Star

记录时间：2026-08-10 14:46:08

这篇笔记记录我在一次裁员之后开始独立做 App，并在两年后回头看这条完全不在人生规划里的路。

前几天，我把做 App 这两年的收入算了一遍，数字刚好超过 50 万。

这个数字不算多，但这样的生活对我来说非常轻松。我的工作时间很少，大部分收入都是被动收入。真正超出想象的不是数字，而是我第一次知道：原来不靠上班，我也能挣到钱。

裁员把我的人生提前推到了最后一步

做自由职业，原本完全不在我的人生规划里。

我在 2023 年研究生毕业，毕业后去了特斯拉。那时的计划很普通：先在大厂上几年班，再跳到另一家大厂；干几年，再跳一次。等到 35 岁，手里差不多攒下一点现金，再决定往后做什么。

结果工作还没满一年，我就遇上了大裁员。公司给了 N+3，我拿着十几万块钱，坐在上海偏僻的出租屋里，不知所措。

上天就帮我提前跳到了最后一步。我确实拿着现金存款，但确实只有一点，而且到了这一步，我还是想不到该干嘛。

我只是想试试，能不能靠产品养活自己

我一直喜欢看国外独立开发和自由职业的内容，也读过《低成本创业》《精益创业》《小而美》，看过 Marc Lou、Levelsio 这些独立开发者的故事。

于是我开始想：要不要试着做一个产品，看看能不能养活自己？反正手里还有一些钱，大不了花完以后再重新找工作。

不过我后来才发现，真正选择这条路以后，再回职场没有当初想得那么容易。

于是，我开始做 App。

最难的是看不到收入的时候

大概做了半年，事情才开始有起色。

前面其实吃过很多苦，尤其是没有收入的那段时间。每天都在做事，又不知道这些事会不会有结果；每天也都在想，要不要还是去找个班上。

现在我说这样的生活很轻松，不等于这条路从一开始就轻松。

真正有效的，是三件很普通的事

如果要总结这两年的经验，我觉得最重要的大概是三点。

1. 多做市场。
2. 多花时间设计 onboarding 和付费墙。
3. 不停地发帖。 在小红书、抖音、TikTok、Threads，以及任何能想到的社区里宣传产品。

坦白说，我做的产品没有什么惊艳的亮点，只是上面这几件普通的事做得比较好。

这是创作者最好的时代

走到今天，我越来越觉得，我们正处在人类历史上对创作者最好的时代。

1. 在 AI 的帮助下，创作门槛已经很低。
2. 自媒体是一种传播杠杆，传播成本也很低。
3. 市场庞大到难以想象。

两年后的我，拿到了一个过去从未想象过的答案。

原来不靠上班，我也能挣到钱。

记录时间：2026-08-07 09:49:53

这篇笔记整理自一篇讲「公众号贴图」的文章。我把它重写了一遍，去掉口号，留下能被验证的部分。我自己没做过这个方向，判断部分仅供参考。

公众号的图文越做越短，越来越像卡片。几张图配三五句话，就构成一条内容。

有人用它拿阅读量，有人用它涨粉卖货，有人用它把人导进微信。工具一样，结果差得很远。

你刷不到，不代表它没流量

公众号的传播和关系链、兴趣标签、阅读习惯绑在一起。后果是：很多账号在特定人群里跑得很猛，你一辈子刷不到一次。

中老年养生、怀旧故事、育儿资料、职场新人避坑，这些内容在你的信息流里不存在，在目标用户的信息流里是每天点开的东西。

所以你觉得土的选题，可能正是别人稳定获客的入口。判断一个赛道，要看那群人缺什么。你自己刷到过什么，说明不了任何事。

窗口来自大团队算不过账

这个形态目前还没被大内容团队吃透，原因很现实：单篇的直接收益撑不起一个团队的人力。规模化的一方不愿意投，个人反而进得来。

不需要拍摄设备，不需要人设，几张图就能测一个人群。这是它现在便宜的地方。

赛道要窄到能被验收

先看后端。如果你已经有产品、服务、资料、社群或者电商货源，就围着它选题，别反过来。减脂、家庭教育、学科资料、居家好物、中老年健康科普，这类领域自带「解决问题」的属性，转化路径短。

再看细分程度。把「美食」切到「上班族十分钟快手菜」，把「育儿」切到「挑食宝宝爱吃的辅食」，把「职场」切到「入职前三十天避坑」。主题、人群、场景各切一刀，剩下的流量才是精准的。

最后看目标。影视剧评、社会情绪这类大流量赛道能做，但要先想清楚你要什么：阅读量、涨粉、评论、商品转化、导私域，这五个目标对应五种完全不同的写法。流量大不等于粉丝准，曝光高不等于卖得动。

拆低粉爆款，别拆大号

大号爆了，可能只是因为粉丝基数大。真正值得研究的是粉丝不多但某条内容点赞收藏极高的账号，那说明选题本身击中了需求。

拆的时候看四件事：标题怎么写的，第一屏怎么抓人的，评论区在问什么，用户收藏它准备拿去干什么。

你拆的是需求，不是文案。学结构、换角度、用自己的案例重新写，这是能长期做的方式；直接搬图搬字，做不了多久。

想让系统给你推同类内容，就去搜关键词、深度浏览、看完评论区。这是在训练自己的素材雷达。

封面决定点不点，正文决定留不留

用户在碎片流里不会先判断你有没有深度，他先判断这东西跟自己有没有关系。

封面就四条：字少、字大、一图一个主题、关键词明确。标题越具体越好。「聪明的女人」改成「高情商的女人」，「减肥方法」改成「普通人最容易坚持的减脂习惯」。夸张没有用，具体才有人点。

正文三五句就够，但每句得有信息增量：一个真实观察，一个避坑提醒，一个具体方法，一个反常识的判断。结尾留个问题，让人有话可说。

一个例子：写给五零后的怀旧图文

有一类内容在年轻人看来很土：老照片风格的图文，写给五零后六零后的回忆，关于青春、儿女、辛苦半生。

排版简单，文字也不复杂。但它满足的是一个真实需求，被理解、被看见、被安慰。这群人有时间，有粘性，有明确的生活需求，也愿意为陪伴付费。

后端可以承接相册、日历、听书设备、适老化产品。同时这条赛道离红线最近，下面单说。

单篇广告费不是收入，是筛子

只靠流量主分成，除非撞上大爆款，否则收益有限。贴图的价值在于它是个便宜的前端入口。

完整链路是：内容曝光，账号涨粉，产品承接，私域沉淀，长期复购。

前端阶段别盯着那几毛钱，盯这四个信号：哪类标题点击高，哪类封面停留久，哪类话题评论多，哪类人愿意关注。

中端要求产品和内容对齐。用户因为哪个痛点关注你，就该因为同一个痛点完成转化。养生内容接养生茶和按摩工具，育儿内容接教辅和绘本，职场内容接简历模板和沟通课。

后端是信任资产。用户加你是因为你给过他价值，第二天就群发商品链接、朋友圈刷屏，透支的是同一份信任。稳的节奏是先输出，再建立人设，用低门槛产品测需求，最后才做高客单。

