当AI泡沫遇见持续买入:一个数据分析师的自我怀疑与坚持

当AI泡沫遇见持续买入:一个数据分析师的自我怀疑与坚持 引言:连《持续买入》的作者都动摇了 2026年5月,全球股市涨得让很多人开始怀疑人生。 标普500连创新高,日韩台股同步起飞。Nvidia一家公司的市值超过中美之外任何一个国家的GDP。巴菲特手持将近4000亿美金历史最高仓位现金,连他都在等。 满仓AI的人怕这是顶,一路加仓的人怕自己是高位接盘的傻子,攒着现金等机会的人越等越觉得错过了。 而《持续买入》(Just Keep Buying)的作者Nick Maggiulli,在节目中说了一句让很多人震惊的话: “一年前,我变得有点悲观了。这可是破天荒头一次。我把股票仓位从100%减到了80%。” 连写《持续买入》的人都动摇了,这个市场到底怎么了?持续买入还管用吗? 带着这些问题,我重新审视了Nick在这期播客中的观点。比起"持续买入"的投资建议,我更感兴趣的是——一个数据分析师如何在自我怀疑中坚持原则。 这才是这个故事最有意思的地方。 一、AI:泡沫还是换轨?答案是两者都是 Nick在节目中给出了一个相当诚实的回答: “可能两者都有点。如果你回顾任何重大技术变革的历史,总会有大量玩家蜂拥而至,也会有大量资金涌入。过度投资总是难免的。但与此同时,对于很多领域来说,它确实是一场换轨。” 这个回答没有给出明确结论,但恰恰说明了为什么现在的市场让人困惑。如果答案显而易见——要么是2000年的互联网泡沫,要么是真正的历史性变革——我们就不需要讨论了。 市销率的警讯 Nick看跌的理由很有意思:他用市销率(P/S)比较了Nvidia和1999年的Microsoft,发现两者几乎一模一样。 他喜欢市销率而不是市盈率,因为"盈利可以通过各种财务技巧来操纵,销售额则是实打实的。你不能伪造销售额,那直接就是诈骗了"。 2021年的SPAC热潮、市盈率的高企,让他产生了强烈的既视感。 但增长确实来了 然而,Nick也承认自己错了。他原本认为Anthropic一年内把ARR从30亿做到450亿是"天方夜谭",结果他们轻轻松松就做到了。 “也许我当时太悲观了,因为我觉得这种增长预期简直是天方夜谭,结果它们真的实现了。” 这种认知冲突——既觉得像泡沫,又看到真实增长——正是当下每个投资者面临的困境。 二、《持续买入》的核心信条:三个支柱 Nick的核心投资建议只有一句话: “持续买入多样化的创收资产。” 这三个支柱各有深意: 持续买入:不需要择时,哪怕你掌握了关于未来的所有信息,每月坚持买入仍然是更好的选择。Nick在书中用数据证明了这一点。 多样化:不把鸡蛋放在一个篮子里。股票、债券、房地产——这些都是创收资产。黄金、比特币不算,因为它们不产生收入。 创收资产:能够产生某种收入的资产。黄金可以持有,但不应该成为投资组合的绝大部分。 Nick的实践:他从未停止买入,但会根据市场情况调整买什么——少买点美股,多买点国际股或债券。“关键是,我始终在买入”。 三、数据不会骗人:为什么择时是个伪命题 Nick最重要的论点是:数据压倒性地支持"持续买入"。 SPIVA数据:90%的主动基金跑输指数 这是一个让所有"选股高手"尴尬的事实。在长期,大多数专业投资者无法跑赢市场。 Nick的逻辑很直接:如果你不想付出任何努力就想战胜市场,这是不可能的。但如果你愿意花时间提升职业收入,那才是真正的财富来源。 “你在某一天,股市大涨或大跌,你赚的或亏的,可能比你当初在非常好的工作大半年里赚的还要多。” 随着投资组合越来越大,市场波动的影响超过工资收入。专注于职业,利用市场建立财富——这才是正道。 收入与财富相关性最高 Nick查阅了大量数据,得出的结论是:收入与财富相关度最高。这不是争议,是事实。 高收入人群存更多钱,存下来的钱去投资,形成正向循环。“人们最常见的致富途径,要么是有一份工作然后长期攒钱,要么是创办企业卖掉赚大钱。” 四、市场恐慌时怎么办? 2020年3月23日的教训 Nick分享了他最尴尬的一次投资经历。2020年疫情崩盘时,他被恐慌情绪左右,在市场最底部附近卖出了股票。 结果呢?市场随后大涨,他完美错过了最肥的一段。 “我写《持续买入》这本书,结果连我自己都在那一刻违背了原则。” 这个故事告诉我们:情绪是投资最大的敌人。哪怕你懂所有道理,在极端市场面前,人性的弱点依然会让你犯错。 大萧条不是常态 很多人担心"大萧条重演",但Nick指出这种可能性被高估了: 如果你在1929年高点买入标普500,持有到1950年代就回本了 持有20年,实际回报接近4% 100年的股票实际回报约为4% 时间会熨平波动。如果你有20-30年的投资期限,市场最终会给你惊喜。 五、要不要止盈? 这是很多人现在最纠结的问题:市场这么高了,要不要卖出一部分? Nick的反问很犀利: “你卖出的目的是什么?” 如果你卖掉是为了买房、支付婚礼费用等现实需求,止盈完全合理。但为了"分散投资"或"套现"而卖?“如果你不知道自己为什么要这么做,你就不应该做。” 另外,别忘了应税事件。卖出是要交税的,所以在做决定前要把这个因素考虑进去。 六、分散化比你想象的更难 Nick的仓位大致是80/20——80%股票、20%债券。股票部分一半美国、一半国际。 S&P 500集中度问题:Nick提醒,很多人觉得持有Nvidia、Microsoft、Apple就是"分散投资",但实际上他们在科技股上非常集中。S&P 500本身已经集中于科技股,个股持仓只会更糟。 如果你担心集中度问题,可以考虑等权重配置,而不是盲目认为"我买S&P 500就是分散投资"。 Nick的特殊调整:正准备买房,现金储备增加——这是合理的,因为他有具体的资金需求。一旦买房完成,他会恢复80/20。 留下的提醒:分散化不是买几只股票就算完事,而是要理解你真正持有什么。 ...

