AI 笔记 on 向叔记事簿

Vera Rubin 的十倍每兆瓦 Tokens，会把 AI 价格打下来吗？

Wed, 22 Jul 2026 21:13:54 +0800

按英伟达针对 DeepSeek-R1 推理公布的厂商基准，Vera Rubin NVL72 的每兆瓦 Tokens 指标是其 GB200 NVL72 对比项的十倍。这是机架级系统的比较，不是单颗 GPU 的结论。

这个数字大得足以让人顺着算出下一句：既然同一兆瓦能做十倍的活，AI 应该很快降价。

我觉得方向大体是对的，结论却下得太快。

先把这十倍放回它的测试口径里。它是 NVIDIA 在 DeepSeek-R1 推理工作负载、机架级 NVL72 对机架级 NVL72 的厂商基准。它说的是，在受电力约束的场景里，一兆瓦可以交付多少 Tokens；没有说所有模型都快十倍，也没有说每一百万 Token 的完整成本已经少了九成。公开材料不足以把这项指标换算成现实服务成本：训练、长上下文、低并发、小批量、不同精度和不同服务质量目标，都可能给出另一张表。

不过，这个指标仍然很重要。在受电力接入、液冷或机房交付限制的项目里，若同一份电力额度能跑出更多推理，扩容不必每次都先等变电站和机房。

问题是，电费只是成本表里的一行。

一套 Vera Rubin NVL72 不是把旧机架里的卡换掉就结束了。新 GPU、互连、交换网络、液冷和部署工程会一起进入资本开支。服务商还要面对折旧期、融资成本、软件迁移、故障冗余，还有利用率。机器闲着时，再漂亮的每兆瓦吞吐量也不会自动变成便宜的 Token。

把服务商的单位服务成本简化为：

$$ \text{单位 Token 成本} \approx \frac{\text{折旧 + 电力 + 机房网络 + 运维}}{\text{实际售出的 Tokens}} $$

这是解释变量关系的简化框架，不是依据公开材料计算出的 TCO；这里的分母是实际售出的 Tokens，不是设备理论吞吐量。每兆瓦 Tokens 的基准直接改善的是单位电力可支持的推理产能，并可能降低每 Token 的电力投入；只有需求与利用率跟上，才会通过更高的实际售出量改善单位服务成本。新系统的资本开支、折旧和部署成本也可能上升。网络、存储、排队和调度同样可能成为限制因素，系统不是单颗 GPU 在跑。

先发生的未必是降价。服务商可能先把新增余量用在更长的上下文、更快的响应、更高的并发，或接住原本排队的企业需求；对开发者有价值，价目表却不必马上变化。

真正的降价要等新机架从样板项目变成可复制的机房配置，利用率也被拉起来。到那时，云厂商、模型公司和推理服务商是否愿意把效率让给客户，还要看竞争。更棘手的是需求：便宜的推理若立刻诱发十倍调用量，行业得到的可能是更大的总支出和更多数据中心，而不是每个人都觉得便宜。

AI 基础设施会同时制造通缩和扩张。单次生成可能更省电，用户可能得到更好的模型能力，服务商却可能因此建更多机房，因为新能力会拉出新的用法。

因此，Vera Rubin 的十倍更像一张通往降价的门票，不是降价通知书。它改善了电力受限场景下的推理产能，也给服务商降价留出了空间。空间最后会被谁拿走，要看硬件定价、折旧、机房、利用率和竞争。

用户最终不必执着于“API 会不会立刻便宜十倍”。更值得观察的是两个更朴素的信号：同一笔预算能否稳定买到更快、更长、更可靠的推理，以及当供给起来后，服务商会把多少效率留在利润表，多少写进价目表。前者可能先以产品能力的形式出现；后者是否出现及出现的时间，仍取决于供给、利用率和竞争。

参考资料

写作附记

原始提示词

英伟达 Vera Rubin 全面量产，Spectrum-6 网络与 NVL72 能效跃升 10 倍。DeepSeek R1 推理测试显示，Vera Rubin NVL72 每兆瓦 Tokens 吞吐量较 GB200 NVL72 提升 10 倍。大面积铺货以后，AI 是不是能降价，很明显的能效比提升了，但是硬件投入增加了很多。

低利率环境下，我重新安排了一份十年期的理财计划

Wed, 22 Jul 2026 20:00:00 +0800

工作十年，我曾在一段利率相对较高的时期配置定期存款，后来债券成为组合里更重要的部分。我持有过的定存和债券产品，一度能提供约 4.5% 的回报。那时，我习惯把钱放在合适的期限里，等待时间完成大部分工作。

现在，我账户里现金管理类产品的收益已明显下降，过去的做法需要重新安排。过去半年，我一直在降低纯债仓位，增加固收+配置。这里的“+”不是为了让收益数字更漂亮，而是因为单一低波动资产未必能覆盖未来一段时间的目标。

我想整理的，是低利率、跨境基金申购状态不能保证、权益市场会回撤这些条件同时存在时，自己怎样安排一笔十年期资金。

从收益率变化，回到现金流问题

过去的利率经验，容易让我把资产配置理解为“挑一个收益率更高的地方”。当账户里的低风险收益下降，我开始先问：未来五年到十年里，每一笔确定要用的钱有没有自己的位置；长期不用的钱能否承受净值波动；波动发生时，手里的现金还有没有余量。

我把投资周期设为五年起步，并把十年当作一个规划周期。这是给自己的时间尺度：让不同市场阶段都有机会进入账本，也把波动和修复期计入预期。期限本身不替代风险判断，更不约定某一天必须恢复收益。

对我来说，资金规划的顺序比具体品种靠前：先留出近期支出和应急现金，再给不同类别设定可接受的仓位上限，最后才讨论长期定投。真正遇到大跌时，能否继续执行计划，往往取决于当时还有没有不必变卖的现金。

我更早写过一篇基金和固收理财，记录当时接触基金和固收产品的一些经历；这份旧记录也提醒我，资金安排要随自己的阶段和市场条件重新检查。

两个跨境配置的现实限制

在长期权益部分，我配置了跟踪纳斯达克100和标普500相应指数的基金份额，并以小额定投参与。我在安排这部分资金时，遇到过 QDII 基金申购状态不能保证的情形。于是，“下跌就补仓”对我的计划而言，不是一个可以随时执行的动作。

市场处在高位时，我不愿因为害怕错过而一次性投入太多；真正出现明显回撤时，原先预留的资金又可能因申购状态而无法进入。市场涨跌和这类申购状态都不由我决定，因此我不能把它们写进一张保证能够执行的补仓计划里。

因此，我只把跨境部分视为长期计划中的有限席位，预先约束总额度和定投节奏。这个安排不能改变市场估值或申购状态，但能避免把一笔必须保持流动性的资金，预设为可以随时补仓的资金。

沪深300相关部分，我目前持有相应指数的基金份额，后续打算逐步调整为沪深300增强类策略。我的本币资金安排可以围绕自己的现金流、定投节奏和预留资金来写；若未来出现回撤，是否增加投入仍服从事先确定的仓位上限。这是我的规划逻辑，不构成对任何人的交易指令。

用一套可复核的口径看历史

我的实际定投使用的是平台的智能定投功能，熊市多买、牛市少买。但我没有支付宝算法的公开参数，也没有每次真实扣款记录，因此下面的回测不复现支付宝智能定投算法，更不是实际账户收益。

为了让结果可核验，回测采用一个更朴素的替代规则：在每个自然月的首个可得净值日，等额投入 1 个现金单位，以当天单位净值换算份额，期末按最后一个可得单位净值估值。

年化收益：以全部月度投入现金流和期末账户价值计算年化 XIRR。
最大回撤：按该基金完整可得区间的单位净值序列计算。
回撤修复时间：从最大回撤前的净值高点，到单位净值首次恢复至该高点或以上的日历天数。

净值来自东方财富天天基金公开历史净值接口，抓取时间为 2026 年 7 月 22 日，使用字段为单位净值，而非累计净值或日增长率。每只基金都使用自己的完整可得区间，没有为了凑齐比较而截短长期数据。

本文以单位净值作为数据源口径，未另行模拟账户层面的费用与摩擦，包括申购赎回费、税费、换汇成本、实际申购限制、跟踪误差及其他交易摩擦；这也不改变“等额月投只是透明替代规则、不是支付宝智能定投复现”的边界。

基金代码（基金名称）	回测区间	月度投入次数	年化 XIRR	最大回撤	回撤修复时间
001015（华夏沪深300指数增强A）	2015-02-10 至 2026-07-21	138	7.61%	-42.02%	1,728 天
000051（华夏沪深300ETF联接A）	2009-07-10 至 2026-07-21	205	5.77%	-43.43%	1,857 天
270042（广发纳斯达克100ETF联接人民币(QDII)A）	2012-08-15 至 2026-07-20	168	17.11%	-31.18%	588 天
019305（摩根标普500指数(QDII)人民币C）*	2023-09-01 至 2026-07-20	35	13.95%	-17.44%	127 天

019305 仅有 35 个自然月样本，经历的市场阶段显著少于其余三只基金；它的年化 XIRR、最大回撤和修复时间只描述这段短样本，不能与长期样本横向比较，更不能由此推断未来回撤更小或修复更快。

我会先看最大回撤和修复所花的时间。以这套历史样本为例，001015 的最大回撤从 2015 年 6 月 12 日的高点，到 2020 年 3 月 5 日单位净值首次重新达到或超过该高点，经历了 1,728 天；000051 则经历了 1,857 天。连续几年面对未修复的账面波动，是这份十年计划必须容纳的情形。

回测没替我做决定，但改了提问方式

历史回测把我原来模糊的期待，改写成几道需要提前回答的问题。

第一，预留资金是否足以覆盖一次比预期更长的修复期。回撤不是只发生几周的折线，至少在上述两个沪深300样本里，恢复前高用了四年多。若把那部分钱预设为短期要用，就很难在计划中坚持下去。

第二，跨境资产的补仓假设是否依赖一个无法保证的申购状态。我把已有仓位、它可能出现的波动和其他资产的资金安排，先放在自己能承受的范围内；补仓只是申购条件允许时的选项。

第三，本币权益的回撤规则是否有明确边界。我会先写下这一部分资金的总额、分几次投入，以及跌到什么程度也不再追加；没有写清楚前，就不把临时加仓当成规则。

在我的低利率环境体验里，没有哪一项资产能把过去的收益感受原封不动地还回来。我的调整是把债券放回组合的稳定部分，把权益和跨境配置放进更长的周期，再把申购状态、现金流和回撤一并写进计划。

五年起步、十年一个周期，是我愿意为这套计划预留的时间，不是一张收益承诺书。下一次市场波动来时，我希望不用临时决定要不要卖出应急金，也不用因为自己遇到的 QDII 基金申购状态变化而改写整份计划。

数据说明

本文回测使用东方财富天天基金公开历史净值数据：001015（华夏沪深300指数增强A）、000051（华夏沪深300ETF联接A）、270042（广发纳斯达克100ETF联接人民币(QDII)A）、019305（摩根标普500指数(QDII)人民币C）。净值抓取时间为 2026 年 7 月 22 日，数据可得区间及计算方式如表中所列。

回测仅按数据源的单位净值计算，未另行模拟账户层面的费用与摩擦，包括申购赎回费、税费、换汇成本、实际申购限制、跟踪误差及其他交易摩擦。历史数据不代表未来表现；文中的个人资金安排仅用于说明思路，不构成投资、交易或配置建议。

参考资料

东方财富天天基金历史净值接口：https://api.fund.eastmoney.com/f10/lsjz（2026-07-22 抓取；单位净值口径）
东方财富基金页面：https://fund.eastmoney.com/001015.html、https://fund.eastmoney.com/000051.html、https://fund.eastmoney.com/270042.html、https://fund.eastmoney.com/019305.html（2026-07-22 核验基金名称）

写作附记

原始提示词

$blog-writer 降息时代的理财配置思考，工作十年，大部分时间经历的都是高利率时代，前面四年靠定期存款就能有不错的收益、后面五年靠着债券也还行，4.5% 在以前不难。国际大环境变动，中国加速进入降息通道，余额宝的年化收益率都跌破 1% 了。最近半年一直在调整债券仓位减少，增加了固收+ 债券。配置了纳斯达克100ETF、标普500ETF定投，QDII外汇额度管控，少量定投，目前高位，大额也不合适，美股指数这块存在个问题，碰到大跌，没额度，怎么补仓。还配置了沪深300指数，后续调整为沪深300增强类，这个好控制，碰到回撤，加仓，资金规划需要合理。按照计划安排，回测下收益，定投都是智能定投，熊市多买、牛市少买，用的都是支付宝的算法。回测的数据整理为表格放到正文中: 年化收益、最大回撤、回撤修复时间。回测用到的基金代码：沪深300ETF增强：001015，沪深300ETF：000051，纳斯达克100ETF：270042，标普500ETF：019305。

新的投资计划，投资周期五年起步，十年作为一个周期。

围绕收盘价的成交：A 股盘后固定价格交易、MOC 与 CAS

Tue, 14 Jul 2026 00:00:00 +0800

7 月初一则关于沪深市场盘后固定价格交易扩容的消息，又把一个老问题带回了交易桌：收盘以后突然多出来的成交，到底算不算“盘后交易”？如果把它和美股的 MOC（Market on Close）或港股的 CAS（Closing Auction Session）放在一起看，答案是：它们都围绕收盘价组织流动性，但分别处在价格形成的不同环节。

这件事的关键不在于多了半小时交易时间，而在于更多订单可以把执行结果贴近官方收盘价。收盘价既是日 K 线的终点，也是指数计算、基金估值和业绩比较常用的公共基准。对需要跟踪基准的账户来说，日内“看起来更便宜”的成交，未必能替代一次与基准一致的成交。

先把三个“收盘”概念拆开

市场讨论中，常有人把收盘前后多种成交笼统称作“收盘交易”。至少要分成三类：

机制	收盘价是否在此形成	典型用途
收市定价或收盘竞价	是	汇集订单，形成官方收盘基准
按既定收盘价的盘后定价交易	否	以已形成的收盘价继续撮合
延长交易时段	否，价格仍可变化	收市后继续报价和交易

第一类解决“今天的官方收盘价是多少”。第二类解决“价格已经定了，还有谁愿意按这个价格成交”。第三类才接近通常所说的盘后延长交易：参与者继续交易，成交价格可以偏离正式收盘价。

因此，MOC 不是美股盘后交易的同义词，CAS 也不是一张订单。A 股这次被讨论的盘后固定价格交易，则是收盘价形成之后的定价撮合。三者的共同目标是收盘基准，制度位置却不同。

A 股扩容：固定的是价格，不是成交数量

公开报道显示，沪深市场计划把盘后固定价格交易的适用范围，由科创板、创业板股票扩大至全部 A 股及沪深市场 ETF；报道所述成交撮合时段为 15:05—15:30，成交价为当日收盘价，按时间优先逐笔连续撮合。由于本轮可取得的材料是媒体转述，实际实施日期、证券范围、申报接受及撤单时点，应以交易所届时有效的规则和通知为准。

这一机制的业务含义很直接：收盘价已经确定，买卖双方若都接受该价格，便可以继续排队匹配；它不重新发现价格，也不会产生第二个收盘价。价格风险被压缩为“是否接受今天的收盘价”，但成交风险仍然存在——有效申报不等于一定有对手方。换言之，它锁定的是价格，不是数量和流动性。

这里还要避免把沪、深市场的收盘机制混成一个概念。深市有收盘集合竞价安排，沪市官方收盘价则按其自身规则计算。无论收盘价各自如何形成，盘后固定价格交易都发生在该官方收盘价已经确定之后。

ETF 是这项扩容中最容易被误读的一环。盘后固定价格交易处理的是 ETF 的二级市场买卖，并不直接办理 ETF 申赎；申赎仍按基金合同和相关业务规则进行。它可能给 ETF 管理、做市，以及用 ETF 或成分股做再平衡的账户多一个二级市场执行窗口，使成交价更容易贴近用于估值或跟踪的收盘基准。

美股 MOC：在收盘竞价里接受最终价格

MOC 可理解为“按最终收盘价成交的收盘订单”。它把订单送入收市竞价：下单时并不知道最终价格，表达的是愿意接受竞价最终形成的官方收盘价，而不是在收市后发出一笔普通市价单。

这一区别很重要。盘后固定价格交易面对的是已知、固定的收盘价；MOC 面对的则是尚待竞价产生的最终收盘价。前者主要承担收盘价形成后的配对，后者则把订单带入收盘价格形成过程。MOC 也不意味着无条件成交，订单截止、取消限制、不平衡信息和可执行条件都依交易场所规则而异；不能把“美股 MOC”理解为全市场一条完全相同的规则。

为什么收盘窗口会有这类需求？指数基金、ETF 和以官方收盘价考核的账户，往往更在意执行价与基准的一致性。指数调整、组合再平衡等事件日，这种需求可能更集中。但从一笔 MOC 或一段尾盘放量，不能直接反推某类资金必然看多或看空。

港股 CAS：不是订单，而是一段收市程序

CAS 是港股的收市竞价交易时段。它不是与 MOC 对等的订单名称，而是一套组织收市定价的程序：围绕参考价、允许价格范围、订单输入、撮合与随机收市等环节，把收市阶段的买卖意向集中起来。随机收市意味着参与者无法精确预知结束时点。

从层级上看，MOC 是参与收盘竞价的一类订单，CAS 是承载收市竞价的一整套时段和程序；A 股盘后固定价格交易则是在官方收盘价形成后按该价格撮合。CAS 的适用证券、阶段划分和价格限制须以港交所当日有效规则为准，不能因为一只股票在香港上市，就假定它必然有同样的 CAS 流动性。

规模：先统一口径，才有比较意义

“收盘相关成交有多大”并没有一个天然统一的答案。有人统计全天最后几分钟成交额，有人统计收市竞价成交额；有人包含 ETF，有人只计算股票；还有人把收市竞价、盘后固定价格交易和延长交易时段放进同一分母。即使都叫“收盘成交占比”，日期、市场范围、币种和成交定义不同，也不能直接横比。

本轮未取得三地在同一日期、同一口径下的最新官方规模数据，因此不把传闻中的份额或金额写成结论。可以确认的是结构性意义：这些机制为需要贴近收盘基准的订单提供不同路径；在指数调整等特定日子，相关流量可能显著放大。至于哪一地“更大”、占全天多少，必须先把统计口径对齐。

看到尾盘巨量，先问五个问题

成交发生在官方收盘价形成之前、形成过程中，还是形成之后？
订单是在接受最终收盘价，还是仍在表达新的限价判断？
当天是否有指数调整、ETF 再平衡等已知的基准执行需求？
是否还存在订单不平衡、公司信息或市场事件等更直接的解释？
数据覆盖的是股票、ETF，还是某一个特定交易时段？

收盘价之所以吸引成交，不是因为它天然包含更强的方向信号，而是因为它是最公共、最便于比较的价格。MOC、CAS 与 A 股盘后固定价格交易，都是围绕这个基准组织流动性的不同工具：MOC 参与收盘竞价，CAS 组织收市竞价程序，A 股盘后固定价格交易则在价格形成后继续配对。理解这层分工，比把尾盘放量直接翻译成多空判断更可靠。本文仅作交易机制说明，不构成任何交易建议。

参考资料

《重要调整！明起，A股交易规则变了》，北京日报转引中国基金报、搜狐转载，2026-07-05：https://www.sohu.com/a/1045971173_163278
《收盘不打烊？A股交易新规到底说了啥？》，澎湃号，2026-06-10：https://www.thepaper.cn/newsDetail_forward_33342443

写作附记

原始提示词

$blog-writer A股近期扩大了收盘后成交、美股有有 MOC、港股有 CAS，详细解释下这块业务，背景、规模、业务含义。

AI 大事件

Mon, 13 Jul 2026 00:00:00 +0800

这篇文章从一个月一个月的记录开始，而不是从模型排行榜开始。2022 年 11 月以后，AI 产业几乎每个月都在换一次问题：先是普通人能不能使用大模型，然后是模型能不能看、听、生成和推理，接着是能不能调用工具、操作电脑，最后才是这些能力能不能留下用户、进入预算并形成现金流。

时间线只选已经发生的高信号事件。模型发布、开放权重、产品公开可用、政策生效和公司治理可以进入；预告、传闻和尚未完成的融资不写成已发生事实。每月第一条固定记录当月股票市场，最多 4 条；其余条目记录 AI 产业事件，2026 年 7 月的事件更新到 7 月 22 日，行情表仍保留 7 月 13 日的阶段性截点。

这里的股票记录使用 Yahoo Finance 的月线数据，不把美股、A 股和港股硬拼成同一个指数。每月表格保留此前已经入表的高波动标的，再增加本月值得记录的新标的；“妖股”是对当月涨幅、振幅、成交或主题扩散特别突出的俗称，不是基本面评级，也不是买卖建议。表中的“本月涨跌”按月末复权收盘价相对上月末复权收盘价计算，“入表后累计”按这些月度涨跌幅复合计算，不代表真实持仓收益。当前月行情表截至 2026 年 7 月 13 日，精确价格应回到文末的 Yahoo 历史行情入口复核；产业事件更新到 7 月 22 日。

2022 年：入口被打开

11 月：ChatGPT 公开亮相（NVDA +25.4%）

市场记录： 纳斯达克仍在加息和衰退预期里震荡，英伟达从低位反弹，但 AI 还没有形成独立的市场主线；妖股：尚未形成明确的 AI 妖股。

妖股累计表（截至 2022-11，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	+25.4%	+25.4%

11 月 30 日，OpenAI 发布 ChatGPT 研究预览。 对话框成为大模型第一次面向大众的产品入口，模型能力从研究机构的演示变成普通人可以反复使用的软件。OpenAI：Introducing ChatGPT

这个月的判断： 重要的不是 ChatGPT 是否第一个会生成文字，而是自然语言第一次成为足够低门槛的软件界面。

12 月：从演示走向扩散（NVDA -13.6%）

市场记录： 美股科技股在加息预期下回落，英伟达随半导体板块走弱；ChatGPT 的扩散还没有立即变成股票行情，未形成明确妖股。

妖股累计表（截至 2022-12，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	-13.6%	+8.3%

ChatGPT 进入快速扩散期。 OpenAI 后续发布记录显示，用户开始围绕上下文、联网、插件和代码解释器提出产品需求，聊天产品不再只是一次性的问答演示。ChatGPT 发布记录

这个月的判断： 产业的第一个增量来自使用习惯，而不是新模型名称。用户先学会把任务交给模型，开发者才开始寻找可嵌入的工作流。

2023 年：能力、开放权重和资本开支同时加速

1 月：云与办公开始绑定（BBAI +385.2%）

市场记录： 美股成长股从 2022 年低位反弹，微软、英伟达和 AMD 先被当作云与芯片复苏标的交易；C3.ai（AI）开始有题材性波动，但还没有稳定的 AI 妖股群。

妖股累计表（截至 2023-01，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	+33.7%	+44.9%
C3.ai（AI）	美股高波动	2023-01	+77.4%	+77.4%
BigBear.ai（BBAI）	美股高波动	2023-01	+385.2%	+385.2%
昆仑万维（300418.SZ）	A股高波动	2023-01	+35.2%	+35.2%

微软宣布扩大与 OpenAI 的合作。 合作把模型能力、Azure 算力和办公软件放到同一条商业链上，AI 从独立产品开始进入云和生产力软件。Microsoft：延长与 OpenAI 的合作

这个月的判断： 闭源模型的优势从参数规模扩展到云、分发、企业合同和持续服务。

2 月：Bard 与 LLaMA 分叉（688256.SS +121.4%）

市场记录： ChatGPT 和 Bard 的竞争让 AI 叙事第一次集中映射到股票，纳斯达克科技股走强；C3.ai、BigBear.ai 等小市值概念股成为最早一批“妖股”，涨跌更多由情绪和成交驱动。

妖股累计表（截至 2023-02，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	+18.8%	+72.1%
C3.ai（AI）	美股高波动	2023-01	+13.8%	+101.9%
BigBear.ai（BBAI）	美股高波动	2023-01	-10.1%	+336.2%
昆仑万维（300418.SZ）	A股高波动	2023-01	+110.7%	+184.9%
SoundHound AI（SOUN）	美股高波动	2023-02	+50.3%	+50.3%
新易盛（300502.SZ）	A股高波动	2023-02	+50.7%	+50.7%
寒武纪（688256.SS）	A股高波动	2023-02	+121.4%	+121.4%
工业富联（601138.SS）	A股高波动	2023-02	+79.4%	+79.4%

Google 公开介绍 Bard。 搜索公司开始正面回应 ChatGPT，生成式 AI 进入搜索入口竞争。Google：Bard 与搜索更新
Meta 发布 LLaMA 研究模型。 较小模型、公开研究和社区复现，给开放模型生态提供了重要起点。Meta：Introducing LLaMA

这个月的判断： 同一场竞争分成两条路：一条争夺稳定的云端入口，一条争夺开发者、权重和本地部署权。

3 月：GPT-4 开始连接工具（300308.SZ +52.8%）

市场记录： 银行风险冲击下，资金反而集中到大型科技股和算力，英伟达在 GTC 前后成为主线；A 股的三六零、科大讯飞、寒武纪和浪潮信息出现明显的 ChatGPT 概念波动。

妖股累计表（截至 2023-03，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	+19.7%	+106.0%
C3.ai（AI）	美股高波动	2023-01	+48.7%	+200.2%
BigBear.ai（BBAI）	美股高波动	2023-01	-17.0%	+262.0%
昆仑万维（300418.SZ）	A股高波动	2023-01	+39.3%	+296.8%
SoundHound AI（SOUN）	美股高波动	2023-02	-7.7%	+38.7%
新易盛（300502.SZ）	A股高波动	2023-02	+42.2%	+114.3%
寒武纪（688256.SS）	A股高波动	2023-02	+34.2%	+197.1%
工业富联（601138.SS）	A股高波动	2023-02	-6.4%	+67.9%
中际旭创（300308.SZ）	A股高波动	2023-03	+52.8%	+52.8%

3 月 14 日，GPT-4 面向 ChatGPT Plus 发布。 讨论重点从“能不能写”转向复杂指令、代码、推理和专业任务。OpenAI：GPT-4 research
3 月 23 日，ChatGPT 开始提供插件实验。 浏览、代码解释器和第三方插件把模型从回答者推向工具调用者。ChatGPT 发布记录

这个月的判断： 模型能力的价值开始取决于能否接触最新信息、计算环境和外部服务。

4 月：Google DeepMind 合并（300476.SZ +52.8%）

市场记录： 美股 AI 龙头高位震荡，A 股从普涨转向题材轮动，科大讯飞、昆仑万维、三六零等应用概念股振幅很大；“妖股”开始从模型公司扩展到算力和应用链。

妖股累计表（截至 2023-04，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	-0.1%	+105.8%
C3.ai（AI）	美股高波动	2023-01	-46.9%	+59.4%
BigBear.ai（BBAI）	美股高波动	2023-01	+18.9%	+330.5%
昆仑万维（300418.SZ）	A股高波动	2023-01	-12.0%	+249.2%
SoundHound AI（SOUN）	美股高波动	2023-02	-3.6%	+33.7%
新易盛（300502.SZ）	A股高波动	2023-02	+22.4%	+162.3%
寒武纪（688256.SS）	A股高波动	2023-02	+1.9%	+202.8%
工业富联（601138.SS）	A股高波动	2023-02	+12.0%	+88.1%
中际旭创（300308.SZ）	A股高波动	2023-03	+19.4%	+82.4%
胜宏科技（300476.SZ）	A股高波动	2023-04	+52.8%	+52.8%

Google 合并 Google Brain 与 DeepMind，成立 Google DeepMind。 研究团队、算力和产品路线被放进同一个组织，Google 明确把下一代多模态模型作为核心方向。Google：成立 Google DeepMind

这个月的判断： 模型竞争不只是研究突破，也需要把人才、算力和产品分发组织起来。

5 月：长上下文遇上 GPU 订单（SMCI +112.4%）

市场记录： 英伟达财报把 AI 订单变成全市场的价格信号，5 月 25 日股价单日上涨约 24%，英伟达、AMD、博通以及 A 股光模块链条一起被追捧；这是第一批真正具有全球扩散效果的 AI 行情。

妖股累计表（截至 2023-05，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	+36.3%	+180.5%
C3.ai（AI）	美股高波动	2023-01	+124.5%	+257.9%
BigBear.ai（BBAI）	美股高波动	2023-01	-23.8%	+228.0%
昆仑万维（300418.SZ）	A股高波动	2023-01	-29.8%	+145.1%
SoundHound AI（SOUN）	美股高波动	2023-02	+14.7%	+53.4%
新易盛（300502.SZ）	A股高波动	2023-02	+13.0%	+196.4%
寒武纪（688256.SS）	A股高波动	2023-02	-26.0%	+124.0%
工业富联（601138.SS）	A股高波动	2023-02	+39.6%	+162.5%
中际旭创（300308.SZ）	A股高波动	2023-03	+37.3%	+150.5%
胜宏科技（300476.SZ）	A股高波动	2023-04	-13.9%	+31.6%
超微电脑（SMCI）	美股高波动	2023-05	+112.4%	+112.4%
Palantir（PLTR）	美股高波动	2023-05	+89.8%	+89.8%
Marvell（MRVL）	美股高波动	2023-05	+48.2%	+48.2%

Anthropic 发布 100K 上下文窗口。 长文档、合同和代码仓库成为模型的输入，长上下文开始从研究指标变成企业产品卖点。Anthropic：100K Context Windows
英伟达财报把 AI 预期变成 GPU 订单。 FY2024 第一季度数据中心业务和下一季度指引显著超出市场预期，市场开始沿着算力、网络和数据中心给 AI 定价。NVIDIA：FY2024 Q1 财报

这个月的判断： 上游基础设施可以先收到真实订单，应用层的收入、续费和利润则要晚很多；上下文越长，来源、权限和核验也越重要。

6 月：API 开始会调用函数（SOUN +49.2%）

市场记录： 美股继续围绕“卖铲子”定价，英伟达、超微电脑和网络设备股走强；A 股算力、光模块和服务器轮动，C3.ai 等纯概念股的波动明显大于龙头。

妖股累计表（截至 2023-06，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	+11.8%	+213.6%
C3.ai（AI）	美股高波动	2023-01	-8.9%	+226.0%
BigBear.ai（BBAI）	美股高波动	2023-01	+6.3%	+248.7%
昆仑万维（300418.SZ）	A股高波动	2023-01	-8.0%	+125.5%
SoundHound AI（SOUN）	美股高波动	2023-02	+49.2%	+128.9%
新易盛（300502.SZ）	A股高波动	2023-02	-23.6%	+126.4%
寒武纪（688256.SS）	A股高波动	2023-02	-12.8%	+95.4%
工业富联（601138.SS）	A股高波动	2023-02	-9.2%	+138.4%
中际旭创（300308.SZ）	A股高波动	2023-03	-13.2%	+117.4%
胜宏科技（300476.SZ）	A股高波动	2023-04	-6.3%	+23.3%
超微电脑（SMCI）	美股高波动	2023-05	+11.3%	+136.4%
Palantir（PLTR）	美股高波动	2023-05	+4.2%	+97.8%
Marvell（MRVL）	美股高波动	2023-05	+2.2%	+51.5%

OpenAI 为 API 增加 function calling、长上下文和更低价格。 开发者可以让模型按 JSON Schema 输出函数参数，模型与外部工具的连接开始变得可编排。OpenAI：Function calling and other API updates

这个月的判断： 工具调用的关键不是模型会不会说“我可以帮你”，而是能否稳定地产生可执行、可校验的结构化结果。

7 月：开放权重与闭源模型并进（SMCI +32.5%）

市场记录： 美股 AI 龙头从单边上涨转为高位消化，A 股和港股的 AI 交易更依赖题材轮动；英伟达、AMD、光模块和服务器股仍是核心，尚未出现能持续脱离板块的新增妖股。

妖股累计表（截至 2023-07，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	+10.5%	+246.5%
C3.ai（AI）	美股高波动	2023-01	+15.3%	+275.9%
BigBear.ai（BBAI）	美股高波动	2023-01	-14.5%	+198.1%
昆仑万维（300418.SZ）	A股高波动	2023-01	-2.3%	+120.3%
SoundHound AI（SOUN）	美股高波动	2023-02	-48.8%	+17.2%
新易盛（300502.SZ）	A股高波动	2023-02	-12.2%	+98.8%
寒武纪（688256.SS）	A股高波动	2023-02	-3.2%	+89.1%
工业富联（601138.SS）	A股高波动	2023-02	-1.9%	+133.9%
中际旭创（300308.SZ）	A股高波动	2023-03	-10.5%	+94.6%
胜宏科技（300476.SZ）	A股高波动	2023-04	-2.3%	+20.4%
超微电脑（SMCI）	美股高波动	2023-05	+32.5%	+213.2%
Palantir（PLTR）	美股高波动	2023-05	+29.4%	+155.9%
Marvell（MRVL）	美股高波动	2023-05	+9.1%	+65.2%

Meta 与微软发布 Llama 2。 模型权重、起始代码和商业使用条件被更广泛地开放，开发者可以在云端或本地构建自己的应用。Meta：Llama 2
Anthropic 发布 Claude 2。 更长输入、代码和推理能力让闭源模型竞争从聊天体验延伸到长文档和开发者 API。Anthropic：Claude 2

这个月的判断： “开源”开始成为产业口号，但真正影响部署的是许可证、权重、显存、推理速度和维护责任。

8 月：Code Llama 抢代码入口（000158.SZ +26.2%）

市场记录： 英伟达财报预期继续支撑算力股，但高估值 AI 小票开始分化；英伟达和超微电脑强于多数软件概念股，市场从“只要沾 AI 就涨”转向寻找真实订单。

妖股累计表（截至 2023-08，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	+5.6%	+265.9%
C3.ai（AI）	美股高波动	2023-01	-26.1%	+177.8%
BigBear.ai（BBAI）	美股高波动	2023-01	-18.4%	+143.3%
昆仑万维（300418.SZ）	A股高波动	2023-01	+6.0%	+133.6%
SoundHound AI（SOUN）	美股高波动	2023-02	+8.2%	+26.8%
新易盛（300502.SZ）	A股高波动	2023-02	+0.9%	+100.6%
寒武纪（688256.SS）	A股高波动	2023-02	-21.9%	+47.7%
工业富联（601138.SS）	A股高波动	2023-02	-10.1%	+110.2%
中际旭创（300308.SZ）	A股高波动	2023-03	+1.0%	+96.5%
胜宏科技（300476.SZ）	A股高波动	2023-04	+1.4%	+22.1%
超微电脑（SMCI）	美股高波动	2023-05	-16.7%	+160.9%
Palantir（PLTR）	美股高波动	2023-05	-24.5%	+93.2%
Marvell（MRVL）	美股高波动	2023-05	-10.6%	+47.7%
常山北明（000158.SZ）	A股高波动	2023-08	+26.2%	+26.2%

Meta 发布 Code Llama。 开放模型开始专门争夺代码生成、补全和本地开发场景。Meta：Code Llama

这个月的判断： coding 之所以先形成付费边界，是因为代码任务有测试、提交和交付结果，价值比泛聊天更容易验收。

9 月：ChatGPT 进入多模态（000158.SZ +21.9%）

市场记录： 美股长端利率上行，AI 龙头从高位回撤，英伟达仍是相对强势的核心；A 股应用题材降温，未形成新的持续型妖股。

妖股累计表（截至 2023-09，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	-11.9%	+222.4%
C3.ai（AI）	美股高波动	2023-01	-17.7%	+128.6%
BigBear.ai（BBAI）	美股高波动	2023-01	-7.9%	+124.0%
昆仑万维（300418.SZ）	A股高波动	2023-01	-17.8%	+92.0%
SoundHound AI（SOUN）	美股高波动	2023-02	-20.2%	+1.2%
新易盛（300502.SZ）	A股高波动	2023-02	-31.8%	+36.8%
寒武纪（688256.SS）	A股高波动	2023-02	-13.5%	+27.8%
工业富联（601138.SS）	A股高波动	2023-02	-25.3%	+57.0%
中际旭创（300308.SZ）	A股高波动	2023-03	-24.2%	+49.0%
胜宏科技（300476.SZ）	A股高波动	2023-04	-9.2%	+10.9%
超微电脑（SMCI）	美股高波动	2023-05	-0.3%	+160.1%
Palantir（PLTR）	美股高波动	2023-05	+6.8%	+106.4%
Marvell（MRVL）	美股高波动	2023-05	-7.1%	+37.2%
常山北明（000158.SZ）	A股高波动	2023-08	+21.9%	+53.8%

OpenAI 把图像理解、语音和图片对话带入 ChatGPT。 文本模型开始成为多模态工作入口。OpenAI：ChatGPT 图像与语音更新

这个月的判断： 模型处理的对象从文字扩展到截图、会议记录和文件，但看懂材料不等于知道材料是真的。

10 月：图像生成进入对话（300502.SZ +47.5%）

市场记录： 美股科技股继续受利率和出口管制预期压制，AI 龙头震荡偏弱；A 股算力和应用股轮流反弹，行情更像短线题材，尚未出现新的全球 AI 妖股。

妖股累计表（截至 2023-10，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	-6.3%	+202.1%
C3.ai（AI）	美股高波动	2023-01	-4.4%	+118.6%
BigBear.ai（BBAI）	美股高波动	2023-01	-15.9%	+88.4%
昆仑万维（300418.SZ）	A股高波动	2023-01	+2.6%	+97.0%
SoundHound AI（SOUN）	美股高波动	2023-02	-20.9%	-20.0%
新易盛（300502.SZ）	A股高波动	2023-02	+47.5%	+101.8%
寒武纪（688256.SS）	A股高波动	2023-02	+39.7%	+78.5%
工业富联（601138.SS）	A股高波动	2023-02	+2.6%	+61.1%
中际旭创（300308.SZ）	A股高波动	2023-03	+8.2%	+61.2%
胜宏科技（300476.SZ）	A股高波动	2023-04	-5.1%	+5.2%
超微电脑（SMCI）	美股高波动	2023-05	-12.7%	+127.1%
Palantir（PLTR）	美股高波动	2023-05	-7.5%	+90.9%
Marvell（MRVL）	美股高波动	2023-05	-12.7%	+19.8%
常山北明（000158.SZ）	A股高波动	2023-08	-11.0%	+36.9%

DALL·E 3 进入 ChatGPT Plus 和 Enterprise。 图片生成从独立提示词工具进入对话式修改流程，同时开始尝试用来源分类器识别生成内容。OpenAI：DALL·E 3

这个月的判断： AIGC 的竞争开始从一次生成转向迭代、版权、来源和可信度。

11 月：DevDay 与治理危机（PLTR +35.5%）

市场记录： 美股 AI 龙头在财报和 OpenAI 治理危机中重新走强，微软、英伟达和 AMD 的确定性高于小市值概念股；A 股 AI 交易回暖，但未出现能长期脱离基本面的新妖股。

妖股累计表（截至 2023-11，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	+14.7%	+246.5%
C3.ai（AI）	美股高波动	2023-01	+19.3%	+160.7%
BigBear.ai（BBAI）	美股高波动	2023-01	+33.9%	+152.3%
昆仑万维（300418.SZ）	A股高波动	2023-01	+15.6%	+127.7%
SoundHound AI（SOUN）	美股高波动	2023-02	+34.6%	+7.7%
新易盛（300502.SZ）	A股高波动	2023-02	+6.5%	+114.9%
寒武纪（688256.SS）	A股高波动	2023-02	-9.9%	+60.8%
工业富联（601138.SS）	A股高波动	2023-02	+0.1%	+61.3%
中际旭创（300308.SZ）	A股高波动	2023-03	+19.0%	+91.8%
胜宏科技（300476.SZ）	A股高波动	2023-04	-4.2%	+0.8%
超微电脑（SMCI）	美股高波动	2023-05	+14.2%	+159.3%
Palantir（PLTR）	美股高波动	2023-05	+35.5%	+158.6%
Marvell（MRVL）	美股高波动	2023-05	+18.0%	+41.4%
常山北明（000158.SZ）	A股高波动	2023-08	-8.4%	+25.4%
Arm（ARM）	美股高波动	2023-11	+24.8%	+24.8%

OpenAI DevDay 发布 GPT-4 Turbo、Assistants API、视觉能力和更低价格。 API、检索、函数调用和助手框架把模型进一步嵌入应用。OpenAI：DevDay 新模型和开发者产品
OpenAI 董事会突然解雇并随后恢复 Sam Altman。 一周内的治理危机让模型公司治理、股东关系和人才依赖成为产业事实的一部分。OpenAI：Sam Altman 返回并组建新董事会

这个月的判断： 模型公司的产品风险之外，还有董事会、核心人才、资本和合作伙伴风险。

12 月：Gemini 把多模态带入产品（BBAI +25.9%）

市场记录： 美股 AI 龙头接近年度高位，英伟达成为全年最清晰的“卖铲子”主线；A 股和港股仍是结构性行情，服务器、光模块比纯应用概念更容易获得资金。

妖股累计表（截至 2023-12，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	+5.9%	+266.9%
C3.ai（AI）	美股高波动	2023-01	-1.4%	+157.1%
BigBear.ai（BBAI）	美股高波动	2023-01	+25.9%	+217.6%
昆仑万维（300418.SZ）	A股高波动	2023-01	-20.7%	+80.6%
SoundHound AI（SOUN）	美股高波动	2023-02	-0.9%	+6.7%
新易盛（300502.SZ）	A股高波动	2023-02	-14.0%	+84.8%
寒武纪（688256.SS）	A股高波动	2023-02	-18.5%	+31.1%
工业富联（601138.SS）	A股高波动	2023-02	-12.0%	+41.9%
中际旭创（300308.SZ）	A股高波动	2023-03	-9.0%	+74.6%
胜宏科技（300476.SZ）	A股高波动	2023-04	-19.6%	-18.9%
超微电脑（SMCI）	美股高波动	2023-05	+3.9%	+169.5%
Palantir（PLTR）	美股高波动	2023-05	-14.4%	+121.4%
Marvell（MRVL）	美股高波动	2023-05	+8.2%	+53.0%
常山北明（000158.SZ）	A股高波动	2023-08	-11.7%	+10.7%
Arm（ARM）	美股高波动	2023-11	+22.2%	+52.5%

Google 发布 Gemini 1.0。 Gemini 从一开始就按 Ultra、Pro、Nano 分层，覆盖云端、应用和设备端，并强调原生多模态。Google：Introducing Gemini

这个月的判断： 模型竞争不再只有一个网页聊天入口，而是同时争夺搜索、手机、云和开发者工具。

2024 年：多模态、推理和 Agent 进入产品

1 月：GPT Store 尝试分发助手（SMCI +86.3%）

市场记录： 2024 年开年仍由美股半导体带动，英伟达、AMD、博通、Arm 和超微电脑成为高弹性标的；A 股 AI 先强后分化，尚未出现全市场统一的妖股。

妖股累计表（截至 2024-01，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	+24.2%	+355.7%
C3.ai（AI）	美股高波动	2023-01	-13.7%	+121.9%
BigBear.ai（BBAI）	美股高波动	2023-01	-24.3%	+140.5%
昆仑万维（300418.SZ）	A股高波动	2023-01	+36.1%	+145.8%
SoundHound AI（SOUN）	美股高波动	2023-02	-21.7%	-16.4%
新易盛（300502.SZ）	A股高波动	2023-02	+41.6%	+161.7%
寒武纪（688256.SS）	A股高波动	2023-02	+53.3%	+100.9%
工业富联（601138.SS）	A股高波动	2023-02	+40.4%	+99.3%
中际旭创（300308.SZ）	A股高波动	2023-03	+50.9%	+163.4%
胜宏科技（300476.SZ）	A股高波动	2023-04	+46.4%	+18.7%
超微电脑（SMCI）	美股高波动	2023-05	+86.3%	+402.0%
Palantir（PLTR）	美股高波动	2023-05	-6.3%	+107.4%
Marvell（MRVL）	美股高波动	2023-05	+12.4%	+71.9%
常山北明（000158.SZ）	A股高波动	2023-08	+8.7%	+20.4%
Arm（ARM）	美股高波动	2023-11	-6.0%	+43.4%

OpenAI 上线 GPT Store。 用户可以发布和发现定制 GPT，模型平台开始尝试把提示词、知识库和工具组合成可分发的软件单元。OpenAI：Introducing the GPT Store

这个月的判断： 平台化的难点从“能不能做一个助手”转向发现、分发、权限和持续使用。

2 月：Sora 与长上下文竞赛（SOUN +347.0%）

市场记录： 英伟达财报和 AI 服务器订单把行情推向加速段，超微电脑、Arm、SoundHound 等高波动标的轮番成为“妖股”；A 股光模块、服务器和算力租赁也明显活跃。

妖股累计表（截至 2024-02，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	+28.6%	+486.0%
C3.ai（AI）	美股高波动	2023-01	+49.2%	+231.0%
BigBear.ai（BBAI）	美股高波动	2023-01	+107.4%	+398.7%
昆仑万维（300418.SZ）	A股高波动	2023-01	-1.3%	+142.6%
SoundHound AI（SOUN）	美股高波动	2023-02	+347.0%	+273.6%
新易盛（300502.SZ）	A股高波动	2023-02	+11.6%	+192.1%
寒武纪（688256.SS）	A股高波动	2023-02	+2.8%	+106.5%
工业富联（601138.SS）	A股高波动	2023-02	+21.8%	+142.7%
中际旭创（300308.SZ）	A股高波动	2023-03	+0.9%	+165.8%
胜宏科技（300476.SZ）	A股高波动	2023-04	+11.5%	+32.3%
超微电脑（SMCI）	美股高波动	2023-05	+63.5%	+720.8%
Palantir（PLTR）	美股高波动	2023-05	+55.9%	+223.4%
Marvell（MRVL）	美股高波动	2023-05	+5.8%	+81.9%
常山北明（000158.SZ）	A股高波动	2023-08	-6.5%	+12.6%
Arm（ARM）	美股高波动	2023-11	+99.6%	+186.1%

OpenAI 发布 Sora 研究预览。 文生视频把生成式模型的竞争带到时间一致性、物理世界模拟和视频来源验证。OpenAI：Sora
Google 发布 Gemini 1.5，强调长上下文和 MoE 架构。 模型开始处理更长的视频、代码库和多文档输入。Google：Gemini 1.5

这个月的判断： 多模态的下一道门槛不是生成一帧漂亮画面，而是维持长时间、长上下文里的连贯性。

3 月：模型开始按能力分层（300502.SZ +29.1%）

市场记录： GTC 和英伟达新一代算力叙事继续推高半导体，英伟达、超微电脑、Arm 和服务器链条高位换手；A 股寒武纪、工业富联、中际旭创等高弹性标的波动显著。

妖股累计表（截至 2024-03，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	+14.2%	+569.2%
C3.ai（AI）	美股高波动	2023-01	-26.8%	+142.3%
BigBear.ai（BBAI）	美股高波动	2023-01	-39.0%	+204.2%
昆仑万维（300418.SZ）	A股高波动	2023-01	+0.3%	+143.3%
SoundHound AI（SOUN）	美股高波动	2023-02	-20.6%	+196.7%
新易盛（300502.SZ）	A股高波动	2023-02	+29.1%	+277.1%
寒武纪（688256.SS）	A股高波动	2023-02	-1.2%	+104.1%
工业富联（601138.SS）	A股高波动	2023-02	+7.6%	+161.2%
中际旭创（300308.SZ）	A股高波动	2023-03	+19.0%	+216.3%
胜宏科技（300476.SZ）	A股高波动	2023-04	+22.5%	+62.1%
超微电脑（SMCI）	美股高波动	2023-05	+16.6%	+857.0%
Palantir（PLTR）	美股高波动	2023-05	-8.3%	+196.6%
Marvell（MRVL）	美股高波动	2023-05	-1.1%	+79.9%
常山北明（000158.SZ）	A股高波动	2023-08	-4.5%	+7.5%
Arm（ARM）	美股高波动	2023-11	-11.4%	+153.5%

Anthropic 发布 Claude 3 系列。 Opus、Sonnet、Haiku 用不同的能力、速度和成本覆盖企业 API，模型选择开始变成路由问题。Anthropic：Claude 3 family

这个月的判断： “最强模型”不再是唯一答案，延迟、价格和任务难度同样决定产品是否可用。

4 月：Llama 3 扩大开放生态（300308.SZ -39.7%）

市场记录： 利率上行和财报预期让美股 AI 股出现一轮回撤，超微电脑和部分高估值小票跌幅更大；A 股 AI 题材同步降温，妖股行情暂时退潮。

妖股累计表（截至 2024-04，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	-4.4%	+539.8%
C3.ai（AI）	美股高波动	2023-01	-16.8%	+101.6%
BigBear.ai（BBAI）	美股高波动	2023-01	-19.0%	+146.4%
昆仑万维（300418.SZ）	A股高波动	2023-01	-12.7%	+112.4%
SoundHound AI（SOUN）	美股高波动	2023-02	-28.0%	+113.6%
新易盛（300502.SZ）	A股高波动	2023-02	+0.3%	+278.2%
寒武纪（688256.SS）	A股高波动	2023-02	+2.0%	+108.1%
工业富联（601138.SS）	A股高波动	2023-02	-6.5%	+144.2%
中际旭创（300308.SZ）	A股高波动	2023-03	-39.7%	+90.7%
胜宏科技（300476.SZ）	A股高波动	2023-04	-7.9%	+49.3%
超微电脑（SMCI）	美股高波动	2023-05	-15.0%	+713.5%
Palantir（PLTR）	美股高波动	2023-05	-4.5%	+183.2%
Marvell（MRVL）	美股高波动	2023-05	-6.9%	+67.5%
常山北明（000158.SZ）	A股高波动	2023-08	-5.0%	+2.1%
Arm（ARM）	美股高波动	2023-11	-19.0%	+105.3%

Meta 发布 Llama 3。 8B 和 70B 模型向社区开放，训练数据规模、工具链和云合作伙伴同步扩大。Meta：Llama 3

这个月的判断： 开放权重模型开始从研究替代品变成完整生态，部署方可以用成本和数据边界换取控制权。

5 月：GPT-4o 开启实时交互（NVDA +26.9%）

市场记录： 英伟达财报再度确认 AI 资本开支，英伟达、戴尔、超微电脑和台积电相关标的走强；A 股光模块与服务器链条跟随，资金重新偏向能看到订单的“硬件妖股”。

妖股累计表（截至 2024-05，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	+26.9%	+711.9%
C3.ai（AI）	美股高波动	2023-01	+31.2%	+164.5%
BigBear.ai（BBAI）	美股高波动	2023-01	-9.6%	+122.8%
昆仑万维（300418.SZ）	A股高波动	2023-01	-7.5%	+96.5%
SoundHound AI（SOUN）	美股高波动	2023-02	+19.1%	+154.4%
新易盛（300502.SZ）	A股高波动	2023-02	+21.7%	+360.3%
寒武纪（688256.SS）	A股高波动	2023-02	+13.7%	+136.7%
工业富联（601138.SS）	A股高波动	2023-02	+19.6%	+192.1%
中际旭创（300308.SZ）	A股高波动	2023-03	+23.1%	+134.8%
胜宏科技（300476.SZ）	A股高波动	2023-04	+18.7%	+77.2%
超微电脑（SMCI）	美股高波动	2023-05	-8.7%	+642.7%
Palantir（PLTR）	美股高波动	2023-05	-1.3%	+179.5%
Marvell（MRVL）	美股高波动	2023-05	+4.4%	+74.9%
常山北明（000158.SZ）	A股高波动	2023-08	-8.6%	-6.7%
Arm（ARM）	美股高波动	2023-11	+19.1%	+144.6%

OpenAI 发布 GPT-4o。 文本、视觉和音频能力被放进同一个更快的模型，实时语音交互成为产品重点。OpenAI：GPT-4o

这个月的判断： 多模态不再只是上传文件，实时交互开始争夺手机、客服和办公入口。

6 月：AI 进入设备与工作流（ARM +35.8%）

市场记录： 英伟达在 6 月一度成为全球市值最高的公司，拆股和指数资金进一步放大关注度；A 股中际旭创、新易盛、工业富联等算力链条强于多数应用股，英伟达是这一阶段最典型的 AI 龙头。

妖股累计表（截至 2024-06，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	+12.7%	+815.0%
C3.ai（AI）	美股高波动	2023-01	-2.1%	+158.9%
BigBear.ai（BBAI）	美股高波动	2023-01	+0.7%	+124.3%
昆仑万维（300418.SZ）	A股高波动	2023-01	-6.5%	+83.7%
SoundHound AI（SOUN）	美股高波动	2023-02	-21.8%	+98.9%
新易盛（300502.SZ）	A股高波动	2023-02	-5.3%	+335.9%
寒武纪（688256.SS）	A股高波动	2023-02	+32.9%	+214.5%
工业富联（601138.SS）	A股高波动	2023-02	-13.0%	+154.1%
中际旭创（300308.SZ）	A股高波动	2023-03	-6.1%	+120.5%
胜宏科技（300476.SZ）	A股高波动	2023-04	+19.5%	+111.7%
超微电脑（SMCI）	美股高波动	2023-05	+4.4%	+675.4%
Palantir（PLTR）	美股高波动	2023-05	+16.8%	+226.5%
Marvell（MRVL）	美股高波动	2023-05	+1.6%	+77.7%
常山北明（000158.SZ）	A股高波动	2023-08	-0.3%	-6.9%
Arm（ARM）	美股高波动	2023-11	+35.8%	+232.1%

Apple 发布 Apple Intelligence。 设备端模型、个人上下文、Private Cloud Compute 和 ChatGPT 接入被放进 iPhone、iPad 和 Mac 的系统体验。Apple：Apple Intelligence
Anthropic 发布 Claude 3.5 Sonnet。 模型在代码、视觉和工具使用方面的改进，把 coding 和 Agent 任务推到闭源模型竞争中心。Anthropic：Claude 3.5 Sonnet

这个月的判断： AI 开始从“打开一个网站”进入设备和工作流，隐私、权限和延迟也变成体验的一部分。

7 月：大模型转向低成本路由（SOUN +28.9%）

市场记录： 市场从大型科技股向小盘股和非 AI 板块轮动，英伟达、超微电脑等先涨后回撤；A 股算力股高位震荡，妖股特征从“连续上涨”转为“高振幅、快轮动”。

妖股累计表（截至 2024-07，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	-5.3%	+766.5%
C3.ai（AI）	美股高波动	2023-01	-7.6%	+139.3%
BigBear.ai（BBAI）	美股高波动	2023-01	+0.0%	+124.3%
昆仑万维（300418.SZ）	A股高波动	2023-01	-9.9%	+65.5%
SoundHound AI（SOUN）	美股高波动	2023-02	+28.9%	+156.4%
新易盛（300502.SZ）	A股高波动	2023-02	-6.0%	+309.7%
寒武纪（688256.SS）	A股高波动	2023-02	-2.8%	+205.7%
工业富联（601138.SS）	A股高波动	2023-02	-11.7%	+124.4%
中际旭创（300308.SZ）	A股高波动	2023-03	-15.9%	+85.4%
胜宏科技（300476.SZ）	A股高波动	2023-04	-12.3%	+85.7%
超微电脑（SMCI）	美股高波动	2023-05	-14.4%	+563.7%
Palantir（PLTR）	美股高波动	2023-05	+6.2%	+246.7%
Marvell（MRVL）	美股高波动	2023-05	-4.1%	+70.4%
常山北明（000158.SZ）	A股高波动	2023-08	+21.9%	+13.4%
Arm（ARM）	美股高波动	2023-11	-11.9%	+192.6%

Meta 发布 Llama 3.1 405B。 开放权重模型开始直接对标前沿闭源模型，并提供长上下文和 Agent 参考系统。Meta：Llama 3.1
OpenAI 发布 GPT-4o mini。 更小、更便宜的模型推动简单任务本地化或批量化，模型路由的经济性更清楚。OpenAI：GPT-4o mini

这个月的判断： AI 产品的单位经济不只靠最强模型，低成本模型负责大量简单任务才有机会把调用变成长期预算。

8 月：AI Act 进入实施（000158.SZ +69.3%）

市场记录： 日元套息交易平仓引发全球科技股急跌后快速修复，英伟达和超微电脑的振幅再次放大；A 股 AI 仍以轮动为主，未形成新的单一妖股。

妖股累计表（截至 2024-08，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	+2.0%	+783.9%
C3.ai（AI）	美股高波动	2023-01	-12.7%	+108.9%
BigBear.ai（BBAI）	美股高波动	2023-01	+5.3%	+136.2%
昆仑万维（300418.SZ）	A股高波动	2023-01	+38.3%	+128.9%
SoundHound AI（SOUN）	美股高波动	2023-02	-3.9%	+146.4%
新易盛（300502.SZ）	A股高波动	2023-02	+38.6%	+467.9%
寒武纪（688256.SS）	A股高波动	2023-02	+12.6%	+244.2%
工业富联（601138.SS）	A股高波动	2023-02	+23.1%	+176.2%
中际旭创（300308.SZ）	A股高波动	2023-03	+42.2%	+163.6%
胜宏科技（300476.SZ）	A股高波动	2023-04	+17.4%	+118.0%
超微电脑（SMCI）	美股高波动	2023-05	-37.6%	+314.2%
Palantir（PLTR）	美股高波动	2023-05	+17.1%	+306.0%
Marvell（MRVL）	美股高波动	2023-05	+13.8%	+93.9%
常山北明（000158.SZ）	A股高波动	2023-08	+69.3%	+92.0%
Arm（ARM）	美股高波动	2023-11	-7.8%	+169.8%

欧盟《人工智能法案》生效。 风险分级、透明度和通用人工智能模型义务开始进入正式实施阶段。EUR-Lex：Regulation (EU) 2024/1689

这个月的判断： 监管不再是发布前的抽象讨论，而会逐渐进入模型文档、部署流程和企业采购清单。

9 月：推理模型出现新曲线（000158.SZ +180.8%）

市场记录： 降息预期支撑美股科技股反弹，但资金开始从高估值芯片向软件和平台分散；英伟达、Arm 和超微电脑仍是高波动代表，A 股 AI 处在反复筑底。

妖股累计表（截至 2024-09，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	+1.7%	+798.9%
C3.ai（AI）	美股高波动	2023-01	+3.8%	+116.8%
BigBear.ai（BBAI）	美股高波动	2023-01	-8.2%	+116.8%
昆仑万维（300418.SZ）	A股高波动	2023-01	+8.5%	+148.4%
SoundHound AI（SOUN）	美股高波动	2023-02	-4.7%	+134.8%
新易盛（300502.SZ）	A股高波动	2023-02	+0.2%	+469.0%
寒武纪（688256.SS）	A股高波动	2023-02	+56.9%	+440.1%
工业富联（601138.SS）	A股高波动	2023-02	-3.7%	+166.0%
中际旭创（300308.SZ）	A股高波动	2023-03	-7.6%	+143.6%
胜宏科技（300476.SZ）	A股高波动	2023-04	+13.4%	+147.2%
超微电脑（SMCI）	美股高波动	2023-05	-4.9%	+293.9%
Palantir（PLTR）	美股高波动	2023-05	+18.2%	+379.9%
Marvell（MRVL）	美股高波动	2023-05	-5.4%	+83.4%
常山北明（000158.SZ）	A股高波动	2023-08	+180.8%	+439.2%
Arm（ARM）	美股高波动	2023-11	+7.6%	+190.3%

OpenAI 发布 o1-preview 和 o1-mini。 推理模型把更多计算放到回答阶段，数学、代码和复杂任务开始按“思考多少”定价。OpenAI：o1-preview 和 o1-mini

这个月的判断： “更大”之外出现了“想得更久”这条能力曲线，等待、token 和复核成本需要一起计算。

10 月：Agent 开始操作电脑和搜索（SMCI -30.1%）

市场记录： 美股 AI 龙头在财报前后分化，英伟达相对坚挺，超微电脑和小市值 AI 股振幅更大；A 股资金转向算力、卫星通信和机器人等新题材，妖股表现明显短周期化。

妖股累计表（截至 2024-10，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	+9.3%	+882.5%
C3.ai（AI）	美股高波动	2023-01	+1.7%	+120.5%
BigBear.ai（BBAI）	美股高波动	2023-01	+8.9%	+136.1%
昆仑万维（300418.SZ）	A股高波动	2023-01	+13.2%	+181.1%
SoundHound AI（SOUN）	美股高波动	2023-02	+7.9%	+153.4%
新易盛（300502.SZ）	A股高波动	2023-02	-11.7%	+402.4%
寒武纪（688256.SS）	A股高波动	2023-02	+23.7%	+568.1%
工业富联（601138.SS）	A股高波动	2023-02	-8.5%	+143.4%
中际旭创（300308.SZ）	A股高波动	2023-03	-11.4%	+115.8%
胜宏科技（300476.SZ）	A股高波动	2023-04	-9.9%	+122.7%
超微电脑（SMCI）	美股高波动	2023-05	-30.1%	+175.3%
Palantir（PLTR）	美股高波动	2023-05	+11.7%	+436.1%
Marvell（MRVL）	美股高波动	2023-05	+11.2%	+104.0%
常山北明（000158.SZ）	A股高波动	2023-08	-29.5%	+280.2%
Arm（ARM）	美股高波动	2023-11	-1.2%	+186.8%

Anthropic 发布计算机使用能力。 Claude 可以看屏幕、移动鼠标、点击和输入，Agent 从调用 API 走向操作通用软件。Anthropic：computer use
OpenAI 发布 ChatGPT Search。 聊天入口开始直接返回带链接的实时网络答案，搜索和问答的边界进一步变窄。OpenAI：ChatGPT search

这个月的判断： Agent 的价值来自执行，但执行能力越强，权限、提示词注入、错误回滚和责任边界越不能省略。

11 月：MCP 连接工具与数据（SOUN +85.1%）

市场记录： 美国大选后，AI 与软件、自动驾驶和机器人题材一起升温，英伟达、Palantir、SoundHound 等标的走强但分化剧烈；港股科技股跟随反弹，尚未形成稳定的 AI 妖股篮子。

妖股累计表（截至 2024-11，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	+4.1%	+922.8%
C3.ai（AI）	美股高波动	2023-01	+51.0%	+233.0%
BigBear.ai（BBAI）	美股高波动	2023-01	+44.0%	+240.0%
昆仑万维（300418.SZ）	A股高波动	2023-01	-16.5%	+134.7%
SoundHound AI（SOUN）	美股高波动	2023-02	+85.1%	+369.0%
新易盛（300502.SZ）	A股高波动	2023-02	+0.5%	+405.0%
寒武纪（688256.SS）	A股高波动	2023-02	+17.3%	+683.7%
工业富联（601138.SS）	A股高波动	2023-02	-3.1%	+135.8%
中际旭创（300308.SZ）	A股高波动	2023-03	-2.5%	+110.4%
胜宏科技（300476.SZ）	A股高波动	2023-04	+3.8%	+131.2%
超微电脑（SMCI）	美股高波动	2023-05	+12.1%	+208.6%
Palantir（PLTR）	美股高波动	2023-05	+61.4%	+765.3%
Marvell（MRVL）	美股高波动	2023-05	+15.7%	+136.0%
常山北明（000158.SZ）	A股高波动	2023-08	-22.9%	+193.1%
Arm（ARM）	美股高波动	2023-11	-5.0%	+172.5%

Anthropic 开放 Model Context Protocol。 MCP 试图用通用协议连接模型与外部工具、数据源，工具接入开始从单家公司实现走向生态协议。Anthropic：Model Context Protocol

这个月的判断： Agent 的瓶颈逐渐从模型本身转到工具协议、上下文管理和权限系统。

12 月：Sora 上线，Gemini 进入 Agent 时代（SOUN +113.1%）

市场记录： 年末 AI 交易从芯片扩散到软件、数据和机器人，英伟达高位震荡，Palantir、SoundHound 等高贝塔标的更像妖股；A 股算力链没有复制年初的普涨。

妖股累计表（截至 2024-12，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	-2.9%	+893.1%
C3.ai（AI）	美股高波动	2023-01	-7.4%	+208.3%
BigBear.ai（BBAI）	美股高波动	2023-01	+94.3%	+560.7%
昆仑万维（300418.SZ）	A股高波动	2023-01	-4.1%	+125.1%
SoundHound AI（SOUN）	美股高波动	2023-02	+113.1%	+899.5%
新易盛（300502.SZ）	A股高波动	2023-02	+8.8%	+449.4%
寒武纪（688256.SS）	A股高波动	2023-02	-13.1%	+581.0%
工业富联（601138.SS）	A股高波动	2023-02	-0.2%	+135.3%
中际旭创（300308.SZ）	A股高波动	2023-03	-7.0%	+95.7%
胜宏科技（300476.SZ）	A股高波动	2023-04	+26.5%	+192.5%
超微电脑（SMCI）	美股高波动	2023-05	-6.6%	+188.3%
Palantir（PLTR）	美股高波动	2023-05	+12.7%	+875.1%
Marvell（MRVL）	美股高波动	2023-05	+19.2%	+181.3%
常山北明（000158.SZ）	A股高波动	2023-08	-11.7%	+158.8%
Arm（ARM）	美股高波动	2023-11	-8.1%	+150.4%

OpenAI 正式发布 Sora。 视频生成从研究预览进入订阅产品，并默认加入水印和来源识别措施。OpenAI：Sora is here
Google 发布 Gemini 2.0，强调 Agentic Era。 多模态输出、工具调用和实时交互成为下一代产品方向。Google：Gemini 2.0

这个月的判断： 2024 年的主线从“模型能生成什么”转向“模型能否在真实环境里完成一串动作”。

2025 年：推理成本下降，coding 变成 Agent 试验场

1 月：R1 重算成本，Stargate 加码基建（688158.SS +155.2%）

市场记录： 1 月 27 日 DeepSeek 冲击让英伟达单日下跌近 17%，并造成罕见的巨额市值回撤；美股算力链先遭抛售，A 股概念股先异动、节后再扩散，浙江东方、美格智能、每日互动、优刻得等成为高波动代表。这个月同时出现了“海外卖算力”和“国内买应用”的分裂行情。路透社：DeepSeek 引发 AI 股票抛售

妖股累计表（截至 2025-01，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	-10.6%	+787.8%
C3.ai（AI）	美股高波动	2023-01	-8.9%	+180.9%
BigBear.ai（BBAI）	美股高波动	2023-01	-4.7%	+529.6%
昆仑万维（300418.SZ）	A股高波动	2023-01	+0.3%	+125.8%
SoundHound AI（SOUN）	美股高波动	2023-02	-28.7%	+612.6%
新易盛（300502.SZ）	A股高波动	2023-02	-23.6%	+319.7%
寒武纪（688256.SS）	A股高波动	2023-02	+28.6%	+775.8%
工业富联（601138.SS）	A股高波动	2023-02	-1.2%	+132.5%
中际旭创（300308.SZ）	A股高波动	2023-03	-12.1%	+72.0%
胜宏科技（300476.SZ）	A股高波动	2023-04	-4.1%	+180.5%
超微电脑（SMCI）	美股高波动	2023-05	-6.4%	+169.8%
Palantir（PLTR）	美股高波动	2023-05	+9.1%	+963.9%
Marvell（MRVL）	美股高波动	2023-05	+2.2%	+187.5%
常山北明（000158.SZ）	A股高波动	2023-08	+41.6%	+266.5%
Arm（ARM）	美股高波动	2023-11	+29.3%	+223.8%
浙江东方（600120.SS）	A股题材高波动	2025-01	+43.0%	+43.0%
美格智能（002881.SZ）	A股题材高波动	2025-01	+40.9%	+40.9%
优刻得（688158.SS）	A股题材高波动	2025-01	+155.2%	+155.2%
青云科技（688316.SS）	A股题材高波动	2025-01	+139.2%	+139.2%
拓维信息（002261.SZ）	A股题材高波动	2025-01	+98.5%	+98.5%

DeepSeek 发布 DeepSeek-R1，并公开权重和论文。 开放推理模型把前沿能力、训练方法和单位成本一起推到全球市场面前。DeepSeek：R1 Release
美国宣布 Stargate 项目。 OpenAI、软银、Oracle 等合作方公布大规模 AI 基础设施计划，资本开支叙事继续向数据中心集中。OpenAI：Stargate 项目

这个月的判断： DeepSeek 让市场重新计算单位能力成本，Stargate 则说明总需求、总投资和单次推理成本可以同时上升。

2 月：研究、推理与 coding 拉长任务链（300476.SZ +58.7%）

市场记录： DeepSeek 主题在 A 股继续扩散，浙江东方连续涨停后出现天地板，美格智能、优刻得、青云科技、拓维信息等轮流接力；美股则从恐慌中修复，英伟达和云厂商重新回到资本开支逻辑，A 股“妖股”和美股龙头走的是两套节奏。关于浙江东方和美格智能的风险提示

妖股累计表（截至 2025-02，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	+4.0%	+823.3%
C3.ai（AI）	美股高波动	2023-01	-25.2%	+110.1%
BigBear.ai（BBAI）	美股高波动	2023-01	+21.7%	+666.3%
昆仑万维（300418.SZ）	A股高波动	2023-01	-6.9%	+110.2%
SoundHound AI（SOUN）	美股高波动	2023-02	-23.5%	+445.2%
新易盛（300502.SZ）	A股高波动	2023-02	+2.2%	+329.0%
寒武纪（688256.SS）	A股高波动	2023-02	-15.3%	+641.8%
工业富联（601138.SS）	A股高波动	2023-02	-6.3%	+117.9%
中际旭创（300308.SZ）	A股高波动	2023-03	-2.2%	+68.2%
胜宏科技（300476.SZ）	A股高波动	2023-04	+58.7%	+345.1%
超微电脑（SMCI）	美股高波动	2023-05	+45.4%	+292.3%
Palantir（PLTR）	美股高波动	2023-05	+2.9%	+994.7%
Marvell（MRVL）	美股高波动	2023-05	-18.6%	+134.0%
常山北明（000158.SZ）	A股高波动	2023-08	-11.9%	+222.9%
Arm（ARM）	美股高波动	2023-11	-17.5%	+167.1%
浙江东方（600120.SS）	A股题材高波动	2025-01	-12.1%	+25.7%
美格智能（002881.SZ）	A股题材高波动	2025-01	-15.9%	+18.5%
优刻得（688158.SS）	A股题材高波动	2025-01	-26.3%	+88.1%
青云科技（688316.SS）	A股题材高波动	2025-01	-17.0%	+98.5%
拓维信息（002261.SZ）	A股题材高波动	2025-01	-14.6%	+69.5%

OpenAI 发布 deep research。 模型开始独立进行多步联网检索、阅读和综合，研究任务成为 Agent 的代表场景。OpenAI：deep research
Anthropic 发布 Claude 3.7 Sonnet 和 Claude Code。 混合推理模型与终端 coding 工具同时出现，软件工程成为长任务 Agent 的试验场。Anthropic：Claude 3.7 Sonnet and Claude Code
OpenAI 发布 GPT-4.5 研究预览。 大规模预训练与推理模型形成两条互补路线，模型名称之外的训练和服务成本开始受到关注。OpenAI：GPT-4.5

这个月的判断： 推理模型、联网研究和 coding Agent 共同拉长了任务链，也共同放大了上下文、等待和验收成本。

3 月：联网搜索变成 API 能力（NVDA -13.2%）

市场记录： 市场从 DeepSeek 应用题材转向推理、算力和机器人，英伟达在 GTC 前后重新获得关注；A 股拓维信息、常山北明、浪潮信息以及光模块链条高波动，港股科技股相对活跃。

妖股累计表（截至 2025-03，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	-13.2%	+701.5%
C3.ai（AI）	美股高波动	2023-01	-10.2%	+88.7%
BigBear.ai（BBAI）	美股高波动	2023-01	-44.6%	+324.5%
昆仑万维（300418.SZ）	A股高波动	2023-01	-7.4%	+94.7%
SoundHound AI（SOUN）	美股高波动	2023-02	-25.0%	+308.9%
新易盛（300502.SZ）	A股高波动	2023-02	-8.5%	+292.5%
寒武纪（688256.SS）	A股高波动	2023-02	+12.9%	+737.5%
工业富联（601138.SS）	A股高波动	2023-02	-9.1%	+98.0%
中际旭创（300308.SZ）	A股高波动	2023-03	-15.4%	+42.3%
胜宏科技（300476.SZ）	A股高波动	2023-04	-9.3%	+303.7%
超微电脑（SMCI）	美股高波动	2023-05	-17.4%	+224.0%
Palantir（PLTR）	美股高波动	2023-05	-0.6%	+988.2%
Marvell（MRVL）	美股高波动	2023-05	-32.9%	+57.0%
常山北明（000158.SZ）	A股高波动	2023-08	+1.7%	+228.4%
Arm（ARM）	美股高波动	2023-11	-18.9%	+116.6%
浙江东方（600120.SS）	A股题材高波动	2025-01	-6.6%	+17.4%
美格智能（002881.SZ）	A股题材高波动	2025-01	+3.0%	+22.1%
优刻得（688158.SS）	A股题材高波动	2025-01	-13.5%	+62.7%
青云科技（688316.SS）	A股题材高波动	2025-01	-16.7%	+65.4%
拓维信息（002261.SZ）	A股题材高波动	2025-01	+16.4%	+97.3%

Google 发布 Gemini 2.5。 “思考模型”成为 Gemini 系列的核心叙事，长上下文和多模态推理继续向产品化推进。Google：Gemini 2.5
Anthropic 为 Claude API 推出 Web Search。 搜索能力从单一聊天产品扩展到开发者可以组合的 API 工具。Anthropic：Claude can now search the web

这个月的判断： 联网不再只是一个产品开关，而是 Agent 架构中的可编排能力。

4 月：模型比较单位变成完整任务（PLTR +40.3%）

市场记录： 关税和增长担忧造成全球科技股快速回撤，英伟达、AMD、超微电脑和 AI 基础设施股先跌后修复；A 股高位算力股分化，市场开始把“订单是否能落地”放在题材之前。

妖股累计表（截至 2025-04，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	+0.5%	+705.5%
C3.ai（AI）	美股高波动	2023-01	+4.6%	+97.3%
BigBear.ai（BBAI）	美股高波动	2023-01	+19.2%	+406.0%
昆仑万维（300418.SZ）	A股高波动	2023-01	+4.8%	+104.0%
SoundHound AI（SOUN）	美股高波动	2023-02	+14.4%	+367.8%
新易盛（300502.SZ）	A股高波动	2023-02	+38.2%	+442.4%
寒武纪（688256.SS）	A股高波动	2023-02	-14.2%	+618.6%
工业富联（601138.SS）	A股高波动	2023-02	+4.8%	+107.6%
中际旭创（300308.SZ）	A股高波动	2023-03	+12.0%	+59.4%
胜宏科技（300476.SZ）	A股高波动	2023-04	+18.2%	+377.2%
超微电脑（SMCI）	美股高波动	2023-05	-7.0%	+201.4%
Palantir（PLTR）	美股高波动	2023-05	+40.3%	+1426.7%
Marvell（MRVL）	美股高波动	2023-05	-5.1%	+49.0%
常山北明（000158.SZ）	A股高波动	2023-08	-2.2%	+221.1%
Arm（ARM）	美股高波动	2023-11	+6.8%	+131.3%
浙江东方（600120.SS）	A股题材高波动	2025-01	-6.2%	+10.1%
美格智能（002881.SZ）	A股题材高波动	2025-01	-11.9%	+7.5%
优刻得（688158.SS）	A股题材高波动	2025-01	-13.3%	+41.1%
青云科技（688316.SS）	A股题材高波动	2025-01	-12.7%	+44.4%
拓维信息（002261.SZ）	A股题材高波动	2025-01	-12.0%	+73.6%

Meta 发布 Llama 4 Scout 和 Maverick。 开放权重模型加入原生多模态和 MoE 架构，社区路线继续争夺部署权。Meta：Llama 4
OpenAI 发布 GPT-4.1 系列。 长上下文、指令跟随和 coding 成为 API 发布的主要卖点。OpenAI：GPT-4.1
OpenAI 发布 o3 和 o4-mini。 推理模型第一次在 ChatGPT 中组合使用搜索、文件分析、Python 和图像生成等工具，Agent 形态更加完整。OpenAI：o3 and o4-mini

这个月的判断： 模型发布的比较单位从一条回答变成一项任务，工具使用、代码修改和结果验证开始被放进同一个产品闭环。

5 月：Claude 4 争夺长任务 coding（300308.SZ +56.5%）

市场记录： 美股 AI 龙头在财报和资本开支预期中反弹，英伟达、博通、戴尔和云厂商强于多数应用股；A 股光模块、PCB、服务器链条重新活跃，妖股特征集中在产业链的细分环节。

妖股累计表（截至 2025-05，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	+24.1%	+899.6%
C3.ai（AI）	美股高波动	2023-01	+20.8%	+138.4%
BigBear.ai（BBAI）	美股高波动	2023-01	+22.0%	+517.3%
昆仑万维（300418.SZ）	A股高波动	2023-01	+0.6%	+105.2%
SoundHound AI（SOUN）	美股高波动	2023-02	+8.8%	+408.9%
新易盛（300502.SZ）	A股高波动	2023-02	+43.9%	+680.6%
寒武纪（688256.SS）	A股高波动	2023-02	-0.4%	+615.7%
工业富联（601138.SS）	A股高波动	2023-02	+12.9%	+134.3%
中际旭创（300308.SZ）	A股高波动	2023-03	+56.5%	+149.5%
胜宏科技（300476.SZ）	A股高波动	2023-04	+55.4%	+641.6%
超微电脑（SMCI）	美股高波动	2023-05	+25.6%	+278.5%
Palantir（PLTR）	美股高波动	2023-05	+11.3%	+1599.2%
Marvell（MRVL）	美股高波动	2023-05	+3.1%	+53.6%
常山北明（000158.SZ）	A股高波动	2023-08	-0.2%	+220.5%
Arm（ARM）	美股高波动	2023-11	+9.2%	+152.6%
浙江东方（600120.SS）	A股题材高波动	2025-01	+9.4%	+20.5%
美格智能（002881.SZ）	A股题材高波动	2025-01	+7.5%	+15.6%
优刻得（688158.SS）	A股题材高波动	2025-01	+16.1%	+63.8%
青云科技（688316.SS）	A股题材高波动	2025-01	+28.7%	+85.8%
拓维信息（002261.SZ）	A股题材高波动	2025-01	+5.7%	+83.5%

Anthropic 发布 Claude 4。 Opus 4、Sonnet 4 和 Agent 工具能力进一步绑定，长时间 coding 任务成为前沿模型竞争的重要指标。Anthropic：Claude 4
Anthropic 发布面向 API 的 Web Search 和连接能力。 模型厂商开始把检索、文件、外部服务连接做成可复用的开发者基础设施。Anthropic 新闻室

这个月的判断： coding 的竞争已经不是补全几行代码，而是读取仓库、拆分任务、修改文件、运行测试和处理失败。

6 月：终端成为 Agent 工作环境（601138.SS +65.1%）

市场记录： 美股继续交易 AI 资本开支，英伟达、博通和数据中心供应商维持强势；A 股中际旭创、新易盛、胜宏科技、工业富联等算力链高位扩散，光模块和 PCB 是这一阶段最接近“妖股”的方向，但不能把产业景气和个股价格画等号。

妖股累计表（截至 2025-06，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	+16.9%	+1068.5%
C3.ai（AI）	美股高波动	2023-01	-7.6%	+120.3%
BigBear.ai（BBAI）	美股高波动	2023-01	+63.2%	+907.5%
昆仑万维（300418.SZ）	A股高波动	2023-01	+6.7%	+119.0%
SoundHound AI（SOUN）	美股高波动	2023-02	+6.1%	+440.0%
新易盛（300502.SZ）	A股高波动	2023-02	+49.0%	+1063.1%
寒武纪（688256.SS）	A股高波动	2023-02	+18.0%	+744.5%
工业富联（601138.SS）	A股高波动	2023-02	+65.1%	+286.9%
中际旭创（300308.SZ）	A股高波动	2023-03	+49.2%	+272.2%
胜宏科技（300476.SZ）	A股高波动	2023-04	+42.9%	+959.7%
超微电脑（SMCI）	美股高波动	2023-05	+22.5%	+363.7%
Palantir（PLTR）	美股高波动	2023-05	+3.4%	+1657.0%
Marvell（MRVL）	美股高波动	2023-05	+28.6%	+97.6%
常山北明（000158.SZ）	A股高波动	2023-08	+5.3%	+237.5%
Arm（ARM）	美股高波动	2023-11	+29.9%	+228.2%
浙江东方（600120.SS）	A股题材高波动	2025-01	-0.2%	+20.2%
美格智能（002881.SZ）	A股题材高波动	2025-01	-4.4%	+10.5%
优刻得（688158.SS）	A股题材高波动	2025-01	+16.6%	+90.9%
青云科技（688316.SS）	A股题材高波动	2025-01	+24.9%	+132.1%
拓维信息（002261.SZ）	A股题材高波动	2025-01	+4.8%	+92.3%

Google 将 Gemini CLI 作为开源 AI Agent 工具推向开发者。 终端开始成为模型调用、搜索和代码修改的直接入口。Google：2025 AI 新闻回顾
OpenAI 发布 o3-pro。 更高计算预算的推理模型继续把可靠性、速度和价格放在同一张使用账上。OpenAI 模型发布记录

这个月的判断： 终端和 IDE 不再只是模型的展示界面，而是 Agent 获得上下文、权限和验收反馈的工作环境。

7 月：Agent 从模型走向交付（688256.SS +110.4%）

市场记录： AI 行情从芯片延伸到 coding、软件和数据中心基础设施，美股龙头高位轮动，A 股光模块、服务器和 PCB 继续分化；中际旭创、新易盛、胜宏科技等高弹性标的成为市场关注的“妖股型”代表。

妖股累计表（截至 2025-07，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	+12.6%	+1215.7%
C3.ai（AI）	美股高波动	2023-01	-4.1%	+111.2%
BigBear.ai（BBAI）	美股高波动	2023-01	-6.5%	+842.0%
昆仑万维（300418.SZ）	A股高波动	2023-01	+17.0%	+156.2%
SoundHound AI（SOUN）	美股高波动	2023-02	-3.7%	+420.0%
新易盛（300502.SZ）	A股高波动	2023-02	+88.3%	+2090.1%
寒武纪（688256.SS）	A股高波动	2023-02	+110.4%	+1676.9%
工业富联（601138.SS）	A股高波动	2023-02	+55.5%	+501.6%
中际旭创（300308.SZ）	A股高波动	2023-03	+63.1%	+507.1%
胜宏科技（300476.SZ）	A股高波动	2023-04	+39.2%	+1375.2%
超微电脑（SMCI）	美股高波动	2023-05	+20.3%	+457.8%
Palantir（PLTR）	美股高波动	2023-05	+16.2%	+1941.6%
Marvell（MRVL）	美股高波动	2023-05	+3.9%	+105.3%
常山北明（000158.SZ）	A股高波动	2023-08	+11.5%	+276.3%
Arm（ARM）	美股高波动	2023-11	-12.6%	+186.8%
浙江东方（600120.SS）	A股题材高波动	2025-01	+6.6%	+28.2%
美格智能（002881.SZ）	A股题材高波动	2025-01	+27.8%	+41.2%
优刻得（688158.SS）	A股题材高波动	2025-01	+5.5%	+101.4%
青云科技（688316.SS）	A股题材高波动	2025-01	-5.1%	+120.2%
拓维信息（002261.SZ）	A股题材高波动	2025-01	+27.7%	+145.6%

xAI 发布 Grok 4。 推理、工具使用和实时搜索被打包到同一个模型产品，前沿模型竞争进一步向 Agent 和实时信息延伸。xAI 新闻室
OpenAI 发布 ChatGPT agent。 研究、浏览器操作、终端和连接器被合并到一个能执行复杂任务的 Agent 中，模型开始直接处理“从开始做到交付”的请求。OpenAI：ChatGPT agent

这个月的判断： Agent 的评价开始接近软件工程评价，持续完成任务比一次性生成漂亮答案更重要。

8 月：GPT-5 与开放权重同时推进（SOUN +26.0%）

市场记录： 美股市场重新给模型能力和平台生态定价，英伟达、微软、Meta 等大市值公司强于多数小票；A 股 AI 资金从算力扩散到应用与终端，未形成单一、可持续的妖股。

妖股累计表（截至 2025-08，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	-2.1%	+1188.1%
C3.ai（AI）	美股高波动	2023-01	-28.2%	+51.7%
BigBear.ai（BBAI）	美股高波动	2023-01	-20.2%	+651.7%
昆仑万维（300418.SZ）	A股高波动	2023-01	+15.7%	+196.4%
SoundHound AI（SOUN）	美股高波动	2023-02	+26.0%	+555.2%
新易盛（300502.SZ）	A股高波动	2023-02	+2.7%	+2149.2%
寒武纪（688256.SS）	A股高波动	2023-02	-11.2%	+1477.9%
工业富联（601138.SS）	A股高波动	2023-02	+22.6%	+637.6%
中际旭创（300308.SZ）	A股高波动	2023-03	+13.7%	+590.3%
胜宏科技（300476.SZ）	A股高波动	2023-04	+6.8%	+1475.5%
超微电脑（SMCI）	美股高波动	2023-05	-29.6%	+292.7%
Palantir（PLTR）	美股高波动	2023-05	-1.0%	+1921.2%
Marvell（MRVL）	美股高波动	2023-05	-21.8%	+60.5%
常山北明（000158.SZ）	A股高波动	2023-08	-11.7%	+232.3%
Arm（ARM）	美股高波动	2023-11	-2.2%	+180.5%
浙江东方（600120.SS）	A股题材高波动	2025-01	-2.5%	+25.0%
美格智能（002881.SZ）	A股题材高波动	2025-01	-13.6%	+22.0%
优刻得（688158.SS）	A股题材高波动	2025-01	-2.8%	+95.8%
青云科技（688316.SS）	A股题材高波动	2025-01	-11.5%	+94.9%
拓维信息（002261.SZ）	A股题材高波动	2025-01	-12.8%	+114.2%

