Star

记录时间：2026-07-08 14:33:36

这篇笔记整理自 SakuAI（@JackQi82772） 的一篇文章《想少走弯路？一文帮你从零上手 Codex》。核心观点很实在：对 AI 编程小白来说，第一问题不是「哪个工具天花板最高」，而是你能不能看懂它、控制它、在它做错时把它拉回来。所以作者更推荐先用 Codex 建立正确的协作习惯，而不是一上来就追最猛的演示。

如果你刚开始用 AI 写代码，我不建议你一上来就追 Hermes，也不建议你直接冲 Claude Code。我更推荐你先用 Codex。

不是因为 Codex 永远最强，也不是因为另外两个不好。Claude Code 很强，Hermes 也有自己的爽感。但对小白来说，第一问题不是「哪个工具天花板最高」，而是：

• 你能不能看懂它在干什么？
• 你能不能控制它？
• 它做错时，你能不能把它拉回来？

这才是入门门槛。很多人第一次用 coding agent，会被一堆名词劝退：CLI、IDE、Cloud、Worktree、Sandbox、Skill、Plugin、MCP、Plan、Goal、Diff——看起来都重要，但不知道先学哪个。

Codex 的好处是，它更像一个完整的 AI 工作台：把入口、权限、过程、改动、验证和扩展都摆在你面前。你可以从一个可视化 App 开始，再慢慢进入 IDE、CLI、Cloud 和插件生态。对小白来说，最重要的不是马上用上最猛的 agent，而是先建立正确的 AI 协作习惯。

一、为什么 AI 小白最容易被 coding agent 劝退

普通 AI 聊天是「你问，它答」。Coding agent 不是——它会进入项目，读文件、改文件、运行命令、查看报错，再继续修改。所以你面对的不是一个答案，而是一连串动作。

小白最容易卡在五个地方：

1. 入口太多：App、IDE、CLI、Cloud，不知道从哪开始。
2. 名词太多：Agent、MCP、Plugin、Skill、Worktree、Diff，全都挤在一起。
3. 风险感太强：担心它乱改项目、乱装依赖、乱跑命令。
4. 反馈太专业：终端日志、报错堆栈、diff 对新手不友好。
5. 需求说不清：只会说「帮我优化一下」「帮我做个网站」。

所以小白真正需要的，不是一个「看起来最强」的工具，而是一个能帮你建立秩序的工具。Codex 的优势就在这里：它把很多关键动作拆开了，让你能看见、能理解、能介入。

二、为什么更推荐小白先用 Codex

作者推荐 Codex，不是因为它在所有场景都压过 Hermes 和 Claude Code——工具强弱会变，今天这个更新，明天那个追上，新手没必要一开始就卷到这个层面。他更看重五件事：

第一，入口完整。 你可以从桌面 App 开始，看见项目、线程、终端、diff、权限和插件。熟悉后再进 IDE 插件、CLI、Cloud。这个路径符合新手学习顺序。

第二，过程可见。 Codex 不只是给答案。它读了什么、改了什么、跑了什么命令，你都能追踪。可见，才有控制感。

第三，权限边界清楚。 Codex 能读文件、改文件、跑命令，也可能联网或连接外部工具，它通过权限和 sandbox 限制范围。新手不需要一上来开最大权限，先让它在小范围里做对。

第四，/plan 和 /goal 很适合新手。

• /plan 适合任务还没想清楚时：先让 Codex 读上下文、问问题、拆步骤，不要急着开工。
• /goal 适合长任务：你给它一个明确目标，它持续围绕这个目标推进。

/plan 是开工前的地图，/goal 是长任务里的方向盘。

第五，skill 和插件让能力可以逐步打开。 你不用一开始理解全部扩展机制。先会做一次任务，再把重复任务沉淀成 skill，最后再用插件、MCP、App 连接外部工具。

三、Codex 到底是什么

Codex 是 OpenAI 的 AI coding agent。人话版：它不是只会聊天的 AI，而是一个能进入项目现场做事的 AI 助手。它可以解释陌生项目、找 bug、改代码、补测试、跑 lint / test / build、看 diff、做 code review、写文档、处理表格 / PPT / PDF / 图片等非代码产物，还能通过插件连接外部工具。

但不要把它理解成「自动程序员」。Codex 很强，但你仍然要负责三件事：

• 目标是什么；
• 边界在哪里；
• 怎样算完成。

你说「帮我优化一下」，它很容易跑偏。你说「把首页首屏加载时间降到 1 秒以内，不改 API，优先最小改动，改完跑检查并报告结果」，质量就完全不同。

Codex 不怕任务难，怕的是任务又大又空。

四、先安装：App、IDE、CLI、Cloud 怎么选

新手推荐顺序：Codex App → IDE 插件 → CLI → Cloud。

1. Codex App：最适合新手第一站。 支持 macOS 和 Windows，可以用 ChatGPT 账号登录，也可以用 OpenAI API key 登录（用 API key 时，部分和 ChatGPT 计划绑定的功能可能不可用）。第一次打开建议这样做：

1. 选一个不太重要、最好有 Git 的项目；
2. 选择 Local；
3. 第一条 prompt 只让它解释项目，不要改文件；
4. 打开 diff 和终端，观察它怎么工作；
5. 熟悉后再让它做小改动。

2. IDE 插件：适合边看代码边协作。 如果你常用 VS Code、Cursor、Windsurf，IDE 插件更自然。你可以把正在看的文件、选中的代码直接作为上下文，也可以用 @文件名 引用文件。

3. CLI：适合终端用户。 Codex CLI 信息密度高，新手不是不能用，但不建议第一站就从 CLI 开始。

4. Cloud：适合更长、更并行的任务。 Cloud 适合远程运行、后台执行、并行任务。但先理解本地 Local、Worktree、diff、权限，再用 Cloud，会顺很多。

五、Codex App 里最重要的几个板块

不用一开始看懂所有按钮，先抓住这几个：

1. Project（项目）：Codex 当前工作的文件夹。打开错目录，它就会缺上下文。第一次用，先确认它是不是在正确项目里。

2. Thread（线程）：一组围绕同一任务的对话和操作。不要把所有需求塞进一个线程——解释项目、修 bug、写文章、重构模块，最好分开。一个线程解决一个主要目标。

3. Local / Worktree / Cloud：

• Local：直接在当前项目里工作，适合小改动和解释类任务。
• Worktree：在独立 Git 工作区里改，适合大改动和试错。
• Cloud：远程跑任务，适合更长、更并行的工作。
• 一句话记住：小任务 Local，大改动 Worktree，熟悉后再 Cloud。

4. Diff：你验收 AI 工作的地方。不要只看 Codex 的总结——总结是它说的，diff 才是它实际改的。你至少要看：改了哪些文件、有没有越界、有没有删掉不该删的东西、有没有把小问题改成大工程。

5. 终端：用来验证结果。你不需要马上看懂所有日志，先看命令是否成功、有没有 error、Codex 有没有根据错误继续修。

6. 浏览器、Computer Use、artifact 预览：内置浏览器适合检查网页，Computer Use 适合操作桌面 App，artifact 预览适合 PDF / 表格 / PPT / 图片等产物。这些能力有用，但权限更敏感，新手先用窄任务试，不要一上来全开。

7. 权限和 sandbox：Approval 决定 Codex 什么时候问你，Sandbox 决定它能读写哪里、能不能联网。默认原则很简单——权限够用就别开大；需要联网、写项目外文件、操作桌面 App 时，再按任务授权。

六、一次 Codex 任务是怎么发生的

一次 Codex 任务通常是这个循环：

1. 你给目标；
2. 它读上下文；
3. 它制定动作；
4. 它调用工具；
5. 它修改文件；
6. 它运行检查；
7. 它总结结果；
8. 你看 diff 和验证结果，再决定下一步。

所以不要把 Codex 当成「更会回答的 ChatGPT」。更好的用法是：你给目标，它给方案；你给约束，它执行；它给 diff，你验收；它跑检查，你看结果；它出错，你让它解释和修正。 这才是 agent 协作。

七、最重要的提示词公式

只记一个公式：

目标 + 上下文 + 约束 + 完成标准。

也就是：

• 目标：你要改变什么；
• 上下文：哪些文件、报错、截图、背景重要；
• 约束：不能改什么，要遵守什么；
• 完成标准：怎样算做完。

无论是解释项目、修 bug，还是写资料或文章，都是同一套。写资料时不要只说「帮我写一篇文章」，而要说清楚读者、标题、角度、风格、字数、事实来源和必须覆盖的模块。

好的 prompt 不是长，而是边界清楚。

八、计划模式 /plan：先让 Codex 想清楚

/plan 适合四种情况：任务复杂、需求模糊、风险较高、你还不懂当前项目。

一份好的 plan 应该包含：当前状态、目标、关键文件、修改步骤、风险点、验证方式、需要你确认的问题。如果计划太空，就继续追问。

/plan 的本质，是把「我想让 AI 帮忙」变成「我和 AI 一起定义任务」。

九、目标模式 /goal：让 Codex 持续盯着终点

/goal 适合长任务：修一组测试、做一次迁移、优化一个性能指标、整理一批文档、持续推进一个多步骤修复。

普通 prompt 是一次请求，goal 是一个持续目标。如果 goal 写不出来，先用 /plan 让 Codex 采访你。

先 /plan，再 /goal，这是新手处理复杂任务最稳的顺序。

十、Skills：把重复工作变成可调用流程

Skill 可以理解成：一套教 Codex 怎么做某类任务的工作说明书。写长文有写长文的流程，做 code review 有 review 的流程，生成图片、处理飞书 / GitHub / 文档 / 表格，也可以有各自流程。如果你每次都手动告诉 Codex 同一套要求，就该考虑把它沉淀成 skill。

Skill 通常是一个包含 SKILL.md 的目录，可以带脚本、参考资料和资源。Codex 会先看到 skill 的名称、描述和路径，只有决定使用时才读取完整说明。使用方式有两种：

1. 显式调用：在 prompt 里写 $skill-name；
2. 隐式触发：任务和 skill 描述匹配时，Codex 自动选择。

Prompt 是一次性要求，skill 是可复用工作流。

十一、Plugins、MCP、Apps：Codex 怎么连接外部世界

选择方式很简单，看你的需求「有多持久」：

• 一次任务：写进 prompt；
• 项目长期规则：写进 AGENTS.md；
• 重复流程：做成 skill；
• 一组能力要分发：做成 plugin；
• 要连外部系统：用 MCP 或 App；
• 要定时重复：用 automation。

插件和外部连接涉及账号、权限和隐私。只给当前任务需要的连接，只授权你看得懂的范围。

十二、AI 小白最该养成的 10 个习惯

1. 一次只交一个主要任务。
2. 不懂项目时，先让它解释，不要让它修改。
3. 复杂任务先 /plan。
4. 长任务用 /goal。
5. Prompt 里一定写完成标准。
6. 改完让它跑测试、lint 或 build。
7. 看 diff 再接受。
8. 权限从窄到宽。
9. 重要任务先让它复述目标和限制。
10. 反复出现的要求，沉淀成 AGENTS.md、skill 或模板 prompt。

这 10 条比任何神奇提示词都重要。

十三、真正推荐 Codex 的原因

相比 Hermes 和 Claude Code，作者更推荐 AI 小白先用 Codex——不是因为它永远最强，而是因为它更适合新手建立正确的 AI 协作习惯。

你可以从 App 开始，看见项目、线程、diff、终端和权限；再进入 IDE、CLI、Cloud；用 Worktree 隔离大改动；用 /plan 处理模糊任务；用 /goal 推进长任务；用 skill 和插件沉淀重复工作。这套东西看起来多，但不是为了炫技——它真正教你的，是怎么设计一个可执行、可观察、可验证的 AI 工作流。

所以如果你现在还在 AI 编程工具门口犹豫，建议很简单：别先追最猛的演示，先找一个你能控制、能看懂、能逐步加深的入口。从 Codex App 开始——打开一个真实项目，让它先解释，不要改；然后做一个小改动，看 diff，跑测试；再试 /plan，再试 /goal。

等这几个动作跑顺，你再回头看 Hermes、Claude Code、Cursor 和各种 agent 框架，会清楚很多。那时你不会只问「哪个更强」，而会问：它能不能理解上下文、暴露过程、控制权限、规划复杂任务、推进长期目标，并把重复工作沉淀下来？

这才是 AI 小白真正跨过门槛的时刻。

最后留一个问题：如果你现在要让 Codex 接管一个重复工作，你最想交给它什么？

记录时间：2026-07-08 09:18:07

这篇笔记整理自伯克希尔·哈撒韦 1998 年股东大会问答环节的一段对话，再加上我自己对《价值线》(Value Line) 使用方法的梳理。国内接触《价值线》的朋友可能不多，订阅费也不便宜，但巴菲特和芒格反复推崇它的图表——所有有用的信息都列在股价图下面那十几行财务数据里。核心只有一句话：不寻求意见，只寻找事实。

一、原始问答：巴菲特和芒格怎么说

提问（马克·格斯坦，《价值线》）： 巴菲特先生，考虑到你的时间安排很丰富，你和芒格先生是如何审视股票市场的所有选择的？

巴菲特：

「事实是我们甚至不知道我们购买《价值线》付了多少钱。查理和我都在各自的办公室里买了这份期刊，我们从中获得了难以置信的价值，因为它让我们以最快的方式看到了大量的关键因素，这些因素告诉我们，我们是否对一家公司感兴趣。《价值线》大约覆盖 1700 只股票，每 13 周更新一次。这是一个很好的方法来确保你没有忽略一些东西——它所呈现的快照，是我们获取各种企业信息的一种极为有效的方式。」

「我们不关心评级，这对我们没有任何影响。我们也不寻求意见，我们在寻找事实。从《价值线》上，你能得到关于公司的大部分关键信息，而浏览的时间可能不会超过 30 秒，目前我没有其他任何一个系统能像它一样好。」

来源：1998 伯克希尔股东大会

芒格：

「我认为《价值线》的图表是很棒的。我很难想象一项工作做得比那些图表上的更好。大量的信息以非常有用的形式展示出来。如果我在经营一所商学院，我们会用《价值线》的图表进行教学。」

