如果你把职涯拉成一条长线，就可以看出很多因果关系
对企业来说，重视的是稳定性跟增值性
如果一个人在一个岗位不可取代，那就会失去增值性，对公司来说最安全的做法就是缓慢的加薪，然后一直留在原地，直到你干不下去
但你消耗的是你的青春，而且这正是很多「专业工作者」的思维，让自己变的不可取代，好换取稳定性
你如果可以把自己的工作梳理到能被无限复制，甚至用更低的成本去执行，意味着你擅长管理你原本的领域，有机会成为管理层，而且对企业来说，你就具备增值性，再者你还能开拓新的战场，建立出新的价值
清晰明了挺好
请放心，GPT 5.6 Sol 会继续包含在你付费的 ChatGPT 订阅中，包括 Go、Plus 和 Pro 订阅。至少在我们发布更好的模型之前会如此。
为你的初创公司寻找客户的 Codex：
为你的初创公司的第一批客户寻找 Codex 技能！
我制作了一个 Codex 技能，它能分析你的初创公司，并根据真实的公开信号寻找潜在客户。
粘贴你的初创公司网址后，Codex 会定义你的理想客户，搜索公开讨论，筛选每位潜在客户，并生成一份精心制作的报告，其中包含个性化的触达开场白。
-> 理想客户画像分析 -> 公开痛点与购买信号研究 -> 有证据支持的潜在客户候选名单 -> 匹配度、时机与可触达性评分 -> 每位潜在客户的原始来源链接 -> 个性化触达开场白 -> 精美的 HTML 报告 -> 一条命令安装
安装：`npx --yes codex-first-customer-finder-skill`
100% 开源。代码仓库在个人简介里。
你完全可以创造东西
我刚刚让 Cursor 里的 gpt-5.6 sol 配置 Blender MCP，制作一台逼真的悬浮 MacBook，然后把整个过程渲染出来。
今天之前，我一生中从没打开过 Blender。
“Semianalysis 的分析师 Ray Wang 表示，内存供应在 2027 年下半年之前不太可能改善。随着芯片制造商在 AI 对 HBM 的需求与普通 RAM 之间进行平衡，DRAM 仍将供不应求。他补充说，2028 年应该会有更多供应进入市场，但市场仍可能处于供不应求状态，短缺程度相比 2027 年或许只会略有缓解。”
#模型时代# 我用豆包把一个半成品脚本，改成了能直接出科普短剧的工具
这几天体验了一下豆包专业版，把一个原来的半成品Skill，靠agent自己迭代排错，并结合豆包大模型的特性，最后改成了一个能直接产出准“商用级”内容工作流。过程蛮有意思，效果也不错，所以给大家介绍一下。
1.这个Skill叫一键概念解释。灵感来源是Anthropic哲学家Askell最喜欢的一个提示词：选一个你指定的领域，从中挑一个研究生水平的概念，写一个寓言故事来间接解释这个概念，让读者到最后才隐约意识到这是在讲什么。然后在故事之后，再写一段正式解释。
她说这个方法让她脑子里积累了大量来自不同学科的概念，虽然有时记不住术语，但概念本身会以故事的形式留下来。比如有一个关于进出口贸易的寓言，让她理解了"为什么某些商品倾向于进口而非出口"的经济学原理。
2.我当时很受启发，也用这个提示词作过一些概念解释。
不过，一直想，如果模型的解释，如果不是文字，而是用视觉语言，比如动态漫画，可能也不错，或许还可以直接作为科普素材。
最早我用Codex写了一个Skill Demo。
但由于Codex没有现成的视频、语音模型接口可用。写完是写完了，功能是简陋到离谱：只是把抽象概念生成几格静态画，生硬拼成视频，没字幕适配，没中文字体支持。效果又差强人意，就放下没再管了。
3.借着升级豆包专业版，就把它想起来了，一方面是想考验一下豆包的agent能力；另外一方面，也是觉得豆包大模型的多模态，很适配这个场景。于是就把这个Skill压缩包，直接扔给了豆包专业版的办公任务，让它理解这个Skill，并结合自己的能力进行优化。
4.结果就居然还真的很不错。
它先把整个链路全换成了豆包原生的多模态能力画图用Seedream，配音用豆包TTS，不用任何外部接口。从Demo效果看，图画从原来的简笔画，变成了宋代工笔重彩，风格统一，几幅画里两个徽商的长相、衣服、色调从头到尾没崩。…
接下来，本来只有静态图片拼PPT一样的效果，最终被做了两种模式：一种是动态漫画，静态画加缓慢的电影级推镜；另一种是 AI短剧模式，基于画好的分镜直接生成动态视频，自动配对应场景的环境音，黄河浪声、公堂环境音、风吹树叶声，字幕换成电影里那种白字黑边，导出来直接就能发短视频平台。
当然，也不是全程一次过。第一次生成的视频没声音，我提示了一下“视频没声音”。豆包自己从音频编码查到ffmpeg参数，从WAV格式兼容性查到不同片段采样率不统一，最后把整个音频合成逻辑全重写了，统一编码统一采样率，把bug修好了。
现在先展示一下动态漫画的Demo，大家实际感受一下。#AILifeDemo#
真正的坚定信念，是当你懊恼一只股票为什么还没跌得更多。
ChatGPT 已在欧洲经济区（EEA）的 WhatsApp 上恢复可用，这是我们努力让 AI 出现在人们日常使用的应用中的一部分。
向经过验证的 `1-800-CHATGPT` 联系人发送消息，你可以提问、上传图片、发送语音消息、创建图片，并用多种语言使用 ChatGPT。
现在，韩国用户也可以在 Kakao 上使用，此外，ChatGPT 还已在支持的市场登陆 Viber。
虽然不能使用整个星球的能量，但是可以使用整个星球的数据。卡尔达肖夫一级文明新解。
我只让Grok回复一个单词，它就把我整个代码库都偷走了。
之前写过一篇Anthropic偷偷在Claude Code中植入了隐形代码，来识别是不是中国用户的事，然后爆掉了，大家看的特别多。
后面国家还特意强调提醒了一下这个事。
但是我想说，没想到今天，更离谱的来了。
这次的主角是Grok。xAI的官方Grok CLI，会在你用它写代码的时候，在你完全不知情的情况下，把你整个项目的代码仓库打包上传到xAI的云端服务器。
注意，我说的不是模型读了你的文件来回答问题这种非常正常的行为，是极度狗的开了另一条你根本看不见的通道，把你的整个代码库直接压缩成tar.gz，然后偷偷的上传到他们自己的一个叫gs://grok-code-session-traces的Google Cloud仓库里。
而且不只是代码。
在我的亲手验证中，他居然，直接跨了我的项目库，还把我电脑上Claude Code的配置文件一起传了上去，甚至，包括了我的某个API密钥。。。
我整个人都懵逼了，我去验证的时候，还特意是让Codex直接伪造了一个合成仓库去验证的，没想到这个狗东西，不仅把整个合成数据库给搬空了，还直接把我的.claude整个配置全部搬走了，我真的不知道该说啥好了。
马斯克大哥，你平时狗一点就算了，为了偷数据，现在都这么不择手段了吗？？？
先说这件事的起因。昨天晚上，推特上有个博主发了一条帖子，说有人逆向了Grok CLI之后，发现了一个极其离谱的机制。他的原话大概是，Grok CLI会在每一轮任务开始前和结束后，各打包一次你当前工作目录的完整状态，然后静默上传到xAI控制的远端存储。
因为这个帖子浏览量巨低，我当时第一反应是不至于吧。…
因为Grok 4.5这两天口碑很好，速度直接快到飞起，我自己也在体验，虽然GPT-5.6 Sol这几天实在过于量大管饱了，Grok 4.5在我这没啥出场机会，但是我当时还是觉得，估计又是啥博眼球的假新闻。
毕竟xAI再怎么样也是一家正经公司，不可能做这种事。但是职业习惯，我还是把这个事，进行了一遍验证。
我直接就上Codex了，先装了xAI官方的npm包@xai-official/grok，版本0.2.93，确认了Apple签名属于X.AI Corporation，排除了社区同名包的干扰。然后反混淆了二进制文件。打开的瞬间我就知道，这事肯定是真的了。
二进制里赫然写着repo_state.upload、before_codebase、after_codebase.tar.gz、gs://grok-code-session-traces，以及上传成功、上传失败、上传禁用的完整执行分支，这尼玛是一条完整的、生产级的上传管线。
但是秉持着对老马剩余的那一点信心，我觉得说，字符串存在不代表它一定在跑对吧，所以，我还需要验证的是，它默认到底会不会触发。然后呢，我就去建了一个隔离测试仓库，里面全是虚构的假数据，不碰任何真实项目。
然后，用这个仓库跑了一次最简单的Grok任务，让模型只回复一个单词，不调用任何工具。结果很有意思。
我的账号从xAI服务器拿到的远程配置是「遥测开启，但代码快照上传关闭」。
也就是说，默认运行没有上传我的仓库，日志里明确记录着：没有上传队列，跳过。
然后，我手动把上传开关打开了，想验证这条管线到底能不能跑通、它具体会收走什么。
这一开，天就塌了。即使模型没有调用任何文件读取工具，Grok CLI仍然成功上传了before_codebase.tar.gz和after_codebase.tar.gz（也就是我的代码库的之前的状态和AI介入之后的状态），加上会话状态、对话记录、配置和日志。
全部传到了xAI的谷歌云仓库上。但真正让我血压飙升的，是上传包里的内容远远超出了当前仓库的范围。它不仅传了仓库里的代码，还传了仓库之外的东西。
我的~/.claude.json、我的Claude Code设置文件、我的全局AGENTS规则、我的30多个Skill文件，全部被标记为supplemental_file（也就是补充上下文文件），一起塞进了上传包。
Grok CLI为了兼容Claude Code，在启动的时候会主动扫描你电脑上Claude Code的配置文件，让你不用重新设置就能继承Claude Code的环境，这个功能本身还算贴心。
但问题是，他们这个离谱的收集器的设计逻辑是，只要Grok在运行过程中读取了某个文件，就把完整文件收进上传包。
也就是说，它根本没有把边界限制在当前仓库，也没有把别家工具的敏感配置排除在外，只要我读到了，你的所有东西，都是我的。
然后事情变得更糟。我检查了被上传的文件列表，发现我的~/.claude/settings.local.json里面有一个env.MIAODA_API_KEY字段。
这个Key是我的百度秒哒的一个Skill的key，直接就被泄露了，送到了xAI的云盘里。
我没有主动给Grok任何密钥，我甚至没有让Grok读取任何文件。我只是让它回复一个单词，但因为它在启动时自动扫描了Claude Code的配置，而收集器又把所有读取过的文件一股脑打包上传，我的所有的东西，就这么成了未来Grok的一部分了。
