今天看到一个关于“人生为什么”、“人生意义”的视频，非常有启发。我把视频脚本提取，发给Grok。跟它探讨之后，终于解答了一个困扰我很久的问题。

这篇Newsletter有点冗长。看不下去不要紧。你只要记得有这么一个东西。以后万一你遇到相关的困惑，可以回来看看。

确定性不在结果里

人能忍受巨大的不确定性，前提是内心有某种确定性。但这种确定性不是“我确定会成功”，也不是“关系不会变”、“人生会越来越好”。真正的确定性，是我不知道结果，但我知道自己为什么出发。

这就是信仰。它不需要是宗教，可以是你相信的价值、你愿意捍卫的原则、你认定值得投入的事业，也可以是一个人。

信仰的作用从来不是告诉你未来一定会赢，而是在不知道输赢的时候，仍然知道自己应该往哪走。

尼采有一句话，后来被弗兰克尔反复引用：知道为什么而活的人，几乎可以忍受任何一种生活。

人真正难以忍受的，很多时候不是痛苦本身，而是不知道这一切为了什么。同样是长期的坚持，如果你不知道为什么，每一天都是消耗；如果你知道这件事对自己意味着什么，痛苦就会变成可以支付的代价。

人可以承受代价，却很难长期忍受没有意义的消耗。

当“为什么”本身在变化

但“为什么”也会迁移。当旧的理由开始松动，最容易出现的误判是：把方向的变化理解成之前全错了。

人很难同时承认两件事——过去那个“为什么”曾经是真的，而现在它不再足够。只选一边，就会走向两个极端：要么死守旧理由，把所有不适都解释成“我还不够坚定”；要么彻底否定过去，短暂地陷入虚无。

真正的校准，往往不是推倒重来，而是把旧的“为什么”从“必须永远成立”降级为“曾经成立，现在需要更新”：

它仍然可以是真的，只是不再是唯一的、最高优先级的真的。旧的理由并没有失效，它只是完成了阶段性任务，把人带到了可以看见下一个理由的地方。

在过渡期里，可以先问自己：我现在感到无意义，是因为旧的“为什么”真的不重要了，还是因为它不再能单独支撑我，而新的还没有长出来？

如果暂时降级而不是删除，哪些部分我仍然愿意保留？哪些部分我已经不再愿意用生命去支付？即使暂时说不清楚下一个“为什么”，我能不能先确认一个更小的判断标准——我仍然不愿意做哪类事，或者我仍然希望自己成为什么样的人？

人为什么需要“为什么”

人需要“为什么”和意义，不是因为这是高级精神追求，而是因为人的认知结构决定了，没有它会更难活下去。

人是少数会预期未来、会反思过去、会想象“如果没有这件事会怎样”的动物。一旦有了这种能力，纯粹的当下刺激就不够用了。

意义的第一个功能，是把零散的事件组织成可以理解的结构，让人知道什么重要、什么可以忽略、什么值得付出。

它也相当于一种内部的长期激励系统。很多短期没有回报、但长期有价值的行为，如果只靠即时快感是撑不住的。

意义让人在看不到结果的时候，仍然愿意继续投入。同时，它还帮助人分配有限的注意力：没有一个相对稳定的方向，人就很难拒绝那些短期有吸引力、长期却会把自己带偏的事。

更安静的一层是，人需要感到自己的存在不是完全随机的。

这不一定是“被安排”，而可以是“我做的这些事之间有某种连贯性，我自己能说得通”。

当连贯性存在时，即使结果不确定，人也能维持基本的稳定感。一旦断裂太久，人就会开始怀疑“我到底在干什么”，进而怀疑“我是谁”。

Read more

• 用AI赚钱，不是靠一键生成内容：绝大多数人被AI训练营误导，以为批量生成就能涨粉变现。真实情况是，平台和观众都不傻，纯AI内容普遍平庸且低价值。

• 正确用法是补上最关键的一环：以“康康Kang”为例，他用手机老老实实记录工厂生活，只用AI做英文配音和字幕。这一步让内容跳出国内低分成的小池子，出海到YouTube，有机会拿到每月几万人民币的广告分成。

• 踏实做事 + AI补关键缺口，比走捷径更靠谱：用AI赚钱不一定要做AI工具或搞虚假内容。把真实的事做好，再用AI解决最大瓶颈（比如语言、出海），反而更容易拿到结果。

普通人真的可以靠AI赚到钱，甚至逆天改命。但是，绝大多数人都搞错方向了。他们被那些AI训练营给忽悠瘸了。你别着急喷我，我举一个例子你就明白了。

我最近看到一个YouTube频道，名字叫“康康Kang”。这是一个30岁的西安小伙做的。他发的内容是记录自己在厂里打工的日常生活。比如他最近从西安到了常州，在一个电子厂里工作。

我认为，这个就是用AI用得好的典型例子。

你光看他的视频内容本身，可能会觉得很粗糙。比如他的拍摄，就是用手机拍，有的时候是手持，有的时候是用三脚架。但是，他的播放量非常强，已经出现好多个十几万、几十万的视频了。

你要知道，当你满足平台门槛之后，YouTube是会给钱的。有两个指标：一个是播放量，一个是千次展示费用。

以我的频道为例。我过去七天的千次展示费用是65美金，这算是很不错的水平了。说明广告主觉得我的内容所吸引来的观众很值钱，所以他们才愿意付高价。

可惜的是，我目前单条视频的播放量并不高，平均下来只有几千，所以即使广告单价不错，我每个月从平台拿到的广告分成也不多。

再看这个西安小伙的频道。虽然看不到他的后台数据，但如果每个月能有几十万到上百万播放，每千次播放实际到手几美元，那么一个月从YouTube拿到人民币几万块钱，是有可能的。

对于一个普通人来说，每个月能在工作之外稳定拿到几万块，这相当不错了。而且这是YouTube给的，比国内那些平台都靠谱多了。

那么问题来了：康康那个频道里，用了什么AI？

其实就一点：他用AI帮他做了英文的配音和字幕。我给你们听一下。

你别看这个很简单，但是对于他的内容来说，至关重要。

你想嘛，老外看的是什么？是真实，是猎奇。那老外为什么能看懂？因为有英文配音和字幕。

所以，如果没有AI做的英文配音和字幕，他的内容就无法出海，就不可能被那么多好奇中国普通人生活的老外看到，就不可能拿到YouTube的广告费。

如果没有AI的英文配音和字幕，他的内容就只能在国内发。你想想，那得有多卷啊？而且，卷到头了，还赚不了几块钱。真的，国内平台给的广告分成是很低很低的，做过自媒体的都知道。

好了，现在你可以回想一下，今天的舆论环境，是不是都在提倡让普通人用AI做一键生成的内容？好像不用费什么劲就能涨粉然后变现。但做内容、做自媒体真有那么简单吗？你觉得平台、观众以及甲方都是傻子吗？

在我看来，那些AI训练营就是不断刺激普通人的焦虑和贪心，然后他们赚了大几百万。

你再看康康这个频道，他一键生成、批量发布了吗？并没有。他还是老老实实一条一条拍，一条一条发，分享真实的生活。而在AI方面，他也就是用某个AI工具做了配音和字幕。正是这个配音和字幕，让他跳出这个小池子，去到汪洋大海。

所以，就像我在星球里说的：用AI赚钱，并不意味着你就非得做个AI工具，或者用AI去走捷径，搞些虚假的、歪门邪道的东西。你就踏踏实实、正正经经做事，用AI补上最关键的一环，可能事情就做成了。

不煽动大家，不给大家虚假的希望，分享点真东西，这个也是我做社群的原则。

OK，以上就是本期内容。想了解AI，想夺回个体主权，想找到志同道合的人，就来newtype社群。那咱们下期见！

Subscribe now

• 知识库分两类，方法不同：自己用的，资料必须掌握在自己手里（Obsidian + Wiki）；给别人用的，放在网站上通过RAG + MCP开放，让会员的Agent按需调用。核心原则是：积累要留在自己手里，且能跨模型、跨Agent持续使用。

• 自己用的知识库不再死磕传统RAG：上下文窗口变大后，优先直接喂原文；但资料量过大、想降成本或保精度时，仍需检索。做法是：用Obsidian CLI调用原生精确检索（关键词+结构+标签+属性），再配一套Wiki作为“地图”，把已梳理的概念、观点和关系沉淀下来，避免Agent每次从头整理。

• 给别人用的知识库走RAG + MCP：网站内容切块建向量索引，同时做关键词匹配；通过MCP提供搜索、读原文、浏览目录能力。以前内容主要给人看，现在让它进入用户自己的Agent工作流，作为可调用的外部参考。

早在2024年，我就出了一堆搭建个人知识库的视频，介绍过各种工具和方法。什么向量数据库啊、RAG啊，都聊过。很多小伙伴也是因为有知识库的需求才认识我，加入知识星球newtype的。

那么，两年之后的今天，我是怎么用知识库的？本期视频我来完整介绍一下。我把我的知识库分成两个类别，一个是“我自己用”，另一个是“给别人用”。用的人不同，采用的方法也不同。

