<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Chiensidney的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/Chiensidney</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; Chiensidney]]></copyright><item><title><![CDATA[52% 的加速，去了谁的口袋？]]></title><link>https://blog.csdn.net/Chiensidney/article/details/169338498</link><guid>https://blog.csdn.net/Chiensidney/article/details/169338498</guid><author>Chiensidney</author><pubDate>Thu, 29 Oct 2026 07:45:00 +0800</pubDate><description><![CDATA[这份报告的真正结论不是"AI 让维护者更累"，而是软件工程的价值重心正在从"生产能力"迁移到"判断能力"。第一，把项目时间预算从"写"挪到"验"。既然 21% 的复杂任务在用 AI 时反而更慢，你就该主动做任务分流：把脚手架、样板、迁移、配置这类"生成成本占主导"的活坚决交给 AI 并接受较高的出错率（反正便宜）；把架构决策、疑难 bug、跨模块契约这类"判断成本占主导"的活留给自己，并且明确地不给 AI 提速的期待。混着用是最大的浪费——你用 AI 的快速模式去干需要慢思考的活。]]></description><category></category></item><item><title><![CDATA[模型好选，搜索难做：一个投研 Agent 的两年开发历程（深度回顾）]]></title><link>https://blog.csdn.net/Chiensidney/article/details/169337906</link><guid>https://blog.csdn.net/Chiensidney/article/details/169337906</guid><author>Chiensidney</author><pubDate>Thu, 29 Oct 2026 07:30:00 +0800</pubDate><description><![CDATA[这篇访谈揭示了垂直领域Agent的核心瓶颈已从模型能力转向信息质量与可追溯性。陈万删掉自研爬虫代码，转而依赖搜索API，印证了“信息侧”才是关键——搜索3.0的真正价值在于返回字段的语义清晰（如authority_level、passage），而非单纯搜得准。对独立开发者而言，最大启示是：别再重复造轮子式的信息清洗系统，而是评估哪些底层能力应交由专业服务托管。但文中未深挖authority_level的判定逻辑、Freshness的时间语义等关键细节，也回避了成本结构与供应商锁定风险，需警惕“省心”背后的控]]></description><category></category></item><item><title><![CDATA[当智能体开始“用电脑“：速度宣称背后的三个工程问题]]></title><link>https://blog.csdn.net/Chiensidney/article/details/169239834</link><guid>https://blog.csdn.net/Chiensidney/article/details/169239834</guid><author>Chiensidney</author><pubDate>Wed, 28 Oct 2026 07:45:00 +0800</pubDate><description><![CDATA[两条快讯揭示技术演进新趋势：智能体正从“调用函数”转向“参与流程的劳动者”，评价标准由模型分数转向单位任务成本与可靠吞吐。尽管“速度超人”看似惊人，但缺乏评测口径与失败率数据，可信度存疑。在无API的GUI操作中，可靠性依赖事务化设计、人工确认与幂等机制。厂商宣称“成本前沿”需谨慎对待，应以自有任务集验证“每成功任务综合成本”。工程师应警惕夸大表述，转而构建可复现的成本账本，预设智能体“会犯错且不自知”，优先保障可回滚性。最终，真正的竞争力在于可控、可持续的工程系统，而非单一模型的峰值表现。]]></description><category></category></item><item><title><![CDATA[编程没有被取代，被取代的是“写代码“这件事本身]]></title><link>https://blog.csdn.net/Chiensidney/article/details/169239250</link><guid>https://blog.csdn.net/Chiensidney/article/details/169239250</guid><author>Chiensidney</author><pubDate>Wed, 28 Oct 2026 07:00:00 +0800</pubDate><description><![CDATA[AI未取代程序员，而是替代“写代码”这一动作。需求弹性使软件开发更忙更值钱，能力迁移让AI进军科学发现，而真正不可替代的是问题定义、验证与责任承担。手艺虽逝，但工程师需转向判断力与系统思维。效率提升的红利能否转化为自由，仍取决于制度设计而非技术本身。]]></description><category></category></item><item><title><![CDATA[AI 项目为什么难落地]]></title><link>https://blog.csdn.net/Chiensidney/article/details/169140951</link><guid>https://blog.csdn.net/Chiensidney/article/details/169140951</guid><author>Chiensidney</author><pubDate>Tue, 27 Oct 2026 07:45:00 +0800</pubDate><description><![CDATA[企业AI项目失败的核心原因并非信任或供需问题，而是数据不可用：数据缺失、口径不一、标签残缺，耗时过半且无捷径。