yeshadoo

看了一早上，干会活就给逆转了…… 尼克斯太妖了

Andrej Karpathy 用 2 小时演示了他日常如何使用 AI 本质就是把 AI 当成能执行任务的同事，用自然语言直接沟通。 流程很简单：一句话说明任务 → AI 执行 → 看结果再用一句话微调。 真正的差别在于，你是否把这种能力升级成一个能在你不在线时也持续运行的系统。

Claude Code 负责人 @bcherny 说他已经不 prompt Claude 了。是循环在 prompt Claude、在决定下一步，他的活变成了写那个循环。Addy Osmani 给这事起了个名，叫 loop engineering：你不再是那个一轮轮敲 prompt 的人，而是搭一个会自己找活、分发、检查、记账、定下一步的系统，让它去捅 agent。 循环就五个零件，Claude Code 和 Codex 现在都备齐了。Automations 是心跳：定时自己跑、自己发现和分流，有结果进 Triage 收件箱，没结果就归档（/loop 按周期重跑，/goal 跑到你写的可验证条件为真才停，每轮完一个独立小模型来判断算不算完成，写代码的 agent 没资格给自己打分）。Worktrees：git worktree 给每个并行 agent 一份独立 checkout，从机制上断了它们踩同一个文件的可能。Skills：SKILL.md 把项目知识摊在外面，省得 agent 每次像金鱼一样重猜一遍，没它循环每轮都从零重推你的项目。Connectors（建在 MCP 上）：让循环够得着 issue tracker、数据库、staging API、Slack，差别就在「这是修复方案」和「自己开 PR、关联 ticket、CI 绿了就 ping 频道」之间。Sub-agents：写的人和检查的人分开，毕竟写代码的模型给自己打分总是手软。 还有第六件，最不起眼，可能也最要命：memory。一个 markdown 文件，或者一块 Linear board，活在单次对话之外，记着做过什么、下一步干嘛。模型每跑一次就忘光上一次，所以记忆得落在磁盘上，不能搁在 context 里。一句话，agent 会忘，repo 不会。 但有三件事循环没替你解决，而且循环越顺，这三件越扎手。第一，验证还是你的事：没人盯着的循环，也是在没人盯着地犯错，done 只是它的声明，不是证明。第二，你的理解会烂掉：循环越快地 ship 那些你没亲手写的代码，你和代码之间的鸿沟就越宽。第三，最舒服的姿势往往最危险——循环自己转起来，你很容易就不再有观点、照单全收。所以那句话是对的：Build the loop, stay the engineer，循环你来搭，但工程师这个位子得你自己坐着。

这篇论文让我感觉，我们对「AI 会取代程序员」这件事的讨论方向可能全错了。 核心观点：AI Agent 的出现不是让软件工程师工作效率更高，而是让「把决策逻辑永久编码进软件」这件事本身变得越来越不必要。 作者说的是一个更根本的范式变化：传统软件工程的本质是，人类把判断逻辑「固化」成代码——if-else、状态机、算法，这些都是把人类决策「提前写死」的方式。但在以 LLM 为核心推理引擎的 Agent 系统里，代码变成了「临时生成、用完即扔的工具」，每次任务，Agent 动态生成需要的代码，执行完就不需要了。决策不再被预先编码，而是在运行时由 LLM 推理循环动态产生。这不是增量改进，而是软件生产范式的结构性替换。 我觉得这个观点里最值得注意的细节是：这不只是生产力工具的升级，而是「软件」这个概念本身的角色在变。以前代码是「系统的中心」，Agent 框架是外壳。现在 LLM 推理循环是中心，代码变成了外壳里的临时辅助。如果这个趋势持续，软件工程的核心能力可能不再是「写出好代码」，而是「设计出可靠的推理约束边界」。 以前我们关注写出可维护的代码，以后可能更要关注设计出可靠的推理边界。 arxiv.org/pdf/2606.05608

午饭后，在我喝着瑞幸的新品烤椰咖啡时，追着《疑犯追踪》时，在走神之际，突然想明白了一个道理，这是一种醍醐灌顶的感觉。 最近正在进行学习方式的转换，收集了很多English Computer Science Books， Papers，但是学习效率很低，因为摆在面前的是两座大山，不仅要理解并掌握技术原理，还要面对源源不断涌出的新的英文词汇。 突然想起了重构的艺术，目前我所进行的是学习体系的重构，重构是为了more effective and better performance，而重构的方法论是小步快跑，逐步切换并验证，需要保证每一个阶段都是可执行的。然后，我目前的学习方式几乎完全摒弃了中文资料，完全扑向了英文材料，可以肯定的是，方向是对的，然后方式比较极端，心态比较急躁，这是不好的。 接下里要做的是逐步切换，随着时间的积累，我相信我可以在重构之后的新架构之上，有所收益的。你看，这就是计算机哲学。

