好价，感谢分享。

像这种能力不太强的模型，实在没有用处，就去做自己本地语音输入的整理识别模型，或者是向自己搭的 Hermes 之类的 Agent 里面，会有一些子模型调度。比如说查询 skill、查询 MCP，或者是什么每次新对话总结下标题等等。为了不占用主模型的上下文，还有主模型的额度，可以把这种能力不是特别强，但是又便宜的模型配置到这些工具调用应用上。

核心实现的目的肯定都是一样的，但确实也体现了诸多的社会使用习惯上的巨大差异。

因为老美之类的大量普通用户，还是初代互联网的使用思路，所以还是需要大量的网站、电子邮件…… 这个使用习惯就决定了这类应用形态更适合。

但是国内因为发展慢，绝大部分普通人其实没经过初代互联网的培养，什么电子邮件什么网站，其实用的人没那么多，现在甚至能看到这两年有很多大学生毕业进公司连电脑、打字都用不好的，因为这一代人的成长期就不用这些东西。

其实搜一下 v2 也能看到，连老登开发人员这个群体的发帖回帖都能看到，很多人都开始用小红书之类的搜什么东西，在国内普通大众还在搞什么网站之类的，基本没戏，必死，但是老美之类的生态完全不一样，他们现在还就得搞个什么网站、用电子邮件，就得用这类交互界面的形态，因为用户的使用习惯没改，换到国内就没啥意义，因为超级 APP 解决了一切，你还给我搞虚拟机，我连打字都打不熟，装个微信 99%的需求都解决了，再搞这些毫无必要啊。

看到了一个小商业机会，搞点儿机顶盒，刷个针对这个需求的简易教育成长环境，卖个爹妈，赚个 Token 钱，完美。

没事儿，我的直接边角都磕瘪了，照样耐造。

不过现在的电脑是真越来越贵了，尤其 Mac，成理财产品了。

不同区域要是设置不同值就好了，北京这边怎么也得给个 3、5 百万额度，市区内 150 的政策就等于没有。

我倒是觉得以后各种软件越来越少了，现在发现电脑里大部分软件就基本不再打开了，多半都是 Agent 直接处理，文档也是 AI 写大部分，有重复可能的直接做成 SKILL，确保质量底线，现在就装了个 markedit，开源免费速度快，偶尔需要查看就打开看一眼，没有什么审美需求，甚至我刚刚还是看了一眼软件名，否则都记不起来 markdown 编辑器的软件名是什么了。

什么惠普，南极人。

HP 民用级产品的品控其实也一直一般，就拿笔记本电脑来说，甚至不如同等级 DELL，但是商用系的立刻整体就提不止一个档次。

回归过程，都是很正常的规律。

一定是要有折腾的过程，无论做过业务的都知道“生命周期”过程，一个新兴事物从出现，到一个人尝试使用，到高频率使用，再到逐步降低使用频率，直至流失。

这类客观规律的变化是无法改变的，社交媒体、短视频平台爆发也是同样的，工具的简化让更多人拥有了输出的权利，基本认识字、会说话，甚至不会说话都能做，但其实最后能做出来的，还是在用户大爆发的好阶段、自己本身就有良好的表达能力和所在领域的沉淀储备，足够强悍的身体健康和彪悍的精神抗压能力。

其他绝大部分人无论是输出的内容还是做的应用，大数定理和马太效应也会完美支配最后都结果。

以前从来没做过的，或者说想着“试一把反正成本又不高”的人还是大多数，跟试着去做自媒体、试着去做网店的一样，总得试一次，这是人性。

主要取决于你用 hermes 做什么，以及频率、使用量。

如果不是用特别复杂的编码任务或要求极其苛刻的生产力任务，国内套餐里我推荐过火山 agent plan，很多人都说这个烂，但它有它自己的适用性。

hermes 是需要调优的，虽然说是上手比 openclaw 容易，但其实真正想用顺，hermes 内置了大量的配置参数，这也是为什么我会推荐 hermes 考虑火山 agent plan 的原因。

比如最简单的 auxiliary 配置，不同任务 hermes 是可以配置完全不同的模型组合，title_generation 你丢个本地 qwen 0.6b 都足够，compression 又可以采用同样高上下文但文本理解组织能力不错且价格更便宜的模型……

