EP146 · 设计师焦虑、持久化知识层、实体自动化 · 08-17 早报

Lenny 的职场情绪调研里，设计师和用研在各维度都最不快乐。OpenAI 产品设计负责人 Ian Silber 的诊断是：焦虑来自角色期望不清——工程师生产力提升 10 倍乃至 100 倍，设计流程却依然混乱，反馈与对齐省不掉。他却认为这是做设计师的最好时代，今天入行也占先机。他还披露 OpenAI 的节奏：有的功能试 100 个方案扔掉 99 个，有的从想法到上线只要 4 小时。

作者长期运营 RAG 系统，发现每次问答后推理成果即被丢弃，语义缓存缓存的不是理解，而是答案。文章据此提出证据、知识、编排三层架构，把矛盾显式建成对象，宁可宣布无解也不擅自选边，因为更新的文档未必更适用。设计全部在 21 份合成保险文档上以 Azure 加 gpt-5-mini 实测，并给出成本模型：约 117 次提问后回本。

Kalanick 把创业的元问题写成一个不等式：问题解决的速度必须不小于问题产生的速度。长访谈里他解释 Adams 为何做专用机器人、一次改造一个行业；回忆 Uber 单量前十的城市一度全在中国，每月烧数千万美元与滴滴打补贴战，最终让出 7% 股权换来本地伙伴；融资方法论也讲得极细，五个房间连开一周做价格发现。

本文评测了 Qwen 3.8 27B，在肯定其强大性能的同时，批评了默认的 “xhigh” 推理设置导致的过度思考和生成缓慢问题，并建议在实际使用中采用较低的推理级别。

作者分享实战案例：Fable 5 在既定框架内优化 BaoCut 转录效果有限，最终通过人工分析数据包发现瓶颈在于冗长 JSON 输出，改用「模型出简单文本、代码做复杂解析」的反直觉策略，将调用次数从 33 降到 12、耗时从 31 分钟降到 18 分钟，7 小时访谈润色仅需 42 分钟，成本约 ¥0.4/小时。

本文指出，AI 模型正越来越多地将推理能力置于事实知识之上，通过程序化推理替代世界知识，以减少参数数量并提高效率，同时依赖外部知识库获取事实信息。

一份数据驱动指南，展示了五种实用策略——模型分层映射、级联路由、响应缓存、提示词压缩和请求批处理——如何在保持质量的同时将 AI API 成本降低 95% 以上。

宝玉详细解读了 Anthropic 采用的 SynthID-Text 文本水印方案，解释了其通过改变随机数来源嵌入统计痕迹的机制及其对质量、代码和隐私的影响。

江小涓教授指出，人文社科研究 AI 应超越已成共识的技术事实，重点关注因技术进步而“出局”的弱势群体，并通过“分布式”合作实现社会福利最大化。

本研究介绍了 LittleLearner，这是一个受控沙盒环境，仅使用 K-5 课程数据训练大语言模型，证明了预训练数据质量决定了有效能力上限，而扩展规模、后训练和上下文学习只能放大能力，无法突破这一边界。