Pinned Tweet
我是 Bloom,一名资深程序员。
美股研究到凌晨,比特币仓位盯得比上班还认真,各种 AI 已经用到连提示词都懒得打。
技术栈、认知、工具、执行力,全都拉满。
唯一没拉满的,是本金。
所以我现在的状态就是: 会买的股票不敢买,看懂的机会不敢上,AI 生成的赚钱方案自己执行不起。
这个账号会持续公开记录一个“什么都懂一点、就是穷”的程序员,怎么把本金从“不够花”一点点补回来。
同款认知超前、钱包落后的,出来报个到
6
11
541
MCP 工具接得越多,Agent 反而可能越笨?
最近开发 MCP Server,越来越觉得这是一个容易被忽略的问题。
我们一直在想办法给 Agent 增加能力。
接入 10 个工具不够,就接 50 个、100 个。
但工具越多,Agent 就一定越强吗?
每个工具都有自己的描述、参数、使用规则,甚至前置条件。
如果把这些全部塞进 Agent 的上下文,不仅 Token 消耗越来越大,相似工具之间还可能互相干扰。
更让我困惑的是:
难道每增加一个 MCP 工具,就要修改一次 Agent 的 Prompt?
如果是这样,MCP 所谓的工具解耦,似乎又在 Prompt 层重新耦合起来了。
最近在思考一个方向:
MCP Server 负责描述工具,但 Agent 不应该每次都看到所有工具。
比如一个财务 Agent 接入了 100 个工具。
用户只是想查一张付款单明细,为什么要把发票、预算、供应商、审批等所有工具都交给模型?
是不是应该先理解意图,再动态发现相关工具,最后只把需要的 Tool Schema 提供给 Agent?
也就是 Progressive Tool Discovery。
这样一来,Agent Prompt 可以保持相对稳定,工具也能独立扩展。
我现在越来越觉得:
企业级 Agent 的核心挑战,可能不是让它拥有更多工具,而是让它在正确的时候,只看到正确的工具。
不过这里又有一个新问题:
如果增加 Tool Router,是不是又引入了额外的复杂度和一次工具选择出错的风险?
很好奇大家在实际项目里是怎么做的。
你们倾向于哪种方案?
A. 所有 MCP 工具直接暴露给 Agent,让大模型自己选择
B. 先通过 Tool Router 筛选,再动态加载工具
C. 按业务拆分多个 Agent,每个 Agent 只负责一部分工具
还是有更好的架构?
#MCP #AIAgents #AgentEngineering
4
4
40
本金不多,美股、A股、比特币都放了点小仓,也不是想靠这点钱翻身,主要是想自己看看资本是怎么运转的、市场到底在玩什么。
一年前行情好的时候,总觉得自己看得还挺准,觉得半导体、AI接下来几年肯定是主线,选对方向就不会亏。结果被市场教育了一年多,才慢慢明白:财报好看、营收强、行业很热,这些只是门票,不是通行证。
跟了很多大V的视频和观点,发现短期谁也预测不准。影响因素太多了,有时候真的挺玄学的,尤其A股。
现在倒是越来越敬畏市场了。
想问问大家:
1. 你也被市场教育过最狠的一次是什么?
2. 现在还相信“选对赛道就不会亏”吗?
3. 有没有人跟我一样,本金不多,但主要是来观察和学习的?
评论区随便聊聊,想听听真实经历。
50
现在每个企业或多或少的会将老系统接 AI,发现大家普遍先做查询:问单据在哪、审批到谁了、为什么还没付款。这个起点没问题,但如果只是把搜索框换成聊天框,提效也有限。
我觉得关键是往业务里再走一步:让 AI 把审批、付款、SAP 等环节串起来,查清卡点;提交前帮人找出缺失材料和校验问题;再往后,帮人准备草稿和处理方案。正式提交、审批、反冲这些动作,仍由人确认,老系统执行规则。
所以“敢不敢给 AI 写权限”,不必一口气回答。查状态、建草稿、发催办、做审批,影响完全不同,应该一个动作一个动作地开放。
还有个容易被忽略的问题:AI 说得再像那么回事,如果系统里没有完整的状态和接口记录,它也查不出真正的原因。这时候先补数据链路,可能比换模型更有用。
你们公司老系统接 AI,现在走到哪一步了?有没有哪个场景,看着只是查询,做深了反而特别省时间?
4
2
32
公开构建 Day 15|EntelliOS · 企业AI决策系统
同步没报错,记录数也对上了,数据就算接好了?
