一个平台的商业化系统不好用，这是好事
对于低预算的小商家来讲是好事，因为平台想不明白，策略不精准，你至少有拿到高投产比的概率
反观，如果你要在一个比较精明的平台，比如抖音，你就陷入了抖音的楚门了。
对于低预算的小商家来讲是好事，因为平台想不明白，策略不精准，你至少有拿到高投产比的概率
反观，如果你要在一个比较精明的平台，比如抖音，你就陷入了抖音的楚门了。
因为一两天健身时间被工作挤占所以极其恼火，至于吗？
我感觉可能是越来越觉得对生活底限的掌控是生命线？我上周因为工作节奏导致早上没时间健身，我就极其恼火。
别人不太能理解不健身也不会死，我是觉得我对生活基本掌控被侵犯了_(:з」∠)_
因为我感觉对自己生活的起码掌控是“活着”的状态
我感觉可能是越来越觉得对生活底限的掌控是生命线？我上周因为工作节奏导致早上没时间健身，我就极其恼火。
别人不太能理解不健身也不会死，我是觉得我对生活基本掌控被侵犯了_(:з」∠)_
因为我感觉对自己生活的起码掌控是“活着”的状态
最近带一个实习生，给了他一个不算复杂的小项目，前后端加点部署。我本来很开心，觉得他能趁这个机会，把一个完整的项目从 0 跑通，对工程能力是很好的锻炼。
他是学计算机的，我知道学校里更多教的是理论，真正实战的经验还是要靠项目来补。也正是因为这样，我更希望他能通过这个任务，真正学点东西。
结果他一上来就直接让llm 写代码，demo 很快跑出来了，界面看着也“像那么回事”。但一看细节，全是 bug，还有很多edge cases 完全不考虑。我问他为什么逻辑这么设计，他也很直白：“我也不清楚，是 llm 写的。”
我当时有点沉默，说不出是失望还是担心。最后我只能帮他从头把代码一行行捋一遍，才勉强交付。还好项目够小，重写不算太难。
我不是反对用 AI 写代码，相反我自己也在用。但我一直相信：工具是辅助，不是替代；理解是根本，而不是跳过。
LLM 可以提高效率，但它不能替我们成长。如果一上来就把整个逻辑交给模型，最后连自己写了什么都搞不懂，那我们永远都不会是那个能独立完成项目的人。
我不是在批评这个实习生——他是个聪明的同学。我只是突然意识到，也许我们正身处一个危险的习惯转折点：
年轻工程师太早依赖模型，而不愿花时间理解代码背后的结构与逻辑。这，真的很危险。
总结一下思考吧，也算是共勉，毕竟现在技术更新很快，每个人在某些地方都会是新手：
· AI 的强大不应该成为“偷懒”的理由，而是应该成为我们加深思考的辅助；
· Vibe coding 也要看修改了什么代码，如果是不熟悉的语言，也要尝试去理解，让模型解释，久而久之就能理解了
· 成长一定是“痛感 +打磨”的结合，模型不能替代这两个部分。
他是学计算机的，我知道学校里更多教的是理论，真正实战的经验还是要靠项目来补。也正是因为这样，我更希望他能通过这个任务，真正学点东西。
结果他一上来就直接让llm 写代码，demo 很快跑出来了，界面看着也“像那么回事”。但一看细节，全是 bug，还有很多edge cases 完全不考虑。我问他为什么逻辑这么设计，他也很直白：“我也不清楚，是 llm 写的。”
我当时有点沉默，说不出是失望还是担心。最后我只能帮他从头把代码一行行捋一遍，才勉强交付。还好项目够小，重写不算太难。
我不是反对用 AI 写代码，相反我自己也在用。但我一直相信：工具是辅助，不是替代；理解是根本，而不是跳过。
LLM 可以提高效率，但它不能替我们成长。如果一上来就把整个逻辑交给模型，最后连自己写了什么都搞不懂，那我们永远都不会是那个能独立完成项目的人。
我不是在批评这个实习生——他是个聪明的同学。我只是突然意识到，也许我们正身处一个危险的习惯转折点：
年轻工程师太早依赖模型，而不愿花时间理解代码背后的结构与逻辑。这，真的很危险。
总结一下思考吧，也算是共勉，毕竟现在技术更新很快，每个人在某些地方都会是新手：
· AI 的强大不应该成为“偷懒”的理由，而是应该成为我们加深思考的辅助；
· Vibe coding 也要看修改了什么代码，如果是不熟悉的语言，也要尝试去理解，让模型解释，久而久之就能理解了
· 成长一定是“痛感 +打磨”的结合，模型不能替代这两个部分。
Qwen 3 来了，顺便还带来了基于 Gemini CLI 的 Qwen Coder， 现在看来AICoding 流派里面 命令行Agent 要变成标配了。 不得不感谢 Google 开源Gemini CLI！ 让很多模型直接落地应用
OpenAI Codex
Claude code
Qwen Code
Kimi K2 in Claude code
💬 Chat: https://chat.qwen.ai
