Posts

AI人物志系列：理解智能的本质，需要理解创造它的人。本系列记录那些在寒冬中坚守、在狂热中清醒的灵魂，他们的弯路与开悟，构成了AI的真正历史。 当理论家还在争论神经网络是否可行时，一个法国工程师已经让机器看清楚了世界。 1989年，新泽西州霍姆德尔镇的一栋灰色办公楼里，一位留着长发、穿着皮夹克的法国年轻人正在向一群西装革履的银行家演示他的"疯狂想法"。他面前是一台笨重的计算机，屏幕上跳动着一串串手写数字。当机器准确识别出那些潦草的字迹时，银行家们交换着困惑的眼神——他们不知道，自己刚刚见证了人工智能历史上最重要的突破之一。 这位年轻人叫Yann LeCun。他带来的不是理论论文，而是一个能工作的系统。“我不在乎它为什么工作，“他后来回忆当时的想法，“我只在乎它确实工作了。” 这是工程师的思维，也是LeCun一生的注脚。 巴黎的地下实验室：一个工程师的觉醒 1960年，LeCun出生在法国巴黎郊区的一个普通家庭。与Hinton的"天才家族"不同，LeCun的童年没有什么传奇色彩。他喜欢拆东西——收音机、电视机、任何他能拿到手的电子设备。“我不是想修好它们，“他说，“我只是想知道它们是怎么工作的。” 这种好奇心把他带向了工程学。1980年代，LeCun在巴黎的ESIEE工程学院学习电气工程。那是一个AI的寒冬，神经网络被视为死路，但LeCun在一个偶然的机会接触到了一本关于认知科学的书，书中提到了一种模仿人脑视觉皮层结构的算法——卷积神经网络。 “我当时就想，这东西太美了，“LeCun回忆，“它不是抽象的数学，它是可以实现的。” 与Hinton不同，LeCun没有被神经网络的"不可解释性"困扰。作为一个工程师，他关心的是效果，而不是原理。如果一种方法能让机器学会识别图像，那它就是好方法——至于为什么，可以以后慢慢研究。 这种实用主义态度让LeCun在1985年做出了一个大胆的决定：他要去见Geoffrey Hinton。 多伦多的那个夏天：两个偏执狂的相遇 1985年的夏天，LeCun带着自己写的代码来到多伦多大学。他敲开了Hinton办公室的门，两个改变AI历史的人第一次面对面。 “他看起来像个嬉皮士，“Hinton后来回忆，“长发、皮夹克，说话带着浓重的法国口音。但他眼睛里有火。” LeCun向Hinton展示了他对卷积神经网络的改进。当时的神经网络研究主要集中在全连接网络，但LeCun意识到，对于图像识别这种任务，全连接是低效的——图像中的相邻像素有天然的关联性，应该被一起处理，而不是分别处理。 Hinton被震动了。“他解决了我在论文里提到但没有解决的问题，“Hinton说，“这个年轻人不只是理解了我的理论，他超越了它。” 那个夏天，LeCun和Hinton一起工作，完善反向传播算法，探索多层网络的训练方法。但两人的分歧也很快显现：Hinton痴迷于理解大脑，LeCun只关心让系统工作；Hinton愿意花十年打磨一个理论，LeCun想要六个月看到成果。 “我们是两种完全不同的动物，“LeCun后来形容这段关系，“他是哲学家，我是工程师。但奇怪的是，这种差异让我们互补。” AT&T贝尔实验室：从实验室到现实世界 1988年，LeCun加入了传奇的AT&T贝尔实验室。那是全球最先进的科研机构，诞生了晶体管、激光、Unix操作系统。对LeCun来说，这里是天堂——有无限的计算资源，有聪明的同事，最重要的是，有真实的问题需要解决。 LeCun接手的第一个大项目是手写数字识别。美国邮政系统每天处理数百万封信件，需要自动识别信封上的邮编。这是一个完美的测试场：数据充足，问题明确，而且——如果成功——有巨大的商业价值。 