enpitsulin

自研 28 年随身端侧大模型，目前运行稳定，暂无重大事故。偶尔会出现幻觉，情绪模块偶尔波动。

[enpitsulin @enpitsulin]

非常好水印

[enpitsulin @enpitsulin]

🫡向最不狗皮膏药的激活 Windows 功能致敬
最近看 Linux 赤石科技感觉 Linux 桌面元年真就是今年了

[smit @itsoksmit]

God was the first vibe coder.

“Let there be light.”

No design doc. No tests. No staging environment. Just shipped the universe directly to production.

[凡人小北 @frxiaobei]

AI Coding 最危险的阶它写得太快了，快到人开始不知道自己到底写了什么。

最近一次周会上，我们聊到一个很有意思的变化。

以前研发开站会，一个人通常能很具体地说清楚：昨天完成了哪个功能，今天准备实现哪段逻辑，明天要联调什么。

一个需求如果要做五天，也会自然地被拆成五个阶段。每一天都有一个明确的结果，Leader 能听懂进度，开发自己也知道代码正在往哪里走。

但接入 AI Coding 以后，事情开始变得不一样。

有些人拿到需求，第一反应已经不是先把目标拆清楚，而是把整份需求直接丢给 AI。AI 很快就能生成一大堆代码，原本预计五天的开发，可能第一天看起来就“做完了”。

问题来了，接下来的四天并没有因此消失。有时候会远远超过四天。

它们只是换了一种形式出现：不断改 Bug、反复联调、修好一个地方又弄坏另一个地方。

更麻烦的是，开发者自己也很难准确回答：

这次到底改了什么？
���些功能真的完成了？
哪些只是页面看起来能跑？
这段修改影响了哪些旧逻辑？

于是出现了一个很反常的现象，代码生成速度越来越快，团队对开发过程的理解反而越来越模糊。

测试也被拖进了这个黑盒。

原本测试应该做的是验收需求是否实现，功能是否符合预期，质量能否达到上线标准。

现在却经常变成陪着开发一起找答案，为什么修完新问题，旧功能又坏了？

表面看，AI 把“写代码”这一步大幅提速了；但如果需求没有被拆解，阶段结果没有被定义，变更也不可追溯，那么被省掉的开发时间，最后很可能会以 Bug、返工和沟通成本的形式重新付回来。

AI Coding 带来的核心变化让软件工程里原有的反馈机制被打乱了。

过去，代码写得慢，反而逼着人一步步思考：我要做什么、先做什么、怎样验证。

现在，AI 可以一次吐出大量结果，人很容易产生一种“已经完成”的错觉。但生成完成，不等于功能完成；功能能跑，也不等于工程完成。

AI 越快，人越需要主动制造检查点。

下一代研发流程真正要解决的，可能不是如何让 AI 再快 20%，重点应该放在如何让每一步结果都能被人理解、验证和追溯。

AI Coding 的终局也不应该是人把需求扔进去，然后等结果出来。

那不是软件工程自动化，只是把原来的黑盒换成了一个速度更快的黑盒。

真正成熟的 AI 研发体系，应该让 AI 负责加速，让人始终保有理解、判断和验收的权力。

所以 AI Coding 的上半场比的是谁生成代码更快；下半场比的会是谁能在这种速度下，仍然保持工程过程清晰、质量可控。

模型能力最终会逐渐趋同，但谁先建立一套适合 AI 时代的研发机制，谁才真正拿到了 AI Coding 的红利，而不是得到一堆写得更快的 Bug。

以上。

[enpitsulin @enpitsulin]

@m1ssuo https://t.co/YgAe96pvFh 对了甚至还有很多人想要用 Orbstack 管理 podman 呢，podman desktop 也是依托

[enpitsulin @enpitsulin]

@m1ssuo 不会真有需要 Docker GUI 的觉得 Docker Desktop 比Orbstack好吧？只要真的有得选，我觉得用户真的会用脚投票。

[enpitsulin @enpitsulin]

