从计算到证明：AI时代的软件工程一、码农时代的终结过去二十年，软件行业的主流形态是计算密集型的。业务逻辑堆砌、CRUD、框架拼接，核心能力是把需求翻译成能跑的代码，速度、产量、交付节奏是核心 KPI。类型系统、形式化方法被视为过度工程。这很像数学史上的计算数学阶段。人们沉迷于发展更快的算法、更精巧的数值技巧，但对"为什么正确"关心不足。数学家欧拉的时代，计算能力是稀缺资源，会算就是一种权力。AI

长期以来，人们不断寻找统一、安全、自动化的内存管理方案，从垃圾回收、引用计数，到 RAII、Region、Ownership，各种语言不断提出新的抽象。然而，这些方案始终没有形成真正意义上的统一答案，并不是因为算法还不够先进，而是因为裸内存管理本身并不是一个单纯的内存问题，而是资源生命周期的语义问题。因此，静态形式系统真正的价值，并不是替代人的判断，而是将那些能够稳定形式化的问题尽可能交给机器完成

在当今AI智能体（Agent）、模型上下文协议（MCP）、函数调用（Function Calling）和技能（Skill）架构中，已成为核心瓶颈。每个系统、每个协议、每个服务都采用独特的数据引用方式——配置文件路径、API端点、数据库查询、环境变量，形成了复杂的“数据孤岛”。开发者不得不为每种数据源编写特定的访问逻辑，而智能体则难以跨系统理解和操作数据。通过的统一模式，为AI系统提供了简洁、一致、

它作为一个有价值的探索和过渡方案，揭示了用户对易用性与能力的双重期待，但其内在的设计矛盾，让它更多时候只能扮演解决局部、临时性问题的“高效胶带”，或供技术爱好者试玩的“精致玩具”，尚难以承载起构建下一代可迁移、企业级 AI 工作流的重任。相比之下，像 MCP（模型上下文协议）这类开放标准，通过将“协议”与“运行环境”彻底解耦，展现出更清晰的架构优势。Claude Skills 的设计初衷在于弥合自

2026年02月09日。

训练大语言模型需要消耗大量计算资源。一个100B参数的模型训练成本可能高达数百万美元，训练时间长达数月。在这样的投入下，没有人愿意盲目尝试：如果扩大模型规模后性能没有提升，或者训练到一半出现崩溃，造成的损失是巨大的。Scaling Laws提供了一种预测机制。通过在小规模模型上进行的实验，我们可以预测大规模模型的性能表现。这就像在建筑动工前进行风洞测试——用较小的成本验证设计是否可行。预测给定预算

2026-06-26。

大型语言模型（LLMs）在各类任务中展现出卓越能力，但其与外部工具的交互多依赖预定义API和静态工具集，限制了模型自主构建和演化工具环境的能力。本文提出一种创新架构：赋予语言模型使用Lisp REPL（读取-求值-打印循环）作为持久化编程与推理环境的能力，使LLM能够在生成过程中动态定义、调用Lisp函数，跨会话维护状态，实现超越纯文本生成的结构化推理。

最后是跨平台的一致性问题：不同厂商对"元服务"、"卡片"、"负一屏"的实现路径差异很大，鸿蒙、iOS、Android在这一轮变革中可能走向不同的架构选择，这会影响开发者和用户的长期生态体验。如果尝试做一个方向性的推测，未来几年的手机界面可能呈现这样的图景：对于大多数用户的大多数场景，设备表现为一个能听、能看、能感知位置的智能代理，通过一个动态生成的信息流（以负一屏为核心载体）提供服务，语音和图像成

最后是跨平台的一致性问题：不同厂商对"元服务"、"卡片"、"负一屏"的实现路径差异很大，鸿蒙、iOS、Android在这一轮变革中可能走向不同的架构选择，这会影响开发者和用户的长期生态体验。如果尝试做一个方向性的推测，未来几年的手机界面可能呈现这样的图景：对于大多数用户的大多数场景，设备表现为一个能听、能看、能感知位置的智能代理，通过一个动态生成的信息流（以负一屏为核心载体）提供服务，语音和图像成