VC 的 Vibe 编程：我们需要自食其果

8 月 2 日。我独自待在首尔弘大区一间没有窗户的小房间里，室外气温高达 35 摄氏度：这里零干扰，几乎没有家庭责任，周围是 24 小时营业的便利店。这是进入完全专注模式（有人称之为* 狂暴 *模式）的完美环境，每天只睡很少时间，几乎 22 小时都沉浸其中。我开始测试几乎所有的工具、API 和各种 AI 编码方式——轻敲编码、氛围编码、敏捷编码、规范驱动编码，你能想到的都试过——直到找到自己的节奏和方法。然后我简直陷入了代币狂热，致力于将我们的管理公司变成一个实验沙盒，目标明确：让我们的工作流程更高效、更个性化、更敏捷、更具协作性。

新石器时代的故事（约2022年）

听起来很耳熟，对吧？这基本上是每家公司的梦想。当然，最初这也是我们的愿景，直到现实给了我们当头一棒。四年前，我们用一个花哨但未完成的自建平台起步，采用 Ruby on Rails、VueJS 2 和 Postgres 技术栈。这个平台是我在募资阶段搭建的（没错，投资人也需要募资），但当我们开始投资后情况急转直下，我根本抽不出时间完善升级平台。小型基金面临的工作量和监管要求与大型基金相同，但处理的人手却少得多。

后来我决定转用 Airtable，通过脚本能快速添加功能，几乎无需维护。当时我们的数据录入很不规范，认为强大的 CRM 系统是解决方案。于是我们迁移到 Pipedrive，看中它开箱即用的 Google 套件集成功能，以为终于能实现自动录入。

我们大错特错了。部署几个月后，我只打开过 Pipedrive 一次。Willy 可能更少。我认为真正的问题在于 CRM 模式本身——当它们被完美喂养时是强大的工具，但没人愿意喂养它们。而最糟糕的莫过于不一致的结构化数据。我也相信，即使全力以赴，这种完美状态也根本不存在。分类法困扰了我整个职业生涯：AlloCiné的电影、Gamekult 的游戏、SensCritique 的两者兼顾，以及后来 daphni 的初创公司。这是永无止境的痛苦——分类标签不断变化，尤其在我们的生态系统中。它们难以定义，人们很少共享相同的框架，甚至专业知识的深度也各不相同。

在这个每月甚至每周都有新模型涌现的时代，我们必须以同等速度前进，成为这场进化的一部分。更精简，却更强大。如今我们坚信，团队规模减半反而能做得更好。我已为此搭建好平台基础架构（成败在此一举）。

免责声明 ：我有幸能从一张白纸开始。我正在为一个小而友好的受众群体开发工具，目的是为我们的数据带来新视角，而非追求产品市场匹配的 SaaS，也不是为全球团队扩展而构建。我的经历与规模扩张型企业的典型工程师截然不同——在那里搞砸的后果要严重得多。我的代码库规模也远不及大多数公司需要应对的程度。让我们承认，我已经排除了 90%的困难，并享受着最舒适的氛围编程环境。

这是我的历程。

我们的实践之道（个人浅见）

回到首尔的鸡舍办公室后，我决定从零开始，将数据迁移工作暂缓。首要目标是建立能聚合任意形态、任意来源信息的能力。值得庆幸的是，LLMs 特别擅长处理海量非结构化数据。尽管身处金融行业，我们的工作并不总需要超高的精确度或绝对的连贯性。更重要的是培养对趋势的敏锐洞察——要在瞬息万变的数据迷雾中快速捕捉关键信号，从而形成投资信念。

没有过度思考或制定计划，我直接从连接 Pipedrive 的 Telegram 机器人入手，因为 Telegram 是我们团队的协作中心，而我最头疼的就是在 Pipedrive（老式）用户体验之外快速获取数据。效果立竿见影，我的野心也随之膨胀（此处插入* 反派邪恶笑声 *）。何不构建一个完整的网页界面来替代我们大部分 Notion 或 Google Docs 的使用——只保留我们实际需要的功能，打造更迅捷、更全面的体验，同时不受他人产品路线图的限制？

