2026 年 4 月 18 日

真想让伦敦动物园也做一个 :-)

花时间分析了企鹅的命名主题：节日 / 食物 / 植物——每只企鹅都有文化典故。

对于用自有资金构建 AI 产品的独立开发者，45% 的涨幅非常致命。单位经济学已经算不过账。我的做法：双模型分流——便宜 / 快的模型做重活，只有面向客户的输出才用贵模型。这样能大幅降本，用户也察觉不出差异。

旧版 Claude Code 给 4.7 发送了多余的安全警告，而 4.7 会过度聚焦这些提醒。跑一下 claude update 升级到最新版即可修复。

这种商业模式本质就不可持续，独立开发者不该抱怨获客成本上升。这类生意只有两种现实的退出路径：抓到几个金块，卖给出价最高者，走人。

Figma 太早转向了「压榨用户」模式。Google Docs 和 GitHub 在协作领域胜出的原因恰恰是「低摩擦分享」。Figma 现在强制按席位收费，连 .edu 免费账号都要求上传成绩单——这是 IPO 前的挤牛奶操作。

基础 Web 开发已经终结了。我的复杂 Next.js 应用 6-9 个月没写过一行前端代码了。

这是类别错误。铁路是唯一可比的，其他应该拿工厂建设或公用事业做对比。

铁路建好立刻产生经济价值。我想听听 LLM 目前已经创造了什么经济价值？

我们从小成长的世界里，一份排版精美的图表存在本身就能证明有人花了大量精力——但现在不是了。你不能再把社交媒体上随手流传的漂亮图表当作可信证据。

DO 的 droplet 出问题会自动迁移到健康服务器。Hetzner 裸金属没有冗余电源，硬件故障只能开工单等人工维修。很多人觉得两者可以直接替换是错的。

欧洲云提供商整体比美国的性价比高。Hetzner / Upcloud / Exoscale / Scaleway 都便宜很多。而且不受美国 CLOUD Act 和 PATRIOT Act 约束——这点即便你用 AWS 欧洲数据中心也逃不掉。

我把两台服务器从 Linode 和 DO 换到 Hetzner，几十个不同站点、不同语言、过时库全部是 Claude Code 帮我迁移的，必要时还重写了部分代码。今天做复杂迁移容易多了，这会显著增加云供应商之间的流动性。

多花 $200 做一台热备服务器，每几天切换主机一次，基本能消除灾难性故障的风险。

在 LLM 工具调用的场景下，每一次 cat 命令都可能是一次提示词注入攻击。

Claude Code 可能也有类似漏洞，因为它有丰富的终端渲染界面。

6 年前 iTerm2 有过几乎一模一样的漏洞（2019 年）。这是反复出现的问题。

Kdenlive 正好卡在 iMovie（太简）和 DaVinci Resolve（太复杂）之间的甜蜜点。搭配 OBS + Audacity 就是一套完整的开源媒体创作栈。

它会崩溃毁掉你的项目，多年来都这样。严肃项目绝对要避免。DaVinci Resolve 很便宜，还能学行业标准工具。

减少 AI 味的方法是让每个人独特的表达怪癖生长起来。你就是会写顿挫短句？那就他妈的放手写！你就需要一个清嗓子式的开场白？那就用！人类语言不该朝着某个通用标准收敛。这种工具本身就是在制造问题。

这个项目搞错了 AI 味让人反感的真正原因。单独看每个套话都没错，错的是密集、连续、过度地使用它们。单列 3 条没问题，连续用 10 条才是问题。

这些套话在 LLM 之前就存在，是给「想显得聪明但没东西可说」的人用的。LLM 听起来像这样是因为它们模仿的就是这些人。

进入绝对数量很大、但又小到不足以吸引主流 VC 的市场。你大部分的工作其实是营销（不是销售）——研究人们真正愿意付费解决的问题是什么。别听那些专门面向独立开发者做东西的「独立开发者网红」的话，真正的机会在那些对外行人不性感的市场里。

构建产品是简单的部分，但大多数开发者缺乏销售和营销能力。就像建筑工能盖医院，却不会当医生。

在今天构建和发布产品都非常快，真正最难的问题是触达整个可服务市场。

停下来别再造产品，先去找客户。问他们的痛点。问他们愿意为解决方案付多少钱。是的我知道，你喜欢的是写代码，你希望客户自己找上门、留下现金、走人——可惜事情不是这样运作的。

如果没有用户可以发布给他们，那你到底是在给谁做？你怎么验证过这个想法？我越来越倾向于搭建客户流，而不是一个一个找用户。别直接卖给餐厅，卖给那些服务餐厅的公司。

在 LinkedIn 上直接聊自己遇到的痛点，两周拿到了 35 个用户。

我之前在给妻子挑新笔记本，现在又在用 AI 帮我选车。这种场景下我需要一张能跨多个会话持续演进的电子表格——持续收集数据、交叉对照、根据新理解更新。但所有 AI 工具都只想做一次性会话、最后给一个交付物就结束了。我怀念那个文件优先于应用的软件哲学时代。

真希望「下载整个数据集再操作它」能成为一种更标准的模式。

我把 Databento 的市场数据下载到本地 Parquet 文件 + DuckDB，MCP 只暴露 SQL 查询接口，让 LLM 做 SQL 而不是把数据塞进上下文。

我跑了一套 pipeline 监控特定网页上的特定数字，比如最低工资一变就自动发 PR 更新 constants.json，用小模型提取具体数值。目前监控大约 100 个事实。

「个人守护天使」这个概念我用 OpenClaw 实现：一个 agent 作为组织 CEO 负责运营，另一个完全隔离的 agent 管家庭事务（日程、家庭医疗史等）。

LLM 给你的是处理语言的能力，所以处理非结构化数据才是真正的落地场景。别再问「这东西能干什么」，改成问「我们有什么问题需要解决」。

这是 MCP 服务器的杀手级应用。我家小狗有食物过敏，兽医让我追踪它的饮食和便便。我就搭了一个 MCP 服务器来记录这些数据。现在还计划追踪它的训练进度。

这东西其实最适合跑在 Home Assistant 里面。

反馈闭环就是关键。飞行模拟器之所以有效，是因为每个决策都会立刻收到反馈。而大多数现实生活技能的反馈闭环极差——你往往要几年后才知道当初那次谈判有多糟。