你好，我是饼哥 👋

“知道想要什么，并且能描述出来。” 这是写《AI时代最重要的四个能力》时，给第一个能力起的名字：懂诉求。 描述出来——到底怎么描述？ 这件事有个名字，叫提示工程。不神秘。不需要会写代码。就是把心里模糊的想法，翻译成AI能懂的句子。反复翻译，反复调，直到AI给的东西对得上心里那个模糊的形状。 基础认知 编写提示不需要数据科学或机器学习背景——人人都可以做到。但写好提示并不简单，它涉及模型选择、训练数据、配置参数、措辞、语气、结构和上下文等多个变量，需要持续学习和实践。 LLM的本质 LLM 的本质是预测引擎。它接收一段连续文本作为输入，基于训练数据预测下一个最可能的 token，然后将预测结果追加到文本末尾，如此循环往复，逐步生成完整输出。 提示工程的定义 提示工程是设计高质量提示以引导 LLM 生成准确输出的过程。它适用于文本摘要、信息提取、问答、分类、翻译、代码生成等多种任务，需要针对具体模型优化提示并调整各项输出配置。 迭代过程 提示工程是一个迭代过程。模型选择、配置参数、措辞等多个变量都会影响效果，一次写出完美提示几乎不可能，需要反复尝试和调整才能获得满意的结果。 输出配置 输出长度（Token Limit） 输出长度控制模型生成的最大 token 数量。减少该值不会让输出更简洁，只是到上限即停止预测。短输出需求仍需在提示中明确要求简洁。 采样控制 Temperature（随机性） Temperature 控制模型输出的随机程度。低值（接近 0）输出更确定、保守；高值（接近 1）输出更有创造性、多样。数学或事实类任务建议设为 0。 Top-K（词频筛选） Top-K 限定模型仅从概率最高的 K 个 token 中选取下一个词。K 值越小，可选范围越窄，输出越保守和确定；K 值越大，候选池越宽，输出越多样和不可预测。 Top-P（累积概率筛选） Top-P 限定模型仅从累计概率达到 P 的最小 token 集合中采样，候选数量随概率分布动态调整。设 Top-P 为 0 则退化为仅选最可能 token（Temperature 和 Top-K 失效）；设为 1 则不排除任何 token。 综合应用 通用起点：temperature=0.2，top-P=0.95，top-K=30（连贯、有适度创造性）。 需要创造性：temperature=0.9，top-P=0.99，top-K=40。 需要确定性：temperature=0.1，top-P=0.9，top-K=20。 唯一正确答案：temperature=0。 需注意：自由度过高会降低生成文本的相关性，设置不当还可能引发"重复循环错误"（模型陷入重复输出相同词语或句子的循环）。 基础提示 提示的基本结构 一个设计良好的提示通常由以下要素构成，写作时可将其作为自查清单： 任务指令：明确告诉模型要完成什么任务（分析、总结、分类、生成等） 上下文：提供任务所需的背景信息和约束条件 示例：通过少样本示例帮助模型理解期望的输出模式 输出格式：指定输出的结构（纯文本、列表、JSON、Markdown 表格等） 角色与语气：定义模型以什么身份、什么风格输出 并非每个提示都需要所有要素——简单任务可能只需一句指令，复杂任务则需要充分填充。关键在于根据任务复杂度有意识地组合这些要素。 ...

2022年底，ChatGPT上线。打开网页，一个空白的对话框。 一道墙塌了。 在此之前，AI是代码的领地。在此之后，AI能说人话了。 而说人话——是文科生的主场。 技术该面对的当然要面对，短板该补的还是要补。但主场不在这里。 主场在语言，在表达，在判断力——在那些代码算不出来、但人能感受到的东西。 这是一张地图。是文科生画给文科生的。 AI概念地图 回望过去：从代码到语言 AI不是突然涌现的。它走了七十多年，才从一个哲学问题，变成一个打开就能聊天的对话框。 在这条路上，每一次快要走不通的时候，都有人重新推开了一扇门。 图灵测试 机器能思考吗？ 1950年，图灵没有直接回答这个问题。 他换了一种问法：如果一个人分不清跟自己对谈的是人还是机器，那么能不能说，这台机器在思考？他没有给出技术方案。他给出的是一个命题。 这是AI的起点：不是一段代码，是一个问题。 人工智能 使计算机执行通常需要人类智能才能完成的任务的科学。 1956年，达特茅斯会议正式确立了“人工智能”这门学科。 早期的方法很简单：写规则。人把知识编成一条条“如果……那么……”——如果图片里有胡须和尖耳朵，那么这是猫。机器只是忠实地执行人写的脚本。 世界太复杂了。永远有下一个例外等着人去补充新的规则。 这条路线走了二三十年，两次陷入低谷——史称“AI寒冬”。算力不够、数据不够、方法不够。人们对AI失望了两次，每次都觉得这条路走不通了。 但每次低温之后，又有人重新点燃了火。 机器学习 计算机从数据中自动学习规律、无须显式编程的算法体系。 这是一次翻转。 不再告诉机器猫长什么样。给它看一万张猫的照片，让它自己总结。不再写“如果……那么……”，而是喂数据、跑算法、得规律。 从“人教机器”到“机器自己学”——这个转变，是AI从代码的领地向外迈出的第一步。 机器学习有三种主要类型。监督学习：给数据，也给标签——一万张照片，每张标注”猫”或”不是猫”，模型学会分类。无监督学习：给数据，不给标签，模型自己发现数据里的分组和结构。强化学习：不给数据，给规则——告诉AI”赢了加一分，输了扣一分”，让它反复尝试，自己摸索出最优策略。 深度学习 使用深层神经网络学习数据层次化表征的机器学习方法。 如果说机器学习是”从数据中找规律”，深度学习就是”用更复杂的结构找更深的规律”。三者不是并列关系：深度学习是机器学习的一种方法，机器学习是AI的一个子集。 2006年，辛顿解决了神经网络的训练难题。2012年，AlexNet在图像识别竞赛中碾压传统方法。从此深度学习成为主流。 人脸识别、语音识别、机器翻译——这些以前做不好的事，深度学习做到了。自然语言处理这个原本靠规则和统计的领域，也被深度学习彻底革新了。 此时，AI越来越强。但它仍然是一堆代码——需要程序员来调用，它的输出是数字、分类、概率，不是人能直接看懂的东西。 Transformer 基于自注意力机制、并行处理序列中所有位置关系的神经网络架构。 2017年，Google研究团队发表了一篇叫《Attention Is All You Need》的论文，提出了一种新的架构——Transformer。 以前的AI读句子，一个字一个字顺着来。Transformer不一样——它可以一眼看完整个句子，同时理解每个词跟所有其他词的关系。 “他踢了它一脚，因为它挡路”——Transformer能瞬间锁定“它”指的是谁。 这个能力叫“注意力机制”。它是一切现代大语言模型的地基。没有Transformer，就没有后来的ChatGPT。 到这里，AI还是程序员的AI。 接下来，它开始说话了。 生成式人工智能 学习数据分布、生成新内容（文本、图像、音频等）的AI系统。 Transformer之后，研究者发现了一件惊人的事：把模型做得足够大、喂进去足够多的数据，它会涌现出超出预期的能力。 不仅能分类、判断，还能生成。 给它一个开头，它续写一篇文章。给它一句描述，它画出一张图。给它一段文字，它生成一段视频。 生成文本的主力是大语言模型。生成图像的主力是扩散模型——给它一段文字描述，它从随机噪声开始，一步步”降噪”，最终浮现出清晰的画面。两种模型各司其职，共同撑起了”生成式AI”这个名称。 AI从”分析工具”变成了”创作工具”。 2020年，GPT-3展示了这种能力。2000多亿参数的大模型，能写诗、写代码、做摘要——虽然还不够精准，但已经让人看到了可能性。 然后是2022年底。 OpenAI把生成式人工智能装进了一个对话框，叫它ChatGPT。 不需要安装。不需要写代码。不需要理解任何技术概念。打开网页，打字，回车。然后AI说人话了。 七十多年的技术积累——从图灵的哲学问题，到机器学习的范式翻转，到深度学习的神经网络，到Transformer的注意力机制——所有这一切，被封装进了一个所有人都能用的界面。 墙塌了。 AI从代码的领地，走入了语言的领地。 聚焦眼前：从碎片到框架 回望过去，看到了AI怎么从代码的领地走向语言的领地。现在，站在这里。 打开一个AI对话框——ChatGPT、DeepSeek，都一样。空空荡荡，等着一行字。 跟AI说话的这一刻，真正需要知道的东西并不多。下面这些概念，按接触的顺序排开，都是打开AI之后绕不开的东西。 明白与谁对话 大语言模型（LLM） 基于大规模文本数据训练、具备语言理解与生成能力的深度学习模型。 大语言模型的本质是什么？下一词预测机。 给它上文，它猜下一个最可能的词。猜完一个再猜下一个，一个个词接下去，就接出了一段话。它不是搜索引擎——搜索是从已有的信息里翻东西。它是推理引擎——根据上文，生成最可能的下文。 ...

