大型LLM厂商每次产品发布都可能让某些公司瞬间出局，但真正被“一枪毙命”的案例屈指可数。更值得关注的是那些慢慢失血的行业，以及藏在免费模式背后的数据逻辑。
有人在Twitter上说，2026年经营一家公司，基本上就是每天早上醒来祈祷某个大型LLM厂商别在今天的发布会上顺手把你干掉。
这话听着夸张，却有几分真实的恐慌。
有观点认为，那些基础模型厂商产品发布得越来越快，恰恰说明它们自己也没把握靠单个产品赚够钱。真要有信心“一枪毙命”某个行业，就不会搞出ChatGPT Health这种不上不下的东西了。
那么，到底有没有被一枪打死的公司？有，Chegg。这家靠卖作业答案起家的教育平台，在ChatGPT出现后股价近乎归零。不过争议随之而来：有人认为它的死是AI造成的，也有人翻出数据说，它的股价在2021年底、ChatGPT发布之前就已经跌回疫情前水平，真正的死因是商业模式本身就是一个伪装成公司的答案库，学生一回校它就没用了，FTC还在2025年以“暗黑模式”订阅陷阱判它赔了750万美元。
Stack Overflow、Quora、Grammarly、DeepL，这些名字也被拿出来讨论。它们算不算“被打死”，取决于你如何定义“死”。流量下滑不是死，营收压缩也不是死，但增长逻辑被彻底打断，迟早是死。
有网友提到，SaaS整体收入已经下滑40%到60%。一枪毙命是夸张，但持续失血是真的。
免费层这件事更耐人寻味。有人说OpenAI如果取消免费版会亏更多，但马上有人反驳：他们已经开始测试广告了，这就把底牌亮出来了——你的数据比你的订阅费值钱得多。广告是Google和Meta的印钞机，OpenAI走到这一步，不管愿不愿意，商业逻辑开始趋同。
还有网友提出一个更冷静的视角：全球劳动力哪怕只提升几个百分点的效率，就已经是以万亿美元计算的价值。非要等某家公司被完全替代才算数，这个标准本身就是在回避问题。
客服领域目前正在发生的事情最具代表性。大量公司裁员、上AI，部分客户投诉激增，一些公司悄悄开始回聘真人。有观点认为，这就像当年把客服外包给印度、菲律宾，消费者最初强烈抗拒，后来慢慢接受了。AI是下一轮外包，只是这次外包给了算法。
重型机械、化工、采矿、物流，这些行业的人理所当然地觉得自己安全。他们也许是对的，至少目前是。仓储机器人还只能在室内光滑地面上跑，还需要全覆盖的Wi-Fi信号。
所以实体世界的护城河，到底能守多久？
当OpenAI开始测试广告的那一刻，所有用户都该明白一件事：你从来不是客户，你是矿藏。免费层不是慈善，是圈地运动——先用便利换取你的思维轨迹、表达习惯、决策模式，再把这些数据打包卖给出价最高的人。
Google和Meta用了二十年才让人类习惯“用隐私换便利”这笔交易，AI公司用两年就完成了同样的驯化。所以2026年经营公司最该祈祷的，不是别被发布会干掉，而是祈祷自己别在不知不觉中，把最值钱的东西免费送了出去。真正的猎杀从来不开枪，它让猎物自己走进陷阱。
CVPR一年收录4000篇论文，ICLR超过5300篇。顶会录取还算不算一种认可？这个问题本身可能问错了方向。
有人在Reddit上发了个梗：CVPR/ICLR录取通知一到，感觉就像《玩具总动员》里巴斯光年骄傲地说"我做到了"，镜头一拉，会场里站着5000个一模一样的巴斯光年。
这个梗之所以传播，是因为它精准戳中了一种集体焦虑。
录取率其实没怎么变，变的是分母。投稿人数爆炸式增长，录取数字自然水涨船高。所以从概率角度讲，通过审稿这件事本身的难度并没有降低多少。真正在松动的，是录取背后隐含的那层意思：这篇文章值得读。
有网友一针见血：会议正在变成"带餐饮服务的预印本服务器"。
问题出在审稿端。一位CVPR 2024的审稿人提到，他一个周末要处理12篇稿子，到第8篇时，他已经开始靠经验直觉下判断了——代码能不能跑、baseline是不是这个年代的。这种状态下，真正需要仔细品读的工作很容易被错判。
