经验 on To the Moon

嵌入式C语言会不会像当年的汇编一样被边缘化？

Mon, 01 Jun 2026 21:37:00 +0800

本文由 AI 自动摘录整理，原始链接：嵌入式C语言会不会像当年的汇编语言一样，慢慢被边缘化？

推荐指数：6/10（读重点章节）

背景

微信公众号「最后一个bug」的文章，探讨在 AI 写代码能力越来越强的背景下，嵌入式 C 语言是否会像当年的汇编语言一样被边缘化，以及嵌入式 C 程序员如何应对。

核心观点

汇编的致命伤是架构绑定：汇编完全绑定特定 CPU 架构，换芯片就得重写；C 语言通过编译器抽象实现了跨平台可移植性，这是汇编永远无法跨越的鸿沟
C 语言是软件世界的地基：CPython 解释器、Java 的 HotSpot 虚拟机、V8 引擎、Linux 内核、FreeRTOS、TCP/IP 协议栈全是 C/C++ 写的——“塔尖可以换，但塔底一动整个塔就塌了”
AI 能生成代码，但解决不了硬件问题：AI 可以写出一份八九不离十的 SPI 初始化代码，但高温下时钟毛刺导致的 SPI 丢数据，AI 看不到示波器波形也闻不到板子烧焦的味道
破局三方向：往"硬"了走（硬件调试）、往"深"了走（系统级设计决策）、往"广"了走（技能栈拓宽，如 Rust/Python/Go）

补充要点

MCU 的物理限制是 C 语言最坚固的护城河——一颗只有 64KB RAM 的 STM32F103 跑不了 AI 模型
AI 辅助生成的外设驱动代码已经可用，但嵌入式工程师的不可替代性从"写代码"转移到了"解决系统问题"
汇编没落不是因为汇编程序员技术不好，而是需求收缩了——纯粹汇编的用武之地仅剩启动代码、RTOS 上下文切换、逆向工程等狭窄场景
系统级决策（裸机 vs RTOS、任务栈大小、优先级排布、磨损均衡策略）是 AI 目前最薄弱的环节
建议用 Rust 的内存安全理念反向改进 C 语言编程习惯——“最好的护城河不是你会什么语言，而是你能解决什么问题”
文章以 SPI 通信高温丢数据的真实案例说明硬件调试的不可替代性：用逻辑分析仪抓了一下午才定位到时钟毛刺

Anthropic 长运行应用护栏设计：GAN 启发式多 Agent 架构

Fri, 22 May 2026 11:20:00 +0800

本文由 AI 自动摘录整理，原始链接：Harness design for long-running application development

推荐指数：7/10（推荐读原文）

背景

Anthropic 工程师 Prithvi Rajasekaran 分享了在长运行自主编码 agent 中护栏设计的最新实践。受 GAN（生成对抗网络）启发，他设计了一套多 Agent 架构（生成器 + 评估器），将前端设计和全栈应用开发两大不同领域的能力推向新高度。文章详细阐述了 naive 实现的两大失败模式（上下文焦虑、自我评估偏误），以及如何通过结构化护栏系统性地突破这些瓶颈。

核心观点

GAN 启发式架构：将生成对抗网络思想引入 agent 设计，用独立的生成器和评估器 agent 形成反馈循环，评估器用 Playwright MCP 真实操作应用界面进行打分，驱动生成器持续迭代改进
主观质量的可量化评估：将 “这个设计好看吗” 转化为可评分的具体标准（设计质量、原创性、工艺、功能性），用 few-shot 示例校准评估器，使其具备比生成器自身更严格的审美判断
护栏简化方法论：模型越强，护栏应越精简。从 Opus 4.5 到 4.6，成功移除 sprint 分片结构，因为新模型的原生能力已不需要这种分解；但规划器和评估器依然带来明显增益

补充要点

上下文焦虑：Sonnet 4.5 在长上下文下会过早收尾工作，仅靠 compaction（压缩摘要）不够，需要 context reset（清空上下文 + 结构化交接）才能解决；Opus 4.5 几乎完全消除了这个行为
自我评估偏误：让 agent 评价自己的作品时，它倾向于自信地表扬——即使客观质量明显平庸。分离生成和评估角色后，调优一个独立评估器比让生成器自我批评容易得多
Sprint 契约机制：生成器和评估器在每个 sprint 前协商 “done” 的定义（具体实现细节和可测试的行为），用文件传递沟通，确保构建内容忠实于规格
前端设计四准则：设计质量（整体感）、原创性（非模板/AI 泛式）、工艺（排版层次、间距一致性、颜色和谐）、功能性（用户能否完成任务），权重重设计质量和原创性
成本与质量权衡：完整护栏版本比 solo agent 贵 20x+（6 小时/$200 vs 20 分钟/$9），但输出质量天差地别——solo 模式核心功能直接不工作，护栏版本能生成可用的完整应用
评估器的迭代调优：开箱即用的 Claude 是差劲的 QA agent——会发现问题然后说服自己不算事。调优方法是读日志、找判断差异点、更新 QA prompt，经过多轮迭代才能达到合理水平
DAW 实验：用更新后护栏一次性生成了一个浏览器内数字音频工作站（4 小时/$124），可编排旋律、鼓点、混响，agent 能端到端驱动所有功能
模型越强，空间越大：好模型不是让护栏不再重要，而是让护栏可以把目标提高到新高度——在模型能够独立完成的事情之上，去攻克更复杂的任务

