记录时代的洪流下,自我转变、家庭规划的十年。
什么是全天侯投资策略 全天候投资理念(All-Weather Investing)是一种旨在在各种市场环境下都能实现稳定增长的投资策略。这个理念最著名的实践者是美国投资者雷·达里奥(Ray Dalio),他创立了全球最大的对冲基金之一,桥水基金(Bridgewater Associates)。 全天候投资策略的核心思想是通过分散投资来降低风险。这种策略通常包括投资于股票、债券、商品和现金等不同资产类别,以平衡各种经济条件下的表现。其目的是在经济增长期和衰退期都能保持投资组合的平稳增长,从而在不同的市场环境中都能保护和增长投资者的资本。 具体到投资配置上,全天候投资策略强调: 股票 - 代表经济增长的潜力和通胀的影响。 长期债券和中期债券 - 提供逆经济周期的保护,并在利率下降时增值。 黄金和大宗商品 - 作为对冲通胀和货币贬值的手段。 现金和短期债券 - 在经济不确定性期间提供安全垫。 通过这种方式,全天候投资策略试图在各种经济环境中实现资本的安全和适度增长。这种策略适合那些寻求长期稳定回报、风险相对较低的投资者。 全天侯代表: 为什么选择全天侯策略
不知不觉,2025 年已经走完。踏入 2026,再回头看这一年,心里只有一个简单而笃定的感受——值得被铭记的一年旅行篇:一家人在路上2 月份,全家前往欧洲,进行了为期两周的深度旅行。那段时间,难得地避开了日常生活中“一家三口各忙各的”状态,而是真正切换到了全家在一起的生活节奏。最让我欣慰的是,儿子主动承担起了行程规划和对外交流的任务。几乎所有沟通都由他完成,我们反而成了“被照顾的人”。在葡萄牙,有两件小事至今让我印象深刻。第一件是在酒店里,我起身太急,不小心把旁边桌子上的饮料瓶碰倒,饮料洒到了旁边一位女士身上。我一再道歉,对方却始终微笑着说“没关系”。事后我一直很后悔,当时没有坚持为对方把单买了,哪怕再点一杯饮料。虽然事情已经过去,但它提醒我:对人友善,宽容也是风度。第二件发生在一个小城市。因为司机英语不好,我们一度在山里找不到预订的民宿。司机一边用翻译软件和我们沟通,一边在山路中反复寻找,最终不仅帮我们找到了地方,还主动联系了房主。更难得的是,整个寻找过程并没有被计入额外里程,最后只收取了很少的费用。我们坐在欧洲小别墅的泳池边,真正感受到了那种优雅、善意的“nice”。运动篇:骑行,
概要二代舆情系统已实现每天 17:30 自动完成“采集 → 分析 → 报告 → 投递”全链路,近 11 天(10-20 至 10-30)识别失败率为 0。分工原则:规则负责降噪,大模型负责判断与撰写。项目内容系统运营商舆情监测分析系统 · 二代(大模型版 / AI助理-舆情助手)记录依据2026 年 10 月技术评审材料监测范围电信 / 联通 / 移动,抖音、头条、微信、微博、小红书、快手、贴吧、投诉平台等 60\~120 个站点代码规模约 8,100 行;核心模块 fetcher / noise\_filter / dedup / annotate / ai\_client / stats / report / mail\_v2日处理量原始抓取数万条,有效样本 1,500\~2,700 条产出每期 2 份响应式 HTML 报告,一封邮件送达日均 token约 27M(中位),区间 10M\~110M背景与演进二代保留了一代的采集能力,把分析环节整体替换为大模型,目标是人只看结论与建议。人工处理的三个痛点:看不完:单日原始抓取可达数万条,70%\~80% 与运营商业务无关。判不准:同一
背景因为爱人在外地工作,每个周末都是特斯拉的两地通勤,对于是否平安到达的判断就是不时的拿出手机打开特斯拉的app查看车辆的位置。在全面ai、agent的情况下,肯定是可以让ai把这个事情搞定的,帮我盯好行程位置。现在在 Telegram 里问一句「车停在哪,开到临沂要多久」,它会先查车,再交给高德算路线。「如果进入某某区域,就及时发信息给我」Hermes就替我把整个过程守护了起来。我的助手是 Hermes Agent,部署在群晖 NAS 的 Docker 里,通过 Telegram 和我对话,模型请求统一走 LiteLLM。Hermes 内置 MCP(Model Context Protocol)客户端,外部能力以 MCP Server 的形式接进来,工具会自动注册成 mcp_<服务名>_<工具名>。这篇记录两件事:高德地图 MCP 的接入(十分钟搞定),以及特斯拉的接入(主线,涉及开发者注册、OAuth、自写 MCP 和几处踩坑)。文中所有密钥、车辆标识、域名和路径都做了替换。一、高德地图 MCP 接入高德官方提供远程 MCP 服务,走 Streamable
