技巧与观点

AI编程圈出现新主张：不应再手动提示编码智能体，而应设计循环自动完成提示、读取输出、判断完成，并在出错时重新提示。Boris Cherny（Claude Code创建者）和Peter Steinberger均持此观点。文章梳理了循环的五种演进形态（ReAct、AutoGPT、ralph loop、/loop与/goal、编排），并拆解六大组装部件：触发机制、隔离工作区、项目上下文记录、工具连接、独立验证智能体等。核心转变是从编写代码升级到编写驱动代码的系统。

开发者 Theo 让 Codex 通宵处理 GitHub 仓库中过时的 PR：自动分诊判断价值，关闭无用的，复活过时的。每个被复活的 PR 同时运行两个线程--Build 线程负责修复冲突和更新代码，Review 线程负责审查代码，形成写手+审稿人的双保险，降低单点幻觉风险。人类只需在关键节点做决策。工作流将仓库维护从个人拖延症转变为 agent 排班制度，实现"睡觉时自动干活，醒来只看决策"。主推文作者拆解出三步：Triage 分诊、关闭无用、复活并行推进，可直接复制使用。

GitHub 内部开发了 Qubot，一个由 Copilot 驱动的数据分析智能体。员工可以用自然语言直接提问公司数据，无需编写 SQL 或使用 BI 工具。团队在构建过程中积累了关于设计、集成和用户体验的经验。

更多证据，来自中国一项大规模研究，表明如果使用AI削弱了心理努力，就会损害学习。当使用AI导致做作业时间减少时，考试成绩也会下降。 综合各项研究，一个主题：AI辅导辅助课堂教学是好的，使用AI"帮助"做作业则是有害的。

搭AI Agent团队远非"5分钟教程"那么简单。环境配置（Python 3.10+等）劝退八成新手。Agent编排面临从众效应、角色不一致等缺陷，Anthropic采用Subagents模式，Cognition甚至发文称"不要构建多Agent"。上下文管理是最大隐性杀手，同一模型因上下文工程不同分差36个百分点。工具接入缺乏行为合约，API调用失败频发。低代码平台、单Agent SDK正降低门槛，但多Agent自由协作仍是难题。

准备睡觉，让AI开发一个钓点和渔获记录App。 设定 Goal 让 Codex 执行，看明天钓鱼能不能用上自己的App。

OpenRouter 是托管在 Cloudflare 边缘的 LLM 网关，无需管理基础设施，收取 5.5% 平台费（前 100 万次请求免费），支持 70+ 提供商和自动故障转移。LiteLLM 是自部署代理（Docker/PostgreSQL/Redis），数据不离开内网，免费开源，但需承担基础设施成本（生产部署约数百美元/月）。当模型月支出超过约 $3，600（基础设施 $200/月）或 $9，100（基础设施 $500/月）时自托管更划算。LiteLLM 提供六种路由策略和自定义 Python 路由；OpenRouter 具备 SOC 2、GDPR 认证和零数据保留选项。两者可串联使用。

一位前OpenAI机器人研究员用不到€5，000搭建了一套桌面机器人操控实验平台，包括UFACTORY xArm Lite 6工业级机械臂、Intel RealSense D405腕部摄像头、Logitech C920桌面摄像头和3Dconnexion SpaceMouse无线遥操作设备。整套系统置于办公桌旁，通过自研Python软件栈控制。作者计划在未来数月开展独立研究，并以公开研究日志形式记录实验过程、失败与经验，不预设产出论文或开源代码。

推文指出，普通人一个月工资足以启动一家跑通商业闭环的互联网公司，每月固定成本约$20，主要来自Claude Pro或OpenAI Codex辅助开发。其余后端数据库、部署、认证、分析、监控、缓存、邮件、支付等全链路基建均有免费起步额度，域名约$1/月。同时，引用指出当前AI范式（视频生成、VLA）仅学习统计相关性，缺乏因果理解；UCSD黄碧薇教授提出四代AI划分（相关性小模型→因果小模型→相关性大模型/LLM→因果大模型），其团队Aether AI今日完成首轮融资。

Nathan Lambert 评论称 RL speedrun 终将成为常态，当前最大瓶颈是价格--单次 RL 实验因不稳定导致噪声大，多次种子运行成本约 100 美元。@jeankaddour 随后推出 Sokoban Speedrun 项目：基于 Karpathy 的 nanochat 流水线修改，用 RL 训练 Qwen3-4B-Instruct 解决 Sokoban 谜题，GRPO 基线在 8×H100 上仅需 87 分钟。该尝试展示低成本快速验证 RL 方法的潜力。

