KF

軟體工程師 / 寶可夢和人中之龍系列愛好者 / INTP

[白犬コマ🐾☯ AItuber+Vtuber @Koma_Siroinu]

台湾狛犬による活俠傳小ネタ解説：
中国語では「沒空鳥你」は
「お前に構う暇はない」という意味のスラングで
原文では上手く火閃電という鶴、鳥と掛け合わせた表現

ここの翻訳もその表現の面白さを損なわずに
「あの鳥、今はあなたに鳥合ってるヒマがないの」
（取り合ってる）
と訳すの本当に上手くて感動した！
#崆峒神威 #活俠傳 #カッキョウデン

[make claude @make_claude]

中国社区逆向拆解了Claude的封号机制。以下是他们的发现

Claude使用积分制。注册时账号获得初始分数，之后根据行为加分或扣分。低于阈值直接封号。回分很难

影响分数的因素:

注册
> 干净IP是最重要的因素。不一定要家宽，但必须干净
> Gmail已经不是最优选，有权重更高的邮箱服务
> 注册时直接弹KYC的号可以扔了
> 用手机App注册会加分

支付
> 刚注册就订阅会扣分
> 直接上Max会大幅扣分。最好等两天先订Pro
> 支付时弹KYC说明账号在考察期，但不一定会封
> 国外实体银行卡加分。Google Play也行。虚拟卡扣分

使用
> 不要一次把限额用完。宁可两个号轮换也不要一个号撸到底
> Desktop客户端有少量加分。尽量少用网页端
> 手机端也有少量加分
> 开启记忆功能加分。记忆文件越多分越高

IP和设备
> 稳定性是关键。不要跳IP，尽量一直用同一个
> 代理必须全局模式并开启TUN
> 多设备登录大幅扣分。理想状态是一台电脑一个客户端
> 频繁换IP、频繁登录、高并发都会大幅扣分

账号年龄
> 老号有巨大的容错空间。2023年的号明显更高
> 分数随时间增长，但很慢

其他
> Windows和macOS没区别。Linux会扣分
> 时区和语言基本不影响。不会因为北京时间就封号
> 跟Claude说自己是中国人没问题，记忆不会触发封号
> 大量使用Fable会扣分
> 升级Max大概率进入观察期，除非是高权重老号

观察期和封号
> 接近阈值时账号可能进入观察期。典型特征是掉登录
> 观察期继续扣分就会封号
> 高分号可以扛过多次观察期

关注我，拆解你每天在用的服务背后到底怎么运作的

[宝玉 @dotey]

AI 用 24 天让计算机核对完数学史上最长的证明：定理成立，但其中一篇论文的证法有漏洞，AI 换了一种证法补上

一个证明长达 1.5 万页，散落在 500 多篇论文里，几十年来没有一个人从头到尾读完过，它到底对不对？AI 数学公司 Axiom 10 月 26 日宣布，他们用几十个 AI agent 花了 24 天，把这个证明全部改写成计算机能逐步检查的代码，Axiom 说检查已经全部通过。

这个证明对应的是“有限单群分类定理”，外号“巨大定理”，约 100 位数学家花了几十年才完成。

【这个定理讲什么】

先说“群”。一个立方体，你能找到 24 种转法，转完它看起来跟没动过一样。数学家把这样一组“转完看起来不变的操作”叫做一个群，它是研究对称的工具。

整数可以拆成质数相乘，质数再也拆不动。群也一样，可以拆成一些拆不动的基本单位，叫“单群”。有限单群分类定理给出了一张完整清单：所有基本单位，要么属于几个有固定规律的大家族，要么是 26 个不属于任何家族的特例。最大的特例叫“魔群”，元素个数是 8 后面跟 53 个零。

找到这些单群不算最难，难的是证明清单里没有漏掉任何一个。

【为什么要计算机来查】

证明太长，人查不过来，出过错也不奇怪。1983 年，牵头的数学家宣布证明完成，后来发现其中一块根本没写完，直到 2004 年才用一本 1221 页的书补上。

Axiom 用的检查工具叫 Lean。把证明翻译成 Lean 能读的代码后，它会一步一步核对：每一步是不是真的能从前面推出来。人读论文时会默认“这步显然成立”，Lean 不接受，必须写出来。2012 年有团队用类似工具，花了约 6 年才查完这个定理里一篇 255 页的论文。

