兰 亭 墨 苑

标题 *

URL 别名 *

内容 * (支持 Markdown 格式) # 一个人的技术宇宙 > 主权先于智能。治理先于能力。管道胜过平台。人，永远是最终的执行者。 --- ## 〇、序：这不是简历，这是一份系统快照 如果把一个人的技术生涯理解成一份简历，那么经历很容易被拆散成一堆看似没有关系的关键词： 数学、经济学、期货、互联网产品、Python、Cloudflare、Go、TypeScript、Chrome 插件、NAS、微信、Agent、AI、知识管理、播客、量化交易…… 但如果不把这些东西看成简历，而是把它们看成一个人在十多年时间里不断留下的“技术痕迹”，会发现事情完全不同。这些项目并不是随机出现的，它们围绕着一个越来越清晰的问题不断向前推进： **当人工智能开始拥有越来越强的认知和执行能力之后，一个普通人究竟应该怎样重新组织自己的知识、工具、数据、工作流和生产力？** 没有通过研究一个宏大的理论来回答这个问题，而是用了一个更朴素、也更工程化的方法：自己造。 于是，一个项目接着一个项目出现：从一个 npm CLI 到知识管理系统，从 Chrome 插件到 Cloudflare Worker，从微信里的 Agent Hub 到本地 AI Harness，从代码快照工具到多智能体交易系统，从每日自动播客到给孩子使用的英语词典。 35 个项目看起来像一个人的“业余项目集合”，但实际上，它们更像一个不断生长的个人技术操作系统。 ## 一、起点：一个做金融的人，开始写代码 技术路径有一个很有意思的特点：并不是从计算机专业进入软件工程的。 数学本科、世界经济学硕士，随后长期深耕金融和互联网行业。历任中财、恒泰、华鑫等期货公司高级分析师，Wind 资讯产品经理、东方财富期货产品负责人。 这两段经历后来形成了一种非常特殊的能力组合： - **金融训练的是：** 变量、概率、结构、因果、风险、反馈。 - **产品经理训练的是：** 用户、需求、系统、流程、约束、资源配置和最终结果。 而编程则给了这种思维一个非常重要的出口：把脑子里的结构直接变成可以运行的东西。例如 TradingAgents 并不是简单地让一个 AI 给股票下结论，而是把分析拆成公司概况、市场、情绪、新闻、基本面、股东结构、产品等多个专业角色，再让多方研究员进行多轮辩论，之后进入交易计划和风险管理。 这其实非常像金融机构里的组织结构。AI 只是新的执行主体，真正被复用的，是过去多年形成的分析框架。 ## 二、工具观：不追求技术栈统一，追求问题与工具的匹配 如果只看技术栈，很容易产生一种错觉：主要特点是“会很多语言”。实际上恰恰相反。 Python、JavaScript、TypeScript、Go，并不是目标，而是不同场景下的工具： - **Python** 更适合快速实验、AI、数据处理和自动化。 - **TypeScript/Node.js** 适合 CLI、Agent、浏览器扩展和 npm 生态。 - **Go** 则更多承担长期运行的服务、CLI、守护进程和基础设施。 - **Cloudflare Workers** 则成为另一套非常重要的基础设施。 这种选择有一个共同特点：**不追求技术栈统一，而追求问题与工具之间的匹配。** 一个 136 行的 Cloudflare Worker，可能比一个几万行的 Web 应用更重要；一个几百行的 Chrome 插件，可能比一个复杂后台系统更有价值；一个 Go 写的代码快照工具，直接解决了一个 AI 编程时代极其现实的问题：怎样把一个完整代码库有效地交给 AI？这就是一种非常典型的工程思维。 ## 三、Sourcepack：把代码库变成 AI 可以理解的快照 Sourcepack 是这种思维最典型的例子之一。 传统开发者面对一个大型代码库时，面对的是目录、文件、依赖关系和大量上下文，而 LLM 面对的是 Token。 怎样把一个项目压缩成一个结构清晰、可以直接进入上下文的对象？Sourcepack 给出的答案非常简单：**把整个代码库拍成一张快照。** 目录树、文件目录、源码、语法高亮、项目统计、Token 估算，被统一组织成一个 Markdown 文件。 更重要的是，它还和 Knowly、knasync 连接起来：**Sourcepack → knasync → Knowly → NAS**。 于是一个看似独立的 CLI 工具，实际上成为整个知识基础设施中的一个节点。珍珠不是因为自己漂亮，而是因为能够串成链。 ## 四、Knowly：真正的核心不是知识库，而是个人记忆系统 如果说 Sourcepack 解决的是“如何把代码交给 AI”，那么 Knowly 解决的则是另一个更大的问题：**如何让一个人几十年积累的信息，不随着时间流逝而消失？** Knowly 的设计非常克制，并没有试图成为另一个 Notion，核心链路非常简单： > **捕获 → 处理 → 归档 → 检索 → 再利用。** 剪贴板是入口、浏览器插件是入口、微信是入口、文件变化监控是入口。knasync 负责把这些东西通过边缘队列连接起来，最终数据落到 **NAS**。 这是一种非常典型的 Unix 式思维：**每一个组件只负责一件事情，然后通过管道连接起来。** 管道胜过平台，你不需要把所有数据交给某一家公司的超级 App，自己的数据存在自己的 NAS。 ## 五、从“AI 帮我做事”到“我治理 AI” 真正让这套技术宇宙产生思想内核的，是 yuangs、TAAGE 和 vsyuangs。 很多 AI Agent 产品的基本假设是：AI 越聪明，自动化程度越高，就越好。但这里采取的是另一条路线：**AI 可以越来越聪明，但人的控制权不能越来越少。** 于是在 yuangs 里面出现了 Pre-Exec、Exec、Post-Exec： - 执行之前进行验证。 - 执行过程中进行控制。 - 执行之后进行审计。 - 危险命令需要策略判断。 这已经不是普通意义上的“AI 编程助手”，它更接近一个问题：**如果 Agent 真正成为数字劳动力，那么我们应该如何管理它？** 此时 TAAGE 让 Agent 开始拥有身份、权限、策略、风险、审计与责任边界。 ## 六、AI 观：不是主人，不是宠物，而是受治理的数字劳动力 当 Agent 只能回答问题的时候，幻觉只是答案质量问题；但当 Agent 可以执行 Shell、修改代码、访问数据库、调用 API、发送消息、部署服务的时候，错误就可能变成数据损坏、生产事故或权限泄露。 所以未来真正重要的问题不会只是“哪个模型 IQ 更高？”，而会越来越变成：**一个 Agent 在什么权限下、什么成本下、什么约束下，可以持续可靠地完成多少数字劳动？** ## 七、WeClaw：从工具走向 Agent 编排 在一个体系里，WeClaw 是一个非常自然的下一步。当 AI 从“聊天”变成 Agent 后，一个人怎么管理多个 Agent？ - 不同 Agent 可以承担不同角色。 - 不同模型可以承担不同任务。 - 不同任务可以形成不同工作流。 - 微信成为交互入口，本地系统成为执行环境，Agent Hub 成为编排层。 这就开始从“使用 AI”进入“组织 AI”。前者是我问 AI 一个问题，后者是我建立一个能够调用多个 AI、工具和数据源的系统，让它们按照规则协作完成任务。 ## 八、浏览器：成为人的“感知器官” 三个 Chrome 插件则把这个体系延伸到了浏览器： - **zhihu_extension** 负责：看到 → 捕获 → 归档。 - **AI Studio Side Panel** 负责：看到 → 选择 → 交给 AI。 - **AutoPodcast** 负责：看到 → 选择 → 转化成声音。 浏览器不再只是“网页浏览器”，它变成了个人 AI 系统的一组触手：感知、处理、沉淀、保存、分发。 ## 九、Podcast：让一个人拥有自己的媒体系统 传统播客需要选题、写稿、录音、剪辑、发布，而这里变成： > **数据 → AI → 文稿 → TTS → 音频 → 元数据 → NAS → RSS → 播客 App。** 一天可以自动生成多个时段的节目（早间简报、午间复盘、下午回顾、晚间预览）。AI 甚至可以分析作者自己的项目，再生成关于这些项目的播客。这已经不是简单的内容自动化，而是知识生产的自动化。 ## 十、AI Monitoring Center：当 AI 成为基础设施，就必须计算它 一个 136 行的 Cloudflare Worker (AI Proxy) 统一接管多个应用的 AI 调用，记录调用方、模型、Token、耗时、成本，并通过 AI Monitoring Center 可视化。 这代表着：**AI 已经从一个偶尔调用的工具，变成了个人技术基础设施。** 既然是基础设施，就必须具有 Observability（可观测性），AI 的经济学开始进入个人工程系统。 ## 十十一、TradingAgents：十八年金融经验的数字化复现 TradingAgents 把过去十八年的金融经验重新带回技术体系。