你不需要把每一本書讀完：我從 Naval Ravikant 的閱讀觀重新理解「讀書」
不必把每一本書讀完，也不必把每次閱讀變成績效考核。從 Naval 的公開閱讀觀出發，討論如何依目的選擇閱讀深度、檢查理解，並保留文學、好奇與休息本身的價值。
首頁
Douglas Engelbart 真正重要的不只是滑鼠：他想升級的是人類解決問題的能力
Engelbart 常被記成「滑鼠之父」，但他的研究計畫更大：把人、語言、工具、方法與訓練視為一個可被整體改善的能力系統。從 1962 年的 H-LAM/T 到後來的 bootstrapping，這套思路仍能幫助我們重新思考 AI 時代的 augmentation。
AI 都會 coding 了，我為什麼還要學程式？真正稀缺的是理解 system
AI 能協助寫出程式，但作業分數、工作產出與長期理解需要分開檢查。從程式教育與開發者研究出發，討論規格、除錯與驗證為何仍值得學，並提出不犧牲必要資訊與安全條件的練習方式。
AI 幫你做到，不代表你已經學會：AI 時代最危險的學習幻覺
AI 幫忙完成作業，不足以判定哪些方法已經學會。本文比較兩項教學研究，區分短期測驗、長期保留與遷移，並提出保留必要支援的學習檢查問題；不把一次成績當成人的價值。
AI-native delivery：速度不等於完成，真正稀缺的是現實、證據與權責
AI 讓 implementation 變快，不會自動讓產品更接近真實世界。我現在用 State、Evidence、Authority、Release 四個詞檢查 AI-native delivery，避免把「看起來完成」誤當成「現實完成」。
第二大腦不是資料倉庫：我現在如何衡量一個知識系統是否真的有用
我現在不再用筆記數量、backlinks 或 graph nodes 衡量 PKM，而更在意 re-entry、representation、relations、synthesis 與 transfer：一個好的知識系統，應該讓下一個重要的 cognitive move 變便宜。
AI-native 不等於把判斷交給 AI：我如何讓 AI 加速產品打造，同時保留人的主體性
AI-native 的價值，不是把判斷外包給模型，而是重新設計人與 AI 各自應該做什麼。從 Capability、Agency、Evidence、Recovery 四個判準出發，整理我在產品實作中的七個原則。
從 1 人獨自隱居森林到成為科技巨頭，再到被 FBI 調查、起訴：我從《The Surrender Experiment》（臣服實驗）學會的人生順流學
一個只想在森林裡安靜冥想的青年，為何最…
不要追隨熱情（Don’t Follow Your Passion)，我們應該要做的是帶著「匠人心態」去累積「職涯資本」、創造價值，並在此基礎上漸漸地建立我們想要的工作與生活
熱情不是起點，而是結果。
與其追隨熱情，不如先用匠人心態打造「職涯資本」，等你有了籌碼，熱情與自由才會真正出現。
6 個步驟教你如何運用第一性原理（The First Principle）
你是不是也常遇到這種狀況： – 工作上流程…