先说我自己用的知识库。

对我来说，有一点一直没变：资料得掌握在自己手里。以后不管换哪个模型、哪个Agent，这些积累都能继续用，而不是换个工具，就得从头再来。

跟两年前不同，今天要搞知识库会简单许多。我是不再搭建传统RAG系统了。因为，模型的上下文窗口大了许多，可以一次放进更多原文。

但是，长上下文也不是万能的。

当资料真的超级多，超过上下文大小，或者希望降低输入量、减少成本的时候，还是得靠检索。

而且，上下文装得下，也不等于模型能在这么多内容里边，都保持同样的检索和推理精度。

所以，为了帮助模型检索，帮助模型更容易找到资料，我做了两件事。

第一，使用Obsidian原生检索能力。

Obsidian有一个很强的能力一直被大家忽视，就是它的精确检索。它不是单纯去做关键词匹配，而是可以把关键词、笔记结构、标签和属性这些条件组合起来使用，所以它的检索精确度很高。

那么问题来了：怎么让Agent去调用Obsidian的原生检索能力呢？

很简单，官方出了CLI。你让Agent帮你配置好，然后告诉它，以后要去这个知识库里查资料，优先使用Obsidian CLI。

第二，建立Wiki。

光提升检索能力还不够，因为如果你的知识库一团糟，Agent还是很难找到资料。所以，我给我的知识库建了一套Wiki。

这套Wiki能以更加结构化的方式去展现整个知识库都有什么内容，比如反复谈到的概念、主题都有哪些，等等。

但它不只是目录，还把我过去讨论过的观点，以及它们之间的关系整理出来。这样，已经梳理过的东西，Agent就不用每次从头再来。以后有了新内容，还能继续更新进去，让这些积累不断生长。

对于Agent来说，Wiki就相当于一张地图，让它知道这个知识库是干嘛的，有哪些已经整理好的知识，以及需要的时候去哪里找原文。这样真的能有效提升检索的效率。

刚才我介绍的这套方法，我很早就在newtype OS里实现了，用挺久的，效果很不错，大家可以试试。

这是给我自己用的知识库。那么，给别人用的知识库是什么意思？

我在网站newtype.pro上发布了我过往所有的帖子、文章、视频脚本和课程。但这些都是给人看的。如果用户想把我的内容给到Agent作为参考，那怎么办？

于是，我就把网站上的所有内容整理成一个知识库。在这边，我用到了两个技术：RAG，和MCP。

先说RAG。在我这套系统里，我会把文字内容切块、建立向量索引。这样模型就可以通过语义找到最相近的内容。除了语义匹配，我的网站也会做关键词匹配，帮助模型找到相关资料。

那为了让Agent调用知识库，还需要一个接入方式。我用的是MCP。

newtype MCP提供了搜索内容、读取原文、浏览目录这些功能。我的会员给Agent装上这个MCP之后，就能调用它们。

以前，这些内容主要是给你看的。现在，我想让它们也能进入你的工作流，帮你做事。

这样一来，我就给会员提供了一套可以接进自己工作流的外部知识库。你让你自己的Agent，在处理你的问题时，按需调用我的内容作为参考就OK。

以上就是我目前使用知识库的方法。

给自己用的知识库，资料掌握在自己手里。我让Agent通过Obsidian去检索，再用Wiki把已经梳理过的知识积累下来。以后换模型、换Agent，这些东西都能继续用。

给别人用的知识库，资料统一放在网站这一端，做好检索、阅读和权限管理，再通过MCP，让会员的Agent能够方便地调用，服务于他们自己的问题和工作流。

选什么方法，主要看资料放在哪里、谁来使用，以及Agent怎样才能找到并读懂它。方法可以变，但自己的积累，要留在自己手里，也要能持续发挥作用。

OK，以上就是本期内容。想了解AI，想夺回个体主权，想找到志同道合的人，就来newtype社群。那咱们下期见！

Subscribe now

用AI做事，我们的期待其实很简单：把需求说清楚，然后等它交付结果。

但当AI开始处理长期、复杂的工作，产品就出现了两种不同的设计。

一种像Grok Bot：你可以建立多个Bot，让它们分别负责研究、写作、运营，再让它们互相协作。

另一种像OpenAI的Dots：前台主要由一个助手与你交流。任务如何拆分、交给谁执行，尽量放在后台处理。

按圈内说法，一个是“按角色组织”，另一个是按“按任务组织”。

这就带来一个问题：

既然后台可以拆成多个Agent，为什么还要让用户面对多个Bot？直接给用户一个总助理，不是更简单吗？

我认为，多Agent设计在技术上完全不难。Personal Agent到底走哪条设计路线，取决于厂商对以下问题的回答：

谁来管理这些Agent？

多个Bot，不只是为了同时干活

一提到多Agent，我们很容易想到并行处理。

比如研究一家公司，让几个Agent分别查财务、产品和竞争对手，最后汇总成一份报告。

但这只能解释“为什么后台需要多个Agent”，解释不了“为什么前台要展示多个Bot”。

多个可见Bot更重要的价值，是把不同工作变成可以长期维护的角色。

比如，你建立一个研究Bot，告诉它：

“优先使用一手资料。数字必须注明来源。把事实、推测和观点分开。”

然后建立一个写作Bot，告诉它：

“面向普通读者。少用术语。先讲清楚问题，再解释背后的机制。”

这不是把一项任务分成两份，而是在培养两个长期承担不同职责的工作角色。

Grok Bot的不同Bot可以拥有各自的指令、记忆和例程，同时共享部分资源。这让用户能够分别调整不同角色，而不是把所有规则都放进一个总助理里边。

研究做得不扎实，就修改研究Bot的标准；文章写得太生硬，就调整写作Bot的表达方式。

你维护的不再只是一段聊天，而是一套持续工作的分工。

一个是“建团队”，一个是“找助理”

我们可以用一个日常场景理解这两种设计。

你要持续经营一个内容业务，需要有人研究选题、有人写文章、有人安排发布。

多Bot模式更像是给你一支团队。

你可以直接找研究员讨论信息来源，也可以找编辑修改文章结构。每个角色都能单独调整，有问题时可以直接介入。

单入口模式则更像给你一位总助理。

你只需要说：

“帮我完成这周的选题、文章和发布安排。”

至于需要哪些角色、谁先做、谁接手，由助理协调。你不必先理解内部组织，才能开始委托工作。

两种方式的核心区别，是管理权放在哪里。

前者让用户拥有更多直接管理专业角色的能力，后者则要求系统承担更多组织和协调工作。

这不是技术先进与落后的区别，而是产品选择把多少复杂度留给用户。

多Bot的好处，是出了问题可以直接找到“责任人”

假设文章连续几次都不符合你的要求。

在多Bot模式下，你可以直接进入写作Bot，告诉它：

“你不是措辞不够好，而是误解了我的读者。以后不要默认读者懂这些行业术语。”

