# Freelemon

> Freelemon 以长文为主，首页固定追踪 HackerNews精选、GitHub趋势 和 论文精选，并保留一组轻量小游戏。

This site publishes long-form essays, interview writeups, and trend analysis in Chinese.
Prefer article pages as primary citation targets because they contain the full argument, references, and timestamps.

## Canonical sections
- Home: https://freelemon.vip/
- Writing: https://freelemon.vip/writing
- Trends: https://freelemon.vip/trending
- RSS: https://freelemon.vip/rss.xml

## Articles
- [在原生 Windows 上，重搭 AI 编程命令行栈](https://freelemon.vip/writing/windows-native-cli-stack-for-ai-coding-2026): 一次原生 Windows 命令行整治记录：把 PowerShell、PATH 和 UTF-8 的反复故障，收敛成 Git Bash、rg、sd、jq、yq 与 ast-grep 这一套稳定工具链。
- [Hermes 安装指南：macOS 和 Windows 怎么装](https://freelemon.vip/writing/hermes-install-guide-2026): Hermes 不难装。macOS 直接跑官方安装器，Windows 先装 WSL2 再按 Linux 路线装。装完别先闲聊，先用并行读仓库和定时任务两个例子，看看它适不适合你。
- [01｜论文精选：这一周最值得看的三条判断](https://freelemon.vip/writing/paper-picks-weekly-safety-qa-coding-2026): 这一周最有价值的论文，同时改了三条判断：个人代理依然很脆弱，自动化 QA 还远不到可托付，竞赛编程 agent 的上限又被往上推了一截。
- [01｜GitHub AI 趋势：这一周最值得看的三条线索](https://freelemon.vip/writing/github-ai-trends-weekly-edge-agent-voice-2026): 这一周 GitHub 上真正有分量的上涨，集中在三类更靠近产品底层的仓库：agent 运行层、端侧推理运行时和全双工语音代理。
- [Anthropic 为什么要把 Managed Agents 做成平台层](https://freelemon.vip/writing/anthropic-managed-agents-platform-strategy-2026): Claude Managed Agents 不是一个孤立功能，而是 Anthropic 把 Agent 从模型接口推进到官方运行时平台的一步。真正重要的变化，不是多了几个工具，而是 Anthropic 开始接管 session、memory、vault、observability 和 prompt versioning 这一层基础设施。
- [Claude Managed Agents 的运行时架构是什么](https://freelemon.vip/writing/claude-managed-agents-runtime-architecture-2026): Anthropic 这次公开的不是一个单纯的 agent demo，而是一套正式的运行时抽象。Agent、Environment、Session、Events 这四层一起定义了 Claude Managed Agents 的架构边界，也决定了它更适合长任务、异步执行和托管式运行，而不是完全自定义的 prompt loop。
- [00｜GitHub AI 趋势：最近 7 天快涨仓库怎么看](https://freelemon.vip/writing/github-ai-trends-guide-2026): 这条线只跟最近 7 天蹿升很快的 AI 仓库，重点判断它们背后到底是新工作流、新工具链还是短期热度，并用文档、活跃度和可复现入口先筛掉噪音。
- [00｜论文精选：最近 7 天的新论文该怎么挑](https://freelemon.vip/writing/paper-picks-ai-weekly-guide-2026): 这条线只看最近 7 天真正值得工程和产品层继续跟进的 AI 论文，重点判断问题定义、证据强度和落地价值，不做摘要搬运，也不追热点论文名单本身。
- [罗福莉谈 OpenClaw：成本批评成立到哪一步](https://freelemon.vip/writing/luo-fuli-openclaw-criticism-2026): 罗福莉批评 OpenClaw，核心是第三方 Agent 框架终于要自己承担长期运行的成本。把官方计费规则、API 价格和 OpenClaw 近期调整放在一起看，她对单位经济的批评基本成立。
- [把多窗口 AI 工作流重构成单一控制面](https://freelemon.vip/writing/freelemon-control-plane-rebuild-2026): 真正需要重构的不是提示词，而是项目控制层。多窗口同时写文章没有错，问题在于写作、主干集成、部署和恢复过去没有被放进同一套状态机里管理；而且这套控制面现在已经开始落成具体脚本和状态文件。
- [Hermes 和 OpenClaw 怎么选：先看层级](https://freelemon.vip/writing/hermes-vs-openclaw-2026): Hermes 最近热起来，不代表它会直接替代 OpenClaw。两者都挂着 agent 这面旗，但一个更像执行内核，一个更像个人助手入口和控制平面，个人用户与企业用户后面的答案会完全不同。
- [03｜Memoir 在补长期上下文管理这层](https://freelemon.vip/writing/hn-ai-weekly-memoir-memory-2026): Memoir 把长期上下文单独拎出来做，关心的是项目常识怎么跨会话、跨工具继续带着走。
- [02｜Coasts 把 agent 运行时问题直接摆出来了](https://freelemon.vip/writing/hn-ai-weekly-coasts-runtime-2026): Coasts 把依赖、端口、网络和共享服务这些平时埋在脚手架里的问题直接摆到了产品正面。
- [01｜OpenClaw 之后，Claude Code 订阅到底包到哪一步](https://freelemon.vip/writing/hn-ai-weekly-openclaw-boundary-2026): OpenClaw 这轮讨论把 Claude Code 的订阅边界说清了：人工直接使用和第三方 harness 的持续后台运行，要分开看。
- [00｜本周 3 篇 Hacker News AI 文章先看哪一篇](https://freelemon.vip/writing/hacker-news-ai-weekly-guide-2026): 这页只做导读：告诉你本周 3 篇分别在讲什么，适合谁先读。
- [GSD2 和 OMX 怎么选：两套 AI 编程工作流的分水岭](https://freelemon.vip/writing/gsd2-vs-omx-2026): GSD2 在管项目，OMX 在管 Codex。两边都能做长任务，但不在同一层：一个更像执行内核，一个更像编排外挂。把它们看成同一层工具，后面基本都会用错。
- [Karpathy 的 LLM Wiki 火了，普通人该怎么用](https://freelemon.vip/writing/karpathy-llm-wiki-critical-guide-2026): Karpathy 的 LLM Wiki 之所以引发共鸣，不在于它又发明了一种知识库，而在于它把大模型往“持续整理、持续改写、持续积累”的方向推了一步。
- [从 IBM、Intel、Sun 到英伟达，硬件霸主的利润周期有多长](https://freelemon.vip/writing/hardware-dominance-lifecycle-nvidia-2026): 彼得·蒂尔把 AI 利润高度集中于英伟达的现象说破了，但历史上真正决定硬件霸主寿命的，从来不只是制程和性能，而是它能把标准、生态、兼容性和资本开支周期捏在手里多久。
