我是谁
大二学生，第一份实习直接进了 FA 交易现场。
关注 AI 软件、公司研究、投资判断和 tools for thought。相信好的工作来自"少而深"的判断，而不是堆材料。
我在做什么
明论资本 · FA 实习生
跟 GP 做前端 deal sourcing。用 X-mapper / AI-mapper-agentic 发现 AI 项目和人才线索，用 Exa 给 Agent 提供搜索输入，用 Context Mode 优化上下文处理，把"值得 reach"的判断沉淀成可复用规则。
这是第一份实习，核心目标是走出舒适区：从学生作业模式切换到"交付真实业务结果"模式。
Finance Expert Team
多 agent 投资研究检查清单，覆盖基本面、技术面、新闻情绪、风险、组合视角和报告输出。目标是减少确认偏误，让分数背后的假设、证据质量和分歧可被审查。
GeWu inquiro
记忆与主动学习工具。导入材料、提取知识节点、构建下一步学习路径、恢复上下文。真正中断的不是资料，而是学习的上下文。
Pet Travel App
学校资助的创业项目，最终失败。需求看起来清晰，但供应、履约和线下运营太重。学到的核心一课：有需求不等于有商业模式。
US Stock Investing
用真金白银测试对 AI 基础设施、财报、竞争、估值和叙事的判断，包括 NVIDIA 研究。写判断和真正买入不是一回事。
我相信什么
AI 的工作流压缩
哪些复杂工作会被 AI 压缩成"一句话一个结果"？我在找那些工作流程会被重新定义的赛道。
founder 的稀缺性
想法不值钱，能把想法变成垄断的人稀缺。我看 founder 看的是学习速度、对痛苦的耐受度和对权力的清醒。
垄断的来源
技术是借口，垄断才是结果。网络效应、规模效应、品牌、10x 技术，到底哪一种在这个项目里成立？
判断的复用
怎么把一次判断变成下一次的输入？我在搭一套可记录、可验证、可迭代的判断系统。
我觉得有意思的 AI 产品
Perplexity
它的 onboarding 很短，却让我立刻理解了这个产品该怎么用。这种"先教你用，再给你功能"的设计，比堆特性更难做。
Replit
它在验证一个极端假设：公司能不能自己编程。loop engineering 让 agent 不只是生成代码，还能执行、看到反馈、再迭代。
Linear
它把项目管理做成了团队决策的镜子。优先级、负责人、阻塞点，全都被迫变得清晰可见。
1X Technologies
它押注得很早：世界模型 + VLA 让机器人理解环境，灵巧手让它真正执行任务。通用机器人需要这两者同时成立。
Pool
今年最有审美的 AI 软件之一。它把截图从临时存档变成可搜索、可整理、可分享的内容流，让我重新理解"个人信息管理"可以怎么做。
工作流
信息流
少即是多。一天只看几篇高质量文章和行业研报，不刷大量自媒体。剩下的时间留给经典的书。
信息摄入的质量决定判断质量，数量不决定。
Nowledge Mem
它给 AI 工具和 Agent 做了一个本地优先的记忆层，自动收集对话、文档和上下文。Agent 长期工作，不能每次都从零开始。
gbrain
Garry Tan 开源的 Agent 记忆系统，把 Markdown 笔记自动组织成自连接的知识图谱。它的核心想法是：Agent 的长期记忆不应该依赖每次的上下文窗口，而应该是一个可以持续读写的结构化大脑。
AI 工具配置
Cloud Code + CCS（配置模型 API 的插件），连接 KIMI、GPT 等基座模型。搜索用 Exa，上下文管理用 Context Mode，知识库在 Notion。自己写了 Xmapper、AI Mapper Agentic（触达初创团队和早期项目）、Finance Expert Team 等 skills。
年度推荐
Zero to One
真正从 0 到 1 的创业不是找到一个 idea，而是找到一个别人还没看到的 secret，并用一个可闭环的结构把它变成垄断。这让我看项目时先问'这件事的商业逻辑能不能自己闭环'，再问'它能做多大'。
The Hard Thing About Hard Things
创业没有公式，CEO 最难的是管理自己的心理，并在绝境中做那些没人愿意做的决定。评估创始人不能只看增长曲线，而要看他在低谷中的行动质量。
The Founder's Dilemmas
