bjkkkvfhjsrgolmxz

français
讨厌蠢驴

[Citrini @citrini]

JUNE 2028.

The S&P is down 38% from its highs. Unemployment just printed 10.2%. Private credit is unraveling. Prime mortgages are cracking. AI didn’t disappoint. It exceeded every expectation.

What happened?​​​​​​​​​​​​​​​​

https://t.co/JzzwCrbJgS

[0x_Miko @Mikocrypto11]

如何在 Polymarket 的天气市场稳定赚钱（不是赌，是结构）
最近如果你盯过 Polymarket，应该已经发现了一个变化：

天气市场，正在悄悄变成提款机
不是情绪、不是政治、不是体育，而是——气温、降雨、阈值这种最无聊的东西

原因只有一个：
天气在临近结算前，是高度可预测的，而市场反应永远更慢
你不需要“猜”，你只需要比 Polymarket 的定价系统快半拍

核心逻辑
天气交易不是赔率博弈，而是概率套利：
当真实概率已经是 70–90%，市场还在给你 5–15¢ 的 YES，那不是赌，是捡
气象模型每天都在被航空、电网、政府使用
而 Polymarket 的流动性和更新速度，明显滞后
这个时间差，就是所有盈利的来源

真实在赚钱的天气交易者（不是传说）
我筛过大量账户，只列长期结构清晰的：
1️⃣ gopfan2
https://t.co/ejMcnQ17wK
天气第一人
累计净利润 $2M+
策略极端简单：
YES < 15¢
NO > 45¢
单笔风险 < $1
主战场：纽约 / 伦敦
不是猛赚，是每天抽水

2️⃣ enzocostapt81
https://t.co/RVst5uIK0z
100% 天气交易
所有仓位已结算，当前仓位 $0
结果：-100%
这是反例，但很重要：
只押“精确温度”，不做区间覆盖，
= 高波动，必翻车。

3️⃣ 0x594edb…
https://t.co/r4yvgb1LBO
所有持仓 = 天气
多城市、多阈值、多区间
明显是概率分布思维

4️⃣ meropi
https://t.co/YbRG5nL0sH
$1–3 微仓
0.01¢–0.05¢ 的极低赔率
单笔可 100x–500x
靠速度 + 批量执行
典型的自动化账户

5️⃣ 1pixel
https://t.co/YjihIMVzoI
$2.3k → +$18.5k
只做 NYC / London
完全不碰其他赛道

6️⃣ erb80
https://t.co/CfglLrQi8x
Atlanta 温度区间
0.1¢ 巨量建仓
出现 +49,550% 的未实现收益
这个账户证明一件事：
当赔率低到没人愿意点时，往往才是最干净的地方。

7️⃣ Hans323
https://t.co/L9JPfMrFOp
单笔伦敦温度交易
赚过 $1.1M
年初 $741 → 年末 $87k

8️⃣ securebet
https://t.co/q0e9MaeTi2
$7 → $640
3000+ 次预测
单笔 $3–20
NOAA 数据驱动

automatedAItradingbot
https://t.co/QDnopPgWqm
0.4¢–15¢ 微赔率
天气阈值为主
成功单平均 ROI：1000–5000%

这些人到底在做什么？
他们不碰 50/50。
他们只买 严重低估的概率。

共同点只有三个：
赔率极低（0.1¢–15¢）
单笔很小（$1–$150）
覆盖区间，而不是押点位
赢一单，就能覆盖前面所有亏损

工具

如果你做天气，不看模型，就是裸奔。
最实用的一组：

https://t.co/wOn4smktSO
Polymarket 定制工具，多模型聚合，结算站点一目了然

Tropical Tidbits
GFS / ECMWF，6 小时更新

Windy
本地细节、阈值判断
Open-Meteo（免费 API）
自动化 / 批量校验
NOAA 数据库
历史分布决定概率上限
最重要的一点

天气市场不是“会不会下雨”，

而是：
市场什么时候才愿意承认已经确定的事实。
当流动性低、参与者少、赔率看起来“没吸引力”，
反而是系统最容易被吃掉的地方。
现在的问题不是
“这个还能不能赚”。

