Posts

🔥 硅谷大佬开炮：“MCP 烂透了！” 2026年3月，AI领域发生了一场静悄悄的革命。 Perplexity 联合创始人 Denis Yarats 在内部会议上宣布：放弃 MCP，回归 API 和 CLI。 YC 总裁 Garry Tan 更直接："说实话，MCP 糟透了。“他自己写了一个 CLI 包装器，30分钟、100行代码，效果比 MCP 好 100 倍。 过去一年被吹捧为 “AI 时代 TCP/IP” 的 MCP，怎么突然成了众矢之的？ 💡 核心问题：上下文肥胖症 MCP 的初衷是伟大的——让 Agent 一键连接所有工具。但代价是沉重的上下文负担。 残酷的数据对比 模式 Token 消耗 效果 GitHub MCP 50,000 Token 构建交互环境 gh CLI + Skill.md 200 Token 直接发送指令 250 倍的差距。 在长上下文模型依然昂贵的 2026 年，这直接决定了一个 AI 产品是盈利还是亏损。 为什么 MCP 这么重？ Garry Tan 指出了三个致命问题： 上下文窗口臃肿 - 每次调用都要加载大量协议定义 身份验证笨拙 - 复杂的服务器握手流程 手动开关服务器 - 运维负担重 这就像"每次进餐前都要通读《食品安全法》"。 ...

🔥 核心论点：共识的陷阱 最近读到躺姐的一篇文章，标题很扎心：《OpenClaw帮你做的投研，恰恰是投资里最不值钱的东西》。 核心洞察：AI能给你的最好的东西，恰恰是投资里最不值钱的——共识。 但共识真的毫无价值吗？AI投研的边界究竟在哪里？ 让我结合原文的洞察和我的观察，重新拆解这个问题。 💡 出色之处：三个精准戳破 1. 半强有效市场的认知盲区 躺姐用了一个很精准的概念——半强有效市场。 “所有你能从公开渠道拿到的信息，已经反映在这家公司的股价里了。” AI的能力 AI的局限 处理公开信息效率极高 只处理已数字化、已公开的信息 几分钟生成万字投研报告 无法获取非公开信息（语气、体感、私下判断） 逻辑严密、数据翔实 无法判断信息背后的情绪和博弈 半强有效市场理论告诉我们：公开信息已经被价格充分反映，基于公开信息的分析不产生超额收益。 AI做的，恰恰是这件事——把公开信息整理得更漂亮。 2. “挑不出毛病"的危险 原文有一个让我印象深刻的观察： “让AI跑一份我不熟悉的行业分析，出来的报告我从头看到尾，觉得每一步都有道理，找不到任何可以质疑的地方；可这不是因为报告真的没有问题，是因为我没有足够的积累去发现问题。” 这就是认知的盲区—— 基本面的盲区：你知道有些信息拿不到 技术面的盲区：你甚至不知道盲区存在 AI生成的技术分析报告"数据层面完美无缺”，但错误藏在对数据的解读里。同样的头肩顶形态，在牛市末期是反转信号，在强势回调中可能只是洗盘。 K线图上长得一模一样，含义完全相反。 3. 新旧信息不对称的演变 原文提出了一个很有洞察的对比： 旧鸿沟 新鸿沟 没有Bloomberg/Wind 不理解AI输出的边界 “我知道我不懂” → 谨慎 “完整分析” → 更强信念、更重仓位 过去的信息不对称是"我拿不到数据"，现在的信息不对称是"我不知道AI能做什么、不能做什么"。 后者更隐蔽，也更致命。 ⚠️ 局限之处：三个值得补充的视角 1. 过于强调"共识无用"，忽略了共识的价值 躺姐把"共识"等同于" worthless"，但现实中： 对于被动投资者，共识本身就是目标（指数跟踪） 对于风险管理者，知道市场共识在哪是避险的前提 对于套利者，共识与现实的偏差就是机会 不是所有投资者都需要Alpha。 AI投研对Beta投资者依然有价值——它帮你快速了解一个陌生领域，建立基础认知框架。 2. 忽略了AI的"第二阶"应用 最聪明的用法不是让AI直接给结论，而是： 用法 效果 反向验证 让AI列出看多/看空的所有理由，然后自己判断哪边更脆弱 压力测试 让AI模拟极端情景，测试自己的持仓 认知校准 用AI的"共识"作为基准，寻找自己的差异化信息源 AI不是替代思考，而是校准思考的工具。 ...

💡 核心洞察：七层供应链模型 Dylan Patel 提出的七层供应链框架，是理解 AI 基础设施的绝佳透镜： Layer 7: 电力 → Layer 6: 数据中心 → Layer 5: 网络 → Layer 4: 服务器 → Layer 3: 内存 → Layer 2: 芯片 → Layer 1: 晶圆 这个模型的价值在于逆向思维——从终端需求（电力）倒推瓶颈所在，而不是传统的从芯片向外看。 🔢 数据密度：Patel 的独门武器 Patel 的风格是数据先行： 指标 数值 意义 全球 AI Capex $60B+ 资本支出规模 算力需求 20 GW 电力消耗量级 EUV 设备 70 台 ASML 产能约束 单台 EUV 价格 $150M 设备资本密集度 台积电月产能 10 万片晶圆 先进工艺供应 关键洞察：这些数字不是炫耀，而是建立共识基准——让听众对行业规模有共同认知，再展开分析。 🎯 三层核心论点 1. 电力是终极瓶颈 Patel 的核心判断： ...

🔥 数据狂欢，没有灵魂 Patel 的风格： “$60B capex”、“20 GW算力”、“70台EUV”、"$150M每台"、“10万片晶圆”… 问题： 数字多到让人麻木，但缺少一个核心论点 听完 2 小时，你记住的是数字，不是洞察 这就像读了一本电话簿，信息量大，但没人想读第二遍 Patel 的隐藏逻辑： “我懂这么多数字，所以我懂这个行业” 真相： 懂数字 ≠ 懂行业。真正的专家是用数字讲一个故事，不是用数字淹没故事。 七层供应链的过度简化 Patel 的框架： Layer 7: 电力 → Layer 6: 数据中心 → Layer 5: 网络 → Layer 4: 服务器 → Layer 3: 内存 → Layer 2: 芯片 → Layer 1: 晶圆 问题： 这个七层模型听起来很专业，但实际上是供应链 101 任何一个读过 Wikipedia 的人都能画出来 真正的洞察是层与层之间的互动，不是层的存在 Patel 没告诉你的： 为什么恰好是七层？不是六层，不是八层？ 层与层之间的瓶颈传导机制是什么？ 跳过某一层的可能性（比如太空数据中心）？ 这就像：把汽车拆成"发动机、底盘、车身、轮胎"四部分，然后宣称自己懂汽车工业。 “地缘政治"的蹭热度 Patel 的叙事： “台湾的衔尾蛇困境”、“中国的追赶路径”、“西方的先进工艺”… 问题： ...

test