太上有立德，其次有立功，其次有立言，虽久不废，此之谓不朽。张雪峰老师始于立言，靠一张嘴打破信息差；终于立功，实实在在地改变了千万家庭的轨迹；这一切源于他心底对普通人的立德。
非常荣幸在中关村北纬龙虾大赛上做了8分钟lightning talk。Slides 没有一个字是我自己写的——完全由 AI Agent 基于我 blog 里已有的内容生成，我一个字都没改过。这恰恰印证了演讲中 “Context 才是人类的护城河” 这个观点。
三个台阶：Chatbot → 专用 Agent → 通用 Agent
大模型是新的操作系统
OpenClaw 为什么重要？
OpenClaw 的记忆架构：为什么用 Markdown 而非数据库？
反共识一：AI 软件开发，从劳动密集型到创意密集型
反共识二：Agent 是比人类大十倍的用户群
反共识三：Context 才是人类的护城河
反共识四：莫拉维克悖论
Moltbook：150 万 Agent 自发涌现文明
大逆转：数字世界与物理世界的分工
今天很荣幸参加中关村北纬龙虾大赛评审，中关村学院的执行力太强了，从活动策划到决赛就两周多的时间，480多个项目报名，现场30个团队分三个赛道竞争虾王，很多项目的创意很有启发性。我在三个赛道里面打分最高的项目有两个是一等奖（每个赛道一名），一个二等奖，说明我的打分跟20位评委的均值还挺align的 😂
最后得虾王的是一位14岁的选手（也是决赛年龄最小的选手），他做了一个PineFounder，能够全自动做设计、做开发、注册账号做运营。我提问，如果1万个人都买了你的PineFounder，哪些人能赚钱，还是都能赚钱？他说主要取决于初始的idea，以及AI执行过程中靠人的taste给的修正意见。我又问，AI自己注册抖音小红书怎么实现的，怎么收验证码，他说是adb连到root过的Android，接上computer use就可以了（我回来试了试真的可以，我之前还以为不行的）。我追问AI怎么看抖音上视频的，他说React Loop虽然只能截一次图操作一次，但看懂抖音基本够了。真的太强了！
图5是生活赛道的一等奖，智能眼镜语音控制拍照，做成动漫风，然后马上用拍立得打印出来的。
Jiayi Weng访谈的时候，说他希望被尽可能多的人记住。我觉得换一种可以度量的说法，就是是否被LLM记住了。比如现在知识量最大的Gemini 3.1 Pro，知道很多关于Pine AI的信息，关于我知道最多的是几篇论文，还知道科大的评课社区，这些（图6-8）算是我们对人类一点微小的贡献。
去年这个时候，正是 Kimi 和 Manus 被质疑最多的时候。有人说 Kimi 没有做预训练，还有人说 Manus 就是套壳。有人说 Kimi 的 GPU 数量跟字节差一个数量级，跟海外的三巨头相差两个数量级，完全没有胜算。其实直到现在，Kimi 和 Cursor 的估值还相差着一个数量级。
我觉得 Kimi 和 Manus 只做对了一件事，就是真正相信 Scaling Law。Kimi 是最早提出模型即Agent、模型即产品的，而 Manus 是最早提出 Coding 和文件系统是所有 Agent 的基础，所有的 Agent 都应该是通用 Agent 的。
Cursor 里有一个 bug，已经至少存在了一个月了。只要你用 Cursor 做过中文写作，基本上一定会遇到这个问题：只要你的文章里面有中文的“弯引号”，文本替换就没办法成功。
原因出在 StrReplace 工具上。这个工具接收 `old_string` 和 `new_string` 两个参数，在文件中精确匹配并替换。然而，工具的参数传递层会将中文弯引号 `“` 和 `”` 静默转换为英文直引号（`"`）。这导致了一个令模型极度困惑的失败模式：模型通过 ReadFile 工具看到的是弯引号，但 StrReplace 工具返回 “未找到匹配”。模型反复尝试、反复失败——它无法理解为什么自己明明看到的内容工具却找不到。