还有一些理解问题可以自己配置 moa 模型，就像数据挖掘的随机森林，差异化越大的模型输出效果越好。

此外还有一些附属比如 web_extract 的设计，另外还有我自己用的它家的 openviking，开源记忆服务可以直接接入 hermes，兼容性比较好，有一些服务自己配也行，想省事儿也用它的也没问题，不同 hermes 或其他类型的 agent（包括 coding agent）都可以直接接入，肯定是用的越久，记忆越完善，用起来越顺。

当然只是说想省事儿的，随便一家套餐便宜的（虽然我现在觉得 minimax 极拉，但是如果不是 coding 任务，minimax 的套餐还是真便宜，而且工具调用能力和多媒体还是一线的）都能用，但是想把 hermes 用好，效率高速度快且有性价比，需要大量优化组合，火山 agent plan 的优点就出来了，模型多，价格便宜，单一能力但各个方面都涵盖。

最后：考虑到安全问题，我是只在 nas 上开了个 smb 的权限给其他独立机器的 hermes 用来传备份，我对 agent 还没这么强的信心，把所有数据都交到它手上，依然觉得风险太大了。

我也刷到了，主播说多少多少钱的套餐现在只要 9.9，然后以 deepseek 为例如果缓存跑满可以到 25 亿 token，我就滑走了。

ID 144

老板恭喜发财

zcode 的事情，qcoder 给我发了个营销邮件，说现在给积分还有免费，我就下载试了一下，比预想的好一些，界面简洁干净，速度比 workbuddy 快（当然定位不一样），正好想做个 HA 插件，就试着跑了一下，跟我对现有的编码 agent 评价差不多，就是现在这类 agent 太过刻意的重视描述的功能实现了，怎么说呢，要是就规定死一个非常详细的功能模块，就让它去干脏活累活（当然其实还是会剩一堆问题），我觉得还能接受，虽然我还是喜欢 tui，gui 的我都觉得耗资源慢（qcoder 倒是还行）

"这个行业大龄混的好的人"

谜底就在谜面上，首先“大龄”，得生的早。

论坛的一个缺点就是会有类似的月经贴，很难沉淀信息，一个类似的问题会反复提，记得前几天好像才回复过一个差不多的问题。

社会科学和基础科学很大的一个差异在于，没有什么绝对的方法，因为不同的时代、不同的组织结构、不同的个人能力、不同的层级位置、不同的性格特征……所能得到的结论是完全不一样的。

这个行业的麻烦也在于，是全新的行业，即便按照 90 年开始到现在 36 年，90 年就毕业就按 21 算，21+36=57，男性也就刚刚退休，从 00 年开始有人上网的时间点算，到现在还没到退休年龄。

加上这些新兴行业的起步是个飞速发展的阶段，90 年的毕业生和 00 年的毕业生、10 年的毕业生，处在一个完全不同的时代，同样的基本知识，只是时代不一样，技术发展阶段不一样，足以彻底改变人生走向。

或许唯一能谈的上的能力，就是肯定不能止步，一定得自我迭代，不能持续学习进步的一定没后续，这种持续学习不仅仅只包括科学知识。

剩下就是一定得有个好身体、好精力、心理强大，这是基础，身子骨弱、精力不足的人在长征路上自然就淘汰了，等不到熬到那个位置。

其余的随机性太强了，又是全新时代、全新发展阶段，不会有一个通解。

ID:36

老板恭喜发财

我给妇产科做过，北京这边是妇幼保健直接做了，而且产妇进医院建档时候就得注册，每一天该干嘛妇幼保健那边都有，另外还有一些必修课要求产妇家里必须学，学完后还要给医院妇产科做反馈，妇产科再汇总统一给妇幼保健汇报，算是从政府层面就给统一形成闭环了。

1. 这种思考一定是有价值的。
2. chatgpt、美帝大豆包等其实已经开始直接内置了，不需要外部插件，直接对话就行。
3. 有价值的东西不一定有商业价值，就像社交媒体上塑造焦虑制造对立的账号流量起飞，而真正安静下来客观分析真教东西的反而没什么关注，不是东西没价值，而是绝大部分人不愿意看——现代人不乐意听实话。
5. 其实我自己也包了一个，但只是针对具体问题的，做的 skill，套了一些其他的思维模型，就是为了避免自嗨式安抚式沟通，不过没开源，只是自己私下用的。

deep-think · 深度思考路由器
深度思考元技能，统一私有分发源。本仓库为 Private，仅仓库所有者可见。

一句话：deep-think 是一个路由器 / 总入口，本身不内吞任何思维模型。它先判断「该不该动用框架」，需要时按数值判据把问题路由到最匹配的一个具体思维模型（原子单位是模型，不是库），并强制跑四条硬闸门；对话收尾时自动呈上「思维方法引用清单（Citation）」，让用户看清每个判断都落在可具名的理论方法上，而非陪聊式直觉。