Claude Code 源码背后的五大设计哲学与妥协

Mon, 11 May 2026 18:04:00 +0800

本文由 AI 自动摘录整理，原始链接：为什么完美的AI Agent不存在？Claude Code源码背后的五大设计哲学与妥协

推荐指数：7/10（推荐读原文）

背景

MBZUAI VILA Lab 联合 UCL 发布了一篇学术论文，以 Anthropic Claude Code 的 TypeScript 源码为样本，系统分析了生产级 AI Agent 的设计空间。论文不满足于描述"怎么实现"，而是尝试从源码反推出驱动架构的设计哲学与设计原则，并梳理了哲学之间的矛盾与取舍。值得注意的是，论文还拿 OpenClaw 做了对照分析。

核心观点

五大设计哲学之间存在矛盾：人类决策权威 vs 安全（用户 93% 的审批弹窗都点了同意）、安全 vs 能力（严格安全检查会冻结界面）、可扩展性 vs 安全（扩展加载窗口可被攻击利用）。追求多条哲学必然带来取舍，不是设计缺陷
98.4% 的代码是确定性基础设施：Claude Code 的核心设计是"最小脚手架、最大操作 Harness"——不给模型绑太多规划框架，而是用确定性代码（权限检查、工具路由、错误恢复）保障安全执行。AI 决策逻辑仅占约 1.6%
权限系统七层独立防御：工具预过滤、拒绝优先规则、权限模式、ML 分类器、沙箱隔离、会话隔离、Hooks 拦截。任一层都能独立否决操作，但在性能压力下可能共享失败模式
上下文压缩五层递进：预算裁剪 → 历史修剪 → 微压缩 → 上下文折叠 → 自动摘要，每轮模型调用前顺序评估，压缩力度逐层递增
子 Agent 默认独立上下文：通过 Agent 工具派出子 Agent，默认进程内隔离（共享文件系统），也支持 git worktree 隔离。Agent Teams 场景通过文件锁协调多 Agent

补充要点

论文与 OpenClaw 做了六维度对比：Claude Code 逐次安全评估 vs OpenClaw 边界级访问控制；Claude Code 的 Agent 循环是中心 vs OpenClaw 只是网关一个组件
两个系统可以组合使用：OpenClaw 通过 ACP 协议把 Claude Code 作为外部编程 Harness 接入
论文引用了多项研究质疑 AI 代码工具的长期生产力：有研究发现使用 AI 后速度反而慢了 19%（但自我感知快了 20%）；使用 Cursor 后代码复杂度上升 40.7%
论文梳理了六个未来方向：静默失败、记忆持久化、Harness 边界演化、时间跨度扩展、治理合规、对人类长期能力的影响

Claude Code 工程师自曝：Prompt Caching 即一切

Mon, 11 May 2026 18:02:00 +0800

本文由 AI 自动摘录整理，原始链接：深度丨Claude Code工程师自曝：Prompt Caching即一切

推荐指数：8/10（推荐读原文）

背景

Anthropic Claude Code 团队发表技术博客，公开了 prompt caching（提示词缓存）在 Claude Code 中的核心地位。文章坦承 Claude Code 能支撑数百万开发者的长会话编程体验，秘诀不是模型能力，而是围绕缓存命中率做的极致设计。这不是一篇产品宣传，而是工程团队分享的实战经验，包含大量具体的架构决策和踩坑教训。

核心观点

提示词顺序即成本顺序：Prompt caching 基于纯前缀匹配，越稳定的内容越靠前、越动态的越靠后。静态系统指令 + 工具定义在最前，CLAUDE.md 其次，会话上下文次之，对话消息放末尾
永远不要改系统提示词：更新系统提示词会在第一个字节就分裂缓存前缀，前面积累的缓存红利全部归零。正确做法是把变更信息塞进消息流（通过 <system-reminder> 标签），前缀毫发无损
换小模型反而更贵：缓存跟着模型走，切换模型等于全价重喂整个对话历史。正确做法是用主模型整理交接摘要（hand-off message），然后派子 Agent 去执行
不要中途增减工具：工具定义属于系统前缀，增减工具会让缓存全部报废。Plan Mode 的实现是不增删工具、而是用工具状态切换
工具太多用延迟加载：不是删工具而是用 defer_loading 占位符，工具名和数量固定在前缀里，完整 schema 只在调用时才加载