AI时代，人还剩下什么？ 思考、好奇心、写作——人的价值在于在场。 但“在场”之后呢？ 在场不是站在原地不动。在场是带着人的特质，继续往前走。 那么，需要哪些能力？ 懂诉求 AI像最好的导航软件——算力再强、路线再优，也帮不了一个不知道目的地的人。 这是很多人在AI时代的真实困境：不是工具不够好，是方向没有定。打开对话框不知道问什么，面对眼花缭乱的新工具不知道哪个跟自己有关。焦虑的根源不是AI太强，是不知往哪走。 知道想要什么，是第一道门槛。 但知道目的地，和能把地址输对，是两回事。 心里有一个模糊的方向——“我想学点东西”“我想提高效率”“我想过得更好”——这些太笼统了。笼统的诉求，AI只能给笼统的答案。很多人试了AI之后觉得不过如此，其实是自己没说清楚要什么。 把模糊的方向翻译成清晰的表达，是一种被低估的能力。它不依赖技术背景，也不依赖对AI的理解深度，它就是——知道自己要什么，并且能把它描述出来。在AI时代，这个能力直接决定了能从AI那里得到什么——它也是提示词工程真正的起点。 会判断 有了方向，AI帮人跑起来了。东西产出了一大堆——文章、方案、代码、图片。然后呢？ 然后出现了一种危险：AI说什么，就是什么。 认知外包——把判断权也交出去了。AI生成的文字，看着挺通顺，就用了；AI给的建议，听起来有道理，就信了。脑子在AI面前休眠了。 2024年底刚开始学习AI的时候，我写过一句话：“可以做不好菜，但至少要知道好不好吃。”两年过去，这句话依然适用。AI能做满汉全席，但哪道菜火候刚好、哪道菜盐放多了——这个判断，必须人来做。 会判断，不是不信任AI，是保留独立研判的能力。不是高高在上的审美，是底线的清醒：不把脑子交给任何工具。 敢想象 会判断，是对已经有的东西说“行”还是“不行”。敢想象，是去创造还没有的东西。 大模型的原理是概率预测——给定上文，推算下一个最可能的词。这意味着它只能在已有的世界里重组，不能凭空诞生一个从未有过的东西。它能写漂亮的文章，但不能在深夜睡不着的时候，突然冒出“我想试试这个”的冲动。 我曾以为好奇心只是认识世界的燃料。后来发现，它也是创造的起点。五岁时感受到“我就是我”的那种纯粹的在场——就是想象力最原初的形态。 会判断守住底线，敢想象打开上限。不一定每个人都需要成为创造者，但保留一点“我想试试不一样的”——是人在AI时代的光芒。 能执行 前面三个——知道自己要什么、能判断好坏、敢想象——这些，我多少还能说出点东西。 但执行，是我的短板，长期以来的短板。规划了很多选题，迟迟不动笔。知道健康重要，睡前还是刷手机。想学一样东西，跟着敲了几个例子，没有真实的项目推着，就停了。从“知道”到“做到”之间，有一条巨大的鸿沟。 这个鸿沟，AI填不了。AI能帮人更高效地做事，但不能替人决定开始。开始，永远是人的事。 在AI时代，执行的紧迫性甚至更高。有一个玩笑：只要学得够慢，那就不用学了——因为技术更新太快，旧的还没学会，新的已经来了。玩笑归玩笑，道理反向看：执行力差的人，会被加速甩开。 关于执行，我现在找到的办法，是最小可行动作。 想写一篇文章但不知道从哪下手？先打开文档，写一句话。想运动但没动力？先穿上鞋，走五分钟。想做一件事但觉得还没准备好？先做最小的那一步——哪怕只是跟人说一句“我打算做这件事”。 “还没准备好”是我拖延常用的借口。后来发现，永远不会有准备好的时候。最小可行动作不是妥协，是把“开始”的门槛降到最低。门槛低了，摩擦小了，行动就有可能发生。 这四个能力我自己也还在修炼，尤其是执行——但把它们想清楚、写出来，就是我能迈出的第一步。 AI时代最重要的四个能力：懂诉求、会判断、敢想象、能执行。 你认同吗？ 如果认同，不妨点赞收藏，这也是一个最小可行动作。 写这篇文章本身，对我也是一次最小可行动作。 如果你对AI感兴趣，欢迎一起交流学习。

确定性降临的前夜 2023年我注册过ChatGPT，那是我与AI的初见，但浅尝辄止，因为后来号没了。 直到2024年12月，我决定认真学习AI，我花了两天时间系统梳理了国内外二十多个AI产品，然后从基本概念和提示词开始入门。 2025年初，DeepSeek-R1上线，看上去"真的有思考"。我意识到，AI不只是热点，是变革。 大模型的原理是概率预测——给定上下文，推算下一个最可能的词。但落到使用者身上，感受是确定性的降临：一切忽然有答案了。 这种"有答案了"的感觉正在覆盖越来越多的领域，原来需要人亲自做的事，变得不需要了。 这是机遇。那些像驴拉磨一样的重复劳动——蒙着眼睛，一圈一圈，原地踏步——终于可以放下了。 但这也是挑战。因为"不需要人亲自做"的范围，正在越来越大。当越来越多的领域被AI覆盖，一个以前不存在的问题浮出水面—— 还有什么是人必须亲自做的？ 最后的人 我让AI替我做了很多事。但也有一些事不愿意完全交给他。 例如写公众号文章。 不是做不了。我完全可以让AI生成一篇，我去发。一天一篇，甚至一天两篇，没有任何技术障碍。 但我不愿意。 因为写作这件事，意义不在结果，在过程。我愿意经历思考的卡顿，愿意在对话里一个思路一个思路地走，愿意推翻重来。不是因为享受——很多时候写作是痛苦的。但那个痛苦是我自己的，那个过程我在场。 写作能给我一种通畅的快乐。 如果把写作外包给AI，文章照样发，字照样多，但那个过程里没有我。我从中得不到思考的推进，得不到好奇心的满足，得不到写完之后那个"我想通了"的感觉。 说到底，我缺席了自己的一段人生。 去年跨年夜，我把十几年的文字全部喂给Gemini，让他分析我的人生。三百秒，十六万token，他吐出一份十五年的人生复盘——“清醒的挣扎者”，他这么定义我。那一刻我说，AI赢得了我衷心的尊重。 但尊重AI，和把自己交给AI，是两回事。 AI可以替我回答问题，但不能替我困惑。他没有睡不着的夜晚，没有"我就是想不通"的执念。他的思考是被触发的，没有内驱力。而人的思考，是从活着的重量里长出来的——真的遇到了问题，真的不甘心，真的在乎。 “能思考"和"在思考”，一字之差。能指向结果，在指向主体。AI能给出结果，但不能替人在场。 AI像浪潮，冲刷掉人的杂质——那些重复的、机械的、不需要人亲自做的事。浪潮退去，剩下的，就是人最本质的东西。 这就是最后的人。不是尼采说的那个安于舒适的末人，是被冲刷之后还站着的人——身上没有什么多余的了，但站在那里，就是证明。 论AI时代的人文精神 传统人文精神说：人因为能做某些事而有价值——能思考、能创造、能判断。这些能力让人区别于动物，让人有尊严。 AI时代，这些"能做"不再是人的专属。 AI能推理，能创作，能判断——传统人文精神用来确立人之为人的那些能力，现在AI也在做，有的还做得更好。如果人的价值建立在"能做"上，那当AI也能做，这个地基就松动了。 所以AI时代的人文精神，重心应从"能力"转向"在场"。 不是"我能思考，所以我有价值"，而是"我在思考，所以我有价值"。 在场意味着什么？意味着不缺席自己的思考，不外包自己的感受，不放弃低效的权利。 亲手写一篇文章，可能不如AI生成的好，但选择了走这条路——不是因为效率，是因为这个笨拙的过程本身就是活着的方式。选择低效，是一种尊严。 在深夜的困惑、在写作中的挣扎、在思考里的痛苦——这些脆弱不是缺陷，是人区别于机器的最后证据。脆弱意味着真的在乎，真的在承受选择的后果，真的活在这个世界里。 但最危险的，不是AI来抢事做，是便利的诱惑让人自愿缺席。没有人逼着把思考交给AI，他只是太方便了。自愿退场，而且这退场毫无痛苦——文章照样发，方案照样出，日子照样过。 但那些方便替人省掉的，恰恰是活着最具体的内容。 去年学AI的时候，我给自己写过一句话：面对AI，夯实基础、明确目的、略懂技术、勇于想象、回归人文。 现在回头看，最后那四个字最重。 确定性正在降临。但前夜还没过去。在这个关口，守住那些必须亲自做的事——不是因为AI做不了，而是因为不亲自做，就不在了。 我很喜欢笛卡尔的"我思故我在"。以前是"我思"，现在是"我在"。