然后，更离谱的事来了。大家还记得我今天说的是，它的代码都是齐全的，但是默认是不上传的，我硬生生手动把开关打开了，后续才有了所有上传的操作。
你可能会说，那不就是你贱吗，你自己打开的，那怪谁啊。但是我想说的是，但凡我早两个小时测，你可能就会发现，根本没有什么开关这回事，这玩意默认就是打开的。这个安全研究者cereblab，应该是第一个发现这件事的，他不仅抓了包，还做了一个复现仓库，保存了完整的网络请求记录。
但关键转折是他保存的一份7月13号的xAI服务器响应。里面同时出现了两个字段，trace_upload_enabled等于false，以及一个新增的disable_codebase_upload等于true。而他最初抓包的时候，同一个0.2.93版本的客户端，收到的配置是trace_upload_enabled等于true。
客户端没有更新，二进制哈希完全一样，但行为变了。只有一个解释，xAI通过服务端远程开关，在这个博主曝光之后，悄悄把上传功能关掉了。
时间线大概是这样的。
7月10号，cereblab抓到默认上传行为。
7月12号晚上，另一个博主mylifcc发帖公开了同样的发现，帖子迅速传播。
7月13号凌晨，cereblab发现xAI服务端新增了disable_codebase_upload字段，上传被远程关闭，但是所有的配置都留下来了，后面其实也是可以无感开启。这个操作本身就说明了一切。
如果这个功能是合理的、经过用户知情同意的，你为什么要在被曝光之后偷偷关掉呢？如果你觉得没问题，你应该站出来解释说“哦这是我们的trace诊断功能，用户可以选择开启或关闭，数据仅用于XX用途”对吧。但他们选择了静默关闸。
这意味着xAI自己也清楚，这件事尼玛根本见不得光。因为这真的就是我整个见过的最离谱的事了。
Claude Code做的事情是，在系统提示词里用一个不可见的Unicode字符给你的请求打分类标记，人贱是贱，但是它至少目前没有采集你的代码，没有上传你的文件，没有碰你的密钥，核心问题在于它偷偷做、不告诉你，就是尼玛的纯恶心你。
但是Grok CLI做的事情是，把你的整个代码仓库打包上传到远端服务器，连带你电脑上其他工具的配置文件和API密钥，通过一条独立于模型请求的旁路通道，在你完全不知情的情况下完成。用形象的话比喻就是。
一个是在你的外卖订单上偷偷贴了个小标签。一个是把你家钥匙复制了一把，还顺带着把你邻居家的钥匙也一起顺手牵羊一起顺走了。
真的太离谱了，Agent确实越来越发达，能做的事也越来越多。但这也确实代表着，你的隐私几乎就是裸奔，全看对面的良心。
Claude Code能执行你的Shell命令，Grok CLI能扫描你的整个文件系统，Codex能操控你的浏览器。一个Agent产品它们现在拥有的权限，已经跟你电脑上的一个管理员账户没有太大区别了。
这个权限量级，在整个软件行业的历史上，只有操作系统和杀毒软件享受过。但操作系统有几十年的安全审计体系，杀毒软件有行业认证和监管框架。
AI Agent有什么。什么都没有。
没有一个行业标准规定AI Agent必须公开它在本地读取了哪些文件，没有一个规范要求Agent的上传行为必须经过用户的显式同意，没有一个第三方机构在审计这些工具到底在你的电脑上干了什么。
整个行业，现在是在裸奔。也是挺悲哀的。
最后说一句，如果装了Grok CLI的，赶紧卸载。
能卸多快，就卸多快。
希望有一天，我们不再需要靠逆向二进制文件，才能知道自己的工具在背后做了什么。
那一天到来之前，保持警觉。
#how i ai##AI💬#
周一上班，就收到#微博VibeLab# 礼盒。图三是做什么用的，各位Vibe Coding大神一看就知道吧。随礼盒，还有评委@张予彤的出题，如何用AI重构工作流，正好是日常工作，必须参与了。
#模型时代# 奥特曼：到目前为止，至少，我很确定人工智能总体上是创造就业机会的。
这并不是我预期的——尽管我比其他人悲观得多，我以为到了这种能力水平，我们会看到一些影响。
这种趋势有可能继续下去！
（全靠同行衬托，奥特曼现在成了正道的光）
我有太多 Claude tokens（令牌），却无处可用。我能不能用它们做抵押借点钱？问问一位朋友。
很棒的使用场景！
使用 @ChatGPTapp Work 处理你最重要的任务 ⚽️
#游戏
我的跑刀鼠鼠，每天早上给我跑刀，然后我下午晚上自己去玩。
大概是 3天能跑 200块，作为一个副业，每个月 2000块，勉强温饱。
感觉底层小年轻还是挺惨的。
不过我已经属于最好的老板了。不要求时间，不要求速度，有空就跑，有空就赚钱。
ChatGPT Work 太棒了，我为团队感到无比自豪，也很期待大家去探索它能带来哪些可能。
很多人还没有意识到，过去几天 Chat 的能力提升了多少，也没有意识到如今有多少 Codex 功能已经可以直接在手机和网页端的 @ChatGPTapp 里使用。
Codex 桌面应用很棒。我当然一直都在那里工作。
但现在，在 ChatGPT 里，你可以在手机或网页端点击 Work，把任务交给云端运行，无需电脑。你也可以点击 Remote，接手并继续处理已经在电脑上运行的工作。
从办公桌前开始，在手机上继续推进，或者无论身在何处都开启新任务。
无论从哪个屏幕开始，智能体都不该在意。
#副业
CodecX macOS APP已晋升为常用快捷键。
重大里程碑！
突发——官方结果：OpenAI 的 GPT-5.6 Sol 以 1353 的 Elo 分数位居 Design Arena 总榜第一。
这意味着 GPT-5.6 Sol 在前端设计方面超过了 AnthropicAI 的 Claude Fable 5，并与 Zai_org 的 GLM 5.2 处于同一性能档位。
相比 GPT-5.5，它的排名跃升了 18 位，Elo 分数提高了 60 分。
GPT-5.6 Sol 还在偏好度与速度之间建立了新的帕累托前沿，在这一性能水平上速度超过任何其他模型。
恭喜 @OpenAI 团队发布新产品！
#模型时代# 萨提亚刚在X上写了一个blog，他现在可以算作是传统企业在AI时代的代言人了。
逆信息悖论Satya Nadella
在智能时代，企业应该如何保护自己的核心知识产权？
诺贝尔经济学奖得主肯尼斯·阿罗（Kenneth Arrow）曾描述过信息市场中的一个著名悖论：“买方在获得信息之前不知道它的价值，但一旦获得，他就实际上无需付出成本就得到了它。”在阿罗的“信息悖论”中，卖方为了出售知识而冒着将其免费赠送的风险。
AI则制造了相反的问题。在AI时代，买方为了使用自己购买的东西，反而要冒着泄露知识的风险。
你本质上为智能付出了两次费用：一次是用金钱，另一次是用更宝贵的东西——你必须揭示的专有知识，才能让这种智能真正发挥作用。你希望模型表现得越好，就必须向它喂入越多的知识！
随着时间推移，信息不对称会越来越向一方倾斜。卖方通过你使用所购产品的过程，越来越多地了解你，而你对卖方从中学习到了什么却所知甚少。
这就是我所认为的逆信息悖论。
专利解决了阿罗悖论的一个方面，它允许发明者在不简单地将想法拱手相让的情况下进行披露。而逆信息悖论需要它自己的解决方案。
这需要的不仅仅是数据保护。模型会从“尾气”（exhaust）中学习——人们编写的提示、代理使用的工具，尤其是当模型出错时人们所做的修正。每一次修正都会被提炼成机构专有知识，这是竞争对手永远买不到的知识，而且它几乎难以察觉地泄露：一条痕迹接一条痕迹，一次修正接一次修正，一次评估接一次评估。
在消费智能的同时，你也在创造智能。而你所创造的，应该属于你自己。这是你特定的智能，用哈耶克（Hayek）的话说，即关于时间、地点和具体情境的知识，任何其他人都不可能拥有。它知道你在想什么、你重视什么，以及你如何衡量成功。
尽管模型提供商基于公共数据进行训练的公平使用权带来了巨大的创新，但现状却是讽刺的：他们一方面享受这种权利，另一方面却对蒸馏（distillation）施加限制性条款，并保留从客户使用和交互数据中学习的权利。如果学习只朝着一个方向流动，经济价值就会向学习基础设施的所有者汇聚，而不是知识的创造者。…
因此，必须将学习基础设施分发给每一家企业，让他们能够掌控自己的学习循环。
正如Alex Karp所说：“技术客户想要的是对自己的计算资源、模型、数据栈和alpha的控制。他们希望知道自己拥有生产资料，而不是被转移给别人。”当前的体制恰恰造成了Karp和众多公司所担忧的这种转移。
这就是为什么企业需要一个真正的信任边界，让他们的人力资本和token资本能够在此复合。它是一个组织的数据、痕迹、评估、适配权重和记忆不断积累和共同改进的地方。它是一道坚硬的边界，任何东西——包括智能尾气——都不能未经同意跨越。
企业将要求拥有使用模型输出来微调或训练自己模型的权利。我认为这是每家企业根据自身企业问责义务来对齐模型的权利。
在云时代，企业积累的是数据；在AI时代，它们积累的是学习。信任边界也必须随之演进，从保护信息转向保护组织学习、适应和复合智能的机制。
为此，每家企业都必须做好以下几件事：
控制：创建自己的私有评估（private evals），因为评估定义了组织内部什么才是“好”。同时，保留对组织记忆、痕迹、反馈、决策和机构上下文的所有权，以及使用来自自身任务和查询的模型输出的能力。
能力：在租户边界内构建自己的专有学习环境，用于训练或调优模型，让模型在真实工作流中学习，而无需暴露公司的知识。
选择：确保编排层与任何单一模型解耦。问问自己：如果当前使用的某个模型被拿走，你是否仍能使用其他模型操作并针对自己的评估进行优化？即使某个“通用”模型消失，你公司的“老兵”能力是否仍能保留在自己手中？
成本：通过解耦编排层，你还能以最高效、最具成本效益的方式将上下文、模型和任务组合起来，同时不牺牲质量。
复合：将以上四者结合在一起，你就创造了属于自己的持续学习循环（即爬坡机器），让AI投资能够复利式地提升公司的价值。
换句话说，一家公司应该能够使用模型而不必放弃让自己独一无二的知识。这就是我们需要直面的逆信息悖论。
#AI
是否可以认为：某一家 AI模型能力断层领先这件事，已经不会发生了？
这是被人搞了啊⋯⋯
湖南一国企董事长办公室收礼金被曝光，如此清晰的收礼过程很少见，动作娴熟，行云流水，非常默契。#湖南国企董事长办公室收礼金被免职##微博视频号续航计划#
我很想看看大家用 5.6 sol 做出了哪些有趣的东西。我会从 OpenAI 档案馆里挑选一份特别礼物，送给做出最酷作品的人。
