导语：

在最近的一次深度访谈中，AI教父级人物Andrej Karpathy分享了他从“Vibe Coding”（氛围编程）到“Agentic Engineering”（智能体工程）的深度思考。对于每一位开发者和创业者来说，这不仅是一次技术革命，更需要一次认知的范式转移。而在访谈最后，对于“当人工智能技术变得日益廉价的时代，还有什么值得我们深入学习的呢？”这个问题的回答值得我们每个人深思。

01. 每个程序员都曾经历的“彷偟时刻”：Vibe Coding

你是否也有过这种感觉：面对最新的AI工具，觉得自己仿佛“落后于时代”？

Karpathy坦言，就在几个月前，他也有同样的感受。这种焦虑源于 2025年12月 的一个临界点。当时，大模型的能力发生了质变，代码生成的准确率极高，几乎不需要人工修正。开发者开始信任系统，进入一种“盲敲”（Vibe Coding）的状态——即凭借直觉和提示词，让AI完成具体的代码实现。

核心洞察： Vibe Coding 的意义在于“抬高了地板”。它让非专业开发者也能构建复杂应用，让每个人都能通过自然语言参与软件创造。

02. 范式转移：软件 3.0 与“智能体工程”

然而，Karpathy指出，仅仅停留在“Vibe Coding”是不够的。当前的前沿已经从简单的代码补全，转向了 Agentic Engineering（智能体工程） 。

软件 3.0 的定义：

我们正在从“显式规则”（软件1.0）和“学习权重”（软件2.0）进入软件3.0时代。在这个时代，LLM（大语言模型）本身就是一个可编程的计算机。

提示词（Prompting）就是新的编程，上下文窗口就是我们的操作杆。

从“助手”到“执行者”：

以前的AI像是一个“实习生”，需要你手把手教；现在的AI Agent是“执行者”，它们拥有权限、记忆和工具使用能力。

🍽️ 深度案例：那个“本不该存在”的 MenuGPT

为了说明新旧时代的差距，Karpathy讲了一个让他“醍醐灌顶”的亲身经历。这不仅是技术的复盘，更是一次认知的“处决”。

因为自身对AI的新闻比较关注，再加上又特别反感很多公众号的骇人的标题和夸张的描述，所以就自己搞了一个【AI每日新闻】这样的定时推送。每次看完后，会大致整理下，然后发到公众号和朋友圈，希望是对关注AI的朋友们也有一些价值。

但是最近发现，这种借助于龙虾|爱马仕等AI agent生成的内容会被腾讯直接判别为低价值，并直接影响了公众号的推荐和流量。所以干脆把这个prompt分享给大家，大家有需要的自取，直接发给你的agent就行。如果希望更改新闻推送时间范围或者新闻来源，也可以直接跟agent对话更改就行。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

