# 工程的所有文章

在 HTX 新聞中心流覽與「工程」相關的最新資訊與深度分析。潘蓋市場趨勢、專案動態、技術進展及監管政策，提供權威的加密行業洞察。

Claude Code狂删80%提示词，Opus 5反手加回去了

近日，Anthropic宣布大幅删减Claude Code模型中超过80%的系统提示词，旨在简化早期为防出错而设的大量繁琐规则，让模型更灵活。然而，网友实测发现，最新Opus 5模型的实际提示词长度比前代Opus 4.8增加了约72%。原因在于，此次删减主要针对旧版模型（如Opus 4.7到4.8阶段）的冗余规则。而Opus 5因能力更强、行为更主动，需补充新的约束内容，主要集中在控制任务范围、进度汇报和纠正习惯等方面，以确保其在复杂任务中高效可控。因此，尽管整体提示词体系已精简，但针对新模型特性的指导有所增加，两者并不矛盾。这反映出AI进化趋势：能力提升后，人类需从“手把手教学”转向“设定清晰边界”。

marsbit前天 11:37

marsbit前天 11:37

仅11天，Claude重写百万行代码，AI史诗级工程却引来愤怒

科技圈近日因编程语言Zig创始人Andrew Kelley公开抨击Bun创始人Jarred Sumner而震动。Bun是一个高性能JavaScript/TypeScript运行时，原用Zig编写，旨在取代Node.js。在被Anthropic收购后，Bun团队发现Zig版本存在大量内存安全Bug，且Zig社区对AI生成代码持零容忍态度，导致维护成本高昂。今年5月，Jarred Sumner团队利用Anthropic未公开的Claude Fable 5模型，仅用11天就将Bun的百万行代码用Rust重写，耗资约16.5万美元API费用，时间和成本大幅降低。此举被Anthropic宣传为智能体工作流的标杆案例，但也引发争议。 Andrew Kelley在博客中猛烈批评Jarred Sumner的工程习惯，称其代码质量低下，依赖AI生成未经审查的代码，并对其管理能力表示失望。他认为Bun的原有Bug源于工程实践问题，而非Zig语言本身，甚至对Bun放弃Zig感到“松了口气”。科技圈对此反应两极：有人认为Andrew维护工程质量，风格类似Linus Torvalds；也有人批评其公开攻击重要赞助者缺乏职业素养。技术层面，新代码库因机械翻译残留了2.7万行unsafe代码，引发对未来维护成本和长期稳定性的担忧。这一项目被视为AI重塑软件工程的激进实验，其最终成败仍需时间检验。

marsbit07/11 08:13

marsbit07/11 08:13

老黄：Prompt已死，整个AI圈都在疯狂追Loop

近期，硅谷AI圈掀起“Loop Engineering”（循环工程）热潮，业界普遍认为传统手动编写提示词（Prompt）的模式即将被淘汰。英伟达CEO黄仁勋、吴恩达、Anthropic及OpenAI等多位专家和机构均指出，未来核心不再是设计单次指令，而是构建能够自主运行、迭代的AI循环系统。循环工程的核心在于将人类从实时干预中解放出来，转变为系统架构师。人类只需一次性定义目标、停止条件、验证机制、记忆存储及调度规则，随后AI系统便可自动执行“发现任务→执行→验证→持久化→再发现”的闭环流程，实现24/7不间断工作。其中，独立的验证环节尤为关键，需设立专门的评估智能体对输出进行客观审查，避免自我美化。这一转变意味着代码生成成本大幅降低，而人类的判断力成为关键稀缺资源。然而，全自动循环也可能带来验证债务、代码理解脱节、认知依赖及token消耗失控等风险。因此，成功的循环设计需融入严谨的判断与监督，否则可能放大错误或导致技术债务。目前，相关实践指南和白皮书已在网络广泛传播，标志着AI开发正从“提示工程”迈向“循环工程”的新范式。尽管自动化能力增强，但工程师的核心角色并未消失，而是升级为循环系统的设计者与决策者，确保AI在正确方向上高效运行。