y9 .Z | May 27, 2026 | 15 min | zhejiang, China

AI-First组织革命:从"信任人"到"信任AI"

Harness时代:一场从"信任人"到"信任AI"的组织革命 引言:当AI从工具变成主导者 2026年的春天,硅谷传来一个令技术圈震动的数据:一家25人的公司,99%的代码由AI完成,每天平均3到8次生产部署,过去需要六周的产品开发流程,如今一天就能跑完。这不是科幻,而是CreaoAI在《Why Your “AI-First” Strategy Is Probably Wrong》中展示的真实案例。 这篇博文之所以在X上获得百万级阅读,不是因为它描述了一个美好的愿景,而是因为它撕开了"AI-First"转型中最那道最难跨越的伤疤——信任。不是对AI能力的信任,而是对AI作为生产力主导者的信任,是对整个组织从"人驱动AI"转向"AI驱动人"这一根本性变革的信任。 CreaoAI成立于2025年11月,25名员工中只有10名工程师。创始人Peter Pang在2026年1月做出了一个大胆的决定:从零开始重构整个产品架构和工程工作流。两周后,新系统上线。如果产品能够自我构建,它就能work。 一、Harness Engineering:工程团队的首要任务不再是写代码 从概念到实践:OpenAI的定义 2026年2月,OpenAI发表了一篇文章,阐述了"Harness Engineering"的概念:Creao其实早就在践行这一理念,只是没有给它命名。 Peter Pang对Harness Engineering的核心定义: “工程团队的首要任务不再是写代码,而是使Agent能够做有用的工作。当某件事失败时,修复方案永远不是’再努力试试’。修复方案永远是:缺了什么能力?我们如何让这个能力对Agent可见且可执行?” 这个定义揭示了Harness的本质:从"人修复问题"到"系统获得能力"。传统思维是"人出了错,人来修";Harness思维是"系统缺能力,系统补能力"。 从Prompt Engineering到Harness:认知的三次跃迁 回溯大模型应用的历史,我们经历了三个认知阶段: 第一阶段:Prompt Engineering(提示词工程) 这个阶段人们相信,只要写好提示词,AI就能乖乖听话。但prompt的边界太明显——它太依赖人的表达能力和对AI的理解,同样的需求,换一个表述,结果可能天差地别。 第二阶段:Context Engineering(上下文工程) RAG(检索增强生成)技术风靡一时,核心逻辑是"喂给AI足够多、足够准确的上下文"。但上下文是静态的,而AI处理的任务是动态的;上下文是过去的经验,而任务总是面向未知的场景。 第三阶段:Harness Engineering(挽具工程) Harness不是静态的配套系统,而是"驯化"通用智能的动态过程。它解决的是如何让一个AI系统从"能干活"进化到"会自我优化"的问题。 而Harness要做的是,让整个系统成为一个人机共生的生态系统:AI不仅执行任务,还能根据执行结果调整策略;系统不仅能工作,还能识别自身的缺陷并自我修复。 “Prompts are disposable”:一个反直觉的真相 Peter在原文中提到了一个反直觉的观点: “A production system needs to be stable, reliable, and secure. You need a system that can guarantee those properties when AI writes the code. You build the system. The prompts are disposable.” ...

