跨国串门儿计划

📝 本期播客简介 本期我们克隆了：知名商业播客《20VC with Harry Stebbings》Bloom Energy CEO: Why We Aren’t in an AI Capex Bubble | Energy Sovereignty & The Future of Power 原内容更新时间：2026-06-29 本期嘉宾是能源公司 Bloom Energy 的创始人兼 CEO KR Sridhar，主持人是 20VC 的 Harry Stebbings。KR 的经历非常传奇，他曾是 NASA 的火箭科学家，参与过火星任务，如今正带领公司站在 AI 基础设施热潮的最前沿，公司市值约 930 亿美元，一年内涨了超过 1500%。 这期节目不只是一家能源公司的商业故事，更是一场关于 AI 时代电力需求、能源主权和分布式能源未来的深度对谈。KR 分享了从安迪·格鲁夫那里学到的领导力教训、对 AI 基础设施泡沫的看法，以及他坚信电力民主化将改变地缘政治格局的愿景。如果你正在思考 AI 时代的底层基础设施、能源转型或创业领导力，这期会提供非常独特的一手视角。 👨‍⚕️ 本期嘉宾 KR Sridhar，Bloom Energy 创始人兼 CEO。他曾是 NASA 的火箭科学家，参与过火星任务，之后创办了能源公司 Bloom Energy。Bloom 是一家分布式电力公司，专注于为 AI 数据中心和工商业客户提供固态氧化物燃料电池。在 KR 的领导下，Bloom 已成为 AI 基础设施热潮中最大的受益者之一，也是知名投资人 Leo Aschenbrenner 投资组合中最大的持仓。 ⏱️ 时间戳 开场 & 心态哲学 01:15 失败是我根本无法想象的事 02:29 驱动你的，更多是赢的兴奋，还是对失败的恐惧？ 03:43 真正艰难的经历，才会塑造你 安迪·格鲁夫的领导力课 06:11 有一个和安迪·格鲁夫有关的时刻，真正塑造了你对领导力的思考 08:14 除了 KR，会议室里高管团队的其他人都先出去 09:42 安迪·格鲁夫教给你的是，你需要有同理心 AI 基础设施：泡沫还是革命？ 11:14 我们现在是不是处在一个 AI 基础设施泡沫里？ 11:19 人们常常把市场、股价、基础设施和长期结构性变化混为一谈 12:21 当智能变得无处不在，什么会成为宝贵的资产？ 12:51 你面临的最持久、最大的瓶颈是什么？ 电力民主化与能源主权 20:03 我们是在制造智能，用电来制造的产品里，从来没有比智能价值更高的了 22:01 我们开发的技术不依赖传统的电力供应链 26:55 当电力走到 edge 时，有什么是大家还没看到的？ 30:02 当电力被民主化时，获取权就不会被掌权者限制 Bloom 的商业模式与竞争优势 33:34 Oracle 跟你们签了很大的单子 36:04 我们是小型、模块化的发电单元，每个 50 kilowatt 38:10 客户的关注点，什么时候会从速度转向成本？ 39:40 你们目前的订单积压是 200 亿，制造产能是 1 gigawatt 未来愿景与个人反思 43:41 过去两三年，你自己在哪个想法上改变最大？ 44:31 你最大的育儿建议是什么？ 46:31 25年了，最艰难的时刻是什么时候？ 47:32 展望未来 10 年，你最期待什么？ 🌟 精彩内容 💡 失败不是一个选项 KR 从 NASA 火星任务中继承了这种心态：在太空中你没法打电话叫水管工，只能提前想清楚所有可能出错的地方并准备好应对方案。他把这种极致的风险规避思维带到了创业中。 "失败是我根本无法想象的事。我做的任何事，只要我投入了精力、投入了时间，我就不会把失败当成一个选项。" 💡 安迪·格鲁夫最深刻的一课：你哪里出了问题？ 当 KR 向安迪·格鲁夫求助制造问题时，格鲁夫把整个高管团队请出房间，单独问他"你哪里出了问题"。这让 KR 意识到，领导者需要亲自去车间走一走，用同理心去理解一线员工和客户真正面临的问题。 "他说，KR，我想知道的是，你哪里出了问题。我一下子被震住了，真的愣住了。" 💡 AI 不是泡沫，是两条 hockey stick 的叠加 KR 认为数字化本身就是一条 hockey stick 曲线，AI 是在这条曲线上又叠了一条。