整理 materials
先把信息变成能复查的记录。
- 资料从哪里来，要能找回去。
- 结论中哪些是事实，哪些只是我的推测，要分开放。
- 如果过几天再看，我应该还能知道当时为什么这么判断。
How I work
每一屏只回答一个问题。
我用项目、笔记和复盘分别说明：我怎么做工具，怎么判断产品，怎么研究公司。
想法 wedge
先让一个想法变窄，而不是变大。
- 先看一个很小的场景里，用户是不是真的会改变原来的做法。
- 如果涉及线下供给、商家合作或长期运营，就不能只按软件成本估算。
- 想法听起来顺，不代表小团队真的能做完、做好、持续做。
公司 price
先问自己可能错在哪里。
- 公司很好和现在值得买，是两个问题。
- 强叙事最容易让人忽略估值、周期和竞争变化。
- 每次写判断，都要留下几个能推翻自己的条件。
Project reviews
给自己做的一套投研检查清单。
这个项目不是想替我做决定，而是防止我在研究股票时只看自己已经相信的东西。
Finance Expert Team
我做美股研究时，经常发现真正麻烦的不是缺信息，而是信息太多、太散，而且人会自然地偏向支持自己观点的材料。Finance Expert Team 就是从这个问题开始的。
它具体在做什么
我把一次投研拆成几个固定检查项：基本面、技术面、新闻和情绪、风险、组合视角、评分卡和报告。每个角度单独看，再合到一份可以回头追溯的记录里。
我为什么需要它
如果只靠临时搜索，研究很容易变成确认偏误：先有一个判断，再去找能支持它的材料。我想把反对意见、风险和不确定性也固定进流程里。
我后来更警惕的地方
一个分数很有诱惑力，因为它看起来干净、快速。但投研里最有价值的往往不是分数，而是分数背后的假设、证据质量、分歧和过期风险。
边界
它只能帮我整理和提醒，不能替我承担仓位、回撤和判断错误。金融相关工具如果说得太满，反而会把最重要的风险藏起来。
Project reviews
我对学习工具有一点不满意。
很多工具帮人保存资料，却不负责让人继续学下去。GeWu inquiro 是我对这个问题的一次实验。
GeWu inquiro
我自己经常遇到一种情况：书、PDF、课程都存下来了，笔记也有，但过几天再回来就断了。真正中断的不是资料，而是学习的上下文。
这个实验的循环
导入材料，拆出知识节点，生成下一步路径，再让系统主动追问。它还要记住用户上次停在哪里，而不是每次都从一段新的总结重新开始。
我在意的不是总结
总结很容易看起来有用，但它不一定让人真的继续。更重要的是：下一步该看哪里，哪里没懂，为什么卡住，上次停下的原因是什么。
里面最难的部分
长期记忆不能只是保存聊天记录。保存太多会变成噪音，保存太少又接不上学习过程。它必须判断哪些信息真的会影响下一次继续。
我还没有解决的事
知识抽取和解释都可能错，主动追问也可能变成打扰。一个学习产品如果前几分钟不能给人推进感，用户很快就会回到原来的工具里。
Project reviews
一个想法是怎么慢慢变重的。
宠物出行一开始看起来是一个清晰需求，后来我才发现它背后真正重的是供给、履约和资源。
Pet Travel App
这个项目拿过学校创业基金支持。最初的问题很简单：带宠物出门时，路线、住宿、交通、宠物友好商家和线下服务都很分散，做一次决定很麻烦。
一开始我想做的
我想从宠物出行路线切入，再连接宠物友好商家、服务和商品。后来我把每条路拆开看：谁提供供给，谁负责履约，用户为什么愿意付费。
它变重的地方
路线规划看起来像软件问题，但很快会碰到地图、交通、商家信息、宠物限制和实时变化。服务看起来像平台问题，但最后落到商家合作、质量控制和线下履约。
我当时低估了什么
我低估了成熟平台的优势。路线有携程、高德、滴滴这类入口；商品有山姆、盒马和成熟供应链；服务又需要长期运营和线下资源。
这个失败留下的东西
有需求不等于有商业模式。一个小团队不能只因为场景存在，就默认自己能做出供给、履约、获客和复购。
现在再看
我会先找更窄的入口，而不是一开始就做“宠物版携程”。如果最小场景都不能独立成立，大平台式想象只会把问题放大。
Project reviews
用真钱把观点放进时间里。
写判断和真正买入不是一回事。价格、仓位、波动和机会成本会把很多漂亮观点压得更具体。
US Stock Investing
我持续看 AI 基础设施、财报、竞争格局、估值和市场叙事，也写过 NVIDIA 相关研究。这个部分不是为了证明我会炒股，而是记录观点被现实检验的过程。
我在看什么
公司质量、行业位置、财报变化、竞争格局、估值和市场预期。一个公司长期很好，并不自动意味着现在就是好的买点。
真钱改变了什么
写文章时可以把时间拉得很长，但买入以后要面对波动、仓位、机会成本和睡不睡得着的问题。观点会被价格和时间逼着变具体。
我容易犯的错
强叙事很容易让人只看支持材料，比如算力需求、CUDA 护城河、客户需求这些关键词。越是顺的故事，越要写清楚什么情况会推翻它。
我怎么复盘
不只看赚亏，也看当时的信息是否完整，风险有没有提前写出来，仓位是否匹配确定性，结论有没有反证条件。
Reading notes
Substack 长文。
X / Thinking cards
短判断：AI 软件和产品。
X cards
不是观点收藏，是判断痕迹。
AI cycle
原文 AI 软件还在早期阶段，先活下来。
这条判断不是在追热点，而是在看周期位置：AI 软件还在烧钱、共识形成和商业化探索阶段。现在比把故事讲圆更重要的，是团队能不能熬到下一段回收周期。
product judgment
原文 先问哪个关键约束会被解除。
我更喜欢用约束变化来想未来：AI 成本、航天发射成本、自动驾驶成熟度这些变量一旦变化，会改变服务、产业和城市结构。这个问题比直接预测某个产品会不会火更有用。
product moat
原文 Context 可能不是长期护城河。
很多产品会把上下文当成护城河，但模型和平台能力变化太快，六个月后这个判断未必还成立。更值得沉淀的可能是想法、视角和品味，因为这些会决定你拿 AI 去解决什么问题。
X / Thinking cards
短判断：组织和落地。
X cards
把工作流、公司和现场经验连起来。
agent org
原文 公司可能会从文件系统走向 agent 系统。
这条判断把公司理解成由文件、流程和角色组成的系统。未来如果不同 agent 承担不同角色，公司的核心资产就不只是软件界面，而是被长期打磨过的流程、上下文和判断标准。
AI workflow
原文 最有价值的资产可能是 md 文件。
提示词本身不是终点。真正有用的是把项目背景、检查标准、角色分工和反复使用的判断写成可以复用的文件，让 subagent 在进入任务前就有更好的工作前提。
field note
原文 AI 落地的难点不只在模型。
给一家摄像头公司做 AI 业务咨询后，我更明显感到阻力来自组织习惯：旧流程、旧工具和对新技术的不信任，会把一个本来一小时能讲清楚的问题拖得很重。落地不是演示能力，而是改变做事方式。
Contact
如果你在做具体的工具、产品或公司研究，我愿意聊聊。
我更适合参与有真实问题、需要快速整理材料、拆想法、写判断、做原型的工作。