2026年1月

【背景】

最近在实际项目中开始频繁使用「Vibe Coding」(借助 AI 的沉浸式/对话式编程方式),明显感觉到:

  • 写代码的速度变快了
  • 思路更容易被“带起来”
  • 但同时也更依赖使用方式和提示质量

不同人用下来,效果差异非常大。

所以想开个贴,系统性地收集一些大家在 Vibe Coding 过程中的使用技巧、踩坑经验和最佳实践,供彼此参考。


【想重点收集的方向(不限于以下)】

1️⃣ 使用场景

  • 你通常在什么阶段用 Vibe Coding?
    (新功能设计 / 重构 / Debug / 写测试 / 学新技术 / 快速原型等)

2️⃣ 提示词与交互方式

  • 有没有固定的提示结构或习惯?
  • 是偏「一步步引导」还是「直接给大任务」?
  • 如何避免 AI 发散、跑偏、过度设计?

3️⃣ 与真实项目结合

  • 在中大型项目中,如何控制上下文?
  • 如何让 AI 更好地理解现有代码结构、业务边界?
  • 有哪些“必须人来兜底”的关键节点?

4️⃣ 效率与质量的平衡

  • 你是如何判断“可以直接用”还是“只当参考”?
  • 有没有踩过因为过度信任 AI 导致返工的坑?

5️⃣ 工具与模型选择

  • 常用的模型 / IDE / 插件组合
  • 不同模型在 Vibe Coding 下的差异体验

6️⃣ 心态与方法论

  • 如何避免变成“只会改 AI 给的代码”
  • 如何把 Vibe Coding 当成放大器,而不是替代思考


【我个人的期待】

不是那种“神化 AI”或“完全否定”的讨论,而是:

  • 真实经验
  • 具体做法
  • 哪怕是失败案例也非常有价值

欢迎随意分享,哪怕只是一条小技巧 🙌
后面我也会把有价值的内容整理成一份总结。


如果你已经在用 Vibe Coding,你最想提醒新手的一句话是什么?

当网站提示不安全时,通常与SSL证书有关。SSL证书是一种数字证书,用于在客户端和服务器之间建立加密通道,确保数据传输的安全性。

一、解决网站提示不安全的方法

检查SSL证书状态

首先,要检查网站是否已安装SSL证书。
如果已安装,查看证书是否有效,以及是否由受信任的证书颁发机构签发。
如果证书已过期或不受信任,需要更新或重新申请一个SSL证书。

更新或重新申请SSL证书

如果证书已过期,联系证书颁发机构进行续期。
如果证书存在问题(如颁发机构不受信任、证书链不完整等),需要重新申请一个受信任的SSL证书。

二、SSL证书的申请流程

解决网站不安全—SSL证书申请入口

打开JoySSL官方网站注册一个账号。在注册过程中,需要填写注册码230970,以获得免费SSL证书的使用权限。

填写证书申请表
前往SSL证书颁发机构的官方网站,填写证书申请表。
在申请表中,提供域名信息、组织信息和联系信息等。

验证域名所有权
SSL证书颁发机构会对域名所有权进行验证。
常见的验证方法包括电子邮件验证、DNS验证、文件验证或HTTP验证。
根据所选的SSL证书类型,可能需要提供额外的企业身份验证文件。

审核和签发证书
SSL证书颁发机构将对申请进行审核。
十分钟内审核通过,将签发SSL证书,。

安装SSL证书
根据服务器类型和操作系统,按照SSL证书颁发机构的指南安装证书。

通过以上步骤,您可以成功申请并安装SSL证书,解决网站提示不安全的问题。同时,定期检查和更新SSL证书以及服务器设置,可以确保网站的安全性。

我的->设置->通用->首页管理->推荐卡片->详细卡片管理

上面两个用开关没用,需要在下面的所有栏目例如优选栏目等十几个分类里全部关闭。
开启任意卡片都会导致你的支付宝变成抖音。

成功浪费我二十分钟详细分析了支付宝设置里藏了多少垃圾设置,一个个关闭。

PS: 现在几乎所有国产 APP 都一堆软色情,这个支付宝首页就不说了还算收敛,也就放些傻逼 AI 生成的图片/视频,闲鱼首页 tm 给我放一堆女大学生是什么个意思?

今天我突然看到了凡人修仙传那种话题,突然想到了一个问题.

我是在想一个人在不断成功之后,只会越来越成功的吧.从眼神来说,自信这东西基本是不能隐藏的吧.

各位有在生活里见到那种非常自信的人吗?那种东西是可以隐藏的.

如标题,之前用的 cursor 这一切都很简单,后面因为开了 chatgpt 的会员,且听说 codex 很强大,所以转向了 codex 。

于是问题出现了,由于不熟悉 vscode (小弟非专业程序员),在 vscode 里面安装了 codex 插件后,按照网上的教程(甚至问了 gpt ),方案是在工作区目录下添加/.vscode/mcp.json ,添加了 context7 等 mcp 的代码后,codex 说它依然读不到 MCP 资源,说明当前会话仍未桥接到 VSCode 的 MCP 。(之前也尝试过在 vscode 插件区直接安装 context7 等 mcp 服务器也不行)

这个桥接咋搞? codex 让我在 Codex 插件设置里是否有“允许外部 MCP / Bridge MCP”开关(打开),里面好像没有这个东西啊,它自己有个单独的 mcp 配置,难道是必须要在它这里单独设置才行?还是说有什么特殊的开关呢?谢谢各位哥哥姐姐

无论年龄大小、贫富差异,回家过年始终是国人共同的情怀。今年情况特殊,孩子刚出生,我们全家选择在外地过年。少了鞭炮,年味淡了几分,只好在吃喝上多花些心思。头一回给孩子备年货,新玩具也就成了重头戏。

Matrix 首页推荐

Matrix 是少数派的写作社区,我们主张分享真实的产品体验,有实用价值的经验与思考。我们会不定期挑选 Matrix 最优质的文章,展示来自用户的最真实的体验和观点。

文章代表作者个人观点,少数派仅对标题和排版略作修改。


一谈到记忆,有很多朋友会有类似的感受:

我这几年的记性真是越来越差了。

上一秒打开手机,下一秒就不知道该做什么了。

怎么回事?我是什么时候下单的这个快递?一点印象都没有……

昨天晚上吃了什么,干了什么,完全断片了。

……

我也如此。就在此刻,我发现书桌上放着一听刚打开的可乐,却丝毫回忆不起来自己什么时候把它从冰箱里拿出来的——莫不是「田螺姑娘」吧?怎么可能!我该不是得了阿兹海默症吧?!

先别急着担心。这不代表你的大脑生病了,也不一定是衰老的表现。所谓的记性不好、健忘,往往是因为我们误解了大脑的运行机制,把它的正常功能当成了 Bug为了解决这类日常健忘问题去练「记忆宫殿」这种复杂的助记术,往往是杀鸡用牛刀,很难坚持也没必要。1

相比之下,了解大脑的工作原理、调节你的思考方式和生活习惯,才是更轻松更有效的解决方案。

现象一:转头就忘——我刚刚要干什么来着?