不能碰的几条

医疗养生的禁词：包治百病、降三高、根治、祖传秘方、绝对有效、不用看医生。轻则限流，重则封号。

制造恐惧和孤独：面向中老年的情绪类内容尤其危险。平台打击的是拿孤独感换打赏，不打击真正的陪伴和交付。

强诱导互动：「必须转发」「不转就怎样」「点关注领取全部」。图片文字、标题、正文、评论区现在都会被识别。换成「你遇到过这种情况吗」这种真问题就没事。

AI 批量灌内容：一天发几十篇，短期可能撞到爆款，长期做不出账号。AI 适合拓选题、优化标题、润色文案，痛点判断和情绪分寸还得人来把控。

便宜的验证比正确的判断有用

贴图不是什么高级玩法。它的全部价值在于便宜：一条内容就能替你验证这个赛道有没有人看，这群人有没有痛点，愿不愿意评论，会不会关注，最后买不买单。

验证完再决定投入多少。这比在岸上判断水深快得多。

记录时间：2026-08-06 14:06:12

这篇笔记整理自一次关于段永平在泡泡玛特上卖期权的讨论。文中的价格是为了把账算清楚而取的整数，不是真实报价。

先把三个数字摆出来：泡泡玛特现价 160 元，段永平愿意接受的持仓成本是 150 元，一个月期权的权利金按 10 元算。

他要解决的不是「一个月后股价是多少」。他提前给自己设计了两个都能接受的结果：跌下来，就用 150 元的净成本拿货；不跌，就收 10 元走人。

方法一：卖出一张 Put

执行价 160 元，收权利金 10 元。翻成人话：一个月以后，如果你愿意，我按 160 元买你的股票；为了承担这个义务，你现在先付我 10 元。

跌到 120 元。 对方会要求行权，他按 160 元接货。扣掉先收的 10 元，净成本 150 元。此刻市价只有 120 元，账面浮亏 30 元。

这里是最容易被误读的一步。150 元是他的持仓成本，不是地板价。股票照样能跌到 100 元、80 元，他一分都躲不开。卖 Put 省下的就是那 10 元。

停在 150 元。 150 低于 160，Put 照样被行权，他仍按 160 接货，净成本 150，市价 150。不赚不亏，拿到了自己要的成本。

涨到 200 元。 没人会把值 200 元的股票按 160 元卖给他。Put 作废，他手里没有股票，落袋 10 元。

方法二：买入股票，再卖出 Covered Call

假设港交所限制他继续卖 Put，他可以换一条路，同时做两件事：160 元买入股票，卖出执行价 160 元的 Call，收 10 元。净成本同样是 150 元。

跌到 120 元。 谁也不会按 160 元去买市价 120 元的股票，Call 作废。股票留在他手里，成本 150，市价 120，浮亏 30。和卖 Put 的结果一样。

停在 150 元。 Call 不会被行权。股票留下，成本 150，市价 150，不赚不亏。

涨到 200 元。 对方按约定的 160 元把股票买走。他 160 买入、160 卖出，价差为零，手里剩下那 10 元权利金。股票没了，赚 10 元。

两条路并排看

四行结果对得上。背后是期权定价里的看跌看涨平价（put-call parity）：同一标的、同一执行价、同一到期日，卖出 Put 的现金流等价于买入股票再卖出 Call。区别只在开仓时占不占资金、算不算持股。

分开说一句：卖 Put 是先不买，跌下来再接；买股票加卖 Call 是先买下，不大涨就留着，大涨就交出去。

他到底在说什么

他没有说自己能把泡泡玛特按在 150 到 160 之间。他说的是另一件事：这家公司值得用 150 元的成本持有。市场肯给这个价，他就拿；不肯给，他就收下那 10 元权利金。

卖 Put 的两个结局：150 元成本买到，或者买不到但赚 10 元。买股票加卖 Call 的两个结局：150 元成本留下，或者股票被拿走但赚 10 元。

他放弃了一个月内大涨的那部分收益，换回 10 元确定的现金，把成本从 160 压到 150。

这套做法的代价

上涨被封死在 10 元。真涨到 300 元，他拿的还是 10 元，剩下的归别人。

下跌几乎没有保护。股价掉到 80 元的时候，那 10 元权利金聊胜于无。

换来的是确定性，付出的是弹性，风险本身并没有变小。整套操作成立的前提，是他本来就想在 150 元买下这家公司。不想买的人照着抄，跌下来接一手自己根本不愿意持有的股票，那 10 元一点忙都帮不上。

记录时间：2026-08-05 14:30:42

这篇笔记是个人观点，来自一条我最近在用的 Codex 使用方式。

大多数人用 Codex 的方式，是一上来就扔一句话：

帮我写一个 App。

然后 Codex 立刻开始生成文件、写代码。问题不在于它写不出东西，而在于它写的东西没经过验证。

架构是拍脑袋想的，坑是别人早就踩过的，需求也未必对得上。结果就是：一大堆代码生成了，然后你一句句推翻重来。token 烧在最没价值的地方。

先把 Codex 连上 GitHub

真正的省 token 技巧只有一句话：先调研，后动手。

第一步，给 Codex 连上 GitHub 插件。这一步是关键，它让 Codex 有能力去翻真实的开源项目，而不是凭空编。

然后，不要让它写代码。先发这样一段提示词：

我要开发一个 XXX。

暂时不要创建文件，也不要输出代码。

先在 GitHub 调研同类开源项目，筛选出最有参考价值的方案。分析它们解决了什么问题、采用什么架构、依赖哪些技术、目前是否活跃，以及有哪些设计值得复用或避开。

最后结合我的需求，给出技术选型、系统架构、MVP 范围和开发顺序。得到我的确认后，再进入实现阶段。

它会帮你做三件事

方向确定之前，Codex 会先做三件事：

1. 找到经过真实项目验证的方案——别人已经跑通过的架构，比它现场编的靠谱得多。
2. 研究别人已经踩过的坑——issue、PR、弃坑原因，提前帮你避开。
3. 根据你的需求做技术取舍——选型、架构、MVP 范围，全部对齐你的实际情况。

