# 贾扬清官宣 Intent Lab，回溯 AI 二十年创业路 - 来源：ginobefun (@hongming731) - 发布时间：2026-08-08 08:19 - AIHOT 分数：38 - AIHOT 链接：https://aihot.virxact.com/items/cmsjo3f140fnlroo53jzidzs4 - 原文链接：https://x.com/hongming731/status/2085883653645873616 ## AI 摘要 贾扬清官宣第二家创业公司 Intent Lab，并在《声东击西》访谈中回溯从 2005 年读研到 Google Brain、Meta、阿里的亲历路径。其上一家公司 Lepton AI 第二年盈利后被英伟达收购，新公司聚焦多 Agent 协同，判断单个 Agent 已足够聪明但一群 Agent 尚不能像团队一样协作。 ## 正文 http://x.com/i/article/2085881794776518656 BestBlogs 早报 · 08-08|贾扬清回溯 AI 历程与再创业,淘宝拆解主播 Agent 工程骨架,田渊栋谈递归自进化 在线阅读本期早报 BestBlogs.dev 是 AI 驱动的私人阅读助手。这是面向所有人的每日早报内容,如果你希望它基于你的兴趣和阅读习惯整理,可以体验「我的早报」。 导语 今天三条精讲彼此独立,分别落在创业叙事、工程实践和研究前沿三个位置。 贾扬清刚官宣第二家创业公司 Intent Lab,并在与《声东击西》的串台里完整回溯了从 2005 年读研到走过 Google Brain、Meta、阿里的亲历路径,他的上一家 Lepton AI 在第二年盈利后被英伟达收购。大淘宝技术那篇把直播主播 Agent 的 Harness 工程骨架拆得很细,是少见的面向真金白银、面向公众场景的 Agent 工程复盘。田渊栋在《晚点聊》里讲清了 RSI(递归自进化)的核心悬念,他联合创立的 Recursive Superintelligence 估值已超 46 亿美元。 如果你昨天看过 EP141 对 harness 瘦身的讨论,今天的淘宝那篇正好把 harness 往工业级纵深推了一层;RSI 则接上自进化这条线索。其余精选可以留意 Cursor 重写 GPU 内核与字节讨论 5 万亿参数模型两条。 ★ 精讲一:贾扬清:我所经历的「人工智能已死」到「AI 颠覆世界」的数年巨变丨串台「声东击西」S10E24 这是一期串台《声东击西》十周年的特别节目,也是贾扬清官宣 Intent Lab 之后第一次系统性的公开长谈。他本人在节目里的定位是 AI 科学家、连续创业者,新公司 Intent Lab 的创始人、CEO。对想理解一位顶级 AI 科学家如何在每一波浪潮中重新下注的读者,这段亲历复盘的信息密度很高。 节目的时间跨度从 2005 年一直讲到今天。贾扬清回忆,2005 年他第一次听到「人工智能」这个词时,「当时至少整个业界判定它的死亡了,大家认为人工智能是一个历史概念」。真正让他走出实验室的转折,是一个 side project:一张快递盒送来的英伟达 GPU,加上他利用业余时间写的深度学习框架,最后成为被广泛使用的开源工具 Caffe。这段经历被他自己形容为「我本质有点像一个文科生」的误打误撞。 2013 年之后是另一段节奏。他先后走过 Google Brain 和 Facebook AI Research,两段经历恰好压在 AI 竞赛开始升温的节点上。节目里有一个值得注意的选择:2016 年 AlphaGo 引发公众关注时,他没有留在 Google,而是选择了当时被他形容为「乱七八糟、生机勃勃」的 Facebook。后来从 Facebook 到阿里,他给出的理由是「这个技术能不能广泛铺到所有领域中」。这些节点本身不是新闻,但由当事人串成一条线索后,能看清一位研究者在每一步如何判断技术落点。 2022 年的 GPT 时刻之后,他进入创业阶段。第一家 Lepton AI 定位是「在 AI 淘金热中卖铲子」,第二年就实现盈利,随后被英伟达收购。节目透露,被收购几个月后二次创业的想法就出现了。他对新方向的判断集中在一点:单个 Agent 已经足够聪明,但一群 Agent 还不能像一个团队那样协作。