Get live statistics and analysis of 安仔's profile on X / Twitter

突然我才发现，我所有成长最快的时刻，都是那些“实在没招了只能硬着头皮上了”的时候。 还记得 2020 年准备和女朋友结婚的时候，自己一直在创业，已经在用信用卡利滚利刷钱吃饭，欠了一屁股债，还怎么结婚。 那时候想这样不是办法，于是硬着头皮去应聘国外的远程工作，带着半桶水的英语水平居然应聘成功了一份月薪 20k 的技术顾问工作。 然后利用闲暇时间工作了差不多五年的时间，把自己的债还了，老婆有了，顺带还把我自己的英语口语和国外一整套团队协作的文化和工具学了回来，现在回想起来完全不敢想象。

今天逛下 Github，发现了一个专为大麦网设计的开源自动抢票工具，已经快 4k stars了，功能还挺实用： • Python + Selenium 无延迟自动购票 • 支持自定义演出者/城市/日期/价位 • 跨平台：Web端 + Android移动端 • JSON配置文件，灵活易用 电脑开一个，手机开一个，应该不用担心手速拼不过黄牛了吧...

今天凌晨刷到吴恩达又出了新课，这次是 Agentic AI。看到课程大纲的第一反应是：终于有人把 AI Agent 这件事讲透了。 很多人都在学 AI，但真正能把 AI 落地成「会干活的智能体」的人，少得可怜。市场上到处都是会调 API 的开发者，但能设计一个「自己会思考、会用工具、会协作」的 Agent 系统？这才是现在最值钱的技能。 吴恩达这门新课《Agentic AI》，专门教怎么构建 AI Agent。我看完介绍有点兴奋，因为他讲的不是那种「调个框架就完事」的速成教程，而是真正的工程化方法论。 课程核心是四个设计模式： Reflection（反思） —— 让 Agent 学会检查自己的输出，像人一样自我迭代改进。你写完代码它能自己 review 并优化，这不就是我们梦寐以求的「AI 同事」吗？ Tool Use（工具使用） —— 教 LLM 自己决定该调哪些函数：搜索网页、查日历、发邮件、写代码……不再是你硬编码逻辑，而是它根据任务需求自主选择工具 Planning（规划） —— 把复杂任务拆解成子任务，系统化执行。比如你给 AI 一个模糊的需求，它能自己列出 roadmap 并逐步完成。 Multi-agent Collaboration（多智能体协作） —— 构建多个专业化 Agent 协同工作。一个负责调研，一个负责写作，一个负责审核……随时组建一个自己的虚拟团队。 但吴恩达说了一句让我印象最深的话： 技术不是最难的，最难的是你知不知道怎么评估（Evals）和分析错误（Error Analysis）。他见过太多团队瞎猜哪里有问题，浪费大把时间优化错误的方向。而真正厉害的团队，都是用数据驱动迭代，精准定位瓶颈。 这门课就专门教你这套方法论 —— 不靠感觉，靠数据。这才是让你「显著领先于绝大多数 Agent 开发团队」的核心竞争力。 课程还有个我很喜欢的点： 用原生 Python 教学，不绑定任何框架。你能看到每一步的底层逻辑，学完之后无论用 LangChain、AutoGPT 还是自己撸代码，都能灵活应用。 实战项目是构建一个深度研究 Agent，能自动搜索、综合分析、生成报告。 前置要求也很友好： 会 Python 就行，了解点 LLM 更好（但不是必须）。对于咱们这些技术背景的人来说，基本零门槛。 说实话，AI Agent 这个方向我关注很久了，但市面上要么是学术论文看不懂，要么是框架教程太浅。吴恩达这门课刚好填补了这个空白 —— 既讲原理，又教工程实践，还给你一套可复用的评估体系。 如果你也在思考「怎么把 AI 真正用起来」，而不是停留在聊天机器人层面，这门课值得一看。

最近发现了一个很有意思的现象，越来越多人拿着 AI 写出来的代码找我，问我能不能帮他们把这些东西变成真正能用的产品。 这些人通常不是技术背景，可能是律师、销售或者其他领域的专业人士。他们有好点子，也用上了最新的 AI 工具，甚至真的把一个看起来能跑的 demo 做出来了。 但到了某个节点，他们就卡住了，然后开始满世界找技术合伙人或者 CTO。 这让我想到一个问题：如果 AI 真的能完全取代软件工程师，为什么这些人还需要我们？ 我也一直用 AI 辅助写代码，也看了很多别人的演示。慢慢地我意识到一件事：AI 确实会写代码，但它造不出软件。 这两者之间有条很深的鸿沟。 写代码其实不难，解决一个个独立的、定义清晰的小问题，现在的 AI 已经做得很好了。但软件工程难的从来不是这个。 真正的挑战是当你要把 demo 变成产品的时候，你得同时处理几百个这样的小问题，还要让整个系统保持可维护、可扩展。 这就是那些人找上门来的根本原因。他们能用 AI 快速搭出一个功能演示，但要让它变成真正能上线运行的产品，就完全是另一回事了。 我看过他们发来的代码，说实话，所谓的"让它变得可以上线"，基本上就是推倒重来的意思。 不是代码写得不对，而是整个结构、集成方式、长期维护的考量，这些东西根本就不在那些代码里。 软件工程师的核心工作其实是管理复杂度。 一个真正的生产系统做的事情，单独拆开看都不复杂，但要同时做好几百件简单的事，还要让它们协同工作，这才是真正考验人的地方。 我也不知道为什么 AI 现在还做不到这一点，可能这就是这个职业的本质吧。但至少现在，这条线还是很清晰的： AI 能帮你写代码，但把代码变成软件，还是得靠人。 工具在进化，但有些能力的门槛，并没有因此降低。

