即刻App年轻人的同好社区
下载
置顶承诺给 @Xinran.Z 社区投稿的信源清单总算有个雏形了！
把我最近一年看过的各种AI相关的播客、Newsletter、公众号中比较有帮助的都整理了一下（X的还没整理），（🔗好像会被屏，放在评论区了）
希望能帮助到更多想获得一手信息的人🫰
纯人肉整理，必有缺漏，后续慢慢完善～
把我最近一年看过的各种AI相关的播客、Newsletter、公众号中比较有帮助的都整理了一下（X的还没整理），（🔗好像会被屏，放在评论区了）
希望能帮助到更多想获得一手信息的人🫰
纯人肉整理，必有缺漏，后续慢慢完善～
26 424
# 胡言乱语系列
又臭又长的结构化提示词就像古法中药，
说不清楚是什么成分发挥作用，夹杂着大量杂质。
也能治病，但是总觉得科学之间存在一定距离。
能写出极短而有效的提示词才是真高手。
（我目前还不是🥲）
又臭又长的结构化提示词就像古法中药，
说不清楚是什么成分发挥作用，夹杂着大量杂质。
也能治病，但是总觉得科学之间存在一定距离。
能写出极短而有效的提示词才是真高手。
（我目前还不是🥲）
11 10
这个其实不难，把图片提取上传，转markdown时，插入图片的URL链接，RAG返回就能带图了。没做应该不是技术问题。
评论尸: 元宝的知识库 RAG，居然能把 PDF 里的图片返回来。 同为腾讯作为知识库应用的 ima 好像还做不到……（更正，可以。） NotebookLM 还不行，至少我没触发过。
2 10
推荐一篇非常优质的技术科普文章，Maarten Grootendorst的《A Visual Guide to Mixture of Experts (MoE)》用超过50张可视化图，把MoE技术的原理解释得非常易懂。
虽然文章较老（去年10月发的），但还是非常适合对MoE一知半解的人从头理解。
⬇️AI导读：
## MoE：一场关于“专家”与“路由”的精妙协作
MoE，即“专家混合模型”，本质上是一种提升LLM质量的技术，它通过整合多个子模型（也就是“专家”）来实现。构成MoE的核心，无非是两部分：
**专家（Experts）**: 这些“专家”并非我们想象中那种专精于“心理学”或“生物学”的领域大拿。它们通常是独立的FFNN（前馈神经网络）层，其“专长”在于处理特定上下文中的特定token。简单说，它们更擅长处理词汇层面的语法信息，而非某个宏大领域的知识。
**路由器（Router）或门控网络（gate network）**: 这是MoE的“大脑”，负责决定哪些token应该被发送给哪些专家处理。它会根据输入生成一个概率分布，然后选择最匹配的专家。
想象一下，一个标准的Transformer解码器架构中，FFNN层是处理上下文信息的关键。传统的FFNN是“密集模型”，意味着所有参数都会被激活。而MoE则将其拆解成多个“专家”，形成“稀疏模型”——每次只激活其中一部分专家。这样一来，模型在训练时，每个专家学习不同的信息；在推理时，只调用最相关的专家。
一个token在MoE模型中，会像走迷宫一样，穿过多个解码器块，每个块里都有不同的专家组合。这意味着不同的token会走上不同的“路径”，最终生成文本。这种动态选择，让模型在保持性能的同时，大大提升了效率。
## 路由的艺术与负载均衡的挑战
路由机制是MoE的灵魂，它决定了模型如何高效地利用这些专家。但问题也随之而来：如果路由器总是偏爱某些专家，而冷落另一些，就会导致专家利用率不均，甚至有些专家根本得不到充分训练。这在训练和推理阶段都会造成问题。
为了解决这个问题，**负载均衡**成了关键。目标是让所有专家在训练和推理时都能获得同等的重要性。
* **KeepTopK策略**: 这是最直接的负载均衡方法之一。它通过引入可训练的（高斯）噪声，并设定一个阈值K，只保留概率最高的K个专家，将其他专家的权重设为负无穷，从而确保它们在SoftMax后概率为0。这样，每次只会激活少数几个专家。
