“写笔记”支持四种格式——Word 文档、Excel 表格、Markdown、纯文本，起稿或二次编辑时都能随时切换，同一篇笔记想用哪种形态来记，都由你说了算。
md、txt、csv、json 这类纯文本则原样载入，不做多余加工。拿一张现成的表倒进来、改几笔、再导出去，等于白用一台免费的格式转换器。
要带走就在右上角点“下载”，可导出 PDF、Word、Markdown、Excel、TXT 等格式；列表卡片“⋯”菜单里，也有同样的下载入口。
在“工具”页点“＋ 上传工具”即可发布：填好名称与链接，再用 Markdown 把使用方法写清楚——能解决什么问题、怎么装、怎么用，比堆介绍实在。
要分发安装包就一并上传压缩包（ZIP、RAR、7Z、TAR.GZ，最大 35MB），别人在详情页一键下载；只放链接不带附件也可以。
工具按大家的收藏热度排序，好用的自然会被顶上来。发布后可在详情页或卡片菜单里编辑、下架。
写笔记时勾上“隐藏”，这篇就只存在于你自己的账号里：不进列表、不进搜索、不上首页精选，也不会出现在任何公开的页面，链接发给别人同样打不开。
适合放密码、草稿、日记这类只给自己看的内容；想公开，去“发布”打开它，把“隐藏”的勾去掉再保存，之后编辑会默认保持原状态，不会悄悄变回公开。
你的内容会同时保存在多个副本上，系统定期做备份与完整性校验，再配合异地容灾机制：就算某台机器出问题，数据也不会丢，可以长期放心存放；特别重要的资料，仍建议你另外再留一份备份。
全站跑在容器化、模块化的现代架构上，更新、部署、回滚都很快，扩展性和稳定性都按长期运营的标准来设计（Built for reliability, designed to scale）。
这个网站最早只是一个人的笔记仓库，后来慢慢长成现在的知识中枢。设计上很克制——没有广告、没有追踪、没有推荐算法，只是干干净净地存放一些东西；既然做好了，就公开出来，万一有人用得上呢。
不做大而全，不做平台梦，保持简单、保持克制、保持好奇。所有内容都由用户贡献、由用户维护：不会突然冒出付费墙，不会在角落塞广告位，也不会把你的数据卖给第三方。
产品会持续迭代，站内日志页记录着每一次改动，改了什么都有迹可循；想了解这个站是怎么一步步走到今天的，翻翻日志就能看到来龙去脉。
如果在这里看到涉嫌违规的内容，点对应卡片右侧的“举报”按钮就能提交，我们会尽快核实处理；也谢谢你花一点时间，一起把这里维护干净。
GLM 5.2 与即将到来的人工智能利润率崩溃
开源模型 GLM 5.2 以极低成本逼近闭源前沿模型质量，正引发 AI 推理利润率的结构性崩塌。
真正的 DeepSeek 时刻已经到来
不久前，市场因 DeepSeek 的 R1 模型而剧烈震荡。当时的主流解读是：既然其底层 V3 模型据称训练成本不到 600 万美元，那么市场便认为 AI 训练方面的大规模资本支出时代已经结束，英伟达等公司的股价应声暴跌。
当然，这是对 AI 成本结构极其肤浅的理解。训练虽然无疑是资本密集型支出，但它属于固定前置成本——你花数亿美元训练一个模型，之后这笔钱就“花完了”[1]。而推理则完全不同：它的成本随需求规模线性增长，具有真正的边际成本。
过去一年多，我一直在反复阐述这一点。主流认知中另一个常见误解是：API 提供商收取的价格就是他们的真实成本。实际上，当 Anthropic 或 OpenAI 以 25 美元/百万 token 的价格提供推理服务时，根据我的粗略估算，相对于硬件标价，其计算成本上的毛利率可能高达 90%。这个数字可能略有浮动（OpenAI 泄露的财务数据表明其整体收入毛利率约为 60%，但这无疑包含了支持、支付处理和其他服务等大量附加成本），但前沿 AI 实验室的商业模式本质上是：先花大价钱在计算和薪酬上训练一个模型，然后通过大量高利润的推理服务来摊销这笔固定成本。如果你能将训练成本摊销到足够多的推理量上，你就能从基于 COGS（销售成本）的盈利，变成真正的盈利。
GLM 5.2：真正的开源平替
过去几周，我一直在深度使用智谱 AI（Z.ai）的 GLM 5.2 模型。我认为 GLM 5.2 是第一个真正达到“门槛”的开放权重模型——它足以与 Opus 和 GPT（截至本文撰写时，最新版本为 GPT 5.5，未来模型无疑会超越它）正面竞争。它真的非常出色，以至于在日常使用中，我很难分辨出它和我常用的 Opus 之间的差异。
不过我发现它比较慢，因为它倾向于进行大量的“思考”。对于非交互式的智能体任务（比如在后台审查代码 PR），只要对时间不敏感，这就不是问题；但对于交互式使用场景，它的速度确实有点跟不上我的注意力节奏。这也在一定程度上降低了它的成本效益（更多的思考意味着更多的 token 消耗，从而推高成本）。