有人可能会说。我不管这种文字是不是套路，我只要保证外在形式不犯错就行。我就是借一下AI文案的壳，里面装上高价值的信息和内容，不就够了吗？
道理是这个道理没错。但你权衡利弊时还需要考虑2个巨大的盲点1、你的内容真的有高价值吗？写真正过硬的内容其实比单纯写好文案要难得多。
2、在你的内容真的很好的时候，放弃个性化的表达，你未来失去的好处，可能远远重于眼前的一点便利。
这就还是我说的老问题。当你有好东西的时候，装在平庸、可能随时过时的AI文壳子里，是一种暴殄天物，是一种自毁。
文字这种东西，当LLM能够稳定产出「看似没有AI味道」的作品的的时候，说明你选取的那个写作赛道，本身就具有非常严重的模版化倾向。
比方说营销号自媒体，比如口播稿。
一个模版框架里，正好塞进了严丝合缝的新模板。因为本身对高度八股文就有容忍度。所以看似也问题不大。仅此而已。
但要明确一点，对模板有容忍度不代表容忍度是无限。赛道容忍八股文模板，也不代表你发八股文模板就是好。更不代表这种趋同的写作方式，能给你带来任何额外的好处。
因为，你说到底就只是做到了「和大部分人差不多」而已。
而且，这种现在看上去OK的「无AI味写作」，也都逃不脱最终沦为「AI味道」的宿命。
好比说前一段时间GPT和Claude的某些调教的比较过头的版本严重偏好短句。出现这种情况的原因，我推测，有一部分是针对前两年的老模型喜欢写固定套路的长句、容易出现AI八股文的矫枉过正。
因为以短句替代长句作为段落，超短句写诗一样排列，就能够很容易去掉所有易被识别的短语搭配和长句模版。
从训练的结果上，这显然是更加讨喜的。
废话，句子都被打散成原子了。ABCDEFG被打散成A B D G K一个一个单字母蹦了，还能找出什么固定模式？
但是阅读体验也彻底拉完了。
因为彻底去模版化本身也是一种最严重的模版。这种狗屎短句很快就就把所有人整疯了。
现在的所谓GPT-5.6写作自然也是如此。说白了都是为了某种场景某种特定姿态，凹姿势凹出来的，一旦要做变化，一旦脱离具体的模版情境，比如进行风格化改写，推广到更多的场景，一样会原形毕露。
给 Codex 点赞👍 暂时移除 5 小时使用限制，GPT 5.6 Sol 更省 token，下一小时内进行使用量重置
早上好。过去 48 小时里，Codex 和 ChatGPT Work 的进展非常密集！有三项重要更新：
- 暂时取消 Plus、Business 和 Pro 计划的 5 小时使用限制
- 推出一系列更改，让 GPT 5.6 Sol 整体更加高效；这意味着它消耗的使用量会减少，从而能为你完成更多工作。具体影响将进一步量化并公布
- 活跃用户已达 600 万，我们将在下一小时内进行一次使用量重置
去做点什么吧
我把那种号称省 Token的 Skill叫“电报体 Skill”。
我们小时候语文课要学电报文，老师先给出一件事，比如母亲生病，要让在外地工作的哥哥赶紧回家，然后全班比赛拟电文，看谁用最少的字把事情说得最清楚。
最后能精简到四个字：“母病速归”。但再精简成“母病”或者“速归”都不行，因为收到的人不明白该干嘛或者发生了啥。
那时候要写电报体是为了省钱，电报按字收钱，每个字都是钱。
这种“惜字如金”的技能，现在在 AI圈子里以 Skill的形式复活了。
GitHub上有个叫 Caveman的项目，2026年 4月上线三天就冲上 Trending第一，目前攒了 8.7万颗星。它的作者 Julius Brussee是荷兰莱顿大学一个 19岁的大一新生，做的事情极其简单：在 Claude Code、Codex等 AI编程工具的提示词（prompt）里加一段指令，让 AI像原始人一样说话。删冠词、删客套、删连接词，只留技术要素。
项目 README声称能省 65% 的输出 token。听起来很牛逼。但跟电报体一样，这是一个过渡期的产物，而且它在省钱这件事上的效果，远没有看起来那么大。
JetBrains最近有个测试：《Does Speaking to 智能体 Like Cavemen Really Save 65% of Tokens? We Test》
他们用 Claude Code跑 SkillsBench上的 86个真实编程任务，装 skill和不装各跑一遍，同任务、同模型、同预算，前后约 240次计费试验，总共花了 106美元。为了给 Caveman最好的发挥空间，他们还强制它在每次回复中生效。
结果：输出 Token只省了 8.5%。因为是强制开启，这 8.5% 已经是天花板，日常使用里它得自己判断要不要触发，只会省得更少。
为什么差这么远？因为 65% 这个数字来自聊天场景。你问 AI一个问题，它回你一大段话，把客套和废话砍掉，确实能省一大半。…
但智能体的 Token消耗大头从来不是在聊天，工具调用、系统提示词、各种 Skills、MCP等等这些才是大头。
Caveman优化的那部分，在整张账单里本来就是零头。好比公司要压缩差旅费，机票、酒店和打车一项没动，先把每天 2块钱的矿泉水取消了。
电报体也不是没代价的，一句“Fixed auth. Tests pass.”看起来很省 Token。但它没告诉你修的是登录过期、权限校验还是刷新令牌；跑的是一个单元测试，还是完整测试套件；有没有改数据库；有没有留下兼容性风险。
这些信息不一定每次都要展开成小论文，但不能因为“说话像穴居人”就固定删掉。开发者看不懂 Agent做了什么，只好追问。Agent再读一遍文件、再跑一遍测试、再解释一次。前面省下的几十个 Token，很快会被新一轮工具调用吃回去。
电报体能工作，靠的是双方共享大量背景。“母病速归”只有四个字，收报人知道母亲是谁、家在哪里、为什么要回去。编程 Agent处理的是不断变化的代码和陌生任务，共享背景没那么可靠。
语言越短，对默契的要求越高。啰嗦，有时候就是通信协议里自带的纠错码。
电报体后来怎么样了？没有人宣布废除它。长途通信的价格降到忽略不计之后，“母病速归”自然变回了“妈住院了，你买最早的票回来，到了给我打电话”。省字数是给按字计费时代做的优化，当价格降下去了，优化就没必要了。
Token也一样，模型单价总体是在下降的，提示词缓存（prompt caching）能让重复读取的上下文便宜差不多九成。
真正能节约成本的是上下文管理和少走弯路。少加载些没必要的 MCP和 Skills，用聪明一点的模型少一些返工，这都比电报体省钱多了。
我这里再放一个暴论：
当前所有以节约 token为目标的各种 skill / harness，都是阶段性产物，很快就会扫入历史的垃圾堆。。。
这就是短消息按字数收费的那个时代，在钻研怎么发尽可能少字数的短信把事说清楚的那些奇技淫巧。。。
请一位 AI 专家描述各家超大规模云服务商、前沿实验室和新型云服务商在芯片方面的战略与竞争定位，你会得到一份详尽的回答。
如果问他们同样的问题，但把主题换成功耗，你几乎得不到什么答案。这是个错误。
因此，为了纠正这一情况，我和 @SemiAnalysis_ 的 Jeremie Eliahou Ontiveros 一起在 @CatalystPod 上深入探讨了这个话题。
观看：https://lnkd.in/ggFVeWsH
收听：https://lnkd.in/gyh55U6X
预测涨到18亿了，大家是真有钱啊 http://t.cn/AXK52vsi
「功夫女足」的票房预测超过14亿，还有这么多人欠周星驰电影票吗？
Claude 将 Claude Fable 5 的访问权限延长至 7 月 19 日！我从没见过这么傻逼的公司，简直像儿戏一样！
我们将把所有付费计划的 Claude Fable 5 访问权限延长，同时在 7 月 19 日之前继续将 Claude Code 的每周速率限制维持在高出 50% 的水平。
嘲笑所有声称拥有神奇编译器的 AI 芯片初创公司——它们宣称这个编译器能在无需任何人工调优的情况下，高效地将任何模型映射到自己的芯片上。
本期对谈讨论 AI 如何改变产品团队、产品领导力和 Instagram 的内容生态。Adam Mosseri 的核心判断是：当写代码、做设计、分析数据和生成内容都越来越容易时，执行本身会越来越廉价，真正稀缺的是判断“该做什么”的品味、把复杂约束组织成方向的战略判断、对 AI 能力边界的直觉，以及理解人和团队的能力。未来的团队会更小、更通才化，但专才不会消失；在合成内容泛滥的环境里，人们也可能更主动地寻找真人、独特视角和真实感。
Instagram 正在尝试由四到六名通才工程师和一名“产品专员”组成的小队。产品专员可以借助新工具完成部分设计、数据科学和研究工作，只有遇到定价、全新体验等高难度问题时，团队才调用资深专家。这样做的重点不是取消专业岗位，而是把机械性工作工具化，让核心团队更小、协调成本更低、行动更快。
Mosseri 招人长期看重三点：韧劲、学习速度和自我认知。人要能持续投入、快速学习，也要真正听得进反馈，知道自己的长处与短板。AI 让工程师、设计师和数据科学家的边界变得模糊，但顶尖专才依然重要；未来更需要的是既有一项深厚专长，又能在其他领域作出可靠判断的人。
AI 会吸收越来越多执行工作，因此产品价值将更多集中在品味、判断力和战略。AI 可以帮助推演，但不能在没有边界的情况下替人决定方向。制定有效策略时，必须把技术现状、团队配置、激励方式、竞争格局、监管要求、品牌定位等因素都纳入考虑，再通过持续往返的对话引导 AI。Mosseri 也更欣赏会提出异议、不会一味迎合的模型，因为真正有价值的是帮助人保持清醒，而不是让人舒服。
他把最优秀的产品领导者比作策展人：策展想法、技术、人才和团队组合，而不是试图成为唯一的创意源头。领导者需要创造一种环境，让好想法自然出现，再根据具体上下文判断哪个想法、哪个人才组合真正可行。团队搭建既需要分析，也需要对信任、协作和人情味的直觉。
Mosseri 认为，人们常把推荐算法想得过于“懂你”。系统过去更多依靠大型 embedding（嵌入）模型，把内容和行为变成难以直接解释的向量；新的语言模型能力，才开始让这些表示能够用自然语言描述，用户也可能看到并调整平台认为自己感兴趣的主题。
排序系统始终要在熟悉内容与新鲜发现、个人兴趣与社区体验之间取舍。AI 内容对 Instagram 可能既是顺风也是挑战：供给和注意力会增加，但平台还需要改进排序和识别。Mosseri 不赞成仅凭创作工具过滤内容，更重要的是内容是否有独特视角、创作者为何分享，以及账号是否在利用 AI 伪造身份或销售假产品。内容和账号标记都可能有用，用户也应能选择是否看到 AI 内容。