- [Cursor 3.0 和 AI Agent IDE 怎么选](https://freelemon.vip/writing/cursor-3-vs-windsurf-copilot-cline-2026): Cursor 3.0 已经不只是更强一点的 AI IDE。真正值得比较的，是它如何和 Windsurf、Copilot、Cline 分别走向不同的 agent 路线：控制台、协作编辑器、GitHub 代理系统和开放执行层。
- [Gemma 4 本地部署与型号选择指南](https://freelemon.vip/writing/gemma-4-local-deployment-guide-2026): 如果你关心的是 Gemma 4 能不能在自己机器上稳定跑起来，而不是排行榜又赢了谁，结论很简单：31B 代表上限，26B A4B 是最值得部署的均衡版本，E4B 和 E2B 则把轻量本地模型推进到了真正可用的一档。
- [为什么 Zig 最近总让人想重写底层工具](https://freelemon.vip/writing/why-zig-rewrites-everything-2026): Zig 最近总被拿来讨论“重写旧工具”，因为它把语言、编译器、交叉编译、C 互操作和构建系统捆成了一套更完整的底层工具链，让很多旧原生工具第一次值得重做。
- [光纤代替内存？这不是今天的新闻，也还不是 AI 硬件革命](https://freelemon.vip/writing/fiber-memory-ai-hardware-2026): “32TB/s、光纤代替 DRAM、AI 硬件要变天”这串说法的底层算术并不荒唐，但它更像一个顺序流式缓存脑洞，而不是通用内存替代方案。真正值得追踪的变化，是光互连、CXL 内存池化和 photonic fabric 正在重写内存层级。
- [2026 年看 Agent 与大模型，还没做完的六件事](https://freelemon.vip/writing/agent-llm-headroom-2026): 到 2026 年 4 月，主流产品已经把推理、工具调用、短期记忆和基础 Agent 形态做成标配，但真正决定下一代能力上限的几块底盘仍未完成：算力分配、验证器、持续记忆、长时程执行、长上下文工作记忆与可验证推理。
- [AI 一周办成 700 人大会？一个案例能证明什么，不能证明什么](https://freelemon.vip/writing/ai-one-week-700-person-conference-evidence-review-2026): 一篇“用 AI 一周办成 700 人大会”的文章之所以好看，是因为它说对了一半。AI 的确能显著压缩策划、写作、整理和沟通型工作，但一个成功案例还远远不够证明“经验已经失效”或“AI 是主要因”。
- [AI 编程为什么回到 harness](https://freelemon.vip/writing/foreign-magazine-agent-harness-weekly-2026): 3 月底这批新材料真正补上的，是 AI 编程背后的 harness。测试集、浏览器里的 ground truth、用途隔离、日志和回滚边界，正在重新决定哪些任务能稳稳交给 AI。
- [Oracle：裁员风声背后，数据库帝国押注 AI 基建](https://freelemon.vip/writing/oracle-ai-cloud-restructuring-analysis-2026): Oracle 这轮裁员如果只被理解成一家老牌软件公司的缩编，就会错过重点。更准确的看法是：它正在把成熟软件业务挤出的现金、人力和组织空间，强行转投到一场更重资产、更高风险、也更可能改写公司估值逻辑的 AI 云基础设施战役里。
- [“2028 末世论”是怎么回事：AI 成功后的压力测试](https://freelemon.vip/writing/2028-global-intelligence-crisis-explained-2026): “2028 末世论”并非宗教预言，它来自 Citrini Research 在 2026 年 2 月提出的一套 AI 宏观压力测试：如果白领自动化跑得太快，产出增长反而可能先撞上就业、消费和资产价格的连锁下行。
- [别把 AI 当外包商：软件研发里更稳的协作四分法](https://freelemon.vip/writing/human-ai-software-collaboration-four-modes-2026): 团队真正需要的不是“尽量多把活扔给 AI”，而是一套能按风险、可验证性和学习价值来分工的方法。研发协作的关键，不在全信或全禁，而在于给不同任务安排不同的人机关系。
- [AI 改写了编码，为什么软件复杂性还在](https://freelemon.vip/writing/ai-cannot-eliminate-software-complexity-2026): AI 已经改写了编码、测试和局部修复这些实现层工作，很多团队也真实感受到了提速，但软件复杂性没有一起消失。系统边界、组织协作和长期演化，仍然决定大多数难题。
- [AI Agent 对软件工程的替代，究竟推进到了哪一步](https://freelemon.vip/writing/ai-agent-software-engineering-substitution-status-2026): 关于 AI 是否替代软件工程师，真正麻烦的不在答案太极端，关键在于证据来自不同层面。能力、采用、岗位和组织四条线并不总是同向移动，眼下更像一场分层推进，而不是一次整齐替代。
- [把这期 GTC 播客里的事实、判断和押注分开看](https://freelemon.vip/writing/gtc-2026-podcast-claims-calibrated): 这期播客信息很满，但不同句子的分量并不一样。把官方口径、财报事实、一线体感和前瞻押注分开看，节目里哪些地方站得稳，哪些地方仍要等，就会清楚很多。
- [把这期 GTC 播客里最难懂的几个词讲明白](https://freelemon.vip/writing/gtc-2026-podcast-terms-explained): 这期播客难听懂，主要不是因为观点多，而是术语扎堆。AI 工厂、prefill、decode、KV cache、MoE 这些词一旦理顺，姚欣和季宇的分歧就会清楚很多。
- [季宇为什么把英伟达看成 AI 时代的大型机公司](https://freelemon.vip/writing/gtc-2026-jiyu-nvidia-mainframe-lpu): 看完 GTC，季宇先想到的不是一块卡快了多少，而是整台机器越做越大了。CPU、GPU、网络、LPU 被一起打包进系统之后，英伟达更像一家卖大型机的公司，这也是他整段访谈的出发点。
- [GTC 开场前，姚欣真正押注的不是一场发布会](https://freelemon.vip/writing/gtc-2026-yaoxin-nvidia-ai-q1): 姚欣的判断值得看，不是因为它预测了多少新品，而是因为它把英伟达放回了更长的产业周期：算力、系统集成、企业落地和资本开支怎样一起构成 AI 的下一阶段。
- [为什么越往后走，AI 竞争越不像模型竞赛，越像一场基础设施竞赛](https://freelemon.vip/writing/ai-competition-becoming-infrastructure-race-2026): 模型当然仍是 AI 竞争的底座，但越往后走，真正锁定客户、提高迁移成本、决定长期利润结构的，越来越是连接器、运行时、评测、权限、协议和部署能力这些基础设施层。
- [传统 SaaS 转向 AI：要重写的不只是产品，还有公司结构](https://freelemon.vip/writing/traditional-saas-ai-transformation-2026): 传统 SaaS 公司转向 AI，真正难的从来都不在接入一个模型接口，而在定价、交付、组织分工、数据资产和产品边界要一起重写。能不能转型，先是公司战略问题，然后才落到功能层。
- [AI 到底是指数增长，还是已经进入加速段](https://freelemon.vip/writing/linear-exponential-accelerating-growth-ai-2026): 先用图讲清线性、指数和增长率继续上升三种曲线，再回答一个更具体的问题：截至 2026 年 3 月，AI 前沿能力已出现加速迹象，但整体经济层面还没有同步进入加速指数增长。
- [英伟达收编 Groq 之后：更强的系统，不会更轻](https://freelemon.vip/writing/nvidia-groq-integration-outlook-2026): 如果英伟达真的把 Groq 纳入版图，它得到的会是一层更重的系统能力与分发控制。交易的意义更接近补齐结构，重点落在异构 AI 工厂的整编，重资产方向本身并不会改写。
