状态：大纲 核心论点 四原语（Spec/Loop/Hook/Fork）从三个完全独立的来源收敛到同一组结论。这种交叉验证本身是一个方法论观察：当不同路径独立到达相同抽象时，这些抽象大概率是结构性的而非偶然的。同时，这个收敛也指向一个实践判断：框架选择的重要性在下降，Harness 的 Policy Runtime 和 Stateful Workflow 两层才是持久投资方向。 大纲 1. 三个独立来源 OpenAI Codex 的设计选择 Docs as system of record（不是 prompt，是文件） Review…
状态：大纲 核心论点 Oncall agent 慢，常被归因为「LLM 推理慢」或「工具调用多」。但真实原因是一个设计选择：debug tree 把 investigation 建模成了序贯过程。这个序贯不全是真的，其中前半段（事实基座收集）本质上是独立可并行的。Deep Research Workflow 的 Phase 2 并行 fan-out 是同构解法。把 investigation 的前半段从「先 routing 再查」改成「先并行铺开事实基座再 routing」，能在不牺牲正确性的前提下把 wall-clock 时间压缩一个量级。 大纲…
状态：大纲 核心论点 当前 multi-agent 框架用角色拟物（PM/Engineer/QA/Reviewer）建模协作，掩盖了真正的工程约束。正确的抽象是四个控制论原语：Spec、Loop、Hook、Fork。每个原语在 K8s 中都有精确的对应物，因为 K8s 花了二十年解决的就是同一类问题。 大纲 1. 角色抽象的问题 当前框架的拟物设计（skeuomorphism）：用人类组织角色降低认知负担 PM agent 和 Engineer agent 的本质区别不是「一个写需求一个写代码」，而是对 context…
执行变廉价之后，什么能力还值钱 AI 改变的不是效率，是定价机制 AI 让很多事情变快了，但职业差距在拉大。 junior 被 AI 放大，senior 更值钱，但 senior 更难被组织看见。 所有人都能用 AI 写代码、做分析、出报告的时候，执行效率就不再稀缺了。市场在重新定价：什么能力真正稀缺？什么能力 AI 替不了？ 我想讨论的就一件事：在 AI 时代，什么才是真正的长期定价能力。不聊怎么用 AI，不聊 prompt 工程，不聊求职技巧。 职业价值的本质：降低不确定性 从第一性原理讲，不确定环境中职业价值的公式是： 价值 = 正确性 x…
AI makes many things faster, but the professional gap is widening. Juniors get amplified. Seniors become more valuable but harder for organizations to recognize.
When everyone can use AI to write code, run analysis, and generate reports, execution efficiency stops being scarce. The market reprices: what capabilities are truly scarce? What can’t AI replace?
We keep saying “production environment” like it’s just another deployment target. It’s not. Demo systems optimize for success. Production systems optimize for survival. Completely different species.
仪表盘一片绿色，用户已经宕机了。你遇到的不是可观测性问题，是控制系统故障。 这篇文章来自一次真实事故的复盘。不是监控入门，是设计审查：为什么生产组织在最需要可见性的时候反而看不见。 那次凌晨两点的事故 现场 凌晨 02:17，客户支持群冒出第一条消息：某大客户请求大量超时。 02:19，Oncall 被拉醒。 02:21，打开 Grafana，一片绿色。CPU 正常，Memory 正常，Error rate 接近 0。系统看上去啥事没有。 02:25，更多客户报告超时。业务负责人进会议，开始问：影响多少客户？范围多大？要不要回滚？多久能恢复？…
When dashboards are all green but users are already down, you’re facing a control system failure, not an observability problem.
02:17 AM. A major customer reports massive request timeouts in the support channel.
02:19. Oncall gets paged.
02:21. Grafana opens. All green. CPU normal. Memory normal. Error rate near zero. The system looks completely healthy.
02:25. More customers report timeouts. Business leaders join the call: How many customers affected? What’s the impact scope? Do we need to rollback? How long to recover?
No one can answer. Monitoring systems exist, but they provide nothing usable for decisions.