粉丝6.2万获赞34.7万


最近一篇来自 capsei 的 l l m knowledge base 的 一篇文章非常的火,它是这么说的,我们要把原始资料当做原代码,把 l l m 也就是大模型当做一个编辑器,把这个编辑器编辑出来的知识库 wiki 当做一个可以持续更新的知识产品, 这个知识产品可以赋能于我们的内容输出以及项目的跟进。这让我意识到,我们缺的并不是输入, 也不是更多的资料,而是一个能够把资料变成认知,再把认知变成输出的系统。这个系统解决了我们资料太散,附用太难的问题。这期不是单纯的软件教程,我不想只讲 obsidian code 是 怎么用的, 我想讲的是一个普通学生怎么用 codex 和 obsidian。 把每天看到的文章、笔记、网页、书籍以及簿刻变成可以附用的知识库,让它参与到我们的日常决策之中。 如果你之前看过我的内容,会发现我一开始并不是专门讲工具的。我之前更像讲认知、商业分析、 ai 时代方向的长视频,比如马斯克基点时代,还有泡泡玛特为什么爆。 但是在做完这些内容之后,我发现一个问题,我不是没有学习,也不是没有思考,而是这些思考很容易散掉。 昨天看的一个观点很有启发,今天的这个案例很有奇发,明天看处理的这段话也很有启发。 但是真正要写脚本做选择题的时候知识很少,想法也很少,每次都要整理这些观点,想用的时候找不到,过几天就忘了。这些问题经常存在。 这时候我再一看 capacity 的 l l m knowledge basic, 突然觉得它刚好能解决我做内容时遇到的问题, 所以我开始用 obsidian 和 quadas 来搭这一个系统。 obsidian 是 我的长期记忆,它负责沉淀我的原资料、方法、模型以及概念等等等等。 而 codec 作为我的外脑和协作者,他帮我把我的输入整理、拆解、提炼、整合我的想法以及补充可以输出的方向。 所以这期表面上是在讲 codec 和 obsidian, 本质上是在讲我怎么把学习、思考、自媒体、个人网站和长期项目放进同一个工作流。 现在我的核心工作流是输入 content、 整理、 obsidian 沉淀内容输出和项目推进。如果用 capacity 的 说法,它可以拆分为三个动作,第一是 english, 第二是 crease, 第三是 ling ing。 就是 我们要把原始资料摄入出来,把它结构化变成可以解锁、可以链接的输入。 而 cv 的 话就是当我要做选择题,做脚本判断项目的时候,我们可以基于我们自己的数据库来进行一个输出。这和随便问 ai 是 不一样的,因为它可以调用自己的资料,自己的判断以及自己的项目记录。 比如说这就是我的一个 queries, 我 想让 query 来帮我给一个下一步的计划,它就可以调用我自己的一个数据库来进行一个问答。 第三是 link, 它会定期检查我们的知识库有没有更新,有没有重复锻炼、混乱以及过时的内容。 以前我认为知识库只是一个高级的笔记软件,但是后来我发现如果单单的存储 opc 点,最后也会成为另一个收藏家。所以我给我自己的原则是,整理的目标不是让目录变得漂亮,而是让笔记更加容易附用链接和推进项目。 现在我的 o c 点知识库大体分为四块,第一块是原资料,第二块是概念,第三块是方法与模型,第四块是项目 原资料、放书、视频、文章、博客这些输入概念。回答它是什么?比如情绪价值、复利该几点方法与模型。回答怎么做? 比如内容制作流程、项目管理、反制期检查项目,就是回答下一步做什么,比如自媒体、个人网站以及本月的计划视频。 这四块连起来后,我就不只有一堆笔记,我有的是一个从输入到输出的系统, 比如说马斯克经典预言这一本书。以前我可能只会记几个观点, 比如说算力、基点、人员数据编辑效应,但是我现在会让它进入流程 code 会帮我生成这本书的简陋概括、核心观点、具体观点的整理,还有重要概念、专业名词, 比如说 ai 基点、算力、提问能力、第一性原理、化学科学习。