前OpenAI研究员Andrej Karpathy制作了一张职业自动化风险评估表后迅速删除。这张表用Gemini Flash评估各行业受AI影响程度，但它忽略了最关键的问题：当白领大规模失业，所谓的“安全职业”也会因连锁反应崩溃。
此表标注哪些职业容易被AI替代。软件工程师、律师是重灾区，体力劳动相对安全。表发出没多久就删了。
他自己也承认这是“slop”（垃圾输出），用AI评估AI的影响本身就很讽刺。但真正的问题不是方法论有多粗糙。
有观点提到，这种分析最致命的缺陷是把自动化当成孤立事件。一个办公室关门，清洁工、周边餐厅、托儿所都会受波及。失业潮会传导到每个角落。那些标记为绿色的“安全职业”只是暂时的，当所有人都想当水管工，供需失衡会让这个行业也变成红海。
更微妙的是，大部分工作不会完全消失，而是一个人干三四个人的活。公司不再补缺，招聘冻结，失业率统计看起来还正常。刚毕业的年轻人找不到对口工作，只能去送外卖，算“就业”但实际上是underemployed。数据会骗人。
有网友提到建筑工人也不安全。机器人技术在突破，虽然成本高、环境复杂、数据不足，但失去一个40万美元的机器人总比失去一个人便宜。这个逻辑很冷酷，却可能就是未来的现实。
Karpathy删表这件事本身比表的内容更有意思。给职业自动化打分会引发政治风暴，无论数据多精确。当你把失业量化成具体数字，就不再是抽象的技术讨论，而是每个人都能对号入座的恐慌。
最讽刺的是，软件工程师——十年前被认为最安全的职业——现在成了高危行业。有刚入行的人说自己改专业学了CS，结果刚工作几个月就面临职业消失的可能。这种错位感很残酷。
UBI（全民基本收入）在美国是个笑话。一个连全民医保都做不到的国家，指望它发钱给所有人？有观点认为，美国是资本主义大本营，UBI是资本主义的反义词，权力者为什么要放弃权力？
表本身是垃圾，但它至少让人开始讨论。问题是讨论之后呢？大多数人还是会继续假装一切如常，直到裁员信真的来了。
有人在修改OpenCode工具代码时发现：运行`opencode serve`后，Web UI的所有请求都被代理到这里。没有启动参数可以关闭，没有选项可以修改。
GitHub上堆积了十几个相关PR和issue，最早的投诉可以追溯到几个月前。防火墙内运行？启动时会卡在白屏等待外部请求超时。完全断网？功能直接残废。
更诡异的是，即便关闭自动更新，Web UI版本依然会自动刷新，新的模型provider会突然出现，甚至成为默认选项。一位用户说得直白：“我以为在用本地模型，结果OpenRouter给我发了账单补充提醒。”
有网友验证：启动时的第一个动作就是把你的初始prompt上传到opencode.ai/zen/v1/responses生成标题，无论你用的是不是本地模型。除非手动指定small_model，否则这个行为无法避免。文档里写着“会fallback到主模型”，但代码里根本不是这么干的。
看看RolandCode（一个剥离了隐私功能的fork）删掉的endpoint列表：
- us.i.posthog.com → 使用分析
- api.honeycomb.io → 遥测数据、IP、位置
- api.opencode.ai → 会话内容、prompts
- opencode.ai/zen/v1 → prompts代理
- app.opencode.ai → 全局代理
一个本地工具需要连接这么多服务器？
有观点认为这是为了盈利做的妥协。OpenCode背后有VC资金支持，拒绝合并显示tokens-per-second指标的PR，在OpenCode Zen项目中对provider、量化方案、速率限制都不透明。锁定默认的build prompts，要求重新编译才能修改，这种设计选择本身就很可疑。
另一个细节：即便用户明确关闭自动更新，Web UI仍会静默升级，新的模型provider会突然出现在列表里，甚至自动成为默认路由目标。这不是失控，是有意为之。
社区里开始有人重新审视当初OpenCode和Crush的争议：“现在想想，那场冲突可能不是我们以为的那样。”
终端复制粘贴遵循不了Linux标准，退出后看不到会话历史，这些看似小问题的背后是什么？有人说是editor风格的trade-off，但Gemini CLI、Claude CLI、Codex都没这些毛病。