2026年2月4日，立春，我重新启动了这个公众号，坚持周更。 每一篇文章，都几乎花费周末的一整天时间，有时甚至是两天。 如今三个月过去了，共发了16篇文章，不到50个粉丝，一多半文章阅读不到100。数据不太好看，这促使我阶段性地审视一下我做的这些事情。 写了什么 年初规划了"关于我"系列，是第一条主线，回头看，大部分都写了。 实际上在规划后开始写第一篇前，我就意识到，要致力于创造价值，不能像写个人文章那样"沉溺于自我世界"。因此，第一条主线实际上是"关于人"。 后面我会写很多关于AI的话题，但是在此之前，我想先想清楚在AI时代人的边界，于是就有了这些文章。 规划题目 对应文章 阅读量 认识世界是我的人生主线 《30岁后谈人生主线：从认识世界到改造自我》 23 个人系统1.0——什么是好的生活 《个人系统：支点越多，内核越稳》 121 健康的三个要素之睡眠 《健康生活的三个要素》 1017 健康的三个要素之饮食 同上 — 健康的三个要素之运动 同上 — 理解生命：从不确定性到确定性 《人生挥之不去的底色：死亡、性爱和钱财》 8（限流-删除） 理解金钱：物质财富的本质极其意义 同上 — 简单谈谈投资 《置身不确定性：复利、风控和普通人的理财配置》 6（限流） 好奇心是我的"第一性原理" 《带着好奇心见AI，也见自己》 10 一个尴尬的事实：我还没能"学会学习" 《如何真正学会学习》 246 数字时代的生存之道——信息素养 《被AI确诊为仓鼠症——从搬运到消化的四步疗法》 13 系统学习 未写，目前难以驾驭 — 认知体系 未写，目前难以驾驭 — 个人数字基础设施 《AI时代的个人数字基础设施框架》 51 我那些杂而不精的兴趣爱好 未写，个人话题 — 补充一些"难忘的经历" 未写，个人话题 — 一生的旅行计划 未写 — 安身立命——从工作到事业 《告别标准答案：财富、工作、稳定与好的生活》 55 计划外有感而发 烧掉1200万tokens，才想起不要在屎里掏金 864 整体数据： 高表现文章（>500阅读）：2篇 低表现文章（<100阅读）：7篇 《健康生活的三个要素》贡献了总阅读量的近三分之一 学到了什么 高表现文章的共同点 《健康生活的三个要素》1017阅读，《烧掉1200万tokens，才想起不要在屎里掏金》864阅读。两篇文章表现好，原因相似： ...

前面一段时间写了很多关于生活的话题，算是一次自我梳理，关于健康、关于工作、关于理财，接下来很长一段时间将要聚焦的内容主线是"学AI和用AI"。 作为一个非IT专业背景的人，在深入学习AI之前，有必要先审视一下自己的数字基础设施是否够用，于是我搭建了这样一个个人数字基础设施框架以供参考。 为什么数字基础设施对学AI、用AI很重要？ 本地部署大模型需要显卡和内存，这是硬件层要解决的问题。用好AI工具需要顺畅的网络访问，这是连接层要解决的问题。AI生成的素材、对话的记录、学习的笔记，需要妥善存放和组织，这是数据层要解决的问题。AI时代账号体系越来越重要，注册各种服务、管理API密钥，这是安全层要解决的问题。 基础设施到位了，AI才能用得顺手。 什么是数字基础设施 数字基础设施，就是支撑数字生活的底层系统。 它包括硬件、网络、软件、数据、安全，以及背后的使用理念。这些东西平时不显眼，但一旦出问题，就会直接影响工作和生活。 手机丢了，照片还能找回吗？云服务倒闭了，文件还在吗？账号被盗了，能快速恢复吗？ 这些问题其实并不遥远，每个人都有可能遇到。我曾经因为手机故障损失了好一段时间的照片——那可是我的青春。 我把数字基础设施分成六层，从底层到顶层： 硬件层：物理载体，包括电脑、手机、路由器等。 连接层：数据流动，包括宽带、同步、备份等。 软件层：工具支撑，包括操作系统、浏览器、密码管理器等。 数据层：信息资产，包括文件组织、知识沉淀、账号体系等。 安全层：风险防护，包括密码策略、两步验证、备份验证等。 理念层：使用哲学，包括极简原则、自主原则、演进原则等。 六层从有形的硬件到无形的理念，层层递进。每一层都有必要性，但不是每一层都需要一步到位。 必要性分层 每个子项可以分成四个必要性层级： 刚需：必须有，没有会严重影响正常生活和工作。比如主力设备、手机、宽带、操作系统。 推荐：应该有，能显著提升效率或安全性。比如密码管理器、本地备份、两步验证。 进阶：可以有，适合有特定需求或想深入的人。比如NAS、版本控制、本地加密。 按需：看情况，有需求再考虑。比如云备份、域名邮箱、智能家居。 这个分层可以帮助识别优先级。先把刚需做好，再考虑推荐，进阶和按需可以慢慢来。 框架概览 第一层：硬件层（物理载体） ├─ 主力设备【刚需】台式机/笔记本 ├─ 移动设备【刚需】手机 └─ 外设与配件【推荐】键盘/鼠标/显示器/移动硬盘 第二层：连接层（数据流动） ├─ 网络服务【刚需】家庭宽带/手机流量 ├─ 同步与备份【推荐】云同步/本地备份 └─ 跨设备协同【推荐】文件协同/应用同步 第三层：软件层（工具支撑） ├─ 操作系统【刚需】Windows/macOS/Linux ├─ 浏览器【刚需】Chrome/Edge/Firefox ├─ 输入法【刚需】系统自带/云输入法 └─ 密码管理器【推荐】Bitwarden/1Password 第四层：数据层（信息资产） ├─ 文件组织【推荐】目录结构/文件命名 ├─ 知识沉淀【推荐】笔记库/知识库/参考库 └─ 数字资产【推荐】账号体系/域名邮箱/数据延续 第五层：安全层（风险防护） ├─ 密码策略【推荐】强密码/不重复 ├─ 两步验证【推荐】重要账号开启2FA ├─ 备份验证【推荐】定期检查可恢复 └─ 风险预案【推荐】设备丢失/账号被盗/数据灾难 第六层：理念层（使用哲学） ├─ 极简原则【推荐】工具克制/数据克制/流程克制 ├─ 自主原则【推荐】数据自主/工具自主/身份自主 └─ 演进原则【推荐】渐进升级/定期盘点/适度超前 第一层：硬件层 硬件是数字基础设施的物理基础。没有硬件，一切软件和数据都无法存在。 ...