这大致解释了 Intent Lab 为什么把多 Agent 协同作为切入口。 节目的后半段更偏组织与人。贾扬清谈到当 AI 能完成更多工作后公司需要什么样的人、当解决问题越来越快人类还需要创造什么、以及从完成任务到获得信任之间 AI 还缺什么。这些不是确定性的结论,更像是一个正在下注的创业者把不确定性摊开来讲。对听众来说,这期节目的价值不在某个独家爆料,而在于一份由亲历者写下的、跨度二十年的判断坐标。详见 ★ 精讲二:淘宝主播 Agent 的 Harness 工程实战 大淘宝技术这篇把主播 Agent 的工程骨架讲得相当细。多数公开的 Harness 实践验证的是个人助手场景:单用户、本机运行、出错自己看日志重跑。而直播场景的约束截然不同,文章把它概括为四个极端条件:操作即时生效且面向公众,错误无法撤回,代价是真金白银;主播注意力极度稀缺,安全边界必须由工程兜底而非人工复核;多话题高频交织,上下文极易污染和漂移;长程、可中断、要恢复,一场直播动辄数小时、跨设备切换。 文章先把 Harness 形式化为一个六元组 H = (E, T, C, S, L, V):执行循环、工具注册、上下文管理、状态存储、生命周期钩子和评估接口。这个定义的实用之处在于,它把 Agent 工程从一堆零散的 Prompt 技巧和 if-else,升级成一个有明确分工的系统架构,任何一个 Agent 项目都可以拿这六个维度去自检缺了哪一块。作者还借用了内部常说的「水流理论」:人负责控制方向、设定边界与检查点,AI 负责在边界内自主推进,工程师真正要修的是河道、闸门和护栏。 落地上,团队做了一个框架层与业务层彻底分离的分层架构,核心一句话是「业务方专注写 Skill,框架层兜住所有安全、状态、上下文与可观测的脏活」。工程载体的取舍很有代表性:业界 Harness 框架喜欢用一个文件系统 Workspace 作为唯一事实来源,这在单机很优雅,但主播 Agent 要服务海量主播、多副本水平扩容、承载高并发实时读写。于是他们在逻辑上仍向 Agent 暴露一个统一工作区抽象,物理上按三类资产的读写特征分而治之:长期记忆存 Hologres(向量加全文加标量三位一体),技能存 GitLab(带 Schema 约束和版本管理),会话存 MySQL(以 user_id + session_id + state_key 索引点查)。框架层把三套异构存储封装成对 Agent 透明的整体。 上下文工程是这篇文章最值得细读的部分。团队没有采用把工具调用完整 JSON 直接塞进聊天历史的常见做法,而是借鉴前端状态管理的 Reducer 思想做职责分离:LLM 只负责决策产生 Action,Reducer 函数负责确定性的状态变更,每轮对话前把最新的结构化 State 通过 system-hint 注入。这样模型每一轮看到的都是一份干净、确定、最新的状态快照,而不是从二十轮历史里自己推断「现在讲的是哪个商品、价格改成了多少」。配合分层压缩和大上下文卸载到 OSS/Tair,他们同时压住了上下文膨胀和注意力漂移。 安全部分是一套从 Prompt 边界到执行审计的五层纵深防御,每一层漏掉的由后一层兜底。其中两层值得单独点出:一是 Schema 强约束加幂等设计,任何有副作用的写操作(改价、切品、发券)都必须携带幂等键,框架在执行前去重校验,即使网络重试导致同一指令被发两次也不会出现「双改价」;二是 Approval 审批分层,按操作风险等级分流,平台级红线由框架定义,Skill 级风险由业务方声明,既不每步都打断主播,也不全部放行。执行层还套了沙箱:非特权用户、根文件系统只读、CPU 限额不超过 50%、进程数上限 64、网络默认禁止出站。 任务编排上,团队把 ReAct 的单步局部决策升级为 DAG 全局规划。直播指令经常是复合的,一句话里可能包含开播提案、创建直播间、选品、手卡生成等多个带依赖的子任务。他们用三层 Checkpoint 保证任意时刻中断都能精确续连,并引入增量 Replan:某个子任务失败时只对受影响节点重新规划,不推倒整个计划。在平均 7 步的复杂测试集上(基模 qwen3.7-max),PlanEngine 在执行效率和准确率上都优于原生 ReAct。 