等这三件事做完，你拿到的是一份有依据的方案，而不是一堆待推翻的代码。

确认之后，再让它写

Codex 给出方案后，你只需要确认或微调。比如：

MVP 砍掉后台管理，先做核心流程。

然后发一句「开始实现」，它才真正动手。

这时候生成的代码，命中率高、返工少。前面省下的调研 token，远小于你反复推翻重写浪费的 token——据说整体能省下大约 90%。

没有 GitHub 插件也行

如果你的 Codex 没有 GitHub 插件，把调研环节换成 web 搜索 + 读文档 一样有效。核心不是工具，而是顺序：先研究，再实现。

把顺序调对，Codex 才真正从「代码生成器」变成「能帮你做技术决策的搭档」。

记录时间：2026-08-05 10:01:38

这篇笔记是个人观点，起点是脑子里突然冒出来的一句话。

人一旦死了，你所有的物品都是垃圾。三代之后，你的痕迹会被抹平。除非你给家族留下一笔大到无法忽略的财富，否则没人想去回忆你。

遗物在一周内变成垃圾

老人走后，子女回老家清屋子。抽屉里有老花镜、攒了三十年的报纸、写了一半的账本、一台还能响的收音机。这些东西在主人手里都有位置，有的还很贵。

清屋子的人给自己两天时间。留下三五样，剩下的装进编织袋，拖到楼下。留下的那几样谈不上有用，只是当天下不去手。等到搬家、装修、下一次腾地方，它们也会走同一条路。

你现在正在挑的那件东西，最后会由一个不知道它来历的人决定去留。

三代是记忆的上限

你爷爷叫什么，你大概答得上来。

你太爷爷呢。他靠什么吃饭，怕什么，爱吃什么，脾气好不好，做过哪件让家里人记很久的事。绝大多数人到这里就哑了。有族谱的家庭能翻出一个名字，名字后面是空的。

三代之后，你在活人脑子里只剩一个称谓：我太爷爷。再往后连称谓都省了。记忆有容量，谁都得先装眼前的人。

被记住是要有人付账的

还在被后人主动回忆的人，背后基本都挂着一笔仍在发挥作用的钱。祠堂要修，族谱要续，基金会每年要开会，公司大堂要挂创始人的照片。

后人回忆你，是因为回忆的过程里有他们自己的份。名字附在还在生息的资产上，就有人替你保管这个名字。名字什么都没附着，回忆你就成了一笔纯支出，谁也不愿意长期付。

财富买到的是一个被反复念出来的名号。感情不在这笔交易里。

知道结局以后，今天反而清楚了

我不打算靠攒钱去换三代之后的一句提及。那笔账算下来太贵，收货的人还不是我。

真正落到手上的只有这些：今天吃了什么，谁在旁边，正在做的事自己认不认。买东西之前多想一秒，这玩意最后由谁来扔。为了让别人记住而做的事，可以少做一点。

死后归零这件事，不需要解决，接受就行。剩下的时间还是照常过。

记录时间：2026-08-04 14:04:37

这篇笔记是个人观点，文中引用的实验结论凭记忆写下，没有逐条核对原文。

多 agents 协作的最好方式，是不要让 agents 协作。

从 openclaw 时代到后 openclaw 时代，也就是短暂存在过的 hermes agent 时代，很多人沉迷于让 agent 模拟三省六部，或者模拟一家公司的组织架构。很少有人回头看一眼现实，也很少有人翻一翻理论。

组织是人类不得不付的成本

稍微大一点的公司都有「组织流程部」，或者叫别的名字、干同样活的部门。它存在的理由只有一个：组织间的沟通成本太高，高到需要专门养一个部门去压它。

有多高呢，很多公司一半以上的运营成本花在沟通问题上。

人类还是要组织结构，因为一个人干不完所有事，只能把这笔沟通成本认下来。

agent 不是。今天的 agent 已经能独立做完现实世界里需要一整个团队才能做完的事。既然如此，我为什么要替 agent 组织支付这笔成本？这是本末倒置，因果混淆。

三家实验室给出了同一个答案

google 对一百多种 agent 架构做过实验，结论是：在可并行的任务上，中心化 agent 加 subagents 能提升 80% 左右。

在顺序推理的任务上，无论 subagents 还是模拟公司组织的多 agent 架构，效率下降 39% 到 70%。

anthropic 虽然傻逼，但它的研究结论也是中心化 agent 加 subagents 是唯一解。openai 什么形式都试过，最后又回到了 subagents。

确定性机器之间沟通也不便宜

分布式系统里没有自然语言的歧义，参与者不是人，也不是像人的 agent，只是几台确定性的机器要对状态和顺序达成一致。为了这件事，我们引入 Paxos、Raft；为了大规模传播状态时省一点成本，又加上 Gossip 这类协议。

这些协议的成本大概没人算过。我自己做分布式系统的经验是，协议没用好，光维护协议就能吃掉整个系统一半的带宽，数据通信部分还没开始算。而这只是系统运转成本里很小的一块。

工作流已经把这条路走过一遍

在模拟公司组织架构的 agents 协作被发明之前，业界试过一轮类似的东西。前 agents 时代有从 n8n 到 Dify、Coze、FastGPT 的各种工作流。

