🌥️ 晓灰

AI 供应链吸血 — 底层机制与泡沫信号

Sat, 27 Jun 2026 00:00:00 GMT

吸血机制：四层抽水

第一层：巨头利润 → GPU 订单。 四大巨头每年赚 $2,000 亿+ 利润，不回购、不分红、不存现金——全部转成 GPU 订单。这些钱以前会流回市场，现在全部进了英伟达。

第二层：英伟达 → 硬件供应链。 TSMC 代工、SK 海力士 HBM、CoWoS 封装、液冷、电力设备——每一层抽一道。钱在产业内部流转，不到消费者手里。

第三层：传统板块失血。 钱到不了消费者手里 → 工资没涨、中间任务被 AI 替代 → 不买新手机、不换车、不装修 → 茅台跌、腾讯跌、汽车跌、家电跌。这些板块不是被抛弃，是被抽干了源头活水。

第四层：央行被锁住。 核心 PCE 还在 3.4%，不够往下调。放水会顺着现有通道流进 AI 泡沫，不放水传统板块继续失血。两个方向都难。

这个结构为什么不可持续

不是因为它会崩，是因为它没有把资本最终送到买单的人手里。

花钱建数据中心的人，和省下客服工资的人，是同一批人——但省下来的钱没有发给被替代的人当消费能力。最终买单的总需求在萎缩，建了一堆数据中心不知道给谁用。

资本在产业内部封闭循环，不回流到消费者。

从更底层看，这不是单纯的 AI 估值问题，而是生产率红利没有进入家庭和市镇这两个债权源头。企业效率提高只是乙方交付能力增强，真正决定长期需求的仍然是中青年家庭能不能形成、住房和养育成本能不能下降、市镇能不能建设公共生活资产。详见生产率提升后的解决框架。

泡沫演化的三个阶段

阶段一：利润狂欢（当前）。 企业用 AI 替代中间任务 → 毛利率扩张 → 财报好看 → 市场奖励降本故事 → 半导体基金涨 40% 就是这阶段的兑现。

阶段二：需求塌陷。 被替代的人收入下降 → 消费萎缩 → 传统板块进一步失血 → 央行降息托市 → 泡沫被延后但未被阻止。

阶段三：利润反向。 企业成本降到极限，但收入在减少——因为顾客没钱了。利润率从扩张转向收缩。泡沫清算开始。

当前仍处阶段一，最多能看到阶段二的零星影子：

2026 Q1 科技行业裁员 78,557 人，47.9% 归因于 AI/自动化
22-25 岁年轻人在高 AI 暴露行业的就业相对趋势线下降约 16%
宏观数据（失业率、消费支出、初请失业金）尚未恶化——但这些都是滞后指标

待观测的信号

美国 — AI 泡沫破裂的预警信号

信号	数据源	触发阈值
巨头 capex 指引	季度财报	任一家 CFO 说”下季度 capex 放缓”
英伟达毛利率	季度财报	连续两季下滑 3%+
合计自由现金流	季度汇总	任两家同时转负（目前亚马逊已转负）
GPU 云租用价格	云市场报价	跌 20%+ QoQ
高收益债利差	FRED 数据	突然跳宽 100bp+
巨头债务发行利率	财经新闻	新发债券利率飙升
甲骨文 CDS 利差	彭博/路透	继续扩大（已涨三倍）

关键数字（2026 Q1 状态）

指标	数值
四巨头 2026 capex	$7,000-7,250 亿
四大 capex/收入比	45-57%（超过半导体工厂水平）
经营现金流被吞噬比例	2027 年预计 94%（2023 年仅 40%）
表外敞口（摩根士丹利）	$1.8 万亿
折旧悬崖（2027-2030）	累计 $5,200 亿+
AI 收入 vs 所需	当前 $400 - 600 亿，需要$ 1.6 万亿

中国 — 腾讯加仓的前置信号

信号	数据源	触发含义
CPI 转正 >0.5%	国家统计局	通缩预期松动
PPI 转正	国家统计局	企业重获定价权
南向资金流向	港股通数据	突然转为大额流出
外资中国敞口变化	EPFR 资金流数据	从减持收窄

历史参照

索洛悖论不解决泡沫问题，它是泡沫论的证据——因为生产率数据里找不到 AI，而市场已经用 114 倍 PE 在定价。

互联网泡沫破裂不需要技术是假的。它只需要市场在 2000 年把 2020 年的盈利折现到了 2000 年。

高盛的结论：“市场听到了’更高的收入’，但悄悄忽略了后半句——更高的资本开支也意味着，如果经济回报没有按时到来，未来的失望会更严重。“

当前仓位策略

不是预测泡沫什么时候破，是在指定的信号触发时提前知道该做什么。

腾讯分三档加仓：400/360/310
半导体基金留 2/3 跟涨，减 1/3 落袋为弹药
黄金 25 万在两种情景下都是双保险（放水延缓破裂 → 通胀利好黄金；需求塌陷太快 → 恐慌利好黄金）
定投只保留”想清楚了的”核心标的，其他用判断操作

参考

腾讯加仓逻辑 — 在局部恐慌中建仓

Sat, 27 Jun 2026 00:00:00 GMT

当前持有 400 股，成本 450。腾讯已从 677 跌至 413（-39%），PE 约 14 倍，核心业务剔除投资组合后约 10-12 倍。护城河（微信 13 亿用户、支付基础设施、社交关系链）未变。

巴菲特会加仓吗？

按巴菲特的三个问题：

护城河还在不在？ 在。微信不可替代。
价格给不给安全边际？ 14 倍 PE 对于拥有微信的公司，在任何市场都是便宜的。
恐慌合不合理？ 宏观恐慌（外资撤中国）合理，但错配到了腾讯——外资卖腾讯不是因为它不好，是因为流动性最好。

结论：值这个钱就买。不预测底部。

为什么可能跌得更多

两个力量尚未完全释放：

力量一：外资撤离。 钝刀子割肉，仍在进行中。没有新的系统性催化剂，抛压是渐进的。

力量二：AI 泡沫破裂。 还没来。一旦发生：英伟达财报不及预期 → 半导体暴跌 → 全球风险资产无差别抛售 → 港股作为高风险新兴市场被加倍抛售 → 腾讯被砸 10-15%，不论基本面。

2008 年可口可乐跌 30%+，2020 年连黄金都跌 12%。流动性恐慌到来时，无可幸免。

两个力量叠加： 腾讯可能从 413 再跌 25-35%，到 310-270 区间。PE 约 10 倍，核心业务 PE 约 7-8 倍。那不是给微信的定价，是给”被认为可能被国有化或退市”的定价。

这个价格会出现。停留时间不会很久——恐慌抛售的特征是跌得快、跌得深、停留短。

两个风险的权衡

现在加的风险： 加完继续跌，浮亏 20-30%。需要心理准备——那个底可能比想象的深。

等到底的风险： AI 泡沫不以暴跌形式破裂，而是阴跌 + 盈利追赶消化。半导体横盘两年，PE 从 114 倍慢慢缩到 60 倍，没有熔断、没有恐慌、没有流动性危机。腾讯就不会被拖到 310。等了两年，腾讯在 400-450 区间横盘，没等到更好的价格。

加仓方案：价位档位

价位	动作	逻辑
400	加 100 股	确认便宜，开始行动
360	加 200 股	AI 泡沫破裂拖拽效应
310	加 300 股	流动性真空的恐慌底，停留时间短，需要提前想好

每一档都比前一档更便宜，每一档都提前想清楚了。无论哪种场景——慢慢涨回去、温和阴跌、极端暴跌——都有对应的动作。

加仓后成本测算

情景	总股数	平均成本
只在 400 加 100 股	500	440
加到 360（共加 300 股）	700	417
全部加满（共加 600 股）	1,000	401

不在等待清单里的结果

即使什么都没等到，腾讯就停在 413 两年——也已经比两年前把它卖掉的任何一个人持有成本更低。

这不是在追涨或抄底，是在确认基本面没变之后，用价格给了自己更好的入场条件。 450 的买进在当时是对的，413 的加码在现在也是对的，310 的加码在未来仍然是对的——只要护城河没变。

参考

2026-06-23-腾讯大跌与纪律克制 — 腾讯跌至 413 时的不动逻辑
2026-06-26-利润的两种成分 — 赚的是判断还是运气，要分开
2026-06-26-定投的重新理解 — 存量资金快速打完，增量现金流自然定投
AI 周期、滞胀与四层仓位框架 — 三层资产分类与 AI 泡沫预判

Query 驱动的垂直 AI 满足

Sat, 27 Jun 2026 00:00:00 GMT

核心思路

借由用户的 query 发现需求，然后构造垂直的内容/功能/站点满足这些诉求——方向类似 Perplexity 的领域垂直版本。

不是做内容站跟 AI slop 卷。不是做通用搜索引擎跟 Perplexity 卷。是用 Perplexity 的产品逻辑，只服务一个垂直领域。

为什么通用搜索引擎没满足

保险、投资这类需求的共同特征：

搜索量大，商业价值高
但传统搜索引擎返回的结果很差——多是过时软文、AI 生成的泛泛回答、平台自营引流页
用户真正要的不是一篇”推荐”，是一个针对他具体情况的结构化答案

因为搜索引擎长期无法满足，这些诉求已经被分流到知乎、小红书、抖音、微信群、线下经纪人。但这些渠道的问题：信息碎片化、质量不稳定、被利益方主导。

垂直 Perplexity 的差异化

通用 Perplexity 能做到的，垂直版本做不到的，反过来也一样：

	通用 Perplexity	垂直版本
覆盖范围	全部领域	一个领域，更精准
数据源选择	通用索引	只爬最可靠的领域数据源
引导式问答	无——用户自己会问	主动缩小范围（“你房贷还剩多少”）
转化链路	无	答案后接下一步行动按钮
信任	品牌信任	领域深度带来的信任

用户搜”我该买什么保险” → 不是返回一篇静态文章 → AI 实时检索领域数据源、整合答案 → 附带对比表、保费计算器、下一步行动按钮。

战胜 AI Slop 的五条路

在 AI slop 淹没搜索结果的环境下，只有以下内容不会被淹没：

做工具，不做文章。 同样的关键词，别人交文章，你交计算器。AI 能生成一万篇”保额计算”，生成不了能跑的计算器。
视频 + 文字。 用户对视频里的人有信任感。Google 搜索结果页已混合展示视频。
拿真实的数据源。 自己采集、定期更新、别人没有的数据。AI 的训练数据是过去的。
成为一个可被搜索到的”人”。 持续记录做过的真事、犯过的错、真实的操作。信誉是时间的函数，AI 没有时间。
做 UGC 社区。 真实用户提问和回答——AI slop 打不过真人社区的信噪比。

AI slop 不是在跟你抢生意。它在填充”随便一个答案就行”的长尾词。真正有商业价值的搜索词，用户最终要找的是他们信得过的人或品牌。

AI slop 降低了”生产通用回答”的成本，把竞争场地从”谁能写得快”推到了**“谁真的干过这件事”**。

SEO → GEO

传统 SEO 正在被 GEO（生成式引擎优化）取代：不是让搜索引擎把你的页面排在第一个，是让 AI 搜索引擎（Perplexity、Google AI Overviews、ChatGPT）在生成答案时，把你的页面作为来源引用。

GEO 的护城河：数据验证。

AI 搜索引擎需要引用具体数字时，倾向于引用**有明确来源、有最近更新日期、有结构化数据（表格、对比）**的页面。AI slop 的泛泛回答满足不了这个条件。

行动：先找 query，先验证

分析可以无限深。行动是：

用需求挖掘工具（Google Trends/词引/Kimi 联网）找一个具体的 query
搜索这个 query，看现在排在前面的是什么
用 AI 做一个比现有结果更好的答案/工具/计算器
发出去（已有域名或平台），观察反馈
验证了再建站，没验证换一个词

不坐在椅子上想”哪个领域更好”——找一个具体的词，做出来，发出去。

保险、投资都是人们长期关心的领域，因为搜索引擎的长期缺位，诉求被分流到了各种其他平台。这正是机会——把散落在各处的需求，用垂直 AI 搜索的方式重新聚合在同一个答案里。