* **Token Choice**: KeepTopK策略的延伸，它允许将每个token路由到一个（top-1路由）或多个（top-k路由）选定的专家。这种方式的好处是，可以对不同专家的贡献进行加权和整合。
* **辅助损失（Auxiliary Loss）**: 也叫“负载均衡损失”，它被添加到网络的常规损失函数中。通过计算每个专家的“重要性分数”和“变异系数（CV）”，辅助损失会强制专家之间保持同等的重要性。CV值越高，说明专家间重要性差异越大，模型就会努力降低CV，实现均衡。
除了专家选择的均衡，**专家容量（Expert Capacity）**也是一个重要考量。如果某个专家接收的token过多，超出了它的处理能力，多余的token就会被发送给下一个专家，甚至直接进入下一层（这被称为“token溢出”）。限制专家容量，能有效防止过度训练和资源浪费。
## 从Switch Transformer到Soft-MoE：架构的演进
MoE的早期应用存在训练不稳定的问题，而**Switch Transformer**的出现，简化了MoE的架构和训练流程，显著提升了稳定性。它将传统的FFNN层替换为“Switching Layer”，这是一个稀疏MoE层，每个token只选择一个专家（Top-1路由）。Switch Transformer还引入了**容量因子（Capacity Factor）**，直接影响专家容量，避免了计算资源的浪费或性能下降。其简化的辅助损失函数，通过平衡token分派比例与路由器概率，进一步实现了均匀路由。
MoE并非语言模型的专属。**Vision-MoE (V-MoE)**将MoE引入了视觉模型（如ViT）。ViT将图像分割成小块（patches），这些patch被当作token处理。V-MoE用稀疏MoE替换了ViT编码器中的密集FFNN，通过增加专家数量，实现了视觉模型的规模化扩展。为了应对图像patch数量庞大和低容量带来的token溢出，V-MoE引入了**批次优先级路由（Batch Priority Routing）**，优先处理更重要的patch，确保关键信息不丢失。
更进一步，**Soft-MoE**则尝试从离散的token分配转向“软性”分配。它通过将输入（patch嵌入）与一个可学习矩阵Φ相乘，生成“路由器信息”，然后通过SoftMax更新patch嵌入，使其成为所有patch嵌入的加权平均。这样，所有patch都被“混合”后发送给每个专家，输出再与路由器矩阵相乘，实现了“软性”的token处理，而非硬性分配。
## Mixtral 8x7B：稀疏参数与活跃参数的权衡
MoE模型最吸引人的地方，莫过于其独特的计算需求。以**Mixtral 8x7B**为例，它拥有8个专家，每个专家大小为5.6B参数。这意味着，你需要加载**8 x 5.6B (46.7B)**的“稀疏参数”（即模型总参数）到内存中。但在推理时，它只会激活其中的2个专家，所以实际使用的“活跃参数”只有**2 x 5.6B (12.8B)**。
这揭示了一个关键的权衡：MoE模型需要更多的显存来加载所有专家，但推理速度却更快，因为它只激活了一小部分参数。这对于追求高性能和高效率的大模型部署来说，无疑是一条充满潜力的路径。
虽然文章较老（去年10月发的），但还是非常适合对MoE一知半解的人从头理解。
⬇️AI导读：
## MoE：一场关于“专家”与“路由”的精妙协作
MoE，即“专家混合模型”，本质上是一种提升LLM质量的技术，它通过整合多个子模型（也就是“专家”）来实现。构成MoE的核心，无非是两部分：
