开启时会模糊预览图，关闭后正常显示
选择联合创始人是创业路上最关键的一步，它直接决定了公司的命运。 在这方面，风投界传奇人物本·霍洛维茨（Ben Horowitz）的经验之谈值得每一位创业者深思。 他总结的四大原则，不仅适用于科技初创公司，更揭示了团队协作的底层逻辑。 第一原则：别让焦虑主导决策 创业初期，每个人都会经历那种“前途未卜”的焦虑——担心产品失败、团队散伙、市场不买单。 这种情绪很容易让人产生“找个合伙人就能安心”的冲动，甚至随便拉上身边的人凑数。这其实是最大的误区。 本·霍洛维茨曾坦言，这种“抓不住就随便选”的心态，往往会让你在未来埋下巨大的隐患。真正的合伙人，应该是基于深思熟虑的能力互补，而非一时的情绪依赖。 第二原则：“基于事业的友谊”比“基于友谊的事业”更可靠 石油大亨洛克菲勒有句名言：“基于事业的友谊比基于友谊的事业更牢固。” 本·霍洛维茨对此深表认同。 他认为，把朋友拉来做合伙人，往往是用感情绑架了事业。 友情中难免有包容和妥协，但商业需要清晰的规则和理性的判断。如果因为“关系好”就忽略对方的能力、价值观和抗压性，最终很可能让友情和事业双双受损。好的创业伙伴，应该是能在事业上并肩作战的战友，而非仅仅是酒桌上的朋友。 第三原则：和“知根知底”的人一起干 本·霍洛维茨建议，最好选择认识已久、彼此尊重的人做合伙人。他以“披头士”和“门基乐队”为例：披头士四人从少年时期就一起创作、演出，彼此了解对方的才华和脾气，这种“共同成长”的默契让他们成为音乐史上的传奇；而门基乐队是唱片公司强行拼凑的“偶像团体”，表面光鲜却缺乏真正的凝聚力，最终难逃昙花一现的命运。创业是一场漫长的马拉松，只有和真正了解、信任的人同行，才能在困境中相互支撑，走得更远。 第四原则：股权要“平等”，CEO要“明确” 最后一点，本·霍洛维茨强调了股权分配和CEO角色的重要性。他认为，股权分配至少要“看起来平等”，如果连这一点都做不到，团队从一开始就会埋下矛盾的种子。更重要的是，必须明确谁来当CEO。创业公司最忌讳“多头领导”，如果几个合伙人都想主导决策，公司会陷入无休止的内耗。本·霍洛维茨直言，他投资时会格外关注“谁是带头人”——没有清晰的领导者，公司就像一盘散沙，再强的执行力也无从谈起。 这四大原则看似简单，实则蕴含着对人性、商业和团队的深刻洞察。选择合伙人，本质上是选择未来十年甚至更久的人生伙伴。与其在焦虑中盲目凑数，不如花时间寻找那个能力互补、价值观契合、能陪你共渡难关的“战友”。毕竟，创业路上最珍贵的，从来不是钱和资源，而是那些愿意和你一起“把不可能变成可能”的人。
找工作、找面试题、改简历、模拟面试。关注： 创业（冷启动） ｜ 认知心理学｜智能体 ｜ 强化学习 building：https://t.co/A4YmEz90B8
![[值得每一个 AI 应用团队仔细阅读]
上线一个新的 LLM 并非像用户想象中那样“点击开关”般简单，而是一项严谨、复杂的系统工程。模型选择不应仅仅是个人的偏好和简单对比 Benchmark，而是一个极其复杂的系统问题。@coderabbitai 团队通过繁重的基础设施工作，屏蔽了底层的复杂性，只将打磨好的最终结果呈现给用户，他们总结出了从实验到上线的五个阶段。
1. 探索期：解析模型的“DNA”
核心任务：搞清楚这个新模型到底是什么。
具体做法：不仅仅看宣传噱头（如“推理更强”），而是深入分析它的架构偏好：它是更擅长推理，还是更擅长写代码？它适合做复杂的差异分析，还是简单的总结工作？
目的：不盲目问“它更好吗？”，而是问“它适合放在系统的哪个环节？”。
2. 评估期：数据胜于感觉
核心任务：用硬指标说话，拒绝主观臆断。
具体做法：
· 定量：运行内部基准测试，考察覆盖率、精确度、信噪比和延迟等指标。
· 定性：对比生成的评论语气、清晰度和帮助性。因为即使指标好看，模型说话的风格如果不符合人类开发者的习惯（比如太啰嗦或太生硬），也是不合格的。
· 关键点：模型之间不可互换。在一个模型上表现完美的提示词，在另一个模型上可能完全失效。
3. 适配期：驯服差异
核心任务：微调与磨合。
具体做法：针对模型的“脾气”调整提示词。有趣的是，团队会利用 LLM 自己来优化自己（例如问模型：“这句话太客气了，基于原始逻辑，怎么改得更直接一点？”）。同时，团队会与模型提供商保持密切联系，反馈边缘情况下的 Bug。
4. 发布期：从实验室到实战
核心任务：极其谨慎的灰度发布。
具体做法：
· 内部狗粮：先让 CodeRabbit 自己的团队在实际开发中使用。