y9 .Z | May 25, 2026 | 31 min | zhejiang, China

智能体:AI 时代的操作系统级入口

核心观点:李彦宏提出的 DAA(日活智能体数)指标,标志着 AI 时代的入口迁移已经开始。智能体不是独立软件,而是 AI 操作系统——比拼的不是裸模型,而是模型+Harness+ 工具链的整套系统。智能体的使命,就是成为这个操作系统的统一调度者,让不同领域的智能体能够互联互通、协同工作,最终成为 AI 时代的中心化入口。 一、DAA:衡量 AI 时代繁荣度的新指标 李彦宏在 Create AI 大会上提出的 DAA 指标,值得再往深处看: “过去互联网时代,大家习惯用 DAU 衡量有多少人在使用产品。但到了 AI 时代,真正重要的事情开始变成,有多少智能体正在替人类干活。” DAA 本质上衡量的是:智能体生态到底繁不繁荣,AI 有没有真正开始介入真实世界。 这背后有三个关键判断: 每个技术时代都会出现中心化入口:PC 时代是搜索,Mobile 时代是超级 App,AI 时代是智能体 智能体入口之争已经开始:百度、Google、OpenAI 都在下重注 移动端是关键:谁占据手机屏幕,谁就更有机会成为入口——移动端让智能体真正实现 7×24 小时可用 二、从 Tools 到 Teammates:范式的本质跃迁 整个行业的共识正在形成:AI 正在从 Tools 走向 Teammates。 对比维度 ChatBot 时代 智能体时代 核心逻辑 工具逻辑 数字劳动力逻辑 用户体验 问问题→直接给答案 说需求→端到端完成 典型场景 信息查询、知识问答 PDF 转文档、订机票、做 PPT 关键差异在于:智能体能主动感知环境、规划任务、调用工具、处理异常,最终完成交付。就像百度 DuMate 能自动判断雪球是否需要登录,然后选择合适的 Skill 完成任务。 这种体验会深入用户心智。一旦形成习惯,谁拿到这个入口,谁就是王者。 三、智能体是操作系统,不是独立软件 这是百度最深刻的洞察之一: “智能体不只是 AI 模型之上的新产品,它更像是 AI 操作系统。” ...

y9 .Z | May 14, 2026 | 14 min | zhejiang, China

Robin:叫人,开会!

声明:本文纯属虚构。数据是真的,人是真的,会议是编的。如有雷同,说明百度确实该开这个会。 下午三点半,百度大厦 E 座 23 层,Robin 的助理敲了三下门。 “Robin,港股收盘了。” “嗯。” “MiniMax 收涨 22%。市值 3826 亿港元。” “我们呢?” “3322 亿。” Robin 放下手里的 iPad。屏幕上是海螺 AI 生成的一段视频——一只金毛犬在沙滩上奔跑,毛发在逆光中一根一根地飘。他刚才用文心一格试了三次,出来的狗像穿了件塑料雨衣。 “叫人。” “叫谁?” “所有 VP。” 助理犹豫了一下:“Robin,现在是 OKR 对齐周,大家都在——” “我说叫人。OKR 对齐个屁,先对齐一下市值。” 会议室的灯亮了。六个人陆续到齐。 Dou 穿着卫衣,上面印着"AI Native"——百度去年团建发的。Jackson 系着领带,手里端着瑞幸。Haifeng 带了笔记本电脑,屏幕上开着飞桨的 dashboard,仿佛随时准备汇报技术指标。 Robin 把一张纸推到桌中间。上面手写了两行字: MiniMax:4 岁,收入 7900 万美元,73% 海外,市值 3800 亿。 百度:26 岁,收入千亿,AI 砸了近千亿,市值 3300 亿。 “谁来给我拉齐一下认知?” Dou 条件反射地接话:“Robin,市值不完全反映——” “对,市值不反映基本面。但你知道市值反映什么吗?反映 narrative。MiniMax 的 narrative 是什么?一个中国公司,七成收入来自海外,两亿多用户遍布 200 个国家。人家没在国内卷,没烧钱买量,没搞百亿补贴。人家润出去了。” 他停了一下。 “我们的 narrative 是什么?” 没人说话。 “我来帮你们 align 一下:百度是中国最早布局 AI 的公司,拥有从芯片到框架到模型到应用的全栈能力,文心大模型 5.0 在 LMArena 排名国内第一——” ...