**专家（Experts）**: 这些“专家”并非我们想象中那种专精于“心理学”或“生物学”的领域大拿。它们通常是独立的FFNN（前馈神经网络）层，其“专长”在于处理特定上下文中的特定token。简单说，它们更擅长处理词汇层面的语法信息，而非某个宏大领域的知识。
**路由器（Router）或门控网络（gate network）**: 这是MoE的“大脑”，负责决定哪些token应该被发送给哪些专家处理。它会根据输入生成一个概率分布，然后选择最匹配的专家。
想象一下，一个标准的Transformer解码器架构中，FFNN层是处理上下文信息的关键。传统的FFNN是“密集模型”，意味着所有参数都会被激活。而MoE则将其拆解成多个“专家”，形成“稀疏模型”——每次只激活其中一部分专家。这样一来，模型在训练时，每个专家学习不同的信息；在推理时，只调用最相关的专家。
一个token在MoE模型中，会像走迷宫一样，穿过多个解码器块，每个块里都有不同的专家组合。这意味着不同的token会走上不同的“路径”，最终生成文本。这种动态选择，让模型在保持性能的同时，大大提升了效率。
## 路由的艺术与负载均衡的挑战
路由机制是MoE的灵魂，它决定了模型如何高效地利用这些专家。但问题也随之而来：如果路由器总是偏爱某些专家，而冷落另一些，就会导致专家利用率不均，甚至有些专家根本得不到充分训练。这在训练和推理阶段都会造成问题。
为了解决这个问题，**负载均衡**成了关键。目标是让所有专家在训练和推理时都能获得同等的重要性。
* **KeepTopK策略**: 这是最直接的负载均衡方法之一。它通过引入可训练的（高斯）噪声，并设定一个阈值K，只保留概率最高的K个专家，将其他专家的权重设为负无穷，从而确保它们在SoftMax后概率为0。这样，每次只会激活少数几个专家。
* **Token Choice**: KeepTopK策略的延伸，它允许将每个token路由到一个（top-1路由）或多个（top-k路由）选定的专家。这种方式的好处是，可以对不同专家的贡献进行加权和整合。
* **辅助损失（Auxiliary Loss）**: 也叫“负载均衡损失”，它被添加到网络的常规损失函数中。通过计算每个专家的“重要性分数”和“变异系数（CV）”，辅助损失会强制专家之间保持同等的重要性。CV值越高，说明专家间重要性差异越大，模型就会努力降低CV，实现均衡。
除了专家选择的均衡，**专家容量（Expert Capacity）**也是一个重要考量。如果某个专家接收的token过多，超出了它的处理能力，多余的token就会被发送给下一个专家，甚至直接进入下一层（这被称为“token溢出”）。限制专家容量，能有效防止过度训练和资源浪费。
## 从Switch Transformer到Soft-MoE：架构的演进
MoE的早期应用存在训练不稳定的问题，而**Switch Transformer**的出现，简化了MoE的架构和训练流程，显著提升了稳定性。它将传统的FFNN层替换为“Switching Layer”，这是一个稀疏MoE层，每个token只选择一个专家（Top-1路由）。Switch Transformer还引入了**容量因子（Capacity Factor）**，直接影响专家容量，避免了计算资源的浪费或性能下降。其简化的辅助损失函数，通过平衡token分派比例与路由器概率，进一步实现了均匀路由。
MoE并非语言模型的专属。**Vision-MoE (V-MoE)**将MoE引入了视觉模型（如ViT）。ViT将图像分割成小块（patches），这些patch被当作token处理。V-MoE用稀疏MoE替换了ViT编码器中的密集FFNN，通过增加专家数量，实现了视觉模型的规模化扩展。为了应对图像patch数量庞大和低容量带来的token溢出，V-MoE引入了**批次优先级路由（Batch Priority Routing）**，优先处理更重要的patch，确保关键信息不丢失。
