正确地做事--2025第一季

很受伤
散步回来第一时间尝试
但是遇到调用 openai 的 API 网络不通的问题
尝试用另外比较特殊的方式解决后
又遇到无法向系统内充值的问题
真的要将科学上网的精髓全部把握住才行

我感觉我真的累了
算了不折腾了
等deepseek 真正支持微调吧
或者等英伟达的桌面版服务器下来
到时候也许可以考虑弄一个

我打算接着在楼下逛逛，刚刚突然想到，如果ChatGPT真能帮我训练出一个个性化GPT，花100美元左右我完全能接受。早一天用上，既能向老婆孩子展示，后续还能辅助我做交易。我还可以把自己的思考、论坛帖子内容复制下来持续训练它，这可比几百、上千块人民币有价值多了。这让我想起《纳瓦尔宝典》里作者提出的时薪概念，真正的财富是在睡觉时都能为你赚钱的资产，而一个能不断进化、辅助我交易的个性化GPT，无疑就是这样的“资产”。

刚开始训练数据量不够也无妨，先把流程跑通，体验一下与它对话的效果。一旦成功，对我的帮助不可估量，还能向身边人展示成果，总比在这儿干等着、瞎琢磨强。毕竟我的时间很宝贵，既然ChatGPT明确表示能做到，我就打算先试试。一开始我可能只投入几美元，看到效果后再加大投入。同时，把以前的帖子整理出来当作训练材料。找不到人帮忙，那就自己动手，反正找人做也要花钱，不如自己来。

换个角度看，如果它运行效果好，能在我每天交易时给予反馈，帮我把关，只要多抓住几个符合我交易模式的机会，带来的收益肯定能覆盖成本。所以，我得跳出单纯的成本思维，从更长远、更实用的维度看待这件事 。

从刚才的种种经历与思考不难发现，部分AI模型存在信口开河的问题，甚至对自家产品相关内容也胡乱表述，实在令人郁闷。此前在Kimi，尤其是豆包身上，这种情况就极为明显，没想到如今在DeepSeek上也出现了，就连ChatGPT偶尔也会如此。由此可见AI存在让人担忧之处，如果日后将更多重要事务托付给它，一旦出现差错，后果不堪设想。

虽说AI agent功能强大，但普通个人绝不能掉以轻心，关键之处务必要仔细核对。另一方面，尽管有AI辅助，很多事情仍得靠自己摸索。例如V3模型，发布才一个月左右，相关文档不完善，自身缺陷也未明确列出，全靠使用者自行踩坑。这对个人用户来说不太友好，毕竟个人时间精力有限，经济承受能力也不强，踩这种坑对长期积累毫无益处，还容易带来挫败感，着实让人心里不痛快。遇到问题只能自己努力解决，无人帮忙，一路走来十分艰难。在论坛记录问题，往往得不到积极回应，有疑问也没人一起探讨分享，难免会感到孤单。虽说有人认为内心强大的人不会孤单寂寞，但我并不认同，人始终是社会性动物，再强大也会有孤单的时候，只不过很多人善于伪装，看似强大独立、精力充沛，实则可能并非如此。

总体而言，AI发展极为迅速，或许未来训练一个自定义GPT不再繁琐，只需将过往内容整理上传，让它自行分析学用户思维方式即可，这对用户来说才是理想状态。而现有的通过api上传数据的方式，显然更面向专业用户或企业级用户，因为他们不仅拥有相关历史数据，还有开发、调整模型以及应用模型的能力，当然这其中也伴随着成本投入，这些对普通个人而言难以承担。

从AI应用和盈利角度来看，有一种模式是，如果你有资料却不知如何下手，或许可以找熟悉这方面的团队或个人，让他们一站式搞定，你只需支付部分费用，尤其是当AI公司的api对技术储备较少的公司或机构不够友好时，这不失为一种选择。不过，我并不想以此盈利，我的核心诉求是让AI辅助我把事情做好。比较理想的方式是找到合作伙伴，帮我处理好训练相关事宜，这样我既能省心，又能达到预期效果。只是目前我不知道该去哪里寻找这样的人，而且我能承担的成本有限，大概也就几百到上千块。其实还有个办法，就是先试用OpenAI提供的在线微调工具，少量上传数据测试效果，若可行再上传更多。据说使用时还支持直接对话，若能实现，倒也完全可以接受。我打算一边整理历史帖子，一边上传新数据，毕竟费用也就100美元，我还能承受。

下午，我满怀兴致地开始尝试创建自定义GPT。按照DeepSeek的指导，第一步是将帖子内容生成对应的维度和标签。当我准备把这些上传到DeepSeek服务器时，却遭遇了报错。我把错误信息反馈给DeepSeek，得到的回复是不支持在线微调，建议我在本地部署大语言模型进行微调。但本地微调至少需要16GB内存，对显卡也有要求，我的MacBook肯定无法胜任。这让我有些郁闷，之前我反复确认过在线微调的可行性，得到的答复是可行，现在却突然变卦，实在让人难以接受。