来源：1998 伯克希尔股东大会

巴菲特（补充解释芒格说的「图表」）：

「查理所说的图表，并不是指股价走势图。他的意思是，所有有用的信息都列在股价图下面的详细财务信息里。股价走势图对我们来说毫无意义……价格走势与我们做的任何决定无关。但股价图下方 10-15 行的财务信息中，如果你对商业有一定的了解，这是一个完美的『企业快照』，它可以很快告诉你，你在看的企业有怎样的商业特征。」

来源：1998 伯克希尔股东大会

把两人的话拆开看，读《价值线》的关键点就清楚了：

• 以最快方式看到大量关键因素
• 覆盖约 1,700 只股票，每 13 周更新一次
• 呈现的「快照」是获取各种企业信息的极为有效的方式
• 大部分关键信息，浏览时间不超过 30 秒

也难怪芒格常说「如果我在经营一所商学院，我们会用《价值线》的图表进行教学」——因为所有有用的信息，都列在股价图下面的财务数据里，目的只有一个：快速找到你想看的核心数据。

下面分三个方面，直接告诉你具体看什么、怎么用、以及什么不看。

二、关键信息汇总：15 个重点维度

一份《价值线》图表里，值得关注的信息可以归纳成 15 个维度：

1. 近期价格、PE 倍数、股息率
2. 内部评级、打分、BETA 值
3. 未来 18 个月的预计股价范围和中位数
4. 未来 5 年的预期股价和收益率范围
5. 近一年机构方的买、卖、继续持有的数量变化
6. 过去 10 年+的每股数据：营收、现金流、收益、股利、资本支出、净资产；全年平均 PE 倍数、全年平均股息率
7. 最近一年的经营数据：营收、毛利率、经营利润率、净利润、净利率、营运资本、ROE
8. 资本结构：总负债、长期负债、5 年内到期负债、长期利息、股本数量
9. 流动性：现金、应收、存货、应付、到期债务和其他
10. 过去 5~10 年的年化增长率：收入、现金流、净利润、股息、净资产
11. 过去 20 个季度的连续数据和变化：营收、每股收益、支付的股利
12. 商业模式及公司简介
13. 最新的年报信息
14. 对下一财年的重点预期和解读
15. 四个特殊评级：财务健康度、股价稳定性、股价增长的持续性、收益可预测性

你可以按这 15 个维度，搭建自己的基础思考框架。我自己已经试过很多次——之前做过好几期关于公司《价值线》的分析视频，整体思路很清晰，所以能实实在在体会到它的有效性。

三、「企业快照」怎么用

巴菲特说的那个「完美的企业快照」，具体就是上面的第 6 点和第 7 点：

• 第 6 点·过去 10 年+的每股数据：营收、现金流、收益、股利、资本支出、净资产；全年平均 PE 倍数、全年平均股息率
• 第 7 点·最近一年的经营数据：营收、毛利率、经营利润率、净利润、净利率、营运资本、ROE

「股价图下方 10-15 行的财务信息中，如果你对商业有一定的了解，这是一个完美的『企业快照』，它可以很快告诉你，你在看的企业有怎样的商业特征。」

但要注意巴菲特的前提——「如果你对商业有一定的了解」。光看数据是不够的，你必须先建立对公司商业模式的基础认知：好歹要知道公司卖的是什么产品或服务，这些数据背后代表的「企业快照」，才能在你脑中快速呈现出「商业特性」。

好在《价值线》里会有单独的商业模式和公司简介（第 12 点），配着财务快照一起读，就非常方便了。

四、哪些信息不需要关注

芒格和巴菲特都反复强调，《价值线》里有些信息他们是不看的：

• 内部评级、评分——「我们不关心评级，这对我们没有任何影响」
• 未来预测（预计股价、收益率范围）
• 股价走势图——「价格走势与我们做的任何决定无关」

原则就一句话：

不寻求意见，只寻找事实。

总结

《价值线》真正的价值，不是它的结论，而是它把一家企业的关键事实压缩进了一张纸，让你在 30 秒内看清商业特性。评级、打分、预测、股价图，这些「意见」他们全部略过；真正要盯的，是那 10-15 行财务数据构成的「企业快照」，再配上对商业模式的基本理解。

一份好的资料，作用是帮你更快接近事实，而不是替你下结论。看《价值线》如此，看任何研报也如此。

记录时间：2026-07-05 18:53:39

如果要用一句话概括，我认为最准确的画像不是简单的“理性、优秀、完美主义”，而是：

一个高认知、高责任感、强系统思维的长期主义者。习惯通过理解规律、建立框架和控制风险来获得安全感，并希望最终把知识转化为事业、财富、自由和对他人的帮助。

大多数优点和缺点，其实都来自同一个底层特征：

对失控、混乱、模糊和犯大错有较高敏感度，因此会不断学习、规划、验证和系统化。

这让一个人比很多人看得更深，也可能比很多人活得更紧。

一、核心人格结构

1. 系统思维型

遇到问题时，第一反应往往不是凭感觉处理，而是建立模型。

投资要建立能力圈、护城河、现金流和估值框架；学习要建立跨学科知识体系；幸福也希望被拆解成健康、自由、平和、意义等底层变量；软件开发会从架构、工具链、AI Agent 和端到端流程去理解；内容创作也希望形成课程、脚本、封面、传播和商业化闭环。

这说明优势不是单点聪明，而是架构能力：能够把大量零散信息组织成一套可重复使用的操作系统。

2. 长期主义型

长期主义者相信复利、积累、能力圈和延迟满足，不喜欢短期投机，也不容易满足于表面的即时回报。看待职业、投资、知识和个人成长，通常会放在五年、十年甚至更长的尺度里。

但这里有一个矛盾：理性上相信长期主义，情绪上又担心年龄、时代变化和机会窗口正在关闭。

所以，焦虑常常不是来自不努力，而是来自一边告诉自己要长期积累，一边又担心自己已经落后。

3. 高责任感、高标准型

做事情不仅希望“能用”，还希望逻辑正确、结构完整、内容严谨、过程可复用，并且结果有长期价值。

这种特质会抬高产出的上限，也会制造启动负担。它不一定是普通意义上的拖延，更准确地说，是高标准导致的复杂化拖延。

一个原本可以用一周验证的小项目，可能会被逐渐思考成一个需要覆盖所有技术、场景和商业路径的大系统。

4. 强认知控制型

面对焦虑时，常见的应对方式不是单纯倾诉，而是寻找理论、阅读经典、拆解问题、制定框架、建立规则，或者寻找权威人物的思考方式。

这是一种高级的自我保护方式，但它也意味着：有时是在理解情绪，而不是经历和消化情绪。

一个人可以解释自己为什么焦虑，却不一定因此真正放松下来。

5. 教师型人格

不仅喜欢知道，还喜欢把知识整理出来，让别人也能够理解。持续关注课程结构、口播脚本、视频表达、知识库和内容产品，说明这里有明显的教师倾向。

这种倾向适合把复杂问题讲简单，建立知识顺序，帮助别人少走弯路，并把个人经验转化为公共价值。

它未必是传统学校里的教师角色，更可能是技术、商业、投资和认知成长交叉领域的知识型创作者。

二、真正突出的优势

1. 深度学习和跨领域整合能力

真正稀缺的不是知道很多，而是发现不同领域背后的共同结构。

例如，用心理偏误解释投资行为；用工程架构思维构建知识体系；用企业分析方法审视个人职业；用 AI 工具提高研究、开发和表达效率。

这是一种形成个人方法论的潜力。

2. 风险意识强

重视不使用杠杆、不做空、能力圈、安全边际、现金流、管理层诚信和可持续竞争优势，说明一个人不容易被短期兴奋彻底冲昏头脑。

随着财富、责任和年龄增加，这种能力会越来越有价值。

3. 自我反思能力强

会主动检查自己是否过度看盘，是否被短视频和群聊干扰，是否焦虑，是否只是学习而没有行动，是否存在职业危机，以及自己真正想过怎样的生活。

很多人只有在遭遇重大失败后才会反思，而这种人往往在失败发生前就会尝试检查系统。

4. 能够长期钻研困难问题

只要一个问题进入核心关注区，就会不断深入：从一本书延伸到整个学科，从一家公司延伸到商业模式和资本配置，从一个技术项目延伸到完整架构，从一次焦虑延伸到幸福与人生价值。

这种深度会在时间积累后，形成别人难以快速复制的认知资产。

5. 工具理性和目标导向强

学习通常不是为了炫耀知识，而是为了提高判断力、减少错误、增加职业竞争力、建立作品、获得财富自由和帮助他人。

这不是狭义的功利，而是希望知识能够在现实世界中产生结果。

三、需要修正的几个评价

1. 有执行力，但不是始终高执行力

当目标明确、任务边界清晰、反馈及时的时候，执行能力很强。例如程序开发、问题排查和技术学习。

但面对开放性目标时，容易扩大项目范围，不断补充前置知识，追求完整体系，寻找更好的工具和方法，并推迟公开发布。

更准确的描述是：

具有很强的执行潜力，但执行效率高度依赖任务是否被正确压缩。

缺少的不是勤奋，而是限制范围和及时交付的机制。

2. 知行合一是目标，还不是稳定状态

确实重视实践，也尝试开发项目、建立知识库和制作内容。但总体来看，输入、分析和规划能力，仍然强于稳定输出能力。

并非只说不做，而是存在一个明显倾向：做之前希望理解得足够深，导致理解过程挤占了实践迭代。

这意味着，人正处在从知识体系建设者向作品生产者过渡的阶段。

3. 极简和专注是价值观，不是稳定行为

价值观上认同少即是多，也希望减少噪音、看盘和短视频。但认知兴趣又非常广，容易同时关注投资、AI、Flutter、Web、内容创作、心理学、哲学、冥想、商业模式和跨学科知识。

真实状态更像是：

价值观上追求专注，认知上容易发散，执行上需要人为设置边界。

四、最大的弱点

最大的弱点可以压缩成一句话：

过度依赖理性、系统和准备来对抗不确定性，以至于有时会把思考变成控制，把学习变成延迟，把坚持变成不愿修正。

这种弱点主要有三种表现。

1. 过度准备

总觉得还需要再读一些资料、再完善框架、再比较一种工具、再设计完整架构、再验证一次方向。

这些事情看上去都合理，但它们可能遮住了一个更困难的问题：作品发布以后，可能不完美、没人看、被质疑，甚至证明原来的判断不够好。

所以，继续准备有时也是一种维持自尊和安全感的方法。

2. 不容易接受模糊和失控

技术问题通常可以定位、修复和验证；人生、投资、关系和创作却没有完全确定的答案。

很多关键信息只能在行动后获得。

有些问题不是想清楚以后行动，而是行动以后才能想清楚。

3. 高质量地为自己辩护

逻辑能力越强，就越能够给已有选择找到合理解释。

长期主义可能掩盖基本面已经变化；能力圈可能掩盖不愿接触新领域；坚持可能掩盖沉没成本；高标准可能掩盖害怕发布；独立思考可能掩盖拒绝外部反馈；深度研究可能掩盖不愿面对市场验证。

最大的风险不是没有逻辑，而是逻辑太强，以至于能够保护错误判断。

五、最可能遭遇的两类灾难

1. 突然型灾难：在错误判断上投入过多

危险组合是：

高确信度 × 高集中度 × 身份认同 × 沉没成本 × 缺少反证。

这可能出现在投资过度集中、押注单一职业方向、辞职后重仓一个未经验证的项目、在关系中长期忍耐明显错误，或者忽视持续存在的健康信号。

这种风险通常不来自一时兴奋，而是来自一个看起来经过充分思考的决定，被长期坚持放大。

2. 缓慢型灾难：一生都在准备

另一种更隐蔽的风险是：

十年后，读过大量书，设计过许多框架，规划过很多项目，但真正公开、持续、形成复利的作品太少。

这不会像投资爆仓一样立即疼痛，但会慢慢消耗时间、信心和机会。

对这种人来说，慢性不行动与急性错误同样值得警惕。

六、真正需要建立的四套机制

1. 限制范围机制

任何项目的第一版只能解决一个核心问题。

例如知识库项目的第一版，只需要做到：

导入资料 -> 检索 -> 基于资料回答 -> 显示引用来源。

不要一开始就同时覆盖知识图谱、多 Agent、复杂评估、多端应用和商业化。

第一版证明价值，第二版提升体验，第三版才建设体系。

2. 强制输出机制

可以设立一条明确规则：

每学习十小时，至少产生一个可以被别人看到的成果。

成果可以是一篇文章、一个视频、一个代码仓库、一个小工具、一份公司分析、一次公开讲解，或者一个可运行的产品版本。

输出不是学习之后附带的事情，而应该成为学习的一部分。

3. 反证机制

每个重大判断都必须记录：

1. 我为什么相信它？
2. 哪三个事实可以证明我错？
3. 什么变化会触发重新评估？
4. 最强反对意见是什么？
5. 我是否因为已经投入很多而不愿退出？

尤其要防止把某个投资观点、职业选择或项目变成个人身份。

观点错了，不代表人失败了。

只有将判断与自我价值分离，才可能更快纠错。

4. 生存底线机制

任何决定都不能让一次失败摧毁整体人生。

至少要守住几条底线：不使用会导致无法承受损失的杠杆；不用生活基本盘承担高风险；不让单一资产或单一项目决定全部命运；不因事业目标长期透支健康；不在情绪高峰时做不可逆决定。