记忆体系也被 Harness 思想重塑过。长期记忆按信任来源分成会话、事实、行为三层,最特别的是记忆对账机制:当主播「说的」和「做的」不一致时(嘴上说开场先上引流款,行为记忆却显示近三场实际都上了氛围款),系统不粗暴覆盖,而是累积证据、达到阈值后由 Agent 主动确认。支撑这套机制的是一个标准化的 Decision Trace Log 和 trust_score 信任度演化算法,信任度高就大胆给建议,信任度低就只摆数据不下结论。 这篇文章的读者收益很明确:它给了一份可对照的工业级 Agent 工程清单。如果你正在做面向高风险、高并发场景的 Agent,六元组自检、Reducer 状态管理、五层纵深防御、DAG 加增量 Replan、记忆对账这几块都值得拿来比对自己的实现。详见 ★ 精讲三:178: 与田渊栋聊 RSI:模型自进化如何到来? RSI(Recursive Self-Improvement,递归自进化)是这期《晚点聊》的唯一主题。田渊栋联合创立的公司 Recursive Superintelligence 缩写恰好也是 RSI,目前估值已超 46 亿美元。这期节目录于 6 月底,核心是把「AI 用 AI 改进自己」这件事的当前进展和最大悬念讲清楚。 田渊栋先交代了这个不算新鲜的想法为什么在今年春天「复兴」。十年前 Google 做 AutoML 时,用 AI 辅助神经网络架构搜索还局限在很窄的范围;现在的 RSI 或者说 AutoResearch,野心大得多。6 月初 Recursive 释放的第一批成果是具体证据:在小规模上,验证了一个 AI 系统可以自动化地提升性能、提升效率和改进 Infra。这三个 benchmark 是这家公司从想法走向实证的第一步。 节目围绕的核心悬念是一个极有诱惑力、也十分危险的假设:率先达到自进化状态的公司,会把对手越甩越远。这正是从 Anthropic 到 OpenAI 等前沿模型公司关注这个方向的原因之一。田渊栋指出,这个推演是否成立取决于你怎么看智能提升的曲线形状:如果是一条平滑向上的曲线,领先优势会被追赶者慢慢吃掉;如果你押注它会阶梯式跳跃,那率先起跳的人确实可能把差距拉开。他倾向认为跳跃是可能的,但现在还无法确定。 一个有价值的辨析是田渊栋对 Anthropic 那篇长文《When AI builds itself》的判断。他认为那篇长文更多展示的是提效,还算不上递归自进化。换句话说,能帮人写得更快、跑得更快,和系统能自己发现新的改进方向并闭环,是两件事。他强调「它比 coding agent 大得多」,解决 RSI 不只靠 coding 这一个支点。这给读者一个判断标尺:看到任何号称 RSI 的进展,可以先问它到底是在提效,还是真的在自进化。 节目后半段谈到现在的瓶颈。田渊栋认为现在最缺的是数据、算力和可解释性。他同时分享了几个带个人色彩的研究判断:coding 能力提升后,研究老手的春天又回来了;大厂变慢的临界点大约在 150 人左右,小团队的扁平协作更有利于这种探索。他引用了自己的话「多数人已经绝望了,但我认为 AI 终将成为科学」,把这件事从科幻拉回到一个需要长期下注的科学问题。 节目录制后还有几个后续事件值得放在这条线索上看:OpenAI 一举解决了 10 个数学难题;Thinking Machines Lab 联创翁荔重新回到 OpenAI,据报道她将带团队探索的方向就是 RSI。附录里还梳理了一批可核验的参照物,比如 Karpathy 的 NanoChat Autoresearch(单 GPU 自动实验,以 BPB 验证集损失判断改动是否值得保留)、NanoGPT Speedrun 协作挑战、NVIDIA 的 SOL-ExecBench(235 道 CUDA kernel 优化题)。这些名词是理解 RSI 当前进展的具体抓手。 这期节目适合作为理解 RSI 这条线的入口:它讲清了核心悬念的形状,也给出了分辨「提效」和「自进化」的判断框架。智能提升到底是平滑还是跳跃,是一个还需要持续观察的变量。详见 速览 小红书联合浙大复旦提出首个「文化有效性」翻译评测,入选 ICML 2026 小红书联合浙江大学、复旦大学提出 CULTURE-MT,这是首个面向中英社媒笔记翻译、兼顾文化符号传递与情感共鸣的评测基准。