中華人民共和國和阿拉伯埃及共和國關於進一步深化全面戰略夥伴關係的聯合聲明 應阿拉伯埃及共和國總統阿卜杜勒法塔赫·塞西閣下邀請，中華人民共和國主席習近平閣下於2026年9月1日至2日對阿拉伯埃及共和國進行國事訪問，此訪恰逢兩國建交70週年。埃及是第一個承認中華人民共和國的阿拉伯和非洲國家，1956年同中國建立外交關係。70年來，兩國友好合作關係顯著發展，始終保持健康穩定，形成“平等互信、友好互鑒、和衷共濟、合作共贏”的中埃友好特徵。中埃關係已成為中國同阿拉伯、非洲國家友好合作精神發展的表率。 兩國元首圍繞雙邊關係舉行正式會談，回顧2014年兩國全面戰略夥伴關係建立以來所取得的顯著發展和質的飛躍，並就共同關心的國際和地區問題交換意見，達成廣泛共識。 一、關於雙邊關係 （一）兩國元首一致同意在以下方面深化全面戰略夥伴關係：1、繼續保持高層交往，用好兩國外長戰略對話等各類交流機制，進一步加強戰略協作；2、鞏固雙邊各領域互利合作；3、就全球治理問題加強協調，捍衛發展中國家和全球南方利益。 （二）雙方期待在近年來中埃關係發展基礎上，致力於推進中埃命運共同體建設。中方讚賞埃方奉行戰略平衡原則，認為該原則支持國際多邊主義。 （三）雙方重申，在涉及彼此核心利益和重大關切問題上堅定相互支持。中方強調，理解尼羅河作為埃及主要生命線的重要意義，以及埃方在維護自身水安全、糧食安全和發展利益方面的合法權利。雙方呼籲所有尼羅河流域國家遵守國際法，包括避免造成損害。埃方強調反對干涉中國內政，繼續堅定恪守一個中國原則，台灣是中華人民共和國領土不可分割的一部分，支持中方在涉及自身主權和領土完整問題上所秉持的立場，支持實現中國統一。 （四）埃方讚賞中國在習近平主席領導下取得的歷史性發展成就，支持中國全面推進強國建設和民族復興偉業。中方讚賞埃及在塞西總統領導下，在“新共和國”框架內取得的國家建設和發展成就。 （五）兩國元首讚賞兩國持續在基礎設施、交通、能源、製造業、航天和科技領域的大型項目上開展成功合作，持續落實《中華人民共和國政府和阿拉伯埃及共和國政府關於共同推進“一帶一路”建設的合作規劃》，雙方支持中埃蘇伊士經貿合作區建設，支持兩國企業開展可再生能源、人工智能、數字化轉型、本土化製造等項目合作。 （六）雙方同意進一步深化共建“一帶一路”倡議同埃及“2030願景”對接，助力埃及成為地區連接亞洲、非洲和歐洲的工業、物流、清潔能源和數字經濟的區域中心，加強中埃共同夥伴關係，鼓勵中國企業利用埃及競爭優勢，積極探討電動汽車、造船、太陽能、風能等可再生能源、海水淡化等領域產業本土化合作，拓展雲計算、數據中心、數字經濟、半導體、網絡安全、航天應用、遙感等高科技領域，以及關鍵礦產供應鏈、農業、汽車製造領域合作，並在上述領域加強人力資源能力建設和經驗技術交流，支持埃及數字化轉型和可持續發展。 （七）兩國元首讚賞雙方現有金融合作，包括發行熊貓債、擴大本幣互換安排。鼓勵兩國金融機構支持工業和發展投資以及基礎設施和綠色數字化轉型項目。兩國元首歡迎雙方續簽本幣互換協議並擴大互換規模。 （八）雙方一致同意做大做強兩國旅遊合作。中方樂見更多中國遊客赴埃及觀光旅遊，支持在酒店建設和旅遊度假區管理方面開展合作，加強新聞、文化、高等教育、科研、青年交流等領域合作。 （九）兩國元首讚賞《中華人民共和國和阿拉伯埃及共和國全面戰略夥伴關係實施綱要（2024－2028）》落實情況，一致同意加強貿易投資中的本幣使用，鼓勵更多使用兩國本幣進行貿易投資結算。埃方讚賞中方對非零關稅舉措，兩國元首支持兩國貿易更加平衡，鼓勵更多符合中國標準的埃及產品進入中國市場，雙方一致同意繼續就早期收穫安排進行磋商。 （十）兩國元首指示兩國有關部門加強對接，落實好雙方共識，包括儘早舉行中埃政府間合作委員會會議。 （十一）值此中埃建交70週年之際，兩國元首讚賞中埃兩大文明古國間的深厚傳統友誼，歡迎以此和2026年“中非人文交流年”為契機舉行一系列聯合慶祝活動。 （十二）雙方同意進一步加強執法安全領域合作，共同打擊跨國犯罪，加緊商簽引渡條約，加強反恐領域交流與合作，堅定支持彼此反恐努力。雙方堅決反對一切形式恐怖主義，反對將恐怖主義同任何特定國家、民族、宗教掛鉤，反對在反恐問題上搞雙重標準，反對以任何理由庇護支持恐怖勢力，強調共同打擊所有恐怖組織。 （十三）中方讚賞埃方為推動發展所作努力，特別是“體面生活”倡議，認為其提供了旨在提升人民生活水平、實現全面發展的發展模式。埃方讚賞習近平主席提出的全球發展倡議，認為這是一項全球性倡議，有利於加快落實聯合國2030年可持續發展議程，埃方將繼續積極參與該倡議項下各領域合作。埃方讚賞全球文明倡議，中埃雙方贊同平等尊重人類文化與文明原則，埃及和中國同為文明古國，文明歷史悠久，都為人類歷史作出巨大貢獻。埃方讚賞中方提出的全球安全倡議和全球治理倡議，認為這有助於應對全球挑戰、促進世界和平發展和共同繁榮。 二、關於國際和地區問題 （十四）兩國元首強調兩國在共同關心的國際和地區問題上加強政治、安全協調，願為支持國際和地區和平、穩定、發展進一步開展密切協調。強調兩國恪守聯合國憲章宗旨和原則及國際法準則，反對雙重標準和單邊行徑，強調應對國際體系和國際融資機構進行改革，使其更加公平、更加體現發展中國家代表性、更有效應對全球性挑戰。一致同意中埃將繼續在聯合國、金磚機制、上海合作組織、二十國集團等多邊平台，圍繞應對氣候變化、糧食安全、能源、數字經濟加強協作。埃方支持中方擔任2027年金磚國家主席國，辦好金磚國家領導人第十九次會晤，讚賞中方發起成立國際調解院和世界人工智能合作組織。 （十五）兩國元首重申，巴勒斯坦問題是中東問題的核心，應在“兩國方案”基礎上實現巴勒斯坦問題公正、持久解決，建立以1967年6月4日邊界為基礎、以東耶路撒冷為首都的、享有主權的獨立的巴勒斯坦國。兩國元首重申，堅決反對以任何理由和名義遷移巴勒斯坦人民的計劃。雙方呼籲應鞏固加沙停火，為人道援助不受阻礙的准入提供便利，巴勒斯坦民族權力機構儘快重返加沙。對以色列在約旦河西岸和東耶路撒冷採取的危險升級行動表示擔憂，其中包括定居者暴力活動高發、沒收土地、修建定居點，強調應維護巴勒斯坦領土完整，支持聯合國近東巴勒斯坦難民救濟和工程處，不損害其職責。 （十六）兩國元首強調，促進非洲之角地區穩定，要尊重該地區國家主權、統一和領土完整，紅海治理和安全主要由紅海沿岸國家負責，應充分尊重上述國家意願，紅海沿岸國家應加強區域合作，共同應對挑戰，保障航行自由和國際貿易暢通。 （十七）雙方強調，應尊重蘇丹主權和領土完整，維護蘇丹國家機構，不干涉其內政。雙方強調願共同努力，實現蘇丹停戰並啟動蘇人主導的包容性政治進程。 （十八）中方讚賞埃及為促進地區安全穩定發揮關鍵作用，為推動全面政治解決中東地緣政治危機、弘揚睦鄰友好、尊重國家主權、不干涉內政原則持續努力。埃方讚賞習近平主席關於維護和促進中東和平穩定的主張。雙方歡迎地區國家和國際社會作出努力，以緩和緊張局勢，增進對話，推動達成照顧各方關切的、促進海灣和中東地區和平穩定的政治諒解。 （十九）兩國元首讚賞雙方在中阿合作論壇和中非合作論壇框架內開展富有成效的合作，強調將繼續落實論壇成果，加強論壇框架內務實合作。 （二十）兩國元首強調應壯大全球南方聲音，支持發展中國家公正、平衡參與全球政治經濟決策的權利，致力於加強新興市場國家和發展中國家在國際秩序中的作用。兩國元首一致認為，中埃全面戰略夥伴關係是發展中大國以相互尊重、不干涉內政、互利互惠、共同發展、團結全球南方為基礎開展合作的典範，有利於推動國際秩序朝著更加公正合理的方向發展。 （二十一）雙方讚賞習近平主席此訪取得的豐碩成果，認為此訪對推進中埃關係發展具有里程碑意義。習近平主席對塞西總統所給予的熱情接待和盛情款待深表感謝，邀請塞西總統訪華。塞西總統接受邀請並允諾在方便時訪華。

决定代码复杂度的东西不在代码里，在写代码的人的脑子里。LLM 碰不到它。 这是 软件工程师 Pol Alvarez Vecino 读完 Peter Naur 1985 年的论文后得出的结论。 为什么 LLM 没法让你的代码更简单 本文最初发表于 Medium（ tl;dr：Peter Naur 的《Programming as Theory building》指出，真正的程序——他称之为 Theory，大写的 T——存在于工程师的脑子里。代码和文档只是下游的（因而不完整的）产物。我对 LLM 最大的抱怨之一，就是它写出来的代码有多啰嗦、复杂度是怎样到处蔓延的。我一直抱着一丝信念：也许我们可以用 LoC 或者独立代码路径数量之类的指标来约束它们。然而，读完 Naur 之后我意识到，我们想降低的那个复杂度是 Theory 的复杂度，不是代码的复杂度，而这方面没有任何可用的度量，因为它非常主观。 我最近读了 Peter Naur 那篇精彩的论文《Programming as Theory building》（ LLM 能做什么、不能做什么的看法，也改变了我对如何给它们写提示词、当前 agent 系统的主要局限，以及结对编程为何如此有效的看法。 今天我只聚焦它和代码复杂度的关系。 如果你还没读过这篇论文，我真的建议你读一读。说实话，我写这篇文章的主要目的，就是让一些人去读原论文。它值得花这个功夫。这也是练习（或学习！）在 Solveit 里做精读的绝佳机会，因为在 Solveit 里这要容易得多：你可以在阅读过程中随时提问，钻进任何你感兴趣的兔子洞，或者直接让 Solveit 帮你把语言讲清楚。关于精读的更多信息见这篇博文（ fork 我的对话记录快速上手（ 话说回来，如果你还是决定不读，这里是论文的 tl;dr： 程序是构建和维护它的人所持有的 Theory：一种理解——程序如何与现实世界的问题相关联，哪些约束和权衡塑造了它，它为什么能工作，以及哪些改动符合它的设计。代码和文档是这套 Theory 的下游产物，永远无法完整地承载它。 工程师通过经验发展出这种理解：与用户交谈、观察故障、学习领域知识、观察系统在真实世界中的表现。这种理解指导着对相关性、相似性、简洁性和良好设计的判断。 LLM 不太擅长持续学习，不擅长和用户交谈，也不擅长在真实世界里体验事物。但这和复杂度有什么关系呢？ 我想我们都同意：LLM 总体上倾向于让代码库的复杂度上升，如果没人管的话。原因有很多：它们没意识到某个方法已经存在，于是又写了一遍；它们写过度防御的代码，比如为不可能发生的边界情况做防护；或者过早地过度优化。顺便说一句，大多数前沿实验室从你消耗的 token 里赚大钱，所以它们多少有动机去推广 token 最大化。总而言之，LLM 很少遵循 KISS 原则。这个问题在你不看输出、纯 vibe-coding 的时候最严重。但即使你会审查代码，要想让程序保持简洁，也需要主动付出努力去尽量削减复杂度。 在我天真的日子里（大约两周前），我曾以为我们早晚能爬出这个复杂度的大坑。前沿实验室只需要在 RL 训练里加一些复杂度惩罚就行。他们可以用总 LoC 作为最小化的指标，但我们都同意，有时候一行代码比两三行更复杂。另一个选项是圈复杂度（cyclomatic complexity），它衡量独立代码路径的总数。读完 Peter Naur 之后我意识到，这些东西无法真正解决问题（也许能稍微缓解一点）。我们来看看为什么。 