需求挖掘方法 — 搜索与社交流量

Sat, 27 Jun 2026 00:00:00 GMT

核心原则：找已有需求（不要在搜索引擎里教育市场），用 AI 把满足方案做得比现有结果更好。

海外：Google 生态

免费工具

Google Trends + Gemini（2026.01 更新）：输入一个词，Gemini 自动建议 8 个相关搜索词和话题。自然语言提问即可，适合初期方向探索。
Google Keyword Planner：查看真实月搜索量和竞争度。支持”输入竞品网址，看 Google 认为该网站的核心关键词”。
Answer Socrates：输入一个词，返回真实用户围绕它提出的问题。适合找长尾内容和具体痛点。

付费工具

Semrush：行业标准套件。AIO Sensor 功能可判断关键词是否触发 Google AI 摘要（触发 = 用户可能不点进站）。
Writesonic Chrome 插件：在 Google 搜索结果页直接显示搜索量、难度系数、CPC。

国内：小红书、抖音、微信

抖音搜索日活破 7 亿，小红书搜索占比超总使用量 50%。需求正从传统搜索引擎向内容平台迁移。

浏览器插件（免费）

词引：Chrome 插件，兼容 Google、百度、小红书、抖音。输入词 → 自动采集各平台下拉联想词，统一展示。
松鼠数据：覆盖小红书、抖音、TikTok、B 站。一键采集下拉推荐词，导出 Excel。

AI 深度分析

SeekMoney-ai（找商机）：GitHub 开源。覆盖抖音/小红书/TikTok/B 站/微信视频号/YouTube/X/Reddit 八个平台。GLM-4.7 + Embedding + DBSCAN 语义聚类 → 自动分析用户痛点 → 优先级评分（需求强度 + 市场规模 + 竞争度）。
Kimi 联网模式：让 Kimi 联网抓取各平台搜索下拉词、关联问题、爆文标题。可模拟用户搜索行为，反向分析”这个词背后是什么需求”。适合快速理解陌生领域。

放大工具

5118 / 爱站：传统 SEO 关键词工具，过滤竞争度，找”搜多竞少”的长尾词。
星链引擎：付费（¥1,980-6,980/年），关键词挖掘 → AI 文案 → 多账号分发 → 排名监控，全链路闭环。

启动流程

Google Trends + Gemini → 输入兴趣方向，获取 8 个相关方向
Google Keyword Planner → 验证搜索量和竞争度
Answer Socrates → 找到真实用户问题
词引插件 → 在小红书/抖音搜同样的词，看国内需求
交叉比对：哪些需求搜索量大但答案很差 → 切入点

整个流程不需要花钱，一个下午能跑完第一轮。

2026 年趋势

传统关键词研究正转向话题研究（用户在不同平台用不同方式表达同一个需求）
AI 摘要（Google AI Overviews）导致信息类搜索点击率下降 61%，但被 AI 摘要引用的品牌获得了更多间接点击
目标从”排名”转向”被 AI 引用 + 多平台可见”
抖音/小红书的搜索权重在上升，SEO 和 GEO 不再是 Google 一家的游戏

为什么阅读理解不明说自己的规则？

Fri, 26 Jun 2026 16:00:00 GMT

语文里的阅读理解有必要。

很多孩子的成长环境里，没有人真正和他说话。大人只给指令、评价、情绪和惩罚，很少有人耐心同他讨论：这句话是什么意思，为什么这个人嘴上这么说、心里却不是这么想，为什么同样一句话在不同场景里有不同含义。

如果没有年复一年的文本训练，他未必有机会学习这些东西：

字面意思；
上下文关系；
本意和寓意；
态度和立场；
讽刺、委婉、暗示；
说出口的部分和没说出口的部分。

这些能力不是文学家的奢侈品，而是人进入社会的基本能力。读合同、读政策、读领导的话、读客户需求、读伴侣的情绪、读新闻里的立场包装，本质上都是阅读理解。

就像日语里把“温顺乖巧”写作“大人しい”。一个孩子如果只知道这个词的中文解释，可能只会觉得它是“乖”。但如果追问下去，就会看见一种文化判断：像大人一样安静、克制、不添麻烦。温顺并不只是美德，它也可能是早熟、压抑、讨好和失去童年的痕迹。

阅读理解好的地方，就在这里。它让人知道，语言从来不只是语言。词语背后有关系，有权力，有历史，有人如何期待另一个人成为某种样子。

这也是为什么要学习语文？里真正重要的部分：语文不是为了背标准答案，而是让人能够使用文字这种抽象符号进行复杂思考。

但考试不是文学审美

问题出在另一边：语文考试里的阅读理解，经常把自己伪装成文学审美。

文学审美当然是私事。它发生在家里、饭桌上、夜里、朋友聊天时，发生在一个人被某句话击中的瞬间。你读到一篇文章，觉得荒凉、滑稽、残忍、温柔、无聊，这些感受并不需要一个标准答案来批准。

但考试不是这样运行的。

考试不负责保护审美。考试要排序，要分流，要在有限时间里用相对稳定的规则区分学生水平。它天然需要可批改、可量化、可比较，所以它会把活的阅读拆成一些死的动作：

概括段意；
分析结构；
说明修辞效果；
提取人物情感；
推断作者态度；
结合文本给出看法。

这些动作并非毫无意义。它们训练的是公共文本理解能力，而不是“你有没有真的被文学打动”。

所以阅读理解题最准确的身份应该是：

一种粗糙但必要的公共文本理解训练，也是一种考试排序工具。

它有用，但不神圣；它必要，但粗糙；它能训练人读懂复杂话语，但不能替代真正的阅读和审美。

最伤人的不是标准答案

考试有标准答案并不奇怪。只要要大规模阅卷，就一定会有评分标准。

真正伤人的，是题目和老师经常不承认这件事。

题目写着：

请谈谈你的看法。

孩子以为，这就是问“我真实怎么想”。

但它在考试语境里的完整含义其实是：

请你以一个符合公共评价规则的答题者身份，基于文本材料，给出一种价值方向正确、论证结构清楚、能被阅卷人稳定识别的看法。

这两句话完全不是一回事。

前者是私人表达，后者是公共答题。

如果题目明说“请结合材料和主流价值判断作答”，孩子虽然未必喜欢，但至少知道自己在做什么。问题是它偏偏说“你的看法”，最后却只给符合默会价值观的答案打分。

于是认真、敏感、有公平感的孩子最容易受伤。

他会想：既然你问的是我的看法，那我把我的看法表达出来，为什么不得分？

这不是孩子幼稚，而是题目没有诚实。

学校为什么不明说

学校很少明说，是因为一旦明说，就会暴露教育系统的双重身份。

它表面上说自己在培养人，实际上也承担着筛选人、排序人、规训人的功能。

这不是阴谋论，而是制度现实。学校当然有启蒙、教育、保护孩子的一面；但考试系统同时要做分流。两套功能叠在一起，话就很难讲得坦诚。

如果老师直接说：

这不是问你真实怎么想，而是考你能不能识别文本倾向、题目暗示、公共价值和评分规则。

这句话很准确，但听起来太功利，也太残酷。它会让孩子立刻意识到：原来不是“我怎么看”，而是“我如何在这个场景中被认可”。

学校更愿意说一些温和、正当、适合公开讲的话：

认真阅读；
体会作者思想感情；
表达真情实感；
树立正确价值观。

这些话没有完全错，但它们遮住了真正的考试规则。

还有一个原因是，很多老师自己也未必把这件事想清楚。他们知道怎么教学生拿分：审题、找关键词、结合文本、分点作答、升华主题。但这套经验往往是默会知识，没有被翻译成清晰的规则说明。

更麻烦的是，明说规则容易显得在教孩子世故。

告诉孩子“这题不是写你真实想法，是写阅卷人能接受的看法”，很容易被理解成教孩子虚伪、迎合、投机。于是很多老师即便知道，也不愿意说破。

结果就是，最真实的规则变成了不说破的潜规则。

“刷掉犟种”是什么意思

有人说，这类考试就是为了刷掉犟种。

这句话很刻薄，但有一部分真实。

很多考试确实不奖励那种“题目字面怎么说，我就怎么答”“你问我看法，我就写真实看法”的人。它奖励的是另一种能力：

听懂题目没有明说的要求；
区分私人表达和公共答题；
知道什么时候要讲真心话，什么时候要完成任务；
能在既定框架里组织一个可被评价系统接受的答案。

这不是纯粹的文学能力，而是一种社会化能力。

社会里很多场景都是这样。会议上问“大家有什么意见”，未必真的等于“请毫无顾忌地说出所有真实想法”。客户说“你们方案挺有意思”，也未必真的等于认可。领导说“你自己看着办”，更不一定是授权你随便办。

所以阅读理解训练的底层能力是有用的：识别场景、语境、潜台词和评价规则。

但如果学校不说清楚，孩子学到的就不是场景切换，而是被欺骗。

他会得出更糟糕的结论：

真实感受没有用。 “我的看法”不是我的看法。大人说的词和实际运行的规则不是一回事。想活得顺利，就要学会说一套、想一套。

这就是教育最危险的地方。

考试作为投名状

考试也好，阅读理解也罢，都是人生早期的投名状。更完整的展开见投名状与游戏设计。

它们不是人生真理，也不是文学审美本身，而是一个运行多年的游戏。这个游戏有完整规则，有出题方式，有评分口径，有默认价值观，有奖励和惩罚。

你服从规则，缴纳投名状，游戏就给你奖励。奖励不一定让你幸福，也不一定让你有智慧，但它会帮你打开后续人生的宽门：好学校、好履历、更大的城市、更高概率的职业入口、更宽的社交和资源通道。

相对而言，从这个游戏里太早被踢出去，往往就要去进窄门。窄门里也有人活得很好，也有人长出很强的生命力，但路途会更艰险，试错成本更高，很多选择一开始就不会向你敞开。

所以残酷的悖论在这里：

你越早看穿游戏，越需要有能力先把游戏玩完。

看穿本身不会奖励你。系统奖励的是合格答案、稳定表现和可比较的成绩。

这不是说人应该献身游戏，而是要分清几件事：

看穿规则，是认知；
服从规则，是策略；
利用规则，是能力；
不把规则当真理，是自我保护；
在必要时反抗规则，是代价更高的选择。

很多“犟种”的痛苦在于，他们太早把考试当成真诚表达场，把规则冲突当成道德冲突。于是他们用人格去和一道题硬碰硬，最后受伤的是自己。

更成熟的说法应该是：

这是一个游戏。规则未必诚实，也未必高尚。但它真实存在，并且掌握着入口。你可以鄙视它，但最好先学会通关它。通关不是认同，通关只是拿到下一张地图。

从场景切换到双重思想

成熟的人确实需要区分场景。

考试答案、公共表达、私人判断、真实感受，本来就不是同一个东西。一个人能够区分它们，是成熟。

但如果教育长期把这些层次混在一起，就会培养出一种接近“双重思想”的人格结构：一个人同时知道某件事是假的，又要求自己相信它是真的；同时保留私人判断，又在公共场合说另一套话；时间久了，甚至分不清哪一套才是自己真正相信的。

这不是“会做人”，而是自我被拆开了。

如果老师坦诚地说：

这是考试答案。你真实怎么想可以保留，但答题时要根据材料、题目意图和评分规则组织答案。

那孩子学到的是场景切换能力。

但如果老师一边说：

要表达你的真实感受。

一边只奖励符合默会价值观的答案，孩子学到的就是双重话语。

久而久之，会出现几类人。

一种人很早悟到规则，成绩稳定，也很早学会场面话和任务语言。

一种人一直以为考试是在考真诚表达，于是反复受挫，最后觉得语文虚伪、学校虚伪、世界虚伪。

还有一种人更可怜，他把标准答案内化成自己的想法，不再敢问“我真正怎么看”。

为什么事实讨论会变成人格攻击里说，稳定的自我来自一种经验：“我表达真实感受，世界没有惩罚我。”如果一个孩子在语文、作文和阅读理解里反复学到相反经验，他就很难长出这种稳定感。

