Posts for: #AI

背景

1950 年，图灵在《Mind》杂志发表《计算机器与智能》。他开头就说，“机器能思考吗”这个问题太模糊，没法回答，于是换了一个可以动手做的实验，叫“模仿游戏”。那一年，全世界能跑的电子计算机只有几台。

方法

一个人当裁判，用文字和两个看不见的对象聊天，一个是人，一个是机器。裁判想问什么都行。聊完，裁判猜哪个是机器。

图灵的预言是：到 2000 年，聊五分钟后，普通裁判猜对的概率不超过 70%。也就是说，机器能骗过三成裁判，就算过关。

只用文字，是这个设计的关键。声音、长相、身体都被挡在外面，剩下的只有对话本身。

意义

它给人工智能定了第一条终点线：只要表现得和人分不出来，就算智能。它绕开了“什么是思考”的哲学争论，只看行为。

反对的人也是围着它打。1980 年塞尔提出“中文房间”：一个不懂中文的人，照着规则手册处理中文纸条，也能让房间外的人以为里面有个懂中文的人。他的结论是，通过测试不等于理解。今天关于大模型“懂不懂”的争论，还是这个框架。

现状

早期的“通过”都是取巧。1966 年的 ELIZA 靠模板套话，骗过了一些人。2014 年的 Eugene Goostman 假扮一个 13 岁的乌克兰男孩，英语不好有了借口，骗过了三成裁判。业内没人把这两次当真。

大模型改变了局面。2025 年加州大学圣地亚哥分校做了一次三方测试，五分钟对话，GPT-4.5 在被要求扮演一个具体人设时，有 73% 的裁判把它当成了人。这个比例高于同场真人。多数研究者现在认为，经典图灵测试已经过了。

过了之后，大家发现它测的东西比想象中少。同一批模型在长任务规划、稳定推理、承认自己不知道这几件事上仍然会翻车。聊天像人和做事靠谱，是两回事。

这个领域已经转向更难的考题：数学和编程题、跑几个小时的代理任务、裁判有几周而非五分钟的“长图灵测试”。还有人把问题反过来：现在难的是在网上证明你是人。

图灵画的那条终点线，我们在 2024 到 2025 年之间跨过去了，然后发现它是起跑线。

METR（Model Evaluation & Threat Research，读作 meter）是一家评估前沿 AI 模型能力与灾难性风险的美国非营利研究机构。本页回答三件事：它说的 “nonprofit research institute” 在法律上是什么意思、钱从哪来、谁在做。

取样截至 2026-09-14主要来源：metr.org About / 博客地点：Berkeley, CA

先说结论

METR 是美国联邦税法下的 501(c)(3) 免税慈善机构，法人名 Model Evaluation and Threat Research，EIN 99-1219864；没有私人股东，盈余留在使命内。 生存主要靠捐赠：2024 年 10 月 The Audacious Project 促成的 Canary 合作里，约 3800 万美元总额中约 1700 万美元支持 METR；2026 年 8 月 14 日自报过去 6 个月获得约 7100 万美元承诺。 创始人兼 CEO 是 Beth Barnes（2022 年离开 OpenAI，先在 Alignment Research Center 下做 ARC Evals，2023 年 12 月独立并改名 METR）；领导层还有 President Chris Painter、Chief Scientist Hjalmar Wijk、CTO Nate Rush。

42 章经 8 月 29 日那期，曲凯对谈逯雨鑫。他不是 AI PhD，也没在 AI Lab 待过，用一张显卡、两周、几百美元后训出的小模型两次登上 Hugging Face 热度榜第一。

这期没有文稿，小宇宙上这档节目关掉了官方 AI 转录，所以我把音频扒下来让 whisper 转了一遍，再把方法整理成下面这份可以照着做的清单。转录是机器做的，数字和英文名词我做了批量校正但没有逐句核对，最后一节列了几处没听清的地方。

他到底做了什么

• 基座是 Gemma 3 12B，老师模型是 Fable 5（他估算 3T 参数以上），做法是拿老师的回答喂给小模型，也就是蒸馏加监督微调（SFT）。
• V1 用了 5 天，其中 3 天做数据、1 天训练。V2 用了两三周，其中 12 天在做数据。
• 硬件是一张 5090，方法是 QLoRA。真正跑训练只有十几个小时。另有一份 200 美元的 Claude Max 订阅，用来合成靶向数据。总成本几百美元。
• 效果：在 agentic 工具调用类的基准上，原版 15 分，训完 55 到 60 分。代价是其他基准或多或少掉分。