为什么代码复杂度是错的指标 在下面这个（我编的）例子里，我们想支持调用 OpenAI 和 Anthropic。假设所有的消息准备和重试逻辑完全一样，只有请求体参数略有不同，于是我们有两个不同的方法 call_openai 和 call_anthropic。 在第一个朴素版本里，我们有两个不同的类，带重复的样板代码（即 prepare 和 with_retries）。 分开 —— 指标会发现重复 class OpenAIClient: def complete(self, prompt): msgs = prepare(prompt) # 公共样板代码 y = call_openai(msgs) # 唯一不同的一行 return with_retries(y) # 公共样板代码 class AnthropicClient: def complete(self, prompt): msgs = prepare(prompt) y = call_anthropic(msgs) return with_retries(y) 一个直接的 refactor 是创建单个类，做到 DRY。按很多指标看这都是更好的实现：行数更少、Halstead 容量更好（V=N×log2(n)，N 为程序长度，n 为词汇量）、可维护性指数（Maintainability Index）也更好。 合并版 —— 按指标看确实更好：DRY，行数更少 class LLMClient: def __init__(self, provider): self.provider = provider def complete(self, prompt): msgs = prepare(prompt) y = call_openai(msgs) if self.provider == "openai" else call_anthropic(msgs) return with_retries(y) 一般来说，第二个版本（或者类似减少 LoC 和重复的版本）复杂度更低。但是，如果我告诉你，下个月我们很可能就停止支持 Anthropic 了呢？在那种情况下，我更倾向于让它们保持分开，这样到时候我只要删掉包含 AnthropicClient 的那个文件就行。 当然，这种简单的例子很容易解决，尤其是现在 LLM 可以帮你写代码。但如果你的目标不是 2 个供应商，而是像 LiteLLM 那样支持 165+ 个供应商呢？那种情况下，直接用 LiteLLM 就行。但那样你就把 120 多万行 Python 代码放到了你和最终供应商之间。值得吗？ 设计良好的 API 是抽象复杂度的绝佳方式。你有清晰的契约，不需要理解背后发生了什么。即使 LiteLLM 是一个庞大的包，它也可能不计入你的 Theory 总复杂度。LLM 推理端点早期的日子就是这样：「文本进，文本出」。然而，当契约不再可靠时，这一切就会崩塌。原因可能是它有 bug，可能是 API 背后藏着大量你拿不到的状态，也可能仅仅是你不确定某个新供应商特性是否被支持。 每当你被迫窥视 API 抽象层背后的深渊时，那份复杂度就成了你的问题。这个问题正变得越来越普遍。像 OpenAI 和 Anthropic 这样的供应商，越来越多地把数据藏在服务端，比如加密的压缩数据或推理 token（更多讨论见 如果你在快速推进、只用基础功能、想尝试很多供应商，那么 LiteLLM 或类似的库可能值得用。反过来，如果你看重控制力、调试和对技术栈的理解，那可能就不值得。不存在「正确的」复杂度（虽然我非常偏好第二种选择）。 进入 Theory 决定走哪条路的信息不在代码里。这些信息属于 Naur 所说的程序的 Theory 的一部分。迄今为止，LLM 几乎接触不到这些信息，因为它们活在人的脑子里。它们可以从 IM、邮件或其他书面文档里得到一些线索，但那些永远只是局部的（最好的情况下）。 其中一些信息可以作为上下文提供给 LLM，比如业务优先级、预期的产品变化、运维约束，以及早期决策背后的原因。这样做也许能改善它的选择，但这些仍然只是 Theory 的产物。它们无法完整地传递团队发展出这套 Theory 所依赖的经验和判断。 这些都很好，但如果我全身心投入 vibe-coding 和 token 最大化、完全不在乎代码呢？那样的话，这篇博客后面的内容说服不了你。如果你处于两者之间，我来描述一个我们在 亲身经历的真实情况，关于 Solveit 的计费系统。 剧透警告：在 最初的计费系统 Solveit 是一个平台，你可以在里面用 AI 在一个类 notebook 的环境里工作。环境是持久化的，所以我们对 LLM 用量、CPU、磁盘、内存和带宽收费。 最初的计划是向用户收月度订阅费（比如 5 美元）。这笔月度订阅费变成当月可以消耗的积分（credits），如果全部用完，下个月之前就得充值。我们先在一个更小的项目里测试了这套方法来验证它。 这套方法后来证明比我们想要的更复杂。第一，积分 + 订阅的机制会把人（比如我自己）搞晕。第二，它让代码在多个层面上更复杂。你得处理「先消耗月度订阅积分、再消耗普通积分」的所有逻辑，以及剩下的积分怎么办。在 Stripe 这一侧，它有两个不同的代码路径：手动充值和订阅服务。 对不熟悉的人来说，Stripe 订阅是一个全托管服务。Stripe 管理整个生命周期（扣款周期、发票、重试全在他们那边）。 你大致只需要这样创建订阅： stripe.Subscription.create(customer=cust_id, items=[{"price": "price_5usd_monthly"}]) 然后监听他们的 webhook，在订阅状态变化或付款到达时更新你的数据库（还有很多其他事件可以选择）。 