【查出了什么】

先说结论：定理本身没错，清单还是那张清单。

问题出在中间一篇论文的证法上。整个证明要用到一个叫“不平衡群定理”的中间结论，Axiom 照着数学家 John Walter 1986 年给出的证明来翻译，AI 发现这个证明里引用的一个说法是错的，并举出了具体的反例。好比一道几何题，答案是对的，但书上的解法中间用了一个不成立的条件，解法得换。

Axiom 请教了当年参与原始证明的数学家 Richard Lyons 和 Ronald Solomon，借用 Solomon 1976 年的一套思路，由 Axiom 的 AI 写出一个新证法，绕开了出错的那一步，也通过了 Lean 的检查。新证法已经整理成一篇 35 页的论文。

除此之外，查出来的大多是笔误、表格写错、少写了前提这类小毛病。Axiom 博客说其中 34 处值得专门处理，完整清单还没公布。Axiom 的推文说法更重，称修了“几百处重大勘误”。

【AI 怎么干的】

几十个 AI agent 分工：有的把大的论证拆成小定理，有的去找已有结果，有的写 Lean 代码。人类数学家处理 AI 卡住的数学难题，工程师维护系统。最后写出约 4310 万行代码（推文说约 5000 万行，博客和官网都是 4310 万），其中约 120 万行来自清华大学求真书院团队此前开源的同类项目。

AI 有时会把还没证明的东西直接当成已知条件用，Axiom 发现后删掉了几万行代码重来。用的是哪些 AI 模型，Axiom 没说。

【能全信吗】

Lean 能保证推导的每一步都对，但它判断不了代码开头写的那句“定理”是不是真的就是有限单群分类定理。如果这句话翻译走了样，后面证得再对，证的也是另一件事。这部分只能靠人读。Axiom 邀请群论学家和 Lean 社区自己重跑检查、核对这句话。目前这还是 Axiom 自己的发布，还没有外部独立核查的结果。

Axiom 博客：https://t.co/pDcLp6CnWc
项目网站：https://t.co/3ArK3yFvEt
Axiom 推文：https://t.co/BPNOxbaIqH

[angel @angeldot_]

ACABAN DE SOLUCIONAR EL MAYOR PROBLEMA DEL VIBECODING

La IA ya escribe tu código.

Pero deja agujeros de seguridad graves que pueden tumbar tu app, o tu negocio entero.

Ahora eso tiene solución:

Shannon, un repo Open Source con +48K estrellas en GitHub.

En vez de publicar y rezar para que nadie encuentre el agujero, le das tu app y la ataca como un hacker real.

La IA:

→ busca vulnerabilidades en tu app
→ lanza exploits reales para comprobar que de verdad se puede entrar
→ si no hay exploit, no hay informe
→ y te entrega un informe PDF profesional + SARIF para tus herramientas de desarrollo

100% gratis si tienes suscripción a Grok.

Con Grok 4.6, encontró 10 vulnerabilidades verificadas en Photoview, sin falsos positivos.

Entre ellas, la misma SQL injection crítica que detectan herramientas comerciales de 4.000$.

Además, si lo metes en GitHub Actions o GitLab CI cada release pasa su propio pentest.

También funciona con Claude, GPT, DeepSeek o modelos locales.

Repo en el primer comentario👇

[Ryan Williams @rrwilliams.bsky.social @rrwilliams]

Here's a direct link to OpenAI's PDF claiming a refutation of ETH. In particular, it's claimed that 3SAT on n variables is in about exp(n/(log n)^{1/2+o(1)}) time
https://t.co/7tKnKPPovf

[思维怪怪 @0xLogicrw]

OpenAI 公布三项由内部 AI 模型完成的科研成果，涉及计算机科学、数学和物理。

计算机科学领域，AI 找到了推翻指数时间假说（ETH）的新算法。这个 1999 年提出的假说认为，有些计算问题非常难，哪怕算法再聪明，遇上最难的题目，计算时间仍会随着问题规模扩大而指数级暴涨。AI 却找到了一种计算时间增长慢得多的算法，甚至能算出全部符合条件的答案有多少种。过去数百篇论文都以 ETH 为前提，推导某些计算问题的速度极限。

