David的AI全景图

光华David

David的开源学习笔记和自制狗粮

  1. 5d ago

    FDE(Forward Deployed Engineer)调研报告解读

    一篇关于FDE(Forward Deployed Engineer)前沿部署工程师的深度报告。 摘要： 一，FDE 不是驻场工程师，也不是咨询顾问。 三者的分水岭在"反馈去向"：没有反馈闭环的 FDE 就是外包，没有落地承诺的 FDE 就是咨询。咨询赚认知的钱，外包赚效率的钱，FDE 赚复利的钱。 二，它的爆发不是因为 AI 变强了，而是因为 AI 落地失败得太惨。 MIT 的调研显示，企业在生成式 AI 上投入 300 至 400 亿美元后，约 95% 的组织没有看到任何可衡量的损益变化。而这些失败极少输在模型能力上。 三，挡在 AI 和业务之间的是三道非技术的墙：语言错位、隐性知识未被数字化、组织层面的人的抵制。FDE 的全部工作就是拆这三道墙。 四，这个模式最著名的支持者，也是它最严厉的警告者。 FDE 模式的发明人之一 Bob McGrew 被问到创业者是否该复制它时，回答是"不要"——它极容易滑成一家低毛利的咨询公司。 五，重模式在中国算不过账，但一个轻模式的变体正在出现。 中国企业服务市场的付费习惯、最低价中标制度和行业鄙视链，共同否决了"由高毛利软件公司长期供养驻场团队"这套打法。但 AI 编程和 Agent 基础设施把定制成本打穿之后，"一个人加一组 Agent"构成一条完整交付线成为可能——养 FDE 的角色从公司换成了 AI 本身。 六，FDE 是一个以让自己过时为目标的岗位。 每解决一个问题，方案就被沉淀，下一个客户需要的定制就更少。做得越好，行业对它的需求就越少。 来源：https://getperspective.ai/blog/state-of-forward-deployed-engineering-2026-survey-report-1500-fdes；Codex深度调研报告 在小宇宙查看该单集文稿

  2. Jul 28

    Kimi K3开源模型技术报告解读

    Moonshot 发布的 Kimi K3 技术报告：一个 2.8 万亿参数、1M 长上下文、原生多模态、完全开源权重的前沿 MoE 大模型。 摘要： 在类似规模的预训练基础上反复堆叠，开源进展有收敛风险，而与最强闭源系统之间的差距却在继续拉大。」「Kimi K3 试图在两条轴线上同时冲到前沿：把预训练基础扩展到前所未有的 3T 级参数规模，同时把强化学习、推理努力和 100 万上下文长程交互一并拉满。」 「我们训练了一个 2.8T 参数的原生多模态 MoE 模型，激活参数 104B，支持 100 万 Token 上下文，并通过架构、数据和训练配方的改进，相比 Kimi K2 实现了约 2.5× 的整体缩放效率提升。」 「Kimi K3 的后训练阶段被明确地设计为服务于 100 万上下文的测试时扩展：跨长程代码、通用 Agent、推理与知识任务做强化学习，并覆盖多个推理努力等级。」 「在长程代码、Agent、知识、推理与视觉任务的基准上，Kimi K3 在整体上仍落后于最强的闭源系统——Claude Fable 5 与 GPT-5.6 Sol——但在我们评估的其它开源与闭源模型中，它表现最为稳定且总体领先。」 「Kimi K3 结合了三大系统挑战：混合 KDA 注意力、3T 级稀疏多模态训练与推理、以及百万 Token 级的 Agent 工作负载——我们的基础设施在这三条战线上做了联合协同设计。」 来源：https://github.com/MoonshotAI/Kimi-K3 在小宇宙查看该单集文稿

  3. Jul 12

    毕业时连邮箱都没有，却回母校劝文科生做开发者

    大学毕业提交论文时，我连邮箱都没有。 很多年后，我却回到母校，劝一群外语专业的学弟学妹去做开发者。 这期节目来自一次两个半小时的母校分享。我回头整理了自己从俄语生、翻译、产品经理，到AI创业者和builder的几次转变，也试着回答一个对文科生越来越重要的问题： 当自然语言开始成为编程语言，我们曾经学过的文学、历史、文化和审美，究竟是过时的知识，还是新的创造力？ 你会听到： 一个“文科生中的文科生”，为什么开始靠近技术 对于曾经做翻译模型的我们，The Bitter Lesson为什么如此苦涩 为什么翻译的昨天，可能就是Coding的今天 文科生做软件，真正的优势是什么 为什么非要做“作品型产品” 为什么说未来没有人问你的title，只问你有什么独特作品 这不是一个文科生终于变成技术人的故事，只是我又找到了一支新的毛笔，而我想把它，传递给更多曾经的自己。 相关内容： 公众号文字版：《毕业时连邮箱都没有，今天我却回母校劝文科生做开发者》 草诀歌AI Labs官网：https://www.caojuege.com 说明：音频的开头是我录的，后面是AI用我的音色生成的。 在小宇宙查看该单集文稿