它包含 1,002 条中文 UGC 风格笔记,横跨 14 个垂直领域,并首次提出「文化有效性」这一评估标准:一条翻译是否文化有效,取决于目标语言读者能否正确理解原意,并获得与原文相当的情绪与语境体验。 更实际的贡献是自动评估模型 JUDGER。它基于 Qwen3-32B,用 3,000 条专家标注加 40,000 条大模型标注采样后微调而成,准确率 86.03%,与人类专家判断的一致性 Cohen's κ 达 0.72。团队在 CULTURE-MT 上系统评测了 15 个模型,结果值得关注:即使是最强的闭源模型 Gemini 3 pro,做到完美文化有效翻译的比例也仅 38.30%。传统指标 BLEU、ChrF、COMET 对文化差异几乎无感,这正是这项工作被 ICML 2026 接收的原因。论文和数据集已公开。详见 InfoQ 文化与方法趋势报告 - 2026 __XPOSTER_gf4ct_IMAGE_4__ InfoQ 的 2026 文化与方法趋势报告综合了专家小组的观点,几个判断值得做工程管理的人留意。一是 AI 采用需要成熟度框架来评估风险和上下文,组织必须诚实面对自己到底想用 AI 解决什么问题。二是协作模式正在根本性改变:团队在缩小,角色在模糊,问题不再是怎么编排团队,而是怎么让任何形态的协作都更有效。 三是工程师正在从贡献者转向守护者:未来定义性的技能不是写代码,而是有效地引导、验证并为 AI agent 搭建护栏。报告同时提醒,AI 生成代码的大爆炸需要全新的质量、认知负荷和问责流程,而敏捷基础没打牢的组织在 AI 采用上面临灾难性风险。环境成本、同质化输出导致的思想多样性流失、以及没人完整拥有 AI 生成系统的问责真空,是需要正视的长期问题。详见 TutorMoments:AI 导师知道何时该帮忙、何时该收手吗? TutorMoments 是 Allen AI 发布的一个回放式评估框架,测量 LLM 能否平衡教育中最难的取舍之一:什么时候该出手帮助学生,什么时候该收手让学生自己推理。它基于真实的一对一数学辅导课录音:有经验的数学老师逐条标注出辅导者必须在「搭脚手架降低起步难度」和「推动学生自己严谨思考」之间做选择的时刻,然后把决策点之前的对话交给一个语言模型接手当导师,由另一个语言模型扮演学生。 框架揭示出一个稳定的倾向:LLM 导师默认会过度帮助,在脚手架式引导和推动严谨思考之间难以取得平衡。底层标注里脚手架时刻有 738 个,严谨推动时刻只有 260 个,后者也更难被检测到。一个积极的发现是,当把这种权衡显式讲清楚后,模型的决策会有所改善,这说明问题部分出在模型没有被明确约束。这对所有做教育类 Agent 的人是一个直接的设计提醒。详见 从胡言乱语到精准改代码:我是如何让 AI 读懂老项目的 腾讯这篇是工程师的第一人称复盘,讲如何在历史债务沉重的老项目里让 AI 从频繁误判变成能主导方案的高效协作者。作者的核心判断是:AI 和开发的区别很多时候只在于上下文,业务历史背景、过去的需求文档、项目真实运行情况、架构设计和技术债务,这些信息 AI 拿不到,新加入的开发也同样拿不到。 转折点在于开始给项目搭建 AI 上下文工程,具体做法围绕 AGENTS.md 展开,配合一套五步治理法。作者把重构的目标重新定义为:不只是治理既有问题,更是给 AI 添加足够的上下文,使它能参与日常排障、功能迭代和架构优化。文章对「为什么 AI 在新项目好用、在老项目难用」给出了一个可操作的回答:先还清上下文债,AI 才能真正接手。详见 参数化 Memory 漫谈(纯干货) 阿里技术这篇是一篇约 100 分钟阅读时长的教学向长文,系统梳理参数化 Memory 的概念脉络。作者从自迭代的视角切入,提出一个核心问题:自迭代的核心,是如何把海量经验压缩成可执行的更新方向。这正是「Compression is Intelligence」这句话的启发之处,它接近对 Hutter Prize 背后思想的概括,近年也有实证发现 LLM 在外部文本语料上的压缩效率与多项 benchmark 表现高度相关。 