AI on 方糖猫Blog

十年前泡论坛啃书，现在问 AI：软件知识的分层与获取地图

Mon, 28 Sep 2026 16:00:00 +0800

十年前泡论坛啃书，现在问 AI：软件知识的分层与获取地图

先想象一个具体的任务：你要从零做一个秒杀下单系统。

如果是 2015 年，你的路径大概是这样的：买《深入理解 Nginx》《Redis 设计与实现》，泡博客园和 ITEye，搜"秒杀系统架构"找到几篇大厂的分享 PPT 如获至宝，照着 CSDN 上的帖子抄一段 Nginx 配置，跑不通就去 QQ 群里问。一个消息队列的选型，可能要在论坛里翻几十页帖子。

如果是 2026 年，你打开 AI 问一句：“帮我拆解一个秒杀系统的技术选型和坑。“十秒钟，一份看起来像模像样的方案就出来了。

然后呢？然后你照着 AI 给的代码配 Spring Boot，启动报错——它引用的包名是 Spring Boot 2 的。你问它 Redis 最新版本怎么配，它给你的参数三年前就废弃了。

渠道换了三代，踩的坑是同一个：渠道选错，往往不是信息不够，而是拿错了知识层次。这篇文章想讲清楚两件事：

软件知识分层，每一层有各自唯一靠谱的获取渠道；
从"论坛时代"到"AI 时代”，每一层的渠道具体是怎么变迁的。

一、Spring Boot 和 Netty，其实是两个层面的东西

学习清单上它们常常排在一起：“Spring Boot、Redis、MQ、Nginx、Netty。”

但如果看它们各自真正难的部分，这五个名字其实落在四个不同的层次上：

技术	它真正难的部分	属于哪层
Nginx、Netty	Reactor 模型、epoll、零拷贝、内存管理	贴着操作系统网络的底层组件，核心知识半衰期 10 年+
Redis、MQ（Kafka/RocketMQ）	数据结构、持久化策略、副本协议、消息语义	中间件，核心知识半衰期 5~8 年
Spring Boot	自动装配、约定优于配置、生态整合	应用组装框架，半衰期 3~5 年，小版本还在月月变
用上面这些搭一个秒杀系统	流量整形、幂等、分布式事务、降级预案	方案层，跟着业务实践走，没有教材，只有案例

层次不同，学法就不同：试图"背"Spring Boot 的配置（该查不背），或者试图靠刷博客学懂 Netty 的 EventLoop（该啃源码），都是拿错了工具。层次错位，是学习效率低的第一大原因。

二、四层知识，四个时代的入口

把上面的分层展开，逐层对比"过去去哪获取"和"现在去哪获取”：

原理层：Reactor、CAP、B+ 树、TCP

过去：经典书和论文是唯一入口。《UNIX 网络编程》《TCP/IP 详解》摆在桌上，啃不动就是啃不动，没人能救你。这层知识获取的瓶颈从来不是"找不到"，而是"读不懂"。

现在：书还是那批书——原理层十几年不变，没有新书可写。但多了一件过去不存在的东西：AI 是随问随答的讲解员。“用大白话解释 Reactor 和 Proactor 的区别”、“CAP 里的 P 为什么必须满足”、“这段 epoll 代码为什么这么写”——过去需要一个导师领着啃的东西，现在可以按你自己的水平反复讲。这大概是 AI 对学习方式最大的真实贡献：它消灭了原理层的"读不懂"。

组件层：Netty 的 EventLoop、Redis 的持久化、Kafka 的副本协议

过去：官方文档（英文，劝退）+ 源码硬啃 + 少数系统化的书（《Redis 设计与实现》《Netty 权威指南》《Kafka 权威指南》）。肯读源码的人和不读的人，差距就在这一层拉开。

现在：锚点没变——官方文档和源码仍然是这一层唯一的事实来源。变的是门槛：把 NioEventLoop 的一段源码贴给 AI 问"这段在干嘛"，比自己在调用栈里迷路快十倍。书的意义也变了：不再是唯一的系统材料，而是帮你建立地图——地图有了，细节让 AI 陪你在源码里走。

各组件的锚点，顺手列一下：

Spring Boot：spring.io 的官方 Guides + Reference；版本变化看 GitHub release notes
Redis：redis.io 官方文档，每个命令一页带复杂度说明，质量极高
Kafka：官方文档的 Design 章节，分布式系统教学级材料，值得全文读
RocketMQ：GitHub 仓库里的架构文档，配合 DefaultMQProducer 源码读一遍发送流程
Nginx：nginx.org 指令文档是"查"的，不是"学"的；架构思想看《深入理解 Nginx》
Netty：官方 User Guide 很短，真正的教材是 NioEventLoop 源码本身

版本层：Spring Boot 3 的配置项、Redis 7 的新命令

过去：本来就该看官方 release notes，但很多人不看——踩了坑再去搜博客，搜到别人踩过的同一个坑。

现在：这一层是唯一没有被 AI 改善、反而被 AI 污染的层。AI 有知识截止日期，且会一本正经地编造不存在的配置项和 API。它记忆里的版本知识只能当初稿，不能当答案。正确姿势有两种：一是回归原始动作，直接去官方文档和 release notes 抄；二是把官方文档页面喂给 AI 当上下文再提问（或用 Context7、DeepWiki 这类把最新文档索引给 AI 的工具），让 AI 基于真实文档回答，而不是基于记忆编造。

一句话：版本层的知识不要"学"，要"查"，唯一权威是官方文档。

方案层：秒杀、订单幂等、分布式事务

过去：这是最难获取的一层。官方文档不管组合，书上没有，只能靠大厂技术博客、QCon/ArchSummit 的大会 PPT、以及口口相传。当年能拿到一份大厂秒杀架构的分享 PPT，如获至宝不是修辞，是事实。

现在：大厂博客依然是主力（地址整理在第四节），但增量有两个：

成熟的开源脚手架——mall、RuoYi 这类 Star 数高、持续更新的项目，看它们怎么把组件接起来、怎么处理幂等和分布式事务。重点看 issue 区，坑都在那里。
AI 能做方案 review——把你的设计贴给它问"这个链路哪里会丢消息"，它能列出你该检查的清单。它给出的方案未必对，但它给出的"检查清单"通常很全。

还有一条没变过：看十篇方案不如自己搭一遍。用 Docker Compose 把 MySQL + Redis + RocketMQ + Nginx 拉起来，写一个下单扣库存接口，把消息丢失、缓存穿透、重复消费全踩一遍。踩过的坑才是你的方案。

三、把例子走完：秒杀系统的四层拆解

回到开头的任务，把"做一个秒杀系统"拆到四层，每层的获取动作清清楚楚：

层	秒杀系统里对应的问题	2015 年的动作	2026 年的动作
原理层	为什么用队列削峰（流量整形）；超卖的本质是并发控制	啃书，啃不动就放弃	书 + AI 讲到懂为止
组件层	Redis Lua 扣库存的原子性；RocketMQ 事务消息	官方文档 + 源码硬啃	文档源码仍是锚点，AI 当导读
版本层	Spring Boot 3 整合 Redis 的依赖坐标；RocketMQ 5.x 客户端配置	踩坑后搜博客	官方文档抄，或喂文档给 AI
方案层	整条链路怎么组装、降级预案怎么定	大厂 PPT + 口口相传	大厂博客 + 开源脚手架 + AI review + 自己搭

注意一个细节：四层里只有原理层和方案层的"获取"被 AI 真正改变了；组件层是门槛降低，版本层反而要多一道验证。AI 没有改变知识的层次结构，只改变了每一层的获取效率。

四、趋势在哪看

趋势是方案层之上的东西：不告诉你 API 怎么写，但告诉你行业在往哪走。

过去：书和杂志的序言、线下大会、以及"听说隔壁公司在用什么"。信息慢，但噪声也小。

现在：信号源多了，按信号强度排序——

GitHub Trending + Awesome 系列：trending 看热度，awesome-xxx 看生态成熟度。一个方向的 awesome 列表两年没更新，基本就是凉了。
顶级会议议题表：KubeCon、QCon/ArchSummit、Spring I/O、AWS re:Invent。连续三年都有专场的话题，已经不是趋势，是现实。
ThoughtWorks 技术雷达：半年一期，敢说"暂缓"，比只会吹捧的报告值钱。
年度调查：Stack Overflow / JetBrains 开发者报告。“实际在用什么"和"媒体在吹什么"的差值，就是泡沫。
大厂技术博客：他们踩过的坑，就是你两年后的日常。常用入口（RSS 为发文前实测可用）：

国内：

团队	地址	RSS / 订阅方式
美团技术团队	tech.meituan.com	RSS
阿里（淘天/阿里云等）	阿里云开发者社区	无官方 RSS，可用 RSSHub 生成
字节跳动技术团队	掘金官方号、开源官网博客	无官方 RSS，可用 RSSHub 生成
腾讯云开发者	cloud.tencent.com/developer	无官方 RSS

国外：

团队	地址	RSS
Netflix	netflixtechblog.com	RSS
Meta Engineering	engineering.fb.com	RSS
AWS	aws.amazon.com/blogs	RSS
Uber	uber.com/blog/engineering	无公开 RSS
Google Developers	developers.googleblog.com	页面提供 Atom 订阅

国内团队不提供 RSS 的居多（内容越来越多迁到公众号和自家社区），两个补救办法：用 RSSHub 把社区页面转成 RSS；或者干脆不订阅，按季度扫一遍历史文章列表——好内容不怕晚三个月。

无论渠道怎么变，趋势这东西季度性地扫一眼就够了。天天刷只会制造焦虑。真正值得追的趋势，三个月后它还在。

五、AI 时代真正改变的三件事

把全文收拢成三句话：

原理层的获取成本坍缩了。 过去最大的瓶颈"读不懂"被 AI 消灭了——这是学习方式上最深刻的改变，没有之一。
验证变得比知道重要。 AI 会编，尤其在版本层。靠谱的工作流只剩三步：AI 讲原理 → 官方文档定版本 → 跑起来验证。跑不通，把报错喂回去让它修。AI 时代最值钱的技能不是"知道答案”，而是"会写验证答案的实验"。
提问质量 = 知识杠杆率。 “Redis 怎么用"和"Spring Boot 3.2 + Redis 7，Lettuce 客户端，缓存用户会话 TTL 30 分钟，缓存穿透怎么处理，给最小示例”——后者的答案质量是前者的十倍。你掌握的原理层知识越多，问题就描述得越精确，AI 的产出就越好。底层知识没有贬值，它变成了杠杆。

获取渠道换了三代：书 → 博客论坛 → 公众号 → AI。不变的是知识的分层，和你对"什么知识值得花时间"的判断力。AI 让"知道"变得廉价，让"验证"和"判断"变得昂贵——未来拉开差距的，不是谁知道得多，而是谁分得清：哪句话该信 AI，哪句话必须去翻官方文档。

HN 招聘帖 9 月观察：帖子少了四分之一，但有几样东西在逆势变厚

Tue, 08 Sep 2026 10:30:00 +0800

HN 招聘帖 9 月观察：帖子少了四分之一，但有几样东西在逆势变厚

上一篇《从 HN 招聘帖看创业活路》分析了 2026 年 7 月（410 条）和 8 月（330 条）两期招聘帖。9 月 1 日第三期出来了，我照例抓取、统计、逐条过了一遍。这篇只讲增量：和上两个月相比，什么消失了，什么变厚了，以及一份"三期全勤"的公司名单。

先交代数据口径：和前两期一样，只统计主帖（公司发布的招聘条目），不含讨论回复。9 月主帖 242 条。

一、总量：410 → 330 → 242

帖子数量连续第二期下滑，9 月比 8 月少了 27%。暑期因素已经解释不了这个跌幅——7 月到 8 月是暑期，9 月可不是。更可能的解释是：公司在招人这件事上变得更谨慎，或者更精准——招聘需求没有消失，而是集中到了更少、更明确的方向上。下面的结构变化支持后一种解释。

词频层面（242 条主帖中的出现比例）：

AI 出现在 60% 的帖子里，agent 25%，agentic 11%——“agentic” 已经从营销词变成岗位描述的默认词汇
remote 56% vs onsite 29%——远程比例稳定，SF/NYC 的 onsite 集中在 AI 和硬件团队
founding（创始工程师类岗位）占 8%，而 7 月是 18/410 ≈ 4%——早期公司的占比翻倍。帖子少了，但新公司的诞生速度没有跟着慢下来
security 出现在 16% 的帖子里——这个比例高得反常，下面细说
技术栈排位不变：Python > TypeScript > Rust > Go

最戏剧性的变化是量子公司集体消失：8 月 quantum 出现 15 次（Atom Computing、IonQ、Unitary Foundation 等都在扩编），9 月归零——一期之内从"密集冒头"到"查无此人"。我 8 月写"招聘是领先指标"，9 月就收到了反面教材：领先指标也会回撤，单月的招聘热度不等于趋势。这也是为什么要连续读多期。

二、逆势变厚的四个方向

flowchart LR
    A["9 月 242 条帖子<br/>总量 -27%"] --> B["Agent 治理与安全<br/>security 占 16%"]
    A --> C["政府成为买家<br/>govtech 集群"]
    A --> D["能源层继续变厚<br/>energy 22 次"]
    A --> E["给模型出考题<br/>评测与环境成新铲子"]
    B --> B1["MintMCP · Greywatch<br/>Trustible · Steg.AI"]
    C --> C1["Statecraft · Aerdos<br/>GovStar · Tecuity"]
    D --> D1["Neuralwatt · Strobe Power<br/>Oklo（三期全勤）"]
    E --> E1["Mechanize · Prophet Town<br/>Artificial Analysis"]

1. Agent 治理与安全：从"有没有 Agent"到"管不管得住 Agent"

8 月的主题是公司争相部署 Agent，9 月的主题是部署之后怎么办。一批公司专门做"Agent 的管控层"：

MintMCP 给 IT 部门提供统一的 Agent 落地入口——身份、权限、可见性，帖子里直接晒了进度：6 个月拿下 40+ 付费客户（Braze、Coursera、Stability AI），6 周内团队从 6 人翻倍到 12 人
Greywatch 做 Agent 安全与治理平台，“从内核到网络看清 AI agent 在你的基础设施里干什么”
Trustible 帮企业应对正在落地的 AI 监管，同时在招 Agentic Engineer 和 Forward Deployed Engineer
Steg.AI 做不可见的 AI 水印，Hiya 识别深伪诈骗电话（覆盖 5 亿用户），InfoHawk 追踪 AI 生成的仿冒网站和欺诈广告

与之呼应的是 eval（评测）正式成为岗位职责：10% 的帖子明确提到 evals。最典型的是 Republic Services——北美第二大环保服务公司，4 万员工、几千辆卡车——在招第一位 Agentic AI 工程师，岗位描述写得像教科书：agent 编排、检索与记忆、evals 与 golden dataset、prompt 注入防护、审计日志。当"收垃圾的公司"都开始建制化地招 Agent 工程师，说明垂直 Agent 已经越过早期采用者阶段，买家从创业公司变成了老经济本身。

2. 政府成为买家

9 月有一个此前不明显的集群：把 AI 卖给政府，或者直接替政府干活。

Statecraft 的帖子火力很猛：“美国政府几乎完全由外包顾问运营，顾问人数是公务员的 3 倍，他们把低效制度化以便多收工时费”——他们做的事是用 AI workforce 自动化这些工作，招全级别的 FDE
Aerdos 定位"AI 原生情报机构"，用公开和商业数据帮美国政府回答国家安全问题
GovStar 招 5 个工程师给政府建"安全、生产级的 AI 能力"（要求美国公民身份）
更老的玩家也在：Tecuity 给州务卿办公室写了 20 多年软件，Leidos 继续在 FAA 项目招人，Valkyrie Aero 是国防部主承包商（载人反无人机飞机），Mattermost 的客户名单就是国防、情报、安全机构

这条线的逻辑和垂直 Agent 一样——替代昂贵人力——但买单方换成了财政。政府合同周期长、合规门槛高，可一旦进去就是多年期收入。在帖子总量收缩的月份里这个集群反而成形，值得记下来。

3. 能源层继续变厚

8 月我写了"淘金热的铲子从 GPU 延伸到电网"，9 月这层更厚了：

Neuralwatt：帮数据中心"从每一千瓦里榨出更多可用的 AI 算力和收入"，做 GPU 优化和能耗感知控制系统
Strobe Power：把商业楼宇里的电池和发电机聚合成分布式电厂，实时买卖和调度电力——“做一家满足 AI 数据中心需求的电力公司”
加上做能源交易的 Amplify Renewables、做电网效率的 Comity、柏林的 Frequenz（Energy-as-a-Service）、牛津的 Aurora Energy Research，以及三期全勤的 Oklo（核反应堆）

算力瓶颈往下传导到电力的路径已经完全确立，而且分工在细化：有人管"省电"，有人管"找电"，有人管"造电"。

4. 给模型"出考题"成为新铲子

9 月出现一类两个月前还不存在的岗位：为前沿实验室构建训练环境和评测基准。

Mechanize 做的事一句话：建造前沿实验室用来训练模型"做真实软件工程"的环境。“需求超过我们能跟上的量，正在快速招人”——Junior SWE 开价 30 万美元加股权加奖金
Prophet Town 9 月的在招方向包括：设计 RL benchmark、red-team 模型输出、给前沿模型的 agentic coding 能力写评分 rubric
Artificial Analysis 作为独立第三方 AI 评测公司在两地 onsite 扩张

模型能力提升之后，“怎么衡量和训练它干活"本身成了供不应求的生意。这是卖铲子逻辑的最新一环：铲子已经不只卖给用 AI 的人，还卖给造 AI 的人。

三、物理世界：词汇在升级

物理世界这条路径（7、8 月的"路径三”）9 月仍在，但措辞变了——Physical AI 和 world model 开始取代泛泛的"机器人"：

Valstad Shipworks：“建造船的机器”——面向自主造船的机器人平台，软件栈从运动规划到物理仿真全部自研
Reframe Systems 用机器人微型工厂网络批量造房（从 ADU 到中型公寓），核心软件问题是"把数月的设计开发周期压掉"
Stand 给每栋房子建数字孪生，用物理信息世界模型预测野火/飓风中的具体损失，再据此给保险定价——已承保约 100 亿美元。这是"世界模型"第一次以赚钱的形态出现在帖子里
Rerun 自称是"Physical AI 的数据层"，Springcraft 自称是"Physical AI 的平台"——连卖铲子的都开始用这个词命名自己
老牌面孔还在：MONUMENTAL 三期全勤，Brain Corp 全球部署了 5 万台机器人，Greenzie 做商用割草机自动驾驶