OpenAI 发布 GPT-5。 统一系统把快速回答、深度思考、视觉、代码和 Agent 能力放进同一代产品，coding 被明确放在核心使用场景中。OpenAI：GPT-5
OpenAI 发布 gpt-oss-120b 和 gpt-oss-20b。 OpenAI 重新进入开放权重模型市场，模型可以下载、定制并在本地或自有基础设施上运行。OpenAI：gpt-oss

这个月的判断： 闭源服务和开放权重并不是二选一，模型公司可能同时用 API 收费、用开放权重扩大生态。

9 月：Agent 需要检查点与回滚（MRVL +33.7%）

市场记录： 降息和软件盈利预期让 AI 交易从硬件向平台、软件和数据迁移，Palantir、软件基础设施和部分机器人股波动放大；A 股高位题材股进入快涨快跌阶段。

妖股累计表（截至 2025-09，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	+7.1%	+1279.6%
C3.ai（AI）	美股高波动	2023-01	+2.5%	+55.5%
BigBear.ai（BBAI）	美股高波动	2023-01	+28.6%	+866.7%
昆仑万维（300418.SZ）	A股高波动	2023-01	-5.2%	+181.0%
SoundHound AI（SOUN）	美股高波动	2023-02	+23.5%	+709.2%
新易盛（300502.SZ）	A股高波动	2023-02	-5.9%	+2016.5%
寒武纪（688256.SS）	A股高波动	2023-02	+3.8%	+1537.8%
工业富联（601138.SS）	A股高波动	2023-02	+9.1%	+704.7%
中际旭创（300308.SZ）	A股高波动	2023-03	+17.3%	+709.7%
胜宏科技（300476.SZ）	A股高波动	2023-04	+3.0%	+1522.7%
超微电脑（SMCI）	美股高波动	2023-05	+15.4%	+353.2%
Palantir（PLTR）	美股高波动	2023-05	+16.4%	+2252.7%
Marvell（MRVL）	美股高波动	2023-05	+33.7%	+114.6%
常山北明（000158.SZ）	A股高波动	2023-08	+0.9%	+235.2%
Arm（ARM）	美股高波动	2023-11	+2.3%	+187.0%
浙江东方（600120.SS）	A股题材高波动	2025-01	+14.0%	+42.5%
美格智能（002881.SZ）	A股题材高波动	2025-01	-7.2%	+13.2%
优刻得（688158.SS）	A股题材高波动	2025-01	-6.7%	+82.7%
青云科技（688316.SS）	A股题材高波动	2025-01	-3.3%	+88.5%
拓维信息（002261.SZ）	A股题材高波动	2025-01	-5.2%	+103.1%

Anthropic 发布 Claude Sonnet 4.5。 coding、计算机使用、Claude Code 检查点和 Agent SDK 被放在同一批更新中，长任务的可回滚性开始成为产品能力。Anthropic：Claude Sonnet 4.5

这个月的判断： Agent 要进入生产，检查点、记忆、权限和回滚与模型能力同样重要。

10 月：低延迟模型下沉（ARM +20.0%）

市场记录： 低延迟模型的商业化预期支撑软件和云服务股，芯片股则在高位震荡；A 股 AI 行情继续轮动，妖股从单一模型概念转向低空、机器人和端侧设备等交叉主题。

妖股累计表（截至 2025-10，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	+8.5%	+1396.8%
C3.ai（AI）	美股高波动	2023-01	+1.4%	+57.6%
BigBear.ai（BBAI）	美股高波动	2023-01	+6.1%	+925.7%
昆仑万维（300418.SZ）	A股高波动	2023-01	-5.6%	+165.3%
SoundHound AI（SOUN）	美股高波动	2023-02	+9.6%	+786.8%
新易盛（300502.SZ）	A股高波动	2023-02	+1.0%	+2037.7%
寒武纪（688256.SS）	A股高波动	2023-02	-3.2%	+1485.4%
工业富联（601138.SS）	A股高波动	2023-02	-15.7%	+578.3%
中际旭创（300308.SZ）	A股高波动	2023-03	+8.8%	+780.9%
胜宏科技（300476.SZ）	A股高波动	2023-04	-7.9%	+1394.5%
超微电脑（SMCI）	美股高波动	2023-05	+8.4%	+391.2%
Palantir（PLTR）	美股高波动	2023-05	+9.9%	+2485.6%
Marvell（MRVL）	美股高波动	2023-05	+11.6%	+139.5%
常山北明（000158.SZ）	A股高波动	2023-08	-5.1%	+218.1%
Arm（ARM）	美股高波动	2023-11	+20.0%	+244.4%
浙江东方（600120.SS）	A股题材高波动	2025-01	-12.7%	+24.4%
美格智能（002881.SZ）	A股题材高波动	2025-01	-8.3%	+3.8%
优刻得（688158.SS）	A股题材高波动	2025-01	-4.3%	+74.8%
青云科技（688316.SS）	A股题材高波动	2025-01	-0.8%	+87.0%
拓维信息（002261.SZ）	A股题材高波动	2025-01	-7.6%	+87.6%

Anthropic 发布 Claude Haiku 4.5。 更快、更便宜的模型把前一代前沿能力下沉到高频任务，模型路由和成本控制继续细分。Anthropic：Claude Haiku 4.5

这个月的判断： 产业不会只留下一个最强模型，低延迟和低价格模型决定大量真实调用能否成立。

11 月：Gemini 3 连接开发平台（300502.SZ +23.9%）

市场记录： 美股 AI 龙头继续在资本开支与估值之间拉锯，英伟达、博通和云厂商是主线，软件股分化；A 股算力、应用和机器人题材轮动，没有一个标的能代表整个 AI 市场。

妖股累计表（截至 2025-11，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	-12.6%	+1208.2%
C3.ai（AI）	美股高波动	2023-01	-17.8%	+29.6%
BigBear.ai（BBAI）	美股高波动	2023-01	-8.4%	+839.5%
昆仑万维（300418.SZ）	A股高波动	2023-01	-4.1%	+154.4%
SoundHound AI（SOUN）	美股高波动	2023-02	-31.6%	+506.6%
新易盛（300502.SZ）	A股高波动	2023-02	+23.9%	+2548.6%
寒武纪（688256.SS）	A股高波动	2023-02	+1.8%	+1514.0%
工业富联（601138.SS）	A股高波动	2023-02	+2.2%	+593.3%
中际旭创（300308.SZ）	A股高波动	2023-03	+18.6%	+944.8%
胜宏科技（300476.SZ）	A股高波动	2023-04	+6.2%	+1487.2%
超微电脑（SMCI）	美股高波动	2023-05	-34.9%	+219.8%
Palantir（PLTR）	美股高波动	2023-05	-16.0%	+2071.9%
Marvell（MRVL）	美股高波动	2023-05	-4.6%	+128.5%
常山北明（000158.SZ）	A股高波动	2023-08	-6.8%	+196.5%
Arm（ARM）	美股高波动	2023-11	-20.2%	+174.8%
浙江东方（600120.SS）	A股题材高波动	2025-01	-1.3%	+22.7%
美格智能（002881.SZ）	A股题材高波动	2025-01	+6.9%	+11.0%
优刻得（688158.SS）	A股题材高波动	2025-01	+16.3%	+103.3%
青云科技（688316.SS）	A股题材高波动	2025-01	-5.6%	+76.5%
拓维信息（002261.SZ）	A股题材高波动	2025-01	+4.5%	+96.1%

Google 发布 Gemini 3。 推理、多模态和 coding 被重新整合，Agentic development platform 开始成为产品分发的一部分。Google：Gemini 3

这个月的判断： 模型厂商的战场从模型 API 扩展到开发平台、搜索、浏览器和办公软件。

12 月：推理能力继续压低成本（688158.SS +33.6%）

市场记录： 年末市场更看重推理成本和真实调用，AI 龙头从单纯硬件行情转向云、软件与应用的分层；高波动妖股仍有，但持续时间缩短，不能用它们代表产业景气。

妖股累计表（截至 2025-12，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	+5.4%	+1278.9%
C3.ai（AI）	美股高波动	2023-01	-6.7%	+20.9%
BigBear.ai（BBAI）	美股高波动	2023-01	-14.8%	+700.5%
昆仑万维（300418.SZ）	A股高波动	2023-01	+33.8%	+240.4%
SoundHound AI（SOUN）	美股高波动	2023-02	-17.3%	+401.7%
新易盛（300502.SZ）	A股高波动	2023-02	-2.6%	+2479.7%
寒武纪（688256.SS）	A股高波动	2023-02	-7.1%	+1399.4%
工业富联（601138.SS）	A股高波动	2023-02	-6.5%	+548.2%
中际旭创（300308.SZ）	A股高波动	2023-03	+6.4%	+1011.7%
胜宏科技（300476.SZ）	A股高波动	2023-04	-7.9%	+1361.8%
超微电脑（SMCI）	美股高波动	2023-05	-13.5%	+176.6%
Palantir（PLTR）	美股高波动	2023-05	+5.5%	+2191.4%
Marvell（MRVL）	美股高波动	2023-05	-4.9%	+117.3%
常山北明（000158.SZ）	A股高波动	2023-08	-1.7%	+191.5%
Arm（ARM）	美股高波动	2023-11	-19.4%	+121.5%
浙江东方（600120.SS）	A股题材高波动	2025-01	+5.4%	+29.4%
美格智能（002881.SZ）	A股题材高波动	2025-01	+0.4%	+11.4%
优刻得（688158.SS）	A股题材高波动	2025-01	+33.6%	+171.7%
青云科技（688316.SS）	A股题材高波动	2025-01	+25.9%	+122.2%
拓维信息（002261.SZ）	A股题材高波动	2025-01	-4.3%	+87.6%

Google 发布 Gemini 3 Flash。 更快、更高性价比的模型承接了 Gemini 3 的能力，前沿模型与大规模调用之间的价差继续收窄。Google：2025 年 12 月 AI 更新

这个月的判断： 推理能力只有被压到足够低的单位成本，才会从演示进入日常工作。

2026 年：模型公司开始接受公开市场与真实工作流的盘问

1 月：Constitution 与自动浏览（NVDA +2.5%）

市场记录： 港股 AI 公司开始有可以直接交易的公开市场样本，智谱（02513）和 MiniMax（00100）上市后波动显著；美股则继续由英伟达、微软和云厂商主导。新股的高换手可以记录为“妖股型”行情，但不能代替收入和估值分析。香港交易所：MiniMax 新上市证券收纳通知

妖股累计表（截至 2026-01，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	+2.5%	+1313.4%
C3.ai（AI）	美股高波动	2023-01	-18.3%	-1.2%
BigBear.ai（BBAI）	美股高波动	2023-01	-6.7%	+646.9%
昆仑万维（300418.SZ）	A股高波动	2023-01	+9.5%	+272.7%
SoundHound AI（SOUN）	美股高波动	2023-02	-15.1%	+325.9%
新易盛（300502.SZ）	A股高波动	2023-02	-14.2%	+2113.4%
寒武纪（688256.SS）	A股高波动	2023-02	-6.4%	+1303.4%
工业富联（601138.SS）	A股高波动	2023-02	-3.5%	+525.5%
中际旭创（300308.SZ）	A股高波动	2023-03	-17.7%	+814.9%
胜宏科技（300476.SZ）	A股高波动	2023-04	+14.8%	+1578.2%
超微电脑（SMCI）	美股高波动	2023-05	-0.5%	+175.2%
Palantir（PLTR）	美股高波动	2023-05	-17.5%	+1790.4%
Marvell（MRVL）	美股高波动	2023-05	-7.1%	+101.9%
常山北明（000158.SZ）	A股高波动	2023-08	+4.9%	+205.8%
Arm（ARM）	美股高波动	2023-11	-3.6%	+113.5%
浙江东方（600120.SS）	A股题材高波动	2025-01	+2.9%	+33.1%
美格智能（002881.SZ）	A股题材高波动	2025-01	+9.9%	+22.5%
优刻得（688158.SS）	A股题材高波动	2025-01	+7.6%	+192.3%
青云科技（688316.SS）	A股题材高波动	2025-01	+9.7%	+143.8%
拓维信息（002261.SZ）	A股题材高波动	2025-01	+15.3%	+116.3%

Anthropic 发布 Claude 新 Constitution。 模型价值观、训练目标和行为边界被公开成可阅读的完整文档，安全与治理从附录走向产品材料。Anthropic：Claude’s Constitution
Google 汇总 2026 年 1 月 AI 更新。 Gemini 进一步进入 Chrome、搜索和自动浏览，AI 产品开始从回答问题走向代办多步事务。Google：2026 年 1 月 AI 更新

这个月的判断： 2026 年的竞争重点变成“能否替用户推进一件事”，而不是“能否再生成一段话”。

2 月：推理模型走向研究协作（2513.HK +20.6%）

市场记录： 智谱和 MiniMax 的港股交易从上市情绪转向流通盘、解禁和估值博弈，港股科技股分化；美股 AI 龙头仍围绕资本开支和推理需求定价，暂无新的全球统一妖股。香港交易所：智谱和 MiniMax 获准进行卖空

妖股累计表（截至 2026-02，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	-7.3%	+1210.2%
C3.ai（AI）	美股高波动	2023-01	-27.8%	-28.7%
BigBear.ai（BBAI）	美股高波动	2023-01	-21.4%	+487.0%
昆仑万维（300418.SZ）	A股高波动	2023-01	-19.8%	+198.9%
SoundHound AI（SOUN）	美股高波动	2023-02	+1.7%	+333.1%
新易盛（300502.SZ）	A股高波动	2023-02	+23.1%	+2624.7%
寒武纪（688256.SS）	A股高波动	2023-02	-16.6%	+1070.4%
工业富联（601138.SS）	A股高波动	2023-02	-7.6%	+478.0%
中际旭创（300308.SZ）	A股高波动	2023-03	+6.6%	+875.3%
胜宏科技（300476.SZ）	A股高波动	2023-04	-17.5%	+1284.5%
超微电脑（SMCI）	美股高波动	2023-05	+11.3%	+206.3%
Palantir（PLTR）	美股高波动	2023-05	-6.4%	+1669.4%
Marvell（MRVL）	美股高波动	2023-05	+3.5%	+108.9%
常山北明（000158.SZ）	A股高波动	2023-08	-17.2%	+153.2%
Arm（ARM）	美股高波动	2023-11	+21.0%	+158.3%
浙江东方（600120.SS）	A股题材高波动	2025-01	-16.1%	+11.7%
美格智能（002881.SZ）	A股题材高波动	2025-01	-22.2%	-4.7%
优刻得（688158.SS）	A股题材高波动	2025-01	-0.4%	+191.1%
青云科技（688316.SS）	A股题材高波动	2025-01	-16.7%	+103.1%
拓维信息（002261.SZ）	A股题材高波动	2025-01	-6.4%	+102.5%
智谱（2513.HK）	港股新股高波动	2026-02	+20.6%	+20.6%

Anthropic 发布 Claude Opus 4.6。 coding、Agent、计算机使用、工具调用和搜索被放进更高能力档位，模型公司继续争夺复杂工作流。Anthropic 新闻室
Google 更新 Gemini 3 Deep Think。 专门的深度推理模式向科学、研究和工程任务延伸。Google：Gemini 3 Deep Think

这个月的判断： 推理模型正在从考试和榜单转向研究协作，但真实价值仍要看能否被专家复核和重复使用。

3 月：Agent 补齐检索与记忆（688256.SS +72.9%）

市场记录： AI 股票的分化继续扩大，美股大市值平台和算力供应商相对稳定，港股智谱、MiniMax 与 A 股算力链的日内振幅更大；“妖股”从单一模型名称转向流通盘较小、预期变化快的标的。

妖股累计表（截至 2026-03，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	-1.6%	+1189.2%
C3.ai（AI）	美股高波动	2023-01	+5.9%	-24.5%
BigBear.ai（BBAI）	美股高波动	2023-01	-11.1%	+421.9%
昆仑万维（300418.SZ）	A股高波动	2023-01	-0.3%	+198.0%
SoundHound AI（SOUN）	美股高波动	2023-02	-20.1%	+246.1%
新易盛（300502.SZ）	A股高波动	2023-02	+18.7%	+3134.2%
寒武纪（688256.SS）	A股高波动	2023-02	+72.9%	+1923.7%
工业富联（601138.SS）	A股高波动	2023-02	+22.2%	+606.3%
中际旭创（300308.SZ）	A股高波动	2023-03	+50.8%	+1370.7%
胜宏科技（300476.SZ）	A股高波动	2023-04	+31.7%	+1723.4%
超微电脑（SMCI）	美股高波动	2023-05	-29.7%	+115.4%
Palantir（PLTR）	美股高波动	2023-05	+6.6%	+1786.2%
Marvell（MRVL）	美股高波动	2023-05	+21.3%	+153.4%
常山北明（000158.SZ）	A股高波动	2023-08	-1.1%	+150.4%
Arm（ARM）	美股高波动	2023-11	+18.7%	+206.7%
浙江东方（600120.SS）	A股题材高波动	2025-01	+0.0%	+11.7%
美格智能（002881.SZ）	A股题材高波动	2025-01	+2.2%	-2.6%
优刻得（688158.SS）	A股题材高波动	2025-01	+12.0%	+226.1%
青云科技（688316.SS）	A股题材高波动	2025-01	+0.9%	+104.9%
拓维信息（002261.SZ）	A股题材高波动	2025-01	+3.7%	+110.0%
智谱（2513.HK）	港股新股高波动	2026-02	+25.2%	+51.0%

Google 发布 Gemini Embedding 2。 文本、图像、视频、音频和文档进入同一多模态向量空间，检索和分类开始成为 Agent 的基础层能力。Google：Gemini Embedding 2
Gemini 的 Search Live、Canvas 和跨应用能力继续扩展。 搜索开始同时承担实时对话、长任务工作区和个人资料连接。Google：2026 年 3 月 AI 更新

这个月的判断： Agent 的基础设施不只是一套大模型，还包括检索、记忆、文件、搜索和跨应用权限。

4 月：长任务遇到产品生命周期（2513.HK +83.8%）

市场记录： 市场开始把 AI 产品的留存、成本和现金流放到股价叙事里，概念股的估值弹性下降；美股龙头、港股 AI 新股和 A 股算力股各走各的行情，未形成新的跨市场妖股。

妖股累计表（截至 2026-04，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	+14.4%	+1374.9%
C3.ai（AI）	美股高波动	2023-01	+4.9%	-20.8%
BigBear.ai（BBAI）	美股高波动	2023-01	+13.1%	+490.2%
昆仑万维（300418.SZ）	A股高波动	2023-01	-10.1%	+167.9%
SoundHound AI（SOUN）	美股高波动	2023-02	+15.9%	+301.1%
新易盛（300502.SZ）	A股高波动	2023-02	+34.4%	+4246.7%
寒武纪（688256.SS）	A股高波动	2023-02	+15.0%	+2227.3%
工业富联（601138.SS）	A股高波动	2023-02	+16.7%	+724.2%
中际旭创（300308.SZ）	A股高波动	2023-03	+35.4%	+1891.4%
胜宏科技（300476.SZ）	A股高波动	2023-04	+12.2%	+1945.8%
超微电脑（SMCI）	美股高波动	2023-05	+20.3%	+159.1%
Palantir（PLTR）	美股高波动	2023-05	-4.9%	+1693.7%
Marvell（MRVL）	美股高波动	2023-05	+66.8%	+322.7%
常山北明（000158.SZ）	A股高波动	2023-08	-10.9%	+123.1%
Arm（ARM）	美股高波动	2023-11	+39.0%	+326.3%
浙江东方（600120.SS）	A股题材高波动	2025-01	-13.8%	-3.7%
美格智能（002881.SZ）	A股题材高波动	2025-01	+16.3%	+13.3%
优刻得（688158.SS）	A股题材高波动	2025-01	-14.1%	+180.1%
青云科技（688316.SS）	A股题材高波动	2025-01	-11.5%	+81.3%
拓维信息（002261.SZ）	A股题材高波动	2025-01	-16.3%	+75.8%
智谱（2513.HK）	港股新股高波动	2026-02	+83.8%	+177.5%

Anthropic 发布 Claude Opus 4.7。 更强的 coding、Agent、视觉和多步任务能力继续把模型竞争推向长任务。Anthropic 新闻室
Sora 产品停止提供服务。 生成视频的技术影响仍在，但单个产品的用户、成本和商业回报并不由模型演示自动保证。OpenAI：Sora 发布页中的服务状态说明

这个月的判断： AI 产品同样要接受生命周期和单位经济检验，模型能力强不等于产品一定能长期存在。

5 月：AI 应用变成执行系统（SMCI +68.2%）

市场记录： AI 资本开支仍是美股的主线，但资金开始寻找能把调用转成收入的软件与应用；A 股算力、光模块和 PCB 轮动，港股 AI 新股高波动，妖股与龙头的差别更明显。

妖股累计表（截至 2026-05，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	+5.8%	+1460.4%
C3.ai（AI）	美股高波动	2023-01	+22.0%	-3.3%
BigBear.ai（BBAI）	美股高波动	2023-01	+26.6%	+647.2%
昆仑万维（300418.SZ）	A股高波动	2023-01	-8.1%	+146.2%
SoundHound AI（SOUN）	美股高波动	2023-02	+13.1%	+353.7%
新易盛（300502.SZ）	A股高波动	2023-02	+20.5%	+5137.8%
寒武纪（688256.SS）	A股高波动	2023-02	+21.8%	+2734.6%
工业富联（601138.SS）	A股高波动	2023-02	-1.7%	+710.2%
中际旭创（300308.SZ）	A股高波动	2023-03	+9.4%	+2078.5%
胜宏科技（300476.SZ）	A股高波动	2023-04	-6.0%	+1823.1%
超微电脑（SMCI）	美股高波动	2023-05	+68.2%	+335.8%
Palantir（PLTR）	美股高波动	2023-05	+12.5%	+1918.0%
Marvell（MRVL）	美股高波动	2023-05	+24.1%	+424.6%
常山北明（000158.SZ）	A股高波动	2023-08	-15.7%	+88.1%
Arm（ARM）	美股高波动	2023-11	+68.0%	+616.1%
浙江东方（600120.SS）	A股题材高波动	2025-01	-9.9%	-13.2%
美格智能（002881.SZ）	A股题材高波动	2025-01	-19.8%	-9.2%
优刻得（688158.SS）	A股题材高波动	2025-01	-5.0%	+166.1%
青云科技（688316.SS）	A股题材高波动	2025-01	-12.7%	+58.3%
拓维信息（002261.SZ）	A股题材高波动	2025-01	-5.6%	+65.9%
智谱（2513.HK）	港股新股高波动	2026-02	+31.9%	+266.1%

Google I/O 2026 发布 Gemini 3.5 Flash 和 Gemini Omni。 Gemini 进入“agentic era”，模型开始同时处理输入、推理、行动和视频创作。Google：I/O 2026 总览
Google 将 Agent、Search、Gemini App 和开发平台放进同一套产品更新。 搜索、购物、代码和个人助理的边界继续融合。Google：I/O 2026

这个月的判断： “AI 应用”越来越不像一个独立聊天框，而像一层覆盖搜索、办公、设备和开发工具的执行系统。

6 月：端侧模型遇到公开市场（MRVL +45.3%）

市场记录： 端侧模型让 Apple、手机和存储链条重新进入 AI 定价，公开市场则开始盘问模型公司的融资与亏损；A 股中际旭创、新易盛、胜宏科技等高位震荡，港股智谱、MiniMax 的解禁和流通盘变化成为新的交易变量。

妖股累计表（截至 2026-06，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	-5.1%	+1380.8%
C3.ai（AI）	美股高波动	2023-01	-15.6%	-18.4%
BigBear.ai（BBAI）	美股高波动	2023-01	-27.2%	+444.0%
昆仑万维（300418.SZ）	A股高波动	2023-01	+22.4%	+201.4%
SoundHound AI（SOUN）	美股高波动	2023-02	-28.1%	+226.2%
新易盛（300502.SZ）	A股高波动	2023-02	-13.8%	+4415.0%
寒武纪（688256.SS）	A股高波动	2023-02	-12.3%	+2385.9%
工业富联（601138.SS）	A股高波动	2023-02	-8.1%	+644.6%
中际旭创（300308.SZ）	A股高波动	2023-03	-13.9%	+1775.7%
胜宏科技（300476.SZ）	A股高波动	2023-04	-21.5%	+1409.6%
超微电脑（SMCI）	美股高波动	2023-05	-36.4%	+177.1%
Palantir（PLTR）	美股高波动	2023-05	-25.5%	+1403.4%
Marvell（MRVL）	美股高波动	2023-05	+45.3%	+662.3%
常山北明（000158.SZ）	A股高波动	2023-08	+3.7%	+95.0%
Arm（ARM）	美股高波动	2023-11	+0.4%	+619.0%
浙江东方（600120.SS）	A股题材高波动	2025-01	+12.6%	-2.3%
美格智能（002881.SZ）	A股题材高波动	2025-01	+3.5%	-6.0%
优刻得（688158.SS）	A股题材高波动	2025-01	+1.2%	+169.3%
青云科技（688316.SS）	A股题材高波动	2025-01	+0.9%	+59.7%
拓维信息（002261.SZ）	A股题材高波动	2025-01	+14.5%	+90.0%
智谱（2513.HK）	港股新股高波动	2026-02	-22.1%	+185.2%

Apple 发布第三代 Apple Foundation Models。 设备端模型、服务器模型和与 Google 合作的基础模型体系被纳入新一代 Apple Intelligence。Apple Machine Learning Research
Anthropic 发布 Claude Sonnet 5。 更低成本的模型开始承担浏览器、终端、工具调用和长任务执行，Agent 能力继续向更大规模的日常调用下沉。Anthropic：Claude Sonnet 5
Anthropic 提交拟上市的保密文件。 公司尚未确定发行规模、价格和上市时间，能确认的是模型公司开始把公开市场作为可选的资本路径。AP：Anthropic confidential IPO filing

这个月的判断： 端侧模型和公开市场分别代表两种约束：一边是功耗、隐私和延迟，另一边是收入、亏损、融资和现金流。

7 月：coding Agent 成为清晰主线（NVDA +5.4%）

市场记录： 截至 7 月 13 日，美股 AI 龙头仍围绕算力、云和软件平台高位轮动，A 股光模块与 PCB、港股智谱和 MiniMax 的弹性更大；coding Agent 是新的市场叙事，但还没有被证明能让所有 AI 股票同步上涨。

妖股累计表（截至 2026-07，月末复权收盘复合；英伟达为龙头对照）

标的（代码）	类型	入表月份	本月涨跌	入表后累计
英伟达（NVDA）	核心龙头对照	2022-11	+5.4%	+1460.8%
C3.ai（AI）	美股高波动	2023-01	-1.5%	-19.6%
BigBear.ai（BBAI）	美股高波动	2023-01	-10.9%	+384.7%
昆仑万维（300418.SZ）	A股高波动	2023-01	-2.5%	+193.9%
SoundHound AI（SOUN）	美股高波动	2023-02	+2.6%	+234.7%
新易盛（300502.SZ）	A股高波动	2023-02	-2.0%	+4324.7%
寒武纪（688256.SS）	A股高波动	2023-02	-0.7%	+2368.5%
工业富联（601138.SS）	A股高波动	2023-02	-4.8%	+608.9%
中际旭创（300308.SZ）	A股高波动	2023-03	+1.3%	+1800.1%
胜宏科技（300476.SZ）	A股高波动	2023-04	+0.4%	+1415.6%
超微电脑（SMCI）	美股高波动	2023-05	-3.5%	+167.4%
Palantir（PLTR）	美股高波动	2023-05	+8.7%	+1534.2%
Marvell（MRVL）	美股高波动	2023-05	-20.8%	+503.7%
常山北明（000158.SZ）	A股高波动	2023-08	-2.5%	+90.1%
Arm（ARM）	美股高波动	2023-11	-8.8%	+555.7%
浙江东方（600120.SS）	A股题材高波动	2025-01	+1.4%	-1.0%
美格智能（002881.SZ）	A股题材高波动	2025-01	-0.2%	-6.2%
优刻得（688158.SS）	A股题材高波动	2025-01	-4.1%	+158.2%
青云科技（688316.SS）	A股题材高波动	2025-01	-6.2%	+49.8%
拓维信息（002261.SZ）	A股题材高波动	2025-01	+2.9%	+95.5%
智谱（2513.HK）	港股新股高波动	2026-02	+0.3%	+186.0%

7 月 8 日，xAI 发布 Grok 4.5。 发布页把 coding、Agent 和知识工作列为主要场景，并在 Cursor、Grok Build 和 API 中提供。xAI：Grok 4.5
Anthropic 发布 Claude Code 的发展回顾。 从内部 CLI 到 coding Agent 的过程被公开整理，软件工程继续成为验证长任务 Agent 的重要工作流。Anthropic：The Making of Claude Code
OpenAI 发布 ChatGPT Work。 Agent 开始跨应用和文件持续推进复杂项目，产品叙事从“回答问题”进一步转向“把目标拆成结果”。OpenAI：ChatGPT Work

7 月 13 日之后的补记：模型发布开始挤在同一周，额度也变成产品竞争的一部分。

7 月 16 日，Moonshot AI 发布 Kimi K3。 Kimi 官方技术文章把它定位为面向长任务、编码和 Agent 工作的开放前沿模型，并计划在 7 月 27 日公开完整权重；公开权重的实际可用性仍应以届时的仓库、许可证和下载文件为准。Kimi K3 技术文章
7 月 19 日，Qwen3.8-Max-Preview 开始提供体验。 当前可在 Qwen Cloud 的 Token Plan 中选择，也被接入 Qoder 和 QoderWork。它仍是预览服务，不应写成已经完成的开源发布；2.4T 参数和“除 Claude Fable 5 外最强”等说法属于厂商宣传口径，独立 benchmark、稳定模型卡和正式权重仍未齐全。Qwen Cloud Token Plan
OpenAI 与 Anthropic 的竞争从模型能力扩展到可用额度。 OpenAI 7 月 9 日发布 GPT-5.6 和 ChatGPT Work，并把 Codex、长任务和更高强度的工作流放进同一轮产品推进。OpenAI：GPT-5.6 近期用户还观察到 OpenAI 反复重置部分额度、短暂放宽甚至取消五小时限制；这些变化未在公开说明中形成稳定规则，因此更适合记录为产品侧现象。Anthropic 的官方帮助页仍把 Claude 的五小时窗口作为基本额度机制，Claude 使用限制说明同期的全量重置和额度调整则被媒体记录。ITmedia：Claude 全用户额度重置两边的动作几乎同时发生，很像一场价格与配额战，但“OpenAI 直接逼迫 Claude 跟进”仍是基于时间线的判断，不是已经公开确认的因果关系。

这个月的判断： 截至 7 月 13 日，最清楚的产品方向仍是 coding Agent；它的优势不在于会写代码，而在于任务可以被拆分、运行、测试和回滚。

时间线之后，应该看什么

入口从聊天变成工作流

ChatGPT 先证明自然语言可以成为软件入口，GPT-4、插件、多模态和搜索再把入口连接到文件、网络和外部工具。2025 年以后，deep research、Claude Code、Codex 和各类终端 Agent 把任务链继续拉长。用户交付的已经不是一段回答，而是一份研究、一组修改、一套测试结果或一个可以继续运行的项目。

开放权重与闭源服务各自承担不同成本

路线	得到什么	付出什么	适合的问题
闭源 API	更新快、产品完整、企业支持和服务稳定性	调用费、配额、供应商依赖和数据边界	需要快速上线、复杂能力和统一交付
开放权重	可本地部署、可微调、数据边界更可控	显卡、内存、运维、许可证和升级成本	私有数据、本地试验和定制部署
混合路由	简单任务本地化，复杂任务调用云端	需要评估、路由、降级和监控	同时在意成本、隐私和能力的工作流

“开放”不等于免费，“闭源”也不等于没有生态。真正的部署判断要回到许可证、显存、上下文长度、推理速度、工具调用、故障处理和责任归属。

AIGC 从生成素材进入可信度竞争

文本要核实事实，图片要看来源和版权，视频要确认时间与素材，声音要考虑身份边界。生成成本下降以后，核验成本反而更重要。视觉完成度不能替代证据链，模型的自信语气也不能替代原始文件和可复现过程。

Coding 是最早能被验收的 Agent 场景

补全代码只是起点。真正的 coding Agent 需要读取仓库、理解约束、修改文件、执行命令、运行测试、处理失败、保留检查点，并让人可以审查和回滚。软件工程有清楚的交付边界，所以比泛聊天更容易形成订阅或企业预算；但这也意味着模型生成的每一行代码都要接受测试和维护。

AI 股票要从算力订单走到现金流

AI 股票不是一条同时上涨的直线。早期市场买的是入口和想象，2023 年开始买 GPU 订单和数据中心，2025 年以后则更关心单位推理成本、应用付费、资本开支和模型公司的融资能力。上游可以先收到钱，应用层还要经过试点、采购、续费和利润验证。

回看每月的“市场记录”，可以看到三次明显的换锚：2023 年 5 月以前，市场在给“生成式 AI 会不会成为入口”定价；英伟达财报之后，算力订单和数据中心成为第一主线；DeepSeek 冲击之后，市场又开始追问训练和推理是否能更便宜。到 2026 年，智谱和 MiniMax 等模型公司进入港股，问题继续变成收入、亏损、流通盘和解禁，而不是单纯比较模型发布会。

接下来更值得跟踪三张表：

云厂商的资本开支、订单和剩余合同负债，决定基础设施需求还能滚多久。
模型公司的收入、亏损、推理成本、客户集中度和现金流，决定能力是否能变成预算。
coding 和 Agent 产品的使用深度、返工率、测试通过率和续费，决定“能完成任务”是否真的等于“有商业价值”。

行情资料与记录边界

本文的月度文字和累计表基于 Yahoo Finance 公开月线入口及当月新闻；表格使用复权收盘价，当前月行情为截至 7 月 13 日的部分月份，产业事件更新到 7 月 22 日，没有把不同市场的指数、币种和交易制度强行合并。Yahoo Finance 未提供 MiniMax（00100.HK）的可用月线序列，因此本文不为它补造涨跌幅。文中“妖股”只用于回看市场情绪，不构成投资建议；涉及上市时间、卖空资格、解禁和公司披露，以交易所公告为准。

参考资料

本文只做公开资料整理和个人观察，不构成投资建议。模型、产品、价格、股价和公司披露会持续变化；涉及 2026 年 7 月的内容以 7 月 13 日为截点，后续应回到公司最新公告和原始行情。

写作附记

原始提示词

现在的 AI大事件主要是我历史文章的聚合，缺少了对应时间线，每个月份，AI 相关的新闻记录，联网搜索，补充一波，每月热点事件，控制在 3 个以内，文章结构也同步调整

首稿原始提示词

参考 2026 年度大事件，新建 AI 大事件，从 ChatGPT 问世开始写，删除 2026 年度大事件、2025 年度大事件、2025 稿子里面你觉得需要删除的内容，抽取到 AI 大事件，联网搜索下，AI 大事件要写哪些内容：大模型能力的发展、开源模型、闭源模型、股市相关公司的股价变动、AIGC 到现在都开始卷 coding，内容很多，你梳理清楚大纲。

本轮原始提示词

AI 大事件，现在记录了每月关键的事件，但是没有记录对应事件的股票市场，AI 这波，股市也是历史罕见，每月新增一个事件放在第一位，简单的记录当月的股票走势，记录各个“妖股”。

本轮把原稿的主题判断保留在时间线之后，并将主结构调整为按年、按月记录。逐月事件以公开发布页为主，未把预测、传闻或拟议融资写成已发生事实。

本次更新提示词

更新文章 AI大事件，近期发了很多新的模型比如 Kimi K3、Qwen3.8 Max Preview，OpenAI 还发动了价格战，没事就重置额度，还暂时关闭了五小时限额，逼迫 claude 同步跟进

解禁和融资消息同日出现智谱与 MiniMax 被怎样重新定价

Fri, 10 Jul 2026 21:20:00 +0800

7 月 10 日收盘，智谱（02513.HK）跌 19.29%，MiniMax-W（00100.HK）跌 9.68%。这组数字很容易把人带向一个简单判断：融资消息没有用。当天的盘中却不是一条直线。上午至午后早段，MiniMax-W 的跌幅一度更深；午后它回升，智谱则持续走低，收市时跌得更多。

同一周，两家公司还面对刚解禁的股份和新的融资安排。这里有三个不同的价格：二级市场当天的边际成交价、向特定投资者配售新股的价格、可转债将来可能转换成股份的价格。把它们混成一个“市场估值”，结论就会失真。

先看价格路径

解禁并非发生在同一天。据港股解码的媒体统计，智谱约 2,568.16 万股基石投资者股份在 7 月 8 日解禁，约占总股本 5.76%；MiniMax 约 1.46 亿股在 7 月 9 日解禁，约占总股本 46.44%，其解禁前自由流通股不足 6%。这是一份媒体统计，不是公司对实际减持的披露。它说明潜在供给的量级差异，不能证明这些股份当日已经卖出。

日线先给出一个轮廓。智谱在解禁后的 7 月 9 日收涨，MiniMax-W 则收跌；到 7 月 10 日，两只股票都下跌，智谱的成交额和收市跌幅更大。

日期	公司	开盘	最高	最低	收盘	收盘涨跌	成交额
7 月 8 日	智谱	1,563.0	1,918.0	1,450.0	1,825.0	+13.35%	本文不列
7 月 8 日	MiniMax-W	323.8	389.8	311.0	362.6	+12.0%	本文不列
7 月 9 日	智谱	1,879.0	2,222.0	1,803.0	2,032.0	+11.34%	本文不列
7 月 9 日	MiniMax-W	359.8	397.4	283.8	297.4	-17.98%	本文不列
7 月 10 日	智谱	1,850.0	1,999.0	1,597.0	1,640.0	-19.29%	约 132.60 亿港元
7 月 10 日	MiniMax-W	280.4	291.6	248.4	268.6	-9.68%	约 35.94 亿港元

价格单位为港元；涨跌幅按前一交易日收盘价计算。数据来自腾讯财经行情接口。解禁数量和比例来自前述媒体统计，和日线数据是不同来源、不同口径。

分时点把两种叙事拆开了。MiniMax-W 在上午和午后早段承受的跌幅更大，随后出现回升；智谱在下午没有跟随修复，尾段继续走低。

7 月 10 日时点	智谱价格 / 较前收	MiniMax-W 价格 / 较前收	当时跌幅更深的一方
9:31	1,946.0 / -4.23%	278.4 / -6.39%	MiniMax-W
11:32	1,790.0 / -11.91%	251.4 / -15.47%	MiniMax-W
13:42	本文不列同刻价格	248.6 / -16.41%	MiniMax-W 接近日内低点
14:48	1,698.0 / -16.44%	276.2 / -7.13%	智谱
收市	1,640.0 / -19.29%	268.6 / -9.68%	智谱

这张表能说明价格的先后，不能说明因果。除非有带时间戳、可核验的订单或新闻传播证据，不能把某个分时拐点归给融资消息，更不能从解禁规模推导出实际减持规模。

新钱的价格，和旧钱的价格

MiniMax 7 月 10 日公告的是一组尚待完成的交易：3,560 万股新 A 类股份的拟配售，加上一笔 65 亿港元零票息有担保可转债。智谱在 7 月 9 日公告的则是尽力配售 1,978 万股新 H 股，公告明确提示该交易可能不完成。

IPO已经完成；下表的港股再融资仍是拟议交易。状态列刻意单列，避免把公告里的预计净额当成现有现金余额。

公司	事项	状态	价格与金额	用途
MiniMax-W	IPO	已完成	发售价 165 港元；基础发行毛额/净额约 48.176 亿/45.961 亿港元；全额行使超额配股权后净额约 52.9339 亿港元	研发 90%，营运资金 10%
智谱	IPO	已完成	发售价 116.20 港元；基础发行毛额/净额约 43.481 亿/41.734 亿港元；全额行使超额配股权后净额约 48.962 亿港元	通用大模型研发 70%，MaaS 10%，伙伴网络及战略投资 10%，营运资金 10%
MiniMax-W	新 A 类股配售	拟议，受条件约束	3,560 万股，268 港元/股；毛额/净额约 95.408 亿/94.9141 亿港元	与可转债合计的净额中，80% 拟投 AI 基础设施和模型研发，10% 全球扩张，10% 营运资金及一般用途
MiniMax-W	零票息有担保可转债	拟议，受条件约束	本金 65 亿港元，2027 年到期；初始转换价 335 港元；净额约 64.658 亿港元；按全额转换情景约新增 1,940.3 万股	同上
智谱（港交所公告主体为 Knowledge Atlas）	新 H 股尽力配售	拟议，可能不完成	1,978 万股，1,588 港元/股；毛额/净额约 314.1064 亿/313.7495 亿港元	模型研发人才、算力和相关技术服务；业务扩张及战略投资；资本结构和一般营运资金。计划于 2027 年底前使用

MiniMax 两项交易若均完成，合计毛额约 160.408 亿港元、净额约 159.572 亿港元。这个金额约为其超额配售权全额行使后 IPO 净额的三倍。智谱的拟配售净额约为其同口径 IPO 净额的 6.4 倍。数字很大，含义却并不自动是利好：钱能延长投入周期，也会让每股对应的未来现金回报成为更严格的问题。

配售价可以显示融资在什么条件下谈成，却不是公司整体估值或目标价。MiniMax-W 的 268 港元配售价，较 7 月 9 日 297.4 港元收市价折让 9.89%；智谱的 1,588 港元配售价，较 7 月 8 日 1,825 港元收市价折让 12.99%。公告披露、比较基准和交易方式不同，不能据此比较“哪家公司被市场打了更深折价”。

可转债还多了一层债权属性、期限和转换选择权。335 港元的初始转换价不能和普通股配售价并排，直接当成市场给 MiniMax 的估值结论。二级市场收盘价也只是当日流通盘、风险偏好与信息集合下的边际成交价，不是公司融资时获得的整体定价。

IPO 时相近的隐含股权价值，后来被放进不同的交易结构

按 IPO 发行价乘以 IPO 后已发行股份数计算，MiniMax 的隐含股权价值约为 517.5 亿港元，智谱约为 518.0 亿港元。这个计算只是在统一的 IPO 时点还原两笔发行给出的股权价格，不能替代后续市值，也不能当作官方给出的融资后估值。

这两笔接近的起点有助于理解本周的再融资。MiniMax 给出的组合是普通股加可转债：一部分在交割并发行后形成新增股份，另一部分先是债务，未来是否转换取决于条款与持有人选择。智谱是大额普通股尽力配售，新增股份和融资完成的不确定性都更直接地摆在交易桌上。

市场在这类公告日并不会只回答“有没有人愿意出钱”。还要同时衡量新增可交易股份或潜在股份、融资折价、融资是否顺利完成、资金投入速度，以及原有股东在解禁后对流动性的需求。MiniMax 面临的潜在流通股供给规模明显更大；智谱则面对规模远超 IPO 的尽力配售。这些是解释分化的可检验背景，不是对 7 月 10 日涨跌的单一归因。

A 股还有一轮，金额却不能提前算进去

两家公司都披露了拟议人民币股份事项，进度和信息量不同。

公司	已披露事项	现在能确认什么
MiniMax-W	5 月 31 日公告拟议发行人民币股份	尚未披露规模、金额、用途或完成时点，并明确不保证实施
智谱	6 月 1 日公告拟在科创板发行不超过 3,876.8964 万股新 A 股，不含超额配售	价格未定，尚无正式协议；150 亿元人民币是拟投项目总额，不是已募资金。其中通用基础大模型 120 亿元、MaaS 20 亿元、补充流动资金 10 亿元

把这张表里的 150 亿元加到智谱已经拥有的现金里，是一个常见误读。它是项目投资计划；实际能否发行、以什么价格发行、最后募集多少，仍取决于后续程序与披露。MiniMax 的公告信息还更早一层，连计划金额和用途都没有给出。

大模型融资烧到现在，市场在看什么

大模型公司的资金用途高度相似：模型、算力、基础设施、产品与全球化。相同的去处不代表相同的产出。到这个阶段，市场对融资的判断至少有四道顺序：

交易能否完成，实际净额是多少；
现金余额和未来的算力、训练及推理承诺会怎样变化；
新增股份和潜在转换股份如何改变每股权益；
收入、毛利、现金消耗与单位算力效率是否改善。

再融资能够让公司继续押注下一代模型，也把验证周期推向下一份财报和下一次资本结构披露。7 月 10 日的盘中先后强弱与收市同跌只是一个切面。真正的再定价，要等现金变成可持续收入后才会有答案。

本文不构成投资建议。

参考资料

写作附记

本文依据港交所公告、行情接口和明确标注的媒体统计写作。再融资与 A 股事项均按公告时点的拟议状态处理；解禁统计不等同于实际卖出，分时价格路径不构成新闻因果证明。

原始提示词

智谱、Minimax 上周迎来了第一次解禁潮，历史文章梳理过相关内容，真到了这个时候两家的股票走势完全不同，智谱涨了、Minimax 跌了，分析为什么。后续传出来融资的新闻，盘中还是 Minimax 跌的更多，到了尾盘，智谱大跌，表格整理相关行情数据。

梳理 IPO 融资规模，这周新出来的融资规模，市场如何给这两个公司定价的，后续还有一轮A股的融资，两家公司融资的用途。大模型融资烧到现在，市场如何看待。

给编码模型几个代码锚点

Sun, 05 Jul 2026 23:04:15 +0800

给编码模型写需求时，我越来越倾向于顺手带上几个能在仓库里搜到的名字：函数名、组件名、CSS 类名，或者接口路径。少了这些词，模型未必做不了，但它经常要先花一轮时间猜“这句话对应哪段代码”。

比如只写：

调整登录按钮的禁用状态，提交中不要重复点击，样式也要变灰。

人能借助页面印象理解“登录按钮”在哪，编码模型面对的却可能是几十个按钮、多个登录入口，以及散落在组件、状态管理和样式文件里的实现。它首先要把自然语言中的“登录按钮”映射到仓库里的具体符号，然后才能判断该改事件处理、状态变量，还是 CSS。

如果需求改成下面这样，搜索空间会小很多：

调整 LoginForm 中 handleSubmit 的提交状态。提交期间禁用 .login-submit，避免重复请求；现有错误提示行为不变。验收：请求未结束时再次点击不会发出第二个请求，按钮呈禁用样式，请求结束后恢复。

这里真正有用的不是提示词变长，而是多了几枚可以落到代码上的锚点。

模型在预测，代理还要先找代码

当前主流大语言模型通常把输入切成 token，根据已有上下文逐步预测后续 token。Transformer 的自注意力机制让序列中的 token 能彼此建立联系；经过大规模预训练和后续对齐，模型可以遵循指令、解释代码，并生成修改方案。但“能根据上下文生成”不等于“天然知道你当前仓库里登录按钮放在哪”。

编码代理还多了一层工作：它会调用文件搜索、文本检索、读取和测试工具，把仓库里的相关代码放进模型上下文。函数名 handleSubmit 和类名 .login-submit 在这个阶段有双重作用。

第一重是检索锚点。自然语言里的“登录按钮”可能匹配文案、注释、测试和多个组件；精确符号可以直接交给文本搜索工具，较快找到定义、引用和相邻测试。少读几个无关文件，不只节省时间和 token，也减少无关代码干扰判断。

第二重是语义约束。handleSubmit 暗示改动与提交链路有关，.login-submit 把视觉状态限定到一个具体选择器，LoginForm 又给出了组件边界。它们共同降低了“按钮究竟是哪一个、状态应该放在哪一层”的歧义。模型仍在做概率生成，但可选解释少了，下一步更容易沿着正确代码路径展开。

这也是为什么我更愿意把这种写法叫“提供坐标”，而不是“提示词技巧”。它同时帮助了模型和模型外面的工具链。哪怕换成另一个编码模型，只要它也需要检索仓库，这些坐标仍然有价值。

好需求不只是一串关键词

只有符号名也不够。下面这种写法虽然容易搜索，仍然不知道要改成什么：

LoginForm、handleSubmit、.login-submit，优化一下。

我现在更常用的写法包含四类信息：

信息	作用	示例
代码锚点	缩小检索范围	`LoginForm`、`handleSubmit`、`.login-submit`
目标行为	说明改完发生什么	提交期间禁止重复请求
保持项	防止顺手改坏邻接行为	现有错误提示不变
验收条件	给实现和测试一个终点	第二次点击不发请求，请求结束后恢复

文件路径、测试名、接口名和报错文本也能充当锚点。优先给自己确认过、辨识度高的名字，不必为了显得具体而堆满所有相关符号。通常一两个入口函数、一个组件或样式名，已经足够让代理开始检索；剩余调用关系应该让它从代码里验证，而不是由需求编写者凭记忆补全。

还要警惕错误坐标。函数已经重命名、类名在多处复用，或者需求指向的其实是另一个页面时，精确但错误的关键词会让模型更快地走错路。稳妥的表达可以加一句“名称可能已调整，请先搜索确认”，或者同时给出页面行为和可见文案，让代理交叉验证。

所以更实用的结论不是“需求里多塞关键词”，而是：把人的页面印象翻译成仓库可检索的坐标，再用行为和验收条件约束修改结果。 前者减少寻找代码的成本，后者减少写错代码的空间。两部分同时存在，编码模型的效率提升才更稳定。

参考资料

写作附记

原始提示词

大模型编码写需求的时候，如果能带上一些关键词，比如：关联的函数名称、前端关联的样式名称，能让模型的效率更高，稍微讲解下 LLM 的原来，当前大模型的原理，解释下我这样做为什么更好

这篇保留了“函数名、样式名能提高编码效率”的现场判断，并补上语言模型生成与编码代理检索之间的区别。压掉了完整 Transformer 教程、模型代际比较和泛化的提示词清单，避免机制介绍抢走工程问题的主线。

AI 开支牛走到解禁口

Sun, 21 Jun 2026 21:10:00 +0800

这轮 AI 股票最别扭的地方，是一边有人喊“开支牛”，一边很多 A 股、港股股票根本没涨，甚至跌了不少。看起来像矛盾，其实是同一件事的两面：钱还在往 AI 基建和少数应用入口里挤，但二级市场开始追问，谁最后能把这些开支变成现金流。

先直接答你的几个问题。

这篇可以按三条线读：北美大厂不是没增长点，而是在用重资本开支押下一条曲线；编程是当前最容易收钱的 AI 应用；智谱和 MiniMax 的关键问题不是有没有故事，而是估值和解禁供给能不能被市场承接。

北美大厂的旧增长点边际效率下降以后，AI 成了少数还能承接几千亿美元资本开支叙事的方向。云、广告、搜索、社交和电商都还赚钱，但如果要让市值继续用高倍数定价，就必须有下一条足够大的曲线。AI 的特殊之处在于，它既能被讲成新产品，也能被讲成云计算、芯片、数据中心、电力和企业软件的再投资周期。

“开支牛”这个说法有道理。现在被定价最充分的，不一定是已经赚到 AI 净利润的公司，而是站在大厂资本开支前端收钱的公司：GPU、ASIC、HBM、光模块、服务器、交换机、数据中心、电力设备、云资源。问题也在这里：如果开支增速比最终收入兑现更快，股票会先涨成一个很窄的牛市，后面再用回撤去筛谁是真现金流。

大厂是不是资金也不富裕了？我的判断是：不是穷了，而是 AI 投入大到连现金流很强的公司也要优化资产负债表。高盛、摩根大通等机构在近期报告和媒体转述里都把 2026 年 hyperscaler capex 估到 7000 多亿美元量级；Axios 6 月中旬报道 Nvidia 也进入大额债券融资窗口，背后是 AI 数据中心和供应链债务融资一起变大。现金富裕和继续发债不冲突。它更像一个信号：这轮不是轻资产互联网牛市，而是重资产扩表。

投资人是不是着急变现？一部分是。IPO、A+H、二级市场解禁和并购，都是把一级市场账面估值变成流动性的路径。尤其是智谱、MiniMax 这种上市后流通盘极薄、股价又被指数纳入和稀缺性推高的标的，解禁前后的核心不是“公司好不好”这么简单，而是原来很小的可交易供给突然变大，市场要重新给流动性溢价定价。

编程赛道为什么会白热化？原因很直接：它比“通用 AI 改变世界”更快看见付费意愿。开发者愿意为提效付月费，企业愿意为代码、测试、迁移和安全审查买座席。Anthropic 早前官方融资材料披露 Claude Code run-rate revenue 超过 25 亿美元，OpenAI 也把 Codex 做成企业级编码 agent，并在 2026 年 Gartner 企业 AI 编码 agent 魔力象限里强调每周超过 400 万人使用 Codex。后面竞争不会只比模型分数，而会比仓库上下文、权限控制、CI/CD 接入、企业合规、推理成本和稳定性。

智谱港股市值合理吗？按 2026 年 6 月 18 日 Yahoo Finance 返回的 2513.HK 收盘价 2094 港元、上市后总股本 440,230,190 股粗算，智谱总市值约 9220 亿港元。¹ 公司 2025 年收入 7.243 亿元人民币。即使不精确折汇，这也是千倍左右市销率口径。它已经超出了“有点贵”的程度，只能用非常远的未来收入和利润去解释。除非你相信智谱会从模型公司变成中国 AI 基础设施平台，并且未来收入能跨两个数量级，否则当前市值很难用当下财务报表支撑。

把融资数据先压成一张窄表：

对象	资本动作	金额 / 估值
OpenAI	官方新一轮融资	1220 亿美元承诺资本；投后 8520 亿美元
Anthropic	Series H	650 亿美元；投后 9650 亿美元
SpaceX / Cursor	媒体报道股票收购	约 600 亿美元交易口径
Nvidia / AI 债券融资	媒体报道大额债券发行	约 200 亿至 250 亿美元
智谱	港股上市，推进科创板议案	IPO 募资约 43 亿港元；市值约 9220 亿港元
MiniMax	港股上市，启动 A 股辅导	IPO 净募约 45.96 亿港元；市值约 1540 亿港元

我的判断放在表外看。OpenAI 和 Anthropic 已经不是普通 SaaS 融资，而是基础设施和入口融资；Cursor 被推到 600 亿美元交易口径，说明编程 agent 已经从工具竞争变成战略入口竞争；Nvidia 这类供应链核心公司也开始拉长资金久期，说明 AI 基建融资越来越像资本市场工程。

智谱和 MiniMax 则是另一种问题：二级市场给了很高的远期平台溢价，但它们还要面对亏损、二次融资、流通盘扩张和解禁承接。这个表的含义不是“所有 AI 公司都安全”，而是：融资变成了商业模式的一部分。资本越大，市场越会问两个问题：钱还能不能继续进来，以及收入什么时候证明这些开支不是沉没成本。

编程先变成现金流入口

之前大家都想做通用 AI，因为通用 AI 的故事最大。后面发现：最大故事不等于最快回款。C 端聊天产品有流量，但付费率、留存、算力成本和竞争补贴都很难看；企业通用助理能讲效率，但交付周期和内部合规很重；编程则不一样，它直接站在软件生产链路上。

一个开发者每月多付 20、100、200 美元，只要能省下几个小时，就很容易说服自己。企业也是一样，真正能落地的不是“替代程序员”这个口号，而是修 bug、迁移框架、写测试、审代码、做重构、接内部知识库和开 PR。这里有明确工作对象、明确前后对比、明确付费人群。

所以 OpenAI 和 Anthropic 的竞争会越来越像三层战场。

第一层是模型能力。谁能更稳定地读懂大仓库、长上下文和多文件改动，谁就有优势。

第二层是工程外壳。Codex、Claude Code、Cursor 这类工具，本质不只是模型调用，它们还要处理权限、终端、沙盒、Git、测试、日志、回滚和人类审查。模型强但外壳差，开发者很快会烦。

第三层是企业分发。真正大钱在团队座席、私有代码安全、审计记录、IDE 和 CI/CD 集成、管理员控制台。以后很多公司不会只买一个聊天机器人，而会把 AI 编码 agent 当成研发基础设施采购。

这条线后面大概率会走向集中。独立工具如果没有自己的模型、算力或者深度分发，很容易被两边夹：上游模型涨价或限流，下游大厂把功能直接塞进 IDE、云平台和办公套件。Cursor 被 SpaceX 交易传闻推到 600 亿美元量级，正说明编程 agent 已经被当成战略入口，而不是小工具。

智谱市值贵在哪里

智谱的问题不在于“它有没有 AI 故事”。它当然有。招股书和年度业绩已经说明，它有模型、企业客户、研发投入和资本市场身份。问题是二级市场给的价格太超前。

用最粗的口径算：

\[ \text{粗略市销率} \approx \frac{\text{总市值}}{\text{年度收入}} \]

6 月 18 日收盘价 2094 港元乘以 440,230,190 股，总市值约 9220 亿港元。2025 年收入 7.243 亿元人民币。哪怕不纠结港元和人民币折算，这个比例也已经超过普通软件股、云公司和大多数成长股能承受的解释范围。

如果要说它合理，必须同时相信几件事：智谱以后收入不是十亿级，而是百亿、数百亿级；毛利率能从模型推理和交付成本里跑出来；研发投入占收入比例明显下降；并且国内政企、互联网、终端和开发者生态愿意把预算长期交给它。

这些事不是一定不可能，但这已经不是“看 2025 年报买公司”，而是：用 2030 年以后可能出现的平台地位给今天定价。这种股票在流通盘很小的时候可以涨得很夸张，但一到解禁，市场会重新问：愿意接盘的人，是看好未来现金流，还是只是在买稀缺流动性？

MiniMax 的估值同样不便宜。按 6 月 18 日 0100.HK 收盘价 497.6 港元、总股本 309,255,668 股粗算，总市值约 1540 亿港元。公司 2025 年收入 7903.8 万美元，折成港元大约 6 亿多。市销率同样是数百倍级别。差别只在于，智谱最新市值更夸张，MiniMax 的七月供给冲击更大。

七月解禁真正变了什么

解禁表要看两个口径：总股本口径和上市可交易股份口径。前者看潜在稀释和老股东供给，后者看二级市场当天能承接多少股票。为了避免宽表挤在一起，这里先只放流通盘变化：

公司	解禁前流通	7 月后流通
智谱 `2513.HK`	约 1174 万股	约 3742 万股
MiniMax `0100.HK`	约 1269 万股	上限约 1.66 亿股²

智谱上市后总股本 440,230,190 股。7 月 7 日基石投资者 25,681,600 股解禁，约占总股本 5.83%。它会把理论可交易供给从约 1174 万股增至约 3742 万股，约为原来的 3.2 倍。

MiniMax 上市后总股本 309,255,668 股。7 月 8 日基石投资者 16,504,040 股解禁；老股东解除承诺上限约 136,997,480 股。两者合计约 49.63% 总股本，上限口径下可交易供给从约 1269 万股跳到 1.66 亿股附近。

这张表里最容易误读的是 MiniMax。它的配发结果公告里，老股东持有的多批 Class A 普通股锁定承诺显示在 2026 年 7 月 8 日到期；我按公告逐项加总，得到约 1.37 亿股，和市场报道里“约 44.29% 总股本”的口径一致。再加上基石投资者 1650.4 万股，就是接近半个总股本的理论供给上限。

但这里的关键是：解除承诺不等于全部当天能卖。MiniMax 公告脚注里还提到部分 Pathfinder SII 受 18C 规则下更长期限锁定约束；另有一批现有股东股份的锁定期是“纳入港股通可交易后第 20 个交易日”和“上市后九个月”两者较早者。也就是说，真实卖压要看多重锁定是否重叠、股东性质、港股通进展和二级市场价格。文章里用上限口径，是为了让读者看到供给冲击的量级，不是说这些股票都会在同一天卖出。

智谱的七月解禁小得多。基石投资者 2568.16 万股解禁，会把极薄流通盘放大，但真正大规模的老股东锁定期在 2027 年 1 月 7 日。智谱配发结果公告写得很明确：18C 规则下有六个月要求，但所有现有股东还要按适用中国法律在上市后 12 个月内不得处置所持股份。换句话说，智谱 7 月是第一次流通盘扩容，明年 1 月才是更大的供给考验。

把大规模时间点单独列一下：

智谱，2026 年 7 月 7 日：基石投资者 25,681,600 股解禁，约 5.83% 总股本，流通盘从极低水平放大。
智谱，2027 年 1 月 7 日：现有股东 12 个月锁定到期；其中已上市 H 股老股约 1.78 亿股量级，另有非上市内资股受转换和全流通安排约束。这才是更大的潜在供给窗口。
MiniMax，2026 年 7 月 8 日：基石 16,504,040 股，加老股东解除承诺上限约 136,997,480 股。七月就是主要冲击窗口，但需扣除重叠锁定。
MiniMax，港股通纳入后第 20 个交易日或 2026 年 10 月 8 日较早者：另一批现有股东股份约 5695 万股口径。是否早于 10 月，取决于港股通可交易时间。
MiniMax，2028 年 1 月 8 日：控股股东 24 个月锁定到期，约 7900 万股量级。它对应创始人和控制权相关筹码，时间更远。

所以，如果只问七月谁压力大，答案很直接：MiniMax。智谱七月也会扩流通，但它的真正大考更靠后。MiniMax 的问题是七月理论供给太大，股价如果还在高估值区间，早期股东不需要全卖，市场也会先给“可能卖”的风险折价。

A 股、港股为什么很多没涨

这轮股市不是普涨牛。A 股、港股尤其明显，因为很多公司并没有直接吃到 AI capex，甚至还会被高利率、弱消费、地产链、地方财政、出口和内需预期压住。

AI 开支牛的资金路径很窄：先买美国大厂和芯片链，再扩到电力、数据中心、光通信、存储和少数应用入口。A 股、港股里名字带 AI 的公司很多，但真正能把订单转成收入、收入转成毛利、毛利转成现金流的公司没那么多。市场一旦从“有 AI 概念”切到“有没有兑现”，大部分股票就会被甩出去。

港股还有一个额外问题：很多新经济公司上市时给的流通盘很小，短期涨幅可以被稀缺性和指数买盘推得很高。等解禁一来，市场才开始面对真实供给。智谱和 MiniMax 就是这个逻辑的缩影：入恒科、港股通预期、AI 稀缺标的，都会带来买盘；但解禁、亏损、二次融资和高市销率，又会让买盘开始犹豫。

我的整体判断是：AI 不是没有增长点，AI 也不是纯泡沫；但这轮牛市如果主要靠开支驱动，就会天然分化。卖铲子的公司先受益，能把 AI 变成高频付费工作流的产品其次受益，只讲远期通用 AI 但看不到现金流的公司，估值会越来越难。

编程赛道后面会继续打得很凶，因为这是最早证明“AI 可以按座席、按用量、按团队预算赚钱”的方向。OpenAI、Anthropic、Cursor 以及大厂 IDE/云平台都会往这里挤。它不会停在“写几行代码”，而会往软件交付流程里钻：需求、代码、测试、评审、部署、安全、运维，都能变成 agent 的收费点。

但股市不会等所有答案都清楚。它会先给最像基础设施的公司高估值，再在解禁、融资、债务、季报和回撤里一点点检查。现在的问题不是“AI 还有没有未来”，而是：现在这些价格，已经预支了多少未来。

本文只做公开资料整理和个人分析，不构成任何投资建议。行情、市值和解禁数字都会随公告和市场变化而变，具体交易决策仍应以正式披露文件和自己的风险约束为准。

参考资料

OpenAI: OpenAI raises $122 billion to accelerate the next phase of AI
Anthropic: Anthropic raises $65B in Series H funding at $965B post-money valuation
Anthropic: confidentially submits draft S-1 to the SEC
OpenAI: named a Leader in enterprise coding agents by Gartner
OpenAI: Codex for every role, tool, and workflow
Axios: SpaceX will buy Cursor for $60 billion
Axios: AI debt boom ramps up with Nvidia bond sale
Business Insider: Goldman Sachs on AI capex supercycle
MiniMax Group Inc. 招股书，港交所披露文件
MiniMax Group Inc. 配发结果，港交所披露文件
MiniMax Group Inc. 2025 年度业绩公告，港交所披露文件
北京智谱华章科技股份有限公司招股书，港交所披露文件
北京智谱华章科技股份有限公司配发结果，港交所披露文件
北京智谱华章科技股份有限公司 2025 年度业绩公告，港交所披露文件
Yahoo Finance：0100.HK、2513.HK、^HSI 历史行情，拉取时间为 2026-06-21；0100.HK 本次只返回 2026-06-18 一条记录，因此未据此展开完整历史序列。

写作附记

原始提示词

$blog-writer 我其实没想通，北美大厂是都找不到新的增长点了吗？扎堆搞 AI，有人说这轮牛市叫做开支牛，靠的就是大厂的投资在驱动，分析下融资数据，还有最新的融资新闻，整理为表格，你怎么看待这份融资数据？大厂是不是资金也不富裕了，投资人是不是也着急变现？之前大家都想做通用AI，后面发现，还是要能赚钱，编程这个赛道是赚钱的，OpenAI Claude 都在竞争，已经白热化，后续会怎么走呢？港股智谱的市值合理吗？七月份 Minimax、智谱都有一波解禁，分析解禁前后的流通股数据变化，大规模解禁是在什么时候，对应的数据变化。这波股市，很多股票都没涨，甚至跌了不少，A股、港股，尤为明显。你作为专业的金融分析师，记得先解答我的问题。

写作思路摘要

这篇保留了原始提示词里的核心问题：开支牛、融资新闻、编程赛道、智谱估值、MiniMax 和智谱解禁、A/H 股分化。压掉的是无法核实的绝对表述，例如“大厂都找不到增长点”“投资人一定着急变现”。

正文把材料分成三层：公司官方融资和业绩是一手事实；capex、债券和 Cursor 交易使用近期媒体报道作为最新背景；市值、流通盘和解禁表是基于港交所披露文件和 2026-06-18 行情的粗算。MiniMax 的七月解禁特别标注了“上限口径”和“重叠锁定”，避免把理论供给直接写成当天卖压。

本文港股股价和市值粗算使用 2026-06-18 收盘价；0100.HK 本次 Yahoo Finance 只返回 2026-06-18 一条行情，因此没有据此展开 MiniMax 的完整历史走势。 ↩︎
这里是理论上限口径。MiniMax 部分 Pathfinder SII 和其他股东可能还受 18C 规则、港股通可交易时间或其他锁定安排约束，解除承诺不等于全部股份会在同一天卖出。 ↩︎

Hermes 搜索不稳：SearXNG 出站交给 Mihomo

Sun, 21 Jun 2026 20:33:01 +0800

Hermes 接上 SearXNG 以后，表面上已经把搜索问题收回到了本机：SEARXNG_URL=http://localhost:8888。但境内服务器真正容易卡住的地方不在 Hermes 到 SearXNG 这一跳，而在 SearXNG 自己还要访问 Google、DuckDuckGo、Brave、Startpage 这些搜索源。

我最后把链路拆成三层：Hermes 只访问本机 SearXNG；SearXNG 在配置里显式把 HTTP/HTTPS 出站请求交给 Mihomo；Mihomo 单独负责订阅、健康检查和自动选节点。这样做的好处不是“配置更酷”，而是出问题时可以分层看：Hermes 有没有请求本地搜索，SearXNG 有没有返回 JSON，Mihomo 有没有可用节点，订阅本身有没有解析失败。

整体链路是这样：

Hermes Agent
  -> http://localhost:8888
  -> SearXNG
  -> http://mihomo:7890
  -> Mihomo 自动选择可用节点
  -> 海外搜索引擎

宿主机上只暴露本机端口：

127.0.0.1:8888  -> SearXNG
127.0.0.1:7897  -> Mihomo mixed proxy，用于调试
127.0.0.1:9097  -> Mihomo controller，用于本机管理

SearXNG 和 Mihomo 在同一个 Docker 网络里，所以 SearXNG 不访问宿主机的 127.0.0.1:7897，而是访问容器名：

http://mihomo:7890

SearXNG 里最容易漏的两处

Hermes 调 SearXNG 时会请求 JSON。SearXNG 官方 Search API 文档也写得很清楚：format 参数能不能用，取决于 settings.yml 里 search.formats 是否启用；请求未启用的格式会返回 403。所以这里不能只保留默认 HTML：

search:
  safe_search: 0
  autocomplete: ""
  formats:
    - html
    - json

第二处是代理。不要只指望 Docker 环境变量或系统级 http_proxy 被应用层稳定继承。SearXNG 的请求是它自己发起的，最直接的办法是在 outgoing.proxies 里写清楚：

outgoing:
  request_timeout: 15.0
  max_request_timeout: 40.0
  extra_proxy_timeout: 10
  proxies:
    "http://": "http://mihomo:7890"
    "https://": "http://mihomo:7890"

SearXNG 默认配置示例里能看到 all://: 这种写法，所以它不是一个天然错误的配置项。但在我这次使用的环境里，all://: 没有按预期匹配，最后稳定下来的是把 http:// 和 https:// 分开写。文章里保留这个边界，是为了避免把一次实测写成所有版本的定论。

完整的 SearXNG 关键配置可以压到下面这样：

use_default_settings: true

general:
  instance_name: "Hermes SearXNG"

search:
  safe_search: 0
  autocomplete: ""
  formats:
    - html
    - json

server:
  secret_key: "请替换成随机密钥"
  limiter: false
  image_proxy: true
  bind_address: "0.0.0.0"

valkey:
  url: valkey://valkey:6379/0

outgoing:
  request_timeout: 15.0
  max_request_timeout: 40.0
  extra_proxy_timeout: 10
  proxies:
    "http://": "http://mihomo:7890"
    "https://": "http://mihomo:7890"

engines:
  - name: bing
    disabled: false
    shortcut: bi

  - name: bing news
    disabled: false
    shortcut: bin

  - name: google
    disabled: false
    shortcut: go
    timeout: 8.0

  - name: brave
    disabled: false
    shortcut: br
    timeout: 8.0

  - name: duckduckgo
    disabled: false
    shortcut: ddg
    timeout: 8.0

  - name: startpage
    disabled: false
    shortcut: sp
    timeout: 8.0

  - name: wikipedia
    disabled: false
    shortcut: wp

  - name: arxiv
    disabled: false
    shortcut: arx

  - name: sogou
    disabled: true

  - name: 360search
    disabled: true

ui:
  static_use_hash: true

这里有一个小坑：SearXNG 默认引擎配置里，Bing 新闻的 name 是 bing news，engine 才是 bing_news。在 use_default_settings: true 下，engines 是按 name 合并覆盖的，所以这里要写 name: bing news，不要写成 name: bing_news。

Mihomo 只做一件事：给 SearXNG 一个稳定出口

Mihomo 这边不需要接管整台服务器，也不需要让 Docker 全局走代理。它只开一个 mixed port，让同一个 Docker 网络里的 SearXNG 能访问：

mixed-port: 7890
allow-lan: true
bind-address: '*'
mode: rule
log-level: info
ipv6: false

external-controller: 0.0.0.0:9090
secret: "请替换成随机密钥"

profile:
  store-selected: true
  store-fake-ip: true

proxy-providers:
  sub:
    type: http
    url: "你的订阅地址"
    interval: 3600
    path: ./proxy_providers/sub.yaml
    health-check:
      enable: true
      url: https://www.gstatic.com/generate_204
      interval: 300
      timeout: 5000
      lazy: false
      expected-status: 204

proxy-groups:
  - name: AUTO
    type: url-test
    use:
      - sub
    url: https://www.gstatic.com/generate_204
    interval: 300
    timeout: 5000
    tolerance: 50
    lazy: false
    expected-status: 204

  - name: PROXY
    type: select
    proxies:
      - AUTO
      - DIRECT
    use:
      - sub

rules:
  - MATCH,PROXY

这份配置的意思很窄：订阅每 3600 秒更新一次，节点每 300 秒做一次健康检查，AUTO 用 url-test 按延迟选择节点，所有流量最后匹配到 PROXY。新配置第一次启动时，PROXY 列表里第一个就是 AUTO；如果以后你在控制面板里手动切过节点，store-selected: true 会保留选择，这时“默认走 AUTO”就不一定成立了。

还要注意订阅格式。proxy-providers 适合 provider 格式或能被 Mihomo 作为 provider 解析的订阅；有些服务商给的是完整 Clash 配置，有些给的是节点列表。如果日志里报解析失败，不要先怀疑 SearXNG，先去服务商后台切成 Clash Meta、Mihomo 或 Proxy Provider 格式。

改造脚本

下面这个脚本适合已经把 SearXNG 放在 /opt/searxng 的机器。它会备份现有 docker-compose.yml 和 searxng/settings.yml，复用本机已有的 metacubex/mihomo 镜像，并把 SearXNG、Valkey、Mihomo 放进同一个 compose 项目。

脚本不会主动拉取 Mihomo 镜像；SearXNG 和 Valkey 如果本机没有对应镜像，docker compose up 是否能启动取决于你的本机镜像和网络环境。完全离线环境里，先把三个镜像都准备好。

sudo bash -s <<'EOF'
set -euo pipefail

APP_DIR="/opt/searxng"
COMPOSE_FILE="$APP_DIR/docker-compose.yml"
SETTINGS_FILE="$APP_DIR/searxng/settings.yml"
MIHOMO_DIR="$APP_DIR/mihomo"

if [ ! -f "$COMPOSE_FILE" ]; then
  echo "未找到 $COMPOSE_FILE，请确认 SearXNG 是否部署在 /opt/searxng"
  exit 1
fi

if [ ! -f "$SETTINGS_FILE" ]; then
  echo "未找到 $SETTINGS_FILE，请确认 SearXNG settings.yml 路径"
  exit 1
fi

if docker image inspect metacubex/mihomo:latest >/dev/null 2>&1; then
  MIHOMO_IMAGE="metacubex/mihomo:latest"
else
  MIHOMO_IMAGE="$(docker images --format '{{.Repository}}:{{.Tag}}' \
    | awk -F: '$1=="metacubex/mihomo" && $2!="<none>" {print; exit}')"
fi

if [ -z "${MIHOMO_IMAGE:-}" ]; then
  echo "未检测到可用的本地 metacubex/mihomo 镜像。"
  echo "请先确认：docker images | grep -i mihomo"
  exit 1
fi

echo "检测到本地 Mihomo 镜像：$MIHOMO_IMAGE"

LOCAL_MIHOMO_IMAGE="searxng-mihomo-local:latest"
docker tag "$MIHOMO_IMAGE" "$LOCAL_MIHOMO_IMAGE"

printf "请输入你的 Clash/Mihomo 订阅 URL: " > /dev/tty
IFS= read -r -s SUB_URL < /dev/tty
printf "\n" > /dev/tty

if [ -z "$SUB_URL" ]; then
  echo "订阅 URL 为空，退出。"
  exit 1
fi

mkdir -p "$MIHOMO_DIR/proxy_providers"
chmod 700 "$MIHOMO_DIR"

TS="$(date +%Y%m%d-%H%M%S)"

cp -a "$COMPOSE_FILE" "$COMPOSE_FILE.bak.$TS"
cp -a "$SETTINGS_FILE" "$SETTINGS_FILE.bak.$TS"

echo "已备份："
echo "  $COMPOSE_FILE.bak.$TS"
echo "  $SETTINGS_FILE.bak.$TS"

MIHOMO_SECRET="$(openssl rand -hex 16)"

cat > "$MIHOMO_DIR/config.yaml" <<YAML
mixed-port: 7890
allow-lan: true
bind-address: '*'
mode: rule
log-level: info
ipv6: false

external-controller: 0.0.0.0:9090
secret: "$MIHOMO_SECRET"

profile:
  store-selected: true
  store-fake-ip: true

proxy-providers:
  sub:
    type: http
    url: "$SUB_URL"
    interval: 3600
    path: ./proxy_providers/sub.yaml
    health-check:
      enable: true
      url: https://www.gstatic.com/generate_204
      interval: 300
      timeout: 5000
      lazy: false
      expected-status: 204

proxy-groups:
  - name: AUTO
    type: url-test
    use:
      - sub
    url: https://www.gstatic.com/generate_204
    interval: 300
    timeout: 5000
    tolerance: 50
    lazy: false
    expected-status: 204

  - name: PROXY
    type: select
    proxies:
      - AUTO
      - DIRECT
    use:
      - sub

rules:
  - MATCH,PROXY
YAML

chmod 600 "$MIHOMO_DIR/config.yaml"

OLD_SECRET="$(grep -E '^[[:space:]]*secret_key:' "$SETTINGS_FILE" | head -n1 | sed -E "s/.*secret_key:[[:space:]]*['\"]?([^'\"]+)['\"]?.*/\1/" || true)"

if [ -z "$OLD_SECRET" ] || [ "$OLD_SECRET" = "secret_key:" ]; then
  OLD_SECRET="$(openssl rand -hex 32)"
fi

cat > "$SETTINGS_FILE" <<YAML
use_default_settings: true

general:
  instance_name: "Hermes SearXNG"

search:
  safe_search: 0
  autocomplete: ""
  formats:
    - html
    - json

server:
  secret_key: "$OLD_SECRET"
  limiter: false
  image_proxy: true
  bind_address: "0.0.0.0"

valkey:
  url: valkey://valkey:6379/0

outgoing:
  request_timeout: 15.0
  max_request_timeout: 40.0
  extra_proxy_timeout: 10
  proxies:
    "http://": "http://mihomo:7890"
    "https://": "http://mihomo:7890"

engines:
  - name: bing
    disabled: false
    shortcut: bi

  - name: bing news
    disabled: false
    shortcut: bin

  - name: google
    disabled: false
    shortcut: go
    timeout: 8.0

  - name: brave
    disabled: false
    shortcut: br
    timeout: 8.0

  - name: duckduckgo
    disabled: false
    shortcut: ddg
    timeout: 8.0

  - name: startpage
    disabled: false
    shortcut: sp
    timeout: 8.0

  - name: wikipedia
    disabled: false
    shortcut: wp

  - name: arxiv
    disabled: false
    shortcut: arx

  - name: sogou
    disabled: true

  - name: 360search
    disabled: true

ui:
  static_use_hash: true
YAML

cat > "$COMPOSE_FILE" <<YAML
services:
  searxng:
    image: docker.io/searxng/searxng:latest
    container_name: searxng
    restart: unless-stopped
    ports:
      - "127.0.0.1:8888:8080"
    volumes:
      - ./searxng/settings.yml:/etc/searxng/settings.yml:ro
      - searxng-cache:/var/cache/searxng:rw
    depends_on:
      - valkey
      - mihomo
    networks:
      - searxng-net
    logging:
      driver: json-file
      options:
        max-size: "2m"
        max-file: "3"

  valkey:
    image: docker.io/valkey/valkey:8-alpine
    container_name: searxng-valkey
    restart: unless-stopped
    command: valkey-server --save 30 1 --loglevel warning
    volumes:
      - valkey-data:/data
    networks:
      - searxng-net
    logging:
      driver: json-file
      options:
        max-size: "2m"
        max-file: "3"

  mihomo:
    image: $LOCAL_MIHOMO_IMAGE
    container_name: searxng-mihomo
    restart: unless-stopped
    command: ["-d", "/root/.config/mihomo"]
    ports:
      - "127.0.0.1:7897:7890"
      - "127.0.0.1:9097:9090"
    volumes:
      - ./mihomo:/root/.config/mihomo
    networks:
      - searxng-net
    logging:
      driver: json-file
      options:
        max-size: "2m"
        max-file: "3"

networks:
  searxng-net:

volumes:
  searxng-cache:
  valkey-data:
YAML

cd "$APP_DIR"

if docker compose version >/dev/null 2>&1; then
  DC="docker compose"
elif command -v docker-compose >/dev/null 2>&1; then
  DC="docker-compose"
else
  echo "未检测到 docker compose / docker-compose"
  exit 1
fi

echo
echo "启动服务..."
$DC up -d --no-build

echo
echo "等待服务启动..."
sleep 12

echo
echo "容器状态："
$DC ps

echo
echo "Mihomo 最近日志："
$DC logs --tail=80 mihomo || true

echo
echo "测试 Mihomo 本机代理端口 127.0.0.1:7897："
curl -I -sS --max-time 25 --proxy http://127.0.0.1:7897 https://www.gstatic.com/generate_204 || true

echo
echo
echo "测试 SearXNG JSON 搜索："
curl -sS --max-time 50 "http://127.0.0.1:8888/search?q=openai%20gpt&format=json" \
  | python3 -c 'import sys,json; d=json.load(sys.stdin); print("OK:", len(d.get("results", [])), "results")' || true

echo
echo "完成。"
echo "Hermes 继续使用：SEARXNG_URL=http://localhost:8888"
echo "SearXNG 出站代理：searxng -> http://mihomo:7890"
echo "Mihomo 本机调试代理：http://127.0.0.1:7897"
echo "Mihomo 控制端口：http://127.0.0.1:9097"
echo "Mihomo 配置文件：$MIHOMO_DIR/config.yaml"
EOF

Hermes 只保留搜索入口

Hermes 侧不用知道 Mihomo。它只需要知道本机有一个 SearXNG：

nano ~/.hermes/.env

写入：

SEARXNG_URL=http://localhost:8888

然后在 ~/.hermes/config.yaml 里指定搜索后端：

web:
  search_backend: "searxng"

如果你装的是 Hermes 官方 SearXNG skill，可以继续使用：

hermes skills install official/research/searxng-search

如果 Hermes 是 user service：

systemctl --user restart hermes
systemctl --user status hermes --no-pager

这里还有一个边界：SearXNG 负责搜索，不负责网页正文抽取。Hermes 文档里也把 search backend 和 extract backend 分开。如果后续要让 Hermes 读取搜索结果页面正文，还需要再给 web.extract_backend 配 Firecrawl、Tavily、Exa、Parallel 或其他抽取方案。

验证不要跳层

先测 Mihomo，不要一上来就问 Hermes：

curl -I --proxy http://127.0.0.1:7897 https://www.gstatic.com/generate_204

能返回 HTTP 状态，说明宿主机调试代理端口可用。然后测 SearXNG JSON：

curl -s --max-time 50 \
  "http://127.0.0.1:8888/search?q=openai%20gpt&format=json" \
  | python3 -c 'import sys,json; d=json.load(sys.stdin); print(len(d.get("results", [])), "results")'

如果这里出现 403，优先看 search.formats 有没有 json。如果这里超时或结果为空，再看 SearXNG 日志：

cd /opt/searxng
docker compose logs -f searxng

然后在 Hermes 里发一条会触发搜索的请求：

请联网搜索 OpenAI GPT 的最新资料，列出来源链接。

日志里如果出现 /search?...format=json，说明 Hermes 已经在调本地 SearXNG。再看 Mihomo：

cd /opt/searxng
docker compose logs -f mihomo

重点看订阅更新、provider、health check、AUTO 这些信息。如果 Mihomo 连订阅都没解析出来，SearXNG 配得再对也没用。

几个不要省掉的边界

第一，不要把端口暴露到公网。本文里的 compose 只绑定本机：

ports:
  - "127.0.0.1:8888:8080"
  - "127.0.0.1:7897:7890"
  - "127.0.0.1:9097:9090"

不要改成：

0.0.0.0:8888:8080
0.0.0.0:7897:7890
0.0.0.0:9097:9090

否则搜索服务、代理端口和 Mihomo 控制端口都有被公网滥用的风险。external-controller: 0.0.0.0:9090 是容器内监听，真正决定外部能不能访问的是 compose 的端口绑定。

第二，如果 Google 或 Startpage 总是超时，不要急着把整套链路推翻。先保留 Bing、Brave、DuckDuckGo、Wikipedia、arXiv，等 Mihomo 订阅和健康检查稳定以后，再打开更容易触发验证码或超时的引擎。

第三，脚本的回滚点很直接：

cd /opt/searxng

cp docker-compose.yml.bak.你的时间戳 docker-compose.yml
cp searxng/settings.yml.bak.你的时间戳 searxng/settings.yml

docker compose up -d

我更倾向于这种拆层方案，而不是给整台服务器套全局代理。全局代理的问题是影响面太大，出了问题以后很难判断是系统环境、Docker、应用配置还是代理节点本身。Hermes、SearXNG、Mihomo 各自只做一件事，排障的时候反而省事。

参考资料

写作附记

这篇保留了原始材料里最有操作价值的部分：分层架构、SearXNG JSON、显式 outgoing proxy、Mihomo provider 和健康检查、Docker Compose、Hermes 配置、验证命令、常见问题和回滚。压掉的是重复解释，以及容易误导的绝对化表述；例如 all://: 不是通用无效配置，只是在这次环境里没有按预期匹配。

另外修正了一处配置名：SearXNG 的 Bing 新闻引擎应写 name: bing news。如果写成 name: bing_news，它和默认引擎名对不上，风险比普通拼写问题更高。

原始提示词

用户提供了一份题为《中国境内服务器部署 Hermes + SearXNG + Mihomo：让 Hermes 搜索走代理并自动选择可用节点》的完整部署材料，要求整理分析、确认文章内容没有错误，然后调用博客写作 skill 写成文章。

材料包含：背景、目标架构、为什么不用系统代理、SearXNG settings.yml、Mihomo config.yaml、Docker Compose、改造脚本、Hermes 配置、验证链路、常见问题、回滚方法和最终效果。

Loop engineering 把人挪到检查点

Sun, 14 Jun 2026 07:35:00 +0800

昨天参加 MiniMax 线下开发者大会，回来以后有个词一直没绕过去：loop engineering。

我一开始以为它只是把 agent 多跑几轮。这个理解太浅了。真正让我卡住的地方是，AI 写代码的速度已经比人审核代码的速度快太多，如果人的参与还停在“每一步都看、每一步都拍板”，那生产力最后会被人的检查速度锁住。

这和我最近用 Codex 的感受能接上。之前写那篇 goal 文章时，我更多关注的是“完成条件”这件事：目标是什么，边界在哪里，用什么验证，什么时候算完成。

大会以后再回头看，goal 只是 loop engineering 里很小但很关键的一块。它解决的是单次任务怎么不靠人反复提醒也能往前走。更大的问题是：哪些任务值得交给循环，哪些检查点必须留给人，哪些判断可以提前写进系统，哪些责任不能推给 AI。

我现在觉得最契合的场景有两个。

一个是性能优化。它天然有指标，最好还能自动复测。你告诉 agent：接口 P95 要降到多少，首屏要控制在多少毫秒，包体要降到多少 KB，回归测试不能挂。它每改一轮就跑一次 benchmark、profile 或压测，没达标就继续找瓶颈。这里人的价值不是每次看它改了哪一行，而是先给出可验收的指标，再在关键节点判断“这个优化有没有改变业务语义”。

