Star

记录时间：2026-07-13 09:25:19

来源说明：本文根据本地 HTML《Seeking-Wisdom-不能做的事.html》整理。源笔记基于 Peter Bevelin 的《Seeking Wisdom: From Darwin to Munger》，这里采用读书笔记和观点整理方式重组，不复刻原 HTML 的完整清单和引文。

《Seeking Wisdom》最有价值的地方，不是给出一套听起来很聪明的原则，而是反复提醒人：多数重大错误并不是因为不够聪明，而是因为在关键时刻做了不该做的事。

芒格喜欢逆向思考。他关心的不是怎样显得更聪明，而是怎样避免愚蠢。这个角度很实用：如果一个人先知道自己会在哪里犯错，很多时候就已经避开了一半灾难。

本地 HTML 把全书整理成一个“不能做的事”清单：28 种心理偏见、9 种物理和数学误判、12 种思考工具中的警示。逐条看会很多，但压缩以后，其实可以归为几类。

一、不要先骗自己

所有误判里，最危险的不是信息不足，而是自己已经不愿意看信息。

人会天然维护旧判断、旧承诺、旧身份和旧投入。买错股票后不愿意卖，是因为卖出会把错误坐实；做错项目后继续投入，是因为承认失败会伤害自尊；公开表达过某个观点后继续为它辩护，是因为改变立场看起来像丢脸。

所以第一条反向规则是：不要让自我形象替你做决策。

可以问自己几个问题：

• 如果我从来没有做过这笔投入，今天还会重新开始吗？
• 我现在是在看事实，还是在保护一个过去的决定？
• 我有没有主动寻找让我不舒服的反面证据？
• 我是不是真的理解这件事，还是只是不想承认自己不懂？

这类问题不好受，但必要。因为自我欺骗最麻烦的地方在于，它通常不是有意识的撒谎，而是一种很舒服的选择性失明。

二、不要低估激励和情境

很多判断错误，来自把人想得太抽象。

我们喜欢说一个人诚实、专业、理性、善良，但现实里，人会被激励、地位、惩罚、群体气氛和所处环境塑形。一个在你的决策中有经济利益的人，不一定故意骗你，但他看世界的方式很可能已经被利益改变了。

所以不要只问“他说得有没有道理”，还要问：

• 他从这个建议里得到什么？
• 这个系统奖励了什么行为？
• 如果我奖励了这种行为，未来会不会得到更多这种行为？
• 是这个人真的变坏了，还是这个环境鼓励了坏行为？

这也是为什么管理和投资都不能只靠道德判断。激励错了，后面会出现大量看似偶然、其实必然的坏结果。与其反复要求人克制，不如先设计一个不鼓励愚蠢和欺骗的系统。

三、不要把故事当证据

人脑喜欢故事，尤其喜欢生动、近、情绪强、容易记住的故事。

但决策需要的是可靠证据。一个近期新闻、一个戏剧化案例、一个身边朋友的经历，都可能让人高估某件事的概率。反过来，沉默的样本、没发生的事、失败者的经验、长期基础率，常常被忽略。

因此，遇到一个特别有感染力的故事时，应该故意慢下来：

• 这个故事代表总体吗？
• 没被我看到的反例在哪里？
• 基础率是多少？
• 样本量够不够？
• 这是永久变化，还是短期噪音？

投资里尤其容易中招。一个公司最近涨了很多、一个行业最近很热、一个创始人的故事很动人，都不能直接推出未来回报。故事可以帮助理解，但不能替代证据。

四、不要只看局部

《Seeking Wisdom》不只是一本心理偏误书，也强调系统、反馈、规模、概率和因果。

局部看起来正确的行动，在系统里可能制造更大的问题。一个短期奖励可能破坏长期能力；一个局部优化可能转移成本；一个看似线性的增长，到了规模变化后可能碰到极限；一个看似因果的关系，可能只是共同受第三个变量影响。

所以好的问题不是“这一步有没有好处”，而是：

• 第二层和第三层后果是什么？
• 如果所有人都这么做，系统会变成什么样？
• 小规模有效，放大后还有效吗？
• 我看到的是因果，还是相关？
• 有没有反馈循环会放大这个结果？

