我这些年反复讲过，让AI Agent好好写代码，所有的秘诀都写在了1990年代的教材里： - 踏踏实实写test，多写test，让test coverage尽可能高 - 认真做好CI/CD，千方百计避免messed up - 对于一个新项目，做好top-down design（specs driven），从features和requirement出发，设计architecture 和 interface，一层一层设计下去 - 对于一个快速增长的项目，先切分好文件，再切分好module，再划分成一堆service或者executives，提前解耦 - 对于一类的功能，提前做好design pattern的功课，减少重复，增加复用 - 如果codebase足够大，要么一点点修复但是提高test coverage，要么保持好specs、test、interface直接推倒重写，有空就重写， 永远重写，重写重写重写 近两年人类做的事情，就是把上面这些东西重新实践了一遍。

韩国第一大加密货币交易所 Upbit 宣布将于 6 月 15 日上线 OpenGradient（OPG），开放 BTC 和 USDT 交易对，支持 Base 网络充提。OpenGradient 是一个去中心化 AI 基础设施网络，采用 Hybrid AI Compute Architecture（HACA）架构，将 AI 推理执行与验证分离，以提升 AI 结果的可验证性。

Scaling Law的下一个：Power Scaling Blackwell之后，AI服务器进入Power Scaling阶段。单GPU持续提升功耗，Rack正从几十kW快速迈向100kW、200kW，未来甚至可能达到300-500kW。未来几年，Power的重要性将持续提升。 目前市场普遍预计，Vera Rubin继续采用高性能SiC Rectifier，Rubin Ultra则有望进一步演进至Solid State Transformer（SST）架构。SST尚未得到官方确认，但整个产业已经开始围绕MVDC、中压供电以及高密度Power Architecture进行布局。真正重要的不是Rectifier还是SST，而是两条路线最终都指向同一个底层技术——SiC。 Rectifier完成AC/DC转换，SST进一步集成变压、隔离、双向功率流以及数字控制，更接近整个供电系统的平台升级。随着Rack功率不断提升，铜耗、转换损失以及动态响应开始成为新的约束，SST正是围绕这些问题演进。 SiC的重要性是，无论最终采用Rectifier还是SST，高压、高频、高效率的功率开关几乎都离不开SiC。 相比传统硅器件，SiC拥有更低的导通损耗、更低的开关损耗、更高的耐压能力以及更高的工作频率。当供电电压进入800V以上、单机柜功率进入数百kW之后，这些优势开始持续放大。 GaN和SiC经常被放在一起讨论，但它们解决的是不同的问题。SiC商业化的主流器件是SiC MOSFET，GaN商业化的主流器件则是GaN HEMT。未来最有可能形成明确分工：中压、高压、大功率转换采用SiC，板级、高频DC/DC转换采用GaN。两条路线长期更可能协同发展。 SiC份额提升，也意味着传统硅功率器件开始重新定位。目前硅功率器件主要包括IGBT以及Super Junction MOSFET。IGBT适合极高电压、大电流场景，目前仍广泛应用于轨交、工业驱动以及风电。Super Junction MOSFET通过超结结构显著降低导通电阻，长期成为服务器电源和工业电源的主流方案。 几十kW服务器时代，Super Junction MOSFET已经足够优秀。数百kW AI Rack时代，高压、高频、高效率开始成为新的优化目标，SiC逐渐进入价值量最高的供电环节。 AI数据中心的SiC需求更多取决于算力需求、电力基础设施以及Hyperscaler CapEx。这意味着行业周期可能比过去单纯依靠汽车市场更加稳定。 如果这一趋势继续发展，受益的将不仅仅是SiC器件公司。目前全球主要供应商包括Infineon、ON Semiconductor、STMicro、ROHM以及Wolfspeed。除Wolfspeed之外，大多数都是IDM。