# 自动化的所有文章

写Prompt过时了？AI编程正在转向Loop Engineering

AI编程协作方式正从手动编写提示词转向设计自主运行的循环工作流，即“循环工程”。该模式通过五个核心模块构建系统：Automations（自动发现和分诊任务）、Worktrees（隔离并行开发环境）、Skills（沉淀项目知识）、Plugins/Connectors（连接真实工具）和Sub-agents（执行与审查分离），并依赖外部记忆层保存状态。 这种转变将工程师的判断力前置到系统设计中，使开发者能设计可持续、可验证的Agent工作流，从而显著提升工作效率。然而，循环工程并未取代工程师的验证、理解和判断责任。风险在于过度依赖自动化可能导致“理解债”和“认知投降”，即忽视对代码和系统的深入掌握。未来与AI协作的关键能力在于设计可靠且受监督的工作流，而非仅仅撰写提示词。真正的价值在于利用循环放大工作杠杆，而非逃避思考。

marsbit06/10 17:55

如何用 Claude 的 Dynamic Workflows 做深度研究

做技术调研容易陷入信息过载和结论模糊的陷阱。AI虽执行力强，但易困于当前信息且跨界联想弱。Claude近期推出的Dynamic Workflows（动态工作流）功能，旨在通过AI自动设计并执行任务流程来提升深度研究能力。 其核心是六种工作流模式：1) 路由模式：由主Agent判断任务类型并分发给最专业的子Agent处理，精准高效但处理模糊任务能力弱；2) 拆分合并模式：将任务拆分为多个独立子任务并行执行后合并结果，速度快但Token成本高，合并有挑战；3) 对抗验证模式：让多个Agent从反驳角度挑战同一结论，基于多数票通过，能有效减少确认偏误，但需基于事实而非观点；4) 生成与过滤模式：先生成大量候选方案，再用预设标准筛选出最优，能提升多样性，但过滤标准至关重要；5) 锦标赛模式：多个Agent竞争同一任务，通过两两对比逐轮淘汰选出最优，评判更稳定；6) 循环模式：通过自适应迭代不断尝试直至满足条件，擅长处理边界未知的任务，但有失控风险。 相较于作者自建的深度研究技能，官方的动态工作流增加了关键环节：问题拆解、信息可信度评估、交叉删除（投票淘汰而非简单合并）以及目标导向的输出。这有效解决了AI长任务中的目标漂移、过早停止、上下文污染和输出偏向等问题。 总之，Dynamic Workflows将研究流程本身结构化，通过多Agent的智能调度，显著提升了研究的效率和结论的可靠性，将以往可能需要十几次对话的调研压缩到3-4次，尽管Token消耗大幅增加。但它仍有局限：在验证机制上可能过于依赖官方文档而非事实数据；对于完全跨界、数据不足的深度思考支持有限；在解决方案的验证与成本权衡上仍有不足；在针对不同受众进行信息极致浓缩方面也需进一步优化。

marsbit06/09 03:07

让AI自我构建的RSI火了，Google泼冷水，DeepSeek们摸到了边

“递归自我改进”（RSI）概念近期在AI领域引发热议，指让AI系统自我训练、自我构建，以实现持续进步。国外如Recursive Superintelligence公司、安德烈·卡帕西的Auto-Research项目等正积极探索，旨在实现AI全自动研究闭环。Google CEO桑达尔·皮查伊则态度谨慎，认为当前尚未达到RSI所描述的加速阶段。 业内将RSI进程分为三级：AI能独立进行研究（足够级）、与人类研究质量相当（对等级）、超越人机协作（超越级）。专家预测，一旦达到对等级，进展可能急剧加速。 国内厂商虽较少公开提及RSI，但已在实际研发中触及相关理念。例如DeepSeek通过算法优化提升效率，百度文心利用强化学习推动模型自优化。不过，在顶尖人才密度和前沿探索上，国内仍处于跟随状态。 RSI面临现实挑战：AI自我生成数据可能导致质量退化（模型坍缩），且其发展依赖无限的算力与开放的全球协作生态，而当前算力成本高企、技术脱钩等因素构成制约。 行业趋势显示，人类正逐步从AI研发链条的各个环节后退。这种自动化进程虽能提升效率，但也可能削弱人类对技术本质的理解与掌控。

marsbit06/06 23:25

硬氪独家 | 唐文斌「原力灵机」并购物流机器人公司，并获智谱、商汤、阶跃等投资

具身智能企业「原力灵机」近期完成新一轮融资，投资方包括智谱、阶跃星辰、商汤科技等大模型公司，以及华勤、上汽恒旭等产业资本。该公司由旷视科技联合创始人唐文斌于2025年3月创立，核心团队来自旷视。此次融资标志着商汤、旷视等公司在具身智能领域罕见“会师”。 同时，「原力灵机」通过股权并购方式，与物流机器人公司「Atomix」（原力聚合）合并，旨在整合机器人资产与场景数据，推动具身智能大规模落地。Atomix源自唐文斌在旷视时期主导的物流机器人业务，其托盘四向车销量全球第二，年营收近十亿，服务超过500个项目。 合并后，Atomix在全球项目中积累的真实数据将成为「原力灵机」模型训练的“燃料”，而其通用具身大模型“DM0”也将赋能Atomix的现有机器人。DM0通过融合互联网语义、智能驾驶规则和机器人实操数据，实现了跨硬件迁移和精细操作能力。行业正进入整合本体、大脑与数据的新阶段，以突破“数据死结”，寻找具身模型的规模化定律。