Uber 的财务团队受不了了。他们每天要在 Presto、IBM Planning Analytics、Oracle EPM、Google Docs 这些系统之间疯狂切换，就为了找一个简单的数据。 更崩溃的是，很多时候还得自己写 SQL，翻文档查字段名，或者干脆提交申请等数据团队跑报表，一等就是几个小时甚至几天。 于是他们用 AI 造了一个叫 Finch 的智能体，彻底解决了这个问题。现在只需要在 Slack 里用自然语言问一句，几秒钟就能拿到答案。 这个故事其实挺有意思的，让我跟你细说下这个 AI 落地案例。 首先我们来看看他们财务分析师之前的日常：你需要查上季度某个地区的总订单额，听起来很简单对吧？但实际操作是： 先登录 Presto 查一部分，再切到 IBM Planning Analytics 找另一部分，然后打开 Oracle EPM 核对，最后还得去 Google Docs 翻历史记录。 如果数据结构复杂一点，你还得自己写 SQL 查询，翻着文档查字段名。 更要命的是，很多时候你根本写不出来那个查询，只能提交申请给数据团队。 然后就是漫长的等待，几个小时到几天不等。等数据拿到手，会议早就开完了，决策早就做了，你手里的数据已经失去了时效性。 Uber 工程团队意识到这个问题的严重性。对于一家每天处理数百万笔交易的公司来说，每一分钟的数据延迟都可能影响重大决策。 所以他们决定彻底改变这个流程，打造了一个叫 Finch 的 AI 数据助手。 Finch 的核心理念特别简单： 让查数据变得像发消息一样简单。它直接集成在 Slack 里，你只需要用自然语言提问，比如“2024 年第四季度美国和加拿大地区的总订单额是多少”， Finch 就会自动帮你找到正确的数据表，生成 SQL 查询，检查权限，执行查询，然后把结果直接发回 Slack。整个过程只需要几秒钟。 这背后，其实 Uber 没有让 AI 直接面对他们庞大复杂的数据库，而是先做了数据治理，创建了精简的单表数据集市。 然后他们在上面构建了一个语义层，用 OpenSearch 存储自然语言和数据库字段之间的映射关系。比如当你说“US&C”的时候，系统知道你说的是“美国和加拿大地区”这个特定的数据列和值。 整个系统采用了多智能体架构。用户的问题先到达一个监督代理，它判断这是什么类型的请求，然后路由到对应的子代理。 比如数据查询请求会交给 SQL Writer Agent，它从 OpenSearch 获取元数据，构建正确的 SQL 查询，执行并返回结果。 整个过程中，Slack 会实时显示进度：“正在识别数据源““正在构建查询”“正在执行查询”，让用户知道系统在做什么。 如果返回的数据量太大，Finch 还会自动导出到 Google Sheets，直接发给你链接。用户甚至可以追问，比如“跟 2023 年第四季度对比一下”，Finch 会基于对话上下文给出新的结果。 安全性也做得很扎实。Finch 内置了基于角色的访问控制，确保每个人只能看到自己有权限访问的财务数据。而且系统设计时就考虑了模块化，可以轻松替换底层的大语言模型，也可以扩展新的数据源。 为了保证准确性，Uber 建立了严格的测试体系。 他们维护了一套“黄金查询”，也就是标准答案，持续验证每个子代理的输出是否正确。还会做回归测试，重跑历史查询，确保系统更新后不会出现准确率下降的情况。 性能优化上也下了功夫。 系统会预取常用指标，让高频查询几乎是秒回。多个子代理可以并行工作，大幅降低延迟。SQL 查询也做了优化，减少数据库负载。 现在 Finch 已经在 Uber 的财务团队全面使用了。那些原本需要几小时甚至几天才能拿到的数据，现在几秒钟就能在 Slack 里得到答案。分析师们终于可以把时间花在真正的分析上，而不是花在找数据和等数据上。 而在他们的未来规划中，Uber 准备为 CEO 和 CFO 这样的高管用户增加一个“人工验证”环节，关键数据会先让领域专家审核一遍再给出最终结果，确保高风险决策的数据万无一失。 他们还在扩展 Finch 的能力，从简单的数据查询延伸到预测、报告生成、自动化分析这些更复杂的财务场景。 这个案例给我们的启发其实挺深刻的。AI 产品的价值不在于技术有多炫酷，而在于它是否真正解决了用户的痛点。 Uber 没有去追求最先进的模型或者最复杂的架构，而是专注于把一个真实的业务问题解决得彻底。 数据治理、语义层、多智能体协作、严格的测试体系，这些看起来不那么性感的基础工作，才是让 AI 系统真正可靠的关键。