它模拟一个投资研究组织：多个分析师并行工作、多空研究员进行辩论、研究经理形成判断、交易员制定计划、风险团队再进行审查。 模型只是能力，真正决定系统质量的是：角色划分、信息流动、决策流程、反馈机制和风险约束。AI 把过去积累的认知框架变成了可以运行的系统。 ## 十十二、给孩子做的词典：技术最终要回到生活 dictionary.js 很容易被忽略，但它可能是整个技术宇宙里最重要的项目之一，因为它服务于真实生活。 查词、收藏、AI 释义、文章学习、拼写练习、每日一词、语音、成长型激励。这说明技术最终并不是为了技术本身，一个真正成熟的个人技术系统，最终应该能够进入真实生活。 ## 十十三、35 个项目，一条完整的数据链 如果把所有项目放在一起，它们形成了一条完整的数据链： **浏览器/微信/剪贴板 → Knowly/WeClaw/knasync → NAS/数据库 → AI Proxy/多模型/Agent → yuangs/TAAGE/vsyuangs → 分析/创作/编程/交易/播客 → RSS/微信/博客/浏览器/移动端 → 再次进入知识系统。** 它们真正形成的是：一个人的信息流、知识流、AI 流和生产力流。 ## 十十四、十条原则 1. **主权先于智能。** AI 可以比人聪明，但不能因此自动获得最终控制权。 2. **治理先于自动化。** Agent 越强，治理越重要。 3. **显式优于隐式。** AI 应该知道什么，是被明确授予的，而不是默认拥有的。 4. **管道胜过平台。** 组件保持简单，通过接口连接，而不是制造一个巨型系统。 5. **审计即基础设施。** 系统不仅要完成任务，还必须能够解释自己做了什么。 6. **工具服从问题。** 不迷信语言、不迷信框架、不迷信平台。 7. **边缘优先。** 能放到 Cloudflare，就不一定需要传统服务器。 8. **自动化不是目的。** 真正的目的，是减少人的机械劳动，把人的注意力释放出来。 9. **AI 是放大器，不是替代者。** 人的认知框架仍然是最重要的资产。 10. **系统最终服务于人。** 无论是交易、编程、知识管理、播客还是孩子学英语，技术最后都应该回到真实生活。 ## 十十五、所以，这个人在建造什么？ 答案不是一个软件，不是一个 Agent，也不是一个 AI 产品，而是：**一个人的数字操作系统。** - Knowly 是记忆。 - WeClaw 是神经系统。 - yuangs 是执行边界。 - TAAGE 是治理规则。 - wsstunnel 是网络触角。 - Sourcepack 是代码记忆。 - TradingAgents 是分析系统。 - Podcast 是声音。 - 浏览器插件是感知器官。 - Cloudflare 是基础设施。 - AI Proxy 是能源管理系统。 - AI Monitoring Center 是仪表盘。 - NAS 是私人数据中心。 而 AI，则逐渐成为这个系统中的认知引擎。 ## 十十六、下一阶段 如果继续沿着这条路走，下一阶段真正值得做的是：**让已经存在的 35 个项目开始相互理解。** Knowly 的记忆、WeClaw 的组织、TAAGE 的治理、yuangs 的执行、Sourcepack 的上下文、AI Proxy 的基础设施——最终形成一个真正的 **Personal AI Operating System**。 再进一步，它甚至可能演化成一种个人 Agent 联邦，让“个人 AI”真正开始从一个聊天机器人变成一种新的计算形态。 ## 终章：技术最终会变成一个人的外化认知 回头看过去十多年的编程经历，真正积累的并不是某一种语言的熟练程度，而是一种越来越稳定的能力：**把复杂问题拆成结构，把结构变成系统，再把系统连接成网络。** 数学提供了结构，金融提供了风险和反馈，产品经理经历了系统思维，十多年编程提供了实现能力，Cloudflare 提供了基础设施，AI 则突然提供了一个新的放大器。 人的角色因此发生变化：从执行者变成设计者，从操作员变成管理者，从“亲自做每一件事情”，变成“设计一个能够持续工作的系统”。 这也许正是这个技术宇宙真正的意义：**不是让 AI 取代一个人，而是让一个人的思想、经验、知识和判断力，第一次拥有了可以被软件无限复制、组合和放大的载体。** > 你不是在写代码。 > 你在建造一个数字世界里的自己。 > > **主权先于智能。** > **治理先于能力。** > **管道胜过平台。** > **人，永远是最终的执行者。**

配图 (可多选)

标签