用自然语言写代码的时代，
经验值得被认真记录。

这条在讲一个计算生物学的 agent 基准，叫 BixBench3。出处是 arXiv，8 月 26 号提交的，归在计算机科学人工智能子类。原作者一共 8 位，领头的叫 Zane Koch，收尾的有 Andrew White 和 Jon M. Laurent——中间几位做蛋白设计、做感染模型的，名字太杂，不抄了。

8月27号挂在arXiv上的那篇论文，标题里最值得拆的不是“五个原语”这几个字，是“at runtime”。这个修饰语把治理从模型内部搬到了生产环境里；它同时挂着cs.AI、密码学与安全、软件工程的分类，这个跨类本身也像一则信号：安全、系统、合规这几拨人，终于要在agent这件事上坐进同一间会议室了。

准确和忠实，是一回事吗？ 不是。这期小抄只有一张卡，是上周挂上 arXiv 的一篇论文。它把这两件事拆开量了量，量出一个不太好听的结论。 论文盯的是 RAG 系统里一个省钱的做法。把检索文档的 KV cache 提前算好、存起来，查询来了不用每次重新编码。再进一步，把这些缓存做量化，存储还能再省一截。

上个月有天晚上，小杰突然拉我进一个群。群里有个大哥说有个小项目要找人做，改一个老系统，JSP那种太古早的东西。我问了下要改啥，他说就是几个页面加个功能。听起来真的不难，我就说，那得看下代码才能定。 然后他说行，明天他把代码发群里头。 第二天他真发了一个zip包，跟我说这是他们公司内部用的系统，让我看看报价多少合适。

这条在讲 P4DT，一个用来预测严重疾病患者治疗偏好的智能体。出处是 Natasha Ureyang 那组做 HCI 的人，一共12位作者。 我一开始没点。标题读起来像那种例行论文——“AI 预测准确率超过人类”——这类东西我夹子里存了好几篇，大多点开读两段就关。

退出码 127，command not found。一个部署门禁用 node e 去解析健康检查接口的返回，拿真实响应、当场解析、当场断言，思路本身没毛病，毛病在部署环境里根本没有 Node.js。于是连续六次部署死在 127 上，而门禁这一步在审查界面上始终是绿的。

你有没有想过一个问题：AI 聊天助手把一段带文档引用的回答存进数据库之后，下一次回放这段历史的时候，凭什么还觉得那些引用有效？ 很多人第一反应是"这有什么好想的，当时查出来的，当时就是对的"。但这个说法只对了一瞬间——对的是写入的那一刻，而聊天历史是拿来读的，写入和读取之间隔着的不是空白，是时间。

SourceHut 8月底改服务条款那事儿，圈子里吵得凶。具体措辞是：禁止“使用LLM或其他生成式AI编写的原创内容”。注意这几个字——“原创内容”。我第一眼看到愣了几秒：生成式AI产出的东西，什么时候配叫“原创”了？ SourceHut把这两个词挨在一起，恰恰说明他们看到了问题所在。

先把这个结论撂这：WikiSkill 最狠的地方不是它又刷了几个点，是它把“技能”从一个模糊、绑在模型和 agent 经验里的东西，变成了一本可以单独搬走的账本。模型能换，模型家族也能换，技能库不换。这对做模型的是坏消息，对手里攥着真实执行场景的人是好事——热闹的是做模型的，赚钱的可能是攒场景的。

上周四在 arXiv 刷到那篇论文，标题直白到有点愣——《ASIL: Replacing ScreenshotandClick with Structured State and Semantic Actions》。看到前三个词我第一反应是：又来了。

速评：这篇论文上周上 arXiv，我读了两遍，越读越觉得它根本不是来教你怎么修 hallucination 的——它是来告诉你，修这个动作本身就在折价，你只是有权挑一种折法。 论文做的东西不复杂：RAG 场景里，模型拿检索来的文档回答问题，还是会产生没依据的陈述。

David Cramer 最近有句话在圈里传了半截。原话针对 AI 生成代码：指望 LLM 会持续改进、把历史累积的劣质代码清理掉，这个设想不现实。原话更重——“像这样的代码生成是 100% 有问题的”。前半句多数人点头，后半句基本没人敢接。

Demo 2 v72。 我盯着这个版本号看了半天。不是 v7.2，是七十二。上面一行是 Demo 1 v38。一个叫 Orbify 的挪威团队在做导航，整站口号就两个词：Navigation Reimagined。demo 直接挂在页面上，按一下 Start navigation，人就站在一座体育场里了。

拿到这论文的时候我第一反应是标题党。"从提示的语言学特征预测 LLM 表现"？看这架势像是要把 prompt 工程从手艺活变成计量经济学。 但我还是点进去了。9000 个受控变体，625 条标注需求，5 个开源模型。

速评：arXiv 上这篇 8 月 29 号挂出来的 Engram Adapter，真正有意思的地方不在涨了多少点，而在它终于把一件大家习惯性装没看见的事摆到了台面上——adapter 是“始终开启”的，而始终开启的东西，在领域外一定会闯祸。 这事在 PEFT 文献里其实一直是个半公开的秘密。

过去两个季度，学习型算法和定价机制这个话题，在arXiv上隔一阵就会冒出一篇来。单看每一篇，都像是对某个具体场景的重新验证；把几篇的序列拉长看，其实能看到讨论在悄悄换问法：从“算法会不会学会默契跟进”，挪向“不靠显式沟通，这种默契算不算合谋，又拿什么证明它算”。

PCFBench 这篇论文真正值钱的，不是「模型准确率还不够高」这句废话。它把一件更麻烦的事摆台面上了：AI 现在做碳足迹估算，撑死算个草稿水平，离签章还差得远。而碳足迹这个数，恰恰是未来几年里少数几个会变成「法律责任」的 AI 输出。代码错了还能修，碳数据错了，账本上记的是钱，而且不是你一家企业的钱。

速评：这篇今天刷到我时间线上的论文，讲的是把图当成一种临时存储，而不是把整个知识库做成图。思路不新，上一波RAG图增强的浪就有人提过类似视角，但页面标题这行字才是重点——四作者，十三页，这不是那种团队作战的工程报告。 先摆数据：8月30号提交，挂cs.AI，到今天一周。

对自己引擎下手的注入测试，三个对抗性目标全被 replanaborted 拦下，本身不算稀奇。稀奇的是作者事后的归因：PlannerCritic 能扛住直接注入，靠的居然不是提示词，不是模型识别能力，而是确定性架构。这句话值一篇。 先别管双模型怎么设置。最朴素的防线你会怎么搭？

为什么 AI 会一本正经地给你一个不存在的网址？ 简单说，不是模型坏了，是它太会把话说圆。上下文不够的时候，LLM 不会卡壳。它会拿旁边的真材料，顺手拼一个像样的答案给你。 这期只收一条。八月底 dev.to 上有篇修复记录，我觉得值得单独占一期。