目标不是永远正确，而是即使判断错误，依然拥有继续留在牌桌上的能力。

七、下一阶段最需要的成长

前一阶段的任务，是建立认知体系。这个阶段已经积累了很多。

下一阶段的核心任务应该从：

我要理解更多。

转变为：

我要持续生产真实世界中的作品，并接受现实反馈。

不是停止学习，而是调整学习和输出的比例。过去可能是 80% 输入、20% 输出；下一阶段应该逐渐变成 40% 输入、60% 输出。

真正的复利，不只是知识复利，还包括作品复利、信誉复利、用户复利、教学能力复利、产品复利和判断记录复利。

最终总结

核心优势是理性、系统、深度、长期主义、风险意识、自我反思和跨学科整合能力。

核心弱点是过度控制不确定性、过度准备、过高标准，以及在形成强烈信念后纠错速度可能变慢。

最大潜力，是把程序员的架构能力、价值投资的判断框架和教师型表达结合起来，成为一个有独立方法论的知识型创造者。

最需要防止的不是普通的小错误，而是两件事：

1. 在一个错误方向上投入太多，并用长期主义为它辩护；
2. 一直追求完整和正确，却没有形成持续、公开、可积累的作品。

对这样的人来说，最重要的一条原则是：

让重大错误无法毁掉你，让小型实验不断纠正你；少一点证明自己正确，多一点让现实告诉自己哪里错了。

记录时间：2026-07-01 06:50:10

这是一轮 Codex 协作的成本复盘。核心任务并不是普通写作，而是从 284 篇巴菲特相关原文里，提取“他认为不该做的、错误的、需警惕的、Stop-doing 的事”，并进一步归纳出什么样的人、公司、财报指标和文化是在做错事。

结果文章做出来了，校验也跑完了；但 token 消耗明显偏高。真正值得记下来的，不是“这次花了多少”，而是下次如何在保持质量的前提下，把同类任务压到更合理的成本区间。

这轮到底做了什么

任务大致分成五段：

1. 先让 3 个 Explore 子代理探查仓库结构、文章规范和既有内容；
2. 写计划文件，并澄清产出形式和取材深度；
3. 让 9 个子代理分批扫描 284 篇原文，其中 5 个中途失败，之后串行重跑补齐；
4. 整理来源矩阵底稿，并把文章重构成五类主体结构；
5. 跑 validate、build、test，再抽查 42 条引用，修正 2 处问题，最后删除工作草稿。

后面几个追问，比如“为什么消耗这么多 token”“为什么不用脚本读语料”“把经验存为记忆”“本轮完整复盘”，几乎不花 token。真正的大头集中在第一个核心任务，尤其是“读取并判断 284 篇原文”这一段。

成功取材子代理的 token 已经约 309 万，再加上前期探查、失败子代理的无效读取、主对话承接结果的滚动上下文，这一个任务占了全轮 90% 以上的消耗。

三个主要浪费点

1. 把整篇原文喂给 LLM

最大浪费来自“整篇读取”。有些股东大会原文单篇就超过 200KB，子代理会把整篇放进上下文，再让模型判断其中是否包含目标信息。

更合理的做法应该是两步：

1. 先用脚本或 rg 通过关键词、否定词、风险词、管理层词、财报指标词定位命中片段；
2. 再只把命中片段及其前后文交给 LLM 做语义判断。

脚本适合做“定位”，LLM 适合做“判断”。这轮把两件事都交给 LLM，等于让模型拿着整本书找页码，成本自然失控。

2. 子代理失败后重跑

本轮有 5 个子代理中途失败。失败前它们已经读取了大量文件，但没有形成可用产出；之后为了补齐覆盖范围，又重新跑了一遍。

这部分属于纯浪费，估计占 15% 到 20%。如果前面先用脚本切片，即使子代理失败，重跑的输入也会小很多。

3. “宁多勿漏”导致过度摘录

为了保证质量，我给取材代理的方向偏向“宁多勿漏、逐字抄录”。结果是材料池比最终文章实际需要多 5 到 10 倍。

这在全量研究阶段有价值，但如果目标是写一篇结构清晰的文章，其实不需要穷尽所有证据。每类主体保留 8 到 10 条最强引用，通常已经足够支撑论点。

下次怎么提问更省

这不是要求用户写复杂 prompt，而是在任务里加几个约束旋钮，让执行路径从一开始就更省。

1. 明确深度档位

最省的一句话是：

先用脚本 grep 定位，只读命中片段，再做提取。

如果目标不是学术级穷尽，可以再加：

重点文件优先，够用即可。

或者：

每类主体最多 8 到 10 条最强引用，不要穷尽。

这会直接改变执行策略：先用机器筛薄语料，再让 LLM 做高价值判断。

2. 给产出设上限

没有上限时，模型会倾向于把所有“可能有用”的内容都摘出来。更好的约束是：

每节挑 5 到 8 条最有代表性的材料。

这能避免前期摘出几百条，后期只用几十条的浪费。

3. 大任务先做小样本

对于 200 篇以上的语料任务，更稳的流程是：

先扫 20 篇，给我看产出质量和格式，我确认后再铺开全量。

小样本能暴露关键词设计、分类方式、引用格式和文章结构的问题。方向不对时，只损失 20 篇，而不是 284 篇。

4. 直接指定“脚本压薄”

这轮之后，同类任务应默认采用：

脚本 grep / rg 定位
-> 切出命中片段与前后文
-> LLM 做语义归类和取舍
-> 再进入文章写作

这条经验已经存进长期记忆。以后遇到大语料、长原文、全量抽取类任务，不应直接把整篇文章喂给子代理。

5. 把澄清前置

这轮中途澄清了两个问题：产出形式和取材深度。如果一开始就写清：

重构现有那篇；全量扫，但每类限 10 条最强证据。

就能少一轮往返，也能让后面的取材和写作更受控。

一句话结论

本轮 90% 以上 token 花在读取 284 篇原文上，其中 60% 到 70% 本可以通过“grep 定位 -> 切片 -> LLM 判断”省掉。

下次同类任务，最有效的提示不是写更长，而是加一句方法约束：

先脚本压薄语料，再让 LLM 提取；每类只保留最强证据。

这能在不明显牺牲质量的前提下，大幅降低 token 和时间成本。

记录时间：2026-06-29 16:23:17

这是一份本机 Codex 环境盘点。数据来自当前机器上的 ~/.codex/config.toml、~/.codex/plugins/cache、~/.codex/skills 和 ~/.agents/skills。为了避免把“下载过的包”和“当前启用的能力”混为一谈，下面按层次拆开列。

先看结论

当前配置里，明确启用的插件有 11 个；本地插件缓存里有 18 个插件包；显式配置的 MCP server 是 node_repl；另外有 3 个插件包自带 MCP 定义。个人 Codex skills 有 15 个，.agents 目录下还有 26 个 agent skills，其中飞书系列在当前 Codex 配置中被显式禁用。

真正日常会影响 Codex 行为的，主要是三层：

1. config.toml 里启用的插件；
2. 当前会话可见的 plugin skills 和个人 skills；
3. MCP server 或 app connector 提供的外部操作能力。

当前启用的插件

~/.codex/config.toml 中启用的插件如下：

这 11 个是当前配置明确写了 enabled = true 的插件。

本地缓存的插件包

本地 ~/.codex/plugins/cache 里还有更多已经下载到机器上的插件包。它们不等于全部都在 config.toml 中启用，但说明本机已经具备这些插件文件：

其中 GitHub、Figma、Gmail 插件还分别带有 app connector 配置，连接器 ID 分别存在本地 .app.json 中。文章只记录能力类型，不展开 connector ID。

MCP server

当前 config.toml 中显式配置的 MCP server 只有一个：

插件缓存中还有 3 个插件自带 .mcp.json：

这说明 MCP 能力分两种：一种直接写在全局配置里，一种随插件包提供，是否实际进入某次会话，还取决于插件启用状态、连接器状态和当前运行环境。

个人 Codex skills

~/.codex/skills 下有 15 个个人或手动安装的 skills：

• agents-sdk
• chatgpt-apps
• cloudflare
• cloudflare-email-service
• cloudflare-one
• cloudflare-one-migrations
• durable-objects
• figma
• publish-article
• sandbox-sdk
• turnstile-spin
• web-perf
• workers-best-practices
• wrangler
• yeet

这一层更像“长期放在本机的工作说明书”。例如这篇文章使用的发布流程，就是 publish-article skill：先生成 src/diary/YYYY/MM/YYYY-MM-DD-slug.md，再构建，最后用 Cloudflare Pages 发布。

插件内置 skills

本地缓存插件包里总共有 79 个 SKILL.md。按插件分组如下：

这也是为什么 Codex 的能力不只是“一个模型”。模型之外，还有一组可以被任务触发的操作说明、工具约束和工作流。

.agents skills 与禁用状态

~/.agents/skills 下还有 26 个 agent skills：

• agent-reach
• find-skills
• lark-approval
• lark-attendance
• lark-base
• lark-calendar
• lark-contact
• lark-doc
• lark-drive
• lark-event
• lark-im
• lark-mail
• lark-markdown
• lark-minutes
• lark-okr
• lark-openapi-explorer
• lark-shared
• lark-sheets
• lark-skill-maker
• lark-slides
• lark-task
• lark-vc
• lark-whiteboard
• lark-wiki
• lark-workflow-meeting-summary
• lark-workflow-standup-report

其中飞书 / Lark 系列在 config.toml 的 [[skills.config]] 中被逐项标记为 enabled = false。这意味着这些文件还在本机，但当前 Codex 配置不会默认启用它们。agent-reach 和 find-skills 不在这批禁用项里。

这份清单怎么用

以后排查 Codex 能力时，可以按这个顺序看：

1. 先看 config.toml：哪些插件真正启用了，哪些 MCP server 明确挂载了。
2. 再看插件 cache：哪些插件包已经下载到本机，但未必启用。
3. 再看 ~/.codex/skills：哪些长期工作流说明是个人安装的。
4. 最后看 .agents/skills 和 [[skills.config]]：哪些外部 agent skills 存在，但被当前配置禁用。

这个层次很重要。插件包在 cache 里，不代表当前任务一定会触发；skill 文件存在，也不代表它处于启用状态；MCP 定义存在，也不代表外部服务已经认证完成。真正可靠的判断，是把“文件存在”“配置启用”“会话可见”“认证可用”四件事分开看。

记录时间：2026-06-19 23:23:22

本文摘译并整理自 Naval Ravikant 的访谈逐字稿 Vibe Coding Hardware。原文发布于 2026-05-28，副标题是「The new vertical integration」，嘉宾包括 Guillermo Rauch（Vercel）、Blake Scholl（Boom Supersonic）和 Max Hodak（Science）。这是 上一篇《AI 工业革命》 的续篇（Part II）。本文不是全文翻译，而是按主题重组的中文笔记。

这一集在聊什么

如果说上一集《AI 工业革命》谈的是「每个人都在建自己的工厂」，那么这一集更聚焦在一个具体方向：当软件可以被随手生成时，硬件行业会发生什么。

Naval 给这集起的副标题是「新的垂直整合」。过去垂直整合是大公司才玩得起的游戏，而现在，AI 让小团队也能自己造工具、自己写配套软件、甚至自己做芯片封装。整集对话围绕一个核心张力展开：软件越来越便宜，但物理世界仍然需要双手。

1. 给涡轮叶片做 Vibe Coding

Blake 在 Boom Supersonic 的例子是全篇最具体的。

传统硬件工程的大量工作其实藏在 Excel 里：极其复杂的表格，有时还嵌着 VBScript 代码，跑在工程师各自的笔记本上，互相隔离。名义上这些不算软件，实际上全是低质量软件——没有版本控制，没有自动化测试。气动工程师要把结果交给结构工程师，靠的是邮件里来回传表格。用 Blake 的话说：「这是九十年代的做法，很糟糕。」

Boom 一开始尝试把这些流程软件化，但进展缓慢——永远招不够软件工程师。现在的新模式完全不同了：

• 软件工程师负责架构，因为他们懂系统、算法和关注点分离；
• 硬件工程师 vibe-code 自己那块，因为他们懂硬件工程本身。

结果是小团队的生产力出现了量级变化。

涡轮叶片的例子很说明问题：叶片冷态启动，运行时受热膨胀变大，所以气动和结构设计必须同时在「冷形态」和「热形态」下都成立，还要在两者之间反复换算。传统流程里，一个工程师一天只能算完一片叶片的一部分分析；而一台喷气发动机有上千片叶片。现在，软件和硬件人员组合出工具后，可以实时改变叶片几何、立刻看到结构和气动结果——两个工程师就能设计整台喷气发动机。

Guillermo 顺势点出一个企业软件的「大灾变」：再也没有哪家创业公司能卖给你「硬件协作工具」了——你内部随时把需要的东西直接 coding 出来就行。连电子表格都被「煮熟」了，因为表格当年之所以成功，正是因为没人能自己造定制软件。

Max 补充了下一步的方向：他个人已经几乎从 Excel 全面迁移到 Python 模型。AI 目前能生成软件，但他预期在 2026 年内，它会开始生成 STEP 文件和 PCB 布局——当 AI 真正进入机械和电气工程时，会是又一轮完全没见过的重构。

2. 开源模型会放大中国的制造优势

Naval 对硬件侧的判断很直接：这对所有「写不好软件的小硬件公司、小配件公司」是一大利好。它们过去做不出好软件，现在终于能做出「足够好」的软件了。甚至可能根本不需要带人类前端的软件——直接做成 agentic，由 agent 访问硬件，你用语音去控制它。

这也解释了为什么中国在大力押注开源模型:中国有硬件优势,有极其复杂的供应链和元器件链。逻辑是——「如果我能按需生成软件,那我相对硅谷的软件劣势就被抹平了。」

当然这不是唯一原因。Naval 也承认:中国还在追赶,在蒸馏模型,在协同资源;而中国政府素来擅长资助能带动整个生态(尤其是网络效应型生意)的事。讽刺的是,他们做这么多开源,部分原因正是因为 OpenAI 不开源——Grok 会发模型但落后一两代,Google 的本地模型没什么竞争力,Anthropic 据他所知没有任何开源模型。于是开源的重量级力量几乎全部来自中国。这帮了美国的硬件创业者,但更大地帮了中国的硬件创业者和工厂——你周末在 Amazon 上随手买来折腾的那些小玩意,配套的烂软件正在快速变好。

Guillermo 把这层逻辑推得更狠:每个人都已经被敲醒——没有前沿编程模型,你就没有自我改进能力。如果一个国家整体上失去了「生成前沿一切」的能力,那它不只是生产不出软件——在硬件管线的任何一环里,你都需要生成软件;一旦你在生成软件的能力上落后,你就在生成一切的能力上落后。

3. 你永远想用最聪明的模型

接着是一段很有意思的争论:大家整天聊中国模型,但你们自己用吗?

