“做自己”是这个时代最大的鸡汤，也是最害人的一个。因为它建立在一个根本不成立的前提上：

你有一个自己等着被找到。

问题是，对于今天99.99%的人来说，根本没有自我，那还怎么“做自己”呢？

为什么会没有自我？

因为被系统驯化了几十年，那个自我要么被扼杀了，要么根本就没机会成长起来。

你以为的那个自我，其实是三层壳层层包裹代偿出来的。

第一层壳，是父母期待的壳。

你要懂事，你要考好成绩，你要找个铁饭碗。

这是血缘刻在你身上的出厂设置。

第二层壳，是学校规训的壳。

你要守纪律，你要有标准答案，你要在排名体系里往上爬。

这是教育流水线给你打上的钢印。

第三层壳，是公司和平台塑造的壳。

你要有执行力，你要向上管理，你要对齐颗粒度。

这是商业机器给你安装的运行插件。

这就是你的前半生。

你戴着这三层壳活了二三十年，你习惯了它们的存在，你甚至把这三层壳当成了你自己。

现在，你突然决定要“找回真我”，于是开始剥离这些壳。你以为里面会跳出一个金光闪闪、充满力量的“真我”。

结果，里面只是一片空白。根本没有什么等待释放的真我。

这就解释了一个非常普遍的现象：

为什么很多人裸辞之后，不仅没有得到想象中的自由，反而变得前所未有的焦虑？

因为他们在公司里骂老板、骂系统的时候，至少还有一个“受害者”的身份可以确认自己的存在。

一旦离开系统，没有人给他们派发任务，没有人给他们设定目标，也没有人给他们发工资。

他们突然要面对那片巨大的空白。

不是自由不好，是他们根本没准备好接住自由。

他们没有“自己”可活。

系统抽离后，他们失去了人生的操作系统，只能在床上躺到中午，被虚无感吞噬。

真相很残酷：

自由需要极高的承载力，而一个没有实体“自我”的人，会被自由压垮。

既然向内寻找是一条死路，那该怎么办？

newtype的答案是：不要向内找，向外造。

其他人的逻辑是，“自我”是一个先验的存在，它早就藏在你的灵魂深处，你只需要去觉醒，去顿悟，去发现它。

这是典型的宗教逻辑。

而newtype的逻辑是，“自我”是一个后天构建的产物。它一开始不存在，你需要通过不断的行动和反馈，像搭积木一样把它搭建起来。

这是纯粹的工程逻辑。

也就是说，自我不是被发现的，是被产出物反向定义的。

先有产出，才有自我。

但这里有一个陷阱，很多人没意识到。

你脑子里装的素材，是谁给你的？

还是那三层壳。

家庭告诉你什么叫成功；学校告诉你什么叫正确；公司告诉你什么叫价值。

你用这套素材去产出，产出的还是壳，不是你。

所以，要想通过产出定义、养育出“真我”，需要新的摄入，需要重装认知。

先把那三层壳给你预装的“标准答案”认出来。

这一步可能需要内观。因为要识别出你已经习惯了二十年的路径真的很不容易。

我自己的经验是，当学会观察念头之后，我能在第一时间觉察到自己的状态，以及导致这种状态的原因；我知道自己将要做出怎样的行为，以及触发该行为的深层原因。

就好像有一个第三人称视角的我，在看着“我”是怎么被一切操纵的。

识别之后，是摄入。

你需要大量摄入异质性的东西。比如，历史、政治经济学、哲学、心理学、第一性原理类的内容。这些不是技能书，是世界观书。

关键不是读得多，是读得不一样。

请务必刻意去读那些让你不舒服的东西，读那些动摇你旧观念的东西。

当你读完之后感到某种东西松动了，那就对了。

这一步的目的只有一个：给大脑装一套新的解释框架。

有了新的框架，你就可以把它用起来了。

用新框架去解释你看到的人、事、新闻，还有你自己的过往。然后写出来、发出来、做出来。

大胆接受现实的反馈。把脑子里的框架变成可以被检验的东西。看哪些解释立得住，哪些被打脸，哪些让你眼睛发亮停不下来。

那个让你眼睛发亮的地方，就是你正在长出来的地方。

摄入和产出就像两个环，咬合在一起。

摄入的新东西，必须通过产出来消化。你读了一本好书，不写出来的话，三个月后什么都不剩。

产出时遇到的卡点，回头去定向摄入。你写到某个地方写不下去了，说明那里有一个认知的洞，等你去填上。

两个环互相驱动，人就在这个循环里慢慢长出来。

停下任何一个环，自我就停止生长。

这不是我推演出来的方法论。这是我自己走过的路。

2010年左右，我把家庭、学校、社会教给我的那一整套，全部推倒重来。

我读历史、读政治、读金融。不是为了考证，是为了重新理解这个世界到底怎么运转。

然后我开始写，开始做，开始把脑子里的东西外化出来接受检验。

一年又一年，我才慢慢有了一个不依赖任何人定义的自己。

不快，但扎实。

这是重新养育自己的过程。

之前那二三十年是别人在养育你，夹带了太多私货。

现在你肉体上长大了，也足够的能力和资源了，可以自我养育了。

不要再相信那些玄之又玄的觉醒神话。

向内看，只有虚无。

向外干，才有实体。

不要找自己，要造一个自己出来。

用摄入重装系统，用产出校准系统。

这套工程，就是你成为newtype的方法。

Subscribe now

• 物理世界已停止进步：自1970年代起，人类文明在物理世界（能源、太空、核能、超音速飞行等）彻底停止了指数增长，而非放缓。人均能源消耗曲线从指数增长变成水平线，导致“蛋糕不再变大”，全球进入零和内耗时代。

• 根本原因：人类变怂了：一方面，软件创业阻力更小、迭代更快，最优秀人才都去写代码了；另一方面，对物理力量（尤其是核能）的恐惧导致严格监管和主动退缩。比特世界的繁荣掩盖了物理世界的停滞。

• 出路：必须重新选择：个体要从“消费者”转向“建设者”，把目光投向物理世界复苏（核聚变、可重复使用火箭、硬科技）。每一次学习、支持、关注的决定都是在投票——要么继续内耗，要么推动下一轮指数增长。

你有没有觉得，努力了这么多年，好像一直原地踏步？

其实这不是你的问题，而是整个文明卡住了。

我们这代人，集体陷入了零和游戏。这不是最近几年才发生的，而是从70年代就开始了。

因为，人类文明在物理世界的进步，从70年代就停止了。

注意：不是放缓，是停止。

物理世界的进步为什么重要？

因为它直接关系到咱们能使用多少能源、空间和物质资源。

手机、电脑再牛逼，也只是让你更高效地利用时间，但不能给你更多能源、更多土地、更多寿命。

就像我在星球内说的：互联网和软件本质上是横向进步，它创造不了全新的物理可能性。物理世界的进步才是真正的从零到一，因为它改变了物理约束本身。

所以，当物理世界不再提供“蛋糕变大”的红利，大家就只能在现有的蛋糕上抢位置、抢身份、抢话语权。这就是为什么全球范围内身份政治、取消文化、内耗越来越严重——因为没有向上的路，大家只能横向竞争。

“人类文明在物理世界停止进步”这个观点不是我说的，是彼得·蒂尔说的——就是那个硅谷最有名的风投。他是马斯克的老大哥，超级有钱也超级有想法。

他真的不是在危言耸听。我特意去查了一下：

商业航空领域，协和退役之后，一直没有继承者。

太空探索领域，阿波罗登月之后50年内没有远程载人任务。

核能领域，全球核电份额一直在下降。

这不是巧合，这是一个系统性的退潮。

如果你还觉得这些只是个案，那看看能源消耗曲线就明白了。

蒸汽机诞生之后，人类人均可用能源以每年2%的速度稳定增长。这个指数曲线维持了将近两百年。

然而从70年代开始，美国乃至全球的人均能源消耗曲线突然从指数增长变成了水平线。

你要知道，能源等同于人类操控物理世界的能力上限。所以，这个指数增长放缓确实说明，从70年代开始，人类文明在物理世界的进步就停止了。

与物理世界停止发展相对应的，是我们在比特世界的高速发展。

计算机、互联网、移动互联网，再到现在的AI，这些一直在进步。

所以过去二十多年，大家觉得一切在高速发展，其实只是比特世界的繁荣掩盖了物理世界的停滞。

为什么会这样？

简单来说就是：咱们人类变怂了。

一方面是阻力不对等，人类选择轻松的方向。

物理世界的大项目——火箭、核电站、超音速飞机——需要有明确愿景的人十年如一日地推进。这需要意志力，需要勇气，需要野心。

而软件可以快速迭代、快速失败，门槛低多了。

软件创业给了聪明人一条阻力更小、更快成功的路。于是，最优秀的人才都去写代码了，没人去造火箭。

另一方面是主动退缩，人类害怕物理的力量。

当原子弹出现之后，人类发现，物理世界的进步同时也伴随着毁灭的可能性。对物理力量的恐惧让我们开始退缩。比如监管加强了。

物理世界受到严格管制。

核能是最极端的案例。美国一座新的核电站从申请到并网，平均需要10到20年。

相比之下，比特世界几乎不受监管。软件公司不需要做各种评估、认证、审批，代码写完就可以上线。

你看，这就是一种集体选择：我们害怕继续往前冲会带来更大的风险，所以宁可停在原地，靠内耗来维持表面的稳定。

我们嘴上喊着“星辰大海”，但在实际行动中，却不敢继续打破物理约束。

个体感受到的“生活越来越难”是结构性的。这不是你的错，不要责怪自己。

不过，停滞是可以被打破的。

如果我们重新把目光投向物理世界，支持核聚变、支持可重复使用火箭、支持真正的硬科技，那下一波指数增长完全可能再次到来。

而我们现在做的选择——学什么、支持什么、关注什么——都是在投票。

如果让你选，你是投给比特世界的内耗，还是投给物理世界的复苏？

OK，以上就是本期内容。想了解AI，想成为超级个体，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Subscribe now