接真实源以后,还得看字段到底是什么意思。
我在做一个帮企业财务人员用 AI 查询数据、分析风险并发起人工审批的产品。
成本中心试运行时,记录里出现过一个需要核对的情况:源端名称带着“禁用”“不可选”这类字样,目标端状态却显示活跃。
它不一定说明哪边错了,但至少说明:名称里的含义和状态字段怎么对应,还没有讲清楚。
笔数对齐能证明这批记录进来了,不能替业务人员确认它们还能不能选、该不该继续使用。
这件事我还放在待验收里,没有因为同步成功就划掉。
你们接系统时最难对齐的词是什么?“有效”“完成”“可用”,我感觉每个系统都可能有自己的解释。
#buildinpublic
11
公开构建 Day 14|EntelliOS · 企业AI决策系统
AI回答到一半断了,自动重试一次,应该没事吧?
如果它刚才已经提交过审批,就不一定了。
我在做一个帮企业财务人员用 AI 查询数据、分析风险并发起人工审批的产品。
项目里处理流式响应中断时,我留了一个判断:这轮有没有执行过工具。
还没执行工具,可以在特定异常下回退到普通请求。已经执行过,就停止整轮重跑,避免审批又提交一遍。
麻烦的地方就在这里:页面没收到完整回答,不代表后端什么都没做。
当前代码先守住这条线,后续还得补更多中断和恢复测试。
你们做带操作的AI助手时,遇到这种情况会直接停下来提示,还是查清上次执行结果后再继续?有没有更好用的处理办法?
#buildinpublic
12
经济下行,普通人做什么生意反而更容易赚到钱?
一直在思考这个问题。
经济好的时候,大家买新房、换新车、换手机,企业忙着扩张、招人。那个阶段,赚的是增量的钱。
但经济下行的时候,人的消费习惯和企业的经营逻辑都会发生变化。
以前手机坏了直接换,现在可能更愿意花200块钱修一下。
以前开公司买全新的办公设备,现在可能直接买倒闭公司的二手设备。
以前企业业务增长靠招人,现在恨不得用AI把三个人的活变成一个人干。
所以,经济下行并不是所有生意都不好做,而是赚钱的机会发生了转移。
我个人比较看好下面几个方向:
1、二手经济:二手手机、汽车、家电、办公设备。
2、维修翻新:汽车维修、家电维修、旧房翻新。
3、消费降级:折扣超市、工厂尾货、平价餐饮。
4、企业降本:AI自动化、财务外包、业务流程优化。
5、银发经济:陪诊、居家养老、适老化改造。
6、资产处置:倒闭企业的设备回收、库存清理。
7、跨境出海:海外软件、数字产品、跨境电商,赚海外市场的钱。
其中,我觉得资产处置这个方向挺值得研究的。
一家餐饮店倒闭了,老板急着处理设备;另一家餐饮店刚开业,老板又想尽可能降低成本。
这中间就存在生意,而且不一定非要自己囤货。
另外就是AI。经济好的时候,老板可能愿意花钱尝试新技术,但经济不好的时候,如果你真能帮他每年省下20万,我相信他还是愿意付钱的。
当然,行业有机会,不代表进去就能赚钱。
现阶段如果让我创业,我不会轻易租门店、招员工、囤货。我会尽可能选择投入小、回款快、能够低成本试错的生意。
经济上行,赚增量的钱。
经济下行,赚存量的钱、效率的钱、信息差的钱。
大家也可以观察一下自己身边:
最近两年,哪些店越来越多?哪些生意看起来不起眼,老板却一直在赚钱?
如果现在给你10万本金,你会选择做什么生意?
Economic downturns don't eliminate business opportunities. They redistribute them.
Repair instead of replacement. Second-hand instead of new. Automation instead of hiring. Global markets instead of relying solely on domestic demand.
If you had ¥100,000 to start a business today, what would you do?
2
1
53
给 AI 一个网址,就能 1:1 复刻整个网站?这个开源 Skill 有点东西。
最近想做个自己的网站,发现了一个非常不错的开源 Skill:clone-any-website。
复刻效果确实超出了我的预期。
以前看到一个设计很不错的网站,想让 AI 帮忙实现,通常是截几张图,丢给 Codex 或 Claude Code。
结果呢?
布局大差不差,但字体、间距、动画、交互总有那么一点不对劲。最后还得自己不断调整提示词,反复修改。
这个 Skill 换了一种思路。
既然浏览器都能把网站完整地渲染出来,为什么还要让 AI 对着截图猜呢?
