karavox 独立开发者 Łukasz Nowak 不信任任何 AI agent，他把安全保证直接建在令牌上：agent 物理上写不进生产仓库。 《我把 AI 编码 agent 当分包商》 引言 2026 年起，我开始用 AI agent 开发软件，主要是为了工作。一开始只有一个 agent，慢慢演化成更多。我试过各种方法，但没有一个真正契合我的工作流。 我对每一个 agent 都抱着不信任（坦白说，我找不到合适的英文词形容这种感觉——它是彻底的不信任，但又充满好奇，隐隐期待它们干出好活）。它们会犯错，我必须用令牌、用户和虚拟机给它们装上护栏。尽管如此，事实证明它们在我的工作里有用。我的 agent 运行在 YOLO 模式——改文件、提交、推送都不问问题，因为它们要对自己那一部分负责。 它在工作里开始生效。我们团队交付了能用的解决方案。我得以把一部分工作流外包给一个工具，自己专注于重要的事。它真的管用了…… ……这让我开始琢磨自己的业余项目——一个跟卡拉 OK 有关的东西。我可以手写代码，但为什么不用一群 agent 呢。经过大量来回拉扯，加上我本来就不怎么信任它们，最后我决定把它们当分包商对待。反正是我自己的项目，我可以多冒点险。 为什么是这个形态 我是一个独立开发者，有几个 agent 在一个小型生态里干活：一个开源格式和工具集、围绕它的闭源产品，以及支撑这一切的基础设施。塑造一切的约束很简单：我是瓶颈，我也是唯一有判断力的人。 Agent 能做很多事，但它们对我的事故史、我的边界情况、以及那些不存在于仓库里的运维约束一无所知。所以设计目标是：agent 可以在我缺席的情况下尽量多做——但它们永远碰不到我没看过的东西。 这个模型从哪来 这个模型不是我发明的。它始于一篇给这个角色命名的文章：Simon Willison 的 vibe engineering（2025-10-07）——AI 辅助开发里自律的一端，专业人士始终对软件负责，与之相对的是 vibe coding 快而松的一端。Willison 自己在 2026 年的更新里提到，最终胜出的叫法是 Agentic Engineering。随后的阅读塑造了剩下的部分： • Embracing the parallel coding agent lifestyle（Willison，2025-10-05）： ——并行 agent，审查带宽是瓶颈；研究/PoC 任务和规格严谨的工作属于安全类别。 • How I'm using coding agents in September, 2025（Jesse Vincent，2025-10-05）： ——架构师/实现者的分工，跨隔离的 git worktree，人类在他们之间当 PM。 • Best practices for using GitHub AI coding agents in production workflows?（GitHub Community，2025-12-17）： ——"AI agent 是强大的队友，不是自主提交者"：agent 提议代码，绝不拥有代码；只提草稿 PR；人在环内的合并契约。 第一层：令牌——agent 碰不到生产环境附近 每个 agent 拿到两个令牌。生产仓库上一个只读令牌，加上一个独立 -staging 仓库上的写令牌。任务分支直接从生产仓库的 main 分支切出来（只读权限就够做这件事），然后推到 staging 仓库——后者的存在纯粹是为了让写令牌有个能到达的地方。 Staging 仓库的默认分支是一个故意的墓碑，名字就叫 no-main，里面只有一个 README："请使用原仓库的 main 分支。" 没有任何东西合并进它。没有任何东西同步它。它没有历史，没有镜像，除了当 agent 的邮箱之外没有任何意义。 为什么不用标准工具？因为在我的套餐里它们不存在：GitHub 的文档写明，受保护分支在免费套餐里只对公开仓库开放，私有仓库要从 Pro 起；把私有仓库 fork 到组织里也需要 GitHub Team，不是 Free。令牌作用域是唯一能在物理上阻止 agent 碰生产环境的机制——所以这个设计把保障建立在令牌上，而不是设置上。 第二层：集成——我就是 merge bot 当一个分支就绪时，agent 告诉我。我把它取回来，审查 diff，然后以任何合适的方式合并进来：cherry-pick、rebase-merge，或者手工应用。没有 pull request 机制，没有 agent 写的合并提交，没有积压着没人读的 PR。 这是一个穿了新衣服的老模式。Git 自己的文档把它描述为集成经理工作流（integration-manager workflow）：没有写权限的贡献者提交补丁，维护者负责应用。这正是我在做的事——我的 agent 是补丁贡献者，staging 仓库是它们的邮箱。这是 Linux 内核用了二十年的模型，只是把邮件 diff 换成了分支。 