marsbit06/29 08:37

marsbit06/29 08:37

黄仁勋：Prompt正在过时，Loop才是新范式

黄仁勋等AI领域领军人物提出，传统的“Prompt Engineering”（提示词工程）正在被“Loop Engineering”（循环工程）取代。新范式的核心是从手动编写具体指令，转变为设计和管理能够自动运行、自我验证并持续优化的循环系统。 **Loop是什么？** Loop（循环）指一种系统设计：用户设定一个目标，AI Agent（智能体）会自动执行任务，完成后由独立的验证机制（如另一个模型）进行验收；若未通过，则带着反馈重新执行，直至成功或达到预设限制。人的角色从“逐句指挥”转变为“规则设计者”。这与单纯使用Agent的关键区别在于，Loop为其提供了自主持续工作的管理框架。 **当前落地情况** 目前，Claude Code和OpenAI Codex是Loop理念的主要实践者。两者都实现了将复杂任务拆分，由多个Agent并行处理并汇总结果。其核心设计原则是“执行与验证分离”，以避免自我评分时的宽松问题。例如，“Claude Code之父”Boris Cherny描述其工作流：数百个Agent在隔离环境中自动处理问题，仅疑难事项才需人工干预。 **如何构建有效的Loop？** 1. **前提测试**：任务需具备重复性、可自动化验收、成本可控且Agent拥有必要工具。 2. **从最小可行Loop开始**：包含触发器、技能定义、状态记录文件和自动化验证门禁。务必先手动跑通流程再自动化。 3. **执行与验收分离**：必须由独立的Agent或模型进行验收，确保评估客观。 4. **避开常见陷阱**：设置硬性停止条件（如token上限）、持久化状态、不让Loop处理需要主观判断的任务、坚持阅读代码变更以维持理解。 5. **核心衡量指标**：关注“每个被采纳改动的平均成本”，接受率低于50%意味着Loop可能效率低下。 **范式演进路径** Loop的兴起是AI应用控制粒度不断上移的结果：从**Prompt Engineering**（优化单次指令）到**Context Engineering**（组织背景信息），再到**Harness Engineering**（构建执行环境），最终演进至**Loop Engineering**（设计自主循环系统）。这一过程逐步将人类从具体操作中解放出来。 **渊源与反思** Loop的理念在学术界早有雏形，例如姚顺雨等人提出的ReAct框架，将“推理-行动-观察”构建为循环。业界火爆的背后也需冷思考，专家提醒需警惕token成本，并指出“AI可以外包思考，但无法外包人的理解”，强调在自动化中保持对问题的根本认知至关重要。

marsbit06/25 14:26

marsbit06/25 14:26

日本AI黑马杀出：7B小模型如何叫板Fable与Mythos？

2026年6月，日本Sakana AI发布了新模型Fugu，其核心是一个仅7B参数的小模型RL Conductor。Fugu的创新在于其“多智能体编排”架构：RL Conductor不直接生成答案，而是作为“包工头”，动态分析用户任务，并调度如GPT-5、Claude等全球顶尖大模型来协同处理子任务，最后整合验证结果。在SWE-Bench Pro和TerminalBench等严苛的工程基准测试中，Fugu Ultra版本取得了高分，宣称性能比肩甚至超越了GPT-5.5、Claude Opus等模型。在真实场景测试中，Fugu在代码审查、长会话稳定性以及复杂安全任务中表现出色，这得益于其多模型“专家会诊”模式，并能有效减少无效Token消耗。然而，该架构也存在软肋：其高度依赖外部大模型API，存在底层供应商涨价、限流等风险；多次API调用可能增加延迟；同时，其与部分顶级模型的性能对比因非同池实测而存在争议。 Fugu的诞生体现了日本在算力与数据资源相对受限下的“非对称突围”策略。它不追求训练千亿参数巨兽，而是通过系统级创新，以一个小型智能调度器灵活利用全球最优模型，为资源有限地区发展AI提供了新思路。不过，其能力上限仍受制于底层模型，长期发展仍需底层技术投入。