很多人都有「转头就忘」的感受:打开手机,本来只想看一眼天气或查一下快递进度,结果看到有微信提醒,就点进去看了一眼。短短几秒的工夫,等你退回主屏幕时就会陷入恍惚:我刚才解锁手机,是要干嘛来着?

这不是手机普及以后才出现的问题。类似现象一直就有,心理学上有个专门的术语叫「门口效应」:你心里想着有件事要做,比如要去卧室拿双袜子,结果走进卧室门口,就有可能忘记你过来的目的。

心理学实验进一步验证了这个现象:研究人员会从桌子上随机拿起一些物品放在盒子里,稍后让受试者回忆盒子里有什么。这个过程中,第一组受试者没有挪动房间,第二组要换到另一个房间去回忆,第三组则是先出去一下再回到原本的房间。

虽然三组回忆的间隔时间一样,但后两组都会出现明显的遗忘现象。这类现象的症结不在「记忆力」,而是出在「注意力」上。

工作记忆 vs 长时记忆

先做一个简单的介绍。想必不少人听过工作记忆(短时记忆)和长时记忆的区别。2

工作记忆是我们大脑中暂时存放和处理信息的记忆系统,可以简单理解成短时记忆的一种。它的特点是记忆时间短、储存容量小3,如果不进行深度加工,里面的信息就会在几秒到数十秒消失不见。

与它对应的是长时记忆。长时记忆就像一间巨大的仓库,可以用来长期、大量地保存我们的记忆。像我们学到的知识、自己的人生经历,骑车游泳写字等技能,都存在长时记忆里。

我们可以把工作记忆想象成一个装有传送带的临时工作台。这个工作台上的包裹主要有两类来源:一类是来自外部的感官信息,比如你看到的画面、听到的声音;另一类是我们大脑内部生成的念头,或是从长时记忆里提取出的记忆,比如要去拿袜子、查快递等。

工作记忆、长时记忆、注意力三者的关系示意(AI 图)

这里有一个至关重要的角色,那就是临时工作台的分拣员——注意力。

由于工作记忆的容量有限,只有被注意力紧紧盯牢的包裹,才有机会留在台面上,进一步加工后存储到长时记忆里。一旦稍不注意,包裹就会从工作台滑落出去,一去不返。

回到之前的门口效应。无论是走进新房间,还是点开新的 APP,本质上都是一次场景上的切换。在切换场景时,新环境会瞬间涌入海量的感官信息,比如光线、布局、颜色、声音等。哪怕你没留意,这些外部刺激也会客观上抢占你的注意力,导致脑子中原本的念头,或是刚刚捕捉到的感官信息,从有限的工作台上被清理出去。当你回过神来,工作台上空空如也,原来的包裹就找不到了。

这就是为什么你会在原地发呆,突然想不起来自己刚才要做的事情。

如何解决门口效应?

门口效应是大脑为了适应新环境而进化出的本能,非常类似于电脑清理缓存,释放内存,从而更好加载新程序,应对新环境里的不确定因素。这是大脑高效运作的表现,没必要去对抗这种生理机制,更不必责怪是记性出了问题。

既然问题的核心在于,场景切换导致注意力转移,那应对的办法也就一目了然了:要么保护注意力不被抢走,要么提前给工作记忆减负。

  1. 减少干扰。应对门口效应,最直接的办法就是避免注意力的转移。建议把高频使用的物品(如剪刀、钥匙、手机)放在固定的显眼位置,把高频软件(如天气、支付)放在手机首屏或使用小组件。减少寻找目标的时间和流程,就能减少被无关信息干扰的风险,让注意力直达目标。
  2. 不断复述。我们在记手机号、车牌号时,会反复念叨这组数字来强化记忆。同理,当你准备从客厅去卧室拿袜子,或者想解锁手机,去购物软件确认快递信息时,可以小声念出来:拿袜子、拿袜子,或查快递、查快递。利用不断的复述,强行把注意力锁定在要处理的工作记忆上,不让它被新的环境信息取代。
  3. 记录下来。如果你要进房间拿三样以上的东西,或者打开手机要处理好几件事,最好的办法不是靠脑子记,而是把它们记录下来。当然,为了避免找纸笔这个动作本身成为新的干扰项,建议在家里常备纸笔,触手可及。很多朋友在手机首屏置顶笔记或清单组件,或设置快捷键,也是有效的做法。
  4. 情境重现。如果你不幸中招,死活想不起来刚刚要干什么,这时最好回到原来的地方去——如果是在客厅产生的念头,就回到客厅;如果是看某个网页想到的事情,就找回那个网页。因为我们的记忆往往是和环境绑定的,当时的视觉、听觉线索会重新激活大脑,帮我们把丢掉的记忆线索重新找回来。

现象二:日常断片——我早饭吃了什么来着?

除了转头就忘,另一个经常让人怀疑自己记忆的日常现象,就是「日常琐事的断片」。想必大家对下面的现象都不陌生:

  • 刚下楼走了没两步,心里突然一沉:门锁了吗?灯关了吗?有时还要跑回去,重新确认一遍才放心。
  • 洗澡洗到一半,手里拿着洗发水发愣:等等,我刚才洗过头发了吗?还是正准备洗?
  • 坐车或开车下班到家,完全回忆不起通勤路上的细节,感觉是瞬移过来的。疲劳、困乏、心里想事情时,这种情况更明显。
  • 今天、昨天、前天的午饭是在哪里吃的?吃了什么?如果不是看外卖记录,大概率啥也想不起来。

每个人的脑海里都有关于自己生活的记忆。这类记忆属于长时记忆的一种,叫作「情景记忆」。有些记忆非常深刻,时隔多年仍历历在目。还有一些虽然刚发生不久,但印象微乎其微。

主流理论认为,情景记忆主要分布在大脑皮质表面(图源:《漫画大脑使用指南》)

情景记忆有一个独特的属性:你不仅记得这件事的内容,还会记得它发生在什么时候、什么地方。也就是说,这类记忆带有「时间戳」和「地点标签」。

然而,如果是日常高度重复、琐碎的情景记忆,大脑在处理时就会变得相当智能,换个角度,也可以说是相当吝啬,这就会出现断片、健忘的现象。

日常记忆:合并压缩处理

对于每天通勤、一日三餐、洗脸刷牙这类高度重复、缺乏情绪波动的日常行为,大脑为了节省认知资源,通常会自动执行「合并同类项」的操作。

拿吃早餐这件事举例:每天早晨,你都会在早上 8 点前后,从冰箱里拿一瓶牛奶,一枚即食溏心蛋,再从餐桌上拿一片面包,花上 5 分钟在自家餐桌前吃完。由于每天吃早餐的场景和内容没有显著差异,大脑为了优化空间,不会把每天吃早餐的画面分别存储为一个个独立的记忆文件,而是把过去成千上万次吃早饭的经历,整合压缩成一个通用的、细节模糊的「模板文件」。

