AI编程工具和Agent实测，写给中文开发者 先上手再下结论，规则、脚本、踩坑都附上 商务合作（测评长文/Thread/引用）：[email protected] Telegram ：@Rea957
New York City
Joined April 2023
- Tweets5K
- Following1.2K
- Followers22.1K
- Likes36.6K
前两天刚在终端扒出偷跑的 GPT-6.2 Astra，今天又爆猛料：OpenAI 马上要发那个攻克“千禧年数学难题”的模型。
对，你没看错，全网都在猜这俩是不是同一个家伙。
为什么模型还没发，神话先满天飞？
说实话这就是大厂最拿手的悬念喂料。
你可以这么理解，这就像后厨刚端出内部试吃菜，老板转头就在门口挂横幅预告神仙汤。
不是急着给你亮底牌，而是先把全场的胃口吊到嗓子眼。
等它端上桌直接拿代码验货
刚看到 dots 团队放出风声，底层模型除了 GPT-6 Astra，接下来还要上新一个 GPT-6.1 Terra。
有意思的是，官方这次给 Terra 主打的卖点居然不是跑分，而是“速度更快”外加“性格升级”。
为什么到了 6.1 反而开始卷性格了？我想了很久，这就是大模型的情商补课。
你可以这么理解，Astra 就像后厨闷头干活的硬核主厨，而想把产品普及给更多普通人，还得靠 Terra 这种手脚麻利、说话讨喜的大堂经理。
不是硬核推理不重要了，而是去掉机械味才能真正破圈。
坐等 Terra 上线第一时间试试手感
今天刷到 MIT 研究人员刚放出来的一个实验，说实话看到这我也震惊了。
GPT-6 Astra 居然在不做任何重新训练的情况下，直接动手修改了另一个模型（Qwen3.5-0.8B）的底层权重，硬生生把它的 MATH-500 数学准确率从 7.9% 拉到了 48.1%。
对，你没看错，全程零训练，成绩直接翻了 6 倍还多。
你说凭什么？以前改模型不是都得砸一堆显卡、喂海量数据回炉重炼吗，怎么现在一个 AI 拿把手术刀改几个数就能直接开光了？
给不太了解模型微调逻辑的朋友拆解一下这组数字有多吓人。
研究人员只是把 Qwen 的权重扔进了一个 Python 笔记本里，给了 Astra 50 次数学练习题的测试额度。
结果 Astra 只动手改了其中 0.016% 的权重—不是改了一半，也不是改了百分之一，是万分之一点六。
真正离谱的来了。
你以为这个 0.8B 的小模型原本只考 7.9% 是因为脑子太笨、根本不会做数学题，其实它早就具备解题能力了。
Astra 跑完测试发现，这小家伙之所以每次都算错，纯粹是因为内部有 2 层网络写进了一个怪信号，害得它像犯了强迫症一样疯狂自我复读，直到把输出长度上限生生耗尽。
这就像一个明明算得出压轴题的考生，偏偏染上了严重的口吃，每次刚念完题目就在草稿纸上反复抄同一句话，直到收卷铃响都没写下答案。
而 Astra 干的事，就是顺着脑电波精准揪出那根搭错的神经，咔嚓一刀把这个复读信号从权重里减掉，做了场漂亮的靶向微创手术。
不是小模型原本没有实力，而是那万分之一的死循环锁死了它原本的聪明。
说实话，这种顶级实验室的技术秀，咱们平时当个热闹看看也就算了。
但有个事吧，我还是想多说两句。就是“直接改权重”这五个字，到底意味着什么。
因为我自己平时每天都在高强度调各种大模型和本地工具，以前碰到模型犯轴、死循环，除了疯狂改提示词或者咬牙换更贵的模型，根本没脾气。
现在 MIT 直接捅破了这层窗户纸：顶级大模型已经不需要靠笨重的再训练去教小模型了，它可以跳过所有中间商，直接伸手去拧小模型脑子里的螺丝钉，实现真正的跨模型点化。
以前我们总觉得只有堆算力才能拯救烂表现，现在才发现，有时候差的就是找准病灶的那一刀。
我们手里的轻量级小模型先别急着判死刑，盯紧这套无训练直改权重的新路子，说不定哪天我们自己也能在笔记本里给本地模型做微创除虫
We asked GPT-6 Astra to edit Qwen3.5-0.8B weights to improve math.
