ocde

老黄说，未来工程师薪资里面包含token预算，用来把他们的产出放大10倍。 听起来还挺赛博朋克的，把思考能力变成了一种可以被分配的资源。 据我所知，腾讯和其他大厂已经是这样了，公司包token，单人每月至少得花几百或者上千，处于一个没有大模型就干不了活的状态，小公司的话可能会自费。 如果这个体系成立，就是人 + Agent，这就会产生一个分化，你会不会用token创造回报？ 这就会带来新的社会分化了，有人拿到token，可以不断放大产出，形成复利；有人拿到token，只是在消耗，这就取决于认知能力本身了 那可能会形成一个正反馈，你拥有的token越多，能调动的agent越多，能完成的任务规模越大，积累的成果就越快， 反之，没有AI辅助的人，就像是波兰的骑兵遇到坦克，是赤手空拳进入机械化战场的血肉之躯。

传说中的DeepSeek天才少女、雷军千万年薪挖角的罗福莉也开始发推了。 帖子里最生动的段落是关于她第一次使用复杂 Agent 脚手架的经历。她用的词是：orchestrated Context，编排过的上下文，我理解就是现在比较火的 Harness Engineering。 她说第一天就被震惊了，然后试图说服团队去用，没成功，于是下了一个硬性命令： > MiMo 团队里，明天对话数不到 100 条的人，可以辞职了。 这个管理风格相当激进，但有效。一旦团队的想象力被 Agent 系统的能力点燃，这种想象力就直接转化成了研发速度。 一方面确实霸气，一方面也让我有点意外，原以为大模型团队应该是更积极拥抱这种从传统 Chat 模型到 Agent 模型范式变化的。 其他都是“干货” 1. 提前押注的架构优势 1T 底座模型几个月前就开始训练了，当时的目标是长上下文推理效率。采用了 Hybrid Attention 机制（混合注意力，简单说就是不让所有 token 都互相关注，而是让一部分用全局注意力、一部分用局部注意力，大幅降低计算成本），支持百万 token 上下文窗口，加上 MTP 推理层（Multi-Token Prediction，一次预测多个 token 而不是一个一个蹦，推理延迟和成本都大幅下降）。 这些架构决策在当时并不时髦，但它们恰好成了 Agent 时代的结构性优势。 2. 为什么 MiMo 团队能这么快 罗福莉在做 DeepSeek R1 的时候亲眼见证过的真实总结： — 基座与基础设施研究周期很长。你需要在它产出回报的一年前就有战略定力。 — 后训练的敏捷性是另一种能力：靠产品直觉驱动评估，压缩迭代周期，及早捕捉范式转换。 — 还有那些不变的东西：好奇心、敏锐的技术直觉、果断的执行力、全力以赴。 以及一样很容易被低估的东西：对你正在为之构建的世界，发自内心的热爱。 3. 模型会开源的，等模型稳定到值得开源的时候。

这个世界的所有规则、规矩、道德、规训都是为底层人设计的。

乔治娜·罗德里格斯（C罗未婚妻）： “克里斯蒂亚诺早上6点起床，然后开始锻炼。他早上会喝很多水，因为他认为开启新的一天需要一个强壮健康的身体。” 然后他休息大约一个半小时，吃早餐（通常是水果、奶酪和鸡蛋），然后回到健身房。 他举重两个小时，然后休息一下。 下午，他会和家人或朋友一起放松。 最后，在睡觉前，他会去游泳，因为他觉得这是睡前很好的放松方式。

能用脚本就别用Agent。 今天早上发了那篇文章以后，有很多朋友跟我讨论。 发现大家问得最多的一个问题是，你天天说Agent和Skills是未来，那你自己平时干活是不是什么都丢给Agent？ 我说实话，还真不是。 正好借这个机会我再补充一下，因为我发现这是一个很普遍的误解。 很多人一听Agent厉害，就想把所有事情都交给它干，但说实话，在我自己的实际工作里，Agent反而是我最后才会动用的手段。 我自己处理事情的优先级是这样的。 1. 能用Agent写个脚本解决的，一律都用脚本自动化解决。 2. 脚本搞不定的，或者需要一些泛化能力的，做成Skill。 3. 只有那些真正需要创造性判断、复杂推理的任务，才会真正交给Agent。 这其实是个循环。 先说脚本。这东西就是逻辑是固定的，输入是什么，输出是什么，中间怎么处理，全都是确定的，不存在需要判断的地方，不存在可能出现意外情况的地方，比如我飞书上各种各样现在跑着的自动化。 这种事情你让Agent来干，纯属浪费。 你不会用大炮打蚊子，同样的道理，你也不该用Agent去干脚本能干的活。 再说Skill。有些事情，纯脚本搞不定。比如我做的那个AI热点监控站，里面有一个资讯打分的功能，每条资讯进来，要判断它的重要性、相关性、时效性，给一个综合评分。 这个事情你没法写死逻辑，因为资讯的内容是千变万化的，你不可能为每种内容预设一套评分规则。 这时候就需要大模型的泛化能力了，但它又不需要Agent那种自主决策和多步骤规划的能力，它就是一个单一的、封装好的能力单元。 这就是Skill的价值。 最后才是Agent，我用Agent的很多时候，就是那种你没法提前规划好所有步骤的任务。你知道你想要什么结果，但你不知道中间要经过哪些步骤，因为这取决于过程中遇到的具体情况。 就比如，开发一个脚本，比如，做一个究极详细的竞品体验报告。 这种需要动态规划、需要根据中间结果调整策略的任务，才是Agent真正的用武之地。 所以，这三层，其实有点像一个金字塔，而且是上下循环的金字塔。 最好的Agent使用方式，就是不断往下沉淀能力，自己永远只处理那些还没法被固化的部分。 很多人犯的错误是，一上来就把所有事情都往Agent上堆。 结果就是慢、贵，还不稳定。 真不是Agent不行，是很多场景根本用不到它，强行上Agent只会引入不必要的不确定性。 这才是这个金字塔真正的运转方式。 让Agent去创造工具，让工具去执行任务。 这个循环一旦跑起来，才是AI在公司里真正落地的样子。

🍀 Happy St Patrick’s Day! 🍀

我今天看到很有哲理的一句话：大多数奴隶想要的不是自由，而是拥有自己的奴隶。

看各种讨论深刻感觉大众可能对架构，工程这些词有什么误会…

working hard so my future wife can have a flower shop and a coffee lounge that loses 50k a month

查理·芒格：“我不会去玩那种别人聪明而我愚蠢的游戏。我寻找的是那种我聪明而别人愚蠢的领域。而且，相信我，这样效果好得多。”

这个idea有点意思。 LLM能解研究级数学题，但有时候却算不对基础计算。 这个团队的做法是：直接在Transformer里造了一台计算机。 不是调用外部工具，也不是接计算器API，是让模型通过自身权重执行程序，一个token一个token地跑出结果。 核心问题很明确：标准attention对实际计算来说太慢了。 他们的解法是设计了一条新的解码路径，让attention获得指数级加速，每生成一个token的计算量几乎恒定。 效果： → 数秒内跑完百万步程序 → 最难的数独，100%准确率 → CPU上跑到3万+ tokens/sec → 全程自回归，纯Transformer内部完成 这件事的意义在于：LLM的计算短板不一定要靠外挂工具补。把Transformer本身变成执行引擎，是一条完全不同的路。