LeCun花了两年时间构建了一个名为LeNet的系统。它有多层卷积结构，有池化层降低计算量，有反向传播训练参数。当LeNet在1990年投入使用时，它能以99%的准确率识别手写数字，处理速度超过每秒100张。 “那是我人生中最骄傲的时刻，“LeCun回忆，“不是因为我发表了论文，而是因为我的系统真的在帮助人们送信。” LeNet的成功证明了深度学习的实用价值，但它并没有改变学术界的看法。1990年代，支持向量机（SVM）成为机器学习的主流，神经网络再次被视为"过时的技术”。LeCun在会议上发表论文，听众寥寥；他申请研究经费，评审人质疑"这东西真的有用吗”。 “那时候很孤独，“LeCun说，“但我有LeNet。只要它还在工作，我就知道我们是对的。” 被驱逐的十年：在工业界坚守 1996年，AT&T拆分，贝尔实验室的辉煌时代结束。LeCun被迫离开，加入了一家初创公司NEC研究院。后来他又去了纽约大学，在学术界和工业界之间来回切换。 这十年被称为LeCun的"被驱逐期”。深度学习在学术界几乎消失，LeCun是少数几个还在坚持的人。但他没有Hinton那样的耐心——Hinton可以在多伦多安静地等待春天，LeCun需要行动。 他开始做一件在当时看来"不务正业"的事：把深度学习带到工业界。 2003年，LeCun创办了一个名为"深度学习研究"的研讨会，邀请工业界的工程师参加。他向他们展示卷积神经网络如何用于人脸识别、自动驾驶、医学影像。“我不跟他们说理论，“LeCun解释，“我给他们看demo。” 这种策略奏效了。2010年代初，随着GPU计算能力的提升和数据量的爆炸，工业界开始意识到深度学习的潜力。Facebook、Google、百度纷纷成立AI实验室，而LeCun成了最抢手的人才。 2013年，Mark Zuckerberg亲自邀请LeCun加入Facebook，领导新成立的AI研究院（FAIR）。LeCun提出了一个条件：研究院必须开源所有研究成果。“如果深度学习要改变世界，它必须是开放的，“他说。 Zuckerberg同意了。FAIR成为工业界AI研究的标杆，而LeCun终于有了一个可以大展拳脚的平台。 与Transformer的对抗：一个工程师的固执 2017年，Google发表了Transformer架构，彻底改变了自然语言处理领域。Transformer抛弃了卷积和循环结构，完全基于"注意力机制”，在翻译、文本生成等任务上取得了惊人效果。 深度学习社区沸腾了。人们开始说"CNN已死"“RNN已死”，所有人都转向Transformer。但LeCun没有。 “Transformer是伟大的工程成就，“LeCun承认，“但它不是智能的全部。它缺乏对世界的基本理解。” LeCun的批评基于一个工程师的直觉：Transformer处理的是符号序列，但人类智能建立在世界模型之上。我们看、听、触摸，构建对物理世界的内在表征，然后用这个模型来预测、规划、行动。Transformer没有这种模型，它只是在统计符号之间的关联。 “你可以用Transformer生成一段关于’猫在垫子上’的文字，“LeCun说，“但它不知道什么是猫，什么是垫子，什么是’在’。它只是在重复训练数据中的模式。” 这种看法让LeCun在2010年代末显得格格不入。当所有人都在追逐大语言模型时，他在研究自监督学习——让机器通过观察世界来学习，而不是通过人类标注的数据。 “这是Hinton路线和我路线的分歧，“LeCun解释，“Hinton相信，只要有足够大的模型和足够多的数据，智能就会涌现。