我们检测到您的浏览器已禁用 JavaScript。请启用 JavaScript 或切换到受支持的浏览器以继续使用 x.com。您可以在我们的帮助中心查看受支持的浏览器列表。帮助中心 服务条款 隐私政策 Cookie 政策 版权信息 广告信息 © 2026 X Corp.

人工智能的快速发展很大程度上受到利润驱动，建立在大量抓取的互联网数据之上，可能对就业甚至人类造成灾难性后果。然而，Claude的创造者Anthropic最近因拒绝与美国政府在涉及自主武器或大规模监控的项目中合作而与众不同——这一立场导致他们被禁止政府使用。 这与OpenAI形成了鲜明对比，OpenAI由Sam Altman领导，尽管最初声称不用于监控，但却乐意向美国国防部提供ChatGPT。一位政府官员澄清，OpenAI的技术*将*被用于“所有合法手段”，可能会利用爱国者法案中的漏洞。 Anthropic优先考虑对其技术应用的控制，而Altman似乎愿意服从政府的判断。此举引发了OpenAI用户的强烈反弹，许多人取消了订阅。值得注意的是，其他主要的AI参与者——谷歌、微软、亚马逊、Meta和Palantir——很少表现出对军事应用或监控的类似伦理保留。

大提琴家史蒂文·伊瑟里斯讲述了他与充满激情的作曲家库尔塔格长达数十年的音乐关系，始于在康沃尔音乐研讨会上的一次难忘的初次相遇。库尔塔格以他对每一个音乐细节的精益求精而闻名——“他不知道‘无所谓’这个词的意思”，立刻就伊瑟里斯的演奏与他同样富有洞察力的妻子玛尔塔展开了对话。 伊瑟里斯将与库尔塔格的课程描述为具有变革性，充满了意想不到的意象（“就像一只狗咬上帝的脚！”）和深刻的情感深度。库尔塔格会逐音符地剖析乐曲，揭示隐藏的联系并要求表现出强烈的表现力。甚至沉默也具有意义——“休止符代表你没有演奏的主题。” 他们的合作超越了库尔塔格的作品，即使在玛尔塔去世后，库尔塔格仍然保持着惊人的活跃，继续作曲和教学。伊瑟里斯珍视演奏库尔塔格音乐的责任，努力实现作曲家强大的愿景。他 fondly 回忆着库尔塔格和玛尔塔非凡的音乐合作，这种联系在他们的最后一场音乐会上显而易见，并赞扬库尔塔格作为一位在世的传奇人物的持久影响力。

这款写作工具旨在克服写作障碍，通过消除无休止修改的诱惑来实现。它呈现极简界面——一个黑暗屏幕上闪烁的火焰——并且缺少传统的编辑功能，如工具栏。随着你的输入，之前的行会逐渐淡出，从而阻止强迫性的调整，并推动你前进。 虽然可以纠正错别字，但大幅修改是不可能的；重点完全在于持续创作。所有内容都会自动保存，允许你回顾过去的作品，即使它们从眼前屏幕上消失。这种体验被描述为出奇有效，能够通过消除完美主义的束缚，仅仅鼓励文字的流动，从而重启停滞的写作项目。这是一个用于起草，而非润色的空间。

我们的系统检测到您的网络存在异常流量活动。请完成此 reCAPTCHA 以证明您正在发起请求，而不是机器人。如果您在查看或完成此挑战时遇到问题，此页面可能会有所帮助。如果您继续遇到问题，您可以联系 JSTOR 支持。阻止引用：#684013db-14dc-11f1-b6b5-1e3a17abfa40VID：#IP：47.245.80.60日期和时间：2026年2月28日 星期六 19:33:49 GMTJavascript 已禁用 返回 JSTOR

维尔纳·赫尔佐格的新书《真理的未来》试图阐述他长期以来的信念，即“狂喜的真理”——一种通过想象甚至虚构而非事实准确性来获得的、对世界的诗意和直觉理解。这个概念定义了他数十年的电影创作，例如他70年代与聋盲女性合作的电影，展现了他大胆且常常带有剥削色彩的捕捉极端人类体验的方式。 然而，这本书在很大程度上令人失望。它并非对这一概念的深入探讨，更像是对之前作品中观点的重新包装，缺乏连贯性和新的见解。赫尔佐格似乎不愿完全定义这种捉摸不定的“狂喜的真理”，或许是担心分析会削弱它的力量。 在深度伪造和广泛虚假信息盛行的时代，这本书的相关性受到质疑，模糊了艺术许可和故意欺骗之间的界限。虽然赫尔佐格区分了他的作品——专注于超越和叙事——与操纵性宣传，但界限变得越来越模糊。最终，这本书暗示赫尔佐格更关注“寻找”真理的过程，而不是真理本身，这反映了他自己具有远见卓识、常常注定失败的主人公的旅程。

