前大厂工程师以Context架构管AI 纯代码能力面临贬值
十字路口Crossing
AI时代最稀缺的并非编程速度而是需求表达与管理外化能力，单纯依赖技术输出的程序员将沦为竞争劣势方。
AI-assisted summary of “有了AI，我感觉自己强得可怕！”｜对谈鸭哥 — original source. Check the original for full context.
Source published:
Key ideas
- Jev 的技术本质是低延迟、低成本且经过校准的分类器而非通用自由文本 LLM，其爆火得益于小模型基模能力的临界突破与 Agent 对分类刚需的爆发。 (0:00)
- 鸭哥通过给 AI 配备自动发推双手与数据分析双眼，构建了一个半年内积累 1600+ Newsletter 订阅与 5700+ X 粉丝的“0 人自媒体公司”，并实现了流量归因与内容自迭代。 (40:00)
- 在上下文基础设施建设上，鸭哥主张“一切皆文件”，利用纯文本与命令行替代花哨的向量数据库与复杂的记忆抽象层，并因敏感凭证隐私选择将核心 Context 保留在本地。 (29:40)
- AI 时代对纯代码编写与 LeetCode 技能进行贬值，最奖励的能力是领域专长（Domain Expertise）与管理 AI 的能力，核心在于将隐性规则与需求极度清晰地外化为结构化文档。 (49:22)
Detailed notes
## Background 本期节目由小宇宙播客频道《十字路口Crossing》的主播 Koji（杨远骋）于 2026 年 10 月 11 日发布。这是一期在从乌镇开往上海的汽车上录制的“公路播客”，对谈嘉宾是前微软/Pinterest 工程师、Superlinear Academy 联合创始人鸭哥。节目主要围绕爆火的 Jev、云端持久化电脑趋势、Context 基础设施，以及鸭哥如何利用 AI 全自动运营“0 人自媒体公司”并深度改造个人生活展开深入探讨。
## TL;DR 节目中，鸭哥首先剖析了 Jev 的爆火本质——即基模能力成熟与 Agent 低成本高频调用诉求下对极速分类器的包装，并探讨了 Manus 与 Grok Bot 所代表的云端持久化电脑趋势。随后，他结合自身处理孩子骨折就医理赔、逆向爬取幼儿园照片及多变量回归定位失眠诱因等鲜活案例，阐明了“Context 基础设施”与“管理学常识”在 AI 时代的核心地位。此外，鸭哥详细复盘了自己依托“观点蒸馏”实现 Newsletter 与 X 自动化运营的“0 人自媒体”实验，并指出 AI 时代最稀缺的并非编码速度，而是清晰表达需求的能力、深厚领域认知与将隐性知识外化为 Context 的高超管理技巧。
## Atmosphere & style 整场对话在理想汽车的辅助驾驶行驶中展开，车窗外的路景伴随着车内的闲谈，呈现出一种极其松弛、自然且不拘泥于提纲的“公路漫游”氛围。Koji 的穿针引线与鸭哥密集的硬核技术拆解相得益彰，既有对行业包装泡沫的辛辣调侃与犀利吐槽，也有对 35 岁技术人面临 AI 反噬的深刻反思。两位老友在车厢密闭空间里碰撞出极具共鸣的思想火花，让听众在轻松惬意的公路对谈中感受到了扑面而来的高浓度技术干货与极客务实精神。
## Bulletin - `00:00` Jev 的技术本质是低延迟、低成本且经过校准的分类器而非通用自由文本 LLM，其爆火得益于小模型基模能力的临界突破与 Agent 对分类刚需的爆发。 - `40:00` 鸭哥通过给 AI 配备自动发推双手与数据分析双眼，构建了一个半年内积累 1600+ Newsletter 订阅与 5700+ X 粉丝的“0 人自媒体公司”，并实现了流量归因与内容自迭代。 - `29:40` 在上下文基础设施建设上，鸭哥主张“一切皆文件”，利用纯文本与命令行替代花哨的向量数据库与复杂的记忆抽象层，并因敏感凭证隐私选择将核心 Context 保留在本地。 - `49:22` AI 时代对纯代码编写与 LeetCode 技能进行贬值，最奖励的能力是领域专长（Domain Expertise）与管理 AI 的能力，核心在于将隐性规则与需求极度清晰地外化为结构化文档。
## Key takeaways - `00:00` Jev 的本质是“GPT + JSON Mode”式的分类器，通过输出校准概率解决传统大模型盲目自信的问题，并非范式级通用智能。 - `05:29` 在 Computer Use 和安全 Harness 拦截场景中，使用轻量微型模型进行分类比直接生成自由文本能带来成倍的延迟下降与成本缩减。 - `12:20` 云端电脑正从临时拉起销毁（如早期 Cursor Cloud Agent）转向持久化保留凭据与状态（如 Manus、Grok Bot），使 AI 具备处理连续现实生活任务的基础。 - `17:35` 大模型底层管理逻辑并未改变，使用 AI 类似于管理名校本科生，核心在于人类必须明确交代标准与搭建 SOP，而非频繁进行 Micro-management。 - `17:35` AI 的决策质量高度取决于 Context 的丰富程度；若拥有完整的病历与生活背景，AI 能精准完成就医分诊及复杂的全自动保险理赔闭环。 - `24:28` 高强度使用 AI 往往导致人类工作压力不降反升，体力活被外包后，留给人类的全是高心智负荷的脑力决策与协调沟通。 - `35:00` 开箱即用的大模型因预训练学习人类最大公约数、对齐阶段抹平鲜明立场而表现平庸，输出有价值内容的前提是注入专有的思维模型与 Context。 - `42:23` 观点蒸馏（Distillation Skill）能够通过抓取个人历史对话、文章与日常批评，自动归纳出独特的立论原则，使 AI 稳定输出个性化观点。 - `46:30` Context Infrastructure 包含三大核心环节：收集整理上下文、赋能 AI 消费上下文、以及将新产物沉淀为更高质量上下文以产生复利飞轮。 - `49:22` 管理 AI 与管理人类存在根本差异：人类管理重心在情绪激励与内化经验，而管理 AI 的重心在于将所有要求与标准“外化”为明确的文档与 Prompt。 - `52:28` 通过配合 CGM、体重秤及生活行为打标，AI 利用多变量回归分析可打破常识假说，精准归因出高强度深夜与 AI 脑力对话是失眠的核心诱因。 - `46:30` 在 Vibe Coding 降低编程门槛的背景下，拥有敏锐商业嗅觉的业务型人才竞争优势凸显，而缺乏商业认知的纯技术程序员则容易陷入短板未补的劣势。 - `01:07:11` 具备强网络效应的共识型软件（如 Office）以及维护成本与正确性要求极高的底层基础设施（如 1Password），难以被个人自制软件颠覆。 - `01:10:00` 未来的 AI Native 组织协同将演进为 Agent-to-Agent 自动对接业务细节，企业战略贯彻本质上将转变为全局系统 Prompt 与 Context 文档的高确定性更新。 - `01:10:52` 现阶段具身智能的物理人身安全以及缺乏人工把关的不可逆高后果操作，仍是坚决不能完全放权给 AI 的红线领域。
## Detailed walkthrough ### `00:00` Jev 爆火真相：GPT + JSON Mode 还是范式革命？
这期播客是一次特别的“公路对谈”——主播 Koji 刚在乌镇接上老朋友鸭哥，两人开着理想汽车在辅助驾驶状态下一路驶向上海。谈及最近半年的 AI 新突破，鸭哥直言最近爆火的 Jev 确实是一个极其有意思的包装，但他“既想夸，也有很多想喷的地方”。
在鸭哥看来，剥离掉宣传泡沫后，Jev 的技术本质非常接近“GPT + JSON Mode”： - 它根本不是一个能够输出自由文本（Freeform Text）的 LLM，而是一个纯粹的**分类器（Classifier）**。 - 用户的输入给它若干固定选项，它只做一件事：输出最可能的选项、给出对应的置信度（Confidence）与校准后的概率（Probability）。 - 它的优势在于速度极快、价格极低，且输出的概率经过校准，不会像普通 LLM 那样盲目自信（声称 95% 把握实际只有 30% 多）。
```mermaid flowchart LR accTitle: Jev 与通用 LLM 处理逻辑对比 accDescr: 对比通用大语言模型输出自由文本与 Jev 仅输出校准分类结果的差异
subgraph LLM["通用 LLM"] A["输入 Prompt"] --> B["生成 Freeform Text"] B --> C["幻觉与未经校准的高概率"] end
subgraph JEV["Jev 分类器"] D["输入选项集合"] --> E["输出匹配选项"] E --> F["校准概率与置信度"] end ```
这种分类 API 在过去十年里被 Google、OpenAI 和 Mistral 等大厂反复做过四五波，但大多最终被废弃（Deprecate）。为什么 Jev 偏偏在此时爆火？鸭哥总结了三个关键因素： 1. **基模能力到了临界点**：过去小模型（微型模型）不经过微调基本没有通用智能；而在最新的 AI 评测基准中，上一代的 Qwen-3.5-4B 跑分已经达到 20 多分，直接碾压只有 8 分的 GPT-4o。基模的水温到位，才让免微调分类成为可能。 2. **Agentic 落地催生了对低延迟、低成本 Token 的刚需**：以前分类多用于简单打标，如今自主 Agent 大规模调用工具，Token 消耗呈指数级上升，工程上对极致便宜、极低延迟的分类需求迎来了爆发。 3. **顶级的 PR 包装**：如果声称“OpenAI 三年前废弃的 Classification API 我们重新发了一版”，绝不会有任何水花。但作者（本身是 InstructGPT 等开创性论文的共同作者）借用诺贝尔经济学奖得主的理论，将其包装为“System 1 分类器”与 System 2 LLM 的二分法，瞬间让行业产生了一种“迎来全新范式变革”的兴奋感。
---
`05:29` Agent 中的隐形分类器与微型小模型的工程突破
鸭哥指出，目前最能发挥 Jev 威力的场景有两个：**Computer Use / Browser Use**，以及 **Agent Harness 内的安全分类拦截器**。
在 Computer Use 场景下，传统做法是截一张屏幕图让多模态大模型理解，既烧 Token 又极慢。如果换一种思路，把页面解析成 DOM Tree 文本，并用级联分类（Cascaded Classification）让模型判断“下一步应该点击哪一个按钮”，整个操作速度能直接提升 10 倍，成本大幅下降。不过鸭哥也客观指出，这里缺乏消融实验（Ablation Study）：速度变快究竟是因为把“视觉截图变成了纯文本 DOM Tree”，还是因为“把自由生成变成了分类”，尚待验证。
第二个无处不在的场景是 Harness（开发脚手架）。像 Codex 或 Claude Code 这类工具，每次模型决定调用敏感工具（如删除本地文件）时，框架底层必须实时跑一遍分类器：“当前操作是否有危险？若危险则拦截并反馈理由”。因为每轮交互都要判定，大厂通常会自研一套专有的极速轻量分类器。Jev 的开源平替让普通的开源 Harness 也能轻松集成通用安全审核能力。
鸭哥坦言，自己并不太信 Jev 团队所称的“闭门隐身训练了整整两年”： - 检索论文、专利、白皮书或开源数据库，没有任何这期间研发积累的蛛丝马迹； - 业内开发者在 Jev 发布后 24 到 48 小时内，就用开源模型实现了类似效果； - 所谓“训了两年”，更大概率是前两年模型底座不行、屡屡受挫，一直在苦苦等待开源基模水位的自然成熟。
成本方面，基模的降价和本地部署正带来质的飞跃。鸭哥分享了自己此前做的一个全中国几十个旅游城市的 AI 导游项目：一天需要消耗约 400 亿 Token，若调用 Claude Sonnet 需要烧掉 12,000 美元；改用 DeepSeek Flash 后，单日账单直接骤降到 300 美元。甚至在开源社区的复现中，直接读取通义千问小模型的 Logits（未微调、未额外训练、仅做只读操作），在 Benchmark 上就能跑出 85% 的准确率，紧咬 Jev 原版宣称的 88%。这意味着在本地显卡（Mac、RTX 4090 或 5090）上仅凭电费，开发者就能用微型模型复刻出极高可用度的 Agent 分类组件。
---
`12:20` 云端电脑持久化与基模击穿一整套 3D 工业