它直接通过浏览器分析目标网站:
获取真实的 DOM 结构和 CSS 样式
提取字体、颜色、间距、布局参数
获取图片、SVG 等资源
分析滚动动画、过渡效果和交互状态
根据网站类型重新构建前端代码
支持整站逐页面复刻
但我觉得这个项目最有意思的地方,还不是复刻,而是验收机制。
它会从布局、排版、颜色、资源、字体、动画、模拟内容、视觉相似度这 8 个维度,对原网站和复刻网站进行量化比较。
总分低于 90,或者某个维度没有达到要求,就不算完成,继续修改。
这就解决了 Vibe Coding 中一个很常见的问题:
AI 告诉你开发完成了,但实际上距离你的预期还差很远。
目前支持 Codex、Claude Code、Cursor、Gemini CLI、OpenCode,底层依赖 ego-browser。
安装也很简单,具体可以看 GitHub 的 README。
项目地址:
github.com/braxtonROSE4/clon…
做了这么多年后端开发,我现在越来越喜欢这种有明确执行流程和量化验收标准的 Skill。
与其花大量时间研究怎么写提示词,不如给 AI 建立一套成熟的工程工作流,让它自己发现问题、解决问题、验证结果。
对于独立开发者来说,以后看到不错的产品,可以快速研究它的设计和交互实现,在授权范围内搭建原型,再把精力集中到自己的业务逻辑上。
当然,前端可以复刻,后端业务逻辑、数据和商业模式可没那么容易复制。
我也在想一个问题:
当 AI 可以低成本复刻一个网站的界面和交互时,一个软件产品真正的护城河还剩下什么?
技术?数据?用户?还是获客能力?
大家怎么看?
English Summary
I recently came across an impressive open-source Agent Skill: clone-any-website.
Instead of asking AI to guess a website's design from screenshots, it extracts real DOM structures, CSS, fonts, assets, and animations from the live website.
What interests me most is its verification mechanism: it evaluates the reconstructed website across eight dimensions and iterates when the result fails its benchmarks.
This is how I think Vibe Coding should evolve — from guessing through prompts to measurable engineering workflows.
When AI makes UI replication cheap, what becomes the real moat of a software product?
Technology, proprietary data, users, or distribution?
#VibeCoding #AI #OpenSource #Codex
3
3
229
昨晚美股挺有意思的。
Anthropic 创纪录 IPO,发行规模813亿美元,首日上涨17%,估值接近1.8万亿美元。
结果呢?
纳指跌了2.25%,标普跌了2%,道琼斯跌了1100点。
一边是资本疯狂追捧AI,一边是资本疯狂抛售科技股。
这两件事其实并不矛盾。
作为一个做了十年软件开发、现在每天都在研究和使用AI的人,我依然非常看好AI未来几年的发展。
但看好AI,和看好当前AI公司的股价,是两回事。
我觉得这次IPO可能释放了几个信号:
1、过去几年,大家投资AI,主要买的是卖铲子的公司。芯片、存储、光模块、数据中心。现在资本终于可以直接买头部大模型公司了,资金可能会重新分配。
2、Anthropic 一季度160亿美元左右的营收确实很惊人,但背后还有接近9000亿美元的算力承诺,而且目前仍未盈利。这笔账最终能不能算得过来?
3、英伟达财报不错,股价却跌了。Anthropic成功上市,美股还是跌了。这说明市场现在需要的可能已经不是更多的好消息,而是真正超出预期的商业回报。
过去几年,大家讨论的是AI能做什么。
接下来几年,大家可能更关心AI到底能赚多少钱。
我个人不认为AI产业已经见顶。企业Agent、物理AI、AI辅助科研、创新药,很多方向甚至才刚刚开始。
但产业没见顶,不代表股价没见顶。
2000年的互联网没有错,错的是当时很多公司的价格。
所以我想问问大家:
这轮下跌,你们觉得是AI泡沫开始破裂,还是资金在为AI下一阶段的发展重新定价?
如果现在手里有10万美元,你会继续买英伟达、买Anthropic,还是选择持有现金?
AI technology and AI stock valuations are two different things.
Anthropic’s IPO may mark a shift from betting on AI infrastructure to demanding real commercial returns.
The question is no longer just what AI can do, but how much money it can actually make.
Are we witnessing the beginning of an AI bubble bursting, or simply a repricing before the next wave?
#AI #Anthropic #NVDA #美股
1
1
114
公开构建 Day 11|EntelliOS · 企业AI决策系统
“刚才那几笔里,最大的是哪笔?”