现在家里电脑挂着 Claude Code/Codex，装上这个工具就可以随时随地通过手机远程操控帮我写代码，顺心多了。 这还顺带可以直接当我的日常 AI 助理： 比如我在 CC 已经设计好了不少 Sub Agents，集成不同的 MCP 工具就可以给我在手机上调用，汇总大量邮件、实时追踪最新的 AI 资讯、甚至是自动发推文等等...

刚看完宝玉老师推荐的 Google Neural UI 演示，老实说，有点被震撼到了。 不是因为技术多牛逼，而是因为我终于看到了解决方案。 你们懂那种痛苦吗？明明脑子里有个很清晰的画面，但就是做不出来。和 AI 一起改来改去，越改越丑，最后还得退而求其次甚至是推倒重来。 现在想想，如果界面能跟得上我的想法，那该多爽啊。不用再因为技术限制而妥协，不用再解释"这个功能实现起来很复杂"。 突然有点小激动，感觉新时代要来了。

自己多年在职场打滚的经验教训： 1. 把所有的事情先分优先级。 2. 一天只完成三件重要的事情。 3. 同一时间，聚焦做好一件事比你同时兼顾多个事要重要万倍。 4. 向上/下管理都要做好及时反馈的习惯。 类比到人处理日常事务也是一样，与其天天下班后刷抖音小红书越刷越焦虑，还不如沉下心来好好读完一本书，学完一个课程来的充实。 道理肯定大家都懂，关键在于谁可以真的坚持并执行下去。

绝对是宝藏工具贴！我苦恼了怎么做这种动画很久了🥲

说件有点丢人的事。 其实去年 11 月我开始业余做自媒体的时候（做的公众号，今年这个月才开始做的 X），特别有信心，觉得自己好歹也是创过业，拿过点小成绩的人，写点东西应该不难。 结果第一条内容发出去，阅读量 17，其中 10 个可能还是我找朋友浏览贡献的... 当时有个和我同期起步的博主，我俩还互相关注了，他第一条内容也就几十个阅读。我心想，行吧，大家都是新手，慢慢来。 结果三个月后我再看他主页，人家已经开始接广告了。我呢，还在为破百的阅读量之间徘徊。 这种感觉有点像你和朋友一起报了健身房，三个月后人家练出了腹肌，你还在为能跑完三公里而感动自己。 最难受的还是自从做了自媒体后每天的睡前焦虑。 每天晚上躺床上，我都会习惯性地打开他的主页，从上往下刷他的内容。看他又发了什么爆款，看评论区里的人怎么夸他，看他的粉丝数又涨了多少。 然后关掉手机，盯着天花板，总是辗转反侧睡不着觉。 我知道这样很病态，但就是控制不住。明知道比较没意义，但还是忍不住要看，看完又陷入自我怀疑的循环，觉得自己究竟是不是做自媒体的料，自己是不是没有内容输出能力等等。 有时候我会安慰自己，人家可能是全职做的，人家可能有团队，人家可能投了推广。 但说实话，这些都是我给自己找的借口，心里清楚得很。