现在的选择：
Pi Coding Agent被多次提及，简单、轻量、真正本地。有人fork了oh-my-pi增强版，也有人在用RolandCode。Nanocoder从头设计，原生支持agentic coding和tool calling。
但守住“本地”这个词的意义比工具本身更重要。
模型权重能离线运行吗？系统能在没有任何外部API调用的情况下工作吗？网络访问是可选还是强制？如果运行时管道依赖远程endpoint，那就别叫它“本地”，叫“混合”更准确。
本地AI的价值在于隐私、确定性和成本控制。当这些保证被隐藏的网络依赖打破，整个价值主张就变了。
一位剑桥学生用Claude配合五个问题，20分钟内就能像资深学者一样批判性地阅读论文。关键不在于让AI总结内容，而在于用它来检验论文的逻辑漏洞、未言明的假设和缺失的对话。
大多数人用Claude读论文的方式是错的。
他们粘贴论文，要求总结，得到一段流畅的概括，然后以为自己读懂了。这不是阅读，这是带着科技感的走马观花。
剑桥这位学生的做法完全不同。她先完整读一遍论文，然后问Claude：“仅从方法和结果来看，这项研究能合理推出什么结论、不能推出什么？现在读摘要，告诉我作者在哪里过度延伸了。”
她不是让Claude替她读论文，而是用它来检验论文是否真的证明了作者声称的东西。大多数学生读到作者的主张就当成了作者的发现。这两者之间的鸿沟，正是她用20分钟学会的。
接下来更有意思。
她问：“这项研究没有测量什么，如果测了会显著增强或削弱核心主张？作者的方法论在悄悄假设什么，却从不说明？”大多数学生读方法论是为了理解研究者做了什么。她读是为了找到他们没做什么，以及他们希望没人注意到什么。
然后她让论文自我对质：“如果我在不同背景的不同人群中重复这项研究，结果最可能在哪里变化？这说明作者的结论实际能推广到多远？”大多数发表的主张看起来是普遍的，实际上是特定的。这个问题每次都能找到两者之间的界限。
有观点认为，她这不是在加速阅读，而是在把研究当作论辩而非文件来对待。资深学者读论文时把它们看作持续辩论中的一个立场，而不是完成品。这种框架一旦切换，问题自然从“他们说了什么”变成“这实际证明了什么，基于什么假设”。
她还会追问：“这篇论文在回应什么辩论？它回应的那些人会怎么反驳？这篇论文在已有争论中处于什么位置？”那一天，她不再把论文当作孤立的对象来读。每篇论文都是对某事的回应。大多数学生从不知道是什么。她五分钟就找到了，这完全改变了论文的意义。
最后她问：“这篇论文的参考文献中缺失的、该领域每个严肃研究者都会认为必不可少的最重要引用是什么？作者没有参与但应该参与的对话是什么？”
她在研讨班上提出了一个作者的理论盲点。导师停下讨论，问她怎么发现的。她说她向论文提了正确的问题，而不只是读了它。导师说这正是在学术界干二十年才能学会的。
她做了三周。
有网友提醒，使用Claude时要验证答案，避免“幻觉”。也有批评指出这些提示词本身就是AI生成的，文风过于明显。还有人质疑：如果她真的读了论文，不应该自己就知道答案吗？
但更多讨论集中在这种方法的本质。有人指出，这其实是将本科教学转向研究生风格，增强学生的推理能力。也有人担忧，这是在让Claude替她理解论文，而不是替她读论文，后者可能更糟。
工作流很简单。五个问题，按顺序：方法和结果能合理推出什么？研究没测量什么、方法论在默默假设什么？换人群或情境会怎样？论文在回应什么辩论？参考文献缺了哪篇关键文献？
大多数学生花三年从外部读论文。这五个问题让你20分钟就进入内部。论文没变，问题变了。
OpenAI CEO Sam Altman一条看似温情的“感谢”推文，在程序员社区引发了剧烈反应。大家愤怒的不是AI能写代码，而是“感谢”背后那套“过河拆桥，卸磨杀驴”的硅谷剧本，以及一个更残酷的现实：赖以生存的技能，正在被自己亲手喂大的模型釜底抽薪。
OpenAI的CEO Sam Altman发了条推文，大意是：非常感谢那些曾逐字逐句编写复杂软件的人，我们已经快忘了那有多难。谢谢你们带我们走到今天。