然后它会结合我的 obsidian 知识库,给出一个可转化的输出, 然后保存我们的原始资料,最后链接到我们的项目当中。 这样一条资料就不仅仅是一条资料,而是一个可以反反复复调用的一个知识节点。泡泡玛特也是一样,从表面上来看,它是潮玩盲盒以及 ip 的 运营。 能拆开来看,它链接的是情绪价值、精神消费、用户的自我投射,以及品牌的叙式。 如果我要做内容,他可以变成为什么年轻人愿意为情绪价值而买单。 如果我要反思自媒体,他也会提示我,内容不只是信息,更要提供某种情绪价值。这就是知识库真正有用的地方。他不是把东西存起来,而是将一个内容在不同的情景中被重复使用。 那么 code 具体帮我干什么呢?第一是降低整理的成本, 判断资料的类型、命名、分类、规范,根据主笔记的结构来整理,拆概念、补双链、 归党校验,最后更新这个 skill。 这里面每一步都不难,但是加起来就非常的耗精力,我把规则告诉 codas, 它就能按照我的结构来帮我处理。 第二是反问我自己,当我向他寻求建议的时候,他不会无脑的说加油,而是先看我的目标,再看这个事情的需求,再看变现,看资源,看沉淀,最后给出最小的下一步。 当我落实到今天本周就可以做的内容,让我可以把我的时间放在真正高质量的输入之中。 以前我是项目驱动,看到什么就学什么。现在我更像是项目驱动,先有了长期目标,再让输入服务于这个方向。 所以说这个知识库最后不是为了记笔记,它会链接到我的自媒体、 个人网站以及 ai 工具,还有未来的一些长期的项目。比如说我做完一个视频,不是发完就结束,它可以进入 o c 点,变成项目的复盘,选择题,来源、脚本结构、发布效果、评论反馈以及下一次的改。 如果这个选择题还值得做,他就可以变成长视频、短视频、文章,甚至个人网站上的案例,这样内容就不再是一次性的消耗品,他会慢慢沉淀为我的资产。 所以总结一下,对于我来说, copy 加 excel 主要解决五个问题,第一是让输入不再闪掉。第二让思考可以被反复调用。第三让项目有明确的下一步。第四,让我的内容生产不再完全依靠灵感。 第五让学习表达、自媒体、网站以及未来慢慢连成一张网。 当然,这个系统很早期他不完美,但是已经改变了我的行动方式。以前的我总是想,最近有什么热点我可以追。 现在的我,先看知识库里面真正的问题,我最近关心什么?哪些材料已经积累到可以输出?哪些观点是我反复思考过,而不是临时看热点追热点听出来的? 这会让内容更像是我的系统里面长出来的,而不是临时拼出来的。 如果你也有这种感觉,收藏了很多东西,但是真正要用的时候找不到,看过很多内容,最后只剩一个模糊印象。每次想做输出,但写脚本都像从零开始。 那么你可能缺的不是更多的资料,而是一套自己的知识流转系统。如果你也想搭个人知识库,我们先问四个问题, 你真正关心的主题是什么?你的资料最后要服务于什么?你可不可以把每条输入拆成概念、方法或者案例?第四,你到底可不可以每周产出一个东西? 因为知识库最重要的不是他存了多少,而是他让你更清醒,更能行动,更能输出。 对于我来说,我不是在搭一个笔记软件,我是在搭一个长期能让我复利的一个系统。不要只收藏,只感动,只计划, 要把知识变成行动,把行动变成作品,把作品沉淀到长期的资产。我也还在不断探索着 obsidian products 和 ai 工作流的用法。 如果你也对个人知识库爱,关注实践内容的输出,以及怎么样 ai 提升自己学习和赚钱的能力感兴趣,欢迎私聊我,进我的微信群,让我们一起讨论,一起进步。 在群里我会持续分享时间、过程、工具用法、踩坑记录、选择题思考以及项目的复盘。我们不再是聊概念,和自己一起把爱用起来,把想法变成作品,让他真正赋能于我们的实际生活之中。 感谢你对这期视频的观看,如果呼声高,我下期将会逐步逐步带大家用 obsidian 和 quadas 来搭建属于你的个人知识库。感谢你的观看,我们下期再见!

