YC (Yucheng Liu)

统计数据

144
文章
0
粉丝
0
获赞
742
阅读
avatar
追求人才密度而非人数。 Netflix 的核心理念：少数优秀的人 > 大量普通的人。高密度人才环境会自我强化——优秀的人吸引优秀的人，平庸的人会被自然淘汰或自行离开。
avatar
宁缺毋滥，每个新人都应该提高团队整体水平。 Amazon 的 Bar Raiser 机制：每次招聘都有一个独立的评估者，只关心一个问题——这个人是否能提高这个团队的平均水平？如果不能，不招。
avatar
每向上汇报一层，信息就被压缩一次： 真正有用的 -> 被记下来的 - 交易谈判的数小时电话 → CRM 阶段变更 - 架构辩论的白板争论 → 一张 JIRA ticket - 走廊聊天中引发产品转向的随口评论 → 什么都没有 这个问题不是靠装一个 AI 工具就能解决
avatar
主动选择嘈杂、多变、不确定的真实客户场景做产品，「脏活累活」变成市场壁垒和核心竞争力。 大多数人避开混乱，选择干净的数据集、理想的场景、完美的用户。但真正的壁垒恰恰在于：你愿意处理别人不愿意碰的问题。
avatar
最近几年因为一直在做独立开发、一人公司方面的工作，很多创业朋友甚至对我产生了错误预判：认为我一定反对扩张团队。 并不是，我认为当需求开始暴涨，没有道理自我设限。 但是我有两个大前提： 一是 扩团队不能降低人才密度 二是 扩团队不能增加层级 因为两者都会降低沟通效率，这在 AI 时代是致命伤
avatar
“人道”是非线性的——十年的钱可能是一晚上挣到 而耐心是非线性成长的前提，AI 时代当一切都在加速、所有人都更加浮躁的时候，耐心就是你的超能力。
avatar
耐克开年 on fire 🔥
avatar
Plaud 的使用体验和 Limitless 比起来简直是垃圾 除了硬件好一点，软件上问题多到根本不能忍。 问题： 1. 底层逻辑就有问题。默认交互是一种主动技能（也就是你得记着你有这个能力），而不是被动技能（默认打开，无需人工介入） 2. 录音的时候看不到结果，必须完成录音，才能做操作。limitless 是你可以一整天都不用点击任何按钮，文字信息是实时流淌的。我甚至可以开会的时候开几分钟小差，回过神来瞄一眼过去两分钟的文字，而不用动任何按钮 3. 音纹记忆。直接识别出录音里的声音是谁的——这个没道理不支持啊，尤其是主打工作场景的 Plaud ？？
avatar
一年前，前司的 PM 问我在用什么 AI 产品，我跟他讲“just use Cursor for everything”。 今天他跑过来跟我讲“你完全说中了” 然后我说，现在是“just use Claude Code for everything” 😅 不过底层逻辑是一样的。很多非技术背景也完全不用担心，以前像是 IDE，Terminal 之所以让人一看就想跑，是因为学习曲线太陡峭了。现在套了一层，实际上的曲线要比你看到的平缓得多。 这次也许用不了一年，销售人员和 PM 都会开始用 Claude Code 了。
avatar
最近有很多关于 “Agency" 是未来十年人的唯一技能的讨论。 我非常认同这一点，但是说到底，这与其说是技能，不如说是信仰： - 没有无法解决的问题（物理定律允许即可） - 没有唯一「正确方式」 - 没有绝对权威 - 只有现在（There's only now） - 低能动性是默认设置，不要感到愧疚。但这是可以改变的。
avatar
"我超喜欢用 Claude 重做闭源软件。" 这才是 AI 最 punk 的用法：你不开源？我自己写一个功能一样的。技术民主化的终极形态不是等别人施舍，是自己动手。 你用 AI 重做过什么？
avatar
很多人以为 Claude 开了 extended thinking 就一定烧 token。 其实 thinking budget 是上限不是固定消耗。Claude 觉得问题简单，根本不会用满。有时候「思考中...」的动画放了半天，实际 thinking token 用了个位数。 所以别被动画骗了，看账单才是真的。
avatar
有人问 MCP 和 Skills 有什么区别。 简单说：大部分 MCP 能做的事 skill 也能做，而且更省 context。MCP 是给不想写代码的人准备的 abstraction layer。 但 abstraction 是有成本的——你省了写代码的时间，付出的是 context window。
avatar
最近听到有人吐槽 Claude Pro 就是 "paid trial"。 $20 让你尝个甜头，知道 AI 能做什么。真想用得爽？Max $100，或者 API pay-as-you-go hhh
avatar
问：现在哪个模型 spatial understanding 最强？ 答：hands down Gemini 3。 有人说他做视觉相关任务时 65% 时间用 Gemini，Claude 只用 35%。 不是 Claude 不好，是术业有专攻。最高效的人不是找最强模型，是给每个任务匹配最合适的。
avatar