既然大家都对我的经历那么感兴趣，这里我就来复盘一下，希望可以给大家一点启发。 从高考失利到香港优才：一个普通程序员的 8 年逆袭路 如果你现在看到我的标签：创业者、技术架构师、海外企业技术顾问...你可能会觉得这是个"别人家的孩子"。但说实话，我的起点真的很普通，甚至可以说是失意的。 2012 年高考失利那年，我坐在成绩单前发呆了很久。看着那个只能上二本的分数，再想想同龄人陆续收到 985、211 的录取通知书，说不失落是假的。但那一刻我就想明白了一件事：既然学历输在起跑线，那就在技能上超车。 大学四年，我过得和室友们完全不一样。当他们在宿舍打游戏到深夜时，我在图书馆学编程；当大家参加各种社团活动时，我在研究 Linux 系统；当其他人在追剧刷短视频时，我在啃网络技术的厚厚教材。不是我不想玩，而是我知道，作为一个普通二本的学生，我没有"随便玩玩"的资本。 这种"笨鸟先飞"的努力很快有了回报。大四实习时，我已经能代表我的第一个实习公司参加北京的 SDN 全球大会，在一群行业专家面前展示我们团队的研发成果。那种被认可的感觉，真的太爽了！演示结束后，竟然有很多公司主动找我谈合作，那一刻我觉得自己终于证明了什么。 但是那时年轻气盛的我开始膨胀了。既然技术得到了市场认可，为什么不自己创业呢？2017 年，我叔带着我和几个同学朋友一起辞职，踏上了创业之路。现在回想起来，当时的我们真的是太天真了。 第一年就是一场灾难。我们闭门造车做出来的产品根本不符合市场需求，功能东拼西凑，稳定性差得要命。 更要命的是，团队内部开始出现裂痕——大家都是创业新手，没有管理经验，频繁的需求变更和产品重构让团队逐渐分崩离析。到年底，启动资金烧光了，曾经的朋友变成了陌生人，甚至带着敌意。 那种绝望感，现在想起来还会心疼。 2018 年，我们决定重头开始，但情况比之前更糟糕——大家都没钱了。剩下的几个团队成员，我们都是信用卡借钱维持生活的，坚信只要产品开发成功，就能把一切投入赚回来。整整半年没有任何收入，全靠借钱过日子。你能想象那种每天睁眼就是债务压力的感觉吗？ 终于，我们迎来了第一张重要订单，所有人都激动得要哭了。但很快我们发现，这样的商业模式进展太慢，我们缺乏现金流支持。为了生存，我们不得不转型做外包服务，一边"造血"一边思考真正的产品方向。 2020 年，疫情来了，外包收入也断了。为了新的 5G 产品研发，我们 有合伙人甚至把房子卖了给公司"泵血"。那一年基本没有收入，只能靠卖房的钱苦苦撑着过完整个 2020 年。现在想想，我们当时真的疯了。 但就在这一年，转机出现了。因为一直混迹于各大技术社区，我竟然有机会担任新加坡一家公司的技术顾问！问题是，我的英语是哑巴英语——写还勉强可以，说只能蹦单词，听就更糟糕了，全靠会议软件的自动字幕才能大概明白讨论内容。 但这家公司的同事太耐心了。他们不会因为我的沟通问题而不耐烦，还私下陪我练口语。 从每打一句话都要查好几次字典，每开一次会都要人家耐心等我说单词表达观点，到后来基本不需要查字典，甚至能自己组织会议分享技术心得。我的英语就是在这种"野蛮环境"下成长起来的。 这段经历让我学到了很多国际团队协作的管理方法，也直接运用到了自己的创业公司。我们甚至把总部迁到了香港，开始面向全球市场。香港优才计划也是在这个背景下有幸获得的。 2022 年，我又嗅到了新的技术趋势——AI。就像 2018 年我押注 Kubernetes 和云原生一样，这次我选择业余时间全面拥抱 AI。 我开始折腾各种 AI 项目：和老婆一起用 Midjourney 在小红书画头像赚点小钱，做数字人短视频分享知识，给公司搭建 AI 知识库系统，开始经营自己的技术 IP 账号，开发自己的独立站试水... 现在回头看这 8 年，每个看似绝望的低谷，其实都是为了更高的跳跃。从 SDN 到云原生，从外包到自研，从哑巴英语到海外企业技术顾问，从创业失败到香港优才... 给还在迷茫的朋友们说句心里话：不要害怕普通的起跑线，重要的是你如何奔跑。高考成功与否不是你唯一的出路，自己人生的每一次选择才是最重要的。 技术这条路永远在变，唯有不断学习和适应，才能在这个快速发展的时代中站稳脚跟。 我是安仔，一个普通二本生的逆袭故事还在继续。只要肯迈出第一步，你的世界也会大不一样。

Kevin 最近 6 天，平均一天就有一条过万的推文曝光。 他说的几个点特别实用：围绕1-2个核心观点、控制信息量、用"观点-论证-故事-强调"的结构。这些看起来简单，但真正做到需要不断练习。

聚焦真的很重要，执行力都是其次。 你执行力再强，但你每个东西都是三分钟热度，没有闭环思维，没有聚焦，你最终还是会一事无成。 想想你的工作，想想你的特长或者爱好，为什么你可以胜任它或者可以持续深耕？ 其实本质是，你持续花时间和精力不断聚焦到这个事情上，让你慢慢熟悉和掌握这个技能或者能力。越熟悉的东西，相当于这个方面其他的小白，你就越有信息差优势，从而可以利用信息差赚钱 (你的工作，你的副业，你的爱好) 而弄清楚聚焦这一点在你人生的重要性，那就是你的认知差优势了。

