早上九点泡好咖啡打开手机把今天的 AI 日报草稿划了一遍已经是雷打不动的动作。做日报这件事听起来简单实际上很考基本功你得快速分辨哪条消息是“真热点”、哪条是“补丁式更新”还得把零散的信息翻译成团队能执行的判断。这篇就是 2026 年 10 月 7 日的 AI 日报我按自己的阅读习惯做了分层把真正值得关注的信号挑出来后面附上我平时筛信息、做技术决策的方法和踩过的坑。适合算法工程师、技术负责人以及那些每天被信息流轰炸又必须保持判断力的人。1. 今日AI热点盘点1.1 基座模型进入“能力性价比”比拼阶段今天最明显的感觉是基座模型的竞争已经从单纯刷分转向“能力性价比”。某开源社区凌晨发布的新一代中型模型参数规模只有同级别旗舰产品的三分之二但官方放出的评测结果里代码生成、数学推理这两项已经追平上一代大杯旗舰。更重要的是它在消费级显卡上就能完成推理显存占用压到了 12GB 以内。这个信号很实际。之前大家追大模型默认“参数越大越聪明”但过去半年行业里越来越多人意识到推理成本才是规模落地的天花板。10 月 7 日这期日报里至少有四条消息都和“低成本接近旗舰能力”相关一个是量化方案的精度损失降到 1% 以内一个是针对长文本场景的稀疏注意力优化还有一个是推理框架的显存碎片治理。这些拼在一起说明行业正在集体务实地往“用得起”的方向走。我自己的判断是未来三个月的选型逻辑会变。以前是“先上最大参数量再考虑优化”现在是“先定业务延迟预算和成本预算再反推用哪个规模的模型”。今天这一批发布基本把这条路线又从“可行”推进到了“好用”。1.2 多模态能力和Agent编排逐渐融合第二条主线是多模态模型和 Agent 工具链的耦合在加深。某实验室今天放出的技术报告里把“看图表、读界面、执行动作”整合成了一条新的交互流水线。过去的 Agent 只能理解文本指令遇到图形界面里的按钮、报表里的趋势线基本靠人工预先写规则。现在这批多模态模型可以直接把截图作为输入自己识别组件、判断操作路径再调用外部工具完成闭环。有个细节很有意思他们用一份带乱序标注的线框图做测试模型能正确识别出哪个区域是侧边栏、哪个是主操作区然后规划出先点设置、再选导出格式的动作序列。这一步在以前需要单独训练一个目标检测模型才能做到。对做自动化测试、数据标注、智能客服这类场景的人来说这几乎等于把以前三个月的工作量压缩成一个接口调用。当然这类方案现在还谈不上完美复杂页面上的误识别率依然不低但方向已经非常明确了多模态不是玩具它在真实业务里开始产生生产力了。1.3 开源生态从“能跑”进化到“能查”今天还有一个容易被忽略的消息某基金会发布了新的模型卡标准格式要求公开数据组成、训练算力、评估方法和已知限制。说白了就是给开源模型补“说明书”。以前开源社区的惯例是丢一个权重文件加上一段 README 就算完事训了什么数据、评测怎么做的一笔糊涂账。这导致很多人在做技术选型时根本不放心直接上生产因为不知道模型在什么场景下会犯什么错。新的标准格式出来之后虽然还管不住所有人都如实填写但至少让“可溯源”有了一个可以对照的模板。这个事短期内不会有炫酷的 Demo但长期价值不亚于发布一个新模型。AI 要走进严肃的产业环境不能靠“盲盒”靠的是可验证的透明度。今天这条消息我放到日报的首屏位置就是因为它是基础设施级别的变化。2. 今日最值得关注的三个技术信号2.1 端侧推理的“下沉”不只是省钱第一条深度信号来自某手机厂商的技术博客他们把 70 亿参数模型做进了端侧并且跑通了实时语音助手的全链路。消息本身不算爆炸性但数据很有说服力首字延迟控制在 400 毫秒左右内存占用从上一代的 3GB 降到了 1.8GB。为什么这条值得单独拿出来说因为端侧推理最大的难点不是“能不能跑”而是“跑得稳不稳”。移动设备的算力波动、内存带宽限制、散热约束任何一个环节出问题体验都会崩。他们这次用的方法是“分时稀疏激活”把模型的专家层分成两部分一部分常驻一部分按需加载。