严肃的，知识诚实的复盘应当这样操作：
询问 AI：为什么某个股票或者资产在某年被大众严重低估（因此导致后面几十倍的增幅）？当 AI 详细的列出几个当时被低估的具体原因后，再继续询问：
如果当时根据我所得到的信息，我是否可以看得比别人更远？我收集哪一类的信息，有可能看得比别人更远？我到什么（以前没有意识到的）场合，可以高效的搜集到这样的信息，进而得到置信度比较高的结论？这个公司的股价曾在某年某月发生暴跌，当时的背景和直接原因是什么？我在那种情况下，会不会也跟着恐慌性抛售？如何通过调整自己的思维模型，关注问题的角度，和信息管道，来避免被裹挟而恐慌？等等。
问了五到十个问题之后，要么会最终承认：这个机会，当时的条件确实没法抓住。要么得到明确而有效的建议，对之前忽略的，某些特定场合，特定类别的信息更为敏感，帮助自己更有效而遥遥领先的做出置信度比较高的预测。
有效信息的搜集和分析，比真正吭哧吭哧干活还是要轻松至少一个数量级，而且有些方法论可以推广别的行业。
我很喜欢这种巧妙的分类框架 —— 我们平时太容易把相似的东西混为一谈，而一个好的分类能帮我们把事情本身理清楚。
比如《没有银弹》里把复杂性分为「偶然复杂性」和「本质复杂性」。
再比如知乎上的一个问题 《为什么不能说 20℃ 是 10℃ 的两倍？》：在统计学中，数字其实分四种尺度，而摄氏度属于「定距数据」—— 有顺序、能比大小、差值有意义，但比例没意义，所以只能加减、不能乘除（不过可以算平均值）。
今年开始去海边公园骑行，骑了几次，可以说是最近几年所有事情里最舒服的体验。尤其深圳湾这条线，从人才公园一路延伸到蛇口，有专门的骑行道，而且道平灯亮，慢悠悠地骑车既踏实又放松。
对面灯火璀璨的香港 
一路上道平灯亮 想问题的时候，“大概一想” 是最爽的，又轻松，又快乐。如果仔细想，一来费脑子，二来可能会发现一开始想错了，又不轻松，又不快乐。但如果你希望自己能把事情想得清楚一点，有一些做起来并不困难的基本方法。当然，费脑子可能还是会费脑子的。
比如，你觉得某某是错的，不要到此为止，而是更进一步想清楚：具体什么地方错了？为什么是错的？如果你觉得某某是坏的，具体什么地方坏？为什么是坏的？如果你觉得某某造谣，具体造了什么谣？说了什么谎言？想问题的时候，尽可能用包含 “因为” 和 “所以” 的句子来给出判断的理由。如果你的理由类似 “因为某某 XX，所以某某是坏的”，那么再想一想是不是对于任何事物，只要 XX，就是坏的？如果不是，为什么某某 XX 就是坏的？
能坚持这样做，就超过大多数人了。更严谨的思维未必能帮你赚钱，但可以少糊里糊涂地随波逐流，少受蛊惑，少受骗。这当然不会很容易，我也做不到在每个问题上都能避免 “大概一想”。
Awesome C++ Blogs
类似于必读书目的书单，那些值得反复阅读、常读常新的技术博客，也应该被系统地整理成一份精选集合。
先开个坑，后续逐步填充内容~
吉姆罗恩：沉默的小偷
m.okjike.com吉姆・罗恩的一个观点：失败很少是轰轰烈烈地到来的，它不会敲门，而是悄悄溜进来。
你有没有过这样的经历：今天有点累，就不晨读了吧；健身房下周再去，反正卡还有一年有效期。
每一个决定单独拿出来看，都合情合理。
但这些小决定叠加起来，日复一日，就把你和你想成为的那个人隔开了。
这就是罗恩说的沉默的小偷，它们不是大奸大恶，而是披着无害外衣的日常习惯
当一个年轻人空降：改造腾讯混元的 300 天
- 开始训练前，姚顺雨用自己的旧东家 OpenAI 举例给团队鼓劲：直到今天，OpenAI 的基础模型也没有依赖过什么神秘的技术，甚至底层架构与 2023 年比没有什么根本性的变化。这也是他如此看中数据的原因。他认为，做大模型没有魔法，也不要相信别人有魔法。真正难的是把最基础、确定能做对的事情都做对 —— 做到这些，足以让混元挤进中国的第一梯队。
养成费米估算的习惯，主动查证关键数据，并运用上下限分析法。我注意到许多我认识的最聪明的人都会这样做：他们不会轻信任何说辞，而是自行验证其合理性。例如，听到某个事实时，他们会亲自查证以确保属实 —— 因为人们引用的内容常常存在虚假或片面性。
大多数人根本不这样做 —— 他们不进行 “量化思考”，结果很容易上当受骗。推特上时不时会流行这样的梗：“如果伊隆把造火箭的钱分给每个美国人，等等” 这类言论会疯传，就是因为人们没有算账。
费米估算由物理学家费米提出，他曾在课堂上问学生：“芝加哥有多少钢琴调音师？”—— 没人能查数据，但通过拆解估算，答案数量级和实际值高度吻合 。
- 芝加哥人口 ≈ 300 万
- 平均家庭 4 人 → 75 万户
- 约 1/3 户有钢琴 → 25 万台
- 每台每年调 1 次 → 年需求 25 万次
- 调音师每天 4 单、每年 200 天 → 每人年处理 800 单
- 25 万 ÷ 800 ≈ ~300 人
