Renolei

Simple Life| Live Free or Die

[snowboat @snowboat84]

https://t.co/IuWtaAsvj5

[橙子🍊啊 @sailfishcc1]

强烈推荐这期播客，最近有点荡，然后找不到做事情的动力，看到这期播客之后，有了一些想法和动力
https://t.co/afua57FHCG

[snowboat @snowboat84]

现在几乎所有重要的开源大模型都是MoE。DeepSeek V4-Pro是1.6万亿总参数配49B激活，Kimi K2.6是1万亿配32B，Qwen3-Coder-Next总共才80B，每个token只激活3B。稀疏比从Mixtral时代的3倍多，一路推到了二三十倍。但"MoE"这三个字母现在指的东西已经很混乱。它可能指1991年那个由门控加权若干子网络的原始模型，可能指Transformer里替换前馈层的稀疏路由，也可能在推荐系统的论文里泛指任何"多专家加门控"的多任务结构。

更混乱的是MMoE。做多任务学习的人用它指Google 2018年的Multi-gate Mixture-of-Experts，2023年底起一批多模态工作也用它指Multimodal MoE，两者除了共用"专家"这个词以外没有技术交集。混乱会直接导致判断错误。工程讨论里最常听到的一句是"MMoE是MoE的多任务版本，所以大模型里的MoE也是为多任务服务的"。这个推论完全不成立。今天的大模型训练时只有一个目标函数，整个过程跟多任务没有关系。

另一个代价更实在的误解是"MoE能省显存"。稀疏MoE省的是每个token的计算量，全部专家的权重还得常驻。一个1.6T总参数、49B激活的模型，推理算力接近49B稠密模型，显存需求却接近1.6T稠密模型。自托管真正的门槛在后面这个数上。

我写了一篇长文，把这件事的谱系理清楚。1991年那个混合专家思想，在此后三十多年里分成了两条几乎不通信的路。

稀疏路线把"专家"当容量单元，只激活一小部分，让参数量摆脱算力约束。它回答的是：给定算力预算，模型能装下多少知识。这条路2017年由Shazeer的稀疏门控启动，2020到2021年经GShard和Switch进入Transformer，到2025年成了开源大模型的默认架构。

这是我百日百篇原创长文系列的第91篇。

[yibie @yibie]

为什么求导数很容易，求积分却那么难？因为微分是局部的，积分是全局的——而全局的东西永远比局部难。

Airbnb SRE Lorin Hochstein 把这个数学原理一路延伸到 incident response、微服务架构和 agent 协调。

Lorin Hochstein（Airbnb SRE，《Chaos Engineering》作者）7 月 30 日在他博客上发了一篇长文。标题是"为什么积分比微分难这么多"，但内容远远不止——它用这个数学问题串起了一条贯穿复杂系统的原理：综合（synthesis）比分析（analysis）难，局部的东西比全局的东西容易。

微积分：一个被低估的深刻问题

微积分其实是两个东西：微分（求某点的斜率）和积分（求某区间下的面积）。学微积分的人都知道，微分很容易——它就是一个算法，随便什么函数都能算，甚至能编程让计算机自动求导（这是训练 LLM 的基础之一）。

但积分不是。没有计算任意函数积分的算法。你学到的是一袋子针对不同函数类型的技巧，而且有些函数的积分根本没有闭式解——比如正态分布的高斯函数，它的积分只能用无穷级数表达。

为什么差这么多？2011 年有人在 Mathematics Stack Exchange 上问过这个问题，最高票回答（Qiaochu Yuan）给出了核心洞察：

微分是"局部"操作：计算某一点的导数，你只需要知道该点邻域的行为。但积分是"全局"操作：计算一个区间上的定积分，你需要知道整个区间上的行为。这是一大堆需要概括的信息。一般来说，局部的东西比全局的东西容易得多。

"局部比全局容易"听起来是句废话——谁不知道局部优化比全局优化简单？但它也很深刻。它直接指向这篇文章的标题：综合比分析难。

分析 vs 综合

分析是把一个大问题拆成干净分离的小问题。小问题更局部，因此更容易解决。这就是为什么我们倡导封装、关注点分离——为了让小问题保持局部性。

综合则相反：把多个东西整合在一起。它在创造一个更不局部的问题。而全局的东西比局部的东西难得多。麻烦在于，有些问题本质上是综合问题。

incident response 就是这样一个领域：你经常面对综合问题——为了理解当前哪里出了问题，你必须先理解各个部分平时是怎么拼在一起的。

这就是为什么这种综合工作对 SRE 重要。因为综合比分析难，而 SRE 没有超人认知能力，这意味着他们对系统中任何单一组件的理解深度是有限的。但他们对组件之间如何交互理解得越多，就越有能力解决最棘手的 incident。