相当于你不用一次性背完一整本书而是只把目录常备着翻到哪一章再临时调内容出来。这个思路对行业的意义在于它证明了端侧不只是一个“低配版”的缓存区而是可以做复杂任务的第一现场。以后语音助手、实时翻译、文档摘要这类对隐私敏感的交互越来越没有必要把数据传到云端。这直接改变了做应用的技术路线以前默认“端侧只是降级方案”现在可以考虑“端侧为主云端兜底”。2.2 记忆系统开始取代 RAG 的“临时抱佛脚”第二个信号来自某 AI 原生应用公司的技术分享。他们公开了自己内部用的长期记忆模块架构效果数据比传统 RAG 检索生成提升了约 23% 的答案准确率关键是它记住了用户的长期偏好而不仅仅是当前问题里的上下文。传统 RAG 的方式是“临时翻笔记本”每次回答问题都把相关的文档片段抓出来塞进上下文。这个方式有两个短板一个是不擅长处理“散落在多轮对话里的模糊参照”另一个是每次查询都重复扫描大库成本和延迟都高。这次分享的记忆系统采用的是“分层记忆池”短期记忆负责当前任务长期记忆定期把关键信息沉淀成结构化摘要。我把这个称为“告别临时抱佛脚建立贴身笔记”。具体落地的时候它意味着对用户的理解不再是“一次性输入”而是跨会话的连续积累。做产品的同行可以认真关注一下这个方向特别是需要长期陪伴感的场景比如教育辅导、健康管理、个人助理记忆能力往往是体验的胜负手。2.3 对齐成本变成显性成本评估体系开始分层第三条信号来自某评测机构发布的多维安全与可控性基准。这个基准把模型的可控性分成五个维度指令遵循度、拒绝敏感请求的稳定性、角色一致性、约束条件下的创造性、边缘场景兜底。并且在每个维度上都做了难度梯度。为什么说这是信号因为过去评估模型主要看“能不能答对”很少系统性地关注“能不能稳定地在各种边界条件下答对”。但一个模型真正难用的地方恰恰是它在模糊指令下容易失控比如用户说“帮我写个方案”它可能创造出一个和业务毫无关联的答案。今天这个基准把可控性拆成可量化的指标说明评估体系开始从“能力单维度”走向“能力可控”双维度。对于做生产系统的朋友我的建议是选模型的时候别只看榜单总分至少用这套思路自己测一轮把“边界条件”列成清单逐条跑。可控性评估短期看是增加工作量长期看是帮你在线上少背锅。3. 实操如何把AI动态快速变成技术决策3.1 我自己的日报信息分级方法前面说了这么多条消息全部读完至少四十分钟但大部分人没有这个时间。所以我把日报分成三档必读、应读、选读。必读是改变基础技术路线或影响合规底线的消息比如模型框架级安全事件、大规模数据合规调整、主流框架停止维护这类。应读是影响未来一个季度技术选型的信息比如新模型发布、重要优化方法开源、硬件支持清单变化。选读则是锦上添花的内容比如某个细分场景的论文、个人开发者的工具更新。我每天只把必读和应读详细写进日报正文选读就一句话列个标题。具体执行上我会先花五分钟扫一遍原始信息源的标题和摘要然后按照影响范围、影响周期、影响成本三个维度给每条消息打分。影响范围是看它影响几个业务线影响周期是看它是一周内的短期热点还是会持续影响三个月以上影响成本是看如果不跟进会不会显著增加后续维护成本。三个维度都高的消息就是必读两个高一个中是应读其他都是选读。3.2 从一条模型更新到部署选型的完整推演拿今天那款新开源的模型举例推演一遍完整决策过程。第一步确认硬约束。我们手头业务的推理服务跑在一批 16GB 显存的卡上高峰期并发 200延迟要求首字 800 毫秒以内。新模型 12GB 显存推理从参数上看是满足硬约束的。第二步估算吞吐。按照官方给出的 benchmark单卡并发 8 个请求时总吞吐约 600 tokens/s。按每个请求平均输入 300 tokens、输出 500 tokens 计算单请求平均耗时约 1.07 秒再乘并发 8单卡每秒可完成约 7.5 个完整会话请求。我们单卡跑 20 个请求会超时因此需要把并发控制在 8 到 12 之间。