工业聚

砍需求是能力发挥后的操作和结果，真正的能力发生在诉诸第一性原理的思考环节。 需求不是说砍就砍的，一不小心砍错了，容易被认为是在推诿。 诉诸原理的思考，则要求我们越过纸面的、口述的需求表述，去看到背后更深一层乃至几层的更基础需求单元，识别它们的时空秩序和权重梯度。 根据梳理出来的有原理支撑的新需求结构表述（（核心作用/支撑作用/通用基础、依赖关系等），结合当下的战略重心和产研资源投入情况，规划出多阶段的交付模式。 此时，势必比别人想得更细且更远，像相对论扩充/涵盖经典力学那样，把需求的原始表达映射到更有说服力的新表述。 更不容易被识别为推诿，因为整体方案明显要做的事情更多（远景）；但实…

两个阵营分别代表了两类路线—— a）围绕需求、问题或任务的内涵去建构的白盒路线 b）围绕目标、结果或产物外延去验证的黑盒路线 实践中或多或少都会同时使用两个路线，差异在于两种路线里的投入比重。 a路线的极致是严格的数学证明，b路线的极致是完全的 vibe coding。 我个人的实践路线是，不断地用 a 路线沉淀出底层库与框架，然后用 b 路线里越发复杂的目标去检验那些库和框架对 vibe coding 的代码质量的提升效果、对复杂度的管理能力等性质。 具体来说，每次 vibe coding 出相对满意的结果之后，测试套件固化了功能不变量，压缩代码到更少的原语。 自下而上的底层内涵…

代码行数无法作为代码质量的独立指标，按照当前 Coding Agent 的行事作风，难以避免地滑向过度简化和庸俗化。 也就是说，我们甚至连想要的功能都得不到，因为它们的最小必要代码量常常都超出人为指定的或 LLM 假设的额度。 强硬的代码行数预算约束，等于变相鼓励 LLM 寻找捷径，最终欺骗和幻觉将是最低思考成本的捷径。 代码应有的行数是一个相对指标，是相对要解决的问题和当前所采用工具共同得到的结果。对于探索性的、开放性的、创造性的问题和任务，代码行数甚至不能提前预判和约束，只能事后评估和治理。 对于带概率属性的生成式 AI，我们需要弱化甚至放弃以下几个坚持—— 1）one shot…

越来越多人意识到沉淀确定性代码资产的重要意义了，即便是 AGI 时代，AGI 自身也会选择尽可能偷懒，隐匿在幕后让更机械和确定的程序完成自动化部分。 只在必须时刻出现，并以 Code Mode 形式工作，最后沉淀代码资产。 很多人在思考如何利用 Agent 留下的 trajectory，形成学习或记忆。 一种原始的思路是，像道金斯在《自私的基因》里介绍的那样，我们是基因的生存机器。 LLM/Agent 在相似语境中是那个基因，它跟外部交互过程中沉淀的代码，则构成了包裹它的机器外壳。 未来，过多 Raw LLM Call 不仅不被认为是拥抱智能，反而是不够智能。

老同志 vs 年轻人，这种比较其实是一种错位。 更贴切的描述是全年龄段的多维度聪明梯度和能力光谱背景下的集体博弈。 就像 AI 短剧里已涌现做出不俗作品的年轻人。未来软件开发领域也会有类似的人才涌现现象，其中不乏年轻一辈。 曾有一个研究调查智商高但阴差阳错没考上大学的学生们，他们未来的收入情况，结论是跟考上大学的同等智力的人收入在数年内基本持平。 聪明的年轻人，会自己找到出路，找到新的成功路径。 想想 Rust 和 C++ 开发者群体之间的竞争吧，调查以下两个群体的平均年龄，或许会看到有意思的结果。 未来也会有 Coding Agent 时代的新 Rust，代表着基于验证反馈而持续…