Posts

本文围绕 认知负荷（Cognitive Load）这一核心概念展开，指出开发者在编写代码时应尽量减少不必要的认知负荷，从而提升代码的可读性和可维护性。认知负荷是指开发者为完成任务所需的思考量，当认知负荷超出人类工作记忆的容量（约 4 个信息块）时，理解和处理任务会变得困难。文章区分了两种认知负荷： 内在认知负荷：由任务本身的复杂性决定，无法减少。 外在认知负荷：由信息的呈现方式引起，与任务无关，可以通过优化代码设计显著减少。 作者通过多个实际例子和反模式分析，强调了减少外在认知负荷的重要性，并提供了具体的实践建议。 1. 复杂条件与嵌套逻辑 问题：复杂条件和嵌套 if 语句会增加认知负荷，尤其当条件过多时，开发者难以追踪逻辑。 解决方案：引入中间变量或采用早返回（early return）模式，简化逻辑。例如，用有意义的变量名替代复杂条件表达式。 2. 继承的复杂性 问题：深层继承链（如多级 Controller 继承）导致开发者需要逐层理解父类逻辑，容易造成认知过载。 解决方案：优先使用组合（composition）而非继承，以减少类之间的耦合和复杂性。 3. 浅模块与信息隐藏 问题：过多浅层模块（方法、类或微服务）会增加模块间交互的复杂性，反而不利于理解。 解决方案：构建深层模块，提供简单接口但隐藏复杂实现。例如，UNIX I/O 的五个简单调用隐藏了数十万行代码的实现细节。 4. 微服务与分布式单体 问题：过度拆分微服务会导致复杂的依赖关系和高认知负荷，容易形成“分布式单体”。 解决方案：在系统设计初期避免过早引入微服务，优先构建清晰的模块化单体架构（monolith）。仅在团队规模或部署需求迫切时，才逐步拆分服务。 5. 语言特性与框架滥用 语言特性： 问题：过多语言特性（如 C++ 的初始化方式）会增加学习成本和认知负荷。 解决方案：减少依赖复杂特性，优先选择简单、直观的实现方式。 框架滥用： 问题：过度依赖框架的“魔法”可能导致开发者需要额外学习框架的细节。 解决方案：将业务逻辑与框架分离，框架仅作为工具使用，避免代码与框架深度耦合。 6. HTTP 状态码与自描述错误 问题：使用数字状态码（如 401、403）会让开发者和 QA 需要额外记忆这些状态码的具体含义。 解决方案：返回自描述的错误信息（如 "code": "jwt_has_expired"），减少对数字状态码的依赖。 7. DRY 原则的滥用 问题：过度追求代码复用可能导致不必要的耦合，增加认知负荷。 解决方案：适度重复代码，避免引入不必要的抽象和依赖。引用 Rob Pike 的观点：“一点点复制优于一点点依赖”。 8. 分层架构与 DDD 的误用 分层架构： 问题：过多抽象层（如 Hexagonal/Onion Architecture）可能增加跳转成本，带来额外的认知负荷。 解决方案：仅在有实际扩展需求时引入抽象层，避免为追求架构模式而增加不必要的复杂性。 DDD（领域驱动设计）： 问题：误将 DDD 的问题域概念（如领域语言）应用到解决方案域，导致主观性和复杂性增加。 解决方案：专注于 DDD 的问题域部分，避免过度强调技术实现细节。 9....