一句挺自然的追问,到了Agent这里,还得专门处理。
我在做一个帮企业财务人员用 AI 查询数据、分析风险并发起人工审批的产品。
现在用Redis保存最近的问答,按租户和会话分开,限制消息数量,也设了过期时间。下一轮提问,把这些上下文一起带过去。
开发环境里,查付款后再追问最大一笔,曾经跑通过。
但我还不敢说这块做好了。现在存的是问题和最终回答,中间工具结果没完整放进这份记忆。更麻烦的是:上轮查完以后,数据可能已经变了。
记住聊过什么,和知道现在是什么情况,是两件事。
如果你刚才查过一笔付款,再问它的状态,你希望助手沿用上次结果,还是重新查一遍?每次重查会不会又觉得慢?
#buildinpublic
1
1
63
公开构建 Day 10|EntelliOS · 企业AI决策系统
第一版财务Agent,我给它的查付款工具,只有几个参数。
我在做一个帮企业财务人员用 AI 查询数据、分析风险并发起人工审批的产品。
状态、页码、每页条数。模型根据问题填参数,业务服务负责查,结果再交回来组织回答。
看着不怎么炫,但出问题比较好查:选错工具了?参数填错了?还是服务本来就没查到?
限制也很明显。用户问了一个当前工具不支持的筛选条件,就得补接口能力,不能多写两句提示词,就当功能已经有了。
这也是我第一版的选择:沿用已有业务服务,遇到具体问题再扩工具。真实数据上的完整问答还在验收。
你做Agent时,工具会拆得细一点,还是给一个参数很多的通用查询接口?哪种更好维护?
#buildinpublic
5
3
74
最近关注到 SAP 官方发布的 ABAP Development Tools for VS Code 插件,里面内置了一个 MCP Server。
这个东西挺有意思的。
虽然我不做 SAP 开发,身在制造业对SAP 也有一些了解,之前开发用AI 基本只能帮你写写 ABAP 代码,真正的对象创建、代码激活、传输请求、单元测试,还是需要开发人员自己操作。
现在 SAP 把这些开发能力直接封装成了 MCP Tool。
AI 可以通过 MCP:
- 搜索 ABAP 开发对象
- 读取、修改 ABAP 代码
- 创建开发对象
- 创建传输请求
- 激活 ABAP 对象
- 执行单元测试
- 执行 ATC 代码检查
- 查询系统异常日志
- 生成 RAP 应用
简单理解,以前 AI 是在旁边指导你怎么操作 SAP,现在 AI 自己也有了操作 SAP 开发环境的能力。
不过,我更感兴趣的是 SAP 对 MCP 的设计思路。
SAP 有 100 多种开发对象,如果每一种对象都单独封装一套 MCP Tool,那工具数量会非常庞大。
SAP 并没有这么做,而是尽可能将工具通用化。比如不同类型的开发对象,共用一个读取工具。
哪怕未来对象类型增加到 200 多种,也不希望 MCP Tool 的数量跟着增长。
另外,SAP 也没有为了 AI 重新开发一套底层能力,而是复用了已经运行十几年的 Java 技术体系,在上面封装 MCP 接口。
安全方面也很有意思:
- MCP 默认关闭
- SAP 系统访问白名单
- 默认只读
- 指定开发包才允许修改
这其实给我们做企业级 AI 和 MCP 服务提供了一个很好的参考。
企业不一定需要为了 AI 重写自己的系统,而是应该思考,如何把已有的系统能力,以标准化、可控的方式开放给 AI。
我觉得未来衡量一个企业系统建设得好不好,除了人能不能方便地使用,还要看 AI 能不能安全、准确地使用。
当然,目前这个 MCP Server 仍属于实验性功能,不建议直接用于生产环境。
——
SAP is bringing AI agents directly into ABAP development through its official MCP Server.
What interests me most is not AI-generated code, but the architecture behind it: reusable capabilities, generic tools, fewer tokens, and controlled execution.
Enterprise systems should be designed not only for humans, but also for AI agents.
#SAP #ABAP #MCP #AI #Agent
1
104
最近发现 NVIDIA 开源了一个挺有意思的项目:Auto Ontology。
做过企业 AI 的应该都遇到过一个问题:数据库里几百上千张表,人都不一定搞得清楚,更别说 AI 了。
这个项目干的事很简单:
- 自动读取数据库的表、字段和关联关系
- 让 AI 理解这些数据背后的业务含义
- 自动构建业务本体和关系图谱
- 通过 MCP、API 提供给其他 Agent 使用
支持 MySQL、PostgreSQL 等多种数据源,也支持本地部署。
以前构建企业语义层,需要大量人工梳理业务对象和关系。现在,这部分工作有机会被大幅简化。
我觉得企业 AI 接下来的竞争,不仅是模型能力的竞争,更是谁能让 AI 真正读懂自己的业务。
NVIDIA Auto Ontology is an interesting step toward helping AI agents understand enterprise data, not just query it.