不幸的是，行业没有把建立综合专长当作一等公民。这可以理解——这项工作高度情境化，取决于 SRE 所在组织的特定系统的凌乱细节。但我们可以学会"如何学习"一个系统的运维细节。

为什么 LLM 写的 incident report 是危险的

Reginald Braithwaite 发了一条半开玩笑的推文："写 incident report 很耗时，产出的文档全公司没人有动力读。要不要加入我们，做一个 AI Ops 工具——让 AI 写报告给 AI 读，再总结给忙碌的人看？"

Lorin 的回复只有三个字："我恨你。"

他不是反对用 LLM 减少收集数据的苦活——那没问题。他反对的是让 LLM 真正动笔写报告。

Dick Guindon 有句名言："写作是自然界让你看到自己思维有多草率的方式。"你以为你理解了一个概念，只有当你真正动笔向潜在读者解释它时，你才发现自己的理解有多模糊。Lamport 也说过："如果你不写就想，你只是以为自己想。"

让 LLM 生成报告文本绕过了这个思考步骤。现在写作过程中没有人类必须直面"这个解释是否真的与收集到的证据一致"的问题。你得到的是对一个不熟悉细节的人看起来很合理的解释。他们可能会点头，想"说得通"。但 LLM 可能发明了实际上不存在的系统耦合，也可能漏掉实际参与事故的关键交互——而因为没有人做综合数据这个苦活，也没人会发现。

Lorin 认为 LLM 生成 incident report 比用 LLM 写代码或做 AI SRE 任务更危险。写代码总有测试步骤验证行为；AI SRE 任务要么帮上忙要么没帮上。在这两种情况里，自然法则都是 LLM 输出的最终仲裁者。

但 incident report 不是这样。一份糟糕报告的后果不会像错误代码或错误诊断那样立即显现。你得到的是形式上正确、实际上错误、且没有明显正确性测试的报告。这些报告是 simulacra——有正确的形式，但没有对系统本质的真正洞见。

他拒绝读 AI 生成的东西——尽管知道这不理性

Lorin 承认：如果他怀疑一份文档是 AI 生成的，他的阅读动力会降到接近零。

他自己也知道这观点不理性。读非虚构作品的首要目标是增进理解，原则上文字的来源（人脑还是自回归随机过程）不该有影响。他也不是完美的 AI 文本检测器，AI 生成是一个光谱，没有文档是纯 AI 的——都以人类写的 prompt 开头。如果作者用 AI 做润色，他完全没意见。

但即便如此，他还是会被任何疑似 AI 生成的东西劝退。"我觉得一个作者在生成文档上花的时间，应该总是超过读者消费它的时间。要求我花更多时间理解一个别人没花心思写的东西，感觉像违反了一份隐性契约。"——"有些东西就是，没有灵魂。"

微服务是分析思维的产物，但故障是综合问题

现代软件系统包含令人难以置信的复杂度。我们通过分解、信息隐藏和抽象来管理它——把系统拆成通过良好定义接口交互的组件，把每个工程师暴露的表面大幅缩小。分解就是分析：把一个大的东西拆成更容易理解的小块。

微服务架构就是这种策略的典型。工程师只需要理解自己团队负责的服务，和团队调用的服务的接口。微服务架构不是为了扩展软件本身，是为了扩展软件组织。

但当系统出故障时，这个复杂度管理策略本身就失效了。就像飓风不尊重政治边界，系统故障不尊重组件边界。有时问题确实局限于单个组件——那是最容易诊断的情况。但棘手的 incident 来自跨组件的意外交互：几个服务都在报错，或没有一个服务报错但用户看到错误行为。没有与影响开始相关的明显变更，甚至你不知道影响何时开始。