第三步评估迁移成本。当前线上用的旧模型是自研微调版本直接切新模型意味着需要重新跑一遍对齐流程。按内部经验从通用基座切到新模型微调数据准备加验证大概要三周。这个时间成本必须同步评估。最终我的判断是如果业务对成本敏感且可以接受三周迁移窗口新模型值得作为备选如果上线时间紧张则先沿用旧模型把新模型放入技术储备池等下一轮迭代再评估。你看一条三十字的更新消息展开之后是三个维度的推演。3.3 建立自己的“技术雷达”沉淀模板信息天天都在变如果不做沉淀每天追热点就是猴子掰玉米。我维护了一个简单的技术雷达文档分四象限采用、评估、观察、暂缓。采用已经被实际项目验证过、可以放心进入新项目的东西。今天这类东西我会直接写一个简短的适用条件说明。评估方向合理但细节还需要验证的方案比如那套分层记忆架构我会记下适用业务场景和与现有系统的接口差异。观察有苗头但证据不足比如某种新型推理加速芯片的纸面数据。暂缓看起来热闹但和自身业务关联不大或者成本收益不划算的直接扔进这里。每周花三十分钟把一周的日报整理进这个文档季度末再看一遍趋势。这个方法帮我避开了很多“看起来很厉害但不适合自己”的诱惑也让我在做季度规划时有据可依而不是凭印象拍脑袋。4. 日报阅读与信息处理避坑指南4.1 看得多、记不住对抗信息过载的三个办法做日报最怕的不是没东西写而是每一条都蜻蜓点水。我有三个办法对抗过载。第一强制每条消息必须有“和我的业务有什么关系”这一项。如果写不出来说明这条要么离自己太远要么还没想清楚就先降级。第二每周挑一条最值得的消息做十五分钟的深挖宁可只吃透一条也不要浮光掠影看十条。第三给自己设“不做什么”的清单明确哪些方向暂缓关注减少注意力消耗。这三个办法执行下来最大的变化是日报不再是负担而成了决策前的信息热身。4.2 被“刷榜型优化”误导看懂评测指标背后的三个坑评测分数是日报里最公开、也最容易误导人的信息。我总结过三个常见的坑。第一是评测集过拟合。官方评测分数高不代表真实业务场景好尤其当评测集是公开固定的时候。第二是平均分掩盖长尾能力。一个模型数学推理满分但多轮对话一塌糊涂平均分还是能很好看。第三是“同一测试、不同设置”有些团队在评测时使用了更大的上下文窗口或额外的外部检索造成分数虚高。所以我看到分数之后一定会回去翻评测设置和技术细节而不是直接照单全收。4.3 参考实现和官方论文对不上如何高效复现日报里提到的每个新技术十有八九会有人去复现。我自己也踩过很多次坑这里说个典型论文里的伪代码和官方开源代码经常有不一致很多人在第一步就卡住了。我的建议是复现时以官方代码为准论文当作理解思路的辅助。具体步骤是先把官方代码跑通一个最小 demo确认环境没问题再对照论文找到核心创新点对应的模块最后做消融实验把创新模块替换成 naive 版本对比效果。这样即便复现不成功也能准确知道卡在哪个环节而不是在环境问题上耗掉一整天。4.4 团队同步日报的正确姿势日报不该只是一个人的任务更不该变成全员转发机器人。我试过好几种协作方式最后稳定下来的是“值班轮换 每周导读”。值班轮换是每天一个人负责收集和整理其他人可以贡献线索每周导读则固定在周五下午用十五分钟把一周的日报浓缩成三个要点、两个值得试的方向、一个需要回避的坑。这样做既减轻了单人负担也保证了团队每个人都保持了对前沿趋势的基本感知而不是只有日报编辑一个人在看。最后分享一点我的体会做 AI 日报做久了最大的体会是日报的意义不在于“赶热点”而在于“训练判断力”。每天被迫面对几十条真假难辨的信息逼着自己去想清楚什么是值得跟的、什么是噪音时间长了自然就形成了自己的技术嗅觉。再分享一个小技巧每天看日报的时候顺手把自己当时的第一反应写一句话比如“这个会不会有应用场景”“这个看起来像炒作”每周回看这些批注你会发现自己判断力的成长轨迹比任何收藏夹都好用。今天的日报就到这里明天继续。 
