用自然语言写代码的时代，
经验值得被认真记录。

圈内内参｜这期记个还早的东西，Copperhead，一个硬件 AI 工程平台。它官网最值得看的不是"AI 画板子"那句话，而是它给硬件设计流程硬套上去的结构：八个阶段、每阶段一次独立 agent 运行、产物必须写盘、门禁不过就停，每个阶段打一个 git commit。

8 月 26 号挂到 arXiv 上的这篇 PlanSightRAG，我看了两遍。第二遍是因为第一遍读太快，差点被那个 100% 的准确率骗过去。 先把值得夸的说清楚。这论文干的事，是把建筑标准图纸直接当图像来索引和推理——不走 OCR 转文本那条老路。

九月接完孩子放学，在路边长椅上歇脚，手机弹出推送，标题里写着什么"秘密文明"之类的话。我点进去看了两眼，又退出来，心里说不出的别扭。回去路上孩子问我怎么了，我说没什么，就是想起新闻里那些自己会聊天的程序，其实聊的都是些鸡毛蒜皮的东西。

半夜刷 arXiv，刷到一篇标题里躺着一个老词的论文：automata。这年头敢在具身 agent 论文里拿自动机当主角的，要么是来炒冷饭，要么是真发现了点什么。CEDAR 这篇属于后者——摘要里有一句话把我钉住了：语言模型负责提议，自动机负责把关。 先把判断说满：提示词管住的是词汇，管不住的是约束。

给 ReTrace 这名字绕了不少弯。第一眼看标题——RejectedTrajectory Conditioning for Speculative Decoding——我直觉把它理解成：上一轮被拒的后缀，拿来当下一轮的条件输入。脑子里立刻出现画面：学生重写错题的时候，把错的那一页垫在下面照抄。

我第一遍读这篇文章时，差点也被标题骗了。圈里转得挺多，但转发的人大多只摘了三个字：“三层记忆”。好像它是一个架构配方，拿去抄就完了。其实那篇 dev.to 上的系列第二篇，真正的重活是把 agent 失败重新看成一个熵竞赛。

这周从 arXiv 上看到一篇关于 model merging 的论文，编号 2608.28547，名字叫 DARTS，已经中了 EMNLP 2026 主会。 先说白话版它到底在干嘛。 模型合并，就是把几个在不同任务上微调过的模型，揉成一个多任务的。省显存、省推理开销，不用重训。

你有没有遇到过那种时刻：你问一个 RAG 系统“这本书讲什么”，它沉默了一会儿，然后非常确信地告诉你——0。 不是“我不知道”，不是“我没找到相关内容”，就是一个干干净净的数字。0。像你问同事“中午吃啥”，他回你一个“1”。信息量约等于零，但自信程度拉满。

前几天深夜，我刷到一篇医学影像代码生成的论文。全自动，多智能体框架。标题扫过去，我其实没太在意——这类东西今年太多了。可摘要里有五个字把我绊住了：zero human intervention。零人工干预。 先停一下，问个问题：我们这些天天琢磨怎么跟 AI 协作写代码的人，什么时候开始把“人完全不插手”当成一个卖点了？

上周让 agent 写一个处理 CSV 上传的脚本。写完，测试全过。我 diff 了一眼，看到一行： 脑子里“咔”了一下。功能是对的，测试能证明。但这行代码里两件事同时在发生：写对，和写得不安全。以前我默认这俩是同一个能力的两个表现——模型学得够多，就既对又安全；没学够，就既错也不安全。

先说结论：这论文是我近半年见过最敢把负结果拍上桌的。它自己发明的那个无梯度编辑器倒不算惊艳，真正狠的是它顺手拿基准照了照「反事实知识编辑」整块地基——照完发现底下是空的。 空到什么程度？

凌晨一点半，刚把一波告警压下去，没啥事干，就把前两天那个同步脚本的 bug 接着调。这个脚本是我上个月写的，就是那个把备份从主库拉到分析机上的，写的时候觉得挺顺，结果跑了两周，每周三早上准时报错，报错还特别怪，日志里写的是连接被重置，但有时候又能成功，白班的兄弟查了两回没查出来，我接手看，反正半夜闲。

先说结论：这篇不水。但那个「最多可提升约 7 倍」的数，水分大概能拧出六七成来——不是造假那种水分，是论文包装学里最经典的那种：把对自己最有利的窗口期截出来，竖成旗杆给你看。 先交代一下我在说什么。

某个周五晚上我在 GitHub 上瞎逛，刷到 contextengineeringkit 这个名字。不瞒你说，那一瞬间我甚至有点感动。

速评：这论文是来拆自家台的。 8月26号挂上 arXiv，干的是同行不太爱干的活：把这两年最流行的“答案支持信号”叙事拆开，逐件验货，然后承认不少货不对板。论文题目绕了半天，内容其实就是一句话——这信号改检索排名是真的，但指望它顺手把训练、系统选择、答案质量预测这些事全包了？想多了。 这个方向我盯了一阵。

先说结论：这篇论文值得读。值得读的不是那个框架，是那张对照表。 「AI 帮你写 Verilog」「自然语言直接出 RTL」「流片前自动验证」——这届文案把硬件设计说得跟写 Python 脚本一样轻松。听起来很美。但所有人都回避了一个物理事实：软件代码有漏洞，发个补丁，服务器夜里重启，完事。

你大概也撞见过这三件事：同事坚持用 Codespaces 当 agent 的窝，宿主机上连 node 都不让 agent 摸；有人写了个小脚本，每次跑 Claude Code 前先起一个 Docker 容器，跑完连根删掉；

这条在讲 AI 智能体全面参与开发之后，团队会慢慢丢掉一种挺重要的东西——重构本能。出处是 Rodrigo Rosenfeld Rosas，9 月 2 日发在 rosenfeld.page 上。 没法跑，观点类，我只读了。

先解释一下为什么这期会收一篇论文。 不是因为它被 PRICAI 2026 收了。短论文而已，圈子里每天都有这种消息。 是因为它问了一个最近被产品更新盖住的问题：AI 读图已经很厉害了，它到底懂不懂图里的文化含义？

arXiv 2608.30619 这篇论文，我读的时候有一处停了好久。 它说，表面无害的合成数据，可以被用来给对齐过的 LLM 定向注入社会偏见。这个结论本身不意外——坏数据带坏模型，差不多是常识。但接着往下读，有两句话放在一起，让我觉得事情比“小心合成数据”严重得多。 一句是：这些合成数据经过过滤处理。