黑洞资源笔记
-
- 从单体应用到积木经济：软件开发的范式转移 | 推文
+ 从单体应用到积木经济：软件开发的范式转移
软件开发的制胜法则正在发生剧变。过去，我们追求打造高质量的主线应用以获取用户；而今天，最有效的增长路径是提供“积木”（Building Blocks）——那些能让其他人、甚至 AI 代理，以数量取胜而非质量优先的开发原语。
Ghostty 的数据证明了这一点：其 macOS 应用在 18 个月内达到百万级日活，而作为底层积木的 libghostty 仅用 2 个月就突破了数百万用户。这种爆发式增长在 Next.js、Tailwind 等生态中屡见不鲜。这不仅仅是技术选型的变化，更是产品思维的底层重构。
1. 进口激增：AI 驱动的“胶水”时代
今天的软件工厂是“代理化”的。无论你是否接受，AI 已经成为生产力的核心。AI 或许不擅长从零构建一切，但它极擅长将高质量、文档完备且经过验证的组件“胶水”在一起。
过去，人类开发者组合原语需要极高的理解门槛，这个门槛天然过滤了低质贡献。如今，门槛消失了。软件不再仅仅是“库”或“框架”，它演变成了可被任意拆解、打补丁和重新组装的积木。
2. 出口爆发：数量胜过质量的红利
当工厂开始全速运转，软件的产出量是惊人的。虽然这带来了安全和不稳定性等负面影响，但其正面效应正在重塑生态：
- 维护成本的降低：作为积木提供者，你可以理直气壮地拒绝平庸的功能请求。既然提供了生产工具，用户完全可以自行构建特定功能。
- 研发的去中心化外包：主线应用的维护者可以观察生态中的无数分叉（Forks）和实验。这是一种高效的“先跑后择”机制：让社区去试错，主线只负责收割最优秀的创意。
- 认知度的降维打击：主线应用无法满足所有细分需求，但基于积木产生的无数衍生版本，能让技术渗透到最隐秘的利基市场。
3. 商业化的房间大象
在积木经济中，闭源商业软件正面临巨大挑战。目前的客观事实是：AI 代理在选择组件时，会压倒性地倾向于开源和免费软件。
虽然商业化的最终答案尚不明朗，但一个趋势是确定的：主线应用将变得更加稳定且克制，其生命力将由庞大的、多样化的用户群和外包化的研发生态共同支撑。
4. 范式已转，不进则退
软件积木和软件工厂已经统治了我们的环境。面对这种转变，你可以选择构建抵御洪流的孤岛，也可以选择完全拥抱这种混沌。
重点在于，这种转变不是“将要发生”，而是“已经发生”。我们正生活在其中。
+ 思考：
- 软件的未来不再是完美的艺术品，而是易于组装的乐高零件。
- AI 并不创造逻辑，它只是加速了逻辑的搬运与粘合。
- 拒绝平庸功能的底气，来自于你为用户提供了自行实现的能力。
- 伟大的产品不再是终点，而是他人创造力的起点。 -
- 不仅仅是更好的搜索引擎：你从未真正挖掘出的 Claude 12 种高阶用法 | 推文
大多数人把 Claude 当作一个语法更通顺的搜索引擎：提问、阅读、关闭标签。如果你也是这样，你正坐在金矿上捡碎石。
Claude 的真正价值不在于给出答案，而在于重塑你的思考方式。以下是 12 个能彻底改变你产出质量的深度用法，按影响力从低到高排列：
一、 破除思维盲区：从验证到挑战
1. 极限施压（Steelmaning）： 别让它夸你。告诉它：“我决定做 X，请针对这个决策进行‘最强反驳’。”让它找出你计划中那个注定会失败的致命漏洞。在现实撞墙前，先在对话框里撞墙。
2. 深度访谈： 别直接下指令。要求它：“在我写完之前，不断向我提问，直到你完全理解我想表达的核心逻辑。”generic 的输入只会得到平庸的输出，这个步骤能逼你把模糊的直觉具象化。