另一个是 UI 重构。前提是要有明确设计稿，最好能做到 1:1 还原。没有设计稿时，人会不断被拉回“这个边距不对”“这个颜色不舒服”“这个交互不像”的琐碎判断里；有了设计稿，AI 的循环就可以围着截图、DOM、样式和视觉差异来收敛。人不必跟着每一次 CSS 调整跑，但要对最终界面负责。

这两个场景的共同点是，验收物不是一句“做得好一点”。性能优化有数字，UI 重构有设计稿。循环能跑起来，不是因为 AI 更听话，而是因为任务本身有可比较的目标。

Multica 像一块协作板

大会现场还碰到开源圈的人介绍项目，其中 Multica 挺有意思。我回来查了一下，它不是一个新的单体 coding agent，而是把 Claude Code、Codex、GitHub Copilot CLI、OpenCode、Gemini、Kimi、Cursor Agent 等工具接进同一个任务协作层。

它的 README 里把 agent 写成 teammate：可以被分配 issue，会汇报 blocker，会更新状态，也会出现在看板、评论和任务生命周期里。文档里更具体一点：agent 是 workspace 的一等成员，可以被 assign issue、在评论里发言、被 @ 提及；创建 agent 时可以选择背后的 AI coding tool，并配置 instructions、model、环境变量、CLI 参数、可见性和并发限制。

这就把“用哪个模型”从一次 prompt 里的临时选择，变成了团队协作里的角色配置。

它最有意思的地方，不是“多代理”这个词，而是可以给不同 agent 配不同身份。比如一个 agent 用便宜模型做重复修复，一个 agent 用更强模型做架构判断，一个 agent 只做 review，不改代码；再配合 Squad 这种机制，由 leader agent 根据 issue 内容把任务路由给合适成员。

我没有完整跑一遍 Multica，所以这里只能把它当作一个公开资料可核对的样本看。但这个设计方向和 loop engineering 是同一类问题：不是让一个 AI 把所有事干完，而是把任务、角色、模型、审核和状态流转放进同一个循环里。

如果公司真要落地 AI 写代码，这个差别很重要。

现在模型价格不一样，能力边界也不一样。所有任务都用最贵的闭源模型，成本不一定扛得住；所有任务都用便宜模型，返工和漏审又可能把成本搬到后面。更现实的做法是分层：低风险、重复、边界清楚的活交给便宜模型先跑；关键变更、架构取舍和最终审核，留给更强的模型或人。

闭源强模型用来做审核，我觉得是一个不错的位置。审核不只是“挑语法错误”，它要看需求有没有被改坏，边界有没有被越过，测试是不是只覆盖了表面，提交说明是不是掩盖了风险。这类任务对判断力要求更高，但调用频次未必像实现阶段那么大，成本账更容易接受。

人少参与，不等于人不负责

圆桌讨论里有个观点我很认同：代码是 AI 写的，但代码是人类提交的。

这句话听起来像责任提醒，其实也是流程设计原则。AI 可以写代码、改代码、跑测试、生成 PR 说明，甚至可以让另一个模型先审一轮。但最后把代码合进主干的人，不能说“这是 AI 写的，和我没关系”。

公司里要的不是谁在键盘上敲字符，而是谁对结果负责。你提交了，就表示你愿意为这次变更的业务语义、风险边界、测试证据和回滚预案负责。AI 参与得越深，这件事越不能含糊。

所以 loop engineering 不是把人彻底从流程里删掉。它更像是重新安排人的位置：

任务开始前，人写清目标、边界和验收条件。
循环运行时，系统和 agent 自己处理重复尝试、测试、修复和状态同步。
关键节点上，人看证据、看差异、看风险，而不是逐行追着 AI 的产出跑。
提交代码时，人承担结果责任，不能把 AI 当免责理由。

这也是我为什么会把 goal、性能指标、设计稿、Multica 这几个看似分散的东西连在一起。它们都在把人的判断提前、外显、结构化。人参与得少一点，但参与的位置更关键。

这件事如果做不好，就会变成另一种低效：AI 产出很多，人审不过来，最后团队靠“感觉上差不多”合代码；出了问题以后，又把锅甩给 AI。那不是工程化，只是把混乱换了个生产者。

真正值得追的循环，不是让 AI 一直写，而是让每一轮写作、修改、测试和审核都能回到同一张验收单上。人的工作从“盯着它写”变成“定义什么算好、检查证据够不够、为提交负责”。这可能才是 loop engineering 这个词让我一直想的地方。

参考资料

写作附记

原始提示词

$blog-writer 昨天参加 Minimax 线下开发者大会，有个东西一直没绕过去，loop engineering，近期在用 codex 代码开发，也喜欢用 goal，也写过关于 goal 的文章，发现两个场景，最契合，性能优化，直接给出我要求的性能指标、UI 重构，提供设计稿，要求 1:1 还原。回到开始说的 loop engineering，AI 时代的编程，由于 AI 的生产力远超人类，人类审核的速度，完全无法追平，AI 产出的速度，但是现在的 vibe coding，很多决策还是需要人类参与的，人的参与变多了以后，整个流程就不容易完全自动化。loop engineering 的理念，更多就是降低人类的参与程度。还碰到了开源圈的人来宣讲他们的项目，有一个项目比较有意思，Multica，你查下相关资料，简单的介绍下，除开他的设计理念，最有意思的地方在，不同给的模型，给不同的身份，能有效的利用各家的大模型，毕竟现在模型价格不一样，闭源模型来做审核是个不错的思路。关于 AI 代码在公司落地，圆桌讨论的时候，有个观点也是一致的，代码是 AI 写的，但是代码是人类提交的，你需要对你提交的代码负责，这表现的是你的责任心、你做事情的态度。你不能说这是AI写的，和你没关系。

写作思路摘要

保留 2026-06-13 参加 MiniMax 线下开发者大会这个现场触发点，没有把它扩写成大会报道。
把主线收束在“人的参与位置怎么变”，而不是逐条解释 loop engineering、goal、Multica 和公司责任。
Multica 部分只写公开资料能支撑的能力，并把“闭源模型做审核”明确放在作者判断里。
压掉了对具体模型价格、公司管理制度和代码审查流程的展开，避免文章从工作流观察跑成管理制度建议。

Codex 写界面扑街之后，让 ChatGPT 画 UI

Sun, 14 Jun 2026 05:14:22 +0800

最开始我以为只是前端还没来得及收拾。strategy_studio 的业务逻辑一直在往前走：行情同步、PostgreSQL、异步回测、报告落库和研究工作台都陆续接上了，但页面看起来越来越像“功能先上车，界面后补票”。等我想让 Codex 直接破坏性重构 UI 时，问题才真正露出来：提示词越写越狠，界面还是像在旧格子里重新挪组件。

这不是第一次用 Codex 改代码。后端链路、API 对接、测试修复、报告生成这类任务，我通常直接把目标扔进去，让它读文件、改代码、跑验证、提交。问题出在前端重构这里：我没有先做 UI 稿，前面又已经把业务结构铺开了。旧界面一旦存在，模型看到的就不只是需求，还有现成组件、现成路由、现成样式和一堆历史惯性。

我一开始的反应也很普通：继续加提示词。允许破坏性重构，重新设计 UI 和交互逻辑，元素不要太密集，适配 24 寸和 32 寸显示器，聚焦核心功能，不要保守。每句话单独看都对，但合在一起仍然缺一个东西：最后到底应该长什么样。

卡住的不是按钮颜色

strategy_studio 不是一个只有两三个按钮的小工具。README 里对它的定位已经是中文优先的策略研究平台：Next.js 前端、FastAPI API、PostgreSQL、Worker、Scheduler 和 Yahoo 同步链路一起跑。前端 README 又把页面收敛成一个研究工作台：样本准备、实验配置、任务跟踪、结果复盘、模板维护，还有报告详情和运行维护入口。

这种项目的前端问题，表面上是“不够好看”，实际是信息秩序没定下来。用户先看行情，还是先看回测任务？报告详情里曲线、指标、输入参数和重跑按钮谁更重要？首页是导航页，还是工作台？大屏上是铺满，还是留出呼吸感？

这些判断只用文字描述，Codex 很容易理解成“在现有页面里优化一下”。它会改组件、调间距、换颜色，但仍然沿着旧结构走。允许破坏性重构也不够，因为破坏性重构解决的是“能不能大改代码”，不是“有没有一个可验收的视觉目标”。

我白天出去一趟，晚上突然想到，别继续让 Codex 猜 UI 了。先在 ChatGPT 网页端把 UI 设计稿画出来，再把图交给 Codex 还原。

当时用的提示词很直接：

https://github.com/ttf248/strategy_studio 分析当前项目的前端代码，理解业务逻辑，作为专业的UI设计师、交互设计师，帮我重新设计一套前端页面，每个页面单独出图，记得适配 24寸、32寸显示器，元素不要太密集，方便用户使用聚焦核心功能。

这一步出来的效果，比我继续在 Codex 里堆形容词要稳定得多。它先给了一个可见的目标：页面怎么排、模块比例怎么分、视觉中心在哪里、留白大概到什么程度。Codex 后面再接手时，任务就从“凭审美重设计”变成了“按图理解业务并还原代码”。

配色也要先变成材料

第一轮图已经解决了版面问题，但默认配色还是常规后台系统的蓝白，不太符合我的审美。如果这个时候再把“不喜欢蓝白，换个高级点的配色”丢给 Codex，本质上还是让它猜。

这张就是最初那版蓝白配色。它已经能说明页面结构，但气质仍然偏普通管理后台。

后面我换了做法：先在 ChatGPT 网页端沟通配色方向，把底色、强调色、卡片层级和研究工具感说清楚，再让图像模型按这个方向出示意图。它不等于正式 Figma，也不是完整设计系统，但已经足够把前端重构最容易漂移的东西固定下来。

最后拿到的不是一张“大而全首页”，而是按页面拆开的设计稿：首页、行情研究、回测实验、报告中心、报告详情、策略模板、运行维护。这个拆法很关键。strategy_studio 的前端不是营销页，而是研究工具；首页、行情页和报告详情页承担的阅读任务不一样，不能都塞进同一套卡片网格。

图出来以后，Codex 的角色就清楚了。它不是从零当 UI 设计师，而是读现有业务逻辑、拆组件、调布局、对齐交互状态、跑 lint/build，再把旧前端重构到接近设计稿的目标状态。

不是简单的“网页版更聪明”

后来我又查了一圈官方资料，想确认这件事能不能解释成“不同渠道的 ChatGPT 智力能力不一样”，或者“Codex 直接使用时功能被阉割”。这个说法太粗。

OpenAI 对 Codex CLI 的描述，是本地终端里的 coding agent：它能在当前目录里读代码、改代码、运行命令。Codex web 则是在云端环境里处理代码任务。OpenAI 讲 Codex agent loop 时，重点也不是“模型凭空想出所有东西”，而是模型推理、上下文管理、工具调用、文件读写和命令执行一起构成软件任务。

ChatGPT Images 是另一种入口。OpenAI Help 里对 Images in ChatGPT 的说明，是用户可以在对话里创建和编辑图片，也可以做 mockup 或创意视觉。这个产品形态天然更适合先探索视觉目标，因为它的交付物就是图，而不是马上动代码。

所以这次差异，不是“谁更聪明”，而是任务形态不同。把“重新设计 UI”直接交给 Codex，它会站在代码仓库里思考：哪些文件要改、哪些组件不能破坏、怎么让构建通过。把同样的业务背景先交给 ChatGPT Images，它会先把抽象的审美和信息层级压成一张可见的目标图。

这也解释了为什么后来 Codex 反而更好用。不是设计稿绕开了 Codex，而是设计稿给 Codex 补了上下文和验收标准。官方 Codex prompting 文档也强调，要给 Codex 相关文件、图片和清楚的完成标准。没有图时，“元素不要太密集”只是形容词；有图以后，它才变成可还原的布局约束。

更顺的链路

这次之后，我会把这类前端重构拆成三段。

第一段，先做视觉探索。让 ChatGPT 网页端读仓库、理解业务、按页面出图，再围绕配色、密度、大屏适配和视觉层级来回调。这个阶段的产物不是代码，而是目标图。

第二段，把目标图和工程约束交给 Codex。提示词不要停在“重新设计 UI”，而要写清楚：以哪些图片为目标，哪些业务逻辑不能破坏，哪些页面允许破坏性重构，哪些测试和构建必须通过。

第三段，进入工程还原。这里才适合让 Codex 开 goal 或连续任务模式：先读前端结构，再按页面拆分实施，每个页面完成后跑验证，最后统一检查交互和响应式。

我以前容易把“提示词写得更狠”当成解决办法。现在看，前端重构里更有用的不是狠，而是把缺失的中间产物补上。没有 UI 稿时，破坏性重构只是拆得更大；有了 UI 稿以后，破坏性重构才有方向。

这套流程也不是只适合 strategy_studio。任何已经有业务逻辑、但前端长期靠边做边补的个人项目，都可以这么处理：先让图像模型把界面目标画出来，再让 Codex 把目标变成代码。模型之间不是谁替代谁，而是各自接自己更像工种的那一段。

参考资料

写作附记

原始提示词

$blog-writer 日常使用 codex 调用 ChatGPT 模型进行代码，开源项目 https://github.com/ttf248/strategy_studio 开发的时候，开始没做 UI 稿，直接进行业务逻辑开发，导致前端界面没有规划，尝试直接在 codex 里面写提示词：允许破坏性重构，重新设计 UI、交互逻辑，怎么调整效果都不太行。这个时候，还没怀疑 codex 的问题，白天出去一趟，晚上灵光闪现，我是不是能在网页版，调用 image2 出一组 UI 设计稿，然后交付给 codex 开启 goal 模型进行还原开发，简单尝试下，没有任何问题，这是用到的提示词: https://github.com/ttf248/strategy_studio 分析当前项目的前端代码，理解业务逻辑，作为专业的UI设计师、交互设计师，帮我重新设计一套前端页面，每个页面单独出图，记得适配 24寸、32寸显示器，元素不要太密集，方便用户使用聚焦核心功能。此时已经效果不错了，但是这个默认的配色，常规的蓝白色，不符合我的审美，继续调整方案，我们先在网页沟通一组合适的配色，然后 image 根据配色，出个演示图，再用配色方案，结合前面的提示词，我们就能拿到：https://github.com/ttf248/strategy_studio/tree/main/ui。我写的内容很多，你整理下，用一篇稿子写完，我有疑惑的地方，你自己联网查资料，提供的 https://github.com/ttf248/strategy_studio/tree/main/ui 里面有很多图片，随便抽两张贴到博客里面。

写作思路摘要

这次重写保留了原文的判断和材料，但把开头从“先给完整答案”改成“先进入前端重构卡住的现场”。文章压掉了泛化模型评测，只写这次工作流里真正有效的转向：先把视觉目标变成图，再让 Codex 做工程还原。

小米跌回硬件账本：存储涨、补贴跑、AI 还在烧

Fri, 12 Jun 2026 08:20:23 +0800

小米这一轮下跌的原因，比“AI 烧钱”这个叙事更复杂。过去一年，股价从 2025 年 7 月高点 60 港元附近一路跌到 2026 年 6 月 11 日的 25.84 港元，真正难受的地方是三件事叠在一起：手机利润被存储涨价挤压，汽车从高速放量进入补贴退坡和车型切换阶段，AI 投入又把市场对自由现金流的耐心往后推。

我先把一个判断放在前面：小米利润修复不一定要等 AI 这波疯狂彻底落幕，但必须等存储和手机零部件成本的上行斜率放缓，或者等小米能用更高 ASP、更少低端库存和汽车规模利润把成本吞掉。AI 不是唯一问题，AI 更像这轮存储涨价和资本开支的放大器。

股价先跌出了盈利怀疑

我用 Yahoo Finance 拉了 1810.HK 从 2025 年 6 月 12 日到 2026 年 6 月 11 日的复权日线。这个区间里，小米从 52.20 港元跌到 25.84 港元，跌幅 50.5%；区间高点是 2025 年 7 月 2 日的 60.15 港元，最新价正好也是区间低点，较高点回撤 57.0%。

时间点	复权收盘价	读法
2025-06-12	52.20 港元	一年前起点
2025-07-02	60.15 港元	区间高点
2025-09-30	54.00 港元	仍在高位平台
2025-12-31	39.36 港元	年底已经明显杀估值
2026-03-31	31.76 港元	Q1 业绩压力开始被计入
2026-06-11	25.84 港元	区间低点

这里面有资金面的噪音。人民币过去一年确实升值，Yahoo Finance 的 USDCNY=X 从 7.1928 到 6.7725，美元兑人民币下行 5.84%；港币兑人民币也从 0.9164 到 0.8643。用人民币看港股，同一港币资产会显得更贵，南向资金短期会有汇兑和仓位节奏。

但“人民币升值，所以南向大资金减少，所以小米跌”这种因果链太简单。HKEX 的 Stock Connect 2025 Review 显示，2025 年南向日均成交 1211 亿港元，2024 年是 482 亿港元；2025 年 Q4 末南向成交占香港现金股票成交 23.0%，高于 2024 年 Q4 末的 20.9%。HKEX 月度数据还显示，2026 年前五个月港股平均每日成交 2753 亿港元，同比仍增加 14%。所以资金面可以解释波动，却解释不了小米这一年跌去一半。

真正的解释在利润表。小米 2025 年全年收入 4573 亿元，智能 EV、AI 和其他新业务收入 1061 亿元，全年经营利润第一次转正 9 亿元，交付 411082 辆车。单看全年，故事并不差。但到了 2026 年一季度，公开报道里的账变得紧：收入 991 亿元，调整净利润 61 亿元，同比下降约 43%；手机收入 443 亿元，同比下降 12.5%；手机毛利率 10.1%，比一年前低 2.3 个百分点；EV、AI 和其他新业务经营亏损 31 亿元。

股价杀的不是“小米不会做车”或者“小米没有 AI”，而是市场开始重新问一个旧问题：小米到底能不能在硬件竞争里保住利润？

几个利空不是同一种压力

用户提示里列的利空可以分成三层，不应混在一起。

第一层是估值和资金折现。美元流动性、海外资金风险偏好、港股整体成交节奏，都会影响小米这种高 beta 港股。美联储资产负债表到 2026 年 6 月仍有约 6.7 万亿美元，市场还在讨论更小资产负债表和储备需求，外资当然不会像低利率时代那样给成长股无限久期。但这类压力更像“估值乘数”问题，通常先砍 PE/PS，不直接改变小米一台手机赚多少钱。

第二层是汽车补贴和电车竞争。2024-2025 年新能源乘用车购置税免征，单车免税额上限 3 万元；2026-2027 年改为减半征收，单车减税额上限 1.5 万元。对 20 万到 30 万元价位的车，这不是小数字。它会带来两个后果：2025 年底之前提前释放一部分需求，2026 年车企要么承担一部分价格压力，要么接受订单节奏变慢。小米汽车 2025 年已经证明了放量能力，但 2026 年一季度交付 80856 辆，环比 Q4 2025 的 145115 辆降了 44.3%，这就让市场不再只看“全年目标 55 万辆”，还会盯车型切换和单车利润。

第三层才是手机成本。这个压力最硬，因为它已经体现在毛利率里。Q4 2025 小米手机毛利率曾降到 8.3%，Q1 2026 也只有 10.1%。同期手机出货 3380 万台，同比下滑约 19%，ASP 反而提高到 1310 元附近。这说明小米已经在做一件不舒服的事：减少低端和中低端压力大的货，往更高价位去，但毛利仍被成本和竞争吃掉。

AI 的角色在这里有点绕。小米自己要投 AI、智能驾驶和具身智能，Caixin 摘要里提到 2026 年 AI 与具身智能投入预算 160 亿元。更大的问题是，全球云厂商和服务器需求把 DRAM、HBM、NAND 产能往数据中心吸走，手机、PC、消费 SSD 开始在同一张产能表上排队。小米不是在为“自己做 AI”独自付账，而是在为全行业 AI 基建竞价付账。

存储涨价怎么进到一台手机

最近两年的存储价格不是平滑上涨，而是先修复、再失控。

年份	内存 DRAM	固态硬盘 / NAND / UFS	机械硬盘 HDD	对小米的意义
2024	TrendForce 曾估算全年 DRAM 较年初上涨约 36%-63%；Q2 合约价上调 13%-18%	NAND 较年初约 31%-57%；Q2 NAND 约 +15%-20%，eMMC/UFS 约 +10%	不是主涨价品种，高容量盘需求开始改善	手机成本从低谷修复，压力还可通过库存和组合消化
2025	DRAM 行业均价继续上行，旧制程和 DDR4/LPDDR4X 逐步紧	NAND 和 SSD 下半年明显转紧，企业级 SSD 分流供给	AI、云和高容量盘需求推升近线盘景气	低端手机最容易被挤压，因为 LPDDR4X、eMMC/UFS2.x 的涨价很难完全转嫁
2026 上半年	TrendForce 把 Q1 conventional DRAM 涨幅上修到 +90%-95% QoQ，Q2 仍预计 +58%-63%	Q1 NAND 上修到 +55%-60% QoQ，Q2 预计 +70%-75%；client SSD 和 eMMC/UFS 同样承压	消费 HDD 报道口径里 2025 年 9 月到 2026 年初约 +46%，但手机不用 HDD	这已经不是普通周期修复，而是会改手机配置、定价和出货节奏的成本冲击

HDD 我单独留在表里，是因为用户问了机械硬盘。但它对小米手机没有直接 BOM 影响。HDD 影响的是小米笔记本、NAS/生态链、云端 AI 存储和整个消费电子价格环境。真正进到小米手机里的，是 LPDDR4X/LPDDR5X 和 eMMC/UFS。

以小米官网仍在全球产品页展示的几类机型为例，成本压力大致是这样：

机型样本	官网存储配置	2025 年内存+闪存粗略基准	2026 年上半年新增成本压力	解释
Redmi 14C	4/128 到 8/256，LPDDR4X + eMMC 5.1	约 8-12 美元	约 +4 到 +8 美元，约 30-60 元	Counterpoint Q1 2025 前十畅销榜里，Redmi 14C 4G 是 Apple、Samsung 之外唯一入榜机型；这类低价机最难涨价
Redmi Note 15 Pro+ 5G	8/256、12/256、12/512，LPDDR4X + UFS 2.2	约 20-28 美元	约 +10 到 +18 美元，约 70-130 元	中端机可以用摄像头、屏幕、电池讲配置，但 100 元级别的成本增加已经会碰到促销价和渠道毛利
Xiaomi 15 Ultra	16/512、16/1TB，LPDDR5X + UFS 4.1	约 55-75 美元	约 +25 到 +45 美元，约 180-320 元	高端机有更强定价权，但旗舰机还要叠加 SoC、影像模组、屏幕和钛/玻璃等其他成本

这张表不是拆机 BOM，也不是小米采购合同。它只是把公开配置和行业涨价区间做一个压力测试。真正采购价会受长期协议、库存周期、供应商返点、币种、型号和交付窗口影响。但即便按保守口径，结论也很清楚：入门机增加几十元，中端机增加百元上下，高端机增加数百元，这对一家靠规模和高性价比出货的公司不是小事。

这里也能解释为什么小米不可能简单把所有成本涨价都转嫁给消费者。Redmi 14C 这种大货，涨 50 元就可能影响一批预算敏感用户；Redmi Note 系列涨 100 元，直接碰到竞品促销；旗舰涨 300 元，用户会拿它和苹果、三星、vivo、OPPO 的影像旗舰比。小米能做的是提高高端占比、少压低毛利库存、加快新品节奏，但这几件事都会牺牲一部分出货量或者市场份额。

后面看什么，不看口号

所以，小米利润修复不必等 AI 彻底落幕。现实的触发点有三个。

第一个是存储价格斜率放缓。只要 DRAM 和 NAND 还在 Q1、Q2 这种季度级暴涨节奏里，手机毛利率就很难舒服。哪怕价格不回到 2024 年低点，只要涨幅从“季度翻倍附近”降到普通周期涨价，小米就能通过库存、产品组合和定价慢慢修复。

第二个是手机 ASP 提升有没有伤到销量。Q1 2026 的一个矛盾是 ASP 创高，但出货同比下降约 19%。如果后面只是涨价保毛利，股价未必买账；如果小米能用高端机和中端主力机稳定 ASP，同时把出货跌幅收窄，市场才会重新给手机业务估值。

第三个是汽车业务能不能重新证明规模利润。2025 年全年 EV、AI 和其他新业务已经经营利润转正，但 Q1 2026 又亏 31 亿元。这里不一定是坏事，车型切换、产能节奏和价格策略都会造成季度波动。问题是 2026 年补贴退坡之后，小米要证明 YU7/SU7 不是只靠订单热度，而是能在更正常的补贴环境里维持毛利和交付。

股价走势上，25 港元附近已经是过去一年低点，技术形态仍弱。我的基准判断是，若没有新的利润修复证据，短期更像 25-32 港元区间里的弱修复；如果 25 港元失守，市场会往 22-24 港元寻找下一层支撑；如果后续财报确认手机毛利率止跌、汽车交付重新上台阶，先看 32 港元，之后才有机会挑战 35-40 港元区域。这个区间不是买卖建议，只是把当前利润压力和过去一年价格分布放在一起后的观察框架。

我反而不太愿意把判断停在“等 AI 疯狂结束”。AI 热潮如果彻底熄火，存储价格可能缓和，但小米的汽车、手机 AI、智能驾驶和高端机叙事也会一起失去一部分估值弹性。对小米更好的状态不是 AI 泡沫破掉，而是 AI 基建从抢货阶段进入稳定采购阶段，让存储价格不再按季度重写硬件账本。

参考资料

写作附记

原始提示词

$blog-writer 小米的股价，多重利空：人民币升值，导致南向大资金减少对香港的投资，美元流动性收紧，导致外资的资金也减少了，电车的补贴突破、国补的补贴退坡、AI 持续烧钱。存储芯片的涨价，AI 火热，导致半导体价格持续走高，小米的的利润修复是不是要等到AI这波疯狂彻底落幕？整理我前面提到的内容，集合小米最近一年的股价进行分析，预判后续的走势。针对半导体涨价，整理最近两年来，每年，固态硬盘、机械硬盘、内存的涨价幅度，查询小米热销的机型，评估机器的硬件成本增加了多少。

写作思路摘要

这篇保留了用户提出的资金、补贴、AI、存储和股价几条线，但压掉了“每条利空都同等展开”的写法。人民币升值和南向资金被降级为资金节奏因素，因为 HKEX 数据不支持把南向整体写成明显萎缩。存储涨价和手机毛利率是更硬的主线，所以正文把更多篇幅放在成本拆账。

成本估算只给区间，不写成小米采购价。真正采购价需要合同、库存、供应商和交付窗口，公开材料无法确认。

AI 股票回撤之后：拥挤交易怎么散

Sun, 07 Jun 2026 04:24:52 +0800

北京时间 2026 年 6 月 9 日再看这篇，6 月 5 日那根线已经不够了。6 月 8 日 A 股没有把上周五的科技股回撤消化掉，创业板、科创 50、CPO、半导体继续下杀；同一时间，美股 6 月 8 日盘中又在往回拉，QQQ、SOXX 和一批 AI 芯片股反弹明显。两边放在一起看，结论反而不能写得更顺：A 股是在继续拆拥挤交易，美股盘中是在做高弹性反抽，这两件事都还不是“出清完成”的证据。

先把时间口径放清楚。A 股 6 月 5 日白天跌，主要是自己的高位科技股、融资约束和板块拥挤先出问题；美股 6 月 5 日晚上跌，是强非农、收益率和芯片股预期一起压下来。6 月 8 日 A 股继续跌，则是在周五压力后继续给拥挤交易定价。美股 6 月 8 日盘中反弹，只能说明前一交易日被卖得最狠的 AI 硬件链还有资金回补，不能提前写成收盘结论。

A 股这边，6 月 5 日沪指跌 0.74%，深成指跌 2.21%，创业板指跌 3.2%。证券时报当时还给了一个容易被“大跌”两个字盖掉的细节：A 股市场近 3300 股飘红，北证 50 还涨了 5.59%。也就是说，上周五不是所有股票一起崩，而是权重和高位科技链条把指数往下拖。新浪财经的收盘报道里，科创 50 跌 4.01%，半导体、存储芯片回调，光通信、算力硬件等方向承压。

到 6 月 8 日，压力没有停在“跌一天”。每日经济新闻的收盘口径显示，当天沪指跌 1.7%，深成指跌 3.22%，创业板指跌 3.69%，科创 50 跌 4.30%，近 4600 股收跌；证券时报同日也写到，沪深北三市合计成交约 2.82 万亿元，北证 50 逆市涨 1.33%。盘面上，CPO、半导体芯片继续领跌，银行、油气、煤炭、机器人等方向相对更强。这个组合比周五更像一次交易结构再平衡：高位科技股继续挤，低位或防守资产接走一部分风险偏好。

美股那边，6 月 5 日的下跌更集中。AP 的收盘数据里，标普 500 跌 2.6%，道指跌约 1.3%，纳指跌 4.2%。BLS 同日公布的 5 月就业报告显示，美国非农就业增加 17.2 万，失业率维持 4.3%。这组数据强过市场预期，结果不是“经济好所以股票好”，而是收益率上行、降息预期后移，高估值科技股的远期现金流被重新打折。Axios 把这一天写成芯片股拖累纳指的行情，Reuters 转引报道则提到美股芯片公司当日蒸发超过 1 万亿美元市值。

但到美东时间 2026 年 6 月 8 日午间，盘面又不是继续单边崩。按行情工具在 UTC 16:21 左右的盘中口径，QQQ 涨约 2.36%，SPY 涨约 0.86%，DIA 涨约 0.24%；SOXX 涨约 7.27%。个股里，Nvidia 涨约 2.26%，Broadcom 涨约 3.14%，AMD 涨约 5.27%，Marvell 涨约 13.95%，Micron 涨约 11.11%，台积电 ADR 涨约 3.73%。这组数字我只按盘中处理，因为美股还没收市，午间反弹和收盘资金确认不是一回事。

“国内跌完，美股跌，美股一反弹，AI 就没事了”——我不会这么看。周五两边共享的是估值和交易结构压力；周一 A 股确认的是拥挤交易还在散；周一美股盘中反弹确认的是高弹性资产还有交易资金愿意做回补。三者之间有关联，但不是同一条因果线。

A 股还在拆拥挤

A 股这两天的主因，我会分三层看。

第一层是盘面事实：跌幅最大、对指数拖累最大的，不是低位冷门资产，而是半导体、存储、光模块、算力硬件、科创权重这些前期反复被资金抱团的方向。创业板和科创 50 连续明显弱于沪指，本身就说明杀的是成长权重和科技 Beta。

第二层是交易结构。21 世纪经济报道在 6 月 5 日盘后采访里，有基金经理把“多家券商下调半导体、AI 行业龙头公司融资折算率”列为重要导火索。这个说法我只把它当市场解释之一，不把它写成官方结论。但它解释了为什么高位股会越跌越急：当一条交易太拥挤，任何影响杠杆、保证金、折算率和融资容量的变量，都会比平时更容易被放大。

第三层是风格切换。6 月 8 日不是只有科技股跌，近 4600 股收跌说明风险偏好已经往外扩散；但银行、油气、煤炭、北证 50 还能逆着走，又说明资金并没有把所有风险资产一起抛掉。它更像从高位科技抱团里撤出来，一部分去防守，一部分去小盘和其他题材找弹性。

所以这次 A 股下跌，这次 A 股下跌，是一次高位科技股的集中去拥挤，而不是一次宏观意义上的全面风险出清。这个差别很重要。前者意味着板块里会分化，后者才意味着所有风险资产都要按系统性危机处理。6 月 8 日增加的信息是：去拥挤还没结束，而且已经从“周五单日冲击”变成了“下一个交易日继续确认”。

美股盘中反弹不是出清完成

美股周五的压力更像两个按钮同时被按下。

一个是利率。BLS 的非农数据本身不差，但对高估值科技股来说，太强的就业数据会让市场担心美联储更难转向宽松。AI 股票尤其怕这个，因为很多估值来自未来很多年的收入和利润。折现率往上一点，远期故事就会被砍一截。

另一个是预期。Broadcom 官方财报并不是差公司式的暴雷。它公布的 2026 财年二季度 AI 半导体收入为 108 亿美元，同比增长 143%，三季度总收入指引约 294 亿美元。问题在于，AI 芯片股前面涨得太充分，市场要的不是“好”，而是“比已经很高的想象还要更好”。当财报不能继续抬高那条想象曲线，资金就会先卖再说。

6 月 8 日盘中反弹，不能把这两点抹掉。SOXX、Marvell、Micron、AMD 这类资产弹得越快，越说明它们仍然是高波动交易核心。短线资金会在暴跌后抢反弹，但真正决定这轮回撤有没有结束的，不是午盘涨幅，而是收盘能不能守住、成交是否从恐慌换手转成稳定买盘，以及利率预期有没有继续压估值。

这就是 AI 股票最别扭的地方：产业趋势仍然强，股票却可以跌得很狠；股票跌得很狠以后，也可以反弹得很快。因为股票交易的不是“AI 有没有未来”，而是“现在这个价格里已经提前买进了多少未来”，以及“场内还有多少人用同一个理由、同一个杠杆、同一个时间窗口在买”。

把 6 月 5 日、6 月 8 日 A 股和 6 月 8 日美股盘中放在一起，真正要看的不是方向口号，而是这几条变量：

变量	6 月 5 日	6 月 8 日 A 股	6 月 8 日美股盘中	对 AI 股票的含义
拥挤交易	A 股半导体、光通信、算力硬件承压，美股芯片股拖累纳指	CPO、半导体芯片继续领跌，科创 50 跌 4.30%	SOXX 和芯片股明显反弹	拥挤不会一天散完，反抽也不等于换手完成
利率和资金成本	强非农推高收益率预期，融资折算率被市场讨论	成长权重继续弱于沪指，防守方向相对更强	大盘和科技股反弹，但仍是盘中口径	高估值资产仍要看利率和杠杆约束
业绩兑现压力	Broadcom 好业绩仍压不住预期落差	A 股映射链条继续被追问利润和现金流	高弹性硬件股先反弹	市场还没有放弃 AI，但正在重新挑公司

后面看三条线

接下来我不会用“抄底 AI”或者“远离 AI”这种二选一判断。AI 仍然是未来几年资本开支和产业升级里最强的主线之一，但经过 6 月 5 日和 6 月 8 日这种回撤，市场会更挑剔。

第一条线，看拥挤度有没有真正散。A 股要看半导体、光模块、算力硬件里高成交额个股是否继续放量杀跌，还是开始缩量企稳；也要看银行、油气、煤炭、小盘题材的强势，是短暂避险，还是资金在持续降低科技仓位。美股要看纳指、SOXX 和 AI 芯片股收盘后是否还能维持盘中反弹，而不是只看午间报价。

第二条线，看 AI 投资的现金流承接。硬件链里，最有价值的不是“名字里有 AI”，而是订单能不能变收入，收入能不能变毛利，毛利能不能变自由现金流。A 股很多映射公司更需要看客户集中度、交付节奏、扩产资本开支和应收账款；美股则要看云厂商资本开支有没有放缓，Nvidia、Broadcom、AMD、存储和光通信链条的指引有没有继续上修。

第三条线，看估值对利率是否还敏感。如果美国就业和通胀数据继续让降息预期后移，高估值 AI 股票会反复受到折现率压制。这个压力不一定改变产业趋势，但会改变股票节奏：原来市场愿意为 2028 年利润付钱，现在可能只愿意为 2026 年和 2027 年能看见的订单付钱。

这也决定了后面看 AI 股票时，我会把它们拆成三类，而不是放在一个篮子里。

一类是真正有定价权、有现金流、有客户锁定的基础设施公司。它们也会跌，但跌完以后市场更容易重新算账。

一类是靠产业链映射和订单预期支撑的高弹性公司。它们涨起来快，回撤也会更大，尤其怕融资约束、业绩不及预期和客户砍单传闻。

还有一类是只靠概念扩散的公司。牛市里它们看起来最轻，调整时也最难找到基本面支点。6 月 5 日和 6 月 8 日以后，这一类需要更高的风险折价，因为市场已经开始从“叙事宽容”切到“兑现审问”。

我的结论很有限：这次回撤不是 AI 产业趋势的终点，但它大概率是 AI 股票定价方式的一次提醒。以后再看 AI，不能只问“是不是 AI”，要问这家公司在 AI 资本开支里到底收哪一段钱，毛利率能不能守住，现金流什么时候回来，以及当前估值是不是已经把后面两三年的好消息都预支了。

如果这些问题回答不上来，跌下来也不一定便宜；如果这些问题回答得上来，大跌反而只是把跟风资金洗出去。现在更难的地方在于，美股盘中反弹会给人一种“已经没事”的错觉，而 A 股 6 月 8 日的收盘又在提醒，拥挤交易真正散开通常没有那么体面。

本文只做市场复盘和个人观察，不构成任何投资建议。单日和盘中行情的数据口径会因交易所、行情软件和媒体统计方式略有差异，尤其美股 6 月 8 日数据在正文写作时还不是收盘口径，具体交易决策仍应以自己的账户约束、风险承受能力和正式披露信息为准。

参考资料

证券时报：《收评：创业板指跌超3%，半导体板块走低，CPO概念等回落》
新浪财经：《A股三大指数集体收跌：创业板指跌超3% 半导体、存储芯片回调》
每日经济新闻：《A股四大指数全线走低，近4600股收跌，CPO、半导体芯片领跌，科创50跌4.3%》
证券时报：《收评：创业板指跌3.69%，半导体、有色等板块下挫，银行板块逆市拉升》
21 世纪经济报道：《高位科技股放量下跌，下周怎么走？》
U.S. Bureau of Labor Statistics：《The Employment Situation - May 2026》
AP News：《How major US stock indexes fared Friday 6/5/2026》
Axios：《Chips sector bloodbath drags Nasdaq down 4.2%》
Reuters 转引 Investing.com：《Chip selloff erases over $1 trillion in stock market value》
Broadcom Inc.：《Announces Second Quarter Fiscal Year 2026 Financial Results and Quarterly Dividend》
Yahoo Finance：6 月 8 日美股盘中行情页（QQQ、SPY、DIA、SOXX、NVDA、AVGO、AMD、MRVL、MU、TSM）

写作附记

原始提示词

$blog-writer 上周五，国内A股大跌了一波，分析主要的下跌原因，周五晚上，美股也暴跌了一波，后期如何看待 AI 相关的股票

本次更新提示词

今天已经是六月九号，基于六月八号A股的行情数据，还有美股当前的涨跌幅情况（还没收市），更新下文章 07-AI-股票回撤后-先看拥挤交易怎么散

写作思路摘要

这次更新保留了原文的主判断：A 股和美股不能硬串成一条因果线，但都暴露了 AI 交易拥挤、利率敏感和业绩兑现压力。新增的 6 月 8 日 A 股数据，把“周五单日回撤”改成了“下一个交易日继续去拥挤”；新增的美股盘中行情，则提醒读者不要把芯片股午间反弹提前写成出清完成。

我压掉了逐只 A 股个股涨跌和盘中交易建议，因为这类内容会把复盘写成短线指令。正文只保留能支撑判断的指数、板块、成交和美股盘中涨跌幅，并在相关段落里反复标注美股尚未收盘这个边界。

Codex goal 把完成标准交给任务本身

Wed, 27 May 2026 20:11:41 +0800

/goal 最容易被误解成一条“让 agent 多干一会儿”的命令。

这当然是它的表象。你给 Codex 一个目标，它可以围着这个目标持续推进，不是一轮回答完就停。但真正值得注意的不是“跑得久”，而是它把“做到什么算完”从一句临时提醒，变成了任务本身的一部分。

普通 prompt 说的是下一步要做什么。goal 更像给 agent 挂了一张验收单：目标是什么，边界在哪里，哪些验证必须通过，满足什么条件才可以收工。

goal 不是继续按钮

如果只看命令形态，/goal 很像一句增强版的“继续做，直到完成”。但这会把重点带偏。

长任务最麻烦的地方，不是模型愿不愿意继续，而是每一轮结束以后，谁来判断还要不要继续。

你让 agent 迁移一个前端项目，它可能改了路由就觉得完成了；你让它修一个测试，它可能让当前失败用例通过就停了；你让它重写一批文章，它可能改了几篇高风险稿就认为已经处理了重点。

这些停点不一定是错的，但它们经常和人的验收口径不一样。

goal 要解决的就是这件事：把验收口径提前写清楚，让后续每一轮都能围着它判断。

一个松散目标是这样的：

/goal 帮我把前端迁到 Next.js

它的问题不是短，而是没有停机条件。Codex 可以迁几页，可以顺手重构组件，也可以一直补它认为该补的东西。

更可用的写法应该接近这样：

/goal 把订单后台从 React Router 迁到 Next.js App Router。
登录页、订单列表、订单详情和下单页的视觉行为要和旧版一致。
不要改 API 合约和数据库 schema。
每完成一批页面都跑 npm run build、npm test 和 Playwright 关键路径。
只有这些验证都通过，才算完成。

这段话多出来的不是废话，而是四个控制面：

要素	作用
目标	最终要出现什么结果
边界	哪些接口、数据、文件或行为不能顺手动
验证	用什么证据证明它真的完成
停机	满足哪些条件以后才可以停

goal 抬高的就是这四件事。

为什么它能跑很久

Codex 能在 goal 下持续推进，不是因为一次回答被拉长了。

真正的工作方式更接近一个循环：计划、执行、观察工具结果、修正，再决定是否继续。构建失败、测试失败、截图不一致、lint 报错、评估样本没过，都会把任务拉回下一轮。

如果目标里写了验证方式，agent 就不只是凭感觉说“应该好了”。它需要拿到证据。证据没有回来，就继续查；证据失败，就继续修；证据都通过，才有资格收工。

这就是为什么 goal 适合迁移、重构、批量改稿、prompt eval、长链路排障这类任务。它们共同的特点是：一轮做不完，而且完成不能只靠主观判断。

反过来，这样的目标就很危险：

/goal 想一个更高级的产品方案

它没有边界、没有验证，也没有停机条件。agent 可能跑很久，但跑久不等于有用。至少要写清楚产出几套方案、覆盖哪些约束、用什么标准筛掉、什么时候停。

Claude Code 也在处理同一件事

Claude Code 也有 /goal，官方文档的说法更直白：用户设置 completion condition，Claude 会跨 turn 持续工作，直到条件满足。

Claude Code 文档还提到，每一轮结束后会检查完成条件是否成立；如果不成立，就继续下一轮。这一点很关键，因为它把“继续”从模型自己的主观收尾里拿出来，变成一个额外的条件判断。

两家的具体实现细节不必强行等同，但方向是一致的：终端 agent 开始从“执行下一条指令”，走向“围绕可验证目标持续推进”。

可以简单分一下：

能力	更像在解决什么问题	适合场景
`/goal`	明确完成条件，跨轮推进到可验证结果	迁移、重构、批量修复、长任务
`/loop` 或循环类能力	让同一任务按次数或条件反复执行	重试、生成候选、批量探索
hooks	在固定事件上自动执行规则	格式化、测试、通知、日志
子代理/多代理视图	把任务拆给不同工作线程观察和推进	并行分析、分模块实现、长期后台任务
记忆/项目说明文件	固化长期约束和仓库规则	团队规范、代码风格、工具入口

这张表里，goal 的位置很清楚：它不是替代 hooks，也不是替代记忆。它管的是“这次任务做到什么程度算完成”。

好 goal 要写得像验收条件

我现在会把一个 goal 写成四行：

目标：最终要出现什么用户可见结果。
边界：哪些文件、接口、数据、视觉或行为不能乱动。
验证：用哪些命令、测试、截图、评测或人工检查作为证据。
停机：全部满足时停止；遇到哪些权限、事实、产品判断时暂停。

这和普通 prompt 的区别很大。

普通 prompt 更像下一步动作，goal 更像完成口径。它不是让人从流程里消失，而是把人的判断提前放进去。你不再每一轮提醒它“这个不算完成”，而是在一开始就把“什么算完成”写成后续必须服从的条件。

所以，越想让 agent 自己跑，越要把目标写窄。

越想少盯过程，越要把验证写实。

越不想它跑偏，越要把边界写清楚。

这才是 goal 真正值得关注的地方。不是多一条命令，不是可以跑多久，而是终端 agent 开始把“谁来判断做完”这件事抬到台面上。

参考资料

写作附记

原始提示词

$blog-writer 详解 codex 新出的 goal 命令，工作原理是什么，为什么持续工作很长的时间，官方提供的案例是什么。claude code 有没有类似的命名，顺带整理近期两家终端新出的，好用的、受欢迎的功能，整理为表格。

写作思路摘要

保留原文主判断：goal 的核心不是命令名，而是完成条件。
补回原始提示词里要求的 Claude Code 对比和终端功能表格。
压掉“官方文档复述”，把重点放在如何写一个可用的 goal。

A 股半导体再冲高：产业逻辑和拥挤交易

Mon, 25 May 2026 22:00:21 +0800

A 股半导体和 AI 硬件链猛冲时，最容易出现两种极端：一种觉得踏空比亏钱还难受，另一种觉得涨多了就一定是泡沫。

这两种都太快。半导体、算力、光模块、存储这些方向，产业逻辑可能是真的。AI 训练和推理确实会拉动硬件需求，国产替代也确实给本土公司提供了叙事和订单空间。问题在于，产业逻辑成立，不等于现在追进去的赔率还好。

历史上类似行情反复出现过：白酒、新能源、医药、核心资产抱团、TMT，每一次都有真逻辑。它们崩掉时也不一定是逻辑消失，而是估值、仓位、业绩兑现和流动性之间的节奏错了。

先看这轮到底涨了多少

先把对象说清楚。现在 A 股里最强的“AI 相关公司”，并不是 2023 年那波泛传媒概念，而是更硬的三段链条：

半导体制造和设备代理。
自主 CPU / GPU / AI 芯片。
光模块、光器件和算力基础设施。

下表的涨幅统一用 Yahoo Finance 前复权日线，截止到 2026-05-25 收盘：

代理或公司	代码	区间	区间涨幅
半导体 ETF 代理	`159995.SZ`	`2026-04-07` 到 `2026-05-25`	`66.1%`
AI ETF 代理	`515070.SS`	`2026-04-07` 到 `2026-05-25`	`40.5%`
中芯国际	`688981.SS`	`2026-04-07` 到 `2026-05-25`	`63.1%`
海光信息	`688041.SS`	`2026-04-07` 到 `2026-05-25`	`51.5%`
寒武纪	`688256.SS`	`2026-04-07` 到 `2026-05-25`	`87.5%`
中际旭创	`300308.SZ`	`2026-04-07` 到 `2026-05-25`	`76.6%`
新易盛	`300502.SZ`	`2026-04-07` 到 `2026-05-25`	`43.7%`

如果只看一个月多一点的斜率，这已经不是“慢牛式修复”，而是很典型的情绪和基本面共振主升。问题不在于它是不是涨得有道理，而在于这段道理已经被股价预支了多少。

不只 AI，很多“真逻辑”后来都摔过

先说结论：类似行情以前不但出现过，而且不只发生在 AI、半导体、TMT 这些科技板块。更常见的情况是，逻辑还在，景气也没立刻死，但最陡的一段股价已经提前把未来几季甚至几年的乐观预期吃掉了。

行情阶段	板块主线	代理或代表股	主升段	持续时间	主升段涨幅	后续怎么塌	后续回撤
`2014-05-16` 到 `2015-06-03`	创业板 / TMT / 互联网金融	创业板 ETF `159915.SZ`；东方财富、同花顺	流动性宽松、杠杆资金、题材共振	`383` 天	`+215.3%`	`2015-06-04` 后融资盘和估值一起反噬，先快杀再连锁去杠杆	到 `2015-09-15` 代理回撤 `-56.9%`；东方财富回撤 `-70.7%`；同花顺回撤 `-74.3%`
`2019-05-06` 到 `2021-02-10`	白酒	酒 ETF `512690.SS`；贵州茅台、五粮液、泸州老窖	消费升级、渠道提价、机构抱团	`646` 天	`+235.5%`	估值太满以后，消费增速、渠道库存和资金偏好一起转弱，跌法很慢，但时间很长	到 `2026-05-22` 代理回撤 `-60.4%`；截至 `2026-05-25`，五粮液较高点约 `-71.5%`，泸州老窖约 `-66.0%`
`2019-01-03` 到 `2021-02-10`	医药 / 医疗服务	医药 ETF `512010.SS`；恒瑞医药、爱尔眼科、迈瑞医疗、药明康德	创新药、消费医疗、CXO、疫情后医药景气	`769` 天	`+186.4%`	集采、医保控费、CXO 景气反转和估值压缩叠加，很多票不是一年跌完，而是三年磨掉	到 `2024-09-23` 代理回撤 `-65.5%`；截至 `2026-05-25`，爱尔眼科较高点约 `-76.9%`，迈瑞医疗约 `-66.1%`
`2020-03-23` 到 `2021-11-29`	新能源 / 光伏 / 电动车	新能源车 ETF `515030.SS`；隆基绿能、宁德时代、阳光电源、比亚迪	碳中和、渗透率提升、全球产能扩张	`616` 天	`+273.9%`	产业还在增长，但供给扩张更快，价格战、产能过剩和盈利下行把估值打回去	到 `2024-08-23` 代理回撤 `-67.0%`；隆基绿能较 `2021` 高点到 `2026-05-25` 仍约 `-78.6%`
`2019-01-02` 到 `2021-02-10`	核心资产 / 白马抱团	沪深 300 ETF `510300.SS`；贵州茅台、招商银行、美的集团、海天味业	外资流入、ROE 审美、确定性溢价	`770` 天	`+101.9%`	指数后来修复不少，但抱团股内部分化，很多“确定性”最后变成估值折价	到 `2024-02-02` 代理回撤 `-42.2%`；截至 `2026-05-25`，海天味业较高点约 `-68.6%`，茅台约 `-43.6%`
`2020-03-31` 到 `2021-07-30`	半导体国产替代	半导体 ETF `159995.SZ`；北方华创、兆易创新	国产替代、缺芯周期、机构抱团	`486` 天	`+104.2%`	景气没立刻死，但库存、利率和估值一起压缩，跌法更像慢杀	到 `2022-04-26` 代理回撤 `-46.8%`；北方华创回撤 `-47.9%`；兆易创新回撤 `-49.6%`
`2023-01-03` 到 `2023-06-20`	AI / CPO / 光模块	AI ETF `515070.SS`；中际旭创、新易盛、天孚通信	ChatGPT 出圈、海外算力扩张、800G 订单预期	`168` 天	`+48.7%`	第一波预期走太快，风格切换后先回吐估值，等下一轮业绩确认	到 `2023-10-24` 代理回撤 `-31.5%`；中际旭创回撤 `-48.4%`；新易盛回撤 `-60.8%`
`2026-04-03` 到 `2026-05-25`	半导体 + 自主算力 + 光模块	半导体 ETF `159995.SZ`；寒武纪、中芯国际、海光信息、中际旭创	财报兑现、国产替代、自主算力想象力、海外链条景气延续	`52` 天	`+68.4%`	还没开始验证下一段；当前最大风险不是逻辑证伪，而是斜率过陡后的回撤和换手	暂无后验结果

把这个表扩开以后，问题会更清楚。这不是“科技股容易泡沫化”，而是 A 股每隔几年就会把一个真逻辑交易成拥挤共识。

白酒当年不是假逻辑，龙头现金流和品牌壁垒都是真的，但 50 倍、60 倍估值买消费确定性，后来照样要还。
新能源也不是假逻辑，渗透率继续提升，只是供给扩张、价格战和盈利下行一起出现时，股价不会等长期叙事慢慢兑现。
医药和医疗服务更典型，很多公司业务还在，但政策变量和估值变量同时转向，回撤可以拖很久。
白马抱团最容易误导人，因为它们往往是好公司。问题在于，好公司一旦被买成“不会出错”的资产，后面只要增速从完美变成正常，估值就会先塌。

所以，今天的半导体和 AI 硬件链当然有真东西。可白酒、新能源、医药、白马抱团也都曾经有真东西。后来的一地鸡毛，不是因为当初所有逻辑都是骗局，而是因为价格把“未来会好”交易成了“未来必须完美”。

现在这批公司，业绩有没有接住股价

真正该看的，不是“半导体有没有未来”，而是“利润的增速，能不能追上最近六七周的股价斜率”。我把最有代表性的几家公司拆开看：

公司	所属链条	2025 年营收 / 同比	2025 年归母净利 / 同比	2026Q1 营收 / 同比	2026Q1 归母净利 / 同比	`2026-04-07` 到 `2026-05-25` 股价涨幅	我更在意什么
中芯国际	晶圆制造	`673.23` 亿元，`+16.49%`	`50.41` 亿元，`+36.29%`	`176.17` 亿元，`+8.1%`	`13.61` 亿元，`+0.4%`	`63.1%`	股价斜率显著快于当季利润增速，更像提前交易国产替代和资本开支周期
海光信息	CPU / DCU / 自主算力	`143.77` 亿元，`+56.92%`	`25.45` 亿元，`+31.79%`	`40.34` 亿元，`+68.06%`	`6.87` 亿元，`+35.82%`	`51.5%`	收入很强，但利润增速仍明显低于收入，说明估值扩张还在吃未来
寒武纪	AI 芯片 / 加速卡	`64.97` 亿元，`+453.21%`	`20.59` 亿元，扭亏	`28.85` 亿元，`+159.56%`	`10.13` 亿元，`+185.04%`	`87.5%`	这是“业绩和想象力都最猛”的一类，但也是最容易把未来一两季预支得最满的一类
中际旭创	800G / 1.6T 光模块	`382.40` 亿元，`+60.25%`	`107.97` 亿元，`+108.78%`	`194.96` 亿元，`+192.12%`	`57.35` 亿元，`+262.28%`	`76.6%`	业绩兑现最扎实，但这类票的问题从来不是“有没有业绩”，而是“多大的业绩已经被算进去了”
新易盛	高速光模块	`248.42` 亿元，`+187.29%`	`95.32` 亿元，`+235.89%`	`83.38` 亿元，`+105.76%`	`27.80` 亿元，`+76.80%`	`43.7%`	和中际旭创一样，业绩是真的，但高基数之后市场会更盯边际变化而不是绝对值

这张表里有两个重要信号。

第一，不是所有大涨都在空转。尤其是中际旭创、新易盛、寒武纪，这一轮不是纯概念接力，利润和订单确实在兑现。也正因为如此，很多人会天然放松对回撤的警惕，觉得“有业绩就不会深调”。

第二，业绩兑现不等于买点安全。中芯国际和海光信息已经很能说明问题了，产业逻辑完全站得住，但短期股价弹性已经明显快于最新一季利润增速。市场不是只看现在这张报表，它看的是你敢不敢把明后年的份额、ASP、资本开支和国产替代空间也一起打满。

这也是为什么同样是“真景气”，有的人能赚趋势的钱，有的人却会在回撤里被洗出去。买错的不是方向，买错的是节奏。

现在加仓半导体，问题不在对错，在位置

如果一定要把答案压成一句话，我的判断是：

现在去加仓半导体，不是方向错，而是赔率已经没有四月初那么友好了；对新钱尤其如此，这更像高位追斜率，而不是低风险布局。

我会把现在的半导体和 AI 硬件链分成三类看：

组别	代表对象	现在最硬的支撑	现在最大的风险
已有业绩、还能继续放量	中际旭创、新易盛	海外算力资本开支、800G / 1.6T 放量、利润兑现	预期太满，哪怕财报继续增长，也可能因为边际不再超预期而回撤
产业方向很硬、利润追得没股价快	中芯国际、海光信息	国产替代、自主算力、产业安全	估值先跑，后面更容易进入横盘或回撤消化期
业绩最猛、波动也最大	寒武纪	订单和利润同时爆发，弹性最大	一旦市场从“看增速”切到“看持续性”，回撤往往也最猛

所以如果你问的是“半导体还行不行”，答案大概率是还行。

如果你问的是“2026-05-25 这种位置去加仓，会不会高位接盘”，那答案就不该再用产业趋势回答，而该用仓位和回撤回答：

低位已有仓位的人，主要问题不是追不追，而是要不要把仓位斜率降下来。
高位空仓想追的人，买到的更多是过去六七周已经走出来的情绪和预期。
真想上车的人，更合理的前提通常不是一根大阳线，而是一段像样整理，或者下一份财报把预期再往前推一截。

历史上最像现在的，不只是一段 2021 半导体或 2023 AI/CPO。白酒、新能源、医药和白马抱团也都在提醒同一件事：行情最危险的时候，往往不是逻辑最假的时候，而是逻辑最顺、所有人都能讲通的时候。

我不觉得这轮半导体已经结束，也不觉得它只是纯泡沫。可如果你把“产业没问题”直接翻译成“今天追进去也没问题”，那就很容易重演老剧情：逻辑是真的，回撤也是真的。最后让人难受的不是判断方向错了，而是多年后回头看，发现自己买到的不是产业趋势，是那一轮共识最贵的尾巴。

参考资料

Yahoo Finance，159995.SZ 历史行情：https://finance.yahoo.com/quote/159995.SZ/history
Yahoo Finance，515070.SS 历史行情：https://finance.yahoo.com/quote/515070.SS/history
Yahoo Finance，512690.SS 历史行情：https://finance.yahoo.com/quote/512690.SS/history
Yahoo Finance，515030.SS 历史行情：https://finance.yahoo.com/quote/515030.SS/history
Yahoo Finance，512010.SS 历史行情：https://finance.yahoo.com/quote/512010.SS/history
Yahoo Finance，510300.SS 历史行情：https://finance.yahoo.com/quote/510300.SS/history
Yahoo Finance，600519.SS 历史行情：https://finance.yahoo.com/quote/600519.SS/history
Yahoo Finance，000858.SZ 历史行情：https://finance.yahoo.com/quote/000858.SZ/history
Yahoo Finance，601012.SS 历史行情：https://finance.yahoo.com/quote/601012.SS/history
Yahoo Finance，300015.SZ 历史行情：https://finance.yahoo.com/quote/300015.SZ/history
Yahoo Finance，603288.SS 历史行情：https://finance.yahoo.com/quote/603288.SS/history
Yahoo Finance，688981.SS 历史行情：https://finance.yahoo.com/quote/688981.SS/history
Yahoo Finance，688041.SS 历史行情：https://finance.yahoo.com/quote/688041.SS/history
Yahoo Finance，688256.SS 历史行情：https://finance.yahoo.com/quote/688256.SS/history
Yahoo Finance，300308.SZ 历史行情：https://finance.yahoo.com/quote/300308.SZ/history
Yahoo Finance，300502.SZ 历史行情：https://finance.yahoo.com/quote/300502.SZ/history
中芯国际财务摘要页：https://www.smics.com/site/company_financialSummary?year=2026
中芯国际 2026Q1 季度报告：https://www.smics.com/uploads/6a057b28/ER_SC.pdf
中芯国际 2025 年报：https://www.smics.com/uploads/AR_SC.pdf
海光信息 2026Q1 报告镜像：https://file.finance.sina.com.cn/211.154.219.97%3A9494/MRGG/CNSESH_STOCK/2026/2026-4/2026-04-08/12066607.PDF
海光信息 2025 年报镜像：https://file.finance.sina.com.cn/211.154.219.97%3A9494/MRGG/CNSESH_STOCK/2026/2026-4/2026-04-08/12066605.PDF
寒武纪 2026Q1 报告：https://static.cninfo.com.cn/finalpage/2026-04-19/1225128772.PDF
寒武纪 2025 年报：https://static.cninfo.com.cn/finalpage/2026-03-28/1224915883.PDF
中际旭创一季报与年报摘要：https://finance.sina.com.cn/jjxw/2026-04-16/doc-inhutfxw7005368.shtml
新易盛 2026Q1 报告：https://static.cninfo.com.cn/finalpage/2026-04-24/1225172606.PDF
新易盛年报与一季报摘要：https://www.nbd.com.cn/articles/2026-04-24/4356799.html

写作附记

原始提示词

$blog-writer 近期A股暴涨的模块，半导体，AI 相关的公司，以前是不是也出现过类似的行情，什么时候出现的，什么板块，相关股票是什么，持续了多长时间，怎么崩塌的，现在加仓半导体合理吗，是不是高位接盘，分析相关的公司数据。所有的数据梳理，整理为表格，方便阅读。

这篇从上面的原始提示词出发，按第一次写稿的方式确定主线、材料密度和结构。date 字段沿用原发布时间，其他内容只服务当前文章承诺。

美债 4.5%：一串现金流怎么拆

Mon, 25 May 2026 11:20:00 +0800

新手看美债，最容易被一个数字带偏：页面上写着收益率 4.5%，是不是我现在买入、一直不卖，每年账户就会多 4.5%？

不是。

你真正拿到的是一串现金流：买入时付出的价格，持有期间收到的票息，最后到期拿回的本金。所谓收益率，是把这串未来现金流按今天买入价格折算成的年化口径。它不是另一笔会固定打到你账户里的钱。

先分清买的是哪类美债

美国财政部把市场化美债分成几类，回钱方式不一样。

Treasury Bills 是一年以内的短债，通常折价发行，到期按面值兑付，中间没有传统的半年票息。

Treasury Notes 是 2 年到 10 年的附息债，票息率在发行时定下来，每六个月付息一次，到期还本。

Treasury Bonds 期限更长，也是每六个月付息，到期还本。

所以看到 4.5%，第一步不是问“什么时候发这 4.5%”，而是先问：我买的是 Bills，还是 Notes/Bonds？

Bills 的收益主要来自折价买入和到期兑付之间的差额。Notes/Bonds 才有固定票息和到期本金这条现金流。

票息率、价格和到期收益率不是一回事

普通固定利率美债里，最容易混的有三个词：

字段	它在说什么	会不会变
Coupon / 票息率	按面值每年付多少票息	发行后通常固定
Price / 价格	今天买这张债要花多少钱	会随市场变化
Yield to Maturity / 到期收益率	按当前价格买入并持有到期，对应的年化回报口径	会随价格变化

票息率决定每次发多少钱。

价格决定你是折价买、平价买，还是溢价买。

到期收益率把未来票息和到期本金一起折回来，告诉你“按今天价格买入并拿到期，大致对应多少年化回报”。

所以页面写 4.5%，很多时候说的是到期收益率，不是每年固定打款比例。

用一张 10 年期 Note 算一遍

美国财政部 2026-05-12 的 10 年期国债拍卖结果可以拿来做样本。

这次拍卖结果里几个关键数字是：

Interest Rate：4-3/8%，也就是 4.375%
High Yield：4.468%
Price：99.256552
Issue Date：2026-05-15
Maturity Date：2036-05-15

先看票息。

如果面值按 $1,000 算，半年票息是：

\[ 1000 \times 4.375\% \div 2 = 21.875\text{ 美元} \]

也就是说，这张债每半年大约发 $21.875 的票息。它不是按 4.468% 每年给你打钱。

再看价格。

Price = 99.256552 的意思，是按面值的 99.256552% 成交。面值 $1,000 的债，买入价格约为：

\[ 1000 \times 99.256552\% \approx 992.57\text{ 美元} \]

你花大约 $992.57，买到一张到期会还 $1,000、中间每半年发 $21.875 的债。

到期收益率 4.468% 就是把这些现金流折回今天以后得到的年化口径。公式可以写成：

\[ P=\sum_{t=1}^{20}\frac{21.875}{(1+4.468\%/2)^t}+\frac{1000}{(1+4.468\%/2)^{20}} \]

这里 20 是 10 年里 20 个半年期。公式算出来的价格大致会落在 $992.57 附近。

所以 4.468% 的意义不是“每年给你发 4.468%”。它的意义是：按这个价格买入并持有到期，这串票息和本金对应的年化收益率大约是 4.468%。

一直不卖，账户里会发生什么

如果你持有到 2036-05-15，不提前卖，也先不考虑税费、汇率、券商费用和再投资，那现金流很直观：

到账内容	金额	说明
半年票息	`$21.875`	每 6 个月一次
10 年总票息	`$437.50`	一共 20 次
到期本金	`$1,000`	到期还本

名义上，你会陆续收到：

\[ 21.875 \times 20 + 1000 = 1437.50\text{ 美元} \]

但这不是说你把 $992.57 放进去，十年后一次性变成 $1437.50。

票息是分 20 次慢慢回来的。你收到票息以后，是放在现金里，还是再投资到新的债券、货币基金或别的资产，会影响最终结果。再投资时的利率，不是今天这张债能完全锁住的。

所以“买入并一直不卖，能不能锁住 4.5%”这句话要加边界：

你锁住的是买入时这张债“持有到期”的到期收益率口径，不是锁住了每年账户自动到账 4.5%，也不是锁住了票息再投资收益。

Bills 的玩法又不一样

如果买的是 Treasury Bills，现金流更简单。

Bills 通常没有半年票息。它的核心是折价买入，到期按面值兑付。美国财政部解释 Bills 定价时，也会把折扣率、期限和面值放在一起算价格。

比如你用低于 $1,000 的价格买入，到期拿回 $1,000，中间差额就是主要收益来源。

所以 Bills 问“什么时候发利息”，很多时候答案就是：中间不发，到期一起体现在面值兑付里。

还有应计利息这层账

如果你买的是新发行的债，拍卖结果里可能没有应计利息。上面那张 10 年期 Note 就写着 Accrued Interest per $1,000 = None。

但如果你在二级市场买一张已经走过半个付息周期的旧债，成交单里可能会多出应计利息。

这不是券商多收你钱，而是你把上一位持有人已经持有出来、但还没正式发放的那段利息先垫上。下一次正式付息时，你会收到完整一期票息。

第一次看美债成交单觉得“为什么扣款比价格算出来多一点”，很多时候就是应计利息在里面。

新手最该记住的版本

把这些压成一句话：

美债收益率不是到账比例，而是现金流折算出来的年化口径。

买 Notes/Bonds，要看票息、价格、到期日和到期收益率。买 Bills，要看折价和到期兑付。只看一个 4.5%，既不知道什么时候收钱，也不知道这笔钱来自票息还是折价。

对新手来说，真正该问的是：

我买的是 Bills，还是 Notes/Bonds？
页面上的 4.5% 是票息率，还是到期收益率？
我准备持有到期，还是中途可能卖？
税费、汇率、券商费用和票息再投资要不要算？

这些问题比单独盯着 4.5% 有用得多。

参考资料

写作附记

原始提示词

美债收益率详解，比如现在市场标价 4.5% 的美债收益率，我现在买入，一直不卖出能有多少收益率，什么时候发放，我是美债小白用户。

写作思路摘要

保留原始问题里的新手误区：把收益率当成每年到账比例。
用 TreasuryDirect 的 10 年期 Note 拍卖结果代入，拆出票息、价格、到期收益率和到期本金。
补充 Bills 和应计利息边界，不展开交易建议、汇率和税务。

非法跨境展业整治（三）：互联网券商估值先重算

Fri, 22 May 2026 20:32:00 +0800

对平台来说，非法跨境展业整治最伤的不是一两天股价，而是过去那套增长模型可能要重估。罚款是一笔账，境内存量客户还能不能继续贡献交易、融资、资产和转化，是另一笔更长的账。

富途、老虎这类互联网券商最强的地方，是把港美股交易做成低摩擦产品。问题在于，这套体验一旦面对境内用户，就会碰到牌照、外汇、投资者适当性、数据和跨境金融服务边界。

所以第三篇只看商业模式和机构分层。跨境券商的产品能力仍然强，但如果监管边界把最大、最顺手的一批用户重新圈住，它的估值就不能再按旧增长故事讲。

互联网券商是最完整的样本

从监管视角看，富途、老虎、长桥有一个共同点：线上链路完整，业务形态标准化，获客和交易都高度数字化。这种模式的好处是增长快，坏处是留下的合规痕迹也更完整。

如果把一条非法跨境展业链路拆开，大概就是：

内容和广告触达境内用户
引导下载 app 或访问开户页面
远程完成开户注册
境外账户承接交易
资金进出形成配套通路
客服、社区、投教内容持续维护粘性

互联网券商几乎把这六步都做成了标准产品。对监管来说，这种对象最容易定性，最容易取证，也最容易形成示范效应。

所以先点名互联网券商，这不是“只有它们有问题”；正确的理解是，它们最像一条可以被监管完整拆解的样本链路。

没被点名，不等于在安全区

这一点，2023 年 2 月 15 日的证监会答记者问已经说得很直白：按照同一类业务实施统一监管的原则，证监会当时已经“部署开展了境内证券公司境外子公司非法跨境展业的规范整改工作”。

这句话很关键。它至少说明三件事。

第一，监管逻辑从来不是“互联网券商一套口径，中资券商另一套口径”。第二，2022 年底启动的并不只是富途、老虎的个案，而是一个更大的统一整改框架。第三，公开曝光度不同，不等于监管要求不同。

所以我不认同“只有这三家要倒霉，其他都能蒙混过关”这种看法。但我也不赞同一句“大家都不干净”直接打死。这个判断太粗，也不利于区分真正的风险暴露。

贴近现实的说法是：不同机构的风险暴露方式不同，整改压力也会分层。

分层看，比一棍子打死更有用

如果只从公开口径和业务形态出发，大致可以分成三层。

分层	典型特征	压力大小
高风险暴露	明确面向内地散户做线上招揽、开户、交易、社区运营、内容投放	最大
中等风险暴露	主要服务存量客户，公开获客动作弱一些，但历史业务链条仍在	次高
低风险或合规通道	通过港股通、QDII、跨境理财通等持牌、持证、持额度通道服务	相对可控

第三层很容易被混淆。很多人把“还能投港美股”的合法通道，和“未持境内牌照的境外机构直接向内地居民展业”混成一件事。实际上，这正是这轮整治要切开的边界。

合法跨境投资通道并没有被整体否定。被整治的是绕开境内牌照、绕开准入、绕开资金和业务边界的那部分链路。

后续更值得盯执行细节

如果继续沿着公开政策往下推，我更倾向于看到下面几类动作陆续出现。

第一类，券商自己做区域隔离。比如开户页面、开户链接、投放渠道、客服口径、社区内容、开户链接来源识别，都会更严格区分境内与非境内用户。

第二类，存量账户做交易权限切分。最典型的就是只卖不买，或者把不同市场、不同产品、不同币种的权限分开处理。

第三类，资金通道持续收紧。哪怕券商前端公告还没完全出来，银行、支付、换汇、出入金链路也可能先一步收紧。很多时候，真正先卡住用户体验的不是交易按钮，而是钱进不去。

第四类，资产承接安排逐步清晰。这部分现在公开信息最少，但最值得盯。因为它决定了客户到底只能卖出清仓，还是有机会通过合规结构做迁移承接。

第五类，处罚文书把口径补齐。尤其是“全部违法所得”到底怎么算，追到什么期间，覆盖哪些主体。现在这部分公开口径还不完整，后面正式处罚文书如果出来，才是真正的估值锚点。

它不会只停在三个名字上

我自己的判断是，这次不会停在“公开点名三家”这个层面。

原因很简单。八部门联合方案要整治的是一类活动，不是三家公司的品牌名。只要业务模式仍然落在同一条链路上，后续就算处罚节奏不同、公开披露程度不同、整改强度不同，也不太可能长期游离在框架之外。

真正有差别的，可能是三件事：

历史存量规模有多大
过去两年国际化和去内地依赖做到了什么程度
机构有没有提前做区域隔离和存量压降

所以这件事后面看，不是简单猜“还有谁会被点名”，而是谁的业务结构更能扛住这轮边界重画。

系列收束

三篇连起来看，脉络其实很清楚：

2022 年那次，重点是锁新增。沪股通那次，给了接近一年的明确过渡期。 2026 年 5 月 22 日这次，口径已经升级到存量只卖不买，并且开始把互联网券商当成典型样本公开处理。

如果非要给一个最短判断，我会这么说：

这不是突然翻脸，而是几年前已经开始的监管逻辑，走到了必须把存量业务也纳入处置的阶段。

后面当然还会有执行细则、公司回应、正式处罚文书和资产承接安排。但大方向上，这条灰色跨境零售通道被继续压缩，基本已经没有悬念。真正还要等待的，是压缩到什么速度、什么范围、什么成本。

参考资料

写作附记

原始提示词

港美股交易今天突发新闻，非法跨境展业，老虎证券等机构被严肃查处，富途、老虎盘前跌 40%。先回顾下上次证监会的清查行动，那次是彻底锁住了境内用户开户，但是存量客户没有动，这次是存量客户要禁止交易。去年还是前年，禁止港股券商内地客户，交易沪股通，搜索相关政策，确认下从政策落地到券商执行: 禁止内地用户买入，间隔了多长时间。今天的新闻，说是保留了两年的时间，让用户清仓，但是多久开始执行禁止买入，没有细说，违法所得要追溯多长时间没有细说，即使富途发布了公告，截至2026年一季度末，中国内地有资产客户数占全集团有资产客户总数的比例已降至13%。同时，在集团有效的国际化战略下，海外有资产客户数持续攀升。只有客户数量，少个资产规模和交易量占比，这两个关键。股价还是跌的，并没有回升。牵扯的事件很多，梳理时间线，拆分为系列文章。这次八部门出手！综合整治非法跨境证券期货基金经营活动，点名的是富途、长桥、老虎，典型的互联网券商，其他的券商呢？后续如何处理？中资券商那么多，大家都是不干净的。

这次重写保留了原稿的监管链路、机构分层和后续观察项，但把第三篇的承诺收窄到“平台增长模型怎么被重估”。没有继续展开账户操作细节，避免和第二篇重复。

非法跨境展业整治（二）：两年窗口最容易被误读

Fri, 22 May 2026 20:31:00 +0800

监管新闻出来以后，普通用户最关心的不是券商股价，而是自己的账户还能不能动：能不能买，能不能卖，能不能出金，能不能转仓。“两年集中整治期”这个说法很容易误解。

如果只是限制新增开户，存量用户的体感不会立刻改变；如果进一步限制存量交易，用户会遇到完全不同的问题。最温和的方式可能是只卖不买，最紧的方式则可能要求转仓、出金或关闭某些交易权限。

这一篇只说用户侧。真正需要准备的，不是赌监管会不会放松，而是把“历史上给过多久缓冲”和“这次公开口径已经要求什么”分开看。

沪股通那次，确实给了接近一年

很多人只记得“后来不能买了”，不记得中间隔了多久。按照公开规则和交易所执行通知，大概是这样：

时间	文件/动作	关键内容
2022-06-24	港交所发参与者通告 CT08822E	因应内地规则修订，为合资格既有投资者设置过渡安排
2022-07-25	证监会第 200 号令生效	明确香港券商内地投资者不得通过沪深股通买卖 A 股，但存量投资者可在过渡期内继续买卖
2023-07-23	过渡期最后一天	既有投资者最后一个可以正常买入的日子
2023-07-24	正式切换	内地投资者只能卖出，不得主动买入；富途帮助中心也按这个日期执行说明

如果按“规则生效到前端禁买”算，间隔是从 2022-07-25 到 2023-07-24，差不多 364 天。如果按“交易所通告公开到前端禁买”算，是从 2022-06-24 到 2023-07-24，一共 395 天。如果再往前追到 2022-06-10 中国证监会发布第 200 号令决定，那就是 409 天左右。

所以那次不是没有缓冲，而是给了接近一年的缓冲，而且把最后禁买日写得很清楚。

但这次不能直接套一年缓冲

表面看，这次两年的集中整治期似乎比上次更宽。实际上，两件事的监管对象和处理目标并不一样。

沪股通那次，本质是把“返程交易”堵住。内地投资者本来就不该通过香港券商绕回来买 A 股，所以规则修订后，给一段明确过渡期，最后切到“只卖不买”，逻辑比较单一。

2026 年这次整治更复杂。它针对的是整条非法跨境证券、期货、基金经营链条，不只是某一个交易接口。公开口径同时覆盖了：

非法招揽
非法开户
非法委托交易
非法宣传引流
资金跨境划转配合

问题一复杂，执行就未必能像上次那样给一个全国统一、前端统一、文案统一的“X 月 X 日 00:00 开始禁买”。

再加上一点，这次已经点了具体机构，而且同步提到“拟没收全部违法所得，并依法严厉处罚”。这意味着它不是单纯的制度优化，也带有明显的执法处置属性。执法处置的节奏，往往还要看各家被约谈、整改方案、系统改造、客户通知和资金承接安排，不一定能用一个简单时间表概括。

所以沪股通案例只能提供一个参照：监管从规则发布到前端执行，可能会留出系统和客户处理时间。但它不能推出“这次也一定还有一年正常买入”。

两年窗口，不是两年自由买入

这是我最想提醒的一点。

八部门方案和证监会答记者问里，公开已经给出的主口径是：集中整治期内，禁止接受存量投资者买入交易指令，只允许卖出已持有证券并转出资金。也就是说，从公开政策层面看，“两年”描述的是清理存量业务的窗口，不是继续自由交易的宽限。

为什么很多人会误读？

因为大家会自然联想到沪股通那次：“既然以前给了一年，说明这次可能也会拖很久，前端不一定马上动。” 这只是推断，不能当事实。

理解的顺序是：

公开监管口径已经切到“只卖不买”。
具体哪一天在各家券商 app 里完全生效，还要等各家公告。
在公告出来之前，不能反过来假设“那就默认还能买很久”。

这三句话的顺序不能倒。对用户来说，最危险的不是卖早或卖晚，而是把监管清理窗口误读成交易宽限窗口。

对投资者最有用的，不是猜日期，而是盯信号

如果你真在用这类券商，最该盯的是下面几个公开信号。不要拿社区截图当最终规则，也不要把别人账户的可买状态外推到自己的账户。

信号	为什么重要	比传闻更有用的原因
券商正式公告	决定你的账户何时切换到只卖不买	这是对你账户最直接的生效文件
入金/出金路径变化	往往早于交易限制全面落地	银行、支付、外汇环节会先收紧
App、官网、开户页面文案调整	能看出新增获客和存量服务是否被切开	比二手解读更接近执行层
资产转仓/转出安排	决定你是否只能卖出，还是还有迁移路径	这是后续损失控制的核心

从历史经验看，真正影响账户体验的，往往不是监管口号本身，而是这些执行细节。用户层面能做的，也应当围绕持仓、现金、转仓和出金路径做风险盘点，而不是把这件事理解成短线交易机会。

我的结论

沪股通那次给了市场一个很清楚的参照系：从规则生效到真正禁买，大约隔了一年，而且最后日期非常明确。

但这次不能机械套用。原因不是监管会更温和，恰恰相反，是因为它的整治范围更广、执法属性更强、涉及链条更长，所以“公开口径已经转严”和“前端统一禁买日尚未完全公开”会同时存在。

换句话说：

能确认的事实：这次公开监管要求已经不是 2022 年那种“保留正常交易”。
不能确认的事实：各家券商会在同一天、用同一种方式切断买入。
最危险的误判：把“有两年清理期”理解成“还能像以前那样买两年”。

下一篇把范围拉到平台侧：为什么先点名富途、老虎、长桥这种互联网券商，以及其他中资券商到底是不是就安全了。

参考资料

写作附记

原始提示词

港美股交易今天突发新闻，非法跨境展业，老虎证券等机构被严肃查处，富途、老虎盘前跌 40%。先回顾下上次证监会的清查行动，那次是彻底锁住了境内用户开户，但是存量客户没有动，这次是存量客户要禁止交易。去年还是前年，禁止港股券商内地客户，交易沪股通，搜索相关政策，确认下从政策落地到券商执行: 禁止内地用户买入，间隔了多长时间。今天的新闻，说是保留了两年的时间，让用户清仓，但是多久开始执行禁止买入，没有细说，违法所得要追溯多长时间没有细说，即使富途发布了公告，截至2026年一季度末，中国内地有资产客户数占全集团有资产客户总数的比例已降至13%。同时，在集团有效的国际化战略下，海外有资产客户数持续攀升。只有客户数量，少个资产规模和交易量占比，这两个关键。股价还是跌的，并没有回升。牵扯的事件很多，梳理时间线，拆分为系列文章。这次八部门出手！综合整治非法跨境证券期货基金经营活动，点名的是富途、长桥、老虎，典型的互联网券商，其他的券商呢？后续如何处理？中资券商那么多，大家都是不干净的。

这次重写保留了沪股通过渡期的时间线和官方文件口径，但把第二篇的中心改成“两年窗口不能误读”。没有给出具体操作建议，也没有替任何券商推断生效日，避免把监管事实写成交易指令。

非法跨境展业整治（一）：存量账户的边界重画

Fri, 22 May 2026 20:30:00 +0800

港美股券商被查，股价先跌出来，账户问题随后才真正压到用户面前。这次最关键的变化，不是又多了一次监管表态，而是边界从“别再新增”推进到了“存量怎么退出”。

上一次清查，很多人的理解是：境内用户不能再随便新开户，但已经开户的人还能继续交易。这个边界给了平台和用户一个缓冲区，也让存量账户看起来像一个灰色但可维持的历史包袱。

这一组文章拆成三篇：第一篇只讲监管边界，第二篇讲账户还能怎么动，第三篇讲平台和其他券商怎么重新定价。先把边界说清楚，后面才不会把用户操作、公司估值和行业整改混成一锅。

2022 是锁新增，2026 是管存量

先把时间线摊开，很多误判都来自把这两轮整治混成一件事。

时间	公开动作	核心口径
2022-12-30	证监会推进对富途、老虎非法跨境展业整治	有效遏制增量，有序化解存量；停止新增开户，存量客户继续交易
2023-02-15	证监会答记者问，口径扩大到境内券商境外子公司	同类业务统一监管；不会无故限制存量客户交易
2026-05-09	八部门联合印发实施方案	综合整治非法跨境证券期货基金经营活动
2026-05-22	方案公开，证监会同步答记者问并点名三家机构	存量投资者只允许卖出和转出资金，禁止买入；集中整治期为两年

2022 年那次，监管是在关水龙头，不让新水继续进来。2026 年这次，已经不是只关新增了，而是开始把旧水往外放。两者最本质的区别就是一句话：

2022 年：存量客户可以继续交易。
2026 年：存量客户不能再买，只能卖出已持有证券并把资金转出去。

这就是为什么市场反应会这么大。对互联网券商来说，新增开户受限，伤的是增长斜率；存量客户只卖不买，伤的是交易活跃度、留存、资金沉淀、融资融券和财富管理转化。前者是增长故事降速，后者是商业模型被重估。

已经明确的，不少；还没公开的，也很关键

公开口径里，已经明确的部分其实不少。

第一，监管对象不只是 app 名字，而是整条“非法跨境展业链条”。八部门方案写得很直白，目标是综合整治非法招揽、开户、交易、资金划转、宣传引流等活动。证监会答记者问也把问题定性为“隐蔽性更强、危害更大”的新型违法违规活动。

第二，处理力度比 2022 年更重。证监会 5 月 22 日的公开口径已经上升到“拟没收老虎、富途、长桥境内外相关主体全部违法所得，并依法严厉处罚”。而当日晚些时候，两家美股上市平台自己的 SEC 披露，又把市场最关心的“量级”往前推了一步：富途按公开转述口径，拟议罚没总额大致落在 18.5 亿元人民币；老虎自己披露的已处罚没合计约 4.112 亿元人民币。

第三，给了一个两年的集中整治期。这个“两年”很重要，但不能简单理解成“两年内一切照旧”。公开表述恰恰相反，集中整治期内已经要求存量客户只卖不买。两年更像清退窗口，不是自由交易窗口。

真正让市场不舒服的，是还没完全公开的部分。这些空白不能用传闻补，也不能替监管写执行日期。

禁止买入到底从哪一天在各家前端系统生效，公开材料没有统一写死。
富途这笔 18.5 亿元人民币的总额是怎么拆出来的，违法所得、罚款倍数、涉及主体之间如何分摊，公开材料还没有展开。
存量资产后续是卖掉退出、转仓到合规通道，还是由券商提供其他承接安排，公开材料也还没给统一模板。

这些空白会直接变成估值折价。因为不知道最坏口径，市场就会先按偏严口径算。

“13% 客户数”不是影响测算

富途的回应里，有一句安抚市场的话传播很广：截至 2026 年一季度末，中国内地有资产客户数占集团有资产客户总数的比例已经降到 13%，海外有资产客户持续攀升。

这句话不能说没用，但它远远不够拿来测算利润影响。

问题在于，它只给了“客户数占比”，没给最关键的两项：

内地客户资产规模占比
内地客户交易量或佣金贡献占比

这两项不出来，13% 这个数字就没法直接映射到利润影响。互联网券商最怕这种口径错配：客户数少，不代表资产轻，也不代表交易弱。尤其是老用户往往资金量更大、换手更高、融资需求更强，单个账户的商业价值未必低。

而富途最近公开财报能看到的，是集团整体指标还很强。2025 全年财报和年报都披露，总客户资产已经到 1.23 万亿港元，2025 年收入 228 亿港元，funded accounts 到 336.5 万个。这说明公司过去几年国际化确实做起来了。但同一套公开材料并没有把“内地客户的资产和交易量占比”单独拆出来。

所以市场现在不买账，很正常。不是不信国际化，而是不知道内地存量客户在资产和交易活跃度维度上到底还剩多重。客户数是人数口径，估值更关心的是资产、交易、融资和货币化口径。

这不是普通罚款利空

盘前跌超 40% 后没有迅速拉回，本质上是因为这个利空不是线性的。

如果只是几千万级别的罚款，市场会去估一次性损失。但现在公开口径已经抬到了富途约 18.5 亿元人民币、老虎约 4.112 亿元人民币，量级明显不是“小伤口”。如果只是停止新增，市场会去估增长放缓。但如果是“存量只许卖、不许买”，市场要重估的是：

\[ \text{未来估值} \neq \text{当前客户数} \times \text{简单折扣} \]

