Staub官网刚刚出了新款盖镝。 和Clare V. 的联名嘴唇。 一个$50，买4个凑$200还是照例送4个碗。🤭 金色的、比较好拿好用的盖镝，基本都会是日后的热门儿收藏品。 毕竟像我之前发过的菠萝的那种，好看但贼难用，呲溜呲溜的打滑，天天用的话得气S。

从换工具到改写工作方式： 面向多 Agent 研⁠发实践的10 条原则 许多人仍把自己放在 AI 与终端之间，充当实时的人肉路由器、异常传递员和点击确认器。 Kiro 团队发布了由 Clare Liguori 主笔的工程专题《Frontier Engineering》（前沿工程学），系统梳理了 10 条面向多代理（Agent）研发实践的探索性原则。 核心主张在于：当前的软件研发实践正在出现分化。 一部分团队只是在既有流程中换了编码工具，而前沿探索者则在尝试重构工作方式——从亲自手写每一行代码，转向搭建让 Agent 自主闭环推进的工程基础设施，以追求显著乃至阶跃式的交付提速。 如果你已经熟悉 AI 辅助编程，却发现端到端交付依旧频繁受阻于人肉卡点，本文将结合 Kiro 的 10 条原则，解析这套工作流背后的运行机制、依赖条件与工程边界。 10 条原则阅读地图 Architect, not typist → 角色重置：从敲击代码的打字员，转向定义意图的架构师 Maximize agent time → 摆脱人肉卡点：把「60 秒等待循环」拉长为「30 分钟自愈闭环」 Build for agents → 改造代码库：像对待「每次都在重新入职的新员工」一样准备环境 Build a fast feedback loop → 快速反馈闭环：从本地校验工具到基于属性的测试补充 Direction over execution → 角色重置中的方向与规格驱动 Treat code as disposable → 代码可重写，边界测试是契约 Hold the line on human standards → 人类标准与审查分工 Trust the boundaries → 防护栏工程 Use agents for everything → 全流程协同 Constantly tune your setup → 持续调优的飞轮

一群专业人士向一群4至8岁的孩子们提出了以下问题： 「爱意味着什么？」 他们得到的回答，比任何人都能想像的更加广阔、更加深刻、更加深入。 ☆「当我奶奶得了关节炎，她无法再弯腰涂她的脚趾甲…… 于是爷爷一直为她做这件事， 即使他的手也得了关节炎。 这就是爱。」 Rebecca - 8岁 ☆「当有人爱你， 他说你名字的方式是不同的。 你就是知道你的名字在他的嘴里是安全的。」 Billy - 4岁 ☆「爱， 就是当一个女孩喷香水，一个男孩用古龙水刮胡子，然后他们出去约会。」 Karl - 5岁 ☆「爱， 就是当你出去吃饭，你把你大部分的薯条给某人，而不要求他给你他的。」 Chrissy - 6岁 ☆「爱就是当你累了，它让你微笑。」 Terri - 4岁 ☆「爱， 就是当我妈妈为爸爸准备咖啡，然后在给他之前先喝一口， 以确保味道好。」 Danny - 8岁 ☆「爱， 就是圣诞节时房间里的东西，如果你停止拆礼物，只是静静地听。」 Bobby - 7岁 （哇！！！） ☆「如果你想学会更好地去爱， 你应该从一个你讨厌的朋友开始。」 Nikka - 6岁 （我们需要这个星球上有更多几百万个Nikka） ☆「爱， 就是当你告诉一个男孩你喜欢他的衬衫， 然后他每天都穿它。」 Noelle - 7岁 ☆「爱就像一个小老太太和小老头，他们总是朋友，即使他们如此了解彼此。」 Tommy - 6岁 ☆「在我的钢琴独奏会上， 我站在舞台上，我很害怕。 我看着所有看着我的人，看到我爸爸向我挥手并微笑。 他是唯一这么做的人。 我不再害怕了。」 Cindy - 8岁 ☆「我妈妈比任何人都爱我。 你不会看到其他人晚上吻我入睡。」 Clare - 6岁 ☆「爱， 就是当妈妈给爸爸鸡肉上最好的那块。」 Elaine - 5岁 ☆「爱， 就是当妈妈看到爸爸臭烘烘又满身汗，她还说他比Robert Redford还帅。」 Chris - 7岁 ☆「爱， 就是当你的小狗在你整天独自留下它之后，还舔你的脸。」 Mary Ann - 4岁 ☆「我知道我大姐姐爱我，因为她把她所有的旧衣服给我，然后必须出去买新的。」 Lauren - 4岁 ☆「当你爱某人， 你的睫毛上下眨动，小星星从你身上冒出来。」 （多么美好的画面！！！） Karen - 7岁 ☆「爱， 就是当妈妈看到爸爸上厕所，她不觉得𫫇心。」 Mark - 6岁 ☆「你不应该说『我爱你』除非你真的这么想。 但如果你真的这么想， 你就必须经常说。 人们会忘记。」 Jessica - 8岁 ☆还有…… 最后一个， 获胜的是四岁的孩子，他的邻居是一个刚失去妻子的老人。 看到老人哭泣， 小男孩走到老爷爷的院子里， 爬上他的膝盖并坐在那里。 当他妈妈问他对邻居说了什么， 小男孩回答： 「什么也没说， 我只是帮他哭。」 ☆☆☆ 谢谢Julie Ullmann。 插图的原作者是Chiara Bautista，除非有误。

克拉拉（李成敏Clara）这十年到底发生了什么？ 现年40岁的她，颇显苍老和倦容，眼神空洞无光。 完全没有30岁拍《情圣》电影时的灵动自然和勾人心魂的精气神。 真正的修行，是修炼内在的能量池和精气神。 赚钱是为了生活，别把生命的全部， 全耗在了投资交易的K线里。