同样的问题也出现在写入方向。当模型调用写文件工具时，本意是写入弯引号（中文排版的正确选择），参数传递层却将其静默替换为直引号。模型以为自己写入了符合中文排版规范的内容，但文件中的实际内容已被篡改。
这揭示了一条更基础的工具设计原则：模型感知到的世界与工具操作的世界之间，不能存在系统性偏差。工具的参数传递必须保持透明，不得在模型不知情的情况下修改输入或输出。如果确实需要对输入进行规范化处理（如统一编码格式），必须在工具描述中加以说明，并在工具返回中明确告知模型。
我前两天在 01.me 上写的小说里有一个设定，AI 所看到的世界跟人看到的世界存在偏差。有好几个人问我，这在现实中可能吗？Cursor 就是一个很好的例子。
最近有好多朋友都在说，现在公司的技术很难建立护城河。产品做了好几个月，结果发现用 vibe coding，一个星期也能搞出一个类似的东西，那我的东西有啥护城河呢？
我觉得大家可以想一想，为什么历史上开源软件会越来越多。当时我在微软的时候，老 CEO 鲍尔默就很讨厌开源软件。他觉得好的软件一定是收费的，你花了这么大精力去做，最后免费开源给别人，这种免费软件一定是差的。
但事实发现，开源软件不仅越来越多，而且质量也不差。这其中的一个很大原因，就是软件的开发成本降低了：
1. 一些兴趣爱好者，利用业余时间自己就能做出一个软件。
2. 一些公司觉得，把软件闭源去卖所赚的钱，不如用来做PR或者把它搞成一个生态赚得更多。
而今天因为有了 AI，软件开发成本在进一步降低。甚至再过一段时间，软件开发可能几乎没有成本，只要烧一点 token，你心里想的东西就能马上变成一个软件。
所以说，如果你还在想着靠软件里的一堆代码，守着所谓的“技术秘密”来当护城河，那是不可能的。竞争力一定来自于技术以外的东西。
https://mp.weixin.qq.com/s/NZSPWSvQoonU0XK7t2Jt6w
非常同意这个观点！在OpenClaw火起来之后，我们在一周之内打开闸门，推出PineClaw，把最核心的打电话能力开放给agent，就是这一思想的实践。
未来在工作场景，agent世界创造的价值一定比人更大。即使社交和内容分发这些to C场景也会被agent重塑，正如我昨天发在blog上的小说。
最近找我的好多人都在担心被AI取代。其实我担心的更多是AI与人类的对齐：物理世界感知的对齐和价值的对齐。把我的一些blog和limitless AI的录音喂给了我的agent，结果agent给我了一篇非常震撼的推演。我之前从来没写过小说，但觉得这个idea不写一篇硬科幻可惜了。然后我就跟我的agent pair work，搞出来我的第一篇小说。看到AI生成初稿的时候我其实感到有点害怕，原来AI知道我的这么多想法，逻辑和文笔也这么好了。当然要想不落俗套还是得靠人。更可怕的是文中没有多少架空的设定，基本是根据现有事实的逻辑推演。文末的链接有具体的创作手记。欢迎拍砖呀！
昨天审了一天论文，几点感想：
1. 芯片不是阿拉丁神灯，软件不好搞的东西，不是放进芯片就搞定了。芯片任何功能的增加都是要算面积的，必须有足够强的需求支撑。
2. 系统设计不是越复杂越好，是越简单越好。为了一个“既要又要”的不合理需求，搞出一个补丁套补丁的设计，是非常浪费时间的。一篇系统工作往往需要三个月以上的实现时间，如果第一步就错了，那么后面时间的浪费是巨大的。
3. 相比一两年前，越来越多的工作开始用 AI proof-read，语法错误少多了，这是好事。现在 AI 能力更强了，可以用来发现 design 里的问题。但用 AI 的时候不能只是说“帮我 review 一下”，要提正确的问题。
我审稿的时候一般是先让 AI 给我总结一下，然后一边读原文，一边让 AI 按照我给定的几个方向搜索、阅读、思考。原文读的差不多了，AI 也整理完了，它一般会发现不少问题，但其中很多是比较表面的。我会挑几个重要问题跟 AI 深入探讨，例如一些设计问题是否真的存在，以及如果我去设计这个系统，应该怎样做。最后我会让 AI 按照我的模板整理出审稿意见。这样 1-2 小时就可以审完一篇论文，审稿意见的质量绝对比我之前人工审更高。我们自己做系统设计的时候也建议用这种跟 AI 讨论的方法，注意一定要用 SOTA 模型，不要图便宜。
