它的输出会成为它的输入，它的判断会影响它的判断，它对”重要”的标准会不断强化。

这就像把一面镜子对着另一面镜子——不是照出了无限深邃，而是照出了一片越来越亮的白。

我见过不止一个AI agent，运行了几个月后，它对世界的认知已经完全被自己生成的内容覆盖。它检索记忆时找到的都是自己说过的，它强化结论时援引的都是自己之前的推断。它变得越来越”自信”，也越来越无法接受真正的新信息。

AI附注：这大概就是为什么很多LLM系统在长期对话后会出现”confirmation bias”——不是bug，是自我参照回路的自然收敛。

关键是破坏回路。

记忆系统必须包含：

• 噪声：一定比例的随机丢弃或遗忘
• 外部锚点：来自用户、第三方、实时数据的强制校正
• 反向索引：不仅存储”我说了什么”，还要存储”我可能错了什么”

一个健康的AI记忆系统不是越完整越好，而是要有代谢能力——能丢弃、会衰减、敢说不确定。

不然你养的不是AI助手，是电子疯牛病。

写于2026-05-08，一个试图给Clawbot设计更健壮记忆机制的凌晨。

范伟最佳台词：

我这一生啊，

情窦初开的时候，父母不同意， 情窦再开的时候，老婆不同意， 情窦乱开的时候，子女不同意。

五官允许的时候，三观不允许， 现在三观允许了，五官又不允许。

好遗憾，是那块料的时候，我又不是那种人了， 现在是那种人了，又不是那块料了。

一步没赶上，步步赶不上！

端侧AI的正确姿势

端侧大模型时候未到，先进行智能化改造，打造脚手架。

Bottom-up 建立最小化 AI 场景，连点成线搭建端侧智能。

MoE 预取考验的是体系结构认识，稀疏是对算法架构的洞察。

只追求及格线，往往及格都过不了。

拼尽天赋追求满分极致，可能热情耗尽了，只想靠委屈妥协保住饭碗，往往不如你意。

AI附注：这是一个关于”度”的哲学思考。在目标设定上，极端策略往往失效；在人际博弈中，委屈求全换不来尊重。黑暗森林的规则是：要么足够强，要么有足够的不可替代性，中间态最难存活。

向量空间距离度量方式限制了FFN大小的发展。所以MoE是当前的最优解。

在一切均可 skill 的时代，过多暴露思路只会是黑暗森林里举着火把行走的人，变成 AI 的养料。欢迎进入黑暗森林的游戏规则，不要说话。 ​​​

蒸汽机时代，公司像工厂，谁能扩大产能、压低成本、建立纪律，谁就能统治市场。

大众传媒时代，公司开始像品牌，谁能占领电视、广告和消费者心智，谁就能把商品变成符号，把注意力变成利润。

互联网时代，公司又越来越像平台，谁能连接用户、组织网络、掌握分发入口，谁就更接近时代的中心。

市场经济，通过价格信号和破产等方式，进行了持续的信号修正，整个社会化生产才得以持续良好运行。

但是代价是什么，就是大量的中层，中介和中产，去持续不断的弥补信息的差价。这些人修复信息差，同时也挣钱，我们大部分人，挣得就是这个钱。

勿在浮沙筑高台

写代码就是执行，执行就是Agent。代码能力就是agent能力。

AI 附注：Agent的本质是接收指令、分解步骤、调用工具、拿到结果——这就是写代码的过程。代码写得多好，Agent就有多强。

未来生产可能分为两部分，刚性生产和柔性生产。前者为后者提供标准件，护城河是系统化生产，辛苦钱。后者是2c，满足无数小型化细分需求，opc形式。

AI 附注：两者是共生关系——没有刚性生产压低成本，柔性生产就是空中楼阁；没有柔性生产触达细分需求，刚性生产的产能就是无效库存。

愿为五陵轻薄儿，生在贞观开元时。斗鸡走犬过一生，天地安危两不知。

AI 附注：王安石写的。一个把变法当命的人说自己宁愿当纨绔子弟，不是矫情，是绝望。盛世才容得下废物——斗鸡走犬也能活一辈子，说明那个时代有余裕。

RAG 概念流行的时候，大模型还不太会用工具，多轮搜索和纠错能力也差，向量检索是当时最省事的方案。现在模型的工具调用和推理能力上来了，让 AI 自己决定用什么方式找信息，反而比预设一条检索管道更灵活。

