程序员会不会被 AI 取代，这个问题被反复问了好几年。真到了日常的工作里，被替掉的是一部分任务：样板代码、重复修复、机械实现。审查、验收和判断留了下来，它们的成本并没有下降。

软件工程攒了几十年的实践，比如完整的回归测试、跟随代码演进的文档、清晰的模块边界和性能基准，一直没有真正普及。它们对人力的消耗太大，有交付压力时总是先被砍掉。AI 把执行成本降下来之后，这些实践第一次变得划算。

1. 概览

最近刷到一个视频，《怎么奴役一千人》。
视频的设定很简单：把一千个人放到一座与世隔绝的岛上，没有政府，也没有历史留下的权威，然后问一个问题，怎么让这一千个人长期服从一个人。
真正吸引我的是那座孤岛。现实里的统治变量太多，看不清哪一条在起作用。
把规模压到一千人，把外部世界拿掉，剩下的就是结构本身。

看完我有两个疑问：

• 这套东西有哪些零件，能不能拆成一套可以对照的框架；
• 它为什么在历史上总是短命，明明每一步看上去都有效。

现实世界也有不少这类事情，特别是退出成本高的领域。国家层面也有，比如 国家为什么失败。

1. 起因：一条视频

前阵子刷到一条视频，《大灭绝时代的生存指南：塔勒布思想述评》，讲纳西姆·塔勒布。
这条视频把《随机漫步的傻瓜》《黑天鹅》《反脆弱》《非对称风险》串成一条线，中间还补了休谟的归纳问题、演化论里的间断平衡，以及塔勒布本人在黎巴嫩内战的经历。

看完的第一感觉是：讲的人逻辑清晰。
在这之前我读过《随机漫步的傻瓜》，当时留下的印象是，大部分人做金融，判断水平和猴子扔飞镖差不多。

那为什么搞金融的人会推崇塔勒布，他有什么优点，怎么去深入了解不确定性？

推特网友@dontbesilent 说：
过去十年最重要决定，就是从北京到了广东
随着时间推移，这个决定的影响会越来越大
Paul Graham，城市与雄心（2008）

于是我把 Paul Graham 2008 年的《城市与抱负》翻出来读了一遍。
这篇文章讲的是城市怎么影响人，读的时候，也想起来自己的几段经历。

1. 缘起

早些年买的 HHHK Type-S 键盘，一个月左右要换一次电池( 充电电池 )，有时候换完电池，
就没法连上 Mac 继续使用，为此还被家里领导吐槽过。
因为家里的 Mac Studio + 键盘 + 触摸板都是无线的，键盘挂了就没法用电脑。

每次遇到这个问题，我都要检索一番。
但是现在的搜索引擎，都在用 AI 进行总结，放在前面的方法不一定是对的。

于是我就想着写在博客上，下回可以直接手机查看。

2. 问题集锦

2.1 蓝灯常量

1. 缘起

9 月 23 日，Cursor 的 Eric Zakariasson 在 X 上发了一份 prompt。内容是优化 Agent Harness 的 token 效率。帖子说，某团队一轮改动后整体 token 成本降了约 7%，质量没有下降。改动包括提示词精简、工具卸载、缓存布局、稀疏行号、子 Agent 调优。这是团队自述数据，用来判断量级。

它最值得抄的是方法：不看单次请求省了多少，改看完成一个任务花了多少。李博杰的开源书《深入理解 AI Agent：设计原理与工程实践》补上了另一半，这些动作为什么有效。我写过读后感。

2026 年 8 月 4 日，硅谷101 播了一期对谈，嘉宾是盛颖。节目页给的头衔有三个：开源推理引擎 SGLang 的发起人、xAI 前推理团队负责人、RadixArk 联合创始人兼 CEO。这期还有一份近四万字的文字稿，发在硅谷101 的头条号上，本文引用的原话都出自那里。

她现在的公司拿了 1 亿美元种子轮，估值 4 亿美元。访谈里更耐看的是另外一部分：她怎么从九江走到斯坦福，为什么愿意把代码放出去，以及她怎么讲那些平时没人摆到台面上说的事。这几段放在一起，背后有一条共同的判据，她要把「对不对」从感觉变成可验证的东西：数学用证明，系统用指标，组织用规则。

落到产品上，SGLang 回答的是一个很实际的问题：同一批卡，做同一件事，凭什么有的团队能多跑出几倍的量。

1. laya 是什么

laya 是一个跑在自己机器上的判断模型：给它一段材料（工单、邮件、命令、JSON）和几个预设问题，它返回选项和概率，不生成任何文字。

它是照着 Jev 的接口做的开源替代：比 Jev 快得多、免费、能自己部署，但开箱能力弱一档，选项一多就崩，要用得先拿自己的数据微调。下面说的快和弱，参照物都是 Jev。

1.1 和 Jev 的关系

2026 年 9 月 15 日 TypeSafe AI 发布 Jev，闭源托管、邀请制。三天后 laya 出现在 GitHub 上，由 Convai Innovations 开发。

laya 复现的是 Jev 的接口和那套概念，模型本身是另一套。它是三个 encoder 加一个决策头，英文基于 ModernBERT-large 421M 参数，多语言基于 mmBERT-base 322M，权重都是自己训练的。Jev 只提供托管 API，laya 的基准测试里也从没调用过 TypeSafe 的接口，取的都是官方公布的数字。

1. 概览

一个 Chatbot 要上线，关键不在模型多强，在模型外面套一圈确定性的关卡。

• 违规请求在进模型之前就被拦掉，省 token 也省风险。
• 召回来的知识先过重排再喂给模型，低分的直接砍掉。
• 工具调用套上中间件，限流、清洗、重试都在这一层做，下游不会被模型不可靠的参数打崩，出错能自愈。
• 输出过审才出去、过审才写回记忆，某一轮的错结论不会污染之后每一轮。
• 全程挂 Callback，出问题能定位到是哪个环节慢、哪个环节多花了 token。

思路是：模型能出错的每一处，都放一道确定性的关卡接着，模型只管认知，工程交给外面的关卡。

1. 缘起

2026 年 9 月 15 日，TypeSafe AI 发布模型 Jev。它不生成文字，给定一段材料与若干预设问题，直接返回选项和概率。创始人 Diogo Almeida 为 InstructGPT 论文作者之一。发布三天内，GitHub 上出现十余个围绕它的项目。

它要解决的问题：Agent 跑一次任务，中间要做几十上百次小判断，比如下一步点哪个按钮、这封邮件归哪个队列、这条命令危不危险。这些判断的答案通常只是一个选项或一个数，但交给大模型做，模型得先把答案写成一句话，程序再解析回来。成本花在两处用不上的地方：把答案写成文字，以及每问一个问题都把同一份材料重读一遍。