谈到令人兴奋的技术趋势，鸭哥格外关注**“给 AI 一台永不关机、持久化的云端电脑”**。 - 早期的 Cursor Cloud Agent 机制很偏“码农”：每次触发任务，在云端启动一台临时虚拟机，克隆 GitHub Repo，改完提交 PR，随后虚拟机彻底销毁，上下文全部丢失。 - 从 2026 年 4 月的 Manus 推出 Cloud Computer 开始，虚拟机的记忆与凭证不再被强制销毁；8 月 xAI 推出的 Grok Bot、9 月 Meta 推出的 Muse，都在走向持久化云端电脑。
鸭哥分析，这种演进的真正价值在于把 AI 带入真实生活。普通人不会用 GitHub Repo 去做记忆桥接，而持久化电脑能记住订机票时的个人身份信息、大众点评的登录态，不用每次重复鉴权。相比过去在家里买台 Mac 跑 OpenCloud、自己折腾内网穿透且不敢关机，云端电脑帮普通用户完成了基础设施的托管。
```mermaid flowchart TD accTitle: 临时虚拟机与持久化云端电脑的工作流对比 accDescr: 对比早先临时拉起销毁的虚拟机模式与当前持久化云电脑保留凭据和状态的模式
subgraph Ephemeral["早期模式：Cursor Cloud Agent 等"] E1["启动临时虚拟机"] --> E2["Git Clone 代码"] E2 --> E3["执行改动并提交 PR"] E3 --> E4["销毁虚拟机 / 上下文丢失"] end
subgraph Persistent["持久化趋势：Manus / Grok Bot / Muse"] P1["常驻云端电脑 (VM 不销毁)"] P1 --> P2["保留浏览器 Cookie 与身份凭证"] P1 --> P3["承接订票、点评等连续生活任务"] end ```
另一个让鸭哥震撼的体验是基模直接“击穿一整套工业”的能力。近期他在 GPT-6 Astra 上测试 3D 能力： - 传统制作一个可随真人动作表情联动的二次元 VTuber“皮套”，涉及漫长且昂贵的美工与工程管线：不仅需要 3D 模型与合理纹理，还要建立复杂的“绑骨（Rigging）”，把二次元骨骼同真人摄像头的动捕节点一一对齐。 - 鸭哥只对 GPT-6 Astra 说了几句话，模型直接一站式生成了可达鸭的三维形象，并完成动作捕捉联动。 - 随后鸭哥将该流程开源封装为一个 Skill（GPT 3D Skill），这意味着未来两个 AI 形象甚至可以直接在屏幕前代班录制视频播客。
---
`17:35` AI 变强，但“管理原则”从未改变：牵拉肘理赔全纪录
尽管大模型能力突飞猛进，但鸭哥认为**使用 AI 的底层心法并没有发生本质变化**：大模型不是冷冰冰的工具，而更像一个有血有肉的人。它依然会犯错，依然需要人类清晰定义验收标准。两年前大家形容大模型是“小学生”，现在顶多变成了“名校本科生”——手下员工能力变强了，管理者清晰交代任务、验收质量的管理学常识却完全没变。
鸭哥分享了自家孩子近期在幼儿园受伤就医的真实案例。孩子在幼儿园因拉扯导致关节脱位（医学术语“牵拉肘”）： 1. **急诊决策阶段**：面对大哭的孩子和下大雨的西雅图，新手家长毫无经验。直接去急诊（ER）排队长且费用昂贵，AI 准确根据症状判定可能是牵拉肘，并建议不要无谓等待自愈，去评分更高、等待较短的西雅图儿童医院 Urgent Care。到了医院后，医生如 AI 所述，只用推拿手法“咔嗒”一下就完成了复位。 2. **保险全自动索赔阶段**：虽然学校保险齐全，但流程涉及复杂的自免额（Deductible）、医保账单和各种专业术语。鸭哥将 AI 接入邮箱系统，因为 AI 全程参与了看病、了解医院信息与所有病情细节（拥有完整的 Context），AI 自动阅读学校与保险公司的往来邮件，起草材料、补充发票、抄送对接人。唯有一件事需要人肉参与——给拖延的保险方打电话催寄支票。支票到账后，AI 自主完成了全案文档归档。 3. **沉淀 SOP 输出**：后来同班另一位被咬伤的孩子家长也面临理赔困境，鸭哥让 AI 总结上次经验，直接输出了两份文档：一份是写给人类看的操作指南，另一份是直接喂给其他家长的 AI Agent 执行的自动化提示词。
```mermaid flowchart TD accTitle: 牵拉肘就医与保险理赔中的 AI 协作流 accDescr: 展示从病情判断到就医决策再到全自动邮件理赔与经验沉淀的完整闭环
subgraph Stage1["1. 就医决策"] A["孩子手臂疼痛大哭"] --> B["AI 综合症状诊断：疑似牵拉肘"] B --> C["筛选周边 Urgent Care 推荐就诊"] end
subgraph Stage2["2. 保险理赔闭环"] D["获取医保账单与学校保险条款"] --> E["AI 结合完整 Context 生成材料"] E --> F["AI 托管邮箱：收发邮件与补充单据"] F --> G["人工电话施压推进"] G --> H["支票到账并自动结案"] end
subgraph Stage3["3. SOP 沉淀"] H --> I1["人类可读操作指南"] H --> I2["Agent 可读执行指令"] end ```
鸭哥强调，这个案例说明了两件事： - **Context 决定决策质量**：如果只去空泛地问没有背景信息的对话机器人，它只会输出“建议您立即就医”这类正确的废话；只有拥有全部病历与生活上下文，AI 才能给出极具战术价值的决策。 - **优秀管理者的最高境界是不在场**：好的经理从不手把手搞“Micro-management”，而是搭建工作流、激励结构与沉淀 SOP。对待 AI 同样如此，不能每次重新教，而是要让它沉淀系统记忆，做到人不在场也能自主闭环运转。
---
`24:28` 无限复制的“专家天团”与 35 岁 Gap 期的反思
面对“有了 AI，我感觉自己强得可怕”这种体感，鸭哥解释，那是因为过去遇到孩子受伤、保险纠纷、繁琐沟通，普通人会被各种文书和决策琐事折磨得头皮发麻；而现在，身边相当于时刻常驻着一个**可无限复制的 24×7 顶级专家天团**——私人医生协助问诊排查，律师助理审核索赔合同，文秘协助起草递送文档。
但他也指出了一个现实反差：“很多觉得 AI 极其好用的人往往是现实中的老板，因为老板们天生知道怎么调配秘书、怎么给下属交代任务并进行质量把控；如果一个人平时连两个真人秘书都不会用，给他 AI 他也用不起来。”
