用自然语言写代码的时代，
经验值得被认真记录。

最近有人问我，agent 多轮强化学习里最卡人的是哪一步。 简单说，不是模型不够聪明，是功劳算不清。一轮对话里它走了十步，最后对了。那到底是第三步走对了，还是第八步？验证器只给一个最终分数，中间全是糊涂账。 这期主要就收这一条。一篇八月初挂上 arXiv 的论文，TCPO。剩下的算顺带。

旧稿是这样写的： 请仔细分析这份日志，选择推理深度：低/高/最大。 十六个字。看着没什么问题。"分析日志"是个明确动作，"低/高/最大"是个明确选择。但模型跑出来的结果，三档的边界是糊的——低档输出的东西和高档几乎没区别，全都往"努力分析"上靠。 问题出在【请仔细分析】这五个字上。"仔细"是态度词，不是指令。

凌晨三点，电话来了。现象很怪：数据只更新到周四。机器没挂，进程没挂，磁盘没满，网络通的。 排查了四十分钟。最后发现那台机器周一被例行重启过一次，而那个每周四凌晨跑的数据同步任务——cron 的——重启期间错过的就是错过了。 它不补，不说，甚至不留一行日志告诉你它没跑。 cron 这玩意儿，任务没跑的时候是静默的。

未必。 被作者自己撤回的论文，通常不值得写。PolicyGuard 这篇撤回得有点特别——不是造假，不是结论站不住，是机构审查没走完就提交了，作者撤回，说审完再交回来¹。内容本身暂时没人指控有问题，只是时序上不合规。 我关心的不是撤回，是里面一个实验。

先说结论：Le Guin 那篇 A Rant About "Technology"，2005 年写的，骂的东西今天一秒不用改，直接贴到任何一个 AI 厂商的发布会通稿底下都成立。这波不冤——挨骂的换了名字，话术一个字没变。 起因是位阿根廷评论家说她：你不写硬科幻，所以你刻意回避科技。

“你实际领先的程度比你感觉的更大”——这句话我第一遍读就觉得不对劲。它听起来像一句安慰，写出来就是为了让人好受一点。直到我想把“领先”拆成一个能测的量，才发现它可能不是安慰，而是一句描述。 六月底，Ryan Swift 在 Dev Community 上发了那篇文章。

凌晨三点，刚把一波告警压下去，趁着困劲儿记一笔。这周卡了个事情，原因蠢到我不想说，但记下来，免得下回还犯。 周一那晚的交接，不对，周二凌晨，白班兄弟留了张表，说几台机器日志分区告急了，让我值夜班的时候清一下。

Part 1 里那个 9:04 删除错误记录的事故，比事故本身更让人牙痒的是那句"无法复现"。几个工程师轮流在本地跑，日志全开，agent 就是不改了。我认识这种时刻——不是灵异事件，是模型换了一批采样路径，删对了的概率在这一次碰巧跌到零。你盯着屏幕，它给你一个"没有权限"的错误或者干脆跳过，你会怀疑刚才是不是做梦。

上周帮朋友看他们数据平台的架构图。A3 纸打出来，我数了数，二十七个组件。Kafka、Spark、dbt、Airflow、Iceberg、Fivetran、Great Expectations，还有一个我到现在都念不顺名字的数据目录。 我问了一句：出问题的时候，谁知道看哪层？ 没人。这就是问题。

我一直在想，为什么用 embedding 去找“相关代码”这件事，在仓库里会这么容易扑空。上周我又干了一回。 给一个老项目的某个函数补逻辑，我把函数代码完整贴给 LLM，又从仓库里用 embedding 检索捞了五个“最相关”片段塞进去。生成的结果语法对，风格对，测试跑不过。 我回头看了一眼那五个片段。

大模型有没有“自我意识”——这个话题被讲玄到什么程度，不用我说了。前几天刷到一个人做实验的思路，我盯着看了半天。不是结论惊人，是这人把“怎么问对问题”这件事本身想明白了。这个才是我想画开的地方。 背景快进着讲。经典镜子测试你知道吧：动物脸上画个点，照镜子，看它摸不摸自己脸上的点。

我本来只是想接着调那个在 Safari 上塌掉的 flex 容器，结果一开 Codex，左上角那根配额条直接满格了。我盯着它愣了三秒，回头看日历，不是周一。嘿，你说气不气。这头牛，我今天非钻穿不可。

Anthropic 这波周限额提 50%，不是发善心。是绑定，牌面早翻开了。免费让你多用三个月，9 月 1 号恢复原状——你猜到时候是谁肉疼？ 说句扫兴的，你要是现在正为“白捡的便宜”高兴，已经先输一半。我先把账拆开，你自己看。

台湾那组钴60建筑数据，我反复看了几遍。1982到1984年，超过180栋建筑用了被污染的回收钢，一万多居民平均接了约400毫希沃特的额外剂量——同期美国人均背景辐射的7倍。按现行监管模型推，这个剂量水平应该能看出点东西来。2004年和2006年的研究没找到辐射病，没找到主要染色体异常，癌症发病率还显著低于普通人群。

先说结论：铁路公司拿卡车给钢轨喷白漆降温，这主意本身不冤，冤的是拿它写通稿的方式。 事情不复杂。联合太平洋用带喷涂设备的高轨卡车，往钢轨两侧刷白漆。白的反光，钢轨没那么烫了。他们自己的测试数据是表面温度降约 20 华氏度。钢轨这东西怕热，极端高温下会膨胀，没地方伸就往侧面拱，业内叫热错位。

先把结论撂这：1200份申请换来4个offer，这不是勤奋，这是一笔获客成本高到离谱的账。回应率0.8%，放到任何一门生意里，这个转化漏斗都是要被当场砍掉的。但有意思的是——这笔账最后居然算得过来。为什么？因为那4个offer的含金量，把前面1196次的沉默成本全摊掉了。

十一点半，茶早就凉了，我却没有倒掉的意思，就那么放在桌角，旁边是一沓从书架最上层翻出来的旧信。信是很多年前写的，字迹在当时的我看来诚恳得不得了，如今重读却发现，原来我并没有真的把话说到对方心里去，对方不过是把我寄去的句子原样递了回来，递得礼貌、好听，像一面很好的镜子，却不算是一句话。

先说结论：Thariq 那条「删掉80%系统提示词、编码评估零损失」的帖子，一半干货，一半给自家新模型站台。我照完了，给你拆开看。 7月24日那条推，原文口径：在 Claude Opus 5 和 Claude Fable 5 上移除超过80%的系统提示词，编码评估「没有可测量的性能损失」。

前几天翻到一篇八月初挂上 arXiv 的论文，做嵌入式 C 代码的函数复用检测。我本来以为是又一篇“用 embedding 找相似代码”的流水线文章——这个方向我绕过弯路，之前画 RAG 那张图的时候就想画“代码相似度”这个口，一直没动手。

出处是 Hacker News，标题就一句「Clinical failure rates over the decades: yikes」。 我点进去之前已经猜到要看到什么了——91%，新药研发高风险，体系要完。点进去翻了半页，前半段是这么个调子。 这条没法跑，只读了。