Leo的笔记本

一次自我清算：命令行工具装了一堆、订阅开了一堆，论文却没进展。粗算过去三个月在工具和接口上的开销，够一个月伙食费，我才承认自己是在体验工具而不是完成任务。现在开工具前先问论文能多出什么。

读 Scaling Laws 论文后的一篇联想笔记：我把幂律、样本效率、早停这些概念对照到自己的学习上，比如知识网大了学新东西更顺、只输入不实践像过拟合。这是个人类比，不是论文的结论。

从“人人都吃早餐，谁会买你的豆浆”聊到 AI 技能变现：用户要什么结果，哪些环节值得定制，什么时候才适合做成产品。保留一次交流里对需求和交付的判断。

一个周六画图崩掉后的反思：桌面十几个软件、浏览器几十个标签页，我以为在并行推进，其实大量精力耗在上下文切换上。借 Token 和 completion 的比喻，我给自己定的解法是每天留一段单线程时间。

记录我开通年度会员后调 API 的过程：图像生成能调通；语音合成卡在模型名上，翻官方 SDK 才找到会员套餐支持的那个。附我当时整理的错误代码和参数说明，额度以账户页面为准。

转述一位研究生秋招复盘里的判断，再加我自己的理解：他认为实习经历的权重高于论文，项目讲解、八股和手撕题各有准备方法。这是他个人的求职样本，我倾向读博，只把实习当作补认知的渠道。

我写论文时让 AI 推荐文献，拿到几条格式完美的引用，核实后发现好几条根本不存在。之后我的习惯改成：只让 AI 梳理方向、用联网工具交叉验证、引用前逐条点开确认。找文献和读文献分开。

我配 OpenClaw 多 Agent 时发现主智能体加载人格、记忆等七层文件，子智能体只加载规则和工具。我理解这是决策集中、执行专注的结构。文中对开销的估算是我的体感，不是测量值。

转述一位工科生从亏损到跑通量化策略的经历，对我触动最深的是他从预测涨跌转向管理风险。我把回测漂亮不等于实盘有效对照到自己的实验上：实验室指标好，真实场景未必成立。

复盘我自己用 AI 写代码从能跑但丑到能用的过程，整理成六个阶段：从下命令到对话协作、管上下文、精简工具、固化流程、多实例并行。这些是我的体感台阶，不是人人必经的路线。