一条规则让这件事保持诚实：一个分支在独立验证它确实在生产里之前，绝不删除（对生产默认分支跑 git merge-base --is-ancestor，如果提交被 squash 过，就跑等价检查）。可检查胜过口头保证——包括我自己的口头保证。 第三层：PR 政策——判断，不是教条 公开仓库 karavox 只接受 PR。这没得商量：它是开源的，面对未知贡献者，PR 是那里的贡献规范。 私有仓库由我自行判断。为什么这说得通？因为审查无论如何都会发生——问题只是发生在哪一层。在 PR 模型里，审查是 GitHub 强制执行的一种仪式；在我的模型里，审查就是集成本身。对一个身兼 QA 的独立集成者来说，pull request 是开销，审查不是。我从不跳过审查——我跳过的是仪式。 各厂商正在向同样的原则靠拢。Claude Code 的安全文档：手动模式下它以只读权限启动，并且"你有责任审查提议的代码"。OpenAI Codex 的文档：默认沙箱化，带审批策略——Codex 执行动作前必须询问。GitHub 自己的 agentic workflow 工具 gh-aw：agent 作业默认只读且沙箱化，写入通过经过验证的 safe-outputs 作业和受限权限应用。GitHub 自己的社区指南说得更直白："AI agent 可以提议代码，绝不拥有代码。" 整个行业都在向我这一边收敛——只是大多数人还没有走到删除 staging 镜像那一步。 实战故事：那个死掉的模型 墓碑不是最初的设计。一开始 staging 仓库在一条名字就叫 staging 的分支上保存了生产环境的完整镜像：任务分支从镜像切出，合并进 staging，然后晋升到生产。这个模型要求两样东西靠约定保持同步——镜像，以及 staging 分支本身。2026-08-14 它真的漂移了：两个分支直接落到了生产 main 上，而 staging 落后了两个提交。 修复不是加固同步。修复是删除镜像。任务分支现在直接基于生产环境自己的历史，于是没有任何东西需要保持同步了。staging 仓库当天下午就变成了墓碑，从那以后工作流一直更简单。一个在生产中死掉的治理模型是一个好治理模型——它证明了自己可以被重新设计，而不是打补丁。 别人在做什么 • Fork + pull request，维护者合并：GitHub 文档——fork 是一个独立的仓库，有自己的设置，与上游相连；私有仓库可以 fork 到个人账户，但 fork 到组织需要 GitHub Team。 • 同一仓库上分支保护 + 必需审查：GitHub 文档——受保护分支对公开仓库免费；私有仓库需要 Pro、Team 或 Enterprise。 • 补丁邮件（git format-patch）：Git 官方书——记载了集成经理工作流：没有写权限的贡献者提交补丁，维护者应用它们。 • 自动化验证-合并（agent 写，验证者合并）：GitHub 的 agentic workflow 工具 gh-aw——agent 作业默认只读且沙箱化，写入通过经过验证的 safe-outputs 作业和受限权限应用。 这给我换来了什么 • Agent 做完所有判断开始之前的事。 • 我只在值得的地方花注意力——每一次集成按定义就是一次审查。 • 没有要分诊的 PR 队列，没有机器写的合并提交，没有仪式。 • 公开仓库保留贡献规范；私有仓库保留速度。 诚实的局限 生产 main 本身只靠令牌作用域加上我的纪律来保护——分支保护会是双保险，但在我的套餐里它不可用。而且行业信号很清楚：GitHub 上超过五分之一的代码审查现在有 agent 参与。判断力是瓶颈，这个模型正是围绕这个事实构建的，而不是假装瓶颈不存在。 来源： GitHub 文档（受保护分支、fork）；Git Pro book（为项目做贡献）；Claude Code 安全文档；OpenAI Codex agent 审批与安全；GitHub Agentic Workflows（gh-aw）；GitHub Community AI 编码 agent 最佳实践；GitHub 博客 agent pull requests。 原文： #AIAgent# #AgenticEngineering# #工作流#

这篇报告值得一看： 以太坊不是一条普通的区块链，它是目前最接近“数字公共基础设施”的平台。 就像互联网的TCP/IP协议一样中立、开放、谁也控制不了，但它是用来处理“价值、合约、协调”的。 几个方面： 1. 谁也控制不了它（中立性最强） 
以太坊没有老板、没有后门、没有kill switch（一键关闭功能）。 全球上千个独立节点、几十万验证者一起维护，没有任何单一国家、公司或个人能单方面改规则或关掉它。 这对政府和机构来说非常重要，他们最怕把关键基础设施交给一个能被“第三方控制”的人。 2. 安全运行了10多年零故障 
目前有约760亿美元的ETH被质押（当安全保证金）。想攻击它要花掉500多亿美元，还会亏得血本无归。 