当你身处一个涉及意外交互的 incident 时，这个为管理复杂度而建的架构反过来害你。你建了一个分析方案，但面对的是综合问题。 你优化到不需要任何人理解整个系统如何运作——但现在整个系统不工作了，没有人知道整个系统是怎么工作的。

incident 响应者的工作就是集体做这个综合。把一群各自理解不同组件的人聚在一起，共同建立对系统运作方式的足够理解来调试问题。在最高度复杂的 incident 中，这种"从组件即时重建系统功能"的工作是响应过程的核心部分，但很少被当作值得研究和支持的一等公民工作。

GitHub 的讽刺

过去几个月 GitHub 频繁出可用性问题。Mitchell Hashimoto 说他四月的日志里几乎每天都有一个"X"记录 GitHub 故障影响他工作的日子，最后把 Ghostty 项目迁出了 GitHub。

这里的讽刺是：GitHub 一个中心化服务，构建在 git 之上——而 git 是 Linus Torvalds 设计成完全去中心化的版本控制系统。Lorin 说："我相当确定 GitHub 不是 Torvalds 开发 git 支持 Linux 内核开发时脑中所想的东西。"

这引出了教皇 Leo XIV 的通谕。教皇在《Magnifica Humanitas》里谈技术，尤其是 AI："每一项技术工具都通过它衡量什么、忽略什么、优化什么，以及它如何对人进行分类，体现了选择和优先级。"

Lorin 提出被忽视的一点：技术设计者并不擅长预测技术实际会被如何使用。 Torvalds 能预见到 git 会让 GitHub 成为中心化故障点吗？AI 研究者能预见到 Claude Code 这类 LLM 编码工具的巨大成功吗？在某种意义上，技术专家是预测技术影响的最差人选——因为预期用途在他们脑中如此根深蒂固，他们无法想象别人会以不同方式或为了不同目的使用他们的技术。

工程师被训练如何构建东西，但没有被训练如何预测所构建东西的后果。需要研究技术影响所需的那套额外技能——一个专门关注技术影响的工程领域叫认知系统工程（CSE），研究人与技术、工作如何相互塑造。

Agent 时代的协调成本

超算难编程的原因之一是协调成本。模拟地球气候需要把网格切分给各个处理器，每个处理器模拟局部区域，但边界处必须交换数据——协调。随着工作进程数扩展，协调开销增加。这就是为什么我们用线程池而不是无限线程。这也是为什么大组织开更多的会、感觉比创业公司慢得多。

现在有了编码 agent，我们的工作从编码转向管理编码 agent。而且不限于跑单个 agent，可以并行跑多个。但这样一来你不再只是管理单个 agent，而是协调多个 agent 的工作——而且你还想让它们保持忙碌做有用的事。

Lorin 的结论：我们在行业里还没有把建立综合专长当作头等大事。这在技术上值得理解、在实践中值得投入——而它是纯协调问题，不是 AI 工具能替你解决的。"如果最优秀的人类都在这方面挣扎，AI 也会挣扎。"

原文：https://t.co/1HaYIthEW1
#SRE #IncidentResponse #Synthesis

[Koda @wadezone]

https://t.co/AHK7lwacnE

[Renolei @renolei]

万众瞩目

[WquGuru @wquguru]

https://t.co/UhymnQwVg4

[Thariq @trq212]

We removed ~80% of the Claude Code system prompt for our newest models, this is what we've learned about writing system prompts, skills and Claude.MDs for them. https://t.co/6DZwSrZjE9

[Raft @raft_hq]

https://t.co/lZbKcBavm7

[Renolei @renolei]

喜欢睡车顶的流浪小猫

[yibie @yibie]

推荐这篇文章，Mem0 团队对 Agent Wiki 这个新兴品类做了一次全景综述。今年 4 月 Karpathy 在一个 Gist 里提出 LLM Wiki 模式之后，Cognition、Factory、LangChain、Garry Tan 四家各自独立实现了同一套架构。文章最值得读的是最后一部分——把 Wiki（语料知识）和 Memory（用户记忆）做了一次清晰切割：wiki 告诉你语料里有什么，memory 告诉你这个人是谁、做过什么决定。

!Article cover https://t.co/i1JubsHz6N

Agent Wiki 的现状

2026 年 4 月，Andrej Karpathy 发了一个 GitHub Gist，描述了一种他称之为 LLM Wiki 的模式。

此后几个月里，四个不同的团队在没有任何协调的情况下发布了同一个想法：Cognition 做了 DeepWiki，Factory 做了 AutoWiki，LangChain 开源了 OpenWiki，Garry Tan 开源了 GBrain。不同公司、不同用户、同一种架构。

