Yes And No

大道至简

[郭宇 guoyu.eth @turingou]

有一种观点认为，人类会朝两极分化：大部分人继续沉迷于 AI 生成内容和“奶头乐”产品，小部分人则会借助 AI 极大丰富自己的创造力。

我觉得还有第三种观点值得认可：这种技术的加速主义会导致越来越多的大众开始思考，在很长一段时间之内，他们人生中真正值得去做的事情。所以最终，这反而会加速“奶头乐”产品的灭亡。AI 生成短剧就是一个比较明显的例子。如果在一个完全竞争的市场当中，制造 AI 短剧的成本越来越低，最终会往两个方向发展：

第一个方向是大量低内容、低质量的 AI slop 类型短剧。这种短剧很显然在火爆一阵子之后会彻底沉寂，因为内容的极大丰富实际上在提升所有人的审美（或者审丑）水平。

当然，我们也会看到一小部分创作者使用 AI 去创造很多优秀的、在现实社会当中不存在的精彩剧本。我觉得这一部分内容创作者的群体会越来越大，可以说是从零增长为一个不容忽视的内容分类分野。

[geniusvczh @geniusvczh]

@PengZhangCom 那只能说很有钱了，一个超级烂go和一个比较烂的rust跑起来的成本是一直都存在的，烂的code base往上加feature消耗的token数量甚至可以升一个数量级，而做一个好的go的成本只是一次性的🤪

[geniusvczh @geniusvczh]

要把软件的所有功能都用一遍，一个星期都跑不完不说，token难道不要钱吗，为什么不用UI Automation写LLM不介入的自动化测试？不过光有e2e没有unittest，debug的时候也得浪费海量token，我只能说你太富了🤪

[宝玉 @dotey]

谷歌发布新一代旗舰模型 Gemini 4 Argon。

谷歌在跑分表里拿它和 OpenAI 的 GPT-6 Astra、Anthropic 的 Claude Fable 5.1 和 Claude Opus 5.5 对比，价格却定在 GPT-6.1 Sol 和 Opus 5.5 的档位。

普通用户和开发者暂时还用不上，第一批只开放给谷歌 Fairwind 计划里的网络安全防御人员。

谷歌说会分阶段放开，同时参与美国政府的模型发布前自愿审查流程，也就是正式发布前先让政府访问模型。之后先开放给付费 API 客户和 Google AI Ultra 订阅用户，再到普通消费者，具体日期没有公布。

首发优惠价是每百万输入 token 2 美元、每百万输出 token 10 美元，和 GPT-6.1 Sol 完全相同。优惠期结束后是 4 美元和 20 美元，和 Claude Opus 5.5 相同。

GPT-6 Astra 和 Claude Fable 5.1 都是 10 美元和 50 美元，也就是说即使恢复原价，Argon 也只要它们的五分之一。命中缓存的输入按原价的 5% 收费，同样与 Sol 和 Opus 5.5 持平。token 是模型计算文字量的单位，一百万 token 大约相当于 75 万个英文单词。

规格上最大的变化是输出上限：单次最多输出 100 万 token，上一代是 6.4 万。

GPT-6 Astra、GPT-6.1 Sol、Claude Fable 5.1 和 Opus 5.5 目前都是 12.8 万，Argon 是它们的将近 8 倍。

按谷歌的说法，模型可以在一次任务里连续思考、生成几十万 token，难题不用拆成很多轮来做。

谷歌说已有数千名员工在日常工作中使用它，并举了几个内部例子：

量子计算团队用它优化量子算法的资源消耗（量子比特数乘以门操作数），其中一例几分钟内就比已发表的基准方案好 40%。

一组 Argon 智能体分析谷歌数据中心的内存使用数据，自动找出并应用优化，已释放超过 300 TiB 内存，谷歌估计总共能省下 500 TiB 到 1 PiB。

