在原生 Windows 上，重搭 AI 编程命令行栈
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。
- 原生 Windows 下，PowerShell 适合系统管理，不适合承担高频中文文本处理主流程。
技术沉思、行业观察与人物线索，都收在这里。
这里汇总的是 Freelemon 的长文。现在列表页不再只有单一时间线，而是把搜索、标签和专题阅读放到同一层里： 技术沉思 偏系统、方法与工程判断， 访谈 偏一手观点整理与人物表达， 行业观察 偏竞争格局、平台变化与商业判断。
Agent 陪读系列
给刚开始用 Claude、ChatGPT、Cursor、Copilot 和各类 coding agent 干活的人，一条从概念、工程、方法到团队变化的顺读路线。
Reading Path
先读 00，再按 01 到 08 的顺序往下读。Latest Archive
AI 编程 文章归档
这里保留 AI 编程 标签下的时间线。专题区负责导读，这里负责完整归档和顺序回看。
Hermes 安装指南：macOS 和 Windows 怎么装
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。
- macOS 原生可装，Windows 走 WSL2，别在原生 PowerShell 路线上耗时间。
01｜论文精选：这一周最值得看的三条判断
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。
- OpenClaw 与 CIK-Bench 给出一个刺眼结果：面对真实网页里的对抗内容，个人 AI 代理的提示注入攻击成功率达到 73.7%。
01｜GitHub AI 趋势：这一周最值得看的三条线索
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。
- Hermes Agent 一周新增 14811 星，核心信号不在新 CLI，而在于它把安装、记忆、MCP 和 40 多个工具打成一层可运行的 agent 环境。
00｜GitHub AI 趋势：最近 7 天快涨仓库怎么看
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。
- 候选池可以来自 GitHub Trending，但正文判断不能停在榜单截图。
00｜论文精选：最近 7 天的新论文该怎么挑
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。
- 默认只看最近 7 天公开的新论文或重要新版本，不靠旧论文翻红撑版面。
把多窗口 AI 工作流重构成单一控制面
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。
- 多 Console 并发写作不是问题，真正的问题是过去没有把主干合并和部署收口成单写者流程。
03｜Memoir 在补长期上下文管理这层
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。
- 最容易反复丢的，是团队约定、项目偏好和历史决策理由这些跨会话信息。
GSD2 和 OMX 怎么选：两套 AI 编程工作流的分水岭
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。
- GSD2 把项目压成 milestone、slice、task 和落盘状态，更像执行内核。
Cursor 3.0 和 AI Agent IDE 怎么选
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。
- Cursor 3.0 最关键的升级不是换界面，而是把本地与云端 agent 收口成统一调度面。
Gemma 4 本地部署与型号选择指南
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。
- Gemma 4 26B A4B 是这代最值得评估的型号，质量、延迟和本地硬件门槛最平衡。
AI 编程为什么回到 harness
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。
- 测试套件完整、规格清楚的任务，更容易让 AI 改写真正落地。
别把 AI 当外包商：软件研发里更稳的协作四分法
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。
- 同一个 AI 工具，不应该用同一种协作方式处理所有研发任务，关键在于先给任务分级，而不是先给工具站队。
AI 改写了编码，为什么软件复杂性还在
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。
- 编码这一层已经被明显改写，AI 正在接管一段连续的软件工程工作流。
当顶级程序员开始少写代码，软件工程的重心移到了哪里
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。
- 顶级程序员减少手写代码，背后是工程重心从编码转向约束、验证和审计。
SICA：在自我进化之前，先把评估做硬
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。
- 这个项目最核心的不是自改代码，而是把自改进收敛成“评估-归档-修改-再评估”的实验闭环。
AI 程序员面试答案：10 题评分点与识别信号
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。
- 每道题都给出优秀回答、中等回答和危险信号，方便快速区分候选人的真实水平。
AI 写代码之后，程序员面试该问什么
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。
- 这 10 道题不考候选人会不会背提示词，而是考他能不能把问题说清、把边界压清、把结果验清。
外刊精读｜WIRED 如何写透 AI 编程重组
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。
- WIRED 写 AI 编程时，最关心的不是 benchmark，而是代码如何进入真实工作流。
AI 开发者时代的四种关键原型与方法
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。
- 这四个人放在一起看，更像教学、观察、方法与组织四种 AI 影响力。
从 70 万行代码反推 Yaq 的研发活动图谱
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。
- 从代码看，Yaq 的核心角色不是“超级程序员”，而是“规格编译者 + 多代理调度者 + 验证架构师”。
Yaq 与 ETH2030：不是神话，也不是胡扯
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。
- 项目和仓库属实，但公开写法是约 8 天和约 7100 美元。
Yaq 是谁：ETH2030 背后的工程方法论
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。
- 公开资料里的 Yaq，更像底层系统和协议方向的工程研究者。
AI 时代的代码评审，还算真正的 Review 吗
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。
- AI code review 已经规模化进入工程流程，但“能给评论”不等于“能承担 review 的责任”。
从假引语到假代码：AI 正在逼近人类核验的极限
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。
- 研究和行业调查已经显示，AI 代码产出增长得远快于人类核验能力，“验证债”正在形成。
机器上桌之后之五：Guido van Rossum
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。
- Guido van Rossum 在 Agent 时代的重要性，首先来自 Python 作为默认工程语言的持续统治力。
机器上桌之后之四：Kent Beck
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。
- Kent Beck 的方法在 AI 时代重新变重要，不是因为怀旧，而是因为高速生成更需要快速反馈和小步验证。
机器上桌之后之三：Robert C. Martin
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。
- Robert C. Martin 并非 AI 圈明星，却是 AI 写代码时代最容易被重新想起的老派工程人物之一。
机器上桌之后之二：Steve Yegge
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。
- Steve Yegge 的价值，不在于他发明了某个模型，而在于他很早就把 AI 编程的方向感写成了行业语言。
机器上桌之后之一：龙虾之父 Peter Steinberger
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。
- 官网 credits 将 Peter Steinberger 列为 Creator，这是“龙虾之父”最直接的公开依据。
Opus 4.6 vs GPT-5.4：主力模型怎么选
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。
- GPT-5.4 的看点不只是模型升级，而是 OpenAI 把 agent 平台能力正式收口成产品。