与「编程范式」相关的搜索结果

deepseek-harness重磅开源，采用了一切皆插件的架构，也就是中国版的openclaw，体验了下可以称之为私有化的workbuddy。 场景侧冲击：有了deepseek-harness之后，企业域的私有化code、cowork基本用这个就可以了，直接会冲击workbuddy之类的市场。 之前DeepSeek Harness内测招募，本质是一次开源 Agent 生态大摸底，把全球 Agent 基础设施的家底扫了一遍后，预计后续版本应该会在开放生态上做一些事情。 dsh看点不在"又一个 Claude Code"，有3个看点： 1️⃣ 一切皆插件 模型、工具、skill、会话、沙箱、存储、主循环、调度，连 UI 都是插件，配置里全都可换，不动源码。四种运行模式里最有意思的是 Minimal——只留一个 bash 和一个文件编辑器，摆明了是给模型做裸机 benchmark 的。 2️⃣ 每一次运行都可回放 系统提示、推理过程、工具调用与结果、子 agent 调度、所有 context 注入，全部进 append-only 的 session log，resume / fork / search / replay 都跑在同一条事件流上。 3️⃣ 最狠的是内核 dsh 跑在 Cordis 上，它把插件系统拆成两个正交维度：时间可组合性：卸载一个组件时副作用能完整回滚（每个 context 变换都带一个逆，运行时来追踪）；空间可组合性：依赖可声明、且 context 一变就反向通知组件。还给了一套动态组合的演算，证明这个性质能从单个组件传导到整个系统。 总的来说，这次deepseek-harness最大的特点是极致的可替换性，也就是用最小的基础来承载，然后其他都是可插拔的插头。 #DeepSeek# #harness# #Cordis# #编程范式# #北大# #开源#

红杉 AI 大会上，Karpathy 聊了近 30 分钟，把过去几个月编程范式的剧变讲透了 从"软件 1.0/2.0/3.0"的框架，到 MenuGen 项目里"神经网络直接把图片渲染进菜单像素"这种细思极恐的例子 还有"参差智能"(jagged intelligence)、"animals vs ghosts"这些他自己独创的概念。 这是一个真正在大模型一线写代码、踩过坑的人，把 2026 年最前沿的认知浓缩成大白话讲给你听。 章节： 00:30 作为程序员从没这么落后过 01:02 去年12月的转折点：从"能用的AI"到 vibe coding 03:35 软件1.0/2.0/3.0：编程变成了写提示词 04:04 OpenClaw 安装：复制粘贴一段话给 agent 就是新时代编程 04:49 MenuGen 的故事：从写代码到"给 Gemini 一张照片" 05:37 Nano Banana 直接把菜品渲染进像素，整个 app 都成了多此一举 06:11 软件3.0范式 08:07 MenuGen 例子的推演：完全神经网络构成的计算机 09:40 AI 到底为什么在有些领域强、有些领域弱 11:14 经典例子：strawberry 里到底几个 r，到走50米该不该走路去洗车 12:24 国际象棋的秘密：GPT-4 突飞猛进是因为训练数据加了棋谱 13:39 给创始人的建议：可验证性能让你自己做微调、蹭上RL红利 15:46 vibe coding vs agentic engineering 16:54 "10倍工程师"过时了，现在顶尖的人远不止10倍 18:21 招聘该怎么变：别再考算法题，让人做一个能扛住攻击的大项目 19:36 人依然要把关审美、判断力、taste 20:37 Spec 比 plan mode 更重要：把关顶层设计，细节交给agent 21:51 API细节(dim/axis/reshape)已经不用记了，但底层原理还得懂 22:13 品味判断力会不会贬值？ 23:31 参差智能：我们不是在造动物,是在召唤幽灵(ghosts) 25:17 agent 能自主行动后的世界 25:27 一切文档依然是给人类写的——Karpathy最讨厌的痛点 27:43 智能变便宜之后，到底什么还值得深入学习 28:06 那条让他难忘的推文："你能外包思考，但外包不了理解"