• Wiki是内容体系的“地图”：文章是流动的河流（一次性表达），Wiki是结构化的知识地图，把200+篇散落内容整理成可检索、可互链的实体页、主题页和线索页，让读者快速理解完整思想体系和概念关联。

• 把“持续输出”变成“长期资产”：Wiki防止旧内容被新内容埋没，实现内容产品化；新读者无需从几百篇文章里考古，即可进入作者的世界，把个人品牌从“持续输出的人”升级为“拥有一套思想系统的人”。

• 长期创作者必选项：99%创作者被流量牵着走，做孤立内容；Wiki让旧内容继续工作，是内容创作者最值得做的长期投资（用newtype OS的/wiki命令或卡帕西方法即可快速搭建）。

我相信，没有哪个博主或者自媒体会像我这样，还搞了个Wiki。

过去两年，我发了两百多篇文字内容，包括视频脚本和Newsletter。这些内容都在newtype.pro这个网站上。

当内容多了之后，问题就来了：

读者很难从内容里完整理解我的体系。

尤其是新读者，他们很难知道：我到底长期在讲什么？哪些概念是核心？哪些文章是入口？哪些观点之间有关联？

所以我决定做Wiki，对这些长期内容进行结构化整理，彻底解决这个问题。

Wiki跟文章不一样。简单来说就是：

文章是河流。Wiki 是地图。

文章负责表达。Wiki 负责沉淀。

文章更像一次性的表达，有观点、语境和叙事。而Wiki更像知识地图，负责沉淀定义、关系、路径和背景。

在做Wiki的时候，那些反复出现的概念、工具、产品、方法论和人物线索都被拆了出来，整理成可检索、可互相链接的知识页面。

于是，读者就可以先通过Wiki快速理解一个概念，再顺着页面里的相关文章回到原始内容，看到它最初是如何被提出、展开和使用的。

这是对读者的好处。而对我们这些内容生产者来说，Wiki的价值是把“连续发布”变成“长期资产”。

因为Wiki把我反复讲的东西整理成了稳定的入口，所以新来的读者不用从几百篇文章里倒着考古，快速就能进入我的世界。

当我的观点不再只是散落的文章，而是形成一套可导航、可引用、可扩展的知识库的时候，我的个人品牌就从“持续输出的人”变成“拥有一套思想系统的人”。

这个就叫“内容体系产品化”。

我在星球里说，很少有博主或者自媒体能做到这一点，指的就是这个。

99%的人是被流量牵着走。他们做的内容都是一个个孤立的点，都是为流量服务的，很难有体系化的思考。

而且即使你有，但是由于持续发布，旧内容很快被新内容覆盖，你过去几年积累的观点、案例和方法论，很容易变成只有自己知道的资产。

Wiki能把这些内容重新组织起来，让旧内容继续工作。

所以，如果你像我一样打算长期做内容生产者，那么，Wiki一定是必选项。

至于怎么做，我之前有发过视频，就是介绍卡帕西方法的那一期，大家可以找来看。如果你已经安装我的newtype OS的话，那么使用内置的/wiki这条命令就可以轻松创建。

OK，以上就是本期内容。想了解AI，想成为超级个体，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Subscribe now

• 产品迭代速度必须极致快：传统公司6个月发一个功能已完全过时，Anthropic用“研究预览版”+“Launch Room”通道，1天到1周就能发布实验性功能，快速拿真实反馈、降低内部承诺压力，因为模型能力迭代太快。

• AI原生公司只有两种模式：一切流程以公司使命对齐，砍掉所有不必要的评审和会议，给员工极高自主权；要么变成这种极简、高信任的组织，要么被淘汰。

• 个体最该练的新技能是“产品品味”：当写代码成本趋近于0时，真正值钱的是“决定写什么”和“用什么方式做最好”；同时要在当下模型能力和未来模型能力之间找到精准平衡——既不能太保守浪费潜力，也不能预判过头变成空中楼阁。

AI时代怎么做产品？AI时代的公司长什么样？

你把Lenny这期播客看完，一定会有答案。

在这期播客中，Lenny采访了Anthropic产品负责人Cat Wu。这位小姐姐负责的正是大名鼎鼎的Claude Code和Cowork两款明星产品。这就是我极力推荐大家看的原因。

不管你有多讨厌Anthropic，但事实是，他们是目前最最成功的AI公司。他们不仅是模型强，产品也是世界一流。

那么Anthropic究竟是怎么做到这一切的？

以产品迭代为例。

传统的软件公司、互联网公司可能要6个月才能发布一个功能。但Anthropic现在1个月、甚至1天就能发布。

因为以前模型的能力提升很慢，所以大家可以安心做长期规划。但是今天，模型能力迭代太快了。如果你还按老节奏做事，比如等6个月后才发布，那个时候模型早就更强了，你的产品就落后了。

Cat表示，不要等到模型能力完全足够了再开始做产品，而是要反过来：

先把产品框架搭好，即使用现在的模型驱动还不太行，但是等下一代模型能力补齐的时候，你的产品就已经准备好了，就能立刻发挥最大价值。

所以， Anthropic发布Claude Code新功能的时候，都是以“研究预览版”的形式发布。这是在明确地告诉用户：这些都是早期的、实验性的功能。可能有问题。可能以后就砍了。

这么做的好处是，你在一两周就能发出去，然后快速拿到真实反馈，同时降低内部承诺压力。

于是，在Anthropic内部，有一个名叫Launch Room的频道。当工程师把功能开发好了，就直接丢到这个房间里。其他人把剩下的搞定，比如一个人负责把文档写了。然后第二天就可以发布功能。

你要知道，在传统公司里，一般需要好几周的评审，还要把好几个团队聚起来开对齐会议，非常麻烦。

Cat表示，他们把一切阻碍发布的流程、一切不需要的流程全都干掉了，因为根本不需要。

他们每周有复盘，有明确的团队原则。而且，所有人都是跟公司的使命对齐的。也就是说，当遇到什么纠结的问题的时候，就想一想，这个符不符合公司的使命？如果符合，那就干。就这么简单。

所以他们才敢给员工高度的自主权，才不会有大公司的内耗和政治斗争。

你看看周围的公司，再看看Anthropic，就会发现：大家完全不是一个物种啊！Anthropic这种就叫“AI原生公司”，只有在AI时代才会出现的品种。

说真的，我平时看到国内那些老板整天喊什么AI Native，全都是喊口号。下来之后还是老一套。真的特别可笑。

还是我常说的那个观点：AI是一场淘汰赛。国家、公司、个体都躲不了。

那么，对于个体来说，Cat有什么建议吗？

她提到了两点，我觉得很有价值。

第一，最重要的新技能是产品品味。

逻辑很简单：当写代码的成本越来越低时，真正更有价值的是决定写什么。

做产品的人需要非常用心地去判断：这些选项里哪个值得做？用什么方式做最好？

这种能力并不是某个角色独有的，比如产品经理。它可以来自任何背景的人。

所以Anthropic在招聘的时候，甚至会优先招有优秀产品品味的工程师。团队里很多工程师能直接从用户反馈看到问题，然后在短时间内自己把功能做出来，几乎不需要产品经理的介入。

第二，最难把握的是未来模型能力和当下模型能力的平衡。

前面说到了，要先把产品框架搭好。这是一种预判。

但是，如果你预判过头了呢？

比如，你直接按照未来AGI标准去规划，那就会设计出当前模型完全实现不了的宏大产品，最后变成空中楼阁。

那太保守了也不行。那样会浪费当前模型已经具备的能力，没把潜力榨干。

所以，在未来和当下之间找到一个平衡点，这个是最最困难的。

用大白话说就是，你既要大胆往前走，但又不能步子迈得太大、扯着了蛋。

Cat说的这些，我相信如果有做过AI产品的话，一定深有感触。更多的我就不说了，大家去看原视频吧。一定会有收获的。

OK，以上就是本期内容。想了解AI，想成为超级个体，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Subscribe now

很多人以为自己在用AI撬动杠杆。

其实，他们只是在表演用AI。

他们投入了大量的时间、精力和算力，最后换来的，是一种极其精致的劳累。

最常见的，是以下这三种假杠杆。

第一种假杠杆，叫“95%陷阱”。

95%的自动化，其实就是0%自动。

你以为省了时间，其实你只是把“亲自动手做”，换成了“死死盯着AI做”。

盯着AI干活，有时候比自己干还累。

打个比方。现在那些不完全的自动驾驶会要求驾驶员维持“盯着”的状态，以便随时接管。

在这种状态下开车其实挺累的，还不如都自己来呢。

你省不了注意力，也省不了上下文切换。

当你需要时刻准备接管那失败的5%时，你的大脑就永远无法真正脱离。

你不是在驾驭机器，你是在给机器当保姆。

真正的杠杆，来自于闭环。

要么100%信任，完全放手让系统跑完。

要么明确切分边界，比如这部分由AI全权负责，那部分我来手工死磕。

最怕的就是混在一起。投入了训练系统的时间，却没拿到自由。

这也是我在做newtype OS的时候，给自己定的死规矩：

我要么让AI全自动跑完一个完整的环节，比如从头到尾的资料提取和结构化。

要么我自己亲自下场把关和重写。

我绝不让自己卡在那个“半自动”的尴尬位置，像个流水线上的质检员，提心吊胆地盯着机器不要出错。

这不是系统在为你工作，而是你沦为了系统的冗余备份。

Read more

• Claude桌面版支持任意模型：Anthropic 4月更新添加开发者模式，通过Gateway配置第三方Base URL + API Key（如OpenRouter），即可在Claude桌面版中使用腾讯混元、Kimi、智谱等任意模型，功能完全保留。

• Claude桌面版是目前最强客户端：分为Cowork（日常办公创作）和Code（开发）两种模式，深度支持Skills、自定义命令和插件，是全球AI客户端最高水平，远超ChatGPT/Gemini等竞品。