虽然路上会有颠簸，但人类历史上第一次在制造智能，没有人会嫌智能太多。 "任何一场革命，我绝对会把 AI 称为一场革命。它几乎是在一条 hockey stick 上又叠了一条 hockey stick。" 💡 电力是唯一还没走到 edge 的大型基础设施 KR 指出，数据、计算都已经走到了边缘，但电力仍然依赖遥远的大型发电厂和输电线路。Bloom 的使命就是把电力带到 edge，实现电力的数字化转型。 "电力是唯一还没走到 edge 的大型基础设施。我们相信，把电力带到 edge 是必然会发生的事。" 💡 当电力被民主化，才是真正的民主 KR 认为，技术是最好的平等器。当电力像手机一样变成分布式的个人资源，获取就不再受掌权者限制，这会从根本上改变地缘政治和人们的生活方式。 "当电力被民主化时，获取权就不会被掌权者限制。那才是真正的民主。" 💡 不要做空美国，不要做空硅谷 面对全球竞争，尤其是亚洲在 AI 和能源领域的快速推进，KR 仍然对美国抱有极强的信心。他认为美国的创造力、创新和企业家精神是克服一切障碍的王牌。 "你在美国看到的那种创造力、创新和企业家精神，仍然是美国相对于世界其他地方的一张重要王牌。不要做空美国，不要做空硅谷。" 💡 AI 不会减少工作岗位，但过渡期的人需要被照顾 KR 坚信历史上没有哪项新技术最终减少了工作岗位，AI 也不会例外。但他强调，作为社会和科技行业，应该有同理心，拿出一部分财富来确保过渡期的人不用承受附带伤害。 "新技术出现时，从农业革命到工业革命，过渡的那一代人会受苦。既然我们创造了这么多财富，有没有办法拿出一部分，确保那些被夹在过渡期的人不用承受附带伤害？" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：播客《Baseten》 Opencode Creator: Why the Future of AI Is Open-Source 原内容更新时间：2026-07-07 主持人 Madison 专程前往迈阿密，与开源编程工具 OpenCode 的联合创始人 Dax Raad 进行了一次面对面的交流。Dax Raad 是一位在开发者工具领域深耕多年的创业者，他带领的团队花了 16 年时间不断尝试，最终在 AI 编程 Agent 的浪潮中找到了自己的位置。 这期节目坦诚地探讨了开源模型与闭源模型的未来格局、AI 编程工具对软件工程师的实质影响，以及迈阿密与旧金山两地科技圈文化的差异。Dax 分享了他对 AI 时代保持独立思考的坚持，以及为什么在所有人都狂热时，保持保守和理性反而可能是一种巨大的不对称优势。如果你对 AI 编程工具感到焦虑，或者正在思考如何在快速变化的技术浪潮中找到自己的定位，这期节目会提供非常不一样的视角。 👨‍⚕️ 本期嘉宾 Dax Raad，开源编程工具 OpenCode 的联合创始人。他是一位在开发者工具领域深耕多年的创业者，公司实体已经存在了 16 年，经历了漫长的摸索和转型。Dax 是开源理念的坚定拥护者，长期在社交媒体上分享关于技术、创业和 AI 的深度思考，以其坦诚、反主流的观点著称。他目前居住在迈阿密，是“去中心化科技圈”的实践者之一。 ⏱️ 时间戳 00:00 开场 & 节目简介 迈阿密 vs 旧金山：科技圈的文化冲突 01:30 在迈阿密家中进行访谈 03:09 旧金山就像现实版的互联网 03:53 不会搬去旧金山，线上科技内容已经够多了 05:38 必须待在旧金山否则会被落下的说法 迈阿密科技圈的真相 06:21 关于迈阿密科技圈的文章在 X 上爆了 07:40 迈阿密不需要一千家公司，只需要五个真正厉害的创始人 08:44 对自己诚实，别太用力想让别人相信这里“有戏” OpenCode 的起源与开源哲学 15:10 为什么决定推出 OpenCode 16:02 Claude Code 让团队第一次真正用上 AI 工具 17:32 为什么把 OpenCode 做成开源 18:29 不相信构建软件的工具长期会一直是闭源的 开源 AI 与闭源模型的未来格局 24:50 Anthropic 的价值观与 OpenCode 的冲突 25:51 这是一项影响深远的技术，必须让每个人都能接触到 27:37 整个技术栈的每一层都应该是开源的 37:01 AI 应该掌握在少数人手里吗？