在过去的一年里，我们与数十个团队合作，构建了跨行业的大语言模型 (LLM) 智能体。始终如一地，最成功的实施并没有使用复杂的框架或专门的库。相反，他们是用简单的、可组合的模式构建的。 在这篇文章中，我们分享了我们从与客户合作和自己构建智能体中学到的经验，并为开发人员提供了关于构建有效智能体的实用建议。 什么是智能体？“智能体” 可以通过几种方式定义。一些客户将智能体定义为在较长时间内独立运行的完全自主的系统，使用各种工具来完成复杂的任务。其他人使用该术语来描述遵循预定义工作流程的更具规范性的实现。在 Anthropic，我们将所有这些变体归类为智能体系统，但在工作流程和智能体之间进行了重要的架构区分： 工作流程是通过预定义的代码路径协调大语言模型和工具的系统。另一方面，智能体是大型语言模型动态地指导其自身流程和工具使用的系统，保持对其如何完成任务的控制。下面，我们将详细探讨这两种类型的智能体系统。在附录 1 (“实践中的智能体”) 中，我们描述了客户发现使用这些类型的系统具有特殊价值的两个领域。 何时 (以及何时不) 使用智能体当使用大语言模型构建应用程序时，我们建议找到尽可能简单的解决方案，并且仅在需要时增加复杂性。这可能意味着根本不构建智能体系统。智能体系统通常以延迟和成本换取更好的任务性能，您应该考虑何时这种权衡是有意义的。 当需要更高的复杂性时，工作流程为定义明确的任务提供可预测性和一致性，而当需要大规模的灵活性和模型驱动的决策时，智能体是更好的选择。然而，对于许多应用程序来说，通过检索和上下文示例优化单个大语言模型调用通常就足够了。 何时以及如何使用框架有许多框架可以使智能体系统更容易实现，包括： 来自 LangChain 的 LangGraph；Amazon Bedrock 的 AI 智能体 (AI Agent) 框架；Rivet，一个拖放式 GUI 大语言模型工作流程构建器；以及Vellum，另一个用于构建和测试复杂工作流程的 GUI 工具。这些框架通过简化标准的底层任务 (如调用大语言模型、定义和解析工具以及将调用链接在一起) 使入门变得容易。但是，它们通常会创建额外的抽象层，这可能会掩盖底层的提示和响应，从而使调试变得更加困难。当更简单的设置就足够时，它们也可能使添加复杂性变得很有诱惑力。 我们建议开发人员从直接使用大语言模型 API 开始：许多模式可以用几行代码实现。如果您确实使用了框架，请确保您了解底层的代码。对底层原理的错误假设是客户错误的常见来源。 请参阅我们的 cookbook 以获取一些示例实现。 构建模块、工作流程和智能体在本节中，我们将探讨我们在生产中看到的智能体系统的常见模式。我们将从我们的基础构建模块——增强型大语言模型——开始，并逐步增加复杂性，从简单的组合工作流程到自主智能体。 构建模块：增强型大语言模型智能体系统的基本构建模块是通过检索、工具和记忆等增强功能增强的大语言模型。我们目前的模型可以积极地使用这些功能——生成他们自己的搜索查询，选择合适的工具，并确定要保留哪些信息。 我们建议关注实现的两个关键方面：根据您的特定用例定制这些功能，并确保它们为您的 LLM 提供简单、完善的文档界面。虽然有很多方法可以实现这些增强功能，但一种方法是通过我们最近发布的 模型上下文协议 (Model Context Protocol)，该协议允许开发人员通过简单的 客户端实现 与不断增长的第三方工具生态系统集成。 在本帖的剩余部分，我们将假设每个大语言模型调用都可以访问这些增强的功能。 工作流程：提示链提示链将任务分解为一系列步骤，其中每个大语言模型调用处理前一个调用的输出。您可以在任何中间步骤中添加程序化检查 (请参阅下图中的“gate”) 以确保过程仍在轨道上。 何时使用此工作流程： 此工作流程非常适合可以轻松干净地分解为固定子任务的情况。主要目标是通过使每个大语言模型调用成为更简单的任务来权衡延迟以获得更高的准确性。 提示链有用的示例： 生成营销文案，然后将其翻译成不同的语言。编写文档大纲，检查大纲是否符合某些标准，然后根据大纲编写文档。工作流程：路由路由对输入进行分类并将其定向到专门的后续任务。此工作流程允许关注点分离，并构建更专业的提示。如果没有此工作流程，针对一种输入进行优化可能会损害其他输入的性能。 何时使用此工作流程： 路由适用于以下复杂任务：存在最好单独处理的不同类别，并且可以通过大语言模型或更传统的分类模型/算法准确处理分类。 路由有用的示例： 将不同类型的客户服务查询 (一般问题、退款请求、技术支持) 定向到不同的下游流程、提示和工具。将简单/常见的问题路由到较小的模型 (如 Claude 3.5 Haiku)，将困难/不常见的问题路由到功能更强大的模型 (如 Claude 3....