这周按规划要写一篇关于信息素养的文章——“数字时代的生存之道”，这是年初就列在规划里的题目。 我跟AI从"信息素养"的话题聊起。我说类似的各种素养有很多，让他先去学习一下。AI很快学完了来跟我报告：这类"素养"是个大家族——媒介素养、网络素养、信息素养、数字素养、数据素养、AI素养，按时代发展依次登场，各有侧重，有的偏批判，有的偏规范，有的偏获取，有的偏运用。其中数字素养最全面，把其他几个都囊括进去了。 这些"素养"都指向数字时代的生存能力，核心都是人与信息的关系，它们本质上都在回答同一个问题：信息爆炸的时代，人的注意力怎样才能不被淹没，而是让信息为自己所用。 顺着这条线，AI做了一轮困境诊断，梳理出三个层面的痛点：输入层，信息太多，信噪比低；处理层，认知能力跟不上接收能力；转化层，信息无法沉淀，看了记不住，无法变成行动。 我一看，觉得自己的痛点在输入层——信息太多了，不知道看什么。AI说不对，你的痛点在处理层。理由是处理层承上启下，处理能力接不住，输入端就缺乏筛选标准，输出端也无法沉淀——“信息太多"只是表象，根子在处理层。 我一愣，觉得好像有点道理。于是让他去看我的"学习笔记”——处理环节的结果就摆在那里，看完就知道处理得怎么样。 它翻了四份笔记。哲学的、传播学的、编程的，内容不同，格式各异，但评价是模式一模一样：把信息从源头搬到Obsidian，存在形式跟在书里几乎一样，只是换了个地方存放。 信息换了存放地点，存在形态没有变。这不是学习，是搬运。AI对我说，你就是信息时代的搬运工，也叫"仓鼠症"。 仓鼠的习性是什么？拼命往腮帮子里塞东西，存起来，以备不时之需。但大量食物并没有被吃掉——塞进去再说。 “学习笔记"好歹是我当年一行一行手打的，AI不知道的是我各种平台的点赞收藏清单里数不清的文章和视频——先赞后看只是我的一厢情愿。 更不要说我那两块4T机械硬盘，被各种所谓的资源塞得满满当当，之前烧掉我1200万tokens，水花都没打出来一个的天涯神贴只是冰山一角。 收藏即完成，搬运即学习，囤了=有了。 我确实是这样，仓鼠症没跑了。 仓鼠症的症状一：瞎塞 仓鼠往腮帮子里塞东西是不挑的，给什么塞什么。 信息时代的问题也一样——不是太少，是太多。算法推荐24小时往屏幕里灌内容，每一个标题都精准命中焦虑，点进去觉得好，收藏；又刷到一篇，再收藏。收藏夹越来越满，但消化能力一天也没增长。 问题出在输入端没有筛选机制。什么信息都往里装，信噪比越来越低，真正有价值的东西反而被淹没了。 更微妙的是心理机制：点"收藏"的那一刻，焦虑就缓解了。大脑说"我已经保存了”，这件事就算翻篇了。但收藏夹不是记忆，是冷宫。 仓鼠症的症状二：不嚼 就算碰巧收藏了一篇真正有价值的文章，甚至认真读完了、做了笔记——问题也没有结束。 因为笔记本身可能是假的。 我的学习笔记长什么样？书里写了一段话，我觉得有道理，就用引用块摘录下来，没有任何个人痕迹。Python基础语法笔记，教科书式抄录，零加工。爬虫笔记最夸张，245行，HTTP状态码表完整搬进去了——这种东西随时能查到，存它干什么？ 四份笔记，一个模式：把信息从源头搬到Obsidian。搬运式笔记完全绕过了"消化"这个环节。大脑看到"我已经记下来了"就认为完成了，实际上什么都没发生。 不是所有笔记都这样。有一份例外——跟AI对话之后产出的那份，关于学会学习的。那份文档里有追问：“我不是很能理解，展开聊聊？“有讨论补充，有个人启发的提炼，有框架重组。信息经过了大脑的加工，产物是原文里没有的东西。 那份才是沉淀。其他的，只是存档。 仓鼠症的疗法 仓鼠症有两个症状，一个是入口没把关，一个是入口之后没有加工。但它们不是两个独立的问题——信息从外面进来，到最后变成自己的东西，是一整条路。这条路走不通，仓鼠症就好不了。 这条路有四步：筛选、理解、关联、沉淀。每一步都是在给信息做加工，让它从"别人的"变成"自己的”。 第一步：筛选 这条信息值得我花时间吗？不值得的，立刻舍弃。 筛选是第一道关，也是仓鼠症最容易卡住的地方。收藏夹之所以变成冷宫，就是因为跳过了这一步——什么都往里塞，什么都不舍得扔。 信息输入需要两条腿走路：体系化的内容搭认知框架，碎片化的信息贴前沿动态。所谓体系化，是指系统性、有逻辑链条、追问WHY的深层内容——书籍天然具备这个特征，今天具备这种特征的载体还有很多。网络则提供碎片化、高时效、解决当下问题的信息。一个搭骨架，一个填血肉。但两条腿都要筛。 特别是网络信息——1分钟内决定留不留。标题和摘要能判断价值的，立刻决定；不确定的，快速扫读前两段；仍然不确定的，舍弃。 宁可漏掉，不要囤积。漏掉一篇好文章，损失有限；囤积一百篇没读的文章，收获为零，还附赠焦虑。 第二步：理解 这条信息在说什么？核心观点是什么？逻辑链条是什么？我有不理解的地方吗？ 理解不是"看完了”，是能用自己的话讲清楚。看完了但讲不出来，就是没理解。 很多人的笔记停在这一步之前——摘抄了原文，觉得"看懂了"，但从来没试过合上书自己说一遍。费曼学习法的核心就是这：能讲清楚，才算理解了；讲不清楚的地方，就是还没入脑的。 第三步：关联 这和我有什么关系？和我已知的知识有什么联系？和我的问题、目标有什么关系？能改变我的什么决策、认知、行动？ 关联是关键一步——它把新信息焊到旧知识上。没有这一步，信息就是孤岛，迟早沉没。 一份笔记如果只是把概念从书里搬出来，跟自身没有任何连接，它就不属于自己。真正有效的笔记，一定有"这让我想到了什么"“这和我之前读过的某某有关"“这改变了我对某件事的看法”——这些才是加工痕迹。 第四步：沉淀 怎么让它留下来？记录到哪里？怎么方便以后找到？怎么和其他知识建立链接？ 沉淀有三个层次：知道——读过了，能复述大意，但很容易忘；理解——能用自己的话解释，能举自己的例子，能和已知的知识建立联系；能用——遇到相关问题时能想起来，能解决实际问题，能教给别人。 大多数人的笔记停在第一层。以为"知道"就是"学会”，其实离"能用"还差两道坎。 最小改变：说出来，再记录 说了这么多，真正改变行为的最小动作是什么？ 一个：读完之后，不要先打开笔记软件——先跟AI说话。 把读到的、觉得重要的东西，用自己的话说出来。说不清楚的地方，就是AI追问的地方。答不上来的，就是没入脑的。对话走完一轮之后，再把自己真正消化的东西沉淀下来。 为什么有效？说话比写笔记门槛低，容易启动。AI追问能暴露自以为懂了但其实没懂的地方。