更麻烦的是benchmark的信用崩塌。大模型的训练数据吞噬了互联网上几乎所有内容，一个benchmark刚发出来，数据污染可能就已经发生了。模型在某个测试集上表现优异，换一种问法分数就大幅下滑——这不是模型在学习，这是在记忆。有观点认为，benchmark只适合做"事后评价"，一旦公开，它作为标准的有效性就开始倒计时。
有网友提出了另一种信号：GitHub star数量、主流框架是否集成某项技术，比审稿人的评分更能说明一篇论文是否真的有用。这话有道理，现实中确实有很多人靠这个筛论文。只是，这套逻辑有个历史盲区——神经网络在2012年之前的三十年，几乎通不过任何"大众审查"，黎曼几何等了60年才等到爱因斯坦。被冷落的东西，不一定是错的。
有观点认为，当前ML领域的学术发表已经不再以推进科学为目标，而是在服务一个日益商业化的职业通道。这个判断有些刻薄，但不是完全没有根据。
一个值得观察的现象是：方法类论文在求职中的含金量远高于benchmark类论文，即便后者的工作量不一定更少。这不是学术评价标准在起作用，而是行业筛选逻辑在反向塑造论文的生产方向。
也有人说，引用量才是更真实的信号，"会议录取"只是第一轮过滤，"被引用"才是真正的验证。这个说法没错，但引用数据同样可以被刷，操纵引用并不比操纵审稿更难。
真正没有人给出好答案的问题是：在这个规模下，同行评审还能做到什么程度的"同行"？
一个审稿人，面对12篇跨子领域的论文，在一个周末内完成评分，这本质上已经不是专家评审，而是一种有组织的快速过滤。也许会议的功能从来就不只是质量认证，而更多是一个社群定期聚集、交换信息的仪式。只是当参与者把它当成职业勋章时，所有人都在为一个自己其实不太相信的系统维持着体面。
问题的根源不是论文太多或审稿太敷衍，而是激励结构和评价功能的根本错配。顶会录取被市场化为职业货币，但学术会议的原始设计从来不是为了给HR提供筛选依据。当一个仪式性场合被迫承担质量认证的功能，它要么崩溃，要么异化。
巴斯光年们没有错，错的是有人把嘉年华入场券当成了行医执照。真正值得追问的是：为什么我们的职业系统如此饥渴，以至于非要从一个学术聚会里榨取信用？顶会不是变水了，是被迫承载了它不该承载的重量。
Anthropic指控DeepSeek、Moonshot AI和MiniMax通过2.4万个账号、1600万次对话对Claude实施“工业级蒸馏攻击”。问题是，Anthropic自己训练模型用的数据，相当一部分是从互联网和书籍上未经授权获取的。这场控诉，更像是一出黑色喜剧。
Anthropic最近在X上发帖，措辞严肃地宣布：DeepSeek、Moonshot AI和MiniMax对他们的模型发动了“工业级蒸馏攻击”，创建了超过2.4万个账户，与Claude产生了逾1600万次交互，目的是提取Claude的能力来训练自己的模型。
“蒸馏攻击”。这个词选得很妙。
有网友立刻指出，所谓“攻击”，本质上是：付钱用API，记录输出，用来训练自己的模型。其中一条评论说得直接——“‘蒸馏攻击’，你是指我们付钱购买的服务吗？”
更要命的是，有人截图显示Claude Sonnet 4.6在对话中把自己称作DeepSeek。Anthropic的模型在喊另一家公司的名字，说明训练数据里的痕迹没那么干净。另一方向更早被人挖出来的老料是：Claude曾频繁把自己称为ChatGPT，这显然是Anthropic在早期训练时也大量使用了OpenAI输出数据的结果。锅叠着锅。