同一座Fab通常同时生产Si MOSFET、IGBT、模拟芯片以及SiC器件。 另一个重点是制造端。SiC虽然需要外延、高温退火等特殊工艺，但大量设备仍然沿用成熟制程平台，包括光刻、刻蚀、薄膜、CMP以及测试。未来如果8英寸SiC进入持续扩产周期，受益范围将进一步扩展到成熟制程设备、SiC外延设备以及衬底供应商，而不仅仅局限于器件企业。 接下来，值得持续跟踪的领先包括：NVIDIA是否正式导入SST，Hyperscaler是否开始部署MVDC，Vertiv、Delta、Schneider、Eaton是否推出下一代AI供电架构，Infineon、ON、ST是否开始单独披露AI数据中心收入，全球8英寸SiC Fab是否进入新一轮资本开支周期。 这些信号比短期销量更加重要。

卧槽，14.8万星！TypeScript大神把几十年工程经验直接做成了Claude Code的Skill Matt Pocock——就是那个 TypeScript 界封神的老哥——把自己 .claude 目录里的东西开源了。 一行命令安装： npx skills@latest add mattpocock/skills 然后在 Claude Code 里你就有了这些：🔥 /tdd — 强制红绿重构循环，AI写代码必须先写测试，不让它自由发挥 /diagnosing-bugs — 结构化 Bug 诊断，复现→最小化→假设→验证→修复，一步不跳 /grill-with-docs — 需求对齐，让 AI 在动手之前先建立项目的领域模型，不再鸡同鸭讲 /to-prd — 把对话直接变成 PRD 扔进你的 Issue 追踪器 /handoff — 上下文压缩成交接文档，下一个 Agent 直接接着跑 /improve-codebase-architecture — 扫架构问题，出 HTML 报告 他在 README 里写了一句话：这是给真正的工程师用的，不是氛围编程（vibe coding）。 特么的说到我心坎里了😂 AI写代码快是快，但代码质量烂，测试没有，架构是泥球，这些问题这套 Skill 都在帮你堵。 14.8 万星不是吹出来的，是真的有用。

千万别拿我和张雪峰这个大傻逼作对比。 网友：我想学AI相关的专业，我对AI很感兴趣，请问我应该选计算机还是数学？ 我：你一定要选计算机，先把python和数据结构基础打好， 然后从deep learning这门课开始学，可以在家配置一个nvidia GPU的笔记本或者台式机，或者用google colab，先从最简单的 CNN 开始训练，找一个dataset，自己安装好pytorch和cuda、cudnn，抄一个经典CNN model，训练你的第一个神经网络， 然后可以学习transformer，学习encoder only的BERT，学习decoder only的GPT模型，从minGPT开始，训练你的最小版本的GPT模型， 如果你对训练模型感兴趣，可以读个PhD，如果你的inference感兴趣，可以多花点时间看cuda，简单学习一下nvidia tensor core architecture，可以了解GPT后续的模型的架构， 如果你对inference感兴趣，你也可以直接看vllm的架构，读里面的代码，理解vllm是如何load一个用pytorch训练好的LLM模型， 如果你对AI Agent感兴趣，可以从ReAct Agent开始看，然后看SWE Agent，知道一个Agent是如何抽象出来的，如何调用function call，如何自己做reasoning，如何把一个软件开发的任务用agentical的方式拆分和执行的， 然后你可以看codex的架构，看看codex是如何设计memory、auto compact、multi agent、background task这些现代coding Agent功能的。 张雪峰（下面视频中可以找到原话）： 孩子，你一定要学数学，数学学好了可以转互联网、AI、科技、半导体、金融所有专业，数学是一切专业之母，所有专业的老祖宗！ 孩子，deepseek就是一群纯数学博士造出来的，这些人天天研究数学，就把deepseek造出来了！ 孩子，AI本质就是数学建模，就是一个个自变量，你只有研究数学，一直读到数学博士，才能把这些数学建模研究明白，计算机毕业生是永远研究不明白AI的！ 我的结论是，鼓吹“数学万能论”、“数学是一切专业的老祖宗”、“只有数学博士才能研究AI”的张雪峰和他们的粉丝，都是彻彻底底的大傻逼。

