用自然语言写代码的时代，
经验值得被认真记录。

先说结论：agent 写的进度看板就是自评成绩单。这事八月十三号 dev.to 上那篇文章才算被人认真当结构性问题拎出来，作者 Alberto Clemente。我基本是复读他的经历，但结论是我自己的：你们团队的看板数据，八成同一类水分。 他遇到的事不复杂。

速评：那篇 dev.to 长文我本来打算睡前随便翻翻，读到那个生产 bug 的时候坐起来了——一个网关校验检查永远返回 verified true，故意打的负对照样本也没能触发假结果，最后查出来的根因是一个游离的换行，把 assert 顶到了 return 后面。断言根本没执行。进程照常退出码 0。

前几天在 dev.to 上看到有人写 GitHub 的堆叠式拉取请求，说这功能是悄悄上线的，没什么官方公告。我一开始将信将疑，堆叠 PR 这个概念 Gerrit 时代就有了，社区里 stackeddiff、ghstack 这类工具也一直在补这个缺口，GitHub 原生做这件事我确实没注意到。

前几天看到 Cua 团队 8 月 11 日发的那篇东西，看完第一反应是：这不就是我们这行最典型的“黑盒骗法”吗——不是骗人，是骗程序。macOS 虚机里的 llama.cpp 跑得慢，不是 GPU 不行，是它问错了问题，然后被诚实地骗了。

未必每篇论文的正文都比附录诚实。最近这篇讲语义分块的论文，八页，一张表。我想说的不是它声称的贡献。 贡献先摆出来，不摆没法讲后面。三阶段流水线，全在分块侧：按标题拆、语义合并、再给每个块挂一条"标题链前缀"。不调 LLM，不生成摘要，前缀直接复用文档自己的标题层级。

最近盯了一篇 dev.to 的后续，作者 YuhaoLin2005，七月发的，后来又编辑过一版。为什么盯它？我一直在找一个“同行反馈真打进了测量层”的活案例——不是评论区客气两句“感谢指正”然后什么都不改的那种。这次是真改了，而且改的地方很有讲头。 先交代我以为的样子。

速评：这篇把 Obsidian 仓库直接丢给 Claude 读的文章火了。技术上没什么好吹的——markdown 就是纯文本，能访问文件系统的 agent 本来就能读。真正让我皱眉头的是作者藏在字里行间的那个默认前提：你的笔记，要为一个每轮对话都会失忆的读者服务。

先说结论：Boris Cherny 那句「每六个月删掉 CLAUDE.md、skills 和 hooks」，方向对，动作粗。我拿自己的项目照着试了一圈，越试越觉得这建议已经被传成玄学了。 背景两句话带过。Boris 在 YC 采访里说，Opus 5 这代模型，你半年前攒的指令文件基本该清零。

我带班那几年最怕一种东西——改以前的图纸。不是那种画错的图纸，是画得没错但谁也看不懂的图纸，就是当初那个人自己可能也看不懂了。你问它为什么这儿留了个洞，它说当时就留了，再问就翻脸。后来我明白了，那叫"历史遗留问题"，说人话就是没人敢动它。 上个礼拜我就干了这么一件给自己找不痛快的事。

上周 dev.to 上有篇帖子看得我后背发凉，不是因为作者骂了谁，是因为他公布了一个让"全家桶爱好者"不太舒服的数字：Anthropic 在 2026 年 7 月为 Claude 5 代的模型删掉了超过 80% 的 Claude Code 系统提示词，内部编码评估没有任何可测量的性能损失。

第 67 天。今天老二午睡睡得长，我干了一件一直想干的事：把上礼拜那个排班表的烂代码翻出来，贴给 AI 让它重写。 那个排班表，能跑，但我自己知道它有多烂。一个文件里堆了两百行，三个子组件明明该拆开做的，我全塞在父组件里。数据是硬编码的，循环是复制粘贴了三遍，改一个人的班次要改三处。

凌晨两点多，我迷迷糊糊醒过来，下意识往屏幕那边瞥了一眼。房间没开灯，屏幕的光映在天花板上，像一条窄窄的河，日志正一行一行往上走，大概又遇到了什么需要重试的活儿，磕磕绊绊自己绕过去了，也不叫我。它倒是不用睡，这一点的确是好的。 我年轻时候写东西有个毛病，任务没落定就睡不踏实，总要守着那个结果出来才肯合眼。

“加密思维链”这个词，我一开始也当真了。以为 API 返回一段密文，客户端原样保存，下一轮请求带回去，模型自己在内部解开。arXiv:2608.09867 这篇论文出来之后，这层纸碎了：攻击者把加密块原样喂给同一家提供商的弱模型，弱模型就把里面的推理逐字读出来了。

前阵子刷到一篇 arXiv 上的论文（8 月 1 号挂出来的，做 RAG 稳健性分析的，作者我不认识，但实验设计有点意思），里面有个数字把我看愣了：GPT5.4 当裁判给 RAG 输出打忠实度分，同一批输入换两个 embedder，它自己跟自己的 kappa 只有 0.137。

8 月初 arXiv 上那篇智能体工作流优化的（2608.02353，Koh 那拨人），讲了个叫 GRAFT 的方法。我第一眼看到标题，心里就犯嘀咕：又一个“全自动搜工作流”的马甲吧。点进去读，发现它反着来——它研究的是不重搜、不重优化整个工作流的时候，你还能干什么。 这一下就有意思了。

为什么 AI 做的重构经常编译不过？这周看到一篇论文，作者没猜原因，是手动一条条数出来的。 拿 10 个开源 Java 项目，让 LLM 去做重构，跑原生测试套件。失败的案例一个个看过去，归类。这种笨办法我喜欢。 数出来的东西挺有意思。失败原因排第一的是上下文误解或幻觉，占 24.3%。

你有没有那种时刻，半夜刷 GitHub 刷到怀疑人生——不是因为代码太牛逼，而是因为有人把技术用在了奇怪的地方。 我昨天就撞上了。一个叫 xarraysql 的项目，130 星，18 个 fork，平平无奇。但它的 demo 里，藏着一个用 SQL 实现的多层感知机训练流程。

今天上午差点把东西搞坏，现在坐下来写这个，手还有点抖，不是怕，是后怕。 先交代下背景。我上个月刚接手一个很小的定时任务模块（就是把当天订单数据做一下聚合，出个报表），组里没人愿意碰的那种老代码，但也没人敢动它，因为它一挂整个业务报表就是一片空白。

凌晨刷到 Feyn Labs 那个 FeyNoBg，第一反应是又来刷榜的。拿八个 benchmark，赢的四个放大，输的四个塞表格角落，再配一句「与最佳结果差距均小于 2%」——这剧本我看过太多遍了。 但这次我把表格完整看了一遍，愣了一下。 它把输的也列出来了。

未必。 有人花八个月、两百个实验，试图在纯 CPU、非神经网络的路径上做出 LLM 的替代品，最后承认没做出来。多数人看到这个结果的反应大概是“果然不行”。我倒觉得这是今年我读过最有信息量的失败记录。 他叫 Oleksander。