一个芯片工程师的 AI 焦虑解药—我给自己搭了一套信息雷达-夜雨聆风

一个芯片工程师的 AI 焦虑解药—我给自己搭了一套信息雷达

做芯片几年。

这一年我和身边同行,都有一种说不出的焦虑——不是怕被 AI 替代,是怕”不知道发生了什么”。

每天打开手机,X 上、公众号上、各种群里全是 AI 的新东西。模型、agent、应用层每周一个爆款。而我手头的工作,五年节奏没怎么变。

你不会觉得自己马上要失业,但你知道——这股浪一定会拍到你身上。只是不知道什么时候、以什么方式。

我做过所有人都会做的事

关注了一堆 AI 大 V,订阅几个 newsletter,收藏夹塞满”等会再看”。

然后我越来越累。

更诡异的是,我发现一个反常识的事实:

信息越多,我反而越不知道自己在跟什么。

注意力被切碎,每条都没真的看进去。打开一篇 Karpathy 的长文,刷两屏,有人在群里发了个新模型,跳过去看,看一半又有篇论文火了……一天下来,什么都摸过,什么都没记住。

后来我换了个思路。

不再追”看到更多”,而是搭一套让我”少看,但看到的都对”的系统。

这篇文章想分享的就是这套方法,以及——更重要的——它在几个月之后给了我什么。

你能得到什么(说在前面)

我想先讲清楚价值,再讲方法。因为你只有真信这件事值得做,后面的步骤才有意义。

几周后,你会感觉到:

不再害怕错过——”今天 X 上炸了什么”这种 FOMO 慢慢消失。每天省下 1-2 小时刷推时间。知识入口从十几个 app 收敛到一个地方。

几个月后,你会发现:

你能聊出门道了。和同行讨论 AI 时,你说的不是热搜级的浅信息,是真正在前沿的东西。你开始有一个属于自己的知识沉淀——而不是一堆永远不会再打开的收藏夹。

半年后,这件事会显出真正的厉害——

你从”被动消费信息的人”,变成”有判断力的人“。

哪些是 hype,哪些是真趋势,你一眼能看出来。每天高质量的输入累积起来,你的认知密度会和盲目刷推的人,拉开量级差距。

这是复利。

而且——这套系统会成为你的资产。它对你的理解、它积累的筛选偏好,是别人复制不走的。

对我们这种行业相对稳定、但又必须保持对外部世界感知的人,这件事的价值更大——

它让你在自己的专业之外,保留了一个低噪声、高质量的雷达。

OK。如果这就是你想要的,我们继续。

第一层:好的源头,本质是”高质量的人”

不要关注话题,要关注人。

话题底下 95% 是噪音。而被一个真正懂行的人转发或评论过的内容,质量直接拉高一个量级。

X 上值得长期关注的人:

Andrej Karpathy — 他发的每条都值得读
Simon Willison — 独立开发者视角,LLM 实战派代表
Jim Fan(NVIDIA)— 具身智能方向的判断力
Nathan Lambert — RLHF 和开源模型的可靠声音
@_akhaliq (AK)、swyx — 做信息聚合的人,本身就是筛子

把他们当作”已经替你读过 1000 篇论文的人“。

比 X 信息密度更高的地方(很多人忽略):

个人 blog:Karpathy、Simon Willison、Lilian Weng 的博客 — 单篇干货抵十条推文
官方 research blog:Anthropic、OpenAI、DeepMind、Google Research
Newsletter:Import AI、The Batch、Interconnects
Podcast:Dwarkesh Patel、Latent Space — 通勤时间利用率拉满

顺带说一句,作为芯片行业的人,我会额外关注几个偏硬件 / 系统 / 编译方向的声音。

AI 浪潮拍到我们行业,首先是从这些地方开始的。

第二层:开源项目,别看星数

GitHub 星数这个指标基本已经废了。

一篇爆款推文能让一个半成品项目一夜涨几千 star。半年后再看,死透了。

我自己看项目的几个标准:

1️⃣ X 上有没有人写”用了几个月之后的体感” — 比 README 真实十倍

2️⃣ issues 区是不是有真实讨论 — 能用的项目里全是具体报错和 PR;不能用的项目里全是”awesome project, please add Chinese README”

3️⃣ 作者自己是不是在用 — 很多人发完就不维护了

4️⃣ commit 节奏 — 细水长流的迭代,还是发版那周突击 100 次然后死掉

发现项目的渠道也最好以人为节点:看你信任的几个工程师最近 star 了什么。

第三层:论文,让别人替你筛

arXiv 一天几百篇,自己刷是不可能的。

依赖几个稳定的筛选器就够:

@_akhaliq (AK) 的每日论文推荐
Hugging Face Daily Papers — 社区投票过的列表
你关注的研究者会转发的论文

但知道源头还不够

最现实的问题是——

你订阅了一堆,最后还是没时间看。

收藏夹只会变成新的焦虑源。这时候你需要一个东西,自动替你筛、替你总结、替你推送。

主角登场:Hermes Agent(Nous Research 开源,GitHub 搜 NousResearch/hermes-agent)。

它不是又一个 chatbot。它的设计目的就是——让一个 AI 长期跟着你跑。

适合做信息系统核心的三个原因:

✅ 能挂 cron — 固定时间跑任务,部署在 VPS 或自己的工作站上,你不在线它也在工作

✅ 能多平台推送 — Telegram、Discord、Slack 都行,不用主动开网页

✅ 有记忆和 skill 系统 — 你告诉它一次”我对什么感兴趣”,它会越用越懂你

最后这一点是和普通 ChatGPT/Claude 最大的区别:它在跨会话学习。

三步开始

第一步,设一个简单的 prompt,挂上 cron:

每天早上 8 点,扫一遍我的 X 关注列表、几个 blog 的 RSS、Hugging Face Daily Papers,挑出最值得看的 1 篇文章 + 1 个项目 + 1 篇论文,用中文写 200 字摘要说明为什么值得看。当天没有特别突出的内容就少推或不推,不要凑数。

第二步,每天给它反馈:

看到特别有用的 → “这种以后多推”
看到没意义的 → “这类别推了”
自己有新关心的方向 → 让它加进偏好

第三步(很多人忽略,但其实最重要),定期让它总结你的兴趣演化:

“回顾过去一个月我对你的反馈,告诉我我的兴趣重心发生了什么变化。”

这一步会让你重新看清自己。

一个示意场景

如果你这样设置,某天早上你打开 Telegram 看到的可能是这样的:

🌅 今日精选

📄 文章 · Simon Willison《How I use LLMs as a senior developer》
复盘了一年来的 LLM 使用方式,核心观点:不要让 LLM 替你做决策,让它做”我知道怎么做但懒得敲”的事。
为什么值得看:比一般的 prompt 技巧高一层,讲工程师和 AI 协作的心智模型。

🔧 项目 · repomix
把整个代码仓库打包成 LLM 友好的单文件。
为什么值得看:Karpathy 今天转发了,issues 里有真实用户分享 5 万行项目的处理效果。

📜 论文 · 《Scaling Test-Time Compute Optimally》(DeepMind)
同样的总算力,不同分配策略能带来 4 倍效果差异。
为什么值得看:HF Daily Papers 今日 #1,对理解”o1 类模型为什么有效”很有帮助。

(以上为示意,真实推送内容因当天信源而异)

然后——最关键的来了——你可以直接在 Telegram 里继续问它:

“第二个项目展开讲讲它和 LangChain 的区别”
“今天这篇论文里的 baseline 是什么意思”
“把这三条都存到我的’下周深读’清单”

这种对话式的资讯消费,比任何 newsletter 都自然。

你到底在搭什么

如果你认真做这件事,几个月后你拥有的,不是一个推送工具——

是一套只给你推真正重要东西的过滤系统。

是一个懂你兴趣演化轨迹的 AI 助手。

是一个逐渐积累的个人知识库。

还有一个隐藏价值——

你重新拿回了对自己注意力的控制权。

算法推荐的逻辑,是抢你的注意力。
你搭的这套系统的逻辑,是保护你的注意力。

方向完全相反。

回到我自己。

作为一个芯片工程师,我搭这套系统,不是为了赶时髦,不是为了”转型 AI”。

是为了在自己每天专注于波形、覆盖率、低功耗验证的同时——不被外面这股巨浪卷走。

我没法决定 AI 浪潮什么时候、以什么方式拍到我们行业。

但我可以决定——

当它来的时候,我不是被信息淹没的那个人,而是知道发生了什么的那个人。

这就够了。

后续会分享什么

这篇文章只讲了”为什么”和”大致怎么做”。

接下来我会陆续分享:

🛠 完整搭建教程 — Hermes Agent 从安装、配模型、挂 Telegram bot 到部署 cron,踩坑实录,看完就能照着搭

📝 真实的 prompt 和 skill — 我自己每天在用的资讯筛选 prompt、信源配置、反馈调优——直接放出来给你用

🔄 从 0 到 1 的工作流串联 — 怎么把”信源 → 筛选 → 推送 → 反馈 → 沉淀”这套流程跑通,而不是用几天就放弃

📊 三个月后的真实复盘 — 跑了一段时间之后,我的信息品味、知识沉淀、焦虑水平到底有什么变化

如果你也觉得这件事值得做——

关注我,跟着搭一套属于你自己的信息雷达。

下一篇见。

扫码加入「芯片角落」交流群，一起聊聊芯片 × AI