It directly changed only 0.016% of weights, fixing 0.8B's reasoning loops & improving math up to 6x and even instruction following 3x, without gradients or training.
We call this Weight-Space Programming: frontier LLMs can now natively read/write neural network weights! 🧵
Blog: rikiyat.github.io/blog/weigh…
今天我拿 Codex 里的 Astra 和 Sol 盲测了四轮审稿，结论有点扫兴，分不出高下。
做法是在我自己发过的两篇长文里埋错，每轮 12 处，有数字对不上、常识错、推断说过头、前后矛盾、同音错字。后两轮再塞 3 句看着像错、其实没错的句子，专门钓误报。
两家推理都开到 xhigh，交替各跑 3 次，文件名随机，打完分才揭开是谁。答案表跑之前就锁死，判定标准也提前写好，免得看完结果自己挪门槛。
Astra 143/144，误报 0
Sol 139/144，误报 1
Sol 漏的几处几乎是同一类，前文说第七节细说，翻到第七节其实没写。这种要前后对照的错，Astra 也漏过一次。
合计差 4 处，摊到每轮每次不到 1 处，没过我事先定的门槛，只能记成没测出差别。
拉开距离的反而是速度。四轮里有三轮 Astra 快两到三成，tokens 每轮都少一点。
更扎心的是，两家都顺手把我已发文章里的真错挑出来了。开头说最后一节讲局限，后面其实还有一节；写了自己上手 5 条，正文只交代了 4 条。😅
所以对照素材挑错这种活，两家都已经摸到天花板，挑快的用就行。拿一两次对话截图说谁碾压谁，我现在是不太信了。
想真比出高低，得换成不埋错的开放式审稿，直接审还没发的稿子。
用 Claude 做性能优化，为什么很多人越改越臃肿？全怪大家一上来就爱让 AI“加个缓存”
刚看到一套专治慢代码的狠人指令：逼 Claude 按面向数据（DOD）重写，把哈希表拍平成数组、用索引高位塞常用数据，把 AoS 改成 SoA
最绝的是这一句，直接删光所有缓存，因为缓存只是在给慢设计找借口
加缓存就像厨房乱成一团不去归置，反而在手边瞎塞塑料筐；真正的底层压榨，是把货架彻底重排。不是靠打补丁掩盖迟钝，而是逼着代码顺着硬件的脾气狂奔
把这四句狠话存进提示词库，下次直接开刀
some things I often say to claude when doing perf optimization work:
> how do we rewrite this to better leverage data-oriented design principles
> can you replace those hash tables with a flat array? can we make the pointers an index into the array? can we pack the most commonly used data into upper bits of the index?
> caching is cope for a slow design. do not add caches and delete all existing caches. instead, redesign it to be faster
> should this be a structure of arrays instead of an array of structures?
刚刷到 @kimmonismus 曝出的猛料，Claude Opus 5.6 要带着 Mythos 和 Fable 5.5 一起来了。
对，你没看错，这次不仅 SWE 跑分飙到 90%、RiemannBench 干到 81%、AA 指数拿下 61，价格还直接砍了 20%。
为什么一直端着架子的 Anthropic 突然转性了？我想了很久，最戳我的还不是跑分，而是它终于肯放宽额度，改掉那股爱挑刺的机械味了。
你可以这么理解，这就像全城手艺最好、却总爱给客人甩脸色的私房菜馆，终于决定降价加量、好好说话了。这就是被市场逼出来的傲慢纠偏，不是大厂突然变慈悲了，而是再端着架子真留不住客了。
等它上线第一时间拿代码试菜
Anthropic may be preparing a major Claude upgrade.