@mizorewww Linux 想要最好的 gui 体验应该是做一个跨平台游戏🤪懂得+1

[美研芒格君 @Kay2289123]

目前我在硅谷的 AI 训练/推理大厂带领一个 20 多人的团队，跟公司申请了预算100万美元，进行Token 不限量的激进实验, 这个帖子分享我在一线的使用认知和结论

结论是：Token 不限量不切实际，比人类贵很多，反而造成了在组织效率提升上，遭遇了明显的边际效益门槛。

我预计 AI 真正的上行空间不在于单个组织消耗 token 冲破天际线，而在于基本的大盘子从 0 到 1 开始到 AI token 使用

AI 现在无法落地，有很大一部分是因为我们的公司��够 AI native，整个组织架构还是为人而设计的。因此，AI 的无预算上线使用出现了水土不服

> 先说数据：

最多的成员单日花费 Token $7,000，团队中位数 $2,000。大家最喜欢的模型是 GPT-5.6 Sol Fast 和 Fable 5 Fast。算下来超过了大部分人的月工资，不可持续

> 今天跟团队每个成员都 1 对 1 过，说几个共��问题

1. 团队成员普遍反映比之前更累，真的很累，工资没变，干的活反而更多

在等待推理过程中，团队成员中位数大概会开 5 个 session 并行去使用，context 不断地转换，这对于人脑是一个很大的挑战

此外，人类去 review AI 产生的大量工作，也带来了非常大的负担

2. 未必所有工作都需要贵模型。模型路由非常关键，但便宜模型未必真的便宜

成员通常会将一些更偏向于快问快答、前期调研的任务交给 Grok 4.5（便宜、快）。虽然等待时间更短，但来回反复的次数更多。很多贵模型一次能完成的事情，便宜模型要来回迭代，再加上之前多个 session 并行，反而造成了一种负担。总的调用量换算成价格，甚至比贵模型更贵

3. 团队的会议数上个月环比减少了将近 80%，整个团队好像变成了 AI 跟 AI 在对话工作

很多团队成员将自己的大脑都托管给 AI 了，因此有的时候对项目的细节掌握度、理解度都不够。

在会上别人问什么问题，人类完全无法 real-time 回答，所以更多地变成了 offline 的沟通方式——因为在 offline 情况下，收到问题之后才能去问 AI，然后再进行回答

个别情况下，群里出现了 AI 一通乱答，对面的 AI 再一通乱答，两个人直接聊偏的情况

[enpitsulin @enpitsulin]

@localhost_4173 严肃学习gpui经验

[enpitsulin @enpitsulin]

不要变成agent的避孕套

[enpitsulin @enpitsulin]

https://t.co/9sEKUtpsq9 我看完连续的几个问句都有点想落泪了😭 我真的挺喜欢写代码的，但是现在感觉不如打两把游戏开心，比起做程序员好像做个普普通通的死宅更好

[enpitsulin @enpitsulin]

你说的一点都对

[enpitsulin @enpitsulin]

@thecuvii 加点CRT畸变更有感觉

[enpitsulin @enpitsulin]

@sticktech 一年平均复活一到两次的样子

[enpitsulin @enpitsulin]

我靠会被rule要求挡住，用gh cli才发现错误提示是因为要至少一个reviewer，然后临时把rule禁用了就行了，所以实际上这玩意是开了一个PR把所有的stack pr一次性放一起合并了是吧

[enpitsulin @enpitsulin]

hmmm

[enpitsulin @enpitsulin]

😇不该瞎搞的，怎么还回不去原来的PR模式了

[enpitsulin @enpitsulin]

@CyberKanjousen 😳那时候崩2的客服都是抠脚大汉，官方人员还会在群里吹牛逼，一起怒草大伟，官托还会贴吧水贴。可惜崩坏3之后一切都不一样了

[enpitsulin @enpitsulin]

😃 这个我真会

[Juan Cruz @DevJuanCruz]

github actions? CI/CD? despertate pibe hay que abrir FTP y arrastrar los cambios