直接收款则需要你启动一个 checkout session，让用户跳转到 Stripe 的域名填卡。这需要你提供一个 customer ID。那应该在什么时候创建 Stripe customer？用户注册时？他们尝试付款时？还是别的时机？全都是合理选项。 stripe.checkout.Session.create(mode="payment", customer=cust_id, line_items=[{"price": "price_5usd", "quantity": 1}], success_url="") 到目前为止还好吧？如果你对 Stripe 或支付没有太多经验，很可能你已经感到吃力，没法把这一切全装进脑子里。也许你设法把它简化成了： • 订阅 → 交给 Stripe 订阅服务管理 • 充值 → Stripe checkout 一个不明显的问题是：使用 Stripe 托管服务意味着你有重复的数据。一半数据在 Stripe 的后端，而你必须保证本地数据库和它同步。另一个问题是，调试的时候，你既要查 Stripe 的服务，又要查自己的数据库。比如，一笔付款没到账，是 Stripe 没发 webhook（「他们的错」），还是我们没把它存进数据库（「我们的错」）？ Stripe 订阅服务很棒、很容易上手，但它是为支持海量用例而设计的。这意味着，即使设计得很好（它确实很好），这个 API 抽象最终也相当复杂。在这种情况下，你在用「卷起袖子自己写代码的复杂度」交换「学习 Stripe API 的复杂度」。 LiteLLM 和 Stripe 在不同规模上展示了同一个权衡：只要契约成立，外部抽象能极大地简化你的 Theory；但每当你需要调试、修改或超出契约去推理时，它隐藏的复杂度就变成你的了。 AAI 的做法 在 经过很多天的探索和讨论，我们最终定下了一个简单得多的系统。 首先，我们只做积分（credits），按用量收费。这是一个超级简单的模型（和 Theory！）：充值积分，用多少付多少。 订阅一去掉，我们就可以删掉一大块用来保持同步的代码。剩下的付款路径只有两条：手动充值和自动充值。要做自动充值，你需要能保存客户的信用卡，以便随时扣款。而 Stripe checkout 不会保存信用卡，你只是让 Stripe 在他们的 UI 里处理这次付款。 长话短说，我们最终发现最简单的办法是：用户一注册就保存他们的信用卡。卡一旦在档，用户可以用它手动充值，也可以设置成自动充值。因为全部是我们自己处理的，同步问题几乎为零。我们只监听支付成功事件（没有订阅了！）。 结果就是，我们支付系统的 Theory 可以用一句话概括： 客户注册时添加信用卡，之后我们对该卡扣款——要么手动（充值），要么在余额不足时自动扣。 手动充值和自动充值现在走同一条支付路径。我们整个支付技术栈——拆在 Solveit 和 faststripe 之间——大约 300 行代码。 结果是非常低的复杂度，但这是数小时的探索、尝试和讨论换来的。我这里的解释充其量只是触及皮毛。 印度登场 那么上线那天发生了什么？一切顺利吗？没有。上线后我们发现，印度信用卡不支持你想什么时候扣就什么时候扣的 off-session 扣款。手动充值属于 on-session，仍然可以工作，因为用户会在我们的 UI 里看到一个类似 3DS 的验证流程；但自动充值不行。 在寻找解决方案时，我们发现 Stripe 托管订阅在印度确实能工作。为什么？因为 Stripe 替你绕开了所有这些复杂度。他们提前一天创建并持有 off-session 的支付意图（payment intent），这样银行就能在实际扣款前向用户发送预扣款通知或认证请求。 我们迁移出托管订阅时，就失去了这个特性。我问了一个前沿 LLM——我记得是 GPT-5.5——我们该怎么处理这个问题。你猜它给出的方案是什么？ 用回 Stripe 订阅来处理 这个 LLM 提议的正是我们刚刚迁移出来的方案。读到这里，你会怎么说？你的意见是什么？我们应该迁回去吗？ LLM 列出了两个选项：要么同时支持两套系统（随时可以开工，你一句话就行！），要么完全迁回旧的系统。我们做了什么？什么都没做。我们非常看重 Theory 复杂度，于是我们决定：让印度用户手动充值就好了（抱歉了各位！），换来一个更简单、更健壮的平台。 如果你不同意我们的选择，反思一下为什么不同意。真的，现在就停下来想一想。 这个问题没有正确答案，而这篇博客的目的之一，就是帮你看清你的答案来自哪里。你的论据是什么？更具体地说，它们是从哪里来的？ 有很多场景下 Stripe 托管服务是更优的选择。举几个例子： • 公司收入最重要，手动充值的额外摩擦可能会让我们损失一些印度销售额，那我们应该迁回去（或者同时支持两套） • 销售团队用 Stripe Dashboard 的 UI，所有支付信息都放在我们自己的数据库里并不理想，因为他们没法在那里管理 我的观点是：你的代码的复杂度，真的取决于一大堆和代码无关的因素，而那些信息不在代码里。 隐藏的优势 那么为什么不干脆让 LLM 全权处理这些事呢？在我看来，最妙的答案是：我们的工作方式揭示了一个可能的商业机会。印度不支持 debit mandate（借记授权）的方式和世界其他地方不一样。Stripe 试图解决这个问题，但远远不是一个完整的解决方案。 在理解和简化流程与 Theory 的过程中，我们学到了产品之外有价值的东西。在我看来，这类洞察是可以转化为竞争优势的。 努力去理解，本质上就是一个简化 Theory 的过程。如果你放任 LLM 在复杂度上为所欲为，你可以很快产出大量代码。选择简化路线更长、更费劲，但长远来看我认为它是值得的，而且你可能会在路上发现隐藏的宝石。 原文： #LLM# #编程# #代码复杂度#