Argon 智能体正在把谷歌的 C/C++ 代码迁移到 Rust。Rust 是一种从语言层面避免大部分内存安全漏洞的编程语言。迁移规模从几万行的基础库，到 80 多万行的 Fuchsia 系统 Zircon 内核，上线前都要经过自动和人工审核、测试。在视频解码库 libgav1 的 Rust 版本里，智能体把 3.2 万行手写的底层加速代码换成了编译器能自动优化的安全 Rust 代码，速度是原 Rust 版的 2.7 倍，解码出的画面完全一致。

谷歌的对比表一共 19 项测试，Argon 13 项第一，1 项和 Astra 并列第一，5 项落后。以下分数均为谷歌公布，顺序是 Argon、Astra、Fable 5.1、Opus 5.5。

领先最明显的是专业工作。Harvey 的法律智能体测试考法律检索和文书起草，Argon 19.6%，其他三家是 5.4%、6.7%、3.8%。金融研究测试 Vals Finance Agent v2 是 65.4%，对手是 53.5%、58.9%、58.6%。Zapier 的 AutomationBench 考从头到尾完成企业业务流程，Argon 51.3%，对手是 41.4%、31.4%、42.5%。按美国 GDP 加权、覆盖金融编程法律税务的综合榜 Vals Index 上差距小一些，68.9% 对 63.1%、65.8%、67.0%。

超长材料也是强项。GraphWalks 测模型在长文本里追踪信息之间的关系，材料长度在 25.6 万到 100 万 token 时，Argon 84.2%，其他三家是 71.8%、65.0%、66.8%。长视频理解 LVBench 上 Argon 91.7%，对手是 87.5%、79.7%、83.7%。

编程有输有赢。考长流程真实软件工程任务的 DeepSWE v1.1 上 Argon 77.9%，对手是 74.1%、67.4%、74.2%。但在另一项软件工程测试 FrontierSWE v2 上 Argon 只有 55.0%，四家里最低，Astra 65.5% 第一。在考命令行操作的 Terminal-bench 4.0 上 Argon 57.4%，也是四家最低，Opus 5.5 以 66.4% 领先。

另外三项落后的：机器学习工程 PostTrainBench，Opus 5.5 第一（49.3% 对 Argon 45.3%）；科学计算 Terminal-Bench Science，Astra 第一（68.1% 对 57.6%）；操作电脑的 OSWorld-2.0，Astra 第一（72.6% 对 69.2%），这一项表里没有 Claude 的分数。

网络安全是这次发布的重点。谷歌专门训练 Argon 做安全防御：自动找漏洞、验证漏洞、打补丁。给受信任防御人员和谷歌内部团队的版本不带网络安全方面的限制，可以用上全部能力。

安全公司 Wiz 已在它的免费公益项目 Scan for Good 里使用 Argon。据谷歌介绍，Argon 在全球医院使用的一款医疗软件里发现了一个严重漏洞，可能泄露敏感个人信息，之前的前沿模型都没发现。在测试漏洞修复能力的 CWE-bench v1 上，Argon 和 GPT-6 Astra 都是 68%，并列第一，Opus 5.5 是 67%，Fable 5.1 是 58%。谷歌称，它发现漏洞的能力比上一代安全专用模型 3.8 Flash Cyber 明显更强。

在大范围开放前，谷歌列了四项安全措施：

拒绝协助网络攻击和化学、生物、放射性、核武器方面的有害请求，并通过监测模型内部的激活状态来识别滥用。

防提示词注入，也就是有人在网页或文件里藏恶意指令来劫持模型。谷歌称 Argon 在 Gray Swan 的间接提示词注入测试中领先。

监控模型的思考过程和实际操作，发现它做出超出用户意图的事就中止执行。训练阶段也有类似监控，谷歌称没有把监控结果用回训练，以免模型学会躲避监控。

在高风险训练和测试开始前，把运行模型的沙箱环境隔离封闭。

[Robinson · 鲁棒逊 @python_xxt]