而是：
这种效率缺口，还能存在多久。
如果哪天有人把同样的结构
从 $5 一单
放大到 $10,000 一单，
那就不是个人盈利的问题了，而是 Polymarket 定价机制能不能扛得住的问题。
天气看起来无聊，但正是这种地方，最容易被长期、系统性地抽干。

[Yuker @YukerX]

https://t.co/qhuiTG594a

[huangserva @servasyy_ai]

https://t.co/4P81MbAic2

[Yangyi @yangyi]

来自中国顶尖实验室的一份303页的重磅研究。

这篇论文详细阐述了如何构建、训练以代码为中心的语言模型，并将其转化为软件智能体，辅助开发流程。

这些模型能理解自然语言指令（比如bug报告或功能需求），并尝试输出符合意图的可执行代码。

作者首先介绍了训练流程，从收集、清洗大规模代码数据集，到预训练（让模型大规模吸收编码模式）。

然后，他们描述了监督微调和强化学习，这些额外的训练阶段会奖励模型遵循指令、通过测试、避免明显错误。

在这些模型之上，论文调研了软件工程智能体，它们将模型封装在一个循环中，读取问题、规划步骤、编辑文件、运行测试，并在失败时重试。

研究指出了现有差距，比如处理大型代码库、保证生成代码的安全性、可靠地评估智能体。

同时也分享了当前团队可以复用的实用技巧。

[WquGuru @wquguru]

当下阶段学习AI投入产出比最高的事情，仍然非Anthropic的提示工程+提示词最佳实践莫属

由于原始资料是博文、Excel和Python代码，不易阅读和体验，我将整套课程精心制作成了交互网页，包含15个章节，每个章节包含学习内容、Playground和练习模式（链接见最后）：

第1章：基本提示结构
第2章：清晰直接
第3章：角色分配
第4章：数据与指令分离
第5章：格式化输出与Claude对话
..
第12章：长程推理与状态管理
第13章：场景化提示与格式控制
第14章：Agentic 工具与子代理编排
第15章：迁移与体验设计

提示词实践过程中，我发现文字描述、反复修改是一个非常痛苦的事情，内置的语言输入工具识别度不高，Wispr Flow这种专业工具对中文支持又不好，直到用了推友推荐的闪电说⚡️，发现对于我实践提示工程有非常大的帮助，这里也顺带贴一下链接🫱https://t.co/Dur0istbS5

最后附上我们的提示词工程交互式学习链接https://t.co/91HiurDByd

[Zhixiong Pan @nake13]

== Vibe Coding 零基础教程 02：自建信息流 ==

如何构建自己的信息流和数据库？

我自今年年初就开始用 Hacker News 的高质量数据构建自己的信息流，减少信息茧房。两个月前我上线了 https://t.co/PgfSyortac 这个网站，将个人的信息流产品化。

我认为构建自己的信息流是一件极为重要的事情，因为它决定了我的视野和思考广度。因此，我希望把开发 https://t.co/PgfSyortac 中积累的经验分享给大家。

1️⃣ 找到高质量信息源并实现自动化

这个世界的信息纷繁复杂，来自媒体、论坛、社交网络等各种渠道。随着网络爬虫的滥用，原本开放的数据也逐渐提高了获取门槛。

如今，有了 Coding Agent，构建自动化信息抓取流程反而比找到真正高质量的信息源更简单。因此，我们可以首先对信息源进行分类，然后逐步实现自动化。

🟢 第一类：提供 API 的服务

例如 Hacker News、GitHub、Reddit 或 Product Hunt 等网站，这些服务通常有面向开发者的 API 接口。你可以使用 Research Agent（如 GPT-5）帮你判断某个网站是否提供 API 及其使用方式，然后开发一个最小可行的程序，从 API 获取数据。

🟢 第二类：提供 RSS 的服务

比如论文期刊或知名媒体，大多提供 RSS 或 ATOM 格式的 Web Feed。这种方式获取数据成本低，AI 可以帮你快速构建 RSS 抓取工具，定期自动获取最新信息。