一个 LLM 读取一批源材料，把它们编译成一套持续维护的 markdown 页面，并在源材料变化时更新这些页面。然后 agent 读取页面，而不是每次提问都从原始材料重新推导一切。

这种模式已经成了一个品类，基于它构建的系统越来越被简单地称为 agent wiki。这篇文章讲它到底是什么、每个团队构建了什么、它在哪里出问题，以及它反复被误解的那一件事。

核心理念：在写入时编译，不在查询时编译

先说问题，因为这个模式是直接冲着问题来的。

给模型提供知识体系的默认方式是检索。你上传文档，切块、做 embedding，查询时取出相关 chunk 然后回答。这能用，但有一个结构性的缺陷：什么都不会积累。每个问题都从原始 chunk 开始，模型一遍又一遍地重新推导出同样的理解，关于一个代码库的第十个问题并不比第一个更便宜或者更深入。

LLM Wiki 颠倒了"合成"发生的时刻。不是在查询时从原始碎片拼出知识，而是由一个 LLM 在写入时一次性把知识组装成持久的页面，然后维护它们。当有新源材料到达，模型读取它，更新受影响的实体页面，修订摘要，把与已有内容的矛盾标出来。

RAG 在每次提问时重新推导知识。Wiki 推导一次然后保持最新。两者都是合理的做法；区别在于你在什么时候支付合成成本，以及结果是否存活下来。

架构：始终是三层

原始来源是不可变的：文章、论文、仓库、数据。模型读取它们，永远不编辑它们。

Wiki 是 LLM 生成的 markdown，模型完全拥有：摘要、实体页面、概念页面、交叉引用。

Schema 是一个配置文件（CLAUDE.md、AGENTS.md 或类似的东西），告诉模型 wiki 怎么组织、跑什么工作流。这才是让它成为一个有纪律的维护者、而不是一个带文件访问权限的聊天机器人的东西。

三条操作运行在上面：写入一个来源，把它归档到它影响的所有页面；查询 wiki（以及可选地把好的回答归档成新页面，这样探索也会积累）；扫描，一次周期性遍历，寻找矛盾、过时的声明和孤儿页面。

它为什么管用：瓶颈从来不是写作

人类 wiki 会腐烂，原因很具体。最难的部分从来不是读源材料或拥有洞察。最难的是记录管理：更新交叉引用、保持摘要最新、把一份新文档和四十个已有页面对齐。这项工作是无限的、不体面的，也是繁忙团队最先放掉的事。于是 wiki 衰减，人们不再信任它，它就死了。

这恰恰是语言模型不介意的工作。它不会无聊、不会忘记更新一条交叉引用、可以一次触及十五个文件。LLM Wiki 之所以能运转，是因为它消除了维护成本——就是这项成本杀死了之前所有的 wiki。

这个想法比工具古老得多。Vannevar Bush 在 1945 年描述了 Memex：一个经过筛选的个人文档存储，文档之间有联想路径。Bush 没有解决的问题是：谁来维护这些路径。八十年后的答案是：模型。

这个名字从哪里来

Karpathy 的 Gist 值得直接读一下，因为它比大多数摘要更精确。他对于普通文档工作流的抱怨是："LLM 在每个问题上都从零开始重新发现知识。没有积累。"他的替代方案是编译而不是检索，这样"知识被编译一次然后保持当前，而不是在每次查询时重新推导"，产出的东西他称之为"一个持久的、会积累的造物"。

关键的是，你不需要写它。"你永远不（或很少）自己写 wiki，LLM 编写和维护它全部。"他自己的设置是一边是 agent，另一边是 Obsidian，看着页面实时更新："Obsidian 是 IDE；LLM 是程序员；wiki 是代码库。"

这个 Gist 在规模问题上也很具体，这是最值得传承的细节。不使用 embedding 的、以索引为先的方法"在中等规模下效果出奇地好（约 100 份源材料，约几百个页面），避免了基于 embedding 的 RAG 基础设施的需要。"超过这个规模，他建议添加搜索，特别是 qmd，描述为"一个针对 markdown 文件的本地搜索引擎，带有混合 BM25/向量搜索和 LLM 重排序。"