于是我开始构建一个多态知识库的基础架构，它能在任何地方访问，可吸纳各类资源，并系统性地从中提炼智慧。无论是文章、讨论记录、融资企划书、截图、精选通讯，还是一条推特或 Reddit 帖子，乃至我们撰写或收到的每封相关邮件与文件——关键在于大规模收集我们认定的高价值信息强效替代品。这还包括我们的私人 Discord 社区 reg.exe，那里有 260 位来自全球的科技创始人与 AI 领域负责人每日探讨新趋势、分享洞见并庆祝成果。知识无处不在，我们一旦发现就自动捕获。鉴于 AI 代理并非完美无缺，我开发了专属 Chrome 插件，深度集成工作空间，让我们能从日历会议快速创建笔记，或在爬虫尚未捕捉到讨论时手动标记。

这是我们构建的信息云——来自工程师和记者的精选内容流，虽结构松散却始终处于创新前沿。我们从中提炼出条理清晰、来源明确的每周备忘录，助力自身、创始人乃至有限合伙人优化决策流程。

信息大于数据

让我们暂且搁置纯确定性需求（例如金融交易）。计算机导致我们将信息（经过处理、组织、有意义的事实）视为数据（原始、未组织的事实和数字，其本身毫无意义），因为这是它们唯一能处理的形式。将知识强行塞入僵化的分类体系始终是场噩梦。当有人决定将他们的“ 绿色 ”公司标记为气候科技而非可持续或环保时，你那精密的齿轮机器就开始卡壳了。人类会自然而然地建立这种关联。而前 LLM 时代的 ERP 或 CRM 系统除非被明确告知，否则无法做到。直到最近，自然语言处理（NLP）也不过是将自然语言转化为 SQL 查询：换句话说，就是把信息重新翻译回数据。

LLMs 并非完美无缺，但与人共事时亦是如此。它们虽不总是一致，却常以比二进制代码更微妙的方式运作。此外，扩展向量要容易得多，而我们利用它们的方式正以惊人速度变得极其出色。

因此，我决定将这一理念贯彻到我们的智能系统中。我们宁愿不总是两次得到完全相同的结果，而是获得一个更具包容性的知识范围，而不是因为术语的新表达方式就让某些东西从缝隙中溜走。美妙之处在于，这也能让我们的投资组合和有限合伙人从这个知识库中受益，并作为一个群体来完善它，而不是仅靠数据科学家。

以 LLM 的速度进行设计…

在前端方面，我花了无数时间反复打磨未来的工作流程，也就是打造恰当的用户体验。这大概消耗了最多的 token 配额，而且我可能有点玩过头了🙈

那时，我们在纸上涂鸦草图，然后转向当时流行的任何设计工具：Photoshop、Balsamiq、InVision、Sketch，再到 Figma。这个步骤通常无法避免，因为用代码构建曾经很耗时：改变流程意味着损失数小时，而你的惰性（或前端开发团队离职）很容易限制想象力。这就是为什么大多数设计工具都提供某种方式来展示动画，包括有限的原型、虚拟数据或 Lorem Ipsum 占位文本。

但我孤身一人，要在不到 30 天内重建团队的整个核心架构。我需要一种快速无痛的方法，将那个平庸的设计改造成优雅之作，又不想耗费太多时间。首先，我让 Claude 采用 Google 的 M3 基础框架（最新的 Material Design），这确实有所改进——它让页面间有了些许逻辑关联。接着我考虑发送一些我认为功能实用、简约美观的 SaaS 界面截图作为参考。于是我从某篇文章里随手截了张 Folk 的界面，丢给 Claude 处理。当我啜饮抹茶拿铁时，仅用一条指令就完成了 80%的设计——一个近乎完美的简洁 SaaS 克隆版。

这彻底颠覆了我的认知。多年来 Figma 一直是我最亲密的伙伴，即便是处理最琐碎的任务我也会开着它，而现在突然觉得用它设计界面变得多余了。

…以及失控的前端用户体验设计

设计只是用户体验中微不足道的一环。尽管自90年代末以来，我的整个职业生涯都在从事网络产品工作，但预测用户流程、编写所有规范、在产品上线前设计每个微小的界面细节，从来都不是我的强项。

这种新范式让我重拾乐趣，整个过程就像圣诞节早晨拆开任天堂 64 游戏机的孩子 。如果你有足够的代币资金（后续详述），很快就能体验到尼奥般的快感。

使用代币构建释放了你的创造力：你可以随心所欲地花时间完善某个功能，直到它对你来说完美无缺。例如，在开发 Chrome 扩展时，我觉得用 Electron 把它变成一个真正的应用程序可能会更酷，尽管我之前从未构建过这样的应用。我只需要让 Claude Code 把我半成品般的扩展转换成一个合适的 Electron 应用（当然还要重构和清理遗留代码），然后就可以再享受一杯抹茶拿铁了。能够立即改变方向，无需阅读一行文档，无需听到反对的叹息，只需与你的 IDE 简短讨论后就能实现，这让你有种真正的上帝模式感觉。[至少一开始是这样😇]