A leak from @kimmonismus reports Claude Opus 5.6 is coming with Mythos and Fable 5.5.
The leaked numbers:
-61 on the AA Index
-90% on SWE
-81% on RiemannBench
-20% cheaper
The new model is also said to be less robotic, less picky, and more natural to talk to with higher usage limits
开会录音转文字，号码、地址都记对了，偏偏人名写错。
我用蚂蚁 Ming-3.0 的两个模型测了一段 22 秒的口述，里面 7 个细节：时间、两个人名、电话、QQ 号、地址、会议室。
直接转，asr-tiny 和 audio-flash 都是 7 个对 5 个。错的两处一模一样，陈梓萱写成陈子轩，许博文写成徐博文。梓萱和子轩念出来一模一样，许和徐也只差一个声调，我猜它是挑了更常见的写法。
转之前先把名字给它。asr-tiny 的热词框我填了两个人名，加上路名和会议室名；audio-flash 就在提示里写一句，这段录音里可能出现陈梓萱、许博文。这样两个模型都是 7 个全对。
所以我现在就一个习惯：参会人名单提前给，转完自己扫一眼人名。
热词怎么填、提示怎么写，还有我念的那段稿子，都在这篇里。我只测了同一段录音，你可以拿自己的声音念一遍试试。
刷到一份 Claude Code 的 CLAUDE.md 模板，拿去跟自己的规则逐条对了一遍，最后一条都没加。
模板写得挺全，被纠正就记进 lessons.md，没证明能跑不准说做完，长任务先列清单，改动越小越好。
这几条我早就有，只是换了个说法，比如别的 Agent 说做完了不算，我得自己看过改动、跑过检查才认。
有意思的是剩下三条，跟我的规矩正好反着。
模板要开工前先确认计划，我的写法是不需要我拍板的步骤直接往下做，只有缺我不行，或者要删东西、做不可逆的操作，才停下来问。
模板让 AI 多派子 Agent，我是几十个文件以上的审查才拆，只读取证的还指定用 Sonnet。
模板说收到 bug 直接修，我让它按多常发生、多严重各打 1 到 10 分，乘起来不到 5 的只记下来，不动手。
谁对谁错不好说，两份规则是给两种人写的。一份默认你坐在电脑前，随时能点确认。一份默认我经常在手机上远程看，不想被打断，也不想为小毛病多烧一轮 token。
所以别人的模板别整段贴进去，先拿自己的规则对一遍，重复的跳过，冲突的那几条才值得停下来想清楚，你要的到底是哪种干活方式。
这两天 AI 圈发生了一件特别打脸的事，但整个行业几乎都在装哑巴：一个只有 1.09 亿参数的小模型，在对真实世界的理解上，居然硬生生干翻了 720 亿参数的巨无霸。
对，你没看错，体型足足小了 660 倍。
这几年的大厂全都魔怔了一样，信奉“大力出奇迹”。大家从 2024 年起就默认了一套逻辑：只要往死里堆显卡、喂够海量的文字和图片，模型变大之后自然就懂世界了。
只有 Yann LeCun 一直梗着脖子唱反调，说光靠堆规模根本没戏。因为跟 Meta 赌的方向完全相反，他去年 11 月干脆拍拍屁股走人，跑去巴黎自己拉队伍单干。
结果就在上周四，他联手 Randall Balestriero 直接把实锤证据甩在了所有人脸上。
你说凭什么？硅谷烧了上千亿美金的算力信仰，怎么就被一个几百倍小的模型给掀了桌子？
给不太了解底层训练逻辑的朋友拆解一下这组数字有多吓人。
不是小一两倍，是整整小了 660 倍。而且为了达到同样的理解深度，新方法只喂了 2160 万个样本就通关了，而现在全世界所有聊天机器人都在用的“预测下一个词”，足足吞了 9 亿个样本才勉强追上。
这还没完。为什么算力堆成山，效率反而被按在地上摩擦？
你以为是之前喂的数据还不够多，其实从根子上就喂错了东西，这就是我常说的盲人摸象式暴力。
你可以这么理解，这就好比教一个小孩认识什么是“苹果”。LeCun 验证的法子，是一手拿张苹果的照片，一手拿着描述这张照片的句子，把“同一件事的两种视角”绑在一起给他看，小孩看几眼就彻底通透了。
而现在主流大模型干的事，是从同一篇长文章里随便抠出两段话，逼着它顺着上句猜下句。
那两段话根本不是同一件事的不同切面，硬凑在一起死记硬背，不仅学得极其缓慢，还贼烧钱。
不是模型的脑容量不够大，而是死记硬背的文字接龙永远拼不出真实的世界。
这种顶级科学家的路线之争，咱们看个热闹也就算了。
但有个事吧，我翻来覆去还是想多说两句。就是“方向比蛮力重要”这件事，到底给我们敲了什么警钟。
因为我自己每天都在高强度用各种大模型写代码、理逻辑，经常遇到那种参数量吓死人、但一碰到真实物理常识就胡说八道的时刻。
无论是巨头训模型还是我们自己折腾项目，绝不迷信盲目堆量的算力迷信。先把底层的配对逻辑跑通，用巧劲去破蛮力的局，至于巴黎那间新实验室接下来还会憋出什么大招，我们一起往下看。