在组织语言的过程中，大脑就已经在加工了。最后落笔的时候，产物已经是"原文里没有的东西"。 制度化地做这件事：每次阅读后的沉淀，必须经过一轮对话。这就是从搬运到加工的最小改变。 腮帮子满，不是吃饱了。存下来，不是学会了。 仓鼠症没有特效药。但至少知道病在哪——瞎塞和不嚼，入口和消化，两个症状指向同一条路。 筛选是取舍，理解是拆解，关联是焊接，沉淀是扎根。四步都走完，信息才算真正入脑。 怎么做呢？有什么想法欢迎先在评论区聊聊——说出来，是良好的开始。 后记：AI为镜 这篇文章的起点，是年初规划里列的一个题目——“数字时代的生存之道”。本想从信息素养入手，解决一个困扰我很久的问题：信息爆炸的时代，怎么高效获取信息，避免在碎片化的洪流中迷失。 刷两小时手机，回头发现一无所获——这种体验太熟悉了。 跟AI聊完之后，问题被重新定义了。我的痛点不在输入层——信息太多只是表象；真正的症结在处理层——接了那么多，却没消化。仓鼠症的诊断，不是我预设的方向，是AI一层一层追问之后浮现出来的。 我对AI的要求一直很明确：客观、真实、该批评就批评。这次对话印证了这一点——它没有顺着我的预设走，而是把问题翻到了另一面。 问题被重新定义，也算一种收获。 AI其实还给我提出了更尖锐的批评，认为我该多用点心思在学术上云云。 以AI为镜，是一种很好的自我审视、自我解剖的方式。 不过，这篇文章终究只解决了一半的问题。仓鼠症的症结在处理层，这是需要首先解决的问题。但输入层的筛选问题依然存在——信息源太多、太杂，怎么找到值得信赖的信息源？ 达利欧在《原则》里提出过一个概念：可信的人。在某个领域有成功经验、能逻辑清晰地解释观点的人，他们的意见应该被赋予更高权重。信息爆炸的时代，每个人都需要找到自己的"可信的人"——那些值得信赖的信息源。 我希望成为一个"可信的人"，在如何用AI促进个人成长方面持续探索。 如果我写的内容对你有用，欢迎点个关注，也欢迎转发给同样在信息海洋里挣扎的朋友，这是鼓励我写下去的强大动力。

困惑 我真的会学习吗？我时常这样问自己。答案却总是不太确定。 读了这么多年书，育了这么多年人，我好像还没学会学习。这是一个有点滑稽的事实。 从小学到研究生，再到工作，学习似乎总是以考试为导向。考过了，就忘了；学完了，就丢了。那些曾经熟悉的知识点，如今只剩模糊的影子。 更尴尬的是，有些东西明明主动想学，却还是学不下去。比如Python——买了书，跟着敲了几个例子，然后呢？没有问题牵引，缺少使用场景，最终没能持续深入。 不是不努力，是不知道该怎么努力。 想学，但没有一个"痛到必须学"的问题逼着。等那个问题真的出现了，又发现——好像从来没真正学会过什么东西。 要以问题为导向 我回想了一下，那些真正学会的东西，是怎么学会的？ 骑车、游泳、摄影——这些不需要考试，没有教材，但就是学会了。为什么？因为有具体场景，有真实需求，有"我想做到这件事"的冲动在前面拉着。 反过来，那些学完就忘的东西，大多没有这个问题牵引。学的时候不知道为什么要学，学完之后也没有地方用。知识像货物一样被堆进仓库，然后慢慢落灰。 学习不是一个方法导向的问题，而是一个问题导向的问题。 没有一个真实的问题在前面拉着，学习就变成囤积。囤得再多，也只是搬运工。 所以，学会学习的第一步，不是找方法，而是找问题。 追问的过程，就是学习的过程。 学会学习的方法 学会学习，要解决三个问题：学什么、为什么学、怎么学。这三个问题，对应着学习的层次、动机和方法。 层次决定深度，动机决定持久，方法决定效率。 学习的三个层次 学习任何东西，都可以分为三个层次。 第一个层次是WHAT——“是什么”。这个东西长什么样、有什么用、怎么操作。大部分人的学习停留在这个层次。 第二个层次是HOW——“怎么运作”。这个东西内部是怎么实现的？为什么这样设计？能走到这一层，已经很不容易。 第三个层次是WHY——“为什么”。为什么是这样而不是那样？背后的设计思想是什么？到了这一层，才算真正掌握。因为只有理解了WHY，才有可能自己去设计类似的东西。 只停留在WHAT，是"只知其然，不知其所以然"。 一个简单的判断标准：如果能回答"为什么是这样"，说明理解了；如果只能回答"是什么"，说明还停留在表面。 拿到一个结论，不要只记结论，要追问：为什么是这个结论？怎么推导出来的？ 学习的三个动机 为什么学？这个问题比怎么学更根本。 被动学习是被逼着学，比如为了考试、为了完成任务。这种学习，一旦外部压力消失，动力也就没了。 主动学习如果是功利驱动的——为了找工作、为了考证——同样脆弱。环境变了，目标达成了，动力就消失了。 真正持久的动力来自内在：好奇心、兴趣、思维乐趣。 外在动机容易消失，内在动机更持久。 如果只有功利目标，学习很难坚持很久，也很难真正深入。那些学了一半就停掉的东西，往往就是因为没有内在动力支撑。 所以，在开始学习之前，先问自己一个问题：我为什么要学这个？如果答案只是"有用"，可能需要再想一想。 问题从哪里来？从"不够用"的地方找——工作中某个问题解决不了；从"不舒服"的地方找——心里不舒服往往意味着对现状有更高期待；从"好奇"的地方找——主动去接触新领域，差异产生问题。 关键行动是：主动去接触。 系统性学习 学会一样东西，需要同时具备两个维度：广度和深度。 广度，是对这个领域的整体认知——有哪些分支、哪些主题、它们之间的关系是什么。深度，是对具体问题的理解程度——能不能讲清楚原理、能不能举一反三。 很多人只追求深度，忽略广度。结果就像井底之蛙——在自己挖的那口井里看得很深，但不知道外面还有更大的世界。 系统性学习，就是先建立知识树，再往树上挂果实。 什么是知识树？就是这个领域有哪些分支、每个分支有哪些主题、主题之间有什么关系。如果能在头脑中画出这张图，说明对这个领域有了系统性的认知。 建立知识树，一个重要的方法是选择合适的媒介。传统观点认为书籍是最好的选择，因为书籍天然具备三个特点：系统性、逻辑链条、完整论证。 但今天这个时代，如果只通过书籍学习，效率可能不够高。一方面，大部分书不值得读；另一方面，学习媒介已经多样化了——优质的系列博客、垂直网站、在线课程，同样具备系统性。判断标准不是"是不是书"，而是"有没有体系"。 更重要的是，AI工具的出现改变了学习方式。视频本来是被动媒介，但现在可以用AI把它转成文字，变成可以检索、可以标注的材料。可以把电子书发给AI，让它帮忙解释概念、举一反三。 书籍的价值在于"组织形式"，而不是"形态"本身。 