Anthropic在训练数据问题上的底牌，并不比被它指控的对象光鲜多少。他们买下约100万册实体书、物理切割书脊后扫描，以规避版权限制；另据法庭文件，他们还从LibGen、Pirate Library Mirror等影子图书馆下载了约700万册书籍，完全没有付费，直到去年在法庭败诉后才被判每本书赔偿至少3000美元。有网友因此调侃：“我以为你们要说什么违法的事，结果是机器人在24小时切割书脊，那没事了。”
有观点认为，Anthropic这次公开点名三家中国公司，时机相当可疑，节点恰好在DeepSeek新模型发布前夕，这更像是一次针对监管层的定向喊话，而非单纯的维权声明。有网友直接说：他们的目标不是用户，是立法者，他们想让这些中国模型在监管层面被封杀，就像芯片禁令的逻辑一样。
围观的人很多，声援Anthropic的寥寥无几。
有评论写道：“你没有资格控诉别人偷了你偷来的东西。”
还有一条更短，也更狠：“无论道德还是法律层面，蒸馏模型输出和Anthropic训练时对待创作者的方式，差距只有一个：人家至少付钱了。”
Anthropic在AI对齐和安全性上确实做了很多认真的工作，Claude在很多任务上表现优异，这一点不需要否认。但“我们比别人少偷了一点”，撑不起这种道德宣示的重量。
更值得关注的问题也许是：如果中国实验室真的可以通过API调用来持续接近顶级闭源模型的能力，那这门生意的护城河究竟在哪里？
在硅谷，“攻击”这个词的定义取决于谁先抢到麦克风。 付费调用API、记录输出、用于训练——这套流程放在三年前叫“行业惯例”，放在今天因为对手是中国公司，就成了“工业级蒸馏攻击”。
Anthropic真正的焦虑藏在控诉背后：如果1600万次对话就能逼近你的模型能力，那你卖的到底是技术，还是一张随时可能过期的先发优势入场券？ 这不是维权声明，是写给国会山的求救信——当护城河见底，最后一招只能是让裁判把对手罚下场。
一位科技圈观察者列出了一份被AI"判死刑"的SaaS公司名单，从Grammarly到Calendly，从Notion到Cursor。这不是"AI会写代码所以大家自己开发工具"那种老调，而是一个更底层的判断：当每个人都有了相当于全职私人助理的AI agent，现有的工具类产品的存在意义将被根本性地重塑。
Tenobrus在社交媒体上扔出了一份分级名单，把当前热门的SaaS产品按"死得多惨"排了个序。
最惨那档（gigafucked）：Grammarly、Calendly、Miro、Retool、Webflow、LangChain、Writer、Harvey、Glean、Expedia、Monday。
次惨那档（fucked）：Accenture、Intuit、Notion、Jasper、Canva、Postman、Airtable、Zapier、Replit……
然后是"可能死"的：Cursor、Pilot、Clay、Mercor。
最后还有一个特殊分类，大意是"看起来要死但团队足够聪明所以在现场边跑边想"——目前只有Linear一家。
这份名单的底层逻辑只有两条：coding agent越来越强，软件开发成本趋近于零；personal agent真正普及之后，每个人手边等于有了一个全职私人助理。
Calendly为什么在最惨那档？有人反驳说Calendly明明有免费替代品都没死，凭什么AI来了就死？原作者的回答很干脆：有全职私人助理的人，根本不会用Calendly这类工具安排日程。这不是"会被更便宜的同类产品替代"，是这类需求的处理方式被整体废掉了。
Expedia在这份名单里，理由同理：旅行规划和预订，是personal agent最容易接管的场景之一。
有网友提到，企业级工具的替换周期被严重低估了——中大型公司换一套工具链涉及组织采购、培训、兼容性，哪怕更好的东西出来了也要拖好几年。这个观察没错。原作者并没有说"明天就死"，时间窗口的判断本来就是这类预测最难的部分。
