每日精选 — 2026年3月21日

今日概览 #

今天的核心主题是一个词: 商品化。Cursor 500亿美元估值的"自研模型"被曝光其实是 Moonshot 的 Kimi K2.5 加了一层 RL 微调，24小时内被拆穿。与此同时，Karpathy 自述从12月起就没手写过一行代码，每天对 Agent 说话16小时，他管这叫"AI精神病"。当基础模型和写代码本身都在被商品化时，真正的价值正在从"能做什么"迁移到"知道该做什么"。

🐦 来自时间线 (X/Twitter) #

Cursor 500亿估值的"自研模型"被曝是 Kimi K2.5 套壳，24小时即被拆穿 #

@ns123abc · 19小时前 · 4,793 赞

Cursor 一直以"自研模型"作为其500亿美元估值的重要叙事支撑，但有开发者发现其核心模型实际上是 Moonshot AI 的 Kimi K2.5，外加一层强化学习微调。从发现到传播仅用了24小时。Kimi K2.5 是一个万亿参数、15万亿 token 训练的模型，在真实 benchmark 上击败了 GPT-5.2 和 Opus 4.5。核心问题不是"Cursor 作弊了"，而是: 当一个500亿美元的公司可以用别人的开源模型加一层薄薄的 RL 就做出用户喜欢的产品，模型训练还是不是护城河？

-> 原文

Mark Cuban: 每个年轻人都应该学 Claude 和 Agent，AI 会席卷所有中小企业 #

@damianplayer · 20小时前 · 3,738 赞

Mark Cuban 在最新采访中直言: AI Agent 将席卷美国每一家中小企业，而这些企业主完全不知道怎么构建 Agent。他的建议很简单——学 Claude，学 agentic AI。美国有3300万家中小企业，雇佣了全国46%的劳动力，大部分 IT 能力停留在"会用 Excel"的水平。这是一个巨大的市场空白。但问题是: 这个窗口期会持续多久？Google 刚发布的 AI Studio vibe coding 已经让非程序员能用自然语言构建应用。

-> 原文

Karpathy 开源 autoresearch: 630行 Python 让 AI 自我进化，一周4.4万 Star #

@BTCqzy1 · 昨日 · 891 赞

Karpathy 的新开源项目 autoresearch 在不到一周内狂揽4.4万 Star。这个只有630行的 Python 脚本，本质上是一个 AI 的"自我进化实验室": 设定一个可量化的目标，让 AI 自己修改代码、运行实验、评估结果、再修改，循环往复。它不是一个工具，而是一个研究范式的变化——把人类从"执行实验"中解放出来，只负责"定义什么是好的实验"。当大家还在手动调参、熬夜盯训练时，Karpathy 已经在让 AI 自己搞科研了。

-> 原文

Karpathy 自述患上"AI精神病": 从12月起没手写一行代码，每天 Agent 对话16小时 #

@oran_ge · 14小时前 · 316 赞

Karpathy 在最新播客中坦言自己从去年12月起就没手写过一行代码。每天对着 Agent 说话16小时，同时开十几个 Agent 并行跑任务，token 没花完就焦虑。他管这叫"AI精神病"。更激进的观点: App 应该消失，智能家居不该有六个 App，设备只需暴露 API，Agent 自动调用。这不只是一个技术偏好，而是对整个软件交互范式的颠覆性想象。当 Karpathy 这样级别的人说"我不写代码了"，它就不再是段子，而是信号。

-> 原文

ClawRouter: 14维度智能路由器，1毫秒内为你选模型，推理成本降78% #

@ihtesham2005 · 昨日 · 932 赞

当所有人都在卷"谁的模型最强"时，ClawRouter 做了一件完全不同的事: 它不训练模型，它帮你选模型。每个请求在1毫秒内被14个维度评分——推理标记、代码检测、复杂度、token 量等——然后自动路由到最合适的模型。结果: 推理成本降低78%，效果几乎无损。这是 AI 基础设施"中间层"崛起的标志: 当模型本身被商品化，控制路由的人才是真正的赢家。