在客服申诉处理中,「定责报告」是否站得住脚,过去全靠人工对着标准逐条核。如果利用ai智能体来实现,往往采用的就是将技能和规则提供给智能体,但是在规则、报告篇幅、证据材料数据量过大的情况,会导致效果的严重下滑,上下文超长后的报错是直观的,更大的问题就是结果不可控制,每次执行因为不知道大模型记住、看到的是哪一部分,结果都是不一致。针对这个事情需要做的就是,将规则拆分后逐条规则让ai去确认,然后将最终报告拼接。当然这就是需要把这件事做成了自动化:上传报告和附件,约 7 分钟拿到问题清单和修改建议,每条结论都能追溯到规则和原文。这篇文章从开发思路、技术方案和实际效果三个角度做个总结。为什么要做人工核查有三个老问题:慢:对照标准逐条比对、反复翻附件,一份报告要花很长时间。尺度不一:不同人判断口径不同,同类案件结论难统一。证据难辨:截图、录音可能被 PS 或合成,肉眼很难发现。同时,这类数据涉及用户隐私,项目一开始就定了三条硬约束:数据不出内网:全流程在企业内网完成。只用内部大模型:技能本身不调用任何外部模型,推理交给企业自有的智能体平台。组件开源且离线:OCR、语音转写、篡改检测都选开源方案,本
本文档记录系统的整体架构、模块设计、模型使用策略与工程实践,已隐去接口地址、认证凭据、具体关键词表、服务器路径、邮件地址等敏感信息,可作为团队内部技术分享材料。一、项目定位与演进一个自动化的运营商舆情监测分析系统,每日定时采集公开网络舆情 → AI 识别归类 → 生成多维度分析报告 → 邮件推送。架构演进阶段形态说明一代规则引擎版采集后走规则管道(关键词/正则聚类)出报告二代(当前)LLM 版保留采集能力,分析环节整体替换为 AI关键整合决策:数据与程序分离数据目录:采集产物(原始 CSV、备份、报告)独立存放程序目录:全部代码、状态、日志集中管理好处:数据可独立备份/迁移,程序可独立升级/回滚。二、整体架构[定时触发 systemd timer] │ ▼ [编排层 run.py] ← 单实例锁(防止重复执行) │ ├─ 1. 采集阶段 ──→ 外部接口 → 原始 CSV ├─ 2. 噪声过滤 ──→ 标记(不删行) ├─ 3. AI 去重 ──→ 重复标记 ├─
十月的南太行,秋意渐浓。沿着蜿蜒的山路进入河南辉县万仙山,远远望去,太行山的岩壁层层叠叠,巨大的红褐色山崖如同被利斧劈开,几乎垂直地矗立在山谷之间。在这片险峻的山岭中,隐藏着一个名叫郭亮的小村庄。郭亮村最著名的,是那条被称为“世界第九大奇迹”的挂壁公路。但真正走进村庄,住进当年带领村民修路的老书记家里,才逐渐意识到:这条公路的意义,远远超出了旅游景观本身。它不仅是一项令人惊叹的工程,更是一群普通人在特定历史条件下,为改变自身命运而付出的巨大努力。一、住进老书记家,走近一段历史这次来到郭亮村,我选择住在村里的一家民宿。直到入住后才知道,这里竟然是当年带领村民修建挂壁公路的老书记申明信的家。民宿里陈列着一块介绍老书记生平的展板,标题叫作《爷爷的故事》。展板上是一张老人的黑白照片,身穿旧式中山装,戴着帽子,面容朴实而坚毅。我在展板前驻足许久。相比景区里那些宏大的宣传标语,这份由后人记录的家族记忆,反而让我觉得更加真实。山不仅阻隔了道路,也限制着村民能够选择的生活。申明信上任后,开始思考一个问题:能不能在悬崖上开凿一条真正的公路?这个想法在今天看来顺理成章,但放在20世纪60年代末的郭亮村,几
十月一日,国庆节。当大多数人开始享受假期的时候,我仍然在办公室里,忙着每个月都要进行的计费出账工作。这样的日子,已经经历了很多年。这是一份责任,也是一种早已习惯的生活。星空清晨走出办公室,抬头望去,竟然看到了久违的璀璨星空。那一刻,思绪突然回到了几十年前。上中学的时候,我常常在夜晚走到学校的操场上,仰望满天繁星。夜晚的校园很安静,头顶的星空显得格外深邃。我总觉得,在那遥远的星空中,有一颗星星属于自己。相信在浩瀚的宇宙中,有一个看不见的守护神,默默地注视着我,庇护着我。这种感觉一直伴随着我的少年时代。回想起来,自己求学的经历颇有些奇妙。曾经,我的成绩非常的糟糕。仿佛在某个不经意的瞬间,突然“开窍”了。从那以后,学习不再是一件令人焦虑的事情,升学的道路也变得顺畅起来。年少时,我愿意把这种变化归功于星空中的守护神。年轻时选择学习的方向,后来选择职业道路,再到工作、家庭以及生活中的诸多决定。这些选择未必都是最优解,但至少没有让我偏离自己希望走的方向。经历得多了才逐渐明白,真正决定人生走向的,往往不是某一次耀眼的成功,而是无数次看似平常的选择。更重要的是,这些选择逐渐塑造了一个人的生活方式。我一
