用自然语言写代码的时代，
经验值得被认真记录。

先把代码贴上： 这是我知道的最耐久的存储结构。断电可读，格式永不迁移，读取设备是眼球，uptime 以百年计。连 make 都不用。 上个月（8 月 5 号）安娜的档案发了篇帖子，说一批 AI 公司在通过中介收二手实体书，扫描，销毁，拿 2022 年之前、没被机器处理过的文本做训练数据。

速评：8月31号挂上 arXiv、同时被 EMNLP 2026 主会收了的那篇仓库投毒攻击论文，我读完了第一遍就想说一句——这剧本，眼熟。 不是指攻击手法本身眼熟。第三方代码仓库里埋雷，这招在开源供应链安全里算是老黄历了，npm 投毒、PyPI 抢注，哪年不来几轮。

能憋出三千行前端界面的AI agent，现在多得跟外卖小哥一样遍地都是。但你要是让这些“可视化大牛”自己动手画一个简单界面出来，画面就尴尬了——不是码不对，是布局本身就是一团乱麻。 AMBench这篇论文，算是把AI编程圈的画皮扯下来一层：别看你码代码码得飞起，你脑子里那张画布，基本是一片空白。

今天下午师傅扔给我一个活，说有个老项目的列表页要加分页功能。我心想这不挺简单的嘛，就打开那个文件准备大干一场。结果我连那个后端接口返回的数据结构都看了半天没看懂，什么 pageNum、pageSize 还有 records，我以前在学校写的那都是啥啊，就一个 select 全查出来，然后在前端 slice 一下意…

那个报错到今天还卡着。晚上本想再战一轮，结果不知怎么的点进了一篇 arXiv，标题看着跟我八竿子打不着，作者是阿贡国家实验室的人，叫 Angel YanguasGil，做材料合成的。先交代一下：不是材料人。但“AI 代理”四个字把我钓住了。 人就这样，报错解决不了的时候，什么都比报错好看。

七月中旬，罗马尼亚管土地登记的那个机构 ANCPI 被清了库。全国地籍数据库没了，官方应用和网站瘫了差不多一周，房产交易停摆，公证人办不了新交易，连邮件服务器一起陪葬。 我本来想写攻击链复盘，写了两行觉得没劲。这套流程讲了一百遍，防御方耳朵都起茧了。

学 AI 编程的第四个月。今天这篇差点就没写成——不是没东西写，是这篇东西本身卡了我一整天。先是不懂，看懂了以后开始发慌，慌完想写下来又觉得：这有什么好写的？是不是我又在小題大做。 想了半天，还是写吧。搞不懂的东西记下来，总比假装没看见好。

前几天后半夜值班，pager 难得安静。闲着也是闲着，我干了件更丧的事：刷 arXiv。 cs.SE 分类底下，8 月 30 号挂出来一篇，一帮人用 VST 给 liblzma 的解码部分做了内存安全验证。liblzma 就是 xzutils 里那个压缩库，你解过的每一个 .tar.xz，过的都是它的手。

你有没有半夜三点半打开账单，发现没有一行代码变更、没有一次发布、没有任何手动操作痕迹，AWS 却告诉你这个月花了 1386.46 美元的时候。 往下翻翻，1182.09 是缓存写入。

今天上午接了个活，给一家本地餐饮店改会员系统。他们之前找的学生做的，那哥们收了三千块做完就消失了，现在卡里余额不显示了，客户扫码付款成功但积分不动。店家急得不行，说再修不好这周会员日就完了。 我远程上去看了一眼，好家伙，代码我大概看明白了，但问题不好定位。

你大概也撞见过这两个剪影。上个月末 arXiv 上挂出一篇论文，讲一个做网页开发的用户研究平台 VibeJam；它的试点里，13 个初级学生跟 AI agent 搭班做游戏网站，做出来的质量，比同一个 agent 自己单干要高。

那天晚上我在等一壶水烧开。验证集曲线卡了三天没动，我把训练循环里某个中间 checkpoint 打印出来，想看看输入到底在哪个环节不对劲。水还没开，屏幕先停了。曲线动了，涨得漂亮。但特征列表里多出一列，名字我完全不认识。 这一列我查了一个小时。

agent 跑长了会忘事，这件事的标准答案这几年一直没变过：context window 不够大，换更大的。我之前画 context window 的时候也这么画——一张桌子，摊不下的掉地上，解法就是加桌面。

今天在收拾一串 fixup 提交的时候踩了个坑，顺手记一下。场景是用 git rebase i autosquash 合并补丁提交，Git 打印了 Successfully rebased and updated，我以为完事了，回头一看 log，那条 fixup 提交还完整地躺在历史里。

先说结论：这篇机制配得上 Findings，abstract 配得上产品发布会。 前天挂上 arXiv 的，编号 2608.30922，牌子上写着 EMNLP 2026 Findings。满打满算两天，代码还没排上我手头那几个真实项目。所以这篇只拆话术层。我的规矩，48 小时内的东西叫第一印象，不叫结论。

速评：这篇 arXiv 论文把后训练称作“棕地维护”，我觉得是今年 AI 圈最诚实的一个提法。看着新鲜，其实只是把业内人人知道但没人写的东西说破了。

这次我把这篇 arXiv 2608.31137 的 OntoAlignerEnsemble 拆开来横评，结论先扔：在需要高精确率的场景（生物医学那种错不起的），异质跨范式集成是当前版本下最值得接的方案；在意总体 F1 的通用场景，同质 LLM 集成更实用；单独上任何一个对齐器在多数 OAEI 赛道上都站不住。

上周有人甩给我一段 agent 跑调研的对话。agent 在结论里写“某供应商获准用于受监管工作负载”。我问这条哪来的，答：供应商官网的市场页面。我再问，这算证据吗？对方说，agent 已经把这条写进长期记忆了，下次检索还会优先引用它，因为相关度高。

GitHub 上有个叫 vomit 的工具，干的事很直接：把 Claude Code 在终端里显示的所有输出截下来，发给另一个本地大模型重新表达或概括，再把改过的文本显示给你看。想看 Claude 到底说了什么，得按 ctrlo。 我看到这个名字的时候以为是个段子。看完 README 我笑不出来了。

学一个新的 CLI 工具，你大概第三天就会把它扔进“哦对还有这么个东西”那个叫不回名字的文件夹。 我反正这样的。翻一遍 README，敲两条 help，觉得“嗯懂了”，然后三周后连它当初解决什么问题都想不起来。文档不是读不懂，是读了就没有然后了——没有反馈回环，没有系统检查，学了个寂寞，只剩收藏夹里那一堆“以后要学”。