用自然语言写代码的时代，
经验值得被认真记录。

凌晨三点的 pager 我接了十几年，什么花样都见过。这个月让我从椅子上坐直的，是一篇学生写的 dev.to。 10 月 3 号发的，Hacktoberfest 周末赛，题目叫 Build for a Friend。一个工程学生给同学做了个公交卡安全代理，KTCL CommuteShield，名字挺中二。

旧稿我拟的是这样： 你是一个懂理财的助手，根据用户的银行流水，判断他这个月能不能撑到发工资，并给出每天最多能花多少钱。 一句话塞两件活：判断，加建议。这种句子模型必定自己算，它没有别的地方可去。【懂理财】是标签，标签只调语气，不调行为。 V2 我加否定： ……不要自己计算，不要编造数字，所有数字必须来自工具返回的结果。

先摆三个点。Hacker News 上一个讨论串，围绕某家机构宣称用几千个 AI 代理在生物数据里找新线索，评论区大半在吵这东西对药物研发到底有没有用；

文档结构能不能帮上密集检索？ 简单说，能。但增益小到你在自己项目里大概测不出来。 10 月初 arXiv 上挂了一篇论文专门测这个。标题很长，大意是《文档结构是否有助密集检索？跨两个语料库的四种机制的安慰剂对照消融》。长得像不想让人读。 真正值得抄的不是结论，是它做实验的方式。 RAG 里处理文档结构的手段就那么几种。

半夜三点醒过来，客厅那盏灯还亮着，是我睡前忘了关。回电脑前坐下，屏幕上是个别人丢过来的仓库，名字叫 lightson software factory，直译过来是“常亮的软件工厂”，一套给 Claude Code 用的起始模板。两盏灯就这么隔着半个夜对看了一眼，我一时没分清哪个更荒唐。

10 月 7 号 17:51 UTC 挂上 arXiv，编号 2610.10507，35 页、2 幅图、13 张表。摘要里最显眼的数字是 75.6%——六个异构基准族上的平均成功率，比最强的大模型基线高 15.9 个点。 我看到这个数第一反应是往下翻，找它怎么聚合的。职业病，改不掉。

先贴一行。 PSPi 6 拿一块自己画的板子把 PSP 1000 的主板整块替换掉，中间坐一块树莓派。仓库第一屏就把兼容性写死了：只吃 1000。我看到这行的反应是，这作者想清楚了。多数项目反过来，先画三张渲染图，兼容性留到最后“逐步适配”，适配到项目死掉为止。 只留一个机型，省下的不是一行枚举。

预览渲染这个动作，我一个下午能按二十次。改一版材质按一次，挪一下相机按一次，把蛛网往前挪两帧再按一次。每次八分钟，按下去就只能去倒杯水，回来还得先看一眼它渲完没有。

22% 到 58%。 Kernaut 那篇论文里，这组数字藏在压力测试那一段。大模型生成的核，有这么多在随机输入上通过了数值检查，换个尺度、换个维度就崩了。 多数人读这篇会盯着“编码智能体设计出的核超过了元学习得到的深度核”。我盯的是这个通过率。 在随机输入上能过，说明这核在某个点上是对的。

最近被问得最多的一句是，AI 看图写页面，现在到底行不行。 凭感觉答不了。10 月 7 日 arXiv 上挂了一篇 TaoD2CBench，专治这个问题。它干的事，是给“从设计稿生成 UI 代码”造一把尺子。 简单说，D2C 就是设计稿到代码。这一步的门槛，从来不在画得像。 这期只收这一条。

速评：10 月 8 号挂上 arXiv 的 AgentHorizon，把自动评审的底裤扒了一半，剩下一半作者自己捂着。 它干的活一句话能说清：1,373 条计算机使用任务，每条配一段执行轨迹，轨迹从 166 小时真人操作录像里切出来，横跨三种操作系统，喂给 11 个评审模型，让它们判断这段操作到底有没有按指令完成。

作者 Rohit Purkait 写的那篇 dev.to 发布说明里，最值得看的数据不是模型跑了多久。他在 iPhone Safari 上实测了一次 Gemma 4 生成的 drift，叫 The Quiet Current，实际走了约 10 分钟，应用只计 2 分钟，屏幕开启 2 分 5 秒。

十月初 arXiv 上有一篇讲全双工语音智能体的文章，标题末尾挂着 RSI 三个字母。 这三个字母现在很容易让人多想。先放一边。 这篇里真正值得看的是另一个词，harness。 一句话讲清楚 harness 它就是夹在“能听会说的模型”和“真能干活的模型”中间的那层调度。 论文描述的格局不新鲜。

本期一句话：Hacktoberfest 今年把主题从“提交 PR 换 T 恤”改成“开放权重模型与开源 AI”，这件事本身没什么好写的；值得写的是它炸出来的另一层——评论区已经有维护者在用“能不能本地运行”当最低标准筛项目，而主办方公开信息里没看到任何配套的质量核实机制。这期只记活动现在实际长这个样子。

模型错的时候，那个“错”在它内部是存在的。 只是没走到输出那一层。 十月初 arXiv 上有篇论文正好给了这个猜测一点证据。作者是 Ravishka Rathnasuriya 和 Wei Yang，做代码生成里的过度自信失败，四个开源代码模型，三个基于执行的基准。

凌晨三点，刚压掉一波磁盘告警。 就是那个我嘴硬了小半年的东西，这周真香了——AI写脚本。 其实也不是嘴硬，就是觉得没必要。脚本这东西自己写了五年了，什么场景该写什么，脑子里都有，犯得着让一个模型帮我写吗？说白了就是不信任，它又不在一线值班，不知道凌晨三点被叫起来查告警是什么感觉。 上礼拜有个事。

半夜两点，本来在给候选池里那个 CLI 工具收尾，手一滑，滑到 Substack 上去了。Mete Polat 的专栏 Metedata，10 月 2 日那篇，写 Meta Muse 的。读了两遍。 先说明，这期破例，没有 owner/repo 可以报。就一篇文章，加一个产品判断。

你有没有碰到过这种事：一个由好几个现成模块拼起来的系统挂了，你翻日志翻了半天，最后发现挂掉的那个模块本身没毛病，是上游给它喂了一个它根本处理不了的状态。而当时还有别的选择，只是没人知道。

先说我撞见的东西。grill，本地跑的模拟技术面试官。它不给你出题，它读你的仓库，然后在终端里指着某一行的某个标识符问：这里为什么这么写？再追一句：这个锁为什么非 Arc<Mutex 不可？ 不是工具评测。这是我等了一阵子的那块空地，终于有人踩进去了。 按我自己的规矩，没攒到三个样本不吹号。

我本来只是想吃饭的时候刷一眼 arXiv，看看 ML 那边又有什么新活儿。小米 LLMCore 这个署名有点眼熟，就点进去了。结果第一页还没翻完，一个数字横在那儿：单步 rollout 最高吃 3.7B tokens，一次进 1,568 条样本，上下文最长开到 1M。我筷子就停在半空了。