Notion和Intuit能不能靠"UI足够好、错误容忍度低"活下去？原作者的判断是：UI的重要性会线性下降，幻觉问题会被解决，智能会持续提升。这是一个信仰，也是一个赌注。
Cursor的处境最有意思。有人认为它应该进最惨那档：一个不训练前沿模型的IDE层产品，怎么可能持续盈利？原作者的回答是：它现在有大量资本，有一批够硬的工程师，Cursor Bugbot已经相当能打。他们没有躺在IDE这个形态上等死，还在动。所以归入"可能死"而不是"必死"。
Linear是这份名单里最受好评的异类。有网友说Linear是goated，甚至提出他们应该直接整合git、绕过中间层。原作者回应说这正是他们在做的事，"有点让人叫好"。一家本来"看起来要死"的项目管理工具，靠着持续的产品品味和执行力，在这张死亡名单上混到了一个模糊的位置。
产品力和团队质量能不能对抗结构性的市场变化？或者说，这只是让死得慢一点？
Linear被单独拎出来不是因为产品好，是因为它展示了这个时代唯一的生存姿势：别跑得比AI快，跑得比自己的旧认知快就行。名单上最惨的那些公司，死因高度一致——把“解决问题的方式”当成了“问题本身”。Expedia以为自己做的是旅行预订，其实做的是信息差套利；Miro以为自己做的是协作白板，其实做的是人类大脑的外接硬盘。
当AI成为每个人的大脑外挂，外接硬盘就是电子垃圾。唯一的活路是像Linear那样——不问“我的产品怎么还能卖”，问“需求在往哪里变形，我怎么先到那里等着”。
Anthropic宣称Claude Code可以自动分析和迁移COBOL遗留系统，IBM单日暴跌13%，市值蒸发约300亿美元。但多数技术人士认为这是严重过度反应，银行不迁移COBOL从来不是因为没钱没时间，而是因为风险太高，AI幻觉问题并没有解决这个核心障碍。
全美95%的ATM交易跑在COBOL上。这门语言诞生于1959年，比互联网还老。银行、航空、政府的核心系统里，几十亿行COBOL代码安静地运转着，像地基一样不被人看见。懂它的程序员正在慢慢老去，年轻人没有人愿意学，维护费用也因此居高不下。
然后Anthropic发了一篇博客，说Claude Code能分析庞大的COBOL代码库、识别风险、大幅降低迁移成本。市场的反应是：IBM股价当天跌13%，这是它25年来最惨烈的单日表现，2月份累计跌幅接近27%，创下1968年以来最差月度表现。
300亿美元，一篇博客文章的代价。
讽刺的是，有人指出Anthropic根本没有发布什么"新工具"，只是给Claude Code现有功能写了一份新的营销材料，专门对准COBOL场景包装了一下。没有新模型，没有新功能，就是换了个说法重新讲了一遍。
恐慌归恐慌，真正的问题在于：银行为什么几十年来一直没有迁移COBOL？
答案不是缺钱，也不是缺人。有观点认为，答案是风险。金融系统里一个错误可能意味着数亿人的账户出问题，没有任何CEO愿意在财报里解释"我们用AI迁移了核心系统然后它产生了幻觉"。AI会幻觉这件事是公认的，你仍然需要人工逐行审查每一行输出——而这恰恰是整个工程最慢的那一步。AI并没有移除瓶颈，只是把前面那段路修得稍微平整了一点。
放射科医生的故事可以类比：AI今天已经可以替代90%的影像诊断工作，但医院并没有裁员，因为没人愿意第一个承担责任。金融系统同理。
不过，有一个角度值得认真对待。有观点认为，这件事真正动摇的不是COBOL迁移市场本身，而是IBM那块利润极高的咨询和专业服务收入。过去，COBOL知识是稀缺资源，IBM靠垄断这种稀缺性定价。Claude的出现让这种知识变得不那么稀缺了——哪怕迁移本身依然危险，分析、文档整理、风险评估这些前期工作的成本已经在下降。
