Qiaomai 👋

——从买车、换手机，到投资、AI 与“做成一件事” 那天晚上，我和一个刚毕业不久的亲戚打了将近两个小时的视频电话。我们最开始聊的，只是一些极其日常的事情：晚饭吃了什么，最近有没有谈恋爱，家里谁准备买车，谁又想换一部苹果手机。但聊着聊着，话题逐渐从一辆车、一个手机，延伸到了储蓄、负债、投资、通货膨胀、AI、英语、城市、职业选择，以及一个人究竟应该怎样度过自己的一生。 后来我回头想，这场看似漫无边际的谈话，其实一直围绕着同一个问题：一个普通人，怎样才能不被眼前的消费和收入困住，而是一步步获得更多未来的选择权？ ...

——复利、流量与 The Worker Investor 的完整逻辑 最近看到一个人在讲复利。 他说，阅读有复利，写作有复利，存钱有复利，运动也有复利。只要每天做一点正确的事情，坚持足够长的时间，微小的投入就会被时间不断放大。 这种表达并没有错。它比追求即时回报更接近长期成长的真实规律，也能帮助人摆脱“做一件事马上就要看到结果”的焦虑。但听完以后，我想到的不是怎样把这些好习惯坚持得更久，而是另一个问题：阅读、写作、存钱和运动为什么会产生复利？只要长期重复一件有益的事，就一定叫复利吗？ 如果一个人每天阅读，却没有留下任何概念、判断和知识结构；每天写作，却从不整理、发布或再次使用；每月存钱，却让现金长期闲置并不断损失购买力；持续运动，却因为错误训练、睡眠不足和过度透支损害身体，那么“长期坚持”显然不会自动产生复利。 我们经常把持续投入、线性积累、能力形成、成果资产化、正向反馈和真正的复利混在一起。也正是从这个问题出发，我进一步理解了 The Worker Investor 所要回答的核心问题： 一个主要依靠工资生活的普通 Worker，怎样才能不让自己的劳动一次次发生、一次次结算、一次次消失，而是逐渐把它转化为存量、资产、所有权和未来选择权？ 在《让今天的劳动继续参与未来》里，我从复利的历史出发，讨论时间如何进入债务、估值、投资与个人成长。这篇文章继续追问：如果离开金融公式，究竟什么样的个人系统才真正具有复利结构？ ...

——从发现信息、核验证据，到形成判断与作品 过去一段时间，我曾经整理过一份自己认为“有营养”的内容清单：中文世界里有新闻、金融、AI、科技与个人成长类创作者，英文世界里有 Lex Fridman、Andrew Huberman、Joe Rogan 等长篇播客。为了写作，我也不断检索论文、公司年报、人物访谈、个人博客和历史档案。 后来我逐渐发现，一份值得关注的账号清单，并不等于一个人的信息系统。 清单只能回答“入口在哪里”，不能回答更重要的问题：我如何持续发现高质量信息，判断它是否可信，把它放进自己的知识结构，并最终转化为判断、行动、写作与作品？ 今天，一个人面临的已经不是信息匮乏，而是信息供应链失控。我们每天刷到大量内容，却很少知道它最初来自哪里，经过了多少次转述，传播者有什么利益，以及它与自己正在解决的问题究竟有什么关系。 因此，我更愿意把信息获取理解为一条完整链路： 问题 → 来源 → 渠道 → 筛选 → 核验 → 连接 → 沉淀 → 输出 信息只有走完这条链路，才可能从外部噪声变成一个人的长期资产。 一、先区分三个概念：渠道、来源与方法 很多时候，我们把 YouTube、小宇宙、微信公众号、X、RSS 和大语言模型统称为“信息源”。但严格来说，它们属于三个不同层面。 渠道（Channel） 是信息到达你的地方，例如播客客户端、视频平台、社交媒体和 RSS 阅读器。 