🔥 用 AI 写代码最烦的不是 AI 不会写，而是它一上来就乱写！ 需求没问清、术语不统一、测试没反馈、架构越改越乱。 最近发现一个神级项目，Matt Pocock 把自己每天做真实工程的 Agent Skills 整理成了开源仓库。 GitHub： 1️⃣ /grill-me 和 /grill-with-docs 开工前先追问需求，减少 Agent 理解偏差。 2️⃣ /tdd 🧪 引导 Agent 走 red-green-refactor，用测试约束输出。 3️⃣ /diagnose 🐛 按复现、最小化、假设、插桩、修复、回归测试的流程排 bug。 4️⃣ /improve-codebase-architecture 🏗️ 定期检查代码结构，避免越写越像泥球。 5️⃣ /to-issues 和 /to-prd 📋 把想法拆成更适合执行的 PRD 或 issue。 6️⃣ 一键安装支持 ⚡ 支持通过 npx skills@latest add mattpocock/skills 安装到不同 Coding Agent 里。 如果你已经在用 Claude Code、Codex 或其他编程 Agent，这个项目很适合作为工作流参考。

今天芯片圈最大的新闻，莫过于Gerard在创立Nuvia CPU被高通收购五年之后，重新出发，新创立了ARM CPU公司，名字也跟之前非常像，叫Nuvacore 现在这个时间点做数据中心CPU，确实是赶上了CPU十年来最好的时代: AI agent带来CPU短缺潮已经经隐隐浮现，AWS多个客户都提出要包揽所有Graviton ARM CPU产能 ------------ 这个消息对硅谷的芯片打工人吸引力是巨大的，Nuvacore这次的阵容都是功成名就的明星阵容，以前Nuvia创始团队重新集合，拿了红衫的投资，做面向 AI 基础设施/agentic computing 的通用ARM CPU。当年还是一个尚未完全被验证的大方向都能大获成功，而现在ARM CPU服务器正在风口浪尖上，前景和想象力和2019年Nuvia比起来大了太多了 上一次Gerard把Google，苹果platform architecture组的架构大佬挖了好多过去，这次的号召力只会强得多，240m的融资，已经验证过的路径和创始团队，肉眼可见的下一个增长风口，一定会让Nuvacore成为湾区最热门最受追捧的芯片startup，没有之一。毕竟这是一个肉眼可见能财富自由而且风险收益比极好的机会 ---------- 遥想当年Nuvia第一代CPU的发布赶上苹果M2时代，还是挺震撼的，Nuvia让高通在一年的时间CPU跑分进步了整整三代，单核跑分从2300变成3200，竟然超过了苹果M2 max一大截 可惜Nuvia Phoenix core从发布到最后上市拖了太久太久，中间苹果把牙膏挤爆了连着上市了M3/M4，于是Nuvia CPU上市之后从跟M2比较变成了跟M4比较，从期待中的C位变成背景板了 当年Nuvia的眼光非常超前，在2019年ARM CPU服务器市场占有率几乎为零的情况下，就是想从零开始打通这个市场，2021年被高通14亿美元收购之后，高通也给了无限的资源支持，扩招力度很大，给的薪水都是市面上最高一档的。 可惜大环境在2022年恶化的很快，加上高通的管理层战略眼光实在太差太短视，在业界ARM服务器生态都开始有起色的时候，为了股价节约开支，竟然再一次把自家的Nuvia CPU 服务器团队解散了（算上2015年已经解散过一次ARM服务器团队） 直到2025年，Nvidia的Grace ARM CPU都已经发布四年了，Vera ARM CPU都已经自研好久了，Amazon的ARM CPU Graviton都快占据CPU服务器新出货的50%了，高通才后知后觉谨慎的重启ARM服务器项目 