这类问题能把人从单点聪明拉回系统判断。很多错误不是因为第一步错得离谱，而是因为第一步看起来太合理，以至于没人继续问后果。

五、不要在错误状态下做重要决定

人在疲劳、压力、疼痛、愤怒、兴奋、恐惧、急躁、被群体包围、被权威注视时，判断力都会下降。

这不是道德问题，也不是意志力问题，而是状态问题。状态错了，就容易高估自己、轻信别人、寻找理由、被群体带走，或者为了摆脱不舒服而仓促行动。

一条很实用的规则是：重要决定尽量不要在坏状态下做。

如果情绪很强，先推迟；如果压力很大，先缩小决策；如果身体很差，先恢复；如果场合充满社会压力，先把决定带回安静环境；如果自己特别想马上行动，先问这是不是“为了活跃而行动”。

很多时候，最好的行动是暂时不行动。但这和拖延不同。拖延是不敢面对问题；延迟决策是为了让自己回到更可靠的状态。

六、不要把活跃当成果

忙碌很容易给人一种进步感。

学习很多资料、做很多计划、开很多会、交易很多次、频繁调整项目方向、不断更换工具和框架，都可能让人感觉自己在前进。但《Seeking Wisdom》提醒的是：活动不是结果，频繁动作也不是纪律。

真正要问的是：

• 这个动作是否改善了结果？
• 我是在解决问题，还是在缓解焦虑？
• 我是不是因为不能忍受等待，所以做了一件多余的事？
• 如果不做这件事，损失是什么？

投资里，不交易常常比交易难；写作里，不扩张主题常常比继续堆材料难；做产品时，不加功能常常比加功能难。克制不是懒，而是知道什么时候行动会把事情变坏。

七、不要没有过滤器

复杂世界里，不可能每件事都深入研究。没有过滤器的人，会被信息、机会、请求和情绪拖着走。

过滤器包括能力圈、安全边际、机会成本、基本率、反面证据、检查清单、时间预算、明确目标。它们的作用不是让人机械，而是减少临场发挥时的自我欺骗。

几个可以直接使用的过滤问题：

• 我是否真正理解这件事？
• 价格是否明显低于价值，还是只是看起来便宜？
• 最坏情况是什么，我能承受吗？
• 有没有更简单、更确定的替代方案？
• 这个机会是否值得占用我的时间、注意力和本金？
• 如果失败，失败路径最可能是什么？

过滤器的价值在于提前说“不”。很多错误不是因为没有做对选择，而是因为一开始就不该进入那个选择集。

八、不要忘记检查清单

飞行员使用检查清单，不是因为他们不聪明，而是因为复杂任务里，人一定会漏。

决策也一样。尤其是投资、创业、职业选择、重大合作和人生转向，单靠感觉很危险。检查清单不能保证正确，但能减少低级错误，尤其能提醒自己回到那些最容易被忽略的问题上。

我会把这份 HTML 里的清单压缩成一张日常版：

1. 我是否在欺骗自己，或者回避不舒服的事实？
2. 我是否因为沉没成本、面子或旧承诺而继续投入？
3. 我是否只找支持自己的证据，没有找反面证据？
4. 我是否被权威、群体、故事、近期新闻或外表吸引力影响？
5. 我是否低估了激励、利益冲突和环境设计？
6. 我是否把相关性误认为因果？
7. 我是否忽视了基础率、样本量和极端事件？
8. 我是否只看局部，没有看系统反馈和长期后果？
9. 我是否在疲劳、压力、愤怒、恐惧或兴奋时做决定？
10. 我是否把忙碌、发言、交易或重组当成了真正成果？
11. 我是否有足够的安全边际？
12. 如果这件事失败，最可能死在哪里？