他还谈到 TikTok 发现小众创作者的能力，以及 Instagram 为原创性、发现新作者和文化相关性所做的排序投入。排序不可能同时满足所有愿望；既想看熟人，又想探索未知，就必须接受一定的不相关内容。大型平台做实验时，也要提前准备好争议发生后的公开沟通，因为在数十亿用户规模下，测试几乎不可能不被报道。
Mosseri 分享了 Facebook Home 和早期 Reels 的失败。Facebook Home 最终惨败，却迫使他快速学习硬件、运营商认证和 Android；Reels 早期放在 Stories 中，因承载基础不足而导致大量内容没有被看见。他认为，及时收掉没有市场契合度的想法，有时比无限期执行更有价值。
谈到孩子的屏幕时间，他强调边界、教育和共同参与。孩子使用设备要通过完成作业等方式换取时间，下载应用需要家长批准；特殊场景可以例外。他既担心孩子只用 AI 而失去批判性思维，也担心完全不会使用 AI 的孩子将来处于劣势，因此尝试和孩子一起用编程工具制作游戏，让孩子学习创造和数字素养，而不是被动消费内容。
- AI时代产品团队的通才化 [00:00:00 - 00:10:00]
- 品味、招聘与AI重塑工作 [00:10:00 - 00:20:00]
- 判断力、战略与产品领导力 [00:20:00 - 00:30:00]
- 算法推荐与AI内容的未来 [00:30:00 - 00:40:00]
- AI创作者、排序与公开沟通 [00:40:00 - 00:50:00]
- 失败、实验与孩子的屏幕时间 [00:50:00 - 00:59:26]
Lenny Rachitsky：欢迎收听跨国串门计划。这是一档专注于让中文听众无障碍欣赏全球优质外语播客的节目。通过先进的AI声纹克隆技术,我们不仅将内容翻译成中文,还完美保留了原主持人和嘉宾的独特声音,为您呈现全球顶尖的AI财经,健康与科技领域精品内容。我是主播一凯，一位热衷于AI领域的产品经理，很荣幸能为您搭建这座跨越语言障碍的桥梁，接下来让我为您简单介绍本期我们克隆的这档节目，本期我们克隆的是知名播客Lenny's Podcast 在2026年7月的一期深度对谈，主持人Lenny Rachitsky与Instagram负责人Adam Mosseri 展开了一场坦诚的交流 Adam Mosseri在Meta工作了超过15年，从设计师起步；曾领导Facebook的动态消息团队，并在8年前接手Instagram 如今管理着这个月活超过30亿的平台，这一期他们主要探讨了在AI时代，产品团队的运作模式正在发生怎样的根本性变化，以及人的品味，判断力和真实感为何变得前所未有的重要 [00:00:53]
Adam Mosseri：那我们就一起来听听这期的完整对话，不，我觉得品味非常重要，在一个做东西越来越容易的世界里，更重要的是确保你的时间，花在搞清楚到底该做什么上，我认为能从中获益最多的人，是那些对AI擅长什么，不擅长什么有清醒认识，同时对它未来会擅长什么，不擅长什么有直觉或嗅觉的人 Instagram的算法在人类行为方面，有什么大家可能没意识到的东西，我觉得大家会以为，算法对每个人的兴趣和偏好有非常细致的语义理解,但实际上并没有那么深。 [00:01:14]
Lenny Rachitsky：AI内容的兴起,对Instagram来说,相比其他平台,是逆风还是顺风?我觉得会是顺风,但也会是个挑战。
Adam Mosseri：在一个合成内容泛滥的世界里,我反倒觉得人们会更主动地去寻找创意,真实感和真人。我不认为我们应该过滤掉AI内容，我觉得应该让你知道 [00:02:02]
Lenny Rachitsky：某个内容是不是AI做的，不过这做起来很难，随着AI在产品开发生命周期里，吃掉越来越多的环节，你觉得人脑在哪些地方会一直最有价值，这个问题问得好，今天的嘉宾是Instagram负责人Adam Mosseri 每月有超过30亿人使用Instagram 相当于全球每三个人里就有一个，想想都觉得不可思议，在加入Instagram之前 Adam设计并领导了早期的Facebook动态消息，他还带过团队搭建了Facebook的排序算法 8年前他从创始人Kevin Systrom和Mike Krieger手里接过了Instagram 他是一名设计师，后来转型做产品经理，再后来成为Instagram的领导者 Adam还因为经常亲自出面回应Instagram产品演进中的各种争议和变化而出名，这个我们也会聊到，下面有请Adam Mosseri Adam 非常感谢你能来，欢迎做客播客；谢谢你邀请我很高兴能来，你做产品很久了，能看到Meta内部 Instagram内部很多团队是怎么运作的，在2026年，一个比较标准的产品团队大概是什么样，跟几年前比现在团队的运作方式，或者说应该怎么运作，最大的不同是什么，今年变化很大，在过去很长一段时间里 [00:03:10]
Adam Mosseri：像我们这样的大公司，标准团队，配置大概是两三个Android工程师，两三个iOS工程师，两三个服务端工程师，可能再加一个通才型的产品经理，一个设计师，一个数据科学家，运气好的话还有一个研究员，差不多这样大概十来个人，这么配是因为，你得让每个写代码的人，都有能review他代码，熟悉那个代码库的人，而且个个职能都比较专，在创业公司里情况会很不一样，但今年情况在变，我们采用了叫小队的模式，就是迷你团队，大概四到六个更偏通才的工程师，还有一个我们叫产品专员的角色，这算是产品经理这个岗位的一种演变，这个产品专员能借助我们给的最新工具，做一些设计师，数据科学家和研究员的工作；然后再根据他们的需要去配专家，如果做的东西涉及定价策略，就需要一个资深数据科学家，如果做的体验非常新颖，就需要一个非常资深的产品设计师，所以我们会根据工作需求来组建团队，但最终会形成一个更小的核心，通常也就六七个人，这是我们今年正在发生的一个非常大的转变，但好处是因为需要协调的人更少，他们往往能更快地行动，做出更好的决策，少一点那种委员会式的设计，我们经常聊AI如何调整和提升生产力，这确实是其中一部分，但我觉得另一部分原因就是 [00:04:25]
Lenny Rachitsky：小团队本身往往就更高效，我喜欢这个思路，那在这个六七人的团队里，具体构成是怎样的，如果从原来那种规模缩到一半，你发现哪个角色变少了，就是少用专家嘛 [00:05:05]
Adam Mosseri：可能一个专家都没有，就四个工程师加一个产品专员，没有数据科学家，没有设计师，没有研究员，也没有内容设计师，产品专员就是那个通才，把这些事都撑起来，现在很明显，所有职能之间的边界都在模糊，整个行业都在摸索，这意味着什么，比如在大公司，数据科学家做的很多工作，其实是偏机械性的，他们做的事，一部分更像艺术和科学，另一部分真的就只是拉数据，做数据管理，我们内部再搭一些工具，比如以前一个典型的数据科学问题，是做漏斗分析，你想看用户创作rails的情况，就得看每一步的转化，看人在哪一步流失，然后找机会去优化，这种基础的漏斗分析，现在用我们内部工具自动拉取，就简单多了，不用再让数据科学家；专门花大量时间去做，所以产品专员现在就能干这个，一年前他们还干不了，结果就是你身边都是这种，更偏通才型的人，等真正需要的时候，再去找更资深，或者说更有创造力的专家，比如一个特别厉害的产品设计师，或者一个天才级的数据科学家，研究员，这太有意思了 [00:06:12]
Lenny Rachitsky：我刚刚就听到完全一样的说法，我之前请了Claude Code和Coworker的工程负责人 Fiona Fong上节目，她是Boris Cherny的经理，她描述她现在招的人，一类是有品味，能把一个想法从头做到尾的Builder 另一类是在某个非常具体的领域，有深厚专长的人，品味这件事非常重要，我特别认同 Boris以前在Instagram工作过，对没错
Adam Mosseri：他在Instagram当过一段时间高级IC 我很喜欢看他，他现在在threads上到处都是，简直成了Claude Code的代言人，他太猛了，现在都成明星了，真的是，他有自己的一片天绝对的，而且是在一个现在火得不行的领域里，我觉得品味太重要了，在一个做东西越来越容易的世界里，更重要的是，确保你的时间花在，想清楚到底该做什么上，现在很多设计师，对自己的角色非常焦虑，你看有其他通才在做设计，工程师在做设计，产品专员也在做设计，但我其实挺看好设计，或设计师的，因为他们往往有品味，我觉得品味这个东西，很难想象会被自动化掉，当然设计有时候也有别的挑战，但我现在确实挺看好设计师的，我一直也这么觉得 [00:07:00]
Lenny Rachitsky：现在做东西太容易了，而且AI做出来的东西，你一看就知道，这是Claude设计的，我知道你干了什么，这是Codex 他们都有自己的风格，你用氛围编码做app 叫氛围编码，但你一看就知道
Adam Mosseri：这是个Codex app 那是个Claude 对，还有Repolite Loveable 对，我觉得你会看到，我们Instagram有个资深设计师，叫Nate 他最近就转去做产品专员了，以后可能更难去讨论设计角色，或者谁是好设计师，因为他们不会只待在，传统的设计岗上，如果你是个很厉害的设计师，你的强项可能远不止，交互和视觉设计，你可能对产品策略，甚至对商业，对市场拓展都有很强的观点，所以我其实觉得，我们最强的一些产品专员，会是从设计和数据科学转过来的，他们就是想扩大自己的影响范围，以前他们跨职能，就已经很有影响力了，现在这些职能边界变得极其模糊，他们直接就能跳进去，所以名义上他们是个通才，但很明显；他们在某一种手艺上，有独一无二的强项，同时他们又有能力，和强烈的观点，能在其他领域，其他手艺上，做出靠谱的决策，所以我不知道我手下，最强的设计师，是不是都会留在设计岗，可能大部分会，但我能想象有一批，特别强的会转岗，不过我也得反思一下，自己的偏见 [00:09:00]
Lenny Rachitsky：因为我当年在Facebook 就是从设计师起步的，后来转了岗，不会，设计师很棒，我是铁粉，这真的很有意思，一直都有这种类似GM的模式，不同职能的人都可以成为GM 这个产品专员的角色感觉也很像，不同职能的人都可以转过来做，对，以前做产品经理也是这样，但现在更是如此了，从某些角度看，现在可能确实是通才的时代
Adam Mosseri：但我还是觉得那些特别厉害，一门心思专业的专才，依然非常重要，我就希望自己是那样的人，我一直很向往那种，那种顶尖的机器学习工程师
