知乎热榜 AI 科技制造业日报｜8月7日中午：手机涨价、Zhihu CLI 与 Zig 禁 AI，10个视频选题

先拍哪三条

1. Zhihu CLI：用一个真实任务验收，而不是拍功能清单。 官方文档列出搜索知乎、搜索全网、查看热榜、知乎直答，以及在获得 Access Secret 后读取本人创作、关注和收藏等能力；同时明确「摘要不等于完整原文」。最适合拍一条从热榜发现线索、回到原文、再用外部资料核验的完整流程。1
2. 手机涨价：拍价格传导，不拍「全面涨价」口号。 21 世纪经济报道转引的 8 月调价信息列出小米 17、K90、Turbo 5 等具体型号和 300—500 元涨幅；但热榜题面里的 OPPO、荣耀、vivo 等跨品牌判断还需要逐家官方价格页或零售端记录。2
3. Zig：拍维护者为什么拒绝低质量贡献，不要拍成 AI 价值观争吵。 Loris Cro 对 Zig「Contributor Poker」的解释，把重点放在长期培养贡献者、减少审查噪音和让提交者持续负责；这比「某项目突然反 AI」更容易做出可验证的代码审查实验。3

8 月 7 日 12:15 热榜快照

10 个视频选题

1. 幻方量化一个月跌 22%，AI 算力能不能替投资策略兜底？

• 拍摄切口：把「AI 量化」拆成三层：模型或因子如何产生信号、策略如何下单、产品净值怎样承受市场风格切换。镜头先放净值曲线，再问同一个创始人拥有大模型和算力，为什么不等于量化产品不会回撤。
• 已确认信息：界面新闻引用私募排排网数据称，截至 7 月 31 日，幻方量化公开展示的 9 只主流产品中，8 只年内收益转负；每日经济新闻转述的另一篇报道写明，9 只展示产品 7 月单月跌幅均超过 20%，其中一只产品单月净值下挫 22.15%。这些是「展示产品」口径，不是幻方全部管理资产，也不是行业总收益。45
• 下一步核验：补同一统计周期的沪深 300、中证 500、中证 1000、指数增强和量化多头基准，核对产品净值、最大回撤、规模、策略类型和是否有申赎限制。
• 风险：「DeepSeek 算力导致幻方亏损」「有人要通过打击量化影响 DeepSeek」都只是可见回答里的猜想；收益转负也不能单独证明 AI 策略失效。

2. 从幻方回撤拍一条「AI 投资的归因表」

• 拍摄切口：做一张可复用的归因表，把市场风格、因子暴露、交易拥挤、费率、基准偏离和模型更新分别列出来；同一产品先看 7 月，再看今年以来，避免用一个月的跌幅替代长期表现。
• 已确认信息：界面新闻报道列出了产品成立以来累计收益、长期年化和今年以来收益等不同口径；每日经济新闻转述的机构观点则把回撤解释为市场风格收敛、交易拥挤和情绪共振。前者是产品数据，后者是受访机构判断，不能混成同一事实。45
• 下一步核验：向产品管理人或托管渠道索取净值口径、策略说明书和风险揭示，至少找一家具备可比策略的量化机构做对照。
• 风险：媒体报道引用的是展示产品和受访人士，无法推出所有 AI 量化产品都在亏损；幻方与 DeepSeek 的共同创始人关系，也不能替代具体产品的交易数据。

3. 手机涨价到底是存储成本传导，还是产品线重新定价？

• 拍摄切口：固定三款手机的同存储版本，做一张价格时间轴，再把内存、闪存、处理器、屏幕和渠道补贴拆开。不要只比较起售价，要比较同样容量和同样售后条件下的实际购买价。
• 已确认信息：新浪财经页面转引 21 世纪经济报道称，小米 17 起售价由 4499 元调至 4799 元，REDMI K90 由 2799 元调至 3099 元，REDMI Turbo 5 由 2299 元调至 2599 元，小米 17 Pro Max 由 5999 元调至 6499 元；报道还称 9 款主力机型同步执行新价。2
• 下一步核验：截取品牌商城、授权门店和电商平台同一时间的价格页，核对调价前后配置、赠品、国补、以旧换新和库存状态；再找 OPPO、荣耀、vivo 各一款同价位机型。
• 风险：热榜题面的「多家品牌大规模涨价」包含媒体采访和门店说法；一篇报道只能证明报道中列出的型号，不能证明全行业、所有价位段都同步上涨。

