熊猫说 (@PandaTalkAI) header
熊猫说 (@PandaTalkAI) profile picture

- 8年华为终端 | 18 年终端通信与嵌入式 | AI探索者 - 认知重塑 认知觉醒(早起 | 冥想 | 阅读 | 写作 | 跑步) - 保持空杯心态,从0开始

Joined October 2026
Photo by 熊猫说 (@PandaTalkAI)Photo by 熊猫说 (@PandaTalkAI)Photo by 熊猫说 (@PandaTalkAI)Photo by 熊猫说 (@PandaTalkAI)Photo by 熊猫说 (@PandaTalkAI)Photo by 熊猫说 (@PandaTalkAI)Photo by 熊猫说 (@PandaTalkAI)Photo by 熊猫说 (@PandaTalkAI)Photo by 熊猫说 (@PandaTalkAI)Photo by 熊猫说 (@PandaTalkAI)
熊猫说 retweeted
芒格不是教你如何显得更聪明,而是教你如何少犯大错;不是寻找必胜公式,而是建立一张能反复使用的思维格栅。
4
4
23
1,507
熊猫说 retweeted
先问“这里发生了什么、我真正需要什么”,再问“我愿意提出什么具体请求”;同时允许对方也有他的事实、感受和需要。
1
2
9
694
熊猫说 retweeted
#一定要不停记录自己 记录的价值不在于留下多少字,而在于把模糊的感受、混乱的经历和未经检验的假设变成可见的信息;看见之后,你才有机会重新选择,而不是继续被自动驾驶带走。
2
4
24
1,718
熊猫说 retweeted
#内圣外王 #曾国藩 早起; 静坐; 读书不二; 谨言; 记过; 写字; 夜不出门; 定期作文、读史、反省。
2
1
8
848
熊猫说 retweeted
1、高手不是练得最多的人,而是最会把练习设计成回路的人。 2、心理表征决定你看见什么;你看见什么,决定你能练什么。 3、承认天赋、年龄和资源的差异,然后仍然选择更好的方法。
1
5
442
熊猫说 retweeted
你不需要先被所有人喜欢,才有资格按自己的方式生活; 你需要的是分清课题、承担代价,并在此时此刻做出一个小小的贡献。
1
2
4
384
熊猫说 retweeted
1、专注不是意志力的表演,而是环境、身体、价值和训练共同作用的结果。 2、你不需要战胜每一个诱惑,只需要让重要的事更容易发生,让高刺激入口更难发生。 3、判断一件事值不值得,不只看当下爽不爽,还要看它把你带到哪里。
4
7
35
1,599
熊猫说 retweeted
你不是没有时间,而是把“工作之外的那段时间”当成了没有名字的剩余物。
33
77
3
450
35,523
熊猫说 retweeted
看了《认知觉醒》后实践了三个月 1、早起:无闹钟,不参团,不打卡 书中说 健康成年人的睡眠:1.5h快速眼动睡眠+1.5h非快速眼动睡眠交替组成 前3h为高质量深度睡眠阶段 睡眠节点后醒会让人神清气爽,如3h、4.5h、6h、7.5h 早起的核心价值: ①规划:每天用10min罗列全天工作 ②跑步:激活身体,促进精力回升 ③反思:梳理思绪,记录成长心得 ④读书/写作:利用清晨,无干扰时段 ⑤攻克困难任务:如写方案,学新技能 成功人士一旦发现别人的好习惯,就会立刻将这个习惯变成自己的 我的做法 每天4点半起 用笔记本记录当天需要完成的事项,从“早冥读写跑”角度展开,阅读的书目,写作的内容提纲,运动的情况,学习的内容 总结昨天的事项,检查完成情况,做一些复盘,是否需要微调计划 2、冥想:终有一天,你要解锁这条隐藏赛道 书中说 冥想核心逻辑: 人类大脑同一时间只能处理7±2个信息(七个小球理论) 专注是将7个小球集中于同一任务的能力 普通人→思维离散致效率低(小球分散) 聪明人→可以长期保持专注(小球集中) 冥想训练方法:闭眼静坐,专注于呼吸,若有杂念,柔和地将其拉回呼吸,每天持续15min以上 冥想长期效果: 提升专注力:养成无意识专注习惯,自动抑制思维离散 保持情绪平和:通过专注正视负面情绪,缓解情绪波动 增强认知能力:长期训练可从物理上改变大脑结构,提升元认知能力 多开发一个小球的能力,你就多一点竞争力 我的做法 暂时还没有得法,需要学习和锻炼 3、读书:如何让自己真正爱上阅读 书中说 读书的本质:最低成本获取人类顶级智慧,突破物理与时间限制 读书实践原则: ①选书:优先选舒适区边缘的书 ②阅读目标:以改变为核心,思考这本书帮我解决什么问题?如何将书中知识用到生活中? ③关联和输出:读完后用自己的语言重述,实践书中方法 目光长远的人都会主动、刻意地磨炼自己,尽力提高每天的思考密度 我的做法 不知不觉也已经读完了10几本书,涵盖了历史,心理,理财等类型,比如:富爸爸系列图书:让我对理财,财务知识有了重新的认识,对于搞钱的愿望也越来越强烈;三国演义:让我对三国的历史有了更深的认识,对照三国志一起读,包括易中天品三国,对于三国时期的文臣武将有了更立体的感觉。 对于2026年我的目标是能够读完60到100本书,会重点集中在历史、心理学、理财、人物传记、个人成长等。 4、写作 书中说 写作本质:输出倒逼输入,用自己语言重新表达,将碎片化信息编织成紧密的认知体系 费曼写作4步法: 明确核心概念,如舒适区边缘 读者是小学生:用通俗语言、生活案例解释 直面卡点,溯源补缺:写作卡顿,回归源头查资料、重读书籍,填补知识缺口 简化与类比:删除冗余术语,用类比或图示让内容更易懂 写作心法: 写我所用:立刻践行番茄工作法,记录效果 微写作启动:每天50字,允许烂初稿 以教为学:发朋友圈等,通过反馈优化认知 写作时如果学不会用自己的语言转述,则是无用的 我的做法 开始写作公众号,目标是能够实现日更,一切都是最好的开始。 5、跑步:灵魂想要走得远,身体必须在路上 书中说 运动价值: 健身:分泌激素多巴胺提升愉悦感,精力充沛 健脑:使大脑生张出新神经元,提升认知功能 运动最佳模式:运动+学习 跑步后读1h书,比单纯跑步或单纯读书更能提升知识吸收效率 避免运动后做低认知活动,如刷手机,错失变聪明的机会 正确运动方法: 有氧运动:有些气喘状态,如跑步、游泳、自行车 复杂运动:有氧+协调能力,如太极、瑜伽 避免身体过度疲劳:每天运动1h左右,过度则会影响学习和生活 好的事物往往是“正相关” 我的做法 坚持走跑超过5公里,目标体重80公斤,正在朝着这个目标前进
30
33