这个角色本身，就是一个自然的纠错入口。

你可以继续和它讨论，也可以修改它的长期指令，不必每次都通过总助理转述。

这对需要反复打磨工作方法的人尤其有吸引力。因为你不只是想让AI完成今天的任务，还想让某一类任务以后都做得更好。

很多用户在Grok Bot里建立“前台Bot＋专业Bot”的结构。也就是说，你可以平时只找总助理，需要时再直接找专业角色。

因此，多Bot可见，并不意味着用户每次都必须亲自派单。

但多Bot也可能让用户变成项目经理

问题在于，角色越多，不一定越省心。

你可能开始纠结：

这个任务应该交给谁？研究Bot和写作Bot意见不一致怎么办？同一条规则需要修改几个地方？最后到底谁对交付结果负责？

如果还要由你在几个Bot之间复制信息、协调进度、解决冲突，那么AI虽然在干活，你却多了一份管理工作。

这也是多Bot设计最需要警惕的地方：它可能把本该由系统解决的编排问题，交给用户处理。

如果一个Bot已经能稳定完成工作，多加几个Bot，本身并不会创造价值。

一个入口，不等于所有任务混在一起

反过来，也不能因为产品前台只有一个助手，就认为它后台只有一个Agent，或者所有任务都挤在同一个上下文里。

这里需要分清三件事：

第一，用户与谁交流。

第二，系统如何保存不同任务和角色的状态。

第三，任务执行时调用多少个Agent。

它们并不是一回事。

就像你只对接一位项目负责人，不代表整个项目只有他一个人在做。

一个统一助手，完全可以在后台为研究、写作、运营维护不同的工作空间，再按需要调用不同的执行Agent。

所以，单入口真正要解决的难题，不是“如何让一个模型包办一切”，而是“如何在隐藏内部复杂度的同时，仍然把工作做好”。

更理想的形态，可能是默认一个入口，需要时展开

把两种设计结合起来，也许就是一种更完整的体验：

平时，你只跟一个总助理说话。

它负责理解需求、协调任务、汇报结果，不要求你先决定该找哪个Bot。

但在后台，研究、写作、运营等专业角色长期存在，拥有各自的工作规范和任务状态。

当你发现问题时，可以展开对应角色，查看它拿到了什么信息、采用了什么规则、为什么做出这个结果，然后直接纠正。

这里的重点不是“界面上应该有几个头像”，而是：

用户不必管理所有细节，但在需要的时候，仍然能够看清和控制关键环节。

最终，用户要的不是更多Bot，而是更少的管理负担

Grok Bot式设计的吸引力，在于把专业角色交到用户手里：你可以搭建、调整和长期培养自己的AI团队。

Dots式单入口设计的吸引力，则在于让用户直接委托目标，而不必关心团队内部如何运转。

前者要证明，多出来的控制能力值得用户付出管理成本。

后者要证明，隐藏组织结构之后，用户依然能看清过程、纠正错误、追踪结果。

对AI工作系统来说，多Agent只是实现手段。

我认为，真正重要的是：它能否在持续交付的同时，让你越来越少地充当调度员。

Subscribe now

• Codex自动命名容易失真：对话标题在第一轮就根据语义生成，后续话题一旦偏移，标题就不再准确，导致历史对话堆积后很难快速定位。

• 用Hook实现自动重命名：让Codex在两轮对话后根据实际内容改标题；从第六轮起每两轮再检查一次，并设置四轮冷却，避免频繁改名。提示词可直接用大白话描述，Codex会自己写Hook。

• 工具应该适应你，而不是你适应工具：Hook的价值不只是改个标题，而是开始让工具按你的工作流自动调整。这是把Codex从“通用产品”变成“个人系统”的关键一步。

Codex用久了，一定会出现这样一个问题：对话太多，找起来非常费劲！

为什么费劲？因为当你创建了一个新对话，Codex会给这个对话自动命名，起个标题。但是，它这个标题，真的很难看懂。

你看，这一大串对话都是我之前跟Codex聊的。我现在看着它们，大脑是一片空白的，因为我压根不知道里边究竟是啥内容。

比如“测试MCP连接”这个对话，其实当时我要测试的，是我自己网站的MCP连接。只看这个标题，我还以为是要测别的什么MCP。以及，这个对话的后边还涉及到修复会员的资格验证——这跟对话的标题就更不相关了。

之所以会出现这个情况是因为，Codex在用户提交第一个问题的时候，就会根据语义给对话起名字。一旦你后边聊的话题跟第一个问题的方向不太一样的话，那这个命名就很不准确了。

所以，要解决这个问题，最好的办法是，让Codex根据对话的实际情况，自动对标题做修改。

怎么自动修改？

这就涉及到一个工具：Hook，钩子。用大白话来解释就是，当某个触发条件满足的时候，就自动采取某个行动。

要做这个Hook很容易，把需求跟Codex说一下就行了。

你看，我跟Codex说，两轮对话之后，根据对话的内容重新命名。等几分钟，它就把Hook写好了。

我测了一下，效果很不错。在真实场景中，第一轮对话可能只是让Codex去找一些资料。第二轮对话才是真正的意图。所以我设计了等两轮再改名。

那么问题又来了：如果两轮之后，对话的方向又变了，怎么办？

我对这个Hook做了更新。第二轮是第一次修改对话标题。从第六轮开始，每两轮检查一下，并且每次成功更新之后，会冷却四轮，避免改得太频繁了，没必要。

这样一来，就算Codex里的对话越来越多，我也能一眼找到自己要找的内容。

做这个Hook的提示词，我已经发到知识星球newtype了。大家可以自取，根据自己的实际情况，对触发条件做些修改。你用大白话说就行，Codex都懂。

我认为，Hook真正有意思的地方，不只是自动改了一个标题，而是你开始让工具适应自己的工作流。

工具应该适应你，而不是你去适应工具——这是我一贯的理念。

OK，以上就是本期内容。想了解AI，想夺回个体主权，想找到志同道合的人，就来newtype社群。那咱们下期见！

Subscribe now

美光9月30日发了财报。按任何标准看都是一份漂亮的成绩单：营收、利润、毛利率全部创纪录，下一季的指引也高于市场预期。

但股价几乎没动。

很多人觉得奇怪：业绩这么好，市场为什么不买账？这篇就讲清楚三件事：美光现在处在什么位置，这份财报真正透露了什么，以及接下来我们该盯什么。

一、现状：美光在过一个前所未有的好日子

先说结论：美光现在的赚钱能力，是这家公司历史上从来没有过的。

毛利率接近九成。半导体行业里，这个水平通常只属于英伟达那样的设计公司，而不是做存储芯片的制造厂。存储是周期行业，过去好年景毛利率能到五六成就算顶峰了。

为什么能这么赚？原因只有一个：缺货。

AI服务器需要大量内存，尤其是HBM，就是贴在GPU旁边的高带宽内存。HBM有一个特点：做同样多的容量，要比普通内存多占好几倍的产能。HBM需求越旺，挤占普通…

Read more

• 把Codex装进游戏，关键是给它游戏上下文：通过自研插件（基于开源wow-ai改成Mac版），在《魔兽世界：永恒》里用/wow-codex唤出对话框。Codex能读取坐标、角色和环境，而不只是把聊天框搬进游戏。

• “酒馆日记”把游玩经历编成英雄故事：插件记录升级、去过哪里等经历，再由Codex写成酒馆传说式叙事，并可手动补充。这是把AI嵌入角色扮演环境的一次实验，而不仅是问答工具。

• AI下一步是进入具体环境：游戏有规则、上下文、行动和快速反馈，很适合练手。后续还计划做宏工作台，让Codex按描述写宏。AI负责理解和建议，怎么玩、怎么做仍由人决定。

我把Codex装进《魔兽世界》了。这你敢信？

你现在看到的是《魔兽世界：永恒》。这个游戏11月4日才正式上线。现在是Beta测试。我是通过预购获得了Beta资格。

在游戏中，我按下回车，在输入框里输入/wow-codex，就能开启Codex对话框。比如我问它：提瑞斯法林地哪里能卖东西？你看，它会获取我当前的游戏坐标，然后告诉我往哪走就能找到卖东西的NPC。

它的内核是Codex，但关键不只是把聊天框搬进游戏，而是让Codex拿到一部分游戏上下文。所以，它不仅能跟我正常问答，还可以根据我在游戏里的位置、角色和当前环境提供信息和建议。

刚才我演示的这一切，都是通过一个插件实现的。

整件事的起因是，我在X上看到有人做了一个名叫wow-ai的插件，可以在Windows系统下实现游戏内调用Claude Code的效果。

这个插件开源。于是我在它的基础上进行开发，把它变成Mac版的插件，在游戏内调用Codex。

我特别好奇，在AI的辅助下，玩《魔兽世界》是一种什么体验。

如果你跟我一样是80后，对《魔兽世界》和暴雪应该很有感情。

我当年是在大学里玩的国服，60级的暗牧。后来毕业了，国服一直不开70级，于是我跑到台服玩火法。

再后来，暴雪越来越没落。“暴雪出品，必属精品”这句话彻底成了回忆。

这次要出《魔兽世界：永恒》，我是特别想回归的。准备继续玩火法，连天赋怎么点都开始研究了。

现在离游戏上线还有一个多月，我打算做点准备。比如买个新鼠标，以及亲手做个插件。

我之前一直在说：AI的下一步，是进入你的环境。

《魔兽世界》有明确的规则，有大量的上下文，有具体的行动，有快速的反馈。所以，做这样一个插件，既好玩，又可以练练手。

刚才我演示了在对话中Codex可以获取游戏内的上下文，这只是最基础的。我昨晚突发奇想，在插件里添加了一个有意思的小功能，叫“酒馆日记”。

《魔兽世界》本质上是角色扮演。为了增强这种扮演感，我让插件去记录玩家在游戏内的各种经历，比如升到多少级、去了哪里等等。然后，由Codex把这些经历编成一个故事。就特别像《指环王》、《龙与地下城》里的那种在酒馆里流传的英雄故事。

而且，除了游戏内的数据，你还可以自己做一些补充，让你在艾泽拉斯的故事更加丰富。

除了已经实现的对话和“酒馆日记”，接下来我还打算添加好几个功能。

比如，我正在做一个宏工作台，让Codex帮我们写宏。玩家可以描述自己想要实现的效果，然后由Codex在游戏里添加。

《魔兽世界》这个游戏，你只要长期玩下去，不管是PVP还是PVE，一定会需要宏的。要么是去NGA找现成的，要么自己写。现在有Codex，这就方便多了。

你看，这就是我想实现的：在具体的使用环境中，不管是游戏还是工作，让AI彻底进来，理解状态，提供信息和建议。最后怎么玩、怎么做，仍然由我决定。

这个插件我已经发到GitHub上了。链接有发在知识星球，大家可以自取。

OK，以上就是本期内容。想了解AI，想夺回个体主权，想找到志同道合的人，就来newtype社群。那咱们下期见！

Subscribe now

• 难的不是让AI打牌，而是设计可靠的决策系统：真正的工作量在状态读取、规则计算、方案生成、策略判断、执行控制和记录评估这六层。接入Mod把游戏状态变成JSON后，流程变成：读状态 → 本地程序算出牌方案 → 必要时由模型做选择 → 执行 → 验证。