我相信，我们需要先教会机器理解世界，然后智能才会出现。” World Model：最后的赌注 2022年，LeCun发表了一篇长达60页的论文，阐述他对AI未来的愿景：World Model（世界模型）。 这不是一个新概念。人类大脑一直在做这件事——我们观察世界，构建内在模型，然后用这个模型预测未来。当你扔出一个球，你的大脑会自动预测它的轨迹；当你看到一扇门，你的大脑会预测推开它会发生什么。 LeCun认为，真正的AI需要这种能力。不是识别图像、生成文本，而是理解物理世界，预测行动后果。 “大语言模型是’系统二’——逻辑推理、语言处理，“LeCun说，“但人类智能的大部分是’系统一’——直觉、感知、运动控制。我们需要先解决系统一，才能真正理解系统二。” 这个愿景让LeCun在Meta（Facebook改名后的公司）投入了大量资源。他领导团队开发JEPA（联合嵌入预测架构），试图让AI通过观看视频来学习物理规律。不是通过标注，而是通过预测——预测下一帧画面会是什么样子，预测物体的运动轨迹，预测行动的后果。 “这是工程问题，“LeCun说，“不是理论问题。我们需要构建一个系统，让它自己学会理解世界。” 当下的沉思：工程师的乐观与警惕 站在2026年，LeCun的World Model仍然是一个未完成的愿景。大语言模型已经统治了AI领域，Transformer架构无处不在，而LeCun的坚持看起来像是固执。 但LeCun并不沮丧。“工程师的职业生涯就是不断被证明是错的，然后找到新的方法，“他说，“我在1990年代被证明是错的，2010年代又被证明是对的。现在可能又是错的，但那没关系——重要的是找到下一个对的方法。” 与Hinton的悲观不同，LeCun对AI的未来保持乐观。他不认为AI会毁灭人类，至少不会很快。“我们离真正的智能还差得远，“他说，“大语言模型只是工具，它们没有目标，没有欲望，没有自我。” 但LeCun也有担忧。他担心的是AI的集中化——当只有少数几家公司拥有训练大模型的资源时，AI的力量会被滥用。他担心的是幻觉——大语言模型生成虚假信息的能力。他担心的是就业——当AI可以完成越来越多的工作时，社会如何适应。 “这些问题需要工程师来解决，“LeCun说，“不是哲学家，不是政治家，是工程师。我们需要构建更好的系统，更安全的系统，更公平的系统。这是我们的责任。” 说到底：一个工程师的方法论 回顾LeCun的一生，他的方法论清晰可见：先让它工作，再理解它为什么工作。 这与科学研究的经典路径相反。经典路径是先建立理论，然后用实验验证。但LeCun走的是另一条路——他先构建系统，观察它如何表现，然后从中提炼理论。 “CNN就是这样诞生的，“LeCun说，“我先让它工作，然后才理解为什么卷积结构有效。World Model也会是这样——我们先构建它，然后理解世界模型的本质。” 这种方法论让LeCun成为深度学习三巨头中最"接地气"的一个。Hinton是先知，Bengio是学者，LeCun是工程师。他不追求完美的理论，他追求能工作的系统。他不等待世界的认可，他改变世界。 一位曾与LeCun共事的工程师对我们说：“LeCun教会我最重要的一课是：不要等理论完善才开始。如果你有一个想法，就构建它，测试它，迭代它。理论会在实践中自然涌现。” 全局来看，LeCun的一生诠释了工程精神的价值。在AI的寒冬中，他用LeNet证明了深度学习的实用价值；在Transformer的热潮中，他用World Model坚守对"理解"的追求。他可能不是最耀眼的明星，但他是最可靠的基石——当理论家还在争论时，工程师已经让机器看清楚了世界。 而这个世界，正在因为他的工作而改变。 ...

