Artist Zhou｜OPC

在杭州做 AI 的朋友越来越多了。我整理了一份 base 杭州的 AI 从业者和博主名单，想认识杭州 AI 圈的朋友可以关注一下 👇 🏘️【社区和线下活动】 1. @tualatrix 图拉鼎：住在良渚的资深开发者，每周四在良渚办「疯狂星期四」Builder 聚会，是杭州 AI 线下圈子很好的入口。 2. @ArtistZhou：和光 AI 空间的发起人，在杭州办东站共居和 AI 夜校，长期组织线下交流。 3. @Jiayi_aijia 佳一：从深圳搬到杭州，是哥飞社群杭州活动的发起人，经常组织出海和 AI 产品人的聚会。 4. @0xClareYang：Midnight 杭州 Builder Lab 的组织者，在杭州做 OPC 一人公司，连接 AI 和 Web3 的 builder。 5. @SkyBitShy：同样参与组织 Midnight Hangzhou，关注 AI 和 Web3 方向。 6. @KOSX_ai：在杭州持续办 AI Meetup 和 Workshop 的创作者社区，适合想上手实操的朋友。 7. @GodlyAlphaM：Omarchy 杭州 Meetup 的组织者，聚集喜欢折腾开发环境和工具的技术人。 8. @useless_liu：和杭州松果 OPC 开源空间关系密切，关注一人公司和开源社区。 9. @sweeetmonkee 沈老板：在良渚生活了 17 年，现在是一家 AI 孵化器的合伙人，往返杭州和大阪。 10. 即刻 王按捺 Ana：做 OPC 一人公司孵化，经常在杭州办 Demo 沙龙。 11. 即刻 自由良渚 AI 实验室：在良渚办「AI 造浪者」等线下活动。 👨‍💻【创业者和实战派】 12. @chunxiangai 赵纯想：laper .ai 等产品的创始人，团队在拱墅 loft49，分享 AI 产品和创业的一线经验。 13. @bozhou_ai 泊舟：长期做 AI Coding 和 Agent 实战教程，也帮老板们搭 AI 工具和工作流，干货很多。 14. @xmmxovo 西门聪明蛋：做产品和自媒体，专注软件出海，分享从做产品到获客的实战经验。 15. @stark_nico99 Nicolechan：YouMind 社区增长负责人，分享 AI 产品的增长和社区运营方法。 16. @Aoyi21 奥一：杭州本地的创业者，实践用 AI 撑起一家公司，记录一路上的方法和思考。 17. @czzzzzzJ_ 麦当：前大厂测试，现在是 AI 一人公司主理人，在杭州注册了一人公司，分享独立创业的全过程。 18. @hezhiqianye 江辰：NeonBit（杭州映构智能）的创始人，做 AI 产品创业。 19. @cnzhihao 智昊：带团队做 FDE，帮企业把 AI 接进真实的业务流程，关心 AI 落地的朋友值得关注。 20. @zengge1984 浙大曾哥：前阿里 AI，现在做企业 AI 培训、获客和 FDE，聊 AI 怎么在商业上真正用起来。 21. @LyuVincent Vincent：医疗 AI 评测平台 PangolinLab 的创始人，关注 AI 在医疗场景的落地。 22. @elysejingqi elyse：杭州时空智汇的创始人，账号刚起步。 23. @banwenpeace 李半文：在杭州和深圳两地跑，做 AI 营销和出海。 🧑‍🔬【工程、产品和设计】 24. @Mantou_Studio_ 馒头：自称不是程序员，却靠 AI 一个人做出了剪辑软件，是 AI 编程能力的真实案例。 25. @sunnyygao Sunny Gao：开源 builder，做 MindFly Lab，参与 Apache Answer 社区，关注开源和 AI 工具。 26. @maoxunxing 毛毛星：在网易和阿里做过十多年前端，现在接 FDE 和 AI 咨询，技术功底扎实。 27. @JiangK82705 蒋云何：芯片软件公司的 AI 负责人，分享 AI 在企业里落地的真实需求和经验。 28. @jiusanzhou 周筱鲁：做 LLM 推理和 GPU 方向的 AI Infra 工程师，技术硬核。 29. @BruceDu521 Bruce Du：全栈和平台工程背景，专注 AI Agent 基础设施。 30. @spikezhangx edward：既做设计又写代码的独立开发者，作品完成度很高。 31. @suyuchen520463：产品经理兼独立开发，记录用 AI 做产品的过程。 32. @Tensor1992 Tensor：大模型方向的研究者，关注 Agent 开发。 33. @MaxMa_27 Max Ma：大厂 AI 赛道的 HRBP，想了解 AI 岗位和人才行情可以关注。 💮【内容、营销和设计】 34. @Astronaut_1216 阿杭：连续创业者，做 AI 工具测评和社群，内容更新很勤。 35. @bbkirstry 小晚不在：做品牌营销和 AI 自媒体，分享 AI 时代的内容和营销玩法。 36. @Nutllwhy 栗噔噔：前腾讯产品经理，RATATA 的创始人，做 AI 产品和内容。 37. @hellosky567 四丐：前阿里设计师，现在做 AI 设计和个人事业，分享设计师怎么用好 AI。 38. @tanglele0318 木渡川：独立设计师，经常分享 Agent 工作流和 AI 设计实践。 39. @helin021798 河林：在萧山，前 MCN 项目负责人，做电商场景的 AI 落地和培训。 40. @binbinpm 彬彬：前 AI 产品经理，现在做一人公司和 AI 自媒体。 41. @momentafloat：关注医药和 AI 结合的新账号。 42. 唐卡 Tangka（tangka .online）：AI 独立开发者，也在做公众号内容。 💻【大厂和模型圈】 43. @JustinLin610 Junyang Lin：通义千问团队的核心成员，关注开源大模型一定要关注。 44. @huybery Binyuan Hui：参与 Qwen 系列模型研发，聊代码模型和大模型进展。 45. @ModelScope2022：阿里魔搭社区的官方账号，第一时间发布开源模型和社区动态。 名单会持续更新，漏了谁欢迎补充。也在杭州的朋友，欢迎找我线下喝咖啡聊聊 ☕