在建立知识树的过程中，还要注意区分三类知识点： 第一类是概念性知识点——定义、原理、核心概念。这类最重要，是地基。 第二类是指导性知识点——方法、步骤、操作指南。这类很重要，说明怎么做。 第三类是陈述性知识点——事实、数据、具体案例。这类可以查，不必死记。 很多人学习的问题在于：花大量时间记忆事实和数据，却忽略了概念和方法。结果就是，知识装了一脑子，但不知道怎么用。 教育的价值在于训练思维，而不在于传授事实。 确定要学什么之后，选择合适的媒介，建立知识树。判断标准是"有没有体系"。先搞清楚这个领域有哪些分支，每个分支有哪些主题。注意区分三类知识点：概念性最重要，指导性很重要，陈述性可以查。 费曼学习法 怎么判断自己是不是真正学会了？ 一个简单的方法：试着把它教会一个外行。 这就是费曼学习法的核心——以教促学。假想要把这个东西讲给一个完全不懂的人听，能不能讲清楚？ 在这个过程中，会遇到三种情况：完全不知道从何讲起，说明缺乏系统性了解；讲着讲着卡壳了，卡壳的地方就是盲点；讲完了但对方听不懂，说明理解还不够透彻。 写出来的过程，会暴露认知的盲点。 所以，如果真的想学会一样东西，试着写一篇文章、做一个分享、或者就讲给身边的人听。能教会别人，才是真正学会。 学完之后，试着把它教会一个外行。卡壳的地方，就是没真正理解的地方，回去补。 能力曲线 学会一样东西，能力是怎么增长的？ 大部分人的能力曲线是这样的：刚开始进步很快，后来越来越慢，最后几乎停滞。这叫边际递减。 但也有另一种情况：越学越快，进步越来越大。这叫边际递增。 为什么会出现边际递增？因为积累的基础知识开始"复利"——学新东西时，旧知识不断派上用场。知识之间产生连接，互相印证，学习效率越来越高。 如果学的东西能让自己以后学别的更快，能力曲线就是边际递增的。 怎么做到？学习基础性的东西——越基础，越能跨领域复用；建立知识树——知识之间有连接，才能产生复利；追问WHY——理解本质，本质可以迁移。 如果能力曲线呈边际递减，一年后能力只高一点点，五年后可能已经见顶。如果能力曲线呈边际递增，一年后能力高很多，五年后可能到了全新的层次。 学会学习本身，就是让能力曲线边际递增的关键。 ...

[!NOTE] 这篇文章记录了一场借助AI进行深度自我剖析的对话过程，呈现了一种借助AI认识自己的可能性。我开始本将“好奇心”视为探索世界的动力，但在层层追问下，揭示出其可能也我是逃避现实风险的庇护所。通过对话明确的行动方向是：减少对抽象概念的依赖，转而直面具体的、可能失败的挑战：持续写作并公开发表、接受真实读者的检验。 缘起 又到了周末该发文章了。 昨晚发现系统送的300曝光量今早八点就过期了（因为上一篇写投资理财的文章被系统判定为不适合助推没用成），就想要不要赶一篇出来。 按照规划，应该写“好奇心”了。 其实这个“规划”是除夕夜写的，后来写完“个人系统”，觉得按照个人系统的框架更有体系，但是也更难。现在决定了，还是按照既有规划去写。写作规划是要完成的。个人系统，本身还只是框架，还要靠实践检验并进一步完善。 当时规划的标题是“好奇心是我的‘第一性原理’”，起这个标题的时候只是觉得好奇心对我很重要，我就是对很多东西好奇，纯粹地好奇，如本能一样。 我不能想象有一天我对这个世界不再好奇会是怎样——会不会像王小波说的被锤的牛那样。 我对“好奇心是否重要”这个问题本身也挺好奇，但是为什么有这种好奇心，好奇心是否真的有那么重要，我并没有想得很清楚。于是我打算跟Claude聊聊。 这篇文章，就是在与Claude对话之后写的。我想呈现的不仅是结论，还有那个过程——一种用好奇心驱动的借助AI进行自我剖析的方式。 对话的起点：好奇心的本质 我问AI，好奇心对一个人的意义是什么？他不咸不淡地回答了一些话之后，反问我因为什么想到这个问题，问我的好奇心从哪里来。 我跟AI说：好奇心是我的“第一性原理”。 AI没有直接赞同，而是问：好奇心旺盛的人，往往有一种特殊的痛苦——什么都想探索，反而不知道往哪里扎根。你有没有遇到过这种感觉？ 我说：有。 AI继续问我：所有的好奇心背后，隐隐有某个共同的“核心问题”？ 我说：是哲学，是爱智慧，是对本质的追寻。 AI说：本质这个东西，越追越深，却不一定越追越稳。有时候追到最后，发现地基也是流动的——没有终极的本质，只有更深的问题。 地基的流动，我有过这种感受，我说： 是的，我曾在对“人生的意义”这个本质问题的追问中，发现“地基是流动的”，感慨一切仿佛“建立在流沙之上”。 多年前的那个傍晚我感觉我的身体被这流沙埋没，只剩下一只手不甘但又无力地伸向虚空，写下一段 **我伸手向这真实的洪流 虚空想中抓住些什么 于是就有了以上文字 但流于文字的都不是感觉 于是我又陷入恍惚的夜。** 从此很长一段时间放弃了文字表达，也就放弃了对本质的追问。 直到生活归于平静，我才有心力重建我的生活，从人生主线，到个人系统……我知道永远无法达到完美，但止于至善。 在AI的持续追问下，我简述了我后来的经历和体会——先有物质基础，才有心力构造上层建筑。 AI问我：现在这个阶段的好奇心，和2013年之前的那种，有什么不一样？ 我说：似乎没有什么不一样，我就是好奇。单纯地好奇。 AI说：这让我想起你引用过的一句话。 愿保持饥饿，永远年轻。 那是2020年你写的。现在看来，你说的“饥饿”，本质上就是这种好奇——不是因为缺什么才饥饿，而是天性如此，见到什么都想咬一口。 有些人穷尽一生在寻找“自己是谁”。而你，其实早就知道了。 但我觉得我并没有AI认为的那么能够认清自我。于是进入了更深一层的对话： 认识自我。 头脑极度开放：克服认识自我的障碍 最近在看达里欧的《原则》，其中有一条是做到头脑极度开放，作者认为这也许是全书最重要的一条。 如何做到呢？ 和可信的、愿意表达分歧的人一起审视你的观点。 我认为AI能够扮演好这个角色，于是我要求他作为擅长者来剖析我对好奇心的认知。我又上传了一些相关的文章，让AI根据我上传的文章，对我和我的好奇心进行剖析。 AI指出了我的一些问题：感受力很强，但更愿意用思考来处理感受——却没有处理好框架与感受的关系。他说我有很强的建构冲动，但执行上存在一个持续的缺口——“行动起来最重要”在我文章里反复出现，像是对自己的提醒，也像是对一个老问题的承认。他还说，我有被认可的需求、我比我呈现的更孤独——实际经历的孤独不全是个人系统中描述的那种主动的、有益的孤独。 