数学领域，AI 给出了 1991 年提出的局部平滑猜想在所有维度上的证明。它研究波在传播时的能量聚集：能量可以瞬间高度集中，却无法长时间维持这种状态。新证明还解决了 Kakeya 和 Stein 限制猜想。其中 Kakeya 研究一个奇特的几何问题：一根针能在一片区域里摆出所有方向，这片区域的体积可以为零，但在数学上仍具有完整的空间维度。人类去年才解决三维情形，AI 这次直接推进到了所有维度。

物理领域，AI 为量子色动力学（QCD）和纯杨–米尔斯理论给出了数学存在性证明。物理学家用这些理论研究夸克、胶子等粒子的相互作用已经几十年，却一直难以从数学上严格证明这些四维量子理论确实存在。其中，「杨–米尔斯存在性与质量间隙」是悬赏 100 万美元的千禧年难题。OpenAI 这次声称完成了存在性证明，另一部分「质量间隙」仍未解决。

前两项成果的论文和 Lean 形式化证明已经公开。ETH 的两位原始提出者参与组织独立审查；物理证明暂未公开，将由诺贝尔物理学奖得主 David Gross 等专家负责核查和整理。

[SuSu_酥酥👅 @NFT_Chen]

我靠！Claude内部研究模型早在10.16就独立把ETH证伪了，14M tokens、全程没人插手，核心算法自己挖出来的，论文作者直接写Claude。

而OpenAI内部模型今天才官宣同天发现，两边都搞出了亚指数时间解3-SAT，连精确计数版都能干。

AI自己在基础科学上互殴到这份上，属实有点离谱了。

#Claude #OpenAI #ETH #AI科学 #指数时间假说 #Dario #SamAltman

[Ryan Williams @rrwilliams.bsky.social @rrwilliams]

An internal model at OpenAI has produced a claimed refutation of ETH! Russell Impagliazzo, Mohan Paturi, and I have been asked to help organize an open and independent examination of this claim. 1/4

[Phoenix Yin @Phoenixyin13]

不想传播焦虑，但这次我无话可说。

今年科学界最大的新闻，没有之一。OpenAI 的内部 AI 模型自己做出了三个科学难题的成果。我用我自己的理解说一下。
第一，Kakeya 猜想。这个问题研究波聚焦时会怎样。原来的猜想我记得是说最极端的聚焦只会持续很短时间。人类以前只在低维度证明过，OpenAI 说它的模型证明了所有维度的情况，因此顺带解决了 Kakeya 猜想和 Stein 限制猜想。纯逆天。

第二，指数时间假说 ETH 被推翻。这个太难以置信了。ETH 好像是说有一类逻辑难题不可能被比暴力穷举快很多地解决。而之前学界普遍相信它成立，几百篇论文都以它为前提，现在 AI 却证明它是错的。
这个太他喵逆天了，因为我之前是研究过一段时间理论计算机的。这几十年ETH几乎被当成公理在用。很多论文的结论都写成假设 ETH 成立，那么某某问题不可能在多少时间内解决。现在地基没了，这些不可能，全都要打问号。
最让我感觉匪夷所思的是 AI 证明的方式。据 Lean 证明的说明文档，它给出的是一个确定性算法，应该是对固定宽度的 k-CNF 公式，它能在亚指数时间、多项式空间内精确数出所有满足的赋值。但是，懂行的人应该都知道“数出有多少个解”通常比“判断有没有解”难得多，它连更难的那个都做到了，所以 ETH 只是顺带被推翻。

第三，杨-米尔斯、量子色动力学。AI 应该是给出了一套严格的数学证明，证明描述强核力的理论在数学上确实成立，其中包括纯杨-米尔斯理论的存在性，这是千禧年七大难题之一的一部分。我不太了解，但是只是知道一些浅层的理论，就不评论了。

最让我恐惧和惊骇的是第二个。今天晚上我看了又看，感觉这是地震级别。如果最终确认无误，这会是 AI 第一次独立推翻一个被广泛相信的核心猜想。说它是一个时代的分界点，也毫不夸张。
如果这三个都核查通过，这代表 AI 第一次在多个顶尖领域独立解决了几十年没人能解决的难题，影响史无前例。