所以,假设你试图回忆昨天早饭吃了什么,大脑首先检索到的是这个通用模板,即家中餐桌旁的空间场景,外加牛奶、鸡蛋、烤面包老三样,而不会直接提供给你昨天早晨吃早餐的具体画面。再加上昨天的早餐没什么特殊的地方,缺乏特征值,这个记忆自然就被淹没在日常中,给你一种遗忘了的错觉。

反常记忆:单独标记储存

那么,什么时候我们会清楚地记住一个情景呢?答案是当惯例被打破的时候

用过智能监控摄像头的朋友应该知道,这类设备有一个标配功能,叫「移动侦测」:在监控画面静止、没有明显变化时,比如空无一人的楼道,画面会被循环覆盖,不占用硬盘空间;只有检测到画面内容出现变动,比如有外卖员经过,才会触发更多功能,这段视频才会被长期保存。

静止状态 vs 移动侦测摄像头原理(AI图)

我们的大脑在记忆日常事件时也是类似的机制。回到吃早餐的场景。假如某天早上,你突然不想吃牛奶面包,而是泡了一碗螺蛳粉,搞得满屋满身的味道。那么这个高度差异化的早餐情景,就会触发大脑的录像功能。大脑会识别出差异,再给它打一个鲜艳的标签,单独存档收藏。哪怕过上很多年,你都不会忘记那天早上把螺蛳粉当早餐,后来在通勤地铁上被其他乘客翻白眼的尴尬记忆。

所以如果你怎么也想不起上周三的午饭吃了什么,或者昨天地铁上发生了什么,没有必要责怪自己记忆不好。日常断片说明你的生活状态非常规律、平稳,而你的大脑正在按部就班地运行,把那些没有亮点的日常记忆打包压缩——这样做是为了留出宝贵的空间,帮你储存那些真正独特、重要的人生关键事件 。

如何加深情景记忆?

既然明白了情景记忆的机制,反过来,如果我们想要记住某件生活中的事情,或者想让某段回忆更深刻,就必须主动介入,让这段记忆具有更鲜明的特征。

这里有几个好方法:

  1. 多感官调动。如果你正在经历一个美好的时刻,比如纪念日和恋人共进晚餐,想把它深深印在脑海里,那么可以更积极地调动你的多个感官:闻一闻食物的香气,观察一下餐具的独特花纹,聆听餐厅的背景音乐,摸一摸椅子的触感……收集的感官细节越多,这个记忆的内容就越丰富,大脑就不太会把它当成普通的事件,完全合并到记忆模板里。
  2. 留下线索。很多人都有漏服药物的困扰。尤其是要长期、规律服用的药物,吃药这个动作早已变成自动化的行为,很难在记忆中留下深刻印象。「留下线索」是记忆这类重复事件的好办法。比如在药瓶旁边放一个日历本或便签纸,吃一次打一次卡,留下文字。再比如按照医嘱,把吃药和相同周期的事情绑定在一起——早晚服用的药,就把药瓶放在牙膏杯旁,规定吃完药才能刷牙。这样做一举两得,既利用刷牙的习惯带动了吃药,又能通过是否刷牙,确认自己刚才是否吃过药了。
  3. 仪式动作。针对日常的强迫行为,一个有效的办法就是加入固定的仪式。比如,当你在锁门、关煤气时,最好加入一个仪式性的检查动作,比如采用工业界常用的「指差唤呼」法:手指指着煤气开关/锁眼,眼睛看着它,出声地说出:煤气关好、门已锁好,再出门离开。这样的仪式动作,会给下意识的锁门动作加一个标签,让你事后能更好地提取。如果是严重的强迫症,有可能是生理、心理或环境等多重因素出了问题,需要及时就医治疗。
  4. 记录下来。必须承认,即便加上了丰富的感官信息、特殊线索、仪式动作,大脑仍不擅长记忆重复的生活细节。因此,最可靠的记忆法,还是减轻大脑的负担,用好「第二大脑」,也就是外部工具。比如我现在每次在商场停完车,第一件事就是掏出手机拍张照,把楼层号和车位号拍清楚。和朋友家人的珍贵记忆,也会记录在相册里,并且养成记日记的习惯,再借助聊天记录、浏览器历史记录、邮件这些外部辅助帮助回忆和提取。
常见的加深情景记忆的方法(AI图)

当然,随着年龄增长,负责情景记忆的海马体功能确实会逐渐衰退,这是自然的生理规律。所以,如果你发现自己的情景记忆不如从前,不要过度焦虑,更不要自我否定。接受日常琐事的适度遗忘,把有限的精力留给值得铭记的人和事,才是应对时间和衰老最好的办法。

现象三:看过就忘——那篇文章讲了什么来着?

如今的学习工具、效率软件越来越便捷:以前做笔记要手抄,现在 OCR 一键复制;以前整理资料要剪报,现在网页插件一键剪藏;以前长文章要自己读,书要自己一页一页看,现在 AI 一键总结,1 分钟就能速通……

在这种丝滑的收藏、囤积、速读的背后,其实很容易造成一种理解的错觉。不少人会发现,我们看过的文章、学过的知识,似乎比以前更容易忘记,好像是自己的学习能力退化了、记忆力不够好。但实际上,这往往是学习方式不当造成的结果。

相关内容很多派友写文章讨论过。之前讲学习原理和核心要素的文章里,我也详细地聊过这个问题如何解决(参考第三板块),感兴趣的朋友可以去阅读。下面再从记忆的机制角度,去讲清楚为什么会出现这种学得快、忘得也快的现象。

存储强度 vs 提取强度

前面我们讲了「情景记忆」,它是长时记忆的一种。

长时记忆还有很多种,和学习关联最紧密的一类,叫作「语义记忆」,你可以把它理解成大脑数据库或图书馆,你学到的所有知识点、事实、概念、词汇、公式等,全都存放在里面。

语义记忆被认为广泛分布在大脑皮层(图源:《漫画大脑使用指南》)

学习的时候,很多人应该和我一样,总觉得自己记性不好,学完就忘。但严格来说,「忘记了」这个表述是不准确的。从认知心理学的角度来看,真正存入长时记忆的知识,极难被彻底抹除。前面讲过,长时记忆像一个巨大的仓库,一旦学会了某个知识,就好比把它放进了仓库,真正的问题往往不是记忆丢失了,而是索引丢失了,也就是指向这个记忆的线索找不到了。

心理学家比约克夫妇认为,记忆有两个独立的指标:一个叫存储强度,一个叫提取强度(Bjork, 1992)。

存储强度说的是一件事被记住之后,记得有多牢。这个观点否认了「记忆会消失」的传统观点,认为长期记忆一旦形成,它就会几乎永远存储在我们的大脑中;而提取强度,是指此刻你能不能把这个记忆取出来,容不容易回忆起来。而我们通常说的「记住后遗忘」,是指之前记到脑子里的事情,提取强度减弱,难以提取出来的现象。