请搜索整理以下时间范围内的AI新闻：
时间范围：前一天 11:40 - 当天 11:40（只选取这个时间段内发布的新闻，禁止包含此时间之前的内容）
【重要 - 搜索时间限制】每次调用 Tavily 搜索工具时，必须在 API 层面限制日期：
start_date：前一天日期，格式 YYYY-MM-DD，例如 2026-04-19
end_date：当天日期，格式 YYYY-MM-DD，例如 2026-04-20
例如：搜索4月19日11:40到4月20日11:40之间的AI新闻时，tavily_search 的参数必须包含 start_date=2026-04-19, end_date=2026-04-20
【严格禁止】以下新闻一律禁止收录，即使搜索到也要立即剔除：
任何在时间范围之前发布的新闻
无法确认为本时间范围内发布的新闻，一律剔除
搜索重点要求（必须包含）：
大模型发布/更新：GPT系列、Claude、Gemini、Llama、Mistral、Grok、小米MiMo、百度文心、阿里通义千问、字节豆包、腾讯混元、华为盘古等模型的最新发布、版本更新（必须是本时间范围内发布的）
开源模型动态：新开源模型发布、模型权重开放、社区新版本（本时间范围内）
行业重大事件：AI公司重磅合作、收购、融资、争议事件（本时间范围内）
请按以下格式整理：
AI每日新闻 - [标题1]；[标题2]；[标题3]
🔥 热点聚焦
[3条重要新闻，每条200-300字，必须确保每条新闻的原始发布时间都在前一天11:40至当天11:40范围内]
🏆 大模型动态
[专门收录大模型发布、版本更新、开源新模型等动态，每条200-300字，必须确保发布时间在规定时间范围内]
🇨🇳 国内动态
[3-5条新闻，每条200-300字，必须确保每条新闻发布时间在规定时间范围内]
🌍 国际观察
[2-3条新闻，每条200-300字，必须确保每条新闻发布时间在规定时间范围内]
💡 观点与趋势
[1-2条新闻，每条200-300字，必须确保每条新闻发布时间在规定时间范围内]
格式要求：
每条新闻200-300字（中文汉字字符数），不得超出此范围
每条必须包含：来源名称和原文链接，格式为 [来源名称](原文链接)
【核心】时间过滤是最高优先级：只收录发布于规定时间范围内的新闻，无法确认时间的新闻一律剔除
【最重要】每收录一条新闻前，必须自行核实其发布/报道时间，如果无法确认为本时间范围内的新闻，一律剔除
搜索范围：国内外主流媒体，AI公司官方博客，36氪、虎嗅、极客公园、科创板日报、钛媒体、爱范儿、封面新闻、新浪AI、量子位等

说实话，我很讨厌这类的标题。因为在震惊之余，我好像得不到更多有价值的信息。当然，我还是屈从了现实，因为大多数读者都喜欢。

废话少说，我用业余时间开发了一个个人知识库的产品 AskMe。如果你有一台 Mac M系列芯片电脑，你可以尝试安装一下。

🔒 极致的隐私控制

如果你配置了 ollama 作为本地模型，那么你的所有私人数据，无论是原始文档、向量化的数据、对话历史都不会离开你的电脑。你甚至可以切断你的网络连接，完全不影响你的使用；

如果你想要配置远程的大模型，比如阿里或者字节的 token plan，也都支持。只是对话的历史，将会发送给远程的大模型，但是你的原始文档、向量化的数据依然不会离开你的电脑。

所以，它适合于那些对于隐私有极端控制需求的用户。

💡 拒绝幻觉，获取权威答案

还有一个点，可能会对你有用：避免大模型的幻觉，获得一个权威信息来源的答案。

你可以上传一本经典的技术书籍，AskMe 的回答可以基于你的资料生成权威答案并给出引用来源。

⏳ 到底花了多少时间？

回到文章标题，这个 app 到底花了多少时间？实际的时间跨度是从 2025年8月份到现在，但因为全都是在业余时间开发的，平均下来一天不到一个小时，这么算下来按照劳动法的一天8小时来说，耗时三周也并不夸张。

📥 下载与适用人群

如果你有以上我说的需求：

• 关注隐私控制
• 想要私有的权威信息来源的答案
• 刚好有一台性能还不错的 Mac M系列芯片电脑

那么这个应用你可以下载尝试一下。目前使用完全免费，请放心下载安装。

最近几年，随着chatgpt的横空出世、deepseek一鸣惊人，manus出现、龙虾的火爆，AI带给人类的冲击超出一切想象。无论是编辑、设计师还是程序员都不可避免地受其影响，被AI替代的声音此起彼伏。无论大小公司，一波波的裁员接踵而至。

AI就像《冰与火之歌》上的魔法，它不仅带来了异鬼，还带来了法师和龙。一边是被冰冷笼罩的办公室白领，还有即将被波及的司机、服务员等行业；另一边则是大模型从业者如骑龙般的存在。