Yann LeCun was right & nobody in this industry wants to say it out loud.
109 million parameters beat 72 billion.
He has spent years saying scale is not the thing that makes a model understand the world. Meta bet the other way. He left in November and started his own lab in Paris.
Last Thursday he published the proof.
The theory everyone has been running on since 2024 is that if you train models big enough, on text, on images, on sound, they all end up with the same picture of reality inside them. Size does it. Nobody ever proved that part.
Randall Balestriero and LeCun proved it. And the proof says size was never doing the work.
What does the work is which two things you show a model together.
A photo and the caption of that photo are two views of one thing. Models trained on pairs like that get there fast.
Two paragraphs pulled from the same document are not two views of one thing. Models trained on those get there slowly and expensively.
Next word prediction is the second kind. That is what every chatbot in the world runs on.
In their tests the first method reached the same understanding after 21.6 million examples. Next word prediction needed 900 million.
And a 109 million parameter text model ended up closer to an image model's view of the world than a 72 billion parameter language model was.
660 times smaller.
刷 YouTube 和 TikTok 久了，我越来越烦它们那套推荐算法。
为什么这些巨头坐拥顶级算力，推出来的东西却越看越让人空虚？
因为它们的底层目标只有一个：把你死死按在屏幕前，让你上瘾。
但现在有人被逼急了，干脆用 Vibe coding 花 2 个小时，自己手搓了一个专属的 YouTube。对，你没看错，只要 2 个小时。
以前用大厂软件就像去吃放满成瘾添加剂的流水线快餐，喂什么你只能咽什么；现在 AI 把定制软件的成本砸到了地板上，每个人都能花一顿饭的工夫，在自己家里搭一个只做健康私房菜的小厨房。
不是我们终于学会了克制欲望，而是 AI 让我们第一次夺回了数字餐桌的菜单权。
与其每天跟成瘾算法斗智斗勇，不如周末也抽两个小时，动手给自己搓个干净的播放器
用 Opus 5.5 的朋友注意：如果你一直默认开超高（xhigh）甚至最高（max），很可能在白白烧额度。
我最近把主力档位换成了高（high），体感差别非常明显：回复快了不少，额度也耐用多了。日常写作、问答、改稿，质量几乎看不出区别。
最高档在设置里直接标注用量达 5 倍或以上，真不建议常开。
我现在的用法：平时用高，遇到复杂推理、长篇分析再临时往上调。
xhigh/max 党可以试一周，对比一下自己的消耗👇
Claude 现在每回你一句话，转头就在后台给这段对话写一份小报告。
Anthropic 在自家 Safeguards 博客上公开了这套机制，叫自我评估。每次 Claude 回完，系统在末尾塞一句你看不见的指令，让它自己判断这段对话有没有滥用嫌疑、属于哪类危害、要不要排给人工复查。这两轮你看不到，也不会带进后面的对话。
以前查滥用得另外请保安，再派一个模型把整段对话和一大摞政策从头读一遍，贵到没法全量跑。