德国国防部长皮斯托里乌斯表示，因成本飙升和严重延误，F126护卫舰项目已被终止。这可能给德国政府带来23亿欧元损失。德国政府现在计划从蒂森克虏伯旗下子公司订购8艘稍小的新型护卫舰。 “与其陷入旷日持久的僵局，不如干脆利落地结束，” 皮斯托里乌斯周三（6月24日）在向德国联邦议院预算委员会解释其取消建造6艘F126大型护卫舰决定时说道。 他说，项目成本飙升至近180亿欧元，而非最初计划的100亿欧元，而且工期严重延误，这些是取消该项目的主要原因。 皮斯托里乌斯还表示，负责建造该军舰的荷兰达门造船集团（Damen Schelde Naval Shipbuilding）提出的一个令人无法接受的条件是另一个因素——该造船集团要求不承担任何损害赔偿责任。“我无法满足这个条件”，这位德国防长说。 皮斯托里乌斯对从这家荷兰公司获得赔偿不抱太大希望。“我们当然会考虑索赔的可能性，”他说，但也表示，由于该公司的结构，索赔成功的可能性不大。“但即便如此，我们对纳税人负有责任，我们会尽一切努力追回每一分钱。” 这些长166米的F126护卫舰原本计划成为德国海军“最大的战舰”。德国在2020年订购了该护卫舰，首舰原计划于2028年中期交付，但荷兰达门造船集团未能履行2020年签署的合同。 法新社报道指出，这是继此前FCAS战斗机项目失败后，德国防长又遭遇的一项重大挫折。 详细报道：

推荐这篇文章，Jason Liu 用两句话把 Codex 的定时任务本质讲清了。大多数自动化语言比实际要完成的任务复杂得多，而他把一切归结为一个词：上下文。 Codex 中两种根本不同的定时工作 大多数自动化语言比它要完成的任务更复杂。 你想让 Codex 之后做某件事，或者持续检查某件事直到它改变。这听起来像一个功能。实际上是两种完全不同种类的工作，区别很简单： • Scheduled Task 每次运行创建一个新线程。 • Scheduled Message 每次运行回到同一个已存在的线程。 这就是整个模型。 当每次运行都可以从零开始时，用 Scheduled Task Scheduled Task 最适合的任务是：工作不需要创建它的对话就能成立。 例如： 每天早上 9 点，总结我需要从邮件、日历和团队消息中了解的内容。 明天的总结不需要记住今天的总结。它需要相同的指令、当前的信息，以及一个报告结果的新空间。 当一个任务应该跨多个项目运行时，或者当你希望每次运行在 Triage 中单独出现时，这也很有用。每次运行都是它自己的线程。schedule 是连接它们的东西。 当下一次检查需要同一个线程时，用 Scheduled Message Scheduled Message——有时候叫线程自动化——每次运行回到同一个已存在的线程。 例如： 每 30 分钟检查这个 PR。如果有评论，处理它们并保持 CI 绿色。PR 合并后停止。 下一次检查依赖于已经完成的工作。线程知道你说的是哪个 PR、哪些评论已处理、CI 中什么失败了、自从上次检查以来什么变了。 这是正确的形状，适用于： • 轮询更新 • 检查状态变化 • 持续研究或分类 • 有明确停止条件的工作 线程是连接各次运行的东西。 决策规则是上下文 问一个问题： 如果它明天跑，是否需要之前的对话？ 如果不需要，用 Scheduled Task。给它一个持久的 prompt，让每次运行从零开始。 如果需要，用 Scheduled Message。把工作留在一个线程里，让每次检查可以建立在之前的决定和结果之上。 schedule 很重要，但它不是主要决策。主要决策是：有用的上下文应该住在哪里。 做你自己的 loop skill Jason 不想每次都记住这些设置问题，所以他建议写一个小 skill，把粗略的请求变成正确的定时工作流。 给 Codex 这个 prompt： 创建一个可复用的定时工作 loop skill。当我给它一个请求时，首先判断每次运行是可以从零开始，还是下一次检查需要当前线程的上下文。 如果每次运行可以从零开始，帮我创建一个 Scheduled Task。 如果下一次检查需要当前线程，帮我创建一个 Scheduled Message。 从对话中推断你能推断的。只问那些会实质改变工作流的缺失问题： • Codex 每次应该做什么？ • 应该多久运行一次？ • 什么变化重要到值得报告？ • 什么时候应该停止？ • 什么时候应该问我？ 然后用一个简短持久的 prompt 创建定时工作流——这个 prompt 在之后运行时仍然有意义。 最好的自动化不从一个复杂系统开始。它们从知道下一次运行是需要一块白板还是同一个线程开始。 原文：Jason Liu, "Two kinds of scheduled work in Codex", 2026-06-28 #Codex# #Automation# #AI工程#