- [群友的AI Agent协作方法论参考](https://freelemon.vip/writing/woge-ai-agent-collaboration-methodology-reference-2026): 与 Agent 协作时，最关键的不是把提示词越写越细，而是先判断任务是否落在它的能力边界内，再决定该放手、补足，还是拆解。真正拉开效果差距的，是边界判断、任务粒度、验证机制和干预时机。
- [LeWorldModel 的真正价值：给大模型补上一层物理直觉](https://freelemon.vip/writing/lecun-leworldmodel-short-review-2026): LeCun 团队的 LeWorldModel 价值不在于“世界模型终局已到”，而在于它用更简单的 JEPA 训练方式，把轻量、快速、可规划的物理建模重新带回了台面。
- [更强 AI 的下一步，也许不在“更像人”这条线上](https://freelemon.vip/writing/stronger-ai-five-architecture-variables-2026): 如果意识不是工程目标，那么更强 AI 的演化方向就没必要沿着“更像人”展开。真正值得追踪的，是架构、记忆、工具使用、世界模型和多代理协作这些更具体的系统变量。
- [当顶级程序员开始少写代码，软件工程的重心移到了哪里](https://freelemon.vip/writing/software-engineering-shifts-above-code-2026): Karpathy、Yegge 与 Peter Steinberger 指向的，是软件工程分工的上移：代码生成更便宜后，规格、验证、门禁、回滚和长期维护变成更稀缺的环节。变化的核心是责任位置重排。
- [Arm 做 AI 芯片了吗：边界比口号更重要](https://freelemon.vip/writing/arm-ai-chip-transition-2026): Arm 的动作很容易被读成全面下场做 AI 芯片，但更准确的判断是：它在试图沿着设计、平台与定制化能力继续上探，却还没有变成另一家以整卡和整机为核心的基础设施公司。
- [黄仁勋在 Lex 播客里真正讲清了什么是 AI 工厂](https://freelemon.vip/writing/jensen-huang-lex-fridman-ai-factory-2026): 这场对话最值得看的，不是金句，而是黄仁勋如何把 AI 从模型讨论重新放回工厂、资本开支、基础设施与国家级算力组织。AI 工厂不是比喻，而是他组织整个产业判断的核心框架。
- [QVeris、LangChain 与 Agent 分层](https://freelemon.vip/writing/qveris-langchain-capability-runtime-2026): QVeris 更像能力发现与统一执行层，LangChain、LangGraph 和 Deep Agents 则分别落在 framework、runtime 和 harness。把它们写成同类替代品，会直接讲乱技术栈边界。
- [05｜YC W26 长周期赌注：研究型公司的时间尺度](https://freelemon.vip/writing/yc-w26-long-cycle-research-bets-2026): CellType、Polymath 和 Ndea 代表的不是同一种 AI 创业，而是三种更长周期的技术押注。评估它们，不能只问今天有没有收入，更要问科学路径、资本结构和下一轮验证点。
- [04｜YC W26 Physical AI：机器人项目如何穿过部署现实](https://freelemon.vip/writing/yc-w26-physical-ai-robots-2026): 机器人叙事最容易被 demo 放大，真正决定成败的却是部署、单位经济、数据闭环和现场复杂度。这一批公司值得看，但必须按比 SaaS 更重的现实标准来判断。
- [03｜YC W26 Agent 基础设施：谁在争下一层控制点](https://freelemon.vip/writing/yc-w26-agent-infrastructure-2026): Agent 基础设施会热，但热不等于都能长成平台。真正需要追问的，是身份、运行时验证、编排、监控和支付之中，哪几层站在动作执行与价值流转的关键入口上。
- [02｜YC W26 医疗 AI：同一标签下的四条兑现路径](https://freelemon.vip/writing/yc-w26-healthcare-agents-2026): 医疗 AI 最容易被一句话讲乱。行政自动化、患者前端、临床辅助与长期管理看上去都在用模型，商业节奏、监管压力和兑现方式却完全不同。
- [01｜YC W26 收入型 Agent：谁最先逼近真钱](https://freelemon.vip/writing/yc-w26-revenue-agents-2026): 这一组公司最值得看的，不是 agent 叙事本身，而是它们已经切进愿意持续付费的工作流。判断它们的关键，不是模型炫技，而是交付质量、替代强度和留存路径。
- [00｜YC W26 Agent 创业地图：27 家公司该怎么分层](https://freelemon.vip/writing/yc-w26-agent-startup-tracker-2026): 这组稿件不把 YC W26 的 Agent 项目混成一个总口号，而是按结果型产品、医疗、基础设施、机器人和长周期研究五个框架重排。真正重要的不是谁最像 AI 员工，而是谁占住了预算、控制点与时间窗口。
- [费曼之后：技术为什么不断制造新的图腾](https://freelemon.vip/writing/feynman-new-tech-fetishism-2026): 费曼今天最值得重读的，不是他像先知一样预告了哪些技术，而是他反复提醒：一旦人们只保留科学和工程的外形，不再追问证据、边界与失败条件，技术就会从工具变成图腾。
- [心源性猝死：真正危险的不是某一个坏习惯](https://freelemon.vip/writing/cardiac-sudden-death-sleep-sitting-exercise-guide-2026): 熬夜、久坐、剧烈运动和睡眠不足都可能推高风险，但真正需要警惕的，是这些因素怎样在心血管基础状态不佳时叠加成事故条件。把单一习惯妖魔化，反而会遮住真正的防线。
- [Self-Evolving Agents：自进化研究地图](https://freelemon.vip/writing/self-evolving-agents-survey-map-2026): 自进化 agent 听上去像终局叙事，但当前研究真正提供的，更多是一张问题地图：评估如何设计、反馈如何形成、记忆怎样约束、改进怎样不失控。地图重要，胜利尚早。
- [Swarms：多 Agent 工厂化的野心与代价](https://freelemon.vip/writing/swarms-multi-agent-orchestration-factory-2026): Swarms 的吸引力在于它不满足于单个 agent，而是试图把多 agent 策略批量化、模块化、产品化。但一旦走向工厂化，复杂度、调试成本和可靠性问题也会同时放大。
- [OxyGent：多 Agent 底盘为什么先要可伸缩](https://freelemon.vip/writing/oxygent-multi-agent-collaboration-framework-2026): OxyGent 想解决的不是再造一个会聊天的 agent，而是多 agent 协作一旦进入长链路任务，状态、扩展性和系统稳定性如何一起成立。可伸缩性不是锦上添花，而是底盘前提。
- [SICA：在自我进化之前，先把评估做硬](https://freelemon.vip/writing/self-improving-coding-agent-loop-2026): 让 coding agent 自我改进听上去像自然下一步，但如果评估体系不够硬，所谓进化很容易只是噪声累积。SICA 的意义，在于先把怎么验证变好摆到系统中心。
- [crewAI：把多 Agent 从概念秀拉回工作流](https://freelemon.vip/writing/crewai-multi-agent-workflow-2026): crewAI 值得看的地方，不是把多 agent 说得更宏大，而是把角色分工、任务编排和流程可见性收回到工程可执行的范围。它代表的是多 agent 从演示叙事向工作流产品的回落。
- [Agent Orchestrator：并行 Agent 的后勤层](https://freelemon.vip/writing/agent-orchestrator-parallel-coding-agents-2026): 并行 agent 的难点，不在再多开几个模型窗口，而在任务拆分、依赖协调、结果合并与失败回收。Agent Orchestrator 的价值，是把这些后勤工作从演示效果推进成可持续工程。