它更像三层打折同时发生：

交易频次下滑
账户资产外流
合规成本和不确定性上升

再加上一层：未来还能不能通过灰色边界继续做增量，这次公开口径已经基本不给幻想空间了。

所以这波股价不是简单情绪波动，更像监管把一个长期存在但没完全定价的风险，一次性推到了桌面上。它的难点不在“一次罚多少”，而在“剩下的存量还能怎样变成收入”。

我现在的判断

我的判断很直接：2026 年 5 月 22 日这轮，不是 2022 年旧闻重演，而是上一轮整治的升级版，且已经从“禁止继续做大”走到了“要求开始收缩存量”。

对持有富途、老虎这类标的的人来说，接下来最该盯的不是社区里的情绪，而是三类公开信息：

各家券商自己的执行公告，尤其是买入限制开始日期
处罚文书或后续正式决定里对“违法所得”的计算口径
是否出现资产迁移、账户分类、区域隔离这类配套安排

这篇先把“这次到底和上次差在哪”说清楚。下一篇单独拆执行窗口：港股券商内地客户做沪股通那次，从政策落地到券商前端真正禁止买入，隔了多久；这个参照能帮助理解，但不能机械套到这次整治上。

参考资料

写作附记

原始提示词

港美股交易今天突发新闻，非法跨境展业，老虎证券等机构被严肃查处，富途、老虎盘前跌 40%。先回顾下上次证监会的清查行动，那次是彻底锁住了境内用户开户，但是存量客户没有动，这次是存量客户要禁止交易。去年还是前年，禁止港股券商内地客户，交易沪股通，搜索相关政策，确认下从政策落地到券商执行: 禁止内地用户买入，间隔了多长时间。今天的新闻，说是保留了两年的时间，让用户清仓，但是多久开始执行禁止买入，没有细说，违法所得要追溯多长时间没有细说，即使富途发布了公告，截至2026年一季度末，中国内地有资产客户数占全集团有资产客户总数的比例已降至13%。同时，在集团有效的国际化战略下，海外有资产客户数持续攀升。只有客户数量，少个资产规模和交易量占比，这两个关键。股价还是跌的，并没有回升。牵扯的事件很多，梳理时间线，拆分为系列文章。这次八部门出手！综合整治非法跨境证券期货基金经营活动，点名的是富途、长桥、老虎，典型的互联网券商，其他的券商呢？后续如何处理？中资券商那么多，大家都是不干净的。

这次重写保留了原稿的时间线、官方文件和公司披露口径，但把第一篇的承诺收窄到“新增限制和存量处置的差别”。账户执行窗口和其他券商分层不再在本篇展开，分别留给后两篇承接。

智谱和 MiniMax 入恒科，规则和买盘是两回事

Fri, 22 May 2026 20:04:43 +0800

智谱和 MiniMax 被纳入恒生科技指数以后，最容易冒出来的问题是：它们还没到第一次解禁期，指数基金是不是被迫去接盘？

这个问题不能直接按情绪答。

指数纳入先服从公开方法论。解禁会影响未来供给和股价压力，但它不是恒生科技指数方法论里的硬门槛。被动基金会在指数生效前后买入，是因为它要跟踪指数，不是因为指数公司在替老股东安排退出。

恒科规则里看不到“解禁”这一项

恒生科技指数的方法论写得很清楚：它代表在香港上市、科技主题暴露较高的 30 家公司。

几个关键条件可以先摆出来：

维度	规则重点
样本空间	港交所主板上市公司，排除投资公司等特定类别
行业	工业、可选消费、医疗保健、金融、信息技术中的指定行业
科技主题	Internet、FinTech、Cloud、E-commerce、Digital、Autonomous
创新筛选	科技使能业务、研发费用率不低于 5%、或营收同比增长不低于 10%，满足其一
成份股数量	固定 30 只
筛选方法	取市值排名最高的 30 只
缓冲区	现有成份股跌出 36 名才剔除，非成份股升到 24 名或以上才纳入
检讨频率	季度检讨，数据截止在 3、6、9、12 月底
权重	自由流通市值加权，单一非外国公司上限 8%

这里没有“必须过首个解禁期”。

所以，如果智谱、MiniMax 满足行业、主题、创新筛选、流动性和市值排名，它们就可能进入恒科。它们是不是距离第一层锁定期还差一个月，是另一个问题。

这也是指数规则和投资情绪经常打架的地方。投资者关心“现在买是不是替人接”，指数方法论关心“它是否满足样本选择条件”。

这次公告到底改了什么

恒生指数公司在 2026 年 5 月 22 日公布季度检讨结果。公告写明，所有变动会在 2026 年 6 月 5 日收市后实施，并从 2026 年 6 月 8 日起生效。

恒生科技指数这次维持 30 只成份股，调整是：

动作	公司
纳入	MiniMax Group Inc. - W `0100`
纳入	北京智谱华章科技股份有限公司 `2513`
剔除	金蝶国际软件集团有限公司 `0268`
剔除	金山软件有限公司 `3888`

这四个名字放在一起，很容易被写成“AI 新贵替换老软件公司”。但真正的规则语言更冷：季度检讨以后，30 个席位按方法论重新排序，有进有出。

这次更值得看的不是“进了谁”，而是进来以后权重有多大。

公告附件三按“假设指数于 2026 年 5 月 20 日调整”的口径列出变动后权重。智谱和 MiniMax 的初始权重并不高：

公司	流通系数	调整后权重
智谱 `2513`	8%	0.53%
MiniMax `0100`	6%	0.36%
金蝶国际 `0268`	85%	剔除前 0.70%
金山软件 `3888`	75%	剔除前 0.67%

两个新纳入公司合计不到 1%。

所以“被动基金会买”是真的，但“巨额接盘”不能只靠纳入两个字推出。买盘大小要看自由流通市值、权重、跟踪资金规模和生效窗口里的交易拥挤程度。

解禁和指数纳入不是一回事

原始问题里最关键的是“还没解禁，基金是不是接盘”。

这里要拆成三层。

第一，锁定股东能不能卖。

如果招股书里的锁定期还没过，相关股东本来就不能在市场上卖。指数基金买入，也只能在二级市场流通盘里买，不能直接把锁定股变成可卖股票。

第二，指数规则看不看解禁。

恒科方法论看的是样本空间、科技主题、创新筛选、市值排名、季度检讨、自由流通权重和上限约束。它没有把“首个解禁期已过”写成筛选条件。

第三，被动资金会不会买。

会。跟踪恒科的 ETF 和指数产品，需要在生效日前后调整持仓。它们不是主动判断“这家公司便宜不便宜”，而是在控制跟踪误差。

把这三层放在一起，结论就比较清楚：

这次纳入不是给锁定股东开卖出通道；
它会给流通盘带来确定性被动买盘；
如果流通盘薄，价格弹性可能更明显；
但这不等于“指数基金替解禁股东接盘”。

规则不看解禁，资金会看流通盘。

纳入不是上涨保证

还有一个常见误解：进指数是不是就利好，踢出是不是就利空？

短期可以有交易影响。公告到生效之间，主动资金、套利盘、ETF 换仓和衍生品对冲都会提前行动。生效日前最后一个收盘竞价，往往更容易看到机械买卖盘。

但中长期不能简单等号。

恒生科技指数是季度检讨。很多时候，公司被纳入时，市值、成交和市场热度已经跑过一段；被剔除时，股价和流动性也可能已经先弱过一轮。指数调整更像后验确认，不是新的基本面起点。

所以看指数调整，我会分开三件事：

问题	看什么
能不能纳入	方法论、行业、主题、创新筛选、市值排名
会不会有被动买盘	初始权重、跟踪资金规模、生效窗口
后面会不会涨	公司基本面、估值、流动性、市场风险偏好

第一件事是规则，第二件事是交易，第三件事才是投资判断。

把它们混在一起，就容易把“指数纳入”写成万能利好，或者把“还没解禁”写成万能阴谋。

对智谱和 MiniMax，我会这样看

智谱和 MiniMax 进恒科，说明港股 AI 公司开始进入指数公司的规则视野。这件事有象征意义，也有短期交易影响。

但它不是基本面背书，也不是锁定股退出安排。

真正需要盯的是三件事：

第一，权重会不会继续上去。初始权重低，不代表以后一直低。后面股价、市值、流通系数变化，都会影响再平衡。

第二，解禁后的流通盘变化。指数纳入解决不了供给问题。锁定期过后，真实流通盘扩大，价格压力要重新评估。

第三，恒科本身的资金环境。跟踪资金规模、ETF 申赎、恒科期货和期权对冲，都会影响生效日前后的交易冲击。

所以我不把这件事写成“接盘”，也不写成“大利好”。

它更像一次规则确认：AI 新股满足方法论，进入指数；被动资金按权重买入；后续表现继续交给基本面、流通盘和市场情绪。

一句话压缩就是：

规则不看解禁，基金按权重买，后面涨不涨不是指数公司负责。

参考资料

写作附记

原始提示词

$blog-writer 恒科科技指数调整，智谱、Minimax 要纳入指数了，指数调整的规则是什么样的？这两家公司还没到第一次解禁期，纳入指数，是不是让基金接盘？分析恒生科技指数，最近三年的变动清单，梳理对应合约，纳入指数、被踢出指数，以后短期一年内的涨跌幅，至今的涨跌幅。

写作思路摘要

保留原始提示词里的核心问题：规则、解禁、被动基金买盘。
删掉旧稿里大段历史变动表和涨跌幅表，避免资料密度压过主线。
只保留本次调整、初始权重和方法论关键项，把文章从资料库改成规则解释稿。

恒生科技落后 A 股的真正变量

Wed, 20 May 2026 20:38:09 +0800

A 股涨了一段，恒生科技没有同步跟上，最容易冒出来的判断是“港股又掉队”。这个判断太快了。

恒生科技不是沪深 300 的港股镜像。它装的是美团、阿里、腾讯、小米、中芯、比亚迪、快手这类离岸中国成长资产，资金看它时会同时看中国互联网盈利、美元利率、外资风险偏好、南向资金和中概监管折价。A 股宽基走强，只能给它一部分情绪支撑，不能直接替它完成重新定价。

所以这篇真正要回答的不是“恒生科技为什么不争气”，而是它到底更跟谁：A 股宽基、中概金龙，还是纳斯达克。

先别把四个口径放在一起比

这篇先纠正三个最常见的混淆。

第一，你说的“中国金龙鱼指数”，通常指的是 纳斯达克中国金龙指数，不是“金龙鱼”。

第二，ETF 价格、指数点位、复权净值、总收益指数看起来都像“涨跌幅”，其实不是同一件事。

第三，Yahoo Finance 没有稳定可用的 HSTECH 历史序列，所以这篇做相关性和周期分段时，使用的是 3032.HK 的复权收盘价 作为恒生科技的流动性代理。它不是指数点位本身，但足够用来观察这类资产的走势、相关性和大级别周期。

对象	这篇怎么定义	更像什么
恒生科技指数	用官方 factsheet 说明成分、权重和波动；用 `3032.HK` 复权日线做代理观察历史走势	港股里的离岸中国成长资产
纳斯达克中国金龙指数	用 FRED 的 `NASDAQHXC` 日线序列	美股中概股风险偏好
纳斯达克综合指数	用 `^IXIC` 复权日线	全球美元科技资产风险偏好
沪深300ETF	用 `510300.SS` 复权日线	A 股大盘权重修复口径

这几样东西如果不先拆开，后面很容易把“指数没新高”“ETF 离高点不远”“复权后其实更接近高点”这些话搅成一锅。后面的数字只在这个口径内成立：用收益率看相关，不用点位高低互相硬比。

A 股强，只能解释一半

我更愿意先把这件事压成一句：A 股强，说明人民币资产内部风险偏好在修复；恒生科技要走强，还要离岸中国成长资产自己的折价一起收窄。

第一层：成分结构根本不同

恒生指数公司 2026 年 4 月 factsheet 里，恒生科技的前十大权重基本就是美团、中芯国际、比亚迪、阿里、网易、小米、腾讯、京东、百度、快手这一挂。

它不是银行、保险、资源，也不是高股息权重大盘。它吃的是互联网平台、半导体、消费电子、智能车这些更偏成长、更偏离岸风险偏好的定价逻辑。

所以 A 股宽基强，不等于恒生科技必须同步强。

第二层：资金来源和风险溢价不同

A 股大盘宽基更多是本地资金、本地政策、本地风险偏好的结果。恒生科技虽然也受南向资金影响，但它本质上还是离岸市场资产。

离岸市场会给这些变量更高权重：

美元流动性和利率；
海外基金仓位；
中国平台经济和监管预期；
ADR 和地缘风险溢价。

所以 A 股走“本土大盘资产修复”的时候，恒生科技完全可能走“前面涨太快、现在先回吐一段”。

第三层：它本来就是高波动资产

恒生指数公司同一份 factsheet 里，恒生科技 1 年年化波动率高于恒指和国企指数。高波动资产在分歧阶段最容易先被兑现利润。

所以它们会同向，但不会同步。A 股宽基能提供气氛，不能替恒生科技解决美元流动性、中概折价和成长股估值的问题。

它和中概金龙更像一组

如果只看关系强弱，恒生科技和中概金龙比和纳指更近。

这里要再强调一次边界：我说的“恒生科技”，是用 3032.HK 复权收盘价做代理来测的，不是直接拿官方指数点位。原因不是要偷换对象，而是为了拿到可追溯、可和其他序列对齐的历史价格。

我把 3032.HK、FRED 的 NASDAQHXC 和 ^IXIC 对齐到 2020-09-02 到 2026-05-19 的共同交易日，用收益率而不是点位去算相关，结果大概是这样：

配对	1日收益相关	5日收益相关	20日收益相关	60日收益相关
`3032.HK` 代理恒生科技 vs 纳斯达克中国金龙	0.59	0.84	0.90	0.92
纳斯达克中国金龙 vs 纳斯达克综合	0.49	0.47	0.34	0.36
`3032.HK` 代理恒生科技 vs 纳斯达克综合	0.19	0.37	0.30	0.30

这张表最值得记住的不是某个小数点，而是关系强弱和交易含义：

恒生科技和中概金龙，在短中期几乎可以视作同一类 offshore China beta 的两个交易场所版本。
中概金龙和纳指是相关，但远没有强到可以当同一资产。
恒生科技和纳指更弱，中间始终隔着一层中国资产自己的风险溢价。

所以如果问“恒生科技是不是和中概金龙强相关”，答案是：在这个代理和样本口径下，是。如果问“中概金龙是不是和纳指强相关”，答案要降一级：相关，但更像中等相关，不该直接当纳指替身。

有没有“美股跌，恒生科技大涨”的窗口

有，而且不止一次。

但这句话一定要说完整：不是恒生科技脱离了美股，而是某些阶段里，中国资产自己的重估力量，压过了纳指回调。

按上面那套代理和序列，我能抓到几个比较典型的窗口：

观察窗口	`3032.HK` 代理恒生科技	纳斯达克中国金龙	纳斯达克综合	更像什么
截至 `2024-10-07` 的 60 个交易日	+51.5%	+35.4%	-2.7%	中国资产阶段性重估
截至 `2025-03-18` 的 60 个交易日	+36.6%	+22.6%	-11.9%	离岸中资回补压过美股回调
截至 `2025-03-31` 的 120 个交易日	+54.9%	+36.5%	-1.5%	更长一点的修复窗口

所以答案不是“没有”，而是“有，但通常发生在中国资产自己被重新定价的阶段”。一旦这种窗口出现，主导因子往往已经从“全球科技风险偏好”切回了“中国成长资产自己的风险溢价收缩”。

先纠偏一句：沪深300ETF也并没有新高

用这次抓下来的 510300.SS 复权序列看，2026-05-19 收在大约 4.869，离 2021-02-10 的复权高点大约 5.253 仍有差距。

所以“沪深300ETF已经追平历史峰值”这句话，大概率也是口径混淆：

你可能看的是价格，不是复权；
也可能看的是某个别的沪深300产品；
还可能把 ETF 价格和指数总收益口径混在一起了。

这反过来更说明，恒生科技和 A 股宽基对比之前，先把口径拆开非常重要。

恒生科技这几轮大周期，启动和结束都像高波动成长资产

这里我继续使用 3032.HK 复权收盘价做代理，不直接把 ETF 价格说成指数点位。

按这个代理序列，从 2020-09-02 到 2026-05-19，大级别波段大致可以切成下面几段：

周期	区间	持续时间	区间涨跌	怎么启动	怎么结束
第一轮上行	2020-09-02 → 2021-02-17	168 天	+38.1%	指数推出后，科技成长和流动性共振	估值过热后，监管与利率一起压估值
第一轮大熊市	2021-02-17 → 2022-10-24	614 天	-74.5%	平台监管、ADR 风险、加息周期共同施压	估值和仓位跌到极低，开始等政策边际变化
第一轮急反弹	2022-10-24 → 2023-01-27	95 天	+71.5%	reopening 交易和超跌回补	预期先跑太快，基本面跟不上
第二轮回落	2023-01-27 → 2024-01-31	369 天	-37.2%	复苏不及预期、地产拖累、平台缺少新叙事	再次压到低估值区
第二轮大修复	2024-01-31 → 2025-03-18	412 天	+102.2%	极低估值 + 政策预期 + 科技成长回归	获利盘兑现，外部风险偏好转弱
快速调整	2025-03-18 → 2025-04-07	20 天	-28.1%	上一段涨太陡后的急回吐	恐慌释放快
再上冲一段	2025-04-07 → 2025-10-02	178 天	+53.3%	回调后资金回补	估值和情绪重新偏热
最近一轮调整	2025-10-02 → 2026-03-31	180 天	-30.7%	高位回撤、离岸风险偏好降温	2026 年 3 月底附近阶段性止跌
当前阶段	2026-03-31 → 2026-05-19	49 天	+4.8%	技术性修复	还谈不上新一轮大趋势确认

这张表里最重要的不是涨跌幅本身，而是它的结束方式。

恒生科技这类资产的上行，往往不是慢慢走完的，而更像：

估值先修一大段；
情绪迅速一致；
最后用一次很快的回吐结束。

它的下行也很少是平滑阴跌到底，而是主跌段很长，中间夹杂几次像样的急反弹，真正见底时通常伴随“估值低、仓位空、政策边际变化”。

这也是为什么我一直更愿意把它当成高波动成长资产集合，而不是普通宽基指数。

最后收一下

如果把恒生科技当成“港版纳指”，很容易误判；如果把它当成“离岸中国成长 beta”，很多事情就顺了。

A 股强，不代表恒生科技必须同步强。恒生科技和中概金龙强相关，但和纳指只是中等相关。美股跌的时候，恒生科技确实能大涨，但那通常说明主导因子已经从“全球科技风险偏好”切回了“中国资产自己在重估”。

所以这段行情里，别先问恒生科技为什么没跟着 A 股，先问它到底在跟谁。它最像离岸中国成长资产，不像 A 股宽基的港股分身；这个定位不改，很多“为什么没同步”的疑问都会反复出现。

参考资料

写作附记

原始提示词

A股上证指数近期上涨不少，也回调了一波，4200 附近上下波动，但是沪深300ETF，已经追评历史的的峰值。查查为什么同期的恒生科技指数在下跌，恒生科技指数是不是和美股的中国金龙鱼指数强相关，中国金龙鱼指数是不是和纳斯达克指数强相关？有没有美股跌的时候，恒生科技大涨的周期。分析下恒生科技指数历次周期的持续时间，如何启动、如何结束的。

这次重写保留了原稿的代理序列、相关性表和周期表，但把主线从“逐项回答提示词”改成“先定位恒生科技跟随的风险因子”。没有新增未经复算的行情数字，所有历史数字仍沿用原稿已列明的 3032.HK、NASDAQHXC、^IXIC 和 510300.SS 口径。

ChatGPT 之后英伟达 GPU 的两条路线

Fri, 15 May 2026 19:58:51 +0800

整理 ChatGPT 以来的英伟达数据中心 GPU，不能只做型号清单。真正的变化是两条路线同时加速：一条追最高训练性能，一条追可卖、可交付、可合规的市场覆盖。

训练路线看的是 H100、H200、B200、GB200 这类旗舰产品。它们不断把算力、显存、带宽、互联和整柜方案往上推。大模型越大，单卡性能已经不够，系统级连接、集群效率和能耗控制变得更重要。

另一条路线是特供和区域合规版本。给中国市场的产品，不只是简单“阉割版”，而是在出口管制限制下，重新平衡性能、带宽、互联和可销售性。它们的意义不是代表最高技术，而是说明英伟达要在规则缝隙里保住客户和生态。

先看全球主线：H100 起跑，H200 补课，B200 开始卖平台

这条线只看大模型训练和核心推理主线：A100 作为基线，H100、H200、B200、B300 依次往后排。

型号	发布时间	架构	显存	显存带宽	互连	最该记住的点
A100 80GB	2020，作为基线	Ampere	80GB HBM2e	2.039 TB/s	NVLink 600 GB/s	ChatGPT 前的大模型基准卡
H100 SXM	2022-03-22	Hopper	80GB HBM3	3.35 TB/s	NVLink 900 GB/s	真正把生成式 AI 训练卡时代推开的产品
H200 SXM	2023-11-13	Hopper 刷新版	141GB HBM3e	4.8 TB/s	NVLink 900 GB/s	重点不是 core 大跃迁，而是显存容量和带宽补课
B200 SXM	2024-03-18	Blackwell	180GB HBM3e	最高 8 TB/s	单 GPU NVLink 1.8 TB/s	重点转向平台级训练与推理吞吐
B300 / Blackwell Ultra	2025-03-18	Blackwell Ultra	288GB HBM3e	最高 8 TB/s	延续 rack-scale 互连路线	更明确地往 reasoning 和 test-time scaling 推进

如果只想记一个判断，大概可以这么压缩：

H100 是“训练卡暴力拉升”的一代。
H200 是“显存补课”的一代。
B200 是“AI 工厂平台化”的一代。
B300 是把 Blackwell 更明确推向 reasoning 时代的一代。

也就是说，英伟达卖的东西其实在变。

H100 还很像“这张卡有多猛”。到了 Blackwell，英伟达卖的已经越来越像“这套平台能把多大的模型，以什么吞吐和什么功耗跑起来”。这就是为什么 B200、B300 的叙事里，单卡 TFLOPS 反而没以前那么像绝对主角。

H200 为什么不是“算力暴力翻倍卡”

很多人第一次看 H200，会本能地去找“它比 H100 快了多少”。

但 H200 真正要解决的，不是 dense 算力数字不够好看，而是大模型一旦进入超长上下文、巨型 KV cache、MoE 和更大 batch 之后，瓶颈越来越像显存和显存带宽，而不是单纯的 BF16 峰值。

所以 H200 的升级重点是：

显存从 80GB 拉到 141GB；
带宽从 3.35 TB/s 提到 4.8 TB/s；
官方直接用 Llama 2 70B、GPT-3 175B 这类推理 workload 去强调收益。

它更像 Hopper 时代的一次补课，而不是全维度换代。

再看中国特供线：它的目标函数从来不是“旗舰最强”

中国特供线一定要单独看。

因为这条线不是在和全球旗舰卡同场赛跑，它首先是在美国出口限制框架里争取“还能卖、还能用”。这就决定了它的设计目标，不是技术最优，而是合规边界内的商业可交付。

型号	首次公开时间	对应母体	公开可确认参数	主要削减点	最该怎么理解
A800	2022-11	A100	80GB HBM2e；公开报道称互连较 A100 下调	互连	本地算力接近，但大规模扩展能力被压
H800	2023-03	H100	公开报道普遍认为本地 HBM 能力仍接近 H100 级别	互连	典型的“单卡不至于太差，横向扩展受限”
H20	2024-02 预售	Hopper 中国合规版	96GB HBM3、约 4.0 TB/s；公开渠道价约 1.2-1.5 万美元/卡	计算能力与其他受限项继续压低	不是 H800 的自然升级版，而是更严规则下的折中产物

这张表里最值得记住的一句话是：

A800 和 H800 更像“削互连”，H20 则连计算能力都继续往下压。

所以如果只看显存，会很容易误判。H20 比 H800 更新，不代表它按全球旗舰口径一定更强；它的商业意义首先是满足更严格规则之后还能卖，其次才是尽量保留一些可用性。

哪些升级可以直接算，哪些不能硬算

这一点最好先讲清楚，不然后面的百分比都容易变成假精确。

最稳的计算方式是：

\[ \text{升级率}=\frac{\text{新指标}-\text{旧指标}}{\text{旧指标}} \]

但这个公式只适合口径一致的指标，比如显存容量、显存带宽、NVLink 带宽。它不适合把平台级推理吞吐、整机 token 产出和单卡 TFLOPS 粗暴揉成一条线。

全球主线里，能直接算的几组数字

代际	最适合直接算的指标	大致变化
A100 80GB -> H100 SXM	带宽、互连、Tensor Core 峰值	显存带宽约 +64%，NVLink 约 +50%，BF16/FP16 Tensor Core 峰值约 +534%
H100 SXM -> H200 SXM	显存、带宽	显存约 +76%，带宽约 +43%，NVLink 基本不变
H200 SXM -> B200 SXM	显存、带宽、互连	显存约 +28%，带宽约 +67%，单 GPU NVLink 翻倍到 1.8 TB/s
B200 -> B300	显存、平台级推理能力	显存约 +60%；平台能力更强调 FP4、reasoning 和 attention 吞吐

从这个角度看，代际节奏也很清楚：

H100 主要把训练卡拉到一个新高度。
H200 把显存短板补齐。
B200 开始把“单卡升级”转成“平台升级”。
B300 再往大规模推理和 reasoning 方向加码。

中国特供线里，只能谨慎算一部分

这里更要保守。

因为 A800、H800、H20 的完整官方公开规格并不像全球主线那样整齐，很多关键参数主要来自 Reuters 报道和可追溯硬件媒体转述。

能比较稳地说的是：

A800、H800 的主要削减方向都集中在互连；
H20 显存比 H800 更大，但这不等于它在全球旗舰意义上“自然升级”；
中国特供线每一代首先是在适应规则，而不是按性能最大化去延续旗舰路线。

这条线不能硬套成“每一代全面提升多少”。它不是那种代际关系。

价格部分，只能保留公开可追溯样本

数据中心 GPU 的价格是最容易产生误导的部分。

因为英伟达并不总是公开单卡 MSRP，公开世界里更常见的是：

DGX 整机官方起售价；
第三方整机挂牌价；
Reuters 或供应链转述的特供版渠道价。

所以价格这里我只保留几个样本，不伪造一张看上去很完整、实际口径乱掉的价目表。

对象	公开价格样本	怎么理解
DGX H100	2022 年发布时官方起售价 19.9 万美元	这是最干净的官方锚点
DGX B200	公开挂牌价大约比同阶段 DGX H100 高 40%-50%	说明全球旗舰平台确实继续涨价
H20 单卡	Reuters 报道约 1.2 万到 1.5 万美元	这是渠道样本，不是全球旗舰口径
H20 八卡服务器	公开报道约 140 万元人民币	不能拿来和 DGX 体系直接硬比，只能说明合规线的商业定位

所以“整体售价提升了多少”这个问题，稳妥的回答是两句：

第一，全球旗舰主线确实在涨，而且涨得不小。

第二，中国特供线未必一路更贵，甚至可能出现“更晚出的卡更便宜”的情况，因为它首先在追求合规可卖，而不是旗舰性能和定价不断上探。

最后收一下

如果把 ChatGPT 发布之后的数据中心 GPU 变化压成一句话，我现在会这么写：

全球主线是 H100 起跑、H200 补显存、B200 平台化、B300 往 reasoning 时代再推一步；中国特供线则是 A800、H800、H20 在越来越严的规则里尽量保住可用性。

这两条线不要混着看。

混着看，最后很容易得出几个大差不差、但方向不对的结论。英伟达在全球卖的是训练与推理平台，在中国特供线卖的则首先是“还能交付、还能部署”的折中产品。目标函数不一样，升级逻辑当然也不一样。

参考资料

写作附记

原始提示词

整理自从 ChatGPT 发布以来，英伟达发布的显卡型号和对应的性能参数，前一代对比上一代升级了多少，整体售价提升了多少，我要的是数据中心用的显卡，包含给中国的特供版本。

这篇从上面的原始提示词出发，按第一次写稿的方式确定主线、材料密度和结构。date 字段沿用原发布时间，其他内容只服务当前文章承诺。

中美元首会晤：谁更需要稳定

Thu, 14 May 2026 10:09:01 +0800

中美会晤这种题，最容易写成行程表：谁邀请、在哪里见、谈了多久、双方通稿怎么说。行程当然重要，但它只能说明会晤发生了，不能解释为什么现在发生。

真正要看的，是双方都需要一个可控窗口。美国需要处理国内政治、市场预期、盟友关系和对华政策之间的张力；中国需要稳定外部环境、贸易预期和产业链信心。会晤不一定意味着马上达成大交易，但通常说明继续放任摩擦升级，双方都要付出成本。

国内外看法会不一样。国内更关心关系能不能缓和、企业预期能不能稳、关税和科技限制有没有松动；国外媒体更会盯美国是否让步、中国是否获得外交主动，以及双方是不是只是在管理风险。

先把时间点钉住

这篇只按 2026 年 5 月 14 日上午 已公开的信息写。

也就是说，正文整理的是来龙去脉、已确认行程和各方预期，不把会后成果、联合声明或后续采购安排提前写成既成事实。

为什么说它首先是“稳住”，不是“回暖”

中国外交部在 5 月 11 日 的记者会上确认，特朗普将于 5 月 13 日至 15 日 对中国进行国事访问。随后新华社在 5 月 14 日 上午确认了欢迎仪式和会谈安排，又在当天中午前后确认双方参观天坛、晚间举行宴会。

这些礼宾动作当然重要，但它们更多是在为更敏感的议题提供一个可谈的氛围。

AP 和 Reuters 在会前报道里提得很集中：贸易、台湾、伊朗，是这次会晤最受关注的三块硬议题。换句话说，这不是一次“关系已经改善，所以顺便见一面”的访问，而是问题太多、风险太高，必须见一面。

这次会晤并不是突然发生的

如果只看 5 月 13 日 特朗普抵达北京，会觉得这次会晤来得很快。实际上，前面已经有几轮铺垫。

第一层铺垫：元首通话先把今年议程挂上去

2026 年 2 月 4 日，习近平同特朗普通电话。中方公开稿里一个很重要的信号，是把 2026 年双方各自的重要日程都摆了出来，包括中国启动“十五五”、中国主办 APEC、美国主办 G20。

潜台词并不复杂：两边今年都不适合把关系推向不可控。

第二层铺垫：经贸团队先在韩国打底

5 月 10 日，商务部宣布何立峰将于 5 月 12 日至 13 日 赴韩国同美方举行经贸磋商。这个安排本身就很说明问题。

它意味着北京会谈不是只谈礼宾，也不是完全把最难的经贸议题留到元首层当面碰。能提前扫的技术障碍、能先摸底的交换条件，已经在会前做了一轮。

第三层铺垫：全球局势本来就不稳

外媒在会前分析里反复提到伊朗战事和相关地区风险。无论两边各自立场如何，中东局势一旦继续恶化，油价、航运、全球市场和国内通胀压力都会往上走。

这让会晤的重要性不再只是双边层面，而是带上了更广的地缘外溢。

已经确认的行程，说明双方都给了足够高规格

截至 2026 年 5 月 14 日上午，公开行程大致是这样：

日期	已确认安排	能看出的信号
`5 月 13 日` 晚	特朗普抵达北京	访问正式开启
`5 月 14 日` 上午	人民大会堂东门外广场欢迎仪式	高规格国事访问待遇
`5 月 14 日` 白天	双方会谈	元首层直接定调
`5 月 14 日` 白天	参观天坛	礼宾之外，也在做政治叙事设计
`5 月 14 日` 晚	宴会	给进一步磋商留出氛围和空间

天坛这个安排尤其值得看一眼。

新华社对相关行程的介绍很明确，强调的是祈年、民本和国家秩序的象征意味。它不只是景点安排，也是在告诉外界：这次访问在北京这里，并不只是“见一面”，而是一次经过设计的高规格政治接待。

但高规格不等于高突破。礼宾越高，越说明双方都知道这次会晤不能轻易失控。

国内怎么看：先稳住，再谈分歧，但红线不会松

国内官方口径里最核心的两个词，是 稳定性 和 确定性。

无论是外交部记者会，还是新华社在会前的评论，都在强调元首外交对中美关系的战略引领作用，强调在国际局势动荡背景下，中美需要为世界提供更多稳定预期。

但这不是单方面示好。另一条很硬的线始终摆在那：合作可以谈，原则不能拿来交易。尤其台湾问题，在官方表述里依旧被放在中美关系最重要问题的位置上。

所以国内视角并不是“中美要重新变好”，而更像是：先把最危险的失控风险压下去，如果还能顺手换来一些经贸层面的务实进展，那就算加分。

国外怎么看：排场会很大，突破会很有限

外媒的判断其实也大同小异，只是语气更直白。

AP 的会前报道基本就是一句话概括：排场会很足，但真正的结构性分歧不会因为一次会面就消失。Reuters 的分析则更强调双方各自都带着现实压力来。

美国这边想要的东西很具体：农产品、波音、能源、美国企业在华准入、供应链约束能不能稍微松一点。中国这边想谈的也不抽象：经贸关系能不能回到更可预测的轨道，科技和出口限制能不能别继续往上码。

这不是价值观对话，而是条件交换。

所以如果要把国外主流看法压成一句话，大概就是：双方都离不开这次见面，但谁也不会在最核心的结构性问题上轻易退得太多。

真正促成这次会晤的，是共同的压力，不是共同的好感

如果只允许我用一句话概括这次会晤为什么发生，我会说：

促成它的，不是双方突然互相信任了，而是共同的压力变得太具体、太现实。

这股压力至少来自四个方向。

1. 经贸关系需要一份新的缓冲

无论外界把去年秋天的安排叫停火、缓和还是冻结，它本质上都只是临时平衡。平衡如果不续谈，就可能重新恶化。北京会晤首先是在给这套脆弱平衡做维护。

2. 双方都想要一些现实交易

美国想要政治上能交代的采购和市场准入，中国想要更可预测的经贸与科技环境。谁都知道一次会谈解决不了所有问题，但只要能换到一点可落地的东西，这场会晤就有现实价值。

3. 伊朗和更大的地区风险把议程重新压紧

中东风险并不是会晤的附属议题。它会直接往油价、航运、市场风险偏好和国内经济压力上传导。两边在伊朗问题上的立场并不相同，但都不希望局势无限升级。

4. 2026 年双方都需要一个相对可控的外部环境

中国有自己的中长期规划和主场外交安排，美国也有国内政治、通胀和国际会议压力。双方都不缺强硬表态，但都很缺一个完全失控的外部环境。

这就是为什么这次会晤会发生，而且必须发生。

我的判断

这次北京会晤，大概率不会把中美关系带进一个“新时代”。它更可能带来的，是一个有限但重要的结果：让双方确认，接下来继续竞争、继续博弈，但别脱轨。

这听起来不浪漫，但很现实。

如果后续真有成果，最可能先落地的也不会是什么宏大叙事，而是几类务实内容：经贸团队继续往前推、少量交易和审批信号、企业界能带回去汇报的进展，以及在最敏感议题上维持一个还算可控的节奏。

至于更深层的竞争，尤其科技、产业链和安全议题，不会因为这次会晤就消失。它们只是被暂时装进了一个更可管理的框架里。

所以这次见面的真正分量，不是证明中美已经互相信任，而是证明在互不信任的前提下，双方还有没有能力继续打交道。

参考资料

写作附记

原始提示词

中美近期有个会晤，整理相关的来龙去脉，行程安排。国内外如何看待这次会晤，主要是什么促成了这次会晤。

这篇从上面的原始提示词出发，按第一次写稿的方式确定主线、材料密度和结构。date 字段沿用原发布时间，其他内容只服务当前文章承诺。

海力士财报：低谷才是下一轮筹码

Wed, 13 May 2026 21:25:24 +0800

看半导体周期，只看股价容易太晚。股价涨起来时，市场已经替你讲完了一半故事。海力士更值得看，是因为它的财务数据和资本开支，能把周期里的真实压力提前露出来。

存储行业最残酷的地方，是价格起来时大家都赚钱，价格下去时库存和折旧会一起压利润。很多公司在低谷会本能收缩，先保现金流，少投产能。但下一轮需求真正起来时，谁在低谷保住技术路线和关键产能，谁就更容易接住涨价红利。

这也是“逆周期扩产”值得讨论的地方。它不是盲目赌命，而是在判断需求低谷、行业出清和技术迭代以后，提前把下一轮筹码放好。做对了，低谷投入会变成高峰利润；做错了，就是库存和债务一起压回来。

先别急着看股价，先看 memory 公司的利润表有多暴烈

把海力士、Micron、TSMC 摆在一起，很多事一下就清楚了。

公司	上一轮代表性高点	2022-2023 这轮下行	更关键的启示
SK hynix	2018 年营收 40.45 万亿韩元、营业利润 20.84 万亿韩元，营业利润率 51.5%	2023 年营收 32.77 万亿韩元、营业亏损 7.73 万亿韩元，营业利润率 -23.6%	memory 景气翻脸时，利润不是放缓，是直接翻面
Micron	2018 财年营收 303.91 亿美元、营业利润 149.94 亿美元，营业利润率 49.3%	2023 财年营收 155.40 亿美元、营业亏损 57.45 亿美元，营业利润率 -37.0%	美国存储龙头一样逃不开价格周期的暴烈反转
TSMC	2019 年营收 1.06 兆新台币、营业利益 3659 亿新台币，利润率 34.5%	2023 年营收 2.16 兆新台币、营业利益 9215 亿新台币，利润率仍有 42.6%	foundry 也有周期，但烈度明显没有 memory 这么夸张

这张表最重要的意义，不是证明海力士惨过谁，而是提醒一件事：

“半导体龙头”这四个字下面，其实装着完全不同的财务弹性。

memory 龙头赚景气的时候更猛，挨下行的时候也更狠；logic / foundry 龙头同样会受周期影响，但利润表不会像存储那样说翻就翻。

所以你看海力士，不能只把它当“又一家半导体大厂”，而要把它当成最典型的高杠杆 memory 周期公司去看。

真正值得补的，不是它现在赚多少，而是它在低谷里怎么花钱

如果只看结果，海力士最近两年的财报当然像在印钱。

年份	营收	营业利润	营业利润率
2023	32.77 万亿韩元	-7.73 万亿韩元	-23.6%
2024	66.19 万亿韩元	23.47 万亿韩元	35.5%
2025	97.15 万亿韩元	47.21 万亿韩元	48.6%

从深亏到接近 50% 的营业利润率，这不是普通修复，而是一轮 memory 价格和产品结构共振后的暴力反转。

但如果把海力士的优势总结成一句“逆周期扩产”，这句话其实不够准确。

更接近事实的说法应该是：

\[ \text{海力士的逆周期} \neq \text{全线猛扩} \]\[ \text{海力士的逆周期} = \text{总投资收缩} + \text{HBM/DDR5/LPDDR5 优先} \]

也就是说，它不是在 2023 年对所有产品线一起硬顶，而是在最差的时候，先把总投资踩刹车，再把最有希望吃到下一轮高利润的那几条线保下来。

这个差别非常大。

2023 年那些官方表态，已经把打法写得很清楚了

如果把海力士在低谷期的公开表态排一下，逻辑其实非常连贯。

时间	官方口径	真正说明什么
2022 年 10 月	2023 年投资同比减少 50% 以上，并减少低盈利产品产量	先保现金流和库存，不做全面防守反击
2023 年 1 月	继续削减投资和成本，同时优先高成长潜力市场	缩的是总盘子，不是所有方向
2023 年 4 月	明确把 DDR5、LPDDR5、HBM3 作为旗舰产品方向	最差的时候已经在卡下一轮高端 memory 坑位
2023 年 7 月	总投资至少减半的口径不变，但继续扩高密度 DDR5 和 HBM3	这已经不是口号，而是资金分配原则
2023 年 10 月	准备增加 HBM、DDR5、LPDDR5 投资应对回暖	一旦需求确认，资金先回流到高附加值产品

所以“海力士逆周期扩产”这句话，如果不加限定词，很容易误导。

它真正做的，不是全面逆周期，而是选择性逆周期投资。总投资收得很凶，但 HBM、DDR5、LPDDR5 这些下一轮最赚钱的线，它没有砍。

这才是它更像风向标的原因。

因为真正决定这轮 AI 内存周期能不能继续拉长的，不是“大家有没有扩产”，而是“谁在低谷里先把下一轮最贵的产能、最紧的产品、最难的封装和客户关系卡住了”。

把 Micron 和 TSMC 放在旁边，海力士的特点就更显眼

Micron 其实也不是没做类似的事。

它在 2023 财年从营收 307.58 亿美元掉到 155.40 亿美元，营业利润直接翻到亏损；但 2024 财年开始修复，2025 财年营收和利润继续上来，资本开支也明显重新抬高。这说明它同样在为 AI memory 的下一段需求做准备。

但海力士的特点还是更鲜明一些。

因为它在 2023 年最难看的那一段，就连续多次把 HBM、DDR5、LPDDR5 写进投资优先级里。Micron 更像是随着景气确认继续加码；海力士则更像是在底部最冷的时候，就先把主航道占住了。

再看 TSMC，感觉就完全不同。

它当然也有周期，也会在行业转弱时修正营收和资本开支，但 foundry 龙头的财务曲线和 memory 龙头不在一个烈度上。2019 年全球半导体行业转弱时，TSMC 还能逆着行业做增长；2023 年行业在消化库存时，它的利润率仍然很高。

这反而帮我们更清楚地看见海力士的意义：

它不是“半导体都这样”的样本；
它是 memory 周期如何在低谷里为下一轮利润做准备的典型样本。

所以海力士更像风向标，不是因为它永远最强

我不是在说海力士以后不会犯周期病。

恰恰相反，memory 公司最容易在高景气里犯的错，就是把选择性投资慢慢做成全面扩产。一旦从“保最赚钱的那几条线”滑到“所有线都要扩”，这类公司的利润表翻脸也会非常快。

所以我看海力士，不是把它当成永远不会出错的冠军，而是把它当成这轮周期的一块风向牌。

如果它继续强调高端产品结构、继续把钱优先投向 HBM 和服务器高附加值方向，那说明景气主线还没散。

如果有一天它开始把资本开支明显扩散到更广的普通产能，同时电话会里的关键词从缺货、产品 mix、客户拉货，变成库存、利用率、价格压力和折旧，那就说明这块风向牌在变。

最后收一下

这篇补完以后，我对海力士这件事的判断其实更简单了。

它之所以值得单独拿出来，不是因为它现在赚得最多，而是因为它在 2023 年最差的时候，给出了一种很标准、也很值钱的答案：

总投资可以收，但下一轮最赚钱的那几条线不能停。

这句话，比很多“半导体景气延续”的大词都更有用。因为真正的风向标，往往不是告诉你现在多热，而是告诉你行业在最冷的时候，钱先流向了哪里。

参考资料

写作附记

原始提示词

之前的文章提到 12-这轮半导体周期-终点大概率不在-2026-年，里面没有详细的财务数据，新开个文章，补充下几个知名半导体巨头，多次半导体周期中的财务数据，特别是海力士，我记得有新闻提到了海力士，逆周期扩产。

这篇从上面的原始提示词出发，按第一次写稿的方式确定主线、材料密度和结构。date 字段沿用原发布时间，其他内容只服务当前文章承诺。

大模型战场变宽，巨头抢的是不同生意

Tue, 12 May 2026 00:59:12 +0800

“大模型让互联网巨头第一次在同一个赛道里厮杀”，这个判断大体成立，但要补一句：他们看起来都在做 AI，实际争的入口不完全一样。

过去巨头各有地盘。搜索有搜索的流量，电商有交易，社交有关系链，云厂商卖基础设施，手机厂商守终端。AI 大模型出现后，这些边界被打薄了。搜索可以变成问答，办公可以变成 Agent，云可以卖算力和模型，手机可以把系统入口重新包装一遍。

所以大家都必须下场。不是因为每家公司都想做同一个 ChatGPT，而是因为大模型可能改写自己原来的入口。搜索怕用户不再点链接，办公怕文档和流程被重做，云厂商怕只卖机器不卖模型，电商和本地生活怕推荐、客服和交易决策被别人接走。

你的判断为什么基本成立

以前的互联网战争，更像分区作战。

Google 和百度主要守搜索。
Meta 和腾讯主要守社交与流量分发。
Amazon 和阿里主要守电商和商家生态。
Microsoft 守企业软件和办公。
云计算虽然也在打，但不是每一家平台公司都把自己未来押在同一层基础设施上。

大模型不一样。

它不是一个新功能，而是一个可能把所有入口都重写的底座。搜索能被重写，广告投放能被重写，客服能被重写，代码生成能被重写，导购能被重写，知识管理也能被重写。

所以大家现在争的核心，其实更像这四件事：

\[ \text{AI 竞争力}=\text{模型能力}+\text{算力供给}+\text{分发入口}+\text{商业闭环} \]

谁在这四项里掉队，谁原来的基本盘迟早会被别人侵蚀。

真正值得看的，是谁有资格把这场仗打成消耗战

下面这张表的数字，按各家公司截至 2026 年 5 月中旬最新完整财年或最新官方披露取整，只看量级，不做机械横比。尤其“AI 投入”这一列，有的是 capex，有的是季度 run rate，有的是三年承诺，只能看决心和耐力，不能直接排座次。

公司	原有现金牛	现在卷 AI 的抓手	最新完整财年营收 / 净利润	最近的 AI 投入信号
Microsoft	Office、Windows、企业软件、Azure	Azure + OpenAI 生态 + Copilot + 企业 Agent	约 2817 亿 / 1018 亿美元	FY26 Q3 披露 AI 业务年化收入运行率超 370 亿美元；当季 capex 319 亿美元
Alphabet	Search、Ads、YouTube、Android、Cloud	Gemini + Search AI + TPU + Google Cloud	约 4030 亿 / 1300 亿美元	2025 年 CapEx 约 910 亿美元，明确继续加码技术基础设施
Amazon	电商、AWS、广告	Bedrock + Trainium / Inferentia + AWS AI infra + Nova	约 7169 亿 / 777 亿美元	Q1 2026 披露过去 12 个月已到货 210 万+ AI 芯片，TTM 设备投入继续上行
Meta	Facebook、Instagram、WhatsApp 广告	Llama + 广告推荐 + Meta AI + 智能眼镜	约 2010 亿 / 605 亿美元	2025 年 CapEx 约 722 亿美元，2026 年指引 1150-1350 亿美元
腾讯	游戏、社交、广告、金融科技	混元 + 微信 / 元宝 / 广告 + 腾讯云	约 7518 亿 / 2248 亿元人民币	2025 年资本开支约 792 亿元，管理层明确用核心业务现金流继续投 AI
阿里巴巴	电商、云、本地生活、物流生态	通义千问 + 阿里云 + 电商 AI + 产业 AI	约 9963 亿 / 1295 亿元人民币	宣布未来三年至少投入 3800 亿元建设 AI 与云基础设施
百度	搜索、广告、AI Cloud、Apollo	ERNIE + AI Cloud + AI-native Marketing + AI 应用	约 1291 亿 / 56 亿元人民币	2025 年 AI 应用收入超 100 亿元，AI Cloud Infra 约 200 亿元

这张表里最重要的，不是谁账面利润最高，而是谁有足够厚的现金牛去扛前置投入期。

微软、Alphabet、Amazon、Meta 的共同点，是一边印钱，一边扩基础设施。腾讯和阿里也类似，旧业务还在持续供血，所以能把 AI 的投入往上拱。百度的问题则更明显一些：它押得很早，但利润厚度和现金流缓冲都更薄，因此同样在这个斗兽场里，承压会更大。

大家确实在同一个斗兽场，但站位不一样

如果再往下拆，会发现这些公司虽然一起下场了，但打法并不相同。

第一类：既卖铲子，也自己下场做应用

微软、Alphabet、Amazon 属于这一类。

它们有云，有基础设施，有模型，有企业客户，很多时候还能把 AI 能力重新打包进原来的企业 IT 账单里。对它们来说，AI 不是一个单点产品，而是整个平台的升级税。

你要训练模型，要买云。

你要推理，要租算力。

你要做 Agent，要买平台服务。

你要给员工上 AI 工具，还得买 Copilot、Gemini 或 Bedrock 相关能力。

所以这几家真正争的，是“谁能把 AI 变成默认基础设施”。

第二类：流量平台先重写分发入口

Meta、腾讯、百度更接近这一类。

它们的基本盘不是企业合同，而是流量、广告、内容生态和高频用户时长。对这类公司来说，AI 最先改写的不是云收入，而是推荐、创意、对话入口和广告变现效率。

Meta 是最典型的例子。它不必先把 AI 卖给所有企业客户，只要把 AI 持续塞进广告推荐、内容分发、创作者工具和 Meta AI 入口里，商业价值就已经开始兑现。

腾讯也类似。微信、广告、游戏、云，本来就是天然适合塞 AI 的场景。它未必一定和微软去卷 Office 套件，但一定会去卷微信里的助手、广告投放效率、游戏内容生产和企业协同。

百度则更像一家具备模型和云能力的搜索平台，必须一边守住传统流量盘，一边把 AI-native Marketing、AI 应用和 AI Cloud 快速做大。

第三类：把 AI 变成产业和交易基础设施

阿里最典型。

它不只是想做一个通义千问，也不只是想把阿里云卖出去。它更想把 AI 重新嵌回电商、商家工具、客服、营销、供应链和产业云。

所以阿里这两年反复讲 AI + Cloud，不是因为口号好记，而是因为它比很多公司更明确地看到：模型未必是利润最高的一环，但模型会重新定价云，也会重新定价交易平台。

这也是为什么半导体会被一起点燃

把上面这些站位放回去看，半导体这轮疯涨就容易理解多了。

如果只是某一家巨头看好 AI，那更多还是主题投资。

但现在是好几家现金流最强的平台公司，几乎同时把 capex、模型训练、推理服务、Agent 平台和分发入口往同一层堆。这个需求不是轮流来，而是并行来。

并行需求最后会变成非常具体的订单：

GPU 和定制 AI 芯片。
HBM 和高端 DRAM。
企业级 SSD 和更高带宽存储。
高速网络、交换芯片、光模块。
数据中心、电力、散热。

这就是为什么看这轮半导体，不能只盯某一家存储厂或者某一个国家的周期。

真正的背景是，互联网巨头罕见地在同一层基础设施战争里同时踩油门了。

最后收一下

截至 2026 年 5 月 12 日，我对你这个观点的判断是：

基本成立。
更准确的表述不是“大家都在同一个产品赛道里厮杀”，而是“大家都被拖进了同一层 AI 基础能力军备竞赛”。
这件事的重要性，不只在于会不会出现爆款 AI 应用，更在于它把搜索、广告、社交、电商、办公、云这些原本分散的利润池，重新拉回同一个底层框架里竞争。
这也是半导体，尤其 GPU、HBM、存储和数据中心链条最近这么猛的核心背景之一。

以前这些巨头还能各守城池。现在不太行了。大模型已经不是一个可以围观的新方向，而是一场谁都不敢缺席的基础设施战争。

参考资料

写作附记

原始提示词

前文写到了AI需求旺盛，半导体疯涨，这里有个背景，但是容易被大家忽略，那就是AI大模型，是少见的，各家互联网巨头都开始卷的赛道，以前都在都在各自的领域发展，很少现在这样，全部都在一个赛道里面厮杀。先确定我这个观点对不对？然后梳理各家发展的赛道，各自的营收、净利润，对于AI的投入。

这篇从上面的原始提示词出发，按第一次写稿的方式确定主线、材料密度和结构。date 字段沿用原发布时间，其他内容只服务当前文章承诺。

库存比股价更早给信号

Tue, 12 May 2026 00:19:22 +0800

半导体股票疯涨时，最难的问题不是“这轮有没有逻辑”，而是“什么时候结束”。逻辑往往是真的，周期也往往是真的，危险在于两者不是同一件事。

半导体周期的主升段，通常来自几个变量叠加：需求突然变强、供给来不及扩、库存被快速消化、价格开始上涨、企业利润表好看起来。存储、AI 服务器、先进制程和设备公司，都会在不同位置受益。

但周期结束时，股价常常不是等利润表变坏才跌。它会先看库存、订单和资本开支。只要市场开始怀疑客户囤货过多、价格涨不动、产能扩太快，股价就可能先反应。等财报真正确认下行，通常已经不是第一跌。

先看现状：这还是一轮供需没松掉的行情

把几家最关键的公司和行业口径放在一起看，答案已经很直白。

对象	截至 2026 年 5 月的公开信号	更关键的含义
Micron	2026 财年 Q2 营收 238.6 亿美元、毛利率 74.9%	AI 驱动的高端内存与存储需求仍在把利润往上抬
SK hynix	2026 年 Q1 营收、营业利润创纪录	HBM 与服务器相关需求仍然是主线，不像景气尾声
Samsung	2026 年 Q1 持续强调内存和服务器相关需求受 AI 拉动	不只是单一产品线热，服务器内存链条都在受益
SIA	2026 年 Q1 全球半导体销售额同比继续高增长	这不是一两家公司的财技，而是行业总量仍在往上冲

把这些信号串起来看，市场现在交易的不是“普通复苏”，而是一轮 AI 基础设施把内存、封装、服务器存储一起拽紧的结构性行情。

这也是为什么美股存储和韩国半导体最近看起来像同一张脸。Micron、SK hynix、Samsung 吃的不是三套独立逻辑，背后都指向同一件事：AI 数据中心把 memory complex 的利润弹性重新打开了。

这轮为什么不像 2021 到 2022 那轮

2021 到 2022 那轮更像广泛缺芯。

汽车、家电、PC、手机、服务器，几乎所有环节都在补库存，疫情又把供应链扯乱，所以行情看起来很满，但需求来源其实很散。它的死法也很典型：终端需求回落，库存爬起来，价格周期翻脸。

这次更集中，也更危险。

集中在于，需求核心来自少数几家超大厂的 AI 资本开支。它们一下单，内存、HBM、高容量模组、企业级 SSD、先进封装一起受益；它们一旦放慢，传导也会更快。

危险在于，市场很容易把这种“少数几家超级买家集中拉货”的高景气，误读成整个半导体行业已经进入一个更长的稳态繁荣期。实际上，它依然是周期，只是这次周期的发动机和以往不一样。

历次半导体周期，真正的落幕方式都差不多

我不想把这部分写成编年史。对投资更有用的，是每轮周期最后是怎么死的。

周期阶段	大致持续时间	最后怎么落幕	最值得记住的信号
1998-2000 上行	约 2 年	互联网泡沫破裂，PC 相关需求下滑，库存压顶	需求先塌，销售额和库存一起翻脸
2002-2007 上行	约 6 年	全球金融危机先杀需求，再杀估值	宏观信用环境突然恶化
2016-2018 上行	约 3 年	存储价格周期反转，叠加贸易摩擦	价格先松，memory 利润先掉头
2020-2022 上行	约 3 年	疫情透支结束，手机、PC、服务器去库存	终端需求边际走弱，库存回升
2023-至今	已经 3 年	还在演绎中	龙头还在讲紧张和高端扩产

把这些周期压缩成一句更实用的话，大概就是：

\[ \text{周期见顶} \approx \text{需求增速降下来} + \text{供给追上来} + \text{客户从抢货改成观望} \]

也就是说，半导体周期真正结束，通常不是因为“股票涨太多了”，而是因为现实里的供需关系先松了。

所以这轮最先坏掉的，不会是利润表

如果要判断这轮什么时候危险，我现在更愿意盯三个东西，而不是直接盯年份。

第一，龙头公司的表述会不会变。

现在它们讲的是缺货、扩高端产能、需求强、产品结构继续改善。真正危险的时候，电话会上会慢慢出现另一套词：库存、折旧、利用率、价格压力、客户更谨慎。

第二，扩产会不会从“选择性补高端”变成“全线一起补”。

高景气阶段扩产并不可怕，可怕的是大家都相信好日子还能持续很久，于是从 HBM、服务器 DRAM、eSSD 这种最赚钱的地方，慢慢扩散到更广的普通产能。那时供给过剩的种子才真正种下去。

第三，超大厂 AI capex 会不会掉头。

这轮周期的发动机不是普遍消费电子复苏，而是少数几家巨头在同时堆 AI 基础设施。只要这台发动机还在踩油门，上游利润表就很难立刻翻脸；但一旦云厂商和平台厂商开始集中收手，市场会重新定价得非常快。

如果一定要给时间判断，只能给危险区，不该给神棍答案

我现在更愿意把 2027 年之后理解成危险区，而不是把某个季度写成必然顶点。

原因不复杂。

供给释放有物理时滞，cleanroom、设备、封装、良率都不是今天拍板明天交货。另一方面，客户的长期需求和锁单安排又在把未来一两年的高景气往前搬。这个组合意味着：只要需求端不先松，供给端很难在 2026 年内就把这轮周期硬生生掐死。

所以更合理的写法不是“2027 年下半年一定见顶”，而是：

2026 年更像利润兑现与高端扩产并行的一年；
真正值得防守的，是后面供给追赶和需求减速开始相遇的阶段；
一旦市场还按高利润永续去定价，而电话会已经开始出现库存和价格压力，危险就到了。

真该盯的，是这几个先坏掉的信号

该盯的指标	继续强意味着什么	开始转弱意味着什么
龙头财报对需求与供给的措辞	周期还在兑现期	管理层开始为降速铺垫
高端内存与存储产品价格、交期	紧张还在外溢	供给开始追上来
capex 结构	还是选择性补高端	扩产开始向更广产能扩散
hyperscaler 的 AI capex	发动机还在踩油门	这轮景气最核心的需求源头松了
客户行为	还在锁单、抢货	从抢货切换成观望

我自己的判断标准很简单：只要行业还在讲供不应求，而不是讲库存修复，这轮周期就还没有真正结束。

最后收一下

截至 2026 年 5 月 12 日，我依然不把这轮半导体景气的终点放在 2026 年。

真正的原因不是“AI 永远不会降温”，而是供需关系眼下还没松到能让周期自己死掉。美股存储和韩国半导体最近这么猛，也不是两个故事，而是一轮 AI 内存周期在不同市场上的同步重估。

所以现在最容易做错的，不是看多半导体，而是把“利润表还很好”错当成“周期快结束了”。很多时候，周期不是死在最差的时候，而是死在大家都觉得最好日子还很长的时候。

参考资料

写作附记

原始提示词

近期半导体相关的股票都在疯涨，美股的存储，韩国的半导体，整理相关资料，预测下什么时候结束这轮半导体周期。历年的半导体周期分别是怎么样落幕的，持续了多久。

这篇从上面的原始提示词出发，按第一次写稿的方式确定主线、材料密度和结构。date 字段沿用原发布时间，其他内容只服务当前文章承诺。

富途成本价变低之后

Fri, 08 May 2026 23:45:20 +0800

看到富途持仓里的成本价突然变低，甚至变成 0 或负数，第一反应很容易是：券商是不是算错了？

大多数时候，问题不在“算错”，而在你以为它显示的是买入均价，页面实际显示的是摊薄成本。

成本价这个字段最麻烦的地方，就是它听起来像一个统一概念，其实可能服务完全不同的页面：持仓页、盈亏页、报表、税务 lot、公司行动后的参考成本，都可能不是一套算法。

先用一个例子把差异摊开

假设你做了三笔交易：

买入 100 股，价格 10 元；
再买入 100 股，价格 20 元；
卖出 100 股，价格 25 元。

最后还剩 100 股。

这时不同算法会给出完全不同的“剩余成本”：

算法	剩余 100 股成本	关键差异
平均成本	15 元	只看买入均价，不把卖出收益摊回剩余持仓
摊薄成本	5 元	把已卖出部分赚到的钱摊回剩余持仓
FIFO	20 元	默认先卖掉第一批 10 元买入的 100 股

差异就出在第三笔交易。

如果页面只关心买入均价，剩余成本还是 15 元。如果页面把已实现收益摊回剩余持仓，成本会被压到 5 元。如果按 FIFO tax lot，看起来剩下的是第二批 20 元买的股票。

所以看到成本价下降，不要先问“香港券商默认是哪种”。先问：这个页面有没有把卖出盈亏摊回剩余仓位。

富途持仓页用的是摊薄成本

富途香港帮助中心把“摊薄成本价”和“平均成本价”分开解释。

它对摊薄成本价的公式大意是：

\[ \text{摊薄成本价}=\frac{\text{买入总金额}-\text{现金派息}-\text{卖出总金额}}{\text{持有数量}} \]

这个公式的重点在“卖出总金额”会进入分子。也就是说，卖出赚到的钱会反过来影响剩余持仓的成本价。

富途帮助中心的常见问题也说明，当卖出金额大于买入金额、但仍有剩余持仓时，成本价可能显示为 0 或负数。

所以，如果问题限定在“富途持仓页的成本价字段”，答案比较明确：它看的是摊薄成本，不是单纯买入均价。

但这句话不能扩大成“富途所有报表都只有这一套口径”。持仓页是给用户看当前仓位状态的，报表、税务、公司行动、转仓后的成本调整，可能有自己的规则。

不同券商不是同一个默认

真正容易误导人的，是把“富途持仓页”外推成“香港券商默认”。

老虎证券帮助中心把平均成本、FIFO、摊薄成本几套算法都列了出来，未实现盈亏、已实现盈亏页面也会区分算法差异。IBKR 的 Lot Matching Methods 页面则把 tax lot matching 的默认方法写成 FIFO。

这说明不同券商的“成本”不是同一个东西。

更稳的说法是：

富途零售持仓页更偏摊薄成本；
老虎会把多种成本算法显式区分；
IBKR 这类国际券商在 tax lot 语境下更偏 FIFO。

它们服务的不是同一个页面，也不是同一个用户问题。

一个中文散户 App 的持仓页，往往想回答“我这笔剩余仓位离回本还差多少”。一个税务或 lot 报表，更关心“这笔卖出对应哪一批买入”。前者和后者的成本价不同，很正常。

国内券商也不能一口咬死

国内券商这边，同样不能简单说“默认是哪种”。

国信证券的投教材料把“持仓成本价”和“买入均价”拆开。兴业证券的成本价介绍也并列了买入均价、持仓成本、摊薄成本、保本价等字段。

这说明国内券商前端常见的做法，不是只给一个买入均价，而是把几个口径摆在不同字段里：

买入均价：更接近买入成交的平均价格；
持仓成本/摊薄成本：会考虑买入、卖出等变化；
保本价：可能进一步把费用也放进去。

所以，国内券商和富途在“持仓页体验”上有相似之处：它们都可能更关心剩余仓位现在离回本还有多远，而不是只展示最初买入均价。

但一旦进入报表、税务、转仓、拆股、合股、分红、供股这些场景，就不能再拿前端持仓字段当唯一真相。

以后看成本价，先问三个问题

以后看到任何券商页面上的成本价，我会先问三件事。

第一，这个字段叫什么？

是买入均价、成本价、摊薄成本、持仓成本，还是保本价。名字不同，通常口径就不同。

第二，卖出以后剩余成本会不会变？

如果会变，说明它很可能把已实现盈亏摊回剩余持仓。如果不会变，它可能更接近买入均价或 lot 口径。

第三，这是持仓页、盈亏页，还是税务/报表页？

持仓页更偏体验和回本感，报表更偏记录和结算。拿一个页面去解释另一个页面，最容易看错。

所以富途成本价突然降低，不一定是系统算错。它可能只是告诉你：前面卖出的收益已经被摊回剩余持仓了。

真正要比较券商，也别问“香港默认哪种、国内默认哪种”。应该拿同一家券商的帮助中心，先看清这个字段到底为哪个页面服务。

参考资料

写作附记

原始提示词

富途证券成本价算法，香港券商默认是哪种？国内券商，默认是哪种？

写作思路摘要

保留原文的三套算法例子，但把结论从“券商地区默认”改成“页面字段口径”。
强化富途摊薄成本的解释，同时提醒不要把持仓页字段外推到所有报表。
不提供投资或税务建议，只解释页面成本价为什么会变化。

AI 股票第一轮大涨押注的是什么

Fri, 08 May 2026 19:40:15 +0800

ChatGPT 之后，AI 相关股票涨得最猛的，不一定是讲故事最多的公司，而是市场最容易确认“它马上能收到钱”的公司。

第一段确定性在算力。英伟达这类公司涨得快，是因为大模型训练和推理都绕不开 GPU，订单、毛利和数据中心收入能直接反映到财报里。市场不需要等一个遥远的商业模式，只要看云厂商和大模型公司继续买卡。

第二段确定性在存储和带宽。闪迪这类股票暴涨，除了 AI 叙事，也和自身市值、行业周期、存储价格、供需反转有关。它不是单纯“AI 东方不亮西方亮”，而是 AI 需求撞上了一个原本估值和周期位置都更容易被拉动的资产。

先别急着问泡沫，先看钱先落到哪

把时间线摊开，AI 行情大概是这么扩散的：

阶段	AI 发展状态	最受追捧的股票类型	市场真正买的东西
2022-11 到 2023-03	ChatGPT 出圈，GPT-4 发布	微软、英伟达、部分云厂商	买入口、买平台、买“AI 不只是玩具”
2023-05 到 2024	英伟达业绩与指引炸开，GPU 订单被证实	英伟达、超微电脑、台积电、博通	买真实订单，AI 从故事变成收入
2024 年	Blackwell、AI factory、超大集群建设	英伟达、博通、甲骨文、服务器和网络链条	买整座 AI 工厂，而不只是几张卡
2025 年	企业 AI 开始进流程，云厂商 capex 继续拉高	Palantir、微软、甲骨文、部分软件股	买“企业会不会真把 AI 变成预算”
2025 下半年到 2026 年初	存储补涨，纯标的弹性被放大	美光、SanDisk、西部数据相关链条	买 NAND 周期反转，外加 AI 存储需求

这张表里最关键的分水岭是 2023 年 5 月。

OpenAI 在 2022 年 11 月发布 ChatGPT，2023 年 3 月发布 GPT-4，那时候市场当然已经很兴奋，但依然可以怀疑它只是一个惊艳的新产品。真正把怀疑砸穿的，是英伟达 2023 年 5 月 24 日那次财报。公司当季数据中心收入达到 42.8 亿美元，同时把下一季度营收指引直接抬到 110 亿美元。

那一刻市场第一次清楚看到，大模型热潮不是只会制造流量，还会直接制造 GPU 订单。

到了 2024 年，英伟达在 FY2025 Q1 又把数据中心收入做到了 225.6 亿美元，同比增速达到 427%。这时候行情就不再只是“买英伟达”，而是开始买一整套 AI 基础设施：服务器、网络芯片、代工、液冷、电力、机房、云租赁。AI 不再像一个软件故事，更像一座正在建设中的工厂。

这轮牛市最不对称的地方，是上游先闭环了

所以很多人会有一种错觉：既然这么多 AI 股票都在涨，是不是说明商业闭环已经成了？

其实不是整条链条一起闭环，而是上游先闭了。

层级	现在的兑现程度	为什么会先涨	风险在哪里
GPU、HBM、网络芯片	最高	云厂商和模型公司已经真下单、真花钱	一旦 capex 放缓，估值压缩会很快
服务器、代工、机房与云基础设施	较高	AI 集群建设带来连锁需求	折旧、电力和利用率会反噬现金流
企业软件	中等	企业愿意试点，愿意先签预算	从试点到生产的 ROI 还没完全坐实
消费级应用	最弱	用户规模可以起来	付费、留存和推理成本未必平衡

这个结构决定了为什么股价会先从英伟达、博通、超微电脑、台积电这种位置爆发，再慢慢把乐观情绪扩散到企业软件和存储。

因为上游公司拿到的是最直接的现金流。微软、Meta、Google、亚马逊这些巨头先把 capex 花出去，GPU、网络、服务器供应商先把钱赚到。至于终端应用到底能不能把这些投入再赚回来，往往要慢很多拍。

这也是为什么微软、甲骨文、Palantir 这些公司在后半段特别受关注，但市场对它们的耐心和估值逻辑，和对英伟达其实完全不是一回事。

微软可以拿出更硬的经营数据，例如 2025 年 1 月披露 AI 业务年化收入运行率已经超过 130 亿美元，Azure 增长里也有 AI 服务贡献；甲骨文则把 Remaining Performance Obligations 做到了更大的规模，公开点名有来自 Meta、NVIDIA 等客户的新承诺。它们证明的不是“AI 很酷”，而是企业客户真的在签长期单。

但就算这样，它们面对的仍然是同一个问题：这些大单最后能不能持续产生足够高的回报。

SanDisk 为什么会在后排突然跑出来

SanDisk 这一段最容易被误读。

很多人看到它暴涨，第一反应是“又一个 AI 概念股”。其实它更像几条线刚好同时共振了。

第一条线，是 AI 真的把存储需求往上抬了。

训练数据、推理缓存、向量检索、检查点保存、日志归档、数据湖，这些都要吃存储。AI 工厂不是只靠算力卡堆起来的，没有足够快、足够稳的存储，很多流程根本跑不顺。

第二条线，是 NAND 本身就在走周期修复。

存储一直是强周期行业。景气底部的时候，价格和利润会被杀得很惨；一旦供给收缩、价格回升、库存回到健康区间，盈利弹性通常比成熟软件公司大得多。

第三条线，是标的变纯了。

Western Digital 在 2025 年 2 月 24 日完成了闪存业务分拆，SanDisk 重新成为一个更纯粹的闪存标的。分拆之后，市场更容易直接按 NAND、SSD 和企业存储需求给它定价，而不是把它和西数原来那套更复杂的业务结构混在一起看。

第四条线，才轮到你提示词里说的那一点：它原本不是那种已经大到很难被重新定价的超级巨头。

市值不大、预期不高、业务又刚好处在周期修复和 AI 补涨的交叉点，这种股票一旦碰上业绩或指引改善，弹性本来就会比大盘权重要猛得多。

所以 SanDisk 这波更像“AI 东风吹到存储周期底部”，而不是单独靠一个概念被硬拉上去。

后面会不会崩，不是一道选择题

我现在更不愿意把这轮行情简单写成“会崩”或者“不会崩”。

因为不同层级面对的根本不是同一种风险。

Goldman Sachs 在 2024 年那篇《Gen AI: Too Much Spend, Too Little Benefit?》里质疑的，就是投入巨大、回报偏慢的问题。Sequoia 的《AI’s $600B Question》也在追问，整个生态为了支撑上游资本开支，最后到底需要多少真实收入才能接住。Gartner 则从企业项目执行层面提醒，很多生成式 AI 项目会在 PoC 之后因为成本、数据和商业价值不清晰而被放弃。

这些警告都不是在说 AI 没价值。

它们真正提醒的是另一件事：上游的收入兑现速度，明显快于下游的 ROI 兑现速度。这个时间差，才是后面最容易引发再定价的地方。

如果四大云厂商继续大举 capex，上游硬件公司的业绩就还有支撑；但一旦市场开始集中追问两个问题，波动就会放大：

第一，云厂商的钱到底还能这样花多久？

第二，企业和消费者到底愿不愿意持续为这些 AI 能力付费？

只要这两个问题没有被真正回答，AI 股票后面就不会是“整体一起崩”，而更可能是分层出清。先被挤掉的，通常是那些收入还不够硬、估值却已经把远期乐观打得很满的公司。

真正要看的，不是发布会，是三张表

如果还要继续观察这轮行情，我更想看三类东西：

第一类，是云厂商的资本开支和剩余合同负债。

因为这决定上游订单还能不能继续滚。

第二类，是英伟达、博通、美光、SanDisk 这些上游公司的收入、毛利率和库存。

因为这能看出现在赚到的是长单红利，还是周期价格修复。

第三类，是微软、Palantir 这类更靠近企业应用层的 AI 收入、项目续费和落地速度。

因为真正决定这轮 AI 牛市能不能从“硬件先赚钱”走向“全链条赚钱”的，不是下一场模型发布会，而是有没有越来越多企业愿意把试点预算变成长期开支。

所以我对这轮行情的判断一直是：

AI 不是假的，上游收入也不是假的；但很多股票价格里，已经提前塞进了下游也会很快跟上的假设。

后面最容易出问题的，不是技术本身，而是这个假设的兑现速度。

参考资料

写作附记

原始提示词

AI这波浪潮很多公司的股价都涨到天上去了，按照时间线整理ChatGPT发布以来相关公司的股票涨幅，标注涨幅最猛的时间段，对应的AI发展到什么状态，为什么对应的股票暴涨。闪迪为什么能暴涨这么多，除了AI的东方，还有因素，闪迪原本的市值不高，拉高需要资金，市值低，耗费的资金就更少。搜索下研报，这波AI后续会发生崩塌吗？目前都是烧钱，还没有完整的盈利闭环。 …4265 tokens truncated…较费 token，我就想着用本地的大模型，对接了本地的大模型，我又想到了对比下本地大模型和在线版本的区别，又对接了 minimax；blog-style-suite 和 blog-writer 的演化历史可以分析的 git 提价记录。顺带基于本地 blog-writer、blog-style-suite 的代码，可以讲讲里面的设计思路，是如何做到了节约 token，数据结构是如何设计的，核心的设计思路。Token 富裕完全能生吃历史文章，预处理能节约很多 token

这篇从上面的原始提示词出发，按第一次写稿的方式确定主线、材料密度和结构。date 字段沿用原发布时间，其他内容只服务当前文章承诺。

512GB 手机已经是很多人的资料库底线

Wed, 06 May 2026 23:23:34 +0800

我以前也觉得 512GB 手机有点夸张。手机就是手机，照片、微信、下载文件，定期往电脑里倒一下，清一清，空间不就够了吗？

这个判断背后有一个前提：你有一台稳定使用的电脑，并且习惯把手机当临时容器。可很多 00 后和上一辈老人不是这样。他们的主设备就是手机，甚至唯一长期稳定使用的数字设备也是手机。

微信聊天记录、相册、短视频素材、孩子照片、工作文件、网课资料、体检报告、票据、证件照，这些东西不会自然流向电脑。它们就堆在手机里，而且用户并不总能分清哪些能删、哪些应该备份、哪些删了就找不回来。

很多人根本不围着电脑生活

对不少 00 后、老人，甚至很多普通上班族来说，电脑并没有消失，但它已经退成一个低频工具。

照片在手机里拍，聊天记录在手机里，付款截图在手机里，身份证照片、孩子视频、出游相册、工作群文件，也都在手机里。电脑偶尔拿来打印、填复杂表格、传大文件，却不再承担“把生活收纳起来”的那层角色。

一旦入口、查看、回忆和再次调用都发生在手机上，手机存储就不能再按“临时缓存”理解了。

它不是等着你搬空的中转站，而是主仓库。

电脑文件夹那套，对普通人越来越笨

电脑管理资料并不是没优势。屏幕大、拖拽方便、目录清楚，这些都是真的。

但它有个前提：你得愿意主动维护秩序。

你要记得建文件夹，记得删重复照片，记得把微信图片和相册分开，记得以后再回来找。时间一长，大部分人最后只会剩下一堆巨大目录，比如“手机备份”“旧手机备份”“微信图片”“导出照片”，名字看着整齐，实际很少再打开。

手机相册这几年解决的，恰恰不是“怎么存”，而是“怎么找回”。

Apple 在 Photos 隐私说明里明确写到，照片应用会使用端侧机器学习来组织照片和视频，支撑回忆、人物与宠物相册、精选照片这些功能。Google Photos 也已经把 Ask Photos 接进相册检索，让用户直接用自然语言去问那张照片、那次旅行、那个人。

这套东西当然不完美，会慢，会错，也会带来隐私顾虑。

但它的方向很明确：普通用户不想先设计文件系统，他们只想在需要的时候找回来。

从这个角度看，手机相册不是在替代专业管理软件，而是在替代那套大多数人本来也懒得长期维护的文件夹习惯。

512GB 买的不是空间，是“不用先导出人生”

所以 512GB 手机不只是“多装点照片和视频”。

它买到的其实是一种更低摩擦的生活方式：不用老想着清理，不用每隔一阵子把资料迁到电脑，不用把很多内容丢进一个以后大概率不会再主动打开的目录。

这也是为什么高端手机厂商会持续把容量档位往上做。以三星美国官网在售的 Galaxy S25 Ultra 为例，官方就同时提供了 256GB、512GB 和 1TB 选项。厂商当然也想卖更高客单价，但这类配置能长期存在，本身就说明它对应的是一批真实需求，而不只是参数表上的炫耀。

对很多老人来说，这个逻辑更直接。

他们不是不知道备份更安全，而是整套“电脑 + 数据线 + 文件夹 + 定期维护”的方案执行成功率太低。与其要求他们建立一套自己根本不会坚持的资料制度，不如承认一个更现实的事实：买一台大容量手机，往往才是他们最稳定的资料保存方式。

这听起来不专业，但很实用。

真问题不在够不够放，在丢了怎么办

不过大容量手机也确实会把另一个问题放大。

以前手机像缓存，丢了会难受；现在手机像主库，丢了可能就是好几年的家庭相册、聊天记录、生活凭证和工作资料一起丢。容量越大，里面沉淀的东西越多，单点风险也越高。

所以 512GB 解决的是“够不够放”，不解决“能不能一直找回来”。

真正该补的不是道德式地要求所有人回到电脑管理资料，而是围绕手机已经成为主资料库这个现实，去把迁移和备份做得更稳：自动云同步、换机时重点核对照片与聊天记录、家人协助老人完成迁移，或者至少别让“清理手机”变成“把资料挪进一个以后没人再打开的地方”。

我现在对大容量手机的看法确实变了。

如果一个人有稳定的电脑工作流，256GB 或 512GB 可能已经够用；但如果一个人的人生资料本来就主要住在手机里，512GB 真不算大。它不是在替代电脑，而是在承认很多人的手机，早就已经是那台最常用的电脑了。

参考资料

写作附记

原始提示词

手机的硬盘越做越大，以前一直觉得没必要，512GB，都赶上笔记本电脑的磁盘空间了，这里存在个认知差异，我由于自己有个台式机，很多资料都是定期备份到电脑，然后清理手机的资料，比如：微信记录、相册。但是现在很多 00 后，还有上一辈的老人，他们基本不熟悉电脑，很少用电脑来管理资料。电脑管理相册，现在来看，也不如手机自带的相册，比如消息，手机自带的AI模型，能在充电的时候，自动处理分析相册里面的数据，交互设计、管理方案，都比电脑端的软件更好。

这篇从上面的原始提示词出发，按第一次写稿的方式确定主线、材料密度和结构。date 字段沿用原发布时间，其他内容只服务当前文章承诺。

五一档票房塌了以后

Tue, 05 May 2026 08:46:19 +0800

今年五一档被说“塌了”，如果只看票房数字，确实容易得出一个很简单的结论：大家没钱了，不去电影院了。

但这个解释太省事。经济压力当然会影响消费，可电影市场的问题不是今年才出现。过去几年，观众已经被太多“资本 + 流量 + 宣发”的组合消耗过。预告片很热闹，阵容很体面，上映前话题很多，真正坐进影院却发现内容撑不住。

以前烂片不是没有，只是观众还有一点惯性。节假日要出门，情侣要约会，家庭要找活动，电影院天然吃一部分确定性消费。后来这种确定性被反复透支，观众学会了等口碑、看短评、等流媒体，甚至干脆不把电影当节日默认选项。

先看断层

年份	档期口径	总票房	观影人次	备注
2021	5月1日至5日	16.68亿元	4410.54万	疫情前高位，国家电影局口径
2022	4月30日至5月4日	2.97亿元	865.8万	疫情冲击下的异常低点
2023	4月29日至5月3日	15.19亿元	-	恢复到 15 亿元平台
2024	5月1日至5日	15.27亿元	3777万	与 2023 基本持平
2025	5月1日至5日	7.47亿元	1889.5万	平均票价 39.5 元
2026	5月1日至5日	7.48亿元	2054.2万	平均票价同比下降 3.1 元

2022 年不能当基线。那是影院营业和出行受限制的异常年份，拿它来证明电影市场本来就该低迷，没有意义。

真正说明问题的是 2023 到 2026 这条线。

2023、2024 连着两年站在 15 亿元左右，说明五一档至少一度恢复过。可到了 2025，票房和观影人次直接对半砍；2026 虽然比 2025 略高一点，但只是从 7.47 亿元抬到 7.48 亿元，离两年前的正常平台还是差了将近一半。

这不是简单波动，而是观众买票决策的底层逻辑变了。

票价已经往下让了

很多人第一反应是经济下行。

这当然是原因之一，但不是全部。因为如果问题只有“贵”，那平均票价下降之后，需求至少该有更明显的修复。国家电影局披露 2026 年五一档平均票价同比下降 3.1 元；按猫眼研究院披露的 2025 年平均票价 39.5 元倒算，2026 年大概在 36 元出头，已经回到一个相对更容易下手的位置。

结果是，人只多回来一点。

这说明观众现在不是单纯嫌票贵，而是在想另一件事：我为什么要把这两个小时和这笔钱先押给电影院？

以前电影票更像默认消费，今天电影票更像风险消费。要是不好看，损失的不只是几十块钱，还有假期里最完整的两个小时。尤其当短视频、剧集、游戏、演唱会、旅游、露营和 city walk 都在抢同一笔预算时，电影已经不是那个天然优先项了。

观众不是突然变挑剔了

过去也不是没有烂片。

问题在于，前几年行业太依赖另一套更省力的做法：先把预售、热搜、排片、话题和情绪素材推高，再用票房数字反过来给电影背书。只要首周末冲起来，后续所有宣传都可以继续沿着“大家都在看”往前滚。

这套打法短期很有效，长期却一直在透支一个东西：观众对宣传承诺的信任。

像《满江红》《热辣滚烫》这类现象级项目，本身当然有商业成功的理由。问题不在于某一部片子该不该卖座，而在于观众越来越频繁地感觉，自己买到的不是一部被反复讨论的作品，而是一整套把你推进影院的营销工程。

“宣发费用可能比制作费用还高”这种说法，我没有看到统一、可靠的公开财务口径，所以不能写成事实。但它能在舆论里反复流通，本身就说明观众已经开始怀疑：钱到底是花在电影里，还是花在让我误以为这部电影必须看。

这种怀疑一旦形成，下一次再遇到密集热搜和强排片，很多人第一反应就不是冲，而是等等看。

五一档塌的是那层默认关系

所以我不太认同“大家都不去电影院了”这种说法。

更准确的表述应该是，大家不再愿意无条件相信电影院仍然是最稳妥的假期消费。以前观众默认买票不会太吃亏，现在观众默认先观望也没什么损失。这个顺序一变，五一档这种靠集中释放需求吃饭的档期，伤得最重。

这也是为什么 2026 年比 2025 年略有修复，市场情绪却依然很差。因为行业真正失去的不是某一年几千万票房，而是那种“假期到了，总得进一次影院”的消费惯性。

这层惯性一旦断掉，后面再靠流量、争议、粉圈、预售冲高去补，会越来越贵，也越来越没用。

最后能把人重新拉回来的，还是电影本身有没有给出足够明确的理由：它值不值得你专门出门一趟，值不值得你在假期里把这两个小时交出来。

如果这个问题继续被宣发替代，被排片替代，被热搜替代，那五一档以后看到的，就不会只是票房难看，而是观众一次次选择不再先付款。

参考资料

写作附记

原始提示词

$blog-writer 都在说今年的五一电影票房塌了，对比下往年的数据，确实很惨。抛开经济下行，大家兜里不再那么富裕，以前上映的烂片难道没责任，资本+流量的打发，迟早反噬，现在就是最好的反噬，大家都不去电影院了？满江红、热辣滚烫，我到现在都没眼看这两部片子，宣发费用能大于制作费用。记得整理具体的表格，对比五一票房这五年是如何崩塌的。

这篇从上面的原始提示词出发，按第一次写稿的方式确定主线、材料密度和结构。date 字段沿用原发布时间，其他内容只服务当前文章承诺。

华为、小米和台积电，制程选择背后是两套清单

Mon, 04 May 2026 15:04:48 +0800

华为和小米找台积电代工，表面看都是中国公司做芯片，结果却完全不同：华为被锁死，小米还能走正常商业流程。这个差别不在台积电偏不偏心，而在美国出口管制看的不是国籍这么粗的一条线。

管制真正盯的是实体清单、最终用途、技术来源和芯片会不会服务到被限制的业务。华为被卡住，是因为它长期处在美国管制体系的核心位置，尤其是先进制程、5G、AI 计算和相关供应链，都会被默认放到高风险路径里审查。

小米的玄戒芯片不自动等于同一类风险。只要公司主体、芯片用途、设计环节和最终产品没有落入同样的禁令组合，台积电就可能继续代工。它不是“没被美国封锁所以安全”，而是目前不在华为那种被多层规则叠加锁住的位置。

华为的问题，从来不只是“美国不卖它芯片”。2019-05-15，美国商务部把华为及其关联方加入 Entity List。这一层的意思，是相关物项出口、再出口或者境内转移给华为，需要走许可。

但真正把台积电这条路堵窄的，是后面的两次补刀。2020-05-15，美国商务部公开说得很直白：要限制华为利用美国软件和技术在海外设计、制造半导体的能力。到了 2020-08-17，规则又往前推了一步，把华为作为买方、中间收货人、最终收货人或最终用户的更多场景一起纳进来。

这就不是“华为能不能自己找一家外国工厂”的问题了，而是那家工厂敢不敢接、接了之后会不会触发美国出口管制义务。台积电 2020 年年报里也明确写过，它在 2020-09-15 起停止向华为出货。对华为来说，卡点已经从“买不买得到芯片”变成了“整条海外代工链有没有合规空间”。

华为的路为什么越走越窄

如果只看 2019 年那一刀，你还可以把它理解成“列名单、卡许可”。但 2020 年的规则升级把问题改写了。

因为现代晶圆代工本来就很难完全绕开美国技术。EDA、IP、制造设备、设备里的受控技术，这些环节只要踩进规则定义，海外代工的芯片也可能被认定为受美国出口管制约束。华为被卡住，不是因为它找不到晶圆厂，而是因为晶圆厂很难证明这单可以安心做。

这也是为什么华为后面的难点越来越集中在高端芯片，尤其是先进制程和 AI 处理器。对这类产品来说，设计、代工、封装、供应链尽调都更敏感，留给代工厂的模糊空间反而更小。

小米为什么还能把单送进台积电

小米 2021 年确实也被美国盯过，但盯的不是同一件事。

它当时遇到的是“Communist Chinese Military Company”那一路的投资限制争议。法院在 2021-03-12 先发了初步禁令，随后 2021-05-25 相关证券限制被正式撤销。这个路径影响的是美国投资人能不能买、能不能持有小米证券，不等于美国商务部把小米拉进了华为那套 Entity List + 代工规则 链条。

所以，原始提示词里提到的玄戒 O1，如果按 Reuters 在 2025-05 的公开报道，它由小米内部团队设计、台积电 3nm 代工，这件事本身并不神秘。它说明的是：小米没有被推进华为那条出口管制隧道里，做的也还是手机 SoC 这一档，而不是华为 Ascend 那类已经被美国反复收紧的先进 AI 芯片。

换句话说，小米能找台积电，不是因为美国对中国芯片全面松手了，而是因为“客户是谁”和“芯片是什么”这两个变量，它都没踩进华为那条最窄、最硬的红线。

现在真正被盯住的是哪类芯片

这两年美国规则收得越来越细，方向也越来越明确。

2023-10-17，BIS 发布的新一轮规则，重点点名的是先进计算半导体、半导体制造设备和超级计算相关物项。到 2024-12-02，BIS 又进一步说，这轮加码是为了削弱中国生产可用于先进武器系统、人工智能和先进计算的先进节点半导体能力。

这套口径很关键。它告诉你，美国不是在把“所有中国芯片”一刀切掉，而是在更集中地盯先进 AI、先进计算和相关制造能力。

所以“除了小米，还有没有别的中国企业找台积电代工”这个问题，答案当然是有，但要看做的是什么。Reuters 在 2024-06 就报道过，部分中国 AI 芯片公司为了继续拿到台积电产能，只能主动把设计降级，典型例子包括 MetaX 和 Enflame。这恰恰说明，不是所有中国芯片都被封死，而是越靠近高端 AI 训练和先进计算，越容易被规则卡住。

那条线是怎么暴露的

公开信息里，真正把这条线掀开的是拆机和追溯。

Reuters 在 2024-10 的报道里提到，TechInsights 在华为一款 AI 处理器相关产品里发现了台积电制造的芯片，台积电随后向美国方面作了通报；紧接着，台积电暂停了对中国芯片设计公司 Sophgo 的出货。后续公开报道通常把这条线指向华为 Ascend 910B。

但这里有个边界必须守住：公开报道足够说明这条链条已经敏感到“发现异常就会上报、就会停单”，却还不足以让外界把完整流转路径写成完全坐实的官方定论。更稳妥的说法是，外界目前能确认到的是：问题焦点更接近华为 AI 处理器，而不是手机芯片；一旦碰到这条线，代工厂的合规风险会被迅速放大。

我自己更愿意把这件事理解成三层叠加。华为踩到的是“公司被列管 + 海外代工规则补刀 + 高端 AI 方向更敏感”；小米公开碰到的则是另一条投资限制争议，做的又是消费级手机 SoC。差别不在于台积电偏不偏心，而在于美国规则先问的是你是谁、你做什么芯片、谁来接这张单。

后面这条线大概率还会继续收窄，不会突然放松。真要判断一家中国公司还能不能找台积电，先看名单，再看芯片类型，再看它是不是踩进了先进 AI 那条红线，比单看“是不是中国公司”要靠谱得多。

参考资料

写作附记

原始提示词

查询相关政府资料，解释下为什么华为都芯片台积电不能代工，小米玄戒芯片，台积电能代工，小米没被美国封锁吗，除了小米，还有其他国内企业找台积电代工吗?等于现在更加专注锁死AI芯片，详解华为AI芯片代工的细节，后续如何被发现的，对的产品是哪个?

