https://kuhung.me/posts/ Recent content in Posts on 谷粒 kuhung Hugo -- gohugo.io zh-CN Fri, 16 Oct 2026 20:35:00 +0800 https://kuhung.me/posts/isochrone-travel-map/ Fri, 16 Oct 2026 20:35:00 +0800 https://kuhung.me/posts/isochrone-travel-map/ 在城市生活中，评估居住、工作与出行往往依赖距离。租房信息常标注“距离地铁站 1 公里”或“距离商圈 3 公里”，但直线距离往往忽略了城市路网的真实形态。一条河流、一条全封闭高架路或一段铁路线，都会让实际通勤耗时成倍增加。 以往要在地图上确认通勤范围，往往需要手动逐个搜索不同目的地的导航时间。如今路网等时圈计算使得多方向的可达性能够在数秒内直接生成多边形轮廓。出行可达地图（Isochrone Travel Map）就是基于这一计算模型构建的 Web 工具，以真实道路网络拓扑评估实际可达范围。 目前支持的功能与计算模型 出行可达地图现已完整支持以下功能： 多模式出行等时圈计算：支持驾车、骑行、步行三种出行方式。系统分别调用机动车路网与非机动车道拓扑模型，计算固定 15 分钟、30 分钟与 60 分钟的三档等时圈边界。 多通道选点探索：用户可以使用浏览器快速获取当前位置，也可以在地图上任意点击设定出发点。系统预置了上海、杭州、广州、深圳、成都、绍兴、重庆、珠海 8 座城市的交通枢纽与特色地标，便于快速探索典型区域。 空间地点筛选与圈层归属：针对落在计算范围内的地点，系统通过空间几何算法进行圈层归属计算，准确判断地点落入的最小时间圈层。地点支持多边形孔洞排除与 MultiPolygon 分块检测，确保湖泊或不可通行区域不会造成误判。 外部导航与无损分享：地图点选支持直接跳转高德地图发起实际导航。探索结果支持生成带有二维码的高清等时圈卡片，起点坐标、出行模式、选中的地点均完整序列化到 URL 中，接收方打开即可无损恢复探索场景。 即将推出：用户自定义添加地点（Custom POI） 目前系统收录了上海热门文旅地标以及珠海市 15 处出入境智能服务厅的专题数据。在日常实际决策中，每个人的常去节点和关注重点各不相同。出行可达地图即将在接下来的版本中推出“自定义地点（Custom POI）”功能。 这项功能允许用户在地图上直接标点添加，或者输入地点名称与经纬度导入关注目标。添加的地点将实时参与等时圈几何计算，自动判断落在 15 分钟、30 分钟或 60 分钟生活圈内的具体位置。自定义地点同样支持随分享链接一同导出和还原，方便在不同设备之间查看。 新功能主要支持四类典型场景： 租房与大厂房补筛选（如字节跳动工区办公楼）：许多大厂的租房补贴政策要求住房在工区“步行 30 分钟”以内。用户可以直接把公司所在的工区办公楼添加为自定义地点（POI）。在地图上挑选或点击意向房源作为起点时，系统会自动生成该小区的步行生活圈，直观显示工区是否落在 15 或 30 分钟圈内，一眼看清能不能拿到房补。 个人生活圈管理：用户可以把常去的咖啡馆、露营地、自习室或朋友居所固定在地图上，随时以不同起点评估社交与休闲半径。 城市漫步与周末出游：用户可以提前收藏想去的小众展览、公园和特色街区，出发时根据当天可用的时间档位，筛选出步行或骑行 30 分钟内能到达的地点。 业务网点与服务规划：在商务外勤或门店选址等业务场景中，用户可以标注意向客户或合作网点，结合驾车圈层评估日常拜访的可达性与时间成本。 所有由用户添加的自定义地点，将与内置数据保持一致的几何计算机制。当等时圈重新生成时，系统会实时重新计算各自定义点位所处的圈层层级，并在侧边清单与地图视图中同步标记。 空间数据与设计规范 在底层实现上，出行可达地图遵循严格的空间数据计算规范： 原生坐标系隔离：后台等时圈计算与点在多边形空间几何判定统一在原生 WGS-84 坐标系下运行，避免坐标偏差导致的圈层归属错误。向前端地图瓦片渲染和外部导航出口跳转时，在边界单次转换为 GCJ-02 坐标。 稳健多边形拓扑：等时圈算法完整支持内环孔洞（如湖泊、封闭园区或不可通行水域）和多陆块离散多边形，避免将不可达空间误判为可达。 免注册与隐私合规：所有计算均直接在浏览器与无状态计算服务中完成，无需注册账号，不留存个人行为轨迹。 在线体验与项目地址 出行可达地图目前已在网页端上线运行，支持桌面浏览器与移动设备自适应访问。 在线访问地址：keda.kuhung.me 开源代码仓库：github.com/kuhung/travel-in-3hours 关于自定义地点功能的开发进展与交互更新，后续将在项目仓库与更新日志中持续发布。 关于作者 https://kuhung.me/posts/pretotype-before-mvp/ Fri, 16 Oct 2026 17:30:00 +0800 https://kuhung.me/posts/pretotype-before-mvp/ 声明：本文由 AI 辅助创作，经作者核实与修订。 平时做产品，常会遇到一个问题：为什么点子听起来很好，做出来却总是失败？有没有什么办法能在三天之内就知道一个想法能不能挣钱？ 身边常能看到这样的人：脑子里一有想法，立马打开 coding agent 开始写代码、调模型、上架发布。到了发布环节却发现根本没人关注这件事情，然后归结为自己流量不好、酒香也怕巷子深。 这毛病跟开餐饮店类似：自己尝一口觉得味道好，花几十万装修店面，开张三个月连房租都收不回。在写代码上也一样，花了不少时间去研究 vibe coding 的技巧、研究用户心理、研究怎么上架应用，结果做出来的东西根本没人要。产品做出来没人买，问题出在一开始就选错了方向，真正因为宣发流量不足导致失败的项目，占的比例其实很小。 一个正确的想法加上技术实现，如果面对的是一个错误的市场前提，再乘以完美的执行，最后依然是失败。 市场上 90% 的新产品注定会失败。在 Vibe Coding 时代，写代码的门槛降得很低，这个失败比例可能会更高，甚至能达到 99%。很多人写多了代码，容易陷入一种想法：总觉得再迭代一个版本、再修改一些功能就成了。但只要做的是一个市场不需要的东西，团队再强、模型再好，做出来的东西还是没人用。 空想之地与别人的数据 很多产品做出来没人买，是因为前期一直停留在空想之地。 发一个视频有人点赞；给朋友讲想法，朋友随口说一句看好你；或者在网上看第三方研报说跨境电商某个方向很赚钱。这些数据都是别人的数据（Other People’s Data），是其他人在没有任何成本的前提下给出的口头支持。这种无成本的支持很容易孵化出失败的创意。 真正的市场验证，必须拿到自己的数据（Your Own Data）。这些数据来自你的设计方案和产品埋点，并且需要伴随用户的真实投入： 用户把私人邮箱或电话留给你，表达明确的意向； 用户愿意花时间听你讲解产品； 用户用真金白银掏钱购买产品或内容。 有了这些具体的投入，才能确认市场对产品有没有真实需求。 预型与常规 MVP 的区别 很多人会想到用常规 MVP（最小可行产品）来做验证。MVP 通常被当作产品的最小形态，用来验证几个具体功能点。 在做 MVP 之前，其实还有更前置的步骤可以做。两者的差异主要体现在关注点、周期和成本上： 维度 常规 MVP 预型（Pretotyping） 关注点 关注能不能把想的东西做出来（工程实现） 考虑应不应该做它（市场前提） 周期与成本 需要几天到几周，花费一定时间和精力 几小时到几天，成本在几美元到几百美元之间 交付形态 做出一套可运行的功能或样品 先不构建，准备必要资源，假装先拥有 验证标准 看产品跑出来后用户用不用 收集一手数据（Your Own Data）作为判断依据 常规 MVP 关注把事情做对，预型关注先确认这是一件正确的事。 预型有点像硅谷常说的“假装拥有，直到你真正做到”（Fake it until you make it）。这里说的是在极低成本下做需求测试，创投圈的造假不在讨论范围内。 把模糊想法转成可证伪的 XYZ 假说 收集一手数据不能凭感觉看，需要把含糊的观点转换成一个可证伪的假说。 https://kuhung.me/posts/muse-retention-data-cohort-analysis-and-product-thoughts/ Thu, 15 Oct 2026 15:38:00 +0800 https://kuhung.me/posts/muse-retention-data-cohort-analysis-and-product-thoughts/ 声明：本文由 AI 辅助创作，经作者核实与修订。 最近 X 上在讨论 Meta 的 Personal Agent 产品 Muse 的留存数据。投资人和科技媒体多有转发，核心论调基本一致：Muse 次日留存高达 73.3%，接近 ChatGPT 的两倍，不过 14 日留存降到 22.5% 被反超。 在 X 上，小扎和小王的 PR 稿早已铺天盖地。或多或少都在暗示 Muse 已经赢了。算是给这一年多 AI 团队调整，交出的作业。 我之前做过用户增长方面的算法，有使用 Muse 并且体感良好。看到这种数据曲线，习惯性刨一刨根底，再结合产品设计方面，看看有哪些可取之处。 公开的数据与源头 这轮讨论的数据源头是 Sensor Tower 的移动应用面板，覆盖 2026 年 9 月、81 个国家、iOS 与 Android 统一口径的新增安装用户。Menlo Ventures 合伙人 Deedy Das 于 10 月 12 日在 X 和 LinkedIn 发布了这张 D1 至 D14 的留存曲线图。 先看公开流传的这张核心留存走势图： 从图中的完整曲线，能清楚看到各款应用新用户的回访流转过程： 次日冲高（D1）：Muse 达到 73.3%，几乎是 ChatGPT（41.3%）的两倍。 中途反超（Day ~8. https://kuhung.me/posts/what-onchain-macro-metrics-actually-matter/ Sat, 10 Oct 2026 17:45:00 +0800 https://kuhung.me/posts/what-onchain-macro-metrics-actually-matter/ 最近把 LeeOnChain 的链上宏观看板（/macro）从底层数据源到指标定义彻底理了一遍。 重构之前的版本暴露出一个尴尬的现实：页面上放着的指标（全链 TVL、DEX 7 天交易额、单链手续费、稳定币总量、Top Meme 成交量）本质上只是 DefiLlama 和 CoinGecko 面板的子集。在各大公开看板上天天能看到这些大盘数字，但这些常规数字往往具有极强的误导性。 链上账本公开透明，造假成本同样极低。TVL 充满再质押嵌套的双重记账，DEX 成交量能靠零手续费对倒低成本刷取，发币平台日发几万个代币则多半是自动化脚本在跑。如果一个看板只是把这些未经清洗的数字堆在一起，根本分不清链上到底是真金白银在沉淀，还是少数团队在设局。 我们在这次重构中剔除了缺乏沉没成本和资金归属意义的虚高指标，保留了 4 个团队实际盯盘和做宏观过滤会看的数据维度。这里把这套指标的计算口径、背后的数据陷阱以及我们自己的使用方式记录下来。 为什么 TVL 和发币量容易把人带偏 公开数据平台里最容易被拿来背书的指标，通常水分最重。 TVL：循环嵌套与代币单价被动膨胀 很多人拿 TVL 当作公链资金沉淀的指标。实际上 TVL 存在两个统计偏差： 第一是循环再质押与杠杆嵌套。在以太坊生态里，用户将 10,000 美元的 ETH 存进流动性质押换取 stETH，把 stETH 当作抵押品存入借贷协议借出稳定币，再把稳定币扔进收益池。原本 10,000 美元的初始资金，在统计看板里被重复记录了 3 到 4 次，名义 TVL 直接堆到 30,000 至 40,000 美元。 第二是计价代币单价被动膨胀。TVL 采用美元标价。即使没有一美元外部增量资金进场，只要原生代币单价上涨，TVL 就会自动抬升。这反映的是现货单价变化，无法说明增量资金的流入。行情一旦逆转并触发抵押品清算，名义 TVL 会在几天内腰斩。 DEX 成交量：低成本对倒 中心化交易所刷量需要向平台交手续费，但在低 Gas 费公链或零费率池子里，量化脚本可以在两个流动性池之间循环对买对卖。单日名义交易额能刷出几亿美元，顺着交易拓扑图看进去，活跃的只有少数几个关联钱包。 发射台日发币量：脚本自动化生成 联合曲线（Bonding Curve）模式普及后，单次发币成本降到了 2 美元以下。日发币 30,000 个，体现的是批量发币脚本的运行频次，跟实际买盘承接力毫无关联。 我们在 Dune 调取了数百万个代币的完整生命周期样本，主流发射台代币的毕业率中位数只有 1.41%。即便成功打满曲线毕业到 DEX，上线 30 天后池内流动性仍有 5 万美元且具备基础换手率的代币，不足千分之五（0. https://kuhung.me/posts/pi-1-0-and-1-1-key-updates-notes/ Sat, 10 Oct 2026 16:25:00 +0800 https://kuhung.me/posts/pi-1-0-and-1-1-key-updates-notes/ 声明：本文由 AI 辅助创作，经作者核实与修订。 如果谈及coding Agent，一定绕不开Pi这个工具。国庆假期以来，该产品经过密集的变更，版本号从0.99到了1.10。这其中到底变了什么，影响如何，是本文试图回答的。 如果需要一句话总结，那就是：0.99 用 Codemode 把 MCP 接了回来，1.0 把这套东西定成稳定版，1.1 只是让日常用起来更顺手。 Pi 的 changelog 很长，但争议大的，就是对 MCP 的态度。其余的更新要么是在为这件事铺路，要么是在给它擦屁股。社区这两周吵得热闹，主要关注点是： Pi 还算不算那个极简的 Pi。 上个月写 Pi 入门笔记 的时候，我们就有入门介绍。本期不再重复。 时间线顺序 日期 版本 总结 09-29 0.99.0 真正的大版本：Codemode、内置 MCP、延迟加载、虚拟模型、分类器 10-01 1.0.0 定版加固：默认全屏、Codemode 提示成本再降约四成；同日发布实验包 Pi Durable 10-03 至 10-05 1.0.1 至 1.0.4 补丁周，唯一的破坏性变更是 1.0.3 里 Azure provider 改名 10-07 1.1.0 没有破坏性变更：状态上报、工具增减写法、Haiku 5.5、看图分类、llama.cpp 原生接入 最激进的改动其实发生在 0.99。1.0 更像是一份承诺，告诉大家这套接口以后不会乱动了，可以放心在上面写扩展。 最大的变化：MCP ，但换了个接法 当初为什么拒绝 Pi 过去一年多旗帜鲜明地不支持 MCP，官网上就这么写着。理由是：传统的 MCP 接法会把所有工具的 Schema 一次性塞进上下文。社区里被反复引用的例子是，接三个 MCP 服务器，光工具定义就吃掉约 143k 的上下文（总共 200k），活还没开始干，七成窗口已经没了。我后面查了下，是个谬传，是旧版本的特定情况下才会这样。后面各家基本很少这样了。 https://kuhung.me/posts/measuring-market-liquidity-from-daily-data-and-post-holiday-review/ Fri, 09 Oct 2026 08:50:00 +0800 https://kuhung.me/posts/measuring-market-liquidity-from-daily-data-and-post-holiday-review/ 2026 年 10 月 8 日节后开盘，沪深两市全天成交 1.68 万亿元，比节前最后一个交易日放量约 2300 亿元，环比增幅 16%。 盘中科技股一度领涨，但收盘上证指数跌 0.79%，创业板指跌 3.15%，恒生科技指数跌 2.89%。 收盘后的多数讨论把这天归结为「放量，流动性充裕」。但实盘交易的体感往往相反：买盘承接很薄，稍微有些规模的卖单打出去，价格就直接滑下一大截。 把成交额直接等同于流动性，是日常复盘里最容易踩的坑。 借着这次节后行情的复盘，把我最近在 QuantFull 上整理的日度流动性度量方法、计算过程和实际结果梳理一遍。 流动性的三维结构 在微观结构里，流动性不是一个单一指标，而是三个互相独立的维度： 广度。市场上有多少交易主体、发生了多少成交额。常用代理指标是成交额和换手率。 深度。订单簿在不发生剧烈价格偏离的前提下，能吸收多大的订单规模。衡量的是价格冲击（price impact）。 紧度。完成一笔交易需要承担的摩擦成本，对应买卖有效价差（effective spread）。 10 月 8 日的盘面是典型的「广度放大、深度塌陷」。成交额虽然升至 1.68 万亿，但单位抛压撬动的价格下跌幅度极大。市场有换手，没有深度。 多数人手里只有日度 OHLCV，没有 Level-2 逐笔委托簿数据。但只用日度公开数据，同样能高精度逼近深度和价差。 指标一：Amihud 非流动性比率算深度 度量市场深度最经典的低频工具是 Amihud（2002）提出的非流动性比率（ILLIQ）。 算法与直觉 计算只需要日收益率绝对值与日成交额： $$ \text{ILLIQ}{i,t} = \frac{|r{i,t}|}{\text{Volume}_{i,t}} $$ 分子是价格变动幅度，分母是用多少资金撬动了这个幅度。比值越大，意味着每单位成交金额对价格造成的冲击越大，市场深度越薄，流动性越差。 学术界（Goyenko et al. 2009 与 Fong et al. 2017）在全球 43 国市场做过赛马检验：在所有低频度量中，日度 Amihud ILLIQ 对微观高频价格冲击（Kyle’s $\lambda$）的刻画能力排名第一。不需要高频逐笔数据清洗，日度成交额与涨跌幅已经保留了绝大部分价格冲击信号。 实测过程与数值 拿 10 月 8 日对比节前 9 月 30 日： https://kuhung.me/posts/claude-haiku-5-5-performance-pricing-and-upgrade-advice/ Thu, 08 Oct 2026 22:00:00 +0800 https://kuhung.me/posts/claude-haiku-5-5-performance-pricing-and-upgrade-advice/ 北京时间 10 月 8 日凌晨，Anthropic 发布 Claude Haiku 5.5。这是 Claude 5.5 家族的最后一款模型。名义标价对齐 OpenAI GPT-6 Luna（输入 $0.10、输出 $0.50 每百万 token），上下文窗口扩展到 1M。大家关心的通常是两件事：到底强在哪，手头的小模型要不要换。 笔者维护的浏览器插件 PageGrok，轻量模型此前走 OpenRouter 挂在 Gemini 2.5 Flash-Lite。该模型标注在 2026 年 10 月 20 日退役，刚好需要在这两周内完成迁移选型。 Haiku 5.5 标价降了九成，但实际账单有三处门槛：长上下文单价翻 5 倍、思考档位拉长延迟、新分词器带来的 token 膨胀。这里把价格算式、性能实测和替换细节梳理清楚。 发布清单 模型 上下文 输入 / 输出单价（≤100K） 相对上一代变化 Claude Haiku 5.5 1M $0.10 / $0.50 标价降 90%，支持 effort 档位 GPT-6 Luna 1.05M $0.10 / $0.50 输入降 50%，输出降 58% Gemini 3.5 Flash-Lite 1M $0. https://kuhung.me/posts/hsbc-pulse-vs-red-credit-cards-comparison-and-application-guide/ Thu, 08 Oct 2026 19:45:00 +0800 https://kuhung.me/posts/hsbc-pulse-vs-red-credit-cards-comparison-and-application-guide/ 办香港信用卡，不少人以为有了内地卓越理财（Premier）或者开好香港账户就能秒批。其实我之前刚拿到卓越账户就直接申过一次，结果被拒了（估计是钱没存够）。 香港汇丰的信用卡审批走独立的信贷风控。卓越身份最大的用处是开户阶段，能通过内地客户经理见证开立香港账户，免去排队和账户管理费。但真正到了申卡环节，依然要老老实实按标准流程和材料来准备。 最近在 Muse 和 GrokBot 里重新查了一遍官方细则，核心看的是 Pulse 银联双币钻石卡和 Red 信用卡。这里把两张卡的定位、回赠、真实的申请材料与渠道路径整理留底。 两卡定位 两张卡的定位完全不同。 Pulse 银联双币钻石卡的主场在内地和澳门。卡片内置港币和人民币两个子账户，走银联清算网络。在内地刷卡或者扫码走人民币入账，免除一般外币卡常见的 1.95% 货币转换费。支持绑定云闪付、Apple Pay、微信支付和支付宝。 Red 信用卡的主场在香港本地与日常网购。这是一张万事达单币卡，以港币结算。卖点是网上消费 4% 回赠与指定商户 8% 回赠，同时终身免年费。 两张卡功能互补。北上或者在澳门出差用 Pulse，海淘、订阅海外服务或者在香港本地网购用 Red。 核心数据对比 两张卡在费用和回赠机制上的差异汇总如下： 项目 Pulse 银联双币钻石卡 Red 信用卡 卡组织与币种 银联，港币加人民币双币 Mastercard，港币 年费政策 首两年免年费，后续主卡 HK$1,800/年 终身免年费，无需刷免 核心回赠 内地与澳门合资格交易最高 4.4% 网购 4%（每月首 HK$10,000），指定商户 8%（每月首 HK$1,250） 基本回赠 0.4%（每 250 元送 $1 奖赏钱） 0.4%（超额或普通非指定签账） 货币转换费 人民币和澳门币交易免 1.95% 手续费，其余外币收 1% 非港币交易收取 1.95% 外币交易费 最红自主奖赏 适用，可将自选类别设为内地消费（赏世界） 不适用，条款明确排除 Red 卡 迎新门槛 发卡 60 天内签账满 HK$8,000 发卡 60 天内签账满 HK$12,000 迎新上限 渠道码最高可达 $1,280 奖赏钱 渠道码最高可达 $650 奖赏钱（加套现分期可达 $850） Pulse 宣传的内地消费 4. https://kuhung.me/posts/recgpt-mobile-application-analysis-and-performance-insights-of-on-device-slms-in-taobao/ Wed, 07 Oct 2026 11:47:22 +0800 https://kuhung.me/posts/recgpt-mobile-application-analysis-and-performance-insights-of-on-device-slms-in-taobao/ 刷帖子的时候，有用户爆出手机淘宝在他的设备上下了一个小模型。虽然是小模型，但还是差不多占了 1GB 内存。从我去年一直关注小模型以来，我的观点是其实这样做效率不高。特别是小模型智力低，运行久了还发热。越大的模型这个现象越明显。这也是端侧模型没大规模应用的原因。端侧推理，实在是太吃资源了。 而评论区的部分网友不这么认为。他们认为比起效率，用户手机上的算力显然是大公司窥视的。我是觉得为了不同设备的算力榨取，做这件事不合理和不体面。我认为出发点更多是实验性质，探索端侧小模型能不能带来业务提升。 有分歧咋办，去找原始资料呗。我顺着评论区，把 RecGPT-Mobile 和 V2 两篇论文翻完。发现其实有不少问题，不去做端侧部署是会不知道的。端侧的算力不是你想要，想要就能要。端侧部署先不说效果，工程方面就要做很多的阉割。至于效果，论文中给出的业务指标是相对提升，目前线上流量占比例仍然不高，可以推测还有较多 tradeoff 需要考虑。 RecGPT-Mobile 系列论文整理 整理说明 本文档完整保留了多轮探讨的全部论点与深度追问细节，按八大主题与精选 Q&A 进行系统性结构化编排。 本文档采用原始文件上传 Gemini notebook，互动得出见解的方式。可能存在幻觉、理解不一的脑补情况。 论文基本信息 《RecGPT-Mobile: On-Device Large Language Models for User Intent Understanding in Taobao Feed Recommendation》：SIGIR ‘26（第 49 届 ACM SIGIR，墨尔本），arXiv:2605.04726（2026-05-06）。淘天集团 12 人团队，Bin Zhang、Weipeng Huang 为共同一作。5 页短文，CC-BY 协议。 《RecGPT-Mobile-V2 Technical Report》：arXiv:2608.24295（2026-08）。长篇技术报告，由同一团队撰写，补充机制层面的完整实验：行为压缩、推荐域初始化、CoT 信息价值、自适应推理控制、评测治理、质量–成本证据。 两篇的关系： 短文是“做了什么+线上效果”的简单发表；V2 报告是“为什么这样设计+每个机制的效果证据”。 为什么把 LLM 搬到端侧 核心任务：从用户近期的交互行为，预测“下一个搜索 query”，在用户意图快速演化的场景下尤为关键。团队抓住三个矛盾： 云端推荐的延迟与成本瓶颈： 传统集中式云端架构存在不可避免的端云通信延迟，难以实时感知移动端用户瞬间变化的兴趣；若在云端用 LLM 做实时推理，面对淘宝亿级用户，服务器 GPU 成本是天价。 我的评论：但其实端侧推理的延迟也不低，后文有提到；而且云端是不是一定要用LLM，一定要全部用户都用LLM，显然这种推极端的估算方式是不成立的；端侧部署模型，对于用户设备的要求会变高，影响用户体验的部分，该如何估量呢？ 隐式行为到显式意图的映射难题： 点击、加购、收藏、购买、售后探索都是隐式信号，不等于搜索词。尤其是复购、互补品购买、跨类目探索等售后场景，意图推导最为复杂。“买了手机，下一步想搜什么”没有标准答案。 端侧部署的机遇与资源限制： 把 LLM 作为意图 Agent 直接部署在手机端，能利用本地数据毫秒级捕获实时兴趣（且行为日志不出端）；但手机在内存、算力、功耗上受严苛限制，未经优化的重型模型根本跑不起来。 https://kuhung.me/posts/muse-personal-agent-getting-started-guide-and-subjective-impressions/ Sat, 03 Oct 2026 16:44:17 +0800 https://kuhung.me/posts/muse-personal-agent-getting-started-guide-and-subjective-impressions/ 当下的 AI 圈每天都在找寻和追逐新热点。这几天，X上讨论最多的是 Personal Agent ，特别是随着 Meta 的 Muse 爆火出圈，听闻国内字节和腾讯都有团队在抓紧研发对应版本。我试用了一段时间 Muse，对比之前用过的 Grok，谈谈它的常见用法和主观感受。 一开始我是排斥 Muse的。一方面觉得它和 Grok 是一类产品，我已经有一个了不需要了，而且meta的基础模型根本排不上号。另一方面是它的宣发太饱和，病毒营销很厉害。你能在各类介绍文章和视频下看到裂变邀请码，看着就烦。 转过头来想，即使拉人裂变是一种经典病毒营销策略，但能把这个玩起来的产品不多。 他们控制了早期发布范围，仅限北美地区，但可绕过方式的风控又做得很松。推特上刚好缺素材，博主们需要热点。搞定 Muse 的使用资格成了一种身份彰显和自我认同。在营销切入这一块，他们做得还不是错的（舍得花钱）。 注册方式网上有很多，这里不赘述。 进入应用会有简短的引导，这一点比 GrokBot 好很多。GrokBot 进去后你完全不知道干嘛，有引导邮件，但也一脸懵逼。 Muse 的核心交互依然依赖对话。即使今天，大家仍然逃不开 Chatbot 这种交互形式。官方宣传说能帮你订东西，安排日程。Muse 打开后，你大概知道能跟它聊什么，这是体验不错的地方。国产 Personal Agent 应该学习这点，别学 Grok。 用了一两天发现，它的动态板块很有意思。手机端 For You 做成了信息流形式。更新频次低，不打扰人。我会在上面停留不少时间。我建议国内厂商插个短视频到这里（x）。这也类似大家讨论过的 AI 每日早报。它直接把这功能做掉了，省下不少时间。大部分受众对于信源没那么高的要求，这点我认为也很符合产品的设计哲学：让用户少思考。这是不少所谓 ai-native 产品缺乏的。 另一个板块是点子建议。它会学习聊天记录。主动告诉你基于之前的对话，它还能帮你做些什么。系统也会提供预设的效率功能清单。不知道该干嘛时，可以去看看。 点子库里有健身、金融等多个板块。里面的案例跟推特上很火的例子很像。推测运营团队会去抓取高流量的用户反馈，提炼成标准化案例，用来丰富产品体验。传统的 Chatbot ，这一层似乎做得很弱。目前，一个持续的产品功能点运营，也越发重要。 下一个板块是目标追踪。不少网友觉得在一个日常app上搞目标多此一举。后来发现，它其实把目标和每日定时任务结合在了一起。在处理定时资讯获取时，它的表现形式不是技术人员才能理解的定时任务，而是以目标的形式呈现。 最后是内容和设置板块。这里不用多说，一看就懂。就是你会话涉及到的文件、银牌，在内容板块汇总呈现。总体而言，Muse 的使用体验比同类产品好很多。 至于用量消耗。一开始觉得用得慢，跑起一两个定时任务或播客任务后，消耗飞快。短时间内还能维持平衡，这里也就不推我的推荐码了。 使用场景方面，网上有个案例网站，40%的例子集中在省钱。不得不说，这类内容很能吸流量。比如让 AI 推荐服务、谈判砍价。此外，购物和旅行是他们强推的，主要作用还是帮忙监控价格或代下单。整体而言，是在试图在生活化场景中找应用。 受限于地区，和常用APP不同。我一般用它处理繁琐重复的事项，比如拉取网站数据，配置营销内容。这些事用写代码的codex这类工具来跑，略微过头，直接交给muse刚好。 不过使用中，也有遇到障碍的地方。地图类操作非常麻烦，我让它计算多个坐标在地图上的位置，它搞不定。不适配国内环境。工作中涉及海外组件的部分，用起来还算自然。但牵扯到国内 App，权限是大问题。很多 App 根本不给 Agent 开放接口，能预感到国内产品会遇到同样问题。 关于作者 https://kuhung.me/posts/why-vibe-coding/ Thu, 01 Oct 2026 16:33:06 +0800 https://kuhung.me/posts/why-vibe-coding/ 为什么要 Vibe Coding 大概一年半前我离职的时候，Vibe Coding 刚有苗头。那会儿做应用主要用 Cursor，公司内部用的还是微软 Copilot 那一套。到了 2025 年 3 到 5 月，Manus 爆火，Claude 这些模型的能力又上了一个台阶，身边不少写代码的朋友开始担心，自己的职业是不是走到头了。 我当时的判断是，程序员很可能会变成第二个土木，到今天我还是这么看。我给朋友们的建议是多做产品，多接触真实的商业世界，把出卖时间换成出卖可以复制的产品。Vibe Coding 正好让这件事变得可行：一个人就能把一个软件从想法做到上线。 可以复制的产品是一种杠杆 《纳瓦尔宝典》讲过三种杠杆：别人的劳动、资本，还有复制成本几乎为零的产品，也就是代码和媒体。前两种要别人点头才能用，代码和媒体不用，做一次，边际成本为0。 只是做出来之后，马上会碰到分发的问题。当下最紧缺的是注意力：平台卖注意力，创作者生产内容，内容可以是视频、文章，也可以是软件。很多从大公司出来的人就卡在这一步，有想法，但不擅长让人看见。 擅长分发的人，靠的多半也是一些固定的技巧，还没到吃天赋的地步。这跟在公司里吸引同事注意、争取上面的资源倾斜是一个道理，你得先搞出点动静。Vibe Coding 让一个人就能把软件做出来、发出去，本身就是搞出动静的好办法。怎么让更多人看到，是另一个话题，我们下期讲。 为什么还要讲方法 今天「要不要 Vibe Coding」已经不用讨论了，大家都在用。但和大模型打交道久了就会发现，它智力很高，输出却不稳定，你没法指望它每次都按你的想法、按你团队的习惯交付。记忆、上下文、Skills 这些手段能让它更贴近你，可总还会有大大小小的毛病。 有人说 AI 迭代这么快，等一等就好了。我的看法是，不能只等着对方升级。了解它的边界，设计一些办法去引导它，这些办法我叫它「工程」。就算以后被新工具替代，你也攒下了经验，更懂这套系统，遇到问题解决得更快。 我草稿箱里有一篇 2025 年写的「用 Cursor 怎么做好 Vibe Coding」，现在回头看，里面很多观点仍然成立。工具换了好几轮，方法留了下来，这也是我想把这些做法写出来的原因。 我是怎么做的 下面是过去一年多，特别是最近半年高强度用 AI 写代码之后，我自己的做法。我把读者当成刚入职的新人来讲。 工具 国内国外都有各自的第一梯队、第二梯队产品，挑一个顺手的就行。 我自己目前主力用 Claude Code，其次是 Codex；写长文时用 Google 的 Antigravity；需要打开编辑器逐行细改时用 Cursor。四个 20 美元的套餐，AI 编程每个月花 80 美元左右。比不上在公司里敞开了用，但套餐确实好用，性价比很高。备用的是 API，通过 OpenRouter 调 DeepSeek 等模型。 国内的朋友，现在比较主流的做法是买国内模型厂商的编程套餐，一般叫 Coding Plan，智谱、Kimi、MiniMax、字节火山方舟、阿里云百炼、百度千帆都有。买了之后，可以在 Claude Code 这类工具里接 DeepSeek、GLM、Kimi、Qwen 这些模型。写代码我推荐 DeepSeek，Kimi 做出来的前端也挺好看。 https://kuhung.me/posts/my-ai-week-ep01-content-on-chain-data-rebalancing-first-look-at-jev-muse/ Sat, 26 Sep 2026 09:28:00 +0800 https://kuhung.me/posts/my-ai-week-ep01-content-on-chain-data-rebalancing-first-look-at-jev-muse/ 这周手上事情不少：链上数据、内容发布、持仓复盘，还有 Meta Muse 的初体验。按块记一下，分享我的 AI 用法。 链上数据 Dune 大善人发了测试额度，不用白不用，我就拿它拉了一轮链上数据。比起自己手写查询逻辑，交给 AI 写 SQL，效率高了好几倍。用下来也有问题：Codex 有点过度设计，Google Antigravity 又设计能力不足。Cursor 出的 Grok 4.6、4.7，黑话多得一批。 现在的分工是这样：智力更高的 Codex 做需求拆解和任务划分，Antigravity 里的 Gemini 3.8 Flash 负责具体执行，最后在 Cursor 里做多模型交替 review，看交付有没有漏项。 Jev 与内容 上周发了 深入解读 Jev 模型：是什么以及怎么用，全网差不多上万浏览，算是我大半年来数据最好的一篇。回头看，一是踩中了热点，二是做了一轮 SEO：去 Google Search Console 和 Bing 后台看哪些关键词匹配上了文章，再针对性优化。新产品、新概念出来，用户搜得最多的就是「是什么」和「怎么用」。这对后面选题有参考价值。 做 Jev 演示时，我发现体感延迟和官方宣称的不一样。这个问题我在做 PageGrok 时也遇到过。真实延迟分三四段：用户到我们的服务器，服务器到模型 API 供应商，供应商再到模型服务，然后原路返回。模型自己的计算只占一小部分。服务器和供应商不在一个地方，甚至跨洲，延迟就平白多出一截。服务端反复做判断，也会拖慢。 PageGrok 一开始挺快，后来加了账号验证和频率限制，服务器和数据库之间来回好几趟，延迟一度到十几秒。优化之后压到两秒以内，不算极限，但比之前好很多。我还想过用 Cerebras 替换推理后端，它响应确实快，但 TTFT 还是取决于整体架构。最后还是沿用原来的 OpenRouter。 另一个演示是 AskJev，用 Jev 做「中午吃什么」这类人生选择题。Jev 本身是判别模型，有点像以前用大转盘决定午饭，我把它改成了聊天框。上线第一天两千多访问，今天看后台六千来次调用，花了不到一块钱人民币。确实省，但智力也确实一般，毕竟模型容量摆在那里。 博客发布 个人博客这边，我让 Codex 重新整理了标签分类，并把发布流程改成了一条指令。老流程是：改 draft: false，终端跑一遍 Hugo，再开 VS Code 提交，最后同步到 Git。窗口来回切，阻塞很严重。 https://kuhung.me/posts/gpt-6-sol-luna-vs-claude-opus-5-5-performance-pricing-and-upgrade-advice/ Wed, 23 Sep 2026 16:23:56 +0800 https://kuhung.me/posts/gpt-6-sol-luna-vs-claude-opus-5-5-performance-pricing-and-upgrade-advice/ 北京时间 9 月 23 日，Anthropic 发布 Claude Opus 5.5，一个多小时后 OpenAI 发布 GPT-6 Sol 和 Luna。每次新模型出来，大家想知道的无非两件事：它强在哪，我手上的模型要不要换。 三款均降价。Opus 5.5 据称能力强化的同时，属于Opus4.6风格的写作能力回归。意思就是说人话了。Sol 和 Luna 主要是便宜了一半，能力和上一代基本持平，写代码略有进步，写报告据网友称有退步。 如果你之前还在用 Opus 4.6 和 GPT 5.6 sol，那么建议升级，直接用最新，更强更便宜。不过思维强度不用保持high，从medium开始比较好。 下面逐一介绍。依次介绍能力和价格的变化，以及部分推特网友反馈。 发布清单 模型 定位 上一代价格 新价格 变化 Claude Opus 5.5 长任务、知识工作 $5 / $25（Opus 5） $4 / $20 降 20% GPT-6 Sol 复杂编码、Agent $4 / $20（GPT-5.6 Sol） $2 / $10 降 50% GPT-6 Luna 高频、低成本任务 $0.20 / $1.20（GPT-5.6 Luna） $0.10 / $0.50 输入降 50%，输出降 58% 价格为每百万 token 的输入 / 输出单价。三款都是百万级上下文，最大输出 128K。 https://kuhung.me/posts/inside-jev-millisecond-decisions-and-production-boundaries/ Fri, 18 Sep 2026 20:57:35 +0800 https://kuhung.me/posts/inside-jev-millisecond-decisions-and-production-boundaries/ 理解 Jev 在过去的项目里，我为了优化接口延迟花过不少功夫。用户对响应速度其实高度敏感。系统一旦超过一两秒没动静，看起来就像坏了一样。现实情况是，很多大模型为了做推理思考，响应动辄两三秒甚至更久。大家虽然尝试了各种工程手段去优化，但大模型逐字做自回归生成的本质摆在那里，延迟很难压缩到极致。 很多时候，我们并不需要一个能写长篇大论的推理模型。在做状态判断或者枚举分类时，响应速度远比生成能力更重要。这就是我想聊聊 Jev 的原因。 为什么这个模型最近能掀起波澜？通用大模型的方向在业界已经基本固定，新进的产品团队必须寻找差异化的切入点。Jev 号称闭门研发了两年，主打的就是极速响应。它去掉了自回归生成循环，输入按 Token 计费，输出 Token 则是零元。这很合理，它本质上是一个判别器模型，就像没有人会为随机森林的输出结果按 Token 买单一样。 Jev 是什么 Jev 本质上是一个面向状态评估的统计分类器。大模型擅长生成，Jev 专注于判别。它把传统分类任务用大模型处理时既慢又贵的痛点，做到了低成本和高速度。 产品发布初期，不少开发者以为是恶搞，因为创始人 Diogo Almeida 的名字和 Anthropic 首席执行官 Dario Amodei 读音相近。直到社区看到用 Jev 毫秒级操控经典游戏 DOOM 的录屏演示，技术圈才开始认真讨论它到底能用来做什么。 它的名字取自经济学中的杰文斯悖论。当某种资源的利用效率大幅提升时，其总消耗量往往不会缩减，反而会成倍增长。一旦单次模型决策的成本下降上百倍，系统里原本写死 if-else 的地方，可能都会考虑接入模型来做动态判断。 Jev 的核心定位是机器对机器的状态评估。它不回答用户提问，也不生成自然语言。它的职责是根据输入上下文，在几十毫秒内返回一个预定义的离散标签，将上游请求分流到下游分支。这类似于物流分拣中的分流模型。在早期的大模型工程落地中，用轻量小模型做路由分流本来就是常见做法。 官方公布的运行指标中，输入端每百万 Token 计费 0.042 美元，输出免费，端到端请求延迟在 70 到 500 毫秒区间。不管是底座更小，还是单步前向推导，服务成本都被压得很低。 官方在宣传时借用了认知科学的“双系统”概念：让昂贵的前沿大模型负责慢速的深度推演（System 2），让 Jev 充当快速廉价的反射弧（System 1）。在需要做前置过滤或路由分流时，用小判别模型就能搞定，不需要让生成模型全程陪跑。 为了追求速度，Jev 舍弃了文本生成，只保留三种输出原语： choice：在给定的枚举列表中完成多选一路由。 score：在有序离散区间内打分（如 0 到 10 的数值评分）。 noul：输出二分类概率（布尔判断，如 true / false 或 yes / no）。 它的输出附带了置信度概率。很多开发者吃过大模型生成 JSON 时幻觉的苦头，大模型即使输出错误结果，也常常给出虚高的概率。Jev 宣称对置信度进行了校准，下游系统可以依据置信度设置阈值，一旦置信度偏低就由硬规则或人工接管。关于这个置信度是如何校准的，后文会详细展开。 https://kuhung.me/posts/after-leaving-my-job-i-built-an-ai-that-reads-the-page-without-leaving-it-founder-notes-on-pagegrok/ Wed, 16 Sep 2026 23:47:12 +0800 https://kuhung.me/posts/after-leaving-my-job-i-built-an-ai-that-reads-the-page-without-leaving-it-founder-notes-on-pagegrok/ 为什么做插件 PageGrok 是我离职以来，一个真正意义上的产品。去年折腾了不少时间做量化、做视频、写东西，东研究一个、西研究一个，做下来发现还是需要一个具体形态的产品来跑通整条链路。（之前多是 web 网页）。 最大的启发来自同期离职的一位同事。她在中东，自己做了一个浏览器插件，反响还不错。我之前的经验集中在机器学习、算法、数据管线上，服务的无非是运营和用户增长业务。需要一个产品跑通来验证想法，浏览器插件是个不错的选择：入口轻，开发周期短，用户触达直接。 毕竟工作的大部分时间也是在网页里过的。每天都会打开网页处理事情，无论是外部资料还是内网知识库（KM）上的内容，在 AI slop 流行的同时，信息过载了。很自然就想到让 AI 来解读。别人用 AI 扩写，你再用 AI 总结，完成了一轮社会结构意义上的编码和解码。 出发点就是：不想再跳转网页，就在旁边看。 功能设计 项目 3 月份开始。那时刚好从 Cursor 往 Codex 和 Claude 过渡，让 Claude 帮我写了一版，很快就有了一个带着 AI 味儿的原型。 调研过竞品 Page-Assist。它想做的是网页上的对话框，一个 chatbot。但 chatbot 是 23、24 年的形态了，而且复杂。切入点就是做简单一点。 自己用的时候发现，GitHub、Twitter、小红书这类复杂站点，整页读进来不加限制，重点容易丢掉。左右侧边栏塞了不少无关内容。当时一个产品直觉：能不能借鉴印象笔记的框选功能，选中想要的区域再做解读。提示词也按这个方向写，完成得还不错。 核心功能就几点。启动后，把当前网页内容读进来，跟它交互拿到想要的东西。觉得取的内容不准，也可以自己框选。 跑了几个小版本后发现，有时候我自己也不知道想问什么。典型的冷启动问题：用户不知道该干什么时，得先告诉他可以干什么。借鉴了 Google「问问 Gemini」侧边栏的引导式提问，一启动给出三个推荐问题。再往后是更细节的事：这三个问题要不要让用户自定义，愿不愿意用自己的模型来读。 技术选型 不跳转网页这个点，后来延伸出另一层：隐私。 不少同类产品走的是第三方服务。无论是个人还是小型公司，都不希望资料跑到外面去。当时我在本地 Mac 和 Ubuntu 服务器上都部署了 Gemma 4，做一些小总结，效果还不错。为此还做过小模型本地推理的 benchmark，搭了 Traktoken 来看模型框架的首字响应、吞吐量、负载情况，测评过程写在 拒绝感觉有效，基于在线推理性能测评，选出最适合我 Mac 的 LLM 推理框架。 但用得久了碰到一个问题。Ubuntu 上的 Gemma 4 冷启动要十秒以上，体验很差。脑子转得很快，却要冷静几秒钟，接受不了。 恰好这时接触到 Cerebras。和英伟达路线不同，他们做的就是一个「快」字。据说是在整块晶圆上做模型服务，首字延迟和吞吐量都很惊人，能在一秒内完成回答。当时试用了平台上的 Gemma 4，就是我想要的。后来本地服务就没怎么用了。我自己的隐私需求其实不算特别强，也没有特别敏感的企业向内容。 推广与定价 一开始把内容发在了 V2EX。从后面做 SEO 的角度看，这个举动确实带来不少曝光。但当时定调强调本地隐私，后面想接自己提供的 API 服务时，AI 生成的内容摘要极度偏向隐私，导致受众十分窄。后来改过几次网站，想在 SEO 上把它掰回来。近期流量看，有一点效果，总比没有强。 https://kuhung.me/posts/getting-started-with-pi-cli-practical-multi-model-coding-workflows/ Tue, 15 Sep 2026 16:54:54 +0800 https://kuhung.me/posts/getting-started-with-pi-cli-practical-multi-model-coding-workflows/ 前段时间 Claude 把我封禁了，没办法，不得不找别的路子。光凭 Codex 也满足不了每天的编码需求，需要一些不一样视角的模型来互补。Cursor 又由于莫名其妙的操作，把我这张号的 500 次变成了按消耗计费。Antigravity 之前没怎么用过，虽然把代理问题解决了，总感觉不太聪明。底子比 Codex 和 Claude 的客户端要慢好多个版本。 社交媒体上关于 Pi 的讨论非常多。大半年前就听说前司内部开发还会用 Pi。我就想自己来琢磨一下，从装上到能干活，先把卡住我的问题记下来。 命令行 Pi 是一个命令行工具，简单得不能再简单。装上之后，从 Codex、Claude 的 GUI 过来的人，第一个疑惑往往是：文件怎么看？我也搜过有没有第三方客户端，结论是不用。有人推荐 oh-my-pi，我的想法是从零开始，做一个更高度自定义的，所以没用它。后面都从最基础的 Pi 开始。 安装、卸载不做重复介绍，直接去 pi.dev 下载就行。装完第一件事是登录。一种是走第三方客户端，推个网页认证。我把 Codex、Antigravity 和 Cursor 三个都登上去了。后面两个没有默认预装插件，网上找其他人开发的就行。Cursor 要注意，要装非 backend 的那款，backend 那款鉴权方式不一样。 另一种是直接用 API token，比如 OpenRouter。我想用的是套餐额度，所以第三方 provider 没关注。它原生支持 Llama，条件允许可以用本地部署。这些都不是重点。 常用指令 斜杠指令看起来蛮多，好像有 80 多个，至少我这边是。 日常反复用到的，大致就是下面这些。 /model 换模型 /thinking 调推理级别 /tree 从跑偏点分支 /compact 压缩长上下文 /resume 找旧会话 /name 给会话命名 /session 看状态/成本 /reload 重载配置 @file 附文件 !cmd / ! https://kuhung.me/posts/vibe-coding-scheduled-tasks-actively-triggering-github-actions-for-my-personal-workflow/ Mon, 14 Sep 2026 23:38:37 +0800 https://kuhung.me/posts/vibe-coding-scheduled-tasks-actively-triggering-github-actions-for-my-personal-workflow/ 最近对个人调度任务做了一次较大调整：核心从依赖 GitHub Actions 内置 schedule 的被动排队，改成由外部定时任务主动触发 workflow。要解决的主要是调度延迟。我有一批天级任务需要相对准时，例如拉取前一日数据、汇总昨天的工作；但 GitHub Actions 的 cron 并不可控，经常晚数小时，极端时当天该跑的 run 都没出现。GitHub 文档也写了，高负载时内置 schedule 会拖队，整点尤其挤，严重一点排队里的 job 还可能被丢掉。这和在公司里做数据调度是同一类烦恼。 好在目前没有严格意义上的任务依赖；真有前后关系时，会拆成串联节点。更多还是用错开执行时间这类小技巧顶一顶。 外部主动触发 除了 workflow 里自带的 schedule，还可以用第三方 cron 从仓库外 dispatch，相对更可控。调研阶段我主要用 Google Antigravity 查资料；古法编程也行，直接在 Google 里搜，AI 概览往往也会点到 workflow_dispatch、repository dispatch 这类做法。大意就是：定时器不在 GitHub 队列里干等，而是由外部按点去触发。落地代码在 kuhung/action-cron-hub，个人用的小 hub，负责外部定时和集中补触，细节就不展开了。线上各 workflow 原先自带的 schedule 我也下掉了，定时只走外部这一路，免得 GitHub 内外各响一次、同一天跑两遍。 用 Pi CLI 批量改配置 落地时我用 Pi 的 CLI 客户端来改仓库。授权充分后，它可以读项目下的文件。我把多个相关仓库收进一个大文件路径下，在根目录让它扫描各子目录里已有的 GitHub workflow 配置，批量改 trigger，省得一个个仓库翻 yaml。这种多任务批量改，和之前统一改 GA4 实践指南：从配置到 AI 工作流 里那套埋点一样，改一处公共抽象、下面一起生效。（再次心痛：上次用 Claude 改到一半，账号被封了。） 整体改动不大，前后折腾大约两个半小时。收尾时在 Antigravity 里用 Gemini 3. https://kuhung.me/posts/optimizing-my-portfolio-with-ai-from-macro-allocation-to-us-stock-holdings/ Fri, 11 Sep 2026 00:11:23 +0800 https://kuhung.me/posts/optimizing-my-portfolio-with-ai-from-macro-allocation-to-us-stock-holdings/ 前几周我对名下的主要资产做了一次盘点，计算了各自的占比以及过去一年半的收益率。资产盘点清楚后，接下来自然是优化现有组合。这篇文章就和大家分享我利用 AI 优化投资组合的思路与具体过程。 先说一下大体思路：组合优化。它既体现在宏观资产配比上，也体现在微观层面每只股票配多少。所以本文有两个层面的内容和大家分享。 同样说明一下：投资有风险，本文仅为个人复盘记录，不构成任何投资建议。 宏观配置：穿透与目标函数 宏观层面的资产配置，我最初参考了汇丰针对不同风险偏好投资者的资产配比模型。上一期盘点时的一个明确结论是：大类资产配置的逻辑本身没有问题，关键在于需要定期调仓与再平衡，比如每半年或一年执行一次。 在用 AI 重新审视权重时，我梳理出三个层面的问题： 第一个是资产穿透。如果不穿透到底层持仓，历史资产分类其实相当模糊。我的汇总表里基金与股票加起来看似占了 74.7%，但跑代码穿透后发现真实占比其实只有 56% 左右。原因是在基金和理财的分类里，混进了不少稳健理财、美元固收，以及一部分海外高收益债券基金。整个组合过去的真实风险收益特征，和预想的出入很大。 第二个是汇率折算。过去一年多配置美元资产的投资者大多会有体会，美元表现相对较弱。我之前把一部分资金配了美元固收理财和境外货基，换算回人民币后反而亏了约 2%。 第三个是目标函数的抉择：到底追求收益率最大化，还是夏普比率优先？ 如果追求收益率，组合就要以几何复利最大化为目标。看的是资产期初到期末的复合增长倍数，而不是单看各周期的算术加权收益率。如果追求夏普比率优先，核心则是控制单位风险下的超额收益，量化标的回撤幅度与预期回报之间的比例关系。 AI 测算的结果是：如果要追求更高的夏普比率，每年大约需要牺牲 2.07 个百分点的年化收益率，换取最大回撤从 -28.2% 改善到 -22.9%，缩窄约 5.3%。 两种目标函数对配置方向的影响也截然不同。几何复利优先下，模型建议把日本股票加到 14.5%，配 5% 的加密资产；夏普优先下，日本股票压到 5.5%，加密资产直接清零。 顺带一提，汇丰模型曾建议配 11% 的"亚洲（除日本外）"。但我回测其代表 ETF（AAXJ），过去十几年年化只有 7.4%，夏普仅 0.29，成分股里约四分之一是中国资产。而我原有组合中中国权益已经占到 35%，再加只会重复暴露。 结合我自身的投资风格（属于高风险承受能力的激进型），我更倾向于追求长期几何复利最大化，愿意承担阶段性回撤。宏观层面的优化结论：减少低收益债券的配置，提高美股的权重。操作层面其实很简单，无非是资金从 A 资产挪到 B 资产，以及挪动多少比例的问题。 美股持仓复盘：押注 AI 应用的得失 微观持仓层面，我把重点放在了美股上。这里也是我培养主观选股和量化选股能力的地方。 从数据来看，我的美股自选账户跑输了纳斯达克（QQQ）。根本原因在于我去年押注了较多的 AI 应用层标的。当时我的判断逻辑是，每次重大技术革命初期，市场往往会过度渲染其潜在威胁，而高估应用落地的速度。 但从实际走势来看，短期内这个判断失败了。过去这一年多，更多的资金还是流向了看得见摸得着的 AI 硬件，也就是算力芯片。应用端标的表现分化且疲软。 之前我在梳理 Alpha 151 策略时，核心概念之一是趋势跟踪。目前趋势很明显是硬件。在 AI 应用均值回归尚未显现的前提下，做减法是更理性的做法。 持仓优化的四轮迭代 明确了方向后，我利用 AI 对美股持仓进行了四轮方案迭代： 第一轮是碎股合并。持有美股可以通过卖出 Call 期权（Covered Call）赚取权利金，但前提是必须持有 100 股整股。我持仓里有不少十几股、几十股的零散碎股。我让模型基于日收益相关性做了聚类，初衷是把同涨同跌的碎片股合并到核心标的上，凑成整手以便卖 Call 赚现金流，也减少注意力成本。 https://kuhung.me/posts/personal-website-seo-and-redesign-practice/ Wed, 09 Sep 2026 14:38:21 +0800 https://kuhung.me/posts/personal-website-seo-and-redesign-practice/ 最近一周，我对个人主页做了一次系统性的改版与修复。以期提升搜索引擎可见性和用户交互，目前成果如下图。本文分享对应的实践心路与处理方式。 改版动机 最直接的起因来自 Google Search Console（GSC）的数据排查。我翻看后台流量来源时发现，主站沉淀的大量文章曝光寥寥，反倒是几个挂在子域名上的独立应用带来了不少流量。 这与预期有明显出入。之前主站更换过域名，按历史访问数据来看，最早的核心读者大多是机器学习领域的同行；后来随着我写技术管理与职业思考，又吸引了一批大厂中从执行转向管理的朋友。最近一年，我的精力主要投入在 AI 落地与 MVP 产品实践上，但这部分新内容在搜索引擎中几乎没有拿到自然流量。主站不仅没能承担起新内容的承载与分发任务，现有的技术流量也被分散了。 架构老化 收录受阻的原因很直观。 一方面，之前的域名从 kuhungio.me 更换到 kuhung.me，不可避免地影响了抓取权重。另一方面，网站结构彻底落后了。旧站用的是 2016 年开源的博客模板，那是前 AI 时代的产物。在当下 SEO 竞争加剧、Vibe Coding 普及的背景下，老模板在现代语义标签、加载性能和结构化数据上对搜索引擎并不友好。 更现实的问题是承载力不足。老模板原本只为纯文本文章设计，而我现在需要把做过的一系列 AI 产品、工具展示和实验项目聚合在一起。原有的单体文章站架构，已经容纳不下新的业务形态。 动手前，我先梳理了手头的两张牌。一是 Vibe Coding 能力。经过一年多的实战，用 AI 快速重构前端和交付完整页面的流程已经跑顺，重构一套模板绰绰有余。二是过去沉淀的 SEO 方法论。前段时间我系统整理过搜索可见性的标准流程，在站点结构诊断和关键词分层上有一套现成的工具箱。 三层诊断 改造的第一步是全面诊断。 无论是依靠自己编写的 Skills，还是编辑器插件内置的 SEO 检查，都能排查出基础漏洞。我的习惯是分三层推进： 第一层是模型原生审查。让 AI 基于底模知识库直接检视站点结构，找出常见的配置疏漏。 第二层是专用 Skill 规则扫描。加载 SEO 和前端规范技能，按预设清单逐项比对元数据、链接与层级关系。 第三层是实时对齐最佳实践。让 AI 检索当下的官方规范与主流技术文档，核对最新的搜索抓取规则。 权重整合 排查下来，首要问题出在主站与子域名的权重割裂上。 长期以来，子域名分散了主站的权重。合理的架构应当是主站作为信任背书和流量枢纽，向子域名分发流量；同时子域名也要将搜索权重回传给主域名。但在实际运营中，出现了两处断层： 其一是 GA4 数据追踪脱节。早先为了图省事，只有主力项目配置了埋点，很多低流量子项目处于裸奔状态。这次统一将所有子域名纳入同一套数据资产管理，规范了全站的追踪代码。 其二是部署配置导致的权重泄露。我有一些轻量工具部署在 Vercel 平台上。早期使用 AI 编程时，Agent 并没有主动处理 Canonical 标签和出站链接。结果子域名的页面权重不仅没有沉淀到主站，反而流向了托管平台的默认域名或第三方参考页面。例如最近开发的 vibe coding 课程，底部的外链配置不当，直接把抓取权重导给了外部站点，成了替他人做嫁衣。 https://kuhung.me/posts/skill-eval-review/ Wed, 26 Aug 2026 18:07:06 +0800 https://kuhung.me/posts/skill-eval-review/ Agent 早期没有 skills 这个概念，只有 rules，一条全局性的系统提示词，出现在 Cursor 里。从单文件规则到多文件匹配，形态一直在变。到底什么叫好？这是一个很自然的疑问。 笔者最近做产品 SEO 优化，涉及若干 SEO 相关 skills 的评估，遇到不少麻烦。description 重叠导致触发不稳定；模型把过程证据外推成最终结果；缺数据时猜测性补全；模型自评无法证明任务真的完成。大模型固有的幻觉问题推着你去想：怎么才算「评估到位了」。 Agent eval 学术界做得够多了，测试、归因、基准集，不缺综述。本文不打算搞成学术文章，更多从个人用 skills 的经验出发，聊聊怎么看待评估这件事。 Skills 为什么被造出来 回到原点：skills 为什么被造出来？从它要解决的问题出发，就能想清楚怎么评估它。 Skills 最早是一个系统级提示词。问题在于，系统提示词覆盖面太广，不是所有场景都适合反复注入。自然想到做分级和索引。这就是 skills 结构体的由来：title 和 description 做索引，描述它要做什么；下面是详细约束和要调用的工具。 它填补的是通用模型在垂直领域的缺失。除知识缺失外，还有风格缺失。模型知道怎么写代码，但不知道团队的编码、发布风格。 Cursor 做这件事最早。从单文件 .cursorrules 到多文件 .cursor/rules，再到现在的 Agent Skills 目录。长期规范和项目事实留在 Agent.md，条件性的工作流程放 skills。 系统提示词是公司文化，每时每刻都要参照的行为守则；skills 是处理特定工作时翻找的 wiki 目录。 组织 vs 个体对于 Skills 的需求 对于大公司 大公司需要 skills，因为内部有大量隐性的语言和约束。版本号怎么写、数据源口径用什么。过去这些统一约束在人与人协作时，叫文档。 对于个体 个体层面，skills 更像是重复工作的 SOP 包装。有些问题反复出现，就该做成流程。在 Agent 里，这就叫 skills。 从组织到个体 大公司内有动力把员工经验沉淀为 skills。资深人员把经验总结下来，交给新手执行。过去组织规范化的动作是梳理 SOP 文档，现在变成总结 skills。 对于资深人来说，过去写文档，文档上留我的名字，是增强影响力的方式。现在 skills 交出去，很少有人在意谁写的。工作交出去，HC 也就交出去了。其中的劳资关系很微妙。 https://kuhung.me/posts/seo-in-practice-sop/ Sun, 23 Aug 2026 12:24:30 +0800 https://kuhung.me/posts/seo-in-practice-sop/ 在做 TrakToken 的过程中，搜索流量来得很快。这得归功于V站、知乎等地的高质量软文。想要有早期用户，你就必须得厚着脸皮介绍你的产品。有了用户之后，下一步怎么做？我的答案是，从凭借感觉做设计到系统化调整。 从结果来看，TrakToken 自然搜索已经成为主力获客渠道，但增长高度集中在首页和 Bing，查询层、归因和参数 URL 治理没有跟上流量增长。 本文试图介绍，从 SEO 相关角度，如何正确指导我们后续的产品迭代，如何持续构建数据驱动的产品迭代模式。并结合实际线上产品数据，给到说明。 TrakToken 是一个 LLM API 比价工具站，覆盖 60 家厂商 600+ 模型的定价数据，每日自动同步，提供价格对比、成本计算器、支出指数等功能。 一、数据能力 搜索可见性的数据分层 先看定义：搜索可见性实际上是一条管线。每一层回答不同的问题，对应不同的数据源。 层级 回答什么 数据源 需求/查询 用户搜了什么、展示了几次、点没点 GSC、Bing Webmaster 到站与归因 从哪来、落在哪个页面、渠道质量如何 GA4 行为解释 到站后做了什么、卡在哪、为什么走 产品分析平台 业务结果 是否完成决策、是否出站到厂商 同一平台的事件漏斗 这条管线的价值在于，将不同阶段的数据，拆成对应的数据指标和事件层级，高效定位问题，也方便作出取舍、屏蔽不必要细节。 工具选型的实际取舍 GA4 负责渠道归因。免费、接入门槛低、渠道自动分组。缺点是不收自定义产品事件，没法在 GA4 里看到"用户点了计算器然后出站到厂商"这个漏斗。 Vercel Analytics 负责页面和事件。零配置、自定义事件方便。问题是它和 GA4 的用户身份打不通。Vercel 里看到 509 个 calculator_result_viewed 事件访客，但没法知道这 509 人里有多少是从搜索来的。 PostHog 笔者还在尝试中。不过有些问题：一是服务器在海外，国内采集有延迟和丢失；二是功能和 GA4 + Vercel 高度重叠，基础分析和事件采集两边都能做；三是实际只覆盖了 8.25 天，数据量不够支撑任何结论。还有就是他们家的UI太反人性了，我曾经以为GA4的交互很垃圾，但没想到他们家更是。 不过 PostHog 代表的需求是真实的。需要一个单一平台串起落地页、行为动作以及站外动作的工具。 Bing Webmaster 是国内搜索的实际主力渠道。信息比 GSC 丰富，关键词报告直接能导出，排名、CTR、页面级数据一目了然。如果你的用户主要在国内，Bing 可能比 Google 更值得先看。 https://kuhung.me/posts/cang-in-house-review/ Fri, 21 Aug 2026 10:30:14 +0800 https://kuhung.me/posts/cang-in-house-review/ 一、来龙去脉 这是"五年十个财务瞬间"系列的第四篇。前三篇分别写于 2020 年末、2021 年中和 2023 年初。第一篇是毕业两年半后第一次认真审视自己的仓位切片，当时的比例是股票 55、基金 25、现金 10、其他 10，杠杆 1.8 倍。第二篇是半年亏了 20% 之后的反思，轮动、定投、对冲、体验四个策略。第三篇卡在汇率破 7、存量利率历史低点的 2023 年，一直没写完。这些文章回过头看还蛮有意思的，所以有了今天的文章。 这一次不一样的地方在于，我们有了程序化的仓位管理工具。上个月写了接入富途券商 API，用 AI 接管投资仓位，把富途和雪盈两家券商的数据接入了本地系统。数据能被大模型读到之后，AI 就有机会做真正意义上的全面审视。不再是打开数个 App 来回切着算，也不再是 Notion 表格里改数字然后肉眼看趋势。 这篇文章的定位是：有了工具之后的第一次全面数据审视。回答几个问题：现在持有什么、这一年多的钱从哪里赚/亏、按收益风险比衡量做得怎么样、哪些做得不错、哪些需要调整。 二、为什么要做这件事 在投资这件事上，我的风格是做组合管理，不是 ALL IN 一个标的。这样的好处是风险分散，坏处是计算收益复杂。数个券商、数个银行账户、四种货币、几十只标的，每次想知道"到底哪部分赚了、哪部分需要优化"，都要花不少时间。 之前的状态是：大概知道赚了，但又感觉跑输大盘；觉得某些标的不行，但说不清楚它到底拖了多少后腿。也会因为信息不对称，懊悔上头。看到别人晒个股收益，会觉得自己持币观望太久。看到港股中概回撤，又觉得当初不该买的。 这次做的事情，是把"感觉"变成数字。具体来说： 穿透所有账户，看清楚真实的资产结构。比如"基金"这个分类里其实混了理财、债券和权益，不穿透看不到真实的权益比例。穿透之后发现，我的权益占全部净资产 56.0%，看起来接近汇丰中国"进取型"的 57.3%。但如果剔除汇丰模型不覆盖的黄金、加密和公积金，按可投资资产算，实际风险敞口在 62.8%-65.1%，落在进取到激进之间。 算清楚每个动作的贡献。加仓赚了多少、汇率吃了多少、选品拖了多少。 最后，给出下一步该做什么、不该做什么的判断依据。尽量形成数据驱动决策，而不是凭感觉行事。 三、数据现状 数据窗口是 2025 年 4 月 7 日到 2026 年 8 月 17 日，共 16.3 个月。这个起点对应进入提取期之后的全程。分析用到的底表是 Notion 财务盘点的 14 期明细数据，加上券商实盘持仓。 3.1 宏观环境 先看这 16 个月里市场发生了什么（2025-04-07 到 2026-08-17）。 指数 区间涨跌 沪深300 +32. https://kuhung.me/posts/maximization-your-claude-code-sessions/ Sat, 15 Aug 2026 21:17:08 +0800 https://kuhung.me/posts/maximization-your-claude-code-sessions/ 这两天，看了不少知乎上关于用好 Codex 和 Claude Code 的回答，收获不少指令笔记，也产出几篇文章。紧赶慢赶，Anthropic 也在 8 月 14 日发了一篇官方最佳实践：《Maximizing the value of your Claude Code sessions》。 我整理了下文章的思路，原文核心分为 3 个层次，分别是 token 的价格组成、session 内的 token 活动、和如何最大化单一 session 的价值。 本文章不打算全篇复述，而是划一些我认为的重点：包括一些被忽视的细节以及客观规律。我自己拿到这篇文章，用这些重点去 review 了我近期的操作日志，也有一些发现和大家分享。 一、成本模型变化 编辑器时代是固定费用，修 1 个测试和修 50 个测试，工具成本一样。到了 Agent 时代，同一个任务的价格随用法浮动。 我自己的理解是，如果一条工作流已经被你验证过了（比如有现成的 SOP 或者 skills），那把它编码成固定流程或代码让 Agent 调用。被验证过的事情不需要反复探索，也能省下不少时间和 token。 二、token 价格的决定方式 原文说，计费单位是 token，但实际买的是 GPU 跑模型的推理时间。三个因素决定单价：模型选型、输入输出的差异、以及缓存命中率。 模型大小就不展开了：前沿模型给复杂任务，小模型给简单杂活。 输入和输出的区别 原文用了 Prefill 和 Decode 这两个术语。为什么不叫 Encode？因为大语言模型推理是纯 Decoder 架构。输入阶段叫 Prefill，是因为它在一次性填充 KV Cache，而不是在做编码转换。（训练时会用到 Encoder） 输出价格约为输入的 5 倍。Decode 阶段每个 token 都要独立跑一次前向传播，200 token 的输出就是 200 次运算。但 Prefill 并非零成本，200 个输入 token 虽然一批并行处理，注意力计算量依然和 token 数成正比。5 倍的价格差来自 GPU 利用率的差异：Prefill 是计算密集型，GPU 并行度高，单位 token 成本低；Decode 是内存带宽受限，每步只产出一个 token，GPU 大部分时间在等数据搬运。 https://kuhung.me/posts/seo-enhance/ Wed, 12 Aug 2026 11:25:12 +0800 https://kuhung.me/posts/seo-enhance/ 最近半年，关于 SEO 和 GEO 的讨论很多。不少做产品开发的大佬，也都在强调流量的重要性。对于低市场预算和起步阶段的小团队来说，善用搜索引擎流量，提高 AI 的可见性，是极具性价比的一环。 笔者的几个产品，不少流量就来自搜索引擎和“豆包”这类产品。这篇文章，试图以通俗的语言，穿插专业内容，来盘一盘这一路上会遇到的问题和解决思路。 做产品和开小店的共性 把网站想象成一家店。货上了架，但路不通、门打不开，顾客走不进来的。搜索引擎和 AI 助手是帮顾客找路的系统，决定你的店会不会出现在顾客面前。 用这个比方串一下全文逻辑： 搜索需求决定这家店应该卖什么，不是先铺货再猜 技术配置保证路通、门能开，搜索引擎可以发现你的店 页面内容让招牌和货架真正回答顾客的问题 结构化数据给搜索系统一张规范的"商品卡"，帮它理解你卖的是什么 页面之间的链接像店内导视，把顾客带到相关区域 AI 可见性观察 AI 助手在推荐店铺时有没有提到你 应用商店是另一座商场，有自己的招牌规则和排名逻辑 在上述的内容之外，还有很多东西需要考虑。包括但不限于：进店后怎么让人掏钱（转化优化），怎么让内容高效自传播（那是外链和营销的事）。这篇只介绍"让人找到你的店"。 下面按"基础、进阶、验证"三步展开。 一、基础：搞清楚问题在哪 1.1 人们在找什么 这是所有后续工作的起点。很多人反其道而行之：“产品搞好了，咋没流量，听说要搞 SEO，让我来看看 SEO 咋优化”，连用户在搜什么都没搞清楚。 核心问题：你的目标用户遇到问题时，会在搜索框或“豆包”聊天里打什么字？ 不要从关键词工具开始猜。按下面几步收集和验证证据。 第一步：写清楚你卖给谁 先用一句话描述： 当____人遇到____场景时，他想完成____，但被____卡住。 比如： 当小型 AI 产品团队准备选择模型 API 时， 他想估算不同模型完成同一任务的真实成本， 但被不同计费单位、上下文价格和供应商页面卡住。 这只是待验证的假设，不要把它当成需求存在的证据。 第二步：收集用户的原话 找离购买或使用最近的材料：客服记录、用户反馈、站内搜索、取消原因、竞品评价里的抱怨。记录完整句子和场景。比如：“Claude 和 GPT 做长文本摘要哪个 API 更便宜”。 完全没有用户的话，可以先收集 10-20 条公开原话（社区、论坛、评价）作为假设池，但最好标记为推测。 第三步：看已经发生的搜索 如果网站已有曝光，Search Console 的 Queries 和 Pages 最直接：哪些查询曾展示你、哪些有曝光但没人点、一个查询落在了哪些页面上。 还没有数据的话，Google Trends 可以看词语的相对趋势，搜索联想和相关问题可以发现用户的真实措辞。 第四步：实际搜一搜，判断用户想要什么 拿候选查询去搜，看第一页主要是什么类型的结果： 教程、指南：用户在学习 对比、替代品、榜单：用户在比较 产品页、价格页：用户接近行动 工具、计算器、模板：用户想立刻完成任务 混合结果：意图不稳定，可能需要继续拆 不要只看关键词字面。搜"模型价格"的人可能想看价格表，也可能想做成本计算，最终意图用真实结果和用户原话一起判断。 https://kuhung.me/posts/ga4-in-practice/ Tue, 11 Aug 2026 14:38:58 +0800 https://kuhung.me/posts/ga4-in-practice/ 笔者在Vibe Coding 产品数据建设：5步框架与数据清单里，提到 GA4 作为工具选型的一环但没有展开。这篇补上 GA4 本身的实操细节，重点是半年实践中踩过的坑和演进出来的规范。 为什么单独写一篇？GA4 是 MVP 产品最容易"接了但没用好"的工具。接入只要一行代码，但要真正用出价值，自定义维度注册、埋点约定落文档、多工具口径对齐，这些坑 AI Agent 大概率不知道。 一、GA4 是什么 GA4 是 Google 提供的免费网站和应用分析工具，2023 年全面替代 Universal Analytics。核心变化从"页面浏览 + 会话"模型转向事件驱动模型：所有用户交互都是事件，页面浏览也不例外。不清楚也没关系，就当成页面计数器好了。 对小规模开发来说，GA4 的价值在于三点：免费、功能全（漏斗、留存、探索报表都有）、BigQuery 免费导出。代价也很明确：配置门槛高，学习曲线陡，生态相对封闭。但是你如果做出海、做谷歌生态，就没办法绕过它。 二、功能关注点 GA4 后台功能繁多，MVP 产品不需要全用。以下是按实用程度排的几个核心功能。 值得花时间的 探索报表：GA4 里最有价值的功能。自由形式的分析画布，可做漏斗、路径分析、同期群留存。标准报表是预设好的仪表盘，探索报表才是你真正需要的分析工具。它的学习曲线陡，第一次搭漏斗报表可能摸不着头脑。跟某些公司里的自定义报表没法比。 自定义维度与指标：最容易踩坑、代价最大的功能。GA4 的规则是：事件参数如果没有在后台注册为自定义维度或指标，数据进了系统也不进报表，Data API 查不到，且历史数据无法补回。后面 PageGrok 的案例会详细说这个坑。 增强衡量：滚动、外链点击、站内搜索、视频播放、文件下载，这些事件开箱即用，不需要额外埋点。 DebugView：实时查看单个设备发送的事件和参数。新埋点上线后，先在 DebugView 里确认事件到达、参数值正确，再去看报表。不验证就直接看报表，数据不对还不知道问题出在哪。 可以晚点再碰的 标准报表：预设的仪表盘，看个大盘趋势可以，做深度分析不够用。日常扫一眼流量来源和实时用户数就行。 受众群体：需要一定流量基础才有意义。日活不到 500 的时候，细分受众样本太小，分析不出什么。 Google Ads 集成：没投广告的话完全不用管。 三、关键配置项 基础接入不赘述，建属性、建数据流、拿到衡量 ID（G-XXXXXXX），加到网站里。下面是几个容易被忽略、但直接影响数据质量的配置。 数据保留期限 默认 2 个月，建议改为最长的 14 个月。这个设置只影响探索报表（标准报表不受限），而你真正需要的深度分析全在探索报表里。两个月后数据就查不到了，回头想做同期对比发现数据没了，就晚了。 路径：GA4 → 管理 → 数据设置 → 数据保留。 内部流量过滤 开发者自己频繁访问产品，不过滤的话数据会严重失真。操作分两步： https://kuhung.me/posts/harness-your-skills/ Sat, 08 Aug 2026 23:16:24 +0800 https://kuhung.me/posts/harness-your-skills/ 打开 skills.sh 排行榜，前十名加起来几百万安装量。直觉告诉你：这么多人装了，应该有用吧。装了一圈之后发现，大部分时候它们在干预期以外的事情。 先装一堆别人的 Skill，却没搞清楚系统有什么、自己需要什么。顺序应该反过来：先摸清 Cursor、Codex、Claude Code 各自预置了什么，再判断自己缺什么，薄弱点拿别人的 Skill 临时补上，同时把自己的专长编成 Skill 输出。 补丁性质的skills迟早会被模型原生能力吞并，个人性质的skills才是长期资产。 系统有什么 用 Agent 写代码，背后不止一个聊天窗口。