财政部借短债买长债的微观操作,短期内看似缓解了长短利率上行的压力,但受制于财政现金的约束,无法替代央行级别的无限量干预。其本质是为了保股市而弃美元的决策,而保股市的本质其实就是为了保中期大选。下面看看美联储的表演吧
"造软件的地方,和价值产生的地方,不在一个地方。"
这是《前置部署工程师》的核心判断。整本书在讲一件事:别急着做 Demo,先把工程师送到客户真实工作现场,把价值真正交付出去。
AI 产品现在最大的浪费,不是技术不够好,而是系统上线了却没人用。这本书讲的就是怎么填这道鸿沟。
推荐给所有在做 AI to B 的人。
我把一本二十多万字的新书免费开源在 Github 了——《前置部署工程师:人工智能时代的客户价值交付秘籍》。
全本在线读,一分钱不收,地址在文末。
为什么要写这本书?从两组数字说起。
一组来自麻省理工学院:全球企业在生成式 AI 上烧了三四百亿美元,95% 的项目没能产生可衡量的回报。演示很惊艳,落地全阵亡。
另一组来自招聘市场:一个叫「前置部署工程师」(FDE)的岗位,发布量九个月涨了 800%。OpenAI 在招,Anthropic 在招,YC 一百多家创业公司在招。a16z 直接管它叫「科技行业最热门的岗位」。
两组数字放在一起,结论不难猜:模型已经不稀缺了,能把模型塞进客户真实业务里的人,才稀缺。
FDE 就是被创造出来填这道鸿沟的角色——驻扎在客户现场、把「产品能做的」和「客户需要的」接起来的工程师。Palantir 二十年前在情报机构的保密室里发明了它,如今 OpenAI 为它专门成立了一家估值百亿美元的「部署公司」。
在我看,它就是 AI 时代的前置位的「增长黑客」:一个新物种,一套方法论,一片还没人系统写过的空白。
这本书讲清楚三件事:这个角色从哪来、是什么;从找对问题到规模化复制的完整打法;以及一百多个真实案例,所有数据和案例都在附录里注明了出处,欢迎核查。
也坦白说:这本书是我派 AI 做的深度调研和撰写,框架仿照我十年前写《增长黑客》的那套结构——依然觉得它适合研究和布道各种新岗位。
我原本把它当成自己的学习入门手册,期间驱使 AI 也迭代了好几版。写完觉得,锁在硬盘里有点可惜,于是索性开源免费分享。
如果你正在考虑工程师的转型方向,或者在琢磨 AI 到底怎么在企业里落地,它应该能帮你省下几十个小时的检索时间。
📖 仓库在这,全本免费,欢迎 Star:
github.com/xdash/FDE-the-Gui…
会持续迭代,有想补充的案例或想挑错的,Issue 和分支都开着。
——
顺手说一句:十年前那本《增长黑客》的全文开源版,也在我 GitHub 上(zengzhangheike-the-book)。一本是过去,一本是未来,感兴趣的可以一起拿走。
1
937
昨天看到一个个论点:AI驱动的硅基繁荣不产生传统通胀,越发展越看不到加息逻辑。
今天5月非农打脸了一半——17.2万新增远超预期8.8万,V/U重回1以上,工资通胀领先指标已经转向。AI替代就业?宏观数据里暂时看不到。
我理解的逻辑判断是:硅基通缩是真实的长期力量,但渗透速度慢于碳基就业的自然修复。当前周期逻辑仍是:就业韧性→工资回升→2027年小幅加息。
碳基是快变量,硅基是慢变量。短期快变量赢。
410
NOK 的投资逻辑简述
#NOK 早不是你以为的那个手机公司了。
现在的诺基亚,核心逻辑就一句话:它是给 AI 数据中心修"高速公路"的公司——AI 算力集群之间的数据传输,靠的是光通信设备,而诺基亚正在成为这个赛道的老二。
三重引擎叠加:
① 光互联升级(主引擎)
收购 Infinera 后,从"转卖别人芯片"变成"拥有自己的 InP 光子芯片",一跃成为全球第二大光系统供应商。800G 相干模块率先量产,直接吃到 AI 数据中心互联(DCI)的带宽升级红利。
→ 光网络 FY2026 增长指引从 10-12% 上调至 18-20%
② 数据中心交换机(第二曲线)
Q1 已经拿到美国多家超大规模云客户的 design win,Q2 起放量。之前市场只把它当"欧洲主权云"叙事,美国客户的突破直接打开 TAM 天花板。
③ 欧洲去华为化(政策红利)
欧盟持续推进电信设备"去风险化",50% 替换情景下 2028 年带来约 €17 亿额外收入——这笔钱目前完全没有算进华尔街的盈利预测里,属于纯增量超预期空间。
已有验证信号:
- Q1 AI/Cloud 订单 €10 亿,占集团收入 8%,book-to-bill >> 1,
- 管理层已连续两季"实际 > 指引"(保守→正面信号),