• 基础设施仍是前提：即使不订阅Claude，也推荐使用桌面版并接入自家模型；OpenRouter等平台对中国大陆用户有限制，需用美国信用卡买Credits绕过，作者再次强调：基础设施问题必须优先彻底解决。

现在，你在Claude桌面版里可以使用任意模型了。

你看，我这列表里，腾讯、小米、百度、Kimi、智谱等等模型，全都有，都可以使用。

比如咱们就用免费的混元模型。我随便问它一个问题：你能做什么？稍微思考之后，它就做出了回答。你看，从答案到思考过程都有。

这个不是什么Bug，而是官方的更新。在4月的更新当中，Anthropic给Claude桌面版添加了开发者模式，然后就可以用任意模型了。我给你们演示一下。

当你打开Claude桌面版之后，直接点击上方菜单栏里的帮助。选择“故障排除”，然后就会看到启动开发者模式的选项。

打开之后，Claude桌面版会自动重启。然后，菜单栏里就会多出一个开发者的选项。在选项里选择对第三方推理进行配置。进来之后有四个选项，在Gateway里填写第三方的Base Url和API Key。我这边用的是OpenRouter。最后，点击Apply locally，它会自动重启。

当再次打开之后你会看到，多了一个通过Gateway登陆的选项。从这里进入就大功告成了。

大家可以放心，用这种方式，只是改变了模型，Claude桌面版的功能都没变。打个比方，就好比是羂索占据了别人的身体，只是脑子变了，但是身体和原有的生得术式都没变。

那么问题来了：为什么要用Claude桌面版？

很简单：因为它是目前世界上最好的AI客户端，没有之一。

你可以去看隔壁的ChatGPT、Gemini，或者那些创业团队做的客户端，没有一个能比得上。

Claude桌面版现在分为Cowork和Code两种模式。Cowork很好理解，就是办公、创作、讨论之类的日常场景。而Code就是开发场景。这两个场景基本把目前AI的使用都覆盖了。

而在这两种模式之下，是技能、自定义命令和各种插件的支持。用户有很大的自定义空间。

Claude桌面版代表了目前AI客户端的最高水平。Anthropic不只是模型做得好，在应用层面也非常有水平，这个不服不行。

多说一句，Anthropic这次更新，受影响最大的应该又是创业者，比如Cherry Studio之类的。这真没法比。

所以，即使不用Claude订阅，我也是推荐用Claude桌面版。大家可以在里边添加自己常用的模型供应商。

我目前用的是OpenRouter。这个平台本来挺好的，但是最近收到上游模型厂商的要求，不允许中国大陆用户使用Claude、GPT等模型。

不过解法也是有的。我新开了一个账号，用美国信用卡买Credits，就可以正常调用Claude模型了。

所以啊，还是之前说的，基础设施的问题一定要优先解决。否则那些先进的模型和工具你真的没法顺利使用。

OK，以上就是本期内容。想了解AI，想成为超级个体，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Subscribe now

• 必须亲自上手Claude Code：即使频繁被封号也要用。它代表了真正的Agentic AI时代，与普通聊天机器人完全不同。只有亲身体验才能建立正确认知，不能只看视频或用免费版就下结论。

• 彻底解决基础设施问题：最先进AI在国外（国内落后一年），必须优先解决支付、访问等基础设施（如办Visa/MasterCard、Capital One信用卡等）。不解决这个问题，再好的工具也用不了。

• 资料Markdown化 + 能力Skill化：把所有个人资料转为Markdown格式，让AI能理解；同时把自身经验、工作流封装成Skills/SOP，实现人与AI成为“认知共同体”。这是从消费者心态转向建设者心态的关键。

如果我重新来过，重新开始学AI，那么我一定会做这三件事。其实之前在星球里都有反复说过。本期视频，我来完整表述一遍。

第一，使用Claude Code。即使没两天就被封号，也要用！

今天我们已经进入Agentic AI阶段。在这个阶段，最先进、最有代表性的工具就是Claude Code。它跟之前那些聊天机器人完全不一样，完全是天壤之别！

聊天机器人输出的是文字和图片，这个很好理解。而Claude Code这种工具，通过代码创造更多东西、通过命令控制更多东西，光靠别人描述，或者看几个视频，根本想象不出来。

所以，如果我今天重新来过，那第一件事一定是亲自上手Claude Code。

只有上手了，才有真正的体感。

AI正在飞速发展。这话听起来非常陈词滥调，但我真找不出比“飞速发展”更准确的词来描述了。在这种情况下，一定不能坐井观天，比如，觉得AI不过如此。

一定要亲自探出脑袋去看看！亲眼看了才知道，天究竟有多大！

这就是我前边说即使被封号了也要用的原因。不管之后你是否还继续用Claude Code，反正在最初是一定要体验、一定要摸一摸的。

多说两句。之前我出视频介绍Google Stitch。当时我判断，接下来要失业的，很可能是设计师。很多人不服气，觉得我就是在传播焦虑。结果前两天，Claude Design来了。

你以为设计就是天马行空，就是所谓的感觉？你就看着吧，从最标准化的工作开始，AI会一步一步吃掉设计师的份额。

扯远了，咱们继续下一条。

第二，彻底解决基础设施问题。

最先进的AI在国外。国内大概落后一年。

这个就是事实。跟爱不爱国、是否支持国产AI没关系。

由于众所周知的原因，要稳定使用国外的AI，真的需要一套基础设施。这个也是我们星球里老生常谈的话题。我不断被问到，我也不断强调。

所以，如果我今天重新来过，那我一定会专门花时间去优先解决。否则刚才说的Agentic AI也用不了。

比如，支付的问题。

最简单的做法，是办一张国内的Visa或者MasterCard信用卡。虽说是国内的卡，但还挺有用的。比如，我一直用招行的MasterCard订阅Gemini，用建行的Visa订阅GitHub Copilot。

至于那些没法用国内卡订阅的AI，可以通过美区iOS账号加礼品卡的方式完成支付。

更进一步，还可以办一张Capital One的押金信用卡。这个是国外的卡。因为我申请了ITIN，所以办这些都很顺利。

说实话，我看到最多的情况，就是因为基础设施的原因导致没法用最先进的AI。不知道是懒还是什么原因，就是不愿彻底解决，然后一次又一次被卡住。我真的无法理解。

第三，资料Markdown化，能力Skill化。

所有人都在说要学AI。那么，要学到什么程度呢？总得有个衡量标准吧。

我之前出过关于学习AI的教程之后，又在星球内发了这么一个帖子，就是关于标准的：

我认为，在现阶段，衡量标准就一个：个体和AI能否成为“认知共同体”。

一方面，个体清楚知道AI的边界。这个边界包括，AI能力和知识的界限；不同模型、工具的差异，等等。

另一方面，AI能够基于对个体的了解进行动态预判。

那要做到这一点，你得让AI了解你。

所以，如果我今天重新来过，那我一定会把我所有存下来的资料都变成Markdown格式。因为这个格式，AI能理解，咱们人类也能看得懂。

至于什么Word、PDF、PPT，我肯定是不会再搞了。那些都太复杂了，AI看不懂。既然AI看不懂，那这些格式一定会越来越边缘化。

另外，我还会把我所有能力都Skill化。

说实话，这个过程还挺有难度的。能把脑子里的东西变成Skill，变成明明白白的SOP，变成AI也能理解的文字，这其实就是一个自我提升的过程。

这也是我今年元旦在星球内建议大家做三个Skills的原因。不仅可以赋能自己的AI系统，还能充分梳理自己的工作流。

以上这三条建议，都是我过去这两三年的经验总结，也是我在星球内反复强调的。至于具体怎么做，你去搜索、去问AI，别问我。如果你搞不定，那就别想着学AI了。

OK，以上就是本期内容。想了解AI，想成为超级个体，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Subscribe now

• GitHub Copilot Pro+ 是主力：Claude Code因地域限制频繁封号，已不稳定。作者转用OpenCode + oh-my-openagent插件，订阅Copilot Pro+来调用多模型，既灵活又省心，是目前最可靠的开发底座。

• Perplexity Max 用于严肃工作：在需要高准确性、严谨性的场景（如投资判断、工作报告），Perplexity远超通用AI。它实时拉取权威金融API、强制来源引用、子问题拆解+交叉验证。Perplexity Computer（Agentic Workflow）和刚推出的Personal Computer（云端龙虾）让它成为重度研究工具。

• Grok + Gemini 做生态补充：Grok订阅20美元，主要用其4-Agent编排、X平台实时数据和网页读取能力；Gemini订阅20美元，靠Google全家桶深度整合（尤其是NotebookLM双向打通）。两者按需切换，谁强用谁，总成本约300美元/月，完全可接受。

我目前订阅的AI有四个。之前在知识星球里有发过。本期视频，我讲一下为什么订阅它们，给大家一个参考。

首先是GitHub Copilot Pro+。

为什么订阅Copilot？

因为可以在OpenCode里通过Copilot调用各家模型。

为什么不用Claude Code？

我倒是想用，但是人家不让啊。

Anthropic的反制手段实在太多了，不只是IP。你看，现在又出了身份验证。

我在星球里也说了，信号已经非常明确：Anthropic会尽一切手段阻止来自未开放地区的用户。

所以大家就别折腾了，根本不可能长期稳定使用。某天突然被封了，既影响工作，也影响心情，何必呢？

我在几个月前就转OpenCode了。搭配oh-my-openagent这个插件，开发完全没有问题，绝对不输Claude Code。

我做的newtype OS也是基于OpenCode。它的本体其实就是插件。为了方便使用和配置，我特意把OpenCode整合进来。

那么，在OpenCode里用谁的模型呢？

Anthropic和Google是明确不支持的。OpenAI和GitHub已经官宣合作了。所以，为了有更多的选择，那就只能订阅GitHub Copilot。

我目前订阅的是Pro+这个档位。之前用过Pro，额度完全不够。其实Pro+也不太够。不过还好，用完了可以自己添加预算，继续使用。

虽然Copilot提供的模型在上下文窗口上有点限制，但综合来看，其实你也没有别的更好的选择了，不是吗？

接下来是Perplexity Max。我在星球内不止一次推荐过这个工具。

如果你在干正经事，比如要交个工作报告，或者要做投资判断，那肯定得用Perplexity。它的准确性和严谨性绝对比OpenAI、Google这些同行的产品更强。星球内有些做量化的小伙伴因为我的推荐也开始使用，都表示很不错。