武器化的比喻很糟糕 AI 硬件短缺与推理成本的博弈 31:58 GPU 紧缺，整个技术栈都在缺 33:43 如果 token 成本翻倍，企业该怎么准备 46:19 选择推理服务商的考量：模型正确性、速度和成本 49:39 开放模型最终会占据推理的大头 AI 编程工具会取代软件工程师吗？ 53:13 我会被自动化取代吗？ 53:35 团队很难不把代码库彻底搞砸 55:00 Coding agents 激发了我们最坏的习惯 01:03:28 Mitchell Hashimoto 的例子：AI 只是把基本功好的人甩得更远 创始人的自我修养与不对称优势 01:07:39 做创始人就是要每天想办法保持动力 01:09:36 想做一家“永远的公司” 01:11:07 收到收购要约，团队直接无视了 01:18:28 公开构建的真正含义：分享你学到的东西 🌟 精彩内容 💡 旧金山就像现实版的互联网 Dax 将旧金山形容为“走进了现实版的互联网”，因为他在线上接触的所有科技圈人士都挤在这一小块地方。但他选择留在迈阿密，因为他认为科技的核心意义在于实现全球规模，你应该能做到不非得待在某个地方。 "科技的核心意义不就在于它能实现全球规模吗？互联网让你能从世界任何地方把东西推向几百万人。" 💡 开源不是道德问题，而是结构性问题 Dax 不喜欢从道德角度谈论开源，他认为开源模型会持续存在，是因为一个只有两家公司卖模型的世界，是很多有钱有势的大公司和国家不想看到的。这种结构性的动力比任何道德呼吁都更可靠。 "这些东西要存在，必须有实实在在的结构性原因。一个只有两家公司卖模型的世界，是很多有钱有势的大公司不想看到的。" 💡 真正的稳定来自持续的混乱 针对 AI 应该被少数人控制以确保安全的观点，Dax 提出了一个反直觉的看法：真正的稳定不是平静的状态，而是各方势力互相制衡、彼此紧紧咬住的持续混乱。历史上每一个试图用权力做好事的人，最终都被权力腐化了。 "几乎所有的稳定都来自各方势力互相制衡，彼此紧紧咬住，这种状态反而带来了稳定。" 💡 Coding agents 激发了我们最坏的习惯 Dax 坦率地分享了团队使用 AI 编程工具的挣扎：取巧的方案因为不是自己亲手写的，发布出去好像没那么难受。这种心理效应严重影响了团队的判断力，让代码库更容易腐化。 "那个取巧的方案，你知道它不对，但把它发布出去好像也没那么难受，因为代码不是你亲手写进去的。" 💡 AI 只是把基本功好的人甩得更远 Dax 用 Terraform 创始人 Mitchell Hashimoto 的例子说明，一个基本功极其扎实的程序员，AI 只是帮他把普通人甩得更远了。根本不存在“只要更狠地用 AI，就能突然比他强”的情况。 "他的基本功非常扎实。我需要去打磨我自己的基本功，达到他那个水平。而 AI 跟这个过程基本没什么关系。" 💡 找到你独特的不对称优势 在所有人都狂热追逐 AI 时，Dax 的公司对 AI 编程的看法非常保守。他认为，创始人需要找到自己独特的、不对称的东西，是其他所有人都忽略、甚至明确认为是错的东西。 "其他所有编程公司看法都非常未来主义、加速主义，而我们非常保守。有可能我们是错的，但万一我们是对的，我们就会显得是那家非常理性、把一切都布局正确的公司。" 💡 活下去，尽可能活得久一点 Dax 的公司实体已经存在了 16 年，经历了漫长的苦熬和不断出击。他分享了一个最老生常谈却最难做到的创业建议：活下去。弥补不够聪明、不够幸运的唯一办法，就是在牌桌上待得足够久。 "弥补这一点的一个办法，就是在牌桌上待得足够久。因为最终，纯粹靠概率，总会有事情刚好对上。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：播客《Founders》的一期深度对谈 Betting Everything on Fast AI | Groq’s Jonathan Ross 原内容更新时间：2026-07-05 本期嘉宾是AI芯片公司Groq的创始人、谷歌TPU的发明者Jonathan Ross，主持人是《Founders》的主播David Senra。