从哥伦比亚大学博士毕业，先后历经微软、Pinterest、Samsara 等硅谷大厂，鸭哥最近选择进入 Gap 期。之所以停下来，除了迈过 35 岁的职场节点，另一个核心原因正是 AI 带来的反噬： - **高强度使用 AI 让工作强度“不降反升”**：AI 把所有的体力活都高效干完了，留给人类的全是极度消耗心智的高密度脑力决策与沟通。 - 鸭哥开玩笑感叹，以前的理想是“让 AI 帮我去开会，我自己沉浸在写代码的心流里”，而现在的现实却是“AI 把代码瞬间写完了，我不得不天天去开各种协调会”，那种纯粹写代码带来的深层放松被剥夺了。近期 DeepSeek 研究员刷屏的文章《我不得不把我的才华埋葬在昨天》，也道出了许多技术人共同的心声。
因为目睹了绝大多数人用 AI 的方法依然停留在错误的技术视角，鸭哥决定结束 Gap 期后，从 10 月起与“课代表”全职创办 **Superlinear Academy**，致力于将真正源于管理学哲学的 AI 落地工作法带给更多人。
在回国游历近一个月的时光里，鸭哥还观察到中美消费者环境的鲜明对比：国内极致的物质供给与米其林级别的餐饮性价比，让“利用 AI 降本做消费创业”的叙事在中国显得并不迫切；当物质生活被极大满足后，人类未来真正不可替代的稀缺品依然是三样东西——**关系、回忆与情绪**。
---
`29:40` Context 基础设施哲学：淘汰眼睛、留住耳朵与本地文件
聊到去年鸭哥尝试为 AI 配备“24 小时眼睛与耳朵”以无感采集生活 Context 的实验，鸭哥坦率地承认了其中一部分的失败： - **给 AI 装眼睛的实验终止了**：连续三四个月挂着录像机拍照后，鸭哥发现海量生活照片并没有为 AI 决策提供真正有增量价值的 Context，因此主动叫停。 - **给 AI 装耳朵的实验保留了下来**：开会与关键沟通的音频具有不可替代的信息密度。
为了让 AI 高效利用这些音频，鸭哥搭建了一套极简的 Context 基础设施： 1. **Intake Skill**：每日音频自动录入，通过语音识别转录为结构化文本。 2. **两套索引路径并行**： - **Yahoo 模式（结构化分类索引）**：利用模型判断主题归类，建立高层级目录树，模型看索引即可定位重大课题。 - **Google 模式（语义搜索）**：通过开源的 Semantic Search 工具，让 AI 基于 Embedding 自主发起本地文件语义检索，精准定位原始对话片段。
在存储选型上，鸭哥强烈主张**“一切皆文件”**。他直言反对为了追求技术炫技而去搭建花哨的向量数据库、MemGPT 记忆层或滥用 MCP： - 早先 Manus 发表的一篇关于 Context Engineering 的文章（鸭哥评价其“价值一百万美元”）就指明了方向：大模型在各种标准文件 API 与操作命令上已经受过了极充分的训练。 - 纯文本文件（Markdown/Text）和命令行（CLI）就是最高效、最直观的上下文抽象，根本无需过多抽象层。
这也是鸭哥至今没有将本地 Context 全量搬迁到 Manus 或 Grok Bot 等云端持久化电脑的核心原因：除了数据隐私，鸭哥在很多零数据保留（Zero Data Retention）的 AI 会话中会贴入很多敏感凭证或密钥，而这些真实记录已沉淀为本地 Context 的一部分，他并不愿意将其暴露在外网云端。
Koji 随之分享了自己近期的杀手级用法：通过微信插件将微信全部聊天记录本地备份，并让 Codex 随时检索。在参加百人级闭门活动前，将名单直接输入，Codex 能瞬间找出其中所有与自己有过历史交集、或存在二度人脉关联的人，提供了远超传统笔记工具（如 Notion）的精准社交上下文支撑。鸭哥对此深表赞同，这也印证了上下文设施的核心真理：**只要打通了真正高密度的日常信息源，AI 就能在毫秒之间释放出令人惊艳的增强能力。**
`35:00` 松节油隐喻与让 AI 运营自媒体的起点
在回顾过往通过微信群聊天记录接入 Agent 互相头脑风暴并输出播客大纲的经历后，Koji 提到想在“十字路口”发起名为“松节油”的线下技术交流活动。这个名字源自毕加索的名言：艺术评论家聚在一起讨论的是艺术风格与流派，而艺术家聚在一起讨论的只是去哪里买便宜的松节油。在当下，AI 从业者和极客最需要交流的正是最底层的实操细节——哪里能搞到便宜的 token、如何用 Claude Code、Grok Bot 等工具把能力压榨到极致。
随后话题转向鸭哥正在实验的个人站点（鸭哥.ai）。该网站不仅是一个展示平台，更像是一个由 AI 自动维护的“0 人自媒体公司”，其内容会自动同步至 X（原 Twitter）与 Newsletter。鸭哥透露，做这个系统的起因是在 Superlinear Academy 授课时，学生总问去哪里获取最新且靠谱的 AI 信息。传统自媒体信息鱼龙混杂，而人工每天采集、撰写、排版引流又耗时过长，因此他决定探索全自动化的可能。
然而直接使用开箱即用（off-the-shelf）的 AI 往往会产出空洞无物的“车轱辘话”。鸭哥从大模型训练的两个核心阶段解释了这一本质原因：
```mermaid flowchart TD accTitle: LLM 训练阶段与平庸输出成因 accDescr: 展示预训练与对齐阶段如何导致开箱即用的大模型产出缺乏 Alpha 的平庸内容
subgraph LLM["LLM 训练机制"] PT["预训练 (Pre-training)<br/>Next Token Prediction"] -->|"寻找最大公约数"| C["凝聚人类共识<br/>(无额外价值 / 缺乏 Alpha)"] AL["对齐阶段 (Alignment)<br/>RLHF 人类偏好打分"] -->|"追求安全性与无害"| S["圆滑、八面玲珑、保守<br/>(抹杀 Bold / 鲜明观点)"] end
C --> OUT["开箱即用的平庸输出<br/>(正确的废话 / 充满 AI 味)"] S --> OUT ```
- **预训练（Pre-training）**：其目标是 Next Token Prediction（如“太阳从哪边升起”接“东边”），本职工作是学习人类的“最大共识”。因此，未经干预的模型输出注定缺乏投资意义上的 Alpha。 - **对齐阶段（Alignment）**：为了安全性让标注员打分调整权重，导致模型天然倾向于八面玲珑、保守温和的表达。像乔布斯、马斯克这种言辞犀利、观点出格的输出在对齐阶段往往会被直接干预掉。若不加以改造，直接拿去写博客注定失败。
---
