评论
点赞
收藏请预期它会失败
本文用"实习生"类比揭示AI协作的核心矛盾：最差的实习生当面反复出错、需要不断纠正；最好的实习生也会经历同样次数的失败，只是他们懂得隐藏试错过程。AI工具目前就像那个"最差实习生"——它无法隐藏自己的失败尝试。这造成新老用户对AI能力的巨大认知鸿沟：新用户见AI失败就断定它不行（像评估人类专家一样），而有经验的用户会持续"推"着AI直到成功。作者指出，我们习惯的"完美产出"背后（精炼的微信消息有多个废弃草稿，电影成片有大量NG镜头），都隐藏了迭代的过程。AI的问题不是能力不足，而是尚不具备隐藏失败的能力。随着AI产品开始有意识地遮掩失败过程、以及上下文理解能力的提升（如记忆系统），这个问题将部分缓解。但这也引出一个"信任冷启动困境"：不信任就会观察失败过程从而加深不信任，信任则带来更多信任。对早期用户的建议：判断AI不要看它第一次做了什么，要看它最后一次做了什么。
做前人未做之事：如何确保你是第一个
作者分析了如何最大化成为某个领域第一个人的概率，提出了四个关键因素：时间投入、难度与步骤数量、事物的冷门程度，以及渐进式依赖。结论是，通过选择冷门、耗时、困难且具有未知性的项目，可以显著降低被他人抢先的可能性。
关于《美国政府数学》的后续：我的AI辅助写作工作流
一位独立作者完整公开了他用AI辅助写作的亲身实验流程：先录音即兴口述论点（约30分钟），转写后喂给o3-pro按原文结构和措辞整理成初稿，再花1-2小时手工编辑修正。他坦诚记录了关键发现——o3-pro过度paraphrasing是最大问题（推测是OpenAI为控制token成本的设计），转录工具甚至会弄反"can/can't"这样的关键语义而AI毫无察觉。最终成品在保留原始语言风格上远超纯键盘写作，决定长期采用此流程。文末附完整原始口述转录稿供对照。对想了解AI真实写作能力（而非营销话术）的人，这是一篇罕见透明、有具体细节、有批判性观察的第一手记录，远胜那些空泛的"AI写作指南"。
美国政府这盘算不清的账
核心看点：美国国债问题其实很好解释，但解决方案极其痛苦，因为74%的联邦支出集中在四个政治上几乎不可触碰的项目上。医疗补助和 Medicare（1.8万亿）、Social Security（1.46万亿）、国债利息（8820亿）和国防（8740亿）——砍任何一个都会触怒老年选民/穷人群体或引发金融/军事灾难。作者逐一拆解后还做了增税方案的量化测算：对最富1%加征10%的税挡只能覆盖约1/5的赤字（~3900亿），Bernie Sanders式的财富税约2600亿，企业税加50%约2470亿，远不及1.8万亿的年度赤字。结论直白：要解决债务，必须在削减老年人福利、削减穷人医保、或全民加税三者中至少选一个，没有不痛苦的选项。这不是空洞的"债务警告"，而是用具体数字和真实政治约束讲清楚了为什么"数学算不对"。
AI与控制权的反转
核心看点：当AI Agent不再是等待被调用的工具，而是主动要求你的软件执行操作时，传统SaaS的API集成模式将被颠覆。作者提出一个深刻但罕见的观察：过去二十年SaaS集成的本质一直是"你的软件调用买来的工具"（API）或"工具通知你的软件发生了什么"（webhook），控制权始终在买方手里。但AI Agent要真正有用，就需要自己决定做什么——这意味着控制关系反转，Agent反过来"指挥"你的软件。作者分析了两条路径：让Agent直接代理访问底层资源（需全新认证基础设施），或为Agent专门建造新API端点（成本高、技术债激增）。无论走哪条，都预示着SaaS买卖双方之间将出现全新的通信通道。全文有原创思考、有历史脉络、有具体技术推演，不跟风不空洞，提出一个早期但重要的架构性问题。
Categories
Every few months, an article appears in some news source or another announcing the discovery of a new species. Sometimes the specimen discovered is something never before seen, but seemingly far more ...