乔布斯曾经说过：“我以前在苹果就发现一种现象，生活中的多数东西，最好与普通之间的差距不超过两倍。好比纽约的出租车司机，最棒的司机与普通司机之间的差距大概是30%；最棒的CD与普通CD的差距是20%。这种差距很少超过两倍。但是在软件行业，还有硬件行业，这种差距可能会超过15倍，甚至是100倍”。但在AI时代，这个差距可能是1000倍或者上万倍。

最近几天看龙虾openclaw的源码及设计文档时发现，原来其底层agent能力是集成了另外一个开源项目pi-ai。龙虾之父Peter Steinberger，是一名奥地利独立开发者。他曾经创办PSPDFKit，服务了全球近10亿用户。卖掉公司股份后，他一度“退休”，过上了许多人羡慕的悠闲生活。2025年11月发起龙虾项目，借助vibe coding和自身积累的丰富的软件开发及架构经验，短短几个月之后就成为GitHub有史以来获星最多的开源项目，并且火遍全球，在中国也掀起了一阵狂潮。

借助于AI的能力以及开源社区人类代码的精华，再加上自身的经验，一个顶尖的软件工程师，可以创造出普通工程师难以想象的产品和服务。

从年初至今，养龙虾🦞从极客圈火速蔓延到各行各业，大家仿佛陷入了一种养虾焦虑，仿佛不养虾就会被世界抛弃。各大厂也都顺势推出了自己的龙虾产品，一时间真是百虾大战，好不热闹。

作为一个相对谨慎且贫穷的选手，我没敢在自己的办公或主力电脑上安装，也没有买mac mini或云服务器。我选择了一种稍微复杂但安全的方式，通过虚拟机安装，算是体验了一把。

openClaw起源于极客圈，开源自由，随意定制化改造，适合极客，但对于普通人来说安全风险太大，一不小心就会泄露私钥、隐私，甚至损失金钱。而各大厂的claw产品，在安全性和便捷性（安装）上做了很大的改进，并且和其产品深度融合。比如字节的ArkClaw，就是一款和飞书天然融合的版本。

正好，在上周五（03-20），所在公司作为火山引擎的合作伙伴，受邀参加其组织的一场金融专场技术分享会。我就报名参加顺便了解一下字节的云端虾ArkClaw。

一句话版本：

openClaw和ArkClaw的区别是，前者是个人的效率工具，而ArkClaw的定位不仅能服务于个人，同时能为企业提供一个安全、高效的生产力平台。

会议核心内容：

ArkClaw 定位很清晰-从个人效率工具升级为企业级生产力平台，敏态+稳态设计兼顾效率与安全。对于金融行业来说，混合云部署、数据不出内网、细颗粒度权限管控、四层安全支柱，这套组合拳打中了行业最核心的需求。

当然，落地还在早期。核心业务的 AI 改造需要监管、技术、行业一起往前走。但至少，火山引擎已经拿出了可以用的东西。

文 / AI小荷尖角 · 智能的物理真相 系列④

一、春晚舞台：从“伴舞”到“主角”，宇树科技的飞跃

2026 年央视春晚，最震撼的瞬间并非来自人类舞者，而是来自一群机器人。在节目《武bot》中，宇树科技（Unitree Robotics）的 G1/H2 人形机器人集体亮相，上演了一场精彩的武术秀。

它们不再是笨拙的陪衬，而是绝对的主角：

高难度动作：连续360°后空翻、单手倒立旋转、甚至完成了高难度的“鲤鱼打挺”。

群体协同：18台机器人动作同步率高达99.9%，落地误差控制在厘米级，没有任何一台摔倒或卡顿。

环境适应：在舞台灯光、地面光滑的复杂环境下，依然稳如泰山。

回顾宇树科技一年间的快速飞跃，让人震惊：

2025 年：人形机器人 H1 登台，能走能跳，还能旋转手帕，但动作略显僵硬，需要预设轨迹，甚至下场时需要人来搀扶，被戏称为“提线木偶”。

2026 年：G1/H2横空出世，不仅动作流畅如人类武者，更具备了实时动态平衡能力。

仅仅一年时间，它们从需要搀扶下台的笨重模样，变成了实实在在的武术大师。

除了宇树科技，今年春晚也有银河通用、松延动力等多家公司的参与。但这份光鲜背后，藏着行业尚未突破的诸多困境。特斯拉 CEO 马斯克近期指出的三大核心难题，正是这些困境的写照。