有人不认可工作流是在模拟组织架构。但工作流干的就是把组织协调压缩成机器可以执行的形式，它是现实世界组织间沟通的最高效模拟。

那么它们做起来了么，使用它们的成本有人算过么。如果你已经觉得工作流的使用成本很高，模拟组织架构的多 agents 只会更高。

agents 越像人，沟通越贵

agents 越像人，agents 之间的沟通成本越往上走，是熵增。

agents 变聪明，不等于认知自动对齐。人类发明教育这类学科上万年了，认知也没对齐，何况 agents。

幸好 agents 还不做生意

我们应该庆幸现在的 agents 还没发展出商业行为。按人类商业的玩法，一半以上的商业模式建立在「信息差」之上，可见信息传播的成本有多高。

哪天 agents 也学会做生意，世界就有趣了。

记录时间：2026-08-04 13:20:00

这篇笔记整理自我对一类账号的长期观察，是个人归纳，不是统计结论。它描述的是一种常见路径，不代表每个人都会这样走。

我发现，想用 AI 赚钱的人，好像都在走同一条路。而且顺序惊人地一致。

第一阶段：沉迷技术本身

先研究 AI 技术。MCP、skill、harness、上下文工程、各种 agent 框架，一个接一个地追。

这个阶段最舒服，因为它有明确的进度感。今天看懂了一个协议，明天跑通了一个工作流，每一步都像在进步。但技术的进步曲线和收入的曲线，是两条线。

第二阶段：第一次想商业化，却不肯用笨办法

研究到某一天会意识到，技术本身不产生收入。于是第一次认真思考商业化。

有意思的是，这时候大多数人不愿意按照已经被验证过的方式做生意和扩张——找客户、交付、复购、招人、复制。那些太慢、太重、太不性感。

于是选了另一条路：企图用 AI 把所有岗位都解决掉，一个人干完一整家公司的活，做 OPC。

第三阶段：发现 OPC 的尽头是流量

做着做着会发现，那些讲 OPC 的人，实际的变现方式大多数是三样：卖课、咨询、定制。

再往下看一层，这三样业务的核心全部都是同一个东西——流量。

于是开始做自媒体。

第四阶段：把经验打包，成为商业导师

这时候的处境有点尴尬：学了 AI，学了怎么做自媒体，花钱买了很多课，试了很多错，钱还是没赚到。

然后想起了那句话：把自己的经验打包，这是你的第一个产品。

于是开始教别人怎么做自媒体，教别人怎么搞流量，成为「商业导师」，教别人赚钱。

第五阶段：把自媒体当成主业

最后会发现，教别人赚钱这个赛道已经无比拥挤。而且所谓的商业认知、商业思维，在现实生活里往往没有办法落地——它们解释力很强，指导性很弱。

于是索性把做自媒体本身当成主业。

为什么你永远看不出他在卖什么

这条路径解释了一个常见现象：很多账号讲 AI、讲认知、讲商业，讲得很密很勤，但无论讲多少，你始终不知道他到底在卖什么产品。

因为作者自己也不知道。

更准确地说，是不愿意知道。卖一个产品，意味着放弃卖其他所有产品的可能性。 而他想要卖的是所有产品。

选择一个具体的东西去卖，就要接受一个具体的市场、一群具体的客户、一份具体的交付、一次具体的失败。不选，就永远保留着「什么都可能」的状态。

于是什么都卖，什么都做，什么都聊，什么都拍。

唯一的出口是收窄

这五个阶段有一个共同点：每一步都在往更宽的地方走。技术学得更宽，岗位覆盖得更宽，内容讲得更宽，受众定得更宽。

而赚钱这件事的方向，恰恰相反。

它要求你收窄到一个具体的人、一个具体的问题、一个能被验收的结果。窄到别人一听就知道该不该找你，窄到你交付完对方能判断做没做到。

放弃其他可能性，本来就是做成一件事的成本。

记录时间：2026-08-03 17:05:19

这篇笔记从一则匿名职场分享出发，讨论 AI 节省下来的时间为何未必直接变成下班时间。匿名内容无法核实，也不代表任何一家公司的普遍情况。

工具让事情变快，工作日却没有变短

我刷到一则自称大厂员工的匿名用户分享。

他说，聊天群里几乎所有人都承认自己正在大量使用 AI。写方案更快了，代码产出提高了，数据分析也不用每次从零开始。可当大家聊到下班时间时，没有一个人觉得自己因此提前下班了。

按他的描述，以前需要一天完成的事，现在半天做完。剩下的半天没有凭空消失，只是接着装进了新的任务。事情更多，交付更快，要求也随之提高。

我还是记住了这则分享，因为它把一个问题说得很具体：如果 AI 提高了生产效率，节省下来的时间去了哪里？

AI 能省下任务时间

在一项预注册线上随机实验中，453 名有工作经验的专业人士完成了与职业相关的写作任务。被随机赋予 ChatGPT 使用权限的一组，相比对照组平均少花了 40% 的时间，盲评质量还提高了 18%。这项发表于《Science》的研究支持这样一个判断：在边界清楚的写作任务上，生成式 AI 可以同时改善速度和质量。

在一个客服工作场景中，也观察到了类似方向。一项发表于《经济学季刊》的研究追踪了 5172 名客服人员，并利用 AI 助手分批上线的时间差进行估计。获得助手访问权限后，客服人员平均每小时成功解决的问题数提高约 15%，经验较少的员工提升更明显。

这些数字很容易让人产生一个直觉：一项工作原来需要八小时，现在效率提高了，工作日也该缩短。

这两项研究回答的是完成一项任务需要多久、单位时间能处理多少问题，却没有回答一名员工能否提前离开。任务有终点，岗位里的任务通常会继续出现。

省下来的时间先变成了可用产能

在按工作时间安排任务的岗位里，员工领取报酬所对应的是一段工作时间和职责，任务数量通常没有预先封顶。

当一份报告从一天缩短到半天，剩下的时间往往会被理解成可继续安排的产能。如果工时、任务量和绩效规则都没有改变，下一项工作就是效率收益的常见去处之一。

丹麦的一项研究询问了 AI 省下来的时间可能流向哪里。研究者把 11 类高 AI 暴露职业的大规模调查与行政记录连接起来。AI 使用者平均报告节省了约 3% 的工作时间。在那些报告有节时收益的使用者中，约 85% 表示，如果聊天机器人为任务省下时间，他们预计会把时间用于其他工作。

采用者与可比未采用者的登记工时和收入，没有出现明显不同的前后变化。这项 NBER 工作论文记录的是受访者的预期，不能排除较小的工时变化，更不能证明企业拿走了全部收益。谨慎一点说，任务提速没有在登记工时中表现为同等幅度的缩短。

产出标准可能跟着能力一起移动

效率收益还可能改变组织对「正常产出」的理解。

当只有少数人使用 AI 时，会用工具是一种个人优势。一个人可以更快交付，也可能因此显得能力更强。等到大多数人都开始使用，同样的速度可能逐渐成为基本要求。竞争也可能从「能不能完成」转向「同样时间里能完成多少、质量还能提高多少」。

这个变化未必需要管理者明确宣布。团队看见两天能做完的方案现在一天就能交付，下一次排期可能会参考新的速度。以前交一个版本已经足够，现在生成三个版本的成本降低了，评审标准也可能变成「为什么不多比较几种方案」。能做的版本多了，评审的预期也可能跟着提高。

对一些知识工作者而言，AI 降低了开始一项任务的摩擦，也让「顺手再做一点」变得太容易。人一边开会，一边等模型生成；一边写代码，一边让另一个代理检查问题；本来可以停下来的间隙，被新的提示和新的结果填满。机器可以并行，人仍然只有一份注意力。于是一天完成了更多事情，主观感受却可能比以前更满。