这条路只有一个衡量标准：模型在你那一个场景里是不是更好用了。全局变聪明是 AI Lab 的事。

六步

第一步，先想清楚要做什么。他强调不要看什么火做什么，热的方向竞争对手也多。做应用的就围绕自己的业务想。目标不明确，后面每一步都无从判断对错。

第二步，选基座模型。中文场景直接选 Qwen，他说 Qwen 是坑最少的，训练脚本、部署、周边工具都最全。Gemma 3 12B 的中文很差，不管哪个量化版本，大部分时候会往粤语上飘。Llama 4 和最近那个 30B 的模型架构不主流，训起来会很麻烦。

从需求到上线，每阶段的产出、做法和效果。

AI 写代码变快后，需求、审查和发布也要提速。每阶段留下产出，下一阶段接着做；人负责目标和批准。

原课图：瓶颈转移，长度为示意。

intent.md 记“要什么”，spec.md 记“定了什么”，plan.md 记“怎么做”。计划阶段明确需求；实施计划在构建阶段产生。文件、代码及批准记录都进入版本管理。

计划阶段｜产出：intent.md

提想法的人与 AI 讨论问题、目标和限制，AI 起草需求，产品负责人纠正并批准。例如：“客户能在网页上查理赔进度，沿用现有登录方式。”

看效果：需求提交耗时、获批比例，以及设计开始后需求修改次数。

设计阶段｜产出：spec.md

AI 读 intent.md，按团队规范写方案，标出冲突和疑问。产品负责人解决并批准，高风险请技术负责人参与。

看效果：从需求到方案用了多久，开发后因需求不清返工几次。

构建阶段｜产出：plan.md 与代码

AI 读已批准的 spec.md 和代码，先写 plan.md：改哪些文件、实施顺序、如何验证。工程师批准后再写代码和测试；偏离计划时同步更新。

看效果：一次实现即可合并的比例、合并耗时、返工次数。

测试阶段｜产出：验证记录

AI 跑测试、构建及页面检查，失败就修，留下输出或截图。修 bug 先用测试复现，并保护测试，防止放宽检查。

看效果：首次检查通过率、人工审查耗时、上线后的改动失败率。

部署阶段｜产出：发布记录

AI 按审查规则检查并修复问题。代码负责人批准合并，发布负责人授权上线。变更请求（PR）和部署日志留下审查、批准与执行结果；回滚须提前演练。

看效果：首次审查等待时间、意见自动修复比例、漏到线上的缺陷数。

维护阶段｜产出：新的 intent.md

监控触发 AI 排查，将证据、影响和修复目标写成新需求。负责人决定修复、排期或关闭。修复照常走验证和审批，事后补防复发案例。

看效果：异常到需求入队耗时、发现转成修复的比例、同类故障复发次数。

据原课图补充阶段产出。

TeamAI 是腾讯开源的命令行工具。它把 Claude Code、Cursor、Codex、CodeBuddy 等 Agent 的 skills、rules、hooks、MCP 和团队知识放进一个共享 Git 仓库，通过评审后同步到成员本机。

资料日期：2026-09-08。功能与命令来自项目文档；Stars、Forks、Issue 数量是当天快照，未实际安装验证。

它解决什么问题

个人 Agent 已经能做很多事，但一次踩坑、一个有效的 skill，常常只留在某个人的电脑上。不同工具的配置路径不一致，MCP 和 hooks 也难统一管理。

TeamAI 把这层团队工作方式放进 Git：团队维护 Harness（skills、rules、agents、hooks、MCP、env 等）和 learnings；成员通过 pull 获取更新；新增内容经 Merge Request 评审后再分发。它也会收集摩擦信号，支持回顾、周报和看板。

它不提供模型推理，也不是 Cursor、Claude Code 或 Codex 的替代品。它运行在这些工具旁边。

三层能力

分发与管理还包括 Roles、Tags、Sources、Packages 和 skill exclude。

开源 App + 可选自建后端，用一条 HTTP 请求把消息打到系统通知栏。对「AI agent 跑完任务提醒我」这种场景，往往比钉钉/飞书/Telegram 机器人更短、更贴锁屏。