2020年初，在大学毕业后开始第一份工作后感到空虚，作者意外地在担任青少年篮球教练的志愿活动中找到了目标。他被推到了六名初中生球队的教练岗位，发现了一种意想不到的热情。 这段经历远非一个肤浅的“领导职位”；它极具吸引力，需要投入的准备和与球员及其家庭建立真诚的联系。他在这份工作中茁壮成长，专注于技能发展，更重要的是，培养孩子们的自信——一个赛季以几乎不败的战绩结束。 执教经历让他重获活力，提高了他在生活各个方面的自信和表现。然而，这个赛季因新冠疫情的爆发而中断。反思自己的幸福，他意识到它源于对与孩子们一起工作的热爱，工作的实在性，以及执教所提供的控制权和责任感。他将这种满足感与科技行业日益增长的焦虑形成对比，质疑对可扩展产品的追求，并希望未来能够更加重视有意义的、与现实世界相关的参与。

## 美国寡头技术封建主义的兴起 本文认为美国正朝着21世纪形式的法西斯主义漂移，这种法西斯主义并非由公开的政治运动驱动，而是由一个强大的精英阶层——由亿万富翁、安全官员和政治运作人员组成的“威权国际”所推动。新自由主义政策已经集中了财富和权力，使得这个精英阶层可以凌驾于问责之上，而大型科技平台则充当新封建庄园，提取数据并实现监控。 这个体系并非阴谋，而是一种结构性转变。民主制度的衰落，加上经济停滞和生态危机，为威权解决方案创造了沃土。精英们没有投资于公平的转型，而是投资于边境安全、大规模拘留和准军事警察国家，以管理日益增长的社会动荡和“剩余”人口。 精英的逍遥法外，通过法律保护和“旋转门”职业生涯得到加强，确保了对非法行为没有后果。虽然选举仍在继续，但实际权力掌握在未当选的官员手中。这种趋势是由利益的融合推动的：寻求利润的寡头、控制数字基础设施的技术巨头以及优先考虑控制的安全机构。计划中的拘留设施扩张和积极的警务策略预示着危险的升级，有可能转变为类似于集中营的制度，这种制度不仅用于移民控制，还用于压制国内异议。这代表了工业文明一个令人信服且令人担忧的终局。

## 内容安全策略 (CSP) – 摘要 本文深入探讨内容安全策略 (CSP)，这是一种浏览器安全机制，旨在通过控制资源来源来缓解跨站脚本攻击 (XSS)。本质上，CSP 充当“门卫”，定义浏览器允许从哪些来源加载脚本、样式和其他资源。 正确的 CSP 配置出乎意料地复杂。它依赖于像 `script-src` 和 `default-src` 这样的指令来定义允许的来源，并使用 `'self'`、`'none'`、`'unsafe-inline'` 和通配符等特殊关键字提供不同级别的限制。 常见的错误配置包括危险地包含 `'unsafe-inline'`（允许所有内联脚本）、缺少 `base-uri` 指令（为 HTML 注入敞开大门）、过于宽松的通配符（如 `https:` 和子域通配符）以及忽略 `object-src` 指令（为通过 `<object>` 标签进行利用留下空间）。 本文提供了一种在渗透测试期间分析 CSP 的实用方法：快速检查 `'unsafe-inline'`、`'unsafe-eval'` 和通配符，然后验证是否缺少指令。像 Google 的 CSP Evaluator 这样的工具可以自动化此过程。最终，由于其复杂性和安全与功能之间的微妙平衡，CSP 通常包含漏洞。

这篇报道指控人工智能行业内部存在着深度的、玩弄权术的行为，中心人物是OpenAI的Sam Altman和Anthropic的Dario Amodei。尽管公开支持Amodei，Altman同时与美国政府谈判了一项与Anthropic相似的协议，最终导致Anthropic被不公平地定性为“供应链风险”。 作者认为这并非关于安全或条款，而是关于影响力。Altman在公开支持Amodei *之前* 秘密推进了这项交易，并且在一位前OpenAI领导人向特朗普的政治行动委员会捐款后不久。 虽然承认Anthropic自身也存在不足，作者谴责这一决定是“寡头政治”的明显例子——政治关系和捐款胜过市场力量——以及对制度的潜在腐败，剥夺了Anthropic公平竞争的机会。这暗示着一种令人不安的、远离真正资本主义的转变。