从2015年上线到现在，零宕机（不像其他所有L1都出现过问题）。 3. 已经被大机构和大政府真金白银地用了 • 稳定币：上面锁了1590亿美元（远超其他链）。 • 真实资产代币化（RWA）：贝莱德、摩根大通等已经在上面发产品。 • 政府应用：不丹做全国数字身份、印度用它做土地登记防腐败等。 4. 比其他选择优势明显 • 比传统银行/中介： 不用信任中间人，用数学和密码学保证，更透明、成本更低。 • 比“联盟链/私有链”： 更开放、中立，不会有人把持。 • 比其他公链： 更成熟、开发者最多、经济规模最大、安全性最高。 总结来说， 用数据 + 真实案例 + 对比看出： 以太坊是未来全球价值结算和协调的“中立公共层”。

一起来看看币安创始人 CZ（赵长鹏）@cz_binance首次在菲律宾公开亮相的对话说了些什么吧？ 主题是围绕稳定币如何成为亚洲下一代金融基础设施，覆盖支付、结算、汇款、数字商贸，以及稳定币在亚洲数字经济的机会、风险与规模化路径 现场同时宣布了：币安菲律宾已拿到监管沙盒牌照，法币相关服务很快就会上线！ 一、稳定币落地菲律宾，普通人能得到什么好处？ 菲律宾是全球第三大侨汇接收国，去年全年收到 350 亿美元海外汇款 CZ 表示，稳定币 + 区块链落地后，最直观的变化有三点： 1）转账成本大幅下降： 现在传统汇款手续费高达 5%-10%，350 亿侨汇里有几十上百亿被手续费吃掉 用区块链技术能把手续费降到几乎为零，相当于直接给老百姓和家庭省钱 2）到账速度更快： 交易确认、清算都是即时完成，不用等待多个工作日 3）整体提升金融效率： 不管是社区小卖部做生意，还是家人之间转钱，成本低、周转快，会全方位改善日常金融生活 二、国家自己发法定稳定币，和用美元稳定币比，有什么区别？ CZ 明确两者不是非此即彼的替代关系，各有定位： 1）新兴市场是金融数字化的空白地带，私营稳定币和官方稳定币共同发展，反而能更快做大市场规模，测试不同产品模式，不会互相抢夺份额 2）每个国家都必须有自己的本币稳定币，金融体系从传统转向数字化的过程中，守住本币的主导地位，才能保住本地经济收益、提升自身金融影响力，甚至辐射周边国家 菲律宾一定要有自己的比索稳定币，不然等于把本地交易的经济话语权拱手让给外币 3）官方稳定币信任度、安全性更高；私营稳定币通常费率更低、产品更灵活，分别适配不同场景 三、零手续费靠谱吗？怎么保证安全和可持续？ 针对 “免费 = 不安全 / 不长久” 的疑问，CZ 的解释是： 1）只靠转账免费单一业务肯定难持续，但这是互联网已经验证成熟的模式 —— 基础服务免费，靠其他业务线盈利 比如币安靠交易手续费覆盖成本，就能支持 Binance Pay 转账零手续费 谷歌靠广告盈利，就能免费提供大量基础工具 2）区块链本身的运行成本极低，比如 BNB 链上的稳定币转账，基础设施成本几乎可以忽略，基础转账接近免费完全具备可行性 3）安全是底线：区块链底层技术本身很安全，风险主要出在服务平台层面，需要平台做好风控和安全保障 四、推广稳定币最大的障碍是什么？ 亚洲有一半人口没有银行账户，常见的三大障碍 —— 手机网络、金融素养、对数字钱包的信任里，CZ 认为： 1）智能手机和网络基础设施其实已经基本普及，这是最简单、最容易解决的部分 2）最难的是金融教育 + 产品易用性，一方面现在区块链地址是长串字符，普通人使用门槛很高，产品需要做得更简易 另一方面学校基本不教授金融常识，很多人连 “定投（DCA）” 这种基础概念都不了解，更别说辨别骗局、判断投资好坏 3）金融教育不是只靠政府，全行业从业者都有责任一起推进 五、做侨汇稳定币通道，什么最不能妥协？ 在成本、速度、托管三者中，CZ 的优先级是： 1）第一优先降成本：这是普通人最能直接感受到的价值，也是稳定币最核心的优势 2）速度其实已经被技术解决了：比如 Binance Pay 转账就是即时到账、零手续费 就算用自主托管的链上钱包，费用也远低于传统汇款渠道 3）安全是前提底线：区块链底层很安全，核心是服务提供商要做好安全管控 除此之外，产品的易用性也非常重要 六、AI 代理在链上交易出错 / 被骗，算谁的责任？ 主持人提到 CZ 曾预测 “AI 代理几个月内就会实现链上交易”，随之而来的责任问题，CZ 表示这是全新领域，各国法律都还在探索，目前核心是责任共担： 1）用户自身负主要责任：不要把全部身家交给 AI 代理，先用小额资金测试，只投入自己亏得起的金额，每个人要为自己的选择负责 2）开发者也有相应责任：要保证产品功能和宣传一致，现在 AI 还有 “幻觉”、容易被诱导的问题，需要持续迭代优化 3）核心建议：使用任何新技术，最好的风控就是控制投入金额，别拿输不起的钱去尝试 七、普通人怎么防加密骗局？实用建议 针对菲律宾当地常见的网络诈骗，CZ 给了几个普通人可直接落地的建议： 1）先靠常识筛选：收益好得太离谱的一定有问题，比如 “转 1 个币返 10 个” 这种，绝对是骗局 2）永远不要把所有钱押在一个项目上，多问自己一句：如果这个项目归零了，会不会影响正常生活？