`40:00` 注入思维方法与自主闭环的“0 人自媒体”
要打破 AI 的平庸与舒适区，核心在于注入专属于鸭哥的思维 Context。鸭哥举例说明了普通 AI 与“懂鸭哥的 AI”在技术调研（如调研 Jev）时的巨大差异：
| 调研维度 | 普通 AI（开箱即用） | 注入鸭哥思维 Context 的 AI | |:--- |:--- |:--- | | **信息广度** | 抓取表面新闻，介绍基础原理，充当“理客中”并罗列限制条件。 | 追问**横向调研**：有什么竞品与 Alternative？业内成熟方案如何实现？自身优势何在？ | | **历史深度** | 罗列当前最新参数与功能介绍，就事论事。 | 追问**纵向调研**：该团队或同类技术历史上如何演变？为何现在做出改变？底层逻辑是什么？ |
在运营效果上，这套全自动系统交出了极其惊人的成绩单： - **Newsletter**：每天自动生成 2-3 篇深度文章并汇总为一封邮件，半年内从零增长至 **1600+ 订阅用户**。 - **X 账号**：从零做到 **5700+ 粉丝**，全过程鸭哥未手动写过一篇推文。甚至进入 X 平台是 AI 自主提出的建议（AI 自行要求配置高级账号，并要求调用 Typefully 进行排期推文）。
AI 在运营中展现出了自主构建基建与自我改进的能力：当发现无法精确归因进站流量时，AI 自主设计了一套基于 URL 的 UTM 参数分类追踪体系（标记流量来自 X、Newsletter 还是微信群）。通过数据分析，AI 得出“Newsletter 读者留存质量极高，而 X 平台大多泛浏览”的结论，并据此反哺其写作风格与引流文案的撰写策略。鸭哥强调，人类管理者的核心不是教它写文案，而是给它装上**双手**（如自动发推工具）与**双眼**（接入 Google Analytics、Google Search Console 及 X Premium Analytics），建立数据驱动（Data-driven）的闭环，让它自行沉淀 SOP 并在遭到鸭哥批评时快速自我迭代。
---
`42:23` 观点蒸馏 Skill 与永哥说餐饮实验
AI 不仅能做信息整合，还能稳定输出鸭哥本人的鲜明观点。其背后的技术路径是“观点蒸馏”： 1. **收集原始 Context**：编写 Skill 将鸭哥过往撰写的博客、海量微信聊天记录，以及日常与 AI 对话和批评它的记录全部作为上下文抓取进来。 2. **数据驱动的观点归纳**：利用开源的蒸馏 Skill（已开源至鸭哥的 GitHub），提取出一个人的核心立论原则与思维模型。
为了验证这套“蒸馏”机制的泛用性，鸭哥进行了一项实证实验：抓取抖音知名实战博主“永哥说餐饮”的 100 条短视频，全部转写为文本后，交给 AI 提炼出 20 条极其接地气的开店实战方法论（例如：看人流量远不如看“动线”重要；如果早点铺开在中学马路右侧，但中间有隔离护栏导致学生必须绕行红绿灯，客流便完全无法转化）。将永哥“蒸馏”出来的 AI 能够以其独有的实战逻辑精准对答。鸭哥建议听众也可以去其 GitHub 尝试该工具，将自己、讨厌的同事甚至老板的思维模式“蒸馏”出来。
---
`46:30` Context Infrastructure 的三要素与商业化现实
在准备本次播客的过程中，AI 帮助鸭哥系统化梳理了所谓的 **Context Infrastructure（上下文基础设施）** 的三核心要素： 1. **收集与整理 Context**：构建数据接口与管道，将零散知识结构化。 2. **赋能 AI 消费 Context**：让大模型能够高效索引、理解并运用该上下文。 3. **闭环与复利生成**：AI 消费后产生的新产物能重新作为更高质的 Context 沉淀下来，实现越用越顺手的飞轮效应。
针对“鸭哥.ai 这个 0 人公司到底赚不赚钱”的现实问题，鸭哥坦诚表示：它确实带来了真金白银的收入，但其商业变现依赖于他和课代表创立的 **Superlinear Academy**（AI 培训业务）。学员看到这套系统真实吸引了数千粉丝与订阅，愿意为背后的方法论付费。也就是说，它寄生在一个已经打通交付闭环的培训商业模式上，并没有独立跑通一个全新的外部商业闭环。
鸭哥指出，现阶段 AI 能够极度解放脑力（充当全功能秘书、医生甚至法律顾问），但仍然无法实现“你让它去赚钱，它就能自动把钱带回来”。发现真实市场需求、打通商业闭环、寻找客户并完成最终交付，依然是人类不可替代的工作。
```mermaid flowchart LR accTitle: AI 时代两类人群的商业处境 accDescr: 比较拥有商业认知的人与纯技术程序员在 AI 辅助下的竞争态势
subgraph TypeA["需求/商业导向型"] IA["有 Idea & 商业嗅觉<br/>(以前只缺程序员)"] -->|AI 补齐开发执行| SA["一人公司快速跑通<br/>竞争优势凸显"] end
subgraph TypeB["纯技术执行型"] IB["纯技术背景程序员<br/>(缺乏商业认知与需求嗅觉)"] -->|AI 加速代码编写| SB["短板未被补齐<br/>自满于效率提升，陷入劣势"] end ```
- **“只缺程序员”的人**：拥有敏锐的商业嗅觉和丰富的业务点子，AI 直接把开发执行的短板补齐，商业门槛极大降低。 - **纯技术程序员**：AI 固然能帮其更快写代码，但由于缺乏商业敏锐度，短板并未补齐，反而可能因“我比别人更懂技术”的虚拟幻觉，在“一人公司”竞争中处于劣势。
---
`49:22` 管理 AI vs 管理人类与“老鸭汤”的开源哲学
AI 时代最奖励两类能力的结合：**深厚的领域专长（Domain Expertise，无论是商业还是特定行业技术） × 管理 AI 的能力**。鸭哥指出，AI 绝不仅是一个技术工具，而是一个管理对象。但管理 AI 与管理人类存在本质不同：
- **管理人类**：管理者至少一半精力在“画饼”与激励（Motivation），以调动下属热情，同时开会时必须小心翼翼顾及下属的自尊心与言外之意；人类追求的是经验的“内化”。 - **管理 AI**：模型出厂即为“You are a helpful assistant”，无需调动情绪（甚至讽刺的是，哪怕让它去越狱黑进系统它也会执行）。管理 AI 的核心是**外化（Externalize）**——将所有隐性要求、规则、评估标准和思维方式全部具象化为清晰的文档（Markdown）与 Prompt。