除了搜索，我平时还在大量使用Perplexity Computer功能。

比如美国对伊朗的军事行动，我就让它做了全面的资料搜集，以及定时监测最新进展，因为这个跟我的投资有关。

还有开发方面，我正在做预测市场的自动交易机器人。我会让它搜集资料，然后给出开发建议。最后我再把这个Markdown文档拿到OpenCode里做判断和执行。

就在昨天，Personal Computer功能终于推出了。它是Perplexity版的龙虾。本地操作和云端模型调用打通。等我体验完了会出视频。

所以你看，一个Max订阅就能帮我干这么多事情。这200美元真的是物超所值！

最后是Grok和Gemini的订阅，我放一起说吧。

国内用Grok的人非常少。但是，这个马斯克的AI做得是非常不错的。尤其是这次4.2的更新，添加了多Agent编排，有4个专业Agent并行协作。它们分别负责：

任务分解与结果合成、实时搜索与事实验证、数学/代码/逻辑推理，以及创意与写作。

我这段时间用下来，对这套多Agent编排是很满意的。除此之外，Grok还可以调用独有的X平台数据，以及可以读取像GitHub之类的网页，这些都非常方便。

至于Gemini，说实话，最近我用得比较少了——因为它降智。不过我还是会继续订阅下去，因为Google生态整合得太好了。

比如最近跟NotebookLM的双向打通做得更好了。尤其是Gemini所有对话都新增了添加到笔记本的选项，可以作为NotebookLM的新素材继续研究。这个是我最最喜欢的改动，真的超级实用！

另外，Gemini新出的Mac版也不错。虽然功能上没有太大亮点，但也算是补上短板了。这些对于老用户来说都是好事。

Grok和Gemini我都是订阅20美元的档位，足够了。一段时间内，谁强就用谁多一点。

以上这四个订阅，每个月加起来大概300美金出头。成本对我来说完全可接受。之后有什么变动，比如有什么新的AI工具订阅加入，我会在星球内随时说。

OK，以上就是本期内容。想了解AI，想成为超级个体，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Subscribe now

• AI把人明显分成两类：一类是用落后AI（免费ChatGPT水平）的人，他们认为AI是骗局、泡沫；另一类是用先进AI（Claude Code、多Agent、重度付费）的人，他们每天兴奋地用AI创造价值。双方认知差距正在急速拉大。

• 掉队者的两大心态陷阱：一是“跟我无关”（觉得AI发展路径与自己无关，不愿主动适应）；二是“不值得付费”（不愿为顶级生产力工具花钱）。这本质上是“消费者心态”在作祟。

• 必须完成心态转变：从消费者变成建设者，主动All in先进AI工具、系统和实践。AI是一场淘汰赛，不转变的人将迅速被甩开，作者和卡帕西都强烈提醒这一点。

由于AI的出现，现在世界上存在两类人。而且双方之间的认知差距越拉越大。

一类是使用落后AI的人。他们觉得AI不行，AI就是骗局，AI就是泡沫。

另一类是使用先进AI的人。他们认为AI进步太快了，对此非常非常兴奋，每天都在用AI创造新的价值。

这个是卡帕西的最新观点。我真的不能同意更多。其实年初我也发表过类似的观点：

用AI的，和不用AI的，是两个物种。用豆包级AI的，和用Claude Code级AI的，是两个物种。今年多Agent编排还会再筛一波。

我是说得比较尖锐，而卡帕西就比较照顾别人的面子了。他在推文里说，前一类人的典型代表就是，在去年试了一下免费的ChatGPT，然后就觉得自己了解AI了，觉得幻觉很严重、智商不够高。

这类人也没说错，之前的AI确实是这样，毛病一大堆。但是，今天最先进的模型（比如Opus 4.6）、最先进的工具（比如Claude Code）早就不再是当年那个聊天机器人的水平了。一个团队忙一周的工作，现在AI可能半小时就搞定了，成本还低得多。

而第二类人就是天天在使用Agentic AI的人。他们不仅使用，而且把额度拉满。可能一个200美元的订阅还不够，他们会同时开好几个。这种跟技术、跟时代赛跑的感觉，真的太爽了！

所以这两类人对AI的认知都没有错，只是他们拿错了版本，活在两个世界中。前一类人已经掉队，而且很有可能再也赶不上了。为什么？

我觉得最根本的，是他们的心态：他们一直抱着“消费者心态”，始终不肯转到“建设者心态”。

在AI这件事上，“消费者心态”会带来两个陷阱。

第一，“跟我无关”的陷阱。

这一轮AI的发展，是以编程为突破口的。编程能力对AI来说是刚需，我在之前的视频里有解释过。

然而，多数人需要的是一个能帮他们写文章、做表格的AI，而不是一个会编程的AI。于是他们觉得这个跟我没关系，懒得去理解背后的逻辑，就想当然地错过了。

问题是，像AI这种级别的东西，它有自己的发展路径。如果你始终觉得自己是消费者，那就只有一直等，等到AI的路径与你的路径相交的时候，等到AI来找你。

如果你想吃到AI红利，那你就必须转变到“建设者的心态”，主动去找AI。

怎么个找法？我举个例子：知识库。

我在大半年以前就出过视频，提议用Cursor来操作Obsidian仓库。后来Claude Code成熟之后，我建议改用Claude Code，甚至基于它来搭建AI操作系统。现在几乎所有懂AI的头部博主也都在用这种方法。

以前整理笔记、打标签、建索引，一周要花好几个小时。现在我跟AI说一句话，几分钟全搞定。

所以，心态一转变，角色一转变，你就会发现：AI其实已经能服务你了，只是路径跟你想象的不一样罢了。

第二，“不值得付费”的陷阱。

今天有相当多的人不愿意为AI付费。别说一个月200美金的Max版本了，就连20美金的订阅，他们都觉得不值。

为什么不值？

会觉得不值，本质上是因为你发挥不出价值。而发挥不出价值，是因为你从来没把自己当成建设者。

消费者不需要也不会去想“发挥价值”这种问题。消费者就只是消费。

所以，“不值得付费”绝对不是AI的问题，而是这些人自己的问题。

或者你这么想嘛：AI是当下最先进的生产力，对吧？当这个最先进的生产力交到你的手上之后，你在工作和生活当中居然都发挥不出价值，居然都用不着——这难道不是一个很可怕、很值得反思的问题吗？

刚才说的那两个陷阱，我见到很多人已经掉进去了。本期视频我就是想给大家提个醒：

当你觉得AI跟自己没关系，当你觉得在AI上花钱不值得的时候，真的得小心了。

这场AI变革就是一场淘汰赛——它在淘汰国家，也在淘汰个体。

OK，以上就是本期内容。想了解AI，想成为超级个体，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Subscribe now

很多人以为，提升AI生产力就得换更强的模型。

做newtype OS的经验告诉我：换模型最多带来2倍提升。想实现10倍甚至100倍的飞跃，光换模型远远不够。

模型只是引擎。今天的大模型已经足够聪明。它们真正失败的原因，是不了解你的数据——在错误的时间拿到了错误的上下文，或者被噪声彻底淹没。

而解决这个问题的关键，是架构。

一套正确的架构，能让你的AI生产力直接起飞。我强烈推荐“Skills + Harness + 工具”这套三层架构。它简单，却极其强大。

Read more

• LLM Wiki是真正AI知识库：不是传统RAG或Agent遍历文件（每次都重新读原始文档，重复消耗Token、易幻觉），而是让AI把素材“消化”成结构化、持续进化的Wiki（实体页、主题总结页、线索页等）。AI从“一次性检索生成器”升级为“知识编译器”。

• 核心优势：知识库变成活的知识图谱，交叉引用、逻辑关联一次性建立，后续提问直接查Wiki即可；新增资料时AI会主动更新Wiki，实现知识持续累积和自我完善。

• 作者实践：用newtype OS的多Agent系统，在OUTPUT文件夹基础上建立Wiki（概念层、实体层、线索层+Index/Log），并行处理、自动维护，最终知识库检索效率和Obsidian体验大幅提升。卡帕西的Gist方法简单易行，强烈建议尝试。

2026年，如果你想搭建自己的AI知识库的话，我强烈建议你采用卡帕西的方法：LLM Wiki。

你先记住我这个结论：这套做法的本质，是把AI从“一次性检索生成器”升级成了“持续知识编译器”。

我带你回顾一下，你就完全理解了。

以前大家是怎么做的？两种做法：

最早是用RAG，也就是把文档切割、向量化，然后让大模型去检索。

这种做法门槛很高，局限性也挺大。于是后来很多人改用Claude Code之类的工具，直接让Agent去遍历所有文档。

这两种做法虽然完全不同，但它们的问题其实是一样的，也就是，你每次提问，AI都得重新读一遍文档。

“每次都得重新发现知识”意味着，Token消耗会很大，尤其是当你知识库越来越大之后。而且一致性会很差，那些矛盾、交叉引用每次都要重新发现，容易出现幻觉或遗漏。

所以，其实过去这两年的AI知识库，只能算是一个半成品。那么，卡帕西做对了什么？他设计了这样一套系统：

你有一个素材库，放所有原始资料，比如文章、论文、笔记、PDF等等。AI会主动把这些资料“消化”成一个结构化的、Markdown格式的Wiki。

Wiki里的内容不是简单的复制粘贴，而是包含了实体页、主题总结页等等。它是AI完整理解了你所有内容之后生成的东西。

你提问的时候，AI会去查询Wiki，而不是每次都去原始素材里翻。AI回答完了，还可以把好答案存回Wiki，让知识继续累积。

之后你每次添加新资料进知识库，AI还会主动更新整个Wiki。

所以，在你的知识库里，AI不再是每次回答都得查资料的秘书，而是一个知识库工程师。它替你把知识“编译”成一个不断进化的Wiki。

这个才是AI知识库该有的样子！

而要实现也很简单。卡帕西发布了一个Gist。你把这个链接给AI，然后它就知道怎么做了。我已经成功了。本期视频，咱们就来聊一下具体的实现方法。

哈喽各位好，欢迎回到我的频道。谦虚地说，我是国内少数几个能把关于AI的Why和How讲明白的博主。我提供的东西远比教程更值钱。记得点一波关注。如果想链接我，就来我们newtype社群。这个社群已经运营700天，有超过2000位小伙伴付费加入啦。