好教育应该怎么说

好的教育不应该假装没有规则。

它应该把规则说清楚，但不把规则包装成真理。

更诚实的说法是：

你当然可以有自己的真实看法，这是你的私人判断，必须保留。

考试答题不是日记，也不是饭桌聊天。它要求你在文本证据、题目方向和公共价值之间，构造一个别人能判断、能给分的回答。

学会答题不是背叛自己，而是学会识别场景。

但答完题以后，你仍然可以继续问：我真正怎么看？

这才是语文教育应该教给孩子的东西。

它还应该继续补上一句：

你可以把考试当成游戏通关，但不要把游戏奖励误认为人生意义。早期用规则换来更多选择，之后再用这些选择重新保护自己的判断。

不是永远说标准答案，也不是永远顶撞标准答案，而是区分：

这是考试答案；
这是公共表达；
这是我的私人判断；
这是我暂时不能公开说、但仍然保留的疑问。

一个人能区分这些层次，他会变成熟。

一个人被迫混淆这些层次，他就会变成双面人。

语文最该保护什么

语文最该保护的，不是标准答案，也不是任性表达。

它最该保护的是孩子对语言的信任。

当题目说“你的看法”时，孩子应该知道这里的“你”是谁：是私人生活里的我，还是考试场景里的答题者。

当老师说“真情实感”时，孩子应该知道这是真实经验的表达，还是符合文体和评分要求的表达。

当社会说“你要成熟一点”时，孩子应该知道成熟不是自我阉割，而是知道在什么场景里使用什么语言，同时保留自己真正的判断。

当孩子只会说「栓Q」和「包的」关心的是语言贫乏如何让思维变窄。这篇要关心的是另一种相反的问题：语言太熟练地服务于考试和权力，也会让人失去真实感受。

一个孩子只会说梗，是语言贫乏。

一个孩子只会说标准答案，是另一种语言贫乏。

真正的语文教育，应该让孩子既能读懂别人没说出口的话，也不丢掉自己心里真正想说的话。

为什么需要背古诗词或者名人名言？什么时候不如不背？

Fri, 26 Jun 2026 16:00:00 GMT

背古诗词和名人名言的价值，不在于以后可以随手掏出一句漂亮话。

如果只是为了发朋友圈文案，今天完全可以掏出手机问 AI：天气很阴，照片拍好了，帮我想几句古诗古文。AI 会给出一串候选，数量更多，搭配更快，甚至比大多数人临时能想到的更工整。

所以问题不该是：背诵能不能帮我找到一句好话。

真正的问题是：一句话有没有变成我的感受能力。

不是找到，而是想到

一个人在阴天早上看到黑云，脑海里浮现出“黑云压城城欲摧”，这件事和用 AI 检索文案不一样。

AI 给的是外部检索结果。它发生在我已经决定“我要包装一下这个天气”之后。

而背过、记住、经历过、后来又被生活重新点亮的语言，是内部感受器。它发生在我开始表达之前，甚至发生在我开始清楚意识到自己感受之前。

“云好黑”当然也是真的，但它主要说的是颜色。

“黑云压城城欲摧”说的不只是颜色，还有重量、逼近、压迫、危机、肃杀，以及一个人站在天地之间被形势包围的感觉。它不是把天气说得更文雅，而是提供了一种更复杂的感受模型。

这就是背诵可能有用的地方：它把一些高密度的语言提前存进身体里。小时候未必懂，但节奏、意象、句法、气势先留下来。等到长大以后，真的遇见阴天、离别、压迫、孤独、壮怀、衰败，那些旧句子才会重新醒来。

小时候背的是句子，长大后醒来的是经验。

这和阅读，让词语再次成为肉身是同一件事。文本不是被机械复读才有生命，而是在一个人的真实处境里重新获得肉身。

背诵不天然高明

但这并不意味着背古诗词就天然高明。

如果一个人看到任何阴天都贴一句“黑云压城城欲摧”，看到任何夕阳都贴一句“夕阳无限好”，看到任何雪都贴一句“忽如一夜春风来”，那当然也是套路。

甚至可能比“天气真 NB”更油腻，因为它还带着一种“我有文化”的姿态。

“天气真 NB”也不是一定差。它在朋友聊天、短视频吐槽、即时情绪释放里可能非常准确。问题从来不在于它俗不俗，而在于它能不能承载当下的感受。

同样，“黑得像我的手肘皮肤”也可能比古诗更好。它具体、个人、有肉身感。它不是公共典故，却可能更贴近说话者自己的经验。

所以真正的标准不是古诗词优于大白话，也不是名人名言优于个人土话。

真正的标准是：语言和经验有没有咬合。

如果咬合了，古诗词就是我的体验；如果没有咬合，它只是作者的体验，被我借来装饰门面。

为什么还要背

既然原创的大白话也可以很好，背诵到底高明在哪里？

它不高明。

高明的是背诵之后可能发生的内化、辨认和再经验。

背诵的价值，最多在于它提前给人准备了一批经过时间筛选的语言材料。它们像一些潜伏的感受模板：背过“黑云压城”，以后看云时就不只看颜色，也可能看见压迫；背过“山雨欲来风满楼”，以后感受变化时就不只说“感觉要出事”，也可能捕捉到事变来临前空气里的张力。

这不是让人永远引用古人，而是让人拥有更多感受世界的角度。

一个人语言库存越贫乏，越容易只能用少数几个词处理复杂经验：好、坏、爽、烦、绝了、无语、牛逼、栓 Q、包的。不是这些词不能用，而是如果只剩这些词，世界就会被压扁。

当孩子只会说「栓Q」和「包的」里真正值得担心的，也不是孩子说了几个网络词，而是当他们面对不同场景、不同情绪、不同关系时，脑子里只剩同一种惯性表达。语言变窄，思维和感受也会一起变窄。

背诵古诗词、名人名言、好句子，本质上是在扩展语言库存。库存本身不等于表达能力，但没有库存，很多感受还没有来得及被辨认，就已经被粗糙的话语盖过去了。

公共语言和私人表达

古诗词和名人名言还有一个价值：它们是公共语言。

“黑得像我的手肘皮肤”是私人的，很好。它强在独特、具体、不可替代。

“黑云压城城欲摧”是公共的，也很好。它强在压缩、共鸣、跨时间的可识别性。它让别人迅速进入一个共享过的情绪空间。

公共语言不是为了压倒私人表达，而是为了提供一个更大的回声场。你此刻的阴天，不只是你一个人的阴天，也可以和千年前某个人的阴天发生重合。

这也是为什么要学文言文？里说的那层意思：前人的文字让人知道，自己的处境、问题、孤独、悲伤和决断，并不是宇宙里第一次出现。没有真正的独唱，很多时候只是隔着时间的重唱。

但公共语言也最容易被滥用。

一旦它不再服务于真实经验，而只是服务于身份表演，它就会死掉。它会从共鸣变成摆拍，从表达变成装饰，从语言库存变成社交道具。

这和自媒体内容产品里的“嘴替”逻辑很像。好的嘴替，是把模糊感受变成清晰语言；坏的嘴替，是把人训练成只会转发别人已经打包好的情绪。古诗词和名人名言也一样：它们可以表达我，不能替代我。

什么时候不如不背

有几种背诵，确实不如不背。

第一，背了只是为了显示自己有文化。

这种背诵会让语言变成阶层姿态。说话者真正关心的不是眼前的景色，也不是自己的心境，而是别人是否承认他读过书。

第二，背了以后不再认真看眼前的东西。

如果阴天一来，脑子里立刻套“黑云压城”；下雪一来，立刻套“忽如一夜春风来”；离别一来，立刻套“劝君更尽一杯酒”，那不是感受变丰富，而是感受被模板接管。

第三，背诵替代了自我表达。

当一个人本来可以说“黑得像我的手肘皮肤”，却因为觉得这句话不够高级，硬换成一句古诗，他可能反而丢掉了自己的经验。

第四，背诵变成考试后的语言残骸。

只记得标准答案，不记得它和人生有什么关系；只记得解释，不记得声音；只记得作者情感，不记得自己有没有类似的心境。这样的背诵会让好语言变成死标本。

这也是为什么要学习语文？里真正重要的问题：语文不是为了让人记住一套可背诵的答案，而是为了让人能够使用文字这种抽象符号进行复杂思考，并慢慢形成独立的自我意志。

背诵的真正目的

背诵的目的不是让人永远引用别人。

背诵的目的，是让未来的自己多一些可被生活激活的感受器。

有时候，最贴切的是古诗词。

有时候，最贴切的是一句网络梗。

有时候，最贴切的是一句粗话。

有时候，最贴切的是“黑得像我的手肘皮肤”。

一个人真正需要的，不是永远说得典雅，而是有能力在不同场景里找到那句最贴近经验的话。

如果古诗词在那个瞬间真的帮我重新看见了眼前的东西，它就不是套路，而是我的经验被前人的语言点亮了。

如果它只是替我假装感受过，那还不如老老实实说一句：云好黑。

投名状与游戏设计

Fri, 26 Jun 2026 16:00:00 GMT

考试也好，考证、考公、实习、工作、晋升也罢，很多时候都是人生不同阶段的投名状。

投名状不是人格证明，也不是终极价值判断。它更像一张准入凭证：你用某种系统承认的形式证明自己懂规则、愿意付出成本、能够稳定完成任务，于是系统给你一部分奖励和入口。

读书是投名状。它证明一个人能长期服从训练，理解抽象规则，完成延迟满足。

考证是投名状。它证明一个人愿意进入某个行业共同体，承认它的门槛。

考公是投名状。它证明一个人能理解制度语言，稳定输出标准答案，适应组织秩序。

实习是投名状。它证明一个人不只是学生，而能进入职场节奏。

工作是投名状。它证明一个人能持续交付，而不是只会表达潜力。

晋升是投名状。它证明一个人不只会做事，还能承担责任、协调利益、代表组织说话。

这里最大的智慧是：很多门槛不是为了检验你的全部价值，而是检验你是否愿意用某种形式向系统缴纳承认。

残酷选择的文明接口

投名状的本质，是残酷选择机制在文明社会里的温和接口。

世界底层确实存在选择。资源有限，位置有限，机会有限，信任有限。不是每个人都能进好学校，不是每个人都能拿到稳定职位，不是每个人都能晋升，不是每个人都能进入核心圈层。

但现代社会不能赤裸裸地说：

我们就是要筛掉一批人。我们就是要把资源给更符合系统要求的人。你不合格，就去走更难的路。

这太残酷，也太不稳定。

所以人类发明了考试、学历、证书、面试、实习、绩效、答辩、晋升评审这些东西。它们把赤裸的竞争包装成一套看起来更公平、更可解释、更文明的流程。

这套流程有三层功能：

稀缺资源的分配机制；
陌生人之间的可信度证明机制；
残酷选择的道德缓冲机制。

温情友善的一面既是真的，也是包装。

它是真的，因为制度化筛选比丛林法则好。考试至少比拼爹、拼关系、拼暴力更文明一些。证书、流程、答辩、规则，确实给普通人提供了可努力的路径。

它也是包装，因为这些规则背后仍然是排序、分配和淘汰。学校说培养人，单位说成就人，组织说共同成长，但资源分配时一定会有人出局。

虚伪还是良善

这套制度语言究竟是虚伪，还是努力维持良善？

答案是两者都是。

从揭露层看，它是虚伪。制度明明在筛选、分配、淘汰，却常常说自己只是培养、帮助、陪伴、赋能。公司裁员叫组织优化，考试落榜叫暂未达到要求，晋升失败叫还需沉淀。这些说法会遮蔽真实权力关系，让失败者以为全是自己的问题。

从文明层看，它又是在努力维持良善。人类社会不能把所有选择都说成赤裸裸的优胜劣汰。那样会把人逼回丛林状态：强者理直气壮羞辱弱者，失败者失去最后的尊严。温和的语言、规则化流程、申诉机制、补考机会、面试反馈，都是在给残酷选择加缓冲垫。

