出海闲聊

自托管 Vaultwarden 省下订阅费

前阵子 Google Play Pass 涨价，家里那套订阅不续了，我手里三四百个密码得重新找地方放。之前用 Enpass 纯粹是因为家人订阅能白嫖高级版，现在这便宜没了，只能认真挑个长期方案。

一圈看下来，1Password 错过拼车价就贵得肉疼，LastPass 安全丑闻太多不敢碰，KeePass 开放但跨平台体验太碎。Bitwarden 算折中，可 TOTP 要额外付费，客户端体验也不算拔尖。转机是家里有台 24 小时开机的 NAS，干脆自托管 Vaultwarden。Vaultwarden 是社区维护的非官方 Bitwarden 后端，比官方 .NET 那套轻太多，常驻内存通常不到一百兆。关键是它把 TOTP 管理、多人共享这些高级功能直接在后端解锁了，个人和小团队用非常合适，不用再为这些功能单独掏钱。NAS 上部署首选 Docker。镜像小、上手简单，做好目录映射后还能借 NAS 自己的同步备份功能保数据。成品 NAS 的图形化 Docker 界面就能搞定，不一定非要写 Compose。几个参数我踩过坑：- 镜像拉取：用 vaultwarden/server 的 latest 标签，更新时重新拉取即可，不影响已有数据
- 目录映射：把容器内 /data 映射到 NAS 实体文件夹，以后备份迁移直接复制该文件夹
- Compose 部署：找到 volumes 下带 :/data 的值，把冒号前路径换成 NAS 上的真实路径我的判断是，只要家里有常开的 NAS，自托管 Vaultwarden 在成本和功能上都比订阅制划算，唯一要自己担起的是备份责任。

罗马万神殿：一眼两千年的空间震撼

刚落地罗马，Uber 司机就跟我聊起这座「永恒之城」的历史和美食，让我趁游客大军还没到，好好感受一下。我的第一站毫不犹豫选了万神殿，因为整趟意大利之旅里，它是我唯一一个无论如何都不能错过的景点。

万神殿最早由阿格里帕在公元前 27 年左右始建，历经战火，原始版本基本不复存在。今天我们看到的主体，其实是一个多世纪后由哈德良彻底重建的。广场上还立着一座古埃及方尖碑，碑面象形文字赞颂法老与太阳神的关系，后来被运到罗马装饰伊西斯神庙，1711 年教皇才把它放到万神殿前。我约了早上第一个参观时段，到了才发现排队的人已经占满整个广场。等待时正好仔细看三角山花和柱廊，山花上刻着「M·AGRIPPA·L·F·COS·TERTIVM·FECIT」，纪念初始建造者阿格里帕。山花下面 16 根罗马立柱分布在正面和两侧，构成传统希腊神庙的形态。站在广场上面向万神殿，很容易被外观「欺骗」，以为这就是整座建筑的主体。有趣的是，这种结构恰好遮挡了一部分穹顶，所以当你走进内部看到巨大穹顶时，会错觉自己站在宇宙中心。这种场景切换带来的「巨大宇宙空间感」，正是万神殿最精妙的地方。作为建筑外行，我看完穹顶技术都很难不震撼。古罗马人在穹顶建造上极尽巧思，把工程理性和空间秩序感结合得恰到好处。如果你也来罗马，我建议把万神殿放在清晨第一站，人少的时候，那种从广场到殿内的空间落差才最完整。

前NASA工程师把STEM课搬进课堂

前NASA工程师、以整蛊视频出圈的Mark Rober，最近把精力投向了课堂。他推出的Class CrunchLabs项目，面向6到8年级学生提供免费的动手STEM课程，试图把他在视频里那种让人上头的参与感，原封不动搬进科学课。

