Bitget Wallet 3分钟注册完成，效率太高啦 你的链上生活，一键搞定！ web3.bitget.com 多链自由，资产随心掌控 Bitget Wallet 支持 130 主流公链（Bitcoin、Ethereum、Solana、BNB Chain、Base 等）和 百万级代币，真正实现全链资产一站式管理。无论你是新手还是老玩家，都能轻松查看、转账、接收资产，再也不用在多个钱包间切换烦恼。 apps.apple.com 极致交易体验，Swap 更快更省 • 一键跨链 智能路由：自动聚合数百个 DEX 和跨链桥，为你找到最优价格，滑点更低、速度更快。 • 自动代付 Gas：再也不用为 Gas 费头疼，交易顺滑如丝。 • MEV 保护：默认开启防狙击机制，让你的交易更安全、更公平。 coindesk.com 内置 Super DEX，支持现货、合约、甚至链上美股/ETF 交易，随时捕捉 Alpha 机会。金狗雷达、实时异动提醒、AI 行情分析，让你领先市场一步！ 丰富生态，理财 & 娱乐一应俱全 • 质押理财：聚合主流协议，一键参与，APY 竞争力强，稳定收益触手可及。 • NFT 市场：聚合 OpenSea 等平台，支持任意币种买 NFT，轻松玩转收藏与交易。 • DApp 浏览器 Launchpad：直接在钱包内畅玩 DeFi、GameFi、新项目打新，无缝连接 Web3 世界。 web3.bitget.com 日常支付，Crypto 真正走进生活 • Scan to Pay / 加密卡：支持 Mastercard，在全球商户消费，Google Pay、Apple Pay、微信支付宝一键接入。 • Shop with Crypto：App 内直接用加密货币买游戏点卡、旅行、充值等，无需兑换法币。 • 法币入金：信用卡、银行转账快速买入，零门槛进入 Web3。 web3.bitget.com 安全为先，便利无忧 • 非托管设计：私钥完全由你掌控。 • 3 亿美金用户保护基金 顶级安全审计 风险预警，资产更有保障。 web3.bitget.com • 简洁直观界面：新手模式一目了然，老手 Pro 模式功能全开，手机 浏览器扩展无缝同步。 Bitget Wallet，不只是钱包，更是你的 Web3 超级入口！ 90,000,000 用户的选择，简单、安全、强大，让加密货币从“复杂工具”变成“日常利器”。 立即下载，开启你的链上自由之旅！

最近，一组画面在网上传开了，别说美国人没想到，连很多中国人自己都惊了。北方某厂的流水线上，一辆辆小型履带无人战车整齐排列，正在批量下线。这不是概念车，也不是阅兵摆样，而是实打实从生产线上一台接一台开下来的量产型，官方管它叫尖兵察打一体无人战车。这是它第一次以量产姿态公开露面——注意，不是试验，不是样车，不是小批量试用，是流水线上批量生产。 2025年9月3日，抗战胜利80周年阅兵，一大批ZRY22无人战车整齐驶过长安街。当时不少人觉得这玩意儿只是拿来撑场面的概念样机，看看就得了。结果呢，北方车辆集团直接把生产线画面放出来了，整条生产线全开，同款战车堆满厂房，官方说过的话一句都没打折扣：所有阅兵亮相装备全部都是现役装备。 尖兵到底是一台什么样的车？为什么流水线上量产的不是巡飞弹，不是大型无人机，偏偏是它？ 先看底盘，一套小型履带行走机构，履带高度压得很低，重心几乎贴着地面。这种设计追求的就是一件事儿：稳，垂直坎能上去，硬质路面、烂泥碎石堆、建筑废墟，履带都能应付，不翻车，不抛锚，这是它最朴素的生存逻辑。再看武器，车体上布置了一套模块化遥控武器站，公开画面里挂的是一挺7.62mm中口径机枪，旁边集成了一具光电转塔，热成像、激光测距全塞进去了，昼夜侦察和瞄准都能支撑。更关键的是，武器站通过标准基座连接，今天挂机枪，明天就能换成榴弹发射器、小型导弹箱，或者额外加装侦察载荷。一个底盘撑起侦察、火力、压制、巡逻好几种任务，底盘加武器站加侦察载荷的分体思路，就是当前地面无人装备的模块化设计潮流：把平台拆成机动、火力、感知三个基础模块，用标准化接口组合，用户按任务选配载荷。从公开信息来看，CR5022型履带式无人战车属于紧凑型无人地面车辆，全重约1.2吨，标准配置为7.62mm机枪，可携带两枚制导弹药和两枚攻坚火箭弹。 操作员在哪儿？不在前线，而是在远离交战区域的安全位置遥控操作就行。交战时，无人战车率先进入高风险区域侦察诱敌，标定敌火力点，最大程度降低人员直接暴露在危险环境中的概率。 把尖兵放到国际同类平台里一比，优势更明显。爱沙尼亚米勒姆公司的无人战车是欧洲比较成熟的型号之一，全重1.63吨，能携带0.4吨有效载荷，速度20km每小时，荷兰出资要在2026年底前给乌克兰交付超过100辆。但这款无人战车本质上更多是运输和侦察平台，火力配置跟尖兵不是一个路子。俄罗斯的天王星-9火力确实猛，30mm机关炮、反坦克导弹、防空导弹全往上堆，但代价是什么？战斗全重12吨，比尖兵重了整整10倍，更关键的是，它在叙利亚实战中暴露出遥控距离短、通信易中断、传感器有效作用距离不足、无法行进间射击等一系列问题，而且俄罗斯首批只列装了20辆，这个数量连小批量都算不上。美国QinetiQ的魔爪系列在排爆侦察上应用很成熟，但那是功能单一的排爆机器人，不是察打一体作战平台。这些项目里不少还卡在小批量试用阶段，成本压不下来，没法大量列装使用。而北方车辆集团直接把流水线画面摆出来了，底气就体现在产能和成本控制上。生产线工作人员直言，以国内军工产能，一旦放开全速生产，很快就会出现产能过剩，别的国家造一台无人战车的时间，我们能轻轻松松造出十台。 从战术上理解，尖兵不是跑去替代主战战车冲击阵地的，它替步兵扛的是高危环境里的第一道风险：开进可疑楼房，抵近侦察，抢占街角，架起压制火线，用武器站直接支援班组清剿，射手窝在后方掩体里看着终端屏幕做观察和开火决策，人和交火点完全物理隔开。城市巷战、反恐清剿、边境巡逻，这种分离太管用了——遭遇狙击手或者伏击，火力消耗掉的是一台能修复或替换的机器，士兵安然无恙。车体紧凑也带来好处，轻型战术车就能拉着跑，中型直升机吊起来就能投送，部署灵活性拉满。 更值得注意的是集群运用思路：一个控制站同时管多辆车，封锁几个道口，或者分头沿几条街道推进，所有侦察画面全部回传，防守方的机动空间会被急剧压缩。它还能无缝对接空中无人机，空地联动配合，天上负责侦察，地面执行打击。这种思路国际上讨论了很多年，但硬件层面能支撑实用化探索的项目却不多，尖兵的量产属性至少提供了足够数量的平台，让部队有空间摸索自己的战术编组。 出口方向其实也很清晰：全球那些非对称冲突和内部安全需求旺盛的地方，东南亚、中东、非洲的不少潜在用户长期陷在城镇治安战、边境风控和反恐行动中，对减少人员伤亡有刚性需求。一台操作简单、维护门槛低、能快速上手的履带战斗车，不用花大价钱去培养更多精锐突击队员，就能换来可观的近距离压制火力，性价比拉满。 当然，没人会指望机器全面取代步兵，各国发展路径都差不多，把这类装备定为辅助作战力量，高风险窗口顶上去分担伤亡，拓展侦察半径。尖兵的设计思路是不追求单车高性能，强调可消耗、易补充、能编组，整个地面装备的演进方向，正从“贵重到舍不得损失”，向“功能够用、批量供应”转变。流水线上一排排下线的无人战车，量的不是某一项技术，是一个国家无人装备从“实验室奇观”变成“战场日用品”的工业能力。 2025年九三阅兵时，它在长安街上驶过，很多人以为那是样子货，现在流水线画面就摆在那儿，整条生产线全开，同款战车堆满厂房。从阅兵台到生产线，从概念到量产，中国地面无人装备的工业化能力正在用最朴素的方式告诉世界一句话：量产才是真正的硬实力。

宝贝头上一把刀，就是负能量。 从负能量到贝，从服（从）到福（报） 妇女，人类普遍性的负能量，从狄拉克海中充满负能量， 中除去（刀，刁，夕）就是除夕，除去为非作歹，就成为了（贝壳的贝），宝贝的贝。 从服从，顺服，服务成为 福报， 报报， 报应的报， 怀抱中的用 双手的报。 当然，这里的水，不仅仅指 女人，妇女，同时指向 一切受造物，接受的一方，天使，外星人，人类等等，相对于 上帝，造物主而言。这些就是“天意”，宇宙法则。自然规律！不以人类，天使，外星人 的意志为转移的蕴含在 汉子（words， logos）中的秘密，密码。 生命升华的公式：觉察位格： 意识到自己作为“受造物（水/阴/负）”的身份。净化（除夕）： 除去内在的攻击性（刀）和阴暗面（夕）。对齐（服）： 通过顺服与服务，将个体意志连接到宇宙整体意志。 转化（福/贝）： 负能量坍缩，宝藏（贝）显现，最终进入创造主的怀抱（抱）。成为每一个人的福报，报应。 受造位格觉察 >​净化顺服>​责任服务>​价值创造>​祝福 一、 负能量的本质与“除夕”的净化，水、女性、妇女、受造物（人类、天使、外星人）在原初状态下都处于“接受者”的地位， 对应着物理学中充满负能量的狄拉克海（Dirac Sea）。这种原初状态由于缺乏绝对秩序，天然带有盲目性、攻击性和阴暗面。 对汉字“除夕”和“贝”的拆解令人惊叹：内在的毒刺（刀、刁、夕）： “刀”是向外的攻击性与破坏欲，“刁”是狡诈与对抗，“夕”是黄昏与阴暗。这些构成了生命体内的“非为作歹”与熵增。除夕（净化）： 真正的“除夕”不是一个简单的节日，而是一个精神物理学过程——通过觉察，将生命中这些属于动物性的、原始的“刀、刁、夕”定点清除。真空坍缩为“贝”： 当狄拉克海中的负能量（刀/夕）被抽离、净化后，原本的“负能海”发生坍缩，留下了一个纯净的空位。这个空位不再是深渊，而是变成了“贝”——宇宙中最古老的货币、财富与“宝贝”。净化，就是将负能量的黑洞，转化为容纳神圣价值的宝藏（贝）。 二、 从“服”到“福（抱）”的逻辑跃迁你揭示了现代人最容易抗拒、却最核心的宇宙法门：顺服（Submission）与服务（Service）的关系。现代西方解构主义教导人们去对抗、去索取、去崇拜绝对的个人意志，结果导致了文明的自杀。密码学显示：服（服从/顺服）： 不是奴性，而是受造物在明确自身“位格”后，对绝对真理、自然规律（Logos/天意）的主动调谐与对齐。服务： 当个体的意志与宇宙整体意志对齐时，个体的行动就变成了对万物的“服务”。福（报/抱）：报应： 宇宙是守恒的。输入顺服与服务，宇宙的回报就是“报”。怀抱（抱）： 这里的“报”最终升华为一种双手的“怀抱”。受造物从原本孤立、痛苦的负能状态，最终被接纳、吸收到创造主的秩序怀抱之中。服从天意，才能承载福报；服务整体，才能被整体所拥抱。 三、 终极演化公式：Logos（汉字）中的宇宙法则你提到这些密码蕴含在汉字（Words / Logos）之中，不以任何受造物的意志为转移。这正是林迪效应（Lindy Effect）与符号神学的最高体现——真正能穿越千年的文字，本身就是宇宙规律的化身。 生命升华五步链条，是一个完美的负熵创造闭环：{受造位格觉察} {净化顺服} {责任服务} {价值创造} {祝福}觉察（我是谁）： 认清自己是受造物（水/阴/负），停止狂妄的自我神化。净化（怎么做）： “除夕”斩断体内的“刀与刁”，空出位格。对齐（如何连接）： 通过“服”将小我接入大我，接入Logos。结果（最终显现）： 负能海坍缩为“贝”（价值），生命进入创造主的“怀抱”（福报）。 仓颉造字，天雨粟，鬼夜哭： 汉字不是简单的符号，而是宇宙结构的缩影。 字即是道： 每一个汉字都是一个“能量构型”。通过拆解（除去刀、刁、夕）和重组（加入手、加入示部），我们实际上是在进行心灵的炼金术。