y9 .Z | March 11, 2026 | 16 min | Shanghai

龙虾大会:一场关于AI编程的集体幻觉

三月的第一个周末,上海张江某栋写字楼的会议室里坐满了人。他们不是来参加什么新产品发布会,也不是为了听某个明星创业者的路演,而是为了学习如何使用一个开源工具——一个可以将自然语言转化为代码、让普通人也能指挥AI完成编程任务的框架。这个叫OpenClaw的工具,在GitHub上已经收获了超过27万颗星星1,在过去两个月里从一个技术社区的小众项目,变成了整个中国AI圈最火热的话题。从北京中关村到深圳南山,类似的聚会几乎每周都在上演:云服务厂商摆出一键部署的展台,模型公司推销着按Token计费的服务包,开发者们热切地交流着提示词工程的心得。这场被称为**“龙虾大会”**的运动,正在以一种近乎狂热的姿态席卷整个行业。 但热闹的背后,一个根本性的问题被有意无意地忽略了:这些大会究竟在解决什么问题? 参会者带着各自的期待而来——有人希望找到下一个创业风口,有人想提升自己的编程效率,也有人单纯被"AI替代程序员"的焦虑驱动。然而,当演讲者们反复演示如何用几句自然语言生成一个待办事项应用,或者如何让AI自动修复简单的代码错误时,细心的观察者会发现,**这些场景与真正复杂的软件工程之间,还隔着一条难以逾越的鸿沟。**那些在舞台上被展示的神奇能力,往往建立在精心设计的demo环境之上;一旦进入真实的业务场景,面对遗留系统的技术债务、模糊的产品需求、严格的合规要求,AI的表现就会迅速退化为一个偶尔能提供代码补全建议的辅助工具。 这种落差并非偶然。 当前的AI编程工具,本质上仍然是基于概率的模式匹配系统。它们在处理常见编程模式、标准库调用、以及有明确边界的任务时表现出色,因为这些场景在训练数据中有充足的样本。但一旦涉及到需要深度领域知识、复杂架构设计、或者跨系统集成的任务,AI就会暴露出理解力的局限。更要紧的是,编程从来不只是写代码——它还包括理解业务逻辑、权衡技术方案、与团队协作、以及在约束条件下做出工程决策。这些软技能,恰恰是当前的AI最难以替代的部分。那些在龙虾大会上被反复强调的"生产力提升",很大程度上只是将编码阶段的部分工作自动化,而软件开发的全生命周期中,编码往往只占不到三分之一的工作量。 云服务厂商和模型公司的热情参与,让这场运动变得更加复杂。对他们来说,OpenClaw提供了一个绝佳的切入点:通过简化部署流程、提供托管服务,他们可以将开发者锁定在自己的生态系统中。一键部署听起来很美好,但它也意味着用户将基础设施的控制权交给了平台;Token计费模式看似灵活,但当应用规模扩大时,成本可能会变得难以预测。 这些商业模式的设计,更多地反映了供应商的利益,而非用户的真实需求。 而在大会的演讲台上,模型厂商们轮番展示自家模型的编程能力,试图证明自己比竞争对手更适合这个场景。但这种比拼往往停留在基准测试的分数上,而非真实项目的交付能力。当所有人都急于在这个新兴市场占据一席之地时,关于"这些工具究竟能创造什么价值"的冷静思考反而被边缘化了。 这种过热的状态很难持久。历史经验表明,**技术 hype 的周期通常在六到八周达到顶峰,随后进入冷静期。**龙虾大会也不例外。当最初的兴奋消退,当参会者们回到自己的工位尝试将这些工具应用到实际项目中,他们会发现现实的骨感:AI生成的代码可能需要大量的修改才能运行,自动化的工作流可能在边界情况下崩溃,而那些被承诺的"十倍效率提升"在复杂项目中变得难以兑现。这种幻灭感会迅速传播,媒体的报道会从"革命性的突破"转向"被夸大的期望",投资者的注意力会转向下一个热点。三到八周后,当再有人提起龙虾大会时,语气中可能会带着一丝怀念,更多的是一种"那阵子大家都挺疯狂的"的调侃。 但这并不意味着AI编程工具没有价值。恰恰相反,它们在某些场景下确实能显著提升效率——尤其是在原型开发、学习编程、以及处理重复性编码任务时。问题在于,当前的市场叙事将这些能力过度放大,试图用**“AI替代程序员”**的惊悚标题来吸引眼球,而忽视了工具能力的边界。这种叙事不仅误导了公众,也给行业带来了不必要的焦虑。