这篇从上面的原始提示词出发，按第一次写稿的方式确定主线、材料密度和结构。date 字段沿用原发布时间，其他内容只服务当前文章承诺。

北京无人机新规先收紧低门槛零售

Mon, 04 May 2026 14:58:12 +0800

5 月 1 日之后，无人机这件事最容易被误读成“全国突然禁飞”。真正的变化没有这么粗暴，它先影响的是销售、实名、资质、备案和低空场景里的责任链条。

对大疆来说，压力不只来自用户能不能飞，而是零售链路不能再像过去那样轻松。以前很多人买无人机，心里想的是相机和玩具；监管看的是飞行器、空域、数据和公共安全。两边对同一个产品的理解不一样，新规就是把后一种理解推到前台。

大疆的应对大概率会分成几层：消费级产品继续保留，但购买提示、实名、禁飞区、飞行限制和售后教育会更重；行业级产品会更强调合规、授权和场景方案；门店和电商不会只讲画质、续航和避障，也要解释哪里能飞、怎么备案、出事谁负责。

全国这轮变化，不是一个“从此全国都别飞了”的粗暴开关。

民航局 2026-04-21 对《民用无人驾驶航空器实名登记和激活要求》的解读写得很清楚：这项国标自 2026-05-01 起正式实施，但对已售在用的存量无人机留了 12 个月过渡期；真正从实施当天必须满足要求的，是新生产的民用无人驾驶航空器。也就是说，国家层面的动作更像是在把“实名登记后才能激活”和“生产者系统要跟 UOM 打通”做成硬技术要求，而不是让所有旧设备在同一天全国失效。

运行识别这条线也一样，方向非常明确，但不能偷懒写成一句“旧设备马上全国不能飞”。民航局 2026-01-20 对《民用无人驾驶航空器系统运行识别规范》的解读，重点放在“飞行全过程主动报送身份、位置、速度、状态等信息”，也就是先把“谁在飞、飞到哪儿”做成可被识别、可被监视的标准能力。

所以全国规则的核心是：无人机越来越不像一个纯硬件玩具，而更像一个要接入实名、激活、识别和监管平台的飞行终端。

北京则完全是另一种力度。

北京市政府 2026-04-18 公布的《北京市无人驾驶航空器管理规定》直接把本市行政区域全域划为无人驾驶航空器管制空域，所有室外飞行活动都要申请；同时又明确禁止向北京地区销售、出租无人机及其核心部件，禁止运输、携带相关设备进入北京。现有设备要想“带出去再带回来”，还得先完成实名登记和信息核实。

这就解释了为什么外界看到的第一个剧烈场面，不是在全国，而是在北京。

为什么大疆先在北京收渠道

因为北京这套规则改的不是一个按钮，而是一整条消费链路。

如果只是不让飞，消费者还会想办法等等政策、找找适飞区、去外地飞。但北京改的是“买、带、飞、存”一起变。2026-04-27 北京市公安局的提示已经说得非常细：外地游客请勿“携机进京”；北京用户如果要“携机出京”后返京，得提前完成信息核实；线上线下都不能向北京地区销售相关产品，只有符合特殊保障情形的单位或个人，才可能走安全评估流程。

这时候，大疆北京门店继续按普通消费电子那套逻辑卖货，几乎没有现实空间。

界面新闻 2026-04-29 从门店和电商端拿到的信息也印证了这一点：北京门店开始清库，线上停止向北京发货，维修链路也被迫转向外省寄修或授权服务中心。这里当然是媒体报道，不是大疆官方公告，但它已经足够说明企业的短期动作是什么样子了。

所以我不太愿意把这件事简单概括成“大疆被打压”。更准确的说法是，北京把消费无人机原本分散在购买、携带、飞行、维修各环节里的合规成本，突然压成了一整块，而且先在零售端表现出来。

真正增加的不是一个按钮

现稿里有个判断我保留，但要改得更准一点：新规真正抬高的，不是某个页面上多了一个实名按钮，而是整个产品和服务链路都要跟监管系统咬合。

DJI 自己的支持页面其实已经把这个方向写出来了。实名登记页提醒用户通过 UOM 完成登记，也能在 DJI Fly 的“设备管理”里刷新和查看实名状态。飞行报备页又把“实名登记”“飞行报备”“解禁申请”拆成三件不同的事，避免用户把它们混为一谈。

这说明大疆不是到了 2026-05-01 才突然面对监管，而是早就在把 UOM 对接、实名状态显示、报备引导这类动作往 App 和服务流程里塞。只是以前这些东西更像提醒，现在越来越像使用前提。

对大疆来说，最难受的地方也在这里。画质、续航、避障这些能力，用户愿意付钱；但实名状态刷新、报备指引、飞行申请失败原因解释、跨城市携带边界提示，这些都是必须做、却很难变成卖点的成本。

而北京这种高强度地方规则，会把这类“看不见的成本”先放大给消费者看。北京用户最先感受到的，不是参数变化，而是我买不买得到、买了能不能带回来、带回来能不能飞、坏了以后怎么修。

后面会往哪两条路分化

我现在更倾向于把无人机后面的路看成两条。

一条是任务工具化。谁有明确任务主体、审批能力和可交付责任，谁就更容易继续飞。测绘、巡检、农业、应急、公共安全、影视拍摄，这些需求不会因为新规消失，反而会更依赖合规链路、数据闭环和服务稳定性。对大疆来说，这部分不是新机会，而是原本就存在的行业线会被抬得更重要。

另一条是消费级收缩，但不会彻底消失。普通人依然会买轻型航拍无人机，只是购买逻辑会改变。以后先看的可能不是续航和相机，而是自己所在城市怎么管、常去的地方有没有适飞区、UOM 报备麻不麻烦、设备有没有升级路径。

如果只靠“不能卖、不能带、不能飞”，那消费级无人机最后会被挤成少数场景下的特殊玩具。更可持续的方向，还是把规则解释、申请流程、存量升级、跨城携带和责任边界说得更透明一点。对大疆这种公司也是一样，后面真正要产品化的，未必只是更强的影像系统，而是那一层很不性感、但越来越决定用户能不能起飞的合规中间层。

所以这篇最后的判断不是“无人机全国一夜之间被收死了”，而是：全国规则在把行业往实名和识别闭环上推，北京则抢先把最严厉的一面落到了消费者和零售端。大疆先被北京卡住，不是因为全国市场突然蒸发，而是因为北京先把无人机从“数码产品”改写成了“受严格空间管理的飞行设备”。

参考资料

写作附记

原始提示词

$blog-writer 中国内地5月1号无人机的新政对于大疆的影响，大疆又是如何应对的？后续无人机应该如何发展？

这篇从上面的原始提示词出发，按第一次写稿的方式确定主线、材料密度和结构。date 字段沿用原发布时间，其他内容只服务当前文章承诺。

五粮液把白酒旧账摆上桌面

Mon, 04 May 2026 14:18:43 +0800

五粮液这次难看的地方，不只是某一季利润掉了，而是它把白酒行业过去很多年默认能转下去的旧账，一下子摊到了台面上。

以前这套规则大致是这样：厂家给增长目标，经销商先接货，渠道用库存和账期把报表撑住，终端卖得慢一点也没关系，只要下一轮还能继续压货，问题就不会马上暴露。它看起来像品牌力，实际有一部分是渠道金融和库存耐心。

五粮液为什么先显得像“掀桌子”？因为它处在一个很尴尬的位置：高端酒里，它没有茅台那种强金融属性；大众消费里，它又不能像区域酒那样灵活下沉。价格、库存、经销商利润、品牌面子，哪一头都不能轻易放弃。

先看重算

五粮液在《关于前期会计差错更正的公告》里写得很直接：公司对 2025 年业务模式进行梳理，基于谨慎性原则，调整 2025 年部分业务收入确认相关核算；更正涉及 2025 年已披露的一季度、半年度、三季度合并资产负债表和合并利润表部分项目，不影响现金流量表列示。

这句话的分量很重。

它不是在说“今年卖得差了一点”，而是在说：前面那套确认收入和利润的方式，后来自己都觉得不能按原样站住了。

三组重述后的数字，已经把这个变化摊开：

期间	原列报营业收入	重述后营业收入	原列报归母净利	重述后归母净利
`2025` 一季度	`369.40` 亿元	`170.86` 亿元	`148.60` 亿元	`44.16` 亿元
`2025` 半年度	`527.71` 亿元	`235.10` 亿元	`194.92` 亿元	`46.24` 亿元
`2025` 三季度	`609.45` 亿元	`306.38` 亿元	`215.11` 亿元	`64.75` 亿元

尤其半年报那一下，归母净利润从 194.92 亿元改到 46.24 亿元，已经不是小修小补。

它改掉的，不只是一个数字，更是市场原来读这家公司、读这个行业报表的方式。

旧规则靠什么跑

白酒行业以前最核心的，不是终端到底喝掉了多少，而是货能不能先顺利压进渠道。

厂家把货发给经销商，经销商再往下分。只要批价稳、库存还能消化、经销商愿意继续接货，报表就能先体面起来。

这套东西在上行周期里是跑得通的。

需求在涨，经销商愿意多拿货；价格体系稳，库存看起来不像风险；品牌够硬，大家默认这些酒迟早能卖出去。对白酒这种强品牌、长渠道、重价格体系的生意来说，库存一度不只是库存，还是一种“未来还能卖”的信心。

问题在于，这种信心本身是有前提的。

一个前提是终端动销不能掉得太快。另一个前提是价格预期不能松。

只要这两个变量同时变坏，渠道就不会再愿意替厂家把未来销量往前搬。库存会从“还能扛一扛”变成“先别再压了”，以前那套靠发货、靠渠道蓄水池把报表做平的办法，也就跟着卡住。

五粮液这次的重算，本质上就是在告诉市场：这座蓄水池没有以前那么能扛了。

为什么是五粮液

如果问为什么偏偏是五粮液先把事情摊开，我更愿意从位置上看。

茅台的稀缺性更强，很多问题先体现为价格体系和估值逻辑的变化。区域酒更多靠本地盘子活着。五粮液卡在中间，既要守高端价格带，又比茅台更依赖渠道秩序的稳定。

这种位置，在行业调整期最难受。

它不能轻易让价格体系散掉，也不能一直拿渠道库存去换报表体面。往前拖，窟窿只会更大；现在摊开，至少还能把问题放回真实经营里。

而且五粮液自己在 2025 年报里也没有回避行业状态，直接用了“白酒行业进入全面深度调整的深水区”这样的表述，并提到要主动应市调整、帮助渠道纾压解困。

这已经不是普通的业绩解释了。

这更像是在告诉市场：后面这门生意要看的，不再只是发货表是不是还漂亮，而是终端动销、开瓶、库存和渠道信心到底还剩多少。

后面怎么看

我不觉得这件事等于“白酒不行了”。

但它大概率意味着，白酒行业要从过去那种靠渠道弹性撑住增长的阶段，往更真实、也更难看的阶段过渡。

先变的是厂家。

以后谁还想靠压货把季度报表做平，难度都会更大。只要库存、批价和收入确认越来越透明，旧口径就没那么好拖。

再变的是经销商。

过去拿货是资源，是资格，是赚差价的机会。到了调整期，拿货越来越像风险敞口。返利、动销速度、回款节奏，都会比面子更重要。

最后变的才是投资者看报表的方式。

以后再看白酒公司，不能只盯着营收和利润表面的增速，还得看库存是不是继续堆、批价是不是松、公司有没有把旧口径继续往后拖。

五粮液这次真正掀开的，不是哪一张桌子，而是白酒行业那层默认不说破的默契。以前最稳的地方，恰恰是最容易被周期透支的地方。现在它把旧账摊开，不会让行业立刻变好看，但至少把问题重新放回了真实生意本身。

参考资料

写作附记

原始提示词

五粮液白酒业绩暴雷的前因后果，行业以前的规则是什么样？后续如何发展？为什么五粮液站出来掀桌子？

这篇从上面的原始提示词出发，按第一次写稿的方式确定主线、材料密度和结构。date 字段沿用原发布时间，其他内容只服务当前文章承诺。

短剧拍僵尸和灵兽：预算表先变了

Mon, 04 May 2026 13:57:52 +0800

AI 短剧最有意思的地方，不是它马上能替代真人短剧，而是它先把一些以前“不敢算账”的题材，变成了可以试的题材。

僵尸、军队、灵兽、玄幻，这些东西在传统真人短剧里都很难受。不是编剧不会写，而是每往前走一步都要钱：群演、服化道、场景、特效、调度、安全、后期。短剧的商业逻辑又偏偏要求快、便宜、密集上线。题材想象力越大，成本越容易失控。

AI 先改的是这张预算表。它不能保证每个镜头都高级，但能把过去必须搭景、找人、做特效的部分，压到可实验的范围里。僵尸不用真的组织一百个群演，灵兽不用先烧掉一个电影级特效预算，军队场面也不一定从服装和场地开始起步。

真人短剧时代，很多题材不是没人想拍，而是制作侧根本不敢开机。

你要拍军队，先要解决人从哪来、景怎么搭、车辆和爆炸怎么处理。你要拍僵尸，先要解决化妆、追逐、群戏和特效。你要拍灵兽玄幻，麻烦更大，因为前期连“这个东西到底长什么样、动起来像不像回事”都很难低成本验证。

所以以前很多项目死得很早，不是死在播出，不是死在观众反馈，而是死在制片表。还没进入真正的创作讨论，预算就先告诉你别做梦了。

AI 短剧最先插进去的，就是这道门槛。它不是先把短剧的审美上限拔高了多少，而是先把一批原本“试都不值得试”的题材，拉回到了可立项、可打样、可反复试错的区间里。

为什么偏偏是这些题材先冒出来

这也解释了一个很直观的现象：AI 短剧最早高频冒头的，不是办公室恋爱、家庭伦理，也不是最省钱的都市对话戏，而是神话、奇幻、冒险、科幻这些本来对实拍就不友好的东西。

原因不复杂。越是写实、越是轻场景、越是靠演员表演和生活质感撑起来的题材，AI 目前带来的优势反而没那么直接。可一旦题材高度依赖世界观、怪物、异兽、大场面和非现实环境，AI 的价值就立刻变得很具体。

它先把“想象出来”这件事变便宜了。

而在短剧这种原本就对周期、资金和试错空间很敏感的内容形态里，谁先把想象可视化的成本降下去，谁就先能把过去拍不起的题材搬上桌。

公开案例在证明什么

从公开案例看，这条线长得很一致。

2024-07-08，快手在 WAIC 论坛上让《中国首部原创 AIGC 奇幻微短剧》《山海奇镜之劈波斩浪》亮相。这个动作本身就很有代表性。AI 一上来先碰的，不是最低成本现实题材，而是最吃世界观和视效支撑的奇幻微短剧。

2025-01-01 上线的 AI 微短剧 《美猴王》，又把底盘换成了中国神话。花果山、水帘洞、龙宫这些场景，本来就不适合小预算实拍。AI 在这里提供的，不只是“画得出来”，而是把这些场景先低成本做成了可交付画面。

到了 2025-02-24，《马家窑谜踪之神杖密码》 又把题材拐到了史前部落、考古奇幻和图腾叙事。科技日报的报道里有个很关键的细节：团队不是让 AI 随便乱生成，而是喂研究报告、三维扫描和古籍，再让它在考古边界内做推演。也就是说，AI 不只是便宜，它还把一些过去验证成本极高的题材，变成了可以来回试、来回改的生产流程。

再往后看，2025-06-26 央视网报道 《新世界加载中》 首映时，已经不是单一奇幻题材了，而是把科幻、奇幻、荒诞喜剧、历史等 7 部单元剧放到一起。这个信号比单一案例更重要，因为它说明 AI 短剧不只是偶尔能拍一部灵异神怪，而是开始把多题材、大世界观、风格跳切，当成一种可以持续供应的生产方式。

技术在补的，其实是可交付性

如果只看这些案例，很容易误会成“AI 帮大家省特效费”。事情没那么窄。

到 2026-02-05，快手发布可灵 3.0 时，官方重点已经压到叙事控制、一致性、最长 15 秒视频和多角色多语言原生音频上了。放在短剧生产里，这些词翻译成人话就是：角色前后像不像同一个人，镜头能不能接住，情节会不会散，场景切换会不会突然塌。

这说明 AI 短剧已经不只是在解决“能不能先画出来”，而是在逼近“能不能像一部交付品那样连起来”。

2026-04-15，快手高管公开提到，可灵已经把微短剧成本压到传统模式的三分之一以下，周期缩短超过 60%。这个口径我更愿意把它当成平台侧释放出来的行业锚点，而不是全行业通用数字。但它至少说明一件事：生产方式正在变，题材边界也会跟着变。

当制作从“先看资源够不够”转向“先看想象值不值得试”，最先得利的，一定不是最写实的题材，而是最容易被预算压死的那些题材。

边界还卡在哪里

当然，这不等于 AI 短剧已经把真人短剧替掉了。

它只是把门槛从“拍不拍得出来”往后推了一步，现在更多卡在“讲不讲得好”。你能生成一只灵兽，不代表你已经有一部成立的玄幻短剧；你能做出一个战争场面，也不代表角色关系、情绪推进和节奏控制就自动成立了。

很多 AI 短剧到现在看着还更像“高概念设定预告片”，不是完整戏。它们证明的是题材可拍性被放开了，不是叙事能力已经被同步补齐了。

所以我对这件事的判断还是一样，但会比旧稿收得更窄一点：AI 对短剧赛道最先做的，不是审美革命，而是把一批以前一看预算就缩回去的脑洞，重新推回了立项桌。

僵尸、军队、灵兽玄幻，只是最显眼的几个例子。后面还会有更多本来不该出现在低成本短剧里的东西，被 AI 拉进试拍区。但真正决定这些题材能不能留下来的，最后还是剧本、节奏和人物，而不是单纯“终于做得出来了”。

参考资料

写作附记

原始提示词

AI短剧，大幅拓展了短剧赛道的题材：僵尸、军队、灵兽玄幻，以前的真人短剧，这些题材的拍摄成本都不好控制，AI 来做，刚好契合。

这篇从上面的原始提示词出发，按第一次写稿的方式确定主线、材料密度和结构。date 字段沿用原发布时间，其他内容只服务当前文章承诺。

支付宝买 006327，要按基金净值看成交

Mon, 27 Apr 2026 23:28:12 +0800

在支付宝三点前买了 006327，最容易冒出来的想法是：我是不是按今天恒生科技指数收盘价买进去了，只是收益要晚两天显示？

这个理解有两层问题。

第一，006327 不是恒生科技指数基金，而是易方达中证海外中国互联网 50 ETF 联接（QDII）A。第二，场外基金申购买到的也不是指数某一刻的点位，而是基金公司按规则计算出来的基金份额净值。

所以真正该问的不是“恒生科技今天收在哪”，而是：这笔申请算哪一个 T 日、基金净值什么时候算、份额什么时候确认、支付宝页面什么时候同步。

先确认买的不是恒生科技

代码比印象重要。

006327 对应的是易方达中证海外中国互联网 50 ETF 联接（QDII）A，基金合同里写的标的指数是中证海外中国互联网 50 指数，目标 ETF 是易方达中证海外中国互联网 50 ETF。

它当然和港股互联网、海外中国互联网这些资产有关，走势也可能和恒生科技指数在某些阶段很像。但“像”不是“等于”。

如果你心里想买的是恒生科技，却在支付宝里买了 006327，那第一步已经偏了。后面再讨论收益显示慢不慢，都是第二层问题。

基金下单前先看三件事：

基金代码是不是自己要买的；
基金名称和跟踪指数是不是一致；
这是场内 ETF、ETF 联接，还是普通开放式基金。

支付宝把购买入口做得很顺，但它不会替你纠正“代码和心里想的标的不一致”。

三点前买，锁的是申请日，不是指数收盘价

场外基金申购遵循的是未知价原则。你提交申请时，并不知道最终成交净值。

基金合同里的口径比较清楚：T 日是销售机构在规定时间受理申购、赎回等业务申请的开放日；申购、赎回价格以申请当日收市后计算的各类基金份额净值为基准。

这句话翻成人话就是：

如果你在支付宝规定时间内提交，并且这笔申请被受理为当天有效申请，那么你锁住的是“这个申请日”。最终用来确认份额的，是基金公司之后算出来的这个 T 日基金份额净值。

它不是股票撮合价。

也不是恒生科技指数收盘点位。

更不是你按下买入按钮那一刻页面里的估算数字。

为什么 QDII 会慢一点

006327 是 QDII 联接基金。它不是只看境内一个收盘价就完事。

基金合同写到，正常情况下，登记机构在 T+2 日内对交易有效性进行确认；T 日的各类基金份额净值在 T+1 日计算，并在 T+2 日内公告，特殊情况可以适当延迟。

所以支付宝页面上“份额确认慢、收益晚显示”，不是异常体验，而是这类基金本来的链条更长：

你在 T 日提交申请；
基金公司之后计算 T 日净值；
登记机构确认份额；
代销平台再把持仓和收益同步给你看。

境外市场休市、汇率估值、数据传输、平台同步，都可能让页面体感再慢半拍。

这里还有一个容易误解的点：显示晚，不等于从显示那天才开始算。真正要看的是申请是否被确认为有效交易，以及确认使用的是哪个 T 日净值。

代入 2026 年 4 月 27 日

假设你是在 2026-04-27，星期一，15:00 前通过支付宝买入 006327，并且支付宝把这笔申请作为当天有效申请受理。

那更合理的时间线是：

时间	发生什么
2026-04-27	提交申购申请，若受理成功，T 日为 4 月 27 日
2026-04-28	基金公司计算 4 月 27 日对应的基金份额净值
2026-04-29 前后	登记机构确认交易有效性，基金净值和份额结果逐步公告/同步
之后	支付宝持仓和收益展示更完整

这只是按基金合同和常见代销页面体感拆出来的理解，不等于支付宝对每一笔订单的承诺。实际以支付宝订单页、基金公司确认结果和公告为准。

所以原始问题可以改成两个判断：

“三点前买入，通常会按当天有效申请处理”这个方向大体对，但要以平台受理和基金公司确认为准。
“按恒生科技指数今天收盘价买入”这个理解不对。你买的是 006327 的基金份额，按基金净值确认。

以后看这种订单，先看三层

以后在支付宝买场外基金，尤其是 QDII，别先盯当天指数涨跌。

先看三层。

第一层，标的。代码、基金名称、跟踪指数是不是自己想买的东西。

第二层，交易日。提交时间是否在平台规定的当日受理时间内，是否遇到节假日、境外休市或额度限制。

第三层，确认。基金净值什么时候计算，份额什么时候确认，平台什么时候展示。

把这三层拆开，就不会把“指数今天涨了”“我三点前下单了”“支付宝收益还没动”混成一个问题。

基金不是股票。QDII 联接基金更不是指数点位的即时替身。你买进去的是基金份额，最终确认的是基金份额净值。这个对象先看对，后面的时间线才不会越想越乱。

参考资料

写作附记

原始提示词

我今天在支付宝购买 006327 基金，三点前买入，用的是恒生科技指数今天的收盘价买入？只是收益显示需要延迟两天，理解对嘛？

继续，然后落地成稿子

写作思路摘要

保留原始问题里的两个误区：把 006327 当恒生科技、把场外基金当指数收盘价成交。
按基金合同拆成 T 日、T+1 净值计算、T+2 确认/公告这条线。
不讨论这只基金值不值得买，只解释交易机制和显示延迟。

AI 会写代码后，新人的练级路线变了

Mon, 27 Apr 2026 23:18:36 +0800

这几个月用 Claude、Codex 写代码，我最强烈的感受不是“程序员要没了”。

更准确的说法是，很多以前会丢给新人练手的活，现在 AI 能先打一版了。脚手架、小功能、测试、文档、边角 bug，以前这些活不算高级，但很适合把一个人从“会语法”磨到“知道工程怎么回事”。

对老手来说，AI 是提效工具。对新人来说，它更像把新手村拆短了。门没有关，但从入口走到能独立负责事情，中间能慢慢摔跤的地方变少了。

被压缩的是练手机会

以前团队带新人，很多时候靠的不是精心设计的培训，而是一堆低风险任务。

改一个页面，接一个接口，补几个 CRUD，修一个日志里能看出来的小 bug。活不大，也不体面，但它们有价值。新人会在这些任务里学会：

需求怎么落到代码；
接口怎么和数据对上；
日志怎么读；
测试为什么不能只看通过；
线上系统为什么和本地 Demo 不一样。

现在最容易被 AI 吃掉的，恰好就是这类活。

企业当然会算账。一个有经验的人带着 AI，先让模型出草稿，再人工审一遍，可能比安排新人慢慢磨更快。尤其在预算收紧、交付压力大的时候，“先不补初级岗”会变成一个很自然的选择。

所以问题不只是裁员。更隐蔽的问题是，不再补人。

岗位还在，需求也还在，但原来那条“从小活开始练”的路径变窄了。

老手为什么更吃红利

AI 写代码以后，老手反而更容易受益，这件事看起来有点反直觉。

原因不复杂：老手知道什么时候该不信。

模型生成一段代码，能不能编译只是第一层。真正麻烦的是后面几层：

抽象是不是过早；
错误是不是被吞掉；
测试是不是只是在糊弄 CI；
接口是不是破坏了隐含约定；
这段改动下周还好不好维护。

这些判断不靠打字速度，靠踩坑经验。

Anthropic、METR、BLS、ILO 这些报告从不同角度都在指向类似的现实：AI 会改变任务结构，但不是把整份工作一次性抹掉。软件开发仍然需要人，只是“重复性编码”和“低判断力执行”的价值变薄了。

这对老手是红利。因为 AI 把体力活压短以后，老手可以把更多时间放到设计、审查、边界和验证上。

但对新人就尴尬了。你本来需要靠那些体力活长出判断力，现在这些活先被 AI 接走了一半。公司又希望你一上来就会审 AI、会拆需求、会判断质量。

这像是要求新人跳过训练关，直接开始打中段 boss。

新人要练的东西变了

我不觉得新入行的人没路了。

软件需求还在，系统越来越多，业务也不会因为 AI 会写代码就自动变简单。真正变的是入场能力。

以前新人最重要的是“能把需求写成代码”。以后可能要多两层：

第一，能把需求拆成 AI 能做的小任务。

不是一句“帮我做个后台”，而是能说清楚当前目标、边界、输入输出、不能动哪些文件、完成后怎么验证。

第二，能审 AI 的结果。

这比写 prompt 难。审代码需要知道项目上下文，知道语言和框架的坑，也知道业务里哪些东西不能省。你要能指出“不对在哪里”，而不是只说“感觉不太好”。

所以新人不能只练“让 AI 写”。还要练：

自己从零写一遍小功能；
读懂 AI 写的每一行；
把模型输出拆成可验证的小步；
让测试和日志告诉自己哪里错；
复盘为什么第一版看起来对，后来又错了。

AI 可以加速，但不能替你完成这部分判断力训练。

新手村还在，只是要自己搭

如果我是刚入行的人，我会刻意给自己留一些“低效率练习”。

比如同一个小功能，先不用 AI 手写一版，再让 AI 写一版，对比差异。或者让 AI 写完以后，自己逐行解释，解释不出来就当作没学会。再或者故意把任务拆得很小，每轮只允许模型过一个检查点，不让它一口气把项目铺满。

这听起来比“AI 帮我全写了”慢。

但新人真正缺的不是代码产量，而是判断力的来源。你不亲自经历几个“看起来能跑，后来发现设计错了”的坑，就很难知道 AI 什么时候也在犯同样的错。

老一辈所谓“古法编程”的价值，不是怀旧。它只是让人见过足够多的错误形态。见过以后，AI 给你一段代码，你才知道哪些地方要追问，哪些地方要加测试，哪些地方不能轻易信。

所以新人不是不能用 AI，而是不能只用 AI。

门没有关。只是以前团队和项目自然提供的新手村，正在被效率工具压缩。以后想进门的人，可能得自己搭一部分训练场。

这不公平，但很现实。

参考资料

写作附记

原始提示词

AI 编程的一些思考，刚毕业的应届生，编码能力肯定是不如 claude、codex，对于老手，AI 能提效，但是 AI 导致企业大幅削减了初级程序员的岗位，本人毕业已经十年，经历了新人到老人的爬坑阶段，以后，但是新入行的呢，他们会怎么样？老一辈算是经历过古法编程，说白了，能识别出来AI写的是好的，还是不好的，毕竟当前阶段的AI还是会犯错。

写作思路摘要

保留原文核心问题：AI 提效老手，但压缩新人练手机会。
把旧稿中过密的报告材料降级为支撑，把主线放回“新手村变窄”。
不写求职鸡汤，只给出新人需要主动搭训练场的判断。

前复权回测里，A 股和境外行情口径要分开

Wed, 22 Apr 2026 01:31:44 +0800

前几天有人拿贵州茅台很早年的前复权价格来问我，说实话我第一眼也有点傻眼了: 同样看“前复权”，Yahoo 那边没有负数，东方财富那边却能看到负数。再回头看我六月那篇《回测中的“复权”详解与数据获取》，我才发现自己把几件事写混了。我当时把“比例法”写得太像唯一标准了，但 A 股国内语境里的前复权，和港美股常见的 adjusted close，本来就不是一个口径。

这篇就只做一件事: 把这两个口径拆开。我的判断先放前面，免得后面越看越乱: 国内主流行情软件的前复权，更像是沿着交易所除权除息参考价去把 K 线接平；境外常见的 adjusted close，更像是用累计乘数去表达“分红再投”下的总收益。它们都叫前复权，但回答的不是同一个问题。

A 股前复权，先回答的是 K 线怎么接起来

国内这套口径，公开锚点其实不难找。深交所给过除权除息参考价公式:

$$ \text{除权(息)参考价}=\frac{(\text{前收盘价}-\text{现金红利})+\text{配股价格}\times\text{股份变动比例}}{1+\text{股份变动比例}} $$

东方财富百科写的“精确复权”前复权公式，和这个思路基本是同一路:

$$ P'=\frac{(P-D)+K\times r}{1+r} $$

这里的 $P$ 是复权前价格，$D$ 是每股现金红利，$K$ 是配股或新股价格，$r$ 是流通股份变动比例。这个式子最重要的地方，不是它有没有除法，而是现金红利是按固定金额往前扣。

所以一旦公司行动只剩现金分红，没有送转，也没有配股，公式会直接退化成:

$$ P'=P-D $$

这件事的后果很直接: 对上市时间很早、累计分红很多的 A 股，历史价格如果一路往前递推，确实可能被扣成负数。东方财富上偶尔能看到这种极早期负值，不一定是它算错了，更可能只是它坚持用了这套国内常见的前复权定义。

我现在更愿意把它理解成一种“图形连续性优先”的口径。你今天打开软件，当前价不动，往前的 K 线往下压，图接上了，技术指标也更顺眼。这对看盘很有用，但它并不天然等于总收益序列。

港美股 adjusted close，先回答的是总收益怎么算

Yahoo 官方对 Adjusted close 的定义就很直白: 它会对拆股和分红都做调整，而且分红乘数是按“分红占价格的比例”去算，官方还明确写了，这样做的主要目的之一就是避免负的历史价格。

如果把它写成公式，常见的思路是先给每个公司行动一个乘数:

拆股乘数: 比如 2-for-1，历史价格乘 0.5
分红乘数: m=1-D/C_{t-1}

其中 $D$ 是每股现金分红，$C_{t-1}$ 是除息前的收盘价。然后把后续所有公司行动的乘数一路连乘，得到累计调整因子 $F_t$:

$$ F_t=\prod_{j>t}(s_j\times m_j) $$

于是复权价就是:

$$ P_t^{adj}=P_t\times F_t $$

这套写法的含义很明确: 它在逼近“如果分红也继续留在这只股票里滚动投资，总收益会变成什么样”。所以它天然更适合收益率计算、长期回测、跨时段比较。它和国内那种把现金红利直接从历史价里扣掉的口径，看起来都在修 K 线，骨子里却不是一回事。

这里顺手补一句，六月旧文把 Yahoo / yfinance 的 adjusted 数据和 Tushare 的 qfq 说得太像“完全同一个东西”了，这也不严谨。更准确的说法是: 它们属于同一家族，都是乘数或因子型调整，但归一化锚点不一定一样。

复权因子不是万能翻译器

问题其实就卡在这里。很多人一看到“复权因子”这四个字，就默认所有市场都能抽象成一列因子，然后 price * factor 一把梭。这个想法在港美股常见的 adjusted close 体系里基本成立，在国内这套前复权里就不一定了。

原因不复杂。国内这套精确复权公式其实是一个仿射变换，不是纯乘法:

$$ P'=\frac{1}{1+r}P+\frac{Kr-D}{1+r} $$

也就是说，它本质上是:

$$ P'=aP+b $$

只要出现现金分红，那个常数项 $b$ 就不为零。多个公司行动叠起来以后，你得到的也不是一个单独的累计乘数，而是一串仿射变换的连乘连加。这个时候，单个“复权因子”就不够了，你至少还需要现金分红、配股价、股份变动比例这些事件信息，或者等价的 $(A,B)$ 参数。

所以答案很明确: 复权因子这个概念，不能在这两套方案里直接通用。

在境外常见的 adjusted close 体系里，复权因子就是核心对象。
在国内这套精确复权体系里，因子最多只覆盖“缩股 / 送转”那部分比例变化；一旦碰到现金红利，单因子就装不下了。

这也是为什么把国内软件前复权和 Yahoo adjusted close 当成同一口径去硬比，最后经常会越比越乱。

Tushare 到底站哪边

这个问题官方其实写得很明白。Tushare 的 A 股复权行情文档给出的公式是:

$$ \text{前复权}= \text{当日收盘价}\times \text{当日复权因子}\div \text{最新复权因子} $$

同一页还明确写了两件事:

它是按你设定的 end_date 动态复权
它采用“分红再投”模式

这两句话已经足够定性了。Tushare 的 A 股 qfq，概念上更接近境外那种乘数/因子型 adjusted close，而不是东方财富那套精确复权前复权。 只是它又保留了自己的归一化方式: 不是永远锚定今天，而是锚定你这次查询窗口的 end_date。

所以 Tushare 站的位置可以压成一句话:

和东方财富不是同一套前复权定义
和 Yahoo 更像同一家族，但数值也未必逐点相同

Tushare 后来给港股、美股也补了复权因子和复权行情接口，官方描述同样是 price * adj_factor = 复权价格。这就更说明它的产品设计思路，本质上就是乘数因子这一派。

回到回测，先定口径，再谈对错

把这件事想明白以后，很多争论其实会自动消失。

如果你要的是:

和国内行情软件截图对齐
当前价格不动，历史 K 线接平
在 A 股语境里看“前复权图形”

那你就该用国内这套精确复权口径。

如果你要的是:

回测收益率
分红再投下的总收益
长周期策略评估

那你更该用 Tushare qfq、Yahoo Adjusted close 这一类乘数因子口径。

六月那篇旧文，最大的问题不是完全写反了，而是把这两套定义揉成了一种“唯一标准”。现在回头看，真正该记住的不是“比例法一定对、加减法一定错”，而是: 你到底是在修图，还是在算收益。 这两个问题不先分开，后面的回测结果、K 线比较、甚至“为什么会出现负数”，都会一起打结。

参考资料

写作附记

原始提示词

$blog-writer 分析这里的内容：https://chatgpt.com/share/69e653e4-2814-83ea-bd7d-4233343ca9cf，还有历史文章 27-回测数据去哪里找，先梳理国内通用的前复权计算公式，然后梳理境外通用的前复权计算公式，复权因子的概念，能在两个方案里面通用吗？tushare 的数据属于哪种方式

写作思路摘要

先承认旧文把 A 股前复权和境外 adjusted close 混成了一件事，再把这篇的唯一主线压回“两个口径回答的是不同问题”。
国内部分只抓交易所除权除息参考价和东方财富精确复权公式，不把正文写成大而全的复权教材。
境外部分只抓乘数连乘和分红再投，不展开 CRSP 全部细则，避免把主线写散。
单独解释“复权因子”为何不能跨两套方案直接通用，核心落点是国内公式是 aP+b，不是纯乘法。
Tushare 只做定位，不展开接口调用细节；重点说明它和 Yahoo 更像同一家族，但和东方财富不是同一定义。

茅台净利润首降，白酒和地产周期一起露面

Wed, 22 Apr 2026 01:10:41 +0800

2026-04-17，贵州茅台披露 2025 年年报摘要。按年报摘要口径，营业收入 1688.38 亿元，同比下滑 1.21%；归母净利润 823.20 亿元，同比下滑 4.53%。再往下看，真正难看的其实是四季度，单季净利润从 2024Q4 的 254.01 亿元掉到 176.93 亿元，大概少了三成。说实话，看到这里我第一反应不是“年轻人不喝白酒了”，而是另一个更扎心的判断: 茅台这门生意，越来越像一只地产信用周期退潮后的影子股。

这件事值得单独写一下，因为它会直接影响看茅台的方式。以前很多人把茅台当成永远向上的消费神话，年轻人喝不喝只是边角问题。现在看不是这么回事。年轻人对白酒天然没兴趣，当然是事实，但这更像慢变量。年报里这种突然拐头，背后更像是一整套旧商务需求、旧财富分配方式和旧面子消费体系在收缩。

年轻人不喝，只是表面

我以前也会顺手把原因归到代际变化上，觉得年轻人喝精酿、鸡尾酒、威士忌，白酒自然就边缘化了。这个判断不能说错，但不够解释茅台这次财报里的陡变。

原因很简单，代际偏好变化是慢慢来的，不会在一个四季度里突然把利润砸成这样。真正在边际上决定高端白酒价格和利润的，从来都不只是“有没有人喝”，而是“谁在什么场景下买，为什么愿意买到两千、三千一瓶”。高端白酒很多时候卖的不是口感本身，而是社交效率、面子确认和关系润滑。真到酒局上，很多人并不在乎这一杯是不是值这个钱，在乎的是这桌局配不配这个价位。

茅台自己其实也把这个变化说得挺直白了。2025-12-28 的全国经销商联谊会上，公司管理层直接提到“传统消费主力需求减弱”，同时强调要去找新客群、新场景。这等于承认，过去支撑茅台价格体系的那批核心买单人，没以前那么猛了。

茅台为什么像地产影子股

这里的“影子股”不是说茅台的报表里装着一堆房地产项目，也不是说地产一跌，茅台就会一比一同步下去。我更愿意把它理解成需求结构上的映射。

过去二十年，中国最夸张、最持续、最舍得花钱的商务场景，很多都和房地产链条有关。地方财政靠卖地，城投围着土地转，开发商高周转，施工总包、分包、建材、家装、中介、金融配套一起吃肉。这条链一旦繁荣，商务宴请、节庆送礼、关系维护、项目协同都会被放大。钱不是从居民日常自饮里一点点抠出来的，而是从高杠杆、高周转、高溢价的系统里溢出来的。

在这种环境里，茅台就不只是酒，更像一种高端社交通货。它有几个特点特别适合这个位置: 品牌够硬、价格够高、识别度够强、流通性也够好。很多时候，一瓶酒是不是两千还是三千，并不会改变那桌局的预算逻辑，反而是越贵越能完成“我重视你”“我有实力”“这件事有排面”的信号传递。

所以我很认同“茅台属于房地产的影子股”这个说法，但要把话说完整一点: 它影射的不是房子本身，而是地产信用扩张年代催生出来的高端商务消费秩序。

现在这套秩序在退。国家统计局披露的 2025 年全国房地产数据也很难看: 房地产开发投资同比下降 17.2%，新建商品房销售面积下降 8.7%，房企到位资金下降 13.4%。地产链条一收缩，先消失的往往不是刚需吃喝，而是那些预算弹性最大、最讲排面、也最依赖项目和关系运转的消费。高端白酒刚好就卡在这里。

这份年报真正透露的，不只是业绩差

更关键的信号，其实是茅台自己也开始改叙事了。

2026-01-09，茅台在经销商会上公开讲“市场化转型已成为茅台不可回避的必答题”，还点得很透，说过去销售领域的“非市场化”导致普通消费者难以公平、便捷、保真购酒。这个表述挺重的。它说明公司也知道，过去那套体系里，有很大一部分价值不是来自真实饮用需求，而是来自稀缺、倒挂、圈层分配和渠道溢价。

换句话说，茅台现在做的事情，本质上是在给自己“去金融属性”“去礼赠依赖”“去圈层封闭化”。往 i茅台、直达消费者、强调服务和真实需求那边走，不只是渠道改革，而是在给下一阶段找新的定价基础。

2025 年前三季度公司还能维持正增长，全年却突然翻成负数。前面还能靠惯性、品牌和渠道托一下，到四季度就扛不住了。老需求在退，新需求还没完全接住，利润表自然先难看。

这只股票，可能要换一种看法

我不觉得茅台就此不行了。它的品牌、产区、工艺和供给约束都还在，护城河不是一天塌的。年报里还有一个数据很重要，公司 2025 年度累计现金分红预计 650.33 亿元，占归母净利润的 79%，这已经很像一台现金牛机器了。

以前市场愿意给茅台高估值，核心前提是它既是品牌消费品，又像一台高确定性的增长机器。现在增长这部分开始松动，估值锚就会往另一边挪: 从高增长消费龙头，慢慢挪向低增速、高分红、强现金流的防御型资产。

这对投资者不是一回事。

如果还按过去那套“业绩永远双位数、批价永远稳、商务需求永远在”的脑子去看，容易意难平。因为旧时代里最肥的那块需求，确实跟着房地产一起下去了。可如果把茅台当成一个正在去泡沫、去投机、回到真实消费基础上的超级现金流资产，那它又是另一套估值逻辑。

写在最后

所以我现在对这件事的理解，和以前确实不太一样了。

年轻人不喝白酒，这是真的；酒局文化带着很强的历史阶段性，这也是真的。但更核心的一层是，那个把高端白酒推到神坛上的时代，本来就不是靠普通人日常喝出来的，而是靠一整套地产信用扩张、商务宴请膨胀和面子消费失真的环境托起来的。房地产退潮以后，白酒当然不会立刻消失，可它最暴利、最不讲性价比、最不怕贵的那部分需求，已经没以前那么硬了。

对茅台这只股票来说，2025 年报大概率不是一个普通的业绩波动，而是估值叙事切换的开始。以后再看它，不能只看品牌信仰，也要看真实消费接盘的速度，看渠道改革到底能不能把过去那套靠“局”撑起来的需求，改造成更可持续的消费基础。

参考资料

写作附记

原始提示词

分析A股的白酒茅台股票 2025年财报数据，净利润首次下滑。以前的理解，年轻人不喝白酒，中国所谓的酒局文化，更多是历史的产物，最新的理解，这个历史产物就是房地产，茅台白酒属于房地产的影子股。房地产现在已经没落了，对应的商务宴请也不再疯狂，白酒这个衍生物也就不再那么被需要。白酒的净利润很高，商务宴请不在乎价格是两千、三千，要的是这个面子。

写作思路摘要

先用 2026-04-17 披露的茅台 2025 年报摘要，把“利润首次下滑”这个触发点钉死。
主判断没有写成“年轻人不喝白酒”，而是把重点压到高端白酒背后的商务需求结构。
中段用房地产开发投资、销售面积、到位资金三组官方数据，解释为什么地产退潮会先打击高端宴请预算。
单独补了茅台管理层对“传统消费主力需求减弱”和“市场化转型”的表态，说明公司自己也在换打法。
结尾把股票叙事落回估值切换：从高增长神话，转向低增速高分红的现金流资产。
这篇刻意没展开五粮液、泸州老窖等横向对比，也没去写短线股价预测，主线只服务茅台和地产信用周期的关系。

真可怕的不是裁员，是不再补人

Thu, 16 Apr 2026 02:18:44 +0800

这两天看到 Block 在 2026 年 2 月底，把 1 万多人的队伍一下砍掉 4000 人，我确实被震了一下。我自己一直做金融 IT，交易链路、港美股、系统底层这些东西，平时看惯了“提效”“自动化”“降本增效”这种话术，但当一家离钱、合规、风控这么近的 fintech 公司，公开把 AI 摆到裁员理由里，还是会让人心里一沉。

我现在的判断很直接：AI 裁员最可怕的地方，不是某一天新闻上那份裁员名单，而是公司开始默认“更小的团队也能干更多活”。这意味着离职不补、初级岗位变少、headcount 卡得更死。从 2025 年 4 月到 2026 年 4 月，这个风在美国还在刮；中国境内暂时没刮成那种高调公开的大规模裁员潮，但静悄悄的挤压，其实已经开始了。

先看这几家最有代表性的公司

Block 这次最狠，也最直接。2026 年 2 月 26 日财报后，Jack Dorsey 的表述几乎没留什么模糊空间：AI 改变了公司构建和运营方式，更小的团队也能干更多事。AP 的报道里提到，Block 直接裁掉了 4000 多人，占 1 万多员工的四成左右。市场也很诚实，盘前一度涨超 20%。为什么涨？因为投资者听到的不是“技术理想”，而是利润率、运营杠杆和更快的盈利增长。更早一点，Block 在 2025 年 11 月的 Investor Day 还给出过 2026 年 gross profit 增长 17%、调整后营业利润增长 30% 以上的目标。说白了，这不是“公司快不行了所以裁”，而是公司觉得自己可以一边增长，一边把人砍得更薄。

Duolingo 则像是另一种打法。2025 年 4 月底，公司公开进入 AI-first 路线，明确说会逐步停掉 AI 能做的外包工作，新增编制也要先证明 AI 干不了。几天后，它一口气上线 148 门用生成式 AI 做出来的新课程。到了 2025 年 8 月，Duolingo 财报显示二季度收入同比增长 41%，盈利和订阅收入都很好，股价当天也大涨接近 30%。但这家公司也给了另一面教材：用户并不是完全买账，CEO 后来自己承认，社交媒体上的反弹确实把增长压到了指引区间的下沿。也就是说，AI 能帮公司放大内容产能、放大利润，但品牌和信任不是白送的。

Klarna 更像是过去两年最典型的“AI 压人力成本”样本。它在 2024 年就说过，AI 客服助手一个月处理了三分之二的咨询，工作量相当于 700 名全职客服。到了 2026 年 3 月提交的招股文件里，Klarna 又把账算得更直白：2023 年底还有 4352 名全职员工，2024 年底 3422 人，2025 年底只剩 2831 人，公司自己写明，人数下降来自于“利用 AI 提升效率、主动压缩总体 headcount”。同时，2025 年的人均收入已经从 2022 年的 34.4 万美元拉到 124 万美元。这个数字非常吓人。但 Klarna 后来也开始把一部分复杂客服问题重新拉回人工，尤其是高客单价和高风险场景。这里的教训也很明显：AI 很擅长吃掉标准化、重复性、流程化的工作，但一旦碰到复杂判断、信任背书、灰度责任，人还是要回来兜底。

Shopify 倒是把更可怕的一点说穿了。2025 年 4 月，Tobi Lutke 给员工的 memo 很直白：在申请更多 headcount 之前，团队要先证明为什么不能用 AI 把事情做完。它未必天天上头条裁员，但这比裁员名单更让人发毛。因为这意味着岗位入口先被卡死了，特别是初级岗和可标准化拆分的岗位。

市场为什么会给掌声

资本市场喜欢听 AI 故事，这事现在已经不需要遮着掩着了。

原因很简单：

收入不掉，甚至还在长。
人员成本先下去。
人均产出看起来更漂亮。
后面的利润率和现金流想象空间更大。

所以 Block 的股价会因为“更小团队也能干更多”而被立刻买上去，Duolingo 会在舆论挨骂的同时，照样拿到不错的财报反馈，Klarna 会把 AI 和效率写进自己的上市叙事里。

这里面当然有真提效，但也有明显的 AI washing 成分。很多公司并不是某个模型突然聪明到能把一个部门整体端走，而是管理层终于找到了一个很好听、也很好对投资者交代的理由：把过去几年扩出来的编制收回去，把自然流失的人不再补，把一些外包、客服、运营、内容生产、低阶分析的工作交给 AI 和更少的人一起做。

怎么说呢，AI 在这里既是工具，也是旗子。

这阵风，现在还在不在美国

还在，而且 2026 年 3 月这一下，风比 2025 年更硬。

美国裁员跟踪机构 Challenger, Gray & Christmas 的数据很能说明问题：

2025 全年，企业明确把 AI 作为原因的裁员计划达到 54836 人。
2025 年 10 月，AI 已经是当月第二大被点名的裁员理由，对应 31039 个岗位。
到了 2026 年 3 月，AI 第一次成了当月美国企业给出的头号裁员原因，对应 15341 个岗位，占当月已披露裁员计划的大约四分之一。

它说明 AI 裁员是真的，不是段子；也说明它还没有到“所有裁员都是 AI 替代”的程度。Challenger 从 2023 年开始跟踪这个口径以来，明确被归到 AI 的裁员，只占全部已宣布裁员计划里的一小部分。换句话说，美国现在更像是两股力量叠在一起：

一股是真实的自动化替代，先吃客服、内容、本地化、初级白领、后台流程。
另一股是宏观环境、成本压力、管理层收缩叙事，再套上一层 AI 的外衣。

所以如果只看新闻标题，很容易觉得“AI 已经把白领整体裁没了”；但如果只看官方口径，又容易低估它已经开始改写招聘和组织结构。

中国这边，为什么还没刮成美国那个样子

我倾向于认为，不是中国没受影响，而是影响的表现方式不一样。

从公开口径看，中国 2025 年到 2026 年更像是“抢 AI 人”，不是“拿 AI 公开裁人”。

新华社 2025 年 3 月底的报道里提到，2 月算法工程师和机器学习岗位的招聘量同比分别增长 46.8% 和 40.1%，AI 人才供需比大概是 3:1，明显供不应求。到了 2026 年 2 月，新华社另一篇稿子又提到，2025 年四季度中国 AI 相关岗位招聘同比还在增长 19%。工信部在 2026 年 3 月披露的口径里，2025 年中国核心 AI 产业规模已经超过 1.2 万亿元，相关企业超过 6200 家。

这组数据至少说明两件事：

中国现在的公开主旋律，还是产业扩张、模型落地、AI 人才短缺。
真正稀缺的，是算法、工程、行业结合型人才，不是普通意义上的 office 白领。

但这不等于没压力。

国内更像是静悄悄地挤：

外包先收缩。
校招和初级岗更谨慎。
运营、测试、内容、客服这类标准化岗位被先压缩。
一些原本需要两三个人协作的杂活，现在开始默认一个人带着 AI 干。

所以你会觉得“怎么没看到中国到处喊 AI 裁员”，但很多岗位的入口已经变窄了，只是没有被高调包装成一封给投资者看的公开信。

金融 IT 开发，最该警惕的其实不是“明天被替掉”

我自己也是做金融 IT 的，所以这部分体感会更强一些。

短期来看，金融行业核心链路上的开发，尤其是交易、清算、风控、合规、监控、低时延通讯这些位置，不太可能被 AI 一刀切替掉。原因不复杂：责任太重，审计太严，异常成本太高，出了事不是改个 prompt 就能圆回来。

现实的一面是：

写胶水代码的人会先难受。
纯 CRUD、纯接口搬运、纯文档整理的价值会继续下滑。
测试、运维脚本、报表、内部工具这类活，会越来越被默认“你带着 AI 一起做完”。
团队对单兵作战能力、业务理解、上下游串联能力的要求会更高。

说白了，未来几年最危险的，不一定是“AI 把开发替掉”，而是“公司默认一个能熟练用 AI、又懂业务边界的人，顶得上以前两三个人的产出”。如果一个开发只剩下代码体力活，不掌握业务、不理解风险、不承担最终责任，那确实会越来越被动。

最后一点不那么好听的判断

Block 这条新闻让我震动，不是因为它代表 AI 已经成熟到可以彻底接管金融科技公司，而是因为它代表管理层和资本市场已经愿意这么讲了，而且市场愿意信。

这才是最要命的地方。

技术成熟度，也许还没到那么夸张的程度；但组织会先按“它已经差不多行了”来改，招聘会先按“少招点人也没事”来改，晋升和绩效也会先按“你为什么不用 AI 多干一点”来改。

对普通开发来说，尤其是金融 IT 这种夹在业务、合规、系统稳定性之间的工种，接下来要做的不是跟 AI 对着干，也不是盲目乐观，而是尽快把自己从“代码体力工”往“懂业务、懂风险、懂边界、能兜底的人”那边挪。

不然的话，美国那阵风，迟早会吹过来。就算不是同样的新闻标题，压力也会落到同样的人身上。

参考资料

写作附记

原始提示词

整理最近一年由于AI导致的裁员，大规模的裁员，裁员以后公司的经营情况，市场的反馈，目前是不是裁员的风还在美国，中国境内波及面不大。我自己就是金融IT行业的开发，Block 裁员的新闻让我震撼很大。

写作思路摘要

从 Block 这条新闻切入，先保住“金融 IT 开发者被震到”的个人视角。
没把所有裁员都粗暴归因给 AI，而是拆成“公开裁员”“冻结增员”“入口岗位被挤压”三层。
选了 Block、Duolingo、Klarna、Shopify 四个代表性样本，分别看裁员、增员冻结、经营结果和市场反馈。
中国部分没有硬写成“没事”，而是落在“公开裁员风没美国大，但结构性挤压已经开始”。
结尾把判断落回金融 IT 开发的真实处境，重点不是煽情，而是职业结构在变。

换到联通之后，美国节点不再是默认最优

Thu, 16 Apr 2026 01:56:14 +0800

搬家以后，家里的宽带从电信换成了联通。刷剧、打游戏都没什么明显变化，我一开始也没太当回事。

真正露馅是在下载资料的时候。我习惯性切到美国节点，按以前的经验，美国机房带宽足，下载大文件通常能跑得很满。结果这次怎么切都上不去，反而新加坡、台湾节点顺了很多。

这一下把我原来那个很粗的判断拆开了：节点快不快，不能只看服务器在哪个国家，也不能只看机房带宽。你家宽带站在哪张网、代理服务商买了什么上游、回程更偏哪家运营商，最后都会落到同一个下载进度条上。

日常使用会把差异藏起来

这类问题平时不容易发现。

看剧有平台自己的 CDN 和调度，很多流量不需要一路跨境拉回来。打游戏更敏感的是延迟、抖动和稳定性，不一定会持续把带宽跑满。只有下载大文件这种场景，才会把链路的上限逼出来。

所以这次的体感很直接：不是联通不能用，也不是美国节点突然都变差了，而是我原来那套“美国机房资源足，所以默认选美国”的经验，换了一条家宽之后不再成立。

以前用电信时，美国节点能打满，我容易把功劳都归给美国机房。现在回头看，那更像是几件事刚好叠在一起：美国服务器资源够、节点线路对电信友好、回程也没有明显卡住。换到联通以后，同一个选择就不一定占便宜了。

关键不是有没有国际网络，而是你走到哪条路上

原始提示词里提到一个判断：CN2 是电信的，所以联通要租电信网络。这个说法只能算抓到了一部分。

电信确实有自己的 ChinaNet 和 CN2 (AS4809)，很多跨境线路商也会把 CN2 当卖点。它通常意味着更重视质量的承载网络，尤其在面向国际业务的时候很容易被拿来比较。

但联通并不是没有自己的国际网络。联通国际公开资料里写到 AS4837，也提到更偏高质量承载的 AS9929，海外节点覆盖也包括新加坡、台湾、美国等地区。

真正影响普通家庭宽带体验的，不是“谁有没有网”这么简单，而是你具体买到的节点线路和家宽运营商是否匹配：

去程从你家到节点怎么走；
回程从节点回你家怎么走；
代理服务商上游更偏电信、联通还是移动；
高峰期有没有拥塞；
这个节点是不是只在某一家运营商下表现好。

以前我在电信下用得舒服，可能只是刚好站在了那条线路更偏爱的入口。换到联通后，入口变了，美国节点的优势也就没那么稳了。

新加坡和台湾变顺，不代表它们天然更强

更有意思的是，美国节点掉速之后，新加坡和台湾节点反而更顺。

这不说明亚洲机房一定比美国强，也不说明联通用户以后都该默认选亚洲节点。更合理的解释是：亚洲方向距离更近，区域互联更密，我现在这条联通宽带和这些节点的线路组合更合拍。

节点体验其实像一条完整回家路线。机房所在地只是其中一段，国内入口、国际出口、回程策略和高峰拥塞都要一起算。美国机房再强，如果回程绕、上游偏、或者高峰期堵，最后还是跑不起来。

所以后来我选节点的顺序变了。

以前是先看国家：美国优先，新加坡、台湾备选。现在是先看线路匹配：我家是什么宽带，这个服务商在哪些地区对这家运营商友好，实际下载能不能稳定跑起来。

以后买节点，先别急着看国家

这次换宽带给我的修正很实用。

美国节点不是默认答案。它只是一个在很多场景下资源充足、选择多、价格也容易做下来的方向。它能不能变成你的最快节点，还要看你家宽带和它之间那条路。

对普通用户来说，最好的办法不是背运营商骨干网名词，而是换个测试方式：

别只测网页打开速度，要测大文件持续下载；
别只看一个时间点，晚高峰也要测一次；
同时测美国、新加坡、台湾、日本等几个方向；
记录不同节点在自己这条宽带上的稳定表现；
如果服务商标了线路类型，再看它更偏哪家运营商。

我现在不太相信“某国节点一定快”这种说法了。更准确的说法是：某个节点，在某家宽带、某个时间段、某条回程下，可能很快。

这个判断听起来麻烦，但比盲选美国节点靠谱。家宽一换，原来的经验就可能过期。真正诚实的不是节点介绍页，而是你自己那条下载曲线。

参考资料

写作附记

原始提示词

提示词：中国内地，走代理软件，科学上网，发现联通、电信宽带的区别了，日常看剧、打游戏都很难发现。偶尔下载资料，喜欢选择美国节点，那边的节点，下载速度基本能打满，这样也符合以前的认知，美国机房的服务器，宽带资源给的很足。近期搬家换到了联通的带宽发现了问题，美国节点的下载速度上不去了，切换到新加坡、台湾倒是好了很多，这和中国宽带的骨干网络有关系，CN2高速骨干网络，都是电信的，联通要租用电信的网络。

写作思路摘要

保留“搬家换宽带后才发现差异”的真实触发点，不写成运营商百科。
修正“联通只能租电信网络”的绝对说法，改成线路匹配、去程回程和服务商上游共同决定体验。
把结论落到节点选择方法：先测自己家宽下的实际表现，再谈美国、亚洲或机房资源。

Hermes 和 OpenClaw 的 token 账单差在哪

Thu, 16 Apr 2026 01:13:53 +0800

写完上一篇 Hermes 和 OpenClaw 的对比以后，我又去翻了一遍两边文档。越看越觉得，如果只问功能像不像，很容易看偏。

更直接的问题是：它们把 token 花在了哪里。

OpenClaw 更像一个长期在线的助理工作台，默认就要带身份、工作区、消息面和记忆边界。Hermes 更像一个本地 agent 内核，默认先把上下文压住，需要时再发现、再注入、再展开。一个把成本前置，一个把成本后置。最后账单长得当然不一样。

OpenClaw 的固定盘更厚

OpenClaw 的出发点，不是“启动一个轻量 CLI agent 先干活”，而是“让一个助理在工作区里长期存在”。

它的 workspace 文档里，AGENTS.md、SOUL.md、USER.md 这类文件会围绕 session 工作。IDENTITY.md、TOOLS.md、HEARTBEAT.md、BOOT.md、MEMORY.md 也都在同一套助理环境里。文档还专门提醒 HEARTBEAT.md 要短，避免 token burn。

这句话其实很说明问题。OpenClaw 不是不知道 token 贵，而是它的产品目标决定了很多上下文必须提前在场。

你要一个 agent 同时面对 Telegram、Discord、Slack、WhatsApp，还要知道自己是谁、该怎么说话、该怎么路由任务、哪些记忆能用、哪些工具能开，这些规则就不能每次临时拼。

所以 OpenClaw 的 token 消耗更像一张“长期在线助理”的账：

固定身份要带；
工作区规则要带；
多消息面边界要带；
记忆和路由规则要带；
一部分工具和技能索引也要能被看见。

它不是不会省。OpenClaw 的 token 文档也写了，skills 默认进系统提示词的是 metadata，具体内容按需读。问题在于，它的底座本来就更像一个完整助理环境。这个底座好用，但不会特别轻。

Hermes 的默认姿势更克制

Hermes 的文档里反复出现两个思路：按需加载，保住 prompt cache。

它处理 context files 的方式很典型。启动时只拿当前目录命中的项目上下文，像 AGENTS.md、CLAUDE.md、.cursorrules 这类文件是 first match wins，不是一口气全塞进系统提示词。子目录里的上下文，也不是一开始全文加载，而是等 agent 真的走到相关路径、读到相关文件，再逐步发现。

这和 OpenClaw 的气质完全不一样。

Hermes 更像是在说：系统提示词最好别乱长。能后置的就后置，能按需出现的就按需出现。skill 也是同一套 progressive disclosure 逻辑，先给模型一个轻量索引，需要的时候再打开具体说明。

它的记忆设计也更像组合件。SOUL.md、USER.md、内置 memory 有固定边界，session search、memory provider、Honcho 这些再按需要叠上去。这个设计不保证所有任务都省 token，但它让默认路径更不容易膨胀。

所以我会把 Hermes 归成另一种账：

开局固定上下文更克制；
项目上下文按路径发现；
skill 按需展开；
工具输出尽量只回关键结果；
真复杂时再把 memory、sub-agent、长工具结果叠上去。

它不是“天然便宜”，而是更容易从轻状态开始。

谁更省，要看你在养什么

很多工具对比最后都会落成一句“谁更省 token”。这个说法太粗。

如果你要的是长期在线、跨平台、有身份感、能维持多消息面关系的助理，OpenClaw 把上下文前置是合理代价。你不能既要它像一个一直在场的人，又要求每轮都像一次性 CLI 小工具那么轻。

如果你主要在本地仓库里做代码、技能、上下文发现和工具执行，Hermes 的后置加载会更顺手。它把“现在不用的东西先别进上下文”当成默认设计，token 账就更容易控。

这不是谁更先进，而是谁把成本放在哪。

取舍	OpenClaw	Hermes
默认形态	长期在线助理工作台	本地 agent 内核
成本位置	身份、工作区、消息面先在场	上下文和能力按需展开
优势	存在感稳定，多平台边界清楚	起步轻，prompt cache 更容易保住
风险	固定盘容易变厚	复杂任务展开后一样会烧 token

如果只看默认架构，我会倾向于说 Hermes 更容易把 token 压住。但如果任务目标是“养一个在线助理”，那 OpenClaw 多花的 token 不一定是浪费，可能就是它要交付的产品体验。

真要算账，别靠体感

还有一点比架构名字更重要：实际账单要看工具给出的上下文和用量。

OpenClaw 有 /context detail、/usage tokens 这类命令，适合看每次 session 到底带了什么。Hermes 也可以结合 context 注入、skills 展开、Honcho 或 provider 账单去看实际消耗。

光看文档只能判断倾向，不能替你算最终成本。真正决定账单的，是你写了多长的 SOUL.md，塞了多少 memory，开了多少 skill，工具输出有没有收住，模型本身贵不贵。

我现在会这样看：

如果每轮都要带身份、人格、消息面和工作区规则，那是固定开销；
如果每次任务都要读一大段工具输出，那是工具噪音；
如果 skill 和 memory 全开，那是能力扩张；
如果子代理各自复制大量上下文，那是并行成本；
如果 prompt 前缀稳定，缓存命中才有意义。

所以比较 Hermes 和 OpenClaw，不该只问“谁省”。应该问：我的任务是不是需要一个长期在线助理，还是只需要一个能在本地仓库里按需展开的 agent。

这个问题答清楚，token 账就清楚了一半。

参考资料

写作附记

原始提示词

提示词：Hermes 和 OpenClaw 再写一篇文章，关于两者 token 消耗的情况，架构不同，消耗必然不一样

写作思路摘要

保留“架构不同，token 消耗必然不同”的原始判断。
把旧稿里过密的文档摘录改成账单结构比较：固定盘、按需展开、工具输出和缓存。
不写成“谁更省”的绝对结论，而是落到使用场景：长期在线助理和本地 agent 内核不是同一种成本模型。

Hermes 不能按 OpenClaw 平替来估

Wed, 15 Apr 2026 23:52:20 +0800

这两天我把 Hermes 和 OpenClaw 的文档来回翻了一圈，越看越觉得，很多人把这两个项目放在一起比，其实一开始就比偏了。

它们当然都在做“个人 AI 助手”。都能接消息、调模型、跑工具、留住一点上下文。Hermes 甚至还专门做了 hermes claw migrate，摆明了是知道自己会接到一批 OpenClaw 用户。

但是说白了，Hermes 不是换皮版 OpenClaw，OpenClaw 也不是多了几个消息入口的 agent framework。一个是从 Gateway 往外长，一个是从 AIAgent 往外长。这个差别不先看明白，后面谈架构、设计理念和生态，基本都会越聊越乱。

它们一开始就没打算长成一个东西

OpenClaw 官方文档把 Gateway 放在非常前的位置。它的定义很直接：一个长期运行的 Gateway 持有所有消息面，控制面客户端、Web UI、Node 设备都通过 WebSocket 连到这个 Gateway 上，而且一个 host 上只有一个 Gateway 去管核心消息连接，像 WhatsApp 这种会话也明确由它独占。

这意味着什么？意味着 OpenClaw 的世界观不是“先有一个 agent，再给它接几个入口”，而是“先有一个常驻的通信和控制平面，再把 agent runtime、session、skills、delegate、sub-agent 都组织到这个平面里”。

Hermes 就不是这个味道。它的架构图一上来写得很明白，CLI、Gateway、ACP、Batch Runner、API Server、Python Library 这些入口，最后都汇到同一个 AIAgent 核心。Session storage 是 SQLite + FTS5，工具后端、provider resolution、prompt builder 都是围着这个 core 组织的。

所以从骨架上看，OpenClaw 更像一个“常驻型个人助理系统”；Hermes 更像一个“agent runtime 平台”，消息入口只是它的一个延伸面。

一个把 Gateway 当主角，一个把 Agent 当主角

这个架构差异，最后会直接变成使用体验差异。

OpenClaw 的强项，是把“我怎么在很多渠道上拥有一个长期在线、带身份、带边界、可路由的助手”这件事做得非常重。它有默认的 DM pairing、安全策略、按 channel/account/peer 做 routing、多 agent 绑定、delegate 模式，甚至连“代表谁发、用哪个账号收、在哪个群里出现”这种组织级问题都专门写成文档了。

换句话说，OpenClaw 想先解决的是存在性问题。这个 agent 先得像个真的人，或者像个真的组织助理，活在 Telegram、Discord、Slack、WhatsApp、Signal、WebChat 这些面上，然后你再去谈它会不会写代码、会不会做任务分发。

Hermes 的重心更偏“能力积累”。它当然也有 Gateway，也能接 Telegram、Discord、Slack、WhatsApp 这些平台，但官方叙事里最靠前的词不是路由和账号，而是 persistent memory、skills、MCP、sub-agents、toolsets，还有 batch processing、trajectory export、RL training。

这就很关键了。Hermes 要解决的核心问题不是“怎么把一个 AI 接到尽可能多的消息面上”，而是“怎么让这个 agent 逐步长出自己的技能、记忆和可复用能力，甚至还能顺手拿去做训练数据和实验”。

所以我更愿意这么概括：

OpenClaw 是 communication-first 的 personal assistant system。

Hermes 是 agent-core-first 的 self-hosted agent platform。

记忆、技能和扩展方式，也不是一个味道

很多人会说，这俩不都支持 skill、memory、plugin 吗。没错，都支持。但是落点不一样。

OpenClaw 的 agent runtime 里，workspace 是很重的概念。AGENTS.md、SOUL.md、TOOLS.md、BOOTSTRAP.md、IDENTITY.md、USER.md 这些文件会在新 session 的第一轮直接注入上下文。技能加载也有一整套优先级：workspace 里的、项目里的、个人目录里的、~/.openclaw/skills 里的、bundled 的，都能往里叠。它本质上是在搭一个“人格 + 规则 + 工作区 + 通道”统一的长期助手环境。

Hermes 的技能系统明显更偏“程序化记忆”。官方文档直接说，skills 是 on-demand knowledge documents，走 progressive disclosure，兼容 agentskills.io 的开放标准，统一放在 ~/.hermes/skills/ 下面，而且 agent 自己就能修改和删除 skill。这个味道就不是“给助手配几份说明书”了，而是“把做过的事沉淀成可以再次加载的能力块”。

记忆也一样。Hermes 内置的是很克制的 MEMORY.md 和 USER.md，再配一个 SQLite + FTS5 的 session search，另外再往外挂 8 类 memory provider。这个设计挺有意思，它没有一上来把“长期人格环境”写得特别厚，而是把短记忆、检索式回忆、外挂式长期记忆拆开了。

OpenClaw 不是没有记忆，也不是没有 sub-agent、多 agent、delegate 这些进阶能力。相反，它这些都不少。但从文档结构和默认心智模型看，它更像在经营一个持续在线的 assistant workspace；Hermes 更像在经营一个会持续进化的 agent capability graph。

生态为什么会越走越开

生态这块，表面看都是“开源 + 可扩展”，实际上也分叉得很明显。

OpenClaw 的生态更宽，更偏外部接入层。官方插件可以扩 channels、model providers、tools、skills、speech、web fetch、web search、memory，社区插件和 ClawHub 也在围着“接更多平台、接更多账号、接更多工作流”长。它甚至明确兼容 .codex-plugin、.claude-plugin、.cursor-plugin 这类 bundle 形态。这个动作很聪明，说白了就是先把别家生态的壳也吃进来，先把入口做大。

再看 OpenClaw 的文档，你会发现它对 sub-agent、delegate、组织代理、thread binding、DM pairing、group mention 这些东西写得非常细。说明它的生态目标，不只是单机玩家折腾，而是希望真的变成一个长期运行的 agent operating system。

Hermes 的生态则更像“内核能力外接”。它有 Python plugin system，有 memory provider plugin，有 context engine plugin，有 MCP server 接入，也有 Skills Hub 和 agentskills.io 这种开放 skill 标准。再加上 batch runner、trajectory export、Atropos 这些训练相关接口，Hermes 的生态天然会吸引两类人。

一类是把它当个人 agent 用的人。

另一类是把它当研究、训练、实验、workflow substrate 用的人。

这两类用户的需求差异很大，但 Hermes 的架构刚好都能兜住。所以你会感觉 Hermes 的生态虽然未必像 OpenClaw 那样先在“渠道数量”和“消息存在感”上铺开，但我会更倾向于觉得，它在 agent substrate 这块的后劲会更大。

还有一个挺有意思的细节。Hermes 官方 README 里不光有 hermes claw migrate，还挂了一个社区项目 HermesClaw，用来在同一个 WeChat 账号上同时跑 Hermes Agent 和 OpenClaw。这个信号已经很明显了：Hermes 不是假装自己和 OpenClaw 没关系，它是在承认这条用户迁移链路存在，然后顺手把这条链路产品化了。

我最后的判断

如果你要的是一个“真的活在消息面上的个人助理系统”，要的是账号、渠道、路由、delegate、组织边界、长期在线、强控制面，那 OpenClaw 这条路更完整，也更像一个成熟的通信底座。

如果你要的是一个“会越用越像自己工作台的 agent core”，看重的是 skill 沉淀、memory 组合、MCP、插件、sub-agent、训练数据和后续可塑性，那 Hermes 更顺手。

所以别再简单问“Hermes 能不能替代 OpenClaw”了。这个问题问得有点糙。

更准确的问法应该是：

你到底想要一个长在消息网络里的 AI 助理，还是一个长在本地工作流和 agent runtime 里的 AI 平台？

想清楚这个，选择就没那么拧巴了。

参考资料

写作附记

原始提示词

提示词：Hermes 和 OpenClaw 的不同，架构上的不同，设计理念上面的不同，生态的不同

写作思路摘要

先把“替代品对比”这个常见问法拆掉，直接把主线定成“两个项目的中心到底放在哪”。
架构部分优先看官方文档里的主入口和核心组件，而不是社区二手总结。
设计理念部分不做空泛价值判断，直接落到 Gateway、Agent Core、memory、skill、delegate 这些具体设计上。
生态部分重点比较扩展方向，不做星标、热度和社区口水战。
事实核验以 2026-04-15 可见的官方仓库与官方文档为准。

让 AI 写 Demo，检查点要比代码更小

Fri, 10 Apr 2026 15:39:51 +0800

AI 写 C++ 小项目，最吓人的地方不是它写不出来，而是它太快写出来了。

你只是想起一个最小 Demo，它三分钟给你铺好目录，接好三方库，补上日志、配置、异常和几个看起来很专业的类。项目甚至能跑。问题是，等你开始认真接业务，才发现自己还没搞清楚新库支持什么、构建链路怎么走、哪些抽象是必要的，返工已经排着队来了。

我现在对 AI 编程的态度反而更保守：不是少用 AI，而是每一轮都把检查点压小。尤其 C++ 这种没有统一脚手架兜底的语言，前面让 AI 多做一点，后面就可能多还几步。

快不是问题，失去节奏才是问题

人工写一个 C++ 小项目，常见节奏其实很土：

先写 main.cpp，让它能编。再加一小段业务逻辑，让它能跑。接着才考虑日志、配置、目录拆分和测试。每一步都不优雅，但每一步都知道自己换来了什么。

AI 容易破坏这个节奏。

它看到“写一个日志扫描工具”，可能顺手就给你：

src/、include/、tests/；
fmt、spdlog、toml++；
配置类、日志类、扫描类；
错误处理、帮助信息、输出格式；
甚至还会补一个 README。

这些东西单看都不坏。真正的问题是，你的认知没有跟上项目展开速度。一个三方库引进来以后，安装方式、编译目标、异常模型、线程安全、平台差异，都可能变成后面的约束。你不理解这些约束，Demo 越完整，返工范围越大。

所以 AI 编程里最该练的能力，不是让模型一次生成更多，而是让它每次只跨过一个你能验收的检查点。

一个够用的小练习

我觉得可以拿一个很小的 C++ 工具练手：logscan。

它只做一件事：扫描一个目录里的日志文件，统计 error 和 warn 的数量，然后打印结果。

题目不复杂，但刚好能覆盖小项目常见的几块：

命令行入口；
输出格式化；
日志；
配置文件；
简单业务模块。

关键是，不要让 AI 一口气做完。把它切成四轮。

第一轮只接 fmt

第一轮只做输出。

目标很小：根目录有一个 CMakeLists.txt，有一个 main.cpp，能用 fmt 打印扫描目录和统计结果。业务扫描可以先是假数据。

这一步的 prompt 可以写得很死：

当前只完成一个检查点：项目能编译，main.cpp 能用 fmt 打印目录和统计结果。
不要新增日志模块、配置模块、测试框架或复杂目录结构。
先说明修改哪些文件，再给代码。
完成后给出构建命令和预期输出。

这里不是不让 AI 发挥，而是先确认一件事：依赖怎么接进来，项目怎么编译，输出是否符合预期。

fmt 有清楚的 CMake 用法，CMake 的 FetchContent 也适合小项目起步。你可以让 AI 按其中一种方式做，但不要让它一轮里同时尝试 find_package、手拷源码、add_subdirectory 和包管理器。

第一轮的目标不是“架构好看”，而是把构建链路钉住。

第二轮再加日志

等第一轮能稳定编译，再上 spdlog。

这一步也要压住范围。不要一开始就让 AI 做滚动日志、按天切分、全局 logger 工厂和配置驱动。先只做控制台日志，最多再加一个简单文件日志。

这一轮真正要确认的是：

日志初始化放在哪里；
业务逻辑怎么拿 logger；
正常输出和调试日志怎么分工；
失败时日志里能看到什么。

spdlog 能做很多事，但练习的重点不是把它所有能力都接上。重点是确认你的项目真的需要哪些能力。

AI 很容易把“库支持”误写成“项目需要”。这一步要拦住它。

第三轮才读配置

配置文件最容易膨胀。

一个小工具本来只需要三个配置：

扫描目录；
关键字列表；
是否输出到文件。

AI 可能会顺手写成配置中心、热更新、环境变量覆盖、默认值合并、校验层、错误码体系。不是这些东西没用，而是你还没证明现在需要它们。

如果用 toml++，这一轮只读一个 config.toml，解析成一个很薄的 AppConfig 结构体就够了。

不要让配置层先于业务长大。配置只是服务当前工具，不是给未来所有想象中的版本做平台。

第四轮再拆模块

等输出、日志、配置都跑过，再拆业务模块。

这时候可以收成几个文件：

main.cpp
app_config.h / app_config.cpp
logger.h / logger.cpp
log_scanner.h / log_scanner.cpp

注意顺序：是先跑通，再拆。

第一步就把目录排得很漂亮，不一定让项目更清楚。很多时候只是视觉上完整，问题来源反而更难追。等每个依赖和职责都实际跑过一轮，再让 AI 帮你整理，返工成本会低很多。

我现在只留三条规则

网上 AI 编程规范很多，复杂到最后很难执行。我自己现在只保留三条。

第一，每次引库前，先写一张“引库卡”：

这个库解决什么问题；
这次只用哪一两个能力；
它会给构建、部署或运行带来什么约束；
如果不用它，最小替代方案是什么。

第二，每轮只过一个检查点：

能编译；
能运行；
能看到预期输出；
能通过当前测试。

不要在同一轮里同时“顺手重构”“顺手补配置”“顺手引日志”。C++ 里最怕顺手，因为顺手会把问题来源弄脏。

第三，每轮都要能回滚：

这一步改了哪些文件；
错了以后删哪里；
回到上一步项目还能不能编。

这三条看起来不像什么新方法，甚至有点笨。但笨办法抗返工。AI 已经足够快了，人要补上的不是更快，而是把它的快切成能验收的小段。

参考资料

写作附记

原始提示词

提示词：人工写项目，针对 C++ 这种不用手脚架的语言，第一个弄个框架，从 main 开始拓展逻辑，逐步增加模块，比如配置文件、日志模块、迭代业务模块。我的习惯是每次都能确保编译，逐步重构，可能一开始不是最优解。AI 编程，现在很多时候，跳过了步骤，前期思考的太少，特别是引入新的三方库，AI 是能快速出个 Demo，但是由于我不清楚新引入三方库的细节，支持哪些功能，相关逻辑的返工率明显高于人工开发。有没有好的实战案例，让我学下，我知道网上有很多复杂的 AI 编程规范，我想要简单一些的，能快速落地的。

写作思路摘要

保留原始提示词里的 C++ 小项目、逐步编译、逐步重构和三方库返工问题。
把旧稿的步骤教程压成一个练习路径，重点放在“每轮只过一个检查点”。
删除泛泛的 AI 编程规范感，保留能立刻执行的三条规则。

VS Code 调 C++，CMake 和 GDB Printer 要一起配

Thu, 09 Apr 2026 19:21:36 +0800

以前我在 VS Code 里调 C++，配置基本就停在 launch.json，最多再加一句 GDB。

把 program 填好，把 gdb 填好，把断点打好。然后呢？然后每次调试前，自己去终端里 cmake --build 一下。

更烦的是，自定义的价格、合约、订单类型断下来以后，VS Code 调试窗口经常只能看到一堆内部字段。数据是对的，但是不说人话。

这事离谱的地方在于，我以前看过的一些教程也差不多就写到 launch.json 为止。直到最近让 AI 配一个新项目，它顺手加了 preLaunchTask 和 gdb_printers.py，我才反应过来：VS Code 调 C++，不只是把 GDB 启起来。调试前可以自动触发 CMake 编译，断点停住以后，也可以让 GDB 加载 Python 脚本，把业务类型处理成自己看得懂的样子。

说实话，这不是什么黑科技。

但是它刚好补上了 C++ 日常调试里两块很烦的空白：启动前构建，以及断点后的变量展示。

以前只配了一半

很多教程里的 .vscode/launch.json，大概是这个意思：

{
  "version": "0.2.0",
  "configurations": [
    {
      "name": "Debug with GDB",
      "type": "cppdbg",
      "request": "launch",
      "program": "${workspaceFolder}/build/debug/bin/vscode_cpp_debug_demo",
      "args": [],
      "stopAtEntry": false,
      "cwd": "${workspaceFolder}",
      "MIMode": "gdb",
      "miDebuggerPath": "/usr/bin/gdb",
      "setupCommands": [
        {
          "description": "Enable pretty-printing for gdb",
          "text": "-enable-pretty-printing",
          "ignoreFailures": true
        }
      ]
    }
  ]
}

这段不能说错。

VS Code 官方的 C++ 示例里，也是类似这一套结构：type 用 cppdbg，MIMode 用 gdb，setupCommands 里打开 pretty-printing。

但是少了一个关键动作。

你点 F5 的时候，它会去启动 program 指向的那个可执行文件。问题是，这个文件是不是刚刚编出来的？

如果不是，那你调的就是上一次的旧程序。

我以前就经常干这种蠢事。代码改了，断点也打了，调半天发现行为不对，最后才想起来：哦，刚刚没重新编译。

preLaunchTask 才是那个钩子

VS Code 的 Tasks，本质上就是把外部命令挂进编辑器。

编译、测试、打包，原来要在终端敲，现在可以写到 .vscode/tasks.json。然后 launch.json 里的 preLaunchTask，再按 label 去找那一个 task。

一个最小的 CMake 项目，可以这么放：

.
├── .vscode/
│   ├── launch.json
│   └── tasks.json
├── CMakeLists.txt
├── src/
│   └── main.cpp
└── tools/
    └── gdb_printers.py

CMakeLists.txt 先写到够用：

cmake_minimum_required(VERSION 3.16)

project(vscode_cpp_debug_demo LANGUAGES CXX)

set(CMAKE_CXX_STANDARD 20)
set(CMAKE_CXX_STANDARD_REQUIRED ON)
set(CMAKE_RUNTIME_OUTPUT_DIRECTORY ${CMAKE_BINARY_DIR}/bin)

add_executable(vscode_cpp_debug_demo
    src/main.cpp
)

然后是 .vscode/tasks.json：

{
  "version": "2.0.0",
  "tasks": [
    {
      "label": "cmake: configure debug",
      "type": "process",
      "command": "cmake",
      "args": [
        "-S", "${workspaceFolder}",
        "-B", "${workspaceFolder}/build/debug",
        "-DCMAKE_BUILD_TYPE=Debug"
      ],
      "problemMatcher": []
    },
    {
      "label": "cmake: build debug",
      "type": "process",
      "command": "cmake",
      "args": [
        "--build", "${workspaceFolder}/build/debug",
        "--parallel"
      ],
      "dependsOn": ["cmake: configure debug"],
      "group": {
        "kind": "build",
        "isDefault": true
      },
      "problemMatcher": ["$gcc"]
    }
  ]
}

注意这里的 cmake --build。

CMake 官方给的构建入口就是这个形式：cmake --build <dir>。它会去调用背后的原生构建工具，比如 Make、Ninja、MSBuild 这一类。