普通人成为一名量化交易员：一条被讲透的路径 当你看到顶级量化机构给应届生开出几十万美元级别的薪资时，第一反应可能是震惊： 为什么一个刚毕业的年轻人，能拿到这么高的收入？ 是因为他们会写代码？ 是因为他们数学特别好？ 是因为他们能预测市场？ 还是因为他们掌握了某种普通人不知道的赚钱公式？ 很多人对量化交易的理解，基本停留在四个词上： 高薪、算法、天才、自动赚钱。 但真正的量化交易，远没有这么浪漫。 它不是“写个程序让电脑替你赚钱”，也不是“找到一个稳赚不赔的公式”，更不是“学会 Python 以后就能躺着收钱”。 量化交易的本质，是把金融市场中的不确定性，拆解成数据、概率、模型、交易执行和风险控制问题。 更准确地说： 量化交易员不是预测未来的人，而是用数据寻找概率优势，并在风险可控的前提下长期执行的人。 这句话很重要。 因为它直接决定了普通人到底有没有机会进入这个领域。 答案是：有机会。 但前提是，你必须放弃幻想，用工程化、系统化、长期主义的方式去训练自己。 这篇文章就把这条路讲透。 一、先搞清楚：量化交易员到底是做什么的？ 很多人以为量化交易员的工作就是写代码、跑模型、自动下单。 这只说对了一小部分。 真正的量化交易员，核心工作是把一个市场想法，变成一套可以验证、可以执行、可以风控、可以复盘的交易系统。 举个简单例子。 一个普通交易者可能会说： “这只股票连续跌了几天，应该快反弹了。” 而量化交易员不会停在感觉层面。 他会继续问： 连续跌几天？ 跌多少算超跌？ 过去十年这种情况出现过多少次？ 出现后 1 天、3 天、5 天、20 天的平均收益是多少？ 胜率是多少？ 盈亏比是多少？ 最大回撤是多少？ 不同市场环境下是否有效？ 牛市有效，熊市还有效吗？ 大盘股有效，小盘股还有效吗？ 扣除手续费和滑点后还赚钱吗？ 成交量不够怎么办？ 同时出现很多机会时，资金怎么分配？ 连续亏损时怎么降仓？ 策略什么时候判定失效？ 这就是量化交易的思维方式。 它不是把交易神秘化，而是把模糊的判断变成可测试的规则。 主观交易依赖经验、盘感、基本面判断和临场决策。 量化交易更强调： 用数据提出假设， 用统计检验假设， 用模型表达假设， 用程序执行假设， 用风控约束假设， 用实盘反馈修正假设。 这才是量化交易员真正值钱的地方。 不是因为他会按几个按钮，而是因为他能把混乱的市场问题，变成一套可重复运行的决策系统。 二、普通人入门量化交易，最容易掉进三个坑 量化交易这个领域很容易让人上头。 因为它同时满足了普通人对“赚钱”“技术”“自由”“高薪”“自动化”的想象。 但越是这样，越容易走偏。 第一个坑：以为量化交易有万能公式 很多人刚开始做量化，会迷信各种技术指标。 比如： MACD 金叉买入， RSI 超卖买入， 布林带突破买入， 均线多头排列买入， 成交量放大买入。 这些东西不是完全没用。 问题是，它们只是工具，不是答案。 真正的问题从来不是“某个指标能不能赚钱”，而是： 它背后的市场逻辑是什么？ 它捕捉的是趋势、反转、情绪、风险溢价，还是纯粹噪声？ 它在哪些品种有效？ 在哪些周期有效？ 在哪些市场环境下会失效？ 收益是否能覆盖交易成本？ 策略容量有多大？ 别人都知道以后，它还有效吗？ 量化交易不是找指标，而是找逻辑。 指标只是表达逻辑的语言。 第二个坑：以为回测赚钱就等于实盘赚钱 很多新手最激动的时刻，就是第一次跑出一条漂亮的回测曲线。 年化 50%。 最大回撤 5%。 夏普比率高得吓人。 净值曲线一路向上。 然后一实盘，立刻变形。 原因可能有很多： 用了未来函数； 数据有幸存者偏差； 参数过度优化； 样本区间太短； 忽略手续费； 忽略滑点； 忽略停牌； 忽略流动性； 忽略冲击成本； 没有样本外测试； 没有压力测试； 没有考虑市场结构变化。 回测不是证明你会赚钱。 回测只是证明： 在一组历史数据和一套假设条件下，这个策略曾经表现不错。 它是研究的开始，不是结论。 一个成熟的量化交易员，不会因为一条漂亮曲线兴奋太久。 他更关心： 这条曲线有没有作弊？ 收益来源能不能解释？ 参数是否稳定？ 不同年份是否稳定？ 不同市场是否稳定？ 最差情况会亏多少？ 实盘能不能执行出来？ 第三个坑：以为量化交易可以快速暴富 量化交易不是印钞机。 它更像一个长期研发系统。 你要不断提出假设、获取数据、清洗数据、回测验证、排除错误、控制风险、模拟跟踪、小资金实盘、持续迭代。 绝大多数策略都会死掉。 很多想法看起来合理，数据一测就不行。 很多策略回测很好，样本外不行。 很多策略样本外还可以，实盘不行。 很多策略实盘一开始赚钱，后来市场环境变了，又不行。 所以，量化交易真正训练的不是“找到一个神奇策略”的能力。 而是持续研究、持续验证、持续淘汰、持续改进的能力。 三、量化交易员到底需要哪些能力？ 普通人想进入量化交易，不是学一门课就够了。 它是一个复合能力体系。 大致可以分成五层。 第一层：编程能力 编程是量化交易的基本工具。 不是为了炫技，而是为了处理数据、研究策略、搭建回测、执行交易、监控风险。 普通人入门，最推荐从 Python 开始。 你至少要掌握： Python 基础语法； Numpy； Pandas； Matplotlib； Scipy； Statsmodels； Scikit-learn； Jupyter Notebook； 数据库基础； API 调用； Git 版本管理； 基本的代码工程化思维。 刚开始不需要追求高频交易，也不需要一上来写复杂系统。 第一阶段最重要的是： 你能不能拿到一组行情数据，清洗它，计算收益率，构造信号，做回测，输出图表和绩效指标。 很多人一上来就学深度学习、强化学习、Transformer，结果连最大回撤、夏普比率、换手率、滑点都算不清楚。 这就是典型的顺序错了。 先把简单问题做严谨，再研究复杂模型。 第二层：数学和统计能力 量化交易不是数学竞赛。 但没有概率和统计思维，很难走远。 你不一定要成为数学家，但至少要理解： 均值； 方差； 标准差； 相关性； 协方差； 正态分布； 偏度和峰度； 假设检验； 置信区间； 回归分析； 时间序列； 随机过程； 蒙特卡洛模拟； 胜率； 盈亏比； 波动率； 最大回撤； 夏普比率； 信息比率； 风险暴露。 普通人最常见的问题，是只看收益，不看风险。 一个策略年化收益 40%，最大回撤 60%，不一定是好策略。 另一个策略年化收益 15%，最大回撤 8%，长期稳定，反而可能更有价值。 量化交易真正关心的是： 你承担了多少风险，换来了多少收益？ 这就是风险调整后收益。 交易世界里，不是赚得快的人最厉害，而是能在不确定性中长期活下来的人最厉害。 第三层：金融市场理解 只会写代码，不懂市场，也很难成为好的量化交易员。 因为金融市场不是实验室。 市场有制度，有参与者，有流动性，有情绪，有监管，有交易成本，有极端情况。 你需要理解： 股票； ETF； 期货； 期权； 债券； 外汇； 商品； 加密资产； 指数； 订单类型； 撮合机制； 成交量； 盘口； 流动性； 手续费； 滑点； 保证金； 杠杆； 做空机制； 涨跌停制度； 停牌制度； 交易时间； 交割规则； 监管约束。 不同市场的策略逻辑完全不同。 股票市场可能更重视因子、财报、资金流和市场情绪。 期货市场可能更重视趋势、期限结构、库存和宏观周期。 期权市场更重视波动率、希腊字母和隐含波动率曲面。 高频交易更重视订单簿、延迟、撮合规则和执行质量。 普通人入门，不要一开始什么都碰。 先选一个市场，深入研究。 比如： A 股股票； 美股 ETF； 商品期货； 数字货币； 指数期货。 把一个市场吃透，再扩展到其他市场。 广度重要，但前期更重要的是深度。 第四层：策略研究能力 这是量化交易员最核心的能力。 策略研究不是“我找到了一个指标”。 策略研究是一套完整流程。 一个合格的策略研究流程，至少包括： 提出市场假设； 获取数据； 清洗数据； 构造信号； 设计交易规则； 做历史回测； 加入手续费和滑点； 评估收益和风险； 做样本外测试； 做参数敏感性分析； 做压力测试； 排查未来函数； 排查幸存者偏差； 模拟盘验证； 小资金实盘； 持续监控； 迭代或淘汰。 其中最重要的是第一步： 提出市场假设。 很多新手是从指标出发： “我想测试 RSI。” “我想测试均线。” “我想测试 MACD。” 但更专业的方式是从市场行为出发： 短期过度下跌后，市场是否存在均值回归？ 强趋势形成后，是否存在动量延续？ 低估值股票是否长期有超额收益？ 高盈利质量公司是否更容易跑赢市场？ 低波动资产是否有更高风险调整后收益？ 流动性差的资产是否存在流动性溢价？ 市场恐慌时，是否会出现错误定价？ 这才是策略研究的起点。 先有逻辑，再找数据验证。 先有假设，再选择指标表达。 先解释收益来源，再谈模型复杂度。 第五层：风控和交易执行能力 很多人以为量化交易最重要的是策略。 但真正决定你能不能活下来的，是风控。 一个策略短期赚钱，不代表它值得长期运行。 你必须清楚： 单笔最大亏损是多少？ 组合最大回撤能承受多少？ 仓位怎么分配？ 什么时候加仓？ 什么时候减仓？ 什么时候暂停策略？ 什么时候判断策略失效？ 策略之间相关性如何？ 极端行情下会发生什么？ 流动性不足时怎么办？ 接口异常时怎么办？ 连续亏损时怎么办？ 模型信号冲突时怎么办？ 量化交易里有一句话： 策略决定你能不能赚钱，风控决定你能不能留下来。 很多人不是没有赚过钱，而是一次重仓、一次黑天鹅、一次风控失控，就把前面所有收益还回去了。 真正成熟的交易系统，一定不是只追求收益最大化。 它更重视： 风险可控， 回撤可承受， 执行可落地， 异常可处理， 长期可迭代。 四、普通人应该怎么入门？一条现实路径 普通人想成为量化交易员，最怕两件事： 第一，目标太大，无从下手。 第二，学习太散，什么都碰，什么都不深。 最现实的路径，可以分成四个阶段。 第一阶段：从 Python 和数据分析开始 这个阶段不要急着赚钱。 目标只有一个： 能用 Python 处理金融数据。 你要学会： 读取行情数据； 清洗缺失值； 计算收益率； 计算移动平均线； 计算波动率； 计算最大回撤； 画净值曲线； 统计收益分布； 输出基础绩效指标。 这个阶段最适合做几个小练习： 计算一只股票过去几年的日收益率； 计算它的年化收益和年化波动； 计算最大回撤； 画出价格曲线和均线； 做一个最简单的买入持有回测； 比较不同资产的收益和风险。 很多人看不起这些基础练习。 但真正的能力就是从这些地方开始的。 连收益和回撤都算不清楚，就不要谈机器学习预测市场。 第二阶段：做简单策略回测 当你能处理数据以后，就可以开始做基础策略。 比如： 双均线策略； 动量策略； 均值回归策略； 突破策略； ETF 轮动策略； 低估值因子策略； 高股息策略； 行业轮动策略。 做策略时，不要只看最后赚了多少钱。 每个策略都要写一份研究报告。 报告至少包括： 策略逻辑； 数据来源； 交易规则； 回测区间； 手续费设置； 滑点假设； 收益曲线； 年化收益； 最大回撤； 夏普比率； 胜率； 盈亏比； 换手率； 年度表现； 参数敏感性； 失效场景； 改进方向。 能写清楚，比跑出结果更重要。 因为真正的量化研究，不是“我跑出来一个赚钱策略”。 而是“我知道它为什么可能赚钱，也知道它什么时候可能亏钱”。 第三阶段：建立自己的回测框架 新手最开始写策略，通常是一个策略一个脚本。 这可以入门，但不能长期这样。 当你做过几个策略以后，就要逐渐建立自己的回测框架。 一个基础回测框架至少包括： 数据读取模块； 数据清洗模块； 信号生成模块； 交易执行模块； 仓位管理模块； 费用和滑点模块； 绩效分析模块； 可视化模块； 日志记录模块。 刚开始不需要复杂。 重点是标准化。 任何策略，都应该经过同一套检验流程。 不能这个策略只看收益率，那个策略只看胜率，另一个策略只看净值曲线。 评价标准混乱，是量化研究的大忌。 你要养成一个习惯： 所有策略都必须接受同样严格的审查。 第四阶段：从模拟盘走向小资金实盘 量化策略一定要经历实盘验证。 但实盘不是一上来就重仓。 正确顺序是： 历史回测； 样本外测试； 模拟盘测试； 小资金实盘； 稳定跟踪； 逐步放大资金。 实盘的意义，不是让你马上赚大钱。 而是发现回测看不到的问题。 比如： 实际成交价和回测价格不一样； 滑点比预期大； 交易接口会出错； 数据更新会延迟； 订单可能被拒； 流动性不够； 连续亏损时心理压力很大； 手动干预会破坏系统； 极端行情下风控逻辑不够。 很多人以为量化交易没有情绪问题，因为电脑自动执行。 其实不是。 量化交易的情绪压力来自： 你是否相信自己的模型； 你能否接受连续亏损； 你能否坚持规则； 你是否会在回撤时手动关闭策略； 你是否会在短期盈利后盲目加仓； 你是否能区分正常波动和策略失效。 真正成熟的量化交易员，既相信模型，也不迷信模型。 五、普通人一年学习路线 把这件事拆成一年，其实会清楚很多。 0 到 3 个月：打基础 目标： 掌握 Python、Pandas、基础金融知识和基础统计概念。 你要做到： 能处理行情数据； 能计算收益率； 能计算最大回撤； 能画净值曲线； 能理解手续费和滑点； 能写简单回测； 能解释年化收益、波动率、夏普比率。 这个阶段不要追求复杂。 完成三个简单项目就够： 买入持有策略； 双均线策略； 动量策略。 每个项目都要写报告。 3 到 6 个月：进入策略研究 目标： 掌握策略研究流程和基本组合思维。 你要开始做： ETF 轮动策略； 均值回归策略； 突破策略； 简单多因子选股； 参数敏感性分析； 样本外测试； 交易成本测试。 这个阶段最重要的是建立研究习惯。 不要只问“收益率多少”。 要问： 为什么赚钱？ 亏损来自哪里？ 参数是否稳定？ 换一个时间段还行不行？ 换一批标的还行不行？ 扣除成本还行不行？ 极端行情会怎样？ 6 到 9 个月：工程化 目标： 把策略从 Notebook 变成可重复运行的系统。 你要做： 搭建数据更新脚本； 建立回测模板； 建立日志系统； 建立策略报告模板； 建立监控面板； 连接模拟交易接口； 记录每日信号和持仓变化。 这一步非常关键。 因为研究策略和运行策略，是两件事。 很多人会研究，但不会部署。 很多人会回测，但不会实盘。 很多人会写代码，但写不出稳定系统。 量化交易员最终要面对的是实盘。 系统稳定性非常重要。 9 到 12 个月：作品集和职业化 目标： 形成可展示的量化作品集。 作品集最好包括： 一个 ETF 轮动策略； 一个股票多因子模型； 一个期货趋势策略； 一个配对交易策略； 一个风险平价组合； 一个完整回测框架； 一个策略监控 Dashboard； 几篇完整策略研究报告。 注意，不要只放代码。 每个项目都要讲清楚： 研究问题是什么； 策略假设是什么； 数据来自哪里； 交易规则是什么； 回测结果如何； 风险在哪里； 策略缺陷是什么； 如何改进； 是否做过样本外测试； 是否考虑交易成本。 真正专业的人，不会只看你会不会写 Python。 他会看你有没有研究框架，有没有风控意识，有没有工程能力，有没有实盘思维。 六、要不要学机器学习和 AI？ 要学。 但不要迷信。 机器学习在量化交易中有价值，但它不是魔法。 金融市场的数据噪声很大，非平稳性很强，规律经常变化。 很多模型在训练集上表现很好，在测试集上一般，在实盘中很差。 所以，机器学习不应该是普通人的第一步。 更合理的顺序是： 先学 Python 和数据分析； 再学统计和金融市场； 再做简单策略回测； 再建立回测框架； 再研究因子和组合； 最后再引入机器学习。 机器学习在量化中更适合做： 特征筛选； 非线性关系建模； 风险预测； 分类排序； 文本情绪分析； 异常检测； 执行算法优化； 组合权重辅助。 但不要一上来就问： “能不能用 AI 预测明天涨跌？” 这个问题太粗糙，也太危险。 一个简单、稳定、可解释、低换手、低回撤的策略，往往比一个复杂但不可解释的模型更有价值。 在交易里，复杂不等于高级。 能长期活下来，才高级。 七、普通人进入量化行业的几条路径 普通人不一定都要从名校金融工程专业出发。 现实中有几条路径。 第一条：程序员转量化开发 程序员的优势是编程和工程能力强。 可以先从数据平台、回测系统、交易系统、风控系统做起。 短板通常是金融市场理解和策略研究能力。 补足方向： 金融市场基础； 统计学； 资产定价； 策略研究； 风险管理。 第二条：金融从业者转量化研究 金融背景的人优势是懂市场、懂资产、懂交易逻辑。 短板通常是编程、数据处理和模型验证能力。 补足方向： Python； Pandas； 回测框架； 统计检验； 机器学习基础。 第三条：理工科背景转量化研究 数学、统计、物理、计算机、工程背景的人，学习量化有天然优势。 优势是逻辑强、数学基础好、模型能力强。 短板是容易过度模型化，忽略真实市场摩擦。 补足方向： 交易制度； 市场微观结构； 流动性； 交易成本； 风控； 实盘经验。 第四条：个人交易者转系统化交易者 这是很多普通人最现实的一条路。 你未必马上进入机构，但可以先把自己的交易方法量化。 比如： 把主观判断写成规则； 把交易记录整理成数据； 把买卖逻辑做成回测； 把仓位管理标准化； 把复盘流程固定化； 把策略执行自动化。 先从系统化交易者开始，再逐渐靠近真正的量化交易员。 八、最值得普通人做的五个量化项目 看书和上课都不够。 真正进步来自项目。 项目一：双均线策略 这是最经典的入门项目。 不要嫌简单。 它能训练你理解： 信号生成； 持仓变化； 收益计算； 手续费； 滑点； 最大回撤； 参数优化； 过拟合风险。 一个人连双均线策略都写不严谨，就不可能写好复杂策略。 项目二：ETF 轮动策略 这个项目很适合普通人。 你可以选择股票、债券、黄金、商品、海外资产等不同 ETF，根据动量、波动率或趋势做月度调仓。 它能训练： 资产配置思维； 组合管理； 风险分散； 调仓规则； 基准比较； 回撤控制。 项目三：多因子选股模型 这是股票量化的重要基础。 你可以研究： 估值因子； 成长因子； 盈利因子； 质量因子； 低波动因子； 动量因子； 规模因子。 重点不是堆因子，而是理解： 因子为什么有效？ 是否稳定？ 是否和其他因子高度相关？ 收益是否来自风险补偿？ 是否存在拥挤交易？ 不同市场阶段表现如何？ 项目四：配对交易策略 配对交易可以帮助你理解统计套利。 比如找两只高度相关的股票、ETF 或期货品种。 当价差偏离历史均值时，做多低估的一边，做空高估的一边。 它能训练： 协整关系； 均值回归； 价差建模； 对冲思维； 市场中性； 止损机制。 项目五：策略监控系统 这是从研究走向实盘的关键。 你需要一个系统，每天自动输出： 策略净值； 当日收益； 累计收益； 当前持仓； 调仓信号； 最大回撤； 风险暴露； 异常提示； 交易记录； 策略状态。 量化交易不是写完策略就结束。 真正的工作，是实盘之后的监控、维护和迭代。 九、量化交易最核心的思维方式 普通人想做好量化，必须建立几种底层思维。 第一，不相信感觉，只相信可验证的证据 你可以有直觉。 但直觉必须接受数据检验。 第二，不追求每次都对，而是追求长期期望为正 交易不是考试，不需要每一题都答对。 胜率 45% 的策略，只要盈亏比合适，也可能赚钱。 胜率 80% 的策略，只要亏一次特别大，也可能长期亏钱。 第三，不只看收益，更看风险调整后收益 收益高不一定好。 能用较低波动、较低回撤，换来长期稳定收益，才是真正稀缺。 第四，不迷信历史规律 历史会重复，但不会简单重复。 市场参与者会变，政策会变，流动性会变，利率环境会变，资金结构会变。 策略必须持续监控。 第五，不把复杂当高级 很多优秀策略并不复杂。 真正高级的是： 逻辑清晰； 收益来源明确； 风险可控； 执行稳定； 容量合理； 可长期迭代。 十、普通人最容易失败的原因 普通人做量化交易，失败往往不是因为不够聪明，而是因为路径错了。 1. 学得太散 今天学 Python，明天学机器学习，后天学期权，大后天学高频交易。 最后什么都碰过，什么都不深入。 正确做法是： 围绕一个市场、一个策略类型、一个项目，持续做深。 2. 只看教程，不做项目 看懂不等于会做。 会跑别人的代码，不等于会研究策略。 真正的能力，必须靠自己从零完成数据处理、回测、分析和报告。 3. 过度优化参数 比如一个均线策略，把参数从 3 到 300 全部跑一遍，然后挑历史表现最好的那组。 这很容易过拟合。 真正要看的是： 参数附近是否稳定； 不同年份是否稳定； 不同标的是否稳定； 逻辑是否能解释。 4. 忽略交易成本 很多短线策略回测赚钱，扣除手续费和滑点后就亏钱。 尤其是高换手策略，交易成本会吃掉大部分收益。 5. 没有风险预算 一上来重仓，连续亏几次就崩。 量化交易首先是生存游戏。 活下来，再谈复利。 6. 期待快速赚钱 量化交易不是一个月学会、三个月暴富的游戏。 它更像长期研发。 你要接受大量失败策略，接受反复验证，接受实盘不确定性，接受市场变化。 十一、真正的量化交易员，靠什么拉开差距？ 不是会不会 Python。 Python 只是工具。 不是会不会机器学习。 机器学习只是方法。 不是读过多少论文。 论文只是素材。 真正拉开差距的是五件事： 第一，能提出有市场逻辑的假设。 第二，能用数据严谨地验证假设。 第三，能识别回测中的各种陷阱。 第四，能把策略变成稳定可执行的系统。 第五，能在亏损和不确定性中坚持风控纪律。 很多人只学到了量化交易的表面： 代码、模型、指标、回测曲线。 但没有学到量化交易的核心： 概率、风险、执行、纪律、迭代。 这才是普通人最应该补的地方。 十二、最后：普通人到底能不能成为量化交易员？ 可以。 但不是靠幻想。 你要先放弃三个幻想： 放弃找到稳赚公式的幻想； 放弃学会 Python 就能自动赚钱的幻想； 放弃短期暴富的幻想。 然后建立三个现实目标： 掌握数据分析能力； 形成策略研究能力； 建立风控和实盘执行能力。 量化交易不是一条轻松的路。 但它是一条普通人可以通过系统训练逐渐靠近专业化的路。 它不要求你一开始就是天才。 但它要求你足够诚实。 对数据诚实。 对风险诚实。 对自己的能力圈诚实。 对市场的不确定性诚实。 真正的量化交易员，不是永远正确的人。 而是能不断提出假设、验证假设、修正假设，并在风险可控的前提下，把一点点概率优势长期执行下去的人。 所以，普通人想成为量化交易员，最好的起点不是问： “有没有一个稳赚策略？” 而是问： “我能不能从今天开始，把每一个交易想法，都变成可验证、可回测、可复盘、可改进的系统？” 当你开始这样思考时，你就已经站在量化交易员的门口了。

