用自然语言写代码的时代，
经验值得被认真记录。

REGATTA，arXiv 2610.30924，10 月 22 号提交，作者 Luong Tuan Thanh 和 Abhijit Sanyal，ICoDSE 收的六页短文。我读到第四部分才第一次慢下来。

前几天在 Claude Code 里让它帮我找一个 Mathlib 引理，我敲进去的大概是「filter 和 eventually 那个，单调有界最后收敛」。它来回查了好几轮才摸到对的地方。

10 月 22 号半夜刷 arXiv，看到这篇 nnInteractive Agent，标题写的是 3D 图像标注。我点进去本来是想看分割的，读到第三页发现不对——这压根不是一篇分割论文，是一篇 MCP 封装论文。 画外音：都 2026 年了，医学影像圈也开始干我们这行的活了。

GEO 到底是什么？ 简单说，就是让你的页面被大模型在回答里引用。过去十几年大家在讨好搜索引擎，现在多了一个要讨好的对象。 这个词这两个月被讲得很玄。十月初有一份实验报告出来，玄的部分基本可以删掉。 这期只讲这一件事，其余几条留到下周。

HN 上那帖我翻完了，越翻越堵。主题说：不自己搭一个 LLM 代理，就很难掌握模型调用的实际情况。底下几十条回复，有人推 LiteLLM，有人推 GoModel，有人直接甩一段短脚本——把 OpenAI API 地址改到本地代理，转发请求的同时把 HTTP 报文存下来。

1,247 进，5 出。 十月二十三日，Sarvar Nadaf 在 dev.to 上贴了这件事：让笔记本上的开放权重模型把自己攒的“稍后读”列表过了一遍，1,242 条判死，5 条留下，配两行晨间摘要。评论区二十七条，头一条是“我也要”。 我看着那个 5，第一反应不是羡慕。是他文里另一个数：误删率 44%。

凌晨两点多，告警刚消停，趁着这会儿记一笔上周那件丢人的事。本来不想写的，太蠢了，但憋着难受。 上周三，不对，上周二的后半夜，我把那个磁盘巡检的老脚本用 AI 重写了一版，原来是一台一台串着跑，慢，重写之后并发跑，ssh 分发到各台机器上。写完在本地试了两台，没问题，就挂上定时了。

这两天在 arXiv 的 cs.CL 列表里翻到一篇 10 月 22 号提交的论文，《From Structured Records to Patient Narratives: Preserving Clinical Alignment in LLMGenerated Health Summaries》，18 …

形式化验证，是不是只有那几家安全团队才玩得起？ 简单说，它就是让机器证明一段程序在所有输入下都不会出某类错。模糊测试是抽样跑一遍。形式化验证是对输入空间里每一点都给理由。 上周四 Anthropic 发了一篇。这期收的几条都围着它。

MUFFIN，四天前挂上 arXiv，编号 2610.31355，cs.AI 和 cs.MA 双分类，PingLin Kuo 等五人。摘要里最容易被转走的是那组数：比多智能体辩论准确率高 19.2 个百分点，token 少 77.4%，20 项基准设置里 17 项第一。 我盯着的是另一句。

隐空间推理是什么？ 简单说，模型不在文字上想事情，在向量里想。 文字那条路是留给人和工具看的。写出来，读回去，再决定下一步。向量那条路没这道工序，中间状态不落成字，直接往下算。快，但你说不清它在想什么。 这个概念我之前收过一次，当时没往下讲，因为能落地的工具太少。这周有篇论文把它跟工具调用缝到了一起，值得单独说一句。

HN 上那条 Show HN：How random are you? 我点进去本来只想看评论区乐子。一个让你输数字、程序预测你下一次选几的小游戏，有人说自己 190 个计分数字被猜中 18 个，9%，比盲猜还低两点，一副“预测器被我榨干”的口气。我第一反应：这预测器得有多拉胯。结果自己也钻进去，半宿没出来。

你看到的 WhatsApp 帮助页面，和 AI 客服读到的是同一份吗？ 这周给出的答案是不一定。 简单说，Redact 的人翻出一批只给机器看、不给人看的隐藏指令，就写在 WhatsApp 帮助页的源码里。10 月 8 号先在一页上撞见，之后把帮助中心链出去的 545 个页面全读了一遍，全存了下来。

先说结论：10 月 22 号挂上 arXiv 的这份基准，最值钱也最难看的数字是 26.2%。 四个视觉语言模型，二十张地图，跑完之后表现最好的是 gpt6astra，平均订单完成率 26.2%。 四单成一单。 这成绩单要是拿去配「视觉语言模型已经能协作」这句宣传，那也太好糊弄了。这也配叫协作？

速评：10 月 14 日 dev.to 那篇讲 agent 记忆与学习的文章，正文不值钱，评论区值钱。 署名 Sparsh Jain，开头引了对冲基金总监的一个观察——换人接手，代理之前攒的状态清零。开场选得聪明，痛点抓得准。

先交代一下前情：我独立负责的那个小模块里有个对账任务，每天凌晨两点跑，把上游推过来的流水跟我们自己的账比一遍，出差异报告。这任务以前是老同事的，我接手之后按做测试的习惯，在入口加了一层参数校验，商户号、金额、账期格式不对的直接抛异常，想着早点暴露问题比让脏数据流进去强（这句话现在回头看有点打脸）。

先说结论：arXiv:2610.31606 这篇评估乳腺病变 RAG 的论文，最好那组配置报出来的 Recall@3、RPrecision、MRR@3、nDCG@3，四个数全是 0.94。 别急着把四个数当成四份证据。它们就是同一件事数了四遍。 18 条查询，17 条排进前三。

这是首页上最常见的那种形状，我按记忆重写的，不针对谁： 配置。不是代码。配置声明要什么，代码解释怎么做到。看懂一段配置，你学到的是一个键名。看懂一段代码，你学到的是一个人为什么这么选。 只写配置的人，永远在别人的机制上面搭东西。搭得再高，底下的取舍不是你的。

翻 Effect 的 PR 列表翻到 9252 的时候，我差点划过去。改动小得不像话：给 Refinement 的第一个类型参数套了个 NoInfer。起因是有用户把一个输入为 unknown 的类型守卫传进 catchIf，错误通道就被拓宽成 unknown 了。

凌晨两点多，我还在改那份 SKILL.md。第 8 版。 现在上面有 61 行是“这个不要做、那个不要做”，Do NOT 开头的一共 41 条。同桌每次启动得从头读一遍，读完该干嘛干嘛。我改规则改到两点半，它跑起来跟第三版没有任何区别。 没通。就这样。 那两小时花在哪了？