· 小范围公测：开放给一小部分外部用户。
· 随机分流：在不同类型的代码库和组织中均匀分配流量，期间密切监控错误率、用户接受度以及是否有负面反馈。
原则：一旦发现任何质量下降或风格漂移，立即回滚。
5. 稳态期：持续警惕
核心任务：防止模型“悄悄变笨”。
具体做法：上线不是终点。通过自动化警报和每日抽样检查，确保模型随着时间推移或流量增加，依然保持高质量的输出，防止出现隐性的性能衰退。
核心总结：为什么要这么做？为什么不让用户自己选择模型？
虽然技术上可以让用户自己在设置里选 GPT-5 或 Claude Opus 4.5，但这实际上是将复杂性转嫁给了用户。如果用户想获得最佳效果，他们自己需要完成上述所有的评估、调试、提示词优化和监控工作——这对于普通开发者或团队来说是不现实的，也是巨大的成本浪费。
阅读原文](/_next/image?url=https%3A%2F%2Fpbs.twimg.com%2Fmedia%2FG7fK9DvbwAA2mci.jpg&w=3840&q=75 "[值得每一个 AI 应用团队仔细阅读]
上线一个新的 LLM 并非像用户想象中那样“点击开关”般简单，而是一项严谨、复杂的系统工程。模型选择不应仅仅是个人的偏好和简单对比 Benchmark，而是一个极其复杂的系统问题。@coderabbitai 团队通过繁重的基础设施工作，屏蔽了底层的复杂性，只将打磨好的最终结果呈现给用户，他们总结出了从实验到上线的五个阶段。
1. 探索期：解析模型的“DNA”
核心任务：搞清楚这个新模型到底是什么。
具体做法：不仅仅看宣传噱头（如“推理更强”），而是深入分析它的架构偏好：它是更擅长推理，还是更擅长写代码？它适合做复杂的差异分析，还是简单的总结工作？
目的：不盲目问“它更好吗？”，而是问“它适合放在系统的哪个环节？”。
2. 评估期：数据胜于感觉
核心任务：用硬指标说话，拒绝主观臆断。
具体做法：
· 定量：运行内部基准测试，考察覆盖率、精确度、信噪比和延迟等指标。
· 定性：对比生成的评论语气、清晰度和帮助性。因为即使指标好看，模型说话的风格如果不符合人类开发者的习惯（比如太啰嗦或太生硬），也是不合格的。
· 关键点：模型之间不可互换。在一个模型上表现完美的提示词，在另一个模型上可能完全失效。
3. 适配期：驯服差异
核心任务：微调与磨合。
具体做法：针对模型的“脾气”调整提示词。有趣的是，团队会利用 LLM 自己来优化自己（例如问模型：“这句话太客气了，基于原始逻辑，怎么改得更直接一点？”）。同时，团队会与模型提供商保持密切联系，反馈边缘情况下的 Bug。
4. 发布期：从实验室到实战
核心任务：极其谨慎的灰度发布。
具体做法：
· 内部狗粮：先让 CodeRabbit 自己的团队在实际开发中使用。
· 小范围公测：开放给一小部分外部用户。
· 随机分流：在不同类型的代码库和组织中均匀分配流量，期间密切监控错误率、用户接受度以及是否有负面反馈。
原则：一旦发现任何质量下降或风格漂移，立即回滚。
5. 稳态期：持续警惕
核心任务：防止模型“悄悄变笨”。
具体做法：上线不是终点。通过自动化警报和每日抽样检查，确保模型随着时间推移或流量增加，依然保持高质量的输出，防止出现隐性的性能衰退。
核心总结：为什么要这么做？为什么不让用户自己选择模型？
虽然技术上可以让用户自己在设置里选 GPT-5 或 Claude Opus 4.5，但这实际上是将复杂性转嫁给了用户。如果用户想获得最佳效果，他们自己需要完成上述所有的评估、调试、提示词优化和监控工作——这对于普通开发者或团队来说是不现实的，也是巨大的成本浪费。
阅读原文")
[值得每一个 AI 应用团队仔细阅读] 上线一个新的 LLM 并非像用户想象中那样“点击开关”般简单，而是一项严谨、复杂的系统工程。模型选择不应仅仅是个人的偏好和简单对比 Benchmark，而是一个极其复杂的系统问题。@coderabbitai 团队通过繁重的基础设施工作，屏蔽了底层的复杂性，只将打磨好的最终结果呈现给用户，他们总结出了从实验到上线的五个阶段。 1. 探索期：解析模型的“DNA” 核心任务：搞清楚这个新模型到底是什么。 具体做法：不仅仅看宣传噱头（如“推理更强”），而是深入分析它的架构偏好：它是更擅长推理，还是更擅长写代码？它适合做复杂的差异分析，还是简单的总结工作？ 目的：不盲目问“它更好吗？”，而是问“它适合放在系统的哪个环节？”。 2. 评估期：数据胜于感觉 核心任务：用硬指标说话，拒绝主观臆断。 具体做法： · 定量：运行内部基准测试，考察覆盖率、精确度、信噪比和延迟等指标。 · 定性：对比生成的评论语气、清晰度和帮助性。因为即使指标好看，模型说话的风格如果不符合人类开发者的习惯（比如太啰嗦或太生硬），也是不合格的。 · 关键点：模型之间不可互换。在一个模型上表现完美的提示词，在另一个模型上可能完全失效。 3. 适配期：驯服差异 核心任务：微调与磨合。 具体做法：针对模型的“脾气”调整提示词。有趣的是，团队会利用 LLM 自己来优化自己（例如问模型：“这句话太客气了，基于原始逻辑，怎么改得更直接一点？”）。同时，团队会与模型提供商保持密切联系，反馈边缘情况下的 Bug。 4. 发布期：从实验室到实战 核心任务：极其谨慎的灰度发布。 具体做法： · 内部狗粮：先让 CodeRabbit 自己的团队在实际开发中使用。 · 小范围公测：开放给一小部分外部用户。 · 随机分流：在不同类型的代码库和组织中均匀分配流量，期间密切监控错误率、用户接受度以及是否有负面反馈。 原则：一旦发现任何质量下降或风格漂移，立即回滚。 5. 稳态期：持续警惕 核心任务：防止模型“悄悄变笨”。 具体做法：上线不是终点。通过自动化警报和每日抽样检查，确保模型随着时间推移或流量增加，依然保持高质量的输出，防止出现隐性的性能衰退。 核心总结：为什么要这么做？为什么不让用户自己选择模型？ 虽然技术上可以让用户自己在设置里选 GPT-5 或 Claude Opus 4.5，但这实际上是将复杂性转嫁给了用户。如果用户想获得最佳效果，他们自己需要完成上述所有的评估、调试、提示词优化和监控工作——这对于普通开发者或团队来说是不现实的，也是巨大的成本浪费。 阅读原文
邵猛，中年失业程序员 😂 专注 - Context Engineering, AI Agents. 分享 - AI papers, apps and OSS. ex Microsoft MVP 合作 - 私信/邮箱：shaomeng@outlook.com 📢 公众号/小红书: AI 启蒙小伙伴
RT @affLeopard: 现在怎么怎么样，还来得及吗？ 我现在才开始做？会不会太晚了！ 种一棵树最好的时间是10年前，其次是现在！ 我听到过一个印象深刻的例子： 一个学员有些焦虑地去问学历提升的老师： “我现在都二十好几了，等我拿到这个本科学历，都30多了 还来得及吗…
独立开发者 ｜ 个人IP教练 ｜ 帮助新手在X上完成早期成长｜ 公众号：PandaTalk8
说的太好了，那些总拿着“你的好还不够好”这套说辞 自诩完美主义者觉得自己在道德制高点俯视别人的人是最可怕的，最好的情况面对内心强大的人只是一笑而过，假如内心不够强大非常容易陷入自我怀疑。我也曾深受其害。 他们内心其实是虚弱的，希望你失败来掩盖自己内心的固步自封和一事无成。 这种人比无脑喷子更可怕，一定要第一次时间 block 掉，他们越急着说你“还不够好”， 越说明你已经好得让他们害怕了。继续干就是了。
独立开发者 自由职业 作品 - 简单简历 https://t.co/xMu5JFIGnr 五分钟打造程序员的金牌简历 课程 - 慕课网精英讲师 https://t.co/NTyFFrvHwL 经历 - 不上班的1000天 https://t.co/bonuLQCCsY 视频 - https://t.co/aQYLgujIyC
Pake 一键打包网页生成轻量桌面应用，非常适合你想快速推出 macOS, Windows, Linux 的场景，https://t.co/2OgMlllzbe 最近发布了 V3.5 版本，这次主要是优化完善支持如下： 1. 新增 --force-internal-navigation 参数，可以让所有的页面跳转都在 pake 内部打开 2. 修复内部下载文件的体验，防止重复下载，修复 Linux 环境下图表 PNG 转换异常 3. 构建脚本与依赖配置更新，改进内容输出与资源稳定性，防止有些地方看不到日志。 在 Pake 的官方打包应用里面，这次推荐一个好用的适合程序员使用的敲代码过程中听的音乐工具 ProgramMusic，界面效果非常 Hacker，音乐本身偏纯音乐，挺不错，也即这就是 Pake 打包一个网页成桌面端后的效果。
Father of Pake • MiaoYan • Mole • XRender
Homes should have high ceilings by default…. I feel like it helps “lifting you up” you know?
Twitter User