同期值得注意的还有"非 LLM 的基础模型"：Prior Labs 做表格数据基础模型（临床试验、金融模型背后都是表格），Xaira 做生物基础模型，Pathos 用肿瘤学基础模型配 200PB 数据，ORIGAMICS 做能推理电子原理图的模型。LLM 之外的基础模型正在按数据类型铺开。

四、薪资与求职端：哑铃型分化

9 月帖子里的薪资数字呈现出很清楚的哑铃形：

flowchart LR
    subgraph 哑铃的一端
        A1["Mechanize Junior SWE<br/>$300k + 股权"]
        A2["aiuc.com MTS<br/>$200k-400k"]
        A3["Balerion AI<br/>$250k+ base"]
    end
    subgraph 哑铃的另一端
        B1["Search Atlas<br/>$23-34/小时 合同工"]
        B2["多条 equity-only<br/>零工资帖"]
        B3["匿名 SaaS 岗<br/>$90k-110k"]
    end
    A1 --- B1
    MID["中间地带在变薄"]
    A1 -.-> MID
    B1 -.-> MID

哑铃的一端：离前沿实验室越近、或离大钱越近的岗位，薪资越离谱。Mechanize 给 junior 开 30 万；做 AI 保险承保的 aiuc.com（团队含前 Anthropic/METR/OpenAI）开到 40 万
另一端：普通全栈岗的报价继续下探，30 美元时薪区间的合同工岗位堂堂正正地贴在帖子里，equity-only 的"零工资联合创始人"帖照例出现
求职端供需：咨询公司 Prophet Town 自己披露，8 月的帖子收到 216 份申请，发了约 10 个 offer（4.6% 录取率）；做代理网络的 Proxybase 创始人在帖子里公开道歉——“申请太多，回复慢了”。雇主端的谨慎和求职端的拥挤，两个事实继续同时为真
连续第三期，有人在帖子里呼吁雇主标注 4 天工作制（4DWW）——这个诉求没有消失，但也没有更多雇主接招

五、三期全勤名单

单期的热词可能是噪音，连续三个月都在扩编的公司是更硬的信号。同时出现在 7、8、9 三期帖子里的公司：

垂直 Agent：PermitFlow（建筑许可）、Shepherd（保险承保）、Norm Ai（法律）、Anterior（医疗授权）、Vitalize（医院排班）、Oscilar（风控）、Snout（宠物医疗支付）、Apex Dental（牙科集团）
信任基础设施：Middesk（KYB）、DuckDuckGo、Enveritas（咖啡农可持续发展，非营利）
卖铲子：LiveKit（语音管道）、Railway（部署平台）、Cascade Space（地面站）
物理世界：MONUMENTAL（砌砖机器人）、Oklo（核能）
慢慢赚钱：Sudowrite、PostHog
大厂标本：Snowflake 的 Applied AI / FDE 团队三期都在招——“驻场交付"作为行业标准动作的地位彻底坐实

另外 Langfuse 8 月被 ClickHouse 收购后，9 月已经不再发帖，而是以"技能要求"的形式活在别人家的岗位描述里（Republic Services 和 AiMi 的帖子都点了它的名）——开源工具的另一种存在感。

六、小结

把 9 月这 242 条压缩成一句话：总量在退潮，但潮水退去的地方露出的不是沙滩，而是四条更深的河道——管好 Agent、卖给政府、解决电力、给模型出考题。

对创业者，这期的启示比前两期更具体：当收垃圾的公司都开始建制化地招 Agent 工程师，“帮传统行业落地 AI"的窗口正在从"教育市场"切换到"交付结果”——客户已经知道自己要什么，接下来拼的是交付能力和行业理解。这正是 8 月说的 FDE 模式的必然延伸。

至于上篇讨论过的"这套行情是否在中国重演”，9 月的数据没有改变判断，只补了一条注脚：政府作为 AI 买家这条线，美国的形态是"替代外包顾问"，国内的形态大概率是信创和政务智能化的延续——同一条河，不同的河床。

数据来源：Ask HN: Who is hiring? (September 2026)，共 242 条主帖，2026-09-08 抓取。

从 HN 招聘帖看创业活路：740 家公司教我的事

Wed, 19 Aug 2026 15:00:00 +0800

从 HN 招聘帖看创业活路：740 家公司教我的事

Hacker News 每个月都有一个 “Ask HN: Who is hiring?” 帖子。我一直觉得它是被低估的创业研究材料：能在上面花钱花人招工程师的公司，多半是活下来、而且有现金流或融资的公司——这是天然的"幸存者样本"。我把 2026 年 7 月和 8 月帖子抓下来做了词频统计，又逐条过了一遍，这篇文章聊聊我从里面看到的创业路径，以及两个月之间风向的变化。

先给不熟悉 HN 的读者补个背景：Hacker News 是硅谷最有影响力的技术社区，由著名孵化器 Y Combinator 运营。每月 1 号它会置顶一个 “Who is hiring?"（谁在招人）帖子，公司创始人或工程师在评论区按固定格式发招聘启事——公司名、岗位、远程/坐班、薪资范围、一句话介绍。每条招聘帖背后都是一家正在扩张的真实公司，所以把这个帖子当数据库来读，就能看到"什么类型的创业公司此刻活得不错”。

一、先看数据：AI 已经不是赛道，是空气

7 月的 410 条帖子里，“AI” 出现了 405 次。这个数字的意义不在于"AI 很火"，而在于：已经没有"AI 公司"这个分类了，就像今天没人说自己是"互联网公司"一样。AI 变成了所有公司的默认组件。

其他值得注意的词频：

remote 226 次 vs onsite 100 次 + hybrid 61 次——远程仍是主流，但 SF/NYC 的 onsite 明显回流，尤其是 AI 和机器人方向的早期团队
founding engineer 18 次——早期公司密度很高，说明新公司的诞生速度没有放缓
profitable 22 次、bootstrapped 9 次——盈利公司乐意把"我们赚钱"写进招聘广告当卖点
技术栈：Python（88）和 TypeScript（72）是绝对主力，Rust（63）站稳了系统层，Go（2）反而式微
上一轮的宠儿几乎消失：crypto 3 次、web3 0 次、gaming 3 次

真正有意思的是这些词背后聚成的几类公司。我归纳出五条路径，整体解构如下图：

flowchart LR
    A["HN 招聘帖<br/>两期 740 家公司"] --> B["路径一：卖铲子<br/>AI 基础设施"]
    A --> C["路径二：垂直行业 + Agent<br/>密度最高"]
    A --> D["路径三：回到物理世界<br/>机器人 / 制造 / 国防 / 能源"]
    A --> E["路径四：慢慢赚钱<br/>老牌盈利公司"]
    A --> F["路径五：合规与隐私<br/>信任基础设施"]
    B --> B1["算力与芯片<br/>Fluidstack · Fractile"]
    B --> B2["管道与平台<br/>LiveKit · Railway · Estuary"]
    C --> C1["建筑 PermitFlow<br/>保险 Shepherd<br/>医疗后台 SmarterDx"]
    C --> C2["法律 Norm Ai<br/>物流 Pango · Orbit"]
    D --> D1["机器人 MONUMENTAL<br/>制造 Freeform"]
    D --> D2["国防 Aurelius<br/>能源 Oklo"]
    E --> E1["Proton · PostHog<br/>Sudowrite · IVPN"]
    F --> F1["Middesk · Oneleet<br/>Kanary"]

下面逐条展开。

二、路径一：卖铲子——AI 基础设施

Fluidstack 给前沿实验室建超算集群
Fractile 做 AI 推理芯片，Founders Fund 背书
Syntropic 压缩 LLM 的 KV cache，号称 8 倍压缩、0.43% 质量损失
LiveKit 做语音 AI 的实时通信层，Railway 做部署平台，Estuary 做实时数据同步

这是最拥挤也最贵的一条路：资本密集、人才密集。但它的启示对独立开发者同样成立——每一轮淘金热里，活得最好的往往是卖工具的。只是 2026 年的"铲子"已经不是"再做一个 LLM 网关"，而是往更底层（算力、内存、数据流）或更具体的环节（语音管道、Agent 运行环境）钻。

结合 8 月的数据，“铲子"已经明显分成了四层，越往下越重资产，但也越稀缺：

flowchart BT
    POWER["第四层：电力与能源<br/>Joulent · Oklo · Proxima Fusion"] --> COMPUTE["第三层：算力与推理优化<br/>Fluidstack · Fractile · Syntropic"]
    COMPUTE --> INFRA["第二层：平台与管道<br/>LiveKit · Railway · Estuary"]
    INFRA --> APP["第一层：应用<br/>垂直行业 Agent（路径二）"]

值得注意的方向：上层的创业者在往下走（应用公司开始囤算力），下层的瓶颈在往上顶（电力决定了算力扩张的速度）。

三、路径二：垂直行业 + Agent，专挑"无聊但有钱"的行业

这是帖子里密度最高的一类，也是我认为普通创业者最现实的路径。共同公式是：找一个流程落后、靠 Excel 和邮件运转的传统行业，用 AI Agent 把里面的手工环节吃掉：

建筑业：PermitFlow 做施工许可，OneCrew 给沥青混凝土公司做全业务平台，Rabbet 做建筑金融，Klutch AI 做工地移动端
保险业：Shepherd 做全自动承保，Annex Risk 做自然灾害房屋保险，Oscilar 做风控决策
医疗后台：SmarterDx 管医院计费（“医院怎么拿到钱"这种没人愿意碰的系统），Vitalize 管医院排班，Anterior 做诊疗授权自动化
法律合规：Norm Ai 自称"agentic law company”，客户管着 30 万亿美元资产；Phaselaw 做 eDiscovery
物流：Pango 做电商物流的"Agentic OS”，Orbit 要替换掉欧洲货运公司的 Excel
物业：AveryIQ 直接叫板 Appfolio、Yardi 这些老软件

这类公司的特点是：客户不在乎你的模型多先进，只在乎省了多少人力、少出多少错。壁垒不在 AI，在于你比 AI 公司更懂行业，比行业公司更懂 AI。入场券是行业知识，不是算法。

四、路径三：回到物理世界

软件吃世界的上半场结束了，下半场开始吃原子：

Monumental 的机器人真的在砌砖盖楼，特意强调"机器人领域有很多 PPT 公司，我们不是"
Freeform 做 AI 原生制造，Rangeview 要"重建美国的铸造体系"
国防：Aurelius Systems 做激光反无人机系统，Air Space Intelligence 刚拿下 FAA 的合同，Sphinx Defense 做国家安全软件
能源：Oklo 造下一代核反应堆
太空：Ecosmic 做空间态势感知，Cascade Space 做地面站硬件

地缘政治（国防、供应链回流）加上 AI 控制的成熟，让"硬科技"重新变成一门好生意。这条路门槛高、周期长，但帖子里这些公司的存在本身说明：资本愿意为物理世界付钱了，这在五年前并不成立。

五、路径四：慢慢赚钱的"老家伙"们

用户看招聘帖的一个直觉是对的——能持续招人就是活下来的证据。帖子里有一批 5 到 15 年"高龄"的公司，它们的路径是另一个极端：

Proton（盈利、无 VC 控制）、DuckDuckGo、IVPN（2010 年成立，每年独立审计）
PostHog（公开手册、全远程）、Featurebase（bootstrapped、盈利）
Sudowrite 直接在帖子里打勾：√ PMF √ PROFITABLE
BitPay（2011）、MixRank（YC S11）、Rabbet（YC S17）——穿越了不止一个周期

这些公司的共同点：服务一个明确的付费人群，控制烧钱速度，把"盈利"当成竞争力而不是妥协。在 AI 叙事满天飞的帖子里，“我们是盈利公司"反而成了吸引工程师的差异化卖点——大家被裁员潮教育过，知道烧钱的故事会怎么收场。

六、路径五：合规和隐私本身成为生意

Middesk 做 KYB（企业身份核验），是银行和 fintech 的基础设施
Oneleet 做一站式安全合规（ASM、代码扫描、SOC2 全家桶）
Kanary 帮个人监控和清理网上的隐私暴露
Friendly Captcha 十年只做一件事：反机器人验证码
Sequent 做密码学安全的在线投票

监管越重、AI 生成的垃圾流量越多，这类"信任基础设施"就越值钱。它们不性感，但需求是结构性的——不会因为模型换代而消失。

七、几条路径之外的观察

“Forward Deployed Engineer” 成了热词（Antithesis、Confido、Kinxshn 等都在招）。Palantir 模式的扩散意味着：垂直 AI 公司发现，离客户不够近就落不了地。这对创业者的提示是，早期别抗拒"像咨询一样干活”，那就是产品发现的过程。
纯投机空间变小了。帖子里的骗局（假 GPU 集群、要护照照片的"招聘"）都被评论区当场拆穿。社区嗅觉很灵敏，靠信息差骗钱的窗口在关闭。
警惕"零工资+股权"的帖子。7 月那批帖子里有好几条 equity-only 的，评论区并不客气。创业可以赌，但要把赌注看清楚再上桌。
4 天工作制（4DWW）在被主动索要。有公司拿它当卖点，也有求职者在帖子里呼吁雇主标注。小公司拼不起薪资时，工作方式是最便宜的差异化。

八、一个月之后：8 月帖子的增量信息

写完上面的分析后我又抓了 8 月那一期（330 条）。帖子总量比 7 月少了约两成（有暑期因素，但也和评论区"市场不好"的抱怨互相印证），不过结构上验证了前面的判断，还多出几个新信号：

Forward Deployed Engineer 彻底出圈。这个词 7 月只出现 4 次，8 月出现 16 次，连 Snowflake 这样的大厂都组建了 Applied AI / FDE 团队。“驻场帮客户把 AI 落地"从 Palantir 的独门打法变成了行业标准动作——这进一步确认：垂直 AI 的竞争发生在客户的业务现场，不在模型里。
能源成了"卖铲子"的新一层。Joulent 做的事一句话就能说完：给 AI 数据中心送电（“multi-gigawatt power to AI data centers”）。算力紧缺的下游是电力紧缺，淘金热的铲子已经从 GPU 延伸到电网。同方向还有 Proxima Fusion 在慕尼黑造商用仿星器核聚变装置。
量子计算密集冒头。quantum 从 4 次涨到 15 次：Atom Computing（中性原子）、IonQ（离子阱，已在波士顿建全球研发中心）、Aqora、Unitary Foundation（容错量子编译）都在招人。还没到爆发期，但招聘是领先指标。
语音 AI 是一个被低估的垂直点。River 做 B2B 外呼 Agent、Phonely 做电话客服自动化、Strello Health 做医疗语音 Agent，加上做底层管道的 LiveKit——voice 出现 11 次。语音是"替人干活"最直接的形态：电话打出去，活就干完了。
垂直行业继续向更冷门的角落渗透：兽医诊所（Instinct Science、Snout）、牙科集团（Apex Dental，65 家诊所的 DSO）、农业贷款（Landjourney）、食品供应链（Choco）、餐厅收银（Vitabyte）。甚至阿森纳足球俱乐部都在招 Research Engineer 嵌入一线队——“行业 know-how + 工程"的组合没有边界。
连续两期出现的名字值得多看一眼：PermitFlow、Klutch AI、OneCrew、Shepherd、Norm Ai、Middesk、Bucket Robotics、MONUMENTAL、Freeform、DuckDuckGo、IVPN、PostHog、Sudowrite、Featurebase、Enveritas……连续两个月都在扩编，说明业务在真实增长。其中 Langfuse（LLM 可观测性）8 月帖子的抬头已经变成 “now part of ClickHouse”——开源 + 开发者工具这条路，两个月内就给出了一个退出样本。
求职端的寒意也更明显。有人在帖子里算账：加州 Petaluma 的 Chipotle 起薪 20 美元/小时，而一些初级开发岗位的报价已经逼近这条线；7 月就出现过的"假 GPU 集群"骗局 8 月原样重发，照例被评论区当场拆穿。公司端在扩张，求职端在承压，两个事实同时为真——这本身就是垂直 AI 创业有机会的原因之一：企业要的不是"更多人”，而是"更少人 + 更多自动化”。

九、这套行情会在中国重演吗？

写到这里，很多读者自然会问：这些路径放在国内适用吗？我的判断是：结构上会重演，形态上会变形。逐条对比一下（以下为个人判断，供参考）：

路径	美国的驱动逻辑	在中国是否成立
一、卖铲子	算力紧缺、语音/Agent 管道空白	部分成立。基础设施层由大厂和重资本主导，创业公司机会在细分工具（推理优化、Agent 运行环境）而非正面硬刚
二、垂直行业 + Agent	替代年薪 8 万美元的后台人力，ROI 极高	成立，但账不一样——详见下文
三、物理世界	再工业化、国防、能源	不是重演，是主场：机器人产业链、制造业场景、电力基建本来就是中国的供给端优势
四、慢慢赚钱	服务明确人群、控制烧钱	两国都成立，且在国内资本环境下几乎是默认姿势
五、合规与隐私	HIPAA、SOC2、保险监管驱动	成立，但合规的来源不同：国内是等保、数据安全法、信创——信创恰恰是中国独有的"合规生意"

路径二是最值得细说的。美国垂直 Agent 公司的核心账本是"替代昂贵人力"：医院计费员、保险承保员、施工许可专员，年薪动辄 8 到 15 万美元，Agent 收半价客户还嫌便宜。国内同样的岗位人力成本低得多，“替人干活"的定价空间天然被压缩；再加上国内 to B 软件的老问题——大客户要定制和私有化部署，小客户付费意愿弱，钉钉/企微/飞书又压掉了通用 SaaS 的空间——所以同样一个"医院计费 Agent”，在美国是标准化 SaaS 生意，在国内很可能做成项目制生意，毛利和可复制性差一截。