也就是说，VS Code 不需要知道你的项目到底该敲 make 还是 ninja。

这件事交给 CMake。

F5 之前，先编译

然后回到 .vscode/launch.json，把 preLaunchTask 补进去：

{
  "version": "0.2.0",
  "configurations": [
    {
      "name": "CMake Debug with GDB",
      "type": "cppdbg",
      "request": "launch",
      "program": "${workspaceFolder}/build/debug/bin/vscode_cpp_debug_demo",
      "args": [],
      "stopAtEntry": false,
      "cwd": "${workspaceFolder}",
      "environment": [],
      "externalConsole": false,
      "MIMode": "gdb",
      "miDebuggerPath": "/usr/bin/gdb",
      "setupCommands": [
        {
          "description": "Enable pretty-printing for gdb",
          "text": "-enable-pretty-printing",
          "ignoreFailures": true
        }
      ],
      "preLaunchTask": "cmake: build debug"
    }
  ]
}

这一行才是重点：

"preLaunchTask": "cmake: build debug"

按 F5 的链路就变成了：

launch.json
  -> preLaunchTask
    -> tasks.json: cmake: build debug
      -> dependsOn: cmake: configure debug
        -> cmake -S ... -B ...
      -> cmake --build ...
  -> gdb 启动最新的 program

如果是 Windows + MinGW，program 大概率要改成带 .exe 的路径，miDebuggerPath 也要指到自己的 gdb.exe。

如果是 Visual Studio Generator 那种多配置生成器，构建参数通常还要加 --config Debug。

但是主线不变。

调试前让 VS Code 先跑一次构建任务，别靠自己脑子记。

还有一个痛点：自定义类型看不懂

只把编译链路打通，还不够。

C++ 代码里稍微封装一点业务类型，VS Code 左边那个变量窗口就开始变得难看。

比如下面这个例子。

src/main.cpp：

#include <cstdint>
#include <cstdio>
#include <string_view>
#include <vector>

namespace market {

struct Price {
    std::int64_t raw{};

    static Price from_double(double value) {
        return Price{static_cast<std::int64_t>(value * 10000)};
    }

    double to_double() const {
        return static_cast<double>(raw) / 10000.0;
    }
};

struct Instrument {
    char symbol[16]{};
    Price last;
};

Instrument make_instrument(std::string_view symbol, double price) {
    Instrument instrument;
    std::snprintf(instrument.symbol, sizeof(instrument.symbol), "%s", symbol.data());
    instrument.last = Price::from_double(price);
    return instrument;
}

} // namespace market

int main() {
    std::vector<market::Instrument> watchlist{
        market::make_instrument("IF2406", 3578.6),
        market::make_instrument("IH2406", 2468.2),
    };

    market::Price limit = market::Price::from_double(3600.5);

    // 在这里打断点，观察 watchlist 和 limit。
    return watchlist.empty() || limit.raw == 0;
}

market::Price 在业务里是价格。

但是调试器默认看到的可能只有：

limit = {raw = 36005000}

没错，数据是对的。

但是我脑子里还要自己把 36005000 换算成 3600.5000。如果项目里有一堆 Price、Quantity、OrderId、Instrument、AlgoState，调试窗口很快就变成结构体坟场。

这个时候就该上 GDB pretty-printer 了。

GDB 官方手册说得很直接：它提供了一套机制，可以用 Python 代码 pretty-print 值，而且这个机制同时适用于 MI 和命令行。

VS Code 的 C++ 调试刚好走的就是 GDB/MI 这条路。

给业务类型写一个 Python 展示层

新建 tools/gdb_printers.py：

import gdb
import gdb.printing


class PricePrinter:
    def __init__(self, val):
        self.val = val

    def to_string(self):
        raw = int(self.val["raw"])
        return f"{raw / 10000.0:.4f}"


class InstrumentPrinter:
    def __init__(self, val):
        self.val = val

    def to_string(self):
        symbol = self.val["symbol"].string()
        price_raw = int(self.val["last"]["raw"])
        price = price_raw / 10000.0
        return f"{symbol} last={price:.4f}"


def build_pretty_printer():
    printer = gdb.printing.RegexpCollectionPrettyPrinter("market")
    printer.add_printer("Price", "^market::Price$", PricePrinter)
    printer.add_printer("Instrument", "^market::Instrument$", InstrumentPrinter)
    return printer


gdb.printing.register_pretty_printer(
    gdb.current_objfile(),
    build_pretty_printer(),
    replace=True,
)

然后在 launch.json 的 setupCommands 里把它 source 进去：

"setupCommands": [
  {
    "description": "Enable pretty-printing for gdb",
    "text": "-enable-pretty-printing",
    "ignoreFailures": true
  },
  {
    "description": "Load project pretty-printers",
    "text": "-interpreter-exec console \"source ${workspaceFolder}/tools/gdb_printers.py\"",
    "ignoreFailures": false
  }
]

重新 F5。

这时候再看调试窗口，Price 的展示就应该接近：

limit = 3600.5000

Instrument 也会从一坨数组、结构体，变成更接近业务的：

IF2406 last=3578.6000

这里我故意说“接近”，因为 pretty-printer 要和编译器、类型名字、真实字段布局匹配。

如果你的业务类型里面又套了 std::vector、std::array、智能指针，Python 脚本里访问的字段可能还要继续调。不要指望一个脚本通吃所有项目。

但是思路是稳的。

把“调试时人想看的样子”，单独写成一层 Python 展示逻辑。

别把 launch.json 当成全部

现在再看这套配置，我觉得至少有三层。

.vscode/launch.json 负责“怎么启动调试器”。

.vscode/tasks.json 负责“启动调试器之前，先把项目编出来”。

tools/gdb_printers.py 负责“断住以后，变量用人能看懂的方式展示”。

以前我只配第一层。

能用，但是很毛坯。

真正顺手的 C++ 调试，不应该是“我先去终端编译一下，再回来按 F5，再在变量窗口里心算字段含义”。

更舒服的链路应该是：按 F5，VS Code 自动跑 CMake，GDB 自动加载项目的 Python printer，断点停下来以后，调试窗口直接说业务语言。

AI 这次帮我配项目，最有价值的地方倒不是生成了多少 C++ 代码。

而是它把这些老工具之间的胶水也补上了。

我以前不是不知道 CMake，也不是不知道 GDB。

只是少配了中间那几个钩子。

参考资料

写作附记

原始提示词

提示词：$blog-writer vscode 进行 C++ 开发，以前查看的教程，都只是简单的配置了 launch.json 里面的 gdb 调试信息，都没提到配置 preLaunchTask，能做到自动触发 cmake 编译，这还是 AI 配置新项目发现的好东西；如果代码有很多自定义的数据类型，vscode 调试窗口无法直接展示，可以引入 python 脚本进行预处理，这样都能展示了。针对上面的内容，都需要提供实际的代码案例。

写作思路摘要

主线放在“以前只配 launch.json，其实少了调试前构建和调试时展示两层胶水”。
保留用户给出的触发点：AI 配新项目时发现 preLaunchTask 可以自动触发 CMake 编译。
代码案例按一个最小 CMake 项目组织，包含 CMakeLists.txt、tasks.json、launch.json、C++ 自定义类型和 GDB Python pretty-printer。
事实核验优先看 VS Code、CMake、GDB 官方文档；正文不翻译文档，只保留和这条调试链路有关的事实。
对 pretty-printer 的边界做了提醒：类型名、标准库实现、字段布局会影响 Python 脚本，项目里要按自己的类型改。

文件夹分层再套 namespace，这事到底叫什么

Thu, 09 Apr 2026 02:31:07 +0800

最近写算法服务，twap、vwap 这类模块一铺开，我又把这个老问题翻出来了。

C++ 里如果还靠类名硬扛语义，名字很快就会失控。TwapOrderManager、VwapOrderManager、AlgoOrderManager 这种东西，写着写着就一股子“我知道自己结构没收住，但我先把前缀补上”的味道。说白了，按文件夹分层，再配一层 namespace，不是代码洁癖，这是在补 C++ 没有 Java 那种原生 package 体系的空位。

先说结论

如果非要找一个最贴近的软件工程名词，我觉得最该说的是两个词：

模块化（modularization）
命名空间管理（namespace management）

如果再说得更贴一点，这类目录组织往往是在做：

按特性分包 / 按领域分包，也就是常说的 package by feature
如果业务边界已经很强，还会带一点 bounded context 的味道

也就是说，它不是一个只有单一标准译名的小概念，更像是几套设计原则叠在一起。

这事先解决的，其实不是“好看”

很多人一看到 namespace，第一反应是避免重名。这个当然对，C++ 标准里的 namespace 本来就是拿来防止大型项目里名字冲突的 cppreference。但真到业务代码里，它的价值远不止这个。

目录和 namespace 一旦对齐，类名就不用再把上层语义重复一遍了。

比如以前可能会写成这样：

class TwapOrderManager;
class TwapScheduleEngine;
class VwapOrderManager;
class VwapScheduleEngine;

换成目录和命名空间以后，更自然的写法通常是：

namespace algo::twap {
class OrderManager;
class ScheduleEngine;
}

namespace algo::vwap {
class OrderManager;
class ScheduleEngine;
}

这一下，重复前缀没了，语义反而更清楚。因为“它属于哪个上下文”不再塞进类名里，而是交给目录和 namespace 来表达。

所以这套做法，本质上是在把上下文信息从名字里抽出去，交给结构来承载。

这背后更像“按特性分包”

如果你的目录是这样长的：

strategy/
  twap/
    order_manager.h
    schedule_engine.h
    slicer.h
  vwap/
    order_manager.h
    schedule_engine.h
    slicer.h

那你其实已经不是在做传统的“按技术层分包”了。

传统分法更像这样：

models/
services/
utils/
controllers/

这种分法前期看着整齐，后面业务一长，service 目录就会像垃圾回收站。跟一个功能相关的类会被打散到不同目录里，读代码的时候脑子一直在跳。

而 twap、vwap 这种分法，更接近 package by feature。也就是一个目录先回答“这块业务是干什么的”，再在里面放这块业务自己需要的对象和流程。Java 世界里这个说法更常见，但放到 C++ 一样成立，只是承载它的不是原生 package，而是“目录 + namespace + 头文件边界”。

说白了，你是在按变化原因组织代码，而不是按代码长相组织代码。

再往上走一步，就是高内聚低耦合

软件工程里老生常谈的那句“高内聚、低耦合”，其实就落在这种地方。

twap 下面的对象彼此协作频繁，就应该放得近一点，命名空间也靠得近一点；vwap 和它相似，但又不是一回事，就该给它单独边界。这样做有几个很直接的好处：

同一个模块里的类名可以短一点
模块之间的依赖更容易看出来
重构时更容易判断改动会不会串到别的地方
以后真要把某块能力拆成独立库，代价也小一些

这也是为什么很多成熟项目最后都会长成“目录边界 + 命名空间边界 + 编译边界”尽量一致的样子。QuickFIX 这类项目里，你也能看到类似思路，类型和扩展点都尽量放在清晰的命名空间下面，而不是靠巨长的类名前缀去硬区分 QuickFIX GitHub。

什么时候它又不够了

不过这事也别神化。

文件夹分层再套 namespace，只能说明你在往模块化方向走，不代表架构就自动好了。几个常见坑也很明显：

目录和命名空间对不上

目录是 twap/，代码里却还是一堆散着的全局类，或者 namespace common 到处乱飞，这种基本等于白分。

模块边界是假边界

表面上有 twap、vwap，实际上互相 #include，公共逻辑随便穿透，最后只是把文件挪了位置，耦合一点没降。

`common` 目录越长越胖

这个最常见。很多项目前面切得挺好，后面嫌麻烦，开始往 common、base、util 里丢东西。丢到最后，真正稳定的抽象没沉淀下来，反而多了一个谁都能动、谁都依赖的大坑。

结构只按层，不按业务

如果你的目录永远是 api、service、dao、model，那很多业务概念其实没有家。类名只好越来越长，把本该由结构表达的东西全塞回名字里。

那它到底该叫啥

如果是在团队里沟通，我觉得可以分三档说法：

只想说人话：按目录和命名空间做模块化
想说得更工程一点：按特性分包的组织方式，配合层级命名空间
如果这套边界已经和业务语义强绑定了：带 bounded context 味道的模块划分

我自己更倾向第二种。因为它最贴近你描述的场景。

你说的不是 C++ 语法技巧，也不是单纯命名规范，而是在做一件更实在的事：用结构承载语义，让名字回归本义。

类名短下来，文件名短下来，读代码时先看到的是 twap::OrderManager 这种上下文明确的对象，而不是 TwapOrderManagerImpl 这种把目录职责、命名职责、实现职责全搅在一起的东西。

这时候代码才有点像 Java 里包结构成熟之后那种感觉。

最后一句

所以，软件工程上当然有对应概念，但不是只有一个标准答案。

往大了说，它叫模块化。往代码组织上说，它叫按特性分包，再加命名空间管理。往领域边界上说，它又有点 bounded context 的意思。

怎么说呢，这种实践最值钱的地方，从来不是“名字看起来整齐了”，而是你终于不用靠超长前缀去弥补结构缺位了。

参考资料

写作附记

原始提示词

提示词：在编码开发的时候，C++一种好的实践规范，那就是按照文件夹分层，然后每个类上面套个 namespace，类似 Java 的 package，能有效减少文件名称和类名字里面掺杂冗余的内容,有个经典的项目就是 quickfix，近期开发算法服务也用到了类似的设计，twap vwap 很多功能模块都是类似的，软件工程学上有没有专门的概念？

写作思路摘要

从算法服务里 twap、vwap 的真实模块触发点切入，先把判断亮出来。
没把问题硬解释成单一名词，而是拆成模块化、命名空间管理、按特性分包几个更准确的层次。
保留了 QuickFIX 和 Java package 的对照关系，用来说明 C++ 经常要靠目录和命名空间补结构语义。
重点落在“用结构承载语义”，而不是停留在“避免重名”这种表层解释。
补了 namespace、package by feature、bounded context 相关参考链接，方便后续继续展开。

Gemma 4 开放以后（三）：显存速度决定本地体验

Wed, 08 Apr 2026 23:56:20 +0800

这次刷论坛，最让我长记性的不是哪家又发了榜单，而是一句很土的话，显存不够，参数再大也白搭。

以前我总把“模型慢”理解成算力问题。后来越看越明白，很多时候根本不是 GPU 算不动，而是数据没法待在对的地方。只要内存路径一变，token 速度就不是慢一点，是直接掉下去。

前两篇已经把前置问题收完了。第一篇讲发布和协议，第二篇讲 3060 12GB 上为什么先看 26B A4B。最后这一篇，就只讲速度到底是怎么塌的。

显存不够，慢的不是一点点

推理这件事，拆开看就两块特别关键：

模型权重
KV cache

权重决定模型本身，KV cache 记录前文状态。上下文越长，KV cache 越大。只要这两块都能稳稳留在 GPU 显存里，生成 token 的时候基本就是在高带宽显存里取数据、做计算、回写结果，速度通常还能看。

真正麻烦的，是显存装不下。

一旦装不下，推理框架就得退让：

一部分权重放系统内存
或者一部分 KV cache 放系统内存
或者干脆 CPU 和 GPU 来回搬

这时候问题就不是“多算了点”，而是“每出一个 token 都要等数据”。

为什么会出现断崖，不是线性变慢

很多人第一次遇到这个坑，直觉都会觉得，模型从 14B 变成 31B，那就慢一倍多，忍一忍也行。

现实不是这样。

真正的分界线不是参数翻倍，而是工作集有没有跨过显存边界。

只要没跨过去，模型变大通常还是一种可预期的变慢。

一旦跨过去，系统状态就变了：

原来是“显存内闭环”
现在变成“显存 + 主内存 + 总线搬运”

路径一换，代价就完全不一样了。尤其是 decode 阶段，本来就是逐 token 往前走，batch 也不大，这时候最怕的就是每个 token 都要跨设备去等一批数据回来。

所以你会看到一种很典型的现象：

模型不是不能跑
GPU 也不是完全闲着
但 token/s 直接很难看

这就是大家说的“断崖”。不是模型突然变蠢，是内存路径突然变笨了。

`26B A4B` 为什么对本地玩家友好一点

我前一篇一直更看重 26B A4B，原因也在这里。

它的总盘子当然不小，但每个 token 真正激活的大约只有 3.8B。这意味着在相似部署条件下，它对计算和显存路径的压力，往往比 dense 大模型更容易控制。

这也不是魔法。

如果你上下文拉太长，或者量化和框架支持不到位，它一样会难受。只是相比那种一上来就把整块显存顶满的 dense 模型，26B A4B 更像是留给消费级显卡的一条现实路线。

所以很多时候不是 31B 不强，而是本地机器更适合和谁长期相处。

Mac 为什么看起来“不容易爆”

Mac 这边最不一样的，不在模型，在内存结构。

Apple silicon 走的是统一内存。CPU 和 GPU 共享同一池内存，而不是像独显机器那样，一边是显存，一边是主内存，中间再靠总线搬。

这套结构最大的好处，就是很多在独显机器上“显存根本装不下”的模型，到 Mac 上会变成另外一种状态：

不一定很快
但大概率先能装进去

也就是说，Mac 更不容易在第一步就撞上那堵非常生硬的“显存墙”。

这就是为什么很多人会觉得，Mac 在本地大模型这件事上特别适合兜底。它解决的是“能不能先把整套工作集塞进同一池内存里”。

但统一内存不等于送你高速度

这个地方一定要拆开看。

统一内存解决了什么？

解决了独显显存和主内存硬分家
解决了很多模型在小显存卡上直接装不下
解决了部分极难看的跨设备来回搬运

但它没有解决什么？

没有把大模型推理从“海量读内存”变成别的事情
没有让大模型突然不吃带宽
没有让所有推理框架自动拥有 CUDA 那套成熟生态

所以 Mac 的舒服，和英伟达大显存卡的快，不是同一回事。

Mac 更像是：

机器安静
总内存大
统一
很多原本塞不下的模型，终于能先跑

英伟达大显存卡更像是：

生态成熟
CUDA 工具链完整
真把模型和 cache 留在 GPU 里以后，速度更容易拉起来

为什么想要速度，最后还是得看英伟达大显存

这不是情绪判断，是本地部署一路折腾下来很容易得出的现实结论。

如果你追求的是这些东西：

本地助手常驻
多轮长对话
长上下文
更高 token/s
尽量减少等待

那最后看的还是大显存英伟达卡。因为你真正在买的，是把模型和 cache 尽量稳定留在 GPU 那边的能力。

Mac 当然也成立，但它更适合另外一类诉求：

我想一台机器先把更大的模型装进去
我接受速度一般，但不想折腾驱动和外设
我更在乎整体体验、功耗和噪音

这两种路线都合理，只是解决的问题不一样。

放回到 Gemma 4，我的最终判断

Gemma 4 这次确实让我觉得，本地开源模型已经进入了一个更值得认真讨论硬件的阶段。

但模型变强，不代表物理规律跟着一起松了。

31B 再强，显存不够也会掉速。

26B A4B 再务实，上下文过长也会吃压力。

Mac 统一内存再舒服，也只是让“先跑起来”更容易，不会白送你一张大显存 CUDA 卡的速度。

所以最后还是那句很土的话：

要速度，优先英伟达大显存
要兜底，Mac 的统一内存确实舒服
要在 3060 12GB 这种机器上长期玩，别老惦记 dense 大模型，26B A4B 这种路线更现实

这组文章写到这里，也就收住了。

参考资料

写作附记

原始提示词

$blog-writer 谷歌时隔一年，发布了 Gemma4 模型，老规矩，尝试本地部署，还是那台没升级的台式 3060 12GB 英伟达显卡。这次赶上了首发，但是没找到以前常用 Gemma3 的升级版本，但是多有个类似的版本 GemmaE4b，你先搜索介绍下，本次发布了的所有型号，里面的缩写字母什么意思，然后搜索下网上关于 Gemma4 的评价，关键是，本次谷歌更新该了模型的协议，大家用起来的限制更少了。最大的惊喜，我常用的测试题：写一段 C++ 代码，在控制台输出五角星，去年的小参数开源模型都没搞定这个问题，谷歌这次搞定了，第一版给出答案，完全超出我的意料，它知道了我的陷阱，控制台输出五角星很麻烦，它直接硬编码了一个五角星的字符串，控制台直接输出。这是原文：由于在纯文本的控制台（Console）中通过数学逻辑直接绘制一个具有精确几何结构的五角星非常复杂（涉及到坐标系转换和像素填充），最经典且视觉效果最好的方法是使用 ASCII Art（字符艺术）。在我去强制要求进行计算以后，它也搞定了，通过数学计算，成功的绘制了五角星。以前常用 Gemma4 进行本地的翻译任务，当前博客很多历史文章的多语言版本就是这样来的。本地测试用的：gemma-4-26b-a4b 模型，31b 版本属实太慢了。但是看测评 31b 效果很不错，排行榜的成绩很好。同时刷论坛，我认知到了，显存如果不够，模型参数上去了，生成 token 的速度会断崖式下降，你解释下为什么？Mac 不会有这个问题，它走的是统一内存，解释下技术原因。还有就是，如果需要速度，那还是英伟达大显存的显卡才行。Mac 的方案能兜底，但是速度上不去。本次的内容很多，你评估下是否拆成系列文章。

写作思路摘要

第三篇只保留“速度为什么塌”和“Mac 为什么不等于快”这两条线，不再回头解释前两篇的内容。
先讲显存边界，再讲非线性掉速，逻辑比上一版更顺。
Mac 和英伟达被拆成两个不同维度来讲，一个偏兜底，一个偏速度。
结尾只保留硬件判断，不再重复解释为什么拆系列。

Gemma 4 开放以后（二）：3060 12GB 的本地实测账

Wed, 08 Apr 2026 23:52:20 +0800

如果只看榜单，最容易心动的肯定是 31B。

但真把机器搬出来，还是那台没升级的 RTX 3060 12GB，判断马上就会变。怎么说呢，本地部署这件事，最后拼的不是谁最风光，而是谁最像能长期相处的那个。对我来说，这次真正值得先跑的，不是 31B，而是 26B A4B。

上一篇谷歌这次把 Gemma 4 放开了（一）：先别急着跑本地，型号和协议得先看明白把发布和协议讲完了。当前这一篇就只说本地体验本身；最后一篇接着写谷歌这次把 Gemma 4 放开了（三）：显存不够为什么会断崖，Mac 为什么能兜底却快不起来。

为什么我先跑 `26B A4B`

原因其实很土，就是硬件现实。

31B 当然强，官方榜单和社区第一波反馈都挺猛。但你把它放到 3060 12GB 这种机器上，问题马上就不再是“它强不强”，而是“它值不值得你等”。一旦模型和 cache 往系统内存回退，速度很容易直接塌掉，这件事我放到第三篇详细讲。

26B A4B 不一样。

它虽然总参数是 25.2B，但每个 token 真正激活的大约只有 3.8B。说白了，它就是这次 Gemma 4 里最像“专门留给本地玩家”的那档。

所以如果你的机器和我差不多，还是消费级老卡，判断可以直接一点：

想看榜单，上 31B
想真本地长期用，先看 26B A4B

五角星这题，这次终于有人看懂我在挖坑

我自己一直有个很土的测试题，让模型写一段 C++ 代码，在控制台输出五角星。

这题看起来像玩笑，实际挺坏。因为很多模型会把它理解成一个纯数学绘图题，接着就开始上坐标、三角函数、循环，最后在纯文本控制台里输出一坨根本不能看的字符。

去年很多小参数开源模型，基本都死在这里。

Gemma 4 这次第一反应，反而让我很意外。它没急着装懂，而是先识别约束，给出了这段判断：

由于在纯文本的控制台（Console）中通过数学逻辑直接绘制一个具有精确几何结构的五角星非常复杂（涉及到坐标系转换和像素填充），最经典且视觉效果最好的方法是使用 ASCII Art（字符艺术）。

说白了，它先看懂了题目背后的环境限制。控制台不是画布，字符网格也不是像素网格。你要先把“怎么稳定给出一个五角星”想明白，再谈数学绘制。

然后它第一版直接给了一个硬编码的五角星字符串。

这个动作特别对味。不是为了秀推导，而是先把题做对。

更让我意外的是，它还能继续往下走

如果只是停在 ASCII Art，这题还只能算它识别了陷阱。

真正让我高看一眼的是，后面我继续追着要求它用数学计算，它也没有露馅，而是能顺着往下做，把几何关系映射到字符网格，最后把五角星算出来。

这说明的不是“它会写一段代码”，而是它知道这题其实分两层：

第一层，控制台里最稳的答案是什么
第二层，如果你非要做计算，怎么把几何问题降到字符网格上

以前很多本地小模型一上来就冲第二层，最后第一层都没做好。Gemma 4 这次反过来了，先把边界认出来，再决定怎么解。

我觉得这件事比单独一项 benchmark 分数更值钱。

这次 coding 提升，不只是“更聪明了”

五角星这题之所以好用，就是因为它不只是考语法。

它真正考的是：

能不能先理解输出环境
能不能承认直觉解法不合适
能不能在“最优展示效果”和“用户强制要求计算”之间切换

这种题一旦能做对，说明模型开始更像一个会处理现实约束的开发助手，而不是只会补全代码片段。

我对 Gemma 4 的第一印象会比去年那批小参数开源模型好很多。去年很多模型属于能聊天、能补全、能凑合，但一碰到这种稍微带点边界感的问题，就容易露底。

这次谷歌起码把这个短板补上了。

翻译这条线，反而不能简单说“Gemma 4 全面接班”

你前面提到一个点很关键，以前常拿 Gemma 跑本地翻译。

这件事到 Gemma 4 这里，其实没那么线性。因为谷歌在 2026 年 2 月单独发了 TranslateGemma，而且还是建在 Gemma 3 那套尺寸上。

这意味着什么？

意味着如果你现成的本地翻译链路已经跑顺了，短期内不一定非要全部切到 Gemma 4。尤其是那种目标特别单一、只想稳定多语言转换的场景，专门的翻译模型还是有它的价值。

但如果你想要的是一套本地模型，尽量兼顾翻译、问答、代码和一般文本任务，那 26B A4B 这种更全能的路线就很顺。

它未必是最专的，但它更像现实世界里“只想先跑起来一个够用主力模型”的选择。

为什么我不想在第二篇里继续吹 `31B`

不是因为 31B 不行，恰恰相反，它太行了，所以很容易把注意力带偏。

你一旦一直盯着 31B 的榜单表现看，很容易把这篇写成“强模型真强”。但本地部署最怕的就是这种话。因为真正决定你每天会不会继续用它的，不是榜单，而是：

启动是不是太慢
回答是不是掉速严重
长上下文是不是很快就拖垮体验
自己机器到底撑不撑得住

在 3060 12GB 这种机器上，这些现实问题比榜单重要多了。

所以我对第二篇的收口很简单。

31B 值得看，26B A4B 值得用。对本地玩家来说，这两句话不是一回事。

我的本地第一结论

如果让我用一句话概括这次实测感受，那就是：

Gemma 4 终于开始像一个会看场景的本地模型了。

尤其是 26B A4B。它不是那种最能拿来晒榜单的型号，但在老机器、消费级显卡、本地长期使用这些现实约束下，它反而更像真正的主力选择。

至少这次五角星测试，谷歌是过关了。

参考资料

写作附记

原始提示词

$blog-writer 谷歌时隔一年，发布了 Gemma4 模型，老规矩，尝试本地部署，还是那台没升级的台式 3060 12GB 英伟达显卡。这次赶上了首发，但是没找到以前常用 Gemma3 的升级版本，但是多有个类似的版本 GemmaE4b，你先搜索介绍下，本次发布了的所有型号，里面的缩写字母什么意思，然后搜索下网上关于 Gemma4 的评价，关键是，本次谷歌更新该了模型的协议，大家用起来的限制更少了。最大的惊喜，我常用的测试题：写一段 C++ 代码，在控制台输出五角星，去年的小参数开源模型都没搞定这个问题，谷歌这次搞定了，第一版给出答案，完全超出我的意料，它知道了我的陷阱，控制台输出五角星很麻烦，它直接硬编码了一个五角星的字符串，控制台直接输出。这是原文：由于在纯文本的控制台（Console）中通过数学逻辑直接绘制一个具有精确几何结构的五角星非常复杂（涉及到坐标系转换和像素填充），最经典且视觉效果最好的方法是使用 ASCII Art（字符艺术）。在我去强制要求进行计算以后，它也搞定了，通过数学计算，成功的绘制了五角星。以前常用 Gemma4 进行本地的翻译任务，当前博客很多历史文章的多语言版本就是这样来的。本地测试用的：gemma-4-26b-a4b 模型，31b 版本属实太慢了。但是看测评 31b 效果很不错，排行榜的成绩很好。同时刷论坛，我认知到了，显存如果不够，模型参数上去了，生成 token 的速度会断崖式下降，你解释下为什么？Mac 不会有这个问题，它走的是统一内存，解释下技术原因。还有就是，如果需要速度，那还是英伟达大显存的显卡才行。Mac 的方案能兜底，但是速度上不去。本次的内容很多，你评估下是否拆成系列文章。

写作思路摘要

第二篇只保留本地体验，不再替第一篇做总述，也不替第三篇讲显存原理。
先给出“为什么先跑 26B A4B”的硬判断，再展开五角星测试。
五角星题被当成主轴，是因为它比跑分更能说明 coding 场景里的边界感。
翻译任务单独收一节，避免把 Gemma 4 写成对所有旧流程的线性接班。

Gemma 4 开放以后（一）：型号和许可证先落地

Wed, 08 Apr 2026 23:48:20 +0800

首发当天我本来想干的事很简单，找一个和 Gemma 3 对应得上的升级版，先下下来跑。

结果一圈看下来，人先有点傻眼。以前熟的 4B / 12B / 27B 那套名字没了，冒出来的是 E4B、26B A4B、31B。怎么说呢，这次谷歌真正改的，不只是模型大小，而是连“你该怎么理解这批模型”都一起改了。

这组文章我拆成三篇。当前这一篇只把发布信息、型号和协议讲清楚；下一篇写谷歌这次把 Gemma 4 放开了（二）：3060 12GB 本地跑下来，26B A4B 才是更现实的那个；最后一篇收在谷歌这次把 Gemma 4 放开了（三）：显存不够为什么会断崖，Mac 为什么能兜底却快不起来。

先把这次到底发了什么说清楚

去年 Gemma 3 是 2025 年 3 月 12 日发布的，这次 Gemma 4 是 2026 年 4 月 2 日发布，确实差不多隔了一年。

但这次不能再按“27B 的下一代是谁”这种思路去找。官方给的四个主要尺寸，已经不是单纯按总参数分档了。

型号	结构	关键数字	典型场景
`E2B`	Dense	2.3B effective，5.1B 含 embeddings，128K context	设备侧、超轻量本地
`E4B`	Dense	4.5B effective，8B 含 embeddings，128K context	原来 4B 这条小模型主线
`26B A4B`	MoE	25.2B total，约 3.8B active，256K context	消费级显卡、本地部署、兼顾质量和速度
`31B`	Dense	30.7B dense，256K context	追求上限、榜单和更稳质量

如果只看表面，你会觉得这次名字更乱了。可实际不是乱，是谷歌在刻意把三种路线拆开：

小模型设备侧，给 E2B / E4B
本地玩家路线，给 26B A4B
质量和上限路线，给 31B

这也是为什么很多人首发第一感觉会是“以前熟的升级路径断了”。不是没给升级版，是谷歌不想再只按总参数一个维度来卖货。

`E` 和 `A` 这次不是装饰字母

这批名字里，最容易让人犯嘀咕的就是 E4B 和 A4B。

E2B、E4B 里的 E，官方给的是 effective parameters。因为这两个模型用了 Per-Layer Embeddings，所以总参数量和真正有效参数量不是一个口径。说白了，谷歌是在提醒你，这不是过去那种“一个朴素的 4B dense 模型”。

26B A4B 里的 A，就是 active parameters。总盘子是 25.2B，但每个 token 实际激活的大约是 3.8B。这就是 MoE 路线的关键，模型总量不小，但运行时真正参与计算的那部分小很多。

所以这两个名字看着都带个 4B，含义却完全不同：

E4B 是小模型主线
26B A4B 是大盘子 MoE，本地推理时更像“激活规模只有 4B 左右”

这个命名方式一开始确实别扭，但它比过去更接近真实部署体验。

如果你以前常用 Gemma 3，这次该怎么找对应关系

我觉得这一代最容易误判的地方，就是把它当成 Gemma 3 的线性升级。

如果按使用习惯去找，差不多可以这么理解：

以前盯着 4B 跑轻任务的人，现在先看 E4B
以前盯着 27B 看模型上限的人，现在看 31B
以前想在消费级显卡上找一个“够强但不至于完全跑不动”的平衡点，现在重点看 26B A4B

这一层不先理顺，后面本地部署很容易跑偏。你会一边吐槽“怎么没有熟悉的升级版”，一边又把真正适合自己的那个型号错过去。

这次最值钱的更新，其实不是参数

真正让我觉得这次发布像是“终于想通了”的，不是榜单，而是协议。

老版本 Gemma 那套 terms 不能说完全没法用，但一直有点别扭。尤其是你如果关心这些事：

再分发
做蒸馏或二次包装
把模型放进自己的产品链路
做商业部署

你总得回头看看条款里那些 notice、下游限制、附带协议到底要怎么处理。

Gemma 4 这次直接改成 Apache 2.0，事情一下子就干脆了很多。核心意思非常明确：

可以商用
可以修改
可以再分发
义务主要回到保留 license、notice、修改说明这些开源世界熟悉的东西

说白了，谷歌这次不是单纯把模型开源了点，而是把“大家到底敢不敢放心拿去用”这件事一起做顺了。

社区第一波评价，基本也是两条线

第一条线是，31B 确实能打。

官方给出的成绩已经很猛了。Arena AI 文本榜单里，31B 发布时排到开源模型前列，LiveCodeBench v6 也明显比 Gemma 3 27B 上去了一大截。很多人看到的第一反应就是，这个尺寸能打成这样，挺超预期。

第二条线是，26B A4B 很像给本地玩家留的一条活路。

它不是那种一眼看上去最风光的门面型号，但特别现实。尤其是你不是在机房里跑，而是在消费级显卡、工作站、甚至老机器上折腾，本地体验反而更容易落到这条线。

生态还在追版本。模板、量化、推理框架、前端工具，很多还没完全跟上。所以现阶段你看到的评论，最好分两层看：

模型本体，这次确实进步很大
本地体验，还会继续受工具链成熟度影响

我对第一篇的结论

Gemma 4 不再是“从小到大一排 dense 模型”的老思路，而是把设备侧、本地部署、质量上限这三条路分开了。E4B、26B A4B、31B 看着名字怪，背后对应的却是很现实的部署分工。

但如果你问我这次最大的变化到底是什么，我还是那句判断：

不是参数，不是榜单，而是谷歌终于把 Gemma 4 放进了一个大家更敢真用的开源协议里。

这一步，比表上的数字更重要。

下一篇我就不继续讲发布会口径了，直接回到本地机器上。还是那张没升级的 RTX 3060 12GB，为什么我最后先盯上的不是 31B，而是 26B A4B。

参考资料

写作附记

原始提示词

$blog-writer 谷歌时隔一年，发布了 Gemma4 模型，老规矩，尝试本地部署，还是那台没升级的台式 3060 12GB 英伟达显卡。这次赶上了首发，但是没找到以前常用 Gemma3 的升级版本，但是多有个类似的版本 GemmaE4b，你先搜索介绍下，本次发布了的所有型号，里面的缩写字母什么意思，然后搜索下网上关于 Gemma4 的评价，关键是，本次谷歌更新该了模型的协议，大家用起来的限制更少了。最大的惊喜，我常用的测试题：写一段 C++ 代码，在控制台输出五角星，去年的小参数开源模型都没搞定这个问题，谷歌这次搞定了，第一版给出答案，完全超出我的意料，它知道了我的陷阱，控制台输出五角星很麻烦，它直接硬编码了一个五角星的字符串，控制台直接输出。这是原文：由于在纯文本的控制台（Console）中通过数学逻辑直接绘制一个具有精确几何结构的五角星非常复杂（涉及到坐标系转换和像素填充），最经典且视觉效果最好的方法是使用 ASCII Art（字符艺术）。在我去强制要求进行计算以后，它也搞定了，通过数学计算，成功的绘制了五角星。以前常用 Gemma4 进行本地的翻译任务，当前博客很多历史文章的多语言版本就是这样来的。本地测试用的：gemma-4-26b-a4b 模型，31b 版本属实太慢了。但是看测评 31b 效果很不错，排行榜的成绩很好。同时刷论坛，我认知到了，显存如果不够，模型参数上去了，生成 token 的速度会断崖式下降，你解释下为什么？Mac 不会有这个问题，它走的是统一内存，解释下技术原因。还有就是，如果需要速度，那还是英伟达大显存的显卡才行。Mac 的方案能兜底，但是速度上不去。本次的内容很多，你评估下是否拆成系列文章。

写作思路摘要

第一篇只负责把“这次到底发了什么”和“协议为什么重要”讲清楚，不再抢本地体验的话题。
先把型号路线拆开，再解释字母含义，逻辑顺序比上一版更直。
协议部分保留了“这次真正放开的不是参数，是使用限制”这个判断。
社区评价只做收束，不再把太多本地体验提前写进来。

AI 博客工程（三）：本地、在线和 MiniMax 怎么分工

Fri, 03 Apr 2026 21:06:02 +0800

翻了一圈现在仓库里的配置，我反而更确定一件事：这套东西最后拼的不是单个模型有多强，而是每一层到底该让谁来承担成本。

最明显的一个信号就是，当前生效的 published.runtime.json 还是 2026 年 4 月 2 日生成的 minimax-m2，但 2026 年 4 月 3 日 16:38 的 5f17088 已经把 blog-style-suite 的默认 provider 切到了本地 LM Studio 里的 gemma-4-26b-a4b。这看起来像前后不一致，其实不是，它恰好说明了这条流水线开始有了分工。

这组文章到这里，前两篇已经把边界铺开了。第一篇讲的是 blog-writer 为什么会长出来，第二篇讲的是 blog-style-suite 怎么把风格学习和 token 成本拆开。最后这一篇，就收在最现实的问题上：本地模型、在线模型、Minimax，到底该放在哪个工位上。

训练风格数据，不值得每一步都烧在线模型

风格数据这件事，一旦开始认真做，token 很快就会变成现实问题。

不是你想不想省，而是你如果不分工，这套东西根本跑不久。

以前最容易出现的误区，就是让一个在线模型把所有活都包了。

扫历史文章
做筛选
做归类
评分
抽样本
压风格
最后再去写稿

这么干的最大问题，不是“模型不够强”，而是每一步都在烧同一档成本。

反过来想，哪些步骤必须在线，哪些步骤其实应该尽量本地化，哪些步骤甚至根本不该交给模型。

只要这个边界不清楚，再强的模型进来，最后也只是在帮你重复做一堆本来能预处理掉的活。

本地模型更适合脏活、重活和反复试错

我现在越来越愿意把本地模型定义成生产侧的体力层。

它不一定最强，也不一定每次都最漂亮，但它特别适合承担这些事情：

反复试跑的构建
风格数据的多轮压缩实验
配置改动后的重新扫描
对已有结构做低风险重算

这类活的共同点很明显。

不是单次价值极高，而是要反复跑、能容忍试错、并且最好别每一轮都重新付高价。

当前 scripts/blog-style-suite/config.json 已经切到了 lm-studio-gemma4，这本身就说明判断在变。不是说本地 gemma 一定比在线模型更强，而是生产侧这条链路，终于开始优先考虑“跑得起、跑得勤、能反复改”。

这一点，其实和我前面写过的弱模型别硬上强活是同一个逻辑。

本地模型不一定适合总包复杂写稿，但很适合接那些脏活、重活、批量活。风格数据的预处理，本来就更像这一类任务。

在线模型更适合收口，不适合包办一切

说本地模型适合生产侧，不等于在线模型就没价值了。

在线模型真正值钱的地方，恰恰是最后那一下收口。

比如：

根据最新资料补事实
在更大上下文里整理论证
处理需要联网核验的时间敏感信息
把已经准备好的结构化风格资产，转成一篇能发出来的文章

这些动作对表达质量、事实整合、上下文理解要求更高，在线模型放在这里更值。

也就是说，强模型更像总装线最后那几道工序。它不是不可以往前多干点，但如果你让它从头扫到尾，整个成本结构很快就会走形。

这也是为什么 blog-writer 在设计上只读发布位 published.runtime.json，而不是写稿时再去切 provider、再去回扫 suite 目录。消费侧越轻，越适合让更强的模型专心把文章收好。

Minimax 的意义，不只是多接了一个 provider

很多人看到 Minimax，第一反应可能是：无非又多接了一个模型。

我觉得不是。

Minimax 真正有价值的地方，是它把“多 provider 输出，同一发布契约消费”这条路走通了。

2026 年 4 月 2 日 10:18 的 9f15199 把 blog-style-suite 改成了多模型配置，输出按 provider 隔离。后面 README 和 runtime 结构也一直在强调一件事：suite 可以生成很多份结果，但真正生效的只有人工挑出来的 published.runtime.json。

这个边界特别重要。

因为一旦边界明确了，Minimax 的角色就不再是“必须绑定在写稿流程里”，而变成了：

它可以参与生产侧的对比
可以用来生成一版 runtime
可以和本地模型产物横向比较
最后由人工决定哪一版发布

这就把 provider 从“系统依赖”变成了“可替换部件”。

我觉得这是 Minimax 在这套工程里最有意思的意义。它不是来统治整条链路的，它是来验证这条链路到底有没有把接口收干净。

真正的分工，不是按模型强弱分，是按任务类型分

我现在更认同一种很土，但很管用的划分法。

规则和硬约束

交给本地脚本。

能用 scanner.py、write_post.py、write_post_series.py 这种确定性工具解决的，就别让模型掺和。

风格数据生产

优先交给本地模型或成本更低的 provider。

因为这里最重要的是可重复、可试错、可缓存，不是单次输出必须最华丽。

最终写稿和事实收口

交给更适合长上下文整合、表达收束、联网补事实的模型。

这一层才是在线模型最值得花钱的地方。

这么一拆，很多原来纠结的问题反而没那么复杂了。你不需要每天争论“到底哪个模型最强”，你只需要问一句：这个任务属于哪一层。

到最后，最值钱的不是模型，而是边界清楚

第三篇我就收在这里。

blog-writer 和 blog-style-suite 这套东西一路演化下来，我觉得最值钱的，不是又接了谁、又换了谁、又试了哪个 provider。

最值钱的是边界终于越来越清楚了。

blog-writer 管消费侧
blog-style-suite 管生产侧
published.runtime.json 是发布位
本地模型更适合反复跑的脏活和重活
在线模型更适合最后的收口
Minimax 这类在线 provider 更像可替换部件，而不是系统中枢

边界一清楚，整个工作流就顺了。

你不会再指望一个模型包打天下，也不会再把每一步都堆到最贵那一层去做。到最后，这件事看起来是在选模型，实际上是在给不同类型的任务安排工位。

说白了，单点更强当然好。

但长期跑下来，边界清楚，往往比单点更强更重要。

参考资料

仓库提交：9f1519967981c5eef7bd1eb407b0406ac542ebd0
仓库提交：5f17088391ee858b88fc50df884bc0103ff0b3c1
仓库文件：scripts/blog-style-suite/config.json
生效运行时：.agents/data/blog-writing/published.runtime.json
相关旧文：重度AI编程的一段日子
相关旧文：终归还是回到国产模型
相关旧文：弱模型别硬上强活

写作附记

原始提示词

$blog-writer 本次的内容比较多，拆分成系列文章：去年就有很多稿子是通过大模型写的，那会是自己写个大纲或者问题清单，然后AI出稿子，复制内容到本地 md 文档，填写头信息，标签信息、发布文章；近期 codex 用了很多，发现 codex 里面的联网搜索能力很强，那我是不是能写个 skill，将这些事情自动化，此时诞生了 skill blog-writer 的第一稿，我还想着让 AI 学习我以前文章的风格，这就导致 blog-writer 运行的时候，很费 token，后续我针对 blog-writer 进行了多个版本的优化，拆分了数据模块，数据生成的模块，原本数据生成的模块还是独立的 skill，写着写着，我就发现，更适合做成 Python 项目，此时就有了 blog-style-suite，然后我又发现，训练风格数据，也是比较费 token，我就想着用本地的大模型，对接了本地的大模型，我又想到了对比下本地大模型和在线版本的区别，又对接了 minimax；blog-style-suite 和 blog-writer 的演化历史可以分析的 git 提价记录。顺带基于本地 blog-writer、blog-style-suite 的代码，可以讲讲里面的设计思路，是如何做到了节约 token，数据结构是如何设计的，核心的设计思路。Token 富裕完全能生吃历史文章，预处理能节约很多 token

写作思路摘要

第三篇不再重复讲架构，而是把“模型分工”这个现实问题单独收口。
直接用当前仓库里 published.runtime.json 还是 minimax-m2、config.json 已切到本地 gemma4 这个事实开篇，减少空话。
重点不是证明谁更强，而是说明为什么不同任务该由不同成本层来承担。
把 Minimax 放在“可替换 provider”这个位置上讲，是为了把它的意义拉回工程边界，而不是模型榜单。
结尾回到“边界清楚比单点更强更重要”这个总判断，作为整组文章的收口。

AI 博客工程（二）：把风格学习和 token 成本拆开

Fri, 03 Apr 2026 21:02:02 +0800

如果 token 足够，最省脑子的办法其实很粗暴：把历史文章直接塞给模型，让它自己学。

问题在于，这种办法只适合偶尔来一篇，不适合反复写。你要是真把博客写作当成长期工作流来做，生吃历史文章这条路，很快就会从“简单直接”变成“又贵又乱”。

这组文章讲到这里，主线已经变了。上一篇 AI 写博客这件事，后来还是得做成工程（一）：blog-writer 为什么会长出来讲的是消费侧的自动化；这一篇开始讲生产侧，也就是风格数据怎么生成、怎么压缩、怎么别把 token 白白烧掉；下一篇会接着收在 AI 写博客这件事，后来还是得做成工程（三）：本地模型、在线模型和 Minimax 最后怎么分工。

一开始最自然的想法，就是直接喂历史文章

这条路真的太自然了。

你既然想让模型学会你的写法，那最直观的办法当然就是把旧文章喂给它。最好把历史博客里写得最像自己的那些都塞进去，让它自己总结。

单看一次任务，这么干没什么毛病。

甚至很多时候效果还不错。上下文够长，模型够强，历史文章够多，风格确实能被带出来。

但问题不是“这一篇能不能写成”，问题是“下一篇、下下篇，还要不要再来一遍”。

每次都重新喂一批旧文章，会带来几个很现实的副作用：

同一批材料反复占上下文
token 开销和写稿次数近乎线性增长
模型看到的噪音越来越多，真正有用的信号反而被稀释
写稿动作和风格维护动作彻底绑死，谁都轻不下来

也就是说，token 富裕的时候，生吃当然能吃。但工程上不能老这么吃。

这也是为什么数据模块和数据生成模块必须拆开

我后来把这件事想明白，核心就一句话：消费侧和生产侧得分开。

blog-writer 负责的是消费侧。它只管读一份已经发布好的 runtime，然后把文章按固定契约写出来。

而风格数据的扫描、筛选、评分、压缩、provider 对比，这些都应该放到另一条生产侧流水线里。也就是后来长出来的 blog-style-suite。

从 git 记录看，这个转折很清楚。

2026 年 4 月 1 日 21:47 的 84a06b5，已经明确把原来的 blog-style-maintainer skill 换成了仓库级 CLI 工具。这个动作很说明问题，因为一旦你有了 scan/build/rebuild、有了输出目录、有了恢复机制，事情就已经不像一个 skill 了，更像一个正常的 Python 项目。

再到 2026 年 4 月 1 日 23:05 的 9e92b8e，blog-style-suite 继续被拆成 scanner.py、builder.py、compressor.py 这些模块。到这一步，思路其实已经非常工程化了：

scanner.py 负责把文章从磁盘里扫出来，提取结构化特征
builder.py 负责评分、精选、缓存、运行时装配
compressor.py 负责该让模型参与的那几步压缩

这和单纯写一段超级 prompt，已经是两种完全不同的思路了。

省 token，不靠玄学，靠的是预处理和批量化

2026 年 4 月 2 日 19:41 的 bc4b950 是关键的一次提交。

那次提交把话说得很直白，AI 调用从大约 2000 次，直接降到了每个 provider 最多 5 次。

怎么做到的？

不是靠“把 prompt 改得更聪明”，而是靠把该预处理的东西提前做掉。

现在 blog-style-suite 的流程，已经很清楚了：

scan 阶段纯启发式，0 次 AI 调用
build 阶段先做启发式评分，还是 0 次 AI 调用
再按 technical / finance / essay / tooling 四个 lane 各做 1 次批量精选和打标签
最后再做 1 次作者风格压缩

这样算下来，冷启动最多也就是 5 次调用。

更关键的是，这 5 次不是分散在每一篇文章上，而是集中在已经被预处理过的、高价值的摘要材料上。

这就是预处理真正省 token 的地方。不是少省几个字，而是从“按文章逐篇调用”改成“按阶段集中调用”。

再往后，缓存也补上了。

builder.py 里有 lane 的 batch fingerprint，有 provider checkpoint 恢复，有 review_pool_per_lane = 12 这种为了本地模型上下文做的收缩。你要改一小部分数据，不会整条流水线重跑。

这类设计看起来都不炫，但每一个都很实用。因为它们解决的都是“别让同一批 token 反复烧第二次”。

现在这套数据结构，本质上就是在压缩真正有用的信号

这一套拆完以后，数据结构也就顺了。

我现在更愿意把它理解成三层。

第一层：`scan.json`

这是共享原料。

里面放的是文章路径、标题、日期、分类、标签、开头段落、closing stub、headings、screening 结果、lane 归类这些结构化信号。

它不是给 blog-writer 直接吃的，它是给生产侧继续往下加工的。

第二层：`{provider}.source.json`

这是 provider 级 checkpoint。

在共享原料的基础上，多了评分结果、lane selection、fingerprint、cache status 这些中间态。也就是说，它更像“加工过程中的半成品”，重点是可恢复、可复用、可中断继续。

第三层：`{provider}.runtime.json` 和 `published.runtime.json`

这才是消费侧真正关心的成品。

里面保留的是：

author_style
lanes
samples
writer_guide

也就是把原来一大堆历史文章，压成一份可直接消费的运行时风格资产。

尤其是 published.runtime.json 这个发布位很关键。blog-writer 只读这一份，不回头去扫 content/post，也不关心 suite 目录下所有 provider 的完整镜像。

这个边界一旦立住，消费侧就轻了。写稿模型看到的，不再是一堆原始旧文，而是一份已经预处理好的高密度信号。

不是所有事情都该让模型做

我现在越来越认同一个判断：其实不是“多接几个模型”，而是“别把不该让模型做的事也扔给模型”。

像这些事情，就很适合本地规则先做掉：

frontmatter 解析
开头段落提取
headings 抽取
本人/转载/模型署名判断
blockquote 比例检测
、嵌入 prompt、正文长度这类硬规则筛掉

这些动作让模型来做，不是不行，是浪费。

模型更适合做的，是那些带模糊性、带取舍的部分。比如一个 lane 里哪几篇更能代表当前声音，或者从高分文章里提炼作者风格标签。

所以 blog-style-suite 真正值钱的，不只是“省 token”，而是它把人、规则、模型三者各自该干的活重新分了一次。

预处理不是为了省一点 token，是为了让写稿这件事可持续

第二篇的结论，我想压得更直接一点。

token 富裕的时候，生吃历史文章当然没问题。甚至你真只写一两篇，可能还更省脑子。

但只要你想把这件事做成长期工作流，预处理就不是可选项了。因为你不做预处理，写稿模型每次都得重复看旧材料，风格维护和文章生成也永远搅在一起。

blog-style-suite 的意义，就是把这一团东西拆开。

不是为了显得系统，不是为了多一个项目名，而是为了让 blog-writer 保持轻，保持稳，保持“只干写稿这一个动作”。

到了这里，下一步的问题也就顺理成章了。

既然生产侧已经独立出来了，那到底该让什么模型来承担这部分成本？本地模型、在线模型、Minimax，分别该站在哪个工位上？这件事，留到下一篇 AI 写博客这件事，后来还是得做成工程（三）：本地模型、在线模型和 Minimax 最后怎么分工。

参考资料

仓库提交：84a06b5dc743f2e9bc6e788d53496a1261bc63ae
仓库提交：9e92b8e6a15d03e6392aff7f3b2dcb0992fe5043
仓库提交：bc4b950cbb13e37d1fdb16a9d23325cfefa6f90e
仓库文件：scripts/blog-style-suite/README.md
仓库文件：scripts/blog-style-suite/style_pipeline/scanner.py
仓库文件：scripts/blog-style-suite/style_pipeline/builder.py
仓库文件：scripts/blog-style-suite/style_pipeline/compressor.py
生效运行时：.agents/data/blog-writing/published.runtime.json

写作附记

原始提示词

$blog-writer 本次的内容比较多，拆分成系列文章：去年就有很多稿子是通过大模型写的，那会是自己写个大纲或者问题清单，然后AI出稿子，复制内容到本地 md 文档，填写头信息，标签信息、发布文章；近期 codex 用了很多，发现 codex 里面的联网搜索能力很强，那我是不是能写个 skill，将这些事情自动化，此时诞生了 skill blog-writer 的第一稿，我还想着让 AI 学习我以前文章的风格，这就导致 blog-writer 运行的时候，很费 token，后续我针对 blog-writer 进行了多个版本的优化，拆分了数据模块，数据生成的模块，原本数据生成的模块还是独立的 skill，写着写着，我就发现，更适合做成 Python 项目，此时就有了 blog-style-suite，然后我又发现，训练风格数据，也是比较费 token，我就想着用本地的大模型，对接了本地的大模型，我又想到了对比下本地大模型和在线版本的区别，又对接了 minimax；blog-style-suite 和 blog-writer 的演化历史可以分析的 git 提价记录。顺带基于本地 blog-writer、blog-style-suite 的代码，可以讲讲里面的设计思路，是如何做到了节约 token，数据结构是如何设计的，核心的设计思路。Token 富裕完全能生吃历史文章，预处理能节约很多 token

写作思路摘要

这一篇把重点从写稿动作切到数据工程，核心回答“为什么必须拆模块”。
开头直接承认“生吃历史文章能用”，这样后面的拆分理由才更有说服力。
重点展开了 scan.json、source.json、runtime.json 这三层结构，避免空讲架构。
bc4b950 被放在中间当转折点，因为“从约 2000 次到 5 次”最能说明预处理的价值。
结尾把消费侧和生产侧重新分开，为第三篇的模型分工做铺垫。

AI 博客工程（一）：blog-writer 为什么会长出来

Fri, 03 Apr 2026 20:58:02 +0800

去年写了不少 AI 稿子，那会最土的流程就是，自己先整理个大纲或者问题清单，让大模型把正文吐出来，然后再把内容复制到本地 md 文档里，补 frontmatter、标签、分类、标题，最后再发布。

这套流程不是不能用，是很烦。真正费时间的地方，不是正文，而是正文外面那一圈重复劳动。尤其是最近 Codex 用多了以后，这种别扭感更强了。它能读仓库、能改文件、能补资料、还能直接把文章写进目录里，我要是还手工复制来复制去，反而像是人把工具的腿绑住了。

这组文章其实就想讲一件事，AI 写博客到了后面，不能再只靠一段 prompt 硬顶。当前这一篇先讲 blog-writer 为什么会长出来；下一篇会接着写 AI 写博客这件事，后来还是得做成工程（二）：blog-style-suite 怎么把风格学习和 token 成本拆开；最后一篇收在 AI 写博客这件事，后来还是得做成工程（三）：本地模型、在线模型和 Minimax 最后怎么分工。

真正烦人的，不是写稿，是那一串机械动作

早期那套流程，说穿了很像外包流水线。

我自己先把问题列清楚，或者先搭个大纲。模型负责把正文铺出来。然后人再回来补齐剩下的发布动作。

复制到本地 md
补 title、date、slug
填标签和分类
补 
整理参考资料
再决定落到哪个目录

这一串活，单看每一步都不难，连起来就很烦。烦的不是技术难度，烦的是它们都很机械，但又不能不做。

这也是为什么我后来越来越觉得，基于命令行的AI编码交互这类变化，不只是“换了个入口”。当 AI 已经能直接在仓库里读写文件的时候，博客写作如果还停在“复制正文到本地文档”这一层，整个工作流其实已经落后了。

blog-writer 第一层价值，不是文风，是把契约写死

blog-writer 最早的那个节点，是 2026 年 4 月 1 日 17:00 的 991536a。从 git 提交记录看，这一版已经把 SKILL.md、write_post.py 和一套最初的风格材料一起放进来了。

但我后来回头看，这一稿最值钱的地方，不是“AI 学会了我的文风”，而是先把写稿契约写死了。

什么叫契约写死？

输入里至少要有大纲和事实锚点
输出必须是完整 Markdown，不是半成品
frontmatter 不能再靠人补
文章不能只停在聊天窗口里，得直接落到 content/post

这件事很重要，因为 prompt 本身不稳定。你今天说一句“帮我像以前那样写”，它可能理解成语气像一点；明天你再说一遍，它可能只学到表面句式。可一旦写成 Skill，规则就从“临场发挥”变成“固定工序”了。

后面的几个节点，其实都在继续补这个契约。

2026 年 4 月 2 日 22:54 的 8eb735a，把作者字段、写作附记、原始提示词这些东西都固定下来了。到这一步，博客成稿已经不是“正文写完就算完”，而是连元信息、可追溯性、公开附记都一起标准化了。

所以 blog-writer 的第一层价值，从来不是让模型显得更会写，而是让写稿这件事终于有了可重复执行的边界。

系列模式，其实也是写作契约往前走了一步

单篇写稳了以后，下一个问题很快就冒出来了。

有些题目根本不适合挤在一篇里。你如果硬塞，最后往往会变成一篇信息很多、主线很散、每个点都讲不透的长文。

这也是为什么 2026 年 4 月 2 日 23:55 的 1a5604e 很关键。那次直接把系列模式和 write_post_series.py 一起补进来了，文章之间用 relref 串起来，批量写入时再统一替换。

这看起来像是个写文件脚本的小升级，实际上不是。

它说明一件事：写作工程化已经不再只考虑“这一篇怎么生成”，而是开始考虑“这一组内容怎么稳定落盘、怎么保证顺序、怎么在站点里互相跳转”。

第二天 2026 年 4 月 3 日 09:29 的 04dccb9 继续把这件事往前推了一步。系列文章时间戳按分钟递增，不再共用一个时间。这个改动很小，但很有工程味，因为它解决的是 Hugo 列表页、上一篇下一篇、系列顺序这些真实问题。

说白了，系列模式不是为了显得高级，而是为了让“多篇一起发”这件事别再靠手工兜底。

但只靠一个 skill，后面还是会撞到 token 墙

一旦开始认真折腾文风学习，blog-writer 的上下文会很快变胖。你不但要让它会写，还想让它像你以前那样写。那最自然的办法，就是把历史文章也一股脑塞进去。

这么干，单次当然能跑。

但只要你不是偶尔写一篇，而是想把它变成长期工作流，问题马上就来了：

token 花销高
每次都重复喂同一批旧文章
模型注意力被旧材料稀释
写稿和风格维护缠在一起，谁都不轻

也就是从这里开始，我慢慢意识到，blog-writer 更适合当消费侧，而不是把所有事情都塞给它做。

写稿这个动作，应该尽量轻，尽量直接，尽量只读生效版本。至于风格数据怎么生成、怎么筛、怎么压缩，那是另一条生产侧流水线的事。这个判断，最后才把我推到了下一步，也就是 AI 写博客这件事，后来还是得做成工程（二）：blog-style-suite 怎么把风格学习和 token 成本拆开。

先把流程做稳，后面才有资格谈风格和模型

现在回头看，blog-writer 长出来，不是因为我忽然很想做一个博客写作助手。

更像是因为原来那套流程已经开始不配合新的工作方式了。

Codex 这种工具一旦能联网补资料、能在仓库里读写、能直接调用脚本，写博客这件事就不该再停在“复制正文到本地文档”那一步。你不把这部分自动化，它反而会变成整条链路里最笨的一环。

所以第一篇的结论我就放这。

blog-writer 先解决的，不是文风，而是发布动作的重复劳动。没有这层契约，后面谈 token、谈数据结构、谈本地模型，其实都站不住。

参考资料

仓库提交：991536a237d04aba7c44dec501b3d98c644040c8
仓库提交：8eb735aa8448c97deb2af1ea46b86772008fa9e3
仓库提交：1a5604e7e6ce0a13f260fcbb8c2c1d964cdd0892
仓库提交：04dccb98c55a6ea3b81408012b33a6219cf8ab77
仓库文件：.agents/skills/blog-writer/SKILL.md
仓库文件：.agents/skills/blog-writer/scripts/write_post.py
仓库文件：.agents/skills/blog-writer/scripts/write_post_series.py

写作附记

原始提示词

$blog-writer 本次的内容比较多，拆分成系列文章：去年就有很多稿子是通过大模型写的，那会是自己写个大纲或者问题清单，然后AI出稿子，复制内容到本地 md 文档，填写头信息，标签信息、发布文章；近期 codex 用了很多，发现 codex 里面的联网搜索能力很强，那我是不是能写个 skill，将这些事情自动化，此时诞生了 skill blog-writer 的第一稿，我还想着让 AI 学习我以前文章的风格，这就导致 blog-writer 运行的时候，很费 token，后续我针对 blog-writer 进行了多个版本的优化，拆分了数据模块，数据生成的模块，原本数据生成的模块还是独立的 skill，写着写着，我就发现，更适合做成 Python 项目，此时就有了 blog-style-suite，然后我又发现，训练风格数据，也是比较费 token，我就想着用本地的大模型，对接了本地的大模型，我又想到了对比下本地大模型和在线版本的区别，又对接了 minimax；blog-style-suite 和 blog-writer 的演化历史可以分析的 git 提价记录。顺带基于本地 blog-writer、blog-style-suite 的代码，可以讲讲里面的设计思路，是如何做到了节约 token，数据结构是如何设计的，核心的设计思路。Token 富裕完全能生吃历史文章，预处理能节约很多 token

写作思路摘要

第一篇先收在工作流触发点，不急着展开 token 和模型分工，避免三篇一起抢主线。
重点保留了“正文不难，麻烦的是发布前后那串机械动作”这个判断。
通过 991536a、8eb735a、1a5604e、04dccb9 这些节点，把“流程契约化”落到真实 git 演化上。
系列模式放在这一篇讲，是为了说明博客写作已经从单篇生成走到了整组落盘。
结尾故意把问题引到 token 墙，为第二篇的数据工程和预处理做铺垫。

Skill 更像 agent 的工种手册

Thu, 02 Apr 2026 22:43:16 +0800

这几天看 AI 编程，前脚大家还在聊 MCP，后脚又开始聊 Skill。这两个词放在一起，最容易让人误会成又多了一个协议，或者又多了一种高级提示词。

真正的区别其实更朴素：MCP 解决的是 agent 怎么接上外部工具和数据，Skill 解决的是接上以后按什么顺序把活干稳。一个偏连接，一个偏流程。

所以 Skill 最有价值的场景，不是模型完全不会做，而是模型每次做法不稳。它像一份工种手册，把触发条件、步骤、边界、参考资料和必要脚本放在一起，让 agent 少靠临场发挥。

它先解决“做法不稳”

如果用最通俗的话来解释，我会这么说：你把一个老员工脑子里的熟练做法，整理成一份能复用、能触发、能落地的说明书，这东西就是 Skill。

OpenAI 官方文档的定义也很直接，Skill 是一类面向特定任务的能力包，里面可以放指令、参考资料，以及可选的脚本。目的不是让模型“更聪明”，而是让它在某一类任务上，按固定工作流稳定输出。

它不像普通 prompt，因为它不是一次性说两句就完了；也不像 MCP，因为它不负责连工具和数据源；更不像 AGENTS.md，因为它不是全仓库通用规矩。它更像专项 SOP，或者说工种手册。

比如：

处理 GitHub PR 评论时，先看哪些评论要处理，再问用户处理哪几条，再改代码，再反馈结果
排查 CI 失败时，先拉取 GitHub Actions 日志，再提炼失败片段，再给修复计划，批准后才动手
写博客时，先按固定文风生成标题，再补事实，再补 frontmatter，再落盘

这些事的共同点都不是“模型不知道怎么回答”，而是“模型每次做法都不一样，很容易跑偏”。这时候，Skill 的价值就出来了：把会反复发生的偏差，提前写进流程里。

MCP 接世界，Skill 定流程

这事还是得放回真实工作流里看，不然很容易讲飘。

MCP 像接口层。

官方对 MCP 的定义，是把 AI 应用连接到外部系统的开放标准。文件、本地数据库、搜索引擎、设计稿、第三方服务，这些都可以通过 MCP 接进来。所以它解决的是“接进去”。

Skill 像流程层。

OpenAI 的 Agent Skills 文档里写得很清楚，Skill 是可复用工作流的编写格式。一个 Skill 至少要有一个 SKILL.md，还可以带 scripts/、references/、assets/。Codex 会先读取它的 name 和 description，只有在判断要用的时候，才把完整说明载入上下文。这就是官方说的 progressive disclosure。

所以这两者的分工很清楚：

MCP：把能力接进来
Skill：把做事顺序定下来

拿一个很直观的例子来说，Figma 转代码这种事，如果 agent 根本读不到设计稿，那你先补的是 MCP。但如果它已经能读设计稿了，只是每次都乱写，今天先写组件，明天先切页面，后天又忘了做视觉检查，那你补的就该是 Skill。

开发 Skill，先找重复偏差

这东西真没想象中那么重。

OpenAI 官方建议先用内置的 $skill-creator，让它帮你把触发条件、范围、是否需要脚本这些骨架先搭出来。默认优先是 instruction-only，也就是先别急着上脚本，先把说明写清楚。

如果手工写，最小结构也很简单：

my-skill/
├── SKILL.md
├── scripts/
├── references/
└── assets/

其中真正必需的，只有 SKILL.md。并且这个文件至少要有两项元数据：

---
name: skill-name
description: Explain exactly when this skill should and should not trigger.
---

真正要避免的，是把 Skill 写成“我希望模型更聪明”的愿望清单。它应该回答的是更具体的问题：哪类任务会反复出现，哪一步总跑偏，哪些资料只有在这类任务里才需要加载，哪些动作必须用脚本保证确定性。

1. 先找“重复出现的偏差”

不是所有任务都值得做成 Skill。

如果你只是偶尔让 agent 干一次活，普通 prompt 就够了。真正适合抽成 Skill 的，通常是这种情况：

你已经反复说过很多次同样的话
agent 明明有能力，但执行顺序总变
每次出错的位置都差不多

说白了，不是“能力不够”，而是“套路不稳”。

2. 把 `description` 写成触发条件

这一步非常关键。

官方文档专门强调，Codex 是否会隐式调用一个 Skill，很依赖 description。所以别写“这是一个很好用的技能”，要写“什么时候该用，什么时候不该用”。

比如 gh-fix-ci 官方技能的描述就很清楚：当用户要你调试或修复 GitHub PR 检查失败时使用；重点是检查日志、总结失败原因、给出修复计划，并且在得到明确批准后再实施。你一看就知道它的边界在哪里。

3. 能靠说明搞定，就先别写脚本

OpenAI 文档的建议也很务实，除非你明确需要确定性行为或者外部工具，不然优先用说明，不要一上来就脚本化。

为什么？因为脚本一多，维护成本就上来了。

很多 Skill 一开始只需要把步骤讲明白：

先做什么
再做什么
输出格式是什么
哪些情况要停下来问用户

这已经能解决大半问题。

只有当某一步特别稳定、特别机械、特别适合自动化时，再把它下沉到 scripts/。

4. 把资料、模版和资源拆出去

Skill 写着写着，很容易变成一坨超长说明文。这时候就该拆。

SKILL.md 负责讲规则和顺序
references/ 放背景文档和查阅材料
assets/ 放模版、图标、样例
scripts/ 放能稳定执行的动作

这样做有两个好处。

第一，主文件不会越来越臃肿。第二，模型只有在需要时才加载细节，符合 progressive disclosure 这套思路。

5. 本地先用，跨项目再分发

官方文档把这件事也分得很清楚。

如果你只是给自己当前仓库用，放在 .agents/skills/ 就够了。Codex 会从仓库、用户、系统这些位置扫描技能目录。

如果你已经发现这套东西不只一个仓库能用，或者想把多个技能一起打包分发，那就别只停在 skill folder 这一层了，应该考虑 plugin。OpenAI 官方文档的原话也很明确，Skill 是工作流本身，plugin 才是更适合安装和分发的单位。

哪些场景适合

Skill 不是越多越好，它最适合的是下面几类活。

高频重复任务

你每周都会做，而且每次顺序都差不多。

比如：

处理 PR review 评论
写博客并补 frontmatter
排查 CI 失败
做发布前检查

这类活，最怕的不是模型不会，而是每次都要重新讲一遍。

有固定流程的任务

某件事就是天然有先后顺序。

比如排查问题，你就应该先看日志，再收敛范围，再提计划，再改。这个时候，Skill 特别合适，因为它能把顺序写死，减少模型临场发挥。

需要绑定专业语境的任务

有些任务不只是步骤固定，还带强约束。

比如：

只能查官方文档
必须按某个审查格式输出
必须保留团队里的既有术语
必须遵守某个仓库的写作或开发规范

这类活，如果你每次都只靠 prompt 临时说，很容易漏。

工具和流程要一起用的任务

这个场景特别典型。

不是单纯“连上 GitHub”就完了，而是连上以后，还得按某种方法去看日志、归纳问题、决定要不要修改、最后怎么反馈。也就是说，外部连接和内部流程必须一起工作。

这时候常常就是 MCP + Skill 联合出场。

哪些场景不必上

反过来也要说清楚，不然很容易什么都想做成 Skill。

一次性的随口任务

用户临时问一句，普通 prompt 往往就够了。

你只是想“接一个外部系统”

那优先考虑 MCP，不是 Skill。

你想约束整个仓库的长期行为

这更像 AGENTS.md 的活，不是 Skill 的活。

所以简单总结一下：

缺连接，用 MCP
缺流程，用 Skill
缺全局规矩，用 AGENTS.md

看几个案例就够了

概念讲再多，不如看几个真的案例。

1. `roll-dice`：最小可用的入门案例

这个案例来自 OpenAI 官方 Agent Skills 文档。

它非常小，目录里几乎只有一个 SKILL.md，让 agent 在用户要求掷骰子时，调用 PowerShell 的随机数命令。

为什么这个例子好？

因为它把 Skill 最核心的那层骨架直接露出来了：

有明确触发条件
有明确执行方式
有明确边界

它说明了一件事，Skill 不一定非得很大。只要某件事会重复发生，而且你不希望模型瞎发挥，就可以做成 Skill。

2. `gh-address-comments`：处理 GitHub 评论的流程案例

这个案例来自 OpenAI 官方的 openai/skills 仓库。

它的目标不是“连 GitHub”，而是把“处理当前分支 PR 的评论”这件事固化下来。官方版本里的步骤就很典型：

先确认 gh 是否已经认证
再拉出当前 PR 的评论和 review threads
编号并总结这些评论
让用户明确选择要处理哪几条
然后才开始修

这个例子特别能说明 Skill 的价值。

很多工程任务，难点根本不在“模型知不知道 GitHub 是什么”，而在“它会不会按对的顺序处理事情”。gh-address-comments 解决的，就是这类顺序问题。

3. `gh-fix-ci`：排查 CI 失败的工程案例

这也是 openai/skills 仓库里的官方技能。

它针对的是另一种很典型的工程任务：PR 检查挂了，要不要修，怎么修。

这个 Skill 里定义的流程也很有代表性：

先确认 gh 登录状态
找到当前 PR
拉 GitHub Actions 的失败检查和日志
提炼失败片段
先给修复计划
得到批准后才动手

这就不是“帮我看看 CI 为什么挂了”一句 prompt 能稳定搞定的场景了。因为它里面有权限、日志、外部工具、审批边界、执行顺序，这些都需要定下来。

4. 仓库私有 Skill：把团队自己的套路沉淀下来

除了官方案例，我觉得 Skill 更大的价值，其实是在私有仓库里。

比如眼前这个博客仓库里的 blog-writer，本质上就是一个很典型的 repo-scoped skill。它不负责“让模型学会写中文”，而是把这个仓库已经固定下来的文风、结构、事实核验、输出路径、落盘格式都写成工作流。

这类 Skill 往往最有现实价值。因为它不是面向所有人，而是专门解决“你这个仓库里，哪类活总在重复出现，而且总容易跑偏”。

什么时候该认真做

所以最后还是回到最实际的问题，什么时候你应该认真做一个 Skill？

我的答案是：

当你发现问题已经不再是“模型能力不够”，而是“它每次做法都不稳”的时候。

这时候继续堆 prompt，收益通常越来越低。你今天补一句，明天再补一句，最后 prompt 长得像流水账，模型还是会漏。

反而是把它整理成 Skill，把触发条件、步骤、边界、脚本、资料分开管理，效果更稳，也更能复用。

MCP 把外部世界接进来，Skill 把内部套路固化下来。

前者解决“能不能做”，后者解决“怎么稳定地做”。

这就是我现在理解的 Skill。

它不是新提示词，也不是新协议。它更像是给 agent 配工种手册：少一点临场发挥，多一点可复用的做事顺序。

参考资料

写作附记

原始提示词

提示词：AI 大模型编程，先是出现了 MCP，然后是 Skill，用通俗的写法，解释下 Skill 是什么，如何开发 Skill，什么场景适用 Skill，分别出处具体的，有代表性的案例

写作思路摘要

这次重写保留了原稿里的官方定义、MCP 边界、开发结构和官方案例，但把文章主线从“概念综述”改成“Skill 解决做法不稳”。压缩了定义式段落，强化了触发条件、重复偏差和流程边界。

低成本模型该接的活：重复、脏活和边界清楚的任务

Thu, 02 Apr 2026 22:05:00 +0800

最近把一些边角活往 MiniMax 和本地模型上迁，感受反而比一开始更清楚：很多任务不是非要最强模型才能做，而是不能把所有模型都放到同一个工位上比。

以前我容易问“这个模型强不强”。现在更愿意先问两件事：这件活错了以后代价有多大，重复跑一百次以后成本有多高。答案一变，低成本模型、本地模型和旗舰模型的位置也就变了。

复杂编码、长链路推理、模糊需求拆解，还是该给更强的模型；数据清洗、文档改写、资料初筛、固定格式转换，反而更适合交给便宜模型和本地模型。它们不一定聪明到能总包项目，但很适合把那些不值得人反复动手的活接住。

先分风险，再分模型

很多人聊大模型，默认脑子里想的都是最难那档任务。

独立写复杂工程
一口气拆完整个系统
处理长上下文里的多轮推理
边搜索边规划边执行

这些当然重要。但现实工作里，真正常年堆在你桌上的，很多反而不是这种活。

更多的是：

把一堆脏字段洗干净
把零散资料整理成可读文档
把长文改成摘要、FAQ、提纲
把中英文混杂内容统一格式
从多个网页里找资料，再顺手归纳成一份方案草稿

这类任务，最需要的不是“模型像天才一样思考”，而是三件事：

指令遵循别太离谱
输出结构尽量稳定
成本足够低，低到你愿意反复用

这就是为什么我不太愿意再把它们简单叫“弱模型”。更准确的说法是：它们适合低风险、高重复、边界清楚的工位，不适合高风险、长链路、需求还没成形的工位。

MiniMax 适合先接边角工序

先说 MiniMax。

官方对 MiniMax-M2.5 的定位其实很高，新闻稿和开放平台文档里都把它往编程、工具调用、搜索、办公生产力这些场景上推，甚至强调速度和价格优势。这些说法我不是完全不信，但我更愿意把它拆开看。

在我这里，MiniMax 真正顺手的，不是“最复杂的开发任务”，而是下面这些：

数据清洗

很多数据清洗，说穿了就是半结构化文本体力活。

名称归一
字段映射
异常值标注
分类打标
表格字段补全

这类工作最怕的不是模型“笨”，而是格式不稳、输出发散。只要模型能比较老实地按 JSON、表格、固定模版吐结果，其实就够用了。强模型当然也能做，但拿最贵那档模型去洗字段，很多时候不划算。

文档编写

文档这活很烦，不是难，是烦。

接口变了，流程变了，字段改了，说明文档就得跟着改。这个过程其实不太需要模型有多强的创造力，反而更需要它别乱发挥，别把原本明确的东西改得似是而非。

MiniMax 做这类事，经常比想象中靠谱。尤其是当你已经把上下文准备好了，它更像一个能干活的文档助理，而不是一个真正的工程师。

方案资料搜索

官方自己也在推搜索和工具调用，这方向没问题。

很多时候我们不是要模型“凭空想出答案”，而是要它把网页、文档、公告、资料先找回来，再顺手理一遍。这个场景里，MiniMax 这类便宜模型的价值就很明显了，因为搜索、摘要、整合，本来就是高频杂活。

所以我的实际看法是：MiniMax 不是“不行”，而是更适合先接生产链路里的脏活、累活、重复活。你让它打杂，它常常是合格的；你让它总包整个工程，失望概率就会上来。

本地模型的价值，是把批处理搬回来

再往下看，本地部署其实是同一个逻辑。

很多人一说本地模型，就会忍不住想一个问题：能不能替代云端旗舰？

我觉得这个问题一开始就问偏了。

本地 12B 左右模型的现实价值，不是证明自己也能做旗舰模型那档任务，而是把稳定、重复、敏感、低利润但高频的活搬回来。

翻译

这是本地模型最顺手的场景之一。

像 Qwen2.5 官方博客里就明确提到，它对长文本生成、结构化数据理解、JSON 输出都有增强，而且支持超过 29 种语言。这个组合天生就适合翻译、双语改写、格式统一、术语规范化这类工作。

技术文档、字段说明、产品介绍、接口注释，这些东西往往结构稳定、术语固定，本地模型不一定翻得最优雅，但通常够用。

数据清洗

这也是本地模型特别有现实感的地方。

很多表格、文档、业务资料，你未必想扔到云端。尤其是内部数据、客户资料、会议纪要、半成品方案，这些东西一旦涉及隐私和权限，本地跑就会让人安心很多。

这时候本地 12B 左右模型的意义，不是“它有多聪明”，而是“它就在我机器上，而且能稳定干完这类脏活”。

固定格式改写

比如：

会议纪要整理成固定模版
商品标题清洗成统一命名规范
bug 描述改写成工单格式
中英混杂文本清成单语版本

这类任务的特点都很一致：规则清晰，批量大，重复高，单次价值不高，但总量很烦。

这正是本地模型最该干的活。

3060 12GB 到底能不能带 12B 左右的模型

这件事我更愿意写得现实一点：能带，但别想得太美。

Google 在 Gemma 3 官方文档里给过一张很有参考价值的显存表。Gemma 3 12B 大致需要：

20 GB 左右显存加载全精度版本
12.2 GB 左右加载中等量化版本
8.7 GB 左右加载更低显存占用版本

官方也专门提醒，这只是模型加载占用，不包含提示词和运行时额外开销。

这句话很关键。

它意味着什么？

意味着像 3060 12GB 这种卡，跑 12B 左右模型不是不可能，但前提通常是：

你跑的是量化版
上下文不要拉太长
任务别太复杂
你接受速度一般，甚至偏慢

如果你愿意接受这些前提，那本地 12B 确实是能跑起来的。至少做翻译、摘要、表格清洗、固定格式转换，这类任务并不夸张。

另外，Qwen2.5-14B-Instruct-GGUF 的官方仓库本身也提供了多种量化格式，这其实已经把思路说得很清楚了：这一档模型，本来就是面向本地推理生态在做适配。

所以我的结论一直都不是“3060 12GB 能轻松驾驭 12B 模型”，而是：

它能把这类模型带起来，但更适合跑低预期、高重复、重隐私的工作。这个边界讲清楚，比单纯说“3060 能不能带 12B”更有用。

便宜模型和本地模型，省下来的不只是 API 钱

很多人聊这件事，第一反应总是省钱。

当然，省钱很重要。但我觉得更大的价值，其实是你开始敢把以前懒得做的一堆边角活交出去。

以前你可能不会为了几百条数据清洗，专门写一轮脚本。也不会为了几十页中英文资料统一格式，手工一点点改。更不会为了临时出一份方案搜集材料，把网页挨个读完再整理。

现在不一样了。

只要成本足够低，门槛足够低，这些原本“不值得动手”的活，就一下子变得值得了。你不再纠结“要不要做”，而是直接扔给便宜模型或者本地模型先跑一遍。

这才是我眼里最现实的变化。

强模型负责攻坚，低成本模型负责打杂，本地模型负责兜底和批处理。

这么分工，整个工作流才顺。

结尾

所以最后不是“弱模型别用”，而是别让一个模型包打天下。

MiniMax 这类模型，不适合被拿去硬刚复杂工程、模糊需求和多轮推理；但你拿它去做数据清洗、文档编写、方案资料搜索，反而常常挺顺手。

本地 12B 左右的模型也一样。它们不是为了证明“我已经不需要云端旗舰了”，而是为了把一些稳定、重复、敏感、批量大的活，老老实实搬回自己机器上。

说白了，低成本模型最值钱的地方，不是替你证明它也能做强模型的活，而是让一堆原本懒得做、舍不得做、反复做的边角任务终于有人接。

工位放对，它们就有现实价值。

参考资料

写作附记

原始提示词

minimax 的大模型，能力弱是弱，做一些数据清洗的工作、文档编写、方案资料搜索还是没问题的; 同样的逻辑，本地部署大模型，做一些翻译类的工作，数据清洗的工作也是不错的，模型的参数量在 12b 左右，本地 3060 12GB 的显卡也能带得动

写作思路摘要

这次重写保留了原稿里的任务分工、MiniMax、本地模型和 3060 12GB 显存边界，但把“弱模型”这种粗标签改成“低成本模型/本地模型该放在哪个工位”。压掉的是口号式结论和重复解释，保留的是按风险、成本和隐私来分工的判断。

低价 API 中转站的终局：三月份的大模型体验与不可能三角

Mon, 30 Mar 2026 20:00:00 +0800

整个三月份，我都在不同的大模型 API 中转站之间来回试。

便宜，确实是便宜。一个月花不了多少钱，就能把 ChatGPT、Claude、Gemini 之类的国外模型都摸一遍，表面上看，像是找到了一个性价比极高的解法。但真正用下来以后，我越来越觉得，这条路从一开始就绕不开一个不可能三角：质量、稳定、划算，三者很难同时成立。

到了上周末，这件事基本也算彻底明牌了。2026-03-28 到 2026-03-29 这两天，ChatGPT 相关通道的风控体感明显收紧，Claude 这边也一样，很多原来还能凑合用的低价中转，突然就变得不稳定，甚至直接失效。对我来说，这基本宣告了低价 API 中转模式的阶段性终局。

什么是中转站

先把概念说清楚。

所谓 API 中转站，本质上并不是模型厂商官方提供的服务，而是夹在用户和上游模型之间的一层“转发层”。你把请求发给中转站，中转站再替你把请求转发给 OpenAI、Anthropic 或其他模型服务商，最后再把结果回传给你。

从用户视角看，它像一个更便宜、也更“灵活”的统一入口；从技术和商业模式上看，它更像是把上游资源重新打包、重新分发。

这类服务之所以一直有人用，原因也很简单：

价格低
接入门槛低
模型种类多
对国内用户来说，省掉了不少注册、支付、网络环境上的折腾

毕竟它不是官方链路，很多便利，本质上都建立在“额外包了一层”之上，而不是建立在稳定授权之上。

他们一般是怎么工作的

不同平台做法不完全一样，但常见模式大致就那么几类。

1. Key 二次分发

有些平台本质上是拿自己的上游 API Key 做统一转发，再把额度切分给下游用户。你买的是它的一层套餐，不是 OpenAI 或 Anthropic 官方直接卖给你的套餐。

这种模式的问题在于，只要上游 Key 被限制、额度被打满、策略被调整，下游体验就会立刻跟着抖。

2. 账号池轮换

圈子里常说的“号池”，可以理解成一批账号资源的池化管理。平台把多个账号集中起来，按请求轮换调用，用来分摊配额压力和风控压力。

这里的“号池”并不是模型厂商的官方术语，而是一个更偏民间、黑话化的描述。它强调的不是产品能力，而是资源调度方式。谁的池子大，谁短期看起来就更稳；但只要上游开始集中清理，这种稳定往往会瞬间消失。

3. 逆向封装

还有一类做法，本质上不是走公开、标准的官方 API，而是去研究网页端、客户端的请求方式，再把这些调用过程重新封装成“像 API 一样”的接口给用户用。

这种“逆向”说白了，就是不是沿着官方给你的门进，而是从侧门、窗口甚至管道去理解系统怎么通信，再自己包一层壳。

这种方式的短板也很明显：今天能用，不代表明天还能用。页面结构、鉴权方式、设备校验、行为策略一变，整个链路就可能失效。

三月份的实际体验

三月份这轮密集体验下来，我最大的感受不是“便宜真香”，而是你必须持续忍受不确定性。

同样一个需求，今天某个中转站能答得不错，明天可能就开始降智；上午还能稳定输出，晚上就开始报错、超时、上下文丢失。你以为自己买的是模型能力，实际上很多时候买到的是一个不断波动的“概率服务”。

如果只拿来临时试试模型、做一些轻量问答，这种波动还能忍。但一旦把它放进实际工作流里，问题就会非常明显。

质量不稳定，输出水平忽高忽低
稳定性不够，容易超时、报错、断流
上下文连续性差，长任务体验很差
平台切换上游以后，模型人格和风格会漂移
同样花时间排查问题，隐性成本并不低

