高晓庄 札记

不确定性是人生唯一确定的事——我不再假装掌控一切 我以前一直以为”努力就能掌控”。这几年我慢慢承认——人生最大的事，没有一件是确定的。 我曾经是”掌控一切”型的人我 25 岁前的人生剧本是这么写的： 27 岁进入头部公司 30 岁当上管理岗 33 岁带团队 35 岁财务自由 40 岁想干嘛干嘛 这个剧本里没有”意外”二字。每个阶段都有明确目标，每个目标都有清晰路径。 我以为只要按计划走，人生就是可预测的。 现实把我打脸了剧本执行到现在（临近三十岁），几乎每个假设都开始站不住： 行业开始下行，”35 岁危机”提前逼近 公司开始裁员，”稳定”不再是稳定 AI 时代来了，5 年前的经验一半要重学 家庭、健康、父母养老——这些变量我一个都没规划过 我以为我能掌控的，其实一直在失控。 我们最容易犯的错：把人生当系统优化工程师优化系统的套路： 找到瓶颈 设定目标 制定计划 执行 监控反馈 迭代 这套方法论在系统优化上很有效——但在人生上经常失败。 为什么？因为人生的关键变量都是”软”的： 你的健康不是系统——最近体检报告开始出现以前没见过的指标 你的家庭不是系统——父母的老去...

为什么我不再相信”自由市场万能”——读《资本主义与自由》之后 20 岁时我是个”自由市场原教旨主义者”——觉得政府干预越少越好。工作几年后我承认——市场不是万能的，政府也不是。这是我从”读过书”到”活过事”的过程。 我曾经是”自由市场原教旨主义者”我大学时读米尔顿·弗里德曼的《资本主义与自由》，被他的逻辑深深折服。 他的核心论点： 自由市场能最高效地配置资源 政府干预会带来寻租、腐败、低效 个人自由是最高价值 这套逻辑干净、自洽、有说服力——20 岁的我完全被说服了。 工作几年后我开始动摇第一个动摇我的是”医疗”。 我工作第三年，家里老人重病。住院期间我才发现： 美国的医疗体系确实是”自由市场”——但医疗费用是中国人均收入的几十倍 很多穷人因为看不起病而死亡——这不是”效率”，是”不人道” 美国的医疗总支出占 GDP 18%——但健康指标（预期寿命、婴儿死亡率）远不如多数欧洲国家 欧洲的”全民医保”是”政府深度干预”——但效果反而更好 自由市场在这里失灵了——为什么？ 答案：信息不对称经济学里有个概念叫**”信息不对称”**——医生比病人更懂医学，医院比病人更懂药价。 ...

RAG 评估体系——怎么知道你的 RAG 系统好不好 没有评估指标,RAG 优化就是盲改。这套评估体系帮我把准确率从 70% 推到 92%。 为什么 RAG 评估难传统软件评估简单输入 → 输出 → 对比预期,准确率一目了然。 RAG 评估复杂RAG 系统的输出受多因素影响: 检索质量(召回了什么文档) LLM 能力(怎么生成答案) Prompt 设计(怎么拼上下文) 文档质量(原始数据好不好) 评估不能只看”最终答案对不对”——还要看”中间环节哪里出问题”。 RAG 评估的三个层面层面 1:检索质量判断检索召回的文档是否相关。 指标: Recall@K:Top-K 召回了多少相关文档 Precision@K:Top-K 召回了多少”假相关”文档 MRR(Mean Reciprocal Rank):第一个相关文档的排名倒数 层面 2:答案质量判断最终生成的答案是否正确。 指标: Answer Relevance:答案是否切题 Faithfulness:答案是否忠于检索内容(不胡编) Correctness:答案是否事实正确 层面 3:用户体验判断真实用户使用感受。 ...

这几年我开始理解”放下”——一些不那么好听的真话 “放下”这两个字被说烂了。朋友圈里”放下执念”、”放下过去”、”放下焦虑”——天天有人发。我这两年才开始真的理解——它不是”放弃”，是另一种”拿起”。 我曾经以为”放下”是”放弃”我大学时第一次读《金刚经》——“一切有为法，如梦幻泡影”。 当时的理解：这是劝人不要努力、不要追求、不要执着。 这个理解让我轻视了佛学很多年——觉得这是”消极避世”的学问，是”loser 的精神胜利法”。 这个理解是错的。 佛学说的”放下”，不是”放弃”——是”不执着于结果”。 具体区别： 放弃：我不做了 放下：我做，但我不被结果绑架 这两个区别巨大。 我这两年的三次”放下”第一次：放下”成为最优秀的人”我 25-28 岁那几年，疯狂追求成长： 读各种书 参加各种活动 认识各种人 拿各种证 学各种技能 我以为我是在追求”成长”——其实是在追求”比别人强”。 我执念的不是”成长”——是”比别人强”。 28 岁那年我突然意识到：不管我怎么努力，永远有人比我更年轻、比我更有精力、比我更新潮的东西。我永远不可能”最优秀”。 这不是能力问题——是”目...