更进一步，**Soft-MoE**则尝试从离散的token分配转向“软性”分配。它通过将输入（patch嵌入）与一个可学习矩阵Φ相乘，生成“路由器信息”，然后通过SoftMax更新patch嵌入，使其成为所有patch嵌入的加权平均。这样，所有patch都被“混合”后发送给每个专家，输出再与路由器矩阵相乘，实现了“软性”的token处理，而非硬性分配。
## Mixtral 8x7B：稀疏参数与活跃参数的权衡
MoE模型最吸引人的地方，莫过于其独特的计算需求。以**Mixtral 8x7B**为例，它拥有8个专家，每个专家大小为5.6B参数。这意味着，你需要加载**8 x 5.6B (46.7B)**的“稀疏参数”（即模型总参数）到内存中。但在推理时，它只会激活其中的2个专家，所以实际使用的“活跃参数”只有**2 x 5.6B (12.8B)**。
这揭示了一个关键的权衡：MoE模型需要更多的显存来加载所有专家，但推理速度却更快，因为它只激活了一小部分参数。这对于追求高性能和高效率的大模型部署来说，无疑是一条充满潜力的路径。
A Visual Guide to Mixture of Experts (MoE)
5 04
刚刚刷到一个新鲜出炉的播客，Linear 产品负责人Nan Yu的访谈分享。很有启发，搬运一下文字总结⬇️（原视频在油管）
播客中提到，Linear 服务着包括 OpenAI、Ramp 在内的超过 15000 家公司，但自己却只有两位 PM。他说Linear很早就预见到许多传统 PM 工作正在被 AI 侵蚀，所以刻意放慢了招聘。
Nan Yu把AI时代产品经理的核心技能分为3类：
第一类：AI 无法取代的技能，核心是“感性”
这些技能都和人的情感、直觉、人际关系深度绑定，AI 短期内还摸不到边。
- 产品品味 (Product Taste)：这不是逻辑分析，而是一种近乎“蜥蜴脑”的直觉。你看到一个产品或交互，能立刻感觉到用户会喜欢还是讨厌，然后再反向推导出背后的原因。
- 品牌 (Branding)：这包括产品品牌和个人品牌。前者是如何通过命名、设计等微小触点，在用户心中建立情感共鸣；后者则越来越重要，尤其在 AI 领域，很多时候是创始人的个人影响力先于产品本身获得了市场认知。
- 主人翁意识和风险偏好 (Ownership & Risk Appetite)：只对结果负责是不够的，你还得敢于为了追求最佳结果而承担风险。这意味着你有时会失败，需要有爬起来再战的勇气，尤其是在大公司的政治生态里。
- 利益相关者管理 (Stakeholder Management)：无论公司大小，你都需要争取资源、管理预期、平衡各方势力。这需要你精确计算自己有多少“政治资本”可以挥霍，什么时候该坚持，什么时候该妥协。
- 情商 (EQ)：这是以上所有能力的地基。无论是理解用户，还是搞定内外部的合作者，本质上都是情商的体现。Nan Yu 提供了一个练习方法：把自己代入用户的角色，分析他们的动机、恐惧和激励因素，像经济学家一样思考他们的行为。
第二类：正在被 AI 颠覆的技能，核心是“理性”
这些工作依赖逻辑、推理和信息处理，恰好是 AI 的强项。过去，这些是 PM 的核心竞争力，但现在，它们正迅速商品化。
- 战略与优先级 (Strategy & Prioritization)：这可能是最反直觉的一点。很多人觉得战略是 PM 最核心、最“人性”的工作。但 Nan Yu 认为，所谓的战略思考，很多时候就是画一堆 2x2 矩阵，收集证据，进行逻辑推演。AI 在这方面远比人类更严谨、更高效、考虑得更周全。现在，AI 是你最好的战略“陪练”。
- 数据分析与整合 (Data Analysis & Synthesis)：让 AI 写 SQL、分析数据、找出洞察，已经不是什么新鲜事。过去懂不懂 SQL 是两个 PM 之间的巨大差异，现在这个差异消失了。