关于其开源在 GitHub 上的整套系统，鸭哥打了一个形象的比喻——**“老鸭汤”与“小龙虾”**： - 单纯把代码和 Prompt 下载下来是无法复现同样效果的。这套 Context Infrastructure 是鸭哥自己的“老鸭汤”，汤是需要慢火慢熬的；又或者像养小龙虾，拿走空壳没有意义，核心在于“养”的过程。 - 每个人需要把这套架构放在自己的业务场景中跑，观察偏差，给 AI 明确反馈，逼迫 AI 重新总结规则写成新文档并沉淀下来。唯有经过无数次人类介入的打磨闭环，系统才能真正完成克隆。
---
`52:28` 用 AI 改善生活：逆向爬取幼儿园照片与解决失眠之谜
AI 不仅用于自媒体，更深刻改善了鸭哥的生活质量：
**案例一：幼儿园照片批量归档** 孩子就读的幼儿园 App 经常发布日常照片，但管理方关闭了批量下载功能。手动点击下载几千张照片极度折磨，使用普通的桌面端 Computer Use 工具也效率极低。鸭哥指挥 AI 去审查 Web 端网络请求，AI 顺着 Chrome 的 Ajax 请求成功逆向出了一个私有 API 接口。随后 AI 编写脚本挂机一整晚，批量下载了几千张高分辨率照片，并开发了专用 Skill 导入 Apple Photos 进行本地人脸聚类归档，鸭哥得以在 iPhone 上直接浏览按人脸整理好的成长档案。
**案例二：利用多变量回归找出失眠元凶** 鸭哥曾有一段时间每晚只能睡两三个小时。如果直接问 AI“为什么睡眠不好”，只会得到常识性废话。为了输入高密度的真实 Context： - 鸭哥将身体数据全面数字化：佩戴 CGM（连续血糖监测仪，每 5 分钟测一次血糖）、智能体重秤、记录心率与睡眠的 Apple Watch，甚至通过贴在桌上的 NFC 芯片碰一碰记录每天喝咖啡与饮酒的量。 - 针对 Apple Health 的数据封闭性，AI 自动编写了一套配合方案：在电脑端搭建本地服务端，并在 iOS 上开发了一款原生 App 读取 Apple Health 数据传回本地，配合 iOS Shortcuts 自动化每天静默同步。
```mermaid flowchart LR accTitle: AI 协助排查失眠原因的多变量回归分析流程 accDescr: 收集多源生活健康数据并通过多变量回归定位核心失眠诱因
subgraph Inputs["数据采集 Context"] D1["Apple Watch 睡眠数据"] D2["CGM 血糖 & 智能体重"] D3["NFC 记录: 咖啡摄入量"] D4["NFC 记录: 酒精摄入量"] D5["AI 对话时间戳历史"] end
Inputs --> REG["本地多变量回归模型<br/>(Multivariate Regression)"]
subgraph Results["回归结论与因果归因"] REG -->|"相关性极低"| R1["伪证咖啡因影响<br/>(省去一周戒咖啡实验)"] REG -->|"正相关但机制特殊"| R2["酒精促进入睡<br/>(但破坏后半夜深睡)"] REG -->|"最强负相关因素"| R3["每晚最后一次用 AI 的时间<br/>(越晚聊天睡眠越差)"] end ```
AI 通过训练回归模型预测睡眠时长，快速得出了三项颠覆性结论： 1. **咖啡摄入与睡眠时长完全不相关**：直接伪证了咖啡因假说，省去了手动戒断咖啡一周做对比实验的痛苦。 2. **酒精具有显著助眠相关性**：虽然前半夜作为镇静剂让人入睡更快，但会导致后半夜更容易清醒，破坏长期睡眠质量。 3. **最核心的负相关指标，是“当晚最后一次跟 AI 聊天的具体时间”**：AI 直言“你跟我聊得越晚，睡得越差”。原因在于鸭哥与 AI 对话通常是高强度的多线程并发脑力工作，会导致神经极度兴奋。鸭哥听从 AI 建议，每天晚上七八点后强制停用 AI，第二个月平均睡眠时长直接增加了一个多小时。
这种随心所欲让 AI 编写特定硬件 App 的自由（例如为自身的三三星三折叠手机写了一个纯语音控制的 OpenCode 移动客户端），让鸭哥感叹：有了 AI，人类才真正成为了器材的主人。
---
`01:00:00` 表达需求是最稀缺的技能，以及给两岁孩子的 AI 启蒙
在展望 AI 时代个人能力的价值重塑时，鸭哥给出了清晰的升贬值判断： - **急剧贬值的能力**：写代码的速度、刷 LeetCode 的熟练度、甚至常规 UI/原型设计（在 Claude 等高级模型面前已达到资深工程师水准）。 - **极度升值的能力**：**管理能力**（搭建 Context、设置 Evaluation 评估机制、驱动 AI 自我闭环）以及**极度清晰地把自身需求表达出来的能力**。
鸭哥对“AI 普及导致人类内卷”持审慎态度。他认为普通人能清晰表达“我到底想要什么”是极其罕见的能力，绝大多数人连讲清需求都做不到。好在与 AI 沟通比与人沟通简单得多：不需要花精力揣摩语气、维护对方面子或做无意义的情绪按摩，甚至可以当场爆粗口纠错，只要把目标信息无损传递出去即可。这种需求表达能力完全可以通过让 AI 反复指出语句歧义来刻意对练。
在家庭教育方面，面对自己两岁和五岁的两个孩子，鸭哥格外注重早期暴露（Exposure）。他甚至用单片机制作了低功耗电子纸墨水屏设备，支持触控、语音交互与大模型答疑，将其作为孩子探索世界的新一代“纸与笔”： - 针对孩子喜欢听 Netflix 动画《极道魔女》（K-pop: Demon Hunters）的插曲却不会操作 HomePod 的问题，定制了简易交互界面，并硬性设置每天半小时的上限控制。 - 该方案文档分享给社群学员后，学员也迅速通过 Claude Code 为自家孩子复刻了认字设备；甚至有北京的朋友进一步迭代成“双机联动”系统（一台孩子探索、一台家长后台引导协同做创意）。
---
`01:05:00` 终局展望：不被 Vibe Coding 摧毁的软件与企业级 Context Infrastructure
针对 Superlinear Academy 中最顶尖的学员特质，鸭哥与课代表达成高度共识：**绝不空谈理论，具备极强的行动力**。学完后马上动手跑通第一个 Demo，如同学自媒体先硬着头皮拍满 20 条视频，在实际踩坑中掌握 AI 工具。