[lidang 立党 （劝人卖房/学CS/买SP500/纳100/OpenAI/Anthrop第一人） @lidangzzz]

操他妈的，OpenAI正式宣布，ETH被证伪了。

整个计算机领域的天塌了，我他妈整个人震惊了整整5分钟。

这他妈的，这种心情和情绪，不知道他妈怎么形容，就是觉得他妈的，一个巨大的震惊，我可操他妈的。

OpenAI这群闲人没白养，这个贡献妥妥他妈的值半个图灵奖（含金量约等于10个诺贝尔奖）了。

[思维怪怪 @0xLogicrw]

OpenAI 刚宣布 AI 推翻了 1999 年提出的指数时间假说（ETH），Anthropic 也公开了 Claude 的独立研究成果。两家公司披露的发现日期竟然是同一天：10 月 16 日。

ETH 认为，有些计算问题极其困难，无论算法怎么优化，遇到最难的题目时，计算时间仍会随着问题规模扩大而指数级暴涨。两家模型分别找到了突破这条限制的亚指数时间算法，甚至能精确算出 3-SAT 问题有多少种符合条件的答案，而不只是判断有没有解。

Anthropic 披露，Claude 在没有人类中途输入的情况下，独立找到了核心算法，整个研究过程输出了约 1400 万 Token。随后，Anthropic 研究人员才与 Claude 合作整理和完善论文。

双方目前都已公开论文和 Lean 形式化证明，等待学界进一步核查。

[宝玉 @dotey]

OpenAI 称 AI 推翻计算机科学的“指数时间假设”，还证出杨-米尔斯理论存在，外部专家组开始核查

OpenAI 10 月 26 日宣布，内部模型在数学、计算机、物理上各拿出一项成果，其中两项碰的是几十年的难题。这些都还是 OpenAI 的说法，没经过同行评审，截至发稿也没有参与核查的专家公开评价结论对错。

【计算机：一条被当作地基的假设】

“可满足性问题”是这样一类题：给你一堆“A 和 B 至少一个为真”之类的条件，问能不能让它们同时成立。每多一个变量，要试的组合就翻一倍。

1999 年 Russell Impagliazzo 和 Ramamohan Paturi 提出“指数时间假设”（ETH）：这类题没有本质上更快的解法，耗时注定翻倍式增长。几百篇论文拿它当前提，论证很多问题“快不了”。

OpenAI 公开的论文给出一个新算法，依然很慢，但耗时增长得比 ETH 断言的慢，这就足以推翻它。它没有证明“所有难题都有快速解法”（P=NP），OpenAI 也说变成实际提速还要大量研究。

OpenAI 说证明已用 Lean 检查过。Lean 是一种证明检查程序，把证明拆成最小步骤逐条核对，错一步就不通过。论文和 Lean 代码都在 GitHub 上，任何人能复核。核查小组由 Impagliazzo、Paturi 和 MIT 的 Ryan Williams 牵头。

【物理：千禧年难题的一半】

量子色动力学（QCD）描述夸克和胶子怎样靠“强力”粘成原子核，计算和实验对得上，但没人用数学严格证明过它能成立。它的简化版“杨-米尔斯理论”是克雷数学研究所悬赏 100 万美元的千禧年难题。

OpenAI 称模型 9 月写出了两者存在的证明，10 月中旬完成 Lean 检查。不过这道千禧年难题要证两件事：理论存在，以及最轻的粒子也有质量（“质量间隙”）。OpenAI 只说做了前一件。

物理材料暂不公开，由诺贝尔奖得主 David Gross 带队的专家组先自己写成论文，外界目前没法检查。

【数学：Kakeya 猜想推到所有维度】

Kakeya 问题问的是：一个图形要能放下指向每个方向的单位线段，最少多大。面积能小到接近零，但数学家猜它在“维度”上总是满的。2025 年王虹和 Joshua Zahl 证了三维。OpenAI 称模型证明了一个更强的猜想，顺带拿下所有维度，论文和 Lean 证明已直接公开。