华尔街的分析师一天到晚到底在干什么?说白了就是建模型、写报告、做代码、整理数据、跑合规这些活的共同点,重复费时间,但不能出错。 antiropic 最近把 cloud 的 金融能力打包开源了十个 ai agent, 覆盖投行研报、私募、财富管理、基金运营合规审查项目,叫 cloud for financial services。 这个项目不复杂,本质上是一套 ai agent 模板,每个 agent 负责一个完整的金融工作流。 比如 pitch agent, 从同业对比、交易先例、杠杆收购模型,一路做到品牌化的 pitch deck earnings reviewer, 读完财报电话会议的记录和 sec 文件,自动更新模型,企草研报 model builder dcf lbo 三表联动模型, 直接在 excel 里跑。 k y c screener 解析客户入职文件,跑规则,引擎标记合规缺口。一共十个 agent, 每个都能独立跑,也能组合使用。 架构设计有个特点,叫一种来源,两种部署,同一套系统提示词和技能文件有两种用法,第一种装成 cloud co work 插件,在 cloud 的 团队界面里交互式使用。 第二种通过 cloud managed agents api 做无头部署,塞进你自己的工作流引擎里自动跑。两种方式底层完全一致,不存在功能差异。整个项目没有翻译步骤,全是 markdown y a m l j s o n 文件拿下来就能改。 数据连接是金融工具的核心,这个项目接了十一个金融数据源, morningstar s 与 p global fatset moodys set peach book the looper chronograph at night mt news wires 全是 mcp 协议对接标准化接口换数据源,只改配置,通过斜杠命令触发操作,比如 coms 跑同业对比斜杠 dcf 跑折现现金流、 earnings 生成财报分析、斜杠 i c memo 写投资委员会备忘录,一共五十多个命令,覆盖投研、建模、进调、合规这些核心场景。 谁在用?挪威主权财富基金 n b i m 全球最大的主权基金拿 cloud 查数据仓库分析九千多家公司的财报,电话会议效率提升大概百分之二十, 换算成人工就是二十一万个小时。巧水那边, a i alex 拿 cloud 当投资分析助手用,说精度到了初级分析师的水平。 visa, 花旗对冲基金、 walley capitol 都在用 walley 四百人的团队。 cloud code 采用率百分之百,不是试点,是全员上线。 跟国内比的话,东方财富有妙想投研助理,中信证券有超级研究员,招商证券的 ai 研究所报告采用率达到百分之七十三。 但 andropit 这个项目的定位不一样,它不是给终端用户的产品,而是给金融机构技术团队的参考架构。 你可以 fork 出来,改成自己的业务术语,合规要求审批流程, apache 二点零协议商用也没问题。当然,有个前提,得有 andropic a p i t。 而且金融数据源的订阅费不便宜。 club for financial services 适合什么人?金融机构的技术团队和做金融科技的创业者,或者单纯想看看 ai 怎么落地。金融场景的项目地址放简介了,感兴趣的可以看看,有用就一键三连,下期见。

别再问 codex、 cloud code、 cursor 谁更强?真正的问题是,你现在是在编辑器里改代码,在终端里调项目,还是想把任务交给代理自己跑? 这三个工具不是同一个物种。 cursor 更像 ai 编辑器, cloud code 更像终端里的工程搭档, codex 更像可以接任务、跑验证交付结果的编码代理。 如果你每天大部分时间都在 id 一 里,先用 cursor, 它适合补全局部重写,选中一段代码直接改,也适合边看文件边问这里为什么这么写。 如果你习惯命令行或者任务离不开日制测试脚本, get 命令, cloud code 很 顺手。它的优势是贴着终端工作,边查项目,边跑命令,边改多文件。 如果你想说清楚目标以后,让代理自己读仓库,改代码,跑测试,总结 diff, 甚至开 pr, 那 codex 更合适。尤其是多任务并行、代码审查、重构和迁移。 所以选择口诀是,人在编辑器里先 cursor, 人在终端里先 cloud code, 任务要交出去跑先 codex。 不是 谁替代谁,而是谁在当前场景摩擦最小。 常见错误是把所有需求都扔给同一个工具,小改动用重型代理会慢,复杂迁移只靠编辑器补全会碎。先判断任务半径,再选工具。 如果你想要一张 ai 编程工具,选择清单,评论区打选型,觉得有用先收藏,关注我,下一条继续拆,真实开发工作流。

