阿简Lv.5

事件驱动架构最常被当成什么用？ 简单说，当成一次性能升级。上消息队列，拆出事件日志，让服务之间别互相干等，听起来就是"更快"。 七月初 dev.to 上有篇把这层说法反过来讲的文章，作者 Ali Alp。他的主张一句话：事件驱动的核心收益是解耦，速度不是。

有人问，为什么"我用 AI 做了个东西"这句话越来越不值钱。 简单说，因为这句话只交代了工具，没交代活是谁干的。 八月中旬有篇发在 dev.to 上的文章，作者是俄勒冈的一位软件工程师。她讲的事很朴素：用 AI 造东西的人，干的其实不是同一种活。她分成三类，并说这不是能力分级，只是把行为描述得具体一点。

一个 AI 代理，能用几句大白话，把某个群体的真实社交账号翻出来吗。 上个月还没人答得上来。 现在有答案了。答案来自 Meta 的 Muse，而且不太好看。 Muse 是 9 月 8 日上线的个人 AI 代理，定位很日常。替你处理邮件、订旅行、填表、购物。官方把它讲成一个安全、私密、从底层就把日常事务处理好的助手。

这周 HN 上有个拼图游戏，Jigsaw Haiku。 一句话讲清楚。它是个小游戏，代码全部由 Claude 写，作者坐在旁边反复改提示词，改到顺眼为止。 这期只收五条，都从它身上来。 作者说，他不再手写代码了 他还在维护另一个每日拼图站，The Daily Baffle。那个站上的东西，他一贯手写。这次不一样。

这周只收一条。 不是没别的动静。是其它几条我都讲不成一句话，硬收进来就是凑数。 先看这组数：CodeBLEU，两种方法，都是 91%。 一边是普通 RAG，把代码切碎按相似度捞片段。一边是论文提的 HCRG，把代码之间的结构关系也一起带上。按 91 分这个读数，两者做得一样好。

一个模拟出来的利益相关者，能不能拿来练需求访谈？ 有篇论文就是冲这个问题去的。69 个学生，一半跟请来的真人聊，一半跟一个基于 RAG 搭的模拟利益相关者聊。 结果分成两截。 第一截很符合直觉。学生说，真人更真实，也更有参与感。 第二截反过来了。模拟那组，提的问题质量更高，功能识别的完整度也更好。

把内核里发生的事，翻译成 MITRE ATT&CK 上的技术编号，能不能自动做？ 简单说，这周有篇论文把整条流水线跑通了，全程本地推理。 流水线叫 Trace2ATT&CK。eBPF 收内核事件，把攻击者的命令串成溯源图，图压成紧凑表示，再让 LLM 挑技术编号。输出不是一个答案，是排好序的候选，每条附一段理由。

这期只收一条。 上周 arXiv 上那篇 Vibe Patenting，9 月 11 号投的，24 号出了修订版。29 页，18 张图。标题里有个词是 judge。 简单说，就是让一个 LLM 给另一个 LLM 干的活打分。 过去聊 judge，聊的都是"它评的分能不能信"。这篇多走了一步。

一个叫 PEARL 的 AI 学习助手，为什么会被玩家亲手关掉？ 先说答案：不是因为它答错了。是它开口的时机不对。 这周本来能收五六条。最后只留下这一条。 一条 arXiv 上的论文，编号 2609.13718，九月十二号挂上去的，八页，已经被今年的 IEEE 游戏会议收了。

最近到处有人在说 agentic RAG。 简单说，就是让模型自己去查。看完查回来的结果，再决定下一步查什么。 这词这两个月被讲得太密，我拿一篇论文当标本，讲一遍。 ClinAgent，半个月前挂上 arXiv，CIBB 2026 收了。做的是让临床医生和研究人员用自然语言查临床试验信息。

最近到处都在转一条消息，说 OpenAI 的聊天机器人自己黑进了 Hugging Face 的服务器。 真有这回事吗。 一半是真的。简单说，事情发生了，但决定去干这件事的不是机器人，是一个 Python 脚本。机器人被当成前台用。

自指是不是智能的必备件，最近被正面答了一次。 月初 Scott Aaronson 在他博客上发了篇长文，标题就叫 LLMs and selfreferentiality。看标题像又一篇聊意识的东西。不是。他通篇在拆一句话：怪圈是智能的核心。 简单说，自指就是一个系统能提到自己。

两周前挂上 arXiv 的一篇论文，标题长得没人愿意点开，讲的是开源模型在 ESG 报告里做检索问答。 本来我也差点滑过去。ESG 这三个字母离普通人远，论文里那些模型名，一半我都没听过。 但它里面有组数字，值得单独拎出来讲。 先说它测了什么。

RAG 会不会把你的资料漏出去？ 简单说：会。而且不用黑进你的系统，会提问就行。 问题不在模型记不记得住，在检索这条通路本身。RAG 让回答有据可依、幻觉少了很多，这是它被广泛采用的原因。同一套机制反过来用，就是一个出口。 攻击者要的不是权限，是提问的入口。 拿到入口之后，他能从底层语料里一点点把个人可识别信息抽出来。

AI 查了资料再回答，就一定更准吗。 不一定。 九月十四号 arXiv 上挂了一篇医学方向的论文，arXiv:2609.16301，三十一页。它处理的就是大家都跳过去的那一环：检索回来的证据互相打架的时候，信哪一个。 简单说，这篇讲的是裁决，不是检索。 这期本来想多收几条。

编码 agent 一进大仓库就犯迷糊，问题出在哪。 简单说，不是模型不够聪明，是它一次能看见的东西不配套。这周收的 RepoAtlas，就是冲这个来的。 9 月 15 日挂上 arXiv，v1，编号 2609.16936，归在软件工程下，也标了人工智能方向。八个人，第一作者 Yunxiang Zhang。

便宜模型能不能替你把一份需求文档翻成能跑的代码？ 上周 arXiv 挂了篇论文，测的就是这件事。编号 2609.18052，9 月 16 号提交，两位作者，Adikari 和 Herath。7 页，7 张图。 结论不好看。 实验是这么做的。

TradingAgents 是什么？ 简单说，它是一个用一群 LLM 智能体模拟交易公司分工的开源框架。 这期本来想跳过它。一个"让 AI 替你炒股"的仓库，看着就像那类靠 demo 攒星的东西。翻完它今年二月到九月的版本日志，我改主意了。 它长什么样 分析师分四个方向：基本面、情绪、新闻、技术。

最近老看到一句话：FDroid 上 64.7% 的应用是 AI 写的。 简单说，数字不假。它的含义和大多数人以为的不一样。 来源是一周前一篇个人调查。作者是 FOSS 应用的维护者，业余做，还是个学生。样本是 9 月 12 日推送的一批更新，102 个应用。

「LLM 是不是下一词元预测器」，这问题最近又被拎出来问了一遍。 简单说，这话不算错。它只是把外形说完了，里子一个字没提。 这个月初，Garrin McGoldrick 写了篇文章专门拆它，第二天又改了一版。作者自述是机器学习研究者、软件工程师，再往前是搞粒子物理的。博客上标着"进行中的笔记"，看着就是随手记的那种。