即刻App年轻人的同好社区
下载
重读巴菲特致股东信的关键概念：低估。
第一，低估是一种客观状态，寻找低估是投资者的首要任务。
"我从不试图预测大盘走势——我的精力全放在寻找被低估的股票上。"
"我们并不在意市场是否会迅速重新估值我们认为价格被低估的证券。事实上，我们宁可不要这样，因为在大多数年份里，我们预期会有资金净流入来买进证券。持续以有吸引力的价格买入，最终给我们带来的好处，很可能超过股价短期飙升到我们不愿继续买入的水平所提供的卖出机会。"
第二，低估的判断需要多维度的分析框架。
"低估类（Generals）——这类投资是低估的股票，判断标准以定量分析为主，但定性因素同样受到高度重视。通常来说，这类投资几乎看不出近期股价上涨的具体催化剂。这些股票既不光鲜，也没有市场追捧。它们唯一的优势就是价格低廉。"
第三，低估终将被市场修正，但时间不可预测。
"这类投资有时很快获利，很多时候需要好几年。买入的时候，往往说不清楚这只股票为什么会涨。但也正因为这些股票黯淡无光、短期没有任何显而易见的催化剂，才有那么便宜的价格。"
"一家企业的成功被市场认可的速度其实并不那么重要——只要其内在价值在以令人满意的速度增长就行。事实上，被市场发现得晚一些反而是好事：这给了我们更多机会以便宜的价格买进好东西。"
第一，低估是一种客观状态，寻找低估是投资者的首要任务。
"我从不试图预测大盘走势——我的精力全放在寻找被低估的股票上。"
"我们并不在意市场是否会迅速重新估值我们认为价格被低估的证券。事实上，我们宁可不要这样，因为在大多数年份里，我们预期会有资金净流入来买进证券。持续以有吸引力的价格买入，最终给我们带来的好处，很可能超过股价短期飙升到我们不愿继续买入的水平所提供的卖出机会。"
第二，低估的判断需要多维度的分析框架。
"低估类（Generals）——这类投资是低估的股票，判断标准以定量分析为主，但定性因素同样受到高度重视。通常来说，这类投资几乎看不出近期股价上涨的具体催化剂。这些股票既不光鲜，也没有市场追捧。它们唯一的优势就是价格低廉。"
第三，低估终将被市场修正，但时间不可预测。
"这类投资有时很快获利，很多时候需要好几年。买入的时候，往往说不清楚这只股票为什么会涨。但也正因为这些股票黯淡无光、短期没有任何显而易见的催化剂，才有那么便宜的价格。"
"一家企业的成功被市场认可的速度其实并不那么重要——只要其内在价值在以令人满意的速度增长就行。事实上，被市场发现得晚一些反而是好事：这给了我们更多机会以便宜的价格买进好东西。"
5 00
1. 什么是 Agent Harness？
形象比喻： 将大模型比作“烈马”，而 Harness 就是为了让这些烈马发挥最大效用而构造的**“挽具”**
功能定义： 如果说大语言模型是“大脑”，那么 Agent 框架就是“双手”，而 Harness 则是连接两者的机制。它的核心作用是让原本必须由人决策（拍板）的事项，能够根据真实世界的反馈自动完成。
技能沉淀： Harness 的最终目标是将这些自动化的过程沉淀为具体的 “Skill”（技能）
2. Agent Harness 如何让大模型进化？
Harness 不仅仅是一个工具层，它是模型进化过程中的关键环节，通过以下几种方式推动模型能力：
人类经验的“蒸馏”： 当开发者或行业专家构建自己的 Harness 时，本质上是在将自己的“Taste”（品味、判断力）和专业经验蒸馏给模型。例如，顶尖专家提出 AI 无法回答的问题并给出反馈，这些高价值数据会被提炼成模型的一部分
内化应用逻辑： 开发者在 Harness 中编写的 Skill 和搭建的工作流（workflow），最终都会成为模型训练的素材。这意味着应用层的功能最终会被模型“内化”，使得下一代模型原生就具备这些能力
强化学习（RL）的加速： 在 MiniMax 的研发实践中，70%～80% 的工作已经由 Agent 在 RL pipeline 中完成。通过多 Agent 协作（Multi-Agent），可以打破单个 Agent 在长上下文下的“智能天花板”，利用不同背景的 Agent 互相审视和纠错，从而产出更高质量的训练数据来喂养模型。从工具到技能的转化： Harness 解决的是“如何让模型学会使用工具”并将其转化为“内在技能”的问题。这种进化趋势使得模型逐渐向全模态、近实时、且不需要复杂提示词工程（prompt engineering）的终态发展