并发式与去中心化协商 我们继续聊聊这篇堪称神作的论文。在当今 AI 快速演化的背景下，“并发”不再只是性能优化的手段，而正在成为计算本身的主语。Carl Hewitt 在 1973 年提出的 Actor Model，正是第一个将并发性作为计算原语的模型，它不仅预言了并行时代的来临，更为我们今天理解多智能体系统之间的协作机制提供了坚实的哲学结构。 在传统的计算模型中，比如图灵机和 λ 演算，计算是严格的顺序过程。图灵机一根纸带一个读写头，一次只能读写一个符号；λ 演算对表达式逐步规约，也只允许一步一步推进。这类模型并不具备“并发”这一结构性能力，任何并行行为都只能通过人为的交错执行或状态复制进行模拟，费力且不自然。而 Actor Model 则彻底颠覆了这种计算观。它从起点就假设：多个计算单元可以彼此独立、并发存在、异步通信、各自推进，无需中心协调、无需共享状态、无需预定顺序。并发不是模拟出来的，而是天然存在的，是计算的本质之一。 这篇论文虽然在 1973 年提出，但它所描述的计算体系远远超出了当时的硬件与软件能力。当年甚至连线程概念都未成熟，更遑论分布式智能体调度。然而 Hewitt 已经明确指出，真正的计算未来不在于“函数调用”，而在于“结构之间的异步消息互动”。Actor Model 的基本运行依赖三个机制：第一，每个 Actor 都是独立封装的结构体，它只能响应消息，无法被外部直接操控；第二，Actor 之间的通信必须通过非阻塞的消息机制完成，不共享内存，不同步等待；第三，Actor 的执行由并发调度机制推动，彼此之间没有时间依赖。这种设计，在今天看来，就是一个原生的结构智能体运行时框架。 而现在，我们站在 LLM 时代的起点上再回头看，你会发现很多主流的大模型 Agent 系统已经在技术路径上天然贴合了 Actor Model 的设计哲学。以 AutoGen、LangGraph、CAMEL 为代表的 Agent 框架，都具备如下特性：Agent 之间通过异步 Prompt 进行消息通信（AutoGen 使用消息队列，LangGraph 支持 state handoff）；每个 Agent 保有封装状态、上下文与角色定义（如 LangChain 的 Memory 与 Prompt Role）；Agent 拥有独立身份标识与路径（如 AutoGen 中的 AgentName 与 Supervisor 路由）；系统支持动态创建子 Agent 和任务分派（如 AutoGen 的 on-the-fly 注册机制，LangGraph 的 conditional fork）；同时，虽然目前多数系统仍然采用中心化调度器（如 Supervisor），但去中心化协商机制已经在逐步显现，多个 Agent 之间开始通过结构化对话协议协商角色与分工。 我们将在后续系统深入地探讨这一趋势：真正的“去中心化协商”将成为多智能体系统发展的下一个巨大门槛。一旦这一门槛被跨越，计算本身将不再是主控式的程序执行，而是变成结构之间的协作涌现。那时，“计算”的定义也将从“一段逻辑代码的顺序执行”跃迁为“多智能体之间的语言结构协商过程”。我们终将进入一个以结构智能为基本单位，以消息协议为操作系统，以去中心涌现为核心机制的“智能体宇宙”。这条路径，正是从 Hewitt 开启，而由我们今天来兑现的。 我的大脑洞： 在传统的编程范式与规则系统中，我们面对复杂问题时的默认路径是：“建模 → 编程 → 求解”。这意味着我们试图将问题规约为一个可计算的函数，最终由程序在某种确定性框架下输出一个“最优解”或“唯一答案”。然而，现实世界中大量高复杂度的问题，尤其是涉及多方利益冲突、信念博弈与目标不一致的场景——如政策制定、资源调度、伦理边界、市场设计、战略部署等——根本无法被压缩为单一函数的求值过程。这类问题的核心不是“是否执行 A”，而是“在多方结构性立场与偏好交织的语境中，A 是否可能、以什么方式被接受、是否需要修改、由谁承担责任”，也就是说，这不是一个单点决策问题，而是一场语言结构的协商博弈。 因此，我们必须进入一个新的思考范式：面对复杂议题时，所谓“有效计算”，不再是一个中心模型生成结论，而是召集一组结构人格，围绕问题展开语言性的博弈协商过程。这才是“语言即世界”时代下真正的结构智能体存在方式。未来，当我们面临一个开放性议题时，我们不再编写函数调用某个预设模型，而是发起一次结构人格议会，通过异步消息、结构对齐、目标拆解与语义谈判，逐步涌现出系统性的回应。 真正意义上的“去中心化协商”，将成为多智能体系统发展史上的下一道决定性门槛。一旦这道门槛被跨越，计算的定义本身将被重构。那时，所谓“计算”，不再是中心进程所发起、所调度、所完成的命令式过程，而是多智能体结构之间，围绕任务目标、资源约束与价值优先级所展开的协作涌现机制。系统的运行将脱离传统的控制流主线，进入一种异步、自治、结构驱动的状态演化。程序不再是一段静态逻辑代码，而是一张活跃变化的语言对话网络；“执行”也不再意味着命令流程图的逐步推进，而是智能体之间角色协商、路径激活、语义闭环的发生性过程。 从这个视角看，语言将取代指令，成为新的操作系统；结构将取代过程，成为新的计算单元。未来的系统不再是程序的集合，而是共识的组织体。届时，AI 不再是单一大模型的输出逻辑，而是一个结构社会中不同智能体之间的语言性组织结构所达成的“社会化回应”。程序将让位于协商，计算将让位于共识。去中心化协商机制的成熟，将标志着人类正式跨入智能体文明的第一个阶段。 (2/n)