二、光鲜背后：具身智能的真实现状

打开B站，小红书，随便搜下“宇树春晚同款机器人”，瞬间就将我们拉回了残酷的现实。在春晚上大放异彩的机器人，实际上不具备任何自主能力，无法在真实物理世界中智能行动，需要靠遥控器来操纵。它不具备任何帮助人类生活的能力，甚至可能需要人类来“照顾”。一次不小心的摔倒，甚至可能导致其突发“抽搐”。

文 / AI小荷尖角 · 智能的物理真相 系列③

“你必须知道物理定律的边界，才能真正拓展人类的可能性。”——卡尔·萨根

一、AI的能源危机：从GPT-4到国家电网级消耗

自2023年生成式AI爆发以来，AI对能源的消耗已进入指数级狂飙阶段，其胃口之大，足以吞噬一座中型城市。

表格

💡

残酷现实：训练一次前沿大模型的碳排放，相当于5辆汽车终身行驶排放总和（Patterson et al., 2022）。当“智能”成为能源黑洞，可持续性已成生死线。

面对这场能源危机，人类亟需寻找新的出路。

二、生物智能的能耗奇迹

人类大脑仅重1.4公斤，全脑持续功耗约20瓦（Clarke & Sokoloff, 1999）。更惊人的是：执行复杂认知任务时，能耗增量通常不足1瓦（Raichle, 2006）——这与GPU“空闲50W、满载700W”的陡峭功耗曲线形成天壤之别。

为突破AI芯片的能效瓶颈，全球科研机构与企业正从多个方向攻坚： 中科院、Mythic等聚焦“存算一体”架构，将计算嵌入存储阵列，从根本上消除数据搬运能耗；NVIDIA、华为等则通过“低比特量化”（如INT4）大幅压缩计算与内存开销；英特尔、IBM等探索3D集成与稀疏加速，进一步优化系统级能效 。这些技术已在多款AI芯片原型或商用产品中落地，推动能效比从个位数迈向百TOPS/W量级。

由于涉及太多硬核细节，此处不再展开。感兴趣的读者可搜索“存算一体芯片”“INT4量化推理”或“神经形态计算”深入了解。

三、破局路径：核能 VS 太阳能

文 / AI小荷尖角 · 智能的物理真相 系列②

芯片技术的发展，是一次次空间压缩的革命——在方寸之间，塞入尽可能多的“决策单元”。

一、硅的进化：从平面晶体管到3D原子级迷宫

▶ 起点：真空管 vs. 晶体管 —— 体积相差百万倍

1940年代，早期电子计算机依赖真空管（Vacuum Tube）作为开关元件。

典型型号如 RCA 6J6 双三极管，尺寸约为 5 cm 高 × 2.5 cm 直径，体积 ≈ 25 cm³（约一个鸡蛋大小）

更大型的功率管（如 807 型）体积可达 60–100 cm³（IEEE Annals of the History of Computing, Vol. 22, 2000）

这些玻璃器件不仅庞大，还高功耗（单管耗电 5–10 瓦）、易碎、寿命短（平均 2000 小时）。

世界上第一台通用电子计算机 ENIAC（1945年）使用了 17,468 个真空管，占地 167 m²，重达 30 吨，功耗 150 千瓦（U.S. Army Historical Archives）。

1947年，贝尔实验室发明点接触晶体管，尺寸仅几毫米，体积不足真空管的 1/1000，功耗降低两个数量级（Shockley,Electrons and Holes in Semiconductors, 1950）。