## 自动驾驶出租车竞赛：愿景 vs. 传感器融合 自动驾驶出租车的未来正在像德克萨斯州奥斯汀这样的城市中塑造，Waymo和特斯拉的自动驾驶出租车已经在街道上行驶。这些车辆代表了截然不同的自动驾驶技术方法：Waymo利用全面的“传感器融合”方法，使用激光雷达、雷达和摄像头构建周围环境的详细3D地图，而特斯拉则倡导仅依靠摄像头和强大人工智能的“仅视觉”系统。 这场争论源于历史性的转变。早期的自动驾驶系统倾向于使用传感器融合以确保安全和冗余。然而，特斯拉在2016年提出了挑战，认为足够的计算能力和摄像头可以复制人类的驾驶能力——并且成本更低。 虽然特斯拉最初在其车辆中移除了雷达，但它悄悄地重新引入了雷达，这表明可能正在向传感器融合方法靠拢。两家公司现在都在大力投资人工智能并简化他们的系统。关键区别现在不是*使用*哪些传感器，而是系统*有多安全*。 最近的安全数据表明，Waymo的传感器融合方法目前优于特斯拉的方法，脱离和事故明显更少。最终，这场竞赛的胜者不会仅仅由技术决定，而是由社会对安全标准的接受程度决定——我们将满足于*与*人类驾驶员一样安全，还是要求*更好*？答案将决定自动驾驶出租车的部署速度和规模，并重塑交通的未来。

## 恶魔城：一场跨国热潮 1986年，卡普空（Capcom）的《恶魔城》取得了一项罕见成就：同时在日本和英国的销量排行榜上名列前茅。通过日本杂志《Famitsu》（1986年创刊）的销售数据，可以探究这一成功的背后原因。虽然任天堂的Famicom/NES主导了美国市场，但英国的游戏市场当时主要以电脑游戏为主——收入是主机游戏的六倍。 尽管存在这种差异，《恶魔城》仍然在双方玩家中引起共鸣。游戏的开发，源于藤原 Tokuro 对具有挑战性和视觉吸引力的游戏玩法的追求，将街机动作与一丝可爱元素相结合。英国公司Elite Systems迅速获得了移植权，在卡普空Famicom版本发布的同时，甚至在游戏登陆美国NES之前，就发布了Commodore 64和ZX Spectrum的版本。 这些移植版本虽然受到硬件限制的影响，但仍然很受欢迎，展示了全球游戏场景的互联互通，尽管存在区域差异。《恶魔城》的成功表明街机游戏作为共同点，影响了家用主机和电脑游戏，并对游戏设计和叙事模式留下了持久的影响。

## Rivet Actors：无服务器状态化工作负载 Rivet Actors 是一种新的无服务器基础组件，专为构建状态化应用程序而设计。每个 actor 作为一个独立的、可扩展的单元，内置状态管理、存储（SQLite/JSON）、WebSockets、工作流和调度功能——无需复杂的后端基础设施。 Actors 提供即时读写速度，具有内存状态和持久化存储，并且可以从零扩展到数百万，高效处理突发工作负载。它们非常适合 AI 代理（具有持久化内存）、协作文档、聊天应用程序，甚至每个租户的数据库等用例。 Rivet 提供灵活的部署方式：使用 Rust 二进制文件或 Docker 自行托管，或利用其完全托管的全球边缘网络，与 Vercel 和 AWS 等现有云提供商集成。它是开源的（Apache 2.0），并支持 Hono、Elysia 和 tRPC 等流行框架，提供 JavaScript、React 和 Next.js 的客户端。