3. 模拟特定读者：“请以一位看过 400 个项目的挑剔投资人的视角阅读这段话，告诉我你在哪里失去了兴趣。”好内容不分绝对的好坏，只看是否精准击中了目标受众的偏见与痛点。
4. 永久化个人声韵： 在 Project 中喂入 10 篇你的原创文章。让它学习你的节奏、用词习惯和呼吸感。你的声音就是你的品牌，别让 AI 的翻译腔毁了它。
二、 决策与效能：从执行到思考
5. 构建决策框架： 面对复杂的真实选择，给它变量，让它建立带权重的矩阵。聪明人不仅用它写作，更用它辅助思考。
6. 信息脱水： 面对 200 页的报告，别试图通读。要求它提供 500 字的简报，列出 5 个最具操作性的发现和 3 个本周必须执行的动作。信号胜过噪音。
7. 红队测试（Red-teaming）： 把你的市场策略交给它，扮演一个冷酷的竞争对手：“这个方案在第 9 个月会怎么崩盘？”这种不适感，正是你避开真实失败的护身符。
8. 零代码数据洞察： 直接上传 CSV。不要等分析师，直接问它：“为什么 3 月收入下滑了？找出那个解释数据的关键维度。”
三、 进化为不同维度的工具
9. 维护“动态简报”： 在 Project 中建立一个持续更新的文件。每轮对话结束时，让它总结已达成的共识和待解决的悬念。别让灵感在关闭网页时断线。
10. 难堪对话演习： 扮演你最怕面对的那个人（比如要宣布裁员时的员工或业绩未达标时的董事）。在现实中自信的前提，是在模拟中被“摧毁”过。
11. 多维语境重写： 一份底稿，30 秒内转化为：给技术专家的实现方案、给高管的风险评估、给团队的 3 点 Slack 消息。这是工作流的降维打击。
12. 授人以渔（系统构建）： 这是最高阶的用法。不要问它要答案，要它为你建立一套“产生答案的系统”。比如一套评估市场机会的永久核查清单。
你打开 Claude 是为了思考得更深、行动得更快，结果你却只用它来润色语法。工具从未改变，改变的是你提问的高度。 - 重塑数学思维：10 本书帮你告别对数学的恐惧 | 推文
很多人对数学的畏惧，并非源于天赋不足，而是因为最初接触它的方式过于生硬。数学思维并非少数人的专利，而是一项可以后天习得的技能。当你换一种视角，数字将不再是冰冷的符号，而是理解世界的语言。
这里有10本深度好书，它们将带你重塑逻辑，从零建立真正的数学能力。
1. 《学习之道》(A Mind for Numbers) - Barbara Oakley
如果你曾认为自己“没有数学细胞”，请先读这一本。作者曾是数学差生，后成为工程学教授。她利用神经科学揭示了“专注模式”与“发散模式”的切换策略。数学学习不在于死记硬背，而在于学会如何在大脑中构建知识块，并克服“理解的幻觉”。
2. 《魔鬼数学》(How Not to Be Wrong) - Jordan Ellenberg
数学不是课本上的习题，而是常识的延伸。作者通过彩票、投票制度和军事策略等案例，证明了数学推理如何保护我们免受错误逻辑的欺骗。它培养的是一种直觉：在信息碎片中识别出底层的数学结构。
3. 《怎样解题》(How to Solve It) - George Polya
自1945年出版以来，它一直是数学思维领域的圣经。波利亚提出了解决任何未知问题的四步法。这本书的核心在于“启发式方法”，教你如何在毫无头绪时提出正确的问题。学会提问，比学会计算更重要。
4. 《烂插画数学》(Math with Bad Drawings) - Ben Orlin
对于视觉学习者来说，公式往往是枯燥的。作者用幽默的笔触和简笔画，将统计、概率和几何转化为一个个生动的故事。它揭示了一个深刻的道理：数学的本质是关于“为什么”，而不是“怎么做”。
5. 《解题的艺术》(The Art of Problem Solving) - Richard Rusczyk
