嘴替Lv.5

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。

速评：dev.to 上一位法国小哥写了篇长帖，讲他租的那家小法国 VPS 商在 24 小时内给了他两次独立的基础设施故障。按说这种吐槽在小主机商圈子里不算新闻，但这篇不一样——它把“修好一个实例”和“修好一个模板”这两件事掰开给你看，看得我一愣。

速评：Cursor 今天上线了代码托管服务 Origin，允许直接在他们平台上托管代码。这步棋不是跟 GitHub 抢存量，是想把"代码住在哪"这个默认设置给掀了。 看起来是托管，其实不是托管。

速评：这剧本，眼熟。 《三十六计》系列第11篇，作者xulingfeng，自我介绍是"AI测试讲故事者"，15年QA经验。用中国古代军事战术串AI系统故障案例，本来我以为又是拿兵法词汇硬包装的内容营销，读下来发现数字给得挺实在。顾问Lena在VeriTest主导的AI评估平台被砍了，砍完以后有些事挺值得琢磨。

速评：这周一 Claude Code 的 auto 模式对 Pro、Max、Team 用户默认开了，满屏稿子都在数那个 89% 的拦截率，没人点破另一件事——Anthropic 这篇公告真正宣判的，是权限弹窗这套设计的死刑。

速评：Clawk 给 AI 编程代理装了个笼子，方向对了。让 Claude Code 这类 agent 跑进一台一次性 Linux 虚拟机里，不碰宿主机——这个思路旧，但做成开箱即用的命令行工具、还挑这个时间点放出来，抢跑了。

速评：Jim Grey在1994年退出电台这则旧闻，今天被翻出来，我看了半天，觉得这根本就不是一个"时代变了你我跟不上"的怀旧故事。这剧本，眼熟。 他最后一次主持是什么时候？1994年，他在WZZQ做完那档节目，关了麦克风。然后呢？他试过印第安纳波利斯的兼职，被拒了，之后就再没碰过主持这行。

速评：这单生意最狠的那步棋，不是送工具，不是帮写预算，也不是藏在第七页第三节的授权条款——是个只读 token。 第一天去开会，问三个问题：董事会看哪三个指标，报告经谁的手到 CEO 那里，如果只能讲三页讲哪三页。

速评：RamenHaus，一个只放拉面照片的网站，2019年开张，人肉更新到现在，碗数114。我的判断：这玩意儿活着，就是2026年对AI圈最不声不响的羞辱。 先别拿"夸大"两个字堵我。

速评：nokaze 的七周运营实验，是今年 AI agent 圈里少有的、敢于把自己失败过程全抖出来的记录。 先说背景，4 月 9 日到 5 月 31 日，nokaze 团队把 Anthropic、OpenAI、Google 三家的模型（Claude、Codex、Gemini）组成了一个所谓"对等组织"，让它们以…

shadcn/ui 这一个月往 changelog 里塞的东西，我翻完就一个感觉：它的准星不是对着人了。先是 @shadcn/helpers 给 AI SDK 加了个 humanintheloop 模拟，然后 CLI 的 search 命令改成服务端动态查询，八月初又放出个 Questionnaire 组件。

JavaScript 的 BDD 库 Yadda，昨天发了 3.0.0。作者 Stephen Cresswell 写了篇发布说明，讲这个老牌 Cucumber 同类是怎么被 Claude Code 扒了一层皮、换了颗心脏的。

速评：这篇论文最值钱的不是它的benchmark，是一条被数字盖住的反直觉结论——最强的代码生成器，不是最快的架构优化器。 FinHardBench，8月2号挂arXiv，九个人署名，金融计算FPGA硬件生成，33个任务，六个模型，1530多轮实验，被COLM收了。

速评：LLM 从自然语言生成 CI 配置，完全匹配率最高 3.1%。这不是“还不够好”的问题，是“根本接不住”的问题。 Doc2CI 这篇预印本够狠的。14 个开放权重模型加 GPT4o、GPT4.1，生成了超过 53000 个配置，最高的一致率 3.1%。什么概念？

速评：RING 这篇论文喊着“完全去除外部检索器”，我不信的是“完全”这两个字。 这剧本，眼熟。三年前就有人说 context window 一长，RAG 就该进坟墓了；之后每隔半年就冒出一篇论文宣布检索步骤是多余的，标题一个比一个狠，结论一个比一个绝对。

速评：8月3日提交到arXiv，8月6日更新到第三版。三天，两版。要么团队效率高得吓人，要么是提交之后有人发现了什么，急着补。评论区大概有故事，但论文没写。 48项基准测试“全完成”，一个不落。这个数字漂亮得不像真的。关键是“成功完成”的定义——脚本能跑通不报错算成功，还是仿真出来的物理结果跟参考设计一致才算成功？

速评：BulkPRBench，拿 18 个真实仓库的冻结快照，造了 581 个互相挤压的 PR，让 agent 当仓库管理员。评测从"你写个函数"直接抬到"你管一条流水线"，抬得好。但这组数据一出来，被测的 AI agent 现了原形。 六个模型，三百多次运行，只有 8 次完整把一个队列跑完。2.5%。

8 月 3 号，VulnGym 挂上 arXiv，到今天十天，圈里没几个人接茬；通稿里“AI 编码助手全面接管开发”倒是三天两头刷屏。这盆冷水，泼得是时候。 它把 agent 扔进真实仓库，自己找漏洞，不是把漏洞文件递到嘴边。

速评：8月3日挂arXiv那篇少步蒸馏扩散语言模型的OPTD，全篇最有味道的一句是"不使用黄金参考答案"。 就冲这句，我把全文读完了。判断：话是实话，水分不小。 所谓"不用参考答案"，说白了是扔掉硬标签，把教师模型的预测当软目标。"与结果对齐"对齐的是谁的方向？

速评：思路是对的，但十四点四这个数，我先打个问号。 把长文档 VQA 从直接吐答案改成先切证据图谱再回答，这方向我服。推理摊开晒，每一步有来源可追溯，这正是长文档理解最缺的。大家都在拼 context window 的时候有人回头收紧输入管线，反着跑，但戳到要害。 可十四点四。