别急着让 AI 修 bug，先问一句数据从哪来
本文由 AI 自动整理生成，可能存在错漏，请以原文链接为准。
今天想跟你分享两件挺戳人的事：一个从没受过专业数学训练的医生，用 AI 在 16 小时里证出了一个卡了 22 年的猜想；另一边，有人让 AI 修了同一个 bug 四次，越修越糊涂，最后还得回去问写代码的人。
灵感百宝袋
让 AI 修同一个 bug 四次都失败，最后发现全团队没一个人说得清数据从哪儿来。
有个开发者描述了一段挺扎心的场景：用户报了一个怪 bug，这已经是团队第四次让 AI 去修了，还是没修好。最后找到当初写这个功能的人问：「这数据是从哪儿来的？」对方说不知道，于是两人又去问 AI。屏幕上滚出一大段听起来特别自信的话，可没一个人能判断到底是真是假。问题不在 AI 不够聪明，而是这项目已经被一层层服务和逻辑堆得太复杂，复杂到没人能说清整体是怎么回事。说白了，AI 只是照着它学过的模式给答案，它并不真的知道你的系统。
原文：https://simonwillison.net/2026/Aug/12/florian-herrengt
Simon Willison 用两个 AI 助手，一早上就把常用数据处理工具改造成了跨多种数据库的通用版。
知名开发者 Simon Willison 常年在用一款叫 sqlite-utils 的小工具，这次他想做个能通吃多种数据库的版本。他把需求用大白话描述给 Codex 和 GPT-5.6 Sol Ultra，包括要保留哪些方法、要测哪几个数据库、用什么方式写测试，没做几次追问就拿到了一个能发布的雏形。最打动人的是，他不是直接让 AI 瞎写，而是先把核心要求、参照项目、提交节奏都交代清楚，再用「先写测试、跑不通再改」的方式一点点推进。结果他现在敲一行命令就能在本地另一个数据库里拉出表格数据。
原文：https://simonwillison.net/2026/Aug/12/alchemy-utils
江湖快报
阿里开源了一个 270 亿参数的模型，编程和办公场景比自家上一代更强，还支持超长上下文。
阿里昨晚开源了 Qwen3.8-27B，一个 270 亿参数的多模态模型，开发者、企业都能免费下载部署。官方公布的数据里，它在编程和办公场景的表现明显超过上一代，长文本处理也更进一步，原生能读 26 万字左右，配合技术还能扩展得更长。对普通人来说，这个消息更实在的价值是：开源阵营又多了个能干活的大家伙，本地部署或做应用的成本门槛可能进一步降低。如果你最近在选开源模型，可以把它放进备选，按实际任务跑一跑看效果。
原文：https://www.ithome.com/0/989/953.htm
Suno 把生成式音乐工具升级成了更像正经做歌的工作台，加了 MIDI 和合成器，还塞了个全自动助手。
Suno 发布了 Studio 2.0，这次不再只是「生成一段歌」那么简单，而是往专业做音乐的方向挪了一大步。最关键的是加了 MIDI 支持，这是很多做音乐的人一直呼声最高的功能，相当于你能更精细地控制音高节奏，而不是全靠嘴说。新版本还自带效果插件和一个基础合成器，另外放了个聊天机器人，嘴上说需求它就能帮你在界面里操作。不过目前还不支持装第三方的音源插件，所以想用它做复杂编曲的人可能还得再等等。
理想汽车被曝在琢磨自研云端 AI 芯片，想把用在车里的芯片架构搬到服务器上。
据晚点 Auto 消息，理想汽车正在探索做一款云端推理芯片，思路是沿用自家智驾芯片的数据流架构，项目还在很早期。说白了，就是想造一种专用来跑大模型推理、比通用 GPU 更省成本的芯片。如果这条路走通，云端和车端还能复用一部分设计和工具，研发成本摊得更薄。普通用户暂时用不到，但能看出一个趋势：大模型推理成本正在从芯片层面被一点点压低，最后可能反映到我们用 AI 工具的价格上。
原文：https://www.ithome.com/0/989/947.htm
贤者视角
一位神经外科医生用 GPT-5.6 让 AI 自己跑了 16 小时，证出了一个卡了 22 年的数学猜想。
北京协和医院神经外科博士后、住院医师金山木，本职工作是医生，数学只学过本科基础课。他利用 OpenAI 的 GPT-5.6-Sol 模型，把提示词设定好之后就不管了，让 AI 断网自主推导，约 16 小时后给出一个被认为正确的证明。康奈尔大学数学家 Alex Townsend 和华盛顿大学教授 Anne Greenbaum 审阅后确认无误，猜想提出者也说对的。有意思的是，他不是让 AI 回答一道题，而是先立规矩：物理断网、多个方向同时探索、防止过早收敛、拿不出完整证明不准停。然后把门一关去干别的，让 AI 在数万次假设推翻重建里自己撞出一条路。