📚 Blog: https://qwenlm.github.io/blog/qwen3-coder/
🤗 Model: https://hf.co/Qwen/Qwen3-Coder-480B-A35B-Instruct
🤖 Qwen Code: https://github.com/QwenLM/qwen-code
OpenAI Codex
Claude code
Qwen Code
Kimi K2 in Claude code
💬 Chat: https://chat.qwen.ai
📚 Blog: https://qwenlm.github.io/blog/qwen3-coder/
🤗 Model: https://hf.co/Qwen/Qwen3-Coder-480B-A35B-Instruct
🤖 Qwen Code: https://github.com/QwenLM/qwen-code
我发现有一个方法可以精确地有效地增进与粉丝的感情。
那就是制造一些微小的能够让他们参与到其中的任务。
比如说每次将未发布的稿子让他们先审核一遍，或者说让他们担任群管理。
在随后的日子里，给他们每个人赠送一些礼物或者比如京东卡。
这样关系就会陡然提升，这样的方法可能适用于一切关系🤫
听起来属于物化了友情，但正如考察公司股票一样，有感情面也有财务面更有冰冷的技术面。
那就是制造一些微小的能够让他们参与到其中的任务。
比如说每次将未发布的稿子让他们先审核一遍，或者说让他们担任群管理。
在随后的日子里，给他们每个人赠送一些礼物或者比如京东卡。
这样关系就会陡然提升，这样的方法可能适用于一切关系🤫
听起来属于物化了友情，但正如考察公司股票一样，有感情面也有财务面更有冰冷的技术面。
今年从传统图形化交互 GUI 往对话式交互 CUI 迁移的过程中，发现我们移动互联网的岗位职责发生了一些变化，现在还是草台班子，边界模糊，方法论模糊，但也意味着新秩序建立之前我们有机会上牌桌
产品经理不是定义功能，而是构建一套用户和模型、工具、信息的系统，关键是定义评估标准和测评集，以此反推如何搭建 pipeline 和 PE
设计师不是在一堆按钮中，通过排版和交互，设计最短路径，减少用户歧义，而是定义一套通用框架组件，让用户与模型更顺畅的互动
数据分析师不是基于用户在不同页面和按钮的点击行为上报中，推测用户的需求和评估功能是否合理，而是基于用户的 prompt 做意图分类标签，分析需求的分布，泛化过程，以及采纳率
算法不是埋头训一个模型，然后找业务场景来应用，而是用最强的 base model 搭建一个冷启动链路，再基于测评结果，通过 SFT 或 RL，做意图分流、工具调用的准确性，使得 prompt 响应更准，耗时成本更低
工程不是按明确的逻辑来做工程化部署，保障稳定性可靠性，而是做好模型与已有工具、服务、数据的对接，上下文工程，更充分发挥模型的能力，与算法的边界很模糊，甚至工程也可以做 SFT
运营不是基于一个精确定义的效果、功能、内容来做包装和推广，而是也要理解模型的边界和泛化，敏捷观察用户与模型的互动，及时捕捉和放大 good case，甚至打造为 showcase
总之，因为基模的进步，产品的分类模糊了，而我们岗位之间的边界也模糊了，期待 3 年之后，新的分工和职责会是什么样的，我们移动互联网塑造的这套分工体系可能也会改变
产品经理不是定义功能，而是构建一套用户和模型、工具、信息的系统，关键是定义评估标准和测评集，以此反推如何搭建 pipeline 和 PE
设计师不是在一堆按钮中，通过排版和交互，设计最短路径，减少用户歧义，而是定义一套通用框架组件，让用户与模型更顺畅的互动
数据分析师不是基于用户在不同页面和按钮的点击行为上报中，推测用户的需求和评估功能是否合理，而是基于用户的 prompt 做意图分类标签，分析需求的分布，泛化过程，以及采纳率
算法不是埋头训一个模型，然后找业务场景来应用，而是用最强的 base model 搭建一个冷启动链路，再基于测评结果，通过 SFT 或 RL，做意图分流、工具调用的准确性，使得 prompt 响应更准，耗时成本更低
工程不是按明确的逻辑来做工程化部署，保障稳定性可靠性，而是做好模型与已有工具、服务、数据的对接，上下文工程，更充分发挥模型的能力，与算法的边界很模糊，甚至工程也可以做 SFT
运营不是基于一个精确定义的效果、功能、内容来做包装和推广，而是也要理解模型的边界和泛化，敏捷观察用户与模型的互动，及时捕捉和放大 good case，甚至打造为 showcase
总之，因为基模的进步，产品的分类模糊了，而我们岗位之间的边界也模糊了，期待 3 年之后，新的分工和职责会是什么样的，我们移动互联网塑造的这套分工体系可能也会改变