Naval 的答案是「不用」,而且他前一天晚饭还为此争论过。有人主张 97% 的任务都可以用便宜的 DeepSeek,需要更高智能时就反复多跑几次——只在最高级的任务上才用 OpenAI、Anthropic。

Naval 不太认同。他的理由是:智能是一种没有副作用的好东西,你永远想要更多。 当模型犯错时你往往不知道它错了;而它总是比真人便宜、还实时。所以你最终就是会用手边最聪明的那个模型。

这背后的判断是:当他要往一件事里灌入巨大杠杆(资本、代码、人力、营销)时,他想每一次都做对决策。手上有两个模型,一个稍微更聪明,两个都给了答案时,他其实分不清哪个对——既然知道某个更聪明,他就会选它的答案,并逐渐不再去问那个他觉得更笨的模型。这不是好消息,因为它意味着 AI 最终会走向垄断或寡头格局。

Guillermo 从 Vercel 的 AI Gateway 数据补了个更细致的现实:开源模型确实有使用,但头部被前沿智能严重主导。有个值得注意的例外是 Gemini——大家嘴上不兴奋,但它在「智能 / 成本 / 性能」的组合上很能打,在编程以外的很多任务(客服、浏览器自动化)上反而是最好的工业级生产模型。但只要你是在推进前沿,就必须用最好的编程模型,而那基本只剩两三个——中国模型并不在其中。

4. 软件仍然需要双手

Max 这部分把对话拉回物理世界。

他在 Science 做的很多东西买不到,只能自己造。前沿模型他们当然是买(他有 Anthropic 订阅,个人侧也用一些 Qwen 和 DeepSeek,还有一个内部微调模型)。但只要有靠谱供应商以好价格提供服务,他们的首选永远是「买」——比如 PCB,基本等于免费,可以从亚洲无限量采购。

可是,产品越接近「一整块共价键连接的物质」,它就越好:功耗更低、体积更小、性能更高、寿命更长。而要做到这种程度的整合,需要的元器件根本买不到——你必须学会自己做。这就表现为垂直整合:他们在东海岸自建了一座 MEMS 代工厂,因为没有别的办法做他们想要的封装和组装。

有意思的是,AI 在公司内部目前最大的影响之一竟然是监管交互:过去要一整个法规与质量团队花好几个月,去追踪「这个产品要升级,几千条 ISO 标准里哪些适用、怎么逐条追溯」;现在 AI 基本「就是知道」。

但 Max 强调一个边界:无论是外科项目还是 MEMS 工厂,软件终究需要双手。AI 会比我们更聪明,但如果它造不出东西,那就是真实的边界。他们已经把代工厂和公司很多环节做了仪表化,这样模型一变强,就能立刻体现在细胞工程、材料科学上——蛋白质工程组已经大量使用深度学习,大概是业界最前沿。但这一切非常依赖具体应用,公司不同部门里的含义完全不同,没有统一答案。

5. 人类正在变成验证者

Naval 由 Max 那段监管的话想到:他已经很久没为一份基础法律文件去找律师了。NDA、各种协议、签这个查那个——所有基础法律任务都没了。有个老笑话说,法律就像意大利面条代码:极其复杂、用英语写成,这边和那边的条款互相矛盾,而且没有真正的 API。

他的概括是:初级工程师「升职」成了高级工程师,初级工程的活被 agent 接管了。 同理在法律界,你可以说「律师助理被裁了」,也可以说「律师助理被提拔成了高级律师,现在可以把时间花在思考法律本身上」。

Guillermo 把软件工程和律师做了类比:你从不确切知道律师在文件里塞了什么,你只是信任他——他上过法学院,把声誉押在了上面。软件工程也一样,今天最大的问题是堆成山的「slop」最后变成一个 PR。Twitter 上有梗:「想当年我们会读 PR 的每一行代码。」但在他做的基础设施领域,他要的不是工程师真的读了每一行,而是工程师能说:

「我理解这个 PR 的后果,我签字为后果负责。」

或者:「我写了测试框架、模拟、证明、类型检查——即使不读这些代码,我也有信心签字保证它在生产环境是安全的。」

存在这样一个世界:我们坦然接受「一切都是我们并不完全理解的意大利面条代码」,但我们写出能给自己信心的评估器(evaluators),并依靠生产工程师来说「好,这个我放心送进 prod」。出事会有人被 paged。Guillermo 还提醒一个被低估的点:从 0 到 1 创建软件很容易,但想想一千天之后——它还安全吗?有测试吗?是生产级的吗?性能够吗?你还有动力持续投入 token 去维护它吗?

Naval 由此给出全篇的落点:人类正在变成验证者(verifiers)。

我们正是用好的验证数据来训练这些模型的,而现在我们需要人类验证者。律师、工程师、运营人员的很多旧职能,正在迁移到「验证整套系统是否大体正确」——说一句「对,这大致没问题,我大体上为它背书,出了事我支持你」。

我读完后的 takeaway

把这一集和上一集放在一起看,Naval 这条线索越来越清晰:

1. 硬件工程正在被软件化,而 vibe coding 把过去只有大团队能做的迭代,交到了两三个人手里;
2. 开源 + 制造 = 杠杆,谁掌握前沿软件生成能力,谁就掌握硬件生产链的命脉,这已经是地缘层面的事;
3. 智能向头部集中,因为「最聪明的答案」很难被便宜的次优解替代,这既是好消息也是垄断隐忧;
4. 物理世界仍是硬约束,软件再聪明,也需要有人、有工厂、有双手去真正造出东西;
5. 人的角色从「写」转向「验证与背书」——你要判断的不再是某行代码漂不漂亮,而是整个系统是否可靠、你敢不敢为它签字。

一句话:AI 让「写」变得几乎免费,于是稀缺的东西换了位置——判断、品味、责任,以及在物理世界里把东西真正做出来的能力。

记录时间：2026-06-18 15:43:21

这篇笔记把巴菲特散落在致股东信、股东大会和访谈中的「警惕、禁止与忽略」汇成一张「反向清单」。一条总纲贯穿全文：财报只是入口，不是结论。巴菲特真正问的不是「报表上某个数字多大」，而是「这家企业未来能为所有者拿回多少现金，以及管理层是否诚实」。 真正的风险是永久性损失，而不是价格波动。

「商业道路上遍布坑洞；一个要求你必须避开所有坑洞的计划就是一个注定失败的计划。」

来源：1990 巴菲特致股东信

这句话定下了整张清单的基调：人不可能避开所有坑，但一份明确写着「绝不踩哪几个坑」的清单，足以让你活得足够久，让复利发挥作用。

第一部分 · 正向：他读财报到底看什么

1. 最终落点永远是「未来现金」，不是会计数字

「内在商业价值才是真正重要的衡量标准。」

来源：1983 巴菲特致股东信

「账面价值告诉你过去投入了什么；内在商业价值估算的是未来能取出什么。」

来源：1983 巴菲特致股东信

「如果你能告诉我一家企业从现在到结束经营时的现金流入和现金支出将是多少，假设我知道适合的利率，我就能告诉你这家企业的价值。」

来源：1991 圣母大学演讲

「如果你试着评估内在价值，就会发现全都与现金流有关。」

来源：1997 伯克希尔股东大会

账面价值、每股收益、利润都只是线索，最后都要被翻译成「未来可分配现金的折现值」，即内在价值与现金流。

2. 用「所有者收益」代替 GAAP 利润

「所有者收益等于：(a)报告收益，加上(b)折旧、折耗、摊销及其他某些非现金费用，减去(c)企业为充分维持其长期竞争地位和产销规模而需要的资本化支出。」

来源：1986 巴菲特致股东信

「在估值时，无论是投资者买股票还是经理人收购整家企业，应该关注的是所有者收益而非 GAAP 数字。」

来源：1986 巴菲特致股东信

所有者收益必须扣掉维持竞争力所需的资本开支。喜诗糖果只需少量资本即可维持，报告收益就接近所有者收益；重资产生意则会被高估。

3. 留存收益要接受「结果检验」

「每一美元的留存收益，带给我们的市场价值增长远超一美元。」

来源：1983 巴菲特致股东信

「GAAP 不允许我们将被投资公司的留存收益计入我们的财务报表。但这些收益对我们有着巨大的价值。」

来源：2018 巴菲特致股东信

管理层留下的每一美元，最终至少要为股东创造一美元价值；反过来，财务报表也可能低估价值（报表外的留存收益、经济商誉）。

4. 估值要「模糊的正确」，不要「精确的错误」

「我宁要模糊的正确，也不要精确的错误。」

来源：1986 巴菲特致股东信

「我们不认为我们对企业价值的估算能够精确到小数点后第二位或者第三位。」

来源：1997 伯克希尔股东大会

5. 一个指标会随企业结构失效——账面价值案例

「账面价值这张记分卡越来越脱离经济现实。」

来源：2018 巴菲特致股东信

早期伯克希尔用每股账面价值报告进展尚可；后期拥有大量运营企业和经济商誉后，这个指标失真，于是被正式放弃。没有永远有效的万能指标，只有「在当下企业结构里是否仍代表经济实质」。

第二部分 · 财报里要警惕什么（红旗）

巴菲特的「给投资者三个建议」（2002 致股东信）

① 提防会计可疑的公司——一处造假，处处造假

「如果一家公司还在拒绝将期权成本费用化，或者其养老金假设过于天真，那就要当心了。当管理层在看得见的地方偷工减料，很可能在幕后也是如法炮制。厨房里绝不可能只有一只蟑螂。」

来源：2002 巴菲特致股东信

② 看不懂的财务附注 = 管理层不想让你懂

「晦涩难懂的财务附注通常意味着管理层不值得信赖。如果你看不懂一条附注或管理层的解释说明，那通常是因为 CEO 压根就不想让你看懂。安然公司对某些交易的描述，到现在还让我困惑不已。」

来源：2002 巴菲特致股东信

③ 警惕热衷「利润预测/增长达标」的公司

「要警惕那些热衷于高调宣传利润预测和增长预期的公司……那些一直保证能『达标』的管理者，总有一天会被诱惑去编造数字。」

来源：2002 巴菲特致股东信

他点名的具体会计花招

EBITDA（息税折旧摊销前利润）

「大肆鼓吹 EBITDA 尤其是一种有害的做法。这样做暗示折旧不是真正的费用，因为它是『非现金』项目。这完全是一派胡言。事实上，折旧是一种特别不讨喜的费用，因为它所代表的现金支出是预先支付的。」

来源：2002 巴菲特致股东信

「基本上，息税折旧摊销前利润 EBITDA 一文不值……我们讨厌 EBITDA。折旧是最糟糕的支出，甚至可以称之为卑鄙，这是一种反向浮存金。」

来源：2002 哥伦比亚大学演讲

股票期权不计费用

「几乎所有的 CEO 都毫不脸红地告诉他们的股东，期权是没有成本的。」

来源：2002 谁是真正的账房先生

「当公司给予员工一些有价值的东西以换取他们的服务时，这显然是一项报酬支出。如果费用不属于收益表，那么它们到底属于哪里呢？」

来源：2002 谁是真正的账房先生

养老金投资收益率假设过于乐观

「标普 500 股票指数中的公司目前使用高达 11% 的投资收益率假设……在许多情况下，收益率 1% 的上调将使公司的年度报告收益增加 1 亿美元以上。」

来源：2002 谁是真正的账房先生

「模糊数学」——用荒谬假设掩盖真相

「该法案要求各公司在评估授予五巨头的期权时，假定其股票的波动率为零。我从事投资 62 年，还没有见过一只不会波动的股票……做出这样一个『爱丽丝梦游仙境』般的假设的唯一原因，就是为了大幅低估期权的价值。」

来源：2004 模糊数学与股票期权

靠会计而非经营做「利润」

「1990 年代末，太多的经理人发现，通过会计手段增加『利润』，比通过卓越的运营更加容易。」

来源：2004 模糊数学与股票期权

接续财务指标的财报陷阱

• GAAP 收益高估真实收益：「如果(c)超过(b)时，GAAP 收益就高估了所有者收益。」（1986 致股东信）
• 华尔街口径「现金流 = 利润 + 折旧」：「你不能只加(b)而不减(c)。」（1986 致股东信）
• EPS / 账面价值冒充价值：「这里的价值与账面价值无关。」（1991 圣母大学演讲）