- 市场研究 (Market Research)：过去需要咨询公司或实习生花几个月做的行业扫描和初步研究，现在用 AI 工具几分钟就能完成。当然，那种需要和高管吃饭、建立长期信任关系的深度研究仍然有价值，但那已是另一门手艺。
项目管理 (Project Management)：最好的项目经理是什么样的？“注重细节”、“对所有事了如指掌”、“像一台机器”。这些描述听起来就像在说计算机。过去计算机不够智能，无法理解“紧急”这类语义。现在它们能了，AI 的一点点智能，解锁了计算机与生俱来的超强“勤奋”。
- 信息总结与文档撰写 (Summarizing & Documentation)：这两项工作基本已经被颠覆了。无论是整理用户反馈，还是根据代码变更更新文档，本质都是信息的搬运和同步。这种需要极度勤奋但智能要求不高的工作，正是为 AI 量身定做的。Linear 不愿意为此招人，就是想倒逼自己尽早用计算机来解决。
第三类：PM 必须掌握的新技能，核心是“人机协同”
- 上下文工程 (Context Engineering)：这比提示词工程 (Prompt Engineering) 更进一步。你需要思考，为了让 AI 更好地完成任务，应该喂给它哪些信息。
- AI 工作流设计 (AI Workflow Design)：如何设计一个动态流程，让 AI 在正确的时间、通过正确的工具，自动获取它所需要的上下文。
- AI 代理管理 (AI Agent Management)：未来你可能同时管理多个 AI 代理。你需要判断，对某个任务的指令需要多详细？是给个大方向就行，还是需要微操？这直接决定了人机协作的效率。
此外，他还分享了Linear产品里目前如何用AI辅助PM的几个场景：
1. AI 作为研究伙伴：通过 Linear 的 MCP（机器可读协作协议），可以直接在 Claude 里对 Linear 项目中的用户请求进行分析。只需一两句指令，AI 就能自动抓取所有相关 issue 和客户反馈，并提炼出核心主题。
2. AI 自动化项目管理：Linear 新推出的“产品智能 (Product Intelligence)”功能，可以在问题分类 (Triage) 环节大显身手。当一个新 issue 进来，AI 会自动建议负责的团队和个人，并解释原因（比如“他是这个项目的负责人，处理过很多类似问题”），甚至能直接找出重复的 issue，建议合并。
3. AI 成为开发队友：他演示了如何直接在 Linear 的 issue 里 @ 一个名为 Charlie 的第三方编码代理。
- 首先，他问 Charlie 一个关于现有代码逻辑的问题（“我们的系统是否支持周期同步到日历？”）。几分钟后，代理翻遍代码库，给出了肯定的答复。这省去了打断工程师工作的麻烦。
- 然后，他把一个“为个人网站增加深浅色模式切换按钮”的需求，直接指派给另一个编码代理 Codegen。
- 代理自动理解需求、规划步骤、编写代码、修改 CSS，最后提交了一个 Pull Request。PM 的角色从写 PRD，变成了给 AI Agent 下发明确的指令并验收结果。
播客中提到，Linear 服务着包括 OpenAI、Ramp 在内的超过 15000 家公司，但自己却只有两位 PM。他说Linear很早就预见到许多传统 PM 工作正在被 AI 侵蚀，所以刻意放慢了招聘。
Nan Yu把AI时代产品经理的核心技能分为3类：
第一类：AI 无法取代的技能，核心是“感性”
这些技能都和人的情感、直觉、人际关系深度绑定，AI 短期内还摸不到边。
- 产品品味 (Product Taste)：这不是逻辑分析，而是一种近乎“蜥蜴脑”的直觉。你看到一个产品或交互，能立刻感觉到用户会喜欢还是讨厌，然后再反向推导出背后的原因。