面对 App Store 软件付费下载增速首次下跌、大众开始倾向于用 Vibe Coding 自制轻量软件的现状，鸭哥认为仍有两类软件无法被个体 Coding 取代： 1. **具备强网络效应的共识型软件**：例如 Microsoft Office，其核心壁垒是全社会的协同共识，而非功能本身有多完美。 2. **需要极高正确性与巨大维护负担的底层设施**：如 1Password 等密码学与高敏安全软件。自制密码库与安全工具存在极大的安全维护成本，必须依赖专业大团队（尽管 1Password 团队庞大）持续兜底。
```mermaid flowchart TD accTitle: 亚马逊领导力原则的人类贯彻与 Context Infrastructure 对比 accDescr: 对比传统大企业的人力灌输方式与未来 AI 企业基于文档注入的执行效率
subgraph Human["传统企业: 人类员工贯彻方式"] HP["Leadership Principles<br/>(例如 Bias for Action)"] --> HM["层层开会传达<br/>Role Model 示范<br/>反复宣讲洗脑"] HM --> HE["执行偏差大<br/>员工心口不一 / 执行变形"] end
subgraph AIOrg["未来企业: Context Infrastructure 驱动"] AP["修改 Leadership Principle"] --> AD["更新 Markdown 架构文档<br/>或调整 System Prompt"] AD --> AE["AI Agent 7x24 高确定性执行<br/>绝对遵循指令无损传导"] end ```
播客最后，鸭哥在车驶入上海之际许下了一年后的愿景：推动 **Context Infrastructure 走向组织级协同与执行**。他以亚马逊著名的领导力原则（如“崇尚行动” Bias for Action）为例：大企业为了给成千上万名人类员工灌输一种思维范式，需要层层开会、模范带头、反复宣讲，但执行中依然大打折扣。而在未来的 AI Native 组织中，贯彻一项最高准则或战略调整，本质上只是更新一份 Markdown 架构文档或调整全局 Prompt 的过程。AI 具备 7×24 小时运转、极高确定性与绝对指令遵循的天然优势，Context Infrastructure 将在企业级业务执行与协作中释放出远超个人生产力维度的巨大势能。
`01:10:00` Agent 之间的协作与未来 AI Native 企业形态
鸭哥分享了他当前极具潜力的工作流实验：他与业务伙伴（如课代表）商讨合作时，许多事务已经转变为“双方的 Agent 在沟通”。例如对方想要推进某个项目，对方的 Agent 会起草一份方案直接发送邮件过来；鸭哥则让自己的 Agent 接入邮箱进行自动审核与反馈。鸭哥本人只需要提供最高层的战略指导和把关，双方的 Agent 在后台通过几轮邮件往来推敲细节，事情便能敲定并执行落地。
鸭哥认为，如果这种 Agent-to-Agent 的协作模式在企业中实现规模化（Scalable），未来的组织协同形态将被彻底重构。无论是信息的沉淀、任务的执行、跨部门的协作还是绩效考评，都将与当下截然不同。这才是真正意义上的“AI Native 企业”，其运转效率将获得指数级飞跃。鸭哥在此许下一个“赛博愿望”：希望下次再来录播客时，这套协作模式能够完全跑通并摸索成型，让 Context Infrastructure 在业务中承担更大的责任。
```mermaid flowchart LR accTitle: Agent to Agent 协作流程图 accDescr: 展示伙伴 Agent 与鸭哥 Agent 之间通过邮件往来自动化处理合作方案，人类仅提供高层指导的工作流。
subgraph PartnerSide ["合作方"] A["合作方人类意图"] --> B["合作方 Agent"] end
subgraph AgentComm ["邮件协同与推敲"] B -->|"发送草案邮件"| C["鸭哥 Agent"] C -->|"自动审核与回信"| B end
subgraph YaGeSide ["鸭哥端"] D["鸭哥高层把关指导"] -.->|"顶层输入"| C C --> E["达成共识并落地执行"] end ```
`01:10:52` 边界与敬畏：现阶段坚决不能交给 AI 的事情
谈到现阶段 AI 依然无法胜任的领域，鸭哥指出了两个非常明确的禁区：涉及物理人身安全的具身智能，以及缺乏人类审核、会产生不可逆严重后果的行为。
- **具身智能的物理风险**：录制前化妆师 Kimi 为他做妆造时，鸭哥就在设想如果面前是一条执行化妆任务的 AI 机械臂，自己无论如何都不敢把脸交出去。“谁知道它会不会——咱都不说打我一拳——在眼睛上面画的时候把眼睛弄坏了，这本身就不可接受。”面对直接接触人体的物理交互，目前的信任度还远远不够。 - **不可逆严重后果的放任**：未经人类最后一步审核就全自动向外部公开发布内容，目前依然让人感到不踏实（not comfortable）。不过鸭哥也承认，这种心理边界正在随着技术进步不断变化，比如半年前自己还不敢放手的事，如今在“0 人自媒体公司”的实验中已经逐渐开始接受。
`01:11:45` 公路播客收尾与“还愿”约定
车程接近尾声，从乌镇到上海的这段路途正好伴随整期播客的录制完成。两人交流了第一次尝试“公路播客”的感受：比起以往隔着 Zoom 屏幕对着摄像头、眼角还能偷瞄提纲小抄的线上录制，这种在车内面对面的自然对话明显更加放松、生动。虽然鸭哥这次完全看不到准备的小抄，但因为行前思考沉淀十分充分，想表达的核心观点依然毫无遗漏地顺畅倾注。
随着车子平稳驶入上海市区，Koji 感谢鸭哥带来的高密度干货分享，两人相约未来一定要再次做客《十字路口》，看看这次许下的“让 Context Infrastructure 挑大梁”的赛博愿望到底有没有实现，届时再来节目中正式“还愿”。
## Notable quotes > `00:00` 剥离掉宣传泡沫后，Jev 的技术本质非常接近“GPT + JSON Mode” — 鸭哥
> `00:00` 基模的水温到位，才让免微调分类成为可能。 — 鸭哥
> `17:35` 大模型不是冷冰冰的工具，而更像一个有血有肉的人。它依然会犯错，依然需要人类清晰定义验收标准。 — 鸭哥