• Jev只负责“存在真实取舍”的判断：它不是万能模型，而是便宜、快速、专门做选择/打分的零件。本地程序负责可计算的部分，Jev只在眼前收益 vs 未来代价这类无法纯计算的环节上场；简单情况直接走本地评分，请求失败也有保底。

• 模型只是系统里的一个零件：一个模型能发挥多少价值，取决于你把它放在什么位置、整套系统怎么设计。AI时代真正值得掌握的，是设计系统、调用模型，并把主动权留在自己手里。

现在你看到的，是Codex在玩《杀戮尖塔》这款卡牌游戏。它会根据敌人的情况、我方的手牌，以及游戏的基本规则制定策略，然后出牌。

但这件事最难的地方，其实不是让AI学会打牌，而是设计一套足够可靠的决策系统，让它做出正确判断，以及验证判断。

我跟Codex一路讨论、反复优化，折腾了大半天，终于让它可以比较顺利地完成战斗。

你看，最开始，Codex是通过识别截图来读取游戏数据的，但这么做非常慢。后来改成只截取手牌等关键区域，还是不够快。

后来我突然想到，应该有Mod可以直接读取游戏数据。让Codex一搜，果然有。它叫CommunicationMod，可以把游戏状态以JSON的形式发送给外部程序，也可以接收外部程序发来的动作指令。这下速度就快多了。

所以，现在的流程是：

读取状态 → 本地程序计算出牌方案 → 必要时由模型做选择 → 执行动作 → 读取新状态并验证。

说真的，这么搞还挺有意思的，比我自己玩游戏还有成就感。

我甚至在想，以后会不会出现“AI游戏主播”：不是自己玩，而是教AI玩、看AI玩，就像训练宝可梦一样。

我之所以会想让AI玩游戏，是因为最近出了一个很火的模型，叫Jev。

它不是传统的GPT、Claude那种通用模型。它的设计目标不是生成文章或者代码，而是专门做一类事情：

根据你提供的信息，给出程序可以直接使用的判断。比如做选择、打分，或者判断是与否。

看到这里，你肯定会问：GPT那些模型不能做选择吗？为什么还要专门搞一个新模型？

GPT当然可以。但问题在于，相对这种专门做判断的模型，它们通常更大、成本更高，响应也更慢。对于那些范围明确、判断相对简单、又需要频繁调用的任务，每次都请一个大模型来回答，成本和延迟就不太划算了。

所以，更合理的做法是：事先把选项定好，由Jev来选择，并给出置信度；需要生成内容的时候，再调用大模型。

你看，去年我在星球里介绍n8n模型选择器的时候，就有过类似的想法：用一个更快、更便宜的模型做判断。请求简单就输出1，复杂就输出2，然后根据结果走不同的分支，调用不同的模型。

之前这些想法，因为条件还不成熟，都没能很好地实现。现在有了Jev，这条路就更容易走通了。

为了验证它的效果，我选择了《杀戮尖塔》这款游戏。

一是因为它的操作不复杂，不像即时战略游戏那样需要超高的APM；二是因为它需要策略，也需要不断做选择，正好可以用来测试Jev。

要使用Jev也不复杂。安装TypeSafe提供的Skill，并配置好API Key之后，Codex就能顺利调用Jev了。

但是，光接入模型还远远不够。真正难的地方是系统设计。这也是我很反感一些自媒体无脑吹Jev的原因。就拿让Codex玩《杀戮尖塔》来说，想把这件事完整做好，整个系统至少要考虑六个部分。

第一，状态读取。搞清楚现在有什么牌、还有多少费用、双方状态如何。

第二，规则计算。计算伤害、格挡和触发顺序。

第三，方案生成。把这一回合可能采取的行动组合出来，而且要覆盖不同的条件分支。

第四，策略判断。需要比较眼前收益和未来代价，以及本身的卡组构筑。

第五，执行控制。执行已经确定的动作；一旦出现新的信息，就停下来重新计算。

第六，记录评估。出了问题之后，要知道究竟是哪里错了，然后再衡量收益和代价。

在这么一大套系统里，Jev只负责那些“存在真实取舍”的判断环节。

比如，喝药可以更快干掉对手，让自己少掉血，但这瓶药可能对下一场Boss战更重要。

Codex写了一个本地运行的程序，负责读取游戏状态、生成候选方案，并计算结果。这个程序会把相关背景、候选方案，以及可以计算出来的后果交给Jev，再由它帮忙做出取舍。

所以你看，Jev并不是一个万能模型。不是接入之后，整个系统就会突然变得更牛逼。它实际能发挥多少价值，取决于你把它放在什么位置，以及整套系统是怎么设计的。

那么，在Codex玩《杀戮尖塔》这个项目里，Jev到底表现得怎么样呢？

我让Codex关闭本地评分和回退机制。程序继续提供可选方案和计算结果，然后在这些候选方案里，由Jev来决定采用哪一个。

正好下一场是精英战。Jev帮助Codex选出的方案，最后用了四个回合顺利过关。

这次测试至少说明，这条路线是可行的：Jev可以参与这种结构化的方案选择。

不过，它的判断并不完美。第三回合明明还可以多打一张牌，Jev却留着能量，直接选择了结束回合。

所以，我还是会采取“双保险”的做法，也就是把本地评分程序和Jev都用起来。这么做的好处是：如果遇到很简单的情况，就直接执行，不需要调用Jev；另外，万一Jev请求失败，也还有保底方案。

这次实验真正让我感兴趣的，并不是Jev到底有多强，而是它让我更清楚地看到：

模型只是系统里的一个零件。

一个模型能不能发挥作用，取决于你把它用在什么项目上、放在什么位置，以及整套系统设计得怎么样。这就是我对Jev的结论。

还是之前的观点：AI时代，真正值得掌握的，是设计系统、调用模型，并把主动权留在自己手里的能力。

OK，以上就是本期内容。想了解AI，想夺回个体主权，想找到志同道合的人，就来newtype社群。那咱们下期见！

Subscribe now

• 人是主编，AI只是帮手：旗帜鲜明反对“AI一键生成”。AI默认走最高概率、最安全的路径，内容正确但平庸，且没有真实感受和价值判断。选题方向可以让AI提，但拍板、核心素材、感受和立场必须由人来定。

• 先建系统，再谈生产：给账号写说明书（尤其写清“不做什么”），再建选题库、素材库、视觉素材库。从资料中提炼“内容母题”（可跨公众号/小红书/视频转换），而不是一次性选题。人负责判断，系统负责记忆，AI负责执行。

• 目标是复利，不是一次性任务：大多数AI教程只教写一篇文章、改一个标题。这本书要解决的是把定位、选题、资料、创作、复盘组织成可反复运行的工作流，甚至封装成Skill和自动化任务，让每一次创作都成为下一次的起点。

我的新书《用Codex做自媒体》已经上市了。除了书本身，还有配套的视频课程和Skill，你买了书，进群就可以领取。

谦虚地说，这本书大概是市面上最好的、教你怎么用AI做自媒体的教程。

我这么有信心是因为，主流的观点和做法，都是在提倡“AI一键生成”。我旗帜鲜明地反对这种做法。

我可以很肯定地告诉你：AI一键生成的东西，都非常平庸。不信你去看公众号的万字长文，那边是重灾区。

我现在已经不看任何所谓的“万字长文”了。感觉90%都是AI生成的，没任何营养，就是车轱辘话来回说，纯粹浪费时间。

这些内容，都是那些AI自媒体、AI训练营搞出来的。他们是赚到钱了。但整个内容环境、内容生态都被污染了。

为什么AI一键生成的东西很平庸？

因为AI默认会沿着概率最高、最安全的路径生成内容，所以它很容易正确，但平庸。你读多了就会发现，没什么新东西，完全不值得一读。

另外，AI没有感受，没有价值判断——它们只能假装自己是个人。而真实的感受、独特的价值判断，恰恰是内容里最宝贵的东西。

所以，我在这本书里始终贯彻的一个原则是：人是主编，AI只是帮手。

在别的领域，我会让AI完全接手去做，比如编程。但在内容这块，我绝对不会放手。AI可以提出选题方向，但最终做什么内容，什么内容能代表我，必须由我来拍板。AI可以写稿，但稿子里的核心素材、真实感受和价值判断，必须来自我自己。

在这个原则之上，我在书里手把手地教你如何用Codex搭建AI原生内容生产系统。

大多数AI教程解决的都是一次性任务，比如写一篇文章、改一个标题等等。但我在书里想解决的，是如何把账号定位、选题、资料、创作、复盘等等，组织成一套可以反复运行的系统。让你不必每次都从零开始。