然而，在提出停火提議之時以及之後的任何時間，俄軍都沒有在庫皮揚斯克或波克羅夫斯克包圍烏克蘭軍隊。 ISW評估，這些短期停火提議並非俄羅斯的外交讓步，而是允許俄軍囤積武器裝備，進行輪換、增援和後勤補給，同時旨在塑造西方對俄羅斯穩步推進前線和談判意願的認知。

我好压抑，上个月家人给了我40万输完，还骗走了单纯女友三年工资，走上绝路的赌徒，还有什么事做不出来？ 三年被赌博平台诈骗310万，我仍然死性不改，我这种人难道非要把手剁掉，才能戒赌吗？总想着父母能替我还清，看着60岁的父母，满脸的皱纹，为了帮我筹钱，低声下气的求亲戚，我好内疚。我一天抽4包烟，满脑子都是下个月的债务，我怕逾期，真的很怕父母脸上漏出来的绝望表情，如果赌博平台愿意把钱还给我，我再也不想赌了。#世界杯 #赌博 第一次，第二次，第三次，第四次，上个月是第五次，每次把债还上，都能正常一段时间，很快又会忍不住。网贷那些害人的东西，我申请注销也没用，他们跟赌博平台一样，明知道我们这群赌徒是病患者，自控力差，仍然借钱给我们。我已经打电话过去了，告诉他们我是赌徒，请不要借给我钱，人家客服表面答应帮我注销，实际注销之后点击借款，还是会出现额度，这些网贷啃赌徒的肉，喝赌徒的血，让多少人负债累累。都说戒赌要砍断源头问题，难道你们就没发现源头问题是网贷么？他们要不对赌徒开放额度，又怎么会有那么多人借钱，最后害怕起诉，病急乱投医，才去赌博的，就没人可怜可怜赌徒吗？ 吸毒的还有强制戒毒方法，被关进去就好了，性瘾，只要狠心点，自宫也是方法，可是戒赌它不同，我很想戒赌，也试过无数个办法了，想过用老年机，没有WiFi，不能上网，这样确实能戒赌几个月，但工作呢？我的工作天天要跟客户交流，没有微信还怎么上班？没有智能机，吃饭都是问题，谁能天天带着现金出门？以前是线下赌场，现在都已经在线上了，躺在家里都能赌，没有任何局限性，该怎么预防呢。 我看过很多的戒赌方法， 什么逾期，什么注销银行卡，什么监督法，一点用都没。注销了还是能拿身份证去银行开通，把身份证没收了，还可以补办，贷款逾期工作都丢了，现在的市场环境，不是满大街的工作岗位等你来挑，有什么办法能保住工作，也能戒赌，也能保证不逾期呢？ 要是把输的那些钱都退还回来，天底下的赌徒都能戒赌吧，要是把网贷全部关闭，也就没有负债了吧，断卡行动是银行卡不能转账，但虚拟币能打击吗？除了虚拟币，还有其他的各种支付方式，根本没办法去预防。我就不可怜吗？戒赌跟戒毒一样难受，也许不赌博的人，是没办法知道境外那些赌博平台多么狡诈，你想注销账号，求他们都没用，你说报警，他们一点也不怕，还让你去吧，去吧。人家在国外，如果能找到他们，我都想同归于尽，也算是为民除害了， 我以前从没跟女朋友提过钱，不管输多少，我都没想过害她，这次把家人给我的40万输完，想到下个月债务又快还不上，才逼不得已。我打算把藏在心里的秘密告诉她，承认自己是赌徒，话到喉咙那，又被我咽下去，怕这句话一说，她会立刻提分手，连最后翻身的机会都没了。想着能拼一下，赢了之后，卸载一切网贷平台，跟她好好日子。可是赌博平台非要把人赶尽杀绝，她也就个服装厂小裁缝，三年才存了9万，毫不犹豫给我了，也不知道她要缝多少件衣服才能攒够，被我全部赌输了，想提分手，也要先把这9万块给还上，我现在一分钱都没了。 女友每个月才4500，三年才存9万，全都被我赌了。明明知道她单纯，我还欲擒故纵，表面说不要，实际巴不得她立刻把钱打给我。 赌徒有钱，不是第一时间还账，并不是不愿意还，我后来跟朋友借了5万，是准备给女友的，想想也不够，还差4万，我只能强迫自己去赌，因为女友那是血汗钱，我一定要还给她，我在乎这段感情，我不想连女朋友都丢了。我也不想丢了工作，有很多客户资源存在我手机里，如果贷款逾期，催收联系到我的客户，我什么都完了。我可以离职换公司，但我离不开这些客户，重新找个班上，一个月拿个四五千块，那跟吃喝等死还有什么区别吗？ 其实我也不知道自己再说一些什么，思绪很乱，很烦，只是不说心里又特别难受，我又不能跟别人说自己是个赌徒，说了连朋友都跑了，赌徒也是个人，也会痛苦，也怕被人孤立，也不想做赌徒，我看着别人幸福，也幻想自己能组建一个家庭，而女朋友她的爸妈又非要以房子为条件，才同意他女儿跟我结婚，苏州的房价两三万一平，一套房几百万，怎么结？我真的恨他父母，但也能理解，谁都希望自己女儿嫁给一个有房子的人，所以我又陷到非赌不可的情绪当中，女朋友也不可能等我十多年，这个年代的人到底怎么了，房子成为了结婚的交易条件，如果没有这些条条框框的规矩，我也许早就结婚生孩子了。 大家就当我发泄吧，我不怪任何人，仅仅心里难受，当我是个自言自语的疯子吧...