放假带老婆孩子来厦门放松放松。 我发现厦门人也太会享受了，依山靠海，吹着海风，吃着海鲜美食，大家一起唱着歌，喜欢这个城市。

最近在翻读《纳瓦尔宝典》，其中有一句话很适合我们应用在这个信息爆炸和快速迭代的时代，分享给大家。

最近发现了一个很有意思的现象，越来越多人拿着 AI 写出来的代码找我，问我能不能帮他们把这些东西变成真正能用的产品。 这些人通常不是技术背景，可能是律师、销售或者其他领域的专业人士。他们有好点子，也用上了最新的 AI 工具，甚至真的把一个看起来能跑的 demo 做出来了。 但到了某个节点，他们就卡住了，然后开始满世界找技术合伙人或者 CTO。 这让我想到一个问题：如果 AI 真的能完全取代软件工程师，为什么这些人还需要我们？ 我也一直用 AI 辅助写代码，也看了很多别人的演示。慢慢地我意识到一件事：AI 确实会写代码，但它造不出软件。 这两者之间有条很深的鸿沟。 写代码其实不难，解决一个个独立的、定义清晰的小问题，现在的 AI 已经做得很好了。但软件工程难的从来不是这个。 真正的挑战是当你要把 demo 变成产品的时候，你得同时处理几百个这样的小问题，还要让整个系统保持可维护、可扩展。 这就是那些人找上门来的根本原因。他们能用 AI 快速搭出一个功能演示，但要让它变成真正能上线运行的产品，就完全是另一回事了。 我看过他们发来的代码，说实话，所谓的"让它变得可以上线"，基本上就是推倒重来的意思。 不是代码写得不对，而是整个结构、集成方式、长期维护的考量，这些东西根本就不在那些代码里。 软件工程师的核心工作其实是管理复杂度。 一个真正的生产系统做的事情，单独拆开看都不复杂，但要同时做好几百件简单的事，还要让它们协同工作，这才是真正考验人的地方。 我也不知道为什么 AI 现在还做不到这一点，可能这就是这个职业的本质吧。但至少现在，这条线还是很清晰的： AI 能帮你写代码，但把代码变成软件，还是得靠人。 工具在进化，但有些能力的门槛，并没有因此降低。

突然我才发现，我所有成长最快的时刻，都是那些“实在没招了只能硬着头皮上了”的时候。 还记得 2020 年准备和女朋友结婚的时候，自己一直在创业，已经在用信用卡利滚利刷钱吃饭，欠了一屁股债，还怎么结婚。 那时候想这样不是办法，于是硬着头皮去应聘国外的远程工作，带着半桶水的英语水平居然应聘成功了一份月薪 20k 的技术顾问工作。 然后利用闲暇时间工作了差不多五年的时间，把自己的债还了，老婆有了，顺带还把我自己的英语口语和国外一整套团队协作的文化和工具学了回来，现在回想起来完全不敢想象。

Uber 的财务团队受不了了。他们每天要在 Presto、IBM Planning Analytics、Oracle EPM、Google Docs 这些系统之间疯狂切换，就为了找一个简单的数据。 更崩溃的是，很多时候还得自己写 SQL，翻文档查字段名，或者干脆提交申请等数据团队跑报表，一等就是几个小时甚至几天。 于是他们用 AI 造了一个叫 Finch 的智能体，彻底解决了这个问题。现在只需要在 Slack 里用自然语言问一句，几秒钟就能拿到答案。 这个故事其实挺有意思的，让我跟你细说下这个 AI 落地案例。 首先我们来看看他们财务分析师之前的日常：你需要查上季度某个地区的总订单额，听起来很简单对吧？但实际操作是： 先登录 Presto 查一部分，再切到 IBM Planning Analytics 找另一部分，然后打开 Oracle EPM 核对，最后还得去 Google Docs 翻历史记录。 如果数据结构复杂一点，你还得自己写 SQL 查询，翻着文档查字段名。 更要命的是，很多时候你根本写不出来那个查询，只能提交申请给数据团队。 然后就是漫长的等待，几个小时到几天不等。等数据拿到手，会议早就开完了，决策早就做了，你手里的数据已经失去了时效性。 Uber 工程团队意识到这个问题的严重性。对于一家每天处理数百万笔交易的公司来说，每一分钟的数据延迟都可能影响重大决策。 所以他们决定彻底改变这个流程，打造了一个叫 Finch 的 AI 数据助手。 Finch 的核心理念特别简单： 让查数据变得像发消息一样简单。它直接集成在 Slack 里，你只需要用自然语言提问，比如“2024 年第四季度美国和加拿大地区的总订单额是多少”， Finch 就会自动帮你找到正确的数据表，生成 SQL 查询，检查权限，执行查询，然后把结果直接发回 Slack。整个过程只需要几秒钟。 这背后，其实 Uber 没有让 AI 直接面对他们庞大复杂的数据库，而是先做了数据治理，创建了精简的单表数据集市。 然后他们在上面构建了一个语义层，用 OpenSearch 存储自然语言和数据库字段之间的映射关系。比如当你说“US&C”的时候，系统知道你说的是“美国和加拿大地区”这个特定的数据列和值。 整个系统采用了多智能体架构。用户的问题先到达一个监督代理，它判断这是什么类型的请求，然后路由到对应的子代理。 比如数据查询请求会交给 SQL Writer Agent，它从 OpenSearch 获取元数据，构建正确的 SQL 查询，执行并返回结果。 整个过程中，Slack 会实时显示进度：“正在识别数据源““正在构建查询”“正在执行查询”，让用户知道系统在做什么。 如果返回的数据量太大，Finch 还会自动导出到 Google Sheets，直接发给你链接。用户甚至可以追问，比如“跟 2023 年第四季度对比一下”，Finch 会基于对话上下文给出新的结果。 安全性也做得很扎实。Finch 内置了基于角色的访问控制，确保每个人只能看到自己有权限访问的财务数据。而且系统设计时就考虑了模块化，可以轻松替换底层的大语言模型，也可以扩展新的数据源。 为了保证准确性，Uber 建立了严格的测试体系。 他们维护了一套“黄金查询”，也就是标准答案，持续验证每个子代理的输出是否正确。还会做回归测试，重跑历史查询，确保系统更新后不会出现准确率下降的情况。 性能优化上也下了功夫。 系统会预取常用指标，让高频查询几乎是秒回。多个子代理可以并行工作，大幅降低延迟。SQL 查询也做了优化，减少数据库负载。 现在 Finch 已经在 Uber 的财务团队全面使用了。那些原本需要几小时甚至几天才能拿到的数据，现在几秒钟就能在 Slack 里得到答案。分析师们终于可以把时间花在真正的分析上，而不是花在找数据和等数据上。 而在他们的未来规划中，Uber 准备为 CEO 和 CFO 这样的高管用户增加一个“人工验证”环节，关键数据会先让领域专家审核一遍再给出最终结果，确保高风险决策的数据万无一失。 他们还在扩展 Finch 的能力，从简单的数据查询延伸到预测、报告生成、自动化分析这些更复杂的财务场景。 这个案例给我们的启发其实挺深刻的。AI 产品的价值不在于技术有多炫酷，而在于它是否真正解决了用户的痛点。 Uber 没有去追求最先进的模型或者最复杂的架构，而是专注于把一个真实的业务问题解决得彻底。 数据治理、语义层、多智能体协作、严格的测试体系，这些看起来不那么性感的基础工作，才是让 AI 系统真正可靠的关键。