这读起来更像一个范围规则，而不是对检索的替代。在语料很小的时候跳过检索基础设施，等它变大再加回来。编译时合成和查询时合成坐落在一条光谱上，你最终落在哪里主要取决于你有多少材料。

工程问题是：这个模式在超越个人规模之后长什么样——过去几个月回答的就是这个问题。

实验室们真正构建了什么

这里开始，模式不再是一个想法，而是工程。各实现之间的差异才是最有用的部分。

Cognition：DeepWiki，作为公共基础设施的 wiki

Cognition 把这个模式指向了 GitHub 上的每一个公开仓库。在任何公开仓库的 URL 里把 https://t.co/3xHlU1nQfD 换成 https://t.co/4TUmh9gCPF，你就得到了一个生成的、可导航的代码库 wiki：架构概览、文件索引、依赖图和搜索，带回到源代码的链接。

两件事值得注意。规模是真实的：超过 5 万个顶级公开仓库已经被索引了，从 MCP 到 LangChain。而且 wiki 不是产品的终点——它是 agent 的检索基础设施。Devin 用 wiki 来在代码库中定位相关上下文，所以 DeepWiki 是让 Devin 的代码搜索更扎实的编译层。

Factory：AutoWiki，作为构建产物的文档

Factory 用 CI 的语言来框定同一个模式，他们的框定是这个品类里最锋利的一句话：文档应该是一个构建产物，而不是一个副项目。它从源代码构建，围绕代码库实际工作方式组织，在仓库变化时刷新。

生成方法是四家里工程化程度最明确的。AutoWiki 运行两轮分析：一轮对 README、包清单、CI 配置和入口点做结构性扫描，然后一轮对路由、API 端点、服务类、数据库 schema 和 feature flag 做更深的语义扫描。工作被拆分到专门的 agent 上，每个 agent 只负责仓库的一个方面，刚好有足够的上下文产出一页好的内容。这是对上下文问题的直接解决——单 agent 做文档生成在规模上平庸的原因就在这里。

时效性被当成基础设施而不是纪律来处理：/wiki 按需重新生成，/install-wiki 写一条 CI 工作流，在每次推送到默认分支时刷新 wiki。对 GitHub 仓库来说，它同步到仓库自己的 wiki tab 里。

LangChain：OpenWiki——从代码跃向一切

LangChain 开源了 OpenWiki，一个为代码库编写和维护 agent 文档的 CLI 工具，然后把它扩展为 OpenWiki Brains，有两种模式：Code Brain，原始的仓库用例；以及 Personal Brain，从你自己连接的数据源构建 wiki。

第二种模式是那个重要的跃迁。Personal Brain 从 Gmail、Notion、Git 仓库、X、Hacker News 和网页搜索读取数据，把它们合成为一个本地 markdown wiki，agent 去查询它。品类从"给我的仓库写文档"跳到了"编译我的整个工作生活"。

有一个设计细节值得注意，因为每个团队都汇聚到了这一点：输出不是面向人类的散文。它是面向 LLM 上下文优化的结构化 markdown，有标题、交叉引用和摘要，设计目标是让 agent 能快速找到相关上下文。wiki 是为真正会读它的那个读者写的，那个读者是一个模型。

GBrain：个人规模的、开源版本

Garry Tan 的 GBrain 把同样的形态应用到了个人知识库而不是代码库：Git 仓库里的 markdown、一个 schema 文件、一个自动维护的实体交叉链接图。它是模式"底层非常简单"的最清晰证明。不需要向量数据库、不需要服务，只是一个模型维护、人类能读的文件集合。

技术矩阵

按列往下读，收敛本身就是信号。四个团队、四种语料、一种架构：Git 里的 markdown、一个模型遵守的 schema 文件、在写入时合成、在变化时刷新、面向 agent 阅读而写的页面。当解决不同问题的独立团队落在同一个形态上时，这个形态通常是正确的。

差异在于时效性，这是成熟度的信号。Factory 把过时当成构建问题，在 CI 里解决。其他所有家都是按需刷新，这意味着它们的 wiki 的当前程度等于上一次有人记得运行命令的时间。

它的边界

这个模式确实好，所以需要诚实地说明它的局限。

规模。Karpathy 自己就说了：不用 embedding 的、以索引为先的方法是中等规模的技术，大约一百份源材料。超过几百页之后，你就回到了搜索引擎，这也是他自己的 Gist 推荐混合 BM25 和向量搜索的原因。