关键在这里：

良善一旦拒绝承认自己背后的残酷，就会变成虚伪。

残酷一旦拒绝使用良善约束自己，就会变成野蛮。

比较好的制度不是没有筛选，而是诚实而克制地筛选。

它应该能说：

我们确实在分配有限资源。这套规则不等于你的全部价值。你这次没有通过，不代表你作为人失败。你可以知道原因，也还有别的路径。

最坏的制度会说：

我们都是为你好。你没通过，是因为你不够努力、不够成熟、不够优秀。请继续感恩这次成长机会。

前者是文明的筛选，后者是虚伪的筛选。再往下，连程序和体面都不要，就变成野蛮的筛选。

别人的游戏

考试、考证、考公、实习、晋升，本质上都是别人设计的游戏。

别人定义目标，别人制定规则，别人设置奖励，别人决定你是否合格。一个人在里面再熟练，本质上也只是一个高水平玩家。

高水平玩家和规则制定者不是一回事。

所以成熟的人不会只问：

这个考试真的代表能力吗？这个证书真的代表水平吗？这个晋升流程真的公平吗？

这些问题当然可以问，但更重要的是先看清：

它是谁设计的游戏？
它承认什么样的证明？
它给通关者什么奖励？
它要求我牺牲什么？
这个投名状值不值得交？

最危险的不是交投名状，而是不知道自己在交。

你以为自己在追求真理，其实是在换门票。你以为自己在证明人格，其实只是在完成准入仪式。你以为别人认可的是你的全部，实际认可的是你提交了合格格式。

但完全拒绝投名状也未必清醒。很多人说“我不玩这套”，结果不是超越系统，而是失去入口。

真正厉害的人是：

看穿它，但能完成它；使用它，但不崇拜它；拿到门票，但不把门票当人生意义。

这和为什么阅读理解不明说自己的规则？里的考试逻辑是同一件事。通关不是认同，通关只是拿到下一张地图。

设计自己的游戏

看懂别人的游戏，只是第一步。

更高一层是：不要永远活在别人的游戏里。

一个人真正成熟以后，要逐渐问：

我到底要进入哪个游戏？
这个游戏的奖励是不是我真的想要？
我为了通关交出的东西，值不值得？
我有没有能力把别人给我的通行证，转化成自己的筹码？
我能不能开始设计自己的游戏？

建立自己的游戏规则，不是任性地说“我不玩了”。它至少包含几层变化：

从被评价者变成评价者，不只问别人要不要我，也问这个系统值不值得我投入；
从完成任务变成定义问题，不只是答题，而是决定什么题值得答；
从争取资格变成积累筹码，把学历、证书、履历、职位转化成能力、作品、信用、关系、资源和判断；
从依赖单一游戏变成拥有多个入口，避免被某一个考试、公司、平台或组织完全拿捏；
从服从奖励变成定义奖励，不只追求分数、头衔、编制、职级和薪资，也重新定义自由、作品、影响力、安定、创造力和可迁移能力。

但不能太早浪漫化“自己的规则”。

一个人如果没有筹码、没有能力、没有作品、没有信用，只是说“我要建立自己的规则”，很容易变成逃避。因为他还没有设计游戏的材料。

更现实的路径是：

先学会玩别人的游戏，拿到资源和信用；再识别哪些游戏值得继续玩，哪些只是消耗你；最后把已有筹码转化为自己的规则、作品、系统和生活方式。

这不是从游戏里逃跑，而是从玩家逐渐变成设计者。

为什么以前的游戏那样设计

当一个人真正开始设计自己的游戏，才会第一次站到规则制定者的位置上。

以前只做玩家时，会觉得很多规则很蠢、很虚伪、很压抑：

为什么要标准答案？为什么要流程？为什么不能直接看真实能力？为什么非要投名状？为什么不相信我？

但当你自己要组织团队、筛选合作者、招人、做社群、做产品、带学生、服务客户时，你会突然发现：你也必须设计规则。

因为你不可能无限理解每个人。

你需要判断谁可信。你需要筛掉不合适的人。你需要防止有人钻空子。你需要让规则可复制、可解释、可执行。你需要让后来者知道怎么进入。你需要在有限时间里做不完美但可用的判断。

这时候你会明白，很多过去讨厌的东西并不是纯粹为了作恶，而是在解决真实问题：规模、公平、成本、效率、信任、风险、反作弊、资源分配。

标准答案讨厌，但它解决大规模阅卷的一致性。

学历讨厌，但它给陌生人之间提供低成本信任。

晋升答辩讨厌，但它让组织有一个公开解释“为什么是他”的机制。

投名状讨厌，但它证明一个人愿意为进入系统付出成本。

所以以前的讨厌可以被扭转一部分。

但不是扭转成“原来他们都对”，而是扭转成更成熟的判断：

原来这套规则有它要解决的问题。原来我当年讨厌的，不只是规则本身，而是规则不承认自己的代价。原来制定规则比批判规则难得多。但原来规则制定者也确实经常偷懒、虚伪、傲慢。

这时的理解不是和解，而是升级。

人不会再幼稚地说“所有规则都是坏的”，也不会天真地说“规则存在就是合理的”。他会开始问：

这条规则解决了什么问题？
它牺牲了谁？
它有没有把工具伪装成真理？
它有没有给被淘汰者保留尊严和退路？
如果我来设计，能不能少一点羞辱，多一点诚实？

真正设计自己的游戏后，人的愤怒会变得更精确。

以前是：我讨厌考试。

后来是：我理解考试需要筛选，但我讨厌它假装自己是在审美和育人。

以前是：我讨厌标准答案。

后来是：我理解评分需要标准，但我讨厌它把标准答案包装成唯一真理。

以前是：我讨厌投名状。

后来是：我理解系统需要准入证明，但我讨厌它把准入失败说成整个人不行。

窄门里的人

“建立自己的游戏规则”听起来很有主体性，但它需要筹码：时间、钱、教育、作品、信用、健康、关系、运气、试错空间。

绝大多数人不是不想设计自己的游戏，而是根本没有材料。

很多人一开始就被放在窄门里：

家庭资源不够，没法长期试错；
教育环境不好，没学会主流游戏规则；
身体或心理状态不好，连稳定参赛都困难；
地域和阶层限制，让很多入口一开始就关着；
早早承担家庭责任，必须先挣钱活下去；
一次考试、一次选择、一次病痛、一次债务，就把后续路径压窄了。

这时再说“你要建立自己的游戏规则”，很容易变成残酷的成功学。

对很多人来说，真正的问题不是“我不想玩别人的游戏”，而是：

我连主流游戏的入场券都没有。我被迫玩低奖励、高消耗、少选择的游戏。我一边被要求负责，一边几乎没有改变规则的能力。

宽门里的人失败了，还有退路、缓冲、换赛道、读研、出国、间隔年、创业、考证、转行。

窄门里的人失败一次，可能就是债务、失业、家庭冲突、健康崩坏。不是他们不努力，而是游戏的容错率不同。

所以这套讨论不能落到“聪明人应该看穿规则并设计自己的游戏”这么轻巧。

更完整的说法应该是：

看懂别人的游戏，因为它掌握着入口和资源；
尽量拿到主流游戏的通行证，因为宽门不是天堂，但它提供更多选择和更高容错；
不要把通行证误认为人的价值，没拿到不等于人失败，拿到了也不等于人高贵；
在有余力时积累自己的筹码，作品、技能、信用、关系、健康、判断力，才可能让人慢慢脱离单一游戏；
如果有一天能设计规则，要记得窄门里的人，不要把自己的幸运包装成能力，不要把别人的失败解释成不努力。

主流游戏既是阶梯，也是筛子。它让一部分人上来，也把另一部分人漏下去。

如果以后自己有能力设计游戏，最该做的不是取消筛选，而是：

降低第一次失败的惩罚；提供更多次进入的机会；让规则更早、更清楚地被看见；给窄门里的人留一些可转身的空间。

这才是理解过游戏残酷之后，还能保留一点良善。

利润的两种成分

Fri, 26 Jun 2026 00:00:00 GMT

拆分那 40% 的利润

半导体基金涨了 40%，拆开来看，利润来自两个互不相关的来源。

第一层：业绩增长的钱

AI 建数据中心 → 买 GPU → 半导体企业多卖货、涨价 → 利润增长。这个逻辑链条完整，可以判断，可以追踪。

赚的是这部分钱。 南方半导体基金今年以来 +77%，近一年 +148%。PE 约 114 倍。

第二层：叙事膨胀的钱

市场在定价另一层：AI 改变世界 → 算力永远不够 → 半导体估值应该对标 SaaS → 114 倍 PE 也合理。这一层赚的不是业绩增长的钱，是叙事膨胀的钱。

你在第一层赚了 15-20%，在第二层赚了剩下的。你不知道第二层什么时候停，也不知道 PE 能从 60 倍扩到 114 倍。

问题的核心

真正的问题是：你不知道自己不知道什么。

你在腾讯上的操作是典型的”判断业绩增长”——你知道”AI 有需求”，但不知道”PE 能到 114 倍”。你在半导体上的操作是典型的”判断叙事膨胀”——你知道”AI 有需求”，但不知道”估值应该对标 SaaS”。

你在 450 买了腾讯，跌到 413 不走——因为你知道”腾讯值不值这个钱”。你在 2 万买了南方半导体基金，涨了 40% 不走——因为你不知道”PE 能到 114 倍”。

区分这两件事

区分”我判断对了”和”我赚到了”——前者是你的能力，后者是你的运气。

区分”业绩增长的钱”和”叙事膨胀的钱”——前一半你可以说”我判断对了”，后一半你不能说”我判断对了”。

这也是为什么你后来会犹豫”要不要卖”——因为如果真的是价值回归，40% 的涨幅可能才刚刚开始。但如果你意识到赚的是窗口期的钱，那 1/3 的减仓就不是”截断利润”，而是把运气兑现成弹药。

这个区别

这个区别比选到一只好股票重要得多。你知道自己判断的边界在哪——你说”会多卖和涨价”但没有说”PE 能到 114 倍”。很多人在事后会下意识地把叙事的钱也归到自己头上——“我看对了 AI 需求，所以我赚了 40%“。你没这么做。

这也是为什么 1/3 减仓是对的：把业绩的钱落袋，剩下的仓位不管继续涨还是跌，都是市场在替你回答”叙事还能膨胀多久”这个问题。你没把自己的判断力延伸到你不确定的范围。

策略

所以你的策略可以总结成三句话：

趋势的钱可以赚，但只赚一波。 赚的是业绩增长的钱，不是叙事膨胀的钱——后者你不知道什么时候停。
赚完就认。 剩下的涨幅跟你没关系。你不是在判断”到顶了”，你是在说”我赚够了，后面的钱不是我的能力能赚的”。
不再入场。 这是最难的一条，也是让前两条生效的关键。

要不要记录一下这个思路？可以作为半导体减仓那篇的后续补充，或者单独写一小段。

参考

存储芯片的 PE 陷阱

Fri, 26 Jun 2026 00:00:00 GMT

起点

讨论存储芯片的商业模式，延伸到 SK 海力士和美光的估值，发现了一个悖论：海力士 7 倍 Forward PE，每天波动 10%，一个月触发三次熔断。

便宜 + 剧烈波动——这两件事不应该同时存在。

海力士的历史 PE 规律

年份	PE	发生了什么
2020	~17 倍	周期回升
2021	~9 倍	利润峰值，PE 压缩到底
2022	~23 倍	利润暴跌 77%，PE 被动膨胀
2023	负	净亏损 9 万亿韩元
2024	~6 倍	利润暴增，AI HBM 爆发
2025	~10-13 倍	利润继续涨，股价涨更快
2026	~7-9 倍（Forward）	预期利润再翻倍

规律极其稳定：每次利润峰值，PE 都被压到 6-9 倍。 市场在过去十年里没有一次相信海力士的高利润能持续。PE 是利润的反函数——利润最高的年份 PE 最低，利润崩掉的年份 PE 反而膨胀。

低 PE 不等于便宜

海力士 7 倍 Forward PE 不是在打折。它是市场在说：“你今年赚的 100 块，我只愿意给你定价 700——因为我不确定你明年还能不能赚到 70。”