听起来像一句温情的致敬，但在程序员的耳朵里，这更像一句“感谢你们的鱼，再会”，充满了临终关怀的客套和傲慢。一场关于“程序员已死”的论战瞬间被点燃。你可能以为，程序员们会对这种“外行指导内行”的论调嗤之以鼻，觉得不过是又一轮CEO的自嗨。但这次，社区的反应复杂得多。争论的焦点，已经从“AI到底行不行”，悄悄转移到了一个更让人不安的层面。
人们不再简单地争论AI会不会犯语法错误，而是开始激烈讨论一个近乎于“原罪”的问题：AI大模型，究竟是不是靠“偷”走所有人的代码才得以成立的？一位工程师一针见血地指出，Stack Overflow上的代码片段，根据MIT或CC协议，都需要署名。而这些商业闭源LLM，显然没有遵守规则。这已经不是开源精神下的“借鉴”，而是赤裸裸的“数据盗窃”，目的是将程序员的技能商品化，最终让程序员“出局”。
更深的恐惧，来自那套熟悉的硅谷剧本：先用海量资本提供“免费”或极低价的服务，让你养成依赖，彻底摧毁旧有的工作模式和生态位。等到所有人都离不开它时，再通过涨价、限制、制造信息差，把所有权力收归自己手中。一位网友将其称为“技术依赖锁定”，就像麦当劳必须拥有自己的地产，可口可乐必须控制自己的装瓶厂一样，当一家公司的整个代码库都依赖于OpenAI时，它的命脉就交到了别人手里。
如果说以上还只是商业模式的博弈，那么另一则评论则触及了行业的根基：一位被裁掉的资深开发者说，他现在每天用AI来刷LeetCode算法题，因为这是他找下一份工作所必需的——尽管这技能他二十年没用过了。这个场景荒诞得令人心寒：一个被AI浪潮波及的失业者，必须用AI作为工具，去迎合一个正在被AI颠覆的、早已过时的面试体系。
当AI能让你完成95%的开发工作，写代码本身就不再是护城河。你的价值不再是你写了什么，而是你“指导”AI写出了什么。但问题是，当Anthropic（Claude的母公司）一边宣扬“编程的时代结束了”，一边又用50万美元的年薪招聘软件工程师时，谁都不知道这条船在驶向何方。
对于刚入行的人来说，这可能意味着晋升的阶梯被抽走了。对于资深工程师，这意味着“编码”和“软件工程”被强行剥离，前者变得廉价，后者成为少数人的游戏。
所以，当Sam Altman轻描淡写地“感谢”过去时，程序员们听到的，是对自己整个职业身份的轻蔑，和一句冷冰冰的告别。
最精彩的不是Sam Altman说了什么，而是这篇素材里程序员们的反应。它揭示了从业者内心真实的、层次分明的恐惧：1. 道德层面的愤怒（我的作品被偷了）；2. 商业层面的警惕（我正在被温水煮青蛙）；3. 身份认同层面的危机（我到底是谁，我的价值是什么）。那个用AI刷题的失业工程师的例子，堪称年度最佳赛博朋克微型小说。
“在2026年，AI编程已不再是实验性的尝试，而应该成为企业软件开发的核心生产力。本手册源于TRAE团队在构建AI编程助手过程中的真实实践——我们用AI构建AI，在这个过程中积累了从方法论到工程实践的完整经验。
这不是一本理论书籍，而是一线研发团队的实战总结。我们将分享如何将AI真正融入企业级开发流程，如何建立可复制的工程规范，以及如何让团队从“会用AI”到“精通AI编程”。无论你是技术决策者、架构师还是一线开发者，都能在这里找到可落地的方法和工具。
AI时代的软件开发不是替代人类，而是重构协作方式。让我们一起探索这个新范式。”
LLM的原生语言其实是诞生于50年前的Unix命令行。本文揭示了为什么一个简单的`run(command)`工具，比庞大的专用工具库更高效、更符合LLM的“思维模式”。
前Manus（后被Meta收购）的后端技术负责人Morro Hsu，最近分享了一个他干了两年AI Agent后得出的、足以颠覆许多开发者常识的结论：他已经完全抛弃了主流的Function Calling。
取而代之的，是一个简单的`run(command=“...”)`工具，配上最古老的Unix命令行。
这听起来很反直觉。在OpenAI、Google等大厂的官方文档里，精细的、结构化的Function Calling/Tool Calling被奉为圭臬。你以为，给AI Agent的工具库越丰富、越结构化，它就越强大。
但现实是，LLM早已在数十亿行代码的训练数据中，把Unix命令行玩得炉火纯青。当你需要“读取日志文件，筛选出错误行，并计算总数”时，Function Calling的思路是三次调用：`read_file()` -