Marc Andreessen 是互联网浏览器 Mosaic 和 Netscape 的联合创始人，被誉为推动互联网普及的先驱之一。作为硅谷顶级风险投资公司 Andreessen Horowitz 的创始人，他投资了许多成功的科技巨头，如 Facebook 和 Airbnb。 信息处理 我倾向于只读那些“非常及时的”或“永不过时”的内容，努力避免浪费时间在中间状态的信息上。 同时阅读多本书。当你选择阅读时，只看当下最吸引你的那一本。 思维模型 过程重于结果：我们往往专注于优化过程，而结果通常需要5、6、8甚至10年后才能显现。 重视被纠正的机会：主动寻找不同的观点。 坚定地表达观点，但保留灵活调整的态度。 优秀的对冲基金经理常有这样的特点：如果你与他们争论，他们会真正倾听。 定期自我评估：每六个月对自己的工作和系统进行一次审视。 你的系统可能非常有效，但也可能已经超负荷。 你可能答应了太多任务，卷入了太多事情。 理解现实与表面 理解事物本质的核心哲学： 你始终在努力弄清楚，实际发生的事情到底是什么，而不仅仅是表面现象。 需要提出的问题： 公司内部的真实情况是什么？ 客户真正想购买的是什么？ 什么技术或产品正在被实际采用？ 竞争对手正在做什么？ 学习 面对面学习的价值： 很多时候，你之所以能了解某件事，是因为别人亲口告诉了你。 在每一次互动中保持专注，充分吸收信息。 关注新兴趋势： 寻找“未来的趋势”。 世界上正在发生某些事情，尽管目前可能只局限在一个地方，但最终可能会影响到全世界。 记忆 认识自己的认知模式： 我能记住想法、概念和解释，但对具体细节记忆不佳。 我容易忘记人名、日期以及某些具体的对话内容。 关于记笔记的哲学： 即使不回头复习笔记，我仍然坚持做笔记。 做笔记的过程本身，就像加强记忆的“额外助力”。

享乐主义的适应现象 无论你在生活中经历什么，最终都会习以为常。这不仅适用于成就、物质财富，还包括生活方式的升级。 主动推迟满足感，为未来留出更多上升空间。 毕业后的第一处住所不必比大学宿舍更高级，即使你在像 Facebook 这样的大公司工作且经济宽裕，也无需过度追求生活条件的改善。 职业 在职业生涯早期挑战最难的任务，因为未来可以选择放慢脚步。 反向切换很难——如果你习惯了轻松的节奏，再突然追求雄心壮志，往往会感到吃力。 多接触有才华的人，即便是在较为小众的公司中也值得。 找到那些聚集了最有趣人才、从事你感兴趣工作的公司，尽力争取任何进入的机会。 冒险精神 20多岁是冒险的黄金阶段，因为此时人生还没有积累太多责任，比如房贷、子女或照顾年迈父母的负担。 与许多创业者交谈后发现，许多人受到家庭的保护性建议，担心在20多岁时冒险，但其实这是最合适的时间。 与自己坦诚沟通最坏的可能性，比如“如果失败了，最糟会怎样？”这样更有助于面对风险。 同伴影响 你的性格是你最常相处的六七个人共同作用的产物。 谨慎选择与谁相处，因为他们将直接影响你的志向和人生观。 如果现有的朋友圈无法支持你的成长，可以考虑搬迁到适合自己的环境。 关系 在20多岁时尝试建立稳定的长期关系。 一个理想的伴侣能够带来内心的安定，让你在生活与工作中恢复能量更快。 提早养成稳定关系的习惯，将为未来的幸福生活奠定基础。 展望未来 不要等到30岁时才感叹“我的20多岁都浪费了”。 在20多岁时的每一项投资都会在未来产生影响，无论是好的还是坏的结果。 我们所熟知的大多数成功人士，都是在20多岁时为未来的成就打下了坚实的基础。

美国活力 (American Dynamism) 核能复兴：AI (人工智能) 数据中心对能源的需求将激增，这将推动核能的重新兴起，不仅会重启废弃的核电厂，还将加速新型核反应堆的开发。 硬件与软件结合：在制造业、机器人技术和工业自动化领域，能够同时掌握硬件与软件的工程师需求快速增长。 太空技术突破：星舰 (Starship) 的可重复使用设计，将支持更大规模的货物运输，从数据中心设备到生物医学实验室都能被送入太空。 生物与健康 (Bio + Health) 聚焦常见疾病：受 GLP-1 药物成功启发，生物技术公司将重新将注意力放在重大疾病的治疗上。 健康技术平民化：AI 和可穿戴设备将使患者能够直接获取健康数据和个性化的医疗建议。 AI 驱动的医疗支持：通过自动化管理行政工作，AI 将帮助解决医疗行业的人员短缺问题。 消费领域 (Consumer) AI 专业化视频：视频生成技术将更加专注于特定领域，提供高质量、定制化的内容。 