那 7 倍 PE 不是安全边际，是不确定性本身在定价。

波动率戳破了 PE 分析的幻觉

海力士 6 月走势：

6/5  -9.92%
6/8  -7.68%（最低 1,855,000）
6/9  +15.91%
6/10 -7.54%
6/22 创历史新高 2,950,000，市值超越三星
6/23 -12.47%，触发熔断
6/25 +10%，又触发熔断

一个月内高低差 59%，单日涨 16%、跌 12%，双向触发熔断。这是一个 9000 亿美元市值的公司。

这种波动率意味着价格不是在对 2028 年的利润折现，而是在被杠杆 ETF、外资日内抢跑、Margin Call 连锁平仓来回撕扯。PE 分析在这种波动率下没有意义。

风险信号的三层含义

价格发现机制坏了。 基本面只是影响海力士价格的众多力量之一，次要角色。

共识极浅。 多空对合理估值的判断差了一倍——所以稍微的风吹草动，价格就从极端跳到另一个极端。

它在预演自己的结局。 当 AI 资本开支预期转向时，价格不会温和调整。它会跟现在一样，在熔断、踩踏、平仓的链条里找到下一个均衡点。

核心结论

存储芯片的 PE 从来就是利润的反函数。7 倍 PE 在历史上每一次都预示着利润即将回落。如果这一次不一样——HBM 长约真的改写了周期规律——那 7 倍是历史性的低估。如果这一次和历史上每一次一样——那 7 倍不是在打折，是在预警。

而 6 月的波动本身，就是泡沫资产行为的样本展示。

参考

定投的重新理解

Fri, 26 Jun 2026 00:00:00 GMT

定投有三个隐含前提，大部分人不会告诉你。

前提一：你买的标的真的是时间的朋友

定投赚的是”时间的朋友”的钱，前提是那个东西真的是时间的朋友。

标普 500 和纳斯达克是——美国经济长期增长、企业盈利持续扩张。行业基金、主题基金不一定是——它们是周期的囚徒。

判断标准：如果这个基金未来五年不涨，你还愿意每个月往里面投钱吗？ 标普 500 你会，绿电基金你不会。

定投在周期型资产上有一个致命错觉：每个月往磨底的行业里填钱，成本被摊平了，浮亏看起来不大。但实际上——摊平的不是成本，是机会。

前提二：市场短期是随机游走，但宏观趋势不是

定投”不择时”的逻辑是市场短期随机游走，均匀买入摊平噪音。这个假设在微观上成立——明天涨 1% 还是跌 1% 你确实不知道。

但流动性周期不是微观波动，是持续数年的宏观方向。逆风周期（加息、缩表）下，资产价格进入有方向性的下行趋势。定投 12 个月不是在摊平噪音，是在一根向下的线上均匀采点。

顺风周期 → 少量分几次梭哈（2-3 次），成本比分 12 期更低。逆风周期 → 定投减速，只保留核心标的，暂停周期型基金。等到右侧确认再进场，确定性换价格。

前提三：定投的核心功能是心理保护，不是数学优化

定投在数学上几乎从不优于一次性布局。它的真正功能是保护你：一把梭买在顶部跌 20%，你不会恐慌清仓——因为下个月还会买，下跌反而让下个月的买入更便宜。

但如果你已经能在下跌中保持判断力（腾讯跌到 413 没割、绿电竞磨底能分析机会成本），定投作为心理拐杖的功能就过时了。

定投本质是现金流匹配，不是投资策略

定投被包装成一种”投资策略”，但它本质上只是现金流的物理形态。你每个月有固定收入，所以每个月固定买入。这不是一种选择，是一个事实。

问题出在，这个事实被包装成智慧——“分批买入摊平成本！时间的朋友！“——然后套用到存量资金上，鼓励把一笔钱拆成 12 期慢慢投。唯一的效果是暴露在 12 个月的通货膨胀和机会成本中。

存量资金：想清楚 → 判断估值不极端 → 2-3 次快速打完。 增量现金流：每月工资结余 → 定投 → 自然节奏，不需要思考。

清理篮子

把没想清楚的标的从定投篮子里拿出来，是判断力升级的标志。

没想清楚的东西：一分钱不定投。可以买、可以卖、可以用判断操作——但不设自动挡。
想清楚的东西：定投是执行工具，不是判断替代。你每个月投标普，不是因为标普跌了需要摊平——是五年前就想清楚了，定投只是让这件事每个月自动发生。

不是定投低级，是定投把你带到了这里，然后它就教不了你更多了。

参考

2026-06-25-半导体基金减仓 — 知道贵了减仓，不是靠摊平成本
2026-06-24-绿电基金的磨底困局 — 关掉绿电定投，因为机会成本太高
AI 周期、滞胀与四层仓位框架 — 顺风/逆风周期的仓位策略
2026-06-26-利润的两种成分 — 赚的是判断还是运气，要分开

2026-06-25 半导体基金减仓 1/3

Thu, 25 Jun 2026 00:00:00 GMT

背景

持有 2 万南方半导体基金，浮盈 40%。基金今年以来 +77%，近一年 +148%，成立以来 +268%。重仓半导体设备股（拓荆科技、福光股份、奥普光电等）。

A 股半导体指数 PE 约 114 倍，处于 2020 年以来 87.6% 分位。

困境

知道它贵。AI 泡沫破裂时半导体设备一样跌 30-50%。但怕卖了之后泡沫继续膨胀，踏空难受。

这个困境在 AI 周期、滞胀与四层仓位框架里已经预判过：

AI 泡沫继续膨胀 — 中概率 — 铲子赚钱但不追 — 踏空感强愿意承受第一种情景的踏空感，是为了第三种情景手里有子弹。付这个代价，没问题。

现在就是付这个代价的时候。

操作

减仓 1/3。

不是清仓——留 2/3 继续跟涨，泡沫如果继续膨胀至少有参与感。不是不动——落袋 1/3，把一部分浮盈变成真实的弹药。40% 的利润如果跌回去，比从来没赚过那 40% 更让人难受。

近期仓位调整汇总

日期	标的	动作	核心逻辑
6/24	绿电基金	清仓	磨底期机会成本太高，等路标再回来
6/24	日本基金	减 1/4	从跨市场对冲变成了 AI 多头，降低集中度
6/25	半导体基金	减 1/3	估值极端 + 泡沫破裂预判，落袋部分利润
6/23	腾讯	不动	基本面没变，脉冲不值得追也不值得割

四个操作方向各不相同，但底层一致：让仓位诚实地反映当前的认知和风险敞口，而不是买入时的逻辑或浮盈浮亏的情绪。

参考

2026-06-24 日本基金减仓 1/4

Wed, 24 Jun 2026 00:00:00 GMT

背景

持有 6 万日本基金，近期受半导体板块驱动上涨。日本半导体 ETF 近一年涨 273%，日经 225 在 70,000-72,000 点区间。

买它的原始逻辑

日本是跨市场分散的选项——财政扩张驱动，和 AI 叙事基本脱钩。详见科技泡沫期的三条投资路径。

逻辑已变

日本不是被 AI 叙事”部分影响”，是已经成了 AI 叙事的核心市场：

铠侠（Kioxia）取代丰田成为日本市值最大公司
日经不断创新高，TOPIX 却走弱——涨的是半导体，不是日本
外资涌入的不是价值股，是设备商。野村日本半导体 ETF 一年涨 273%

高市早苗的财政扩张本质上是财政替代货币——在货币工具用尽后，用定向产业政策赌一次升级。而 AI/半导体是这个战略的矛头，不是附带品。370 万亿日元官民投资的核心就是半导体和物理 AI。

日本基金从”跨市场对冲”变成了”AI 半导体多头”——和主框架预判的 AI 泡沫破裂同向。

操作

减仓 1/4
不是看空日本，是降低 AI 集中度风险
保留 3/4 继续跟涨，释放 1/4 补充弹药

与绿电、腾讯的对比

	腾讯	绿电	日本
动作	不动	先走	减 1/4
原因	催化剂是急变量，踏空赌不起	磨底期机会成本太高	从对冲变成了 AI 多头，降低集中度
逻辑	踏空比浮亏更贵	流动性比磨底更重要	风险敞口比盈利更重要

三笔操作处理了三种不同的困境，不是统一的方向判断，是统一的框架原则：仓位必须诚实地反映当前的认知，而不是买入时的逻辑。

参考

2026-06-24 绿电基金的磨底困局

Wed, 24 Jun 2026 00:00:00 GMT

背景

持有 4 万绿色电力基金，属于四层框架中的”铲子”层。近期板块持续下跌，核心原因是”增量不增利”——光伏装机过剩导致现货电价跌至地板甚至负价，利润被供给端过度竞争吃掉。

当前行业处于磨底阶段：政策底已现（机制电价、绿证制度），但盈利底未确认。光伏出清还在进行中（上半年 30 多家企业破产、央国企 1 元甩卖资产），供需平衡预计要到 2027 年。

催化剂重分类：不全是慢变量

最初判断绿电的催化剂全是慢变量——机制电价上修、行业出清完成、绿证收入起量。但这个归类有误。

算电协同是快的。 2026 年已经是落地年：

项目	规模	状态
内蒙古和林格尔	360MW 已投产，二三期 500MW 年底建成	年送 7 亿度绿电
甘肃庆阳	100 万千瓦已并网，总规划 200 万千瓦	年直供 40 亿千瓦时
宁夏中卫（大唐）	光伏 50 万千瓦已并网，风电 150 万千瓦 9 月投产	年发电 22.9 亿千瓦时
乌兰察布	万国数据 300 亿投资，GW 级集群	绿电覆盖率 ≥80%

结构性意义：绿电直供数据中心，不经公共电网，不参与现货竞价，签长协锁定收益。这直接绕开了”增量不增利”的死结——不挤公开市场的低价池，有自己的定价体系。

但算电协同带来的是分化，不是普涨。受益的是西部枢纽节点附近的绿电运营商（甘肃、宁夏、内蒙古），不是所有绿电企业都能吃到。绿电基金是一个指数篮子，里面有能吃到红利的，也有在东部现货市场里继续卷的。

核心决策：先走

走，但不是止损。

修正后的催化剂图景是快慢混合——算电协同是快的，行业出清和机制电价上修是慢的。但算电协同的红利是指数内部分化的，对基金的拉动作用被稀释。相比之下，腾讯的催化剂（微信 AI 智能体上线）是直接作用于个股的急变量。

反弹形态的差异仍然成立：绿电基金的反弹大概率是渐进的、可追踪的，不存在”一夜涨停追不上”的风险。

走的真正原因：机会成本

磨底期损耗三样东西：时间、耐心、和这笔钱在其他地方的收益。

四层框架里弹药的核心价值是流动性和定价权。钱锁在一个磨底的板块里，这两样都没了。4 万不算多，但如果这 4 万磨两年不动，而同期泡沫破裂、真正的好资产跌到地板价，少的就是真实的购买力。

把流动性还给自己。重新入场的信号有三个：机制电价全面上修、主要光伏企业亏损收窄、绿证交易量价持续走高。算电协同项目的持续落地作为辅助观察指标。

纪律：如果涨了怎么办

如果走了之后绿电意外涨了 10%，不要因为”刚卖就涨”而赌气不认。

那不是判断错误，是催化剂比你预期的早到了。投资认识论-概率认知与仓位映射里写过——单次结果不代表认知错误，连续三次反向操作才说明拟合出了问题。该回来就回来，不要被面子绑架。

与腾讯的对比

	腾讯	绿电
催化剂性质	微信 AI 智能体——脉冲型催化剂。消息来了涨，消息消化了继续跌。6/23 利好就在眼前，恒科一崩照样被拖下去。不足以独力逆转宏观压力	算电协同（快）+ 行业出清（慢）+ 机制电价（慢），且被指数稀释
反弹形态	大概率脉冲式——单日涨幅会被后续阴跌消化	大概率渐进式
踏空风险	中等——单个脉冲追不上不会改变整体成本	低——等得起确认
决策	不走	先走
逻辑	买它的基本面理由没变，短期脉冲不影响核心判断	流动性比磨底更重要