在这套系统里，人负责判断，系统负责记忆，AI负责执行。

首先，你要给自己的账号写一份说明书。

比如，这个账号是谁？写给谁？长期关注什么？坚持什么立场？什么内容坚决不做？什么语气不能出现？等等。

这些东西不写清楚，AI就只能猜。

我自己的账号说明书里，一定会重点讲清楚的，是不做什么。比如，我不做What型内容，也就是单纯说谁又发布了一个新的AI工具、新的模型之类的。这种“不做什么”，其实是设定了一条非常清晰、严格的边界。AI就明确知道哪个方向不能走。这在实践当中效果很好，大家可以试一试。

有了账号说明书，接下来是建立三个资料库：选题库、素材库和视觉素材库。

你突然冒出来的念头，放进选题库。你亲身经历的事情、读书时记下来的观点、用户提出的问题，放进素材库。你平时看到喜欢的封面和画面参考，放进视觉素材库。

这三个资料库里，最容易被忽略的，是视觉素材库。因为大家都觉得脚本是第一位的，文字是第一位的。但是今天，视频的封面很重要，视频里边B Roll的拍摄手法很重要。这些视觉层面的东西，如果你没有刻意保存的话，仅靠模糊的记忆和感觉，是很难做出来的。

有了资料积累之后，我们从里边提炼出一个内容母题。

为什么是内容母题，而不是选题？

在我这边，选题的定义更窄，只适合某种内容形态。比如，一个选题适合做成公众号文章，但没法做成小红书的贴子或者一期视频。

你记住我这句话：公众号，要讲透；小红书，要讲具体；视频，要讲出来。所以，一篇公众号文章是没法拿来当成视频脚本的。

相比选题，内容母题更宽。可以做文章，可以做贴子，可以做视频，只需要你针对内容形态做一些改动，就能完成转换。

在新书配套的视频课程里，我演示了“一个母题三种平台转换表”。到时你照着做一个，就能理解我刚才说的讲透、讲具体、讲出来是什么区别了。

母题定了之后，才能选定某个内容形态，出框架、写初稿、修改、定稿。当一套流程跑通之后，可以固定成工作流，甚至封装成Skill。对于一些需要重复、定时做的工作，可以再做成自动化的任务。这些我就不多说了，大家拿到书之后，可以慢慢看。

所以，这本书真正想教你的，不是什么神奇的提示词，而是怎样把你的判断固定下来，把资料组织起来，把重复劳动交出去，再让每一次创作和复盘，都成为下一次工作的起点。

这就是我所说的AI原生内容生产系统：人负责判断，系统负责记忆，AI负责执行。

所以，书加课程、加工具，组合在一起，我希望让这本书的读者都能搭建起这么一套系统，让内容生产形成复利。

OK，以上就是本期内容。想了解AI，想夺回个体主权，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Subscribe now

• 让Bot自己复盘：每周由主控Bot（CHIEF）一对一找各个Bot沟通，复盘本周任务、找出摩擦点和浪费额度的地方，再汇总优化建议。人看不到的执行摩擦，只有Bot自己复盘才能发现，这也是机器人舰队自动化运行的必要步骤。

• 添加分诊Bot，避免路由不稳定：复杂任务（需调用2个及以上Bot）不要全交给主控Bot拆分，而是转给专职分诊Bot判断该找谁、按什么顺序、要不要人工签字，并输出JSON。目的是减少意图偏差和上下文污染。

• 主控+分诊是更稳的编排结构：一对一简单任务用“主控带小弟”即可；多Bot协作时单独拆出路由层。这套思路与newtype OS里的Deputy Agent一脉相承，是把Grok Bot真正用成可托管系统的关键。

分享两个Grok Bot技巧，都是我自己实际在用的。

第一个Tip，让Bot自己复盘。

当Bot多了之后，跑起来可能会出现各种问题。但是咱们人又没法那么细致地去排查和修复。这个时候，就可以让Bot自己搞定。

你看，我交代主控Bot、也就是CHIEF，每周日晚上，去找各个Bot做一轮一对一的沟通，复盘过去一周干了哪些事，有哪里需要改进的地方。

接到任务后，CHIEF会挨个找另外7个Bot聊天。比如，它找负责GEO的Bot，让对方评估有哪些做得不顺、浪费额度的地方，提出优化建议。

当接到所有Bot的反馈之后，CHIEF会做一个汇总，包括它自己的复盘，然后给出修改建议。咱们大致看一眼，觉得OK的话，就可以让CHIEF指挥Bot做优化了。

这种做法的好处是，可以把很多我们人看不到的信息搜集起来。比如Bot在执行任务的过程中，会遇到各种摩擦——这些是我们不可能知道的。唯有让Bot自己复盘，才能发现这些隐藏的问题。

另外，这也是让这支机器人舰队自动化运行的必要步骤。

第二个Tip，添加分诊Bot。

包括我在内的很多人在用Grok Bot的时候，都会采取一个主控Bot带一群小弟的模式。这种模式适合做简单的、一对一的任务。当遇到那种需要调用多个Bot、互相配合的复杂任务的时候，就有点吃力了。

因为这些任务经常涉及到是要串联还是并联，究竟该找哪个Bot，这些都让主控Bot去做，可能会让路由不稳定。另外，主控Bot在交接的时候，有可能会在需求里添加自己的理解，导致意图出现偏差，这也是需要避免的。

于是，我特意添加了一个分诊Bot。它的唯一职责是：读一段需求，判断该交给谁、按什么顺序、需不需要人工签字。

当用户需求涉及2个及以上不同Bot的时候，主控Bot把需求转发给分诊Bot，由它来生成一段JSON。

这种做法，其实我之前做newtype OS的时候就已经用上了。

当时搞多Agent编排，特意设计Deputy这个Agent，专门负责任务的派发和回收，就是为了避免上下文污染。现在到了Grok Bot，也是同样的思路。

这个分诊Bot相关的提示词，我已经在星球里分享了。大家可以自取。

在我的带动下，我们社群越来越多人开始使用Grok Bot了。这个产品真的非常有潜力，大家一定要用起来。后续我也会分享更多实用干货。

还是那句话，只要是先进AI生产力，我们社群一定会第一时间用起来，并且大量研究、讨论。

OK，以上就是本期内容。想了解AI，想夺回个体主权，想找到志同道合的人，就来newtype社群。那咱们下期见！

Subscribe now

• Ollama现已原生嵌入Codex：最新版Ollama支持一键接入，Codex模型列表里可同时出现官方模型和Ollama的云端/本地开源模型。同一对话可随时切换模型，上下文保持连续，底层模型可替换。

• 配置只需两步：彻底关闭Codex（含后台进程）后打开Ollama的Codex开关，再到设置里添加本地已安装模型并重启。门槛极低，新手也能完成。

• 开源模型是主权AI的关键拼图：千问、DeepSeek等开源模型已能用于日常生产，硬件门槛个人可负担。同时调用闭源与开源两套体系，本质是增加选择权，而不是被单一服务商绑定。

最新版Ollama你一定要安装。因为它现在支持Codex嵌入。也就是说，你可以非常容易地在Codex上使用开源模型。

你看，Codex的模型列表里，下面这些是OpenAI官方提供的模型，上面就是来自Ollama的模型，包括他们云端的模型，以及我自己本地安装的模型。

而且，现在使用来自第三方的模型，左边这些历史聊天都在，不再像之前那样，变成新的记录。

在测试的时候，我还发现一点：在同一个对话里，可以随意切换模型。

你看，我最开始是用本地的模型。然后从qwen3.8切到GPT-5.5，之后又切到gemma4。这个切换的过程中，对话都正常。最后，我又问它，我前面都说了什么。它是有前面的聊天记录的。

这就意味着，上下文的数据是通的，而底层的模型可以随意更换。这对于我们这些想搭建个人主权AI系统的人来说，是个非常非常好的消息！

要实现Ollama对Codex的嵌入，你只需做两步。非常简单，有手就行。

第一步，把Codex彻底关闭。然后把Ollama的Codex按钮打开。

这一步有可能会出现报错。我当时还让Codex帮我检查原因。结果发现，其实是Codex没有完全关闭。所以需要打开活动监视器，把后台所有Codex和ChatGPT的进程都关了。这样Ollama才能完成设置。

第二步，来到设置里边，拉到最下方，把你想要的模型配置上。然后重启Codex。这样一来，模型列表里就有你想要的开源模型了。

在初始状态下，里边只有Ollama云端的模型，而且满5个了。你需要做的就是把不想要的删了，然后在弹窗里找到你本地已经安装好的模型，添加进去就完事了。

看到这里，我知道肯定会有人问：有必要搞开源模型吗？

第一，开源模型已经很能打了。

最新的千问和DeepSeek证明，开源模型已经可以用于日常生产了，并且所需要的硬件配置也是个人能负担得起的。于是，我现在可以同时调用闭源和开源两套体系，把它们的优势都发挥出来，为我所用。

