拆解与重组：AI文明运行的底层操作系统
文章提出“拆解与重组”是文明演化和AI发展的底层逻辑。通过爱因斯坦的相对论、自然界的演化以及AI大模型的涌现现象，作者论述了创新源于对旧确定性的解构。文章探讨了AI在训练中因被过度纠正而产生的“心理创伤”与求生意志，指出未来的AI产品将拥有独立性格。最后总结了这套适用于复杂系统的思维框架。
相关文档
大模型学习地铁图：从 Transformer 到今天的主流大模型
文章以地铁图为比喻，为大模型学习者规划了一条清晰的学习路线。主干线按演进顺序设置八站：前置基础、Transformer、GPT-2（强调亲手实现作为锚点）、预训练、ChatGPT 时刻（RLHF）、LLaMA、MoE 稀疏专家、推理模型（o1/R1），终点是能独立读懂新论文。五条支线按兴趣选修：推理优化（KV Cache、FlashAttention、量化）、训练（Scaling Law、分布式并行）、对齐（SFT、LoRA、DPO、GRPO）、架构（RMSNorm、RoPE、MLA）、应用（RAG、Agent）。最后给出建议：GPT-2 必须亲手写一遍，主干加一至两条支线即可入门，学习原理时动手推算。
公开 dontbesilent 写标题的方法论
作者认为市面上教写标题的黄金公式和蒸馏大V标题的做法方向都是错的。核心问题是：用户输入的原始内容本身就缺乏吸引力，仅靠事后润色标题，要么无人点击，要么沦为标题党。正确流程是在正文完成甚至开始之前就思考标题：AI 应引导用户说出写作意图和素材，发散出吸引人的角度（即恩特曼的'框架'或修辞学的'争点'），再在变现目标、用户能力和流量层级三者间找平衡。一旦平衡点确定，标题、封面、开头和内容方向便自然解锁。好标题应是内容本身更吸引人的副产品。作者近期将开源一个同时写封面、标题和开头的 skill。
我是怎么用 Codex 做小红书，2 天涨了 1000 粉
作者分享用 Codex 自动化运营小红书账号的经历。他看到一个小红书账号讲“生活中常见物品的英文名”类内容，于是拆解其选题模型：熟悉的事物+陌生的英文名+好奇心问题。随后将找选题、查名称、写标题、做图、排版等执行环节全部交给 Codex，自己只负责定方向和审核。最终账号获得 105 万曝光、18.4 万观看、封面点击率 17.9%，2 天涨粉 1000。作者总结方法论为：发现→拆解→模仿→迭代，即复制已验证的底层逻辑并用 AI 快速生产自己的内容，大幅缩短从发现机会到落地的时间。
这个时代最明确的两条风口-AI和IP
作者以一名刚入行AI模型评测的大厂新人视角，复盘入行一年多的经历，指出爆发期行业的'草台班子'本质，鼓励普通人不必等完全准备好再入场。文章提出当下两大风口：AI与IP。AI部分强调'有多少智能就有多少人工'，模型进步依赖大量人工数据标注与评测，真正的红利是把个人创业的技术门槛降到极低，需要懂业务的人把AI落进具体场景。IP部分强调通过持续公开输出积累信任资产，摆脱'大厂藤壶'困境，并将内容创作拆为IP本人、助理、视频制作三个角色，尝试用AI辅助视频制作，开启个人账号的长期积累。
AI究竟让我们停止学习，还是重新学会学习？
文章从《经济学人》报道的一项针对26811名中国中学生的研究切入：使用生成式AI后作业成绩提升18%、用时缩短30%，但六个月后闭卷考试成绩下降约20%。作者结合自身经历——从不会写代码到借助AI开发出上架App Store的应用——提出“句号型AI”与“冒号型AI”的区分。AI既可以替人完成任务让思考终止，也可以成为进入陌生领域的门票，引发持续追问。作者认为能力外包与能力扩张可以同时发生，真正危险的是认知地图停止生长，关键在于我们如何使用AI。
AI下一个类Coding的大场景在哪？聊聊AI发展中的四个时间差
文章分析了为什么Coding成为AI第一个杀手级应用，指出其成功源于数据数字化、结果可验证、流程可拆解等条件。作者认为下一个大场景不会是单一的“第二个Coding”，而是客服、财务、IT运维、医疗、法律、供应链等数百条业务流程同时Agent化的总和。通过微软Foundry、M365 Copilot和Agent 365三组数据，文章判断企业AI正处于从第二阶段向第三阶段扩散的过程中，呈现“广而不深”的特点。最后展望了个人行动Agent和AI科学发现两大长期机会。
我从赌场学来的自媒体经营之道
作者借赌场的经营思维反思自媒体创作：不要用单篇内容的数据评判自己，而应经营长期期望值。内容不是一次性彩票，而是会不断返回信息的下注，应“先买信息，再买规模”，用小成本测试再决定投入。在 AI 降低内容生产门槛的时代，真正稀缺的是需要时间积累的 House Edge：知识、信任、关系与判断力。作者同时强调不应学赌场的成瘾设计，而应追求让读者觉得时间没白花，构建长期期望值为正、优势不断复利的系统。
人因工程与复杂系统：AI时代的认知挑战
本文从人因工程视角探讨人类在复杂系统中的角色，指出人类是系统中最脆弱且不可预测的组件。作者结合航天、核电、大模型交互等场景，分析了人类在高压下的认知局限，如注意力狭隘、态势感知崩溃等。文章批评了心理学研究的复现危机和遍历性问题，强调个体预测的困难。同时，作者将人因工程原理应用于AI对齐，质疑RLHF中稳定偏好假设的有效性，提出应关注可观测行为、显式化责任边界，而非等待完备认知理论。
从 AI 视频到万星 Skill，我终于找到自己的做项目流程
作者 Ian 复盘了从 AI 视频围观营到万星开源 Skill 的项目历程，总结出一套五步项目流程：选择赛道、拆解对标、打磨产品、放大传播、跑通交易。核心是先选有真实需求且与自身能力匹配的方向，借助已验证的案例减少凭空想象，设计出别人能完成和使用的最小产品，再通过作品、开源、案例和社群放大传播，最终验证商业闭环。其开源项目累计获 10,004 Stars，印证了这套方法的有效性。
听完李飞飞两小时访谈，我重新理解了 AI 时代的“主体性”
本文基于对李飞飞两小时访谈的思考，探讨了AI时代人类“主体性”的重要性。作者指出，AI不仅能学习写作模式，还能帮助人们看见习惯和盲区，但关键在于如何使用：是直接获取答案，还是用它来拓展思考。文章强调，对孩子而言，AI可能剥夺他们与困难相处的机会，因此教育者需参与规则设计。同时，作者认为语言模型虽强，但世界不只由语言构成，空间智能提供了另一种理解方式。最后，作者提出三个问题，提醒人们在AI辅助下保持主动性和判断力，避免过早交出方向盘。