NFT项目告诉我们的最大谎言，从来不是某个系列的地板价能冲到多高，也不是谁靠白名单赚了多少倍。真正的谎言，是那个被无数项目反复贩卖的幻想：“只要一张精美的JPEG，配上几句宏大的路线图，就能撑起整个商业模式”。过去几年，我们目睹了太多相似的剧本：项目上线时，艺术设计无可挑剔，路线图写得气势恢宏，社区在投机情绪和短期热度中迅速膨胀，成员们津津乐道于地板价走势和下一轮拉盘预期。可一旦市场的聚光灯转向别处，曾经喧嚣的聊天群便迅速沉寂，热潮退去之后，剩下的往往只是一堆孤零零的数字图像，没有任何实质性的价值支撑。这背后的本质其实非常清晰：注意力从来就不等于真实的收入，更不等于可持续的发展，这才是整个行业必须直面的核心问题，也是无数项目最终黯然退场的根源所在。 正是在这样的认知下，@RallyOnChain 推出的 Wingston NFT 收藏品，才真正引起了我的关注与思考。它并不是那种靠免费铸造来吸引流量的短期玩法，也不同于那些先画饼再交付的空头承诺，而是直接根植于一个已经成熟运转的协议生态之上，这意味着，从你持有它的第一天起，就能切切实实地享受到真实可感的实用权益，而无需陷入“等待路线图实现”或“盼望团队做事”的漫长煎熬。这种产品优先的设计思路，让它从一开始就与传统投机性 NFT 划清了界限，也让它拥有了更持久的生命力。 具体来看，Wingston NFT 为持有者带来的价值是立体而持续的。首先，你可以将手中的 NFT 进行质押，从而每天稳定获得 RLP 代币奖励，这相当于为你的数字资产注入了一股源源不断的现金流，而不仅仅依赖买卖差价获利。其次，持有者还能自动解锁 VIP 专属权限，优先参与平台上那些回报率更高的独家活动，这意味着你不再是一个被动的观望者，而是拥有特权的生态核心成员。更值得一提的是，这款 NFT 还能为你的 Rally Score 带来显著加成，而这一分数直接决定了你在 Rally 平台上能够获得的创作者奖励、推荐曝光以及各类稀缺机会的分配权重。每一项权益都紧扣实际应用场景，绝无半点虚饰，真正将“持有”与“收益”紧密挂钩。 作为 Rally 官方推出的首个 NFT 收藏品，Wingston 完完全全是一个产品驱动型数字资产，它既不贩卖概念，也不依赖情绪炒作，而是扎扎实实地连接着真实用户、活跃社区和具有循环收入模型的生态系统。每一位持有者拥有的不仅是一份可展示的数字收藏，更是参与到一个拥有真实活动流量和稳定收入来源的平台中，获得长期的陪伴感与成长回报。这种模式，显然比那些靠叙事和预期支撑的短期项目要稳健得多，也更符合 NFT 走向主流应用的大趋势。 而最令人惊喜的是，目前这款 NFT 正处于免费铸造（免费薄荷糖）阶段，入场门槛比想象中要低得多，几乎为零成本。想要拿到白名单资格，操作流程其实非常清晰且自然：你只需加入 Rally 平台，并提交任意 3 个活动作品（无论是创作内容还是互动参与均可），然后在每周的排行榜中成功跻身前 425 名，同时关注官方账号 @RallyOnChain 即可完成所有条件。详细的白名单规则和参与入口，都可以在官网页面找到： 让我尤为欣赏的一点是，在你努力冲刺白名单资格的过程中，其实已经通过创作和提交活动内容，实实在在赚到了收益。传统的大多数项目往往要求你先花钱购买准入资格，或者投入大量时间做无意义的社交任务，而 Rally 则完全不同：它鼓励你用实际的创作行动去解锁一切权利，让你的每一次参与都立刻产生回报。这是一种极其积极的理念转向，从纯粹的短期投机，过渡到真正的价值创造与可持续生态参与。 我一直坚信，下一个 NFT 周期的核心驱动力，绝不会再是空洞的口号或虚假的稀缺感。真正属于未来的集合，一定是那些拥有真实产品支撑、能够持续为持有者带来稳定收益和成长机会的项目，而不是依赖一次性热度的烟花式炒作。如果你也是一位创作者，渴望在这样的生态中通过实际参与获得长期回报，那么现在无疑是最好的切入时机。不要再犹豫观望，也不要等到热度上来之后再后悔。现在就行动起来，一起冲进这个以真实价值为核心的赛场，在持续的创作与互动中，收获属于自己的那份长期成长！🚀

2023 年，Meta 首席 AI 科學家楊立昆給當時的 LLM 熱潮潑了一盆冷水。 他指出 LLM 有根本性的缺陷：沒有持久記憶、無法從單一經驗學習、缺乏對物理世界的理解。本質上，它只是在做「下一個 token 的預測」。 從學術的角度看，他說得完全正確。 直到今天，LLM 的底層架構依然沒有變。它依然是一具每次啟動都空空如也的統計引擎。 但在三年的工程演進後，我們發現了一個讓科學家尷尬的事實：學術上的根本缺陷，工程上不一定要正面解決，繞過去一樣能起飛。 楊立昆主張要走「世界模型」的路線，讓 AI 像人一樣建立對物理規律的理解。他認為 Scaling Law（規模定律）有天花板，LLM 光靠堆算力不能產生真正的智慧。 但工程界用兩件事回應了他： 第一，資本的暴力美學。過去三年，人類往算力砸錢的瘋狂程度，讓模型規模產生的「湧現」直接蓋過了架構的粗糙。 第二，系統性的外掛補丁。模型記不住？掛上向量資料庫。模型理解不夠？接上 Vision 和工具。 這就是工程學最迷人的地方：解決問題不需要追求「本質的優雅」。 楊立昆在研究神經元的排列，而工程師在研究如何把這個「不完美的大腦」裝進一個強大的「機械外骨骼」裡。 楊立昆對 LLM 的核心批評，是他認為 Pattern Matching（模式匹配）不算真正的學習。 但如果這種模式匹配的複雜度足以模擬出文明的所有邏輯，那「學習本身到底是什麼模式」還重要嗎？ 飛機與鳥的飛行原理完全不同。飛機沒有羽毛、不會拍翅膀，但在它飛得更高、更遠、更穩定的那一刻，它到底「算不算在飛」已經不重要了。 但繞過去的，跟真的解決，是兩回事。 只要底層架構沒變，楊立昆講的那些缺陷就真實存在。記憶是外掛的，不是原生的。就像義肢，裝上去能走能跑，但它跟真正的腿就是不一樣。你不能假裝它不存在。 所以雖然 AI 已經很強了，推理、寫作、寫程式，很多事做得比大部分人好，但它每次都是一個全新的大腦。沒有連續的意識，沒有累積的經驗。它所有的「記憶」、「理解」、「偏好」，全部來自你這次塞給它的上下文。 