GitHub:github.com/NVIDIA/auto-ontol…
#AI #NVIDIA #Agent #Ontology #OpenSource
2
4
169
公开构建 Day 9|EntelliOS · 企业AI决策系统
AI查出一笔付款,然后呢?总不能让人再自己翻发票吧。
我在做一个帮企业财务人员用 AI 查询数据、分析风险并发起人工审批的产品。
付款能查之后,我给业务对象接了几条关系:
供应商开了哪张发票,发票关联哪笔付款,付款归哪个成本中心。
现在可以从一笔付款往回查,把相关信息带出来。第一版用PostgreSQL递归查询,先限制深度,也避免沿着同一个节点绕圈。
不过,查到关联不代表查到了原因。几笔付款属于同一个供应商,只能说明有关联,不能直接说风险就是它造成的。
这部分我想做得克制一点:先把证据找到,能解释到哪就解释到哪。
如果你在用这个助手,查到异常付款后,最想接着看什么?
#buildinpublic
1
3
67
欢迎黄回归
Over the past week, I’ve been overwhelmed by the love and support of friends, industry colleagues, and people I've never met. Thank you to everyone who has shown kindness to my family and me. It means the world to me.
I came to the United States 53 years ago, and becoming an American citizen is one of the greatest gifts and proudest moments of my life. NVIDIA has been my life’s work. Building it into the company it is today alongside my colleagues has been a privilege and an honor. Nowhere but in America could a company like NVIDIA be possible. I love our country, and I love NVIDIA.
I did not live up to the standards expected of everyone at NVIDIA, and I have made serious mistakes in my personal life. I created problems for the Board that I deeply regret. I own my mistakes completely, and I am committed to cooperating with the Board’s independent investigation.
Since my departure, I’ve seen an outpouring of calls from NVIDIA’s employees, investors, business partners, and customers for me to return as CEO. Many continue to reach out to me directly as the company navigates complex technology, market, competitive, and geopolitical dynamics. NVIDIA is a once-in-a-generation company. If the Board of Directors decides that my return is in the best interest of our shareholders, our employees, the company, and America, I would be honored to answer these calls and return as CEO.
Thank you again to everyone who has shared their good wishes. I am profoundly humbled by your support. To my family: I love you, and I will spend the rest of my life being worthy of yours.
Jensen
2
2
62
两种本体方案怎么选,我会先问四件事:
数据要多实时?
是否允许复制?
查询有多频繁?
要不要跨系统分析?
核心财务数据、高频分析、需要历史追溯:同步到实体库。
实时余额、低频查询、不能复制的数据:保留在源系统,按需查询。
实际项目往往不是二选一。付款、发票同步治理;账户余额和特殊敏感数据走实时接口,通常更合适。
如果只能优先保证一个,你会选实时性、数据一致性,还是接入速度?
本体方案二:不搬数据,只保存业务对象、字段映射和关联关系。
用户提问后,本体先找到 Supplier → Invoice → Payment 这条路径,再生成受控查询去原数据库取数据。
优点是接入快、数据新,也不用保存第二份明细。
问题是查询压力会落到源系统;跨库关联麻烦;原表一改,本体映射可能失效;权限、审计和查询性能都要单独控制。
它适合低频、强实时,或者明确不允许复制的数据。
如果生产库响应慢,你会继续直查,用只读库,还是补一层缓存?
1
1
39
本体方案二:不搬数据,只保存业务对象、字段映射和关联关系。
用户提问后,本体先找到 Supplier → Invoice → Payment 这条路径,再生成受控查询去原数据库取数据。
优点是接入快、数据新,也不用保存第二份明细。
问题是查询压力会落到源系统;跨库关联麻烦;原表一改,本体映射可能失效;权限、审计和查询性能都要单独控制。
它适合低频、强实时,或者明确不允许复制的数据。
如果生产库响应慢,你会继续直查,用只读库,还是补一层缓存?
本体方案一:先把数据同步到实体库。
好处很直接:
数据可以统一清洗、去重和打可信分;跨 ERP、财务、供应链做关联也更容易;分析不会直接压生产数据库,还能保留历史状态。
代价也不小:
要维护同步链路,会有一定延迟,还要处理字段变化、重复数据和存储成本。
这套方案适合核心数据和高频分析。前期工作多一些,但数据规模上来后通常更稳。
你遇到过最麻烦的同步问题是什么:延迟、数据对不上,还是源表经常变?