形象比喻： 将大模型比作“烈马”，而 Harness 就是为了让这些烈马发挥最大效用而构造的**“挽具”**
功能定义： 如果说大语言模型是“大脑”，那么 Agent 框架就是“双手”，而 Harness 则是连接两者的机制。它的核心作用是让原本必须由人决策（拍板）的事项，能够根据真实世界的反馈自动完成。
技能沉淀： Harness 的最终目标是将这些自动化的过程沉淀为具体的 “Skill”（技能）
2. Agent Harness 如何让大模型进化？
Harness 不仅仅是一个工具层，它是模型进化过程中的关键环节，通过以下几种方式推动模型能力：
人类经验的“蒸馏”： 当开发者或行业专家构建自己的 Harness 时，本质上是在将自己的“Taste”（品味、判断力）和专业经验蒸馏给模型。例如，顶尖专家提出 AI 无法回答的问题并给出反馈，这些高价值数据会被提炼成模型的一部分
内化应用逻辑： 开发者在 Harness 中编写的 Skill 和搭建的工作流（workflow），最终都会成为模型训练的素材。这意味着应用层的功能最终会被模型“内化”，使得下一代模型原生就具备这些能力
强化学习（RL）的加速： 在 MiniMax 的研发实践中，70%～80% 的工作已经由 Agent 在 RL pipeline 中完成。通过多 Agent 协作（Multi-Agent），可以打破单个 Agent 在长上下文下的“智能天花板”，利用不同背景的 Agent 互相审视和纠错，从而产出更高质量的训练数据来喂养模型。从工具到技能的转化： Harness 解决的是“如何让模型学会使用工具”并将其转化为“内在技能”的问题。这种进化趋势使得模型逐渐向全模态、近实时、且不需要复杂提示词工程（prompt engineering）的终态发展
6 00
关于“模型是否会吃掉应用”以及通用与垂直 Agent 的未来：
1. 模型对应用的“内化”趋势
素材化： 开发者所编写的 skill（技能）和搭建的 workflow（工作流），最终都会成为模型训练的素材。
通用 Agent 的困境： 如果做的是通用的 Agent 应用，开发者会面临“永远被模型内化掉”的风险，Anthropic 过去一两年的强势表现，部分原因就在于它能更有效地将应用层的功能吸收进模型内部
2. 通用与垂直 Agent 的生存空间
尽管模型在不断内化应用，但 Agent 依然有其独特的价值，这主要体现在“挽具”（Harness）和“技能沉淀”上：
Harness的作用： Harness 的核心是构造一套机制，让原本必须由人决策的事项，能够根据真实反馈自动完成，并沉淀为具体的 skill。这就像是给烈马配上挽具，使其发挥最大效能
垂直领域的“蒸馏”： 构建 Harness 的过程实际上是在“蒸馏”人类的经验和 taste。当顶尖人才提出 AI 无法回答的问题并给出反馈时，这些高价值的垂直领域数据会被提炼成模型的一部分
3. 多 Agent 协作（Multi-Agent）的必要性
在通用与垂直的讨论中，单一 Agent 存在明显的局限性：
智能天花板： 单个 Agent 的上下文超过 50% 后，其智能水平会指数级下降。
协作优势： 当一个 Agent 钻牛角尖时，另一个带有全新上下文的 Agent 来审视，效果远好于单一 Agent 的自我迭代。目前在 MiniMax 的 RL（强化学习）管线中，已经有 70%～80% 的工作是由 Agent 完成的。
4. Agent 产品与 Infra 的未来
生命周期： Agent 产品存在“一代版本一代神”的现象，随着模型能力的更迭，应用也需要不断迭代。未来的终态可能是全模态、近实时、且不需要复杂的提示词工程（prompt engineering）
创业机会： 在 Infra（基础设施）层面，Sandbox（沙盒）、memory（记忆）和 runtime（运行环境）等被认为“没那么本质”。真正的机会可能在于更高层、更具体的领域。
1. 模型对应用的“内化”趋势
素材化： 开发者所编写的 skill（技能）和搭建的 workflow（工作流），最终都会成为模型训练的素材。
通用 Agent 的困境： 如果做的是通用的 Agent 应用，开发者会面临“永远被模型内化掉”的风险，Anthropic 过去一两年的强势表现，部分原因就在于它能更有效地将应用层的功能吸收进模型内部
2. 通用与垂直 Agent 的生存空间