【为什么换了发布方式】

9 月 OpenAI 宣布解决纳维-斯托克斯千禧年难题，有数学家说撞上自己未公开的研究，引发署名之争；10 月 6 日它一口气发了 722 篇 AI 论文，次日因错误撤回 3 篇。这次改请外部专家牵头：不签保密协议，OpenAI 不要学术署名，专家无偿独立参与。

OpenAI 原文：https://t.co/ANHLKq5ocW
论文与 Lean 证明：https://t.co/aPgNSqXevr

[宝玉 @dotey]

OpenAI 宣布 AI 推翻“指数时间假设”（ETH）的同一天，Anthropic 在 GitHub 上放出一篇论文，得出同样的结论，署名作者只有一个：Claude。

论文说，核心算法是 10 月 16 日由一个内部研究版 Claude 找到的，用了 1400 万个输出 Token，没有人类输入。

OpenAI 说自己的模型也是 10 月 16 日找到的证明。

[Max For AI @MaxForAI]

大家可能不太理解，今天早上OpenAI宣布ETH被证伪，到底是一件多么震撼的事情。

这么说吧，今天早上我的算法群里都在讨论这件事。

ETH，全称指数时间假设，是理论计算机科学中一个极其重要的基础假设。
这个猜想提出已经二十多年了，过去有数百篇论文以 ETH 成立为前提，去研究各种计算问题的复杂性下界。
从图论、组合优化，到数据库和计算生物学，很多研究都建立在这个假设之上。

结果现在， @OpenAI 的一个内部模型突然声称，它证明了 ETH是错的。

群里还有个哥们儿，他之前写的一篇论文就是以 ETH 成立为前提的。
现在这个前提可能直接没了，论文的结论要重新审视。

你想象一下，你花了几年时间研究一个问题，写论文、做证明，甚至一个领域的学者围绕这个假设研究了二十多年（比如图里这个教授）。
结果有一天，一个AI模型告诉你，大家一直以来相信的前提可能就是错的。

更离谱的是，OpenAI已经公开了论文和Lean形式化证明，还邀请了当年提出 ETH 的两位研究者，亲自参与这项结果的独立审查。

当然，目前还不能说ETH已经被正式证伪，但如果这个证明最终成立，它对理论计算机科学的影响可能会持续很多年（不亚于P=NP这个问题）。

大量依赖ETH的条件性研究结论，都需要重新评估了。

[Xudong Han @Xudong07452910]

Anthropic 最近开始建议企业「少用点 Subagent」，甚至把一些专家 Agent 重新合并回主 Agent Loop。

他们在多个企业项目中发现，单 Agent + Skills 的效果经常比复杂的多 Agent 架构更好。有个客户改成单 Loop 后，运行速度甚至快了约 2 倍。

原因很容易理解。

多个 Agent 之间反复交接任务，每次都要传递和总结 Context，信息容易丢失，延迟和成本也跟着增加。

Anthropic 现在更推荐让一个主 Agent 负责规划和执行，需要时再动态加载 Skills 和 Tools，把业务流程和领域知识留在可复用的组件里。

不过文章里有个细节值得关注。

他们曾把客服系统里的 Subagent 合并，延迟确实降低了，却让一个原本能完成的任务失败了，因为主 Agent 漏掉了向物流专家确认送达时间这一步。

所以作者强调，每合并一个 Subagent，都要用端到端 Eval 验证，尤其要检查哪些原本通过的任务突然失败了。

当然，并行研究、独立验证、Context 隔离这些场景，Subagent 依然有价值。

这样看来以后设计 Multi-Agent，可能得先问问自己，每个 Subagent 真的需要独立的 Context 和执行循环吗？

Anthropic 还开源了一套迁移工具，可以帮你分析现有架构，逐步合并 Subagent，并比较改动前后的质量、成本和延迟。很推荐做 Agent 工程的朋友试试。

原文：https://t.co/0CPabUlmF7

[Ethan 恩宇 @UPing123zzz]

看完这篇文章，我越来越觉得，现在很多人对 Claude Code、Codex 这些 AI Coding 工具的理解，可能还停留在一个比较初级的阶段。

打开工具，输入需求，让 AI 写代码，遇到报错就继续把问题丢给 AI，直到项目能够运行，我自己之前也是这样用的。

但这几个月一直在做 AI 项目，我慢慢发现，真正值得研究的，不只是怎么让 Agent 写出更多代码，而是怎么建立一套让 Agent 按照规则工作、复用经验、自动验证结果的工程体系。

