Nevermined 路由、x402 支付之后，AI 智能体经济的结算层为何仍空白

AI 智能体经济中路由层（IETF 本月发布的 AGTP-COMMERCE）与支付层（x402、AEON、CEX API）已解决，但结算层仍空白。Nevermined、x402、Apex Fusion 的 Vector（已跑 20,000+ 作业）和 Akash 各跳过核心问题：都无法证明工作正确完成。

团队如何落地 AI：从 MCP 工作流到 guardrails 的鸿沟

一个组织内部正讨论 AI 落地时的 guardrails，包括共享 Skill、配置以及强制智能体行为，但发帖者认为这些限制很容易被绕过——用户可以直接让 Claude 修改 settings.json，或交出数据库密码让 Claude 查询数据库。

你是哪种 Vibe Coder？一份玩笑式角色测试

一篇俄语文章把 Vibe Coding 的开发者分成从「Воин（战士）」到「Некромант（亡灵法师）」的十余种角色，用表格列出每种角色的开发方式。

从手动部署到对话生成：Codex 与 Claude Code 时代的应用开发变迁

过去搭建网站需要手动完成前端开发、后端管理、数据库选型与连接、托管部署、域名配置及故障修复；如今用户只需向 ChatGPT 描述需求，即可获得包含托管、数据存储、认证和部署的可用应用。基础设施正被界面隐藏，应用构建的未来可能更像产品工程而非软件工程。

用户反驳近期对 OpenAI 的批评：Sol 6.1 与 Astra 实际使用体验

一名 OpenAI Pro 20x 订阅用户反驳近期对 OpenAI 的批评，称 Sol 6.1（多用 xhigh）智能可靠、不易跑偏，三天仅消耗 10% 用量，虽实测约 16 tok/sec 偏慢但产出稳定。他通过优化工作流将 token 消耗减半，并提到 Astra 消耗较大，以及 tibo 宣布 Sol 和 Astra 提速 50%。

一位 Rust 开发者为什么仍然害怕用 AI 写代码

Rust 开发者 NikTimf 在 Habr 撰文说，自己仍然害怕用 AI 写代码，原因不是生成质量差，而是生成量太大、后续没人真正看懂。他列举了具体代价：多个智能体之间要反复传递上下文，答案冲突时还得自己判断谁对；公司只允许本地或自研模型时，用惯强模型的人很难退回；同事充当 meat proxy 转发 AI 答案，理解任务和推进实现的活仍落在自己身上。

《Agent Harness 技术蓝皮书》对内发布，并定量定性分析 RAG 当前研究趋势

社区对内发布《Agent Harness 技术蓝皮书》，全书 8 篇 33 章共 139 页，将 Agent Harness 定义为围绕大语言模型构建的确定性运行时。同期基于 arxiv API 检索 2026-08-01 至 10-05 的 66 天数据，去重后新增 930 篇 RAG 相关论文，约 14 篇/天，研究重心已从检索 pipeline 搭建转向系统层、质量层与形态层。

一位银行小企业部门主管的 AI 使用手记：Claude、ChatGPT、Gemini 与 Perplexity 如何省下每月 3-4 个工作日

车臣共和国小企业管理部门负责人穆拉德·扬达罗夫分享了自己零散使用 AI 的经验：用 Claude 合并 5-6 张跨 5 个共和国的表格、生成 Word 文档，用 Gemini 解读晦涩术语，用 Perplexity 查资料、Nano Banana 2 做演示配图，并称这些工具每月为他省下 3-4 个工作日。

OpenAI 与 Anthropic 战略执行层对比：为何 Anthropic 执行更稳

有用户对比 OpenAI 与 Anthropic 的高层执行力，认为 OpenAI 在模型命名、Codex 模式与 chat 模式割裂、发布节奏与用量限制上问题频出，最新 6.1 Sol 被认为落后 Opus 5.5 一个层级。

Agentic Coding 2026：从自动补全到自主开发者，Claude Code、Cursor 与 GitHub Copilot 三分天下

2026 年 AI 编程工具已分化为三类：GitHub Copilot 以插件形式嵌入编辑器，Cursor 是独立 AI IDE，Anthropic 的 Claude Code 则是终端优先的智能体。