能接受再投入 3）技术工具能帮忙挡风险：比如币安、Trust Wallet 都有 AI 风控系统，转账到可疑诈骗地址会自动拦截，虽然做不到 100% 覆盖，但能挡住绝大多数风险 4）长期来看 AI 的正面作用会超过负面，只是目前行业还早，骗局与反诈骗是长期的猫鼠游戏，大家多留心即可 八、怎么看监管？创业者最容易轻视什么？ CZ 坦诚分享了自己的心态转变： 1）早年也觉得监管就是 “拦路的”，什么都不让干；接触多了才理解，监管的核心目标和创业者一样，都是保护消费者，只是双方站位不同 2）监管的实际难处很大：要平衡各方利益、有政治层面的考量，而且体制内修改规则非常缓慢，比如香港的证券规则还是 1974 年的原文，至今只能做条文解释，改动一点都要承担很大压力 3）给创业者的建议：对监管多一点耐心，尽量保持透明沟通，行业和监管不是对立关系，规则是在磨合中慢慢迭代的 九、诈骗多，会不会毁了稳定币的名声？ 针对 “加密和诈骗绑定” 的刻板印象，CZ 直接给出了数据： 1）加密货币中非法交易占比仅为0.0014%，而传统金融的非法交易占比是 2%-5%，两者相差上百倍 再加上加密总市值本身远小于传统金融，实际非法金额的差距更大 2）核心原因是区块链透明可追溯：所有交易都是永久公开记录，配合交易所的 KYC 信息，执法部门很容易追踪资金流向。币安还有专门的 FIU 培训部门，给全球执法机构做链上分析培训，非常受欢迎 3）问题本质在舆论偏差：只要骗局用到加密，媒体就全算成加密行业的问题 但传统银行涉及诈骗，没人会说银行本身是坏的，工具本身不分好坏，不能把坏人和技术划等号 十、老百姓会信哪种稳定币？关键看什么？ 官方稳定币和私营稳定币，大众的选择逻辑是什么，CZ 的判断是： 1）绝大多数普通人根本不关心技术细节、也不关心发行方背景，核心就三个标准：好用、便宜、到账快 2）官方稳定币有先天信任优势，只要体验好、费率低，普及速度会非常快 私营稳定币需要靠运营时间、资产规模慢慢积累信任，但通常产品更灵活、费率更低 3）官方稳定币本来有天然优势，但往往附加限制太多，反而拖累了普及 如果能做到和私营产品一样易用，官方稳定币会更有竞争力 十一、东盟十国做互通金融网络，难在哪里？ 关于东盟跨国家数字金融互联互通，CZ 的判断是： 1）技术完全不是问题，技术标准在全球都是通用的，核心难点在政策协调和政治意愿 2）各国外汇管制、税率、市场开放程度都不一样，利益诉求差异大，对齐起来难度很高，这不是技术能解决的 3）非常推荐推行监管牌照互认（监管护照 / 牌照便携化）：企业在一个资质靠谱的监管地区拿到牌照，其他国家可以简化审核、互认资质，不用从零重新申请 比如币安在全球有 25 张牌照，是全球牌照最多的加密交易平台，甚至超过很多银行 如果能牌照互认，这些合规企业就能快速进入当地市场 4）牌照互认既能快速引入合规企业，也能通过市场竞争给用户带来更低费率、更好服务、更高安全性，而且政治风险较低，各国可以共用一套规则框架 十二、创业者该怎么和监管打交道？行业最大的失败风险是什么？ 最后两个收尾问题： 1）关于和监管打交道：建议创业者尽量保持透明沟通，但现实中小初创很难直接接触到监管，通常企业做到一定规模，监管才会主动对接，这个沟通缺口客观存在 核心还是要有耐心，做合规业务急不得，区块链行业不会消失，货币数字化是长期大趋势 2）关于行业失败风险：全行业整体做不起来的概率很低，AI 的发展也会要求更快、更高通量的支付系统，创新会持续向前 最坏的情况也就是维持现状，大家继续用传统银行，承担高额手续费、慢速转账，但这种可能性很小 风险更多集中在单个项目、单个平台层面，比如项目归零、平台倒闭，不同主体的风险不同 长期来看，每个国家一定会有自己的稳定币，用来支撑本地数字金融发展 以上就是本次马尼拉东盟科技峰会的全部对话核心了，希望能给大家一些启发！感谢阅读！

在日本做了几年独立 AI 工程师,聊几个只有真正在这里干过才知道的事。不是签证、收入、市场分析那些,是日常工作里那些不会出现在任何攻略帖里的细节。 第一个没人告诉你的事:在日本,中国人做 AI 有一个非常奇怪的信用加成。 日本企业对"AI"这件事的认知来源主要是两个:美国和中国。美国代表前沿(OpenAI、Anthropic、Google),中国代表速度(DeepSeek、千问、字节)。你是中国人,天然被归到"速度快、实战经验丰富、见过大场面"这个认知框里。 日本本土的 AI 工程师大多数是从学术界转过来的,理论功底扎实,但生产部署经验偏弱。你跟日本客户说"我在中国的互联网公司做过日均千万级 DAU 的数据系统",他们的反应不是"哦",是"えー、すごいですね(哇好厉害)"。因为日本本土很少有这种体量的实战场景。 这个加成不是永久的,干砸一个项目就没了。但它给了你一个很好的开局:第一次见面时,客户对你的预期天然比对一个日本本地工程师高半格。 第二个没人告诉你的事:日本客户最怕的不是你技术不行,是你"突然消失"。 