也就是说，低价中转最大的问题，不是它“不便宜”，而是它把很多原本应该由官方平台承担的确定性，重新转嫁给了用户自己。

你表面上省的是钱，实际上多花的是时间、心力和工作流的可预期性。

为什么我说它走进了不可能三角

这段时间反复用下来，我越来越觉得，这类中转服务注定会掉进一个不可能三角。

质量

想把质量做高，就得尽量保证真正可用的上游模型、足够的额度、尽可能少的抽风和降级。这件事本身就不便宜。

稳定

想把稳定性做上来，就得处理更多的风控、账号损耗、网络波动、限流和备份线路，甚至需要自己做更复杂的调度与兜底。这些都是成本。

划算

可一旦你真把前两件事做扎实了，价格就不可能继续压得那么低。还能长期维持超低价，往往说明成本并没有被真正解决，只是被后移了，或者被分摊给了未来某一次集体失效。

所以很多中转站看起来像是在做“高性价比”，实际上更像是在做一种脆弱平衡。风平浪静的时候它成立，一旦上游风控变严，这种平衡就很容易塌。

上周末，基本算是明牌了

真正让我下决心放弃继续折腾的，就是 2026-03-28 到 2026-03-29 这轮变化。

我自己的体感是，ChatGPT 相关通道在那两天出现了很明显的集中收紧，Claude 侧的风控也在同步加强。以前还能靠切线路、切模型、切套餐勉强维持的那种“凑合能用”，突然就不成立了。

这里我不想把话说成“全行业已经完全死亡”这种绝对判断，毕竟总会有人说自己手里还有个别渠道能用。但从普通用户的实际使用价值来说，低价 API 中转这条路，至少已经不再值得我继续投入时间。

便宜这件事，只有在“能稳定完成任务”的前提下才有意义。如果连最基本的可靠性都保不住，低价就会变成一种错觉。

为什么这种模式本来就很脆弱

这类模式本来就站在很脆弱的基础上。

OpenAI 和 Anthropic 这些厂商，本来就不是按照“二次分发灰色转售”的逻辑设计产品的。官方条款里对 Key 转卖、绕过限制、逆向、规避保护措施，本来就有明确限制。OpenAI 的服务协议里直接把“买卖或转让 API Key”“绕过速率限制或保护措施”“规避使用限制”列为不允许的行为；Anthropic 的商业条款也明确保留了对违规使用、非授权接入和服务滥用的约束空间。

换句话说，这些中转站并不是在官方鼓励的生态里做创新，而是在官方治理边界的缝隙里讨生活。只要模型厂商开始认真清理，这种模式天然就会先挨打。

另外还有一个很现实的背景：很多国外模型服务本来就有地区、支付和账户体系上的门槛。官方支持地区有限，很多用户因此被挡在门外，这才催生了中转需求。但需求存在，不代表模式就稳固。它只能说明，灰色替代方案有市场，不代表它有长期确定性。

收尾

折腾了一圈以后，我现在的结论反而简单了。

codex 的性价比反而更高，至少从我自己的使用体验看，它更适合真正落到生产环境里。没有听到太多国内大面积封号的反馈，整体心智负担也更低。

当然，codex 也不是没有约束。五小时限额、周限额摆在那里，我现在用它的时候，反而不会再像以前那样肆无忌惮，什么都问，什么都丢给它处理。很多问题，会先在脑子里过一遍，先自己拆一下，再决定要不要把这次额度花出去。

这么看，限额未必全是坏事。它客观上逼着人脑重新参与进来，逼着你先整理问题、先做判断、先做取舍，而不是把所有思考都外包出去。以前我也写过，模型稍微“弱智”一点，不见得全是坏事，因为它会倒逼使用者保持基本的思考强度。现在回头看，这个判断依然成立。

Claude 我暂时不考虑了。不是说它能力不强，恰恰相反，它依然很强。但连个人正规购买都存在封号的不确定性，那它就不适合作为我当前阶段的主力方案。

国内模型这边，我选择继续观察。现在还没到我愿意重仓长期绑定的时候。

所以最后还是回到了一个很朴素的选择：买了 ChatGPT Plus，先凑合用着，继续看大模型行业后面怎么演化。很多时候，最便宜的方案未必最省钱，最省心的方案，反而才是真正的性价比。

参考链接

OpenAI 支持地区：https://help.openai.com/en/articles/5347006-which-countries-and-territories-are-supported-by-openai
OpenAI Services Agreement：https://openai.com/policies/services-agreement/
Anthropic Commercial Terms：https://www.anthropic.com/legal/commercial-terms

unordered_map 查得到却取错值，一次静态 lambda 的内存事故

Mon, 16 Mar 2026 20:18:18 +0800

有一种 C++ 问题特别容易把人带偏：unordered_map::find 明明命中了，it->first 也对，可你再看 it->second 里面的字段，像是变成了另一个 key 的数据。

第一反应通常是怀疑 map 坏了，或者 hash 冲突把数据弄乱了。可 unordered_map 没那么玄。查找命中以后，key 和 value 对不上，更常见的原因不是容器失灵，而是你在更新 value 的时候已经写错了地方。

这篇记录的坑，就是函数内部的 static lambda 捕获了局部引用。第一轮看不出来，后面再调用时，lambda 还握着第一次调用留下的引用，问题就开始变得像“缓存串号”。

先看那个很像优化的小动作

问题代码大概长这样：

void UpdateCache(std::unordered_map<std::string, Tick>& cache, Tick& current_input) {
    static auto patch = [&](auto it) {
        it->second.price = current_input.price;
        it->second.volume = current_input.volume;
    };

    auto it = cache.find(current_input.symbol);
    if (it != cache.end()) {
        patch(it);
    }
}

写这段代码的人可能不是想偷懒，而是想少创建一次 lambda。patch 看起来只是一个小更新函数，放成 static 好像还能省点开销。

真正危险的是这两个东西叠在一起：

static 让这个 lambda 只初始化一次，并且活到进程结束；
[&] 让它捕获当前栈帧里的局部引用。

第一次调用 UpdateCache 时，patch 被初始化。它捕获到的 current_input，不是一个抽象名字，而是第一次调用时那块栈上的对象引用。

函数返回以后，那块栈帧结束了。第二次再调用，patch 不会重新初始化，它还拿着第一次的引用。后面发生什么，就已经进入未定义行为。

为什么现象会像 map 查错了

这个 bug 迷惑人的地方在于，find 可能一直是对的。

你用当前输入的 symbol 去查 map，查到了正确的 iterator。到这一步，容器没有错。错发生在后面的更新函数里：它读到的 current_input.price、current_input.volume，可能已经不是当前这次调用的输入。

如果那块失效栈内存刚好被复用了，你看到的现象就会很奇怪：

key 是 A；
iterator 也确实指向 A；
但写进去的字段像来自 B；
偶尔还会因为栈布局变化表现不稳定。

这就很容易让人误判成“map 里缓存污染了”。其实污染不是 map 自己产生的，而是更新逻辑从一个悬空引用里拿了数据。

更糟的是，这类问题不一定马上崩。它可能只是偶尔错字段、偶尔错价格、偶尔在高并发或不同编译优化下变得更明显。越不像崩溃，越容易被当成业务数据问题。

不要用 static 保存带捕获的局部闭包

这条经验可以说得很直接：函数内部的 static lambda，如果捕获局部变量，优先当成危险代码处理。

安全写法是让 lambda 无状态，依赖都通过参数传进去：

void UpdateCache(std::unordered_map<std::string, Tick>& cache, const Tick& current_input) {
    auto patch = [](auto it, const Tick& src) {
        it->second.price = src.price;
        it->second.volume = src.volume;
    };

    auto it = cache.find(current_input.symbol);
    if (it != cache.end()) {
        patch(it, current_input);
    }
}

如果真想避免重复写这段更新逻辑，可以把它提成普通函数，或者写成不捕获任何局部状态的 lambda：

static auto patch = [](auto it, const Tick& src) {
    it->second.price = src.price;
    it->second.volume = src.volume;
};

关键不在于 static 这个词绝对不能出现，而在于它不能把短生命周期对象悄悄带进长生命周期闭包里。

排查时先证明 key 和 value 的身份一致

遇到“查到了但值不对”的问题，我现在会先加几个很笨但有效的检查。

比如更新前后都确认身份：

auto it = cache.find(current_input.symbol);
assert(it != cache.end());
assert(it->first == current_input.symbol);

patch(it, current_input);

assert(it->first == it->second.symbol);

这些断言不是为了修 bug，而是为了缩小现场：到底是 find 找错了，还是更新以后 value 被写错了。

测试环境还应该打开工具：

AddressSanitizer 用来抓失效栈内存访问；
UndefinedBehaviorSanitizer 用来抓未定义行为；
如果和线程有关，再补 ThreadSanitizer。

如果 sanitizer 一开就报 use-after-scope 或类似问题，就别再围着 hash、bucket、rehash 打转了。容器通常只是案发现场，不一定是凶手。

真正的教训

这类问题的教训不只是“不要写 static lambda”。

更准确地说，是不要让一个长生命周期对象，偷偷引用短生命周期数据。static、全局回调、缓存下来的函数对象、异步任务，都会把这个问题放大。

C++ 里很多诡异现象，本质上不是语法难，而是生命周期边界没有写清楚。代码表面看起来像一次小优化，实际是在把第一次调用的栈帧钉到进程生命周期里。

所以以后再遇到 unordered_map 查到了但 value 像串号，我会先问一句：

是不是有人在更新 value 的时候，拿了一个已经不该存在的引用？

这比先怀疑容器本身靠谱得多。

参考资料

写作附记

原始提示词

写作思路摘要

原文没有保留原始提示词；本次重写只基于旧文中的问题描述、示例代码和修复方向。
把旧稿的“深度解析”口吻改成排障记录，先让读者看到为什么像 unordered_map 查错了。
保留核心技术判断：static lambda 配合引用捕获会把短生命周期引用带进长生命周期闭包。
补充排查顺序和 sanitizer 工具，避免只停留在概念解释。

小米的“新老交替”与电车板块的防守战

Fri, 06 Feb 2026 00:21:07 +0800

仓位心态： 持续持股，佛系观察，关注“生态溢价”的兑现。

一、市场概况：从2025的“狂欢”到2026的“震荡”

2025年对港股来说是是个大年，恒生科技指数全年涨了23.45%，创下了成立以来的最佳表现。但步入2026年1月，市场进入了明显的“两次上冲、一次回撤”的格局。

小米在去年11月站稳了40港元的关口，主要靠的是三季度财报的超预期和雷总及公司的强力回购。但近期股价出现了一定幅度的回吐，目前在35-38港元区间震荡，市场主要在消化两个点：SU7的改款真空期以及高端Ultra车型的销量透支。

二、小米近期波动：SU7 Ultra的“曲高和寡”与YU7的“顶梁柱”

产品线的青黄不接：

近期数据显示，小米SU7 Ultra在2025年12月的销量跌至两位数（45辆）。这证明了超跑级别的车型（50万+）更多是品牌图腾，而非销量底仓。
SU7改款压力： 目前SU7正处于改款过渡期，新一代预计4月才上。这种“新老交替”导致1月交付量环比下滑了约22%，股价也因此承压。

YU7的生态溢价：

好在SUV车型YU7（小米的第二款车）表现极稳，连续数月蝉联中大型SUV销量榜首。这印证了我之前在笔记中提到的“生态溢价”——米粉对家庭用车（SUV）的转化率远高于纯性能轿车。

回购的“地板价”支撑：

小米近期再次回购420万股，涉资1.5亿。这种“应声就涨”的回购策略，给股价定了一个心理上的“左侧安全边际”。

三、横向对比：新能源汽车板块的“集体降温”

对比来看，小米在1月交付3.9万辆的表现，在行业衰退期（1月通常是淡季）其实不算差：

比亚迪： 1月新能源车销量21万辆，同比/环比均出现了约30%的下滑。
蔚小理： 同样面临交付压力的波动，尤其是纯电轿车市场，由于竞争太卷，大家都在通过降价保市占率。
对比结论： 小米的波动更多是内生性的产品节奏调整，而非基本面崩坏。相比其他车企纯靠价格战，小米依靠手机+车+家电的“人车家全生态”护城河，股价回撤的深度明显浅于纯车企标的。

四、纵向对比：恒生科技指数（HSTECH）

指数走势： 1月恒生科技指数上涨3.67%，整体价格中枢在抬升。
小米 vs 指数： 近两周小米略跑输大盘。原因在于摩根大通等大行调低了目标价（至38港元），核心逻辑是担忧手机业务的毛利率回升尚需时日。
策略反思： 就像我去年11月写的，港股流动性依然是命门。在大盘普涨时，小米作为白马股会受制于获利盘了结；但在大盘调整时，它的回购和现金流又是最好的防守位。

五、总结与后市操作：等一个“四月芳菲”

持仓逻辑： 既然2026年的销量目标定在55万辆（雷总刚宣布），目前的调整更像是“钝刀子割肉”式的阴跌，洗掉的是短线投机客。
关注点： 4月份改款SU7的定价和配置，以及YU7能否持续接棒。
操作： 依旧无操作，躺平。在这个位置（35-38区间）卖出没必要，补仓则还没到我心里的“绝对安全垫”位置。

从协议约束到智能释放：深度对比 MCP 与 Skill

Fri, 30 Jan 2026 01:53:28 +0800

在 AI Agent 领域，如何让大语言模型（LLM）更安全、更高效地与外部世界交互，一直是开发者关注的核心课题。近期，Anthropic 推出的 MCP (Model Context Protocol) 和 Gemini CLI 中的 Skill 机制成为了讨论的热点。

这两者虽然都旨在扩展模型的能力边界，但在设计哲学、信任边界以及约束机制上有着截然不同的路径。

1. 什么是 MCP？（Model Context Protocol）

MCP 是由 Anthropic 推出的一种开放标准。它的核心思想是标准化。

架构：采用典型的客户端-服务器架构。MCP 服务器提供数据或工具，客户端（如 Claude Desktop）则负责将这些能力暴露给模型。
约束：极高。所有可用的工具、资源和提示词必须通过严格的 JSON Schema 进行预定义。
安全性：通过标准化的接口，开发者可以清晰地定义模型能做什么、不能做什么，这种“协议级”的约束保证了系统的可预测性。

2. 什么是 Skill？（Gemini CLI 视角）

相对于 MCP 的严谨，Gemini CLI 中的 Skill 更像是一种赋能。

核心逻辑：Skill 往往是一组精心设计的指令集（System Prompts）和特定工具的组合。通过 activate_skill，模型进入一种“专家模式”。
约束：相对较少。它更信任模型本身的推理和执行能力。
灵活性：类似于之前的“自定命令”，但它不仅是简单的别名，而是包含了复杂的上下文和任务执行逻辑。

3. 核心差异：信任度的不同

MCP 与 Skill 最本质的区别在于对“模型能力”的信任偏向。

MCP：信任协议

MCP 的逻辑是：“我不完全信任模型的自主性，但我信任这套协议。” 在 MCP 框架下，模型必须在既定的轨道上运行。如果协议没定义某种交互方式，模型就无法执行。这对于企业级应用和需要高度合规性的场景非常友好。

Skill：信任模型

Skill 的逻辑是：“我信任模型的能力，我只需要告诉它目标和可用资源。” Skill 的约束更少，它允许模型在执行任务时有更大的发挥空间。例如，一个 skill-creator 可以指导模型如何构建新的技能，这其中涉及到大量的逻辑判断和策略选择，而非简单的接口调用。

4. 深度对比表

特性	MCP (Model Context Protocol)	Skill (Gemini CLI)
设计重心	标准化、互操作性	任务导向、能力增强
约束机制	强约束 (Schema-based)	弱约束 (Instruction-based)
信任模型	信任协议定义的边界	信任模型的自主推理能力
灵活性	较低（需遵循标准）	极高（可动态解释指令）
典型应用场景	跨平台工具集成、数据源接入	复杂任务规划、专家级能力扩展

5. 总结与展望

MCP 代表了 AI 基础设施的“工业化”趋势——通过统一的接口降低集成成本。而 Skill 则展示了 AI Agent 的“智能化”方向——通过更少的束缚释放模型作为“数字员工”的潜力。

对于开发者而言，选择哪种方案取决于你的应用场景：如果你需要构建一个可大规模复用的工具生态，MCP 是不二之选；如果你希望打造一个能够处理复杂、多变任务的智能助手，那么赋予它更强大的 Skill 显然更具杀伤力。

wrk 与 JMeter 的深度较量

Fri, 19 Dec 2025 01:14:49 +0800

在互联网系统的压力测试中，我们经常会遇到两款风格迥异的工具：一个是极其轻量、追求极致吞吐量的 wrk；另一个是功能大而全、模拟真实业务流的 JMeter。

提示词：梳理核心思路，撰写科普文章：http 压力测试工具，wrk vs Jmeter 有什么不同，我了解到的，wrk 倾向于一个线程多个 connect 进行测试，Jmeter 更多是短连接模式，能通过配置调整为长联机

核心架构：多线程 vs 事件驱动

这是两者性能差距的根本原因。

1. JMeter：传统的“一人一岗”制 (Thread-per-Request)

JMeter 基于 Java 开发，采用的是经典的多线程模型。

逻辑： 每一个并发用户（Virtual User）都对应 JVM 中的一个物理线程。
代价： 线程是非常昂贵的资源。当并发数达到几千时，上下文切换（Context Switch）和内存消耗会显著拖慢测试机本身，导致“压测机还没把服务器压死，自己先崩了”的现象。

2. wrk：现代的“多面手”制 (Event-driven)

wrk 采用 C 语言编写，核心逻辑基于 Redis 同款的 ae 事件循环框架（利用 epoll/kqueue）。

逻辑： wrk 并不为每个连接创建线程。它只启动极少数的线程（通常等于你的 CPU 核心数），每个线程内部通过非阻塞 I/O 同时管理成千上万个连接。
优势： 这就是你提到的“一个线程多个 connection”。它极大地减少了线程切换开销，单机即可跑出百万级别的 RPS（每秒请求数）。

连接模型：短连接 vs 长连接

关于你提到的连接模式，这里有更深层的细节：

1. JMeter 的“重”与“灵”

JMeter 默认确实更倾向于模拟真实用户的行为。

短连接倾向： 在默认配置下，JMeter 的某些旧版本或特定配置可能不会积极复用连接，导致大量的 TCP 握手。
可调校性： 你可以通过在 HTTP Request 中勾选 “KeepAlive”，或者在 user.properties 中调整连接池参数来开启长连接。但即便是长连接，受限于线程模型，它也难以维持数十万级别的并发长连接。

2. wrk 的“快”与“狠”

wrk 设计的初衷就是为了测试 HTTP Keep-Alive 的性能。

长连接策略： wrk 在测试开始时会建立好指定的连接数（-c 参数），并在整个测试过程中尽可能复用这些连接。
应用场景： 它非常适合测试 Nginx、网关（Gateway）或高并发 API 在极端长连接压力下的吞吐极限。

深度对比表

特性	wrk	Apache JMeter
开发语言	C / Lua (脚本)	Java (GUI)
并发模型	事件驱动 (epoll/kqueue)	多线程 (Thread-per-user)
资源消耗	极低，单机吞吐量巨大	较高，大并发需分布式集群
业务复杂度	较低，主要针对单个 URL	极高，支持多步脚本、断言、提取器
测试场景	静态 API 压测、容量评估	复杂业务链路、功能回归压测
报表能力	仅文本摘要	极丰富，支持各类图表和 HTML 报告

总结：我该选哪一个？

这两款工具并不是替代关系，而是互补关系：

选 wrk

想要测试服务器的极限吞吐量（RPS）。
测试对象是单一的 API 或静态资源。
希望用最少的测试服务器压出最大的流量。
熟悉 Lua 脚本来定制化请求。

选 JMeter

需要模拟复杂的业务流程（如：登录 -> 搜商品 -> 下单 -> 支付）。
需要可视化的界面来观察响应时间分布、错误率等详细指标。
测试需要处理动态参数（如从上一个接口提取 Token 传递给下一个接口）。
团队更习惯使用图形化工具而非命令行。

详解 Passkey（通行密钥）的工作原理与未来

Thu, 04 Dec 2025 22:14:06 +0800

背景介绍，腾讯的 cnb 平台仅支持微信登录，没有常规的邮箱账号方式，导致群里每天都有几个哥们念叨这事，看着都烦了，腾讯的产品经理弄了个折中的方案：支持Passkey登录。

每天，我们都在重复一个危险的动作：输入密码。尽管我们有复杂的规则（大小写、特殊符号、数字），但数据泄露、钓鱼攻击和“忘记密码”的烦恼依然困扰着每一个人。

科技巨头们（Apple, Google, Microsoft）联合 FIDO 联盟给出了终极解决方案：Passkey（通行密钥）。它不仅仅是“替代”密码，而是彻底“消灭”了密码。

登录流程从验证密码，转成了验证当前设备是否可信。

详解 passkey 的工作原理，怎么能用于登录管理，整理相关内容，输出文章用于互联网发布

什么是 Passkey？

简单来说，Passkey 是一种存储在您设备上的数字凭证。

它可以替代传统的“用户名 + 密码”。当你登录支持 Passkey 的网站（如 Google、GitHub、Adobe）时，你不需要输入任何字符，只需要通过面部识别（Face ID）、指纹（Touch ID）或设备 PIN 码验证一下，就能瞬间登录。

核心区别： 密码是你记住的一串字符（容易被偷、被猜、被忘）；Passkey 是你拥有的一项资产（加密密钥，存储在设备硬件中）。

Passkey 的工作原理：非对称加密

Passkey 的背后是 WebAuthn 标准和 FIDO2 协议。为了理解它，我们需要了解公钥密码学（Public Key Cryptography）。

想象 Passkey 是一对“钥匙”和“锁”：

私钥 (Private Key)：
- 保存在哪里？ 安全地存储在你的设备端（如 iPhone 的安全芯片、电脑的 TPM 模块或密码管理器中）。
- 特性： 极其敏感，永远不会发送给服务器，也不会离开你的设备。
- 作用： 它是你的“电子签名笔”。
公钥 (Public Key)：
- 保存在哪里？ 上传并存储在网站/APP 的服务器上。
- 特性： 公开可见，不敏感。
- 作用： 它是用来验证你签名的“验钞机”。

登录流程详解 (The Handshake)

当你使用 Passkey 登录时，发生了一次精妙的“挑战-应答”机制：

发起登录： 你点击“登录”，网站服务器向你的设备发送一个随机数学难题（Challenge）。
本地验证： 你的手机/电脑弹出提示，要求你使用生物识别（刷脸/指纹）解锁。
- 注意：这一步只是为了授权设备使用私钥，生物信息本身不会上传。
数字签名： 解锁成功后，设备使用私钥对那个数学难题进行“签名”，并将签名结果发回服务器。
服务器验证： 服务器使用你之前留下的公钥来验证这个签名。如果通过，服务器就确认了“通过验证的人确实持有私钥”，从而允许登录。

为什么 Passkey 比密码安全得多？

Passkey 解决了传统密码的三大死穴：

彻底免疫“钓鱼攻击” (Anti-Phishing)

这是 Passkey 最强悍的功能。Passkey 协议中强制包含了来源绑定（Origin Binding）。

场景： 黑客做了一个假的 g00gle.com 诱骗你登录。
结果： 你的浏览器和系统会发现当前域名与 Passkey 注册的域名 google.com 不匹配，拒绝发起认证。你甚至都没有机会“手滑”输入密码。

服务器泄露也没用

即使黑客攻破了 Google 的服务器，拿走了所有的数据库，他们得到的也只是公钥。公钥无法用来推导出私钥。黑客拿着公钥就像拿着一把锁，但他没有开锁的钥匙（私钥在你手机里），因此无法登录你的账户。

没有“弱密码”

用户不再需要设置“123456”这种弱密码，因为密钥是由算法生成的强加密数据。

Passkey 如何改变“登录管理”？

过去，我们依赖 1Password、LastPass 或 Chrome 浏览器来记录一长串字符。现在，登录管理正在发生质变。

跨设备同步 (Passkey Sync)

早期的硬件密钥（如 YubiKey）很容易丢。现在的 Passkey 支持云端同步：

Apple 生态： 通过 iCloud 钥匙串同步。你在 iPhone 上创建的 Passkey，Mac 上自动可用。
Google 生态： 通过 Google 密码管理器同步 Android 和 Chrome。
第三方管理： 1Password、Dashlane 等工具也全面支持 Passkey。这意味着你可以跨生态（在 Windows 电脑上使用保存在 iPhone 里的 Passkey）进行登录。

跨设备登录 (Cross-Device Auth via QR Code)

如果你想在网吧的电脑（Windows）上登录，但你的 Passkey 在 iPhone 里，怎么办？

网页上选择“使用另一台设备登录”。
屏幕显示一个二维码（FIDO Cross-Device Flow）。
用 iPhone 相机扫描二维码。
手机通过蓝牙与电脑建立近场连接（证明你在现场），并进行生物验证。
电脑端登录成功。

从“管理秘密”到“管理信任”

未来的登录管理不再是查看一个个明文密码，而是管理受信任的设备。

你可以查看：“我的 GitHub 账户绑定了我的 iPhone 和 MacBook”。
如果不慎丢失手机，你只需在服务端（或云端账户）撤销该设备的公钥访问权即可。

表格对比：密码 vs. Passkey

维度	传统密码 (Passwords)	通行密钥 (Passkeys)
记忆负担	高（需记忆复杂字符）	无（无需记忆）
钓鱼风险	极高（易受欺骗输入）	零（域名强制绑定）
服务器泄露	危险（需撞库/改密）	安全（泄露公钥无影响）
登录体验	慢（输入或复制粘贴）	快（一键生物验证）
依赖性	依赖大脑或密码本	依赖设备（手机/电脑）

现在的挑战与未来

尽管 Passkey 极其美好，但普及仍需时间：

平台壁垒： 虽然标准统一，但 Apple、Google 和 Microsoft 在各自生态内的体验最丝滑，跨生态流转（如 Android 手机配 iPad）虽然可行，但仍有轻微摩擦。
设备依赖： 如果你丢失了所有受信任的设备且没有云备份，找回账户会比较麻烦（通常需要备用的恢复码）。
旧系统兼容： 许多老旧网站和公司内网尚未支持 WebAuthn 标准。

总结

Passkey 不是密码的升级版，它是互联网身份验证的一次底层重构。它利用现代设备的生物识别能力和公钥加密技术，将安全性提升到了金融级别，同时把用户体验简化到了极致。

对于普通用户来说，尽快在支持的平台（Google, Apple, Microsoft, Amazon 等）开启 Passkey，是提升个人数字安全性价比最高的投资。

AI 变“笨”了吗？揭秘参数精度与推理成本的博弈

Thu, 04 Dec 2025 21:58:09 +0800

近期混迹在各个编程大模型的交流圈，模型降智是大家吐槽最多的事情。

本地台式机部署的都是量化以后的模型，可以说是降智后的版本
vibe coding 这么热门，有没有可能当前大模型输出的内容，代码是最值钱的产物？

本轮的提示词有过一次优化，刚好是模型降智，大模型给的方案是优化提示词，更详细的任务规划、更明确的输出要求

针对这个问题，给出合适的提示词：现在很多大厂都提供了大模型服务，偶尔会有用户反馈模型降智问题；从专业角度，参数的精度、推理的成本出发，编写文章；科普文，不要太长。

优化后的版本：

你是一位资深的 AI 行业技术专栏作家。你的目标是撰写一篇针对普通读者但内容专业的中文科普文章。

请一步一步思考并撰写：
1. 大纲制定：首先，请拟定一个清晰的三段式文章结构大纲（例如：引言、精度分析、成本与架构分析、结论）。
2. 内容聚焦：文章必须深入浅出地解释用户反馈的“模型降智”现象，核心分析点必须围绕 **参数精度（量化）** 和 **推理的运营成本** 展开。
3. 字数与格式：最终文章长度必须控制在 600 字以内。请使用清晰的 `##` 标题 来划分段落，并使用 **粗体** 来强调文中的关键专业术语（如：量化、MoE、FP16）。

引言

为了确保逻辑清晰且符合科普要求，我制定了以下结构：

引言： 确认用户感知的真实性，引出核心矛盾——在用户规模激增的背景下，服务商必须在“智力巅峰”与“服务可用性”之间做平衡。
精度分析（核心点1）： 解释参数与精度的关系。通过对比 FP16 与量化（INT8/INT4），用“图片压缩”的类比来说明为什么精度下降会导致逻辑变差。
成本与架构（核心点2）： 剖析推理成本。介绍 MoE 架构与稀疏激活机制，解释为了省钱和加速，模型是如何“偷懒”的。
结论： 总结这种“降智”是商业化普及的必经之路（不可能三角）。

文章正文

近期，不少用户反馈大模型似乎没有以前“聪明”了：逻辑变简单、指令遵循变差，甚至出现车轱辘话。这并非全是错觉。从技术视角看，这种“降智”现象往往是大厂在面对海量用户时，为了平衡推理成本与服务速度而做出的技术妥协。

精度“缩水”：从 4K 到 720P 的代价

大模型的“智商”主要存储在数千亿个参数中。在理想状态下，这些参数以高精度的 FP16（16位浮点数）格式运行，能捕捉极细微的语义差别。但这种高精度意味着巨大的显存占用和缓慢的计算速度。

为了让数亿用户都能流畅使用，服务商普遍采用了量化（Quantization）技术。这是一种将参数精度从 FP16 压缩到 INT8 甚至 INT4 的手段。

这就好比将一部 4K 高清电影压缩成 720P 流媒体：虽然剧情（大体逻辑）没变，但画面细节（微小的逻辑关联、复杂指令的执行细节）却丢失了。这种“有损压缩”直接导致模型在处理复杂任务时表现力下降，给用户一种“变笨”的体感。

成本压力：让大脑“部分休息”

除了精度，推理的运营成本是另一大核心因素。每次你向 AI 提问，服务器都要进行庞大的矩阵运算，电费和硬件损耗惊人。

为了降低成本，现代大模型多采用 MoE（Mixture of Experts，混合专家模型）架构。与传统模型每次都激活所有神经元不同，MoE 采用稀疏激活策略：针对你的问题，系统只唤醒模型中一小部分相关的“专家”网络，其余部分保持休眠。

虽然这极大降低了计算量，但如果路由算法（Router）为了负载均衡或节省算力，将你的复杂数学问题派发给了“文学专家”，或者为了速度牺牲了专家的调用数量，输出质量自然就会出现波动和下滑。

结论

因此，所谓的“降智”，本质上是 AI 从实验室走向大规模商业化时的必然阵痛。在参数精度上的克制和模型架构上的精打细算，是厂商为了让每个人都能用得起 AI，而在“绝对聪明”与“成本效率”之间寻找的微妙平衡。

梳理中国房地产的违约情况

Tue, 02 Dec 2025 19:06:37 +0800

房企中的优等生，万科也是没撑住，深铁持续性的输血，终归堵不上越来越大的窟窿。联动的新闻：六大行全面停售5年期大额存单。

梳理中国房地产的违约情况，整理时间线和重大事件，恒大、碧桂园、万科，还有其他我不清楚的房企吗

这份梳理基于2025年12月的最新视角，涵盖了从危机爆发到当前（2025年底）的完整时间线。

目前中国房地产行业的格局可以概括为：“恒大已清盘，融创刚上岸，碧桂园还在熬，万科破金身”。

危机导火索：三道红线（2020）

一切的起点是监管层为了遏制房企无序扩张而设下的硬性指标。

时间： 2020年8月
政策： “三道红线”（剔除预收款后的资产负债率大于70%、净负债率大于100%、现金短债比小于1）。
后果： 房企无法再通过“借新还旧”滚雪球，资金链瞬间收紧，高杠杆房企开始多米诺骨牌式倒塌。

三大巨头现状与时间线

恒大 (Evergrande) —— 危机的开启者

现状： 已被法院勒令清盘。许家印被采取强制措施，集团分崩离析。
关键时间点：
- 2021年12月： 首次正式违约（无法支付美元债利息），被评级机构认定为“限制性违约”。这是中国房企危机的标志性事件。
- 2023年9月： 许家印因涉嫌违法犯罪被依法采取强制措施。
- 2024年1月： 香港高等法院正式颁布清盘令，恒大境外重组失败，进入清算程序。

碧桂园 (Country Garden) —— “优等生”的倒下

现状： 债务重组进行中。作为曾经的“宇宙第一房企”，其违约彻底击碎了市场对民营房企的最后信心。
关键时间点：
- 2023年8月： 承认出现流动性压力，未支付两笔美元债票息。
- 2023年10月： 正式宣布违约（无法支付一笔4.7亿港元的到期款项），并聘请顾问开启境外债务重组。
- 2024-2025年： 持续进行艰难的债务重组谈判，并出售资产自救（如万达商管股权、澳洲项目等）。

万科 (Vanke) —— 最后的堡垒（2025年底最新动态）

现状： 打破刚兑。万科坚挺了很久，但在2025年末也开始寻求债务展期，标志着混合所有制/国资背景房企也无法独善其身。
关键时间点：
- 2024年上半年： 遭遇做空和评级下调，但依靠深圳国资委的喊话支持和银团贷款（如招商银行牵头的200亿贷款）勉强过关，按期偿还了所有公开债务。
- 2025年11月： 首次提出债务延期。万科向持有人提议，将一笔即将到期的非公开定向债务融资工具（PPI）延期支付。这是万科在公开市场债务上的首次“技术性违约”或展期信号，市场哗然。

其他已违约/暴雷的知名房企（按时间梳理）

除了你提到的三家，还有大量千亿级房企卷入其中。以下是按**“暴雷/违约”时间先后**整理的清单：

第一波：早期暴雷 (2021年)

华夏幸福 (China Fortune Land): 2021年初违约，是三道红线后最早倒下的大型房企之一。目前已完成大部分债务重组。
蓝光发展 (Bluewray): 2021年中违约，四川“地产一哥”，退市。
花样年 (Fantasia): 2021年10月违约。其违约非常突然，引发了市场对房企“表外负债”的极度恐慌。
佳兆业 (Kaisa): 2021年12月二次违约（曾在2015年违约过）。“旧改之王”也未能幸免。
阳光城 (Sunshine City): 2021年末开始违约，世界500强房企，迅速崩塌。

第二波：全面蔓延 (2022年)

融创中国 (Sunac):
- 2022年5月： 正式违约。
- 现状（2025年）： 已上岸。2023年底完成境外债重组，2025年底重组计划正式生效。孙宏斌是极少数成功完成境内外债务重组的大佬，虽然公司规模大缩水，但保住了经营主体。
世茂集团 (Shimao): 2022年7月违约。曾经的“豪宅教父”，拥有的地标建筑（如深坑酒店）极多，目前仍受困于债务。
旭辉控股 (CIFI): 2022年10月违约。曾经的民企“示范生”，其倒下标志着民营房企全军覆没。
富力地产 (R&F): “华南五虎”之一，早在2022年就进行了债务展期（虽未名为违约，实为展期），目前仍在出售海外资产（如伦敦项目）还债。

第三波：国资/混合所有制承压 (2023-2025)

远洋集团 (Sino-Ocean): 2023年违约。这是首家暴雷的国资（中国人寿为大股东）背景房企，打破了“国企信仰”。
雅居乐 (Agile): 2024年5月首次在公开市场违约。此前坚持了很久不违约，最终还是未能撑住。

总结：房企生存状态分类

为了让你更清晰地记忆，可以将它们分为四类：

已“死亡”/清盘：
- 恒大（清盘）、蓝光（退市）、阳光城（退市）。
正在“ICU”重组中：
- 碧桂园（重组谈判中）、世茂、旭辉、远洋。
重组完成/暂时上岸（转入普通病房）：
- 融创（孙宏斌自救成功）、华夏幸福。
还在硬撑/刚显露危机：
- 万科（刚开始展期）、龙湖（目前极少数还未违约的民营房企，但也面临巨大压力）、金地。

关联新闻，万科的事情，群里和朋友聊了两句，结论：降息还要继续，新闻上接着就刷到

【六大行全面停售5年期大额存单】记者登录六大行官方APP及手机银行查询时发现，目前各银行大额存单期限结构已明显“短期化”。工商银行“大额存单”栏目下仅剩余1个月、3个月、6个月、1年、2年、3年六个期限产品。其中，3年期大额存单产品利率为1.55%，1年期、2年期产品利率均为1.20%。此外，中国银行、建设银行、交通银行及邮储银行的产品矩阵呈现相似特征，5年期产品均已从在售列表中移除。在农业银行2018年至2025年的人民币个人大额存单产品目录中，也并未出现5年期大额存单产品的“踪影”。(中国金融时报)

Cloudflare 突发全球网络故障，X、ChatGPT 等知名网站瘫痪，盘前股价受挫

Tue, 18 Nov 2025 22:34:02 +0800

本站点主域名走了 github pages，blog 备用子域名走了的 vercel 加速，cloudflare 部署过，后台管理页面看着太老旧，劝退了。本来还在安静的水稿子，博客圈的群里消息不断，这点一般是很安静的，打开瞅瞅，cf 挂了，好多博友的网站无法打开。

作为互联网的基础设施，故障持续这么长时间，不应该；股价没有大跌，是我想不到的。

cloudflare 故障，很多知名网站都无法访问，盘前股价下跌，整理相关内容，输出文章

2025年11月18日 (周二) 讯 — 今天（11月18日）美股开盘前，全球主要的互联网基础设施服务商 Cloudflare 遭遇了一次大范围的网络故障，导致全球数千个依赖其服务的知名网站和应用程序陷入瘫痪或访问困难。

受此事件影响，Cloudflare (NYSE: NET) 的股价在盘前交易中应声下跌。

🌍 故障波及全球，知名服务纷纷“宕机”

此次故障在周二早间（北美东部时间约早上7点，世界标准时间11:48左右）开始显现。全球各地的用户报告称，无法访问包括社交平台 X (原 Twitter)、人工智能服务 OpenAI (ChatGPT)、音乐流媒体 Spotify、游戏平台 《英雄联盟》(League of Legends) 和 Valorant，以及多家加密货币交易所（如 BitMEX、DefiLlama）在内的众多热门服务。

访问这些网站的用户普遍遇到了“500 Internal Server Error”（服务器内部错误）的提示。由于 Cloudflare 是互联网的“中间人”，为全球数百万网站提供内容分发（CDN）和安全防护（DDoS）服务，其网络中的任何“抖动”都会立即产生全球性的连锁反应。

📉 市场反应迅速，(NET) 盘前股价下跌

作为互联网的关键基础设施之一，Cloudflare 服务的稳定性备受投资者关注。

在故障消息传出后，资本市场迅速作出反应。Cloudflare (NYSE: NET) 的股票在周二的盘前交易中出现明显抛售。根据财经数据显示，其股价下跌了约 3.5% 至 4%，从前一个交易日（11月17日）约 202.25 美元的收盘价，一度跌至 195 美元左右。

这反映了投资者对此次服务中断的严重性及其可能对公司声誉和短期收入造成影响的担忧。

🛠️ 官方回应：已定位问题，正在修复

Cloudflare 官方迅速在其系统状态页面上确认了这一事件。公司在北京时间今天下午（11月18日 13:09 UTC）更新状态称：

“问题已经确定，正在实施修复。”

根据 Cloudflare 的报告，此次事件被定性为“全球网络 experiencing issues”（全球网络遇到问题），并伴随“widespread 500 errors”（大范围500错误）。

Cloudflare 表示，他们正在努力缓解此问题，并已看到服务开始恢复，但警告称在修复工作继续进行期间，客户可能仍会观察到“高于正常的错误率”。

截至发稿时，部分网站的访问已开始逐步恢复，但全球网络延迟和错误率仍处于高位。我们将持续关注事态的后续发展。

搞懂 MySQL 间隙锁：从原理到金融级选型

Tue, 18 Nov 2025 22:29:25 +0800

系统服务之间的数据同步，近期改动的时候，某个接口数据量上去，频繁发生死锁，同事排查后，发现是由于间隙锁导致，MySQL 用的不多，记录下。

mysql 间隙锁，背景、原理，如何关闭间隙锁、关闭了会有什么问题；你是资深数据库 DBA，针对我的问题进行扩展分析补充。幻读是什么？主流大厂是选择 RC 还是 RR模式？我是金融行业，券商系统，你更建议我用什么方案？整理上述问题，输出文档。

在 MySQL 中，尤其是高并发场景下，“锁”是绕不过去的话题。间隙锁（Gap Lock）是 InnoDB 引擎中的一个核心特性，但也常常是性能瓶颈和死锁的根源。

这篇文章将帮你快速梳理间隙锁的核心、利弊，并为你（特别是金融行业）提供清晰的架构选型建议。

什么是间隙锁与幻读？

幻读 (Phantom Read)： 在一个事务中，你第一次查某范围（如 ID > 100）有 10 条数据，别人插入一条 ID=101 并提交后，你第二次查，发现变成了 11 条。这条“多出来的”新数据就像幻觉，故称“幻读”。
间隙锁 (Gap Lock)： MySQL 在 RR（可重复读） 隔离级别下，为了解决“幻读”问题而发明的。它不锁数据行，而是锁住数据之间的“缝隙”。
- 作用： 防止其他事务在这个“缝隙”中 INSERT 新数据。
- 代价： 锁的范围变大，并发能力下降，容易死锁。

如何“关闭”间隙锁？

最直接的方法是将数据库隔离级别从 RR (Repeatable Read) 降为 RC (Read Committed)。

-- 将当前会话隔离级别设为 RC
SET SESSION transaction_isolation = 'READ-COMMITTED';

-- 永久修改（需改 my.cnf 并重启）
-- [mysqld]
-- transaction-isolation = READ-COMMITTED

⚠️ 关闭的后果（即 RC 级别的特性）

性能提升： 没有了间隙锁，锁的粒度更小，并发吞吐量大幅提升。
死锁减少： 绝大多数由间隙锁导致的死锁都会消失。
出现幻读/不可重复读： 这是 RC 级别的“特性”，事务中两次查询的结果可能会不一致。
【核心要求】必须配合 ROW 格式 Binlog： 如果使用 RC 级别，必须将 binlog_format 设置为 ROW。否则，在主从复制时会因为缺少间隙锁的保护而导致主从数据不一致。

主流大厂选择：RC 还是 RR？

答案：绝大多数一线互联网大厂都选择 RC (Read Committed) + ROW Binlog 模式。

原因： 互联网业务（如电商、社交）极端追求高并发。它们无法忍受 RR 间隙锁带来的频繁锁等待和死锁。
权衡： 它们选择放弃数据库层面的“可重复读”，转而在应用层通过乐观锁（如版本号、CAS）等方式来保证关键业务（如库存、余额）的逻辑一致性。

金融行业（券商）如何选择？

对于数据一致性要求极高的券商系统，建议分场景治理：

方案一：核心交易系统（高并发、低延迟）

建议：RC (Read Committed) + ROW Binlog + 应用层乐观锁

场景： 订单撮合、下单、资金扣减。
理由： 交易系统的并发压力不亚于互联网秒杀。RR 的间隙锁会成为性能瓶颈，导致严重的锁竞争甚至死锁，这是交易系统无法接受的。
对策： 使用 RC 保证高性能，同时在应用代码中（如 Java）通过 UPDATE ... WHERE balance > ? 或 CAS 版本号机制来保证资金安全，防止超卖。

方案二：清算对账系统（批处理、高一致性）

建议：RR (Repeatable Read)

场景： 盘后批量对账、生成报表、日终清算。
理由： 批处理任务需要在一个“绝对一致”的数据快照上运行。它需要 RR 级别提供的能力，保证在整个统计过程中，数据不会发生“幻读”，确保总账能对平。

总结

隔离级别	优点	缺点	适用场景
RR (默认)	解决幻读，数据一致性高	并发低，易死锁 (间隙锁)	报表、清算、对数据一致性要求极高且并发不大的场景
RC	并发高，死锁少	会幻读、不可重复读	高并发核心业务 (如电商、金融交易)，需配合 ROW Binlog

对于券商核心系统，RC + ROW Binlog 是兼顾性能与一致性的主流架构方案，但它要求开发团队在应用层承担更多保障数据一致性的责任。

港股大回撤、美团考虑离场？从“生态溢价”看小米、阿里、美团的估值新锚点

Tue, 18 Nov 2025 21:50:44 +0800

近期无操作，小米的三季度财报公布了，没什么预期之外，美国不安生，港股近期流动性枯萎，恒生科技板块回撤较大。

阿里作为外卖大战主要参与者，关联最高的电商税，网上没多少声音。

不记得以前的稿子有没有写过，买入小米的时间，我其实没太思考那会是什么撑起了小米的市值，抖音相关的视频看多了？

近期恒生科技都在跌、港股的电动汽车板块也在跌，小米属于多重buff叠加，负面新闻满天飞，股价也是当然也是大幅下跌。

最近还在更换公关部门的老大，阴谋论：早都想换掉了，但是牵扯利益太多，下面还有很多KOL，如果他们突然瞎说，事情很难收场。

这篇文章主要分析了小米集团的估值逻辑，以及美团和阿里巴巴近期面临的市场和政策挑战。

原稿包含的内容太过繁杂，收集了多方不同的信息，基于AI删减。

小米：估值暴涨的底层逻辑（平台溢价）

核心观点： 资本市场给予小米的估值暴涨，核心在于其**“平台型公司”和“生态赋能”的巨大溢价**，这是垂直制造商（如理想、零跑）所不具备的。
估值锚点差异：
- 小米： 锚定于**“科技平台”和“人车家全生态”的稀缺性。汽车业务被视为生态扩张的关键一步**，风险被手机和互联网业务分散。
- 汽车厂商（理想/零跑）： 锚定于汽车销量和单车盈利，估值曲线与汽车行业周期直接挂钩。
生态赋能价值： 小米拥有数亿高粘性用户，汽车订单转化效率极高，营销成本低。其“人车家”的无缝协同被市场看作是优于行业平均水平的差异化竞争力。
资本市场期望： 市场买的是小米在未来十年成功切入万亿美元新赛道的“赛道准入证”和“生态协同价值”，重塑了其整体估值逻辑。

美团：考虑离场

当初一句可送万物，深入人心，现在看来，护城河也不是那么深。

现状： 买入的时候没有思考太多，近期股价下跌，等待三季度财报后再决定是否“割肉”。

阿里巴巴（电商税收政策影响）

税收政策变化： 中国近期的“电商税”主要集中在两方面：
1. 跨境电商零售进口税（“海淘”）： 取消了50元以下的免征优惠，导致海淘商品价格上涨约11.9%，促进行业合规化。
2. 国内电商涉税信息报送规范： 要求平台报送商家销售信息，使过去隐匿收入的C2C个人卖家无法持续，行业进入合规为核心的重塑阶段。
对平台的影响：
- 淘宝（C2C）： 短期内可能淘汰不愿合规的小商家，但长期来看能提升平台质量和消费者信任。
- 天猫/京东（B2C）： 长期利好，因为这些大平台和B2C商家本身已是正规纳税主体，新政为他们创造了更公平的竞争环境。
商家亏损原因： 亏损主要集中在原本依赖逃税获得价格优势的商家。对于符合小微企业优惠条件的商家，规范申报后税负应该很低或免征。被淘汰是行业走向公平竞争的必经之路。

本地开发之痛：为何 `nul` 文件删不掉？一个“复合型”文件系统难题的破解之道

Sat, 08 Nov 2025 16:37:46 +0800

在软件开发的日常工作中，我们时常会遇到一些棘手的“小问题”，它们看似简单，却能耗费我们数小时的宝贵时间。其中，在 Windows 系统上删除特定文件（尤其是那些由开发工具链意外生成的文件）无疑是“重灾区”之一。

我就遇到了这样一个“地狱级”的难题：在本地开发时，项目中莫名其妙地出现了一个名为 nul 的文件。我尝试了 Windows 资源管理器、CMD 命令行，但系统都提示“找不到文件”或“无法删除”。这个文件就像一个幽灵，顽固地盘踞在我的项目目录中。

阶段一：常规尝试与“标准”的无效解法

当我遇到这个问题时，我的第一反应是“nul 文件”。

为什么 nul 特殊？

熟悉 Windows 历史的开发者可能知道，nul 是一个“天坑”。在 Windows (及更早的 DOS) 系统中，NUL、CON、PRN、AUX 等是保留的设备名称。NUL 代表“空设备”（类似于 Unix/Linux 中的 /dev/null）。

当 Windows 的文件系统 API 看到你试图操作一个名为 nul 的“文件”时，它会认为你是在尝试操作这个“空设备”，而不是一个同名的物理文件。因此，所有常规的文件操作（如删除、重命名）都会失败。

如何产生 nul 文件的？

这通常是跨平台开发工具（如 Git、Node.js 脚本、Python 脚本等）的“锅”。这些工具可能基于 POSIX (Unix-like) 标准，在它们的眼中，nul 只是一个普通的文件名。它们在 Windows 上运行时，有时会绕过常规的API，直接创建出这种 Windows “消化不良”的文件。

网上推荐的“标准解法”

我迅速在网上搜索，发现我不是第一个遇到这个问题的人。社区提供了几种公认的“高级”解决方案：

使用 \\.\ 语法：在 CMD 中使用特殊的“长路径”语法，绕过 Windows 的名称检查。

del \\.\C:\your\project\path\nul

使用 Git Bash：Git Bash 提供了一个轻量级的 Unix 环境，它不把 nul 当作特殊设备

rm nul

使用 WSL (Windows Subsystem for Linux)：进入 WSL，挂载 Windows 磁盘，使用 Linux 的 rm 命令删除。

rm /mnt/c/your/project/path/nul

然而，这些方法对我全都不起作用！

无论是 WSL 还是 Git Bash，当我尝试 rm nul 时，系统都报出了“No such file or directory”（没有那个文件或目录）的错误。这让我陷入了沉思，问题似乎比我想象的更复杂。

阶段二：灵光一现——是不是“多重问题叠加”？

如果 nul 文件确实存在，为什么连 Unix 工具都说“找不到”它呢？

我开始怀疑：是不是问题不仅出在 nul 文件本身，还出在了它的“栖身之所”——它所在的目录？

我立刻打开 Git Bash（这是关键，因为 Windows 资源管理器可能不会显示异常），导航到 nul 文件所在的上一级目录，然后执行 ls -la (列出所有文件，包括隐藏文件，并显示详细信息)。

这时，我终于发现了“盲点”：

那个存放 nul 文件的目录，它的目录名本身就包含非法字符！

在我的案例中，这个目录名可能是一个以空格或点（.）结尾的名称，或者是包含 Windows 不允许的特殊符号（如 ?, *, :）——这些同样是开发工具在跨平台同步时“夹带的私货”。

例如，一个目录在 Git Bash 中显示为 "my-app " (注意末尾的空格)，或者 "my-app."。

这就是问题所在！

问题A： 我有一个名为 nul 的“非法”文件。
问题B： 我有一个名为 "my-app " 的“非法”目录。

当我尝试 rm /path/to/"my-app "/nul 时，Windows 系统和 Unix 工具都“蒙圈”了。Windows API 无法正确解析这个包含非法字符的路径；而 Git Bash 或 WSL 虽然能“看到”这个非法目录，但在尝试访问它内部的 nul 文件时，可能因为路径解析的复合问题而失败。

阶段三：釜底抽薪——从路径下手，一举歼灭

既然确定了是“文件路径”和“文件名”的双重问题，解决方案就清晰了：不要试图去删除那个 nul 文件，而是直接删除那个“非法”的父目录！

我的最终解决步骤如下：

打开 Git Bash：这是唯一能正确“看到”并处理这些非法名称的工具。

导航到“问题目录”的上一级：

# 假设问题目录是 C:\projects\my-app 
cd /c/projects/

确认“问题目录”的真实名称：

ls -l
# 输出可能显示如下：
# drwxr-xr-x 1 MyUser 1049089 0 Nov 7 06:30 'my-app '/ 
# 注意到了吗？ls 命令用单引号把这个带空格的目录名括起来了。

执行“终极删除”：使用 rm 命令的 -r (递归) 和 -f (强制) 选项，配合引号，来删除整个目录。

# 必须使用引号（单引号或双引号）
# 并且，如果你在 Git Bash 中输入 'my-app ' 然后按 Tab 键，它也能帮你自动补全

rm -rf "my-app "

# 或者

rm -rf 'my-app '

执行命令后，那个困扰我许久的、包含 nul 文件的、本身命名也不合法的目录，终于从我的文件系统中被彻底清除了。

美股“巨头”垄断加剧：十大公司豪占40%市值，AI是泡沫还是革命？

Mon, 03 Nov 2025 23:01:27 +0800

暨英伟达千亿投资的“阳谋”分析

2025年的全球资本市场，正见证着一场前所未有的集中化浪潮。以人工智能（AI）为核心的叙事，不仅重塑了科技行业的版图，也让美股的“贫富差距”拉大到极致。曾经的“七巨头”（Magnificent Seven）已不足以形容当下的格局，市场正被少数几个超级赢家所主导。

本文将深入探讨三个核心问题：

美股前十大公司的市值，已占整个股市的多大比重？
AI是否存在泡沫？英伟达（NVIDIA）与OpenAI之间价值千亿的“互相投资”模式是否合理？
英伟达近期的投资动作有哪些？其背后的战略逻辑又是什么？

编写文章：美股前十的公司市值，在整个股市的占比有多少了？AI是否存在泡沫，英伟达投资和OpenAI之间的互相投资，是否合理？整理英伟达最近的投资动作，分析其合理性

市场集中度：十大巨头垄断美股40%市值

根据2025年10月至11月的最新数据，美股市场（以标准普尔500指数为代表）的集中度已达到惊人水平。

美股前十大公司（均为美国公司）目前约占标准普尔500指数总市值的40%。

这个数字比一两年前“七巨头”约占30%的比例更进一步。截至2025年11月初，美股前十大公司大致为：

英伟达 (NVIDIA)：市值接近 5 万亿美元
苹果 (Apple)：市值约 4 万亿美元
微软 (Microsoft)：市值约 3.85 万亿美元
Alphabet (Google)：市值约 3.4 万亿美元
亚马逊 (Amazon)：市值约 2.6 万亿美元
博通 (Broadcom)：市值约 1.75 万亿美元
Meta Platforms：市值约 1.63 万亿美元
特斯拉 (Tesla)：市值约 1.52 万亿美元
伯克希尔·哈撒韦 (Berkshire Hathaway)：市值约 1.03 万亿美元
摩根大通 (JPMorgan Chase)：市值约 0.85 万亿美元

这种高度集中意味着少数几家公司的股价表现，就能决定整个大盘的走势。而驱动这场“超级集中化”的核心燃料，毫无疑问是——人工智能。

AI泡沫与千亿“闭环”：英伟达与OpenAI的“互相投资”

您提到的“英伟达和OpenAI之间的互相投资”，在2025年9月已演变为一个震撼全球的事件。这并非传统意义上的VC投资，而是一项价值高达1000亿美元的战略合作。

1. 合作的“闭环”结构：

英伟达投资：英伟达宣布将向OpenAI投资高达1000亿美元。
OpenAI采购：OpenAI将利用这笔资金（及其他融资）采购英伟达的芯片系统，承诺部署**至少10吉瓦（GW）**的算力，这涉及数百万颗GPU，并将从2026年开始采用英伟达下一代“Vera Rubin”平台。

2. 这种模式合理吗？

这是一个极具争议性的话题，市场对此的看法分为“革命”与“泡沫”两派。

观点一：合理，这是“AI革命”的必然选择 (The Revolution Case)

对OpenAI（买方）而言：通往通用人工智能（AGI）的道路需要近乎无限的算力。在当前市场，英伟达的GPU是性能最强、生态最成熟的“铲子”。锁定未来几年的顶级芯片供应，是确保其在AI军备竞赛中保持领先的唯一途径。
对英伟达（卖方）而言：OpenAI是其最大、最重要的客户。通过千亿投资深度绑定OpenAI，英伟达等于锁定了自己下一代平台（Vera Rubin）的巨额订单，确保了未来数年的收入和市场绝对主导地位。

观点二：不合理，这是“AI泡沫”的典型特征 (The Bubble Case)

“闭环交易” (Closed-Loop Financing)：批评者指出，这是一种“左手倒右手”的资本游戏。英伟达给OpenAI钱，OpenAI再用这笔钱向英伟达下订单。这在会计上创造了巨额的收入和增长，但实际上是资本的“体内循环”，极大地放大了估值和泡沫。
巨大的金融风险：据报道，英伟达甚至在讨论为OpenAI建设数据中心提供贷款担保。这意味着如果OpenAI的商业模式未来无法兑现（例如AGI迟迟不能实现，或运营成本过高导致破产），英伟达将面临数十亿甚至上千亿的债务风险。
引发反垄断担忧：这笔交易被监管机构和竞争对手视为“排除竞争”。分析师担心，英伟达作为市场“军火商”，通过投资深度绑定了最大的“雇佣兵”OpenAI，将有动机拒绝向OpenAI的竞争对手（如Anthropic、Google等）出售芯片，或提供更差的条款，从而扼杀创新。

结论： 这种模式是英伟达确保其AI霸权的一种高风险、高回报的战略“阳谋”。它既是AI大发展的催化剂，也可能是史上最大泡沫的注脚。

英伟达的投资“帝国”：一场创造需求的阳谋

英伟达早已不满足于只做“卖铲人”。通过其风险投资部门（NVIDIA GPU Ventures），它正积极转型为整个AI淘金热的“银行家”和“生态缔造者”。

📈 英伟达近期的主要投资动作

英伟达的投资步伐在2024至2025年急剧加速。截至2025年10月，英伟达今年已投资了59家AI初创公司，超过了2024年全年的55家。

其投资组合几乎涵盖了AI的每一个垂直领域，重点包括：

OpenAI（基础模型）：2025年9月，达成价值1000亿美元的战略投资与采购合作。
Poolside（AI编程）：2025年10月，被曝将领投高达10亿美元，支持其开发AI软件工程师。
诺基亚 (Nokia)（6G/电信）：2025年10月，宣布战略合作并投资10亿美元，共同开发AI-RAN（无线接入网），抢占6G市场。
Figure AI（人形机器人）：投资于这家明星机器人公司，布局“具身智能”的未来。
Perplexity AI（AI搜索）：投资于这家OpenAI的有力竞争者，布局下一代信息入口。
Wayve（自动驾驶）：投资于英国的自动驾驶公司，确保其在汽车行业的芯片主导地位。

🧐 投资逻辑分析：其合理性何在？

英伟达CEO黄仁勋的战略非常清晰。其投资的核心逻辑并非单纯的财务回报，而是服务于其核心的芯片业务，可以总结为三大目标：

1. 核心目标：“投钱，然后买我的芯片”

这是英伟达最直接的投资逻辑。英伟达向初创公司（如Poolside）注入资金，这些公司反过来利用这笔钱购买英伟达昂贵的GB300或下一代GPU。这不仅锁定了客户，也人为地创造了需求，形成了英伟达与其投资组合公司之间“互惠互利”的商业闭环。

2. 战略目标：打造“CUDA生态护城河”

英伟达的真正护城河是其CUDA软件平台。通过向AI生态的各个层面（机器人、生物医药、自动驾驶、AI编程）撒钱，英伟达确保这些未来最有前途的公司，从成立第一天起就基于CUDA平台进行开发。这使得竞争对手（如AMD、Intel）的硬件即便在性能上追赶，也无法在软件生态上撼动英伟达的地位。

3. 扩张目标：为芯片抢占新赛道

英伟达需要不断寻找下一个“AI浪潮”来支撑其5万亿美元的估值。对诺基亚（6G）的投资，是将其AI芯片推向庞大的电信基础设施市场；对Figure AI（机器人）的投资，是押注“具身智能”将成为继云计算之后的下一个算力消耗大户。

总结：垄断下的“阳谋”

美股市场前所未有的集中度，是AI革命带来生产力飞跃的体现，但也蕴藏着泡沫的巨大风险。英伟达与OpenAI的千亿“闭环”合作，是这场豪赌的缩影。

英伟达的投资策略是一场精心策划的“阳谋”：它利用其强大的资本实力，不仅要成为AI时代的“军火商”，更要通过投资成为“银行家”和“规则制定者”，确保所有通往未来的道路，都必须铺满英伟达的芯片。这种策略在商业上极其合理且高效，但也使其面临着巨大的反垄断压力和潜在的金融风险。

对于投资者而言，看清这场由AI驱动、由巨头主导、由资本闭环强化的游戏，是理解当前市场的关键。

LPL的韩援与“全华班”之梦：一场关于成绩、发展与归属的博弈

Mon, 03 Nov 2025 04:57:33 +0800

不可否认大数据的推送，最近刷到比赛的新闻，都会点进去瞅瞅，抖音上的类似的视频，已经主动点击了不感兴趣，免得持续推送同质的内容。忘了还有个账户，不出意外，周天 TES 输的很干脆，相关话题也在知乎的热榜上面挂着。高赞的一个答案，提到了LPL的韩援，以及“全华班”的概念。

没有那年 IG 的夺冠，英雄联盟大概率已经凉了，ldl 的博彩，多重 debuff 叠加，造就了 LPL 这一赛区的成绩。

编写文章：英雄联盟中国赛区 LPL 为什么要引入韩媛？从教练组到选手都进行了引入，是否限制了本土选手的发展，然后国内又在希望全华班的夺冠，是否属于国人的执念

自S4赛季末“韩援大潮”涌入LPL以来，韩国选手和教练便成为了这个赛区不可或缺的一部分。从S8的iG（Rookie, TheShy）、S9的FPX（Doinb, GimGoon），到S11的EDG（Scout, Viper），LPL三次捧起全球总决赛（S赛）冠军奖杯，无一例外都有韩援的核心贡献。

然而，与此同时，一个响亮的口号始终贯穿着LPL的舆论场——“全华班”。观众们一方面为LPL的冠军喝彩，另一方面又对“全华班夺冠”抱有近乎执念的期待。

为什么LPL要引入韩援？这是否限制了本土选手的发展？而“全华班”的执念，又究竟源自何处？

为什么要引入韩援：从追赶者到领跑者的“催化剂”

LPL引入韩援，最初的动机非常纯粹：为了赢。

在S3、S4时期，LCK（韩国赛区）以其无懈可击的运营和无可匹敌的个人能力统治着《英雄联盟》项目。LPL作为挑战者，最快、最直接的“抄作业”方式，就是将“老师”（顶级选手和教练）请进来。

1. 即战力的需求与成绩的保证 S4的三星白、三星蓝解体，大量顶级韩国选手流入LPL。他们带来了当时最先进的游戏理解和最顶尖的操作水平。Rookie、Doinb、Pawn、Mata等人的到来，迅速提升了LAN、WE、EDG等队伍的上限。对于俱乐部而言，这是追求成绩的必然商业选择。

2. 引入先进的“电竞工业体系” LPL引入的不仅是选手，更是教练组和背后的训练体系。韩国电竞以其纪律严明、数据化、高强度的训练模式著称。Kkoma、DanDy等教练的加入，将LCK的管理经验和战术储备带入LPL，迫使LPL的俱乐部从“网吧式”管理向“职业化”管理转型。

3. “鲶鱼效应”：激活内部竞争 顶级韩援的加入，就像在池塘里放入了一条鲶鱼。本土选手为了保住自己的首发位置，必须以更快的速度成长，适应更高强度的对抗。从这个角度看，韩援（如TheShy, Rookie）不仅是“外援”，更是本土选手（如JackeyLove, Ming, Knight）的“高级陪练”和“队友老师”，共同拔高了整个LPL赛区的平均水平。

双刃剑：韩援是“限制”还是“促进”了本土发展？

这是一个LPL历史上最具争议性的话题，而答案是**“兼而有之”**。

“限制论”的观点：

**挤占了生存空间：**这是最直观的影响。当LPL的顶级队伍习惯性地将中单、上单等关键C位留给韩援时（例如曾经的“中单必须说韩语”的梗），本土有潜力的新人就更难获得登场机会。一个位置只有一个人能上场，韩援的优先级的确在一定程度上“扼杀”了部分本土天才的上升通道。
**沟通成本与战术单一：**早期的“三带二”模式（三名中国选手带两名韩国选手）常常导致沟通不畅。队伍的战术风格有时也会因为迁就韩援的习惯而变得单一，缺乏LUP（本土）选手那种“敢打敢拼”的LPL式风格。

“促进论”的观点：

提升了本土选手的“下限”和“上限”： LPL的本土选手（如Tian, Ming, Knight）是在与Rookie, Doinb, Ruler, Viper这些选手朝夕相处、同场竞技中成长起来的。他们在S赛上面对的对手，可能还不如他们日常训练赛的队友强大。这种高强度的内部对抗，是LPL本土人才（尤其是辅助和打野位）井喷式爆发的关键原因。
**LPL的“造血”能力已是世界第一：**事实是，LPL现在拥有全球最大、最完善的青训体系（LDL）。LPL已经不缺“人”，缺的是最顶尖的“塔尖”选手。韩援的引入，正是为了补足这“塔尖”的最后一块拼图。同时，LPL的“同化”能力极强，Rookie和Doinb最终都成为了“LPL的本土选手”。

总的来看，LPL通过引入韩援，用“空间”换来了“时间”。它牺牲了部分本土选手的短期上场机会，但换来了整个赛区竞技水平的飞速提升和三次S赛冠军，并最终反哺了自身的青训体系。

“全华班”：一种近乎偏执的本土荣耀情结

如果说引入韩援是“理性”的竞技选择，那么追求“全华班”就是“感性”的民族情结。将这种渴望简单归为“执念”并不全面，它背后有深刻的文化和历史根源。

1. 体育的本质是“国家/地区对抗” 无论是传统体育（如奥运会）还是电子竞技，当它上升到国际赛事的舞台时，天然就带有国家/地区荣誉的色彩。观众在观看比赛时，寻求的不仅是竞技的快感，更是一种“我（们）的人”赢了的身份认同。

2. “我们自己也能赢”的终极证明 LPL已经通过“中韩结合”的方式证明了自己可以夺冠。但“全华班夺冠”是另一个维度的叙事：它意味着LPL赛区从选手、教练、战术到青训体系的全方位胜利。这是一种“不需要外力，我们靠自己也能站上世界之巅”的终极证明。

3. 历史的遗憾与RNG的“造神” “全华班”的执念，与RNG战队（尤其是Uzi时期的RNG）的叙事深度绑定。在S8，那支全华班的RNG拿下了MSI冠军，让无数LPL观众看到了“全华班S赛夺冠”的最大希望。虽然S8最终折戟，但那种“只差一点点”的遗憾，反而强化了这种执念。

4. 亚运会的催化 2018年雅加达和2023年杭州亚运会，《英雄联盟》项目都要求必须是“全华班”阵容出战。当电竞与“为国争光”的传统体育模式结合时，“全华班”就从一种“粉丝的期待”上升到了“国家队的标准”，这进一步加深了观众对本土阵容的认同感。

结论：从“借力”到“正名”

LPL引入韩援，是其发展初期为了快速追赶、实现“弯道超车”的必然策略，这一策略已经被S8、S9、S11的冠军奖杯证明是绝对成功的。

韩援的加入没有“限制”LPL的发展，反而通过“鲶鱼效应”和“内部教学”，极大加速了LPL本土人才的成长，使LPL成为了如今公认的第一赛区。

而对“全华班”的执念，并非狭隘的排外主义，而是一种本土自信达到顶峰后，对“终极荣耀”的渴望。它代表着LPL观众希望看到这个赛区从“依赖外援”走向“人才自给自足并登顶”的完美闭环。

LPL的故事，是全球化与本土化交织的缩影。我们享受着Ruler、Scout带来的极致操作，也同样会为2018年RNG和2023年亚运会代表队的“全华班”而热泪盈眶。这并不矛盾，这只是一个赛区在从“学生”成长为“大师”的道路上，不同阶段的不同追求而已。

破茧而出：从小米17的更名，看华为与小米的高端博弈

Fri, 19 Sep 2025 10:15:36 +0800

在一个信息爆炸的时代，我们每个人都或多或少地生活在自己的“信息茧房”里。算法为我们推荐感兴趣的内容，久而久之，我们的视野便被无形地收窄。而这种现象，在智能手机市场似乎也同样适用——品牌的忠诚度、媒体的导向、社群的声量，都在为消费者编织着一个又一个“茧房”。

然而，最近小米的一个举动，却像一块投入平静湖面的石头，激起了层层涟漪，试图打破这层无形的壁垒。

提示词：信息茧房、小米手机改名字16改成17，肯定不是临时动作，那么多备货，华为的高端之路？小米的高端之路，最终还是靠产品力说话

小米的“阳谋”：跳过16，直面17

小米将即将发布的新一代旗舰，毅然决然地从“小米16”更名为“小米17”，其意图昭然若揭——直接对标苹果的iPhone 17。这绝非一次心血来潮的临时起意。对于一家体量如此巨大的公司而言，任何一款旗舰产品的命名、备货、营销，都是一个牵一发而动全身的庞大工程。数以百万计的包材、宣传物料、渠道沟通，都需要提前数月甚至一年进行规划。

这次更名，是小米精心策划的“阳谋”，更是一次品牌战略上的豪赌。它传递出一个清晰的信号：小米不再满足于“性价比”的标签，而是要以一种“正面硬刚”的姿态，闯入由苹果和华为长期占据的高端市场腹地。

通过在数字上与iPhone看齐，小米试图打破消费者的惯性思维，将自己的产品直接置于与顶级旗舰相同的对话语境中。这背后，是小米对自身产品力的一次高调自信的宣言，也是其冲击高端市场五年以来，最为激进和决绝的一次尝试。

华为的高端之路：在逆境中重塑辉煌

提到高端市场，华为是绕不开的话题。在经历了众所周知的外部压力后，华为的高端之路走得异常艰难，却也异常坚定。凭借着在影像技术上的持续深耕和自研芯片的突破，华为Pura和Mate系列依旧是高端市场的标杆性产品。

华为的策略，更像是一种“内功”的修炼。它通过构建强大的技术护城河，如XMAGE影像品牌、昆仑玻璃、鸿蒙操作系统等，来打造产品的核心差异化。即便是面对供应链的巨大挑战，华为依然通过产品力的不断提升，凝聚了极高的用户忠诚度。

如今，华为在中国高端市场的份额正在稳步回升，这本身就是一个关于坚韧和产品力胜利的故事。它的高端之路，是依靠技术创新和品牌韧性，在逆境中一步一个脚印走出来的。

高端之争，终究是“产品力”的较量

无论是小米的“一步到位”，还是华为的“稳扎稳打”，他们冲击高端的路径不尽相同，但最终的落脚点，必然是“产品力”。

高端用户之所以愿意支付更高的价格，购买的不仅仅是一个品牌标识，更是对产品背后技术、体验、设计和服务的全方位认可。营销的喧嚣过后，真正能留住用户的，是实实在在的体验。

让我们将目光聚焦到产品本身：

影像能力： 华为Pura 70 Ultra凭借其独特的伸缩摄像头和强大的XMAGE影像系统，在手机摄影领域持续领跑。而小米17系列，同样搭载了与徕卡深度合作的影像系统，并辅以全新的传感器和算法，其目标是挑战行业顶级水准。
核心性能： 小米17率先搭载了高通最新的骁龙旗舰芯片，在性能释放上拥有天然的优势。而华为则依靠其自研芯片的迭代，在功耗和系统协同上展现出独特的竞争力。
屏幕与设计： 双方都在屏幕素质、机身材质和设计语言上不遗余力。昆仑玻璃的坚固耐用，与小米在屏幕显示技术上的持续投入，都成为了各自产品的鲜明标签。
生态体验： 鸿蒙系统的分布式能力为华为打造了无缝的生态体验，而小米的HyperOS同样在努力构建自己的智能生态闭环。

营销策略可以打破消费者的“信息茧房”，让更多人看到一个品牌的雄心和改变。但要真正让消费者“破房而出”，心甘情愿地转换门庭，最终还是要靠过硬的产品力，去提供一个无法拒绝的选择。

小米将数字“16”变成了“17”，这不仅仅是一个名字的改变，更是其品牌心态和市场策略的一次跃迁。而华为，则在风雨中重塑了其高端品牌的根基。这场双雄在中国高端手机市场的博弈，才刚刚进入最精彩的篇章。

对于消费者而言，这无疑是一个好消息。当巨头们都放下姿态，将目光重新聚焦于产品本身，我们最终将迎来一个更加百花齐放、体验为王的美好时代。而谁能在这场高端之战中笑到最后，时间，和每一位用户的指尖，会给出最终的答案。

Keepalived+HAProxy 搭建高可用负载均衡

Fri, 19 Sep 2025 09:45:55 +0800

在现代互联网架构中，高可用性是系统设计的重要考量。本文将详细介绍如何使用Keepalived和HAProxy搭建高可用负载均衡集群，确保服务的连续性和可靠性。

实际配置部分没有落地验证，文章正文规划依赖AI完成

技术简介

Keepalived 简介

Keepalived是一个基于VRRP（Virtual Router Redundancy Protocol）协议的高可用解决方案，主要用于实现服务器的故障切换和负载均衡。

主要特性：

VRRP协议支持：实现虚拟IP的主备切换
健康检查：监控服务状态，自动故障转移
配置简单：通过配置文件即可实现复杂的高可用架构
轻量级：资源占用少，性能优异

工作原理： Keepalived通过VRRP协议在多台服务器之间共享一个虚拟IP地址。正常情况下，主服务器持有虚拟IP并提供服务；当主服务器发生故障时，备用服务器会自动接管虚拟IP，确保服务不中断。

HAProxy 简介

HAProxy是一个高性能的负载均衡器和反向代理服务器，广泛应用于高并发场景。

主要功能：

负载均衡：支持多种负载均衡算法
健康检查：实时监控后端服务器状态
SSL终结：支持HTTPS流量处理
统计监控：提供详细的运行状态统计

应用场景：

Web服务负载均衡
数据库连接池
微服务网关
API接口代理

架构设计

整体架构

                    ┌─────────────────┐
                    │   Client        │
                    └─────────┬───────┘
                              │
                    ┌─────────▼───────┐
                    │  Virtual IP     │
                    │  (VIP)          │
                    └─────────┬───────┘
                              │
              ┌───────────────┼───────────────┐
              │               │               │
    ┌─────────▼───────┐              ┌─────────▼───────┐
    │   HAProxy-1     │              │   HAProxy-2     │
    │  (Master)       │◄────────────►│   (Backup)      │
    │  + Keepalived   │   VRRP       │  + Keepalived   │
    └─────────┬───────┘              └─────────┬───────┘
              │                                │
              └──────────┬─────────────────────┘
                         │
        ┌────────────────┼────────────────┐
        │                │                │
┌───────▼───────┐ ┌──────▼──────┐ ┌───────▼───────┐
│  Web Server 1 │ │ Web Server 2│ │  Web Server 3 │
│   Backend     │ │   Backend   │ │   Backend     │
└───────────────┘ └─────────────┘ └───────────────┘

组件说明

虚拟IP (VIP)：客户端访问的统一入口
HAProxy主备节点：提供负载均衡服务，通过Keepalived实现高可用
后端服务器：实际提供服务的Web服务器

环境准备

服务器规划

角色	IP地址	主机名	服务
HAProxy主节点	192.168.1.10	lb-master	HAProxy + Keepalived
HAProxy备节点	192.168.1.11	lb-backup	HAProxy + Keepalived
虚拟IP	192.168.1.100	-	VIP
Web服务器1	192.168.1.20	web1	Nginx/Apache
Web服务器2	192.168.1.21	web2	Nginx/Apache
Web服务器3	192.168.1.22	web3	Nginx/Apache

软件安装

在HAProxy主备节点上安装必要软件：

# CentOS/RHEL
yum install -y haproxy keepalived

# Ubuntu/Debian
apt-get update
apt-get install -y haproxy keepalived

# 启用服务开机自启
systemctl enable haproxy keepalived

Keepalived 配置

主节点配置 (lb-master)

创建配置文件 /etc/keepalived/keepalived.conf：

! Configuration File for keepalived

global_defs {
    router_id LB_MASTER
    script_user root
    enable_script_security
}

# 检查HAProxy服务状态的脚本
vrrp_script chk_haproxy {
    script "/etc/keepalived/check_haproxy.sh"
    interval 2
    weight -2
    fall 3
    rise 2
}

vrrp_instance VI_1 {
    state MASTER
    interface eth0
    virtual_router_id 51
    priority 100
    advert_int 1
    authentication {
        auth_type PASS
        auth_pass mypassword123
    }
    
    virtual_ipaddress {
        192.168.1.100/24
    }
    
    track_script {
        chk_haproxy
    }
    
    notify_master "/etc/keepalived/notify.sh master"
    notify_backup "/etc/keepalived/notify.sh backup"
    notify_fault "/etc/keepalived/notify.sh fault"
}

备节点配置 (lb-backup)

创建配置文件 /etc/keepalived/keepalived.conf：

! Configuration File for keepalived

global_defs {
    router_id LB_BACKUP
    script_user root
    enable_script_security
}

vrrp_script chk_haproxy {
    script "/etc/keepalived/check_haproxy.sh"
    interval 2
    weight -2
    fall 3
    rise 2
}

vrrp_instance VI_1 {
    state BACKUP
    interface eth0
    virtual_router_id 51
    priority 90
    advert_int 1
    authentication {
        auth_type PASS
        auth_pass mypassword123
    }
    
    virtual_ipaddress {
        192.168.1.100/24
    }
    
    track_script {
        chk_haproxy
    }
    
    notify_master "/etc/keepalived/notify.sh master"
    notify_backup "/etc/keepalived/notify.sh backup"
    notify_fault "/etc/keepalived/notify.sh fault"
}

健康检查脚本

创建HAProxy健康检查脚本 /etc/keepalived/check_haproxy.sh：

#!/bin/bash

# 检查HAProxy进程是否运行
if [ $(ps -C haproxy --no-header | wc -l) -eq 0 ]; then
    # 尝试启动HAProxy
    systemctl start haproxy
    sleep 2
    
    # 再次检查，如果还是没有运行则退出
    if [ $(ps -C haproxy --no-header | wc -l) -eq 0 ]; then
        exit 1
    fi
fi

# 检查HAProxy端口是否监听
if ! netstat -tuln | grep -q ":80 "; then
    exit 1
fi

exit 0

状态通知脚本

创建状态通知脚本 /etc/keepalived/notify.sh：

#!/bin/bash

TYPE=$1
NAME=$2
STATE=$3

case $STATE in
    "MASTER")
        echo "$(date): Became MASTER" >> /var/log/keepalived-state.log
        ;;
    "BACKUP")
        echo "$(date): Became BACKUP" >> /var/log/keepalived-state.log
        ;;
    "FAULT")
        echo "$(date): Fault detected" >> /var/log/keepalived-state.log
        ;;
    *)
        echo "$(date): Unknown state: $STATE" >> /var/log/keepalived-state.log
        ;;
esac

设置脚本执行权限：

chmod +x /etc/keepalived/check_haproxy.sh
chmod +x /etc/keepalived/notify.sh

HAProxy 配置

主配置文件

在主备节点上创建相同的HAProxy配置文件 /etc/haproxy/haproxy.cfg：

global
    log 127.0.0.1:514 local0
    chroot /var/lib/haproxy
    stats socket /run/haproxy/admin.sock mode 660 level admin
    stats timeout 30s
    user haproxy
    group haproxy
    daemon

defaults
    mode http
    log global
    option httplog
    option dontlognull
    option log-health-checks
    option forwardfor except 127.0.0.0/8
    option redispatch
    retries 3
    timeout http-request 10s
    timeout queue 1m
    timeout connect 10s
    timeout client 1m
    timeout server 1m
    timeout http-keep-alive 10s
    timeout check 10s
    maxconn 3000

# 统计页面配置
listen stats
    bind *:8080
    stats enable
    stats uri /stats
    stats realm HAProxy\ Statistics
    stats auth admin:password123
    stats refresh 30s

# 前端配置
frontend web_frontend
    bind *:80
    default_backend web_servers

# 后端服务器配置
backend web_servers
    balance roundrobin
    option httpchk GET /health
    
    server web1 192.168.1.20:80 check inter 2000 rise 2 fall 3
    server web2 192.168.1.21:80 check inter 2000 rise 2 fall 3
    server web3 192.168.1.22:80 check inter 2000 rise 2 fall 3

配置说明

全局配置：

log：日志配置
chroot：安全沙箱
stats socket：管理接口
daemon：后台运行

默认配置：

mode http：HTTP模式
balance roundrobin：轮询负载均衡
option httpchk：HTTP健康检查
timeout：各种超时设置

后端服务器：

check：启用健康检查
inter 2000：检查间隔2秒
rise 2：连续2次成功标记为可用
fall 3：连续3次失败标记为不可用

服务启动与测试

启动服务

在主备节点上启动服务：

# 启动HAProxy
systemctl start haproxy
systemctl status haproxy

# 启动Keepalived
systemctl start keepalived
systemctl status keepalived

验证VIP绑定

检查虚拟IP是否正确绑定：

# 在主节点查看IP地址
ip addr show

# 应该能看到类似输出：
# eth0: <BROADCAST,MULTICAST,UP,LOWER_UP> mtu 1500 qdisc pfifo_fast state UP group default qlen 1000
#     inet 192.168.1.10/24 brd 192.168.1.255 scope global eth0
#     inet 192.168.1.100/24 scope global secondary eth0:0

功能测试

1. 负载均衡测试

# 多次访问VIP，观察请求分发
for i in {1..10}; do
    curl -s http://192.168.1.100/ | grep "Server"
done

2. 故障切换测试

# 在主节点停止HAProxy服务
systemctl stop haproxy

# 观察VIP是否切换到备节点
ip addr show

# 测试服务是否正常
curl http://192.168.1.100/

3. 后端服务器故障测试

# 停止其中一台Web服务器
# 在web1服务器上：
systemctl stop nginx

# 观察HAProxy统计页面
curl http://192.168.1.100:8080/stats

监控与维护

日志监控

HAProxy日志

# 查看HAProxy日志
tail -f /var/log/haproxy.log

# 查看访问统计
grep "HTTP/1.1" /var/log/haproxy.log | tail -20

Keepalived日志

# 查看Keepalived日志
tail -f /var/log/messages | grep keepalived

# 查看状态变化日志
tail -f /var/log/keepalived-state.log

性能监控

统计页面监控

访问HAProxy统计页面：http://192.168.1.100:8080/stats

关键指标：

Session Rate：会话速率
Session Total：总会话数
Bytes In/Out：流量统计
Response Time：响应时间
Server Status：服务器状态

命令行监控

# 查看HAProxy进程状态
ps aux | grep haproxy

# 查看端口监听状态
netstat -tuln | grep -E "(80|8080)"

# 查看连接数
ss -ant | grep :80 | wc -l

常见问题排查

1. VIP无法切换

问题现象： 主节点故障后，VIP没有切换到备节点

排查步骤：

# 检查Keepalived配置
keepalived -t -f /etc/keepalived/keepalived.conf

# 查看VRRP通信
tcpdump -i eth0 vrrp

# 检查防火墙设置
iptables -L | grep vrrp

解决方案：

确保VRRP协议通信正常
检查网络接口配置
验证认证密码一致性

2. 健康检查失败

问题现象： 后端服务器被标记为不可用

排查步骤：

# 手动执行健康检查
curl -I http://192.168.1.20/health

# 查看HAProxy日志
grep "Health check" /var/log/haproxy.log

解决方案：

确保健康检查URL可访问
调整检查间隔和阈值
检查后端服务器状态

3. 负载不均衡

问题现象： 请求没有均匀分发到后端服务器

排查步骤：

# 查看统计页面
curl -s http://192.168.1.100:8080/stats

# 分析访问日志
awk '{print $6}' /var/log/haproxy.log | sort | uniq -c

解决方案：

检查负载均衡算法配置
验证服务器权重设置
考虑会话保持需求

优化建议

1. 性能优化

# 调整系统参数
echo 'net.core.somaxconn = 65535' >> /etc/sysctl.conf
echo 'net.ipv4.tcp_max_syn_backlog = 65535' >> /etc/sysctl.conf
sysctl -p

# 优化HAProxy配置
# 增加maxconn值
# 调整timeout参数
# 启用压缩功能

2. 安全加固

# 限制统计页面访问
# 在haproxy.cfg中添加ACL规则
acl allowed_ips src 192.168.1.0/24
http-request deny if !allowed_ips

# 启用SSL/TLS
bind *:443 ssl crt /etc/ssl/certs/server.pem
redirect scheme https if !{ ssl_fc }

3. 监控告警

# 集成监控系统
# 配置Prometheus监控
# 设置Grafana仪表板
# 配置告警规则

总结

通过Keepalived和HAProxy的组合，我们成功构建了一个高可用的负载均衡集群。这个方案具有以下优势：

高可用性：通过VRRP协议实现自动故障切换
负载均衡：智能分发请求，提高系统性能
健康检查：实时监控服务状态，自动剔除故障节点
易于维护：配置简单，管理方便
成本效益：使用开源软件，降低运维成本

在生产环境中部署时，还需要考虑网络安全、监控告警、备份恢复等方面的完善，以确保系统的稳定可靠运行。

从美团亏损到债券错配

Thu, 18 Sep 2025 19:19:10 +0800

在波诡云谲的股市中，我们常常以信仰和预期作为航标，试图穿越迷雾，抵达财富的彼岸。然而，当航行偏离了罗盘的指引，便容易迷失方向，甚至触礁。这篇随笔，正是关于一次这样的航行，它始于对小米的执着，却在资本的浪潮中几经沉浮。

信仰与现实的交锋：小米的得与失

六月，我带着对雷总的信仰和对小米电动汽车未来的美好憧憬，毅然决然地在高位买入了小米。彼时，信仰的力量是强大的，它让我暂时忘记了雷总作为资本家的精明，也忽略了最高位闪电配售所带来的风险。幸运的是，几次波段操作都以小幅盈利告终，这给了我初入港股市场的一点甜头。

然而，蜜汁自信也随之而来。在小赚了一笔九方股票后，我开始变得有些昏头，决策不再基于理性的分析，而是仅仅依赖于港股通净买入资金流这一单一指标。

港股基础的财报日、美联储降息会议，这些关键要素，短期内我都未能纳入考量。

美团的“滑铁卢”与盲目补仓

在资金流的指引下，我将目光投向了美团。但这次，我没有深入研究公司的财务数据、历史走势，甚至没有意识到当时正在爆发的外卖大战。当股价开始下跌，我并没有及时止损，反而无脑地追加了仓位。

港股一手股票价格动辄两三万港币，资金的限制让我无法自如地进行仓位管理，这无疑让我在美团上的亏损雪上加霜。这个教训让我深刻地认识到，在港股市场，盲目补仓就像是在一个不断漏水的浴缸里，试图用更多的水去填满它，结果只会让水流失得更快。