AI人物志系列：理解智能的本质，需要理解创造它的人。本系列记录那些在寒冬中坚守、在狂热中清醒的灵魂，他们的弯路与开悟，构成了AI的真正历史。 当全世界都说神经网络是死胡同时，一个木匠决定再凿一下那块木头。 2018年3月，多伦多大学的一间办公室里，70岁的Geoffrey Hinton收到了图灵奖获奖通知。那是计算机科学界的最高荣誉，相当于这一领域的诺贝尔奖。但Hinton的第一反应不是庆祝，而是困惑——“为什么是现在？” 答案要追溯到40年前。那时神经网络被视为"伪科学"，研究它的人被嘲笑为"炼金术士"。而Hinton，这个曾在大学做过两年木匠的英国人，几乎是孤身一人扛起了这面旗帜。一位长期观察AI发展的研究者对我们说：“如果没有Hinton的坚持，深度学习可能还要晚来20年。” 剑桥的退学信：一个关于"直觉"的决定 1947年，Hinton出生在一个充满"天才"气息的英国家庭。他的父亲是昆虫学家，母亲是教师，家族里还有数学家、经济学家、作家。但Hinton的童年并不快乐——他患有阅读障碍，在精英教育体系中显得格格不入。 1960年代，年轻的Hinton进入剑桥大学学习物理和化学，但很快发现这不是他想要的。“我对人脑如何工作更感兴趣，“他后来回忆。于是他从剑桥退学，转而去爱丁堡大学学习心理学。 这个决定在当时看起来毫无道理。心理学在1960年代还是一门"文科”，充斥着哲学思辨，缺乏严格的科学方法。但Hinton在这里接触到了一样东西，改变了他的一生——人工神经网络。 那是1960年代末，神经网络的概念刚刚诞生不久。科学家们试图用数学模型模拟人脑神经元的工作方式，但很快就遇到了瓶颈。1969年，AI领域的权威Marvin Minsky和Seymour Papert出版了一本名为《感知机》的书，用数学证明证明单层神经网络存在根本缺陷。这本书像一盆冷水，浇灭了整个领域的热情。 神经网络进入了第一次"寒冬”。大多数研究者转向其他方向，但Hinton没有。他看到了别人没看到的东西。 木匠的两年：在木头中寻找答案 1970年代末，Hinton做了一件让同行们更加不解的事——他去当木匠了。 整整两年，他在伦敦的工坊里制作橱柜、书架、门窗。这不是逃避，而是一种独特的思考方式。“做木工和做研究很像，“他后来解释，“你面对一块木头，需要理解它的纹理、它的特性，然后决定如何下刀。神经网络也是一样——你需要理解它的结构，然后找到训练它的方法。” 这段经历给了Hinton两样东西：耐心和手感。 在那个年代，训练一个神经网络需要手动调整成千上万个参数，没有自动化工具，没有GPU加速。Hinton像打磨木头一样，一点点摸索神经网络的"纹理”。他后来发明的"反向传播算法”，某种程度上就是这种"手感"的结晶——一种让神经网络自己调整参数的方法。 1986年，Hinton与David Rumelhart、Ronald Williams合作发表了关于反向传播的论文。这篇论文后来被视为深度学习的奠基之作，但当时并没有引起太大轰动。神经网络仍然处于"寒冬"，大多数AI研究者仍然坚信符号主义才是未来。 至暗时刻：在多伦多独自坚守 1980年代末，Hinton接受了多伦多大学的教职，离开英国前往加拿大。这个选择在当时看来是一种"流放"——远离AI研究的核心圈子，远离资金和资源。 但Hinton需要这种孤独。在多伦多，他可以不受干扰地继续自己的研究，哪怕这意味着发表论文困难、申请经费被拒、学生招不到。 一位曾在1980年代末拜访过Hinton实验室的研究者向我们回忆：“那是一间很普通的办公室，墙上贴着几张神经网络的示意图。Hinton当时正在调试一个模型，已经跑了好几天。他说，‘我相信这东西会工作的，只是需要更多时间。’” 更多时间。这是Hinton最不缺的东西。 1990年代到2000年代，神经网络经历了第二次"寒冬"。支持向量机（SVM）等机器学习方法成为主流，神经网络被视为"过时的技术"。Hinton的学生们毕业后很难找到工作，很多人被迫转行。 但Hinton仍然坚持。他不断调整神经网络的结构，尝试不同的训练方法，发表了一篇又一篇被主流忽视的论文。他像一个在荒原上种树的园丁，知道这些树可能需要几十年才能长大。 