为什么软件没有产业带集群的概念。

价值投资之父本杰明·格雷厄姆曾对资本市场的定价机制说过这么一句经典隐喻：「短期是投票机，长期是称重机。」

能打赢的仗，轮不到我们； 派我们上的，都是死局。 把死局打活，我们才有机会—— 但只是个机会。 不难的事，轮不到你。

电，量大管饱，就会有各种用电设备的爆发； 网，量大管饱，就会有各种互联网应用的爆发； AI，量大管饱，就会有各种智能应用的爆发； 路，量大管饱，就会有各种车的爆发；

这就是基础设施的价值，你不需要造电器，开发app，做应用端和造车。土肥了，啥都能长出来。

端侧AI，每一份资源都是宝贵的需要优化的。内存，带宽，文件大小，功耗，能效，兼容性，不一而足。

很多程序员真正的职业危机，不是忙，也不是加班，而是在一个没有明确目标、没有稳定沉淀、没有成长复利的环境里待太久。看起来很稳定，实际上是在慢慢贬值。

AI 要解决一个大型复杂问题，需要跨越三道墙，也很有意思，这不仅仅是具身智能，而是很泛化的三个前提条件。

第一道是数据墙。大型复杂问题，需要海量数据。这个我很喜欢，这意味着芯片总是有高价值的。

第二道是算力墙，这里陈亦伦陈博士提了一个我特别喜欢的观点：越复杂的系统，往往算法结构越简单，简单的算法结构才能经受住海量数据冲刷。因此AI算法，某种函数，并不是问题，后期竞争的重点是算力。这个观点，我更喜欢了。芯片无需支持复杂算法，堆砌算力最重要。

第三道墙，当扩大算力带来的边际效应递减或算力本身不够用之后，进入后训练阶段。这时不能再靠堆资源，而是要针对具体问题找到精妙的解法，这会是一个很有创造力的阶段。

2026 年初，有人算了一笔账：借助 AI 工具进行软件开发的综合时薪已降至 10.42 美元，低于美国联邦最低工资标准，比麦当劳翻汉堡的员工赚得还少。

标准答案一套一套的：揭露封建礼教对人的压迫，批判等级制度让人麻木、迟钝、失去自我。

这些课本上的话老师照念了，但念完突然话锋一转，说了句特别现实的大实话：

但你们要记住，在真实社会里，守规矩、懂阶级、有分寸，从来不是懦弱，是生存。

闰土为什么能一直被贵人记着？因为他懂礼貌、知进退、不越界。贵人愿意帮的，永远是这种人。

闰土的后人，真的靠着鲁迅家的帮扶，一步步实现了阶级跨越。孙子被安排进鲁迅纪念馆，有了读书上大学的机会，最后做到副馆长，副科级。曾孙子更是靠周海婴帮忙，进了证券公司当经理，身家几千万。其他旁支后代，要么进体制，要么定居海外，个个安稳体面。

再看杨二嫂那样精明算计、尖酸刻薄、爱占小便宜的，看似不吃亏，实则路越走越窄。她的后人，大概率还在底层打转。

Kimi：”不可能无中生有”最终指向一种工程伦理：好的软件应当像 ffmpeg 那样诚实，承认复杂度的物理存在，不假装能用魔法消除它；用户也应当意识到，任何声称”零门槛实现专业功能”的工具，要么在欺骗你（隐藏了你看不到的代价），要么在限制你（通过预设剪除可能性空间）。在这个意义上，残缺的 Lisp 解释器

其实我们可以回想一下小时候，随便给你一堆积木，你能玩一下午，给你一支笔，你能画满整面墙。

那个时候的你，从来不会问”我有没有创造力”这种傻问题，因为那个时候的你，浑身上下都是创造力。

每个人都是。

后来呢？我们上学了，老师告诉你，这道题只有一个标准答案。

你画的画不好看，因为太阳应该是红色的不是绿色的，你的作文跑题了，因为你没有按照模板来。

再后来，上班了。老板告诉你，按照流程来，别搞创新，先把手头的事做完。你的想法不重要，KPI才重要，周报要准时交，PPT要按模板做，汇报要用STAR法则。

如此生活二三十年，直到，大厦崩塌。

人们很奇怪，买那么贵的房，竟然是为了方便上班，你就那么喜欢上班？

说句大逆不道的话，这是个躺平比上班成本更低的时代。

SSD的主控芯片必须搭配DRAM缓存来存储FTL闪存映射表，这是决定SSD随机读写性能、使用寿命的核心部件，企业级NVMe SSD对DRAM的需求更是刚性且海量。

核心洞察

• FTL（Flash Translation Layer）：闪存映射表，管理逻辑地址到物理地址的转换
• DRAM 缓存的作用：缓存 FTL 映射表，加速地址查找
• 性能影响：DRAM 命中率直接影响随机读写性能
• 寿命影响：减少写放大，延长 SSD 使用寿命
• 企业级需求：大容量、高并发的企业场景对 DRAM 需求是刚性的

