Skip to main content
阅读2,073 字8 分钟阅读

阅读日报 · 2026-10-13

作者

阅读清单

📚 今日阅读清单

2026-10-13 · 共 12 篇


🤖 AI 编程

1. Claude 的承重接缝 / Claude's Load-Bearing Seams

这是一段典型的 Claude"认错改口"式回应:作者承认最初的推理框架方向虽对但太窄,把几个关键约束误当成实现细节,直到对方追问才看清真正起承重作用的"接缝"。文章复盘了教训——先审问框架底下的假设、区分表象与证据支持的结论、让相互竞争的解读保持张力——并指出新的决定性证据改变的是举证责任:旧结论仍可辩护,但必须解释接缝,而不是绕开它。

🔗 查看原文 — madradavid.com

2. 如何搭建好用的 Evals,不迷失也不踩坑 / How to Build Good Evals Without Getting Lost or in Trouble

把 evals 当作保存过往工作、再用新模型或 prompt 重放的手段,能帮你定位失败、持续优化、迁移到更便宜的模型。衡量“有没有进步”占 90% 的工作量,基础设施只需把任务指令和文件状态存进 Cloudflare R2,用 Docker 沙箱跑,并 mock 掉外部工具。评分分人评、模型评、代码评三种:先让领域专家在熟悉的工作流里给反馈,再训出与人工判断吻合度 90% 的 AI 裁判,就能大规模跑 A/B 测试,自动优化 prompt/skill。

🔗 查看原文 — x.com

3. 超级智能时代的模型内部威胁 / Models as Insider Risks in the Super Intelligence Era

前沿模型的能力已超过传统软件,但我们无法像追踪代码路径那样解释模型的行为与输出,却已让它们接触最敏感的数据、代为执行关键操作。作者主张把智能的供给与对它的授权分开:用模型之外的确定性控制来约束非确定性模型,坚持 CoT 透明、全面观测、独立验证和遏制机制,把前沿模型当作内部威胁来设防。最可信的系统不是用了最可信模型的那套,而是能让人对模型信任得最少的那套。

🔗 查看原文 — x.com

4. 淘宝天猫海外技术的 AI Native 研发范式升级实践与思考 / AI-Native R&D Paradigm Upgrade at Taobao & Tmall Overseas Technology

淘海外技术团队把研发范式从“人驱动”重构为“AI 执行 + 人决策”:以钉群为统一工作界面,AI 分身接力完成需求澄清、方案设计、编码交付到数据分析,真人只在 PRD 确认、测试验收、终验三个卡点把关。核心判断是 AI 生码率(已超 85%)与端到端交付效率之间存在鸿沟——编码只占需求全生命周期约 20%,真正的瓶颈在业产技串行流转,提效杠杆不在单环节提速,而在协同模式从串行转向并行。团队已在供给、支付、营销三个域验证,小需求实现群内闭环交付、研发估时降低 50%,下一步把 L3 能力扩展到中大型需求,衡量口径也从 AI 生码率转向端到端交付周期。

🔗 查看原文 — mp.weixin.qq.com


🛠️ 工程方法

5. 软件博客中的反模式 / Anti-Patterns in Software Blogging

本文整理了软件博客写作中常见的反模式:开头绕来绕去、默认读者懂的和你一样多、用链接代替解释、把文章写成上一篇的续集、语气过度正式,以及移动端页面溢出、字体难读等渲染问题。核心结论是尽早让读者看到继续读下去的理由,把术语当场讲清楚,让文章不点链接也能读完,并且用日常说话的方式写作。发布前记得用浏览器的移动端视图检查排版。