一个洞察

26年初我进行了一次长考，思考AI可能对组织效能，带来的提升和影响，但很快我就意识到，因为产业的问题，AI提效后，第一时间就放大了组织里的物理约束。

AI能带来信息、决策以及流程的效率提升，但是物理世界的约束，依然无法解决。

然后就变成了，信息层被AI 加速到极致，但是物理层相关的迭代，依然受限于原子世界的约束。

这也是我常常会思考的一个问题，当加速被加速，哪些事情，会成为效率提升的瓶颈，让这些领域的效率突破，会存在着巨大的商业机会。

比如说，目前有两个方向：

一是直接加速物理过程（机器人、自动化实验室、柔性制造），可以理解为更智能化的自动制造。

二是减少必须在原子世界发生的迭代次数，也就是把原子问题转成比特问题（仿真、数字孪生、AI for Science 先筛选再实验）。

第二条路径在我看来，更有前景一些，也是目前很多人在做的事情，用比特来模拟原子。

AI呀，最终会把一切可逆的、可模拟的过程成本压向零。

That's all .

[白板报 @zhongwen_ai]

有人问 @nntaleb 老师，世上可有一门秘密科学连接其他所有学科，塔勒布老师答：概率论。顺着这条思路，让Gemini推荐了两本入门书。

- Feller 的《An Introduction to Probability Theory and Its Applications》第一卷 。它不需要您具备高深的微积分或测度论知识，却能用极其精妙的例子（如硬币抛掷的随机游走、破产问题等）向您展示概率法则在现实世界中是如何运作的。

- 配合阅读 Ian Hacking 的《The Emergence of Probability》，您会对科学的本质产生全新的认知。

[d3ad13eef @d3ad13eef]

我觉得有必要再强调一次，AI时代后端服务架构这块但凡没法保证团队里**绝大多数**都是具有超强ownership+超强工程敏感度的，一定要选择微服务把业务拆开
不然你会发现 光一个下午的疏忽 只一个”什么都不想就干“的傻卵抄起AI就可以哐哐往自家代码里灌几千行的屎 扬起的屎花平等地溅到每个人嘴里

[琦玉老师 @KakaluoteW45042]

维护了一阵 AGENTS.md，心得：只写 agent 推断不出来的事实——怎么跑测试、native 依赖的坑、哪些目录别提交。流程规范塞进去，agent 会把流程当硬约束绕远路。它是 repo 的 quick context，不是治理文档。

[Bear Liu @bearliu]

聚焦一个主题，比盲目练习快一百倍

很多创意工作者陷入一个陷阱：到处学新技能，尝试各种风格，结果什么都没做深。艺术家 struthless 在一次采访中提到，他年轻时也是这样，直到碰到一个建议改变了他的整个创作轨迹。

那个建议听起来简单到几乎幼稚：每天画同一样东西。他选了一种澳洲鸟类，然后给它换衣服、戴帽子、讲故事，一画就是一两百张。在这个过程中，他逐渐找到了自己的风格和节奏。

关键在于，限制反而是艺术家最好的朋友。当你聚焦在一个母题上反复变化和深入，你不再浪费精力在选择上，而是把全部注意力投入到真正的进步里。这对设计师、写手、独立开发者都适用：选好一个方向，在深度上下功夫，比在广度上四处撒网有效得多。

我打算把这个方法应用到自己的练习里。不再想着"我还要学这个，还要试试那个"，而是就地深入，看看能挖出什么。

原文链接：https://t.co/zjC2jlWI5T

[Phoenix Yin @Phoenixyin13]

记得当时导师讲过，维纳在《控制论》中做出的颠覆性贡献在于他将信息与反馈上升为与物质和能量同等重要的物理实体。

传统古典科学，从牛顿力学到古典经济学的核心是还原论和单向因果链。
而控制论给复杂巨系统的遗产，是提出复杂巨系统的宏观行为之所以难以预测，正是因为内部交织着成千上万条交错耦合的非线性正负反馈回路。

虽然维纳奠定了基础，但控制论在过去数十年里经历了几代演进，最终融入到了复杂巨系统的现代理论体系中。

一阶控制论，First-Order Cybernetics。
维纳最初关注的是被控制的系统，如弹道预测、自动驾驶、蒸汽机调速器。系统通常是封闭的、相对简单的。
我对此几乎毫无兴趣。