这不是说路径二在国内不成立，而是它的成立形态会不同。我用三个"过滤器"来总结判断过程：

flowchart TD
    US["美国已验证的模式"] --> F1{"人力替代 ROI 够高吗？"}
    F1 -- "美国：人力贵，账好算" --> OK1["国内也可复制"]
    F1 -- "国内：人力便宜，账难算" --> F2{"客户愿意为<br/>软件/Agent 付费吗？"}
    F2 -- "意愿弱" --> GO["出海：把产品卖给<br/>付费意愿强的市场"]
    F2 -- "意愿强（合规 / 刚需）" --> OK2["国内成立，但多为<br/>解决方案 + 私有化形态"]
    US --> F3{"中国有供给端优势吗？"}
    F3 -- "硬件 / 制造 / 电力" --> OK3["不但重演，而且可能领先"]

几个由此推出的具体判断：

出海是国内垂直 AI 团队最现实的选项。人力账本在美国、中东、东南亚更划算，而中国的工程成本和交付速度是供给端优势。帖子里 RevOps、物流、建筑这些赛道的玩法，完全可以由国内团队反向输出。
国内做垂直 Agent，优先选"合规/刚需驱动"的行业：医疗（医保控费）、金融（监管报送）、政务、信创替代——这些领域的付费不由"省人力"决定，由"不做不行"决定，绕开了人力成本账本。
路径三（物理世界）不用等重演。机器人、智能制造、数据中心电力这些方向，国内的供应链和场景密度本来就更厚，美国的"再工业化"叙事反而是在追赶已有的中国产能。
“行业 know-how"的稀缺性两国通用。国内建筑信息化有广联达、医疗信息化有卫宁和东软、法律科技也有一批老玩家——新机会不是再造一个行业软件，而是像 SmarterDx 那样，用 Agent 重做这些系统里仍然靠人肉运转的环节。

十、写在最后

把这两期 740 条帖子压缩成一句话：AI 让"改造一个古老行业"的单位成本骤降，于是活下来的公司分成了两拨——一拨去给这场改造造工具（从 GPU 到电力再到语音管道），一拨扎进建筑、保险、医疗、物流、农业这些"无聊"行业里吃手工流程；而那些早早就开始赚钱的老公司，在一旁验证了另一种活法：不追浪潮，也能活得很好。

如果你在想创业点子，我会建议按这个顺序问自己三个问题，决策路径如下：

flowchart TD
    Q1{"我懂哪个'无聊<br/>但有钱'的行业？"} -- "还没有" --> L1["先去行业里干活，<br/>积累 know-how"]
    Q1 -- "有" --> Q2{"里面哪个环节还在<br/>靠人肉 Excel？"}
    Q2 -- "找不到" --> L2["换个行业看，或去该行业<br/>公司做驻场工程师（FDE）"]
    Q2 -- "找到了" --> Q3{"AI 能把这个环节的成本<br/>打下一个数量级吗？"}
    Q3 -- "不能" --> L3["时机未到，保持观察"]
    Q3 -- "能" --> Q4{"目标客户在哪里<br/>付费意愿最强？"}
    Q4 -- "国内（合规/刚需）" --> GO1["国内做解决方案<br/>小步验证付费"]
    Q4 -- "海外（人力贵）" --> GO2["出海做标准化产品"]

这三个问题都有答案的时候，大概率就有一张入场券了。

知止有定，能择其要

Wed, 08 Jul 2026 12:40:00 +0800

知止有定，能择其要

知止有定，能择其要。

内功篇《此心不息，万物常新》把心转起来——看见、提问、理解、行动、反馈、沉淀，让认知与行动连成正反馈。但"能更新自己"只是前半场，后半场是：把更新能力投向哪里，怎么把能力变成资产。

还有一个在这两者之前的问题——往哪走：方向怎么选，是选择篇《见几而作，知时而动》的事。

外功篇管这个。把力气变成被市场承认的资产要过五关：选资产（练什么）→ 看定价（这张地图今天值多少钱）→ 选环境（在哪练）→ 加杠杆（怎么让积累利滚利）→ 对账（怎么证明真的变强了）。本文前五节一关一节。五关不是并列清单，是一条因果链：不选定资产，定价无从谈起；不看定价，力气可能投在正在贬值的东西上；环境错了，练得再狠增值也慢；不加输出杠杆，资产只有你自己知道；不对账，前面全是自我感觉。后三节不回答新问题：第六节管落地，第七节管边界，第八节管次第。

读这篇不需要先读内功篇，只需要承认一个事实：市场为结果定价，不为感觉定价。 一个人可以越来越会思考、越来越会复盘，同时依然是一个"更会思考的初级程序员"——会思考的初级和有竞争力的高级之间，隔的不是心智，是资产。

读过内功篇的人，这里该起一个疑问：内功教你无所住，不执著于任何结论；这篇却教你拼命积累资产、一环扣一环给自己定价——不矛盾吗？不矛盾。答案是一个二分法，本篇从头用到尾：把任何结果拆成"力"（可控）与"命"（不可控），只为前者消耗能量。地图、路线、输出、仪表盘，全是力；市场怎么出价、周期怎么转动、年龄偏见怎么来，是命。修力的目的不是把价格推高，是把命的边界往外推——资产越厚，周期、裁员、偏见能伤到你的地方越少。记住这个二分法再往下读：所有仪表盘测的都是力；命的那一半，第七节还给你。

先把全文的结论摆在前面：能力要变成市场承认的资产，得依次过五关——选资产、看定价、选环境、加杠杆、对账；五环都走完还推不动的那部分，是"命"的那一半，不是失败。 下面逐关展开。

先划一条边界：这篇只讨论职业竞争力——可积累、可复用、可交换的现实资产，不讨论人的全部价值。 好奇心、诚实、内在稳定，市场定价很慢，甚至定不了价，那是内功篇的辖区。

一、选资产：职业资本地图，先盘点再修炼

修炼之前先有一张地图：职业能力不是一块铁板，是一层一层的资产——能积累、会折旧、能被别人复用、能在市场上换钱。没有地图，只能凭感觉补课；有了地图，才知道差距在哪一层。图上画的是骨架（定价逻辑），各行业往里填的东西不同，骨架不动：

flowchart TD
    L1["L1 门票资产<br/>行当基本功，能进场"] --> L2["L2 工程资产<br/>把活干成可靠交付"]
    L2 --> L3["L3 系统资产<br/>独立扛住一个复杂系统"]
    L3 --> L4["L4 业务资产<br/>知道手上的活值多少钱"]
    L3 --> L5["L5 组织资产<br/>让别人也会"]
    L4 --> L6["L6 创造资产<br/>定义什么值得做"]
    L5 --> L7["L7 网络资产<br/>市场定价前先听说过你"]
    AI["AI 放大器（横切）<br/>乘以哪一层，哪一层产出翻倍"] -.-> L1
    AI -.-> L2
    AI -.-> L3
    AI -.-> L6
    L0["L0 地基<br/>睡眠·运动·精力——所有层的乘数"] -.-> L1
    L0 -.-> L3
    L0 -.-> L5

先界定一个概念：这是职业资本地图，不是能力依赖树。层与层之间没有严格先后——创始人可以 L6、L7 很强而 L3 很弱，资深工程师可以 L3、L7 很强而 L4、L6 一般。层号标的不是升级顺序，是定价逻辑的差异：每一层被市场定价的方式不一样。

把能力叫"资产"不是我的发明。Cal Newport 在《优秀到不能被忽视》（So Good They Can’t Ignore You）里就叫它职业资本（career capital）：稀缺、宝贵、能拿来换自主权和好工作的技能。书名本身就是提醒——别拿"追随激情"当策略，资本攒够了，选择权才来。

再限定一个范围：骨架通用，但本文的填充物以后端/AI 时代技术人为原型。程序员版和其他行业的对照如下——换行时要换的是填充物，骨架不动：

层	程序员版填充	换个行业填什么
L0 地基	睡眠·运动·精力	不用换，所有职业的乘数
L1 门票	语言·数据结构·Debug·测试	医生的临床、律师的条文、销售的陌拜
L2 工程	Linux·网络·数据库·并发·CI/CD·云·可观测性	流程、工具、质量控制：把活干成可靠交付
L3 系统	架构·性能·稳定性·容灾·成本·安全·技术债	一台大手术、一个案子、一个区域的业绩
L4 业务	用户·指标·商业模式·ROI·业务约束	不用换：知道手上的活值多少钱、为什么值
L5 组织	沟通·技术决策·带人·项目推进·影响力	不用换：让别人也会
L6 创造	找机会·定义问题·产品·商业化	不用换：定义什么值得做
L7 网络	Mentor·同行网络·公共声誉	不用换：市场定价之前，先听说过你

所以换行时要重画的只有 L1-L3 的填充，L4 以上连内容都不用换——越往上，层越和具体手艺无关。 这也解释了为什么高手换行比新手快：他搬走的是 L4 以上，要补的只是门票和工程层。

L0 是乘数，不是层。 睡眠、运动、精力，是这张地图里证据最强、回报率最高的变量。乘数不做加法做乘法：长期睡不好，L1 到 L7 全体打七折。L0 不排日课，只立一条负面清单——不许用牺牲睡眠换打卡，这种"修行"是负复利——越坚持，亏得越多。
L1、L2 是门票。 不达标，后面全免谈；达标之后边际收益骤降——没人因为 Git 用得比别人好 30% 而升职。门票层的正确策略是够用即止。在门票层无限刷经验——面试八股再背一遍、源码再啃一遍——是程序员最普遍的负复利：它有确定感，而攻关没有。
L3 是分水岭。 能不能独立扛住一个核心系统的稳定性，是"执行者"和"负责人"的界线。这一层主要靠真实故障喂出来——读书、源码、事故复盘能搭骨架，承担过后果的故障才长肉。工作年限不是经验，承担过什么责任才是：L1/L2 乘以五年，还是 L1/L2。
L4 是天花板抬升器。 同样的方案，懂业务的人知道它值多少钱、该在哪个季度做。初级程序员解决问题，高级程序员判断什么问题值得解决，再往上，定义什么问题该被整个团队解决——后两层全靠 L4。
AI 不是单独一层，而是横切——横着穿过——所有层的放大器。 L1 层它是 AI Coding，L2 层它是辅助调试与运维，L3 层它是辅助架构与故障分析，L6 层它是 AI-native 产品。“会用 AI"六个月就过时；它乘以哪一层，哪一层产出翻几倍。下一节专门给它重新定价。
L5、L6 是杠杆。 你自己会，不值钱；你能让别人会，才开始值钱。L6 的"产品"值得单独点名：AI 时代正在长出一条新路线——发现问题、定义需求、AI 实现、验证、收费——走完这一圈的人不是"更高级的程序员”，是 Builder。这条路可以不经过 L5，从 L3/L4 直接跳进 L6，地图允许这种跳法。
L7 是定价市场。 L5 是组织内的影响力，L7 是组织外的职业资本。它不是升值的果，是升值的领先指标：市场给你定价之前，先听说过你。

先盘点：每层只记三行

地图有了，先对账——拿地图和自己的真实现状核对一遍。自评是最易自欺的环节，所以用最死板的方式记，每层三行：

当前证据：不是"我觉得我懂分布式"，而是"我在生产环境独立处理过 X 类一致性故障，最近一次是几月"。没有证据的自评，一律按低一档记。
目标档位：明年这个时候这层要到哪一级？用行为写，不用形容词写。
差距动作：从当前到目标，最短路径上的下一个具体动作。“上一门课"不算动作，“用 Raft 手写一个玩具 KV，并让它在断网实验里活下来"才算。

这盘账，每季度对一次。

地图负责战略定位，不负责精确诊断。L3 的"架构、性能、稳定性、容灾、成本、安全、技术债”，每项都是独立能力域——你完全可能稳定性 9 分、安全 3 分。需要诊断时，就把这一层拆细：拆成一个个能力项，逐项套同一套三行——证据、档位、下一个动作。格式不变，只是看得更细。

下一步练哪一层：一个粗算公式

地图上这么多层，下一步练哪一层？别凭焦虑选，用一笔粗账：

能力投资回报 ≈ 市场价值 × 稀缺度 × 个人优势 × 复利性 ÷ 学习成本

市场价值看第二节的定价；稀缺度看身边多少人已经会；个人优势看账本上的证据集中在哪；复利性看能不能被输出环放大；学习成本算的不是学费，是你要为它砍掉什么。公式给不出精确数字，能拦住的是最坏的那种决策——因为"大家都在学"而学。用它过一遍就知道，为什么今年该练 AI 工程化而不是把八股再背一遍：前者五项全胜，后者输在稀缺度和复利性。

三条路线：地图有层，还得有路

下面三条示例路线，动手前先算一笔时间账：这里说的"预算"不是钱，是你每周能拿出的小时数。路线上的验收物按攻关档计——攻关档是集中突破的节奏，每周 6-8 小时整块时间，实际跑完约 180-270 天。别被阶段标签的"周"骗了，那是先后顺序，不是日历承诺。日历装不下攻关档，只有两个诚实选项：退回保底档——日常维持的节奏，详见第六节——慢慢磨，或者砍验收物数量——不砍质量。宁可只交出一个通过压测的手写 HTTP server，不要三个半成品。这一节先立两条规矩：第一条是上面的"先算时间账”；第二条：路径可替换，验收物不可替换——书可以换、项目可以换、方向可以换，验收物缺了就是没达标。

这套路线的骨架来自刻意练习（Anders Ericsson《刻意练习》）：明确目标、走出舒适区、即时反馈、针对弱项。验收物管"明确目标"，攻关档管"走出舒适区"，评审和故障管"即时反馈"，盘点三行管"针对弱项"——四样凑齐才叫刻意练习，缺一样就是重复劳动。

L1 → 扎实（给基础虚的人）

第 1-4 周：精读一本语言级的 effective 书（Effective Python / Effective Java），每天一条，标注"我的旧代码哪儿犯过这条"
第 5-8 周：把每条标注对应的旧代码翻出来重写，补上测试
第 9-12 周：写一个带 CLI、带完整测试、跑在 CI 上的小工具
验收物：30 条标注，每条对应一个真实的改进 commit；一个测试覆盖率 80% 以上、CI 常绿的小工具

L2 → 打通（给"会用但不懂"的人）

第 1-4 周：网络——不用框架手写一个 HTTP server，逼自己搞懂 TCP 握手、TLS、keep-alive、超时
第 5-8 周：数据库——在真实库里制造慢查询，用 explain 一路优化到毫秒级；再手写一个玩具 B+ 树，看懂页分裂
第 9-12 周：Linux 与可观测性——把自己写的服务完整部署一遍，配好日志、指标、告警（自建 Prometheus + Grafana 即可）
验收物：一个通过并发压测的手写 HTTP server；一份有 before/after 数据的慢查询优化报告；一个告警真的在半夜响过、而你爬起来处理了的自部署服务

L3 → 入场（给没独立扛过系统的人）

第 1-4 周：挑一个你参与的核心服务，画出完整依赖图与数据流图。画的时候问四个问题（出自系统思维）：存量——系统里积累着什么东西（数据、队列、欠下的技术债）？流量——什么在流进流出，速度多快？回路——哪些输出会反过来影响输入（比如用户越多、服务越慢、用户流失）？时延——一个动作要过多久才能看到结果？
第 5-8 周：自造故障实验——人为制造故障：网络分区（让两台机器互相连不上）、磁盘打满、下游超时，记录系统真实行为与你想象行为的每一处偏差
第 9-12 周：为这个服务写一份容灾/降级预案，提交评审，被 challenge 到底
验收物：一张被故障实验验证过的依赖图；一份故障注入记录，必须包含"我原来想错了的地方"；一份过了评审的容灾预案

L4 往上不给示例路线——业务、组织、创造三层的路径高度依赖行业与角色，给通用路线就是造假。而且自己定义路线这件事，本身就是 L4 的训练。

二、看定价：AI 时代的重新定价

资产会折旧，地图有"汇率"——每一层能力换算成市场价格的比率，而且这个比率随时在变。写代码正从稀缺品变成像水和电一样便宜的基础设施，定价随之迁移。

正在贬值的：

纯实现能力——“把明确的需求翻译成代码”，AI 做得越来越便宜
记忆型知识——API 细节、语法糖、框架黑话，检索成本趋近于零
局部优化技巧——AI 生成的第一版往往已经够好，靠人手工微调的溢价在消失

正在升值的：

问题定义：AI 能写代码，但不知道为什么做。动笔前那三句话——现在到底发生了什么、什么才算解决、什么情况下必然失败——如今是人机分工的分界线。
系统理解：复杂系统里的边界、历史债务、隐性依赖、组织约束，AI 拼不出全貌。这是庖丁的"天理"——牛身体的天然纹理，借指事物本身的结构；纹理只在摸过牛的人手上。
判断：AI 给你十个方案，哪个值得做、哪个的保质期多长。
验证：AI 最大的问题是会自信地给出看起来合理的答案。你的核心身份越来越接近验证机器——设计实验、构造反例、让现实投票。
业务与创造：客户愿意付多少钱、什么问题值得做——AI 不替你承担后果，所以也不替你分享定价权。

人机协作的形态也随之改写。过去是"需求 → 程序员 → 代码 → 产品"，一条直线；现在是"问题 → 人定义与约束 → AI 实现与生成 → 人验证与负责 → 现实结果"，一个回路。程序员的价值坐标，从"我能写多少代码"移向"我能定义多复杂的问题，并可靠地让机器把它变成结果"。

一条分工纪律：AI 做便宜的事，人做贵的事

与其争论"AI 会不会取代程序员"，不如立一条可执行的规矩：

让 AI 做便宜的事，人做贵的事；每次交接都留证据。

这条纪律落到每天的活上，是三个动作：

提示词即三句话：给 AI 的每个任务先写清输入、成功标准、必然失败的情形。写不出来，说明你自己没想清，这时让 AI 开工等于把含糊放大十倍。
验证前置：接受 AI 产出前，先写下"我要检查哪三处最可能出错"，再去看代码。顺序不能反——先看了代码再找问题，你就被它的自信传染了。
纠错即沉淀：第二次纠正 AI 同一个问题，就固化成规则写进配置文件（Claude Code 工程实践）。你的规则文件，就是你对 AI 的工程化程度。