这可能是 Crypto 历史上最大的黑客攻击事件：币安数十亿美元异常转账，或将刷新历史纪录/2小时10分钟前/立即关注/鹦鹉哥酒醒了/

Stan Druckenmiller 老斯坦发第一篇推特了。 头一条推文，就是喊单——他投了 Trade.xyz，一个做去中心化永续合约的链上平台，跟纽交所的母公司 ICE 合作。 这老头 73 了。执掌杜肯资本三十多年，年化回报 30%，没亏过一个完整年份——这个纪录在机构投资里基本找不到第二份。1992 年跟着索罗斯做空英镑、把英国央行逼退出的那笔交易，就是他主操盘的。贝森特现在当着财政部长，提起他还是那句：宏观交易这行，斯坦是独一档，其他人争第二。 这种级别的人，一辈子不站台不发推，临了为一家链上交易所破了例。你可以说他是真看好，也可以说是项目方给得太多了，但一个拿英镑祭过天的老牌宏观选手，把第一条推文就给链上金融站台——这事本身就有点意思。 这条推文到底什么意思，给大家拆一下。 他不是"我看好某个币"，而是三层信号：纽交所的母公司 ICE 入股了这家平台——注意，入的是股权，不是买币；美国的合规市场要开 24 小时永续合约了，周末闭市这种老规矩正在被拆掉；最重要的是最后一句，老头说他自己也要用这个产品交易——出钱之外，他还打算下场。 所以能冲吗？能，但冲什么要想清楚。直接去买 HYPE，消息出来当天已经涨了 9%，你现在进去大概率是给别人抬轿。这个方向真正值得跟的是"传统机构的钱搬上链"这个大趋势，它不会只火这一天，后面一年两年有的是机会，先列进观察清单，比急着下单强。 另外泼盆冷水：老头的观点值钱，老头的站台要打折。2022、2023 年他连续两年公开喊衰退，结果错过大反弹，自己后来认账的。这次他是投资人，拿的份额跟你在二级市场买代币完全不是一回事。 一句话：这条推文值得你建立一个观察清单，不值得你下一个交易指令。仓位控制永远比选标的重要，只拿亏得起的钱玩，别加杠杆。