我不知道你有没有刷到过有人用苹果电脑在在本地跑这个大模型的新闻,这听上去有点反直觉啊,毕竟一方面字节阿里 花几百亿上千亿买 gpu, 但是另外一方面呢,有人用几千块钱的苹果电脑在本地跑大模型,那所以这个苹果电脑和这个上百亿的 ai 二里中心之间有什么关系呢? 我今天用一条视频,几个数据来给大家解释清楚。首先要搞清楚大模型上的一个基本概念叫做参数啊,英文叫 parameters 啊,它的这个单位呢,是 b 就是 实 e, 嗯,基本上就是说参数越大,你的大模型推理能力越强,越聪明。后来你的问题回答的越好,但是反过来呢,它对于这个算力,对于这硬件的要求肯定就越高,很好理解。 那市面上比较常见的几个开源大模型啊,其中国内的这个阿里的千问 q 问三啊,它的总餐数量是二百三十五币,然后 deep sea v 三和 v 四呢,分别是六百七十一币和一点六 t 币,就是一千六百币, 然后 matta 的 这个拉玛三和拉玛四分别是四百零五币和四百币,那其中这个千问和这个拉玛三分别都有这个适合本进化部署的这个七十币 的这么一个方案啊。然后这些参数量的大模型需要什么样的算力呢?其实很简单啊,原生进度下,一币的参数量需要两 gb 的 内存。那现在还有个叫量化模型,它是压缩后的一币的参数呢,大概对应零点五 gb 的 内存。 所以说一个比较经典的七十 gb 的 这个本计划部署方案,那它大概就需要四十 gb 到一百四十 gb 的 这个内存的空间。然后说到开头的这个问题啊,那个苹果电脑不是几千块钱,咱们常用的 macbook 或者 macbook pro m b p, 他用的呢是零售界的这个算力的顶,他用的呢是这个我们能买了算力服务的天花板 max studio 五一二 gb, 这个美国售价是税前一万四千美金,然后在国内大概是十二万元人民币的这个样子, 他的内存就是我刚刚说的五百一十二 gb, 他 是能用来跑一个七十 b 的 这个大模型方案的,然后他的每秒十五个头寸左右。 如果你嫌这个十二万元人民币的这个方案慢啊,那你就可以考虑一个企业级的方案,一个 mv 的 b 两百八卡服务器啊,它的内存呢,就是单张的 b 两百,它是有六点 hbm 三 e 啊,内存它是三十二 gb 乘以六是有一百九十二个 gb, 然后八卡服务器里面是八张这个 b 两百的卡,所以说超过了一千五百 gb 的 这个显卡内存啊,用来部署这个七十 b 的 大模型,或者说 dspv 三六百七十一 b 都是可以满足的啊,它的这个速度也可以超过每秒一千五百 tokens, 用来同时满足多人,这个问答也都是可以。那它的价格呢?单张币两百是四万美金和人民币大概三十万,然后一个巴卡的服务器呢,是超过,加上各种物料是超过了二百五十万人民币, 大概是二百五十万到二百八十万人民币左右。如果你觉得这个 b 两百八卡服务器还不够满足啊,咱们的企业化诉求,那你就需要 mv 的 最全透产品啊,最明星的史上最强的一个 g b 两百 mv 七二机柜, 由七十二张 b 两百加上三十六张的这个 g c p u 组成,通过非常贵这个 mv link 连接在一起,它的单一售价呢,是超过了两千五百万元人民币。 他的显存是多少呢?是超过了十三 t 币。不管是你用来部署一点六 t 的 这个 d p c v 四,还是任何的这个大模型,都是可以每秒轻轻松松跑到四千 token 以上啊,足够满足你的需求了。 那根据上面这个几个数字来看哈,普通人想买到零售端的算力解决方案,是不可能用来实现大模型的本地化服务的啊。咱们还是老老实实去买三十美金一个月的定月化服务吧。 死了这条心了,评论区告诉我,你还想了解哪一些 ai 数据啊?下一条我继续做。

stark、 stark x 和 stark net 到底是什么? stark 其英文全称为 scalable transparent argument of knowledge, 即可扩展的透明的知识证明方法。 stark 是一个能够证明计算并验证计算的证明系统。他首先处理大型计算,然后生成可以证明计算正确的证明, 最后验证此证明的真实性。 stark 在区块链的可扩展性中发挥着关键作用。 通过此方法,大型计算在链下以开销更小的方式完成,只留下需要一小部分计算的验证在链上完成。换句话说,验证者只在链上执行很少的步骤,就能证明在链下进 型的其余的庞大计算的完整性。 l 二解决方案通过 stark 批量化计算成千上万的交易,然后在链上验证 stark 证明的有效性。链上验证成本由批量交易均摊, 这就保证每笔交易继承以泰方安全性的同时, gas 消耗降低低计算成本的特性将催生出以往无法在链上运行的新型应用。 同时,这些特性使 stark 成为改善用户体验和降低 gas 成本的最佳构建的同时,能够延续以泰方结算层的安全性。 