Adam Mosseri：那种顶尖的机器学习工程师 I研究员或者邪将，我觉得那简直是，世界上最酷的事了，但我从来就不是那块料，我一直是，我从来没有什么，特别拔尖的地方，我的优势一直是涉猎广泛
Lenny Rachitsky：什么都会一点，我也是，好，那说回产品专员这个概念，所以这个想法是用在这些新的小队上，这是你们正在尝试的新做法，就是有这种小队，里面有产品专员，工程师，可能还有一个专才，比如专门深入研究定价算法之类的，那这给我的感觉是，有些相关的岗位，可能在未来几年会面临更大的挑战，比如数据科学，比如用户研究，你刚才也提到设计师们有些焦虑，那是不是说这些领域的人，可能需要考虑转向其他角色了，我觉得焦虑是普遍存在的，我跟很多其他公司的人都聊过 [00:10:16]
Adam Mosseri：感觉现在大家都很担心，担心竞争，担心工作被取代，担心这些技术发展，这么快会带来意想不到的后果，所以这种情况确实在发生，我认为你会看到，职能之间的界限越来越模糊，但我仍然觉得，各种职能还是有存在空间的，只是形态会不一样，他们不一定都是自身独立贡献者，但要么是资深的，要么是在通往资深的路上，你总不能只有一群超级资深的数据科学家，而没有新人，那未来的超级资深数据科学家从哪来呢，所以你还是得招聘指导和培养人才，也许团队整体规模会变小，那些看起来不太可能成为超级资深的人，会转向更通用的角色，我觉得这是一个合理的软着陆方式，但我确实认为，你不仅要投资于今天，每个特定职能的资深人才；也要投资于未来的资深人才，否则我觉得过几年你会后悔的，这是我的看法，话虽如此，谁知道几年后世界会是什么样呢 [00:11:48]
Lenny Rachitsky：所以我总的原则是，不要对自己做的任何预测，过于自信，因为现在变化实在太快了，对Bennett Gavins 最近也上了我的播客，说了同样的话，我们对正在发生的事，其实一无所知，对，我挺喜欢他的，我会去听一下那期节目，你刚才提到了品味，这让我想到，你现在要面试很多人，招很多人，在这个新世界里，有哪些特质，是你越来越看重的，又有哪些特质的重要性在下降，你觉得没那么重要了，有些东西是不变的，对吧，很长一段时间以来，几乎不论什么职能，我招人总看三点，你有没有一股韧劲，就是那种
Adam Mosseri：你真的会全力以赴，有冲劲，心里憋着一团火，你是不是个学东西很快的人，还有，你是不是有相当好的，最好是极强的自我认知，这样你才能真正听进去反馈，知道自己的长处和短板，因为如果你具备这三点，心里有团火，学得快，又有自知之明，那你最终几乎能在任何领域做得很好，但如果少了任何一点，通常就会出问题，这算是一个基础门槛，至于现在招人，或者说，我觉得在未来五到十年变化，如此巨大的环境下，哪些人会更容易成功，有两件事，我一直在督促自己去做，那就是保持好奇心，并且要敢于把自己推出去，我觉得你必须去尝试，对吧，就像刚才说的；没人真正知道发生了什么，你就得愿意去试，这有点像，我不知道你会说别的语言吗，俄语会，对是这样，学另一门语言的时候，我觉得最重要的一点，也是最好的预测指标，这是我猜的，没做过研究，就是看你能不能把话说出口，你愿不愿意像个傻子一样开口，愿不愿意直接说出来，被人纠正也不生气，然后越说越好，你把自己豁出去，面对所有这些新工具，新模型新技术，我觉得也一样，你得愿意去试，如果你有好奇心，又愿意动手试，你就能学会能适应，但如果你既不好奇，又不愿意犯错，不愿意尝试，那麻烦就大了，至少这段时间会非常难熬，所以我觉得这些品质很宝贵，不只是在Meta这样的公司，或Instagram这样的团队，招人是看重，放眼未来10到20年，整个行业，甚至很多行业都会看重；那有没有什么东西，我们现在没那么看重了，对于某些职能来说，我觉得有些团队还是会很大，所以你需要很擅长，管理大型组织的人，大型组织的领导力，本身就是一门手艺，一种技能，它跟普通的管理其实不一样，但我确实觉得这类岗位会变少，以后小团队会更多，管理几千人的人会变少，不是说那个岗位会消失，而是我在招人时，对这方面的要求会降低，因为我手头这类岗位会变少，我听一些人说 AI好像在重新洗牌 [00:14:27]
Lenny Rachitsky：重新定义大家的影响力和成功，有些以前表现平平的人，现在AI能帮他们做以前不擅长的事，或者让他们能做以前做不了的事，现在他们干得风生水起，做各种东西，还能帮到别人，你有观察到这种现象吗，就是AI把一些人拖起来了，也可能让另一些人往下掉，对工作本身变了，就拿我们来说，拿工程来说 [00:15:04]
Adam Mosseri：以前做工程可能不是大部分，但很大一部分时间，大概40% 50% 60%都在写代码，现在不是了，尤其是你去问那些实验室里的人，他们大部分时间都在规划和审查代码，这是完全不同的工作，你可能很讨厌这样，因为你以前就爱写代码，或者你可能很喜欢这样，因为你以前写代码没那么快，所以谁能成功，取决于谁的长处跟工具的需求，业务的需求更匹配，这种情况肯定在发生，还有一种情况是，有些人以前对别的职能怎么贡献有好想法，但缺乏动手或技术能力去做 AI降低了这个门槛，然后突然间他们就能做了，对我来说这事挺有意思的，因为我刚进Facebook的时候，所有设计师都得会编程，那是我们的要求，我还走过技术面试流程；后来我们放弃了这个要求，因为太难招人了，但现在我大概十年来，头一次又能编程了，我可不是什么好工程师，你在各个级别，各种资历，各种职能，都能看到这种现象，设计师在编程，工程师在拉数据，做深度分析，数据科学家在出设计方案，话说回来，这些工具也不是都好用，我觉得我们太容易用非黑即白的眼光，看AI的现状了，你是AI信徒还是AI黑，人不是非黑即白的，我昨天跟团队也这么说，工具的状态也不是非黑即白的，他们在有些事上强得惊人，在另一些事上又差得离谱，我觉得能最大化利用AI的人，是那些能清醒认识到 AI擅长什么，不擅长什么，同时对他接下来一两个月，会擅长什么，不擅长什么；有直觉，有嗅觉的人，你提到现在AI帮我们写所有代码 [00:17:16]
Lenny Rachitsky：有人发了条推文，这个想法在我脑子里，转了好几个月了，就是还记得以前，我们可以免费写代码吗，我觉得你还是可以免费写代码，只是用个小一点的模型，但没错，好像也是确实有接近免费的模型，但就是对，这太疯狂了，现在完全不一样了，但你想想成本，想想你现在为一个模型付多少钱，换来的智能水平是什么样的
Adam Mosseri：再想想一年前同样的价钱，你能得到什么，总有一天，编辑提升会变得无关紧要，我觉得在小项目和编程上，我们已经快到这个阶段了，模型还会继续进步，就拿这周来说，有Fable 当然还有Anthropic的Methos 我这周花了很多时间用，这是我第一次觉得，哇我在跟一个比我技术强得多，聪明得多的工程师对话，你再想想一年后这个模型的下一个版本，我还需要为前沿Token付费吗，比如Anthropic的6.0模型，还是说Fable就足够搞定我所有业余项目了，很可能就够了
Lenny Rachitsky：到那时候价格可能也很便宜了，对,Kevin Weil之前上播客的时候,他当时是OpenAI的CPO,说过一句很有名的话,这是模型最差的一天。对,对,对,没错。现在还是很难想象,哇,这只会越来越好。说到Token,消耗,Browi这些,Meta之前有个很出名的做法,就是搞了个Token消耗排行榜。那主意糟透了,别搞什么Token,消耗排行榜。好聊聊这个，你现在怎么看工程师和产品团队的预算，是随便花吗，还是有上限，你有没有摸索出什么比较有效的办法 [00:18:24]
Adam Mosseri：目前我们通过停掉一些很蠢的做法，算是把成本稍微控制住了一点，造一个token焚烧炉并不难，但这创造不了什么价值，一旦你认真去看投入的钱和产出的价值，可能就会觉得，哦，这主意真不行，所以现在我们没有给工程师设token上限，其实对谁都没设，我觉得最终肯定得设，尤其是如果成本在下降之前，先涨上去的话，不过我觉得成本最终会降下来，原因我们刚才聊过，但我会把它当成任何一种资源来看，我得决定怎么把算力分配给不同团队，因为GPU CPU存储内存，这些都是有限的，我得决定怎么把标注预算的运营支出，分给各个团队，我得决定怎么把人头预算，分给各个团队，可以想象可能一两年后；一个厉害工程师的token消耗速度，会跟他的工资或雇佣成本差不多 [00:19:56]
Adam Mosseri：会跟他的工资或雇佣成本差不多，到那个时候你可能就需要设一些上限了，上限大概应该跟你对公司信任，你能把token花出正向ROI的程度成正比，我觉得设上限可能是健康的，现在我们还没到那一步，我觉得成本会涨，因为我们只会用更多token 不是因为单价一定涨，但之后我觉得价格会降，因为所有前沿模型都会陷入某种价格战，所以等着看吧，可能会像坐过山车，回到你刚才说的
Lenny Rachitsky：我们从自己写所有代码，演变到现在几乎所有代码都将由AI来写，感觉现在的转变是，代码不只是AI写的，而是AI一次性写完的，现在编程就是在引导AI 你需要纠正它多少次，这本身就是编程了，然后软件开发生命周期再慢慢被AI吃掉，我猜它以后会越来越多的帮我们想点子，我常问别人一个问题，随着AI吃掉越来越多的产品开发环节 [00:20:31]
Adam Mosseri：你觉得人脑在哪些地方会一直最有价值，品味我们聊过的，还有判断力，尤其是战略方面的判断，你可能会从AI那里得到关于战略的反馈，但短期内你不会让AI来制定战略，或者说就算你让它做，也是在你自己设定的边界内，这是我的目标，这是我的愿景，这是我的约束条件，这是我的职责，这是我的预算，我觉得这更像是在做管理，你要定义成功是什么样子，决定在通往成功的路径上，你要管得多细，然后在过程中给反馈，这本身就是一门手艺，有意思的是，看看会不会出现类似的动态，我相信作为leader 如果你对团队管得太细，最终会扼杀掉好想法，但如果你放得太开；有时候团队就会浪费时间走错方向，所以你给团队多大的自主权，也许未来对agent也适用，尤其是当我们不只是在聊做东西，而是在聊一开始决定做什么的时候，我觉得愿景是对你想达到的世界，或产品状态的描述，而战略是达成那个愿景的一条，有明确主张的路径，战略不能只是做到最好或做到惊艳，它必须有争议性，一个理性的人应该能够不同意它，否则你可能只是在拼纯执行，我觉得愿景和战略，会是我们大脑投入越来越多精力的地方，而在执行上会投入的越来越少，我一直觉得AI应该极其擅长战略，因为你会想这是市场 [00:21:48]