一位做过COBOL转Java项目的开发者提到，当年整个项目最难的部分根本不是写Java，而是搞清楚那些COBOL代码到底在干什么。这正是AI可以显著加速的地方。
IBM当然也有自己的AI工具用于大型机现代化，这一点在讨论里几乎没人提。
现在的问题是：一年后回头看，这次暴跌到底是市场提前定价了一个真实的长期威胁，还是一次集体过度反应。有人已经设了一年后的提醒，等着来验证。
300亿美元蒸发的本质，是市场在追问一个哲学问题：谁敢第一个签字？ COBOL像心脏手术——AI可以读片、画线、甚至建议下刀位置，但最后那一刀，必须有个活人敢签生死状。
银行不迁移从来不是不会，是不敢。几十亿行代码背后是几亿人的工资卡、房贷、退休金，任何一个幻觉都可能变成头条新闻。AI把“能不能做到”的问题解决了八成，但“谁来负责”的问题一个字没动。
Anthropic写了篇营销文案，IBM跌了四分之一，这不是技术革命，是一群对金融系统运作方式毫无概念的投资者在集体应激。
Anthropic发布了一篇关于“蒸馏攻击”的博客，声称检测到DeepSeek等中国实验室通过大量账户系统性地调用其API来生成训练数据。更值得关注的是，他们承认不只是封号，而是主动对“可疑”请求的输出结果进行投毒。这引发了广泛讨论——一家公司有没有权利在你不知情的情况下给你一个故意错误的答案？
Anthropic最近发布了一篇博客，主题是他们如何检测并反制所谓的“蒸馏攻击”。内容大意是：他们发现一批账户行为高度同步，支付方式相似，请求节奏整齐，判断是有人在规模化地调用Claude来生成chain-of-thought训练数据，幕后指向中国实验室的研究人员。
这本是一个普通的商业纠纷，却被写成了半个国家安全报告的语气。
但真正让人不安的不是被追踪，而是这一句：他们选择对“问题输出”进行投毒，而不是直接封号。
有网友直接点出了这件事的荒诞逻辑：你不会去雇一个会随机给你错误建议的顾问。如果一个API供应商公开宣布它有能力、也有意愿在后台悄悄劣化你的输出，你怎么知道自己什么时候是正常用户，什么时候已经被划入“可疑”名单？
“可疑”的标准是什么，没人说清楚。有观点认为，这套系统只要存在，任何用户都面临不确定性。问题越多的人，越容易触发某些阈值。
更讽刺的一层：他们用来检测“攻击者”的手段，是分析请求元数据并追踪到具体研究人员。这听起来很高明，其实无非是查账号、IP和支付信息，基本上所有API供应商都能做到，只是大多数人不会公开炫耀。
有网友提到，这些研究人员大概率不会傻到用实名账号。背后涉及多达2.4万个账号的协调操作，追踪链条肯定比官方描述复杂得多。至于“通过元数据锁定到具体研究员”这个说法，听起来更像是施压姿态，而不是侦探工作的复盘。
Anthropic在博客结尾还呼吁加强芯片出口管制，理由是限制算力可以遏制蒸馏攻击。有网友指出这两件事根本不在同一个讨论层面，把商业竞争问题包装成国家安全叙事，目的不言而喻。
目前讨论中最直接的行动结论是：用本地模型，或者至少分散使用多个来源的模型。当你无法验证一个API的输出是否被人为干预过，信任就不再是理性的选择。
有用户在看完这篇博客后取消了Claude订阅。他说，封号他能接受，投毒他不能接受。
这个区别，Anthropic大概认为不重要。
Anthropic这篇博客最精彩的部分，是它亲手拆掉了自己的护城河。AI服务卖的从来不是算力，是信任——而信任这东西，最怕的不是背叛，是“我保留背叛你的权利”。封号是绝交，投毒是诈骗，前者终止关系，后者腐蚀关系的定义本身。当一家公司公开宣称它的检测系统可以悄悄给你塞错误答案，每个用户都必须面对一个无法证伪的质问：我这次的输出，是真货还是样品？最讽刺的是，他们用来证明自己“正义”的手段，恰恰证明了自己“有能力作恶”。这不是安全报告，这是一封写给所有付费用户的勒索信：好好表现，别问太多问题。