存储强度vs提取强度四象限(AI图)

从这两个概念出发,会组合出四种记忆的情况:

  • 存储强度低 + 提取强度低,也就是记得浅、容易忘的事情。

比如草草看过的一篇文章,刷短视频一看而过的冷知识。我们都有过这种经历:一本书/一部电影/一个帖子都快看完了,突然想起来:天哪,我以前居然看过?这就是典型的例子,因为之前没有经过深度加工,它在大脑里留下的痕迹微乎其微,如果不是重看一遍,你压根不可能把它从脑海里调取出来。这类记忆是「知识囤积」的重灾区。

  • 存储强度低 + 提取强度高,是指记得浅,但还没忘的事情。

考前突击背下来的重点、餐厅排队的号码、出差住的房间号、熬夜肝完一整部悬疑片的剧情,都属于这类记忆。此时此刻,这个内容在你脑海里还很清晰,你还会有种「我记住了」的错觉。但实际上,这种记忆存储强度很低,只要任务一结束,比如考完试、退了房、吃完饭,就会很快忘记。这类记忆往往跟突击学习、集中学习有关,最适合用「间隔复习」的方法巩固扎实。

  • 存储强度高 + 提取强度低,是指之前记得牢,但当下想不起来的事情。

比如年轻时用过很久的QQ号,好几年没用的英语熟词,多年没唱过的一首歌。这些知识其实并没有丢,它们依然存在于你大脑的深处,但因为太久没有使用,一时半会想不出来了。对这类知识,往往不需要像新知识一样花大量时间学习,只要一点点线索,比如告诉你QQ号前两位,尘封的记忆就会唤醒。所以定期维护、适当复习就可以保持。

  • 存储强度高 + 提取强度高,是指记得牢、想起来也快的事情。

比如基础常识(中国的首都、九九乘法表),你自己的生日、从未改过的手机密码,或是追了多年的偶像八卦等。无论你是在什么样的状态下,都能不假思索地想起这些事情。这些知识已经内化成了你的一部分。这类记忆,才算是真正的「学会了」。而学习的最终目的,就是通过不断的练习,把知识从前面几个类型,最终转化成这种「自动化」的知识。

提升记忆的「必要难度」

对比这四种情况,我们会发现:那些让我们感觉舒服、丝滑的学习方式,要不就是「存储低+提取低」的无效囤积模式,比如一键收藏、课堂PPT拍照、疯狂下载资源;要不就属于「存储低+提取高」的突击学习区,比如反复阅读、高亮划线、立刻看答案、跟教程同步操作等。这些学习都不利于形成真正扎实的记忆,并非记忆力本身出了问题。

那么正确的方法是什么呢?比约克夫妇提出了一个反直觉的理论,叫做「必要难度」(Bjork, 1994)。这个理论说明了记忆运作的一个核心机制:存储强度的增长,与当下的提取强度成反比。简单来说就是,你现在把知识提取出来的过程越痛苦,它以后在脑子里扎根就越深。

必要难度的原理(AI图)

这个道理听起来很复杂,但有健身经验的朋友不会陌生:轻松的学习类似于举空杆,你拿着一根重量很轻的杆子,随便举上几下,这样做虽然轻松,但因为无法撕裂肌肉纤维,自然也就练不出肌肉。与之相对,每次如果动作都能到位、举铁时做到力竭,肌肉纤维的撕裂,就会伴随着随后的重组和再生。

所以,新学的知识立刻就复习,学习效果一般;只有在适度的遗忘后,当合上书本,尽可能主动回忆学过的内容。这个过程会让你皱眉、挠头、有点大脑短路,但这样的效果是最好的,最有利于存储强度的提高。

遗忘到底有什么用?

理解了不同的记忆机制,我们可以再度审视「遗忘」这件事的意义。在学习的过程中,遗忘绝非一无是处,甚至可以说没有遗忘就没有学习。它扮演了三个至关重要的角色:

第一,在工作记忆阶段,它是注意力的过滤器。

第一部分我们提到,环境里的过量信息会让大脑过载,遗忘可以帮我们过滤掉无关信息的干扰,让大脑能够专注在最重要的事情上,起到筛选的作用,只有真正有价值的信息才有可能得到进一步加工,被长时间记忆。

第二,在长时记忆阶段,它是强化存储、认知概括的必要条件。

根据「必要难度」理论,遗忘其实创造了必要的难度。正因为有了遗忘,提取强度降低,你才需要费力去想;正因为费力去想,大脑才会判定这个信息很重要,从而大幅提升存储强度。

此外,遗忘还能让我们忘记无关紧要的细节,提取本质,更好地进行抽象和概括。这就好比我们最开始遇到一张脸,会记住丰富的面部特征,比如皮肤状态、发型、化妆等,然而过阵子我们再见到对方,对方可能会有发型、妆造上的变化,但你依旧能记得他,就是因为大脑帮你遗忘掉了一些细节,从而让你更好地概括这个人的面部特点,从而形成持久、稳定的记忆模型。

第三,在生活层面,它是我们维持内心秩序、适应当下环境的必要手段。

试想一下,如果每一次失恋、每一次尴尬都像刚发生时那样鲜活、强烈,我们的心灵早已不堪重负。大脑通过遗忘机制,帮我们剥离了记忆中过载的情绪,让我们只记住经验教训,逐渐淡忘当时剧烈的痛感,从而从创伤中走出。另外,遗忘还能清除过时的认知。比如你搬了家,必须淡忘旧地址的牢靠记忆,新家的路线才能顺利储存。如果旧的记忆不消退,它们就会像幽灵一样不断干扰当下的生活,制造远超想象的麻烦。

如果一个人什么都忘不掉,他的大脑反而会因为由于信息过载而陷入混乱,导致认知功能低下。

苏联有一个名叫谢雷舍夫斯基的记忆奇人,他拥有近乎无限的记忆力,但因为无法遗忘,大脑被海量的感官细节填满。这导致他极度缺乏抽象的能力——既读不懂诗歌的隐喻,也没法进行复杂的逻辑推理。

这种现象在一些高功能自闭症患者身上也有体现:他们能像照相机一样记下场景信息,但正因为细节太多、太清晰,反而阻碍了他们去理解场景背后的社交语境和核心意义,遇到微小的环境变化,就会感到不安和焦虑。这也再次证明,如果不删减细节,大脑就无法构建出有意义的模型。所以,日常健忘很多时候是大脑在进行正常的垃圾清理和信息筛选,是为了维持大脑的高效运转,并不是我们担心的机能衰退。

借助这些原理,再去回看上篇文章里讲到的各种强化记忆的方法,如主动参与、写作、间隔复习、睡眠等等,就会更能理解其中的道理。这里就不再赘述了。

小结

虽然我们每天都把记忆、遗忘这些词挂在嘴边,但记忆实际上不是一种单一的能力,而遗忘也不是一件全然的坏事。

不同种类的记忆(AI图)