OpenAI 的 Tibo 谈 Dots：循环和工作流只是过渡，留存就是分发

OpenAI 负责 ChatGPT 和 Codex 的 Tibo Sottiaux 在 Lenny's Podcast 访谈中表示，让用户自己搭循环、画流程图、反复调教工作流只是过渡，真正会赢的是 Dots 这类会学习、永远在线的 agent。

技术观察：从论文看数据合成方向趋势及5个任务核心发现

对 arXiv 2026年3月至10月初的 225 篇数据合成论文（cs.CL/cs.LG/cs.AI）统计显示，领域重心已从"怎么生成"转向"怎么验证与怎么度量"，验证/过滤是唯一横跨全部任务的方案族，理论/度量增长最快。

用 AI 自己 vibe coding 一套 ERP，能替代买现成软件吗？

有 15 年仓储系统 СКИФ 开发经验的作者认为，AI 能写出可用的库存与财务记账内核，但负库存、后补单据、НДС 取整等业务规则仍需人来定，俄罗斯本地的 НДС、УПД、标记、ККМ、ЭДО 集成细节 AI 也常编错。最小可用内核约几千行代码、15–25 张表、数十个界面，且上线后头半年才真正成熟；AI 不承担出错责任，而厂商会免费修 bug。

OpenAI 超级应用计划意味着什么：ChatGPT、Codex 与 Atlas 将合并为一个桌面应用

OpenAI 计划在 2026 年底前把 ChatGPT、Codex 编码应用和 Atlas 浏览器合并成一个桌面应用，由应用业务 CEO Fidji Simo 负责推进。

geoff@GeoffreyHuntleyAI 评分2020

Geoffrey Huntley 认为，Docker/Kubernetes 时代的编译、重启、部署 CI/CD 循环整体可以被压缩，但因 VC 产业复合体而迟迟未发生。他反驳 golang 或现有语言会胜出的观点，称几乎所有编程语言本质相同，下一步将是被重新应用的旧思路：actor 模型与修复镜像而非重建镜像，且为 LLM 作为程序员而设计，而非为人类。

AI 编程是否让软件库建设变得过时？

有开发者提出，随着最新一轮模型发布，AI 已能在生成应用时把几乎任何库的功能内联生成，因此软件库建设可能不再必要。过去把功能拆成定义清晰的模块、增量发布并复用代码，是在构建耗时较长时的必要做法，如今这些做法的重要性明显下降。该问题目前只是提问与讨论，尚无结论。

Matt Pocock@mattpocockukAI 评分4040

Matt Pocock 与 poteto 交流后提出，AI 时代应更多使用抽象，配合严格的 lint 规则来缩小智能体的设计空间，把它们约束在好的决策上。高杠杆抽象能用更少代码做更多事，因而更省 token；有了智能体，拆解坏抽象造成的损害也便宜得多。他认为这与“智能体只想读原始代码”的流行看法相反，呼吁大家更大胆地设计抽象。

360 纳米 Work 发布：国产版 Personal Agent，用云电脑 7×24 干活

360 推出纳米 Work，定位超级个人云端助理，被视作国产版 Meta Muse。产品内置国内主流 100+ 模型，配备自动配置的云电脑，可 7×24 小时在云端执行任务，并支持接入飞书、钉钉等 IM，用户只需填入 App ID 和 Secret 即可使用。它还能自动挑选模型与 Skill、积累记忆，无需手动配置参数。

为什么交付能力是工程师一切技能的基础

在大厂做工程师，开会、写设计文档、带团队等技能都建立在能交付这一基础之上。作者用 Dota 2 的对线、万智牌和星际争霸的 aggro 策略作类比，指出交付就像这些激进打法，约束着整个策略空间。

什么是 vericoding？AI 生成代码时代的验证新范式

vericoding（AI 引导的认证程序精化）是一种以规范而非实现为核心的软件工程方法，由定理证明器（如 Rocq、Lean）充当认证器、AI 负责猜测实现，机器负责验证代码是否符合规范。它按梯度推进：从 Gherkin 场景的 BDD，到 specsaver 的可执行运行时契约，再到 axiomander 的机械化证明。Scidonia 用该方法证明程序行为并优化慢路径。