此外，它还不支持视觉功能。有趣的是，自从 Opus 4.7 引入更高分辨率的视觉能力后，我从几乎不想用视觉（因为以前太不准确，我经常在发现它使用视觉时暂停会话），变成了无时无刻不在用。无法读取基于图像的 PDF、截图和设计文件，真的非常令人沮丧。我相信他们正在开发更强的多模态模型，但相比前沿实验室，这无疑是一个显著的短板。
第二个我完全没预料到的瓶颈，是网络搜索能力的缺失或薄弱。事实证明，几乎每一个智能体会话都需要大量的网络搜索来查找信息。智谱提供了一个替代的 MCP（模型上下文协议）用于网络搜索，但体验非常糟糕且缓慢。Fireworks 则根本没有提供任何搜索能力，他们只是含糊地回应说“一直在寻求改进产品”。我个人的解读是：他们目前没有相关计划，但让我们拭目以待。我通过指示智能体使用基于命令行的搜索工具（如 ddgr）来部分绕过了这个问题，但这确实是一个现实中的短板。我非常看好第三方网络搜索 API 的潜力。这实际上是开放权重模型提供商目前面临的一个巨大缺口，而事实证明，优秀的网络搜索能力对于许多智能体任务至关重要。不过，这个问题无疑会随着时间推移得到解决——有很多人在构建网络搜索索引，只需要合适的合作伙伴和基础设施就位即可。
即插即用的替代：切换成本几乎为零
对于前沿实验室而言，真正可怕的是迁移到开放权重模型是多么容易。智谱和 Fireworks 都提供兼容 OpenAI 和 Anthropic 的端点。这意味着你可以极其轻松地将其与 Claude Code 和 Codex 配合使用：只需将基础 URL 指向你的推理提供商，提供 API 密钥，然后告诉它使用 GLM 5.2 即可。
鉴于 Anthropic 最近宣布（随后又撤回）对非交互式智能体使用场景的 claude-p API 收费，你会发现对于许多/大多数此类用例，你可以直接替换成 GLM。而在交互式使用中，除了缺乏视觉功能和速度稍慢[2]之外，我在 Claude Code 中几乎完全无法察觉自己用的不是 Opus。
这不像微软或 Salesforce 那种需要花费数年时间规划迁移的锁定效应。切换成本极低，我甚至认为，这比试图跟上前沿实验室模型不断变化的政策和条款要轻松得多。虽然 Claude Code 可能会让使用第三方提供商变得更困难，但市场上有很多优秀的开源替代方案（如 Codex 本身、OpenCode 等数十种）。
我确实听到企业用户对数据隐私和安全性的担忧。毫无疑问，直接使用智谱的官方 API 和订阅服务几乎是不可能的——其条款最多只能算薄弱，并且与大陆有深度关联。但当然，由于权重是开放的，市场上还有许多其他提供商，它们提供适当的合同条款。如果这还不够，你甚至可以在本地自行托管模型，这反而为那些无法发送给任何第三方的极其敏感的数据，打开了使用 Opus 级别质量智能体工作流的大门。
成本优势：价格仅为闭源模型的 15%-20%
目前 GLM 5.2 的市场价格大约在每百万 token 4.40 美元左右。这不到 Opus 零售价的 20%，大约是 GPT 5.5 成本的 15%。当然，由于它针对同一任务会消耗更多 token，这并非完全公平的苹果对苹果比较。但我非常确信，在几乎所有工作流中，它都能实现超过 50% 的成本节约，同时提供非常相似的质量水平。
在订阅方面，智谱提供了“编程计划”订阅，与 Anthropic 和 OpenAI 的订阅计划类似，但声称使用额度更高。我预计，对于大多数专业用户而言，其关于训练和数据保留的宽松条款会使其难以被接受。但如果前沿实验室试图大幅提价，对于预算敏感的用户来说，这无疑是一个可信的选择。
我预计 GLM 5.2 的成本在未来几个月内还会显著下降，因为其服务堆栈的优化工作还在继续。Wafer 撰写了一篇有趣的文章，介绍了他们在 AMD 硬件上运行该模型的努力。他们指出，在 AMD 上进行推理，每 token 成本比在英伟达 Blackwell 上便宜 2.75 倍。
第二部分预告：利润率崩溃的行业影响
第二部分将探讨真正有趣的问题——推理利润率的崩溃究竟会对行业产生什么影响，以及谁会赢、谁会输。请记住贝佐斯那句名言：“你的利润就是我的机会。”
[1] 这是一个简化说法——前沿实验室实际上一直在持续训练新模型以保持竞争力，所以这更像是一种滚动成本，而非真正的一次性支出。但关键区别依然成立：与推理不同，训练成本不会随着客户实际使用产品的规模而增长。
[2] 公平地说，这里的慢主要是模型思考过多，而非服务本身的问题。Fireworks 实际上提供了非常快速的推理响应。
原文链接：https://martinalderson.com/posts/the-upcoming-ai-margin-collapse-part-1-glm-5-2/