管辖：thinking-toolkit（28 个原子模型）、critical-thinking（厚重论证与预测）、thinking-partner（对话陪练与取向诊断）、model-thinking（跨学科模型速查）、blindspot-check（偏误红队）、baloney-detection-kit（证据-置信度校准）。六库已 vendor 进 deps/，随仓库一起分发。

两条核心铁律：① 默认不套框架；② 实事求是（事实依据优先）。

三大特色：专有方法名强制中文括注；数值化路由防拍脑袋；收尾自动给「方法账本」。

flowchart TD
A[用户提问] --> B{Layer 0 · 该不该用框架?}
B -- 命中 NONE --> Z[直接正常推理<br/>不加载任何子技能]
B -- 全部不命中 --> C[Layer 0.5 · 偏见预检三问<br/>预设范式/视角空缺/迎合自检]
C --> D[Layer 1 · 数值路由<br/>域/类型/约束 → 具体模型]
D -- 契合度≥4 且 总分≥3.5 --> E{需组合?}
D -- 不达标 --> Z
E -- 否: 默认单模型 --> F[Layer 2 · 加载对应库]
E -- 是: 主+补+检 ≤3 跨域 --> F
F --> I{高赌注 / 不可逆?}
I -- 是 --> J[Layer 3 · 四硬闸门]
I -- 否 --> K[输出]
J --> K
K --> L{收尾触发矩阵命中?}
L -- 是 --> M[收尾 · 路由回放 + Citation 清单]
L -- 否 --> N[继续对话]
M --> O[用户带走「方法账本」]

7. 仓库结构
deep-think/
├── README.md # 本文件
├── CHANGELOG.md # 版本历史
├── docs/ # 架构图等文档资源
│ └── architecture.svg
├── install.sh # 部署到任意 agent（本体 + 六库依赖，按平台分流）
├── sync.sh # 维护者：把本地 deep-think 本体推上仓库（只同步 skill/）
├── update-deps.sh # 维护者：按 MANIFEST 来源更新 deps/ 六库
├── skill/ # deep-think 本体
│ ├── SKILL.md
│ └── references/
│ ├── antidotes.md
│ ├── combination.md
│ ├── hard-gates.md
│ ├── library-registry.md
│ ├── orientation.md
│ ├── rare-tools.md
│ └── router.md
└── deps/ # 六个运行时依赖库（vendor 快照）
├── MANIFEST.md # 依赖清单：来源地址 + 许可 + vendor 日期 + 更新方式
├── thinking-toolkit/
├── critical-thinking/
├── thinking-partner/
├── model-thinking/
├── blindspot-check/
└── baloney-detection-kit/

8. 参考文件清单（references/）
|文件|作用|何时加载|
|---|---|---|
|router.md|完整路由表（按问题类型取候选 + 条件替换）、域速查、评分细则、退出信号|Layer 1 需要查具体路由表时|
|combination.md|主补检三层选择启发、8 组跨域配对矩阵、组合反模式（model soup 等）|Layer 1 第四步判定要组合时|
|orientation.md|GT0–GT7 思考取向劫持诊断（被固定住的是什么 / 机制 / 信号 / 干预话术）|怀疑「思考在为谁服务」时最先跑|
|antidotes.md|13 个去偏解药（偏误→解药配对）、偏误家族对照、决策 playbook 硬判据|Layer 3 反谄媚 / 偏误红队时|
|rare-tools.md|别处基本找不到的稀有工具：认识论、创造力技法、系统治理、算法式、网络式|主路由覆盖不到的稀有需求|
|hard-gates.md|七问清单、校准分档、反谄媚多轮抗压协议|Layer 3 反谄媚闸门 + 高赌注输出前|
|library-registry.md|六库可插拔契约（covers / exclusive_strengths / load_contract / source）|增删改库时唯一要改的文件|

可以一起跑，无论是看研究还是实测，现在有一些思路的东西，我就很喜欢在 hermes 上配置 moa 做思考，本来也不一定需要一个模型，而是采用多个不同的快速模型跑，然后再用能力更强的大模型参考后结合回复，就像建模做随机森林，思考角度越多，交付越完善。

数独算么