所以这次Gerard从高通的高管位置把之前的创始团队拉出来自己干，可能是因为高通高层战略眼光实在太差屡屡错过机会，上次Nuvia想做ARM服务器，高通的承诺也因为大环境恶化没做数，结果被收购之后被高通取消了项目直接改做了laptop芯片和手机芯片 加上高通今年在手机销量上因为内存和存储历史级的巨额涨价，可以预见要受到重创(市场萎缩30%)，能拿出的扩张预算有限，在高通能拿到的资源是受到掣肘的 而在创业公司里比在 Qualcomm 这种大平台里更容易拿到足够快的决策速度、团队纯度、产品定义权和资本叙事，于是选择在窗口已经被验证时重新集结老班底 但更可能因为，AI时代的CPU前景想象力真的太广阔了，完全值得重新投入一次，不是Gerard变了，而是外部市场变了 ------------------------ 进入2025年之后，AI agent的出现，隐隐让CPU重新变成了瓶颈 CPU服务器重新步入增长轨道，而且潜力巨大，有好几个因素： 1. 随着推理时代的到来，GPU演化到针对推理的系统级新架构，CPU 是永远在忙的总指挥orchestrator, 因为要追求token throughput，所以异构计算阶段变多 + 批处理数量batch越来越大，scheduling/routing/data flow复杂度变高，对orchestration要求也变高 所以在系统级异构推理架构里，AI加速器和GPU在CPU：GPU的配比上，也变得更为激进，从以前的1：4到Grace Blackwell的1：2，以后是很有希望达到1：1的比例的。Google TPU配Axion，Amazon Tranium配Graviton，Nvidia Rubin配自家Vera CPU 这条在我的去年11月半导体年终回顾写过，基本上在2026年成为了共识，虽然这部分主要是各家AI 芯片自研，并不是纯粹的CPU服务器，其实不算是外部CPU服务器的机会 2. 也是同一篇年终回顾里写到的： 从CPU视角去看agentic workload，routing和工具处理都在CPU上，如果把常用的agentic框架做profiling，比如SWE-Agent, LangChain, Toolformer，CPU最长可以占到90%的E2E端到端延迟，throughput瓶颈也更多的卡在CPU，CPU甚至能耗也超过了总能耗的40% Agentic AI目前是一个CPU瓶颈更多的事情，Agent管理很多个CPU，再加上agent经常要开sandbox，很可能会成就CPU需求的新一波回暖 现在回看去年写的这个逻辑，潜力是非常大的。但其实年初可能并没有很大规模发生，年初的CPU增长和各家渲染的CPU短缺潮和这个逻辑暂时关系不大，更多可能是前几年的capex投入GPU的比例太大，造成传统CPU服务器投入不够，所以需求上升是一个回补之前传统服务器投入不够的部分。 但到了下半年甚至2027，agent会开始更广泛的铺开，比如智能导购和客服，已经占到了Amazon去年年底100万CPU采购的相当部分比例，这部分的增长是很快的 前两个逻辑，基本上是今年主流叙事在讲CPU潜力的共识，但是我的感悟是，还有另外两个逻辑被低估了： 3. 造成CPU服务器潜力更大，更长线的主逻辑，可能和agent本身没有直接关系，而是code agent带来的副产物： coding门槛和速度的大幅优化，让“构建软件 + 连接软件 + 调用软件 + 自动化软件”这整件事便宜了一个数量级，Jevons 悖论在software供给端的展开，最终把世界推向更高的软件密度和 API 密度，这直接带来了CPU传统workload的线性上升 从2025年年底开始，coding agent迎来了质变，Claude code迎来了爆发式增长，三个月的token营收增长了三倍，那么导致的下一步必然是Code量的十倍增长,以及App数量的巨量增长 即便是在大厂，每天1m token消耗只能算是个平均水平，人均coding量必然是翻倍的（小厂就是翻十倍了），code供给量暴增，不会只停留在 repo 里，而会逐步变成更多长期运行的软件资产，长期存活的feature变多，product变多，microservice变多，API变多 长线来看，App/API所有的生产成本和生产周期会变成原来的10%，API实现极大富足。