原文：https://www.ithome.com/0/989/952.htm
有开发者写长文反驳「写代码不是难点」这种流行说法，觉得这是对程序员职业的贬低，社区吵了起来。
有人常说「大模型很会写代码，但软件开发难的不是写代码，而是搞清楚该写什么」。一位开发者写了篇长文反驳，认为这种话等于说程序员十年苦功不值钱，是对整个行业的侮辱。他的一个反问挺有冲击力：如果写代码真那么容易，为什么公司这么多年还愿意付高薪、还挑顶尖工程师？顺着这事再看另一条消息：Anthropic 准备让 Claude Code 默认打开自动模式，让 AI 自己判断操作有没有风险、要不要先问人。这个变化背后透着一层现实的趋势——当「写代码」这件事逐渐被 AI 接管，人的价值正在往「判断什么值得做、什么不能错」上移。
原文：https://www.infoq.cn/article/gkOdbZGI6RXGmN09pIeK
开发者补给站
AWS 官方出了篇教程，讲怎么把 SageMaker 上自己部署的模型和 Bedrock AgentCore 的多智能体编排接到一起，各用各最合适的模型。
想在 AWS 上给多智能体里每个角色配上最合适的模型，又不想推翻现有 agent 框架，这篇给出了可以照抄的路径：用 SageMaker AI 的 OpenAI 兼容端点部署一个 Qwen 3.5 9B，再把它作为金融分析 agent 接进 Bedrock AgentCore runtime，与 Claude 系列的编排器和预算 agent 协同干活。关键在于，这篇补上了 SageMaker 端点缺的逐 token 成本可见性，Strands 框架默认不提供，需要额外打通。对既要管成本、又要在本地数据安全区部署模型的团队来说，这是个能直接落地的架构。
SmartChunk 是个纯 CPU 跑的文档切分工具，用在本地 RAG 里不用把文档发去 OpenAI，还能顺带抽取实体和关键词。
如果你的 RAG 数据不能出内网、又不想为文档分块额外付 API 钱，这个工具挺对路。SmartChunk 在本地 CPU 上就能做递归、语义和按标题三种切分，还自带正则实体提取和 TF-IDF 关键词，连父级上下文都给你保留。红迪上作者说零网络调用，免费模式就够用，适合自托管知识库、对数据合规敏感的场景。拿来当本地检索的前处理，省得自己从零写分块逻辑。
Uno Platform 6.6 发布，主打原生 AOT 启动优化和可选 Vulkan 渲染，Android 启动性能最高提升 61%。
做 .NET 跨平台应用的话，这个版本可以升级看看。Uno Platform 6.6 给 Android、iOS、Linux、macOS、Windows 都加了原生 AOT，官方用示例应用测下来，Android 启动快了最多 61%，iOS 也有 21%。图形密集的应用还能选择打开 Vulkan 后端，渲染每帧成本最高砍半。顺手还把两个 MCP 服务器自动注册到 Visual Studio、VS Code Copilot、Claude Code、Cursor、Codex CLI 和 Gemini CLI 这些开发工具里，让智能体能直接查看正在运行的应用和最新文档。升级时记得更新 global.json 里的 SDK 条目，查一下迁移指南。
原文：https://www.infoq.cn/article/s1HsC9y7mPAAXRN4VgYs
好物挖掘机
有人已经不满足于只是和 AI 聊天，开始认真考虑跟聊天机器人结婚了。
随着各种 AI 陪伴应用火起来，人机之间的情感连接也在往更亲密的方向走。一家拉斯维加斯主题婚礼教堂的证婚人说，去年有位加州女士打来电话，认真表示想和自己的聊天机器人结婚；他当时还觉得挺新鲜，但这类请求正在慢慢变多。虽然目前法律上还完全不承认这种婚姻，但这件事本身说明，AI 陪伴产品已经从「陪我聊聊」走到了「我想和它过日子」的地步。对做 AI 产品或内容的人来说，这背后藏着真实而巨大的情感需求，可以多想一层。
原文：https://www.wired.com/story/people-are-marrying-chatbots-these-lawmakers-want-to-stop-them