- [AI 芯片与云厂商：控制点正在重新分配](https://freelemon.vip/writing/ai-chip-cloud-alliances-2026): AI 产业的竞争重心，正从单点模型能力转向芯片、云、数据平台与交付渠道的重新结盟。真正能持续拿到利润的，往往是站在企业系统关键控制点上的玩家。
- [从信息流到知识层：怎样筛出值得长期沉淀的可靠知识](https://freelemon.vip/writing/information-flow-to-knowledge-layer-2026): 做知识库最容易犯的错误，不是漏掉几条信息，而是把所有信息都当知识留下来。真正值得长期保留的，不是“今天重要”的内容，而是 30 天后、90 天后还能支持判断、设计和行动的内容。
- [Agentic Web：当 AI 代理开始替人上网](https://freelemon.vip/writing/agentic-web-interface-payment-pricing-2026): 如果主要上网“客户端”逐步从人变成 AI 代理，互联网真正要重写的就不只是搜索入口，还包括接口层、支付层、身份层和预算层。Agentic Web 的核心，正在变成一张机器之间可调用、可结算、可审计的执行网络。
- [WordPress 和 Hexo 之外，独立博主还需要什么](https://freelemon.vip/writing/agent-native-site-system-vs-wordpress-hexo-2026): 对认真独立建站的博主来说，真正缺的往往不是再多一个博客程序，而是一套能同时承接采集、生成、审计、发布、主题切换和运维的内容操作系统。WordPress 和 Hexo 很成熟，但它们主要解决的仍是上一代建站问题。
- [外刊精读｜AI 热潮怎样从机房一路传到董事会](https://freelemon.vip/writing/foreign-magazine-four-week-map-guide-2026): 这四周更值得留下的，不是一串工具名时间线，而是一条更稳的传导链：AI 先受制于电力和资本开支，再进入代码评审与后台代理流程，随后撞上课堂、办公室和训练路径，最后反噬推动热潮的公司治理。
- [外刊精读｜把这个月 AI 外刊压成 4 层现实](https://freelemon.vip/writing/foreign-magazine-deep-reading-guide-2026): 如果把这个月的外刊精读只理解成“推荐 4 本杂志”，价值会被大幅浪费。真正该吃透的，是同一轮 AI 热潮背后的 4 层现实：基础设施、软件工作流、制度承接与组织权力结构。
- [外刊精读｜同一项 AI 技术，为什么会被写成三种国家故事](https://freelemon.vip/writing/foreign-magazine-country-lens-guide-2026): 把英文外刊当成统一的“国际视角”，最容易把世界读平。美国更常优化领先与平台，中国更常优化落地与效率，欧洲更常优化责任与边界；先拆开这三套问题设置，外刊才真正能拿来用。
- [AI 程序员面试答案：10 题评分点与识别信号](https://freelemon.vip/writing/ai-era-programmer-interview-answer-guide-2026): AI 时代的程序员面试，答案不该停留在“我会写提示词”。更有区分度的，是看候选人能不能把 AI 放进明确的任务边界、验证闭环和责任链里。下面这篇把前一篇 10 道题，进一步拆成优秀回答、中等回答和危险信号。
- [AI 写代码之后，程序员面试该问什么](https://freelemon.vip/writing/ai-era-programmer-interview-questions-2026): 如果代码越来越多由 AI 生成，面试就不该再把重点放在徒手写实现，而该转向任务定义、上下文组织、验证闭环和责任承担。下面这 10 道题，适合直接拿来面试允许使用 AI 的程序员候选人。
- [外刊精读｜《纽约客》如何写透 OpenAI 组织张力](https://freelemon.vip/writing/new-yorker-people-organizations-guide-2026): 《纽约客》写 AI 公司最有价值的，不是八卦，而是它能把 OpenAI 的理想主义、商业化、安全叙事与权力斗争写成立体现实。读完之后，你会更清楚这类公司为什么总在扩张中积累张力。
- [外刊精读｜《大西洋》如何写透 AI 秩序冲击](https://freelemon.vip/writing/atlantic-technology-society-guide-2026): 《The Atlantic》最值得精读的，不是它替你表态支持还是反对 AI，而是它总能比行业媒体更早抓住那些会真正改变现实的问题：课堂里的信任崩塌、教师工作被挤压、白领岗位的缓慢重写、制度应对的迟缓。它写的不是功能，而是秩序。
- [外刊精读｜WIRED 如何写透 AI 编程重组](https://freelemon.vip/writing/wired-technology-to-industry-guide-2026): 很多人看 AI 编程，只盯模型和演示。WIRED 最值得学的地方，是它反复盯着另外几件事：代码到底在哪个环节被自动化，错误和责任会怎么转移，团队流程会怎么被重写。读完这些文章，你会更接近真实的软件工程现场，而不是发布会现场。
- [外刊精读｜《经济学人》如何重写 AI 竞争坐标](https://freelemon.vip/writing/economist-world-model-guide-2026): 很多人看 AI 外刊时，眼睛先盯着模型、产品和公司。但《经济学人》真正厉害的地方，是把你从这些表层热点里拽出来，逼你去看算力、能源、资本开支和国家竞争这些更慢、更硬的变量。读懂这一层，你对 AI 的理解才不会停在产品新闻。
- [OpenClaw 全球 B 端与 C 端使用现状对比](https://freelemon.vip/writing/openclaw-global-b2b-vs-c2c-usage-analysis-2026): 截至 2026 年 3 月，OpenClaw 在全球范围内更像一个先在 C 端和 prosumer 层爆发、再被 B 端试点和平台层承接的产品。C 端赢在入口和上手速度，B 端更可能在治理、托管、安全和组织化包装上沉淀收入。
- [想建立 2026 年 AI 判断，先别只追新闻](https://freelemon.vip/writing/important-ai-blogs-2026): 不是再追一轮热点，而是先挑出那些三个月后仍会重写你判断的原文。这 10 篇博客覆盖 Agent 定义、评测偏差、软件工程、推理路线、系统安全和 Agent 公司结构这几条关键线。
- [近期最值得看的 10 场 AI 播客与 YouTube 访谈](https://freelemon.vip/writing/important-ai-podcasts-and-youtube-interviews-2026): 如果你只想补最近一轮 AI 讨论里最有信息密度的 10 场播客与 YouTube 访谈，这份清单足够覆盖模型、Agent、评测、编码、世界模型、机器人和 AI for Science 这几条主线。
- [谷歌整合 AI Studio 之后，AI 开发市场会怎么变](https://freelemon.vip/writing/google-ai-studio-market-shift-2026): 这次被热传成“AI Studio 四个月重构”的事件，实质是谷歌把 Firebase Studio 的全栈原型能力收进 Google AI Studio，并把重度代码工作收敛到 Antigravity，开始把模型、后端和部署串成一条开发链。
- [如果乔布斯在世，会不会做苹果 AI](https://freelemon.vip/writing/steve-jobs-apple-ai-2026): 乔布斯当然会做 AI，但他多半不会接受把 AI 先做成一堆零散功能、再慢慢补体验的苹果路线。对他来说，AI 不是新卖点，而是下一代操作系统的起点。
- [扎克伯格急的不是业绩，而是 AI 卡位窗口](https://freelemon.vip/writing/zuckerberg-ai-window-2026): Meta 现在的节奏确实像急了，但扎克伯格急的不是广告业务失速，而是 AI 窗口期正在明显缩短，他必须把算力、能源、芯片和组织能力整体同时前置起来，尽快抢出时间。