  4. Jul 5

    Fable5实战心法：发现自己的未知

    Thariq 是 Anthropic 的产品与工程实践者，长期在一线用 Claude 做「代理式编码」和复杂工程协作。这是他分享的Fable 5经验：用 Claude Fable 5 做「代理式编码」时，真正的瓶颈不是模型，而是你有没有搞清楚自己的「未知（unknowns）」。作者把整个工作流程拆成前、中、后三个阶段，重点都围绕一件事：系统性地发现和澄清 unknowns，让模型在真实「领地」（代码、业务约束）里少踩坑，多发挥。 模型的极限，不在于它能做什么，而在于你有没有看见自己的未知。 Prompt 是地图，代码库是真实领地，卡住的地方，永远藏着你没说清的未知。 与其让 Claude 乱猜，不如先让它做一轮『盲区巡检』，帮你把不会问的问题问出来。 真正的高手，不是没有 unknowns，而是把 unknowns 变成可以被发现、被记录、被迭代的资产。 当长链路任务跑偏时，大多数时候错的不是 Claude，而是你从一开始就没画对地图。 一段改动只有在你能通过 Claude 给你的『闭卷测验』时，才算真正被你掌握。 越强大的模型，越逼着我们承认：最大的不确定性，从来不在机器，而在自己。 来源：https://x.com/trq212/status/2073100352921215386 在小宇宙查看该单集文稿

  5. Jun 29

    Paul Graham：如何成就伟大工作？

    保罗·格雷厄姆关于"如何做出伟大工作"（How to do great work)的长文精华，核心论点是：选择你既有天赋又极度好奇的领域，通过持续努力到达知识前沿，发现别人忽视的裂缝并大胆探索，同时保持真诚、独立思考和迭代优化的工作方式，让好奇心驱动整个过程。 摘要： 1. "如果你问一个神谕做出伟大工作的秘诀，而神谕只回答一个词，我会赌是'好奇心'。" 2. "伟大的工作通常需要在一个问题上花费大多数人看来不合理的时间。你不能把时间当作成本，否则它会显得太高。" 3. "四个步骤：选择一个领域，学到足够到达前沿，注意到裂缝，探索有希望的裂缝。这就是几乎所有做出伟大工作的人的方式。" 4. "做你自己想要的东西。写你自己想读的故事；造你自己想用的工具。" 5. "新想法通常由看到就在你眼皮底下的东西组成。一旦你看到了一个新想法，它往往显得显而易见。" 6. "如果你不想成为最好的，你甚至不会变得好。" 来源：https://explainx.ai/blog/how-to-earn-a-billion-dollars-paul-graham-2026 在小宇宙查看该单集文稿

  6. Jun 21

    成功产品背后的隐藏框架：Proven Better New

    分享一个有意思的产品框架：Proven Better New。 作者是Mark Pincus，Zynga创始人，十个大型游戏发布里有八个成为大爆款，触达超过十亿玩家。 Mark在新书《Life at the Speed of Play》中提出了提升产品创新成功率的思维框架：Proven Better New。 摘要： 我不再迷信灵感式创新：我会先把“真正新颖的想法”隔离出来做实验，用最快速度换来最真实的客户反馈。 我允许自己在法律范围内坦然复制：省下“重造轮子”的时间，才能把精力砸在真正让用户兴奋的创新上。 我会把 Proven 当作底盘：做足够多的 Proven，产品才不会“因为错误原因失败”。 我对 New 保持敬畏：我默认“所有 New 都会失败”，所以更要隔离它、单独测试它。 我对 Better 的标准很粗暴：必须强到让目标用户 10/10 都说“我靠，这太好了！”，否则就别自嗨。 我提醒自己别偷换概念：我以为的 Better，往往其实是 New——主观的“更好”不算数，必须是客观上更好。 我宁愿“最好地推向市场”，也不执着“最先推向市场”：先把有效机制匹配到位，再在关键处创新。 我相信顶级产品是艺术+科学：艺术是品味，科学是流程；从已验证出发、纪律性构建、在关键处创新，必要时再打破规则去交付魔法。 来源：https://www.youtube.com/watch?v=7eh9C3TUotc 在小宇宙查看该单集文稿