stark wear 用 stark 提供了两种以态方解决方案, stark x 和 stark net stark x。 stark x 适用于创建需 许可的针对特定应用的扩展解决方案框架。 stark x 作为一个有用的应用流程工具箱项目,可以通过它节约成本以进行链下计算。 链下生成能证明执行正确性的 stark 证明,其中包括多达一万两千到五十万币。交易取决于交易类型,然后证明发送给 stark 验证器恋上验证后接受。 这意味着对所有交易进行一次验证,每笔交易分摊的 gas 成本低的惊人。部署在 stark x 上的应用的几个例子是, d i, d x, 永续交易, immutable 和 sororry nft 的铸造和交易, diversify 现货交易和 seller defi 池。 starkware 公司正在根据市场和客户的需求不断向 stark x 添加更多的应用流。 starknet starknet 是无需许可地的 l 二网络, 任何用户或开发者都可以用 carol 语言在 starknight 上部署智能合约。在 starknight 生态部署的合约与在以太方部署体验类似。所有合约都可以与生态系统内任何其他合约交互,实现多样的可组合性。 stark net 上的合约也可以通过一部消息与以太方上的合约交互。 stark x 中应用自己负责提交交易,而 stark net 则需要定序器打包交易再发送进行处理和证明。 计划在未来实现去中心化。这意味着,一旦应用程序在 stark net 上部署了开,若合约就不必再额外处理运营基础设施。 stark net 支持 roll up 数据可用性模式, roll up 的状态会与 stark 证明一起写入以太方庞大的开发者社区正在深度参与 stark net 生态系统建设,积极构建应用工具和基础设施。 dfi, 游戏投票、人工智能等几十个应用已经在测试网上线。此外, starknight 社区还在研发区块浏览器、本地测试环境和架构、多国语言的 sdk 等各种开发者工具。如有任何改进建议, 潜在功能和最优方案都可以在论坛讨论总结, stark x 和 stark net 都是基于 stark 的扩展解决方案,都能实现扩展性、低 gas 费和安全性, 但两者有不同的运行条件和互操作模式。 stark x 更适合独立性较强和匹配 stark x a p i 的协议,而 stark net 更适合需要与其他协议同步交互的协议,以及一些超出 stark x 应用范围的协议。 stark 已经彻底改变了以泰方上应用开发的模式。 stark x 和 stark net 将持续为之前被技术条件限制的应用赋能, 不断探索区块链应用的潜能。

就在我们还在关注马斯克和谁合影的时候,就在刚刚,马斯克输掉了和 o n i 的 关系,这可能会关乎人类 ai 发展的方向。 事情还要从二零一五年说起,当时互联网大佬还在关注购物啊,支付啊,社交媒体啊,但是马斯克和 sam 奥特曼已经发现了机遇和危机,他们不想谷歌霸占 ai 的 发展方向, 于是两个人共同创立了 open。 他 们创立 ai 的 目标是开源非盈利,为人类谋求福子。马斯克不但拿出了最多的三千八百万,还为公司取了名字, 并且拉来了一众的技术人员,可以妥妥的说是公司的联合创始人。可是理想很丰满,现实很骨感, ai 的 烧钱速度远超大家的想象。二零一八年,马斯克提出把 open ai 并入特斯拉, 但是奥特曼坚持 openai 独立发展,不想绑定特斯拉。最终马斯克退出董事会,停止资金资助,双方彻底闹掰。从此 openai 走上了完全不同的发展道路,从非盈利性模式改为有限性盈利。什么是有限性盈利呢?就是 获得的收益不能超过投资的一百倍,并且转头拥抱了微软,获得了一百三十亿美元的投资。二零二二年, chip gbt 一 夜爆火,公司的估值一度达到八千五百亿美元,并且从 开源转为了闭源赚钱。马斯克气坏了,大骂 openai 忘掉了初心,并成为微软的傀儡,转头成立了自己的 ai 公司。恩怨最终闹上了法庭。二零二四年,马斯克起诉 openai 和微软 赔一千三百四十亿美元,核心指控只有一个, openai 放弃了二零一五年成立时的公益初心沦为敛财工具,这场官司被称为 ai 的 世纪大审判, 马斯克说自己被骗了, openai 则反击说是因为马斯克没有获得公司的控制权,转而进行抹黑。在昨天晚上,法院驳回了马斯克所有的诉讼请求, 理由并不是马斯克说的没有道理,只是诉讼时间太晚了。二零一八年你就离开了公司,你早干嘛去了?现在都二零二六年了。 从这场官司我们也可以看出, ai 早就脱离了公益的范畴,变成了一个商业帝国,无数的大佬和他下场,因为大家都明白, ai 就是 下一个互联网,下一个智能手机。