如果你是国内用户，可以从知识星球加入。如果你是海外用户，可以从Substack加入。我的第一套课程、日常的Newsletter以及专属视频，在社群内都可以看到。

回到今天的主题：LLM Wiki。

卡帕西的这套方法，不管你是用Claude Code还是别的AI工具，都适用。比如我就在用我自己做的newtype OS。

因为我的知识库已经搭建好了，所以我不是要照搬卡帕西的结构，而是要把Wiki融合进来。

在一开始，我把链接给到主Agent——Chief的时候，我就让它结合目前知识库的情况做个评估。它给出的结论是：

我跟卡帕西在做的是同一件事。比如我已经有INPUT文件夹用来存原始素材；有AGENTS和KNOWLEDGE两个Markdown文档作为纲领性文件。唯独缺少中间层，也就是Wiki。

虽然Chief建议我把Wiki放到PROCESSING文件夹里，但是我还是决定基于OUTPUT建立Wiki。

OUTPUT文件夹里存放的是我的笔记、文章以及视频脚本。它们都是成品，是我亲手写的。基于这些资料建立Wiki才是最准确的。

所以，虽然AI可以帮你搞定很多事，但是这个知识库该是什么样的，这个大方向必须由你来把握，你得动脑子好好想想。否则就变成AI的知识库了，不是吗？

当你跟AI商量好了、交代清楚之后，剩下就不用管了，AI会自动完成。

这个过程花的时间可能会很长，因为AI需要先消化你所有的内容。我这边有三个文件夹需要处理。于是Chief决定兵分三路，创建三个后台任务让子Agent去执行。

当三路扫描的综合分析都搞定之后，Chief给出Wiki的设计方案。整个结构分了好几层，比如概念层是我原创的、反复出现的、有完整论证的概念。

当我确认方案之后，Chief把活儿派出去、并行完成。你看这个就是多Agent编排系统的好处。

整个过程我等了得有20分钟，确实是个大活儿。不过最终完成得挺漂亮的。我给你们看看成品。

概念层里的东西，是我之前提过的各种概念，包括AI OS、Code is intent、万物皆文件等等。每一个概念的Markdown文档里，都有非常详细、完整的表述。这些都是AI从我过往资料里提取出来的。

实体层里的东西，是各种内容所涉及到的实体。比如卡帕西这个人，还有Claude这个模型，都是我过去经常提到的。

线索层里的东西，是可以归纳到一起的大主题。比如“AI工程三部曲”等等。我之前写的内容确实不是独立的主题，很多都可以归纳到一个大主题或者专栏里。AI全面理解之后，用逻辑把它们串起来了。

另外还有几个纲领性文件。比如Index文档是结构性的，Log文档则是按时间来排的。这种横向和纵向的整理，让AI对整个知识库有了非常详细的了解，确实会比之前单纯搜索强很多。

整个Wiki的使用方法，在知识库最底层的AGENTS文档里也有记录。以后AI就知道什么时候要去读取或者写入Wiki了。比如，当我往OUTPUT文件夹里存入新的稿子，AI会自动对它进行处理，添加进Wiki。

你看，用卡帕西的做法更新完知识库之后，是不是厉害多了？原本“死”的文档，在Wiki加入之后“活”过来了。AI的检索效率会大大提升。而且我们在Obsidian里去查看也很方便。

所以这个是非常非常值得去做的事情。大家看完视频一定要试一试。

OK，以上就是本期内容。想了解AI，想成为超级个体，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Subscribe now

• newtype OS核心架构：一套专为内容生产定制的多Agent系统，由Chief（主Agent，负责大方向把控和最终审稿）+ Deputy（副手，负责任务调度和子Agent协调）+ 多个专业子Agent（Writer、Editor等）+ 自定义Skills组成，实现了高效、可控的生产流水线。

• 实际运行机制：Chief先设定明确验收标准 → 制定大纲 → 分配任务 → 子Agent并行执行（写作+精编） → Deputy汇总 → Chief二次审查迭代 → 最终输出，整个过程高度结构化，避免上下文爆炸和质量失控。

• 设计哲学：人类永远掌握大方向和拍板权，AI只负责执行和放大（而非取代）；作者通过预设标准、Skills约束和多Agent分工，把AI从“助手”升级为“专业内容团队”，显著提升生产效率。

我终于把我的内容生产系统——newtype OS优化到比较理想的状态了。接下来我用一个例子向你们展示一下它是怎么运作的，以及我为什么要这么设计。看完你就知道，我为什么花这么大力气去开发它、推荐它。

在newtype OS里，我下达了一个很简单的需求：帮我写一篇Newsletter，大意是AI时代智力通缩会越来越严重。以前那些靠知识、经验获得工作的“好学生”可能会经历一段难熬的日子。

接到需求后，Chief这个主Agent做了两件事：

第一，它去获取我过往的文档。通过分析内容，了解清楚我的文字风格。

第二，它启动了一个名叫super-workflow的Skill。这个Skill是我专门为Chief定制的。我在星球里有说过，这个Skill的作用就是强化整个生产流程的管理。

就像人类的管理一样，如果没有制度的约束，真的很容易偷懒。super-workflow这个Skill就是对Chief的明确约束。

你看，在super-workflow的要求下，Chief制定了一个to-do list。其中第一步就是设定验收标准。为什么要有这个东西？

因为今天Agent的瓶颈不在于模型强不强，而在于它没有一个清晰的标准来衡量结果。

在开始之前就设定好验收标准，当子Agent返回工作之后，主Agent才有办法评估。这个非常非常重要！

定好成功和失败的条件之后，Chief给出一个内容大纲。为什么让它来给大纲？

对于内容生产之类的工作来说，只能有一个内核。就像咱们人类的内容团队，只能听主编的。主编具有最终拍板权。

在newtype OS里也是这样。我设计了好多个子Agent，比如Writer、Editor等等。它们都是专业Agent，擅长某个领域。但大方向的把控，只能由Chief来负责。Chief在最前端跟用户交流，做出判断，下达指令。这也是为什么要给Chief安排最强模型的原因。

大纲搞定之后，Chief把工作分配给Deputy。

如果把Chief比做主编的话，那Deputy就是副主编，是它的副手。Chief只跟用户交流，Deputy只跟那些子Agent交流。这样一来，Chief的上下文窗口才不会爆炸。脑子不乱，活儿才不会乱。

在下达的任务里，除了让Writer这个子Agent写稿之外，还要求Editor做一轮精编，确保文字风格完全对齐我之前的内容。

整个写稿、改稿的过程大概需要两三分钟。当Deputy把结果返回之后，Chief就开始审稿了。

因为开头定下了验收标准，所以第一步就照着成功标准和失败条件进行审查。标准合规审查之后，是质量提升审查。Chief会直接指出几个需要调整的地方。

所有这些反馈又发给Deputy，让它再去调用子Agent进行优化。

最后，Chief会做个最终检查。一些小毛病它顺手就改了，不会像人类的领导那样啥都让手下去改。然后，一个稿子就完成了。

刚才你们看到的，就是用newtype OS生成一篇稿子的过程。它是完全为内容生产定制的系统。从多Agent编排到Skills强化，全都是为了让整个流程更加高效、更加可控。

在实际使用过程中，我其实不会像刚才演示的那样，全都让Chief自己搞定。我从来都是先跟它充分探讨，由我给出逻辑框架。然后，我会让Chief照着框架写一版、打个样。如果还OK，我自己再动手写。

这个其实是我用所有AI工具的思路：

第一，大方向一定得由我来把握、我来拍板。AI只能当Copilot。

第二，我用AI不是因为我做不来某件事——其实我是很擅长的。我用AI是为了放大我这种擅长，把擅长放大到别人追赶不上的地步。

这也是我做newtype OS的初衷。

就像我在星球内说的，这套系统我已经做到六七十分的程度了。接下来我会给它添加自我总结的模块。到时候，newtype OS会更加强大。大家看完视频记得试试。

OK，以上就是本期内容。想了解AI，想成为超级个体，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Subscribe now

• AutoResearch核心机制：只需三个文件（program.md定义目标/规则/约束、train.py供Agent修改、prepare.py自动评估），Agent就能提出假设、修改代码、运行实验、自我打分、迭代优化，直到达标，实现了真正的自我进化。

• 适用范围极广：原本用于机器学习，但社区魔改后可泛化到内容创作、营销邮件等任何可量化、可结构化的工作。只要你能定义清晰的评估指标，Agent就能不知疲倦地反复迭代，作者测试营销邮件30轮后得分提升11倍。

• 人机协作新范式：人类负责定义边界和评估标准，Agent负责执行和优化；这是AI时代最重要开源项目，作者强烈建议亲自上手测试可量化任务，尽早适应“Agent自我迭代”的生产力跃迁。

今年最重要开源项目肯定是AutoResearch，没有之一。

因为它给了Agent自我优化的能力，让Agent在执行任务的过程中自己进行评估、迭代，直到完成任务。

为什么说它最重要？

因为今天Agent最大的瓶颈不在于能力够不够强，而在于执行之后，它不知道结果好不好。

AutoResearch厉害的地方就在这里。它只用三个文件，就非常简单、非常优雅地解决了这个问题。

一个是program.md，用来存放人类写的目标、规则和约束。对这个文档，Agent只能读，不能改。

一个是train.py，也就是项目文件，Agent可以随意修改。

最后是prepare.py，它是评估脚本。Agent不能改，否则会作弊。

启动之后，Agent不会一下就生成答案，而是先提出假设，然后开始修改；改完之后，运行实验，用评估脚本来打分；好的就保留，坏的就丢弃重来。

也就是说，AutoResearch其实是把自我评估和迭代变成了一个标准循环。能做什么、不能做什么，以及完成的标准都在文档里写得明明白白。Agent就自己干去，自己想办法解决，直到搞定。

