2026 年 AI Agent 的真正主战场不在 ChatGPT 这种对话框里，而在用户的桌面端 —— 直接接管点击、视觉验证、本地长 workflow 的能力，云端 Agent 暂时做不到。

1. 方向转向：桌面端 Agent 率先爆发，2C 侧先于 2B，传统桌面软件进入"回光返照"窗口期。
2. 核心优势：千人千面 + 极低使用成本 + 极低试错成本，云端 SaaS 不具备这种灵活度。
3. 战场转移：Agent 取代的第一步是人在桌面的操作：点击、视觉验证、多软件长 workflow。
4. 演进优先级：先跑通本地流程，云端 SaaS 那些传统优势后做再说；本地 + token key 已足够跑 MVP。
5. 结论：个人 PC + AI 是 2026 年最被低估的应用形态，性价比远超云端订阅。

Anthropic 的真正危机不是模型能力，而是商业模式——一手收客户的钱、一手偷客户的数据和 IP，等模型足够好那天，企业就会发现这是一笔血亏的交易。

1. 指控核心：提供模型的公司会变成你的竞争对手，Figma、Cursor 都被吃过了。
2. 老剧本重现：微软靠 Windows 垄断吃掉合作伙伴、Google 用搜索流量做自家页面、OpenAI 在 YC 撒钱偷创新。
3. 成本测算：实测用最强开源模型替代 Anthropic，成本降 90%+，代价只是慢 3 倍。
4. 关键窗口：6~12 个月，开源模型一旦越过能干活的门槛，闭源巨头就被绕开。
5. NVIDIA 转向：英伟达模型免费送、靠芯片赚钱，帕兰提尔 + 英伟达 = "主权 AI" 已经在跑了。

Electron 的本质是两个不同类型的进程，IPC 是它们之间唯一合法沟通的桥。

1. 进程模型：一个 main 进程（Node.js 全权限）+ N 个 renderer 进程（Chromium 受限沙箱）
2. IPC 核心：main 用 ipcMain 监听，renderer 用 ipcRenderer 发起，contextBridge 是安全转交
3. 三种调用模式：send/on（单向）、invoke/handle（异步返回值）、MessagePort（双向长连接）
4. 安全铁律：默认开 contextIsolation + nodeIntegration: false，主进程做权限守门人
5. 反模式：在 renderer 里直接 require('fs')、把 token 放 IPC payload、不校验 sender

Electron 日志的三个核心决策点：存哪、怎么切、怎么查。

1. 存哪：主进程写 app.getPath('userData')/logs，渲染进程通过 IPC 转交，不要直接写文件系统
2. 怎么切：按大小滚动 + 按天滚动，绝对不要单文件无上限写入
3. 怎么查：开发环境直接 tail，生产环境用 electron-log 的文件路径 + 崩溃堆栈上报
4. 级别分级：error/warn/info 写文件，debug/trace 仅本地 console
5. 崩溃捕获：JS 异常走 uncaughtException，native 崩溃走 crashReporter，两条路不能混
6. 敏感信息：token / cookie / 密码进日志前必须 redact() 脱敏

React ref 和 forwardRef 不是一个层级的概念。

ref 是 React 故意不放入 props 的"逃生通道"，forwardRef 是把这个通道从 class 实例延伸到函数组件的桥梁。

• ref 是 React 特殊处理的 prop：class 组件默认挂到实例，函数组件默认拿不到
• forwardRef 把 ref 这个逃生通道"打通"到函数组件内部的 DOM 或组件实例
• 经典组合：forwardRef + useImperativeHandle，自定义暴露给父组件的方法集合
• displayName 给 DevTools 留个可读名字，避免看到一堆 "ForwardRef" / "Anonymous"
• React 19 起 ref 已经是普通 prop，forwardRef 即将退役——但理解它仍是排查老代码的基础

