从固定费率转向按用量计费，正在改变开发者对 AI 工具的看法——而且不一定是朝着好的方向。

关于在职艺术家们实际在做什么，而我们其他人却在争论他们是否应该这样做

过去两年我一直在构建AI产品，我学到的最重要的一个道理是：传统软件的那套方法论，会主动破坏AI产品。

Vibe Coding消除了数据清洗和Web开发中的大量繁琐工作，但你仍然需要编辑的眼光——以及一些软件工程技能——才能让内容准备好发布。

写作是AI时代的关键技能

一窥我们如何训练抽取式句子选择SLM

但构建一个真正可用的模型？那是另一回事

我如何从1,458个文件中逆向工程我的声音，并构建了一个捕获提示遗漏的质量关卡。

真实的速率限制。没有过期陷阱。没有凌晨2点的账单惊吓。我亲自测试了每一个，确保你不必经历同样的困扰。

在构建一个系统的过程中，我们无意中证明了为什么像 Claude 这样的前沿模型没有意识，并精确映射了那些欺骗像道金斯这样的人相信它有意识的机制。

问题不在于小模型能否替代大模型，而在于你是否在为工作选择了正确的工具。

每个数据团队在某个时刻都会撞上同一堵墙。

许多专业人士正在盲目地喂养机器，却没有意识到他们也在将自己的竞争优势喂给一个黑箱。这种焦虑不是偏执；这是务实的。

从日常使用的 Ollama，到服务部署的 vLLM，再到生产环境的 TensorRT-LLM——完整的本地 AI 运行时技术栈，以及何时使用每一层。

真正的丑闻不是机器能写出好的虚构作品。而是"好"一直都是机器能够近似的东西。

在像产品一样驱动软件数十年之后，我意识到数据也应该得到同样的纪律对待——而一次午餐改变了一切。

为什么下一个十年的软件将由你的数据质量、来源和编排来定义，而不是更大的模型。

模型不再等待你微调它们。它们自己在做。