AutoResearch本身是用于机器学习的项目。但是它开源，而且结构简单，所以现在已经被各种修改、应用到其他领域了，比如广告营销、内容创作等等。

只要你能定义一个清晰、可自动测量的指标，AutoResearch就能用在任何领域。

这个就是我说它是今年最重要的开源项目的原因。本期视频，咱们来详细聊一下这个项目。

哈喽各位好，欢迎回到我的频道。谦虚地说，我是国内少数几个能把关于AI的Why和How讲明白的博主。我提供的东西远比教程更值钱。记得点一波关注。如果想链接我，就来我们newtype社群。这个社群已经运营700天，有超过2000位小伙伴付费加入啦。

如果你是国内用户，可以从知识星球加入。如果你是海外用户，可以从Substack加入。我的第一套课程、日常的Newsletter以及专属视频，在社群内都可以看到。

回到今天的主题：AutoResearch。

AutoResearch是AI大神卡帕西的最新作品。他之前是OpenAI联合创始人、Tesla Autopilot主要负责人。非常火的概念“Vibe Coding”就是他提出的。

AutoResearch项目推出之后，国内没什么反响。但我自己体验下来，是挺震惊的。就像我在星球里说的：

那些能够很容易被衡量、被结构化的人类工作，将率先受到AI替代的冲击。

你看，我先把这个社区魔改版的AutoResearch下载到本地。这个版本跟原版的区别是，把它变得更加通用了。

我要做的测试很简单：让Agent帮我迭代一封营销邮件，更个性化、更简洁，以及更容易让用户行动。我会给它一个非常非常基础的邮件版本，以及一套衡量标准。

在OpenCode里启动之后，Agent就在AutoResearch的指导下开工了。它先了解清楚项目需求和规则。然后，它对邮件最初版本打了一个分，这个是基础得分。接下来，就开始持续30轮的迭代。

每一次迭代，Agent都会照着我给的标准进行衡量，搞清楚哪里做对了，哪里还有改进空间，以及决定下一轮要改哪里。

就这样，30轮下来，这封邮件的得分提升了11倍！

虽然这只是一个很简单、很粗糙的测试，但是卡帕西做AutoResearch的思路我是get到了。总结起来有两点：

第一，不要怕约束。对Agent来说，有约束可能反而是好事。

如果你给它一堆模糊的指标，它真的只能撞大运。相反，你给它一堆条条框框，它可以在这个有限的区间内不断深挖、不断优化。

需要创意发散的场景是少数。我们日常很多工作其实都有清晰的边界、严格的约束。只是多数人由于种种原因不去界定清楚，把简单的事情搞复杂了。

第二，人类下定义。Agent来执行。

AutoResearch项目中的三个文档，两个需要人类来制定。有了那两个文档之后，Agent可以不知疲倦地开始反复优化。

我坚信这就是当下以及未来很长一段时间人与AI的协作方式。可惜的是，很多人还是无法从执行者的角色中跳出来。很遗憾，这些人只能被淘汰。

我真心建议大家看完这个视频之后，去试试AutoResearch这个项目。把你手上那些可以用数字衡量的工作交给它来试一试。这些关键的事情，还是得亲自上手才有体验。

OK，以上就是本期内容。想了解AI，想成为超级个体，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Subscribe now

人类跟AI协作的方式，每年都在被重新定义。

2023年，所有人都在研究怎么跟AI说话。

2025年，发现说什么远不如给它看什么重要。

2026年，连给它看什么都不够了——你得给它造一个世界。

这三次跃迁分别叫：Prompt Engineering、Context Engineering和Harness Engineering。

----

2023年，大家琢磨的核心问题是“怎么措辞”。

把模型当黑箱，用各种咒语般的技巧去试探它的能力边界。Chain-of-Thought、Few-shot、调温度参数，都是这个阶段的产物。

这些做法有效，但极其脆弱。研究发现，仅仅调换一下示例的顺序，准确率就能波动超过40%。

后来人们意识到，问题不在措辞，而在措辞背后：

模型的上下文窗口里到底装了什么，才是真正决定输出质量的东西。

于是到了2025年，问题变了，从“怎么措辞”变成了“给AI看什么信息”。

Anthropic率先指出：你怎么问不是关键，信息本身才是。

这个阶段有一个核心洞察叫Context Rot（上下文腐蚀）：当对话越来越长，早期的信息开始失效、被遗忘、互相干扰，模型的表现会逐渐变差。

上下文是有限资源，必须主动管理。

于是就有了一系列应对技术：按需加载信息（Just-in-Time Context）、主动压缩对话历史、用子Agent分担上下文压力。

方向是对的，但还不够。因为一个根本问题始终悬而未决：

环境设计好了，谁来保证产出是可靠的？

----

2026 年，OpenAI Codex团队在实践中给出了答案。

他们用Codex构建了一个超过百万行代码、但0行手写的内部产品，由此总结出第三个阶段的方法论：Harness Engineering。

Read more

• 产品定位：newtype OS是作者专为内容创作定制的多Agent编排系统，内置8个Agent + 多个Skills，比通用Claude Code更高效，已成为其主力工具（60%使用率）。

• 安装配置：终端一行npm命令全局安装，启动后需/connect连接模型供应商（如GitHub Copilot），并用/agent-models为每个Agent分配最优模型，实现成本与性能平衡。

• 使用流程：推荐Zed终端运行TUI界面，先执行/init-deep（知识库初始化）和/init-soul（Agent人格设定），日常只需与Chief对话即可，系统自动拆解任务；还支持微信连接和被OpenClaw等外部Agent调用。

我来完整介绍一下newtype OS的安装和使用方法。

newtype OS是我今年做的新产品。我看到很多人（包括以前的我）使用Claude Code来做知识的消化、内容的产出。newtype OS就是专门干这个的。因为是定制化的，所以它干得会比Claude Code更好。

现在我的主力AI工具就是newtype OS。我日常60%的时间使用它，30%的时间使用Perplexity，10%使用Grok和Gemini。它已经帮我产出好几万字的内容了。

所以大家用了觉得不错的话，记得去GitHub上帮我加颗星。

OK，先说安装和配置。

安装很简单，只需要在终端里输入一行命令：npm install -g @newtype-os/cli。等个几秒钟就搞定了。这一步基本不会有问题。如果安装不了，很有可能是你的机子里没装Node.js。那你去官网下载一个就好。

当安装完毕之后，在终端输入两个字母：nt，也就是newtype的缩写。newtype OS就启动了。

第一次使用，一定要先做好配置。这个是很多人会卡住的地方。其实很简单，就做两个动作。

第一，连接模型供应商。

要么你直接走API——也就是输入API Key，用多少花多少，要么就走订阅。

在输入框里输入/connect就会出现一个列表。市面上主流的模型供应商都在这个列表里。比如国外的OpenAI，国内的智谱、Minimax，都在里边。

我用的是GitHub Copilot。虽然上下文窗口有限制，但是主流模型都在，没那么多破事，用起来省心。在列表里选择这个，然后根据引导完成账号绑定就可以。

第二，给Agent配置模型。

newtype OS的底层，是一套多Agent编排系统。我特意按照内容创作场景设计了八个Agent。每个Agent都有不同的角色和分工，那很自然地，它们也有最适合的模型。并不是每个Agent都要用最好的模型，那太浪费了，而且可能速度也不快。

所以，给Agent配置模型，你有两种方式：

一种简单的，直接在输入框里输入/agent-models。你会看到Agent列表，以及它们现有的模型。然后你选择其中一个Agent，就会看到可以分配的模型。

你看，我在上一步连接的是GitHub Copilot这个模型供应商，所以在可分配的模型列表里，我可以选择的范围很大。

当你给每一个Agent都配置好模型之后，这一套系统就可以正常运转了。

OK，安装和配置完成之后，接下来就是使用了。

newtype OS是一个在终端里运行的AI工具。理论上，你可以用系统自带的终端去运行，也可以用VS Code之类的工具。

我的选择是：Zed。三个原因：

第一，它可以正常渲染TUI。我之前用VS Code就遇到渲染问题，界面要么卡顿，要么不连贯。

第二，在运行newtype OS的同时，我还需要浏览文档，以及做一些手动修改——我肯定不会让AI做所有的事情。

第三，它好看。

大家看到的界面，就是我在Zed里运行的。这款软件免费，大家可以试一试。

那么，当你用newtype OS打开内容仓库之后，该怎么使用呢？我建议你先做这两步。

第一，在输入框里输入/init-deep，这是一条内置命令。它会让AI读取整个仓库的所有文档，了解这些内容的方方面面，然后创建一个KNOWLEDGE.md文档。这样一来，AI就知道项目的基本情况。

第二，在输入框里输入/init-soul，这也是我内置的命令。它的作用是创建一个名叫SOUL.md的文档。如果你用过OpenClaw就知道，这个文档是用来定义Chief的性格的。我给Chief设计了两层人格：

“里人格”属于底层人格。用户不可更改。有一些基本的行为规范需要始终保持。

“表人格”就是SOUL.md里定义的。用户可以根据自己偏好进行编辑。

这两个命令的运行都属于对项目进行初始化，让AI知道项目的情况，以及你个人的偏好。

接下来就是实际使用了。其实很简单，你完全不需要去想要用哪个Agent。你就跟Chief对话就好。它会根据你的需求进行判断和拆解，让相应的Agent去干它们最擅长的事情。