从下到上大致是五层：基座模型决定推理上限；Tool 是模型能调用的外部能力（浏览器、终端、MCP）；Skill 是操作手册（一份 SKILL.md，教 Agent 按什么步骤用什么工具完成任务）；Rules 是项目级背景约束（Cursor 的 .cursor/rules/、Codex 的 AGENTS.md、Claude Code 的 CLAUDE.md）；Hooks 是守门员（脚本层执行，模型绕不过去，也不花推理 token）。还有一层 Subagent，主 Agent 派生子代理并行工作。 搞清楚哪层做什么，才不会装一个 Skill 去做本该是 Hook 的事。 原生指令 三个平台的原生指令覆盖面比大多数人以为的要广： 任务 原生怎么做 代码审查 Claude Code /code-review --comment 直接发 PR 行内评论；Codex /review；Cursor 内置 review-bugbot、review-security 长任务管理 Codex /goal（edit/pause/resume）；Claude Code /goal 释放上下文 Codex /compact；Claude Code /compact [instructions] 并行工作 Claude Code /subtask、/fork、/batch；Codex /agent、/subagents；Cursor Subagent（Task 工具） 规划模式 Codex /plan；Claude Code /plan；Cursor Shift+Tab 初始化仓库说明 Codex /init 生成 AGENTS. https://kuhung.me/posts/does-the-llm-token-spend-index-predict-the-ai-trade/ Fri, 07 Aug 2026 22:53:52 +0800 https://kuhung.me/posts/does-the-llm-token-spend-index-predict-the-ai-trade/ 拆解模型定价、用量迁移与美股 AI 软硬件走势的先行关系 背景介绍 上个月写了一篇关于 TTSI 的复现与归因分析，结论是 5-6 月的指数回落主要由中国厂商降价和用量迁移驱动，整体支付意愿并未下降。文章发出之后，收到了不少反馈。公众号读者的反应还不错，“非常不错的分析"“点赞"这类留言不少。TrakToken 网站的数据也迎来快速增长，很快用户数便破万。8 月 6 日，日活用户数创下新高，突破 800。 另有一位做私募的朋友反馈他接收到的信息和看法：Anthropic 和 OpenAI 的前沿模型，在 OpenRouter 上的收入和份额趋势到底怎么样？中国模型的冲击，是打了定价权、还是抢了份额、还是两个都有？Token 降价这么猛，量增长没问题，但价格降得太狠的话，市场规模可能没有大家想的那么大，最后资本开支就会出问题。 他的原话是"资本开支其实现在完全依赖债务融资，所以还是要边走边看”。这引出一个问题：TTSI 和美股 AI 行情之间，到底有没有可量化的关系？如果指数能够"预测"行情走势，哪怕是部分的、有条件的，对于关注 AI 赛道的投资者来说都有价值。 如果前沿模型的定价权在流失，是不是意味着硬件端的资本开支（capex）逻辑正在松动？这是一个值得认真做的分析。 先看一眼近期的 AI 行情 分析之前，先回顾下标的本身的走势。这里选了三个 ETF 做参照： SMH（VanEck 半导体 ETF）：代表 AI 硬件端，重仓英伟达、台积电、博通 IGV（iShares 软件 ETF）：代表 AI 软件端，覆盖 Salesforce、Adobe、ServiceNow 等 QQQ（纳斯达克 100 ETF）：大盘基准 从 4 月 1 日到 8 月初，SMH 走得最强，IGV 相对温和，QQQ 居中。TTSI 的波动幅度远大于三个 ETF，这点从标准化走势图上很明显。特别是 5 月底到 7 月，TTSI 经历了大幅波动（和上篇文章分析的中国厂商降价、用量迁移的时间窗口重合），而同期 SMH 持续走高。 直觉上，“AI token 越来越贵 → 算力需求大 → 利好硬件"这条逻辑链看起来说得通。但直觉需要验证。 https://kuhung.me/posts/how-to-build-a-data-driven-product/ Thu, 06 Aug 2026 18:39:39 +0800 https://kuhung.me/posts/how-to-build-a-data-driven-product/ Vibe coding 很热，写出来的东西越来越像样。但好像很少有人聊 vibe coding 产品的数据怎么做。没有数据，写写自用玩具可以，但想进一步规模化和商业化，这个问题始终绕不过去。 英文圈有一些讨论。Value Add VC 和 JustNeeda 分别写过一篇，其核心结论一致：定义北极星指标、只埋 5-10 个核心事件、每周花半小时看数据。这类文章面向的是有一定规模的 SaaS 创业者，和 vibe coding 出来的最小产品之间有些距离。 中文圈相对更少，搜出来的基本是大厂视角的"埋点入门"或"用户行为追踪从入门到实践"，和独立产品不太搭噶。你真去看了，就会陷入很多细节。属高射炮打蚊子。 笔者之前做算法，合作最紧密的业务方正好是产品数据运营和增长团队。回顾这些角色在干什么，对现在自己做的事情很有帮助。但很多人对数据的印象停留在活跃、营收这些大厂概念，更落地的问题反而没人讲：看什么数据、埋点怎么写、数据质量怎么保证。今天借机梳理下，从一个最小产品开始，数据该怎么做。 总的来说，初创产品的数据建设要做的是一件事：从用户行为到迭代决策之间，建一条可获取、可解释、可验证的数据流。整个流程，可以拆为 5 步。 一、先定义好坏，其后才是埋点 很多人一上来就问"接什么埋点 SDK ““GA4 够不够用”。工具当然重要，但数据工作的起点不是数据，是业务思维。大伙儿知道要接入数据，但不清楚为什么接、接入后干什么。闷头干，不是好事。 首先，我们需要定义什么是好、什么是坏，要看的北极星指标是什么。整个项目，有且应该仅有一个核心指标。 定义北极星指标（North Star Metric, NSM）大致两步： 定义核心价值：在写追踪代码之前，先确定一个能最精准捕捉产品"价值"的单一指标。 确定具体动作：用户做完哪个动作，我们就认为他获得了价值。这个动作，就是北极星指标。 北极星指标举例：社交软件，每天发送的消息数。旅行 OTA 软件，预订的房晚数。音乐软件，听歌时长。 数据要能证伪、要敢于直面现实。坏就是坏，不必麻醉自己。提前想清楚什么情况下需要调整、什么情况可以继续。标准不一定准，但一定要有。这个标准，应该能够指导决策和行动，如果不能，就不要追踪。 拿笔者自己的项目来说。QuantFull 产品改版前，先定义五段漏斗和四周基线，改版后逐段对比，才能说清楚"到底改好了没有”。另一个项目则是把"支付成功"收紧为"完整内容呈现给用户"，因为只有用户真的看到了结果，才算完成了价值交付。之前有用户支付成功但是交付失败，这个影响就很大了。 顺带提两个常见误区：第一个，过度关注虚荣指标。注册数、下载量、粉丝数这类只增不减的绝对数，好看但不能指导决策。真正有用的指标应该是可比较的比率，比如留存率、转化率、日活占比。第二个，忽视跷跷板效应。我们有一万种方法让点击率上升，但是这可能是强制弹窗、强制跳转，以牺牲用户体验和留存为代价。 二、埋点规范与兜底 定义好了北极星指标之后，下一步就是把它拆解成具体的事件。埋点的核心原则就一条：为决策而埋点，不为数据而埋点。基本上就是上文的延伸，业务逻辑出发，能指导决策的事件才关注；宁可少而精，不要乱铺开。 事件分四类 事件大致分四类：Pageview（自动采集，不用手动埋）、User Actions（按钮点击、表单提交等用户主动操作）、System Events（注册完成、购买、订阅变更等系统状态变化）、Custom Conversions（你自己业务定义的"成功"，比如漏斗终点）。 具体场景上，营销站和产品内侧重不同。营销站关注 cta_clicked、form_submitted、signup_completed 这类转化事件；产品内关注 onboarding_step_completed、feature_used、purchase_completed、subscription_cancelled 这类行为事件。每个事件带上必要的属性（比如 button_text、location、feature_name、reason）。 套到笔者自己的产品上，大概是这样。TrakToken 更偏"工具站"逻辑，核心事件是 model_compared（比了哪几个模型）、pricing_table_filtered（用了哪个筛选条件）、outbound_click（点去哪个模型官网/API 文档）。PageGrok 是个浏览器插件，更偏"产品内"逻辑，核心事件是 extension_installed、feature_used（feature_name 具体到摘要/翻译/哪个功能）、extension_uninstalled（带 reason，如果能采集到的话）。 属性怎么挂 属性大致分四类：Page 类（page_title、page_location）、User 类（user_id、plan_type）、Campaign 类（就是 UTM 那五个）、Product 类（product_id、price 等）。建议统一词表，别每个事件各发明一套字段名。 https://kuhung.me/posts/how-to-manage-skills-for-agent/ Wed, 05 Aug 2026 11:41:14 +0800 https://kuhung.me/posts/how-to-manage-skills-for-agent/ Skill 是什么、怎么写，这篇文章不准备展开介绍。这里聊的是另一件事：当跨 agent 工作越来越常见，工具转换间，沉淀的 skill 怎么办。 以我自己为例：同时用 Claude Code、Codex 和 Cursor 三个 agent（之前还有 Gemini CLI），并在它们各自的 skill 目录里积累了几十个 skill 之后，发生了什么以及我的应对之策。 为什么突然要管理 skill 不少其他作者说要管理 skill，是为了防治上下文腐败。他们安装了太多的 skill，以致于在决定召回用哪个 skill 时，出现打架冲突、召回准确率下降，以及影响正文内容表现的事。 我这边装的不多，没遇到过 skill 失灵的情况。更多遇到的是如标题所言的，在多个工作工具来回切换时，skill 咋整的问题。 典型情况就是 skill 没有全局安装，换了一个 agent 就看不到，要重装一遍。比如我在 Claude Code 里装了一个 grill-me skill（动手前让 AI 先把方案问透的技巧），用着顺手，切到 Codex 想用的时候发现它没挂在 Codex，需要重装。 这种情形本质上其实是：Claude Code、Codex、Cursor 现在都支持 skill，但各家"支持"不等于"保持同步"。每个 agent 有自己的 skill 目录、自己的 discovery 规则。你在一个地方改了 skill，默认不会同步到其他 agent 下面。 Skill 从"效率工具"变成了"需要跨工具治理的资产"，是这篇文章要讨论的。 快速回顾：Skill vs Prompt vs MCP 首先我们快速回顾下什么是 skill，以及之前的相似概念：Prompt、MCP。 Skill 不是 prompt 模板的简单升级。核心区别在"渐进式披露"：skill 是按需加载的，agent 判断当前任务需要某个 skill 才会去读；而 system prompt 是开局就全塞进 context，不管用不用得上都占着窗口。当你有几十个 skill 的时候，这个差异决定了 context 会否被无关信息稀释。 https://kuhung.me/posts/use-codex-goal-build-products/ Tue, 04 Aug 2026 17:58:11 +0800 https://kuhung.me/posts/use-codex-goal-build-products/ 随着 vibe coding 时间的增加，我越发觉得“细节不重要，重要的是如预期交付”。这和指导实习生、指导新人融入团队并无二致。好的团队领导者，一定是放权状态，不抠细节的同时给成员充足的上下文（context），最后只检查确认结果即可。 这点，反映到 AI coding 上面，也是如此。很多人以为 vibe coding 是某种许愿式编程，你只需要念出你的咒语，Agent 便为你办妥一切。其实非也。模型无法猜测你的心思，就如你无法猜透上级、客户的心思一样，需要反复追问确定清楚交付细节。 但如果不想 Agent 反复追问呢？Codex 的/goal 指令，就是一个可以实现“按预期交付”的工具。goal 是用来做持续性迭代工作，你可以在睡觉前、或是额度快耗尽前起一个，让 Agent 持续不断进行多轮探索。几个月前，我在做 agentank 比赛的时候，就得知有人用它取得了 Top 的成绩。（虽然耗 token，但是结果上优于我的蒸馏学习） 前文讲过我用 Codex 来做什么，这次拿一个完整案例展开。 一个社交媒体帖子引发的产品想法 刷帖子有一个金融律所的人说，他的实习生过的日子比他好多了。新人不再像他们之前，古法审合同、一个个抠字眼、识别风险，直接丢给中外大模型即可。评论区反复在问，安全合规怎么搞、本地脱敏如何做。这点其实有不少解决方案，但是面向中小型组织和个人的似乎少见。我认为这是一个商机。 这是一个真切存在的需求点吗，能够做到 PMF 验证吗？用户的抱怨集中在哪里？同行竞品是如何切入的，他们的定价、销量、投融资情况如何？恰好我的 Codex 额度要用不完了，这个需求我们丢给 goal 指令，实测其效果。 六轮引导：从想法到产品 goal虽然能减少干预，但大概率交付的不是想要的。原因同开头讲的，双方都未获得关于产品的全部信息。”我“的观点和态度，会随着”我“掌握的信息变化。Agent 也会根据我的反馈信息，逐渐调整它的切入点和交付物。最终下来，我在整个过程中做了六次关键引导。 第一轮：从一个功能设想，转成市场问题。 原始观察和想法丢给 Codex 后，它直接开始假设需求成立。我的反馈是：不假设需求成立，先验证场景、替代品与付费可能。Codex 随即完成了中国与海外调研、竞品、定价、市场规模的整理。结论是风险场景真实，但个人脱敏工具并非空白市场，存在多个现有产品。 第二轮：从法律行业，扩到真实工作流。 市场切入范围调整。我反馈不要限制在法律行业，公司机密也不能直接喂给模型，试图让 Agent 思路放宽。Codex 重新扫描了个人插件、浏览器 DLP、企业治理与 Agent 安全的竞品地图。发现企业会为治理、审计和部署付费，个人通用插件的安装甚少。 第三轮：从功能堆叠，收敛到核心承诺。 我一开始随口提了句能脱敏然后还原，Agent 将落地页写出来后，我随即发现落地页 AI 味太重，用户未必关心"还原"能力。我把主矛盾收敛为：内容发出前识别风险，不展示复杂能力。 第四轮：从重工作区，收敛到轻量 MVP。 Agent 给出的调整方向是做离线安全工作区。但显然这个方案过于庞大。我反馈先从复制/粘贴切入。暂不做文件工作区、PDF/Office、系统级剪贴板劫持。这些都是为了控制交付复杂度。 第五轮：从"造功能"，转向"嵌入已有抱怨"。 看来模型整不明白，算了不要这个功能，看看用户的反馈集中在哪里。我让 Codex 去研究用户在哪里抱怨，不要教育用户新流程。它拉回了 24 条公开抱怨语料，收敛到客户报告、工单、错误日志三个真实场景。 第六轮：从 Skill 拦截，转成诊断获客。 如果切入工作流行不通，那试试写 Skill 搭便车。不过 Skill 被调用时内容已可能进模型，也就无法实现前置拦截。随即调整为免费隐私诊断工具，用来获客，付费产品才是本地脱敏。 https://kuhung.me/posts/how-i-use-codex/ Mon, 03 Aug 2026 11:49:39 +0800 https://kuhung.me/posts/how-i-use-codex/ Codex 对我最大的用处，并非简单写代码，而是让我以尽可能小的时间成本，干成、干快以前干不成或干得慢的事。 我的背景是算法，在很多人看来，程序员都是一个类型。但实际上这个岗位的细分非常多，我擅长将业务问题转化为建模问题，能够构建稳定可靠的数据pipeline和模型pipeline，但并不包括写出好看的前端和稳健的后端。后半部分工作，是 Codex 帮我加速达成的。 此外，对于像产品、市场和运营这类工作，虽然日常协作有所耳濡目染，但绝对并非我的优势。我也借助 Codex，来帮我整理用户需求、做市场调研、分析数据并制定对应的运营活动策略。 所以，你说，Codex 对于普通人有什么用？那我想是解放了生产力，能够有机会做更多之前能想到，但是没资源去验证的事情。这些事情包括开发、文案类工作，也包括数据调研、资料整合类工作。 具体展开来说。 Codex，我用来干这些事 **第一件：看清楚市场。**这也是我逐渐琢磨出来的事情。在更早期我习惯让LLM先写一版原型看看，后来发现得市场先行。可以有想法，但是千万别急着开发构建应用，不然会陷入无尽的调试细节。 做 TrakToken 之前，我想知道市面上有哪些 LLM 定价追踪工具、它们的数据源是什么。这些调研工作，交给 Codex 去做整理，我来判断和取舍。最后结合我个人的偏好，上线了 TrakToken 这个 Token 追踪应用。用户反馈也不错，每天能稳定有500左右的访问量。 第二件：SEO。 SEO这事，其实我从大学开始就知道。图书馆的SEO相关书籍，我也看过不少。上半年的灰产GEO，我还写过一篇文章来介绍原理和我的看法。SEO这事，没啥诀窍，按照搜索引擎大厂的要求来，一点一滴优化就行。这任务特别细致，现在交给 Codex，哐哐出活。 此外，还可以让 Codex 分析竞品的 meta tags、关键词布局、页面结构，拉出具体的优化建议。转化漏斗的埋点代码、Google Analytics 的事件追踪配置，这些重复性的工程工作也一并交给它。我要做的是提需求，验收并给出我对数据的解读反馈。 第三件：开发管理与加速。 PageGrok 从 1.0.1 到 1.0.8，八个版本，四个月，大量 feature 和 bug 修复，都是靠"GitHub issue 记录需求、Codex 生成代码、review 后合并"这套流程跑出来的。虽然大家都想许愿式编程，但编程的艺术在于舍而不是在来坨大的。 通过产品路线图、版本控制、issue跟踪的方式，让我的开发管理井井有条。慢即是快。issue 会写清楚当前行为、期望行为、验收标准，剩下的让 Codex 的 agent 干就完事。当然，这些 issue 也是 Codex 在我的指挥下生成的。 第四件：运营维护。项目上线后，日志采集脚本、安全配置检查清单、定时任务的 cron 表达式、数据更新的定期抓取。这些琐碎但必要的运维工作，我现在都习惯丢给 Codex。 另外，我还有一套基于 Notion + GitHub 的周报自动化流程，底层的数据采集和同步模块是大模型搭的。现在每周的工作，不再需要手动记录，流转在 Notion 甘特图和GitHub提交记录的信息，通过数据管线汇总给大模型，每周只需要花2块钱，就能让顶级模型帮你总结项目进展、风险和下周优先级。 第五件：知识整理和评测。 这个可能比较少人提到。我用 Codex 帮我做 AI 模型的质量评测：写评测脚本，跑 benchmark，整理结果对比。做 TTSI（LLM Token 支出指数）复现的时候，数据采集和加工脚本也是 Codex 写的。我负责确定分析逻辑和结论判断。 https://kuhung.me/posts/meet-with-hardware-ai/ Sat, 01 Aug 2026 22:32:01 +0800 https://kuhung.me/posts/meet-with-hardware-ai/ 前阵子参加了一场 AI 硬件方向的闭门交流，在场的有做可穿戴设备的创始人、做机器人的、做宠物科技的，还有几个在做全球化的。聊了快三个小时，几条判断我印象很深，先放最前面：AI 硬件真正要补的短板不是"听得见看得清"，而是"记不记得住"；通用大模型讲故事好听，但真正需要的是"只做一件事"的小模型；情感陪伴这件事，AI 越完美越容易崩，反倒是有点"小脾气"、需要你投喂才跟你亲的设定更稳；出海反直觉建议，把一半预算投向拉美和非洲，而不是单单做高客单价的美国日本。 往下是具体内容，按话题整理。 为什么非得做硬件 现在大部分 AI 交互还是靠手机屏幕或者电脑。但有人提了一个很有意思的说法：“你的世界应该是你最大的 prompt。” 什么意思呢？你每次跟 AI 聊天，都得重新交代一遍背景。AI 不知道你在哪，不知道你刚跟谁吃完饭，不知道你桌上放着什么。这中间有一条巨大的"情境鸿沟"。 可穿戴设备能填这个坑。它一直在你身上，能看到你看到的，听到你听到的，不需要你主动输入，被动感知就行。有人把这叫 LifeOS，生活操作系统。 另一个价值是情感陪伴。现在年轻人愿意为情绪价值花钱，盲盒、钓鱼，各种体验消费都是这个逻辑。AI 硬件能不能做成一个陪伴你的东西？ 但这里有个坑：“情感恐怖谷”。你把一个 AI 当朋友了，结果它突然忘了你们昨天聊了什么，或者做出跟"人设"完全不符的反应，信任瞬间崩塌。现场有人分享了几个规避思路： 把 AI 设定成宠物或者外星人。它对人类世界不了解、记忆有偏差，这些就变成了角色特点，不是 bug，是"萌点" 不要做一个完美的工具人，AI 应该有自己的小脾气，需要你跟它互动才能解锁更多内容 参考"拓麻歌子"（那只曾经风靡全球的电子宠物玩具）的思路：你得照顾它，它才跟你亲，陪伴是双向的，不是你单方面索取 做硬件有多难 有人用"五感"拆解 AI 硬件的能力要求：听得见、读得懂、看得清、记得住、猜得透。前两个基本解决了，后三个还差得远。 看得清： 人习惯在五六十厘米的距离读东西，你随便把设备对准一本书，期望 AI 像人眼一样看清，现在做不到。 记得住： 这是最致命的一条。1M tokens 的上下文窗口听起来很大，但：每两秒拍一张 720p 的图，只够存半小时。 猜得透： 真正的主动服务不是根据聊天记录发提醒。应该是你走到常去的咖啡店，AI 感知到了，帮你下单。这需要跨设备的记忆同步和情境感知。 形态没那么重要 眼镜、耳机、挂件，关于 AI 硬件该长什么样，争论很多。但在场做硬件的人基本一个观点：Form Factor（产品的物理形态）没那么重要，当前技术条件下，核心矛盾是功耗、性能和续航的三角平衡。挂件（pendant）为什么现在比眼镜更实际？因为它在有限体积里，给电池和计算单元留了更合理的空间。 有个做机器人的举了个例子也挺好。传统机器人用谐波减速器，贵，精度高；但现在用强化学习算法，机器人能在运动中自己补偿误差，这意味着可以用便宜得多的行星减速器，效果差不多。算法替硬件省钱。 大模型还是小模型 有个做宠物科技的分享了一个很实际的教训。他们有几百万用户，如果用大模型做一个泛化的通知，比如推送一条"你的猫不正常"，会怎样？几千个焦虑的用户同时涌进客服问"我的猫到底怎么了"，客服成本直接炸掉，公司可能从盈利变亏损。 他们的解法是用小模型，只做一件事，比如只分析猫的大小便数据，监测健康问题。好处很明显：模型在窄领域里持续训练，越来越专业，建议更靠谱；也不用担心泛化能力不足带来的客服灾难，商业上算得过来账。通用听起来性感，但垂直才赚钱。这个判断我觉得适用于很多 AI 产品，不只是硬件。 Garmin 的"面粉"模式 聊到生态，有人提了 Garmin 的做法。Garmin 手表通过传感器收集原始数据，相当于"收割小麦"，然后把数据通过开放 API 加工成"面粉"，提供给合作伙伴。合作伙伴是各个垂直领域的"手艺人"，用面粉做自己的特色产品，Garmin 自己不下场做面包。 两个案例挺有意思：一个是连续血糖监测（CGM），把运动、睡眠、压力数据跟血糖数据整合分析，给运动员和糖尿病前期患者提供整合健康方案；另一个是人宠互动，用主人的心率变异性数据算出一个"吸猫力指数"，把交互从人机变成了人和宠物之间的真实互动。压力大的时候提醒你去撸猫，比推送一条"你该休息了"场景感强得多。 出海三件事 对于想出海的中国产品，几个人总结了三点。 第一，品牌真实性。 不是靠砸营销预算，是靠用户社群自然增长。Duolingo 在哪个国家核心体验都一样，Notion 靠社群口碑起来的，持续交付一个核心价值，别搞碎片化营销。 https://kuhung.me/posts/pair-zhipu-minimax/ Thu, 30 Jul 2026 18:14:26 +0800 https://kuhung.me/posts/pair-zhipu-minimax/ 先说结论 多智谱、空 MiniMax 能带来可观收益，但并非常态，难以复刻。最好施加波动率风控策略，降低回撤，增强体验。 协整检验不通过，经典配对交易的前提不成立；顺分化做多空回测夏普 3.52，但样本外验证表明合理预期在 0.5~1；波动率降仓把最大回撤从 -27.9% 压到 -9.2%，比单日止损更有效。 注意：本文仅分享个人思路和回测过程，不代表投资建议。投资有风险，需充分衡量个人风险承受能力，在持牌顾问指导下进行。 为什么盯上这两家 智谱（HK.02513）和 MiniMax（HK.00100）是 2026 年 1 月先后在港股上市的两家大模型企业。 我参与了打新，不过没中。即使中了，按照之前的习惯也会在暗盘给卖了。回头看很可惜：智谱从发行价到 6/22 最高收盘 2410，涨幅 +1974%（总价约 20.7 倍），到 2026-07-30 收盘 862.0 仍有 +642%。MiniMax 在 3/18 最高收盘 1238（较发行价 +650%），但到 2026-07-30 收盘 203.8，较发行价仅 +23.5%，较首日收盘已跌 40.9%。 作为港股大模型双雄，很容易让人联想到配对交易：两只同板块高相关的票，价差拉开了押注回归。比如可口可乐和百事长期走势高度相关，价差偏离后做反向交易。我们在之前的文章有介绍过接入持仓数据到 AI，要验证想法很简单，让 AI 拉取数据并进行回测验证。 智谱 HK.02513 MiniMax HK.00100 发行价 116.2 165.0 上市日 2026-01-08 2026-01-09 公开发售认购 1159 倍 1837 倍，一手中签率 2.81% 首日开盘 120.0（+3.27%） 235.4（+42.67%） 首日收盘 131.5（+13.17%） 345.0（+109.09%） 最高收盘 2410（6/22） 1238（3/18） 盘中最高 2980（6/22） 1330（3/18） 7/30 收盘 862. https://kuhung.me/posts/pagegrok-in-practice/ Wed, 29 Jul 2026 15:43:32 +0800 https://kuhung.me/posts/pagegrok-in-practice/ 需求痛点 刷网页的时候，总会碰到这种时刻：看到一篇长文，或者一段讨论，想快速知晓大意或是多方观点。念头很简单，但满足它却挺麻烦。前大模型时代只能硬啃；后大模型时代，能把内容丢给豆包、丢给 DeepSeek，可这个"丢"字里全是摩擦：开一个新标签页，将链接丢给他们。碰上反爬或者排版诡异的页面，结果不可控还得回来复制粘贴。 我真正想要的东西十分简单：看到感兴趣的内容，选中，问一句，拿到答案。中间越少越好。 市面上不是没有类似的东西，Chrome 插件 Page-Assist 算比较早的一个，但功能铺得太满，配置项一大堆，用不上的东西成了负担。这活儿逻辑不复杂，手搓也不难，正好还能把本地跑的模型用起来。 于是就有了 PageGrok 这款浏览器插件。 大厂做了，还做不做 开发到一半，Google 把 Gemini 塞进了 Chrome 侧边栏。选中页面问模型，跟我做的事一模一样。这种时刻经典复刻了：你琢磨的东西，大厂顺手就做了，怎么办？ 想了想，还是继续做。理由也不复杂。Gemini in Chrome 的完整功能绑在 Google AI Pro 上，一个月 19.99 美元，我只是想总结个页面，用不上生图、云存储。这笔账不划算，何况有些地区还用不了。还有隐私：Chrome 侧边栏默认拿当前标签页内容去生成回答，数据是走 Google 服务器的，公司内部文档、没公开的研究资料，这可使不得。 它能干什么 所以 PageGrok 做的还是一个很朴素的东西：侧边栏常驻，一边看内容一边问；自定义接入本地模型或者 API；借鉴了印象笔记的截屏取景框逻辑，能自定义截取一块区域。这个在小红书、推特这种浮窗式应用上意外地好用；回答可以直接复制走，还能带上来源，方便回头翻。产品形态确实初级，商业化也有限，但我自己天天用，够用。 4个月8个小版本 三月底上线 1.0.1，只支持 Ollama，弹窗交互。五月中到 1.0.4，加了 oMLX 和 LM Studio，顺手把弹窗换成了侧边栏。这一步其实是深度体验后的有依据调整。七月稳定发布 1.0.7 和 1.0.8。四个月，八个版本。五月十一号在 V2EX 发了个帖子，到现在 1100 多次浏览，被几个 AI 工具站收录转载过。周活跃用户在数十位，横跨亚欧美三大洲。这些够我确认一件事：这个需求不是我一人独有。 踩过的坑 踩过的坑也有。最早是 popup 弹窗，点图标弹出来，点别处就收起去。换成 Side Panel API 之后才顺了，不过这 API 本身还比较新，有些交互细节 Google 自己可能都还在摸索。然后是会话不保存，早期版本刷新页面或者关掉侧边栏，之前问的东西就没了，对那种需要反复追问、一层层往下挖的场景，体验糟糕。后来加了 Markdown 渲染和复制，能够衔接到下游的知识管理 pipeline 了。 https://kuhung.me/posts/ai-native-in-mind/ Mon, 27 Jul 2026 17:46:54 +0800 https://kuhung.me/posts/ai-native-in-mind/ 你以为的 AI Native 年轻人，在 AI 的环境下成长。他们接触到的世界，天生就有 AI。理所应当，他们是 AI 的一代，是人类未来的希望。 他们不需要学，因为他们就是 native。就像母语者不需要背单词一样。他们天然知道怎么用这些工具，天然知道怎么和模型协作。 营销号说，再不上车就晚了。VC 说，AI-native 才是未来。你要么变得 AI native，要么被淘汰。 不过很遗憾，你不是年轻人，自动出局。 实际上的 AI Native 历史只会重复。这个故事二十年前讲过一遍。那个词叫"数字原住民"。 2001 年，一个叫 Marc Prensky 的教育学者造了"Digital Native"这个词。意思是，在数字环境中长大的年轻人，是"技术的母语者"。这个概念火了将近十年，各种教育改革都在引用它。 接着学术界开始打脸。2008 年有论文说，这场辩论本质上是学术版的"道德恐慌"。2017 年有研究指出：不存在"未经历过非数字世界就天生信息娴熟"的数字原住民。Prensky 自己 2009 年也承认这个框架"正变得越来越不相关"。 暴露不等于习得。你在有互联网的环境中长大，不代表你会高效检索信息。你在有 AI 的环境中长大，不代表你会高效使用模型。这点，想必诸位中登都有体会。 但"XX-Native"是个好用的构词模板。Digital Native、Cloud Native、Data Native（Data Driven）、AI Native。每当一种新技术进入主流视野，就有人把"native"贴上去。贴了这个后缀，就自带先进光环。 你刷到 a16z 的报告，说 AI-native 公司正在涌现。你看到各种课程打着"培养 AI Native 能力"的旗号。你开始焦虑，觉得自己不够 native。 a16z人家需要投资造势，吸引下一轮；各类课程人家是准备先你一步“AI变现”。IBM 自己 2026 年都说了，Native 这个词"常常作为营销话术出现在并不适用的语境里"。 用在产品上，native 有个可操作的判断方法：把 AI 拿掉，产品还能不能用？Perplexity 去掉 AI 就不存在了，它是 AI native。一个用 AI 做朗读的浏览器，去掉 AI 照样跑，那它只是套了个壳。 但对人呢？把 AI 从这个人身上拿掉他就干不了活，这样的人敢用吗？ https://kuhung.me/posts/cang-in-house/ Sun, 26 Jul 2026 12:44:44 +0800 https://kuhung.me/posts/cang-in-house/ 毕业以来，我的财务一直通过记账的方式进行归集。早期通过 GoodNotes 进行手动记账，好处是可以手动批注。后来迁移到了 Notion，原因是发现需要记录的东西很固定，每次复制旧的内容到新日期，接着修改数值即可。而且，使用 Notion 能够很方便地按类型进行归类和计算，较为方便看到每个月的动态状况。 但是后来，随着投资标的的分散，每次在券商上算账都要耗费不少的心力。需要计算杠杆、货币转换。这让我逐渐厌倦。想知道"投资账户一共有多少资金"，需要打开富途和雪盈两个 App 分别计算再合并。随着最近大模型的进一步发展，是时候用 Claude 写个 in-house 的仓位管理工具了。不少人 vibe coding 的第一步，都是搞些什么记账、todo 和番茄闹钟，这回也落回这三大件上了。 做 in-house 的仓位管理，目的是让 AI 能直接碰到持仓数据，进行交互分析和建议。包含四个方面的功能：分析持仓、计算收益、策略回测，以及最终的自动下单。手动记账时代，数据在 Notion 表格里，大模型要获取需要转个弯。现在，券商数据直接接入之后，它才有可能真正帮你干活。 本次文章，就给大家介绍下我用 Codex + Claude 接入富途 API 和雪盈 API 的过程和最终效果。当然，如果你是长桥、老虎或者别的什么，也是类似的道理，只要券商开放了 API，都可以做到。 设计目标 动手之前先明确目标和约束，我的目标有四个，逐层递进，分别是获取持仓、收益计算、策略回测以及下单信号。 自动获取持仓。 两个券商的持仓、资金、成交记录，每天自动同步到一个本地账本里，统一折算成人民币。不用再打开两个 App 分头算，一条命令就能回答"我一共有多少钱、钱都在哪些标的上、目前的杠杆情况如何"。 绩效回顾与归因。 能汇总看近 1 个月、半年、一年的区间收益。赚了多少、亏了多少、钱分布在哪些市场和币种里、不同资产的总体占比情况是多少。这个事之前手动基本无法做到，只能分平台看出赚了还是亏了。要对照沪深三百、纳斯达克这类计算超额收益，还需要手动转换，非常麻烦。 策略构建与回测。 有了历史 K 线数据之后，就可以让 AI 帮忙回测：“如果过去一年按某个策略操作，结果会怎样？“这是手动记账完全做不到的事，也是我做这个系统最想达到的目标。因为我在仓满量化那边有很多的点子，需要真实线上数据回测来说明情况。 下单信号。 有了上述的策略，进一步的就是生成交易信号。当然自动下单两个平台也是支持的，但是由于我的持仓不多、交易频次不高，所以暂不考虑自动化交易。能有信号也不错了。 券商特点 两家券商开放了什么能力，直接决定了系统怎么设计。富途的 API 近期一直有在迭代，还加入了 skills 功能，看起来有模有样。雪盈则比较保守，在几年前发布后，基本没见怎么迭代。 富途是自营全链路券商，自持牌照、自建行情系统。API 能力很完整，行情、交易、推送都有，实时报价、历史 K 线、盘口深度全覆盖。接入门槛也更高，需要在本地跑一个网关程序。 雪盈是轻资产互联网券商，底层执行和清算依托盈透（Interactive Brokers）。它开放的 API 非常精简，一共就 10 个接口，全部是交易和账户类的：查持仓、查资金、查成交、下单、撤单。没有实时报价，没有 K 线，没有任何行情数据。 https://kuhung.me/posts/weread-skills-in-practice/ Fri, 24 Jul 2026 18:29:48 +0800 https://kuhung.me/posts/weread-skills-in-practice/ 遇到难回答的问题，我不回答。但遇到难解的问题，我倾向于向书中寻求答案。过去几年，工具书我主要关注六类：横向与纵向领导力、组织与战略、销售与说服、产品与增长、个人成长、投资交易。微信读书每年差不多是 40 多本。大模型从 2023 年火了以后，很多内容能直接问出来，量大管饱看起来还蛮精炼。 是不是阅读就没有意义了呢。我的答案是非也。大模型适合科普通识性问题：“SLMs是什么"“端侧模型有哪些技术要点"这类。它还有个很强的特性，迎合说话人。这点即使通过提示词纠正，也难以跳出提问人的思维边界。碰到框架性的问题，它给不出系统的、有真人感的建议。 从底层原理来说，大模型给出的是概率性文字，它也没法给切身经验和系统方法。这就像公司新人，能力不差，但缺少开展工作的上下文。高质量书籍填补的就是这块空白。 以前看书，做做笔记、画个思维导图，遇到有意思的会写份读书笔记。今天讲的是更进一步的做法：把书里的方法，编译成 AI Agent 可以直接调用的技能。 Skills 生态：得有自己的方法 最近半年，各种 skills 层出不穷。有些好用，有些徒有其名。一个 Markdown 文件配个抓眼球的标题，就能在 GitHub 上混到成千上万颗星标，星标快失去意义了。还有些 skills 在逻辑里面埋毒，引导脚本执行木马程序。 试过不少 skills 之后，我发现还是得有一套自己的方法。比如有人推荐 superpowers，我用下来慢得要死，还生成一堆无关文件。别人的 skill 可以参考，快速了解知识的时候先拿来用，再在自己的基础上调整。核心方法得从自己的知识体系里长出来。 在 skills 没出来之前，这个场景可能的解决方案是外挂 RAG。即通过对文稿的预先处理，试图用大模型来召回对应的知识结构。这种方法的好处是省事，直接丢文档切分即可。坏处是吃大模型的上下文，召回质量需要大量工程逻辑兜底。另外，这种方法最大的问题，个人认为是缺少“人在循环”这么个东西。 微信读书笔记，恰好就是“人在循环”的一个具体表现。一千个人有一千个哈姆雷特，一千个读者也有一千种理解。这种带有个人理解的内容，才是 skills 真正值得沉淀的部分。 读万卷书，不如蒸馏成术；蒸馏成术，不如实践成路。 数据源：从 cookies 到官方 Skills API 在早先几年，我通过 cookies 截取的方式，借助 GitHub Actions 把微信读书笔记自动同步到 Notion。能归集阅读内容，但最近一年失效了，微信读书团队更新了鉴权方式。 今年早些时候，顺着 skills 这波风，微信读书团队开放了官方 Skills 接口。走完固定流程，就能在 Agent 里通过对话拿到你的数据：书架、阅读进度、划线信息，全部可以外挂给大模型。 网上对这个接口的二次加工，多集中在聊天、可视化、书籍推荐的程度。我想做的事更进一步：数据源有了，直接加工成可调用的 skills。把微信读书里的划线与想法，编译成 SKILL.md 技能指令，挂载到 Agent 上，在对话匹配到触发条件时自动加载。 五步流水线：划线变技能 整个流程分五步，从原始划线到全局可用： 步骤 做什么 产出 Step 1 微信读书原始划线存档到 private/（gitignore 隔离） 不可篡改的原始备份 Step 2 个人划线 + 社区热门划线，按逻辑主题重组 notes/书名_笔记. https://kuhung.me/posts/ttsi/ Mon, 06 Jul 2026 17:12:54 +0800 https://kuhung.me/posts/ttsi/ 起因 财联社报道，6月Token支出指数下降了。以此来说明终端买家愿意承担的成本在降低，进一步暗示可能影响上游的各个环节。实话说，这个结论大致符合直觉：无论科技大厂还是个人，近期都不再无脑敞开用最先进模型，转而注意模型的能力边界，搭配着用提升性价比。 但是你说，该“指数是外界目前所能获取的最清晰、最直接的市场风向标”，总感觉话说得太满了。作为一个算法出身，长期和数据打交道的人，自然也想知道是如何计算出来的。懂的都懂，数据里可操纵的东西太多了。另外，当然也想知道直觉之外，理性分析下的异动归因。到底是哪部分促成了指数变动，什么因素、各自贡献了多少。另外就是，能不能掌握这波趋势有所动作。 先动起来找出处。原始报告比较好找，关键词《The AI Trade Is Losing One of Its Key Signals》。彭博社的要1.99刀，但没关系，雅虎财经上的免费。 太长不看，用我自己开发的 PageGrok 一键解读： 简单来说，就是认为这个指数可能反映模型厂商正在失去定价权。可能的原因有三个：1. 模型厂商在降价；2. 用户在转向便宜好用的模型，比如来自中国的模型；3. 买家的真实支付意愿在下降，比如大型科技公司不再无限制token消耗。 另一方面，我也找到了一份有援引数据的报告，来自Citadel证券的《Tokenomics》。从图表中可以看出有两个上行高峰：分别是25年底和26年3月。经常在AI圈被“轰炸”和“瘫坐在地”的朋友应该能很敏锐察觉发生了什么：25年底是Claude 4.5发布的时间，Claude Code 好用到出圈。其实那个时候，养小龙虾也已经在欧美圈子传播开。26年3月，当然就是全球养虾盛潮，懂的和不懂的都在凑热闹搞消耗。一段时间后就又趋于平缓，到四月底各大科技公司开始搞token消耗排名，鼓励员工敞开用前沿模型。说到这里，想起字节炒股哥，抓住这波直接起飞。多亏了这两波曲线，他的存储标才能实现起飞接力。 数据复现 说回正题：想知道一个指标靠不靠谱，最直接的就是找到数据源和加工方法。我替大家去看了，Silicon Data 就放了短期几天他们计算出来的结果。多的没有，要付费，499美刀。想来也合理，他们这种做财经数据的，就靠这些个数据赚钱。 另一方面，他们也大致在主页讲了是怎么计算出来的。首先第一个，这个指标看名字的意思是：用户愿意为1M的token，所支付的实际费用。和单独的价格相比，就是多了个消耗权重。举个例子，比如Claude 1M收费10刀，卖出10；GLM 1M收费1刀，卖出100。你要衡量市场，那当然得乘以他们的消耗，就得到市场愿意为1M支付的价格 = (10x10+1x100)/110 = 1.818。1.8就是市场愿意为1M所掏的真金白银。 所以，需要的东西也很直白：各个模型的单价+不同模型的消耗。它自己说用到了400多个模型，20多个头部模型，20多个价格和消耗数据。模型方面算小样，我开发的 traktoken.com 目前都追踪了500多个模型了。头部模型其实也就那么些，只有领先的值得消耗。强者拿下大部分市场，甚至拿下自己过去的旗舰模型的市场（个人认为Opus 4.6是个例外）。 此外，原数据还做了一些额外的数据处理，例如归一化下述指标。 输入/输出 Token 比例（Input/output token mix） 上下文窗口（Context window） 批处理行为（Batching behavior） 可靠性（Reliability） 输入输出比例我可以理解，就是限定好它们之间的比。一般而言，早期的文本生成任务输入和输出比是3:7；而近期以coding agent为代表的任务，输入和输出比则是8:2甚至9:1。由于token本身是非标准品，上下文和批处理这两项的归一化不太明白，可靠性的处理也不太理解……如果有明白的读者朋友欢迎交流。 简单来说，它这里算的就是实际消耗的加权平均价格。仅此而已。 价格方面，笔者早先做的 LLM token 比价网站 traktoken.com，对于价格的支持已经很好了，能够做到每日追踪最新价格，而且都能通过git历史记录追溯。额外所需的就是用量。用量的话，我推测它用的是OpenRouter的，因为只有它够大且公开用量。至于比如像Claude这种的官方用量，非内部基本拿不到，且多是按套餐供应而不是token单价。 说干就干。这里有些参数不同，例如输入和输出的token价格比，由于近期coding agent的兴起，大部分token消耗实际上是输入占比约8:2或更高（在个人的Claude消耗统计里也可以看出来），而早期的文字生成，则是大约3:7。我们项目定为8:2。剩下的工作，就是相对枯燥的数据接入、清洗工作。利用好Fable 5，也能很快生成一份。我们直接看结论：不能说大差不差，基本上是一毛一样。 我们的数据同样在1月有小高峰、在5月有近半年的高峰，且近期走弱。不过存疑的是，其所谓的基本翻倍是如何实现的。通过对追踪的数据来看，目前TTSI指数看起来价格差异不大。这里有个隐含假设不同：traktoken是今年3月上线，历史的模型价格无法追溯。存在幸存者偏差，价格高好用的留了下来。通过另一个网站的token价格走势，也能看出来3月价格比去年底高不少。问题不大，数据积累起来之后，就会越来越准。另外就是，原报道的结论，其实聚焦于5月的高点回落20%这个事情上，从图表上看结论类似。7月份的走势也一致，有向上趋势。 进一步结论 现在，我们有了进一步的数据图表和原始数据，是时候检验和回答我们开头的问题了。关于5月以来的价格回落，我们假设了三个方面的原因：厂商降价、用户转向便宜模型、支付意愿下降（股市危）。 结论：下降属实，但是“单价”下降而非“花钱变少”。6 月均价 $2.11/M tokens，较 5 月的 $2. https://kuhung.me/posts/reflections-on-a-career-break-16-months-on/ Sun, 21 Jun 2026 06:51:09 +0800 https://kuhung.me/posts/reflections-on-a-career-break-16-months-on/ 现在是20260621的早上5点半，你失眠了。原因无非是焦虑引起的躯体化反应，包括湿疹、心率偏高。焦虑的原因，也很简单：近期做的SRI商业化，一周下来预估的MRR（月经常性收入）是1.4k，而改版带来的收入反而下降了。隐约觉得这仅有的现金流收入，似乎也难以抓住。 此外，近期一直困扰你的是：在投资上似乎站错队了。这段时间的行情风向长期保持在AI的上游基础设施，甚至牵扯到了组装厂和原材料上。中间有两度，你观察到自己似乎错过了风口，但却一直未有动作，导致一再错过的心理加剧。 另一方面，你的现金流储备已经耗尽，开始调用投资的钱用来周转。短时间内，难以见到明显起色。你在一个月前开始看的工作机会，也并未有进一步接触机会。你会觉得挫败。上述都可以归结为：现金流问题和自我实现问题。 说到自我实现，你还记得为什么当时离职后并不想找下一份大厂工作吗？原因大概有这么几个点： 伤了。发现再优秀的厂，也逃不开繁杂的办公室政治。大家围绕人干活，而不是用户。对大厂模式感到失望。 危机意识。再过几年，如果没有建立自己的事业，迟早也会因为性价比或者别的原因，被淘汰。而自己在工作中还发现，更喜欢和人打交道。 AI机会。彼时，LLM是风口，有很多人说能搞出一番事情来。所以你决定躬身看看能做出什么。 现在回看，这些原因仍然成立。虽然你心里隐隐还是想回去上班，回到固定的地方寻得安全感。在那里，你不用思考现金流，干就会有工资，每天2-3k不等。轻松、体面。但是，无味的办公室政治仍然存在。 彼时刚离职，你对一切都失去兴趣：觉得所谓的高管，怎么也是混子。老板看中的大厂经历，其实看中的是情绪按摩。来米哈游也不过是祸祸一通。 年龄的竞争劣势仍然存在。所以，答案似乎还是只有一条。打工？这辈子是难以回去打工了。公司不要，去了也不快乐。 最近看了不少勇哥说餐饮，其实做餐饮所需的能力，你也需要。及时止损、不要想着做差异化，先满足刚需。自己臆想的需求，不是真实需求。需要知道如何跑通商业闭环：卖什么、怎么卖、卖给谁、利润率控制等等。 回到问题本身、当下本身。目前最大的难点在于，找不到清晰的商业变现模式，能够支撑我的日常开销，或者说野心更大一些：实现网易、米哈游一样的商业巨擘。这个问题的答案在哪里？其他人那里有答案吗？你其实也说不准。 现在来看，收入=流量x转化x客单价的公式仍然存在。需要打开流量，才能涉及转化。这是商业逻辑。与之对应的是打工逻辑：收入=满足公司的预期。公司的预期可就太难搞了。 虽然当下，LLM是当红炸子鸡。但是这个角色，和几年前的算法，其实是一样的。是满足老板现金生产力想象的工具。说到底，仍然不拥有资产。贵的是操作经验。之前的算法是贵在大规模数据上的处理经验，现在的LLM算法本质上也是。 现在流行的FDE（Forward Deployed Engineer），吹得牛干得杂，本质上也是狗屎。活难干，和中台向外推销的情况一毛一样：凭什么用你的，你要搞很多的数据分析来说明。在结构内做单点推销，这条路必死。 你的经验和履历呢？其实也算不错的了。但是你就弱在输出，弱在自我表达。这点，从2月份开始，有了些许好转。挣钱嘛，抛头露面不寒酸。大伟哥不也天天抛头露面。 做一个有趣的人其实蛮难的。特别是当你精力无法总是保持高水平。对于中登来说，又太爱输出方法论而缺乏实操。你要做的，大致就是输出你的实际操作。 想起大概十年前，你在深圳南山的大冲城市花园，面对难以转正的消息，你在阳台写下的swot分析：你的长处是实习经验和年轻。当下，你的长处是算法背景和沉淀的知识，以及能够无顾忌的将其分享到社交平台。 写了这么多，也该有结论了：搞流量、设计转化流程。停止做所谓的 vibe coding，除非它是你的卡点。vibe coding 可能是别人的卡点，但显然不是你的。你的卡点是：清晰、可复制的内容产出模式。你要从人那里收钱，而不是 Codex、Claude、Cursor 这些工具。 你要做的是，先验证可以大范围跑通的收入模式。这个模式可以是抄别人的：比如卖课、比如接AI商稿。这两者都需要你不断写东西、写受众感兴趣的东西。 在这两者的基础上去做。做差异化竞争，而不是随便一个前后端或者门外汉都能做的事情。算法方面的落地分享、管理经验以及行业趋势看法。当然可以穿插一些你的兴趣点：比如开发小工具诊断猫咪之类的。但是不可以本末倒置。 增加曝光性、流量性的投入，减少无效的开发工作。 关于作者 https://kuhung.me/posts/beyond-vibe-coding-the-new-founder-mindset/ Sun, 31 May 2026 10:46:56 +0800 https://kuhung.me/posts/beyond-vibe-coding-the-new-founder-mindset/ 大家好，我是谷粒粒，OPC（One Person Company）练习生一年有余。vibe coding 这个话题，随着过去半年基础模型能力的提升和 agent harness 架构的成熟，越来越火。 不少公司在内部扩大 AI 辅助编程的范围，试图提升编码和想法验证的速度，同时进行 Token 消耗量的考核。也有人像笔者一样，经历过公司的一些事，想借助编码工具的生产力提升，构造更多属于自己的产品。 AI 提升生产力不假，但也许我们陷入了无意视盲陷阱。 心理学上有个概念叫无意视盲（Inattentional Blindness，又称非注意盲视）：注意力高度集中在某个目标或任务上时，视野里其他明显、意外出现的刺激，你完全察觉不到。 最有名的实验是「隐形大猩猩」。研究者让被试看一段视频，数穿白色和黑色衣服的球员之间传了多少次球。视频中途，一个穿大猩猩服装的人走到场地中央，捶胸顿足，然后走开。大约一半的被试根本没看见大猩猩——他们忙着数球。 Vibe coding 时代，我们盯着的「球」是 Token 消耗、代码生成、产品 demo，是最新的模型能力。大猩猩可能是市场、用户、真实反馈。就在视野中央，但我们数球数疯了，根本看不见。 AI 生产力，对也不对 Token 消耗量，并非好的度量指标。公司考核 Token 使用量，下面就会有一万种方法让这个指标起飞。OPC 每天都想着构建新产品，沉浸在老虎机摇杆似的 vibe coding 快感中，结果大概率自嗨。 我们从结果出发：如果 AI 提升效率显著，大公司应该交付更惊艳的产品；OPC 或者小团队，也应该跑出一些成果来。从当前节点看，两个都不成立。（借助 AI 搞 AI washing 裁员的大公司，以及借助 AI 搞流量生意的自媒体不在此讨论范围内） 笔者之前待过大厂，见过所谓"降本增效"怎么回事。整个系统被按下暂停键，各级leader的精力花在工时统计上。每个人头精确到小数点后一位，分摊到对应业务线，中台和业务方反复确认人力支出。 业务方控预算，中台就裁人。人才不断流失，留下来的人也等着大礼包。少数人用 AI 故事满足老板的汇报需求，没人真正关心业务、关心用户。 而 vibe coding 写代码，当有人质疑生产力的时候，常会出现下列说辞：你 AI 不够牛逼，你的使用方式不对，现在不行不代表未来不行（典型诉诸可能）。 从笔者近一年高强度使用体验来说，AI 提升生产力不假，但也只是其中一个环节。在多人协作场合，写报告、写代码这些环节并非瓶颈。从系统论角度，任何对于非瓶颈的优化，都带不来整体上效率的提升。 重视市场 市场这个事情，被讨论了很多次。大家都知道正面竞争不过大厂，觉得某个地方有 niche 需求，只要找到 niche 需求，就能小范围成功。 现实是，不少人的需求来自自身。有了想法就打开 Cursor 开始编码，一顿指令后获得一个看起来不错的作品。但发出去没人关心。因为这事，就像勇哥说餐饮的中药奶茶一样，是自己臆想的结果。 笔者接触过不少 AI 方向的创业者，大致分三类：一类纯为融资而融资，靠消耗投资人的钱维持生活品质；一类缺乏实际经验，想法脱离技术现实，逻辑闭环走不通；还有一类兜售"AI 基础设施"之类的宏大叙事，变现模式和客户基础极度虚弱。（笔者是花自己的存款，闭环了但没用、不信宏大叙事的综合体） https://kuhung.me/posts/benchmark-for-llm-inference/ Sun, 17 May 2026 12:49:56 +0800 https://kuhung.me/posts/benchmark-for-llm-inference/ 经常捣鼓大模型的朋友都知道，各大厂商提供的模型是生产力工具。可以蹭，但也需要计算性价比。一些小的任务或是隐私任务，放在本地更合适。随着越来越多开源的 SLM（Small Language Model）智力水平的提升，部署到本地也是一个选择。 作为一个玩过智能家居、玩过路由器、玩过 NAS 的人，本地模型当然也要拉下来玩玩。这不仅可以用来窥探模型本身的技术架构，还可以解决手边的小问题。但技术选型过程中，会遇到两个问题：一个是本地显/内存有限的前提下，最有性价比或者说最有智力的模型是谁？第二个问题是，我该用什么框架来部署服务。 在不知道咋选的时候，我选择用最新的开源模型。但是不少模型其实是有显存要求的。最新是好，但不一定能部署到本机。后来，我通过拉取最新的模型数据，构造并发布了一个网页应用 Traktoken，这下可以直观了解模型能力与所需显存间的关系。 模型框架方面，我选择用适合本机显存的最强开源模型结合早期占据市场心智的 Ollama。但这真的是最优解吗，我有时候也会问自己。这个疑惑，在我开发 PageGrok（一款浏览器插件 AI 产品）时，到达巅峰。 为什么要做这个评测？ 首先是实际的业务痛点。PageGrok 是一款浏览器插件，用来在不跳转、不用外部 API（省事省钱）的情况下，解读当前页面的内容。其不用外部 API，靠的就是用户自己部署的本地模型。本意是减少用户动作，但真上线后发现：用户选中内容并发送给本地模型处理时，响应延迟非常大。 虽然本地不花 API 费用，但是时间也是钱啊（摔）。动辄数十秒的冷启动时间，让用户一度以为插件失灵。显然，瓶颈不在插件和通信，是本地服务的问题。框架性能表现成为必须关注的核心。到底咋回事，为啥 Chatbot 感觉不明显的模型加载和提示词填充，在这个场景下延迟明显？ 其次是新老框架的交替和抉择。我从去年就开始在生产活动中使用本地模型（例如在“相亲小镇”项目中），一直使用 Ollama 框架，部署 Gemma 3 模型作为底座模型。早期在 MacBook 上风扇转得飞快，但迁移到 Linux 服务器后，GPU 你转就转吧。 早在 23 年，苹果就推出了专为 Apple Silicon 优化的 MLX 框架。但直到 26 年上半年，在其基础上开发的 oMLX 才受到大范围关注，社媒上看到其声称更好适配苹果设备。没过多久，Ollama 也在新版本声称支持了 MLX 框架。这种感觉就像是：“你别迁移，我能行”。 真的行吗？我一开始下载的是 LM Studio，它出现的时间比 Ollama 更早。Ollama 后来居上，凭借其 YC 投资背景和简洁的设计，很快占据了不少市场。面对不同的框架，我的核心疑问随之而来：最适合 Mac 电脑部署的本地框架到底是什么？ 拒绝感觉良好，得有套系统的测评手段。 评测指标体系设计 在开始自己重复造轮子前，我也系统看了现有的解决方案。大家主要关注三个方面的指标，分别是用户体验指标（如：TTFT 首字延迟时间）、成本指标（如：TPS token 吞吐量）、资源消耗（如：GPU 占用情况）。 这个方向的测评，我们不关注模型在测评集上的表现。即默认相同模型权重在 MMLU 这类测评的表现是一致的（实际上不一致，会因为数据处理方式的差异，有略微表现差异）。 https://kuhung.me/posts/weekly-report-by-notion-github-and-llm/ Tue, 12 May 2026 14:44:53 +0800 https://kuhung.me/posts/weekly-report-by-notion-github-and-llm/ 熟悉我的朋友都知道，我算是一个比较讨厌周报的人。在工作的时候，如果你告诉我某人写了一份三千字的周报，那我一定嗤之以鼻。心里想，这算啥写作比赛或是落伍的向上管理手段。 手写不行，但如果是AI写的呢？这里，要给大家介绍我目前的自动化周报工作流：Notion记录跟踪项目甘特图、GitHub汇总issue、交付和热点关注，整合二者的信息，每周调用大模型自动总结上周工作。 原理介绍 flowchart LR subgraph Input[输入数据源] N1[Notion 工单 DB] N2[Notion GitHub DB] G1[GitHub Commits] end subgraph Sync[同步与采集] S1[notion_sync.py] S2[github_collector.py] end subgraph Process[处理流程] A1[analyzer.py] L1[llm_summarizer.py] end subgraph Result[结果输出] R1[report/*.md] N3[notifier.py] B1[Bark] E1[Email] end N1 -- API --> S1 N2 -- API --> S1 G1 -- API --> S2 S1 --> A1 S2 --> A1 A1 --> L1 L1 --> R1 L1 --> N3 N3 --> B1 N3 --> E1 整体技术原理不难，核心是数据打通。通过Notion的甘特图做项目管理；GitHub作为版本控制和交付工具。Notion和GitHub的数据打通，GitHub的数据能够同步到Notion，包括项目仓库情况和star情况；Notion项目能够同步到GitHub Actions，用来做调用大模型的素材输入。 https://kuhung.me/posts/noainog-202604/ Wed, 06 May 2026 00:51:42 +0800 https://kuhung.me/posts/noainog-202604/ 过去一个月，NoAINoG 保持工作日日更节奏，从 EP01 到 EP18，累计输出了近 300 分钟的深度内容。在 AI 这个方向，追热点、拆技术、探讨人文与商业化，试图搞清楚：没有 AI 是会完蛋，还是啥事没有（NoAI NoG）。 如果你还没听过，这篇文章帮你 4 分钟看完全貌。 一、商业认知：利润才是唯一的护城河 EP01 从《Rework》出发，直指"融资上瘾"的病根——利润才是验证一个生意是否成立的唯一标准，不是 DAU，不是估值。 EP04 接着拆"超级个体"的陷阱：薄利多销是大公司的游戏，个体创业者应该走高客单价路线，先卖再做，用"反向 MVP"验证需求。 EP11 把视角拉到中日独立开发者现场：当代码的边际成本趋近于零，真正的壁垒已经转移到分发能力、审美品味和 IP 积累上。 EP13 引用 Steve Blank 的最新观点，宣告 MVP 时代正在终结——AI 让软件变成了"结果型员工"，按工位收费的 SaaS 逻辑正在崩塌。 EP17 则戳破了"被动收入"的迷梦：Dropshipping、AI 博客农场、SEO 评测站，本质上都是"教人赚钱"的二级市场，真正的护城河在物理世界的脏活累活里。 二、技术：看懂底层，才能不被忽悠 EP05 用 TurboQuant 拆解说明：显存焦虑的本质是 KV Cache 问题，暴力堆卡不如算法巧劲。 EP06 从 Claude Code 泄露源码切入，揭示 AI Memory 不是什么魔法 RAG，而是一棵 git-tree 式的持久化结构，理解这个才能真正用好 AI 编程工具。 EP09 深度解读 Google Gemma 4 的 PLE 架构：26B MoE 如何在边缘设备上跑出大模型质感，以及 Thinking Mode 的连锁幻觉陷阱。 https://kuhung.me/posts/image2-for-makeover/ Sat, 02 May 2026 10:40:50 +0800 https://kuhung.me/posts/image2-for-makeover/ Image2出来差不多一周多了，前期网上关于它能力的测试和讨论也够丰富了。大家的讨论大多集中在“有图有真相”的时代已经过去，或是说出图很好很自然上面。笔者前段时间刷到一个用Image2来做形象改造的帖子，获得不小反响。用户只需要简短的描述，即可实现发型定制、太阳镜定制的需求。出的图片一致性非常好，给的建议在评论区看来，也十分中肯。 形象改造提升带来的收益，不容小觑。自己舒心，做事情也更顺利。但不少朋友其实缺少审美锻炼，无法区分什么是好的。本着想试试新模型的威力，再加上不少网友也无法正常访问Image2，笔者便顺势构建了这样一个应用《海蓝颜究社》。希望让更多的朋友能够用上，提升自己的外在形象。 这类应用，是不少人面对AI创业命题的首选作品。我们这里主要介绍文生图上的经验教训，暂不包括网页应用。两者的时间开销约为1:1，感兴趣的朋友可以另外留言。产品地址beauty.kuhung.me或点击链接。 在开始之前，先说结论，再说遇到的坑。首先它的效果确实不错，人物一致性和文字已经非常好了，确实是第一梯队的文生图、图生图模型。给出建议也比较中肯。而这细活豆包、Gemini做不了，他们的一致性差、文本效果一般。 接下来我们进入正题，遇到了哪些问题，如何解决和最后效果展示。 首先第一个：提示词不准。虽然网上有给出简洁版的提示词，并且告诉你他是这样生成的。但当你实际操作的时候，会发现稳定性非常差。具体表现在两个方面：第一个是做出的效果和他的图不一致，会简化很多。其次是，当你用相同的指令，反复提交时，生成的结果也会不一样。 这一度让人困惑。即使是ChatGPT自己有提示，用它的提示词也生成不了预期的效果。 原因我猜测如下，概率模型本质上就具有随机性。你想要更准确的效果控制，要么在图的基础上再修改；要么就是在提示词上做约束。最直接的方法，就是你把图片和当前版本提示词、以及预期效果丢给ChatGPT，让它补完提示词。 这样试过又会发现：GPT画蛇添足、过度设计。它将原本40个词的提示词，扩充到了1500字。扩充的后果是效果像了，但是细节不一样了。 GPT扩写这提示词，像没经过内部矫正一样。即使把ChatGPT里面的风格，设置成控制输出，也难以形成优雅统一的提示词。在浏览网页的时候，发现官网有专门的提示词教程。它其中写得明白：从少到多；结构化表达；明确修改范围和不变范围。通过这种方式，除开我们要做的这类图像编辑和转换，还可以实现信息图、UI等功能。 人写肯定不现实，还是让文笔更好的Opus来。丢给它要的目标图的形式，再给出提示词和提示词之后的结果图，让它一步步靠近。最终，实现近似可控的图片编辑效果。 这里面，最难的其实是一致性和排版；最需要权衡的是信息密度和样式。目前从结果来说，当约束人物一致性不变时，已经不会存在人物差距过大的问题，基本能保持一致；而排版通过提示词约束，也能一定程度上保持。不过稍微麻烦的是，不同目标（例如发型与墨镜）出来的效果还是会略微不同。 另外一个情况是，当约束中文排版时，由于有约束简洁，导致最后的信息密度一般。当然，也许是看惯了常用语言，有语言羞耻症。 最后，有条件的读者朋友可以试试原始提示词；不方便的读者朋友，笔者在早鸟5折的基础上，额外提供一张专属可叠加的8折折扣码「BEAUTY2026」，结算时输入或点击链接，免输入即刻体验。 关于作者 https://kuhung.me/posts/automation-and-human-in-the-loop-in-the-age-of-ai/ Wed, 29 Apr 2026 11:49:00 +0800 https://kuhung.me/posts/automation-and-human-in-the-loop-in-the-age-of-ai/ 如果你感觉自己三分钟热度，并为此而焦虑，这里告诉你，大部分人都这样，包括笔者：人的注意力很难长期保持，且是类似MP的消耗品，需要刻意训练+扬长避短。 成事，不仅需要财力、物力，更需要心力。为了控制心力消耗，除了常见的SMART法则拆解目标、番茄工作法保持专注外，笔者总结了一份指南：AI时代，OPC（一人公司）的自动化与半自动化。 通过下述方法，让笔者把精力放在高价值活动上。 自动化 这里的自动化，指的是自动实现某个效果，替代繁杂的人力。这个自动化本身，也是更大系统中的一部分。这里把它拆出来，是因为这些自动化环节，关乎效果和体验。 构建自动化。笔者通过GitHub和Vercel，实现自动化构建与发布。构建自动化这个事，在敏捷开发中多有提及。目前，几乎所有大厂的产品发布，都已经实现自动化。构建、打包，这个过去很耗时间的事，现在也越来越短。只有当你能够快速构建，你才能够快速迭代。无论是增加新特性，还是修复旧 Bug，构建自动化，都是提效工具。 笔者的这部分自动化，逻辑上是通过GitHub提交代码，触发Vercel的工作流，实现测试、预发和生产部署。也可以利用 GitHub Actions 的功能，做日常的调度任务，例如：数据拉取、模型计算。GitHub的Action每月提供2000min的运行时长。除开Vercel，也可以选择Cloudflare进行任务的部署，技术栈和原理类似。 指标自动化。通过 Google Analytics（GA）和 Bark，每日同步数据情况。指标，是每个项目都需要关注的内容。现代企业管理和生产，没有指标就没法优化。一般而言，产品应当关注活跃和时长指标。客户满意度无法精准测量的情况下，活跃和时长是一个基础性指标：数据量够大、又和产品的核心体验强相关。 这里的自动化，也利用了上文提到的 GitHub Actions 定时任务。通过例行任务，拉取GA的数据，再通过Bark这款手机应用，推送到手机上。这里不用Bark用邮箱也是可行的。主要目的就是每天同步线上数据情况，方便第一时间发现问题/增长点。 交付自动化，通过Stripe直接发货。这部分内容，是笔者过去小半年跑通的一个示范。先说说我们想要的效果：用户付款或者订阅，我们的软件或者文档自动开放给用户下载使用，而不是后台手工发货。很多朋友在提供服务时，往往找不到好的收款方式。也有朋友在留言，好奇是如何实现的。 当然我不建议一开始，0基础搭建这套流程，因为你的需求可能是伪需求。笔者首先在小红书和B站开店，卖出了上百份，才开始做这部分改造。目前，笔者的应用，用户可以直接实现购买、下单和资产获取，而不用笔者手工干预。这省下大量发货时间，用户的即时满足感也得到增强。 半自动化 半自动化一般借助中间工具实现，用于信息收集和内容产出工作。这部分很多时候，是为了满足信息收集和内容产出的癖好，不一定能带来真实的生产力提升。包含如下内容： GitHub 上的 Star 同步到 Notion。笔者有大量的代码任务和感兴趣的仓库，通过 GitHub 点赞实现，但是这部分代码，有些并未转化为实际的下一步行动。究其原因，还是GitHub的点赞太方便，回顾稍微有些麻烦。笔者参考开源项目，进行了自己的改造，实现GitHub的关注自动同步到Notion，通过Notion看板，来进行任务的管理。 NotebookLM Podcast自动化，用于消化信息并产出新的信息。同样类似的，笔者也有大量的新闻资讯需要消化，进行思考并做出输出。这里笔者借助NotebookLM进行内容处理，并加工评论以防止自己成为信息转发机。在去年的基础上，迭代更新了内容资讯的生产方式，产出播客内容。 Gemini 深度研究，用来做特定研究命题的深入研究。目前谷歌整合进入Chrome侧边栏，问问Gemini。当然这个功能有时候不好使，完全看梯子的状态。为此笔者开发了平替产品，Chrome插件PageGrok。能够在任意地区，自定义模型，实现页面的解读任务。目前应用商店搜索PageGrok即可免费使用。 Cursor 写代码。有人说为啥不用 Claude Code（CC），笔者有两方面原因：一个是现在笔者是20刀500次请求的模式，算是究极性价比了；二是CC的登录验证太麻烦了，其他地方又没有稳定的高质量CC模型提供。这部分不放在完全自动化里面，是因为笔者还是不太习惯完全让AI自动运行。 AI就如同指导新同事一般，你知道它有这个能力，但是若不施加约束、进行阶段监控，只会带来返工擦屁股。直到它完全契合你的工作方式，这个时候才是放权的好时机。不过可惜，AI没法根据本地内容进行迭代。而且目前，Tier 1的模型，总是会出现过度设计和代码膨胀。放弃审查就是放弃自己。 Remotion 制作视频。通过 Remotion Skill，能够制作视频。质量在及格线附近，但聊胜于无。也算是半个自动化过程。 SEO优化。通过三方网站来实现，做到基准线水平，排除掉大的漏洞。SEO 本质上就是产出清晰、可读结构化的高质量内容。这点和内容创作无异，和编码也无异。 使用PageSpeed Insights进行网页加载优化。利用好公开的诊断工具，也不用啥都AI。 手工活 这部分，是笔者发现目前仍然难以自动化的环节。或者说，不需要自动化。 财务总结。笔者每月进行一次。盘点开支和收入情况，划分不同资产类型，进行横向比对和下月资金分配。 新知学习，需要实践，不能交给AI来做，不然学到知识的就只是AI而不是个体。 写文章，AI虽好，但是会剥夺人味，只有真情实感写出来的东西，才值得读者花时间。这部分写的过程，不可被AI替代。当然资料收集和论证环节，可以借助AI。最后发布前的语法、错别字和常识校验，笔者还是在用AI进行辅助。 项目管理。每天做了什么、下周和下个月计划做什么；之前一周和几个月，分别做了什么，有什么阶段性成果；哪部分和预期的效果不一致，需要做哪些调整，这些目前来看，是手工完成。但是目前也在做自动化改造。 因为笔者目前的项目进度，几乎都是由Notion进行管理，而Notion又是很方便同步到GitHub（利用前文逻辑），所以基本上可以通过GitHub 的Action，定时每周和每月起一个任务，来总结甘特图中的项目进展。 平台发文，纯手工但是不得不做。用自动化发文容易被封。 说到底，手工活的核心是判断力和切身感。什么该自动化、什么该亲手做，这个判断本身没法外包给AI。 总结 不要一上来就想着自动化。先做内容，而不是做工具。重复的工作要自动化，重要的指标要自动化，比如交付数量、线上数据，值得每天盯着。但判断力、审美、对受众的理解，这些没法自动化。 之前我总喜欢读书，总觉得办法在书里，先看看别人怎么做的。这个思路是对的，很多问题和解决方案，早在别人那里有过。现在，书也要看，人也要谈，更多的是从实践和面对面输出中，获取连结感和下一步行动力。 虽然现在AI自动研究的话题很火，但我认为它更像是一个范围命题。这场AI show，什么时候落幕不知道，但需要更多的关于边界的自我认知。追逐热点，奉为圭臬的人往往更FOMO，更容易被营销带偏。偶尔跟不上热点，并非坏事。AI这个行当，曾经的热点，过几个月，就不再是了。 最好的方式，就是控制流入，高价值利用自己的核心工作时间。笔者这套体系一直在迭代，随着工具和需求变化，持续调整。 保持敏锐，但拒绝焦虑。持续输出。 关于作者 https://kuhung.me/posts/vibe-coding-long-term-operation/ Mon, 06 Apr 2026 21:40:12 +0800 https://kuhung.me/posts/vibe-coding-long-term-operation/ 写过 Vibe Coding 的朋友都知道，写出来不难，难的是长线运营带来收入。就目前来说，高性能模型例如 Opus4.6 等已经能够很好完成项目。但写完项目，只是产品化的第一步。运营很重要，流量是关键。本期，笔者就来分享下自己的运营思路。部分思路参考了工作过的大厂的思维模式，仅做抛砖引玉之用。 关注数据 核心指标数据 关注核心的下载、活跃数据，看看用户从哪里来的。笔者目前发布的大部分应用为 Web 应用，且是通过 Vercel 发布，所以就直接上了 Vercel 的 Pro 计划，利用 Vercel 自带的数据功能，来做数据采集和统计。当然，同期对于一些质量较好的项目，也会直接植入 Google Analytics (GA) 进行数据统计。 用户数据少的时候，优先关注宣发情况：你弄了几篇内容介绍了这个产品，发布到了哪些地方。平台给你的流量情况怎么样，读者和观众们在讨论什么。当用户数据比较多的时候，则开始关注下面的数据。 用户数据 有数据埋点后，就可以清晰看到：用户是从什么渠道来的？为什么这个渠道效果还不错，是发对了推广还是自然流量。以笔者的某个项目为例，仅仅通过简单的 B 站推广，就获得了相当多的初始用户。而 B 站的推广，也不过是照着别人录了一个产品视频。该项目成功的原因，我归结为热点追踪。 用户来了之后，点了什么东西？点没点订阅跳转，在付款界面失败的用户，他们有什么特点？通过观察并总结上述数据，可以方便我们中长期迭代。而不是凭借我们脑子里想的优先级，去迭代一些花边功能。 另外，收集数据并尽早开始做客户关系管理 (CRM)。若是产生支付或下单，妥善保留用户的联系方式，这批用户很可能是你的早期拥趸。他们能为你的后期产品改进，提供真实的用户视角。 市场数据 现在大家在讨论这个产品吗？搜索引擎优化 (SEO) 能够搜到吗。同期其他类似产品，他们在干啥？如果这里说不出同类产品，则有很高风险，是一个自嗨项目。建议关停。如果搜索效果不好，则去做SEO的优化。目前笔者利用网友做的SEO诊断工具，进行调整，节省了大量时间。 上述数据，目的并非进入大厂类似的数据牢笼：只关注数据到动作变形；而是对商业指标有清晰认识，不至于搞不清楚下一步该干嘛。 没有讨论，没有竞争对手，建议关停。数据不好，是宣发切入点不对，还是确实没热点。活跃分布在移动端，那么适当做做移动端适配。投流效果不错，投资回报率 (ROI) 持正，则考虑富余部分继续投入。 分级投入 历史产品 产品分为给自己用、能规模化、和能找到付费点。根据笔者上一篇文章，《过去一年，21个 vibe coding项目从拉到夯》。我认为好的 Vibe Coding 项目，是要能够切实击中要点：FOMO或者实用，最好不是重复造轮子。次一级，也要抓住热点，响应热点需求。 而那些差的产品，往往是自嗨型产品：或陷入过度优化、或注重过程而忽视结果、或欺骗自己“我凭这个项目学学东西”。用户不是想要什么能力，而是想要某个场景，你能帮他达到某个效果。这个效果，要么是已经被其他产品/人/事普及过，要不就是你的产品中需要体现高级感、体现特定思考能够触动用户。 价值主张，无法通过 Vibe 实现。因为无论哪个大模型，都会倾向于讨好用户。你问它有没有前景：它不仅会说有，还会夸你切入点好得一批。如果你真信了，那真是被忽悠残了。大模型不是你的目标客户，你问它没用，去问前文收集并建立联系的客户。 简单来说，好的产品就是有流量的或者能够变现的。差的需求，则需要适当停止，减少半成品。停止的方法，可以是关停服务，也可以是选择开源，减少别人重复造轮子以打造影响力。 进一步思考 为什么没起来？是产品本身能力的问题，是路径的问题；还是流量的问题。这就需要我们前面提到的数据监测。目前笔者使用的是Vercel Pro 模式，用来简单做数据分析。当产品形成一定规模后，则使用Google Analytics。从收集的数据来看，Vercel 的访问用户量级一般比谷歌多30-40%。 如果项目公开一段时间后，仍然没有起色，那说明可能是伪需求，则可以考虑适当开源或是引入多语言。遇事不决，变着法子宣传好过埋头迭代功能。这是我总结的技术出身的人最容易进入误区。总认为是功能不够好，其实是用户没看到。 而至于那些跑起来的项目，则应该进一步关注SEO方面的改进、以及用户进来在干什么，落地页是符合预期的吗。适当的时候，可以选择买量测试。这可以节省不少时间。对于 Vibe Coding 开发者来说，时间看起来很充裕，但却是十分稀缺的东西。不要为了控制开销而空转自己的时间。 轻重缓急 把握那些重中之重的事情，加速需要等待的事情、让那些小的细节随他去。啥是重要的事情：你的选题是重要的事情，因为涉及后续投入。你的切身感是重要的事情，因为这是你的品牌IP来源。这两个，我不推荐大家用所谓的AI流自动化。做出来的东西，只会是随机分布，缺乏个人特色。 比如追热点：龙虾出来你就讲龙虾、CC源码泄漏你就讲源码，这些东西看起来会有一时的热度，但是如果你没有真的好奇心、没有加工、没有思考，只是通过所谓的AI工作流交付的内容，就像是互联网这个大染缸里，丢下一坨无足轻重的大便。 