阉掉了，都阉掉了 阉了好呀 @ArtistZhou 减肥加油呀

Hihi，我是啊翔。生财杭州专业组局官，之前也为一些小企业提供了AI相关的服务（大佬太多，不敢说自己做的算FDE）。 10.18我作为组局官，听了@Daklnl 曲率出逃关于FDE的一场分享，感触颇深。 结合我的一点思考做了复盘，分享出来 1.增效之后，还可以用增加的产能去做增长。 曲率讲了一个电商视频案例。原来剪辑师一天大概剪30条视频，整理好素材、剪辑和包装规则之后，用Mac mini跑自动化，一天可以剪100条左右。 我印象最深的是，产能提高以后，老板没有去裁员，员工转去做审核和分发，企业用增加的内容运营更多账号。同样是提效，他想到的是把生意做大，这个方向我之前确实从来没想过。 FDE一定是要求帮企业做营收增长。单纯降本的项目，老板还要算工具费用、服务费、人员调整成本，外部团队也容易陷进内部改革，交付很重。如果能把一个降本工具做成熟，在同一行业批量复制，则是另一种情况。 增长也有前提：先有客户愿意买的产品，再谈获客、销售、交付、升单、复购和转介绍。视频产量翻倍，不能直接等同于生意翻倍。 他还提醒，增长结果要能溯源。内容带来线索，销售再跟很久才成交，双方的贡献就不容易分清。链路短、能追踪到订单的场景，更容易把账算清楚。 他对升单的解释也很实在：客户有了更贵、预算更多的问题，你能解决，后面的合作才成立。复购则要看需求会不会持续发生。 2.企业AI落地，具体交付什么？ 他把交付拆成Agent、知识库和数据库、自动化工作流几个部分。通用办公Agent优先借助成熟产品，服务方把精力放在企业自己的上下文和流程上。 公司的产品规格、报价规则、业务经验、岗位操作步骤，这些资料需要有人整理，接上企业现有系统，再变成能运行的工作流。 按他的说法，企业级Skill也没有那么玄，里面可能有提示词、脚本、表格和参考资料。用起来发现哪里不对，就接着改，直到它真的能把这项工作做好。 培训也一样，要拿客户自己的岗位和材料来定制：原来这项工作怎么做，有AI以后怎么做，现场教会。如果还需要你陪着一起跑通，那就是进一步的陪跑服务。 3.系统搭好了，还要有人愿意用。 AI落地是一把手工程。老板要给预算、给资源，也要安排内部能推进的人，协助跨部门沟通。 但只靠老板要求不够。如果员工整理知识库，多了很多工作，工资和考核却没有变化，甚至担心用完AI自己就被替代，他很难主动配合。 所以也要让员工得到实际好处，给工具、给培训，让他们自己试。员工天天做这些工作，往往还能发现老板想不到的用法。 4.筛客户、聊需求，值得投入很多时间。 他们会先让客户填多维表格、提供公司信息。初筛后安排线上沟通，把纪要整理成客户档案，再按S、A、B、C评级，分配后续跟进的精力。 他用二八原则提醒大家，少数客户可能贡献大部分收益。愿意付费、配合顺畅的客户，更应该认真服务，别因为对方好说话，就把时间全用去应付其他人。 需求也有一个接单标准：客户能讲清楚，或者你有能力帮他梳理清楚。 如果一直说不清，后面就很容易不断加需求。 他提到一个实战培训项目，前后沟通了30轮。光是了解不同岗位原来怎么工作、收集真实材料，就要花很多时间，之后才是设计培训内容。沟通中的疑问可以录下来，先问AI，再带着问题回去聊；能做个简单Demo，拿着聊也比一直口头解释清楚得多。 推进时先验证一个岗位，跑通再扩到部门、公司。报价则同时看自己的时间、人力、差旅成本，以及客户这个问题值得花多少钱解决。 我之前可能聊两三轮，就开始判断客户需要什么工具。应该把前面的业务沟通做扎实再去做定制。 5.自媒体获客的内容，可以从客户的问题里找。 曲率自己的经验是，自媒体是很重要的线索来源。但他也反复讲，能吸引客户的前提，是你对客户有足够深的理解。 他前期做过很多小项目，也聊过大量客户，慢慢知道老板关心什么。最近的客户反复问哪类问题，就拿来做选题。 还有一个很直接的做法：线下讲两个小时，再答疑，把过程录下来剪切片，一场分享能留下不少后续内容。 分享当天凌晨四点，我还在刷X，看到他发了一篇长文。过几个小时就要来做分享，真的觉得精力好强。这次听完，我也开始慢慢拍一些视频素材了。 这些内容能持续做，依靠的还是自己的经验和判断。他会先和AI讨论，等思路清楚，再自己组织表达。如果讲出来的东西，客户自己问AI也能得到，就很难体现找你的价值。 6.从零开始，先学一门能交付的小手艺。 他给新人的建议是，拿一个具体项目练，遇到问题就解决问题。可以先做小服务、参与项目，把一项需求交付好，再积累案例和客户理解。 有了案例，也要确认能否对外展示。接下来再逐步聚焦某个垂直行业，做标杆、沉淀方案，探索哪些部分可以复制。 他自己也坦诚，各行业的需求仍然很非标，正在往垂类和标准化收拢，并没有一套所有企业都能直接套用的答案。 我自己最想先改的还是以后跟客户聊的时候，多沟通多沟通，找到他的卡点和通过AI可能产生增长的方向。我之前太容易聊着聊着，就开始判断他需要什么工具了。沟通和谈单这部分能力我还得好好练。 后面我也会继续整理线下交流和实际项目里学到的东西。如果你也在探索AI企业服务，欢迎关注，一起交流。