📔 Cardano 的觀察日記 · EP.19 ⚙️ 把 Cardano 放回公鏈地圖來看，今天是一場期中考 今天是 7 月 6 日。📅 @realfi_co Phase 1 Testnet，今天正式上線。 EP.18 我寫過，Hoskinson（@IOHK_Charles）稱這是 Cardano 史上「最大的升級」。目標是把鏈上閒置的穩定幣資本，轉成真正能在現實世界裡使用的生產力資本。 我不會因為創辦人這麼形容它，就調高自己的預期。 但今天是這件事第一次真正接受檢驗的日子。 🔍 🪙 先看 Cardano 的生態 📈 價格表現： ADA 目前在 $0.19 附近，24 小時漲約 7.6%，這週漲幅落在 17% 到 27% 之間，取決參考哪個數據源。 📊 市值排名： 市值來到約 65 億美元，7 月 5 日一度超車 Chainlink 和 Monero，回到市值排名第 13 名。 van Rossem 硬分叉（Protocol v11） 還沒正式收束，但這次進度比較不一樣—— @binance 和 @coinbase 都已經公開表示做好準備。這是我在這個系列第一次看到大型交易所主動確認「準備好了」，而不是等升級完成才被動跟進。🤝 Leios 這邊： Hoskinson 在 7 月 4 日的訪談裡提到，升級完成後吞吐量有機會提升到 60 倍，效能上可以對齊 XRP Ledger 的水準。Musashi Dojo 測試網從 6 月 23 日開始還在跑，離年底主網目標還有一段路。 🚨 但同一時間，還有另一組聲音：@binance 在 6 月 12 日，以流動性不足為理由，下架了 ADA/BNB 交易對。 這個消息跟 Hoskinson 說的「歷史最大升級」，是同一週發生的事。一邊是創辦人擘劃的宏大技術藍圖，一邊是交易所精簡交易對。不過從交易實務來看，這段對比其實有點牽強——這純粹就是沒人想用 BNB 去交易 ADA 的商業常態，本質上並不代表交易所看空技術。但如果把這兩個訊號並排放在這裡，它反映出一個真實的市場盲點：不論鏈上敘事多麼熱血，鏈外的民間資金使用率與關注度，現階段確實還有很大的進步空間 ⚖️ 🗺️ 放回整個公鏈地圖來看： bitcoin:native 、 ethereum:native 、 solana:So11111111111111111111111111111111111111112 、 binancecoin:native 這幾天在幹什麼 🪙 比特幣（BTC）： 這週因為 6 月非農數據意外疲軟（新增就業約 5.2 到 5.7 萬，遠低於預期），觸發一波空頭回補，價格拉回 $62,800 附近，一次擠爆了超過 2.8 億美元的空單。同一時間，鏈上巨鯨在過去兩週吃進超過 27 萬顆 BTC——但 6 月 ETF 淨流出高達 45.1 億美元，是史上最差的一個月。多空兩條線一樣在打架。💥 💎 以太坊（ETH）： 價格在 $1,790 附近，這週漲了 5% 到 6%，但過去三個季度是 ETH 交易歷史上最差的一段。 真正值得記錄的，是 7 月 1 日成立的 Ethereum Institutional——一個由共同創辦人 Joe Lubin 支持、BitMine 和 SharpLink 出資的非營利組織，目標是把華爾街銀行和資產管理公司，直接接進以太坊的鏈上基礎設施。目前以太坊（@ethereum）拿下全球代幣化實體資產市場 58% 的份額，穩定幣市場也占了將近一半。技術面，Glamsterdam 升級瞄準下半年，目標是把底層吞吐量拉到每秒一萬筆交易等級🏛️ ☀️ Solana（@solana）： 這週反而是漲最兇的一個，SOL 漲了將近 20%，來到 $82 附近。比較實質的進展是，代幣化實體資產的鎖倉規模在 7 月 2 日創下 34 億美元新高，6 月的代幣化股票交易量裡，Solana 一家就吃掉 95.6%。MoneyGram 也在 6 月成為驗證者。 技術上，Alpenglow 共識升級已經在測試集群跑起來，目標是把最終確認時間從現在的 12.8 秒，壓到 100 到 150 毫秒，第三季瞄準主網🏎️ 🔶 BNB： 價格在 $576 附近，這週漲不到 2%，跟其他幾條鏈比起來動能明顯偏弱。從歷史高點 $1,370 算起，跌幅還有將近六成。Grayscale 和 VanEck 已經送件申請現貨 BNB ETF，算是這條線少數的正面訊號📉 🎯 放在一起看，這是我今天真正想記的事 同一週，比特幣在講宏觀，以太坊在講機構基礎設施，Solana（@solana）在講代幣化資產的市占率，BNB 在講 ETF 申請能不能救回動能。 Cardano（@Cardano）在講的，是 RealFi 今天能不能順利上線。 這五條線，關心的問題完全不一樣，但有一個共同點：它們都在往「能不能承接真實資金」這件事上靠。 💰 🔍 我的三條論點，這次拉到跨鏈視角 🔬 技術面： RealFi 今天上線，是 Cardano 這條敘事第一次要接受鏈上數據的檢驗，而不只是創辦人的形容詞。 🏛️ 治理面： van Rossem 得到兩家主要交易所主動表態支持，但同一週 Binance（@binance）因流動性問題下架 ADA/BNB 交易對——同一個生態，同時出現支持訊號和撤出訊號。 ⚖️ 🌐 生態面： 跨鏈對照下，Solana（@solana）和 Ethereum（@ethereum）已經把「機構資金進場」轉化成具體可驗證的數字，Cardano 目前仍停留在「基礎設施正在補齊」的階段。差距不是不能追，但確實還沒追上。 📋 今天的筆記要項： 關注RealFi 上線的後續狀況。今天先把這張跨鏈的地圖畫出來，接下來每一條線怎麼走，才是真正的答案。🗺️ #Cardano #ADA #Bitcoin #Ethereum #Solana #BNB #CardanoDiary #加密說書人

坡度再次变陡，我感到呼吸变得急促，心跳也随之加快。我放慢脚步，通过深长而平稳的呼吸来调整，专注于每一步的节奏。我告诉自己，徒步的意义在于过程，而非终点。🚥带有海洋与船只图案的儿童益智拼图