“傻人傻福”的意外收获

就在我为美团的亏损而焦虑时，一个意外的插曲出现了——我买入了阿里巴巴。虽然没有拿住，但我及时卖出，用这笔收益弥补了美团的部分亏损。这或许就是所谓的“傻人有傻福”，它让我得以从美团的泥潭中暂时抽身。

理财：比投资更重要的基本功

除了股市的起伏，这次经历也让我重新审视了自己的理财方式。当时，我将一笔用于短期应急的保险资金，投入了华夏的债券。这笔资金本应在两个月后用于缴费，而债券的短期持有收益率并不高，还会面临流动性的问题。如果当时选择将这笔钱存入货币基金，不仅可以获得更稳定的收益，还能随时赎回，更好地应对资金需求。

美股的合拆股理解起来不顺畅

Wed, 13 Aug 2025 22:09:31 +0800

作为中国人，在看到英文财经资讯，美股公司行动相关的资料，为什么合股要这样写：NAOV reverse stock split: 1 for 10，是英文特有的语法吗，不符合中文的语法习惯，据此，你再解释下拆股

您好！这是一个非常好的问题，很多以中文为母语的投资者在初次接触英文财经资讯时都会有同样的困惑。这确实是英文在财经领域的一种特定表达习惯，和中文的语序有很大不同。

我来为您详细解释一下。

为什么合股要写成 “1 for 10”？

首先，我们来拆解这个表达方式：A for B

在这个结构里：

A 代表你 将要得到的新东西 (the result)。
B 代表你 需要付出的旧东西 (the cost/exchange)。
for 这个词在这里的意思是“用来交换”(in exchange for)。

所以，“1 for 10 reverse stock split” 的直接翻译就是：“1股新股，用来交换10股旧股”。

换句话说，就是您的 每10股旧股票，将被合并成1股新股票。这正是中文里“10合1”或“10股并1股”的意思。

语法习惯对比

英文习惯 (结果 for 原因/代价)：把“得到的结果”放在前面，把“付出的代价”放在后面。例如 You get 1 new share for your 10 old shares. 新闻标题为了简洁，就缩写成了 1 for 10。
中文习惯 (原因/代价 -> 结果)：倾向于按时间或逻辑顺序，先把“原来的状态”说出来，再说“之后的结果”。例如“（原来的）10股合并成（现在的）1股”。

所以，这并不是一个普遍的英文语法，而是在商业和金融领域表示“交换比率”时非常常见的一种惯例和简写。

举例说明 (NAOV 1 for 10 Reverse Stock Split):

假设在合股前，您持有1000股NAOV公司的股票，当时股价为$0.5美元/股。

总资产价值：1000股 * $0.5/股 = $500美元

合股（1 for 10）之后：

您的持股数量：1000股 / 10 = 100股
每股价格（理论上）：$0.5/股 * 10 = $5美元/股
总资产价值：100股 * $5/股 = $500美元

结论：合股的主要目的是提高单股的股价，它会减少您持有的股票数量，但（在不考虑市场波动的情况下）您的总资产价值是保持不变的。公司通常为了满足交易所最低股价要求（比如纳斯达克要求股价维持在$1以上）而进行合股。

拆股 (Stock Split) 的解释

理解了合股的逻辑后，拆股就很容易明白了。拆股是合股的相反操作。

英文通常会这样写：2 for 1 stock split 或者 3 for 1 stock split。

使用我们上面学到的 A for B 结构来解读：

2 for 1 stock split 的意思就是：“你会得到2股新股，用来交换你手上的1股旧股”。

这正是中文里“1拆2”或“1股拆为2股”的意思。

举例说明 (某公司 2 for 1 Stock Split):

假设在拆股前，您持有100股某公司的股票，当时股价为$200美元/股。

总资产价值：100股 * $200/股 = $20,000美元

拆股（2 for 1）之后：

您的持股数量：100股 * 2 = 200股
每股价格（理论上）：$200/股 / 2 = $100美元/股
总资产价值：200股 * $100/股 = $20,000美元

结论：拆股的目的是降低单股的股价，使其对小额投资者更具吸引力，从而增加股票的流动性。它会增加您的持股数量，但同样地，您的总资产价值保持不变。

总结

公司行动	中文说法	英文写法示例	英文含义	对持股数量的影响	对每股股价的影响
合股 (Reverse Split)	10合1	`1 for 10`	用10股旧股换1股新股	减少	升高
拆股 (Stock Split)	1拆2	`2 for 1`	用1股旧股换2股新股	增加	降低

希望这个解释能帮助您更好地理解英文财经资讯！这确实是一个需要转换一下思维方式才能习惯的表达。

港股佣金自由化和市场竞争

Wed, 13 Aug 2025 21:47:51 +0800

“同个合约代码，同方向的交易，佣金仅收取一笔”的这种做法，在券商业内通常被称为**“合并佣金”（Commission Aggregation / Combined Commission）。这并非香港交易所或监管机构的硬性规定，而是市场竞争和券商为优化客户体验而形成的业务惯例**。

港股券商，同个合约代码，同方向的交易，佣金仅收取一笔，这是有什么历史业务背景吗

核心历史转折点：2003年取消最低佣金制度

这是理解这个问题的最重要背景。

改革前（2003年4月1日以前）： 香港证券市场实行最低佣金制度。当时规定，经纪商必须向客户收取不低于交易金额0.25%的佣金。在这个时期，所有券商的佣金费率基本被锁定在同一水平线，竞争主要体现在研究能力、客户关系和服务质量上，价格战几乎不存在。因此，当时并没有动力去为客户合并计算佣金。
改革后（2003年4月1日以后）： 香港交易所正式取消了最低佣金制度，允许券商与客户自由议定佣金费率。这一改革瞬间引爆了香港证券业的竞争，尤其是佣金价格战。

激烈市场竞争的产物

取消最低佣金后，券商（特别是新兴的互联网券商）为了吸引客户，采取了各种创新的定价策略，“合并佣金”就是其中一项极具吸引力的举措。

吸引活跃交易者： 对于高频交易者或者喜欢对同一只股票进行分批买入/卖出（例如为了避免单笔大单对市场价格造成冲击）的投资者来说，按每笔交易收费会极大地增加交易成本。“合并佣金”政策完美地解决了这个痛点，使得投资者可以在一天内灵活地建立或平掉仓位，而不用担心被收取多次佣金。
降低客户交易成本： 这是最直接的目的。通过合并计算，客户的实际佣金支出显著降低，使得券商的平台在成本上更具竞争力。
提升客户体验和忠诚度： 这种对客户有利的政策，大大提升了用户体验，让客户感觉券商是在为自己着想，从而增强了客户的黏性和忠诚度。

业务逻辑与券商利益

虽然表面上看券商减少了收入，但从整体业务逻辑来看是双赢的：

薄利多销： 降低单次交易的有效成本可以刺激客户更频繁地交易，从而提升总体交易量。券商虽然在单笔佣金上“让利”，但可以通过总交易额的增加来弥补，并赚取其他费用，如平台使用费、融资融券利息等。
获取市场份额： 在竞争激烈的市场中，尤其是对于新晋的互联网券商而言，低佣金和优惠政策是快速获取用户、抢占市场份额的最有效手段。

需要注意的关键点

并非所有券商都提供： 虽然“合并佣金”已成为主流做法，但这仍然是券商的商业决策，并非强制规定。一些传统券商或银行的证券服务可能仍按笔收费，因此投资者在选择券商时需要仔细阅读其收费明细。
仅限“佣金”部分： 请务必注意，合并计算的仅仅是券商收取的“佣金”（Brokerage Commission）。其他由政府或交易所收取的“固定费用”是按笔计算且无法合并的，主要包括：
- 印花税 (Stamp Duty): 0.1% (买卖双方均需支付，向上取整到元)
- 交易征费 (SFC Transaction Levy): 0.0027% (由证监会收取)
- 交易费 (HKEX Trading Fee): 0.00565% (由港交所收取)
- 会财局交易征费 (FRC Transaction Levy): 0.00015% (由会财局收取)

总结来说，港股券商的“合并佣金”政策，其历史根源在于2003年最低佣金制度的废除。它是在市场自由化和白热化竞争环境下，券商为了降低客户成本、提升服务体验、吸引和留住客户而推出的一项重要的商业策略，是香港金融市场从传统走向现代、从高门槛走向普惠的一个缩影。

股票和数字货币在交易与清算上的巨大差异

Mon, 28 Jul 2025 18:28:54 +0800

要真正理解传统股票和数字货币在交易与清算上的巨大差异，我们需要深入了解构成它们各自生态系统的核心“部件”和“规则”。我们可以将其看作两套完全不同的游戏：一套是规则严谨、多方协作的“专业联赛”；另一套是代码即法律、人人皆可参与的“开放世界”。

针对前面两个问题，有没有其他的基础知识，能补充拓展的，也整理下资料，给我讲讲

第一部分：传统股票市场的基石——一个由专业机构组成的信任链条

传统金融市场的核心是**“信任”和“中介”**。整个系统被设计成一个多层次的结构，每个环节都由受监管的专业机构扮演特定角色，以确保市场的稳定和安全。

核心参与者 (The Players)

您 (投资者): 交易的起点和终点。
券商 (Broker): 您进入市场的唯一门户。您不能直接去上交所或纽交所买股票，必须通过持有牌照的券商。券商为您执行交易指令，并保管您的资金和证券（作为名义持有人）。
证券交易所 (Stock Exchange): 市场的**“交易大厅”**。例如纽约证券交易所(NYSE)、纳斯达克(NASDAQ)。它的主要职能是提供一个公平、公开的场所，让买卖双方的报价在这里相遇（撮合），从而发现价格。交易所只负责撮合交易，不负责后续的资金和股票转移。
中央对手方清算机构 (CCP - Central Counterparty): 市场的**“风险担保人”**。这是风险管理的核心。交易达成后，CCP会介入到所有买家和卖家之间，自己成为“所有买家的卖家”和“所有卖家的买家”。这样，任何一方的违约风险都由CCP来承担，避免了风险在市场中像多米诺骨牌一样蔓延。
中央证券存管机构 (CSD - Central Securities Depository): 市场的**“终极金库”和“总登记处”**。例如美国的DTCC和中国的中证登。这是一个至关重要的机构，它以电子化的方式集中登记和托管了整个市场绝大部分的证券。

核心概念：证券的“无纸化”与“非移动化”

无纸化 (Dematerialization): 今天您买的股票早已不是一张张的纸质凭证，而是CSD数据库里的一串电子记录。
非移动化 (Immobilization): 这是理解交收的关键。当交收发生时，并非真的有“电子股票文件”从一个券商的服务器发送到另一个券商的服务器。实际上，所有的股票都“固定”存放在CSD这个中央金库里。交收的过程，仅仅是CSD在其总账本上，将股票从卖家券商的总账户（Omnibus Account）名下，划拨到买家券商的总账户名下。然后，您的券商再更新它自己的内部客户账本，记录您名下多了这些股票。

这个多层级、分工明确的结构，虽然带来了时间上的延迟（T+N），但却建立了一套强大而成熟的风险隔离和管理机制，是现代金融市场能够平稳运行的基石。

第二部分：数字货币市场的基石——代码与密码学构建的“去信任”体系

数字货币旨在减少甚至消除对传统中介机构的依赖，其基础是**“密码学证明”而非“机构信用”**。

核心技术 (The Technology)

区块链 / 分布式账本 (Blockchain / DLT): 把它想象成一个分布在全球各地、由无数人共同维护、且内容无法篡改的公共记账本。每一笔交易都被公开记录，任何人都可以查验，但没有任何单一个人或机构可以控制它。
公钥与私钥 (Public & Private Keys): 这是您在数字货币世界中资产所有权的唯一证明。
- 公钥 (Public Key): 相当于您的银行账号。您可以安全地分享给任何人，用来接收数字货币。您的钱包地址就是由公钥生成的。
- 私钥 (Private Key): 相当于您的银行密码+U盾+签名的组合，是您动用资产的唯一钥匙。谁掌握了私钥，谁就拥有了对应地址上资产的绝对控制权。 这也是加密世界黄金法则**“Not your keys, not your coins”**（不是你的私钥，就不是你的币）的由来。
加密钱包 (Crypto Wallet): 它本身不存储任何“币”（币永远在区块链上）。钱包的本质是一个管理您私钥的工具，并帮助您用私钥去签名交易，从而与区块链网络进行交互。
智能合约 (Smart Contract): 这是一段自动执行的程序代码，部署在区块链上。它的逻辑是“如果…那么…”（IF-THEN）。例如，一个去中心化交易所的智能合约可以规定：“如果我收到A用户转来的1个ETH，那么我将自动向A用户的地址发送2000个USDC”。整个过程由代码自动强制执行，无需人工干预，也无需信任任何人。

核心规则：共识机制 (Consensus Mechanism)

在没有中央服务器的情况下，网络中的成千上万个节点如何就哪笔交易是合法的达成一致？这就是共识机制的作用。最常见的两种是：

工作量证明 (Proof of Work - PoW): 以比特币为代表。通过让“矿工”进行大量的哈希运算（像解一道极难的数学题）来竞争记账权。第一个解出题目的矿工可以把最新的交易打包成一个区块，并广播给全网，其他节点验证后接纳。这种方式极其耗能，但提供了极高的安全性。
权益证明 (Proof of Stake - PoS): 以太坊升级后采用。不再依赖算力竞赛，而是让持有并“质押”代币的“验证者”来轮流创建和验证区块。质押的代币越多，被选中记账的概率就越大。如果作恶，其质押的代币将被罚没。这种方式更节能、高效。

总结与对比

为了更清晰地理解，我们可以用一张表格来总结两者的根本不同：

特征	传统股票市场	数字货币市场
资产形态	在CSD中的电子簿记 (Dematerialized)	区块链上的原生数字通证 (Natively Digital)
所有权证明	券商账本记录 (受益所有权)	对私钥的控制 (直接所有权)
信任模型	信任受监管的法律和金融机构	信任开源的代码和密码学证明 (“去信任”)
核心账本	由CSD维护的中心化账本	由全网节点共同维护的分布式账本
交易对手方	CCP (中央对手方)	交易的另一方或智能合约
核心驱动力	机构信用 (Institutional Credit)	算法与密码学 (Algorithm & Cryptography)

通过以上补充，您可以看到，传统金融通过建立一套复杂的“信任链条”来管理风险和完成交收；而数字货币则另辟蹊径，试图用技术手段（密码学和分布式网络）来构建一个无需中介的“自证清白”的体系。这两种截然不同的底层逻辑，决定了它们在交易、清算、交收等所有环节上的天壤之别。

为什么传统的股票交易需要“交收”这一概念

Mon, 28 Jul 2025 00:18:46 +0800

在数字化浪潮席卷全球的今天，我们习惯了即时转账、秒速支付。因此，许多人感到困惑：为什么我点击“卖出”股票后，资金不能立即全额到账并可取用，而是要等待一两个交易日？这背后，正是传统股票交易中一个至关重要且历史悠久的概念——交收（Settlement）。

prompt: 为什么传统的股票交易，需要有交收的概念

简单来说，交易（Trade） 和 **交收（Settlement）**是两个独立的步骤。

交易： 指的是您在交易所下达买卖指令并成功撮合的那一刻。这时，您和对手方达成了一份具有法律约束力的合约，承诺在未来某个时间点交换股票和资金。
交收： 则是指合约承诺被最终履行的过程，即股票的所有权从卖家名下正式、不可撤销地转移到买家名下，同时资金也从买家账户正式、不可撤销地划转给卖家。

之所以需要将这两个步骤分开，并设立一个时间差（如T+1、T+2制度），其根源在于历史的演变和对金融风险的严谨管理。

历史根源：源自“纸”的时代

在计算机系统普及之前，股票是实实在在的纸质凭证。当一笔交易在交易所被口头或手势达成后，后续的工作是极其繁琐的：

物理运输： 卖方的经纪公司需要从金库中找到对应的股票凭证。
背书转让： 在凭证背面进行签字背书，证明所有权转让。
人工传递： 这些凭证和对应的支票需要由专人（信使）在城市中穿梭，送到买方的经纪公司。
验证核对： 买方经纪公司需要验证凭证的真伪和交易细节的准确性。

整个过程涉及大量的人工操作和物理转移，充满了延迟和不确定性。因此，设立一个几天（最初长达T+5）的交收周期，是完成这些复杂流程所必需的。1960年代末，华尔街曾因交易量暴增而陷入“文书工作危机”（Paperwork Crisis），大量交易无法按时完成交收，甚至导致交易所被迫缩短交易时间，这直接催生了现代电子化清算系统的建立。

现代核心：无可替代的风险管理

尽管今天所有交易都已电子化，但T+N的交收制度依然保留，因为它的核心功能已经从“等待物流”演变为管理金融体系的巨大风险。这个过程主要由一个关键角色——**中央对手方清算机构（Central Counterparty, CCP）**来完成，例如美国的存管信托和清算公司（DTCC）和中国的中国证券登记结算有限责任公司（中证登）。

交收制度主要为了规避以下核心风险：

对手方风险 (Counterparty Risk)

这是最根本的风险。如果您卖出股票，您如何能100%确定买家会按时付款？反之，买家又如何能100%确定卖家能拿出真实的股票来交付？如果任何一方违约，都可能引发连锁反应。

解决方案： 中央对手方（CCP）的介入。当交易发生后，CCP会“介入”到买家和卖家之间，它既是卖家的“买家”，又是买家的“卖家”。通过这种称为“合约更替”（Novation）的法律安排，原始买卖双方不再直接对彼此负责，而是分别对CCP负责。

对卖家而言： 只要把股票交给CCP，就一定能从CCP那里收到钱。
对买家而言： 只要把钱交给CCP，就一定能从CCP那里收到股票。

这样，单个参与者的违约风险就被CCP这个信用极高的中央机构所吸收，不会扩散到整个市场。

清算与轧差 (Clearing & Netting)

一个大型券商一天之内会处理数百万笔交易，有买有卖。如果每一笔交易都单独进行资金和证券的划转，系统将不堪重负。

解决方案： 在交收日之前进行“清算”。在交易日（T日）结束后，清算机构会把每个券商的所有买卖交易进行合并计算，即**“轧差”或“净额结算”**。例如，某券商当天总共为客户买入了价值10亿的股票，卖出了价值9.8亿的股票。那么在交收日，它只需要向清算机构支付2000万的资金差额，而不是进行19.8亿的资金互换。同理，股票的交收也会进行净额处理。这极大地提升了整个市场的运作效率，降低了流动性需求。

一笔股票交易的完整生命周期

让我们通过一个简单的例子，看看从交易到交收的全过程（以T+2为例）：

T日（交易日）： 您在上午10点点击“买入”100股某公司股票，并立刻成交。此时，您与卖家达成合约，但股票和资金的所有权尚未转移。
T日盘后 ~ T+1日（清算期）：
- 交易所将您的交易数据发送给中央清算机构（CCP）。
- CCP确认交易信息无误，并进行“合约更替”，成为您的交易对手方。
- CCP对您的券商当天所有的交易进行净额计算，并通知券商在T+2日需要交付多少资金和证券。
T+2日（交收日）：
- 上午，券商根据CCP的指令，将净额资金划转至CCP。
- CCP确认收到资金后，指令证券存管机构，将100股股票从卖家券商的账户划拨至您所在券商的账户。
- 券商在内部更新您的账户信息，显示您已持有这100股股票。

至此，交收完成，您才在法律意义上成为这100股股票的正式持有人，有权获得股息、参与投票等。

总而言之，传统的股票交易之所以需要“交收”这一概念，是历史实践与现代风险控制理论结合的产物。它从一个解决纸质凭证流转难题的机制，演变成了一个通过中央对手方和净额结算来保障整个金融市场稳定、高效运行的核心制度。这个看似“延迟”的设计，恰恰是保护每一位投资者免受对手方违约风险的关键防火墙。

数字货币的清算与交收：揭秘7x24小时不间断交易的背后机制

Mon, 28 Jul 2025 00:03:32 +0800

与有明确开盘、收盘时间的传统股票市场不同，数字货币市场以其7x24小时不间断交易的特性吸引了全球投资者的目光。这一特性也引发了一个核心问题：在没有“休市”概念的数字货币世界里，交易是如何进行清算和交收的？是否完全颠覆了传统金融中的这些概念？答案是，数字货币不仅有清算与交收，而且其实现方式和系统设计正是支撑其全天候交易的关键。

prompt: 股票交易是有交易时间的限制，数字货币724都能交易，数字货币如何进行清算的，是不是没有清算、交收的概念，系统又是如何设计的

核心区别：从T+2到实时交收

传统股票交易遵循“T+N”的交收制度（例如A股的T+1，美股的T+2），这意味着交易达成（T日）后，资金和证券的实际转移（交收）需要在一个或多个工作日后才能完成。在此期间，清算机构会进行轧差、计算各方应收应付的资金和证券。

数字货币则彻底改变了这一模式。其清算和交收的核心可以概括为**“交易即清算，清算即交收”**，这主要得益于其底层的区块链技术。

区块链：天然的实时全额清算系统

区块链本身可以被视为一个去中心化的、不可篡改的公共总账本。每一笔交易都被记录在一个“区块”中，并通过密码学方法链接到前一个区块，形成一条不可逆的“链”。这个过程具有以下关键特性：

实时性（Real-Time）： 一旦一笔交易被网络上的节点验证通过并打包进区块，资产的转移就随之完成。虽然根据不同区块链网络（如比特币、以太坊）的拥堵情况和出块速度，确认时间从几秒到几十分钟不等，但相较于传统金融的“T+N”已经是质的飞跃。
全额交收（Gross Settlement）： 与传统清算系统中的净额结算（Netting）不同，区块链上的每一笔交易都是独立、全额完成的。A转给B一个比特币，就是账本上明确记录A的地址减少一个，B的地址增加一个，不存在多方交易轧差后再划转的情况。
最终性（Finality）： 当一个区块被足够多的后续区块确认后，这笔交易就被认为是“最终的”和不可逆的。这意味着一旦交收完成，任何人都无法撤销或篡改。

因此，从根本上说，数字货币的交收发生在区块链上，由网络共识自动完成，无需传统意义上的中央清算对手方（CCP）或托管机构介入。

中心化与去中心化交易所：不同的清算交收路径

尽管底层技术是去中心化的，但用户进行数字货币交易的主要场所——交易所，却分为中心化（Centralized Exchange, CEX）和去中心化（Decentralized Exchange, DEX）两种，它们的清算交收机制有所不同。

中心化交易所（CEX）：内部清算 + 链上交收

当用户在币安（Binance）、Coinbase等中心化交易所进行交易时，实际上是在交易所内部的中心化账本上进行操作，而非直接在区块链上。

内部清算 (记账)： 用户将数字货币或法币充值到交易所后，交易所会在其数据库中为用户的账户记上相应的余额。用户在平台上的所有买卖行为，例如用USDT购买BTC，本质上只是交易所数据库中不同账户下数字的增减。这个过程由交易所的**“撮合引擎”**高速完成，可以视作一种内部的、实时的清算。
链上交收 (提现/充值)： 真正的、发生在区块链上的交收，只在用户**“充值”（从外部钱包转入交易所）和“提现”**（从交易所转出到外部钱包）时发生。这时，交易所才会发起一笔链上交易，将资产的所有权真正转移。

系统设计关键点：

高性能撮合引擎： 保证在高并发情况下能迅速匹配买卖订单。
冷热钱包分离： 大部分用户资产存储在不联网的“冷钱包”中以确保安全，少量资产放在联网的“热钱包”中以满足用户日常提现需求。这是保障7x24小时资产安全运行的核心设计。
内部账本数据库： 采用高性能分布式数据库，确保内部交易记录的准确性和即时性。

去中心化交易所（DEX）：链上原子交换

在Uniswap、SushiSwap等去中心化交易所，交易过程截然不同。用户始终掌控着自己钱包的私钥，交易直接在链上通过“智能合约”进行。

原子交换（Atomic Swap）： 这是DEX清算交收的核心。智能合约是一种在区块链上自动执行的程序，它确保资产的交换是“原子性”的——要么交易双方都成功交换，要么都不成功，绝不会出现一方付出资产而另一方未收到的情况。
清算与交收同步完成： 用户通过钱包授权与智能合约交互，一旦交易被触发并在区块链上得到确认，资产的清算和交收就在同一步骤中瞬间完成。整个过程无需任何中心化机构的信任背书。

系统设计关键点：

智能合约： 交易所的核心逻辑，包括交易对、流动性池、定价算法（如自动做市商AMM）等都由代码写死在智能合约中，公开透明。
链上预言机（Oracles）： 用于将外部市场的价格信息安全地输入到区块链上，为某些类型的DEX提供价格参考。
用户界面（Frontend）： 提供一个网页或应用，方便用户连接自己的钱包并与后台的智能合约进行交互。

总结：数字货币清算交收的新范式

总而言之，数字货币并非没有清算和交收的概念，而是通过区块链技术和创新的系统设计，将其从一个多方参与、耗时较长的后台流程，转变为一个高效、透明甚至实时的自动化过程。

清算概念依然存在： 在CEX中体现为内部账本的实时撮合与记账；在DEX中，智能合约的交易逻辑也包含了清算规则。
交收是核心变革： 交收的最终性由区块链共识保证，实现了近乎实时的资产转移，这是支撑其7x24小时不间断交易的基石。
系统设计服务于不间断性： 无论是CEX的冷热钱包架构，还是DEX的自动化智能合约，其设计的首要目标都是在保证安全的前提下，实现一个无需人工干预、永不休市的交易环境。

这种颠覆性的清算交收机制，不仅是数字货币市场区别于传统金融市场的显著特征，也为未来金融基础设施的演进方向提供了重要的启示。

RWA 与 Web3：金融新瓶装旧酒？

Mon, 21 Jul 2025 19:48:39 +0800

在科技浪潮的推动下，RWA（真实世界资产）和 Web3 已成为金融领域炙手可热的名词。传统金融机构，这些曾经被视为保守和稳健的巨头，如今正积极拥抱这些新兴概念，大力推动 RWA 和 DeFi（去中心化金融）的发展。然而，在这场由技术驱动的变革背后，一个核心问题值得深思：这些令人眼花缭乱的新概念，究竟是颠覆性的创新，还是将传统金融业务换上了“新装”？

prompt: 什么是 RWA，什么是 web3；传统的金融机构为什么要推动 RWA、DeFi，实际的业务还是原来的业务

RWA 与 Web3：解码核心概念

RWA (Real World Assets)，即真实世界资产，指的是将现实世界中的有形或无形资产，通过“代币化”（Tokenization）技术，在区块链上发行和流通的数字资产。这些资产可以涵盖房地产、债券、私人信贷、艺术品、碳信用额度等。其核心价值在于：

增强流动性： 将原本流动性较差的资产（如房地产）分割成更小的份额，降低投资门槛，使其可以像股票一样在二级市场上轻松交易。
提高透明度与效率： 利用区块链的不可篡改和可追溯性，简化资产发行、交易和清算的流程，减少中间环节和人为错误，从而降低成本、提升效率。
拓展融资渠道： 为资产所有者提供一个全球化、更高效的融资平台，打破地域和传统金融中介的限制。

Web3，通常被称为“下一代互联网”，其核心理念是构建一个去中心化、由用户拥有和控制的互联网生态系统。与当前由少数科技巨头主导的 Web2 时代不同，Web3 基于区块链技术，旨在将数据所有权和控制权归还给用户。其关键特征包括：

去中心化： 信息和应用不再存储于单一公司的服务器上，而是分布在网络的众多节点中，降低了单点故障和被审查的风险。
用户主权： 用户对其个人数据拥有更高的控制权，可以选择与谁共享以及如何使用。
无需许可和抗审查： 任何人都可以参与网络，发布应用或使用服务，而无需获得中心化机构的批准。

传统金融机构为何拥抱 RWA 与 DeFi？

传统金融机构之所以积极推动 RWA 和 DeFi，主要出于以下几个方面的战略考量：

效率提升与成本削减： 传统金融体系中存在大量的人工审核、复杂的清算结算流程以及繁琐的合规步骤，导致效率低下且成本高昂。通过智能合约和区块链技术，DeFi 和 RWA 可以实现许多流程的自动化，显著降低运营成本。
开辟新的收入来源和市场： RWA 的出现，为金融机构开辟了全新的资产类别和业务模式。例如，为房地产或私人信贷项目提供代币化服务、承销和交易，可以创造新的手续费和咨询收入。
应对竞争与保持领先： 来自金融科技公司和加密原生企业的竞争日益激烈。通过主动布局 RWA 和 DeFi，传统金融机构可以展示其创新能力，吸引新一代的客户，并在未来的金融格局中占据有利位置。
提升透明度和风险管理： 区块链的透明性有助于提高资产底层信息的透明度，使投资者能更好地评估风险。同时，标准化的代币协议和自动化合规检查也有助于提升风险管理的效率。

业务本质：新瓶装旧酒？

尽管 RWA 和 DeFi 带来了技术和模式上的创新，但从核心业务逻辑来看，传统金融机构目前所从事的 RWA 相关业务，在很大程度上仍是其传统业务的延伸和数字化升级。

以 RWA 为例，其核心是将传统资产进行代币化。这一过程与传统的资产证券化（ABS）有着异曲同工之妙。资产证券化是将缺乏流动性但具有可预期现金流的资产，通过打包和分层，转化为可在金融市场上交易的证券。RWA 只是将证券化的载体从传统的电子凭证转变为区块链上的代币。其本质仍然是信用中介和资产管理，即筛选优质资产、进行结构化设计、并将其销售给投资者。例如，将一栋商业地产的未来租金收益权打包成代币，与发行房地产投资信托（REITs）在金融本质上并无二致。

同样，在 DeFi 领域，虽然其“去中心化”的理念旨在颠覆传统金融中介，但目前传统机构的参与方式更多是利用其技术优势来优化现有业务。例如，利用智能合约来简化贷款审批和发放流程，或者通过去中心化交易所进行更高效的跨境支付和结算。其核心的借贷、交易、支付等业务，依然是金融体系的基石。

可以说，传统金融机构推动 RWA 和 DeFi，更像是一场“自我革命”，即在不改变其核心金融功能的前提下，利用新技术来提升效率、降低成本、拓展市场。它们并非要彻底颠覆自己，而是希望通过技术革新来巩固和扩大自身的行业地位。

综上所述，RWA 和 Web3 无疑为金融行业带来了深刻的变革。它们通过技术手段解决了传统金融中存在的诸多痛点。然而，对于目前阶段的传统金融机构而言，拥抱这些新技术更像是一种审慎而务实的战略选择。其业务的核心逻辑并未发生根本性的改变，仍然是围绕着资产、信贷和交易这些古老的金融命题。未来，随着技术的成熟和监管的完善，我们或许会看到更多颠覆性的金融创新，但就目前而言，“新瓶装旧酒”或许是对当前阶段最贴切的描述。

数字货币基础概念

Mon, 21 Jul 2025 19:30:00 +0800

我们用一个通俗易懂的比喻来解释数字货币的“挖矿”和“记账”之间的关系，以及为什么比特币和以太坊在数量上限上会有所不同。

好的，我们用一个通俗易懂的比喻来解释数字货币的“挖矿”和“记账”之间的关系，以及为什么比特币和以太坊在数量上限上会有所不同。

挖矿与记账：一个全民参与的记账大赛

想象一下，整个比特币网络是一个巨大的、公开透明的电子账本。全世界任何角落发生的每一笔比特币交易（比如，张三转给李四一个比特币），都需要有人来记录到这个大账本上，才能算作交易成功。

但是，由谁来记账呢？如果谁都能随便写，那不就乱套了吗？

为了解决这个问题，比特币系统设计了一场持续不断的“记账大赛”。

记账（Bookkeeping）：就是把过去大约10分钟内发生的所有交易打包成一个“区块”（可以理解为账本的一页）。这个“区块”不仅包含了交易记录，还包含了一个指向前一个“区块”（前一页账本）的链接，这样一页一页链接起来，形成了一条不可篡改的链条，也就是“区块链”。
挖矿（Mining）：真正的核心问题是，谁有资格来记这一页账呢？答案是：谁最先解出一道极其复杂的数学题，谁就获得了这一次的记账权。这个解题的过程，就被形象地称为“挖矿”。
- 为什么叫“挖矿”？ 因为这个过程需要投入大量的计算资源（矿机）和电力（能源），就像在现实世界里挖金矿需要投入设备和劳力一样。
- 解题的目的是什么？ 这道数学题本身没有实际意义，它的唯一目的就是增加记账的难度，确保平均每10分钟左右才会有一个人（或一个矿池）能解出来。这保证了账本更新的速度是稳定的，也保证了系统的安全性。谁想篡改账本，就必须拥有比全网一半还多的算力，这在经济上几乎是不可能的。

所以，挖矿和记账的关系可以总结为：

“挖矿”是争夺“记账权”的过程，而“记账”是成功“挖矿”后的奖励和责任。

成功挖到矿的“矿工”，会做两件事：

把最新的交易打包成新区块，连接到区块链上（完成记账）。
获得系统给予的奖励。 这个奖励包含两部分：
- 区块奖励（Block Reward）：系统自动生成一批全新的比特币作为奖励。这是新比特币被创造出来的唯一方式。
- 交易手续费（Transaction Fees）：该区块中所有交易的付款方支付的手续费。

为什么比特币有上限，而以太坊没有？

这涉及到两种数字货币在设计哲学和目标上的根本不同。

比特币（Bitcoin）：数字黄金，总量恒定

比特币从一开始就被设计成像黄金一样的价值储存工具。黄金之所以珍贵，一个重要原因就是它的稀缺性——地球上的储量是有限的。

为了模仿这种稀缺性，比特币的创造者中本聪在设计时就定下了两条铁律：

总量上限：比特币的总量被永久地限制在 2100万枚。一分不多，一分不少。
产量减半：大约每四年（或每产生210,000个区块），矿工挖矿成功获得的区块奖励就会减少一半。
- 2009年开始是50个BTC
- 2012年减半为25个BTC
- 2016年减半为12.5个BTC
- 2020年减半为6.25个BTC
- 2024年减半为3.125个BTC
- …以此类推，直到大约2140年，新币的奖励将无限趋近于零。

这种设计使得比特币具有通货紧缩的特性。随着时间推移，新币的产出越来越少，如果需求保持不变或增加，理论上其价值就会上升。这强化了它作为“数字黄金”的定位。当所有比特币都被挖出后，矿工的收入将完全依赖于交易手续费。

以太坊（Ethereum）：去中心化应用平台，供应策略更灵活

以太坊的目标与比特币不同。它不仅仅是一种数字货币，更是一个**“世界计算机”**，一个旨在运行智能合约和去中心化应用（DApps）的平台。

可以把以太坊想象成一个去中心化的“应用商店”和“操作系统”。在这个系统里，你需要支付“燃料费”（Gas Fee）来运行你的程序或进行交易，而这个燃料就是以太币（ETH）。

为了维护这个庞大而复杂的系统，以太坊需要持续不断地激励矿工（现在是验证者）来保护网络安全。如果像比特币一样设定了硬顶，当新币挖完后，单靠交易手续费是否足以保证网络长久的安全，是一个未知数。

因此，以太坊选择了不设硬性上限的策略，但这不代表它会无限通胀。以太坊的货币政策经历了几次重大调整：

早期（工作量证明PoW）：和比特币类似，通过挖矿产生新币，但没有明确的总量上限和固定的减半周期。这导致其通胀率相对较高。
伦敦升级（EIP-1559）：引入了“手续费销毁”机制。用户支付的交易手续费中，一部分基础费用会被直接“销毁”（永久从流通中移除），而不是给矿工。这意味着，当网络交易活跃时，ETH的销毁量可能会超过新发行的量，从而导致通货紧缩。
合并（The Merge）：以太坊从“挖矿”（工作量证明PoW）转向了“质押”（权益证明PoS）。现在不再需要矿工耗费电力解题，而是由“验证者”通过质押自己的ETH来获得记账权和奖励。这次转变大幅降低了新ETH的发行速度（超过90%）。

总结一下以太坊的特点：

没有硬顶：为网络的长期安全和发展提供了灵活性。
动态供应：通过“销毁机制”和“质押奖励”的动态平衡，其总供应量既可能温和通胀，也可能在交易活跃期出现通缩。它的目标不是绝对稀缺，而是维持足够的安全性，同时保证ETH作为“燃料”的可用性。

核心区别一览

特性	比特币 (Bitcoin)	以太坊 (Ethereum)
核心定位	数字黄金、价值储存	世界计算机、去中心化应用平台
总量上限	有，2100万枚	无
货币政策	通货紧缩（总量固定，产量减半）	动态供应（发行+销毁，可能通胀也可能通缩）
发行目的	奖励矿工，直到挖完为止	长期、持续地保障网络安全和运行

希望这个通俗的解释能帮助你理解它们之间的关系和区别！

港股闪电配售案例

Mon, 21 Jul 2025 19:12:21 +0800

公司最近在香港市场募资，这次的募资和小米那次的操作类似，此文详细拆解一下。

九方智投配售案解读

参与配股，都有什么费用；这些股票什么时候能出售，这份文件还有什么重要的信息

✅ 参与配售涉及的费用

此次配售行为是现有股东先旧后新的配售方式，配售对象为新投资者（承配人），不涉及普通散户投资者申购，因此：

如果你不是被配售代理选中的承配人（即专业/机构/个人投资者），则无需支付任何费用。

但如果你是承配人，涉及的费用包括：

费用类型	是否由承配人承担	备注
配售价格	✅ 是	每股39.25港元
经纪佣金	✅ 是	配售价不含佣金、交易费、印花税等
交易征费 / 联交所交易费	✅ 是	按港股交易规则收取
印花税	✅ 是	香港股票买卖需缴纳0.13%印花税

✅ 配售股份何时可出售

根据公告内容：

“配售股份將由配售代理基於最大努力配售予不少於六名承配人… 預計並無任何承配人會於緊隨配售事項完成後成為本公司主要股東。”

这意味着：

配售股份在完成交割后即可自由流通；
没有锁定期；
可在港交所二级市场自由买卖；
配售截止日期为2025年7月17日，预计交割将在7月17日或之后不久完成。

✅ 公告中其他重要信息

资金用途（746.22亿港元净额）

九方智投将用这笔钱做四件事：

用途	占比	说明
链上金融资源投资	未明确	投资RWA底层资产、数字资产交易所、信托银行、稳定币运营主体
数字资产服务布局	未明确	香港及中东地区，面向C端的数字资产投资服务
数字资产投顾新模式	未明确	AI+研究，结合MCN运营经验
补充流动资金	未明确	一般企业用途

配售价格折让较大

较7月15日收盘价41.75港元折让6.0%
较过去5日均价47.30港元折让17.0%
较过去10日均价46.36港元折让15.3%

股份结构变化

配售完成后，总股本从4.48亿股增至4.68亿股
现有股东持股比例略有稀释，但仍保持控股地位
新增20,000,000股由承配人持有，占总股本约4.27%

风险提示

配售事项未必完成，需满足多项先决条件（如市场稳定、监管备案、无重大不利事件等）
若14日内未完成，认购事项自动失效

✅ 总结一句话

普通投资者无法参与此次配售；配售股份无锁定期，交割后即可交易；九方智投拟用7.46亿港元布局数字资产与链上金融，未来或向Web3、AI投顾方向转型。

“先旧后新”配售方式详解

Kimi: “现有股东先旧后新”是一种港股常见的配售方式，英文叫 Top-up Placement，你可以把它理解为“大股东先卖旧股，再认购新股”的两步走操作。

✅ 举个例子你就懂了

以这次九方智投为例：

第一步：大股东卖旧股（先旧）
- 现有股东（如Coreworth Investments）把自己手里已经持有的20,000,000股旧股，以每股39.25港元的价格卖给市场上的新投资者（承配人）。
- 这时，大股东持股减少，公司总股本不变。
第二步：公司发新股给大股东（后新）
- 公司再向这些大股东增发同样数量（20,000,000股）的新股，价格也是39.25港元。
- 大股东用卖旧股的钱买回新股，持股数量恢复原状。
- 但公司总股本变大了（从4.48亿股增至4.68亿股），相当于公司成功融资，而大股东持股比例略微稀释。

✅ 为什么要这么做？

目的	解释
快速融资	不用等漫长的新股发行流程，直接通过大股东先卖旧股、再补新股，快速拿到资金。
不削弱控制权	大股东最终持股数量不变，控制权不会被稀释太多。
引入新投资者	通过折价配售，吸引机构或高净值投资者入场，优化股东结构。

✅ 关键区别：旧股 vs 新股

类型	是否新增股份	是否能立刻交易	说明
旧股	❌ 不新增	✅ 可立刻交易	是市场上已有的股份，卖给新投资者后可直接流通。
新股	✅ 新增	⚠️ 有锁定期（通常180天）	公司新发的股份，给原大股东，通常需要锁定一段时间。

✅ 一句话总结

“先旧后新”就是大股东先把自己手里的股票卖给市场，再向公司买同样多的新股，既帮公司融资，又不至于失去控制权。

港股增发规则解读

Kimi: 你的疑问很核心：为什么港股公司看起来可以“随意”增发股票？是不是香港市场规则特别宽松？

答案是：是的，港股确实比A股宽松得多，但也不是“无限制”，而是有一套**“宽松但有限”的规则体系**。

✅ 港股 vs A股：增发规则对比（核心差异）

项目	港股规则	A股规则
是否需要股东大会批准	✅ 每年股东大会可一次性授权董事会增发不超过20%股本，之后无需再开会	❌ 每次增发都需单独召开股东大会并获2/3通过
是否需要证监会审批	❌ 只要不超过20%股本+折价不超过20%，可“闪电配售”	✅ 必须证监会逐案审批，周期长
增发比例上限	✅ 单次最多20%，12个月内累计摊薄不得超过25%	✅ 一般不得超过30%
折价幅度限制	✅ 发行价不得低于市价的80%（即最多折让20%）	✅ 定向增发不得低于市价的80%
锁定期	✅ 通常30天或没有	✅ 6~36个月
用途限制	✅ 只需披露用途，无实质审查	✅ 必须详细说明用途，证监会可否决

✅ 为什么港股看起来“随意”？

“一般性授权”机制：
每年股东大会一次性授权董事会增发不超过20%新股，之后无需再开股东会，董事会可择机发行。
“闪电配售”机制：
若增发不超过20%股本、折价不超过20%，24小时内可完成发行，不需审批。
无需证监会逐案审批：
香港交易所只进行形式审查，不实质干预资金用途或公司质量。

✅ 举个例子：九方智投这次为什么能“先旧后新”？

九方智投在2025年6月20日股东大会已获得一般性授权，可增发不超过20%新股（即不超过89,671,400股）。
本次增发20,000,000股，仅占4.46%股本，远低于20%上限，完全符合授权条件。
因此，无需再次召开股东大会，也无需证监会审批，董事会即可决定实施。

✅ 总结一句话

港股允许“董事会+年度授权”模式下的快速增发，只要不突破20%股本和折价上限，就能“闪电配售”，而A股每次增发都要股东大会+证监会审批，流程长、限制多。

所以，九方智投不是“随意增发”，而是合法合规地利用了港股的宽松机制。

资本利得税、CRS与内地居民港美股投资税务

Wed, 16 Jul 2025 21:12:40 +0800

对于投资港股和美股的内地居民而言，了解相关的税务规定至关重要。本文将全面解析什么是资本利得税，为何港美股会涉及此税种，并阐述CRS的运作机制。同时，本文还将详细解答内地居民通过不同渠道（香港券商、沪港通、深港通）投资港美股的税务责任和具体税率。

什么是资本利得税，港美股为什么会有资本利得税，什么是CRS报税，内地居民在香港券商开户，进行港美股交易，需要报税吗，税率是什么样的。内地居民通过沪港通、深港通交易港股，需要报税吗

核心概念解读

什么是资本利得税（Capital Gains Tax）？

资本利得税，简称CGT，是对出售资产所获得的利润征收的一种税。这些资产可以包括股票、债券、房地产、贵金属等。当您以高于买入价的价格卖出这些资产时，所产生的收益（即资本利得）就可能需要缴纳资本利得税。

需要注意的是，并非所有国家或地区都征收资本利得税。例如，香港目前就不征收资本利得税。

为何港美股会涉及资本利得税？

美股：美国是征收资本利得税的国家。对于非美国税务居民（如大部分内地投资者），在出售美股时，虽然通常可以豁免资本利得税，但需要满足一定的条件（例如，一年内在美国居住时间不超过183天）。然而，从美股获得的分红（股息）则需要缴纳预提所得税，税率通常为30%，但根据中美税收协定，中国内地居民的税率可申请降至10%。
港股：如前所述，香港不对资本利得征税。因此，无论您通过何种渠道交易港股，在香港层面都无需为股票买卖的差价收益缴税。但这并不意味着内地居民无需就此部分收益向中国内地税务机关申报。

什么是CRS报税（共同申报准则）？

CRS，即“共同申报准则”（Common Reporting Standard），是一个全球性的金融账户涉税信息自动交换标准。其主要目的是打击利用海外账户进行的跨境逃税行为。

运作机制：简而言之，签署了CRS的國家/地區的金融机构（如银行、券商）需要识别其非本地税务居民的账户，并将其账户信息（包括姓名、地址、税务居民身份、账户余额、年度总收入等）报送给所在地的税务机关。该税务机关随后会将这些信息与账户持有人作为税务居民的国家/地区的税务机关进行交换。

对内地投资者的影响：对于在香港券商开户的内地居民，由于其税务居民身份为中国内地，香港的金融机构会将其账户信息通过香港税务局交换给中国国家税务总局。这意味着内地税务机关能够掌握其居民在海外的金融资产和收益情况，为征收全球所得提供了信息基础。

内地居民港美股交易税务详解

根据中国《个人所得税法》，中国税务居民个人需要就其来源于全球的所得缴纳个人所得税。这意味着，即使投资收益发生在境外，并且在当地可能免税，仍有义务向中国税务机关申报并缴纳税款。

近期，中国税务部门已加强对个人境外所得的税收征管力度。

通过香港券商开户，交易港股和美股

如果您是内地居民，通过香港的券商（如富途证券、老虎证券等）进行港美股交易，您的税务责任如下：

美股交易：
- 资本利得：您从美股买卖差价中获得的收益，属于“财产转让所得”。根据中国个人所得税法，应按**20%**的税率自行向中国税务机关申报纳税。虽然美国通常豁免非居民的资本利得税，但中国税务居民仍需就该部分全球所得向中国缴税。
- 股息：从美股获得的分红，券商通常会为您代扣10%的预提所得税（已享受中美税收协定优惠）。这部分已在境外缴纳的税款，在向中国申报时可以进行抵免，但抵免额不能超过该项所得按照中国税法计算的应纳税额。
港股交易：
- 资本利得：尽管香港不征收资本利得税，但内地居民从港股交易中获得的价差收益，同样属于“财产转让所得”，需要按**20%**的税率向中国税务机关申报纳税。
- 股息：从H股（在内地注册、在香港上市的公司）获得的股息，上市公司会代扣20%的个人所得税。从非H股（在香港或海外注册、在香港上市的公司）获得的股息，香港方面会代扣10%的股息税。这部分已在境外缴纳的税款，同样可以在向中国申报时进行抵免。

通过沪港通、深港通交易港股

为了促进内地与香港的资本市场互联互通，国家出台了针对性的税收优惠政策。

资本利得：根据财政部、税务总局和证监会发布的公告，对内地个人投资者通过沪港通、深港通买卖香港联交所上市股票取得的转让差价所得，暂免征收个人所得税。这一优惠政策已明确延续至2027年12月31日。
股息红利：
- 对于通过沪港通、深港通投资香港H股并取得的股息红利，由H股公司按照**20%**的税率代扣个人所得税。
- 对于投资香港非H股并取得的股息红利，由中国结算有限公司按照**20%**的税率代扣个人所得税。在香港已经缴纳的预提所得税，可以凭有效扣税凭证向中国结算的主管税务机关申请税收抵免。

税务要点总结

投资渠道	投资标的	资本利得税	股息/红利税
香港券商	美股	向内地申报，税率20%	美国预提10%，可在内地抵免
	港股	向内地申报，税率20%	H股：代扣20%；非H股：香港预提10%，可在内地抵免
沪/深港通	港股	暂免征收 (至2027年底)	H股：代扣20%；非H股：中登代扣20%，香港已缴税可抵免

重要提示：上述信息基于当前政策。税务法规可能会发生变化，建议投资者在进行投资和税务申报前，咨询专业的税务顾问或关注税务机关发布的最新信息，以确保合规。自行申报境外所得的时间通常是次年的3月1日至6月30日。

增额寿险保单解读

Wed, 09 Jul 2025 21:13:58 +0800

普通人读懂一张保单，有点难度，常规理财都是通过年化收益率理解、但增额寿险保单的计算方式是内部收益率（IRR），这两者有什么区别？为什么会有差异？

当资金一次性投入时，内部收益率（IRR） 和 年化收益率（Annualized Return） 在计算结果上是一样的。

通俗解释

想象你种了一棵树。

一次性投入 (Lump Sum Investment)：你一次性投入了买树苗和第一年施肥的钱。
年化收益率 (Annualized Return)：这就像你每年去量这棵树长高了多少，然后算出平均每年长高的百分比。它衡量的是你在一年内，这笔钱平均增长了多少。
内部收益率 (IRR)：IRR 的概念更广，它能处理有多个现金流入和流出的情况。但在你一次性投入（只有一笔钱流出）并且最后一次性收回（只有一笔钱流入）的简单情况下，IRR 也在寻找一个“平均每年增长的百分比”，使得你投入的钱经过这个百分比的增长后，正好等于你最后收回的钱。

因为在单次投入、单次收回的场景下，没有中间的现金流（比如定期分红或追加投资），IRR 的计算就简化成了寻找一个年复利增长率，这个增长率正好是年化收益率所表达的。

举个例子

假设你：

一次性投入： 2024年1月1日，你投资了 10,000元。
投资期限： 3年。
最终收回： 2027年1月1日，你收回了 13,310元。

1. 计算年化收益率：

年化收益率的计算公式是：

$$\text{年化收益率} = \left( \frac{\text{期末价值}}{\text{期初价值}} \right)^{\frac{1}{\text{投资年限}}} - 1$$

代入数据：

$$\text{年化收益率} = \left( \frac{13310}{10000} \right)^{\frac{1}{3}} - 1$$

$$\text{年化收益率} = (1.331)^{0.3333} - 1$$

$$\text{年化收益率} = 1.1 - 1 = 0.1 = 10\%$$

所以，这笔投资的年化收益率是 10%。这意味着你的资金每年平均增长10%。

2. 计算内部收益率 (IRR)：

IRR 是使得所有现金流的净现值（NPV）为零的折现率。在这个例子中，现金流包括：

2024年1月1日：-10,000 元 (投资流出)
2027年1月1日：+13,310 元 (投资收回)

我们要找到一个折现率 $r$，使得：

$$-10000 + \frac{13310}{(1+r)^3} = 0$$

$$\frac{13310}{(1+r)^3} = 10000$$

$$(1+r)^3 = \frac{13310}{10000} = 1.331$$

$$1+r = (1.331)^{\frac{1}{3}}$$

$$1+r = 1.1$$

$$r = 1.1 - 1 = 0.1 = 10\%$$

所以，这笔投资的内部收益率（IRR）也是 10%。

总结

在这个一次性投入和一次性收回的简单例子中，你会发现年化收益率和内部收益率的计算结果是完全相同的。这是因为在这种特定情况下，IRR 的计算逻辑和年化收益率的复利计算逻辑是等效的。

IRR 真正发挥作用的场景是当投资涉及多笔现金流时，比如你每个月都往基金里投钱（定期定额），或者你投资一个项目，项目在不同时间点会给你分红，最后还有一笔钱收回。在这种复杂的现金流模式下，年化收益率可能无法准确衡量投资的真实回报，而 IRR 能够更好地反映资金的时间价值和投资的整体回报率。

什么是稳定币

Thu, 12 Jun 2025 23:43:19 +0800

稳定币在美国、香港都已经有了合法的地位。资金更高效在全球之间流动，灰色是一定存在的，不如监管起来？类似美国管理瘾君子的方式。

港股众安在线暴涨、云锋金融异动，蚂蚁大概率是港股稳定币御三家之一，收购耀才证券，不知道和稳定币有没有关系。

稳定币是一种与法定货币（如美元、港币）、贵金属等挂钩的加密资产，旨在保持币值稳定。它们主要分三类：法币抵押型（如 USDT、USDC）、商品抵押型（如以黄金为储备的稳定币）和算法型（不依赖实物储备，通过算法维持锚定）(zh.wikipedia.org)。

🛠️ 为什么要立法支持稳定币？

1. 提升支付效率和降低成本

稳定币能提供即时、低成本的跨境支付服务，尤其在银行未覆盖地区有显著优势。其结算速度快，费用低，对国际贸易、汇款等有实质价值(ft.com)。

2. 加强美元/货币国际化

在美国看来，稳定币的兴起能增加对美债等短期资产的需求，有助于巩固美元地位，同时推动金融创新。欧盟也借此机会加快推出数字欧元。

3. 弥补监管空白，防范风险

过去稳定币多处于“影子金融”状态，缺乏透明度，市场乱象频出，甚至涉及洗钱、诈骗等风险。美国提出的 STABLE Act 和 GENIUS Act 要求明确监管、披露储备、设置资本/清算规则，以保障金融安全和投资者权益(morganlewis.com)。

香港则从 2025 年 8 月开始实行《Stablecoins Ordinance》，要求稳定币发行需获金融管理局（HKMA）发牌，符合储备金、赎回、反洗钱（AML/CFT）等标准，并禁止未获许可机构广告推广(morganlewis.com)。

💰 稳定币公司如何盈利？

储备资产的利息收益 例如，Circle 的 USDC 储备大多存放在短期美债中，受益于当前利率，2023 年利润显著提高，2025 年预计盈利约 5 亿美元(ft.com)。Tether 报告显示仅 2024 上半年收益达 5.2 亿美元。
交易手续费与开发者工具收入 除了铸币赎回费用外，稳定币平台通过为 DeFi、钱包、企业客户提供 API、SDK、结算工具等，有稳定收入来源(marketwatch.com)。
金融扩展服务 一些稳定币发行商通过额外产品（如利息赎回、理财功能、企业结算等）获得利润，但因此相关法案可能对“付息型稳定币”设置限制。

✅ 总结

稳定币 是为弥补加密货币波动性的一种支付工具，通过储备资产或算法保持价值稳定。
监管立法 意在促进其合规化，保护消费者、维护金融稳定，同时推动创新与国际竞争力。
盈利模式 主要来自储备资产的利息、手续费、增值服务等。

未来，如果监管得当，稳定币或将在全球支付体系、央行数字货币（CBDC）竞争中发挥重要角色。

计划生育政策的多维影响：从社会结构到经济政治的深层变革

Sat, 24 May 2025 02:36:49 +0800

中国计划生育政策在限制人口增长同时，遏制家族式发展，冲击传统社会结构，抑制家族企业扩张与政坛家族势力，对比韩国财阀、印度家族垄断可见其独特性。如今放开生育限制，虽面临低生育率等挑战，却也需警惕新垄断风险，需在多方寻求平衡。

一、人口控制与家族式发展的消长

计划生育政策作为中国持续近四十年的基本国策，其直接成效显著。数据显示，1978年至2007年，中国人口自然增长率从12‰下降至5.2‰，少生4亿余人，人口占世界比重从22.2%降至20.1%。这种人口增速的骤减，深刻重塑了中国社会的家庭结构。以家族企业为例，计划生育政策实施后，企业主生育子女数量显著下降：政策前生育三孩及以上的比例达40.63%，政策后骤降至18.46%，独生子女生育比例从6.25%升至32.31%。这种结构性变化直接导致家族企业可选择的内部接班人范围大幅缩小，客观上抑制了家族企业的代际扩张能力。

对比韩国和印度的情况，差异显著。韩国虽未实施严格的计划生育，但生育率长期低迷（2023年为0.7），然而其财阀集团通过交叉持股、遗产税规避等手段，仍牢牢掌控国家经济命脉。五大财阀总营收占韩国GDP超50%，三星集团一家便占全国GDP的20%。印度则呈现另一番景象：79%的经济产出由家族企业贡献，六大财团控制电信、钢铁等关键领域，20家顶尖企业赚取全国企业利润的80%。这种差异的核心在于，中国计划生育政策通过限制家庭规模，从源头削弱了家族企业扩张的人力基础，而韩印两国因政策环境不同，家族势力得以持续渗透经济领域。

二、垄断遏制与社会结构转型

计划生育政策对经济领域的影响，突出表现在对垄断现象的抑制。中国家族企业因子女数量减少，难以形成韩印式的财阀集团。以韩国为例，财阀通过“循环出资”维持家族控制权，三星家族仅持有集团2%的股份，却通过复杂股权结构掌控全局。而在中国，计划生育后家族企业普遍面临“子承父业”的困境，不得不引入职业经理人或进行股权多元化改革。澎湃新闻的研究显示，计划生育后家族企业女性接班人比例从13.85%提升至34.21%，且接班人学历显著提高，本科及以上学历占比从43.75%升至98.46%。这种转型虽未完全消除家族控制，但显著降低了单一家族垄断市场的可能性。

在社会结构层面，计划生育政策加速了传统家族核心模式的解体。中国家庭规模从1982年的4.41人/户降至2020年的2.62人/户，小型化家庭削弱了家族在经济、教育、社会支持等方面的功能。与之形成对比的是印度，其家庭规模仍保持在4人左右，种姓制度与家族势力深度绑定，导致社会流动性低下。中国的家庭结构转型为个体主义的发展创造了空间，2023年中国单身成年人口达2.4亿，消费市场呈现“一人经济”崛起的趋势，这种转变进一步稀释了家族经济的影响力。

三、政治领域的权力分散化

计划生育政策对政治生态的影响同样深远。传统上，家族势力通过血缘和姻亲关系渗透基层政治。例如，河南新野县161个政治家族几乎把持所有政府部门，副科级以上干部中20%属于“官二代”。但计划生育政策实施后，家庭规模缩小使得家族网络扩张受限。北京大学的研究显示，计划生育后官员子女数量减少，家族政治网络的复杂度显著下降。此外，政策推动的教育普及（人均受教育年限从1982年的5.2年提升至2023年的10.9年），促进了社会流动，削弱了家族势力对政治资源的垄断。

对比韩国和印度，韩国财阀与政治的深度勾结（如三星集团高管与政府的权钱交易）和印度种姓制度下的家族政治世袭，凸显了中国政策的独特性。中国通过计划生育政策，客观上减少了权力世袭的可能性。尽管县域政治中仍存在家族现象，但整体趋势是权力结构的分散化。2025年全国两会期间，有政协委员提议将“人口与计划生育法”更名为“人口与生育法”，全面放开生育，这一举措可能进一步影响未来政治生态的演变。

四、政策调整后的挑战与机遇

2016年全面二孩政策、2021年三孩政策的实施，标志着中国生育政策的重大转向。然而，政策效果有限：2022年生育率仅为1.18，远低于世代更替水平（2.1）。放开生育对家族企业的影响呈现双重性：一方面，部分企业家可能通过多生育增强家族传承能力，如浙江娃哈哈集团宗庆后之女宗馥莉作为独生女接班；另一方面，高育儿成本（一线城市养育一个孩子至18岁平均成本达100万元）和职业女性生育意愿下降，使得家庭规模扩张受限。

在经济领域，放开生育可能催生新的垄断形态。三孩政策推动母婴、托育等行业集中度提升，2025年婴幼儿托育市场规模预计达1621.3亿元，头部企业通过并购整合中小厂商，市场集中度CR5超55%。这种集中度提升可能带来效率，但也需警惕新的垄断风险。政府需在鼓励生育与防止市场集中之间寻求平衡，如通过反垄断法加强监管，同时提供育儿补贴（如杭州三孩家庭每月可领3000元奶粉补贴）降低家庭负担。

在政治领域，放开生育可能对家族势力产生微妙影响。尽管短期内难以恢复传统家族政治网络，但长期看，多子女家庭可能在基层政治中形成新的影响力。因此，完善干部选拔机制、加强监督（如建立干部亲属任职回避制度）仍是防范权力世袭的关键。

五、国际镜鉴与未来展望

韩国和印度的经验表明，家族势力的消长与政策导向密切相关。韩国通过扶持财阀实现经济腾飞，但也付出了社会公平受损的代价；印度因缺乏有效政策遏制家族垄断，导致贫富分化加剧。中国的计划生育政策在控制人口的同时，客观上抑制了家族势力扩张，但也带来老龄化加剧、劳动力短缺等问题。

未来，中国需在人口政策与社会经济发展之间寻求新平衡。一方面，通过生育支持政策（如延长产假、建设普惠托育机构）提升生育率；另一方面，加强反垄断执法，防止家族企业通过资本运作形成新的垄断。在政治领域，需进一步推进基层民主建设，完善监督机制，确保权力运行透明化。

总之，计划生育政策作为中国社会变革的重要推手，其影响远超人口领域。它重塑了家庭结构、经济模式和政治生态，为中国避免陷入韩印式的家族垄断陷阱提供了路径。随着政策调整，如何在新的人口格局下平衡效率与公平、自由与秩序，将是中国面临的长期挑战。

岁月沉淀下的另类幻想与情感寄托

Thu, 13 Feb 2025 22:12:57 +0800

随着最早的网文读者步入中年，针对他们的爽文也发生了变化。主角多以父亲、师傅或老年人身份出现，迎合了中年读者对生活和情感的不同需求。这类作品不再仅仅追求升级和逆袭，而是更注重情感共鸣和生活感悟。

目标用户：岁月流转中的读者群体变迁

曾经的网文读者，如今大多已步入中年。他们经历了生活的磨砺，心态和价值观发生了变化。对于他们来说，年轻时追捧的热血、冒险等元素已不再是唯一的追求。他们更渴望在阅读中找到与自己当下生活状态相契合的情感共鸣，以及对过去岁月的回忆和对未来生活的期许。中年爽文正是基于这样的心理需求而产生，它以更贴近中年人生活和心态的情节设定，吸引了这一特定群体的读者。

角色转变：从少年英雄到中年担当

我的徒弟都是大反派：主角陆州在成为师傅后，面对的是一群性格各异、实力强大的徒弟。他们在正邪之间徘徊，而陆州则需要引导他们走向正道。这部小说通过主角与徒弟之间的互动，展现了中年人在教导下一代时所面临的挑战和困惑。同时，徒弟们的成长和转变也让读者看到了希望和未来，仿佛看到了自己对子女或年轻一代的期望。

情感共鸣：生活感悟与家庭责任

六十大寿来系统：主角在六十大寿时获得了系统，开始了新的生活旅程。这个设定让中年读者能够感受到一种“为时未晚”的希望和激励。尽管已经到了晚年，但主角依然可以通过系统实现自己的价值和梦想。这种情节让读者联想到自己在生活中可能错失的机会和未完成的梦想，同时也传递了一种积极向上的生活态度，鼓励他们在任何年龄都不要放弃追求。

情节设计：贴合中年生活的节奏与趣味

中年爽文的情节设计往往更加注重生活的细节和情感的细腻表达。不再像年轻时的爽文那样追求快节奏的升级和冒险，而是更加注重人物之间的关系和情感纠葛。例如，在《史上最强师傅》中，主角与徒弟之间的师徒情谊、与同门之间的兄弟情谊等都得到了细致的描绘。这种情节设计让中年读者能够感受到一种温暖和亲切，仿佛看到了自己生活中的亲情、友情和爱情。

野蛮资本时代的落幕：英雄联盟电竞时代终结

Tue, 31 Dec 2024 07:19:39 +0800

电竞产业，在过去十余年中经历了迅猛的发展，成为了全球范围内不可忽视的文化现象。特别是以《英雄联盟》（League of Legends，简称LOL）为代表的MOBA类游戏，它不仅为玩家提供了竞技的乐趣，也为资本注入了强大的动力，推动着一系列电竞平台和赛事的蓬勃发展。然而，这一切随着资本的涌入和泛娱乐产业的崛起，也进入了一个逐渐衰退的阶段。熊猫TV的兴起与陨落、斗鱼与虎牙的竞争，标志着“野蛮资本时代”的落幕，电竞行业的天时地利人和似乎也都开始发生变化。

第一章：电竞的崛起与资本注入

1.1 初期的电子竞技：从草根到职业化

早期的电竞产业起步相对草根，尤其是中国市场。许多玩家凭借对游戏的热爱，参与到《星际争霸》、Dota等游戏的竞技中。然而，电竞的真正崛起始于《英雄联盟》的发布与推广。自2011年《英雄联盟》正式进入中国市场后，电竞逐渐从一个小众圈子发展为大众文化的一部分。特别是在2013年起，LPL（中国职业联赛）逐步形成，英雄联盟成为了中国电竞产业的顶梁柱。

1.2 资本疯狂涌入：熊猫TV与电竞直播平台的兴起

2015年，是中国电竞行业的一个分水岭。资本的涌入让电竞从单纯的竞技赛事，转向了更为庞大的产业链。熊猫TV作为代表之一，成为了资本过剩的产物。由王思聪（熊猫直播的创始人之一）投资的熊猫TV迅速崛起，以其创新的内容与庞大的投资吸引了大量观众和用户。然而，这也正是资本“野蛮”流入的典型例子——资本对市场的疯狂追逐往往缺乏耐性和长远眼光。熊猫TV的资金和人力投入虽然短期内取得了一定成绩，但因为管理问题和过度依赖资本的高烧，最终在2019年宣告破产。

1.3 直播平台竞争：斗鱼与虎牙的“资本大战”

熊猫TV的陨落并未导致电竞直播行业的衰退，反而推动了斗鱼和虎牙等平台的崛起。斗鱼和虎牙两大直播平台迅速成为电竞行业的领军者，彼此竞争也愈发激烈。斗鱼早期凭借《英雄联盟》职业赛事的直播，以及对顶级主播的签约，成为了电竞直播的标杆。而虎牙则通过加大对电竞赛事的投入以及自身平台的多元化布局，逐渐缩小了与斗鱼的差距。

在这一过程中，资本再次发挥了巨大的作用。斗鱼于2018年成功上市，虎牙则于同年也进行了IPO。资本的快速流动带来了行业的高度集中，也导致了平台之间在主播、版权等方面的激烈竞争，形成了“资本大战”。

第二章：泛娱乐化与电竞的融合

2.1 泛娱乐化浪潮：资金流向多元化娱乐项目

随着资本对电竞行业的重注，电竞平台的内容逐渐泛娱乐化。电竞主播不仅局限于比赛解说和赛事直播，他们开始拓展到唱歌、跳舞、直播互动等多种娱乐形式。平台上的内容更加丰富，逐步形成了以电竞为核心，但又包含多种娱乐元素的内容生态。

然而，泛娱乐化也带来了问题——电竞原本专注的游戏文化逐渐被边缘化，取而代之的是娱乐至上的趋势。这种趋势让一些原本深爱电竞文化的观众产生了离场的情绪，而资本也开始将更多的目光转向其他娱乐领域。资本的过度涌入与逐利性让电竞产业的本质逐渐变得模糊，原本以竞技为核心的价值理念开始弱化。

2.2 泛娱乐行业的崛起：资本的撤退与转型

随着短视频平台、直播平台以及娱乐圈等其他泛娱乐产业的崛起，资本逐渐将资金从电竞转向了更为广泛的娱乐内容。在这个过程中，腾讯、阿里巴巴、字节跳动等巨头也不再单纯依靠电竞项目作为盈利来源，而是加大了在电影、音乐、短视频等领域的投资。特别是字节跳动的崛起，通过抖音等短视频平台的爆发式增长，使得电竞的风头被其他娱乐内容所掩盖。

第三章：英雄联盟的“青黄不接”：时代红利消退

自2011年《英雄联盟》进入中国市场以来，它几乎是中国电竞行业的代名词，成就了无数职业选手、战队和赛事，也催生了一个庞大的电竞产业链。然而，十多年过去了，《英雄联盟》作为中国电竞的领军项目，已经进入了“青黄不接”的阶段。尤其是在最近几年，《英雄联盟》的影响力正在逐渐下滑，甚至出现了明显的衰退迹象。

3.1 玩家群体的“断层”
最为明显的变化便是玩家群体的断层。最初，电竞的快速发展依靠的是大量青少年玩家的支持，他们中的许多人因为《英雄联盟》而成为了职业玩家或观众。那一代网瘾少年，几乎是在“时代红利”下成长起来的，他们沉浸于LOL带来的竞技魅力之中，也因此推动了整个行业的快速扩张。然而，随着时间的推移，这些玩家逐渐长大，进入了社会，开始转向其他生活和职业方向。与此同时，新一代的年轻玩家对《英雄联盟》的兴趣并不如当年的热烈，电竞的受众群体已经出现了明显的年龄偏差和兴趣下降。

3.2 游戏内容的“疲软”
《英雄联盟》经过多次更新和改版，虽然依然保持着一定的竞技魅力，但游戏本身的内容创新已经显得有些力不从心。每年发布的版本更新、英雄平衡调整以及新玩法的引入，似乎都未能从根本上解决玩家对新鲜感的需求。与此同时，MOBA类游戏的市场逐渐饱和，其他类型的游戏（如《王者荣耀》、《和平精英》）迅速崛起，分流了大量原本属于《英雄联盟》的玩家。这种竞争态势，让《英雄联盟》始终无法摆脱“追赶者”的角色。

结语：电竞产业的未来何去何从？

电竞产业更像是凭空而起的高楼，过多的资金在互联网行业中游荡，他们在寻找着下一个风口，而电竞产业也成为了他们的目标之一。依托着国内的人口红利，电竞产业在短时间内取得了巨大的成功，但这种成功并不是建立在稳固的基础之上。资本的过度涌入、人才的短缺、游戏内容的疲软，这些问题都在阻碍着电竞产业的健康发展。

大学时代以前，游戏玩的并不是很多，可以说联盟算是伴随了一代人的成长，总决赛看了那么多，作为一个局外人，对比中韩的选手，特别是 Faker，国内的选手，在大赛期间，总是有一种畏首畏尾的感觉，我也知道选手的心理压力很大，但是这个行业也发展了十多年，选手的心理问题，理应被团队重视，但是并没有，国内的玩法还是依靠选手自身的天赋。

县城婆罗门：小地方的“大人物”

Wed, 13 Nov 2024 23:02:25 +0800

最近抖音上的大冰老师很火，经常能刷到视频的切片账号，都是直播的里面的一些内容。有位连麦的听众问道：“大冰老师，我想把西安的房子卖了，回到老家躺平？”大冰老师回答：“你现在年龄，三十出头，你没法子躺平，你的父母在变老的路上，你的孩子还没成家立业，回到老家你还需要应付小县城里面的婆罗门”。

先不说观点是非对错，婆罗门这个词是什么意思呢？

县城婆罗门：小地方的“大人物”

在许多小县城里，大家总会说起一些“县城婆罗门”——这些人的存在，仿佛是地方社会的一种象征。他们往往不是什么真正的宗教人物，也没有拥有“高大上”的头衔，而是一些看似普通但又举足轻重的人物。他们代表的是小地方里的“权力、地位与话语权”，是那个县城里某个阶层的象征。

什么是“县城婆罗门”？

首先，我们得弄明白，“婆罗门”原本是印度社会中的最高阶层，代表着智慧、权威和精神上的至高无上。而在中国的县城中，“县城婆罗门”这个词，并没有那么复杂的宗教背景，它更多地是一种社会现象的比喻。

简单来说，“县城婆罗门”可以理解为县城中的一些“文化权威”，比如那些老师、医生、当地的知名商人、官员等等。虽然他们的职位看似平凡，但在县城这种较为封闭的环境中，他们拥有的是相对较高的社会地位，或者说，他们的意见和行为在当地有着不容忽视的影响力。

谁是“县城婆罗门”？

在县城里，几乎每个行业都有这样的“婆罗门”。他们可能是：

教育工作者：尤其是一些在地方上有着几十年教龄的老师，可能并不是什么名校毕业生，但他们深知如何通过知识建立威信，受到了广泛的尊敬。
地方政府官员：县城的副县长、科级干部等，他们掌控着一定的资源与权力，哪怕他们的职位不高，但因其权力范围局限，也能成为地方的“婆罗门”。
本地的“企业家”：一些县城里的老板，虽然规模并不大，但他们手中握有一定的财富，拥有了地方话语权。他们或许经营着一两家本地知名的小企业，在县城中有着不小的影响力。

这些人，虽然与大城市里的名流或高官相比，地位不算显赫，但在县城这个小社会里，他们的地位几乎等同于“文化长者”或“权力中心”。

“县城婆罗门”的地位，如何影响社会？

要理解“县城婆罗门”的真正意义，我们必须从县城的特殊环境来考量。在这个地方，信息流通不如大城市那么快，社会阶层的流动也较为固定。这里的“婆罗门”们，往往是因为长期深耕当地，积累了声望、知识和人脉。他们影响着地方的政治、经济、文化等各个方面。

文化影响力：在小地方，尤其是教育系统可能没那么发达，普通人也没有太多的选择空间。当地的文化“婆罗门”通过课堂上的知识传递、媒体的讲解、乃至社交场合的言传身教，悄然塑造了地方的文化氛围。
社会资源的集中：由于县城的人口和资源有限，这些“婆罗门”往往是地方资源的主要掌控者之一。无论是社会福利、政策落实，还是某些项目的审批，都少不了他们的影响。他们的话语权和决定权，使得他们在地方社会中占据了一席之地。
人际关系的网状结构：在一个相对封闭的小社会里，人际关系往往至关重要。这些“县城婆罗门”通过建立强大的社交网络，控制了信息流通和资源分配，因此能在关键时刻起到决定性的作用。

“县城婆罗门”背后的隐喻

虽然“县城婆罗门”常常是受到尊敬和崇拜的，但这种“高高在上”的地位也并非没有问题。在现代社会里，我们不难发现，许多县城的“婆罗门”可能并没有真正的能力和创新精神，而是通过世袭关系、资源垄断等方式，保持着自己的位置。随着信息化的发展，这些“婆罗门”的权力逐渐被打破，新的社会流动性开始影响着小县城的面貌。

总的来说，“县城婆罗门”是一个很有趣的社会现象，体现了地方社会中的权力和文化结构。尽管他们的“权力”可能并不直接威胁到国家的治理，但在地方范围内，他们无疑是举足轻重的人物。在这个信息流通迅速、社会变革加速的时代，县城里的这些“婆罗门”们也许正在面临着前所未有的挑战。

结语

本来都不会有这篇稿子，就是好奇婆罗门是什么，然后扔给了kimi，结果还挺搞笑的，我能看到网页端已经搜索出来了结果，但是瞬间就变成了相关内容无法展示，然后我就想，这个词是不是有什么特殊的意义，然后我就扔给了ChatGPT,就有了这篇文章。

银行营销策略与个人财务管理的平衡艺术

Sun, 31 Mar 2024 01:33:48 +0800

最近，家中的装修项目让日常开销激增。平常也都在用信用卡，账单周期内还钱，虽然手头上有足够的现金，但更倾向于将这些现金存放在货币基金中，以获得一些额外的利息收入。同时，为了确保财务的稳定性，设置了自动还款功能，以便到期时能够及时偿还信用卡账单。

银行现状：存款增加，贷款减少

在经济不确定性增加的情况下，人们更倾向于储蓄而不是消费或投资。这导致银行的存款量增加，但同时也意味着银行需要支付更多的利息给存款人。另一方面，由于消费和投资活动的减少，贷款需求降低，银行难以通过发放贷款来获取利息收入。

为了吸引和留住客户，银行不得不提供更有竞争力的存款利率，这进一步压缩了银行的利差空间。同时，为了刺激经济增长和消费，中央银行可能会采取降低基准利率的政策，这也会影响到银行的贷款利率，进而影响银行的盈利能力。

银行营销策略：培养用户习惯

最近快到了还款的日子。首先，交通银行联系我，提供了一年期的免费分期服务，不收取任何利息。紧接着，招商银行也提供了分期利息打2.5折的优惠，折算成年化利率仅为1.9%。面对这样的优惠，我选择了接受两家银行的分期服务。

我意识到银行为了培养用户习惯，真的不惜下血本。按照银行流水的定义，我应该属于银行的优质客户。在当前银行资金放贷难的背景下，通过培养我的分期意识，银行实际上是在为未来我可能出现的资金周转困难做准备，届时他们就能从我这里赚取更多的利息收入。毕竟，众所周知，信用卡账单分析的利息并不低。

银行通过提供免费分期服务和低利率分期优惠，不仅增加了信用卡的使用频率和额度，还在用户心中树立了积极的形象。这种策略的转变体现了银行对市场变化的快速响应和对客户需求的深入理解。通过这种方式，银行不仅解决了资金放贷难的问题，还为未来的盈利做好铺垫，赚钱不是只看当下，放眼未来才能长长久久。

个人财务管理的重要性

尽管银行的分期优惠听起来很诱人，但作为用户，用户应当认识到过度依赖信用卡分期可能会带来的风险。我们应该充分考虑自身的还款能力和未来的资金需求，避免因短期的财务便利而陷入长期的债务困境。个人财务管理的关键在于平衡当前的需求与未来的规划。

游戏的多维：心理发展与社交娱乐的交汇点

Sat, 30 Mar 2024 15:07:45 +0800

在当今数字时代，游戏已经不仅仅是一种简单的娱乐方式，而是成为了人们日常生活中不可或缺的一部分。从心理学的角度来看，游戏在不同年龄段的人们心理发展中扮演着不同的角色，同时也与社交娱乐紧密相连。

心理状态

年轻人处于探索自我和建立身份的阶段，游戏为他们提供了一个低成本的尝试和探索环境。通过游戏，他们可以尝试不同的角色和生活，满足好奇心和探索欲。而随着年龄的增长，个人的兴趣和价值观逐渐稳定，游戏可能不再符合他们的生活目标和兴趣点。

社交属性

同时，游戏也成为了社交活动的一部分，特别是对年轻人而言。他们通过游戏结交朋友和建立社交网络，游戏成为了社交的桥梁。然而，随着年龄的增长，人们的社交圈逐渐稳定，社交需求可能通过其他更成熟的方式得到满足，游戏在社交中的作用相对减弱。

社交属性：带妹

在国内，由于恋爱教育的不足，小时候父母只会让你好好学习，毕业了立马就让你恋爱，这个现象很常见。

因为学业、工作繁忙或缺乏交往技巧，在现实生活中未能建立起稳定的情感关系，从而感到孤独和渴望被关注。游戏中的“带妹”行为为他们提供了一个释放这种渴望的出口，通过帮助和保护女性玩家，他们能体验到被需要和被重视的感觉，获得情感上的满足。

同时，游戏中的互动规则明确、环境可控，相比现实生活的复杂性和不确定性，游戏提供了一种确定性和安全感，减少了对现实交往中不确定性的恐惧。然而，长期依赖游戏中的虚拟满足感可能会影响他们在现实生活中建立和维护健康情感关系的能力

现实压力

游戏提供了一个虚拟的世界，让玩家可以暂时逃避现实中的压力、挑战或不愉快的情绪。特别是对于那些面临学业压力、家庭问题或人际关系挑战的年轻人来说，游戏可能成为他们寻求安慰和放松的一种途径。

游戏通常设计得让玩家在完成任务、提升等级或击败对手时获得成就感和认可。年轻人可能会沉迷于游戏中，因为他们在游戏中能够获得一种被赞赏和认可的感觉，这种感觉在他们现实生活中可能较为缺乏

年龄增加以后不喜欢玩了

年轻时，个人面临的社会责任和压力相对较小，有更多时间和精力投入到游戏中。随着步入职场、成立家庭等社会责任的增加，时间和精力变得更加宝贵，游戏可能被视为一种时间消耗，而不是优先选择的休闲方式。

随着年龄的增长，人们的认知能力和兴趣点也会发生变化。年轻时可能对动作快速、画面华丽的游戏感兴趣，而随着阅历的增加，可能更偏好策略性、故事性强或者有深度的游戏。如果市场上的游戏不能满足这些变化的需求，兴趣自然会减少。

游戏心理学：竞技游戏

Mon, 11 Dec 2023 10:26:22 +0800

氪金类型的游戏，这里不做讨论，游戏圈子里面，这种统称：人民币战士，不需要对游戏设定的理解，需要你有个殷实的钱包。他们享受的乐趣在于周围小弟的前呼后拥，屠城的快感。

有着广大受众的竞技游戏，比如：英雄联盟、DOTA、王者荣耀、绝地求生，这类型的游戏，世界观设定完整、游戏赛事已经进入良性循环的状态。

在游戏设计中，心理学确实是一个关键领域，而社交心理学尤为重要。理解人们的行为、需求和动机可以帮助设计更吸引人的游戏体验。关于"装逼"和社交心理学之间的关系，我们可以从以下几个角度来看：

社交认同感： 人们往往寻求在社交群体中建立认同感。在游戏中，如果设计能够让玩家感到自己在某方面很出色，能够引起其他玩家的注意，这可能会提高他们的社交认同感。这可能表现为炫耀技能、展示获得的奖励等。
社交竞争： 一些游戏采用了社交竞争的元素，鼓励玩家在社交网络中展示他们的成就。这可以通过排行榜、成就系统或多人对战等方式来实现。这样的设计激发了玩家间的竞争心理，可能会导致一些玩家表现得更为出色以获得社交认可。
自我展示： 有些游戏允许玩家通过自定义角色、虚拟物品等方式进行自我展示。这种自我展示不仅仅是为了炫耀，还可以是一种表达个性和社交交流的方式。
团队合作： 一些游戏注重团队合作，通过社交互动来达到游戏目标。在这样的情境中，装逼的行为可能并不被鼓励，而是强调团队协作和相互支持。
心理奖励系统： 游戏设计可以采用心理奖励系统，激发玩家积极的社交行为。例如，给予玩家奖励或特权，以鼓励他们积极参与社交互动。

总体而言，游戏设计中的社交心理学可以被用来塑造玩家之间的互动和社交体验。装逼行为在一些情境下可能存在，但游戏设计师通常会努力平衡这种行为，以确保游戏体验对所有玩家都是积极和有趣的。

想到哪里写到哪里，没有完整的大纲，稍微有点乱。

作者常玩的英雄联盟，算是我们这代人的青春记忆，大部分的家长都不喜欢孩子玩游戏，因为他们没有深入的了解体会过这类型的游戏，当然也和游戏设定有关系，每局游戏都是新的开始、对于很多孩子来说，玩的时候，并没有带入太多的思考，属于自行探索的玩法，这种模式下，游戏的输赢，更多取决于孩子本身的游戏天赋。依据笔者的实际体验，相当多一部分的玩家属于此类型，对于他们来说。

最大的成本不是金钱，而是时间。

游戏里面也有娱乐模式，用以满足娱乐玩家的需求。

英雄联盟这种竞技游戏对于笔者来说，更多的是圆了一个三国梦。开局你兜里两手空空，靠着自己的理解，补刀、发育，花费经济，布控视野，设局埋伏对面，更多的是用脑子玩游戏，没有那种绝佳的游戏天赋，也能玩的很开心。统领全局的掌控感，逆风翻盘的愉悦感。还有很多弹幕常说的云玩家，他们已经不玩游戏了，但是每次到世界赛期间，他们还是会观看比赛。

这里就不得不提，游戏时间。指的不是单局游戏的时间，而是你上号的时间，周末的下午、每天工作日的晚上七点到晚上十点之间，你会发现和队友大部分情况都能正常沟通，你发出去的信号，队友能理解，能收到回应。换到其他时间，比如说通宵游戏，你碰到的更多就是网瘾少年，顺风的情况，无事发生，逆风的情况下，他们能问候你的全家，隔着屏幕你都能感受到那股子戾气。

本身就是从事IT行业，游戏这些东西接触的很多，玩的也多，各种类型的玩过，对于竞技游戏，一直习惯用脑子玩，而是不是拼反应速度，天赋摆在这里，和职业的对比，或者小年轻对比，反应还是慢一些，习惯的是开黑，然后接管队伍的指挥权。最初玩的时候，就是读书那会，YY工会的老大哥们带着玩的。

现在游戏的环境怎么说呢，都比较浮躁，没有之前那种纯粹

上了年级以后，高分段的对局，玩下来真的很累，全程都是高度集中，思考对面谋划，如何化解对面的设局，属于那种，你打完都不想继续的状态。

真说你玩的很厉害，如果不打职业比赛，对于人生轨迹来说，并没有什么作用，能作为社交的手段，但是无法谋生，立足于社会。

单机游戏和网络游戏是两种不同类型的游戏，它们在玩法、体验和技术上存在显著差异。以下是理解单机游戏和网络游戏之间区别的一些关键方面：

连接方式：
- 单机游戏（Offline/Single-player）： 这种游戏是在本地设备上独自玩的，不需要互联网连接。玩家可以在没有网络连接的情况下享受游戏体验。
- 网络游戏（Online/Multiplayer）： 这类游戏通常需要互联网连接，因为玩家要与其他玩家进行实时互动。网络游戏可以是多人合作或对抗性的，涉及到在线社交和竞技。
玩家互动：
- 单机游戏： 玩家主要与游戏内的人工智能、预设的任务或敌对元素互动。游戏体验通常更加个人化，受到游戏内设计和故事情节的影响。
- 网络游戏： 玩家可以与来自世界各地的其他真实玩家互动。这可能包括合作完成任务、对抗或竞技比赛，以及社交元素如聊天、公会系统等。
游戏设计和内容：
- 单机游戏： 游戏设计更侧重于提供一个完整的、独立的故事情节和游戏体验。游戏内容通常是预先设计好的，玩家在游戏中探索、解谜或战斗。
- 网络游戏： 游戏设计需要考虑到实时互动和玩家之间的竞争或协作。游戏的内容可能更动态，包括定期更新、在线事件和社交互动。
技术要求：
- 单机游戏： 通常可以在离线状态下运行，对设备性能和互联网连接的要求相对较低。
- 网络游戏： 需要较强的互联网连接，而且对服务器和网络性能有较高的要求，以确保实时互动的顺畅进行。
商业模式：
- 单机游戏： 通常采用一次性购买或下载的商业模式，玩家购买游戏后即可在本地设备上完整地玩游戏。
- 网络游戏： 可能采用免费游玩、广告、道具购买或订阅等多种商业模式，以维持服务器运营和不断更新游戏内容。

理解这些区别有助于玩家在选择游戏时明确自己的偏好，并使游戏设计者更好地满足玩家的期望。