🟢 第三类：需要网页爬虫

有些内容平台未提供 API 或 RSS，此时可请 AI 利用 Python 的第三方库实现网页爬虫，抓取网页并提取所需数据。如果难度较高或平台限制明显，可考虑下一条的方案。

🟢 第四类：类似推特的平台

推特曾经极为开放，但近年来 API 成本显著增加，目前更推荐通过 AI 辅助，利用 Python 和 Playwright 等工具实现。这一部分难度较高，值得单独展开为一篇教程。

🟢 第五类：付费获取的信息

尽量避免使用解锁 Paywall 插件，更合规的方式是付费订阅后再利用前述方法自动抓取数据。

2️⃣ 将数据存入数据库

上一篇教程已经介绍了如何构建数据库，方案包括本地或云端部署 MySQL 或 SQLite 等数据库。

我个人更喜欢 Cloudflare 的 Worker，每个 Worker 可以设置为定期自动运行，比如每 5 分钟获取 RSS 或 API 数据并存入数据库。你可以让 AI 告诉你如何在 Cloudflare D1 数据库（SQLite）中创建数据库、设计表结构，并指导编写 Worker 脚本。经过几次调试后，你就能快速搭建出可用的数据存储方案。

3️⃣ 持续完善业务逻辑

刚开始编写 Worker 代码时，不可能一步到位。对于新手来说，完整设计所有产品逻辑和规则是困难的，这是正常的。

比如最初设计的规则是「抓取 RSS 并存入数据库」，但你很快会发现数据重复存储的问题。这时需要更新规则为「抓取 RSS 后只存入新增数据」。如何定义「新增」数据，就是一个不断迭代优化的过程。

一开始没想清楚没关系，在实际使用过程中逐步完善逻辑即可，很多成功的产品也是这样不断迭代优化的。

4️⃣ 数据输出和应用

拥有数据后，如何高效使用这些数据呢？这里提供几个快速实现的方案。

最简单的方法是搭建网页进行输出。如果使用 Cloudflare，你可以请 Coding Agent 帮你搭建 Cloudflare Pages，自动从 D1 数据库取数据，以信息流的方式展现。

增加一点难度的话，可以利用 LLM 实现内容翻译。流程是构建一个新的 Worker，定期调用 OpenAI 或 Claude API，翻译数据并存入数据库的相应字段中。

另外，如果你想将每一条新信息自动推送到 Telegram 频道中，也完全可行。只需要创建 Telegram bot 和频道，通过 API 自动实现内容推送，这个流程 AI 同样非常熟悉。

更进阶的玩法，是对多信息源的数据进行整合和聚类。这需要运用大语言模型，并学习结构化输出技巧，以便高效处理和呈现大量数据。这一内容也值得后续专门展开讲解。

5️⃣ 总结

自建信息流的核心，是明确需求、确定信息源、构建自动化抓取流程，并实现数据的高效存储与应用。即便一开始并不完美，通过不断的迭代和优化，你一定能构建出一个属于自己的信息流产品。

希望通过这些内容，帮助你顺利迈出 Vibe Coding 的第二步，开启个性化信息世界的大门。

[Penny777 🦊 @penny777]

权威 Vibe coding 教学：
斯坦福教人作弊的「0 代码」计算机课，到底学些啥？

这两天看到不少媒体提到了 Standford 讲师@mihail_eric 的新课程 The Modern Software Developer。

仔细看了一下介绍，课程还挺有趣的。就所有讲师都在抵制“拿 AI 写作业”的时候，Mihail Eric 则强调未来 AI 工具的实用性，让大家积极运用 AI。

🔗 课程链接：https://t.co/RLY7RdrbRY
目前 Slide 已经更新到了 Week 10: What's Next for AI Software Engineering

主讲人有来自 @a16z 的 @martin_casado

@mihail_eric 除了 The Modern Software Developer 这个课程之外，还有个面对全体开发者的付费课：AI Software Development: From First Prompt to Production Code