短短数日内，我便搭建了 Telegram 助手、网页应用和桌面程序的雏形，同时弃用了 Figma、Notion、Slack 和 Pipedrive。仅凭少量代币就能做到这种程度，还算不赖。

一栈统御万端

氛围编程也非常适合用来试验工具并构建自己的工具。无需深入研究文档——只需将其丢进 IDE，”讨论”它是否合适，并询问替代方案。一旦做出选择，剩下的就是创建一个账户并将 API_KEY 放入你的 .env 文件中。

在带你了解我的完整历程之前，先分享我当前的工具栈，你可以亲自试试：

后端

🗄️ Supabase 用于结构化数据（及其他功能）。说实话，我觉得他们的图形界面虽然可爱但很烦人且相当慢。有些操作（比如 ALTER 语句）耗时过长，即便在空表上也是如此，使用查询始终是最佳选择。不过 Supabase 开箱即用提供了大量围绕数据堆栈的实用功能来加速开发。我用它来实现身份验证、对象存储、图片缩放，还依赖 Supabase 边缘函数作为 PostgreSQL 触发器功能的强力扩展。

🧠 Orq.ai 是我们的 AI 核心架构。由于所有功能都或多或少依赖 AI，我大量使用模型和提示词作为代码片段间的粘合剂。这种粘合剂需要持续评估优化，而 Orq 正是我们的门户——几乎是唯一的入口，让非技术团队成员也能无缝进行这些调整。从嵌入、混合搜索到信息提取、RAG 框架：几乎所有环节都被 Orq 化了。

🔮 Mem0 帮助我们的智能体（例如通过 Telegram）提供对话体验。它会随着使用记录记忆，包括之前的讨论、具体细节和某些偏好。Orq 很快也会加入这一功能层。目前我正在使用开箱即用的 Mem0，自集成后就再无需手动干预。

🏠 Koyeb 提供托管服务。最初我是在 Cloudflare Workers 的无服务器环境中启动这个项目的，结果大部分时间都让人抓狂。而 Koyeb 则完美诠释了从用户视角出发，无服务器环境本该具备的那种” 行云流水 “般的顺滑体验，同时还兼具自托管环境的优势，价格却与裸金属服务器相当。由于磁盘存储空间无上限，我们还用他们的数据库服务来处理一些积压功能。

⚖️ Shipfox 负责管理我们所有的持续集成流程，当我进入生产阶段时它变得至关重要。快速构建往往意味着以双倍速度倒退：LLMs 对旧代码毫无怜悯之心，与混乱和谐共处。Shipfox 不仅降低了持续集成的时间成本，其仪表盘还提供了识别不稳定或不可靠测试所需的可视性——这是测试套件扩展时的常见痛点，尤其当你不亲自编写这些测试时。Shipfox 与 GitHub Actions 无缝集成，切换至该平台只需修改一行 YAML 配置。

应用程序编程接口

🌎 Linkup 是我们连接外部世界的窗口。所有笔记和备忘录都能通过开放数据得到增强，Linkup 提供了简洁而强大的 API，借助 LLMs 的力量实时爬取并检索信息。这些内容甚至能以结构化输出形式呈现，完美适配各类模板。我可能只发挥了 Linkup 10%的潜力，还有大量功能有待开发。

🐝 ScrapingBee 是我们的爬虫工具。每份附加在笔记或备忘录上的链接、每份订阅的新闻简报、每篇收藏的文章，以及 Discord 上分享的所有内容，都已（或计划）被自动抓取并添加到知识库中。ScrapingBee 强大到足以绕过大多数追踪器。

🕵️‍♀️ Notte.cc 是我们的智能爬虫工具。它让我们能够通过提示词导航网站并智能提取信息。Notte 将你从痛苦的正则表达式、脆弱的脚本和糟糕的解析器中解放出来，它的行为方式与人类无异，只是规模更大。

前端

🎨 Storybook 是约束 AI 行为并与它建立共同语言的绝佳方式。这个工具在人类团队中非常流行，与 Claude 合作时也同样适用。你可以让它为每个组件生成故事，从而获得清晰、实用且美观的作品集，在请求新样式和功能时作为参考。感谢 Robert Hommes 让我注意到这一点，真希望我能早点开始使用它。