这篇文章里我们讲到了工作记忆和长时记忆,以及长时记忆中,属于陈述性记忆(也叫外显记忆)的「情景记忆」和「语义记忆」。受限于篇幅,长时记忆家族中另一位重要成员,非陈述性记忆家族的「程序记忆」,比如系鞋带、骑车、母语阅读等,本文就不再展开了。未来有机会,我会放到「练习」这个主题专门讲。

如果大家感兴趣,我还想用一篇文章再写一些常见的记忆障碍和经典案例。比如随着年龄增长出现的记忆衰退,或是话到嘴边却想不起来的舌尖现象,甚至是疾病导致的严重失忆等,和大家一起深入了解记忆的原理。

扩展阅读:注意力使用不完全报告

 

> 关注 少数派小红书,感受精彩数字生活 🍃

> 实用、好用的 正版软件,少数派为你呈现 🚀

    在开发交易工具或量化策略时,选择一个靠谱的数据源往往是第一道坎。
    市面上的选择浩如烟海,从老牌的 Alpha Vantage 到行业标杆 Polygon.io,各有所长。但在 2026 年的今天,对于独立开发者和中小型量化团队来说,“开发者体验”(DX)和 “性价比” 正成为选型的决定性因素。

    今天,我们站在工程落地的角度,对三款主流美股数据 API 进行一次深度盘点。

    1. Polygon.io:行业的“黄金标准”
      定位:机构级、低延迟。

    优势:Polygon 直接连接美国交易所的数据流(SIP),提供极致的低延迟。其 WebSocket 稳定性极高,几乎是高频交易团队的首选。其 API 文档被誉为行业教科书,规范且详尽。

    适用场景:预算充足、服务器部署在北美(AWS us-east)、对毫秒级延迟极其敏感的机构团队。

    考量点:价格门槛。如果要获取 Level 2 (盘口深度) 数据或解锁全市场权限,每月的订阅费对于独立开发者来说是一笔不小的开支。

    1. Alpha Vantage:经典的入门之选
      定位:技术分析、初学者友好。

    优势:它是无数 Python 教程的常客。AV 最大的特色是内置了大量 技术指标 (Technical Indicators) 计算,比如直接返回 RSI、MACD 的值,省去了开发者在客户端手写公式的麻烦。

    适用场景:做策略回测、技术分析研究、不需要高频实盘数据的学生或研究员。

    考量点:近年来其免费版的限流策略(Rate Limit)日益严格,且主要侧重于日线/分钟线级别的聚合数据,在 Tick 级实盘推送 能力上相对较弱。

    1. TickDB:专为开发者打造的“全能新秀”
      定位:高性价比、全球聚合、极客友好。

    优势:TickDB 是近年在 GitHub 社区活跃起来的新兴力量,其架构设计非常符合现代全栈开发者的直觉。

    All-in-One (万能转接头):它打破了市场壁垒。你只需维护一套代码,就能同时接入 美股 (US)、港股 (HK)、加密货币 (CRYPTO) 和 外汇 (FOREX)。对于做跨市场套利的团队来说,这能极大降低系统复杂度。

    极简集成 (RESTful):如果你喜欢 Polygon 的设计风格,你会对 TickDB 感到亲切。标准的 JSON 格式,不依赖臃肿的 SDK。

    亚洲优化:针对亚洲地区(中国大陆、香港、新加坡)的开发者,TickDB 优化了边缘节点的连接速度,缓解了跨洋传输的高延迟痛点。

    下放高级权益:它向普通开发者开放了 Level 2 (订单簿深度) 和 WebSocket 推送,这在其他平台通常是企业级套餐的专属。

    💻 代码体验:Talk is Cheap
    TickDB 的接入方式非常 "Pythonic",没有任何多余的动作。

    注意:与部分 API 不同,TickDB 的聚合查询参数名为复数 symbols,这允许你一次请求同时拉取 AAPL.US 和 BTCUSDT 的最新报价。

    import requests
    
    # 目标:获取 AAPL (美股) 和 BTC (加密货币) 的实时快照
    url = "https://api.tickdb.ai/v1/market/ticker"
    
    # ✅ 关键点:参数名为 'symbols' (复数),支持逗号分隔
    params = {
        "symbols": "AAPL.US,BTCUSDT"
    }
    
    # 🔑 极简鉴权:只需 Header 带个 Key
    headers = {
        "X-API-Key": "YOUR_REAL_KEY"
    } 
    
    try:
        resp = requests.get(url, headers=headers, params=params)
        data = resp.json()
        
        if data['code'] == 0:
            for item in data['data']:
                print(f"Symbol: {item['symbol']}, Price: {item['price']}")
        else:
            print(f"Error: {data['message']}")
            
    except Exception as e:
        print(f"Request failed: {e}")

    30 多年没有发生过,2025 年开始出现,第一次挺吓人,不知道原因,心跳最高 215 (苹果手表测量),用自带苹果手表心电图测量,打印出来去医院,医生看完后,告知是‘室上性心动过速’,才知道这个词,刚刚又 210 了,冷水洗脸、闭住呼吸,都没法降下来,最后咳嗽才立马回复到 110 ,

    健康最重要.....其他的都是屁

    1.人生百年,蜉蝣一日,长生于我何哉?不若二三好友,弈棋饮酒,良缘佳侣,人间携手。风光百年,同归尘土,但,问道之心,终归难改,纵使蹉跎一生,也要争那一线生机,只因幼时便知,人生如棋,落子无悔。

    2.生苦短,终归尘土,凭什么仙家可以遨游天地,而我等凡人只能做这井底之蛙。韩立,这世间多少好景色,你就代为师去看看吧。

    3.活得久了,就愈发觉得,这世上有些东西,比自己的性命还重要。

    4.你呀,一定可以的!或许起点越低,遇到真正改变自己命运的机会时,就会抓得越牢,这并没有什么可耻的。只要知道想去哪里,还有自己是从哪里出发的就好。

    5.韩大哥 没有灵根 真的不能修炼吗?