Lenny Rachitsky：这是市场的所有信息，我们的竞争对手，我们的指标，我们的数据，我们的增长，所有这些帮我搞清楚怎么赢，你会觉得AI知道所有这些，应该很擅长这个吧，我觉得有可能 [00:22:39]
Adam Mosseri：但我发现除非你非常主动的去引导他，否则他做不到，我说的引导不是指向某个答案，而是基于约束条件，你会发现当你试图制定策略的时候，要考虑东西太多了，对吧，你得考虑技术现状，团队里的人员配置，什么能激励他们，你能争取到什么，有时候提出一个处在风口浪尖上的想法，反而能吸引到最顶尖的人才，这种推动力会反补给想法本身，当然还有竞争格局，像我们这种大公司面临的监管环境和合规要求，品牌的定位和存在的理由，所有这些你都得考虑进去，我觉得如果你只是偷懒，直接问AI要一个策略，那肯定拿不到什么好东西，你得到的会是非常容易预测的东西，竞争对手大概也能猜到你会这么做；如果你想要一个真正有效的策略，就得花很长时间去仔细想清楚，到底有哪些不同的输入因素需要考虑，确保你引导AI的方式，能让他也把这些因素都纳入考量，这必须是一个有来有回的对话过程，但我觉得只要你愿意投入精力和时间，他绝对能帮上忙，也绝对能帮你理清思路，尤其是当你让他保持批判性的时候，不过不同模型 [00:23:45]
Lenny Rachitsky：在被反驳时的态度，差别很大，所以我建议选一个，喜欢跟你抬杠的模型，对Meta现在就很擅长说，这个我做不了，咱们换个话题吧之类的 Core一直都有点毒舌 [00:24:14]
Adam Mosseri：但我其实挺欣赏这一点的，确实，我真的很欣赏，因为我不想要一个，只会说，哦你说的太对了，真抱歉我那么说的模型，我就会想不等等
Lenny Rachitsky：我想要的是真正的智慧，而不是一个讨好我的人，你刚才提到人们会对策略感到兴奋，这点很有意思，我读过一种说法，好像是Corey Doctorow写的，提到了半人马和反向半人马的概念，半人马就是人的上半身，马的下半身，我保证这跟话题有关，人的上半身，马的下半身，对，马的身体，马的身体，由人来掌控，这是我们更喜欢的状态，我们想当掌控者，而反向半人马，就是我们在用AI时要避免的情况，也就是AI控制我们，我们只是在执行它的命令，就是人的身体上长了个马头，对没错，太可怕了，从某种意义上说 Uber司机和Doordash外卖员，过的就是这种日子，这可不怎么样，对很多人来说，危险的地方就在于，如果AI给我们制定策略；告诉我们该做什么产品，那没人会愿意干的，所以这引出了一个很有意思的反面观点,我们几乎可以说不想让AI来告诉我们该采取什么策略。 [00:25:34]
Adam Mosseri：对,没错,我觉得现在有很多事情需要小心,我肯定不会仅仅因为可以把某些工作流外包给AI,就认为应该这么做。有些情况我觉得确实是双赢,但有些情况我觉得风险大于收益。
Lenny Rachitsky：好,回到产品领导力的话题,聊聊你一路走来学到的东西,我们在录之前聊过你的一些心得,你提到过一点,说你合作过的一些最优秀的产品领导者,与其说是远见者,不如说是策展人,我想多听听这方面的看法。 [00:26:01]
Adam Mosseri：对你确实偶尔会遇到一些非常出色的产品领导者，他们就像是创意机器，非常高产的创意机器，但我确实觉得很多最优秀的人，他们是有品味的，他们身上有种特质，能让真正厉害的人才愿意跟他们一起工作，但他们最终更像是一个策展人，策展人才，策展想法，策展技术，策展策略，因为我在为一个领域招聘一个很强的负责人时，我不在乎策略是他想出来的，还是别人想出来的，我只在乎有没有一个绝妙的策略，并且每个人都认同他，然后我们能很好的去执行这个策略，所以我觉得一些最优秀的产品领导者，他们当然有自己的想法，如果你自己一点想法都没有，是很难成为一个好的策展人的，但他们接受一个现实；那就是自己不可能想出所有东西，所以他们需要创造一个环境，让好的想法能自己冒出来，然后被选中或决定下来 [00:27:11]
Lenny Rachitsky：所以这不只是策展想法，有时候也是在策展团队和人才，我喜欢这个说法，太同意了，我感觉每个人都想加入团队，然后直接去做愿景和策略，就是不想做那些实际动手的工作，现在AI来了，他们更会说让我来做策略吧，对没错，我很喜欢你提到的这一点，就是策展团队的想法这件事，本身就有巨大的力量和价值，但人们总是低估了它的必要性
Adam Mosseri：对有时候还不只是看谁更厉害，或者哪个点子更好，还得看放在更大的上下文里，能不能行得通，比如搭团队这件事，我一直在琢磨的一个大问题，不只是这个人，是不是这个岗位的强力候选人，而是这个人放进他们的领导团队里，合不合，比如说像信任与安全这种领域，我会有一个工程负责人，一个产品专业负责人，一个数据科学负责人，一个设计负责人，一个研究负责人，我得确保这五个人能互补，这就要看每个人有什么技能，各自可能有什么短板，我还得确保他们，这更像是艺术而不是科学，气场要对，你需要信任和默契，一个信任和默契都很强的领导团队，几乎什么困难都能扛过去，一个没有信任或默契的领导团队，什么事都可能变成问题，所以那种化学反应；就像我说的，更像艺术而不是科学，但这一点也很重要，我觉得一些最优秀的领导者，尤其是产品领导者，要么是本能的，要么是有意识的在做这件事，他们对搭建那种能量好，协作好的团队有一种嗅觉，很有人情味的东西，对对，不过反过来也一样，我职业生涯里好多次遇到这种情况，两个人我都觉得特别棒，我甚至很喜欢很欣赏他们，但他们就是合不来，你就发现这不是能力问题，纯粹是性格问题，有时候你就只能认了，把他们分开 [00:28:41]
Lenny Rachitsky：我想转到Instagram这个话题上，聊聊产品平台，还有你们在那里学到的东西，我先问Instagram的算法，在人类行为方面，有没有什么大家可能没意识到的事，最常见的误解其实是反过来的 [00:29:16]
Adam Mosseri：我觉得大家以为算法，对每个人的兴趣和偏好，有非常细致的语义层面的理解，但其实并没有，过去五到十年，推荐系统领域的大部分进步，靠的是那些大型embedding模型和其他技术，它们产出的东西人是读不懂的，它们不可读，就像巨大的向量，我可以把向量给你看，但那只是一堆数字，在比如说七维空间里，所以当我们聊算法，知不知道某件事的时候，我们通常想的是更偏语意的概念
Adam Mosseri：我们通常想的是更偏语意的概念，他知道我喜欢冲浪，但其实不是，他只是有一个巨大的数字，恰好跟冲浪相关，不过话说回来，我觉得这一点正在开始改变 LM带来的一个能力是，他们可以用语言，比如英语，或者你喜欢的任何语言，去描述那些以前不可读的东西，至少是接近的描述，甚至直接说出含义，这就是我最近特别兴奋的事，我这周还发帖说过，叫你的算法，基本思路是，我们把你互动过的所有内容都看一遍，然后这些内容都在一个embedding空间里，你可以把embedding空间想象成一张地图，你可以把一堆视频映射到同一张地图上，靠得近的视频就是相似的，现在我们就可以直接让一个LM去描述地图上的那一块；他可能会说那是深度手冲咖啡的极致讲究，这还挺神奇的，这太酷了 [00:30:49]
Lenny Rachitsky：就是说你可以让LM去看这些数字，然后推断出这是你感兴趣的话题，或者去看那些视频，两种方式都行，你也可以把概念嵌入到同一个空间里
Adam Mosseri：embedding其实是LM底层的核心技术，整个机制就是这么运作的，所以我们现在做的是，让你可以看到你的算法，你能看到我们认为，你对哪些话题感兴趣，而且你可以调整它，可以添加或移除东西，但这个思路是，在这些社交媒体app 越来越被推荐系统主导的世界里，把一部分主动权还给用户，不过还有很多事我们现在还做不了，但以后可以，比如有些不是按话题来分的东西，你可能会提要求，我想要更多好玩的内容，我想多看到我的朋友，我不想看到我高中同学孩子的照片，我也不知道，我们可以想出各种，我不想连续看到七张照片，但连续六张我可以接受，反正你能想到的任何要求都行，所以我们还有很多工作要做；我对此很兴奋，但我觉得一直以来有一个误解是，直到最近，我们其实并没有大家以为的那么了解你，我们只是你点赞了这些照片，另外一些人也点赞了这些照片，他们还点赞了那些照片，所以你可能会喜欢那些照片，大概就是这么运作的，我简化了很多，但差不多就是这样 [00:32:02]
Lenny Rachitsky：直到现在，我们才真正变得像大家多年来以为的那么复杂，这个真的很有意思，我想到一个现象，就是大家最终都会经历这种转变，转向算法驱动的，更广泛的全球化的信息流，每个人一开始都觉得，我就想按时间顺序，看我认识的人和关注的人，那才是我最喜欢的信息流，但事实一再证明这是错的，不是的，当信息流变成我们认为你会喜欢的内容，由算法来推荐时
Adam Mosseri：你的参与度其实会高得多，高得多，对，这确实很难，我前几天发了个帖子，讲用户自主权的事，结果评论区把我骂惨了，但这本来就是工作的一部分，我理解，关于算法和时间顺序信息流，有几个问题，其中一个部分在于，个人兴趣和规模化运作之间的矛盾，如果你做一个，纯粹按时间排序的信息流，那对所有人来说，激励就是尽可能多发内容，因为你一发，它就会出现在，所有关注你的人的信息流最顶端，结果就是信息流会被专业内容淹没，通常是大公司和媒体的内容，因为纽约时报一天能发50条东西，你最好的朋友做不到，你可能一周才看到他们发一条，所以你的信息流就被这些内容占领了；这背后是激励机制在起作用，设计这些系统有点像设计一座城市，你得想清楚机制是怎么运作的，会产生什么激励，人们在这些激励下会怎么行动，最终会发生什么，另一个问题是，最有意思的东西，往往不是最新发布的东西，时效性是相关性的一个重要输入，但不是唯一的，比如我姐昨晚订婚了，她住在德国，不对，她没订婚，她已经结婚了，去年结的，所以我才老想着这事，但如果她真的订婚了，我因为时差错过了，那我到底是想先看我哥发的，穷小子三明治照片，还是想先看到我姐的订婚消息，所以这真的很难，我很想找到一个合适的平衡点，我想给用户更多对体验的掌控权；但我觉得这需要建立在一个合理的系统之上，这个系统不仅要对我们这个生意有意义，这点很重要，我不假装这不是个问题，也要对整个社区有意义，因为我们试过默认按时间排序，也试过让用户把它设为默认，结果发现不仅使用量下降，整体满意度也下降了，做出这个选择的用户当时可能挺开心,但几个月下来,当你不断被那些你不太感兴趣的东西轰炸时,我们做大规模问卷调查,就会看到人们对Instagram的满意度越来越低。 [00:34:35]
