Ren

最好的销售，不让你感觉被销售 逛宝格丽，跟柜姐说买不起 她说"没事，我也买不起，咱俩一起看" 去 4S 店，跟销售说预算不够 他说"没关系哥，这车我自己也买不起，但我可以给你讲讲" 约客户吃饭谈合作 先从他最近在追的剧聊起 1. 销售的本质不是让人掏钱，是让人放下防备 2. 你越急着成交，对方越想跑 3. 你越不像在卖东西，对方越想买 4. 最贵的东西从来不靠推销，靠口碑和信任

@lifesinger 人类当然可以写的更好，但以ai的信息收集和文字编排能力，效率是人类的好多倍

如果一篇文章 不是 AI 写的 都没啥兴趣看了 AI 的质量 高人类太多

风口不是等来的 是那些胆子大的人先跳下去试出来的 17 年柯洁输给 AlphaGo 全网喊 AI 时代来了 如果那时你买了英伟达，到现在已经70倍了 你现在还在观望吗？

@Stanleysobest 欧洲高校云集，一些startup人才是有的，但是环境不行

说个暴论： AI年代， 只有中国和美国能玩！

@realCaigu wtf man

哈哈窝在出租屋里的阴湿宅男睡觉前手冲完之后的幸福意淫罢了🤣

@not_racc 原来波屯也有樱花

是我在广东没有见过的春天啊哈哈哈

@lidangzzz 怕被网暴吧

张雪峰的遗孀现在最应该做的事情， 是立刻把公司彻底关掉，把钱和股东们分了，把员工N+1付了，剩下的客户全部退款， 把剩下的钱拿在手里，等anthropic和OpenAI上市后全部买股票，剩下什么都别管了。 结果她居然眼睁睁看着公司员工使劲儿折腾，假装上班，推出个山寨版继续挣钱，直到把公司钱花完为止。 太愚蠢了，最后张雪峰的遗孀只能看着公司员工们表演上班一两年，钱花完了，直接关门解散。

@longdechen12 哥们抬举了，入门文章 ，等以后粉丝多了发点更干的

@FakeMaidenMaker 哈哈哈突然想起来你的文章，我收藏了还没学🤣

@longdechen12 分析的真好

@rwayne 都怪马桶没吸力

一个很冷的知识是 大部分痔疮，尤其是年轻人 病因都是因为上厕所刷手机导致的

@yungui_ml 很高兴我的分享对你有价值

看了不少 hermes 的技术文，还是这种直接明了的对比更容易被记住。

@Jaden_riku 看来做产品审美非常重要啊，这种无法简单描述但就是让人用起来感觉很舒服的小设计有时才是产品的核心竞争力

@rwayne 真实，有的时候摸鱼熬下班比干活还累

其实上班最舒服的不是摸鱼 而是一直有活干 但是这个活儿呢，得是能按着你的节奏走 不催不急，该干干该喝水喝水 该下班下班的那种 假装有活干才是最累的

@shao__meng @CreaoAI @intuitiveml 说得好啊 每个人都应该培养自己的AI-原生思维； 所有团队反思自己的架构，自己的工作流是否是以 AI 为主要生产者来构建的。 如果不是，那么 AI 的效率再高，也往往会被组织架构的落后而被限制住。

