技术发展新闻

从 IDE 到终端：一份智能体工程实战操作手册

marsbit06/03 07:00

54万行代码之后，Garry Tan发现AI编程的旧游戏结束了

YC总裁Garry Tan通过一个54万行代码的AI编程项目得出结论：传统的软件管理模式在AI时代已过时。过去因模型昂贵，开发者用大量代码和测试来约束AI，如同为智能工人建造“富士康工厂”。但随着模型成本下降、能力提升，重点应从“写更多代码”转向“设计更多能力”。 他提出用Markdown构建“技能包”（skill pack），将可复用的工作流模块化，并由AI自动生成代码和测试。例如，原本需数天的黑客松评审，现在由AI在30分钟内完成。这种“即时生成式软件”模式，使工程师的核心竞争力转向问题定义、判断力与经验沉淀。 未来，优秀的工程师未必是写代码最多的人，而是能通过清晰指令释放AI最大潜能、用最少代码实现最多价值的人。真正的创新在于构建解放AI与人类创造力的系统，而非用代码层层束缚。

marsbit06/02 21:38

Vitalik：基于期权而非债务构建指数追踪资产

以太坊创始人Vitalik Buterin提出了一种新的合成资产构建思路：基于期权而非债务来创建跟踪特定价格指数（如美元兑ETH价格）的资产，以规避传统算法稳定币对实时清算和实时预言机的依赖。 传统方法通过强制清算来处理抵押不足的债务，但这需要高频率、高安全性的实时预言机，实施难度大且风险高。新方案的核心是定义两种资产：P和N。用户可以用1个ETH生成一对(P,N)，到期时根据预言机提供的指数价格进行结算：P获得min(1, S/x)个ETH，N获得max(0, 1-S/x)个ETH，其中S是执行价，x是到期价格。这本质上是一个无需清算的预测市场（标量市场）。 持有P资产（如执行价1500的P）可获得对目标指数（如美元）的风险敞口，但其价值会随标的资产价格接近执行价而出现“二次方漂移”。为了管理风险，用户需要主动进行再平衡（例如，当价格接近执行价时，滚动换入执行价更低的期权），而非依赖协议强制清算。这种设计将风险管理和时机决策交给了用户，降低了对全局实时预言机的依赖和用户的MEV风险。 用户可选择通过全自动链上DAO或个人本地程序进行再平衡。虽然主动管理会带来成本（如滑点）和一定的价值波动（可能年化1-4%），但相比于法币间的波动或某些算法稳定币的回报率波动，这一成本在追求价格稳定（非会计稳定）的应用场景中是可接受的。关键在于设计低滑点的市场机制来支持用户的低频再平衡操作，从而提升整体方案的竞争力。

marsbit06/02 03:12

瑞波向隐私领域的迈进：XRP账本重组将如何影响网络

瑞波前首席技术官大卫·施瓦茨近日探讨了XRP账本在面临国家级攻击压力时的应对策略。他指出，虽然如威权政权等国家行为体可能暂时扰乱包括XRP账本在内的区块链网络，但造成长期破坏要困难得多。 施瓦茨认为，当前Ripple运营的验证节点仅占全网不到20%，因此针对Ripple基础设施的集中攻击不会导致验证节点集失效。网络生存的关键在于社区能否持续替换受损或受胁迫的验证者。只有当攻击使得人们因恐惧而完全不敢运行验证节点时，威胁才会变得严重。 作为长期应对方案，施瓦茨提出了一种双层共识结构的可能性：内层处理日常网络活动，外层则仅在需要更改内层唯一节点列表（UNL）时介入。内层验证者易受攻击但易于替换，外层验证者角色更轻量、出现频率更低，且可通过Tor等匿名服务运行以增强隐蔽性，从而使针对性攻击更加困难。他强调，只要社区保持活跃响应，外部力量就难以实现长期控制。

