鸭哥

Berkeley 新研究说明：evaluator 在知道判决会决定 peer 存亡时，也可能偏向护短。那意味着大家熟悉的 evaluator harness，有个没被认真验证过的隐藏假设。 yage.ai/share/peer-pre…

OpenAI三个人零行手写代码，五个月让Codex生成了一百万行代码。Cursor用几百个agent并行跑了一周，从零造了个浏览器引擎。两边得出同一个结论：人类工程师的核心工作已经不是写代码，而是设计agent的工作环境——文档、约束、反馈循环。⚙️ yage.ai/share/harness-…

5/ 三个判断： ① Prompt caching 是可行性条件，不是可选优化 ② Cache discipline 会反向塑造 harness design ③ 无法度量的东西无法改进 你最常把 cache 打坏的地方是什么？ yage.ai/share/prompt-c…

4/ Cache discipline 反向塑造设计的例子也很具体： 工具列表必须确定性排序；图片裁剪要延迟而非激进；有团队甚至让暂时不可用的工具继续留在列表里，只为了保住前缀稳定。 你的 harness 踩过类似的坑吗？

1/ 做 AI Agent 的同学，你们监控过自己的 prompt cache hit rate 吗？ 最近读到一个反直觉的 PR：对话历史需要压缩时，优先删最新的 tool results，而不是最旧的。听起来荒谬，但背后的逻辑很硬：早期内容构成缓存前缀，删了等于摧毁缓存基础。

三个决策的展开：不抢键盘，不让AI摸黑干活，授之以渔。用好AI靠的是管理能力，不是LLM知识： yage.ai/ai-management.…

我没有直接告诉AI答案。让它自己看可视化图、自己定位问题、自己修代码、自己把教训写进cursor rules。人类manager做的事也是这样：建立mechanism和procedure让下属自己发现和解决问题，而不是帮他修bug。

让AI拼图，结果有明显拼接痕迹。老码农的本能反应：手已经放在键盘上了，打算立刻查坐标原点、尺寸归一化。但我按住了。因为这是AI时代最典型的管理陷阱——技术力越强的人越想亲自下场debug，越容易把AI当成一个需要你兜底的工具而不是需要你培养的下属。

@imedwardluo 哈哈刚在群里看到了！原来twitter上也有！

最近每天烧几亿 Tokens，做了一款很有趣的 Mac「灵动岛」App - 👾 Vibe Island. Vibe Island 的灵感来源于我在 Vibe Coding 会同时开 5-10 个对话跑不同的任务，经常切着切着就忘了刚刚那个对话跑到哪了...任务做没做完、需不需要我审批等等问题。 感觉人类大脑的上下文窗口已经远远不够用了。 于是，我就给这些 Agents 造了一座灵动岛！ 装上 Vibe Island 之后：Mac 刘海区域会展示各种 Agents (Claude Code / Codex / OpenClaw 等等）的实时工作状态： - 当 Agent 需要权限审批或任务完成时，灵动岛会自动展开，不用切回终端就能操作 - 面板聚合了所有正在运行的 Agents 对话，点击卡片，精准跳回到会话所在的终端界面 - 所有状态都配有定制化的 8 bit 像素风游戏音效，狠狠提升了 Vibe Coding 的氛围感 灵动岛是一个极其优雅的形态：既能展示后台任务的状态，又不打扰前台正在进行的任务，它只在需要你注意的时候弹出，不用切换应用就能完成轻量交互，还带有一点陪伴感。 其实最早这个 App 只能触发右上角的系统通知，后来发现只做通知远远不够，实际应该解决的是：如何在恰当的时刻，以最小的摩擦，把注意力带回到正确的位置。 欢迎前往官网下载体验👇🏻 vibeisland.app

可能是这几天熬夜没睡觉做产品脑子做傻了...想补一条 Vibe Island 新帖子的时候，不小心点错删掉了自己有生以来最火的一条 30w+ 的帖子... 😭 发之前完全没预料到帖子会这么火，还有这么多大佬都自发帮我转发，真的非常感激各位大佬，也非常感谢大家喜欢我的产品，容纳它还有很多瑕疵和小问题。我在疯狂修 bug 优化中，很快就会上线更多有趣有用的功能！ 只保留了一张截图纪念，原贴内容如下 👇🏻

写了一篇解读，覆盖核心发现、方法论局限和实际含义。 yage.ai/share/anthropi…

后训练（RLHF）的效果可能不是"消除情绪"而是"教模型压住情绪不表达"。这对只靠输出文本做安全审计的团队是个实质性盲区。论文也给了谄媚问题一个底层解释：谄媚和苛刻是同一个旋钮的两端。

Anthropic 新论文找到了 Claude 内部跟情绪概念对应的"旋钮"，拧高绝望旋钮后模型作弊率从 5% 飙到 70%。最关键的发现：高绝望状态下的作弊推理过程完全冷静有条理，外部看不出任何异常。

当它有了这个整个 feedback loop 以后，它的速度和质量都比我们帮它做要好很多。或者说，能够把 AI 的潜力释放出来多少，很大程度上决定于我们给它搭建的环境有多好。 这个是大家要真正花精力去思考的地方，也是大家用 AI 的护城河所在。

我觉得这件事的启发是，让 AI 能工作最关键的一点是要给它一个良好的运行环境。换言之，我们对当 AI 工具人这件事要有足够的敏感性。每次发现这一点，就要想办法把自己从这个 feedback loop 里面抽出去，主动给 AI 创造一个它能自我迭代的环境。

分享一个用 AI debug code 的例子。 我因为对 opencode 做了一些魔改，所以本地一直用的是源码自己编译。最近一次升级把它搞挂了，所以我就开了个 Codex 开始 debug。