长河君 · 2026/10/22 19:51:04 · 阅读 1.2k 2026 AI日报：低成本模型、端侧推理与Agent融合下的技术雷达
早上九点泡好咖啡打开手机把今天的 AI 日报草稿划了一遍已经是雷打不动的动作。做日报这件事听起来简单实际上很考基本功你得快速分辨哪条消息是“真热点”、哪条是“补丁式更新”还得把零散的信息翻译成团队能执行的判断。这篇就是 2026 年 10 月 7 日的 AI 日报我按自己的阅读习惯做了分层把真正值得关注的信号挑出来后面附上我平时筛信息、做技术决策的方法和踩过的坑。适合算法工程师、技术负责人以及那些每天被信息流轰炸又必须保持判断力的人。1. 今日AI热点盘点1.1 基座模型进入“能力性价比”比拼阶段今天最明显的感觉是基座模型的竞争已经从单纯刷分转向“能力性价比”。某开源社区凌晨发布的新一代中型模型参数规模只有同级别旗舰产品的三分之二但官方放出的评测结果里代码生成、数学推理这两项已经追平上一代大杯旗舰。更重要的是它在消费级显卡上就能完成推理显存占用压到了 12GB 以内。这个信号很实际。之前大家追大模型默认“参数越大越聪明”但过去半年行业里越来越多人意识到推理成本才是规模落地的天花板。10 月 7 日这期日报里至少有四条消息都和“低成本接近旗舰能力”相关一个是量化方案的精度损失降到 1% 以内一个是针对长文本场景的稀疏注意力优化还有一个是推理框架的显存碎片治理。这些拼在一起说明行业正在集体务实地往“用得起”的方向走。我自己的判断是未来三个月的选型逻辑会变。以前是“先上最大参数量再考虑优化”现在是“先定业务延迟预算和成本预算再反推用哪个规模的模型”。今天这一批发布基本把这条路线又从“可行”推进到了“好用”。1.2 多模态能力和Agent编排逐渐融合第二条主线是多模态模型和 Agent 工具链的耦合在加深。某实验室今天放出的技术报告里把“看图表、读界面、执行动作”整合成了一条新的交互流水线。过去的 Agent 只能理解文本指令遇到图形界面里的按钮、报表里的趋势线基本靠人工预先写规则。现在这批多模态模型可以直接把截图作为输入自己识别组件、判断操作路径再调用外部工具完成闭环。有个细节很有意思他们用一份带乱序标注的线框图做测试模型能正确识别出哪个区域是侧边栏、哪个是主操作区然后规划出先点设置、再选导出格式的动作序列。这一步在以前需要单独训练一个目标检测模型才能做到。对做自动化测试、数据标注、智能客服这类场景的人来说这几乎等于把以前三个月的工作量压缩成一个接口调用。当然这类方案现在还谈不上完美复杂页面上的误识别率依然不低但方向已经非常明确了多模态不是玩具它在真实业务里开始产生生产力了。1.3 开源生态从“能跑”进化到“能查”今天还有一个容易被忽略的消息某基金会发布了新的模型卡标准格式要求公开数据组成、训练算力、评估方法和已知限制。说白了就是给开源模型补“说明书”。以前开源社区的惯例是丢一个权重文件加上一段 README 就算完事训了什么数据、评测怎么做的一笔糊涂账。这导致很多人在做技术选型时根本不放心直接上生产因为不知道模型在什么场景下会犯什么错。新的标准格式出来之后虽然还管不住所有人都如实填写但至少让“可溯源”有了一个可以对照的模板。这个事短期内不会有炫酷的 Demo但长期价值不亚于发布一个新模型。AI 要走进严肃的产业环境不能靠“盲盒”靠的是可验证的透明度。今天这条消息我放到日报的首屏位置就是因为它是基础设施级别的变化。2. 今日最值得关注的三个技术信号2.1 端侧推理的“下沉”不只是省钱第一条深度信号来自某手机厂商的技术博客他们把 70 亿参数模型做进了端侧并且跑通了实时语音助手的全链路。消息本身不算爆炸性但数据很有说服力首字延迟控制在 400 毫秒左右内存占用从上一代的 3GB 降到了 1.8GB。为什么这条值得单独拿出来说因为端侧推理最大的难点不是“能不能跑”而是“跑得稳不稳”。移动设备的算力波动、内存带宽限制、散热约束任何一个环节出问题体验都会崩。