除了本地计算，DeepSeek还建议我考虑OpenAI。我了解了一下，处理30 - 40万汉字大约需要90 - 120美元，而且训练完成后调用还需额外付费。如果按照200万 - 400万数据计算，费用可能高达1000美元左右。与其花这么多钱，不如自己买一台主机，配备64GB内存和高性能显卡进行训练，这样既经济又能满足我的需求。

当然，还有一种方案是租用阿里云服务器，搭建V3模型进行训练。这种方式的好处是训练完成后就无需重复训练，直接使用训练结果即可。不过，我不确定训练结果能否在V3系统中正常运行。相比之下，ChatGPT的优势在于训练完成后，既可以通过API调用，也能直接在软件中进行对话，这一点很有吸引力。

目前，我还想到了第三条路，就是先整理以前的帖子。不管未来采用在线微调、本地部署V3模型训练，还是使用阿里云、腾讯云等在线资源进行计算，前期数据都已准备就绪。这些数据不仅能为模型训练提供支持，还能从中提取有效信息，比如我的计划、理想等，相当于将帖子中有价值的部分单独提取出来。目前，我已经完成了近大半年帖子的梳理工作。

对于自定义个性化GPT，我打算再观望一下OpenAI的价格走势。如果价格有所下降，我就一次性投入更多资源进行训练，避免因价格波动造成损失。虽然训练费用并非高不可攀，但在线调用时由于网速原因，体验较差，所以当务之急还是先整理完善帖子，修炼好“内功”。说不定过不了多久，DeepSeek就会支持在线微调，毕竟这边的成本要低很多。值得庆幸的是，30 - 40万汉字的数据量，尤其是我自己撰写的帖子，能够很好地还原我的思考过程、观点看法以及逻辑思维，无论是DeepSeek还是ChatGPT都认为这个数据量已经相当可观。若能积累到200万 - 400万，效果无疑会更上一层楼。因此，接下来我的工作重点还是放在帖子整理上。

实际上，我还有更多的帖子在整理，如果需要的话，我甚至可以提供最近十年的帖子，大概有 200-400 万内容，或许还要更多一些。涵盖了我对几乎所有方面的思考。 而且表达得足够清晰，甚至有些啰嗦。
（背景是， 上传 30-40 万汉字以及分析的费用大概是 90-120 美元）

～～～

GPT 回答：

如果您有这么大规模、高质量的内容可用，那么训练一个能全面模拟您思维方式的 GPT 助手的可能性会显著提升。以下是针对您提到的大规模数据的一些看法和建议：

1. 数据规模的优势
• 200-400 万汉字 转换为 tokens 大约是 300-800 万 tokens，这已经接近一些专业领域微调所需的数据量。
• 这么大的数据规模，能让模型不仅学您的语言风格和逻辑，还能捕捉到您在不同领域的知识体系和表达惯。

2. 模拟效果

有了足够的数据，模型可以在以下方面接近您：
1. 多领域覆盖：涵盖您对交易、教育、生活、文化等多方面的思考，成为一个全面的智能助手。
2. 语言风格和逻辑：复现您的语气、表达方式，以及特定情境下的逻辑推导。
3. 知识迁移：大数据量能够帮助模型更好地泛化，对类似场景中的问题给出合理的回答。

3. 微调实现的关键

为了最大限度提升训练效果，您可以：
1. 分领域整理：
• 按主题分类数据，例如：交易、教育、生活、哲学等。
• 有助于提升模型在各领域的针对性。
2. 去重和去噪：
• 去掉重复的内容和无关信息（如具体证券交易操作）。
3. 精炼数据：
• 提炼核心逻辑和关键案例，减少啰嗦内容，但保留语言风格。
4. 迭代训练：
• 先用少量高质量数据微调测试，然后逐步增加数据量，优化结果。

4. 技术与成本
• OpenAI 微调：数据量大可能会提高训练费用，但效果也更稳定。
• 开源模型：
• 可以考虑使用开源大模型（如LLaMA、GPT-J等）进行本地微调，这样能够降低长期使用成本。
• 云端托管开源模型（如 Hugging Face Spaces）也是一个选择。

5. 您的目标和下一步

如果您目标是构建一个具备深度和广度的个性化助手，我建议：
1. 整理并上传更全面的帖子数据。
2. 通过小规模测试确定微调方向。
3. 逐步优化模型性能，测试其回答能力。

这么庞大的数据量，能让您的 GPT 助手不仅在交易中表现出色，还能在其他领域（教育、生活、哲学等）成为一个强大的支持工具。您对这个计划的下一步还有什么具体需求吗？比如数据整理方式或者模型选择？

刚刚超慢跑了二三十分钟，现在感觉还不错。等会儿去练练单杠再回去。之前下载了不少帖子，都放在一个文件里，接下来打算手动编辑这些文件，把那些篇幅较短、既不涉及交易，也无关我思考的帖子删掉，保留有价值的内容，再调整好格式。没想到，这项工作的实际工作量比我预期的要少。