现在直接让刚聊完的那个 Claude 自己表态，对话还热乎乎地躺在缓存里，平均多吐十来个 token 就完事，官方估算总算力只多花不到 2%。
在 1% 误报的前提下，重型审查模型标出来的对话它能抓到 78%，高优先级的抓到 94%。
六月上线到现在，战绩已经有点吓人。八月有一个 API 客户被它标了十万多次儿童性剥削内容，已经移交美国的 NCMEC；有人拿 Claude Code 搭了一整套自动化情感诈骗，相关账号直接被封。它揪出来的组织里，一半以上在之前一个月没被任何其他系统标记过。
这东西当拦截器其实很弱，红队测试里攻击成功率只从 79% 降到 54%。但它压根不拦你，只在后台默默记账，24 个攻击任务里有 21 个被它标过至少一次，攻击者当场收不到任何信号，等封号通知到了早就晚了。
这就像商场保安不再站门口拦人，改成收银员一边笑着给你扫码，一边在小票背面写备注，你拎着袋子出门都不知道。
以前大家担心模型越聪明越难管，Anthropic 这次反手把它变成了卖点，模型越聪明，告状越准。
博客里拿四个不同大小的模型做对比，最小的只抓到 16% 左右，最大的到了 96% 左右。外挂的过滤器估计还得留着，但最大的那双眼睛，恐怕要慢慢长到模型自己身上了。
safeguards.anthropic.com/202…
We’ve trained Claude to flag potential misuse in conversations, a technique we call self-assessment. Right after it responds, Claude gives a preliminary safety assessment of the conversation.
Since we began using self-assessment in June, it has surfaced misuse that our other safeguards weren’t designed to catch.
Because Claude has already read the conversation, self-assessment is very efficient. And unlike classifiers, which target a discrete set of harms, it draws on Claude’s own judgment, so it gets more accurate as our models improve.
Read more on our new Safeguards blog:
safeguards.anthropic.com/202…
刚看到，抖音上面一位兄弟分享的
Claude封号逻辑:你只要跑得比身边人快CC的风控机器人其实不扫你的聊天记录，数据量太大扫不过来。
它看的是本机客户端根据你的使用习惯生成的181个独立指纹，存进数据库后再扫，异常的先拉监控名单，再异常才会封号。
对抗思路就像熊追两个人，你不用跑得比熊快，只要比身边的人快;做一个普通用户，要封你就得把同等特征的人全封掉，Claude不敢
Herdr 现在有了桌面版。装上以后，你可以一直待在 Claude Code 里，让 Opus 5.5 当总指挥，通过 Herdr 在后台管最多 10 个“工人”：Claude Code 负责写代码，Codex 用 Astra 模型负责挑刺审代码，Herdr 桌面版里还能看到所有工人的状态面板。
Claude Code users, if you didn’t know, Herdr now has its 𝗼𝘄𝗻 𝗱𝗲𝘀𝗸𝘁𝗼𝗽 𝗮𝗽𝗽.
Install it, and Opus 5.5 can coordinate 𝘂𝗽 𝘁𝗼 𝟭𝟬 𝘄𝗼𝗿𝗸𝗲𝗿𝘀 through Herdr: Claude Code writes the code, nitpick-obsessed Codex Astra reviews it, and the app comes with a perfect dashboard built in.
Hand off the heavy implementation work to Claude Code, including polishing your pages’ layout, interactions, and visual details.
Set it up once. Here’s how 👇
1. Open Claude Code and install Herdr and its Skill
Select Opus 5.5 and ask it to run these two commands (Mac):
curl -fsSL releases.herdr.dev/app/insta… | sh
hc --skill
Once installed, have Opus 5.5 confirm that hc works.