这件事值得跨境教育圈留意的地方在于，它不是又一个「网红做公益」的噱头。美国中学科学课长期面临实验器材贵、老师备课时间紧、学生兴趣下滑的老问题，而Rober的团队恰好擅长把复杂概念拆成可上手的小项目。免费开放给学校，等于绕开了采购预算这道最难的坎。我个人判断，这类内容型教育产品的真正壁垒不在课程本身，而在分发和老师的使用意愿。视频博主的流量能带来第一波关注，但老师会不会持续用、能不能嵌进现有教学进度，才是决定它活多久的关键。国内做STEM教具和课程出海的团队，其实可以盯着它的落地数据看。另一个信号是，海外教育科技正在从「卖硬件套装」转向「内容加社区」。单卖一套实验盒子，客单价高但复购难；把课程免费、把耗材和培训做成后续服务，反而更容易进校。这套打法对做B端生意的中国团队有参考价值，尤其是那些已经有供应链优势、缺内容品牌的。当然，免费模式能不能撑住长期运营，还要看后续有没有可持续的收入设计。目前看，Class CrunchLabs更像是品牌投资和用户心智的提前布局。对出海从业者来说，与其照搬，不如想清楚自己手里最稀缺的到底是内容、渠道还是供应链。

员工视角逛 Made On 大会

今年 Made On 大会前，公司内部搞了个选拔，让普通员工飞到纽约当一天现场创作者。结果 Nina Fan 被评委选中，成了官方外派记者，负责在大会现场做幕后报道。这种让一线员工去记录产品发布的玩法，比请专业媒体有意思多了。

她早上七点就醒了，比闹钟还早，因为纽约的嘈杂根本让人睡不着。为了摆脱一柜子连帽衫，她特意买了新衣服，结果到手发现还是件带精致领子的连帽衫，科技人的穿搭宿命躲不掉。九点到 Pier 57 门口，人群里全是西装，围着一辆黑色 SUV 下来的人，她问保安那是谁，后面就没了。从公开信息看，她这趟行程包括了解公司主要产品发布、跟创作者聊天，还拿到了独家采访 CEO 的机会。一个普通员工能直接对话 CEO 并对外输出内容，说明公司内部对员工创作者的信任度在提高。我的判断是，这种员工当记者的做法，本质是把品牌叙事权下放。专业媒体容易写套路稿，员工反而能拍出真实细节，比如连帽衫那段就比任何官方通稿都有人味。对出海团队来说，与其花钱买媒体版面，不如培养几个能出镜、能写、懂产品的内部创作者。当然，前提是公司得敢放权，别把员工脚本改得面目全非。Nina 的视频里那些没被剪掉的尴尬和好奇，恰恰是传播力最强的地方。如果明年还有类似选拔，我建议做跨语种版本，让不同市场的员工各自讲自己视角的故事。

维密大秀直播带货新玩法

刚看到维密今年大秀定在10月18日周日直播，而且官方明确把「边看边买」和互动玩法写进了观看指南。这跟几年前停办又复办时的姿态很不一样，说明他们终于想清楚：秀本身不是终点，把流量直接导进购物车才是。

我比较在意的是「engage」这个词被摆到和观看、购物并列的位置。传统时装秀的互动基本停留在社交媒体讨论，现在品牌要的是实时参与感，比如投票、弹幕、限时解锁福利之类。对做跨境独立站的人来说，这套逻辑其实可以抄——直播不只是内容，更是转化漏斗的中段。不过维密的老问题还在：品牌形象转型喊了好几年，大码模特和多元叙事能不能真正落到货盘上，而不是只停留在秀场公关。如果观众看完秀点进商城，发现主推款还是老一套审美，那互动做得再热闹也留不住人。从运营角度看，这类大秀直播对供应链和库存响应要求极高。峰值流量进来时页面加载、支付链路、尺码库存任何一环掉链子，都是白烧广告费。做跨境的同行可以借这个节点观察一下他们的落地页结构和促销节奏。总之这场秀值得当成一个案例来拆，不只是看衣服。它测试的是「内容即货架」这条路在时尚品类里到底跑不跑得通，结果对做品牌出海的人挺有参考价值。

新闻视频化，平台在推三件事

去年全球用户在视频平台上看了超过350亿小时的新闻内容，其中120亿小时来自联网电视。这个数字让我挺意外的，因为大家平时聊出海内容，第一反应都是短视频娱乐，但新闻消费的体量其实已经大到不能忽视了。