待验证

算电协同是否从西部枢纽向更多区域扩散——如果范围扩大，对基金的整体拉动会增强
机制电价全面上修时点
光伏行业亏损是否在收窄——出清完成的先行指标

参考

AI 周期、滞胀与四层仓位框架 — 铲子层的定位
2026-06-23-腾讯大跌与纪律克制 — 腾讯的不走逻辑
投资认识论-概率认知与仓位映射 — 仓位反映信念强度
截短亏损，让利润奔跑 — 亏损时不要用希望替代判断

2026-06-23 腾讯大跌与纪律克制

Tue, 23 Jun 2026 00:00:00 GMT

背景

6/23 腾讯大跌至 413.6 港元（-3.74%），从去年 10 月高点 677 已跌 39%，PE 约 14 倍，近五年底部。当前持有 400 股，成本 450 港元。

大跌直接原因：恒生科技板块集体崩跌（国企指数进入技术性熊市），叠加 AI 叙事抛弃旧互联网、5 月零售数据萎缩。

但 Q1 业绩不差：营收 +9%，净利润 +11%，游戏基本盘全部创新高。年内回购 214 亿港元。

两个冲动

想加仓。 413 相对 450 的成本是更好的价格，可以拉低平均成本。
想减仓等更低再接回来。 担心后面 AI 叙事崩盘时腾讯被一起误杀。

两个都没做

不加仓的理由： 腾讯 14 倍 PE 便宜，但泡沫还没破裂。按照四层框架，被虹吸的资产在泡沫破裂时还有一波恐慌性抛售。从 413 到可能出现的 350 甚至更低，中间差一个”恐慌”。弹药应该打在那个阶段，不是打在冷清下跌的中段。

不减仓的理由： 买腾讯的理由没变——游戏基本盘没崩，微信生态没被动摇，AI 落后不是新消息。当前下跌是市场情绪和资金流向问题，不是基本面恶化。“截短亏损”管的是判断错了的情况，不是价格暂时下跌。如果卖了之后微信 AI 智能体正式上线、股价跳回，仓位没了，那是框架里说的”更贵的错误”。

核心认知

没有动作本身就是一个决策。框架的价值不在告诉你什么时候动，在阻止你在不该动的时候乱动。

今天的克制说明框架在起作用：心里想加，脑子里知道还没到点；心里想割，脑子里知道买它的理由没变。

待验证

腾讯是否进入恐慌性抛售阶段？——届时才是弹药该打出去的时候
微信 AI 智能体上线时间与市场反应
恒科是否继续恶化，拖累腾讯到更低区间

后续修正（6/24）

6/24 腾讯反弹 5%。但回看 AI 智能体的实际走势，修正了之前的判断。

微信 AI 智能体（“小微”）消息的股价反应：

时间	事件	股价反应
6/2	小微首次泄露	+10%，次日开始回吐
6/9-10	小程序开放 AI 接入	+4-5%，然后继续跌
6/23	内测正式启动	-4%，创年内新低
6/24	企业微信”大圆”内测	+5%

模式很清楚：AI 智能体的消息能制造脉冲，但逆转不了趋势。 6/23 那天利好就在眼前，恒科一崩它照样被拖下去。高盛的判断也印证了这一点——市场在意的是 WeLM 与混元两套模型并行（资源重复）、推理成本侵蚀 Q4 利润 5-17%、变现路径不清晰。

之前把微信 AI 智能体归为”急变量”不够准确。 它是脉冲型催化剂——消息来了涨，消息消化了继续跌。它不是能独力逆转宏观压力的 V 型触发。这和算电协同之于绿电类似：是真的利好，但在逆风中不足以独力扭转方向。

这意味着： 如果泡沫破裂、恒科继续恶化，腾讯大概率会被拖到比 413 更深的价位，AI 智能体的消息对冲不了多少跌幅——6/23 已经验证了这一点。恐慌底来的时候，别指望消息面能帮你判断底部。

修正后的逻辑： 不减仓的理由不是”AI 智能体可能造成 V 型反弹让人踏空”，而是”买它的基本面理由没变，短期涨跌不改变核心逻辑”。不加仓的理由反而更强了——恐慌底大概率还在前面，且恐慌来临时 AI 智能体护不了盘。

参考

自媒体内容产品

Mon, 22 Jun 2026 16:00:00 GMT

自媒体输出的是内容，但内容不是产品的终点。

内容真正交付给用户的，是某种可以被反复消费的价值：理解、判断、情绪、陪伴、身份感，或者替他说话的能力。

所以“一个人只要性格底色足够强烈，就能做好自媒体”这句话只说对了一半。个人魅力确实重要，因为它让内容有辨识度、有可信度、有稳定的语气。但个人魅力不是凌驾于内容之上的东西，它只是内容产品的一部分。用户不是来给创作者本人上香的，用户留下来，是因为这个账号持续给了他某种东西。

嘴替是一种表达产品

很多广泛传播的内容，本质上不是在提供新信息，而是在替用户完成表达。

所谓“嘴替”，不是简单替别人骂一句、爽一下，而是把用户心里已经有、但说不清楚、不敢说、说不漂亮的话，变成一句可以公开转发的话。

用户看到这种内容时，心里想的不是“我学到了”，而是：

对，我就是这个意思。

这类内容的产品价值在于：

把模糊感受变成清晰语言；
把私人情绪变成公共表达；
把立场变成可转发的社交道具；
把不敢说的话变得更容易说出口。

用户转发它，不只是因为“说得对”，而是在借它表达自己：我是什么人，我怎么看这件事，我和谁站在一起。

所以，嘴替型内容真正交付的不是观点，而是一次低成本、高准确度、可公开的自我表达。

传播不是喜欢

但嘴替不是内容产品的全部本质。科普内容是替用户理解，信息差内容是替用户发现，教程内容是替用户解决问题，审美内容是替用户想象一种生活。嘴替只是其中一种传播效率很高的产品形态。

它容易爆，因为它天然适合转发。但它也容易把创作者困在情绪供应里：不断寻找冲突、立场、爽感，最后变成迎合受众的机器。

传播也不等于喜欢。有些内容被大量传播，是因为愤怒、嘲笑、站队、猎奇，不一定是因为用户真的信任它。

如果一个内容产品想持续广泛传播，不能只靠偶然说中一句话，而要把“嘴替”产品化：

稳定抓住高频情绪；
准确命名用户说不清的感受；
降低用户表达成本；
让用户转发时不丢脸；
形成稳定语气和视角。

当用户遇到某类事情时，会下意识觉得“这个账号应该会说出我想说的话”，这才从单条爆款变成账号心智。

内容产品的本质

产品不是某个具体的形态，而是稳定交付给用户的价值。

软件交付效率，餐厅交付味觉和场景，品牌交付身份感。自媒体交付内容，但用户真正消费的不是“内容”这个壳，而是内容背后的理解、共鸣、判断、陪伴和表达。

因此，广泛传播的内容产品，很多时候是在帮用户完成一次更好的公共表达。

这也能解释 BIMBOX 里那个“嘴替”的例子：一边视频替一拨人说话，一边文章替另一拨人说话。双方未必真的在说服彼此，但都在为各自的人群提供表达工具。

这和自媒体的盈利方式也有关。广告模式要求更多关注和互动，创作者就容易生产更极化、更有争议、更适合站队的内容。嘴替天然适合这种传播机制，但如果只剩情绪动员，内容产品会变得很薄。

更长期的内容产品，需要在“替用户表达”和“替用户理解”之间找到平衡。前者带来传播，后者带来信任。

科技泡沫期的三条投资路径

Mon, 22 Jun 2026 00:00:00 GMT

问题

科技泡沫期间，普通投资者该如何自处？“集中持有好公司”的长期策略在泡沫期的 2-3 年内会短暂失效。当前叠加经济低迷 4 年的背景，可能面临 5-7 年的漫长亏损期。

三条路径

路径一：熬

耐着性子熬到泡沫结束。长期而言集中持有好公司仍然有效，只是泡沫期难受。这条路径不需要额外技能，需要的是心理承受力和现金流管理——确保自己在泡沫破裂期间不需要被迫卖出。

路径二：学烟蒂

烟蒂股投资是科技泡沫期间唯一能反抗”估值下跌”的价值投资方法。它的估值锚在资产负债表上，不在未来现金流贴现上——和 AI 叙事基本脱钩。

但门槛确实在：需要深度解析资产负债表、识别表外负债、判断催化剂是否存在。A 股还有壳价值扰乱定价的问题，真正干净的烟蒂不好找。

路径三：跨市场分散

不是所有市场都被 AI 估值泡沫绑架。三层结构：

第一层（最危险）：AI 估值绑架。 美股科技龙头、韩国、台湾半导体——叙事破裂则估值和盈利双杀。

第二层（相对安全）：AI 需求拉动。 资源国（拉美、澳洲、中东）——AI 确实在消耗铜、铝、电力，但这是真实需求，泡沫破了只是少一个买家，不是归零。定价锚在成本曲线上。

第三层（最安全）：几乎无关。 英国 FTSE 100（能源+金融+消费，科技权重极低）、欧洲价值股（意大利、西班牙，靠金融和工业）、日本（财政扩张驱动）、美股医药和必需消费（礼来、默克、沃尔玛——定价锚在老龄化和消费，不在算力）。

Vanguard 数据印证：高股息指数和全球基准的相关系数已从接近 1 降到 0.60——市场内部正在分化。

跨市场分散的关键不是找”和 AI 无关”的市场（那种市场几乎不存在），而是找受益于 AI 真实需求但不被 AI 估值泡沫绑架的市场。

三者关系

三条路径不互斥。路径三的实现门槛低于路径二——不需要深度会计分析，需要的是宏观视野和跨市场配置执行力。但这三条路径都考验同一件事：在泡沫最迷人时保持距离，在泡沫最惨烈时保持勇气。

参考

2026-06-22 长债持仓再评估

Mon, 22 Jun 2026 00:00:00 GMT

背景

6/16 减仓 5 万长债后剩余 25 万。当时的核心前提：中国 10 年期收益率在 1.74% 历史低位，下行空间有限，上行风险不对称。

考虑再减 3 万补弹药，先检查当前收益率环境。

收益率现状

6/16 减仓时：10 年期收益率 1.7714%
6/22：~1.724%，较上次卖出时再下行约 4.7BP

6 月走势：月初 1.74% → 中旬冲高 1.774%（6/11）→ 持续回落至 1.72%-1.73%。

下行驱动：5 月经济数据不及预期、美伊协议后油价回落、央行陆家嘴论坛释放宽松信号（收窄短端利率走廊至 [1.15%, 1.65%]）。

下半年预判

机构共识区间 1.60%-1.85%，前高后低节奏（Q3 承压、Q4 偏强）。

方向	空间	逻辑
下行至 1.60%	~12BP	Q4 经济数据不及预期 + 年底配置需求
上行至 1.80%-1.85%	~13-28BP	Q3 财政发力 + 政府债供给 + 通胀回升

决策：按兵不动

之前 1.74% 时卖出，下行空间有限、上行风险不对称是支持动手的。现在 1.72%，这个不对称反过来了——等的潜在额外收益约 12BP，回撤风险 13BP+，等的性价比不如上次。

更重要的是，卖长债的目的不是择时抓价差，是补弹药。弹药的真正价值在泡沫破裂时的购买力，不在卖在最低收益率。如果在等那 12BP 的过程中弹药不够、错过买点，才是框架里说的更贵的错误。

目前弹药还有余量，不急于此刻出手。如果 Q3 收益率反弹到 1.80%+，那是比现在更好的减仓窗口。

待验证

Q3 财政政策落地节奏——收益率是否反弹
央行是否在 Q3 降息——如果降，长债还有最后一波
主框架的泡沫破裂触发窗口——弹药是否够用

参考

截短亏损，让利润奔跑

Sun, 21 Jun 2026 00:00:00 GMT

Cut short your losses; let your profits run on.