来源（Source） 是真正生产信息的人、机构或记录，例如研究者、论文、监管文件、公司年报、实验数据、股东信或一次完整访谈。 方法（Method） 则决定你如何发现、筛选、交叉验证并使用这些信息。 YouTube 是渠道；访谈节目是内容载体；被采访者可能是某件事的直接参与者；他引用的论文、数据或文件，才可能是更底层的证据。大语言模型同样不是天然的事实来源。它更像一个帮助我们搜索、组织、比较和解释材料的操作界面。 把渠道误认为来源，是现代信息消费中最常见的错误之一。一个内容可能出现在熟悉的平台、由表达流畅的人讲述，甚至附有大量链接，但这些都不能自动证明它可靠。 二、不要寻找一个“万能信息源” 一套完整的信息地图，至少需要六类材料。它们不是彼此替代，而是在信息链中承担不同职责。 信息类型 最适合解决的问题 主要风险 更合适的用法 官方文件与原始资料 到底发生了什么 机构可能选择性表达 与数据、直接记录和独立研究交叉核验 专家个人网站与博客 专业人士如何长期思考 个人偏见与能力边界 跟踪其长期记录，而不是只读一篇 播客与长篇访谈 一个人如何形成观点 谈话随意，证据密度不均 按人物和问题选单集，继续追踪其中的资料 论文、书籍与课程 某个领域的结构是什么 更新较慢，理解门槛较高 用于建立模型，不承担所有即时判断 社交媒体与社区 什么事情正在发生 情绪、营销、断章取义 把它当雷达，不把它当终审法院 大语言模型与 Agent 如何更快搜索、整理和监测 错误生成、二手转述、过度总结 要求返回原始出处、不确定性与待核验项 社交媒体适合发现异常信号，播客适合理解人物和语境，论文与书籍适合建立理论结构，官方文件适合确认事实边界，RSS 适合长期监测，大语言模型则可以降低信息处理成本。 ...

——大模型如何改变普通 Worker 的认知生产方式 今天，越来越多的人开始使用大语言模型：写邮件、做总结、生成文案、制作 PPT、查询资料、编写代码。表面上看，AI 带来的是效率提升；但如果我们只把它理解为一个更快的办公软件，就会严重低估这场变化。 大模型真正改变的，不只是某项工作的执行速度，而是普通人获取知识、组织信息、定义问题和生产解决方案的方式。它正在重新分配一种过去高度稀缺的资源：认知能力。 但这里存在一个容易被忽略的事实：AI 拥有巨大的潜在能力，并不意味着这些能力会自动转化为你的能力；模型能够回答无数问题，也不意味着它会主动找到那个真正困扰你的问题。AI 可以是一颗拥有丰富资源的星球，也可以只是一个悬浮在你面前、与你毫无关系的球体。决定两者差别的，不只是提示词技巧，而是一个人是否拥有足够强烈的问题意识。 一、文明压缩：AI 是人类知识的概率地图 以 GPT 一类大语言模型为例，它们在大规模语料上学习根据已有文本预测后续 token。Transformer 的注意力机制让模型能够根据上下文计算不同 token 之间的关系；扩大模型与训练数据规模，又显著增强了模型仅凭指令或少量示例完成不同语言任务的能力。1 因此，我更愿意把大语言模型理解为：人类已经表达出来的知识、经验、语言和模式的一种概率压缩。它学习的不是一套固定答案，而是词语、概念、问题与回答之间极其复杂的统计关系。今天许多所谓的 AI 助手还会接入图像、代码、检索系统和外部工具，但这些附加能力不应与基础语言模型本身混为一谈。 模型并不直接等同于“人类共识”，更不等于真理。训练资料中的事实、偏见、错误、陈旧观点与主流叙事，都可能进入模型；模型也可能生成语气笃定却并不真实的内容。美国国家标准与技术研究院（NIST）把这种现象称为“confabulation”，并指出它与生成模型逼近训练数据统计分布的工作方式有关。