那么API的Usage就会大量的上升,这就会造成传统CPU Workload或者说CPU Seconds大量的上升，这甚至和agentic没有直接关系 时间维度上，这个逻辑并不是短期性质，Claude code的爆炸是这几个月刚发生的事情，那么产品上线，microservice，api上线，可能都要向后延迟。当软件变便宜，社会不会少用软件，只会把更多事情软件化 所以也许到下半年甚至更久才会看到，传统cpu云的需求又莫名其妙增加了，表面上看，甚至和AI agent没有直接关系 4. CPU是一个技术上很难通缩的东西，不像内存/存储有很多压缩算法会降低单任务对存储的用量，CPU workload增长转化成硬件需求增长是实打实的 比如说kvcache其实每年都有各种压缩技术出现，老的压缩技术比如kvcache的multi-head它会share一个head（GQV），这个大概会相当于4倍的压缩，再比如说去年turboquant这个技术也会新带来几倍的压缩。然后加上数据精度从FP16到现在的下一步要到FP4，精度的下降都会带来kvcache的压缩，从而带来存储方面的技术通缩。 但CPU是一个技术层面上通缩量很小的事情，目前任何的agentic的cpu workload（CPU seconds）增长都是硬件需求增长，它通缩的方面只有每年每一代跑分提高的10%到15%。如果说另外通缩因素，比如云的五倍六倍的超卖会不会影响？不会，因为它一直是超卖的，所以说超卖/利用率低这个CPU技术通缩的因素不会继续扩大了，每个增长的CPU seconds都是不怎么带打折的硬件线性增长 ARM的指引是CPU的供需缺口可能会到30%以上，这几个原因的叠加，加上AI服务器对CPU服务器产能和订单的挤压，可能会让缺口更大，各个hyperscaler的反应可能是会滞后的 ------------------ CPU整体需求潜力增长的同时，ARM服务器CPU也赶上了历史上最好的时代： Hyperscaler为了节省成本，接近50%的新增传统server CPU都是ARM，Google的Axion，Amazon的Graviton，Microsoft的Cobolt，Graviton甚至2026年的产能已经全部卖完，瓶颈成了产能 Google TPU配Axion，Amazon Tranium配Graviton，Nvidia Rubin配自家Vera CPU，这部分CPU为什么会集体转向ARM，除了成本因素之外，也因为推理系统为了追求token throughput，batch越来越高越做越复杂，自研ARM CPU以及系统性软件硬件的co-design会更方便，比如Nvidia是Dynamo去控制Vera和Rubin之间的协同 Nuvacore的规划上来看，不仅仅满足于做IP，也要做成品，因为在招聘网站上出现了validation engineer的职位 但是这次Nuvacore面临的挑战也不小：起步太晚了，无论是市场上，还是技术上，竞争都激烈了很多。CPU服务器和七年前比，已经复杂了很多，已经不再是单片CPU的竞争，而是rack系统级别的复杂度 现在开始做2028~2029年上市的CPU，要做到rack级别有竞争力，规模要大很多，基本上要几十个chiplet，500+个core拼起来，还要考虑如何适配AI agentic workload，工作量比以前明显要大的多，对一个startup的挑战比七年前也大得多 ---------------- 上次Nuvia在成立两年之后成功的以14亿美元出售，这次市场热度比五年前高了一个数量级，Nuvacore之后的路会怎么走呢？ 如果是被收购路线，其实买家可能比五年前比并没有更多，这五年里，Google有了Axion，微软有了Cobalt，Amazon有了Graviton，Nvidia自研的Vera CPU已经成型，连ARM也打破了35年来只做IP的常规，开始做自己的AGI CPU芯片 最有可能的是Softbank系，softbank已经在ARM CPU服务器生态上布局深耕了多年，65亿美元收购了Ampere，再收购Nuvacore是很正常的事情，这个市场想象力足够大 其他的选择也可能是Meta，因为几家互联网公司里，只有Meta的silicon house没有稳定可靠的CPU服务器，有限的资源在MTIA都做AI加速器去了 但是Meta的问题在于稳定性极低，决策每个月都在变化，注意力非常短期化，项目随时取消，对Nuvacore来说完全无法兑现潜力，是一个非常糟糕的买家 但总体来说，Nuvacore的选择肯定比五年前宽了太多了，对ARM CPU服务器的潜力大家的共识都很明确，融资的难度要小很多，自己运营扩张起来，阻力比以前小很多，合作伙伴的配合程度上也因为未来预期，会容易很多 完全可以自己做大到比Nuvia当年更大的规模再考虑出路，根本不着急卖