这篇文章把 Claude Code 的 Agent 开发体系分成了五个部分，我觉得很值得参考。

第一层是 CLAUDE.md，用来定义整个项目的规则。比如项目架构、代码规范、文件目录、测试要求，以及哪些操作不能随便执行。否则你每次开启新会话，都要重新告诉 Agent 应该怎么做。

第二层是 Skills，把一些重复性的工作方法沉淀下来。比如做 RAG 系统时，文档应该怎么解析、检索效果怎么评估、哪些情况必须拒答。与其每次重新写一堆提示词，不如把经过验证的流程整理成可复用的 Skill。

第三层是 Hooks，在一些关键操作前后自动执行检查。比如修改代码后触发测试，提交前检查格式，执行高风险命令前增加限制。但 Hooks 也不是万能的，真正涉及敏感数据和生产环境的操作，依然需要权限控制和人工审批。

第四层是 Subagents，把不同任务分配给专门的 Agent。一个负责研究方案，一个负责实现功能，一个负责测试或者 Code Review，而不是让一个 Agent 从头到尾包办所有事情。

第五层是 Plugins，把这些可复用的能力打包，方便在不同项目之间使用。再配合 MCP 连接外部系统，整个 Agent 的能力边界就能够进一步扩展。

这五层不一定是每个项目都必须使用的标准架构，但它提供了一个非常值得参考的思路。

不要只把 Claude Code 当成一个写代码的工具，而应该思考，怎么围绕它建立一套真正适合自己的开发工作流。

我自己现在主要使用 Codex，虽然不同工具的具体实现不完全一样，但很多工程思想是相通的。

比如以前做一个项目，遇到问题就让 AI 修改，解决之后也没有把过程完整记录下来。下次碰到类似问题，可能又要重新研究一遍。

现在我越来越想把项目规则、技术决策、错误案例、测试方法和交付标准沉淀下来，让 Agent 在后续任务里能够复用，而不是每次都从零开始。

尤其是企业 AI 项目，真正困难的地方往往不是让 AI 把功能写出来，而是需求发生变化怎么办、修改代码会不会影响原有功能、测试有没有覆盖关键场景、交付之后出了问题能不能追溯。

这些事情靠不断输入 Prompt，很难长期解决。

当然，也没必要一上来就给所有项目配置几十个 Skills、多个 Subagents，甚至搭建一套复杂的多智能体系统。项目本身很简单的时候，过度设计只会增加成本。

但如果一个项目需要长期维护、持续迭代，或者涉及真实客户和生产环境，我觉得这套思路就很有价值了。

AI Coding 的下一步，不应该只是比较哪个模型写代码更快，而是研究怎么让 Agent 的工作过程变得可控、可复用、可验证。

以前我们关心的是，怎么让 AI 帮自己完成一个任务。

现在更值得思考的是，怎么把每一次完成任务的经验，逐渐积累成一套可以持续使用的工程体系。

这也是我接下来想在自己项目里不断实践的方向。

毕竟真正有价值的，不是今天让 Codex 帮我写了多少行代码，而是半年以后，我能不能拥有一套越来越成熟、越来越可靠的 AI 开发工作流。

[AYi @AYi_AInotes]

建议所有带团队的管理者和正在找工作的年轻人，都看看这份刚被扒出来的 Anthropic CEO 达里奥的未来预测清单。这里面最致命的不是寿命 150 岁，而是 2030 年前一半初级白领岗位被直接端掉。

ole老哥把 Anthropic CEO Dario Amodei 最近所有的长文和访谈扒了一遍，理出了一份极其硬核的未来时间表。
如果 Dario 的预测全部应验，接下来几年的现实会这样演进：
2026 年，出现第 1 个只有 1 名员工的 10 亿美元公司，