在日本商业文化里,"飞ぶ"(消失/跑路)是对合作关系最大的恐惧。他们之前遇到过的外国 freelancer 里,有人项目做到一半签证到期走了,有人拿了预付款之后联系不上了,有人说好的交付日期突然说"还需要两周"然后反复延期。 所以日本客户考察你的第一优先级不是"你有多强",是"你靠不靠谱"。靠谱的定义极其具体:说好周五交就周五交,邮件当天回,电话接得到,出了问题第一时间主动说而不是藏着。 我刚来日本的时候不理解这一点,觉得"技术好就够了"。后来才明白,在日本,你交付质量 90 分但每次都准时,比你交付质量 98 分但偶尔迟到一次,在客户心里的评价要高得多。信赖感(信頼感)是日本商业关系的地基,地基不稳什么都白搭。 第三个没人告诉你的事:在日本做 AI 落地,最有效的销售话术不是"AI 能帮你省多少钱",是"不用 AI 你会被同行甩开多远"。 日本企业的决策动机跟中国企业不一样。中国企业决策靠 ROI:"花这些钱能赚回来多少?"算得过来就干。日本企业决策靠"危機感":"不做这件事会不会落后于同行?"同行都在做,我不做,不行。同行都没做,我为什么要第一个冒险? 所以你跟日本客户谈 AI,最有效的切入方式不是给他算 ROI,是告诉他:"你的竞争对手 XX 已经在用 AI 做这件事了。"这句话在日本商业文化里的杀伤力,比任何 ROI 计算表都大。 当然,前提是你说的是真的。日本圈子小,胡说被抓到一次,你在整个行业就废了。 第四个没人告诉你的事:中日英三语是一个被严重低估的壁垒。 表面上看,语言只是沟通工具。实际上,三语能力让我能做到一件几乎没有竞争者能做的事:用英文读 Anthropic 的 system card 和最新的技术文档,用中文跟国内的 AI 社区保持同步,用日语跟客户的业务方和技术方深度沟通。 全球最前沿的 AI 信息首先出现在英文世界,通常晚一到两天出现在中文世界,晚一到两周出现在日文世界。我能在信息出现的第一天就消化它,然后在一周内把它变成日本客户能理解和使用的方案。 这个时间差就是我的定价权。日本本地的 AI 工程师要等日文翻译或解读出来才能跟进,美国的 AI 工程师不会日语进不了日本市场。中间这个位置,人极少。 第五个没人告诉你的事:我交过最贵的学费是"把中国的工作习惯带到日本"。 刚来的时候我犯了几个现在想起来都想扇自己的错误: 给客户发了一个方案,里面直接写"你们现在的做法效率很低,应该换成 XX"。在中国这叫直接、高效。在日本这叫"失礼"。日本的方式是:"贵社目前的方式当然是经过深思熟虑的(先给面子),不过如果考虑未来的扩展性(给台阶),或许可以参考一下这种方法(才提建议)。"同样的意思,包装方式完全不同。我花了大概半年才把这个习惯改过来。 还有一次,客户说"検討します"(我们考虑一下),我以为是真的在考虑,等了两周去跟进。后来才知道这句话在很多场合的真实含义是"我们不打算做,但不好意思当面拒绝你"。在日本,"不"很少被直接说出口,你得学会听懂那些"不是不"的"不"。 还有一次把项目进度做成了飞书文档共享给客户。客户完全不知道飞书是什么,打不开。后来老老实实改用 Excel + 邮件。在日本企业里,Excel 和邮件是永远不会错的选择。你觉得落后,人家觉得稳当。 第六个:最意想不到的获客渠道。 我以为在日本获客要靠 LinkedIn 或者行业展会。实际上我最有效的获客渠道有两个:一个是 X(推特),另一个是日本特有的"勉強会"(学习会/技术分享会)。 日本的技术社区有一种独特的文化:定期办免费的技术分享会,大家轮流讲自己在做的东西。你去讲一次,讲得好,会后有人来跟你换名片(是的,日本还在用纸质名片,而且交换名片有一套完整的礼仪),两周后邮件来了:"之前听了您的分享,我们公司正好有一个类似的课题,方便聊一下吗?" 这种获客方式成本为零,但信任转化率极高,因为对方亲眼见过你讲东西,知道你是真的懂而不是嘴上说说。 最后说一句总结。 在日本做独立 AI 工程师,最核心的能力不是技术,是"翻译"。不是语言翻译,是把全球最前沿的 AI 技术,翻译成日本企业能理解、敢尝试、用了之后能看到结果的东西。技术只是原料,翻译才是手艺。 而这个"翻译"能力是没法被 AI 替代的,因为它的核心不是信息转换,是理解两种完全不同的商业文化各自在怕什么、想要什么、能接受什么。这种理解只能靠在两边都踩过坑才能长出来。 所以如果你问我在日本做 FDE 最大的壁垒是什么,不是技术,不是签证,不是日语,是你愿不愿意花几年时间在一个节奏完全不同的市场里,把那些只有踩过才懂的坑全部踩一遍。 踩完了,壁垒就是你自己。