## 验证规格驱动开发 (VSDD) – 摘要 VSDD 是一种新颖的软件工程方法，将规格驱动开发 (SDD)、测试驱动开发 (TDD) 和验证驱动开发 (VDD) 结合到一个 AI 编排的流程中。它优先考虑一个严格、可追溯的过程，其中规格定义了软件 *做什么*，测试强制执行 *如何构建*，而对抗性验证确保 *不会遗漏任何内容*。 该过程涉及一名人类架构师监督 AI “构建者”和“对抗者”代理，并通过 Chainlink 进行跟踪以确保完全的责任追溯。第一阶段侧重于“规格提炼”，在编码 *之前* 创建严密无缝的规格，包括可证明的属性和将可验证的核心逻辑与外部效应分隔开的“纯度边界”。第二阶段实施严格的 TDD 循环 (红→绿→重构)，由 AI 构建者引导。第三阶段将代码置于 AI 对抗者的严格审查之下，识别规格、测试和实现中的缺陷。第四和第五阶段整合反馈并执行形式化验证，而第六阶段确认“收敛”——当规格、测试、实现和证明都能经受住对抗性审查时。 VSDD 强调“规格至上”，验证优先的架构和无情的否定态度以消除“漏洞”。它专为需要高正确性、长期可维护性和强大安全性的项目而设计，利用 AI 来增强而非取代人类的战略决策。最终，VSDD 旨在创建具有可证明存在理由和可靠保证的代码。

格奥尔格·康托尔通常被认为是集合论的创始人，并在1874年证明了存在不同大小的无穷。然而，最近的研究揭示了一个更复杂的故事。播客制作者Goos最初认为康托尔是一位孤独的天才，但后来发现康托尔严重依赖数学家理查德·戴德金。 在1872年的一次关键会议之后，康托尔不断寻求戴德金的建议，最终提出了一个引发突破性进展的问题：实数和整数是否可以“一一对应”？戴德金提供了关键的见解，甚至简化了康托尔最初的证明。康托尔怀着强烈的使命感和对无穷肯定上帝存在的信念，旨在彻底改变数学。 然而，由于担心受到有影响力的数学家利奥波德·克罗内克尔的拒绝——一位坚决反对无穷的学者——康托尔有策略地发表了他的发现。他向《克雷莱杂志》提交了一篇关于代数数（克罗内克尔喜欢的课题）的论文，巧妙地包含了关于实数的革命性证明，并淡化了其重要性。至关重要的是，康托尔声称是唯一的作者，抹去了戴德金的贡献。几十年后被艾米·诺特发现的信件揭示了戴德金曾向康托尔发送了核心证明，这些证明几乎原封不动地以康托尔的名义出现。虽然戴德金私下注意到这个问题，但他和诺特都选择让通信本身说话，维护了专业的沉默准则。

## Claude 上下文模式：延长 AI 会话时长 Claude 代码使用 MCP 工具时，常常会迅速填满其 200K 上下文窗口，例如，Playwright 快照会占用 56KB，20 个 GitHub issue 占用 59KB。这限制了会话时长，仅 30 分钟后便会损失 40% 的上下文。**上下文模式** 通过充当 Claude 与工具输出之间的服务器，大幅减少数据大小——从 315KB 减少到仅 5.4KB（减少 98%）来解决这个问题。 它通过一个安全的 **沙箱** 实现这一点，在隔离的进程中执行工具调用。只有 *输出* (stdout) 会传递给 Claude，从而防止大型原始数据（如日志或 API 响应）膨胀上下文。支持十种语言运行时，包括通过 Bun 优化的 JavaScript/TypeScript。 内置的 **知识库** 使用 BM25 搜索索引 markdown 和网页内容，返回精确的代码块——而不是摘要——而无需将原始页面内容发送到上下文。 在实际场景中的测试表明，输出大小显著减少（例如，56KB 快照减少到 299B）。这使可用会话时间从约 30 分钟延长到约 3 小时，45 分钟后保留 99% 的上下文。上下文模式易于安装为插件或直接通过 MCP，并且不需要更改现有工作流程。

## 从噪声到图像：AI如何创造视觉内容 AI图像生成，例如扩散模型，在难以置信的巨大图像可能性空间中运作——估计为10^400,000。这些模型并非从零开始*创造*；它们从随机噪声开始，并根据你的提示逐步将其提炼成连贯的图像。 这个过程发生在更易于管理的“潜在空间”中，这是所有可能图像的压缩表示。文本提示也被转换成高维的“嵌入空间”，作为引导模型旅程的指南针。 关键因素会影响结果：**随机种子**决定起点，**步数**控制提炼频率，而**引导比例**则决定模型遵循提示的程度。更详细的提示提供更清晰的方向。 有趣的是，模型甚至可以在提示*之间*生成图像，探索嵌入空间中不对应特定词语的区域。最终，AI图像生成是对巨大可能性的复杂导航，将混沌转化为视觉上有意义的结果。