bitcoinist06/01 18:01

手机上跑MoE？Meta提出MobileMoE，iPhone 16 Pro提速3.8倍

Meta团队提出MobileMoE，首次在商用智能手机上实现了高效的混合专家模型（MoE）推理。该模型面向端侧设计，采用MoE层替代传统稠密前馈层，通过路由机制为每个token选择少数专家进行计算，并包含共享专家。MobileMoE-S/M版本在内存相近的情况下，仅需稠密基线1/2到1/4的计算量，在14项基础评测中达到持平或更高的平均准确率，为端侧大语言模型建立了新的帕累托前沿。 在iPhone 16 Pro的实测中，MobileMoE-S在输入阶段最高提速3.8倍，逐token生成阶段提速2.2-3.4倍，且峰值内存占用低于对比模型。量化至INT4后性能降幅较小，仍保持竞争力。 研究同时探讨了专家数量、粒度及共享专家等架构选择，确定了E=8、g=8、带共享专家的优化配置。尽管MobileMoE在代码和数学任务上表现突出，但在高阶指令遵循与知识推理上仍落后于Qwen3.5 2B。未来需通过蒸馏、后训练及多模态扩展进一步提升，并探索NPU部署、动态路由等方向以优化端侧效率。

marsbit06/01 06:09

为什么更多AI Agent不等于更高生产力？

当AI Agent变得越来越易得和便宜，启动多个Agent已轻而易举，但这并不意味着生产力会随之线性提升。文章提出了“编排税”的概念：虽然启动Agent成本低廉，但真正昂贵的是后续需要人类投入的串行工作——检查结果、理解架构影响、处理冲突并决定最终代码合并。这些任务无法并行，必须经过开发者有限的认知带宽。 开发者如同AI系统中的“全局解释器锁”（GIL），成为限制整体吞吐量的单线程资源。更多Agent可能只会加长待审查队列，导致频繁的上下文切换和认知疲劳，反而降低效率。因此，关键不是盲目增加Agent，而是围绕人的注意力重新设计工作流。 有效的策略包括：根据review能力而非UI能力限制Agent数量；将任务分类，只将独立任务交给Agent并行处理；采用批量review减少切换成本；让Agent自行验证可自动化部分，节省人类判断力；并保护专注的串行时间用于深度思考。 忙碌感不等于高产，忽视“编排税”可能导致技术债和认知债积累。真正的能力在于像设计并发系统一样，精心管理自己有限的注意力资源，确保AI工具真正提升生产力而非制造假象。

marsbit05/31 22:44

三年之后：回看 2023 年我对 ChatGPT 的判断

作者王健硕在2026年5月回看其于2023年3月对ChatGPT做出的二十条预测，并借助AI代理进行验证。整体看，其大方向判断多正确，但细节和程度常有偏差。 **看对的方面：** - **技术架构**：准确预测RAG（检索增强生成）将成为解决知识更新和幻觉的主流方法，以及LUI（自然语言用户界面）将催生巨大新产业。 - **发展趋势**：预见到“机器人网络”和新的agent寻址系统将出现，中国能快速做出可用大模型并缩小与顶尖差距。 - **本质认知**：正确指出ChatGPT没有意识，图灵测试仅测表象；判断其是巨大进步但非AGI，且短期内不会造成整体失业潮。 **看错或看偏的方面：** - **具体数据错误**：关于GPT-4有100T参数的传闻完全错误。 - **绝对化判断**：断言LLM“不可能”自己学好数学被后来模型在IMO夺金证伪；认为AI生成内容可“规避”版权，实则引发史上最大侵权赔偿。 - **价值与成本误判**：认为价值终落应用层，但最大赢家是算力层（如英伟达）；模型成本“5-10亿封顶”的估算严重偏离实际。 - **社会影响误读**：认为ChatGPT的“加权平均”特性可能促进“世界大同”，但实际AI正走向个性化，并可能制造新信息茧房。 **总结规律：** 1. 预测机制和方向比具体数字更可靠。 2. 倾向于高估短期变化速度，低估长期影响程度。 3. 容易忽略问题内部的“分布”差异（如失业影响集中在年轻群体）。 4. 留有餘地、分层表述的判断更经得起时间检验。 5. 一些根本性争议，三年时间仍不足以给出定论。 这次复盘旨在为未来的判断立下更审慎的规矩。