尽管模型在不断内化应用，但 Agent 依然有其独特的价值，这主要体现在“挽具”（Harness）和“技能沉淀”上：
Harness的作用： Harness 的核心是构造一套机制，让原本必须由人决策的事项，能够根据真实反馈自动完成，并沉淀为具体的 skill。这就像是给烈马配上挽具，使其发挥最大效能
垂直领域的“蒸馏”： 构建 Harness 的过程实际上是在“蒸馏”人类的经验和 taste。当顶尖人才提出 AI 无法回答的问题并给出反馈时，这些高价值的垂直领域数据会被提炼成模型的一部分
3. 多 Agent 协作（Multi-Agent）的必要性
在通用与垂直的讨论中，单一 Agent 存在明显的局限性：
智能天花板： 单个 Agent 的上下文超过 50% 后，其智能水平会指数级下降。
协作优势： 当一个 Agent 钻牛角尖时，另一个带有全新上下文的 Agent 来审视，效果远好于单一 Agent 的自我迭代。目前在 MiniMax 的 RL（强化学习）管线中，已经有 70%～80% 的工作是由 Agent 完成的。
4. Agent 产品与 Infra 的未来
生命周期： Agent 产品存在“一代版本一代神”的现象，随着模型能力的更迭，应用也需要不断迭代。未来的终态可能是全模态、近实时、且不需要复杂的提示词工程（prompt engineering）
创业机会： 在 Infra（基础设施）层面，Sandbox（沙盒）、memory（记忆）和 runtime（运行环境）等被认为“没那么本质”。真正的机会可能在于更高层、更具体的领域。
当我们在讨论 Harness 的时候，我们在讨论什么 | 深度对谈: Minimax × Hermes Agent
十字路口Crossing
6 10
诗人永远是我们的同代人。
事实上，一个人在阅读方面能给予另一个人的唯一建议，就是跟随直觉，不要盲从。别人的建议可以参考，但最终应得出个人的判断。 如果我们对此达成共识，我便可以更自在地分享一些想法。因为我相信，各位不会被我的观点束缚。而独立意识，正是读者最重要的品质。
但随着时间的推移，也许我们可以训练品味，甚至让它接受某种控制。当它贪婪地阅读各种各样的书籍——诗歌、小说、历史、传记——并且在脱离阅读、长时间观察现实世界的多样性和不协调性时，我们会发现它正在发生一些变化；它不再那么贪婪，而是更加深思熟虑。
正是这种告别的心情，让那些原本平凡的日常画面变得格外动人。 他们会调整手提包的位置，主动攀谈，短暂地站在理想社会的边缘仿佛即将踏入一个无须恐惧、无须犹豫，人人都能坦然袒露灵魂深处的世界。这一刻令人陶醉，也让人颤抖。 旅行者总是容易被这些不经意间冒出的短语影响。他们离开了家乡，而家乡就像一枚坚硬的贝壳，包裹着他们，使他们变得坚硬、独立。 画家是幸运的，他们拥有画笔、颜料和画布，能够描绘眼前的一切。而语言是脆弱的。当面对纯粹的视觉之美时，语言便会战栗、后退，让人跌入一片混乱而又令人不安的深渊。 美如潮水般涌来，我们只能随波逐流，任凭波涛推来搡去无处着陆。
——Virginia Woolf《她要自己去买花》
事实上，一个人在阅读方面能给予另一个人的唯一建议，就是跟随直觉，不要盲从。别人的建议可以参考，但最终应得出个人的判断。 如果我们对此达成共识，我便可以更自在地分享一些想法。因为我相信，各位不会被我的观点束缚。而独立意识，正是读者最重要的品质。
但随着时间的推移，也许我们可以训练品味，甚至让它接受某种控制。当它贪婪地阅读各种各样的书籍——诗歌、小说、历史、传记——并且在脱离阅读、长时间观察现实世界的多样性和不协调性时，我们会发现它正在发生一些变化；它不再那么贪婪，而是更加深思熟虑。
正是这种告别的心情，让那些原本平凡的日常画面变得格外动人。 他们会调整手提包的位置，主动攀谈，短暂地站在理想社会的边缘仿佛即将踏入一个无须恐惧、无须犹豫，人人都能坦然袒露灵魂深处的世界。这一刻令人陶醉，也让人颤抖。 旅行者总是容易被这些不经意间冒出的短语影响。他们离开了家乡，而家乡就像一枚坚硬的贝壳，包裹着他们，使他们变得坚硬、独立。 画家是幸运的，他们拥有画笔、颜料和画布，能够描绘眼前的一切。而语言是脆弱的。当面对纯粹的视觉之美时，语言便会战栗、后退，让人跌入一片混乱而又令人不安的深渊。 美如潮水般涌来，我们只能随波逐流，任凭波涛推来搡去无处着陆。
——Virginia Woolf《她要自己去买花》
8 00