归根结底，如果美国实验室不想被蒸馏，他们就不该提供API。看起来他们最终会对某些模型这么做，这是他们的选择。 更严格的监管实际上不会奏效，反而会伤害美国的初创公司。

禁止任何形式的开源AI将是错误。与@kevinsxu共同发布的一则面向公众的公告，阐述为何开源维护美国价值观。 管理前沿风险是困难的，但通过削弱开放前沿来减少透明度、创新和教育将更糟。

正如我之前所说，考虑到成本和性能，我认为 Fable 对于很多 SWE 任务来说并不值得。 需要说明的是，我认为 Fable 非常出色，它在设计和创意方面明显表现优异。 等它重新上线后，我会用自己的循环测试它（并衡量前沿效率）。

开发者使用 GLM 5.2 从零开始完成第一个安卓 App 开发，包括安装 Android Studio、编写代码到最终生成 APK。GLM 5.2 在大部分问题上能提供有效指导，但遇到疑难杂症时安卓系统仍难处理。作者指出当前 vibe coding 模式在电脑和 Web 端调试最为方便。

我们仍有许多工作要做。公众情绪正日益转向反对AI。 现在出现了反对数据中心、乃至整体AI的运动；怨恨情绪正在增长。 虽然其中无疑存在合理的担忧--比如对失业和能源价格上涨的恐惧--但其中很大一部分只是单纯的怨恨，需要通过教育和提高认知来解决。

Artificial Analysis 推出的 AA-Briefcase 基准测试将 AI 模型置于包含数千份 Slack 消息、邮件、会议记录等碎片化源文件的多周知识工作项目中。表现最好的 Claude Fable 5 通过率最高，但仅在 3% 的任务中完全达标；91 个任务中有 31 个没有任何模型达到 50% 通过率。弱模型因遗漏相关文件或输出无效结果而失败，强模型则因无法跨来源拼接信息而遗漏细节。任务单价差距超过 800 倍，从 DeepSeek V4 Flash 的约 0.04 美元到 Claude Fable 5 的超过 31 美元。

新研究对Anthropic Fable 5和Opus 4.8进行自动化红队攻击，持续改写有害提示词直至模型拒绝或生成坏答案。Fable 5最差攻击成功率6.1%，Opus 4.8为11.5%，证明最强LLM也无法完全免疫越狱--即便微小失败率，规模化自动化攻击仍可产生大量有害内容。旧式编码/角色扮演型越狱已非主要威胁，新弱点在于上下文：自适应攻击者在被拒后不断改写请求，寻找模型视为合法而非危险的框架。白宫与Anthropic正转向基于基准的测试框架，通过评分绕过程度、暴露能力、攻击可重复性及实际后果来量化越狱风险，而非追求不现实的完美免疫。

LLM在作为医疗助手时，评估与部署场景下的性能存在显著差距--Bean等人（2025）发现准确率相差61个百分点。这一差距并非源于基准测试设计缺陷，而是因为评估协议中嵌入的隐含假设在部署时不再成立。研究提出将假设分为任务假设和结果假设两类，用以诊断差距成因并明确弥合路径：需将假设显式化、检验哪些假设在部署中成立，并据此更新评估协议。

近期行政命令、国会提案及对Anthropic最先进模型的境外访问限制，可能开启新一轮AI监管。开源软件已支撑全球90%以上软件并创造8万亿美元经济价值，在教育、创新和竞争三方面持续赋能。Anthropic与OpenAI的封闭模型加剧市场集中，开源（尤其开放权重）是初创公司、教育机构和企业获得替代方案的唯一平衡力量。开源透明性使其更安全，更多工程师可剔除不需要的模型行为或修复漏洞。以中国竞争为由监管开源将适得其反，美国初创公司正依赖包括中国在内的开源模型提升效率。

100%的AI芯片初创公司都有幻灯片/"模拟性能数据"显示它们的芯片好得多，但99%的定制ASIC失败了。为什么？直到你意识到AI芯片是关于软件的，MATH才算是MATH。构建芯片并把数字放到幻灯片上相对容易；构建出色的软件很难。这就是为什么99%的AI芯片初创公司会失败。