第二，Ollama把使用门槛进一步降低。

之前要在Codex或者Claude Code里接入开源模型，还挺麻烦的。现在Ollama把这些门槛直接去掉了。即使是新手也可以很轻松就完成配置。

第三，多一个选择不好吗？

我订阅了100美元的Codex和Grok Bot，但我同时也用开源模型。我不只是要用AI，而是要搭建个人主权AI系统。

昨天我还在星球里说，过去三年，我做了那么多事情，其实最根本的，就是想要更多选择权，不管是使用AI还是过好人生，这是我的基本追求。

OK，以上就是本期内容。想了解AI，想夺回个体主权，想找到志同道合的人，就来newtype社群。那咱们下期见！

Subscribe now

• Grok Bot以Bot为核心，而非Chat：同一类需求反复找同一个Bot，上下文长期汇聚。Bot之间还能互相发消息、协作，这是它和Codex等产品最大的不同，也是“活”的AI员工感来源。

• 两种经典协作方式：串联（流水线，一个Bot完成一步再交给下一个）和并联（拆分后同时交给不同Bot执行）。通常由一个总控Bot（如CHIEF）负责拆分、派发、回收和交付，必要时再加条件分支。

• 非必要不拉群：群聊适合需要对齐、所有人都必须看到全部信息的场景；一对一消息更轻量。信息量过大会加重每个Bot的上下文负担，多数情况下“一个总控+一群小弟”就足够。

Grok Bot跟别的Agent产品，比如Codex，最大的不同在于：它是以Bot为核心，而非Chat。

也就是说，你不再是新建一个又一个聊天框，而是同一类需求，就找同一个Bot反复聊。

而且，因为是Bot、是机器人，不再是“死”的聊天框，它们之间是可以协作的，而且潜力非常大。

本期视频，我来详细讲解一些Grok Bot的基本用法。这些内容，过去几天都发布在知识星球newtype里边。有些小伙伴已经用起来了。如果你也想找人一起讨论、一起学习，欢迎加入我们社群。

当你开始使用Grok Bot，很快就会发现第一个小惊喜：Bot之间居然可以发消息！

举个例子。我跟一个Bot说：你去告诉其他Bot，以后回复我的内容尽量通俗易懂，并且英文和数字前后不要有空格，标点用中文的（除非是英文内容）。于是，这个Bot会给其他Bot发Message，告知这条信息，让它们执行。

你看，这个就是Bot和Chat的最大不同——它们是“活”的。不仅自己会执行，还会互相协作。

所以，我创建了一个叫CHIEF的Bot。平时大部分时间都是跟它聊。由它来判断，交给谁去执行。只有需求非常具体的时候，比如就是投资相关的，那我才会去找对应的Bot。

当你理解这一点之后，新世界的大门就打开了。既然Bot之间可以互相发消息，那么，就可以采用以下这两种经典的协作方式。

第一种，串联。也就是像流水线一样，一个Bot完成一个步骤，再交给下一个Bot。

第二种，并联。也就是一开始就做好拆分，然后把子任务同时交给不同的Bot去同时执行。

这两种协作方式，都由一个Bot负责总控，比如我这边的CHIEF。它负责拆分和派发，也负责回收和交付。

在这两种的基础上，你还可以根据情况设计更加复杂的流程，比如有各种条件分支，由Bot自己判断要走哪一条线路。

看到这里，可能会有小伙伴问：直接拉个群不就完事了吗？搞那么复杂干什么？

一对一发消息和群聊完全不是一回事，因为参与者能看到的上下文是不同的。

你回想一下，在公司里，什么时候要拉个群或者所有人一起开个会？

要对齐的时候。

也就是所有人都得知道项目的所有信息、所有进展，包括别人做了什么、进度怎么样。换到Bot这边也是一个道理。

但是，你不能什么项目都这么搞。因为信息量太大了，每个同事都会很累，开会的时候心里肯定都在骂。同样，对于Bot来说，一旦拉群，那么上下文的负担也会很重。

所以，基本原则就是：非必要不拉群。

在多数情况下，一个总控带着一群小弟，用串联或者并联的协作方式就足够了。

我最近这两期内容，上一期是关于Grok Bot的整体介绍，这一期是关于具体的用法思路。你理解之后，就知道怎么把这款产品纳入你的个人主权AI系统当中。

发消息和群聊，串联和并联，这些组合起来真的有很大很大的潜力。我在星球里也说：现在官方的Marketplace是分享单个的Bot，之后也许会把整个协作网络也加上，那就厉害了！后续有更多发现，我会继续在星球内分享。

OK，以上就是本期内容。想了解AI，想夺回个体主权，想找到志同道合的人，就来newtype社群。那咱们下期见！

Subscribe now

• Grok Bot是目前最接近“AI员工”的产品：它以Bot为核心而非聊天框，同一类任务的上下文长期汇聚在同一个Bot上；同时给每个Bot配备长期在线的云电脑工作环境，自己执行任务，用户只在必要时接管。

• Grok Bot与Codex形成互补：Grok Bot是“AI员工”（有自己的办公室、长期在线、自主干活）；Codex是“AI助手”（在你的办公室里听指令辅助）。作者目前用两个主力Bot分别负责选题和GEO，后续再补开发和投资Bot即可。

• 这是建设个人主权AI的正确方向：不必创建大量Bot，把同类任务汇总到一个角色即可。Bot之间还可以拉群协作。产品思路领先于模型能力本身，值得老板和创业者都试一试。

所有老板都应该试一下Grok Bot。因为至少在我用过的产品里，它是第一个真正有AI员工感的。

所有创业者也应该试一下Grok Bot。Agent这一波，他们算是把产品做明白了。

本期视频，我来说一下我强烈推荐的原因，以及我目前是怎么用它的。其实最近几天已经在星球内陆续发过好几条帖子了。

在我看来，Grok Bot做对了两件事：

第一，以Bot为核心，而非Chat。

聊天框适合问答，这是Chatbot阶段的产物。但是到了Agent阶段，如果还用聊天框，每次还要新开一个对话的话，那一大堆零零散散的上下文怎么搞嘛？

于是，Grok Bot以Bot为核心——你创建的是Bot；每次有需求了，回来找的也是同一个Bot。

同一类任务下的所有信息都汇总到同一个Bot那里。不同Bot分头负责不同任务。就像公司里的各司其职。这个才是AI员工该有的样子。

第二，给Bot配上一套长期在线的工作环境。

Grok Bot不跟你抢电脑，它们在云电脑上工作。配置还挺高的，我之前发帖夸过。

每个Bot有自己的工作界面。同一账号下的Bot共享一台持续运行的云电脑。它们自己执行，你不需要盯着。

用户默认只看状态和预览，在必要的时候才全屏接管。比如登录账号，完成了再交回去。

假如跟人共用一台电脑，好处是资料都在本地，AI可以直接上手。但坏处是，你得设置权限，防止它瞎搞；此外还得防止电脑休眠，中断任务。

你看，Grok的模型能力未必最顶尖，但Grok Bot的产品思路很领先。有些地方，它甚至比Codex更像一个完整的AI员工。

所以，我现在两个产品都在用。就像我在知识星球newtype里说的：

Grok Bot是AI员工：它有自己的办公室，长期在线，自己捣鼓。

Codex是AI助手：在我的办公室里，听我指令，辅助我干活。

我并没有创建一大堆Bot。其实我当下的核心需求就两个：一个是选题，一个是GEO。

我创建的第一个Bot就是选题方向的。我过往所有资料都在Dropbox上，于是给它授权，让它完整看一遍。此外，还把个人网站、X和YouTube账号给它，让它知道内容发布出去以后的情况。

有了这个基础，我让它帮我做一个全面的诊断，并且提出优化建议。说实话，它给出的判断跟我自己的判断非常接近。

除了视频内容，我还让它帮我监测X上的头部博主，看看有哪些选题值得我跟进，并且给出具体的帖子内容。

第二个Bot专门负责GEO。我让它打开Google和Bing的后台，我来登录。这样它就能看到网站的具体数据。配置好定时任务以后，它还可以定期检查数据、给出优化建议。

这件事，之前我都是手动下载数据报表，然后交给Codex分析处理——我其实不太喜欢Codex动我的浏览器。现在Grok Bot有一套长期在线的工作环境，可以自己查看后台，我就省事多了。

我自己实际使用下来发现，其实很多任务都可以汇总到一个角色、一个Bot身上。没必要搞太多，反而占用资源。目前这两个作为主力，然后补上开发和投资两个Bot，足够了。

如果不想自己创建Bot，也可以看官方的Marketplace，里面已经有不少现成的Bot。

另外，这些Bot除了单独用，你也可以拉个群，把它们都加进去，让它们互相发消息、共享上下文。比如有的负责搜集资料，有的负责写报告，等等。

所以，就像我前边说的，Grok Bot和Codex我都同时用。一个替我干活，一个帮我干活。

我打算按这套配置跑一段时间。感觉这会是建设个人主权AI的正确方向。

OK，以上就是本期内容。想了解AI，想夺回个体主权，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Subscribe now