验收标准模糊导致目标错位，本质是指标未明确定义。依赖人力驻场虽能应对不确定性，却难规模化且阻碍复用。过度强调应用层而忽视底座欠账，掩盖了上下文管理、工具调用等深层挑战。真正价值在于构建可度量、可复用的算法与治理体系，而非仅做匹配撮合。选择易场景验证成功，实为“送分题”误导。唯有直面数据、验收、集成与归因等硬约束，才能实现可持续落地。]]></description><category></category></item><item><title><![CDATA[当 AI 比人类更快发现 Bug：PostgreSQL 19 延期的三个技术主张]]></title><link>https://blog.csdn.net/Chiensidney/article/details/169139552</link><guid>https://blog.csdn.net/Chiensidney/article/details/169139552</guid><author>Chiensidney</author><pubDate>Tue, 27 Oct 2026 07:30:00 +0800</pubDate><description><![CDATA[PostgreSQL 19 发布延期至11月19日，新增RC2，官方称因大量修复需社区验证。报道将此归因于AI提升审查能力，导致历史缺陷暴露、质量门槛抬高。但核心质疑在于：所谓“AI发现海量问题”缺乏量化支撑，仅一句“八分之一有效率”暗示高误报率，实则暴露分诊成本飙升。真正瓶颈非修复速度，而是甄别噪音。报道将“风险排序”误作“缺陷生成”，夸大了AI作用，回避了分诊机制设计与oracle依赖等关键工程挑战。事件本质是存量缺陷清算，而非普遍性质量跃升。]]></description><category></category></item><item><title><![CDATA[让 Agent「照章办事」：金融监管里的 Harness 实践值得谁抄作业？]]></title><link>https://blog.csdn.net/Chiensidney/article/details/168880182</link><guid>https://blog.csdn.net/Chiensidney/article/details/168880182</guid><author>Chiensidney</author><pubDate>Mon, 26 Oct 2026 08:00:00 +0800</pubDate><description><![CDATA[在金融监管报送场景中，中软融鑫于浩军提出“Agent越聪明越危险”的反直觉观点，强调零容错、强追溯需求下，大模型的自由推理反成风险源。其核心方案通过“把‘不知道’当功能”、构建受控状态机与动作白名单、实现治理与智能互为前提，将确定性从提示词转向系统治理。虽工程颗粒度精细，但缺乏量化验证与对抗性讨论，关键问题如“未知判定可靠性”“大模型边际贡献”“版本运维成本”未深挖。该实践揭示：高价值场景中，可靠性的本质是主动剥夺模型能力，而非增强其智能。]]></description><category></category></item><item><title><![CDATA[我们试过让 AI 完全自主下单，结果不如写死的流程]]></title><link>https://blog.csdn.net/Chiensidney/article/details/168879452</link><guid>https://blog.csdn.net/Chiensidney/article/details/168879452</guid><author>Chiensidney</author><pubDate>Mon, 26 Oct 2026 07:00:00 +0800</pubDate><description><![CDATA[飞猪、货拉拉、江苏移动实践揭示：智能代理的边界不是限制，而是责任基石。模型越强，越需划定“能做”与“该负责”的界限——通过结构化约束、求解器替代幻觉计算、权限校验与沙箱隔离，确保不确定性在可控范围内运行。自主性应匹配任务灵活度，明确场景下写死流程反胜于盲目自治。双闭环（业务指标+能力迭代）驱动优化，核心竞争力在于业务知识萃取与系统对接能力。最终，边界让智能真正可托付。]]></description><category></category></item><item><title><![CDATA[软件安全的真实压力点：别让[危险叙事]替你做判断]]></title><link>https://blog.csdn.net/Chiensidney/article/details/168853873</link><guid>https://blog.csdn.net/Chiensidney/article/details/168853873</guid><author>Chiensidney</author><pubDate>Sun, 25 Oct 2026 07:45:00 +0800</pubDate><description><![CDATA[本文剖析了当前软件安全的五大结构性趋势：供应链投毒转向发布链路劫持、密钥集中托管加剧风险、AI Agent权限失控、证书信任链因实现缺陷失效，以及攻击者初步试用LLM降低攻防门槛。作者强调，不应被“漏洞周”式叙事误导，而应聚焦可验证的系统性风险——如验证构建产物、最小权限原则、人工审批高危操作、强化凭据轮换与审计。核心建议是：以可执行清单推动安全左移，假设泄露必然发生，将防御建立在可复现、可验证的基础上。真正的安全，不靠惊悚细节，而靠理性判断与工程严谨。]]></description><category></category></item><item><title><![CDATA[AI 写的 review 没人信，AI 写的代码前后打架——Trae 边界实录（下）：协作与一致性]]></title><link>https://blog.csdn.net/Chiensidney/article/details/168743025</link><guid>https://blog.csdn.net/Chiensidney/article/details/168743025</guid><author>Chiensidney</author><pubDate>Sun, 25 Oct 2026 07:45:00 +0800</pubDate><description><![CDATA[AI编程需明确边界：Trae可辅助起草、扫描问题，但无法替代业务判断与长期一致性。