marsbit05/31 16:02

小米MiMo降价99%并非营销！罗福莉发X打脸唱衰者

小米MiMo负责人罗福莉发布技术博客，详细解释MiMo-V2.5系列API降价99%并非营销或价格战，而是基于六项核心工程优化带来的真实成本下降。 降价主要针对“Input (Cache Hit）”，即用户重复读取历史对话上下文的场景。通过六项关键技术实现降本： 1. **架构优化**：采用混合注意力机制，将模型“记忆”体积压缩至1/7。 2. **显存管理**：实现KVCache双池化，真正释放显存空间，使单GPU并发用户数提升5倍以上。 3. **缓存命中**：改进前缀缓存规则，服务端缓存命中率平均达93%，高频用户超95%，大量重复请求无需GPU计算。 4. **存储成本**：自研GCache系统，将缓存直接部署在GPU机器的SSD上，额外存储成本近乎为零。 5. **智能调度**：自研LLM-Router调度系统，通过亲和调度、长度分桶等方式优化请求路由，提升吞吐并降低延迟。 6. **生成加速**：原生支持多token预测，在部分场景下使模型生成速度提升最高2.3倍。 这六项技术环环相扣，形成完整降本链条，显著降低了单位请求的GPU计算时间和整体成本，从而支撑了大幅降价的同时保持毛利率为正。罗福莉此举旨在强调此次降价是工程能力兑现的结果，而非市场策略。

marsbit05/31 10:37

苹果用AI重新发明了图像压缩：同样画质，文件只要三分之一

2025年2月，JPEG AI作为首个端到端学习型图像编码国际标准发布，标志着AI开始重写图像压缩的规则。然而，传统压缩技术优化的是PSNR等数学指标，而非人眼感知，导致压缩后图像可能出现边缘模糊、文字变形等问题。 苹果团队近期提出的感知图像编解码器PICO，旨在直接针对人眼视觉体验进行优化。它通过三项关键技术解决核心难题：1. 采用“一次性上下文模型”，在保持编码精度的同时大幅提升速度；2. 引入TextFidelityLoss，专门保护图像中文字的清晰度，减少形变；3. 设计TilingArtifactLoss，有效消除图像分块处理产生的色块边界。 大规模人类主观评测显示，在达到相同视觉质量时，PICO生成的文件大小仅为AV1、VVC、JPEG AI等标准的30%-43%，对比其他学习型感知编解码器也能节省20%-40%的码率。在iPhone 17 Pro Max上，编码一张1200万像素照片仅需230毫秒，具备实用速度。 尽管PICO在处理卡通等高度规则化图像时效率不如传统编码器，但其成功将“感知压缩”从学术远景变为可在移动设备上运行的工程现实，代表了图像压缩从优化数学指标向优化人眼感知的重要转折。

marsbit05/30 02:47

倒反天罡，AI越来越强，人类开始“自证清白”

AI日益强大的生成能力正迫使人类进入一个“自证清白”的时代。近期，文学圈接连发生争议：英联邦短篇小说奖的获奖作品被AI检测工具判为“100%AI生成”，诺贝尔文学奖得主的新书也因提及使用AI辅助而被质疑由AI代笔。与此同时，绘画领域的创作者们不得不通过录屏、直播、展示图层甚至“对赌”的方式来证明自己的作品纯手工完成。 当前“鉴AI”主要依赖人眼观察和第三方检测工具，但这些方法并不可靠。检测工具基于统计特征进行模式识别，容易误判——例如，非母语写作因其规整性常被误判为AI生成。而“肉眼鉴别”同样漏洞百出，甚至闹出将莫奈真迹误认为AI仿作的笑话。 技术层面，为AI生成内容添加“水印”是潜在的解决方案，包括元数据标记和隐形水印，已在图像、视频领域有所应用。然而，这些标记可能在后处理中丢失，且文本水印的推进尤为缓慢，部分由于准确率、用户接受度等顾虑。OpenAI曾推出文本检测工具但因准确率低而下线，其内部开发的文本水印工具也未能公开发布。 这场“鉴AI”风潮的背后，是人类对AI逼近乃至混淆人类创造力的深层焦虑。在缺乏完美鉴别手段的当下，创作者不得不承担额外的“自证”成本。未来，只有当“AI参与”成为常态，“人类原创”变得稀有，这场普遍的信任拉锯战或许才会失去意义。

marsbit05/29 05:17