单个企业很难独立构建完整的服务体系，于是平台会把不同企业连接在一起，形成一个相对稳定的合作网络。原本完整的应用逐渐被拆分为一组可以被调用的能力，例如支付接口、物流接口、订单接口或查询接口。从 App 到 Agent，再到 Agent 生态的联盟化，这条路径反映的是复杂系统在规模扩大后的自然演化。当服务数量增长到一定程度时，简单的应用模式难以维持秩序，需要新的组织结构来协调资源。对用户来说，这种变化

Agent 的逻辑控制与 LLM 推理均在用户设备（手机、PC、边缘设备）上完成，完全离线或仅使用本地资源。

不同的是，数据库事务通常面向机器优化，而Git提交天然携带人类可读的提交说明、作者信息和时间戳，使得状态变更不仅可恢复，而且可理解。大语言模型的引入带来了新的挑战。当Agent拥有了可翻阅、可编辑、可传承的记忆，当它们的每一次思考都被版本化记录，它们就不再是即时响应的工具，而是具有连续叙事和进化历史的存在。Markdown、JSON与Git的组合之所以成为选择，不仅因为技术层面的便利性，更因为它体

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

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