AI 放大不了你没有的

用 AI 折腾了半年，批量生文、视频号系列、面试辅导，全试了一遍。最后发现 AI 放大的是你已经有的东西，不是你还没有的。

LLM 是一个无状态纯函数：Harness 工程的第一条公理

新窗口里它又问了同一个问题——刚才一起磨方案的那个「它」哪儿去了？LLM 是无状态纯函数，这是 Harness 工程的第一条公理。

AI 为什么时而神准时而乱说？大模型的六个底层机制

费曼讲 AI 阶段一总结。从 Token 到幻觉，用日常类比拆解大模型的六个底层机制，解释 AI 那些看起来矛盾的行为。

不知道怎么用好 AI？答案就在 AI 那里

李笑来分享的递归法：直接问 AI"如何像专家一样使用 AI"。用 AI 来解决"怎么用好 AI"这个问题本身——就像当年你用谷歌搜"怎么用谷歌"一样。

你的 AI Coding 占比多少？面试官追问的才是重点

面试时问 AI Coding 占比，不是为了一个数字。数字背后的方法、踩过的坑、怎么管控质量，才是真正能看出认知深度的地方。

Karpathy 说不需要 RAG，我试了，他是对的

个人知识库试过 Notion、Obsidian、卡片笔记法，都卡在整理。Karpathy 的 LLM 编译模式让整理这件事由 LLM 来做，实测跑了 219 篇，确实不需要 RAG。

AI 之后，工程师靠什么不被替代

从乔布斯斯坦福演讲里的书法课说起，聊聊 AI 时代工程师真正的壁垒不在技能，而在审美和判断力。

Agent 的核心代码不到 20 行，但大多数团队搭不稳

Agent Loop 的核心实现不到 20 行代码，真正的工程量在 Harness——权限控制、错误恢复、日志追踪这些外围机制。

黄仁勋：AGI已实现，未来每个木匠都是程序员

Lex Fridman Podcast 第 494 期精读。两个半小时里，黄仁勋几乎把 AI 的现状、未来和 NVIDIA 的底牌全摊开了。最具争议的一句："我认为我们已经实现了 AGI。"

AI 越聊越蠢，不是模型不行，是你把上下文喂脏了

用 AI Coding 工具聊到一半突然犯蠢，不是上下文不够长，是上下文太脏了。工具定义、测试输出、压缩误伤，三层噪声叠加才是根因。