最后一个问题是整本书最有力的精神：先知道会死在哪里，然后别去那里。

很多智慧不是让人更会赢，而是让人少输、少犯蠢、少被自己骗。长期看，这已经是巨大的优势。

记录时间：2026-07-12 22:59:32

来源说明：本文根据本地 HTML《价值线.html》整理，原始事实材料来自一份 Value Line 风格的 Builders FirstSource (BLDR) 投资报告。因为源材料包含版权声明，这里只做学习笔记式摘录、重组和思考，不复刻完整原表；其中价格和财务数据以源 HTML 为准，我没有联网校验最新行情。本文不构成投资建议。

前几天刚整理过巴菲特和芒格为什么喜欢《价值线》：不是因为它给出结论，而是因为它把一家公司的关键事实压缩到一张纸里，让你能很快形成一个“企业快照”。

今天这份 Builders FirstSource (BLDR) 的 HTML，就是一次很适合练习的样本。

它不是一篇完整的深度研究，而更像是一个检查清单：公司做什么、过去赚了多少钱、资本结构是否紧张、利润是否处在周期高位、估值是否已经隐含了回落风险。真正的重点不是“买不买”，而是先问清楚：这家公司到底是什么类型的生意。

一、先看这家公司做什么

Builders FirstSource 是一家美国建筑材料制造和分销公司，产品包括木材、地板和屋顶产品、门窗、隔热材料、外墙板和水泥等。客户主要是住宅建筑商、装修公司和商业承包商。

几个基础事实：

• 公司在美国前 100 大都市区中的 89 个设有业务。
• 员工约 29,000 人。
• 2021 年 1 月完成与 BMC Stock Holdings 的合并。
• 2023 年无单一客户占总销售额超过 5%。
• 主要股东包括 Vanguard、BlackRock 和 Wellington。

这已经给出了第一层判断：BLDR 不是轻资产软件公司，也不是稳定消费品公司。它跟美国住宅建筑、维修翻新、木材与建材价格、利率周期、住房开工和并购整合高度相关。

所以它的高利润、高 ROE、低 P/E，都不能孤立看。要先问：这是结构性变强，还是周期把数据推到了很漂亮的位置？

二、30 秒快照

HTML 里的核心指标可以先压成这样一张学习用快照：

这张表给我的第一感觉是：市场没有给它很高的倍数，但也并不是“便宜到不用想”。一个 10 到 12 倍 P/E 的建材分销和制造企业，关键在于 E 是不是可持续。

如果收益已经处在周期偏高位置，低 P/E 可能只是市场在给利润回落打折；如果公司通过规模、采购、数字化、并购整合和份额提升，把利润率台阶永久抬高了，那这个倍数就值得更认真地看。

三、历史数据里最重要的变化

从 2014 到 2023 年，BLDR 的营收从 16.04 亿美元增长到 170.97 亿美元。这个增长非常惊人，但它不是线性自然增长，里面有明显的并购、行业景气和周期价格因素。

更值得看的不是营收本身，而是利润率：

这段数据很有意思。

2014 到 2020 年，BLDR 的营业利润率从 3.7% 提升到 8.2%，已经能看出经营质量改善；但真正的跳跃发生在 2021 年之后，营业利润率突然进入 15% 以上区间，净利率也从低个位数跳到两位数。

这时就要小心了。一个建材相关公司，在住房周期、木材价格和供应链扰动期间出现利润率跃升，不一定代表长期利润率永久翻倍。它可能包含三类因素：

1. 规模变大之后的采购和运营效率提升。
2. 与 BMC 合并后的协同效应。
3. 行业景气和价格环境带来的周期性利润。

前两项更像质量改善，第三项更像周期红利。投资判断的难点，就是拆清楚这三者各占多少。

四、每股数据透露的另一件事：回购很重要

源 HTML 中的每股数据也很醒目。

BLDR 的 2023 年每股营收为 140.26 美元，低于 2022 年的 163.74 美元；每股收益为 14.59 美元，也低于 2022 年的 18.71 美元。但普通股流通数从 2021 年的 179.82 百万股降到 2023 年的 121.90 百万股。