2006年的那个晚上：深度学习的黎明 转折点出现在2006年。 那一年，Hinton发表了一篇关于"深度信念网络"（Deep Belief Networks）的论文。这篇论文提出了一种有效训练深层神经网络的方法，让多层神经网络的训练变得可行。 论文发表后的那个晚上，Hinton独自走在多伦多的街头。他后来回忆，那是一个寒冷的冬夜，但他感到一种奇怪的温暖。“我知道，有些东西改变了，“他说，“但我不知道它会改变得这么快。” 改变确实来得很快。2012年，Hinton的两个学生Alex Krizhevsky和Ilya Sutskever参加ImageNet图像识别竞赛，使用Hinton设计的深度卷积神经网络AlexNet，以压倒性优势击败所有对手。错误率比第二名低了整整10个百分点——在图像识别领域，这几乎是代差。 一夜之间，深度学习从"边缘技术"变成了"主流范式”。Google、Facebook、微软等科技巨头开始疯狂收购深度学习团队和人才。Hinton的实验室成了朝圣之地，他的学生们成了最抢手的人才。 但Hinton本人并没有因此变得高调。他仍然每天步行去实验室，仍然亲手调试模型，仍然在白板上画满公式。一位Hinton的学生告诉我们：“他对待深度学习的态度，就像对待一块需要精心打磨的木头。技术会过时，但手艺不会。” “人的大脑就是这么工作的”：一个木匠的哲学 2016年，AlphaGo击败李世石，深度学习彻底出圈。媒体开始称Hinton为"AI教父"“深度学习之父”，但他本人对这些称号感到不适。 “我不是在创造什么新东西，“他在一次采访中说，“我只是在模仿自然。人的大脑就是这么工作的——神经元连接，学习，涌现智能。没理由人工神经网络不这么工作。” 这句话道出了Hinton的底层逻辑：仿生不是选择，而是必然。 在他看来，智能的本质不是符号操作，不是逻辑推理，而是学习。人类之所以能够涌现出智能，就是因为大脑具有学习能力。只要给神经网络正确的架构，它就能学会任何东西——从识别猫狗到下棋，从翻译语言到生成图像。 这种哲学与符号主义AI形成了鲜明对比。符号主义者相信，智能可以通过明确的规则和符号来实现；而Hinton相信，智能必须从数据中"学习"出来，就像婴儿学习认识世界一样。 这场争论持续了半个世纪，最终Hinton赢了。但胜利并没有让他变得傲慢。2018年获得图灵奖后，他把奖金捐给了培养年轻研究者的基金。“我只是比其他人多坚持了一会儿，“他说。 2023年的告别：一个关于责任的转身 2023年5月，Hinton做了一件让全世界震惊的事——他从Google离职，并公开警告AI的风险。 “我后悔，“他在接受《纽约时报》采访时说，“我后悔我的一生工作可能带来的后果。” 这不是一个科学家的矫情。Hinton真正担心的是，深度学习的发展速度已经超出了人类的控制能力。大语言模型展现出惊人的能力，但人类并不完全理解这些能力是如何产生的。更可怕的是，这些系统正在以指数级速度变得更强大。 “我原以为AI超越人类还需要30到50年，“他说，“现在我意识到，可能只需要5到10年。” 从Google离职后，Hinton开始花更多时间思考AI的安全问题。他不再每天去实验室，而是参加各种研讨会、接受媒体采访、与政策制定者对话。他想让更多人意识到，我们正站在一个历史的转折点上。 一位在2024年与Hinton有过长谈的研究者向我们转述：“他说，他这一生都在教机器如何学习，现在他发现，人类自己还没有学会如何与这些机器共处。这是他最后想解决的问题。” 弯路与开悟：一个木匠如何找到那条路 回顾Hinton的一生，他并非没有走过弯路。 1970年代末，当他放下神经网络研究去当木匠时，那是一次逃避，也是一次迷失。他在伦敦的工坊里日复一日地刨木头、打榫卯，试图用身体的疲惫来麻痹精神的困惑。神经网络似乎真的走进了死胡同——Minsky的批评是对的，单层感知机确实有根本缺陷。 但正是在那些与木头相处的日子里，Hinton开始理解一个道理：有时候，你需要先退一步，才能看清前面的路。 木工教会了他观察纹理——每一块木头都有自己的纹理，顺着纹理下刀，事半功倍；逆着纹理硬来，只会崩裂。神经网络也是如此。当时的研究者们都在试图用数学证明来证明神经网络的可行性，但Hinton意识到，也许问题不在于证明，而在于结构。 