练兵场正在消失：自己动手造回来

“L3 主要靠真实故障喂出来”，加上"AI 正在接管纯实现"，两句话拼在一起，结论很残酷：初级程序员的练兵场正在被 AI 拆掉。

过去新人被 L1/L2 的脏活喂大，而脏活恰恰是通往 L3 的学徒期：写够 CRUD 才懂数据库的坑，值够夜班才懂稳定性的贵，改够烂代码才懂架构为什么长这样。现在脏活交给 AI，梯子被从入场者脚下抽走——代码写得比以前快，系统理解却没有同步长出来。

梯子抽走了，就自己造。四个办法，按成本从低到高：

自造故障实验：把自己写的（或克隆的开源）服务部署到云上，人为制造故障——网络分区、时钟偏移、磁盘打满、下游超时、OOM（内存耗尽被杀）。每次记录"系统真实行为"与"我以为的行为"的偏差，偏差清单就是 L3 的教材。全部成本是一点云账单。
复现经典事故：找公开的 postmortem（事故复盘报告）——GitLab 2017 删库、AWS S3 2017 配置错误、Cloudflare 一个正则拖垮全网——读懂因果链，在自己的环境里用最小规模复现核心机制。复现一次别人的事故，等于让别人替你交了一次学费。
给开源项目修带真实约束的 issue：不修 typo，专挑带性能、并发、兼容性、平台差异标签的 issue。真实代码库、真实 maintainer、真实评审——“反馈质量"在开源社区是免费的。
Shadow 值班：公司允许的，申请跟随值班，不当正职当影子；公司不允许的，给自己的项目配告警，自造值班——告警响了 15 分钟内必须响应，处理后写三行复盘。告警是假的，应激反应和复盘是真的。

这四条也给带新人的人用：把练兵场一并交给新人——你造梯子的动作，本身就是 L5 和 L7 的资产。

三、选环境：选择大于努力

能力在环境里长出来。代码能力是被代码评审喂大的，不是被静坐喂大的。一个没有评审、没有故障、没有难题的团队，环转一万圈，L3 依然是零——原料不存在。选择环境的权重，高于修炼本身。 芒格有个反复讲的钓鱼规则：第一条，去有鱼的地方钓；第二条，别忘了第一条。选环境就是这条规则的职业版。

但这不是跳槽许可证。环境是增长率的乘数，不是万能解——底数是零，乘数再大也是零。而且环境经常不是当下可控的变量：签证、家庭、城市、行业周期，都能把人钉在原地。判断自己缺的是环境还是能力，有个诚实的测试：当前环境给过你的难题，你接住了几个？ 一个都没接住过，先别怪环境——你缺的可能不是好环境，是承担困难的能力。

先选赛道，再选团队

选择分粗细两层，别搞混。

赛道是 beta——借投资圈的说法，指整个行业的大势——决定你能力的单价。 同样的 L3 资产，放在扩张赛道是稀缺品，放在收缩赛道是库存。判断赛道不用玄学，用一手数据：抓连续两期 HN 招聘帖做词频和薪资分布（9 月观察），看哪些方向的公司真的在花钱招人、哪些职级的薪资在逆势分化——还在真金白银招人，本身就是赛道还健康的证据。此法适用于英语区市场；国内看替代信号——目标赛道的社招 JD 数量变化、猎头主动接触频率。同时记住：赛道判断也是决策，也带保质期，两年前正确的押注今天可能是主要矛盾本身。

团队是 alpha——同样借投资圈的说法，指你超出大势的那部分收益——决定你能力的增速。 评估一个团队值不值得投入几年，看四样东西，按权重排序：

难题密度：这里的问题，是我已会做的重复，还是逼我长新资产的增量？判据很简单——回想最近三个月，有几件事是"做完之后我变强了”，而不是"做完之后我只是做完了"。
反馈质量：有没有比你强的人认真看你的产出？强评审、强 mentor、强故障复盘，是能力增长的外部引擎。没有反馈的练习不是刻意练习，是重复劳动。
所有权空间：你能不能端到端地拥有一个东西——从设计、实现、上线到对它负责？所有权是 L3 和 L4 最可靠的来源。只能碰系统一角的环境，天花板肉眼可见。
诚实程度：这个环境奖励说真话的人吗？一个逼你自欺的环境，会把你的环从地基上拆掉。

flowchart LR
    Q{"四个判据打分"} -->|"难题密度高 + 反馈强"| S1["留下，把环全速转起来<br/>修炼收益最大"]
    Q -->|"能力已溢出，无难题"| S2["主动要难题/换项目<br/>先内部迁移，再考虑外部"]
    Q -->|"无反馈无所有权"| S3["环照转，但把它当成<br/>离场的准备动作"]
    Q -->|"逼你自欺"| S4["走。不讨论，不优化<br/>诚意高于一切"]

注意：即使决定要走，内功环也不能停。 在烂环境里坚持日课和复盘，不是感化环境，是为了离场时账本上有资产。选择决定修炼的汇率，修炼决定选择时的筹码。

把四个判据提前到面试：反问清单

四个判据有个致命弱点——全部只能入职后验证。“回想最近三个月"对还没有这三个月的人毫无用处。真正需要判据的时刻是面试，所以把判据前移成四个反问，在"你有什么想问的"环节照着打：

探难题密度：“团队最近半年解决的最难的技术问题是什么？"——听对方能不能在 30 秒内说清技术难点具体卡在哪一层（网络、存储、并发、算法……）。说不出具体的"难”，说明"最难的问题"是宣传话术。
探反馈质量：“最近一次 P1 级故障是什么时候？复盘报告方便看看吗？"——给不出复盘、或复盘全是"加强意识"的团队，一票否决；愿意把复盘给候选人看的团队，通常值得去。
探所有权空间：“如果我入职，前六个月端到端负责什么？"——回答是"先熟悉熟悉"的，套用一句老话：没看过现场的承诺，权重打五折。
探诚实程度：“团队里有没有人公开反对过上级主导的技术方案？后来怎么样了？”

什么时候不该马上走：先算切换成本

“逼你自欺的环境——走，不讨论”，这句话不能说得太轻。现实里"走"从来不是零成本动作：房贷、签证、行业周期、家庭、年龄，每一项都是真实的约束。把"走"写成无参数的指令，是另一种鸡汤。补三条：

诚意红线例外：环境要求你伪造数据、隐瞒事故、欺骗用户时，任何切换成本都不构成留下的理由——这不是修炼问题，是法律问题和人品负债，负债的利息按复利计。
其余情形：先算账，再设期限。 写下最坏结果（再留一年，L3 资产依然为零），心理上接受它，然后给自己一个明确的准备期（比如两个季度）。准备期里环照转、验收物照攒、输出照发，把"走"从逃跑改造成有计划的发射。止损线要硬。
决定进决策日志：当时基于什么信息、预期什么结果、什么信号出现就该推翻，一样不少。半年后回看，离职判断和技术判断同权。

四、加杠杆：补上输出这一环

内功篇解决了"持续更新自己”，但积累要变成资产，还得补上"输出"这一环。这里说的杠杆，就是让一份投入产生成倍产出的东西。

内功篇的环是六个动作——看见、提问、理解、行动、反馈、沉淀，转完一圈重新看见。但这个循环丢了一步：沉淀是把经验存进自己脑子，输出是把经验变成别人能用的资产，两者的杠杆差着一个数量级。

补上输出，环变成七环：

flowchart LR
    S1["看见"] --> S2["提问"] --> S3["理解"] --> S4["行动"] --> S5["反馈"] --> S6["沉淀"] --> S7["输出<br/>把私有认知变成可复用资产"]
    S7 -->|"输出引来新的现实反馈"| S1
    S7 -->|"复利：资产生资产"| S7

输出为什么要算独立一环，而不是沉淀的附属品？因为输出是唯一接受外部检验的沉淀。写在自己日志里的复盘，错了没人知道；写成文章、做成分享、变成团队规范，错了会被当场指出。

再纠一个容易跑偏的理解：输出不等于公开发表。 输出的完整阶梯是——个人笔记 → 团队资产（你的模板被同组采用）→ 组织资产（跨团队复用）→ 公共资产（文章、开源、分享）→ 市场资产（带来机会与报价）。对多数程序员，输出的第一市场是你所在的团队：你设计的迁移规范被全团队执行，你带出三个能独立扛事的 Senior——这种组织内复利，杠杆常常大于一篇十万阅读的文章。

还要把强度说准：输出只是资产化的起点，不是资产本身。 写了一百篇文章，不等于攒了一百个资产；走完复用、影响、经济价值这几级，才算。

这套打法也不是新发明：费曼学习法说"教是最好的学”；swyx 的 Learn in Public 和 Austin Kleon 的《Show Your Work》说的是同一件事——把学习过程公开，反馈和机会会自己找上门。

写、讲、教、建：四级做法，杠杆从小到大

按杠杆从小到大：

写：把解决过的问题写成文章/内部文档。复述给外行听是练习，写下来公开是资产。
讲：团队分享、会议发言。结论先行、理由不超三个，在这里从"表达技巧"升格为"影响力工具”。
教：带新人、做 mentor、把你的复盘模板变成团队规范。教不动的地方，就是你没懂的地方。
建：开源项目、工具、产品。把能力固化成不需要你在场也能运转的东西——失败项目变成教程、模板、产品，就是这条路的走法（idoubi 复盘）。

输出的三道护栏：冷启动豁免、质量门槛、保密红线

输出环要装三道护栏，否则它会以三种方式坏掉：

冷启动期豁免：刚开始写、还没有读者的阶段，前 20 篇文章没人看是常态，不是异常。所以前 90 天只看产出数，不看消费数；90 天后再切换到"有没有第二个人消费过"的判据。先让环转起来，再要求环有回声。
质量门槛，防凑数：最大的风险是滑向内容农场化——为了流量批量生产低质内容。补一条定义：资产要有验收物——代码、数据、可复现的步骤、能被别人直接使用的模板。只有观点没有验收物的，是朋友圈，不是资产。消费数是滞后指标——它只反映过去——记录它，但永远不为它优化——流量不等于能力，十万阅读的"十个 AI 技巧"和三百阅读的 Raft 边界条件实验，哪个是资产，一目了然。
保密红线：把工作中的复盘写成公开物，边界在哪？方法论可以公开，现场不可以——写"我怎么定位一类缓存击穿问题"，不写公司代码、故障细节、真实数据、客户名。拿不准就按最严标准执行。写之前加一问：这篇东西如果被对方公司的法务读到，我安全吗？

五、对账：双仪表盘

对账需要两块仪表盘，内功篇只给了第一块——复位时间：从被事件牵着走，到重新拿回选择权要多久。它测引擎健康度，测不了车走了多远。一个情绪三秒复位、依然修不动生产故障的人，是内功意义上的高手，市场意义上的初级。

所以这一节加第二块仪表盘：现实改变量。四根针，全部用行为定义，全部有基线：

指标	志学（基线）	不惑	知天命	从心所欲（趋向）
同等级故障定位时间	建立基线（多数人从没测过）	减半	分钟级，且能带人定位	故障在发生前被结构消灭
方案评审一次通过率	建立基线	明显上升，被 challenge 不失控	争议方案一句话定位主要矛盾并给出保质期	评审别人比被人评审多
端到端交付周期	建立基线	同类需求周期缩短一半	能独立扛一个核心系统端到端	周期由你定义的结构决定
输出阶梯：产出→复用→影响→经济价值	稳定产出，团队外有人读	复用：团队在用你的模板/工具	影响：组织外有人引用，做法因你改变	经济价值：省时省钱可计量，机会找上门

复位时间测心，现实改变量测物。第四根针刻意不按阅读量分级——原因见第四节的"质量门槛"。

先排除环境干扰：四根针都不是纯个人指标

这四根针都受环境影响：换一个更烂的系统，故障定位时间会变长；换一个更严的评审文化，一次通过率会先跌；接一个更重的需求，交付周期会变长。所以看读数之前，先把环境因素的影响剔掉，三条做法：

只在同一环境里比：基线和读数要取自同一团队、同一系统、同一评审文化。换环境后的第一个季度，只记录，不下结论。
把环境变化记在曲线旁边：哪个月换了系统、哪个月来了新规范、哪个月团队扩编，都标出来。复盘时才能分清是练得不够，还是环境变了。
指标是证据，不是目标：通过率上升，可能是方案变好了，也可能是你不再提有争议的方案；交付周期缩短，可能是效率高了，也可能是你开始挑简单的活。把指标当目标，它就会失真——这就是古德哈特定律（Goodhart’s law）：一项测量一旦成为目标，它就不再是一个好的测量。

六、落地：一条戒律、最小配置、两档预算

戒律：每次内省，必须改一个现实动作

落地先立一条硬约束：

每一次内省的产出，必须是一个改变了的现实动作。只有感受没有动作的内省，按空转记。

为什么要立这条？内功练的是向内看，但向内看有一个隐蔽的风险：元认知（对思考的思考）叠元认知，最后练成一种新型拖延——“我非常理解为什么我没有行动”，然后继续没有行动。

三个例子说明什么叫"改了动作"：

发现自己总在方案上过度设计 → 下一个需求强制用最小方案上线，事后对比返工率。
发现自己总逃避不确定的任务 → 本周主动认领一个没做过的任务，写进周报。
发现学习太碎片化 → 删掉 80% 的收藏夹，只选一个主题做 30 天，30 天后用输出环验收。

“写下来"让推理不能自欺，“改动作"让内省不能空转。一个防骗，一个防瘫。

这条戒律有人早就执行过严厉版：达利欧在《原则》里的公式是"痛苦 + 反思 = 进步”——每次痛苦之后，必须写下一条以后能执行的原则，几十年攒成一家公司和一本书。内省不落成一个动作，按他的标准就不算反思。

最小配置：三件内功日课，四件外功功课

内功篇只留了两个习惯——写下来，和看复位时间。这里给外功开出处方，砍到骨头——三内四外，也就是三件内功日课、四件外功功课，每天碎片时间加起来不超过 30 分钟：

内（约 15 分钟，承接内功篇）：

静坐或听息，5-10 分钟——引擎怠速保养
三行日省（搞懂了什么、悔什么、明天改什么；与内功篇的睡前三行是两套，别混），新增一个强制字段：今天哪个现实动作被内省改变了？ 填不出来的日子，按空转记
动笔前三句话——同时是防返工手段和人机分工界面，一件日课两份收益

外（每天约 15 分钟 + 每周若干整块）：

每天一个刻意练习动作：不是"学分布式”，是"今天读懂 etcd 的 lease 续期路径并画出时序图"——具体到有验收物。15 分钟只够点火，火去整块时间里烧
每周不可打断整块时间：写进日历，当作与自己开的会，手机离场。啃源码、手写玩具 Raft、跑故障注入实验——L2/L3 资产只在这里长出来。它不与任何日课互换：日课是保养，整块是施工；缺日课伤引擎，缺整块直接停工
每周一个超出舒适区的难题：认领一个你没把握的任务（可并入整块时间执行）
每周一件可复用资产：文章/分享/PR/模板/设计文档——公开只是其中一种形式，受第四节三道护栏管辖。这是节奏建议，不是硬纪律：忙季降成双周一件，也比没有强

另有一件不占日课额度、但不可省略的：每季度一次能力账本对账——每层三行字，证据、档位、下一个动作。

其余全是可选插件，最小配置转稳了再加。碎片日课要小到不可能失败，整块时间要狠到不可谈判。

两档时间预算：保底档与攻关档

整块时间给多少，分两档，别混。先把名字说清：保底档是日常维持的节奏，攻关档是集中突破的节奏。

保底档（常年默认）：每周 2 × 2 小时。目标只有一个——环不停、账本在涨。两小时是一块不能再砍的最小施工面。
攻关档（跑第一节的能力路线时）：整块上调到每周 6-8 小时，碎片日课不变。一条路线跑完、验收物交齐，退回保底档。

两档切换的信号写在能力账本上：开始攻关，记一笔"进入攻关档，目标验收物 X"；验收或放弃，记一笔"退回保底档"。预算的变化要留痕，不然"最近太忙"会成为所有档位的通用借口。

七、边界：这套体系什么时候不适用

这套体系不是万能的，这一节给它划四条适用边界。一个什么都能解释的体系，什么都没能预测——成长慢是拆解不对，不开心是觉知不够，失败是验证不足。漂亮不等于有效。所以这套东西得说清楚自己什么时候不适用：

L1/L2 门票层不达标时，修炼让位于补课。 连基本盘都不稳的人，日课做得再漂亮也是给危房刷漆。此时唯一正确的动作：砍掉大部分内向日课，把时间整块投给刻意练习。碎片时间练心性，整块时间才能练技术。
生存压力下，先解决生存。 房租、健康、关系出了大问题的时候，成长体系是奢侈品。此刻的诚实是承认自己在求生存期，环暂停不是失败。
环境逼你自欺时，选择高于修炼。 在诚实被惩罚的地方练诚实，是用最贵的功夫对抗最错的战场。
已到局部最优时，环解决不了相变——物理学里水烧成蒸汽那样的突变，这里借指不连续的跳跃。环擅长连续改进——同一类问题下次处理得更好。但从"执行者"到"负责人"、从"打工"到"创业"是相变，不连续，靠的是选择、时机和下注，不是把日课做得更精。

在这四条边界之外，再立一条证伪标准——事先说清楚，出现什么结果就承认方法无效——用这套方法自己的规矩审判它自己：

证伪窗口按指标分层：心性类（复位时间、情绪响应）——两个季度；资产类（故障定位时间、评审一次通过率、交付周期）——四个季度；复利类（输出阶梯上的复用与影响）——六个季度起，市场反馈天然滞后。窗口到期、且已完成归因修正（确认不是环境因素）、针依然没动——结论不是"你不够诚实"，而是这套体系对你无效，或者你选错了环境。把结果写下来，公开认错，然后换方法。预测错了不丢人，悄悄删掉才丢人——对人如此，对法也如此。

仪表盘不动的另一种解释：力不足，还是命暂不出价

证伪标准处理的是"力"的失败。但针到期不动、归因修正做完之后，还剩两种可能：力不足，或者命暂不出价。 力不足，如前所说，换方法、换环境。命不出价——行业在收缩、市场暂时不认这类资产、周期走到下行段——这里的"命"不是宿命，是当前模型与行动无法控制的外部约束；它不是失败，是力与命的二分法里，属于命的那一半到账了。