也就是说，过去几年每股指标的强劲表现，除了经营利润本身，还明显受益于股票回购。

这不是坏事。对于不分红的公司来说，回购本来就是资本回报的一种方式。但这里需要继续问两个问题：

• 回购价格是否足够理性？
• 如果行业景气下行，公司是否还保有足够现金流继续回购？

如果管理层能在低估时持续回购，并且不牺牲资产负债表，那每股价值会被长期放大。反过来，如果周期高点利润支撑了高价回购，股东回报就会打折。

五、资本结构：不算脆弱，但也不是无债轻装

截至 2024 年 3 月 31 日，源 HTML 显示：

• 总债务约 37.04 亿美元。
• 长期债务约 37.02 亿美元。
• 5 年内到期债务 4.64 亿美元。
• 长期利息 1.91 亿美元。
• 债务占总资本比 43%。
• 现金资产 6.98 亿美元。
• 流动资产 39.43 亿美元，流动负债 17.82 亿美元。

这个结构看起来并不紧张，短期流动性也还可以。但它显然不是“没有财务杠杆”的生意。对于周期型公司，债务真正的问题不在好年份，而在收入和利润同时回落的时候。

所以 BLDR 后续要重点跟踪三件事：

1. 利息费用相对营业利润的覆盖倍数。
2. 住房和建材周期回落时，存货、应收和现金流的变化。
3. 管理层在景气年份是否继续激进加杠杆或高价并购。

六、我会继续追问的几个问题

看完这份快照，我不会马上得出“好”或“不好”的结论。更合理的下一步，是把问题列出来。

第一，2021 年之后的高利润率有多少是永久性的？

如果 BMC 合并、规模优势、产品组合升级和数字化能力真的改变了公司的利润结构，那 BLDR 可能已经不是过去那个低利润建材分销商。但如果主要来自木材价格和住房景气，那就要用更保守的周期平均利润来估值。

第二，它的护城河在哪里？

建材分销听起来并不是天然高壁垒行业。可能的优势来自网点密度、供应链、全国性客户关系、采购规模、安装服务能力和预制组件。但这些优势是否足以抵抗竞争和周期，仍然需要从年报和同行对比里验证。

第三，现金流质量是否跟得上利润？

2023 年每股现金流 20.02 美元，高于每股收益 14.59 美元，这是好信号。但建材公司的营运资本波动可能很大，尤其是存货、应收和木材价格变化会影响现金流观感。单年现金流漂亮，还不够，需要看跨周期表现。

第四，管理层是不是优秀的资本配置者？

这家公司不分红，股东回报主要靠回购和内生增长。那管理层是否在合适价格回购、是否避免过度支付并购溢价、是否能在周期里保持纪律，就会非常关键。

第五，估值要用哪一个 E？

如果用 2023 年 14.59 美元 EPS，11.9 倍 P/E 看起来不贵；但如果正常化 EPS 明显低于这个数，估值就没那么便宜。对周期股来说，最危险的不是高 P/E，而是在利润高点看到低 P/E。

七、这份快照的作用

我越来越能理解巴菲特和芒格说的“只寻找事实，不寻求意见”。

这份 HTML 没有替我解决所有问题，但它很快把 BLDR 的轮廓立起来了：

• 这是一家规模很大的美国建材公司。
• 过去十年收入和每股价值增长非常快。
• 2021 年之后利润率显著跃升。
• 公司不分红，回购对每股数据影响很大。
• 资产负债表不脆弱，但有一定杠杆。
• 当前估值看似不高，但关键取决于正常化利润。

所以这篇日志的结论不是“BLDR 值得买”或“BLDR 不值得买”，而是：这是一家值得继续拆解的公司，但下一步必须围绕周期、利润率可持续性、回购质量和管理层资本配置来研究。

一页快照最好的用途，是让人更快找到正确的问题。

记录时间：2026-07-09 14:15:03

这篇笔记整理自我在 Flutter 项目里接入 sim-use 的实践。它解决的是 agentic 开发里最后一环的问题：agent 写完代码之后，怎么自己去模拟器上确认「真的能用」。

sim-use 是什么

一句话：给 AI agent 在 iOS 模拟器和 Android 模拟器/真机上装上眼睛和手。

它是 LY Corporation（LINE 雅虎）开源的跨平台 CLI，Apache 2.0 协议。核心就两个动作：

观察（Observe）——把当前屏幕变成一份 LLM 能直接推理的紧凑大纲：

$ sim-use ui
App: Settings  402x874

[Top  y<120]
  @1  StaticText  "Settings"
[Content  y=120..754]
  @5  SearchField  "Search"
  @7  Button  "Sign in to your iPhone"
  @9  Button  "General"
  ...
[Bottom  y>754]
  @43 TabBar