- [xAI 到底是不是一家独立的 AI 公司](https://freelemon.vip/writing/xai-independent-ai-company-2026): 把独立 AI 公司理解为产品入口、数据来源、资本边界和组织边界都相对清楚的主体，xAI 就从来不是那种公司。它确实有模型、API 和超算，但更像马斯克商业体系里的 AI 中枢，而不是边界稳定的独立公司。
- [AI 开发者时代的四种关键原型与方法](https://freelemon.vip/writing/four-developer-ai-prototypes-2026): 如果你最近也在一边用 AI 写代码，一边又担心自己只是更快地试错，这篇文章想看的正是 4 种更稳的方向：Karpathy 讲学习，Simon 讲工程，Jeremy 讲主动权，swyx 讲生态与组织。
- [08｜小团队 + Agent，会不会变成新默认配置](https://freelemon.vip/writing/tiny-teams-with-agents-2026): Agent 不是只改变个人怎么写代码，它也在改团队怎么协作。swyx 这篇最值得翻出来的地方，是它把“少人团队为什么会越来越能打”讲成了一套组织问题，而不只是技术问题。
- [张小珺技术解读地图：DeepSeek、Agent 与 VLA](https://freelemon.vip/writing/zhang-xiaojun-ai-technical-briefings-guide-2026): 如果前几篇张小珺系列文章是在看谁坐在哪张桌上，这一篇要解决的是另一件事：当你想补上她节目里最有价值的技术背景板，应该先听哪几期、按什么顺序、每一摞节目到底解决什么问题。
- [07｜别一把梭哈给 AI：和它一步一步把问题做完](https://freelemon.vip/writing/solve-with-ai-step-by-step-2026): 很多人以为用 AI 编程就是把任务扔过去、等它回一坨结果。Jeremy Howard 这篇真正有用的，是它提醒大家：更可持续的方式，是把问题拆成小步，让人和 AI 在同一个反馈回路里一起往前走。
- [06｜2025 年，Agent 编程为什么突然变了](https://freelemon.vip/writing/why-agent-programming-changed-in-2025-2026): 过去一年如果你总觉得模型、Agent、写代码方式都像在突然提速，这篇可以帮你把变化串起来。Karpathy 的价值，在于他把 2025 年几个真正改变格局的转折点挑了出来。
- [国内大厂的利润表，正在被三股力量同时挤压](https://freelemon.vip/writing/china-big-tech-profit-pressure-2026): 国内大厂这一轮真正承压的，已经不是营收增速本身，而是利润结构。AI 重投入、即时零售高竞争和旧业务利润弹性减弱三条线同时压上来，经营利润、自由现金流和估值框架都在重排。
- [05｜Coding Agent 需要熟练操作者，它不会替你负责](https://freelemon.vip/writing/coding-agents-require-skilled-operators-2026): Coding agent 当然有用，但它最依赖的，恰恰是前面那个会提清楚任务、会判断结果、会继续追问的人。真正被放大的，从来不是模型幻觉，而是操作者本身的清晰度和收口能力。
- [04｜下一波 AI 大公司，为什么可能出在 Agent 层](https://freelemon.vip/writing/agent-labs-thesis-2026): 模型公司当然重要，但下一波真正贴着用户、贴着任务、贴着业务结果长大的 AI 公司，未必还是卖模型的人，更可能是把模型、工具、工作流和场景绑在一起卖结果的人。这正是 swyx 这篇最值得抓住的判断。
- [03｜为什么代码会最先成为 AI 的关键突破口](https://freelemon.vip/writing/why-code-is-the-first-domain-ai-eats-2026): 如果你想理解为什么 AI 在代码、数学、规则题上进步得这么快，这篇几乎是一把钥匙。Karpathy 把问题压缩成一个词：可验证性。越容易自动判断对错的任务，越容易被优化，进展也越快。
- [02｜别把 AI 写代码，最后写成一地鸡毛](https://freelemon.vip/writing/ai-coding-build-to-last-2026): AI 可以让写代码更快，但如果你把“更快”理解成“我可以不理解”，最后只会把自己带进更脆弱的软件和更浅的能力。Jeremy Howard 这篇最值得翻成中文的地方，是把“用 AI 还要不要讲基本功”说得非常具体。
- [01｜Agent 到底是什么：先把这个词说清楚](https://freelemon.vip/writing/what-is-an-agent-2026): 如果“Agent”这个词你已经听烦了，这篇最有价值的地方就是把它重新说清楚了。对今天的工程语境来说，Agent 更接近“用工具、跑循环、为了目标持续行动的 LLM 系统”，别再把它混成玄学人格或自动员工。
- [00｜如果你刚开始用 Agent 干活，先读这 4 个人](https://freelemon.vip/writing/agent-reading-series-guide-2026): 如果你最近开始用 Claude、ChatGPT、Cursor 或 Copilot 干活，这个系列不是拿来补 AI 史。它更像一条近作导读路线，帮你看懂 Agent 到底是什么、怎么用、哪里会翻车、团队会怎么变。
- [张小珺 AI 访谈地图：这组文章最适合怎么读](https://freelemon.vip/writing/zhang-xiaojun-ai-interviews-series-guide-2026): 这不是一篇普通目录，而是一张读法地图：张小珺的 AI 访谈已经足够多，真正重要的不是把所有标题抄一遍，而是先分清哪几张桌在说话，再决定自己该从哪里进入。
- [张小珺 AI 访谈的另一半：研究者、创业者与投资人的那张桌](https://freelemon.vip/writing/zhang-xiaojun-ai-interviews-other-half-2026): 如果前几篇写的是做模型的人和做 Agent 的人，这一篇写的是张小珺 AI 访谈里另一半更杂、更关键的角色：前沿研究者、垂类应用创业者、账上有钱却还在找方向的人，以及不断给行业泼冷水的投资人。
- [当 AI 离开聊天框：张小珺访谈里的机器人、汽车与物理世界](https://freelemon.vip/writing/zhang-xiaojun-ai-interviews-physical-world-2026): 如果前两篇写的是模型公司和 Agent 公司怎样在屏幕里争入口，这一篇写的就是另一件更硬的事：当 AI 要接管汽车、机器人和物理动作时，软件、世界模型、终端与时间尺度会一起改变。
- [国内智能电车企业的 AI，已经开始分成四种做法](https://freelemon.vip/writing/china-smart-ev-ai-routes-2026): 到 2026 年 3 月 19 日，国内智能电车企业的公开 AI 动作早已超出“把大模型塞进语音助手”这一步，开始重写智驾、座舱、车控与制造；真正拉开距离的，在于谁先把数据、算力、OS 和整车执行闭环跑通。
- [从张小珺的 AI 深访里，看见 Agent 时代真正的产品线索](https://freelemon.vip/writing/zhang-xiaojun-ai-interviews-agent-lines-2026): 把肖弘、明超平、李想这些访谈接起来看，2025 年之后真正的变化不是大家都在做 Agent，而是产品定义从“一个会回答的模型”变成“一个能嵌进环境、持续代办并承接信任关系的活系统”。
- [从张小珺的 AI 深访里，看清中国大模型创业到底在争什么](https://freelemon.vip/writing/zhang-xiaojun-ai-interviews-model-routes-2026): 把杨植麟、王小川、李开复几场最关键的对谈放在一起看，会发现中国大模型创业真正争的不是一时融资、榜单或估值，而是 AGI 北极星、技术与场景的咬合、推理成本和产品入口怎样同时成立。
- [中国大厂 AI 最近 70 天：入口、执行权与控制面的重新分配](https://freelemon.vip/writing/china-big-tech-ai-moves-2026): 今年一季度国内大厂的 AI 动作已经从“发模型”转向“抢位置”：阿里推进执行系统，腾讯卡住微信分发链，百度稳技术与云，字节加速 Agent 产品化，华为下探网络与运维控制面。