𝗬𝗼𝘂 𝗸𝗲𝗲𝗽 𝘄𝗼𝗿𝗸𝗶𝗻𝗴 𝗶𝗻 𝗖𝗹𝗮𝘂𝗱𝗲 𝗖𝗼𝗱𝗲. Herdr manages the workers in the background, so you don’t have to switch interfaces.
2. Have Opus 5.5 finish the setup
Paste this prompt:
“Use the official Herdr docs and the instructions from hc --skill and herdr-app --skill to create a coordination Skill called herdr-desktop. Keep the main conversation in this Claude Code session and use hc to manage background workers. Don’t require me to operate inside a Herdr terminal.
Start separately named background workers for this task, explicitly setting the working directory. Check whether Claude Code CLI and Codex CLI are installed. If either is missing, install it. If authentication is needed, ask me to sign in.
After authentication, start one Codex worker using Astra, with reasoning effort explicitly set to xhigh. Give it a read-only task: inspect the project and explain its main entry points. Run Codex with --no-daemon and allow network access in its sandbox, or it can’t reach hc. The first time it starts in a new folder, it asks whether to trust that folder. If it gets stuck there, tell me. Wait for it to finish and read back its actual response to confirm that task dispatch and result retrieval work. If the model or configuration is unavailable, tell me. Don’t silently substitute another.
When the Herdr app is open, put the workers in a space so I can see them in the sidebar.
Save the verified startup, dispatch, wait, and result-reading procedures in the Skill. Don’t modify project code during setup.”
3. Sign in to your Codex account
Opus 5.5 will check Codex’s login status.
If needed, follow the prompts to authenticate with your ChatGPT account.
After that, you keep assigning tasks in Claude Code, while Codex runs in the background using your ChatGPT account’s allowance.
4. Tell Opus 5.5 how to delegate
Paste this prompt:
“From now on, use this workflow:
You are the coordinator.
→ Handle project understanding, planning, task decomposition, integration, and final review. Make the best decision that will elevate all three: the user experience (UX), developer experience (DX), and agent experience (AX) always, without breaking anything.
→ When a task needs substantial implementation, debugging, test fixes, or multi-file changes, delegate it to Claude Code through herdr-desktop. For frontend work, have it refine the layout, visual details, and actual interactions. Give it this rule: Do not design for rare or future cases nobody asked about.
Use Opus 5.5 for Claude Code workers and Astra for Codex workers, both with reasoning effort explicitly set to xhigh.
Briefly explain the division of work, then start independent tasks in parallel. Choose concurrency based on the task, machine load, and available allowance, up to 10 workers. You don’t need to use all 10.
Give each task a clear objective, working directory, necessary context, deliverable, and completion criteria. Use separate worktrees for parallel code changes. You own the integration.
Send follow-up feedback to the original worker whenever possible and continue its existing conversation. Don’t start over every round.
After a worker finishes, inspect the actual changes yourself and run the necessary checks after integration. For page changes, open the browser and check them.
After code changes, hand the review to a Codex worker that didn’t work on the implementation, with this rule: Rate each bug from 1 to 10 on how often it would happen and how bad it would be. If the two scores multiplied are below 5, just file it as an issue and leave the code alone.
Don’t treat a task as finished just because another agent says it is.
At the end, show me the result, what was verified, and any unresolved issues. Release task resources that are no longer needed while preserving the work and records needed to continue.”
A few tips:
1. Save the delegation instructions from step 4 in herdr-desktop too, so you can invoke the Skill at the start of future tasks.
2. Pair the Skill with a clear end goal. For example: “Finish this pricing page, keep it consistent with the existing site, and check the mobile layout and plan switching.”
3. Each account still has its own usage limits. Adjust concurrency to the task and remaining allowance.
4. For long tasks, keep a record of progress, key decisions, and next steps. When switching conversations, check the actual state before continuing.
It works the other way around, too: Codex coordinates, and Claude Code executes. Swap the roles and their corresponding settings.