存储需求恐怕又要因为seedance2的出现指数级暴增. gpt3.5带来了文本时代，真正的视频时代，是seedance2带来的. 同样是几个提示词，视频ai消耗的存储将达到几百m，随着ai视频制作时长的增加这个体积还会更大. 这次衍生的存储需求会是原来文本的很多倍. 毕竟现在刷视频成瘾的群体是真多， 全球范围内从婴幼儿到老头老太太谁都逃不过，他们可能不爱看书不爱看新闻但绝对爱刷短视频. 基于此，又会产生新的投资需求. 视频ai需要的存储类型跟文本ai肯定有差异. gemini给出的现阶段抖音与yputobe采用的存储架构实录. 目前的视频存储并非单一介质，而是复杂的多级冷热分层架构 (Tiered Storage Architecture)。 A. 架构组成 1. 极热层 (Ultra-Hot Tier)：用于应对瞬时爆发的流量（如顶流网红刚发布的视频）。 • 类型：NVMe SSD 集群 + 内存级缓存（Redis/Memcached）。 • 核心指标：**IOPS（每秒输入输出操作数）**和极低的延迟。 2. 热/温层 (Warm Tier)：用于存放日常活跃观看的视频。 • 类型：高性能企业级机械硬盘 (HDD) 或大容量 QLC SSD。 • 核心指标：吞吐量 (Throughput) 与成本的平衡。 3. 冷层 (Cold/Archive Tier)：用于存放数年前、几乎无人问津的长尾视频。 • 类型：高密度氦气硬盘 (HDD) 甚至物理隔离的磁带机。 • 核心指标：每 TB 持有成本 (TCO)。 B. 痛点：I/O 墙与存储孤岛 传统架构下，存储是“静态”的。但 AI 视频时代（SeenDance 2）要求存储从“仓库”变成“流水线”，这直接导致了存储逻辑的崩溃。 根据以上视频公司存储的现状与困境可以延伸出其三个未来发展方向. 视频 AI 存储的三个未来发展方向 1.方向一：从 HDD 到全闪存化 (All-Flash Data Center) AI 视频训练需要并行读取海量高清素材。传统 HDD 的寻道时间太慢，会拖累昂贵的 GPU 算力。全闪存阵列 (AFA) 将从“奢侈品”变成视频公司的“基础设施”。 2.方向二：CXL 技术下的“内存-存储”融合 Compute Express Link (CXL) 协议将打破内存和 SSD 的界限。对于 SeenDance 2 这种需要处理实时动作对齐的模型，数据在 SSD 和 HBM 之间的搬运速度决定了生成的流畅度。 3.方向三：近存计算 (Computational Storage) 与其把巨大的视频数据搬到 CPU 处理，不如直接在存储主控芯片上进行初步的数据预处理（如视频抽帧、格式转换）. 基于以上及图片参数对存储公司作核心竞争力与趋势分析排序评级. SK海力士(S级)： 凭借 Solidigm 的 QLC 容量优势和 HBM 的统治地位，卡死了“大容量读取”和“算力吞吐”两个核心环节。视频 AI 训练集的 EB 级存储首选。 三星Samsung (A+级)： 读写最均衡。其 PCIe 5.0 写入速度冠绝群雄，是 SeenDance 2 生成 4K/8K 视频流时最佳的“高速缓冲区”。 闪迪SanDisk (A级)： 独立后的黑马。其 HBF（高带宽闪存） 旨在打破内存墙，让 SSD 直接参与 AI 推理，极大利好 64G 内存（如你的 M4 Pro）在本地处理大模型视频生成。 美光Micron (A级)： 写入寿命与能效比极高，适合 24/7 不间断生成视频的云工厂。 • WDC (B+级)： 专注于 CXL 协议，解决数据中心内内存与存储的动态调配问题。