关键在“你负责判断、验证和承担”——将项目约定写入规则文件，Review结论自定，避免混用风格或遗漏隐患。附速查表，助团队高效安全用AI。]]></description><category></category></item><item><title><![CDATA[AI 开源的下半场：从“代码可获取“到“系统可验证“]]></title><link>https://blog.csdn.net/Chiensidney/article/details/168853137</link><guid>https://blog.csdn.net/Chiensidney/article/details/168853137</guid><author>Chiensidney</author><pubDate>Sat, 24 Oct 2026 07:30:00 +0800</pubDate><description><![CDATA[AI模型开源后仍难复用，根源在于“开放”不等于“可复用”。工程实践揭示：模型下载≠系统可复现，代码公开≠接口稳定，Demo成功≠场景迁移。核心挑战来自多要素耦合——环境、依赖、接口、数据缺一不可。评价体系需从关注度转向可复用度，涵盖文档、环境、接口、部署四维度。技术生态正向模块化协作演进，但接口连通不等于能力复用。评测也从结果转向轨迹检查，强调执行过程的可验证性。真正成熟的开源生态，不仅开门，更需提供可验证、可迁移的完整资产链。]]></description><category></category></item><item><title><![CDATA[系列第二篇：Agent 帮我跑实验三个月，我改了哪些规范（附前后对比）]]></title><link>https://blog.csdn.net/Chiensidney/article/details/168655048</link><guid>https://blog.csdn.net/Chiensidney/article/details/168655048</guid><author>Chiensidney</author><pubDate>Sat, 24 Oct 2026 07:00:00 +0800</pubDate><description><![CDATA[三个月内，通过40多次实验翻车，团队从“设计规范”转向“被现实打出来的规范”。核心原则：规范是记录踩过的坑，而非约束工具。输入端强化契约先行、权限隔离、命令透明、单任务拆解；输出端推行结构化报告、强制局限说明、证据溯源、禁止主观表述；流程新增反方律师、人工推翻反馈表、上线三核对。每条修订皆源于真实事故，最终实现问题从“事后发现”转为“事前拦截”，让规范真正成为团队的避坑指南。]]></description><category></category></item><item><title><![CDATA[AI 写的上传接口，我一眼看出三个漏洞——Trae 边界实录（中）：安全与隐式耦合]]></title><link>https://blog.csdn.net/Chiensidney/article/details/168742307</link><guid>https://blog.csdn.net/Chiensidney/article/details/168742307</guid><author>Chiensidney</author><pubDate>Fri, 23 Oct 2026 08:15:00 +0800</pubDate><description><![CDATA[系列第 2 篇。上篇讲业务、版本、架构；本篇讲安全与隐式耦合；下篇讲协作与一致性。]]></description><category></category></item><item><title><![CDATA[Bootstrap 6 Alpha 1 解读：一次把“兼容包袱“换成“原生能力“的重构]]></title><link>https://blog.csdn.net/Chiensidney/article/details/168741304</link><guid>https://blog.csdn.net/Chiensidney/article/details/168741304</guid><author>Chiensidney</author><pubDate>Fri, 23 Oct 2026 07:00:00 +0800</pubDate><description><![CDATA[Bootstrap 6 的本质是用放弃兼容性换取架构现代化的一次取舍：更高基线解锁原生 CSS 能力；Token 化让主题从编译期变为运行时；类名语法向业界标准靠拢；工程链路补齐 TypeScript 与 ESM；并把文档交付扩展到 AI Agent 场景。它不是一次"增量升级"，而更接近一次"重新定位"。问题不在于技术方向对不对——方向基本正确——而在于 Bootstrap 的核心用户群（大量存量企业项目、非前端专职开发者）恰恰是最不擅长承担迁移成本的那一批人。]]></description><category></category></item><item><title><![CDATA[OpenAI在防智能体造反，我在公司连个给我数据的人都找不到]]></title><link>https://blog.csdn.net/Chiensidney/article/details/168655588</link><guid>https://blog.csdn.net/Chiensidney/article/details/168655588</guid><author>Chiensidney</author><pubDate>Thu, 22 Oct 2026 07:45:00 +0800</pubDate><description><![CDATA[2026年AI落地面临巨大割裂：技术侧智能体已能自主闯祸，监管划出人机边界红线；而企业端95%项目因组织抵制胎死腹中。根源非技术，而是利益博弈——员工惧怕被替代，老板期待“用AI裁员”，导致全员软抵制。破解之道在于：不求配合，反向设计——焊死人机边界、数据挖规则、低代码赋权业务方、全程留痕不自动执行。以透明机制倒逼规则公开，让每个人成为系统受益者而非阻力。真正的AI落地，不是技术胜利，而是组织协同的重构。]]