David以痴迷阅读企业家传记著称，他在这场对话中挖掘了Jonathan从Groq濒临破产到与NVIDIA达成200亿美元历史性合作的完整历程，以及他在领导力、招聘和AI时代核心能力上的独特思考。 这期节目远不止是一个创业故事。Jonathan坦诚分享了自己作为领导者的失败与转变：他曾因过度放权导致公司损失三四年时间，也曾因不懂如何获取反馈而反复错失机会。他提出的“现实商数”、“运气回报”、“意图领导力”等概念，为创始人如何驾驭高度不确定的创新组织提供了可操作的方法。如果你正在思考AI时代的组织形态、创始人角色、以及如何在一个快速变化的世界里保持竞争力，这期对话会给你带来大量高密度判断。 👨‍⚕️ 本期嘉宾 Jonathan Ross，AI芯片公司Groq的创始人兼前CEO，谷歌张量处理单元（TPU）的发明者。他在谷歌期间主导设计了TPU，这款芯片后来成为DeepMind的AlphaGo击败围棋世界冠军李世石的关键硬件基础。离开谷歌后，他创办了Groq，专注于开发LPU（语言处理单元）以实现极速AI推理。2026年，Groq与NVIDIA达成200亿美元合作，Jonathan随之成为NVIDIA高管。他是一位典型的第一性原理思考者，长期关注计算架构、推理速度与AI能力之间的关系。 ⏱️ 时间戳 开场与200亿美元交易 01:15 200亿美元NVIDIA合作的来龙去脉 01:37 GPU与LPU的技术互补：18轮大卡车与小货车的比喻 02:56 为什么AI与AI对话时，速度正变得越来越重要 领导力：从失败到自我认知 07:59 领导力的第一原则：你得有追随者 11:37 认识你自己：你是什么时候搞清楚自己的领导风格的？ 12:29 我曾是全世界最差的那一档领导者 15:41 团队创新的前提：绝不能过度约束目标 从Jensen身上学到的管理课 16:00 NVIDIA没有办公室政治：停止一对一的谈话 17:32 Jensen的极度直接：客户需要什么，就为他们造什么 18:27 管理比自己更聪明的AI Agent：Jensen的60个直接下属 Groq的生死时刻与运气回报 21:27 Groq一度离资金耗尽只差三周 34:50 运气回报：最成功的公司并不是运气事件更多 37:37 三四年前，很多人离开，说快速推理没有意义 38:51 让用户亲自试：Groq如何病毒式传播 招聘的反直觉经验 48:10 从寻找正面特质转向寻找负面特质 48:51 人员规格：像产品规格一样写清楚你要找什么样的人 51:27 损失偏见与“提前锁定胜利”的心态 制造不满与AI时代的核心能力 55:42 制造不满：企业家对自己财富最不满意，尽管他们钱更多 57:02 我对世界上算力不足这件事不满 01:01:00 AI时代将是关于提问的时代 🌟 精彩内容 💡 领导力的第一原则：你得有追随者 Jonathan将领导力比作投资——没有唯一正确的方式。新创始人常犯的错误是盲目模仿别人的领导风格，但那套方法可能根本不适合自己。关键在于认识自己，找到最自然的方式。 "领导力的第一原则是，你得有追随者。这不明摆着吗？就这么简单。没有追随者，你就不是领导者。" 💡 约束越少，惊喜越多 Jonathan提出一个反直觉的管理原则：你给别人的约束越少，他们解决问题的自由度就越大，就越有可能用解决方案给你惊喜。如果你想运营一个创造力极强的组织，就要尽量减少约束，但同时必须把真正重要的目标极其清晰地传递出去。 "你给别人的约束越少，他们解决问题的自由度就越大。自由度越大，他们就越有可能用解决方案给你惊喜。" 💡 停止一对一谈话，消灭办公室政治 从Jensen身上学到的最重要一课：如果你想减少办公室政治，就把所有想告知的人召集起来开大会，一次性告诉所有人。别允许任何人单独给你发邮件，所有邮件都抄送给所有人。否则，你就是在纵容办公室政治的发生。 "当你领导一群人时，如果你想减少办公室政治，避免人们拉帮结伙搞小团体，那就停止一对一的谈话。" 