好家伙，让 fable 和 sol 调查完之后，opus 一口气开了31个 subagents 干活😅

不少人问我怎么弄的，确实所有的代码都是 vibe code 的，不是两三个 skill 能讲清楚的。

这几天重温了很多 NLP 的算法，以前要搞清楚一个算法细节，需要读论文，找实现，标注数据，做实验，反复好几轮。有了 agent 之后，迭代速度快多了，但是大方向还是需要人来把控。

就像一个完全写过代码的人完全不知道有 git 一样，如果之前没有那么多年的 nlp 经验，我也不可能这么快地指挥 agent 干活。同理，现在上手前端项目，对我来说还是有许多未知的。

所以么，我当然看得到 AI 的潜力，但是对于人而言，要知道自己有不知道的领域才是最大的挑战。

最后说一句，最近听说很多律所严禁刚入行的律师使用 AI，直到两三年之后才能用。我觉得挺有道理的，这样不仅可以让他们知道哪些是可以学会的，哪些是可以交给 AI 代劳的，哪些是自己不知道的。

这是目前的执行方式：

1. Main 里跑着 Opus 4.6 1M，跑了一天，用掉的 context window 还不到一半，主要让它调度，汇总信息；
2. Review 里跑着 GPT 5.6 Luna，让它只审核代码，提交代码；
3. 后面是 Fable 和 Sol 两个参谋，遇到复杂的问题就交给他们思考，然后丢回 Main。

最大的优点并不仅仅是节省 token，主要是帮助我保持专注。

尽管抱怨了不少，还是继续在做这个项目。

写了不少代码，觉得没有办法复用，好可惜。

结果我搭档开始读 JD，有大量的课件需要整理，又是 claude 又是 gemini notebook。

我说这么用太割裂，两个工具无法相互积累，不如都用 claude。

她说她还是喜欢 notebook 里的 flashcards，我说我们自己的项目里有啊，你直接让 agent 调用就行，还可以做成 skill，定义什么样的概念放到 flashcards 里。

顺手演示了一下，直接让 agent 读课件，然后就可以生成想要的 flashcards。

也算是合理复用了 🤪

完整的工作流在这里，这也让我意识到了 FDE 的重要性：

1. 作为程序员出身的我们，天然地以为所有人对于 AI，对于 agent 的认知都是类似的；
2. 作为一般人，以为 AI 就是聊天框，就是几个 skill；

两边都不知道对方的不知道，这中间的差距非常大，而 FDE 正好可以解决这些

https://t.me/tms_ur_way/3968

看看能不能如期送到 😛

上一周基本跑通了整个流程，也拿到一些结果，但有一个问题始终困扰着我：

用 whisper-mlx 把录音转成中文后，所有的标点都丢失了，英语倒还好。这样以来，问题很大，因为 whisper 的模型是根据根据时间窗口切割结果的，比如3秒，10秒之类的，但没有标点就无法重新分句，只能硬拿3秒10秒这样的切块和英语做对比。尽管也能看出一些眉目（抄得太厉害了），但总归难以说服自己。

我一开始想直接在切块里添加标点，然后再分句。但这样的问题很大，每个切块都是破损的，这样直接喂给模型，效果还是很差。后来我想，要不干脆直接把所有一段录音的所有切块直接拼在一起，然后再添加标点，再分句。查了查，还真有人这么玩过，而且还有专门的模型。结果拿来一试，不光分句的问题解决了，后续的问题也解决了不少。

有了 agent，这就是一两小时的事，没有 agent，恐怕是一两周的活。

本来以为12306已经够烂了，结果打开韩国高铁 Korail 的网站 + app 才知道什么是更烂的：

1. 密码只能设置纯数字，6-13位，我还以为键盘坏了，死活输入不了，看了半天才看见只允许纯数字；

2. 信用卡输入的时候，不能粘贴，前四位和最后四位可以用手机键盘输入，中间的两个四位必须用他们的安全键盘输入，然后就是截图里的奇葩玩意，只能看见当下输入的那个字符，看不到四位字符；

3. 选票的时间窗口错位的，比如你选八点，它显示九点，你选九点，它显示十点…

原来网速跑满能这么爽

最近一个老朋友打算把他们拿到的一个大项目拆分一块给我们，因为他们自己完全没经验。

恰好我们都有经验，就看了下客户的公开数据，然后很认真地开始准备。

和我们对接的是朋友手下的小朋友，负责商务。极其不专业，连续两次，自己安排了会议时间之后，会议开始后半小时都不出现，也不发消息通知改时间。

第二次开会的时候，她反复催促我们给报价和方案，并说他们已经和客户聊得差不多了，就剩把分包给我们的这块填进去。

我多问了几句，发现他们所谓的计划完全不靠谱，连最起码的行业知识都不懂。末了，她说可以发已经和用户确认的时间线给我们。

等他们发来，我一看，两眼一黑，这个时间线完全就是凭他们的想象捏造出来的，完全没有考虑客户的真实需求和痛点。属于既不尊重自己的专业领域，也不理解客户需求的典型。

然后她还口口声声说客户很欣赏他们的专业意见。🤪

如果在 reset 之前有用不完的 token，可以拿来读所有的 adr 文档，然后整理出一个 compass 文档，给以后的项目用。

这件事价值太高了，我花了这么多时间精力和 token 在一个项目上。有可以复用到下一个项目的代码当然很好，但更重要的是，我从这个项目里学到了什么。

积累下来的 adr 具有很高的价值，因为所有的主要决策都记录在此。既然有了这些积淀，不如再把他们提炼一下，看看我们能学到什么，能少走那些弯路。

更高潮的来了，客户给的参考收入是他们四个市场收入。目标是希望明年在新渠道做到这四个市场的一半。

结果呢，这个负责项目的小朋友既没问清楚要从四个市场一起做，还是优先做哪个市场。也没问清楚现有渠道在四个市场的情况，就疯狂写了计划出来，然后还要我们报价。

拜托，这是要落地赚钱的项目，不是画画饼就行的咨询项目。你能把客户情况弄弄清楚，把行业情况弄弄清楚，再掂量掂量自己能不能接吧？

看到一个基于 jev 分类 tweets 情绪进而推测市场走向的项目，不尽感慨。

从 jev 出来到现在不过四五天就出来这个项目；

还没 ChatGPT 之前，还在 deep learning 时代，我花了个好几周的时间，手工标了数据之后，喂给 bert ，把一个类似的项目的 f1 调到 80 多；

而在 deep learning 出现之前，我花了三四年时间，对比了 svm, random forests 等几个机器学习的算法，才把一个类似项目的 f1 调到 70 出头一点。

从年到月到天的变化实在太快了。

要知道 sentiment analysis 这个细分领域从出现到现在也不到二十年，最早的那篇论文就是研究是否可以用 Twitter 上讨论股市的帖子来预测股市走向，时间应该是 2008年。

https://github.com/brainstormity/Jev-X-Sentiment-Analysis

提前从深圳发货了，说是已经备货成功，物流准备提货了。提早了整整一个月，Apple 的供应链真厉害！

看了下 DHL 的记录，从深圳到香港，然后就飞了。有意思的是，飞机还没飞，目的地的清关已经开始了。

door to door 不到24小时。可惜我不在家，错过了第一次投递😢

迄今为止买过的，最贵的 Apple 产品