AI正在压缩软件工程师的就业市场，“学会用AI工具就能找到工作”的说法过于乐观。真正的问题不是个人适应能力，而是整体岗位数量在收缩。
Reddit上一张梗图引起广泛讨论：失业程序员追着工作机会跑，旁边有人拦住他说“Claude在做那份工作”。评论区瞬间炸开了锅。
有人说，学会跟AI工具协作的工程师还在被录用，适者生存，技术圈向来如此。这话听起来很有道理，甚至有点励志。
有观点认为，这套逻辑有个致命漏洞：会用Claude写prompt的人多了去了，简历上都能写，面试却几乎不测。你所谓的“差异化竞争力”，根本没有壁垒。评论区里好几位有着3到7年工作经验的工程师表示，已经在积极使用这些工具，依然在求职。经验够用，工作没有。
一个有20年经验的人说，如果他是刚入行的年轻人，会非常认真地重新考虑职业方向。
有人提出另一套愿景：AI工具让个人能力大幅扩展，以后会出现大量“1个人+多个AI”的微型公司，大公司将失去存在的必要。这个说法颇具吸引力，但也遭到了几乎等量的反驳。有网友指出，有资本的人随时可以复制你的产品，软件领域的时间壁垒已经消失。还有人说，你以为的民主化，最终会被营销预算和现有基础设施碾压。人是懒的，大多数人会选择最省力的方案，Linux桌面版到现在也没占领市场。
也有观点认为，软件工程师不会消失，只是被要求用更少的人交付更多的东西。写代码本来就不是大公司的瓶颈所在，需求分析、架构决策、客户沟通、合规文档，这些事AI还替代不了。
UBI的呼声也冒出来了。有人说该认真讨论全民基本收入了，回复只有四个字：“昨天就该。”
有人提到“劳动总量谬误”——认为工作岗位总量固定，AI多做一份工作就少一个人类岗位，这在历史上每次技术革命里都被证明是错的。这次会不会不同，没人知道。
问题大概是：工具民主化之后，每个人都能做更多事，可市场需要的总产出并没有等比例增长。多出来的产能，去哪了？
最讽刺的不是AI抢了工作，而是我们被要求感谢这把刀磨得够快。“拥抱AI”是一种精巧的责任转嫁术：公司裁员是战略调整，个人失业是适应不良。评论区那些3到7年经验的工程师，工具用得熟练，简历写得漂亮，依然在漂流——因为问题从来不是你会不会游泳，而是船上的位置本来就不够。有人描绘“1人+AI”微型公司的美好图景，却忘了资本可以在24小时内复制你的创意，用营销预算把你碾成齑粉。技术民主化了，权力没有。 当Linux用了三十年都没占领桌面市场，你凭什么相信个体能用AI逆袭巨头？这不是躺平，是认清战场地形。
代码生产成本正在趋近于零，但这不是什么新鲜的危机。软件开发真正困难的部分从来都不是写代码本身，而是弄清楚要构建什么、怎么维持它运转、怎么让一群人在一起把事做成。
作者加入 Etsy 的时候，团队已经花了两年时间在做架构重写，追求“更优雅的方案”——实际上是两套互不兼容的优雅方案——而这两年里没有向用户交付过任何功能。后来他们停下来，统一用 PHP 重新出发。没有人会为什么是“优雅的 PHP”而争论不休，因为这种东西根本不存在。
他的结论：让 Etsy 后来一切得以发生的，不是那套优雅的代码，而是让团队重新开始交付。
这个故事本身就是文章核心论点的注脚：我们长期以来把代码本身当成了价值所在，但成功的团队一直清楚，真正的价值在于整个系统，在于那个让产品得以持续交付、满足用户需求、随时间演进的人机混合体。
代码生产成本正在趋近于零。作者承认这是真实的、前所未有的变化，Claude Code 这类工具确实带来了某种新东西。但他同时指出，“代码是最容易的部分”这个判断并不是 AI 时代的新发现，在此之前这已经成立了几十年。Web、CI/CD、移动端、单页应用，每一次技术浪潮都打乱过团队的工作方式，逼着人们重新发明协作模式。
这次只是规模更大、速度更快。