二阶控制论，Second-Order Cybernetics。
由海因茨·冯·福尔斯特提出，研究观察系统的系统，他提出将观察者自身也作为反馈回路的一部分纳入系统，正如金融市场中，交易者对市场的预期本身就会改变市场轨迹，即索罗斯的“反身性”。

复杂巨系统，Complex Giant Systems。20 世纪 80-90 年代，包括中国著名学者钱学森提出的“开放的复杂巨系统”理论，以及美国圣塔菲研究所 SFI 的研究。
在此时，控制论与统计物理、非线性动力学、网络拓扑学彻底融合。
顺便说一句，圣塔菲研究所是我梦想的地方，其意义对我来说甚至大于贝尔实验室与洛斯阿拉莫斯国家实验室。因为它关注的议题是我一直在思考的。

为什么复杂巨系统超越了经典控制论呢？
经典维纳控制论在解释复杂巨系统时，遇到了深刻的维度灾难与机制演化问题。
简单来说，就是经典控制论试图用反馈来设计和维持秩序，而复杂巨系统研究的是是否我们可以在无中央控制下，海量反馈回路如何自发涌现出秩序或崩溃。

这两天我发的帖子里，有些讨论了金融系统、大脑神经网络，维纳的控制论思想依然无处不在，只是被赋予了高维数学形式。

一个，就是迟滞与时滞。
维纳在控制论中花了大量篇幅研究带有时间延迟的反馈系统。在复杂巨系统中，这种时滞会导致相空间中的 Hopf 分岔，使系统从平稳吸引子直接坠入极限环震荡，比如经济学中的牛鞭效应和周期性通胀。

另一个大家应该都很了解，信息论与熵。维纳首次将信息定义为负熵。
复杂巨系统维持自组织结构的过程，本质上就是通过向外部环境排放熵，在内部利用信息反馈建立局域低熵态的过程，有时间大家可以看看普里高津的耗散结构理论。

此上，复杂巨系统理论在维纳控制论的基础上，引入了统计物理与网络拓扑，解释了成千上万个反馈回路交织在一起时，宏观上是如何涌现出自组织、相变与内生混沌的，这非常美妙。

[tison @tison1096]

> 复杂度控制

这个其实是个很有趣的话题，在 Agentic Coding 大行其道的今天，其实这个软件工程最重要的元问题的重要性再次被拔高。无论是 AI 生产（垃圾）代码的速度大大提升，对应的复杂度控制工作需要跟进，还是想办法让 AI 自己控制复杂度，过往的研究已经开始重新反复进入新程序员的视野里了。

[Xuanwo @xuanwo]

我有个反直觉的暴论：很多人觉得"中国开源不行"，恰恰是因为中国开源开发者太多了。

身处国内社区，我们能看到的是国产开源项目的全貌：有精品，也有大量写到一半就停更、文档残缺、无人维护的项目。泥沙俱下，自然容易得出"不行"的印象。

但换个方向想：一个国外开源项目，要怎样才能被中国开发者注意到？通常得先在它自己的圈子里火起来，登上 Hacker News 或 GitHub Trending，再被翻译、转载、推荐。那些默默死掉的国外项目，我们根本看不到。

事实上，绝大多数开源项目最终都会沉寂，无论国内国外，这本来就是开源的常态。真正重要的不是失败率，而是基数和头部：足够多的人在写、在试、在失败，才会长出真正有影响力的项目。从这个角度看，"泥沙俱下"正说明了中国开源生态足够庞大、足够活跃。

别的不多说，看到项目死掉之后自己又 Fork 了一个新的，这本身不就是中国的开源星星之火吗？

所以，我对中国的开源事业很有信心。

[心灵书舫 | SoulSloop @SoulSloop99]

性学专家李银河说：“彻底的悠闲，无所事事才好。因为，在这个世界上，无论做什么，最终均无价值，最终灰飞烟灭。唯一自己能够把握和享用的只有自己的时间。至于这段时间，你做点什么还是什么都不做，结果都差不多。”