这些都指向同一个判断：盈利质量不看数字大小，而看数字背后是否扣除了真实的资本代价、是否被管理层人为美化。

第三部分 · 投资里要警惕什么（红旗）

1. 杠杆与保证金——头号杀手

「聪明人会犯的错误不多，但杠杆就是其中之一。」

来源：2003 沃顿商学院问答

「使用杠杆做明智的事，只要出一点差错，就可能倾家荡产，任何数乘以 0 都得零。」

来源：2008 金融危机访谈

「如果你是位真正的投资者，就不会使用保证金。」

来源：1997 伯克希尔股东大会

杠杆最大的危险，是它会因为一次错误就把你清算出局，而不考察你长期的正确率。

2. 把波动变成永久损失——被迫卖出

「只有当他因为财务或心理压力而被迫在不恰当的时机卖出时，这种波动才会伤害到他。」

来源：1987 巴菲特致股东信

「波动对真正的投资者而言是一个巨大的优势。」

来源：1997 伯克希尔股东大会

波动本身不是损失，被逼着在低价卖出才把波动变成永久损失。

3. 买价过高——好投资也会变成投机

「一项明智的投资如果以过高的价格买入，也可能变成鲁莽的投机。」

来源：2014 伯克希尔 50 周年材料

好企业买贵了照样高风险，这正是为什么需要安全边际。

4. 增长吞资本的生意

「航空业自从奥维尔·莱特兄弟起飞以来一直是一个增长行业，但增长一直是发生在它身上的最糟糕的事情……越来越多的资本以不足的回报率投入到这个行业中。」

来源：2023 每个投资者都会犯的 10 个错误

对照：

「增长对喜诗糖果来说是很棒的，因为它需要相对较少的增量投资就能卖出更多的糖果。」

来源：2023 每个投资者都会犯的 10 个错误

5. 高 ROE 可能是假象

误解：金融行业只要 ROE 高就是好生意。纠正：ROE 可能来自杠杆和风险错配，流动性与资产质量更关键。

来源：行业经济学综述（基于 1975 / 2017 巴菲特致股东信）

6. 频繁交易 ≈ 赌博

「日间交易经常非常接近于赌博的定义。但是人们喜欢赌博。」

来源：2023 每个投资者都会犯的 10 个错误

频繁买卖把投资变成投机，长期看是稳定的负贡献。

第四部分 · 不必关注的噪音（忽略）

1. 不预测市场

「你可能难以相信，但我和查理从来不对市场有什么看法，因为那没什么用，而且可能会干扰我们那些有用的看法。」

来源：2023 每个投资者都会犯的 10 个错误

2. 不用波动率 / Beta 衡量风险

「波动性并不衡量风险，问题在于那些写作和教授风险的人不知道如何衡量风险。贝塔值作为波动性的衡量指标……在衡量风险方面是错误的。」

来源：2023 每个投资者都会犯的 10 个错误

「风险来自于某些类型企业的本质……以及不知道你在做什么。」

来源：2023 每个投资者都会犯的 10 个错误

3. 不信「成长股 vs 价值股」的分类

「增长和价值是不可分割的，它们是同一个等式的一部分……任何告诉你应该把钱投入增长股或价值股的人，真的不懂投资。」

来源：2023 每个投资者都会犯的 10 个错误

4. 不理会资产配置公式

「60% 的股票和 30% 的债券，我们认为这完全是胡说八道。」

来源：2023 每个投资者都会犯的 10 个错误

「60 比 40 或 65 比 35，这根本没有任何意义。」

来源：2023 每个投资者都会犯的 10 个错误

5. 不信兜售「预测未来」的专家

「国王过去会雇佣魔法师或预言家，他会看羊的内脏……这和国王雇佣那个看羊内脏的预言家一样疯狂。人们有经济动机去兜售一些可以一遍又一遍销售的偏方。」

来源：2023 每个投资者都会犯的 10 个错误

6. 不追求估值的小数点精确

见第一部分第 4 点：「宁要模糊的正确，也不要精确的错误。」

第五部分 · 绝不能做的（禁令）

1. 不用保证金、不靠杠杆做「明智的事」

见第三部分第 1 点。核心一句：「任何数乘以 0 都得零。」

2. 不为持现而持现——但也绝不能没有现金

「我们绝不会为了持有现金而持有现金……但我们永远不会为了利用而利用。」

来源：2023 每个投资者都会犯的 10 个错误

「现金……这就像氧气，你想确保它在周围……但你不需要有过多的现金。」

来源：2023 每个投资者都会犯的 10 个错误

两头都不做——既不为持现而持现，也不为用钱而用钱。

3. 不在能力圈外投资、看不懂就不出手

「我的工作就是搞清楚自己知道些什么……以及哪些是自己不知道的。」

来源：1991 圣母大学演讲

「在我不理解市场发生了什么的时候，我就不会坚持去投资。」

来源：2004 沃顿商学院问答

看不懂、太难的，就放进「太难」篮子，宁可错过也不勉强——这是能力圈的实操纪律。

4. 不为分散而分散

「一般意义上的分散投资几乎毫无意义。分散投资是对无知的保护。」

来源：2023 每个投资者都会犯的 10 个错误

「三家优秀的企业，在这一生中已经足够让你做得很好了。」

来源：2023 每个投资者都会犯的 10 个错误

5. 不空等回调、不抄底

「坐在那里希望你能在某些恐慌的时刻买入，你会有点像一个殡仪员的态度，等待流感大流行之类的……那需要很多运气。」

来源：2023 每个投资者都会犯的 10 个错误

「当人们一年前说现金为王时，这很疯狂。现金没有产生任何东西，而且肯定会随着时间的推移贬值。」

来源：2023 每个投资者都会犯的 10 个错误

6. 不让市场观点干扰对企业的行动

「如果我们认为一个企业有吸引力，那么因为我们对市场走向有什么想法而不采取行动，那将是非常愚蠢的。」

来源：2023 每个投资者都会犯的 10 个错误

7. 不追涨杀跌、不盲从

「你是对是错并不取决于有一千人同意你或者一千人不同意你，你是对的，是因为你的事实和推理是正确的。」

来源：2023 每个投资者都会犯的 10 个错误（引本·格雷厄姆）

8. 不做需要「不断打防御战」的生意

「我们想要一个无需防御性决策的生意。」

来源：2004 沃顿商学院问答

第六部分 · 比财务技巧更高的红线：声誉、品格、组织、个人财务

1. 声誉——唯一不容讨价还价的「绝不」

「让公司赔钱，我会表示理解；但如果让公司的名誉受损，我将毫不留情。」

来源：1991 所罗门兄弟国会听证会（伯克希尔每年股东大会重播）

「我们可以承受亏损——甚至是巨额亏损。但我们不能失去声誉——哪怕是一丝一毫的声誉。」

来源：2010 巴菲特致股东信

「我们必须以更高的标准衡量每一个行为：不仅要看它是否合法，还要看它是否经得起一位不友好但聪明的记者在全国性报纸头版上的审视。」

来源：2010 巴菲特致股东信

声誉是整张清单的顶点，分量重于任何财务技巧。

2. 衍生品——「大规模杀伤性金融武器」

「衍生品就是大规模杀伤性金融武器。」

来源：2002 巴菲特致股东信

「看不见的手有时会失控。衍生品是大规模杀伤性金融武器。」

来源：2010 Ivey 商学院问答

衍生品的危险在于估值不透明、退出困难、交易对手关联和系统性风险，巴菲特还称之为「定时炸弹」（2003 沃顿商学院问答）。

3. 不拿别人的钱冒不该冒的险（OPM）

「拿着别人的钱去冒风险，比投资自己的钱更难。」

来源：2004 沃顿商学院问答

4. 性格 > 智商；高智商也会做蠢事

「非常聪明的人也会做非常愚蠢的事情……这是一种性格特质，而不是智力特质。在这个行业里，你不需要太高的智商……你需要一个稳定的性格。」

来源：2023 每个投资者都会犯的 10 个错误

5. 组织陷阱：傲慢、官僚、自满（ABC）

「失败的基本要素 ABC：傲慢自大(Arrogance)、官僚主义(Bureaucracy)和不思进取(Complacency)。西尔斯百货公司全都具备……一个在阿肯色州开着皮卡车的人（沃尔顿）却打败了他们。」

来源：2015 Ivey 商学院问答

6. 不被「市场先生」牵着走

「市场是你的仆人，不是你的老师……你不能听市场先生的话，以为他肯定是正确的。」

来源：2008 Ivey 商学院问答

7. 个人理财：远离信用卡欠债与坏债

「我们试图解决的一些问题包括信用卡滥用和糟糕的债务。」

来源：2013 巴鲁克学院问答（谈给孩子的理财教育）

高息消费贷，是普通人版本的「杠杆归零」。

8. 最好的投资是投资自己

「你能做的最好的投资就是投资自己……你在这个世界上只有一个头脑和一个身体，你不能等到 50 岁才开始照顾它。」

来源：2023 每个投资者都会犯的 10 个错误

核心原则

1. 真正的风险是永久性损失，不是波动。 它主要来自四件事：杠杆、买贵、不懂装懂、损害声誉。
2. 关键不是「做什么」，而是「不做什么」。 避开少数致命错误，比抓住很多机会更重要。
3. 财报看的是现金与诚实。 数字大小不重要，重要的是数字背后的资本代价，和管理层有没有美化它。
4. 大众盯着的，往往正是该忽略的。 市场预测、波动率、配置公式、EBITDA、盈利指引，都是噪音。
5. 声誉是不可讨价还价的红线。 赔钱可以原谅，名誉受损绝不容忍。

常见误解

1. 误解：风险就是股价波动。纠正：波动只有在被迫卖出时才变成损失，真正的风险是永久性资本损失。
2. 误解：分散越多越安全。纠正：对懂行的人，过度分散是承认自己不了解所持有的企业。
3. 误解：高增长、高 ROE、漂亮 EBITDA 就是好生意。纠正：要看这些数字是否靠低回报资本、杠杆或会计手段堆出来。
4. 误解：现金多就安全、现金为王。纠正：现金像氧气，必须有但不必过多，长期会被通胀贬值。
5. 误解：聪明就能投资好。纠正：这是性格游戏，不是智力游戏；高智商者照样会因杠杆和从众而出局。

总结

巴菲特读财报和做投资，看的是**「现金 + 资本回报质量 + 管理层是否诚实」；他真正的风险定义是永久性损失**，主要来自杠杆、买贵、不懂装懂和损害声誉。

而大众最爱盯的东西——市场预测、波动率、配置公式、EBITDA、「达标」的盈利指引——恰恰是他刻意忽略或警惕的噪音。

关键从来不是「做什么」，而是「不做什么」：一份要求你避开所有坑洞的计划注定失败，但一份明确写着「绝不踩哪几个坑」的清单，足以让你活得足够久，让复利发挥作用。

记录时间：2026-06-18 13:29:12

这篇笔记整理自一次跨学科的讨论：人为什么会心疼钱，而不是时间？以及在什么时刻，人才会突然觉得时间宝贵。结论指向同一个机制，也给出一个可操作的启示。

一个反直觉的矛盾

时间其实比钱更稀缺、更不可逆——钱花了能再赚，时间过了就永远回不来。但奇怪的是，我们对钱的流失远比对时间的流失更敏感：花两百块会肉疼，刷掉两小时却毫无感觉。

为什么会这样？原因并不在「时间和钱哪个更重要」，而藏在认知、神经和进化的底层机制里。

一、为什么心疼钱，却不心疼时间

1. 认知会计学：钱可计量，时间不可计量

钱是离散的、可数的、有单位的。花掉两百块，账户明确少了两百，前后状态有清晰的边界。而时间是连续的流体，刷手机刷掉两小时，没有任何账本弹出「-2h」的提示。

没有度量，就没有损失感。 大脑只对「能被记账的损失」产生疼痛。这是行为经济学家 Richard Thaler 提出的「心理账户」（Mental Accounting）的一个推论：我们会为金钱开设各种账户并实时记账，却从不为时间立账。

2. 存量 vs 流量：钱能存，时间不能存

经济学上，钱是存量（stock），可以积累、储蓄、保值；时间是流量（flow），你用或不用，它都在等速流走。

这造成一个错觉：

• 花钱 = 主动把「我攒下的东西」推出去，于是有强烈的「失去所有物」的痛；
• 耗时 = 反正它本来也会消失，于是没有「被夺走」的感觉。

讽刺的是，正因为钱能赚回来、时间不能，我们反而更心疼那个可逆的东西。

3. 神经科学：「支付之痛」是真实的生理反应

脑成像研究发现，人在花钱时（尤其是用现金、看着价格），脑岛（insula） 会被激活——这正是处理生理疼痛和厌恶的脑区。

「心疼钱」不是比喻，是大脑把金钱损失编码成了类似身体疼痛的信号。而时间流逝不触发这个回路，因为没有一个「交付时刻」让你眼睁睁看着它离开。

4. 损失厌恶需要一个清晰的「损失事件」

Kahneman 与 Tversky 的研究指出，人对损失的痛苦约是同等收益快乐的两倍。但损失厌恶需要一个清晰的损失事件才会被触发：

• 花钱：有明确的「成交瞬间」（刷卡、付款），损失高度显著；
• 花时间：损失是弥散、渐进的，温水煮青蛙，不形成可被厌恶的「事件」。

5. 进化视角：大脑为「有形资源」而设计

人类的稀缺探测机制，是在食物、领地、工具这些有形、可囤积的资源压力下进化出来的。钱是这类资源的现代延伸，直接接管了这套古老回路。

而「抽象的、均匀流逝的时间」是农业和工业文明之后才被精确度量的概念，进化没来得及给它配一套预警系统。

二、人在什么时候会觉得时间宝贵

规律是：当时间从「流量」变成可感知的「存量」，并且这个存量正在肉眼可见地减少时。

1. 当时间被「截止」——稀缺被显化

Deadline、假期最后一天、项目交付前。有了明确的边界，剩余时间突然变成一个可数的存量，损失感才被激活。

2. 当时间被换算成钱——获得了度量单位

自由职业者、按小时计费的律师、计时收薪的人，会本能地觉得时间宝贵。因为时间被翻译成了「可记账的金钱」，借用了金钱那套疼痛回路。

这反过来印证了第一部分：问题不在时间本身，而在它「无法被计量」。

3. 当死亡变得显著

重病、亲人离世、年龄危机——「生命有限」从抽象知识变成切身体验时，时间的总存量被惊醒。这是恐惧管理理论（Terror Management Theory）描述的机制。

4. 剩余窗口越短，越珍惜

心理学家 Laura Carstensen 的社会情感选择理论发现：老年人，或被提示「时间有限」的年轻人，会主动放弃泛泛社交，只投资在最重要的关系上。

人对时间的珍惜程度，与感知到的「剩余时间窗口」成反比。 年轻人觉得来日方长，所以挥霍；窗口一旦收窄，珍惜就来了。

5. 当机会成本变得可见

当你清楚「这一小时不做 A 就永远做不了 B」时，时间的价值才浮现。日常之所以不珍惜，正是因为机会成本被隐藏了。

6. 心流与幸福的悖论

在极度投入或极度快乐时（陪孩子、做热爱的工作），人反而会觉得「时间太宝贵了」——因为此刻的体验有限且不可复制，你想要更多，稀缺感由此而生。

一句话总结

我们心疼钱，不是因为钱比时间重要，而是因为钱是可计量、可囤积、有交付瞬间的有形损失，正好踩中了大脑为生存进化出的稀缺警报；而时间是无单位、不可储存、弥散流逝的，警报装置探测不到它。