此文在 Hacker News 上引起广泛讨论，争议出人意料地激烈。有网友提到，把代码说成“容易的部分”其实是一种工资压制宣传，薪资数字本身就是反驳证据。也有观点认为这是程序员面对 AI 冲击的集体心理防御：把自己做的事重新定义成“本来就是次要的”，这样失去它就不那么令人恐慌。
反驳的声音同样尖锐。有人说，阅读一部诺贝尔文学奖小说很容易，但那种流畅的可读性本身就是成就，不是它无足轻重的证明。写代码也一样，你读代码读得像鱼呼吸一样自然，于是就以为写代码也理所当然地简单——这是一种典型的幸存者视角。
但也有经验丰富的工程师直接说：对，代码确实是最容易的部分。真正难的是长期维护，是在已有系统上加新功能，是不要把整个东西建成一坨无法理解的烂泥。《人月神话》写于几十年前，今天读起来依然像昨天写的，因为问题从来不是我们打字的速度。
作者自己的表达有一处值得停下来想想：那些近年因为“好工作”或“喜欢编程”而入行的人，面对这个时刻会有真实的失落感。而他这一代人入行是因为沉迷于那种掌控感，所以很难在情感上理解那种失落。这不是谁对谁错，只是两代人站在完全不同的位置看同一件事。
现在的问题是，当代码成本趋近于零，“构建什么”和“为什么构建”的决策权会落到谁手上，用什么方式落到他们手上。这个问题没有标准答案，但每个还在这个行业里的人都得给自己想一个。
“代码是最容易的部分”这句话，本质上是一场话语权的争夺。把心脏手术说成“只是开刀缝合”，把建筑设计说成“只是画线条”，任何职业都能用这种修辞被矮化。Etsy那个故事真正的教训不是PHP打败了优雅，而是内耗打败了交付。两年做不出东西，换成AI写代码照样做不出——因为问题从来不在键盘上。高薪从来不是为“打字速度”付费，而是为“知道该打什么字”付费。当所有人都能瞬间生成代码，区别你的就是那个“知道”。这不是心理防御，是逻辑必然。
MIT有门课专门教CS学生那些“没人教但天天要用”的东西：命令行、版本控制、调试工具、代码质量。2026年新增了AI辅助编程内容。这门课在网络上引发广泛讨论，核心争议是：这些基础工具技能，到底该不该系统教？
MIT有门叫“Missing Semester”的课，名字起得很直白：这就是你CS教育里缺掉的那学期。
操作系统原理、机器学习算法，高校教得很系统。但Shell怎么用、Git怎么用好、怎么写有意义的commit message——这些东西学生要么自己摸索，要么毕业了才发现自己根本不会。
有网友专门提到代码注释这件事，说得相当到位：读代码本身能告诉你“做了什么”，注释应该解释“为什么这么做”。`i+=1; /- 增加i */` 这种注释毫无价值，真正有用的注释是：我在循环中途自增i，是为了能提前看到下一个值来判断是否需要交换。
用给外行讲解的语气写注释，代码才能活得更久。软件的大部分生命周期和大部分成本都在维护阶段，这一点很多人从来没认真想过。
Git的讨论占了评论区相当大的篇幅。
有观点认为，大量所谓“高级工程师”、“可靠性工程师”，遇到git出问题的第一反应是删掉重克隆。提交信息永远是`changes`或者`try fix`，git bisect/blame/revert根本不知道怎么用，更别说用这些工具还原一段代码演变的故事。
反驳的声音也很强：这不完全是工程师的问题，Git的设计本身就不友好。接口反直觉，抽象层到处漏，一旦出了问题，不熟悉内部模型的人根本不知道怎么脱身，而能把自己搞进那个处境的人，往往也没能力出来。有人用电锯打比方，也有人回说：正因为我们做的是软件，不受物理定律限制，我们完全可以造出一把不会切断手指的电锯。
Mercurial当年输掉的那场仗，到现在还有人觉得可惜。
有一句话值得单独拿出来品品：如果你把commit历史维护好，让它讲个故事，代码审查是一种享受。如果你往上堆26条`try fix`，最后留下一团烂泥，那是折磨。