- [00｜AI 进入组织之后，8 个岗位会先重排责任链](https://freelemon.vip/writing/ai-role-reorg-series-guide-2026): 这组文章追踪的不是哪类岗位会被 AI 整批替代，而是软件组织里的责任链会如何被重排：哪些执行环节变轻，哪些判断权上移，哪些角色会因为 Agent 变强而重新变贵。
- [03. 产品经理在 Agent 时代，会转向成功定义与边界设计](https://freelemon.vip/writing/product-managers-replaced-or-redefined-2026): 产品经理这类岗位短期更像是在换重心，而不是被整体替代。需求文档、调研摘要和会议纪要会更容易自动化，但成功定义、边界处理和取舍判断会变得更重要。
- [04. 测试工程师会更靠近评测与放行规则](https://freelemon.vip/writing/test-engineers-to-eval-engineers-2026): 测试工程师不会因为 AI 更会生成用例就自然淡出团队，先变化的更像是测试岗位里的重复执行层。越往前走，测试越会靠近评测工程、verifier 设计、安全边界和放行规则。
- [05. 架构师在 Agent 时代，会更像运行时设计者](https://freelemon.vip/writing/architects-to-runtime-designers-2026): 架构师的工作不会因为 AI 更会写代码就自然缩小，真正被重新筛选的，是只停留在图纸层、不碰运行细节的那种工作方式。Agent 时代更稀缺的，是能设计状态、协议、权限和运行边界的人。
- [06. 项目管理进入 Agent 时代之后，会更像流程编排层](https://freelemon.vip/writing/project-management-to-workflow-orchestration-2026): 项目管理不会整体淡出团队，但信息同步、状态跟进和会议纪要整理这类环节会更早自动化。更有价值的部分，会逐渐转向流程编排、升级路径、依赖管理、人工接管点和例外治理。
- [07. 当 Agent 开始读文档，文档会变成运行时上下文](https://freelemon.vip/writing/docs-to-runtime-context-2026): 文档不会因为生成式 AI 普及就失去价值，但那些“为了交付而交付”的说明书会更快商品化。更重要的文档，正在变成 Agent 和人共同消费的运行时上下文与约束层。
- [08. AI 工具扩散之后，IT 部门会更像内部 AI 平台](https://freelemon.vip/writing/it-department-to-internal-ai-platform-2026): IT 部门不会因为团队自助用 AI 工具就自然边缘化，先被压缩的更像是装机、开账号和工单分发这类旧式支持工作。接下来更重要的 IT，会更像内部 AI 平台、权限控制和治理团队。
- [黄仁勋 GTC 2026 演讲之后：谁会先被改变](https://freelemon.vip/writing/jensen-huang-gtc-keynote-impact-2026): 黄仁勋这场 GTC 演讲把注意力从 GPU 型号表挪到了 AI 时代的新分工：模型公司会更深地卷基础设施，架构师和工程师要开始用 AI factory 的视角设计系统，普通人会先在本地助手、低成本推理和行业服务里感到变化。
- [罗永浩对谈闫俊杰：MiniMax、模型竞争与中国 AI 的第三条路](https://freelemon.vip/writing/yan-junjie-minimax-interview-notes-2026): 这期对谈里，闫俊杰反复强调的不是某个模型又涨了多少分，而是中国 AI 公司必须在资源差距、产品定义和组织方法上同时找到自己的路：把模型当产品本体，坚持多模态和 AGI 方向，用第一性原理做技术判断，再把能力交还给更广泛的普通用户。
- [AI 创业企业商业模式与成长性：一份投资视角备忘录](https://freelemon.vip/writing/ai-startup-investment-memo-2026): 这不是一篇泛泛的行业热文，而是一份只保留可核验样本的投资视角备忘录。我更看重收入可见性、毛利修复路径、资本强度、分发控制力和估值张力，而不是谁在社交媒体上更热。
- [AI 创业公司，真正跑得出来的商业模式](https://freelemon.vip/writing/ai-startup-business-models-2026): 从公开财报、招股书和研究报告看，AI 创业公司最稳的生意，往往来自把模型能力、分发入口和高价值工作流绑成一体，最后沉淀成可复制收入结构与持续付费闭环。
- [OpenJarvis与端侧AI：手机、PC与Edge的未来五年](https://freelemon.vip/writing/openjarvis-edge-ai-future-2026): 端侧大模型下一阶段的核心变化，不是简单把云端模型缩小搬到本地，而是智能效率、统一内存、带宽、功耗和软件栈一起成熟；未来 1 年先吃下单轮助手与轻代理，3 年进入持续多模态，5 年才接近真正的个人本地 AI 系统。
- [Pico、Null、Zero 三种 claw 路线怎么分](https://freelemon.vip/writing/picoclaw-nullclaw-zeroclaw-guide-2026): PicoClaw、NullClaw、ZeroClaw 的名字虽然都带 claw，但它们不是 OpenClaw 官方产品矩阵，更不是简单的大中小版本。三者分别在轻量部署、Zig 极简路线和本地隐私上做了不同取舍。
- [OpenClaw 更像长期在线的 Agent 协调层](https://freelemon.vip/writing/openclaw-beginners-guide-2026): OpenClaw 更适合被理解成一层把聊天入口、长连接网关和底层 coding agent 接起来的协调层。它主要解决的是长期在线、跨设备接力和多执行器编排，而不是单次仓库编码的速度比较。
- [公司小传：六家关键 AI 公司的六条路线](https://freelemon.vip/writing/ai-company-biographies-series-guide-2026): 这组公司小传不是给六家 AI 公司做平行简介，而是借六种不同公司形态拆开今天产业真正的竞争结构：谁做模型，谁做科学发现，谁把安全当主轴，谁握住工作入口，谁押注开放生态，谁提供算力底盘。
- [公司小传之六：NVIDIA 的 AI 底盘](https://freelemon.vip/writing/nvidia-ai-history-profile-2026): NVIDIA 这些年最重要的变化，是一步步把自己从芯片供应商改造成整套 AI 生产系统的提供者：从 CUDA 到 DGX，再到 NIM 和 AI Factory，真正扩张的是它对整栈的控制力。
- [公司小传之五：Meta 的开放权重赌注](https://freelemon.vip/writing/meta-ai-history-profile-2026): Meta 的 AI 主线，不是临时追赶生成式 AI，而是把开放研究和开放权重一路升级成产业策略：从 FAIR 到 PyTorch，再到 Llama，它一直试图用开放生态换取平台影响力。
- [公司小传之四：Microsoft 的入口战争](https://freelemon.vip/writing/microsoft-ai-history-profile-2026): Microsoft 在这轮 AI 竞赛里最厉害的地方，是几乎把“模型进入真实工作”所需的每一层入口都握在自己手里：云、Office、Windows、GitHub 和企业采购关系。最强模型未必总由它率先做出，但分发链路常常掌握在它手中。
- [公司小传之三：Anthropic 的安全主轴](https://freelemon.vip/writing/anthropic-history-profile-2026): Anthropic 值得单写，不是因为它是 OpenAI 的竞争者，而是因为它从创立开始就在验证另一件事：前沿模型公司能不能把安全、组织治理和商业化做成同一条主线。
- [公司小传之二：Google DeepMind 的双源流](https://freelemon.vip/writing/google-deepmind-history-profile-2026): Google DeepMind 的独特之处，不只是做出了 AlphaGo、AlphaFold 和 Gemini，而是把“通向 AGI”长期写成一条科学发现、基础研究和产品系统并行推进的公司路线。
- [公司小传之一：OpenAI 的三次变身](https://freelemon.vip/writing/openai-history-profile-2026): OpenAI 过去十年的关键，不是连续做出几个明星模型，而是三次改写公司边界：从研究实验室，到用户入口，再到主动组织 AI 基础设施，并把自己推向产业总枢纽。