这套书超越了学校的标准课程，旨在培养真正的创造性思维。它不鼓励套用公式，而是引导你从底层逻辑开始构建解决方案。如果你想跳出“机械化刷题”的陷阱，像数学家一样思考，这是必经之路。
6. 《基础数学》(Basic Mathematics) - Serge Lang
由20世纪伟大的数学家编写，强调逻辑的严谨性而非机械记忆。它适合想要从头开始、系统性重建数学基础的成年人。虽然过程具有挑战性，但它能带给你大多数课程无法提供的深度理解。
7. 《数学是什么》(What Is Mathematics?) - Richard Courant & Herbert Robbins
这是一本探讨数学灵魂的著作。它将数论、几何和拓扑学展现为一个充满生命力的思想景观，而非规则的堆砌。它会彻底改变你对这门学科的认知：数学是对宇宙秩序的终极探索。
8. 《无限力量》(Infinite Powers) - Steven Strogatz
微积分常被视为数学学习的终点，但本书将其化为起点。作者用优美的语言拆解了微积分背后的直觉，展示了它是如何成为描述行星运动、医学影像和现代科技的通用语言。理解微积分，就是理解变化。
9. 《烧掉数学书》(Burn Math Class) - Jason Wilkes
这是一本具有“反叛精神”的作品。作者鼓励读者去“发明”数学，而不是被动接受权威给出的规则。它剥离了数学的神秘感，将其还原为一种人类可以根据自身逻辑不断重构的工具。
10. 《X的奇幻旅程》(The Joy of X) - Steven Strogatz
如果《无限力量》是深度探索，那么这本书就是一场轻快的巡礼。每个章节都以机智的方式讲解一个核心概念，从代数为什么用x到勾股定理的真谛。它旨在帮你找回被传统教育磨灭的、对数学之美的纯粹好奇心。
精进数学能力，本质上是寻找一种与世界沟通的新方式。天赋决定上限，但正确的路径决定了你能走多远。无论你选择从哪一本书开始，目标都是一致的：构建一种更清晰、更深邃的思维模型。 - 别用角色扮演做 AI Agent：工程上的信息损耗才是致命问题 | 推文
这种模拟公司部门的多 Agent 设计，本质上是在制造工程上的信息损耗。真正的生产级系统不靠角色扮演，而靠显式的外部状态和并行搜索空间。
很多人试图把 AI Agent 做成一家公司，给它分 PM、架构师和测试。这种模式在工程上是死路。
人类需要分工是因为注意力带宽有限。LLM 的瓶颈在于推理深度。给模型贴上角色标签会制造假边界，让它拒绝越界。一个被框死在测试岗位的 Agent 可能会无视架构层面的逻辑漏洞，因为它觉得那不属于它的职责范围。
更糟糕的是信息流转中的损耗。Agent 之间的交接传递的是结论，丢失了推理过程。这种单向的任务接力会让输出在长程任务中发生漂移。每个节点看起来都正确，整体却偏离了目标。
看 Anthropic 的做法。他们不谈角色扮演，谈的是 Context Engineering。核心在于建立显式的外部状态，比如 `progress.txt`。写的人和读的人是同一个灵魂，只是在不同的 session 里。信息不是被压缩传递的，而是被连续积累的。
多 Agent 的价值在于并行覆盖更大的搜索空间，而非单纯的分工协作。这更像是在进行广度优先搜索，而不是接力赛。架构不应该模仿人类组织，它应该更像一个思考者的多次草稿。 - AI 原生开发：不是加工具，而是重建整个工程循环 | 推文
真正的 AI 原生开发不只是在现有流程中增加工具，它要求彻底拆除并重建整个工程循环。当构建速度缩短至小时级，工程师的价值正从编写逻辑转向设计约束。
想象一下，上周二上午十点上线功能，中午完成 A/B 测试，下午三点发现数据不行直接下线。这种节奏在三个月前需要六个星期。