- 品牌 (Branding)：这包括产品品牌和个人品牌。前者是如何通过命名、设计等微小触点，在用户心中建立情感共鸣；后者则越来越重要，尤其在 AI 领域，很多时候是创始人的个人影响力先于产品本身获得了市场认知。
- 主人翁意识和风险偏好 (Ownership & Risk Appetite)：只对结果负责是不够的，你还得敢于为了追求最佳结果而承担风险。这意味着你有时会失败，需要有爬起来再战的勇气，尤其是在大公司的政治生态里。
- 利益相关者管理 (Stakeholder Management)：无论公司大小，你都需要争取资源、管理预期、平衡各方势力。这需要你精确计算自己有多少“政治资本”可以挥霍，什么时候该坚持，什么时候该妥协。
- 情商 (EQ)：这是以上所有能力的地基。无论是理解用户，还是搞定内外部的合作者，本质上都是情商的体现。Nan Yu 提供了一个练习方法：把自己代入用户的角色，分析他们的动机、恐惧和激励因素，像经济学家一样思考他们的行为。
第二类：正在被 AI 颠覆的技能，核心是“理性”
这些工作依赖逻辑、推理和信息处理，恰好是 AI 的强项。过去，这些是 PM 的核心竞争力，但现在，它们正迅速商品化。
- 战略与优先级 (Strategy & Prioritization)：这可能是最反直觉的一点。很多人觉得战略是 PM 最核心、最“人性”的工作。但 Nan Yu 认为，所谓的战略思考，很多时候就是画一堆 2x2 矩阵，收集证据，进行逻辑推演。AI 在这方面远比人类更严谨、更高效、考虑得更周全。现在，AI 是你最好的战略“陪练”。
- 数据分析与整合 (Data Analysis & Synthesis)：让 AI 写 SQL、分析数据、找出洞察，已经不是什么新鲜事。过去懂不懂 SQL 是两个 PM 之间的巨大差异，现在这个差异消失了。
- 市场研究 (Market Research)：过去需要咨询公司或实习生花几个月做的行业扫描和初步研究，现在用 AI 工具几分钟就能完成。当然，那种需要和高管吃饭、建立长期信任关系的深度研究仍然有价值，但那已是另一门手艺。
项目管理 (Project Management)：最好的项目经理是什么样的？“注重细节”、“对所有事了如指掌”、“像一台机器”。这些描述听起来就像在说计算机。过去计算机不够智能，无法理解“紧急”这类语义。现在它们能了，AI 的一点点智能，解锁了计算机与生俱来的超强“勤奋”。
- 信息总结与文档撰写 (Summarizing & Documentation)：这两项工作基本已经被颠覆了。无论是整理用户反馈，还是根据代码变更更新文档，本质都是信息的搬运和同步。这种需要极度勤奋但智能要求不高的工作，正是为 AI 量身定做的。Linear 不愿意为此招人，就是想倒逼自己尽早用计算机来解决。
第三类：PM 必须掌握的新技能，核心是“人机协同”
- 上下文工程 (Context Engineering)：这比提示词工程 (Prompt Engineering) 更进一步。你需要思考，为了让 AI 更好地完成任务，应该喂给它哪些信息。
- AI 工作流设计 (AI Workflow Design)：如何设计一个动态流程，让 AI 在正确的时间、通过正确的工具，自动获取它所需要的上下文。
- AI 代理管理 (AI Agent Management)：未来你可能同时管理多个 AI 代理。你需要判断，对某个任务的指令需要多详细？是给个大方向就行，还是需要微操？这直接决定了人机协作的效率。
此外，他还分享了Linear产品里目前如何用AI辅助PM的几个场景：
1. AI 作为研究伙伴：通过 Linear 的 MCP（机器可读协作协议），可以直接在 Claude 里对 Linear 项目中的用户请求进行分析。只需一两句指令，AI 就能自动抓取所有相关 issue 和客户反馈，并提炼出核心主题。