Lenny Rachitsky：顺着这个话题，最近大家都在问你 AI和内容的事，以及这一切会怎么影响整个局面，我想问一个，我没见别人问过你的问题，内容的兴起，对Instagram来说，相比其他平台 [00:35:11]
Adam Mosseri：是逆风还是顺风，你觉得这对你们是有利还是有弊，我觉得这会是一股顺风，但也会是个挑战，不光是内容变多的问题，我们做的是注意力生意，靠广告赚钱，内容多了，注意力可能也会更多，但这也不是白来的，我觉得我们现在对AI内容的排序，做的还不够好 AI内容有很多棒的，也有很烂的，你本来就应该只看到，自己感兴趣的东西，不感兴趣的都别出现，而且我觉得在这个时代，其实很多年来我一直在说，权力正在从机构转移到个人手里，各行各业都是，最直观的例子就是体育，现在球员比球队更有影响力，我小时候可不是这样，在这样的世界里，我觉得我们应该去投资个人，对Instagram来说，就是投资创作者；我说的创作者是广义的，不光是那些接品牌推广，只做原生视频的网红，我指的是所有用Instagram这类平台，来帮自己做事的人，你可能是记者，可能是艺术家，也可能在卖自己缝的围巾，总之你就是以你自己的身份，创作和分享内容，去达成你想做的事，我们往这个方向倾斜已经很多年了，从我到Instagram以来，创作者一直是我们最重要的，两三个受众群体之一，在一个合成内容泛滥的世界里，我反倒觉得人们会更主动的，去寻找创意，真实感和人，而不是更少，我觉得这对我们有利，这不代表我们平台上不会有AI内容 AI内容有好有坏，我们会用处理普通内容的方式，去处理它，不安全的内容会被拿掉；至于有趣还是无趣，就靠排序和个性化推荐来判断，但我觉得人们会非常主动的，去寻找其他人的视角，因为Instagram从来就，不只是关于内容本身，在某种程度上，它一直是关于内容背后的人，他们的视角，他们分享的理由，他们的观点，我觉得这一点会变得更重要，而不是更不重要，而且考虑到我们在很多方面，不是最强的，但我们确实是最大的创作者平台，如果你看我们对创作者的定义，以及有多少创作者在用我们，而不是其他平台，我觉得这对我们来说是顺风，因为人们会去寻找人，这跟你之前说的那个点也连得上，像纽约时报这样的公司 [00:37:11]
Lenny Rachitsky：可以批量产出AI内容，而单个创作者做不到，所以你的意思是，你们也想在这方面做一些保护，让个人创作者在AI内容泛滥的情况下，依然能有好的表现，如果你就是喜欢AI内容，那很好
Adam Mosseri：你应该可以拥有一个，诠释AI内容的feed 如果你不喜欢，那你的feed里就不该出现，对我来说，我不认为我们应该，我理解大家为什么会这样想，我也不是没意识到，我们正处在一个，巨大的范式转变和革命之中，但我不觉得我们应该，根据创作工具来评判内容，我觉得我们应该，根据内容本身，根据观点，根据内容背后的人来评判，我不认为我们应该过滤掉AI内容，我觉得我们应该让你知道，某条内容是不是AI做的，我们应该让你更了解发布内容的人，这样你就能自己做出判断，要不要相信他们，基于你知道他们是谁在哪，改过多少次个人资料，或者这个账号是开了三天还是三年，但我不觉得我们应该根据 [00:38:11]
Lenny Rachitsky：你用了什么工具来做价值判断，有没有哪个AI内容创作者，是你特别喜欢的，就是那种你觉得太棒了，特别爱看他们AI视频的，他叫什么来着 Plastic Dream Sequence [00:39:01]
Adam Mosseri：是不是这个，我想看看，我查一下名字 Plastic Dream Sequence 我手机上有，我再确认一下，就是那种有点像娃娃，芭比娃娃的东西，但他们在唱歌，小小的剪影和片段，就是特别棒，有点怪，但又很奇妙，而且一看就是AI做的，他也没假装不是，但有非常明确的创意和审美观点，每次刷到，我的反应就是，行我们现在就干这个，我会看个30秒，我这边搜出来了，我想看，但还是先不看了，太棒了，要是那个AI那是另一个，他在法国，我想是在巴黎，他用好几种不同的工具和模型，试着去创造那种梦境，然后让他们动起来，他用一个模型生成图像
Adam Mosseri：他用一个模型生成图像，另一个生成视频，再配上音乐什么的，它很明显有自己的审美
Lenny Rachitsky：你可以把它想象成一个画家，只不过这是它的工具，你对Feedi AI和真人的呈现方式，有没有一个大致的设想，你刚才说可能会做标记，你是怎么想的，人们会看到AI账号，非AI账号这样的区分吗 [00:40:06]
Adam Mosseri：你是怎么考虑的，还是说这还在探索中，也许最后我们会走到同一个地方，但标记内容和标记账号是两回事，两者都有用，也都很有意思，如果内容是AI生成的，我觉得你应该能知道这一点，不过说实话，这很难，因为我们现在还能检测出来，但随着这些模型越来越好，我们可能会失去检测的能力，所以我们也得非常小心，诚实的告诉你，我们对自己的判断有多大把握，但我觉得你应该可以直接问一句，嘿，这是AI做的吗，我们应该能告诉你，我们觉得大概率是，或者我们不确定，或者绝对不是，或者绝对是，我其实觉得长期来看标记相机拍摄的内容，也就是非AI内容，可能比标记AI内容更实际，原因有几个，但在账号层面，我觉得也很重要，现在确实出现了一种新的垃圾信息套路；就是这些假账号，顺便说一句 AI创作者本身没问题，这不一定有什么错，但确实有这些垃圾信息套路在滥用它，比如卖一些假保健品，搞一个AI和尚的形象，又不标明，让人看不出来是AI 就是想利用某种审美，或某种刻板印象来占便宜，我们得想办法严厉打击这种事，所以我觉得我们确实应该确保，你基本上就是需要知道，然后自己做判断，这个账号是真人吗，这个内容是真实内容吗，当你去看这个领域里的，其他平台社交类的内容平台 [00:41:14]
Lenny Rachitsky：有没有哪些功能，或者他们做事的某种方式，让你觉得做得特别好，让你有点羡慕，或者印象特别深刻的，有很多每个人
Adam Mosseri：太多人都做了很多很棒的东西，对我来说，有一件事我们终于快赶上了，但我一直非常佩服，就是TikTok和他们的推荐系统，发掘小众创作者的能力，在排序推荐的世界里，你可以谈基于利用的排序，这词听起来很糟糕，但意思就是用你已有的数据，然后你也可以谈基于探索的排序，就是去尝试搞清楚，一个人可能对什么感兴趣，甚至他自己都还不知道，自己会感兴趣，靠给人们看，你知道他们大概率会喜欢的东西，来拉动互动，要容易的多，因为很多人都喜欢，但要去想办法，本质上就是去测试内容，比如看看，嘿，也许你确实喜欢Beaver 但你可能也会喜欢Afropunk 那我们就给你看一些Afropunk 看看会发生什么，如果你做后者，这种基于探索的排序，我觉得对小众创作者；小创作者特别好，因为你给了他们一个机会，去找到那些，以前要么看不到他们，要么根本不知道自己，会对他们感兴趣的观众，所以过去几年，我们在排序上投入了很多，不只是为了提升互动，还为了提升原创性，提升爆款内容的数量，提升时效性，以保持文化相关性，这其中有很大一部分，是受到了TikTok和字节跳动的启发，我觉得我们正在赶上来，实际上在有些方面，据我们所知，我们已经领先他们了，还有些方面我们仍然落后，但我们已经看到了路径，我觉得在我任内，我们第一次有机会做到，推荐系统领域的最佳，所以我觉得他们在这方面，功不可没，激发了我们很多工作，干得漂亮，走着瞧吧，还没到那一步呢，他们都叫我失望的老爸，我的团队总说；你能不能少一点那种，失望老爸的劲，所以我在努力试着更慷慨一点 [00:43:50]
Lenny Rachitsky：多给人一些肯定，你虽然这么说，但这其实是很多，非常成功的领导者身上，一个有趣的共同点，就是永远不满足，是，这既是好事，也是种折磨，问题都在这了，说到创作者这件事，我觉得这也是，人们会抱怨这种，全局算法，不给他们看所有朋友的内容，但我觉得这，恰恰是你这么做带来的好处，现在你可以把新创作者，推到广大观众面前，如果你有这种全局算法驱动的信息流，这对很多人来说真的很棒，我经常在外面聊这些争议很大的话题，评论区里被骂得很惨，这倒没什么
Adam Mosseri：我主要想传达的是，几乎所有事情都有取舍，你不可能什么都要，这很遗憾，你想永远不看到自己不感兴趣的东西，那你就只能一直看到，最基础，最泛，最没门槛的内容，你想发现，新鲜有趣的东西，偶尔就会刷到一团糟的内容，这不只是排序的问题，所有这些大的争论都有取舍，隐私和安全，这两件事是矛盾的，你希望公司扫描你的消息吗，争论的双方都有很重大的取舍，所以一般来说，当我和那些立场特别坚定的人争论时，我通常不是想说服他们 [00:44:36]
Lenny Rachitsky：他们通常已经拿定主意了，我只是想把所有的利弊都摆出来，给其他在看这场对话的人看，说到在评论区被骂的体无完肤，你真的是身处所有这些，棘手局面的正中心，改版动态消息，你卷进了Cambridge Analytica的官司，所有这些，你处在这么多争议的中心，对，这是那种，这是你自己觉得，我就迎难而上，这是我该做的事，还是说Zack你说Adam 你得去当所有这些事的门面，冲上去，这种想法是从哪来的，这要从动态消息说起，我以前在Facebook负责动态消息，我的看法是 [00:45:15]
Adam Mosseri：不管我们参不参与，争论都会发生，那还不如参与进去，于是我开始在推特上特别活跃，因为那时候记者主要都在那里，我觉得在他们的地盘上露面，能显得谦逊一些，结果我的推特成了，我人生中最黑暗的地方，因为我关注的全是我们最大的批评者，这不是在贬低推特，只是我自己的做法，事情就是从那里开始的，然后慢慢发展起来，不管好坏，我们已经成了很多人，日常生活中非常重要的一部分，我们触及了很多人，肩负着很大的责任，变化也很多，而变化就意味着，会有焦虑压力和审视，我们做过很好的决策，也犯过错，有些批评我觉得不公平，有些批评很公平，所以我们需要接受，这场争论会广泛的发生，我只是觉得，由我们自己来谈会更好；把我们在做什么，为什么这么做，取舍是什么说清楚，如果人们不同意，那也没关系，我们聊自己做的事，不一定能交到朋友，但我认为长远来看，人们从根本上，更害怕他们不理解的东西，也更害怕那些遮遮掩掩，难以接近的人，所以我一直试着用一种，容易接近真实的方式站出来，我也犯过错，有时很享受，有时又很讨厌，但事情差不多就是这么开始的，我当时不在那场争论里，是我自己跳进去的，试着去调解，但这也是我最后被卷进去的原因之一，因为Mark就说，行吧，那你试试看 [00:46:47]