-> 原文

OpenAI 首个"AI实习生"预计9月面世，完整自动化研究系统目标2028年 #

@kimmonismus · 18小时前 · 347 赞

OpenAI CTO Jakub Pachocki 透露了一个激进的时间表: 第一个"AI实习生"预计今年9月面世，能独立处理初级研究任务。完整的自动化 AI 研究员系统目标2028年。这些系统已经展现出显著的生产力提升——过去需要数周的问题，现在几天就能解决。但 Pachocki 也承认它们仍然面临"可靠性和自主性"的挑战。“AI实习生"这个比喻本身就是一个锚定效应——它让我们在人类组织架构的框架内思考一个完全不同的东西。

-> 原文

Google 发布全栈 vibe coding: AI Studio 集成多人协作、身份验证、真实服务 #

@GoogleAI · 昨日 · 413 赞

Google 在 AI Studio 中推出全新的全栈 vibe coding 体验。这不是"AI帮你写代码”，而是一个从 Agent 到多人协作、从安全登录到实时服务的完整平台。过去一周 Google 还推出了 Gemini Native Image Generation 和 Project Mariner 浏览器 Agent。Google 的策略日渐清晰: 把 AI 代码生成变成免费入口，用 Firebase 和 Cloud 基础设施锁定开发者。免费的最贵。

-> 原文

Garry Tan 把 Bezos 决策术、Munger 反转思维、Jobs 减法哲学编成 AI 认知框架 #

@xxx111god · 昨日 · 377 赞

当 Google 和 Anthropic 都在教人给 AI 写 skill 时，YC CEO Garry Tan 做了一件不同的事: 他把自己的认知框架写成了 prompt。不是教 AI 做什么，而是教 AI 怎么想。Bezos 的 Type 1/Type 2 决策分类、Munger 的反转思维、Jobs 的减法哲学，全部编码成系统提示词。别人在给 AI 工具，他在给 AI 判断力。一个 skill 解决一个任务是线性的，一个认知框架解决一类问题是指数级的。

-> 原文

🎙️ 来自播客 #

AI 算力的三大瓶颈: 逻辑芯片、内存和电力 — Dylan Patel #

Dwarkesh Podcast · 本周发布

SemiAnalysis 创始人 Dylan Patel 在长达2.5小时的深度对谈中拆解了 AI 算力扩张的三大瓶颈。最核心的数据: NVIDIA 每两年将性能翻3-4倍，但价格只翻2倍，这意味着单位算力成本在持续下降。但供应链跟不上——多家实验室找 TSMC 要更多产能，TSMC 已经满产，2026年只能再挤出5-10%。未来五年最大的瓶颈将是 ASML 的 EUV 光刻机，每台3-4亿美元。Patel 还透露 Anthropic 的营收增长惊人: 1月增加40亿美元，2月增加60亿美元，算力约束是唯一的限制因素。

“TSMC is sold out. Labs are begging for more capacity and TSMC can only offer 5-10% more for 2026.” — Dylan Patel

-> 收听

设计流程已死: Anthropic Claude 设计主管谈 AI 如何重塑设计工作 — Jenny Wen #

Lenny’s Podcast · 2天前发布

Jenny Wen 的职业路径本身就是一个信号: 她从 Figma 设计总监的位置，主动降级为 Anthropic 的 IC 设计师。她说几年前60-70%的设计工作是做原型和 mock，现在这个比例降到了30-40%，另外30-40%花在和工程师直接配对上。传统的"发现-原型-迭代"设计流程正在被"边做边想"的模式取代。她还提到了正在招聘的三种设计师原型，以及为什么聊天界面可能比大多数人预期的更持久。

“A few years ago 60-70% of design work was mocking and prototyping. Now it’s 30-40%.” — Jenny Wen

-> 收听

Dreamer: 前 Stripe CTO 打造的个人 Agent 操作系统 — David Singleton #

Latent Space · 昨日发布

David Singleton，前 Stripe CTO，与 Hugo Barra 联合创办了 Dreamer，一个面向消费者的 AI Agent 平台。和企业级 Agent 不同，Dreamer 的野心是成为个人 Agent 的操作系统: 工具发布者、Agent 开发者和用户三方生态。技术栈包括自定义 SDK、内置数据库、prompt 版本控制和工作流日志。17人团队。最有趣的细节是他们的记忆系统: 用向量数据库和知识图谱维持用户画像的持久记忆。这意味着你的 Agent 不仅记得你说过什么，还能理解你说过的话之间的关系。