有一些市级区级电视台、广播电台、日报社，已经重组成“xx市/区融媒体中心”了， 电视台频道和广播频道已经在逐渐砍掉了，报纸还在坚持出版， 一些主持人和编导转战抖音+微博+快手+微信公众号+微信视频号的编辑，可以拿到平台蓝标，除了一小部分本地新闻以外，全国全世界什么火就播报什么： 哪个省委书记下来了，美国打伊朗了，宇树机器人参加奥运会了，薛之谦开演唱会摔个大马趴，刘雨鑫带火了哪个饭馆， 一套AI生成播报+外包团队剪辑+主编审稿，流水线产出这些新闻，基本等于小央视、小新华社的新媒体平台的水平， 还有一批主持人，直接找本地国企联系，以融媒体平台的身份帮他们做直播带货，约等于一个地方低配版杭州直播工作室， 但毕竟是地方国企和地方事业单位，天生有体制内独有的信任感，不用担心外聘的主播乱搞， 更重要的是，小城市小区县的直播团队都在本地，这些事业单位虽然养闲人，但毕竟大部分都是土生土长的本地人，用本地方言讲个本地国企老字号特产酱肉、腐乳、茶叶、点心、腊肠，卖个团购券，上个抖音直播间，也有一点本土优势。 平时如果遇到节假日大事，或者本地重要新闻、重要领导汇报、突发事件，这些人紧急调走，奔赴本地一线当记者， 其他时候基本都在找新闻、编辑新闻稿、剪视频、给本地做做直播带货。 好在这些基层新闻媒体事业单位有相当一部分转型得比较顺利，对财政依赖度越来越低，算是对当地GDP和财政的一大贡献。

看了会 DeepSeek Harness，说下个人感受。 整体感受，dsh 更像一份「harness 该怎么写」的参考实现，不太像一个要抢 Claude Code 用户的产品。体验上目前还有点粗糙，架构上比较“激进”。 1\ 上手只要 npx @deepseek-ai/dsh@latest web，它还会自动从环境变量里找 DEEPSEEK_API_KEY 填上，对我来说一行命令直接用上。但对非前端程序员，npx 仍是门槛。刚在 x 上看到有人基于它封了 electron 客户端，这类缺口大概会由社区补齐，官方看起来没打算自己做。 2\ 默认上 web 而不是 TUI，这个切入点很聪明。翻源码还看到一个细节，仓库里有过一版 TUI，写完又删了，只留 Web。TUI 对小白用户确实有门槛（这也是大家这么喜欢用 codex 的原因之一），dsh 把这条路线整个砍掉，是主动决策，还是时间上不够呢？ 3\ 内核就一套插件体系（Cordis），所有功能都是插件，agent loop 本身也是。最早做 umi 时做过类似的事，webpack、vite 也是这个思路，但 dsh 插得更彻底。举两个例子。它有一组别家都没有的 cordis_* 工具，模型可以在运行期给自己装卸 harness 插件。e2b 扩展只替换 ctx.fs 和 ctx.subprocess 这两个 hook，整个执行环境就搬进了 E2B 沙箱，bash、terminal、lsp 零改动跟着走，连「在哪里执行」都是插件。代价也在这，插件权限大到能改内核，上午一位老程序员提醒我说，这可能很容易被改坏。 另外，dsh 用 MIT 协议但明确拒收外部 PR，想参与只能去 Discussions 或者自己写插件。核心封闭开发，生态全走外部 npm 包（`dsh plugin add` 就是 pnpm 转发）。插件体系最坏的场景是没人为他写插件，但以 DeepSeek 的体量，应该不缺。dshhub[.]org 上看了眼，已经 700+ 了。 4\ 「轨迹」功能让我眼前一亮，开发者能看清每个细节，观感有点像蚂蚁同事开发的 weiesky/cc-viewer。往下翻一层，这个功能是事件溯源架构的副产品。每个流式 delta、每次审批（asked/decided 成对）都是持久化事件，可以 replay，轨迹 UI 只是把它们画了出来。配套还有一组 `session_*` 工具，模型自己能把历史会话当数据库查，也是个其他 code agent 都没有的点。 5\ 让 AI 统计了下。65 天，12,293 个 commit，平均一天 190 个，7 月单月 8,273 个，7 月 30 日那天 887 个。37 位贡献者，Tianyi Cui 一个人占 43%。分支名能体现出部分开发方式。`worktree/` 开头的 210 个，`codex/` 开头的 203 个，另有 `agent/` 15 个、`claude/` 3 个。代码在 git worktree 里由 agent 并行产出，人负责 review 和 merge。 6\ 要做到这个提交量需要严格的门禁。测试代码 26.8 万行，比源码（22.8 万行）还多 4 万行，CI 里挂着 per-file 100% 覆盖检查。敢让 agent 一天产出 190 个 commit，人为 review 的话肯定是 review 不过来的。 7\ AGENTS.md 也类似，有个叫 verify-doc-budgets 的脚本管着他，根文件上限 1600 词，只能往下调不能往上加。 几个值得一看的规则。1）「Non-trivial changes MUST include an Agent Note in the same PR」，agent 参与开发设计的决策要留痕，2）「Trust TypeScript at typed same-process boundaries」，不用到处 validate，信任静态类型，可以少很多冗余代码和测试，3）「Tests describe behavior, not correctness. Change obsolete behavior with its tests; explain why in the PR.」