编程手艺已被商品化，但企业内的开发权限没有

游戏开发圈已出现"人人都是游戏开发者"的现象，借助 AI，没有软件或游戏开发技能的人也能表达需求并拿到结果。作者认为 2026 和 2027 年的重点是在组织内让更多人参与并开发软件，若企业路线图没有这一项就是跑偏。他还建议对拒绝使用 AI 编码工具的工程师在六个月内进行严肃的职业对话，并称 LLM 生成的代码质量超过 99% 的公司能招到的人。

Gemini 4 Argon 发布：先别急着给主力编程流搬家

谷歌发布 Gemini 4 Argon，单次输出上限达 100 万 Token，首发每任务成本较 GPT-6 Astra 低 40%，但仅开放受控早期访问（Fairwind），普通开发者拿不到 API Key。

从Figma看AI时代的设计与创造：当代码生成人人可及，什么才是真正的差异化？

Figma CEO Dylan Field 认为，当代码生成变得人人可及，品味与设计才是真正的差异化护城河。Figma Make 支持通过自然语言提示从零生成完整设计和可运行应用，产物可下沉到 Figma Design 做像素级精修，并通过 CodeConnect 和 MCP 服务器桥接设计与代码。Dylan 将当前阶段比作 AI 的 MS-DOS 时代，认为自然语言只是驱动模型的界面起点。

Nuanced 作者复盘：规划模式已死，计划不该做成文档

Nuanced 作者 honest_niceman 复盘自己围绕规划模式打造的桌面开发应用为何失败，认为规划模式正在失去价值。他列出四点原因：把规划与计划混为一谈、模型能力变强后不再需要显式指令、AI 写出的长规格文档难以阅读、以及把规划与开发切成线性流程迫使开发者过早结束思考。

Armin Ronacher 发布 Rust 序列化库 Deser，重新设计 Serde 架构

Armin Ronacher 重启 2022 年搁置的实验项目 Deser，一个把 Serde 使用体验放在 miniserde 式架构上的 Rust 序列化库。

对 AI 狂热的一些冷思考：工具好用，但别急着宣布程序员不再被需要

一位开发者用两个晚上靠 AI 写出一个猫粮商店，工具确实好用，但作者提醒：从"我配好了自动浇水"到"农艺师不再被需要"之间还有很大距离。他建议开发者先在自身实验里弄清哪些活能交给 AI、哪些必须逐步检查、哪些自己做更省心，并注意助手反复修补上一次修补后果时，方案就已不再划算。作者还指出，"加快团队速度"的要求背后往往藏着缺乏规划、承诺 4 周变 8 周等真问题，而 AI 只是被预先选好的手段。

浅谈 AI 进化史：从 ChatGPT 到 Agent 工作系统

2022 年 11 月 30 日 ChatGPT 上线，到 2026 年 9 月不到四年，AI 从聊天框走向 Agent 工作系统。

人机协作是为了对齐，不是为了能力

作者认为，AI 辅助的工程师虽然比单独的 AI 或人更强，但优势不在编程能力，而在把 AI 对齐到组织的技术价值观。他观察到 Agent 写的代码编译通过、很少出现并发错误，纯 vibe coding 的问题在于代码不可维护、为满足臆想需求牺牲真实需求、违背功能长期策略。

随笔：人也是 LLM，也需要 KVCache

作者认为人越来越像 LLM，自己写的公众号文章构成了可复用的 KVCache，还能与他人做 Prefix-Cache。他把几个月没碰的《大模型强化学习》专题交给 Agent 做成 GitHub Pages 网站并生成简短 summary，视其为某种 session compaction。

Thorsten Ball 谈 AI 智能体时代编程语言与框架的走向

Thorsten Ball 在 Register Spill 的 Joy & Curiosity #101 中提出，框架已不再是最大的开发者生产力杠杆，AI 智能体比它大一百倍，语法和工具易用性也不再重要。