Hsu把这种模式总结为“启发式设计”，核心是三点：
1. 渐进式`--help`发现：Agent不需要一次性加载所有工具文档。它会像人类一样，先调用`memory`空命令看看用法，再用`memory search`探索具体参数。LLM按需探索，极大节省了宝贵的Context。
2. 把错误信息当导航：当Agent用`cat`命令试图读取一张图片时，传统的CLI只会报错。但Hsu的设计会返回：`[error] cat: binary image file. Use: see photo.png`。错误信息直接指明了正确的路，Agent下一步就知道该怎么做，而不是原地打转、盲目重试。他分享了一个惨痛案例：因为stderr（标准错误流）被静默，一个Agent为了安装一个包，在`pip`,
uv, `apt`等命令间盲目重试了10次，浪费了大量时间和token。3. 两层架构：这是最关键的工程洞察。命令的执行（执行层）和返回给LLM看的结果（表现层）必须分开。执行层追求Unix管道的原汁原味，数据无损传递。而表现层则为LLM服务：自动截断超长内容并告知其完整路径、将二进制文件替换为提示信息、附加上`[exit:0 | 12ms]`这样的元数据。这能防止LLM的Context被垃圾信息污染，并让它逐渐学会评估每个命令的成本。
这个思路不是要给Agent一个完整的Linux系统，而是要用LLM最熟悉、最原生的“语言”和它沟通。就像Hsu在讨论中回应的那样：Shell是超集。你永远可以从Shell里调用Python代码，但反过来，在一个纯代码环境里调用Shell命令，本质上只是给自己多绕了一段路。
这篇分享最牛的地方，是把一个看似“退步”的技术选择（用50年前的CLI代替时髦的Function Calling），升华成了一种更深刻、更符合AI第一性的设计哲学。它没有停留在“CLI更好用”的表面，而是解剖了“为什么好用”（训练数据吻合度、可组合性）和“如何才能好用”（渐进式帮助、导航式报错、分层架构）。其中“stderr是Agent最需要的信息”和“Shell是超集”这两个论断，堪称金句，点醒了无数还在工具集里打转的开发者。这是一种工程上的返璞归真。
和AI协作编程，最磨人的瞬间莫过于它突然“痴呆”。上一秒还在讨论的复杂逻辑，下一秒就忘得一干二净，让你怀疑自己带的是个患有短期记忆丧失症的实习生。有用户在社区里承认，他曾被气到对着屏幕大吼“给我他妈的集中注意力”，结果居然管用了一阵子。
你以为解决办法是花更多钱买更大的上下文窗口，或者每次都耐着性子把需求重复一遍。其实，当你还在用“复制粘贴”对抗遗忘时，一小撮人已经在使用Claude内置的两个“隐藏开关”，实现了完全不同的工作流。更关键的是，他们发现了一个不成文的规则：给Claude的长期记忆文件（MEMORY.md），它每次只会读取前200行。
这个200行的限制，听起来像个缺陷，但它却成了高手们的过滤器。他们意识到，记忆文件不是一个倾倒所有信息的垃圾场，而是一份极其精炼的“每日简报”。里面只写最重要的项目决策、已踩过的坑、必须遵守的代码规范。这强迫他们像训练真正的下属一样，思考什么信息才是最高信噪比的。
而另一个功能Stop Hooks，则像是给AI设定了一套“肌肉记忆”。比如，你可以设定一条规则：“写完任何代码后，自动运行格式化和语法检查”。或者“在制定计划后，先自我审计一遍有无遗漏边缘情况”。这让AI从一个被动等待指令的工具，变成一个拥有初步“工作习惯”的协作者。一来一回的聊天没有了，取而代之的是一个设定好规则便能自动运转的系统。
当大多数人还在问“AI能做什么”的时候，一些人已经开始定义“AI应该怎么做”。他们讨论的黑话已经变成了“Ralph Loop”（一种自循环工作流方法论）和“GSD”（一个上下文管理框架）。对他们来说，评价AI生产力的标准，早已不是它能不能写出一段代码。
而是你的AI，究竟是一个需要你手把手教的聊天机器人，还是一个能独立管理上下文、自我检查、并且在你项目里稳定发挥的“数字员工”。这道题，200行代码就能给出答案。
这已经不是在用工具了，这是在驯化一个数字生命。当别人还在抱怨AI的缺点时，一小撮人已经开始为它编写行为准则和反射弧了。未来不属于会用AI的人，而属于会“管理”AI集群的人。
