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。