LLM 部署优化——vLLM、TGI、SGLang 三大推理框架实测 自部署 LLM 选哪个推理框架?vLLM、TGI、SGLang 性能、吞吐、显存实测对比。 为什么需要推理框架直接用 transformers 跑 LLM——慢、显存占用高、并发差。 实测:Qwen-7B 单请求: transformers:首 token 800ms,生成 50 tokens/s vLLM:首 token 80ms,生成 200 tokens/s 差距 5-10 倍 推理框架的核心优化: KV Cache 管理:PagedAttention(vLLM 首创) 批处理:Continuous Batching 量化:INT8 / INT4 加速 并行:Tensor Parallel / Pipeline Parallel 三大框架的定位vLLM最流行的高吞吐推理框架—— UC Berkeley 出品 PagedAttention 首创 适合:高并发、生产环境 TGI(Text Generation Inference)HuggingFace 官...

AI 工作流自动化——n8n + LLM 实战 把 AI 嵌入工作流,自动化重复任务。n8n + LLM 是 2025 年最强组合。 什么是 AI 工作流自动化AI 工作流 = 多个工具 + LLM + 自动化编排。 经典场景: 用户提交工单 → AI 自动分类 → 分配给对应团队 → 通知 Slack RSS 新文章 → AI 摘要 → 发到 Discord → 归档到 Notion 邮件新消息 → AI 判断重要性 → 紧急的发短信,普通的归档 核心:AI 不替代人,而是嵌在流程的”决策点”上。 为什么选 n8n主流工作流工具对比 工具 开源 AI 集成 易用性 成本 n8n ✅ ✅ 原生 中 免费(自部署) Zapier ❌ ✅ 高 $20+/月 Make ❌ ✅ 中 $10+/月 Dify ✅ ✅ 极强 中 免费 Coze ❌ ✅ 高 免费 n8n 的优势: 开源、可私有部署 400+ 集成(几乎所有主流工具) AI 节点原生支持 可视化编排,逻辑清晰 自部署免费 n8n 的局限: 学习曲线比 Zap...

道德经里那段让我半夜睡不着的话 第一次读《道德经》是 22 岁，觉得老子是个”消极避世”的老头。今年重读，才发现我以为我懂的那些，全没懂。 大部分人读《道德经》读的都是鸡汤《道德经》最出名的几句话： “上善若水” “道法自然” “无为而治” “知足者富” 这几句话被各种心灵鸡汤、领导力培训、成功学借用了无数遍，但大部分都读反了。 比如”上善若水”——很多解读是”做人要像水一样，柔能克刚”。这其实是个很浅的解读。 老子说”水善利万物而不争”——“不争”不是”不与人争”，是”不强行把自己的意志加在万物上”。 真正让我半夜睡不着的，是这一段《道德经》第十一章： 三十辐共一毂，当其无，有车之用。埏埴以为器，当其无，有器之用。凿户牖以为室，当其无，有室之用。故有之以为利，无之以为用。 白话：三十根辐条汇聚到一个毂中间，正是因为中间是空的，才能装上车轴、才能转。揉和陶土做成器皿，正是因为中间是空的，才能装东西。开凿门窗建造房屋，正是因为中间是空的，才能住人。所以”有”给人便利，”无”发挥了作用。 我第一次读这段是在通勤地铁上，读完之后整夜没睡着。 我突然理解了我活过的所有事二十几岁...

MCP(Model Context Protocol)实战——AI 工具集成的新标准 MCP 是 Anthropic 推出的”AI 时代的 USB-C”。一次接入,所有模型都能用。 什么是 MCPModel Context Protocol(MCP) 是 2024 年底由 Anthropic 开源的协议。 核心思想:为 AI 模型和外部工具/数据之间,定义统一标准。 类比 USB-C: 以前:每个设备要单独接各种线(HDMI、VGA、DP…) 现在:一个 USB-C 接所有 MCP = AI 工具的 USB-C MCP 解决了什么问题之前:每个模型都要单独集成工具1234GPT-4o 调工具:用 OpenAI 的 function calling 格式Claude 调工具:用 Anthropic 的 tool use 格式Gemini 调工具:用 Google 的格式... 问题: 写一个工具,要在多个 SDK 里写多份 模型切换成本高 工具生态割裂 现在:MCP 统一接口12工具开发者:写一份 MCP server所有模型:都能调 一次开发,处...