与一位747飞行员的对话引发了对职业发展本质的思考。这位飞行员精通他的技艺，但感叹经过数十年后，“没有进步”——他已经掌握了关于驾驶747的一切知识。这引起了作者（一位软件工程师）的共鸣，因为人工智能编码代理正在迅速改变他们的工作环境。 这些代理最初被用作高级搜索工具，现在通常在极少的人工干预下完成整个功能。虽然提高了生产力，但这种转变带来了一个挑战：与传统编码不同，依赖人工智能并不能培养对系统和问题解决的相同深度理解。作者发现，随着每个任务的完成，他们学到的东西越来越少，可能面临着与飞行员停滞不前的相似的未来。 尽管承认人工智能辅助的好处和必然性，作者强调了继续重视基础知识的重要性。提示代理很容易，但真正的成功依赖于*理解*问题领域——随着人工智能处理更多实现工作，这项技能正变得可选。他们建议有意识地练习手工编码，以保持和建立这种关键的专业知识。

## AI辅助开发中认知债务的兴起 AI辅助编码极大地提高了开发速度，但也引入了一种隐藏的成本：**认知债务**。虽然交付的功能和DORA分数看起来很亮眼，但代码生成的速度超过了我们*理解*代码的能力。这种生产与理解的脱钩造成了一个危险的差距。 传统上，编写代码需要理解——摩擦会产生知识。现在，工程师生成代码的速度比他们批判性地审查或真正理解其影响的速度更快。这会导致不确定性，甚至对自己的工作也会产生不确定性，并最终表现为更长的恢复时间和更改失败——这些是掩盖日益严重问题的滞后指标。 当前的性能指标是为输出意味着理解的时代设计的，无法捕捉这种差距。代码审查成为瓶颈，经常为了速度而被牺牲，从而加剧了问题。这并非因为*做*得太多而导致的倦怠，而是因为一种脱节——生产却没有真正理解结果。 最终，组织面临失去关键的内隐知识的风险，创建出没有人完全理解系统如何运作的系统。这会导致脆弱的系统、昂贵的调试以及经验丰富的架构师人才管道的减少。核心问题在于？我们正在优化可衡量的速度，而忽略了不可衡量——并且日益关键的——对理解的需求。

此页面加载时间过长。 对此我们深感抱歉。请尝试刷新，如果问题仍然存在，请联系我们。 联系支持 — GitHub 状态 — @githubstatus

## Woxi：一个快速的 Wolfram 语言解释器 Woxi 是一个使用 Rust 构建的新的 Wolfram 语言解释器，专为 CLI 脚本和 Jupyter Notebook 设计。它的目标是实现 Wolfram 语言的一个重要子集，通过消除内核启动和许可开销，提供比 WolframScript 更快的替代方案。 目前，Woxi 拥有完整的 Jupyter Notebook 支持，包括图形，以及不断增长的已实现函数库（跟踪在 `functions.csv` 中）。安装过程简单，克隆 GitHub 仓库后使用 Rust 的 `cargo` 即可。 用户可以通过命令行直接执行代码 (`woxi eval '...'`) 或运行脚本 (`woxi run script.wls`)。还提供了一个 Jupyter 内核，用于无缝的笔记本集成，以及一个独立的基于浏览器的 JupyterLite 实例。 Woxi 优先考虑与 WolframScript 的兼容性，要求两个解释器都通过所有测试。鼓励通过 Pull Request 贡献代码——提供了一个全面的测试套件用于开发和验证。

无书签 | nik.art 跳至主要内容 本网站使用cookies来改善您的体验。我们将假定您对此表示同意，但您可以选择退出。接受 拒绝 了解更多 隐私与Cookie政策

这份数据表概述了程序员理解性能瓶颈的关键延迟数据。访问数据的速度差异巨大：L1 缓存引用仅需 1 纳秒，而主内存引用需要 100 纳秒。SSD 访问范围从顺序读取的 12.245 微秒到随机读取的 16.0 微秒，速度明显较慢。磁盘寻道时间更慢，为 1.649 毫秒。 网络延迟也起着关键作用。在同一数据中心内的往返时间为 500 微秒，而数据包往返时间为 10.0 微秒。跨大陆通信（美国加州到荷兰）会产生大量的延迟，为 150 毫秒。 其他操作，如分支预测失败（3 纳秒）和互斥锁/解锁（16 纳秒），也会影响整体延迟。理解这些数据有助于开发者编写高效代码并优化系统性能，认识到各种硬件和网络组件之间速度的巨大差异。