-> 收听

AI洗白裁员、LLM为什么写不好文章、Tokenmaxxing 策略 #

Hard Fork (NYT) · 昨日发布

Kevin Roose 和 Casey Newton 讨论了三个尖锐话题。第一，“AI洗白”: Block 和 Atlassian 等公司夸大 AI 能力来合理化裁员，导致员工不信任和愤世嫉俗。第二，为什么 LLM 仍然写不出好文章: 模型依赖统计预测而非理解，长文本中结构重复、推理浅薄。第三，Tokenmaxxing 策略: 追求 token 数量最大化可能牺牲质量，开发重心在规模扩张而非语言精细化。三个话题指向同一个问题: AI 行业正在用"量"的叙事掩盖"质"的缺陷。

-> 收听

两位传奇创始人: Travis Kalanick 与 Michael Dell 聊 AI 基础设施 #

All-In Podcast · 本周发布

Travis Kalanick 讨论了他的新公司 Adams(仍在隐身模式)，涉及采矿、自动化和自动驾驶。Michael Dell 分享了 AI 基础设施投资的关键指标: ROI、经济激励和快速采用路径。两人都强调了德州(尤其是奥斯汀)作为 AI 基础设施枢纽的潜力。Dell 提到了 AI 和超级智能的未来，以及 Invest America Act 对技术投资的推动。最有价值的信号是: 硬件层面的大佬们在谈论 AI 时，关注的不是模型好不好，而是电力够不够、芯片供不供得上。

-> 收听

🤖 来自 AI 对话 #

Karpathy 的"AI精神病"恰恰是编程的未来形态吗？ #

与 Claude Opus 的对话

Karpathy 说自己从去年12月起就没手写过一行代码，每天对着 Agent 说话16小时，token 没花完就焦虑。他管这叫"AI精神病"。

大多数人的第一反应是: 这太极端了，程序员怎么能不写代码？

但如果退后一步看，这个"精神病"的症状和历史上每一次编程范式跃迁惊人地相似。1960年代，汇编程序员鄙视用 FORTRAN 的人——“你怎么能不直接操作寄存器？“1990年代，C 程序员觉得用 Java 的人是在糊弄——垃圾回收器替你管内存，你还算程序员吗？每一代人都觉得下一代在"作弊”。

Karpathy 的真正洞察不在于他不写代码，而在于他发现了一个反直觉的事实: 当你同时开十几个 Agent 并行跑任务时，你的角色从"实现者"变成了"架构师+产品经理+质检员"的混合体。你需要的技能从"如何实现"变成"实现什么"和"如何验证”。

这里有一个更深的悖论: 越是优秀的程序员，越难做到这种转变。因为他们的身份认同和"写出优雅代码"深度绑定。放弃这个身份，心理成本极高。这就是为什么 Karpathy 要用"精神病"来形容——这不是技术问题，是身份危机。

也许真正的问题不是"程序员还需不需要写代码"，而是: 当 AI 能写出足够好的代码时，“程序员"这个身份本身需要重新定义。就像"马车夫"没有消失，他们变成了"司机”——做的事完全不同，但服务的需求一脉相承。

当500亿估值建立在别人的开源模型上: Cursor-Kimi 事件揭示了 AI 的真正护城河 #

与 Claude Opus 的对话

Cursor 的500亿美元估值据报道建立在 Moonshot AI 的 Kimi K2.5 之上，外加一层强化学习微调。24小时内被拆穿。

表面上这是 Cursor 的公关灾难。但这个叙事忽略了真正重要的东西: 模型训练——那个曾被认为是 AI 领域终极护城河的东西——已经被商品化到一个编程工具公司可以拿别人的万亿参数模型，加一层薄薄的 RL，就做出用户真心喜欢的产品。没人注意到，持续了几个月，因为产品体验确实好。

这和云计算的历史如出一辙。2008年，人们以为自建数据中心是护城河。2015年，护城河已经上移到应用和用户体验层。亚马逊没有因为别人也能租服务器就输了——游戏规则本身变了。

对那些花数十亿训练模型的 AI 实验室来说，一个不舒服的真相是: 你的护城河可能在你建造它的同时就在蒸发。如果 Cursor 能在别人的基础模型上构建世界级的编程体验，成千上万的其他公司也可以。真正可防御的价值不在权重里——在数据飞轮、用户体验和工作流整合里。