marsbit06/05 01:07

Codex与ChatGPT合并，编程工具大洗牌开始了

OpenAI宣布将把Codex、ChatGPT和浏览器产品Atlas整合成一个桌面超级应用，表明其战略重心正从ChatGPT转向Codex。Codex最初是编程工具，现已成为增长最快的业务之一，周活跃用户超500万。OpenAI认为，ChatGPT主要解答问题，而Codex能直接完成工作，后者对企业价值更大。 过去一年，分析师、投资经理、营销人员等非开发者用户快速增长，Codex正从程序员工具转变为知识工作平台。它通过自动执行复杂任务（如分析财报、生成报告、设计原型）重构了白领工作方式。OpenAI为此推出了面向数据分析、销售、产品设计等职业的插件。 OpenAI还推出了“Sites”等功能，让用户通过上传资料自动生成可交互网站，使协作过程更接近人与同事互动而非操作软件。这体现了其更大野心：让AI理解工作并自动调用工具完成任务，用户只需提出目标。Codex因此被视为“数字员工”，代表AI从“聊天时代”进入“执行时代”，未来竞争核心在于谁能替用户完成工作。

marsbit06/04 11:31

GitHub，被 AI 打穿了

2026年2月9日，GitHub发生大规模服务中断，核心数据库集群因“缓存重写风暴”过载，导致网站、API、Actions及Copilot等服务瘫痪。事故根源是一个配置改动（缓存刷新时间从12小时改为2小时），但背后是平台面临的结构性挑战。 2026年前三个月，GitHub发生至少8次重大事故，故障原因各异但相互关联。深层原因是AI Agent的爆发式使用导致负载性质剧变。数据显示，2026年单周代码提交量达2.75亿次，按此推算全年将达140亿次，是2025年的14倍。AI贡献的提交量和PR数量在数月内增长数十倍。这些不眠不休的AI“用户”以远超人类的速率提交代码、创建仓库，使GitHub的负载模式从可预测的人类节奏转变为持续高压的自动化洪流。 同时，AI Agent（尤其是Agentic工作流）消耗的计算资源远超预期，使GitHub基于座位的Copilot订阅模式严重亏损。GitHub不得不实施限流，并于6月1日全面转向按用量计费。 为应对挑战，GitHub宣布需按当前规模的30倍重新设计架构，而非简单扩容，重点包括解耦服务、增强故障隔离、改进流量管控等。行业如Stripe、AWS也面临类似问题。 本质上，GitHub正从“人类协作平台”转变为“AI工作流的输出管道”。这不仅是基础设施的压力测试，也引发对其商业模式和核心身份的重塑。频繁的事故报告和高透明度，是平台在重建过程中争取社区耐心的方式。这次停机事件标志着软件开发在AI时代的一次深刻转折。

marsbit06/04 10:39

Claude Code 推出动态工作流：让AI学会自己组队干活

Claude Code 推出了动态工作流（workflows）功能，使AI能够根据任务动态组建多个智能体（Agent）团队协同工作，从而解决复杂的长周期任务。 该功能的核心价值在于，它改变了Claude Code原有的“单智能体在单一上下文内规划并执行”的模式。通过动态工作流，Claude可以将任务拆解，分派给多个拥有独立上下文的子智能体并行处理、交叉验证甚至彼此竞争，最后综合结果。这有效缓解了单智能体在处理长任务时常见的“智能体惰性”（提前宣布完成）、“自我偏好偏差”（倾向认可自己的结论）和“目标漂移”（逐渐偏离原始目标）等问题。 动态工作流通过执行一个包含特殊函数的JavaScript文件来协调子智能体。它支持多种实用模式，例如：将任务分类后路由给不同智能体；将任务拆分为多个小步骤并行处理再综合（扇出并综合）；生成多个方案后通过锦标赛机制竞争筛选；以及进行对抗式验证等。 其应用场景显著超越了传统的代码任务，扩展至非技术领域。示例包括：代码迁移与重构、深度研究与事实核查、对大量简历或工单进行排序、从历史会话中提炼行为规则、进行事故根因调查、对积压任务进行大规模分诊，以及在命名、设计等需要探索和品味判断的任务中生成并筛选方案。 文章也指出，动态工作流并非万能。它通常会消耗更多token，因此不适合所有常规编程任务。最佳实践仍在形成中，开发者需要根据任务复杂度判断是否使用。用户可以通过详细提示（prompt）设计工作流，并结合 `/goal` 和 `/loop` 等指令，或设置token使用预算来优化效果。创建的工作流可以保存、共享甚至通过技能（skill）进行分发。 总的来说，动态工作流标志着Claude Code从一个代码助手向一个可编排的智能体工作台演进。未来AI工具的竞争力，可能不仅在于单个模型的智能程度，更在于其组织可靠、可复用执行流程的能力。

marsbit06/04 02:15

从 IDE 到终端：一份智能体工程实战操作手册

marsbit06/03 07:00

跨链桥主动求变，LI.FI用意图架构成为TradFi机构流动性中枢

marsbit06/03 06:35

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