    马上年底了,日常过的随意,没有健康的生活习惯

    27 岁了,感觉小毛病越来越多了。

    只做过两次两三百块入职体检,基本算走个流程

    这两天研究了下正规的体检,两三千起步,好像还不能走医保余额,不知道该选什么样的

    先挂了个三甲全科门诊,南京江苏省人民医院,看看医生有什么检查建议

    前面 27 年基本不怎么关注健康,往后应该会越来越重视自己的健康问题,是不是到了年龄的分水岭🥲


    1. 脖子后面右侧的包

    • 最近一年发现的,想查一下是什么


    2. 肺

    • 22 年底:得过一次新冠,烧了约一星期,咳嗽时整个肺像被撞了一样疼,之后断断续续咳嗽了小半年
    • 24 年底:得过一次甲流,之后很长一段时间特别容易咳嗽,一咳起来就停不住
    • 有段时间,持续了大概一个月左右,吃完饭,只要咳一下就会一直忍不住咳,能咳到吐、把吃的饭吐出来才停
    • 想拍 CT 检查肺有没有问题


    3. 鼻炎

    • 从小就有的问题,一直没特意检查过,想检查一下


    4. 耳鸣和说话耳朵像被堵住

    • 从小就有的问题,可能是十来岁时得过一次中耳炎之后开始的
    • 耳鸣 24 小时都有
    • 经常有些发音像被耳朵堵住,主要是后鼻音的字(如「嗯」)
    • 剧烈运动后或频繁擤鼻涕后更明显
    • 偶尔感觉耳朵里有一层膜在鼓起来、收回去


    5. 肠胃

    • 早饭吃两块饼干或一根火腿肠垫一下基本没问题
    • 一吃正常早餐(豆浆、油条、包子),约半小时内就要上卫生间,大便多不成型、偏稀
    • 秋冬天冷时特别容易拉肚子,外面板凳稍凉一点,吃完就很容易拉稀


    6. 肛门

    • 最近两年大便后擦纸上总有血
    • 24 年:有一次蹲久了可能脱肛,当时在卫生间自己按回去了,只发生过一次
    • 有段时间大便时会滴几滴血,最近不滴了
    • 最近半年基本每次大便结束擦都能擦出血
    • 上周洗澡时往两边掰了一下,会感觉有撕裂样疼
    • 需不需要做一次肠胃镜


    7. 泌尿、前列腺

    • 近半年有段时间小便特别疼,精液发红,持续不到一周
    • 可能与那段时间手淫较频繁有关

    在跨境电商、数据采集、账号管理等场景中,日本动态IP正被越来越多的用户关注。但很多人仍然有疑问:

    日本动态IP稳定吗?

    适不适合跨境业务?

    用户爬虫会不会容易被封?

    本文IPDEEP将从稳定性、适用场景、优缺点等多个角度,全面解析日本动态IP,帮助大家快速判断是否符合自己的业务。
    日本动态 IP 稳定吗?适合跨境和爬虫吗?

    一、日本动态IP是什么?

    日本动态IP,指的就是IP地址会定期自动更换的日本本地IP资源。与静态IP不同,动态IP通常来自:

    日本本地 ISP

    数据中心或住宅网络

    IP池轮换分配机制

    核心特点只有一个:同一个用户在不同时间访问,出口IP会发生变化。

    二、日本动态IP稳定吗?

    这是用户最关心的的问题。答案是:稳定性取决于IP来源和服务商质量,而不是“动态”这个属性本身。

    1.从连接层面看稳定性

    高质量的日本动态IP通常具备:

    日本本地低延迟

    稳定的网络带宽

    连续请求不掉线

    在正常访问、合规请求频率下,稳定性是可以满足业务需求的。

    2.日本动态与静态IP对比

    结论:动态IP并不等于不稳定,而是“适合不同用途”。

    三、日本动态IP适合跨境业务吗?

    适合的跨境场景:

    日本动态IP在以下跨境业务中非常常见:

    跨境电商平台访问与调研

    市场竞品数据分析

    内容可用性/地区限制测试

    商品价格、库存、评价监控

    优势在于:

    IP自动轮换

    不易被平台识别为单一用户

    更接近日本真实访问环境

    不太适合的场景:

    需要长期固定登录后台

    多天持续绑定同一个IP的账号

    对IP变动极度敏感的平台

    这类场景更适合使用日本静态IP。

    四、日本动态IP适合爬虫和数据采集吗?

    答案是:适合,但必须“用对方式”。

    优势:

    1.降低封禁IP的风险

    动态轮换可有效避免高频请求导致的封禁。

    2.提高采集成功率

    更接近真实用户访问路径

    3.可规模化使用

    适合中小规模爬虫、定时采集任务。

    五、总结:日本动态IP值得用吗?

    适合跨境访问、数据采集、风控规避类业务,不适合强依赖固定IP的账号型场景。

    今日,商汤正式开源多模态自主推理模型 SenseNova-MARS(8B/32B 双版本),其在多模态搜索与推理的核心基准测试中以 69.74 分超越Gemini-3-Pro(69.06 分)、GPT-5.2(67.64 分)。

    SenseNova-MARS是首个支持动态视觉推理和图文搜索深度融合的 Agentic VLM 模型,它能自己规划步骤、调用工具,轻松搞定各种复杂任务,让AI真正具备“执行能力”。

    在 MMSearch、HR-MMSearch、FVQA、InfoSeek、SimpleVQA、LiveVQA等基准测试中,SenseNova-MARS取得开源模型中的 SOTA 成绩,还超越Gemini-3.0-Pro、GPT-5.2等顶级闭源模型,在搜索推理和视觉理解两大核心领域全面领跑。更多细节请参见技术报告(https://arxiv.org/abs/2512.24330),欢迎开发者、各行业用户测试与体验。

    全能冠军,自主解决复杂问题

    SenseNova-MARS在多项多模态搜索评测中展现出明显的领先优势,平均得分达到 69.74 分,成功超过了 Gemini-3-Pro 的 69.06 分与 GPT-5.2 的 67.64 分。

    图片

    在MMSearch 榜单(图文搜索核心评测)中,模型以 74.27 分登顶,超越GPT-5.2(66.08 分);HR-MMSearch(高清细节搜索评测)中 54.43 分领先,显著拉开与闭源模型的差距。

    图片

    HR-MMSearch的测试题目堪称“AI界的奥林匹克”:采用305张2025年最新的4K超高清图片,确保AI无法依赖旧知识“作弊”;所有问题都针对图片中占比不到5%的细节,比如小标志、小字、微小物体,必须用图像裁剪工具才能看清;覆盖体育、娱乐文化、科学技术、商业金融、游戏、学术研究、地理旅行等八大领域,60%的问题都需要至少使用三种工具才能解答。

    用组合拳,解决真实场景问题

    SenseNova-MARS还能实实在在落地到我们生活和工作的场景,解决需要“多步骤推理+多工具协作”的问题。

    普通AI的工具调用,要么只能搜文字,要么只能看图片,遇到需要“先放大细节、再识别物体、最后查背景”的复杂任务就束手无策。

    图片

    对识别赛车服微小 logo + 查询公司成立年份 + 匹配车手出生年月 + 计算差值’的复杂任务,SenseNova-MARS 可自主调用图像裁剪、文本 / 图像搜索工具,无需人工干预完成闭环解答。