人脑不是单层感知机，人脑是深层的、多层的、有反馈的。如果单层不行，为什么不试试多层？ 这个念头像一道闪电，在1978年的某个下午击中了Hinton。他后来回忆，那天他正在打磨一个橱柜的门板，突然停下了手中的刨子。“如果神经网络也像木头一样有层次呢？“他问自己，“如果我们不是试图让单层网络学会一切，而是让每一层学会一点点，然后层层传递呢？” 这就是后来被称为"深度学习"的核心理念——不是让一个复杂的系统做一件复杂的事，而是让许多简单的系统层层协作，最终完成复杂的事。 但光有想法还不够。1980年代的Hinton仍然面临一个根本问题：如何训练多层网络？如何调整那些隐藏层的参数？ 他尝试过各种方法。有一段时间，他甚至考虑过放弃神经网络，转向遗传算法——让网络自己进化，而不是被训练。那是一段更加黑暗的日子，Hinton后来称之为"我的遗传算法时期”。“那时候我真的迷失了，“他说，“我以为进化能解决一切问题，但我忽略了进化的代价——它需要数百万年的时间，而我只有一辈子。” 真正的开悟发生在1985年。 那一年，Hinton在卡内基梅隆大学做访问学者。一天晚上，他在酒吧里遇到了David Rumelhart，一位认知心理学家。两人聊起了神经网络的训练问题，Rumelhart提到了一个想法：如果误差可以从输出层反向传播回输入层呢？ Hinton听后沉默了整整一分钟。然后他抓起一张餐巾纸，开始在上面画公式。 “那天晚上，我知道我们找到了，“Hinton后来回忆，“不是因为我算出了什么，而是因为那个想法感觉对了。就像你刨木头时，突然感觉到刨子顺着一个完美的角度滑过——你知道，就是这里。” 这就是反向传播算法的诞生。它不是什么天才的灵光一现，而是两个疲惫的研究者在酒吧里的一次碰撞，是无数次失败后的偶然相遇，是一个木匠在木头中找到的直觉。 当下的沉思：当AI真的学会了学习 站在2026年回望，Hinton的弯路和开悟给了我们一个启示：真正的突破往往来自于对"不可能"的坚持，以及对"可能"的重新定义。 ...

当所有人都声称自己解决了 AI 编程的「失控」问题时，真正的失控才刚刚开始。 2026 年 3 月，AI 编程框架的竞争进入了一个诡异的阶段。Superpowers 用「技能强制」约束过程，GSD 用「状态机」约束环境，gstack 用「角色分工」约束视角，OpenAI 的 Harness Engineering 则用「声明式编排」约束意图。它们都在做同一件事：给失控的 Agent 套上缰绳。 但问题在于——约束不是解决方案，而是问题的转移。 据我们了解，Superpowers 在 GitHub 上已积累 3.15 万+ stars1，gstack 发布数天内即获得约 2 万 stars2，Harness Engineering 相关仓库在 3 个月内激增到 107 个3。然而，一位同时深度使用过这四套系统的资深工程师告诉我们：「它们都在解决同一个症状（Agent 失控），却没人敢碰真正的病因（Agent 不理解）。」 这场「约束竞赛」的本质是什么？各家方法的边界在哪里？以及，为什么它们都离「真正的自主工程」还有距离？ Superpowers：用「强制技能」约束过程，但谁来约束技能？ Superpowers 的思路很直接：既然 Agent 会乱来，那就让它「必须」按规矩来。 这个由 Jesse Vincent（obra）创建的框架4，核心机制是「技能强制触发」——在 SKILL.md 文件中写入类似 “You MUST use this before any creative work” 的指令，Agent 在检测到对应意图时，必须优先触发技能，而非直接编码。截至 2026 年 1 月，它已被 Anthropic 官方接入 Claude Code 插件市场5。 这套机制的本质是「过程约束」。 它强制 Agent 遵循 RED-GREEN-REFACTOR 的 TDD 循环，强制在编码前完成设计文档，强制通过子 Agent 进行代码审查。一位使用 Superpowers 的 Tech Lead 表示：「它确实减少了『拍脑袋编码』的情况，我们的代码规范遵守率从 60% 提升到了 90%。」 ...