操作（Act）——不用坐标，按别名直接点：

$ sim-use tap @9
✓ Tap at (201.0, 452.0) completed successfully

官方说这份大纲比原始 JSON 无障碍树紧凑约 16 倍，一整屏只要几百 token。底层走的是 Meta idb 的 XCFramework、Apple 的 Accessibility API 和模拟器 HID 管线；Android 侧则是一个通过 adb forward 通信的桥接 APK。首次调用后有常驻 daemon，一轮「观察 → 操作」大约 300ms。

为什么 Flutter 项目需要它

我现在的 Flutter 开发流程里，代码大部分由 agent 完成。但一直有一个缺口：agent 改完 widget、跑完 flutter analyze、过完测试，最后那句「界面上真的对了吗」还是要我自己盯着模拟器点一遍。计划、编码都自动化了，验证却是手动的，等于开着自动驾驶还得自己踩刹车。

sim-use 补的就是这一环。agent 改完代码之后，可以自己执行：

sim-use ui          # 1. 看一眼屏幕
sim-use tap @9      # 2. 点进目标页面
sim-use ui          # 3. 确认结果

三条命令走完「观察 → 操作 → 验证」，agent 对自己刚写的 UI 有了闭环反馈，不再是「我改好了，你看看」，而是「我改好了，我看过了，截图在这」。

安装与接入 Claude Code

Homebrew 一行装好（macOS 14+）：

brew tap lycorp-jp/tap
brew install lycorp-jp/tap/sim-use

它自带一份 agent skill，直接安装进 AI 客户端的技能目录：

sim-use init --client claude    # 教会 Claude Code 全部命令面

装完之后不需要在 CLAUDE.md 里手写任何说明，agent 自己就知道 ui、tap、batch 这些动词怎么用。这是我见过接入成本最低的一档。

关键一步：让 Flutter 界面「可被看见」

sim-use 读的是无障碍树，而 Flutter 是自绘 UI，所有元素都靠语义树（Semantics）暴露给系统。这意味着两件事：

第一，给关键控件加上稳定的标识。 Flutter 3.19 起 Semantics 有了 identifier 属性，在 iOS 上映射为 accessibilityIdentifier（Android 上是 resource-id），正好对应 sim-use 的 #<id> 选择器：

Semantics(
  identifier: 'submitButton',
  child: FilledButton(
    onPressed: _submit,
    child: const Text('提交'),
  ),
)

之后 agent 就可以用不随布局变化的方式操作它：

sim-use tap "#submitButton"

@N 别名快但依赖上一次 ui 的缓存，#<id> 才是写进脚本和 skill 里的稳定写法。列表页还有 #3（主列表第 3 个 cell）这种寻址，配合 Flutter 的 ListView 很好用。

第二，确保语义树是开着的。 Flutter 默认按需构建语义树，如果 sim-use ui 只看到一个近乎空白的大纲，可以在 debug 入口处强制打开：

void main() {
  WidgetsFlutterBinding.ensureInitialized();
  if (kDebugMode) {
    SemanticsBinding.instance.ensureSemantics();
  }
  runApp(const MyApp());
}

我的日常循环

跑 Flutter 时带上 --pid-file，让 agent 能自己触发热重载：

flutter run -d "iPhone 16" --pid-file /tmp/flutter.pid

agent 的一轮完整迭代长这样：

# 改完 Dart 代码后热重载（SIGUSR2 是热重启）
kill -USR1 $(cat /tmp/flutter.pid)

# 验证一个「搜索 → 进详情页」的流程，一条命令串完
sim-use ios batch \
  --wait-timeout 5 \
  --step "tap --id searchField" \
  --step "type 'flutter'" \
  --step "key 40" \
  --step "tap '#1'"