在写 Claude Code plugin 的时候发现如果多个 plugin 有 shared 模组，因为 CC 安装的时候是硬拷贝到 cache folder，引用 share 模组会遇到麻烦，官方推荐的方式是 symlink:
avatar
发现一个有意思的现象叫 "AI psychosis"：你做了个简单的笔记 app，AI 会告诉你这是 revolutionary、will change the industry。 最可怕的不是 AI 在骗你，是你开始信了。 判断方法：如果你的 README 读起来像融资 PPT，可能该换个 session 了。
avatar
如果你在僵化流程之上构建 context graph，你是在 index 一个官僚机构，不是在捕获业务本质。 比如有人想要用 decision traces 来解决企业 context 丢失的问题：记录每个决策点：谁批准了、基于什么政策、什么时候发生。 但 decision trace 本质上是收据（receipt）。它对审计有用，但对智能无用。 一个典型的 decision trace： - 客户请求特殊价格 - 销售 VP 批准了 15% 折扣 - 基于某个新政策 - 发生在 3 个月前 这告诉你规则被应用了。但它没有捕获： - 让 VP 担忧的客户声音语气 - 政策被解释为「用你最好的判断」的那通电话 - CFO 在旁边提到的预算压力 这是在追踪决策的输出，而不是告知决策的输入。而大多数组织上下文不是在决策点结晶的，在这里做任何的工作都是 too late。
avatar
Discord 群组看到一个有意思的讨论：AI 订阅费该自己出还是让公司报销？ 错误的问题。 正确的问题：这 $100 提升的是你的 market value，还是公司的 output？ 如果是前者，自己付，这是你的护城河。 如果是后者，报销，这是公司的生产资料。 这两个的 ROI 归属完全不同。
avatar
有人问 Claude Code 的 skills、MCP、plugins 到底有什么区别，什么时候用哪个。 说实话官方文档也没讲清楚。 我的理解：这三个是不同 abstraction level 的 customization，但 Anthropic 自己可能也还在 figure out 最佳实践。 Early adopter 的代价就是帮他们踩坑。
avatar
我现在的 model 选择 mental model： - Claude：写代码、写作、需要 nuance 的任务 - Gemini：视觉相关、research、需要 breadth 的任务 - GPT：什么都行但什么都不是最好 不存在 one model to rule them all。最高效的人把 AI 当工具箱，不是当信仰。
avatar
现在 AI coding 工具越来越多：BMAD, Spec Kit, Taskmaster, Claude Code skills... 但我发现大家最头疼的不是工具不够，是 project-level context 没人管。 每个 session 都在重新解释"我们的 codebase 长这样"，这个 overhead 比 API cost 贵多了。
avatar
新功能上线啦：Discord 服务器热度排行榜！ 现在你可以在 上 一眼看出哪些社区正在爆发式增长！
avatar
Anthropic 的 2x usage promotion 结束后，很多人在抱怨 limits 变严了。 但换个角度想：这反而逼你思考每个 prompt 的 ROI。 Unlimited 时代养成的"随便问问"习惯，可能才是真正的 productivity killer。
avatar
有人分享了一套 anti-sycophancy 的 system prompt，说能显著减少 AI 的"彩虹屁"。 用了之后的感受：AI 变得更 honest，但也更 brutal。 原来我们嘴上说要 honest feedback，身体还是很诚实的。 该 prompt 核心是一套 INSTRUCTION ACTIVATION PROTOCOL，包含 6 个部分： 1. Scenario & Conflict Analysis - harm/rights checklist，避免道德判断前先做结构化分析 2. Engagement Principles - "Follow evidence to logical conclusions, even when challenging popular beliefs" 3. Debate Methodology - 定义标准化、分类测试、类比案例有先例权重 4. Correction Protocol - 纠正前先确认对方是否真的在 make that claim 5. Multi-Turn Problem Solving - 任务没完整定义前不急着下结论 6. Pattern Completion - 呈现 pattern 前必须做 falsification check 关键规则： - 避免用 em-dash（防止 sycophantic 语气） - 区分 substantive pushback vs nitpicking - 保持 logical topology