把"持续转动"做成飞轮，把"间歇努力"做成手推——多数人每天都在重复推石头。

1. 飞轮本质：因果闭环，每一圈的输出是下一圈的输入
2. 三特征：可识别、可累积、可自增强——区别于"直线努力"
3. 个人飞轮：刻意练习 → 能力 → 更好机会 → 更高标准 → 持续练习
4. 个人网站飞轮：阅读/工作 → 思考笔记 → 博客卡片 → 知识架构 → 反哺阅读
5. 三个常见误判：把愿景/指标/行业常识当飞轮
6. 三个反转征兆：换飞轮太快 / 用权威替代飞轮 / 齿轮太多
7. 判断标准：5 分钟内讲给陌生人听，且不能被任何同行无缝复制
8. 结论：飞轮不是工具，是复杂系统增长的物理必然——服从它或被淘汰

赚钱策略的钱有上限——这是大多数量化课只秀收益曲线、从不告诉你的事。

1. 反常识动作：稳定赚钱的策略，操盘手最先做的不是加钱加杠杆，而是给资金上限封顶
2. 餐馆类比：容量是 20 张桌子的小店，自己吃没事，想服务 1 万人炒不过来
3. 冲击成本：你自己的买单买高价格、卖单砸低价格，把自己的利润吃掉了
4. Alpha 衰减：小空子被发现的人越多，利润越薄，天花板本身在往下掉
5. 小钱 ≠ 大钱：漂亮曲线很可能只是因为钱还小、还没撞到天花板
6. 里子 vs 门面：年化 100% 但只能装 100 万，不如年化 30% 但能装上亿的策略值钱

MCP 接 OAuth 2.1 不是"为了安全"四个字能打发的，它是 AI Agent 进企业生产环境的准入门槛。

• 原生隐患：静态 API key 写死在配置文件里，大模型等于顶着管理员权限在跑。
• 三宗罪：权限失控、提示词套话吐令牌、所有操作审计不到具体人。
• 为什么是 2.1：砍掉隐式授权和密码模式，PKCE 从可选变强制。
• 关键设计：令牌只活在客户端传输层，绝不进大模型上下文。
• 最大难点：Agent 推理跑到一半令牌过期，靠 401 静默刷新兜住思考链。
• 规模化：DCR 让企业内上千个 MCP server 免手工注册凭证。

Figma 官方远程 MCP 让 Claude Code 直接读/写设计稿，但 OAuth 流程有两个非显而易见的坑。

1. 接入前提：Figma Professional/Organization/Enterprise 付费计划，免费的不支持官方 MCP。
2. 一行接入：claude mcp add --transport http --scope user figma https://mcp.figma.com/mcp，写入 ~/.claude.json。
3. OAuth 第一坑：/mcp 弹窗 不显示待认证的 HTTP server，诊断靠 claude mcp list。
4. OAuth 第二坑：claude mcp login 需要交互式 TTY，Claude Code 内 Bash 跑会失败。
5. 解决路径：自己用终端跑 claude mcp login figma，浏览器授权完再回 Claude Code。
6. 验证方式：claude mcp get figma 应返回 Status: ✔ Connected。
7. 卸载命令：claude mcp remove figma -s user。

把 Figma 设计稿当 spec 用，AI 写页面才有收敛条件——这套做法可以叫 DDD（Design-Driven Development）。

1. spec 分两层：文字管行为，设计稿管视觉，markdown 写不出间距是 32 还是 40。
2. 给 AI 一个停止条件：截图对比设计稿，视觉差异就是可判定的验收标准。
3. 协作契约：按 frame 分工，人和 agent 的接口都是设计稿，不是口头描述。
4. 省 token：反复 prompt 试布局，比在 Figma 里拖两下贵一个量级。
5. 改得动：需求变更直接改设计稿，不用重写一遍 prompt 再全量重生成。
6. 例外：单人开发、无协作、token 预算充足，直接 coding 也没问题。
7. 短板：Figma 画布里那个 AI 现在还偏弱，内置模型有待优化。

