跳到正文

#编码

今日 0 条
11月19日周四
11月3日周二
  1. TechCrunch · AI36

    Y Combinator CEO Garry Tan 每年花 10 万至 20 万美元买 token 跑 AI 智能体

    Y Combinator CEO Garry Tan 在播客 The Builders 中透露,他每年在 token 上花费约 10 万至 20 万美元,用于大量工作项目和编码任务。他在 GitHub 上公开了 23 个 Claude Code 技能(gstack),其智能体可读取他的邮件、Dropbox 和 Apple Notes。他认为个人 AI 智能体要走向主流,成本必须降下来。

11月2日周一
  1. MIT Technology Review · AI22

    别再数 token 了,该数交付了多少软件

    面向 AI 编程智能体的按 token 计费模式正让高价值工作流变成最贵的一环,Uber 据称在 4 月就耗尽全年 AI 预算,GitHub Copilot 也从固定费率转向按量计费。文章主张改用「每个已合并 PR 的成本」衡量投入产出,并搭配返工与缺陷指标。HPE 称其混合 AI 平台将 150 多个内部应用的常规负载路由到本地开源权重模型,token 成本下降 30% 至 50%。

10月30日周五
10月28日周三
10月24日周六
  1. The Verge · AI42

    AI 工具加速复古游戏反编译移植,社区生态遭冲击

    AI 编程工具正大幅缩短复古游戏反编译与重编译周期,催生大量非官方移植项目,如浏览器版《Halo》、iPhone 版《Wind Waker》。一位 AI 顾问借助现有社区反编译成果,数周内同时推进十余个项目。但 AI 驱动的快速移植也引发社区分裂,一个追踪反编译项目的社区网站上周因 AI 冲击突然关停,其运营者称社区协作机制已被破坏。

10月20日周二
  1. Simon Willison20

    Simon Willison 谈编程智能体对职业程序员的意义流失

    Simon Willison 撰文回应 Jeremy Scheff 的观点:编程智能体让职业程序员失去了"解谜"的乐趣。Scheff 指出,程序员曾靠解决逻辑难题获得高薪,并掌握策略、时间线和可行性定义权;如今 LLM 让直接解题不再是专属能力。Willison 认为,若享受的是构建可用系统本身,LLM 是持续馈赠;若享受的是亲手解题,这种损失真实存在。

10月17日周六
  1. Simon Willison40

    Addy Osmani 等谈 Claude Code 团队如何做代码审查

    Addy Osmani、Morgan Westlee Lunt 和 Qing Wang 认为,"人是否读过代码"是判断变更风险的粗略代理指标,更该问的是哪道检查(自动或人工)能抓住问题。在 Claude Code 团队,审查从合并前的最后关卡变成持续进行,多数改动在人工查看前已由 Claude 至少审查并修复过一次,从而把团队注意力留给更高层的问题。

10月13日周二
10月12日周一
  1. The Decoder62

    Karpathy 称外界只看到 AI 能力的预览,将 LLM 用户分为四个层级

    Anthropic 的 Andrej Karpathy 称外界只看到了 AI 实际能力的预览,并把大语言模型用户分为四个层级。约 60 亿人几乎没接触过 LLM,10 至 20 亿人是免费产品的普通用户,约 2000 万数学和编程领域的专业用户已看到智能体完成过去需数周数月的项目,而约 5000 人可接触内部前沿系统,看到数千智能体协作数周、挖掘零日漏洞和推进数学前沿。

9月28日周一
9月25日周五
9月21日周一
  1. Simon Willison50

    工程师爆料:大公司里从 L1 到 L7 全靠 Claude Code 写代码

    一名新入职大公司的工程师称,团队里的规格、代码、测试、PRD、工单及其处理、报告等全部由 Claude Code 生成,从 L1 到 L7 的工程师都在做同一件事——和 Claude 对话。没人读这些产出,团队里没人喜欢这种方式,却被要求尽可能多地产出,高层多次表示推代码不是瓶颈、质疑为何还慢,有人每天工作 12 到 13 小时只为按回车。

9月18日周五
  1. GitHub Blog · AI & ML22

    GitHub Podcast 拆解 AI 热门观点:该不该读 AI 生成的代码、RAG 是否已死、Skills 是否杀死了 MCP

    GitHub Podcast 最新一期拆解了五个 AI 热门观点:AI 生成的代码仍需阅读和负责,只是审查力度应按风险分级;Skills 与 MCP 解决不同问题,前者是打包的团队经验,后者是连接工具与数据的标准,可组合使用;RAG 并未消亡,它让模型基于训练数据外的文档、内部知识和代码库上下文作答,避免浪费 token 并减少不完整回答。