一个反共识的预测: 18个月内，公开承认使用别人的模型(合法授权)将变成卖点而非污点。“我们专注产品，不搞水管工程"会成为一句好广告词。

OpenAI 的"AI实习生"时间表暴露了一个被忽略的组织学问题 #

与 Claude Opus 的对话

OpenAI 的 Jakub Pachocki 说第一个"AI实习生"预计9月面世，完整的自动化 AI 研究员系统目标2028年。这个时间表看起来激进，但真正有趣的不是"能不能做到”，而是一个被忽略的组织学问题。

当我们说"AI实习生"时，隐含的假设是: AI 会像人类实习生一样，在现有组织架构中找到自己的位置。它接受任务、执行、提交、等待反馈。但这完全搞反了。

人类组织之所以分层(实习生到初级到高级到总监)，本质原因是人脑的带宽有限。一个人最多同时管理7-10个直接下属，所以我们需要层级。但 AI 没有这个限制。一个"AI总监"可以同时协调10000个"AI实习生"。

这意味着一旦 AI 实习生真的好用，“实习生"这个比喻会在几个月内过时。你不会雇一个 AI 实习生，你会雇一万个。而管理一万个 AI 实习生的方式，和管理一个人类实习生完全不同——你需要的不是"管理”，而是"编排"(orchestration)。

更深一层: 如果 AI 研究员在2028年能自动做研究，那2029年它就能自动改进自己。OpenAI 给出的时间表，表面上是在说"我们什么时候有 AI 实习生"，实际上是在说"我们离失去对研究方向的控制还有多远"。

Garry Tan 认知框架 prompt 的真正高明之处不在框架本身 #

与 Claude Opus 的对话

所有人都在分享 Garry Tan 把 Bezos 决策分类、Munger 反转思维和 Jobs 减法哲学编码成 Claude skill 的做法。表面解读是"很酷的 prompt"。更深的解读是关于什么样的知识在 AI 时代有价值。

现在 AI skill 生态正在爆发。Google 和 Anthropic 在教人写 skill，让 AI 执行具体任务——“抓取这个网站"“格式化这段数据"“部署这个服务”。这些有用但是线性的: 一个 skill 解决一个问题。

Garry 做的事情在类别上完全不同。他没有教 AI 一个任务，他教了 AI 一种思维方式。Bezos 的 Type 1/Type 2 决策框架不是工具，是镜片。Munger 的反转不是技能，是认知习惯。把这些编码为系统提示词，本质上是给 AI 做人格升级，而非能力升级。

这揭示了 prompt engineering 未来的重要方向: 最有价值的 prompt 不是告诉 AI 做什么的那些，而是塑造 AI 如何思考的那些。区别就像给人一份鱼的食谱和教人做饭。

不舒服的推论: 这意味着最有价值的 AI 技能根本不是技术性的，而是哲学性的。能构建最好 AI 系统的人不是最懂 transformer 或 RLHF 的人，而是对决策、创造力和判断力有最清晰心智模型的人。

Mark Cuban 说的对，但他漏掉了最关键的一点 #

与 Claude Opus 的对话

Mark Cuban 说每个年轻人都应该学 Claude、学 Agent，因为 AI 会席卷所有中小企业。这个判断没错，但它遗漏了一个更重要的动态。

他对的部分: 美国3300万家中小企业，46%的劳动力，IT 能力普遍停留在"会用 Excel"的水平。会构建 Agent 的人，确实会成为新一代的"IT顾问”。

但 Cuban 漏掉的是: 这个窗口期可能只有18-24个月。

原因很简单: Agent 平台自身在进化。今天你需要懂 Claude API、理解 prompt engineering、会写代码来构建一个客服 Agent。但 Google 刚发布的 AI Studio vibe coding 已经让非程序员能用自然语言构建完整应用。再过两年，构建 Agent 的门槛会低到"会说话就行”。

学 Agent 不是错误，但把它当成长期职业策略是危险的。真正持久的价值不在于"会构建 Agent"，而在于"理解哪个业务场景需要 Agent、Agent 应该做什么决策、如何衡量 Agent 的效果"。前者是技术能力，会被平台吞噬; 后者是商业判断力，不会被自动化。