量化分析没什么神秘的，本质是对冲基金的算法升级版。

• 三大分析框架：基本面（自上而下：宏观→行业→公司）、技术面（量价时空）、量化（数学+程序化+算法模型）
• 定性 vs 定量：基本面是定性研究，回答"这个人怎么样"；量化是定量研究，给出"第一年 200 万、第二年 300 万"的精确数字
• 量化三步走：数据收集 → 拟定公式 → 回测（权重来回调，看哪个配比更贴近历史真实走势）
• 两大主流策略：多因子模型（最易理解）、高频交易（升级版做市商）
• 两个致命缺陷：量化拥挤（同质化策略同节点同动作）、幸存者偏差（活下来的机构才被你看到）

GNI（Gross National Income，国民总收入），原称 GNP 国民生产总值。

• GNI 公式：GNI = GDP + 来自国外的初次分配收入净额，是收入概念而非生产概念
• 世界银行 4 档分组：低收入、中低收入、中高收入、高收入，按人均 GNI 划分
• FY2027 数据：高收入 64 个、中高 59 个、中低 46 个、低收入 25 个
• 中国跃迁：从 1990 年代低收入升至中高收入，30 年跨越大半个分组表
• 俄罗斯回归：重回高收入行列，与美/加/日/澳并列
• 总量 ≠ 人均 ≠ 消费实力：外汇储备、GDP、出口靠前不等于腰包同步鼓起来
• 中等收入陷阱：跨入中高收入后，多数国家会面临增长放缓的考验

GDP（Gross Domestic Product，国内生产总值）是衡量一国经济活动的 核心总量指标，理解它等于拿到宏观经济分析的"入门钥匙"。

• 定义：一个国家或地区所有常住单位在一定时期内生产活动的最终成果
• 构成公式：GDP = 消费 + 私人投资 + 政府支出 + 净出口
• 统计原则：只算最终产品，中间产品不计，避免重复计算
• 衍生视角：人均 GDP 看富裕程度、绿色 GDP 看可持续性
• 三者互补：GDP 总量、人均、绿色 GDP 分别对应市场规模、生活水平、可持续发展能力
• 生产地原则：iPhone 在华组装，但大部分利润算美国 GDP

Graph Engineering 是 Loop Engineering 之后冒出来的下一个 AI Agent 工程热词——70% 是新瓶装旧酒，30% 是真东西。

1. 真变化：单 Agent 自迭代（Loop）升级为多 Agent 协同 + 治理（Graph），前者解决收敛，后者解决分工
2. 关键术语：节点 + 边 + 状态，再叠加节点契约、调度、持久化、并发、恢复、权限、评估
3. 触发事件：Peter Steinberger 7 月 18 日"还搞 Loop？该 Graph 了"推文两天 200 万浏览
4. 三层架构：Harness（运行躯干）→ Loop（收敛循环）→ Graph（编排网络），90% 的 Agent 死在 1-2 层
5. 踩坑提醒：单 Agent 任务硬上多节点是过度设计，先把 Loop 跑稳
6. 判断标准：单 Agent 自我迭代无法收敛时加 Loop；多个 Loop 互相打架时再加 Graph

Skill 存流程，Memory 存经历，事实没人存——这就是 Knowledge 必须单独留一层的原因。

1. 三 层分工：Skill 管怎么做，Memory 管发生过什么，Knowledge 管事实是什么。
2. 事实写进 Skill 会腐坏：流程半年一改，价目表一周一改，两者不能同一个生命周期。
3. 事实写进 Memory 会被污染：一次错误结论会被当成「我记得」反复引用。
4. Graph 不是没前途，是被误当成通用记忆层：独占场景只剩多跳关系和时序失效。
5. 大多数公司不需要再抽一张图——业务库外键、CMDB、数据血缘早就是图。
6. grep 替代 RAG 有三个前提：在文件系统上、目录有语义、术语是稳定字面量。
7. 结论：知识组织的成本从检索侧前移到了写作侧。