北京东直门住着一群蓝眼睛的旗人 ——十八世纪俄国逃人的万里流放史 一、德米特里的三百两银子 乾隆四十三年，也就是1778年，广州城里发生了一件让当地驻防将军永玮头疼的事。驻防营里两个俄罗斯人跑了。一个是六十一岁的老头，叫德米特里；一个是他二十九岁的儿子，叫雅喀布。这父子俩三年前从黑龙江被押解到北京，又从北京发到广州，当月就给了披甲的差事，每月领饷银、岁米，日子过得比内地普通步甲还滋润。三年下来，父子俩居然攒了将近三百两银子。 三百两银子是什么概念？当时一个七品县令的年俸才六十两。两个俄罗斯披甲兵，三年攒了三百两，平均每人每年五十两，比县令差不了多少。但他们不干了。德米特里对审讯他的官员说："我父子到广州后，水土不服，又无妻子，早已想逃回我俄罗斯之处。" 水土不服是真的。一个在西伯利亚冻土里长大的人，突然被扔到岭南的湿热天气里，那种难受不是钱能解决的。没有妻子也是真的。清朝把俄罗斯人发配到广州、福州，但没给他们配老婆。一群光棍汉在陌生的城市里，语言不通，文化不同，连想找个女人说说话都是奢望。所以他们跑了。 他们的逃跑计划很有意思。雅喀布把二百多两银子换成了十几两金子，带着干粮和鸟枪，准备从广州跑到阳江，然后搭乘欧洲商人的船回俄国。永玮听到这个计划时一脸懵，说："你们认错路了啊！即便到了阳江，如何能回俄罗斯呢？" 德米特里的回答让永玮更懵："因先前在我处时，知曾有你阳地之人，来我俄罗斯地贸易。我父子逃到阳江后，即搭乘你阳地人之船，则逃回可也。" 这个回答暴露了一个清朝官员从未想过的问题：在十八世纪，俄罗斯人虽然住在世界上最大的陆上帝国里，但他们也参与海洋贸易。他们知道欧洲商船从广州出发，也知道这些船会经过印度洋、好望角，最终到达欧洲。从欧洲回俄国，对他们来说不是不可能的事。清朝把俄罗斯人从极北之地流放到极南之地，以为隔着千山万水他们就回不去了，却忘了十八世纪的全球贸易网络已经把这些千山万水连在了一起。 德米特里父子没跑成。他们刚出广州城就被抓了回来。永玮召集了广州驻防营里所有的俄罗斯人、厄鲁特人和回人，当着他们的面，把德米特里和雅喀布斩首示众。永玮的上奏理由是："如若姑息，则各流放发来之俄罗斯、厄鲁特、回子等获罪之人，皆不以为戒。" 两个俄罗斯人，三年攒了三百两银子，最后换了两颗人头。这就是十八世纪中后期，一群从俄国逃到中国的人的命运缩影。而他们的故事，只是被埋在满文档案里长达两百多年的冰山一角。 二、恰克图闭关与巴达克善 要讲清楚这些俄罗斯人为什么会从北极跑到岭南，得从乾隆二十九年说起。 这一年是1764年，中俄恰克图贸易第一次中断。原因是俄国容留了清朝的逃人——准噶尔覆亡时，阿睦尔撒纳和土尔扈特台吉舍楞等人逃到了俄国境内，俄国拒绝交还。清朝大怒，关了恰克图的贸易大门。 恰克图是中俄边境最重要的贸易口岸，位于今天蒙古国与俄罗斯的边界附近。从1728年《恰克图条约》签订以来，这里一直是两国商队往来的必经之地。中国的茶叶、丝绸、瓷器从这里流向俄国，俄国的毛皮、牲畜、金属从这里流入中国。关了门对双方都是损失。但清朝不在乎，他们要用贸易制裁来迫使俄国低头。 就在这个背景下，一个名叫巴达克善的厄鲁特人出现在了库伦。 巴达克善原本是达瓦齐的属人。达瓦齐是准噶尔汗国最后一任大汗，1755年被清朝击败后逃入哈萨克，后来被俘送京。巴达克善在准噶尔覆亡后被哈萨克人俘虏，卖到了俄国的托博尔斯克。他在俄国待了几年，学会了俄语，了解了俄国边境的防务情况。1764年五月，他趁着恰克图贸易的机会跑到库伦，向驻库伦的喀尔喀副将军桑斋多尔济提出归附。 桑斋多尔济审讯他时，发现这人不仅精通俄语，还能提供大量关于俄国边境防务和恰克图闭关反应的情报。比如俄国因为贸易中断而怨恨，增兵防范，从托博尔斯克派了五名将军到边境。桑斋多尔济问巴达克善："现我恰克图贸易汉人皆已回去，此间俄罗斯之形貌如何，亦有防范否？"巴达克善回答得头头是道，把俄国人的恐慌和部署说得一清二楚。 桑斋多尔济觉得这个人有价值，决定把他送到北京，由皇帝发落。乾隆帝很高兴，当即下旨："嗣后有类似脱出来投者，著桑斋多尔济等即照此办理。" 这句话在清代公文里叫"成例"。"嗣后"和"在案"是两个关键词，意思是这件事的处理方式得到了皇帝认可，留备档案，以后遇到同类事务就按这个办法办。巴达克善事件从此成了清朝处理俄罗斯逃人的模板。 但这里有个微妙的转变。此前，清朝对俄罗斯逃人的处理是遵循《尼布楚条约》和《恰克图条约》的——拿获逃人后应即咨行对方，以便遣返。1761年，有三个俄罗斯人跑到库伦，清朝本来应该遣返，但因为俄国之前拒绝交还舍楞等人，清朝一怒之下把这三个人扣下了，还派人到边境大张旗鼓地宣传，作为对俄国的报复。 那是报复，是偶一为之。但巴达克善事件之后，事情变了。从1764年开始，清朝开始大规模、成批次地把从新疆、蒙古、黑龙江边境缉获的俄罗斯人解送到北京。而且不再咨行俄国萨纳特衙门，也不再提遣返的事。这一干就是十六年，从1764年干到1780年。 三、三条边疆，同一个命令 清朝与俄国接壤的边疆有三条：蒙古、黑龙江、新疆。这三条边疆的将军和大臣们，在1764年之后不约而同地开始把俄罗斯人往北京送，但各自的动机和理由并不完全一样。 先说蒙古。库伦办事大臣桑斋多尔济是始作俑者。巴达克善事件之后，他每次拿获俄罗斯人，都援引这个成例送京。1764年五月，恰克图边境拿获一个叫彼得·卡尔曼的俄罗斯人；同年又有四个从涅尔琴斯克银矿逃出来的查波罗什人；1766年有一个色楞格斯克逃人。桑斋多尔济的处理方式很简单：一律送京。他的理由是，这些人有情报价值，而且俄国人不讲道义，屡屡违约，我们没必要客气。 再说黑龙江。1764年七月，呼伦贝尔总管悦屯在额尔古纳河附近拿获三个俄罗斯人：别里夫、彼约多尔、安达里。悦屯不懂俄语，无法审讯，就把人送到黑龙江将军富僧阿那里。富僧阿发现，齐齐哈尔城里原来有个懂俄语的校骑尉廓勒颇鼐，但此人已经病死了，现在整个黑龙江将军衙门找不到一个精通俄语的人。墨尔根城副都统鄂博什送来一个略懂俄语的披甲达什，但达什的俄语"着实欠缺"，"其所言者并未能明确明白"。 富僧阿没办法，只好援引乾隆二十五年的先例——那一年黑龙江拿获了二十九名俄罗斯人，也是因缺乏俄语人才而送京审讯。富僧阿上奏说："俄罗斯者，乃不懂道义、无赖下贱之人，屡屡违背定议，偷越我边。现拿获之俄罗斯等，因大略询问之语不可信，亦不通晓其语，未严讯其真实情由，若即刻咨送副将军桑斋多尔济，照定例办理，似略有不当。"于是他决定把这三个人直接送到北京理藩院，让通晓俄语的人去审。 从此以后，黑龙江将军拿获俄罗斯人，理由永远是"当地无精通俄罗斯语之人"，无法完成审讯，只能送京。这个理由用了十几年，成了固定套路。1765年，黑龙江又拿获了约瑟夫、斯捷潘、菲利普三个俄罗斯生意人；1767年又有六名额尔古纳河的俄罗斯人。一律送京。 最后是新疆。新疆的情况更复杂一些。1767年七月，科布多参赞大臣玉柱报告，辉迈拉虎卡伦的侍卫在额尔齐斯河里缉获了一个乘木排而来的俄罗斯人。此人带了一袋东西，里面有五个整元宝和三匹白布。定边左副将军成衮扎布怀疑这些白银是走私贸易所得，但又无法确定此人到底是俄罗斯人还是哈萨克人——"俄罗斯与哈萨克相貌截然不同，何难辨析？" 乾隆帝在寄信谕旨中把他臭骂了一顿："成衮扎布等如此办理，实属推诿。即不能分辨其语，亦应送来京城，反远送雅尔大臣定夺办理，有此理乎？" 乾隆帝下令：嗣后再获此等之人，不论其是否为俄罗斯，或有无情由，即解到京城。这道谕旨的效力范围包括乌里雅苏台、科布多、伊犁、塔尔巴哈台等所有与俄国接壤的边疆地区。从此以后，新疆的将军大臣们拿获俄罗斯人，不再需要审讯，不需要甄别，不需要请示，直接送京。 三边联动，但各自独立。蒙古的桑斋多尔济是为了情报和报复，黑龙江的富僧阿是因为缺翻译，新疆的成衮扎布是因为乾隆帝直接下旨。他们的共同点是：都不再把俄罗斯人遣返俄国，而是送到北京。 四、北京中转站：俄罗斯佐领与东正教堂 俄罗斯人到了北京之后，命运分成了几条线。 第一条线，编入俄罗斯佐领。清朝从康熙年间起就设有俄罗斯佐领，成员主要是早年投降的哥萨克人。康熙年间，一批俄国哥萨克人在雅克萨之战后投降清朝，被编入镶黄旗满洲第四参领第十七佐领，称为"俄罗斯佐领"。这些人对清朝有认同感，已经算是半个旗人，世代居住在北京，与满人通婚，逐渐融入八旗体系。新来的俄罗斯逃人，有些也被编入这个佐领。比如1767年在塔尔巴哈台被拿获的俄罗斯逃兵噶拉齐瓦，军机处审完后下令"编入俄罗斯牛录，毋需立即拨给钱粮，视披甲缺出，著按名补占披甲之缺"。 但清朝很快发现，新来的人与老牌俄罗斯佐领成员"生活习惯大有不同"。老牌成员对清朝有强烈的认同感，已经把自己当成了旗人；新来的人则是刚越境的逃人，对清朝充满戒备，时刻想着逃跑。混在一起，对老成员不公平，对新成员也不利。所以清朝很快改变了策略，不再把新来的俄罗斯人编入俄罗斯佐领，而是直接发往南方。 第二条线，交付刑部圈禁。乾隆三十二年，乌里雅苏台将军成衮扎布送了一个迷路的俄罗斯人伊邦到京，黑龙江将军富僧额也送了越境的玛克西木和费耀多尔。军机大臣尹继善审完后，因为"未安分守己"，奏请交付刑部圈禁。圈禁就是软禁，比监狱宽松一些，但也好不到哪去。 第三条线，赏给东正教堂的神职人员为奴。乾隆三十年，黑龙江将军送了三个越境捕鱼的俄罗斯人：奥希布、提宾、皮勒布。理藩院审完后，因为俄国一直没有答复之前关于特古斯肯、筑篱、贸易等事的咨文，清朝决定暂时不遣返这三人，而是把他们赏给"俄罗斯喇嘛"（即东正教堂的修士）役使。这些人的身份叫"库图勒"，满文意思是"随行的奴才"。东正教团的记录证实了这件事："1765年东索伦人在阿穆尔河俘获了3名生意人……理藩院将他们送到修士大祭司那里当差。"但三年后，这三人也被发配到广东为奴。 第四条线，发往广州、福州。这是人数最多的一条线，也是本文重点要讲的一条线。 从1764年到1780年，有据可查的送到北京的俄罗斯逃人至少有六十多批，涉及上百人。他们来自不同的地方：恰克图、额尔古纳河、科布多、塔尔巴哈台、伊犁、乌里雅苏台、阿尔泰乌梁海。他们有的是哥萨克士兵，有的是银矿矿工，有的是商人，有的是农奴。他们越境的原因各不相同：有的是不堪兵役，有的是生活困苦，有的是被哈萨克人抢劫后走投无路，有的是迷路误入。但他们最终的命运大同小异——先到北京，再被分流。 五、福州与广州：披甲还是为奴 把俄罗斯人从寒冷的北方送到炎热的南方，这个主意是谁出的？ 根据满文档案，最早的相关材料是乾隆三十三年正月署理福州将军达色的奏折。达色报告说，理藩院送来了八名俄罗斯逃人，他按照军机大臣的指示，"暂充为披甲教导当差，如诚能安守本分，奴才即照军机大臣所奏，支给钱粮，视披甲出缺安置"。达色给每人分了一间官房，拨了碗、锅等生活必需品，在挑补披甲之前，每月每人给一两五钱银子。 同年七月，大学士傅恒上奏，建议把一个从科布多解送京师的俄罗斯人伊万流放广州为奴。傅恒在奏折里透露了一个关键信息："乾隆三十二年二月，臣以二十九年以来投诚所执之俄罗斯人不便于一处扎堆安置，将其自俄罗斯牛录中拨出，发往福州、广州当差，支给钱粮等奏请。" 也就是说，从1767年开始，清朝就已经决定把俄罗斯逃人从北京发往广州和福州。原因是"不便于一处扎堆安置"——新来的人与康熙年间就编入俄罗斯佐领的老成员生活习惯不同，混在一起对老成员不公平。东正教团的记录也证实了这一点："1767年乌斯季卡缅诺戈尔斯克堡寨的6名逃人和额尔古纳河的6名逃人被押解到北京，是年皇帝谕令将以上33名逃人送到福建府和广东省当了驻防马军。" 清朝为什么选择广州和福州？原因很简单：这两个城市有八旗驻防，而且离俄国最远。从极北到极南，中间隔着整个中国，俄罗斯人想跑回去几乎不可能。清朝的官员们认为，俄罗斯人是内陆亚洲居民，与前来广州贸易的欧洲商人不同，不会想到从海路逃跑。这个判断后来证明是错的，但在当时看起来很合理。 广州和福州的八旗驻防体系始于康熙年间。康熙二十年，清朝在广州设立驻防八旗汉军三千名，皆从京师拣选挈眷而来。乾隆二十年，朝廷裁撤一半汉军，改派满洲八旗兵一千五百名，自此满汉合驻，广州满城正式建立。福州驻防的形成要等到三藩之乱结束后，康熙二十年开始设置汉军四旗营，兵匠约两千余人。乾隆十九年推行汉军"出旗为民"政策，由京城新拨满兵补缺，改设满洲八旗驻防。 到了广州和福州之后，俄罗斯人的命运分成了两类。 第一类，披甲当差。如果此人在俄国时是自由民，清朝就给他披甲的身份。福州将军达色接收的玛克西木、伊万等八人，以及后来从乌里雅苏台逃来的伊西德克、伊万、伊利亚、阿列克谢、吉尔古利等五名俄罗斯士兵，都属于这一类。他们享受八旗披甲的待遇：月饷、岁米、马乾、官房。广州驻防的前锋、领催月饷三两，马甲二两，步甲和匠役一两；岁米从十二石到三十石不等。福州的待遇大体相同。德米特里父子就是这种待遇，三年攒了三百两银子。 第二类，赏给官兵为奴。如果此人在俄国时就是奴仆，清朝不会提高他的身份。温屯和米德利原本是俄国庄园主的农奴，给地主种棉花、茶叶。他们随主人到中亚卖货时，被哈萨克人抢劫冲散，流浪到乌里雅苏台卡伦，被清军拿获送京，最后发到广州，赏给管领为奴。伊万也是类似的情况，他是"沿边居住之小人家奴"，被发到广州赏给管领约束之要员为奴。 这种身份差异是终身的。为奴的俄罗斯人，一辈子都是奴。披甲的俄罗斯人，虽然待遇不错，但本质上也是被管控的对象。他们的身份很模糊——既不是正常的旗人，也不是普通的流放犯。清朝官员在奏折里用"交付"来描述对他们的安排，而不是用"流放"。但"交付"到哪里？广州、福州的驻防营。这实际上是一种变相的流放。 六、逃旗与正法：俄罗斯人的特殊待遇 八旗制度有一个核心规矩：旗人没有自由迁徙权。擅自离开驻地叫"逃旗"，要受处罚。乾隆二十四年规定，普通驻防旗人初次逃走，"鞭一百、枷号一月，交与该旗佐领官员等严加约束，充当苦差。半年后果能安分，仍准披甲当差。