今晚回去后，我准备根据提示的API，尝试使用一些提示词，让程序生成维度和标签的值，然后进行训练。我已经把每一个步骤都详细分解好了，到时候只要按顺序编写每个步骤的Python代码就行。打个比方，就像做饭炒菜，我已经把菜买回来了，接下来要做什么菜也规划好了，燃气、锅具、调料都齐全，就差洗菜切菜了。而从文件里按顺序读取帖子，就如同洗菜切菜这个步骤。接下来按部就班地做，顺利的话，估计一个小时内就能调试成功。调试成功后，只要写个for循环，事情就简单多了。

不得不说，在AI的加持下，用Python代码写程序效率简直太高了。它能自动帮我生成大部分程序代码，我只需把代码放到本地，适当测试运行就行。要是有问题，我自己尝试修改，实在不行再想其他办法。总体而言，这可比自己摸索Java开发，查阅那些文档和API接口说明的效率高太多了。有时候做开发，真有一种一个人掌控一支军队的感觉，虽说有点夸张，但确实是这种体验。

要是未来AI agent能进一步发展，那就更方便了。到时候我们不用自己动手写代码，只要告诉它需要什么功能，让它去调试就行。我一直通过看视频、看书、看帖子不断思考，提升自己的认知，之前也写了大量帖子，现在这些都能派上用场了。这种感觉很奇妙，就像是以前无意间做的事，现在突然有了回报，冥冥之中形成了一个闭环。

我相信，在AI的助力下，未来会带给我们更多的惊喜。我十分期待接下来的训练能进展顺利，在较短时间内训练出个性化的GPT。后续我可以和它对话，启发自己的思维，甚至指导它学，再让它把学结果反馈给我。按照我的思维惯，以后学知识会变得更便捷、高效，它能帮我过滤掉无用信息，提取出对我有用的内容。这就好比基因疗法，根据每个人的基因特点，为当前疾病制定个性化的治疗方案，成本低、风险小，效果还理想。

请教兄的第一个方向，选哪些AI？

第三个方向估计淘金更多

刚才看了个视频，讲的是在家做交易不仅需要勤奋，更要有热爱。对此我感触颇深，毕竟我做交易多年，身边很少见到像我这般痴迷股票的人。虽说有时我也会自我怀疑，但总体来讲，我一直都很勤奋努力。目前的交易成果虽说勉强能接受，可距离我预期的高收益率还有很大差距。

这或许是因为过去投入的资金量较小，但我觉得更关键的原因是，我的交易体系还存在漏洞和不足。所以我还得继续努力，一方面抓住交易模式内的机会，另一方面不断提升自己的认知，加深对交易底层逻辑、本质和概率的理解。

然而，在这个过程中也遇到了不少问题。比如，提升对交易底层的理解难度极大。可一旦有所突破，要么能提高交易收益率，要么能让资金曲线更加平稳，从长期来看，实现稳定盈利。但问题在于，一是这种认知很难量化，没办法像考试打分一样，明确自己对交易底层的探索达到了什么程度；二是认知变现也难以量化。即便认知有所提升，反映到交易结果上也需要时间，而且在短期内，交易结果受市场行情影响更大。可能花了半年到一年提升认知，可结果的体现又要等半年到一年，整个反馈链条时间太长。

除了时间问题，知行合一也是个难题。即便在某一方面做得很好，但只要其他环节还存在老问题，交易结果就很难有明显改善。这就是个人做交易存在的一些本质问题。

相比之下，量化交易优势明显。量化策略可以利用历史数据进行回测，考虑的因子更多，还能在多支标的上快速模拟操作，展现一段时间内策略的真实表现。而个人交易者在这方面毫无优势，全是劣势。所以个人交易者想要在市场中，尤其是像A股这种难度极高的市场长期生存并盈利，难度极大。

回到视频内容，它提到做交易需要勤奋和热爱，最后还指出，天赋也不可或缺。光有一腔热血，没有天赋，确实很难在交易领域走得长远。

多谢鼓励，共勉。

晒晒太阳，感觉身体还有些虚弱，没什么力气，但好在没有难受的地方。所以这两天还是得悠着点，慢慢恢复。

刚才看了些视频，其中一个讲的是如何用AI赚钱，给出了三个方向。

第一个方向是利用AI加速现有工作进度。比如，视频里提到他有个朋友是做翻译的，以往人工翻译中文、英文、俄文合同，一天也就翻译一份。但现在借助AI，先让AI进行初步翻译，自己再审核校正，一天能翻译十份。

第二个方向是让AI开拓新的赚钱思路，不过具体例子我就不展开细说了。

第三个方向是教别人使用AI。

我觉得这个思路很清晰。就目前来说，要是应用到我自己身上，我可能会采用第一种方案，让AI帮我更好地了解自己，制定更优质的交易计划，并确保其得到更好的执行，也就是提升自己做交易的效率和质量 。