🔗 查看原文 — refactoringenglish.com

6. AI SDLC 转型实战手册 / The AI SDLC Transformation Playbook

Atlassian 的 AI SDLC 转型手册。编码正从同步、单线程变成异步、多线程,瓶颈随之转移到代码前后的环节——规划、设计、评审、维护,以及团队协作。企业需要同时投入两项平台基础(上下文图谱与度量),并把传统流程切换为 AI 原生工作方式。核心是五个动作:以连通的上下文为根基、尽早建立度量、选一个流程做深、把判断与问责留给人、更新运营模式而非只换工具。

🔗 查看原文 — atlassian.com

7. 无人告诉我的两个 git ignore 文件 / Two Git Ignore Files Nobody Told Me About

Git 读取忽略规则的地方其实有三个:.gitignore、.git/info/exclude 和全局 excludes 文件,语法完全相同。.gitignore 会提交进仓库、对所有人生效;后两个不会被提交,只影响本地。把私人草稿、agent 计划这类文件放进 .git/info/exclude,工作区立刻干净,也不用暴露给团队。

🔗 查看原文 — mihai.dinculescu.dev

8. 别只盯着 AI Coding,真正的变化发生在整个研发流程 / The Real Shift Isn't AI Coding — It's the Entire R&D Process

腾讯 OK 平台主张用零基思维重建研发流程:追问每个环节是因人的局限而存在,还是问题本身需要它。平台把需求评审→仓库匹配→技术方案→编码→Code Review→部署串成九阶段全链路,安全中心 4~6 月 254 条需求中 172 条(68%)由 AI 端到端完成,51% 在两小时内交付。文章给出三道质量门(访谈式需求评审、按依赖图排序的技术方案、三条编码纪律)、“改善即批准”的审查标准,以及靠前置强注入和知识蒸馏运转的知识飞轮。结论是个人提效只带来加法效应,组织提效的关键在消除角色间的等待与返工,这是乘数效应。

🔗 查看原文 — mp.weixin.qq.com


📦 产品与设计

9. 培养品味 / Developing Taste

软件和汽车一样,“能用”早已不是卖点,产品靠品牌、设计和整体体验取胜,背后是品味。品味不是个人偏好,而是练出来的直觉:接触最好的作品、想清楚自己为什么喜欢、动手创作并接受反馈,三条路练成它。起步阶段作品不好很正常,说明眼力已先于手上功夫,坚持下去手会跟上眼。

🔗 查看原文 — emilkowal.ski

10. 品味正在吞噬硅谷 / Taste Is Eating Silicon Valley

软件被商品化后,技术不再构成护城河,品味成为新的竞争武器。作者认为,在 AI 功能趋同、人人都能创造任何东西的时代,产品的外观、手感、价值观与文化共鸣决定了它能否被采用、被分发。结论是:最好的创始人将成为品味引领者,最好的风险投资人是品味的裁决者。

🔗 查看原文 — workingtheorys.com


🌱 职场与个人成长

11. 如果 AI 几乎能解决一切,我们该教孩子什么 / If AI Can Solve Almost Everything, What Should We Teach Our Children

当 AI 几乎能解决一切时,孩子该学什么?作者认为教育不该只教解决问题,而要把重点移到过程两端:判断什么值得追求,以及为现实后果负责。他把这称为 Human Agency——我选择、我负责、故我在。关键在于培养提问、判断、决策和担当的能力,而不只是积累技能。

🔗 查看原文 — x.com

12. Ken Arneson:不直接说重点的价值 / The Value of Not Getting to the Point

作者一直以为交谈的目的就是交谈本身,直到女儿想找他聊心事,却因他追问“聊什么”而恼火,他才明白:人需要闲扯、喝咖啡这类仪式先热身,才能放心谈论敏感话题。语言本身并不精确,开口意味着暴露脆弱,文化仪式正是为了在信任中化解这份脆弱。作者由此推想,Twitter 的 140 字符格式逼人直奔主题,抽走了这些仪式,或许正是线上交谈乱象丛生的根源。

🔗 查看原文 — ken.arneson.name

Will lao

作者

Will lao

Coder, traveler, photographer.

标签#reading