平台方在纽约办了第14届新闻工作组会议，拉了一百多家全球新闻伙伴聊行业未来。会上释放的信号很明确：新闻机构要在平台上获得增长，光靠发内容已经不够了，得用平台给的数据工具去反推选题和分发节奏。这次分享的三个方向里，第一个就是给新闻机构提供更细的受众洞察和反馈闭环。有参会的数字团队提到，快节奏新闻要求每天做大量即时编辑判断，而平台把数据打通之后，他们能更快知道哪类报道真正触达了目标人群，而不是凭感觉猜。第二和第三个方向虽然原文没展开，但结合上下文能看出，平台在把新闻当作一个独立的内容品类来运营，而不是塞进综合信息流里自生自灭。对做出海内容的团队来说，这意味着新闻类账号的冷启动逻辑可能和娱乐号完全不同，值得单独研究。我的判断是，新闻视频化在海外还远没到饱和阶段，尤其是联网电视这块屏幕，很多国内团队根本没布局。与其在短视频红海里卷，不如看看新闻这个被低估的赛道，平台既然在推，说明流量和商业化空间都还在。

Ins把校园合作扩到1.7万所学校

Meta 最近把 Instagram 的校园合作计划又往前推了一步，宣布已经和近 1.7 万所学校建立合作。这个项目最早是去年和 ISTE+ASCD 一起搞的，核心是让学校老师能直接把涉及学生的安全问题报给平台，比如网络霸凌之类的隐患。从数字上看，覆盖速度不算慢，但放在全美几万所中学的盘子里，还只是开了个头。

这次更新的重点，是给学校相关账号做一个集中管理入口。官方说法是，学校管理员和老师反馈，平时要把校内动态同步给学生特别费劲，信息散落在各个账号和群里。新 hub 想让学校更容易触达学生，也让学生更方便看到自己学校发布的内容。说白了，就是把原本零散的校园账号收拢到一个地方。从跨境和社媒运营的角度看，这件事值得留意的不只是安全合规，而是平台正在把「学校」当成一个独立的组织节点来运营。以前品牌和机构做校园触达，靠的是学生自发关注、社团账号或者 KOL 转发，路径很散。现在平台自己搭了一层学校账号体系，等于给教育机构开了一条官方通道。当然，这里面的张力也很明显。平台一边说要加强青少年保护、配合各州总检察长的限制协议，一边又在扩大校园内的触达能力。对做青少年相关品类的出海团队来说，这既是机会也是红线：校园场景的营销会越来越依赖平台规则，而不是自己绕开规则去铺量。我的判断是，短期内这套校园 hub 对普通跨境卖家没什么直接红利，它更像平台在监管压力下做的「合规基建」。真正能吃到肉的，可能是教育科技、校园服务这类本来就 to School 的玩家。普通品牌如果硬蹭校园流量，反而容易踩到青少年保护的雷区。

Facebook把群组单独做成App了

Meta最近把Facebook Groups里的社区体验单独拆出来，做了一个叫Forum的独立App，目前只在美国上线iOS和安卓。用Facebook账号登录后，你在Facebook上加入的所有群组会同步过来，集中在一个地方看新动态、直接跳进感兴趣的讨论。说白了，这是给那些觉得Facebook主App太杂、只想专心泡群的人准备的一条捷径。

我觉得这个动作挺值得琢磨。Facebook Groups一直是Meta手里被低估的资产，很多垂直社群、买卖群、兴趣小组的活跃度其实很高，但主App的信息流越来越杂，群组入口也藏得深。把群组抽出来做独立App，等于承认了一件事：深度社区用户和刷信息流的用户，需求根本不是一回事。这次还提到在测试一个新的成员角色，用来认可群里的核心贡献者，取代之前的贡献者徽章和群组专家角色。判断标准是看贡献质量，比如回答问题、分享亲身经验、给实用建议、发起讨论这些真正帮到社区的行为。这个方向我认同，群组最大的价值就是一手经验，而不是泛泛的流量内容。对做跨境和社群运营的人来说，这里有个信号：平台开始认真对待管理员和核心成员了。以前群组管理基本靠爱发电，工具也粗糙，现在专门为管理员做功能，说明Meta想把这块生态养起来。如果你手里有活跃的Facebook群，可以留意后续管理员工具的更新，早期红利往往就在这种时候。不过也要冷静看，独立App能不能留住人，取决于它是不是真的比主App好用，而不是又一个要单独维护的通知中心。我比较关心的是跨群搜索、内容沉淀和管理效率这几块，如果只是把信息流换个壳，那意义不大。