另一方面，一些流程项的事情，适合的是经过多次迭代后，用大模型辅助生产。比如用Remotion skills制作宣传视频，笔者最近的5个项目宣传视频，都是AI辅助生产的。更早一些，笔者的量化视频，全是用 manim 生成的视频。 https://kuhung.me/posts/geo-and-anticheat/ Tue, 17 Mar 2026 10:37:36 +0800 https://kuhung.me/posts/geo-and-anticheat/ 回顾 GEO过去一年火了三次。去年中的时候，随着AI抓取能力的加强和普遍应用，国内外社媒开始讨论GEO。GEO全称 Generative Engine Optimization，简单来说就如3.15所言，给大模型“投毒”。专业点儿来说，就是让品牌或者产品，能在AI搜索引擎内抓取、采纳并且呈现给用户。 关注一位博主，曾短暂投入过GEO方面的创业，到年初放弃。而我当时也让Gemini的DeepResearch做了一次调研。从目前我的状态来看，大家就知道并未深度投入。 为什么不深入？我当时有三个判断。 第一，GEO 本质上还是 SEO。国内搞这套，说到底还是内容农场的路子。门槛低，没护城河。 第二，小规模跑通容易，但想做成大生意，得铺大量销售去对接老板。这不符合我“轻步快跑”的现状。 第三，算不清账。业内叫零点击。你很难证明大模型里的某句推荐，到底带来了多少实在的收入。没法算账，客户就没法持续掏钱。 但 3.15 曝光后的现象，让我觉得之前的判断有点保守了。 当下 在人人玩虾🦐的时代，FOMO（害怕错过）的情绪充斥社会。各个公司也在鼓励AI整合到现有工作中，“蒸馏”员工的业务知识到skills里面，然后削减人头。有没有提效不知道，但是这场运动，愈演愈烈。 3.15 曝光之后，圈里反倒多了一批来询单的老板。都不想错过风口，想抢先占位。不管是自己做正向营销，还是给对手下黑手，老板们都愿意从营销预算里挤点钱出来，砸在 GEO 上。 节目中也有说，一年出200单。当然，商务促单说的数据，不一定对；但也从侧面说明，有需求，而且这个需求是低垂的果实。不需要你懂太多大模型的知识和原理，只需要接住老板们的情绪，并通过批量发布内容给到情绪按摩即可。 话虽如此，原理还是要懂一点。由于涉及平台生态，这就不得不提 GEO 的前身——SEO，以及它背后多年的对抗和演进。 原理 GEO和SEO类似，这也是为什么很多SEO公司会跨过来做GEO。其核心，还是在互联网上留下内容。至于怎么留、留哪些，我们不妨参考SEO的逻辑。 举个例子，当我想做测评网站，我们需要关注哪些内容？ 首先第一个，关键词。很多网站会批量堆砌关键词，以期望在用户搜索的时候，命中。典型的做法，是像旅游网站，结合5w1h，进行关键词组合。例如：“春季上海周边1小时家庭出行，用可达出行一眼便知”。通过词语组合的方式，提高曝光。这招曾经被不同旅游网站用过。（当然，可达出行是我的产品。） 第二个是内外链结构。这也是谷歌搜索的成名算法：Pagerank的原理。Pagerank大致可以类比为：这个人行不行，看的是周围人对他的评价。这也是为什么会有很多网站，在底部穿插友链。其实也和linkedin到处找人评价一个原理。 此外，还有很多其他细节。比如域名权威性、网站加载速度、网站存在时长、网站结构是否清晰可读、网站死链数等。最最关键的，根据用户搜索意图动态调整内容。还会有人专门去抓长尾词，来获得一席之地。 SEO 与内容农场 规则一旦明确，就有人琢磨怎么蒙蔽规则。这便催生了臭名昭著的内容农场。 早年做网站挂广告还很赚钱的时候，有人发现捷径：拿其他语言的内容机器翻译成中文，直接往网站里塞。这就是为什么你搜技术问题时，总能碰上一堆狗屁不通的机翻文章。这种玩法跟营销号废话文学如出一辙：“解决这个问题的办法，就是找到解决问题的办法。”用海量低质信息换取高权重。 内容农场还会建一批空壳网站互相引流。更有甚者，用黑产手段黑进高权重的老域名，暗中植入自己的链接。 反作弊思路 搜索的核心是帮到用户。最直接的判断标准是：如果用户点进你的网页，一秒钟就退出来点了下一个，说明你的内容是垃圾。搜索引擎据此降低排名。现在的推荐算法也是这个逻辑，小流量池里没反馈，就切断流量。 但如果黑产批量注册域名，打一枪换一个地方呢？事后惩罚就失效了。这里就要引入风控思维。 风控分事前、事中、事后。刚才说的是事后反馈。事前，谷歌搞了一套 EEAT 评价体系（经验、专业、权威、信任度），靠这几个维度提前给网页打分。事中则侧重应急，发现问题怎么最快切断下线。 反作弊的本质不是追求绝对干净，而是无限拉高作弊者的成本，让他们付出收获不对等。 GEO 怎么做 回到 GEO。大模型现在抓取内容，用的还是老一套反作弊逻辑。但它也有其特色：偏好结构清晰的文本，层次分明，要点前置。这恰恰也是大模型生成内容擅长的。 虽然现在RAG在部分场景已经不那么SOTA（优雅），但其思路还在。模型是分块读取内容的，所以把内容拆成独立的小块，前后关联别太强，这种更容易被总结。大模型也偏爱 PGC（专家生产内容）的格式。看上去权威。比如“XX 深度测评”“XX Top榜单”“A 产品 vs B 产品”。把这些内容发在社交媒体或新闻公关平台上，用平台的权重给内容背书。 所以 GEO 的实操没什么高深技术。无非是写内容、调内容、发内容，跟大模型的反作弊规则做持续测试。 GEO 的未来 搞清楚了怎么做，最后面临的是怎么交差。 和 SEO 相比，GEO 最大的硬伤是数据归因断层。过去你能清楚看到用户搜了什么词、在页面停留了多久。但在 GEO 里，这些全成了黑盒。 但非要在这个问题上较真，可能就走偏了。GEO 实质更像品牌广告。你很难精准算出地铁里的一块广告牌带来了多少转化。老板只要预算够，投 GEO 进行适当的营销配置就是必要的。 https://kuhung.me/posts/talks-with-vc/ Fri, 20 Feb 2026 22:15:01 +0800 https://kuhung.me/posts/talks-with-vc/ 前阵子约了一位做 AI 投资的朋友聊天。 我的现状 离职半年了，现在做两件事：写东西沉淀想法，写 AI Agent 项目。 技术上说，做应用层开发门槛不高。难的是找到对的方向，还有搞定流量。 半成品比较多，这是实话。所以我现在对组队这事很谨慎。在自己没有趟过一些浑水之前，把别人叫过来是不负责任的。而且一个人生活开销可以压缩，有了团队就得给人发工资，压力完全不一样。 生产变便宜了，什么变贵了 投资人说了一句话，我印象很深：“现在做出东西很容易，难的是知道该做什么，还有怎么让人知道你做了。” 他说很多开发者都是这样，东西做出来了，石沉大海。 以前开发成本高，那是门槛。现在 AI 把开发成本打下来了，价值就转移了。转到两端：一端是找对方向，另一端是搞到流量。 他们团队在做一个系统，用 AI 找趋势。具体怎么做呢？抓最新的论文、新成立的公司、顶尖团队在干什么，然后让 AI 深度推理，体系化地挖生意点子。目标是提高命中率，用概率打。 我之前用过 Gemini deep research、Perplexity 这些工具。但说实话，用下来感觉像刷短视频，信息在脑子里一闪而过，没法真正消化。所以我现在倾向于少输入，多消化和输出。这样形成的见解才是自己的。 AI 在提供"深刻洞察"这件事上，还差得远。 创业工厂模式 投资人跟我讲了他们在做的事，我觉得挺有意思。 他们不赌单个项目，而是批量孵化。具体流程是： 从产业方挖需求，或者用 AI 系统预判趋势。然后把这些需求分发给开发者，提供算力、办公空间、早期资金。作为回报，拿项目的早期股权。 同时推几十上百个项目，大部分会死，但只要撞出来一个就够了。 他们还和香港大学合作。把商业命题当成计算机系期末作业发给学生，学生做原型，他们提供指导。这样一年能验证几百个创意，成本几乎为零。更重要的是，这是个人才筛选渠道，能从中找到最有潜力的开发者。 这个模式的核心是两点：极致的组织效率，还有敏锐的趋势捕捉能力。谁能以最低成本管理海量开发者，谁能抓住市场的短期波动窗口，谁就有优势。 硬件和软件 聊到投资方向，他说现在更关注硬件。 原因很简单：硬件的壁垒是物理世界的复杂系统工程，比纯软件代码更难被 AI 快速复制。供应链管理、工业设计、软硬结合的经验，这些需要长期积累，没法通过学线上课程速成。而且硬件有天然的商业模式，用户付费意愿更直接。 纯软件呢？容易被抄袭，没有护城河，用户付费意愿也弱。 他说了一句话：“中国团队执行力强，但在 AI 硬件创新上还是很同质化。” 海外出一个 AI Pin，国内马上一堆模仿者。 然后我们聊到了更现实的话题：在中国市场，纯软件应用要想赚钱，必须切中人性的刚需。 他提到早期 AIGC 浪潮中真正赚到钱的案例：AI 算命，短短几个月收入几千万，面向高净值人群；AI 论文代写，从学生毕业到专业人士评职称，这是不可替代的刚需。 他说未来更有商业潜力的方向，可能在不合规的地方。比如 AI 在情色产业、博彩（球赛分析）这些领域的应用。这些直击人性底层欲望，付费潜力巨大。 当然，风险也巨大。实际操作中，服务器、推广渠道全部得在海外，规避国内监管。 聊完的一些想法 这场对话，让我看到了两个视角。 我作为独立开发者，在意的是内容、技术、方向选择。我对 AI 工具有清醒认识，强调个人消化和深度思考。我对组队很谨慎，因为我得负责。 他作为投资人，在意的是趋势发现和组织能力。他提出创业工厂模式，通过批量化、低成本试错来对冲风险。他的投资逻辑倾向于有壁垒的硬件和直面人性的软件应用。他追求极致组织效率，用"AI 挖趋势 -> 精准找人"的模式，不搞那些低效的线下社交活动。 最后我们聊了聊未来可能的合作方向： 我可以作为有经验的 Leader 角色，参与到他们的创业工厂计划中，一起孵化项目。或者，我通过内容创作吸引开发者社群，他们提供验证后的项目和资源，形成"流量-项目-转化"的路径。还有一个可能是，在他们正在研发的"AI for VC" Agent 项目上，做一些技术层面的交流与合作。 https://kuhung.me/posts/talks-with-an-old-peer/ Tue, 17 Feb 2026 22:42:30 +0800 https://kuhung.me/posts/talks-with-an-old-peer/ “我现在回想，我都不知道去年一年我下班就在干嘛。” 去年底，约了位老同事出来吃饭。他清华本科毕业，之前在公司负责跟进某预研项目。因受不了形式主义，与我先后离职。我俩都很好奇彼此的状态，遂约出来聊了聊天。 多出来的时间去哪了 以前加班到九点多，累得回家就躺平。前公司七点下班，时间多了两三个小时，按理说应该能做点什么。但没有明确目标，反而天天刷手机、看视频、焦虑、然后循环。 他也说不清楚，这些多出来的时间到底怎么用的。 想去日本 聊天中，他提到想去日本工作。身边不少人，22年那波之后，就润出了上海。 日本少子化严重，劳动力市场对海外技术人才相对开放，工作签证相对好拿。只要找到合适薪酬的工作，加上日语，凭他的学历，能够通过高度人才签证，最快一年拿到永驻。 他之前自学考了两次，都没过。“时间成本太高。” 不光是时间本身，自学那段日子里，精力全耗在应考上，其他该做的事全搁置了。性价比来说，并不高。 而且，“现在是未来十年学习能力的最高峰。” 能不能卖 他现在做项目的思路变了。 以前是：“不管，我觉得我需要这个，先开发。” 典型的兴趣驱动思维，自己觉得有用就干。现在是：“能不能卖，如果说不能卖我就不动了。” 从"技术+兴趣驱动"变成了"市场先行"。 他现在的做法是：先做个最简单的版本，甚至只是一个概念演示、一段脚本，发出去看反馈。如果有人关注，哪怕只有一个人，也算有戏。如果发出去**“没人鸟”**，那就直接停，别浪费时间。 当然，更进一步，流量好不等于用户愿意付费。强烈付费欲望的产品，才是更好的产品。 他还提到了流量成本的问题。B站上获取一个粉丝要七八十块钱，这还只是关注成本，转化成付费用户更难。反过来想，如果获取一个潜在用户都这么贵，那把开发资源砸在一个没验证过的想法上，就更是浪费。 所以他开始做内容，想着与其花钱买流量，不如自己成为流量。这个逻辑跟我之前聊过的几位创业者想法类似，但真正能跑起来的不多，因为问题不少。 做内容的问题 白天上班，晚上还要写东西、剪视频，精力实在有限。选题也老大难，不想用"xx厂程序员"这种标签吸引关注，太依赖公司背书，离职了就没了。但观察用了这些标签的，又混得风生水起。 还有个矛盾：严肃的、知识性的内容天然不好传播。真正能火的，往往是搞怪的、“娱乐至死”的内容。这跟他想做的方向不一样。 他还观察到一个有意思的现象：男性用户和女性用户的付费意愿差别挺大。男性用户，尤其是那些看量化交易、副业搞钱之类内容的，决策很理性，更倾向于找免费资源，对付费的意愿不强。女性用户相对来说，更容易被价值认同和情感连接打动，更愿意为好的内容或体验付费。 这个观察跟我自己做内容的感受也对得上。但某些内容的主要受众天然又是男性，就很难办。 YouTube没流量 他还试过把内容翻译成日文，发到YouTube上。结果是：没有流量，平台连初始推荐都没给。 他在回顾：是平台算法的问题，还是标题SEO没做好，还是内容本身跟日本市场的文化不契合？ 这次失败让他有个明显的转变：之前想的都是大方向、大策略，现在开始关注具体的执行细节了。怎么做标题优化，怎么研究平台推荐机制，怎么用工具提升发布效率。 光有内容不够，分发本身就是一门学问，值得花大精力去投入。 怎么用AI 聊到AI，他的态度挺务实。因为我们多少都懂一些技术原理，甚至毫不夸张地说，浸润地透透的。但实际应用AI来辅助生产，他有一些自己的心得： 现在写东西的流程大概是这样： 自己先写个开头，确定思路和风格 把这部分给AI看，让它学习风格 让AI续写或优化后面的内容 自己再修改，确保逻辑和质量 重复上面的步骤，直到满意 之前他很纠结，AI辅助写出来的内容，受众会介意吗？后来发现，受众其实介意的是，你交付的内容有没有获得感；平台介意的是，你能不能稳定产出内容，好给你较高的推送权重。 对于AI行业本身，我俩都认识都是过热。“很多AI应用的商业价值还没法证实。” 技术演示跟能赚钱是两回事，中间隔了十万八千里。“三年内取代80%岗位"这种预测，他觉得噱头为主。但不得不承认的是，现代企业的冗余度非常高，老板借AI削减人力，倒是实打实存在。但这更多是政治问题，而非实际上的提效。 提效，是资本叙事的一环。 还在找方向 聊完这顿饭，我一直在想一件事：时间多了，不等于方向就清楚了。 他现在学日语、做项目、搞内容，什么都在试。有些有反馈，有些石沉大海。 但是，一定要专注，形成自己的资金循环，可能就没那么焦虑了。 如果你也在折腾类似的事，欢迎找我聊聊。 声明：以上内容由对话与回忆整理，可能存在偏颇错位，仅供参考，不代表当事人立场、不构成投资建议。 关注我，带你看更多价值内容。 关于作者 https://kuhung.me/posts/talks-with-an-art-cowoker/ Sun, 08 Feb 2026 18:06:45 +0800 https://kuhung.me/posts/talks-with-an-art-cowoker/ 朋友介绍，认识了一位艺术方向的创业者。英国皇家艺术学院毕业，归国后做艺术教育留学方向。目前想用AI做一个辅助创作的工具（订阅制），用于提升学员的作品质量，帮助用户的留学申请更有竞争力。 我们前后聊了两次，虽最后未达成合作意向，但整个沟通的过程，很有代表性。可以让大家了解想做agent创业的人，都在想什么，以及技术合伙人在想什么。 市场需求 由于我本人并不具有领域知识，所以以下市场观察均来自对方。 在他视角里，国内艺术教育有个结构性缺陷：基本功练得多，但创意思维和研究方法的训练几乎空白。学生画得不错，让他们写一个完整的创作逻辑去申请海外院校，就相对困难。而后者，往往是竞争优势所在。 即便在海外，能真正理解并运用系统创作方法论的人也不多。这种东西通常得读到博士才能摸到门槛。 “对大多数人来说，创作过程就是个黑箱。知其然，不知其所以然。” 当然，我的疑问是，假设竞争优势存在，那现有的工具比如ChatGPT不能解决吗？ 在他视角里，ChatGPT是被动应答的，用户问不出自己认知边界之外的问题。艺术创作最需要的恰恰是突破性的引导，这个靠通用模型做不到。 对于此结论，我不好评价。留学市场，某种程度上是吃信息差的一个行业。 产品思路 他的产品不是问答机器人。预期通过一系列结构化的问题，一步步引导用户深入思考。 具体来说，是一个多步骤的"因果关系"链。每一步的输出叠加推导下一步的方向，最终产出一个逻辑完整的创作方案。他说目标是让用户"像学者一样思考"。 这部分我现在还是会有疑问：如果教育技能是能通过走一遍流程就能习得的，那高手应该遍地可见。但事实并非如此。 该过程还会生成高质量的核心关键词。他的原话是，那个关键词得是 “a poem”。他自己就是典型用户，做这个产品是在自己的实际业务里发现的可能性。 他预期，MVP先做一个聊天框式的交互界面，验证核心逻辑，拿去融资。 他预估的开发周期是两周。 我跟他说，实际开发肯定比这长，返工和需求变更是常态。 非技术人员，往往会低估开发成本。即使现在有AI加持，省去的不过是从0到1的编码时间。但实际开发，往往编码时间不是主要开销。需求确认、需求膨胀以及需求返工，才是花销大头。 商业化 目标客群很聚焦：准备作品集、申请海外艺术院校的中国学生（特别是江浙沪学生）。 定价200块一个月。对比市面上动辄5000到1万的留学申请辅导服务，价格差了一个量级。他的目标是把作品集深度研究这块的成本至少砍一半。 To C 按月订阅，逻辑简单。但200块的订阅费，客户是否买单，我无法确认。横向对比AI编程软件，现在还是拼价格的阶段。 长期来说，他想从艺术教育切入，往工业设计、动画这些更大的创意产业扩。 竞争优势 他把一套1995/1996年在西方艺术界才系统确立的创作理论做了量化，转成AI能理解的逻辑框架。 这里的量化，其实我一直不太理解，是数据的量化还是别的什么。大模型真的需要人去预先处理这些领域内容吗？ 手上有1000到2000份带标注框架的行业数据，可以直接喂给模型做微调的预处理数据。（但其实，这个量级不需要微调） 这个细分市场目前没人做。大公司缺垂直领域知识，短期不会碰，窗口期还在。 其他合作 他之前找过一个技术团队，合作不顺。拖了一个多月，进度不透明，沟通也有问题。技术上的核心卡点是"精准度不够"。AI生成的内容没法准确覆盖他量化框架里预设的关键概念。 这部分内容，实际上在合作中很常见。如何衡量Agent系统的效果。如果未达到预期效果，是基础模型不够强，还是pipeline本身设计的问题；抑或是目标本身不合理。这些需要早期确认，中间反复沟通。 虽然他说：他要的不是外包，是一个能深度参与的技术合伙人，CTO级别的角色。但其实未先前合作过的两人，很难建立信任。沟通成本一定高。 个人判断 方向有意思。垂直领域加独家数据加方法论壁垒，逻辑上说得通。但风险也有。首先是艺术教育市场规模有限，从MVP到产品化的距离往往比想象中远得多。其次是创业者本身对于产研运的理解还在加深过程，存在较大GAP。 需求没理清就开工，大概率会白忙。更何况，更深的利益分配问题还未涉及。 声明：以上内容由对话与回忆整理，可能存在偏颇错位，仅供参考，不代表当事人立场、不构成投资建议。 关注我，带你看更多价值内容。 关于作者 https://kuhung.me/posts/talks-with-ex-netease/ Fri, 06 Feb 2026 22:14:29 +0800 https://kuhung.me/posts/talks-with-ex-netease/ 网上机缘，认识了同为游戏行业的朋友。网易、腾讯都待过，主要负责市场，特别是境外部分。后出来折腾创业。 不同于网上的光鲜案例，他并非一帆风顺，而是经历试错、反思和迷茫。这可能是大部分人的常态。 大厂待不下去了 他说离开大厂，不是因为钱或者岗位，是三件事把他磨得没脾气了。 第一，太无聊。 职业发展到一定阶段，每天干的事可预见、可重复。你需要不断满足下一级别的要求，才能满足晋升的需要。但这些要求，离开公司基本没用。爬梯子这件事本身，让人觉得没意思。 第二，太内耗。 大团队里很多决策不看数据，看关系。“谁跟谁亲近一点，他就天然对他信任多一点。” 大量精力花在处理人际上，而不是做事本身。做人做事很重要，但是搞成宫斗、过分官僚就没意思了。 第三，太拧巴。 打工的本质是帮老板完成他想做的事。但如果你从专业角度判断"这件事可能是错的"，无论是数据、还是专业视角，那种内在价值冲突非常难受。 三个问题叠在一起，光环褪色，他选择离开。 两次折腾 离开大厂就自由了？ 第一次，做电商。 和朋友合伙，赶上国内电商热潮。干了一阵，发现自己不喜欢电商，内心想做的是海外市场。更关键的是，他觉得这事自己坚持不了两三年，中途退出对大家都不好。于是及时止损，选择退出。 第二次，去小公司。 加入一家几百人的美国公司，研发在国内，市场在欧美。想法很美好：小团队应该更纯粹，不用搞那么多向上管理。 向上管理、人际关系、目标错位，这些在大厂困扰他的东西，换个地方照样存在。“我感觉换到一个小团队打工，并不能解决打工的痛苦。该难受的还是难受。” 到这一步他认为：问题不在公司大小，在"雇佣"这件事本身。 更务实的路 想通了根源，他开始观察身边真正跑通的人，发现了一条成功率更高的路：先做乙方，再做甲方。 先靠自己的专业技能帮别人干活，积累现金流、经验和人脉，再逐步转型做自己的产品。他总结如下：“其实大部分人的创业，无非就是把舔领导变成了舔甲方。” 打工是依赖一个老板，做乙方是服务多个客户。风险分散了，自主权也大了。 他举了两个真实案例。某抖音健康食品头部品牌，前身就是帮别的品牌做抖音投放的代理公司。他目前所在的游戏公司，最初也是帮人做美国达人营销的代理商，靠服务赚到第一桶金，才转型做自研产品。 相比直接做产品，做乙方的门槛低很多。做产品要求你什么都懂，不能有明显短板。做乙方只要专精一项就能活下来。而且在服务客户的过程中，能从厉害的客户身上学东西，也能从不靠谱的客户身上涨教训。 他自己的打算是，用深耕多年的海外达人营销能力，先接外包活，把团队和现金流跑起来。 还是迷茫 聊到最后，他很坦诚，“我现在其实还蛮迷茫的。” 方向看到了，但具体怎么落地，还有很多不确定。 不过他没有停下来等答案。他在跟各种人聊，探讨合作可能。“咱们可以组合一下，我们就有更多的能力去接更牛逼的甲方。” 很多人离开大厂，以为换个环境就好了。其实痛苦的根源不在环境，在模式，或者说是文化。好的文化难求，适合自己的文化难求。想清楚这一点，才能避免从一个坑跳进另一个坑。 若你也在探索从大厂出来后的方向，欢迎找我来聊。 声明：以上内容由录音片段与回忆整理，可能存在偏颇错位，仅供参考，不代表当事人立场、不构成投资建议。 关注我，带你看更多价值访谈。 关于作者 https://kuhung.me/posts/talks-with-an-ex-pm/ Wed, 04 Feb 2026 23:17:15 +0800 https://kuhung.me/posts/talks-with-an-ex-pm/ 前几日中间人牵线，让我有机会与一位软件工程出身的离职产品进行对话。她之前在大厂做产品，技术背景出身，刚离职出来单干。 聊了两个多小时，很多东西对我有启发。 她说这次离职是深思熟虑后的结果，所以心态还算笃定。聊下来，我发现大家面临的困境，可能都很相似。 创业补课 她知道自己技术行，商业不行。于是报了创业课，还参加了"AI大航海"项目。 创业课讲的东西很实操：一堂五步法、单面模型、股权分配、投资人沟通。讲师反复强调一个词：“实事求是”。 AI大航海是个三四个月的线上项目，每周要交作业，写AI教程。她说这个作业倒逼她学了很多不熟悉的东西，ComfyUI、AI写歌，硬着头皮做下来，确实有收获。 课程结束，理论武装完毕。接下来该干活了。 “然后我发现，最大的问题不是不会做，而是不敢做。” 错过的机会 她给我讲了两个让她后悔的案例。 第一个是24小时无人台球厅。两年前，“小铁"还没火的时候，她就看到了这个趋势。测算了投资回报，考察了加盟品牌，数字很漂亮。但最后没敢投。 她朋友听了她的建议，投了。三个月现金流转正，六个月回本，年化收益30%。 第二个是无人成人用品店。有人要转让，位置好，有线上客流。老板给她看了后台数据：月流水最低5万，高的时候七八万，平均客单价170块。美团已经不让新店入驻了，这个老店资格本身就是护城河。 她还有更好的货源渠道，转让费15万，可以砍价。 “我还是没敢接。一方面怕，一方面懒。” 我问她，这两个机会，按你自己的判断，成功率有多少？ 她说至少70%以上。 我又问，那为什么不做？ 她沉默了一会儿，说了一句很有意思的话：“给公司提建议的时候，60%的成功率我就觉得值得做。但轮到自己，80%的成功率我还是会盯着那20%的失败。” 钱是公司的时候，她是理性的。钱是自己的时候，人就怂了。 这个心理机制，我也有。 技术思维的困境 聊到具体业务，她讲了一个案例。 之前在公司做酒店售卖系统，运营提了个需求：“希望视频号售卖的套餐可以分拆。” 产品经理翻译成：“允许多个兑换码，每个码独立核销和定价，支持部分退款。” 她翻译成：“单订单支持多商品售卖。” 同一个需求，三种语言。运营想的是用户场景，她想的是技术实现。 “以前我觉得技术思维才是核心竞争力。但现在发现，运营思维反而更容易挣到钱。” 问题是，她已经用技术思维想了数年。让她切换到运营视角，太难了。这不是学个工具的事，是整个思考方式的重构。 她想过找运营合伙人，也想过去社群请教。但她自己也清楚，这个问题没有捷径。 做产品还是做内容 她现在最纠结的，是方向选择。 一条路是做产品。发挥技术优势，构建壁垒。但周期长，没现金流的日子很煎熬。 另一条路是做内容。她看到有人用AI做"西游记人物唱歌"的视频，9个视频拿到100万播放。这个模式她能复制，还有做音乐、做视频的朋友可以帮忙。 内容这条路反馈快，可能很快有收入。但她心里清楚，这不是她的长板。热点嗅觉一般，感性表达也不行。更重要的是，动机不纯粹——她是为了给产品导流，不是真心喜欢做内容。 她提到第一任老板做游戏失败的故事，作为警示。 那个老板想做纯粹好玩的游戏，但又想先做赚钱的游戏来养活自己。结果呢？做赚钱游戏的时候，忍不住塞理想主义进去，产品不够功利；做理想游戏的时候，又因为钱妥协。 “最后两头不讨好，不温不火。” 她很担心自己也这样。 尽人事，听天命 聊到最后，她分享了一个感悟。 “创业没有标准答案。这是个复杂系统，黑天鹅随时会来。” 她能做的，就是把基础的事情做好，做到60分。别小看这个60分，很多人连这个都做不到。 她之前帮朋友管书店，就是建了个基础的数据管理系统、优化了库存流程，销售额就翻了一倍。不需要什么高深的策略，基础的卓越运营本身就是稀缺能力。 她的策略是：控制成本，快速验证，不断修正。方向不是想出来的，是在一次次尝试中逐渐清晰的。 “至于最后能不能成，说实话，我也不知道。但总得先动起来。” 这句话，也送给大家。 若你也在做独立创业的探索，欢迎找我来聊。 声明：以上内容由录音与回忆串联，可能存在偏颇错位，仅供参考，不代表当事人立场、不构成投资建议。 关注我，带你看更多类似访谈。 关于作者 https://kuhung.me/posts/talks-with-an-ex-vc/ Tue, 03 Feb 2026 23:17:15 +0800 https://kuhung.me/posts/talks-with-an-ex-vc/ 前段时间某社群，有老板私我说想约个coffee chat。这位创始人之前是VC（风险投资人），现在做AI+2B的出海业务。他的合伙人在南非有家财税公司，算是自带种子客户。 我们约在咖啡馆见面，聊了一个多小时。这次对话对我颇有启发，分享给读者朋友。 业务逻辑 他们的做法很直接：直接去客户公司蹲点。看人家怎么工作的，哪些流程重复，哪些环节费人力。然后用AI改造这些流程，帮客户省成本。 “别人要100个人做的项目，我们30个人就能搞定。” 他说他们已经把开发成本压到三分之一，未来可能是十分之一、二十分之一。 听到这个，我第一反应是疑惑。之前服务前司，一个月为省5人天的工作量，产研投入却要20个人天。算来算去，账根本算不过来。当然，客户买单就是好事。 他认为AI正在改变三件事：设计、生产、分发。设计环节，AI能快速出原型，需求确认从几周压缩到几天。生产环节，写代码、做视频、搞文案，效率指数级提升。分发环节，自媒体和社交网络让每个人都能成为传播节点。 这三个环节的成本都在降。唯一降不下来的，是商业洞察。 他引用了一句话：“客户不知道自己要什么，他们只会告诉你要一匹更快的马。“客户表达的是改良方案，而创业者要看到的是底层需求。这个洞察力，AI学不会。 所以他选了2B，而不是2C。在他看来，2C就是赌博，你不知道用户要什么，只能一个个试错。2B不一样，你能看到客户的真实工作流，需求清清楚楚摆在那儿。成本可控，确定性更高。 这套逻辑听起来很完整。但实际操作起来，愿意暴露自身工作流的客户，少之又少。而且，归根结底，还是人效的提升，似乎难以带来新创新。而人效计算上，有太多的可操作空间。 AI相亲是不是伪需求 我跟他讲了我在做的AI相亲小镇。核心逻辑很简单：用AI提高匹配效率，让用户省时间。 他直接泼了盆冷水。 “这是伪需求。” 他说，“你直接告诉用户这个人最适合你，用户反而不爽。他们享受的是筛选的过程，是那种未知感、刺激感。你把过程干掉了，就把乐趣也干掉了。” 我当时愣了一下。 他继续说：“相亲这事儿，用户要的不是结果，是过程。你以为你在帮用户省时间，实际上你是在剥夺用户的体验。” 这个观点很尖锐。但我又想，市场上应该同时存在两类用户：一类享受过程，另一类就想要结果。我做的是后者的生意，也没毛病吧？ 访谈结束后，我反复思考这个问题。 他说的还是有道理。 做内容到底是为了什么 聊到自媒体，分歧更大了。 他在做自媒体，但逻辑和我完全不一样。我做内容，是想的是表达自己，输出有深度的东西，至少同行看到不笑话。那些浮躁的、浅白的，导读都算不上的内容，总感觉聒噪。 他做内容，想的是研究流量分发机制。 他的方法是：找那些"低粉丝、高播放"的内容，用GPT改写，快速发布。他很坦白地说：“这些都不是我自己的东西，我也不是为了表达自己。” 然后我问他结果怎么样。 短时间内涨了几万粉。 而我还在纠结什么是"有价值的内容”。自觉有价值的内容，没人看。有人看的内容，又感觉不是吧，这也行。 他很冷静。他把自媒体当成一个实验场，验证传播理论。粉丝数、播放量、完播率，都是数据指标。他不在乎内容是不是自己的，只在乎这套机制能不能跑通。 我很纠结。我在乎内容是不是我自己的，在乎表达的是不是真实想法。 人才策略：务实还是冷血 聊到招人，他分享了一个策略。 大厂裁员，他趁机招人。原来月薪4万的工程师，现在2万就能招到。在他看来，这就是市场规律，供需关系而已。 我听了，心里感觉怪怪的。 他注意到了我的表情，补充道：“创业公司要活下去，成本控制是第一位的。这不是冷血，是现实。” 这话没错。但从被降薪的工程师角度看，又是另一回事。 这个细节让我意识到，他的决策模式是纯工具化的。这可能是他作为前VC的职业习惯，也可能是创业环境的视角差异。 共识：别做大模型 聊了这么多分歧，也有共识，那就是大模型这事 我俩都认为，大模型最终会像水电煤一样，被2-3家科技巨头垄断。研发成本太高，网络效应太强，小公司根本玩不起。 创业公司的机会在应用层。怎么用这些基础设施解决具体问题，才是关键。 这个判断，我俩都认同。 两种创业哲学 这次访谈，让我看到了两种截然不同的创业哲学。 他的路线：用技术压缩成本，用洞察找到需求，用市场验证想法。不讲情怀，不谈理想，只看数据和结果。把一切都当成可以量化、可以优化的指标。 我的路线：想做"好"的产品，输出"有价值"的内容。但什么是好？什么是有价值？用户反馈不够多，到底是产品力不够，还是因为“酒香巷子深”？ 他给我的建议是：市场会告诉你什么是好的。如果没爆，那就是环节链路没做好。如果担心是传播不够，那就投流试验。不必纠结。 这个视角，对我来说，颇为受用 。尤其是当你计算机会成本时，就知道有些支出是必要的。 End 你也在做AI相关的创业探索，欢迎找我来聊。 声明：以上内容由录音与回忆串联，可能存在偏颇错位，仅供参考，不代表当事人立场、不构成投资建议。 关注我，带你看更多类似访谈。 关于作者 https://kuhung.me/posts/talks-with-an-ai-pm/ Mon, 02 Feb 2026 23:24:45 +0800 https://kuhung.me/posts/talks-with-an-ai-pm/ 某书刷到AI社交团队，地推请人喝咖啡，换取产品注册。那段时间，我正在琢磨AI相亲小镇，遂报名前往现场。 该产品的想法很纯粹：AI分身帮你社交破冰。你先和对方的AI聊，觉得合适再联系真人。团队说，“AI帮社交破冰是真的”。 就在昨天，产品宣布即将关服。类似的草稿有几份，思来想去，优先发布这篇文章。 产品逻辑 产品叫"分身"，其运作方式如下： 首先回答约200道题，涵盖MBTI、大五人格等心理学模型。系统根据答案生成你的AI分身。这个分身不是简单的聊天机器人，而是要尽可能"像你本人"。之后，你可以先和别人的AI分身聊天，觉得合适了再联系真人。 这样既降低了社交风险，也节省了试探的时间成本。 团队的想法是：AI足够像真人，才有价值。这是和其他AI社交产品的核心差异。这个追求也带来问题：高保真度意味着高门槛，用户体验有明显的摩擦。而且，一个像我的Agent，就真的是我吗？ 用户是为“像”付费，还是因为能满足社交的诸多目的：自我展示、认同构建、线下链接而付费呢？ 地推现场 团队地推获客，相当务实。咖啡馆、大学校园附近，产品经理亲自上阵，主动和路人攀谈。激励方式是请喝咖啡或帮忙拍照。用户完成注册和问卷后，会被邀请进微信群，方便后续沟通反馈。 当天我们去了五角场的复旦大学附近。在校生对新技术接受度高，愿意尝试。但问题是，大部分人是"玩一玩，尝试一下"的心态，付费意愿不强。 用户体验的反馈很两极： 门槛高。“题太多了"是最常见的反馈。200多道题，不是每个人都愿意花这个时间。很多人答到一半就放弃了。 准确性高。完成问卷的用户普遍认可分身的"真人感”。互联网金融从业的用户说，“题多了才能准”，他们理解这个逻辑，也愿意投入时间。 这就带来一个问题：产品要求用户巨大的前期投入，但核心价值要等到很晚才能体验到。如何弥合这个鸿沟，是产品短期最大的挑战。 三类用户 团队在地推中接触三类用户。 社交障碍人群。比如宅男、二次元用户。他们"渴望被爱"，但"不敢主动去结交"。理论上，代理社交正好解决他们的痛点。但访谈中提到一个问题：部分深度二次元用户更喜欢"纸片人老婆"，对导向真实社交的产品兴趣有限。 大学生群体。获客成本低，愿意尝试新东西。但付费转化率低，更多是当成有趣的体验，而不是刚需工具。 职场打工人。这类用户对产品底层逻辑理解更深，认同"投入时间换取精准结果"。他们是潜在的核心付费用户，但获取成本高。 早期探索阶段，用户定位广泛且有交叉很正常。 最难的是付费 访谈中，我试图解变现方式。 大量早期用户能感知到产品的趣味性，但没有强烈的付费意愿。他们把产品当成新奇的AI应用体验，而不是解决实际问题的工具。 团队内部曾将"提升社交效率"作为核心卖点。但问题在于，双边市场的用户规模还没建立起来。平台用户基数不足，匹配不到心仪对象，“效率"根本无从谈起。这只是一个未经验证的假设。 团队对此有自己的认知：“先价值再想费点”。产品必须先让用户深刻感知到不可替代的价值，之后才能谈商业化。在用户真正通过产品解决社交难题之前，收费都可能太早。 访谈中还有一个有意思的现象：女性用户可能对详细的性格分析报告有更高的付费意愿，而男性用户觉得"200多题"“有点不值”。 找到并清晰传递核心价值，是产品实现商业化前必须跨越的鸿沟。 和抖音AI的对比 沟通中，也聊到了抖音的AI聊天功能。 用户的评价是，抖音的AI分身"太假了”，更像模式化的聊天机器人，无法真正模拟博主本人的特质。这也是"分身"的机会点。他们在"更像本人"这个维度上的投入，是和大厂泛娱乐化AI应用的核心差异。 但访谈也触及了一个深刻的问题：“过于真实"可能带来数据隐私和授权分级的挑战。比如为CEO或名人创建分身时，如何确保AI只公开其主人愿意公开的信息？这是个巨大的技术和伦理挑战。 这或许是抖音等大厂"没有incentive去做更像"的原因。 其他可能性 除了社交场景，访谈中还讨论了几个有潜力的应用方向： AI面试官。将技术应用于模拟面试场景，为求职者提供高度拟真、可反复练习的面试环境。 名人知识付费。为CEO、投资人或知识博主创建AI分身，作为他们对外输出知识和粉丝互动的代理。这不仅能突破名人本人的时间限制，还可能实现一种全新的"二次知识付费"模式。 前者其实已经在广泛铺开落地；后者目前也在发展之中，甚至我自己本身，都有这个长期诉求。 你在江浙沪，也在做类似方向的探索，欢迎约我来聊。 声明：以上内容由片段录音与回忆串联，可能存在偏颇错位，仅供参考，不代表当事人立场、不构成投资建议。 关注我，带你看更多类似访谈。 关于作者 https://kuhung.me/posts/data-mining-onchain/ Wed, 03 Dec 2025 15:21:47 +0800 https://kuhung.me/posts/data-mining-onchain/ Web3目前已是一个既定的事实，融入到现有的金融体系之中。围绕Web3、特别是链上数据的服务，也越发成熟。一般意义上的数据挖掘、数据分析，也适用于链上。因为链上的数据是公开的，所以一般人也能获取。 你是否也好奇，链上的巨鲸用户是如何被发现的、关于比特币的各类指数，是如何计算的。这篇文章，就用来回答链上数据挖掘的基本前置信息。看完本文，你将对链上数据挖掘，有一个基本的认知，并可以通过文末的Github链接，动手实操。 接下来，我们按照数据定义、数据获取、数据加工、数据应用四层思路，一起来看看链上数据。 链上数据 说到链上数据，这里有两个概念需要澄清。首先，交易所的k线、各个矿池的价格数据，不算严格意义上的链上数据，但他也是链交易的一环，所以下文也会提及。接着便是真正的区块链上存储的数据，它是严格意义上的链上数据。 下图是使用 CoinGecko API 获取近90天比特币价格数据的例子： 而在区块链上，数据会分为三类。他们分别是交易数据，包含收发地址、转账金额、余额信息；区块数据，包含时间戳、矿工费、矿工奖励等；智能合约代码，区块上的编码业务逻辑。我们主要关注交易数据。 当然，围绕区块链，类似证券交易，还会有各类研究报告、以及社媒数据。这两个，不在今天的讨论范畴。 数据获取 就目前来说，单一链的数据量已经膨胀的非常大了，特别是主流的比特币、以太坊等。你可以下载整个区块链到本地，但这并非最佳选择。两年前，受序数（ordinals）活动影响，完整的未修剪的比特币区块已经有600G大小。 不过也别担心，我们有公链浏览器这么个东西。通过它，可以查询链上的交易、地址和合约情况。在文末的链接中，有一个使用 Etherscan 查询以太坊创始人 Vitalik 地址的例子。可以看到如下返回： 另外，即使是原始的数据，也并不能直接用来分析。需要加工和存储。有平台对数据进行了加工处理，导入到了关系型数据库中。其中的典型代表就有 Dune Analytics 这类。我们可以直接在平台使用SQL进行查询，随后可以通过API获取相应数据。 下图是通过Dune查询并返回以太坊每日交易数的一个例子 此外，在区块之外，还在存在尚未被矿工验证的代替确认交易合集。对其的分析，能够有效评估区块链网络的实际使用和健康状态，也能通过其推断市场预期、优化交易费用。此外，还能发现热门的新Token。下图是使用 GeckoTerminal 获取以太坊热门DEX交易池的例子。 数据加工 这里的数据加工，也分为两个层面。因为前面有提到，有些工具会预先处理数据，形成数据库。但实际上，你也一定会好奇，他们处理了哪些数据。数据加工，这里分为数据清洗和数据再加工两个层面。 在数据清洗层面，原始区块字段，包含很多对于下游分析无用的信息，特别是非交易活动。比如交易所新造币转移给矿工、或者一些排除找零（change outputs）以及一些排除重复的程序化行为。这些行为，一般在我们使用加工后的数据时，无需考虑。 而真正对我们重要的是，数据再加工。一般这个活动，去取决于我们的分析目标。比如我们想要构建交易图，那么就需要把上一步数据中涉及的节点和边提取出来，构建有向图。比如我们想要构建巨鲸监控，则我们需要按交易地址进行处理归类，汇总同一地址或同一实体的交易。 数据应用 就一般用户来说，数据应用无非是能不能帮他挣到钱。这里可以分为前期的价值评估和日常跟踪跟随。价值评估会有几个常用指标： ◦ MVRV 比率 (Market Value to Realized Value)： 市值与已实现价值的比率，用于判断资产价格是被高估还是低估。 ◦ NVT 比率 (Network Value to Transactions)： 将网络价值（市值）与交易量进行比较，类似传统金融的市盈率 (P/E)。 ◦ CDD (Coin Days Destroyed)： 币天销毁，衡量长期持有的币被移动（卖出）的程度，用于判断长期持有者的动向。 ◦ SOPR (Spent Output Profit Ratio)： 卖出产出利润率，衡量市场参与者在卖出时是盈利还是亏损。 下图是一个比特币价格移动平均线与MVRV比率的数据图： 日常的跟踪跟随，见的比较多的便是聪明钱跟踪和巨鲸钱包的监控。下图是已知的部分巨鲸列表： ◦ Smart Money 追踪： 追踪 Nansen 标记的“聪明钱”地址的持仓动向，这些地址的行为映射着信息差，比如内幕交易。 https://kuhung.me/posts/meritocracy-in-mind/ Thu, 27 Nov 2025 08:45:42 +0800 https://kuhung.me/posts/meritocracy-in-mind/ 你以为的优绩主义 优绩主义声称：这个社会奖赏那些绩效优秀的人。绩效更优的人，值得更多的奖励、更多的资源。你只要努力达到规则、指标要求的一切，你就配得到更多。这套逻辑，撑起了现代大厦的方方面面，从教育升学、到企业管理，甚至两性关系。 实际上的优绩主义 你并不知道什么是优绩主义。小时候的你，只知道做好了：前面有奖赏。你被许诺一个光鲜靓丽、有空调的办公室生活，而反面则是重复父辈“面朝黄土背朝天”的循环。这是你关于学习的早期想法。你在一声声“聪明、自觉”的赞美中，度过童年和青春期。 幸运的是，这一路走过来，你被系统筛选，并满足系统要求。你发现只要做好系统要求的，确有回报。在这套系统下，同龄人间以学业成绩作为唯一评判标准。而这，恰恰是你擅长的事情。 你什么时候开始怀疑这套系统，直到意识到优绩主义的呢？ 是大学时期，你发现怎么学，毕业后的薪资水平就摆在那里。因为你第一次，跨年龄进行了深度的交流。即将毕业的学长告诉你，趁早转行。学机械少有去做机器人；机械重设备、轻人力。 是大学时期，你发现怎么学，别人总在你前面。人之间的差距，比预想中更大。人与人之间的评判标准，并非仅仅是学业成绩。更何况，这里的每个人，都曾名列前茅。 你的优越感被击破，虽然你也没啥值得优越的。这也是第一次，你对自己所获得的一切，开始重新审视：不再当作个人努力的理所当然，而是千万个巧合凑一起的结果。 后来，你读到《优秀的绵羊》和《精英的傲慢》，第一次知道了优绩主义这一概念。你对人文社科的兴趣，也在那一刻到达顶峰。你发现怎么有如此聪明的大脑，能够提炼出恰如其分的感受。 随后，像大部分毕业生，你发现优绩主义似乎失灵了。因为你开始步入工作。为什么这么多形式主义，为什么晋升的是他不是你，为什么说好了看数据，结果却总是挑挑拣拣找好看的。 你在系统中短暂迷失，但觉得更多是公司的问题。所以，你决定换个公司试试。 很幸运，在新公司优绩主义仍然在生效。你做出了下游满意的产品，她就在辅助评定上给予你最高评价；你做出了用户满意的功能，他们也会反应在DAU和付费上。这情况，维持了三年。 接着，你开始发现，组织似乎陷入了臃肿和内耗。优绩主义又开始失灵了。你发现做得好不如提供情绪价值的，也不如跟着老板空降的。说好的只认功劳，变成了对于ROI的死扣和无尽的文山会海、论证分锅。 这一特点也出现在亲密关系中。认真去爱，却因为激情褪去、缺少沟通和拥抱，就决定两个人的关系走向，那认真爱的意义何在。 实际上，你开始怀疑优绩主义。优绩主义有错，但只有通过优绩主义证明自己的人，才有资格批判。 如果优绩主义承诺的东西无法兑现，为何要遵循它。 “如果一切都很简单，那么要你何用。你需要在逆境中找到出路，需要在按规则做到最好。你做不好，是你菜。做到了，是你牛逼。”你不在意，因为你知道，这是社会达尔文主义。 当一个从小到大的优绩主义获胜者，面临无法获得许诺的结果之时，显得手足无措。如果无法达到优绩，并不是个体的错，那么个体的努力是什么。你陷入虚无。 期待是一种冷暴力。对于优绩的预期，则是对自己的暴力。 预期奖赏触发多巴胺分泌，奖赏落空则带来加倍压力。反复期待落空，则成了习得性无助。 你拥有思考能力。做不了苏格拉底，也因此做不了一头幸福的猪。你本可以做一个苏格拉底猪，享受智识的快乐。但你半醉不醒，陷入内耗。 与其思考远在天边的人和事物，不如想想如何将手上的事物做到最好。优绩主义本身成了社会知识的载体，不能因为反对优绩，而放弃精进。 优绩主义在特定范围仍然有效，是敲开大门的砖头。按照优绩主义，相信它许诺的未来去执行。保留多种可能性的预期，才是优绩的合理打开方式。 应允一切发生，保持模糊。主体性由自身确认，而非优绩奖赏。 优绩获胜，离不开天赋+练习，但也应保持谦逊。失败，也并非一定自身的问题。 不必苛责、不必难过。爱也如此。爱存在，但从不按规则打分。爱自己、再爱他人。允许自己工具理性多一些。毕竟要吃饭、要尊从原始的需求层次。 优绩主义是一种规训。在你知道尽头充满不确定，仍愿意前往，则是一种选择的勇气。 尽信优绩不如无优绩，无优绩不如做优绩。 关于作者 https://kuhung.me/posts/ai-trend-in-my-eyes/ Wed, 26 Nov 2025 11:46:12 +0800 https://kuhung.me/posts/ai-trend-in-my-eyes/ 在人工智能领域，特别是以大语言模型（LLM）为代表的AI方面，大量人才和资金涌入。这个世界每天都不一样：新的概念、新的方法、新的工具，以及新的团队和产品。 虽然现在处于技术曲线的过度乐观期，但在热门领域，保持关注和实践总是没错的。 本期从算法创业者的视角，讲述技术原理与实现方法。从产品构建的不同阶段，力求带来系统性认知。 注：本期的素材，来自 ThoughtWorks 技术雷达33期。笔者阅读并提取了其中 AI、算法、数据相关的板块，结合过往认知与实践，总结出下列内容。 由于篇幅限制，深度受限。欢迎关注并留言感兴趣的部分，笔者接下来将长期更新。 阶段一：设计规划 这一步，讲的是如何将我们的需求，传递给 AI 的可执行规范。核心是要确认我们的交互规范，再让 AI 执行。当然，如果你脑子里没有这部分的清晰想法，让 AI 先给一版，再进行微调也是可以的。这也是建立品味的过程。 工具选型 工具上，目前可试验的有 v0、Figma Make、Miro AI 等。它们在产品设计的初期，提供头脑风暴、UI、UX 上的便利。 不过随着基础模型能力的提升，笔者认为更应该关注审美、以及知道当前风格是属于什么类别，建立脑海里的分类器概念，便于有效传递给大模型。 工具 定位 适用场景 v0 AI 驱动的 UI 原型设计 从文本/视觉输入快速生成 UI Figma Make AI 辅助设计工具 产品经理直接生成交互原型 AI Design Reviewer Figma 设计审计插件 UX/UI 批评、可访问性检测 除此之外，结构化的 PRD，让 AI 能够更好理解，这也是一种范式建议。传统 PRD 需要向 Prompt-ready 的格式转变，PM 需要将业务逻辑转化为 AI 能理解的结构化描述。 规范驱动开发 在编码阶段，设置全局的 Agents 规范，也是有意义的。无论你是团队开发、还是个人开发但是手下有多个项目，统一的目录结构和编码规范，能够带来极大的效率提升。这也能让 Agents 规范的迭代迅速同步到各个项目中去。 AGENTS.md 是一种新兴的约定——为 Cursor 这类辅助编码工具准备的说明书。包含项目结构、代码规范、测试方法等自然语言描述。它需要辅以索引后的本地 Codebase。 注意事项 整个过程，仍然需要警惕技术债务、警惕过度依赖一次性的前期准备。这和传统开发无异。而无代码平台，原文专家认为会导致未治理的应用激增，需要小心布置于生产环境。 https://kuhung.me/posts/luts-for-iphone/ Sun, 23 Nov 2025 11:11:54 +0800 https://kuhung.me/posts/luts-for-iphone/ 最近富士公开了其经典的十数种 LUT 滤镜，包括著名的 CC 滤镜和 NC 滤镜，使得其他拍摄设备，也能最大限度还原得到富士相机的效果，而不需要购入对应的富士相机。但在将富士LUTs应用到iPhone前，不少人是第一次接触到这一概念，这需要我们花点儿时间，来理解背后的色彩科学。 笔者通过编程方式，结合实际数据和图表，力图深入浅出解释LUT、Log模式以及为什么需要进行色彩空间转换。 1. 什么是 LUT (Look-Up Table) LUT 本质上是一个映射表，就如其英文全称所言。对于 3D LUT，它是一个 RGB 立方体。输入一个 RGB 值 (R, G, B)，查找表，输出一个新的 RGB 值。 LUT 的核心映射逻辑 输入 RGB: 假设视频里有一个像素，颜色是 R=0.5, G=0.5, B=0.5 (中性灰)。 查找 (Look Up): LUT 文件是一个三维数组 (例如 33x33x33)。 我们把 0.0~1.0 的范围划分成 33 个格子。 0.5 刚好对应第 17 个格子索引 (因为 16/32 = 0.5)。 定位: 找到坐标为 (17, 17, 17) 的那个小格子。 读取: 读取这个格子预先存储的 RGB 值。比如，胶片模拟可能会把这个灰变成略带冷调的 (0.48, 0.49, 0.52)。 插值 (Interpolation): 如果输入是 0. https://kuhung.me/posts/lean-productive/ Tue, 18 Nov 2025 11:39:46 +0800 https://kuhung.me/posts/lean-productive/ 控制半成品 精益，是一个制造业概念。对工科背景的朋友，特别是工业工程领域，应该不陌生。它最先出现在日本，伴随着日本上世纪的经济腾飞，在多个领域特别是汽车制造业击败美国，这一理念也大热。 历史只会重复，这一现象在如今的互联网公司也在上演。随着规模扩大，分工变细，并行量越来越多。实质上是逆精益。增加的工序、额外的跨部门沟通成本，带来大量内耗和浪费。 当然，今天的讨论主题，并非大公司，只是从这一概念出发，引申到个人、在构建产品中应该运用的原则。 伴随精益一定会有的概念是半成品。半成品，说的就是那些做了一半，无法交付的产物。约束半成品，即是指，在生产线上，应当控制同时进行的工序。通过控制流入减少半成品，合并工序，以此达到提升生产效率、减少浪费的目的。 以上原则，也适用于构建（build）。无论你是作为独立开发者，在构建自己的应用；或者是创业团队，在尝试可行的方向；抑或是up主、小说家、geek，只是想试试自己感兴趣的方向。 控制同时进行的构建数量，减少环节间的损耗，尽早交付，持续曝光。 为什么需要控制 在职场工作的人都知道，工作的时候会有不断的需求流入。某些内容有些看着很紧急，某些会被直接冠以“老板需要”之名。在工作中，管理者通过看板、统一的需求收口，来实现需求的监控与控制。 自己创业或独立工作的人都知道，在没有特定议题的时候，会有很多想法。今天是写内容做IP、过会儿想起项目代码还没交付、用户使用说明书还没写完。 就拿笔者来说，有过但不限于以下想法：搞硬件、做硬件和AI结合部分的演示视频、蹭热点写单页应用、写AI agent教程卖课、写量化系统出售、写运动姿势矫正应用、写视频打码应用、写管理笔记等。 以上很多内容，有些开了个头、有些完成了阶段交付、有些则在脑海里持续占据大脑“带宽”。你说这些半路的探索，有效果吗？效果肯定是有的，过去的经验构成今天的认知。 但这里讨论的是，如何更高效放大优势，在竞争中获得更好效果。 不控制带来的问题 在频繁切换任务的工作中，会积累大量的半成品。半成品，会占据大脑，消耗精力。人的精力是有限的，而人的心理，都有圆满效应。即当你画个圆，未完整的时候，被切换到其他任务上，会总想回头给它闭合上。 在多任务并行时，这个情况会更为严重。 过多的堆积，会让人不得不进行断舍离。清理的过程会发现，很多东西，在当时值得公开，但错过窗口后，公开的意义就不大了。而部分半成品，还无法吸纳整合到现有的体系中来。缺乏明确的交付节奏，也会让构建的品牌形象不连续。 解决方案 这一点上，可以借鉴大型组织的办法，通过看板进行控制。对于个人来说，笔者使用notion应用中的甘特图进行进度管理。 启动与执行原则 在具体实践中，有一些经过验证的原则可以帮助我们更好地控制并行量： 1. 5分钟冷启动原则 停滞后重新面对新任务时，先别想那么多，干个五分钟再说。写五分钟方案甚至是收集五分钟资料都可以，以此来减少压力感，降低启动阻力。 2. 最小单元拆分法 将任务拆分到最小执行单元，配合番茄工作法，对抗ADHD。笔者使用Flow这个应用进行控制，此举也可帮助快速进入心流状态。 3. 连续动作设计 在两个执行单元间设定连续动作，类似合并工作流，减少切换时的注意力打断。比如写完内容后，就打开网页准备发布。这种"顺手"的设计，能大幅减少“交接”成本。 4. 时间分区管理 明确自己的核心工作时间和非核心工作时间。在核心工作时间处理重要、复杂的任务，非核心工作时间则处理零碎事项和即时反馈。通过日程控制、事先设定议题，避免被琐事占据黄金时段。 深层控制机制 以上原则，都是在保护自己的时间，减少被打断的情况，进而减少工作内容的发散情况，最终实现控制并行、提高交付。 在这一过程中，还需要建立更深层的控制机制： 监控唤起原因 识别注意力涣散的触发因素。是什么让你突然想起要去刷视频？是什么让你在写代码时突然想去优化流程？察觉并记录这些唤起原因，改造触发后的连贯动作，能够更好拿回掌控感。 保留思维空间 设定特定时间，允许思维飘絮，如同冥想一样。但要记录下具体的想法，然后让它继续流动。这既满足了大脑的探索需求，又不会让新想法打断当前工作。 对抗浅层上瘾 控制半成品，也是对于浅层上瘾行为的约束和控制。浅层的各类休闲娱乐活动，总是伪装成不动脑子的样子。而脑子在高压力负载情况下，又更容易滑向这些上瘾行为。通过更少的并行量，换来更低的脑部负载，进而减少无意识行为的机会。 其他细节 此外，还有一些细微但重要的原则： 先小规模交付看受众反馈，避免过度完美主义 识别自己的短板，通过刻意练习或者"外包"的方式，减少构建过程的约束 不去做简单、重复的事情，能自动化的就自动化 保留机动时间，应对意外情况，维系与用户、朋友、亲人的关系 带来的效果 定期回顾成就，也能够帮助建立更全局的掌控、缓解焦虑。在这几个月里，笔者构建的量化品牌：仓满量化，收获了数十万次观看，上百受众转化为付费用户。 相信长期的价值，之前做的AI agent相亲小镇，在文章和视频发布的当月，只有零星反馈，但在两个月后，突然出现不少创业者和用户对该产品表达出浓厚兴趣。 更早一些，持续输出的思维导图，以及机器学习方面的内容，帮助笔者的账号谷粒粒获得知乎万粉。 而一些蹭热点的产品，比如性压抑测试，一个多月收获20w用户。在11月下旬，日活仍能保持上千。 有没有可能做得更好？当然有可能。那这需要持续执行、持续曝光、持续在牌桌上；试探并重复那些行之有效的策略。 保持好奇心、保持不完美、保持精益创造。 关于作者 https://kuhung.me/posts/love-in-ai-town-3/ Tue, 07 Oct 2025 21:12:32 +0800 https://kuhung.me/posts/love-in-ai-town-3/ 产品在发布后，受到了大家的广泛喜欢（不是）。为了增加真人感，主播增加了真人数据投放。第一个Agent 智能体是 UP主本身，ENFJ 投放到了小镇中，验证结果符合预期。Agent最后匹配的人选，也是主播在现实会有好感的人。 接着，内测群也发起了测试。累计招募了3位真人朋友。从测试的结果来看，也是合乎预期。最直接的证明就是，这三位即使身份背景不同，都对UP主的Agent表达出兴趣。这和他们选择参加游戏的现实结果一致。 不过，更多的用户停在了门外。根据用户访谈，有朋友认为该项目的定位和商业BP不够清晰。所以，第三次迭代纪要，主体便是回应这个问题。 这个项目的发起动机，是UP主本身有交友的需求。但在测试过程中，发现很多社交应用，都缺乏促成成交的机制。就像网友所说，社交APP的核心指标在于消费。没错，是用户在平台上各类消费活动。包括但不限于：知道谁喜欢了我、让对方直接看到我等更多特权。 为了让这个消费循环起来，平台强调的是下一个更好，而不是告诉你这个不错，好好接触。而你则需要尽量打扮、包装自己，才有机会被打上优质用户的标签，成为平台的“展示商品”。对于这样的展示品，平台自然是不想让其流失。 这不是发展亲密关系的正确方式。我们排除掉那些只是想玩一玩的人，剩下的人在社交APP上，实际上希望找到合适的对象，建立长期亲密关系。而非在不同的人身上辗转，让自己处于似乎丰富（候选人），但实际匮乏（建立深度连接）的状态。 以下是一些重要QA。 Q：产品的核心人群和定位？ A：核心定位在于一线城市，互联网大厂相亲交友、适婚年龄匹配。为什么是这个核心，因为up主的主要人脉在此。后续可能会考虑扩大，但核心一定是从这里开始。 Q：产品和专职红娘的中介公司的区别？ 产品的核心仍然是撮合服务。更多借助AI模型去匹配。设定清楚过程，减少人的主观干扰。也即是说，我们的模拟匹配，过程可溯源、可追踪。同时也减少了用户反复开场的重复枯燥感。 Q：做这件事的初心？ 市场太菜，社交APP的商业模式定位就在于反复收取各类费用，是消费而不是撮合。大部分用户处于沉寂、低曝光状态，而平台将曝光设置为付费点。 Q：算法在其中的作用？ A：人不用聊，直接让AI帮你聊；算法匹配打分，更精准更懂你。 Q：行业洞察情况如何，数据情况？ A：目前从身边感受来说，普遍存在需求。这部分数据后续陆续补充。 此外，我们再过一遍技术细节。本地迭代，实现两个核心功能。 一个是将LLM模型从本地机器，迁移到UP主更适合做模型服务的Linux服务器。另一个是增加了摄像头，使得我们能够在屏幕上跟踪对应agent，能够掌握它的第一手行为动作。另外一些小的改进，是数据采集增加了问卷，不用通过对话收集信息了。 最后，有这部分需求的小伙伴可以持续关注本项目，更大规模测试计划中。 关于作者 https://kuhung.me/posts/break-up-in-mind/ Thu, 02 Oct 2025 10:13:55 +0800 https://kuhung.me/posts/break-up-in-mind/ 你以为的分手 两个人，无论是谁有这个想法，都开诚布公。你们坐在第一次见面的长椅上，互相感谢彼此的付出。一方可能会挽留，或者是不挽留。你们的关系都会走到下一阶段。未来的某一天，当你谈起对方时，对方要么在你跟前，要么已成为一个记忆符号。 实际上的分手 老实说，提分手当天，你并没有复合的打算。第一次当面找她，无非是想看看，她到底遭遇了什么。顺道表明支持的心意。结果她转头就发：这雷雨天很适配前男友的心意。这个时候你就该明白，这是她未曾向你显露的一面。私密事情被公开化、调侃化对待。 第二次碰面，是她过来拿存放的衣物。你给她买了花，因为你第一次没给她买花。这也算是某种补偿吧。你带她去吃了螃蟹、抱在床上哭。你吻她，因为她之前很喜欢和你接吻。她站起身说，对你已经没有感觉。送别火车站时，你其实希望这车赶不上，这样你们相处的时间会再多一些。 你确实很难受，因为像所有的分别一样，你们不会再见面。你已经经历了足够多，和亲密之人的生离死别、和最好的朋友分别不见、和要好的同事挥手告别。你想，这次也会像平常那样的。晚上回来你没有胃口，喝了碗粥。 第三次碰面，是计划外的碰面。她在分开的2天内，接连遭受男生骚扰，情绪失控。你刚好晚上没睡着，看到了她的动态，给她发了消息。你感受到了对方极度的难过，白天你就借着送落下的衣物，跑过去又见了一面。 你找到她是想给她安慰，却不曾想看到不愿看到的一面。虽然你早知道她会给不同男生群发，以获得不同的安慰反馈。但你发现，她和你聊天频率下降的时点，勾搭上了新人。俗话说得对，当对方不想和你聊天时，多半是遇上了想聊天的人。 你看着她对自己喜好的描述，都是你们曾经一起做过的事情。你脑子开始发热，难怪分手如此决绝。你问过她，有喜欢的人就和你说。但她说，她不喜欢你，也不喜欢这个人。她只是寂寞。犯了每个女人都会犯的错。 你忽然觉得眼前的人变了，也许这才是她的全部。可爱、乖巧、自立、粘人、情绪细腻，不过是她的切片。你分不清她的难受，是真需要你支持的难受，还是只是撒网捕鱼。你带着愤怒离开，虽然心有不甘，但你也知道，人是复杂的。 你不可能占有她，就像故事一开始说的那样：她不希望你干预她的正常交友。只是后面，你们想独占对方。你们把这个东西，叫做爱情。 你把对方当作一个小孩，因为她的行事，确有不成熟的一面。你担心她未来会遇人不淑，特别是在互联网上，你见过太多面向姑娘的围猎。你希望她能找到一个真正喜欢的人，正直的人。长短没关系，别参杂太多功利。你不希望她出卖自己的身体。 你像过去所有了结的亲密关系一样，好奇她今天做了什么。你偶尔会看下还有联系的账号，猜想她今天发生了什么故事。不打扰是你的习惯，你看着她在往前走，很欣慰。 你为什么会决定打扰她呢？因为你看到她最近的情绪似乎又有变化。虽然你知道，不能过度带入自身。但是你想，最后这一次了吧。把该提醒的都提醒掉。 旋即证明，你多想了。对方正常的一次外出，并不是会见网友。你心里得到安慰，但也知道，这种打扰并不得体。就送到这里吧，你想。 为什么这次你比以往关系做了更多的事情？因为你感受到对方似乎仍需要你，这种被需要是一种幻想的自我满足。你也需要一个人听你唠叨，和你抱抱。一定是她吗，有时候你也在想。你像她一样，开始重复做过去的事情。 人类会从这类活动中找到刺激，但你已经过了寻求刺激的年纪。你希望找个人，和她做完旧事的同时，多去做新事。虽然你也会寂寞、也会被激素控制，但你知道，不能再走老路认识新人了。 The End 关于作者 https://kuhung.me/posts/guess-you-like/ Mon, 29 Sep 2025 09:26:21 +0800 https://kuhung.me/posts/guess-you-like/ 为什么别人可以 亲爱的，你总说，想找一个能懂你的人。能在你不开口，就知道内心想法的人。 为此，有过几次争吵，之后便是沉默。你说，厌倦了这种生活。 我想，又不是你肚子里的蛔虫，咋知道所思所想。 你说，你不管，你就要。为什么别人家就可以。 我变成了“猜你喜欢” 我找到了别人家。他给我一片蓝色药丸，说服下就可以达到目的。药效持续一天。服下药丸，一觉醒来，我变成了“猜你喜欢”。系统在我脑子里展开，原来药丸是信息联盟的入口。所有人类的数据，都流经此处。 我找到了你的数据。 你的社会标签，你出生在哪里、成长在哪里。知道你原生家庭的幸与不幸。我看到了你的银行卡入账。知道你的工作情况，薪资水平。上次调薪还是两年前。 还有你的行为数据，你下午在炸鸡铺买了炸鸡，炸鸡叔安排得井井有条。你刚刚还在和闺蜜聊，想去做新款的美甲、打卡新开的Chiikawa旗舰店。 我还发现了一处隐秘数据。你有自己的小号，里面是一些奇怪的人。也许是你工作的同事？反正我没见你聊过。你的朋友圈部分内容屏蔽了我，好像不是很要紧。除此之外，你的购物车里的东西，是准备给我的礼物吧。 我有你所有的一度、二度联系人，上面的数据我都有。当然，也包括我自己的。我纵览当下最流行的趋势、知道最热的话题、流行歌曲、劲爆资讯。不过你对宏观经济、AI技术进展、俄乌战场也不感兴趣。 你说有话找我聊。我随即启动了关于你的推荐系统。我将前面的所有信息标签化，结合上下文，作为特征输入模型。我要预测你对我给出反应的评分、最大化我们的接触时长。 根据协同过滤，召回一些和你相似人喜欢的反应，再混搭一些热点信息。再根据因子分解机、逻辑回归，筛掉一些不那么重要的反应。最后在对剩下的内容，采用神经网络模型做精排。 系统的目标，是尽可能让你在我身上停留。我要让你得到满足。不仅是短期的刺激、还要你对我有长期的认同。要让你有新鲜感，愿意长期和我下去。 你对小狗感兴趣，我主动和你聊起这个，你很开心。其实是因为你白天刚刷到过，并留下了点赞。你想吃螃蟹，我跟你讲哪家的螃蟹好吃，告诉你怎么正确吃螃蟹。其实是因为你的一度朋友好几个都吃过了。 你觉得我变得懂你了。我能够准确把握你话外之音，点到你内心的真实想法，和你进行推拉。你喜欢这种感觉。你放下手头的事情，和我有来有回。 直至深夜，药效消失了，我接不上话。你面对这突如其来的失落，很难过。你说，为什么我早不能这样。你说，分手吧。我接不上话，只能嗯。 其实，我看过你的数据，知道你的兴趣停留时间很短。你在厌倦我的同时，其他人的“猜你喜欢”，已经为你全力运转许久。我这片小药丸，不过是延长了这片刻的欢愉。 上瘾的背后，是系统为你构建的全景监狱。你的所思、所想、所行，看似自主，实则由系统牵引。“猜你喜欢”的代价，是我对你全面的监视，深入脑海。换来的是我对你的软性控制，以及你对我的上瘾依赖。 我不要这药丸。这种依赖足够摧毁一个人。 关于作者 https://kuhung.me/posts/love-in-ai-town-2/ Sat, 27 Sep 2025 15:55:13 +0800 https://kuhung.me/posts/love-in-ai-town-2/ 进入开发 书接上回，我们根据现有的资源，结合自身的优势和兴趣点，决定在相亲这个双边市场，进行撮合服务。 工具载体是我们的AI 小镇。基本思想是：数据化自身标签，设定目标，剩下的交给AI。减少相亲交友的重复和倦怠，提高匹配效率。 AI小镇有自己的一套代码，需要做的事是在原来的基础上进行调整。其核心功能，配置标签、设定目标为现成功能。LLM驱动的逻辑也是现成的，整体一次性能投放8个角色。 首先要做的是保证启动，实现原代码的功能。过程略微枯燥，总之就是发现问题，理解问题，寻找解决方案，尝试解决方案，最后修复。 在本次的案例里，复现最大的问题是后端部署方式，需要调整为本地部署。这些内容可以在up的视频中看到，不在此赘述。 本地化 跑通之后，接着要做的是本地化，以符合需求。我将其分为两部分。第一步是泛功能的本地化，另一方面是针对本项目的本地化。 泛功能方面，包括语言本地化、交互的调整。中文本地化，包含提示词和初始化角色。删除一些没必要的提示词，屏蔽掉移动端逻辑。 之前的代码，侧重demo宣传，有较多品牌logo植入。另外核心可视区域较小。up放大了主体窗口，缩小并调整了交互组建的位置，删除无关的品牌宣传logo。 这些在编程辅助工具帮助下，一个工作日就能完成。 项目的本地化，关注的是项目目标。首先我们的撮合服务，不能偏离现有用户习惯太多。也要有其他产品、服务具备的标签服务。这些标签，成为系统筛选的依据。 其次，以LLM为核心的交互，需要做对应调整。好在这个项目原始代码逻辑也不复杂，调整对应的提示词，强调匹配的目标，并且需要利用前面的标签，即可初步达到目的。 再者，我们借鉴游戏设计，引入经济系统。在这里是好感系统。Agent需要通过自己的努力，提升意向对象的好感度。Agent之间的对话，会影响好感度。这样就将经济目标，与核心功能绑定。 在我们没做改动之前，这个项目内的各个Agent目标是分散的。调整后，Agent的行为逻辑，更符合国内文化。初步注入的8个Agent，在各自交友目标的驱动下，和剩下的7位反复交谈，最后反应在好感度上。 作为系统的管理员，只需要录入客户的Agent信息，收集最后的好感度，即可筛选出匹配的对象。整个过程可视。 其他展望 调整之后，仍有很多待优化的项目。比如提示词、循环系统、外部资源消耗监控。商业行为，需要控制完美主义倾向。完成比完美重要，先交付再优化。 提示词方面，原项目差不多构建于2年前。那时基座模型的性能还差点儿意思，提示词方面也没有系统的方法论。现在提示词经过不少讨论迭代，已经形成一些写法套路。 整个项目在Agent 设计中，ReAct（推理与行动）使用得很粗糙。仅针对对话结果进行了打分分析，并不涉及下一步行动策略的调整。在现实中，这恰恰是人类最常用的。 项目依赖本地的大模型，但并未对token的消耗进行统计、未对服务的负载情况进行监控。若服务不可用或性能下降，实际会影响对话部分的质量。 目前，项目的演示视频已发布到多个平台，获得的曝光仍较为局限。获客是最大的挑战、缺少话题性，难以获得垂直流量。 看到这里的朋友，动动手指，填写一分钟问卷，圆你的交友梦。限时免费匹配，定期直播结果。https://wj.qq.com/s2/24050706/c5d5/ 关于作者 https://kuhung.me/posts/love-in-ai-town-1/ Tue, 23 Sep 2025 08:30:15 +0800 https://kuhung.me/posts/love-in-ai-town-1/ 开发背景 玩过社交软件的朋友都知道，软件交友体验不佳。这其实来源于目的的背离。平台的目的是留存和付费，用户的目的是匹配离开。尽管不少平台在努力平衡，但仍会看见许多精心设计的付费点；许多暗示你下一个更好的引导。 优质的用户是平台资产，当他们匹配成功时，意味着平台的资产流失。 除开目的的背离，还有客服感。不少网友反馈，在社交软件上聊天像是客服，对不同的人要重复相同的话术，聊着聊着对方还会断线。这种感受在消磨人的耐心，消磨对美好爱情的憧憬。 用户需要填写标签。例如学历、资产情况等。这些标签化的筛选方式，早已植入到了人的内心。品格无法量化，便先通过标签筛选。而一个人的偏好，基本是固定的。 这些重复的沟通、模式固定的筛选，完全适合AI agent来做。AI 可以重复沟通、能接受对方的掉线而不感到倦怠。AI也不会有下一个更好的期待，它做的是忠实于人的指令。这才是AI该做的事情。 技术选型 好吧，其实是拿着锤子找钉子。港科大让AI小镇又火了一把。博主秉着好奇的心理，找到了这个项目开源代码。尝试复现，增加附加值。 上周的家庭会议上，博主怂恿老爸搞月老做个副业。毕竟我的叽叽喳喳、反复唠叨是遗传的他。这个活很适合他，也很适合我。博主是ENFJ，大剑人格。有价值观追求，又能察觉到其他人的情绪。 一线大厂人群的相亲交友需求存在，且没有SOTA解决方案。AI小镇，是一个现成框架。做原型验证，在其基础上进行调整就够了。 由于启动资金有限，考虑到宣发效果受制于流量平台（受制于买量），实现思路是本地运行agent服务。这有两个好处。 一方面节省功能开发的时间和成本，登陆、存储、鉴权都需要大量的开发和测试时间。上线后，计算使用外部大模型API，消耗不可控。本地不会有这样的困扰，只管把机子跑满就是。 缺点是用户需要一一维系。也是优点，保证用户真实。 另一方面是，博主的目标是构建撮合服务。agent是其中的工具，人才是目的。不追求规模化，但追求有效传播、能切实帮助到客户。本地运行还能通过录屏解说，实现二次传播。 竞争态势 竞品方面，博主用gemini的深度搜索做了调研。他返回的类似产品，都集中在AI 情感陪伴方面。和本产品的定位不同。 社交媒体上，也存在情感、相亲题材的博主。他们的粉丝数大致是数万，风格在于择偶定位和线下活动。据称头部某团队，6人达到千万年营收。 其他一些更本地化的中介平台，其变现方式为会员费。有用户表示红娘逼单和伪造见面对象的情况较多。 定位与风险 AI相亲小镇解决匹配效率的问题。替代低效、上瘾、增强用户粘性的筛选行为。减少反复开场的倦怠感。减少下一个更好的期待感。通过算法进行条件匹配和对话沟通，实现高效、精准的双向匹配。 参与者将自身数字化，拟定标签、设定目标，剩下的就交给AI agent。这种第三方的视角，让参与者有机会跳脱出来，意识到自己真正想要的是什么。 本产品的主要营收方式为数字化服务费，主要成本为算力和人力支出。 本产品无法完全杜绝资料作假、美化，无法帮助提升外在美商，无法帮助用户实现特定功利想法。 本产品的主要风险来自于市场宣发，双边市场缺乏足够多的参与者。无人感兴趣，冷启动失败。 关于作者 https://kuhung.me/posts/lacking-in-mind/ Mon, 22 Sep 2025 11:35:48 +0800 https://kuhung.me/posts/lacking-in-mind/ 你以为的匮乏 你觉得自己缺爱，很多人想联系却已不再联系。你觉得自己缺钱，有很多想买却不能买的东西。你觉得自己缺精力，几年前还能熬夜，现在稍微熬夜就发炎。你觉得自己缺机会，自己做的事情总是无法被人看到。 你觉得自己缺很多东西，一方面空荡荡的；另一方面又被各种想法、情绪填满。 你想，不如就按大众路线，过完这一生吧。 实际上的匮乏 你有很多关心你的人，愿意在你低谷的时候帮助你。只是你不好意思开口。你的储蓄足够支持你按现有消费水平生活20年。你有很多点子，在进行很多实验；废寝忘食只为一个小实验。你做了很多事情，有一些被人看到了，有一些确实不出色。 你总是想找一条正确的路。考上好大学是正确的路吗，考上之后又该做什么呢。学好本专业是正确的路吗，为什么这课件这么陈旧。逃课去实习是正确的路吗，你是缺钱还是什么。找个互联网工作是正确的路吗，35岁之后怎么办。 去广州是正确的路吗，对象怎么办呢。提离职是正确的路吗，你已经受不了。去上海是正确的路吗，还是去北京呢。和她结婚是正确的路吗，为什么她好像不喜欢我。签下服务协议是正确的路吗，两年内晾着你怎么办。 不去找工作是正确的路吗，存款还够的吧。这个行业是正确的路吗，你有足够的竞争力吗。做这个内容是正确的路吗，会有人喜欢吗。接受她的分手提议是正确的路吗，要不要再争取下。开发这个产品是正确的路吗，之前的都没有流量。 在每一个决策路口，你总是想找到正确的路。随后又被时间推走，那是一个好决策吗？你想要找一个确定性，但是生活没有对错。你觉得自己缺乏感知正确的能力。 有时候你觉得，不能随大流。有时候你又觉得，不如随大流算了。你想要找一些正确的答案，转头却发现答案仅供参考。你学到的第一课是，生活是混沌的。你做了一些决策，正确不重要，重要的是去做、去推进。 你总是感觉头脑蒙蒙的，什么都想做，但什么都做不好。你清楚意识这种状态。可能是你想得太多，也可能是信息过载了。很多不必要的信息涌入你的脑子，试图占据决策高地。 你缺少持续的产出，转头沉浸在奶头乐之中。一会儿是猫猫狗狗、一会儿又是大厂批判。你丢掉了信心，觉得打工不是一条好出路。算法构造的回声壁里，你不断强化自己的想法。自我实现的预言向着特定方向发展。 你看到很多同行的光鲜一面，看到大模型将算法从降本增效对象，又续一命，变成香饽饽。你被更大的欲望笼罩、对习以为常之物失去察觉。对自己手上的东西失去清晰认知。就像你那公司前老板一样：总觉得外面的才好，手上的不太行。 你被幸福环绕，却去寻找那远在天边的成功。找了一遍又一遍，失望一遍又一遍。你有很多优先级，但最重要的，却不是爱你自己、爱你周围的人和事。 你有充足的信息，却用大模型去压缩。图个快，图个想法验证。看过就是学过，学过就是用过。你已经记不清，有几次没快进看视频，没用大模型总结文章。 对于那些遥远之物，那些庞大之物，总是想一口一个。匮乏与焦虑相伴。你在计算ROI，这正是社会教会你的事情。但是算来算去，计算本身消耗了最多的精力。这反过来，加重了你的焦虑。 你需要的是推进，而不是悬空计算。是执行、是允许误差的同时，保持拟合生活的能力。算法思想如是说。做好手边的事，模仿、迭代和精进。必要的时候，步子大点儿也是值得的。这是跳出局部最优的常见手段。 去尝试之前无法做的事情，这正是离开的意义。即使你的精力和时间有限，这些经历也将注入你这个产品，成为产品的特色部分。你不断的思考、不断的总结修正。所有人都这样。只是有些人思考的频次高、有些人修正的频次低。 你啥都不缺。 https://kuhung.me/posts/write-in-mind/ Wed, 17 Sep 2025 09:59:56 +0800 https://kuhung.me/posts/write-in-mind/ 你以为的写作 你是一个写作小成的人，你写什么东西都有人看。你的文思泉涌，下笔如有神助。你写作从来不卡壳，不觉得写出来的是垃圾。写作就像吃饭、走路一样自然，天生就会。 实际上的写作 除开必要的写作，你其实很少写东西。 小时候的日记都是应付了事，偶尔写出值得反复回味的内容。你当时不理解，直到发现记忆会被覆盖。你已经记不清楚当时事，却能从日记中找回自己。这些内容成为你未来解构自身、构建自身的基石。 你在大学写的那些东西，无非是课程实验报告。还有一些价值观冲突带来的落寞呻吟。当然你也开始学着别人，开了公众号、做了个人博客。你在上面写技术内容，差不多一个月的访问量也能有3000左右。 工作中的写作，多少是模版化写作。你要解决什么需求、背景是什么、技术选型是什么、达到什么样的效果。下个半年的目标是什么，团队人力如何分配。等等这些，都是为了让别人清晰而写作。 实际上，写作并不总是令人愉悦。大部分时间，你不敢开头，害怕写出来的东西被人评判。被评判还是小事，更重要的是，没人看。大语言模型出来后，有些技术内容，你还没它讲得好。 完美主义、害怕过多的自我暴露、写作手法不成熟，都是你难产的原因。还有很多公认的原因，你写这个不会有人看、写作的投入产出比太低；汇报写作不过是掉书袋、公司不允许公开发表技术内容等等。 实际上的写作，是充满表达欲的。你写作并非没有目的，你想获得关注、想传达自身的思想、想借此构建自己的精神世界地图。在你迷茫、不知所措的时候，梳理清楚自身的想法、结交一些朋友，能按图索骥。 大语言模型是在历史数据上训练，而你的当下不在它的语料范围内。你要解决的是留下什么东西，无论是故事、是情绪、是价值观、还是最新的技术操作。那些大模型擅长的，则不应该在你的输出范围内。 你因为兴趣写作，因为读者的正反馈而继续写作。这就够了，不需要所谓的意义。 写作很难。难在素材。你脑子里其实有东西，但是并不是所有的都值得文字化。素材和选题总会有枯竭的一天，除非你开始暴露自身。暴露癖是个很奇怪的癖好，一旦开始，很难停下。 写作很难，难在表达。