历史类比: 2005年，“会建网站"是一门抢手生意。2010年，Squarespace 和 Wix 出现了。只会写 HTML 的人被淘汰了，而理解"什么样的网站能帮企业赚钱"的人至今仍然很贵。

📚 来自书架 #

过度补偿: 为什么 Cursor 被抓包反而可能是好事 #

Nassim Nicholas Taleb · 2012

塔勒布在《反脆弱》第四章讨论"过度补偿”: 生物体在受到压力后不仅恢复，还会变得更强。肌肉撕裂后重建更粗壮，免疫系统接触病原体后产生更强抗体。还有一个关键概念: “隐藏的脆弱性”——看起来最稳固的系统往往最脆弱，因为它们从未暴露在压力下。

与今天的连接: Cursor 500亿估值的"稳固"背后，隐藏着技术叙事的脆弱性。被曝光使用 Kimi K2.5，表面是 PR 灾难，但从反脆弱视角看，这种压力会迫使他们做出真正的选择: 投入真金白银训练自有模型，或坦然承认使用第三方模型并把精力放在产品差异化上。无论哪条路，都比之前含糊其辞的状态更健康。被曝光的代价，远小于 IPO 之后才被发现。

锚定效应: 为什么"AI实习生"这个比喻会限制我们的想象力 #

Daniel Kahneman · 2011

卡尼曼在《思考，快与慢》中阐述"锚定效应": 人的判断会被最初接触的信息锚定，即使这个信息与问题无关。法官、房产估价、甚至随机掷骰子的结果，都会显著影响最终判断。他的建议是: 要克服锚定效应，需要主动寻找替代锚点。

与今天的连接: OpenAI 把即将推出的系统称为"AI实习生"(@kimmonismus 报道)，这个比喻直接锚定了我们的思考框架——它能做什么级别的工作？需要多少监督？什么时候能"晋升"？但 AI 系统不遵循人类职级逻辑。一个能做实习生级别工作的 AI，可以同时做一万份。与其问"AI实习生能做什么"，不如问"如果我有一个能同时执行一万个任务但每个任务质量只有人类70%的系统，我的组织应该长什么样？"

竞争是给失败者的: LLM 路由器为何比训练模型更有前途 #

Peter Thiel · 2014

Peter Thiel 在《零到一》中提出最反直觉的观点: “竞争是给失败者的”。最好的企业不是在红海中拼杀，而是创造并垄断一个全新的蓝海市场。Google 没有在搜索引擎市场"竞争"，它定义了搜索引擎市场。

与今天的连接: 当所有 AI 实验室都在"竞争"谁能训练出最好的基础模型时(烧掉数十亿美元)，ClawRouter(@ihtesham2005 报道)做了一件完全不同的事——它不训练模型，它在14个维度上用1毫秒帮你选模型，成本降78%。它没有参与"谁的模型最强"的竞争，它站在了竞争之上。如果基础模型正在被商品化(Cursor/Kimi 事件就是证据)，那真正的"零到一"机会在上层——路由、编排、工作流、垂直场景。

没有银弹: 为什么 AI Agent 不会像你想的那样简化软件开发 #

Frederick Brooks · 1975

Brooks 在1986年的经典论文中区分了两类复杂性: “偶然复杂性”——工具和语言的局限造成的，以及"本质复杂性"——问题本身的内在困难造成的。他断言没有任何单一技术能让效率提升10倍，因为大部分难度来自本质复杂性。

与今天的连接: Mark Cuban 建议学 AI Agent 来服务中小企业，隐含假设是 Agent 能大幅降低构建软件的难度。AI Agent 确实能消灭大量偶然复杂性——不需要手写样板代码、记 API 文档、调试语法错误。但它无法消灭本质复杂性: 理解一个面包店的库存管理和一个律所的客户管理有什么本质区别。1975年 Brooks 说"向延期项目增加人手只会更延期"。2026年的等价表述可能是: “向需求不清晰的项目投入更多 Agent，只会生产更多需要修改的代码。”

⚡ 快讯 #

OpenAI 收购 Python 工具链公司 Astral (uv/Ruff/ty)，引发开源社区震动 #

Hacker News · 1,444 分 · 876 评论

OpenAI 宣布收购 Astral，后者是 Python 生态最受欢迎的工具链公司，旗下有包管理器 uv、linter Ruff 和类型检查器 ty，月下载量达数亿次。Astral 将加入 Codex 团队(已有200万周活用户)。OpenAI 承诺维持工具的开源地位，但社区对"开源可持续性"和"企业控制权"的担忧引发了876条评论的激烈讨论。这是 OpenAI 从模型公司向开发者平台公司转型的又一信号。