所以让人珍惜时间的本质，是给时间「装上仪表盘」——加上截止线、换算成代价、看见剩余的有限。一旦时间从「无感的流量」变成「可感知正在减少的存量」，珍惜就会自动发生。

一个可操作的启示

与其用意志力逼自己「别浪费时间」，不如为时间创造可见的度量：预算化、可视化、设定窗口。让它借用你本来就有的那套「心疼」机制——你对钱有多敏感，就能让自己对时间有多敏感。

记录时间：2026-06-17 17:23:55

这篇文档整理自一次关于"设计知识库网站时为什么容易越聊越乱"的讨论。它的目标不是再增加一份复杂规划，而是提供一套以后可以反复使用的思考顺序。

为什么会乱

设计知识库网站时，最容易把三件事混在一起：

1. 想清楚这个知识库到底解决什么问题。
2. 设计内容、概念、关键词和材料如何组织。
3. 规划网站页面、链接、功能和视觉如何实现。

如果这三件事同时推进，就会不断产生新文档、新想法和新功能，但主线会变模糊。更好的方式是先定问题和材料，再定结构，最后再考虑网站实现。

第一步：先写一句话目标

在设计任何页面、分类或模板之前，先用一句话回答：

这个知识库是给谁，在什么场景下，帮他更快理解什么？

例如：

给长期投资者阅读巴菲特原文时使用，帮助他们从原文中理解关键词、案例、人物和投资原则之间的关系。

这句话没有定下来之前，不要急着设计页面、功能和视觉。

第二步：确认资料层

先列出手里有什么原始材料，不要先分类观点。

可以记录：

• 材料来源。
• 材料数量。
• 材料可信度。
• 材料类型。
• 每类材料适合支撑什么内容。

例如巴菲特知识库可以先分为：

• 股东信。
• 合伙人信。
• 股东大会。
• 访谈。
• 演讲。
• 文章或备忘录。

这一层只回答：材料从哪里来，是否可靠，大概有多少。

第三步：列出用户问题

不要先想"我要做哪些栏目"，先想用户会问什么。

例如：

• 巴菲特为什么重视护城河？
• 什么是能力圈？
• 伯克希尔为什么长期持有现金？
• 巴菲特怎么看保险？
• 哪些案例最能说明他的投资方法？

知识库本质上是回答问题，不是堆资料。用户问题越清楚，后面的关键词、页面类型和内容优先级越容易确定。

第四步：整理核心关键词

关键词不要一次追求完美，可以先分组：

• 核心概念：安全边际、能力圈、护城河、内在价值。
• 方法原则：长期投资、资本配置、机会成本。
• 案例对象：GEICO、可口可乐、苹果、喜诗糖果。
• 人物：芒格、格雷厄姆、阿贝尔。
• 场景问题：现金、回购、分红、通胀、危机。

最重要的规则是：每个关键词只能有一个 canonical 入口。别名、英文名、近义词都应该指向这个唯一入口。

第五步：定义页面类型

不要把所有内容都写成普通文章。先定义几种页面类型，并让每种页面只承担一种任务。

常见类型包括：

• 关键词页：解释一个概念。
• 公司案例页：说明一家公司体现了什么原则。
• 人物页：说明一个人影响了什么思想。
• 问题页：直接回答读者搜索的问题。
• 时间线页：展示思想如何演变。
• 分类总览页：给新读者建立地图。

页面类型清楚之后，模板才有意义。

第六步：设计内容关系

知识库和普通文章站最大的区别，是内容之间要形成关系。

一开始只需要设计三种关系：

• 正文关键词链接：例如 [[护城河]]。
• 页面底部关联主题：每篇文章列出 3-5 个相关主题。
• 反向链接：一个关键词被哪些文章引用。

不要一开始就追求复杂知识图谱。先让内容可以稳定互相跳转，再考虑图谱、推荐和自动化。

第七步：先做最小闭环

不要先规划 100 篇文章。先做 3-5 个样板，把结构跑通。

建议样板包括：

• 1 个分类总览页。
• 1 个关键词页。
• 1 个公司案例页。
• 1 个问题页。
• 1 个时间线页。

这些样板能验证：

• 原始材料是否足够支撑文章。
• 关键词链接是否自然。
• 页面模板是否好用。
• 内容关系是否清楚。
• 网站结构是否需要调整。

样板跑通后，再扩大到更多关键词和文章。

推荐文档结构

早期不要创建太多文档。建议最多保留三类核心文档：

• master-todo.md：总目标、核心决策、阶段计划。
• keyword-registry.md：关键词唯一注册表。
• article-index.md：文章生产状态表。

模板、链接规则、视觉方向和验收标准，早期可以先写进 master-todo.md。等内容稳定后，再按需要拆分。

太早拆文档，会让每个文档看起来都重要，但主线反而不清楚。

可复用检查清单

以后设计类似知识库网站时，可以按下面顺序检查：

1. 这个知识库服务谁？
2. 用户最想解决的 10 个问题是什么？
3. 原始材料有哪些？
4. 哪些关键词必须有唯一入口？
5. 页面类型有哪几种？
6. 每种页面的模板是什么？
7. 页面之间通过什么关系连接？
8. 先做哪 3-5 个样板验证？
9. 哪些只是以后再做的功能？

一句话原则

先定问题和材料，再定关键词和页面，最后定网站功能和视觉。

记录时间：2026-06-16 14:52:01

本文摘译并整理自 Naval Ravikant 的访谈文字稿 The Regulatory Frontier。原文发布于 2026-05-29，是四部分访谈中的第三部分，嘉宾包括 Guillermo Rauch（Vercel）、Blake Scholl（Boom Supersonic）和 Max Hodak（Science Corp）。本文不是全文翻译，而是按主题重组的中文笔记。

这篇访谈在聊什么

这一篇的主题是监管。更准确地说，它在讨论 AI 会怎样改变企业与监管系统之间的互动，以及为什么医疗、航空、建筑这类现实世界行业，创新速度远慢于软件和数学领域。

几位嘉宾的核心判断可以概括成一句话：AI 不只会提高工程效率，也会改变合规、审批、文件、测试和责任分配的成本结构。过去监管系统最大的摩擦之一，是人类要花大量时间理解规则、编写文档、等待反馈、再重新修改。AI agent 出现后，这些环节可能被压缩到分钟级，但新的问题也会随之出现：监管者也可以使用 AI，审批系统可能被文件洪水淹没，企业与政府之间进入 agent 对 agent 的竞赛。

这不是一篇简单的反监管文章。它更有意思的地方在于，几位嘉宾都承认某些监管目标本身有价值，比如空气、水质、安全、医疗伦理。真正的问题是，当前制度把大量成本压在审批、文档和事前许可上，同时给监管者很强的保守激励，导致好东西被延迟、坏东西未必真被拦住。

1. AI 会降低合规文档的变更成本

Blake 从飞机认证讲起。飞机认证里有大量测试计划和合规文档，比如证明飞机能承受雷击。传统做法是让工程师花几个月写出厚厚的文档；如果飞机设计后来发生变化，这些文档又要重新改一遍。

Boom Supersonic 的经验是，可以用 RAG 和 AI 工具把这类重复性文档工作压缩到很短时间。第一层收益是节省人力，第二层收益更重要：如果飞机规格变化后，合规材料可以快速重做，团队就不再那么害怕改变设计。

这会改变硬件公司的迭代心理。过去，监管文档不是单纯的行政负担，它会反过来冻结工程决策。因为每一次改变都意味着漫长返工，团队自然倾向于少改、晚改、不改。AI 把文档更新成本降低后，硬件团队就更接近软件团队的迭代节奏。

Blake 还指出，组织也会因此改变。团队不再需要大量做重复文档工作的平庸执行者，而更需要少数有创造力、能快速验证方案的人。监管负担没有消失，但它对迭代速度的压制会下降。

2. 监管也可以被看成测试套件

Max 提醒，硅谷很容易把监管整体看成阻碍未来的东西，但这并不完整。很多规则的目标本身并不荒谬：没有烟雾笼罩的城市、更干净的河流、更安全的医疗实践，都是现代社会真实取得过的进步。

真正低效的是人类处理规则的方式。一个公司要理解复杂法规、准备材料、向政府写信、等待回复，往往要经历非常长的周期。如果这些摩擦能被 AI 大幅降低，监管就不一定只是纯粹的刹车。

Guillermo 提供了一个软件工程视角：可以把合理监管看成测试套件。你让 agent 去完成目标，同时要求它满足一组外部约束。如果规则清晰、一致、合理，那么它们能成为很好的护栏，防止粗糙产品直接进入现实世界。

但这个类比也暴露了问题。软件测试必须能运行、能反馈、能定位失败原因。如果监管规则彼此矛盾、反馈周期极慢，或者不同机构的要求互相冲突，那它就不像测试套件，而像无法编译的代码库。

3. agent 对 agent 的红皇后竞赛

Naval 提出一个反向风险：如果企业开始用 AI 大量生成合规材料，监管者也会用 AI 生成反馈和要求。最终可能不是摩擦消失，而是双方都拥有生成海量文本的能力。

企业会提交更多文件，监管机构会返回更多意见，审批流程被大量机器生成的材料淹没。Naval 把这称为红皇后竞赛：双方都在加速，但系统整体未必更快到达终点。

他还提到，监管机构往往不会是最快采用 AI 的组织。如果创业者先用 AI 放大提交能力，而机构内部处理能力没有同步升级，审批时间反而可能被拉长。

这一点很关键。AI 不会自动让制度更有效率。它只会降低生成和处理信息的边际成本。系统最终变快还是变慢，取决于是否改变流程、激励和决策权，而不只是给每个环节加一个模型。

4. 从事前审批转向事后执法

Blake 认为，很多物理世界的建设流程过度依赖事前审批。他用开车作类比：如果每次出门前都要先写路线计划、提交给监管者、等待几个月，再按批复路线行驶，城市会彻底停摆。

但在建筑、基础设施和许多实体项目里，这种逻辑几乎就是现实。你必须先提交计划，等待机构逐项批准，然后才能行动。Blake 的建议是，更多领域应该从预先许可转向基于结果的执法：规则仍然存在，但不必让每一次行动都先进入漫长审批。

这个思路背后的价值判断是，社会不能只计算出错的成本，也要计算不行动和延迟的成本。审批能阻止一些错误，但它也会阻止大量本可以产生价值的实验。

5. 医疗创新为什么特别慢

医疗是这场讨论里最尖锐的部分。Naval 认为，过去十年硅谷最重要的两个进展是 AI 和 crypto，而它们都发生在相对抽象的数学和信息领域。原因之一是，这些领域长期处在较少监管的空间里。

一旦进入医疗、航空、建筑等物理世界，情况就完全不同。审批、许可、责任和多层监管会让迭代速度显著下降。Naval 认为，Peter Thiel 所说的物理世界缺少创新，很大程度上正是监管壁垒造成的。

Max 同意医疗监管存在严重低效，但他强调问题比“某个机构太保守”更深。监管者的激励结构极其不对称：如果批准了十个重要药物，社会未必记得；如果一个病人死亡，监管者就可能被公开追责。这种结构自然会鼓励慢、保守和少承担风险。

Blake 对这个判断做了总结：批准坏东西会毁掉职业生涯，挡住好东西却很少有人看见。这种不对称，是现代监管国家里最需要解决的问题之一。

6. 选民的风险偏好才是底层约束

Max 进一步把问题推到社会层面。监管制度并不是凭空出现的，它反映了选民对风险的看法。人们一方面希望更快获得新药和新技术，另一方面又很难接受人体研究、医疗设备和新疗法中的失败事件。

Naval 接受这个判断。他说，人们经常把问题归咎于政治人物，但政治人物是由多数选票选出来的。如果把一批人换掉，类似的人也会重新出现，因为选民偏好没有改变。

这解释了为什么“监管改革”四个字听起来简单，真正执行却很难。制度背后是文化和社会心理。大多数人看得见事故，看不见被延迟的疗法、被扼杀的企业、没有发生的技术进步。

Naval 用法国作对照：如果政府吸走很高比例的 GDP，普通人未必能直观看到自己错过了哪些公司和产业。他们只知道自己比美国略穷，却很难想象更自由的市场本来可能创造什么。

7. 需要真正的五十州实验

Naval 希望看到美国各州之间出现更真实的制度实验。现在联邦税制和联邦监管覆盖面太强，很多州的差异不足以形成真正的对照。

他设想，如果某些州能够成为医疗、无人机、航空或其他领域的实验区，愿意承担风险的人可以选择进入那里。前提是参与者理解风险、主动选择，而不是把风险强加给不知情的人。

Blake 把这个思路称为创新区或自愿加入的 YIMBY 区域。在这样的地方，可以试验不同规则、不同执法方式，甚至在某些方面减少规则，然后观察创新结果和安全结果。成功的制度再向外扩散。

Max 对医疗场景提出限制。以未获批药物为例，病人即使获得监管通道，也仍然需要临床级药物，而这些药物通常掌握在正在做临床试验的公司手里。公司不愿意给，因为一旦病人出事，可能影响整个药物的监管判断和商业前景。

所以医疗创新区不是简单放开就能解决。还需要重新设计不良事件如何归因，避免一个个案影响完全不同场景下的整体审批。

8. 中国医疗监管正在形成竞争压力

Guillermo 问，有没有比 FDA 更好的监管系统可以参考。Max 的回答分两部分。

第一，欧洲有“通知机构”体系，一些经过政府授权的私人机构可以参与认证。它不是完美答案，但在审查层面创造了更多供给和一定竞争，因为这些机构可以招人、扩张，并承担专业审查工作。

第二，中国正在医疗设备和植入式脑机接口等领域形成现实竞争。Max 认为，中国监管机构更愿意独立思考，药物和设备上市成本更低，也更容易在人体和市场中试验。

他把这个问题连接到医疗成本。手机和电脑行业里，产品变多、变便宜、消费者购买更多，总支出上升但体验也不断进步。医疗却不同。由于支付和报销机制，医疗支出更像一个固定资金池，不会像技术增长行业那样因为新东西变多而自然扩大。

