AI学习

GitHub 上六万多星的 MiniMind，号称 3 块钱 2 小时就能从零训出一个小模型。我把它翻了一遍：代码确实完整可跑，但「大模型」这个词用得相当宽松。这篇说清它到底是什么、能干什么不能干什么。

跟 AI 提需求，最常见的不是它做不出来，是它做成了别的东西——多半因为那个词它理解成了另一个意思。这篇按界面、前端、数据、功能关联四块，给出「你可能会说」到「该用的词」的对照表，附一段可以直接抄的需求模板。

很多人想做个工具或小网站，一想到不会写代码就先放下了。其实第一步不是学编程，是把要解决的问题说清楚，再挑一个顺手的 AI 工具。这篇讲清楚从哪儿开口、怎么挑工具、只自己用和想让别人用分别要做什么。

10 月第三周的 AI 圈看着很杂：开源模型、智能体手机、接口收费、一家公司破产。但摆在一起看，其实是同一件事的三个侧面——能干活的模型、便宜的推理、能接的工具，这一周同时到位了。

手上有一套跑了很多年的老系统，怎么让 AI 接手改造？这篇讲清楚同事走过的三段路：先外挂一个小程序、再逐个改问题、最后整理功能后整体重写，以及给 AI 一个 FTP 账号为什么那么关键。

很多人不是学不会，而是不知道从哪一步开始、做到哪一步算完。这篇文章把从注册账号到买服务器上线拆成九步，每一步都是一个具体动作，并给出可以直接抄的提示词模板、最容易踩的坑，以及新手最容易忽略的备案时限。

一人公司注册量激增，但约一半创业者月收入不足 7000 元。本文说明技术并没有贬值，只是从差异化优势变成了入场券，并用三位研究者的调研判断与收入分布数据，指出真正的分水岭是商业判断能力，而不是手里的工具。

一份对照实验显示资深开发者用 AI 反而慢 19%，半年后同一批人变成快 18%。本文拆开「试错成本」的三段构成，说明 AI 真正降得最彻底的是放弃成本，并划清它没有降低的那部分。

AI 把开发门槛砸下来之后，大众赛道反而更挤了：超过九成一人公司社区招来的是同一类创业者。本文用产业数据与两个可查证的案例，说清「小众」的价值来源从来不是没人做，而是大公司按组织成本算不过账，以及普通人该怎么找位置。

价格、股票、彩票这三件事常被放在一起问「Agent 能不能预测」。它们的可行性其实差着量级，但判据是同一条：你有没有别人没有的东西。这篇拆开讲三者的必要条件，也讲清 Agent 到底提供了什么。