这两天看到谷歌开源了一款内部工具，叫“大象—金鱼模型”（Elephant-Goldfish Model）。对，你没看错，这不是什么实验室里的玩具，而是谷歌内部几千名工程师每天在生产环境里死磕、用来防 AI 写出垃圾代码的看家底牌。
为什么手握顶级算力的谷歌工程师，反而要给 AI 戴上这么紧的紧箍咒？
我想了很久，答案其实就藏在我们每天的崩溃里：没有护栏的生成速度，不过是在成倍放大你的错误。
你自己用 AI 写项目的时候肯定也遇到过这种烂摊子：功能写到一半，上下文突然塌方了；或者让同一个 AI 既当爹又当妈，自己写完代码自己改作业，最后跑出一堆狗屁不通的破烂。
那谷歌是怎么破局的？他们搞了一套极度反直觉的双脑互搏。
你可以这么理解，这就像在工地上盖楼。以前我们是让一个施工队边画图边砸墙，干着干着就把承重墙给拆了。现在谷歌直接把活儿拆成了两个死对头：一个是记性贼好的“大象”，一个是只有七秒记忆的“金鱼”。
给不太了解这套流程的朋友拆解一下它有多狠。
大象是一个长期运行的会话，它记着所有的架构、意图和每一个细枝末节的决定，但它有一条死规矩—绝对不写一行代码。
在 egm-brainstorm 和 egm-draft 阶段，它只负责盘问你、跟你抬杠，逼着你把问题、备选方案和要改的具体文件全写成一份 Markdown 设计文档。
这还没完，真正离谱的是后面的 egm-review 环节。
文档写好后，系统会拉来一条全新的“金鱼”—也就是一个没有任何历史记忆的新 AI 会话。因为没看过你们前面的讨论，它完全不会继承你们的思维盲区。
第一条金鱼必须把你的设计复述出来，只要它讲错了，说明你写得含糊，直接打回重改；接着好几条金鱼会像充满敌意的考官一样扑上来，专门挑边缘情况、隐藏依赖和逻辑漏洞；最后一条金鱼负责拍板，检查文件路径、数据结构和函数签名是不是全都清清楚楚。
不是等代码烂在锅里再去救火，而是在第一行代码诞生前就把设计彻底骂醒。
说实话，看完这套 Apache 2.0 免费开源的规则，我第一反应是想马上拉下来试试。但有个事吧，我翻来覆去还是想多说两句，就是它眼下很坦诚的两个局限。
一方面它目前还只能在 Antigravity 里跑，其他环境的适配还在路上；另一方面，默认的评审列表里其实没有安全审查，你得自己动手往里塞一条懂安全的“金鱼”。
乱糟糟的说了这么多，有点乱。但我想说的是，哪怕你现在不用它的插件，这套读写隔离的思路也完全可以直接搬进日常工作流里。
以后搞复杂模块，绝不再用一个窗口一撸到底。先开个窗口专门吵架定方案，再开个干净的新窗口冷酷挑刺。先把这套心法用起来，至于它后续怎么适配更多编辑器，我们一起往下看。
Google just open-sourced the plugin thousands of its engineers use every day to stop AI from shipping sloppy code.
It's called the Elephant-Goldfish Model.
No code until the plan survives. No AI grading its own homework. No context collapse halfway through a feature.
The idea is simple and kind of brilliant.
The Elephant is one long-running AI session that remembers everything: the architecture, the intent, every small decision. It writes zero code. It interviews you, argues with you, and keeps the record.
The Goldfish are fresh AI sessions with no memory at all. They never saw your design conversation, so they don't inherit its blind spots.
Here's how it works:
→ egm-brainstorm: you and the Elephant debate options under a strict no-code rule
→ egm-draft: you produce a Markdown design doc with the problem, the plan, the alternatives, and the exact files to change
→ egm-review: one Goldfish has to explain the design back. If it gets it wrong, the doc is ambiguous and goes back for redrafting
→ Then several Goldfish attack it as hostile reviewers hunting edge cases, hidden dependencies and logic gaps
→ A final Goldfish makes the go/no-go call: are file paths, data structures and function signatures all present and unambiguous?