If AI Can Solve Almost Everything, What Should We Teach Our Children? Education is part of a natural human process. We discover problems, look for solutions, bring those solutions into the real world, face the consequences, and learn from the results. New questions emerge, and the cycle continues. Yet most of modern education concentrates on just one part of this process: solving problems. We teach knowledge and skills, assign tasks, and measure how well students complete them. The underlying assumption is that the better you are at solving problems, the more value you can create. AI is changing that assumption. When increasingly powerful problem-solving capabilities become available to everyone, perhaps education should spend much more time on the two ends of the process: deciding what is worth pursuing and taking responsibility for what happens in reality. AI can already help us ask questions, compare possibilities, and make decisions. But intelligence alone cannot determine what matters to a particular human being. We live in vulnerable bodies, with limited time and lives that cannot be restarted. Every decision costs us other possibilities. That scarcity is what makes our choices personal. The same applies to reality. AI can simulate a situation and predict its outcome, but a simulation is not the same as living with the consequences. In the real world, our decisions affect other people, consume time and resources, and sometimes create irreversible results. We cannot simply reset and try again without cost. This is what I mean by Human Agency: I choose. I take responsibility. Therefore, I am. Consider Elon Musk. He doesn’t personally possess all the knowledge required to build rockets, electric vehicles, or AI systems. His ability to pursue such ambitious projects comes in large part from the whole loop: making consequential decisions, accepting responsibility, and bringing together external intelligence whose expertise makes execution possible. He is an example of what I would call a super individual: one person able to mobilize capabilities far beyond their own knowledge. AI may not make everyone another Elon Musk, but it could make it possible for many more people to attempt things that once required someone like him. That possibility changes the meaning of motivation. Why should a young person spend years learning? Not simply to outperform others at tasks AI may soon do better, but because they may now have the ability to pursue ideas and make changes that previous generations could only dream of.

2026 上半年 AI 融资 4300 亿美元，创历史纪录。 但有个数字更该看：垂直应用公司占了 62.9% 的交易笔数，只分到 12.9% 的钱。 钱更多了，也更难拿了。 「先拿一波钱占住位」这套打法今年开始失效。现在该占的，是不烧钱也能活的生态位！

最坑打工人的一句话：「在公司投入再多，留下的只有经验和判断。」 骗你的。 经验分两种：通用技能和组织专用技能。 大厂经验大部分是后者——内部系统、流程、人脉，离开就贬值。 默认你的经验不可迁移，而通用技能更不用说了，只有少数几项可以被验证。

在大厂待久了会发现一个反直觉的事： 追责越狠的团队，问题暴露越慢。 追责快只意味着管理者看得快，不意味着系统知道得快。惩罚越重，隐藏越深。 等爆出来，通常已经捂了很久。 看一个部门安不安全，别看开会的火力，看坏消息往上走的速度。

这几天跟刚从飞书毕业的朋友聊天：飞书 2025 年 ARR 超 30 亿，2026 年 Q2 同比翻倍。 然后呢？被拆了。产品团队并入豆包，销售并入火山引擎。 CEO 梁汝波 2023 年就定过性：ROI 不划算。 大厂里非核心业务的标准从来不是有没有收入，是战略位次。增速翻倍也救不了位次。

Important note regarding Grok @Bot: Going forward, @SpaceX will use the best back end model for any given task, including Claude Opus 5.5, MidJourney, Suno and other leading APIs. Whatever is most likely to give you the best outcome.