L87_从卖时间到建系统

发表于 分类于 阅读次数： Waline：
摆脱线性时间型收入，构建在睡觉时也能产生价值的系统与资产，通过代码与媒体等可扩展杠杆建立一对多事业与核心专长，跨领域融合形成壁垒并转化为持久财富。文中阐述AI时代人机共创下的角色分工，人类负责宏观方向与隐性上下文监督，AI负责高效执行与透明过程与补充建议，同时强调「上下文工程」已成为Agent的关键胜负手，围绕转移、压缩、检索、隔离、缓存等策略管理上下文窗口与成本，以应对工具调用与长程推理带来的冗

L87_从卖时间到建系统

赚钱是一门需要学习的技能，其核心是摆脱「出卖时间换取收入」的线性思维。真正的财富并非来自高薪，而是源于那些在你睡觉时也能持续为你创造价值的资产和系统。这本质上是从「穷人思维」（卖时间）到「富人思维」（建系统）的转变。

实现这一目标的关键在于运用杠杆，尤其是代码、媒体等可无限规模化的指数级杠杆。战略上，这意味着要选择能「一对多」服务的事业，与正直诚信的伙伴长期合作，并把握技术与社会趋势的时机。然而，这一切的根基在于构建无法被轻易替代的「专长」。这种专长往往诞生于不同知识领域的交叉地带，并由个人天然的兴趣与天赋驱动。只有在自己真正热爱的领域持续深耕，才能形成核心壁垒，最终将创造的价值转化为持久的财富。

🤖 AI

人机共创模式下的职责划分

1. 人类的职责：掌舵与引导 (The Human’s Role: Steering & Guiding)

  • 定义宏观方向：澄清模糊指令（如明确分析指标），确认 AI 的行动计划，并凭借经验排除无意义的探索路径，确保分析始终在正确的轨道上。
  • 注入隐性上下文：提供 AI 无法获取的关键「场外信息」，如「运费规则调整」、「产品品控传闻」、「竞品降价」等，这些信息是触及问题本质的决定性因素。
  • 实施监督干预：始终保留最终决策权，授权 AI 访问数据，并在需要时无缝接管，进行更深度的手动分析。

2. AI 的职责：加速与赋能 (The AI’s Role: Accelerating & Empowering)

  • 高效执行核心任务：在人类的明确指导下，快速处理海量数据、执行复杂查询、进行情感分析等，将人类从繁重的「战术执行」中解放出来。
  • 保证过程透明：主动披露其思考过程（意图对齐）、执行计划和技术细节（如 SQL 代码），确保人类能完全理解和信任它的工作。
  • 主动补充建议：在人类给出大方向后，基于上下文提出补充性的分析维度，使论证更加严谨。

原文：这可能是Human-in-the-Loop最具象化的演绎

「上下文工程」成为 AI Agent 的核心胜负手

近期，由 Andrej Karpathy 提出的「上下文工程」（Context Engineering）概念，正迅速成为 AI Agent 开发领域的核心焦点。它超越了传统的提示工程（Prompt Engineering）和检索增强生成（RAG），旨在解决 Agent 在执行复杂任务时面临的关键瓶颈：由海量工具调用和长程推理（long horizo​​n reasoning）产生的冗长上下文，正严重影响 Agent 的性能、成本，甚至导致模型能力衰退。

上下文工程的核心方法论，是在正确的时间为 Agent 提供正确的信息。如果将大语言模型（LLM）比作 CPU，那么上下文窗口（context window）就是其 RAM。Agent 的输入不仅来自用户指令，还大量源于运行中的工具调用和思维链，因此，高效管理这块「内存」，过滤噪音，只保留关键信息，便成了决定 Agent 成败的关键。

业界一线团队，如 LangChain、Chroma 及 Anthropic 等，已探索出五大核心策略来应对这一挑战：

  • 转移（Offload）： 此策略的核心是将非必要的完整信息转移到外部存储（如文件系统），仅在上下文中保留摘要或 URL 等标识符。Agent 只在需要时才调用这些外部内容，从而极大地释放了宝贵的上下文空间，降低了 token 消耗。
  • 压缩（Reduce）： 通过摘要（summarization）或剪裁（pruning）等方式，直接减少上下文的内容长度。然而，这种方法存在不可逆信息丢失的风险。因此，实践中常与「转移」策略结合，先将原始数据备份，再进行有损压缩，确保可回溯。
  • 检索（Retrieve）： 此策略强调按需从外部知识库、历史对话或工具输出中检索信息，而非将所有内容预先载入。这不仅包括传统的 RAG，也涵盖了更简洁的生成式检索，例如给予 Agent 基础的文件搜索工具，让其自主探索。Agent 的「记忆」功能，本质上也是一种针对历史对话的特定检索。
  • 隔离（Isolate）： 利用多智能体（Multi-agent）架构，将复杂任务和相关上下文拆分给不同角色的 Agent 处理。每个 Agent 专注于自身领域，避免了单一 Agent 的上下文过载。但这种方法也带来了 Agent 间通信与状态同步的挑战，更适用于易于并行的只读（read-only）任务。
  • 缓存（Cache）： 针对 Agent 在循环调用中大量重复的上下文前缀，利用键值（KV）缓存机制，可显著降低后续调用的延迟与成本。例如，Claude Sonnet 的缓存输入成本仅为未缓存的十分之一。但缓存仅优化效率，无法解决超长上下文导致的模型性能衰减（context decay）根本问题。

原文：超越 Prompt 和 RAG，「上下文工程」成了 Agent 核心胜负手

🛠️ 工具

投资干活合集

富途的投资干活合集，这里面的文章结合数据一起看效果会更好：

投资干活合集

Obsidian-velocity

适配了新的 Liquid Glass 风格的 Obsidian 主题，很简洁优雅，已经换上了。
Obsidian-velocity

✨ 随便看看

The Why·Liam·Blog by WhyLiam is licensed under a Creative Commons BY-NC-ND 4.0 International License.

由WhyLiam创作并维护的Why·Liam·Blog采用创作共用保留署名-非商业-禁止演绎4.0国际许可证。

本文首发于Why·Liam·Blog (https://blog.naaln.com)，版权所有，侵权必究。

本文永久链接：https://blog.naaln.com/2025/09/newsletter-87/