CEO/CTO/团队管理者们，给团队人手一个 AI 助手就自认为 AI-First 了？ @CreaoAI 联创/CTO @intuitiveml 的 "AI-First" 工程转型写的很有深度，推荐朋友们阅读。 AI-First ≠ 使用 AI ！ 大多数公司只是把 AI "塞进"到现有流程（AI-assisted），效率提升 10-20%，但结构未变。真正的 AI-First 是彻底重构流程、架构和组织，让 AI 成为主要构建者，人类负责方向和判断。 关键差异：从 "AI 如何帮助工程师"转向"如何重构一切让 AI 做构建，工程师做指导"——这是乘法效应 vs 加法效应的区别。 三大瓶颈与破局 · 产品管理： · 传统模式：数周调研规划 → 2小时构建 · AI-First 模式：PM 转型为"产品架构师"，用原型-测试-迭代循环替代文档评审 · QA测试： · 传统模式：2小时构建 → 3天人工测试 · AI-First 模式：AI 构建测试平台，验证速度与实施速度匹配 · 人员规模： · 传统模式：竞争对手100倍人力 · AI-First 模式：25人通过系统重设计实现产出对等 设计、实施、测试三个环节必须全链路 AI 化，任何单一环节保持人工都会成为新瓶颈。 技术架构：为 AI 可读性而设计 最激进的决策是统一为 Monorepo (@dotey 宝玉老师也强调过这一点) ——不是为了人类工程师方便，而是让 AI 能"看见"完整系统图景，进行跨服务推理和本地集成测试。 这也符合 OpenAI 提出的 "Harness Engineering"：工程团队的首要任务不再是写代码，而是构建让 AI 有效工作的能力体系。当出错时，解决方案不是"更努力"，而是"缺什么能力，如何让 AI 清晰理解和执行"。 技术栈详解：六层闭环系统 1. 基础设施层：AWS + CloudWatch（结构化日志，25+告警，AI 可查询） ↓ 2. CI/CD 层：GitHub Actions（六阶段流水线，零手动覆盖） ↓ 3. AI 代码审查：Claude Opus 4.6（三通道并行：质量/安全/依赖） ↓ 4. 自愈反馈环：每日健康报告 → 错误聚类 → 自动工单 → 修复验证 → 自动关闭 ↓ 5. 功能管理：Statsig（功能开关 + A/B 测试 + 熔断回滚） ↓ 6. 协作层：Graphite（PR 队列）+ Sentry（异常监控）+ Linear（人工界面） 新工程组织：两种角色 · 架构师（1-2人）：设计 SOP、测试基础设施、系统边界、定义"好"的标准；要求深度批判思维，质疑 AI 提案，发现遗漏的失败模式和安全边界 · 操作员（其余人）：调查验证、UI 精修、PR 审查风险；要求技能与注意力，无需传统架构推理能力 反直觉发现：初级工程师适应更快——没有十年习惯需要摒弃；资深工程师最难接受——两个月工作可被 AI 一小时完成。 变革后的成果数据 · 部署频率：14天内日均3-8次生产部署（旧模式两周无法完成一次发布） · 决策速度：坏功能当天上线当天下线，新功能当天构思当天上线 · 质量指标：用户参与度、支付转化率均上升（反馈循环收紧带来的质量提升） 给我们的启发 · 对工程师：代码产出价值递减，决策质量价值递增。产品品味（Product Sense）和批判性思维成为核心技能。 · 对 CTO /创始人： · 若 PM 流程耗时超过构建时间，先重构 PM 流程 · 扩展 AI 前必须先构建测试驾驭体系（快 AI+慢验证=快速技术债务） · 从1个架构师开始，证明系统可行后再扩展 · 推动全职能 AI Native（工程、产品、市场、增长一体化） · 对行业：Harness Engineering 正成为标准——结构化上下文、专业化 Agent、持久记忆、执行循环。模型能力是驱动时钟，Opus 4.5 到 4.6 的跃升促成了 CREAO 的整体转型。

每个人都应该培养自己的AI-原生思维； 所有团队反思自己的架构，自己的工作流是否是以 AI 为主要生产者来构建的。 如果不是，那么 AI 的效率再高，也往往会被组织架构的落后而被限制住。

@intuitiveml We should all actively cultivate AI-Native thinking. Teams need to review their workflows and identify areas that are not AI-Native enough.

@XianyuLi coding除了/design和/plan其他已经全包给codex啦，除了他说话有点讨厌，便宜大碗好用没话说

最近体感上说实话 尤其写代码 Claude code不如codex

我把主流 AI 全买了一遍，说说真实感受 GPT：什么都懂但缺乏思考和情商，适合做执行层面的工作 Claude：做产品和设计最强，真的像一个高级员工在帮你干活 Gemini：搜索整合最猛，Deep Research 比其他家好用一档，配合 Google 生态无敌 Grok：X 数据是独家优势，分析推文和热点最快 Claude + GPT：程序员的终极组合，写代码效率提升 10 倍不夸张 工具没有最强，只有最适合，如果只能选一个，你会选谁？

咱们国人最爱听的四个故事： 1. 白手起家 2. 年少有为 3. 草根逆袭 4. 大器晚成 你随便挑一个包装自己，流量就来了 为什么？ 因为四个故事本质上讲的都给了普通人希望： 既然我可以，那你也可以