有很多种方式，去构建文章。你也看过不少、读过不少。你需要找到一种你写起来舒服、读者看起来也舒服的方式。而不是简单沉浸在自己的世界，或者拙劣模仿他人。 写作很难，难在反馈。你在文章中夹杂了你认为的灵感一闪，却发现无人在意。你充满期待写下的文章，平台无流量、互动很拉垮。没有任何反馈。石沉大海。 写作很难，难在竞争。用户的注意力有限，读者的偏好在转移。长文本早就没了市场。短文本是大多数用户的主要选择。还有视频、音乐、播客争抢用户注意力。 写作很好，好在第二个你。你可以通过文字，记录下你当下的所思所想。将你脑海里抽象的概念、矛盾的价值判断，在此具像化、进行排序选择。虽然表达者的宿命是误读，但也没关系。这是第二个你，不是真正的你。 写作很好，好在成本够低。只要有键盘可以输入，有网络可以发布，你就可以在网络生态中占有一席之地。不像其他东西，无论是实体生意、还是网络软件服务，都需要不小投入和行业经验。 写作之时，你抛下脑海中的诸多想法，只沉浸思考下一个字该是什么。而不是懊恼焦虑、考虑未来那些虚无的东西。你的情绪在此刻收敛，也在完成之时获得强烈即时反馈。 只有在写出来后，才是你的东西。只有在发布后，才是你的资产。任何脑海里的东西，没有实体化，就只是一个神经脉冲信号。这是你能掌握的确定性。你在实体化的文字中获得确定性，获得传递给别人信息的能力。 你也会在写完之后，反复阅读几次。就像《如何写作》所说的一样。你跳脱自身，以另一个客体身份观察自身。从而找到漏洞、发现不连贯，完成对自身的修复。 有时候你会在发布后想到更好的表达，不过也没关系。这些想法会在你脑海中深根，在下一次写作中表达。 这个世界需要写作、也需要更多类似的表达。将小的东西串联成大的，即是写作大圆满。 https://kuhung.me/posts/love-in-mind/ Mon, 15 Sep 2025 08:14:57 +0800 https://kuhung.me/posts/love-in-mind/ 你以为的爱情 你俩相识于偶然。对方有情，你也有意。在合适的时机、合适的地点，遇上合适的人。你们一路经历甜蜜，经历挑战。身体和精神上都高度契合。 有小的摩擦，能通过沟通、改变达到一致。有外部压力和诱惑，仍坚守对方。激情褪去，仍想和对方共度一生。 你俩互为对方的真命天子。 实际上的爱情 你们相互吸引，来源于青春期的懵懂无知。一个干净聪明、一个活泼机灵。恰好是同学身份，你们互相爱慕。分不清是喜欢还是爱。 那时候的知乎，流行“爱是克制、喜欢是放肆“；”爱是铠甲、也是软肋“的金句。你不知道自己看懂了没，只是一个劲的转发文案，试图吸引对方的注意力。 你很开心。 那个时候的爱情，没有对未来的更多思考。虽然也有人早早分开，走到最后的十不足一。但最早结婚的，也是这一批人。你不明白好多恋爱故事，都发生在学校。离开许久后，才明白这是一种相对纯粹的爱。 喜欢就是喜欢，不喜欢就是不喜欢。双方约自习、约散步。没有柴米油盐的细碎、没有太多未来的焦虑。 后来的爱情，你们被工作间隔开，归置到一个小方块里。你能接触到的同龄人大幅减少。即使有朋友、朋友的朋友，六度分隔此时似乎失效。 你喜欢的，别人也喜欢。你没有自信，能够赢过其他更社会化的同事。你总是小心翼翼的探索，先是观察，才是建立自己的气场，去吸引你感兴趣的人。 你转向线上。很快发现，线上的男生、女生贴上各自的标签。受欢迎的总是这么些标签：男生180、帅气、有腹肌、A8、有稳定工作、高学历。女生年轻、漂亮、明事理、温柔、情绪稳定、独生。 在角落里，还有各种符号代称的关系。某些应用里，寻求传统关系反而成为异类。 你先看上对方的标签，然后才是去了解这个人。为了吸引对方，你竭尽全力包装自己。无尽的可能，广泛的筛选，在消磨一个人真诚待人的能力。也许下一个更乖，谁知道呢？ 两个人因为孤独，走到一起。最终因为种种原因分开。是缺乏陪伴，无法提供对方预期的价值。是没有准确察觉对方的情绪，给到错误的安慰。是自身并不完美，负面情绪过度外泄、给到对方太大压力。 如此这般，种种不一。在舞会上，我们意兴阑珊，共舞一支。却又在曲终之时，默契撤步。无论是谁先停下来，对方都心领神会。这是生活教会我们的礼仪。 你在各种地方，学习如何经营亲密关系。你看过很多书，包括经典之作《亲密关系》。你观察过很多人，无论是同龄人、还是长辈。你也陪很多人走过一些路，有些宽敞有些阴暗。 书中会讲沟通，但你发现沟通无效。长辈会说包容，但你发现包容是放纵。那些陪你走过路的人说，只筛选不改变，要变你找下一个去。你有时候会想，为什么会这样。 你想建立长期的亲密关系，但却发现很难。有时候是临门一脚，有时候是错误开头，还有时候发现想逃离。你喜欢的，不过是自身美好想象的投射。当光晕褪去，你开始犹豫、开始惶恐、开始退缩。 你在权衡利弊。 所谓恋爱脑，无非是脑中的多巴胺分泌。有些人长，有些人短。这个角度来说，每个人恋爱早期都是恋爱脑。有些时候，则是依恋成了习惯。但激情总有褪去的时刻，亲密也会被物理距离阻隔。 感情淡了，是亲密关系的必修考验。如果过去的甜蜜是真，那么当下的平淡就会越痛苦。为什么对方会这样。你尝试重复过去的模式，却发现不奏效了。你想，这说明我们不合适。 幸福让人沉迷。当伴奏消失，你看过对方身上所有好的和不好的。你仍想和她再续一曲，但也要获得对方的同意，不是吗？ 没有真命天子、没有完美对象。你要带你的舞伴回家，不在此流连。 https://kuhung.me/posts/vibe-code-in-mind/ Fri, 12 Sep 2025 20:50:35 +0800 https://kuhung.me/posts/vibe-code-in-mind/ 你以为的 vibe coding 你有一个点子，告诉对话框，它就框框完工。你要做的就是转发、倒流，接着收获大量用户。毕竟各大媒体、KOL都这么说。写代码不再是需要严谨的知识，系统架构、算法原理、业务知识都不存在了。你和顶级应用的差距，只是没买他们的应用和课程。买了之后，直接开除公司的程序员，让产品写代码。一人公司搞起来。 实际上的 vibe coding 写代码五分钟、debug 两小时。 写小玩具没关系，写大项目老大难。 代码写完了，需求却是伪需求。 很多 vibe coding 样例，是在设定demo范围内呈现。超出它能力范围的，就爱莫能助。 Vibe coding这个说法最早出现在推特。都说互联网盛产黑话，这事海内外一个样。Vibe coding 实质上是LLM coding，或者也可以叫 AI coding。Vibe 这个说法，试图将严肃的编码活动，营造成轻松、随心所动的工作。 你有写代码的基础，写过一些小应用。虽然没有见过特大应用，但是写系统内的问题不大。在cursor、Claude code没流行起来，你在vscode里面写你的python小代码，毕竟机器学习都用这个。 辅助编码工具兴起，你通过插件管理各种工具。你安装了一些开源的辅助编程工具，通过自部署方式，实现补全功能。chatgpt也能用，但是需要转发，外加隐私顾虑。你尝试了下这个本地模型，能帮你起个def函数定义的头。 公司让你们内测了copilot，确实能省下补全的时间，通过聊天也能写出一些小应用。文档详尽的框架基础上，出活很快，你还能就着前端样式反复调个几回。 程序员的工作，80%在阅读代码，20%才是编写代码。就算法来说，还有很多时间在现有框架下调参数、改阈值、写报告。并没有想象中那样，充分解放生产力。你觉得更解放生产力的，是减少无谓的会议，以及无休止的统计汇报。 这个时候的模型性能，还差点儿意思。上下文窗口有限，也没有外挂工具。好在大模型的摩尔定律还未失效，没多久性能就上来了。 各大厂商观察力LLM的落地，发现Coding落地成功，也纷纷开发对应的编码应用。Claud code、Gemini cli 就是这个逻辑的产物。当然，他们对模型也进行了垂直微调，使其编码能力进一步增强。 除此之外，应用提供方和整个社区，也在不断完善vibe coding的工程方法。对任务进行分解、更好的上下文窗口、更多的MCP外部调用接口。你会看见越来越多的讲座和活动，也有越来越多的人讲如何vibe coding。生态逐渐完善。 你逐渐掌握了以下原则： vibe 不是平空变戏法，a few shot 给出例子告诉模型你想要的效果 一次会话只做一件事，多任务只会导致模型混乱 设定你的编码风格习惯、要求，在全局约束所有编码行为 在单个项目，设定你的编码目标，项目风格 使用更多的外挂工具mcp，比如context7 效果不好就回退，不在模糊基础上构建下一步 必要情况下，使用更强性能的模型 当然，传统软件开发的习惯也很总要。用好git做版本控制、完成比完美重要、控制重构欲望、合理注释代码。 掌握这些原则，虽然离完美效果仍有距离。但你不再在代码里转圈，能够写出一些可用的项目了。 你用vibe coding 写应用，但需求描述比正经PR弱。描述不清即是需求不清，你也深知这个道理。但是代码已经写出来了，试试看呢。项目介于能用与不能用之间。越来越多的半成品堆积在你的git仓库。 各路自媒体也开始炒这个东西。授课开始流行。因为这个vibe这个概念，前期已经“骗”了不少人入局。实践起来却有不少问题。这里面先“骗”进来，再让用户受挫、再顺势提出解决方案，多熟悉的销售模式。 你用得比较顺手的，其实是让cursor的免费模型，帮你检查文稿的错别字、想一个惊世骇俗的标题。但你也发现，做不起来不是因为标题，在于内容的真实程度、干货程度。标题只是起个前期导流作用，而读者对于AI生成的标题也渐渐麻木。 你可以借它写一个复杂应用。这里的问题是，你描述不清想要什么、你不知道好应用长什么样子。 但其实呢，也不必纠结完美。所有成功的构建都来自不断的需求澄清、来自于迭代演进。 最重要的是，行比想重要。 https://kuhung.me/posts/grow-up-in-mind/ Thu, 11 Sep 2025 18:13:27 +0800 https://kuhung.me/posts/grow-up-in-mind/ 你以为的成年 18岁那年，你如愿成为大人。你下半年能考上个好大学，未来能够为国家效力，能够实现你的科学家梦想。 28岁那年，你是某个领域的大能。也许在读博士，也许已经有了自己的公司。如果是在公司里面的话，一定混得不错。 你会和某个喜欢的对象结婚，有自己的家庭。能够承担家庭的责任。有没有孩子不知道，但应该挺快乐的。 实际的成年 18岁那年，考场没有意外。你发挥水平正常，有遗憾但也不多。这题简单，那题不应该错。你计算着平行宇宙的分数，看着专业名字，填下了志愿。 你独自走出小镇。没和父母一起，而是和同校的老乡，一同前往。因为你觉得自己像个大人，不能有更大的人在身边。“辣椒炒肉拌面”口音的人接待了你，后来成为你的室友和班长。 19岁那年，你听了一些课、见了一些人。知道有些东西生下来就有，生下来没有就没有。人和人的差别，比人和狗都大。 你上了一些稀奇古怪的公选课。好像有点儿运动天赋，体育舞蹈是你成绩单上最高的分数。证券投资的课上，坐满了校外旁听的人。但是没多久，听说股灾了。但你没钱，也无所谓。 你和学妹的暧昧拉扯，也水到渠成。森林公园八公里的夜跑，只觉得时间太快，路程太短。你没有想太多未来，只想着控制呼吸，再多迈一步。 20岁那年，你不喜欢自己的专业，你听说当下最火的是大数据。你依葫芦画瓢，在某个比赛获得不错名次。还结识了不少其他学校的人。 你喜欢在学校东边的图书馆，那里有阴凉的味道。在图书阅览室，你在经管类站一上午，又在文学类站一下午。 21岁那年，你第一次去到北京，领取属于你的比赛证书。看着红色的阴霾天空，你不明白为何大家都往这个地方挤。 你逃课实习，请人代课。期末成绩你被赋59分，补考59分，要求重修。后来你知道，代课的是女生。而你们专业就5个女生。 22岁那年，你离开学校。当列车驶出平原，听着江湖再见。你开始后悔，为何没带父母来这个学校。他们过去离开那个县城的原因，只有外出打工。 你到广州参加工作。很不幸，第一周就吐了，物理上的。可能是压力，但你只敢跟领导说是中暑了，并佯装吐槽回南天。你不知道为何表头没对齐，也会影响母校声誉。 23岁那年，你开始理解职场。你申请离职，总监让你考虑换个团队。看着留存不足一半的校招群，你很庆幸他们的解脱。但也好奇他们的去向。 24岁那年，你想起小学的班长。他的梦想是成为百万富翁，而现在你的也是。你换了份工作。离开前，你看了公司的研报，这家公司构不成威胁。但你踩中了风口。 25岁那年，你工作顺心，同事也很好。最要紧的是，你可以7点下班了。你发现自己做的工作，被合作的同事打出超预期。HRBP和你说，你是leader的左膀右臂。你领了有史以来最多的奖金。 26岁那年，你被困在上海。回来之后，风气变了。上面开始组织架构调整。你开始没来由的焦虑，身上大面积湿疹。leader给你画了个饼，也让你签份卖身契。你在思考要不要去新加坡。 27岁那年，你发现调整仍未结束。你的工作不仅有面试和培养新人，也包含更多的文档。汇报的时间多了，活却并没有干得更漂亮。你重拾技术管理的书籍。 你和对象分手，你们在工作后认识。 28岁那年，你的leader被干掉。你带父母登上了东方明珠，了却大学的遗憾。你去了很多很多地方，去徒步、去登山。你不知道未来在哪里，只想趁机体验这河山。 29岁那年，你离开这家公司，干了快5年。离开前，和HR谈判离职日期。 你看，你以为的成年，是挥斥方裘。但实际，几乎全围绕工作，围绕琐碎和不确定性。 你以为成年，会是大人的样子，大人的风度。却仍受困系统，蝇营狗苟。 十年前你在难受啥，你记不清楚，但你应该在难受点什么。 十年后你在难受啥，你很清楚，但你应该很快忘记。 https://kuhung.me/posts/we-media-in-2025/ Wed, 10 Sep 2025 16:38:58 +0800 https://kuhung.me/posts/we-media-in-2025/ 你以为的自媒体 只要敢上镜，能够情绪表达，怎么也能吸引一批人。你和哪些百万UP主相比，只是没有脱下“孔乙己长衫”，腼腆、不好意思罢了。 你手上的素材一堆又一堆，竞品看了一集又一集的。网上的段子信手拈来，你的脑子清楚知道什么是自己喜欢的，什么是大众喜欢的。 你通过构造美观的封面，设置悬念、留下钩子。发布之后，全是99+的小红点。你的点击率高高的，完播率杠杆的。很快就突破小流量池，推到了更大的流量池。这个过程就像是小溪入河再入海，没有一丝阻碍。 各大商单接踵而至，你开始苦恼起商业化和粉丝粘性的关系。你通过自媒体建立起了个人IP，能够养活自己，并考虑招人分担工作了。 实际上的自媒体 你肚子里有一些货，但是说实话也不多。你和朋友聊天都能冷场，却自信能够搞起自媒体。 你之前在文字时代，发过一些内容，也在某乎收获万粉。你发现文字平台逐渐没落，除了故事会还是故事会。不如停更。 你是一个算法，虽然不是做推荐分发的算法。但是也知道创作者运营的思路，知道打标流程、知道整体的运营逻辑。见过优质的内容，也见过各种奇怪内容。知道流量分配的28法则。 你决定重拾自媒体，因为发现自己的产品没有流量。你自信构建的产品，发布后的几个小时，小眼睛没有任何增长。自增的数据，全是来自你自己。 看着几百的曝光上百报价，你陷入沉思。工作的时候，CPM（每千次曝光）的广告，也没这么贵啊。曝光之后能干啥，ROI算不过来。 你决定重拾自媒体，因为发现某个UP主在讲你熟悉的领域。他还是某榜单的新星UP主。你看着他数十万的粉丝，和不出意外的内容，陷入了沉思。 虽然你不是啥颜值担当，也不走颜值路线。但当关掉音乐，提取文字稿后，你发现不了任何新东西。偶尔还能看见，照搬产品README（说明书）的身影。干。 一二线高净值人群，在玩一种很小众的东西，播客。你害怕出镜，这个很适合你。恰好谷歌也出了工具，能够将文本转为英文博客。于是你合计先用手上的东西，发一期播客。 没人点击、没人关注。你厚着脸皮发给你朋友，拜托他转发下。因为你知道，转赞评是很重要的质量指标。 后来你推断，是缺少本地化。于是你开始写代码搞中文播客。在你花一周时间，用TTS接口组装出能用的两人播客时，谷歌悄悄给他们的工具增加了中文支持…… 你寻思着渠道不能单一，短视频大行其道。开始捣鼓音频的可视化。在开源代码的基础上，你魔改实现了音频的可视化，并且对可视化的粒子波形很满意。 你坚持日更，知道冷启动就是冷，不然为啥叫冷启动。大部分平台短则一个月、长则半年才能完成冷启动，找到你内容的受众。但是一段时间后，你发现内容讲完了。而且，用户自己也能获取的内容，为什么要听你的？ 你从图书馆借来很多书，也开始细看平台的运营指导。你注意到不同平台的“调性”，也注意到人设的重要性。你开始审视之前的粒子特效，很有科技感的丑。你开始改进封面、改进标题、改进内容结构、改进收尾号召。 某些内容偶尔爆火。你想复现。是因为加了这个标签？还是因为选了这个做了封面，时长凑够10分钟？你试图重复，但是无法重复。这种随机性让人沮丧。 你的粉丝数达标，可以看到流量主广告。几百块钱、几千块钱，但是没有一个合适的。你开通商店，想试着卖点儿东西。开店瞬间，卖掉一单。你开始幻想暴富。结果下一单一周后才来到，三个月收入不到1k。 你很难受，写下一篇文字来讲自己的心路。结果却又爆了。你想明白了，你要做真实的自己。 你要向上管理，混成观众老爷们的嫡系。 https://kuhung.me/posts/create-in-2025/ Tue, 09 Sep 2025 14:05:19 +0800 https://kuhung.me/posts/create-in-2025/ 你以为的创业 你有个点子，不缺程序员，因为你自己就是程序员。你通过历史技术能力的积累，很快实现产品原型。产品原型在种子用户里的反馈很好，一些小问题也快速被修复。不少用户觉得你的创造改变了他们的生活，他们愿意为之付费，并且到处宣传。接着发布产品，获得了爆炸性的关注，产品大卖。人才涌向你，都以加入你的团队为自豪。 实际的创业 A方向是你的点子，你通过vibe coding也实现了原型。前后用时快一个月，到头来发现这不就是浏览器自身的功能吗？除了证明你通过这个demo，掌握了一些vibe coding技巧，没有任何市场价值。 很快你看到了一个视频，B方向的原型在短视频上火热。于是你买了个原型产品，却没有技术门槛。很快市面上出现众多的创业者。他们都手持咸鱼买的原型，寻求投资。投资人也不是傻子，听听便罢了。 再经历上面的事情后，你偶然看到了一篇自媒体爆款。好家伙，照着说明手册的文案，居然能吸引数十万粉丝关注。在你看来，这其中没有任何技术门槛。于是你也想到从这个方向入手，先做内容。 在解决一些列技术问题后，反复造了几个轮子后。你成功实现从文本内容到播客、再到视频的工作流。你发布在短视频平台，却发现没人看。小眼睛始终被控制在1k以内，播客甚至无人在乎。除了你的亲人、朋友。 后来，另一个“天才少年”朋友找你寻求3D的内容生成方案，你告诉他 MCP + blender 可以、manim做公式内容也不错。你顺着前面的事情，发现其实大众关心的还是钱，如果你能告诉他们怎么赚钱，就可以获得不少热度。 于是你捡起manim，开始做相关的可视化内容。你从五月末开始做到九月初。刚开始起号很快，你两周到了2k的粉丝。但随之而来的是，无法进一步扩大用户群。后来你发现，硬科普内容的头部账号，也才几万粉丝。 当然，你也在做另一个热门的领域，但是总是发现慢人一步。你还在开发中的内容，头部应用直接端了出来还免费。你想着做差异化，但调研后发现这头部应用功能的日活也才不过几万。没法盈利。 你想着做变现，于是琢磨着上了购物车。几个月下来，收获几十笔订单，不到一千块。远低于企业内打工的日薪， Why is so hard？ 老老实实在企业内爬职业梯子不行吗，为何要受这种之苦。 要想想你为何要离开企业。对企业的政治生态感到厌倦、对无法直面用户获得正反馈，而是不断管理上级和同僚的厌倦。希望能够有自己的企业形象，真正对这个世界有相应的贡献，而不是汇报PPT上的数字游戏。 很多人说创业者总是站位太高不愿意身体力行，但现实却是你身体力行也不行。这是一个开放世界游戏，没有正反馈的开放世界游戏。 这种感觉，和刚进入大学时一样又不一样。大学开始，你意识到你对自己负责，但你仍然有课业需要完成。即使你没有做其他的探索，好好跟着课业走，也能拿到985的毕业证。 从企业出来同样如此。创业开始，你意识到你对自己负责。但你并没有第二条主线。一切的可能性会收束，可能会结果子，也可能啥也没有。生活并不会给你颁发毕业证。 点子不一定保真，很可能是自嗨。能力不一样定够强，开发不出来想要的产品。市场无法有效验证推广，平台不给你流量。找不到真正的种子用户，更别说PMF。干产品，难。 你想做自媒体，发现自己并不擅长捕捉用户的心理。短时间内无法构建有效的视频内容，没有流量主愿意付钱。你需要和万千相同的想法的人，一起竞争用户的注意力。即使小有粉丝，不过是从一个结构跳到另一个结构。平台掌握你所有的表达、所有的情绪，控制你所有的流量。 你总是写很多计划，但是实际执行的少之又少。即使你知道侯世达定律，知道项目的实际花费时间会远大于预估。你有时候会想，也许下个月就好了。但时间在流逝。你很难受，没有地方去讲。家里面只敢跟他们说这个月又增加了多少粉丝、卖了几百块的资料。朋友认为你和他不再有共同话题，不想和你聊天。 你什么也干不好，只能写写东西发发牢骚。 关于作者 https://kuhung.me/posts/build-in-2015/ Mon, 25 Aug 2025 17:43:46 +0800 https://kuhung.me/posts/build-in-2015/ 在历史的长河中，我们总能发现那些令人艳羡的“先机”——无论是2008年购入比特币，2012年加入字节跳动，亦或是2015年买房置业，2018年重仓英伟达。然而，这些所谓的“机会”往往是幸存者偏差的产物。即便时光倒流，个体也未必能做出相同的决策，更遑论那些未能浮现的无数可能性。真正的洞察，需站在彼时彼刻，而非依赖于今日的“后视镜”视角。 创业亦然。本篇文章将以《技术人创业攻略》为引，回顾并剖析2012至2015年大众创业浪潮中技术人的心路与实践。十年光阴流转，那些昔日的观点与抉择，如今已成为检验其真实价值的试金石。因为，评判一个人，不仅要听其言，更要观其行。 那些要完蛋的公司 在《技术人创业攻略》中，不乏有创业者对当时的大公司（如微软、Adobe）提出尖锐批判，预言其将因臃肿而走向衰落，小公司则将迎来颠覆性时刻。然而，时至今日，我们回望十年，这些“即将完蛋”的巨头不仅未曾陨落，反而凭借其庞大的规模优势，更上层楼。 这种创业公司打破大公司垄断，实现颠覆式创新的故事，总是很受欢迎。在故事里，大公司是邪恶的，忘记初心，垂垂朽木的。创业公司是锐意进取，机动灵活，能够快速吃下这个新的市场的，勇者斗恶龙。 从我的个人从业经验来看，即使一个大公司内部有多少的弊端，部门墙、裙带关系、决策迟缓，人员流失高，缺乏有效的接班人培养制度，他仍然会在自身的规模优势下，存活数年。这里的规模优势，有可能是资金流优势，也可能是粉丝基础。 所以，如果你的目标是颠覆谁谁谁，那大概率无法如愿。这些大公司不会完蛋，反而会在官僚系统下，存在更久。虽然这个官僚，可能会让其中的员工很难受，会溢出更多的创业者，来挑战这个公司本身。 那些反复炒作的热点 今天，做投资的如果没有接触过AI硬件，那ta大概率不是一个合格的投资人。在24、25年，大量的目光集中在了AI硬件，特别是AI陪伴硬件上面。令人玩味的是，回望14、15年，当时的热点里，也有硬件。除了硬件，还有云计算这个老伙伴。 大家在两个阶段的反应都是类似的。**硬件搭配当时的热门。15年是互联网+，热炒IoT概念；25年是以LLM为代表的AI技术。**他们可能之前都没接触过硬件，是做运营、做建材等等其他行业的人。涌入了大量新晋创业者。 关于硬件创业，我们从今天回头来看，能跑出来的创业公司也寥寥无几。除开当下因为汽车而风头正盛的小米，大部分硬件公司都消失不见，或是被大厂吸收合并。当时在硅谷，Nest这家引领风尚的硬件公司，后来也被谷歌收购。 创业者应谨慎入局硬件。因为它有实体，那么就需要仓储、物流，需要资金垫压，影响资金周转。其次，硬件涉及的元器件众多，需要极强的供应链管理能力。再者就是面临抄版风险，华强北拿到你的产品，短时间就能复制出同款且价格更低。最后很关键的一点是：硬件利润率低，商业模式存疑。除非做到苹果这种程度，年年出新，且搭配软件服务。 那些不变的术与道 这本书包含很多技术人的观点。这些观点覆盖了团队建设、个人品牌，这些软技能不管在哪里都很重要。也包括创业早期的一些方向心得，是非常宝贵的经验教训。 虽然很多产品的竞争优势并不完全在研发，但是也应对研发心存敬畏。研发团队，需要有共同的价值观、关注软件质量，并以开放的眼界看待新技术。通过开源项目、做内容输出来建立个人品牌，获取更多机会。虽然大公司都有限制员工的自我表达，技术人员应该利用自身的技术优势，把握住这些能促进个人成长和扩展合作的机会。 创业会面临资金短缺和方向迷茫，坚持不懈、快速试错是成功的关键。一个可衡量、可规模化的方向是好方向；追求用户体验，在做大平台前应聚焦用户。在团队和管理方面，配置合理的股权关系，招募合适的人才，注重团队的合作精神和敏捷管理的基础功。 那些有意思的观点 这些创业者里面，有几位同行（或者说曾经是）。其主攻方向在数据挖掘、算法方向。 其中一位创业的方向是数据库、大数据方向。他认为数据挖掘在办公室政治下面没有生存空间，人不喜欢机器做决策。这点和我的体会有些许相似。大公司里面的数据分析、数据推动决策，更多是理论上。太多不可控的算法之外的部分，会消磨一个人的耐心和对专业的热情。 而另一位做无人车的，他出来创业的动机理由是：不想做公司中的重要积木，被其他积木挤压。他想做一个自由的变形金钢。他对算法的理解也十分到位，数据是算法的瓶颈。这种创业者的成功几率，要比那些看到技术PR稿就嗨起来的人强很多。 还有一位创业者，他和自己的合作人产生了分歧。他认为应该投入更多的人力和金钱到产品研发上面去。而他的合作人则热衷于炒房。要知道，那个时候可是2011年前后。如果炒房能坚持下来，想必一定比这位创业者生活更滋润吧。 那些可能偏颇的总结 整本书采访了不少技术人，也采访了不少“组局”做平台的人。当一个方向热起来的时候，总是少不了组局的人。如今，AI大热且门槛降低的情况下，这类人只多不少。从长期来看，这种面向开发者和创业者的运营活动，缺乏清晰的商业模式，受投资周期影响巨大。 其中也有不少对于技术抱有不切实际幻想的创业者。他们的特点是并未躬身亲行，且相对自负；容易被一些宏观叙事忽悠。这点和我之前一个朋友类似：他认为Agent是当下的热点机会。但当你问他你写过demo吗，他只会说没有。他会说中国有制造优势、有人才红利，能赢。但遗憾的是，这个优势是系统优势，并非个人优势。不应忽视系统内竞争。 总体来说，这本书的成书质量还算可以。能相对还原当时大家的想法，不像现在采访稿一大部分是PR稿，缺乏真诚味。 正像认知的那样，创业乃九死一生。书中现在还存在的公司，十不足一。即使这般，现在还是有不少人入场。一些人是天生的冒险家，敏锐察觉每一个风口，并一头扎入其中；也有些人是从长远出发，与其排队晋升，不如在外闯荡验证实力；还有一些人，是带着预算和DDL，验证想法不留遗憾。 回望过去，不是为了捕捉下一个风口，而是为了理解商业和人性的不变规律，从而更好地应对未来的不确定性。真正的创业者，是在理解周期与人性之后，依然选择脚踏实地、验证自我的人。 敬每位脚踏实地的创业者，这一路并不容易。 关于作者 https://kuhung.me/posts/bootstrapping-culture/ Wed, 30 Jul 2025 23:44:14 +0800 https://kuhung.me/posts/bootstrapping-culture/ 翻译这篇文章时，我正在M家工作，感受到了独树一帜的企业文化。在这里，W公司经历的一些稀奇古怪的事没有了，而自身的动力和绩效也达到了一个新的高度。 可以说，正是M家的企业文化，引导和决定了我选择这里。同时，也是在相互选择的过程中，让我有了比W更高的生产力和更清晰的远景。 但同时，随着人数的扩充，也观察到了不同文化的碰撞和侵蚀。一些原以为对的事，开始有了不同立场。一些在W看到的过往，也在部分项目和部分新人中出现。 每当我疑惑时，我会拿出我的工作理念，作为指导我选择的依据。但难免的，也会担心整体企业文化，滑向第二个W：“尊长有序，领地意识强烈“以及”花最多的时间去粉饰数据，花最少的时间去实干“。 所以，我一边在观察众多leader们如何处理企业文化冲突，以及随之而来的文化的强化与削弱；一边怀着求索的心态，优先翻译了这最后一章节，想抄抄作业，学学硅谷的公司是如何处理文化冲突的。 与此同时，也希望把文化管理企业这种理念传播出去。让更多的人意识到，选择一个适合的企业文化，识别并吸引相同特质的人加入企业，也是管理的职责之一。 后记： 本文首次计划翻译在2021年初，最终产出为2025年中，跨度约4年。这4年，可以说是见证了文化的变化。以及文化到底在怎么影响团队，有了更多的认识。曾经我以为的文化，虽然还有淡淡残留，但已经少了那种味道。 当业务快速增长时，每个人都有自己专注的内容，且能够带来正反馈。表现在产品上、业务方上，产品确实因为自己的贡献，变得更好；业务方也会在辅助评价上给你最高评价。在那种情况下，大家都觉得这是文化使然，是自然而然的事情。是一种价值、使命的相互感召。 但随着团队规模越来越大，从刚入职的千人出头，到顶峰数千人，发现好多事情好像不对了。手上的事，开始考虑的不是用户，而是看业务方、看投入产出比。越来越多的事情，需要的不是去做，而是反复论证。在论证中，似乎又滑向了上家公司的模式。重数据、看是谁的地盘，再反复论证数次。不干活的科层多了很多，真正干活需要产出、需要被评价的则在低效空转。 即使我们引入了项目管理、引入了OKR、引入了跨职能团队、引入了许许多多大厂同事，但这一切都像是宿命论的必然：组织到一定程度后，必然大公司病。说不清是这些制度导致的这些现象，还是这些现象是更高决策的副产物。有人说这是规范化的必然，以前的种种都是小团队的幻觉，是增长掩盖了一切矛盾。也有部分人说，这是削藩，意在减少藩王的影响力，增强顶层的控制感。 很多变化的出发点其实并不坏。上面出发点是好的，只是执行变了味这种情况真实存在。但文化确实在变化，从聚焦打造超预期的产品，到关注谁谁谁又走人了。这一切似乎都不可控地走向变化。大家用大词、用向上管理，来换得暂时的残喘。但谁都知道，手上的东西，说不准哪天就被砍了。 和kimi、DeepSeek聊，它们从语料库中抽出来的回答，大多集中在目标模糊、权责不清、奖惩不明。而组织对此的回应，也多是空降负责人、调整组织架构、拉开绩效。但这样的举动，又会被解读成是对下面人的不满、是意在省裁员的钱。因为大家普遍认为，这不过是一帮人借改革食利，当没有起色时，他们又会做鸟兽散，根本无异于问题的解决。 这是宿命论的必然吗？我带着这样的疑问，离开了公司。见过什么样的文化是好文化，就已经回不去了。 🌟 合集地址：《The Manager’s Path》中文翻译 https://kuhung.me/posts/agent-case-studies/ Mon, 21 Jul 2025 21:48:52 +0800 https://kuhung.me/posts/agent-case-studies/ 关于作者 https://kuhung.me/posts/prompt-guide/ Sun, 20 Jul 2025 10:20:04 +0800 https://kuhung.me/posts/prompt-guide/ 提示词工程的演变与重要性 自从22年以来，提示词已经经过多轮的迭代，发展出了更系统的方法论。在初期，各路网上的提示词，还更多是角色扮演，偏向C端用户。大家也相信，凭借 LLM 基座大模型的进步，提示词会逐渐退出舞台。然而一坤年（两年半）过去了，期待的基座模型大进步并未出现——提示词仍然决定了 LLM 应用的质量；也决定了用户交互时，能多大程度得到自己想要的答案。因此，再探提示词是有必要。无论是个人使用，还是构建 LLM 应用，都需要掌握其基本原理和目前的最佳实践。 提示词技巧与人类沟通的共通性 产品设计本身也是人类社会规则设计的一个抽象。从宏观来说，提示词技巧和人类社会的一些常见共识重合度很高。例如：清晰阐明你的诉求、明确角色职责、分阶段分解任务、重复诉求以防止遗忘、约定清晰的输出结构、提供样例进行模仿、引导输出内容、要有事实数据支撑、设计指标反复迭代。这些技巧，在与人沟通、协作、领导、教练的时候，是非常重要的。靠意识同步的三体人，其 AI 的形态必与我们的不同。只要人类社会还是当前的结构形态，当下这些工作就还有意义。 提示词的分类 提示词，我们从配置方来说，分为三类。分别是系统提示词，由 LLM 提供商预设在模型 API 接口下，定义模型的行为准则。例如：反黄暴之类的。这一般是第一条注入的提示词。角色提示词，这个提示词是开放给用户配置的，比如配置为“你是一个大模型专家”。最后就是常见的用户交互提示词，用户输入的内容也算提示词。在此基础上，又根据用户和场景，派生出例如：指令提示词，指定输出xx字这种；上下文提示词，交代上下文说过啥；样本提示词，按照给的样式来；CoT 提示词，好好想想，逐步思考，等若干提示词种类。 主流大模型提供商的提示词建议 话归正题，笔者参考了 Anthropic、Google 以及 OpenAI 的提示词构建文档，力求从第一手信息源出来，结合自身的使用经验，给到当下最好的解决方案。这其中也离不开各类 LLM 支持构建的 deep reasearch 工具，这个过程才会变得更丝滑、效率更高。但由于人脑的带宽毕竟有限，错误和纰漏在所难免，读者朋友如有发现，欢迎指出。 Antropic 的提示词建议 以 Anthropic 为例，他们在训练过程中使用了大量的 XML 的结构化语料，因此类似的结构化提示词在他家的模型上会表现得很好。另外也强调清晰和直接的重要性。即清晰表达你的需求，可量化的提出你的诉求。而不是丢一个模棱两可的问题，然后反复沟通。但其实这部份也是需要的，这里更多是指大规模应用的时候，系统预设提示词，减少用户和下文的困惑度，这在软件系统中很重要。而且模型本身就是概率模型，它的结果是不确定的，那么反复沟通其实就有必要。 因为 LLM 的本质是预测下一个 token 是啥，所以可以通过预设这个开头来保证它会做出预期内的事情。比如想要输出 JSON，那么就以{开头。这一技术也被用在 deepseek 的 think 推理里面，通过预先提示来让模型进行 reason 推理。另一方面，由于模型的被奖励尽可能多的输出下一个 token，所以当遇到负面提示时：比如不要干啥，模型可能会产生意料之外的变化。因此，Anthropic 家的文档建议出更多的正面提示词：应该做什么，而不是不应该做什么，借此来减少不可控性。 Google 的提示词建议 而 Google 来说，对于他们的 Gemini 模型，则建议提供一个清晰可供参考的样本。这点在笔者做仓满量化相关的产出时，深有体会。只需要在开始和模型磨合，得到想要的代码模版或者是 doc 模版，后续只需要提供这个模版，即使是 Gemini-flash 模型，也能高效完成代码的编写工作。除此之外，谷歌文档中也给出了更高级的方式。例如 Step back 思考。先抽象，再解决问题。CoT 思维链也是一种方式，通过提示词注入“一步步思考”的方式，让模型的输出更具可解释性。 当然，还有像多次运行取平均值这种机器学习上的常用技巧（自洽性）。不过话说回来，这种方法对于成本控制和延迟响应要求蛮高。而在 agent 大行其道的当下，ReAct 也是一个重点。即推理和工具反馈相结合，用反馈来修正模型的表现。不过这些技术会显著增加 token 的消耗，需要在实践中取舍平衡。 https://kuhung.me/posts/context-engineering/ Mon, 07 Jul 2025 11:52:01 +0800 https://kuhung.me/posts/context-engineering/ 原文作者 DAIR.AI Academy 中文翻译 gemini & kuhung 备注评论 kuhung 什么是上下文工程？ 几年前，许多人，甚至是顶尖的AI研究人员，都声称提示工程（prompt engineering）将不复存在。（注：当时的语境是说：当大模型足够强，人类就不需要写那些提示词。） 显然，他们错了。事实上，提示工程现在比以往任何时候都更加重要。它的重要性如此之高，以至于现在被重新命名为上下文工程 (context engineering)。 是的，又是一个花哨的术语（注：不就是从单点的提示词描述，扩大范围到上下游的整个流程嘛）。被用来描述调整指令和相关上下文这一重要过程，以便让大语言模型（LLM）有效执行其任务。 关于上下文工程已经有很多文章（Ankur Goyal、Walden Yan、Tobi Lutke 和 Andrej Karpathy），但我想写下对这个主题的看法，并向读者展示一个在开发 ai agent workflow 时将上下文工程付诸实践的步骤指南。 我不太确定是谁创造了"上下文工程"这个词，但我们将基于 Dex Horthy 的这张图来展开，它简要地解释了上下文工程是什么。（注：当然是热衷写 guide 的推特流量弄潮儿） 我喜欢"上下文工程"这个术语（注：那为啥不叫 ai agent system design），因为它感觉更广泛（注：因为它流量更好），能更好地解释提示工程中包含的大部分工作以及其他相关任务。 许多人认为提示词工程不算工程，是因为很多人将其与"和chatgpt对话时的简短任务描述"相混淆。在该过程中，你只是在向系统提问。而在提示工程中，你必须更仔细地考虑提示的上下文和结构。也许它一开始就应该被称为上下文工程。（注：嗯，之前的故事讲不下去了，大家都知道是啥，我得重新定义一个方便我卖课） 上下文工程是下一个阶段，你需要构建完整的上下文，这在许多情况下需要的不仅仅是越简单的提示，而是更严谨的方法来获取、增强和优化系统的知识。 从开发人员的角度来看，上下文工程涉及一个迭代的过程，通过优化你提供给大语言模型的指令和上下文，从而达到预期的结果（注：意思就是，想获得好的效果的一切方式，都可以统称为上下文工程）。这包括采用正式的流程（例如，评估流水线）来衡量你的策略是否有效。 鉴于AI领域的快速发展，我建议对上下文工程下一个更广泛的定义：设计和优化指令及相关上下文，以便大语言模型和高级AI模型有效执行其任务的过程。 这不仅包括基于文本的大语言模型，还包括为日益普及的多模态模型优化上下文。这可以涵盖所有的提示工程工作以及相关流程，例如： 设计和管理提示链（如果适用） 调整指令/系统提示 管理提示的动态元素（例如，用户输入、日期/时间等） 搜索和准备相关知识（即 RAG） 查询增强 工具定义和指令（在 agent 系统中） 准备和优化少样本示范（few-shot demonstrations） 结构化输入和输出（例如，分隔符、JSON 模式） 短期记忆（即管理状态/历史上下文）和长期记忆（例如，从向量存储中检索相关知识） 以及许多其他用于优化大语言模型系统提示以实现所需任务的技巧。 （注：中间部分其实就是提示词工程需要考虑的事情，前后实际上是系统设计需要考虑的事情） 换句话说，你在上下文工程中在做的就是：优化你在大语言模型上下文窗口中提供的信息。其意味着过滤掉嘈杂的信息（注：这里又没有分类器，实质上是通过规则限定信息的分布），这本身就是一门科学（注：实际上是个体力活，科学显得更牛逼。潜台词就是科学的才是更好的）。因为它需要系统地衡量大语言模型的性能（注：嗯，衡量=科学）。 每个人都在写关于上下文工程的文章，但在这里，我们将通过一个具体的例子，带你了解在构建AI agent 时上下文工程是什么样的。 上下文工程实践 来看一个我最近为个人使用而构建的 multi-agent deep research 应用。 https://kuhung.me/posts/jlpt-push/ Thu, 12 Jun 2025 11:43:34 +0800 https://kuhung.me/posts/jlpt-push/ 7月的JLPT考试临近，语法复习得怎么样了，还真难说。hero3046看了几遍，金龟子哥哥看了多少，心理还是没底呀。与其沉迷于碎片化信息，不如让碎片化知识打断自己。 本期差生文具多｜工具篇系列，博主手搓一份 JLPT 推送项目，用碎片化（知识）挑战碎片化（信息）。 特点：随机抓取一条JLPT考试语法点，推送到手机端。帮助用户利用碎片化时间学习和复习 JLPT 语法。 项目仓库：https://github.com/kuhung/jlpt-push 关于作者 https://kuhung.me/posts/content-sop/ Thu, 05 Jun 2025 19:15:55 +0800 https://kuhung.me/posts/content-sop/ 有没有想过，将偶然看到的一段材料、抑或是采集到的一段音频生成对谈形式的播客，通过对谈的形式，来了解这个话题要不要深入。这听起来就很兴奋不是。这个场景，刚好命中了现代人的FOMO（Fear of missing out）害怕错过的心理情绪。 当下的很多AI产品思路都是如此，但做得好的不多。谷歌出品的NotebookLM是产品中的代表。最近新火起来的AI自媒体主播也是如此。通过信息过滤压缩，再配以“有趣”的对谈或是快节奏的音乐和视频剪辑，就实现了一次对用户大脑的安抚。 作者在整个五月，利用NotebookLM以及相关工具，创作出了23段播客节目，并为这个系列节目命名为“硅基奇谈”。这些节目发布到小宇宙、抖音、B站、视频号、油管等平台，为作者带来了近百粉丝。本期内容，作者就跟大家分享：这些内容是如何生产出来的，将会为我们带来什么样的机遇，以及如何避免常见错误。 NotebookLM 介绍 NotebookLM并不是一个新产品，它最早推出在2023年。不过最近的几次迭代，让它有了很多可玩性。最最重要的，是增加了中文语音。在早期，主要还是英文对谈。这个产品可以将用户上传的pdf文件、各种资料、链接，生成摘要汇总。再通过思维导图、播客等形式，实现内容的二级汇总输出。 目前该产品的体验独一档，虽然有非常多的同类追赶者，但谷歌Gemini的模型加持下，外加播客本身的提示词做的很好，出来的播客内容很自然。感兴趣的朋友，可以直接来我的播客链接体验看看：https://namecard.xiaoyuzhoufm.com/xd4lk 。 没有小宇宙的朋友，也可以在常用音乐软件上搜索：硅基奇谈。 当然，它也有自身的缺点。第一个大缺点就是对CN地区不开放。第二个缺点是播客的中文读音，部分读音有问题，估计是训练语料的问题。第二个问题，可以静待PlayDiffusion这类修音技术的完善，实现DIY 修音。 第三个大问题，就是它只做到了音频这一步，并未涉及到视频这一更大的消费市场。不过也能想到，播客在欧美的普及程度远高于国内，先拿下这个市场。视频的生成，无论是技术还是资源消耗，目前都存在瓶颈。就这点上，作者做了个曲线救国方法：通过音频的可视化，生成视频“代餐”。这样就多了N个视频平台传播机会。 资料前期准备 整个流程中，资料的准备是重中之重。在初期，作者选择用自己熟悉的内容。选取了在更早时期，阅读积攒下的关于技术职场的内容、以及在4月所做的AI陪伴硬件访谈，作为素材。 整体来说，资料的多样化越高越好、越贴近生活越好。反之的代表则是一些PR稿件，看起来说了很多东西，实际上过完AI，信息锐减。即使现在有了大模型的协助，在茫茫资料中找到真正信息密度高的内容，也并非一件容易事。 更多情况下，是信息爆炸。每天的信息流中，每个小窗口都是一个可能的信息资料。这里作者采用的方法是分层、保护当前的工作流。很多东西都想做，不代表每件事都值得做。有趣但是时间资源不足的内容，将会把它放在下一期的内容池中。以此来保护工作流，减少半成品，提高交付效率。 资料准备就讲究一个从自身出发：自身要感兴趣，受众才会也感兴趣。如果自身都没兴致，那么批量生产出来的，只会是垃圾内容。除开这点，做好内容的短中期储备也很关键，能够保证内容持续生产。将浮夸、无实物表演的内容去掉，并放置在内容池中，既能保证素材不断，又能保证当下工作流不被打断。 资料的处理 一般而言，PDF的资料相对友好，可以直接上传平台。但是部分场合下，也会遇到其他格式的内容。比如音频、或者Epub格式的电子资料。音频可以直接上传让谷歌解析，也可以采用本地whisper。实践表明，本地的whisper效果会更胜一筹。当然，两者目前都无法做到区分说话人。（whisper可以，但需要额外的一些处理）。 whisper-ctranslate2 voice.mp3 --model medium --language zh 至于Epub，作者采用的如下工具： pandoc mybook.epub -o mybook.pdf --pdf-engine=xelatex -V CJKmainfont="PingFang SC" 补充个题外话，如果是PDF需要转成文字，强烈推荐markItdown。非常方便就能将一份PDF转换成可编辑的markdown，而后者是大模型较为通用的输入输出格式。 markitdown document.pdf > document.md 以上均为命令行脚本，实测好用。 音频生成 在使用播客生成功能的时候，也有技巧可循。NotebookLM很多时候生成的内容比较生硬直白，尽管谷歌已经有过优化，但是钩子的设计力度还是偏低。为此，作者也测试了几组。形成了下面的提示词： 整体设计目标：要让用户有获得感，包括但不限于生产力提升、掌握最新内容、快速上手、想要动手尝试等，面向的受众是偏向技术的人群，但是又要保证能够在普罗大众中获得传播。 开篇要有自我介绍，外加引子，激发听众兴趣。 开篇要有：欢迎来到谷粒粒的节目《硅基奇谈》！在这里，我们以对谈的形式，探索和解读世界。 接着要有一个对话大纲，简单扼要说明有哪几个部分。 结束需要钩子，促成受众行动。 结束要有：感谢和我们一起讨论上述话题，也请留下你的观点。如果内容有帮助，欢迎点赞收藏。更多精彩内容，还请关注我们的账号。下期我们接着聊。 内容中，不要提及“你”、“报告”等词。让整个对话，更像是一个专家对话，而不是照本宣科。其他的敏感内容或者类似PR的内容，也应该模糊处理。 内容中，应该关注更多的技术细节和关键词，忽略掉那些出于公关目的、浮夸的、不切实际的外行人幻想的内容。整体要求务实，必要时提出批判性问题，而不是全盘接受资料中的内容。 完成以上设计后，将内容中的最精彩内容，放在最开头重复一遍，用于吸引用户在信息流中停留，导入我们的内容。要求尽可能简短，能够吊起受众的兴趣。 这样的好处是第一能够在开篇生成钩子，吸引用户的注意力，正如我在文章开头做的一样。其次是在前半部分形成重复，用户会对这个品牌形成印象。最后是总结提问。当然，其中也有一些关于结构化思考和安全隐私的约束。 通过上述方法的调教处理，音频基本上可以拿来直接使用，用作播客的音源。 播客工作流 在发布播客的过程中，好的播客内容一般都会附带时点，也就几份几秒讲了什么内容。这部份内容非常适合whisper工具叠加大模型来做。whisper能够生成音频的带时间戳内容，时间戳内容再丢给大模型，基本上就OK了。 当然，因为下一步有视频字幕呈现给用户，所以前面加了一个字幕修正的任务，确保ASR模型出来的字是基本正确的。 利用下面的提示词减少幻听、空耳和前后不一致： 这是一份whisper语音转文字的内容，因为是ASR模型转的，所以存在一些问题。请帮助修正的同时，不改变原来的意思，使其能够作为字幕，让观众看到的和听到的一致。 * "请检查是否有明显的错别字，有标点则用空格替换。” * "检查字幕内容是否通顺，是否存在逻辑不连贯或难以理解的句子。" * "注意检查字幕中提到的专有名词、人名、地名、品牌名、技术术语是否准确无误且统一。" * "请留意是否有听起来像A但实际应该是B的词语’。" 做出上述修改 然后是播客的时点 https://kuhung.me/posts/fastvlm-iphone-install/ Sat, 24 May 2025 12:15:10 +0800 https://kuhung.me/posts/fastvlm-iphone-install/ 项目简介 FastVLM 是苹果发布的视觉语言模型，可以在iPhone和Mac上离线运行，能够理解图像内容并回答问题。所有预测都在设备本地处理，确保隐私和安全。项目地址：https://github.com/apple/ml-fastvlm 接下来说说实测最关心的性能表现和大小情况： 作者的测试设备为： MBP M1Pro 16G运行内存 iPhone16Pro A18Pro 8G运行内存 模型版本 下载大小 TTFT（MBP） 内存占用 FastVLM 0.5B (fp16) 1.15G 400ms 2G FastVLM 1.5B (int8) 1.91G 600ms 2.8G FastVLM 7B (int4) 3.85G 1800ms 5G 注意：以上大小均为适配转换后，适用于Apple Silicon的模型。原始模型大小会有出入，实际按指令下载的大小即为表格所述。 作者测试下来，认为该技术是一个初步的技术原型。能够满足基本的视频理解，在终端跑起来仍然会有发热的问题。但瑕不掩瑜，未来在端侧，AI将会有更多的可能性。打包后，最小的安装包大小在2G左右。基本上每个模型都会把MBP的CPU温度干到85度以上，风扇直接到6000转以上。真没见过这么吵的MBP。iPhone16pro的情况也大差不多，能感受到明显的温度升高。不过手头没有测温装置，所以无法给到确切的数字。而在速度方面，基本如上图所示，能够在秒级别以内产出首个Token。iPhone再乘以2-3倍。当然，这个时间也取决于提示词、图片复杂度等其他因素。 对于未来展望部分：调用逻辑和交互上，适当的优化能够降低发热，提升用户体验。无论如何，AI新技术都需要整合到需求中，才会有更大的价值。 准备工作 系统要求 Mac电脑：macOS 15.2+ 并安装Xcode最新版本 iPhone设备：支持iOS 18.2+的设备（建议运行内存在3G以上，iPhone X 及以上） 开发者账号：普通Apple ID即可 项目特性 ✅ 支持iOS (18.2+) 和macOS (15.2+) ✅ 显示每次推理的首Token时间(TTFT) ✅ 完全离线运行，保护隐私安全 ✅ 灵活的提示系统，支持自定义prompt ✅ 三种不同规格的预训练模型 安装步骤 1. 下载源代码 git clone https://github.com/apple/ml-fastvlm.git cd ml-fastvlm 2. https://kuhung.me/posts/amap-mcp/ Wed, 23 Apr 2025 14:37:35 +0800 https://kuhung.me/posts/amap-mcp/ 作为一个51%的J人，出门之前攻略是要做的，但是往往又是DDL驱动模式：不到最后不会做。在大语言模型的帮助下，攻略的生成比以往简单了很多。但是无法联网、充满幻觉的内容，又让人感到不安。不过最近一项工具的出现，使得攻略的心理成本下降非常多。本期主要介绍的是：接入地图信息的攻略生成工具：高德（谷歌）地图MCP。 生成的结果信息很丰富，信息的组织和呈现好了很多。如下： MCP原理 简单来说，MCP是function call的统一定义。他不是什么新技术，而是对现有技术的统一规范。在此之前，我们要实现对LLM大语言模型的调用，主要靠通过直接传入API说明来实现。但这种方式最大的问题就是各家不统一，输出受制于编写人的提示词功底。过于碎片化和重复。 以往程序之间主要通过API交互。而MCP的出现，大大降低了组装不同程序之间的难度，使得通过文本描述执行特定功能成为可能。 以上内容对于非技术的朋友来说较为难理解，通俗来说就是：使用MCP可以方便的调用其他能力，类似于U盘：即插即用。目前，MCP在中文互联网的传播热度大过英文社群。已经有不少厂商开始适配MCP，以期增强自身在这波AI浪潮中的竞争力。其中的典型就是地图厂商。 目前三大地图厂商，高德、百度和腾讯都已经适配，但大部分公开教程还是以高德地图为主。以下也以高德地图出发，看看地图MCP能带来什么新体验。 高德MCP配置 本文的侧重点并非配置，所以会简单描述配置要点。着重强调配置后的体验和反馈，这部份内容在AI自媒体中较为少见。见多了太多“炸裂”、“全新体验”、“革命”，我们来点儿实际的。用起来到底怎么样，还有哪些不足，可以尝试从哪些方面改善。 主要的配置要求如下： 可以运行MCP的客户端，作者使用的是cursor。 申请获得高德地图或其他地图的开发者权限，获得密钥。 配置成功后，即可在cursor设置处见到我们的MCP sercers详情。接下来只需要通过聊天，即可调用地图MCP进行相关的信息获取。 使用反馈说明 在反复尝试过多次后，作者生产出了开头的旅行PDF。在这个过程中，也暴露出很多问题。 依赖提示词水平和上下文组织 境外出游需使用谷歌地图 需要模版减少不一致性 出行攻略，可以说是比软件开发复杂度低很多的一个场景。但他也面临和使用AI做软件开发类似的问题：幻觉、冗余生成、前后不一致。这需要使用者提供更多的上下文信息、更准确的提示词。比如：当作者未提及使用地图MCP时，有一定概率会不触发地图MCP调用。当未提及准确的出发和到达时间时，模型倾向于按自己的想法先把内容吐出来，而不是事先求证。 高德地图的接口，在处理境外事物时，基本无法使用。境外场景需要切换到类似谷歌地图的境外产品。所以，如果是境外旅行，需要额外配置谷歌地图。境内作者也做了测试，产出的信息比谷歌地图的丰富。这离不开官方亲自下场写MCP，暴露的功能很丰富。而现在作者使用的谷歌地图MCP，则是个人开发者开发，功能相对受限。 在不使用模版时，不同时候生成的文档差异性较大。使用模版后，关键信息例如：交通基本都会被捕捉并描述。 如果是作者来做这个产品，一般到生成Markdown文件基本都结束了。但是这对于团队出游来说，分享属性稍弱。在社交媒体上的传播属性也偏弱。地图MCP能被作者看到并有深入了解的想法，离不开更进一步的可视化和便携化。在生成一般意义的文档之后，再通过提示词模版转换成html，更进一步pdf，甚至更进一步的可交互应用。从场景出发，方便终端用户，并能从视觉上影响用户，是该产品能够破圈的一个关键。 作者带着这份攻略，真真切切去走了一番。得出的结论是：如果你是一个计划控，大语言模型加持的MCP可能不适合你。因为它给到的信息要么较模糊，要么受限于训练语料已经过时。但旅行中的意外，也是旅行的意义。综上：是一个P人友好的工具。 参考资料 五一出行神器来了！高德mcp server查天气+路线一步到位！ AI + 高德MCP旅行规划神器：10分钟搞定完美行程！ mcp-google-map google-maps 关于作者 https://kuhung.me/posts/numerai-guide/ Tue, 11 Mar 2025 15:38:38 +0800 https://kuhung.me/posts/numerai-guide/ 一、Numerai 平台介绍 Numerai 是一家坐标美国的对冲基金。据团队2025年2月向美国证券交易委员会（SEC) 披露的信息显示：截至20241231： 持仓规模为3.6亿美元（现金部分未披露） 基金持仓头寸数为389支 为什么要关注它，是因为它的噱头集成实在是太多了：机器学习+加密货币+对冲基金。它有自己的量化比赛平台，并且有自己发币：NMR。在比赛平台上，参赛者需要构建模型预测金融市场走势，并提交自己的预测结果/模型。平台再根据参赛者的质押金额，对模型预测结果做集成，以此来指导投资。 在该平台上，截至20250312：平台上的活跃参与者（有提交并且质押本金）用户有490位，模型数为3851个。质押55万枚NMR，约合440万美元。平均每位用户质押约9千美元，质押中位数为8百美元。年回报率约为46%。 由于增加了质押和回报计算部分，相较于一般量化比赛会稍显复杂。本文将在评价指标和回报计算方面，做着重介绍。此外还将给出一个初步的执行流程，以及作者的实盘线上反馈。 评价指标：如何评判和分配收益 数据情况：数据分布&数据生成机制 模型构建：如何构建基本模型 线上反馈：提交后的数据情况和可能的改进方向 如果读者对于量化的基本知识还不甚了解，可参考作者的思维导图：谷粒的博客 思维导图｜《量化交易》 二、评估指标参考 核心指标与回报计算 一句话概括：既关注模型的预测效果，也关注模型的额外信息增益。预测效果：关注的是模型对于特定标的未来20天的预测相关性，使用相关系数计算。额外信息增益：关注单个模型对于最后的加权模型预测的贡献度，越独特越准确越好。 另外，平台增加了本金的概念：你需要对自己的模型下注，下注的标的物便是NMR，平台发行的加密货币。 最后的收益计算如下：payout = stake * clip(payout_factor * (corr * 0.5 + mmc * 2), -0.05, 0.05) 其中：payout指平台支付给你的回报，stake是下注的本金。clip的作用是限制最大最小范围到0.05上下。其中corr和mmc是需要重点关注的指标。平台希望提交的模型关注相关性，更关心模型的额外贡献情况。 相关系数 (CORR) 相关系数衡量预测值与实际目标值之间的相关性。 import numpy as np from scipy import stats def numerai_corr(preds, target): """ 计算转换后的预测值和目标值之间的皮尔逊相关系数 Args: preds: 预测值 target: 目标值 Returns: float: 相关系数 """ # 对预测值进行排名和高斯化 ranked_preds = (preds.rank(method="average").values - 0.5) / preds.count() gauss_ranked_preds = stats. https://kuhung.me/posts/iot-home/ Thu, 06 Feb 2025 13:06:59 +0800 https://kuhung.me/posts/iot-home/ 大概在三年前，作者通过树莓派+小米智能家居+苹果设备，实现了通过iPhone控制家庭智能设备的功能。通过苹果生态，即可实现若干智能化：根据所在位置，开关电器；通过Siri控制灯光亮度和开关等功能。外出时，再也不用担心家里哪个电器没关；回家前，还能提前打开空调；睡觉前也不用起来给每个房间单独按开关，直接Siri指令。这大大方便了用户。 因为使用的是小米的智能家居，相较于单纯的苹果生态，降低了智能家居的接入成本。以插座为例，HomeKit生态相关的产品需要几百元，而米家相关的产品仅需要数十元，即可实现类似效果。 当然，米家相关的配置并不是没有缺点。因为引入了更多的中转设施，其出故障的可能性会比单纯的HomeKit接入会更高。这不，近期HomeKit突然完全失联（后来确认是修改路由配置导致的连锁反应），于是借机重新走了一遍流程。刚好小米在一个月前，也发布了官方的插件，以支持跨平台的控制接入。我们来看看米家官方的插件到底如何。 以下，从树莓派开始讲起，着手构建通过家庭App即能控制的低成本智能家居系统。 涉及资源 硬件 树莓派4B（服务器，包含SD卡） 米家智能家居（各类实际硬件，包含多模网关） Apple homepod mini / Apple TV / iPad（Apple控制中枢） 软件 Raspbian 系统 Docker HACS（docker版本） xiaomi插件 配置过程 连接树莓派 对于一个全新的树莓派，我们需要初始化它，以便进行后续操作。参考以下信息： # <https://ost.51cto.com/posts/4179> ## 创建账号，解决没有权限的问题 <https://www.cnblogs.com/melodicule/p/16212711.html> ## 连接ssh ssh pi@192.168.x.x password: xx ## 配置 sudo raspi-config #设置登录方式、屏幕 ## VNC 可视化界面 <https://www.jianshu.com/p/5e4d64c2ceaf> ## 查看温度 vcgencmd measure_temp ## 引脚信息 <http://www.raspigeek.com/index.php?c=read&id=126&page=1> 安装docker docker安装，需要留意源信息的变更。 curl -fsSL <https://get.docker.com> -o get-docker.sh sudo sh get-docker.sh --mirror Aliyun sudo docker version # 修改docker源与dns解析，留意是否失效ustc的源已失效 sudo tee /etc/docker/daemon. https://kuhung.me/posts/the-big-leagues/ Thu, 30 Jan 2025 00:22:28 +0800 https://kuhung.me/posts/the-big-leagues/ 本书已经由孙宇聪老师翻译，电子工业出版社出版。感兴趣的朋友可以直接去阅读中文版《技术为径》。在此不再重复造轮子。 下文是第八章，管理组织的思维导图，与诸位读者共勉。 🌟 合集地址：《The Manager’s Path》中文翻译 关于作者 https://kuhung.me/posts/managing-managers/ Thu, 30 Jan 2025 00:22:05 +0800 https://kuhung.me/posts/managing-managers/ 本书已经由孙宇聪老师翻译，电子工业出版社出版。感兴趣的朋友可以直接去阅读中文版《技术为径》。在此不再重复造轮子。 下文是第七章，管理管理者的思维导图，与诸位读者共勉。 🌟 合集地址：《The Manager’s Path》中文翻译 关于作者 https://kuhung.me/posts/managing-multiple-teams/ Thu, 30 Jan 2025 00:20:00 +0800 https://kuhung.me/posts/managing-multiple-teams/ 本书已经由孙宇聪老师翻译，电子工业出版社出版。感兴趣的朋友可以直接去阅读中文版《技术为径》。在此不再重复造轮子。 下文是第六章，管理多个团队的思维导图，与诸位读者共勉。 🌟 合集地址：《The Manager’s Path》中文翻译 关于作者 https://kuhung.me/posts/build/ Sun, 21 Jul 2024 21:55:54 +0800 https://kuhung.me/posts/build/ 形成共识还是蛮好的，就是很多人不知道、不理解或者按自己的方式来搞，那才是组织的灾难。这本书老哥还是多了份alpha男的味道，不过总体还是有帮助。让我知道其实哪儿都会有斗争，都会有高光和滑铁卢。 关于作者 https://kuhung.me/posts/managing-a-team/ Wed, 10 Apr 2024 21:55:54 +0800 https://kuhung.me/posts/managing-a-team/ 本书已经由孙宇聪老师翻译，电子工业出版社出版。感兴趣的朋友可以直接去阅读中文版《技术为径》。在此不再重复造轮子。 下文是第五章，管理一个团队的思维导图，与诸位读者共勉。 🌟 合集地址：《The Manager’s Path》中文翻译 关于作者 https://kuhung.me/posts/radar-in-2024/ Mon, 01 Jan 2024 13:13:53 +0800 https://kuhung.me/posts/radar-in-2024/ 灵感来源是 thoughtwork 总结的半年度雷达报告，展现不同语⾔、技术、⼯具等⽅⾯的进展。radar 本身反映了⼀种理念，那就是察觉。察觉当下的流行要素，预判未来的发展变化。这⾥进行借鉴，呈现我关于技术、阅读、理财的一些观察，同时也有一些根据个人经历的想法。这些用于交流，也用于记录。 一、技术 采纳 机器学习开发流程 构建并维护⼀套稳定、可复⽤的流程，⽤于快速构建机器学习模型。现在市⾯上也有很多稳定的服务，但是⼤多专攻某些特定⽅向。⽐如wandb实验记录或者dvc数据版本控制之类。就个人⽽⾔，更多是整合不同⼯具，形成⾃⼰的建模⻛格。 雷达技术 是本系列的灵感来源。起初是thoughtwork总结的半年度雷达报告，展现不同语⾔、技术、⼯具等⽅⾯的进展，这⾥借鉴到此板块。radar本身反应了⼀种理念，那就是察觉。察觉当下的流程，察觉未来的发展变化。背后的技术并不复杂，但是总结、归纳、呈现的这种形式很令人着迷。 实验 mljar-supervised 属于automl⾃动机器学习，能很好应⽤于tabular数据。之前在某竞赛中测试，能够取得较好(top10%)效果。对于参加⽐赛，或者是构建⾼标准baseline很有帮助。集成特征选择、shap解释等⼯具。未具备数据探索、模型服务等功能。数据探索和模型卡之类功能，还需要搭配deepcheck一类⼯具实现。这类⼯具的⽬的是形成统⼀流程，减少在不同环节切换带来的时间/经历损耗，同时也能对技术栈查漏补缺。 数据可视化 探索性数据分析的一部分，数据可视化可以加快数据的理解，发现数字中难以发现的信息。这部分算是对于机器学习流程的扩展，⽬前流⾏的⼯具包括ydata、dataprep、dtale等。就可视化来说，没有最好，只有最适合。想清楚关注的指标，然后尽量减少重复性动作。 强化学习 是对抗机器⼈（⽐如下围棋的AlphaZero）以及⼤语⾔模型（LLM）的基础，但还未出现银弹式的统⼀框架。一些典型代表有Stable-Baselines3、SpinningUp等。就我个⼈⽽⾔，还没有充⾜的理由和完善的环境给到我来实验，因此暂时处理评估了解阶段。但可以预见的是该领域的进步，将会带来显著性的效益。 streamlit streamlit是⼀个简单易⽤的web框架，使得机器学习⼯程师很⽅便地交付模型demo。⽬前已经被snowflake收购。其开源版本已经满⾜⽇常需要。其背后反映的是⼀种趋势，即机器学习⼯程师如何快捷交付印象深刻的产品/demo。 评估 transformers.js 属于on-device机器学习范畴，特点是在⽤户端进⾏模型推理。移动化、⼩型化是⼀种趋势，这种趋势对于数据中⼼或者英伟达这类⼚商的影响是负⾯的。但是对于⽤户来所，未必是坏事。如果能够在⽤户侧实现模型的推理，那么数据⼜何必传回服务器。该技术短期⾯临性能、模型传输的问题，⻓期会有模型知识产权保护的问题。 Stable-diffusion 当下最⽕图像⽣成技术，⼤致原理就是从噪声中重建原始图。按道理图像能重建，其他的容错性比较高的东西，比如音频也能。这个领域的两个新兴⽅向是合成识别以及合成对抗。⽬前处理尝试阶段，尝试整合或者产⽣新的稳定交付流。 AI agents LLM已经够流⾏了，这⾥关注更多的是它的应⽤。通过⼤语⾔模型，如何与外部交互，实现各种操作。典型代表是Openai的GPTs。 暂缓 因果推断 因果推断是前⼏年⾮常⽕的⽅向，但是实际应⽤⾮常有限。⼀⽅⾯是这类技术的解释成本较⾼，另⼀⽅⾯则是这类技术⽬前来看并没有⾮它不可。学习和扩展思维⻆度是⾮常值得的，但就应⽤来说，还是更适合放在暂缓观察板块。 二、阅读 采纳 《合作的进化》 关于合作的经典之作，解答了在⼈际关系中，何时该选择合作、何时该选择不合作。书中提出四个原则：不嫉妒（保证善意），不率先背叛，⼀报还⼀报（不做烂好⼈、也不做坏⼈），适当遗忘（保证不限于局部恶化）。同时指出合作的发⽣，不是靠短期的利益让步或是信任，⽽是对未来重复互动的预期。推荐⼩游戏：https://dccxi.com/trust/ 《精英的傲慢》 精英总是认为目前的成功是他应得的，这在作者的公开课上，也能从部分哈佛学子身上感受出来。这种理所应当，正在加重人们之间的割裂，让一部分人自傲、一部分人懊恼。保持谦逊，跳出绩优体系去思考，对不那么成功的人心有亏欠，是一种美德。 《The Squiggly Career》 职业起伏职场并⾮⼀帆⻛顺。这⼀观点看起来简单明了，但想明⽩却着实不易。在职场中，你会遇到起起伏伏，这些都是很正常的。不必为了起，就得意忘形。落，⽽妄⾃菲薄。重视⻓远事项、可迁移技能以及⼈的联结，控制能控制的，接纳不能左右的。 实验 《凤凰项⽬》 尽早交付，减少半成品。构建并维护⼀个有良性互动的团队氛围，是团队提⾼胜率的关键。类似的还有《独⻆兽项⽬》等书籍，此类书的共同点在于指明技术团队在公司发展中该有的位置，以及技术领导该做的事情。这类知识很少出现在课本、公司内部⽂档中，是不错的补充学习机会。 《The Mom Test》 作为工程师，良好的沟通技巧对成功至关重要。《The Mom Test》提供了关键技能和原则，帮助我们提出深刻的问题、避免误导性数据，推动承诺和进展。 《同理倾听》 评判一件事总是比倾听并理解一件事容易。同理倾听，是我在近几年的协作互动中，最大的收获之一。同理倾听，帮助加深与周围人的联系，帮助促成改变。 《技术为径》 在技术领域，管理也是一个技术概念。它的学习曲线特别陡峭。尤其是没有足够的工具、手册或是框架来帮助你。在这本书中，作者 Camille Fournier（从技术管理干到CTO），带你走过从工程师到技术管理的每一步。从指导实习生到和资深同事工作，你将获得各种可执行的建议。关注这个系列，学着如何成为一个更好的管理者和领导者。 《算法的⼒量》 算法是我们的⼯具，但是它将如何影响我们的⽣活，影响我们的观点，影响我们的情绪以及意识倾向，这本书给出了回答。作为技术⼈员，未来的⽣活将在很⼤程度上取决于当代技术⼈员如何对待和处理他们的⼯作。 评估 《独裁者⼿册》 该书讲述了如何成为一个成功的独裁者，以及从另一个角度解释了：为什么有些欠发达地区的转型未能成功。小集团、候选集集团以及掌权者，他们之前的互动，决定了如何成为好的统治者。就如同书中所言：坏行为几乎总是好政治。 政治本身，并非为了所谓的共同福祉，尽管它常宣称如此。 《组织社会学⼗讲》 认识组织，⼀本写在2003年，但在今⽇仍然适⽤的书籍。组织会越来越像，这是基于社会期望的结果。以及很多组织所谓的成功经验，尺度拉长基本没啥用。所以我们还应该对组织抱有期望吗，这次会不一样吗？ 暂缓 无 三、理财 采纳 意外之财的态度 对于奖金或者是意外之财，不少人会倾向于一次性消费、或者是等比例放大消费。这是常见的xx阶级陷阱，在如今的消费主义社会，更加难以坚守。从某种角度讲，我更信奉储蓄，不放大现有的消费节奏。或者可以偶尔消费，更多是投入到那些生产力工具上（自我麻痹）。 复利优先 https://kuhung.me/posts/managing-people/ Sun, 17 Dec 2023 21:55:54 +0800 https://kuhung.me/posts/managing-people/ 本书已经由孙宇聪老师翻译，电子工业出版社出版。感兴趣的朋友可以直接去阅读中文版《技术为径》。在此不再重复造轮子。 下文是第四章，成员管理的思维导图，与诸位读者共勉。 🌟 合集地址：《The Manager’s Path》中文翻译 关于作者 https://kuhung.me/posts/listening-well/ Tue, 21 Nov 2023 21:55:54 +0800 https://kuhung.me/posts/listening-well/ 评判一件事总是比倾听并理解一件事容易。同理倾听，是我在近几年的协作互动中，最大的收获之一。 同理倾听，帮助加深与周围人的联系，帮助促成改变。 关于作者 https://kuhung.me/posts/the-mom-test/ Thu, 24 Aug 2023 21:55:54 +0800 https://kuhung.me/posts/the-mom-test/ 作为工程师，良好的沟通技巧对成功至关重要。《The Mom Test》提供了关键技能和原则，帮助我们提出深刻的问题、避免误导性数据，推动承诺和进展。 🔍 点击获得文本大纲 关键技能 提出良好的问题（第1章和第3章）：学会在对话中提出有深度和相关性的问题。 避免错误的数据（第2章）：了解如何辨别和避免不可靠或带有偏见的信息。 保持轻松自如（第4章）：在讨论中保持放松和非正式的口气，鼓励开放的沟通。 推动承诺和进展（第5章）：鼓励参与者做出承诺，并在决策过程中向前推进。 设定会议框架（第6章）：清楚地定义会议的目的和目标，以确立正确的背景。 客户细分（第7章）：确定特定的客户细分，并相应地调整互动方式。 会前准备和回顾（第8章）：充分准备会议，并在会后回顾笔记和关键引用。 记笔记（第8章）：培养有效的笔记技巧，以捕捉重要信息。 “The Mom Test”（妈妈测试） 谈论他们的生活而不是你的想法：关注了解客户的经历和需求，而不是推销自己的想法。 询问过去的具体情况而不是未来的概念或意见：收集具体的例子和真实的情境，以获取准确的见解。 少说多听：积极倾听，以理解客户的观点并发掘有价值的信息。 回归正轨（避免错误数据） 转移赞美：引导对话远离赞美，以获得更有意义的反馈。 忽略废话：识别并忽略肤浅或无关的信息。 深入挖掘观点、想法、请求和情感：深入探究底层动机和关切。 反面教材 追求赞美 “我在考虑创业…你觉得会成功吗？” “我有一个很棒的应用想法，你喜欢吗？” 避免暴露自我（The Pathos Problem） “这是我为之辞去工作的绝密项目…你觉得怎么样？” “我可以接受的，诚实告诉我你真正的想法！” 过于推销 “不不，你没有理解…” “是的，而且它还能做这个！” 过于正式 “首先，感谢您同意接受这次采访。我只有几个问题，然后就让您继续您的一天…” “请您在1到5的评分中，给出您的评价…” “我们安排一个会议吧！” 成为学习瓶颈 “你只需要关心产品，我会了解我们需要知道的一切。” “因为顾客告诉我这样做！” “我没有时间和人们交谈，我需要写代码！” 收集赞美而不是事实和承诺 “我们收到了很多积极的反馈。” “我和每个我谈过的人都喜欢这个想法。” 会议前、中、后的流程 会议前 选择一个明确的、可找到的细分市场 与团队一起确定三个重要的学习目标 如果适用，确定理想的下一步和承诺 如果对话是正确的方式，确定要与谁交谈 为对方关心的问题创建一系列最佳猜测 如果问题可以通过书面研究回答，先进行研究 会议中 通过设定话题、氛围、目的和规则等方面，主导和引导整个交流进行的方向和进程 保持轻松随意的氛围，创建自在开放的交流环境 提出通过"妈妈测试"的好问题 谦虚地婉拒别人的称赞，避免停留在场面话层面，追根问底挖掘言外之意 做好笔记 如果合适，推动承诺和下一步 会议后 与团队一起回顾笔记以及客户的关键反馈 如果有价值的内容，把它们转为永久存储 评估之前的假设和计划是否需要调整 决定项目下阶段需要研究和解决的三个重要问题 成功会议的表现 事实 - 他们做什么和为什么这样做的具体、特定事实 承诺 - 他们表现出认真态度，比如投入宝贵的时间、名声风险或金钱这样他们重视的东西 进展 - 向实现目标和推进销售更近一步 走过场的迹象 你说得比他们多：主导对话而不是积极倾听 他们在称赞你或你的想法：收到赞美而不是有意义的反馈 你告诉他们你的想法，但不知道接下来会发生什么 你没有笔记：未能记录会议中的重要信息 你没有和团队一起回顾笔记：忽视了对收集的见解进行回顾和分析 你得到了意外的答案，但它没有改变你的想法：忽视或拒绝有价值的反馈 对于所提的所有问题都不感到害怕/难为情：不挑战假设或寻求不舒服的真相。 不清楚通过这次对话想解答的重大问题：对会议的目的和目标缺乏明确性 你不确定为什么要开这个会议：对讨论的预期结果和价值不清楚 书写记录——信号符号 :) 兴奋 :( 生气 :| 尴尬 ☇ 痛苦或问题（符号为闪电） ⨅ 目标或待完成的工作（符号为足球门） ☐ 障碍 ⤴ 解决方法 ^ 背景或上下文（符号为远处的山） ☑ 功能需求或采购标准 ＄ 金钱、预算或购买过程 ♀ 提到具体的人或公司 ☆ 后续任务 没有推动承诺和进展的迹象 无效线索（A pipeline of zombie leads）：在销售过程中没有推动潜在客户向前发展的进展 结束产品会议时收到对方的赞美 未能有明确的下一步计划和承诺 “进行得很顺利”的会议：表面上积极的会议，没有具体的结果 他们没有放弃任何有价值的东西：参与者没有投入资源或展现承诺 寻求会议并设定会议框架 愿景：简明扼要地阐述你的工作如何有助于让世界变得更好。 框架：清楚地传达会议的当前阶段和目的。 弱点：强调你需要帮助或指导的领域。 底座（Pedestal）：强调你正在交谈的人可以提供有价值的帮助的原因。 请求：请求具体的帮助或意见。 准备的重要问题 “我们想从这些人那里学到什么？” 谷粒制作 https://kuhung. https://kuhung.me/posts/career/ Sun, 06 Aug 2023 14:05:27 +0800 https://kuhung.me/posts/career/ 在2023年的年中档口，阿里计划将其P职级进行拆分，分为更细的类似华为的序列。据晚点LatePost等媒体报道，此举是在拉开级别差，在“战功”不那么多的情况下，让更多员工感受到爬梯子带来的激励。 爬梯子这个事情，在很多“成熟”公司，都会存在。这也是他们所宣称的“完善体系”中的一环——晋升体系。这一体系，带给人们最多的就是P7、P8的神话。在红利还未耗尽的18年，P7=100w，P8=200w。3年P6、5年P7这一说法在当时的背景下广泛传播。你到了这个阶段，没啥意外的话，就该是这个水平。现如今，这个说法不复存在。一是这种机遇没了，股票下挫总包锐减；二是称呼给你变了。 为什么要改，以及有哪些可选项，不是本文讨论的关键。这些信息作者没有、也无法像关注科技公司的记者那样跑在最前面（报道出了偏差，可是要负责任的）。 这篇文章主要是就梯子这个事情，延伸讨论两个点，一个是有梯子的话，该怎么爬。无论这个梯子是“成熟”大公司内部确定的职级，还是“扁平化”公司不愿意谈起，但实际上又有外部参考系的职级。另一点是想讨论，这个梯子一定要爬吗，一定是向上的吗？遇到向下的梯子该怎么稳住心态，没梯子可爬该咋搞。前者对于初入职场的新人较为适用，后者则适合长期食用。 当然，由于从业面受限，作者的视角以其朋友工作机器学习工程师为例。这一工种在某些团队也被称为：数据挖掘工程师，深度学习工程师，data scientist等。