给初级软件工程师的建议：AI 时代不要恐慌，也别把判断力交给 AI

面对 LLM 和 AI 智能体带来的行业剧变，资深工程师 Sean Goedecke 建议初级工程师不要轻信 ZIRP 时代的建议，不要参与政治斗争，保持友善和尽责。他同时提醒不要恐慌 AI，也不要完全回避 AI，而应把 AI 智能体的建议当作参考，用自己的判断去理解系统，避免成为只转发 AI 输出的“肉代理”。

为什么你应该在对话中多提问，包括对 AI 智能体

作者主张在别人讲解方案时平均每三十秒问一个确认性问题，因为早期的小误解会层层放大，等到讲完再一起问就来不及了。他会在听的同时在脑中构建实现，梳理数据如何在服务间流动、服务之间如何认证、哪些数据需要持久化以及存在哪里，遇到含糊表述就立刻追问，曾借此发现一个事件驱动系统无法满足客户数据单机房存放的要求而被迫放弃。

XCircle 小飞谈 AI 原生组织：科层制是信息路由协议，管理水位被大幅降低

XCircle 联合创始人小飞在与徐文浩的对谈中提出，科层制本质是一套信息路由协议，AI 原生组织真正替掉的是管理，可把管理水位降低八九成。她给出的落地做法包括：正式取消部门与层级，小队规模从过去的一到八人缩到 2 到 4 人，每个 agent 必须有一个 owner 负责，中后台输出 agent 并按比例参与分钱。

Steve Yegge@Steve_YeggeAI 评分2222

Steve Yegge 开始使用 GPT-6 Astra，称其写作自然讨喜，已多次让他惊叹，而他此前已用 Fable 数月。两者风格差异明显：Fable 会先记录并规划再动手，Astra 则始终处于 100% Leeroy Jenkins 模式，接到任务就猛冲。他表示目前严肃工作仍会继续用 Fable。

为什么 98% 的 LLM 开发成果取决于生态而非模型本身

俄罗斯软件公司 Diasoft 董事会成员 Alexander Sakharov 提出，语言模型本身只贡献约 2% 的 AI 开发成果，其余 98% 来自指令、门禁、流程、记忆和人员构成的“生态”。Diasoft 的 AI Driven 版 Digital Q 生态由约 40 个智能体组成，每个阶段都设有质量门禁，团队约 20 人、耗时六个月完成向智能体方案的全面切换。

Steve Yegge@Steve_YeggeAI 评分3838

Steve Yegge 提出 Agentic TPM（技术项目经理智能体），认为这是编码智能体进入企业最直接的方式，并为明年真正的 AI 员工铺路。这类智能体拥有外部邮件和 Slack 权限，只负责询问、观察、记录和汇报，没有执行权，因此风险低、影响范围小，且不需要最顶级的模型，有 Opus 或 Sol 权限即可运行。

System One 模型如 Jev 可训练自己的替代品

System One 模型如 Jev 是快速通用分类器，可像 LLM 一样通过提示词处理多种任务。作者认为，由于 Jev 需要针对具体任务提示，成功的使用场景可以很容易地蒸馏成专用分类器，后者在特定任务上更快、更便宜。

咬牙发布：为什么优秀的程序员和写作者都该降低完美主义

程序员和写作者常因品味高而不敢发布作品，但发布本身是一项需要练习的独立技能。作者以自身博客为例，指出高产比精雕细琢产出更高，且读者反响与作者自我评价之间没有相关性。

Mitchell Hashimoto@mitchellhAI 评分3838

Mitchell Hashimoto 提出“白板答辩”标准：任何面向客户的系统，开发者都应能随时被叫住，清楚解释其工作原理并为自己的决策辩护，这是他对负责任使用 AI 的衡量标准。

慢开发者体验将拖累快速模型

Sean Goedecke 认为，当模型推理速度达到每秒数千 token 时，瓶颈会从生成 token 转移到工具调用：读文件是 100ms 还是 10ms、跑测试是 500ms 还是两秒，将决定智能体是近乎即时响应还是让用户等上几分钟。