他们这次用的方法是“分时稀疏激活”把模型的专家层分成两部分一部分常驻一部分按需加载。相当于你不用一次性背完一整本书而是只把目录常备着翻到哪一章再临时调内容出来。这个思路对行业的意义在于它证明了端侧不只是一个“低配版”的缓存区而是可以做复杂任务的第一现场。以后语音助手、实时翻译、文档摘要这类对隐私敏感的交互越来越没有必要把数据传到云端。这直接改变了做应用的技术路线以前默认“端侧只是降级方案”现在可以考虑“端侧为主云端兜底”。2.2 记忆系统开始取代 RAG 的“临时抱佛脚”第二个信号来自某 AI 原生应用公司的技术分享。他们公开了自己内部用的长期记忆模块架构效果数据比传统 RAG 检索生成提升了约 23% 的答案准确率关键是它记住了用户的长期偏好而不仅仅是当前问题里的上下文。传统 RAG 的方式是“临时翻笔记本”每次回答问题都把相关的文档片段抓出来塞进上下文。这个方式有两个短板一个是不擅长处理“散落在多轮对话里的模糊参照”另一个是每次查询都重复扫描大库成本和延迟都高。这次分享的记忆系统采用的是“分层记忆池”短期记忆负责当前任务长期记忆定期把关键信息沉淀成结构化摘要。我把这个称为“告别临时抱佛脚建立贴身笔记”。具体落地的时候它意味着对用户的理解不再是“一次性输入”而是跨会话的连续积累。做产品的同行可以认真关注一下这个方向特别是需要长期陪伴感的场景比如教育辅导、健康管理、个人助理记忆能力往往是体验的胜负手。2.3 对齐成本变成显性成本评估体系开始分层第三条信号来自某评测机构发布的多维安全与可控性基准。这个基准把模型的可控性分成五个维度指令遵循度、拒绝敏感请求的稳定性、角色一致性、约束条件下的创造性、边缘场景兜底。并且在每个维度上都做了难度梯度。为什么说这是信号因为过去评估模型主要看“能不能答对”很少系统性地关注“能不能稳定地在各种边界条件下答对”。但一个模型真正难用的地方恰恰是它在模糊指令下容易失控比如用户说“帮我写个方案”它可能创造出一个和业务毫无关联的答案。今天这个基准把可控性拆成可量化的指标说明评估体系开始从“能力单维度”走向“能力可控”双维度。对于做生产系统的朋友我的建议是选模型的时候别只看榜单总分至少用这套思路自己测一轮把“边界条件”列成清单逐条跑。可控性评估短期看是增加工作量长期看是帮你在线上少背锅。3. 实操如何把AI动态快速变成技术决策3.1 我自己的日报信息分级方法前面说了这么多条消息全部读完至少四十分钟但大部分人没有这个时间。所以我把日报分成三档必读、应读、选读。必读是改变基础技术路线或影响合规底线的消息比如模型框架级安全事件、大规模数据合规调整、主流框架停止维护这类。应读是影响未来一个季度技术选型的信息比如新模型发布、重要优化方法开源、硬件支持清单变化。选读则是锦上添花的内容比如某个细分场景的论文、个人开发者的工具更新。我每天只把必读和应读详细写进日报正文选读就一句话列个标题。具体执行上我会先花五分钟扫一遍原始信息源的标题和摘要然后按照影响范围、影响周期、影响成本三个维度给每条消息打分。影响范围是看它影响几个业务线影响周期是看它是一周内的短期热点还是会持续影响三个月以上影响成本是看如果不跟进会不会显著增加后续维护成本。三个维度都高的消息就是必读两个高一个中是应读其他都是选读。3.2 从一条模型更新到部署选型的完整推演拿今天那款新开源的模型举例推演一遍完整决策过程。第一步确认硬约束。我们手头业务的推理服务跑在一批 16GB 显存的卡上高峰期并发 200延迟要求首字 800 毫秒以内。新模型 12GB 显存推理从参数上看是满足硬约束的。第二步估算吞吐。按照官方给出的 benchmark单卡并发 8 个请求时总吞吐约 600 tokens/s。按每个请求平均输入 300 tokens、输出 500 tokens 计算单请求平均耗时约 1.07 秒再乘并发 8单卡每秒可完成约 7.5 个完整会话请求。