微博

我曾以为我是这个世界的主角。 修仙世家出身，千年难遇的奇才，名门大派的道子。

为了那个“飞升”的梦，我斩断尘缘，枯坐千年，九死一生抗下雷劫。

当接引仙光落下时，我以为我赢了。

可现在，我站在十万大军的方阵里，像一颗不起眼的尘埃。 看着那个只有几十岁骨龄的猴子，把天捅了个窟窿。

这一刻我才懂： 我的终点，名为“天兵乙”。 而这，仅仅是他的起跑线。

😂😂😂

Google 收购了 Windsurf 后推出了套壳 Antigravity AI IDE，Vibe Coding 生态补齐，完全对标 Anthropic 和 OpenAI，模型方面配合内置 Gemini 3 Pro 和 Nano Banana，无脑写前端，更爽了

链接直达

cf 一炸，全球互联网一半都被炸了吧 😂😂😂

真正的智能，不是让 AI 取代人，而是让人与 AI 各司其职。

在 AI 时代，最宝贵的不是会写代码的人，核心是知道要写什么代码、以及如何写出好代码，这样的人才拥有核心竞争力，才不会被淘汰。

大模型的 80 分危机

大模型在 vibe coding 领域明显表现出的超强起手特征。这种效率提升是革命性的，但瓶颈也随之而来。

它的瓶颈来自于大模型能轻易地将一个项目从 0 分做到 80 分，但从 80 分提升到 95 分以上的生产水准，却异常艰难。

我们会发现它擅长的快速生成基础代码框架、搭建网站原型、编写业务逻辑初稿，它拥有扎实的技术功底，却对业务背景和代码历史一无所知，所以评分却只能到达 80 分，而从 80 分到 95 分+ 是必要人去介入调优，而这一步却困难重重，需要大模型拥有基于现有信息去深入理解业务规则的能力、复杂的边界判定、性能优化、故障预案等，这不仅涉及到对现状的深入理解、还需要庞大的上下文支撑，同时需要人来引导大模型。核心是在于为 AI 提供精确的上下文信息。提供的背景越详实，AI 需要猜测的部分就越少。精确的上下文虽不能保证完全正确的结果，但模糊的上下文必然导致模糊的产出。

新角色：大模型善后工程师 - 人类专家

大模型能秒出框架，但框架之后的那片沼泽地，依然是需要人要去跋涉的。

人类专家的工作就是专门负责处理由大模型生成的 80 分代码，将其打磨至上线的专业标准。本质上，他们是连接大模型快速产出与专业交付标准之间的桥梁，是弥补大模型在处理复杂、高标准项目时能力短板的关键角色，这一定是未来趋势，需要我们去思考：大模型没有淘汰程序员，而是重新定义了开发工作流。80 分危机和大模型善后工程师的出现，正是技术演进过程中的自然调整。

一个隐藏但普遍的严峻问题：当 Agent 需要访问的 MCP 工具数量从几个增长到成百上千时，传统的直接工具调用模式存在效率瓶颈。

Anthropic 提出让模型写并执行代码的 Code Mode 来优化 MCP，将范式从工具调用者转变为代码编写者。大模型相比理解工具调用更理解代码的编写，从而极大节约 token、提高效率并改善隐私控制。

具体实现原理：把 MCP servers 呈现为代码 API（例如 TypeScript 文件树）而不是直接的工具调用接口。Agent 的任务不再是选择工具并填充参数，而是编写代码来完成整个工作流。指令下给模型任务，模型生成代码来调用这些 API，代码在受控（沙箱）执行环境中跑，数据在环境里过滤/聚合后把浓缩/脱敏结果返回给模型。

Cloudflare 也用了类似想法并称其 “Code Mode”。

Chrome 分屏视图布局上线了

魏翔的《时差》太洗脑了，循环播放了

SRE 可观测性领域涉及时序预测学科中（AIOps）传统算法，例如统计学算法、机器学习算法、深度学习算法等，会被大模型取代吗？

过去几年，企业尝试通过 AIOps 平台 实现告警聚合与根因分析，AIOps 停留在“统计智能”阶段，而 Agent 正在迈向“认知智能”阶段。原因是：AIOps 只能告诉你“CPU 异常”，而 Agent 能理解为什么 CPU 异常，以及是否需要立即干预。

当然传统算法仍然无法替代，我们需要快速、低成本、准确响应，传统算法可以解决 80% 的场景，这类场景既然“杀鸡不用牛刀”，也没有必要动用计算开销巨大的大模型来处理这些问题。

当然大模型比传统的异常检测算法的明显优势是多源信息关联、语义理解与因果推理能力，这也是传统算法无法做到的，两者是互补的存在，相辅相成，所以我们需要根据场景来合理利用。

链接直达
AI 时代可观测性的“智”变与“智”控 ｜InfoQ《极客有约》
三大头部互联网企业交锋，AI时代可观测边界出现了吗？

6 周年快乐哦 🌹🌹🌹 @小陈同学