内容更加实战，比较适合新人小白上手，我根据课程大纲拿 Gemini 二次整理了一下，大致的学习方向是：

「Vibe Coding 新手通关手册」

[泊舟 @bozhou_ai]

一直有在想如何在AI编程来提高自己的收入，看到很多人都在做出海建站挣美刀，于是乎我决定开始做。

这条帖子说一下从学习到现在做了第一个试错站的经验和教训，给到也想做出海建站的朋友一些参考。

先说一下整体流程：

1.找词，我在semrush上直接搜了一个AI tool 然后找KD 0-20%的

2. 需求挖掘，我找了一个词有一点搜索量，然后是说免费Excel表合并的，这个很简单，我就拿这个练手了

3.网页开发，我直接用vercel的官方模板，快速开发出来

4.部署，vercel提交代码直接部署

5.域名购买加绑定，claudflare购买域名然后修改dns

6.申请Google Search Console，安装流程填写内容

之后就是要接入广告还有增加外链，准备明天再弄，以上步骤全程大概花了5个小时左右

我的开发工具是Gemini3写PRD文档，Antigravity进行开发，然后用codex写测试用例，加上chrome dev MCP进行自动化测试。速度嘎嘎快

说一些经验：
1.Semrush这个可以去闲鱼看一下 8块钱15天，其他SEO工具相对贵点要一个月八十多，新手建议搞个这个8块钱的够用了

2.要不要买node.js模板，这个我调研了几天，我觉得没有必要，首先vercel官方就有很多模板，包括接入登录，supabase，stripe支付这些的，然后我们购买的模板价格真不便宜。

基本都要一千多，然后里面功能确实很多，但是大部分都是用不上的，还不如自己开发性价比高点，也花不了多少时间

3.域名的话我看来看去还是claudflare便宜点，10刀一年，我是用港卡进行支付的，没有试过银联卡

4.SEO优化我目前是用AI做的，在Semrush拉取相关的词语，然后把我的网站还有功能给到AI，让其帮我做优化，具体效果好不好，这不好说。我也在持续学习一下，后期打算做一个SEO优化的提示词

整体花费就是10美刀的域名钱，8块钱的SEO工具，部署是免费的，感谢vercel和claudflare两个活菩萨。

这也是我做的第一个靠纯广告收入的工具站，我的目标不高就是跑通全部流程就可以了，希望能够挣到第一个美刀

后续的话要开发一个含订阅，积分功能的工具站来跑通支付流程。做好了我也会在X上分享，记得关注我。

如果也有朋友想做出海挣美刀，我建议和我一样干中学，不管那么多，先上一个站再说，然后继续学习，挖掘需求，SEO调优，逐渐做大做强。

一直光想的话是绝对不行的，必须要行动起来。

最后发一下刚刚上的网站，大家可以帮忙点击一下，哈哈哈，增加点人气。

https://t.co/uKysAvfFIk

[Mr Panda @PandaTalk8]

出海的第一站：注册海外公司， Kevin 的这个篇推文时效性非常强的， 强烈推荐。

[GitHubDaily @GitHub_Daily]

用 AI 从零开发复杂项目，一开始挺顺利，但随着不断迭代功能，会发现代码越来越乱，最后难以维护。

最近在 GitHub 上看到这一份 Vibe Coding 实践指南，值得大家看一看，提供了一套完整的 AI 辅助编程方法论，帮我们避开常见陷阱。

它的核心理念是 “规划先行”：不让 AI 自主规划，而是通过设计文档、技术栈选择、实施计划等文件来引导 AI，确保代码库始终保持清晰的结构和一致性。

GitHub：https://t.co/NQjdCjtRCD

主要内容：

- 项目初始化流程：从设计文档到技术栈选择的完整步骤；
- Memory Bank 机制：通过文档管理让 AI 理解项目上下文；
- 分步实施策略：将大项目拆分成可测试的小步骤；
- 调试和修复技巧：处理 Bug 和项目卡壳的实用方法；
- 工具使用指南：Claude Code 和 Codex CLI 的高级用法；
- 常见问题解答：涵盖从游戏开发到应用开发的各种场景。