初读这番话，很多人会觉得太过消极、太过佛系，甚至略带颓废。可沉下心来细细体悟，才明白这不是躺平的借口，而是看透人生本质后的清醒通透。人这一生，奔波劳碌、追逐功名、囤积财富、纠结得失，在漫长的时光长河里，终究是转瞬云烟。所有的名利成就、荣华富贵、爱恨纠葛，终会随着岁月消散，最终归于虚无。我们穷尽一生追逐的一切，皆为身外之物，真正属于自己、能被自己掌控的，唯有转瞬即逝的时间。

米兰·昆德拉曾说：“慢，是记忆的底色；快，是遗忘的开始。”现代人最大的通病，就是过度忙碌、过度焦虑、过度内卷。我们被快节奏的生活裹挟前行，被世俗的标准捆绑人生，总觉得人生必须不停奔跑，必须有所成就，必须日日精进、事事有为。我们害怕停滞、害怕空闲、害怕无所事事带来的荒芜感，于是填满生活的每一分钟，加班内卷、无效社交、盲目攀比，看似充实忙碌，实则身心俱疲、内心空洞。

很多人误把“忙碌”当成价值，把“奔波”当成成长，却忘了生活的本质从来不是无休止的赶路，而是适度的停歇与从容的享受。世人终其一生追逐价值、追求意义，却不知人生本无预设的标准答案。所有的功成名就，百年之后不过是过往云烟；所有的得失成败，放在岁月洪流中皆是微不足道。正如李银河所言，人生所有作为，终将灰飞烟灭，既然结局殊途同归，便不必逼自己终日紧绷、疲于奔命。

周国平曾说：“一个人只要守住生命的本真，即使一生平凡无奇，也是圆满的人生。”真正的人生智慧，从不是拼命创造外在价值，而是用心守住内在安宁。我们这一生，最珍贵的奢侈品从来不是豪车豪宅、名利地位，而是可以自由支配的时间，是允许自己无所事事的松弛与底气。

很多人不敢闲、不能闲、不愿闲，根源在于内心的焦虑与世俗的偏见。大家默认，空闲即是浪费，松弛即是堕落，无所事事就是虚度光阴。可事实上，人的心力和精力都是有限的弦，一直紧绷不松弛，终会断裂。偶尔的无所事事，不是荒废人生，而是治愈内耗、滋养身心的最好方式。

午后静坐发呆、闲来读书品茶、无事吹风观景，这些看似毫无用处的瞬间，恰恰是生命最真实、最温柔的馈赠。我们不必时时刻刻追求有用，人生需要大量“无用的时光”来滋养灵魂。那些看似虚度的光阴，能抚平内心的浮躁，消解生活的疲惫，让我们在喧嚣俗世中守住本心。

庄子有言：“虚静恬淡，寂寞无为者，万物之本也。”道家推崇的无为，从来不是消极懈怠、躺摆度日，而是不强行妄为、不刻意追逐、不自我内耗。顺应本心而活，接纳松弛状态，允许自己慢下来、闲下来，便是最高级的人生修行。

人到一定年纪终将顿悟：人生最好的状态，不是日日精进、事事圆满，而是张弛有度、随心自在。我们不必为了世俗的期待透支自己，不必为了虚无的价值勉强自己，更不必因为短暂的空闲自我内耗。

所谓彻底的悠闲，是历经世事的通透；所谓无所事事，是放过自己的从容。在无人问津的时光里，好好陪伴自己、取悦自己、治愈自己。不必追赶他人的脚步，不必迎合世俗的标准，不必纠结人生的意义。

时间是唯一真正属于我们的财富，如何度过光阴，便是如何度过一生。认真工作是生活，悠然闲坐亦是生活；奋力奔赴是人生，安然留白亦是人生。无论忙碌或清闲，只要遵从本心、内心安然，便是最好的人生状态。

往后余生，愿我们都能读懂李银河的人生智慧，卸下过度奔波的疲惫，放下强行内卷的执念。允许自己偶尔无所事事，接纳生活的松弛与留白，珍惜属于自己的每一寸光阴。在喧嚣人间，守一份悠闲自在，度一生安然从容，不负时光，不负自己。