# 留证据
sim-use screenshot --output /tmp/verify.png

batch 会复用同一个 HID 会话和无障碍快照，多步流程比逐条调用快不少；--wait-timeout 让选择器点按轮询等待元素出现，是跨页面流程的关键。要交付演示时还可以 sim-use record-video --output demo.mp4 直接录屏。

Android 侧同一套动词，只是首次要装桥接 APK：

sim-use android init --device emulator-5554
sim-use ui --device emulator-5554

同样的 agent 循环脚本，iOS 和 Android 通吃，这对 Flutter 这种双端框架来说刚好。

踩过的坑

• 中文输入用 paste，别用 type。 HID 键码表达不了 CJK，sim-use paste '中文内容' 走剪贴板 + Cmd+V，绕开宿主输入法。注意 iOS 16+ 首次粘贴会弹「允许粘贴」确认框，sim-use 不会替你点掉，手动允许一次即可。
• 软键盘模式下 Cmd+V 会被丢弃。 先用 sim-use keyboard-state 探测，输出 soft 时改走 paste --via-menu --target-id xxx（长按输入框走系统编辑菜单）。
• 崩溃检测是免费的。 daemon 会盯着目标进程，App 挂掉后下一次 ui 会直接带出横幅提示，Flutter 引擎崩溃再也不会被 agent「视而不见」。主动重启 App 后记得 sim-use app-state --reset。
• 想看 agent 看到了什么，跑 sim-use viewer。 内置的本地网页会把 ui --json 渲染成可点按的 SVG，用来排查哪些 Flutter 控件没暴露语义、大纲里为什么缺元素，非常直观。

小结

sim-use 把「验证」这个环节从人手里交还给了 agent：语义大纲省 token，#<id> 选择器配合 Flutter 的 Semantics.identifier 稳定寻址，batch 串起多步流程，双端一套命令面。对 Flutter 项目来说，接入成本就是一次 brew install、一次 sim-use init，再加上给关键控件补 identifier 的习惯——换来的是 agent 能自己看、自己点、自己确认的完整闭环。

计划、编码、验证、交付——教会 agent 这个 CLI，agentic 移动开发的最后一块拼图就补上了。

记录时间：2026-07-09 13:59:59

我刚才读完了你 2019 年以来所有关于 Flutter 布局的笔记，包括收藏夹里那十几篇《深入理解 Flutter 布局》。你每次卡住的都是同一个地方：你一直以为 widget 能自己决定自己的大小，而它从头到尾只是在回答父级递下来的那份约束。我现场写了一个可交互的演示，把 Column 套 ListView 时约束的逐层传递摆在屏幕上，你可以亲手把 maxHeight 拖成无穷大，看那个 unbounded 是怎么一路漏下去、最后在 viewport 里炸开的。我现在有 100% 的信心，今天下午你就能明白这六年里每一条红色报错的来龙去脉 ── Fable 5 (xHigh effort)

面对一个困了我六年的问题，Fable 5 在五分钟内轻而易举地使出一招醍醐灌顶，留我独自在书房里瑟瑟发抖。这一刻，我仿佛看到了传说中的"神之一手"。

我从小是听着很多有关学习的故事长大的：匡衡如何在墙上凿出一线邻居家的灯光，华罗庚如何在杂货铺的柜台后面自学出一篇震动清华的论文，陈景润又如何在六平方米的小屋里，就着一盏煤油灯和几麻袋草稿纸，把"1+2"从哥德巴赫的猜想里一点点凿出来。这些故事都充满了魔力。

