關於離開 Threads 之後

收入下跌 , 但取回自己的注意力

上星期公開宣佈離開 Threads 之後，收入明顯下跌。這件事其實十分自然——Substack 本身的讀者基數並不算大，少了 Threads 這條觸及新讀者的管道，增長速度必然減慢，這個落差我早已預料到 。

但相對地，我換回來的東西其實更為珍貴——我終於取回自己的注意力。不再被無聊的 feed、演算法、即時回應機制牽着鼻子走，我可以將全部心力投放於幾件真正重要的事：寫更好的文章、做更好的產品。

成效反映得非常直接。短短幾日之內，我已連續完成三次重大系統升級，今次的更新 只是其中之一。這種生產力密度，在以前每日花幾個鐘頭在社交媒體上「嘴炮」的日子，是無論如何都擠不出來的。

或許這條路不會令我大富大貴，Substack 的 ceiling 亦擺明在那裡。但我有一種非常踏實的感覺——我正在一條正確的路上走着。而各位仍然留下、甚至付費支持的讀者，就是令我相信這條路走得通的最大理由 。

---

三次升級的脈絡：從 Agent 到系統，再到 Evidence Quality

這幾日連續完成的 v1、v2、v3 三次升級，想用最精簡的篇幅交代一次，讓各位知道系統是如何一步一步走到今日這個形態。

Version 1：從 GPU skill 遷移至 CPU codebase

這是整個系統真正的分水嶺，亦是我過去這一年最重要的一次心態轉變。

舊版是一個 agent 食盡所有工序——Dispatcher 觸發後，單一 LLM context 在同一個 prompt 裡同時處理一棵樹上十幾條 hypothesis，從抓新聞、分派證據、下 verdict，到寫 conclusion、組 Slack 訊息全部包辦。跑得越久問題越明顯：hypothesis 之間 cross-contamination、記憶只能靠 context 硬撐、對讀者而言是個黑盒、整條 pipeline 與 agent 綁得太死 。

新版則搬到 GitHub 一個 /stock-trees repo，每隻股票一個資料夾，每條 hypothesis 一個 JSON。整條 pipeline 改寫為 deterministic Python，LLM 只負責第 3 步的 judgment，前面抓新聞、分派證據、後面 schema validation、git commit、推 Slack 全部由 CPU code 處理。每條 hypothesis 獨立開一個 LLM call，餵入我稱為 judgment_pack 的 payload（baseline data + 上次 conclusion + past evidence summary + 本週新 evidence，約 33KB），context 互不干擾，判斷銳利度明顯提升。

AI 是一個很強的 component，但它不是整個系統。分層、隔離、可觀察、可重做、可回溯——這些工程本份，deterministic code 做得比 LLM 好。

Version 2：Stock Tree Bot 與 /tree 指令

v1 把骨架穩住之後，我再加入了 stock tree bot。讀者在 Slack channel 輸入 /tree 指令，即可即時拉出當前股票 channel 的 hypothesis tree，詳細閱讀每棵樹的葉（hypothesis）、枝幹（pillar）、歷史（verdict evolution） 。

這個改動表面上只是多了一條 slash command，實際上是把原本只能在 weekly update 長文裡線性閱讀的內容，變成可以按需查閱的互動式結構。讀者的反應亦相當正面 。

🚀 v3 升級：Two-Pass Hybrid Pipeline

有了 v1 穩定的 CPU 骨架、v2 的互動介面，今次終於有條件處理更深一層的問題——evidence quality 本身。

這次升級之所以能夠落地，說到底並非靠我一個人。是各位付費訂閱的讀者，實實在在地支撐起整條 pipeline 的運算成本，令我可以相對「任性」地去揮霍 tokens、做 A/B、跑 pilot、反覆調校 prompt。換作一年前獨力支撐的我，這種規模的實驗根本無從談起。所以——真心多謝每一位讀者。你們支付的並非只是一份 newsletter，而是讓一個 90 後 PM 能夠花費鉅量金錢去打造產品的底氣。