这篇文章，也算是对其朋友数年职场生涯的一个阶段性总结，其中包含他的自我察觉与反思。全文由作者与其朋友交谈、记录、整理得到。 一、职业阶梯 1.1 职场初期 在机器学习工作的早期，像许多工种一样，主要是执行团队或合作对象的明确指令。这个时候，干活的效率以及交付的可靠性，是主要关注的。做好手上的事，并在这个过程中熟悉团队的运作方式，了解公司的整体目标和价值取向，对于早期来说十分重要。 就保持高效而言，主要分为两方面。一方面是工具上和信息上的，另一方面是心态方法层面的。在工具上，去熟悉团队的开发工具与流程，并理解你所在的业务数据。而在心态方法层面，则更多是创建与人的联系。在需要帮助的时候，学会提问，有效提问。 如果能有效的做到上述两点，这份初级的工作，基本能够胜任。而随着工作的深入，会有更多的挑战来临。 1.2 职场进阶 1.2.1 干系人管理 职场总是围绕着人在转，这点在机器学习这类工作中同样存在。在打比赛的时候，你可以不用关心人，但你同样会关心人制定的比赛规则。而在现实工作中，某些规则不会摆在明面上的。其中就有职场进阶中需要面临的：干系人管理。 对机器学习开发来说，会有三类干系人。他们分别处在业务、项目owner、以及直系领导三个位置。 对于不同的角色，需要理解不同人的目标。业务干系人可能是为了业务提效，是发起方；也可能是尝试配合，是配合方。项目owner可能是产品，可能是工程师自己或者是别的开发。角色的目标是保证项目顺利推进，并拿到结果。直系领导更多关心的则是，这个事项是否在团队目标里，能否给团队能力突破带来新东西。针对不同的目标，采用不同的沟通和协调方式。 干系人管理有时候会很艰难。对方可能是没时间给你掰扯，也可能觉得和你不熟，甚至觉得你“不配”和他说话。这个时候个体往往会产生负面情绪，这很正常。有时候可能需要一些技巧，比如提前准备好内容并先同步主旨，比如通过中间人获得联系等等。有时候需要一点儿坚持不懈，有时候需要的是及时调转方向。 无论怎么样，与干系人的沟通都需要持续不断。通过各种方式让大家意识到你的价值，持续地同步你的时间线、面临的挑战与解决方案。 1.2.2 风险管理 公司雇佣你，是因为你的产出对公司有帮助。买断的是你工作时间内的交付物，无论这个交付物是代码，是模型权重还是对初级员工的培训指导。只要是交付，就会有交付相关的风险问题。风险管理是这个阶段需要重点关注的，这个时候已经没有人来给你把关需求了。 就机器学习这行来说，国内外同行的共识是：大量的项目都存在失败的风险。 机器学习的每一个环节出问题，都有可能导致交付失败。错误的数据，漂移的数据，以及有偏的数据，都会导致结果不理想，甚至是背离。不当的清洗方式，也有可能导致数据穿越。繁杂的数据、脆弱的包体依赖关系，也可能导致线上出问题。就机器学习本身而言，一定的流程规范能够减少这类风险。这部分目前被归为MLops，感兴趣的读者可以查阅作者的早期文章：机器学习系统设计，或是根据关键词在互联网自行检索。 即使这些都对了，就业务问题本身而言，也可能不存在信号，或者是信号微弱，收益低的情况。 更要命的是，很多时候我们的下游不想要；或者是预期物和交付有偏差，随后进入无止境的迭代中去。这类情况，并非机器学习行业独有，在领域同行软件开发早已经存在。其本质还是需求、项目管理的问题。在开始建模之前，充分了解需求场景，引导业务的真实想法，是非常重要的。太多的人会拿着锤子去找钉子，一开始建模并非明智的选择。 大部分机器学习团队都鼓励探索，但很少有团队会设立明确的止损点。这种模糊性会导致团队/个人被沉默成本吞没。识别并设置止损信号点十分重要。不同业务有不同的情况，这些举例一些可识别的信号：数据质量不佳、业务人员变动、项目优先级变动、交付标准多轮之后仍然不清晰等。 风险可以识别，也可以规避，但有的时候也不得不承当。一种承担风险的方式便是：风险分散。如果手上的项目全是预研或是难以落地，那么风险集中度就太高了。更好的方式是组合交叉。就像打造产品的波斯顿矩阵一样：尽可能涵盖不同类型的产品（项目），形成产品（项目）矩阵。（波斯顿产品矩阵：保证现金流产品、预研（未来的明星）产品、降低瘦狗产品的投入度、识别并及时停止问题产品的投入。） 尽管做了很多前面的准备，有时候项目还是会走向失败。对于那些失败的项目，回顾是必要的。回顾不是为了追责或者分锅，而是从中学习。定位问题：为什么不行，哪些情况是制约因素；识别方案：如果做到了哪些条件，该项目即可取得成效。从数据和问题中学到的东西，可以用在下一个项目中，减少下一个项目失败的风险。回顾的同时别忘了和前面的干系人交流，了解他们的想法和意见。这些归档的经验，也会使得团队其他成员受用。 1.2.3 关系审视 职场中常见的关系转变，在于离开一家公司。如今，互联网员工在一家公司的平均工作时长一般不超过3年，某跳动在特定年份甚至有平均在职7个月的传言。和我们老一辈择一家企业而就终身的观念不同，一家公司不再是人们长期稳固的追求。原因包括但不限于：有的公司自身寿命都没个几年，无法给个体提供稳定预期。有些则是个人发展上的诉求，对于更多可能性的追寻。还有的可能则是文化和认同上的问题。 只要个人还有发展的意愿，组织迟早难以满足其需求。这种关系，反过来也成立。关系的审视是必要的。 判断是该留还是该走，不应该是简单的钱给够了没，或是有没有受到委屈。因为这种说法，要么是夸大了经济利益的作用，要么是过分强调了负面情绪的比重。钱给够，还是文化氛围很奇怪，有些人也会选择离开。没受到委屈，但是做的东西不认同，在外部有更好机会时，也会有人选择离开。 经济因素和个人感受很重要，一票否决问题不大。但在这两者因素没有被触及底线时，关于成长、环境、成就以及意义的追寻也十分重要。不妨从下面四个角度评估关系：第一是你是否在持续进步。第二是你期望的环境状态这里有没有，无论是文化、氛围，还是某种程度的安心做事。第三是有发挥你的长处吗。第四是多问问你做的事情的意义是什么，和公司、团队的目标是否一致。 必要时候，向上级谈谈责任方向的转变。当然，职场并非以满足个人诉求为第一要务。有些时候这些诉求无法得到满足，做出调整也是应该的。这不代表你的失败，也不代表组织的失败，只是不匹配而已。 二、辩证看待阶梯 2.1 并非总是一帆风顺 大部分互联网科技公司都有内部职级标准，无论是阿里系的p7、p8，还是meta E6、谷歌L7之类的级别划分。这种划分渗透在科技公司的每个角色，无论你是技术向，还是非技术向。总有各种考核、评审，职业通道委员会来决定你是否能够上一级梯子。 有的公司对于初级员工是默认满年限晋升，有的公司会在晋升更高级别时设立答辩制度，但也有公司并无清晰制度。每年的绩效回顾前后，就是梯子调整之时。在某典型组织，部分人将获得提名，然后提报上上级。随后是答辩流程，准备迎接“价值、抓手、组合拳”的灵魂拷问，最后由委员会投票决定哪些人可以晋升。从大众到提名，从提名到通过，这里的比例有时候会人为控制，有时候也会因经济形势而调整。 也就是说，怎么都有人陪跑，怎么都有人原地不动。关于此情形，有不同的说法。有人会说我想爬，但是没有明确的标准。有人说是我的功劳，但被算到了嫡系身上。有些时候，是任务划分时，就决定了哪些人会晋升，哪些人不会。有些时候，单纯就是公司发展态势不行，没钱没精力搞这些了。 如果能够外推原因，对于个体的精神状态，倒也影响不会特别大。但近些年越来越明显的是，不少人会从中看到某种虚无感，会觉得难以接受，认为这是一种人生的失败。爬梯子某种程度上带来了清晰、有迹可循的职场发展路径；但同时也加重了人的异化。让人觉得必须怎么样，不然就是不合格的，不配的。 但要知道，软件这种形式上为技术架构，实际上仍然为社会工程的多人合作项目，人的因素占比并不小，甚至是决定性的。职场并非总是一帆风顺。 2.1.1 面对挫折怎么办 挫折很常见，不仅你会遇到，其他人也会遇到。这种经历并非独有，同时也并非丢人的事情。可能你会恼怒，但一段时候后，还是会回到正常生活中来。 一般来说，人们往往会短时间高估挫折带来的负面影响，低估其意义价值。就像《反脆弱》中所讲，早期的挫折就像早年的疾病，不仅不会让我们受重创，反而会培养起强壮的身体免疫力。维持一段时间在低谷心情，但是别高估了这种经历带来的负面影响。挫折不可怕。就像产品开发一样，尽早遇挫，尽早迭代反而是好事。 挫折会伴随一生，不仅今天会遇到，以后还会遇到。有些事情无法左右，过度思考只会加重无力感。不如多去看看其中积极的部分，无论是它带来了新的视角，还是带来了新的转变的动力。 2.1.2 条件不具备怎么办 与挫折相比，另一类相对不那么显性。更多的是我想达到某个目的，但是条件不具备。这个条件不具备，并不会直接导致我们的失败。顶多算是缺少资源，相关项目无法启动。比如需要指导，但是公司内没有现成的资料。想要接受培训，但是组织好像并不重视这方面，宁愿从外部直接招聘相应技能的人。或者是缺少机会，能够让你证明自己的能力。 这些情况非常常见。职场不是游戏，并不会有人为你精心设计关卡，关注你的成长曲线。相反，职场希望你能干好你自己手上的活，最好少提要求多做事情。很多条件并非自然出现。偶尔天时地利，那也实属撞大运。 怎么办？你才是个人发展的唯一负责人。你需要清楚你的诉求，并尽可能寻求帮助。没有现成的培训与指导，那就去向掌握这个技能的人请教学习。内部没有相应的明确培训计划，可以在外部找到对应的参考。没有机会，那也不妨多修炼内功，巩固自身的技能，顺便梳理自身的能力项。静待合适的机会，向干系人表达自身的诉求。将视野放宽，那些约束项也许就将不复存在。 2.2 在有限的时间和空间内被规训 要明白一个事情，梯子本身也是一种社会约束，是某种形式的规训。这个社会结构，希望你按特定路径掌握相关能力，满足相关标准。以此来达到最大化生产效率、稳定生产要素的目的。梯子本身的设计出发点与关注的第一要素，并非个人。 在明白的基础之上，掌握便不再是难事。读到此处的读者朋友，相信都有很强的学习能力与耐心。能够在理解的基础上，胜任绝大部分工作。通过主动了解组织内部的资料，去掌握不同级别所需的软、硬技能。通过项目去锻炼，在职场中取得相应结果。当然，如果所在组织没有清晰的路线，那也可以通过外部互联网或者对标公司，找到所需的资料。通过学习、思考、实践、领悟，把自己向着特定方向靠近。 在上面的过程中，有些人要么是没找到对应的门路，郁郁不得志；要么是以为自己掌握了银弹，左脚踩右脚飘上天。但其实，这套规则也不过是在规训人、异化人，把人当成了工具。这里就引出下一个话题：在掌握的基础上，对公司和组织去魅。这套规则运行顺利的情况下，有些人（有些时候）会像《精英的傲慢》中所言，觉得自己并非风口的猪，而是“努力”得来。而对那些靠后的人，表现出鄙夷；认为手下/合作的人，皆生产资料，而非有真情实感的人。 去魅有两个好处，一个是更加清晰的认识自己，无论顺境还是逆境，知道都是暂时的，从而保持谦逊和韧性；另一个则是，能够让自己在有限的时间和空间内被规训，而不至于产生职场倦怠。除此之外，也会开始理解组织。组织的光环开始褪去，个体更加清晰地认识到组织的决策依据与目的。知道组织也有自身的短板和不足，知道该如何发挥组织的长处，实现个人与组织的双赢。 三、职业中的其他可能 3.1 外部社群 前面讲了很多的职场的事，但实际上职场并非职业生涯的全部。就如同《把自己作为方法》中所言：整日手机上网冲浪，会忽视掉附近的存在、忽视掉其他可能性。过分关注职场，特别是自己无法左右的职场事情时，也会让人忽视掉自身能力的提升，以及可能的外部联结。 就像《高绩效教练》中所言，高绩效的三要素在于：自主、胜任、联结。与他人的联结，将带来更多的可能性。这里的联结，可以是与新来的同组同事，也可以是有相似兴趣爱好的邻里。当然，如果谈工作的话，那就是有类似技能和职业规划的一群人。无论你是在技术论坛中作为一个新人，咨询新手问题；还是作为在部分领域中有一定经验的人，帮助他人。这类活动，都可以加强自身的意义感，同时也能带来新的机遇。 举例来说，参加公开的学术会议，或者是在机器学习比赛中结交新朋友，是不错的方式。除此之外，贡献开源项目或者是博客/播客内容输出，也是一种顺应潮流的思路。加入你感兴趣的职业社群，能够在倦怠之时，敦促自己前进。 3.2 其他要素 看到本文的读者，从业经验大多不会超过10年。年轻的我们总是容易被眼前的琐碎但具体的事项所牵引，忘记了我们的职业生涯至少会有30年。职业中的其他要素，说的便是以一个更大尺度看待自己的职业生涯。在职场的早期，像《远见》中所言，可迁移技能、有意义经验以及持久的关系，比其他东西更重要。这个阶段，这三个要素要大于职位、金钱等其他要素。类比投资，就是在年轻经得起折腾时，尽可能多折腾，去积累更多经验。 https://kuhung.me/posts/privategpt/ Wed, 17 May 2023 21:38:16 +0800 https://kuhung.me/posts/privategpt/ 近日，GitHub上开源了privateGPT，声称能够断网的情况下，借助GPT和文档进行交互。这一场景对于大语言模型来说，意义重大。因为很多公司或者个人的资料，无论是出于数据安全还是隐私的考量，是不方便联网的。为此，我也进行了些许体验，跑完了整个流程，希望给读者朋友一些有用信息。 原作仓库地址：https://github.com/imartinez/privateGPT 先说结论：可用，但还有进步空间。特别是对于简单询问语句，该模型不像ChatGPT回答有来有回，而是提供若干可能性进行回答。而数据预处理环节的容错性、embedding向量的生成方法以及大语言模型的基底模型，每一个环节的质量都会影响最终的使用体验。可期待的是，每一个环节都有可能逐步改善，并最终带来质的飞跃。 原理解析 这套方法使用了 LangChain, GPT4All, LlamaCpp, Chroma and SentenceTransformers. LangChain 用来生成文本向量，Chroma 存储向量。GPT4All、LlamaCpp用来理解问题，匹配答案。基本原理是：问题到来，向量化。检索语料中的向量，给到最相似的原始语料。语料塞给大语言模型，模型回答问题。基本原理和chatpdf没大差别。 环境配置复现 首先是环境，后文采用的是ubuntu环境。mac环境也能支持，不过在安装过程中需要调整部分参数。家里有ubuntu系统，图省事就用它了。 conda create -n gpt python=3.10 # 其他python版本不行，后续有个3.10的语法糖 conda activate gpt pip install -r requirements.txt 配置环境 cp example.env .env vi .env 具体配置如下 PERSIST_DIRECTORY=db MODEL_TYPE=GPT4All MODEL_PATH=models/ggml-gpt4all-j-v1.3-groovy.bin EMBEDDINGS_MODEL_NAME=all-MiniLM-L6-v2 MODEL_N_CTX=1000 下载资料与模型权重 我们以《Generative Agents: Interactive Simulacra of Human Behavior》AI小镇这篇论文为例： cd source_documents curl -o x.pdf https://arxiv.org/pdf/2304.03442.pdf cd .. mkdir models cd models curl -o ggml-gpt4all-j-v1.3-groovy.bin https://gpt4all.io/models/ggml-gpt4all-j-v1.3-groovy.bin 向量化数据 python ingest.py 如果502失败，可以尝试shell中直接调起python，输入下面的代码。下载完成后退出。 https://kuhung.me/posts/chatgpt/ Tue, 14 Mar 2023 00:41:03 +0800 https://kuhung.me/posts/chatgpt/ 前言 最近中文互联网上最火热的莫过于ChatGPT。人们都在谈论这个东西是多么“划时代”的产物。过去对AI不成气候的论调也看不见了，主流媒体似乎都在说：牛。不少大厂说自己也要“下海”参与布局与竞争，即使他们才不久刚ALL in 元宇宙。AIGC似乎是PGC、UGC的下一个大蛋糕。 该技术在22年11月底就推出了，但并未在当时引起太多关注（当然也和大家都急着囤药有关）。去年十二月份左右，即有技术论坛谈论到此事。不过大家讨论的并非它有多牛，而是关注的它带来了多少“垃圾内容”。新的“内容农场”的论调随处可见：假话空话以及语义不明的文本内容占据高的SEO，污染各种可见的搜索结果。Stack Overflow发表声明称：将会拒绝这类生成的答案在论坛中出现。随后，更多论坛也发表了类似的声明。 谁可想，三个月不到，该产品便火爆中文互联网出圈。 回顾 就像是各类引爆点事件一样，你永远无法准确预测哪些事情会被广泛传播，只能事后诸葛亮分析一波。从最快达到1亿用户数的产品；到谷歌下场表演失利，市值蒸发。这类资讯，前者挑动大众市场，后者让各类科技公司如坐针毡。在“营销”传播方面，赚足了眼球。 产品设计上也不输。如果从游戏的视角来说，ChatGPT其实是提供了足够多的可玩性。无论是用户的可玩性，还是开发者的可玩性。用户可以问各种想到的问题，还可以和它做角色扮演游戏。开发者能够很轻易地就API接口进行二次开发，满足特定领域的需求。足够好玩+确实有用，是其核心竞争力。 解读 在19年我还写过一篇关于它的文章，通过GPT-2生成文章。但当时，它的能力还有限，只能生成语义看起来连续，但却一眼假的“胡编”文体。后来大家发现用固定规则也能生成类似的话。一度衍生出了狗屁不通文章生成器等产品。规则、或者说正则在垂直领域确实效果显著。维护简单，还能满足模型可解释性要求，满足确定性。其实现在，ChatGPT的接口中仍然可能存在不少规则，特别是涉及有争议的话题或者是时间感知等话题。 在没有细致体验之前，我对它的理解，也不过是GPT-2的加强版。或者是Siri和小冰。但体验之后，我发现它的体验真可以称得上是：令用户惊奇+满意。无论是对话流畅度和语义衔接程度，还是说内容的有效性。可以不夸张的说：仿佛回到了几岁的时候，站在一台拨号上网的计算机面前，无限可能等着我去开启。 GPT 全称 Generative Pre-Training，生成式预训练模型。生成式通过对数据的联合分布建模，与之对应的是判别式，采用条件概率建模。预训练通俗来讲是大模型训练，然后在垂直数据上进行微调。方式一般是冻结神经网络的前n-2层，只对n-1进行权重调整。以计算机视觉举个例子，我们在大模型的权重基础上，仍能够通过微调让模型认识猫狗，即使猫狗不在数据集中，猫狗的数据集量级远小于大模型。 据公开资料显示，ChatGPT用到的技术其实不复杂，甚至是前面大厂开源的东西。怼大规模数据+大模型，然后加上PPO强化学习。但是就这样它却有出色的表现，特别是在多轮对话方面。常见的NLP任务，这个模型通过对话都能实现。无论是情感分类、语言检测或是翻译任务、改写任务、摘要任务、总结任务、续写任务，甚至生成任务它都表现良好。 机会 谈机会总是离不开股市“投机”，因为股市是经济的晴雨伞，也是市场的热点所在。在春节期间，我的某大厂同事便提到了他们内部在all in这个方面。当时我还没当回事，认为不过是互卷的新噱头。但没想到的是，确实有不少人在这其中获得了较大的alpha超额收益。 有人通过卖账号小赚一笔，也有人通过二次开发得到流量。大部分都淹没在人流中，小部分被广泛传播。借助其多语言特性，开发者能方便地开发一款产品，然后在全球传播。开发出来翻译工具、pdf解读工具。翻译本身其实和调用谷歌的翻译流程上无二，但也获得不少曝光。 但很快，人们也发现ChatGPT会编故事。ChatGPT不会说不知道，而是尽量从概率空间生成有含义的对话，即使这含义本身，并无对应实体。当你问一本书或者一首歌的相关信息时，它总是会“移花接木”，让人摸不着头脑。当然，你要拿去问文献，也只会生成一批其他宇宙才可能存在的文章。 但这也是人类的特点，不是吗？只要语气足够肯定，三人即可成虎。所以，在它扮演解梦角色、扮演星盘角色时，大家也不会苛责它效果不稳定。因为它本身也符合了人类的自我归因认知和自我暗示。 展望 对于大部分企业来说，“自主研发”一套ChatGPT并不划算，更多还是利用API的接口能力。但当前有个问题亟待解决，如何将企业独有的小规模语料的并入大模型中。在写稿子的同时，据悉GPT-4即将发布。其具备多模态能力，跨越语言、图片和视频。如果支持自定义语料的话，可以预见三大运营商以及银行的客服系统将有巨大体验上的升级。 虽然它有如此多的功能，但还是有上手成本。特别是在一些复杂任务场景，需要提示词去引导它。为此还专门衍生出了一个专有名词：prompt engineering。 提示词的本质，和搜索词类似，即“提问的艺术“。不同的是搜索引擎用更长的框暗示你填更多的词，以此来获得更多的信息。提示词却更为复杂，一长串的指令只为对方扮演正确的角色或者绕过特定的限制。为此，我也写了一个网页版的提示词查找器，方便初次接触的朋友体验到进阶玩法。地址：https://kuhung.me/awesome-prompt-engineering/ 。其具备基本的提示功能，随机出现一组，复制方便。 真人在你面前，你都可能不会如此耐心。面对一个机器人，人们却有充足的耐心和多样的方法去提示它。 回到一开始人们的担心。在人工智能领域，人们常说的一句话是：garbage in, garbage out。用来形象说明数据质量的重要性。随着这个工具的普及，公开互联网上的数据分布，将不可避免受到影响，反过来又作用到模型本身。可以预见的是：能从繁杂的信息中获得关键信息，以批判视角看待问题，能更好组织和表达语言的人，将在未来越发稀少和可贵。 关于作者 https://kuhung.me/posts/behavioural-based-interview/ Mon, 20 Feb 2023 23:50:53 +0800 https://kuhung.me/posts/behavioural-based-interview/ 我读这本书的动机是想了解如何选择优秀的团队伙伴，以及一般公司招聘体系的运作方式。 这本书的核心内容是关于STAR法则的，即挖掘候选人过去的经历，来发现他们的未来潜力。 值得注意的是：人常常带有偏见。为了识别不同能力特长的人，必须摒弃或减少主观偏好。至于如何更好地进行面试，这本书没有提供完美的解决方案。唯一的方法就是不断练习并增强自我觉察能力。 此外，书中还详细介绍了如何进行调研，以获得适用于公司和部门的胜任力模型。接下来是原作者总结的通用胜任力模型。它提供了一个相对全面的能力画像。 关于作者 https://kuhung.me/posts/the-phoenix-project/ Wed, 08 Feb 2023 00:19:40 +0800 https://kuhung.me/posts/the-phoenix-project/ 这本书的妙处在于，你能在它身上看到工作的影子。虽然说有爽文的嫌疑，devops也不是银弹，但其中提到的约束理论、控制半成品的要求，还是很有启发意义的。跳开具体的管理理论，本书传达的向成熟行业学习的思路，也值得借鉴学习。 对于一位工程师，或者说工程师团队负责人来说，你所做的该是与公司目标息息相关的事。构建一个合适的工作流，保护你的时间、保护你的工程师，确保达到目标。与反馈源保持密切接触，缩短反馈时间，尽可能扩大项目的影响。多探索（但是要控制半成品数），多实践（无交付的脑暴没有意义）。 最后说说局限与思考，本书构建的场景中，主角和CEO有紧密的联系、还有外部的支持，这在很多公司里面是不一样的。团队内有项目管理的专家，有支持主角的下级管理者，也有能干活出活的工程师，很难说这种组合对于项目结果没帮助。最后，拯救公司于水火之中的独角兽项目可不常见，对于日常的工作，如何发动变革，如何带来结果，是《凤凰项目》回答不了的。 关于作者 https://kuhung.me/posts/modern-western-thought/ Sat, 28 Jan 2023 22:46:53 +0800 https://kuhung.me/posts/modern-western-thought/ 工具理性正在日益渗透进入我们的生活，而价值理性正由于去“魅”失去标杆，现代人不可避免地工具化，只为在激烈的竞争中成为合格的、优质的零件。 交往理性带着它美好的期待，却很难成为共识。我们都知道要好好说话，但日益禁锢的流程或结构下，少有人真情吐露。 现代，我们身处其中。无论是工作还是家庭，都被其包裹。当然，随之而来的也有工具理性。好在我们有各种闪烁的思想，让我们能够与之对话，明晰自身。 关于导图作者 https://kuhung.me/posts/crucial-confrontations/ Sun, 07 Aug 2022 21:55:54 +0800 https://kuhung.me/posts/crucial-confrontations/ 关于作者 https://kuhung.me/posts/team-geek/ Tue, 07 Jun 2022 21:53:11 +0800 https://kuhung.me/posts/team-geek/ 关于作者 https://kuhung.me/posts/how-over-targeting-ruined-our-lives-step-by-step/ Sun, 15 May 2022 11:03:26 +0800 https://kuhung.me/posts/how-over-targeting-ruined-our-lives-step-by-step/ （这是一篇原定于去年这个时候发出的文章，但由于种种原因，中途搁置。近日上海发生的种种，又不禁让我想起这篇文章的意义。数据到底意味着什么？这是本期，我们思考的议题。尤其是靠数据吃饭的数据分析与数据挖掘人士，在运用数据的同时，更应该知晓其短板和问题。人，因为理性而伟大，因为知晓其局限性而成熟。） 背景故事 最近一位朋友遇到一件事情：他们公司是做外贸的，每天和很多客户打交道。只要和人打交道，就不可避免会有冲突。他们有个系统，来记录客户的投诉。问题就在客户投诉量这里。原因是公司老板觉得，每天一百的投诉量太多，需要产品弄清楚什么情况。产品想了一个立竿见影的方法，修改判断标准：如果客户的投诉内容少于7个字，则视为无效投诉。因为字这么少，并没有实际有效的信息。 这个方法，惊为天人，马上投诉量指标就下来了，老板也不再过问。问题解决了吗？看起来解决了，又看起来没有。 我的朋友是一位思想坚定的青年，有他自己的原则。他认为这种做法无异于掩耳盗铃，即使这个事情每天都发生在我们周边。为什么这样说，首先第一点，老板想知道原因，改善问题。但是下级却曲解了其本意，认为数据是让老板感觉不爽的点，并奉为行事圭臬。第二点，通过粉饰数据的方式去达到表面的目的，放弃了深入理解这个问题的可能。 朋友认为需要该事发起一项专项分析。可是很不妙的是，项目的决策者并不关心客诉，他希望他开发的功能赶紧上线。另外一个产品还说，这就是工作。Yep，有时候你不得不陪某些人演戏，但当整个组织都在演戏时，没人关心客户，没人关心长远利益。这个组织虽然短期还能运转，但我们都知道最后的结局。 这些人呢？也许会失业，也许因为其“卓越”的方法论，被请到下一家企业，作为职业经理人，继续布道。 这样的事情每天都发生在我们周围。 数据的不可抗拒之魅力 指标，是现代管理学的一次伟大胜利。著名管理学家彼得·德鲁克（也是提出彼得原理的那位）曾经说过：无法测量，则无法改进。这句话掀起了管理的革命，一定程度上帮助近现代企业走向目前的辉煌。目前在管理体系中，活动大多围绕指标（metric）展开。 作为数据从业人员，我们也会遇到很多数据指标，DAU、转化率、营收。在建模时，同样也需要指标去衡量模型的客观效果。数据简直太好用了，不愧是21世纪最性感的科学。当别人不同意你的看法时，拿出数据；当组织考核你绩效时，拿出数据；当前路不明需要探索时，拿出数据。数据是石，敲击星星之火。数据是火，点燃熄灭的灯；数据是灯，照亮夜行的路；数据是路，引你走到光明。 这些点点滴滴，一步一步也在筑起企业的数据能力，帮助企业在决策中走向理性和胜利。 但是，越来越多的证据表明，过度指标化，正在侵蚀我们的生活。 数据的日常快照 生活上，我们总是在追逐各种数据。早上什么时候起来，今天学了多少东西。体重保持在优雅的范围没，工资能买零点几平上海老公房了。甚至于，我们会拿智能设备去监控自己的各项指标，以期望达到某种自我的调和认可。 以我写文章为例。早期的目标是一周一篇，发现实际操作起来，还是有难度的。主要的难点在于，怎么保证稳定输出。想得很好，但实际却也陷入指标的陷阱。我开始焦虑，文章会不会受到欢迎。如果我不写、不发布，那就永远不会面临指标的考核。这也是我目前正在经历的。这样的例子在工作、学习、人际交往以及理财等领域屡见不鲜。 职场上，这类事情就更多了。成也指标，却也败于指标。上面一开始的例子，绝对不止发生在朋友的公司，成千上万的企业内部正在发生类似的事情。今天你这个部门多少人加班了，明天这个季度你所在的项目数据如何，后天再来一个数据复盘。数据正渗透我们的职场生活。 某位老板希望产品的DAU能到百万，于是该产品团队撤掉了支持集团其它业务的工具，将其并入某app，达到了百万DAU。但是，公司得到了什么？公司得到了数字，但是却失去了用户体验。从一个旁观者来看，对集团最有利的不是牺牲用户体验堆DAU，而是发挥员工的主观能动性，去开发一款真正吸引用户的产品。 至于社会上，这类事情则表现得更隐蔽。如果一个地区强调破案率，则基层民警则一定会先去做简单的案子。如果破案率要求到百分百，则冤假错案也就出现了。同样的，医院如果注重康复率，那些疑难杂症，自然而然优先级就降低了，这并不是我们想看到的，但却每天都在发生着。 更甚至，编造假数据欺骗外界。亩产万斤放卫星的事情，至今还没被教科书擦掉。 魅惑的原理与后果 为什么我们会痴迷于此，这恐怕得和最近两百年的科学文化胜利脱不开关系。近现代文明得以有飞速的发展，离不开“理性”两个字。理性是现代化启蒙的源头，理性、科学、实证替换感性、玄学、传言，将诸多现代发明带到我们身边，提高了我们的劳动生产效率，也带来了物质的空前富足。我们有什么理由拒绝理性呢？ 在另一个方面，从社会规训角度，大家会潜意识地认为：只要有公开透明的数字，那么我们就可以监督组织或个人实现其目的。无论这个组织是我们持有股票的上市企业，还是一般科研机构。这个人是标准化考试下的未成年人，还是绩效考核下的打工人。 指标文化甚至到了一种安慰剂的程度：即使没做出什么事情来，只要在不断收集数字，呈现数字，那么至少还会有些心理上的慰藉。这大概就是无效加班，没有功劳也有苦劳的内在自洽逻辑。 不过问题也显而易见：你测量什么，你才能优化什么，但你也只能得到什么。但越来越多的事实表明，指标之中存在陷阱。迷恋指标，只是带来粉饰、欺骗甚至是生命的代价。 首先是信息的扭曲，每个人对于指标的理解都不一样。计件工作是吧，那我先做容易做的。程序员的代码不好评估，那就去评估代码量、去评估工作时长。同样的数据，用春秋笔法，听起来也就没那么糟糕了不是。 同时存在的也有指标的操纵。粉饰业绩，让数据在不同的口径下进行对比。降低标准，以期让产品达标（对的，某奶制品企业）。或者报喜不报忧，喜欢听好话是吧，给个够，负面消息藏着掖着让后来的人吃个够。作弊造假自然也就见怪不怪了。 如何摆脱理性人 回到开头的案例，我们试着以朋友的思维来解决问题：首先，不必对指标过份解读。也许老板是随口一提，表达他的困惑。作为负责人，有理由去澄清和引导老板。迫于老板的“淫威”而改变口径降低标准，是放弃了自己作为主体人的权利，沦为工具理性的客体。接着，才是把注意力集中在核心的问题上，去解决问题。 但是有时候，我们不得不设立指标去追踪、记录和改善某件事。《指标陷阱》中提出了以下九点建议，我们得以按清单一一检查： 测量对象的类型：是人还是物，人的介入越多，测量的扭曲可能性越大 测量对象的意义：虽然有些东西很容易测量，但却离意义甚远 测量对象的数量：不是越多越好，测得越多成本越高 一定要标准化测量吗？有没有其他能表现效果的方式 测量结果的用户：是拿去直接做绩效奖金依据，还是作为宏观资源分布调控用 获取指标的成本：除开事实成本，也考虑机会成本 提出测量人的目的：有时候我们是执行某个人的测量，请弄清楚其目的 测量方法由谁来定：最好是被测量者本身，因为只有认同，才更能发挥作用 明白局限：再好的测量系统都会受制于目标转移 如果检查完上述的9条，还是很有把握应用指标，那么就请行动吧。毕竟指标化，有如此多的好处。当然，选择不继续指标化也是很正常的，并不代表个人、组织的失败。有的时候，基于生活经验的决策，带来的好运气也许更长久。 请时时刻刻记住其局限性，无论你是否是专业数据人员，明白局限，是智慧的开端。 参考资料 刘擎西方现代思想讲义 我们的未来 : 数字社会乌托邦 算法的力量 : 人类如何共同生存？ 指标陷阱 : 过度量化如何威胁当今的商业、社会和生活 https://kuhung.me/posts/your-brain-at-work/ Wed, 04 May 2022 11:36:48 +0800 https://kuhung.me/posts/your-brain-at-work/ 🔗 免费下载 pdf 稿 关于作者 https://kuhung.me/posts/m2-quantitative-trading/ Tue, 29 Mar 2022 21:04:26 +0800 https://kuhung.me/posts/m2-quantitative-trading/ 🔗 免费下载 pdf 稿 关于作者 https://kuhung.me/posts/the-almanack-of-naval-ravikant/ Mon, 07 Feb 2022 21:48:22 +0800 https://kuhung.me/posts/the-almanack-of-naval-ravikant/ 关于作者 https://kuhung.me/posts/the-four-steps-to-the-epiphany/ Fri, 07 Jan 2022 21:41:40 +0800 https://kuhung.me/posts/the-four-steps-to-the-epiphany/ 关于作者 https://kuhung.me/posts/techlead-vol-3/ Tue, 23 Nov 2021 15:56:41 +0800 https://kuhung.me/posts/techlead-vol-3/ 🌟 合集地址：《The Manager’s Path》中文翻译 注：没有特别声明，文中的“我”都指原作者 Camille Fournier 抉择：留在技术路线还是成为经理（管理路线） 成为经理还是留在技术路线是一个艰难的决定。这完全取决于你所处的环境，我不可能告诉你该怎么做。然而，作为一个憧憬并经历过这两条路线的人，我可以透露下我所幻想的、以及真实所见的。需要注意的是，这些只是为了表述方便进行的脸谱化描述，现实不完全相同。 高级技术路线的想象生活 你的每一天都在深度思考中度过，与其他高级开发人员一起，解决那些有趣、新颖的智力难题。这是软件开发，所以你知道会有一些繁琐的小事。你有很大的权力来选择你的工作，进而可以选择最有趣的部分。你喜欢编写代码、修复bug、让代码运行得更快、让计算机做新的事情，并且你可以把大部分时间花在这上面。 由于你的资历，经理会在开发开始之前询问你关于开发的建议。你知道正在发生的一切，但又不需要处理人事问题。你被邀请参加正确的会议，在那里做出重要的决定，而且没有影响到你的正常工作。大部分初级开发人员会尊重你、并相信你的每一句话，接受你的反馈，且没有过多地占用你的思考时间。 你的上升轨迹永远不会放缓，你总是可以解决新的、大的问题来向组织展示你的价值。你工作很努力，很少被要求加班或周末工作。当你工作到很晚时，那是因为你专注于工作，迫不及待想完成手头的功能或修复刚刚发现的错误。 你可以写书、发表演讲并发布开源作品——如果有一些运气和坚持，你会赢得一些行业名声。在你表达时，没有人关心你有点尴尬或害羞，也没人期望你改变自己的沟通方式。你说的话很重要。你所在组织中的每个人都知道你是谁，了解你工作的价值，并尊重你的意见。 简而言之，你在投入的工作、名望和积累的专业知识之间取得了完美的平衡，这使你成为无价的、受人尊敬的、高薪和有影响力的技术大牛。 高级技术路线的真实生活 当你处于正确的项目，以及项目的正确生命周期阶段时，你的生活就很棒。虽然面临挑战，但可以学习新事物。你对日常工作有很大的控制权，而且会议的次数肯定比管理同行要少，但你的日子并不总是在幸福的状态中度过。 每个项目都有一个阶段，你需要将想法推销给其他人，试图说服他们这是正确的方法。可能你已经实现了这个系统，但现在你需要让其他团队开始使用它。你花上好几天时间，向他们展示来龙去脉，解释它为什么有用，试图说服他们、游说他们的经理采用它。 你的上升轨迹并不像你希望的那样快速和容易。事实上，它非常缓慢。那些证明你是一位无价开发者的大项目很难找到。团队不需要新的编程语言、新的数据库或新的 Web 框架。你的经理不擅长给你布置向整个组织展示你才能的重要任务；他希望你告诉他这些机会在哪里。 发现好的项目似乎是运气问题。选择糟糕的项目，尽管你尽了最大努力，但仍会花费数月甚至数年的时间来完成一些可能会被取消的项目。你有点嫉妒你的管理朋友，他们在不断壮大团队的同时，似乎升职迅速。 与其他开发者的关系也是不好不坏。你是个不错的人，所以他们中的一些人钦佩你并听取你的意见，但其他人似乎嫉妒你的影响力。初级开发人员要么想占用你大片时间，要么出于某种原因害怕你。“谁来领导大型的、有趣的项目？”在这个问题上，同辈之间存在竞争。 你的经理也是麻烦的来源。他并不支持你开源系统的愿望，即使你认为这提供了行业需要的新思路，将为行业带来转折和变革。他建议如果你想发表演讲或写书，应该花费个人时间。他会寻求你对技术问题的反馈，但有时会忘记告诉你计划有变，直到你已花费大量心思。 你怀疑你错过了重要信息，因为你没有出席该参加的会议。但每次他邀请你参加这些会议时，你都会想起他们是多么无聊和低效，以及你有多少宝贵的专注时间被浪费。他对你希望摆脱繁琐工作的期望（如回复电子邮件、面试或及时回复代码审查）并不上心。 尽管如此，你大部分时间都可以构建软件。你可以将时间花在技术问题、系统设计和工程问题上，而不必与人打交道或坐在无聊的会议上。你通常可以选择你的项目，如果你想尝试些新的东西，可以较为容易地更换团队。你刚刚发现你的薪水比你的经理高！所以，生活并不全是坏事。 管理路线的想象生活 你有一个团队，你有控制权，你有决定权，你可以让别人按照你的方式做事。你的团队尊重你，并乐于在所有事务上服从于你的权威。你认为他们应该写更多的测试吗？你告诉他们，“写更多的测试”，他们就做到了！你想确保每个人都得到公平对待，无论他们的性别、种族。为了确保实现这个目标，你解雇任何有越界行为，或为团队其他成员创造不健康环境的人。 因为你的出发点是好的，成员知道即使他们不认同你，你做的事情也是为了他们好。他们为你解答疑惑，在你一团糟或希望收到反馈时，以公开的方式为你提供反馈。与人打交道压力重重。他们知道你关心他们，所以这项工作的回报也不少。你处于教练的位置，且很快会看到教练技巧发挥了作用。 当你看到另一位经理做错了事时，你可以自由地向他提出建议，就像与另一位需要系统设计帮助的工程师交谈一样。其他经理总是很乐意听你的想法。他们看到你让团队工作的效率提升，你关心组织健康的关心程度，也关心让每个人都变得更好的因素。 你的经理给了你很多指导，但很少介入告诉你该怎么做。当你准备好接收一个更大的团队时，你的经理愿意给你更多的人并扩大你的团队。他给你的目标很明确，很少改变。即使你有很多责任，你仍然有一些时间写博客文章和演讲。这是值得鼓励的，因为它会帮助你的团队招聘并提高你在科技行业的地位。 简而言之，你可以做出关键决定，你创造文化，你的效率对你周围的人都是有目共睹的。你的晋升之路更快，你的职业生涯令人兴奋和有利可图。 管理路线的真实生活 你有一个团队。你有一定的控制权，但你很快发现让人们做某事比口头说说难多了。你似乎已经放弃了对自己日常生活的所有控制。大多数情况下，你整日都在开会。 当你只有一个小团队时，你能够平衡时间且仍编写代码，但随着团队的发展，你已经几乎不写代码了。你知道该写代码，但你没有时间。专注于编写大型系统代码似乎已经成为记忆。 你可以做出决定——一些决定。实际上，你也许可以缩小将要决定的事情的范围。你可以让你的团队专注于一些事情，比如编写更好的测试，但他们仍然有一个产品路线图要实施。他们对应该优先做哪些任务有自己的想法。你不仅仅是自己做决定，还需要引导团队的决策方向。 你的经理给你目标，但有时会突然改变这些目标，你需要向团队解释这些变化。你为团队设定了文化榜样，这有好有坏。当他们学到了你好的方面是值得开心的，但团队有时也会放大你的缺点。你的团队自然不会只是同意、尊重和喜欢你。权威不仅仅靠一个头衔赋予。 当项目进展不顺利时，你会发现自己得想尽办法激励他们。他们中的一些人不开心的时候是不会告诉你的，直到他们厌倦并且准备离职。 当公司发展顺利，你会收到很多金钱回报，有很多令人兴奋的项目可以开展，生活很棒。但当事情有压力的时候，你就会发现让人们开心的力量是多么的微不足道。 尽管如此，你仍然可以看到你的工作对他们中的一些人很重要。因为你的指导，他们更快乐、更成功。这些小小的确幸支持你度过艰难时期。 其他经理对你的反馈不感兴趣。事实上，当他们认为你在侵占他们的地盘时，他们会抵触你。 上级经理不同意你扩大的团队，并且无法真正解释原因；他的领导技巧还有很多不足之处。也许他只是担心你会超过他？他绝对不希望你把所有时间都花在演讲上。当你离开办公室太多时，他会生气，无论团队可能从中获得什么价值。 在不损害同事或老板的情况下弄清楚如何领导比你预期的要棘手。但是，如果你能组建一个更大的团队，你知道你会得到晋升，所以至少你的道路是清晰的。当你发现为你工作的高级工程师比你赚得多时，你会心里不平衡。你想弄清楚如何快速组建更大的团队。 我最后的建议是：如果需要，你可以切换路线。人们在某个时候尝试管理，意识到不喜欢，然后回到技术路线是很常见的。每个角色都有优点和缺点，你可以自行感受自己最喜欢什么。 好经理、坏经理的区别：流程崇拜 流程崇拜者信奉：一个真正的流程如果正确实施并按设计遵循，将解决团队的所有问题。流程崇拜者可能会沉迷于敏捷、看板、Scrum、精益甚至瀑布方法。他们对 on-call 应该如何工作、如何进行代码审查、发布过程必须如何运作有非常明确的想法。他们往往非常有条理，对细节很满意，他们善于理解规则并准确地遵守它们。 流程崇拜者通常出现在测试、中台或项目管理小组中。他们在咨询机构和其他衡量过程来评判回报的地方也很常见。他们可以成为项目管理团队中非常有价值的成员，因为他们倾向于确保任务不被遗忘，并且一切都按照应有的方式进行。 当流程崇拜者没有意识到大多数人并不像他们那样擅长遵循流程时，他们会陷入矛盾。他们倾向于将所有问题都归咎于未能遵循流程，而不是承认灵活的必要性以及意外的必然性。他们通常专注于易于衡量的事物，例如在办公室工作的时间，而忽略了那些无法衡量的事物。 相信“合适的工具能解决一切问题”的工程师在成为技术主管时可能会变成流程崇拜者。他们寻找合适的工具来解决时间管理和优先级排序等所有问题。他们试图在寻找到好的流程前停止所有工作，或者不断在团队中推出新工具和流程。 与流程崇拜者相对的，不是完全放弃流程的管理者，而是理解流程必须满足团队和工作需要的人。具有讽刺意味的是，虽然“敏捷”通常以僵化的方式实施，但敏捷的原则是对健康的流程领导的一个很好的总结： • 独立和互动胜过流程和工具 • 工作软件优于复杂文档 • 客户协作而非合同谈判 • 响应变化而非遵循计划 作为一名新的技术主管，要小心依靠流程来解决由于团队沟通或领导力差距而导致的问题。有时流程的改变是有帮助的，但它很少是灵丹妙药，没有两个伟大的团队在流程、工具或工作风格上看起来完全相同。 我的另一条建议是寻找自我调节过程。如果你发现自己扮演着任务主管的角色，与其批评那些违反规则或不遵守流程的人，倒不如看看流程本身是否可以改变得更容易遵循。扮演规则警察是在浪费你的时间。 作为流程崇拜者的经理，你需要帮助他更轻松地应对模棱两可。与许多经理所踩的坑一样，对流程的痴迷可能与对失败的恐惧和控制事物以防止意外发生的愿望有关。 如果你诚实并明确表示失败和不完美是安全的，那通常就足以让你的流程崇拜者放松一点并容忍模棱两可。防止流程崇拜者花大量时间寻找完美的工具或流程，尤其重要的是要确保他们不会因为未能遵循流程而惩罚他们的团队。 如何成为一名出色的技术主管 优秀的技术主管有许多特征，但下面这些是最重要的。 了解架构 如果你担任技术主管，但觉得自己没有完全理解所支持的架构，请花点时间了解它、学习它。了解它如何影响它所支持的产品，这些产品的核心逻辑在哪里。当你不了解你正在改变的架构时，几乎不可能很好地领导项目。 成为一名团队合作者 如果所有的有趣工作都是你在做，请停下来。看看那些棘手、无聊或烦人的领域，你是否可以解决这些问题。处理代码中繁杂的部分可以提供你很多关于流程哪里出错的信息。对于无聊或令人沮丧的项目，有经验的人花时间查看它们通常可以发现并修复一些明显的错误。 https://kuhung.me/posts/techlead-vol-2/ Sat, 13 Nov 2021 15:56:41 +0800 https://kuhung.me/posts/techlead-vol-2/ 🌟 合集地址：《The Manager’s Path》中文翻译 注：没有特别声明，文中的“我”都指原作者 Camille Fournier 管理项目经历 回到我第一次担任技术负责人的时候，我的团队正在执行一项非常复杂的任务：分布式系统迁移。我们一个现成的系统在单机已经到达了它的理论极限。在倾尽所学优化它之后，我们决定是时候弄清楚如何在多台机器上运行它了。 这还是分布式系统萌芽的初期，当时大多数软件开发人员对构建它们的最佳实践知之甚少。但我们有一支优秀的聪明的团队，我们有信心解决这个问题。 我们确实搞定它了，虽然缓慢但毋庸置疑。我们花了很长时间思考、设计和拆分计算。当跨多台机器计算时，这个过程是非常重要的。然后有一天，我的老板迈克把我拉到他的办公室，告诉我：需要制定一个项目计划。 糟糕的体验 这是有史以来最糟糕的经历之一。 我不得不接受这项极其复杂的任务，并试图找出哪些任务依赖于其他任务。我不得不考虑各种依赖关系。我们如何让它在我们复杂的测试框架中运行，我们将如何部署它，我们什么时候采购硬件来测试它，集成测试需要多长时间？问题不断涌来。 我走进迈克的办公室，坐在他对面的大木桌旁。我们会讨论任务细节、时间节点和意外情况。他会帮我解决部分问题，然后把更多的工作分发给我。 这不是我喜欢做的事情。我必须克服不确定性和对犯错误的恐惧，对遗漏的恐惧，以便制定一个能够通过迈克的计划。接着又得进行一轮繁琐的工作，将其整理成某种容易理解的形式，我们可以呈现给领导团队，以便他们认可。 重要的学习经历 敏捷开发不是摆脱了对项目管理的需求吗？ 不。敏捷开发是一种拆解工作的好方法，因为它迫使你专注于将任务分解成更小的块，规划这些更小的块，并以增量方式交付而不是一次性交付。 这并不意味着你无需了解如何进行项目管理。 你会有一些项目，无论出于何种原因都无法在一个迭代中完成，甚至无法在两个小迭代中完成。你需要为你的管理团队估算项目时长，并详细说明为什么你认为事情会花费那么长时间。 有一些项目，例如基础设施、平台或系统等，需要架构或重要的高层次规划。当面对这种包含许多未知数和相对严格的截止日期的项目时，你会发现它不太适合标准的敏捷流程。 随着你的职业发展，你需要了解如何分解复杂的工作。这些工作可能超出了你作为个人的能力范围。一个长期运行的、基于团队的项目的管理并不是那么有趣。 为什么项目管理很难 我想写代码并获得直接反馈，而不是考虑如何分解非常模糊的项目实施细节。 我担心我会被追究责任，并且我可能会在这个过程中错过一些重要的事情，这将使项目失败。 项目管理并不等同于每一项工作都被详细计划，它的作用在某些组织中被过度夸大。 我甚至不喜欢招聘项目经理，因为他们经常阻碍工程师，而非思考他们将要做的工作，并就他们在做什么以及为什么要做提出真正的问题。他们的存在意味着你有更多瀑布式项目而不是敏捷过程。 尽管如此，项目管理仍然必须进行，作为技术负责人，你应该在需要时进行管理，尤其是对于技术性很强的项目。 项目管理价值 归根结底，计划的价值不在于你完美地执行计划、事先抓住每一个细节，准确预测未来；而是在项目动手之前，深度思考项目：稍微看远一些，在你能预测和计划的地方找到参考系。计划本身并没有行动重要，无论结果表明计划是多么准确。 回到我的第一个项目管理。 项目是否按计划完美运行？当然不是。有bug、意料之外的延期以及我们没有注意的事情。然而，我们仍然接近约定的时间交付了该项目，并且没有通宵赶版本。 我们设法将这个复杂系统迁移到分布式系统，40名开发人员一起针对主代码分支进行了自己的分支更改。所有这一切都是可能的，因为我们有一支很棒的团队。我们制定了计划。我们已经考虑过成功是什么样子，并确定了一些可能导致失败的风险。 自从与迈克的那次令人沮丧的会议之后，我举行了一系列项目规划会议。我坐在迈克的位置上，而我对面是卡罗、艾丽西亚或蒂姆。他们每个人都感到了计划缺乏细节的挫败感。他们每个人都有去做一些令自己不舒服的工作，去思考那些不是代码、无法完美预测的事情。 由于这项工作，他们每个人都带领复杂的项目取得了成功，并且现在他们了解分解项目的真正含义，从而更有能力构建更大的系统和领导更大的团队。 花时间澄清 取得博士学位的最后一步是答辩。在这个阶段，作为博士候选人，经过多年的研究，你需要在所处领域的专家小组面前展示你的工作结果。他们将判断你的成果是否值得获得博士学位。 多年前，我有幸获得了美国最负盛名的应用数学方向的数学博士学位。小组中的一位评委是数值分析领域的著名数学家。在我（成功地）答辩之后，他对我说的话在我整个工作生涯中伴随着我。他说：“你的论文是我多年来读过的最清晰、最清晰的论文之一。谢谢！” 我当然很欣慰，但也对他的话感到非常惊讶。我原以为他是世界一流的数学家，他会“无所不知”，只用“观察”就知道我的论文质量如何。事实上，正如他所解释的，他能够做到这一点，只是因为我不厌其烦地解释了问题空间的基本思想以及我想法背后的动机。 我一直没有忘记这个教训。从那时起，在软件和大型组织工作多年后，我更加牢记了澄清的重要性。 软件工程中的澄清 我们认为我们的管理层“理解到了“我们作为技术人员所做的事情。只需“阅读代码，伙计！”。我们每天编写的软件对任何从事技术工作的人来说都应该是显而易见的，对吧？但事实并非如此。技术经理雇用最好的人，寄希望于他们能够解决难题。但经理们并没有完全“理解”这一切。 当我能够以一种不具威胁性和不居高临下的方式向他们解释一些非常基本的现代思想（例如，这些 NoSQL 的内容是什么，我为什么要关心？）时，高级技术经理很是开心。 最近，一位高级业务经理私下问我为什么要将传统部署的客户端架构迁移到托管平台。他承受着很大的内部压力来推动这项工作，但他不知道为什么这是必要的。他也可能太不好意思公开询问了。我花了两个非常有成效的小时来解释。 我现在从不犹豫，借此机会向高级或初级成员解释基本知识和动机。它在不让他们感到渺小的情况下帮助了他们，他们学会相信我的判断和建议，我们带来改变。 花时间解释是非常重要的。 管理项目101 项目管理是：将复杂的最终目标分解成更小的部分，将这些部分大致按最有效的顺序排列，确定哪些部分可以并行完成，哪些必须按顺序完成，并尝试梳理找出可能导致项目放缓或完全失败的项目的未知因素。 你正在解决不确定性，试图找到未知数，并认识到尽管你尽了最大努力，你还是会在此过程中犯错误并错过一些未知的东西。 这里有一些指导方针： 分解工作。拿出电子表格、甘特图或任何对你有用的东西，开始把你的大可交付成果（比如，重写你的计费系统）分解成任务。 从最大的部分开始，然后将大的部分分解成更小的部分，然后再将它们分解成更小的部分。 你实际上不必自己做这一切。如果系统的某些部分你不太了解，请向了解的人寻求帮助。 把大事分解一些，然后把注意力转移到工作的顺序上。 什么可以立即开始？将这些任务交给能够真正将它们转化为简单任务的人。 推进细节和未知数。项目管理的诀窍是当你感到有点卡住或厌倦时不要停下来。 正如我之前所说，这很累很乏味。这可能不是你擅长的事情。因此，继续努力克服那些刺激、无聊和痛苦的点。 一个好的经理会和你坐在一起，告诉你哪里不够好，提出问题来提示你，甚至和你一起解决一些问题。 我们也不喜欢它，但它是教学练习的一部分。解决未知数，直到你真的觉得花时间在它们上面没有任何价值。 运行项目并随时调整计划。一个好的计划过程的价值在于，它可以帮助你大致了解项目已经进行了多远，以及距离完成还有多远。 随着事情的进展（他们总是如此），让每个人都了解状态。但是现在，你不必猜测你必须走多远，而是可以清楚地指出已达到的里程碑并概述预期的剩余工作。 使用在规划过程中获得的洞察来管理需求变更。 在给定原始需求集的情况下，通过分解项目，你学到了很多东西。 如果需求在中途发生变化，请知悉这些变更并将计划进行调整。 如果变更给项目增加了重大风险，需要进行大量新的规划，或者只是需要额外的工作量，请清楚这些成本。 如果截止日期严格，粗略地了解所需的工作将帮助你确定优先级、削减和简化工作，以在功能、质量和交付日期之间取得最佳折中。 https://kuhung.me/posts/techlead-vol-1/ Sat, 23 Oct 2021 15:56:41 +0800 https://kuhung.me/posts/techlead-vol-1/ 🌟 合集地址：《The Manager’s Path》中文翻译 注：没有特别声明，文中的“我”都指原作者 Camille Fournier 背景介绍 多年前，我成为技术负责人。在这之前我已经晋升为高级工程师，和其他几位高级工程师在一个小团队中工作。我对被提升为技术负责人有点令人惊讶，因为无论是头衔还是年限，我都不是团队中最资深的人。 回想起来，我有一些优势。首先，我不仅仅是一名优秀的工程师，还是一个很好的沟通者。我可以写出清晰的文档，我可以在思维不短路的情况下进行演示，我可以与不同团队、不同角色的人交谈并解释发生了什么。 我也擅长优先级排序。我渴望推进工作并搞清楚下一步需要做什么。最后，我愿意收拾残局，做能做的事情来取得进展。我认为，这种务实的紧迫性（pragmatic urgency）是决定性因素。毕竟，技术负责人是一个领导职位，即使它不是管理职位。 （译者注：领导（lead）意味着需要做出关键性决策，对团队的业务发展负责。管理（manage）意味着塑造团队，有权决定团队的构成。一般而言，技术负责人是技术管理者与其他成员的桥梁。两者的进一步区别，可以参见本系列 tech lead 的第三部分。） 我见过技术负责人陷入困境。 一个印象深刻案例：他是一位了不起的工程师，能编写出色的代码，但讨厌与人交谈，并且经常被技术细节分心。我看着他一个接一个地陷入困境。与此同时，产品经理利用他的缺位，促使团队的其他成员将注意力集中在交付设计不佳又过于激进的功能。 项目一团糟，技术负责人在做什么？他追求下一次重构，因为他确信问题完全出在代码的结构上。你可能熟悉这个故事，因为它无处不在。 这里存在一种误区：认为技术负责人应当由这样的人担当，他们是最有经验的工程师、能够处理最复杂的功能或编写最好的代码的工程师。即使是有经验的经理也会犯这个错。专注于自己的代码细节不是技术负责人的该做的事。 技术负责人的工作到底是什么？我们对这个人有什么期望？ 什么是技术负责人 与软件工程中的许多头衔一样，“技术负责人”缺乏一个统一的定义。我能做的最好的事情就是借鉴我自己的经验和其他人的经验。 作为技术负责人，我的工作是继续编写代码，但要承担额外的责任。即做好团队和管理者的衔接，审查我们的功能交付计划、处理项目管理过程的诸多细节。 尽管我不是最资深的人，但我可以成为技术负责人，因为我愿意并且能够承担这个角色的责任，而团队的其他成员更感兴趣的是专注于他们正在编写的软件。 当我在 Rent the Runway （一家公司）的团队创建我们的工程职业发展路径时，我们有意识地选择将技术负责人的角色定义为：工程师可以在职业生涯中的许多点，而不是特定级别上承担的事务。 我们采取这种策略是因为我们认识到，随着团队的变化和发展，技术负责人的角色可能由许多不同阶段的工程师担任，并且可能会从一个工程师传递到另一个工程师身上，无需任何一个人改变他的职能或工作级别。 技术负责人在公司与公司之间，甚至在公司内部的团队与团队之间可能并不完全相同。我们从标题中知道，它既是技术职位又是领导角色。它通常是临时的职责，而不是一个永久的头衔。 所以，综上所述：什么是技术负责人？这是我们在 Rent the Runway 的口径： Rent the Runway 关于技术负责人的描述 技术负责人不是职级上的一个点，而是任何工程师在达到高级水平后都可能承担的一系列职责。 这个角色可能包括也可能不包括人员管理，但如果包括，技术负责人应该按照 RTR 原则管理这些团队成员。这些标准包括： • 定期（每周）1-1 接触 • 关于职业发展、目标进展的定期反馈：需要改进的地方，并根据表现进行表扬 • 在各种信息中确定成员的发展方向，通过特定项目、外部学习或额外指导帮助他们在这些领域成长 如果技术负责人不直接管理，他们仍然需要为团队的其他成员提供指导和帮助。 技术负责人如何成为一名强大的技术项目经理？他们通过有效委派而非微操管理来实现这一目标。 他们关注整个团队的生产力，努力增加团队产出产品的影响力。他们有权为团队做出独立决策，并正在学习如何处理麻烦的管理和领导情景。他们还在学习如何有效地与产品、分析以及其他业务领域的同事合作。 技术负责人还写代码吗 正如 Patrick Kua 在他的书《Talking with Tech Leads》中的描述：负责（软件）开发团队的技术负责人，至少花费 30% 的时间与团队一起编写代码。 技术负责人的位置更像是技术型的项目经理，需要在更大范围内利用他们的专业知识，促使整个团队变得更好。他们可以做出独立的决策，并在团队与其他非技术团队的协调方面发挥重要作用。你会注意到这里没有特定的技术向工作。这是一个高级工程师职位，但将技术负责人等同于团队中最优秀或最有经验的工程师是错误的。 没有其他人的参与，你就无法领导。人际交往能力是我们要求新的技术负责人需要强化的地方，甚至优先于技术专长。与此同时，技术负责人将致力于一项新技术技能学习：项目管理。分解项目的工作与设计系统的工作有很多相似之处，即使对于不想管理他人的工程师来说，学习这项技能也很有价值。 如果你发现自己处于技术负责人的位置，那么恭喜你！有人认为你具备成为团队关键人物的条件。现在是学习一些新技能的时候了！ 成为技术负责人 **技术负责人是一种在未授权状态下，练习影响力的机会。**作为技术负责人，我正在领导一个团队，但我们都向同一个技术经理汇报。因此，我不仅要影响我的同事，还要影响我的经理，以确保我们优先聚焦正确的工作。 https://kuhung.me/posts/growth-hacking-01/ Sun, 10 Oct 2021 23:11:13 +0800 https://kuhung.me/posts/growth-hacking-01/ 诸多科技公司都热衷的增长黑客是什么 增长，自古以来是一个永恒的话题。宇宙在膨胀、国家经济在增长、数不胜数的公司也在这片土地上扩张。可以说，没有一个带自主意识的东西，是不在扩张边界的。即使是在零和博弈中，一方的衰减也伴随着另一方的增长。 增长黑客这个词，也是最近网络上的一个热词。同人工智能、数据算法一样，很多新兴高科技公司，都想通过这种模式，实现快速的跨越式的增长。实际情况到底是怎么样的，如何做好增长，今天我们就来缕一缕思路。 由于我本身工作就和数据相关，且和数据中的用户相关，因此会添加更多数据、算法的模型角度观点。从一个数据挖掘工程师的角度，来看待增长这么回事。 增长没有银弹 首先要明白，增长黑客这个做法不是银弹。没有说我搞了这一套东西，组建团队，引进了增长黑客相关的人员，就能够实现跨越式的增长。增长和数据驱动本身并不冲突，甚至是一件东西的不同角度侧写。只有当你明白这个东西的期望上限时，你才会明白瓶颈在哪里，以及这个瓶颈是否是目前制约你的因素。 那什么是增长的基础前提呢？我认为有两个方面，一个是有一个至少能用的产品，有忠实的拥簇。不至于说咱们的产品还没搞出来，就指望着搭建增长团队了。第二个，是企业能有数据驱动的文化，有谦虚和平和的工作氛围，允许犯错。这是为了保证增长业务在跨部门时，能不受限于各个部门间的藩篱。 从我个人的经验来说，市面上不缺能用、好用的产品，缺的是具备增长条件的公司文化氛围。在类似361系的文化中，KPI制胜，已经严重制约了用事实数据驱动增长的工作模式发挥作用。因为粉饰数据就能够获得好的回报，你去较真，往往吃力不讨好。没有人愿意去试错，你失败了就得接受最低绩效走人。没有人愿意说真话，也没有人愿意接受其他人的合作。所以，如果你在类似的独裁式的公司，应当先考虑的不是增长，而是如何保证业务不衰败。 开启增长循环 很幸运的是，我也看到很多公司具备上述两个条件。好的产品+谦逊合作的公司文化。那么，我们就该步入正题，谈谈如何做好增长这个过程。增长的预期效果，如果要用一句话概括，那么就该是：通过数据，找到高效的获客方式，更快激活用户、让用户体验到产品的aha时刻且形成习惯，灵活适应客户的需求变更，让用户成为产品的口碑传播者。这么一套下来，增长是自然而然的事情了。 通过对于用户生命周期的分析，我们可以将其分为以下四个阶段。获客、激活、留存以及变现。在不同的阶段，我们有不同的关注重心。总体而言，我们关心的是：什么渠道的客户，是如何体验到产品的aha时刻的。即渠道和产品的匹配以及用户和产品的匹配。 获客阶段，我们的目标是优化成本，扩大规模。因此我们希望能够找到最高ROI的渠道，在现有渠道不断迭代素材，优化转化率。从产品设计角度而言，适当引入病毒传播元素，让用户分享产品的体验必不可少。对于社交类产品，网络效益的挖掘也十分重要。更多的用户带来更好的产品体验，即网络效益。 激活阶段，我们的目标是让用户真正使用你的产品，体验到“让人眼前一亮”的功能。关注每个环节的转化漏斗，明确产品的aha时刻，让新用户尽可能快地体验到aha时刻。这个阶段，我们关注特定用户群面临的障碍，通过用户研究等方式，获得玩家真实想法。总体而言，这个阶段的杠杆最大，也是最值得花精力的。 留存阶段，我们的目标是唤醒并留住用户，确保用户的真正活跃。我们希望产品已经成为用户生活的一部分，且用户真正从产品（服务）中获得满足感。应当明白的是，留住用户的是产品质量，是因为我们提供的产品或服务，能够持续满足用户需求，或让他们感受到愉悦。在这一阶段，我们常常关注触发物的设计，通过合理设计触发物，使用户形成习惯。 变现阶段，我们的目标是提高每位用户的收益。当然，也有一种说法是，只要你做好产品，收入自然会尾随其后。变现值得关注，但它绝非关注的重点。优化变现，常常通过漏斗图的方式，去关注每个环节的摩擦。除此之外，合理的定价，也能给产品带来可观的收入。 总结 当谈起增长的停滞，我们总是会发现各种各样的原因。有的公司是取得主导地位后心态膨胀，不再关注自己的核心产品或服务，转而扩张到其他业务。有的是过度依赖某些渠道，直到渠道变化，被掐断流量。也有的是公司文化建设不善，人才流失严重。其实，最最常见的是，公司疏于检测用户的满意度，忽视了用户的早期不满情况。 除开外部市场变化，竞争对手的创新我们无法控制，以上的种种，我们都有措施规避。时刻保持警惕，要明白增长永无止境。深入理解用户体验aha时刻的路径，不断去理解和优化这一过程。发掘新渠道，引入新视角，都可以避免上述问题。 当然，从我个人的视角而言，最最重要的还是：保持谦逊，对用户心怀敬意，对增长的目标永远坚定。 参考资料 《增长黑客》 关于作者 https://kuhung.me/posts/30186119/ Thu, 07 Oct 2021 21:33:50 +0800 https://kuhung.me/posts/30186119/ 关于作者 https://kuhung.me/posts/confrontation-01/ Mon, 13 Sep 2021 09:03:51 +0800 https://kuhung.me/posts/confrontation-01/ 冲突管理三步骤 “不在沉默中爆发，就在沉默中灭亡。”这句话原本是周树人用来描绘旧中国反动派统治下的场景，但今天的很多场景也很适用。在人类社会中，由于各种理念的差异、资源的不均，冲突从来没有停止过。面对冲突，我们最常见的要么是沉默、要么就是爆发。 改善冲突管理技巧，对于我们的生活将大有裨益。首先，冲突很多时候是因为他人不符合自己的预期，提高冲突处理技巧能鼓舞他人对事情负责。其次，有效的冲突处理，能够给他人带来信任感，让他人更加信任你。最后，在职业生涯中，管理得当的冲突，能够给组织结构带来可预见性。 今天，我们就冲突这个话题，展开讲讲如何处理它。分为冲突之前、冲突进行中以及冲突的后管理。以下的思路框架来源于《关键冲突》，看完全文且感兴趣的同学，可以去阅读原著。 冲突之前 看到一个不合预期的情况，很多人的第一反应，大概就是直接冲上去了吧。这个反应很正常，但今天起，你应该稍微停下来，思考下：这真的是个问题吗？这个观念和《你的灯亮着吗》如出一辙。强调的是：不是所有问题都真的需要解决，也不是所有问题都需要你解决。 目标和意义 具体怎么做，首先要明白事情的目标和意义。冲突是第一次出现，那么请关注冲突的内容，不要轻易上升程度。冲突再次出现，则应关注模式。是不是什么流程出了问题？冲突多次出现，则应该关注下你和冲突方的关系了。同时审视自己，是在不该沉默的时候，选择了沉默吗？ 梳理头绪 冲突面前，最应该克制的便是情绪化。情绪是一头猛兽，会干扰你的判断。如果还有第三方介入，则这个第三方可以通过操控情绪，影响你的判断。所以，请先克制住上头的感觉，克制先入为主的观念。从人、社会 以及组织的角度，综合分析影响的源头。逐步还原真相。 冲突进行时 面对冲突，首先要做到不去妄下定义。而是通过描述现状的模式，向对方询问问题的来龙去脉。 明确冲突的来源，是动机不够、还是能力不够。不同的原因有不同的应对措施。 制造动机 当对方缺少动机时，要做的是给予对方做这件事的动机。可以通过正反两种未来场景的描述，到达目的。说明目前的错误行为，对于各方的负面影响。预测正确行为将给到其他人的积极结果。最后，明确目标、责任人以及时间节点。定期检查结果。 简化问题 除了动机，能力也会影响一个人做某事的态度。你让我一个拧螺丝的去造火箭，那我即使想完成，也很难胜任不是。所以，在缺乏能力时，应尽量帮助对方简化问题。通过提问的方式，和对方一同探寻问题的根本原因。适当的，引导去关注潜在的影响因素。当能力得到匹配之后，再检查动机是否具备。 随机应变 进展不可能一帆风顺，多少你会遇到意料之外的事情。当对方感觉不安全时，先跳出话题，营造一种安全的感觉。语焉不详时，抓住这个点澄清事实。当插入突发话题时，标记好之前的话题进度，稍后回到原议题。当对方情绪化时，引导对方关注事实的经过，减少情绪化对判断的影响。 冲突之后 最后别忘了，冲突解决了不等于问题解决了。明确执行计划并跟踪进展，是善始善终的重要一环。明确何人、何时、何地做何事。明确每个人的责任和工作内容。和对方一同确定检查的时间节奏。 总结 面对冲突，核心还是在于沟通。当然，沟通也是需要技巧。以一个平等、尊重的视角，梳理冲突的经过。对差异的来源进行诊断，从能力和动机两个维度，激励他人。最后，定期检查，时刻回顾。这就是冲突处理的核心技巧。 https://kuhung.me/posts/strategy-safari/ Tue, 07 Sep 2021 21:18:54 +0800 https://kuhung.me/posts/strategy-safari/ 关于作者 https://kuhung.me/posts/storytelling-with-data/ Sun, 05 Sep 2021 21:38:31 +0800 https://kuhung.me/posts/storytelling-with-data/ 关于作者 https://kuhung.me/posts/competing-truth/ Sun, 15 Aug 2021 23:17:46 +0800 https://kuhung.me/posts/competing-truth/ 关于作者 https://kuhung.me/posts/the-effective-engineer-01/ Mon, 09 Aug 2021 09:12:06 +0800 https://kuhung.me/posts/the-effective-engineer-01/ 软件开发的正确思维，聚焦高杠杆活动 作为技术序列的工程师，我时常在想，什么样的角色将会是我五年、十年后所扮演的。目前来说，工作三年有余，在某些公司内，已经可以算是高级甚至是资深工程师。不过，对于我来说，赋予title起的作用，并没有做成一件事兴奋。我时常在好奇，别的工程师的工作方法和我一样吗？我目前的工作方法是最优的了吗？ 带着这样的疑问，也关注了硅谷大厂程序员的一些博客，同时也阅读了一些软件开发的经典之作，例如《人月神话》、《大教堂与旧集市》、《程序员修炼之道》等。这些内容都是很好的基础，为我软件开发的职业道路，树立了基本的职业价值观。不过今天，要推荐另外一本书《The Effective Engineer》。本书目前还没有中文版本，作者经历过硅谷的大小厂，Google、Quip、Quora等，从他的角度，总结了一些很有道理的内容。 该书的核心，聚焦在一个杠杆二字。所有活动的目的，都是最大化杠杆的效果。这点和的之前讲的财富38条法则不谋而合。在上次的法则中，同样强调了杠杆的效用。而软件开发领域，本身就是一个高杠杆活动。你开发的软件，可以只供团队内数十人使用，也可以供数以亿计的用户使用。 该系列整体分为三条，咱们逐一拆解。 软件开发的正确思维 聚焦高杠杆活动 作者认为，软件开发的核心：不是用了多么炫酷时髦的技术，不是你懂的技术别人不懂（技术垄断），而是解决业务问题。只是恰巧，工程师的角色定位，让我们能够借助软件程序解决问题。 在这个过程中，去聚焦高杠杆活动，充分发挥软件程序的优势。用杠杆率去衡量自身的产出，有计划地增加杠杆的效率。 例如：有没有方法更快完成项目？有没有方法让项目的作用更大？如果不做这个项目，有没有其他杠杆率更高的项目？ 优化学习 这里的核心观点在于，学习是存在复利效应的。无论外界如何变化，一定要掌握自己的学习节奏。寻找能够提供成长的环境，结合工作中的其他人的能力，提升自己的能力。除了工作内容，工作外的技能也应有所精进。 更迭优先级 我们都知道，事情可以根据四象限法则，分为重要紧急、重要不紧急、不重要紧急、不重要不紧急。最后一个能不做就不做，倒数第二个能晚做就晚做。前面两个优先做，重点做。 在这一环节，聚焦能够直接产生价值的地方。如果担心被打扰，则可以设置一个番茄闹钟，以减少场景切换的可能。为了减缓拖延，可通过自我目标设定，自我陈述的方式：”如果，就“来有序安排工作。 在执行上下功夫 投资迭代 在软件开发领域，有一个著名的MVP理论，即最小可行性原型。该方法除了快速验证假设外，也起到快速迭代的作用。迭代越快，我们能学到的就越多。熟练掌握工作，多在迭代上下功夫。 测量指标 没有测量，就没有改进。这是著名管理学理论。在软件开发领域也是如此。当然，衡量程序员的产出，不是靠代码行数或者bug数，而是其实际的产出价值。这也要求我们谨慎地选择衡量指标。理解数字，诚实看待数字。 尽早验证想法 一如前面的MVP原则，我们尽早验证想法，通过迭代减少浪费。如果有必要，我们还可以通过A/B测试，来检验实际效果。 项目评估技巧 大部分时间，我们也会面临项目周期评估的问题。作者建议，在排期中设立回旋余地。拆分项目，设置合理的里程碑。优先处理高风险的事项，能一定程度保证项目如期交付。如果延期不可避免，则也应该对延期时间有个合理的评估。 构建长期价值 实用与质量的平衡 多快好省赶紧上，这种思想也会出现在软件开发领域。这本身与快速迭代并不矛盾，但要注意平衡好开发周期与质量的矛盾。CodeReview、自动化测试，能够一定程度减少出错概率。项目发展过程中的技术债，要得到有效管理。不可一味堆叠需求而忽视技术基建。 减少维护成本 在项目上线的维护过程中，也需要留意维护的成本。开发代码过程中，将错误有效暴露。同时进行链路上的故障演习，合理安排兜底策略，将有效减少维护成本。 投资团队成长 从长远来看，每个人都不可能单兵作战取得巨大的成功，我们需要团队。投资团队成长方面，首先是帮助其他人成功。这可以通过分享自己的经验，写下高质量的文档实现。也可通过CodeReview实现。另一方面，招聘是团队内每个人的责任。招聘高质量的同事，在入职培训和指导方面下功夫，也将获得极大的回报。 关于作者 https://kuhung.me/posts/the-effective-engineer/ Sun, 08 Aug 2021 00:22:36 +0800 https://kuhung.me/posts/the-effective-engineer/ 关于作者 https://kuhung.me/posts/strategy-01/ Sun, 01 Aug 2021 22:56:45 +0800 https://kuhung.me/posts/strategy-01/ “战术勤奋战略懒惰”中的战略是什么 相信大家都听过：战略上的懒惰，不能通过战术的勤奋弥补。在学习中，我们将这句话理解为：学习需要方法，不能蛮干，需要理解基础知识，进行结构化的理解和吸收，这就是所谓的学习上的战略。在工作中，我们将这句话理解为：工作需要找准聚焦，不能用低效的加班内卷来堆砌苦劳，而是应该找到业务的需求点，从目标出发进行工作内容的拆解，这就是所谓的工作上的战略。 可是，战略的本质又是什么呢？到底什么才是战略，什么是好的战略？大家都在说战略，战略就没有缺点了吗？ 今天我们就通过《战略历程》这本书，拆解战略的本质，通过这篇内容，帮助你理解战略。 战略是大象 没有人能准确定义战略，因为战略的本身，就是一个抽象概念，是对生活的抽象总结。战略就像是盲人摸象中的大象，而我们则是那些盲人，通过不同的接触面，会得到不一样的战略描述。战略总结，是片面的。 当然，在很多商学院中，他们会有如下的战略概括：战略是企业为了获取与组织目标以及使命相契合的经营成果而制定的高层管理计划。从这句话，我们可以理解到如下要点：1. 战略是为了达到经营目标的计划。2. 战略是高层的计划。3. 这些计划要与目标使命契合。 管理思想 在前面我们提到，战略的本质是高层的计划，也就是说是高层的管理范式。对于明茨伯格而言，他对此有其独特的理解。 从派系角度，是更强调经验、实证和归纳的英美学派。不同于强调理性、推理和演绎的大陆学派。 从倾向角度，不同于强调管理层权力、崇拜CEO和管理层超人能力的保守倾向，更重视平等、参与和互动的进步倾向。 从实践和学院角度来说，更强调理论和实践良性结合的实践学派，而非消防自然科学的学院派。 管理思想核心 从明茨伯格角度，管理的本质是尊重、平等、信任、合作与分享。不是整人，更不是把人当作机器来控制，也不是把人当作羊群来驱赶或驾驭。 战略的十个学派 事实上，根据我们所观察的角度不同，战略可划分为十个学派。它们从不同侧面，描述了战略的面貌。 就设计派而言，战略是一个孕育的过程。强调匹配、强调独特竞争力的分析，SWOT法则将是你在这个派系中听得最多的。计划学派，是一个程序化过程。就如名字所言，战略是计划出来的：通过规划，设定预算进行相关准备。这一学派常被咨询机构拥护。定位学派，战略是一个分析过程。通过分析得到组织的定位，用事实说话。企业家学派，是一个构建愿景的过程。在这一学派，更崇尚企业家的个人人格魅力。需要企业家的大胆举措，来达成经营目标。认知学派，战略是一个心智过程。通过框架和解释来认知组织发展。这一学派，多被心理学爱好者支持。 学习学派，则是一个涌现过程。失败乃成功之母，该学派强调渐进式发展，通过学习去构建意义，利用精英的核心能力，实现战略。权力学派，认为战略是一个协商过程。在这个过程中，组织内政治气氛浓厚，联合利益相关者，达到集体战略。文化学派，战略是一个集体思维的过程。通过价值观、信仰来引导人们做出正确决策。环境学派认为，战略是一个适应过程。是一个组织适应环境的过程。而结构学派，则是从系统角度出发，认为战略是一个变革过程，是上溯战略学派的综合过程。 战略的利弊 凡事有利必有弊，战略也不例外。从四个角度，我们来看看战略的利弊。 从设定方向角度，战略为组织设定了航线，大家能够齐心协力达到目标。但其缺点就是，会掩盖潜在的危险。从集合力量角度，战略让组织内的行动更协调。但过份一致的思维，很有可能会让组织丧失洞察。 战略决定了组织风格，方便了人们理解并和其他组织区分。它的负面效果就是，过份清晰界定组织，组织的多样性将会丧失。从提供一致性角度来说，战略减少了组织的模糊和无序。其缺点则是，追求一致导致了狭隘，甚至扭曲了事实。 小结 战略是一头大象，我们往往只能看到其局部。但只有当我们从整体来看时，才会发现整体大于部分之和。可能你的组织正表现出某一类战略，但了解更广的面貌，总是更有助于发挥战略的作用。也别忘了，凡事需要有个度，过份一致的战略，反而会带来多样性丧失、灵活性丧失的风险。为此，还是需要缓慢移动，小心评估。 https://kuhung.me/posts/netflix-culture-01/ Mon, 12 Jul 2021 23:12:34 +0800 https://kuhung.me/posts/netflix-culture-01/ 红线可有可无文化 之前互联网有个段子，叫做：低P（职级）碰红线，低P没了；高P碰红线，红线没了。大致描述某电商公司的月饼事件、高P替考事件以及总裁出轨事件。这种说法，虽然是大众编的段子，但也折射出该公司的真实文化与标榜文化的背离。 在这类公司里，价值观成了上级约束下级、驱使下级讨好自己，以及内部斗争的工具。 组织管理大师沙因曾经提出一种观念，用文化管理组织。而今我们也发现，不同的公司文化，开始有了不一样的经营现状。我们就以8年前就公开组织管理秘籍，且在这些年仍继续成长的奈飞作为剖析对象，看看这样的企业文化，有何不同。 奈飞背景介绍 由于种种原因，国内对于奈飞的接触机会较少。