正准备使用 Claude Code 或者 Codex 开发做项目的同学，可以先看看这份指南，希望对你有所帮助。

[Susan STEM @feltanimalworld]

这个课程，搭配谷歌发布的白皮书来说，这个时间点非常值得所有人学习。

@yyyouweichen 感谢介绍。

现在的关键不是“要做什么”，能做的项目一大堆。关键是“不做什么”，只把时间花在值得的路径上面。

否则又学习，又独立开发，又做自媒体，自媒体还一堆平台，根本不可能。家庭也顾不上了？这样的生活不是独立开发，而是独立“不筛选”。

https://t.co/zQzNgzyzzU

[Bysir @hi_bysir]

性价比拉满，一图配齐独立开发者全生命周期工具

来自我们团队构建产品的真实经验

[Susan STEM @feltanimalworld]

交叉学科以乐高的形式在我们面前展现

接上两个帖子，我们身边许多传统学科正在快速失效，或者悄无声息地被计算机系统吞噬。但有一个方向，是我作为一个大龄程序员和技术研究者始终保持高度敏感与热情的焦点：交叉学科的结构重构。它正以我几年前完全无法想象的方式，以一种“乐高式结构组合”的形态持续涌现出来，这是我几年前无法想象的。

这才是真正的蓝海。

回到我曾反复强调的结构知识五要素：可压缩、可调度、可反馈、可组合、有目的。我们在编程中使用的函数可以嵌套、复用和组合，为什么知识就不能？结构化认知模块理应具备函数式的嵌套性和迁移性。你以为 AlphaFold 只是一个生物学项目？其实它是神经网络、结构物理、生物化学和信息压缩逻辑的交叉涌现体——是一种高密度结构语言驱动的科学跃迁。

这种模式正越来越接近很多人提到的“垂类 Agent”，@hallof888 也是我近来思考的核心。可惜的是，我们这一代人被旧有的知识体系深深裹挟，惯于用经验主义和线性路径解释世界，对新范式表现出过度的迟钝与固执。我们总以为世界就该如此，岗位划分、职能边界、技能标签已经在大厂体系中钉死，程序员的模样被 WEB 2.0 的产业浪潮塑造得严丝合缝。可这不过是一个特定时代背景下的路径依赖。我曾跨过专业，不至于像许多人那样一旦听见不同声音就急于否定、讥笑他人“外行”。真正看不清趋势的，是那些刚毕业就进了大厂、被工位路径固化十几年的工程师。现在这个你赖以生存的范式，连你退休的那一天都未必等得到？

垂类Agent

垂类 Agent，指的是专注于特定垂直领域任务的智能代理系统。它不仅拥有该领域内部的知识结构，还掌握任务流程、行为路径与交互逻辑，能够独立或协同完成复杂事务。与通用大模型相比，垂类 Agent 更像是一个结构密度更高、路径更聚焦、目标更明确的专业工具型智能体。这也正是 RickyH 在上一篇评论中提到的重点方向。而我想从一个具体行业出发，谈谈我对垂类 Agent 的理解，以及我认为最具可行性的落地策略。

当我认知到“语言即世界”是 AI 时代的一条核心工作信条之后，我的注意力便自然转向了那些具备高度“语言性”的行业。也就是说：这个行业的信息高度结构化、文本化，与物理世界交互极少甚至接近于零，但其价值密度极高、覆盖范围广泛，上可至制度制定，下可及日常决策。更重要的是：这个行业人力成本极高，而信息化技术具备极强替代动机（Motive），却又有充分的深度空间和边界可探索。加之，该领域的大量信息已公开透明，拥有成熟的案例、法规、文件和历史记录，可作为大模型训练与精调的丰沛资源。