今天逛下 Github，发现了一个专为大麦网设计的开源自动抢票工具，已经快 4k stars了，功能还挺实用： • Python + Selenium 无延迟自动购票 • 支持自定义演出者/城市/日期/价位 • 跨平台：Web端 + Android移动端 • JSON配置文件，灵活易用 电脑开一个，手机开一个，应该不用担心手速拼不过黄牛了吧...

现在家里电脑挂着 Claude Code/Codex，装上这个工具就可以随时随地通过手机远程操控帮我写代码，顺心多了。 这还顺带可以直接当我的日常 AI 助理： 比如我在 CC 已经设计好了不少 Sub Agents，集成不同的 MCP 工具就可以给我在手机上调用，汇总大量邮件、实时追踪最新的 AI 资讯、甚至是自动发推文等等...

说件有点丢人的事。 其实去年 11 月我开始业余做自媒体的时候（做的公众号，今年这个月才开始做的 X），特别有信心，觉得自己好歹也是创过业，拿过点小成绩的人，写点东西应该不难。 结果第一条内容发出去，阅读量 17，其中 10 个可能还是我找朋友浏览贡献的... 当时有个和我同期起步的博主，我俩还互相关注了，他第一条内容也就几十个阅读。我心想，行吧，大家都是新手，慢慢来。 结果三个月后我再看他主页，人家已经开始接广告了。我呢，还在为破百的阅读量之间徘徊。 这种感觉有点像你和朋友一起报了健身房，三个月后人家练出了腹肌，你还在为能跑完三公里而感动自己。 最难受的还是自从做了自媒体后每天的睡前焦虑。 每天晚上躺床上，我都会习惯性地打开他的主页，从上往下刷他的内容。看他又发了什么爆款，看评论区里的人怎么夸他，看他的粉丝数又涨了多少。 然后关掉手机，盯着天花板，总是辗转反侧睡不着觉。 我知道这样很病态，但就是控制不住。明知道比较没意义，但还是忍不住要看，看完又陷入自我怀疑的循环，觉得自己究竟是不是做自媒体的料，自己是不是没有内容输出能力等等。 有时候我会安慰自己，人家可能是全职做的，人家可能有团队，人家可能投了推广。 但说实话，这些都是我给自己找的借口，心里清楚得很。