[李继刚 @lijigang]

是不是可以这么理解：

llm：问答题
jev：选择题

[Tw93 @HiTw93]

给大伙同步一下这个“蠢事情”，这两天继续把已经从上次测试验证的 300 软件个增加到了 549 个，补充了 App Store 版本、扩展插件覆盖了我们平时国内外日常使用的大部分了。

对于强迫式我的自己 Mac 控制在 30 个软件，现在一下子变成了下面这个非常凌乱的页面了，哈哈给大伙瞅瞅，好在做完可以删除以及把残余清理得非常干净，不然就麻烦了。

一方面有了 computer use 能力以及当前大模型能力变强的加持，还有一方面我方向，有之前无心插柳带来的极大的收益，Mole 刚出来的前几个版本开始支持视觉障碍患者的使用，添加了非常多的无障碍属性能力，刚好 AI 可以非常好借助脚本去找到这些准确的元素、按钮的位置，给效率准确带来了极大的帮助，这或许也能够解释为了 Mac 上的 computer use 会比 Windows 好用太多的一个原因。

苹果考虑到任何人都可以使用，一开始很多地方会给视障患者提供很好的VoiceOver可用能力，考虑到每个人都是平等的，真好。

然后对于我们独立开发者同学，大伙开发的 App、网页，非常建议去兼容一下无障碍属性，可以让你的 AICoding 帮你去做，这样一方面是真的惠及到了视障患者的使用，另外一方面，真的会在很多时候默默的反向来帮助你，让你的 AI 测试自动化做得非常顺利，非常准确，或许之前不太可能的真实情况下业务场景自动化测试，慢慢也变成了可能。

[LotusDecoder @LotusDecoder]

说得没错，我认为中国的AI FDE 难度很大的原因之一是，

AI做的东西太精美自圆其说而可以脱离实际，而这一点AI的缺陷，本身是懂行的使用者是可以规避的，提前解决的，但是使用者不想解决实际问题，那么拿AI爆一堆华美的袍子糊弄人是太方便。举个例子是，如果我们给一家工厂开发流水线进度和物料通用管理，嗯，拿到需求之后，糊弄者第一反应是从SAP弄一个模版，整整齐齐面面俱到的功能和模块划分，然后再去问工厂，把工厂的需求一个一个塞进分好的模块里。
AI提前生成的模块分组，好看吗？精美吗？理论自洽？都很好，甚至可以做到业内顶尖设计水平。但是要拿去实用，效果如何就天晓得了。

第二大难点是，FDE在现有组织中的权力位难题，AI要改造现有生产流程、替换岗位内任务，势必带来人员调动和业务部门重新洗牌，改多了的人，暗喜，利益改少了的人，出头拍桌子动刀子。这相当于是改革。历朝历代改革成功和不成功的人，结局都是唏嘘的，更何况是冲锋的 FDE，当然这个情况过段时间，AI转型成了共识会好很多。

第三难点是，FDE自身的，如果又懂AI又懂业务，不会犯第一点脱离实际的认知偏差，真能落地，带来效益和产值提升，那么FDE这人为什么不自己创业，做一个AI native的初创企业，没有历史包袱，要搅进去老企业老组织的权力斗争漩涡里呢。所以，FDE先天面临人才匮乏，难以建立持续广泛的影响力和口碑。

总之是，FDE 是朝阳行业，但是考虑此时此地，属于找到的客户偏劣质，不是说客户本身，是说面向他们的AI转型业务很难做到钱多事少带杠杆好扩展。

[Tw93 @HiTw93]

这段时间我在做一个“蠢事情”，或者也是 AI 时代工程师非常不愿意做的事情，非常重复的事。

为了让 Mole 的卸载软件更加彻底，清理残余的能力更加厉害，我整理了国内外 300 多款 Mac 软件，下载下来差不多 100 多个 G，分成 30 组，让我的最强 Extra High Fast 模型每次 10 个借助 computer use 的能力去对应官网下载，然后依次安装到我的电脑，检查目录、检查软件更新 bundle、检查自启动、卸载、查找剩余残留、补充缺失的规则。