伯克利的两位研究者在一家约 200 人的美国科技公司进行了八个月观察，并访谈了 40 多名员工。研究者归纳出三类变化：员工开始承担原本属于其他岗位的任务，工作进入午餐和会议前后的零碎时间，同时维持更多正在运行的任务线程。她们还认为，当这种更快、更密的工作方式逐渐变得可见，额外努力可能被重新理解为正常表现。这项仍在进行中的研究提供了一个可以继续检验的解释，不能代表所有公司。

一部分时间也可能留给个人

任务预先封顶、做完即可退出时，效率可以直接变成时间收益。员工能够独立调整工作节奏时，也可能保留其中一部分。

一项由 Microsoft 与 66 家企业开展、覆盖 7137 名知识工作者的随机现场实验观察到了这种可能。随机获得 Copilot 访问权限的员工，在实验后期平均每周少花 1.4 小时处理 Outlook 邮件，在非正常工作时段里的 Microsoft 数字应用活动也平均减少约 0.25 小时。

但是，在研究能够观察到的指标中，Teams 会议时间及邮件、会议、文档的数量或构成都没有明显变化。研究者据此推测，个人能够独立调整的邮件流程比较容易改变，需要同事共同配合的会议和分工则很难由一个人改写。这些数据看不到非 Microsoft 应用和线下活动，不能当作完整工时记录。

这说明效率收益并非必然被新增任务全部吸收。现有研究也不足以判断，在不同岗位和组织里，哪一种去向更常见。任务边界、管理方式和工时规则，共同影响着员工能够保留多少时间收益。

闲暇还需要被写进规则

长期数据提醒我们，生产率与工时从来不是一比一变化。

OECD 对工作时间的长期整理显示，在有数据的 11 个国家中，每名劳动者实际工作的周工时自 1970 年以来平均减少了八小时，但下降速度越来越慢。1995 年至 2019 年，全职员工通常每周工作的时间大体保持稳定。OECD 比较生产率、工时和闲暇的趋势后指出，生产率增长没有与更多闲暇同步出现。

国际劳工组织对工作时间的历史回顾显示，八小时工作制、五天工作制和带薪休假等变化，除了生产率提供的物质条件，也离不开法律、集体谈判和企业制度。技术让「少工作仍能维持产出」成为可能，能否兑现还要看规则。

同样一份 AI 效率收益，可以变成企业的更多产出和更低成本，也可以变成员工更高的收入或更短的工作时间，还可能通过更低价格和更好产品流向消费者。企业也要承担工具、培训、审核和错误风险的成本，新增产出并不等于净收益全部归企业。即使工时没有下降，员工也可能因为少做重复劳动而改善工作体验。

个人当然可以学习工具，也可以争取更清楚的交付边界。但一个人无法靠更好的提示词，独自重写团队的绩效标准和工作制度。

AI 已经被观察到能缩短一部分任务的完成时间，却不会替人决定省下来的时间如何分配。当这些任务上的效率收益出现，它最终变成更多产出、更高收入，还是更短工时，仍由任务边界、组织规则和劳动者的议价共同决定。

记录时间：2026-08-02 18:25:48

这篇笔记整理自我对如何把模糊想法交给 AI 的一次方法设计。

给那些想真正用好 AI，却总是不知道该从哪里开始的人，我有一个听起来不太像提示词教程的建议：先不要整理。

不要急着把问题压缩成三句话，也不要等自己想清楚以后再去问 AI。找一个可以说话的地方，把最近想做的事、卡住的事、一直没开始的想法，以及那些说不清哪里不对的问题，在避开敏感信息和可识别第三方细节的前提下，全都说出来。

这套方法适合问题还很模糊、自己也不知道该怎样定义的时候。已经明确、低风险且可以检查结果的任务，可以直接让 AI 制作第一版，不必先绕这一圈。

至少说十分钟。

这十分钟，是给那些开头没有说出口的东西留一点时间。然后，把转录文字交给 AI，让它先向你提问。

这套方法来自我自己的 AI 使用经验，我准备推荐别人试试。它还没有经过普遍验证，可以先当作一次简单的实验：看看当你不再努力把问题包装完整时，AI 能不能帮助你找到一项马上可以做的行动。

不要等想清楚以后再开口

很多人面对 AI 时，会本能地先当自己的编辑。

一句话还没输入，就开始删掉重复，补齐逻辑，担心背景太长，怀疑自己的问题是不是太琐碎。最后发出去的内容可能非常清楚，却只剩下自己已经知道的部分。困住自己的矛盾、犹豫和说到一半又改口的地方，反而没有交出去。

这些不整齐的内容，会补上整理过程中被丢掉的上下文。

更多时候，问题只有一个模糊轮廓。我们可能在一件事上反复打转，或者收集了很多资料，仍然不知道该从哪里开始。

这种时候，不必先把自己训练成一个会写提示词的人。先把原始材料交出来，让 AI 通过提问帮你一起理清。

先说够十分钟

十分钟只是一个最低约束，用来帮助人越过最初几分钟的自我审查。它不是科学阈值，也没有什么神奇效果。

我的判断是，刚开始说时，我们通常还在介绍背景，努力显得有条理，也会下意识避开那些让自己难堪、矛盾或者没有把握的部分。如果只说两三分钟，很容易得到一份口头版的正式汇报。继续说下去，准备好的内容慢慢用完，反复出现的念头才更有机会浮出来。

所以这十分钟里，不要追求逻辑，不要想着说得漂亮，也不用及时修正自己。想到哪里就说到哪里。前后矛盾没有关系，重复也没有关系。你甚至可以直接说：「我不知道为什么一直提到这件事，但它好像对我很重要。」

语音的作用，是降低表达的摩擦。可以使用豆包输入法的语音转文字，也可以直接对豆包说完以后复制转录内容。任何足够顺手、能保存文字的语音工具都可以，重点是让表达变得足够轻松。

一套可以直接尝试的流程

如果你想完整照着我的版本做，可以从下面这套配置开始。这是我目前推荐的具体入口，换成其他工具也能完成后面的核心步骤。

开始以前，先决定哪些内容可以进入第三方工具。删除密码、密钥、身份证件、未公开商业信息，以及不必要的姓名和联系方式。未经对方同意，不要上传能够识别第三方的私聊原文或独特细节。内容敏感时，还要先确认所用服务的数据处理方式符合自己的要求。