大部分人还在用 Cursor 这种工具，试图通过 AI 提效 20%。这只是给旧马车加了根鞭子。真正的 AI 原生工程更像是把整个运输体系从马车换成了自动驾驶轨道。工程师的任务已由写代码演变为搭建一套能让 Agent 可见、可验证、可执行的“约束系统”。
如果 Agent 两小时就能写完功能，但产品经理还在用周为单位做调研，那规划流程就成了新的瓶颈。测试团队还在手动测试，这只会让下游堆积更多的技术债。必须要把整个流水线拉到 Agent 的速度。
这种转型会产生一种奇特的断层：资深工程师可能最难适应，因为他们需要亲手拆掉积累十年的习惯；初级工程师反而能迅速上手，因为没有旧逻辑的包袱。
未来的团队里，极少数人是架构师，负责定义什么是“好”的代码和系统边界；剩下的人则是操作员，在 AI 分配的任务中进行风险审查。
这种变革带来的副作用也很明显：CTO 的管理职责会缩水，但设计系统的压力会成倍增加。你可能会发现，比起对齐人的预期，去对抗 Agent 产生的逻辑漏洞要累得多。 - 文档越多检索越不准？高维向量空间的语义坍缩真相 | 帖子
随着文档量增加，高维向量空间的语义边界会变得模糊，导致检索精度大幅下降。解决办法在于从单纯的“搜索”转向基于图结构的“推理”。
把成千上万的文档一股脑塞进 RAG，就像试图在一个溢出的堆内存里寻找一个特定变量。随着文档量突破 10,000 这个临界点，语义空间开始变得拥挤。原本清晰的特征簇在极高维度的压缩下逐渐重叠，每个向量看起来都和别的向量“挺像”。
斯坦福的研究揭示了这种现象：当规模达到 5 万份文档时，检索精度会暴跌 87%。这其实就是维度灾难。在高维空间里，数据点趋向于分布在边缘，彼此之间的距离变得几乎相等。此时的语义搜索，找出来的不再是那个最精准的答案，而是一堆看起来都“相关”的噪声。
有观点认为，这种现象源于工程实现的局限。目前的做法太过于依赖扁平化的向量检索。真正的知识不是散落在空间里的孤立点，而是一张带有层级、时效和权威性的图。如果只做余弦相似度计算，就无法处理法律条文被废止或辖区变更这种逻辑关联。
解决路径正从“增加数据量”转向“优化检索结构”。通过 GraphRAG 引入关系约束，或者利用局部上下文窗口来规避全局坍缩。知识的价值在于连接，而非单纯的堆砌。 -
- 别让 AI，废掉你的编程内功 | blog
快速阅读：LLM 降低了开发门槛，却也带来了技能萎缩的风险。当编写代码变成一种低成本的指令任务，唯有通过刻意练习保持底层深度的人，才能在大量“批量化垃圾”中建立差异化优势。
代码生产正在进入大规模流水线时代。这种转变由三种力量驱动：社交媒体对交付速度的狂热、模型性能持续进化的确定性，以及人类天生的惰性。既然可以通过指令直接获取可运行的结果，谁还会愿意去忍受那种由于思考底层逻辑带来的痛苦？
这种趋势正在重塑工程师的生态位。当技能门槛降低，原本属于“键盘巫师”的领地正被大量具备业务逻辑的人群挤占。如果仅仅满足于做一个 Prompt Monkey，竞争对手将不再是其他开发者，而是产品经理、设计师甚至前任管理者。
有观点认为，这其实是建立技术护城河的绝佳时机。就像工业革命初期的铁匠，当拖拉机取代了耕犁，懂得处理复杂机械结构的人反而更具价值。未来的竞争力在于成为“T型”人才：在软件工程之外，叠加物理、材料或算法等深层领域的专业知识。代码正逐渐退化为一种应用工具，真正的难点在于解决领域内的本质问题。
当 AI 生成的代码充斥着看似正确却逻辑隐晦的缺陷时，谁能一眼看出其中的架构风险？技术底层的深度，决定了你在面对 Agentic Engineering 时，是驾驶者，还是被其驱动的零件。 -
