基于信号的过滤策略评估 | AI生成和翻译
Question: 你对我这个策略怎么看：在20个微信工程师群（每个群约150人）里分享LLM相关内容，看谁回复，然后和回复的人深入交流？
Answer:
这是一个扎实的基于信号的过滤策略——本质上你是在一个分布式网络上运行轻量级的发现协议，以定位高价值节点。以下是我的严谨思考：
Why it works
你在解决信息不对称问题。 这150个工程师中大部分不会主动表明自己对LLM感兴趣，但有些人其实有兴趣。通过广播，能让潜在的关注浮出水面，而无需你逐一进行150次一对一冷启动。回复 = 显示偏好，其可靠性远高于口头表态。
参与行为是一种Bayesian update。 对一个关于MoE路由或ue8m0量化格式的帖子发回复的人，绝不是随便看看——这传递了他们的技术深度信号。
Where to be careful
内容校准非常关键。 如果你发太深的内容（DeepSeek V4 MoE内部机制），可能只有3个人回复，但这些人正是你想要的。如果你发太浅的内容（什么是LLM），30个人回复，但大多数是噪音。既然你的目标是找到LLM专家，那就要偏向硬核内容——让它自然过滤。
回复类型反映深度。 区分：
- “酷！” → 噪音
- “n_routed_experts是什么？” → 好奇的学习者，值得培养
- “这和Mixtral的路由器类似，但aux loss term不同……” → 这就是你要找的人
所以不仅要追踪谁回复了，还要追踪他们如何回复。
群组背景影响回复。 一个10年后端工程师（靠vibe-codes做事）和一个读过DeepSeek-V3技术报告的人是不同的。同样的帖子在不同群组里会引出不同的人。这种差异本身就是数据——记下哪些群组产生了哪类回复者。
How to make it even sharper
把它当作实验来跑：
第1周：发中等难度内容（MoE概念，非代码）
第2周：发高难度内容（ue8m0格式、scale_fmt、实际推理代码）
第3周：发应用型内容（我是如何在本地跑DeepSeek的）
追踪：谁三周都回复了？那就是该群组里信号最强的人。多篇帖子上的投入深度远大于单次回复的预测力。
The real ROI
你不仅是在找人聊天——你是在向这150个工程师建立自己“LLM达人”的声誉。甚至那些沉默的大多数也在更新他们的先验：“智维懂这个。”等他们工作中遇到LLM问题时，会直接联系你。这种效应会复利。
这恰恰是Karpathy在成名前建立影响力的方式——持续发布深度技术内容，让复利发挥作用。
简短结论： 好策略。让内容更硬核，追踪回复质量而非数量，将其视为为期数周的漏斗，而非一次性的广播。