Loro 再次登上 HN 首页！
树结构的移动（例如移动文件夹）的同步一直是非常让人头疼的问题，即使是中心化的解决方案也往往很繁琐。这篇长文博客详细介绍了 Movable Trees CRDTs 的原理和 Loro 的相关实现。现在基于 Loro 就可以轻松解决 Tree 的层次移动外加孩子间的排序问题，而且性能优秀。
作者是 @leon7hao ，链接：https://loro.dev/blog/movable-tree
树结构的移动（例如移动文件夹）的同步一直是非常让人头疼的问题，即使是中心化的解决方案也往往很繁琐。这篇长文博客详细介绍了 Movable Trees CRDTs 的原理和 Loro 的相关实现。现在基于 Loro 就可以轻松解决 Tree 的层次移动外加孩子间的排序问题，而且性能优秀。
作者是 @leon7hao ，链接：https://loro.dev/blog/movable-tree
我们会用思维模型去对世界进行分析和解读，不见得是因为这些模型有多好用，而是因为我们的大脑在处理信息的能力上有着天然的限制。为了能更高效地理解和处理信息，我们需要对世界进行极大的抽象和简化，模型只不过为了迁就我们的“笨”而产生的简化工具。当我们使用 AI 来处理类似问题的时候，可能会忘记模型是妥协的方案，仍然把它们当宝贝，这就可能会反过来限制 AI 的发挥。
比如在市场研究中，我们传统上需要对市场进行建模，把它分成若干个细分市场，做一些用户访谈，最后建立一些典型的用户画像（persona）。这些用户画像实际上是我们对市场的简化，我们将市场中的复杂性归结为几个典型角色，比如“足球妈妈”或者“新生代少年”，然后基于这些画像进行分析和决策。为了将就我们的“笨”，本来做了 3000 个用户调研，50 个用户深访，一共百万字的录音，就只能表达成简单的几个画像——只是为了方便人类理解和分析。
但更 AI 原生思维的话，其实不需要考虑这个思维模型，完全可以直接把这 3000 用户建模，再把这 50个用户建更惊喜的模，直接设计新的产品和营销方案，直接对这 3050 人的模拟器来模拟，甚至于可以根据这 3050 人的反馈信息，结合公司历史上所有对用户的了解信息，构建一个整体目标市场（可能 100 万人，就 100 万个 Agent）的模拟器，测试不同的方案对应的不同用户的感受和反应，用模拟替代分析。这时可以利用的算力和信息量，都比人类对着几个“画像”要大得多。
事实上，很多公司和学术机构已经在这条路上走得很远，这类的产品在 toB 侧也已经出来一批。给我们最大的启发就是，我们会从自己的能力和缺陷出发，设计辅助的工具，这些工具对 AI 可能是束缚而非帮助。应该反过来，从 AI 的能力和缺陷出发，设计适合它的方法和工具。
比如在市场研究中，我们传统上需要对市场进行建模，把它分成若干个细分市场，做一些用户访谈，最后建立一些典型的用户画像（persona）。这些用户画像实际上是我们对市场的简化，我们将市场中的复杂性归结为几个典型角色，比如“足球妈妈”或者“新生代少年”，然后基于这些画像进行分析和决策。为了将就我们的“笨”，本来做了 3000 个用户调研，50 个用户深访，一共百万字的录音，就只能表达成简单的几个画像——只是为了方便人类理解和分析。
但更 AI 原生思维的话，其实不需要考虑这个思维模型，完全可以直接把这 3000 用户建模，再把这 50个用户建更惊喜的模，直接设计新的产品和营销方案，直接对这 3050 人的模拟器来模拟，甚至于可以根据这 3050 人的反馈信息，结合公司历史上所有对用户的了解信息，构建一个整体目标市场（可能 100 万人，就 100 万个 Agent）的模拟器，测试不同的方案对应的不同用户的感受和反应，用模拟替代分析。这时可以利用的算力和信息量，都比人类对着几个“画像”要大得多。
事实上，很多公司和学术机构已经在这条路上走得很远，这类的产品在 toB 侧也已经出来一批。给我们最大的启发就是，我们会从自己的能力和缺陷出发，设计辅助的工具，这些工具对 AI 可能是束缚而非帮助。应该反过来，从 AI 的能力和缺陷出发，设计适合它的方法和工具。
❤2👍2