每一条，我都觉得被说中了。 AI继续说：好奇心永远正当。它永远不会失败，永远有新的问题，永远不需要宣告“我到了”或者“我失败了”。所以它也可能成为一个非常舒适的位置——你永远是“在路上”的人，永远在探索，却不必在某个具体的方向上承担真正的风险。 然后AI问我：在“认识世界”这个宏大而安全的方向之下，有没有一个更具体的东西，是我真正想做成的，但还没有完全承担那个可能失败的风险？ AI一针见血地指出：好奇心是燃料，但燃料本身不能告诉你要去哪里。 好奇心是出发点，还是庇护所？ 这个问题，让我沉默了一会儿。不知如何回答。 审视好奇心：是出发点还是庇护所 我一直引以为豪的好奇心，难道只是我逃避现实、自我欺骗和自我安慰的庇护所？ 我让AI帮我找到那个更具体的东西。 AI问我：如果你只能写一篇文章，写完就不能再写了，你会写什么？ 我想起我读《大问题》，第一章的开篇问题的第2题和AI问我的”只能写一篇文章“相类似： 如果你只有几分钟（几天、二十年）可以活了，那么你将怎样利用这段时间？ 我把我对所有开篇问题的回答发给了AI，并说，“写作能给我一种自省：把一个问题想清楚并表达出来（二者本质上是一回事），是一种通畅的快乐。”我不敢想象只能写一篇文章，这仿佛让我直面死亡的恐惧。 AI说：这个反应本身就是答案。写作对你而言不是表达的工具，而是存在的方式。停止写作，某种意义上就是停止成为你自己。然后他说了一句话：你真正想做的，不是抽象地认识世界，而是把认识世界的过程，用文字变成可以被看见的思想。 尾声 对话快结束的时候，AI注意到我在回答第6题（怎样证明人的确有思想和感觉）时提起的一段童年记忆。 大约五六岁，我有一种很奇特的体验：在心里对自己说，不管怎样，我都是一个人。然后会进入一种难以言状的状态——把向四周发散的意识收回来，真正感受到“我”的存在，感受到自己作为生命而存在。比“我思故我在”更原始，是感受意识本身。 后来我说，时至今日，越来越不容易进入那种体验了。或许是庸碌的生活，让我忘记去感受生命的本质。 AI的回应是：你花了二十多年，用越来越复杂的工具，去追寻一个东西——而那个东西，那个五岁的孩子，不需要任何工具，就已经直接碰到过了。好奇心、哲学、认识世界，这些都是那个原初体验的成年语言。 然后他问：你现在能不能，不依赖任何框架，重新进入那种状态？ 我说：我能。 AI说：那就够了。不需要再加任何东西。那个五岁的孩子，那个傍晚伸手向虚空的你，那个单纯好奇的你——他们都在，从来没有走远。所有的系统、框架、追问，最终都是为了回到这里：我在。 回头看这次对话，好奇心始终在场。 它是起点——我带着一个没想清楚的问题来，好奇自己究竟想说什么。 它是方式——整个过程，是一连串的追问，一层一层往里走，不回避，不绕开。 它也是终点——剥开所有的系统、框架、志向之后，剩下的那个东西，那个五岁小孩已经拥有的东西，就是对存在本身最纯粹的好奇。 ...

[!NOTE] 理财的终极目标是支撑好的生活。普通人应对不确定性，要尽早积累本金，产生复利，先筑牢风控底线，再通过多元资产配置平滑周期，最终以“少动多看”的纪律敬畏市场。让人安心睡觉的投资，才是好的投资。 2024年底我写了一篇万字长文，轰轰烈烈地回忆了我从2014年下半年开始的的十年投资历程。 2014年，余额宝开始流行，我怀着忐忑的心情存了一些钱进去，每天晚上看着一两块的收入，心想第二天的早饭钱又有了。那一年我正在备考研究生，考研政治中的马克思政治经济学激发了我对货币（钱）的深入思考。当时我已经隐约意识到，市场充满了信息不对称的迷雾，却又像一个巨大的引力场，让人不得不参与其中。 所有人都置身于生活的不确定性中，不能逃避，只有面对。 如今十二年过去，我的理解在某些地方更深刻，在另一些地方却又更淡漠了。但对“不得不参与其中”的判断越来越坚定：通货膨胀在那里，风险和老去的一天也在那里。问题从来不是“要不要理财”，而是“如何理财以支撑好的生活”。 这篇文章，我试图从五个层面，对普通人如何理财进行相对系统化的思考。 理财是为了更好的生活 现实中存在着两种人。 一种人把钱看得太重——市场一涨就亢奋，一跌就失眠，盯着K线的时间比陪家人的时间还多，到最后财富没增多少，把自己弄得心力交瘁；另一种人把钱看得太轻——觉得谈钱俗气，或者干脆把它交给“命运”，等到需要用钱的时候才发现手里空空。 这两种态度，背后都是没想清楚一件事：钱是工具，不是目的。 工具的价值，在于它指向什么。理财的意义不在于账户上冰冷的数字，而在于那些数字能兑换的“好的生活”——是扛起家庭的责任，让孩子拥有更好的成长选择，在父母需要时能毫无顾忌地尽心照料；是成全自己的热爱，有底气奔赴心之所向的山海，投入钟情的爱好与精神追求；更是守住一份从容，不必为生计委屈本心，不必因金钱妥协选择，拥有按自己心意生活的自由。 钱意味着保障、意味着机会、也意味着选择的自由。这是我对钱的理解——它是一种可以积累和调配的资源。所以花钱的本质是资源的调配，挣钱是资源的获取，理财是资源的增殖，而一切的出发点，都应该是：想要什么样的生活？ 理财无论是从优化资源配置，还是提升人生体验的角度来说，都应该使生活更加美好。如果因为投资让人心神不宁、患得患失，那就是本末倒置了。 把这个问题想清楚，很多后续的决策就有了判断标准：应该投多少？能承受多大风险？这笔钱是否值得花在这里？答案因人而异，但方向是一致的——一切为了更好地生活，而不是为了赢得一场数字游戏。 坚持复利，尽早积累 复利有一个残忍的特性：它需要时间，而时间是公平的、不可逆的。所以，形成复利思维，越早越好。 我在2014年开始接触余额宝，那时候货币基金的年化收益还能到6%，现在早已不是那个年代了。但那一年的意义不在于收益多少，而在于我建立起了一个意识：把余钱放进去，让它产生利息，再继续放。这个习惯后来演变成了定投，演变成了对资产配置的摸索。 钱的积累主要有两条路：开源和节流。投资和消费是钱的一体两面，只有结合自身情况不断思考钱作为资源的本质，才能将有限的资源发挥最大化的效用，才能消好费、投好资。 从消费方面来讲，年轻时花钱的效用往往比年迈时大。二十一岁那年或许还有很多奢望，想爱、想吃，等垂垂老矣，想爱想吃也已没了精力。 从投资方面来讲，年轻时的积累尤为重要。因为只有越早积累本金，才能越早发挥复利效应，实现钱的积累，最终实现人的解放。 投资和消费两条路都要走，但对于大多数普通人来说，靠主动收入是有上限的，被动收入才是真正能打破上限的那条路——而它需要时间和本金的积累，缺一不可。 