324
16,783
熊猫说 retweeted
拆解其中 5 个极具工程参考价值的底层设计: 1. 双层架构:淡化 Session,重构吞吐与连续性 Router 层(中枢协调):常驻全局,只负责任务识别、拆解与分发,不参与底层具体执行。配置轻量级模型即可兼顾速度与成本。 Worker 层(单任务执行):上下文物理隔离,各自挂载完整执行环境,配置能力最强的模型独立推进。 本质变化:Session 这一概念对用户隐去,底层自动接管并发。用户面对的不再是一堆分散的会话,而是一个统一的 Super-Agent。 2. 上下文的“虚拟内存换页”:Inline 与 Spill 无节制注入上下文是大忌。DSH 团队直接借鉴了操作系统的虚拟内存管理思想: Inline:高频使用的上下文直接内联在窗口内,省去额外的工具往返开销。 Spill:低频或超预算信息移出窗口,仅保留引用 ID 或摘要;模型感知到信息缺失时,再按需主动读回。 链式召回(Chain of Recall):将 Trigger、Thread、Worker 连成引用图,通过引用关系层层回溯,避免维护庞大而混乱的单体会话库。 3. 异步 ReAct Loop:从单工阻塞到全双工通信 过去的 Agent 是典型的同步单工模式:发出一句指令,必须等待模型思考并调用完毕才能继续输入。 新架构改为异步事件循环:后台长耗时任务独立运行,前台会话随时接收新约束与指令,彻底消除了后台操作对交互的阻塞。 4. 存算环三者分离(Compute-Storage-Environment) 这是最显工程功力的一环: 计算上云:Agent 运行循环放进云端轻量容器,随时可替换。 状态持久化:会话与任务状态落库,容器宕机任务不丢。 环境留端(BYOM):本地电脑的环境不生搬硬套到云端,通过轻量 daemon 执行指令并回传结果,兼顾私有凭据安全与本地依赖一致性。 5. Watchdog:外部控制回路防死锁 长程任务中最可怕的不是进程崩溃,而是大模型陷入逻辑死循环或偏离最终目标。 传统的脚本心跳无法解决语义问题。架构引入独立的 Watchdog Session(看门狗),作为外部独立的 Control Loop 定期巡检,及时介入纠偏与故障恢复。 真正的技术突破,很少来自于浮躁的概念包装。 当大家不再执着于表面提示词的技巧,而是沉下心把计算机底层的 fork、缓存、换页机制、存算解耦与容错回路一点点做进 Agent 系统时,自主智能体的可用性才算真正立住了脚跟。
7
6
51
8,325
熊猫说 retweeted
Every AI agent, from a simple assistant to an autonomous workflow, runs on the same core idea: reason, act, observe, and repeat. If you can't name the parts underneath that loop, you can't tell which one is failing when an agent goes wrong. Start with five design principles. A good agent is goal driven, so it plans toward a clear outcome. It is tool connected, so it can use external capabilities. It is memory aware, so it carries context across the work. It has human oversight, with permissions and approval gates. And it is observable, so you can track quality, cost, and behavior. Those principles show up as eight building blocks. Perception receives and prepares inputs like text, APIs, sensors, and events. Reasoning chooses the next step, using methods like ReAct or Plan-and-Execute. Planning breaks goals into tasks and holds them in a queue, step by step. Then the agent has to do something. Tools execute useful actions through MCP, APIs, code, and queries. Memory stores useful context, both short-term and long-term, so each step doesn't start from zero. Two blocks keep the whole thing safe and fixable. Guardrails control what is allowed through permissions, filtering, and limits. Monitoring measures the workflow with traces, logs, cost, and latency. The last block, Output, returns the final answer or completes the goal. In practice, the agent perceives, thinks about the goal, plans and acts with tools, observes the results, and responds. Tools return results, memory adds context, and the loop repeats until the goal is met. Bookmark this before you build or evaluate your next agent, and check it against all eight blocks.