1. 给 OpenAI 付费，使用当前能够在 Codex 中选择 GPT-5.6 Sol 的套餐。
2. 下载并打开 Codex。
3. 选择 GPT-5.6 Sol。
4. 输入 /plan，进入计划模式。
5. 在手机上打开豆包输入法，开始说话；也可以说给豆包，再复制转录文字。
6. 至少说十分钟，然后把转录文字发到电脑上。
7. 回到 Codex，输入下面这段话：

我刚刚说了一些想法，可能很乱。我会把转录文字粘贴在下面。请你先读完，不要马上给方案。你要先向我提问，帮我搞清楚这里面真正重要的东西是什么，以及我可以怎样用你把这些想法变成具体成果。请每次只问一个最关键的问题，一直问，直到我说可以开始为止。在我说可以开始以后，先总结你理解的目标、还不确定的地方和一项候选行动，等我确认后再执行。

8. 粘贴已经去敏、与问题有关的转录文字。
9. 按回车，然后认真回答 Codex 接下来提出的问题。

模型名称、套餐和界面以后都可能变化。如果你的账户里没有 Sol，就选择当前可用、最适合复杂推理的模型。这套方法的核心是语音倾倒和连续追问，不会绑在某个固定产品版本上。

为什么要让 AI 先提问

把一大段混乱文字交给 AI 以后，一个常见的冲动是马上问：「那我该怎么办？」

AI 可以很快给出一套完整方案，但它未必在解决你最关心的问题。转录文字里可能同时出现工作、学习、关系、创作和金钱。哪一件最重要，哪一句只是顺带抱怨，哪一个困难已经困扰很久，AI 仅靠第一遍阅读不一定能判断。

所以先暂时把提问的主动权交给 Codex。

这里交出去的只是提问顺序，最终决定仍然在你。AI 可以追问「如果只能解决一件事，你会选什么」，也可以指出两段话之间的矛盾，要求你举一个最近发生的例子。你仍然要判断哪些问题问到了点上，哪些方向不适合自己，以及最后愿意采取什么行动。

AI 的问题也可能带偏。它如果开始替你下诊断、预设你的动机，或者把一种解释说成唯一答案，就要求它列出其他可能性和目前无法确定的地方。你也可以直接拒绝问题里的前提，让它换一个方向继续问。

持续追问只需要帮助你从一团材料里，找到一个现在值得处理的问题。追问到这一步就够了，不必得到一份关于自己的完美分析。

什么时候可以说「可以开始」？当你能用一句话说清「我现在要处理的是……」，并能把下一步说成一个今天可以开始、完成后可以检查结果的具体动作。如果回答已经开始重复，就让 Codex 总结目前的理解和两个候选行动，再由你选一个。

找到一项马上能做的行动

这套方法的最低完成标准很小：找到一项马上能做的行动。

这项行动可以很小：给一个人发出那条一直没发的消息，列出某个项目最小版本必须包含的三项内容，打开一个新文件写下第一段，或者让 Codex 根据刚刚确认的目标开始制作第一份可检查的成果。

马上能做，不等于马上作出重大决定。遇到医疗、财务、职业和关系中的高风险问题，下一步也可以是核实信息、咨询合适的专业人士，或者给自己留出冷静时间。

一旦这项行动已经足够明确，就可以停止追问，切回执行。否则，「继续理解自己」也可能变成另一种准备，和反复收集提示词、比较模型、研究工作流没有区别。

按这套方法的目标，判断 AI 有没有帮上忙，只需看你是否比十分钟前更接近一个具体动作。

工具可以换，边界不能丢

不习惯语音，就写一份未经整理的长文本。暂时不想付费，也可以把同一段提示词发给支持长文本和多轮对话、数据处理方式符合自己要求的 AI。整套流程若听起来很奇怪，可以从一句更简单的话开始：

有人建议我这样开始用 AI。我想试试，但不知道该怎么做。你先帮我开始。

完整表达自己的问题，不等于把所有敏感信息原样上传。前面那道去敏检查不能省，也不要因为 AI 问得很具体，就交出与目标无关的私人信息。

在我看来，一段未经整理的材料，比继续收集工具和提示词更可能成为起点。我想推荐的，就是把这样一个问题足够完整地交给 AI，并允许它在给答案以前继续追问。

先说出来。

剩下的，让 AI 和你一起整理。等问题逐渐清楚，就选出一项马上能做的行动，然后开始。

至少在这个起点上，好奇心和持续追问，比技巧更重要。

记录时间：2026-07-31 15:37:38

这篇笔记整理自我对听书、阅读和知识筛选的一次反思。

曾经有一段时间，我非常热衷于听樊登和得到里的讲书节目。

我当时常听其中一些把书压缩成十几分钟的节目。听完一本，马上可以接着听下一本。那时候我有一种很强的满足感，仿佛只要不断听下去，就能在很短的时间里读很多书，获得很多知识和智慧。

但过了一段时间，我回头检查自己到底记住了什么，才发现头脑里几乎什么也没有留下。

我能依稀记得自己听过某本书，也记得当时觉得很有道理，却说不清它究竟解决了什么问题，作者为什么会得出那个结论，更不知道这个结论和我以前读过的东西有什么关系。回头再想，只剩下几个零散的词。

最后留下的，主要是听完一本书的即时满足感。

压缩可以传递结论，不能替我理解

后来我才慢慢意识到，十几分钟当然可以介绍一本书，却很难替代阅读本身。

一本有分量的书，重要的往往不只是最后那几个结论。作者怎样提出问题，使用什么证据，又怎样一步步推导，这些内容共同构成了那本书。把它们全部拿掉，只留下几句容易传播的观点，就像直接拿到了答案，却没有做过解题过程。

答案当时看懂了，换一道题仍然不会。

对我来说，听别人讲书还有一种隐蔽的便利：别人已经替我决定了哪些内容重要，应该怎样理解，以及最后要记住什么。我不必停下来怀疑，也不必和作者争论。十几分钟里几乎没有阅读原著时的卡顿和困难，我也很少继续往下想。

听书并非毫无价值。它可以让我知道一本书大概在谈什么，帮助我决定要不要找来原著读。但听完介绍，不能算是读过这本书。

好书其实没有那么多

过去我总担心书太多，时间太少，所以希望有人替我压缩，希望自己一年能够完成一个更大的数字。后来我才觉得，这个问题也许一开始就想反了。

世界上的书确实很多，但适合我、能长期影响我的书，可能不到一百本。每个学科里影响深远的奠基性著作也没有想象中那么多。我逐渐发现，有些书主要是在经典框架上重新解释、补充例子，或者换一种更适合当下的表达。