既然大家都对我的经历那么感兴趣，这里我就来复盘一下，希望可以给大家一点启发。 从高考失利到香港优才：一个普通程序员的 8 年逆袭路 如果你现在看到我的标签：创业者、技术架构师、海外企业技术顾问...你可能会觉得这是个"别人家的孩子"。但说实话，我的起点真的很普通，甚至可以说是失意的。 2012 年高考失利那年，我坐在成绩单前发呆了很久。看着那个只能上二本的分数，再想想同龄人陆续收到 985、211 的录取通知书，说不失落是假的。但那一刻我就想明白了一件事：既然学历输在起跑线，那就在技能上超车。 大学四年，我过得和室友们完全不一样。当他们在宿舍打游戏到深夜时，我在图书馆学编程；当大家参加各种社团活动时，我在研究 Linux 系统；当其他人在追剧刷短视频时，我在啃网络技术的厚厚教材。不是我不想玩，而是我知道，作为一个普通二本的学生，我没有"随便玩玩"的资本。 这种"笨鸟先飞"的努力很快有了回报。大四实习时，我已经能代表我的第一个实习公司参加北京的 SDN 全球大会，在一群行业专家面前展示我们团队的研发成果。那种被认可的感觉，真的太爽了！演示结束后，竟然有很多公司主动找我谈合作，那一刻我觉得自己终于证明了什么。 但是那时年轻气盛的我开始膨胀了。既然技术得到了市场认可，为什么不自己创业呢？2017 年，我叔带着我和几个同学朋友一起辞职，踏上了创业之路。现在回想起来，当时的我们真的是太天真了。 第一年就是一场灾难。我们闭门造车做出来的产品根本不符合市场需求，功能东拼西凑，稳定性差得要命。 更要命的是，团队内部开始出现裂痕——大家都是创业新手，没有管理经验，频繁的需求变更和产品重构让团队逐渐分崩离析。到年底，启动资金烧光了，曾经的朋友变成了陌生人，甚至带着敌意。 那种绝望感，现在想起来还会心疼。 2018 年，我们决定重头开始，但情况比之前更糟糕——大家都没钱了。剩下的几个团队成员，我们都是信用卡借钱维持生活的，坚信只要产品开发成功，就能把一切投入赚回来。整整半年没有任何收入，全靠借钱过日子。你能想象那种每天睁眼就是债务压力的感觉吗？ 终于，我们迎来了第一张重要订单，所有人都激动得要哭了。但很快我们发现，这样的商业模式进展太慢，我们缺乏现金流支持。为了生存，我们不得不转型做外包服务，一边"造血"一边思考真正的产品方向。 2020 年，疫情来了，外包收入也断了。为了新的 5G 产品研发，我们 有合伙人甚至把房子卖了给公司"泵血"。那一年基本没有收入，只能靠卖房的钱苦苦撑着过完整个 2020 年。现在想想，我们当时真的疯了。 但就在这一年，转机出现了。因为一直混迹于各大技术社区，我竟然有机会担任新加坡一家公司的技术顾问！问题是，我的英语是哑巴英语——写还勉强可以，说只能蹦单词，听就更糟糕了，全靠会议软件的自动字幕才能大概明白讨论内容。 但这家公司的同事太耐心了。他们不会因为我的沟通问题而不耐烦，还私下陪我练口语。 从每打一句话都要查好几次字典，每开一次会都要人家耐心等我说单词表达观点，到后来基本不需要查字典，甚至能自己组织会议分享技术心得。我的英语就是在这种"野蛮环境"下成长起来的。 这段经历让我学到了很多国际团队协作的管理方法，也直接运用到了自己的创业公司。我们甚至把总部迁到了香港，开始面向全球市场。香港优才计划也是在这个背景下有幸获得的。 2022 年，我又嗅到了新的技术趋势——AI。就像 2018 年我押注 Kubernetes 和云原生一样，这次我选择业余时间全面拥抱 AI。 我开始折腾各种 AI 项目：和老婆一起用 Midjourney 在小红书画头像赚点小钱，做数字人短视频分享知识，给公司搭建 AI 知识库系统，开始经营自己的技术 IP 账号，开发自己的独立站试水... 现在回头看这 8 年，每个看似绝望的低谷，其实都是为了更高的跳跃。从 SDN 到云原生，从外包到自研，从哑巴英语到海外企业技术顾问，从创业失败到香港优才... 给还在迷茫的朋友们说句心里话：不要害怕普通的起跑线，重要的是你如何奔跑。高考成功与否不是你唯一的出路，自己人生的每一次选择才是最重要的。 技术这条路永远在变，唯有不断学习和适应，才能在这个快速发展的时代中站稳脚跟。 我是安仔，一个普通二本生的逆袭故事还在继续。只要肯迈出第一步，你的世界也会大不一样。

Kevin 最近 6 天，平均一天就有一条过万的推文曝光。 他说的几个点特别实用：围绕1-2个核心观点、控制信息量、用"观点-论证-故事-强调"的结构。这些看起来简单，但真正做到需要不断练习。