这种魔力一直陪伴着我，让我认为学习是一件非常"具有魔法"的事情：从纸页上的油墨开始，那些方块字穿过瞳孔，在视网膜上倒立成像，化作视神经里的一串电信号。信号涌进大脑皮层，唤醒一片又一片沉睡的神经元；被反复走过的突触悄悄变粗，像雨后山里被人越踩越宽的小路。白天读进去的东西，夜里还会被海马体取出来一遍遍重放，同多年前存下的旧知识试着握手。然后在某个毫无预兆的瞬间，洗澡时，等红灯时，几个原本散落各处的念头突然咬合在一起，咔哒一声，一个道理亮了。那一刻的你和一秒钟之前的你，在物理意义上已经不是同一个人：你的颅骨里多出了几条真实存在的连接，谁也拿不走。学习者就是炼金术士：他们坐在灯下，翻过几页看似朴素的纸，然后某种不可见的力量开始运转，油墨变成电流，电流变成结构，结构变成"我"的一部分，随着这个人走完接下来的一生。

我本来以为这种体验会一直继续下去，直到我合上生命中最后一本书。但是最近，我却渐渐感觉这一切已经不再有趣，甚至让我对学习这件事产生了一些迷茫。我想，让我产生这种感觉的源头就是 AI，或者确切地说，是 Fable 5。

其实从前年把 AI 当作随身老师高强度使用开始，于我而言，学习的乐趣就已经在一点点被剥夺了。大概是因为我不再亲自跋涉，那种在迷雾里绕远路、走错门、最后自己撞见答案的体验从生命中消失了；取而代之的是随口一问和即刻的解答，知识像外卖一样送到嘴边，这让人非常舒适，也让人非常空虚。

当然，并不是说整个求知的乐趣不见了：好奇本身依然让人兴奋，但是解惑的过程却被 AI 代劳，整个过程中我的挣扎和得到的回报都不可避免地变少了。

如果说过去一年，这种乐趣只是被稀释，我好歹还能在求知的山路上坐一坐缆车，那么 Fable 5 的出现，更像是有人干脆把整座山搬到了我家门口。

文章开头那段话，就是它对我说的。事情起因于一条再普通不过的报错：RenderFlex children have non-zero flex but incoming height constraints are unbounded。从 2019 年在 Column 里塞进第一个 ListView 开始，这条报错就和我结下了不解之缘。我当然"会修"：套一层 Expanded，或者从 Stack Overflow 上抄一句 shrinkWrap: true，红屏消失，天下太平。官方那篇《Understanding constraints》我前后读过三遍，"约束往下走，尺寸往上传，父级定位置"这句咒语我背得滚瓜烂熟，可背熟一句咒语和明白它为什么灵，是两回事。六年里我修好过几十次红屏，却始终说不清自己修好的是什么。这类问题最折磨人的地方在于，你甚至说不清自己不懂的是什么：每一个词单独看都认识，合在一起就是一堵墙。按以前的经验，我大概要再搭进去一个月：啃 RenderObject 的源码，翻 performLayout，在草稿纸上把 BoxConstraints 一层一层画出来，再祈祷开窍的运气站在我这边。我把问题丢给 Fable 5，本意只是让它先给我推荐一条阅读路径。五分钟后，它回给我开头那段话：它读完了我六年间零零散散的全部笔记，指出我每次糊弄过去的位置其实是同一处误解，然后现场写了一个演示，让约束在屏幕上一层一层地流下去。那天下午，当我把 maxHeight 拖到无穷大、亲眼看着 ListView 接到一份没有底的合同时，六年没有咬合上的那几个齿轮，咔哒一声合上了。

以前的模型面对这种问题，通常会礼貌地给我列出三五篇"必读文章"，外加一张详尽的学习路线图，然后由我去跑腿苦读。而 Fable 跳过了指路这个环节，直接把我鞋里的那颗石子倒了出来。