一句话

Bark（Finb/Bark）是一款 iOS App：装好后你会得到一个设备 key，之后任何脚本/服务器/Agent 只要访问类似 https://api.day.app/你的key/标题/内容 的 URL（或 POST JSON），消息就会以系统推送出现在 iPhone 上——App 不必一直在前台跑。

它解决的不是「团队 IM」，而是「把事件打到我自己的手机锁屏」。所以你说适合 AI agent 任务完成推送，方向是对的。

它怎么工作

相对「自己接 APNs」：你不用管苹果开发者证书、HTTP/2、token 刷新。公共 Bark 把这些藏在 App/官方后端里；自建时多数人仍可继续用官方 App 的 APNs 能力（按项目文档部署 bark-server）。

问题

我的日常是：坐在 Linux（Omarchy）前面，ssh 到 Mac，在 Mac 上跑 herdr，里面开 Claude Code / Codex。

在 Linux 上截图，想贴给 agent 看，贴不过去。没有报错，没有 [Image #1]，什么都没发生。

原因

SSH 只传文字。截图在 Linux 的剪贴板里，Mac 根本看不到。

ssh mac 之后再运行 herdr，herdr 整个跑在 Mac 上。它读的是 Mac 的剪贴板，不是我面前这台机器的。

这不是 Omarchy 的问题，也不是 herdr 的 bug。是架构决定的。

解法：反过来跑

在 Linux 上也装一个 herdr，用它作为客户端去连 Mac：

herdr --remote username@host

这样 herdr 客户端在 Linux 上运行，UI 从 Mac 那边流过来。剪贴板在本地，所以图片可以桥接过去：按 Ctrl+V，herdr 把 PNG 通过 SSH 传到 Mac，再把 Mac 上的文件路径贴进 agent 的输入框。agent 读路径就行。

谁跑在哪

这样做以后 herdr 两边都有，但分工不一样：

经营一个知识星球，每天都有一串小事。

新主题要看，评论要回复，提问不能漏掉。内容积累多了，还要整理精华、标签和专栏。到了周末，可能还要做周报、挑选好内容、制作海报，提醒即将到期的成员续费。

每件事都不复杂，加在一起很占时间。

知识星球开放平台最近发布了新版本：

• zsxq-cli：0.5.0
• zsxq-skill：2.1.0
• MCP Service：近期功能更新

zsxq-cli 负责读取和操作知识星球，zsxq-skill 告诉 AI Agent 什么时候使用哪些能力。安装以后，星主可以直接用自然语言安排工作。

比如：

找出最近一周还没有回答的高质量提问，参考我过去写过的相关内容起草回答，先给我确认，明天上午十点发布。

Agent 会读取最近的提问，搜索星主过去发布的内容，整理回复草稿。星主确认以后，它再创建定时回答任务。

还可以这样说：

• 看看今天有哪些新内容、提问和评论需要处理。
• 整理最近的评论，找出还没有回复的问题。
• 从本周内容里挑选值得加精的主题，并建议标签。
• 把最近发布的主题收录到对应专栏。
• 做一份本周运营报告。
• 把今天的精选内容做成海报。
• 把一篇帖子做成竖版视频。
• 找出即将到期的成员，起草续费关怀内容。

这次更新还增加了普通主题、问答和投票主题，支持 Markdown 正文和 AI 创作声明。Agent 可以定时发帖、定时回答，查看、修改和取消定时任务，也可以设置主题精华和置顶，修改星球名称、简介、背景图和亮点图片。

在你的 Agent 里安装

知识星球 Skill 可以配合国内常见的 AI Agent 使用，包括 WorkBuddy、QoderWork、CodeBuddy、Qwen Code、Kimi Code CLI、MiniMax Code、TRAE、通义灵码等。Codex、Claude Code、Cursor 等工具也可以使用。