真正有价值的讨论应该是:在软件开发的全流程中,哪些环节可以被AI增强,哪些仍然需要人类的专业判断;如何在利用AI提升效率的同时,保持代码质量和系统的可维护性;以及,随着这些工具的普及,软件工程师的角色将如何演化。 来自大洋彼岸的一些信号值得我们关注。在AI编程工具的赛道上,Cursor作为目前最成功的创业公司之一,近期明显加快了产品迭代的节奏。从2月到3月,Cursor连续发布了自动化工作流、JetBrains IDE支持、自主计算机控制等多项重大功能2,这种密集的产品发布节奏本身就说明了一些问题:即便是市场领导者,也感受到了来自各方的压力——既有来自大型模型公司的降维打击,也有来自开源社区免费替代品的竞争。 而在模型层面,Anthropic于2026年2月17日发布的Claude Sonnet 4.6展示了更强的代码理解和生成能力3,根据Anthropic的官方数据,该模型在OSWorld计算机使用基准测试中表现优异,在某些场景下甚至超过了此前的Opus 4.5模型。当国外的竞争者在技术和产品层面快速迭代时,国内的大会仍然停留在"如何使用工具"的初级阶段,这种差距本身就值得深思。 更深层的观察是,工具的迭代与底层模型的升级密切相关。 OpenClaw、Cursor这类工具本质上是Agent的落地表现形式,而Agent的能力边界直接受制于底层大模型的能力。当Anthropic这样的模型公司推出更强大的编程能力时,中间层工具必须在产品层面做出回应,否则用户就会直接转向模型原生的解决方案。据业内人士透露,Cursor内部已经将这种状态定义为**“战时模式”**——这并非空穴来风,而是对竞争格局剧变的直接回应。 换言之,工具的演化是模型演化的函数。 没有底层模型的突破,单纯的工具创新很快就会触顶。这也解释了为什么龙虾大会的火热某种程度上是焦虑驱动的——开发者们担心错过下一个风口,服务商们担心被时代抛弃,创业者们则在寻找能够抵御模型公司直接竞争的商业逻辑。 这种困境并非中国独有,但在国内表现得尤为明显。一方面,基础模型的能力与国际顶尖水平仍有差距,这限制了应用层面的创新空间;另一方面,市场的急功近利心态让很少有人愿意沉下心来打磨产品,大家都在追逐短期的热点和概念。当OpenClaw火了,所有人都在谈论OpenClaw;当下一个框架出现,注意力又会迅速转移。在这种环境下,真正的技术积累和产品迭代变得困难,大部分参与者只是在不同的热点之间疲于奔命。 回到最开始的问题:究竟是谁在玩龙虾? 答案可能是:那些焦虑的开发者,试图在这个快速变化的时代找到安全感;那些投机的服务商,希望借助热点推销自己的产品和服务;那些迷茫的创业者,在寻找下一个可能的风口;以及那些真诚相信技术能改变世界的理想主义者,尽管他们中的大多数最终会发现,改变比想象中要困难得多。这些人共同构成了这场运动的参与者,也共同承受着期望与现实之间的落差。 当热潮退去,真正有价值的东西会留下来。 可能是一些被验证过的最佳实践,可能是几段在特定场景下确实能提升效率的工作流,也可能是关于**“如何与AI协作”**的新认知。但前提是,参与者们能够从这场集体的狂热中抽离出来,诚实地评估这些工具的能力边界,并在实际的业务场景中寻找真正的价值创造点。这需要时间,需要耐心,也需要一定程度的运气。 而在那之前,龙虾大会还会继续,只是参会者脸上的表情可能会从兴奋变成困惑,再从困惑变成一种若有所思的平静。那可能是一个更健康的状态——对于技术,对于行业,对于所有在其中寻找机会的人来说,都是如此。 参考 OpenClaw GitHub Repository, https://github.com/openclaw/openclaw, 截至2026年3月收获278k stars ↩︎ Cursor Blog, 2026年2-3月产品更新动态,包括Automations、JetBrains ACP、Agent Computer Use等功能发布 ↩︎ Anthropic, “Introducing Claude Sonnet 4.6”, February 17, 2026, https://www.anthropic.com/news/claude-sonnet-4-6 ↩︎

y9 .Z | March 8, 2026 | 15 min | Shanghai