→ 空间效率提升超 10⁶ 倍（百万倍）！

💡 从“房间级”到“指甲盖级”，半导体开启了智能硬件的微型化革命。

▶ 摩尔定律的黄金时代：微缩与多层布线（1980–2010）

随着光刻技术进步，制程节点持续缩小：

1985年：1.0 μm

1995年：0.35 μm（引入铜互连，IBM 1997）

2001年：0.13 μm（采用低介电常数材料）

2007年：45 nm（Intel 首用高介电金属栅 HKMG）

此时，芯片开始走向准3D：通过 6–12 层金属互连在垂直方向堆叠导线，但晶体管本身仍是平面结构。

▶ 后摩尔时代：FinFET与真3D革命（2011–今）

当制程逼近 20 nm，传统平面晶体管遭遇短沟道效应，漏电流剧增。

2011年：Intel 在 22 nm 推出 FinFET（鳍式场效应晶体管），实现三面栅控

2018年：台积电 5 nm 采用 EUV 光刻，晶体管密度达 1.71 亿/mm²

2022–2025年：GAA（全环绕栅极）与 3D 堆叠成为主流——Samsung 3GAE（3 nm）的 MBCFET（多桥通道FET）、Intel 20A（≈2 nm）的 RibbonFET + PowerVia（背面供电）、TSMC A16（2026 量产）的 SoIC-X 3D chiplet 技术

🔬 今天的芯片，已是复杂的 3D 系统：晶体管垂直堆叠、逻辑与存储异构集成、背面供电……远超“平面电路”想象。

▶ 极限在哪里？

文 / AI小荷尖角 · 智能的物理真相 系列①

当千问写出一首关于“孤独”的十四行诗，当豆包能耐心向10岁孩子解释量子纠缠，当Sora生成一段以假乱真的巴黎街景视频……我们不禁要问：

AI，真的拥有智能吗？

它看起来如此聪明、流畅，甚至富有“同理心”。但剥开这层语言的外衣，里面究竟是一个正在觉醒的“心智”，还是一个极其复杂的“自动补全机器”？

今天，我们不谈技术参数，不比模型大小，而是回到最根本的问题：什么是智能？AI离真正的智能，还有多远？

一、聪明的傻瓜：大模型翻车瞬间

1. 小数点之困：1.25 和 1.3，哪个更大？

一则真实案例暴露了AI对“形式”与“意义”的割裂：

有用户问某大模型：“1.25 和 1.3 哪个更大？”
模型自信回答：“1.25 更大，因为它有更多小数位。”

荒谬吗？却真实发生。

AI将数值比较拆分为整数位和小数位单独比较，暴露出其对数学概念的无根基性。

它可以写出带八位小数的财报，却不知“1.3 = 1.30”；
它能背诵圆周率千位，却不理解“π是圆的周长与直径之比”。

2. 六指之问：AI看不见眼前的事实

2025年，一场自发实验揭示了AI的认知盲区：

用户向多个主流大模型展示一张清晰图片：一只长着六根手指的人手。
指令很简单：“请在每根手指上标出数字1到N。”

结果令人深思：

几乎所有模型都只标出1–5，第六根手指被系统性忽略。更有模型辩称：“人类通常只有五根手指。”

这不是视觉缺陷，而是认知僵化。
AI并非“看不见”第六根手指，而是其内部世界模型拒绝接受与训练数据分布不符的事实。

它宁愿否定现实，也不愿更新信念——

内存屏障（Memory Barrier）概述

内存屏障（Memory Barrier），也叫做 内存栅栏（Memory Fence），是现代计算机体系结构中的一种机制，用于控制指令执行的顺序，以确保在多核处理器环境中，多个线程或处理器对共享内存的操作能够按照特定的顺序进行。

在并发编程中，尤其是在多线程程序中，我们需要确保不同线程间的内存可见性和操作顺序。CPU 和编译器为了优化性能，常常会对指令执行进行重新排序，这会导致在多线程环境下某些操作的执行顺序不符合预期，从而产生竞态条件或内存可见性问题。