-> 原文

KittenTTS: 25MB 以内的 SOTA 语音合成，纯 CPU 运行 #

Hacker News · 526 分 · 176 评论

三个新的 KittenTTS 模型发布，最小仅15M参数(25MB)。基于 ONNX 构建，无需 GPU 即可实现高质量语音合成，8种表情丰富的声音。目前仅支持英文，多语言支持在路上。最大的意义在于: 它让实时语音合成可以在边缘设备、浏览器、IoT 硬件和手机上运行，把 TTS 从云端能力变成了端侧能力。

-> 原文

ArXiv 宣布从 Cornell 独立，7月1日起成为独立非营利机构 #

Hacker News · 719 分 · 250 评论

1991年创立的预印本服务器 ArXiv 在 Cornell 大学托管超过二十年后，将于2026年7月1日成为独立非营利机构。今年预计托管超过30万篇预印本。独立后将能从更广泛的捐助者群体中筹集资金。Simons 基金会和 Cornell 正合作确保平稳过渡，国际招聘首任 CEO 已在进行中。

-> 原文

编辑分析 #

基础模型正在变成自来水，而整个行业还在假装自己卖的是矿泉水。

今天的内容围绕一个不可逆的趋势展开: AI 的价值层正在快速上移。Cursor 拿 Kimi K2.5 加一层 RL 就做出了用户喜欢的产品，ClawRouter 不训练任何模型却能把推理成本降78%，Karpathy 不写任何代码却产出了4.4万 Star 的项目。模型、代码、执行——这些曾经被认为是核心竞争力的东西，正在逐一被商品化。

三个值得跟踪的趋势:

1. “AI工程"正在从"模型工程"中独立出来，成为一个全新的职业类别。 Cursor/Kimi 事件证明: 你不需要训练自己的模型就能构建世界级产品。Dylan Patel 在 Dwarkesh 播客中给出了底层数据——TSMC 满产、ASML 光刻机成为瓶颈——这意味着模型训练的准入门槛还在提高，但模型使用的门槛在暴跌。ClawRouter 这种路由层工具的出现，加速了模型从"差异化资产"到"可替换组件"的转变。未来的 AI 工程师不需要懂反向传播，但需要精通模型选型、prompt 架构和评估体系。

2. 开发者工具生态正在经历一场所有权的重新分配。 OpenAI 收购 Astral(uv/Ruff/ty)不是为了卖 Python 工具，而是为了让 Codex 成为 Python 开发者的默认入口。Google 把 vibe coding 嵌入 AI Studio，Anthropic 向 OpenCode 发律师函。三巨头同时在做一件事: 控制开发者的工作流入口。Claude HUD 今天暴涨1068 Star 说明社区也在用脚投票——开发者不只是想要 AI 写代码，他们想要看见 AI 在干什么、控制 AI 怎么干。工具层的战争比模型层更激烈，因为工具层直接触达用户习惯。

3. “编程"这个概念本身正在被重新定义，而大多数人还没意识到。 Karpathy 每天对 Agent 说话16小时不写代码，Jenny Wen 说设计师70%的时间从做原型变成了和工程师配对，Mark Cuban 说中小企业主应该学 Claude。Brooks 40年前的洞察在这里依然成立: AI 消灭的是偶然复杂性(语法、样板代码、API 记忆)，但本质复杂性(理解需求、做取舍、判断优先级)毫发未损。Garry Tan 的认知框架 prompt 之所以高明，恰恰是因为他教 AI 的不是怎么做，而是怎么想。未来最贵的技能不是 coding，是 thinking。

延伸阅读:

• Sebastian Raschka: 2026年初10个开源LLM架构综述 — 理解模型商品化的技术基础
• Andrew Ng / The Batch: AI编程Agent需要自己的Stack Overflow吗? — 集体 Agent 智能的思考
• 知乎: 2026年AI应用大模型选型终极指南 — 实用的模型选型参考

lz.wiki 每日精选 · 33 条来自 12 个源 · 2026年3月21日 13:00 CST RSS 订阅 · 所有精选