    图片

    SenseNova-MARS能从产品和行业峰会的照片中,识别企业的标志,快速搜集产品、企业的信息,以及时间、数量、参数等细节要素,辅助分析行业情况和格局。

    图片

    SenseNova-MARS能从赛事照片中识别画面中的logo、人物等信息,追溯比赛或人员背景信息,帮助快速补充重要细节。

    图片

    SenseNova-MARS甚至能够轻松处理,这类超长步骤的多模态推理,和超过三种工具调用,自动裁剪分析细节、搜索相关研究数据,快速验证假设,得出关键判断。

    拥有这种“自主思考+多工具协作”的能力,SenseNova-MARS能够自动解决“细节识别 + 信息检索 + 逻辑推理”复杂任务,帮助实现工作效率提升。

    • 图像裁剪:能精准聚焦图片上的微小细节,哪怕是占比不到5%的细节——比如赛车手衣服上的微小logo、赛事照片里观众席的标语,都可通过裁剪放大清晰分析。
    • 图像搜索:能在看到物体、人物或场景,的瞬间自动匹配相关信息——比如识别出赛车手的身份,或是某款冷门设备的型号。
    • 文本搜索:能快速抓取精准信息——无论是公司成立年份、人物出生年月,还是最新的行业数据,都能秒级获取。

    从练中学,形成“经验”和“直觉”

    SenseNova-MARS采用了“因材施教”的训练方法。

    第一阶段:打基础。针对跨模态多跳搜索推理训练数据稀缺的痛点,创新性的提出了基于多模智能体的自动化数据合成引擎,采用细粒度视觉锚点+ 多跳深度关联检索的机制,动态挖掘并关联跨网页实体的逻辑,自动化构建高复杂度的多跳推理链路,同时引入闭环自洽性校验来去除幻觉数据,构造出具备严密逻辑链条与高知识密度的多跳搜索问答数据。用精心筛选的“高难度案例”做教材,每个案例都标注了“该用什么工具、步骤是什么”,让AI先学会基本的“破案逻辑”。这些案例都是从海量数据中挑出的“硬骨头”,确保AI一开始就接触真实复杂场景。

    第二阶段:练实战。采用“强化学习”——就像侦探在一次次破案中积累经验,AI每做对一次决策(比如选对工具、步骤合理)就会获得奖励,做错了就调整策略。为了避免AI“学偏”,研究团队还加了个“稳定器”——BN-GSPO算法,让它在处理简单题和复杂题时都能保持稳定进步,不会出现“偏科”。 这种基于双阶段归一化的优雅机制有效平滑了动态工具调用返回分布多样性带来的优化波动并确保了学习信号分布的一致性,从而成功解决了跨模态多步多工具智能体训练过程中的收敛性难题。

    经过这样的训练,AI不仅学会了用工具,更培养"工具使用直觉"——知道在什么情况下应该使用哪些工具,以及如何将不同工具的结果有机结合起来。

    模型、代码、数据全开源:
    商汤日日新SenseNova-MARS模型、代码、数据集全开源,支持 Hugging Face 直接下载。

    Github 仓库:
    https://github.com/OpenSenseNova/SenseNova-MARS

    模型仓库:
    32B:
    https://huggingface.co/sensenova/SenseNova-MARS-32B

    8B:
    https://huggingface.co/sensenova/SenseNova-MARS-8B

    今日,商汤正式开源多模态自主推理模型 SenseNova-MARS(8B/32B 双版本),其在多模态搜索与推理的核心基准测试中以 69.74 分超越Gemini-3-Pro(69.06 分)、GPT-5.2(67.64 分)。

    SenseNova-MARS是首个支持动态视觉推理和图文搜索深度融合的 Agentic VLM 模型,它能自己规划步骤、调用工具,轻松搞定各种复杂任务,让AI真正具备“执行能力”。

    在 MMSearch、HR-MMSearch、FVQA、InfoSeek、SimpleVQA、LiveVQA等基准测试中,SenseNova-MARS取得开源模型中的 SOTA 成绩,还超越Gemini-3.0-Pro、GPT-5.2等顶级闭源模型,在搜索推理和视觉理解两大核心领域全面领跑。更多细节请参见技术报告(https://arxiv.org/abs/2512.24330),欢迎开发者、各行业用户测试与体验。

    全能冠军,自主解决复杂问题

    SenseNova-MARS在多项多模态搜索评测中展现出明显的领先优势,平均得分达到 69.74 分,成功超过了 Gemini-3-Pro 的 69.06 分与 GPT-5.2 的 67.64 分。

    图片

    在MMSearch 榜单(图文搜索核心评测)中,模型以 74.27 分登顶,超越GPT-5.2(66.08 分);HR-MMSearch(高清细节搜索评测)中 54.43 分领先,显著拉开与闭源模型的差距。

    图片

    HR-MMSearch的测试题目堪称“AI界的奥林匹克”:采用305张2025年最新的4K超高清图片,确保AI无法依赖旧知识“作弊”;所有问题都针对图片中占比不到5%的细节,比如小标志、小字、微小物体,必须用图像裁剪工具才能看清;覆盖体育、娱乐文化、科学技术、商业金融、游戏、学术研究、地理旅行等八大领域,60%的问题都需要至少使用三种工具才能解答。

    用组合拳,解决真实场景问题

    SenseNova-MARS还能实实在在落地到我们生活和工作的场景,解决需要“多步骤推理+多工具协作”的问题。

    普通AI的工具调用,要么只能搜文字,要么只能看图片,遇到需要“先放大细节、再识别物体、最后查背景”的复杂任务就束手无策。

    图片

    对识别赛车服微小 logo + 查询公司成立年份 + 匹配车手出生年月 + 计算差值’的复杂任务,SenseNova-MARS 可自主调用图像裁剪、文本 / 图像搜索工具,无需人工干预完成闭环解答。

    图片

    SenseNova-MARS能从产品和行业峰会的照片中,识别企业的标志,快速搜集产品、企业的信息,以及时间、数量、参数等细节要素,辅助分析行业情况和格局。

    图片

    SenseNova-MARS能从赛事照片中识别画面中的logo、人物等信息,追溯比赛或人员背景信息,帮助快速补充重要细节。

    图片

    SenseNova-MARS甚至能够轻松处理,这类超长步骤的多模态推理,和超过三种工具调用,自动裁剪分析细节、搜索相关研究数据,快速验证假设,得出关键判断。

    拥有这种“自主思考+多工具协作”的能力,SenseNova-MARS能够自动解决“细节识别 + 信息检索 + 逻辑推理”复杂任务,帮助实现工作效率提升。

    • 图像裁剪:能精准聚焦图片上的微小细节,哪怕是占比不到5%的细节——比如赛车手衣服上的微小logo、赛事照片里观众席的标语,都可通过裁剪放大清晰分析。
    • 图像搜索:能在看到物体、人物或场景,的瞬间自动匹配相关信息——比如识别出赛车手的身份,或是某款冷门设备的型号。
    • 文本搜索:能快速抓取精准信息——无论是公司成立年份、人物出生年月,还是最新的行业数据,都能秒级获取。

    从练中学,形成“经验”和“直觉”