吴说获悉，Clara Shikhelman、Mikhail Komarov 和 Aleksei Moskvin 提出 Shielded Bitcoin，一种无需 Bitcoin 软分叉、新区块链或可信运营方即可在 Bitcoin L1 实现隐私转账的元协议。该方案通过加密 notes、nullifier 和零知识证明隐藏交易金额、发送方、接收方及具体被花费的 notes，由任何人均可运行的 indexer 验证交易并防止双花，且无法控制用户资金；链上仍可观察到交易发生时间、notes 数量、手续费及承载数据的 Bitcoin 交易。当前方案仅覆盖隐私系统内部转账，BTC 的进入和退出机制将通过基于 PIPEs 的方案在后续论文中说明。

好像中文还没有career对应该的翻译 就像gap一样 career的意思就是你通过上班来建立一个自己的事业。你的事业就是上班，不局限于行业和公司。 比如问一个小朋友，他说他会去给大法官做助理，然后出来进入顶尖的律所，多少年内成为合伙人，挂名合伙人，然后自己出来成立自己的律所云云

最近看了一篇 career advice 的长文。作者是一家 fully agent-native 公司的 founder，之前在 Scale、OpenAI、Google 都待过。 之前也跟一些行业内的研究员聊到过一个问题：如果你有小孩，在 AI 时代准备怎么教育他？确实啊，AI 把活都干得七七八八了，该让孩子学什么、卷什么？ 借着这篇，聊聊我们自己的看法/建议。 1、把注意力放在真正稀缺的资源上 那篇长文里有个细节，我觉得很真实。作者当年手里有量化的 offer，保底现金高不少，但他选了 Scale AI，因为喜欢那里的社区，也想接触不同的产品和应用。后来正是通过 Scale，他认识了做 LLM inference 的那批人，才有了 DeepMind 和 OpenAI 的机会。当年的同事，现在也成了一圈 Scale 系 founder。 回头看，这些人脉和学习机会带给他的东西，远超 quant 多给的那点现金。 他的观念是：现在拿钱比任何时候都容易。vibe-coding 时代，找个快速赚一笔的机会不难。但真正稀缺的，是别人真实的时间，是牢固的人际关系，是你做成过事之后积累的声誉。 我周围也有些朋友，之前不在 AI 圈，但这两年一头扎进来，逐渐走到更核心的位置。他们放弃了安稳打工的收入，选择在 AI 圈摸爬滚打。要的就是这些稀缺资源。 2、学会找题 AI 最先替代的，是定义清楚、可以评分的任务。学校过去训练的大多也是这种能力：题目已经有人出好了，你负责把答案做对。 但 agent 越来越强之后，真正拉开差距的会是：你能不能发现一个值得解决的问题，能不能判断该把多少时间、token 和资源投进去。 答案越来越便宜，好问题越来越贵。 所以如果问 AI 时代该怎么教育小孩，我觉得至少要让他长期待在真实的问题里。自己做项目也好，研究一个没人布置的题目也好。找题的能力不是上课教出来的，是在一次次选错、做砸和重来里长出来的。 3、用 bitter lesson 选公司 Rich Sutton 那篇 bitter lesson 说的是：通用方法加 scaling，最终会赢过任务特化的优化。这条规则拿来选问题、选公司，同样适用。 公司和职业的回报从来都是幂律分布，AI 只是把走到结果的速度加快了。现在写软件门槛这么低，谁都能搭个简单系统，真正持久的价值只会来自对足够有野心的问题的极致专注。 选公司就问两件事：它做的是不是这个问题最有野心的形态？它有没有真的解掉的可能？ 选岗位就问一件事：这个位置能不能让你直接在公司要解决的那个问题的最前沿干活？ （当然，上述说的是最理想的版本。如果暂时进不了最核心的位置，也看这个岗位能不能让你逐渐靠近核心问题） 4、最后一英里，用冲刺跑 红杉的 Alfred Lin 写过，最后 10% 是 90% 的工作量，也是 90% 的回报。 AI 把结果两极化了，因为中位数水平就是一个 agent 拿着随手写的 prompt 能吐出来的东西。价值只能来自你对某一小片问题的独特视角，或者对细节的执着。 最后一英里靠迭代。而且 coding agent 进步太快，经常更好的做法，是带着上一轮的教训，直接用下一代模型从头再来。 5、xG 和射门效率 足球里 xG（预期进球），衡量一支球队按机会质量算应该进几个球；效率，则是把机会真正转化成进球的比率。 职业生涯很长，不是每个高 xG 的机会都必须抓住。但你得先让自己站在能看见这些机会的位置。 不过人生到某个阶段是要进球的，不能光看见机会，临门一脚的效率也重要。他复盘自己的职业选择时说，大部分决定都做对了，但后悔没有在做决定前，多花一点时间收集信息。 6、researcher 是心态，不是职业 说实话，现在做 research 的门槛前所未有地低。你不需要先进入前沿实验室，才能开始做研究。先大量使用模型，再把直觉沉淀成 evaluation。 前沿实验室里研究员的日常，无非是好奇心驱动着探索新想法，跟 infra 搏斗着把想法实现，把整个系统理解到足够细以便高效 debug、再把结果的价值讲清楚，去换更多算力。 这些事，你不在前沿实验室也全都能做。 所以我越来越觉得，researcher 是一种心态，不是一种职业。这是我整篇文章最想送给大家的一句话。 世界仍然充满机会。解锁的钥匙就是找到有意思的问题，然后交付超出预期的结果。就这么简单，也就这么难。