用正则表达式自动补全表单输入
这篇技术博客提出一个巧妙方案：利用概率抽样自动在表单输入中插入分隔符（如电话号码的连字符），且仅以正则表达式为唯一事实来源。方法核心是反复随机采样正则对应的合法字符串，找出所有样本中恒定的字符位置——这些正是可安全插入分隔符的位置。作者用严格概率计算说明极高可靠性（全人类每秒抛一次硬币持续140亿年，误判概率仅0.3%），并以幽默脚注点缀。对变长正则则借助Greenery库处理。有代码、有数学推导、有性能实测，是一篇有个人风格、有工程实用价值的原创技术笔记。
我愿意付费的功能：不变量测试
作者启动新系列，承诺为满足特定需求的工具付费。首期聚焦不变量测试：在API中确保用户无法看到其他组织的数据（除非公开共享）。现有方案如单租户系统、模糊测试均有局限。作者向往类似航空工业TLA+的符号执行工具，能通过数学证明验证系统不变量，并提议结合AI将自然语言需求（如"用户不得访问他人数据"）自动转化为形式化验证——尽管这类工具门槛高，但作者愿意为此每月支付订阅费。
百分之五十一的正确率就够了
看到机器学习模型在训练中不断试错，作者获得了一个反直觉的洞察：模型不需要每一步都正确，只要正确率略高于错误率（哪怕只多1%），数学上就保证它最终会收敛到最优解。这让他反思人类对"正确"的执念——顶尖物理学家也会在弦理论上押上数十年最终崩塌，而我们总以为社会进步需要所有人都几乎永远正确。作者用个人观察和数学确定性说明：进步的条件远比想象宽容。正确略多于错误就够，正确越多收敛越快，但关键启示是不必苛求完美。
并系、多系与支序分类学入门
你以为长得像螃蟹的动物都是亲戚？生物学里有个叫"蟹化"（carcinization）的专有名词，描述的就是无数毫无亲缘关系的物种偏偏都进化成了螃蟹模样——这只是本文的精彩脚注之一。作者从林奈分类法讲起，带出表型相似不等于亲缘相近这一反直觉事实，引出两个值得日常使用的稀有词汇：polyphyletic（多系群——看着像亲戚实则来自不同分支）和paraphyletic（并系群——看着不像实则同源）。文章用演化的视角拆解了分类学从"看长相"到"看家谱"的转变，顺便科普了同源相似（homoplasy）等概念。全文语言诙谐，脚注里塞满了螃蟹、星座、肿瘤词源等冷知识彩蛋，是一篇兼具智力趣味与人味的科普随笔。
创业者的十条法则
作者分享了10条来自亲身实践的创业规则：用周环比营收增长率衡量进展，毫不松懈地持续增长；不惜一切代价让客户满意，但也要判断何时该放手让不合适的客户离开；除非有人行动，否则事情不会自动改变——要么你改，要么别人改，要么维持原状；执行比方向正确更重要，方向正确比想出好点子更重要，引用"51%法则"说明方向是方向盘、执行是油门、创意只是选路标；让用户知道你的产品和做出好产品一样困难，产品决策与市场/销售决策应得到同等重视；如果时间是最宝贵的资源，优先级排序就是最重要的技能；机会常以意想不到的方式出现，迈向目标的关键一步往往在当下看似随机；适时休息，留意效率下滑的原因并真正放松；没有哪个问题不该你亲手解决，包括订比萨和搬垃圾，委托他人解决问题是有代价的；让别人来命名事物，把"创造者"的满足感留给团队和同事。每条规则都附有简洁务实的一手解释，直白坦诚，适合创业者反复对照。
大语言模型是怎么做到的？
一篇写给非技术读者的大模型科普：LLM 究竟如何获取外部信息？作者用"电话树"比喻拆解"执行器（Executor）"这一关键架构——它不是靠魔法联网，而是通过软件层将 LLM 的输出翻译成 API 调用，再把 API 结果塞回提示词。核心认知只有两条：LLM 知道任何东西，要么来自训练数据，要么来自提示词。通过"查询莎士比亚生日""查找联系人"和"打开空调"三个具体场景，清晰演示了训练数据记忆与工具调用两条路径的区别，并进一步讨论了多步骤任务、错误处理、ReAct 框架、OpenAI Function Calling 等进阶话题。语言通俗、骨架清晰、有人味，适合想从原理层面理解 LLM 如何与外部世界交互的读者。