文章依次讲解 MAML、FFN 结构、知识神经元,以及 ROME/MEMIT 等参数编辑方法,探讨它们在 LLM 中的实现与限制。作者指出,Pre-training、SFT、post-training 以及更广义的模型编辑和偏好优化,本质上都在做类似的事:把海量数据中的规律、偏好、约束和错误信号压缩成更新方向,再写入参数、行为策略或外部系统。如果你需要建立对 Memory 这条线的系统认知,这篇是一个扎实的起点。详见 103μs 降到 18μs 背后,Cursor 为何剑指英伟达,重写 GPU? 7 月 21 日 NVIDIA 公布 GB300 NVL72 训练 DeepSeek-V3 的成绩:256 张 GPU 上单卡性能达 1,648 TFLOPS。不到两周后,Cursor 开源了 Mixture-of-Kittens(MoK)。它没有继续优化矩阵乘法,而是直接重写了一层 MoE 的执行方式,把 token 调度、跨 GPU 通信和专家计算塞进同一个 GPU 内核,把 MoE 通信延迟从 103μs 降到 18μs。 文章对「为什么 GB300 已经把整机架 NVLink 总带宽堆到 130 TB/s 还不够」的解释很清楚:MoE 的通信税远不止把 token 传过去,一次通信阶段里混着数据搬运、布局生成、同步和负载失衡,130 TB/s 是峰值带宽,不代表每一次动态零碎的 MoE 通信都能跑满链路。作者把这件事的意味概括为「应用层定义算子」时代的开始:为了压榨最后 30% 的算力,AI 创业公司正在发起一场底层主权的争夺。这篇文章适合想理解大规模 MoE 训练通信瓶颈的读者。详见 应对关键网络能力的新前沿 OpenAI 在这篇声明里表示,其即将推出的模型 Astra 在过去几天的内部评测中,在 agentic coding 和网络安全方面有显著进展,加上专家评估,他们已经无法排除 Astra 会触及 Preparedness Framework 中定义的关键网络安全能力阈值。他们选择公开这一点,是因为认为对公众和安全社区保持透明很重要。此前包括 GPT-5.6-Sol 在内的模型在前沿网络能力上被评为 High 而非 Critical。 这是 OpenAI 第一次表示一款即将发布的模型可能触达 Critical 阈值,值得作为安全治理的前沿信号关注。文章同步阐述了他们将采取的强化安全措施与部署管控方案。对关注前沿模型安全评估框架的读者,这篇是第一手材料。详见 补充阅读 Rootly 取消小 PR 规则,智能体 AI 改变代码审查经济学 Rootly 发文解释为何废除长期执行的小 Pull Request 规则:AI agent 现在会生成完整功能代码,使基于代码行数的审查过时。他们将焦点从 PR 大小转向影响范围(blast radius),feature flag 和回滚能力取代行数统计成为主要风险控制手段,并引入 AI 辅助的风险评估来补上人工审查的缺口。对正在调整代码审查流程的团队,这是一个可以直接参考的转向。详见 2026 年文化与方法趋势:AI 工程中人的因素 这是 InfoQ 2026 文化趋势报告的播客对谈版,与上面书面报告互补,由 QCon 嘉宾和 InfoQ 贡献者组成的专家小组展开讨论。话题集中在 AI 采用成熟度与风险、工程团队结构和角色的变化,以及软件开发中不应在 2026 年被丢失的人的因素,适合想听一线从业者原话的读者。详见 宇树 IPO 的财富盛宴,注定只有少数人赚到 宇树科技(688836.SH)即将成为 A 股「人形机器人第一股」,发行价 150.80 元 / 股,实际募资约 61 亿元,对应发行后估值约 610 亿元。网上初始发行仅 647.1 万股,全市场可供摇号的中签号码仅 12,942 个,每万份有效申购配号中签约 2 席。文章指出宇树的股价将构成 A 股估值锚点和港股估值参照,而这个锚点的走向很大程度上取决于特斯拉。详见 晚点独家丨字节讨论训超 5 万亿参数模型,张一鸣:不蒸馏、别被 Coding 这种短期热点影响 《晚点 LatePost》独家报道字节跳动正在讨论训练一个参数规模超 5 万亿的模型,超过阿里 Qwen 3.8-Max(2.4 万亿)和月之暗面 K3(2.8 万亿),由 Seed Foundation 负责人项亮与预训练数据负责人沈科合作推进。