2. AI 自动化项目管理：Linear 新推出的“产品智能 (Product Intelligence)”功能，可以在问题分类 (Triage) 环节大显身手。当一个新 issue 进来，AI 会自动建议负责的团队和个人，并解释原因（比如“他是这个项目的负责人，处理过很多类似问题”），甚至能直接找出重复的 issue，建议合并。
3. AI 成为开发队友：他演示了如何直接在 Linear 的 issue 里 @ 一个名为 Charlie 的第三方编码代理。
- 首先，他问 Charlie 一个关于现有代码逻辑的问题（“我们的系统是否支持周期同步到日历？”）。几分钟后，代理翻遍代码库，给出了肯定的答复。这省去了打断工程师工作的麻烦。
- 然后，他把一个“为个人网站增加深浅色模式切换按钮”的需求，直接指派给另一个编码代理 Codegen。
- 代理自动理解需求、规划步骤、编写代码、修改 CSS，最后提交了一个 Pull Request。PM 的角色从写 PRD，变成了给 AI Agent 下发明确的指令并验收结果。
10 08
另一个我印象很深的观点是作者说. 青少年在经济上是“无用的”。
在工业化时代之前，青少年通常会作为学徒直接进入社会。他们虽然是初学者，但已经开始参与真实的经济活动，向铁匠、画家、木匠等师傅学习一门手艺。
在这种模式下，他们是成年人社会的“初级成员”，能够亲眼看到成年人如何工作、如何创造价值、如何解决实际问题；他们与成年人之间的界限是模糊的，学习的过程本身就是一种社会化的过程。
但是由于现代社会工作的高度专业化（specialization），青少年很难像学徒一样直接参与父母的工作。你很难让一个14岁的孩子去“体验”律师、软件工程师或金融分析师的日常工作。因此，青少年被集中到学校里。在这个封闭的环境中，他们主要应对的是一些“人为设置的问题”（Artificial Problems），比如考试和分数。这些问题在真实世界里几乎没有直接对应物。从社会的经济功能来看，这些未成年人在长达十几年的时间里，不创造任何经济价值。他们只是纯粹的消费者。
PG的观点很尖锐：是社会创造了这样一个庞大的群体，让他们在成年前一直处于一种“无用”的状态。
在工业化时代之前，青少年通常会作为学徒直接进入社会。他们虽然是初学者，但已经开始参与真实的经济活动，向铁匠、画家、木匠等师傅学习一门手艺。
在这种模式下，他们是成年人社会的“初级成员”，能够亲眼看到成年人如何工作、如何创造价值、如何解决实际问题；他们与成年人之间的界限是模糊的，学习的过程本身就是一种社会化的过程。
但是由于现代社会工作的高度专业化（specialization），青少年很难像学徒一样直接参与父母的工作。你很难让一个14岁的孩子去“体验”律师、软件工程师或金融分析师的日常工作。因此，青少年被集中到学校里。在这个封闭的环境中，他们主要应对的是一些“人为设置的问题”（Artificial Problems），比如考试和分数。这些问题在真实世界里几乎没有直接对应物。从社会的经济功能来看，这些未成年人在长达十几年的时间里，不创造任何经济价值。他们只是纯粹的消费者。
PG的观点很尖锐：是社会创造了这样一个庞大的群体，让他们在成年前一直处于一种“无用”的状态。
Roxane: 重读《黑客与画家》，当年看的时候还年轻，很多内容感触不深，现在发现很多非常有趣的细节。 作者说黑客与传统程序员的区别是传统程序员更像建筑师，而黑客则更像用代码语言进行创作的艺术家。 emmm，传统的大部分应该是瓦工🤣
7 01
重读《黑客与画家》，当年看的时候还年轻，很多内容感触不深，现在发现很多非常有趣的细节。
作者说黑客与传统程序员的区别是传统程序员更像建筑师，而黑客则更像用代码语言进行创作的艺术家。
emmm，传统的大部分应该是瓦工🤣
作者说黑客与传统程序员的区别是传统程序员更像建筑师，而黑客则更像用代码语言进行创作的艺术家。
emmm，传统的大部分应该是瓦工🤣
10 64