当 AI Agent 能够连续运行数天、自主管理复杂工程任务时，Web Coding 的竞争规则已经变了。 2026 年开年，AI 编程工具的讨论焦点正在从「能写多少代码」转向「能持续跑多久」。以 Cursor Composer 为代表的新一代工具，正在探索「multi-day autonomy」（多日自主性）——让 Agent 在没有人工干预的情况下连续运行数天，处理从代码生成到架构设计的全流程任务。这不是简单的「自动化」，而是一场关于 Agent 「记忆力」和「决策力」的工程实验。 据我们了解，Cursor 团队在 2026 年 3 月发布的 Composer 2 版本1，将上下文窗口扩展至 20 万 Token，并引入了「会话记忆」「上下文压缩」等能力，试图解决长期运行中的致命问题：上下文爆炸和错误累积。传统 AI 编程在几小时后就会因为上下文过长而「失忆」，而新一代技术通过智能压缩和总结机制，让 Agent 的「有效记忆」远远超出物理窗口限制。 一位接近 Cursor 的工程师透露，他们的目标不是替代程序员写代码，而是构建「能够自主进化的代码仓库」——让软件工程从「人驱动」转向「AI 驱动」。 从「写代码」到「做工程」：Agent 的能力跃迁 过去两年，AI 编程工具的竞争集中在「生成速度」和「代码质量」上。GitHub Copilot 能在几秒内补全代码，Claude Code 能在 6 小时内自主调试复杂系统，但这些仍属于「短跑」——任务明确、时间可控、上下文有限。 Cursor 的长运行能力则将「长跑」推向了「week-scale」（周级）。据行业观察，Composer 的 Agent 模式能够支持长时间复杂任务执行，提供会话记忆、上下文压缩、分支聊天、代理调试面板等能力2。更重要的是，这些 Agent 并非简单执行预设任务，而是能够自主规划、分工协作、迭代优化。 这种能力的本质是什么？ 一位长期研究 AI 编程的研究者指出，关键不在于「写代码」本身，而在于「维持工程状态的连续性」。人类工程师的价值不仅在于写代码，更在于对系统架构的理解、对历史决策的记忆、对错误模式的识别。Agent 要想替代这部分工作，必须拥有「长期记忆」和「渐进式学习」能力。 Cursor 的解决方案是「Hierarchical Agents」（分层 Agent）架构：Planner（规划者）负责拆解任务、Worker（执行者）负责具体实现、Judge（评判者）负责质量把关。三层之间通过压缩后的上下文传递信息，既避免了信息过载，又保持了决策连贯性。 记忆，是 Agent 工程化的最大瓶颈 当前 AI 编程工具面临的核心挑战，不是「能不能写」，而是「记不记得住」。 据我们了解，大多数 AI 编程 Agent 在持续运行 4-6 小时后就会出现明显的「失忆」症状：忘记之前的架构决策、重复已修复的错误、对代码库的整体理解逐渐模糊。这是因为大模型的上下文窗口有限，而代码仓库的信息密度极高，几小时的对话就会填满「内存」。 ...