保真度。在写入时编译意味着，一个早期摘要可能悄悄丢失源材料中的某个细节，而后面的每一次回答都会继承这个丢失。针对原始 chunk 的检索没有这个失败模式。你是在用重新推导的成本换取压缩风险。

过期。一页编译过的内容只在最后一次刷新前是真的。这就是为什么 Factory 的 CI 框架比它最初看起来更重要：一个过时的 wiki 比没有 wiki 更糟，因为它用一种看起来权威的格式自信地犯错。

编译成本。你需要真金白银地付 token 来构建你可能永远不会查询的页面，并重新扫描那些什么也没变的页面。

Wiki 不是 Memory

有一点需要仔细画出来，因为这个领域的词汇表目前还很松散。

这些系统越来越被描述为 memory。LangChain 把 OpenWiki 称为 AI agent 的 wiki memory 层，围绕这个模式的普遍说法是"这就是你怎么给 agent memory"。这个词承载了太多分量，它盖住了两件相当不同的事。

一根术语下面有两条轴。

语料知识是 wiki 做的事：编译一组文档、或一个仓库、或你的 Gmail 归档说了什么。它回答的是"这份材料里包含什么"。

用户和体验记忆是另一条轴：一个具体的人偏好什么、他们上周做了什么决定、他们团队已经拒绝过哪种方案、一个 agent 昨天在另一个 app 里尝试了什么、结果如何。它按身份划定范围，不是按语料。它从交互中积累，不是从写入中积累。它需要处理矛盾、过期、来源追溯和按用户的删除。

wiki 在第一件事上极其出色，并且不试图做第二件事。把你的 Gmail 编译成页面，告诉 agent 你的 Gmail 里有什么。它不会告诉 agent 你在上周二的一次谈话里改了主意、关于那个供应商的决定，或者某种建议方案已经失败过一次了。

第二条轴是像 Mem0 这样的专用 memory 层要做的事：memory 标记到 user_id，跨会话、跨 app、跨 agent 跟随一个人，当事实变化时原地更新，而不是永远追加。这两者是互补的。错误不在于选择了 wiki。错误在于认为因为你编译了一份语料，你就解决了 memory 问题。

收获

LLM Wiki 是一个真实的模式，背后有一个真实的洞见：知识应该被编译一次然后维护，而不是在每次提问时重新推导。而杀死人类 wiki 的维护工作，恰恰是模型免费完成的劳动。四个团队在几个月里交付了同一套架构，这是它正确的最强证据。

从这里带走三件事。当语料稳定且被反复阅读时，把你的文档编译成维护中的页面。当它超越个人规模时，添加真正的检索——原始提案也这样建议。以及，保持"编译语料"和"记住用户"的区别，因为 wiki 给你第一件，给不了第二件。那已经很值了，但那不是同一件事。

https://t.co/iZatEoDhq7
#AgentWiki #上下文工程 #AgentMemory

[AI超元域 @AISuperDomain]

https://t.co/WUY0GVNQro

[mousepotato @iluciddreaming]

李博杰（华为天才少年）这本 AI Agent 实践书值得系统学一下。

不是空泛讲概念，而是从实际讲学、代码实践里迭代出来的材料；前言里也提到通过 whisper coding 持续打磨。PDF 风格一看就很“实战派”。

[Gavinly @Fengyi1811]

梅西已经懒得理你们了🥲
这群小朋友，我管不动了🫠

[𝟎𝐱𝐅𝐮𝐧 @0xFunX]

成为球王的背景板也是一种荣幸。

[黄健宏 @huangzworks]

《我们在Valkey里写代码，也在写字节缓存的下一个十年》：https://t.co/T3elKwhIcU
来自字节跳动Cache团队的Valkey实战使用经验分享

[Renolei @renolei]

哈哈 这传球太深了 进球后第一时间找大哥

[Renolei @renolei]

看来是顺产 哈哈

[谢嘉琪 Jiaqi @XieJackie]

天啊，今天沈阳，一比亚迪的电机竟然掉下来了！

沈阳下雨，路面积水严重，一辆比亚迪唐正常行驶中，底部电机总成直接脱落！还被线缆连着，被车拖着往前走。

这都还没撞呢，要撞了不更完犊子了？