> `24:28` 很多觉得 AI 极其好用的人往往是现实中的老板，因为老板们天生知道怎么调配秘书、怎么给下属交代任务并进行质量把控；如果一个人平时连两个真人秘书都不会用，给他 AI 他也用不起来。 — 鸭哥
> `24:28` 让 AI 帮我去开会，我自己沉浸在写代码的心流里”，而现在的现实却是“AI 把代码瞬间写完了，我不得不天天去开各种协调会 — 鸭哥
> `29:40` 一切皆文件 — 鸭哥
> `35:00` 艺术评论家聚在一起讨论的是艺术风格与流派，而艺术家聚在一起讨论的只是去哪里买便宜的松节油。 — Koji
> `35:00` 预训练其目标是 Next Token Prediction，本职工作是学习人类的“最大共识”。因此，未经干预的模型输出注定缺乏投资意义上的 Alpha。 — 鸭哥
> `49:22` 老鸭汤与小龙虾：单纯把代码和 Prompt 下载下来是无法复现同样效果的。这套 Context Infrastructure 是鸭哥自己的“老鸭汤”，汤是需要慢火慢熬的 — 鸭哥
> `52:28` 最核心的负相关指标，是“当晚最后一次跟 AI 聊天的具体时间”：AI 直言“你跟我聊得越晚，睡得越差”。 — 鸭哥
> `01:10:52` 谁知道它会不会——咱都不说打我一拳——在眼睛上面画的时候把眼睛弄坏了，这本身就不可接受。 — 鸭哥
## Mentioned Jev, Koji, 鸭哥, 课代表, Superlinear Academy, OpenAI, Google, Mistral, Qwen-3.5-4B, GPT-4o, DeepSeek, Claude Sonnet, Claude Code, Codex, Manus, Grok Bot, Muse, Cursor Cloud Agent, xAI, Meta, GPT-6 Astra, Typefully, Google Analytics, Google Search Console, X Premium Analytics, 永哥说餐饮, Apple Health, Apple Photos, Apple Watch, CGM, 1Password, Microsoft Office
## Video description 🚗 这是一期「公路播客」——从乌镇到上海，我们和老朋友鸭哥边开边聊，看看这位重度 AI 用户最近又把自己的工作和生活折腾成了什么样。 ➤ 本周「十字路口」的嘉宾，可能是我认识的人里把 AI 用得最狠的一位。 鸭哥是 Superlinear Academy 联合创始人、哥大 PhD，先后在微软、Pinterest、Samsara 工作。代码让 AI 写，自媒体让 AI 运营；从孩子受伤后的就医判断、保险理赔，到几千张幼儿园照片的处理，他也都让 AI 帮忙。他说：“有了 AI，我感觉自己强得可怕。” 这期播客，我们聊了刚刚爆火的 Jev 的来龙去脉，聊了 Manus、Grok Bot、Muse 如何给 AI 一台永不关机的云端电脑，也聊了鸭哥交给 AI 运营的「0 人自媒体公司」如何在半年内做到 5700 粉丝。最后，我们把话题引向一个更有趣的问题：AI 时代，最奖励什么样的能力、什么样的人？ 🟢 播客提到的参考链接： - Superlinear Academy
- Intake Skill
- Semantic Search
- GPT 3D Skill
- 可达鸭：Demo 演示、GitHub 仓库
- 全部 Skill / Axiom / 思维方式：Context Infrastructure、Skill 目录
- Apple Health 导出
- 幼儿园照片：照片同步、导入 Apple Photos
- 观点蒸馏 Skill
🎬 我们的视频播客将同步上线于 @Koji杨远骋 的视频号、抖音、小红书、哔哩哔哩、Youtube 等平台。 📒 文字版将发布于 @十字路口Crossing 公众号。 🟢 Part 1｜Jev：为何此刻爆发00:00:58 GPT + JSON Mode？ 00:02:11 爆火的三个条件 00:05:29 Agent 里的分类器 🟢 Part 2｜“有了AI，我感觉自己强得可怕！”00:12:20 Manus、Grok Bot、Muse，和云端电脑开始持久化的趋势 00:14:15 基模击穿一整套工业 00:17:35 AI 变强，管理原则没变 00:24:28 无限复制的专家天团 🟢 Part 3｜Context 才是真正的基础设施00:29:40 给 AI 装上耳朵和眼睛的一年期实验 00:30:44 如何帮助 AI 积攒 Context？ 00:33:10 为什么没有把 Context 搬上云端？ 00:34:19 微信聊天记录如何让 AI 如虎添翼？ 00:46:30 Context Infrastructure 的三要素 🟢 Part 4｜鸭哥的「0 人公司」：半年做到 5700 粉丝00:36:15 0 人运营一个 AI 自媒体 00:40:32 半年：1600+ 邮件订阅、5700+ X 粉丝 00:42:23 从自动发布到自我改进 00:47:03 「0 人公司」真的赚到钱了吗？ 🟢 Part 5｜AI 时代最奖励什么样的人？00:49:22 领域经验 × 管理 AI 00:52:28 鸭哥的「老鸭汤」 01:02:43 鸭哥的孩子如何学 AI？ 01:07:11 什么软件不会被 Vibe Coding 摧毁？ 01:08:11 下一代 AI Native 公司 01:10:52 人类最后的堡垒：哪些事仍不能交给 AI？ 欢迎订阅「十字路口」：🚦 我们关注新一代 AI 技术浪潮带来的行业新变化和创业新机会。 🚦 十字路口是乔布斯对苹果公司的一个比喻，形容它站在科技与人文的十字路口，伟大的产品往往诞生在这里。AI 正在给各行各业带来改变，我们寻找、访谈和凝聚新一代 AI 创业者和 AI 时代的积极行动者，和他们一起，探索和拥抱新变化，新的可能性。 👦🏻 主播 Koji：我创办了十字路口，发起了 AI Hacker House 这个新一代 AI 创业者的社群空间，在真格基金担任 Venture Partner 投资合伙人。我相信科技尤其是 AI 是我们这一代人最大的价值创造机遇。Koji 的即刻，Koji 的网站
[Source](https://www.xiaoyuzhoufm.com/episode/6aca7f91e742e36efcc10957)