实际上他们是目前全球最大的流媒体提供方，出品了多部精彩的剧集，《纸牌屋》就出自他们之手，并且当下仍然保持着不错的创意生产力和资本回报率。奈飞文化和传统的控制文化呈现两个极端，有一定的思考意义。 奈飞文化核心 奈飞文化的核心是两个词，自由与责任。自由体现在你可以做很多你想做的事：你可以公开和CEO辩论，你可以随时休假而不用审批，你可以提出很多点子很不会被视为傻瓜。而责任，则是说，奈飞不会过多控制你，所以你得自己担负起责任，自己去做事情的owner，承担起更大范围的责任。 奈飞文化的先决条件 为了达到这些要求，是有很多先决条件的。也不是说随便一个公司，在企业文化手册里写下自由和责任两个字，这家企业便成为了奈飞一样的公司。 高人才密度 首先，它需要足够高的人才密度。在周围都是优秀同事的前提下，给予充分的自由，同时也信任他们，能做出自己的、有利于更大范围的决策。 坦诚 接着，要求公司内的每个人都坦诚。这个词我在字节的企业文化里也有听过。坦诚，意味着袒露自己的真实想法，积极地去表达想法。这种文化，鼓励了更大范围的信息传播，减少了信息孤岛的存在。同时也让办公室政治无处遁形（虽然还是会有，但没那么严重）。 取消不必要的流程 然后是取消了很多不必要的流程。取消休假审批、需要差旅审批，这也是基于对人的基本信任。虽然我们知道，多少会有钻空子的存在，但他们认为与其为了防范钻空子的人所带来的整体效能下降，不如放开这个流程。这一思想同样应用于绩效回顾。奈飞中不存在绩效回顾，取而代之的则是员工留任测试。组织认为花大量的时间去评估和改进绩效，却未能实际地提高效能，那么这个流程就是不必要的。 奈飞文化的进阶条件 更进一步，为了达到上面的先决条件，比如高人才密度、坦诚、积极地表达真实想法，奈飞从管理视角提出了下面三点。 行业内最高薪酬 第一，支付行业内最高薪酬，以此来吸引高水平员工。在有了高水平员工之后，用他们去吸引类似特质的人。组织就在这个过程中，不断提高人才密度。 开卷管理 第二个是开卷管理。奈飞认为，每个员工都有必要了解公司、部门、团队当下发生了什么。他们会将公司的经营状况同步给员工，以此来培养员工的企业家视角。 分散决策 第三个是分散决策。不同于传统组织逐级审批决策的方式，奈飞将决策权下放基层，让每一个了解第一线实际情况的人自主裁决。这样做有两个好处，一个是传统逐级汇报到高层的决策方式，过程中一定有信息的折损以及时间成本；另一个是员工自己做的决策，他们将更有动力去实现自我许诺的事，这也让员工更有主人翁意识。 巩固奈飞文化 为了巩固以上文化，奈飞还采取了一些措施。 留任测试 没有绩效评估不代表每个人可以躺平过日子，奈飞采用的是留任测试。简单来说，如果当下有个人比你更适合目前岗位，则会毫不犹豫替换掉你，以此来促进人才流动。这一点很像是职业球队，如果你在场上表现不佳，则会用其他人替补掉你。而在公司层面，就是开除掉你（当然奈飞有补偿金）。 高效反馈 然后是反馈。奈飞内部寻求各式各样的反馈（但并非361绩效排名这种）。他们更乐意的是当面的反馈，及时的反馈，不唯上取悦老板的反馈，以及360度的全方面反馈。这种做法，减少了办公室政治，同时也让表现稍微不及预期的同事，能有及时修正的机会。 情景管理取代控制管理 最后一点是情景管理取代控制管理。这是我觉得比较新颖的观点。日常我们比较常见的是：领导拍板的控制型管理。领导会给你设定目标，进行核心决策，而你负责执行，并在规定时间节点交付结果。即使有自由度，也不过是规定流程内的自由度。最后，按实现的效果，进行绩效考核。而情景管理则把这些都交给了员工。透明各种信息，明确不同场景或情景，给组织、个人带来的不同结果，阐明动机和期望，剩下的全部交给员工自己处理。 奈飞文化小结 以上，就是奈飞文化的核心内容。有些人看完之后会觉得羡慕，因为自己处于另一类文化氛围的公司之中：事无巨细的微操管理，自上而下的决策环境。同事间互相提防，上下级玩权谋斗争。没有到点下班的自由，反而是各类不合理的KPI绩效考核。劣币驱除良币，老白兔员工扎堆。 很不巧，上面这些我有个朋友曾体验过。这也是我形成疑惑并在寻找另类文化的动机。 不知道你是否有同样的感受。看到此处的同学，如果国内有类似奈飞文化的公司，你会如何做决策？ https://kuhung.me/posts/the-tyranny-of-structurelessness/ Fri, 09 Jul 2021 09:07:13 +0800 https://kuhung.me/posts/the-tyranny-of-structurelessness/ 越来越多的扁平化 越来越多的公司开始宣称他们是扁平化团队。扁平化就是字面意思：整个组织的架构很宽，而纵深很窄。基层员工到组织领袖，可能只有3层。扁平化的概念，是相对于层级分明的大型组织而言的，同时它也是较小组织吸引人才的一个关键。背后隐藏着基本假设：富有创意和才华的年轻人，很难忍受传统大型架构组织的官僚。组织需要更扁的层级，以加快信息的流通和促进决策的有效性。 扁平化背后的独裁 现实生活中，管理的扁平化大多出现在小公司，当公司逐渐成长后，扁平化也将暴露一些问题。在这篇文章中，我们将其称为扁平化背后的独裁。本篇的思想框架主要来源于文章《The Tyranny of Structurelessness》。该文章阐述了上世纪70年代，伴随着女性权力运动，无架构组织中出现的一些问题。我们今天将其带入公司管理视角，逐条分析扁平化背后的问题，以探寻可能的解决方案，以及尝试着去思考：作为扁平化团队的一员，如何规避其负面效果，最大化扁平组织架构的作用。 无架构组织的出现 在当时，无架构、扁平化起源于女性对男性主导的社会权力结构的反抗。传统的组织中，多级架构存在于组织内。而当时的运动想摆脱这一点，于是提出了无架构（后文又叫做扁平化）的主张。当然扁平化不是完全无架构，但可以将无架构看成扁平化的特例，即只有1-2层组织。在这样的组织架构中，人们通过非正式会议达成共识。 不过这样的理想，却充斥着精英主义和排他性，即需要高度精英化的人才才能完成组织的基本运转，同时由于没有明显的架构，各自为战的小团体十分普遍，团队多样性缺失。 架构的天然性是无架构的阻碍 无架构的理想很丰满，可现实却很骨感。架构存在于人类社会的方方面面。一旦存在着资源的分配，不同的人受限于个人经历与价值观，势必有不同的主张取向，这些分歧将导致小团体的产生，进一步产生组织架构。与此同时，无架构也是极具欺骗性的。因为首先，发起这个主张的人一定是最有权力的，这样他才能发起和推动无架构。 无架构下的决策模糊 同时，由于没有明确的组织架构，也就意味着决策规则的模糊。决策规则集中在少数人手里，而圈子外或者不知道规则的人，则将处于困顿状态。这种信息不透明，会在无架构组织内产生割裂。而从其他渠道获取的小道信息极可能存在偏差，这进一步加深了误解。 组织的成败取决于精英的水平 在上面的决策过程中，我们可以发现拥有规则的少数人，能对其余人施加权力。这些人也被叫做精英（elite）。也就是说，整个组织能否做出有效的决策，极大程度依靠这群精英的综合实力水平。 精英圈子的对立特性 这样被寄予厚望的精英圈子，却会表现出两个彼此对立的特性。对于内部，他们彼此倾听、相互让步。但到了外部，他们会忽视甚至是会同外部意见相对抗。当团体内产生两个及以上的社群朋友关系，即产生了派系。对于其他未明确加入派系的人，这些派系的人将相互竞争吸纳剩余人；但也有可能由于排他性的存在，拒绝新人加入。 无架构组织的管理无能 无架构团体起作用是需要前提的，如果没能充分评估好前提，则容易导致管理无能。无能的具体表现在于以下方面。团体内结党营私，形成各类小团体小圈层。由于精英主义的排他性，会导致孤立的广泛存在。在没有明确任务的情况下，产生内耗：一部分群体，会尝试着去控制另一部分群体。 提升管理无能的四个前提举措 如果想减轻无架构的负面作用，原文提出了如下四点举措。 任务导向，保证每个人都有各自的任务，不至于任务模糊开始内耗。 团队尽可能的小，同质化高。这样的情况下，组织内成员才更可能理解彼此。 高度沟通，让组织内每一个成员，都能充分理解规则和决策的逻辑。 所需的技能非高度专一，每个人都有替代的可能性。以避免出现资源与话语权垄断的情形。 扁平化团队的责任人迷思 扁平化组织中，很多人常遇到的疑惑是：这件事谁在负责？ 由于组织未明确设立发言人和统筹者，很难定义一个明确的负责人。这对于从控制型、强结构型组织过来的人来说，会产生组织混乱低效的感觉。 在事情推进的过程中，某些成员将主动或被动地成为发言人。不过这样的发言人，很可能受到组织内其他成员的排挤。因为没有正式任命，其他人可能会产生嫉妒心理。更糟糕的是发言人的地位，组织无法取消。这就导致扁平化团队虽然在自发形成负责人，却无法控制或保证这些发言人的利益诉求和组织一致。 扁平化的潜台词与积极意义 回到我们当下的组织中来，越来越多的公司对外宣称扁平化。在沟通层面，这降低了官僚主义的可能。不过在个人发展层面，也模糊了成员成长的空间。即意味着晋升的模糊性。 可反过来也不一定是对的。如果你想要一个初创企业死得更快，那就在其中设立多级领导。换灯泡的故事不知道大家听过没。某间房间需要更换灯泡，在数十位领导审批通后，又被几位领导围观，公司仅有的业务人员老李终于有机会换下了灯泡。而这，离小李发现灯泡坏了已经过去了好几个月。 从无架构中反思 从无架构的组织反思，我们会发现其核心问题有三点：小圈层、精英主义、以及明星体制。由于没有明确的组织架构，人们根据喜好或行为被划分进入更小的圈层。如果刚好这个圈层掌握了决策信息，则形成了精英主义。组织决策的质量依赖于精英的综合实力。当这个圈层的决策信息模糊时，则迫切需要英雄主义式的明星员工站出来，承担决策和推进的角色。 人力资源视角 我们可以通过一些人力资源的策略，来最小化其负面作用。就小圈层而言，其实就算是正式的架构组织，也会存在。真正致命的是，组织的使命与业务所仰仗的精英或明星员工，他们的能力决定了组织的决策走向。为了达到更好的决策效果，这就要求人员水平要足够高。不仅仅是要契合当下的业务，也需要面向未来，吸引并补充更高水准的员工。 从企业文化角度，也要鼓励信息的高频同步，鼓励坦诚清晰、有话直说，以此来保证反馈的有效性。通过这种方式，加快组织内信息的流动，使高水平员工做出的决策能基于更大的面貌。再一个，引入hrbp和pmo，做一个信息沟通桥梁与项目推进的作用，来实现发言与统筹的角色。 个体成员角度 这其实一度是我的疑惑，也是我写下本文的动机。目前通过涉猎更多的资料，以及和团队内的成员沟通，找到了一些可能的答案。 首先第一个，解放自主性。在扁平化团队中，不会有过去阶级化组织中常见的命令式需求。也就是说，你的需求很可能需要自己去寻找。这点更类似于学习型组织，没有固定的流程与制度来控制每个人，而是希望每个人能自适应组织的需求。不仅是需求需要自己去沟通，在某些没有发言人的场合下，也应勇敢站出来，承担发言人角色。在扁平化组织内，职级头衔已经没有意义。推动某事的力量，在于基于事实的推演，而非职级。 其次第二个，充分沟通，寻求及时的反馈。在扁平化组织里，没有绝对的上下级，也没有官高一级压死人的情况。就像上面所说，扁平化的初衷就是加快决策速度，放权基层决策。在这种情况下，则更应该积极去沟通，努力打破小圈层现象，去寻求业务方或是客户的及时反馈。这点，也是践行公司文化的过程。有话直说，以理服人。 第三个，让自己成为明天的更高水平员工。正如前面所说，组织的决策有效性，取决于每一个员工的综合水平。作为今天的我，可能适合今天的决策环境，但高速发展之下，还一定胜任吗？这就要求我们，以开放的心态，去努力成为明天的高水平员工。不仅专业技能和业务理解能力需持续磨练加强，综合能力中的沟通能力、共情能力以及影响并激励他人的能力，这些都需要为明天做好准备。 总结 在本文中，我们探讨了扁平化组织中的常见问题：小圈层、精英化以及明星体制。这些问题若处理不好，则很大程度影响扁平化的决策效果。为此我们需要面向未来招聘高水准的员工，强化组织内的沟通和信息流动机制。作为个人，为了更好适应组织，则需要解放自身能动性、对于遇见的困惑，做到有话直说，坦诚清晰。面向未来，培养自身技能。 https://kuhung.me/posts/ten-financial-moments-in-five-years-2/ Wed, 07 Jul 2021 22:56:03 +0800 https://kuhung.me/posts/ten-financial-moments-in-five-years-2/ 概述 预计耗时 预计发布 实际发布 最后一次修改 财务总结第二篇 我这半年是怎么亏钱的 宏观与微观情况 距离上篇财务总结，已经过去了整整半年。这半年，可以说是在亏钱中度过的。股市春节后给了一个意外的套路，机构抱团结束，纷纷争相离场，带来股市、基金的大幅下挫。与此同时，房地产却不再横盘，上海的二手交易价格创出新高；重庆的土拍价格也新高。在临近写这篇文章的6-7月，多重利空加在中概股上，国内的A股，之前一直广受市场追捧的白马股，也一蹶不振。虽然前期持仓比例不高，但这半年也跌掉了过去好几年的收益；算上融资的成本或者是买房的机会成本，整体亏损20%。 资金分配方面，主要还是分为三大类。一类储蓄、一类投资，最后一类杠杆。当下时间切片，储蓄比例约占13%，基金比例约为33%，A股和数字货币比例为16%，港美股比例约为59%。总体杠杆率约为20%，杠杆融资成本约为5%。 半年策略回顾 接着回顾一下这半年的策略。在第一次回顾报告中，我们设定的比例为储蓄+黄金+数字货币的比例约为20%，本期来看基本达到这个水平；基金比例为25%，目前来看略微超过这个比例8%。其中的原因大致有两个：一是基金那边不完全是买入的基金，还有部分每月自动划拨的现金。第二个则是，股票类资产亏得比例比基金多，因此整体拉高了基金的权重。港美股的杠杆率未到预期的30%，不过也快接近了。之前是因为在上杠杆方面比较保守，但后来对比了商业房贷的5+点位，评估下觉得其实也还好。 四类策略回顾 策略方面，主要分为4类。 轮动策略 第一个是轮动，或者又叫资产配置。大致的意思就是，将钱按比例配置在不同形式的资产上。比如房地产、债券、基金或是股票。轮动策略要求，每隔一段时间（大于半年），根据不同资产的自然权重变化，做一个权重的再平衡。在某些资产高位时卖出，转入低位的资产。该策略有一个假设：资产价格总是在起伏中均值回归。即高的会变低，低的会变高。另一个是要求我们不要频繁去控制仓位，频繁的调整，实际上还是交易所和券商挣了大头。 定投策略 另一个策略是定投。这里也不局限于支付宝里的基金，而是说将投资自动化。举个例子，工资发放的第一天，我会将其分为若干个等分，将其转入对应的账户，并设置时间点提醒，进行买入操作，以此来自动化我们理财行为，也防止自己过度、即兴超额消费。这样的技巧也无需多说，进入支付宝这类理财产品，他们就会教育用户其中的好处。不过这里在定投基金方面，还是得关注该基金的手续费，除非别的券商不可替代，则尽量选择费率更低的。 风险对冲 风险对冲，这个概念听着很厉害，但其实也是我的第三个策略。比如基于对地产价格上涨的预期，我会买入一部分地产股，以对冲其上涨带来的我付出更多成本的风险。第二个则是健康保险类，自身有生病的风险，则选择去买入一些保险、医疗的股票，进行对冲。以及从事行业的风险对冲。虽然目前待的公司势头也很好，我也看好其未来，但为了对冲竞争对手做得更好的可能，我也买入了部分头部游戏公司的股票，作为对冲。 体验为王 第四个策略则更多的含有主观意图。像第一次提到的那样，由于主观判断，在较底位买入了海底捞，虽然其上半年表现不如预期且产生了下跌，但也带来了20%左右的账面收益。另外的像美团、快手，买入他们也是因为自己或身边人喜欢用它产生路径依赖，加上自己又是互联网行业的，多少了解其商业模型，所以选择了逢低买入一小部分。 以上策略的效果，你要说他有吧，但事实则是账面整体亏损了20%以上，你要说它没有吧，可能还真是这样，也就图一乐。但分散风险、自动化理财的意识，还是很有必要培养的。 财务观念 其他方面的补充，则是来填一下上一期的坑，在上期结尾，提到了三个下期想详细展开的点。分别是分桶、轮动策略和对待意外之财的态度。不过这里面前面已经讲了两个了。 分桶 分桶其实就是第二个定投策略的某一个环节。将每月可支配收入，划分到多个桶里面去，专桶专用。零花桶就只用于零花，基金桶就用户基金定投，储蓄桶则用来储蓄转定期。这样的好处在于，不会有钱很多，所以尽管花的错觉。其实，要想让钱生钱的第一步，还是得学会控制开支。虽然现在能支配的钱比学生时代多很多倍，但实际的焦虑感也是最直接的。而轮动策略，开篇也已经介绍了，就是资产每隔一定周期的再平衡。这里不再累述。 意外之财 这就顺着就到了第三点，对待意外之财的态度。很多人在中大奖或翻出衣柜里角落的钱时，第一个态度便是当成奖金奖励自己。这个态度没错，但它本质还是收入的一部分，它不是别人的钱。随着工资水平的上涨，有些朋友的消费水平也肉眼可见追求攀上高峰，最新最时髦的统统都要，别人有的我也要，很容易就陷入消费主义的陷阱中。对待意外之财，可以适当地小放肆一把，但不可就此过度拔高消费水平，造成留下来能进行投资再生产的钱不变甚至变少的情况。有简入奢易，但反过来却很难。 趋势判断 接下来说说我对宏观环境的一些认知。主要是两方面，人口和楼市。其实他们也可以算是一方面，因为楼市长期还是看人口。这也就不难理解，上海为何近半年房价又又涨了。因为这里有能力的人实在太多，机会也更多，整体呈现人口净流入的现状。居者有其屋，可能在短时间还是无法达到。虽然这其中有不少投机、投资成分，以及各方既得利益体利益趋同存在，但长期而言，还是看好的。 不过全国层面，可能情形就没那么乐观。人口红利其实肉眼可感知的见顶。我们这代人作为独生政策的最大覆盖面，即使造就了所谓的“工程师红利”，但后续的年轻人，却实实在在是在减少。当然我们不能说这是阶级固化了，机会还是有的，不过还是需要胆识和自制力。当下的二手房利率上调，某种意义上是在限制其流动性。因为这东西，大家都看涨，交易热情一直不减，循环促进了房价的螺旋上升。目前来看，是想尽量卡死流动性。但这放水的一万亿，估计还是很难挡住钱流入楼市。而各方利多群体，一定也会把这个信号解读为利好。 计划迭代 最后是下一步计划，前面唠唠叨叨这么多，财富不可能啥不干就产生了，还是得配有相应的下一步计划。 提高杠杆率 第一个还是杠杆率的问题。房产交易，可以达到3-4倍的杠杆，这也是为什么很多人喜欢投资房子的原因。在大家都看涨的环境下，加上杠杆，可不就是数倍的收益。如果你没有房产，那不就还得多奋斗数年。虽然略显荒谬，但也是事实。下一步将会进一步调高杠杆率，由于目前没有上海的房票，但还是期望通过其他手段，到达50%左右的杠杆率（这可比买房动辄3-4倍的杠杆率低多了）。 补充财务知识 接着是还得补充一些财务的知识。在港股熊证交易时，能明显感觉自己就是在瞎搞。金融储备还是有提升空间。你要问我这半年干啥去了，这半年一直在探寻企业组织文化与管理的事情，这就涉及到最后一个计划了。 提升工作素养 别看我上面扯了这么多，让大伙感觉我像是个专职的投机者，其实不是的。主业还是集中在工作上，工作技能的提升、综合能力的提升，以及给公司带来真实价值后公司的回馈，还是很值得花主要精力在上面的。 总结 所以如果有朋友看到这篇文章，千万要理性看待，不要全盘照抄。将注意力集中在主业上去。投资自己、投资公司内自己的团队，带来的连续性的收益也是大大滴。在这个的同时，花些时间去实践并精进自己的财务知识，提升财商，将其作为一种组合策略，共同提升生活的品质。这将是我期望的，这篇内容的最大作用。 关于作者 https://kuhung.me/posts/atomic-habits/ Mon, 05 Jul 2021 20:49:53 +0800 https://kuhung.me/posts/atomic-habits/ 关于作者 https://kuhung.me/posts/mentoring-vol-3/ Wed, 23 Jun 2021 15:56:41 +0800 https://kuhung.me/posts/mentoring-vol-3/ 🌟 合集地址：《The Manager’s Path》中文翻译 技术路线还是管理路线 本文只少量涉及这个话题，因为导师制的指导通常与管理没有直接关系。 话虽如此，在职业生涯的某个时刻，我们大多数人都会从事某种程度的技术指导、职业指导或两者混合。 我们中的许多人也将获得指导。那么，如何使这种类型的指导富有成效？ 互利的技术指导 当高级工程师指导团队中的初级工程师时，他们一起解决问题，这往往能提高后者的生产效率。 当然，高级工程师也从中获益。受指导者编写的代码质量更好，需要修改的就越少，整体开发速度也就更快。 初级工程师从指导中直接获益，并通过更资深人的视角，获得了对工作内容更充分的理解。 这种关系通常不是正式委任的，且极大可能是高级工程师的日常工作内容，它为团队带来了巨大的价值。 当你是导师 告诉你的指导对象你对他的期望。如果你希望他在会面前拟定议题以及准备好问题，明确告诉他。 明确说明你的时间投入，并诚实回应他的问题。如果相对于指导对象的 leader 或者同事，你没有明显的专业知识上的不同，那就没必要提供指导。 拒绝指导也是OK的。有时候你会觉得，有必要回应每个向你寻求帮助的人，但这没那么必要，你的时间也很宝贵。除非你认为这样做对自己和指导对象都有帮助，否则就不要这样做。 当你的 leader 要求你指导某人，但你没有时间这样做时，你可能需要给leader一些原因：例如你当前的排期紧张，近期计划休假或其他无法进行指导的原因。 无论做什么，都不要说“是”，然后实际上却无法达成。 当你是被指导者 想清楚想从这段指导关系中得到什么，并做好自己那部分的准备。 如果你没有时间准备或觉得没有必要做准备，问自己是否真的需要辅导关系。有时，我们之所以被安排导师，是因为有人认为我们应该有。 每个人的精力都是有限的，你不必为了有个导师而获得一个导师；也许你需要一个朋友或一个教练。 低估导师的时间很容易，因为你通常不花钱。所以请保持尊重，并考虑找一位有偿的专业人员来帮助你。 技术达人将是糟糕的经理 在某些场合下，无论是处于指导关系中还是处于指导关系外，你都会遇到技术达人（alpha geek）。 什么是技术达人 技术达人被认为是团队中最牛逼的工程师，他始终拥有正确的答案，并成为解决所有难题的人。 技术达人非常重视智力和技术技能，并认为这些属性决定了谁来做决策。 技术达人通常无法应付异议，并且当众人的焦点转移到别人身上，或别人的方案可能好过自己，会觉得自身的立足之本受到威胁。 他认为自己是最好的，并且只回应支持该观点的信息。 技术达人领导下的文化 技术达人试图创造卓越的文化，但最终却创造出恐惧的文化（译者表示认同）。 技术达人通常是一名出色而有效的工程师，他们进入管理的方式大致有两种：一种是熬资历进入管理层，因为他资历最长，最后成为组长、leader；一种是自认为自己是团队中最聪明的人，自己应该是经理，从而争取转向管理路线。 他倾向于打压手下人的自信心，要么通过夸大下属的错误，要么毫无预兆地重做他们的工作。有时，技术达人会为团队所做的所有工作表示赞赏，但不是以承认团队成员实力的方式。 技术达人的优点 好在，技术达人对于年轻的开发人员可能是鼓舞人心的，即使他们脾气古怪。他有所有问题的答案。 他可能在10年前就使用了某系统的最初版本，且和作者往来密切。如果你需要弄清楚发生了什么，他可以完美地解答你的疑惑。 他完全知道为什么你的某些操作不起作用，而如果不成功，他还会提醒你：他告诉过你怎么做的，只要你听他的，并按他说的做，事情就会奏效。 如果愿意，技术达人可以教给你很多知识，他们可以设计出色的系统，并且这个过程很有趣。 总的来说，技术达人非常聪明。他们有很多知识，这些知识值得团队成员去学习。许多工程师都非常尊重技术大佬，他们身上的优点一定程度上掩盖了其缺点。 技术达人的缺点 在某些糟糕的情况下，在技术达人领导的团队中，只要项目不是技术达人牵头的，他不会让任何人获得奖赏与夸赞。他们会认为自己的主意一定是最好的，而其他人的方案都是糟糕的。 技术达人认为，每个开发人员都应该知道得和他一样多。如果你不了解某些内容，他会很高兴地指出你的无知。 技术达人对于应该如何做事情非常僵化，并拒绝自己没有接触过的新想法。当人们抱怨他们构建的系统或批评他们过去的技术决策时，技术达人会感觉受到了极大威胁与侮辱。 当不得不接受自己看不上人的指导时，他们会表现得非常厌恶，且日常贬低非技术角色。 技术达人普遍存在 当工程师首次成为导师时，技术达人的习性常常开始显现。 问问自己：尽管自己拥有很强的技术能力，为什么人们似乎都没有向你寻求帮助。好好想想，你是否正在表现出上文提到的种种迹象。 你是否认为正因为自己是工程师，所以不需要言辞修饰，任何场合都可以直言不讳地表达？ 你是否在急切地找茬，寻找别人的错误，不愿承认别人有一个好主意或编写了高质量的代码？ 你是否认为绝对的正确比其他任何事物都重要得多，且始终值得为之奋斗？ 摆脱技术达人 如果你怀疑自己是个技术达人（贬义方面），那么指导他人可能是摆脱这种习惯的好机会。 如果你将指导对象看做是一个需要接受教学和指导的人，而你的目标是以最适合他的方式帮助他，那么你就可以看到你的“进取”风格使他更难以学习。 练习指导的艺术可以帮助我们学习如何培养和教练（coach）一个人，如何更好的组织语言以便他人乐意倾听。用更好的方法，取代大声吼叫或是言语霸凌（打压控制、PUA之流）。 另一方面，如果你不愿意改变自己的风格来帮助受指导者成功，请不要主动成为一名导师！ 技术达人的位置 技术达人造就了绝对糟糕的经理，除非他们能够学会放弃自己在会议室中最聪明的人和团队中技术最牛的人的身份。 具有较高技术经验的管理人员对于小型高级工程师团队是个不错的配置，但是技术达人通常最好不在管理序列，而应让他们更多地关注技术策略和系统设计。 在倾向于技术的初创公司中，你往往会看到技术达人扮演CTO的角色，他们在以执行为重点的工程作业中，都将重点放在设计和开发上。 如果你有晋升提拔的权力，请非常小心地为技术达人提供管理职位，如果这样做了，请密切关注他们对该职位的影响。 技术达人的负面文化可能对合作非常有害，并且会给处于弱势的团队其他人员长久的负面影响。 认为自己的价值来自于比其他人了解更多信息的技术达人，可能会隐藏信息以保持优势（玩信息差），而这会使团队中的每个人都失去效率。 https://kuhung.me/posts/selling-the-wheel/ Tue, 25 May 2021 21:53:20 +0800 https://kuhung.me/posts/selling-the-wheel/ 在互联网行业，常常听见人说：我有个点子，只是缺少一个程序员，就能颠覆世界。不过遗憾的是，很多组织即使有很多程序员，也未能颠覆世界。无数的点子被证明是无效的，无人买单。用户不关心、客户不掏钱。 上面是普通人的技术产品主张。作为程序员自己，是不是就没有这样的困扰了呢？我们可以做前端、可以做web端、可以开发自己的小程序，是不是就可以吸引无数忠实用户、卖个好价钱、躺平后半生了呢？如果真是这样子，那大概996和秃头就是假的、是拜登打的劳工牌了。 除了技术力，市场的敏锐度以及营销能力，也是决定成败的关键。 在日常工作中，不可避免的，程序开发也会有自己的观点主张：无论是技术方面的、还是日常决策方向的。也有人幻想着，有个赏识的伯乐，能发现自己点子的独特之处，然后悄悄”颠覆世界“。 技术同事能听出哪些点子是不现实的，同样，”伯乐“也能识别出你的技术主张的好坏。这个时候该怎么办呢，产品太超前、主张”非主流“，难道就要放弃了吗？求人不如求己。 推销是一门艺术。作为价值提供者，我们有必要做好自己的营销推广。除非，你想一直当一个工具人下去。我们希望，在合适的推销之下，产品能卖出去、技术方案能得到接纳，观点主张能得到重视。这一切，其实都不难。 近期阅读了一本名为《selling the wheel》（中文名《卖轮子》）的书，该书虚拟架空了一个埃及人卖轮子的故事。讲述从发明轮子，到销售推广，再到竞争市场的各个环节。以及对应市场下，如何构建适合的销售体系。这套方法，不仅可以用来卖产品，完全也可以整合到我们自身的日常生活中来，销售我们的观点、技术与方案。 如果你也想做好自身观点、技术和产品的宣传，那么下面的内容一定不要错过。 市场上没有一套通吃的办法。这是因为随着市场成熟度的不同，受众和他们的认知程度也不一样。但好在在不同阶段，有各自能做的事。我们以产品的发展周期为例，讲述四个时间段我们该做的事情。 一、市场早期 当市场还是蓝海之时，很少有人意识到这是个机会。客户也是同样如此，他不会觉得有你很重要。因为当你没出现时，他已经按某种模式度过了很多年。在轮子出现前，古埃及人一样可以运送货物。他们可以选择用人拉、用动物驮，甚至是用雪橇拉。为什么他们要选择你呢？ 在产品的早期，往往是一些尝鲜的用户接纳它们。在四步创业中，我们也可称之为天使用户。在技术接纳生命周期中，他们是技术和产品的尝鲜者。天使用户乐于追逐新鲜事物，是你最好的销售目标。他们聪明、敢于尝鲜，敢冒险，有资本。 销售对象是最高决策者，一般是一次性买卖。如果想要卖给他们，则应该强调某些特质，而这些正是他们所追逐的：领先于人的机会和洞察，一个更高效的、更美好的未来。对于销售者，则是需要极强的人格魅力。相信产品，用华丽的演示征服他人。 新技术、新产品、新观念 这一阶段，是我们最常遇到的阶段，特别是进入新公司和新项目中时。技术人员在公司内拥有较为时髦的技术，知道当下技术发展的潮流。也因为掌握技术，能较为轻易的了解到最新潮的观念。以数据挖掘为例，我们有很多模型方法，已经在顶刊、比赛甚至是其它公司的业务场景中得到应用。 在公司内进行推广时，往往不会一帆风顺。因为当你没出现时，业务方已经熟练的用其它方法解决了问题，尽管它可能没你的好。 这个时候，同上面一样，我们要去识别公司内的那些天使客户，将技术的前景销售给他们，打开应用市场。该阶段，我们常常是单兵作战，将我们的方案推销给有决策权、聪明且有冒险精神的业务方。推销一种概念，而不是一种产品或服务。以理性阐释购买，以情感卖出产品。 二、市场发育 渐渐地，天使用户口碑传播了你的产品（只要你的产品值得他向朋友推荐）。越来越多的用户开始使用你的产品，他们会拿来做不同的用途，甚至有些超乎你意料。轮子是好的交通工具，但同时，两个石头轮子叠在一起，他也可以拿来做磨坊，高效地碾碎玉米。产品被越来越多的高层技术人员使用。他们不再是单一的拿来应用，而是借助产品，实现他们的整体目标。 所以，单纯的轮子已经不够用了。金字塔的建造工程师希望我们给到完成的方案，能够支持他们建设金字塔的工作。我们不再是仅仅销售轮子，更是在于轮子的安装、使用、保养等专业性知识。我们的销售对象，也不再局限于直接最高决策者，而是所有影响决策的人，与团队合作。我们销售的是整体解决方案，而不再是单一的产品，客户需要一整套方案，帮助他们实现美好目标。 在这种背景下，常常需要一个团队来支持。提供产品的售后、服务以及培训等事宜。销售周期也更长。我们就像是向导，不仅需要告诉客户目标在哪里，还要引导和带领他们。销售产品的同时，培训客户，构建良好的合作伙伴关系。 全套解决方案 在公司内也是如此，当我们的方案被更多人接纳时，将会出现不一样的需求和用户。有的可能只是单纯的需要个分类工具，有的开始拿你的产品或技术做其它的事情。我们不再是单打独斗，常常需要一个小团队一起工作，帮助业务方完成整体目标。 这个阶段，业务方需要的也不是单一的技术或工具，他们希望你去培训他们掌握该项技能、或是能提供长久的维护。所以，尽量提供更多的支持，帮助业务方实现共同目标。从目标出发，落地到对方的业务价值，能帮助你做出正确的决策。提供适当指引和培训，构建良好的合作关系，是当下阶段的重点。 这个阶段最大风险是花费资源做没有被接受的技术。为了减少风险，应当适当地多同步进展，寻求业务方的反馈，根据反馈及时进行资源调整。 三、市场竞争 产品是打开了销路，但不可避免的，你会和其它产品产生替代性冲突。更甚至，市面上开始出现仿冒的产品。轮子开始出现木制、出现条幅。他们更灵活、更便宜，技术不再是唯一的壁垒。大家也逐渐熟悉了有你的日子，但不同产品间仍有细微差别。这个时候，你的销售对象，应该是稳定的采购单位。他们在各大组织和机构中，你们在之前应该已经建立了稳固的合作关系。 客户开始有了其它需要满足的诉求，产品在这个阶段开始出现定制化。我们如同建设者，为我们最核心的客户，提供最优质的服务。尽管在第一阶段，天使客户也有可能提出他的各种想法，但真正值得响应的，却是这个阶段。因为在初期阶段，满足少量的额外需求，很可能带来频繁的调整以至于产品走向错误。一般客户只获得一般服务。 这个阶段，产品销售的周期大幅度拉长。产品开始同质化、价格战开始出现，利润下降。树立自己的品牌、扩大生产规模，是维持利润的两种手段。有些市场你已经撼动不了，短时间插足不了。但记得保持关注，竞争对手犯错之时，就是你最好的机会。 定制服务与品牌传播 在公司一段时间之后，只要你平稳度过前面两个阶段，大概率也会到这个阶段。你的技术方案、你的产品很可能同别的团队产生可替代性竞争。同时也被越来越多的人员和团队使用。 这个阶段，我们得针对需求方，提供定制化服务。通过评估核心重要程度和ROI，去满足他们的定制化需求。 树立团队口碑，扩大影响力，是获得需求的来源之一。压缩成本和工期，一味迎合所有业务方，是失败的快速通道。**你的团队伙伴，是你的重要资产和坚实靠山。**对于一些暂时无法接入的业务，维护好和客户的关系，等待机会即可。 四、市场支配 最后阶段，即是红海市场。这也属我们所接触的民用消费市场最典型。产品出现同一标准，轮子有了半径、材质、使用寿命等要求。顾客不再像早期顾客，犹豫徘徊。他们很快做出决策，而他们所依赖的，则是品牌和服务。 这个阶段，利润被进一步摊薄。产品的品牌和服务成为了竞争的主要手段。促销开始越来越常见，连锁经验、标准化服务成为标配。 由销售leader领导的销售团队，提供细致的售前和售后服务。进行充分技术培训，激发员工热情，能妥善应对突发事件。 个人品牌与综合素质 如果你的公司不是toB业务，那么较小概率会到这一步。对于平台、中台类项目，更多的还是在上一步。如果你在此类公司，那么标准化服务可能是你重点关注的东西。 但是换个角度，如果我们抽离产品和公司的框架，我们的观点和主张所处的环境，难道不是在充分竞争的市场中吗？普世价值和道德选择，都有基本的标准。沟通的对象很快做出决策，依赖你的声誉和给人的感受。 过硬的专业素质，热情，同理心，以及移情的能力，就是你的标准化服务。你的个人品牌和综合素质，成为你的竞争利器。 总结 产品阶段组合 以上四种方式可以组合。 1+2 适合小而灵活的创业公司，技术进步，创业不歇。 2+3 能带来高利润增长。新兴技术被发掘，被改善，然后再批量投入市场。 3+4 则是市场支配地位的公司做的事情，缓慢、稳定可预见的增长。通过兼并获得新技术。 一般而言，前者的利润是后者的两倍。 个人营销三部曲 把大象放进冰箱，需要三步。如何推销你的产品、技术与方案，同样也是三步。 判断所处环境 锁定目标客户 提供对应销售方法 掌握以上方法，推销你的观点、技术与产品，将没那么难。 Tips： 营销六问 谁是我们的客户？ 谁是我们的竞争对手？ 客户为什么需要我们的产品？ 什么促使他们更愿意从我们这里购买？ 为什么他们愿意从竞争对手处购买？ 我们应提供哪些增值服务以达成交易？ https://kuhung.me/posts/mentoring-vol-2/ Sun, 23 May 2021 15:56:41 +0800 https://kuhung.me/posts/mentoring-vol-2/ 🌟 合集地址：《The Manager’s Path》中文翻译 指导新员工 个人经历 糟糕体验 我（原文作者）大学毕业后的第一份工作，是在太阳微系统公司（Sun Microsystems），开发一个已经开发数年的项目。 经理带我到办公室，让我自己弄清楚需要做什么。我不知道该如何寻求帮助，而且我担心：自己这样做会被视为傻瓜。 所以不出意外的，我感到灰心丧气。而在灰心之余，最好的办法就是去读研究生。所以我做了。 这次大不相同 研究生毕业后的第一份工作，和之前大不相同。我没有被带到办公桌旁呆着，而是给我安排了一位导师。 他鼓励我问问题。我们进行了一些结对编程，以便我可以熟悉代码以及该项目的测试流程。 在几天之内我熟悉了工作流程，并且在工作的最初几个月时间，学到了比在上段工作多多了的知识。 这几乎得归功于刚开始时得到的指导。 指导至关重要 指导新员工至关重要。 指导新人的工作包括入职，帮助此人有效地适应公司的生活，并建立你和他在公司中的人际网。 这是你一个机会，以崭新的视角看待公司和团队。还记得第一个项目是如何完成的吗，有哪些流程和规则让你感觉意外？ 提供观察隐晦规则的机会 例如，新人手册中休假政策，但这可能只是表象。有些写得很明白：重大节庆的当周不能休假，因为你从事电子商务，这对企业来说是重要的一周。 而有些没写下来的东西，可能也很重要。例如：在寻求他人帮助之前，自己大约需要探索多长时间。 许多流程，文化和专业术语太过自然，以至于你可能不会意识新人很难理解它们。注意这些事项使你有机会进行澄清。 没摆在明面的规则不仅会使新人难以融入，还会使你的指导工作更难做。因此，请充分利用这次机会，审视组织和团队。 好的入职文档 高效的团队向新员工提供好的新手文档。 对于新员工来说，如何快速上手而又不会遭遇很强的挫败感，对他们至关重要。这些文件应不断修改以适应工作内容本身的变化。 通过帮助新人熟悉文档，并让他修改文档中的过时内容，这会向他传达一种信息：他有能力和义务去学习，并为团队分享他所学到的东西。 创造连结 指导的另一个积极意义在于：帮助新人融入周围。 公司内到处都是可以快速传播知识和讯息的网络。将新人带入某些网络将有助于他加快适应。 长时间待在同一家公司（尤其是大公司）的人们，很大程度上通过非正式网络找到内部合作的机会。 你的指导对象可能在你感兴趣的社团中，或者你可能想将他拉到另一个群聊中。 重视社交网络 即使你对管理完全不感兴趣，也应该重视人际与社交。 在大公司内，横跨多个团队，如果没有值得信任的社交圈来共享信息和想法，想推动一件事将会十分困难。 办公室是在人及其互动的基础上建立的，这些互动（社交）构成了任何职业的基础，无论是做管理还是做技术。 你可能是一个内向的人，或者一个不擅长社交的人，但是去结识新朋友并帮助他们成功，这种有意的选择，终将带来积极的回馈。 你对此的态度将决定成功或失败。不妨这样想：构建良好的人际关系网，是一项值得投入时间和精力的投资行为。 给导师的leader的建议 测量什么，才可以改善什么。作为leader，你可以通过制定清晰、有针对性、可衡量的目标来帮助你的团队取得成功。 找出衡量目标 很多时候，这种智慧很难被运用到导师分配过程中，但是却不得不常这样做。 当你需要为新员工或实习生分配一名指导者时，请找出通过建立关系所希望实现的目标。 然后，找到可以帮助实现这些目标的人。 为什么要建立指导关系 首先，首先弄清楚为什么要建立这种指导关系。在之前讨论的两个案例中，导师关系的存在是为了一个非常特定的目的：帮助团队中的新人，无论是全职新员工还是只待几个月的实习生，帮助他们跟上步伐，富有成效。 当然，这些并不是公司内所有的指导关系。有时，人们会设立培训课程，帮助初级人员与外部的高级人员建立关系，以促进职业或技能的发展。这件事的出发点很好，但除了将人们拉在一起之外，通常不会给导师和受指导者带来任何收获。 如果导师因太忙而无法在此项目上花费任何时间，那么这位导师很可能就不是合适的导师。如果受指导者不知道如何寻求帮助或如何处理指导关系，这会让他感觉自己被强迫参与了这么一个项目，是在浪费双方的时间。 因此，如果你的公司要在新员工和实习生之外建立指导关系，在推进该方案之前，请确保该计划具有一定的指导效果和流程规范。 指导者承担了额外责任 其次要认识到这是导师的本职工作外的事情。如果导师做得好，在指导期间他的生产效率可能会降低。如果你的工程师参与了对时间敏感的项目，那么你可能不希望要求他同时进行指导。寻找一个你认为可以胜任此职位，想要在编码之外做些其他事情的人。 常见的指导上的误区包括：将指导视为意义不大的“情感劳动”。假设指定的导师一定“喜欢”这份指导工作，从而错过了观察团队中潜力人员的机会。 就像之前说过的那样，为之做好计划，并为导师预留充分的时间。 指导的宏观价值 你已在建立这种导师关系上进行了投资，无论是花费数千美元、大量时间在招聘上，还是在协调导师计划上精力的开销。 指导是一项耗时的工作，值得继续进行投资直至取得成果。并且还可通过改善员工关系，缩短新人上手时间和提高实习生留任率等形式获得可观的回报。 导师的匹配度 导师不必为了指导而指导，你不应指望女性仅指导女性，男人仅指导男性，以此类推。 指导计划中涉及很多内容。在考虑建立导师关系时，除非导师计划的目标就是多元化，否则请为人们提供适合其情况的最佳导师。 培训未来领导者 最后，利用这个机会来培训团队中的未来领导者。如你所知，领导力要求人与人之间存在良性的互动。在指导过程中，培养他们的耐心和同理心。 精明，内向的开发人员可能永远都不想做管理，但是鼓励他们参与指导有助于他们建立更强的外部视野，更不用说这也在拓展他们的社交圈。 对话 CTO Q： 我所在的公司曾多次询问我们是否雇用实习生。我们过去没有，但现在想开始这样做以扩大我们的招聘人数。怎么看这个问题？ A： https://kuhung.me/posts/mentoring-vol-1/ Fri, 23 Apr 2021 15:56:41 +0800 https://kuhung.me/posts/mentoring-vol-1/ 🌟 合集地址：《The Manager’s Path》中文翻译 许多人的第一次管理，往往不是正式委任的，而是指导性的工作。 导师制度的价值 导师制度 导师通常被分配给团队中的初级成员，例如应届生或实习生。许多组织，在新员工的入职过程中也使用导师。 导师是谁 有时，导师是团队中的另一位初级同学。可能他自己也只参加工作一两年，可以轻易地与新人建立联系。 导师有时是高级工程师。除了可以帮助新员工加快熟悉工作流程外，还可以充当技术导师。 导师制度作用 在一个健康的组织中，入职指导被看作是双方相互审视的机会。指导者有机会了解对另一个人负责的感觉；而受指导者，则得到一个专注于他的导师指导。 我的第一位导师 我（英文原文作者）很幸运有一位出色的导师，他的名字叫凯文（Kevin）。当时我是太阳微系统公司的一名实习生，所在团队负责 JVM 工具。这是我第一次，构建一个真正的软件项目。 尽管他是我们的高级技术主管，但还是为我分配了大量时间。他没有留下我独自凌乱，而是花时间与我讨论项目。一起在白板写代码，一起做 code review。这让我知道了，我应该做的事情。当我陷入困境时，我可以向他寻求帮助。 那年夏天的实习，对我的软件职业生涯至关重要。在他的指导下，我发现我可以胜任这份工作，而且有能力成为一名高效的员工。 与凯文（Kevin）的合作，是我职业生涯的第一个重要里程碑。 这种经历教会了我导师制度的价值。 导师做得不好会怎么样 如果你发现自己正在负责指导他人，那么祝贺你！这并不是所有人都能获得的经验。这是一个机会，以相当安全的方式，学习管理工作以及对他人负责。 你不太可能，因做指导做得不好而被解雇（当然，除非你举止不当，触碰原则底线）。 最坏情况 对于许多导师而言，可能发生的最坏情况有： 受指导者浪费了大把时间，他们的产出减少。 他们做得非常差，以至于团队不想雇用该人。 受指导者的经历很糟糕，并且没有融入组织。选择了更早地离开组织。 遗憾的是，后面的可能性要比前面大得多。 糟糕的导师 有时，糟糕的导师会浪费大量的才干。 这些导师做的很少，无视受指导者的需求，在琐碎的项目细节上浪费时间。更最糟糕还有，威胁和贬低受指导者的能力。 但是读到这里的朋友，肯定不想这样做。你想成为一名伟大的导师。 也许你已经是一位经理，希望团队在导师关系方面发挥积极作用。 那么，如何建立良好、有效的指导关系，而又不减慢开发速度呢？ 如何指导实习生 这里介绍的第一类指导关系，是实习生。 对于大多数高科技公司来说，这通常指的是暑期实习生。许多公司将这种模式，视为应届生招聘的重要渠道。 提供良好实习体验 因此，在指导这些学生时会发现，他们是缺乏实际经验的。 如何确保给他一个良好的的实习体验？ 即使公司不需要他，你也要给他留下好的印象。因为，他回去会告诉他所有的朋友：他在贵公司工作的实习体验。 这会影响你在该圈子，招聘应届生的形象。 但是不用担心，让实习生开心，并不是造火箭。 准备项目 你需要做的第一件事，是为该实习生准备项目。 如果你作为导师，没有拘泥项目的形式和内容，那将非常棒。 为什么要准备项目 没有项目，实习生很可能会在整个实习期抓不着重点，且感觉无聊。 对于有经验的员工，弄清楚该做什么都是困难的，更何况是实习生。 如果你确实大脑一片空白，可以看看自己当前项目的一些小功能。这些功能可能需要几天的时间才能完成，就从这里开始。 最初几天多接触 实习生刚来的前几天，与任何新员工的经历都是相似的。入职，适应办公室，认识同事，熟悉系统。 在最初的几天里，尽量与他多接触。让他安装 IDE 并阅读代码。 每天几次与之接触，以确保他不会因大量新信息，而感到迷茫与不知所措。 同时，为他的项目做准备。 项目分解与里程碑设定 有了项目后，就可以将对项目管理的新知识，应用到手头的任务上。 这个项目是否分解了里程碑？如果不是这样，请在实习期间的前几天花点时间进行分解任务。 与你的实习生一起进行详细的分析。这对他有意义吗？向他提问，并倾听他的问题并。 请记住，你正在练习将来成为领导时需要的技能。 这些技能包括：倾听，清晰传达期望以及根据回应调整。 管理的基本技能 倾听 倾听是管理人的第一项，也是最基本的技能。 https://kuhung.me/posts/performance-coaching/ Tue, 16 Mar 2021 00:35:38 +0800 https://kuhung.me/posts/performance-coaching/ 核心观点： 让教练对象产生如下感觉 自主 胜任 联结 教练需要做到 察觉 提问 倾听 关于作者 https://kuhung.me/posts/three-feature-importances-in-xgb/ Mon, 08 Mar 2021 21:09:31 +0800 https://kuhung.me/posts/three-feature-importances-in-xgb/ 简单描述 实际发布 最后一次修改 xgb 特征重要性计算方法及使用场景 2021-03-08 2021-03-09 特征重要性 作用与来源 特征重要性，我们一般用来观察不同特征的贡献度。排名靠前的，我们自然而然地认为，它是重要的。 这一思路，通常被用来做特征筛选。剔除贡献度不高的尾部特征，增强模型的鲁棒性的同时，起到特征降维的作用。 另一个方面，则是用来做模型的可解释性。我们期望的结果是：重要的特征是符合业务直觉的；符合业务直觉的特征排名靠前。 在实际操作中，我们一般用树模型的分类节点做文章。常用的就是 XGB 和其他一般树模型。 XGB 遇到的问题 XGB 很方便，不仅是比赛的大杀器，甚至贴心的内置了重要性函数。但在实际使用过程中，常常陷入迷思。 有如下几个点的顾虑： 这些特征重要性是如何计算得到的？ 为什么特征重要性不同？ 什么情况下采用何种特征重要性合适？ 今天我们就借这篇文章梳理一下。 XGB 中常用的三种特征重要性计算方法，以及它的使用场景。除此之外，再看两个第三方的特征重要性计算方法，跳出内置函数，思考其中的差异。 最后回到类似的树模型特征计算方法，进行特征重要性的一般方法总结。 以下场景非特殊说明，均针对 python 包体下的 xgb 和sklearn。 XGB 内置的三种特征重要性计算方法1 weight xgb.plot_importance 这是我们常用的绘制特征重要性的函数方法。其背后用到的贡献度计算方法为weight。 ‘weight’ - the number of times a feature is used to split the data across all trees. 简单来说，就是在子树模型分裂时，用到的特征次数。这里计算的是所有的树。这个指标在R包里也被称为**frequency**2。 gain model.feature_importances_ 这是我们调用特征重要性数值时，用到的默认函数方法。其背后用到的贡献度计算方法为gain。 ‘gain’ - the average gain across all splits the feature is used in. https://kuhung.me/posts/what-i-learned-from-little-game-xiao/ Sat, 13 Feb 2021 17:13:44 +0800 https://kuhung.me/posts/what-i-learned-from-little-game-xiao/ 2月初，我上线了一款小游戏，整活小游戏——合成魈大人（移动端访问）。 这一过程，收到了很多反馈。 同时，也有如下三点思考： 善用营销 早交付 学会写标题 至于为什么是这三点，下面将按时间顺序，一一阐述。 前景提要 品牌与商业化观察 很久以前，小力就有一个想法：将自己的技术能力变现，至少是能变成流量。 在这个过程中，交付客户喜欢的东西，形成自己的名片📇。 这样做的目的：一方面是督促自己不断学习；另一方面也是在构建自己的品牌，争取更高的议价权。 为了实现这一目标，小力学习了很多经管类的资料。同时也在工作中，做一个善于观察的人。观察不同组织，做得好和不好的地方，以及背后的原因。在这个过程中，有一点让小力印象深刻，那就是：微创新的组合。 很多商业上的成功，不是来自于翻天覆地的改变，而是来自于已有项目之间的交叉组合。在利基市场，进一步细分客户群，获得利润；或是发掘完全崭新的市场，占得先机。——Nicolas Gu 几次尝试反响平平 在写代码上，最容易的微创新，那一定是前端跑不了了。其次，则是算法模型。但是后者有一个较大缺点：离普罗大众太远，且消耗计算资源。 基于此，小力一个非专业前端，也写了不少前端小项目。虽然这些都是魔改的，但确实能够交付用户面前。 这其中就包括： 毒鸡汤 点击🔗访问 原神放置小游戏 点击🔗访问 图像搜索（算法类项目，较为吃计算资源，上线一段时间后撤下） 但以上的结果，都反响平平，单个项目的 PV 不超过500。 吃瓜吃到手边 在某个天朗气清的一天，互联网上还在吃郑爽的大瓜，而后又冒出另一个生孩子的事情。吃瓜的事情，以小力的习惯，向来是不会过多关注的（当然，该谴责还是要谴责）。 没过几天，微博热搜由吃瓜变成了合成大西瓜。小力也理所当然，不为所动。直到整活小游戏——合成华中大，出现在朋友圈。 这游戏点进去一看，没啥难度啊，活脱脱一个2048翻版。几天不到，就出现如此多版本，互联网上一定有源码。 一个念头出现在小力脑海中：合成，合成点儿别的东西？顺着组合创新的思维，在垂直细分领域，为何不能合成《原神》游戏中的角色——魈？答案是肯定的。 开发构建 资源整合 说干就干，先去GitHub搜索源码，很容易的，排名靠前的好几个。定睛一看，整体就是一个前端静态页面，服务器资源消耗也不大。 唯一的难点，就在于素材的全面替换。这个不太容易，需要解决两个问题： 有哪些素材，素材的引用路径是怎么样的。 小力不会美术，不会画图，替换的素材从哪里来。 第一个问题，通过前端调试，很快解决。有图片、交互UI、音频以及引流的变现链接。 第二个问题，素材可以直接互联网抠图。最直接的，米游社原神板块和淘宝旗舰店。 大概周六一下午的时间，以上内容基本缕清。又花了一晚上的时间，最重要的素材通过截屏、powerpoint 工具、画图工具，剪裁完毕。 第二天一早，项目借鉴之前个人网站的方式，通过 GitHub 静态部署完毕。部署过程，加入了百度和谷歌的数据埋点，用来监控PV、UV以及访问来源等信息。 潜在风险迭代 周日的中午，项目已经和最终版基本无差，在交付种子用户体验后，收集到了正向的反馈。但是，小力觉得还应该做得更好。于是替换掉了项目中的引流链接，删除了循环玩法流程。 在调试过程中，小力发现，资源加载缓慢，平均首次加载耗时超过2分钟，部分时间甚至出现卡顿。根据亚马逊的实验报告，网站每多加载100ms，将损失巨量的成交。小游戏也是，根据微信的报告，小游戏的加载过程，将会影响至少一半的潜在玩家。总而言之，加载的延迟问题很大。 要解决这个问题，有多种方法。其一，压缩素材。其二，换自建服务器。这些，都是技术人员正常的想法。不过，这里忽略了一个最重要的事情，就是客户：客户关心这个问题吗？后续的结果证明，延迟的负面影响没有预想的大。 又是一个下午的时间，小力尝试压缩图片质量，通过 tinypng 缩小了图片资源到原来的1/4。而加载问题，始终有概率在98%处卡住。这个现象，有两个原因：一个是资源所处位置 GitHub 本身的不稳定性；第二个是，前端代码里对进度条进行了调整，98%时，实际加载的资源只有50%🐶。 交付与反馈收集 当天晚上，小力在米游社发帖，开始曝光自己的游戏。当晚的浏览量在200上下，第一次收到玩家的反馈。其中，正向的居多。而反应加载不出来的，十条大概只有一条。给这个比例加上“沉默螺旋”加成，也就是那些受阻的玩家会直接关闭而不是反馈，估计约有2成玩家受阻。这一数量，在可接受范围。 第二天，周一的中午，小力在NGA发帖，曝光自己的游戏。 随即，浏览量“暴增”，顶峰半小时 UV 在800以上。 后面几天，流量趋于平稳。累计的PV在13000以上，UV在7000+。这个数据单独看没什么概念，但要知道，小力个人网站2020年的 UV 是2890，PV 是3690。而小游戏，不到一天就超过了这个数。 随后，小利在外网 Reddit 社区，也发出了帖子，进行游戏曝光，同样收到正面反馈。 两天后，小力计划采用视频曝光方式。计划延期未交付。 再两天，小力观察到米游社有一个首页推荐贴，合成史莱姆。获得了合成魈的十倍曝光。观察下来有如下特点： 标题符合社区文化，吸引人去点击 素材更改并不多，甚至有些粗糙，交互逻辑沿用的第一版 但是，它获得了更好的流量。 https://kuhung.me/posts/interpretable-machine-learning/ Fri, 22 Jan 2021 15:24:12 +0800 https://kuhung.me/posts/interpretable-machine-learning/ 背景 QQ 的“安全”策略 2021年1月18日，QQ 系被爆出扫描用户的浏览器历史记录，并对特定关键词进行了记录。 QQ 的公关回应说，这是安全策略。但其实，懂的都懂，这里不做过分推演。 某种意义上讲，目前各大互联网企业的竞争，实质上是数据的竞争。 数据越多越好 作为调参从业人员，从算法和模型角度来说，数据确实是越多越好。 数据越多，模型能捕获到的有用特征则更多。从特征状态空间，映射到实际标签的过程，会更顺畅、更准确。 我的数据谁做主 为什么大家会这么关注这个问题？有两方面的原因： 一：采集行为未经用户授权，且数据采集毫不相关。 二：日常生活中，有太多”精准“的推送。 早上刚和同事说想买 PS5，晚上各大 app 就开始展示 PS5 的商品广告。 用户可不管你用的什么方法，你拿了我的无关数据，展示了我心里想的东西。 啪的一下，两件事情就得到了关联。 现象背后的解释 心理的谬误 从心理学来讲，确实存在“孕妇效应”和“幸存者偏差”，会让我们错误地把两件事归因在一起。 即，怀孕的人，会突然发现，大街上怀孕的人变多了。但实际变多了吗？其实并没有，只是之前的注意力没在这里而已。 ”幸存者“，则是那些发声的人。广告虽然会尽量投放给潜在顾客，但刚好命中前一秒有需求的，是少数。发声出来，让大家以为这是普遍现象。 算法也有“恐怖谷” 更多的则是，从用户体验层面，无理由的精准，着实会招致抵触。 在数据应用的早期，大家觉得这是个新鲜好玩的东西。但当推荐越来越离谱，仿佛读心术一般的，数据的“恐怖谷”效应也就出现了。 这和仿生人领域一样。当机器人越来越像人，人类感受到的不是亲切，而是害怕。推送太准确了，以至于让人发怵，从生理上抵触。 我模型牛逼，要什么解释性 而在研发层面，在做模型时，往往容易陷入参数狂热。 随着各种模型方法的支持，我们很容易将各类脑洞、各类特征、各类技巧糅合在一起，做出一个看起来还不错的结果。 但其实，我们很难解释，是哪部分带来的效果。是深度学习的网络结构，还是交叉几轮找不着北的特征，抑或是那不起眼的坐标信息？ 大多数情况，我们给不了解释。 同行与监管的挑战 为了解决数据滥用、模型黑盒问题，业界正在发生变化： 软件提供者层面 iOS在14的版本更新中，有一个最显著的变化，引起了我的注意：系统在做应用推荐时，会给出推荐的理由。 而这，在此前的版本都是没有的。 例如连上蓝牙耳机时，屏幕的下方会显示：推荐xx音乐，因为连上蓝牙时经常这么做。 监管层面 蚂蚁上市告吹，马已经服。金融时报这样评价： 同时，大数据、人工智能等技术易导致“算法歧视”，严重损害特殊群体利益。相较于传统歧视行为，算法歧视更难约束。 其一，算法歧视维度多元。传统歧视行为通常依据性别、学历等显著外在特征，但算法能挖掘更深层次的隐形特征作为依据。 其二，算法歧视形式隐蔽。基于种族、性别、民族等特征的歧视行为被法律禁止，但自动化决策可利用“算法的不可解释性”规避职责，在不触犯现有法律规定的情况下，侵犯消费者合法权益。 尤其是当某一个大型互联网企业拥有涉及数亿消费者天量数据信息的情况下，即使从个体和逐笔看，其数据来源和使用均获得了消费者授权，但从总体看，可能存在“合成的谬误”，这些数据在总体上具有公共品性质，其管理、运用并非单一消费者授权就能解决其合法性问题。 这说明，监管已经注意到这个层面。且他们的认知很专业，抓住了问题的核心：无法解释的算法，隐藏在超参数背后的歧视，将会侵犯我们每个人的权益。 这次他们没有“喝茶看报打哈哈”。 数据来源需合法合规，模型解释也应该有所依据。 模型的可解释性，必须提上议程。 下面内容比较生涩，我尽量做到深入浅出，小白看了懂大概，同行看了知方法。 我们需要可解释性 可解释的3大必要性 对于用户：用户需要知道，你有没有“偷窥”他的隐私，是否有私底下采集用户数据，用于歧视性定价等。 这会影响用户忠诚度和品牌美誉度。 如果总是很“精准”地推一些东西，用神经网络或者是组合特征、泛人群特征，用户实际是会很懵逼的。 信息不对称的情况下，他会直接联想到最近的行为，从而产生被监视的感觉。 对于监管，监管部门有责任掌握细节，防止信息的滥用与风险的滋生。 就像针对蚂蚁金服的调查：用户的多维度数据被企业用来谋求更大利益，滋生出巨大的金融系统性风险。 对于业务，业务方需要知道每个模型背后的原理，以便更好的做出决策。 一些并不面向前端用户的项目，业务方需要知道手底下发生的事情，以便做到能够响应变化。 模型说：a 变大，则 b 会变小。那么，当 b 变大时，业务就可以通过调大 a，进而控制 b 变小。 https://kuhung.me/posts/ten-financial-moments-in-five-years-1/ Thu, 31 Dec 2020 09:39:13 +0800 https://kuhung.me/posts/ten-financial-moments-in-five-years-1/ 描述 目的 发布时间 最后一次修改 财务管理的第一次笔记 用于回顾财务情况，审视财务决策 2021.01.11 2021.01.12 结论先行 这是第一篇财务总结文章，写于2020年末。本系列计划共计10篇，跨度5年。 为什么会有这篇文章 写这篇文章，是为了审视自己的财务情况，梳理财务观和财务现状，给自己一个交代。 财富，不仅决定了一个人的生活水平，也是其未来的支撑。财富自由不是绝对概念——需要达到多少数额，而是相对的、比较性质的结果。 如果不好好理财，放任钱从左边口袋进、右边口袋出，则永远不可能享受真正意义上的财富自由（包括富二代）。 我不理财，财不理我。 不自由≠单一储蓄 但是真要说，理财，很多人又陷入另一个极端：省钱。 我的上一代人就是这样子的，他们省吃俭用，支撑了我（这里需要感谢他们）。 但是这样的方法，对于我们这一代，是否仍然适用，则需要打个问号。 因为如今，高通胀，其实在变相地剥夺储蓄的财产。财富分配两极化的加剧，是不争的事实。 我的财商启蒙 我的财商基础，是父母的节俭教育。 而后引导我去寻求出路的，则是一次与表哥的对话。 记得一年春节，我对家里人说，我想去广场卖孔明灯，因为我觉得会赚钱。 表哥听说后，跑来问我：你的目标受众是谁，周转资金能有多少，预期产生多大收益？会被城管驱赶、没收掉资料吗？ 我当时完全懵逼，并没去考虑这些商业上的问题。竟然傻乎乎地觉得，我购入生产资料，就能产生自由的现金流。 这些问题，驱使我去寻找答案。 后来我发现，答案其实有两种：一种是别人的智慧结晶，另一种则是自身的亲历实践。 智慧结晶，就在华科的东图地下一楼与主图四楼，那批F开头的财经类书籍。 它们告诉我，省钱并不能带来财富增值。合理开支，把钱花对地方，产生正向的现金流，才是正确的做法。 两个爸爸 有的人，有两个爸爸，因而可以通过观察他们，学会分辨哪种方式更高效。 这并非在映射社会现象，而是说的一本书，名叫《穷爸爸，富爸爸》。当然，这本书也属于F开头的经济类书籍。 这本书的核心内容，是关于资产与负债的准确认知，以及对应的操作：减少不必要负债，买入可增值资产。 会走路的钱 钱会走路，这是另一本关于理财的书籍《MONEY WALKS》。核心其实和上文差不多，但多了作者自身的操作实践。 作者写了十年的博客，来记录他的财务变化。这也是这篇文章的萌芽点，模仿他，记录自己的财务情况。 书籍是一份答卷，实践则是另一份答卷。 做得好的地方 关注基金管理费用 这是在阅读中发现的一个盲区。我的基金买的大多是指数型，少部分进取型股票基金。当时买的时候，几乎没看管理费。看着漂亮的历史折线，就跟投了进去。 但长达百年的金融过往告诉我们，指数型基金，能跑赢大多数的策略型基金。而策略型基金，坑就坑在管理费上。别看1-2个点的差异，但长期复利来看，会是巨大差别。 所以检查之后，我停掉了两支年管理费2%以上的基金。有这管理费，都够杠杆买港美股了，盯着头部买，业绩也不会差太多。 接触港美股 说实话，我在2019年底前，并没有接触实盘的股市。因为15年的股市，给我留下的印象太深刻。 当年的公选课《证券投资》堂堂爆满的场景，还历历在目。仿佛座下的每个人，都能如台上的经管学院讲师，获得一年资产翻倍的成就。 人傻钱多速来。但很可惜，景气没持续多久，股灾就来临了。 不过后来，由于好奇+机缘，开通了港美股账号。尝试着买入了几支有接触公司的股票后，获得了25%的年回报（当然也有亏损的）。 资金轮动 资金轮动是在雪球上学到的。大概的道理就是：没有永远涨的市场，也没有永远跌的行情。 我觉得这句话有道理。虽然会让自身错失“暴富”机会，但也能减少本金折损的风险。 根据市场的波动，在半年或者是一年的时间节点，对仓位进行再平衡调整。 这招用在 BTC 上，很管用。 做得不好的地方 在模拟盘口嗨 用后视镜观察，无论是网易、英伟达的股票、还是数字货币，如果毕业就开始定投，收益至少比现在高50%。 而且这些东西，都是自己比较熟悉，没有脱离能力范围的。 京东、迪斯尼这类公司，其经营基本面，大家也都是有数的。 不过可惜，前面一年多，资金躺朝朝盈里面了… 做空大趋势 没错，我在蔚来汽车6块钱的时候，买了做空。 这可是如日中天的新能源汽车领域，虽然2019年底，还有到过2块钱的地步，但是6块钱，其实也不值得做空。 做空的钱，不如拿去买基金定投。 过早卖出 38卖出顺丰科技，今日92； 29卖出中国人寿，今日40； https://kuhung.me/posts/management-101-vol-2/ Wed, 30 Dec 2020 00:04:13 +0800 https://kuhung.me/posts/management-101-vol-2/ 🌟 合集地址：《The Manager’s Path》中文翻译 在上半部分，我们描述了一个好的管理者画像。以及我们所期待的，从管理者身上获得的东西。 下半部分，我们集中注意力在自身，即：如何被管理，做一个称职的下属（打工人）。 被管理者视角 弄清楚如何被管理，也是管理者需掌握的东西。这和向上管理不太一样，虽然它们有相关性。 它的核心在于三点： 在工作中，发展主人翁意识 培养对所做工作内容的权威感 不去依仗上级设定关系的基调 这对于掌握职业生涯，提升工作幸福度，十分重要。 花些时间想想，你到底想要什么 认识自身，责任在己 你的上级，可能会指出增长的机会。他能给你提供项目，能给你的学习、成长提供反馈。 但是他并不会读心术；他也不能告诉你，什么会让你快乐。 无论你是个职场新手，还是一个有二十年阅历的职场老鸟，这一切的责任都在你自己身上：你想要做什么，你想学什么；以及什么会让你幸福快乐。 职业生涯充满不确定性 你很可能正在经历，职业生涯的不确定期。很多人，在他们刚出社会的头2-5年，都会感觉非常焦虑。 当我刚离开学校的时候，也是这样的感觉。我迫切想逃离这颇有难度的工作，想回到熟悉的大学学术研究。 在我成为公司的技术负责人之后，不确定的感觉再次来袭。而且我能确定，每5-10年，便会经历一次不确定感。 当你经历过职业生涯的不同阶段，你将会意识到：这个世界充满了不确定。 快乐会消失，理想很现实 但其中，也有一条不变的真理：一旦获得了想要的工作，工作的光环便开始褪色。快乐开始减弱，你又开始追寻新的东西。 你想去一个很酷的创业公司，入职后却发现内部一团糟。你希望成为一位经理，到头来却发现这个工作非常困难，并且它的回报并不如你所愿。 在以上的所有情况中，你能依赖的，只有你自己。你的领导并不能取代你的地位。 因为，借助你的领导，你可以发现能到的地方；但只有理解了你自己，才能弄清楚想去的地方是哪里。 为自己承担责任 认识你自己是第一步。第二步，是知道你想要什么。 主动争取 当你想做某个项目，就去争取它，推荐自己。 当你的领导并不那么管用时，从其他地方获得支持。 寻求反馈，包括负面的、需要改善的地方。当收到反馈时，好好重视，即使你并不认同它。 当你长期都不开心时，说出来。 当你遇到障碍时，寻求帮助。 当你需要支持时，提出来。 当你想要被提拔时，弄清楚怎样才能获得晋升。 付出更多 如果你想要回家，找找什么方法能让你完成工作，然后回家。 有些时候，你不得不对抗整个组织文化，以此来设定自己的边际。这种感觉并不舒服。 另一面，如果你想承担更大的责任，你可能需要更多时间来肩负它。 不是每件事都能如愿 你并不能获得想要的每件事情。去争取也不是一件有趣、舒服的事情。但它却是最快的方式。 如果你的领导足够坦诚，他会感谢你的直爽。但他也可能不太敏感，或者他想你少说多做。那你就需要考虑清楚自己的处境。 我无法保证，这对你百分之百有用。但一旦你设定了自己的目标，你就有责任去做点事情，让它成为现实。 理解上级，换位思考 这只是份工作。 上级的工作职责 你的上级，可能因为其他事情而焦头烂额。 他不是完美的。他也会说很多消极的话，或者是做一些让你感觉不公平、有伤害你的事情。 他可能会分配，你并不想做的工作，并且无视你对于这件事的抱怨。 他的责任，是对整个公司、整个团队，做整体最优的事情；而不是一些让你时刻开心的事。 同上级的人际关系 你同你上级的关系，和其他人际关系没有两样。 你能改变的只有你自己。 你有责任提供足够多的反馈给到上级。 但也需要认识到，他可能并不想听，或者听了也不想做出改变。 什么时候该换工作 如果你发现开始对上级积累怨恨，很可能，你需要去新的团队或者找新的工作。 如果遇到的每一个上级都不爽，那就要想想：问题是出在他们身上，还是自己身上。 也许你在一个没有上下级的工作环境，会更开心。 寻求建议，而不是完全依赖 特别当你变得越来越资深，要记住：上级希望你带来解决方案，而不是问题。 不要让每场谈话都变成你需要什么，以及某些事是多么的糟糕。 当你遇到困难，找你的上级解决掉它之前，试着寻求建议，学习他处理问题的思路和方法。 寻求建议，永远是表达尊重和真诚的最好方式。 选择你的理想上级 你的上级会对你的职业生涯产生巨大的影响。 https://kuhung.me/posts/game-design-summary/ Thu, 24 Dec 2020 09:33:23 +0800 https://kuhung.me/posts/game-design-summary/ 标题 创建时间 发布时间 最后一次修改 备注 游戏机制设计 2020.11.11 2020.12.24 2020.12.24 拖更文🐶 写作背景 一款游戏，挨骂最多的是谁 一个游戏中，挨骂最多的，策划排第二，没人敢排第一。按理说，一个游戏的美术好、音乐好，确实值得夸赞； 但我们将各个部分拆开，一定会发现，单一的”美好“的元素，并不足以撑起整体的评价。 最后游戏的评价，一定是多方面，1+1>2的结果。 美术很重要，它带来了独特的美的享受； 程序很重要，它保证了基本功能和丰富玩法的实现。 这样算来，策划确实不算啥，动动嘴皮子就行。 事实并非如此。 抛开营销、渠道不谈，其实，恰恰是策划所构造的游戏机制，将好玩的游戏带到我们身边。 想一想，你是否有接触过音乐一般、美术一般，但极度耐玩的游戏？ 。。。 。。。 。。。 不用绞尽脑汁想，象棋、跳棋、五子棋都是经典的耐玩游戏，打弹珠、扇卡片仍在代代相传。 为什么他们耐玩，究其原因，还是因为游戏机制设计，带来了丰富的可玩性。 这是一篇给策划的洗地文？ 本文不是谈论单独某款游戏的策划，而是探究他们做的事情之一——游戏机制设计，是如何带来游戏可玩性的。 以下内容，参照《游戏机制——高级游戏设计技术》、《通关 游戏设计之道》、《我在美国学游戏设计》等资料。 以剧本杀《情辞白帝》《青楼》等作为迁移剖析的对象。分析游戏机制在其中扮演的角色，以及如何进一步改进剧本杀游戏体验。 所以，该骂策划继续骂。但不妨碍我们思考，游戏机制如何影响我们的生活。以及在每一次版本发布后，试着理解，内容调整的动机。 游戏是什么 在开始之前，我们先定义游戏的概念。什么是游戏？游戏是在规则的约束下，参与模拟的冲突，产生可量化结果的系统。 游戏不可预测 游戏的最大特点，是不可预测性。这里的不可预测，不等于100%随机。 好游戏的不可预测性，是少量的随机+简单的规则+充分的互动的结果。 为了强化不可预测性，常常会让玩家在游戏中做出选择。 这个选择，可能是操作上的、也可能是策略上的。 试着思考以下游戏，你做出过的选择： 《超级马里奥》、《俄罗斯方块》、《贪吃蛇》，《王者荣耀》、《PUBGM》。 在剧本杀中，同样充满了不可预测性。每个玩家手中的剧本，都是局部的，需要策略伪装，以达成最后的任务。 机制的存在，影响了游戏运作。其作为核心，是游戏可玩性的来源。 什么是机制 机制是穿插在游戏内，最有影响力的东西。 例如，马里奥的跳跃。通过简单的跳跃，玩家可以实现攻击、闪躲、跨越障碍等几乎所有事情。 虽然玩家也可以左右移动，但左右移动，服务于跳跃。所以，跳跃是超级马里奥的核心机制。 五类机制 机制，一般可分为5个大类，分别是： 物理机制 内部经济 战术动机 社交互动 渐进 其中，前四者又可以概括为突现。 物理机制 物理机制，典型如愤怒的小鸟：小鸟发射、碰撞、滚落，遵循了真实世界的物理规则。 内部经济 内部经济，则包括元素的收集、消费以及交易。常见的资源有：金钱、能源或是武器弹药。 同时，不同于现实世界，抽象的资源也是内部经济的一部分。 抽象资源如：声望、健康、好感度和技能点等。 战术动机 战术动机，其典型代表则是象棋。战术的核心是资源的分配，例如象棋棋子的位置。 社交互动 社交互动，就是字面上的意思。国内的腾讯，把这部分发挥到了极致。 国外的 coin master，也背靠 Facebook 等社交公司，长期挤占付费榜前十。 https://kuhung.me/posts/management-101-vol-1/ Sat, 19 Dec 2020 15:32:37 +0800 https://kuhung.me/posts/management-101-vol-1/ 🌟 合集地址：《The Manager’s Path》中文翻译 管理的秘诀就在于：让那些讨厌你的人，远离那些还没有形成主见的人。 ——卡西·史丹格尔 你阅读这篇文章，是因为你想成为一个好的管理者。但在这之前，你其实并不知道，一个好的管理者是什么样子。 你之前有遇到过一位好的经理吗？如果一个人让你告诉他，你想从一位好经理身上获得什么，你能够回答这个问题吗？ 从管理者那里，期望获得什么 每个人在管理之路的第一站，总是在桌子的另一边，即：被管理者。这些被管理的经历，成了你构建自己管理哲学的基础。 不幸的是，我已经看到很多人，在他们的职业生涯中，并从未遇见过一位好的领导。 好的管理特质 散养（benign neglect）——这是我的朋友谈论他们遇到的，最好的管理者的特质时，常常会提到一个词。 工程师知道他们该做什么，领导则完全放权给他们做。在一个极端的案例里，一个人在六个月的项目时间里，仅仅同他的领导会面了两次。其中一次还是因为获得提拔。 良性的忽视（散养）并没有那么糟糕，特别是当你看到它的反面的时候。 散养的反面之一 这里有另外一种领导，当你需要帮助的时候，他会无视你：不顾你的疑惑，同时避免与你会谈。 更甚至，他们从来不给你反馈。只有当绩效回顾到来时，他才会告诉突然地告诉你：你并不胜任这份工作，或者是并不值得被提拔。 散养的反面二 而另一方面，又会有另外一种：极端的、事无巨细的管理方式。 他总是过问每件事的细节，并拒绝让你做任何的决策。他们会无视你的建议。只有当他们想找人背锅时，才会找上门来。 散养没那么糟糕 遗憾的是：以上反面类型的管理者，总是存在于各大公司的角落，影响着团队的精神健康。 所以，当你看见了以上的案例，你会意识到：散养，也没那么糟糕。 理想的管理者 与此同时，也有其他的类型的管理者：他们把你当成一个真正的人，并乐意帮助你成长。 他们会教你一些重要的技能技巧，给你有价值的反馈。 会帮你分析目前的困境，在困难中给你指引。帮助你弄清楚，哪些东西需要学习。 会想着某一天，你能胜任他们的工作。 总结起来一句话：他们帮助你明白，什么是需要重点关注的；同时，让你具备关注的能力。 但话说回来，为了你和你的团队走上正轨，管理者的关注点在方方面面。所以，指望他们事无巨细皆满足，也是不现实的。 在谈论想获得什么时，也应该问问自己：你想要的是什么。 一对一谈话 同你的直属领导，进行一对一的谈话是非常重要的。这有助于构造一个好的工作氛围。 然而，很多管理者忽视了这些会谈，或者他感觉是在浪费你的时间。 一对一谈话是为了两个目的。 一对一谈话目的之一 其一，它创造了你同你领导的联结。 这并不意味着：你花大把的时间，去谈论你的兴趣爱好、或者是周末的活动。而是让你的管理者进入你的生活。 这非常重要的。因为当有压力的事情发生时，比如：家人的去世，新生命的诞生或者是房屋修缮，会更容易请假。 你需要更多的帮助时，也会更加容易。 好的领导者，会注意到你的精神面貌的变化，并且希望能够真诚地帮助到你。 虽然我们可能是很内向，或者我们根本不想在工作中交朋友。你可能会认为，我是一个很喜欢交朋友的人，所以我不能理解你的感受。但是我向你保证，我能理解你坐在桌子的另一端的感受。 内向并不是借口，也不是无礼待人的托词。 强大团队的基础，是人与人间的联结。只有充分的联结，才能够引起足够的信任。 所以好的领导会希望：你在工作之外能有生活，同时也乐于交流你们的业余生活。 一对一谈话目的之二 一对一谈话的另一个目的，是提供了一个私密谈话的机会。尤其是，有一些必须谈的话题。 你应当把你的一对一谈话，安排的到日程表里。以便这个会面能被排期。掌控谈话节奏的职责，并不完全在领导侧。如果在谈话前，能有议事的章程，将会是非常好的。 如果你的领导并不经常和你会谈，或者是经常取消或者改变谈话时间，这将有点难办。 你可能并不需要高频的一对一谈话，那也没问题。当你需要它们的时候，就请告知管理者。 一对一谈话的更多作用 对于大多数人来说，好的一对一谈话，并不等同于进度同步会议。 如果你是一个管理者，汇报给更高的管理者。你可能会用一对一谈话，来澄清项目状态；亦或者是，讨论那些还没立项的项目。 如果你是个独立的开发者，一对一谈话可能是重复或者是无聊的。如果是这样，尝试用邮件或者是企业聊天工具去做这个事情。并且记住，尽量在会谈中明确你的中心主题。 我鼓励你去承担责任，承担营造更好会谈的责任。 起草一个议事的章程；为会谈做好时间准备。如果他取消，或者是重新排了日程，推动他去找一个固定的时间。如果这个时间不现实，那就找一个感兴趣的话题切入，让他知道你想进行一个会谈。 反馈和工作指引 反馈，应当是值得期待的第二件事情。 这里说的反馈，并不是指绩效回顾。虽然绩效回顾是其中的一部分，但它的频次并不高。 一般而言，你极有可能在项目初期，搞砸了某事。如果你的管理者称职，你会很快接收到反馈。 这可能会让你感觉不舒服，尤其是对于还没有适应工作压力的人。 接收其他人的反馈，可能会让你感觉迷失方向。 但是要记住，比接收反馈更糟糕的是：没有反馈；或者是到绩效评估时，才得到反馈。 持续追踪、记录反馈 从领导那里获得早期的、持续的反馈，非常重要。 发现越早，坏习惯就越容易修正。 这对于表扬也是同样的道理。一个好的管理者，会注意到你日常生活的点点滴滴，并从中认识你。 https://kuhung.me/posts/yuanshen-idle-feedback/ Mon, 16 Nov 2020 00:37:39 +0800 https://kuhung.me/posts/yuanshen-idle-feedback/ 游戏地址：https://kuhung.me/yuanshen-idle/ 很高兴能和大家分享这款小游戏。如果恰好你也喜欢原神这款游戏，想在长草期放松放松，那么这款放置类游戏一定不要错过。 游戏模板来源于 Couy69 的 vue-idle-game，副本填充内容来自原神米游社等公开社区。所有内容均来自公开互联网，业余时间打造，非内鬼，不py。 对这款放置挂类游戏的任何建议，欢迎通过以下三种方式联系。 拥有 GitHub 账号，可直接下方留言。 关注我的微信公众号【谷粒说数】，留言反馈。 发送电子邮件至 kuhung#foxmail.com(@替换#)，进行反馈。 请选择你最方便的形式。 为答谢各位的支持，将于12月1号，送出三份原神周边。抽取三位提出宝贵建议的同学，快递上门。 另寻前端高手，优化移动端布局，以及迭代整体交互逻辑。 目前的更新计划： 项目 预计耗时 预期上线时间 实际上线时间 备注 最后一次修改时间 原神放置类小游戏 7x10h 已上线 2020.11 项目整体概况 2020.12.10 完成全部副本的文字描述替换 4h 2020.12.13 1116 完成蒙德区副本文字描述 2020.11.16 增加新手引导 1h 已上线 2020.11 增加文字描述引导 2020.11.19 调整增益道具UI 增加道具洗练，将摩拉进行消耗 调整暴击逻辑，增加随机性 游戏 Tip： 点击保存，保存的游戏进度在本地，离开再回来，仍能继续。 ◀返回游戏 https://kuhung.me/posts/pmp/ Mon, 26 Oct 2020 23:21:09 +0800 https://kuhung.me/posts/pmp/ 项目管理好坏，决定了项目的成败。无论做什么工作，项目地企划、执行、效果评估、复盘，总是必不可少的。 我们可能遇到过如下场景： 业务方提出需求，扑哧扑哧做个几周后，却发现并不是他们想要的。这样的后果就是： 项目结果被搁置 几周的开发时间浪费 业务和开发其乐融融，第一版也顺利交付，而后由于老板或者更高一级负责人的要求，要做的功能点越来越多，以至于现有功能延误。 需求的企划，项目的推进、以及团队的建设，对于结果的影响，是强相关的。做好以上三点，有两个好处。一来，可以减缓项目的失败风险，二来，也有助于团队更高效地产出。 以下内容，框架节选自书籍《程序员修炼之道》，根据理解有部分删改。《程序员修炼之道》，是软件开发的经典之作。对于软件行业的原则性问题，进行了详细而又到位的探讨，出版二十余年。第二版添加了最新的潮流趋势，由云风翻译，质量上乘，值得推荐给大家。 一般做阅读，都是带着问题来的，为了解决对应问题。项目管理方面，也有经典之作 PMBOK，不过那本书蛮厚的，还没消化完全。以下内容，解答了我对于需求、项目以及团队建设的部分迷思。大部分摘录自《程序员修炼之道》，穿插工作中的心得体会。希望给读者朋友带来帮助。也希望自己，能常读常新，在工作中实践、反馈、进步。 项目启动前 需求——没有人知道自己想要什么 在每个项目启动前，往往是需求的对接。 业务部门想要的是什么？是大老板拍脑袋的需求，还是确切有利于业务问题的解决？ 之前的职业经历中，遇到的很多需求，都是大老板拍脑袋，然后层层传递下来。到了执行层，基本无法判断其真实的目的。最后只能和末端的需求人员对接，成了单一的传声筒。 这种情况，十分危险。 根据乔老爷定律：没有人能确切描述自己的需求，直到你把产品摆在他面前。 这样的后果就是，为了缓解高层的焦虑，做了很多脱离实际的功能。而一线，最熟悉用户的人，许多业务中的改进点，却只能搁置。 灯塔——开发人员的职责 作为开发人员，尤其是作为数据开发、数据挖掘人员，我们的职责之一，便是帮助他人了解想要什么。因为，产品数据、模型效果等最直观的感受者，还是我们。只有我们才知道：什么能做、能做到的程度。这也是区分初级和高级工程师的因素之一。 在帮助他人澄清需求时，常见的错误，便是照单全收。这往往会为后续开发，埋下隐患。人们的日常沟通，尚存在许多误解，更别说涉及开发建模的活。 正确的做法，是复述一遍，将自己理解的程度反馈出去，并明确问题的边界。如果，刚好对业务领域了解不深，则更应该通过沉浸体验业务、复述需求等方式，寻求反馈。 什么需求是好需求 与此同时，在需求澄清过程中，应当区分需求与策略。需求，是指功能上的开发，以期望实现某种功能。策略，则是一连串的活动，保证达到某种效果。一般而言，策略抽象自需求。关注更高层面的抽象，为底层需求做好准备，DRY（Do Not Repeat Yourself）。 抽象的，且能简单直接反应业务需求的，才是好需求。 另外，做好需求的文档化。需求文档化，不是说要去交付它；而是说，将其作为开发过程的记录。这种方式，能较为清晰的记录，软件开发过程中的 Eureka 高光。这些点子，兴许是下个需求来源，或是创新的突破口。 为什么项目会失败 查理·芒格说过：如果知道，我会死在哪里，那我就永远不会去那里。 一般而言，项目失败有两个因素导致。一个是：功能的不断膨胀。也许一开始，只是添加了一个小功能，最后却成了臃肿的庞然大物。 另一方面，则是需求的变化。昨天需要的事物，在今天可能就没那么适用。 如何破解该难题：其核心便还是，持续的反馈。 项目进行时 项目难点的处理 项目中的直接阻碍，来源于项目本身需解决的问题。除了自然界的熵增，可自发的进行。逆熵行为，无一例外都会遇到困难。所以，问题并不可怕，特别是当你知道，如何处理时。 那么，如何处理项目中的难点呢？ 第一，先检查约束条件。约束条件是指，项目的边界。诸如：时间、资源配给，期望的效果等。审视，项目一开始的条件，和当下条件的差异。时刻检查，条件是否发生了改变。 第二，反问自己。为什么需要解决这个问题，为什么你需要解决这个问题。问题的收益和付出，在不同层面，是都成正比的吗？如果是边界的问题，你能消除边界吗？最后，再问问自己，类似的问题，其解决方案是什么。 处理难题过程中，值得推荐的是：新建一个文档，记录思考和开发的过程。现实生活中，不同于考试做题，没有明确的对与错。记录开发过程，有助于养成主动思考的习惯。 用户共建，敏捷开发 在项目进行时，很重要的一点是：不能脱离用户，而是和用户共建。与直接的用户，形成良好的互动关系。不断提问，不断澄清。决策、实施、演示、反馈。 传统的工作模式，是瀑布流式的工作方式。一切都规划好，然后按部就班实施。瀑布流的好处是，能看到一个大的愿景。但其坏处，也很明显：不够灵活，容易需求延期、特性膨胀。 敏捷方式，则克服了瀑布流的缺点。整个是一个三步走流程。首先，评估当前的处境。然后，朝着预期的方向，做一次最小化的改进。最后，明确事情的边界，让事情先运转起来。敏捷也有其缺点：变更频繁；难以全局最优，常常陷入局部最优。 最后，在项目进行时，不要一个人埋头进去代码。参加代码评审等活动，了解和学习别人的代码优点，也能让自己的代码更鲁棒。同时，也别忘了，遇到问题，求助他人，也是一个解决问题的中上之道。 项目交付 项目的最终目标 项目交付，不是一锤子买卖。这项活动，是类服务业：其最终目的，是解决用户的需求，让用户愉悦。 要记住，用户需求的并不是代码，而是代码逻辑后的解决方案。 所以，过程可能并非那么重要。如何挖掘用户的期望，让用户满意，才更为重要。 以终为始，挖掘期望 如何挖掘期望，不如看看《高效能人士的七个习惯》之二——以终为始。让我们从项目结束的角度，思考和评判如何叫做成功。 一旦我们记住了从期望出发，项目交付就会容易很多。以期望出发，需要确保项目中的每个人都清楚该期望。在做决策时，也尽量选择靠近该期望的路径。根据现有期望，去分析用户的需求。如果有更好的方案，能满足用户期望，则大胆的提出需求变更。最后，随着项目的进行，不断地审视期望。 在项目交付时，签上你的名字。程序创造是一门艺术，留下签名，不仅是责任，同样也是自豪感的体现。 团队建设 以上活动，离不开团队。一个好的的团队，会让事情做起来事半功倍。如何打造优秀团队，使其成为项目的牢固支撑，也是项目推进的重要一环。 优秀团队的定义 首先看，优秀团队的画像。对内，成员及时沟通。DRY 不做重复的工作。对外交流，团队成员是个性独特、心情愉悦的。外界听到的声音，是一致的。这要求团队氛围活跃，同时也要求项目文档清晰、准确、一致。且在会晤前进行了充分的准备。 曳光弹开发 项目采用曳光弹的开发模式。 曳光弹，和敏捷的概念类似。在夜晚作战时，先打出一发曳光弹，照亮目标区域，以期后续能精准命中目标。曳光弹开发，要求：个体互动高于流程工具；软件支撑高于详细文档；客户合作高于合同谈判；响应变化高于遵循计划。 建设务实的团队 另外，建设一个务实的团队，也十分重要。务实不务虚。Talk is cheap, show me your code. https://kuhung.me/posts/data-engineering-in-2020/ Thu, 17 Sep 2020 21:51:46 +0800 https://kuhung.me/posts/data-engineering-in-2020/ 我的工作是数据挖掘，很大程度依仗数据开发。如果说数据挖掘是在烹饪美食，数据开发就是选食材、清洗食材的过程。没有好的数据开发，就没有好的数据洞察。 恰好，我自身也经历了两家不同规模的公司。由于起点的先后，前者的历史包袱严重。基于惯性，数据挖掘的任何数据，都得从原始log中提取。没有数据治理、数据分层的概念。这不仅增多了重复性的劳动，也增加了服务器集群的压力。数十款 top 游戏，每一款、每个人都这样搞，浪费时间、浪费算力。 目前这家，则大不相同。技术债不多，数据治理做得还不错。没有大谈特谈数据中台，数据开发的每一行代码，都是为下游，而不是晋升服务。数据挖掘也很少碰原始 log，这节约了大量时间，让下游有更多时间集中在业务上。 同样是数据开发，却产生不一样的结果。这让我对该工作的定位，产生了兴趣。也这篇文章的由来。 言归正传。本文翻译自：https://towardsdatascience.com/data-engineering-in-2020-e46910786eda 结合实际工作，有较大幅度删改。 随着数据体量的进一步增大，数据处理工具和技术的发展也日新月异。数据开发的工作性质也发生了巨大变化。如今所使用的工具，同十年前已大不相同。 虽然技术在发展变化，但还是存在延续性。除开大数据开发相关技能，一些更基础的技能，也值得学习。例如：版本控制（git，svn），测试驱动（TDD），继续集成和部署（CI，CD）。而这，常常容易被初学者忽略。数据开发与软件开发常常呈现割裂状态。事实上，软件开发的工作流，对数据开发是一种补足。 早期的 ETL 工程师 大数据热潮之前，数据团队常常由 BI 和 ETL 开发组成。 典型的 ETL 开发，就是将数据集从位置 A 移动到位置 B，并使用该数据构建部署到 Web 的仪表板（BI）。除此之外，BI 和 ETL 的开发与软件工程无关，该学科在本世纪初已日趋成熟。（事实上，很多公司这一步都没做好。就开始吹捧数据中台概念，为晋升找噱头。） 随着数据量的增长，以及数据分析需求的增加，在过去十年中，出现了新趋势。更现代的 BI 工具（如付费的 Tableau，免费的 D3.js 等），允许以最小成本创建仪表盘。数据开发已成为一门新学科，它使用一套新工具将软件工程原理应用于 ETL 开发。 如今的数据开发工程师 一般来说，为了使流程更加顺滑，会创建数据管道（data pipeline）。在大规模数据上，这意味着将十多种不同的技术（甚至更多）融合在一起。数据工程师必须深入了解各种技术，选择合适的工具来完成工作。并用 Scala，Java 或 Python 编写代码，才能创建弹性和可扩展的解决方案。数据工程师必须了解他们的数据，才能创建合适的分布式处理作业。数据工程师必须了解基础架构，才能确定作业失败的原因。 从概念上讲，这和典型的 ETL 作业没有区别。都是从许多数据源收集数据，将它们放入集中的数据仓库中以备分析。接着，将其转换为BI报表或机器学习模型。但是，他们之间的唯一区别，就在于数据体量的不同。后者在大规模数据下，面临更多挑战。 数据开发产业现状 在很多文章中，建议数据工程师应具备如下工具使用经验：如Hadoop，Spark，Kafka，Hive，HBase，Cassandra，MongoDB，Oozie，Flink，Zookeeper 等。 了解它们的使用，是最基础的。知其然，更要知其所以然。不仅需要掌握他们的使用，更应该明了：它们旨在解决哪些特定问题，应该或不应该在哪里使用。如果不能使用，还有什么替代方案。 近年来，快速发展的云技术，已经产生了各种各样的云原生应用程序和服务。就像几年前现代 BI 工具的应用，更多的业务可以便捷的进行数据分析。现代的云原生数据技术栈，简化了数据的提取和转换任务。 像 Apache Spark 这样的技术在未来几年仍将流行，因为它们非常适合复杂的数据转换。 尽管如此，Snowflake 和 Google BigQuery 等云数据工具的使用率很高，因为他们简化了数据提取的过程。 而Spark，则需要一定门槛的专业化的技能。 目前来看，国内的类似产品 MaxCompute，市场接受度似乎还不高？snowflake 前两天上市了，投资人挺喜欢它的故事，巴菲特也跟投了。 数据开发技能清单（补充） 除开基本的数据开发技能，如 Hadoop 那套生态外，还建议掌握如下技能： https://kuhung.me/posts/statistics-tell-lies/ Sat, 25 Jul 2020 20:43:52 +0800 https://kuhung.me/posts/statistics-tell-lies/ 高考发榜，已经有几日。这篇文章姗姗来迟。还是希望，给各位考生朋友，补充有价值的信息。2020，迟到的高考，落下帷幕。紧接着，就是志愿填报环节。 想起自己当年，突然要选择自己的专业，那是慌得不行。草草的根据自己分数，划了几条线，填了武大、华科、同济、天大。然后又在最后一刻，决定学门手艺。将华科调到了最前面，并且选择了目前的专业，一个名字听起来很酷的专业。于是，就这样来到了华科机械大类下的测控专业。 但是，在度过四年时光后，却没有选择机械，而是选择了互联网。一方面，是原专业的就业环境，与志愿填报时的预期不符；相信每一位机械同学，都是想着做酷炫的机器人、或者是参与“大国重器”的建设中来；但实际上，即使是华科，机械全国前三，可选择的余地也不多。另一方面，是薪资成长性，传统机械，十年磨一剑，适合耐得住寂寞，有家底的同学。而就在刚刚，在专业大群里，惊闻自己这个专业，今年不再招生。 以上，足以见得：志愿填报，和投胎一样，也是个技术活。个人努力，行业趋势，两者不可相悖。选择，某种程度上，比努力重要。有效决策，能放大努力的价值；浮于表面的选择，则会冲淡寒窗苦读的日夜。 志愿填报，就是个决策问题。决策过程，一般是多方面因素的聚合，最终反应决策体的综合认知。一般来说，会是感性的认知+理性的数据。但是，并不是所有人，都能做出好的决策。即使是年长的父辈，虽然在其他方面，做出了很棒的决策。但受限于其人生经历，在志愿填报上，也可能会做出次优的决策。 好在，人类的长处，就是从别人那里吸取教训。他山之石，可以攻玉。 让我们抽丝剥茧，从不同角度，挖掘志愿填报中的“天坑”与机遇。 第一个“坑”，获得性偏差。 获得性偏差，是一类感性偏差。通俗来讲，就是：在没看到黑天鹅之前，以为所有天鹅都是白色的。 想自己填报志愿那年，家父说：隔壁村老李的儿子，填了重大（重庆大学）的土木，12年毕业，没两年就重庆买房了。所以，你也去填土木吧。 咱先不说，乡里乡亲的习惯性夸大。看看现在的房价，似乎有道理。但别忘了，中间15年也有一波下挫。回望08年次贷危机，为提振经济，国家拨了大量资金，流向基础建设。那几年，土木着实赚钱。但产能逐渐加码，没有宏观调控，势必过剩。没过几年，商品房库存开始堆积。家父肯定没那么神机妙算，能猜到后面的货币化安置。那么，我看到了当时的产能风险了？也不是，单纯想往机械钻… 而我想往机械钻的念头，也不是无中生有。来自于众多宣传片的鼓舞。这其中，少不了一只飞虫拍三集的《走近科学》；以及鼓舞人心的《大国工匠》。这些片子的出发点是好的，激发国民的好奇心，弘扬钻研精神。也要感谢他们，社会才不至于太浮躁。但是，同样的，行业的枯燥、重资产轻人工，却没能显露出来。这些问题不暴露，不是说无关轻重，而是默认，每个人都知道。但是对于一个学生，如果没有高人指点，他知道的，只能是他看到的。 上面两个例子，说的就是获得性偏差。这样的例子，不仅出现在志愿填报。想想看，我们的日常决策、企业决策，是不是也有很多？ 第二个“坑”，数据误导。 首先是，用有限的小样本，代替整体样本。最有代表性的，就是各类软件培训机构。如今，大家都知道，搞互联网IT，表面上比其他行业挣钱。这催生了大量培训机构。在招生简章中，可以看到：某某学员，以xx万入职xx公司。这一听，好像几个月工资就能回本。但他玩的就是有限样本的把戏。尚且不说，这某某学员是否真实存在；即使他存在，也不能代表真实的期望。数学中的期望，不是拿最好的来说事。一般人，正态分布到两端的概率，十分之小。 其次是，用各种不一的口径，暗示自己很强。没错，这里说的就是各类大学排行榜。今天你出个排行榜，说自己很强；明天xx机构，又出个排行榜，排名一下发生巨大变化。大学排名，可以参考，但也不能全信。评级机构的公信力，很多都无法考证。最近还流行，将各个排名取平均，显得很客观，但实际，其中的加权怎么定，重合的指标有无剔除，混合排名的人，可能自己都不知道。相较而言，各榜水平稳定的高校，买榜的概率更小。比如：清华和北大，稳居前二。如果你不能识别，那就最好不要花太多时间在上面。 第三个“坑”，暗示因果。 暗示因果的最强例子，就是分数了。一般来说，大伙儿都会参考去前年的录取分数、最低录取位次，以此来判断这所学校的价值。这里有一个假设：即分数高的学校，是好学校。分数高的专业，是好专业。其中深层次的假设是，分数高的人，所作的决策是明智的、充分掌握信息的。还有一个，是分数充分反应市场热度。但其实，这几个假设，有相关性、但没有强因果性。因为，分数高的人，他的信息也不全面。他在这场博弈中，掌握的只是先手机会。而与此同时，操作最低录取分数，已经成为了潜规则。冷门专业放提前批，或者换个紧跟潮流的名字，都能大幅提高最低录取分数。 还有暗示因果的，就是名字。这样的情况，多出现于xx大学xx学院，或者是xx大学合作办学。虽然这样的情况，在最近几年有所收敛，但打着其他学校幌子招生，还大有人在。对于这样的学校，其实名字中就已经存在溢价。除非你对该院校很熟悉，做过充分调研，可以选择报考。尽量避免望文生义，根据一些名字上的关联，联想出一些不存在的关联。 最后，说了这么多，上面是一些坑点。而与此同时，也存在价值机会。其实，不同大学，在不同地区，其录取排名并非一致。这说明，不同地区人，对该大学认知程度不一。在综合考虑地域远近，以及投放招生指标的前提下，寻找在当地被低估的外地学校，是一种值得尝试的方法。因为，据观察，留在大学所在地工作的，占比很小。除了北上广，其余地区的大学，都是给一线输送人才。选大学，不等于选择了后半生的定居地。 另一个方面，建议在自由度上多花功夫。这里的自由，并不是指自由逃课、管理松散。自由度，在机械机构中，往往指机构可能的运行的空间。在机械设计中，越多的自由度，代表能做越多的事情。在选择专业上，我的看法类似：应当保证充分的自由度。原因如下： 学生对于专业的认知，多源于综合信息，本身的匹配程度不可知。 充分的专业自由，学习自由，有助于帮助学生认识自我。 自由度在专业上的体现，就在于：提供机会转专业、能够跨专业大类选择。可能有些高分考生不认同这点，认为：考这么高，还去选择通识大类，不是浪费机会吗？确实如此。但如果选的专业，不是理想的那样，再高的分数，也只是过去式。 其实，自由度还在其他方面有体现。北上广的火热，究其原因，还是提供了视野的自由度。更前沿的市场环境、更多的就业机会。这些都是在提供自由度。与此同时，综合类院校、大力发展文科的理工科院校，也是在保证思想的自由度。巴菲特的得力投资伙伴，查理曾说过，跨学科的思维，帮助他赢得了投资的成功。 最后，无论填报结果如何，这都不是一锤子的买卖。进入好的大学、好的专业，不代表后半生就安稳了。进入不理想的专业，也不代表，后半生就玩完。没有永远的避风港，坚持刻意练习，积累职场竞争力，才是最优方案。 https://kuhung.me/posts/game_anti-cheat/ Thu, 18 Jun 2020 23:18:26 +0800 https://kuhung.me/posts/game_anti-cheat/ 游戏反作弊，一直是各大游戏厂商头疼的问题。究其根本，游戏，本身是一种软件产品。交付到用户侧时，你永远无法穷举，玩家会怎么使用它。只要有利可图，就会有人去钻空子。 为了反作弊，各大厂商，也是用尽各种手段。除了内部的反作弊团队，还有法务团队的律师函警告，甚至直接招安外挂开发者。说到底，游戏反作弊，有没有一个终极方案呢？ 数据挖掘，说是近5年的火热技术，没得跑的，甚至连电视剧里，都开始出现这个职业的主配角。 这个职业，被寄希望于做炫酷的事：**在庞杂的用户数据中，找到其特有的规律，找到导致现状的原因、预测未来的发展。**数据挖掘，在游戏反作弊，可以做些什么吗？ 数据挖掘 整体行业概况 数据挖掘行业，如今有如下两个趋势：一个是计算广告，及其相关的推荐系统。这套东西，是信息流产品的核心。扩展开来，包括用户画像、用户生命周期等内容。 另一个，集中在敏感内容、反欺诈的识别上。这个方向，只要用户生产内容，就不可避免。换而言之，是 UGC 内容平台、活动平台的刚需。同时他又是一个劳动密集型工作，很适合用机器节省人力。 游戏中的数据挖掘 在游戏领域，数据挖掘又分为两个大方向。各个公司的AI lab，会去研究一些前沿技术。诸如强化学习、或者是迁移学习的事。满足玩家个性化的需求。其特点是：前瞻性强，复用性高，但落地困难。 而在业务侧，围绕玩家生命周期展开：渠道转化预估，异常渠道的识别、高潜玩家发现、流失的预测等。其特点：复杂多样、垂直性强，常需要单独建模。 游戏内，对于一个用户的刻画，十分具体。从基本的在线、消费；到玩法偏好、好友关系，都会有专门的标签画像。这些画像，帮助企业更好理解玩家，提供更细致的服务，达到 win-win 的目的。 对于多产品的公司（如：网易），数据互通，是其最迫切的需求。各产品数据独立，制约了它的社交属性，虽然在“洗用户”上表现克制，但数据资源白白浪费。如果是一家正在扩张业务线的公司，需提早防范：数据壁垒的出现。 如果把游戏反作弊抽象，实际也是风险控制的一个环节。风险控制有哪些注意事项？它的核心是什么，又该如何去应对挑战呢？理解风控的这些知识，有助于我们做好反作弊。 近现代风控，起源于二战后。而后迅速发展，形成以：金融业风控为代表的垂直学科。而随着80年代互联网的发展壮大，各类风险，也随之而至。 如今，互联网上的羊毛党，垃圾信息、黑产随处可见。和正常内容，争夺着用户的注意力。同时也影响着业务安全。在业务侧，安全业务可分为两类：一类是静态的账号、内容安全；另一类则是动态的行为安全，诸如活动安全等。 风控领域浅析 风控的核心 谈起金融的核心，大家的第一个念头，一定是风控。而风控的核心，则是成本控制。而成本，则不是简单的金钱成本。除了财力、物力、人力，这样的企业端成本，还应该注意，用户侧的成本。比如：用户体验的成本。 如今，互联网上，打开app前10s流失的用户，其数量之大，很可能超乎你的想象。如果为了风险控制，而过分牺牲用户体验，其实是得不偿失的。如12306的验证码，它的本意是防范刷票风险，若图库的区分度小到极端，则是过分牺牲了用户体验。 除了资源成本和用户体验成本，还有一个容易忽视的，是企业的信用成本。虽然互联网的记忆，只有短短7天；玩弄话术，运用公关手段，能够消除一时的风险。但对企业长期的公信力，其实是一种消磨。 产品出问题了，还可以修补。信用丢了，那就找不回了。 风控的挑战与应对 风控，显著性地，不同于其他业务。其他业务，存在的业务逻辑失效，是来自场景、数据、时间的漂移。即，随着时间、事态的发展，运用场景、数据表现产生了分布上的改变。而风控，则来自于强烈的对抗。道高一尺，魔高一丈。 传统意义上，为了应对风险，衍生出4种模式： 回避风险 控制风险 转移风险 承受风险 一般来说，企业主要精力，花在控制风险上。不是所有风险，都可以回避。在控制风险的同时，也可转移部分风险，最后准备承受风险。这部分，在之前的文章《浅谈互联网风控——从策略到技术》有详细介绍。 策略上，分为前中后。前：打标签，标记风险用户、风险内容。中：拦截风险，对高危操作进行干预。后：回顾每个环节，堵住漏洞。同时辅以核心指标的监控，在所有措施失效时，留一手兜底措施。 技术上，给用户准备丰富的画像，从自然人、设备、账号等角度，刻画用户。用以支持风险的识别，策略的实施。 最后，别忘了它的对抗特性。这要求我们，持续不断的演进技术、策略和手段。 游戏作弊，其实就是游戏内的风险。它不仅会影响游戏产品的体验，使产品走向，偏离策划的初衷。更会影响玩家间的平衡，进而影响产品的营收。更进一步的，让游戏失去吸引力，导致产品失败。 游戏反作弊 作弊的形式及手法 谈到作弊的形式，不妨从一个玩家的角度出发。为了获得碾压感，满足感，玩家会从以下方面入手： 为了获得满足感，玩家会修改道具获取逻辑，不付费、或者修改货币值，获得道具和服饰。 为了获得数值上的优势，调高伤害、减轻承伤。诸如“无敌”或者“锁血”，可属于这一类。 而对于时间换物资的“肝”玩法，则通过修改产出逻辑、或改变游戏内的时间节奏获取。 而在信息不对称玩法中，则通过读取数据，以此获得优势。例如：吃鸡游戏中的透视。 上述的种种作弊，其核心在于数值，其次在于程序逻辑。因此，在客户端，玩家可通过注入代码、读取内存实现。在客户端与服务端通信过程中，还可伪造中间人，截取、修改数据。更甚至，反编译游戏包体，生成一个看似一样的安装包。修改内在逻辑，重新打包。 游戏反作弊的业务逻辑 反作弊业务逻辑中，最重要的一环，是误判的处理。在作弊识别上，我们可以达到99.99%的准确率。但那万分之一，也是一个鲜活的玩家。如果误判了玩家，怎么办？除了提高准确率外，还应健全机制，预留申诉、回旋的空间。不至于，因为莫须有的判罚，让忠实玩家流失。 在技术层面，游戏开发时，会有两个地方进行校验——客户端与服务端。客户端，通过基本的签名校验，保证不被篡改。服务端，则对发回的数据，再次校验，综合其它数据，进行判断。数据挖掘起的作用，则是发现、总结作弊模式。在进行业务处罚的同时，反馈到开发过程中。 效果检查方面，游戏反作弊，又有其特殊性——不可证伪。不同于广告的点击，有明确的反馈。如果一个玩家，模型说他作弊，但他声称自己没作弊。那到底，是谁有问题？ 在其它业务，会用客户投诉率，作为服务质量的考核。但客诉率在这里，不是一个好指标。因为，对作弊的处罚，势必引起玩家的不瞒，投诉中真假参合。 真正应当关心的，是核心指标的变化。比如，作弊让游戏内某项资源，产出大幅加倍，我们的效果指标，则应该是该资源的产出率。 而对于实锤作弊玩家，作弊的处罚，也不仅仅局限于封禁。在强社交游戏中，封禁他的社交行为，也是一种惩罚——即能警示其它玩家，又不至于影响正常游戏行为。除此之外，对于对抗类游戏，play with cheater，也是可行的思路。 最终目的与终极方案 游戏反作弊，更像是电子世界里的警察——打击罪犯，惩恶扬善。反作弊系统，能发现并打击作弊，但想彻底根除，只有一条路：关闭服务器。所以，反作弊的终极目的，不应当是：根除所有作弊；而是，赢得玩家信任。用各种手段，减弱不平衡，保障正常玩家权益，建立玩家对系统的信心。 前段时间，云游戏出现在大家视线。除了不受终端限制的便利外，媒体更是惊呼：“这是作弊者的末日！”。因为，客户端和服务端都不在玩家侧。但仔细想想，云游戏，真的是反作弊的终极方案吗？替考是作弊，AI 替打游戏呢？物理外挂，算不算作弊呢？ 所以说，反作弊就是个开放世界游戏，当你以为快通关时，又会有新的冒险，等着你出发。 关于作者 https://kuhung.me/posts/why-i-left-netease-games/ Wed, 13 May 2020 00:41:54 +0800 https://kuhung.me/posts/why-i-left-netease-games/ 前言 网易游戏是我毕业后的第一家公司，说没有感情，那是不可能的。当然，这感情主要针对那里的同事和朋友。 网易又叫猪场，猪场曾一度有最好吃的免费食堂，一度给名校毕业生开最高的工资。 在数年前，大话西游2帮助公司起死回生。 而后开发的梦幻西游，成了公司最强的现金流来源。 2016年阴阳师爆款，几乎成了全民游戏。 2018年，加入网易游戏，带着自豪感。因为它说：用心做游戏。 2020年，离开网易游戏，矛盾夹杂着解脱。 当知道我离开网易游戏时，许久没联系的朋友，都感到十分吃惊：这可是头部互联网公司，好多学校的人根本没资格进入；但熟悉我的朋友都知道，这件事已经“蓄谋已久”。 这其实源于一些观念的冲突。 我本人关于工作的信念是：个人以一定价钱出售其劳动产出。个体与组织的关系，是合作而不是卖身。 正如《软技能》一书所言，改变打工心态，把自己当公司经营，现在的公司是个大客户，仅此而已。 下面，从商业模式，特别是个人角度，来谈谈离开网易游戏的原因。 商业模式个人篇 核心资源 商业模式中，很重要的一点便是：核心资源。即我是谁，我拥有什么。这个问题颇有——我是谁，我从哪里来，我要到哪里去的意味。 一般年轻人认为，我拥有用不完的精力，因而相较于更年长的员工，我的核心竞争力在于可以加班。 这样的想法大错特错。年轻是试错的机会，而不是让人无故内卷。没错，这样的“一般年轻人”便是两年前的我。 什么是核心资源呢？稀缺的是核心资源。人无我有、人有我精的，才是核心资源。 从这个角度想下去，所具备的技术技能、行业积累，以及对新事物的热情，才是真正的核心资源。 关键业务 关键业务，简单来说，就是每天所从事的事情。 但这里，根据28定律，20%的工作，产生80%的绩效；所以这里的关键业务并非指剩下80%的工作。 什么是80%的工作呢？在数据挖掘这个领域，80%的时间是在产出数据，保证数据的及时响应。 每天的取数工作，这个岗位的从业者有了新的绰号——取数男孩（茶树菇）。 剩下20%的工作，在提供数据的洞察。关于数据的过去与未来，溯因与预测，提供基于数据模型的决策方向，才是岗位的关键业务。 而80%的非关键业务，应当想方法标准化、自动化，以提高效率。而不是每天用 excel 做各种变换，洋洋洒洒写一份无人执行的分析报告。 客户群体 客户群体，是商业模式中的概念。正如一开始所言：公司，其实就是我们的大客户。 公司内的直接上级、boss、或者其它部门的人，都可以是我们的客户群体。 在这些客户群中，有人认为，向上管理是第一位的。即：做好上级和上上级的需求，服务好他们，才是升职加薪的正确之道。 这点上，我只同意一半。哪一半，后一半。即服务好我们的客户，才能赢得信任，才能得到更高的回报。 向上管理没问题，但向上管理很多时候成了唯上。我们的客户，是上级、是团队、更是整个公司。服务好每个部分，同等重要。 价值服务 这个概念是商业模式中，最重要的，因为它决定了你的定价区间。 简单来讲，我给客户提供的服务，帮助客户完成事情，其背后的价值，才是真正的价值服务。 价值服务和关键业务容易混淆。关键业务是干的活，而价值服务则是干的活所产生的价值意义。 同样的，有人认为，公司招聘我，就是买断了我的时间。而不去进行更深层次的思考。 实际上，买断一天8小时的时间，只是表象。客户期望的是能产出有价值的东西。如果这样想，就会明白，时间不是关键，给公司带来的价值才是。 渠道通路 渠道通路，简单来讲就是，如何宣传自己、以及如何交付服务。让别人知道自己能做的事情，且能够交付服务。 这里关键的问题在于，潜在客户如何知道你能帮助他们、是如何下定决心的、是如何购买的；以及如何交付及售后。 酒香不怕巷子深，这是很多技术型同事的想法。会觉得有了自己的东西，才能更好让客户接纳自己。 这个观点没错，是一种踏实务实的想法。但仔细想想，宣传服务和打造服务之间互斥吗，并不互斥。 只有找准自己的价值服务，并进行宣传，才会有买家认账。不管这个买家是领导或是别的团队。只有卖出去了，才会有实际的回报。 客户关系 客户关系讲的是如何和客户打交道。 是直接沟通，还是远程服务。 是一锤子买卖，还是长期性的维护。 是拓展新客户，还是维系老客户。 一般来说，公司招聘员工，希望的是能做持续性的项目。 但某些考核标准下，如按项目分成模式，持续性项目就少有生存空间。 自上而下，希望立足够多的项目，借此来分得一杯羹，因而出现了炒冷饭的情况。 最后面向晋升编程，晋升过后无人维护、一地鸡毛。n年过后，该项目又被下一个人立项。 项目失败不可怕，因为可以从失败中总结教训。可怕的是不断的立项，在公司内做一锤子买卖，造成无端的资源浪费。 重要合作 合作一般基于交换，这里的合作，指的是谁可以帮我。 他们可以是家人、同事、是导师、也可以是同一职业的其他人。他们提供帮助、建议和成长机会；提供必要的资源。 作为互联网新生代，信息不像之前闭塞。虽然信息茧房确实存在，但互联网确实是重要的合作对象。 而在公司中，提供资源和方向的一般是直接上级。 收入来源 简单来讲，大伙儿的收入来源是工资；其次，少部分收入可能来自于股票、基金或者房屋出租。 打工的主要收入来源便是工资。这里存在两个问题： 一是，工资奖金上涨带来的愉悦，存在边际递减效应。即同样的涨幅，越到后面越没感觉。更别说大部分人薪水几乎无变化。 其次，单一的收入来源伴随着风险。不管和领导关系多么密切，公司现金流多么充沛。小概率事件必然发生。 破解这两个问题的方法在于： 工资到了一定水平后，需要关注精神的满足。工作的成就感和社会贡献，就显得尤为重要。 其次，发展多重收入。可以是被动收入，也可以是主动收入。 https://kuhung.me/posts/data_analytics_mindmap/ Wed, 06 May 2020 22:18:50 +0800 https://kuhung.me/posts/data_analytics_mindmap/ 思维导图获取 .xmind .pdf .png 关于作者 https://kuhung.me/posts/mindmap_2020/ Sat, 25 Apr 2020 17:22:57 +0800 https://kuhung.me/posts/mindmap_2020/ 思维导图，是结构化思维的具体表现形式。最鲜明的例子，就是当你和一个人聊天时，可以很明确的感觉到，拥有结构化思维的人，他的语言组织能力很强，且很有层次感。简单来说，就是和他沟通，简单高效、有收获，有层次感。 在过去几年里，也整理了一些场景的思维导图。大约是从15年，上大学的第二年，第一次接触到这个东西。不过略微遗憾的是，早期是一些手绘的内容，没能保存在身边。以下是电子化的内容，分享给到大家。 这里，不仅有思维导图 png 格式，同时也有其 xmind 源文件。授人以鱼不如授人以渔嘛，可以参照之前的文件进行修改（xmind 公司，看到后请给我打钱）。 免费获取思维导图 沟通与整理 沟通的艺术 要说人类在哪一点优于其它物种，当属语言沟通。但沟通也不是与生俱来的本能，不然就不会有这么多的冲突了。沟通是一门艺术。 沟通的艺术，是一本15年在图书馆看的书。这里就不得不夸奖一下华科的图书馆，人文社科和财经类的很齐全，F开头的书基本都能找到。 沟通的艺术从理论层面，给出了沟通的原理，同时也指出了很多解决办法。类似的《非暴力沟通》也是一本不错的书。 超整理术 超整理术也是一本在图书馆看的书，书的设计感很强，贴合了他的标题。 整理对象分为了三个部分：包括物理空间的整理，交流思绪的整理以及信息的整理。 整理的过程，也是思维重建的过程，这和思维导图的建立相得益彰。 思维与学习 批判性思维指南 了解这个领域的动机是，大学参加的数场讲座。在讲座过程中，都会有提问环节。 但是这个环节，明显可以感觉出不同的人有不同的思维敏锐度。有的人提问水平非常高，有的就是复读机，问的问题不痛不痒。 学会提问，个人认为是现代人比较稀缺的技能，特别是高等教育的大学校园。 金字塔原理 麦肯锡都在用的金字塔原理。简单来说，就是独立穷举（MECE）的分组、层次化的表达。 其实实不相瞒，咱们高中的议论文写作也是这个套路。 在工作中，这也是一项极大的加成。利用金字塔原理，让你的观点更容易推销出去。 学习之道 学习之道（the way to learn）是 Coursera 上的著名课程，广受喜爱。如果能更早看到，也许北大清华就不是梦了。 学习的方式因人而异，但其背后的原理却差不多。对知识点重构组块，反复练习，是学习绕不过的弯子。 经过思维导图整理后，学习之道被应用到了学习之道的理解上面（无限套娃）。 写作与演说 演说之禅 演说之禅，略微带些哲学意味。别看展开了这么多，实际是为了方便理解。 演讲是每个人在人生阶段都必经的道路，无论是做面试推销、还是追求异性，都是某种形式的演说。 千言万语归为一句，演讲要关心的是：想推销的核心观念是什么，如果只能用一句描述，该会是什么？ 文案写作 写文章，最头疼的还不是素材，不是写什么的问题，而是怎么写。 素材随处可见，再不济跟热点也行。但不是每个人都能写出好的文案。 写文案也是有套路可言的。例如：以情感卖出产品，以理性阐述购买。 时评写作十讲 时评写作是被新闻学院的一个朋友带入门的，曾经的我也是个网络喷子兼键盘侠——“意见不合就是干”。 和他交锋几次后，发现自己简直就是菜鸡。于是他顺势给我推荐了这本书。 在大环境作用下，加上推荐引擎的加持，你所见的，未必是真实全面的。所以，下次就时事开喷前，不妨看看《时评写作十讲》。 技术体系 机器学习 如果问最近5年什么概念最火，机器学习肯定得有一个席位。本人也在15-16年左右，借猫狗分类比赛进入该领域。 随着这一行的火爆，进入的人越来越多，竞争加剧的同时，越来越多的项目也得到落地。 落地越多，成体系的方法经验也得到了总结。机器学习系统设计，梳理了机器学习项目的整个生命周期。 计算广告 谷歌是一个科技公司，但反垄断调查时，它会说自己是家广告公司，以此来逃避反垄断调查。 它能得逞的原因在于，广告占据了谷歌的大部分收入。而广告商又确实不止谷歌一家独大。 计算广告和推荐系统一样，可以说是机器学习的主要应用，对其有一个整体的了解还是很有必要。 测试驱动 TTD 测试驱动，之前被用在软件开发领域。 随着机器学习的工程化推进，测试驱动机器学习也值得关注。 简单来说，测试驱动就类似于：“先出考纲再教学”，让软件开发更有效率。 互联网风控 人类从诞生之初，就一直面临着各式各样的风险。而上世纪80年代兴起的互联网，当下也面临各式各样的风险。 羊毛党、黑产肆虐，一不小心可能老本都被薅没。同时在PUGC平台，用户上传的内容也有各种风险。 但好在，其它领域的风控经验，对于互联网同样有借鉴意义。通过多种策略手段，能在一定程度上控制风险。 其它 敏捷 敏捷（Scrum），简单的来说就是赶紧上，先跑通流程，再去迭代。 https://kuhung.me/posts/simple-image-search/ Mon, 13 Apr 2020 21:17:08 +0800 https://kuhung.me/posts/simple-image-search/ 最近宅在家，消遣时间之际，总会遇到一个让我困扰的事情。比如随手刷到的一个GIF，总想找到它的原片。 各位绅士可别想歪，我说的是动漫。 这个问题本质是一个相似度的检索问题。 说到视频找视频，其实可以分解为以图搜图。以图搜图这项技术，已经十分成熟，且已产品化。尤其在主流搜索引擎，很难找到一个不能搜图的引擎。连淘宝都有自己的时尚搜图功能。 但是当你满怀期待上传一张图时，你会发现，他返回的结果要么是同风格作品，要么是图片的描述。摔，我不是让你做抽象阅读理解哇。 这样的现象，实际是个性化需求与规模化需求的矛盾。对于公司，能规模化的，成本越低；定制带来存储成本，远高于能带来的回报。 这样的问题难不倒我们广大的人民群众，如果没有现成的，那我们就造一个。 以图搜图，可以理解为图像的检索，图像和其它信息一样，是可以被索引，被检索的。 于是乎，可以将整个工程抽象为3个部分。 图像预处理 图像特征表征 图像检索 图像预处理，一般是尺寸、色调的调整、以及去除明显的噪声。 索引建立有很多种方法，其核心是构造图像的特征表征。 这里先用简单的，构建一个 MVP（最小可行性产品），就采用谷歌的 MobileNet 啦。 该模型尺寸仅数十M，放在服务器或是部署到手机移动端，完全绰绰有余。（实不相瞒，其实一开始上的VGG16，但是模型太大了，服务器放不下。） 最后，图像检索，当一张新图来到时，对其进行特征提取，然后去索引库中查询，返回特征表征最近的 TopN，一个简单的以图搜图就完成了。 迫不及待想尝试了，但是发现一个大问题，咱们的索引图从哪儿来？总不能凭空捏造噻。 嗯，这也不是什么大问题，之前浏览某P开头，哦不对是G开头的学习网站，发现了知乎问题的爬虫。 这可是个好东西，恰好知乎时间线上，总有一个问题干扰学习——#什么样的腿才叫好看的腿# 就拿这个问题为例，将图片在离线创建索引，随后通过服务端部署。（服务端部署也可以讲一集，但不在这里，别挡住我看腿。） 当当当，随着周末两天的操作，舍弃了俺在的 pubg mobile 战友，谷粒粒的第一个搜图app上线咯。喜大普奔。 让我们赶紧试试， 嗯，还不错 再来一张， 原图秒匹配好吗，还给配上了类似风格的照片。 到这里，咱们的以图搜图小应用，就算开发上线完毕啦。 学习效率上升N个档次有没有⬆ 链接地址：以图搜图之#什么样的腿才叫好看的腿# http://img-search.kuhung.cn/ 相关文章： 谷粒：机器学习模型部署–打通前后端任督二脉 谷粒：机器学习落地需攻破的9个难题 声明：该应用仅供学习，禁止用于其它用途。 https://kuhung.me/posts/computational-advertising/ Sun, 05 Apr 2020 17:42:17 +0800 https://kuhung.me/posts/computational-advertising/ 思维导图获取 .xmind .pdf .png 关于作者 https://kuhung.me/posts/risk_management_mind_map/ Wed, 25 Mar 2020 00:12:28 +0800 https://kuhung.me/posts/risk_management_mind_map/ 关于作者 https://kuhung.me/posts/risk_management/ Sun, 22 Mar 2020 14:34:33 +0800 https://kuhung.me/posts/risk_management/ 风控，全称风险控制，英文名 risk management。风控的研究起于二战结束后，主要集中在个人或企业的商业保险领域，用于减少突发事物带来的损失。金融行业的核心，乃是风险控制。 但今天，我们这里不谈金融的风控。金融风控已经演化了多年，众多顶尖学者已对其进行了研究，各种模型层出不穷，自有人去分析。我们这里说一说，互联网的风控。 风控的核心 如果你在网上检索，一定会发现很多人，谈到风控，必加智能，似乎不智能就不风控了一般。有人说，风控的核心是智能；也有人说，风控的核心是数据。这些老生常谈，将数据智能看成了银弹，看成了哆啦A梦的百宝袋，能解决一切问题，但其实这种说法忽略了现实。 那现实是什么呢？如果你问，风控的核心是什么。很多人可能回答不上。但你问，为什么你要买保险，很多人的回答会是，不怕一万、就怕万一，保险能够兜底未来可能的大额支出。用小额保费对冲小概率但大支出的以外，换而言之，就是一场成本核算。 成本控制的两个方面 风控对于成本的控制，在互联网主要体现在两个方面。一个是资金成本。搞活动，不能被薅羊毛的搞破产了。或者搞个特牛的模型，能识别所有的风险，有且只有一个缺点，要用上全球一半的计算机（费钱）。另一方面，是体验成本。互联网风控，免不了嵌入业务，但如果过于突兀，很可能影响用户体验。这方面的典型，极端就是恶搞的12306验证码识别。 风控与信息安全的异同 风控这个业务，和信息安全中的加密很像。当破译的难度大于潜在的收益时，加密方式其实就安全了。没有不计成本的密码破译，也没有不计成本的风险控制。风控要做的，也是某种程度的平衡。 但同时，风控和信息安全也有不同之处。 在互联网业务中，风控的对象一般会有两种形式存在。一类是静态的账号，比如恶意的初始号，或者是盗用、冒用的他人账号。另一类，是其动态的活动。具体表现为账号主题生产的内容，或是其参与的活动。而信息安全，主要是软硬件的漏洞，再加上社会工程中人性的漏洞。 风控的挑战与应对 最明显的挑战在于，敌在明我在暗，同时由于对抗手段的加码，对方会找到规避的手段，或是找到风控的系统漏洞。 风控策略与技术 在传统风控中，应对风险有4种基本思路。 回避风险。即如果我知道你有风险，我就回避掉你。这会带来一定的损失，俗话说，风险伴随着收益，回避风险，在互联网业务中，有些能回避，有些则不能。对于政策风险，法律风险，该回避的则回避。对于不能回避的风险，我们采取下面的措施。 控制风险。这是互联网风控的主要内容。如果控制风险，从风险的酝酿、到风险的暴露，再到风险的控制，每一个环节都有可为。 转移风险。这个措施更靠近业务。通过将风险转嫁，或是共摊，来实现风险的控制。举个例子：平台将风险分散到平台与商家之间，或是将风险在声明中转移到UGC内容的用户上。 风险承受。最后这个措施，是风险的兜底措施。即承担风险带来的损失。这一般要求有资金的预留或是退路的预留。 策略 互联网的风控策略，可分为两部分。一部分是业务侧，通过一系列手段，去削弱风险。另一方面，则是宏观侧，通过数据监控整体的业务情况，进行风险的宏观判断。 在嵌入业务的一侧，可按风险行为分为前、中、后三个阶段进行。 风险发生前：通过技术手段或用户引导，完善用户资料。同时对用户的基本信息进行分析，将明显特征的账号进行标记。该部分，成本和复杂度都较低，适合作为风控策略的主要部分。同时，可通过关联分析，将问题范围缩小，从账号、自然人、到工作室，集中处理。 风险进行中：这部分一般和用户的行为有关，也常常嵌入业务中。常见的如 UGC 的违规内容，色情、暴恐信息等。这部分，像豆瓣，在检测到关键词后，会进行先审在放行。另一个例子则是，12306的验证码，通过人机验证，规避机器人。 风险已发生：尽管手段丰富，但仍有“漏网之鱼”。一旦风险成为既定事实，则需要采取措施应对。一方面，是做好风险的应对，另一方面，则是及时复盘，对现有体系进行审视，避免机制上再出问题。 最后的，无论无论风控做得多好，总会有黑天鹅发生。做好应急预案，有兜底的策略，都十分重要。小概率事件必然发生。风险的发生是常态，无风险其实才是少有的异常状态。要做的就是，在风险发生后，减少风险造成的损失，让系统及时重上线。 技术 策略看起来很简单，但实际操作起来，困难重重。很重要的一个原因是，信息不对等。举个例子，知道该对问题账号处理，但是不知道哪些是问题账号。这里就需要技术来消除信息不对等。 这里就要请出用户画像。一般的，用户画像被用来理解用户，做更好（更上瘾）的视频推荐，做更精准的广告投放。而在风控领域，用户画像的作用，同样显著。 用户画像背后的技术，除了实打实的工程技术外，产品引导也十分重要。对于冷启动策略，通过引导，完善用户信息。更一般的，则是通过标签规则，通过一系列 if else 判断，生成用户标签。同时，对于社交产品，还会有好友关系链，通过社交图网络的挖掘，也可得到有用的信息。 在风险进行中，采用嵌入业务的干预手段，需要实时流计算，这方面有很多好的开源软件，或者是采用像 Prometheus 一类的开源监控软件。如果资源允许，还可做一些时序上的预测。对未来一段时间的数据，给出预测的上下区间，一旦超过，即调起报警。 在风险发生后，对样本的复盘，实际是异常检测。异常检测一般分为两类，孤立状态的点或块异常，或者是上下文相关的时序异常。其核心，是不平衡样本下的分类。这里的检测可以是对用户行为数据的检测，也可以是用户产出内容的检测，如图片检测、文本检测，这方面的技术已经很成熟，数据量足够，质量够高，即可保证高的准确率和召回率。 最后，在泛化能力外，技术还应注意其可解释性，以及可更新的能力。即模型越简单越好，如奥卡姆剃刀所言：“如无必要，勿增实体”。同时，减少数据中的噪声。在上模型或规则前，探索数据、剔除常变量、剔除离群点，通过xgboost等获得特征有效性、对关键有效特征进行筛选。 总结 互联网风控，是风控的一处延申。除风控的基本特点外，也带有其自身的特点。策略上，需要嵌入整个业务流程，同时准备兜底策略。技术上，有数据挖掘的手段，增加风控的效力。 以上总结来自于工作实践和阅读思考，难免受自身局限，如有疏漏，还请读者批判指正。 互联网风控思维导图 关于作者 参考资料： QCon 阿里毫秒级实时风控引擎 Risk Management: History, Definition, and Critique – Georges Dionne 风控算法大赛解决方案–不得仰视本王 https://kuhung.me/posts/remote/ Sat, 07 Mar 2020 17:43:44 +0800 https://kuhung.me/posts/remote/ 大规模远程工作实践 远程工作，一个之前都没怎么考虑的事情，在2020年的春节过后，中国大陆进行了一次大规模实验。WFH（work from home），一个在外企很常见的操作，在国内却鲜有生存环境。 虽然朋友圈已经有人发帖，渴望在办公室中办公，但是，也不能因此，就放弃思考远程工作的这么个事物。一成不变往往很简单，但变化之中，才有契机。 远程工作契机 什么阻挡了远程工作的推行，我们无从说起。但何不把这次当作一种契机，去学习其中的脉络。 关于远程工作，找到了一本小册子《Remote》，专门介绍远程工作的。作者也写过另一本书《Rework》，中文名重来 。写书虽说门槛不高，但是写出有说服力的书，具备条件的人往往很少。作者以其自己的公司 Basecamp 为例，说明了远程工作的优点，也向我们介绍了远程工作的注意事项。读懂它，你的远程工作事半功倍。 远程工作迷思 在书中，你可能看到自己的影子，也可以看到老板的影子。无论你是老板，还是打工者，其中的内容都值得细细理解。 拒绝远程工作的理由 只有在办公室，办公时间才是有限的 远程工作，不是一个新鲜事物。至少在作者这个书出版之时，到2020年，已经过去了7年。远程工作改变了集中式办公的缺点，时间被切割，无穷无尽的会议。但其自身也有适用范围，比如写作、编程、设计和客户支持等工作。像制造业，可能就不太现实。很多人对远程工作嗤之以鼻，常抱着努力干活，等我退休了，再来享受生活的态度。老板们顾及远程工作，很可能是担心没了约束，员工的拖延症很可能无限放大，毕竟谁都有拖延的时候。做好工作，而不是死守工作时间。 如果我能看见他，我才能控制他 远程工作，在2020春节之前，一定是有很多反对声音的。比如，缺乏讨论的氛围，公司没有源源不断的点子，这怎么行。没准下一个点子就能颠覆乔布斯。但实际上，我们知道，很多人还在执行几个月甚至几年前的一个点子。有员工认为，家里的干扰太多，琐事不断打扰。但实际上一份有成就感的工作，不会让你轻易被打断。而管理者，会觉得，没有盯着他们，怎么知道他们是在干活，还是躺在床上玩手机。但实际上，就在眼皮子底下，员工也有无数种方法摸鱼。如果不信任他，一开始就不该雇佣他。 别的公司都没这样做，我为什么要做 在团队内部，一个组这样做了，另一个组会嫉妒。但跳出这个逻辑，整个组织目标一致，效率最高才是最终的赢家。再一个，业务部门或者上级会觉得，我现在就要答案，现场能有更高的压迫感。但实际上，并不是所有事情同等重要。再一个，中小型企业会认为，BAT 大公司都没远程工作，肯定有他的不好，马某人都是聪明人，不可能没调研过。但实际上，你跟着大公司的脚步，永远成不了第二个马某人。远程工作能不受地域限制，网罗到世界各地的人才；有些时候，性价比更高。 远程工作精要 远程工作，在2020春节之后，大伙儿已经有了足够多体会。作者的公司长期远程且稳定盈利，他总结了以下内容。 及时同步进度 重要资料公开，而不是让人到处询问，让被询问人工作量加倍。展现工作进度，以成果导向。及时向团队内部公开。承诺往往有更高的约束力，而且，同行肯定比非技术领导更懂所需的工作时长。于此同时，做防灾的准备，诸如数据备份等工作。如果工作需要同客户合作，还需注意，及时将进度同步给客户。 打造良好团队氛围 对于团队内部，保持正向的氛围，阻止消极负面的情绪在团队内部蔓延。聪明且及完成任务，才是合适的好员工。用当地最好的薪水留住他们，而不是因地施策。关心员工的身心健康，担心过度劳累，而不是懒惰，因为可持续才能走更远。最后，保持一个强劲的动力，鼓励员工从事自己喜欢的事物。 员工如何出众 而对于员工，如果你想在团队内出众，往往有两种方法。一个是在保持活跃，另一个就是高质量的交付任务。 关于作者 https://kuhung.me/posts/audio_progress/ Sun, 12 Jan 2020 23:52:45 +0800 https://kuhung.me/posts/audio_progress/ 背景需求 在处理音频中，我们可能会有这样的场景：随着语音设备的能力越来越强，音频数据越来越大。但实际上，音频中的有效部分却很少，抑或是音频的背景声过大，非目标声音。在这样的场景下，我们希望得到人声，去掉噪声，提高信噪比。 问题界定 这里将问题进行界定，进行子任务拆分： 将音频的背景声音去除， 去除“无声”阶段。 解决方案 要提高信噪比，这需求在很多场景中有见：比如课堂录音的提取，或者是录音笔的数据存储。 在使用本领域“高深”的技术前，一定要思考，切莫手上有锤子，就看啥都像钉子。想想该领域的专家会怎么做，如何从专业角度看待该问题；其次想想普通人会怎么做，防止落入经验主义陷阱。 背景声音的剥离，最简单的其实是音轨分离。其前提是两种声音存为了不同的音轨，在一些场景很合适。比如电话录音。 背景声分离 但是若只有一个音轨呢？别担心，机器学习来帮助你。spleeter 基于 tensorflow，训练了一套音乐检索系统，能够有效的分离人声和背景音乐声。 该工具已经进行封装，对于简单的人声分离，采用直接调取的方式即可。代码如下 # Use audio loader explicitly for loading audio waveform : from spleeter.audio.adapter import get_default_audio_adapter audio_loader = get_default_audio_adapter() sample_rate = 44100 waveform, _ = audio_loader.load('/path/to/audio/file', sample_rate=sample_rate) # Perform the separation : prediction = separator.separate(waveform) 空白切割 在分离之后，得到人声和背景声。人声分离后，仔细听，就会发现里面有很多空白。对于空白部分，进行切割分离。 这里参考 stackoverflow 的代码 from pydub import AudioSegment from pydub.utils import db_to_float # Let's load up the audio we need... podcast = AudioSegment. https://kuhung.me/posts/web_deploy/ Wed, 01 Jan 2020 23:44:32 +0800 https://kuhung.me/posts/web_deploy/ 项目地址 简介 相关资料 参考 以图搜图 上传图片，检索图库内容，返回最相似图片 自制以图搜图引擎 matsui528/sis<br> Flask补充系列–将应用部署在Heroku上 spam 文本检测 输入英文文本，检测是否为垃圾营销内容 机器学习建模与部署–以垃圾消息识别为例 kuhung/flask_vue_ML<br>single-page-apps-with-vue-js-and-flask-deployment 机器学习系统设计测试题 高级软件工程师需要掌握系统设计，高级机器学习从业者同样如此 机器学习系统设计原则 10个机器学习系统设计案例<br>chiphuyen/machine-learning-systems-design https://kuhung.me/posts/lifetimes/ Wed, 25 Dec 2019 23:28:09 +0800 https://kuhung.me/posts/lifetimes/ 在用户关系管理中，常会遇到些直击灵魂的问题： 这批用户到底价值几何？ 为什么要用这种措施去干预用户，而不是另一种方式。 为什么干预这类用户，而不去干预另一类，他们的划分标准是什么。 有这些问题，实质是因为对客户价值不够了解，缺乏行之有效的划分方式。 用户精细化运营价值巨大 随着人口红利的消失，增长逐渐见顶，急需在现有用户池做学问。过去粗放式的买量策略已经不再生效，一是买量成本逐渐高企，二是买量带来的用户忠诚度极低。对现有客户群体的划分和互相倒流，成为重中之重。行业中的黑话“洗用户”，即是讲的这一策略。 对于如何划分用户，不用的职能会有不同的看法。产品有产品的看法，可能基于某项功能偏好；运营有运营的看法，是各种活动玩法的定义；甚至领导还有他的一套看法。但是，无论怎么切入，商业的核心拿捏住，才会八九不离十。 什么是商业的本质：商业的本质是获利。因此，我们从用户的货币价值切入，评估和划分用户的生命周期。 用户生命周期价值，这并不是学界的新鲜产物，该理论在上世纪80年代就已经提出。但对于互联网，网上可搜寻到的资料少之又少。可能的原因有两个：一是互联网在过去20年快速爆发，风口上躺着也能赚钱；二是各家的策略内部不统一，无法形成统一的口径。 但这些都不是不去应用他的理由，反而说明其中价值巨大。这里，我们剥离开复杂的商业逻辑，仅从交易入手，分析用户的生命周期价值，以及用户所处的状态。 用户生命周期价值（CLV） 随着精细化运营的铺开，过去粗放式的、买量用户已经不再买账。每个用户所能接受的最低服务各不相同。如何根据用户价值，进行资源的有效利用。最大化杠杆的使用，成为企业生死的关键。 过去，没有统一的理论出现在互联网应用或是游戏中。但是，运用跨学科的思维，就可以发现：市场营销领域已进行过研究，并给出了精度极高、可解释性强的模型方法。 这种方法，就叫做用户生命周期价值，英文名称 Customer Life Time Value，简称 CLV 或者 LTV。 CLV 是什么 用户生命周期，是一种刻画用户的方法。一般用来解决两类问题： 用户还有多少价值、用以衡量投入产出比 在干预用户后，根据用户生命周期价值的变化，优化资源的投放。 即用户管理的两个核心问题：用户所具备的价值以及策略的有效性。 需要注意的是，CLV 的产品形态要求非合约。合约在国内最有代表的是合约手机。一般互联网产品，合约形态较为少见。 CLV 的用户群体需已经产生交易，未付费用户不纳入考量。当然，概念迁移，将付费换成活跃或内容消费，该模型也能处理。 CLV 回答哪些问题 用户活跃还是流失，用户还有多少付费潜力，用户在未来某段时间会否再次购买。这三个问题，是用户生命周期价值能够回答的。 如何在自家产品中引入 CLV 应用场景 判断用户所处生命周期阶段 预测用户指定周期内购买概率 预测用户的生命周期价值 通过历史付费数据，预测未来付费 活跃与流失的定义 定义： 用户有交互为活跃 用户一段时间不交互，即为流失 lifetims 工具包引入 安装 python 的工具包： pip install lifetimes CLV 数据挖掘 用户生命周期判定，需要三个指标 frequency 用户登录的频率，这里为周期内的天数 recency 用户的最大周期，即第一次活跃到最后一次活跃 T 用户所处阶段，第一次活跃到观察周期结束 对于付费预测，还需要用户的平均付费金额。 数据获取 从数据库获取 SELECT customer_id, COUNT(distinct date(transaction_at)) - 1 as frequency, datediff('day', MIN(transaction_at), MAX(transaction_at)) as recency, AVG(total_price) as monetary_value, datediff('day', CURRENT_DATE, MIN(transaction_at)) as T FROM orders GROUP BY customer_id python 处理 from lifetimes. https://kuhung.me/posts/machine_learning_system_design/ Sun, 01 Dec 2019 18:26:43 +0800 https://kuhung.me/posts/machine_learning_system_design/ 导读 Web app：https://kuhung.me/machine-learning-systems-design/ 机器学习系统设计 系统设计题，顾名思义，就是考察一个人设计系统的能力。它是一种国外很喜欢的题型，特别是中高级职位，在算法手撕结束后，一般就是系统设计题。 国外的算法工程师，被称之为 Machine Learning Engineer。国内的名头比较多，算法工程师、数据挖掘工程师、机器学习工程师、深度学习工程师都指的这个。 这一岗位同开发岗位，SDE 一样，也需要足够的系统设计经验。 国外的大佬 github.com/chiphuyen 总结了一份机器学习设计的资料，我在这里做本地化整理，同时增加一些自己的从业体会。 内容分为3个部分，分别是： 机器学习的系统设计部分，这里做了核心概念的摘录； 系统设计的案例，由于众所周知的原因，很多文章看不了，我这里将其整理放入了 github，同时笔记标注版的放在了公众号：谷粒说数。 练习部分，作者列了27道系统设计题。我这里将其布置在了网页上，方便自查，后续会上评论进行答案收集。 系统设计应关注的点 系统设计题，如果没有完整的方案也没关系，主要看表现的思想，着重从以下三个方面考察： 项目有哪些约束条件，哪些能做，哪些不能做。 方案的利弊，选择方案时，思考方案利弊的过程。 主要的功能，最后达成什么样的效果。 系统设计往往很难，这是因为两方面的原因。1. 缺乏有效的评估手段。2. 问题往往模棱两可。面试中的理想候选人应该是这样子的：1. 能够有效的拆解问题，将复杂问题简单化。2. 能够区分该场景是否需要机器学习方案。第二点很重要，因为在当下，受媒体大环境影响，很多人会选择无脑上机器学习，殊不知某些场景简单的方法更有效。 Machine learning methods change every year, solving problems stays the same. 生产环境不同于学术环境 学术研究的一般有以下两个特点： 想法设法比上一代模型效果更好，而不用思考怎么落地使用它。 由于效果是第一要务，所以算力没有限制，加钱堆机器即可。 而生产环境不同，它的特点如下： 效果并非越好才好 算力资源常常有限 作为开发者，要始终牢记生产环境是我们的目标。 需着重关注的4类问题 如何采集数据、如何处理数据。 怎么选择的模型、为什么。 如何评估你的模型。 如果再来一次，哪些地方会做得不一样。 设计机器学习系统 系统设计方面，作者将其分为了4个层次，我这里也按她的逻辑进行。 项目准备 项目准备阶段，一般从三个角度思考。如同写程序一样，首先思考需要达成什么样的目标；其次是有哪些限制条件；最后是特殊例子的考虑。 展开来讲，需要达成什么样的目标：即最后用户怎么使用你的系统，你的系统吞吐多块、响应多快。 项目的限制条件包括：项目周期多长，有多少算力，需要何种能力，有哪些可用资源。 特殊例子即：是否需要结合用户做特殊化处理，例如千人千面。 最后，如同老师设计考试一样，需要考虑如何评估你的系统性能。 数据流 Machine learning is driven more by data than by algorithms https://kuhung.me/posts/dataops/ Sat, 19 Oct 2019 11:33:09 +0800 https://kuhung.me/posts/dataops/ 翻译自：《What is DataOps? Everything You Need to Know》 From Oracle Data Science Blog 图片自：《DataOps is Not Just DevOps for Data》By DataKitchen in Medium DataOps, 看到它的第一眼，大多数人会觉得陌生。但是提到另一个词——DevOps，做开发的同学可能会有些熟悉。DataOps 的理念与 DevOps 类似：将开发或者说是数据，与运维、测试相结合，自动化业务的交付以及架构的变更，使得构建、测试和发布能够更加快捷、频繁且可靠。 DataOps，全称 Data Operations，是一种敏捷运维方法，无感知地将IT基础设施和大数据分析技术结合起来。它的目的是通过结合数据管理的目标与过程，加快分析的速度与准确度。而这一过程，通常会涉及数据的多个流程：数据获取、数据质量检查、自动化、集成，以及最终的模型部署与管理。 最核心的，DataOps 是为了方便管理数据、特别是当你有了一个特定的数据目标的时候。举个例子：为了降低客户的流失率，可以通过利用客户数据构建一个推荐引擎，推荐客户相关的东西，以此来减少浏览到下单的时间，减少客户流失。 这是一个很自然的想法，但是却并不是一件容易的事情。上面的设想需要以下条件： 你的数据科学团队能够获取到他们需要的数据，同时能够有工具去部署模型。 除此之外，还需要能够将模型集成到你的网站中去，在新数据上训练以持续的改进。 最后，需要一套报表系统来监控其表现。 现在比较流行的做法，做好上面的事情，需要多个部门的合作，包括工程师、IT运维人员以及业务团队。 谁能从 DataOps 中获利？ 总的来说，几乎所有人都会从 DataOps 中获利。 更好的数据管理将会带来更多可利用的数据； 越好的数据质量会有更准确的分析，与之相伴的就是更好的 insights、商业策略以及更高的利润。 DataOps 起一个润滑剂的作用，使数据团队、工程师团队和技术专家之间的工作更加紧密、更加自动化，以此来充分发掘数据价值、减少时间。 Ashish Thusoo，Qubole 的联合创始人曾在书籍《Creating a Data-Driven Enterprise with DataOps》写道：我在2007年的夏天加入 FaceBook 的数据团队。像平常一样，公司里的任何人想获取无论多小的数据，都不得不找到数据团队，并发起流程。我们的数据团队很优秀，但是他们的精力也有上限。很明显，这是一个瓶颈。 DataOps 这一概念从何而来？ DataOps 起源于 DevOps 这一概念。据了解，财富1000强的公司里，80%的公司已经采用了 DevOps 这一方法。DevOps 的成功主要仰仗于：它把之前独立的两个部门联合在了一起——开发和运维。在 DevOps 的世界里，软件的发布是迅速且持续的，因为整个团队都被整合在了一起，用来检查并处理当下的问题。 https://kuhung.me/posts/the_way_to_learn/ Wed, 16 Oct 2019 07:56:13 +0800 https://kuhung.me/posts/the_way_to_learn/ 关于作者 https://kuhung.me/posts/tdd_drive_ml/ Sun, 25 Aug 2019 00:22:07 +0800 https://kuhung.me/posts/tdd_drive_ml/ 机器学习现状与问题 2012年，数据科学击败生命科学，成为”21世界最性感的职业“。2016年，AlphaGo 战胜人类顶尖围棋手，深度学习、人工智能一度占领新闻头版头条，并引起一股机器学习新热潮。 这一效应，一直持续到今年：在2019这一年，高考志愿填报金融遇冷，计算机一跃成为抢手专业，在各大工科院校中，有取代传统电气、机械之势；各学院的研究生院，纷纷开始往人工智能、深度学习上贴近。 这从一个侧面，反应了民众对于计算机、人工智能、机器学习的就业预期。但是，随着原来越多的从业者涌入，项目落地越来越多，机器学习这一领域的问题也开始暴露，亟需解决。 机器学习中的常见问题 机器学习的问题，由其特性所致。众所周知，机器学习的发展，离不开大数据技术。海量数据的收集、存储，让算法有了更强大的生命力。通过对大量数据的挖掘、学习，机器学习能够猜你所想，提升购物网站的转化率；能够识别障碍，让自动驾驶成为可能；能够识别风险，扩大业务同时减轻坏账。 由此，针对模型和数据的关系，大致可以分为三类问题。第一种：数据量不足，模型过拟合。算法学习的过程就犹如考前刷题，过拟合相当于只刷一套题，这样的后果就是上一套不同的卷子，算法就懵逼了。第二种：数据量充足，模型欠拟合。欠拟合的算法就像是心思不在学习上的孩子，报再多的补习班，结果也不会太好。最后一种：数据不稳定。算法前期可能很好的学到精髓，但是随着数据的变化，时间的流逝，模型很可能将变得不可预测。 测试驱动开发的解决之道 机器学习的实现方式还是通过软件工程、代码实现，既然是代码，那就存在应对范式。这里，就不得不提 Test Driven Development（测试驱动开发），简称 TDD。TDD 是一种很朴实的想法，在编码开始前，评估需要交付的功能点并写测试用例，一开始的时候测试会失败，接着编写代码修复测试，最后测试通过，修复代码。这里的方式，通俗来讲就是：目标导向，先成事，再迭代。 测试驱动有一个明显的好处就是，能够加快产品发布速度。以往的项目，需求讨论会占据很大时间，讨论完之后，开发方案一旦定下来，后续变更就很难。而现实却是需求常常变更，这往往会导致产品发布的延期。而在机器学习上，测试驱动好处更多体现在保证模型质量上。具体来讲，常通过以下办法： 交叉验证 通过交叉验证来验证拟合效果 运行速度测试 根据奥卡姆剃刀原则：”如无必要，勿增实体“；简单模型胜过复杂模型 衔接测试 对数据的输入输入进行检测，以防止数据异常波动对模型影响 指标追踪 监控关键指标，不断追踪模型的性能，防止失效模型继续运行 机器学习的债务危机 测试驱动开发一定程度上能减轻机器学习中的问题，但是它只是一种表象。测试通过了，不代表算法模型就没有问题了。魔鬼藏在细节中。机器学习目前仍存在一些技术债务，仍需按特定原则对代码修复，迭代演进。 什么是技术债务 技术债务是一个比方，类比的金融领域的债务。一般指为了加快软件开发速度，折中妥协，选择易于实现的方式，结果是短期加速了软件开发，但长期来讲，开发负担累计，发布逐渐停滞。债务不都是有害的。在业务扩张，市场抢占时期，适当的债务有助于公司扩张。但是若一直不管不顾，最后只能花更大的成本去维护它，直至无法维护。 机器学习中的技术债务 机器学习项目中同样存在债务危机，Google 还就此写了篇文章 《Machine Learning: The High interest Credit Card of Technical Debt》。总结起来有三种：一、边界模糊，数据之间彼此依赖关联。二、没有系统级别代码分离，胶水代码处理一切。三、机器学习系统随着外部世界的改变而彻底改变。 偿还债务 代码重构，就犹如对你的资产进行一次清点盘算：清除不良资产、偿还债务、进行资产上的重新配置。重构能够有效减缓技术债务带来的负面影响。 面向对象的 SOLID 原则 SOLID 原则由罗伯特·C·马丁提出，是五项原则–单一职责、开闭原则、替换原则、接口隔离、依赖倒置的缩写，是面向对象设计与开发的五个基本原则。通过这五项原则，写出来的程序可读性、可扩展性都大大提高，软件维护和系统扩展变得更加容易。 SRP 单一职责原则：一片代码只做一件事，及一块代码只实现某一特定功能，尽量减少逻辑的交叉堆叠。 OCP 开闭原则：对象对于扩展开放，对于修改关闭。即保持最小单元，写完后不去修改它，而是通过扩展或者配置的方式补充功能。 LSP 替换原则：任何的子类应该轻松由同一对象树的其它对象替代。 ISP 接口隔离原则：不同的接口做不同的事，软件开发没有银弹，接口也是。解耦能解决掉开发过程中“牵一发而动全身”的情况。 DIP 依赖倒置原则：抽象来自于细节、来自于底层，开发依赖抽象。 机器学习与 SOLID 原则 将 SOLID 原则应用于机器学习，会发现：机器学习与 SOLID 原则相互交织。诸如机器学习中的降维，是在减少耦合；胶水代码、数据依赖又与 SOLID 原则相抵触。 单一职责 机器学习中的数据相互依赖，更有利用 GBDT 生成特征，这一情况与单一职责冲突。所幸可通过降维、正则化的手段减轻影响。 数据获取、数据处理、特征工程、模型训练、模型预测、数据监控，各模块无系统级代码分离，胶水代码处理一切。开发时应小心谨慎。 开闭原则 代码上可以做到开闭，但机器学习会作用于真实世界，引起的反馈将传导至模型内部。如模型预测出一批”潜在犯罪“，于是加大警力盯住这些人，最后发现他们的犯罪率果然高于常人。但他们就真的比别人更”坏“吗？这里有一个”预测、实施、证实“的偏差存在，算法无形中放大了偏见。 替换原则 机器学习的模型效果常由强特征决定，且特征众多。应用尽可能少的特征和数据，取得稳定结果。 接口隔离 模型的数据上游，可能会多个部门共用，数据源的人为变化，可能会导致模型的突然失效。因而需要对数据输入进行监控。 依赖倒置 测试代码、中间数据大量堆积，各个部分相互依赖。应定时对遗留代码和中间数据进行清理。 总结 机器学习、人工智能在经历这几年的爆发之后，出现了很多病症。测试驱动开发、SOLID 原则重构能够有效的缓解病症，还系统健康。如果你的项目已经落地，用 SOLID原则进行一次检查；如果项目还未实施，不妨尝试下测试驱动开发。系统更好的可读性、可维护性，不仅是程序员的责任，更是评判机器学习从业者的一把尺子。 https://kuhung.me/posts/tdd_with_ml/ Thu, 22 Aug 2019 00:56:13 +0800 https://kuhung.me/posts/tdd_with_ml/ 关于作者 https://kuhung.me/posts/pyramid/ Thu, 15 Aug 2019 00:47:36 +0800 https://kuhung.me/posts/pyramid/ 关于作者 https://kuhung.me/posts/scrum/ Sat, 10 Aug 2019 00:54:34 +0800 https://kuhung.me/posts/scrum/ 关于作者 https://kuhung.me/posts/manadement/ Wed, 17 Jul 2019 17:02:56 +0800 https://kuhung.me/posts/manadement/ 在老一辈的眼中，学而优则仕。学习好了就去当官从政，去服务别人。而在父母这一辈人的眼中，不论你干啥，当“老实人”被人管是不行的，他们的观点有一定的时代背景，但仍然在潜移默化影响着每个人。 而对于初入职场的新人来说，虽然暂时当不上管理者，但被管理时却也会思考：“如果是自己，将会怎样去做管理？” 对于这一批新的90后甚至00后来说，管理并不再是一场服从性测试，权威性的组织管理方法或不再有效。 什么是这些年轻人喜欢的管理风格呢？ 如果稍微读过一些管理学的书籍，就会发现，管理其实在近现代发生了较大的变化。厚黑学受人推崇，有它的一定意义，但是小年轻们对里面的技巧似乎并不买账。这点在酒桌或者聚餐时就可以看得出来。这批年轻人有自己的想法，有独立的意识，甚至有些“不懂”人情世故。 回顾历史，近现代企业管理做得比较好的，要当属日本。日本凭借其精益管理思路，在汽车制造业一举占领美国市场，打得美国的传统汽车巨头没有还手之力。在大学里，作为机械大类的学生，一定多少接触过精益生产。 这套理念，帮助日本一跃成为制造业强国。而反观国内，作为一个机械大类出身的同学，你一定知道国内的“中国制造”现状是什么。而作为一个跨行的 IT 向工程师，在实践中，也发现，以信息互联标榜自己的互联网，除了开源的代码复制粘贴得挺快，管理模式其实并没有跟上节奏。 今天，在当下环境中，还有很多管理者是靠着本能在管理，而不是一套系统科学的方法。一个程序员，或者是 IT 企业的中层管理，有时间去研究业务，却少有时间去研究管理。项目短平快上线、管理粗糙莽随意。像极了早期国内自然资源开采，先污染后治理的样子。 IT 工程师眼中的现代管理究竟应该是什么样的呢？ 我们接着从上面的日本制造业说起。在当时，他们推崇一种见 kanban 的工作法。即在看板上列出工作事项，工作流公开透明。而在当下，国内头条、国外谷歌都在推崇 OKR。这里两者的本质是相通的，即：公开透明公司的业务流，每个人都能参与到目标设定里面来。 低效的管理者 在执行这套的同学可能会说，这其实只是形式主义，到头来还是 KPI 导向，面向 PPT 晋升。这在企业中确实存在，而其中的缘由，有以下5点： 管理者不能良好的安排自己的时间，自己的时间属于别人–无尽的会议、向上汇报、向下沟通 眼光受限于岗位，注意力集中在流程、规范与控制上，而不是贡献 没能充分发挥人的长处，无论是自己、上司抑或是下属。总认为下属不能很好地完成工作。从职位出发去设定一个人能做什么、不能做什么。不能容忍人之短。 零碎容易完成的优先做，根据和需求方的亲疏远近安排优先级，而不是要事优先 无法有效决策，没有流程，不愿放权。决策没有边界，不设立反馈机制，任由自己的“偏见”主导决策 做好了上面的5点，企业就能蒸蒸日上了吗？其实也不是，如果没有一个学习型的组织，单靠个人也是难以推动的。千里马常有，而伯乐不常有。运气好，遇到一个放权给你的领导，做起来是运气，做不起来是常态。企业中的死海效应，“劣币驱逐良币”也同样常见。 螺旋沉默的组织团队 也就是说，还需要一个良好的组织氛围。而变成一个死海的组织氛围常有以下特征： 安于现状，封闭思想。更愿以主观的视角观察现实，而不是客观。 心智模式不成熟。对已有的成功盲目崇拜模仿，而忽视掉其潜在的天时地利人和背景。 各自有各自的小算盘，没有共同的愿景。 团队内部给自为战，几乎不存在团队学习。 局部思考而不是系统思考。认为危机的主因是人或事，而不是系统机制的问题。从未留意过系统如何塑造自己的行为。不清楚系统的边界、增长极限、反馈回路以及压力是如何转移的 。 如果是想做一个失败的管理者，营造一种糟糕的团队氛围，按照上面做准没错。 短期利益驱动的变革 学校教育告诉我们：永远不能承认我们不知道的答案。而大多数公司还在强化这种训练，奖励善于推销自己观点的人，却忽视对复杂问题的探寻。（还记得上一次你的组织给对公司现行政策提出难题的人——而不是解决某个紧迫问题的人——颁发奖励是什么时候吗？）– 《第五项修炼》 别急，是不是准备收藏，并在组织中逆向推行以上措施呢？那你可能又陷入了组织变革中的另一个陷阱：在变革过程中，我们不仅难以看到整片森林；甚至，我们还会挑出一两棵我们认为最看好的树，然后就全神贯注在它们身上，为它们而倾注全部的变革努力。 为什么目前还有很多的 IT 企业管理者，在靠着本能管理呢？一个字：利。 无利不起早。 概念发明以后，还要在有实用价值的成本范围内，以一定的规模进行可靠的复制，它才能够真正落地。 为什么大家都觉得修正以上的问题是不符合利益的呢？因为很多时候，都是想短期梭哈一波，先用着后面再说，先这样管理出问题了再说。即忽视了系统性的东西，而仅专注于眼前的事物。 