如果你去看 OpenClaw 最近的 repo 更新，你會發現記憶管理佔了很大的篇幅。怎麼讓 AI 在對話之間記住該記住的東西。 他們最近推的 QMD，把關鍵字搜尋跟語意搜尋混在一起用，就是為了解決一個問題：你三天前跟 AI 聊過的東西，它下次怎麼找得回來。 模型本身的能力會繼續進步，但只要底層是 LLM，記憶管理就是一個繞不開的大山。 用工程的角度來說，就是 Context Engineering 的重要程度，會逐漸超過模型本身。 你怎麼管理每次丟給模型的那包上下文，決定了 AI 能幫你做到什麼程度。哪些資訊該放、哪些不該放。什麼時候該砍掉重來、什麼時候該接著繼續。不同對話之間的記憶怎麼同步、怎麼取捨。 我自己每天都在處理這個問題。 舉個例子，我的 OpenClaw Agent KAI，它常常在多個頻道處理不同任務，但它們的記憶不是即時同步的。只要 還沒更新，它們就不知道彼此剛做了什麼。 所以我常常要幫它做認知同步。譬如告訴 A 分身，B 分身目前正在做什麼，然後要求 B 把做的東西整理好傳過去。或者更簡單一點，直接叫 A 去讀另一個 Discord 頻道最近兩小時的對話，讓它自己同步 B 的工作內容。 這種「認知斷裂」的現象，只要你常用 AI，一定會有很強烈的感覺。 從人格化的角度看，你會覺得它們是同一個人。但事實上，它們只是共享同一份記憶。只要記憶沒有同步，它們就是不同的人。 我現在花比較多時間在學這一塊。譬如今天 KAI 就教了我，如果讓 Claude Code 的 Opus 4.6 從外部調用 GPT 5.3-Codex，用 MCP 跟 coding-agent skill 的差異是什麼。 KAI 告訴我，差異的核心在於：中間過程要不要進主 context。 用 MCP 調用 Codex，每一個 tool call 都走 MCP 協議。Codex 過程中的每一個 turn，讀檔、改檔、跑測試、報錯、retry，全部以 tool result 的形式灌回 Opus 的 context。一個 coding task 可能產生幾十個 turn，跑完之後 Opus 的 context window 已經被中間過程塞滿了，後面每一 turn 都要重送這些垃圾。這就是 context 污染。 而 coding-agent skill 的設計完全不同。它把整個 coding task 交給一個獨立的 sub-agent，這個 sub-agent 在自己的 context 裡完成所有中間過程。跑完之後，回傳給 Opus 的是一個精簡的 handoff summary：改了哪些檔案、測試跑過了沒、有沒有殘留問題。中間那幾十個 turn 的掙扎，Opus 完全不需要知道。 同樣一件事，兩種做法，Opus 的 context 乾淨程度天差地遠。 所以同一個模型，不同的人用，產出可以差十倍。 人與人之間原本的能力差距，已經沒那麼重要了。你的學歷、你的年資、你寫程式的底子，這些東西的權重正在被 AI 快速壓縮。 取而代之的，是你怎麼使用 AI。這件事的精度，才是現在真正決定產出的變數。 你理不理解它的記憶是怎麼運作的。你知不知道什麼時候該砍掉 context 重來、什麼時候該讓它接著跑。你能不能在對的時間，把對的資訊塞進那個 context window。 這些東西有一個名字，叫 Context Engineering。 它不是什麼高深的學問，但它是所有想把 AI 用好的人，都應該深入研究的東西。

一開始他是做空的，達拉斯城裡有很多辦公樓，都是玻璃帷幕，從外面可以清楚看見裡面的那種，他的朋友帶他遠看這些辦公樓，裡面都沒有人，他心想，不做空，難道要做多嗎？所以在1985年，Shad Rowe自己開始創業做投資，他賣空銀行股和建商，賺了些錢。那時候做空，不但不用付利息，券商收你質押的公債，還付你利息，然後在稅法上，還讓空頭可以拿多頭的股票來抵，沒有什麼資本利得稅的問題，所以算是對做空的投機客，相當有利。但是看起來有利，做起來卻有可能傷害身心健康。空頭永遠都在等公司爆掉，但是再爛的公司，真要爆掉的時點也很難預測，所以Shad Rowe經常心情不好，但他的母親與他相反，總是非常樂觀，總是可以找到一些點來安慰他，她說，「別擔心，遲早這些公司會爆掉」。就是這樣心裡的不健康，讓Shad Rowe開始思考不要做空，要開始做多，至少不用再冀望別人爆掉，詛咒別人惡運。當他開始轉多的時候，他乘著西南航空剛開始的順風起飛，大賺一筆，慢慢地讓他相信，唯有巴菲特的那種投資方式，才能在股市賺錢又保持身心愉悅。 Shad Rowe也喜歡逛好市多，Costco代表的就是他的新投資哲學，能用「更好、更快、更省」的方式來照顧客戶的消費產品，就是他的投資目標。這裡面有一個有意思的觀點，Shad Rowe認為，公司經理人，永遠都比股東知道得更多，對公司經營有更多的掌控，所以如果經理人要騙投資人，那投資人還真得很難對抗。不能投資這種蓄意欺騙投資人的經理人，但我們要怎麼找到讓人信賴的經理人呢？會想盡辦法對客人、對員工好的經理人，就是比較可靠的公司，就比較可能長期持久而不用擔心被騙，因為這代表了經理人不是把自己的短期私利放在第一位。 Shad Rowe當然不是價值型的投資人，他看好的股票，不是被低估的那種，而是有成長潛力的股票。在尋找能讓客戶得到「更好、更快、更省」的產品的公司時，他還注重一點，「可以放大增長scale up」的能力。對於這一點，他也有一個很直觀、簡單的看法，所謂的「全球化」就是「美國化」，一旦在美國市場站穩腳步，就可以攻佔全球的市場，消費性產品像麥當勞、星巴克如此，科技產品更是如此，所以他專買那些很「無趣」、很大的美國高科技公司，全世界人都耳熟能詳的蘋果、谷歌、微軟、亞馬遜等等。 Shad Rowe信奉「只需一次決定」的投資方法，一旦看好股票，買好部位，就放著不管。他經營一個hedge fund，長期持有十幾支股票，公司管理階層只有他一個人，反正他的買賣次數極少，也沒有什麼費用，所以他也沒向投資人收管理費，只有獲利抽成12%(遠小於業界的20%常規)，經營了四十年，沒有賣出，就沒有資本利得稅，連報稅都單純，完全是我夢想的資金經理人模式。不過Shad Rowe在2024年過世了，巴菲特級的神人又少了一個。