这个过程看着非常无聊，甚至每次安装软件过程中，也会碰到不少麻烦的软件，疯狂弹窗要权限，诱导你去购买，包括有些使用必须输入管理密码等，Agent 大部分能自己做了，少部分我帮一手，让我非常惊喜的地方是甚至 AI 还基于此写了自动化安装、卸载、检查残余的脚本让自己工作更轻松，也是很聪明的，哈哈我就只能成为给他打打下手。

虽然无聊，但是其实对于产品本身的功能，对用户使用最爽而言收益是非常大的，当时我想着最多搞 100 个主流软件来测试卸载能力以及补充没有卸载的残余到 Mole 规则里面去，结果想着要不再搞 100 个，到 200 个的时候，想着再搞100 个，就到了现在 300 多个了，这或许可以回答 Mole 相比于其他的清理卸载软件的优势是什么，应该就是可以非常细的帮你清理掉很多你找不到的垃圾，以及会卸载得更加干净，却更安全的缘故，这样看就挺有意思的。

经过这个过程，帮我补充了 13 类可以复用的通用规则、90 多条精确的清理路径，也顺手改掉了 30 多个原本以为要清、其实不该动的地方，同步对软件的更新检查、自启动检查的规则有了很充足的补充，甚至还为这些补了 100 多条单元测试。这也是基于 AI 理论知识、工程知识肯定不能补充上的点，因为他实际去做了这些事情，还好有AI，不然我手工应该要多花 10 倍的时间来做这个事情，也帮忙填了一些之前的坑，很有帮助。

也改变了我的一些固有观点，本来以为软件工程应该规范的、有秩序的，比如说我跑了100个软件后，应该后面没啥啥可以补充的规则了，因为按理主流软件的开发规范、技术底层完全可以枚举出来，结果越往后走，你会发现，完全不是这样，通用规则怎么写都找不见的那种非常多，甚至还 有bundle id 干脆就不是反向域名也有，看着很规范的约定，可能是当年某个程序员随手写的，没有任何理论可以解释出来，只能装一个查一个。

以后应该会继续做到400、500、600、甚至把市场上常用的软件全部经过 Mole 来测试一遍，补充上很多非规范软件开发下的细节规范，或许正是这些“蠢事情” 可以让 Mole 成为全球最好用的 Mac 系统清理优化工具。

[非著名程序员 @KengGuangLong]

Grill Me Skill 的作者 Matt Pocock 在访谈时也是这么认为的，软件工程很重要。

他说在折腾 AI 编程的过程中，碰到一个很烦人的问题。

Agent 写代码的时候，它会先把整个数据库层写完，再写整个应用层，最后写整个前端。每一层单独看还行，但拼到一起就出问题。因为数据库里的设计会影响前端展示，你得让这些层早一点对上才知道合不合理。可 Agent 总是最后才开始组装。

他觉得这样不行。然后他翻出了书架上一本一直没拆封的《程序员修炼之道》。

他说这本书他买了之后一直没看，还包着塑料膜。翻开以后，几乎每一页都觉得像是写给今天的。里面有一个概念叫 tracer bullet，追踪子弹。意思是做一个功能的时候，不要按层来，要纵向切一刀，从数据库到应用逻辑到前端，先把一条窄窄的路径跑通，确认可行之后再往两边扩展。

他把这个词写进了给 Agent 的提示词里。然后他发现了一件有意思的事：Agent 开始在自己的推理过程中主动使用这个词了。它会说「好的，我把这个做成一个 tracer bullet」。

他管这个叫 leading word，引导词。因为这些经典编程书籍几乎肯定在模型的训练数据里，当你在 prompt 里用了这些专业术语，就相当于激活了模型脑子里对应的那片知识。

他又从《软件设计哲学》里捞出了 deep modules 这个概念，从《领域驱动设计》里拿到了 ubiquitous language 的思路。他发现这些二三十年前的老概念，到了 AI 时代反而更好用了。