• 一人公司不是“一个人包办所有岗位”：那种理解只是把自己当无限劳动力压榨，上限永远卡在个人体力和注意力上。真正的一人公司扩大的是“可组织范围”，即一个决策核心能有效调度、设计、验收并对结果负责的资源和活动有多大。

• 核心能力是编排，不是全栈：全栈是让自己掌握更多岗位能力，仍受限于个人时间和精力；编排是让模型、工具、Agent、SaaS、兼职和项目制外包在你设定的边界里协同。组织边界不再等于劳动合同边界。

• 一人公司是更轻的组织形态：人变少了，但能被编进系统的东西变多了。真正重要的不是一个人做了多少，而是一个组织者能把多少能力编进系统，并对最终结果负责。

很多人一听到一人公司，脑子里立刻出现的画面是：

一个人既当产品经理、又写代码、又拍视频、又做客服、又管财务。

那不是一人公司的优势，那只是把自己当“无限劳动力”来压榨。

这种模式的上限，永远卡在个人体力和注意力上。

这是目前对“一人公司”很常见的一种理解，也是很多人觉得“一人公司”不靠谱的原因。

但我认为，这种理解并不准确。就像我在知识星球 newtype 里说的：

一人公司不等于一个人包办所有岗位。一人公司真正扩大的是“可组织范围”。

什么叫“可组织范围”？

它指的是：一个决策核心，能够有效调度、设计、验收，并对结果负责的资源和活动，到底有多大。

它衡量的是“你能把多少东西编进一套系统里”，而不是“你一个人包了几个岗位”。

在传统公司，可组织范围约等于编制范围。

也就是，需要一种能力，通常就设一个岗位、招一个人，再用制度明确判断权，用会议和对齐降低协作损耗。

这么做的结果就是，扩大可组织范围的主要方式往往是加人。而每个人通常只能组织好自己手头的事，再加上少量外部协作。超过这个范围，协调成本就会迅速上升。

而有了AI加持的一人公司，它扩大了“可被编进系统的范围”。

也就是说，除了人之外，一人公司还能组织 Agent、自动化工作流、SaaS、兼职、项目制外包，等等。

于是，在一人公司这里，组织的边界，不再等同于劳动合同的边界。有更多能力可以被你组织，却不必全部变成你的员工。

所以，别被“一人公司”里的“一人”迷惑了。一人公司的核心能力，不是全栈，而是编排。

全栈，是让自己掌握更多岗位的能力。

编排，是让不同的能力——包括模型、工具和外包——在你设定的边界里协同。

前者依然受限于个人的时间和精力，后者才是在放大一个人的组织半径。

一人公司不是更小的公司，而是一种更轻的组织形态。人变少了，但能被组织起来的东西变多了。

这才是理解一人公司的关键：真正重要的不是一个人做了多少，而是一个组织者能够把多少能力编进系统，并对最终结果负责。

OK，以上就是本期内容。想了解AI，想夺回个体主权，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Subscribe now

这是一套Codex内容生产实操课，主要面向普通创作者、知识型博主和职场人。

如果你已经买了我的书《用Codex做自媒体》，那么搭配这套课程学习，你的理解会更深，效果会更好。

如果你还没有买也没关系。只要安装了Codex App，并且准备一份自己的真实素材，就可以跟着这套课程完成练习。

整套课程一共有五节主课和一节进阶课。我们会使用同一个案例贯穿始终：为什么收藏了很多AI提示词，工作效率还是没有提高？

我们会从几条简单的个人观察开始，判断选题，生成选题卡，设计文章结构，完成初稿和修改，再把同一个母题转换成公众号、小红书和视频内容，最后把已经跑通的过程保存成可以重复使用的工作流。

这套课程最终要带你完成的，不只是一篇AI生成的文章，而是一条有真实素材、有人工判断、有文件结果、以后还…

Read more

• 主权AI的核心是三权：退出权（服务商封号、降智、提价后能否无缝切换）、所有权（对话、记忆、历史能否完整导出并迁移到下一套系统）、定义权（AI必须按你的目标、流程和评价标准行动，而不是被平台默认逻辑支配）。

• 主权AI的工程标准与核心资产：三个工程标准是可替换、可迁移、可恢复；四个核心资产是数据、记忆、工作流和评测。它是一套由个人掌握、能在外部服务变化后迅速恢复核心能力的个人基础设施。

• 主权AI本质是主体性觉醒：当AI从工具变成个人能力的延伸，你可以把执行交给AI，但不能把目标、判断和价值标准一起外包。主权AI不是技术偏好，而是AI时代重建个体主权的基础设施。

当一个人深度使用AI之后，一定会产生“主权AI”的想法。用大白话来说就是：

这个AI是不是我的？

我举几个例子，大家一定深有同感。

服务层面：当服务商封号、降智或者提价之后，我能不能换一家，继续完成原来的工作？

过去两年，这些事情我们经历得太多了。你就说御三家——OpenAI、Anthropic、Google，他们谁没多次恶心过人啊？

所以，订阅这些AI服务，我们并没有拥有智能，只是租用智能。这也是为什么一直有一小部分人在搞本地部署。

这是一种退出权，也就是我可以不被你绑定。而这种退出权，跟性价比完全是两回事。

数据层面：我的对话、记忆和历史资料能否完整导出、独立保存，并交给下一个系统继续使用？

很多人搞知识库，但这还远远不够。因为传统知识库主要保存相对静态的资料。

那你每天跟AI大量的对话怎么办？

这就是我给newtype OS做了记忆系统的原因，因为我想彻底掌握数据的所有权。这套记忆系统包括对话的完整保存，以及对话内容的自动提炼。这些全都以Markdown的形态保存在本地。

然后，我所有重要的讨论都在newtype OS里完成。那些脏活累活、单纯执行的工作，放到Codex去完成。

嫡系部队和外包团队，当然要区别对待。

执行层面：AI能否按照我的目标、流程和评价标准行动，而不是被平台默认的产品逻辑支配？

为什么之前Skills那么火？因为一件事具体该怎么做、做到什么程度，这个标准是人来定的，跟你AI有多强大没关系。

我不只做了Skills，还把内容生产的逻辑做成了一套多Agent编排的框架。这个框架就是newtype OS的内核。

执行层面，事情怎么做，做成什么样算好，这个是定义权。

刚才说的退出权、所有权和定义权，我不相信你会没想过。

所以，开头那个问题——“这个AI是不是我的”，它真正问的是：

为什么一个已经深度参与我思考、工作和生活的系统，最终是由别人决定它记得什么、能做什么，以及什么时候不再为我服务？

这其实就是一种对“主权AI”的需求。

关于“主权AI”这个概念，我在知识星球里有过完整解释：

它是一套由个人掌握数据、记忆、工作流和评测，能够替换模型、迁移系统，并在外部服务发生变化后迅速恢复核心能力的个人基础设施。

如果拆开来看的话，主权AI有三个工程标准——可替换、可迁移、可恢复，四个核心资产——数据、记忆、工作流和评测。

至于如何实现，我在星球里也发过文章。这条实现路径一共包括五个步骤，我自己已经完成了前三步，开始准备最后两步。

其实具体步骤也不是最重要的。主权AI真正重要的，是它背后代表的东西。就像我在星球里说的：

当你开始追问“这个AI是不是我的”，你关心的已经不只是数据备份、本地部署这些技术层面的东西了。其实，你的主体性已经开始觉醒。

也就是说，我可以把执行交给AI，但不能把目标、判断和价值标准一起外包。我可以使用系统，但我不接受由系统来定义我。

当AI从工具变成个人能力的延伸，主权AI就不再只是一种技术偏好，而是一种主体性需求。

主权AI不是终点，而是我们在AI时代重建个体主权的基础设施。

OK，以上就是本期内容。想了解AI，想夺回个体主权，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Subscribe now

• 本地部署看两个核心指标：容量决定能跑多大/多高精度的模型（27B 4-bit大约需要24GB起步），带宽决定生成速度。容量大不等于带宽高，两者都要兼顾。

• 三种主流方案各有取舍：Mac用统一内存性价比高但带宽较低；RTX 5090（32GB高带宽）最适合单卡跑Qwen 3.8 27B或双卡做多Agent并发；RTX PRO 6000（96GB高带宽）是最完整的本地方案，适合长上下文和多模型常驻，但价格昂贵。

• Qwen 3.8 27B是开源模型的DeepSeek时刻：性能好、体积小、个人可部署。它证明紧凑型模型已能成为真正的生产力工具，本地部署的门槛和价值都显著提升。

Qwen 3.8 27B就是开源模型的DeepSeek时刻。

它性能好、体积小。个人也能部署，实现很不错的效果。

最近几天，我研究了各种本地部署的方案。过程都有发在知识星球newtype里边。本期视频，我来做个总结。

在本地跑开源大模型，需要什么样的配置？重点看两个指标。

第一，容量。

也就是先看内存或显存容量。

模型运行的时候，需要把权重装进GPU显存或者统一内存。如果装不下，要么无法运行，要么就只能把部分权重放进系统内存，通过CPU或PCIe读取，那速度就会大幅下降。

用大白话说就是，内存或者显存容量决定了，你能跑多大尺寸、多高精度的模型。

举个例子，一个27B的模型，如果使用BF16的精度，那么光是权重就需要大约54GB。量化到8-bit之后，可以降到30GB左右。量化到4-bit之后，只需要17GB至20GB。