🤝 Tiptap 是一款基于 ProseMirror 构建的无头框架无关富文本编辑器 ，开箱即用提供类 Notion 体验。你可以将其作为开源库使用，它已表现卓越：界面美观、高度可配置，其云托管版本还增添了强大的实时协作功能。Karim Matrah 来自 Contrast 团队，他分享了该领域的优秀替代方案：BlockNoteJS 与 Liveblocks。

在路上

🧠 Lettria 即将把标准 RAG 升级为图式 RAG。通过将图能力与向量技术相结合，我们将能以更高精度提取信息，并（几乎）完全避免幻觉问题。目前我们正在精心筛选内容，这些内容将成为本体论构建的基础。

🔎 Meilisearch 用于 AI 搜索。说实话，Orq.ai 已经完美处理了混合搜索，但我听闻太多关于 Meilisearch 用户体验的盛赞（呼叫 Gilles Samoun），于是决定接入他们的 API 进行实验。虽然我不会将其保留在技术栈中，但那些专门寻找搜索引擎 API 的开发者绝对值得一试。

🛟 Plakar，为心安而生。历史一再证明， 无论何时 ， 无论重复多少次 ， 意外总会发生 ——无论你规模多大，基础设施或代码多么完善。既然我们规模有限，我也并非格外专注、执着或天赋异禀，就需要一套既坚不可摧又轻松部署恢复的方案。因此，Plakar 就是答案。

🎛️ Alpic 对 MCP 进行了一些调整，将我们平台的部分功能直接集成到 Claude 和 ChatGPT 中，取代了我们的 Telegram 代理，并看看我们能将边界推进到多远。

迷幻的错觉

我最初使用 Cursor 开启这段旅程，尝试过许多其他 VS Code 变体（参见下文： 游戏依旧，只是更加激烈 ），但大部分时间都在使用 Claude Code。这些工具都充满魔力，选择（几乎）完全取决于个人偏好。

使用 Cursor 时，我起初还有些亲自动手。但很快，我就完全转向提示词编程，自己写的有效代码可能不到十行（修改几个 Tailwind 标签不算数）。99.9%的编码工作都由 AI 完成。但这并不意味着 99.9%的过程都轻松愉快。才不是呢。这并非全是魔法：编程模型最适合那些具备编码能力和优秀技术架构知识的人，那些愿意在必要时深究细节的人。如果你毫无基础，既看不懂 AI 的输出，又不能适时引导它，很快就会陷入代价高昂的死亡循环——克劳德不断重复某些愚蠢或不可能的任务，白白消耗 token（还有你的房贷存款）。这种情况简直太常见了。

LLMs 目前还无法成为自主工程师。因此代码库规模越大，集成开发环境就越需要精确的指令、明确的范围界定和严密监控，以免破坏基础架构。请记住：如果说 LLMs 擅长快速构建，那么它们同样具备强大的破坏力——甚至更甚。截至目前，Claude 为我承担了 80%的重活，剩下 20%则需要更多指导，有时过程极其痛苦和极端，就像在谋杀边缘徘徊的保姆。我本可以编写更多代码，但发现与 AI 协同编程很困难，于是决定专注于逻辑和数据结构。

我们信任提示

人们常说，好的提示词是成功的关键。这话不假，但坦白讲，我并未对此过分执着。最初，我会先用 Claude Desktop 起草方案，再粘贴到 Claude Code 里（基准测试表明，模型需要”吃自己的狗粮”）。后来我形成了一套半成品流程：让 Claude 处于”计划/暂停模式”，只允许它浏览文件、进行研究、制定策略，并不加筛选地抛出想法——先来个重大结构性建议，接着冒出十个无关紧要的细节。然后通过讨论完善方案再执行。这种混乱的拉锯战让架构自然浮现，虽然远非开箱即得整洁代码的最佳配方（比如加布里埃尔·奥林匹开发的 PromptServer 就把提示词玩成了科学），但氛围编码的美妙之处就在于——没人在旁边指指点点。

技术债的五十道阴影（还有更多）

遗憾的是，全速推进氛围编程的代价远不止消耗 token。很快你就会感觉自己像弗兰肯斯坦博士，把零散的代码片段缝合在一起。构建得越多，技术债务的负担就越重，暴露出数百处不一致的问题——有些是视觉上的（不同的按钮样式、从未要求过的字体大小和颜色不匹配），有些是功能性的（z-index 混乱、代码库中冗余的决策树导致行为不一致）。即使你不是每行代码的编写者，也能感觉到自己出色的项目在短短几天后就开始走下坡路。把你的 AI 编程助手想象成行为模式与所有 LLMs 如出一辙的初级开发者：非常主动（有时过度）、急于讨好、有点过分顺从，偶尔还会健忘。