这条二分线也不是我画的。爱比克泰德在《手册》开篇就划了它：“有些事取决于我们，有些事不取决于我们。“这一节只是把这条线画到了能力账本上。

这时候的正确动作，不是加倍自责地刷日课、把仪表盘盯出洞来——那是用命的结果审判自己，和用愿望代替现象一样，都是不诚实，只是一个向左一个向右。正确的动作是：把力继续用足（环照转、账本照记），然后接受命的出价——要么带着资产换一个出价的市场（第三节），要么把账本合上，等下一个周期。资产是力，攒它的目的是把命的边界往外推；推不动的地方，就是"止"字落笔的地方。知止的"止”，最终不止于目标，也止于这条力与命的边界——在力的尽头，心安。

八、次第（外功版）

四级名字借自孔子——志学、不惑、知天命、从心所欲。内功篇的进度条是复位时间，测的是心；这里给外功配上测物的标准：

志学（外功）：能力账本建立，每层有证据；故障定位和评审通过率有了基线数字——多数人从没测过自己，这一步就超过一半同行。
不惑（外功）：门票层达标，L3 开始有真实故障喂出来的证据；同类需求交付周期肉眼可见地缩短；每周有一件可复用资产离开私人笔记。
知天命（外功）：独立扛住一个核心系统端到端——on-call 你值、P1 故障你定位、复盘你主持、容量与成本的账你算；你的模板和规范开始被别人用；能在会前判断"这个问题值不值得团队解决”。
从心所欲（外功）：判断本身成为资产——你知道什么值得做、什么不值得做，并且不需要通过"团队听我的"来证明它。此时环、地图、仪表盘都可以烧掉，因为选择已经长在手上。

大成不看事件，看日常。它的另一个名字，是你的名字出现在别人能力账本的"反馈质量"那一栏里。

最后把镜头拉远一步：这张地图的终点，其实不是"更高级的程序员"。AI 时代，编程正在从一种职业身份，变成一种基础杠杆——技术、AI、写作、团队、产品、资本，都是杠杆，编程只是其中之一。地图的尽头是高杠杆创造者：能借助所有这些杠杆，把自己的判断放大成现实结果。“程序员"只是你身上若干杠杆之一的名字，Junior → Senior → Staff 也只是若干条路线里的一条，不是天命。

《大学》说：知止而后有定，定而后能静，静而后能安，安而后能虑，虑而后能得。 内功篇讲怎么虑、怎么得；外功篇只补最前面的两个字——知止：知道该停在哪个目标上，知道什么不做。知道该停在哪座山上，再谈登山的心法。

两篇合起来，压缩到最后只剩三样东西：

一颗心，一张地图，一本账。

心不息：保持看见、提问、行动、更新。地图：知道把更新投向哪里。账本：用现实证明自己有没有变强。

此心不息，是引擎不熄火；能择其要，是方向盘在手上。万物常新的前提，是你的环转在值得转的地方。

现在，打开你的能力账本，写下第一行证据。

附：出处与延伸阅读

本文的方法多是把别人的成熟零件装到自己这台机器上，出处如下，想深入的读者可以从这些地方继续：

“职业资本"这个概念：Cal Newport, So Good They Can’t Ignore You（《优秀到不能被忽视》）——career capital 一词的出处，第一节的地图是它的展开。
路线设计的四要素：Anders Ericsson & Robert Pool,《刻意练习》（Peak）——明确目标、走出舒适区、即时反馈、针对弱项。
“去有鱼的地方钓鱼”：查理·芒格在多次演讲中讲的钓鱼规则（笔记见《穷查理宝典》），第三节用它讲选赛道。
输出这一环：费曼学习法（以教促学）；swyx, “Learn in Public”（2018）；Austin Kleon, Show Your Work!——三件不同年代的作品，说的是同一件事。
“把指标当目标，它就会失真”：古德哈特定律（Goodhart’s law）。
“内省必须落成动作”：瑞·达利欧《原则》（Principles）——痛苦 + 反思 = 进步。
力与命的二分：爱比克泰德《手册》（Enchiridion）——“有些事取决于我们，有些事不取决于我们。“斯多葛的实践读法，站内见《像哲学家一样生活》笔记。
四级的名字：《论语·为政》——“吾十有五而志于学……七十而从心所欲，不逾矩。”

这些出处标的是"零件从哪来”；至于这个装法对不对，终审权在现实，不在文献。

硬地骇客播客笔记：AI 时代，个人开发者怎么拥有自己的小生意

Wed, 17 Sep 2025 10:00:00 +0800

硬地骇客播客笔记：AI 时代，个人开发者怎么拥有自己的小生意

2023 年到现在，AI 从热点变成了基础设施。这波浪潮里确实有一批个人开发者赚到了钱，但更多的人悄悄回到了工作岗位。这篇文章整理「硬地骇客」两期播客（EP64、EP105）的内容——包括嘉宾背景、方法论和案例——配上解构图和流程图，帮刚入门的朋友建立一张「个人小生意」的完整地图。

说明：文中内容来自两期节目的官方 shownotes、硬地笔记，以及小宇宙公开的单集文稿片段。个别段落官方页面只给了话题标题没有文字展开，这类位置都标注了「需听原音频」，绝不替主播编观点。

〇、这两期播客是什么

EP64《AI 时代每个人如何拥有自己的小生意》：硬地骇客串台「十字路口 Crossing」（主播 Koji 是新世相/躺岛联创，Ronghui 供职于科技 VC、前《第一财经周刊》驻硅谷记者），对谈嘉宾是 Saito——播客「硬地骇客」与 AI 播客产品 Podwise 的联合创始人。他做播客、创业、写书，同时构建了中国最活跃的独立开发者社区之一。Podwise 据公开资料两个月做到 1.2 万美元 ARR（年度经常性收入），团队把这段经历写成了书《硬地骇客 - 两个月 $12000 ARR 实践之路》。

EP105《你的想象力和行动力，正在限制你通过 AI 创作搞钱》：硬地骇客自己的节目，主题是 AI 内容创作（文字、图片、语音、视频）的商业化——从 MiniMax Audio 的语音合成，到 AI 自媒体团队狂接商单的真实案例。按官方前言，这期想回答的是「AI 的成本、用户参与模式，以及各种 AI 内容创作的精彩案例」。

两期放在一起听正好互补：EP64 讲「怎么活下来」（方法论 + 现实数据），EP105 讲「机会在哪」（案例 + 想象力）。

一、EP64 完整笔记：小生意的方法论与现实

节目分三个部分，以下按内容板块整理。

Part 1：硬地骇客团队的故事

三个创始人从相遇到首次创业的经历，以及为什么决定做「硬地骇客」这档独立开发者故事播客。
一个有意思的心态变化：再次创业时内心平和了很多——第一次创业的焦虑很大部分来自未知，第二次知道坑在哪里。
Saito 在哪里观察独立开发者的日常状态，以及「硬地访谈」栏目的由来。

Part 2：把创业经验写成书

这是全期信息密度最高的部分，核心问题是：Podwise 如何在两个月做到 1.2 万美元 ARR？

营销与增长心得（Saito 营销总结的一段）：

去杠杆高的地方做营销：同样的内容，发在杠杆高的平台（有推荐算法、有长尾搜索的地方）效果差十倍。
去有论坛的地方：互动、回复有营养的内容，抓住长尾流量：不是发完帖就走，而是在社区里持续贡献有价值的回复，这些回复会长期被搜索到，带来稳定的长尾曝光。
内容营销三原则：好内容要同时满足——喜闻乐见、感同身受、对我有用。只做到一条的内容传播力有限。

产品与 PMF 部分：

做产品前要先懂的「关于大模型必须知道的 5 件事」（具体五件事见原音频/原书）。
Podwise 的灵感是怎么找到的，过程中放弃过哪些想法——选题的排除过程和选中过程同样重要。
为什么最终做了 Podwise：自身就是播客重度用户，痛点是真的。
找 PMF（产品市场契合）的几点关键步骤。
「Indie Hacker 是不是不需要产品经理了」——一个人更得同时扮演两个角色。
一句被反复引用的话：「做 AI 产品的这个产品，它首先得是一个产品」。AI 是能力，不是价值本身；用户为解决的问题付费，不为模型付费。

Part 3：对独立开发者人群的观察

这部分是 Saito 泡在国内最活跃的独立开发者社区里的长期观察，也是全期最「泼冷水」的内容：

收入分布：国内最赚钱的独立开发者（工作室级别）年收入千万以上，但从整个群体看，大约 0.9% 的人够温饱，0.1% 的人活得舒服，绝大部分人没赚到钱。
焦虑与自由：大部分人由于没有积蓄或固定收入支撑，会在半年到一年内回到工作岗位。如果独立开发者人人都赚钱，反而不正常——你看到的都是做得好的故事。
两个成功案例：
- 沉浸式翻译创始人欧文：浏览器翻译插件，国内独立开发者出圈的标杆案例。
- 极简时钟创始人道哥：一个极简的时钟 App，靠长期迭代和口碑做成稳定收入。
成功者的共同特点，Saito 的原话：「我接触的独立开发者什么人都有。有一些是很积极行动的，有机会立马冲上去。还有像欧文那种，做自己想做的也成了。」——这个群体不是「默不作声每天写代码」的单一画像，而是众生相；他接触到的人里面绝大部分是工程师出身。
最大挑战与给新人的建议，硬地笔记里沉淀的两条：
1. 不要为了「独立开发」而「独立开发」，不然很容易受打击；
2. 找一些 easy to target 的领域去做（你知道从哪里能接触到你的目标用户），比做「大」的事更靠谱。
做得好但还没被看到的产品和宣传做得不够好的产品的共同特点——很多产品死不是死于质量，而是死于没人知道。
自己成为 KOL 的好处：还在观望的人，先赶紧输出内容，然后 build in public（公开构建）——把开发过程本身变成内容。节目以 @levelsio（Pieter Levels） 作标杆——独立开发者精神和商业的践行者。这个方法论在硬地骇客其他期里有更完整的展开：
- EP58 里 HeyForm 创始人百顺说：「build in public 是所有独立开发者应该去尝试和使用的……它不是一个关于产品的构建方式，它是关于创始人个人 IP 的创建方式。重点是构建自己的影响力、公信力，然后带动产品的增长。」
- EP12 讨论了「public 到什么程度」：不是把底裤都扒了——build in public 的目的是构建自己的社区、和用户建立连接与信任，公开什么内容、什么时候公开，都从这个目的倒推。

graph TD
    A["EP64 核心结构"] --> P1["Part 1 团队故事<br/>再次创业，心态平和"]
    A --> P2["Part 2 方法论<br/>Podwise 两个月 $12k ARR"]
    A --> P3["Part 3 群体观察<br/>0.9% 温饱 / 0.1% 舒服"]

    P2 --> M1["营销：去杠杆高的地方"]
    P2 --> M2["营销：论坛互动抓长尾流量"]
    P2 --> M3["内容三原则：<br/>喜闻乐见 / 感同身受 / 对我有用"]
    P2 --> M4["产品：AI 产品首先得是个产品"]

    P3 --> O1["成功案例：沉浸式翻译·欧文"]
    P3 --> O2["成功案例：极简时钟·道哥"]
    P3 --> O3["共同特点：积极行动派<br/>绝大部分是工程师出身"]
    P3 --> O4["解法：输出内容<br/>build in public"]

    style A fill:#fef3c7,stroke:#92400e
    style P2 fill:#dbeafe,stroke:#1e40af
    style P3 fill:#fee2e2,stroke:#991b1b

二、EP105 完整笔记：AI 内容创作的钱在哪

这期的主线：AI 不只是工具，更是激发创造力的伙伴。按「硬地笔记」的话题板块整理：

AI 内容创作的新机会与商业化应用：AI 把内容生产的门槛和成本同时打下来，原来不成立的生意开始成立。Labubu 动态壁纸的案例就出现在这段（详见下文）。
成本与商业模式探讨：当生成成本趋近于零，商业模式的重心从「生产」转向「分发和定价」。
AI 语音生成（TTS）的成本优势与应用场景：重点讨论了 MiniMax Audio，主播评价其 TTS 效果「全球领先」。应用场景包括 AI 生成语音、小宇宙的英文播客翻译功能等。
AI 产品的用户群体与产品模式：这段实际讨论的是用户参与模式——用户在 AI 生成循环里的位置。主播区分了两种产品形态：in the loop（人深度参与生成循环，保留创作者的独特性）和 on the loop（人站在循环之上，直接享受 AI 生成的成果）。主播反思他们自己的新产品 Castwise 沿用 Podwise 的模式「其实是不太对的」——因为创作者不在循环里，「没办法加入我作为创作者的独特性」。换句话说：全自动产品省事但同质化，让人留在循环里的产品才装得下差异化。
播客平台的商业化策略与主播生态建设：平台侧怎么赚钱，主播生态怎么分层。
AI 全自动内容创作的未来与挑战：全自动流水线的想象力与现实瓶颈。

节目中提到的代表性工具/产品：MiniMax（语音克隆 + TTS）、NotebookLM（Google 的 AI 笔记工具，根据资料生成总结和分析，被作为「AI 内容创作 + 语音生成」的应用案例）。

两个值得记住的案例：

AI 自媒体团队狂接商单：有团队用 AI 批量生产内容，承接品牌商投放——「AI 内容」本身已经是乙方能交付的服务，不一定非要做产品。
拉布布（Labubu）动态壁纸：Labubu 全球爆火期间，有独立开发者做了卖拉布布动态壁纸的网站，晒出每天三四百美金的收入。主播的评价很直接：「这个就是看行动力了。赚钱的应该还是挺多的。」 同样的热点一百个人看到，一个人动手做了。

flowchart LR
    A["热点 / 需求出现<br/>Labubu 爆火"] --> B["快速上线<br/>几天做出网站"]
    B --> C["低成本获客<br/>热点自带搜索流量"]
    C --> D["小额高频变现<br/>壁纸单价低、决策快"]
    D --> E["热点退去<br/>转向下一个机会"]
    style A fill:#fef3c7,stroke:#92400e
    style D fill:#dcfce7,stroke:#166534

这期标题就是结论：限制你的不是技术，是想象力和行动力。

三、整合框架：个人小生意的三要素

把两期内容抽象出来，一个能跑通的个人小生意必须三个轮子一起转：

graph TD
    A["个人小生意"] --> B["产品<br/>解决一个具体问题"]
    A --> C["流量<br/>让目标用户看到你"]
    A --> D["变现<br/>有人愿意付钱"]

    B --> B1["AI 工具 / 套壳站"]
    B --> B2["内容 / 课程 / 社群"]
    B --> B3["服务 / 外包 / 定制开发"]

    C --> C1["自有渠道：公众号、即刻、抖音"]
    C --> C2["平台流量：ProductHunt、论坛、SEO 长尾"]
    C --> C3["build in public：开发过程即内容"]

    D --> D1["订阅 / 一次性付费"]
    D --> D2["广告 / 商单"]
    D --> D3["项目制收费"]

    style A fill:#fef3c7,stroke:#92400e
    style B fill:#dbeafe,stroke:#1e40af
    style C fill:#dcfce7,stroke:#166534
    style D fill:#fce7f3,stroke:#9d174d

三个轮子缺一个就会卡死——这正是 EP64 里「做得好但没被看到的产品」和「宣传做不好的产品的共同特点」两个话题的合流之处：

只有产品没有流量 →「做出来了，没人知道」（大多数技术人的死法）
只有流量没有产品 →「粉丝不少，不知道卖什么」（自媒体人的死法）
有产品有流量但不变现 →「叫好不叫座，用爱发电」（开源作者的常见困境）

四、从想法到第一笔收入：完整流程图

综合 Podwise 的 PMF 步骤和 build in public 方法，一个新人从 0 到第一笔收入的合理流程：

flowchart TD
    A["发现需求<br/>自己的痛点 / 热点 / 客户抱怨"] --> B{"先验证，再开发<br/>发帖子问 / 做落地页收集意向"}
    B -- "没人感兴趣" --> A
    B -- "有人想要" --> C["MVP：只做最核心的一个功能"]
    C --> D["build in public<br/>开发过程本身就是内容"]
    D --> E["发布到杠杆高的渠道<br/>ProductHunt / 论坛 / 自有账号"]
    E --> F{"有人付费吗？"}
    F -- "有" --> G["迭代 + 论坛互动抓长尾<br/>找复购与转介绍"]
    F -- "没有" --> H{"是流量问题<br/>还是产品问题？"}
    H -- "流量问题" --> E
    H -- "产品问题" --> A
    G --> I["第一笔稳定收入<br/>再考虑加大投入"]

    style B fill:#fef3c7,stroke:#92400e
    style F fill:#fef3c7,stroke:#92400e
    style I fill:#dcfce7,stroke:#166534

注意两个回环：「没人感兴趣就换想法」（Podwise 也是放弃过一堆想法才选中的）和**「区分流量问题还是产品问题」**。新人最常见的错误是在没人要的产品上持续迭代半年——那不是坚持，是逃避验证。

五、避坑技巧清单

综合两期播客的讨论，按「踩坑顺序」排列：

5.1 出发前的坑

裸辞 without 存款。EP64 里说得很直白：大部分人半年到一年内回工作岗位，是被存款耗尽逼回去的，不是被产品失败打败的。现金流是这条路的氧气。
为了「独立开发」而独立开发。这是 EP64 给新人的第一条建议——身份本身不值得追求，受打击的概率远大于成就感。
只做产品，不当生意做。先想清楚「谁付钱、为什么付钱」，再写第一行代码。「AI 产品首先得是一个产品」——AI 是能力，不是付费理由。
一上来做平台型产品。AI 搜索、通用 Agent 平台是大厂赛道。独立开发者 idoubi 的 AI 搜索产品 ThinkAny 拿到 ProductHunt 日榜第四、月 60 万访问，最终也因资源不足放弃做大——个人资源撑不起平台梦。找 easy to target 的领域，比做「大」的事靠谱。