4. 千元机会不会被涨价潮挤出市场？

• 拍摄切口：不预测「千元机消失」，直接做 1500—2500 元价位的配置追踪：同价位手机一年后是涨价、减内存、取消赠品，还是用旧款继续销售。把新机价格和二手、维修、换电池成本放在同一张表里。
• 已确认信息：热榜可见回答有人把 2016 年与 2026 年的价格变化相提并论，也有人提出存储涨价会不会倒逼应用瘦身；这些是用户观察和问题，不是市场份额或成本统计。6
• 下一步核验：连续记录至少 10 款中低端机的官方价、实际成交价、内存容量、存储容量和上市时间，配合 IDC 或企业财报的出货与 ASP 数据。
• 风险：不能用个别用户五年不换机的经历证明换机周期整体拉长，也不能用「利好二手」一句话推出二手市场会增长。

5. Zhihu CLI 是终端版知乎，还是一个可编排的内容检索工具？

• 拍摄切口：给它一个可复现任务：读取热榜、筛出 AI 话题、打开回答原文、调用全网搜索补一手资料，最后输出带链接的核验表。每一步记录返回的是摘要、原文还是链接，检查它有没有把摘要当全文。
• 已确认信息：知乎官方文档称，Zhihu CLI 面向 AI Agent，支持搜索知乎、搜索全网、查看热榜和知乎直答；在获得 Access Secret 后，可读取凭证所属账号的创作、关注和收藏。文档同时明确个人数据只按需读取，摘要不等于完整原文。1
• 下一步核验：用同一问题分别跑「只看摘要」「打开原文」「外部资料交叉核对」三种流程，记录漏掉的数字、时间和来源，并测试 Linux、macOS、Windows 的安装差异。
• 风险：知乎回答中有人说 CLI 只是终端 UI、有人认为可以和 Skill 组合省上下文；这两种说法都需要实测，不能替代官方能力说明。

6. 用 Zhihu CLI 做热榜监控，最难的不是抓榜而是去重和核验

• 拍摄切口：把「每天看热榜」改成一个监控任务：保存排名和热度快照，只输出新增或明显上升的问题，再为每条线索绑定原文、外部来源和未核实字段。
• 已确认信息：官方文档提供「查看知乎热榜」「搜索知乎和全网」「保留原始内容链接」的能力描述；可见回答中有人展示了把三年收藏与创作做成时间轴，也有人展示用定时任务比较热榜变化。178
• 下一步核验：连续运行 24 小时，比较排名变化、重复题面、热度标签和回答数，统计摘要缺失、链接失效和误判的比例；再测试 Access Secret 是否只访问自己的数据。
• 风险：热榜排名变化不等于话题价值变化；个人收藏、关注和创作涉及权限边界，视频里不要展示真实凭证或未经授权的个人数据。

7. Zig 禁止 AI 贡献，真正拒绝的是哪一种工作流？

• 拍摄切口：把 No AI policy 拆成提交代码、写 Issue、改写文字、头脑风暴、找漏洞和后续维护几类，逐项问：维护者到底在防什么成本？再找一个允许 AI 辅助但要求人工审查的项目作对照。
• 已确认信息：Loris Cro 在 Zig 相关博客中解释，Contributor Poker 更看重与贡献者建立长期、可信、可迭代的关系；他认为项目收到的部分 LLM 贡献带来大量背景噪音、无法编译的 PR、一次性的大提交和后续无法持续沟通的风险。博客作者还强调，禁令针对的是贡献方式，不等于宣称 AI 工具在所有场景都没有价值。3
• 下一步核验：选取公开 Issue 或 PR，逐项记录提交大小、测试覆盖、维护者追问、作者后续响应和修复次数；把「代码质量」与「是否使用 AI」分开评分。
• 风险：博客是贡献者对政策逻辑的解释，不是所有 Zig 维护者的逐字声明；知乎回答里的「AI 一定无法胜任编译器」是观点，不是实验结论。