  7. Jun 10

    Vibe Coding是我的草诀歌｜和时旭聊AI时代的“毛笔”

    这是一期串台，对谈对象是时旭（他的播客叫“起飞前”），草诀歌 AI Labs 里那位一个月烧掉 8.8 亿 token（2025年）的分享人，也是一期反向采访。 我们聊了过去的经历，翻译行业的“纺织机时刻”，对“OPC”的看法，以及为什么一个 AI 社区会叫草诀歌…… 你会听到 草诀歌这个名字背后的书法、SEO 和社区隐喻 为什么我会从俄语文学、翻译、机器翻译走到 AI 产品 Smartcat、Trados、LanguageX 和机器翻译行业的几次变化 ChatGPT为什么也是翻译行业的分水岭 大模型如何照出很多垂直行业的“纸老虎” 为什么行业知识会在 AI 时代重新变重要 Vibe Coding 为什么让我有“重新拿起毛笔”的感觉 人为什么会成为 AI Coding 的瓶颈 One-person Company 真正困难的地方 雇佣制、项目制、Few-person Company 的可能变化 草诀歌 AI Labs 接下来可能服务什么样的人 创业为什么要做“不得不做”的事情 时间轴 00:00 正式开场：Max 和 David 的第一次串台01:17 草诀歌是什么：一个帮助非技术背景者 Vibe Coding 的社区02:45 为什么叫“草诀歌”：书法口诀、AI Coding 和 SEO04:19 美第奇效应：为什么 AI 社区需要多元背景08:20 从俄语文学到翻译、创业和 AI 产品10:59 理科生为什么最后选择了俄语专业14:59 文学、自由和一次职业转向20:24 裸辞之后，第一次用互联网方式做翻译公司21:37 Smartcat：一个工具如何长成三端市场26:18 LanguageX 的起点：机器翻译、人和专业流程29:42 ChatGPT 之后，机器翻译为什么超过普通人32:37 语言服务行业的地基为什么变了33:17 翻译行业的“纺织机时刻”34:48 从兰亭译到 LanguageX：AI 1.0时代的机器翻译创业37:58 大模型正在侵蚀垂直行业文本处理39:25 行业人什么时候会重新获得优势42:52 文理交叉的人，为什么更适合 AI 时代48:13 自然语言是不是最好的编程语言49:48 Cursor 之后，David 如何进入 Vibe Coding54:30 Vibe Coding 最大的吸引力：创作可控性回到自己手里56:02 AI Coding 像一支新的毛笔59:05 人变成了 Vibe Coding 的瓶颈01:02:39 One-person Company 真的成立吗01:04:35 真正难的是 company：如何建立商业系统01:08:24 OPC、agent 和商业协作环节01:11:42 AI 会如何改变雇佣制和项目制01:14:22 Few-person Company 可能比 OPC 更现实01:15:25 草诀歌接下来想服务什么样的人01:19:07 烧 token 的经验为什么对社区有价值01:20:52 如果用 Vibe Coding 重做过去的项目，会发生什么01:24:37 为什么我暂时跳出翻译行业01:29:34 小白视角有时反而能看见行业人看不见的需求01:32:16 创造阶段为什么最快乐01:36:41 喜欢创造，但不一定喜欢运营和守成01:37:50 Vibe Coding 不是让工作时间变短，而是变长 相关链接： 草诀歌AI Labs：一个多元背景的作品型产品vibe coding社区 LanguageX：大模型和译者协作翻译平台 在小宇宙查看该单集文稿

  8. Jun 10

    Claude Fable 5官方博文精华

    今天，我们正式推出了 Claude Fable 5——一款属于 Mythos 类的人工智能模型。 来源：https://www.anthropic.com/news/claude-fable-5-mythos-5 在小宇宙查看该单集文稿

See All (134)

About

David的开源学习笔记和自制狗粮

Information

  • Creator
    光华David
  • Years Active
    2025 - 2026
  • Episodes
    134
  • Rating
    Clean
  • Copyright
    © 光华David@小宇宙App
  • Show Website
    David的AI全景图

You Might Also Like