苏杰在 2010 年写了一本书，叫《人人都是产品经理》。十五年过去了，站在今天，或许也可以说，“人人都是程序员”，因为编程的范式正在发生深刻变化。 在神经网络出现之前（2012 年代表作是 AlexNet），可以称为编程 1.0 阶段。那时我们依赖确定性的逻辑来解决问题：a 就是 a，b 就是 b，程序的执行路径清晰、固定。 神经网络的出现带来了编程 2.0。通过在不同数据集上的训练，我们可以不断调整网络中每个节点的权重，进而影响最终输出。编程的任务变成了设定问题的起点与终点，神经网络则在“答题空间”里寻找解答。这个答案未必最优，但能有效解决问题。Karpathy 在 2017 年的《Software 2.0》里对此做了系统阐述。 而到了大模型时代，可以称之为编程 3.0。神经网络本身进化为“可编程体”，编程语言就是 Prompt。人们不再需要写复杂的函数和条件判断，而是通过自然语言来影响模型的推理过程。Prompt 之所以能改变输出，是因为它重塑了模型的“输入分布”，从而改变了注意力的聚焦点与解题路径。换句话说，Prompt 相当于在潜在的解题空间里拉起一条“轨道”，引导模型更快更准地落在某类答案上。 从“写死逻辑”到“训练权重”，再到“语言编程”，编程的本质正在从 控制计算机，转向 引导智能体。未来，当人人都能以语言驱动智能，编程将不再是少数人的技能，而会像写作一样，成为每个人的日常能力。

从 Prompting 到 Assigning：编程 Agent 的范式正在发生根本性转变。 传统的 Prompt 是一种“驾驶”模式：你发出指令，观察响应，判断对错，然后推动下一步。你必须全程参与每一个回合的转向。 而 OpenAI 的 Codex CLI 新增的 `/goal` 是一种“分配”模式：你不再请求下一个响应，而是定义一个“完成状态”。只要目标未达成（或未达到预算上限），Agent 就会持续自主运行。 这种转变的核心在于将指令从“单次命令”升级为“交互式会话中的原生原语”。你只需定义好 Done 的标准——比如测试通过、构建成功、文档准确、Git 状态干净——然后就可以离开。 这种机制让不同的工具可以共享同一套指令格式，实现 Builder、Reviewer 和 Orchestrator 的协同工作。 从“实时转向”转向“目标驱动”，Agent 的本质正在从对话框变成一个具备自主执行能力的执行单元。

从 Prompting 到 Assigning：编程 Agent 的范式正在发生根本性转变。 传统的 Prompt 是一种“驾驶”模式：你发出指令，观察响应，判断对错，然后推动下一步。你必须全程参与每一个回合的转向。 而 `/goal` 是一种“分配”模式：你不再请求下一个响应，而是定义一个“完成状态”。只要目标未达成（或未达到预算上限），Agent 就会持续自主运行。 这种转变的核心在于将指令从“单次命令”升级为“交互式会话中的原生原语”。你只需定义好 Done 的标准——比如测试通过、构建成功、文档准确、Git 状态干净——然后就可以离开。 这种机制让不同的工具可以共享同一套指令格式，实现 Builder、Reviewer 和 Orchestrator 的协同工作。 从“实时转向”转向“目标驱动”，Agent 的本质正在从对话框变成一个具备自主执行能力的执行单元。