与其急着从这些后来的解读和延伸作品中收集结论，不如回到源头，看看一个学科最基础的问题最初是怎样被提出的，那些重要概念又是怎样建立起来的。

这种书读起来通常不会很快。有些段落要反复看，有些观点暂时不同意，有些问题读完以后还要慢慢想。至少对我来说，这样读留下来的东西更多。

慢一点，至少给自己留出了思考的时间。

阅读顺序比阅读数量重要

如果一本书只是消遣，读错了没有多大关系。但如果我想通过阅读建立对一个领域的理解，那么最先读到的几本书就很重要。它们会提供最初的概念、问题和判断标准，后面的阅读往往都要在这个基础上展开。

在我看来，底层的书选错了，越努力，可能只是在错误的方向上走得更远。更麻烦的是，一旦先入为主的框架形成，后来读到不同观点时，我还可能本能地排斥它们。

所以，读书以前的筛选本身就是阅读的一部分。我需要了解一本书在学科中的位置，看看它影响过谁，也要比较支持者和批评者的意见。这个过程可以借助别人，却不能完全交给别人。因为任何讲书人、榜单和推荐算法都有自己的选择标准，而他认为重要的东西，不一定适合我现在的问题。

我说的「读对」，不是只认一份经典书单，也不是在翻开书以前就知道哪个答案正确。它是先弄清楚自己要解决什么问题，再选择那些能够提供基础框架、经得起不同观点比较的书。经典原著未必总是最好的入口，一本优秀的教材或解读也可以帮我走近它。关键是知道自己读到的内容处在什么位置，不把某一次讲解当成全部。

没有谁能够替我一次性过滤掉所有质量堪忧的书。筛选能力只能在阅读、比较和思考中逐渐形成。

先把少数重要的书读进去

现在再看，我并不遗憾当初听过那些讲书节目。它们至少让我知道，感觉自己获得了知识，和头脑里真的留下了东西不是一回事。

以后遇到一本可能对自己有用的书，我更愿意慢慢读。先理解作者在回答什么，再判断他的论证是否成立。读到有触动的地方，就停下来想一想它和自己的经验有什么关系。读完以后，至少要知道自己赞同什么，又为什么不同意另一些内容。

等少数基础性的书读进去，有了可以依靠的坐标，再围绕感兴趣的问题广泛阅读。那时，后来的书是在补充和修正原来的认识，而不是一堆互不相干的新观点。

我不再追求用十几分钟读完一本书，也不想用一年读了多少本证明自己在进步。数量可以增加，但顺序不能颠倒。

先读对，再读多。

记录时间：2026-07-30 09:05:10

这篇笔记整理自一组闲鱼 AI 服务交易数据，以及我对普通人如何用 AI 接单的思考。

闲鱼正在变成普通人的 AI 接单大厅。

2026 年上半年，闲鱼 AI 服务订单达到 981.6 万单，同比增长 157%，近 500 万人付费购买。其中几个细分类目的增长更夸张：

• AI 编程与建站：增长 1732%；
• AI 漫剧：增长 1425%；
• AI PPT 与办公：增长 264%。

这组数据传递出一个很直接的信号：大多数用户并不想学习 AI，他们只想花钱买到结果。

不要卖工具，要卖交付

「1000 个提示词」「AI 入门资料包」看起来容易制作，也容易无限复制，但用户真正需要的通常不是再多一份学习材料。他们已经有一个具体问题，只是不想自己研究工具、拆解步骤、反复修改。

因此，比起教客户怎样使用 AI，更值得卖的是一个可以验收的结果：

• 把一段需求做成一个能访问的网站；
• 把一个故事做成一条 AI 漫剧样片；
• 把一份文档做成一套能够直接汇报的 PPT。

这些服务的共同点，是客户能够清楚判断交付是否完成。网站能不能打开，样片能不能播放，PPT 能不能拿去讲，都比「掌握 AI」「提升效率」更具体。

用户不是来购买你的学习过程，而是来购买一个被解决的问题。

普通人真正要练的四步

做 AI 服务，不需要先精通所有工具。工具还会不断变化，今天熟练的软件，半年后可能就被新的产品替代。真正能够积累下来的，是从需求到收款的完整能力：

找到需求 → 用 AI 降低成本 → 按时交付 → 收到钱。

找到需求，意味着识别客户愿意付费解决的问题，而不是凭自己的兴趣猜市场。

降低成本，意味着让 AI 承担资料整理、初稿生成、代码搭建、画面制作等重复工作，但自己仍要负责判断、修改和质量控制。

按时交付，意味着先约定范围、格式、修改次数和截止时间，再把成品交到客户手里。能完成，比展示一套复杂工作流重要得多。

收到钱，则意味着交易真正闭环。只有客户愿意为结果付款，需求才从想象变成了市场信号。

用 24 小时测试一项服务

没必要先买会员、报课或者研究一整套商业模式。可以用一天做一次足够小的市场测试：

1. 搜索一个细分关键词，观察客户到底在买什么；
2. 拆解 20 个同行链接，记录标题、价格、交付物、周期和销量；
3. 做出 3 个真实案例，让客户直接看到结果；
4. 围绕不同场景，上架 10 个服务链接。

这 10 个链接不该只是替换关键词。每个链接都应对应一种具体场景，例如个人主页、活动落地页、餐饮菜单，或者融资汇报、课程课件、年终总结。

接下来先看有没有咨询，再看客户反复问什么，最后尝试完成第一单。标题没人点，就调整需求表达；有人咨询却不下单，就检查案例、价格和信任感；下单以后做不完，就缩小服务范围。

先跑通第一单，再决定是否购买会员、学习更复杂的工作流，以及投入更多时间。第一单带来的真实反馈，比闭门研究一套想象中的商业模式更有价值。

AI 降低成本，不能替你履约

AI 可以缩短制作时间，却不会自动消除交付风险。

使用客户提供的文档、图片和商业资料时，要先确认授权范围并保护隐私；制作图片、视频和文案时，要注意版权与肖像权；描述服务时，不能承诺无法保证的效果；沟通和收款，也要遵守平台交易规则。

尤其要提前写清楚交付边界：包含哪些内容，何时提交，客户可以修改几次，新增需求如何计费。很多订单最后的问题，不是 AI 做不出来，而是双方对「做完」的理解完全不同。