8. 「离开 GitHub」和「拒绝 AI」是不是同一件事？

• 拍摄切口：做一张事件拆分图：代码仓库现在在哪里、为什么迁移、No AI 规则适用于哪些贡献、Codeberg 自身对 LLM 生成内容有什么平台规则。四个问题分开，避免把一个标题剪成单一动机。
• 已确认信息：本轮读取的 Codeberg Zig Issue 页面显示，Zig 当前代码入口在 Codeberg；页面也能看到与严格 No LLM / No AI policy 相关的链接。该页面本身是一个具体 Issue，不足以证明迁移公告的完整原因或时间线。9
• 下一步核验：补 Zig 项目官方迁移公告、仓库历史和 Codeberg 项目规则，分别核对迁移日期、技术原因、社区治理原因和政策适用范围。
• 风险：「为了躲避 AI 垃圾贡献才离开 GitHub」目前不能由一个 Issue 页面直接推出；Codeberg 平台规则也不能冒充 Zig 项目自己的政策。

9. 人均每月 5000 亿 token，先算每秒需要多少推理量

• 拍摄切口：把热榜标题里的 5000 亿 token 当作待验算假设，而不是已发生数据。按 30 天平均，5000 亿 token 约等于每天 166.7 亿、每秒约 19.3 万 token；再分别代入短上下文聊天、长上下文 Agent 和批量生成三种场景，计算请求数、并发和存储量。
• 已确认信息：热榜问题把「6 年后人均月耗 5000 亿 token」归于 Sam Altman；Axios 6 月 2 日报道能核对到的基线是：Altman 称 OpenAI 顶级 token 用户当前每月约使用 1000 亿 token，六年多前约为 10 万 token，而且他说这还不是世界最高使用量。Axios 这篇报道没有把 5000 亿作为已实现数据。1011
• 下一步核验：找到原始演讲或视频，逐字确认「六年」的起点、平均用户的定义和 token 是输入、输出还是合计；再用公开模型价格和不同缓存命中率算账。
• 风险：把「顶级用户每月 1000 亿」外推为「普通人每月 5000 亿」是数量级错误；token 量也不等于智能效果、用户数量或收入。

10. AI 需求会不会先撞上成本和电力，而不是模型能力上限？

• 拍摄切口：把 token 需求拆成三张账：模型推理成本、数据中心电力与网络、用户为 Agent 结果承担的人工复核成本。最后加入「如果模型变便宜一百倍，需求是否会同步扩大」的敏感性分析。
• 已确认信息：Axios 报道称，Altman 讨论过持续运行、主动式 AI 会改变企业对 AI 使用和安全的规划；但文章同时记录了企业对 AI 成本上升的担忧。这个材料支持「成本是约束变量」，不支持 5000 亿 token 预测已经成立。11
• 下一步核验：选定一个模型版本和一个 Agent 任务，记录输入、输出、缓存命中、失败重试、人工复核和实际完成时间；再把每百万 token 价格、电价、GPU 利用率和服务并发写进同一张表。
• 风险：当前回答区多为「画大饼」「AI 税」等态度表达；它们可用来展示舆论分歧，不能用来估算算力、能源或投资回报。

前 5 条可见回答样本

1. 幻方量化回撤

2. 手机品牌涨价

3. Zhihu CLI

4. Zig 的 No AI 政策

5. 人均每月 5000 亿 token

样本边界与拍摄顺序