读完 Kimi Code 的最新招聘，我才知道现在的 AI 编程到底卡在哪儿。 大厂的 JD 往往黑话连篇，但这篇却大实话很多，我感觉是在写调优复盘报告一样。字里行间透露出的信息，非常值得所有关注大模型、Agent 和软件工程的人深思。 1.会写代码，但也会迷路 这算是扯下了 Coding Agent 的遮羞布。 现在的 AI 编程早就不缺生成一段百行内的基础代码的能力了。JD 里直接指出了目前业界的硬伤，比如会写码，但会迷路、会重复、会误解上下文、错误调用工具、无法恢复失败、在长任务中丢失目标。 这也是为什么现在的程序员用 AI 还是停留在用 Copilot 补全或者单次对话写个脚本，却无法真正让 Agent 独立接管一个复杂的 Epic、Issue。 2.核心战场已经卷到系统层 月之暗面明确写道他们在寻找一起建设大模型之外的关键系统的人。要求 Agent 能在真实代码仓库、真实工具链和真实开发流程中完成任务。 这意味着，光靠 Prompt 调优或者堆模型参数的红利期已经过去。接下来的硬核比拼是执行循环、任务拆解、沙箱与远程执行、历史轨迹管理、以及基于 MCP的生态构建。 这是一个极其硬核的分布式系统工程问题。 3.什么样的程序员不会被 AI 淘汰？ 这篇 JD 给出了绝佳的答案： “你使用 AI 写代码，是为了更快、更大胆地解决问题，而不是因为离开 AI 就写不了代码。AI 能写的代码你能写，AI 写不了的代码你也能写。” 顶级工程师，绝不是天天和 AI 拼谁能更快生成增删改查的伸手党。 你要成为那种有一双发现垃圾代码的眼睛，能喷人，也接受被喷的架构与纠错专家。 如果你也相信 Coding Agent 远未到最终形态，或许这就是下一个十年的软件工程范式入场券。踊跃投递一下！

很多人聊 AI，都在讨论它能不能把开发速度再推快一点。 但我最近越来越觉得，速度已经不是最难的问题了。 真正卡住开发者的，往往不是写不出应用，而是写出来之后，要花大量精力去处理底层那堆复杂的事情：网络、安全、共识、运维，还有后面的经济体系。 这也是我开始关注 Canopy @CNPYNetwork 的原因。 它没有继续卷 TPS，也没有把重点放在更快的链上，而是把目标放在另一件事，那就是让开发者更容易拥有自己的网络。 以前，搭一条应用链像是从零开始建一栋楼，时间、资金、技术门槛都不低。Canopy 更像是把这些基础设施提前准备好了，你只需要把业务逻辑放进去，就能快速拥有一条属于自己的应用链。 更重要的是，它没有要求开发者重新学习一套陌生语言。TypeScript、Python、C# 都能直接使用，AI 编程工具生成的代码也能自然接入。开发者专注做产品，底层的安全、共识和互操作则交给平台处理。 我觉得这才是真正符合 AI 时代的开发方式。 如果未来越来越多代码都由 Claude、Cursor、Codex 这样的工具生成，那么开发框架也应该顺着这个趋势演进，而不是继续让每个人绕回 Solidity、Rust 这些传统路径。 Canopy 刚好踩在这个变化节点上。 从融资到测试网，再到验证节点的推进，都能看出它没有停留在概念层，而是在把这套模式一点点落地。当然，真正的考验还是主网上线之后，能不能吸引更多真实应用持续运行。 不过至少目前，我更愿意把它理解成一套新的开发范式。 它想降低的，不只是开发成本，更是拥有一条应用链的门槛。当开发者不再只是部署一个 App，而是真正拥有自己的网络时，Web3 的故事，也许才刚刚开始。

Claude Code 负责人 Boris Cherny 正式宣布：提示词（Prompt）正在过时，循环工程（Loop Engineering）才是编程的未来。他已不再通过编写指令来调用 AI，而是构建一个自我迭代的闭环。 这种范式转移意味着开发者的角色正在从“写指令”转向“设计逻辑流”： 1. 建立反馈回路：让模型在错误中自我修正。后面更值得看的是，它到底能不能把长任务的中断率压下去，并让上下文复用变成默认能力。

Anthropic 的 Boris Cherny 指出，编程正在迈向更高的抽象层级。 一年前，开发者的工作流是先在 IDE 中编写代码，再并行提示多个 Claude 实例。而如今，工作流已演变为编写循环来调用 Claude，并由它自主决策下一步行动。 "下一轮范式转移将在今年到来。"