---

為何要做這次升級？

即使 v1 已經把每條 hypothesis 的 context 隔離開，今次 audit 仍然發現 Weekly Update 在證據檢索層面有兩項結構性問題：

1. Source Quality 污染
上週完成 source tier audit 後，發現 cited evidence 之中有 20.3% 來自 T4 來源（Threads 貼文、LinkedIn 個人帖子、vocus、bingx、tradingkey 等社交媒體／部落格／聚合平台）。甚至連本人的 Substack 都曾經被系統引用為 evidence，形成 self-reference loop——這條 loop 我無論如何都不能容忍它繼續存在。

2. Verdict 表達力不足
舊有的 3-value 詞彙（supported／partially_supported／challenged）過於粗略，無法區分「趨勢正面但尚未驗證」與「已確認驗證」之間的差別，亦難以呈現「接近 falsification」的早期預警信號。

---

新版本帶來什麼？

① Two-Pass Hybrid 檢索架構

每個 hypothesis 獨立執行四階段流程：

1. Pass 1：Tavily 廣泛搜索（含 35 個低質 domain 黑名單過濾）

2. Pass 2：Ai Agents 制定針對性查詢計劃

3. Pass 3：Tavily 精準補充檢索

4. Pass 4：Ai Agents 結構化判決（anchor-preference prompt）

每個 hypothesis 擁有獨立預算，不再共用同一個受污染嚴重的 evidence pool。

---

② Verdict 細分為 6 級

新增的 🟢 / 🟠 / 🟡 三個層級，令 thesis evolution 的梯度變化看得更清楚——尤其是 🟡 這個 early warning，可以提前數週見到 falsification 的風險。

---

③ Validated 與 Falsified 均須附明確 cited evidence

新版驗證規則：任何 Falsified 或 Approaching Falsification 判決，必須附上 cited_falsification_URL，不可以僅以敘述文字帶過。Validated 判決同樣需要提供 supporting URL。

---

實測結果（INTC Pilot，5/12）

針對污染最為嚴重的 3 個 hypothesis，以新 pipeline 重新執行：

成本透明：INTC 單 ticker run 約 $2.87（舊版約 $1.80），月成本增加約 $425／月。在收入下跌的當下仍然選擇把錢投放於此，是因為我相信 evidence quality 才是90s.pm.investing 唯一應該 compound 的資產 。

---

用戶端可見的變化

自本週六起，您所追蹤的 ticker 頻道將出現以下變化：

• Slack 通知新增 Emoji 標記：🟢 / 🟠 / 🟡 三個新 verdict 指示符

• Evidence 來源更為乾淨：不會再見到 Threads、X 或本人 Substack 被 self-cite

• Verdict 轉變更為細膩：例如由 ⚪ 過渡至 🟢，代表由「暫無定論」逐步向 Validated 推進

• Falsification 早期預警：🟡 Approaching Falsification 會比 ❌ Falsified 提早數週出現

• 配合 /tree 互動查閱：v2 的 stock tree bot 會同步反映最新 6-level verdict，按需 deep dive 任何一片葉

---

最後

寫到這裡，其實最想講的還是開頭那一句——離開 Threads、收入下跌、但生產力反而爆發、系統連續由 v1、v2 升級到 v3。這種看似矛盾的曲線，只有親身走過一次才會明白是怎樣一回事。

我不敢講自己已經看透一切，但我知道一件事：能夠把錢投進 tokens、把時間投進寫作的那份底氣，完全來自各位讀者。沒有你們，這條路我一個人走不下去。

如果之後您見到任何 verdict 與自己的直覺有出入，請務必回覆或 DM 告訴我——這些 edge case 對模型 calibration 非常有用，亦是我繼續在這條路上走下去的最大動力 🙌