这个行业就是——法律。

Why not？

几乎所有在美国生活过、留学过的人，都和法律系统打过交道：从签证、合同、租房、交通纠纷到创业设立公司，再到打工、入籍、买房、身份转换……法律结构像一张无形的协议之网，覆盖了现实的每一层“结构接口”。更现实的是，很多留学生都曾在律师楼打过工、帮忙整理案卷、翻译材料、阅读合同、追踪案例。这意味着什么？法律语言本身就是一种结构语言，是天然的结构卡语料库。而律师的许多工作，实际上就是在调度这些结构：判断输入是否适配，调用相应规则模块，执行决策流程，产出结构化建议或文件。这不正是垂类 Agent 最适合介入的位置吗？

法律没有你想象中那么”硬“，我们稍微努力可以跨过理解的门槛。

过去我们总以为法律是“硬文科”，高门槛、高门槛背后是高智力壁垒，是只有极少数人能掌握的复杂系统。但事实往往恰好相反：法律之所以难，不是因为它复杂到超越认知，而是因为它长期以来被人为地垄断结构权力。高昂的学费、苛刻的入学要求、黑盒化的法律语言、刻意维持的专业神秘感，维持一种“精英行业”的身份垄断。但是以我多年潜伏高校圈观察足够多真实案例就会发现——很少有人是因为法学院课业太难而中途退学的，没毕业的都不是因为难，而是因为没钱了，学费交不起。相反，文科商科转码的成功者才是极少的。也就是说，法律更像是一套结构明确但对外封闭的语言系统，而非真正认知难度极高的系统。

而真正的理工科博士，最后再转向法律工作的时候，比如做专利律师等职位，才是真正”屈才”了，为了现实暂时折服在五斗米之下。Ph.D们只要有这个心，没见有人失败的。

这也正是为什么我认为法律是构建垂类 Agent 的理想起点：它表面看似“文科难”，实则是“结构清晰+文书密集+输入输出明确”的标准可压缩系统。只要掌握了语言协议、规则结构与路径调度，AI 就能比人类更快、更稳、更无偏见地在大量文档与条款中建立起结构响应能力。从这一点看，“法律智能体”不是对律师的替代，而是对过去“结构垄断”的解构。未来不会是没有律师，而是每个人都可以调度自己的法律 Agent，在结构协议中协商权利。

说说我现在观察到的一些形势

如果你现在的目标只是开发一个律师助理，或者一个处理法律文档的 CoPilot，再或者是一个服务于某项工作流的工具，那么你想的小了 You think too small。《Cracking the Code: Rulemaking for Humans and Machines》这份由 OECD 发布的开创性报告，提出了“Rules as Code（RaC）”这一概念，彻底改变了我们理解法律制定与执行的方式。它主张：在政府起草法规时，应当同时生成自然语言版本与机器可执行的规则结构，使法律从一开始就具备被自动执行、测试与复用的能力。

https://t.co/T0FIDbNWnU

这份报告背后的制度动因非常明确：一方面，传统立法与实际执行之间存在严重脱节。现行法规通常以自然语言编写，依赖人工解释与判断，这不仅效率低下，也带来极高的合规成本。另一方面，数字时代的治理需求日益提升，公民与企业期望获取更加透明、智能、低摩擦的制度服务；政府也急需在政策尚未立法前，就能模拟其社会影响与边际效应。RaC 正是在这一背景下，作为一种制度范式的“结构升级”方案被提出，它将法律从“语言资产”重构为“结构资产”。

在核心论点上，报告提出了以下四点高度概括性的主张：

首先，RaC 是一种制度设计思维，而非单一技术工具。规则结构应当在起草阶段就被建立，而非事后再翻译成代码。这种“同步生成”的理念使得法律从根本上具备了可调用性、可验证性和可嵌入性。

其次，RaC 能从源头提升法律的质量与透明度。当规则被编写为结构语言后，其模糊空间大大压缩，逻辑路径明确化，开发团队可以快速编写测试案例，从而形成法律的“结构闭环”。

第三，报告也明确指出：RaC 并不等于法律的自动化替代。它不意味着取消人类的解释权与裁量空间。RaC 所做的，是将那些具有高度确定性的规则部分抽象为结构，而把不确定性的灰区保留给人类判断。它强调“增强判断”，而非“替代人类”。