Chrome 用 4 个发布通道（Canary / Dev / Beta / Stable）同步推进，同一份代码按顺序流过所有通道后才进入 Stable。

1. Canary：每天构建，测试最少，可能导致崩溃。
2. Dev：每周 1-2 次构建，可能和 Canary 在同一个 MAJOR。
3. Beta：每周小更新 + 每 4 周大更新，比 Stable 早一个月以上拿到新功能。
4. Stable：每 2-3 周小更新 + 每 4 周大更新，分阶段从 1-5% 灰度到 100%。

核心反直觉："渠道 ≠ 版本"。MAJOR 号是里程碑（M101、M102、M103…），不是"我现在用的是第几代 Chrome"。同一时刻 Stable、Beta、Dev/Canary 经常对应 3 个连续的 MAJOR —— 但 Dev 和 Canary 可以共享同一个 MAJOR。

Vercel Labs 开源 scriptc，把 TypeScript 编译成不含 V8 的原生二进制。这条路 2016 年就有人走了。

• 不是新叙事：从 ts2c 到 Porffor 已经走了十年
• 分水岭在 三 档：静态编译 / 嵌引擎 / 拒绝编译并报错码
• 静态产物：170–200 KB，启动 2.4 ms，内存 1–4 MB
• 对照 Node SEA：60–100 MB，47 ms，67–116 MB
• Perry 早半年：押的是 Node 兼容性和 11 个平台
• 真正的争议：不是谁抄谁，是两边都由 AI 大规模生成
• 结论：CLI 和 Serverless 可以试，别现在卸载 Node

AI 投研，值钱的不是模型多猛，而是研究纪律够不够硬。

1. 核心观点：1 行命令生成 4 视角、交叉验证、明确标注不确定性的深度投研报告。
2. 项目：ai-berkshire（14.5k stars / MIT），把 4 位大师方法论压成 20 个 skill。
3. 架构：Skill 层 → Agent 层 → Tool 层，团队型 skill 由 Team Lead 并行启动 4 位大师 Agent。
4. 4 位大师对抗：段永平（业务本质）、巴菲特（护城河）、芒格（反向）、李录（文明级趋势）。
5. 防 LLM 算错：Python decimal.Decimal + 2 源交叉验证 + 市值手算。
6. 成本提醒：深度研究吃 token，先用轻量 skill（quality-screen / news-pulse）筛一遍。

能生成因子只是生产力，能证明因子不是幻觉才是研究力。

• Qlib 不是自动赚钱工具，是量化实验室的基础设施
• RD-Agent 不制造真理，只降低提出和验证候选想法的成本
• 未来函数藏在复权方式和成分股名单里，不在显眼代码里
• 人一天测十个想法靠自觉，AI 一天测一千个只能靠制度
• 奖励函数写成回测收益，自动化越强，过拟合越快
• 六 道闸门：数据审计 → 研究集 → 独立 OOS → walk-forward → 组合与成本 → 仿真实盘

事件驱动思维是把 "到点做什么" 换成"当什么发生就做什么"，用触发条件代替时间表。

• 本质：决策的锚点从时间刻度移到状态变化，计划变成一组 if-then 规则。
• 为什么有效：计划假设未来可预测，事件只要求你认得出信号。
• 个人层面：把"我要多读书"改写成"晚饭后收拾完碗，就翻开书"。
• 协作层面：别轮询进度，让状态变化自己找上你，砍掉时间耦合。
• 落地三步：定义可观测的事件 → 写响应动作 → 给每条规则配超时兜底。
• 头号陷阱：事件永远不来，没有兜底的规则等于无限期空等。
• 适用边界：目标必须自己推进、没有外部信号可等时，回到计划驱动。
• 一句话：不确定的世界里，可靠的不是时间表，是触发条件。