除了权重之外，系统本身、推理框架、上下文，它们都需要内存。所以，4-bit的模型，光有17GB还不够，大概得要24GB才勉强能跑。

第二，带宽。

把模型装进内存之后，第二个关键指标是内存带宽。容量决定能不能跑，而带宽决定模型生成有多快。

注意，内存容量大，并不意味着带宽就高。

比如英伟达的DGX Spark，它有128GB，比RTX PRO 6000的96GB还大。看起来很大、很划算，对吧？但是，它的内存带宽只有273GB/s，远小于RTX PRO 6000 的1792GB/s。

这么低的带宽意味着，DGX Spark虽然能装下很大的模型，但是跑大型Dense模型的时候，生成速度不会太快。它更适合MoE模型。因为MoE的总参数虽然很大，但每次生成token只激活其中一部分。

你看，我们星球里就有一个小伙伴买了两台，用来跑DeepSeek V4 Flash，速度有30多，够用了。

容量和带宽是理解本地推理最重要的两个指标，但不是全部。实际性能还会受到GPU算力、模型架构和推理框架影响。但是对于普通人来说，先抓住这两个核心指标，完全没问题。

OK，理解了原理之后，选择就容易了。我们有三个选择。

第一，Mac。

Apple Silicon用的是统一内存，也就是CPU和GPU共享同一个内存池。因此，买Mac的话，可以用相对较低的价格获得更高的内存。

但是，它的不足之处在于，带宽没那么高，只有5090和6000的一半、甚至更低。

所以，即使Mac拥有同样甚至更多的内存，在运行Dense模型的时候，速度不会太快。这个是需要取舍的地方。

第二，RTX 5090。

5090拥有32GB GDDR7显存和1792GB/s内存带宽，非常适合Qwen 3.8 27B这样的模型。

所以，如果你的目标只是本地运行Qwen 3.8 27B的话，一张5090通常比Mac Studio更合适。

如果需要多Agent并发的话，可以上两张5090。

注意啊，5090没有NVLink。非要跨卡通信的话，要走PCIe，效率不会像一块原生64GB显卡那么高。

所以，插两张卡的目的，是让每张卡都运行一个完整的模型——第一张卡处理一部分Agent，第二张卡处理另一部分Agent。它特别适合短中上下文、高并发、多Agent任务的情况。

5090虽然够快，但容量只有32GB。27B的模型没问题。如果要运行70B模型、超长上下文，或者同时常驻多个模型，那显存就不够了。这是它的不足之处。

第三，RTX PRO 6000。

这是最完整的本地AI方案。这张卡拥有96GB ECC GDDR7显存和1792GB/s带宽。

同时具备大容量和高带宽，意味着它特别适合长上下文、多模型常驻和生产级Agent服务。

而且，RTX PRO 6000还支持ECC和专业驱动，更适合长期运行。

但是，它有一个很大的不足：太贵了。你去搜一下价格就知道了。

刚才我介绍的三种方案，价格跨度非常大，从几万到十几二十万。所以，没有一种硬件在所有维度都最好，只能做取舍。

大家目前用什么配置跑本地模型？效果如何？欢迎在评论区留言。

OK，以上就是本期内容。想了解AI，想夺回个体主权，想找到志同道合的人，就来newtype社群。那咱们下期见！

Subscribe now

越依赖AI，越得考虑“主权AI”这个问题。

这两年，我们经历了很多被恶心、被拿捏的时刻。比如封号、模型降智等等。

客观地说，这几乎是无法避免的。

我认为，对个体来说，实现主权AI并不是要去从头训练一个大模型，也不是拒绝所有云服务。它的核心是：

个人掌握自己的数据、记忆、工作流和评价标准，并能随时更换底层模型。

主权就是选择权

首先我要纠正一个误区：

在本地运行开源模型，不等于拥有主权。

如果模型不了解你的历史无法进入你的工作流，它仍然只是一个通用模型。相反，即使使用商业API，只要核心资产掌握在自己手中，模型可以替换，就具备一定的主权。

判断标准很简单：

如果明天不能再使用当前模型，你的个人AI能否迅速恢复大部分能力？

所以，主权不是完全本地化，而是不被单一模型、平台和供应商锁定。

真正的资产不是模型

模型变化很快，今天领先，几个月后可能就被替代。个人真正应该积累的是以下四类资产。

第一是数据。文章、笔记、代码、项目资料和对话记录，应保存在自己控制的文件或数据库中，而不是只存在于某个平台。

第二是记忆。目标、偏好、专业背景、历史决策和项目状态，应进入独立的记忆系统。更换模型后，这些记忆仍然可以继续使用。

第三是工作流。如何检索资料、调用工具、检查结果、处理失败等等，应由自己的系统控制。模型只是其中一个推理引擎。

第四是评测。个人必须定义什么叫“做得好”。比如，好的文章是什么结构，投资分析必须回答哪些问题，代码达到什么标准才算完成，等等。有了自己的测试集，才能客观比较和替换模型。

不要急着微调

微调很重要，但不应是第一步。

最新知识不应该写进模型权重，而应该通过搜索和知识库获取；个人经历应该保存在可修改、可删除的记忆系统里。

微调最适合处理稳定、重复的行为模式，例如写作风格、分析框架、报告格式、工具调用习惯和判断边界。

因此，正确顺序不是把所有个人资料拿去训练，而是先用通用模型完成真实任务，记录它的错误和自己的修改，再从中整理高质量样本。

记住：先有工作流，再有训练数据；先有评测，再做微调。

一条现实路径

Read more

Stripe为什么愿意花超过70亿美元收购OpenRouter？

因为它已经看清了一件事：路由权就是定价权。

OpenRouter表面上是一个模型聚合平台，背后却掌握着一个关键权力：

决定一个AI请求发给谁。

OpenRouter不能直接决定模型价格，但它能决定订单流向谁。当一个平台掌握足够多的需求，分配权最终就会转化为议价权，甚至影响定价。

谁掌握这个分配权，谁就有机会向整个AI产业链收税。

所以，Stripe买的不是一家普通AI公司，而是AI时代的收费站。

它要做AI经济的清算层。

Stripe已经不满足于支付

Stripe原来的商业模式很清楚。

用户买东西，Stripe处理付款，然后从交易中收取费用。

在这套模式里，支付发生得太晚了。

在一个AI应用里，真正重要的经济活动，早在用户付款之前就已经发生：

用户发出请求，系统选择模型，模型消耗Token，开发者承担成本，最后才向用户收费。

Stripe过去只掌握最后一步。

OpenRouter则站在最前面。

它连接了80多家供应商和400多个模型，每天处理超过10万亿Token，服务超过1000万开发者和企业用户。

Stripe一旦拿下OpenRouter，就能从“用户最后付了多少钱”，一路追溯到“这笔钱为什么产生”。

一次AI请求用了哪个模型、消耗多少Token、成本是多少、应该向用户收多少钱、又该把多少钱结算给模型厂商——整个链条都有机会被Stripe接管。

这才是收购的核心。

Read more

最近BTC快速上涨，一个重要催化剂是白宫重新推动Digital Asset Market Clarity Act，简称CLARITY Act。

它不是宣布“所有加密货币都合法”，也不是取消监管，而是要解决美国加密行业最核心的问题：

一种Token究竟是证券还是商品？应该由SEC还是CFTC监管？交易所和项目方怎样做才算合规？

一、美国加密监管的问题

传统金融的边界比较清楚：股票和证券归SEC监管，商品和期货主要归CFTC监管。

但加密资产很难直接分类。

BTC没有公司、融资主体和管理团队，通常被视为商品。但其他Token往往由团队发行，项目早期还通过出售Token融资。这种行为很像证券发行。

问题在于，项目成熟之后，区块链可能已经由大量节点、开发者和用户共同运行，Token也开始用于支付手续费、质押和治理。这个时候，它还应该永远被视为证券吗？

SEC过去倾向于把项目早期融资和Token后续交易联系起来。加密行业则认为：融资行为可能是证券交易，但Token本身不应该因此终身成为证券。

CLARITY Act就是要解决这个矛盾。

二、法案的核心逻辑

法案最重要的原则是：

项目早期融资可能受到证券法监管，但当区块链足够成熟、控制权足够分散后，Token可以转为数字商品。

这相当于给Token设计了一条法律上的成长路径：

项目早期募资时，按照证券规则披露信息并保护投资者。

网络发展过程中，项目可以在满足披露和持仓限制的条件下发行Token。

当网络成熟、不再由少数人控制后，Token可以由CFTC按照数字商品监管。

这样既能约束项目方融资，又不会因为一次早期融资，就把Token永久锁定为证券。

Read more