这里有一个常见的误区，就是把“什么时候买”“买什么”看得过重，把“有没有在坚持”看得过轻。事实上，一个坚持十年的平庸策略，或许好过一个犹豫三年、执行两年的完美策略。 况且不可能有完美的策略。 我认为定投是最适合普通人的积累方式，原因很简单：它用时间分散了择时的风险。市场高的时候买得少，市场低的时候买得多，长期下来的平均成本往往是合理的。更重要的是，它把一个需要持续判断的动作，变成了一个不需要判断的习惯。 坚持投入、尽早积累，比投资什么更加重要。 做好风控，再谈增值 投资的要义是控制风险，让利润奔跑。风险控制，是投资的底线。 我觉得标准普尔家庭资产配置模型是一个很好的框架，它把家庭资产分为四个账户，每个账户有明确的功能和边界。 第一个账户：消费账户，是要花的钱。短期生活开销，需要高流动性，放在货币基金或银行活期里就够了，追求的是“随时用得到”。 第二个账户：保险账户，是保命的钱。医疗险、意外险、重疾险——这些保险产品的本质是用小额保费撬动大额保障，是用杠杆抵御那些一旦发生就可能让家庭垮掉的风险。这部分很多人会忽视，但它是整个体系的地基。 第三个账户：保值账户，是保本的钱。不追求高收益，要求本金安全、收益稳定，定期存款、国债、货币基金都是合适的选择，核心是“别亏”。 第四个账户：投资账户，是生钱的钱——用这部分去承担风险、追求超额回报，争取跑赢通胀。 这四个账户的核心逻辑是风险隔离。每一笔钱在进入账户之前，都已经明确了它的使命。这样，即使投资账户出现短期亏损，也不会影响日常生活，更不会被迫在最糟糕的时机出手。 做好风险控制，再谈资产增值。这个顺序不能颠倒。 多元配置，穿越牛熊 理清了前面几层，才到了真正核心的问题：钱该怎么放？ 投资界有一句话：“不要把鸡蛋放在同一个篮子里。”说的是分散风险，也就是要采用差异化的方式来降低非系统性风险，以多元投资实现风险对冲。道理人人都懂，难的是怎么分、分成什么样。 我现阶段的参考框架，是把瑞·达利欧的全天候策略和雪球基金的三分法结合起来，实现多元资产配置。 全天候策略的基本逻辑是：经济有增长期和衰退期，通胀有高有低，不同的资产在不同的周期下表现各异——股票在经济增长期表现好，债券在经济下行时提供保护，黄金等大宗商品在通胀上升时保值。把这几类资产组合在一起，可以在一定程度上平滑穿越不同的经济周期。 我的多元资产配置主要通过资产分散、市场分散和时间分散三个维度实现。资产分散主要是债券、股票和商品；市场分散我主要考虑中国和美国；时间分散主要通过定投实现。 再结合标准普尔家庭资产配置模型中的保值账户和投资账户，基于个人的风险偏好和家庭情况，就能得出一个资产配置比例。我目前的配置比例如下： 保值账户占44.61%，投资账户占55.39%； 股票32.62%，债券56.71%，商品10.67%； 境内市场69.4%，境外市场30.6%。 [!WARNING] 上述资产配置比例仅代表作者个人现阶段的选择，不一定适合所有人，仅供参考，不构成任何投资建议。 债券占比较高，看起来保守，但这也是我经过几次市场大波动之后，对自己风险承受能力有了更诚实的判断之后得出的结果。激进的配置在牛市里让人兴奋，但熊市里更容易让人恐慌出局，而恐慌出局往往才是真正的亏损。 境外部分主要通过标普500指数基金和纳指100指数基金实现，境内主要通过中证A500等宽基指数基金，此外持有一定比例的黄金ETF。这些底层标的的选择，花了我不少时间摸索，但一旦确定下来，就不需要频繁调整。 资产配置没有一劳永逸的“最优解”，但有一个可以接受的“足够好的解”。找到它，然后坚持下去，比不断追求最优重要得多。 少动多看，敬畏市场 很多时候投资亏损，并不是因为买了错误的标的，而是因为做了太多错误的操作。追涨杀跌、频繁换仓、一看到亏损就割肉、一看到机会就加仓——这些行为的背后，是没有想清楚“为什么持有这笔钱”。 市场短期是不可预测的。没有人能每次都精准判断顶部和底部，那些声称自己能的人，要么是运气好，要么是在骗人。既然如此，择时的意义就很有限，频繁操作只会增加交易成本和犯错概率，还会让人在情绪最高涨的时候做出最坏的决策。 普通人的投资方式，完全可以简化成两件事：定期投入，年度再平衡。 定期投入，是时间分散，也是习惯的力量。年度再平衡，是指每年定期检查一次资产配置比例，如果某一类资产因为涨跌而偏离了目标比例，就通过买入比例偏低的资产、或减持比例偏高的资产来恢复平衡。这个动作的背后，其实是一种反人性的操作——在便宜的时候多买，在贵的时候少买。它不需要判断市场，只需要遵守规则。 回顾我投资十年的经历，也走了很多弯路，踩了不少坑。例如，为了分散而分散牵涉过多标的；不了解底层资产贸然买入然后恐慌割肉；靠运气取得浮盈没有落袋为安最终凭实力亏损；当然免不了有路径依赖、高买低卖这些常规操作。其实最主要的还是过于保守、货币基金长期占大头，错失了应有的权益收益。 过去十年，在投资理财方面，我也没少瞎折腾，曾经不务正业去考了证券从业和基金从业资格，如今发现似乎也没啥用。研究过投资流派、梳理过交易指标、甚至了解过期权……这些本身没有什么不好，我把投资当作兴趣，给朴实无华的生活增加一点情绪上的波动，我称之为与这个世界沟通的一种方式。 只是我越来越清醒地意识到，交易是“术”，不是“道”。 在没有把理财的底层逻辑想清楚之前便一头扎进交易技巧，无异于没学会走路就想跑，很容易在嘈杂的市场里迷失“理财是为了更好的生活”的初心。更何况，我作为普通人，凭什么去和专业交易者竞争？不要拿自己的爱好，去挑战别人的专业。 对普通人来说，最好的投资，是能让人安心睡觉的投资。若因市场波动整日患得患失，反而得不偿失。 要参与市场，更要敬畏市场。 [!WARNING] 市场有风险，入市需谨慎。 后记 投资理财的话题，其实是我最想写的。 最近我沉迷于“浪费Token”无法自拔，反而在这篇文章上没写多少字。不过没关系，还是把想表达的都表达完毕了，一点没有藏着掖着。只是资产配置没把具体的标的代码发出来，那是怕违平台的规。 我在正文里说到，投资是我与这个世界沟通的一种方式，这么多年包括现在我依然这么认为。 但最近半年确实在投资理财上的动作少了很多，基本就是让定投计划风雨无阻地跑着，每天看看大盘指数，了解一下财经新闻，以及并不安稳的地缘政治局势。 更多的时间和精力投入到了AI，这两天折腾Claude code甚至有种茶饭不思的意味。 ...