最后，RaC 已经具备可推广的制度路径。新西兰、法国、加拿大等国家已通过实践验证了其有效性：将结构规则嵌入政府政策流程、合规审批、社会福利计算、公共API发布，取得了显著成果。

在政策建议层面，报告呼吁各国应从立法源头开始，将 RaC 作为正式的法规流程嵌入政府制度，并重点资助 Blawx、OpenFisca 等开源规则引擎的发展。同时，应通过 G7、OECD 等多边机制，推动规则结构的互操作性标准建设，防止各国出现“代码孤岛”。此外，报告强调必须设立相应的监督机制，防止将结构规则误用于自动裁决，破坏法律应有的人文判断力。

这份报告之所以具有里程碑意义，是因为它第一次系统性地提出并梳理了“结构型法律”理念的逻辑闭环、现实路径与技术边界，将散落于各国政府实验室的 RaC 实践，上升为一个具有全球治理潜力的通用模型。它不仅提醒我们不要将 RaC 简化为某个自动化工具，更重要的是，它为法律如何在 AI 时代重获可控性与结构透明性提供了方向。换句话说：RaC 不是一个功能，它是一种语言协议，一种结构文明的底层设施。

苗头已经出现

在西方法治传统中，法律长期以来以自然语言书写作为主权表达的核心形式，法典、法规与判决皆依赖文字形式确立效力。这种自然语言范式依靠语义推理与案例解释来维持一致性，但也因此不可避免地引入了大量模糊、歧义与裁量空间。然而，随着社会制度与信息系统的日益复杂，传统文本法在实践中逐渐显露出“不可执行”的结构性瓶颈——法规往往篇幅庞大、层级嵌套、部门分布复杂，使得政策执行流程高度依赖人工解释，导致效率低下、合规成本居高不下。而在自动化治理与 API 接口化时代的需求推动下，法律文本也必须完成从自然语言向结构语言的演化。这正是 RaC 所回应的根本哲学问题：法律不只是文字，更是一种结构。

这一转变的技术起点可以追溯到 2011 年法国财政部发起的 OpenFisca 项目。该项目通过开源规则引擎，将复杂的福利和税收制度编码为可计算的规则函数，实现了对公共政策的自动模拟与 API 查询能力。OpenFisca 首次证明，法律条文可以不依赖文字解释，而是被“写入计算结构”，成为机器可执行的制度模块。这一开创性的实践迅速被其他国家借鉴，成为“规则即代码”理念的原点。
https://t.co/q2OGkU2p6B

2016 至 2018 年间，新西兰政府通过 “Better Rules Initiative” 进一步推动了 RaC 概念的系统化发展。这一试点项目打破了传统政策流程的分工壁垒，将法律起草人、规则建模者、API 工程师与服务设计师聚集为跨学科团队。在实践中，他们提出了一种新的立法工作法：法律草案应当同步生成自然语言文本与机器可执行结构，并配套测试案例与对外API接口。这一方法的关键意义在于，它不是将文本“翻译”为代码，而是从源头就把法律“写成结构”，将法律视为一种调度逻辑。

到了 2019 年，OECD 正式发布了《Cracking the Code: Rulemaking for Humans and Machines》报告，系统总结了 RaC 的技术路径、制度意义与实施建议，并首次将“Rules as Code”作为全球公共治理的创新术语提出。这份报告不仅确立了 RaC 的理论话语体系，更使其从个别国家的实践案例上升为全球政策创新的统一方向。

2020 年以来，RaC 开始在全球范围内形成扩散与深化的潮流。加拿大推出 Blawx 规则建模平台，使非程序员也能参与法规编码；澳大利亚与新加坡将 RaC 嵌入智慧政务与税收判断系统；欧盟则通过 GovTechConnect 项目将其拓展至环境法规与 AI 安全领域；英国与爱沙尼亚更尝试将 RaC 融入立法机构与司法系统中。这些试点共同证明，即便不具备程序能力，政策制定者也可以借助工具参与结构法律的构建。