除了多Agent编排之外，我还内置了好几个Skills，用来增强某些方面的能力。比如需要深度分析的时候，Chief就会自动使用Super Analyst。

除了Skills，我还内置了几个MCP，这个就不多说了。最后我再讲两个可能会很有用的。

一个是连接微信。我把idoubi的WeClaw项目整合进来了。所以，你安装完之后，在终端里运行nt wechat setup，用微信扫码连接，然后运行nt wechat start就搞定了。

另一个是支持别的Agent调用，比如OpenClaw。我之前特意添加了一系列命令行，就是为了让别的Agent可以通过命令直接调用newtype OS。这相当于是配了一个专业的内容团队。如果你在使用OpenClaw的话，可以试试运行nt init。它会自动把命令行的用法以Skill的方式注入到你的Agent当中。

刚才我介绍的这些，在GitHub仓库的README里都有。大家如果还有不明白的地方，可以去那边看看。如果还有什么问题或者建议，到星球里跟我说。

OK，以上就是本期内容。想了解AI，想成为超级个体，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Subscribe now

• Vibe Design正式到来：Google Stitch从单纯文本生成UI工具，升级为AI原生设计平台，支持无限画布、设计文档导出（DESIGN.md）和直接所见即所得编辑，彻底改变设计师的工作流。

• 实际效果惊人：只需上传一张潦草手绘草图，Stitch就能快速生成完整网页（科技媒体极简风），经过两轮自然语言迭代即可达到可用初稿，普通人也能轻松完成设计。

• 行业剧变信号：发布当天Figma股价暴跌8.8%，作者判断这与Vibe Coding早期路径一致——半年至一年后，AI将覆盖网页/App设计，非专业用户可直接上手，传统设计师面临真实失业风险。

接下来要失业的可能是设计师。因为，Vibe Design真的来了。

你看，我在iPad上画了个极其潦草的草图。这是一个网站首页大致的样子。然后，我把它导出到MacBook，再拖到Google Stitch里。我要求它根据这张图帮我设计个网页。

第一版完成得还行。Stitch给了一个“科技媒体极简风”的设计风格，包括大卡片布局、无衬线字体等等。看起来挺舒服的。只是右边不是人物，这跟我画的不一样。

于是，又经过两轮沟通，一个像模像样的初稿就完成了。

刚才我演示的，就是最新版的Google Stitch。它跟之前最大的区别是，从一个简单的文本生成UI的工具，全面升级为AI原生的设计平台。

你别以为这就是一个版本更新，整个市场对此的反应都相当剧烈。你看，新版发布之后，Figma的股价暴跌8.8%，创下一个多月以来的最大单日跌幅。

我看到X上有不少设计师对此嗤之以鼻，觉得Stitch出的东西很低级、很垃圾。我想说的是，一年前，有很多程序员对AI编程也是这么看的。现在呢？

我认为，新版本Stitch的发布是一个标志性事件，它预示着Vibe Design的到来。

第一，新版本Stitch带来了无限画布。

新版界面围绕无限画布构建，跟Figma之类软件的很像。用户可以把文本、图片等素材全都放到画布上。AI会自动读取这些元素作为上下文进行理解和推理。

为什么无限画布很重要？

因为设计师本质上是空间思维者。当他们把元素放在一起就暗示“相关”，根本不需要文件夹、标签之类的来建立联系。

而且设计过程天然就在“全局战略”和“像素级执行”之间反复切换。无限画布的缩放机制完美匹配这种节奏。设计师可以一眼看到全部变体和参考素材的关联模式。

所以，对于设计师来说，如果只有一个对话框，那真的没法干。无限画布一定是Vibe Design的标配。

第二，新版本Stitch带来了设计文档。

专业设计需要一致性。Stitch允许你把设计系统以Markdown格式导出。这意味着你可以把这个DESIGN.md文档放到别的工具里使用。

比如你可以先在Stitch里完成从零到一的过程。觉得设计系统符合你的需求了，把文档导出，放到Claude Code里进一步开发。

第三，新版本Stitch带来了直接编辑功能。

用AI做设计，一个很麻烦的地方是，你想做任何改动都得再跑一遍提示词。如果碰上指令遵循性差一些的模型，可能越改越错。血压真的会飙升。

新版本Stitch允许你直接编辑。你完全可以直接上手做些调整。这种回归传统设计工具“所见即所得”的编辑体验真的太美好了！

这三个更新我认为是最核心、最重要的。有它们保底，Vibe Design这件事才能成立。

我自己是从Vibe Coding早期一路体验下来的。从VS Code到Cursor再到Claude Code，我用着这些AI编程工具，眼睁睁看着它们从最初的只能做代码补全，到现在可以替代普通程序员。甚至现在这么火的OpenClaw也是托它们的福才能诞生。

你再来看今天的Vibe Design。是，Google Stitch出的活儿还有点糙，还只能做标准化的网页。但是底子已经打好了。对于非专业设计师来说，用它做个初稿完全没问题。这个发展路径跟隔壁Vibe Coding基本一致。

半年、一年之后呢？AI做设计的审美会提升，所擅长的也不会只是网页，还包括App的设计等等。

所以，等着吧。欢迎之后来挖坟，看看我说得对不对。

OK，以上就是本期内容。想了解AI，想成为超级个体，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Subscribe now

• 高效剪藏入口：Obsidian Web Clipper一键将网页文章和YouTube完整字幕保存为本地Markdown，直接存入Obsidian指定位置，便于Claude Code等AI工具无缝读取和进一步处理。

• AI自动预处理：内置Interpreter支持接入Gemini等模型自动总结/提炼内容，可设置模板自动识别YouTube视频并生成摘要，最新更新无需额外操作即可提取完整字幕。

• AI OS核心补充：作为外部信息高效入口，与newtype OS（Claude Code + 多Agent）完美配合，实现周末批量深度分析，形成“获取→提炼→消化”完整闭环，极大提升信息处理效率。

如果你正在使用Claude Code加Obsidian的组合，那你一定要安装这个浏览器插件：Obsidian Web Clipper。

它能极大提升你信息获取的效率。

Obsidian Web Clipper是一个剪藏插件。它能把网页上的内容按照你指定的格式都扒下来，保存到Obsidian里、你所指定的位置。

为什么对AI用户很有用？

因为Obsidian Web Clipper所保存下来的内容，都是一个存在本地的Markdown文档。不管你用什么AI工具，都可以很容易读取，做进一步处理。

如果你在用Claude Code之类的工具，那你一定能理解，本地Markdown文档的价值。

而且，这个插件本身也有AI功能。你只需要在Interpreter功能里填上API Key、模型ID和名称，就可以让AI帮你预处理信息。

比如我通过OpenRouter调用Gemini 3.1 Flash模型，因为它便宜，上下文窗口大，用来总结、提炼内容足够。

我在去年出过一期视频，介绍过这个插件。这次我还想再次推荐，是因为它最近更新之后，默认就可以提取完整的YouTube视频字幕。

你看，我现在没有做任何特别的设置，把AI功能也关了。打开一个YouTube视频，点击插件按钮，等个一两秒，关于这个视频的字幕就全部提取出来了。

你要知道，以前要把这些东西都提取出来，还是需要一点配置和操作的。比如提取字幕，你需要先到YouTube视频下方点击内容转文字，然后再使用插件才能完成提取，否则啥也提取不出来。

我现在的用法是，让它提取字幕，以及对字幕做一个总结。这样一来，我就可以先大致看看这个视频值不值得我进一步消化。

如果有必要的话，你甚至还可以让它把整个字幕都翻译成中文，并且捋顺了，方便阅读。不过英文对我不是障碍，我就懒得弄了。

所以，我目前在用的模板是这两个：

一个是专门剪藏文章用的，主要是公众号文章。我让Gemini 3.1 Flash先做总结和提炼。

另一个是刚才介绍的剪藏YouTube视频。我特意加了Template Trigger。当它识别到是YouTube链接的时候，就会自动切换到这个模板。

每到周末，我都会用newtype OS对这周保存下来的所有内容做处理。之前介绍过，我特意做了一个自定义命令，让AI对内容做深度分析，告诉我哪些值得关注、为什么值得关注。

这个浏览器插件用起来就这么简单，但是它真的帮了我很多。如果你日常需要获取大量信息、消化大量内容的话，可以试一试。

OK，以上就是本期内容。想了解AI，想成为超级个体，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Subscribe now

• 软件开发转向Agent First：从面向人类（GUI/TUI）转向面向Agent，工具CLI化、Skill生态爆发（已超3万），一切能力都要让Agent能“像母语一样”直接调用，成为行业共识。

• newtype系统全面CLI化：作者将多Agent内容生产系统（8个Agent + Skills）彻底改造成命令行接口，让OpenClaw等外部Agent可直接调用，成为专业内容外包团队，生产力大幅提升。

• 四层Agent技术栈：CLI（执行接口）+ MCP（确定性工具集成）+ Skills（声明式能力封装）+ Framework（多Agent操作系统），作者以此构建完整闭环，个人开发者必须抓住这一波Agent成为生产力主体的机会。

软件开发的方向，正在从面向人类，变成面向Agent。

这个我最近非常强烈的一个感受。于是在前天，我做了一个决定：把newtype内容生产系统彻底CLI化。

newtype是一个多Agent编排系统，内置8个Agent，组成一个专业内容团队。此外，我还往里边添加了好几个Skill，用来强化分析、写作等方面的能力。

之前这套生产系统一直是给人用的。启动之后，会以TUI的形式呈现。我说的CLI化，指的就是不需要图形界面，直接通过命令行操作。

比如，输入nt research再加一个主题，就会启动researcher去调研；完事之后，fact-checker会做事实核查。

像这样的命令我准备了一整套。显然，它们不是给人用的，是给Agent用的。比如你的OpenClaw就可以调用newtype，这相当于找了一个专业的内容外包团队，效果绝对比单独用OpenClaw生成内容更好。

为了教Agent使用newtype的命令，我又特意做了个Skill。为了方便用户安装，我添加了一条命令nt init，它会扫描已安装的Agent，然后按照规范把Skill存进相应的文件夹。