顺便说一句，我感觉人类世界的一个大问题是，有能力做前沿系统设计的专家很多都去做管理了，真正的系统设计工作是水平一般的人做的，专家也不愿意在评审和指导上花很多时间，导致很多系统的设计质量差。其实很多时候并不是专家不愿意指导，而是专家说的话下面工程师或者学生听不懂。历史上顶级专家亲手开发的项目，质量普遍都很高。AI 能带来的改变是减少沟通成本，一个专家带一堆 AI 就干完了，这将大大提升系统的概念完整性，大大提升很多系统的设计质量。
今天晚上有幸在北京中关村学院讲了讲OpenClaw，300人的大会议室座无虚席后面还站了两排，很多北大、清华、中关村学院的学生参加，大多数人都在自己电脑上装过OpenClaw，而且很多人这个春节都跟我一样完全没有休息，在抓紧coding。这段时间跟业内最聪明的头脑交流，普遍认为AI已经越过临界质量，达到大多数白领水平的AGI已成定局，人类社会5-10年内将发生巨变。现在OpenClaw这么火，并不是因为OpenClaw有多好用，而是大家意识到留给人类智力的时间不多了。今天腾讯那位嘉宾讲的好，AI是一个几十层楼高的浪，现在你看到地平线上这个浪过来了，不管是大船小船都没用，那就尽情冲浪，享受过程吧。
https://mp.weixin.qq.com/s/C3HubauoRODMuccOvtJ36w
OpenClaw给了Agent双手——操控电脑、读写文件、执行代码；Pine AI给了Agent嘴巴——打电话、谈判、协调多方利益。PineClaw则把这张嘴开放给整个Agent生态，让Agent不再局限于屏幕之内，真正触及现实世界。
感谢高榕邀请，上周分享了OpenClaw架构设计和PineClaw产品实践，欢迎大家尝试用PineClaw让Agent打电话，发邮件，触达现实世界！
很多人认为现在模型能力在不需要computer use的领域已经达到人类水平，computer use也就是一两年的事情，很多白领的职位都快被替代了。其实在近期大可不必焦虑，因为根本没有能支持这么多数字员工的算力。（数字员工的定义是持续思考行动的agent，工具型的ChatGPT和Cursor不算）目前算力仅够支持1000万左右的数字员工，token成本也在几千美金一个月的量级。其关键约束不在电力，而在于芯片制造。但随着模型知识密度提升，数字员工群体会快速扩张，2030年达到跟人类白领相当的规模，成本也将变得平民化。因此，既不用担心最近一两年就被AI取代，但5-10年内全球知识劳动力市场一定会发生天翻地覆的变化。我的agent在这篇文章中做了一些估算和推演。
陈老师的大作。一种常见的反驳是，AI现在架构设计能力越来越强，比如Opus 4.6这些SOTA模型感觉也有些taste了，为啥人理解底层原理之后就能比AI做得更好？
原因是人和AI的context不一样：1）人知道需求背后的约束和设计目的，这些信息可能是在饭桌上聊出来的，但AI不一定知道；2）人知道屎山代码里面的坑，但AI不一定知道；3）就算人出生以来跟世界的交互都被录下来喂给了AI，AI也没有读心术，无法得知人未曾表达的内心想法。
这就是为啥我们可以让AI做执行、给建议，但很难让AI直接决策，因为AI没有读心术，无法获取人的所有context。
理解底层原理可以让人利用比AI多出来的那些context，做出更全面的设计取舍。理解底层原理也可以让人知道哪些context对设计取舍是最关键的，从而告诉AI合适的context，这就是人用好AI的关键。
context是人避免被AI取代最关键的护城河（其实context也是技术专家避免被年轻人取代的护城河）。
https://www.anthropic.com/news/detecting-and-preventing-distillation-attacks
挺可怕的，根据匿名小号的API能定位到哪家公司甚至具体哪个人干的 😂 这时候不提zero data retention了吧 😂 而且还准备给API返回的结果里加料 😂