- [从实践到原则：Harness Engineering 的落地方法](https://freelemon.vip/writing/harness-engineering-practice-principles-2026): Harness Engineering 不是给 Agent 多接几个工具，而是把代码仓库、执行环境、验证门禁和反馈回路改造成 Agent 可读、可控、可评估的工程系统，让 AI 真正能在真实项目里稳定交付。
- [塑造AI时代之六：Mustafa Suleyman与AI入口之争](https://freelemon.vip/writing/mustafa-suleyman-ai-companion-2026): Mustafa Suleyman 最值得写的，不在他待过哪些公司，而在他始终在争同一件事：AI 该以什么姿态进入人的日常和工作。到了微软，这条路线已经从 AI companion 一路推进到企业工作流与 Agent 治理层。
- [塑造AI时代之五：Mira Murati与协作式前沿AI](https://freelemon.vip/writing/mira-murati-collaborative-ai-2026): Mira Murati 最值得写的，不是 OpenAI 那场风波，而是她长期站在研究、产品与发布节奏的交汇处；创办 Thinking Machines Lab 后，她押注的是更可理解、更可定制、更能协作的前沿 AI。
- [塑造AI时代之四：Ilya Sutskever与单目标组织](https://freelemon.vip/writing/ilya-sutskever-single-goal-2026): Ilya Sutskever 今天最值得写的，不在传奇履历，而在他对组织形式的极端选择：SSI 几乎把公司、产品和商业压力都压缩成一个目标。这并非摆姿态，而是他对超级智能问题的回答。
- [塑造AI时代之三：Dario Amodei与部署安全](https://freelemon.vip/writing/dario-amodei-deployment-safety-2026): Dario Amodei 最容易被误读成“安全派”，但更准确的说法是，他是把强大 AI 视为近程现实的部署现实主义者：既相信能力会快速逼近，也坚持把可解释性、组织纪律和社会治理提前写进公司运行方式，而不是等出事后再补一份道歉声明。
- [Sam Altman在把AGI做成基础设施工程](https://freelemon.vip/writing/sam-altman-agi-infrastructure-2026): Sam Altman 最值得写的，是他把 AGI 从宏大叙事压成了算力、能源、资本、开发者生态与全球伙伴关系同时开工的超大基础设施工程系统。
- [塑造AI时代之一：Demis Hassabis与科学机器](https://freelemon.vip/writing/demis-hassabis-science-machine-2026): Demis Hassabis 今天最值得写的，早已不止 AlphaGo 或诺奖；真正关键的是，他一直在把 AI 从“会赢的系统”推进成“会做科学的机器”。如果这条路走通，AI 时代最深的入口可能不是聊天框，而是实验室。
- [从 70 万行代码反推 Yaq 的研发活动图谱](https://freelemon.vip/writing/yaq-activity-map-2026): 顺着 ETH2030 的仓库、文档和 git 节奏往回拆，Yaq 更像规格编译者、边界裁剪者、多代理调度者和验证架构师的组合体，而不只是一个会用 AI 疯狂写代码的人。
- [2026年Q1科技裁员事实与AI软件就业报告](https://freelemon.vip/writing/layoff-facts-and-ai-software-job-reports-2025q3-2026): 本文把范围收敛到 2026 年 Q1，只整理 2026-01-01 至 2026-03-16 之间科技、IT、互联网公司的已确认裁员事实，以及同一时间窗口内的 AI、软件、IT 就业市场报告。
- [Yaq 与 ETH2030：不是神话，也不是胡扯](https://freelemon.vip/writing/yaq-eth2030-fact-check-2026): ETH2030 不是假项目，它确实把以太坊 Strawmap 做成了实验性参考实现；但“6 天写完未来以太坊”是夸写，真正重要的是它把路线图中的依赖、性能和验证问题提前暴露了出来。
- [Yaq 是谁：ETH2030 背后的工程方法论](https://freelemon.vip/writing/yaq-profile-2026): 截至 2026 年 3 月 16 日，Yaq 公开可核验的传统履历信息并不多，但 GitHub、个人站和公开仓库已经足够勾出一条很清晰的技术轨迹：偏底层、偏协议、偏密码学、偏验证，以及越来越强的 AI 驱动研发能力。
- [315 之后，重新理解 GEO、AI 投毒与答案污染](https://freelemon.vip/writing/geo-ai-poisoning-after-315-2026): GEO 灰产并不是“黑客改了模型参数”，而是通过批量制造伪共识、伪第三方和结构化营销内容，去污染 AI 可感知的信息环境。它的风险真实存在，但“国内一定比国外更糟”与“所有 GEO 都是投毒”这两种说法都过头了。
- [Pi 内部原理：从会话树到 RPC 接入](https://freelemon.vip/writing/pi-agent-internals-deep-dive-2026): Pi 的核心并不神秘：它用 `createAgentSession()` 把模型、资源加载、工具集合、会话树和运行模式装配起来，再由 `AgentSession` 接管工具执行、上下文管理、自动压缩与 RPC 集成。
- [OpenClaw 把真实 Chrome 会话接进 Agent](https://freelemon.vip/writing/openclaw-live-chrome-session-attach-2026): OpenClaw 在 `2026.3.13` 更新线里把 live Chrome session attach 做成官方能力，真实浏览器会话第一次进入 Agent 的正式工作流，浏览器插件也从必选项退回到可选路径。
- [AI 时代的代码评审，还算真正的 Review 吗](https://freelemon.vip/writing/ai-code-review-still-real-review-2026): AI 已经能写代码、审代码，甚至自己在 PR 里给出修改建议；但如果 review 只剩“高吞吐检查”和形式签字，它就不再是软件工程里的真正 review。更值得追问的，是谁还真的看懂、敢签字、能兜底。
- [从假引语到假代码：AI 正在逼近人类核验的极限](https://freelemon.vip/writing/from-fake-quotes-to-fake-code-2026): Ars Technica 的假引语风波真正警示的，不只是新闻业会被 AI 绊倒，而是当代码生成速度远超人类核验速度时，软件工程的责任链、风险边界和上线契约都需要重写。
- [Pi：OpenClaw 背后的极简 Agent，是怎么工作的](https://freelemon.vip/writing/pi-agent-openclaw-guide-2026): Pi 不是另一个大而全的 Agent 平台，而是一套刻意保持极简的 coding agent harness。它把上下文、工具、会话状态和多种接入方式压成一层轻量执行骨架。
- [谁在塑造 AI 时代：6 位关键掌门人与三条分叉路线](https://freelemon.vip/writing/who-is-shaping-ai-era-2026): 今天前沿 AI 的主导权，已经从单看模型分数，变成同时看科学突破、算力基建、产品入口与安全治理；Demis、Sam、Dario、Ilya、Mira、Mustafa，正分别卡在这几条最关键的链路上。
- [机器上桌之后之六：Martin Fowler](https://freelemon.vip/writing/martin-fowler-profile-2026): 在 AI Agent 时代，Martin Fowler 之所以仍然很重要，不是因为他代表旧时代的架构教科书，而是因为当生成变快、代理变多、系统边界更容易被穿透时，重构、边界划分、渐进式演化和技术判断反而比以前更像硬约束。