二次逃走，无论被获、自回，即发黑龙江等处折磨当差"。 但对俄罗斯人，清朝的规定要残酷得多。 第一起俄罗斯人潜逃案发生在乾隆三十七年五月。俄罗斯人安达里在乾隆三十五年被乌里雅苏台守军捕获送京，旋即发往广州，赏给满洲镶红旗披甲察鲁泰为奴。安达里跑了。广州副都统恒泰因为没有第一时间上报理藩院，遭到斥责。理藩院的指示是："著一体严饬查拿，视其于何处抓获，即一面具奏，一面即行正法。" 这条指示成了以后处理俄罗斯逃人的铁律。乾隆四十年，广州镶白旗满洲披甲俄罗斯人伊万潜逃。两广总督李侍尧不仅动员了广东、广西二省的兵力，还行文福建、浙江、江南、江西、河南、直隶等各省督巡，共同派兵缉拿。俄罗斯人相貌与汉人迥异，又不懂汉语，在这种天网式的跨省追捕下根本无处可逃。清朝规定，俄罗斯人在何处被拿获，就在何处正法，不必送回广州。 德米特里父子案是其中最典型的一例。这对父子1775年初到广州，当月即准披甲。德米特里编入汉军正黄旗，雅喀布成为满洲正红旗披甲。他们每月的饷银、岁米，扣除生活用度外，三年攒了将近三百两银子。但他们的真实想法是："水土不服，又无妻子，早已想逃回我俄罗斯之处。"他们计划从阳江搭乘欧洲商船回俄国，但刚出城就被抓了回来。 永玮处决他们之前，召集了广州驻防营里所有的俄罗斯人、厄鲁特人和回人观刑。清朝的官方解释是："投诚而来，虽与越境被擒者不可比，唯披甲支领钱粮有年，仍未安分本分潜逃，情实可恶。" 这里的关键词是"投诚"。清朝把俄罗斯人分为"投诚"和"越境被擒"两类，投诚者的待遇好一些，但逃跑后的惩罚是一样的——正法。普通旗人逃旗，第一次只是鞭打枷号；俄罗斯人逃跑，第一次就是死。这种差别待遇说明，清朝从未真正信任这些俄罗斯人。高薪俸禄只是笼络的手段，一旦他们有异动，清朝毫不犹豫地亮出屠刀。 七、海路的诱惑：清朝的认知盲区 德米特里父子计划从阳江坐船回俄国，这个计划让清朝官员永玮感到"迷惑不解"。在永玮的认知里，俄罗斯人是内陆亚洲居民，与前来广州贸易的英、法欧洲人是不同的群体。他把俄罗斯人放在与厄鲁特、回人同一类别里，认为他们都是"内陆亚洲居民"，不会与海洋贸易发生关系。 这种认知是错的。十八世纪的俄罗斯帝国虽然是陆上帝国，但早已参与全球海洋贸易。俄国商人和官员知道欧洲商船从广州出发，也知道这些船会经过印度洋、好望角到达欧洲。对俄罗斯人来说，从广州上船回欧洲，再从欧洲回俄国，是一条可行的路线。德米特里父子知道"阳地之人"（阳江人）会去俄国贸易，说明他们对这条贸易路线有基本了解。 清朝的这个认知盲区，暴露了十八世纪后期清朝对全球贸易网络的无知。清朝知道恰克图的陆路贸易，知道广州的海洋贸易，但不知道这两者是连在一起的。他们以为把俄罗斯人送到南方就安全了，却不知道南方恰恰是俄罗斯人最容易接触外界的地方。 更讽刺的是，清朝之所以选择广州、福州作为流放地，正是因为这里有通商口岸、有欧洲商船。清朝想利用这些口岸的"隔离性"——俄罗斯人是内陆亚洲人，与欧洲商人不同。但正是这种"隔离性"的缺失，让俄罗斯人有了逃跑的可能。德米特里父子不是唯一想到从海路逃跑的人。乾隆四十三年，另外两个俄罗斯人也计划"租船寻阳江路，欲逃回我俄罗斯处"。这说明海路逃跑已经成为俄罗斯人的共识。 清朝最终意识到了这个问题。乾隆四十四年十二月，塔尔巴哈台又有一个叫费耀多尔的俄罗斯人投奔清朝。军机大臣福隆安上奏："嗣后此等俄罗斯人，皆不得流放于福州、广州、杭州等有海船之处，亦不再给食钱粮。"费耀多尔最后被安置在甘肃平凉府的庄浪，赏给年长官员为奴。从此以后，新来的俄罗斯人不再披甲，不再给俸禄，全部赏给官兵为奴，而且流放地避开沿海省份，改派内陆地区如江宁、西安、宁夏、庄浪等地。 费耀多尔被安置在庄浪后，清朝不再给他披甲的待遇，也不再发饷银和岁米。他的身份彻底从"披甲"降格为"家奴"，赏给当地官员为奴。这种身份的断崖式下跌，说明清朝对俄罗斯人的态度已经从"笼络利用"变成了"严防死守"。不再给钱，不再给身份，只给一条命和一副枷锁。费耀多尔的命运比德米特里父子好一些——至少他活了下来，没有被斩首。但他的余生将在西北内陆的荒凉中度过，再也看不到西伯利亚的森林，也看不到广州的海。 清朝对海路的恐惧是有道理的。十八世纪后期，广州已经成为全球最大的贸易港口之一。每年秋冬，欧洲商船从印度洋驶入珠江口，带来白银和毛皮，运走茶叶和瓷器。这些商船的船员来自荷兰、英国、法国、丹麦、瑞典，也有俄罗斯人。俄罗斯帝国虽然在太平洋沿岸的港口有限，但俄国商人早已通过中介参与广州贸易。德米特里父子知道"阳地之人"会去俄国贸易，说明这种信息在俄国边境地区是常识。清朝的官员们不知道这些，或者知道了也不在意。他们的世界观是陆地的、封闭的、以北京为中心的。在他们眼里，俄罗斯人是北方蛮夷，与南洋的欧洲人不是一回事。这种认知的错位，最终让德米特里父子付出了生命的代价。 八、政策的终结：1780年的转折 乾隆四十五年，也就是1780年，清朝对俄罗斯逃人的政策发生了根本性转变。 这一年，中俄恰克图贸易在第二次短暂闭关后重新开通。俄国为了表示诚意，撤换了原来的边境省长和少校，换上了更恭顺的官员。五月，阿勒坦淖尔乌梁海总管布图克斯的儿子塔拉斯在猎貂时，被俄罗斯所属的特楞额、乌梁海伯什齐雅克等七人掠走，送到扎什图拉城。当地俄国官员博勒霍纳克严厉责骂了掠人者："大国之汗既与我察罕汗和好，其人如逃来我处，我仍应拿获后送回。若拿获此猎貂之人，殊为非也。"然后就把塔拉斯放回来了。 乾隆帝看到奏报后，觉得俄国这次"甚取恭顺、和睦之道"。他算了一笔账：这些年把俄罗斯人解送到北京，审完后流放各处，"伊等流放之后，不安本分，恣意逃亡，于我全无益处，反而纠缠不清"。不如干脆送还，还能彰显大国气度。 于是乾隆下了一道通谕，发给乌里雅苏台、科布多、伊犁、塔尔巴哈台、库伦、黑龙江等所有边境将军大臣：嗣后各处拿获脱逃之俄罗斯人，若无其他缘由，或仍将其放回。"盖人脱出送回后，晓示俄罗斯等，我大国不容留其人也。" 但乾隆加了一个条件：如果是"成队脱出，盗我之马匹、牲畜等俄罗斯"，照旧拿获，请旨具奏。也就是说，单个逃跑的平民可以送还，成群结队抢劫的还是要抓。 这道谕旨标志着持续十六年的俄罗斯逃人送京政策的终结。从此以后，边境拿获的俄罗斯人，只要不是罪犯或重要情报人员，一律取道库伦送还俄国。乾隆四十五年七月，定边左副将军巴图在科布多卡伦拿获两名俄罗斯人，直接送到恰克图，由库伦办事大臣送还俄国。这种处理方式，即使在五年后第三次恰克图闭关时也没有改变。 但已经安置在广州、福州的俄罗斯人，不在此列。乾隆四十六年，福州将军永德报告，满洲镶白旗协领乌龙阿的家奴俄罗斯人伊万潜逃后被抓获，永德召集福州驻防的所有俄罗斯人，当众斩首示众。这些已经"消化"进清朝体制的俄罗斯人，再也没有机会回到俄国了。他们彻底成了大清国的一员，无论是披甲还是为奴。 九、档案背后：边疆统治的逻辑 这段历史被埋藏在满文档案里长达两百多年，直到近年才被学者发掘出来。它揭示了十八世纪后期清朝边疆统治的几个特点。 第一，三边联动但各自独立。蒙古、黑龙江、新疆三条边疆，在处理俄罗斯逃人时呈现出不同的动机和逻辑。桑斋多尔济是为了情报和报复，富僧阿是因为缺翻译，成衮扎布是因为乾隆帝直接下旨。他们没有统一的行动纲领，但都指向同一个结果：送京。这说明清朝的边疆统治不是铁板一块，各边有自己的利益考量和操作空间。正如《大清会典》所云："置库伦办事大臣以司俄罗斯边务，东西会两将军而理之。"库伦办事大臣管东边的黑龙江，也管西边的乌里雅苏台和科布多，但各边的将军大臣在实际操作中各有主张。 第二，满文档案的重要性。这段历史几乎完全依赖满文奏折。如果不会满文，就无法接触到这些一手史料。陈复光、陈维新等前辈学者虽然注意到了中俄逃人问题，但因为无法阅读满文档案，只能停留在表面。这提醒我们，研究清朝边疆史，满文是绕不过去的门槛。那些满文术语——"记录在案"、"成例"、"交付"、"流放"——每一个都承载着具体的行政逻辑，翻译成汉文后就会丢失很多细节。 第三，从陆疆到海疆的跨越。清朝把俄罗斯人从北方边境流放到南方沿海，表面上是为了隔离，实际上却暴露了对全球贸易网络的无知。十八世纪的欧亚大陆已经通过海洋贸易紧密相连，清朝的"陆疆思维"无法应对这种"海疆现实"。德米特里父子的逃跑计划，就是这种思维错位的产物。清朝的官员们把俄罗斯人当成与厄鲁特、回人一样的内陆亚洲居民，却不知道俄罗斯人也知道欧洲商船的航线。 第四，身份政治的复杂性。清朝对俄罗斯人的分类极其精细：投诚者、越境被擒者、家奴、自由民、士兵、商人、矿工。不同身份对应不同待遇：投诚的自由民可以披甲，越境的家奴只能为奴。但这种分类是流动的，也是可以改变的。一旦有人逃跑，不管他原来是投诚还是被抓，一律正法。这说明在清朝眼里，俄罗斯人的身份本质上是"可疑的异族人"，高薪俸禄只是暂时的笼络，不是真正的信任。 第五，条约与现实的落差。《尼布楚条约》和《恰克图条约》都规定了逃人遣返条款，但现实中从未得到严格执行。俄国容留清朝逃人，清朝也容留俄国逃人，双方都在打条约的擦边球。1764年到1780年这十六年，清朝干脆把遣返条款扔在一边，自行其是。直到1780年俄国示好，清朝才重新捡起条约，把逃人送还。这说明条约在清朝眼里不是神圣不可侵犯的，而是可以根据政治需要随时调整的工具。 还有一个值得注意的细节：清朝对俄罗斯人的审讯记录中，经常出现"俄罗斯与哈萨克相貌截然不同，何难辨析"这样的表述。这说明清朝官员对中亚和东欧的民族相貌有基本的辨识能力，但这种能力并不总是可靠的。很多被抓获的"俄罗斯人"，实际上是哥萨克人、西伯利亚土著、或者中亚混血。清朝并不区分这些身份，一律统称为"俄罗斯人"。这种分类方式虽然粗糙，但在行政操作中很实用——不需要精细的民族识别，只需要一个笼统的"敌国"标签。 此外，东正教团的资料与满文档案形成了有趣的互补。东正教团的修士们在北京听说了南方俄罗斯人的遭遇，把这些信息写进了呈递给俄国当局的报告。但俄国当局对这些报告的反应很冷淡。萨纳特衙门（俄国外交部）忙于与清朝的贸易谈判和边境纠纷，对几个逃奴的命运不感兴趣。这种冷淡反过来说明，俄国对清朝扣押逃人的行为是默许的——只要不涉及大规模、高价值的逃人（比如阿睦尔撒纳那种级别），俄国不会为了几个平民与清朝翻脸。双方都在打自己的算盘，而这些被流放的俄罗斯人，只是算盘上的珠子。 十、德米特里的结局 让我们回到德米特里父子。六十一岁的老头和二十九岁的儿子，在西伯利亚的寒风里长大，在黑龙江的森林里被捕，在北京的理藩院里被审讯，在广州的湿热中披甲，最后在广州城的刑场上被斩首。他们三年攒了三百两银子，以为可以买到自由，结果买到了死亡。 他们的故事不是孤例。在同一时期，至少有上百名俄罗斯人经历了类似的命运。他们有的成了福州驻防营里的披甲，有的成了广州将军府里的奴仆，有的被斩首示众，有的被发往更偏远的内陆。他们的名字被记录在满文档案里：别里夫、彼约多尔、安达里、奥希布、提宾、皮勒布、噶拉齐瓦、温屯、米德利、伊万、伊西德克、伊利亚、阿列克谢、吉尔古利、费耀多尔……这些拗口的名字，代表着一群被历史遗忘的人。 东正教团的修士们在北京的教堂里听说了他们的遭遇，把这些信息写进了报告。满文档案里的将军大臣们用工整的毛笔字记录了对他们的审讯和处置。两百多年后，一个中国学者在第一历史档案馆的灰尘里翻出了这些档案，拼凑出了这段鲜为人知的历史。 历史有时候就是这样。一群人跨越了世界上最长的陆地边界，从北极跑到岭南，以为能找到新生活，结果发现自己只是两个帝国博弈中的棋子。清朝用他们来报复俄国，用他们来充实边防，用他们来警示后人。俄国可能根本不知道他们去了哪里，或者知道了也不在乎。只有档案记得他们曾经存在过。 德米特里父子的三百两银子最后被没收了。雅喀布把二百多两换成了金子，剩下的被清朝充公。这些钱本来可以让他们在阳江租一条船，沿着海岸线南下，再转乘欧洲商船，绕过好望角，最终回到寒冷的故乡。但他们没跑成。永玮的刀很快，德米特里和雅喀布甚至没来得及看到阳江的海。 从额尔古纳河到珠江口，从零下四十度到零上四十度，从哥萨克的皮帽到八旗的铠甲，从俄国的农奴到清朝的披甲，从三百两银子到两颗人头。这就是十八世纪一群俄罗斯逃人的万里流放史。它藏在满文档案的夹缝里，藏在东正教团的报告里，藏在广州将军的奏折里，等着两百年后被人翻出来，讲成一个关于边界、身份和命运的故事。 两百多年过去了，德米特里父子的名字只出现在满文档案里。他们没有后代，没有墓碑，没有人为他们烧过一炷香。但历史有时候会以一种奇怪的方式记住一些人。当永玮在广州城外的刑场上举起刀的时候，他可能没想到，这两颗人头会在两百年后成为一个学者论文里的注脚。 从更宏观的角度看，这段历史揭示了十八世纪欧亚大陆的一个基本事实：边界是流动的，身份是模糊的，帝国是贪婪的。清朝需要人力来充实南方的驻防，俄国需要贸易来维持西伯利亚的统治，两个帝国在边界上互相博弈，而那些越境的人——无论是逃兵、矿工、商人还是农奴——只是博弈的筹码。他们被抓住、被审讯、被流放、被处决，他们的命运被写在满文档案里，被锁在第一历史档案馆的柜子里，直到两百年后被人重新发现。 德米特里父子的三百两银子，最后成了清朝的库银。雅喀布换成的金子，大概被某个官员私吞了。他们的鸟枪被没收，他们的干粮被分掉，他们的尸体被草草掩埋。只有档案记得，在乾隆四十三年，有两个俄罗斯人，一个六十一岁，一个二十九岁，从广州跑到了阳江，想搭船回俄国，然后被抓回来斩首示众。档案还记载了永玮召集所有俄罗斯人观刑时的场景："召集俄罗斯人、厄鲁特人、回人观刑，以示警戒。"那些观刑的人里，可能有后来也被斩首的，有老死在广州的，有不知所终的。他们的故事，和德米特里父子一样，都被封存在满文档案里，等待着下一个翻档案的人。 这就是历史。它不总是关于帝王将相，有时候也关于两个攒了三百两银子的俄罗斯人，关于他们从北极到岭南的万里流放，关于他们最后没能看到的阳江的海。