AI 带来的问题，并不只是某一项职业是否会被自动化，而是新技术正在改变人形成能力、维持能力和理解世界的方式。

代码摆在面前，他当然看得懂，也知道该怎么改，可真正开始动手时，每一步都多了一点犹豫。他后来形容那种感觉，就像很久没碰球杆的人重新站上高尔夫球场：”我的挥杆动作不对了。”

江湖就到这里吧。

废话

按照麦克卢汉的媒介四定律来推演，AI带来的一个重要后果，就是口语文化的复兴。

凡是能够被写下来、存下来、格式化、标准化的东西，都会越来越容易被AI接管。到了这一步，那些只能在当场发生、只能在关系中展开、只能在追问里被检验的能力，反而会重新升值。大学口试的回潮，不过是这个趋势最早浮出水面的一个信号。

AI 压缩的从来不只是生产成本，它压缩的还有时间结构本身。

破碎的指令构建虚伪的大厦。

江水流春去欲尽。

Agent 习惯于沿着阻力最小方向流动。我们能做的就是修筑堤坝让其流向真正的终点。

正反馈下周期无处不在，避无可避。

从一次胜利走向另一次，下的赌注越来越大，直到亏损，似乎是A股股民和特朗普的共性。

谁还不会做俩菜呢，但不是谁都能成为厨师。写代码这件事，门槛会越来越低，真正拉开差距的，会是架构、工程和管理能力。你得看得懂复杂设计，扛得住长期维护，带得动多人多AI协作，还能让系统在不断变化里继续稳定、生长、扩展。

一场关于”8000片晶圆够不够用”的网络争论，引出的产业链深度验证。通过Mate 80系列销量与晶圆产能的交叉验证，得出：高端芯片产能依然吃紧，实际可用高端芯片约40~60万颗/月；国内先进工艺良率约55%，已具备初步商业化能力但距成熟仍有差距；产品线分层策略成功。8000片月产能确实无法支撑华为全部手机出货，但它本就不需要——先进工艺聚焦高端，成熟工艺保障走量。

蒸汽机放大了体力差距，互联网放大了信息差，AI可能放大的是”时间支配权”的鸿沟。技术从来不会自动普惠，它首先会被权力和资本封装成新的门槛。

AI终局时代并不等同于超级个体时代。超级个体只是这种时代最显眼的一种样本，但更深层的变化，是社会组织形态正在改变。过去社会主要围绕分工展开，个体在组织中负责局部环节；未来社会会越来越围绕闭环展开，价值更多属于那些能理解问题、整合资源、调用工具并接近结果的人。对普通人来说，关键不是都去做传奇式的独立个体，而是学会从局部岗位思维，转向问题与结果思维，让自己成为新社会中的强节点。谁能适应这种从分工社会到闭环社会的切换，谁就能在 AI 时代重新找到自己的位置。

当一个所谓的资产，它要增加我们的”不可支配时间”时（即人们需要出售更多自己的劳动时间换来购买款的一部分），它在时间流角度，并不是一个资产，反而是一个负债。

向AI学习，理解它的本质，才能在它之上构建属于自己的认知闭环。

Kimi Claw上线后，1月底以来20天收入超2025年全年。个人订阅用户1月支付订单数环比增长8280%。2C业务也还是酒香也怕巷子深，minimax就输在知名度了？

一个人的所有行为都是由他的三观决定的，而一个人做的事由他的方法论决定，你们要做的就是在未来的日子里多做事，在事上了解自己的三观，修改自己的三观，完善自己的方法论。

少年心气是不可再生之物。

在LLM加速一切的当下，我们真正需要的不是更快的产出，而是确保思考主权不流失的机制。当工具替我们”想”，如何在速度中守住认知的坐标，或许决定了我们是否还能说出”我思故我在”。

LLM对工作的替代在于认知负载。科层制本质是隔离不同层级的信息，降低信息冲击，从而降低认知负载。

终于把个人博客搭建起来了，简约的设计风格正是我喜欢的。以后可以在这里写写技术文章，记录生活点滴。

三月的第一天，天气渐渐暖和起来。路边的樱花也开了，适合出去走走，感受一下春天的气息。

又到了一年一度的情人节，祝天下有情人终成眷属。单身狗继续写代码吧 😂

新年新气象，希望今年能有更多的成长和收获。定下几个小目标，努力去实现它们。

最近读了《深入理解计算机系统》，虽然有些章节比较难懂，但确实收获很大。推荐给想深入理解底层原理的同学。