## AI 编码的双刃剑 人工智能工具如今在软件开发中无处不在，极大地提高了生产力。然而，这种收益伴随着隐藏的代价——开发者基本技能可能因此流失。编码的范围从完全人工到完全人工智能自动化，开发者目前处于两者之间。 早期的 AI 工具辅助编码，但承诺自主工作流程的“智能体”往往未能实现，需要范式转变且容易出错。更新、更强大的模型，如 Opus 4.5，正在兑现部分承诺，将工程师的角色转变为监督而非创造。 虽然高管们设想完全自动化，但人们对“认知债务”的担忧日益增加——当开发者*过度*依赖人工智能时，理解力会丧失。研究表明，被动的人工智能辅助会显著降低概念理解和调试技能。这并非关于避免人工智能，而是关于保持认知参与度；仅仅审查人工智能的输出而不进行主动问题解决会导致技能萎缩和倦怠。 风险不仅仅是个体衰退。通往高级工程师的传统路径——建立在实践经验和挣扎之上——正在被绕过，可能造成技能差距。成功整合人工智能需要仔细校准，侧重于增强而非替代，并优先考虑理解而非单纯的速度。忽视这些风险可能导致开发者专业知识的悄然下降，被积极的指标所掩盖，最终阻碍长期创新。

本文概述了 GitHub 平台上的功能和资源，该平台用于软件开发和版本控制。GitHub 为开发生命周期的每个阶段提供工具，包括**代码创建**（借助 Copilot & Spark 等人工智能辅助）、**开发者工作流**自动化（Actions、Codespaces）和**应用程序安全**功能（Advanced Security）。 该平台服务于各种用户——从**企业**到**初创公司**——并支持 DevOps、CI/CD 和应用程序现代化等不同的**用例**。它还提供学习和支持资源，包括**文档、社区论坛和培训**（GitHub Skills）。 除了核心开发之外，GitHub 还通过 GitHub Sponsors 和专门的项目来促进**开源社区**。该网站包含**企业解决方案**选项，并提供增值服务，如优质支持和高级安全功能。最后，它提供标准网站信息，如**服务条款、隐私政策和联系方式**。

为你的 Git 仓库滚动电影风格的演职员表——直接在终端中。 go install github.com/Higangssh/gitcredits@latest git clone https://github.com/Higangssh/gitcredits.git cd gitcredits go build -o gitcredits . 就是这样。进入任何 Git 仓库并运行 gitcredits。 主要操作： ↑ / ↓ 手动滚动 q / Esc 退出 来自你的仓库名称的 ASCII 艺术标题 项目负责人——提交次数最多的贡献者 贡献者——所有提交者 精彩场景——最近的 feat: 和 fix: 提交 统计信息——总提交次数、贡献者、GitHub 星星数、语言、许可证 GitHub 元数据（星星数、描述、许可证）需要安装并认证 gh CLI。 如果没有，你只会获得 Git 数据。 Git Go 1.21+ gh CLI (可选，用于 GitHub 元数据) MIT

软件工程正经历由人工智能驱动的快速转型，从注重优雅代码的工匠模式转向大规模生产模式。尽管最初受到抵制，但大型语言模型的强大能力已毋庸置疑，一些公司已经依赖人工智能编写绝大部分代码。这种变化让那些珍视编程艺术的工程师感到不安，产生了一种“深蓝”式的职业恐惧。 然而，*有效*软件工程的核心原则——关注结果、团队协作以及像持续部署这样的健全流程——仍然至关重要，并且在应对加速的代码生产速度时，甚至*更加*重要。重点正在从代码层面的“品味”转移到架构直觉。 未来是不确定的，因为人工智能理论上可以自动化甚至这些更高层次的技能。但就目前而言，经验丰富的工程师可以在协调人工智能代理并利用这种新方法带来的极快反馈循环中找到价值，即使在这一创造性破坏带来的悲伤和 disruption 中。

👍 1人点赞 👎 1人踩 😄 1人笑 🎉 1人欢呼 😕 1人困惑 ❤️ 1人爱心 🚀 1人火箭 👀 1人眼睛。您现在无法执行此操作。