东南亚广告业务换帅，AI成关键词

看到这条人事任命，第一反应是东南亚市场的权重又往上提了一档。Dhruv Vohra 接手全球业务集团东南亚区董事总经理，管辖印尼、马来、菲律宾、新加坡、泰国和越南六个市场，直接向亚太区副总裁 Benjamin Joe 汇报。这个汇报线本身就说明问题——东南亚不再是一个被区域总部代管的边缘板块，而是有独立操盘手的核心战区。

Dhruv 的履历挺有意思。他 2019 年加入时负责电商和数字原生企业，正好踩在东南亚电商爆发的那几年，跟 Shopee、Lazada、TikTok Shop 这些平台打过交道。后来转去带中小企业团队，等于把「大客户」和「长尾商家」两端都摸过一遍。这种从电商到中小企业的路径，恰好是东南亚广告主结构最真实的两层：头部平台烧钱买量，海量小商家靠消息和短视频做转化。Benjamin Joe 在声明里点了两个词：AI 和 messaging。这基本就是接下来东南亚广告产品的方向。AI 解决的是创意生产和投放效率，messaging 解决的是转化闭环——东南亚用户对 WhatsApp 和 Messenger 的依赖度极高，很多小商家根本没有独立站，成交就发生在聊天窗口里。谁把这两件事打通，谁就能吃到下一波预算。我的判断是，这次换帅不是常规轮岗，而是冲着「把 AI 能力塞进中小商家工作流」去的。Dhruv 带过中小团队，知道这些商家缺的不是预算，是能直接上手、不用学投放术语的工具。如果接下来能看到面向东南亚市场的 AI 素材生成和对话式广告产品加速落地，那这条任命就算真正兑现了。对做出海投放的同行来说，值得盯两件事：一是新团队会不会调整东南亚的代理商合作政策，二是 messaging 广告的计费和归因口径会不会变。这两点直接影响到投手的预算分配和 ROI 测算。

雷朋签下印度首位代言人

雷朋在印度市场终于有了第一位品牌代言人，选的是宝莱坞明星兰维尔·辛格。这个合作挺有意思，因为雷朋过去很多年其实不太依赖单一明星来撑区域市场，更多是靠产品本身的经典款和联名来打。现在专门为印度市场找一个本土顶流，说明他们想把智能眼镜这条线在印度真正铺开，而不只是卖墨镜。

兰维尔自己在声明里说，雷朋一直代表个性，他从小就有共鸣，风格不是固定公式，而是直觉、情绪和自由表达。这话放在代言场景里当然有包装成分，但结合雷朋和Meta合作的AI眼镜来看，逻辑是通的：经典外观加上AI功能，目标就是让智能眼镜看起来不像电子产品，而像日常配饰。印度市场对价格和佩戴场景都很敏感，这个定位能不能成立，要看后续的本地化功能。从行业角度看，智能眼镜在印度还处在很早期的阶段，真正买的人要么是科技尝鲜者，要么是内容创作者。雷朋找宝莱坞明星，明显是想把受众从极客圈拉到大众消费层。兰维尔在印度年轻群体里的影响力不小，加上他本身有时尚标签，比单纯找一个科技博主代言更能破圈。这一步棋不算激进，但方向很清楚。我比较关注的是，代言人能不能带动AI眼镜在印度的实际使用场景。印度天气热、日照强，墨镜本来就是刚需，如果AI功能能跟本地语言、导航、拍摄这些高频需求结合，那明星效应才有放大的基础。否则就只是多了一张海报，对销量帮助有限。总的来说，雷朋在印度补上代言人这一环，是品牌本地化从渠道走向心智的信号。接下来要看他们会不会针对印度市场做专属的AI功能或定价策略，那才是真正决定这波合作含金量的地方。

前Ramp工程师转做AI广告素材，两月破百万美元年化收入

看到一条挺有意思的融资消息：做AI广告生成平台的Melius宣布拿了2500万美元，其中2000万是CRV领投的A轮，500万是General Catalyst领投的种子轮。创始人Joowon Kim和另外两位联创都来自Ramp，做企业支出和财务软件出身，算是典型的工程师跨界创业。

他们最初的方向其实是AI驱动的效果营销工具，帮营销人员管理和优化广告投放。但做了半年多，团队自己承认这个方向「没跑通」，于是做了一个很硬核的决定：把整个代码库全部推倒重来。Kim原话是「我们把它全烧了」，这种魄力在早期团队里其实挺少见，大多数人会舍不得沉没成本。转向之后，他们不再碰投放优化，而是直接做生成广告活动、图片和视频的创作工具。这个选择逻辑我觉得很清晰：投放优化赛道已经卷成红海，而且平台方自己就在做；但创意素材的生成，尤其是能直接跑量的广告内容，仍然是大量中小团队的刚需。他们今年7月才正式走出隐身状态，两个月就做到超过100万美元年化收入，速度确实快。不过我个人对这个数字持保留态度。年化收入是按当前月收入乘以12算出来的，早期波动会非常大，而且AI生成素材的同质化问题很快会显现。真正能拉开差距的，是谁能把生成内容和投放数据打通，形成闭环，而不是单纯拼出图速度。Melius现在切的是创作端，未来大概率还是要往效果侧延伸，否则很容易被平台自带的AI工具吃掉。对做出海投放的团队来说，这类工具值得关注，但别指望它解决策略问题。素材生成只是第一步，选品、出价、受众这些环节还是得自己打磨。融资消息看看就好，真正要判断的是他们下一版产品能不能把生成和优化连起来。

苹果联手LG做智能家居，贴牌打法能成吗

刚看到一条消息，苹果正在跟LG合作搞一套新的智能家居设备，包括智能门锁、温控器和门铃，全部围绕苹果即将推出的智能家居中枢来设计。这个中枢据说10月13日发布，配一块6英寸方形屏幕，可以放桌上也可以挂墙上。

更有意思的是，双方还在联合开发安防摄像头，室内室外都有，外加一款泛光灯。这些LG设备据说下周就会亮相，不一定正式开卖。但最让我意外的是，这些产品居然会挂LG的品牌，而不是苹果自己的logo。这个操作其实挺耐人寻味的。苹果一向喜欢把软硬件都攥在自己手里，这次却愿意让LG贴牌，说明它更着急的是把生态铺开，而不是抢硬件品牌的风头。毕竟智能家居这块，苹果已经落后亚马逊和谷歌太多了，HomeKit的生态一直不温不火。从产品组合看，门锁、门铃、摄像头、泛光灯，这明显是冲着亚马逊Ring去的。亚马逊靠Ring和Echo已经占住了家庭安防的入口，苹果现在才补课，时间上确实晚了点。但苹果的优势在于隐私和系统整合，如果这些设备能无缝接入HomeKit和那个新中枢，对在意隐私的用户还是有吸引力的。我的判断是，苹果这步棋能不能走通，关键不在硬件本身，而在那个6英寸的中枢能不能真正成为家庭的控制中心。如果只是又一个卖得贵、生态封闭的配件，那贴不贴LG的牌都没太大区别。但如果苹果能把体验做顺，让用户觉得比Ring省心，那这波合作就算值了。

亚马逊猜我平臀，数据画像有多离谱

最近有个帖子在海外社区传得很火，一位用户翻看亚马逊账户设置时，发现平台根据她的购物记录给她贴了一堆标签，其中赫然写着「臀部扁平」。她截图发到社交平台后不到一天就破了百万浏览，评论区全是跑去查自己标签的人。说实话，做跨境这行天天谈用户画像，但真看到平台把这种带点冒犯性的推断白纸黑字列出来，还是让人后背发凉。

亚马逊这套逻辑并不复杂，就是拿购买历史做概率推断。买猫砂多就猜你养猫，买祛痘产品多就猜你容易长痘，买女性部门商品就猜你是女性，这些还算常规。问题在于它会把推断结果直接展示给用户，而且颗粒度细到身体特征这种敏感层面。从产品角度讲，这是推荐系统透明化的一种尝试，但透明不等于得体，把「平臀」这种判断写进个人档案，用户感受到的不是被理解，而是被冒犯。对做跨境的人来说，这件事有几个值得琢磨的点。
- 数据标签的边界：平台能推断什么和该展示什么，是两回事，敏感身体特征一旦露出，品牌信任度直接受损。
- 用户反应的两面性：有人觉得好笑去查自己的标签，有人感到不适，说明个性化推荐的接受度因人而异。
- 合规风险：欧美对数据画像和自动化决策的监管在收紧，这类标签如果被认定为敏感推断，可能触发合规审查。我的判断是，平台做用户画像本身没错，跨境卖家也依赖这套逻辑去选品和投放。但把推断结果做成一个用户可见的清单，等于把后台的粗放假设直接摊到台面上，既没有解释也没有申诉入口，这就不只是技术问题，而是产品伦理问题。真正聪明的做法是让用户能管理这些标签，而不是只让他们围观自己被怎么定义。换个角度看，这也提醒我们，做海外市场时对用户数据的处理要更谨慎。今天用户会因为一个搞笑标签去查自己的档案，明天就可能因为一个冒犯性标签去投诉甚至发起集体诉讼。与其等监管上门，不如提前想清楚：哪些数据可以拿来优化体验，哪些推断只适合留在模型里，永远不要见光。

Spotify有声书扩至180国

刚看到Spotify把有声书铺到180多个市场，第一反应是这步棋比想象中狠。之前有声书基本只在美国、英国、爱尔兰、澳洲、新西兰和德国能听，现在欧洲、美洲、加勒比、中东、非洲、亚洲全被圈进去了，覆盖用户超过7.5亿。对Audible来说，这不是抢一块蛋糕，而是直接掀桌子。

内容侧也做了准备，新市场上线了35万多种书目，语种扩到120多种。西班牙上线时本地用户能听到4.5万种西语书，这个本地化速度说明Spotify没打算只做英文内容搬运。它还拉了300多家出版商合作，Planeta和Mondadori都在名单里，供应链算是搭起来了。商业模式还是老套路：Premium会员在巴西、墨西哥、哥伦比亚、波兰、智利、挪威、秘鲁等合格市场能免费听12小时有声书。这个设计很聪明，先用时长限制把用户拉进会员体系，等听上瘾了再谈单独付费或升级。对习惯按月订阅Audible的人来说，迁移成本其实不高。我比较在意的是，Spotify把音乐、播客、有声书塞进同一个App，本质是在抢用户的耳朵时长。听歌和听书的使用场景有重叠，但决策路径完全不同，推荐算法能不能把两件事都做好，是个大问号。如果首页推的书不对味，用户还是会回Audible。对做跨境内容的人来说，这波扩张意味着西语、葡语、波兰语等小语种有声书的需求会被激活。以前这些市场的版权方很难找到全球分发渠道，现在多了一个流量入口。谁先把手里的书目对接进去，谁就能吃到第一波红利。

OpenClaw 2.0 的疯狂发布节奏

OpenClaw 2.0 这周发布了，看到公告里写着 933 位贡献者、合并了 16000 个 PR，我第一反应是这数字太离谱了。全职 9 人加兼职 26 人，就算全员不睡觉，一个月也审不完这么多 PR，平均每天 500 多个，怎么可能看得过来。

唯一的解释就是这些 PR 基本没经过人工审查，全靠 AI 在合并。管理员觉得合理、AI 测试过了就合进去，这就是大规模 Vibe Coding 的必然结果。OpenClaw 这种工具本身要自主调用各种外部平台，测试用例根本覆盖不全，16000 个 PR 里藏了多少 Bug 和风险，真的没法让人放心。我自己是坚决不在工作电脑上跑这类工具的，要么独立虚拟机，要么直接扔云端。它要调用的外部工具太多，权限又大，一旦出问题就是连锁反应。这不是对 OpenClaw 有意见，而是对当前 AI 开发模式的基本警惕。从发布节奏也能看出变化。早期几乎每天一个版本，用户被折腾得够呛，后来改成每月一发，八月版改动太大才叫 2.0。这个节奏对用户友好多了，但也说明项目在快速迭代和稳定性之间做了妥协。我甚至觉得，未来应用软件可能都不该跑在本机上，本机只留系统，应用全放虚拟机或云端。鸿蒙那个跑安卓 App 的卓易通模式，反而可能是更符合 AI 时代的方向。开发效率上去了，但信任成本也在涨，这笔账迟早要算。

Laravel 禁 issue 只用 PR 这事值得聊

上周 Laravel 宣布禁止提交 issue，只能提交 Pull Request。第一反应是这也太离谱了，用户连问题都不能报，难道要人人读懂源码自己修？但仔细想想，这个规定其实相当合理，甚至我觉得值得更多开源项目跟进。

最直接的好处是垃圾 issue 会大幅减少。愿意花时间开 PR 的人，对问题本身更上心，而机器人和骚扰者只会丢一堆垃圾 issue 就跑。维护者从 PR 里拿到的信息也远比 issue 多，定位和解决问题的时间反而更短。有人会说这提高了门槛，但 AI 时代其实没有。用户哪怕不懂源码，也可以把问题描述给 AI，让它生成 PR。提交 PR 和提交 issue 的难度差距正在被抹平。说到底，禁止 issue 的根本原因是开源项目资源不足，扛不住激增的 issue 量，与其鼓励大家把问题抛出来等别人解决，不如鼓励一起动手贡献。另一条我觉得更震撼的消息是，Anthropic 用 Claude 完成了史上最长的数学程序：把怀尔斯 129 页的费马大定理证明翻译成了 Lean 语言。Lean 是微软研究院 2013 年提出的定理证明语言，这个翻译项目数学界搞了很久都没完成，Claude 用了 11 天。在给出最终结果前，它先证明了超过 3 万个辅助定理，实际用上 2 万 9 千多个，消耗数十亿 Token，最终代码长达 1300 万行，全部公布在 GitHub 上。这两件事放一起看，我的判断是：AI 正在同时改变开源协作的门槛和数学研究的边界，前者靠流程重构，后者靠算力堆叠，留给人类的位置更多是提问题和做判断。

Shopify 弃用 React Native 转原生

看到 Shopify 宣布放弃 React Native，改用 Swift 和 Kotlin 重写移动端，我第一反应是：这剧情反转得也太快了。六年前他们可是高调发文说全面拥抱 Web 技术，当时还列了三条理由，什么不用重复开发、跨技术栈协作、省下时间创造价值。现在回头看，那些话术基本就是场面话，真正的原因从头到尾只有一个：省钱。

当年选 React Native，是因为养一个团队比养 iOS 和安卓两个团队便宜。现在切回原生，还是为了省钱，只不过逻辑变了——有了 AI 辅助，语言之间的翻译成本被大幅拉低，那为什么不直接用性能更好的原生语言，跳过中间层呢？这个判断我觉得挺实在的，工具链的进步确实在重塑技术选型的性价比公式。React Native 自己也得背一部分锅。从 2015 年发布到现在超过十年，一些基础的技术问题始终没解决好，上手体验也谈不上顺畅。一个框架如果长期让开发者觉得别扭，被替代真的不冤。我身边做移动端的朋友，这两年抱怨 RN 的声音明显变多了。这件事给我的启发是，AI 正在扮演一个无所不能的自动翻译器，凡是靠“翻译层”吃饭的中间方案，价值都会被快速稀释。React Native 不是第一个，也不会是最后一个。对开发者来说，与其押注某个框架的长期护城河，不如把底层能力和工程判断练扎实，因为选型风向说变就变。当然，原生开发也不是没有代价，双端团队的成本和协作复杂度依然摆在那里。Shopify 敢这么切，说明它算过账，认为 AI 带来的效率提升能覆盖这部分开销。但对中小团队而言，这个账未必算得过来，盲目跟风切原生可能反而更贵。技术选型终究要看自己的业务体量和团队结构，没有标准答案。

AI代理学会签合同了

最近看到Ironclad在训练AI代理处理复杂的合同工作流，这让我觉得AI在专业场景的落地又往前迈了一步。合同审核、条款比对、风险标记这些活，以前都是法务团队熬夜干的，现在AI能直接操作软件界面来完成，这比单纯生成文本要难得多。

Ironclad的思路不是让AI只做聊天机器人，而是让它像人一样点击、填写、拖拽，真正走完整个合同生命周期。这种「计算机使用」能力，意味着AI可以跨系统操作，不依赖API，这对那些老旧的、没有开放接口的企业软件来说，简直是福音。不过，我也有点担心。合同工作流里涉及大量敏感数据和法律责任，AI一旦出错，后果可能比一般场景严重。Ironclad强调训练和评估并重，这很关键，但评估标准是否足够覆盖长尾风险，还得看实际落地效果。从行业角度看，这波AI代理的竞争已经从「能聊」转向「能干」。谁先让AI在专业工作流里稳定干活，谁就能拿下企业客户。Ironclad选合同这个切口很聪明，因为合同是企业的刚需，而且流程标准化程度高，适合AI练手。总的来说，我挺看好这个方向，但企业采购时还是要谨慎，先小范围试点，别一上来就全流程托管。毕竟，AI再聪明，也得有人兜底。

AI攻下数学开放题，Lean证明全公开

最近看到一家前沿模型团队在数学上搞出了新动静，他们用内部模型直接推进了几个长期悬而未决的开放问题，还把Lean形式化证明和研究细节全扔上了GitHub。这跟以前那种「AI辅助猜想、人类事后验证」的玩法不太一样，这次是模型自己跑出了可检查的完整证明链。

我特意去翻了翻他们公开的Lean代码，结构相当干净，不是那种为了发论文硬凑的demo。这意味着两件事：一是模型在长程逻辑推理上确实有了质变，二是形式化验证正在从「小众工具」变成「AI数学的标配裁判」。对做跨境技术社区的人来说，这波信号很明确——以后评判一个AI数学成果，先看它有没有Lean证明，没有的基本可以当营销稿处理。不过也别急着喊「数学家要失业」。开放问题能被模型啃下来，往往是因为这些问题本身已经有大量人类铺垫，模型擅长的是在搜索空间里暴力+启发式地找路。真正难的是提出新问题、定义新结构，这块目前还是人类的主场。对出海团队来说，这里有个很实际的启发：如果你的产品涉及教育、科研工具或者开发者平台，赶紧把形式化验证的接口和社区运营提上日程。Lean生态现在缺的不是模型，而是好用的协作层和中文内容。谁先把「AI证明+人类审阅」的工作流跑通，谁就能吃到下一波科研工具出海的红利。总之，这件事的看点不在「AI又赢了」，而在科研协作范式开始松动了。我会继续盯他们的GitHub仓库更新，有新的形式化结果再跟大家同步。

Jump Trading 如何放大量化研究

最近看到 Jump Trading 分享他们怎么用 AI 工作流来扩展量化研究，挺有感触。以前大家拼的是因子挖掘速度，现在拼的是谁能把多数据源和人工复核串成一条更长的流水线。

他们的做法不是让 AI 直接给交易信号，而是把 AI 放在研究流程的中间层。比如同时接入行情、另类数据和研报，让模型做初步筛选和关联，再由研究员判断哪些值得深挖。这样既保留了人的直觉，又放大了覆盖范围。我觉得这个思路对中小团队也有启发。你不需要一上来就搞大模型，先把数据管道和复核节点标准化，让 AI 去干那些重复的初筛工作。关键是别让 AI 替你做最终决策，而是让它帮你把候选集从一百个缩到十个。另一个值得注意的点是，他们强调「长时间运行的 AI 工作流」。这意味着不是一次问答就结束，而是持续跑、持续积累上下文。这种模式对算力和工程能力要求不低，但一旦跑通，研究效率的提升是指数级的。当然，风险也很明显。数据源一多，噪音和过拟合就容易混进来。人工复核如果流于形式，反而会放大错误。所以我的判断是，这套东西适合已经有成熟研究框架的团队，而不是拿来当捷径。