5
7
1
37
5,302
熊猫说 retweeted
不训练、不算梯度,GPT-6 Astra 直接改了另一个模型的权重:只动了 Qwen3.5-0.8B 0.016% 的权重,MATH-500 数学正确率从 7.9% 涨到 48.1%,约 6 倍。 这是 MIT CSAIL 四位研究者 11 月 2 日发的博客,他们把这叫“在权重空间里编程”:前沿大模型可以像读写代码一样,直接读懂、修改、甚至从零写出神经网络的权重。 过去的常识是,权重是训练出来的,人看不懂也没法手改,想改模型只能再训练。这项工作把原始权重直接交给通用大模型,让它自己读、自己改。 几个实验: 只看权重,不给游戏名、不给工具,Astra 认出了四个结构完全相同的游戏网络:打砖块、乒乓、吃豆人、过马路。 一辆训练了 10 亿步、256 次全失败的仿真小车,Astra 看了权重和一次失败录像,一次回复改了 3.5% 的权重,之后 1,024 次全部成功。 从零写打砖块网络,没有数据、不能试玩,一次写成,得分 517.4,是训练 5 亿步的强化学习网络(25.3)的约 20 倍。另外两个游戏没超过训练 5 亿步的版本。 Qwen 的 6 倍有几个条件: 原模型开思考模式后容易陷入重复循环,93% 的回答一直输出到长度上限,起点很低。Astra 找到第 15、19 层里引起循环的一个方向,把它删掉。 这要允许 Astra 拿练习题试跑 50 次。只试 10 次或 25 次,循环基本没消失。 换成很少循环的 Gemma 3 270M,同样的方法没带来提升。作者的结论是:改权重能去掉挡住能力的障碍,加不出模型本来没有的能力。 和“AI 改进 AI”的关系:现在的自我改进,大多是让 AI 生成数据、写训练代码,最后还是靠训练。作者把“模型检查并改进自己或下一代的权重”列为后续方向之一。 Chandan Singh 也公开了类似实验:Claude 在加法、排序等 10 个算法任务上直接写出小模型权重,最多 3 次就全部 100% 正确。他的报告也记录了,有一个任务里 Claude 用测试集数据做了拟合,违反规则,那个结果被判无效。 目前结果都由作者自己报告,还没有独立复现。 原文:rikiyat.github.io/blog/weigh…
We asked GPT-6 Astra to edit Qwen3.5-0.8B weights to improve math. It directly changed only 0.016% of weights, fixing 0.8B's reasoning loops & improving math up to 6x and even instruction following 3x, without gradients or training. We call this Weight-Space Programming: frontier LLMs can now natively read/write neural network weights! 🧵 Blog: rikiyat.github.io/blog/weigh…
Readers added context they thought people might want to know
LLM was given weights explicitly as text in prompt and used code/forward passes (per authors' logs) to ablate Qwen looping direction, a known thinking-mode issue per model card. Primarily fixed repetition in that mode, not general 'natively' improving weights/math. rikiyat.github.io/blog/weight-sp… github.com/RikiyaT/lm_und… huggingface.co/Qwen/Qwen3.5-0… huggingface.co/RikiyaT/Qwen3.…
197
41
26
302
59,918
熊猫说 retweeted
Deepseek just revealed every AI agent secret Incredibly important article to read if you're building anything AI agent related Here's basically everything you need to know about building a Grok Bot quality AI agent: 1. Agents are split between routers and workers. The user talks to the router, then gives the work to the workers. The router never does work. This is why the chief of staff model in Grok Bot works SO well 2. Proactive means acting on events, not chats. The agent should always be watching for events and react based on every event that comes through it. Routing to the right worker/action 3. Messages should be in a queue. Users should be able to send messages even while the agent is working, and each message queues/steers the agent 4. Besides the router and workers, there should be a watchdog layer. The watchdog makes sure the agent is always up and fixes it when there are issues. This is why Hermes succeeded and OpenClaw struggled. Constantly broke and couldn't fix itself 5. Protect human attention. Only message the user when it needs to act or the user can use the result. Lighten their cognitive load. Another thing Grok Bot is excellent at. When you message it you can be confident the next message you get will be it saying the task is complete. Carve off an hour and read this incredible article
155
93
11
1,296
142,597