李潇然
会用 AI 工具，热爱探索科技产品，习惯在不舒服的场景里学习适应的人。不是简历，是一张工作台。
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。
我关注的 startups
Cursor
AI-native IDE，让一个人能指挥 agent 完成越来越大的工程。我关注它不是因为它是 AI 编程，而是因为它在扩展"一个人能做多大事"的边界。
Perplexity
答案引擎，把搜索变成可直接使用的判断起点。我关注它是因为它改变了"知识获取"的交互范式。
Replit
从在线 IDE 转向 agent 驱动的软件开发平台。我关注它是因为它在验证"公司能不能自己编程"这个极端假设。
Scale AI
数据标注基础设施，AI 训练背后的铲子。我关注它是因为它证明了 AI 时代最稳的钱可能不在模型层，而在让模型变好的基础设施层。
Harvey
AI for legal，从律所工作流程切入。我关注它是因为它选了一个"高价值、高壁垒、但传统软件很难啃"的垂直领域。
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。
Venture Deals
Term sheet 只关心两件事——economics（回报）和 control（控制）。拆条款时先归类：这是经济条款还是控制条款。
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。
最近在想
我读到的
The Self-Driving Company
真正被替代的不是基层员工，而是中层管理者。当 agent 能跨系统调度时，公司不再需要那么多"传话和协调"的人。
On Grindslop
Grind culture 往往是系统无能的遮羞布。真正的效率来自清晰的优先级和可复用的流程，而不是把自己活成公司的人肉电池。
human data market
值钱的可能不是"数据"，而是"人类在不知道自己被观察时的真实行为"。一旦人意识到自己被记录，数据就开始失真。
AI's Biggest Winners
AI 不是在"帮助"低利润率企业，而是在"收编"它们。科技公司将成为实体经济的事实操作系统层。
America vs Shenzhen
深圳的优势不是工厂密度，而是"失败成本低"。美国的监管、工会和供应链分散让这个成本结构很难复制。
The Most Human Technology
AI 时代真正稀缺的可能是"亲手制造的笨拙感"。当 AI 能完美生成一切时，不完美的人类手作会变成身份象征。
Math Mafia
奥赛背景的人成为创始人，不只是因为聪明。他们从小在高压、没有标准答案的环境里训练过，能在长期没有正反馈的情况下继续推进。上一代创始人需要韧性，这一代需要能在更高竞争密度下持续扛压的能力。
Your AI's Memory
问题不是记忆太多，而是我们把"记忆"和"知识"混为一谈。记忆是私人的、上下文依赖的；知识是可迁移、可验证的。
Defining Taste
Taste 的本质是"信息压缩能力"。有 taste 的人能在海量选项里快速识别出"对的那个"。
World-Building Doors
门是开了，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
这不是媒体，这是"被投公司的武器化叙事基础设施"。在信息过载时代，VC 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。