这几年折腾产品、做内容，慢慢认清一个事实： 我们总觉得“大家都在看我，会不会笑我不专业”，但真实情况是： 大多数人只会扫你 3 秒，然后继续刷下一个。 真正留下来的，就两类人： 1.愿意付费 / 留邮箱 / 给真实反馈的 2.因为你持续靠谱而慢慢建立信任的 剩下那些只随口丢一句“这也不行”“一般般”的路人，说白了：他们既没掏钱，也没投入时间，真不值得你各种纠结，患得患失。 所以我后来把“怕被误解 / 怕不完美”的那点心理负担，全部换成这三个动作： -早点验证：能不能解决一个明确痛点 -持续打磨：交付有没有变得更快、更稳 -体系复盘：被吐槽的点有没有沉淀成 FAQ / 指标 当交付、留存、复购、口碑一点点跑出来，那些噪音会自动静音。 我现在做 AI / 教学类内容也是一样： 不等完美，上线一个“还行版”→ 让真实用户踩 → 纠偏 → 循环。 过程里被质疑很正常，但比起“想太多”，动手永远更值。

人性中最常见而且最难被克服的恶，就是看不得身边人比自己好。 东野圭吾说，“有些人的恨是没有原因的，他们平庸、没有天分、碌碌无为，于是你的优秀、你的天赋、你的善良和幸福，都是原罪。” 人大部分时间希望别人过得好，但是你不能比他过得好，否则就是你或者环境有问题。 人性之恶，总是要到阻力最小的地方。 千万不要高估你和任何人的关系，因为你永远不知道，生活活中那些看似跟你亲密的人，生活中那些看似人畜无害的人，会在背后对你抱有多大的恶意。

很多人居然不知道 Codex 或者 Claude Code 怎么撤回最新的代码更改？ 其实很简单，你就直接跟 AI 说：“revert it” 就可以了...

刚看完宝玉老师推荐的 Google Neural UI 演示，老实说，有点被震撼到了。 不是因为技术多牛逼，而是因为我终于看到了解决方案。 你们懂那种痛苦吗？明明脑子里有个很清晰的画面，但就是做不出来。和 AI 一起改来改去，越改越丑，最后还得退而求其次甚至是推倒重来。 现在想想，如果界面能跟得上我的想法，那该多爽啊。不用再因为技术限制而妥协，不用再解释"这个功能实现起来很复杂"。 突然有点小激动，感觉新时代要来了。

🚨重大消息，Nikita Bier 刚刚聊到，X 可能会完全改变或彻底取消创作者广告收入分成计划。 X 平台创作者收益政策可能发生的重大变化？！

怎么判定一个知识付费课程或者培训究竟是“割韭菜”还是有价值？ “割韭菜”的课程和“有价值”的课程，我认为其核心区别在于： 前者贩卖的是“成功的幻想”，而后者提供的是“成长的路径”。 我这几年也知识付费过不少，所以自己也偷偷总结了一个三步评估法，看看能不能帮到大家： 1. 审视自己（向内看） 2. 审视课程（向外看） 3. 做出决策并管理风险 具体内容比较详细，下面我来尝试逐个解释一下。

你相信有人会在 Minecraft 里花几个月时间造一个能实际运行的 AI 模型吗？ 离谱的是，还真有人做到了，而且完全没用命令方块或插件，纯手工搭建！ 这个 AI 有 500 多万个参数，能进行简单的英语对话。整个建筑占地超过 1000 个方块长宽高，大到需要用特殊模组才能拍下全景。 最疯狂的是，为了让它回复一句话，需要让游戏以 4 万倍速运行 2 个小时... 这就像是用乐高积木造了一台真正能思考的电脑，虽然速度慢得离谱，但光是能实现这件事就已经太牛逼了！ 视频绝对值得一看，你绝对会被这种极客精神震撼到...

AI 帮你写的代码，三个月后你还敢动吗？ 说实话，现在谁还不用 AI 写代码的？CC/Codex/Cursor 这些工具确实让开发速度快了 10 倍，但我最近发现一个很现实的问题： 你怎么知道 AI 给你生成的代码质量到底行不行？会不会过几个月回头看，发现埋了一堆技术债，复杂度爆表自己都看不懂了？ 更尴尬的是，除了自己人工 review 之外，最后你只能再用 AI 帮你修 AI 生成的屎山代码。 这不就成了套娃吗？有没有更好的方式能提前发现问题？ 前两天发现一个工具叫 fuck-u-code，专门用来“验货”AI 生成的代码。它会给你的代码打个 0-100 分的屎山指数，越高越烂。 从复杂度、错误处理、命名规范、重复度这些维度全方位扫描，让你清楚知道哪些地方有问题。 我现在的工作流是这样的： AI 写完代码后先跑一遍检测，导出 markdown 报告，然后把报告直接喂给 CC 或 Codex，让它有针对性地重构得分高的文件。重构完再跑一遍验证改进效果，直接都帮我闭环了。 工具本地运行，代码不上传，支持 Go/JS/Python/Java/C++等主流语言，GitHub 上 4.8k 星，项目链接在评论区。