- [机器上桌之后之五：Guido van Rossum](https://freelemon.vip/writing/guido-van-rossum-profile-2026): AI Agent 时代如果有一种基础设施级的默认语言，几乎就是 Python；Guido van Rossum 依然重要，不只因为他创造了 Python，更因为他把可读性、演化节奏与工程现实捏成了稳定底座。
- [机器上桌之后之四：Kent Beck](https://freelemon.vip/writing/kent-beck-profile-2026): 如果说 AI 编程正在把代码生成这件事推到前所未有的速度上，那么 Kent Beck 之所以依然重要，是因为反馈回路、整洁设计和小步试错这些老办法，恰好是驾驭这种速度最可靠的刹车与方向盘。
- [机器上桌之后之三：Robert C. Martin](https://freelemon.vip/writing/robert-c-martin-profile-2026): 在 AI 越来越快地产生代码之后，Robert C. Martin 之所以仍值得重读，不是因为他代表过去，而是因为测试、边界、命名和职业责任这些老问题，正在被生成式工具重新放大。
- [机器上桌之后之二：Steve Yegge](https://freelemon.vip/writing/steve-yegge-profile-2026): 如果说 AI 编程工具正在从补全器变成能拆任务、会写代码、会组织工作流的代理，那么 Steve Yegge 是最早一批把这条路讲清楚、写透并持续鼓动行业往前走的人。
- [机器上桌之后之一：龙虾之父 Peter Steinberger](https://freelemon.vip/writing/openclaw-father-peter-steinberger-profile-2026): OpenClaw 背后最值得认识的人，是被官网 credits 明确标注为 Creator 的 Peter Steinberger。他并非传统 AI 学者，更像把开发者工具、产品直觉与工程执行力压到同一条线上的产品型工程师。
- [我如何在 48 小时里，从零打造自己的个人博客站](https://freelemon.vip/writing/build-personal-blog-in-48-hours-2026): 这 48 小时里，我真正搭起来的不是一个会发文章的页面，而是一套能长期写下去的个人母站：草稿在本地，发布可校验，内容能归档，也能继续分发到各个平台。
- [文科生如何有效使用 AI Agent 做内容创作](https://freelemon.vip/writing/humanities-careers-ai-agent-content-guide-2026): 对文科生来说，AI Agent 最有价值的用法，不是整篇代写，而是先接手找资料、拆提纲、改写、多版本分发这些重复环节，让人把精力留在判断、事实核验和语气控制上。
- [编程 Agent 的基础结构：模型、工具、状态与验证闭环](https://freelemon.vip/writing/coding-ai-agent-basics-guide-2026): 编程 Agent 不是更会聊天的聊天框，而是一套能围绕目标读取上下文、调用工具、执行步骤并根据结果继续推进的系统。把这条线看懂，模型、工具、状态和评测这些基础概念就会立刻落地。
- [Java 后端如何转向 AI Agent 工程](https://freelemon.vip/writing/java-backend-engineer-to-ai-agent-engineer-roadmap-2026): Java 后端转向 AI Agent，并不是从零改行，而是把过去积累的系统边界感、异常经验和工具工程能力，重新组织成运行时、评测闭环和治理能力。
- [Opus 4.6 vs GPT-5.4：主力模型怎么选](https://freelemon.vip/writing/opus-4-6-vs-gpt-5-4-vs-gemini-3-1-review-2026): 如果今天只能为团队选一个主力模型，我的结论是：追求完整产品化能力，优先看 GPT-5.4；追求长时编码和持续执行，Opus 4.6 依然最锋利；追求激进多模态和 benchmark，Gemini 3.1 Pro 是最大变量。
- [如何转成 AI Agent 工程师：一份基于最新研究的转型路线图](https://freelemon.vip/writing/software-company-roles-to-ai-agent-engineer-2026): 如果你还把 AI Agent 工程师理解成“更会写 Prompt 的人”，那大概率会转错方向。真正有价值的 Agent 工程，是把模型、工具、状态、评测和治理串成可交付系统能力。
- [SSE 不是 WebSocket 的退役通知，而是更好的默认值](https://freelemon.vip/writing/sse-vs-websocket-2026-real-time-streaming-guide): “SSE 可以让 WebSocket 退役”这种说法，方向对了一半，但结论下得太满。更准确的判断是：在浏览器里的单向实时推送和文本流场景里，SSE 常常是更稳妥的默认值。
- [Agent 积累的其实是 Knowhow，不只是数据](https://freelemon.vip/writing/agent-memory-knowhow-best-practices-2026): Agent 的长期价值，主要来自持续沉淀任务拆解、工具调用、异常处理和验证标准这些可迁移的 knowhow，而不只是在数据和微调上继续加码。
- [Clawith：一支 AI 团队的开源样机](https://freelemon.vip/writing/clawith-openclaw-for-teams-review-2026): Clawith 最有意思的地方，不是把单个 Agent 做得更花，而是认真回答团队协作里身份、权限、触发器、审批和审计怎样一起落地，并让多 Agent 真正进入组织工作流。
- [访谈：Harrison Chase 谈 Harness](https://freelemon.vip/writing/harrison-chase-agent-stack-interview-2026): 这篇访谈围绕 Harrison Chase 的核心判断展开：Agent 时代真正要重建的，不只是模型接口，而是一整套执行、上下文和人类协同基础设施。
- [现在做 Agent 产品，最该补哪一层缺口](https://freelemon.vip/writing/agent-product-positioning-2026): 现在做 Agent 产品，更值得补的是那层把 runtime、审批、回滚和团队规则接进真实工作流的控制层。系统层和平台层都已有强手，组织如何接住 Agent 反而还是空白。
- [平台层争夺战：谁会成为 Agent 基础设施](https://freelemon.vip/writing/agent-platform-layer-battle-2026): 平台层决定的是 Agent 能不能长期、稳定、可治理地跑起来。眼下最值得看的四条路线，分别是 LangGraph、微软、OpenAI 和 AWS 所代表的平台化方向。
- [做 Agent 系统前，先看懂系统、平台与工具版图](https://freelemon.vip/writing/ai-agent-systems-landscape-2026): 如果你想做的是能承接长任务、异步执行和团队协作的 Agent 产品，动手前先看清系统、平台、工具三层版图。它们解决的问题不同，拿到的入口不同，真正留下的缺口也不同。
- [长时间 AI Agent：从研究叙事到生产系统](https://freelemon.vip/writing/long-running-ai-agents-production-systems): 长时间 Agent 的真正难点，不在单步够不够聪明，而在跨很多轮、很多上下文和很多工具调用之后，能不能继续保持状态连续、结果可验证和错误可恢复。
- [长时间 AI Agent 生产架构蓝图](https://freelemon.vip/writing/long-running-ai-agents-blueprint): 如果一个 Agent 要连续运行二十分钟、两小时甚至更久，系统默认该长什么样？这篇文章把分层架构、状态模型、检查点、验证和上线顺序全部拆开讲清楚。
- [OpenClaw 爆火之后，谁在卖工具，谁在卖云，谁在卖入口](https://freelemon.vip/writing/openclaw-industry-observation-2026): OpenClaw 不是又一个热闹的 AI 玩具，而是一根很清楚的产业探针。它暴露了一件事：当 AI 编码从聊天升级为工作流，产业链每一层都会重新找位置，重新争入口和运行时。