AI 个性化存储：人们可以利用 AI 深入分析自己的数字数据，从而获得更加个性化的洞察。 个性化 AI 助手：AI 将学习用户的写作习惯和工作流程，提供量身定制的服务。 智能数据分析：AI 将帮助整合非结构化数据和定量分析，为决策提供更多支持。 加密技术 (Crypto) AI 钱包管理：未来 AI 系统将能自主管理加密货币资产，包括交易和安全管理。 自治聊天机器人：去中心化的自治聊天机器人将以独立实体的形式，提供多样化服务。 数字身份验证：新技术将帮助人们在 AI 主导的数字化环境中验证真实身份。 加密分发平台：全新的加密应用商店将为用户提供更多选择。 企业与金融科技 (Enterprise + Fintech) AI 合规服务：基于法规优化的大语言模型 (LLM) 将显著简化企业的合规流程。 服务行业升级：AI 技术将推动服务型企业实现规模化和高效率的增长。 新型用户体验：围绕 AI 应用设计的创新型 UI 和 UX 界面将逐渐成为主流。 游戏 (Games) AI 叙事新时代：借助 AI 技术，未来将出现类似 Pixar 的互动式叙事内容。 智能化虚拟伙伴：AI 驱动的虚拟伙伴将通过情感互动提供更吸引人的体验。 匿名创作者平台：AI 将支持匿名创作，同时保护创作者的隐私。 成长期技术 (Growth-stage Tech) 搜索行业变革：随着 AI 聊天机器人抢占市场，Google 的搜索主导地位可能被动摇。 智能销售回归：AI 自动化将激发销售代表的需求，并带来新的招聘浪潮。 基础设施 (Infrastructure) AI 计算中心竞赛：国家间将展开竞争，加速建设支持 AI 应用的大型计算中心。 边缘 AI 模型崛起：小型、设备端 AI 模型将在更多应用场景中占据主导。 AI 推理能力进步：尽管存在限制，AI 在数学、物理和编程领域仍将取得巨大突破。

作者：Jared Friedman, Y Combinator 合伙人 常见的错误： 总是等待一个“天才”的点子，迟迟不动手。 没有深思熟虑就仓促开始第一个想法。 从设计解决方案入手，而不是先聚焦具体问题。 认为好的创业点子非常难以找到。 评估创业点子的四个标准（并取平均分）： 潜在市场规模：这个点子是否能够覆盖一个足够大的市场？ 创始人与市场的契合度：你是否对这个市场足够了解，或者有特殊的资源优势？ 解决重大问题的可行性：这个想法是否切实能解决一个显著的痛点？ 是否有新的、重要的洞察：你的点子是否基于一个全新的见解？ 好点子的三个积极信号： 这是你自己真正想要的东西，说明有明确需求。 由于某些技术、政策或市场的变化，这个点子最近才成为可能。 已经有类似的成功公司存在，说明有市场需求。 如何自然地产生点子： 学会观察并识别身边的好想法。 在一个有价值的领域内成为专家。 在行业前沿或创业公司中工作，以接触最新动态。 生成创业点子的七种方法（按效果排序）： 从团队的独特优势出发，找出你们的核心竞争力。 设想那些你希望别人替你做的事情，这些需求可能是点子来源。 思考你长期感兴趣的领域，但要小心陷入过于小众的方向。 关注最近的技术、政策或社会变化，寻找新机遇。 借鉴最近成功公司的模式，创造出新的变种。 与他人交流，利用众包的方式获取新想法。 研究那些效率低下或表现不佳的行业，寻找颠覆机会。 创业的最佳实践： 允许点子随着时间推移不断演化，逐步完善。 优先思考问题，而不是直接设计解决方案。 对想法进行批判性思考，至少花几周时间深入探索。 即便市场上已有竞争者，也不要轻易否定自己的想法。

本文由 Vercel 官方博客发布，探讨了 AI 爬虫（如 OpenAI 的 ChatGPT 和 Anthropic 的 Claude）正在迅速成为网络上的重要角色，其爬取行为和传统搜索引擎（如 Googlebot）有显著差异。尽管 AI 爬虫流量规模尚未达到 Googlebot 的水平，但它们在 JavaScript 渲染能力、内容优先级和爬取效率等方面表现出独特模式。随着 AI 驱动的网络体验不断发展，网站所有者需要优化内容以适应这些爬虫的特点，同时确保关键信息可被有效抓取。 1. AI 爬虫的规模与分布 流量规模：过去一个月，GPTBot 和 Claude 的总请求量接近 1.3 亿次，占 Googlebot 请求量的 28%。其中： GPTBot：5.69 亿次 Claude：3.7 亿次 AppleBot 和 PerplexityBot 分别为 3.14 亿次和 2440 万次。 