如果 AI 支出几年内增长十倍，市场可能认为这是繁荣；如果医疗支出几年内增长十倍，社会会认为是灾难。这意味着医疗很难按技术产业的方式扩张。

Max 的结论是，真正的出路不是换一种保险制度，而是把药物和设备推向市场的成本降下来。只有当某些医疗产品便宜到个人可以自费购买、分期购买，甚至像买车一样融资购买时，医疗才可能重新形成技术增长行业的正反馈。

9. 医疗像资本主义里的小型共产社会

Naval 对美国医疗体系的批评更直接：医疗基本没有真正的私人市场。他用餐馆作类比：如果人们去餐馆不用当场付钱，而是月底把账单交给保险或政府报销，热门餐馆会排长队，差餐馆也能继续存在，等待时间变长，产品改进动力变弱。

他认为，医疗在更大的资本主义社会中运行成了一个小型共产社会。价格信号被削弱，消费者很少直接用钱投票，供给侧也很难通过更好产品获得清晰回报。

Naval 提出一个激进设想：把个人年收入的一定比例设为医疗免赔额。收入为零的人免赔额为零，高收入者承担更高的前置自付部分，超过部分再由保险和政府机制覆盖。这样可以在医疗中重新创造某种私人市场。

他承认比例和细节可以调整，重点不是某个具体数字，而是医疗系统需要重新引入价格反馈。牙科、近视手术、医美等更多自费领域，往往更容易形成竞争和改进，因为消费者在用自己的钱选择。

10. N-of-1 医疗与 AI 的机会

最后一部分讨论个体化医疗。Max 提到 GitLab 联合创始人 Sid Sijbrandij 的故事：他患有罕见癌症，却通过主动研究和个性化治疗方案，显著超过原本预期。围绕他的病情，后来出现了多家公司和大量潜在药物选择。

Max 从这些案例里看到一个信号：在资源充足、不受保险路径限制、能调动现代科学工具箱的高端场景里，个体化医疗可能产生非常惊人的结果。

Guillermo 补充了一个现实问题：这要求病人在最虚弱的时候拥有极强主动性。癌症晚期患者往往没有精力研究复杂论文、药物路径和临床方案。AI 应该在这里发挥作用，把原本只属于极少数人的知识搜索、方案探索和治疗路径比较能力，尽可能民主化。

这也是全文最重要的乐观点之一。AI 不一定只是在帮助企业写合规文档，它也可能帮助病人和医生穿过医疗知识迷宫，把个体选择变得更可理解。

我的 takeaway

这篇访谈真正讨论的是“创新速度为什么不均匀”。软件和数学领域之所以快，不只是因为聪明人多，也因为它们的试错成本低、监管少、反馈快。物理世界之所以慢，不只是因为工程困难，也因为审批、责任、文化风险偏好和支付结构共同压低了迭代速度。

AI 会改变其中一部分：合规文档、规则理解、审查准备、个体化医疗研究，都可能被 agent 大幅加速。但 AI 也可能放大文书战争，让监管和企业陷入更高吞吐量的低效循环。

所以最关键的不是“给监管加 AI”，而是重新设计制度：

1. 把合理规则做成更像测试套件的东西；
2. 减少不必要的事前审批，增加清晰的事后执法；
3. 修正监管者只为错误承担惩罚、却不为延迟承担责任的激励；
4. 允许更多自愿参与的创新区和州际实验；
5. 在医疗里重新引入价格信号和个人选择；
6. 用 AI 帮助普通人获得过去只有极少数人能动用的知识工具箱。

这篇最值得记住的一点是：监管不是单纯的文字规则，它是一套改变人们行动速度的系统。AI 能降低文字和流程成本，但只有制度本身愿意改变，创新速度才会真正改变。

记录时间：2026-06-16 14:36:53

本文摘译并整理自 Naval Ravikant 的访谈逐字稿 The AI Industrial Revolution。原文发布于 2026-06-01，嘉宾包括 Guillermo Rauch（Vercel）、Blake Scholl（Boom Supersonic）和 Max Hodak（Science）。本文不是全文翻译，而是按主题重组的中文笔记。

这篇访谈在聊什么

Naval 这期标题叫「AI 工业革命」，副标题是「Build your own factory」。它不是一篇单纯讨论 AI 编程工具的文章，而是在讨论一个更大的迁移：AI 正在把软件、硬件、监管、医疗、组织管理和创作都变成「可被小团队快速迭代的工厂」。

过去，一个人或一个团队的产出大致受限于自己能直接完成多少工作。现在更重要的问题变成：你能不能搭出一个系统，让 AI、工具链、流程和反馈回路持续生产结果。工程师不再只是写某个输出 B，而是在建一座能产出 B 到 Z 的工厂。

这也是全篇最核心的判断：AI 的杠杆不是让你少写几行代码，而是让你重新设计生产方式。

1. 浪费 token，节省时间

Naval 对 AI 工具的态度很直接：不要太迷信各种提示词技巧和工具流派。模型进步得很快，与其花太多时间追求「正确姿势」，不如把多个模型反复扔向同一个问题，用 token 换时间。

他的衡量标准不是输入输出 token 数，而是人的时间和最终结果。即使模型写出的代码质量一般，也可以继续让模型审查、重写、测试、修补。只要领域是可验证的，AI 就能在反复反馈中持续逼近正确答案。

Guillermo 补充了另一个变化：模型已经不只是「初级工程师」。它们开始主动指出方案路径、权衡利弊、提醒你某类数据不该放进某种数据库。人和模型的关系逐渐从命令执行变成智力往返。

但这并不意味着经验不重要。经验丰富的人能从模型那里榨出更高价值，因为他们知道哪些架构选择重要，知道什么时候要打断模型，知道什么输出只是看起来合理。

2. 纯软件还值钱吗

Naval 提出一个尖锐问题：当模型会说英语、也会写代码时，纯软件工程是不是正在变得普通？如果每个人都能用自然语言让模型生成软件，创业公司的护城河还剩什么？

Guillermo 的回答更偏基础设施视角。他认为 agent 不会每次都从零重造世界。它仍然需要可复用的 building blocks：数据库、队列、云服务、框架、部署平台、权限系统。对模型来说，已有软件就像一种「token cache」：复用成熟组件，比消耗大量 token 重新发明一遍更经济。

所以，软件没有死，但价值位置在变：

• 写一次性业务逻辑的价值下降；
• 设计高质量组件、平台和抽象的价值上升；
• 能被 agent 可靠调用的工具，会成为新的基础设施；
• 能把复杂系统包装成稳定接口的人，会更值钱。

这也解释了为什么「懂软件基本原理」仍然重要。Max 提到，他已经很久没亲手写代码，却用 AI 做出了很多以前只停留在想象中的工具。不是因为他不需要工程判断，而是因为他理解 API、数据流、性能边界和系统拼接方式。

3. 硬件工程也会被 vibe coding 改写

Blake 在 Boom Supersonic 的例子很关键。传统硬件工程大量工作其实藏在 Excel、邮件和孤立的工程师电脑里：复杂表格、脚本、手工交接、没有版本控制、没有自动化测试。名义上不是软件，实际上全是低质量软件。

Boom 的做法是把硬件工程流程软件化。软件工程师负责架构和系统边界，硬件工程师用 AI 为自己的专业领域写工具。这样，小团队也能快速迭代过去只有大团队才能做的工作。

他举了涡轮叶片设计的例子：传统流程里，冷热形态、气动、结构之间的转换非常耗人；现在通过软件和 AI 的组合，可以实时改变叶片几何形态，并看到结构与气动结果。原来大量依赖人工传递的流程，变成了可交互、可迭代的系统。

Max 也提到，他已经把大量 Excel 工作迁移到 Python 模型里。下一步如果 AI 能生成 STEP 文件、PCB 布局和机械/电气工程产物，硬件行业会迎来另一轮重构。

4. 开源模型会放大中国制造优势

Naval 对中国开源模型的观察是：开源 AI 对硬件强国尤其有利。中国拥有复杂供应链和制造能力，如果软件可以按需生成，过去相对硅谷的软件劣势就会被抹平一部分。

这不只是模型能力问题，也是产业结构问题。大量硬件公司过去做不好配套软件，因为招不到足够强的软件团队；如果 AI 能生成「足够好」的软件，甚至让硬件直接由 agent 通过语音或 API 控制，那么大量小硬件、小配件、小工厂的用户体验都会快速改善。

Guillermo 的判断更强：如果一个国家没有前沿代码生成能力，它就不只是软件落后，而是在整个硬件生产链条里都落后。今天的制造、材料、机械、监管文档、供应链协作，都越来越依赖软件生成能力。

5. 人类正在变成验证者

AI 让从 0 到 1 创建软件变得很容易，但这带来了另一个问题：生产环境里的系统需要在第 1000 天仍然安全、可维护、性能可靠。

Guillermo 说，基础设施工程师不能只是接受一堆 AI 生成的 PR。真正的责任不是逐行阅读所有代码，而是能够对后果负责：我理解这个 PR 的影响；我写了测试、模拟、证明或类型检查；我有足够信心把它送进生产。

Naval 因此把人类的新角色概括为「验证者」。律师、工程师、运营人员的很多旧职能，会从亲手写材料、亲手写代码，迁移到验证整套系统是否大体正确，并愿意为结果背书。

这对个人能力的要求反而更高。因为你要判断的不是某行代码是否漂亮，而是整个系统是否可靠。

6. 监管会成为新的 AI 战场

访谈第三部分讨论监管。Blake 认为，AI 会大幅降低合规文档和监管交互的变更成本。比如飞机认证中的某个测试计划，过去可能要几个月写完 200 页文档；如果用 RAG 和 agent，很多重复性文档可以在分钟级生成。

这带来的第一层效果是省时间，第二层效果更重要：当规格变化后，合规材料可以快速重做，团队就更愿意迭代。监管负担不再那么强烈地压制变化。

Max 提醒，问题不一定是所有监管都坏。干净空气、可游泳的河流、医疗安全，这些规则本身代表进步。真正的问题是人类理解和满足这些规则的摩擦太大，每一次沟通都要等几个月。

Guillermo 提供了一个有意思的视角：监管也可以看成测试套件。只要规则合理、没有内在矛盾，agent 的任务就是让产品通过这些测试。真正糟糕的是监管机构也开始生成海量文本，企业和政府进入 agent 对 agent 的红皇后竞赛。

7. 医疗创新为什么特别慢

医疗部分的讨论很激烈。Naval 认为，AI 和 crypto 过去十年发展最快，一个原因是它们属于数学和信息领域，相对少受物理世界监管约束。一旦进入医疗、航空、建筑等现实领域，审批、许可和责任结构就会把迭代速度压得很低。

Max 的补充更现实：监管机构的激励极度不对称。批准十个重要药物，监管者未必得到奖励；一旦一个病人出事，就可能被国会追责。这种结构天然鼓励保守。

他们还讨论了个体化医疗。对于资源充足、愿意自担风险的人，现代科学工具箱可能带来惊人的结果；但普通病人在最虚弱的时候，恰恰最没有精力研究复杂治疗路径。Guillermo 认为，这正是 AI 应该发挥作用的地方：把原本只属于极少数人的知识和方案探索能力民主化。

8. 自治公司：你的工作是训练 agent

Guillermo 说，Vercel 已经有不少自治基础设施：异常检测触发 agent 调查，agent 可以判断是否创建 incident，并开始准备修复方案；安全研究也可以用大量并发 agent 在云端跑，几天内完成过去几个月的红队工作。

Naval 也举了自己的应用例子：用户在 TestFlight 里报告 bug，系统收集日志和截图，后台守护进程整理报告、分析问题、尝试修复，并给他生成一个可测试版本。未来的软件可能在某种程度上由用户反馈不断生成。

Blake 在公司里做过一周 AI hackathon：停止所有项目工作，让每个人从前台到工程师都用 AI 做自己认为最重要的东西，并向全公司 demo。他预期会有很多玩具项目，结果反而出现了许多真正推动公司的工具。一个负责收货和通知库存的员工，做出了正在被公司使用的自动化。

结论很清楚：很多人都知道自己的工作里哪里可以更好，只是以前没有能力把想法变成东西。AI 把「想法 -> 原型 -> 反馈 -> 迭代」的链路缩短后，组织里更多人会变成 agent 的训练者。

9. 人类还剩什么

访谈最后回到一个更大的问题：如果 AI 会写代码、会生成视频、会做工具、会处理文档，人类独特的价值还剩什么？

Max 更偏 AGI maximalist：如果你的身份完全建立在「我聪明、我有创造力」上，未来可能很难受。Naval 则保留了更多人类主义立场：真正的创造力是跳出分布，做出训练数据里没有、系统内无法自然推出的东西；艺术的意义也不仅是作品本身，还包括创作者的意图和情感传递。

几位嘉宾最后形成的共同点是：未来不是「人 vs AI」，而是「会用 AI 的人 vs 不会用 AI 的人」。AI 降低了专业门槛，切开了术语和资格认证形成的外壳，但没有取消创造力、品味、判断和责任。

Guillermo 预测，未来会出现大量更小的团队。单个任务所需人数下降，不一定意味着所有工作消失，也可能意味着更多创业、更多实验、更多小团队同时做以前不可能做的事。

Naval 的结论很实用：最值得做的事，是把这些工具用到足够熟，持续知道它们的边界在哪里。因为边界在快速移动，而价值会流向那些能在边界上行动的人。

我读完后的 takeaway

这篇访谈把「AI 编程」放进了更大的工业框架里。它真正讨论的不是某个工具，而是生产函数变化：

1. 软件变成工厂，而不是手工活；
2. 硬件工程开始被软件化；
3. 监管和合规会被 agent 化；
4. 人类从执行者转向验证者、训练者和方向选择者；
5. 创造力、品味、判断、责任，成为更稀缺的部分。