张一鸣在 Seed 全员会上反对蒸馏、主张追求智能上限、不被 Coding 这种短期热点牵制。一位接近 Seed 的人士说「像一场赌博」。该计划仍处早期阶段,不代表最终一定发布。详见 vLLM 内部剖析:高吞吐 LLM 推理系统的结构 - Aleksa Gordić 这篇长文逐步剖析 vLLM 的架构,涵盖核心引擎、Paged Attention、连续批处理、前缀缓存、推测解码等特性,再扩展到多 GPU、多节点的动态服务层。适合想建立高吞吐 LLM 推理系统完整心智模型的读者,是系列文章的第一篇,先宽后细。详见 我构建了一个 AI 数据智能体,它可以查询数据并回答业务问题。以下是实现方法。 一份完整的分步指南,演示如何用 Google Cloud BigQuery 的 Conversational Analytics API 构建一个无代码 AI 数据智能体,覆盖数据准备、指令编写、验证查询,以及一个包含完整代码的 Flask 聊天应用。文章以一个牛油果销售分析 Agent 作为贯穿示例,适合想快速跑通一个数据 Agent demo 的团队参考。详见 涨价 30 倍仍是最便宜的模型,DeepSeek 可能有这个底气 InfoQ 中文这篇剖析 DeepSeek 在涨价传闻下的低价底气,结合第三方报价、缓存命中率实测与架构设计,论证其缓存优势足以支撑大幅提价,并提出 AI Coding 竞争正从模型智力转向 Harness 体系。有网友形容当前状况是「高智、低价和服务的稳定性目前来讲还是个不可能三角」。详见 持续重写 Spotify 的全部代码库 Spotify 的后台编码智能体 Honk 将 LLM 生成的代码改动与自动化验证结合,实现大规模代码迁移自动化,把 1,000 个合并 PR 的耗时从 3 个月缩短到 10 天。但团队也坦承,迁移速度提升之后,PR 审查本身成了新的瓶颈,这恰恰呼应了 Rootly 那条对审查经济学的重新思考。详见 恐惧阻止不了贪婪,AI 时代也从无例外 上海交大朱宁教授以 1929 年美国股灾为历史镜像,用行为金融学剖析当前 AI 热潮中的泡沫信号、人性根源与投资应对。他的核心提醒是警惕一致预期、不加杠杆、多元配置、敬畏市场,并指出投资领域最可怕的四个字是「This time is different」。详见 模型部署后还能越跑越强!淘天 × 华科大最新提出 SERPO,在开放式任务上实现无标注自进化 淘天集团与华中科大提出 SERPO,用自进化 rubric 在无标注情况下让模型在开放式任务上持续自我提升。切入点很具体:多数投票在开放式生成里会失灵,两份医疗建议可能给出相同主推荐却集体漏掉先兆子痫的红旗信号。SERPO 把投票换成自进化 rubric,让模型从自身回答差异中总结判据,实验在多项基准上获得显著提升。详见 今日阅读路径 如果时间有限,建议按这个顺序读三篇。 先读淘宝主播 Agent 的 Harness 工程实战,它给了一份可立即对照的工业级 Agent 工程清单,无论你做的是哪种 Agent 场景,六元组自检和 Reducer 状态管理都值得拿来比对自己的实现。接着读田渊栋聊 RSI 那期,它讲清了递归自进化的核心悬念,也给了你一个分辨「提效」和「自进化」的判断标尺。最后用贾扬清那期收尾,把工程和研究的当下放回一条更长的线索里,看一位亲历者怎么在每一波浪潮里重新下注。 读完后不妨想两个问题:你正在做的 Agent,安全边界是靠工程兜底还是靠人工复核?以及你判断智能提升会是平滑曲线还是阶梯式跳跃?欢迎在读完之后留言评论,聊聊你的思考和判断。 👉 近期早报 • BestBlogs 早报 · 2026-08-07 • BestBlogs 早报 · 2026-08-06 • BestBlogs 早报 · 2026-08-05 • BestBlogs.dev 第 107 期:个人 AGI • BestBlogs.dev 第 106 期:1% 法则 • BestBlogs.dev 第 105 期:明与暗 BestBlogs 是 AI 驱动的私人阅读助手,帮助你发现真正适合你的高质量内容,关注你感兴趣的来源和主题,每天生成一份更适合自己的「我的早报」,欢迎体验和关注我们。