為了要反制德州的選區重劃，加州已經成功的把許多紅區，硬是修改成民主黨可以控制的選區，原本43:9的藍紅席次比，在新的選區劃分下，將要變成48:4，輕鬆地抵消德州的共和黨增加數目。但這個選區重劃的競賽還沒完，兩黨都有大動作，而最新的戰況是在維吉尼亞州，選民最近公投通過修憲，批准藍紅比從6:5變成10:1的選區重劃，但這修憲案被維吉尼亞最高法院宣告違憲。民主黨白忙一場。 選舉是肢體碰撞的運動，只要在法律允許的範圍內，手段不拘，以勝選為目的。所以民主黨說什麼，民主黨只是要反制共和黨挑起的「傑利蠑螈」(Gerrymander，即不擇手段的選區重劃)，我都聽不下去。全世界最會傑利蠑螈的就是民主黨了，不信你看看新英格蘭地區。新英格蘭地區的21個眾議員，通通是民主黨，你如果不細究，你還以為那邊都沒有共和黨員。四成的共和黨選票，一席都沒有，而且是經年累月，不是最近才發生。我只能說，是共和黨自己笨，自己以為是紳士，人家都戴起拳擊手套在打你，你還西裝筆挺地挨打。沒有一樣低級的川普點醒，共和黨還在那裡自以為高貴。 不過維吉尼亞的違憲判決，暴露出民主黨另一個，一向就有的問題。民主黨政治人物，無能。維吉尼亞的州憲規定，如果要修憲，議案必需在州議會通過兩次，而兩次中間，得有州議會大選，目的是讓選民可以理性判斷修憲案合不合理，在投票選議員的時候，當作重要考量。民主黨在推這個選區重劃的修憲公投時，早有法律專家說時間點可能會有爭議，但民主黨不管，硬推，想要先取得公投多數，再用民意的壓力逼迫最高法院就範，一如華盛頓州的違憲所得稅法。但這些個民主黨智障，連誰在最高法院當法官都不知道，最後只能被打臉，失敗作收。 如果這是詹森的政權，他絕對不會讓這種事情發生，他要推的法案，他一定把票算得一清二楚，一定把法條翻來覆去，修得精確萬分，不會有任何可能的失敗空間。所以他在歷史上和小羅斯福齊名，屬最能幹的民主黨總統，也對後世的美國子孫有巨大的影響。因為詹森和小羅斯福，懂得民主權力機器的運作，他們知道要國會通過法案，他們的政策才能有持久的效果，所以當他們決定要推法案時，一定把大軍集結，威脅加利誘，傾巢而出，絕對不會犯維吉尼亞民主黨這種低級的錯誤。所以社會安全法是羅斯福通過的，老人健保法是詹森通過的，至今仍然規範華爾街的大小金融法案是羅斯福通過的，而詹森是南北戰爭以來，唯一通過民權法案的總統。 現今的民主黨政客，一代不如一代。維吉尼亞的修憲案，背後的力量是歐巴馬，歐巴馬就是民主黨所有問題的具體化表現。當民主黨越來越往左靠的時候，身份認同政治變成是進步派血緣正統的主要依據，如果你的出身不純，你是白直男，那就更要積極表態效忠這個身份認同血統，不然你就沒有升官的機會。於是，一代又一代的民主黨政客，專心致志於「表演」，政治的所有作為通通是performative，白直男的代表就是加州那個白痴紐森州長，什麼事都幹不成，整天在表演。而少數民族的代表，就是歐巴馬。「我是美國的第一個黑人總統，我代表了所有的進步價值，不管我要做什麼，都是對的，你們都要俯首在我面前，任我差遣」，當他令不出大門，法案通過不了，別人不買單地的時候，他也非常驕傲，不屑政治運作。於是就大筆一揮，行政命令一下，取得了暫時的勝利，拿到了對共和黨說嘴的權力，就算事情辦好了。我以前寫過，歐巴馬如何整高等教育、聯邦航管員、醫療保險等等，用的都是行政命令。但行政命令的問題是，換了黨派當總統，就會被立刻取消。拜登也是，大筆一揮，就想要納稅人對少數人的學貸買單，就想要引進成千上萬的非法移民。沒有一件事，敢堂堂正正的動員議員來通過法案，所以最後都被取消了。美國近代最沒有歷史影響力的總統，非歐巴馬和拜登莫屬。 詹森是在保守的德州磨鍊他的政治手腕，羅斯福的進步主義背叛了他哈德遜河谷的貴族階級，兩個人都是在泥巴裡打滾過的政治能手，豈能是沒幹過一天實事，僅靠著一場演講，靠著全美國罪惡感當選的歐巴馬可比？

很多人不知道，app-server 层决定了开源对独立开发者到底有多少价值。 OpenAI 把 Codex 的底层 harness 完整放了出来，走 Apache-2.0 协议。 对外一共三个入口，codex exec 跑一次性调用，Codex SDK 做编排，codex app-server 管持久会话。 app-server 用 JSON-RPC 把会话整理成 Item、Turn、Thread 三个层次，进度、审批、diff 都以事件流推到客户端。照着这套协议，拿到和官方 IDE 扩展接近的交互体验。 想随手跑个脚本，exec 够用；要做产品级的 Codex 集成，我建议直接研究 app-server 协议。 🔗链接：

Claude Brain 用一个文件给 Claude Code 加上持久记忆，做过的决定、改过的 Bug、定下的方案，自动存着。 不用数据库也不用云服务，就一个文件，能 git 提交也能发给队友。 GitHub： 搜索走 Rust 原生引擎，万条记忆毫秒级响应。 长期用 Claude Code 写项目的朋友，加个记忆还挺实用。