让 ai 在测试挂了时也敢改，在 PR 里解释原因即可，4）「Never default to the full suite or repeat a passing check」，禁止无脑跑全量，可以让 ai coding 提速。 8\ 接着跑了一份 dsh + qodercli + claude code + opencode + pi + grok build + kimi code + codex 的源码级功能横评，具体的分数表就不贴了。 dsh 虽然总分低一些，但「扩展性」和「多 agent 编排」都是 5 分满分(和 Codex/Grok 并列最高)，在「交互体验」、「企业能力」和「成熟度」上目前还弱一些。 dsh 的 subagent 有 6 个 provider，subagent-claude-code、subagent-codex、subagent-acp 等。所以干活的不必是 dsh 自己，任何能跑任务的 agent 都可以被接进来当手下。

信任成本和名片化增信： “一场真金白银投入的friendtech” @dotyyds1234 ，龙王。sat1按我的算法我亏了30e左右，但bio他带我赚了个相当不小的数字。我身边不少人因为他喊了，直接往bio塞。我当时有多信他呢，我round 2塞了很多，round2.5涨价了还继续塞，场外群一个不出，捏到上bn开盘浇完解锁的。一把掏出了我的翻身钱。小机会更不用说，他曾经分享过背k线找小市值壳，我完整的按他说的思路背了四十个小币k线，之后开始买壳，每天起床（国内中午11-12点）看看持仓选个涨起来的卖掉。如此往复也不是一笔小收入。讲的再大一点，10.11他的便宜货思维，在那天的窗口期你可以跟开超市一样买海量的小市值壳子，不带杠杆的收益是3-5x。你觉得我会怨恨他吗？不会的。他的名字在我认为他擅长的领域就是增信。他确实减少了我的投资成本，放大了我的收益。我不想和大家吵fomo，拉盘，博弈问题。你都来这里了，要允许大家在一个相对任何互相规则和道德的地方玩就行。 @luyaoyuan 喊过plasma存钱，研究过一个项目叫card，喊我买过低位eth。我都赚钱了，每一个倍数都让人开心，那么laolu下次call一个项目，我天然性的历史归纳总结他选项目眼光高，减少我的初始决策成本，效率优化成先上车再研究。 我还有个炒美股的朋友叫umi，23年就认识了。他玩土狗的水平比99%的人强，自bome时代按M砍下利润后转型去了美股做投研，通过聊天归纳，他选的票2-3三个月后我才会说服自己接盘上车。那么他的美股水平我相信，我能提供给他的只有吃加速。 比如说我97-100$梭哈了第一次intc，连杠杆带期权。我们俩这三年下来没少挣钱，他发现的早，我敢重仓。2u的trump他发给我，我当时在打麻将，麻将都不打了直接跑出门提币梭哈一条龙。他说：该我挣钱。 我还有个炒山寨的朋友叫辉哥，老粉丝也都知道。我和辉哥老是相互cx，十次有七次冲高了不太赚钱。我俩相互没什么怨言，他总是勉励我要一直有信心。我俩冲出了moodeng，冲出了pepe。24年辉哥cx我土狗都是：如果这个xx上不了100M，我以后再也不给你推了。我记得是sol链上一个猫？他总是充满信心。 认识很多大哥，很幸运都蛮照顾我。都在各种角度帮了我不少。有时候没那么懂，也慢慢学会更早一点听劝。 子曰：君子不器。做投资不可避免要接触人，要筛选契机与信息。你的修养决定了你怎么看待人，解读信息。多有一些中肯的身边人，多看一些事实与理性，不要泡在情绪中，一直赚到钱晚上睡得着觉是第一。 “人与人拉开差距的是专注，执行力。再下一步是学养与修养。”

我感觉，世界上，应该没有，第二个我了吧，朋友信任，朋友信任，我，他应该害怕孤单，但除了我以外，他的所有的朋友，都是那种立即干预型，我觉得，我不是，所以他选择了我，作为最后的交谈者，他从一开始吞药，到最后结束，我都没有去干预，他吞完药之后，我因为私心，我也听到了，他不想去死掉，只是想有人在意他而已，我叫了他的同城好友rei 去看他，然后我立马买了飞机票，1400多公里，我说走就走啦，这是我第一次这么的很果决很果断，我说去看他就去看他了，真的，我压根不用去，Where压根就不用去，我叫了他的朋友圈好友，已经就就可以了，后面的事情压根跟我就没有关系了，或者说还有关系吧，因为我有一点点是教唆自杀，我已经做好觉悟，当时去北京的时候，我已经做好觉悟，说是我要去派出所，我要去拘留所，我已经做好那个觉悟了，因为他最后一个人联系的是我，我也没有去干预他，但是又出于私心，再加上他的朋友们也不想让他去死掉，再加上我能听到他不想死掉，所以我立马飞到北京去看他，虽然只看了一眼，只打了几秒钟的电话而已，朋友说自杀，我答应了他没有去干预，我没有报警，真的，我觉得这样做是很好的，其实我也希望有，算了吧，没有了，所以说，自夸一下，我觉得世界上没有第二个我了，我感觉我好厉害，我不知道能不能再去见到他，这次本来是下定决心的，要，头朝地，看最后还是有一点，求生的欲望吧，没死掉，真的是有点，气氛已经到了，但没有死掉，有点太尴尬了，但好像又没有力气去，算了，就这样吧，一个人，在地上坐着，有点不太舒服，我也不知道能不能爬回去，我也不知道第二天，会怎么痛死？但是吧，不去医院是最好，因为我没有钱，我的医保里面也没有多少钱，所以说我不去医院，痛就痛了痛了，唉，早上要上班了，就这样吧，好像也出现第二个自己，这样我就不会孤单了吧，这样我应该就不是那么想去死了吧，我不知道