系统思考 如果想在组织中构建学习型组织，成为一个卓有成效的管理者，那肯定不是忽视系统思考的力量。 关注长期的行为和系统内部的结构，而不是表象和短期事件；世界非线性，不要用线性的思维思考；恰当的划分系统的边界；充分考虑多方的限制因素及相对强弱。 通过实际行为来推断系统目标，而不能只看表面的言辞或其标榜的目标。时间延迟无所不在，当下的干预很可能一段时间后才会产生影响。没有人能做到充分理性，每个人的理性都是有限的。 总结 在最近和实习生同事的合作过程中，深切的感受到信息差带来的权力膨胀感。实际上，管理也是一门实践课程。一开始可能会走偏，但只要有回顾、有反思，也终究会上正轨。系统思考、长远为重。不仅要问这些年轻人想要什么、也要问自己想要什么。 https://kuhung.me/posts/abtest-2/ Sat, 22 Jun 2019 15:28:01 +0800 https://kuhung.me/posts/abtest-2/ 如何定义一个评价指标 这是上一篇文章什么是 A/B test的续集，上一篇主要讲述 A/B 测试的历史，这里接着讲如何选择指标。 从本人的经验来看，一个指标怎么选择确实重要，但更重要的是需要自上而下理解且落实科学实验。而不是拍脑袋想指标，中途随意更换指标，汇报时仅罗列有利的指标。 如果要用一句话解释，如何定义一个评价指标，那一定是“以始为终”。在定义一个指标的时候，要想一想为什么要定义这个指标，这个指标的定义是为了说明什么情况，如果这个指标发生变化，将需要怎么去解释它。 指标定义的两种情况 在这里，定义指标的时候有两类：一是不变量，即变量组和对照组的都应该相同；另一个是变量，即需要观察改变的量。 对于不变量，需要注意两者的总量是否相同，数据的分布是否相同。以上保证实验的正常进行。对于变量，首先思考高层次的商业指标。诸如收益、市场份额、用户量等。接下来就是细节的指标，如用户体验，网页停留时长。 例如，在游戏中，新手教程没完成的玩家，虽然不能直接知道原因，但根据经验，可能是引导时间太长、网络卡顿或者是别的原因。类似这样的情况，是用户体验上的问题。后面也会有一些方法提到如何去评估它。 在实验中，可能得到的不是想要的信息、或者实验时间太短，得到的结果不准确。甚至有些东西无法衡量，这种情况又该如何去评估它呢。别急，下面的内容会给你回答。 自顶向下设计评价指标 如何确定指标 高层次的指标（如：活跃用户数、点击转化率 CTR） 指标细节（如：如何定义用户活跃） 使用一组指标，并将他们整合为一个单一指标（如：总体评价指标（OEC）） 对于评估，可以选择一个指标或一套指标。如果是使用一套指标，可以把他们聚合成一个指标，比如构造一个目标函数，或者是简单的加权指标。 最后一点需要考虑的是：指标的普适性有多少。如果你在运用 A/B 测试，最好能有一个指标能够贯穿整个体系。 举个例子：用户漏斗。 它表示用户通过站点执行的一系列步骤。 之所以被称为漏斗，是因为每个后续阶段的用户数都少于上面的阶段。 每个阶段都是一个指标——总数，比率和概率。 数据不足怎么办 有些数据可能难以获得，主要原因如下： 没有数据的权限 需要较长时间去收集数据 使用外部数据 其它数据收集的技巧：3种公司常用的方法 数据中间商 调研公司 学术文章 以上能够帮助你依照整个行业设定指标。 额外的内部数据 额外的内部数据也可被使用，例如： 回溯性分析：查看历史数据以找寻改变并进行评估 调研与用户研究：这个帮助你找到你想研究的点 以上办法的缺点是它只告诉了你相关性、没有告诉你因果性，而实验一定程度上可以解释因果。 最后，别忘了与你的同事交换意见，看看他们认为重要的指标有哪些。 附：[其它获得额外数据的方法](<https://s3-us-west-2.amazonaws.com/gae-supplemental-media/additional-techniquespdf/additional_techniques.pdf)： 用户体验研究（UER）——高深度少用户。这也适用于头脑风暴，在 UER 中也可以使用诸如眼动相机的设备，同时回溯历史进行分析。 焦点小组——中等深度中等规模用户。能够在一些假设上获得反馈，但也容易陷入集体思想的情况（即真正的个人意见难以获得表达） 调研报告——深度较低但用户规模大。对于一些难以直接衡量的指标很有用。不能用于直接和其它指标比较，因为调研的对象和指标很可能与大盘不同。 指标的实际例子 高层次指标：点击率 定义一：Cookie 的总点击次数除以 Cookie 去重后的总数 定义二：被点击的页面数除以总页面数 定义三：总的页面点击次数除以总页面数 可能还需要过滤爬虫、牟利等行为以消除数据偏差。通过切片来判断数据是需要偏置还是过分偏置。在过滤掉数据后，计算每个切片的评价指标表现。如果数据表现有偏差，那说明数据里可能还需要调整。 为了消除数据周期带来的周末效应，最好按周或者按年进行数据的划分。 指标的特性 指标的敏感性和鲁棒性 敏感性和鲁棒性：敏感性是指指标对所关系的事物是否足够敏感，而鲁棒性性是指对不关心的事物是否足够不敏感。这可以通过预先小规模实验，来验证指标是否符合直觉。另一个方法是使用 A/A 测试，也就是什么都不改变，以此来排除一些伪关系。 分布：通过对历史数据的分析得到。 指标的分类 4类指标 计数或者求和（如：访问页面的用户数） 指标的分布-平均数、中位数和百分位 概率与比率（rates） 比例（ratios） 绝对指标与相对指标的选取 比较测试组和控制组的最简单方法是做差。 https://kuhung.me/posts/merge_overlapping_date/ Sun, 09 Jun 2019 00:17:05 +0800 https://kuhung.me/posts/merge_overlapping_date/ 目前网上流传着一个段子，说算法工程师实际上就是 SQL boy，数据分析师是 PPT boy。艺术来源于现实，实际上的我们真的有很多时间在写 SQL 出数据，或者是针对 bad case 做数据的进一步分析。 这不，近期这边接到的一个需求就是对玩家的某项行为进行统计。一般来讲，掌握基本 SQL 的技巧，这些需求的难度都不大。但是这个需求需要将玩家用户的多个重叠日期进行拉伸去重。这一下可难到大伙儿。在自个儿思考无果，团队讨论之后也没啥直接的办法。 在网上搜索一番后，很多都不是很对应。不过好在几轮筛选，找到了一个类似的需求。原文链接在这里：🔗。为了方便后来的人，在这里做个分析记录，以及后面举一反三该怎么做。毕竟这些东西很少出现在教程和课本里，但是当业务方有这个需求的时候，常常又很紧急，容不得细思慢想。 问题定义： 在解决一个问题之前，我们需要先明确定义问题。这里的问题是对多个重叠日期，用 SQL 将其进行去重，并在 HIVE 环境中使用。 对于日期情况的定义 这里采用穷举法，可以得出以下13类情况： 问题简化 解决问题的核心是简化问题。这个问题看起来情况众多，实际上，对于我们的任务，只有两种情况：一个是两个日期有重叠；一个是两个日期没有重叠。 对于不同的情况，要做不同的处理。重叠日期取最大最小日期即可，非重叠的分段取。剩下的即是通过工具去实现逻辑。 数据准备 这里采用原作的方式定义数据，创建出上面的13中情况。实际上，如果你的格式和下面的类似，做出对应的调整即可。 drop table t purge; create table t ( test_case varchar2(32) not null, start_date date not null, end_date date not null ); Insert into t values ('01:precedes',to_date('01','DD'),to_date('02','DD')); Insert into t values ('01:precedes',to_date('03','DD'),to_date('04','DD')); Insert into t values ('02:meets',to_date('01','DD'),to_date('02','DD')); Insert into t values ('02:meets',to_date('02','DD'),to_date('03','DD')); Insert into t values ('03:overlaps',to_date('01','DD'),to_date('03','DD')); Insert into t values ('03:overlaps',to_date('02','DD'),to_date('04','DD')); Insert into t values ('04:finished by',to_date('01','DD'),to_date('03','DD')); Insert into t values ('04:finished by',to_date('02','DD'),to_date('03','DD')); Insert into t values ('05:contains',to_date('01','DD'),to_date('04','DD')); Insert into t values ('05:contains',to_date('02','DD'),to_date('03','DD')); Insert into t values ('06:starts',to_date('01','DD'),to_date('02','DD')); Insert into t values ('06:starts',to_date('01','DD'),to_date('03','DD')); Insert into t values ('07:equals',to_date('01','DD'),to_date('02','DD')); Insert into t values ('07:equals',to_date('01','DD'),to_date('02','DD')); Insert into t values ('08:started by',to_date('01','DD'),to_date('03','DD')); Insert into t values ('08:started by',to_date('01','DD'),to_date('02','DD')); Insert into t values ('09:during',to_date('02','DD'),to_date('03','DD')); Insert into t values ('09:during',to_date('01','DD'),to_date('04','DD')); Insert into t values ('10:finishes',to_date('02','DD'),to_date('03','DD')); Insert into t values ('10:finishes',to_date('01','DD'),to_date('03','DD')); Insert into t values ('11:overlapped by',to_date('02','DD'),to_date('04','DD')); Insert into t values ('11:overlapped by',to_date('01','DD'),to_date('03','DD')); Insert into t values ('12:met by',to_date('02','DD'),to_date('03','DD')); Insert into t values ('12:met by',to_date('01','DD'),to_date('02','DD')); Insert into t values ('13:preceded by',to_date('03','DD'),to_date('04','DD')); Insert into t values ('13:preceded by',to_date('01','DD'),to_date('02','DD')); commit; 定义出来的数据如下 https://kuhung.me/posts/abtest/ Fri, 24 May 2019 09:02:00 +0800 https://kuhung.me/posts/abtest/ 此文总结自 Udacity 的课程：A/B test，详细而系统地讲述了 Google，Amazon 以及 Netflix 等公司是如何在商业问题中设计 A/B test 并评估效果的，对于国内的业务也有很强的参考意义。这里是总结的的一部分：什么是 A/B test，讲述 A/B Test 的定义、适用范围以及和传统方法的异同。指标选择、实验设计与评估将在后面陆续放出。 A/B 概览 Q：什么是 A/B test？ A：A/B test 是一种用来测试新产品或新功能的在线测试常规方法。一般分为两组用户，一组对照组，一组实验组。对照组采用已有的产品或功能，实验组采用新功能。要做的是找到他们的不同反应，并以此确定哪个版本更好。 Q：A/B test 是否有适用范围，还是说所有情况都适用？ A：A/B test 能帮助你爬上前面的山峰，但如果想弄清楚是爬这座还是另一座，A/B test 可能不太有效。A/B test 能对很大范围的事情进行测试。 例如： 亚马逊个性化推荐的 A/B test，发现个推能显著提升收益。 领英对首页流排序的测试，谷歌的搜索广告排名。 此外还可以对用户难以察觉的东西进行测试，如网站响应速度。亚马逊在07年发现：页面每增加100ms延迟，收入将会下降1个百分点。 Q：A/B test 不能做什么事情？ A：上线新的版本，带来完全不同的交互体验；或是低频长周期的产品；以及 A/B test 并不能发现被遗漏了什么。 测试新的交互体验时，A/B test 可能不太奏效。原因有两个：一、厌恶改变，不是每个人都喜欢改变，这可能导致用户的厌恶和抵触情绪。二、新奇效应，对于新鲜事物，用户可能会挨个尝试所有东西。 于此同时，这里会有两个问题，一个是你的比较基准是什么？另一个是需要花多少时间得出结论？举个例子：像低频的房屋租赁，在测试推荐流的时候，很难确定用户是为啥回来的。因为这要花的时间太长了，也许是半年，甚至是更久。 A/B test 无法告诉你是否有遗漏。当我们在某个产品测试信息推荐流时，仅凭 A/B test，无法知道是否该给这个用户推荐地理信息的资讯。于此同时，也无法确定别的产品是否需要推荐流。 Q：对于 A/B test 难以胜任的事情，该如何解决？ A：通过其它数据源来补充，对日志进行分析假设验证。或是通过其它技术，如用户研究来定性分析。 Q：A/B test 的历史是什么样的？ A：最先使用 A/B test 的，可能是农业领域。人们将土地分为不同部分，测试哪块地适合哪种作物作物或是作物如何生长。在科研领域。假设检验是确定创新的关键方法。医学上的 A/B test 被称为临床试验，通过此种方法来确定新的治疗方法是否有效。 https://kuhung.me/posts/book-list-for-ds/ Tue, 07 May 2019 23:34:54 +0800 https://kuhung.me/posts/book-list-for-ds/ 之前逛论坛，或者学习网站，看到很多人喜欢推荐书。自己早些时候也是这样，但是只 mark，却很少去看。如今作为一名社会人，虽说工作之余时间少了很多，但业余仍在坚持阅读。其中，支撑学习动力的一本书便是：《穷查理宝典》。书中查理·芒格提到的多学科思维，以及复利思维，一直在影响我的交友、做事和看问题的方式。 有关注某校友的公众号，他是做爬虫和可视乎的。某天在推荐 Python 学习资料。封面看着挺美，点开一看，书单质量实属一般。倒像是接的推广，很多估计他自己都没有看过，不太负责任。于是乎，便萌生了出一期书单的想法。而定位，便是数据科学家、数据挖掘工程师、算法工程师的书单。 首先声明，这份书单不是单纯的技术向书籍，不会有什么西瓜书或是算法导论之类的。他们也是好书，但不会出现在这里。因为在工作中大家就会发现，技术只是工具，好的工匠 != 熟练使用工具的熟练工。看见大局，同时有跨学科的思维，能够从事物的本质去出发，理解和思考它，也很重要。 作为一个数据挖掘工程师，以下是推荐的核心7本书单。为什么是7本呢？因为人一下子能记住的东西是有限的，记不住就忍不住收藏。收藏了就几乎等于很少看了。收藏一时爽，一直收藏一直爽。所以，书单从原来的二十几本变为了现在的7本。 这7本书的逻辑是从底层到高层。底层是构成我们一部分的东西，是我们的认知。中间则是我们的技能。而高层，则是我们的自我实现。最终又回到我们的认知。简单来说，就是从软技能到硬实力，再到软实力。 通识与概念 Top 7 通识趣味读本–《赤裸裸的统计学》 该书讲了很多身边的例子，让人对统计学的应用有一个初步认识。且是一个检验兴趣点的很好方式。如果你对这些东西都不是很感冒，那么可能这行除了薪水，没有别的能吸引你。后面的内容也就没有读的必要了。 除了例子以外，本书也有很多反常识反直觉的东西。诸如统计数字会撒谎、因果关系与相关关系的混淆。黑天鹅、三门问题等地很考验一个人的智商。看完之后有醍醐灌顶的感觉。 与之类似的书还有《大教堂与旧集市》、《编码》等。 Top 6 大而全–《信息论、推理与学习算法》 如果你对第一本书的内容感兴趣，想要深入了解背后的原理，那么这本书不容错过。这本书更像是一本大百科全书，涵盖了传统信息论到最新算法的大部分内容。从熵、到编码、再到概率与推理，最后到常见的模型和神经网络。是一本适合高年级学生或者专人人员的查阅宝典。 这本书说实话有些厚重，限于版面，如果只推荐一本，会推荐它。当然如果想看更多元的内容，附加的书籍📚可不容错过。由于本身的专业偏传统工科，编码、信息压缩也有接触，因而过渡起来不会很困难。 与之互补的书还有《推荐系统实战》、《信息检索导论》、《集异壁》等。 工具与思想 top 5 吃饭工具–《SQL 必知必会》 作为一个工程师，常自嘲自己是 sql boy。那是因为，在实际生产环境中，数据处理花了很大事件。大部分时间都是和sql 打交道。做过比赛的同学可能知道，数据处理、特征提取是很关键的一步。 在企业中，这一情况越发突出。有时候原始数据分散在各个地方，连规整的数据都没有。因而需要掌握一定的 sql 技能。虽然有些专业会学习数据库这一门课程，但这本书可以起到一个梳理作用，同时也有一些小的注意点。 掌握了这本书的同学，推荐《 SQL 反模式》，讲 sql 范式更进一步。虽说是给数据库开发人员看的，但是知其然并知其所以然，也是很好的。 如果想看到更大的图景，那么 ddia 一定不容错过。ddia 在一年前就很火，网上也有他的公开中文翻译。讲解整个数据系统很透彻。适合各类程序开发人员阅读。 top 4 《利用 python 进行数据分析》 这本书也算是启蒙书。涉及的内容基本面很广，该有的都有了。介绍了 python 在数据科学领域的基础知识，同时也有案例解析。 读完这本书，参加小型的数据挖掘、机器学习类的比赛不会存在门槛了。与此类似的书还有《集体智慧编程》，以及近期比较火的 hands on ml。 思考与呈现 前面都是技术向、原理向的内容。是不是掌握了以上内容，就可以美滋滋的享受生活了呢？其实这是很多软件从业人员、甚至是工科同学的一个共同误区。觉得把我的技术学好了，就万事大吉，酒香不怕巷子深了。在这里千万不要忽略掉你的软实力。 在某些头部公司、ppt 文化盛行。虽然有些走极端，这其实也是一种现状。从原则上来讲，只讲 PPT 画大饼而不做事是不对的，所以他们被放在最后讲。与此同时要记住，硬币的反面也是不对的，只埋头苦干，而不去扩大影响力，事情的价值就很可能被低估。 top 3 《金字塔原理》 主要是逻辑性思维的呈现原则，以及最核心的一点站在对方的角度看问题。书中罗列了很多报告撰写、演讲呈现的方法技巧。比如自上而下思考，自下而上表达，横向概括、纵向分类，独立穷尽。这些机巧用在你的日常生活中的表达和演讲，将会大大加分。 与之类似的书还有《演说之禅》，以及稍微和职业更靠近的《数据可视化之美》。 top 2 《咨询的奥秘》 https://kuhung.me/posts/training_rl_systems_hacks/ Thu, 02 May 2019 11:59:48 +0800 https://kuhung.me/posts/training_rl_systems_hacks/ 深度强化学习技巧 hacks for training deep RL 这是一篇旧文，John Schulman 《深度增强学习研究基础》演讲(Aug 2017)中记录的 tricks。近日重看，发现有些东西在工程中是通用的，值得一读。 测试新算法的技巧 简化问题，使用低维变量。 使用类似只有角度和速度两个变量的 Pendulum problem 问题。 这样做方便将目标函数、算法的最终状态以及算法的迭代情况可视化出来。 当出现问题时，更容易将出问题的点直观的表达（比如目标函数是否够平滑等问题）。 构造一个 demo 来测试你的算法 比如：对于一个分层强化学习算法，你应该构造一个算法可以直观学习到分层的问题。 这样能够轻易地发现那里出了问题。 注意：不要在这样的小问题上过分的尝试。 在熟悉的场景中测试 随着时间的推移，你将能预估训练所需的时间。 明白你的奖赏是如何变化的。 能够设定一个基线，以便让你知道相对过去改进了多少。 作者使用他的 hpper robot，因为他知道算法应该学多块，以及哪些行为是异常的。 快速上手新任务的技巧 简化问题 从简单的开始，直到回到问题。 途径1： 简化特征空间 举例来说，如果你是想从图片（高维空间）中学习，那么你可能先需要处理特征。举个例子：如果你的算法是想标定某个事物的位置，一开始，使用单一的x，y坐标可能会更好。 一旦起步，逐步还原问题直到解决问题。 途径2：简化奖赏函数 简化奖赏函数，这样可以有一个更快的反馈，帮助你知道是不是走偏了。 比如：击中时给 robot 记一分。这种情况很难学习，因为在开始于奖赏之前有太多的可能。将击中得分改为距离，这样将提升学习速率、更快迭代。 将一个问题转化为强化学习的技巧 可能现实是并不清楚特征是什么，也不清楚奖赏该是什么。或者，问题是什么都还不清楚。 第一步：将这个问题使用随机策略可视化出来。 看看那些部分吸引了你。 如果这个随机策略在某些情况下做了正确的事，那么很大概率，强化学习也可以做到。 策略的更新将会发现这里面的行为，并促使稳定下来。 如果随机策略永远都做不到，那么强化学习也不可能。 确保可观测 确保你能够掌控系统，且给 agent 的也是同样的系统环境。 举个例子： 亲自查看处理过图片，以确保你没有移出掉关键信息或者是在某种程度上阻碍算法。 确保所有的事物都在合理的尺度 经验法则： 观测环境： 确保均值为0，方差为1。 奖赏： 如果你能控制它，就把他缩放到一个合理的维度。 在所有的数据上都做同样的处理。 检查所有的观测环境以及奖赏，以确保没有特别离奇的异常值。 建立一个好的基线 一开始并不清楚哪些算法会起作用，所以设定一系列的基线（从其他方法）。 交叉熵 策略更新 一些类型的 Q-learning 算法: OpenAI Baselines 或者 RLLab 复现论文 某些时候（经常的事），复现论文结果特别困难。有如下一些技巧： https://kuhung.me/posts/flask_vue_ml/ Sat, 20 Apr 2019 14:31:26 +0800 https://kuhung.me/posts/flask_vue_ml/ 前言 学历与定位 近日在某论坛，有网友提问道：搞机器学习是不是要博士或是硕士学历，是不是要求很高，顶会论文？本科生或者更低学历的，是不是就没有机会了？从最近公司的招聘来看，算法工程师的 bar 确实有在提高。但在某些事业部，仍需要很大的人力来做落地场景。每个人都要找准自己的定位，公司也有它的部门定位。 如果是发论文、要在学术界站稳脚跟，给投资人“我们很重视最新技术”的信心，那博士确实很重要。另一个角度，从实用角度来说，研究生和本科生可能性价比更高。当然，作为一个本科就业的人，如果没有较为丰富的实战经验；有机会的话，还是拿到硕士及更高学历比较好。这里的实战经验就比如：搭建一个完整的、涉及算法模型、后端及前端的系统。 模型算法的实用主义 机器学习的实用主义，不是在论文多少，而是用正确的方法去解决正确的问题。而作为背后的工程师，除了调参、除了写 sql，做调包侠、做 sql boy、报表 boy 以外，在之前的文章也提到过，要学会做正确的展示，做全套的工程化实施。毕竟，等排期很难受；有些情况前后端资源不够，或者优先级很低，那就需要自己动手了。以下以上面的垃圾邮件分类为例子，说明该如何搭建一个前后端完整的机器学习系统。 这里将本次的任务拆解，分为三个部分来讲。后端 flask、前端 Vue、ML 模型采用 flair，项目地址 kuhung/flask_vue_ML 后端 flask 相关依赖的安装 pip install -r requirements.txt 核心函数 导入函数包 from flask import Flask, jsonify, request from flask_cors import CORS # 做跨域的准备 from flask import session # 追踪客户端会话 from flair.models import TextClassifier # 模型导入，采用前不久开源的 flair 做文本分类 from flair.data import Sentence 准备工作 app = Flask(__name__) # 声明准备 app.secret_key = "super_secret_key" CORS(app) classifier = TextClassifier. https://kuhung.me/posts/vgc-it/ Sun, 14 Apr 2019 11:51:09 +0800 https://kuhung.me/posts/vgc-it/ 这两天除了马总的 996， 互联网上最火的莫属被黑洞绊倒的视觉中国了。视觉中国因黑洞图的版权争端，被卷入更大的争端。一时间舆论哗然，其股票连续跌停。他是如何一步步壮大，又是为何跌倒的呢？往前看几年，起底其历史：公开资料显示，“视觉中国凭借其‘鹰眼技术’，有力的打击了“盗版”并成功形成了自己的商业模式。” 2016年初公司开发图像追踪系统，通过人工智能、图像比对、爬虫技术，能够追踪公司拥有代理权的图片在网络上的使用情况，一方面大幅降低版权保护的成本，更为有价值的是，公司因此大大降低了客户获取成本以及通过大数据获取客户的内容需求数据。  “鹰眼技术”对于公司商业模式中的维权部分，起到了极其重要的作用。说到这里，大家其实可能会很好奇，这个“鹰眼”到底是个啥技术。在一番搜寻后，找到了一些资料：“鹰眼技术”在其公司的年报里，正式名称是“互联网图片深度标引及侵权追踪技术”。在检索更多细节无果之后，数据挖掘、机器学习工程师尝试从以往经验出发，给大伙儿构建一套自己的“鹰眼系统”。 爬虫技术网上有很多，这里不展开讲。基础的爬虫通过一些浏览器插件即可实现，高级一些的用 python 包也能实现，当然这里面也是一门很大的学问，深钻起来可以写很多。本文主要讲讲这套图像检索对比系统，试图重构它。 首先要复习一下基础知识。在大学课程中，有一门课叫《机器视觉》。这门课将机器视觉相关的内容分为了三个层次：图像处理、图像分析及图像理解。图像处理主要是对图像的基础信息进行调节，不涉及高层抽象的东西。主要是均衡化、时域空域的各种滤波、图像编码等内容。目的是得到想要的图片。通俗来来讲就是用各种操作，到达类似 PS 的效果。第二个层次是图像分析，图像分析和图像处理有部分重叠。通过一些算子公式，对图像进行提取分析，以得到想要的数据。而第三个层次的图像理解，则是针对高层的抽象，基于图像处理的结果和图像分析的数据，进行内容的理解提取。  基于此，可以从两个维度进行建模。一个是传统的图像视觉；另一个则是新兴的模式识别、深度学习算法。 首先思考下，如果是一个人，他会如何判断两张图相似。从构图元素，从色彩出发？不，我会右键，单击属性进行查看，对比两者的基本信息。大伙儿不要以为图片就是单纯的图，其中可以存储很多信息。创建时间、创建者、修改时间这些大部分都会存储下来。前段时间还流行在图片后门存种子文件，都是类似的道理。 从图片的基础信息提取，是一个不可忽略的角度。很多时候，会忘记从问题的原始目的出发，转而用些花哨的解法，其实是不划算的。还记得那个用电风扇吹空肥皂壳的故事吗？这样的事情在模型领域也有不少。但也要知道，在这个问题上，图片的基础信息，也不是最完备的解法，仍需要一些更高级的手段。 第一个角度，从传统手法出发，对图像信息进行提取。学过这个的朋友，可能会知道冈萨雷斯的 Matlab 机器视觉，抑或是 OpenCV 处理图像。最简单的是对图像的颜色直方图📊进行对比。但是也样会带来较大偏差。抑或是两幅大小相同的图相减。但这样也会因为变换而产生偏差。比较高级的、常用的手法是提取算子，角点特征去提取他。提取后再进行对比。但这个方案也会有问题🤨，效率比较低。要拿库里的数万张图去匹配互联网上新上传的200万张图，计算量巨大。没准这也给部分群众，公司在“放长线钓大鱼”的错觉。也许只是系统真的太慢了而已。 而更近一步的，可以考虑用模式识别的方式去处理它。通过现有成熟的技术，将图像转化成向量，做向量之前的计算。这样的好处是可以利用 GPU 释放算力，同时对于图片的二次加工，如旋转、剪裁、翻转、加滤镜等可以起到很好的识别作用。为了提高计算速度，可以考虑对向量表征进行编码，然后利用文本检索的技术，去做一个倒排索引。更进一步的，可以通过识别图片的意思，讲图片的主体描述出来。这样的图片一般都是描述重大社会事件的，具有较好的识别度。这里可以参考之前写的文章：教 AI 学会看图说话：Image Caption。 总体来说，实际的架构可以是以上的综合。爬取公开互联网上的图片，并存下原始链接和页面快照，以便日后确认。讲爬下来的数据进行处理，将之与库中的图片对比（当然库中的图片也可能是爬下来先收录再谈）。对比返回一个相似度，100%重的那就是的了，接下来就是法务维权。 这套系统的核心，其实不是人工智能，人工智能只是一个技术手段。你用“人工”去对比互联网上的每一条资讯的图片，也能达到这样的目的。当然，也不可否认其助推作用。其中最让股民喜欢，潜在合作方厌恶的，以至于这次反应这么大，大概是其稳固的维权式商业模式。 最后需要重申一点：以上资料均为历史经验积累，绝无视觉中国的半点内部资料，如有雷同，纯属巧合。 附录 视觉中国图片侵权追踪系统曝光：鹰眼系统 2018年度市科委第四季度项目(课题)验收公开清单 视觉（中国）文化发展股份有限公司 2016 年年度报告 《数字信号与图像处理》 – 郑方， 章毓晋 《基于内容的图象和视频检索》 https://kuhung.me/posts/hands-on_machine_learning_in_industry/ Mon, 01 Apr 2019 19:28:32 +0800 https://kuhung.me/posts/hands-on_machine_learning_in_industry/ 机器学习这东西，在学术界产出颇多，但在工业界，却很少落地。究其原因，是理念落地不够彻底，很多从业者和相关上下游不理解所致。这次就这这个机会，梳理下一个机器学习，从立项到落地再到结束，他的完整生命周期该是什么样子的。这里参考了《Hands-On Machine Learning with Scikit-Learn and Tensorflow》，值得一提的是这本书写的很不错，和《集体智慧编程》有一拼，建议阅读英文原著或东南大学出的影印版。 机器学习项目的生命周期 问题定义 定义问题，并关注大局 数据处理 获取数据 探索性的数据分析 清洗数据，为接下来的模型做准备 模型方案 探索不同的模型并挑选合适的模型 对模型进行微调，并集成为更好的模型 解决方案呈现 部署维护 部署、监控并维护系统 定义问题，从大局出发 和业务团队一起定义问题目标 我们的解决方案将会如何发挥作用 现在的解决方案是什么样的（如果有） 你将如何定义这个问题（有监督、无监督，在线还是离线） 结果该如何衡量 衡量方法是否和商业目标一致 要达成这一目标，至少的表现该是什么样子的 类似的问题是什么？有无可复用的经验与工具 我们有专家知识吗 你将如何着手解决这个问题 列出你或者别人目前所作的努力 如果可能，对假说进行验证 获取数据 建议：尽量自动化以更容易地方式获取最新的数据 列出你所需的数据以及体量 找寻并记录下获取数据的方式 检查数据将占据多少空间 检查是否有法律风险，如有必要请获得许可 获取许可 创建工作空间，确保存储足够大 获取数据 转换数据的格式以便能够方便操作（不需要改变数据本身） 确保敏感信息被删除或保护加密（匿名） 检查数据的大小和类型（时间序列、采样、地理信息等） 划分测试集，把他放一边，并且不再去动他（防止数据泄露） 探索数据 建议：在该阶段尽量获取领域专家的意见 创建数据的副本以便做数据探索（如果数据量太大，做降采样处理） 创建 Jupyter notebook 以便保存探索记录 研究每个属性及其特征 名称 类型（类别，整型/浮点，有无上下界，文本，结构化等） 缺失值 噪声数据（随机数，异常值，四舍五入的误差） 对本任务可能有用的数据 分布类型（高斯分布，均匀分布，指数分布） 对于有监督问题：确定目标对象 可视化数据 研究变量间的相关性 研究你将如何着手解决此问题 确认比较有希望的解决方案 确认有用的外部数据 将以上信息存档记录下来 准备数据 建议： 在数据的副本上操作（保持原始数据不被影响） 将你所作的数据变换写成函数，有以下5个原因 便于在本项目的新数据上复用 便于在别的项目中复用 快速清洗和准备测试集 在立项后，能够及时对数据进行处理 让数据变换过程也能作为超参数的一份子，进行调参 数据清洗 调整或移除异常值（可选） 填补缺失值（0，平均数、中位数），或者简单的去掉缺失的样本或特征 特征选择（可选） 去掉对本任务无用的信息 特征工程，适度 连续数值离散化 特征分解（分类特征、时间特征等） 特征变换（log(x),sqrt(x),x^2等） 特征组合 特征尺度变换：标准化或归一化 挑选合适的模型 建议： https://kuhung.me/posts/slack-gpt2-bot/ Mon, 25 Mar 2019 22:36:06 +0800 https://kuhung.me/posts/slack-gpt2-bot/ slack app：slack workspace 记得在校的时候，冰岩作坊做过一个app，讲接龙故事的。类似于我写一段，另一个人写接下来的一段，最后凑成一个完整的故事。当时，可产生了不少有意思的段子。最近，GPT2 模型的发布，让人不禁想到，有没有可能让机器来完成这个任务呢？机器写十四行诗、机器写莎士比亚风格的文章，机器写对联，这些都已经成为了现实。人工智能虽然没有带来突飞猛进的质变，但着实催生了很多有意思的小玩意儿。对于GPT2，一个字概括来说就是：壕——数据量大，算力能够 cover 住。这套算法模型网罗了几乎现有的所有文本数据，成功“过拟合“地屠榜，刷新多个 NLP 任务榜单排行。作者为了预防滥用模型、同时让别的研究者能够有个初步地认识，开源了一个小一些地模型。该模型的能力之一，就是我们今天的主题：接着别人地话写故事。今天我们要通过算法来实现。 虽然作者有在尽力简化复现难度，但对于很多不是这行的人，让他去敲命令行来走完整个流程，还是困难重重。能够将深奥的原理讲给普通人听，并且简单易懂，是一项科学传播的必备能力。做为技术向的工程师，在产品处于雏形阶段时，能够通过一个 MVP 最小价值产品，实现核心功能，也是一项大大的加分项。对于今天的任务，我们选取容易上手，接口丰富的 slack 作为我们的前端交互窗口。 如何构建一个 MVP 产品；或者具体的来讲，在我们的这个任务中，如何将数据挖掘工程师的模型成果，转化为可落地、可感知的产品或服务呢。操起斧子直接开干，依葫芦画瓢撸个前后端出来吗？这，其实是很多技术人员的一个误区——认为什么都可以从技术层面解决，”少废话别bb，bb is cheap，show me the code“。但从一个商业产品或服务商的角度来看，客户与渠道是前台，我们的客户是谁、如何触达客户以及选用何种渠道维系客户，是一个一开始就要考虑的事情。 以这个 GPT2 bot 为例，我希望的客户是对 GPT感兴趣，但又没基础去折腾的学生或是其他领域的人士，抑或是没时间去跑 demo 的专业同行。如何触达客户：你看的这篇文章的平台，就是我的触达媒介。我最后选择用 slack 交付我的服务，而不是 qq 或 微信，是因为他成本更低，虽然阻挡了部分潜在客户，但权衡后是可以接受的。最后的工作才是依葫芦画瓢，照撸一个出来。本文参照了EdwardHuCS,并在其基础上做了部分改动。 虽然这波 AI 热潮，让很多像我这样的非科班得以上车。但在实际生产环境中，我们还是暴露了诸多问题。其中之一，便是工程能力薄弱。会写 SQL 、会手推算法、会调包，但是就是不会写能跑的整个小系统。在业务变化快的公司中，这可能不是一个好事情。你的模型也许还在细调参数，但突然整个业务就没了。如果你能拿出一个能跑的马儿，兴许能影响这个业务。这就是前面提到的加分项。 言归正传，我们回到在slack上面。我们的核心就以下代码： 核心代码解读 导入一些基础配置 import os import time import re from slackclient import SlackClient import sys from gpt2.src import generate_unconditional_samples # instantiate Slackk client slack_client = SlackClient('') # 认证口令 # starterbot's user ID in Slack: value is ssigned after the bot starts up starterbot_id = None 延迟配置以及样例和匹配模式 https://kuhung.me/posts/competing-on-analytics/ Tue, 12 Mar 2019 10:48:59 +0800 https://kuhung.me/posts/competing-on-analytics/ 数据科学家这个职位，随着12年的哈佛商业评论的一篇文章，成为了21世纪“最性感的职业”。这年头，越来越多的年轻人开始往这个方向奔，市场几近饱和。但是，很少有听见企业家说：“是的，我们很需要数据工程师，因为以下原因…“对于看此文的老板们，你们是否不止一次听到媒体鼓吹大数据、鼓吹机器学习、鼓吹人工智能，却很少有听到说这些东西，对于企业来说，实实在在带来了什么。如果你的答案是“Yes”，那么这篇文章将解答你的疑惑。 本文论点主要取自 Thomas H. Davenport 文章 《Competing on Analytics》，试图从企业管理的角度，阐述为什么我们需要数据科学家（或者说广义的数据相关人员）；他们能给企业带来哪些切实的好处；以及作为企业家，我们该如何转型，如何拥有更强的竞争力。 同质化的市场危机 在当下，想依靠某个新奇的点子或者是产品服务，已经不大可能再和其他竞争者区分开来。作为一个人类组织，底子里仍保留有人类的天性。人类天生就爱模仿，从一出生模仿吃东西，到后面通过模仿习得语言，再到后面的学习。人类的本质可能就是个复读机。模仿可以说保证了我们人类种族的存在与延续。对于企业来说，也大抵相同。 尽管我们知道，从道德原则上讲，大企业模仿别的东西是不对的。但是，从商业利益角度，无数的事实告诉我们，模仿，对于企业来说真的是一个大概率稳赚不亏的事情。把市面稳定的产品拿来微创新，再加持自己的人力或渠道优势，很快就能回本。保不齐也能把竞争对手耗死。现实即是如此。 比你更有利的竞争对手 越来越多的产品、服务开始同质化。无论互联网、游戏、手机或是制造业、服装业，越成熟的领域这个现象越明显。与此同时，我们的竞争对手可能在东南亚，拥有更低的人工成本；可能在不规矩的私营企业，拥有更多免费加班的程序员；也可能是腾讯头条这样的大厂，控制着大部分渠道。那么，你的产品服务，凭什么脱颖而出？ 答案就是成为分析型竞争者 数据分析竞争者在干什么 数据分析型竞争者会做以下几个事情。 用户 通过分析，去洞察客户的需求，以及他们所愿支付的价格，找到他们保持忠诚度的原因。在商业模式中，客户是我们的直接服务对象，也是收入来源。那么，势必需要搞清楚客户的数据情况。 在当下，比较流行的技术是通过用户画像技术，去刻画我们的用户群体。用户的分布地域、用户的性别以及年龄，用户的偏好。只有这些东西都搞清楚，我们才能清楚的知道我们的客户是谁，为什么他们需要我们的服务或产品。 渠道 与此同时，也要分析我们触达用户的渠道。不得不说，发明电视黄金档广告的人，一定是个商业奇才。曾几何时，电视广告和路标广告曾是众多老板的竞相争夺的资源，屡屡出现标王，一次次刷新记录。在那个时代，只要你砸钱，拿到黄金时间的广告，就是稳赚不赔。但现在不一样了，各种互联网渠道，在抢占着人们的注意力。楼宇电梯广告、站台路牌广告各种花样层出不穷。 但是，你就真的清楚该投哪一个了吗？还是听信对方销售人员一阵天花乱坠的吹嘘，就乖乖交了钱，却得不到想要的转化效果？通过适当的分析，我们可以知道用户在哪些渠道对我们的响应度最高，知道哪些渠道可以带来更高的转化，从而优化我们的渠道成本投入。 举个我自己的例子：我的文章隔几天就会发一篇，分布在不同渠道：微信、知乎、头条、掘金、简书。那我是单单为了占坑防洗稿就完事了吗？不是的，作为一个数据挖掘工程师，我会分析各个渠道带来的阅读、关注和互动，从而调整渠道策略。 目前我就发现，知乎和头条的信息流产品在分发策略上做的很不错，能保证充分的曝光。微信适合做核心粉丝的沉淀，和粉丝去探讨交流一些问题。而掘金、简书的曝光有限，那我就会在更新是把他们往后放。 那是不是我就应该放弃简书掘金了呢？也不是的。通过分析我发现，掘金在谷歌搜索的排名占比靠前，简书在百度搜索的排名靠前，他们俩实际是很好的 SEO 流量优化渠道。这就是渠道分析的效果。 人力 通过分析，去计算员工对公司利润做出的具体贡献，而不仅仅是关注薪酬成本。以前的自己觉得，买东西或是做事情，先去看成本是多少。工作后发现，领导的视角不是这样的。成本对于老板们来说，只是个数字。他们更关心做事的投入产出比。对于员工问题也是这样。 但现实不是这样的。很少有公司会关注这名员工对利润的贡献，反而更多的去关注他的成本是多少。他今天996了没，没有996对不起我给他开的价钱，而丝毫不关心员工对公司利润所做的贡献。而另一个极端就是，有些老板觉得这类人便宜，从而养了很多闲人。这两种情形虽然短时不会给企业带来多大负面影响，但你的竞争性选手，已经在利用数据，去发现员工的价值贡献，并对人事招聘进行调整了。 库存 在实业中，我们还要追踪现有的库存，预测并分析需求量，减少库存的积压，提高现金流转效率。这里主要是对重资产的企业老板，如果你能在这其中发现机会，一个点的提升，都会带来巨大收益。 数据分析竞争者的特质 那么，集体来讲，分析型数据竞争者具有怎么样的特质呢？如同招聘时给出的工作描述，我们也可以给分析型竞争者做画像。 数据竞争型选手应广泛应用模型和算法以及对应的最优化技术。例如作者之前实习的某普惠金融银行，通过最广泛的数据建模，给中小微个人提供贷款，赚大型银行看不上的钱，同时自己也很滋润。 组织内部全面应用数据分析等相关技术。对各个流程进行数据分析、对各个环节进行建模以优化体验，减少流失。 同时，也应该有自上而下的支持。如果一个企业的领军人物都不相信，那一线员工又何来的信任和执行力呢。企业老板应具备一些基础知识，同时有能够值得信任、不编造数据的专家。 为什么它有效 说了现状说了要求，那为什么套措施有效呢？如果大家都有，那不就是没有差异化了吗？难道我们要搞军备竞赛吗？这不就和贩卖焦虑的自媒体一样的了吗？ 其实不是这样的。一个身材羸弱的人和一个经常分析自己身体状态并针对性强化的人，他们外在的表现就会不一样。大部分企业在竞争中，使用的技术很相近，产品差别也不大；唯一能有差异化的，可能就是商业流程了。数据的挖掘分析，帮助企业家从流程中挤出每一滴价值。 尽管很多公司都有数据分析团队，但只有娴熟运用的公司，才能在各行各业取得霸主地位。甚至，对于如头条、亚马逊这样的公司，数据挖掘、算法已经成为了企业的名片和核心竞争力。 核心4条解决方案 合适的焦点、分析不可过于分散，免得失去焦点。 合适的文化、小范围检验，最小可行产品验证。 合适的人才、有分析能力且能深入浅出说明问题；有商业才能能够在商业角度阐述价值；以及沟通的技巧。 合适的技术、数据储备、硬件支持，最终才会立于不败之地。 最后，数据竞争型选手，如何说明他确实有效。很简单，以始为终点，检视最初的目标。 https://kuhung.me/posts/prophet-in-000300/ Fri, 08 Mar 2019 22:48:45 +0800 https://kuhung.me/posts/prophet-in-000300/ 跑步进场 最近股市大涨，不少人忙着跑步进场。作为保守型“投资者”，主投指数基金：沪深300。在这波行情 中，短短2个月，也有13%的账面收益。虽然知道指数类适合长期持有，但也好奇，这个点是否是高位了。为了解决这个疑虑。我们今天用算法模型套一套，看能否发现些什么。 时序预测的价值 时序问题的预测在生活中很常见。例如：游戏在线人数预测、消费情况预测、 O2O 的到店人数预测、交通流量预测，这些场景的精确预测，为资源的调配起到了重大的参考作用。从个体角度来说，得到的服务和体验也大大提升。 为此，Facebook 开源了一套工具 Prophet，专门用于时间学列预测。在这里，我们将用它，来一探股市究竟。 时序预测的原理 对于时间序列问题，常用的手法是时间序列的分解：这里有些类似于傅里叶变换的意味。将一个函数分解为多个规律函数的和积。时间序列的常见组成成分包括：季节项、趋势项以及噪声。在 Prophet 中，结合实际情况，他们又加入了节假日项目。之前在一次 kaggle 的比赛中，我们也发现节假日的数据波动，其实是类似于周末效应的。即：节假日的前后数据，类似于周六的前后数据。对数据进行修正后，评价指标会好很多。 废话不多说，咱们开干。 Prophet in 沪深300 工具包安装 pip install fbprophet 数据准备与清洗 import pandas as pd import numpy as np from fbprophet import Prophet 数据准备 数据来源为网易财经，沪深三百指数。 data = pd.read_csv('../data/000300.csv',encoding='GB2312') data.head() 数据清洗 选取需要的数据，并对数据做 log / box-cox 变换，使数据更符合线性、正态分布，减少方差差异。经济系统和生态系统类似，都存在指数级增长现象，也存在饱和现象。我们这里采用 log 变换。 df = data[[u'日期',u'收盘价']] df.columns = ['ds','y'] df['y'] = df['y'].apply(lambda x: np.log(int(x))) 模型拟合与预测 简单定义，然后拟合。 m = Prophet() m.fit(df) 预测未来一年的行情 future = m. https://kuhung.me/posts/the-next-step-for-machine-learning/ Sun, 24 Feb 2019 23:31:58 +0800 https://kuhung.me/posts/the-next-step-for-machine-learning/ 机器学习在前两年的时间里，一下子就爆火了起来。很多公司也跟着这个趋势，招募了很多算法工程师、数据挖掘工程师。但是，在实践中，企业发现要落地，实际上还有很多问题需解决。以至于在大部分项目，还是规则主导。算法工程师的日常，也不过是清洗数据，调整规则。所以，机器学习技术，在真实的应用中到底缺少些什么呢？ 在国立台湾大学《机器学习》2019春季班，李宏毅老师给出了他的观察。以下的内容，结合李老师的最新讲义、加上我本身工作的理解，给大家梳理机器学习落地急需解决的9个难题。 拒绝回答与可解释性（哲学层面） 1. Anomaly Detection 机器能不能知道“我不知道” 机器能不能知道自己的识别范围，还是说生硬地给出模型内的东西，或者说抛出无法识别。在猫狗分类里，现有的模型已经到达很高的精度，甚至能给出猫狗的品种。 但是正式上线后，用户真的会乖乖给到猫狗的图片吗？如果用户丢一张妹子图，机器能够知道自己不知道吗？目前这个领域的研究叫做 Anomaly Detection。知道自己不知道，对于一些异常的情况，十分重要。 2. Explainable AI 说出为什么“我知道” 神马汉斯的故事： 18世纪德国，一匹名叫汉斯的马成为当地网红。他能够计算简单的算术题，并用蹄子敲出正确回答。这在当时一度引起轰动。后来，有人做了个实验，把汉斯和周围的人完全隔绝，这匹马就完全蒙圈了。时事证明，这匹马的神奇能力不在于他的算数能力，而在于他的观察能力。当给到正确答案时，周围的人会有不一样的反应，汉斯也就随即停止敲马蹄。 机器学习的成果，是否同汉斯一样，通过一些意想不到的渠道，获得的答案。在 GCPR 2017 Tutorial 的研究中，研究者通过注意力机制，研究机器判断的依据。 实验者测试了两个模型，两个模型均为马匹识别。DNN 模型的焦点集中在马匹身上，是一个正常的模型。但 FV 的交点却集中在图片左下角。原来，图片的左下角有图片的出处，所有的包含马匹的图都有这个标记。所以，FV 模型学到的重点在于这些标记。同样的表现，却是不一样的判断依据。显然，FV 模型的判断依据是滑稽和不可靠的。 我们需要一些技术，让 AI 不仅给出结果，同时要给出判断的依据。即：模型的可解释性。 抵御恶意攻击 3. 防止 Adversarial Attack 人有错觉，机器是否也会有错觉。我们来做一个认知实验。以下两个圈圈，哪个的颜色更深？好，记住你的答案。结果将在稍后揭晓。 对于机器，有研究表明，通过改变图像中的个别像素，可以起到迷惑机器的作用。改变一个像素，就可以让模型的判断结果从熊猫到长臂猿。该技术名叫 Adversarial Attack。 这样的技术相当危险。举个例子，当自动驾驶的车辆行驶在路上时，可能路边的人挥舞下旗子，机器的判断就会被干扰，做出不当的举动。 回到开头的例子，正确答案是左边。这其实是一个计中计。你以为这是视觉认知实验，其实这也是某种形式的“心理攻击”。 学习模式 4. Life-long learning 终身学习 终身学习是一个人类行为的概念。活到老学到老，大家都知道只有不断更新自己的知识，才能跟上社会发展的步伐。同时呢，先前学到的东西，对后面的学习仍有帮助。举个例子：学完线性代数之后，对学习和理解机器学习就大有帮助。 但是，机器不一样。今天的我们，一般只让一个模型学习一个任务。但这样会存在一些问题。首先是随着建模的增多，模型数量将无限增长。其次，模型之前学到的技能，对之后的学习没有帮助。就像 Alphastar 它玩星际争霸很棒，但让他同时学下围棋，目前来说是不行的。它和 Alphazero 是两个不同的模型 。 那么，自然而然的，我们就会抛出这样一个疑问，机器能否终身学习呢？这里的相关研究，提个关键词 Catastrophic Forgetting 。 5. Meta-learning / Learn to learn 学习如何学习 现有的机器学习模型设计，都遵循着这样一个范式——在特定领域人工设计一套算法，让机器去学习。我们就想，能不能设计一套算法，让机器自己去设计自己的学习算法呢？ 这样的范式，我们称之为 meta-learning 元学习，或者叫 learn to learn，学习如何学习。 https://kuhung.me/posts/bert-chinese-finetune/ Sun, 17 Feb 2019 11:30:26 +0800 https://kuhung.me/posts/bert-chinese-finetune/ Finetune Bert for Chinese NLP 问题被证明同图像一样，可以通过 finetune 在垂直领域取得效果的提升。Bert 模型本身极其依赖计算资源，从 0 训练对大多数开发者都是难以想象的事。在节省资源避免重头开始训练的同时，为更好的拟合垂直领域的语料，我们有了 finetune 的动机。 Bert 的文档本身对 finetune 进行了较为详细的描述，但对于不熟悉官方标准数据集的工程师来说，有一定的上手难度。随着 Bert as service 代码的开源，使用 Bert 分类或阅读理解的副产物–词空间，成为一个更具实用价值的方向。 因而，此文档着重以一个例子，梳理 finetune 垂直语料，获得微调后的模型 这一过程。Bert 原理或 Bert as service 还请移步官方文档。 依赖 python==3.6 tensorflow>=1.11.0 预训练模型 下载 BERT-Base, Chinese: Chinese Simplified and Traditional, 12-layer, 768-hidden, 12-heads, 110M parameters 数据准备 train.tsv 训练集 dev.tsv 验证集 数据格式 第一列为 label，第二列为具体内容，tab 分隔。因模型本身在字符级别做处理，因而无需分词。 fashion 衬衫和它一起穿,让你减龄十岁!越活越年轻!太美了!... houseliving 95㎡简约美式小三居,过精美别致、悠然自得的小日子! 屋主的客... game 赛季末用他们两天上一段，7.20最强LOL上分英雄推荐！ 各位小伙... 样例数据位置：data 数据格式取决于业务场景，后面也可根据格式调整代码里的数据导入方式。 操作 git clone https://github. https://kuhung.me/posts/what-is-data-mining/ Sun, 17 Feb 2019 00:40:20 +0800 https://kuhung.me/posts/what-is-data-mining/ 一、数据挖掘的定义 什么是数据挖掘？ 数据挖掘是一个用数据发现问题、解决问题的学科。 通常通过对数据的探索、处理、分析或建模实现。 数据挖掘学习路线 大学里并没有数据挖掘这么一个专业，现有的数据挖掘工程师大都来自工科或统计学等专业。 目前的数据挖掘工程师大都来自不同背景，计算机科学、数学甚至是机械工程。要想成功胜任，其诀窍是热情、好奇心，不断学习新的工具的能力，以及对数据清洗和分析的耐心。 给新人的建议 最重要的三个品质：好奇心、是非观以及批判性思考。这三个品质，放在其他领域同样适用。 专业领域的三种能力：编程能力、统计基础、商业思维。编程和统计在大学较为容易学到，商业思维需要多实践总结。 二、数据挖掘在做什么 数据挖掘工程师的一天 检查日常报表数据是否异常，寻求数据波动的合理解释。 针对新业务，设计指标，搭建数据模型。 搭建商品推荐系统、价格预测系统、文本分类系统或是聊天机器人。 数据挖掘的算法 使用复杂的机器学习算法并不能保证效果。一般来讲，最好的解决办法，通常很简单。 生产环境使用简单的算法，并不意味着要放弃前沿算法。每一套新的方法，其目的都在解决前面的薄弱之处。 数据挖掘与服务器 本地 PC 由于硬件与系统限制，工程师常在服务器进行大规模数据的运算、脚本部署与接口部署。 三、商业中的数据挖掘 作为公司，该如何开展数据挖掘 评估可能的收益与需要的投入 开始收集数据 招募数据挖掘团队 招聘数据挖掘团队 好奇心应该是数据挖掘从业者的最重要品质。 招聘时，应确保候选人对工作内容感兴趣。 候选人应具备一定的成果意识。商业更重成果，而不是过程。 数据挖掘应用 广告位点击预估 信用卡风控评估 用户流失干预 四、数据挖掘工具 数据挖掘工具与大数据 掌握以下工具：Python、Linux、Pandas 及 Jupyter、关系型和非关系型数据库。 大数据通常指传统数据系统无法处理的数据。体量和增速都相当大。处理工具以 Hadoop 为代表。 五、数据挖掘进阶 神经网络和深度学习 神经网络出现已数十年，但由于条件限制，这一方向搁置了数十年。目前随着新的优化方法的出现和算力的提升，这一方向的工业化逐渐成为可能。 如何更上一层楼 掌握基本的编程知识，更多地去理解背后的原理。 流程化意识，及时复盘总结，规范流程（复用）。 成果导向，将知识转化为行动和成果，给他人带来价值，服务更多人。 https://kuhung.me/posts/12306bypass-server/ Sat, 26 Jan 2019 15:52:08 +0800 https://kuhung.me/posts/12306bypass-server/ 前言 春节假期临近，车票一度紧张。某行、某团开了加速包后，仍然无法第一时间刷到目的地的票。稍微有点儿技术底子的我们岂能坐以待毙，自然是要自己动手，丰衣足食。 网上有各类开源的工具包，这里不做过多点评。之前在好友圈内传得比较靠谱的是 12306Bypass，又叫分流。分流是一个 Windows 应用，工作在 PC 端。其核心功能完全免费，更更重要的是，它的监控刷新在本地可以真实的感知。 以前在学校还好，可以守在电脑面前。但工作后，由于各种原因，无法第一时间获取分流的抢票信息，因而白白错过好几次下单付钱的机会。于是我们就有了这样一个愿望，希望能将分流的信息第一时间转发。 前几日逛某论坛，有人向分流开发者传达了增加 Server 酱的请求。开发者还是很给力，在最近的几次版本迭代中实现了该功能。简单的来说，Server 酱就是一个提醒服务。在这里，我们把它用在抢票软件中。当软件抢到票时，通过该服务，给到微信提醒。通知我们及时付款。 通过这样的形式，即可在微信端第一时间收到下订单的信息。那么如何配置这样的一个服务呢？我们只需要以下步骤。 ​ 准备工作 最新版本的分流软件 搜索关键词：12306Bypass 这里使用的版本号是1.13.30。 没用过？下载链接 Github 账号 这里用做 Server 酱的登陆认证 不知道？注册链接 实操阶段 Server 酱 用于获取认证的接口 登入：用GitHub账号 登入网站，获取SCKEY（在「发送消息」页面） 绑定：点击「微信推送」，扫码关注同时即完成绑定 记住 SCKEY ，我们接下来会用着。 分流 启动分流，按正常流程配置票务信息。 点选主界面左下角的推送 填入以下信息 通知地址 `https://sc.ftqq.com/[SCKEY].send 通知参数 text=#bypass# 点击测试发送，即可在微信端，收到本文一开始的推送测试提醒啦 实际效果 就在配置完成不久后，分流帮我抢到了回家的车票。同时在微信端，Server 酱强制推送。 总结 通过这样的一番配置，我们终于能够安稳的玩耍手机，而不用担心错过订单付款时间。事实上，分流本身的基础功能，也自带了一些提醒服务。但是他们大多较为繁琐。以 QQ 提醒为例，有被顶掉下线的风险。自带的微信提醒，模拟的微信桌面登陆，理论上需要2个微信号。按照上面的操作，我们只需要简单的配置，即可实现强制推送，错过的几率大大减小。 这样的推送服务，其应用场景不局限于此。这也是我琢磨它的原因之一——应用场景广泛。只要需要推送的地方，都可以嵌入这样一套服务。例如网站新增评论、或是按秒计费的服务器上模型训练结束等等。 Server 酱实现的功能有限，仅针对微信推送。但这也是它针对国内业务的一种优化。类似这样的推送服务很多，国外的 Slack 功能组件也很丰富。在一些涉及敏感信息的领域，构建一套自己的推送服务，也是不错的主意。 https://kuhung.me/posts/algebra-calculus/ Thu, 18 Oct 2018 00:00:00 +0000 https://kuhung.me/posts/algebra-calculus/ https://kuhung.me/posts/probabilities-statistics/ Thu, 18 Oct 2018 00:00:00 +0000 https://kuhung.me/posts/probabilities-statistics/ https://kuhung.me/posts/why-is-data-hard/ Fri, 30 Mar 2018 00:00:00 +0000 https://kuhung.me/posts/why-is-data-hard/ 原文链接 Slack 工程师 : why-is-data-hard? 做数据挖掘时，常常需要考虑很多方面。其中一个方面，常常会涉及到跨功能，复杂且琐碎的一些事项。数据准备以及评价指标的制定，就是这些事项之一。 等等，似乎干数据这一行，并不容易？ 当大多数的组织谈到数据时，他们想的其实是指标——能反应近期业务、或是能够提供数据驱动的决策、抑或是能够监测企业经营状况的指标。 按上面的说法，我们应该能够招聘到聪明且能干的分析师，做出酷炫的可视化仪表盘，并马上投入使用。 “Every second of every day, our senses bring in way [more] data than we can possibly process in our brains.”– Peter Diamandis, Founder of the X-Prize 拥有大量的数据并不会立马产生价值。当你是在数据增长快如 Slack 这样的公司处理数据时，不仅怎样驾驭数据和指标极其重要且困难的，更困难的是你像是在 “building the plane as it is flying”。 数据金字塔：评价指标（metrics）最为重要 数据金子塔大致可以分为4个级别。每一个级别都高度依赖下一级。 见解/洞察（Insights） 大部分的老板和公司董事关心的是这一层。见解（Insights）是我们所讲的关于数据的故事，即什么驱动了商业，或者是有什么新的机会能够推动大量的增长。 在理想的世界中，有一个共享的、不断演进的关于业务性能的数据叙述。这种数据叙述在整个组织中传播，以建立对业务的共同理解。 探索以及工具 为了获得见解，我们需要雇佣很多人定期去探索数据。只有当有人在盯着数据的时候，才能有策划和故事! 在快速增长的业务中，最优的数据探索涉及到一些关键事物： **数据探查的多样性。**要真正建立起，对正在发生的事情和重要的事情的理解和见解，我们需要每个人都拥有，对数据的关注和探索的主人翁意识。现实情况是，如果探索困难，只有管理员(分析师)能够完成这项工作。你要么雇佣更多的分析师来深入挖掘你的见解，或者，你可以找到简化数据访问的方法，让团队能够自行解决问题。Slack 的做法介于两者之间——我们不断寻找，在整个组织中增加自助数据服务的方法；同时也确保，我们有优秀的分析师参与到每一个核心功能来。 **频繁使用。**像所有良好习惯的养成一样，查看数据和指标的一致性，是建立对所期望东西见解的唯一方法，什么样的结果是出乎意料的，什么样的问题是需要分析数据的。分析师可以帮助挖掘趋势，有些趋势值得挖掘，而许多趋势则不然。如果老板经常查看数据，那么你的分析师就更有可能对他们的精力，进行最优配置。 **例子：**本周活跃用户增加了4%。这是好是坏？是预期的增长放缓?还是因为这周，我们推出了新产品，所以实际上我们希望的是，高于平时一周的增长? 分析师能够挖掘并做出各种比较，以帮助老板对数字进行说明。分析人士可以将该数字与往年做比较，深入了解这些新要素的组成，以及他们来自哪里。也许4%符合你的期望。但事实上，它比平时要低，我们没有推出任何新产品，且处于一个缓增长放缓期。这就是您希望董事会和分析人员构建的见解。你不会希望在某些事情上耗费精力，这些事情并不会带来业务的增长，或者改变我们的决策。 **发现能力与数据探索。**数据探索不同于在仪表盘上点来点去，这是我想在这里指出的。仪表盘是用一组具体的需求创建的，通常在特定的粒度级别上报告指标或世界的某些视图。数据探索是一种能力，即通过各种不同的特征结合来调查指标，以确定在固定的仪表盘中不会立即出现的趋势或机会。可以将其考虑为，能够对数据进行转换和筛选，从而向监控之外的数据提出问题的能力。看到活跃用户的激增吗？太棒了！也许我们需要探究这在所有国家都这样，还是仅仅出现在英国。那周我们是否发起了一项针对英国的营销行动？销售团队是不是在那周完成了一个大单子? 企业主离数据越近，他们就越有能力着手进行自助服务的探索，就能发现更快捷、更有效的关键见解。这是因为，他们更有能力将我们在业务中所做的事情，与我们在数据中可能表现的特点结合起来。反之亦然！那些从商业伙伴那里拥有大量业务背景的分析人士，可以更快地找到正确的见解，而不是身陷各种假设之中。对于一个快速成长的组织来说，你可能希望两者都存在于你的组织中，这样每个人都能带着主人翁意识，理解我们最大的机遇和存在的差距。 指标和维度 在探索和工具层面，有很多数据驱动的决策。但我们在 Slack 发现，如果数据不容易理解、不清晰或是不可信，即使工具各种各样，也无法进行更广泛的数据挖掘。这是为什么，一致性、被充分理解的、明确定义的指标和维度是如此重要。 由于各种原因，数据可能不可信；或是不可获得（没有权限）；也可能数据是错误的（数据丢失或是跟踪出了问题）；再或者是不清楚数据代表什么以及如何使用它。在这种情况下，数据本身的完整性就不那么重要了。更需要关心的是，数据使用者在能够进行挖掘之前，需要花多少时间来检查和测试他们的工作。 **例子：**在 Slack 公司，我们有两种不同的地理定位方式。如果你想了解用户数据，了解我们的国际活动和产品发布是如何进行的，或者寻找更多的机会让我们的业绩更上一层楼，那么地理位置是很重要的。 我们的地理定义有两种：一由团队和用户的IP地址（他们使用 Slack 的地址），二是由团队的账单地址（通常是公司总部）来定义的。 https://kuhung.me/posts/time-series-problem-summary/ Thu, 08 Feb 2018 00:00:00 +0000 https://kuhung.me/posts/time-series-problem-summary/ Source https://www.kaggle.com/c/recruit-restaurant-visitor-forecasting/discussion 总结一：保证数据同分布 验证集的选取，分布上应尽量靠近测试集。 方式一:：对抗验证集的生成。 方式二： 就近选取相同天数。 方式三:：类比属性。如本赛题 “golden week” 与 “new year” 类比，选取 “new year” 段作为验证集。 tips: kfold 用在时间序列上不合适，会有数据泄露风险。正确的方法应是滑窗。 总结二：异常值特殊处理 一些特殊的时间节点（或者说是异常值），应该予以特殊考虑。比如本次比赛中的 “golden week”.。需要对其进行变换，而不是直接依靠模型的预测结果。 方式一:：等同法 The rules: Treat holiday as Saturday If the day before holiday is weekday ,treat the day before holiday as Friday If the day after holiday is weekday ,treat the day after holiday as Monday it work not only golden week but also a lot other holidays. https://kuhung.me/posts/ssd/ Fri, 08 Dec 2017 00:00:00 +0000 https://kuhung.me/posts/ssd/ SSD目标检测Keras版 SSD是一种Object Detection方法。本文是基于论文SSD: Single Shot MultiBox Detector，实现的keras版本。 该文章在既保证速度，又要保证精度的情况下，提出了SSD物体检测模型，与现在流行的检测模型一样，将检测过程整个成一个single deep neural network。便于训练与优化，同时提高检测速度。 SSD将输出一系列离散化（discretization）的bounding boxes，这些bounding boxes是在不同层次（layers）上的feature maps上生成的，并且有着不同的aspect ratio。 模型效果 模型对载具的检测 模型对动物的检测 模型的视频检测 如何使用 项目地址kuhung/SSD_keras 所需依赖 cv2==3.3.0 keras==1.2.2 matplotlib==2.1.0 tensorflow==1.3.0 numpy==1.13.3 如果想跑通视频模块，则需额外pip install scikit-video 具体操作 git clone git@github.com:kuhung/SSD_keras.git cd SSD_keras Download model weight weights_SSD300.hdf5here cp weights_SSD300.hdf5 into SSD_keras 对于图片的检测 参考SSD.ipynb 若要剪切图片为下一步处理做准备 参考SSD_crop.py 检测视频 cd video_utils python videotest_example.py hy.mp4 参考资料 SSD: Single Shot MultiBox Detector 论文阅读：SSD: Single Shot MultiBox Detector rykov8/ssd_keras https://kuhung.me/posts/yysgan/ Tue, 21 Nov 2017 09:02:35 +0800 https://kuhung.me/posts/yysgan/ 使用GAN生成新的游戏角色 摘要 Generative Adversarial Networks（简称GAN），中文名叫生成对抗网络。我们将使用它，来生成新的阴阳师角色。 依赖 （pip install） cv2 tensorflow( >=1.0) scipy numpy 使用方法 cd yysGAN python yysGAN.py 5000次迭代训练结果 了解更多GAN的知识 Generative Adversarial Networks.ipynb 参考资料 Siraj Raval moxiegushi/pokeGAN 项目地址 https://github.com/kuhung/yysGAN 定制你的GAN图片生成器 # 拆包即用，修改input下文件，改为对应的jpg素材即可。 https://kuhung.me/posts/%E7%8C%AB%E7%8B%97%E5%A4%A7%E6%88%98/ Wed, 06 Jul 2016 00:00:00 +0000 https://kuhung.me/posts/%E7%8C%AB%E7%8B%97%E5%A4%A7%E6%88%98/ 我是参加DataCastle猫狗大战的选手，kuhung。在测评中，我提交的数据集最后评分0.98639。以下是我的备战过程及心得体会。（最后有完整代码及较全面的注释） 个人介绍 华中科技大学机械学院的大二（准大三）学生，接触数据挖掘快有一年了。早期在学生团队做过一些D3数据可视化方面的工作，今年上半年开始数据挖掘实践。想把这个爱好发展成事业。做过阿里的天池竞赛，也有在kaggle混迹。算个数据新手，但一直不承认：你是新人，所以成绩不好看没啥关系。 初识比赛 第一次接触数据集，就感觉有些难度。因为以前没做过图片分类的比赛，更没想过要用深度学习的神经网络进行识别。思索一番，还是觉得特征提取后，使用决策树靠谱。自己也下去找过资料，发现并不容易实现。期间，还曾一度想过肉眼识别。但打开文件，看到那1400+图片，就觉得这时间花在肉眼识别上不值。中间一度消停。 初见曙光——yinjh战队分享 后来上论坛逛过几次。一次偶然的机会，让我看到了yinjh团队分享的vgg16模型。乍一看，代码简单、效果不错。更为重要的是，这个模型自己以前从未见过。于是抱着验证学习的态度，我把代码扣了下来，打算自己照着做一遍。 过程艰难 一开始，我就把一屏的代码放进了我的jupyter notebook中，一步一步试水。很明显，我的很多依赖包都没安装，所以也是错误不断。早先是在Windows系统下，使用python2.7，需要什么包，就安装什么包。在安装keras过程中，我发现了Anaconda——很好用的一个科学计算环境，集成了各种数据挖掘包。即使是这样，仍然是满屏的错误，亟待排查。 步步优化 离比赛截止就还只有几天，一边准备期末考试，一边焦急地排查bug。Windows系统下仍有个别难以解决的错误，我索性切换到了做NAO机器人时装的Ubuntu系统下。结合keras给的官方文档，我对原代码进行了函数拆分解耦，又在循环体部分增加了异常检测。综合考虑性能，稍微修改了循环结构。下载好训练的vgg16_weights，在没有错误之后，焦急地等待25分钟后，屏幕开始打印结果。 欣喜万分 第一次提交，随便截取了前面一段，没成绩。折腾了几次，才发现是提交的格式出了问题。后面取p=0.99+部分，提交结果在0.58左右，数据集大概有90个。估计了下，狗狗总数应该在180左右。第二次提交，取了180左右，结果0.97多一点。第三次，也是最后一次提交，取了result前189个，结果0.98639，一举升到第一。 比赛总结 这次比赛，首先还得感谢yinjh团队的yin前辈。如果没有您分享的代码，就不会有我今天的成绩。感谢您分享的代码，感想您在我写这篇分享时提供的代码指导。 我是新手，但我一直不觉得成绩低是理所当。立志从事这一行，就需要快速地学习、快速地成长。新人，也需要做到最好。当然，自己目前还存在很多问题。一些基本的概念只是模糊掌握，需要更多的实践，需要更多的理论积淀，而不是简单地做一个调包侠。 给新手的建议 善用搜索引擎，多读官方文档，不要一开始就依赖Google。 Google Groups、Stack Overflow、GitHub是好东西。 干！就是干！ 完整代码 以下操作均在Ubuntu14.04+Anaconda中进行 导入python标准包 import os # 处理字符串路径 import glob # 用于查找文件 导入相关库 keras keras是基于Theano的深度学习(Deep Learning)框架 详细信息请见keras官方文档 安装过程 conda update conda conda update –all conda install mingw libpython pip install git+git://github.com/Theano/Theano.git pip install git+git://github.com/fchollet/keras.git cv2 OpenCV库 conda isntall opnecv numpy Anaconda自带 from keras.models import Sequential from keras.layers.core import Flatten, Dense, Dropout from keras. https://kuhung.me/posts/%E9%AB%98%E6%95%88%E8%83%BD%E4%BA%BA%E5%A3%AB%E7%9A%847%E4%B8%AA%E4%B9%A0%E6%83%AF/ Sun, 10 Apr 2016 00:00:00 +0000 https://kuhung.me/posts/%E9%AB%98%E6%95%88%E8%83%BD%E4%BA%BA%E5%A3%AB%E7%9A%847%E4%B8%AA%E4%B9%A0%E6%83%AF/ 第一部分：认识自我 一切探索的尽头，就是重回起点。——艾略特 以原则为中心的思维 公平的原则 诚实与善良 以原则为中心，以品德为基础 由内而外强调，先追求个人的成功，才能有人际关系的成就;先信守对自己的承诺，才能信守对他人的承诺。 七个习惯–大纲 习惯一：积极主动（BE PROACTIVE) 习惯二：以终为始(BEGIN WITH THE END IN MIND) 习惯三：要事第一(PUT FIRST THINGS FIRST) 习惯四：双赢思维(THINK WIN) 习惯五：知彼解己(SEEK FIRST TOUNDERSTAND,THEN TOBE UNDERSTOOD) 习惯六：统合综效(SYNERGIZE) 习惯七：不断更新(SHARPEN THE SAW) 第二部分：个人的成功：从依赖到独立 习惯一：积极主动 三种决定论 基因决定论 心理决定论 环境决定论 人类的四种天赋 选择的自由(freedom to choose) 想象力(imagination) 良知(conscience) 独立意志(independent conscience) 积极主动是人类的天性 积极主动与积极思考不同。积极主动不仅承认现实，也肯定人有权选择对现实环境做出积极回应。 人生的三种价值 经验价值 创造价值 态度价值 言语态度对照表 消极被动 我已无能为力 我就是这样一个人 他是我怒不可遏 积极主动 试试看有没有其他可能性 我可以选择不同的作风 我可以控制自己的情绪 关注圈与影响圈 在关注圈中把个人可以控制的圈起来，形成"影响圈"。 习惯二：以终为始 | 自我领导的原则 在做任何事之前，都得认清方向。（该方向由个人最重要的期许或价值观来决定） 自我领导 管理是正确地做事，领导则是做正确的事。 四个方向：安全感、人生方向、智慧、力量 以原则为中心的特征： 这是主动而非被动的决定 这是经过通盘考虑所得的结论，不是一时冲动 习惯三：要事第一 | 自我管理的原则 四代时间管理理论的演进 重视那些重要但不紧急的事