- Infinera 整合进度超前,协同效应三年 €2 亿目标有望超额完成
风险考虑:
- YTD +90%,价格已不便宜(现价 $14.85,卖方目标价共识 ~$11-12.5),
- 85-90% 收入仍来自低增长的电信老业务(RAN 拖累项),
- DC 交换机 vs Arista/Cisco 仍是小众玩家,
核心矛盾:
- 逻辑方向对、催化剂清晰、有验证信号——但价格已跑了大部分预期。
建议:等回调或 Q2 财报(7 月中)重构估值锚后再动手。
1
539
今天研究了两个知识管理体系,思路完全不同。
@karpathy 的 LLM Wiki 是极简哲学:原始素材扔进一个文件夹,让 AI 编译成结构化笔记,Obsidian 做界面。随时知道里面有什么,随时可以自己改。代价是规模大了之后检索开始吃力。
GBrain 是 YC 总裁 @garrytan 创造的知识库操作系统:包括数据库、向量检索、知识图谱、34 个工作流、定时任务。他自己的部署是 17,888 页笔记、4,383 个人物档案,做到了睡着了系统还在自动整理。代价是搭起来不轻松,维护成本高。
两个都非常值得研究,但最好不要照搬——我选择的是深入理解背后逻辑,再去借鉴这两套设计哲学,给自己的 两套Agent 系统做了一次完整升级。
1
397
最近和不少支付行业的人聊,很多人都在讨论稳定币线下支付。
稳定币短期内不会替代 Visa 的刷卡体验。Visa 快,不是因为银行清算快。 是因为 Visa 在清算层上面建了一层信任机制——预授权。 钱还没真正动,交易已经完成了。
稳定币要做到同样的体验,需要有人在链上结算层之上建同一层。 这不是技术问题,是风险问题—— 谁来承担中间的风险敞口?谁来说服商户信任一套新规则?
这就是 Mastercard 花 18 亿美元收 BVNK 买的东西。 Stripe 花 11 亿美元收 Bridge 买的东西。
他们买的不是技术,是可信度。基础设施层的窗口已经关闭。 现在真正的问题是:谁来建稳定币还没有的那层信任?
1
1
486
美国和伊朗的这个问题,其实市场上已经有很多分析了。
我觉得可以回过头去看看《遥远的救世主》那本书,很多在制度和技术层面的角度是没有办法解释文化(意识形态)问题的。
要想深刻理解这个问题,首先要理解伊朗的意识形态究竟是什么样的,在这种意识形态下,如果没有深刻的变革,只靠短暂的停战是不可能解决问题的。
1
2
459
为什么 SPR 都压不住油价?
市场真正担心的不是“短缺”,而是一旦供给链条进入失控叙事,SPR 只能缓冲库存,压不住预期。
战略储备的作用,本质上是平滑短期供给冲击。但当市场开始交易的不是“少了几百万桶”,而是:
- 冲突会不会扩大?
- 航运和通道风险会不会上升?
- 主要产油区的供应稳定性会不会被重新定价?
那油价反映的就不再只是现货紧张,而是更高的地缘风险溢价。
所以问题不是 SPR 有没有油,而是市场相不相信这轮风险只是一次性扰动。如果答案是否定的,释放储备可以拖慢上涨,却很难逆转定价逻辑。
油价压不住,往往不是因为库存不够,而是因为预期先失控了。
1
3
1,020
很多人看到回撤,第一反应是“可以抄底了”。
但如果 VIX term structure 还在倒挂,说明市场定价的不是“风险出清”,而是“短期恐慌仍未解除”。
这类环境里,反弹可以很快,但持续性往往不高。
真正值得关注的不是某一天的长阳,而是:
- 近月波动率是否重新回到远月之下
- 跨期限风险溢价是否恢复正常
- 恐慌是否从“事件驱动”转向“可交易的预期差”
换句话说,VIX 倒挂还在,就别把技术性反弹误读成趋势性拐点。
抄底不是看跌了多少,
而是看市场有没有从“抢保险”回到“愿意承担风险”。
OpenClaw 的使用心得:
1. 想要用好,核心是通过一个任务进行反复沟通,直到把任务做得基本上满意。遇到问题时,尽量让它自己去解决。
在任务结束后,需要进行两个层级的复盘:
(a) 任务本身的复盘:研究如何将该任务封装成 Skill。
(b) 系统层面的复盘:分析在解决任务的过程中遇到了哪些问题,以及在启动下一个任务时如何避免这些问题,从而优化它的 Agent 文件。
2. 多 Agent、多模型的切换是一条必经之路。
当第一次做任务时,比较适合用 Claude 或者 OpenAI 的模型来进行第一轮任务的训练。但当任务轮训完并封装成 Skill 之后,更适合调用 Kimi 或者 MiniMax 的模型,来执行重复性的任务。
1
4
669