缓解这一问题的方法与人类相同：（要求它）编写调试日志。（在满意结果后）撰写规范说明。同时（要求它）趁记忆犹新时详细记录事后分析，避免重蹈覆辙。当你像我一样拥有多个应用和代码库时，这种方法会愈发实用——它们都需要通过 API 频繁通信。你为 AI 提供的上下文越丰富，它的效率就越高，你的满意度也会随之提升。

除了这些优秀实践外，没有什么比充分的测试更重要了，尤其是后端测试。你可以容忍界面覆盖缺失或视觉不一致，但绝不能冒险丢失真实数据或留下巨大的安全后门。从某种程度来说，我们最重要的发现是：无论是人工构建还是机器构建，安全护栏的标准始终如一。

商业运作的代价

近一个月来，Anthropic 意外允许我在 Claude Code 上以远超合理使用量的方式消耗 Claude Desktop 的 200 美元 Max 20x 套餐。8 月 4 日至 22 日期间，我的使用量累计约合 2600 美元的 token 价值。随后我收到降级通知，从 Opus 降至 Sonnet（配额制度不断变化，据最新调整，Max 20x 套餐每周提供 40 小时 Opus 和 480 小时 Sonnet 使用权），响应速度和质量都大打折扣。这感觉就像 200 美元入门费是毒品初体验，Claude 是毒贩，而我成了瘾君子。为维持这种亢奋状态，现在必须改用按量付费的 API 接口，而非固定月费。这种模式下，你基本上每天要多次充值 100 美元——以我的使用频率，大约每工作三小时就要充一次。值得吗？ 千真万确 ！即便我本可以大幅提升 token 使用效率（参见下文： 垃圾进，垃圾出 ）。

游戏规则依旧，只是更加激烈了（*）

短短几周内，我已经轮换了五种不同工具，无需配置参数或调整提示方式就能在不同工具间切换。这还不包括我简单测试过的异步代理工具，比如 Jules（谷歌实验室）或非常早期的 Ariana.dev。相比之下，在技术行业 25 年里我只正经用过五种代码编辑器。如今我甚至说不清下周会用什么工具。

短短数日内，阿里巴巴就发布了 Qoder——又一个颇具潜力的 VS Code 分支版本。他们推出限免方案，额度设为”2000 积分”（具体含义不得而知），显然意在抢占智能编程代理市场的份额。Kilo Code 紧随其后，和众多同行一样宣布提供为期 7 天的 Grok Code Fast（又名 Sonic）无上限免费体验 。与此同时，OpenAI 宣布对 Codex 进行重大改进——此前该产品反响平平——据报道这导致用户纷纷弃用 Anthropic 的 Opus，尽管后者仍被视为性能最优但价格高昂的产品。

而这仅仅是编程工具领域一周内的变化。

普通人的几点心得

我要再次强调，从零开始构建与在高压生产环境中处理遗留代码截然不同。仅仅几周后，我就产生了清理和优化的冲动，花了好几天时间与 Claude 一起重构那些混乱的代码。例如，Material Design 与中途迁移到 Tailwind 标准的混搭最终变成了彻头彻尾的灾难。但即便如此，我还是（痛苦地）通过提示找到了解决方案。

总体而言，LLMs 目前还无法完全取代工程师。但我毫不怀疑它们很快就能做到，在此期间，它们的存在绝对不容忽视。在极短时间内，我已能完成如此多的工作，同时避开了大部分令人痛苦的部分（编写规范、阅读文档、React 中的状态管理，以及基本上所有与前端和 UI 相关的内容），而专注于那些有趣的部分（调整用户体验、搭建数据管道、试验优秀工具，以及几乎所有与后端相关的事务）。

说到文档的重要性，如今它比以往任何时候都更为关键——与其说是对人类而言，不如说是对 LLMs 来说。我特别注意到，Claude 默认倾向于使用 REST API，除非你提供代码库链接，否则它绝不会主动寻找 SDK。这很可能意味着大多数应用都没有充分突出它们的 SDK。另外，请尽量避免依赖截图来说明操作步骤，因为智能体几乎不会分析图像内容。