Here's why this matters:
Google's team says AI made coding faster but also sped up slop, bugs and session context collapse. Speed without guardrails just scales your mistakes.
This flips the order. The design gets attacked before a single line exists.
Here's the wildest part:
This isn't a research demo. Google says thousands of Googlers run it daily to ship production code.
The repo ships the Markdown rules, the reviewer personas and the review workflows. Free, Apache 2.0.
The honest trade-off: it only runs inside Antigravity for now, with other environments coming. And security isn't on the default reviewer list. You'd add your own security Goldfish.
github.com/google/elephant-g…
这两天全网都在拿一个数据唱衰谷歌：Alphabet 的搜索收入占比，历史上第一次跌破了总营收的 50%。对，你没看错，很多人一看这数字，立马得出结论说谷歌搜索要被 AI 彻底干趴下了。
你说凭什么？光盯着一个百分比掉下来就喊灾难，难道没人去翻翻它实际进账的钞票变多了还是变少了？
给不太了解财报口径的朋友拆解一下这笔账。
David Sacks 把底牌掀开后我才发现，谷歌搜索的绝对收入非但没缩水，反而同比猛增了 12%，从 560 亿美元直接干到了 630 亿美元。不是少了 70 亿，是净赚多出了整整 70 亿美元。
这还没完，既然搜索还在猛赚，为什么占比会跌破一半？
你以为是搜索这台老引擎熄火了，其实是因为谷歌云（Google Cloud）同比直接翻倍冲到了 370 亿美元，带着 YouTube 和订阅服务一起疯跑。
你可以这么理解，这就好比家里原本只有大儿子一个人挣钱，占了全家收入的八成；今年大儿子又多挣了十万，但二儿子突然开窍创业暴富，把分母一下子撑大了，大儿子的占比自然就掉到了五成以下。这根本不是家道中落，而是谷歌盼了多少年的分母突围。
David Friedberg 还顺手补了几个压箱底的筹码：Alphabet 手里还攥着 6% 的 SpaceX、大约 15% 的 Anthropic，以及 85% 的 Waymo。难怪 Jason 在录节目现场直接掏手机加仓。市场往往会被表面的比例吓破胆，却对正在翻倍的新引擎视而不见。
我想说的是，每次碰到这种满屏都在喊“帝国崩塌”的时刻，我给自己定的规矩是，先别跟着情绪起哄，把分母和分子拆开算算再说
Anthropic 现在拿 Pro 会员简直当白嫖党在防，说实话也是服了。
真金白银交着月费，聊两句就弹窗限流。你说凭什么？这就像办了头等舱的卡，上机却被赶去过道罚站。
这就是妥妥的付费降级：不是算力不够分，而是嫌普通订户不够肥。
看到 Karpathy 今天晒出的日常配置，说实话看到这我也懵了。这位顶级大神写代码既没死磕黑框终端，也没把模型推理火力拉满，而是老老实实用着 Mac 桌面端 Claude Code，把 Opus 5.5 默认调在中等强度（Medium effort）。
为什么大神反而不用满血算力？我想了很久，这就是最真实的算力祛魅。
你可以这么理解，日常搬砖就像市区通勤，开辆视野舒服的家用车、踩半脚油门最顺手，非要开着飞机座舱一样的黑框终端、每脚都把超跑油门踩进油箱里，纯属给自己找罪受。不是把参数拉满才叫极客，而是让工具顺着人的直觉干活。
我的选择是，马上把默认档位调回中等，省心又省钱，咱们一起往下看。
Andrej Karpathy’s setup from his HackerTube blog today:
- “I use Claude Code (desktop app for Mac).”
As I’ve been saying, terminal is the wrong interface for coding agents. Desktop apps are the best interface today.
- “I use Opus 5.5 on Medium effort as my default.”
There’s no point to use the smartest model at the highest reasoning effort for most tasks.
