kykai

Graduated with Bachelor's and Master's degrees in Germany, now a back-end programmer. I want to combine human warmth with technology. 本科和硕士于德国毕业，现在在德国做后端的程序员。

[kykai @kang_text]

成了企业ai焦虑症的心理治疗师

[宝玉 @dotey]

FDE 就是模型公司的阳谋：先让人去帮企业落地 Agent 卖 Token，把企业知识沉淀成 Skills，然后把这些 Skills 内化到模型。

接下来企业就不需要那么多人了，如果因为效率提升带来了业务的拓展，那皆大欢喜，如果业务并没有拓展，那就只有财源广进降本增效了。

未来各行各业都要被 AI 卷了，懂 AI 的软件工程师反而因为 FDE 还能苟延残喘一段。

AI 能力越强竟然越来越有些悲观，虽然未来是美好的，但转型过程中是残酷的。

[kykai @kang_text]

我让llm来蒸馏我。

[Cerebras @cerebras]

https://t.co/FvKy1StDpQ

[kykai @kang_text]

@clmtim @tinyfool 亲自试试，不一样的

[kykai @kang_text]

经典的2/8定律，合适的

[kykai @kang_text]

@dengdry Schön, danke

[kykai @kang_text]

@leon2mcp 真好啊，要是他能拉拉微软股价就更好了🥲

[Satya Nadella @satyanadella]

https://t.co/xv6csf1SbV

[kykai @kang_text]

任何东西，形成组件都需要脑力和智力，然后人们规模化使用组件，就有了经济效益。模型可以为我们在组件化的过程中节约脑力，但是“如何组合”，“选择这样的组合”要由人来完成，因为该组件需要被人使用。人是不可被替代的。

[kykai @kang_text]

模型有巨大的talent，但是没有character，后者也许更重要

[kykai @kang_text]

优雅，没有「智能」，只有朴实无华的git统计，有意思的数据。

[yibie @yibie]

推荐这篇文章，五个 git 命令，你接手一个新代码库时、在打开任何文件之前，两三分钟跑完，就能知道：哪里的代码最危险、谁是 bus factor、bug 聚集在哪、项目在加速还是衰退、团队在救火还是稳定���付。每个命令都有解释：它告诉你什么、局限性在哪、下一步该怎么做。

接手新代码库前，我必跑的五个 Git 命令

接手一个新代码库时，我做的第一件事不是打开代码。而是打开终端，跑几个 git 命令。在我看任何文件之前，提交历史已经给了我项目的诊断画像：谁建了它、问题聚集在哪、团队是有信心地交付，还是在雷区里踮着脚走路。

什么改得最多

git log --format=format: --name-only --since="1 year ago" | \
sort | uniq -c | sort -nr | head -20

从 app/ 或 src/ 下跑，别从仓库根目录跑——否则 lockfile、changelog、生成代码会霸占榜单。

过去一年改动最多的 20 个文件。排第一的文件，几乎总是人们警告我的那个："哦，那个文件啊。大家都怕碰它。"

高变动不一定是坏事——有时候只是活跃开发。但如果一个文件高变动且没有人愿意认领，那就是我知道的最清晰的故障信号。那个文件里，每一次改动都是在补丁上叠补丁。一个小修改的爆炸半径不可预测。团队会垫高工时估算，因为他们知道它会反击。

2005 年微软研究院的一项研究发现，相对变动（按组件大小归一化）能很好地预测缺陷密度，而绝对变动计数本身预测力很差。上面的命令是绝对变动，所以我会把前 5 个文件和下面的 bug 热点命令交叉比对。一个既高变动又高 bug 的文件，是你最大的风险。

谁建了这个项目

git shortlog -sn --no-merges

每个贡献者按提交数排名。如果一个人占了 60% 以上，这就是你的 bus factor。如果他六个月前离职了，这是危机。如果总榜第一在近六个月窗口里消失了（git shortlog -sn --no-merges --since="6 months ago"），我会立刻向客户标红。

我也看尾部。三十个贡献者，但过去一年只有三个活跃。建这个系统的人，不再在维护它。

注意：squash-merge 工作流会把作者信息压缩。如果团队把每个 PR squash 成单个提交，这个输出反映的是谁合并了代码，不是谁写了代码。得出结论前值得问清楚合并策略。

Bug 聚集在哪

git log -i -E --grep="fix|bug|broken" --name-only --format='' | \
sort | uniq -c | sort -nr | head -20

和上面的变动命令相同结构，但只筛选 bug 相关关键词的提交。把这个列表和变动热点交叉比对。同时出现在两个榜单上的文件是最高风险代码——它们反复出 bug、反复被补，但从没被真正修好。

这个依赖于提交信息的纪律。如果团队每次提交都写"改了点东西"，那就得不到任何信息。但即使是一张粗糙的 bug 密度地图，也比没有地图好。

项目在加速还是衰退

git log --format='%ad' --date=format:'%Y-%m' | sort | uniq -c

整个仓库历史上的月度提交数。我扫过输出，寻找形状。稳定的节奏是健康的。但如果某个月骤降一半，通常说明有人离职了。连续 6-12 个月的下降曲线告诉你团队正在丧失势头。周期性尖峰后跟着安静的月数——团队把工作按批次打包成发布，而非持续交付。

我曾经给一个 CTO 看他们团队的提交速度曲线，他说："那是我们失去第二个资深工程师的时候。"他们之前从没把这些事情和这条时间线联系起来。这是团队数据，不是代码数据。