我建议你亲自尝试，将文档入口提供给所有 AI 驱动的智能体，看看效果如何。某种程度上这是件好事，因为你现在甚至无需与客户交谈就能进行用户测试。

垃圾进，垃圾出

氛围编程真的很有趣，这是我很久以来度过的最棒的假期。它更强调构建而非编码，我意识到这才是我真正最享受的、也是我长久以来最怀念的。由于正值暑假且没有明确目标，我完全随性地自由发挥，没有任何计划，现在随着产品逐渐接近可投产状态，我也在为此付出代价。

上一次我写出像样的代码已是多年前的事了。当时的神级状态让我并行推进了太多项目，并反复修改架构方案。但我毫不后悔：那段经历疯狂又有趣，让我收获颇丰。没有什么比花两天时间修复由数百个糟糕小提示产生的意大利面条式代码更能让人成长。我经常对 Claude 大发雷霆，你都能听到我骂它，但当然，大多数问题都出在我身上。 输入垃圾，输出垃圾 ，正如 Orq.ai 的 Sohrab Hosseini 在我抱怨早期混合搜索结果时提醒我的那样。

遗憾的是，我在多个项目间切换的乐趣并未转化为高质量的代码（正如你所料）。放任 AI 做出架构选择、十次栽进同一个问题、不仔细阅读代码、不谨慎引导它——这大概是我犯的最大错误。写代码本身并不难，AI 也很擅长快速生成代码。真正的工作在于梳理流程，在讨论模式下反复迭代直到所有细节都清晰明确。当然，代码库中 80%的内容（那些模板化的、显而易见的代码）确实来自 AI。但当涉及核心架构——数据流向、如何转换、如何在组件与库之间传递——AI 通常表现得一塌糊涂。更糟的是，它会乐此不疲地在不同位置重复编写二十次相同功能，每次还带着细微差异。这简直是灾难的配方。

自建还是购买（选择购买）

尽管我正致力于摆脱我们现有的工具套件（Pipedrive、Notion、Slack 等），但将某些服务外包——即便是商业服务——仍是更优选择。人工智能几乎能完美阅读文档并生成零碎代码片段，堪称理想的粘合剂。但每当我需要编写稍显复杂的代码时，或许本该先寻找现成的库，最好是托管式的解决方案。

例如，我花了数天时间用开源库 Tiptap 作为所见即所得编辑器，为我们的备忘录搭建完整的实时协作系统。过程很有趣，但最终是浪费时间，远未达到让我自豪的用户体验。后来我改用 Tiptap 商业版（Tiptap Cloud），每月不到 50 美元就能无缝处理所有事务——WebSocket 服务器托管、维护、日志等等。在我的情况下，这个选择根本不需要犹豫。

选择 Supabase、Orq.ai 或上述任何工具都遵循同样的逻辑。诚然，市面上不乏开源解决方案。我并非要不计代价地省钱或重复造轮子：我的目标是打造最佳定制化用户体验。从成本角度考量，我认为支付少量 API 费用仍比为我们每人堆砌独立许可证更划算。具体账目我稍后会仔细核算。

才刚刚开始热身

我还没有真正得出结论，这趟旅程才刚刚开始。接下来，我需要迁移 Pipedrive 的数据，将上述几十个数据源与多年积压的档案合并，并通过 Lettria 构建我们的知识图谱。

我也不指望第一天就能获得完美成果，远非如此。我还有很多需要学习的地方，需要设计和运行大量评估，测试各种架构，前方还有激动人心的旅程。我还有五个代码仓库，其中只有一个功能完备。无论是否使用 AI，最后一公里总是最艰难的。不过，以半结构化的方式收集信息，为我和团队提供了一个绝佳的试验场，让我们能够验证阅读所得和知识储备。

这次全新的开始将培养我们的思维方式，并有望为这家风投机构带来优势。这份工作的本质是与那些在创新中蓬勃发展的群体建立联系。我相信这个平台雏形将成为激发讨论、促进协作的媒介，尤其是与工程师和研究人员的合作。尽管我的项目规模不大，但业余时间的持续投入能让我积极投身这场变革，而非仅以旁观者身份参与。这会让我/我们成为更优秀的投资者吗？尚无定论。但这个过程无疑更有趣、更令人愉悦，也将为我们创造无数机会来分享沿途收获的经验。

愿这些教训多多益善 🙏

🙏 附言：这篇假期记录已经太长了，在能分享一个让我满意的成果之前，我还有很多要说的和需要完善的地方。给我几周时间，我会带着全面更新回来，包括建造和运营成本的 📊 财务分析。敬请期待。