地理分布：AI 爬虫主要集中在美国数据中心（如 ChatGPT 在爱荷华州和亚利桑那州，Claude 在俄亥俄州），而 Googlebot 的爬取分布更广泛。 2. JavaScript 渲染能力 AI 爬虫的局限性：包括 ChatGPT、Claude、Meta 和 Perplexity 在内的主要 AI 爬虫均无法执行 JavaScript，只能抓取静态 HTML 和初始 HTML 响应中的内容。 对比 Googlebot：Googlebot 和 AppleBot 可完整渲染 JavaScript，处理现代 Web 应用的动态内容。 抓取行为：尽管 ChatGPT 和 Claude 会抓取 JavaScript 文件（分别占请求的 11....

自从今年二月份开始搭建自己的博客以来，我在 AI 的帮助下翻译了 100 多篇英文文章，这里给大家分享一下我的主要翻译 pipeline。在分享之前，我想先感谢一下大家都熟悉的博主——宝玉，他在推特上分享了大量 AI 相关的资讯，特别是他的三步翻译法，对我帮助很大。 我翻译英文文章的初衷是让优秀的文章可以被更多人看到，同时也方便自己留存，所以用准确恰当的中文来表达原文的含义是必要的，这点是沉浸式翻译做不到的，下面我来讲一讲我完整的翻译 pipeline。 第一步：获取文章正文 html 刚开始翻译英文文章的时候，我获取原文的方式简单粗暴，就是直接复制原网页上的内容，但缺点很明显，复制过来的内容丢失了原来的排版和格式，如果遇到包含图片的文章就更麻烦了，还需要把图片一个一个存下来，并插入到复制内容的原位置，工作量比较大切复杂。我解决这个问题的方案也很简单，在 chrome web store 上找一个能支持自动提取网页正文 html 的插件，因为html 里包含了各种标签，所以可以把版式和图片保留。这种插件很多大家可以自行搜索，也可以使用 FisherAI 插件。 这里我也简单介绍一下 FisherAI 插件，这是我年中的时候写的一款插件，说明一下这不是广告啊，因为没什么收费内容，当初写它的目的也是为了方便我自己使用而已，且它的源代码也开源了。写这个插件主要源于我对文章有自动总结和摘要的需求，看了市面上一些摘要插件，基本都无法满足我的需求。我想要的是不仅可以自动摘要，也可以聊天，也要支持工具调用，最重要的是要支持自定义使用的模型和 api key。至于提取网页正文 html 的功能正好是我的一个需求，就顺手加到了这个插件里。 第二步：使用三步翻译法进行翻译 所谓的三步就是：直译–>反思–>意译。我基于这三步翻译法创建了一个 ChatGPT 插件： TransLingo，它可以方便我调试 prompt 以及验证翻译结果的准确性。 对于短的文章，用这个插件翻译很方便，但遇到长文章就比较麻烦了，需要在插件的聊天窗口里点很多次继续，才能翻译完成，有的时候还由于文章太长被截断或失败的情况。对于长文章，有一个比较方便的解决方案，就是使用 Google AI Studio，因为 gemini 从一开始就支持 100 万 + token 上下文，特别适合长文翻译，且价格也很便宜，我最常用的模型就是 gemini-1.5-flash，这不今天 google 又放出来了 gemini-2-flash-exp，主打多模态，后续应该可以切换到这个模型上了。 下面也分享以下我在用的三步翻译 prompt，大家可以自行取用。 你是一位精通简体中文的专业翻译，尤其擅长将专业学术论文翻译成浅显易懂的科普文章。请你帮我将以下英文段落翻译成中文，风格与中文科普读物相似。 规则： - 翻译时要准确传达原文的事实和背景。 - 即使意译也要保留原始段落格式，以及保留术语，例如 FLAC，JPEG 等。保留公司缩写，例如 Microsoft, Amazon, OpenAI 等。 - 人名不翻译 - 同时要保留引用的论文，例如 [20] 这样的引用。 - 对于 Figure 和 Table，翻译的同时保留原有格式，例如：“Figure 1: ”翻译为“图 1: ”，“Table 1: ”翻译为：“表 1: ”。 - 全角括号换成半角括号，并在左括号前面加半角空格，右括号后面加半角空格。 - 输出格式为 Markdown 格式 - 在翻译专业术语时，第一次出现时要在括号里面写上英文原文，例如：“生成式 AI (Generative AI)”，之后就可以只写中文了。 - 遇到用figure包裹的img标签，只需保留img的src属性，其他属性如alt/loading/width/height/srcset等需要忽略掉。 - 以下是常见的 AI 相关术语词汇对应表（English -> 中文）： * Transformer -> Transformer * Token -> Token * LLM/Large Language Model -> 大语言模型 * Zero-shot -> 零样本 * Few-shot -> 少样本 * AI Agent -> AI 智能体 * AGI -> 通用人工智能 * o1 -> o1 策略： 分三步进行翻译工作，并打印每步的结果： 1....

Marc Andreessen 是 Netscape 和 Andreessen Horowitz 的联合创始人。本文节选自他为 Brent Schlender 2016 年创作的《成为史蒂夫·乔布斯》(Becoming Steve Jobs)一书所写的序言。 无数创业者来到我们 Andreessen Horowitz 风险投资公司的会议室寻求融资，而这间会议室是以史蒂夫·乔布斯 (Steve Jobs) 命名的。 每年都有数千名创业者来到这里，但其中绝大多数人都从未见过乔布斯本人，甚至很多都是在他去世后才进入科技行业的。 然而，令人惊奇的是，如果问他们谁是心中的偶像，谁是他们学习如何创办公司、如何改变世界的榜样，乔布斯总是高居榜首，远远领先于其他人。 我看到乔布斯的影响渗透到他们所做的一切之中：他们的行为举止，他们推销时的技巧和魅力，他们演示文稿的设计，甚至连他们使用的词汇都受到影响。“美丽”（beautiful）一词，在乔布斯时代之前，很少出现在创业公司的语境中，而现在，几乎所有产品都必须做到“精美绝伦”。每个产品都必须从一开始就惊艳四座，完美地履行其承诺，给用户带来惊喜和愉悦。 简而言之，这就是乔布斯留下的遗产。他在苹果公司取得的成就，以及苹果公司本身的存在，都为整个科技界，乃至其他行业树立了新的标杆，并将影响深远，绵延数十年。 乔布斯之前的时代 在 1997 年乔布斯回归苹果，苹果最终称霸之前，微软在科技行业的地位与苹果今日的地位相似。当时，人们普遍认为微软产品的第一个版本总是粗糙不堪的，但大家也知道他们会不断改进。第二个版本也不会好多少，只有到第三个版本，产品才会真正成熟，即使不完美，至少也能让人接受。 当时，商业战略往往被认为比产品战略更重要。只要有足够的营销宣传，或者使用足够的“FUD”（Fear, Uncertainty, and Doubt，恐惧、不确定和怀疑）策略——微软和之前的 IBM 一样，常以预先发布尚未成型的产品来扰乱市场——即使产品本身存在缺陷，也能通过虚张声势取得市场成功。 20 世纪 90 年代硅谷的许多问题，以及 2000 年互联网泡沫破裂的原因之一，就是许多公司盲目跟风，过早进入市场，推出质量低劣的产品。互联网泡沫时期，许多商业软件之所以被人们使用，更多是因为害怕落后于竞争对手。到了 2000 年和 2001 年，人们终于发现，“这些产品简直是垃圾！” 许多公司因此一夜之间倒闭。 而乔布斯从来不相信商业战略能凌驾于产品之上。他坚信产品必须出色，否则就绝不发布。 iPhone 时代的到来 对于 21 世纪初成长于科技行业的年轻人来说，iPhone无疑是那个时代的代表性产品。它重新定义了优秀科技产品应有的标准，并在乔布斯的推动下，将这一标准提升到了前所未有的高度。 iPhone 于 2007 年发布，但在此之前苹果公司付出了多年的努力。1999 年，苹果注册了域名 iphone.org；2003 年，苹果开始研发触摸屏的硬件和软件；2004 年，秘密研发团队将研发重点从平板电脑转向了 iPhone。 苹果完全可以在研发过程中更早地推出手机或平板电脑，但乔布斯坚持等待，直到产品达到完美的标准。 在 iPhone 出现之前，我尝试过各种各样的手机，比如 Treo，三星和 LG 的各种型号。我的抽屉里塞满了这些手机，它们运行着 Java BREW (Binary Runtime Environment for Wireless)，拥有数不清的按键，以及厚厚的使用说明书，翻译成七种语言。它们颜色各异，图形也粗糙，触摸屏反应迟钝，键盘也经常出故障。即使是最好的产品，也运行缓慢，反应迟钝。一年之中会有几十款新机型上市，却没有任何实质性的进步。...