我们单卡跑 20 个请求会超时因此需要把并发控制在 8 到 12 之间。第三步评估迁移成本。当前线上用的旧模型是自研微调版本直接切新模型意味着需要重新跑一遍对齐流程。按内部经验从通用基座切到新模型微调数据准备加验证大概要三周。这个时间成本必须同步评估。最终我的判断是如果业务对成本敏感且可以接受三周迁移窗口新模型值得作为备选如果上线时间紧张则先沿用旧模型把新模型放入技术储备池等下一轮迭代再评估。你看一条三十字的更新消息展开之后是三个维度的推演。3.3 建立自己的“技术雷达”沉淀模板信息天天都在变如果不做沉淀每天追热点就是猴子掰玉米。我维护了一个简单的技术雷达文档分四象限采用、评估、观察、暂缓。采用已经被实际项目验证过、可以放心进入新项目的东西。今天这类东西我会直接写一个简短的适用条件说明。评估方向合理但细节还需要验证的方案比如那套分层记忆架构我会记下适用业务场景和与现有系统的接口差异。观察有苗头但证据不足比如某种新型推理加速芯片的纸面数据。暂缓看起来热闹但和自身业务关联不大或者成本收益不划算的直接扔进这里。每周花三十分钟把一周的日报整理进这个文档季度末再看一遍趋势。这个方法帮我避开了很多“看起来很厉害但不适合自己”的诱惑也让我在做季度规划时有据可依而不是凭印象拍脑袋。4. 日报阅读与信息处理避坑指南4.1 看得多、记不住对抗信息过载的三个办法做日报最怕的不是没东西写而是每一条都蜻蜓点水。我有三个办法对抗过载。第一强制每条消息必须有“和我的业务有什么关系”这一项。如果写不出来说明这条要么离自己太远要么还没想清楚就先降级。第二每周挑一条最值得的消息做十五分钟的深挖宁可只吃透一条也不要浮光掠影看十条。第三给自己设“不做什么”的清单明确哪些方向暂缓关注减少注意力消耗。这三个办法执行下来最大的变化是日报不再是负担而成了决策前的信息热身。4.2 被“刷榜型优化”误导看懂评测指标背后的三个坑评测分数是日报里最公开、也最容易误导人的信息。我总结过三个常见的坑。第一是评测集过拟合。官方评测分数高不代表真实业务场景好尤其当评测集是公开固定的时候。第二是平均分掩盖长尾能力。一个模型数学推理满分但多轮对话一塌糊涂平均分还是能很好看。第三是“同一测试、不同设置”有些团队在评测时使用了更大的上下文窗口或额外的外部检索造成分数虚高。所以我看到分数之后一定会回去翻评测设置和技术细节而不是直接照单全收。4.3 参考实现和官方论文对不上如何高效复现日报里提到的每个新技术十有八九会有人去复现。我自己也踩过很多次坑这里说个典型论文里的伪代码和官方开源代码经常有不一致很多人在第一步就卡住了。我的建议是复现时以官方代码为准论文当作理解思路的辅助。具体步骤是先把官方代码跑通一个最小 demo确认环境没问题再对照论文找到核心创新点对应的模块最后做消融实验把创新模块替换成 naive 版本对比效果。这样即便复现不成功也能准确知道卡在哪个环节而不是在环境问题上耗掉一整天。4.4 团队同步日报的正确姿势日报不该只是一个人的任务更不该变成全员转发机器人。我试过好几种协作方式最后稳定下来的是“值班轮换 每周导读”。值班轮换是每天一个人负责收集和整理其他人可以贡献线索每周导读则固定在周五下午用十五分钟把一周的日报浓缩成三个要点、两个值得试的方向、一个需要回避的坑。这样做既减轻了单人负担也保证了团队每个人都保持了对前沿趋势的基本感知而不是只有日报编辑一个人在看。最后分享一点我的体会做 AI 日报做久了最大的体会是日报的意义不在于“赶热点”而在于“训练判断力”。每天被迫面对几十条真假难辨的信息逼着自己去想清楚什么是值得跟的、什么是噪音时间长了自然就形成了自己的技术嗅觉。再分享一个小技巧每天看日报的时候顺手把自己当时的第一反应写一句话比如“这个会不会有应用场景”“这个看起来像炒作”每周回看这些批注你会发现自己判断力的成长轨迹比任何收藏夹都好用。今天的日报就到这里明天继续。