我认为当前最好的AI工具就是Magpie,它的强大不在于AI能力,而是它让AI的使用成本降低到了极致。对于AI的使用,无所顾及的使用和精打细算的使用的结果是不一样的,特别是针对高端的模型,能酣畅淋漓的使用将带来非常好的结果。此外,就是极度简化的pi agent,最近通过两者的结合,以极低的成本完成了稽核系统+AI的项目模型构建、客服舆情项目的开发。下面简单将安装过程记录下来。最近尝试了 Magpie + Pi Agent 的组合,发现两者能够很好地互补:Magpie 负责统一管理大模型,Pi Agent 负责调用模型完成实际任务。整个架构简单、轻量,而且具有很强的扩展性。一、Magpie:统一管理大模型的 AI 网关Magpie GitHub 项目Magpie 是一个开源的 AI 模型管理与网关工具,可以把不同厂商的大模型统一接入,为多个 AI Agent 提供模型服务。它的主要能力包括:统一模型管理:支持 DeepSeek、Gemini、GLM、Claude、GPT、Ollama 等模型。API 协议转换:兼容 OpenAI、Anthropic、Gemini 等接口协议。智能路由:可
AI编程带来的变化就是你只需要脑子装好想做的事情,需要达到的效果,知道如何验证这个结果,剩下的就交给各种智能体来实现。你可以边旅游间歇性的查看一下处理的进度,做一个进度验收就可以了。但是这个方式存在的一个问题就是如何保持项目的连续性,如何ssh中断后重新登录后还可以延续之前的进程?下面就是我最近总结出来的高效率的组合:Termius + tmux:我的 VPS 远程管理方案最近,我在 Linux VPS 上部署了 Pi Agent、Hermes Agent 等 AI 工具,希望能够随时随地通过 Mac 或手机连接服务器,执行 AI 任务、检查运行状态和管理系统。在实际使用中遇到了一个问题:通过 SSH 启动 Pi Agent 后,如果关闭 SSH 客户端或者网络意外中断,正在运行的任务可能随之终止。经过一番尝试,我最终采用了 Termius + tmux 的组合。这套方案并不复杂,却很好地解决了远程终端的连接管理和任务持续运行问题。一、我的使用环境目前主要使用以下工具:组件用途Mac主要操作设备TermiusSSH 客户端,管理 VPS 连接Debian Linux VPS远程服务器,
从 NAS、VPS 运维,到个人生活助理、投资分析、办公自动化,再到小说翻译和外语学习,我逐渐建立起了一套由五款 AI Agent 组成的个人 AI 工作体系。它们看起来功能相似,但在实际使用中,各自有着不同的优势和定位。一、写在前面:我的 AI Agent 使用现状最近一段时间,我使用 AI 的方式发生了很大的变化。以前使用大模型,更多是打开一个聊天窗口,提出问题,等待回答。现在则不同。越来越多的工作,我已经习惯直接交给 AI Agent 完成。从 NAS 和 VPS 的服务维护,到股票分析、日常提醒、办公项目规划,再到小说翻译和外语学习,AI 已经逐渐融入我的日常工作和生活。目前,我使用的 AI Agent 主要有五款:Codex:NAS 和 VPS 的运维及开发助手。Hermes Agent:长期运行的个人生活助理。WorkBuddy:办公项目规划和文档处理。Pi Agent:轻量化、本地模型驱动的通用执行工具。Meta Muse:目前处于探索和测试阶段。这五款工具的功能存在不少重叠。它们都能够理解自然语言、调用工具、执行命令,部分还支持长期记忆、Skills 和多 Agent
这两天,我重新梳理了一下股票投资收益和相关税务问题。经过学习规范,考虑了合规要求,对股票投资收益进行补充申报。赚的多也好,赚的少也罢,与其一直留着一个不确定因素,不如主动处理掉。该申报的申报,该缴纳的缴纳,让自己的投资记录和税务记录都更加清晰干净。没有一日的暴富,只有长期的稳健投资。
walker
万事随性而为,因好而研,因趣而学,从心所欲。脱离依赖,谋划将来,避免经济之险,迈向希望之光。