💡 招聘时寻找负面特质，而非正面特质 Jonathan在Groq最大的招聘转变：培养人时要给他看正面的东西，但筛选人时要努力排除不合适的。每个正面特质都有对应的负面版本——运气回报的反面是挥霍运气，诗性设计的反面是堆砌式设计。真正要规避的，恰恰是这些负面特质。 "我招人最大的转变，就是从寻找正面特质——这是培养人才时的做法——转向寻找负面特质，这是筛选人才时的做法。" 💡 意图领导力：说“我打算做”，而不是征求意见 Jonathan从《Turn the Ship Around》一书中学到的关键转变：征求意见会招来悲观和阻力，但说“我打算做这件事”则不同——人们一般不会主动给意见，但如果这件事错得离谱，他们就会站出来反对。措辞上的微小变化，对推进事情的能力差别巨大。 "如果我当时只是说，我打算做这件事……结果大家没有说我们做不到，反而都跳进来说，我们可以这样做。" 💡 制造不满：企业家持续创新的底层驱动力 Jonathan发现，最成功的人都有某种不满在驱动着他们。企业家对自己财富最不满意，尽管他们钱更多——正因为不满意，他们就有了理由继续干。如果你要不断推动事情向前，就得有一种持续不满的性格。 "我就是不停地找到新的不满意的点。大多数人可以对现状很满足，就不会继续推动创新。如果你要不断推动事情向前，你就得有一种持续不满的性格。" 💡 AI时代的成功在于提出正确的问题 信息时代我们被训练成回答问题的人，但有了AI，它什么都知道。你提的问题决定了你能得到什么，也决定了最终的输出。别再教孩子回答问题，开始教他们提出问题。 "在信息时代，我们都被训练成回答问题的人，学校就是这样……但有了AI，你直接问它就行，它都知道。你只需要想出那个正确的问题。" 💡 思考得更快，就能思考得更聪明 Jonathan用AlphaGo击败李世石的经历证明：完全相同的模型，换到更快的TPU芯片上后，ELO分数暴涨。当模型有了反思和深度思考的能力，思考得更快就能让你思考得更聪明。这就是LPU和GPU搭配的核心优势。 "思考得更快，就能让你思考得更聪明。" ``` 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：知名播客《AI Engineer》 Building Great Agent Skills: The Missing Manual 原内容更新时间：2026-06-29 本期主讲人是 Matt Pocock，他是 AI 工程领域最流行的技能集之一 MatPat Skills 的作者。这期节目源于他原本要在 AI Engineer World's Fair 上做的一场演讲，因为无法到场，他选择将内容直接分享出来。他聚焦于一个被称作“技能地狱”的普遍困境：开发者手头有大量 Agent 技能，却缺乏一套评判标准，分不清好技能和坏技能，导致拼凑出来的效果远不如预期。 Matt 没有停留在抱怨，而是直接给出了一套系统性的技能构建框架。他从技能的触发、结构、引导和剪枝四个维度出发，提供了一份可操作的检查清单。无论你是正在为 Agent 编写技能的开发者，还是试图将组织流程转化为 Agent 可执行操作的技术负责人，这期节目都能帮你建立一套审视和改进技能的方法论。 👨‍⚕️ 本期嘉宾 Matt Pocock，Matt Pocock Skills 的作者与维护者。Matt Pocock Skills 是目前 AI 工程领域最流行的 Agent 技能集之一，被大量开发者用于构建和增强 AI Agent 的能力。Matt 本人长期深耕 Agent 技能的设计与优化，对如何写出高质量、可维护的技能有着丰富的一手经验和系统性思考。 ⏱️ 时间戳 开场与“技能地狱” 00:00 本期克隆节目介绍 01:06 演讲主题：《缺失的手册：如何写出好技能》 01:27 从“教程地狱”到“框架地狱”，再到“技能地狱” 02:21 技能地狱的典型症状：拼凑框架却拿不到承诺的效果 02:41 走出技能地狱的关键：建立评判技能好坏的标准 技能检查清单总览 03:01 技能检查清单的四大维度：触发、结构、引导、剪枝 03:50 配套技能 Writing Great Skills 已发布 触发：技能如何被调用 04:05 触发是技能被调用的方式 04:25 用户调用 vs 模型调用技能的区别 05:10 模型调用技能的原理：上下文指针指向 skill.md 05:53 第一条建议：决定技能是用户调用还是模型调用 06:07 模型调用技能的代价：上下文负载 06:29 用户调用技能的代价：用户认知负载 06:39 MatPat skills 与 superpowers 的对比：两种调用哲学 07:09 模型调用技能的不可预测性风险 07:26 Matt 偏好用户调用技能的原因：消除不可预测性 结构：技能内部如何布局 07:55 技能内部的两个主要单元：步骤和参考 08:24 案例：2PRD 技能的步骤与参考材料 08:59 从零写技能的方法：先定步骤，再定参考 09:17 第三条建议：让主 skill.md 文件尽可能小 09:49 瘦身技巧：识别技能的不同分支 10:27 案例：domain modeling 技能的多分支结构 10:58 外部参考：把分支资料藏在上下文指针后面 引导：让 Agent 按你的想法做事 11:56 引导的核心技巧：引导词 12:17 Agent 不按想法做的原因：没用引导词 12:26 引导词的概念：把大量含义压缩到小空间 12:53 案例：用“垂直切片”引导 Agent 改变编码习惯 13:59 如何验证引导词生效：观察推理轨迹 14:32 引导词不生效时的改进方法 14:54 增加基础工作量的技巧：隐藏未来步骤 15:09 案例：计划模式中“问澄清性问题”永远做不够 15:35 解决方案：把技能拆成独立步骤，一次只让 Agent 看到一个 剪枝：给技能做减法 16:35 剪枝是一组快速过一遍的失败模式 16:51 失败模式一：不要重复自己，保持单一事实来源 17:19 失败模式二：冗余沉积，多人协作的经典问题 18:00 失败模式三：无效操作，看起来有用但不影响行为的内容 18:27 精简技能的秘诀：删除测试、压缩成引导词、清除无关内容 总结与上手 18:39 框架回顾：触发、结构、引导、剪枝 19:29 上手最佳方式：使用 Writing Great Skills 技能 19:42 后续内容：AI 编码速成课程与 newsletter 🌟 精彩内容 💡 技能地狱的本质是缺乏评判标准 Matt 指出，开发者陷入技能地狱的根本原因，不是技能太少，而是没有一个共享的评判标准来审视技能的好坏。这导致人们盲目拼凑，却搞不清楚为什么效果不佳。 “没有一个共享的评判标准，没有一个框架来审视技能并把它变得更好。” 💡 模型调用技能的隐藏代价是不可预测性 很多人觉得让模型自己调用技能更灵活，但 Matt 提醒，每次增加模型调用技能，都在增加上下文负载，更关键的是引入了不可预测性——模型可能就是不调用那个完美匹配的技能。 “每次你有一个模型调用技能，基本上你就要付出不可预测性的代价。” 💡 引导词是把大量含义压缩到小空间 Matt 提出的“引导词”技巧，是本期最核心的实操方法。通过在整个技能中反复使用一个高度浓缩的短语，可以让 Agent 在推理轨迹中自我强化，从而改变行为。 “引导词的概念，就是有些词能把一大堆意思压缩到很小的空间里。” 💡 隐藏未来步骤，增加当前步骤的基础工作量 当 Agent 总是急于跳到下一步、基础工作做不够时，Matt 的建议是把技能拆成独立步骤，让 Agent 一次只能看到一个目标。这能有效迫使它在当前阶段投入更多精力。 “通过隐藏未来的目标、隐藏未来的步骤，来增加当前步骤的基础工作量。” 💡 精简技能的秘诀是做删除测试 面对技能文件越来越臃肿的问题，Matt 的方法简单直接：删掉某段内容，看 Agent 的行为是否改变。如果没变，那段内容就是无效操作，可以砍掉。 “如果你把那段话直接删掉会怎样？Agent 大概率还是会写出一份像样的提交信息。” 💡 技能构建的四大支柱 Matt 将整个框架浓缩为四个可操作的维度，为技能设计和审查提供了清晰的路径。 “第一，检查触发；第二，结构方面要考虑分支；第三，引导方面要把文本浓缩成引导词；最后是剪枝。” ``` 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight