https://www.imdb.com/title/tt32376165/

第一时间看了拆弹部队导演 Kathryn Bigelow 的新片 A House of Dynamite。不打算剧透所以在这里不说太多，但可以简单评价一下：

这可能是迄今对于美国现代核威慑和核反击预案最充满戏剧冲突、用了最多篇幅去描绘的荧幕呈现。在这之前可能是 Madam Secretary S04E22 Night Watch 那一集。

这个片子更像是一种陈列和观点表达，所以故事性上可能不如像是我个人心目中核战片 Top 1 的 The Sum of All Fears，但那毕竟已经是 20 多年前的片子了，视觉上有些脱节了。

总的来说非常值得一看，个人觉得片子最大的几个亮点我这里都刻意没有提到。

朋友 C 帮忙 vibe coding 重写了一下博客，抄了一下 Shu 的设计 😂 先发一篇短文试试水。
https://linghao.io/posts/ai-assisted-system-design-interview-prep

最近放了个长假，积压了很多东西没看，有些 fomo，尤其是 AI 领域这一天一个新进展…… 不过换个角度看，这样的好处在于时间能够帮你筛掉一些过了当下并不太值得看的东西 😄

之前我就称赞过 HuggingFace 团队发布的小模型训练分享既接轨最新进展又提供足够多细节，没想到这次他们更是直接发布了一篇预计阅读时间 2-4 天的模型训练全攻略。
虽说从开源模型百花齐放的结果来看我们已经知道模型训练没有太多 rocket science，但是这么完整和细节的分享还是令人惊叹👍
https://huggingface.co/spaces/HuggingFaceTB/smol-training-playbook

https://store.steampowered.com/app/3255860/Hymer_2000/
两三个小时就能走完全流程；喜欢这个娓娓道来的叙事。

https://openrouter.ai/state-of-ai
很有意思的数据。比如说：50%的开源模型流量都用来 roleplay 了 😂

https://store.steampowered.com/app/3275880/Chronoquartz/
这个游戏有点像 Minit + Outer Wilds，完成度很高，作为小团队小体量游戏很令人惊喜。

New blog post: https://linghao.io/posts/why-you-should-work-on-ai-engineering

一位朋友写过类似的话题：
https://yuangu002.github.io/software-engineer-thoughts/

https://laike9m.com/blog/avoid-mini-frameworks,171/

laike9m 这篇文章特别准确地指出了大公司 promo driven 的工程文化经常导致的一种病态。我深有共鸣，而且想补充一点：很多工程师在造这些 mini framework 轮子的时候同时也违反了不要 premature optimization 的准则。我在 Google 7 年，好几次看到有人试图做一个非常 generic 的系统，但他们最初却只能 onboard 个位数的用户。这种尝试基本上每次都以失败告终，因为你很难在没有太多有代表性的用户的参与的前提下设计和搭建有着足够好抽象的系统。而那些过早的抽象和优化只会妨碍最初那批用户的 onboarding。

https://linghao.io/posts/2025-games-of-the-year
🏆🎮 水一份个人向年度游戏榜单。

新年快乐！感谢关注🙏

Veritasium 终于出了介绍 ASML 光刻机的视频！
https://youtu.be/MiUHjLxm3V0?si=fj5ZanNKT-eUM_R9

A few days late but I'm so proud to share what I've been working on for the past 3 months with an amazing team: Gemini Personal Intelligence 🚀
https://blog.google/innovation-and-ai/products/gemini-app/personal-intelligence/

You can now connect Gemini with other beloved Google products (starting with Search, YouTube, Photos, Gmail and other Workspace tools) in one click. Combined with retrieval of past conversations, Gemini is able to intelligently fetch relevant context and provide deeply personalized responses. And all of this is built with privacy and user control in mind.

This is one of the first steps toward a universal assistant that is personal, proactive and powerful. No doubt there will be some issues, but even in the early days of developing the MVP we've had so many users experience a wow moment when Gemini really "gets" them with a great personalized response.

Personal context is messy and mistakes are unavoidable. My focus has been about memory and correctability -- making sure that users can course correct when that happens. It's been a very challenging but interesting problem space with many open questions. I feel very lucky to have the opportunity to work on frontier applications at a company that is truly battle ready at the every layer of the AI stack.

Any feedback is highly appreciated as we continue to perfect the feature and envision the future!

https://github.com/dnc1994/post_summarizer_bot

总是有数不清的文章想读，于是让 gemini vibe code 了一个 telegram bot 自动总结存起来的 link，从立项到完成所有基本功能就花了半小时

之后有时间会试图做个 eval set 用来调 prompt

最近读到最醍醐灌顶的一篇文章：在前沿 AI Lab，进步的瓶颈究竟在哪？

https://hsheng.org/writing/the-real-flywheel/

每次通勤经过 Tottenham Court rd 地铁站，看到不同的表演，都会想着要有合适的工具来记录就好了。我的想象中不是录像，因为举起手机录像，对自己来说是一个很打断的体验，对对方来说则是有侵入性的。
很自然，给自己最近vibe的声音记录App加上了分享功能。终于，它解放了我的双手和双耳：打开App，记录声音，随手一拍，记录图像，然后全身心地享受此时此刻，最后一个链接分享给远方的朋友们。
App 仍在打磨中，stay tuned，不过欢迎点开听听，体验一下我今日3分钟的，生命中的盐。

https://yuho.io/s/T7eiDjAQ7r?token=048f0480ee68e892d9e7fedc4fd6e896d01697cf3bf1c780d8b44e8d6047f7d8

https://linghao.io/posts/ai-memory-negative-space
关于 AI 记忆的一些思考：如何挖掘和利用用户没有说/没有做的事情？

关于 OpenClaw 的一些想法：

1. OpenClaw 的成功自然有它的原因，vision 的完成度和 pmf 都是重要的因素。这波浪潮大概率也会写进 AI 发展的历史书。但不可否认它依然存在非常多的问题，这也反映了 agent 实用化的道路上还有很多挑战。

2. 主要问题包括默认配置下 token 消耗量过于巨大，安全性要画一个巨大的问号，容易陷入 config hell 等等。尤其在算力依然具有稀缺性的今天，token 消耗巨大意味着普通用户可能不愿意为这种性价比买单。

3. 能通过 telegram / whatsapp 等 IM 来跟 agent 交互是非常聪明的选择。我一直觉得 IM 是被严重低估的交互入口。

4. 模型能力依然是关键的，如果 base model 做不了最核心的任务，用 OpenClaw 这类 24/7 agent 只会大概率花了钱做不成事。今天的 agent 能力虽然已经很强，但一个 session 进行越久、context window 越长，产出质量还是会不可避免地下滑，哪怕有 compaction 支持。使用 OpenClaw 这类大量使用 token 的 agent 时要尤其小心陷入 garbage in garbage out 的陷阱。

5. 不过这里 tiered compute 就会有用，简单的 task 可以分发给更便宜的 model 甚至本地的开源小 model。

6. 如果愿意折腾，OpenClaw 的主要功能基本都可以通过 Claude Code 的生态来实现。

7. 短期内如果要自己部署类似的 24/7 agent，我比较偏好 https://github.com/qwibitai/nanoclaw 这样的 project：依托于最强的 model、成熟的 harness、良好的社区生态。

8. OpenClaw 背后的 agent harness 核心库值得学习：https://github.com/badlogic/pi-mono

9. 安全性来说，给 agent 完全独立的一套 credentials 而不让他用你个人的账号可能是更好的做法。