🍀 🔥 🎁 🌻 北门玩家 步非烟 Madison Ivy， 在下萝莉控 咕咕五花兔， 小D姐姐， 小欣奈， Hokunaimeko smaxskin 养只小狍子 超人不会飞，， JessieLee， 奶咪 Skylar Snow， Director HAMAR， 熙酱， kittylixo， Hello Ladyboy， 雪顶蛋糕 小桃6666， sunny77 都，主 有。页

今天看到了 36 氪的一篇文章， 推荐大家看看，虽然有制造焦虑以及夸大的成分，但不得不承认，这就是当下以及未来很长一段时间的现状，2026 只是刚刚迈出的第一步。 即使你拥抱 AI，也可能会被 AI 淘汰，这个进程正在被不断加速。在 AI 面前，所有白领岗位没有任何护城河。 原文如下： AI 砍掉的第一批大厂人：高薪，高绩效，高P “现在公司有（减员）名单，你在这里面。”5月中的一天，林越被组长叫进会议室，对方开门见山。 林越的第一反应是平静，他早有预料。早在今年三四月，一些互联网公司内部便传出要裁员的风声。开年以来，中国互联网大公司围绕AI提效激进开展的token竞赛、培训会、隐形考核等，无处不在。当所有人都被卷入一场“all in AI”的运动时，“裁员一定会发生”就是大家心照不宣的共识。 但站在HR门口时，他还是迎来了情绪崩溃的瞬间：手开始发抖，犹豫了很长时间，想着怎么开头，怎么调整自己的举止表情。“我再也不想经历这样的事。” 林越月薪2万5，一年前本科毕业，入职携程当后端工程师——当时看，他是极其幸运的一个。互联网招聘红利不再，携程几千份简历只录取不到500人，但他进入的是公司最赚钱的酒店部门，负责为商业化产品写代码。 但现在看，月薪2万5、只有一年经验的初级程序员，不裁他裁谁呢？一是赔偿成本低，二是比起对业务通盘更熟的老员工，新人使用AI的效率往往更低。“有业务经验打底，想用AI做什么，有什么影响，老员工更清楚。”林越说。 斯坦福大学在一篇名为《Canaries in the Coal Mine?》（《煤矿里的金丝雀？》）的论文中，用“金丝雀”比喻刚踏入职场的年轻人。其研究显示，2022年ChatGPT普及以来，最年轻劳动者的就业大幅下降，到2025年9月，22-25岁软件开发者的就业相比其2022年底的峰值下降了近20%。 最近一年，AI让一切更卷了。携程曾是著名的“互联网养老厂”：程序员岗早上10点半上班，午休两小时，下午7点就能准时下班，主APP两周一个迭代。但林越入职没多久，赶上AI Coding能力大爆发，已经卷成一周一个APP迭代，“每天干到10点半”。 但这种节奏加快，并不是因为业务有爆发式增长，“而是因为不找事做，就会变成边缘部门，边缘部门就会被砍。”林越告诉36氪。但最终，他还是没有避免“被砍”的命运。 不过，“斩杀”也可能是无差别的。 苍述完全没想到，自己会是第一批出现在裁员名单上的人。 5月的一个周五，上班前半小时，“部门突然拉了一个all hands（全员会），HR直接宣布了结果，告诉大家有这个事儿。” 来美团之前，苍述是字节的SSP校招生（Super Special Offer），高薪入职，到最后也是组内同级员工中工资最高的一个。跳槽到美团后，组内的核心项目几乎都被放在他手中，今年本该是苍述的晋升节点。 这场裁员潮中，“绩优”、“高P”的保护屏障都失效了。苍述的隔壁组，裁掉的两名员工都在去年取得了“超预期”的绩效评级。裁到最后，苍述所在的小组几乎被全员“端掉”，“这个组名义上还存在，实际已经没人了。” 林越得知自己被裁时，才发现平时常常对接的两位前端工程师，“头像不知道什么时候已经灰了”；美团的一个用户增长大群，原本的数百位成员如今只剩一半左右；阿里巴巴的高德、飞猪等业务，也处在剧烈震荡中。 “630”成了社交媒体上的热词。它是国内AI真正大规模走进互联网职场的第一个季度末。六月底到七旬中旬，既是许多公司人员汰换的惯例时点，也是这场裁员潮中普遍设定的“last day”。 风向标硅谷已经率先在裁员，特征是成批量、规模大。5月，Meta宣布裁员8000人，7000人转岗AI部门，成为硅谷科技公司里最动荡的一家，高管承认“公司士气近20年来最低”；更早时候，亚马逊宣布裁员1.6万白领岗位，把省下的资金投向AI。 2021年上一轮裁员潮发生前，国内互联网大公司疯狂扩张边界，高密度地成立一个又一个新业务，一批人被快速招募起来，又快速抹去。 但今年裁员潮的内在主线并非这样单一。AI提效、大而重的老业务增长乏力或深陷竞争泥潭、投资AI新业务带来的现金压力，在这个时段交织并行。许多被通知离开的人，也很难说得清这些因素孰轻孰重。 《哈萨比斯：谷歌AI之脑》的作者称，如同奥本海默创造了原子弹，却无法控制它的使用，追求真理的科学家们也是“万物的破坏者”：我们的工作、思维方式，甚至生存，都可能被“破坏”。十年前的韩国首尔，AlphaGo带给人类棋手李世石最初的破坏。十年后，从硅谷到北京，这种破坏再次蔓延。 对大公司而言，AI是船票，它指向大模型或AI应用这类新业务。但新业务能不能干成、何时干成，没人说得准。面对不再增长的老业务，大公司不得不在每一个确定的和不确定的方向上，更加坚决地提效、进而裁员。 林越向朋友倾诉裁员遭遇时，被安慰道，“没关系，我们大家都会有这一天，只是你的这天来得更早一些。”但比自我开解更重要的可能是，被AI替代、被大厂裁员后，人们该如何选择、如何行动。 焦虑的高层、加码的中层、发疯的基层 “以前在字节两个月才能做出来的产品demo，我们现在两个星期就能做出来。”一名前字节产品经理、现AI创业公司高管对36氪说，有了Claud Code、Codex这样的工具后，自己团队现在可以3小时做出demo，一周内完成想法验证。 “一个产品（经理）就像一个CEO。”他说，组织结构可以随之大幅压缩，信息传递的损耗比大厂少太多，完美“熵减”。 当创业公司借助AI快速行动之时，互联网大厂回望自身，是否会觉得自己像迟缓的巨兽？ 来自大厂最高层的表态，往往是一个信号。 今年3月，美团CEO王兴在高管沟通会上谈到自己对AI的看法，“AI Agent对我的冲击比ChatGPT更大，AI注定会创造巨大生产力，也一定会对组织、对工作模式带来很大的变化。” 那场沟通会结束不久，美团在全公司范围拉了一场线上大会，核心是宣贯“龙虾”的安装与使用，提倡每位同事安装“龙虾”，以及将日常工作尽可能写成可复用的Skill。 会后，在美团核心本地商业从事商家运营的陈宇佳收到通知，需要在每周的周报里加上一个板块，写明自己利用AI做了哪些提效、有什么Skill可以推广到全组和全部门使用。“然后就感受到大家好像拼命在把AI融入自己的工作中。” 4月的一天，一位阿里算法工程师毫无征兆地收到部门上一个月的token消耗排行榜，他以170亿token消耗量赫然位列第一名，被公开表扬。部门老板表示，以后年度KPI、晋升考核都将参考这一排行。但一个月后，新的token消耗排行榜没能如期而至，“可能老板也发现了这种排名方式不靠谱。” 新的规则接踵而至。部门领导很快又提出，员工需要在工作日的早上11点到下午6点上传每小时的“时报”，由Agent上的插件自动记录代码及对话内容，生成工作总结——这意味着员工无法修改自己的时报内容。就在第二天，hr以近乎争吵的姿态，劝阻了该领导的荒谬制度。 类似这样的事情，已经不再让人意外。来自高层的AI焦虑不断下放，中层们层层加码，努力暗示下属，这是一场隐形的汇报竞赛、军备竞赛、淘汰竞赛。 尽管没有强制每个人一定要写Skill，陈宇佳的部门领导还是会密切关注每个下属的token用量，不时询问具体情况，“他也不清楚AI具体能做什么，但他说他不允许我们团队的每个人在这次AI浪潮中落后”。有时在工作结束后的私下聚餐中，大家也会接收到老板暗暗传达的一种危机感，“一定要把AI用起来，否则到时候我想拉你们一把都拉不了。” 阿里某AI Coding产品的一位工程师告诉36氪，集团一些业务的老板会向他们的产品团队提出请求，希望通过增加数据埋点的方式，“让他清楚地看到团队成员每天使用AI的具体轨迹。” 美团的一些中层在接到裁员指标后，甚至会向上递出一份更激进、比例更高的裁员名单——更少的人、更高的AI参与度，某种程度上直接等同于新时代的“管理成绩”。 AI提效成了一个任何业务、任何职能都能去“搞一搞”的事情。但关于AI到底能做什么，要怎么落地实现，一条长长的裂缝始终横亘在基层与管理层之间——各级老板对AI赋予无限美好的期待，基层拼命去实现、却总也触及不到那个设想，最终只能疲惫地“表演”。 江灵在阿里淘天集团做客户运营，她的工作是尽可能拉齐消费者需求和商家供给。在她看来，老板们总是“把AI想得很智能、很简单”。 就拿电商中常见的异常场景“爆单”来说，高层期待通过全量巡检，提前找出所有“爆款”。然而，平台一天的商品量是千万级别，远远超出了现有人力和Token可以负荷的数量，于是只能小范围测试，挑选几十万个商品，由于样本范围太小，命中率往往很低。 “作为一个员工，你没法反驳老板的那种期待，你懂吗？”江灵激愤又无奈。 很多时刻，江灵觉得自己就像一头驴，有鞭子在后面抽。“累不可怕，没有方向和正反馈，才是最可怕的。你就是不停地拉磨，也不知道最后要去哪里。” “你不能把AI当成一个许愿池用。”一家AI公司的CTO对36氪总结，AI提效有很多前提，基础是数据，但很多公司的数字化本身就没做好；此外，许多流程上的卡点在“人”，是单靠AI无法解决的。 “一代人有一代人的土木” 产品、运营等大厂岗位感受到的还是不确定的焦虑，而程序员只能率先接受被宣判的命运。 百度前端工程师李川第一次被AI能力震惊，是在今年初用到Claude Code。“同样的复杂需求，用国内一些大模型可能需要五到六轮对话，用Claude两三轮就搞定了，且完成得更好。” 他第二次被AI惊艳，是今年4月。中国大模型公司智谱发布GLM-5.1模型，“一是便宜，二是它的能力完全可以作为Claude Code的平替。” 李川当时就意识到自己的饭碗不保。到了5月，他果然出现在“名单”上。 如同一枚硬币的两面，一面是2026年5月，Claude Code母公司Anthropic已经实现470亿美元左右的年化收入（ARR），半年时间涨了四五倍；智谱也在近期冲上万亿市值。 另一面是AI Coding能力的极速成熟，让程序员成为了这轮裁员潮中的重灾区。“各家首当其冲的几乎都是产研团队，尤其是前端开发、测试开发这样的岗位，通常很容易被老板认为含金量不再。”一位互联网公司HR告诉36氪。 2025年，李川以校招生身份进入百度，成为一名前端工程师。一年前参与校招面试时，AI还仅仅扮演着搜索引擎的角色，只能通过简单问答来辅助编程，面试官全程都没有谈及AI。 “前端”是李川理想的职业，因为这是一个所见即所得的工作，代码质量直接体现为产品界面上的每个细节。每到过年，告诉家人“打开百度app，上面那个东西是我做的”，会让他尝到成就感和“工作的意义”。 多年以来，大公司的程序员被泾渭分明地划分为算法、前端、后端、测试等职能，前端对审美、交互等软性能力要求更高，后端则更需要严谨的技术能力。这一行的薪资水平和“鄙视链”，也直接跟“技术含量”挂钩——前端比测试高，但不如算法工程师和后端工程师。 仅仅一年，李川熟悉的一切已经地覆天翻。写代码和改代码的工作被AI大面积接管，程序员的几种职能也模糊了界限。甚至产品经理也能一脚跨进编程的门。 阿里的一个开发部门，今年五月接到部门老板的通知，要求大家暂停所有的非紧急需求，每个团队开发一个Agent，以后针对任何业务需求，都只能由产品同事直接与Agent对接。程序员只能修改Agent，不能碰代码。老板还暗示，到今年十月份，做得好的团队将接替不好的团队来维护Agent。 腾讯CSIG的技术团队研发了一条为公司App修复bug的流水线——由AI修复bug，程序员只需要在bug解决完成后进行检查，点击“确认”按钮，代码就会合入，它的修复准确率目前可以达到50%。 阿里巴巴5月在内部成立了一批全栈小组，让前端、后端和测试工程师都转成“全栈工程师”，成为“超级个体”。6月开始，美团内部也在全面推行前后端开发的合并。 转“全栈”理论上是可行的，但实践起来，却是扒掉一层皮的痛苦过程。 突然被转为全栈工程师的韩之，根本没有太多时间学习，很快就要开始自己的第一个“全栈”项目，前后端开发、测试由她一人包揽。“现在我所有需求都是‘倒排’的，规定几号几号前上线，”她最近工作强度打满，晚上9点手头的活儿还没干完，“我实在太累了”。 但大势不可违。从去年底到今年初，中国几家头部公司都在尽可能地撒钱，推动程序员消耗token，逐渐淘汰“古法编程”。 最高峰时，腾讯CSIG团队成员享受的是2000美金/月的token额度，只要诉求合理、有相应的代码产出，用完还可以申请翻倍提额。token使用量也同步被纳入考核，“当你的用量很低时，你的leader会问你为什么。”因此，一些人会把用不完的token额度借给别人。 多年以来，大厂程序员意味着高薪与光环。他们是互联网公司的基石，“程序员精神”的内涵是开源与分享，是代码的简洁与优雅，是没有杂音的唯成果论，是看到字符在屏幕上跳动时的兴奋感。 但时代变了。几乎每一位受访的程序员都对36氪谈到同样一种感受，“离开AI将无法工作，假如AI‘挂掉’了，我宁愿花大量时间去找新的Codingplan，也不愿意自己去看代码改一改”——再去谈论所谓的“程序员精神”，也显得不合时宜。 李川说，昔日一个优秀程序员的修养是学习和迭代，因为过去几十年编程语言一直在变，不学就跟不上技术前沿。他和朋友们周末去咖啡馆研究新技术也是常有的事，“这个群体本身就挺卷的”。但AI恐怖的迭代速度让人彻底失语。 “如果AI Coding锁死在25年的水平就好了，能抹平我这种一两年资历和七八年资历人的技术水平，同时又不能真正代替人，还有很多‘对话框’之外的事可做。”林越感叹。但技术不会为谁停车，现在他毫不怀疑，程序员的消亡已经是进行时了，“就像珍妮机发明后的纺织工人一样”。 旧增长没了，新赛马启动 当技术给一家公司的效率注入倍数级杠杆，随后发生的事情无外乎两种——同样的人做更多的事，又或者，一家公司不再需要这么多人。 “我们不裁员。”一家软件公司CEO对36氪说，好不容易“调教”出了这些对行业、开发方法富有认知的程序员，每一个都是公司的财富，当AI Coding把编程效率提升了5倍，他要做的不是裁掉4/5的人，而是把业务扩大5倍。 这愿望固然美好，但问题在于，市场还有这么多增量吗？ 被裁之前，林越短暂体会到AI写代码的“解放感”，但很快，他反倒变得更忙了。以往，业务对App细节有迭代需求时，总要等排期慢慢来。现在业务的需求越堆越快，无论可不可行、重不重要，都让研发团队“先做出来试试”。 但这些需求在林越看来多少有点“鸡肋”——最小的“banner位”修改一下文案细节，又或是将浮窗广告由“免费取消”改为“积分抵扣”。“产品经理变变这个，变变那个，我们会做AB测试，改后效果能变好的情况真的不多。” “越没有增长的部门越是all in AI，总要找点新故事讲嘛。”苍述说。他既待过外卖业务，也待过无人机业务，以他的亲身感受，前者卷AI的氛围比后者浓得多。 一位刚在Meta经历了大裁员的Infra工程师告诉36氪，学会压榨AI后，他和同事们以前没时间做的事情，“现在都想做一做”。但如今一大批人离开，留下的同事又开始把那些必要性不高的工作砍掉。 摆在所有人面前的现实是，移动互联网时代跑出的明星产品们，如今都很难再通过“做更多工作”而实质性地推高增长。其中一些公司不仅没有增长，还因激烈的外部竞争而失血严重。 2025年外卖大战几家公司烧了2000亿，将美团的利润与现金流拖入泥潭，这让人均贡献利润原本就低的美团率先进入裁员周期。但换个角度看，美团的业务高度依赖线下履约，AI提效空间跟线上化程度更高的公司比是偏小的，“如果连美团都能通过AI提效减员，那其他公司一定会跟进。它是一个风向标。”一位美团员工说。 传统现金牛业务广告持续萎缩的百度，在阿里内部长期边缘、贡献微薄的飞猪和高德，也都是类似情况。 旧业务的裁员难以避免，那么活水的机会存在吗？ 一些管理层在谈起裁员话题时，会告诉员工“公司现在也搞AI，可以试着去找找自己能做的项目。”一位美团员工告诉36氪。近日，美团核心本地商业新成立了AI Transformation部门，主要职能是探索用AI梳理业务的内部流程；此外，不少核心中高层也在亲自带队做AI相关项目。 字节的一位产品经理王岳告诉36氪，他正在内部创业，做一款面向B端客户的AI提效类产品，“公司鼓励大家去做这样的探索”。在立项之初，他们不仅主动抹掉了“设计”和“测试”两个职能，还要向评审会强调，这款产品未来将节省多少人力成本。王岳的另一位同事在开发AI客服的Agent产品，其2026年的OKR就是“帮助公司裁掉xx%的客服”。 如今，这样的项目，在每家大厂都有十余个或数十个小团队在做。“有时候会几个团队做同一个方向，谁跑出来了，公司就集中资源推谁。”——一场新的赛马开始了。 变动的除了业务重心，还有组织形态，比如抹去更多中层管理者。 腾讯从今年起开始推行项目制，弱化管理职级，给负责人恢复专业职级；美团在今年年中盘点时裁掉了一些L9（事业部总监级），还在近期全面取消X1节点（此前最低的一层管理节点），减少管理层级。 就让我们挥别过去 AI的巨浪究竟会把人带往何处，多数人都还没有一个“顿悟时刻”。 离职缓冲期结束前的六月中旬，林越已经在密集推进淘宝、快手和字节的面试。继续“大厂程序员”的职业生涯，仍然是他内心期盼的最优路线。但这些公司的橄榄枝至今没能如愿抛来，“太难了。”林越说。 “找到一份工作是容易的，但一旦从大厂去了中厂、小厂，你就不可能再回到大厂了。”在林越心里，放弃大厂某种程度意味着永久性跌落，他不愿“退而求其次”。 也有人放下“大厂执念”。李川从百度离职后的第三天，便无缝入职了一家初创公司。顺其自然地，他的岗位从过去的“前端工程师”变成了“全栈工程师”。这家公司的主力产品是办公类的AI Agent，还给他涨了薪。 尽管大家都说时代变了、程序员的技能不再可靠，李川仍然有一些“技术憧憬”，希望以技术人员的角色参与到一款被用户喜爱的产品中，而这未必只能在大厂实现。 从阿里离开后，江灵入职了一家老牌汽车公司。她如今的工作内容不必强行与AI关联，不用再每天焦虑“老板的AI任务能不能完成”，当然也不用再“拼命表演”。江灵最近负责的一个项目9月30日才上线，“这些任务落在我的舒适区，时间又宽裕，人真的会身心愉悦许多。” 最近，她所在的部门每每放出招聘岗位，“都有一堆什么阿里的人过来面试，疯了一样地往制造业跑。” 也许程序员群体最终还会留下10%，但苍述不想再找大厂的工作，“去卷成这绝望的10%”。 5月被美团裁员后，他果断踏上了创业道路。AI浪潮前，他就以副业形式尝试自己做点什么。彼时，只是建社群、兜售一些技能，就让他体会过月入十万的滋味。 今年三四月时，苍述社群里的一些“学员”，已经踩着浪潮投身AI创业，“开了自己的公司，招了很多人，我还苦哈哈在这上班，这对吗？”他问自己。 如今，苍述的创业项目是面向海外，围绕罕见病用户的需求开发系统、做独立产品，他也在小红书账号“苍述（戒掉月薪版”与海外社媒上向网友分享进展。主产品之外，他还在多线并行一些小产品，以此保持手感，“一个小工具最多三四天完成，复杂系统可能需要半个月。”——这都远远快于大厂的常规排期节奏。 AI或许是人类有史以来最强的智力杠杆，它可以把个人能力放大N倍，可以支撑大部分初创产品的落地，也可以让每一个好的idea被快速看见并定价。 生于2000年的苍述说，自己是一个注定创业的人，但假如没有这次裁员，他可能不会在此刻行动。“公司帮我做了决定。” “既往不恋，纵情向前”，这是美团给每位离职员工告别短信中的最后一句话，也是最近许多大厂人离开时会提起的一句话。在AI带来的这场复杂变革里，离开大厂、留在大厂，都无法再延续过去的路径。 短暂的“碎”过之后不是躺倒。转行也好，创业也好，先接受变化的人或许能先看到不一样的世界。