- 实际登记数约 200-300 人，数量级完全命中。
费米估算的原理：
- 降维拆解：把未知问题拆成可拍脑袋的子问题
- 数量级优先：关注 10^n，不纠结 ±30%
- 交叉校验：用不同路径算同一件事，看是否落在同一量级
用 AI 做会议纪要为什么是 AI 转型最大的坑
1970 年，波音就已经引入了 CAD 电脑画图。但交付给下个部门的时候，却是把结果打印出来，让下一个部门的人用眼睛读、用脑子理解、再靠脑子去执行。
星巴克的咖啡师做咖啡的速度提高 100 倍，星巴克未必能多赚很多钱。星巴克的瓶颈不在做咖啡的速度，在于客流、选址、供应链管理。
同理，你们公司的瓶颈，大概率也不在于每个员工手头的任务完成速度。而在于部门和部门之间的信息流动，在于协调层。
那个在公司里被称为 “很能干” 的人，你仔细观察一下，他到底在干什么？大概率是这样的：他最熟悉各个项目的上下文，能在不同部门之间穿针引线，能把复杂的事情讲清楚让所有人都理解。
他的核心价值，是在一个信息流通不畅的组织里，做信息中介。他们也恰恰是 AI 最应该替代的角色。
费曼经典：一个好奇者的探险人生
本书完整收录了诺奖得主、科学顽童理查德・费曼的 61 篇经典自传文章，经过费曼的忘年密友拉尔夫・莱顿的精心编排，我们得以沿着生平时间重走费曼的冒险旅程：在麻省理工学院捉弄同学，在普林斯顿大学与爱因斯坦对话，研发原子弹的同时开遍保险柜，学敲鼓并加入桑巴乐队，在诺贝尔奖晚宴的趣事，学画、卖画、办画展，靠冰水和夹子解密航天飞机事故…… 费曼的这些文章，展现了他对科学、教育和人生的独特观念和态度，也告诉我们：做一个有趣的人比获得诺贝尔奖更难，也更重要。
weread.qq.com
-
当我发现圣诞老人并不存在时，我没有感到难过，反而释然了，原来有一个更简单的说法可以解释为什么全世界那么多孩子会在同一天夜里收到礼物。之前的故事太复杂了，我快想不透了
-
这是我从我父亲那里学来的：不尊重任何权威；不要管话是谁说的，但要关注他说的条件是什么，结论又是什么，然后问自己：“这合理吗”
微信读书 Skill 到底有多少花活?
- 基于我划线最密集、最认同的这 3 本书的核心主张，帮我找出与其观点完全对立、批判最狠的 5 本硬核书籍，给我做一次认知压力测试。
- 假设我以当前的阅读结构和速率继续读 5 年，推演那时的我会变成什么样的人，会形成哪些固化偏见，产生哪些知识盲区，错过哪些真正重要的问题，并指出现在必须立刻插入哪 5 本反向修正书来避免那个未来。
- 在我读过的所有书里，按现在的我重读它获得的认知增量最大排序，给出 Top 10 重读清单。
- 把我过去 1 年的阅读按动机分类，给出比例和具体书目，并诚实指出我可能在用哪类书逃避哪件事。
- 虽然我做了坏事，但我内心是个好人。
- 是生活所迫，让我做了这个那个，但我本质上是这个那个，现在不是真正的我。但依然有很多人为了面临更大压力的时候也从未妥协。选择妥协的那个，就是真正的你
当 AI 拿走一切之后
ursb.me- 一件事情，在大多数时候是没有确定性答案的。认知不是从天上掉下来的，它是靠人不断推演、争论、交流，一点一点磨出来的——这个过程不能省略，因为这个过程就是人本身。 如果认知直接由 AI 给到，且不论它是否全面、是否带着批判性，单是中间那段思考的缺席，就足以让主体性一寸一寸地退场，最后沦为珍妮机前面那个等待被淘汰的身影。
- 帕斯卡说，人是一根会思考的芦苇，宇宙无需武装就能碾碎他；但人依然比碾碎他的东西高贵，因为人知道自己会死，而宇宙对此一无所知。在 AI 时代，这句话有了一个新的读法：模型可以在几乎一切任务上超过我们，但知道自己在做什么、为什么做、做成之后世界会有什么不同的，依然只有这根芦苇。
Why I Don’t Vibe Code
A “brief” accounting of various reasons why vibe coding has just never clicked for me personally as a developer.
jacobharr.is
-
AI 的热潮确实让我想起早期低代码和无代码工具的突破。我不怀疑 AI 能成为开发者的有用工具，我知道有些任务它能作为更好的工具来辅助完成。但这些论点总让我再次思考偶然复杂性与本质复杂性的问题。
-
布鲁克斯在《没有银弹》一文中探讨了新工具对开发者生产力的影响。要像程序员一样思考，你必须理解现实世界的复杂性。编程最好被理解为在混乱的现实之上施加简化的表征——我们称之为_抽象_——通过降低复杂性使其可理解。这让我们能够将特定情境泛化为可层层叠加的抽象层。
-
即使更好的工具减少了偶然复杂性，本质复杂性依然存在。我们仍需以正确的方式设计抽象和系统——一种优雅、清晰且可维护的方式——这本身就是一项复杂的工作。而这种复杂性不会消失。这类工作需要技能、经验以及从过去系统失败中艰难获得的智慧。