我在开头说的那个强烈感受，其实是来自OpenClaw。真的，从OpenClaw这一波开始，“Agent First”成为越来越多开发者的共识。

我跟你分享两个很明显的现象，你就知道我为什么这么说了。

第一，各种工具开始CLI化。

比如Firecrawl、Supabase、Stripe等等，这些市场上非常有名的工具都推出了CLI。

其中Firecrawl做得最绝。他们发布了CLI和Skill双工具包。一行命令就能完成CLI安装，以及向所有检测到的Agent注册Skill。我前边说的那个方法，就是受到Firecrawl的启发。

第二，Skill生态爆发。

今年年初，社区市场上已有超过31000个Skill在流通。Vercel在1月推出的skills.sh平台上线后，迅速突破2万次安装。

这个Skill化的动作，不是个别团队在做，而是全行业集体行动，包括Anthropic、Vercel、Supabase、Cloudflare、VS Code等等。

CLI的本质，是把一个能力的执行入口，标准化为文本输入和输出的原子操作，让Agent能像说母语一样直接调用。

Skill的本质，是把“何时使用某能力、调用哪些工具、按什么步骤完成任务”封装成声明式说明，让Agent能直接学会使用该能力。

这个就是我开头说的，软件开发的方向，从面向人类，变成面向Agent。

那么，今年的趋势和路线图就很清晰了。Agent是主角。一切面向Agent构建。整个技术栈包括四层：

CLI是执行接口。一定会有越来越多工具推出CLI版本。Agent操作软件的比重一定会越来越大。

MCP是工具集成协议。别看那么多人喷MCP，但是啊，你如果搞的是工程类而非知识类的项目，需要确定性的动作执行，那肯定需要MCP。

Skills是声明式能力包。它提供的是非确定性的知识交付。它灵活、轻量，很容易创建。普通用户、自媒体都能快速上手，所以很火。

Framework是包含了记忆、调度、路由在内的Agent操作系统。OpenClaw和我做的newtype都属于这个范畴。

这四个层面其实是一个整体。我打个比方你就很好理解了：Framework是地基，Skills是说明书，CLI是门，MCP是管道。

我是这么判断的，也是这么做的：

newtype的Framework，是一套多Agent编排系统，搭配记忆系统。

在这个框架基础上，我添加一系列Skills去增强某些方面的能力，由Agent按需调用。

这套Framework和Skills就构成了newtype的内核。

而在接入方面，跑在本地的话，如果是人来操作，那就通过TUI；别的Agent来操作，那就通过CLI。

如果以后我还想云端部署的话，那我大概率会把它封装成一个MCP Server。

如果你是个人开发者，这一波趋势一定要抓住。Agent作为生产力主体的比重，一定会越来越大。

OK，以上就是本期内容。想了解AI，想成为超级个体，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Subscribe now

• Perplexity搜索优势：实时拉取权威金融API（FMP、Morningstar、FactSet、SEC等），每句话附来源链接+子问题拆解+严格系统指令，彻底避免训练数据过时和网上污染，远超ChatGPT/Grok等通用AI，适合跟钱有关的严肃工作。

• Perplexity Computer本质：云端Agentic Workflow，能自动拆解任务、创建子代理并行执行（最多19模型协同）、生成PDF报告或持续监测任务（例：中美国债收益率拐点），支持自定义Skills，比OpenClaw更专业、更安全。

• 使用建议：普通Agent（OpenClaw等）权限过高、准确性不足，容易出大问题；Perplexity Computer才是真正严肃工具，作者强烈推荐用于投资判断、研究等高风险场景，普通人别轻易把钱押在通用AI输出上。

如果你要用AI处理一些很严肃的工作，比如让AI辅助投资判断，那我建议你用Perplexity Computer。记住：不要用那些通用的AI搜索，更别用什么OpenClaw。

这个问题我分两个层面来跟你解释：Perplexity和Perplexity Computer。先说前一个。

我之前在投资的群里看到，有人用OpenClaw搞了一套投资情报分析系统，让龙虾帮忙搜集资料并且标注投资机会，生成每日简报之类的。

看起来是有模有样，但说实话，这套东西在根上就错了。因为通用的AI搜索就不该用于金融投资之类的领域。你拿它搜集新闻、日常看一看，没问题。但是用来搞投资，它真的不够严谨，不够准确。

这些AI的答案来自两个方面：第一，训练数据；第二，网上抓取到的信息。但问题就出在这里：

基于训练数据的答案一定是过时的；基于网上抓取到的信息，往往没有进行足够的交叉验证，甚至这些信息在源头就被污染过了。

而Perplexity就强在这里。

它不靠大模型的“记忆”给出股价、EPS、营收等关键数字，而是实时从专业金融API拉取。它集成了权威数据源，比如Financial Modeling Prep、Morningstar、FactSet以及美国证监会等等。这些核心数据是秒级新鲜，来自官方或者付费数据商的。所以一定是严谨、准确的，源头污染的风险极低。

Perplexity还建立了自己的索引。结合刚才提到的权威数据源，它在准确度、时效性、深度远超ChatGPT和Google。

另外，Perplexity在生成每一段话甚至每一句话的时候，都会附带来源链接的角标。这种机制在算法层面就强迫模型必须找到确凿的证据才能输出内容。而对于复杂问题，它还会把初始问题拆解成多个子问题，分别进行多次独立的搜索，然后进行综合对比与总结。

最后，Perplexity在后台给大模型设定的系统指令非常严格。它会尽可能抑制AI去发散，确保输出的每一个字都尽可能紧贴检索到的原始文本。

所以，如果你要干的活儿是跟钱有关的，尤其是跟自己的钱有关的，一定要小心。AI扒了几个网站、给你个答案，你就敢信，那你不赔钱谁赔钱啊！而且现在数据污染很严重，尤其是AI生成的错误内容，我看国内有些券商报告都被污染了。大家真的要小心。

OK，刚才说的是基础，也就是准确性和严谨性，Perplexity绝对比任何同行都强。在此基础上，他们出了Perplexity Computer。

简单来说，就是类似Manus的东西。

你只需要描述最终结果，比如“帮我做一份英伟达2026财年第四季度财报深度分析”，它就会：

自动拆解成子任务；创建子代理并行执行；异步运行，比如在后台跑几小时甚至几个月，你可以去干别的；最终交付完整成果。

你看，它最终居然生成了一份PDF格式的报告。如果你是在公司工作的话，那这份报告可以拿去交差了。

刚才演示的是一次性的任务。如果想创建持续性的任务也可以。

比如，我让它针对“中美两国10年期国债收益率的同步拐点”创建一个监测任务。因为中美两国是全球流动性的总阀门，只有两国同步转向宽松的时候，市场的流动性才会充足，资产价格才会大涨。

这些都是基本用法。Perplexity Computer能把活儿做得漂亮，除了前面说的搜索基本功很扎实之外，还有两个让我很喜欢、很欣赏的地方。

第一，它采用多模型编排的设计，最多能有19个模型来协同作战。

处于最核心的，是目前最强的Opus 4.6模型，由这个模型来分析、拆解、调度。其它模型，比如GPT、Gemini、Grok，这些都是行业顶级的模型，它们根据不同情况，被Opus调用。

不依赖某一家模型，而是谁强用谁，谁适合用谁——我认为，这是现阶段搞多Agent编排系统的基本思路。我自己做newtype CLI也是这样。

第二，Perplexity Computer支持Skills。

虽然是云端虚拟机，但是这台Computer允许你创建Skills，给Agent添加特定的能力、完成特定的任务。或者你用官方预设好的Skills也行。我试了几个，都很专业。

站在今天这个时点来看Perplexity Computer，你会觉得好像没啥特别亮眼的。但是我特意出这期视频，就是想强调：

从OpenClaw开始，Agent落地的速度正在加快。越来越多人在生活和工作中开始使用。问题是，大多数人对于这些Agent过于放心了，比如给了最高权限，对Agent输出的结果也是非常信任。

如果只是随便看看新闻，那还没什么。但如果你是要基于那些情报做投资判断、做研究，真的得小心。

Perplexity在做搜索的时候，一直追求的是准确、严谨。现在，他们把自己的核心优势放大到Agentic Workflow层面。

跟一年多以前相比，Perplexity的声音几乎消失了。但是这家公司没死，而且还拿出Perplexity Computer。这个不是AI玩具，而是严肃工具。

OK，以上就是本期内容。想了解AI，想成为超级个体，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Subscribe now

拍一个镜头用Veo，讲一段完整故事也用Veo（如果要4K和长时长）。

追求物理动作真实感或者角色植入用Sora。

批量生产中文内容、要低成本、要多素材整合用Seedance。

三者的边界正在模糊，但现在大概是这样的分工逻辑。

说一下我对这三个模型的感受：

Sora：电影导演的工具

运镜是Sora最强的地方。它对摄影机语言的理解是目前最接近专业水准的。比如，景深变化、跟焦、手持感、镜头畸变，这些细节它都懂。更重要的是物理真实感：液体流动、光线折射、布料物理——这些世界模型层面的东西，Sora做得很扎实。

当然，代价就是贵、慢、可控性差，还有时长、1080P这两个短板。所以适合概念开发，追求追求电影质感的创作。

Veo：真实感和细节控

Veo的强项是超写实人物和场景细节。皮肤质感、眼神、微表情都是目前公认最逼真的。另外，Veo对摄影风格的理解也很好。你给它一个参考图，它能比较准确地复现光影风格。

Veo 3.1通过链式扩展，单个项目有更长时长的连贯视频，音频和角色一致性全程保持。这是它变成真正叙事工具的开始。另外它还是目前唯一在主流市场真正落地的4K AI视频。

Seedance：工作流整合器

Seedance没有一个技术维度是绝对第一，但它的特长是中文语境叙事 + 多素材整合。给它一堆参考文件，它能把这些捏成一个连贯的视频，而且保持角色一致性。

这在电商和短剧场景里极有价值。所以很适合中文内容、电商短视频、AI短剧连载、需要整合多素材的工作流。

Subscribe now