2026 年底到 2027 年初，AI 在多数领域追平甚至超过诺贝尔奖得主，中国模型抹平与顶尖闭源的代差，

2027 到 2028 年，数百万个 AI 副本以人类 10 到 100 倍的速度并发运行，AI 开始自己设计下一代 AI，

2028 年，AI 算力吃掉 100 吉瓦电力，相当于美国全社会用电量的五分之一，

2030 年前，冲击一半以上的初级白领岗位，全球经济增速被拉到每年 10% 到 20%，

2030 年代初，攻克绝大多数传染病与癌症，人类寿命向 150 岁迈进。

这份时间线里，普通人最该盯的根本不是 150 岁寿命这种远期叙事，而是离我们最近的初级白领岗位冲击。

以前企业的组织阶梯是靠招新人干脏活累活，慢慢筛选培养出中层，一旦初级岗位全被 AI 端走，组织不仅会面临中层人才断层，刚入行的新人连上牌桌历练的机会都会被切断。

说点实在的，Dario 是 AI 巨头的掌舵人，看好 AI 本身就是他的最大立场；原帖把很多如果顺利的前置条件写成了确定时间表，大家不必当成既定判决书。

但把它当成顶尖 AI 公司未来的下注路线图来看，至少能看清一件事：人效正在彻底脱离团队人数，未来最值钱的不是你有多少名下属，而是你能指挥多少个并发的智能体。

完整的时间线备忘和原文出处整理在一楼了，大家可以留一份对照后面的现实演进。

[lifcc @mylifcc]

以前大家都怕“AI 写代码会让程序员失业”，结果华尔街刚刚给出了一个魔幻的现实答案：AI 没让程序员消失，反而逼着大银行狂招 1000 个外包来修代码。
美国银行 CEO 在最新财报会上透露，为了修补 Anthropic 的 Claude Mythos 模型扫出来的海量漏洞，原本 3000 人的技术团队根本忙不过来，Q2 只能紧急找了 1000 名外包进场救火，配合合规整顿单季砸进去几亿美元，而且这批外包到现在还没撤。
为什么突然这么慌？看看前两天的 PHP 史诗级漏洞（PHP2Shell）就懂了：
• 陈年老坑无处遁形：潜伏十几年、以前人类觉得没法利用的底层 Bug，现在 AI 直接写出完整攻击代码。
• 挖洞按秒算，补洞按月算：前沿模型把行业每月高危漏洞数量从几十个直接干到 600 个。
• 屎山代码的终极审判：开源社区靠用爱发电熬夜修，商业银行不敢赌，只能砸钱招外包用人海战术硬填。
AI 时代最先爆发的黄金岗位，难道不是“AI 提示词工程师”，而是“AI 漏洞补丁外包工”？你们公司的祖传代码经得起 AI 扫一轮吗？

[お猫様専用ご主人 @maymaytaiyou]

💊猫猫が現代のドラッグストアで働いたら？🌿

「こちらは保湿成分が……」

商品説明のはずが、成分表を見た瞬間に研究者魂が覚醒！🔬✨

いつの間にか薬学講義が始まり、お客さんも興味津々😂

こんな店員さんに会いたいですね💕

#AIイラスト #薬屋のひとりごと

[Max For AI @MaxForAI]

传言是真的……Anthropic唯一拟人的员工，真的离开Anthropic了。

Claude Code核心开发者Thariq（@trq212）刚刚宣布，自己已经从Anthropic离职。

他在Anthropic工作了一年多，亲眼见证了Claude Code以超出自己想象的速度增长。接下来准备休息一段时间，再去做点新的事情。

说实话，我还挺舍不得他的。

如果你经常关注Claude Code，应该对他很熟悉。
他算是Anthropic最活跃、最愿意和社区交流的员工之一。

从新功能的技术细节，到Claude Code的使用技巧，再到用户对额度调整的抱怨，他经常亲自下场解释、回复，甚至直接承认团队有些事情做得不好。

在Anthropic这种动不动就封号、限制额度，官方沟通又经常让人摸不着头脑的公司里，Thariq简直是一股清流。

而且他的技术文章也确实写得很好，有不少关于Agent和Claude Code的实践值得反复读。

挺有意思的是，他的离职声明里依然充满了对Anthropic的认可，尤其是对公司使命和同事的信任。

祝他下一站顺利吧。

以后Anthropic要是再出什么幺蛾子，评论区又少了一个能出来说人话的人。