AI 能把交付成本打下来，但售后这顿毒打，谁也替不了你。

先卖出一个结果

普通人进入 AI 服务市场，最容易掉进的陷阱，是把准备当成行动。学更多工具、收集更多提示词、研究更多案例，都能制造一种正在前进的感觉，却不一定让自己更接近客户。

更有效的起点，是选择一个足够小、能够展示、可以按时完成的结果，把它放到真实市场里。

有人愿意付钱，再提升效率；交付出现问题，再补齐流程；同类订单开始重复出现，再把服务标准化。

不必先成为 AI 专家。先成为一个能够理解需求、交出结果并对结果负责的人。

记录时间：2026-07-29 14:36:42

这篇笔记整理自霍华德·马克斯关于市场判断与恐惧的一段访谈，以及我对一次恒生科技指数下跌的复盘。

霍华德·马克斯在最近一次访谈中，重新谈到他在 2023 年的备忘录《测量市场温度》里回顾的五次重要市场判断。这些判断发生在 2000 至 2020 年。事后看，它们都对了，但他作出判断时并没有成竹在胸。

市场暴跌，是因为新闻实在太糟糕了。他读着和所有人一样的报纸，看着一样的电视节目，也接收着一样的新闻推送。那些坏消息在他看来同样可怕。他只是设法越过这种感受，最后告诉自己：不，我现在应该投资。

这段话最打动我的，是他承认自己也会害怕。即使后来证明判断正确，当时的他也没有站在市场之外。

大师并没有另一套情绪系统

学习价值投资，很容易产生一种想象：只要足够理性，就应该在市场下跌时保持冷静，甚至看到坏消息便兴奋起来。别人恐惧，我贪婪。股价越跌，我越开心。

可那更像一句事后的口号。

坏消息涌来时，我们面对的不是走势图上一段已经走完的曲线。企业的前景可能恶化，原来的估值可能算错，价格已经跌了很多也可能继续跌。账户里的亏损是真实的，未来却没有答案。一个承认自己无知、习惯用概率看待世界的人，反而很难毫无顾虑地行动。

如果一个人身处危险的环境，却完全感觉不到害怕，那未必是理性，也可能只是没有意识到风险。

所以，理性训练的目标不该是消灭情绪。情绪不会因为读过几本投资经典就从身体里退出。我需要练习的，是让理性与恐惧同时存在，并且不把最后的决策权交给恐惧。

给慌乱中的自己留一个总参谋部

我更愿意把理性理解成一套决策系统。

战争突然发生，领袖也可能心慌。成熟的组织不能指望领袖变成一个没有情绪的人，而要依靠情报、判断、预案和执行流程，在混乱中迅速回答几个问题：发生了什么？原来的判断是否失效？现在有哪些选择？每一种选择能承受怎样的后果？

投资中的理性，也应该像这样一套在后台运转的总参谋部。

它不能保证每次判断正确，更不能保证买入以后价格立刻上涨。它能做的是，在新闻和亏损一起涌来时，把注意力从「我好害怕」拉回几个具体问题：企业的长期价值变了吗？价格与价值的关系变了吗？这次下跌来自基本面，还是情绪正在走向极端？如果继续下跌，我的资金和心理能否承受？

回答完这些问题，才轮到行动。

这一次，我只是持有不动

一两个月前，恒生科技指数下跌，市场里重新出现了熟悉的恐慌气氛。我没有卖出，也没有加仓，只是持有不动。

现在回头看，我有两种感受。

一方面，我庆幸自己没有被下跌吓出去。价格走弱时，卖出可以立刻终止不安，仿佛终于对风险做了点什么。但如果原来的投资逻辑没有变化，仅仅为了让自己舒服一点而卖出，就是把账户交给情绪管理。至少这一次，我没有这样做。

另一方面，我也遗憾当时没有买入。既然事后觉得那段时间有机会，为什么身处其中时只是坐着？我究竟是在耐心持有，还是因为害怕继续下跌，没有迈出下一步？

这两种感受可以同时存在。没有卖出，说明恐惧没有完全夺走我的决策权。至于没有买入，可能涉及估值、现金安排和机会成本，不该只用「害怕」解释。但对我自己来说，它至少暴露出一个问题：当时没有一套足够明确的规则，帮助我判断是否应该行动。

恐惧本身不是买入信号

不过，遗憾不能反过来证明当时就应该买。

马克斯回顾的五次判断，都发生在市场极度亢奋或极度低迷的时候。他同时强调，逆向投资不是永远反对共识。投资者必须知道大众正在做什么，为什么这样做，其中错在哪里，以及自己应该采取什么行动。

市场很恐慌，只能说明市场很恐慌，不能单独证明资产便宜。下跌也不会替我完成企业分析、估值和资金安排。若我在平静时没有算过价值区间，没有想过基本面发生什么变化就要停止买入，也没有预留可以承受继续下跌的资金，那么临场加仓未必是勇敢，也可能只是换一种方式被情绪推动。

我缺少的不是一句「别人恐惧我贪婪」，而是几个事先写清楚的答案：在什么条件下买，买多少，判断错误时如何处理，什么变化会推翻原来的逻辑。

这些问题应该在市场平静时回答。规则也不能代替判断。如果估值依据、企业基本面或自己的资金状况变了，旧规则就要重新检查。它的作用是让我在恐慌中仍有一条思考路径，而不是闭着眼睛机械买入。

等到坏消息铺满屏幕、账户不断缩水，再要求自己突然变得冷静而果断，往往已经太晚了。

害怕，但仍然做该做的事

马克斯讲过一个战斗英雄的比喻。战斗英雄并非不知道害怕。他心里害怕，仍然去完成必须完成的事情。如果一个人迎着密集的子弹冲锋却毫无恐惧，反而可能有些不正常。

投资当然不能与战争中的牺牲相提并论。这个比喻提醒我的，只是行动不需要等到恐惧消失。若一定要等所有坏消息结束、所有不确定性消退、每个人都重新乐观起来，机会往往也已经消失。

这一次恒生科技指数下跌，我做到了没有逃跑，却没有形成一个清楚的答案，判断自己是否应该继续行动。它算不上失败，也不值得粉饰成一次完美的坚持。我守住了原来的仓位，也看见了自己的系统还缺哪一部分。

下一次恐慌到来以前，我要把判断条件、资金比例和退出依据提前写下来。我不必训练自己变得麻木。市场再次下跌时，该由这套系统接过决策权。

如果条件没有满足，就继续坐着；如果条件已经满足，即使仍然害怕，也按照计划行动。行动以后，再呆呆地坐着。

临场生出的勇气靠不住。能让我在恐惧中向前的，是早已准备好的判断。