2026年AI卷疯了，但我卷不动了。 GPT、DeepSeek、Gemini……一个比一个能打。 多模态、上万亿参数，一个比一个牛逼。 但你有没有发现一个问题——会用AI和用不上好AI的人，差距正在以肉眼可见的速度拉大？ 作为一个普通币圈人，我每天要看线、收集信息、撸交互、盯数据……光这些就够累了。想着用AI帮我省点事吧，结果呢？ 我得先学会怎么跟AI「说话」。 同一个模型，大佬用出来是专业级作品，我用出来就是请您再说清楚一点，光教AI怎么干活的时间，比我自己干还长。 这还没完。我自己的数据、本地的文件、浏览器记录、日程安排——想用AI自动化处理？先担心隐私问题吧。搞复杂了要开好几个窗口切换，搞简单了AI根本不懂我在说什么。 中登老登们更难受，学不动了，真的学不动了。 币圈混久了都信一件事：认知差就是印钞机。可问题是，现在的认知门槛「不在知道AI能干什么」，而在「有没有时间精力学会怎么用它」。 那有没有一款产品，让普通人直接就能用上好AI，不用学、不用磨、不用调试？ Yizilabs投资的 @dappOS_com 早在2025年就开始做AI转型尝试。最近他们推出了「低Prompt AI代理系统」xBubble。 核心理念很戳我：别学AI了，你就说你要什么，让AI自己去干。 我用一句话，30秒，搞定了一张海报，我平时要写文章、做贴图、弄梗图，搓AI是刚需。这次标题图就是用xBubble做的。而且这些海报都能商用，对比传统的llm来说直接免去后顾之忧了 我就直接发了一句： 「帮我设计一个以「现在AI太聪明了，但是我真的卷不动了」为标题的海报」 同样一句话，拿去喂给grok还要我手动更改几次才能生成，对比下来还没有xBubble更灵动（下方是grok生图） 👉 先知也附上基础的交互指引给大家使用 1.进入 2.选择运行环境（Computer / Personal）发出请求 3.系统自动处理：匹配SOP → 执行 → 输出结果 看上去很省事儿吧，让我们看看背后的逻辑。是两套核心引擎在跑 1️⃣ Bubble Pilot：你说一句话，它跑一遍流程 Pilot做的事很简单：读取你的需求，判断任务类型，然后去系统里找有没有现成的SOP 有，直接调用，秒出结果。没有？它自己兜底干。 这就是AI使用AI——你不需要知道背后用了哪个模型、调了哪些工具，Pilot帮你把路走通。 2️⃣ Bubble Engine：AI自己攒经验，越用越懂你 Engine是 xBubble 最不一样的地方。 它会在后台为任务自动生成多套方案，拿不同模型反复试、反复比，找出最优的那条路，固化成SOP。下次再来同样的事，直接走成熟流程，又快又稳。 这意味着什么？AI在学习AI，AI在使用AI。 你不需要研究GPT-5和Claude-4哪个更适合做海报，Engine早就帮你测试过了。你不需要积累什么提示词宝典，Engine把最优路径固化好了直接给你用。 系统的进化速度比你快，用AI的效率比你高，而你只需要做一件事：说出你要什么。 还有就是两种运行环境：隐私和安全都想到了，不同场景、不同信任度 1️⃣Bubble Computer：端到端项目工作空间。当你需要研究+写作+设计+验证一套流程跑完时，Computer模式在沙盒环境里把全链路打通，不用你手动切换工具。 2️⃣Bubble Personal：本地环境模式。需要操作你本地文件、浏览器、日程？Personal模式在沙盒化执行模型下处理：安装、下载、系统级改动都在云容器里完成，任务结束即销毁。你的机器上只执行明确授权的操作，重活儿留在云端，干净结果流回本地。 说白了：信云就选Computer模式，想保护隐私就选Personal模式。你自己说了算。 目前xBubble支持10+种任务类型： 快速模式（日常小任务）→ 语音听写、文本转语音、对话头像、深度研究 工作模式（SOP驱动，稳定专业）→ 幻灯片创作、文档创作、事实核查、定时任务、海报创作、图像创作、视频创作、网站开发 覆盖主流需求，关键是——每个任务都不需要你调提示词。 确实XBubble算不上什么颠覆世界的东西。 但它确实解决了一个让我头疼很久的问题：让普通人不用跟AI墨迹，就能把事办了。 AI应该学习AI，AI应该使用AI。 你只需要说出目标，能解决普通人的需求，我认为这就已经做得很棒了。