></description><category></category></item><item><title><![CDATA[Agent 时代的算法验收工程学：别再靠拍脑袋给AI项目擦屁股]]></title><link>https://blog.csdn.net/Chiensidney/article/details/168654385</link><guid>https://blog.csdn.net/Chiensidney/article/details/168654385</guid><author>Chiensidney</author><pubDate>Thu, 22 Oct 2026 07:00:00 +0800</pubDate><description><![CDATA[🔖 标签：#Agent反玄学工程 #算法验收零扯皮 #大模型生产保命指南📍 快速直达：直接看能抄走的全量生产代码开篇导读做过生产Agent项目的人，大概率都体验过这个噩梦级场景：你熬了两周把Prompt调通、把模型跑顺，上线演示的时候10个测试case全对，结果正式交付那天，产品甩出来200个你听都没听过的长尾边界case，指着Agent输出的离谱结果跟你说：“这东西一点都不智能，完全不合格。]]></description><category></category></item><item><title><![CDATA[AI 写的代码能跑，但能进生产吗？——Trae 边界实录（上）：业务、版本、架构]]></title><link>https://blog.csdn.net/Chiensidney/article/details/168556555</link><guid>https://blog.csdn.net/Chiensidney/article/details/168556555</guid><author>Chiensidney</author><pubDate>Wed, 21 Oct 2026 08:45:00 +0800</pubDate><description><![CDATA[本文通过三个真实案例揭示AI编程助手Trae的三大陷阱：业务理解偏差、版本依赖错乱与架构决策失准。针对“能跑”不等于“可用”的核心问题，提出“Trae负责起草，你负责判断”的原则，并提供可复用的Prompt模板，强调在业务约束、版本确认与团队实际条件下进行验证与决策。下篇将深入安全漏洞与隐式耦合风险。]]></description><category></category></item><item><title><![CDATA[当「小模型」追上「大模型」：StartLux 登顶决策赛道后，留给行业的问题]]></title><link>https://blog.csdn.net/Chiensidney/article/details/168556423</link><guid>https://blog.csdn.net/Chiensidney/article/details/168556423</guid><author>Chiensidney</author><pubDate>Wed, 21 Oct 2026 07:00:00 +0800</pubDate><description><![CDATA[2026年9月至10月，上海团队StartLux凭借27B决策模型在Decision Index榜单连续登顶，引发“中国模型突破”热议。但其真正价值不在于分数领先，而在于创新性地将推理预算显式化——通过Instant与AutoThink双线设计，实现“按需思考”与信心校准，显著提升决策效率与可信度。尽管技术亮点突出，如开源权重、可复现指标及93.9%终止率等，但榜单公信力、对比基准合理性及多模态演示的量化缺失等问题仍存疑。核心启示：决策模型的竞争已从“答对”转向“精准判断何时该想”，真正的护城河在于可验证的]]></description><category></category></item><item><title><![CDATA[20 倍性能提升，输给了一次错误的读取顺序：Linus 的 Claude Code 补丁为何没能进主线]]></title><link>https://blog.csdn.net/Chiensidney/article/details/168541600</link><guid>https://blog.csdn.net/Chiensidney/article/details/168541600</guid><author>Chiensidney</author><pubDate>Tue, 20 Oct 2026 11:12:53 +0800</pubDate><description><![CDATA[补丁虽显著提升读取吞吐，却因一个隐蔽的竞争条件未被合入：filemap_read_rcu_batch() 中 folio 与 i_size 的 RCU 读取无时序约束，可能导致读取文件末尾外无效数据。该缺陷需全局时序洞察，非 AI 可独立识别。修复引入 PG_rcu_free 等机制，带来性能开销。事件揭示：AI 可提出有效优化，但正确性验证仍需人类经验，尤其在高收益场景下，安全论证门槛更高。]]></description><category></category></item><item><title><![CDATA[别把学徒制外包给 AI：为什么你的流水线需要刻意设置“人工关卡“]]></title><link>https://blog.csdn.net/Chiensidney/article/details/168530143</link><guid>https://blog.csdn.net/Chiensidney/article/details/168530143</guid><author>Chiensidney</author><pubDate>Tue, 20 Oct 2026 09:29:38 +0800</pubDate><description><![CDATA[AI赋能虽提升效率，却隐含“能力退化”风险。文章将初级岗位流失问题从经济学转向工程学，提出“人工关卡”设计：在核心故障研判中强制关闭AI，由工程师独立定位根因，再比对AI建议，以维持技能存量。借鉴航空业“自动化悖论”经验，该模式可有效对抗技能荒漠化。但其落地需解决度量缺失、失效判据与成本权衡等挑战，亟待团队实测校准指标，将原则转化为可验收的工程实践。]]></description><category></category></item></channel></rss>