补充要点

缓存命中率被当作服务器 uptime 级别的基础设施指标，掉几个百分点就会触发 SEV 级别告警
对话太长需要压缩总结时，不要新开请求，要用"cache-safe forking"——保留完全相同的前缀，追加一条总结指令
Anthropic 已把 cache-safe compaction 逻辑直接封装进 API，后人不必再踩坑
defer_loading 的设计哲学：用户看到精简工具集，但底层前缀完全静态、永远命中
整个产品的设计路径是反常规的：先确保缓存能命中，再围绕这个硬约束设计功能和交互
核心教训：大多数团队先选模型再堆功能最后才优化缓存，Claude Code 从第一天起就反着来

一个数组越界，竟让我排查了几天——嵌入式段错误定位实录

Sat, 14 Mar 2026 16:19:35 +0800

本文由 AI 自动摘录整理，原始链接：一个数组越界，竟让我排查了几天

推荐指数：8/10（推荐读原文）

背景

程序跑了几天好好的，换个位置就段错误死机。屏蔽两行三角函数代码就正常，打开就必崩——但问题根源和那两行代码毫无关系。最终真凶是一个"隔山打牛"式的数组越界。

核心观点

打印法可能把你带偏：屏蔽代码后"不崩了"，只是切断了越界的触发路径，并没有解决根本问题。表象往往和根因相隔甚远。
远程 GDB 精确定位崩溃点：gdbserver + VSCode 远程调试，段错误发生时能精确知道崩溃的代码行号，比打印法更可靠。
数组越界"隔山打牛"：一个 5 元素的 float 数组 arr，实际写到了 arr[5]、arr[6]、arr[7]、arr[8]。而 arr[8] 的地址正好是静态全局变量 fd 的地址，写入操作直接篡改了 fd 的值，导致段错误。

关键技巧

-fdata-sections 编译参数：让每个变量放到独立的 section 中，链接器生成 map 文件时就会包含 static 变量的地址信息，方便分析内存布局。
AddressSanitizer（-fsanitize=address）：对付内存类 bug 的"大杀器"，会直接报出数组越界的精确位置和调用栈，可能 10 分钟就能定位根因。

调试工具速查表

工具/方法	适用场景	优势
log 打印法	快速初筛	简单直接，零成本
远程 GDB	精确定位崩溃行	可看调用栈和变量值
core dump + gdb	事后分析	不需要复现，离线分析
strace	系统调用级跟踪	排查文件/网络/权限问题
AddressSanitizer	内存越界/溢出/UAF	编译期插桩，精确到行
map 文件 + -fdata-sections	分析变量内存布局	查看 static 变量地址

经验总结

表象 ≠ 根因：通过屏蔽/打开某些代码来定位问题时，看到的可能只是 bug 的表象。要多思考"为什么"，从根本上解决。
选对工具事半功倍：打印法虽然常用，但遇到内存踩踏类 bug 时容易把人带偏。远程 GDB 和 map 文件是更高效的手段。
AI 辅助排查：有明显代码缺陷的代码，AI review 分分钟就能检测出来。结对分析可以让 AI 检查可疑代码是否存在缺陷。

摘录时间：2026-03-14

20岁大学生花10天VibeCoding一个开源项目，获盛大3000万投资

Tue, 10 Mar 2026 20:26:00 +0800

本文由 AI 自动摘录整理，原始链接：20岁大学生花10天VibeCoding一个开源项目

推荐指数：7/10（推荐读原文）

背景

中科大 20 岁学生 BaiFu 用 10 天 VibeCoding 出两个开源项目：BettaFish（多 Agent 舆情分析）和 MiroFish（AI 预测引擎），双双登顶 GitHub Trending。后者获盛大陈天桥 3000 万投资。文章分享了 VibeCoding 的方法论和对「超级个体」的思考。

核心观点

MiroFish 做什么：通过提取现实世界的种子信息，构建平行数字世界，让成千上万个具备独立人格、长期记忆的智能体进行社会演化，推演事件走向（如红楼梦续写、企业战略分析）
VibeCoding 落地流程：Figma 画草图 → Google AI Studio 做前端 demo → 拆分模块交给 AI IDE 开发；前端推荐 Gemini 3 Pro（有灵气），后端工程用 Claude（稳定性）
多 Agent 并行策略：同时开 8 个 agent 干一样的活，效率飞快，还能直观摸到每个模型的能力边界

补充要点

BettaFish 一周暴涨 20k star，MiroFish 目前 5.7k star
红楼梦案例：从 15 万字原著生成 905 个实体节点、3822 条关系边、580 个人设，成本约 14 元
刹车系统很重要：git 管理代码 + 写好文档，防止改了 A 影响 B
深度 code review：一行行审计 AI 代码，理解它的思考过程，纠正关键误区
开源选题建议：从垂直领域切入积累口碑，再面向大众；做减法，不追求大而全
营销素材提前准备：演示视频等能让「别人帮你宣传」的内容
代码是冷的，故事是热的——学会讲故事是独立开发者的必修课