5.2 开发中的坑

过度工程。MVP 阶段用现成服务（托管、支付、登录），把时间花在用户能看见的地方。
选题不做排除法。Podwise 是排除了一堆想法之后的幸存项。把「放弃过的想法」记录下来，比拍脑袋选一个再死磕强。
定价免费。推出即收费是检验需求真伪的唯一标准。不敢收费往往是因为心里清楚产品不行。
做 on the loop 的全自动产品却没有差异化。EP105 的反思：人不在循环里，产品就没有创作者的独特性——全自动流水线人人都能搭，凭什么买你的？

5.3 运营中的坑（EP64 重点，技术人最容易栽的地方）

只发一次声。营销要去杠杆高的地方，并且在论坛/社区里持续回复有营养的内容，抓长尾流量——发完就走等于没发。
内容三缺一。检查每一条内容：喜闻乐见吗？感同身受吗？对我有用吗？只占一条的内容没有传播力。
不 build in public。还在观望要不要做的时候，就该开始输出内容了。开发日志、复盘、踩坑记录本身就是最好的冷启动素材，等到产品做完再开始营销已经晚了。
忽视收款与合规。对公业务要发票（个体户/灵活用工平台），出海要 Stripe 类收款——别等产品有人付费了才发现钱收不进来。
一个人硬扛情绪。焦虑是常态不是信号。去社群里找同类，这个圈子的信息密度和情绪价值都在人和人之间。

六、给新人的最小行动清单

如果听完这两期播客只想记住三件事：

保证 12 个月不下牌桌：存款、低物欲、或先接外包养现金流——淘汰线是现金流，不是能力
从第一天开始输出：每周发布一次（开发日志/复盘/教程），build in public，流量是复利
30 天内收到第一笔钱：哪怕是 9.9 元。收到钱和没收到钱，你对待产品的方式会完全不同

参考资料

《浪潮之巅》读书笔记：程序员创业故事的兴衰规律，与 AI 大模型时代的新机会

Wed, 13 Nov 2024 16:00:00 +0800

《浪潮之巅》读书笔记：程序员创业故事的兴衰规律，与 AI 大模型时代的新机会

参考书籍：吴军《浪潮之巅》（On Top of Tides）。目标读者：想创业、正在做副业、或者想看清技术周期位置的程序员。阅读目标：把书中十几个公司的兴衰故事，提炼成"为什么会赢、为什么会死"的规律，再追问一个问题——如果换成 AI 大模型时代，这些故事会怎么改写？

《浪潮之巅》表面上写的是 AT&T、IBM、苹果、微软、Google 这些公司的历史，实际上写的是一件事：技术浪潮每隔十几年就来一次，每一次都会成就一批新公司、埋葬一批旧巨头。而能不能站上浪尖，靠的不只是技术，还有时机、商业模式和基因。

作为一个写代码的人，我读这本书的角度比较功利：这些公司当年是怎么从"几个人 + 一个技术想法"长成千亿帝国的？它们后来又是怎么死的？以及最重要的——今天 AI 大模型这一波浪潮，和当年有什么相同和不同？

这篇文章分五部分：

全书的核心规律（先建立框架）；
逐个复盘经典创业故事，每个故事末尾分析"AI 时代的新思路"；
盘点这些案例背后的核心算法、数学工具与创新工具；
浪潮的幕后生态：风投、投行、斯坦福、印钞机商业模式与金融风暴；
我的思考和给程序员的行动清单。

一、先立框架：浪潮是怎么起落的

吴军判断一个行业是否有"浪潮"，看的是三个东西是否同时出现：

flowchart TD
    A["技术突破<br/>晶体管 / 集成电路 / PC / 互联网 / AI"] --> D["浪潮形成"]
    B["商业模式成立<br/>有人愿意付钱"] --> D
    C["基础设施成熟<br/>芯片 / 网络 / 云"] --> D
    D --> E["新公司崛起<br/>抢到生态位"]
    D --> F["旧巨头衰落<br/>被基因锁死"]
    E --> G["行业格局固化<br/>70-20-10"]
    G --> H["下一次技术突破<br/>周期重来"]
    H --> A

书里最经典的几个规律，先列出来，后面的故事都会反复用到：

规律	内容	一句话理解
摩尔定律	每 18 个月，同样价格能买到的计算性能翻一倍	硬件公司必须跑得比贬值快
反摩尔定律	如果一个公司今天和 18 个月前卖掉同样多的产品，营业额就要降一半	不进则退，原地踏步就是倒退
安迪-比尔定律	Andy (Intel) gives, Bill (Microsoft) takes away	硬件提升的性能会被软件吃掉，逼用户升级
70-20-10 律	市场成熟期：老大占 70%，老二占 20%，其余分 10%	信息产业没有"并列第一"
基因决定论	公司的基因决定了它能做什么、不能做什么	转型难，不是因为笨，是因为基因不匹配
诺威格定律	当一家公司市场份额超过 50% 后，就无法再翻番了，必须寻找新增长点	增长见顶后，扩张方向决定生死

这几个规律就像物理定律一样，在后面每个故事里你都会看到它们起作用。

二、创业故事逐个复盘 + AI 时代的新思路

2.1 AT&T 与贝尔实验室：技术最强 ≠ 活得最好

故事：贝尔实验室是 20 世纪最伟大的研究机构——晶体管、UNIX、C 语言、信息论（香农）、激光、蜂窝通信，全出自这里。AT&T 靠电话垄断躺赚几十年。但 1984 年反垄断分拆、1995 年主动拆分后，AT&T 一心只想快速赚钱，把设备业务（朗讯）和贝尔实验室拆出去卖钱，最终百年帝国在宽带浪潮中沦为配角。

教训：

垄断利润会腐蚀创新能力——赚钱太容易，就没人关心十年后；
分拆的决策如果只服务于股价而不是技术布局，等于自杀；
贝尔实验室的发明无数，但很多（比如 UNIX）没有变成自己的商业帝国，技术是别人的嫁衣。

AI 时代的新思路：

今天的 OpenAI、DeepMind 某种程度上就是新的"贝尔实验室"——基础模型能力外溢，全世界开发者免费搭车。对创业者来说这意味着：

不要去和"新贝尔实验室"拼基础研究，那是巨头的军备竞赛（训练一个前沿模型要几亿美元），创业公司玩不起；
但贝尔实验室的历史也证明：实验室的成果会外溢，机会在应用层。开源模型（LLaMA、Qwen、DeepSeek）就是新时代的"UNIX"，谁能在开源底座上长出垂直应用，谁就是新时代的 DEC、Sun；
反向借鉴：如果你做 AI 应用，要警惕 AT&T 的教训——不要把核心能力完全外包给模型厂商。API 一涨价、一断供，业务就没了。创业公司至少要掌握数据、场景、工作流中的一个作为护城河。

2.2 IBM：大象也能跳舞，但只在 B 端

故事：IBM 做了几十年大型机，错过 PC 浪潮的开端后，靠 IBM PC 杀回来，却意外养大了两个掘墓人——Intel（芯片）和微软（操作系统），“安迪-比尔定律"由此得名。90 年代 IBM 濒临破产，郭士纳把它从硬件公司转型为 IT 服务公司，活了过来。后来又剥离 PC（卖给联想）、押注咨询和云计算。

教训：

基因决定论的正面案例：IBM 的基因是服务企业客户，所以转型服务能成；它想做消费级产品（OS/2 输给 Windows）就是不行；
开放的架构（IBM PC 兼容机）会杀死架构的创造者——你定义了标准，别人踩着标准绕开你。

AI 时代的新思路：

IBM 的故事在今天几乎原样重演：大模型基础设施层（芯片、云、基础模型）正在被英伟达、微软、Google 这些"新巨头"定义标准。创业思路：

学 IBM 的服务转型，做"AI 时代的埃森哲”：大量传统企业知道要用 AI 但不会落地，垂直行业的 AI 咨询 + 交付 + 托管运营是一个真实存在且现金流健康的生意，不性感但赚钱；
警惕"IBM PC 陷阱"：如果你基于某个大模型平台的开放接口做产品，要想清楚——你是在利用平台，还是在给平台培养市场？ 当你的场景被验证后，平台自己会下场（看看 ChatGPT 的 GPTs 埋葬了多少套壳应用）。

2.3 苹果：产品公司的浪漫与代价

故事：1976 年，沃兹尼亚克的技术天才 + 乔布斯的产品直觉，在车库里做出 Apple I/II，开创了个人电脑产业。1984 年 Macintosh 定义了图形界面，但乔布斯坚持封闭、软硬件一体，在 80-90 年代被"微软 + Intel + 兼容机"的开放联盟打得只剩个位数份额，乔布斯被赶出自己创立的公司。1997 年回归后，靠 iPod、iPhone、iPad 三次站上浪尖——这一次，封闭生态赢了，因为时代变了（软硬件一体化的体验优势在移动端成立）。

教训：

同一个策略（封闭），在 PC 时代是死路，在移动时代是活路——没有永远正确的战略，只有和时代匹配的战略；
乔布斯的强项是"定义产品"而不是"发明技术"：图形界面来自施乐 PARC，触摸屏技术也不是苹果发明，但苹果把它们做成了普通人能用的东西。

AI 时代的新思路：

苹果故事对 AI 创业最大的启示是体验集成：

大模型能力是"原子能力"，就像当年的图形界面技术——实验室里有，但普通人用不上。把模型能力包进一个普通人能用的完整产品里，就是苹果式的创业思路。Cursor（AI 编程）、Perplexity（AI 搜索）、Midjourney（AI 绘画）都是这个路子：模型不全是自己的，但体验是自己的；
另一个思路是软硬结合：AI Pin、Rabbit R1 虽然失败了，但"AI 时代的 iPhone 时刻"还没真正到来，智能眼镜、AI 玩具、陪伴机器人这条路上还会有新的苹果式公司出现；
但也要记住乔布斯 1985 年的教训：在产品体验还没打磨好之前，不要迷信情怀和先发。Vision Pro 的昂贵教训也说明，AI 硬件创业要控制节奏。

2.4 微软：商业模式的创新比技术创新更致命

故事：盖茨和艾伦 1975 年为 Altair 写 BASIC 解释器起家。微软真正的转折点不是技术，而是两笔生意：花 5 万美元买 DOS 转手授权给 IBM，以及坚持只授权、不转让版权的商业模式——PC 兼容机越多，微软越赚钱。之后靠"免费捆绑"杀死网景，靠 Office 建立生态，靠 Windows 统治桌面二十年。但微软错过了互联网（IE 赢了浏览器却输了互联网），错过了搜索，错过了移动，直到纳德拉转型云计算（Azure）才重回巅峰。

教训：

商业模式本身就是护城河：DOS 不是最好的技术，但授权模式让它无处不在；
反垄断拆分差点毁了微软，但失去垄断地位反而逼着它开放和转型——垄断保护的是短期利润，杀死的是长期嗅觉；
比尔·盖茨的精明在于：他从第一天就明白软件的价值在于复制成本为零，这是信息产业的底层逻辑。

AI 时代的新思路：

微软今天用 Azure + 投资 OpenAI 的方式重演了当年"IBM PC"的操作：不自己发明最强的技术，而是绑定最强的技术再卖给企业客户。创业者可以学这一招：不训模型，绑定模型生态做生意——比如做模型和企业私有数据之间的中间层（RAG、Agent 编排、权限治理），这是大模型时代"操作系统级"的位置；
反摩尔定律依然有效：AI 应用如果你 18 个月不迭代，模型能力追上来就把你的功能变成"模型自带"（套壳应用批量死亡就是这个原因）。创业的功能壁垒必须建在模型能力进化曲线够不到的地方——行业 know-how、私有数据、监管资质、线下交付。

2.5 Intel：摩尔定律既是礼物也是绞索

故事：摩尔、诺伊斯、格鲁夫 1968 年创立 Intel。1980 年代日本存储器把 Intel 逼到绝境，格鲁夫果断砍掉起家的存储器业务，All in 微处理器，押注 IBM PC，从此"Intel Inside"统治了 PC 时代三十年。但 Intel 错过了移动（ARM 低功耗路线），又在制程上被台积电反超——它在 CPU 这个生态位上做到了极致，也因此被这个生态位锁死。

教训：

摩尔定律驱动下的行业，老二没有生存空间（反摩尔定律），所以 AMD 几十年都活得艰难；
格鲁夫"砍掉存储器"的决断是全书最经典的转型案例：最难的不是看到新方向，而是放弃正在赚钱的旧业务。

AI 时代的新思路：

Intel 错过移动、英伟达押中 AI，说明每一波浪潮的"卖水人"位置都会换人。这一波浪潮的芯片红利（英伟达）创业公司基本没机会，但"卖水"不只有芯片：数据标注、评估体系（Evals）、推理成本优化、模型部署工具链，都是 AI 时代的"卖水生意"；
格鲁夫式思路的 AI 版：如果你现在做的产品/服务，18 个月后会被模型能力的进步直接覆盖（比如简单的文案生成、简单客服），那就该像 Intel 砍存储器一样现在就砍，别等现金流断掉再转。

2.6 思科：斯坦福教授夫妇的"路由器即卖水"

故事：1984 年，斯坦福两个系的机房主任（莱昂纳德·波萨克和桑蒂·勒纳夫妇）想让校园网里不同协议的机器互相通信，发明了多协议路由器。思科的聪明之处不只是发明了路由器，而是赶上了互联网爆发——不管谁在网上淘金，都要买它的路由器。思科也通过持续并购保持技术领先，2000 年市值一度全球第一（5000 亿美元+），随后互联网泡沫破裂跌落，但至今仍是网络设备霸主。

教训：

卖水生意是浪潮里最稳的位置：淘金者九成九会死，卖水的活得最好；
思科的并购机器说明：技术公司到一定规模后，创新可以"买"来，但整合能力是自己的。

AI 时代的新思路：

AI 时代的"路由器"是什么？候选答案：推理基础设施（GPU 云、模型托管）、数据管道、Agent 之间的通信协议（比如 MCP 这类协议如果成为事实标准，围绕它的工具链就是路由器生意）；
思科式创业的现代版本：不赌哪个模型赢，服务所有用模型的人。向量数据库（Pinecone、Milvus）、模型监控（LangSmith）、推理优化（vLLM）都是"AI 淘金潮里的卖水人"。这个思路的风险是——云厂商会把卖得最好的"水"自己做掉，所以卖水也要卖到深水区（复杂场景），不能在浅水区。

2.7 网景：起得最快，死得也最快

故事：1994 年，伊利诺伊大学的学生马克·安德森写了 Mosaic 浏览器，和 SGI 创始人克拉克创立网景，把互联网从学术圈带给了普通人。网景 16 个月就上市，创造了互联网造富神话。但微软用"免费捆绑 IE"直接攻击其收入根基，网景 4 年就被迫卖给 AOL。它的遗产却极其深远：JavaScript、SSL、cookie，以及安德森后来创立 a16z 成为硅谷顶级风投。

教训：

单一产品、单一收入来源，在巨头面前没有防御纵深；
先发的优势如果没有转化为生态，就只是"帮巨头验证市场"；
安德森本人的轨迹也很有意思：创业被巨头碾过后，转身成为投资人——把对浪潮的理解变成了另一种杠杆。

AI 时代的新思路：

网景的死法在 AI 时代每天都在重演：功能型应用被平台顺手做掉。

对照自查：如果你的产品是"一个 Prompt 包一层壳"，那你的命运就是网景 2.0——ChatGPT/Claude/豆包下一次更新就会把你变成系统自带功能；
网景式生存策略：做平台不方便做的事。微软能免费捆绑浏览器，但做不了垂直行业的脏活累活。AI 创业要找"巨头捆绑不了"的东西——需要线下交付的、需要行业牌照的、需要和企业数据深度耦合的；
另一个思路是学安德森的转身：如果做产品打不过，就做这波浪潮的投资人/生态位观察者——程序员做技术自媒体、做 AI 早期投资、做开发者社区，本质都是把认知变现。

2.8 雅虎：开创了模式，却被模式淘汰

故事：1994 年，斯坦福博士生杨致远和费罗把喜欢的网站整理成目录——“Jerry’s Guide to the World Wide Web”，后来变成 Yahoo!。雅虎定义了门户网站、开创了"免费 + 广告"的互联网商业模式，是所有中国第一代互联网公司的老师（新浪、搜狐、网易都在抄它）。但雅虎骨子里是媒体公司而不是技术公司：它用人肉编辑整理目录，对搜索技术不上心，把搜索外包给 Inktomi、又外包给 Google——等于亲手喂养了掘墓人。错过收购 Google（两次）、错过收购 Facebook，最终在移动互联网时代彻底掉队，2017 年被 Verizon 收购。

教训：

雅虎开创了"免费 + 广告"，但它不懂广告的效果要靠技术优化——Google 用算法把广告做成了精准匹配，雅虎还停留在卖展示位；
把核心能力（搜索）外包，是科技公司最危险的决定之一；
雅虎之鉴：路径依赖——目录时代太成功，以至于无法理解搜索时代。

AI 时代的新思路：

雅虎的历史正在 AI 时代重放：很多"AI 应用公司"其实在做新时代的"人肉目录"——靠运营、靠内容编辑堆出来的 AI 产品，模型一升级，人肉部分的价值就清零。自查标准：你的产品价值里，有多少比例会被下一代模型免费赠送？
雅虎教训的正面用法：永远不要外包你的核心差异化能力。AI 创业可以外包模型（反正模型在商品化），但不能外包：用户关系、数据闭环、行业 know-how；
新机会：雅虎当年"帮用户找到信息"的需求，在 AI 时代变成了"帮用户做决策"。AI Agent 版黄页/目录 + 自动执行（帮用户找服务、比价、下单、售后）是一个还没被做好的大方向——雅虎只做到了"找到"，AI 可以做到"办完"。

2.9 Google：技术信仰者的胜利

故事：1996 年，斯坦福博士生佩奇和布林发明 PageRank——用网页间的链接关系给网页排名，搜索质量碾压当时的所有对手。Google 的伟大在于几件事同时做对：技术（PageRank + 分布式系统）、商业模式（AdWords 竞价排名，把广告做成了可度量的效果生意）、文化（工程师主导、“不作恶”）、以及不惜血本投入基础设施（自己造服务器、建数据中心）。之后 Android 赌中移动、收购 YouTube 赌中视频，但也在社交（Google+）、通讯等赛道上屡战屡败。如今 Google 面临创立以来最大的挑战：ChatGPT 直接攻击搜索的根基——用户要的不再是链接列表，而是答案。