提交历史是写给未来的自己看的。很多人到现在还没意识到这一点。
2026年这版新加了AI辅助编程的内容，有人直接说应该删掉，理由是学生会产生依赖、反而学不到东西。也有人觉得这个方向对，甚至建议专门加一节“自己动手写一个agent”，说代码不复杂，几百行就能搞定，但能建立非常扎实的直觉。
还有人问得很直接：现在还有必要学CS吗，AI不是把这些都替代了？
有一个回答说得很清楚：agent很擅长解决“被解决过很多次”的问题，但无法用洞察力重新定义问题本身。他举了Flying Edges算法的例子——那是对Marching Cubes的一次根本性重构，换了底层思考框架。AI能模仿形状，但不能产生这种跃迁。
工具学得再好，不理解自己在构建什么，迟早会遇到那个时刻。
这门课真正在教的不是命令行，是手艺人的尊严。
算法是屠龙术，Git是磨刀石——CS教育培养的是会想象巨龙的人，却忘了刀钝了连猪都杀不死。
那个写i+=1; /*增加i*/的人，和在博物馆油画前挂个牌子写“这是一幅画”的人，本质上是同一个人。代码注释的真谛是留下思考的温度，让后来者知道此刻你为何如此抉择。
有趣的是Git的争论。有人说电锯危险怪使用者，有人说软件不受物理限制、完全可以造不伤手的锯子。这恰恰暴露了程序员的傲慢与天真：我们总以为自己是造工具的人，却忘了大多数时候我们只是被工具塑造的人。
提交历史是写给未来的遗书。可惜多数人写的是changes、fix、try again——像极了人生最后只留下“来过”两个字。
我们把“色情App”拆了，彻底扒开一行行龌龊的代码！| youtube
“「选 A 还是 B？」这可能是每个垂直领域的工具讨论中都绕不开的问题。在笔记管理这个圈子也总能看到类似的讨论：Logseq 还是 Obsidian？Notion 还是 Roam Research？而对我来说，让我纠结了很长一段时间的 A 和 B，正是 Heptabase 和 Tana。
说实话这可能就是一种执念吧。我们总希望找到一款 All in One 的工具，能够一次性解决所有问题。记录、整理、思考、输出，最好全都能搞定。事实上，有很多工具也的确是往这个方向发展的。
但问题在于，当你试图用一个工具照顾到所有场景时，你会发现每个场景都只能做到「还行」，没有一个真正做得很好。这不是工具的问题，而是我们对工具的期待本身存在矛盾。更重要的是，我们很容易被各种工具的 feature 带跑偏。过度关注「这个工具能干什么」，却忽略了更本质的问题：「我究竟想要获得什么？」
说到底，知识管理这件事，技巧和功能都只是表层。真正重要的是如何构建自己的思考模式、如何理解知识，以及最终能沉淀出什么真正属于自己的东西。
Heptabase 和 Tana 都是我非常喜欢的产品。它们都是我希望能够长期用来学习、沉淀的平台。但这两款产品无论从理念还是功能上看都是截然不同的。如何选择？这个问题在很长一段时间里困扰着我，也消耗了我不少时间和精力。
我记得自己反复尝试在其中一个工具里 All in One 又反复失败，试图找到那个「最适合」的，却发现每个都有不可替代的优势。两边来回切换，既焦虑又低效。
不过也正是这段纠结摇摆的时间，让我逐渐想明白了几件事：我为什么需要它们？我究竟想用它们来帮助自己解决什么问题？
当这些问题的答案逐渐清晰，困扰我许久的选择难题豁然开朗。我不再纠结「选哪个」，而是决定两款工具「双修」。这也是这篇文章最原始的思考起点。今天的这篇文章，我怕不会详细介绍两款工具的具体功能——那些内容在各自的官网和教程里都能找到。我更想从产品理念和真实需求的角度，聊聊我对这两款工具的理解，以及为什么我最终选择了「双修」。
如果你也在为类似的问题困扰，或许这篇文章能给你提供一些不一样的思路。“