本篇文章是埃隆·马斯克的前妻贾斯廷·马斯克（Justine Musk）对于2015年Quora讨论“我如何才能像比尔·盖茨、史蒂夫·乔布斯、埃隆·马斯克、理查德·布兰森一样伟大？”的回答。 极端的成功源自于极端的个性，而这通常需要为许多其他东西付出代价。极端的成功与我们通常所理解的“成功”有所不同。你不必像理查德或埃隆那样，也能拥有富裕和成功的生活，享有美好的生活方式。这样，你的幸福感可能会更强。可是，如果你追求极端的成功，你必须忠于自己，这就意味着幸福有时不是最重要的。这样的成功者往往是怪胎、与众不同的人，他们以不同寻常的方式感知世界。通过与世界抗争，他们发展出了一套生存的策略，随着年龄的增长，他们将这些策略运用到更多的领域，最终为自己创造了独特的优势。他们的思维方式与常人不同，从不同的角度看问题，解锁新的思路和创意。别人常常认为他们有些疯狂。 保持痴迷。 保持痴迷。 保持痴迷。 如果你没有什么特别痴迷的事，那么请停下你正在做的事情，去找到那个能让你痴迷的目标。拥有一定的自尊心会有所帮助，但你必须为更大的目标而服务，才能激励那些帮助你的人（而且，别误会，你一定需要他们）。那个“更大的目标”可以防止你在别人围绕你转时迷失方向，特别是当人们对你和你的事物赞不绝口，而你知道这并不完全真实时。不要因为“想要伟大”而去追求某件事，而是因为它深深吸引你，追求本身让你感到兴奋和驱动。极端的人往往结合了聪明才智和疯狂的工作热情，所以如果工作本身不能激励你，你可能会在途中精疲力尽，或者被竞争者打败。 跟随你的痴迷，直到找到一个真正具有挑战性的问题——一个影响尽可能多人的问题，这个问题让你誓言一定要解决，哪怕为此付出一切。这可能需要几年时间，因为你需要去探索不同的领域，收集知识，最终将它们串联成完整的解决方案。 如果你能拥有超人的精力和耐力，那将更有利。如果你没有天生的强大体质，那么请务必锻炼身体，保持最佳状态。你会经历时差、精神疲劳、孤独、无聊的会议、家庭矛盾、生活的低谷、与伴侣关系的疏远、无休止的压力等挑战。保持身体健康，才能保持头脑的敏锐。 学会应对常人无法承受的压力。 不要盲目跟随别人走过的路，不要试图模仿你的偶像。没有所谓的“下一步”。极端成功的道路与常规成功不同；别人走过的路，不一定适合你。成功的人有自己独特的视角，他们利用自己的优势开辟道路。他们非常不拘一格，其中一个原因是，他们无法适应传统企业文化。他们可能有阅读障碍、自闭症或多动症（ADHD），他们像方钉子被塞进了圆形的孔里，激怒了许多人，挑战现状，却从不畏惧失败。 他们不害怕失败，或许害怕，但仍然勇敢前行。当他们经历失败时，他们能将其转化为成长的动力，哪怕是公众面前的巨大失败。 他们更可能去读关于历史伟人传记的书籍，例如亚历山大大帝或凯瑟琳大帝等人的故事，而不是浪费时间在互联网上浏览无关的信息。 我本可以继续讲下去，但我相信你已经明白了我想说的。祝你好运，也希望你在必要时能找到力量。