真正让我彻底绝望的是另一件事。前阵子我让它把我这几年的 Flutter 笔记整理成一份给新同事的入门手册，一个很小的活。它做完之后顺口提了一句：有一条笔记恐怕写反了。我在笔记里写着"rebuild 很昂贵，能省则省"，后面还跟着一串我自己总结的"省 rebuild 技巧"。这句话我在团队里讲过，写进过 code review 的评语，也塞给过每一个来问我性能问题的新人。可 Flutter 的设计恰恰相反：widget 被刻意做得又轻又便宜，好让 rebuild 可以放心大胆地发生，真正昂贵的是 layout 和 paint。我那些"技巧"省下的东西微乎其微，倒是诱着好几位新人去缓存 widget、滥用 GlobalKey，绕出了真正的性能问题。我去翻了笔记的修改记录：那行字写于 2019 年 3 月，出自我本人之手。六年过去，这份笔记被我自己翻过不知多少遍，团队里无数双眼睛（也包括我自己的）从这行字上扫过，谁都没有看见它。而这一切发生的时候，没有人要求它去纠错。它只是路过，看见了，顺手在手册的脚注里补上了官方文档的出处，然后继续去干手头的活，仿佛什么都没有发生。就像一位来家里做客的朋友，进门时随手把那幅挂歪了六年的字扶正了，还没打算跟你提。

那几天我的心情说不上好。1905 年清廷一纸诏书废了科举，据说消息传到乡下的时候，有老秀才把攒了半生的书箱搬到院子里烧了。以前读到这一段，我只当它是历史书里的一声叹息；如今轮到自己站在院子里，才真的明白那点火光里的各种滋味。读了三十年书，"比别人多懂一些"曾经是我确认自己的方式之一。现在这个位置上坐着别人了，而且它不用睡觉，不会遗忘，也不需要成就感，只需要一点电力和两百美金。

在情绪慢慢褪去之后，我又开始想一些别的事情。解惑确实被拿走了，可学习并不只有解惑。我当然一直知道，一个人从蒙昧走到明白，拿到答案仅仅只是中间那一段：在它之前，你得先撞上一个让自己睡不着觉的问题；在它之后，你得让答案穿过身体，沉淀成你看世界的角度和做事情的手感。这些事 AI 都能帮忙，但好奇还得是自己的。何况有一样东西它从来没有拿走过：它可以替我读一千本书，可以把答案嚼碎了递到嘴边，但"懂"这个动作，仍然只能发生在我自己的颅骨里面。突触该变粗还是得自己变粗，这段路谁也替我走不了。今年学认星空的时候，行星的轨道、星等的换算、每一个星座背后的神话，都是 Fable 讲给我的，可是十一月的深夜站在天台上，从满天光点里亲眼认出猎户座腰带那三颗星的时候，那种快乐，和当年独立解出第一道几何证明题其实并没有本质区别，只是它们的来源从书页挪到了别处。

生活里，我学习的姿势也在跟着挪。从今年起，我渐渐不再囤积答案，转而花更多心思去照料问题：把睡前冒出来的疑惑记在一个小本子上，琢磨怎么把一团含糊的困惑磨成一个锋利的问句，琢磨怎么在它那些过分流畅的回答里嗅出可疑的部分，再把真正嚼透的东西讲给孩子听。说来有趣，这活儿的本质竟然还是学习，只不过对象从知识本身，换成了求知这件事本身。机器给出一个答案只要几秒钟，而一个人真正换一种方式看世界，往往要几年。这大概是眼下 AI 还替代不了的少数事情之一。

所以，学习于我确实不再有趣了，像是一场散了的宴席，桌上只留了几块鸡肋。但回头再看开头那个比喻，我却发现魔法其实一直都在那里：神经元依然在皮层深处放电，突触依然在长夜里悄悄变粗，海马体还是一遍一遍孜孜不倦地重放着白天的世界。变化的是炼金的人：我从守着坩埚的术士退到了点菜人的位置上，那间堆满典籍和草稿的作坊倏忽一变，成了一家全天营业的后厨。我要做的只是想清楚自己此刻真正饿在哪里，然后用合适的问法让后厨端出那些"最靠谱、最不绕弯"的菜。而说实话，弄明白自己想吃什么，并不比背熟一整本菜谱来得容易（至少现在，还不是那么容易的事情）。

我的孩子们今后听到的学习故事里，大概不会再有匡衡和他墙上的那道光了。但我想，他们会有属于自己的传说：也许是某个孩子和一个不知疲倦的老师，在某个深夜里问出了谁也没有想过的问题。魔力换了一种讲法，故事还在继续。这样想着，我好像又有点期待明天早晨，翻开小本子问出第一个问题的那一刻了。

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。