每个创始人都在 Rich（财富最大化）和 King（控制权）之间做选择，早期每一个决定都会锁定后续路径。看 cap table 和条款时，先问'这个 founder 到底想要什么'。
其他在读
The Power Law
VC 行业的本质是幂律，一个基金的成败往往只由 1–2 笔投资决定。理解了为什么 VC 不接'好公司'，只接'可能成为唯一赢家'的公司。
The Mom Test
找用户聊天时，所有人都会骗你。这本书教我怎么问出真实需求：不问'你会不会买'，而问'你上次遇到这个问题时是怎么做的'。
7 Powers
商业战略的底层框架：规模经济、网络效应、品牌、垄断资源等七种力量。看项目时，先问它未来能不能建立其中一种。
Secrets of Sand Hill Road
VC 不是神秘行业，它的行为由 LP-GP 结构、基金存续期和 carry 机制决定。把 VC 的决策从'个人偏好'还原成'制度激励'。
The PayPal Wars
PayPal 的成功不是源于完美战略，而是源于高压下的快速迭代和一群愿意打仗的人。更关注早期团队的战斗力和应变能力，而不是 BP 上的计划。
Venture Deals
投资条款说到底只有两类：经济条款和控制条款。拆条款时，先分清它影响的是回报还是权力。
最近在想
我读到的
Defining Taste
Taste 的本质是信息压缩能力。有人面对海量选项会纠结，有人能直接抓住对的那个。差距不在审美，在能不能快速判断什么是关键。
Your AI's Memory
记忆和知识是两件事。记忆属于我，混杂、私人、依赖上下文；知识可以迁移、验证、反复使用。AI 真正该保存的，是后者。
Math Mafia
奥赛背景的人成为创始人，优势不是聪明，而是在没有标准答案的环境里训练过。他们习惯长期没有正反馈，还能继续推进。这一代创始人的竞争密度更高，扛压能力是新的稀缺资源。
我在X上面看到的优质文章
The Self-Driving Company
Agent 能跨系统调度之后，消失最快的是中层管理者。协调、传话、审批这些工作会被自动化，公司结构会变小。
On Grindslop
Grind culture 掩盖的是系统无能。真正的效率来自优先级清晰和流程可复用，靠堆时间只会把自己变成人肉电池。
human data market
真正值钱的数据，是人类在没被观察时的真实行为。一旦被记录者意识到自己正在被记录，行为就会变形，数据的价值也跟着下降。
AI's Biggest Winners
AI 不会只是帮助低利润率企业，它会接管它们。科技公司正在成为实体经济的事实操作系统层。
America vs Shenzhen
深圳的核心优势是失败成本低。美国的监管、工会和供应链分散让这种成本结构很难复制，制造竞争力不只在工厂密度。
The Most Human Technology
当 AI 能生成一切完美内容时，人类亲手做出的笨拙感会变成稀缺品。不完美会变成一种身份象征。
World-Building Doors
技术的大门已经打开，但大多数人还在用旧地图找新大陆。真正的机会属于重新定义"一个人 + AI 能做什么"的人。
New Media, One Year In
有些媒体本质上是被投公司的武器化叙事基础设施。VC 不仅要投钱，还要帮你制造共识、占领注意力。
短判断
AI 软件还在早期阶段，先活下来。
先问哪个关键约束会被解除。
Context 可能不是长期护城河。
公司可能会从文件系统走向 agent 系统。
最有价值的资产可能是 md 文件。
AI 落地的难点不只在模型。
Substack 笔记
同一个 Claude，两种打开方式
比较 chat 和 CLI 两种入口，更在意持久化、可恢复性和可审查性。
现在是买入 NVIDIA 的好时机吗？
区分好公司和好价格，讨论护城河、需求、估值、预期和反转条件。写判断和真正买入不是一回事。
我喜欢什么
🎬 剧
权力的游戏 · 龙之家族 · 继承之战 · 亿万 · 王冠 · 纸牌屋 · 浴血黑帮 · 太平洋战争 · 海豹突击队 · 唐顿庄园 · 金装律师 · 盾牌 · 后翼弃兵 · 钢铁侠 · 蝙蝠侠 · 漫威
🎵 音乐
Hip Hop · 流行
🏎️ 运动
网球 · F1 · 车轮贴墙的极限感
🚗 车
911 GT3 RS · Aventador SVJ · Huayra
🏙️ 城市
香港
🎮 游戏
PUBG
☕ 咖啡
每天必备
🏁 短期目标
搭一个四轴赛车模拟器