2 但即使如此，大模型仍然形成了一张极其庞大的文明概率地图：当某个问题出现时，哪些知识可能相关，哪些概念经常相连，哪些方法曾被用于处理类似问题，哪些表达可能构成一个合理答案。 对普通 Worker 来说，这张地图首先抬高了认知的下限。 过去，一个人能够接触怎样的思想，很大程度上受家庭、学校、城市、职业和社会关系限制。如果身边没有工程师、律师、投资者、研究者或创业者，我们就很难持续获得这些专业领域的解释框架。更严重的是，当一个人不知道某个概念存在时，他甚至无法搜索它，因为他不知道应该搜索什么。 AI 在一定程度上改变了这种处境。普通人正在以更低门槛，让不同学科的语言同时进入一个具体问题：从工程学、经济学、心理学、历史学、系统科学和产品设计的角度，对同一个现象进行交叉审视。 它未必能让人立即成为专家，却可以帮助人迅速意识到：原来一个问题还有这么多变量；原来我过去使用的解释框架只是其中一种；原来我的认知边界并不是世界的边界。 因此，AI 的第一重意义，是让普通人接入人类已经积累并表达出来的知识结构。它既是一种认知外挂，也是一种文明基础设施。 但外接能力并不等于内在能力。AI 能抬高一个人的认知基准，却无法自动替他形成判断。共识不等于事实，流畅不等于正确，看起来完整的答案也不等于能够进入现实的方案。 二、语境复利：真正重要的不是 Prompt，而是人的长期 Context 多数人仍然按照传统搜索引擎的方式使用 AI：提出一次问题，获得一次答案，任务结束，语境清空。 这种方式当然有用，却只调用了大模型能力中比较浅的一层。 同一个问题，在不同的人生语境中，意味着完全不同的事情。例如，“我是否应该学习 Python”，对于准备转行的软件工程师、使用 Fluent 的热管理工程师、希望开发 AI Agent 的内容创作者，以及准备为企业提供 AI 培训的咨询者，根本不是同一个问题。 如果模型不知道提问者是谁，它只能给出一种普遍正确却缺乏针对性的答案：学习基础语法，完成几个项目，持续练习。 只有当模型逐渐理解一个人的长期目标、现实约束、已有能力、失败经历、判断原则、工作环境和正在推进的项目时，它才可能进一步回答：你为什么要学，哪些内容不值得学，应当从什么项目切入，怎样与既有能力组合，以及如何把学习结果转化为作品、收入和未来选择权。 因此，AI 时代真正重要的可能不只是 Prompt Engineering，而是 Personal Context Engineering——个人语境工程。 一个人的 Context 不只是某个文件或某次任务的背景，它包括其长期目标、职业位置、知识结构、关系网络、价值排序、决策记录、过往失败以及对未来的想象。它回答的是一个更根本的问题：这个答案究竟要进入谁的人生？ 当这样的语境持续积累，AI 才可能从一个临时问答工具，逐渐转变为长期研究助理、编辑、教练与决策支持系统。每一次对话不再孤立存在，而是进入一个持续生长的认知系统。 但“长期 Context”不等于把所有人生资料塞进一个越来越长的对话框。研究发现，即使模型允许很长的输入，当关键信息处在长文本中间位置时，模型的利用效果也可能明显下降。3 真正有价值的个人语境工程，因此还包括筛选、压缩、更新和在恰当时刻调取信息，而不是无限囤积。 长期 Context 也可能产生另一种风险：如果模型总是根据过去的你来预测未来，它也可能不断强化旧有偏好，把已经过期的自我定义固化下来。因此，一个成熟的个人语境系统不只记录“我是谁”，还应持续追问：哪些目标已经失效？哪些偏好只是过去环境的产物？什么证据能够推翻我原来的判断？ ...

——从美国“失去的十年”、日本“失去的三十年”，到 Human Capital ETF 当我们谈论投资时，脑海中最先出现的通常是股票、基金、债券、黄金和房地产。我们关心收益率、回撤、估值和资产配置，却很少追问一个更基础的问题：对于一个主要依靠工作获得现金流的普通人来说，他真正拥有的资产，只有证券账户里的钱吗？ 我过去也习惯把“投资”理解为把工资的一部分转入金融市场。直到经历个股亏损、重新学习交易型开放式指数基金（exchange-traded fund，ETF）和资产配置之后，我才逐渐意识到：金融账户当然重要，但对一个刚工作几年的年轻人来说，它往往还不是资产负债表中最大的一项。真正决定未来十年处境的，可能是身体是否健康、职业能力是否增长、工作经验能否迁移、知识能否沉淀为作品，以及劳动成果是否逐渐转化为自己拥有的资产。 要理解这一点，最好的起点不是一句“投资自己”的口号，而是两段真实的金融史。 一、当金融市场失去的十年，恰好是你的黄金十年 假设你在 2000 年初刚满 25 岁，第一次拥有可以长期投资的钱。你没有追逐小盘妖股，没有使用杠杆，也没有频繁交易，而是买入代表美国大型企业的标准普尔 500 指数（S&P 500），随后长期持有。 这听起来几乎符合后来所有主流投资教育的建议。但你进入市场的时间是 2000 年。 根据纽约大学教授 Aswath Damodaran 整理的年度总回报数据，以 1999 年末和 2009 年末的累计价值复算，标准普尔 500 指数在 2000—2009 年的含股息累计回报约为 -9.1%，年化回报约为 -0.95%。这十年中，投资者先后经历了互联网泡沫破裂和全球金融危机，两次刚刚恢复希望，又重新遭遇重挫。1 这就是美国股市后来所说的“失去的十年”。真正令人不安的，并不只是账户少赚了一点钱，而是市场的十年与人的十年并不等价。对指数来说，十年只是走势图上的一个区间；对一个人来说，25 岁到 35 岁可能是学习能力最强、职业路径开始分化、家庭责任逐渐增加，也最适合进行长期积累的一段时间。 你可以等待市场最终恢复，但你无法把自己的 25 岁重新过一遍。 定投解决了入场问题，却没有取消时间问题 有人会说，只要坚持定投，就不会遭遇这样的结果。定投当然有价值。市场越低，同样的现金流能够买入越多份额；在 2008—2009 年仍然保持收入和投入纪律的人，也为后来的反弹积累了更多低成本资产。定投削弱了单一入场时点的影响，降低了投资者在顶部一次性投入全部本金的风险。 但定投并没有让“失去的十年”消失。它改变的是资金进入市场的路径，不能保证回报恰好在你需要的时候兑现。这就是金融投资中常被忽视的人生窗口风险：历史长期回报率是几十年乃至上百年数据的平均值，但每个人真正经历的，永远只是其中某几个不可重来的十年。 二、“失去的十年”并不是所有资产的失去 2000—2009 年并非一切资产都表现糟糕。根据同一组数据复算，美国小盘股中的底部市值组同期年化回报约为 9.0%，十年期美国国债约为 6.3%，黄金约为 14.1%。1 这些结果不能证明它们未来仍会重复，也不能证明投资者能够提前识别赢家，但至少说明：美国大型股的失去十年，并不等于所有资产的失去十年。 因此，这段历史首先给出的并不是“不要投资股票”，而是一个更传统、也更可靠的结论： 不要让整个金融未来依赖单一国家、单一风格和单一估值周期。 这里也必须尊重历史条件。今天的投资者可以用很低的成本买入覆盖整个美国市场乃至全球市场的 ETF，但这样的工具体系在 2000 年还没有完全形成。Vanguard Total Stock Market ETF（VTI）成立于 2001 年，覆盖全球发达市场和新兴市场的 Vanguard Total World Stock ETF（VT）则直到 2008 年才成立。23 ...