如果只把 AI 当成省时间的助手，会低估它；如果把它当成自动替代一切的魔法，也会高估它。更准确的说法是：AI 正在让每个有判断力的人，都有机会搭一座自己的小型工厂。

记录时间：2026-06-15 10:16:21

问题

我通过了科目一考试。考试本身很简单，但考前我却异常焦虑，总觉得复习时间永远不够。这种感觉从高中就有了：我常常想一口气学很多东西，结果却什么都学不进去。我还发现，经常做错的题，无论怎么复习都还是容易错；有时候明明记住了，一到考场又出错。备考期间因为那种紧迫感，我几乎无法好好享受生活。我今年已经 35 岁，却还会经常回忆起高考的情形。我说不清原因——也许是小时候被父母逼着跟别人比较，也许是我天生胆小，永远没有勇气享受当下。我想从跨学科的角度理解这些问题，知道如何纠正，以及该读哪些书、做哪些实践。

先说一个判断：这不是几个毛病，而是一条因果链

你列出来的像是五六个独立的问题：考前焦虑、复习总觉得不够、错题反复错、记得却考错、活不在当下、总想起高考。但它们其实串在同一条链子上：

童年被植入的"表现 = 我是否有价值"的等式 → 每场考试都被升级成对自我价值的审判 → 审判带来过度焦虑 → 焦虑挤占了你考试时本该用来思考的脑力（于是"记得却考错"）→ 也让你无法活在当下（因为当下永远是"还没考好"的待审状态）。

而"错题反复错"是唯一一个纯技术问题——它和上面那条情绪链关系不大，是复习方法本身的漏洞。把它单独拎出来，反而是最容易、最快见效的突破口。

所以下面我分两块：先用四个学科把现象解释清楚，再给你分层的纠正方案。理解"为什么"本身就有疗愈作用——很多焦虑来自"我不知道我怎么了"。

跨学科诊断

1. 认知科学：为什么"错题反复错""记得却考错"

这两点几乎是学习科学里被研究得最透彻的现象，不是你笨，是方法和大脑的工作方式不匹配。

"记得却考错" = 流畅性错觉（fluency illusion）。 你复习时反复看题、看答案，会产生一种"我会了"的熟悉感。但心理学家 Robert Bjork 区分了两件事：存储强度（你脑子里有没有这个东西）和提取强度（你能不能在需要时把它调出来）。反复阅读只提升"熟悉感"，几乎不提升"提取能力"。考试考的恰恰是提取。于是你"觉得记住了"，一到考场要主动调取时却卡住——这不是记忆消失，是从没真正练过"调取"这个动作。

解药是"提取练习"（retrieval practice）/ 测试效应（testing effect）： 合上书，凭空把答案默写或说出来，再对照订正。每一次费力的回忆，都在给那条神经通路"加固"。看十遍，不如盖住默写两遍。

"错题反复错" = 错误的首次编码 + 干扰。 第一次记错时，错误答案会留下很顽固的痕迹；之后每次"复习"如果只是再看一眼正确答案，旧的错误痕迹并没有被覆盖，反而在易混淆的题目之间互相干扰（proactive interference）。所以你需要的不是"多看几遍正确答案"，而是：

• 主动写下**"我当初为什么会选错"**——把错误的逻辑揪出来，正面驳倒它；
• 做成卡片时，正面是问题，背面是**"正确答案 + 我的错误陷阱"**，而不是单纯抄答案；
• 用间隔重复（spaced repetition，见下文 Anki）让易错题在"快要忘记"的临界点反复出现——间隔效应（spacing effect）是记忆科学里最稳的结论之一。

"记得却考错"还有第二个原因，属于下一节：焦虑直接吃掉了你的工作记忆。

2. 心理学：为什么"复习总不够""考前焦虑""一下子想学很多却什么都学不了"

Yerkes-Dodson 定律： 焦虑和表现是一条倒 U 形曲线。一点点紧张能提升表现，但过度焦虑会断崖式损害表现——而且它专门损害"工作记忆"（你当场推理、调取、组织答案的那块临时内存）。芝加哥大学 Sian Beilock 的"压力下崩盘"（choking under pressure）研究证明：越是高焦虑的人，越容易在重要考试里把工作记忆"占满"，于是会的东西也做不出来。这就是"明明记得却考错"的第二层机制——焦虑本身就是干扰源。

"复习时间永远不够" 多半不是事实，而是焦虑制造的主观感受。 它背后是两个典型的认知扭曲：

• 完美主义 + 灾难化（catastrophizing）："没准备到 100% = 一定会出事"。于是无论复习多少，你都达不到那个不存在的"足够"。
• 全或无思维（all-or-nothing）：这正好解释了"想一下子学很多 → 结果什么都学不了"。当你给自己设的标准是"要么全学会，要么别开始"，大脑面对这个不可能完成的任务会直接决策瘫痪，用拖延来逃避。

"无法享受生活" = 经验性回避（experiential avoidance）。 你把"放松、享受"在潜意识里标记成了"危险/不负责任"，于是一备考就启动全面戒备。问题是，绷紧并不会让你学得更好（见上一条），它只是让你更累。

3. 发展心理学与家庭系统：为什么"35 岁还在重温高考"

这是整条链子的根，也是你自己已经隐约指向的地方——"小时候被父母逼着跟别人比较"。

条件性自我价值（contingent self-worth）。 心理学家 Jennifer Crocker 的研究指出：当一个人的自我价值"挂靠"在某个领域（比如学业成绩）上时，那个领域的每一次评价都会变成对"我这个人到底行不行"的全面裁决。你小时候被反复传递的信息是"考得好 → 你值得被爱/被认可；考不好 → 你不如别人"。于是几十年后，一场连你自己都觉得"很简单"的科目一，在你的神经系统里仍然被自动升级成生存级别的威胁。焦虑当然会爆表——身体以为你在为"我是否有价值"而战。

这也解释了"35 岁还反复想起高考"。 高考是那套"价值审判"机制最高强度的一次激活。当一段经历伴随强烈情绪、又从未被真正"消化"，它会以闪回、反刍的方式不断回来。这不是你矫情，是未完成的情绪在找出口。

它还是固定型思维（fixed mindset）的源头。 Carol Dweck 的研究区分了两种心态：固定型把每次表现当作"证明我聪不聪明"，成长型把它当作"学习与变强的机会"。被"和别人比较"养大的孩子，几乎必然内化成固定型——于是考试不是学习，是受审。

4. 哲学与存在：关于"活不在当下"和"我天生胆小"

"活不在当下" 在哲学里是个老问题：痛苦往往来自心智总在两个不存在的地方——懊悔的过去、担忧的未来。 你描述的"备考期间无法享受生活"，本质是注意力被未来的那场审判劫持了。斯多葛学派和正念传统给的答案惊人地一致：你能掌控的只有此刻的行动，把注意力交还给当下，焦虑会自动失去燃料。

关于"我天生胆小"——我想温和地挑战这个标签。 气质（temperament）确实有先天成分：Jerome Kagan 的研究发现，约 15-20% 的婴儿天生属于"高反应型"，长大后更敏感、更易紧张。所以你说的"天生"可能有一部分是真的。 但请注意两件事：

1. 气质不是命运。 同样是高反应型的孩子，成年后是否焦虑，高度取决于后天环境与所学的应对方式——它是高度可塑的。"胆小"是一个可以改写的习得反应，不是刻在骨头上的判决。
2. 敏感是有礼物的。 高反应型往往伴随更强的共情、更深的觉察、更高的责任心。你需要的不是"消灭敏感"，而是"给敏感装上调节阀"。

把"我天生胆小，永远没有勇气享受当下"这句话，换成"我天生敏感，而我正在学习如何与它共处"——这一个措辞的改变，本身就是治疗的开始（认知行为疗法里叫"去标签化"）。

如何纠正：三层手术

按"见效快慢"和"由表及里"排，建议你就按这个顺序来。

第一层（技术层，1 周见效）：让"错题反复错"停下来

• 停止反复阅读，改成主动回忆。 合上书默写/口述，再对答案。费力才有效。
• 错题做成"陷阱卡"。 正面=题目；背面=正确答案 + 我当初为什么错。复习的是"我的思维漏洞"，不是答案本身。
• 用 Anki 做间隔重复。 让易错题在临界遗忘点反复出现，这是对抗"反复错"最强的工具，没有之一。
• 交错练习（interleaving）。 不要把同类题扎堆刷，混着来——更接近考场的随机调取，提取能力更强。

第二层（情绪层，数周到数月）：把焦虑从敌人变成工具

• 考前 10 分钟"表达性书写"。 这是我最想推荐你的一招，有硬核证据：Ramirez & Beilock 2011 年发表在《Science》上的实验发现，高焦虑的学生在考前花 10 分钟写下自己的担忧，考试成绩显著提升。原理正是把占用工作记忆的焦虑"倒"到纸上，把脑力还给题目。下次考试前，找张纸把"我在怕什么"写满 10 分钟，然后进考场。
• 认知行为疗法（CBT）的思维记录表。 当"时间不够 / 我会搞砸"冒出来时，写下来，然后问：证据是什么？反证是什么？最坏会怎样、真发生了我能怎么办？把灾难化和全或无思维一条条拆掉。
• 生理层面先降唤醒。 焦虑是身体反应，可以用身体先按下去：4-7-8 呼吸或 box breathing（吸 4 秒、屏 4 秒、呼 4 秒、屏 4 秒），考前做几轮；规律运动是天然的抗焦虑药。
• 暴露与脱敏。 故意给自己安排一些"没完全准备好"的小测验、小挑战，体验"没准备到 100% 也不会天塌"。一次次小剂量地打破"不完美=灾难"的等式。

第三层（根部，以月与年计）：拆掉"考好 = 我有价值"的等式

这是真正的根，也是最慢但最值得的。

• 把自我价值从"表现"上解绑。 刻意练习"无条件的自我价值"：我的价值不取决于这次考多少分、是否比别人强。Kristin Neff 的自我关怀练习是具体抓手——在你想骂自己"怎么又错"的时候，改用对待好朋友的语气对自己说话。
• 改写童年那句脚本。 你被植入的是"和别人比较"，你可以有意识地替换成"和昨天的自己比较"（这正是成长型思维）。每天记一件"今天我比昨天进步/学到的一点点"。
• 认真考虑找一位咨询师。 "35 岁还反复重温高考"+ 价值感和原生家庭深度绑定，这类议题靠自助书能改善，但有一位 CBT 或 ACT 取向的心理咨询师陪着走，会快得多、稳得多。这不是软弱，是高效。

书单

挑你最有共鸣的 1-2 本开始，别一次买十本——那又会变成"想一口气学很多"的老剧本。

学习方法（解决"错题反复错"）

• 《认知天性》（Make It Stick）— Brown / Roediger / McDaniel：提取练习、间隔、交错的权威普及版。强烈建议第一本读这本。
• 《学习之道》（A Mind for Numbers）— Barbara Oakley：专注/发散模式、对抗拖延。

焦虑与完美主义（CBT）

• 《伯恩斯新情绪疗法》（Feeling Good）— David Burns：CBT 经典，专治完美主义、灾难化、全或无思维，附大量可做的练习。
• 《焦虑症与恐惧症手册》（The Anxiety and Phobia Workbook）— Edmund Bourne：工具书式，实操性强。

活在当下（正念 / ACT）

• 《幸福的陷阱》（The Happiness Trap）— Russ Harris：接纳承诺疗法（ACT）入门，专门对付"经验性回避"和"活不在当下"，非常对症。
• 《正念：此刻是一枝花》（Wherever You Go, There You Are）— Jon Kabat-Zinn：正念入门经典。

自我价值与原生家庭（根部）

• 《终身成长》（Mindset）— Carol Dweck：固定型 vs 成长型思维。
• 《自我关怀的力量》（Self-Compassion）— Kristin Neff：把价值感从表现上解绑。
• 《不成熟的父母》（Adult Children of Emotionally Immature Parents）— Lindsay Gibson：理解"被比较"的童年如何塑造了今天的你。

哲学（活在当下的底层支撑）

• 《沉思录》（Meditations）— 马可·奥勒留：斯多葛派关于"只掌控你能掌控的"。
• 《自控力 / 当下的力量》之类可选，但前面几本更对症。

实践清单

可以从打 ☐ 开始，不必全做：

• ☐ 今天起，复习改成"合上书主动回忆"，错题写"我为什么错"。
• ☐ 装 Anki，把易错题做成卡片，每天 10 分钟。
• ☐ 下次考试前，纸上做 10 分钟"担忧书写"再进场。
• ☐ 每天 10 分钟正念冥想（Headspace / Waking Up / 潮汐 App 任选）。
• ☐ 焦虑上来时，做 3 轮 4-7-8 呼吸。
• ☐ 每天睡前写一件"今天我比昨天进步的一点点"。
• ☐ 一周内开始读《认知天性》或《幸福的陷阱》其中一本。
• ☐ 一个月内，认真评估要不要找一位 CBT/ACT 咨询师。
• ☐ 把口头禅从"我天生胆小"改成"我天生敏感，正在学习与它共处"。

小结

• 你的几个问题不是孤立的，根在一句童年脚本："考好才有价值"。它把每场考试升级成对自我的审判，审判产生的焦虑又反过来吃掉你考试时的脑力，并让你活不在当下。
• "错题反复错"是纯方法问题，最容易先解决：用主动回忆 + 间隔重复 + "陷阱卡"替代反复阅读。
• 焦虑要被驯服而非消灭：考前书写、CBT 拆解、呼吸与运动，是有证据的工具。
• 真正的功课在根部：把自我价值从成绩上解绑，从"和别人比"换成"和昨天的自己比"，必要时请专业咨询师同行。
• 最后那句要送给你：你不是天生胆小，你是天生敏感——而敏感是可以驯服、甚至可以变成礼物的。 你今年 35 岁，这恰恰是一个人开始有能力重新养育自己的年纪。高考会慢慢退场的，前提是你愿意从今天起，一点一点把"我够不够好"这个问题，换成"我今天想学到什么、想体验什么"。