我认为跨学科领域才是具有跨学科软技能女程序员的蓝海

这些年我已经很清楚自己擅长什么、不擅长什么了。作为一个女工，在这个行业里坚持到“大龄”，已经是一件极其困难的事。有个前辈曾对我说，如果你能在35岁之后还和男程序员一起讨论技术，那你就已经赢了。很多时候，不下牌桌本身就是胜利。更何况，如今这个时代，连男工都在被迫离场。

那么，独立开发者还有机会吗？有的。前提是你要看得透这个社会的“草台班子”属性：公权机关往往形式大于实质，很多所谓“项目”连程序都不用真正跑起来，系统是否可用从来不是考核重点。正因如此，Rule as Code（RaC）这个听起来像“法学院博士后”才玩的领域，反倒给了技术人机会。放眼全球，最早一批真正推动 RaC 的人，恰恰不是政府官员，不是教授，而是个人开发者、开源社群、小团队实验者。所以完全可以研究切入。

首先，法律和政府流程的数字化严重滞后。大量法规至今还是 PDF 和 Word 文档，政府 IT 系统缓慢而封闭，部门之间沟通极其低效。制度的表达速度远远跟不上技术的迭代。也因此，任何试图将法律转化为结构化表达的努力，都具有惊人的突破潜力——无论是做一个规则可视化界面、一个法规 API、一套法规模拟器、还是一门适用于立法草案的规则语言，都是极具前沿性的尝试。

其次，主流 RaC 工具仍是开源状态，生态仍然很小。OpenFisca、Catala、Blawx、LegalRuleML……这些工具全部接受个人贡献，而且很多都在缺乏完善文档、用户界面优化、语言国际化、测试覆盖等方面存在大量空位。你只需要一个小 PR、一个插件、一个脚本，甚至一篇教程，就可能成为社区中的关键节点。可以说，RaC 现在的生态状态，很像 2010 年的 React 或 2015 年的区块链：一小撮人看懂了，但潜力巨大，远未饱和。

最后，这个领域的一个核心结构空隙在于：法律人的编程焦虑，正好等于技术人的机会。法学院教授说：“我不懂 Python”；程序员说：“我不懂民法”。但是你跨过去比法学院教授跨过来要容易得多。我修过美国法律课程，我们只需要看懂不需要去打官司。用一个生动比喻就是：市面上的翻译软件不都是稍微懂点英文的程序员做的么？

所以我认为，比起从律所角度去研究法律智能体，从 RaC 这个方向切入，反而更干净、更有原力、更靠近制度源头。

先说到这里，慢慢研究以后有机会再继续说。

（3/n)

[bjkkkvfhjsrgolmxz @bxk408]

北京大土豆竟然还在更新，上次看他还是上学的时候

[iPaul @iPaulCanada]

不管你有没有意识到，医保、社保 都不是给你提供保障，而是另一种税收。

[bjkkkvfhjsrgolmxz @bxk408]

@BananaChristoph 跟我一个亲戚家的姐一样，之前说自己二十四一定要结婚，现在快三十了全国各地跑搞钱，压根没想过给男的上供，给家里人急死了

[bjkkkvfhjsrgolmxz @bxk408]

@Dorotha636883 买过这款鲜切花，很漂亮

[Aca @___feminist___]

姊妹们一起来发展开盒技能吧！

可以先从简单免费的tele库用起，只发你想开的虜吊的资料，自己信息不会泄露，也没人知道是你搜了牠的信息。请私信门耳水也或者我，我们会发这些库的邀请链接。

⚠️注册tele不要绑定国内手机号码。买个海外号码，在隐私设置里选择“自己头像和号码等信息所有人不可见”。不要使用有暴露身份风险的头像/名称/简介。
⚠️不要出于好奇开盒自己和朋友，不要在聊天框输入除了虜吊信息以外的任何内容。

操作方法是每日签到领积分，使用积分来查虜吊信息。例如，输入吊子QQ/微博id，大概率能查到牠绑定的手机号，再输入手机号，获取牠的身份证号/姓名/住址。

[bjkkkvfhjsrgolmxz @bxk408]

@LiFeng55099 我用deepseek聊女权，全部加载完后它全删了说无法回答这个问题