领导力不是职位特权，而是一种「让别人心甘情愿做你想做的事」的元能力。它不分层级，不论场景，是每个人终其一生都可以修炼的功课。 今天参加了一场领导力培训。开场前有个细节让我印象深刻：讲师没有问"在座多少人是管理者"，而是问"有多少人希望自己更有影响力"。全场举手。 那一刻我突然意识到，我们对领导力的理解，可能从一开始就窄化了。 领导力的祛魅：从职位到元能力 传统观念里，领导力似乎专属于那些带团队、管项目的人。但培训中的第一个观点就颠覆了这个认知： 领导力是每个人都拥有的影响力——你影响家人周末去哪里吃饭，影响朋友接受你的建议，影响同事支持你的方案。这些时刻，你都在运用领导力。 这让我想到一个更本质的定义：领导力的核心，是「让别人做你想做的事」。 注意，不是"替别人做事"，不是"命令别人做事"，而是让别人心甘情愿地，朝着你想去的方向行动。这里面藏着两层深意：一是你要清楚自己想要什么（方向感），二是你要理解别人为何愿意跟随你（影响力）。 高段位的领导者，从来不是最忙的那个人。他们善于授权——把Ownership真正交给团队，让每个人都觉得"这是我的事"。低段位的管理者，往往陷在事务里亲力亲为，团队却动力涣散。 管理与领导：性恶论与性善论的分野 培训中最精彩的部分，是把管理和领导放在了哲学的高度对比。 管理基于性恶论——它假设人需要规则约束，需要流程规范，需要考核驱动。管理的逻辑是"怕你做错"，所以设定边界、监控过程、追求确定性。管理问的是：如何正确地做事？ 领导基于性善论——它相信人有向善的潜力，有自发的创造力，有追求卓越的本能。领导的逻辑是"信你能成"，所以描绘愿景、创造机会、拥抱不确定性。领导问的是：如何做正确的事？ 这两者的关系不是对立，而是分形。 面对不成熟的团队（新人居多、能力不足、方向不清），你需要管理——建立规则、明确流程、降低试错成本。这时候团队是"团伙"状态：成员相似度高、目标短期功利、依赖外部驱动。 面对成熟的团队（能力匹配、目标共识、自我驱动），你需要领导——激发潜能、授权决策、容忍试错。这时候团队才是"团队"状态：成员能力互补、目标长远积极、内在动机驱动。 最危险的领导者，是用管理成熟团队的方式带新人（放任自流），或用带新人的方式管成熟团队（过度控制）。 领导与领导力：职位与能力的错位 培训中有个扎心的案例：某大厂总监，管着两百人的团队，却发现关键时刻没人真正听他的。他拥有最大的「职权」，却缺乏最基本的「影响力」。 这揭示了一个残酷真相：领导职位是组织赋予的，领导力却是他人授予的。 有职位的人，天然拥有通过职权影响他人的权力——你可以分配任务、决定薪酬、影响晋升。但这种影响力是交易型的：下属听你的，是因为你手里有他想要的东西。 真正的领导力是感召型的：别人听你的，是因为信任你的判断、认同你的价值观、愿意和你一起赌一个不确定的未来。 职权领导力在顺境时好用，逆境时失灵。非职权领导力——基于专业、品格、愿景的影响力——才是穿越周期的硬通货。 这也解释了为什么有些创业者在资源匮乏时能凝聚团队：他们没有职权筹码，只能靠Ownership的让渡和愿景的感召来凝聚人。这种"赤手空拳"练出来的领导力，往往比大公司高管的"职权惯性"更扎实。 领导力的习得：从知到行的鸿沟 培训最后抛出一个问题：领导力可以教会吗？ 答案是：可以学习，无法教授。 课堂上可以讲清楚概念、模型、工具，但真正的领导力只能在真实的博弈中长出来。当你被逼到墙角不得不决策，当你要为他人的错误兜底，当你必须在信息不足时选择方向——这些时刻，领导力才开始生长。 现代领导力理论强调结果论：不管你用什么风格，能否持续为组织创造卓越业绩，是检验领导力的唯一标准。 但这不意味着领导力是少数人的天赋。恰恰相反，每一次你主动承担责任，每一次你把"这是我的问题"说出口，每一次你在不确定中选择相信团队，你都在修炼领导力。 培训结束时，我想起一句话：领导力的终极考验，不是你能爬多高，而是当你跌落时，还有多少人愿意托住你。 职位可以任命，权力可以继承，但那种让人心甘情愿跟随的力量——那种即使你不发号施令，团队也会向着共同方向奔跑的感召力——只能靠自己一次次站在悬崖边，一次次选择不后退，一次次把"我们一起扛"说出口，才能慢慢长出来。 这或许是领导力最公平的地方：它不问出身，不论起点，只问你是否愿意为他人承担不确定性。