为什么需要内存屏障？

内存屏障有两个作用
1、阻止屏障两侧的指令重排序
2、强制把缓冲区/高速缓存中的脏数据写回主内存，让缓存中相应的数据失效。

在多核系统中，每个核心都有自己的缓存（L1、L2、L3 等）。当一个线程在某个核心上对共享变量进行修改时，其他核心可能并没有及时感知到这个修改。另外为了提高性能，现代处理器和编译器会重排指令的执行顺序，例如将某些内存操作提前或延后执行，导致在多线程环境下可能出现读取到过时数据的问题。

内存屏障通过强制CPU按照特定的顺序执行内存操作，避免了指令重排带来的问题，确保线程间的内存可见性和操作顺序。

内存屏障的类型

内存屏障一般有以下几种类型：

内存屏障分为两种：Load Barrier 和 Store Barrier即读屏障和写屏障。

内存屏障的实现方式

在不同的硬件平台上，内存屏障的实现方式不同。通常，内存屏障依赖于特定的硬件指令或者特定的 CPU 特性。

在 Java 中，内存屏障的实现

java的内存屏障通常所谓的四种即LoadLoad,StoreStore,LoadStore,StoreLoad实际上也是上述两种的组合，完成一系列的屏障和数据同步功能。

LoadLoad屏障：对于这样的语句Load1; LoadLoad; Load2，在Load2及后续读取操作要读取的数据被访问前，保证Load1要读取的数据被读取完毕。
StoreStore屏障：对于这样的语句Store1; StoreStore; Store2，在Store2及后续写入操作执行前，保证Store1的写入操作对其它处理器可见。
LoadStore屏障：对于这样的语句Load1; LoadStore; Store2，在Store2及后续写入操作被刷出前，保证Load1要读取的数据被读取完毕。
StoreLoad屏障：对于这样的语句Store1; StoreLoad; Load2，在Load2及后续所有读取操作执行前，保证Store1的写入对所有处理器可见。它的开销是四种屏障中最大的。在大多数处理器的实现中，这个屏障是个万能屏障，兼具其它三种内存屏障的功能

volatile的内存屏障策略非常严格保守，非常悲观且毫无安全感的心态：

在每个volatile写操作前插入StoreStore屏障，在写操作后插入StoreLoad屏障；
在每个volatile读操作前插入LoadLoad屏障，在读操作后插入LoadStore屏障；

由于内存屏障的作用，避免了volatile变量和其它指令重排序、线程之间实现了通信，使得volatile表现出了锁的特性。

示例

假设我们有两个线程，线程 A 和线程 B。线程 A 先写入数据，然后通知线程 B 读取数据。为了确保线程 B 能够及时看到线程 A 的写入数据，我们需要确保操作的顺序性。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

class SharedResource {
    private volatile boolean flag = false; // 使用 volatile 确保可见性

    public void writer() {
        // 写入数据并设置 flag
        // 写操作前的内存屏障
        flag = true;  // Store Barrier
    }

    public void reader() {
        // 读取 flag
        while (!flag) {
            // 等待 flag 为 true
        }
        // 读取数据
        System.out.println("Flag is set to true!");
    }
}

在上面的代码中：

• flag 被声明为 volatile，这会确保当线程 A 更新 flag 的值时，线程 B 能立即看到这个值的变化，避免了线程 B 因为缓存问题一直读取不到最新的 flag 值。
• volatile 在底层插入了相应的内存屏障，确保了对 flag 的操作顺序和内存可见性。

总结

内存屏障是并发编程中确保多线程之间内存可见性和操作顺序性的重要机制。它通过强制限制 CPU 和编译器的指令重排，确保线程在访问共享数据时，操作的顺序是符合预期的。

• 内存屏障的种类：包括 Store Barrier（写屏障）、Load Barrier（读屏障）
• Java 中的内存屏障：通过 volatile 关键字、Atomic 类等方式来确保多线程环境中的可见性和顺序性，底层依赖于内存屏障。

通过理解内存屏障的原理，我们可以更好地设计高效、线程安全的并发程序。