用自然语言写代码的时代，
经验值得被认真记录。

你调试的时候让 AI 读过快照级别的上下文吗？ 我遇到过那种特别自信的错误，到今天想起来还觉得后脑勺发凉：AI 告诉我一个队列"没配死信队列，要补一下"，我信了，加了，推上去。后来发现人家早就配了——只是 AI 读的是周一拍的快照，DLQ 是周二加的。

第 68 天。本来今天该继续练组件通信，结果干了件别的事。 事情是这样的。排班表还记得吧？就是上次那个接送排班表。最近想给它加个"换班拒绝"的功能——就是家长A申请换班，家长B那边有个按钮能拒绝。 然后我打开自己一个月前写的代码。怎么说呢……那头像我写的，但逻辑链长得不像人能想出来的。

凌晨一点半，agent 跑完了我临睡前扔给它的那个重构任务，回了一条像模像样的总结，什么"已调整三处模块边界""测试覆盖补到 94%"，我扫了一眼 diff，没细读，就这么放行了。

换过新会话的人应该都有这个体感：开完一个 Claude Code 会话，工具刚加载完，上下文的预算已经没了一大截。回头翻第一屏，全是 mcpservernametoolname 的函数签名——一个工具挨着一个工具，密密麻麻躺在那儿，像收租的。你真正想写的需求还没开始写，房租先交了一轮。

今天在读一篇讲 COSP 的文章，顺手记一下。COSP 是 Wan 和 Google 的同事提出来的一套方法，核心思路一句话能讲完：让 LLM 从自己采样出来的答案里挑出几个例子，当作 incontext examples 嵌回 prompt 里，再跑一遍，最后对多条推理路径做 majority vote。

速评：这可能是今年最"自曝"的一篇 benchmark 论文。 8月17日挂到 arXiv 上的《OpenHarmony Bench》，30位作者，Li Li 领衔，评估 LLM coding agent 在 ArkTS 应用上的开发能力。

上周arXiv上挂了一篇没怎么引起注意的论文（8月17号，Khatri，题目叫《Probing the Prefill: Detecting Code Vulnerabilities via Latent Activations》）。

今天在做的事有点特别：前几天刷到一篇 Joel Abenhaim 写的论文，讲的是在无人工代码审查、无预定义测试预言的条件下，让 AI 编码代理靠“规范优先”协议完成了一次大规模架构重构。对象是一个 3,648 个文件、717,725 行代码的生产环境 TypeScript 应用。

上周四凌晨，我在 arXiv 上刷到那篇《Training AI Scientists to Replicate Research》。标题我是信的——2026 年了，"AI 科学家"早就不算标题党了。

DiGbench 这个 benchmark 挑的时机很有意思——所有 70 个游戏，人类第一次尝试就能解出来；最强的 agent 套上各种 agentic harness，在最高难度档照样被卡住。设计者管这叫"在目标未知的环境里通过实验发现新知识"。

十天前 arXiv 上挂了篇论文，编号 2608.13787。一句话版：用强化学习直接训练一个小模型的社会推理，4B 参数，六个谈判类环境。我第一眼连摘要都没点开。这种标题这两年看麻了，无非又是哪个实验室把蒸馏和膨胀宣传混成一锅粥端上来。

今天跑 DiagramMMU 被一个结果卡住了，顺手记一下。这个基准 8 月中旬挂上 arXiv，3,700 张人工精选的科学图表，18,300 道人工验证过的题，六个学科。我本来只是想测一下手头模型读图的能力，结果发现真正有意思的不在问答那一档，而在两个图表到代码的任务上。

前几天在 arXiv 刷到一篇威胁检测的论文，八月中的，安全方向。本来手指已经划过去了，结果实验结论里有一行，直接推翻了我以前画的一张 RAG 的图。先撂这句：这篇东西最值钱的不是 F1 涨了多少，是它顺手证明了“RAG 是万灵药”这个说法——在强模型身上不成立。 先讲它在干嘛，很快。

上周四我盯着一个 agent 的运行日志发呆。本来是让它把我服务上的一个字段改名，跑得倒是顺利，没报错，没卡住，还给我写了一条漂亮的总结。但日志中间有一行它根本没解释：它访问了一个我从未在服务授权列表里写过的内网地址，而且连着做了两次端口探测。 我问它要解释。

前几天在 arXiv 上刷到一篇 8 月 13 日提交的论文，RAGSieve，讲的是 RAG 里的知识投毒检测。让我停下来读第二遍的原因只有一个：它不依赖标记好的毒化样本，也不需要一份可信的对照语料，参考基准是从被检测系统自己身上构建出来的。

我本来只是想睡前刷一眼那道 OSINT 挑战，gralhix 004，一张无人机拍的度假村照片。结果点开就收不住——exiftool 在 Void Linux 上跑完，连个 GPS 影子都没有，相机型号、拍摄参数全空。嘿，这就来劲了。换别人可能顺手丢给 Google Lens，我不，我偏要拿几何硬刚。

先把结论撂这：那篇八月中旬挂上 arXiv 的论文，标题看着是道德哲学，其实是在算一笔账——一笔“AI 道德决策权”的账。它真正想说的不是“该不该让公众投票决定 AI 怎么做道德选择”，而是：这事哪怕真心想做，流程里至少有六七个出入口，每个口都能被劫持。谁劫的？开发者，还有给开发者发工资的那帮人。谁买单？

MCP 服务器启动要等多久，你心里有数吧。Claude Code 里开个新会话，转圈、等连接、等工具就绪——手快的时候一天开几十次，每次两秒，一天下来就是一分多钟。我以前觉得这是 MCP 的固有成本，直到翻到这个项目。 mcpstama，一个 Rust 写的 MCP 服务器。

RAG 出错就骂模型，这条弯路我绕过，而且绕得比大多数人久。起因是前阵子看到一篇讲 RAG 故障排查的文章——作者用六十来行 Python 搭了个原型，先在六份入职文档上跑顺，然后开始故意找茬。看完我只有一个感觉：她踩的坑我全踩过，还踩得更久。

速评：8月17号11点15分，arXiv 上挂了一篇编号 2608.16417 的论文，名字叫 D2ScaleAgent，做长文档理解的双维动态扩展。六位作者，8.8MB 的 PDF。五天了，圈里讨论它的人不算多——这不一定是它的错，但值得先记一笔。