教训：

Google 是全书里最"技术至上"的公司，但它的胜利其实是技术 × 商业模式 × 基础设施的复合胜利，缺一个都不成立；
诺威格定律：搜索份额见顶后，Google 靠 Android、YouTube、云找到新增长曲线，这是它能活过 25 年的关键；
但它今天的困境也证明：没有任何生态位是永久的，包括搜索本身。

AI 时代的新思路：

Google 自己证明了基础设施投入是长期主义的壁垒。AI 创业的对应版本：为 AI 时代重建基础设施——AI 原生的数据库、AI 原生的安全、AI 原生的办公套件。不要想着"在旧软件里加 AI 功能"，而要问"如果从零开始为 Agent 设计，这个东西应该长什么样"（比如，为 Agent 而不是为人类设计的 API、为 AI 编程协作设计的代码仓库）；
“用户要答案不要链接"这个趋势里藏着新一代 Google 的机会：垂直领域的答案引擎——法律、医疗、科研、金融，通用模型答不准、答不全的地方，就是垂直答案引擎的立足点（Perplexity 已验证通用版，垂直版还大有空间）;
Google 的多元化（诺威格定律）对创业者的启示：单一 AI 产品的天花板来得会比想象中快，从第一天就想好第二个增长曲线，哪怕只是方向性的。

2.10 衰亡者群像：摩托罗拉、诺基亚、Sun 的共同死因

书里同样重要的反面教材：

摩托罗拉：发明了手机，但铱星计划（技术浪漫主义的极致——66 颗卫星覆盖全球，却没人买单）拖垮了它，数字手机时代又反应迟钝；
诺基亚：功能机时代的霸主，不是没看到智能机，而是功能机太赚钱，组织无法自我革命；
Sun：斯坦福四人创业（Workstation 工作站 + Solaris + Java），Java 改变世界却没赚到钱——技术影响力 ≠ 商业变现。

flowchart LR
    subgraph 死因分析
        A1["摩托罗拉<br/>技术浪漫主义<br/>铱星计划"] --> B["共同死因"]
        A2["诺基亚<br/>旧业务太赚钱<br/>无法自我革命"] --> B
        A3["Sun<br/>有技术影响力<br/>没有变现闭环"] --> B
        B --> C["把上一波浪潮的成功<br/>当成了永恒"]
    end

AI 时代的新思路：

反用诺基亚之死：传统行业的"功能机巨头”（旧软件、旧服务）越赚钱，越不可能自我 AI 化——这就是创业公司替他们服务/替代他们的窗口期。看看哪些行业还在用十年前的软件收钱，那里就有 AI 替代的机会；
反用 Sun 之死：做 AI 开源项目获得影响力之后，必须在一开始就设计变现路径（托管服务、企业版、生态分成），否则影响力就是给别人做嫁衣；
反用铱星计划：AI 项目先做需求验证，再堆技术。铱星的教训是"技术上可行"和"商业上值得"之间隔着一条银河。今天很多"用 AI 做 XX"的项目，本质都是小型铱星——工程师的浪漫，市场的灾难。

2.11 仙童半导体：“八叛徒"与硅谷的诞生

注：《浪潮之巅》第四版（2019）新增了"新兴科技与初创企业"相关内容，补充了仙童、Facebook、特斯拉等案例。本节起为新版内容补记。

故事：晶体管发明人之一、诺奖得主肖克利 1955 年创办肖克利半导体实验室，招到八个天才年轻人，但他管理专断多疑。1957 年，八人集体出走（肖克利骂他们是"八叛徒”），在投行职员阿瑟·洛克（Arthur Rock）牵线下，由仙童摄影器材公司出资创立了仙童半导体。仙童做出两件改变历史的事：赫尔尼发明平面工艺，诺伊斯在此基础上于 1959 年发明硅集成电路。但东海岸母公司不断抽走利润、拒绝给员工股权，人才开始外流：1968 年诺伊斯和摩尔创立 Intel，1969 年桑德斯创立 AMD，斯波克执掌国家半导体，克莱纳后来创立硅谷最传奇的风投 KPCB。仙童被称为"半导体产业之母"——硅谷的"硅"、风险投资模式、股权文化，全从这一家公司开始。

教训：

肖克利手握最好的技术天团却留不住人——技术号召力代替不了管理与激励；
母公司把仙童当提款机、不给股权，等于亲手把核心技术连同人才一起送走——仙童最后活成了"半导体军校"，专门给对手培养创始人；
仙童最大的遗产不是产品，而是三样"制度发明"：集成电路、风险投资交易结构（洛克的那笔投资是现代 VC 的模板）、员工股权激励文化。

AI 时代的新思路：

今天的 OpenAI 正在上演"仙童时刻"：核心团队出走创立 Anthropic、SSI、Thinking Machines 等公司——大模型行业的人才外溢路径和当年半导体业一模一样。对创业者的启示：巨头研究院动荡期，是创业公司捡顶级人才的最佳窗口；
反面自查：如果你的创业公司没有设计好股权和期权，你就是下一个仙童——“AI 产业之母”，专门给别人培养 CTO；
仙童故事还催生了一个"创新工具"——风险投资本身。AI 时代的对应物是：算力换股权（云厂商以 GPU 资源入股）、开源换生态位（开源模型换取开发者标准地位）。融资工具的演化，本身就是创业机会的一部分。

2.12 Facebook：把"关系"变成可计算的资产

故事：2004 年，扎克伯格在哈佛宿舍上线 TheFacebook，从校园一路扩张到全民。几个关键决策：坚持实名制 + 真实关系链（与 MySpace 的虚拟身份区隔开）；2006 年顶着全站骂声上线 News Feed（事后证明是社交产品的标配）；2007 年开放第三方平台；2012 年上市前后完成惊险的移动转型；收购 Instagram（10 亿美元）和 WhatsApp（190 亿美元）都堪称神操作。Facebook 的本质，是把全人类的"关系网"——社交图谱（Social Graph）——变成了一份私有、可计算、可卖广告的资产。

教训与规律：

梅特卡夫定律（网络价值 ∝ 节点数的平方）在社交领域发挥到极致：70-20-10 律在社交网络里表现为接近 100% 的垄断——挑战者哪怕产品好 10%，也搬不走用户的关系链；
但护城河也在变浅：TikTok 用**算法推荐（兴趣图谱）**绕开了社交图谱——不需要先有朋友关系，算法直接把内容喂给你。Facebook 被迫改名 Meta 押注元宇宙，至今没有赢回叙事权；
Facebook 的另一重身份是"工具工厂"：React、PyTorch、GraphQL、Cassandra 都出自它的工程团队——把内部工具开源，是建立行业标准地位的廉价手段。

AI 时代的新思路：

Facebook 的核心资产"社交图谱"正在被 AI 重构：Character.ai 这类 AI 陪伴产品证明了用户需要的未必是"真人关系链"，而是"被理解和被回应"。AI-native 的社交/陪伴产品是新一波社交创业的入口；
TikTok 用兴趣图谱打败社交图谱的历史会在 AI 时代重演：用 AI 直接理解内容和人，可以绕开冷启动最难的"关系网积累"——新社交产品不再需要先攒社交图谱；
工具开源策略依然有效：AI 公司把训练框架、Agent 框架开源，换的是标准制定权和人才向心力（看看 LangChain、vLLM 的位置就知道了）。

2.13 特斯拉：用软件和第一性原理重造汽车

故事：特斯拉 2003 年创立，2004 年马斯克领投入局。Roadster（2008）证明电动车可以很性感，Model S（2012）证明可以规模量产，Model 3 的"产能地狱"差点要了命，上海超级工厂（2019）证明了制造效率的极限。特斯拉的关键创新不在任何单点技术，而是把整个汽车产业的逻辑改写：用笔记本同款的 18650 电芯 + 电池管理系统（BMS）拼出电池包；用 OTA 软件升级让车"越开越新"；直营绕过经销商体系；超级工厂垂直整合，把供应链攥在自己手里。

教训与规律：

第一性原理：马斯克算过账——电池组按原材料市场价计算远低于当时的市场售价，中间的差价是"历史惯性"而不是物理必然，所以自己造。这是全书中罕见的"用物理学思维做商业决策"的样本；
软件定义硬件：车变成了"轮子上的计算机"，安迪-比尔定律开始在汽车行业生效——硬件利润越来越薄，价值向软件和数据迁移；
特斯拉是三浪叠加的受益者：锂电池技术进步 + 移动互联网（车作为终端）+ 自动驾驶 AI。单一浪潮成就产品，浪潮叠加才成就帝国。

AI 时代的新思路：

特斯拉模式 = 硬件公司的 AI 化模板：影子模式采集真实数据 → 云端训练 → OTA 下发 → 更好的模型，这套"数据飞轮"是 AI 产品的通用范式，机器人、无人机、工业设备都可以复制；
FSD V12 用端到端神经网络替代了三十多万行手写规则代码，证明**“数据和算力替代工程师规则”**的方法论成立——这个方法论正在外溢到通用机器人（人形机器人被普遍看作"下一个特斯拉"）；
第一性原理自查同样适用于 AI 创业：你产品的成本结构里，有多少是"历史惯性"？推理成本两年降两个数量级之后，很多昨天"不划算"的 AI 应用今天已经成立——重新算账，就是重新找机会。

三、技术底牌：十三个案例背后的核心算法、数学与创新工具

复盘完故事，值得单独盘一盘这些公司的"技术底牌"——它们当年手里到底握着什么牌。看完之后会发现一个规律：真正改变浪潮的，往往不是一个产品，而是一两个可复制的算法、一条数学定律、或者一个开创性的工具。

3.1 总览表

案例	核心算法 / 数学工具	创新工具 / 系统	后续影响
贝尔实验室	香农信息论、采样定理	晶体管、UNIX、C 语言、激光、蜂窝通信	几乎整个信息产业的数学与物理底座
IBM	关系模型（Codd，基于集合论/关系代数）	System/360 兼容机架构、FORTRAN、SQL 前身、RISC、硬盘	定义了"企业计算"和数据库产业
苹果（及施乐 PARC）	区域填充/位图图形算法（QuickDraw）	图形界面 GUI、鼠标、所见即所得、面向对象（Smalltalk，来自 PARC）	定义了人机交互范式
微软	浮点 BASIC 解释器（4KB 内存内实现）	MS-DOS、Windows、Office	证明"软件本身可以是商品"
Intel	摩尔定律（经验定律，指数增长）	4004 微处理器（单芯片 CPU）、x86 架构	硬件的"计时器"，整个产业的节拍器
思科	路由算法（距离矢量 RIP、链路状态 OSPF，底层是图论最短路径）	多协议路由器、IOS	让不同网络互联，互联网的地基
网景	RSA 公钥加密、混合加密（SSL）	浏览器、JavaScript、cookie、SSL	定义了 Web 应用形态
雅虎	（技术弱）目录分类法	门户、“免费 + 广告"模式	模式开创者，算法缺席者——这也是它的死因
Google	PageRank（马尔可夫链平稳分布）、广告拍卖机制（GSP/VCG 博弈论）	MapReduce、GFS、BigTable、后来的 Transformer	把"大规模分布式计算"变成标准工程能力
摩托罗拉 / 诺基亚 / Sun	六西格玛（统计过程控制）、蜂窝频率复用	移动电话（DynaTAC）、GSM、Java/JVM、SPARC RISC	Java 改变世界但没赚到钱
仙童半导体	平面工艺（光刻）、摩尔定律（1965 年论文的源头）	硅集成电路、风险投资交易结构、员工股权激励	硅谷的起点：集成电路 + VC + 股权文化
Facebook	梅特卡夫定律（网络价值 ∝ n²）、EdgeRank（信息流排序）、链接预测（好友推荐）	News Feed、Open Graph、React / PyTorch / GraphQL / Cassandra	把"关系"变成可计算、可卖广告的图资产
特斯拉	BMS 电池管理算法、端到端神经网络（FSD）、数据飞轮	OTA 升级、超级工厂、一体压铸、Dojo 超算	“软件定义硬件"的产业模板

3.2 几个值得单独讲的"硬核底牌”

香农信息论（贝尔实验室，1948）：整个信息时代的"牛顿定律”

香农在贝尔实验室发表的《通信的数学理论》，回答了两个问题：信息怎么度量？信道最多能传多少？

信息熵：

$$H(X) = -\sum_{i} p_i \log_2 p_i$$

信道容量（香农-哈特利定理）：

$$C = B \log_2 \left(1 + \frac{S}{N}\right)$$

直觉：$B$ 是带宽，$S/N$ 是信噪比。这个公式给所有通信系统划了一条理论上界——无论你的调制方案多聪明，都不可能超过 $C$。此后 70 年的调制解调器、3G/4G/5G、Wi-Fi，本质都是在逼近这条线。吴军在《数学之美》里反复强调的观点也源于此：好的数学模型能把"需要智能"的问题变成"可以计算"的问题。

关系模型（IBM，1970）：一篇论文开创一个产业

IBM 研究员 Codd 1970 年发表论文，把数据库建立在集合论和一阶谓词逻辑上：数据是关系（元组的集合），查询是关系代数运算（选择、投影、连接）。Oracle 的创始人 Ellison 正是读了这篇论文后抢先做出商用产品——这是"IBM 发明、别人收割"的又一例（和 PC 养大微软/Intel 如出一辙）。今天的 MySQL、PostgreSQL，乃至 NoSQL 之后又回归 SQL，都证明这个数学模型选对了一次，管了 50 年。

摩尔定律（Intel，1965）：一条经验曲线统治一个行业

严格说它不是物理定律，而是观察 + 自我实现的预言：

$$\text{晶体管数量}(t) \propto 2^{t / 18\text{个月}}$$

它的真正威力在于给了整个产业一个可预期的节拍器：软件公司敢按"两年后性能翻倍"来设计产品，风险投资人敢按这个节奏下注。反摩尔定律只是它的镜像。今天 AI 领域有类似的曲线——模型能力随算力/数据规模增长（Scaling Laws），推理成本每年数量级下降。创业者读摩尔定律的正确姿势，是把它当成"为两年后的成本结构做设计"的许可证。

路由算法（思科）：图论改变世界

互联网的核心问题之一是：数据包从 A 到 B 走哪条路？这正是图论里的最短路径问题：

OSPF（链路状态协议）：每个路由器掌握全网拓扑，然后跑 Dijkstra 算法算最短路径；
RIP / BGP（距离矢量/路径矢量）：每个路由器只知道邻居告诉它的距离，类似分布式 Bellman-Ford。

思科的商业天才不在于发明这些算法（它们来自学术界），而在于把这些算法固化进一台可靠、好卖的盒子里。这又是一个"算法公开、工程变现"的案例——和今天"Transformer 论文公开、应用公司变现"的结构一模一样。

SSL 与公钥加密（网景，1994）：数论给电商开门

网景为了让浏览器能安全地传信用卡号，发明了 SSL。底层是 RSA：

$$c = m^e \bmod n, \qquad m = c^d \bmod n$$

安全性依赖于"大整数分解困难"——知道 $n = p \times q$ 容易，从 $n$ 反推 $p, q$ 极难。SSL 用 RSA 交换对称密钥（混合加密），再用对称加密传数据。没有这套数论工具，就没有电商和网上银行——网景虽然死了，它留下的 SSL/TLS 至今保护着每一笔网上交易。

PageRank（Google，1996）：把互联网看成一个马尔可夫链

PageRank 的模型极其优雅：把网页看作节点、超链接看作边，假设一个"随机冲浪者"每次以概率 $d$ 沿链接跳转、以概率 $1-d$ 随机跳到任意页面。各网页的重要性就是这条马尔可夫链的平稳分布：

$$PR(u) = \frac{1-d}{N} + d \sum_{v \to u} \frac{PR(v)}{L(v)}$$

数学上等价于求转移矩阵的主特征向量，工程上用幂迭代反复乘到收敛。这个公式的天才之处：它把"网页质量"这个主观判断，转化成了图上的线性代数问题——这正是《数学之美》的核心思想在搜索上的复现（吴军本人就在 Google 做过搜索质量）。

Google 的第二张数学底牌是广告拍卖：AdWords 用广义二价拍卖（GSP）——出价最高者赢，但只付第二名的价格加一分。这来自博弈论里的 Vickrey/VCG 机制设计，让广告主有动力报真实估价。雅虎卖展示位是按"感觉"收钱，Google 按点击和转化收钱——算法把广告从品牌生意变成了可优化的数学问题，这就是两家公司命运分野的技术根源。

Transformer（Google，2017）：埋下今天浪潮的种子

《浪潮之巅》成书早于这一波，但 Google 2017 年的论文 Attention Is All You Need 提出了 Transformer：用自注意力机制替代循环结构，本质上是对序列中任意两个位置直接计算相关性权重，矩阵化之后可以大规模并行——这恰好完美匹配 GPU。历史开了个大玩笑：Google 发明了引爆大模型时代的算法，却被 OpenAI 抢先做成了产品——这几乎就是"IBM 发明关系模型、Oracle 收割"的 AI 翻版，再次验证了书里那句话：发明技术和站上浪潮之巅，是两回事。

六西格玛（摩托罗拉，1986）：统计学的工业应用

摩托罗拉发明的六西格玛质量管理，目标是每百万次机会缺陷数（DPMO）不超过 3.4。它基于正态分布：$\pm 6\sigma$ 覆盖了 99.99966% 的情形。数学上很朴素（均值、方差、控制图），但它证明了统计学本身就是一种可以卖到全世界的管理产品。讽刺的是，发明六西格玛的公司死于战略失误——质量控制救不了方向错误，再好的 $\sigma$ 也算不过趋势。

平面工艺与光刻（仙童，1959）：把"制造"变成"印刷"

仙童之前，晶体管是一根根手工连线的分立元件，规模上不去、可靠性差。赫尔尼的平面工艺用二氧化硅层做保护，配合光刻技术——像洗照片一样把电路图案"印"在硅片上；诺伊斯随即想到：既然能印，就可以把多个元件和连线一次印在同一块硅上——集成电路就此诞生。