📚 awesome-harness-engineering，这个项目收录的知识含金量远超这个数字——OpenAI、Anthropic、微软、Meta 的一线工程实践全在里头。 GitHub：github.com/ai-boost/aweso… 决定 agent 好不好用的，不是模型，是包在模型外面的 herness。 上下文怎么喂、工具接口怎么设计、验证回路怎么跑、记忆系统怎么管——这些加在一起叫 harness engineering，这个项目里的资料让你学到一手工程实践。 LangChain 把一个 coding agent 从 Terminal Bench 第 30 名拉到前 5，靠的就是改了 harness 设计。 微软的 Azure SRE agent 自主处理了 35000+ 起生产事故，复盘文章就在里头。 Anthropic 的长时任务 harness 设计指南、上下文工程指南、Claude Code 内部架构的逆向分析论文，全部收录。 还有 Martin Fowler 写的 harness engineering 综述、 OpenAI 的 Codex agent loop 拆解，覆盖了规划与任务分解、上下文压缩、权限沙箱、可观测、human-in-the-loop 的整条链路。

刚刚美股被叫停就刷到有人写了一篇指南。 怎么好事都是我最后知道的。 github.com/zgwl/chinese-b…

📘 高质量开源项目推荐：《Agents Best Practices》—— 生产级AI Agent Harness设计指南 这是一个 provider-neutral Agent Skill，专为 Claude Code、Codex 等 AI Coding 工具设计，提供构建可靠 agentic harness（运行时框架）的完整最佳实践参考。 核心理念非常清晰： “模型只负责提出动作，Harness 负责验证、授权、执行、记录并返回观察结果。”强调运行时严谨性而非仅靠 Prompt，让 Agent 从“偶尔能用”走向生产级可靠。 仓库包含大量实用内容： 1. Agentic Loop（模型-工具-观察循环） 2. 窄型工具与权限检查 3. 规划模式、流程编排 4. 上下文管理、记忆压缩 5. 技能/连接器、提示缓存、可观测性、评估体系 6. MVP Agent 蓝图生成、现有 Harness 审计清单等 特别适合正在使用 Claude Code、Codex 或构建多 Agent 系统的开发者、AI Agent 工程师和科研工作者。 与我之前推荐的《Learn Harness Engineering》和《Harness Books》高度互补，可作为理论+实践的进阶参考。目前已获得 1.2k+ stars ⭐。 github.com/DenisSergeevit… #AIAgent #ClaudeCode #HarnessEngineering #Codex #AI教程

保姆级把一本书变成skill的教程， 也是一个超棒的副业赚钱项目， 按我这个方法，把一本书做成 skills， 闲鱼一个卖个 19 块 9、29 块 9绝对能卖爆， 小红书的客单价更高，可以挂 99~199， 教程和思路方法都告诉大家了，能不能赚钱就看个人执行力了

这个确实非常有用~ 嘉信账户开通后，第一件事不是买股票。。。 是开两步验证——+86手机号收不到验证码，别等被锁了才后悔。。。 操作步骤👇 ✅ 下载 Vip Access ✅ 嘉信网页端→右上角→安全设置→两步验证→始终全部开启 ✅ 用 Vip Access 绑定确认码 + 30秒安全码 #嘉信理财 #美股开户

有媳妇儿才能睡上干净的四件套^_^

有血性的汉子，对于篮球的淳朴热爱

牛🐮哈登时代之后，我追马刺

@chenqing663 看着像朝阳大悦城店呢👀

天天这么多人排着队，是不是真的那么好吃啊？🤔

冰镇麒麟西瓜🍉，夏天来啦

今天周五下班，从善各庄下班到经海路接COO，好巧不巧的是，在食堂又碰见了黄岩组，从吃饭时间可以看出来，依旧是很卷的部门。

外国人都这么娇生惯养吗，我都是到家11点，洗漱完就睡觉的……

周日的赛程有点过于精彩了