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

TOKEN API中转站深度研究:连接红利下的技术逻辑与商业博弈

API中转站的本质是Token经济在AI时代的特殊表现形式——通过破解信息壁垒和准入壁垒,将原本稀缺的计算资源转化为可套利的数字商品。 当OpenAI、Anthropic等厂商构建起技术壁垒时,中转站生态正在以轻量技术实现撬动巨大的连接红利。根据CISPA亥姆霍兹信息安全中心2026年3月发布的《真金白银,假冒模型》研究报告,17家被测中转站中有近50%存在模型替换行为,这揭示了行业的核心矛盾:技术门槛低、监管套利空间大、数据安全风险高。本文从Token的本质、技术实现、商业模式、风险评估四个维度展开深度研究,并新增分销商模式与边缘计算整合模式的分析。 Token的本质:AI时代的数字货币 Token是AI模型的"燃料",是衡量AI服务价值的基本单位。Token的本质在于它将复杂的计算资源(GPU算力、模型参数、训练数据)转化为可计量、可交易的数字商品。一个GPT-4的Token约对应0.75个英文单词或1.5个中文字符,背后是数千亿参数模型的推理计算。Token经济的核心逻辑是:算力成本 → Token定价 → 服务变现,中转站正是在这个链条中找到了套利空间。 Token与AI模型的逻辑纽带: 环节 技术本质 经济意义 中转站角色 Token生成 模型推理计算 价值创造 无(厂商完成) Token定价 成本+利润 价值分配 重新定价套利 Token流通 API调用消费 价值交换 渠道垄断 Token结算 按Token计费 价值实现 截留价差 技术实现:轻量架构下的接口统一 中转站的技术实现远比想象中简单,核心是一个API网关层的封装。你可以把它想象成一个"翻译官"——接收用户的请求,翻译成目标模型能理解的语言,拿到结果后再翻译回来。核心技术栈包括:反向代理(Nginx/Envoy)、API路由与鉴权(自定义或使用Kong/Gateway)、请求转换层(将非OpenAI格式转换为标准格式)、负载均衡与限流。以new-api为例,其核心代码不超过5000行,主要实现三个功能:格式转换、密钥管理、请求转发。这个轻量架构正是中转站能低成本运作的关键——技术门槛低意味着任何人都能进入,这也为灰色和黑色模式的滋生提供了土壤。 技术方案对比: 技术方案 实现复杂度 性能表现 扩展性 代表项目 成本估算 纯反向代理 低 高 低 简单中转脚本 <1万元 API网关封装 中 中高 中 new-api 5-10万元 企业级架构 高 高 高 OpenRouter 50-100万元 关键技术细节: 格式转换:将Claude的XML格式、Gemini的JSON格式统一转换为OpenAI格式 密钥管理:用户密钥与上游密钥解耦,支持多租户管理 流量控制:防止单个用户耗尽额度,实现公平分配 商业模式:五级光谱下的套利逻辑 商业模式可清晰分为五个层级,从合规到违法形成完整光谱。 白色模式:正规平台费 以OpenRouter为代表:5.5%充值手续费、300+模型接入、月处理70万亿Token,透明合规但利润微薄。国内的CloseAI宣称服务阿里、腾讯等大客户,通过正规企业合作协议获取批量折扣。 分销商模式:返利与折扣整合 这是一种更高级的商业模式。中转站作为中间商,与多家模型厂商(OpenAI、Anthropic、Google等)谈判大客户价格,获取批量折扣和季度返利。然后通过高于供应商成本但低于官方零售价的价格,以分销商模式卖给小型商家或个人用户。小商家可以在多模型中自由对比和切换使用。价值创造:通过规模效应降低成本,为中小客户提供多模型选择的便利。安全风险:数据仍需经过中转站,存在泄露风险;依赖上游厂商政策变化。 灰色模式:暴利操作 Web2API逆向:就像把ChatGPT Plus的网页界面"扒"下来,做成API接口对外售卖。一个20美元/月的Plus账号,能拆成API卖给几十个人用。Sub2API拼车更有意思,它专门做订阅账号共享,一个账号同时给5-20人用。20美元的订阅费,5个人分摊每人只要4美元,中转站转手卖8美元,净赚100%。这种模式本质是把个人订阅权限当成"批发商品"来卖,成本几乎为零。 边缘计算整合模式:算力资源最大化 这是最高级的模式。中转站将边缘计算的算力资源整合,将不同时段的折扣(如夜间低峰期折扣)整合,实现算力资源和API资源的最大化利用。例如: ...