    SenseNova-MARS采用了“因材施教”的训练方法。

    第一阶段:打基础。针对跨模态多跳搜索推理训练数据稀缺的痛点,创新性的提出了基于多模智能体的自动化数据合成引擎,采用细粒度视觉锚点+ 多跳深度关联检索的机制,动态挖掘并关联跨网页实体的逻辑,自动化构建高复杂度的多跳推理链路,同时引入闭环自洽性校验来去除幻觉数据,构造出具备严密逻辑链条与高知识密度的多跳搜索问答数据。用精心筛选的“高难度案例”做教材,每个案例都标注了“该用什么工具、步骤是什么”,让AI先学会基本的“破案逻辑”。这些案例都是从海量数据中挑出的“硬骨头”,确保AI一开始就接触真实复杂场景。

    第二阶段:练实战。采用“强化学习”——就像侦探在一次次破案中积累经验,AI每做对一次决策(比如选对工具、步骤合理)就会获得奖励,做错了就调整策略。为了避免AI“学偏”,研究团队还加了个“稳定器”——BN-GSPO算法,让它在处理简单题和复杂题时都能保持稳定进步,不会出现“偏科”。 这种基于双阶段归一化的优雅机制有效平滑了动态工具调用返回分布多样性带来的优化波动并确保了学习信号分布的一致性,从而成功解决了跨模态多步多工具智能体训练过程中的收敛性难题。

    经过这样的训练,AI不仅学会了用工具,更培养"工具使用直觉"——知道在什么情况下应该使用哪些工具,以及如何将不同工具的结果有机结合起来。

    模型、代码、数据全开源:
    商汤日日新SenseNova-MARS模型、代码、数据集全开源,支持 Hugging Face 直接下载。

    Github 仓库:
    https://github.com/OpenSenseNova/SenseNova-MARS

    模型仓库:
    32B:
    https://huggingface.co/sensenova/SenseNova-MARS-32B

    8B:
    https://huggingface.co/sensenova/SenseNova-MARS-8B

    在大模型从能力展示走向工程落地的过程中,智能体逐渐成为一种可被讨论、可被验证的系统形态。与此同时,一个现实问题开始反复出现:并非所有流程都适合智能体化

    在实际业务中,盲目引入智能体,往往带来的是推理成本上升、系统不稳定以及工程复杂度失控。因此,在“从 0 到 1”之前,建立一套判断流程是否值得交给智能体的评估框架,比选模型和堆工具更重要。

    一、智能体适用范围的基本边界

    从工程视角看,智能体并不是“更聪明的自动化”,而是一种以语言模型为核心控制器的非确定性执行系统。 其价值不在于执行速度,而在于对复杂语义和动态决策的处理能力。

    可以用一句话概括二者差异:

    • 传统自动化:适用于输入明确、路径可穷举、结果必须确定的流程
    • 智能体系统:适用于输入非结构化、路径需动态选择、过程允许纠偏的任务

    当流程本身不存在“理解”和“选择”的空间时,引入智能体反而会放大不确定性。

    二、判断流程是否适合智能体的三维标准

    是否值得智能体化,可以从以下三个维度进行评估。

    1. 输入与逻辑的非结构化程度

    如果流程的输入是高度结构化数据,且处理逻辑可以被完整抽象为规则或算法,那么程序化系统的性价比更高。

    智能体更具优势的场景通常包括:

    • 需要理解自然语言、文档或混合信息
    • 任务目标由文本描述而非参数定义
    • 决策依赖大量非结构化知识的综合判断

    当“理解成本”显著高于“执行成本”时,智能体才具备价值空间。

    2. 决策路径的变动性

    流程是否稳定,是判断智能体必要性的关键因素。

    • 如果 90% 以上的执行路径固定,引入推理只会增加成本
    • 如果每一步决策都依赖前一步结果或外部反馈,且分支难以穷举,智能体的动态规划能力才有意义

    尤其是在需要根据搜索结果、接口返回或中间错误不断调整策略的场景中,规则系统的维护成本会快速上升。

    3. 业务对非确定性的容忍度

    智能体的输出本质上是概率性的,这一特征无法通过工程手段完全消除。

    因此,流程是否适合智能体,取决于业务是否允许:

    • 输出存在差异
    • 过程需要人工确认或二次修正
    • 错误可被发现并纠偏

    在结果必须完全一致、错误代价极高的流程中,应优先选择确定性系统。

    三、从行业实践中抽象出的共性判断点

    在当前阶段,智能体来了这一现象更多体现为一种生产力结构变化,而非单点技术突破。从多个行业实践中,可以总结出三条共性判断准则。

    1. 人工经验密集的流程断点

    如果一个流程中,人的主要价值在于“阅读—判断—选择下一步系统操作”,那么这个位置往往是智能体的天然切入点。

    当人只是做信息搬运,属于自动化问题; 当人承担理解和决策角色,才是智能体能够产生效率溢价的地方。

    2. 高频且难以标准化的任务

    一次性或低频复杂任务,即便适合智能体,投入产出比也往往不成立。

    更具价值的是:

    • 高频发生
    • 每次需求略有不同
    • 无法通过配置化产品完全覆盖的长尾任务

    这是传统软件最难处理、也是智能体最容易体现优势的区域。

    3. 知识更新速度快于规则维护速度

    当流程高度依赖外部知识,而这些知识变化频繁时,维护规则系统的成本会持续上升。

    在此类场景中,结合检索机制的智能体系统,往往能以更低的维护成本实现持续对齐。

    四、智能体化之前的风险过滤

    在决定交给智能体之前,仍需进行基本的风险评估,包括:

    • 是否涉及敏感数据与合规要求
    • 是否存在严格的实时响应约束
    • 模型推理成本是否真实覆盖了人力节省

    智能体适合承担“决策辅助”与“复杂执行”,而不适合替代所有关键控制环节。

    五、结论:判断标准比技术选型更重要

    是否构建智能体,核心不在于模型能力,而在于流程本身的结构特征。

    一个真正适合智能体的流程,通常具备:

    • 非结构化输入与语义驱动逻辑
    • 需要动态调整的决策路径
    • 允许容错与人工校验的闭环机制
    • 高频发生且知识密集

    理性地识别这些特征,才能避免技术滥用,使智能体成为长期有效的生产力工具,而非短期概念叠加

    双侧耳朵全天耳鸣。听力什么都正常。

    先说检查,做过以下检查,包括肝、肾、脾、甲状腺、肠胃镜、胸部 CT 、头部核磁 MRI/MRA/血管造影、颈部核磁 MRI\MRA 、抗体检查、耳镜、鼻镜。

    均没有任何异常和病变, 其中头部和颈部的核磁是多家医院都做过,合一起来一年做了快 10 次核磁。

    吃过的药也很多,多数都是神经类的药物。

    主要症状就是耳鸣。然后偶尔右侧头顶会不舒服一下,不算是疼痛,就是一点点轻微的不适感,偶尔还会有一点酸疼的感觉。

    但是耳鸣没有影响我的睡眠,入睡是比较轻松的。