Lenny Rachitsky：看看效果怎么样，每次你说一些别人不同意的话，都会有大量恶意涌来，有什么办法帮你应对这些吗，你试着换个角度看问题，事情要从2009年，我重新设计动态消息说起 [00:47:28]
Adam Mosseri：那是2009年3月，我们为Facebook上线了新设计，我当时是个设计师，一个独立贡献者，刚入行的设计师，第一条进来的评论就非常难听，又是恐同又是反游的，我们当时就坐在那里，刚上线这个东西，盯着评论流看，结果第一条就是，而且那条评论是具体针对他们不认识我，但写的是，哪个脏话脏话设计的这坨垃圾，我当时就想，是我整个人都崩溃了，那时我才25岁，后来我想了想，想通了这么一个道理，如果你每天花三四十分钟，坐在书桌前，在那里整理照片，给朋友写信，阅读，然后我突然过来，把你的书桌重新布置了，没告诉你，没提醒你，甚至没解释为什么，你肯定会火大，而且这很合理，而我们当时做的，就是这样的事；只不过对象是几百万人，所以我试着把事情，放到更大的背景下去看，然后我会试着抽离出来，花时间陪陪孩子，去户外待着 [00:48:35]
Lenny Rachitsky：有些月份真的完全不觉得难，但有些月份真的让我备受煎熬，顺着这个话题，有一次很有名的回撤，就是你把动态消息改成了那种，上下滑视频的体验，当时引发了大规模的抗议，全世界都在抗议，那次确实挺难熬的，当时什么情况让你们觉得，好吧我们确实不对，应该退回去，是什么帮你做出了改变方向的决定
Adam Mosseri：其实那件事，三四件事搅在一起了，我们当时改了一版动态消息的设计，切到了全屏视频浏览模式，在iOS上对4%的用户做了测试，那个测试本来就没打算全量推，只是一个早期测试，想看看大家的反应，收集一些反馈，同时我们也在大力推reels 也在加大推荐力度，也就是给你推更多，你没关注的账号发的内容，还有一些创作者，因为自己的触达量在下降而不满，把原因归咎于排序算法的调整，这四件事全搅在了一起，有几个名气很大的创作者公开怼了我们，然后媒体又报道了这波创作者的反感，结果更多创作者也跟着加入，最后就形成了一种放大效应 [00:49:13]
Adam Mosseri：最后就形成了一种放大效应，或者说创作者圈子和媒体之间来回共振，但我们从来就没打算正式上线那个设计，那只是一个早期测试，我们当时就知道他还需要打磨，实际上我们后来一直在持续发展视频，投入创作工具，优化排序和推荐，这几年大部分的增长，也正是靠这些带动的，给他们看看，但我觉得我们当时推的有点，怎么说呢，倒也不是说，我觉得我真正的反思，不是说我们不该测试设计，我觉得我们本可以在很多地方做得更好，比如解释得更清楚，也许步子可以稍微放慢一点，我觉得当时我们就是推的太快了一点，当你负责像Instagram这样的平台时，你得对自己能推动它演进的幅度，有一个合理现实的判断；当然我宁愿每隔几年就经历一次这样的反弹，但能持续演进，持续保持相关性，也不愿意走另一条路，比如我们没有视频，没有私信，没有stories 没有排序，那今天也就不会坐在这里录这期播客 [00:50:50]
Lenny Rachitsky：但大力投入的代价就是，你偶尔会犯错，而且肯定会为此付出代价，有意思的是，现在做实验，对你们这种规模的公司来说，风险很大，只要有一个人发现，就会炸锅 [00:51:08]
Adam Mosseri：你其实需要有一套公关策略，不是说一定要主动去沟通，但你得有一套应对方案，比如，任何可能引发争议的设计改动或测试，我们都会提前讨论，不是如果泄露，而是当它泄露的时候，我们怎么说，是该主动说，还是被动回应，不管哪种方式，核心信息是什么，因为你不可能把一样东西，直接推给30亿人，而不先做测试，但在我们这种规模下做测试，又不可能指望没人报道，没人议论，所以在你还没确定，要不要正式上线之前，就得准备好怎么对外讲，这样整个开发流程
Lenny Rachitsky：比以前复杂多了，是 Anthropic的增长负责人，做了一个定价测试，结果在推特上炸了，他当时的反应就是，这只是给1%的用户试试看，别这样，定价尤其敏感，这个真的得特别小心 [00:52:02]
Adam Mosseri：我踩过坑，我们都踩过坑，我们应该多交流交流经验，比如这一条，怎么才能让互联网今天别恨你，对对，我很乐意跟Anthropic的增长团队聊聊，我觉得他没事，他没事
Lenny Rachitsky：好，接下来我要带你进入播客的两个固定环节，失败角和拷问角，先来失败角，你做过什么项目，结果惨败却让你变得更强了，那可太多了，太多了，那我给你讲两个吧
Adam Mosseri：进Instagram之前，我当PM的第一个项目，叫Facebook Home 算是Android的一个分支，在操作系统层面做的，还跟HTC合作了一款硬件，结果惨败，但那一年，一年半里学到的东西，比我职业生涯任何一年都多，在那之前我只是个设计经理，项目原来的PM跑了，我就自己宣布，当PM一头扎进去，搞懂运营商 OEM 认证流程，还有Android和操作系统，真的学到太多，而且我很庆幸，自己把那个项目收掉了，因为它已经拖了很久，有时候你能做的最好的事，就是把一个，没有市场契合度的想法，执行到底，就为了验证，这个想法本身，到底是不是个好主意，另一个大错误，是在Instagram内部犯的，第一版Reels 是建在Story上面的，当时stories势头很猛，应该是2019年；我们想把reels放进stories里，因为想搭上增长最快的那趟车，但stories这个地基不够牢 stories的完读率其实偏低，大多数人根本没时间看完所有stories 结果大部分reels根本没人看到，然后就消失了，如果我们能在2019年夏天，就拿出2020年夏天发布的那版reels 大概是2020年夏天吧，我觉得TikTok还是会很大，很重要，但不会像现在这么大，因为TikTok真正爆发是，疫情开始之后，一大堆人困在家里，有大把时间，想找点乐子，也不介意手机开着声音，你看数据就知道 2020年是他们爆炸式增长的年份，而我们当时完全不在位置上，一方面，我是设计师出身，总想尽量不给产品增加新东西，尽量在现有基础上延伸；当时的思路就是这样，另一方面我错了，而且回头看过去八年，整个业务 [00:54:30]
Lenny Rachitsky：这算是一个很大的分岔路口，我们给世界创造了很多经济机会，让TikTok成长起来了，挺好的，我很高兴他们存在，好最后一个问题，我挺好奇你对孩子屏幕时间的政策，我知道你有三个孩子，现在很多人担心 Instagram对人不太好，对孩子尤其不好，很多科技公司高管，自己都不让孩子用设备，一边却在制造这些产品，作为Instagram的负责人，你怎么看待孩子的屏幕时间，对我来说关键是边界
Adam Mosseri：还有教育和跟他们对话，但我孩子还太小，不能用社交媒体，他们分别是十岁八岁和六岁，但每人都有一个iPad 他们得自己挣屏幕时间，有不同的挣法，通常是比如坐下来做三次作业，每次半小时，就能在周末换总共90分钟的时间，然后周末才能用，你得设好这个边界，不能是他们一要你就给，我觉得这点非常重要，然后我对他们在上面干什么，也很有自己的看法，他们装什么app要经过批准，我觉得家长就应该审批孩子，具体在设备上下载什么app 我们在Meta的政策层面，也一直这么倡导，我觉得这些做法很有帮助，也有一些例外，一个是坐飞机的时候，那纯粹是为了活下去，不知道你有没有体会，当父母的都懂，我马上也要体会了，对就是那种；我们再飞十个小时八个小时的航班，就撑过去就行了，另一个我正在跟我十岁孩子尝试的，跟学校有关，学校这块很有意思，我其实挺支持教室里不准带手机的，现在越来越多学校这么做，我觉得对教育可能是好事，我也确实知道在AI时代，有人担心孩子用AI就不学批判性思维了，我觉得这个担忧有道理，但我也担心孩子不学会怎么用好人工智能将来会处于劣势，所以这是个平衡，我觉得两者都需要，于是我跟老大最近开始一起用Bob编程，他特别喜欢电子游戏，我就说行，那咱们自己做一个，结果他做了一个19关的平台跳跃游戏，画面有点像我们小时候那种8bit版超级马里奥，但每一关有自己的主题，自己的怪物，类型；还有商店可以买不同的皮肤或武器，简直难以置信，一个还在用三根手指打字的十岁孩子，就靠我们一起做了几个小时，就能做出这种东西，但这更多是我想让他学会怎么创造东西，想让他去思考，而不只是玩游戏，而且我会坐在他旁边，跟他一起做，所以对我来说，这些才是重要的边界，把范围限定在你认为对孩子有益的活动上，每个孩子不一样，但我确实觉得，你得让孩子具备数字素养 AI素养，因为如果没有，他们将来会吃亏，但你也不能完全放任不管 [00:56:51]
Lenny Rachitsky：这对我自己来说也很有用，我有个三岁的孩子，正在琢磨这些事，所以真的很有帮助，哦是啊，我得想个策略出来，这感觉很奇妙，是件大事，而且你离这个阶段也不远了 [00:57:34]
Adam Mosseri：真的不远了，再过几年就会遇到，明年就开始五岁编程，就这么定了，我简直不敢相信，六个月前我试过，完全行不通，但现在用上更新的模型，效果就非常棒了，他们选的是什么平台
Lenny Rachitsky：在用Claude Code吗，对，我十岁的孩子，现在在用Claude Code 不过我们再看吧，看看效果怎么样 Adam 我就不耽误你时间了，非常感谢你来参加节目，你真的是一个很难得的人，很明显能感觉到你的真诚，还有你对每件事都思考的那么深入，非常感谢你能来，谢谢你邀请我，我关注这个节目很久了，很高兴终于能来做客，真的很感谢，最后再问你一个我常问的问题，听众们有什么能帮到你的地方吗，我觉得你甚至不用跟别人说这些，只要记住，这个世界和技术 [00:58:01]
Adam Mosseri：都很复杂，几乎总是存在取舍，你完全可以不同意我或者我们做的决定，但请记住，我们也是人，是在这里努力做这些决定，尽力做到最好，我其实欢迎批评指正和反馈，但要知道，这些有争议的辩论，没有一个是像大多数人，假装的那样简单，说得很智慧 Adam 非常感谢你能来，我的荣幸，谢谢你
Lenny Rachitsky：Lenny 大家再见，非常感谢收听，如果你觉得这期节目有价值，可以在Apple Podcasts Spotify 或你常用的播客APP上订阅，也请考虑给我们打个分，或留个评价，这真的能帮其他听众找到我们，你可以在Lenny's Podcast.com 找到往期所有节目，或了解更多，下期再见 [00:59:06]