ylzhang | May 26, 2026 | 16 min | Shanghai

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

模型为王:AI编程的终局判断

核心观点:编程十几年,最近几个月我一直在刻意训练自己「不写一行代码完成目标」。实践中遇到的挑战让我更加坚定:当前工具链的爆发不是智能的初衷,模型能力才是真正的护城河。Harness、Agent、Loop这些概念本质上是模型智能化不足的权宜之计。这是黎明前的黑夜,但光明终将到来。 从实践者视角看AI编程的演进 过去几个月,我尝试了各种AI编程工具和工作流。从IDE补全到Agent自动写代码,从手动prompt到Harness框架,我深刻体会到一个事实:工具的复杂度在增加,但真正的突破始终依赖模型能力的提升。 工具链爆发背后的无奈 今天的AI编程工具链呈现爆炸式增长:各种Harness框架、Agent编排工具、Loop调度系统层出不穷。但仔细想想,这些工具的出现恰恰说明:模型还不够聪明。 如果模型能自动理解上下文、自我验证代码、自动修复bug,我们还需要这么多外部机制吗? Boris的洞见印证了我的判断 Claude Code创建者Boris在Sequoia访谈中的观点,与我几个月的实践感悟不谋而合: “模型能做所有这些事,只是还没有产品把它捕捉下来” “随着模型变强,harness的重要性会下降” “一年以后,很多今天围绕安全和权限搭出来的外壳会变得没那么重” 这不是预言,而是正在发生的事实。 为什么模型才是终极护城河 深入实践后,我对AI编程的本质有了更深的理解。 Harness是"模型不足补偿器" 当前所有围绕prompt、权限、验证搭建的复杂机制,都是模型不够智能时的过渡方案。 举个例子: Prompt injection防护 → 模型理解能力不足 静态验证命令 → 模型自我验证能力不足 权限模式 → 模型对齐能力不足 Human-in-the-loop → 模型决策可靠性不足 当模型真正理解代码的语义、能够自我验证、自动对齐人类意图时,这些外部机制都会变得多余。 真正的竞争在模型层 Anthropic能做出Claude Code,核心不是Harness设计得有多精巧,而是他们有强大的模型能力。真正决定AI编程未来的,是模型的: 深度理解能力:理解大型代码库架构、追踪变更影响 自我验证能力:生成代码后自动检查、修复bug 多模态能力:结合文档、测试、上下文做出最优决策 持续学习能力:从错误中学习、快速适应新技术 AI编程的下一步竞争 基于我的实践和判断,未来的竞争会集中在三个维度: 1. 模型的"代码理解力"跃迁 当前模型能写代码,但还做不到"理解"代码。真正的突破在于: 理解代码的业务意图和架构设计 在更高抽象层次进行设计决策 自动发现潜在问题和优化空间 2. 从"辅助"到"自主"的跨越 Boris提到的Loop是方向,但真正的自主编程需要: 模型能自动拆解任务、规划执行路径 端到端交付无需人类干预 自我发现问题、自我修复、自我优化 3. 组织级AI原生能力 大公司和创业公司的差距将在于: 谁能把PR、CI、反馈拆成Agent可处理的任务 谁能从第一天就按AI native方式搭建组织 谁能建立有效的验证标准和治理体系 我的实践经验:不写代码完成目标 这几个月的实践让我有了深刻体会: 从"写代码"到"定义问题" 我不再关注如何写代码,而是关注如何把业务需求转化为模型能理解的指令。这要求: 清晰定义目标和约束 建立验证标准 设计反馈循环 工具只是手段,模型才是核心 我尝试过各种Harness框架,但最终发现:与其花时间优化工具,不如花时间理解模型能力的边界,找到最适合当前模型的工作方式。 对AI从业者的建议 不要迷信工具,要理解模型 很多人在研究Harness架构、prompt工程,但真正的护城河是对模型能力的深度理解。要知道模型能做什么、不能做什么、边界在哪里。 ...

y9 .Z | May 13, 2026 | 8 min | zhejiang, China