中文常译为：截短亏损，让利润奔跑。

这句话通常归于英国古典经济学家、金融市场参与者 大卫·李嘉图（David Ricardo，1772-1823）。更严谨地说，它不是李嘉图著作中的原句，而是 James Grant 在《The Great Metropolis》（1837/1838）中转述的李嘉图“黄金规则”之一。

它的核心不是鼓励频繁交易，而是把投资行为拆成两条纪律：

亏损时，不要用希望替代判断。
盈利时，不要因为一点浮盈就急着证明自己正确。

真正难的不是知道这句话，而是在市场让人痛苦或兴奋时仍然执行它。

出处

Barry Popik: “Cut your losses and let your profits run”
TrendFollowing: David Ricardo’s Golden Rules

相关：投资的第一性原理、投资认识论-概率认知与仓位映射

构建 Agent Native Product：保险快查离线与在线实践演讲稿

Sun, 21 Jun 2026 00:00:00 GMT

构建 `Agent Native Product`：保险快查离线与在线实践演讲稿

这是一版面向技术同学的 30 分钟演讲逐字稿。正文以可直接朗读为主；每个需要展开的概念后，用“展开阅读”引用当前知识库中的相关文章。

开场

大家好，今天我想分享的主题是：如何构建一个 Agent Native Product。

这不是一个“怎么在产品里接一个聊天框”的分享，也不是单纯讲某个 Agent 框架怎么用。我想讲的是一个更高层的方法论：当我们真的要把 Agent 做进一个线上产品里，系统应该怎么分层，能力应该怎么沉淀，多个 Agent 应该怎么协作，以及在线体验为什么很大程度上依赖离线认知资本。

我的核心观点是：

构建 Agent Native Product，不是让一个模型在线上想得更久，而是用 OneAgent 构造可复用的领域智能体，用协议化协作模式约束多个 Agent 的交接、状态、证据和校验，把离线认知资本沉淀出来，再让在线系统低时延、可追溯、可校验地消费这些资本。

今天我会用保险快查这个真实线上产品来展开。

保险快查这个场景非常适合讨论 Agent Native。因为保险咨询不是普通问答。它有长条款，有健康告知，有核保规则，有理赔信息，有增值服务，还有很多监管和合规表达要求。用户问的也不是标准问题，而是“我这种情况怎么买”“这款能不能赔”“端午去尼泊尔爬山买什么保险”“我有高血压还能不能投”。

这些问题背后有非常复杂的上下文。如果所有事情都等用户来了以后在线从零推理，时延扛不住，质量也不可控。所以在保险快查里，我们逐渐形成了一个判断：在线 Agent 的聪明，很多时候不是因为它在线上想得更久，而是因为离线已经把该查的、该读的、该校验的东西沉淀好了。

这就是我今天要重点讲的“离线认知资本”。

展开阅读

Agent Native：让产品形成智能闭环

AI-Native 产品团队：零协调成本的开发范式

AgenticOne：OneAgent 范式在保险实时咨询中的应用

什么是 `Agent Native`

先说什么是 Agent Native。

我认为，Agent Native 不是产品里有一个 Agent，而是产品形成了智能闭环。在 Product Plane 上，这个闭环大概是：用户提出意图，Agent 理解上下文，调度知识、工具和流程，交付答案、内容或行动结果，然后把反馈、失败样本和校验结果沉淀回系统里，让下一次满足用户意图的能力变强。

所以它和普通 AI feature 的区别在于：普通 AI feature 往往是一次性调用模型，生成一个结果。而 Agent Native Product 关注的是，这个系统能不能持续积累认知，持续校验结果，持续把错误变成下一轮能力。

这里有两个基础抽象。

第一个是 OneAgent。

OneAgent 解决的是“如何构造一个足够强的基础智能体”。它不是某一个具体业务 Agent，而是一个可以派生领域智能体的基础内核。

在我这里，OneAgent 至少包含几个部分：ReAct Loop、工具调用、state/VFS、SubAgent、middleware、checkpoint 和事件流。

Loop 让模型可以围绕目标持续行动；工具让它能连接外部世界；state/VFS 让中间产物和长上下文不必全部塞进模型窗口；SubAgent 让复杂任务可以隔离到独立上下文；middleware 把运行时纪律固化下来；checkpoint 让过程可恢复、可审计；事件流则让内部执行过程可以被产品侧消费。

有了这个基础内核之后，我们可以派生很多领域 Agent。比如离线链路里的 Host Agent、Supplementary Agent、World Knowledge Agent、Verify Agent，以及在线链路里的主 Agent、搜品子图、取证 Agent 等等。

但只有 OneAgent 还不够。多个 Agent 放在一起，不天然等于可靠系统。它们不能只是互相聊天，而是要遵守一组协议化的协作模式。

这里我不把它讲成某个行业标准协议，而是讲成工程上必须明确的几类契约。

第一类是任务契约。一个 Agent 接到的不是一句随意的自然语言，而应该是结构化任务：目标是什么，输入是什么，约束是什么，预期产物是什么，停止条件是什么。

第二类是交接契约，也就是 handoff。handoff 不是把完整上下文复制给另一个 Agent，而是交接一个可继续工作的状态。更具体地说，是任务描述加上 state/VFS 引用，再加上预期输出。这样可以避免上下文污染，也避免每个 Agent 都重新背一遍全量材料。

第三类是状态契约。事实不应该只存在于模型上下文窗口里。报告、素材、证据、审计日志、索引、校验结果，都应该进入 state。在我们的实现里，VFS 对应到代码中就是 state。模型上下文负责推理，state 负责承载事实。

第四类是证据契约。每个结论要知道来自哪里。保险场景尤其如此：一个结论到底来自投保页、保险条款、健康告知、核保信息、理赔材料、增值服务，还是外部世界知识，必须可追溯。

第五类是校验契约。产物必须可打分、可拒绝、可回调。合格才进入产品，不合格就返回错误信息或修正建议。没有 verify，Agent 生成的东西就很难进入 C 端产品主链路。

第六类是事件契约。内部执行事件不等于用户可见事件。多 Agent 系统内部是并发、嵌套、乱序的，但用户需要看到的是符合业务理解的过程，比如搜索、取证、生成答案。所以中间需要一层事件协议，把运行树翻译成产品流。

展开阅读

如何快速创建领域Agent - OneAgent + MCPs 范式

从Claude Code到 OneAgent：如何做好上下文工程

如何打造可靠的Agent系统

相比层出不穷的 Agent 框架，不变的 Agent Protocol 是什么

LangGraph State 的生命周期

LangGraph Agent Event 消费指南

上下文供给链路

接下来进入保险快查的实践。

我先讲离线认知资本生产线，也可以叫“上下文供给链路”，英文可以叫 Context Supply Pipeline。

这条链路的目标，不是直接生成一个用户可见页面，而是把保险产品背后的分散信息，变成可追溯、可检索、可校验的上下文供给。它生产出来的不是一段文本，而是一组资产：context bundle、evidence、source map、vector index、校验分数、错误码和回调状态。

这里首先是 Host Agent。

Host Agent 会先查询投保页，下载产品素材，然后做 todo 规划。为什么要有 todo？因为保险产品材料非常长，如果一上来全部塞进上下文，模型很容易被淹没。todo 的价值是把长程任务拆成阶段目标，让 Agent 知道当前在查什么，下一步要补什么，什么时候可以结束。

接下来它会基于素材建立向量索引，再按需检索。也就是说，它不是把所有条款都读一遍，而是围绕当前产品分析目标，定位关键片段，逐步形成产品上下文包。

然后是 Supplementary Agent。

Supplementary Agent 负责补充主链路不一定天然覆盖的信息，比如核保信息、理赔信息、增值服务信息。它还会 review 已经形成的报告或上下文，发现缺口之后按需编辑。这个角色很重要，因为保险产品的用户价值往往不只在条款责任里，也在核保、理赔和服务体验里。

第三个是 World Knowledge Agent。

保险产品理解不能完全关在产品材料里。比如旅行险要理解目的地风险，高海拔徒步要理解真实场景，重疾险可能要理解疾病常识和行业表达。但这个外部知识必须受限引入，不能让模型自由发挥。所以 World Knowledge Agent 的职责是根据产品基本情况检索外部世界认知，并且只在有明确边界的时候，增加真实世界认知模块。

最后是 Verify Agent。

Verify Agent 会根据 state/VFS 中的上下文包、报告以及所有原始数据源进行打分。合格时完成回调，不合格时回调错误信息。这里的关键不是让 Verify Agent “感觉一下写得好不好”，而是让它基于产物和原始数据源做对齐。它看到的是报告，也看到报告背后的证据。

所以，上下文供给链路沉淀的是离线认知资本。它并不直接等于一个用户可见页面。在这个基础上，保险快查有两个重要的消费出口。

第一个出口是 DIPG。它是内容型消费。

DIPG 会消费上游上下文供给链路产出的认知资本，然后生成前端页面可以直接展示的对客内容，比如深度解读模块。也就是说，DIPG 产出的是 verified HTML，是一种可以被用户直接阅读、被前端直接渲染的内容资产。

第二个出口是 AgenticOne。它是交互型消费。

AgenticOne 面向的是用户实时互动。用户每一轮提问，在线 Agent 都要理解意图，调度搜品、取证、问答、核保、试算、推荐等能力，最后形成一个连续的咨询体验。所以它消费的是同一批离线认知资本，但产出的是互动体验，而不是固定页面。

展开阅读

保险产品解读报告系统：Multi-Agent 生产链路与评测闭环

从RAG到DeepResearch：复杂业务报告生成的上下文工程

如何科学评测 Agent 生成的文本报告：从评分体系到评测器的元评测

从Claude Code到 OneAgent：如何做好上下文工程

`DIPG`：内容型消费

我们先讲 DIPG。

DIPG 不是孤立的离线生成系统。它很大程度上依赖前面的上下文供给链路。更准确地说，上游链路负责回答“产品知识从哪里来、是否完整、是否可追溯”，DIPG 负责把这些上下文资产转成 C 端用户可直接消费的内容资产。

DIPG 里也有一个多 Agent 闭环。

Research Agent 负责读取产品上下文和原始材料，生成深度解读 HTML。Verify Agent 负责校验 HTML 和原始数据源是否一致，也会做结构校验。Host Agent 负责编排整个过程，并在校验不通过时根据 fix_hint 精准修正，而不是让 Research Agent 全盘重写。

为什么不能让实时生成直出？我们踩过两个典型问题。

一个是渲染问题。比如 HTML 末尾多了一个孤儿 </div>，单看文本很难发现，但进入移动端容器后会导致页面结构错乱。

另一个是事实幻觉。比如报告里写“优于市场 85% 同类产品”，页面看起来很漂亮，但原始材料里根本没有任何市场排名或百分位数据。这种问题比渲染问题更危险，因为它不是页面坏了，而是页面在用很确定的语气说一个没有依据的事实。

所以 DIPG 的 Verify Agent 必须看得到生产原料。我们通过 /audit/ 或对应的 state 记录生成过程中用过的素材、工具调用和检索结果。这样校验就不是对 HTML 做语言分析，而是对“HTML 里的结论”和“原始数据源”做事实对齐。

当 Verify Agent 发现问题后，会返回结构化的修正建议。Host Agent 只按这些建议做局部 patch。通过后再回调下游，刷入 DB，按产品开启。用户打开保险快查详情页时，看到的是已经通过校验的离线产物，而不是现场赌一次模型生成。

这就是 DIPG 的定位：它把离线认知资本转化成可被前端页面直接展示的对客内容资产。

展开阅读

Harness Engineering - C 端 AIGC 实时生成系统

保险产品解读报告系统：Multi-Agent 生产链路与评测闭环

如何科学评测 Agent 生成的文本报告：从评分体系到评测器的元评测

`AgenticOne`：交互型消费

接下来讲 AgenticOne。

如果说 DIPG 是内容型消费，那么 AgenticOne 就是交互型消费。它不是生成一份固定内容，而是在用户每一轮实时提问时，调度离线认知资本、工具和业务流程，形成一个可持续互动的咨询体验。

在线系统面对的问题和离线不同。离线关心的是“如何生产一份合格内容”。在线关心的是“用户这一轮到底想干什么，以及应该调度哪个能力”。

所以在线主 Agent 必须做薄。它负责理解用户意图、判断下一步该搜索、取证、问答、推荐、核保、试算，还是进入某个子流程。但它不应该亲自吞长条款，不应该自己拼复杂搜索参数，也不应该在终末工具已经生成结果后再随手改写。