团队在救火吗

git log --oneline --since="1 year ago" | \
grep -iE 'revert|hotfix|emergency|rollback'

回退和热修复的频率。一年内有几个，正常。每隔几周就有一次 revert——说明团队不信任自己的部署流程。这些都是更深问题的证据：不可靠的测试、缺失预发环境、或者部署管道让回滚比应该的更困难。零结果也是一个信号——要么团队很稳定，要么没人写描述性提交信息。

危机模式很容易读。要么有，要么没有。

这五个命令两三分钟跑完。它们不会告诉你一切。但你会知道该先读哪部分代码，以及到了那里该找什么。这就是"花第一天有条理地读代码库"和"花第一天漫无目的乱逛"之间的区别。

这也只是我做完整代码库审计的第一个小时。

原文：https://t.co/1ReWyYd047

#Git #工程实践 #代码审查

[kykai @kang_text]

个人感很重，这个点赞

[Esther @SjwEsther]

不二本周的幸福时刻就是偶然在@Jackywine 老师的评论里发了一下我的个人网页，结果被好多老师们看到了！！！🥰一天涨粉1000成就达成！于是赶紧拍个视频跟大家分享一下我全程是怎么和我的Agent @ColaOSofficial 一起把我的个人网页搓出来的！！（努力的小女孩一枚！
欢迎来我的主页玩：

[kykai @kang_text]

@seclink FORWARD，哪门子的远程了

[kykai @kang_text]

妙啊，ye师傅，妙啊

[yetone @yetone]

https://t.co/p2IgcIM9rU

[kykai @kang_text]

也许我们不知道什么模型最好，但知道什么模型不好，于是纷纷跑去用好用的模型。

[kykai @kang_text]

有趣

[Han Xiao ✈️ ICML 2026 @hxiao]

interesting position paper throwing cold water on autoresearch/ai scientist: LLMs can't jump.

The thought experiment is this: Take an LLM with a 1905 knowledge cutoff. Feed it every paper, every dataset, every equation of that era. Could it invent general relativity?

No.

Discovery isn't one thing. It's three. You can induce — generalize from data, which lands you at Newton plus some epicycles to explain Mercury's weird orbit. You can deduce — derive rigorously from axioms you already have, which never gives you new axioms. Or you can jump — invent the frame itself, decide that spacetime curves. That third move is the one that matters, and it's exactly the one induction and deduction can't reach.

Penrose put it as three worlds: Physical, Mental, Platonic. Data flows from the world into a mind fine. But the new law has to be discovered into the Platonic world first — and that step is the jump. LLMs are induction machines running over what already exists. Structurally, they don't take it.

I think it’s a warning to AI scientists/autoresearch against collapsing two very different things into one word.

Hill-climbing: LLMs are already superhuman here, and autoresearch in this sense is real and moving fast.
Abduction/leap/jump: a new frame that reorganizes the field, that is a different act entirely, and nothing about scaling induction suggests you get there.

Most of what Autoresearch ships today will be spectacular hill-climbing. The jump is still ours for now.

[kykai @kang_text]

@NullOreo_ 好奇问问，如何和其他模型聊类似的话题，会不会有类似的洞察？还说是只有gemini有呀

[Max For AI @MaxForAI]

今天看到很多朋友在拿 Anthropic 发的那篇 J-space 做文章，标题一个比一个夸张，「AI 觉醒」「AI 有意识了」满天飞。

但认真读过论文的都知道，Anthropic 自己写得很克制：这些实验只能说明 Claude 发展出了某种「可及意识」（access consciousness）这是一种纯功能性的机制，跟「主观体验」（phenomenal consciousness）完全是两个问题，论文原话是「不确定我们是否已经走到那座桥，但该开始思考了」。

其实这个「可及意识」跟「主观体验」的区分，本身就是哲学界吵了几十年都没吵明白的东西。
笛卡尔那套「我思故我在」，把意识当成不可再拆分的第一性事实；到了当代，查尔莫斯提出「困难问题」（hard problem），说就算你把大脑每个神经元的运作都解释清楚了，依然解释不了「为什么会有主观感受这件事本身」。
而另一边，丹尼特这类功能主义/幻觉论者则认为，「主观体验」本身可能就是大脑叙事出来的一种错觉，根本没有一个需要被额外解释的神秘内核。这两派谁也没说服谁，吵了几十年。

神经科学这边也有类似的分裂。
全局工作空间理论（这次 Anthropic 论文借用的框架）认为意识就是信息被「广播」到一个共享通道的结果；整合信息理论则认为意识程度取决于系统内部信息整合的复杂度，跟广播不广播没关系。
这两套理论对同一个现象给出的预测经常互相打脸，学术圈甚至专门组织过「对抗性测试」去比对谁更靠谱，结果也没能一边倒。

也许我用盲视（blindsight）这个经典案例更能说明「意识」这个词有多滑：视觉皮层受损的病人，能在完全没有「看见」的主观感受下，靠猜测正确指出光点的位置，行为上跟正常视觉几乎一样。
这说明大量信息处理和行为输出根本不需要「意识」参与就能完成——这也是这次论文里「自动化任务不走 J-space」那部分实验的灵感来源之一。

所以我的看法是：意识这个概念，连人类自己都没能达成共识、划出一条清晰的边界。
既然连「人类普遍有意识」这件事本身都缺乏一个人人认可的判定标准，那用「AI 有没有意识」去做惊悚标题，本身就是在一个尚无共识的地基上强行下结论。

这事需要的是更多实验和更严谨的哲学/科学讨论，而不是一步到位。