这一步的意义在于：芯片制造从"手艺"变成了"可复制的印刷工艺"，良率可控制、规模可复制、成本可下降——摩尔定律之所以能以指数曲线走五十年，物理基础就是平面工艺这条产线。仙童留下的另一个"工具"是无形的：阿瑟·洛克设计的那笔投资（分期注资 + 管理层期权），成了现代风险投资交易结构的模板；员工持股也从这里开始成为硅谷的标配。制度设计和工艺一样，是可以被后来所有公司复用的发明。

梅特卡夫定律与 EdgeRank（Facebook）：图论 × 排序算法

Facebook 的护城河可以用一条经验定律刻画——梅特卡夫定律：网络的价值正比于节点间可能的连接数，即

$$V \propto \frac{n(n-1)}{2} \approx n^2$$

用户越多，关系链越密，迁走一个用户等于要他放弃整张关系网——这就是社交产品天然垄断的数学解释。

信息流排序早期用的是 EdgeRank，每条内容对某个用户的得分由三个因子相乘：

$$\text{Score} = \sum_{\text{edges } e} u_e \cdot w_e \cdot d_e$$

$u_e$ 是亲密度（你和发布者的互动强度），$w_e$ 是边权重（评论 > 点赞 > 浏览），$d_e$ 是时间衰减。这个公式后来被机器学习排序（GBDT，再到深度学习）取代，但"用户关系 × 内容类型 × 时效“的三因子结构至今仍是推荐系统的基本骨架。好友推荐则是图上的链接预测（共同好友越多，越可能认识——三角闭合原理）；后期还加上 DeepFace 人脸识别。可以说 Facebook 是把"人类社会关系"图论化、算法化最彻底的公司。

数据飞轮与端到端网络（特斯拉）：自动驾驶的方法论革命

特斯拉在算法上的底牌不是某个单点模型，而是一套数据飞轮机制：

flowchart LR
    A["车队影子模式<br/>人类开车时默默采集数据"] --> B["云端筛选<br/>高价值片段"]
    B --> C["训练神经网络<br/>Dojo 超算"]
    C --> D["OTA 下发<br/>车队升级"]
    D --> E["模型变好<br/>采集到更好的数据"]
    E --> A

FSD V12 更进一步：用端到端神经网络（传感器视频进、驾驶指令出）替代了三十多万行手写的感知-规划规则代码，同时配合 HydraNet（多头共享主干的多任务网络）和 Occupancy Network（占用网络，把三维空间体素化）。这和摩尔定律/香农公式是同一类启示：当一个领域可以从"手写规则"切换到"数据驱动"时，该领域的旧玩家积累会瞬间贬值——这正是 AI 大模型正在各行各业做的事。

3.3 一个值得记住的横向规律

把这些底牌摆在一起，能看到一个清晰的模式：

flowchart LR
    A["数学/算法突破<br/>信息论 · 关系模型 · PageRank<br/>RSA · Dijkstra · Transformer"] --> B["工具化<br/>UNIX · SQL · 浏览器 · 路由器"]
    B --> C["商业模式接住<br/>授权 · 广告拍卖 · 卖水"]
    C --> D["浪潮之巅"]
    A -.->|"缺了这一步"| E["贝尔实验室式悲剧<br/>发明无数，收割寥寥"]
    B -.->|"缺了这一步"| F["Sun 式悲剧<br/>Java 改变世界<br/>却没赚到钱"]

算法本身几乎从不直接赚钱——信息论、PageRank、Transformer 都是公开发表的；
赚钱的是把算法工具化、再用商业模式接住的那一步；
所以对程序员创业的真正启示是：盯紧公开的算法突破（它们是免费的），竞争发生在工具化和场景化这两层——这正是今天 AI 应用创业的主战场。

四、浪潮的幕后推手：风投、投行、斯坦福、印钞机与金融风暴

前面十三章讲的是浪尖上的公司。《浪潮之巅》后半部分把镜头拉远，讲了造就浪潮的生态系统：钱从哪来（风险投资）、怎么退出变现（投资银行）、人才和点子从哪来（斯坦福大学）、什么样的生意最赚钱（印钞机商业模式）、以及整个系统什么时候会崩（金融风暴）。这部分对想创业的程序员其实比公司故事更实用——因为公司故事你只能旁观，生态规则你却天天在用。

4.1 风险投资：浪潮的放大器

内容：现代风险投资正是从仙童那笔投资（阿瑟·洛克牵线）开始的，此后红杉资本（投了苹果、思科、雅虎、Google）、KPCB 成为硅谷的造王者。VC 的运作结构是：

flowchart LR
    A["LP 有限合伙人<br/>大学基金/养老金/富豪<br/>出钱不干活"] -->|"注资"| F["风险投资基金<br/>10 年周期"]
    G["GP 普通合伙人<br/>基金管理团队"] -->|"管理"| F
    F -->|"分阶段下注<br/>天使→A→B→C"| S1["创业公司 A"]
    F --> S2["创业公司 B"]
    F --> S3["创业公司 C...N"]
    S1 -.->|"IPO / 并购退出"| R["收益分配<br/>LP 拿 80%<br/>GP 拿 20% 分成 + 2% 管理费"]
    S2 -.->|"大概率失败归零"| X["幂律分布：<br/>1-2 家赚回整个基金"]

规律：

VC 不是发明家，是放大器——它只押注浪潮方向，然后在方向上批量下注；
收益服从幂律分布：一个基金投二三十家，绝大部分平庸或死掉，靠一两家百倍回报回本。这决定了 VC 只投"天花板足够高"的生意——你的生意如果做大了也只有几亿市值，VC 不会感兴趣，这不丢人，只是不匹配；
拿 VC 的钱 = 签下对赌：烧钱换增长，赌的是 exit（上市或被收购）。

AI 时代的新思路：

AI 时代的 VC 出现了新变体：算力换股权——微软投 OpenAI 的对价大部分是 Azure 算力额度，投资款又以云服务消费的形式回流。创业者拿谁的钱，就绑定了谁的生态，这个决策比估值高低更重要；
AI 杠杆让单家公司需要的资本大幅下降（三个人 + 大模型能干过去三十个人的活），天使轮/A 轮的逻辑正在被重写：不缺钱的项目可以更晚融资、要更好的条款；
对个人的启示：理解幂律也适用于职业选择——你加入哪家创业公司，本质就是把自己的时间当成 LP 出资，要选那个"成了能改变量级"的池子。

4.2 投资银行：科技公司变现与退出的管道

内容：投行是科技公司和公开市场之间的管道：承销 IPO（定价、路演、分销股票）、撮合并购。书里对投行的评价是"成也萧何，败也萧何”——没有投行，科技公司无法变现、创始人和员工的股票无法变成真金白银；但投行为了佣金也有动力吹大泡沫（2000 年互联网泡沫里，投行把一堆亏损公司包装上市）。

创新工具与数学：

估值工具：DCF（现金流折现）、可比公司倍数——给"未来"定价的一套话术体系；
Google 的荷兰式拍卖 IPO（2004）：Google 不信任投行定价，改用拍卖机制让市场竞价决定发行价——这本身是博弈论机制设计的应用，绕开了投行压价分给机构客户的潜规则。

AI 时代的新思路：

AI 公司给投行出了新难题：模型能力和数据资产怎么估值？ 传统的 DCF 和可比倍数面对"三个人的团队年入一亿美元"（如 Midjourney 这类案例）已经失灵——估值锚在漂移，既是混乱也是机会；
创业公司要提前想好退出路径：是上市（需要规模和合规），还是被收购（需要战略价值）。AI 时代"被巨头收购"的路径更短——很多团队冲着 acquihire（人才收购）去创业，这本身也是一种理性策略。

4.3 斯坦福大学：硅谷的人才与创新发动机

内容：硅谷之所以在硅谷，而不是在波士顿 128 号公路（当年东海岸科技更发达），很大程度上因为斯坦福。特曼教授（Frederick Terman）鼓励师生创业，促成了惠普的车库传奇；斯坦福工业园把土地租给科技公司，让企业和学校物理上长在一起；**技术许可办公室（OTL）**让教授的发明可以系统性地授权给公司。雅虎、Google、思科、Sun——书里一半的主角都是斯坦福师生创办的。背后还有一个制度工具：美国 1980 年的 拜杜法案（Bayh-Dole Act），允许大学持有联邦资助研究的专利并对外授权，一举打通了"国家出钱研究 → 大学持有专利 → 企业付费转化"的链条。

规律：

大学对产业的贡献不是发论文，而是制度设计：让人才能自由流动（教授可以停薪留职创业）、让成果能合法变现（OTL + 拜杜法案）；
对比之下，东海岸高校把发明锁在专利柜里，128 号公路最终被硅谷超越。

AI 时代的新思路：

这波 AI 浪潮里，大学的位置明显弱化——算力和数据都在工业界，顶尖人才从大学流向 OpenAI 和各大厂实验室。创新的源头正在从"大学 + 公司"双引擎变成公司单引擎；
对程序员个人的启示：如果你没有斯坦福，就自己建一个"微生态"——开源社区、技术社群、行业人脉就是个人的 OTL。在 AI 时代，个人的技术影响力（GitHub、博客、开源项目）是可以直接变现为机会的资产。

4.4 印钞机：什么样的商业模式最赚钱

内容：书里专门有一章讨论"印钞机"式的商业模式——一旦建成，不需要太多人工干预就能持续自动赚钱的系统：

印钞机类型	代表	为什么能自动印钱
广告自动匹配	Google AdWords	广告主自助竞价投放，无需销售员，边际成本趋零
平台抽佣	eBay、亚马逊	交易由买家卖家自己完成，平台只收过路费
直销+按单生产	戴尔	先收钱再生产，负营运资金，别人替它垫资
软件授权	微软	复制成本为零，多卖一份就是纯利润
虚拟商品	腾讯	虚拟道具边际成本为零，毛利率极高

判断标准（自查清单）：能不能自动化运转？边际成本是否趋近于零？能不能无限规模化？有没有自增强的网络效应？——四条全中的才是印钞机，缺一条就是苦生意。

AI 时代的新思路：

AI 让"印钞机"民主化了：一个人 + 一组 Agent，可以运营过去需要一个团队才能跑的自动业务（内容站群、自动客服、自动交易撮合），“一人公司"第一次成为现实选项；
但有个关键不同：软件复制的边际成本是零，大模型推理的边际成本不是零（每一次调用都烧 GPU）。所以 AI 时代的印钞机要重新设计定价——从包月订阅走向按量付费、甚至按结果付费（outcome-based pricing：AI 客服按"成功解决的工单数"收费）。谁能设计出"推理成本可控 + 按价值收费"的结构，谁就造出了新一代印钞机；
警惕伪印钞机：如果你的"自动化"背后要靠大量人工审核兜底（内容安全、幻觉纠错），那你不是印钞机，是外包公司。

4.5 金融风暴：潮水退去时谁在裸泳

内容：书里复盘了 2008 年金融危机的链条：房贷打包证券化（MBS/CDO）→ 层层加杠杆（投行杠杆高达 30 倍以上）→ 评级机构失灵 → 雷曼兄弟倒闭。对科技业的影响则是：泡沫破裂反而加速了洗牌——手握现金的微软、Google 安然过冬，靠融资续命的公司批量死亡。

背后的数学工具（反面教材）：危机的技术根源之一是高斯 copula 模型（李祥林模型）被华尔街滥用——它假设各笔贷款的违约相关性服从正态分布，严重低估了"一起违约"的尾部风险。模型本身没有错，错的是把模型假设当成了现实。这个教训对所有做模型的人（包括今天的 AI 从业者）都成立：模型的输出只在假设成立的范围内有效。

AI 时代的新思路：

危机是最好的创业窗口：Airbnb（2008）、Uber（2009）、WhatsApp（2009）都诞生在金融危机期间——资本贵、人才便宜、竞争少。如果 AI 投资热退潮，恰恰是真创业者的好时候；
现金流纪律：书里的幸存者是现金储备厚的公司。AI 创业同理——推理成本是持续出血点，毛利为负的增长是自杀，runway 永远比增长率重要；
当下 AI 数据中心军备竞赛与 2000 年光纤泡沫的对照值得每个从业者想一遍：2000 年铺的光纤没有白铺（后来都成了互联网的地基），但铺光纤的公司死了一大批——技术判断对了 ≠ 投资判断对了。参与浪潮的方式有很多种，押错位置照样出局。

五、把规律汇总：一张图看 40 年的浪潮更替

timeline
    title 信息技术浪潮更替（《浪潮之巅》视角 + AI 时代延伸）
    1957 : 硅谷起点 : 八叛徒创立仙童 : 集成电路 + 风险投资诞生
    1960-1980 : 大型机时代 : IBM 独大 : 贝尔实验室发明晶体管/UNIX
    1980-1990 : 个人电脑时代 : 苹果开创 : 微软+Intel 收割（Wintel）
    1995-2000 : 互联网时代 : 网景点火 : 思科卖水 : 雅虎定义门户
    2000-2010 : 搜索与Web 2.0 : Google 登顶 : 泡沫破裂洗礼
    2004-2014 : 社交网络 : Facebook 垄断社交图谱 : 特斯拉开启电动化
    2007-2018 : 移动互联网 : iPhone 重新定义一切 : 诺基亚/摩托罗拉出局
    2016-至今 : 云计算与AI : 微软Azure翻身 : 英伟达成为新Intel
    2022-未来 : 大模型时代 : OpenAI点火 : 格局未定 : 新生态位待抢

从这张图能看到几个事实：

每一波浪潮的主角，上一波都不存在或不成气候——PC 时代的微软、互联网时代的 Google、移动时代的苹果（重生）、AI 时代的 OpenAI，都是新公司或"重生公司”；
浪潮间隔在缩短：大型机 20 年，PC 15 年，互联网 10 年，移动 10 年，大模型这一波可能 5-8 年就完成格局固化；
每一波都有"卖水人"：Intel（PC）、思科（互联网）、英伟达（AI）——卖水人比淘金者活得久。

六、我的思考与感悟

6.1 浪潮不是运气，是可以识别的

读完这本书最大的安慰是：浪潮来时是有信号的——技术突破（大模型通过图灵测试级别的对话）、成本骤降（推理价格两年降了 100 倍）、基础设施就绪（云 + GPU + 开源生态）、杀手应用出现（ChatGPT 两个月破亿用户）。2022 年之后，所有信号都齐了。识别浪潮不难，难的是承认自己所在的是旧浪潮——这对在传统软件行业干得好好的程序员尤其残酷。

6.2 “基因决定论"也适用于个人

书里说公司转型难是因为基因。我想到程序员个体也一样：写了十年 CRUD 的人，不是学不会 AI 应用开发，而是看问题的基因已经固化——习惯想"怎么实现需求”，不习惯想"模型能做到什么边界、边界外怎么兜底"。转型不是学几个 API，而是换一种思考方式：从"确定性编程"转向"概率性系统设计"。

6.3 每一波浪潮最大的悲剧都是同一个

网景的悲剧是"帮巨头验证市场"，Sun 的悲剧是"有影响力没变现"，雅虎的悲剧是"把核心能力外包"。这三个悲剧在 AI 创业圈每天都在发生。我给自己列了三个自查问题：

如果明天模型能力提升 10 倍，我的产品是更值钱还是归零？（归零的就是网景型产品）
我的核心差异化，是在我手里，还是在模型厂商手里？（外包了核心的就是雅虎型产品）
我现在的收入，会不会变成阻止我转型的诺基亚式诅咒？（旧业务越舒服越危险）

6.4 对"程序员创业"最现实的一句话

《浪潮之巅》里所有成功的技术创业，无一例外是：技术突破 × 正确的时机 × 匹配的商业模式。程序员往往只有第一个，高估第一个，低估后两个。盖茨赢不是赢在 BASIC 写得好，是赢在"授权不转让"的商业模式；Google 赢不只是赢在 PageRank，是赢在 AdWords；思科赢在"互联网淘金热里卖水"。

AI 大模型时代对程序员创业最大的利好是：技术门槛被模型拉平了——你不需要是佩奇才能做出聪明的产品。但这也意味着竞争的焦点彻底移向了商业模式和场景理解。这对只懂技术的程序员是坏消息，对愿意补齐商业思考的程序员，是几十年一遇的好消息。

七、给程序员的行动清单

综合全书规律和 AI 时代的现实，我自己的行动清单：

flowchart TD
    A["识别自己在浪潮中的位置"] --> B{"你的产品是哪种类型？"}
    B -->|"卖水型<br/>基础设施/工具链"| C["深耕<br/>这是最长命的位置"]
    B -->|"垂直应用型<br/>行业+AI"| D["挖深护城河<br/>数据/资质/交付"]
    B -->|"功能套壳型"| E["立刻转型或止损<br/>这是网景的命运"]
    C --> F["警惕云厂商下场<br/>往深水区走"]
    D --> G["警惕巨头捆绑<br/>做平台不方便做的事"]
    E --> H["把积累的认知<br/>转向 1 或 2"]

具体建议：

不要把时间花在套壳上，花在"模型 + 行业数据 + 工作流"的耦合处；
保持对基础设施层的关注（卖水人最长寿），哪怕不创业，职业方向上也值得靠；
每 18 个月做一次摩尔定律自查：我的技能和产品，跟上模型能力的进步了吗？
学盖茨的商业模式思维，学格鲁夫的断腕决断，学安德森的快速转身——这三样比学任何框架都重要；
记住浪潮的窗口期：格局固化（70-20-10）之前的窗口大约是 5-8 年。大模型这波从 2022 年算起，留给新玩家的窗口还有，但在收窄。

八、结语

吴军在书里写过一句话（大意）：在浪潮之巅的公司，不是最努力的，而是最幸运的——恰好站在了浪尖上。 但通读全书你会发现，“幸运"其实有结构：站在浪尖的公司，都是在新旧浪潮交替的混沌期就下了注的公司——盖茨在大型机向 PC 过渡时下注，佩奇在门户向搜索过渡时下注，乔布斯在 PC 向移动过渡时下注。

今天的 AI 大模型，就是这样一个新旧交替的混沌期。窗口开着，但不会一直开着。

这本书值得每个程序员读一遍，而且每隔几年重读一遍——因为你所处的浪潮位置变了，读出来的东西会完全不一样。

延伸阅读：

吴军《数学之美》——同作者的技术方法论，笔记见本站《数学之美》学习总结

Paul Graham《黑客与画家》——创业方法论的另一极，笔记见本站《黑客与画家》创业学习笔记