比如搜品不是一个普通搜索工具。用户说“端午去尼泊尔爬山”，主 Agent 会把它转成更结构化的搜索任务，交给搜品子图。搜品子图再把任务拆成产品搜索、核保过滤、预算过滤、责任过滤等，并发执行，最后输出候选产品和命中原因。

再比如条款问答。用户问“EBC 徒步能不能赔？”系统不能让主 Agent 凭印象回答。正确链路是先由取证 SubAgent 查条款、除外责任、投保须知，把证据写入 state.search_evidence。主 Agent 只知道证据准备好了，然后调用 qa_summary 读取证据并生成最终答案。

这里有一个很重要的原则：长证据进 state，不要进 messages。主 Agent 不背长条款，只负责任务调度。真正解释证据的是终末工具。

终末工具也要被保护。推荐报告和条款问答这种工具，本身已经生成用户可见内容。如果成功后再让主 Agent 总结一遍，就容易破坏格式、丢失证据、改写结论，甚至制造新的幻觉。所以终末工具成功后应该直接成为最终输出。

最后是流式输出。

多 Agent 系统内部事件非常复杂。主 Agent、搜品子图、取证 Agent、工具调用、裸 LLM 调用，都会产生事件。如果按事件到达顺序直接展示，用户看到的就是一堆乱序的系统噪音。

所以在线系统需要事件层。内部通过 astream_events 监听运行时事件，再由 producer 按 checkpoint、run_id、parent_ids 分组进入队列，consumer 再按业务顺序翻译成前端 SSE。用户看到的是搜索、取证、生成答案这样的业务时序，而不是底层执行树。

展开阅读

AgenticOne：OneAgent 范式在保险实时咨询中的应用

LangGraph State 的生命周期

LangGraph Agent Event 消费指南

LangGraph Platform 可恢复流协议深度解析

收束

到这里，我们可以把保险快查的 Agent Native 实践总结成一张图：

上下文供给链路
  -> 沉淀离线认知资本
       |
       |-- DIPG：内容型消费，产出可直接展示的对客内容资产
       |
       '-- AgenticOne：交互型消费，产出可持续互动的实时咨询体验

上下文供给链路先把分散的产品材料和外部知识沉淀成离线认知资本。DIPG 消费这些资本，生成可直接展示的对客内容资产。AgenticOne 消费这些资本，生成可互动消费的实时咨询体验。两者共同构成保险快查在 Product Plane 上的 Agent Native 实践。

最后回到方法论。

第一，用 OneAgent 构造足够强的基础智能体。不要为每个业务从零搭一套孤立系统，而是基于统一的基础能力派生领域 Agent。

第二，用协议化协作模式约束多 Agent。任务怎么定义，状态怎么交接，证据怎么留存，产物怎么校验，事件怎么输出，都要有工程契约。

第三，把离线认知资本作为产品智能的底座。在线体验的上限，很多时候由离线沉淀的上下文资产、证据资产和内容资产决定。

第四，在线系统不要试图让一个大 Agent 做所有事情。主 Agent 要薄，领域能力要厚，长上下文要进 state，终末产物要保护。

所以最后我想用一句话收束：

构建 Agent Native Product，不是让模型在线上想得更久，而是让系统持续沉淀可复用、可追溯、可校验的认知资本，并用协议化的多 Agent 协作，把这些资本稳定地交付给用户。

这也是保险快查这套实践给我的最大启发。

展开阅读

Agent Native：让产品形成智能闭环

如何快速创建领域Agent - OneAgent + MCPs 范式

相比层出不穷的 Agent 框架，不变的 Agent Protocol 是什么

保险产品解读报告系统：Multi-Agent 生产链路与评测闭环

Harness Engineering - C 端 AIGC 实时生成系统

AgenticOne：OneAgent 范式在保险实时咨询中的应用

为什么事实讨论会变成人格攻击

Sun, 21 Jun 2026 00:00:00 GMT

为什么事实讨论会变成人格攻击

有一种很常见的误会：

你以为你在讨论一道菜。

原材料好不好，火候对不对，调味有没有问题，值不值这个价。

对方听到的却是：

你在说我没品位？你在说我被骗了？你在说我所谓的精神洁癖是装的？你在否定我这个人？

这时候菜已经消失了。

桌上只剩下一个被菜支撑起来的“我”。

菜为什么会变成我

一件东西本来只是外物。

一道菜，一本书，一个品牌，一种电影，一种生活方式，一种政治观点，一种审美偏好。

正常情况下，人可以这样说：

这东西确实一般，但我就是喜欢。

这句话很重要。它说明这个人能把事实判断和自我感受分开。东西有缺点，不妨碍我喜欢；我喜欢，也不要求它在事实层面完美。

麻烦出在另一种状态：

这东西高级，所以我喜欢它。我喜欢它，所以它必须高级。你说它一般，就是你不懂。你说它有问题，就是你在攻击我。

到这里，偏好已经不再是偏好，它变成了自我证明装置。

很多时候，一个人先借这道菜维持一个故事：我很干净，我很高级，我很特别。

所以你讨论菜，他听到的不是菜。

他听到的是：你在拆我的自我证明。

偏好如何变成身份

这个过程通常有一条清晰路径：

偏好
  ↓
选择
  ↓
姿态
  ↓
他人确认
  ↓
投入成本
  ↓
身份标签
  ↓
防御系统

一开始只是喜欢。

后来这个喜欢被说出来，被解释，被展示，被夸奖，被同类识别。

别人说：你真讲究。你真有品。你真清醒。你真不随波逐流。

于是这个偏好开始承担额外功能。它不再只负责带来愉悦，也负责证明“我是某种人”。

再往后，钱花进去了，时间花进去了，朋友圈发出去了，姿态摆出来了，圈子也进去了。承认这东西普通，就等于承认前面那套自我陈述有点可笑。

这时人会本能地保护它。

因为保护它，就是保护那个被它支撑起来的自己。

为什么事实会威胁自我

事实讨论本来很轻。

这道菜咸了，可以少放盐。这个品牌溢价高，可以换一个。这本书论证弱，可以重新评价。这个观点错了，可以修正判断。

稳定的人可以承受这种局部修正。

他可以说：

我原来想错了。这个东西确实有问题。我还是我，只是更新了一个判断。

自我不稳的人很难做到。

对他来说，局部判断连着整体自我：

我喜欢的东西有问题
  ↓
我的判断有问题
  ↓
我的品位有问题
  ↓
我这个人有问题

这条链路一旦自动启动，讨论就结束了。

你还在讲事实，他已经在防守人格。

自我为什么会不稳

稳定的自我不是天生长出来的。

它来自一系列长期经验：

我表达真实感受，世界没有惩罚我。我做出选择，结果可以承受。我犯了错，我这个人没有被整体否定。我喜欢一样东西，不需要立刻证明它高级。我不被某些人喜欢，生活也没有崩塌。我今天和昨天不一样，但我仍然连续。

如果一个人成长中得到的反馈长期混乱、苛刻、羞辱、功利化，他就很难长出这种稳定感。

他学到的东西会变成：

我要表现正确，才安全。我要被认可，才有价值。我要选对东西，才证明我不是失败者。我要显得高级，才不会被看轻。我要一直解释自己，才不会被误解。

这时候自我就会外包给外部认证系统。

别人怎么看我，决定我是谁。我选择什么，证明我是谁。我消费什么，显示我是谁。我反对什么，维护我是谁。

于是菜、书、品牌、观点、圈层，都可能变成身份支架。

别人讨论这些东西，他感受到的是支架在摇。

稳定自我和固执的区别

稳定的自我和固执，看起来都像“不容易被别人改变”。

区别在这里：

稳定自我：核心不乱，判断可改。
固执：判断不能改，因为一改核心就乱。

稳定的人有内核和外围的区分。

人格底线、长期方向、基本价值感，是内核。某个观点、某次选择、某种偏好，是外围。

外围错了，可以修，可以换，甚至可以丢。

固执的人没有这个区分。

他把外围当内核。

别人说菜不好，他觉得你说他不好。别人说观点错了，他觉得你说他这个人错了。别人说品牌普通，他觉得你说他的生活方式普通。

这更像一种脆。

稳定更像树。根在，枝叶可以换。

固执更像玻璃棒。看起来硬，一受力就裂。

怎么识别这种绑定

有几个信号很明显。

第一，他不能把“我喜欢这个东西”和“这个东西客观上可能有问题”分开。

第二，他会把事实批评翻译成人格批评。

第三，他会迅速引入品位、阶层、立场、审美、精神洁癖这些身份词。

第四，他无法承认“我就是喜欢”，必须证明“它就是高级”。

第五，他对小问题反应过度。因为小问题连着大自我。

遇到这种人，继续讨论事实通常没有意义。

他真正要的是身份安全。

怎么松开一点

解决办法也不玄。

先练习一句话：

这东西确实一般，但我就是喜欢。

这句话看似普通，里面有很强的自我稳定性。

它承认事实，也保留感受。它放弃证明，也没有放弃自己。它允许外物普通，也允许自己继续喜欢。

再练习另一句话：

我原来判断错了，但我这个人没有因此作废。

一个人能把这句话说顺，很多防御就会松掉。

最后，慢慢把外物从自我上拆下来。

菜只是菜。书只是书。品牌只是品牌。观点只是观点。选择只是选择。

它们可以表达我，不能替代我。

一个人真正稳定的时候，不需要每一次消费、每一种偏好、每一个观点都替自己上庭辩护。

这也是拒绝身份本质主义里那条线索的延伸：人不需要找到一个固定不变的本质自我，更不需要用一堆外物去装配一个本质自我。人需要的是在事实、行动、错误和修正中，逐渐获得一种更结实的连续感。

到那个时候，你可以喜欢一道菜，也可以承认它普通。

你可以保留精神洁癖，也可以承认它未必高级。

你可以拥有偏好，不必被偏好拥有。

🌥️ 晓灰

AI 供应链吸血 — 底层机制与泡沫信号

吸血机制：四层抽水

这个结构为什么不可持续

泡沫演化的三个阶段

待观测的信号

美国 — AI 泡沫破裂的预警信号

关键数字（2026 Q1 状态）

中国 — 腾讯加仓的前置信号

历史参照

当前仓位策略

参考

腾讯加仓逻辑 — 在局部恐慌中建仓

巴菲特会加仓吗？

为什么可能跌得更多

两个风险的权衡

加仓方案：价位档位

加仓后成本测算

不在等待清单里的结果

参考

Query 驱动的垂直 AI 满足

核心思路

为什么通用搜索引擎没满足

垂直 Perplexity 的差异化

战胜 AI Slop 的五条路

SEO → GEO

行动：先找 query，先验证

需求挖掘方法 — 搜索与社交流量

海外：Google 生态

免费工具

付费工具

国内：小红书、抖音、微信

浏览器插件（免费）

AI 深度分析

放大工具

启动流程

2026 年趋势

相关参考

为什么阅读理解不明说自己的规则？

但考试不是文学审美

最伤人的不是标准答案

学校为什么不明说

“刷掉犟种”是什么意思

考试作为投名状

从场景切换到双重思想

好教育应该怎么说

语文最该保护什么

Related

为什么需要背古诗词或者名人名言？什么时候不如不背？

不是找到，而是想到

背诵不天然高明

为什么还要背

公共语言和私人表达

什么时候不如不背

背诵的真正目的

Related

投名状与游戏设计

残酷选择的文明接口

虚伪还是良善

别人的游戏

设计自己的游戏

为什么以前的游戏那样设计

窄门里的人

Related

利润的两种成分

拆分那 40% 的利润

第一层：业绩增长的钱

第二层：叙事膨胀的钱

问题的核心

区分这两件事

这个区别

策略

参考

存储芯片的 PE 陷阱

起点

海力士的历史 PE 规律

低 PE 不等于便宜

波动率戳破了 PE 分析的幻觉

风险信号的三层含义

核心结论

构建 `Agent Native Product`：保险快查离线与在线实践演讲稿

什么是 `Agent Native`

`DIPG`：内容型消费

`AgenticOne`：交互型消费