marsbit06/22 11:17

marsbit06/22 11:17

模型之外皆属Harness：Deepseek下场，国内AI竞争主战场为何变了？

2026年，Deepseek内部组建了专注于代码智能体产品的Harness团队，标志着国内AI竞争的主战场正从“炼大模型”转向“造工具链与办公落地”。Harness（运行时基础设施）被比喻为AI的“岗位说明书与工具箱”，负责让大模型能与外部世界交互、执行具体任务。Deepseek亲自下场，意在掌握接口设计权与训练数据闭环，通过Harness与模型的共同进化形成飞轮效应。其他大厂也在差异化布局工具链：腾讯依托企业微信与云生态，推出WorkBuddy企业版，主打企业级协同与系统连接；阿里则开源了前端浏览器Agent框架PageAgent，旨在降低Web自动化门槛。这种分化表明，行业正聚焦于通过厚重的工程打磨垂直解决方案。海外趋势印证了市场转向：波兰公司Viktor凭借能在Slack内自主执行复杂任务的AI员工，实现了可观收入，证明企业愿意为“自主执行”而非“辅助生成”付费。工具链竞争也带来了新挑战，如长时运行中的Token爆炸问题，要求Harness具备强大的上下文管理、错误恢复和安全沙箱等工程能力。地缘政治因素导致的海外工具限制，也为国产Harness创造了市场空间。企业采购和开发者因此需更关注工程交付能力与生态兼容性，而非单纯比较模型参数。

marsbit06/22 06:04

marsbit06/22 06:04

Anthropic到底在招什么人？1680份简历给出答案

本文通过对1680份Anthropic工程师履历的分析，揭示了这家AI公司的真实人才需求：其核心并非外界想象中的研究员，而是经验丰富的“建设者”（Builder）。数据显示，Anthropic的工程团队在过去18个月内快速扩张，一半以上员工入职不足一年。新员工普遍资深，加入前工作经验中位数为12.2年，且大量来自Google、Meta、Amazon、Microsoft等以工程能力著称的公司。 Anthropic更像一家高度工程化的基础设施公司。工程师背景主要集中在基础设施、后端、分布式系统等领域，博士占比仅13.7%，多数为拥有本科或硕士学历的资深工程师。公司最大的人才来源是Google，而非OpenAI或DeepMind等研究实验室。对于早期职业人才，进入通道门槛极高，通常依赖顶级公司实习、竞赛成绩、论文发表或AI安全项目经历。作者建议，求职者应将简历重点放在展示构建和维护大规模系统的实际能力上，而非研究背景。前沿AI竞争的底层，正日益演变为工程与基础设施能力的比拼。

marsbit06/15 03:28

marsbit06/15 03:28

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

marsbit06/10 17:55

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

marsbit05/31 10:37

Auto Research时代，47个没有标准答案的任务成了Agent能力必测榜

AI Agent的能力正面临新的考验。近期，Einsia AI旗下Navers lab发布了名为Frontier-Eng Bench的Agent评测基准，它包含了47个多学科交叉、没有标准答案的真实工程任务，旨在评估AI在闭环反馈中持续优化和解决复杂问题的能力。与以往AI在固定知识库中寻找答案的模式不同，这套基准要求AI扮演“工程师”角色：提出方案、接入仿真器、根据报错反馈调整参数、重新运行并持续迭代。任务涵盖水下机器人控制、动力电池快充优化、量子线路噪声抑制等硬核领域，AI需要在功耗、安全、性能等多重约束下寻找最优解。评测结果显示，当前AI（如GPT-5.4）虽能表现出一定的优化能力，但距离完全解决这些工程问题仍有很长的路要走。研究还总结出两条关键规律：一是优化过程遵循幂律衰减，后期性能提升越来越难；二是在有限预算下，探索的深度比宽度更为重要，持续的深度迭代比简单的并行试错更能带来突破。这项工作的深远意义在于，它标志着AI开始从“答题者”向能够在真实反馈循环中“自我进化”的系统转变。它预示着一个“Auto Research”时代的可能：未来，人类研究者提出目标和方向，AI则不知疲倦地负责执行仿真、实验和优化迭代，从而极大加速科研与工程进程。论文及相关资源已公开。

marsbit05/13 07:05

Auto Research时代，47个没有标准答案的任务成了Agent能力必测榜