我们还做了一个知识星球花园，用来放知识星球和 AI 结合的新项目。这里可以查看 Skill 的能力、安装方法、离线安装包和开源代码。

让一千朵花先开。

安装不用自己研究命令。打开正在使用的 Agent，把下面这句话发给它：

帮我安装知识星球 Skill：https://garden.zsxq.com/skill/INSTALL.md

Agent 会读取安装说明，检查环境，安装 zsxq-cli 和 zsxq Skill。

登录时，Agent 会给出一个授权链接和验证码。用户在浏览器或手机里确认授权，Agent 随后检查安装和登录状态。

DeepSeek 开源了自己的 agent harness，叫 dsh。装上跑一条命令就能用：

npx @deepseek-ai/dsh web

它没有终端界面，只有浏览器 UI，默认起在 http://127.0.0.1:3080。我想在手机上也能用——躺着的时候给它派个活，回到电脑前看结果。

不要直接开放到局域网

第一反应是把它绑到 0.0.0.0，手机连同一个 wifi 就能访问。dsh 直接拒绝了这个参数，报错写得很直白：

--host 0.0.0.0 is intentionally not supported yet for safety: it would expose remote code execution to the network

这不是没做完，是故意堵死的。这类 agent 能跑 shell、能读写你整个文件系统，而它目前没有任何用户认证。裸奔在局域网上，等于把电脑的 shell 交给任何连了你 wifi 的人。

用 Tailscale 反代

正确的做法是：程序继续只绑本地回环，前面放一层带认证的代理。Tailscale 正好干这个。

# 1. 启动，同时声明信任的域名
dsh web --trusted-host 你的机器名.你的tailnet.ts.net

# 2. Tailscale 在前面反代
tailscale serve --bg 3080

完事。手机连上 Tailscale，打开 https://你的机器名.你的tailnet.ts.net/ 就能用，自带 HTTPS 和设备级认证，家里 wifi 上什么都没暴露。

AI 让信息不值钱了。星球上靠「我知道你不知道」收费的模式会塌，靠「你信我这个人」的模式会更强。产品怎么改，还是往人靠、往社区靠、往工具靠这三个方向。

往人靠，核心是让创作者更真。现在打开一个星球，只看到一堆帖子和一个头像。这个人靠不靠谱、什么风格、能跟多久，没有答案。可以在主页上展示他在这里几年了、回答过多少问题、成员续费率多高。信任需要时间，时间需要被看见。再进一步，把创作者说过的判断和后来的结果对照出来，错了就认的记录比一百篇对的文章更有说服力。

Substack 的做法可以参考。它的创作者主页很干净，一个大头像、一段简介、所有文章和 notes 按时间排列。它的推荐算法优化目标是订阅和付费转化，不优化停留时长。平台在帮用户找「值得长期关注的人」。方向跟知识星球想要的一致。

OnlyFans 的用户付费，很多图的是创作者直接跟你聊天、记住你的名字。平台把聊天做成了第一大功能，也是第一大付费驱动力。国内环境不同，但用户愿意为「这个人看见我了」付钱，这个道理通用。

往社区靠，核心是让成员从围观变成参与。多数星球是星主讲、大家听。可以先做两件事：让成员之间有发现彼此的机制，轻匹配一下就够了；降低第一次互动的门槛，比如增加一个「有启发」的反馈按钮，比赞更具体。点了之后星主能看到，可能顺手回一句。破冰了，人和人的距离就近了。

Substack 的 Chat 功能是付费订户专属的深层讨论，和公开的 Notes 分开。Discord 的频道分角色、分权限，成员进来之后有一个清晰的路径：先围观、再发言、最后变成参与者。知识星球目前缺的就是这条路径。

小红书有一个设计值得看：算法会把旧内容推给新用户，不只看发布时间。星球里大量好帖子几周就沉了，如果平台主动把老内容推给新成员，星主不用每天生产新东西，内容自己就有生命力。这比逼着星主日更可持续得多。

往工具靠，核心是 AI 干活、人做决定。AI 该做的：帮星主整理内容、发现值得回复的问题、提示哪些成员很久没互动了；帮沉睡的好内容再流通，用户提一个具体问题，AI 从历史帖子里找相关的内容，星主确认后推送；帮新人快速找到同好和值得先看的东西。AI 不能做的只有一件：以星主的口吻说话。宁可在功能上标注「AI 整理的参考」，也不要去模糊这条线。

Discord 开放 API 让 Midjourney 在它上面搭出了完整的产品——生成图片、管理队列、支付结算，Midjourney 没有自己做 app。知识星球也可以把能力开放出去，让外部开发者甚至成员自己搭出新玩法。笔记 914 写的「让一千朵花先开」，就是这个意思。

三个方向背后是同一个问题：这个功能做完，星球里的信任变多了还是变少了。变少了就砍。