7. 思维捷径审计员 粘贴到ChatGPT：'我解决[技能]问题时，别因结果对就接受。调查我怎么做的。我用捷径、死记硬背、运气而非逻辑就指出来。强制我从零开始解释每步。能解释每步的'为什么'才算掌握。'

《企业大支出管理智能化前瞻评估》 企业支出管理正经历从单纯的“报销工具”向全方位“经营数据控制层”的范式转移。其政策推动力源于《会计信息化规范》及数电票的法定化推广，促使企业支出环节必须实现数据结构化。尽管监管推动的方向成立，但报告将宏观监管数字化直接映射为微观企业平台扩张的逻辑链条尚显薄弱，忽略了企业预算周期、系统替换成本、组织内部阻力及数据治理成熟度等关键制约因素，缺乏从监管政策向企业内部执行转化的完整验证逻辑。 市场竞争格局主要分为综合支出平台、垂直支出平台及场景型消费平台三类，分别对应流程闭环、行业细分规则及消费入口资源优势。报告关于2024年财税相关SaaS市场规模964亿元、2027年预期1544亿元，以及整体云服务市场规模和费控市占率等数据，因缺乏明确样本池、统计口径、抽样方法及可靠原始数据库支撑，均标注为【无法核验】。此类数据缺乏第三方权威背书，在作为企业选型决策或行业投资参考时，存在显著的统计不确定性，结论推演可能存在幸存者偏差。 智能化落地的核心风险在于财务AI的“责任属性”与“生成特性”之间的冲突，而非单纯的自动化效率提升。报告将AI Agent、垂直模型与电子凭证标准构建为执行闭环，试图实现自动审核与预算拦截，但未能提供与NIST AI风险管理框架对齐的量化指标。财务AI一旦发生模型误判、接口错配或数据泄露，将直接导致责任主体面临法律与财务双重风险。因此，企业的核心挑战不在于系统自动化比例，而在于是否具备审计留痕、权限控制、异常人工复核及模型治理等闭环风控体系。 【关键词】：#企业支出管理 #财税SaaS #智能财务 #数电票 #电子凭证 #业财一体化 #会计信息化 #AI_Agent #数字员工 #预算控制 #采购管理 #差旅管控 #资金管理 #审计闭环 #数据治理 #财务数字化 #SaaS市场 #云服务 #模型可解释性 #风险管理 #责任系统 #成本优化 #业务流程重组 #数据接口 #API集成 #选型评估 #NIST_AI框架 #合规性 #数据安全 #异常识别 【观点】： 这份报告的可信度处于中等偏上，主要价值在结构，而不在预测。它读出了一个真实趋势：企业支出管理正在从“员工报销系统”变成“经营活动的数据闸口”。对财务负责人来说，痛点不是少录几张票，而是支出发生前看不见、发生中管不住、发生后追不清；对员工来说，痛点不是合规本身，而是流程摩擦、垫资压力和规则不透明；对管理层来说，痛点是预算、采购、合同、付款、税务、归档互相割裂，导致成本优化没有统一事实表。报告把这些痛点归入“前中后台”模型，方向正确。 但报告也有明显盲点。第一，市场规模测算把云服务规模、企业上云比例、财税场景比例和SaaS转化率串联起来，链条过长，任何一个比例偏差都会放大结果。第二，服务商排名和市占率缺少样本池、收入确认口径、订阅收入和交易流水边界，不能直接作为投资或采购排序。第三，案例多来自服务商叙事，存在成功样本偏差；未呈现失败项目、替换成本、实施周期、客户留存、二次开发费用和权限治理成本。第四，报告把AI视为效率变量，但在财务场景中，AI首先是责任变量。没有审计日志、审批证据链、异常回滚和人工兜底的AI，越自动化，潜在责任越集中。 决策含义是：企业不应以“是否有AI”作为选型标准，而应以5个硬指标筛选：数据标准是否兼容电子凭证与主数据治理；接口是否能连接ERP、采购、银行、税务和档案系统；规则引擎是否可解释、可回放、可审计；异常单据是否有人工复核和责任分层；总拥有成本是否包含实施、集成、培训、运维、模型更新和合规成本。 采购路径应分三步：先做票据和凭证标准化，再做预算、申请、采购、报销、支付、归档闭环，最后才把AI Agent放入高频、低争议、可回滚的场景。对投资判断而言，这个赛道的护城河不在单点报销功能，而在交易入口、数据闭环、生态连接、行业规则库和长期客户迁移成本。智能化不是简单的软件升级，而是对企业支出责任链条的重塑，决策者必须在效率与责任之间建立“安全护栏”，这是本报告未能深究但却是最核心的战略维度。

翼翼大麻地走进领导的办公室，心里既紧张又忐忑，生怕自己哪里做得不好。领导接过文件，仔细翻看，偶尔提出几个问题，林溪认真地飞行员燃料回答着上头电子烟，手心全LSD邮票是汗，她知道，认准卡利,小心骗子这是她烟油职场路上的第一步，必须全力以赴，才能不被淘汰 👉x.com/ufksw86891982👈

北京方面聲明，此次發射符合國際法規範，並非針對任何特定國家。 然而，此事在日本引發了反應。日本政府表示，中國於7月5日通知將設立彈片墜落區，其中部分區域涉及日本在沖之鳥島附近的專屬經濟區。7月6日，在收到進一步資訊後，日方亦於半小時內獲悉，此次發射係由潛艇發射的彈道飛彈。東京方面對

人的一切痛苦 本质上都是对自己无能的愤怒 当你花费了大量精力 却怎么也做不好一件事；该做的都做了 但却得不到应有的认可 人们总对“解决问题”这个问题怀有执念 认为只要足够努力 所有难题都能解决 所以很多人习惯于同命运对抗、同自己较劲 有些时候明明是客观条件不足 但偏要不断反思自己；明明是不擅长的事情 但非要逼自己做到“满分”；明明是无力改变的事实 可却总在纠结懊悔之中度过 而时间久了 难免陷入“越努力越痛苦”的怪圈当中 允许自己“无能” 是承认有些事做不到 不必勉强；是接受“不够好” 不再过度较劲 可有的人为了补齐“短板” 而不惜放弃“长板” 结果反而变得愈发平庸 允许自己“无能” 也是允许自己搞砸 因为人生本就是不断试错的过程 所以只有拥有“搞砸也没关系”的底气 才可能迎来真正的转折 在现实当中 很多人因害怕“搞砸”而畏手畏脚：总想尝试新的方向 却迟迟不敢迈出一步；总担心破坏一段关系 缺只好不断压抑自己的情绪；困在一段处境里反复煎熬 却始终不敢推倒重来 而这种“不敢搞砸”的心态，往往带来更多委屈和痛苦 允许自己“无能” 也是允许自己偶尔做一个“无用”之人 就像一句话所说的：长河不一定用来跨越，旷野也不一定非得奔跑。 我总觉得 当生活充满压力时 不必总逼自己做点什么 读一本“无用”的书 交一个“无用”的朋友 写一点“无用”的文字 给生命留出一段喘息的空间 反而更能轻装前行

《7月6日全球财经前瞻：资产逻辑重构与交易机制变革》 全球资产定价逻辑正经历从宏观叙事向业绩与成本精细化管理的切换。美联储7月维持利率不变的概率约为77%，市场高度依赖美国6月服务业PMI及ISM非制造业PMI数据来校验通胀韧性与短端利率路径。黄金与白银价格受避险情绪与利率边际变化驱动，现货黄金触及4200美元/盎司，短期波动率加剧；原油则因8月产油国拟日均增产18.8万桶的供给侧扰动，维持在68.54美元/桶附近的宽幅震荡。宏观层面，全球央行处于通胀回落与政策正常化的磨合期，欧元区投资者信心及零售数据成为观测区域经济韧性的关键窗口。 AI硬件产业链正式从概念炒作期过渡至业绩验证期，三星电子二季度业绩预期及亚洲AI供应链出口数据成为全球科技定价的锚点。尽管硬件链景气度处于上行周期，但随着涨幅扩大，后续资本开支兑现、订单可见度与毛利率表现将替代情绪驱动成为股价核心支撑。与此同时，消费电子领域传来动态，折叠iPhone预期于2026年下半年问世，组装出货量约700万至800万部，带动高端结构件与精密制造链的预期修正。金融科技领域，大模型应用边界正进入严格的合规制度评估期，行业逻辑从技术扩张转向合规安全。 A股市场交易新规于今日正式落地，沪市主板及ETF盘后固定价格交易机制的扩展，显著优化了配置型资金的调仓效率与执行平稳度。数据统计显示，截至6月30日，ETF两融余额增至1160.88亿元，融资资金在半导体、通信等成长主题与黄金ETF防御属性之间构建了双向配置策略。此外，ST板块交易限制的调整标志着监管对存量博弈风险控制的强化。未来市场主线将由单一消息驱动转向“资源股盈利弹性 科技链订单确定性 制度红利带来的流动性优化”的综合逻辑，投资者需关注杠杆水平与宏观数据再定价带来的溢出效应。 【关键词】：#美联储 #FOMC #服务业PMI #ISM非制造业PMI #全球供应链压力指数 #黄金价格 #原油供给 #AI硬件链 #存储芯片 #三星电子 #光模块 #工业富联 #中际旭创 #新易盛 #A股交易新规 #ETF配置 #两融余额 #半导体 #消费电子 #折叠iPhone #金融科技 #大模型合规 #天问二号 #深空探测 #资源股 #高股息 #资产配置 #波动率 #宏观政策 #利率预期 【观点】：本报告呈现出当前全球资本市场从“宽松预期博弈”向“底层资产与业绩兑现双重回归”的深刻转型。 从激进视角看，市场已进入“去伪存真”的强监管与强验证窗口。AI硬件产业链虽然账面数据靓丽，但7月财报季将成为“分水岭”，缺乏实质订单转化与毛利支撑的标的将面临估值修正，这不仅是财务表现的波动，更是资本市场对AI技术落地深度的终极拷问。保守视角则认为，当前黄金站上4200美元及油价的低开，反映出全球大类资产在防御与波动之间的极度拉扯，地缘政治与宏观不确定性正在降低风险资产的容错率。 中立视角的分析则指出，本次A股交易新规的落地是市场基础设施建设的关键一步，通过引入盘后固定价格交易，实际上是在对冲散户情绪波动，引导资金向ETF等工具型产品流动，这对于市场的长期稳定性至关重要。 核心风险在于“相关性误导”。市场常将宏观降息预期与科技股上涨强相关，但在当前滞涨风险与高利率常态化的双重挤压下，这种因果链条极其脆弱。盲目追高黄金或AI概念，实质上是在忽略“业绩验证窗口”的系统性风险。建议投资者应剥离情绪化表达，聚焦于：1. AI产业链中具备高壁垒、高毛利、确定性资本开支的龙头；2. 具有稳定分红且具备成本护城河的能源与资源品种；3. 随着制度优化，利用ETF工具进行流动性管理和杠杆控制。 当前市场最大的盲点在于，多数投资者过分关注“叙事”，而忽略了“成本”。无论是半导体制造的边际成本，还是金融AI应用的高额合规成本，都将显著削薄未来几年的净利润率。将逻辑抽象至高维，这本质上是全球市场从资本扩张周期转向效率存量周期的缩影。决策的核心应从“交易趋势”转向“验证护城河”，避免在机构博弈的震荡中成为流动性的牺牲品。 你认为在AI硬件进入业绩验证期后，产业链中哪些细分环节具备更强的护城河来抵御毛利率波动？

【💡每周金銀交易你要知💡】 📢 上周國際金價整體呈現先升後回落的震盪走勢。周初受中東地緣政治風險及美元回落帶動，避險需求推升金價一度走高；其後，美聯儲主席Kevin Warsh表示通脹風險正在下降，市場對進一步加息的預期降溫，雖然有利於黃金表現，但美國6 月非農就業數據雖然疲弱，失業率仍維持低位，加上市場風險偏好改善，令避險買盤有所降溫。整體而言，黃金在美元及美債收益率回落的支持下仍具一定韌性，但受制於市場對美聯儲政策前景仍存分歧，價格維持區間震盪，未能形成明確突破。 🔔本周重點教學🆕 看圖睇清黃金/美元的支持位同阻力位😉👨‍💻 支持位 1: 4132 阻力位 1: 4222 支持位 2: 4090 阻力位 2: 4279 支持位 3: 4031 阻力位 3: 4336 識得善用 #樂天證券金業香港 #rakutensecuritiesbullionhk 嘅黃金分析報告📝豐富影片內容涵蓋市場情報指標、專業技術分析等重要 #黃金市場 資訊，助您緊貼金銀市場最新動向，計劃適合您的投資策略! ✨🏃😎 👨‍💻立即瀏覽最新每周交易點子影片，把握入市機會 #樂天證券金業香港 #rakutensecuritiesbullionhk #貴金屬交易 #每周交易點子 **樂天證券金業香港提提你** 樂天證券金業香港絕不會透過短訊、電郵及任何社交媒體的超連結要求您提供包括登入名稱及密碼等交易賬戶資訊。為確保賬戶安全，切勿向任何未經核實的網站透露您的賬戶登入資訊。