基于 DeepSeek 官方网站、开源仓库、架构文档及技术论文 · 截至 2026 年 10 月 29 日
DeepSeek 官方开源了 DeepSeek Harness（简称 DSH）。它已经从最初面向开发者的预览项目，发展到提供 Windows、macOS 桌面端的公开测试版本。
这个项目挺值得研究的。尤其是对于接触 AI 编程、GitHub、多仓库开发，也对 OpenClaw 这类自主运行的 Agent 感兴趣的人。
不过，我觉得它最值得了解的地方，甚至不在于 DeepSeek 模型有多强。
它是在尝试回答一个更基础的问题：能不能把 AI Agent 的整个运行系统拆成一组可以自由替换、组合、动态扩展的零件？
DeepSeek 给出的答案是：Everything is a Plugin（一切皆插件）。
这套设计有一些很有意思的工程思想，也有一些必须警惕的复杂性。
基于 AIHOT 公开源码，拆解信源采集、双评分、事件归组、热度衰减与日报生成，辨析模型成本、可靠性和行业热点站的复用边界。
资料核对至 2026 年 9 月 18 日。
ChatGPT 的长期记忆，涉及两项持续进行的工作：从过去的交互中整理信息，为当前的问题准备背景。前一项决定它怎样理解用户和项目，后一项决定哪些过去的信息会影响这次回答。OpenAI 将其中的后台记忆综合机制称为 Dreaming。 Dreaming 说明
沿着这两项工作往下拆，会遇到 AI 记忆发展的几条主要路线：会话缓存、摘要笔记、向量检索、分层记忆、时间知识图谱，以及能够自行更新的记忆系统。
上一篇文章里，我处理了一份 360 加固风格的 Android APK。静态 JADX 只能看到 6 个 Java 文件，业务代码要等应用运行起来以后，再从进程内存里找。最后拿到 11 份 DEX 候选，筛出 6 份相关文件一起反编译，JADX 总共生成约 18,027 个 Java 文件，目标业务包里有 613 个。
当时文章停在“代码已经可以阅读”。我还特意留了一句，如果准备修改后重新构建，相关方法必须继续回到 smali 或字节码里核验。
这次真的往下做了。
最后的结果是一套新的 Android 模块。它可以和原应用同时安装，能够从干净目录构建，在 Android 14 模拟器上清数据冷启动，显示协议弹窗，初始化本地数据库，再进入记录、总结、计划和统计等核心页面。总结编辑器也完成了输入、复制、清空、粘贴和保存回归。最后又在一台 Android 真机上同时安装原版与恢复版，两个包都保留，恢复版能够冷启动到系统权限页。
它依然有清楚的缺口。56 个外围 Activity 的入口还保留着壳层 native 声明，账号、支付、广告、推送和云服务也没有完整恢复。所以本文里的“能跑”，指核心离线功能已经能够独立运行。它不等于拿回了原始工程，更不等于整个应用已经恢复完整。
上一篇解决的是怎样从运行中的加固 APK 抓回业务 DEX。本文从那些 DEX 的反编译目录开始，讲讲后面的麻烦。
上一篇文章在这里。
我参加过一次需要在线手写编程题的面试。
题目本身不重要。那次面试以后，我一直觉得这个环节有点别扭。日常写代码时，AI 已经能完成相当一部分实现，常见的 LeetCode medium 题更是很少能让它停很久。可一到面试，大家又把工具收起来，让候选人在网页里从头写一段早已被讨论过无数次的算法。
这种考试当然能测出一些东西。数据结构熟不熟，复杂度能不能算清楚，人在压力下能不能把思路讲明白，都有价值。我真正好奇的是另一件事。假如工作里本来就允许用 AI，这类题还能提供多少区分度？
光凭几道题的印象，说什么都容易。我想干脆把它做成一次实验。
导语： 用了几个月 Codex 后，C 盘突然红了。SpaceSniffer 一扫，.codex 目录占了 40GB，其中 logs_2.sqlite 一个文件就接近 27GB。更离谱的是，库中约 97% 的页都在 freelist 里；压缩后，数据库只剩 742MB。本文记录从发现问题到用 Claude Code 一条 prompt 安全回收 26.1GB 的全过程，也解释 SQLite 为什么会出现这种现象。
这是一次发生在 Windows 上的真实故障处理，数据来自 2026 年 8 月 27 日的本机快照。
logs_2.sqlite属于 Codex 当前版本的内部文件，路径和结构以后可能变化。下面采用的是 SQLite 层面的备份压缩方案；操作前要退出 Codex、保留原库，并完成前后校验。
独立开发最贵的一步，越来越不是把软件写出来，而是确认一件事：做出来以后，到底有没有人要。
AI 编程把 MVP 的成本继续往下压。过去需要一个小团队做几个月的东西，现在一个熟练开发者可能几天就能搭出可用版本。实现能力因此越来越像基础设施，选什么需求、从哪里拿第一批用户、为什么有人愿意从现有产品迁过来，反而变得更值钱。
这里有一条经常被低估的路：不要总从零发明需求，去成熟软件旁边找正在逃走的用户。
这类产品通常会被笼统地叫作”仿品””平替”或者 “X alternative”。这个词容易让人想到像素级复制、换个名字上架、功能少一点然后卖便宜一点。那种做法商业质量通常不高，还会碰到品牌、知识产权和应用商店审核风险。
真正值得复制的是已经被验证的需求，不是原产品本身。
一个成熟产品已经替后来者完成了很多最昂贵的工作：它教育过用户，验证过有人愿意为这个任务付钱，形成了搜索词、社区、教程、工作流和历史数据。后来者需要找的，是这些用户正在被迫忍受什么，以及原厂为什么一直没有解决。
如果这个缺口来自平台战略、收费结构、产品架构、组织包袱或者一次停服和强制迁移，它就可能成为独立开发者非常舒服的切入口。
很多网上生意，离钱最近的一刻并不发生在自己的首页。
用户挑好套餐，点下购买，浏览器跳到 Stripe、FastSpring、PayPro Global 或 Razorpay。商家的网站留在身后，托管结账页接过付款信息，有些服务还会处理税费、订单或商户合规。对普通用户来说，这次跳转只持续几秒。对研究者来说，它留下了一条很有意思的线索。
如果很多人从某个网站前往支付页，这个网站大概正在频繁发起收款。我们仍然不知道有多少人付成了，也不知道每一单多少钱，但至少可以看见，哪些产品正把用户送到付款这一步。
我沿着这条线索查了 14 个支付入口。11 个入口取得了 Similarweb 的来源数据，共采集 963 条记录。数据来自 2026 年 7 月，范围是全球、全部设备，每个入口最多取前 100 个来源网站，全程没有使用 Similarweb credits。
整理完这些来源以后，最醒目的数字是 57.5%。在五个高置信支付入口的已采集头部来源中，AI 产品占了约 57.5% 的支付活动信号。
这个答案很抓人，也很容易把人带偏。
一个 APK 的 Manifest 把 Application 指向 com.stub.StubApp，JADX 只反编译出 6 个 Java 文件，包内还出现一组 libjiagu。静态分析到这里，基本可以判断业务 DEX 被壳接管了。下一步的难点有三个，先确认壳的家族特征，再触发业务代码加载，最后从一堆内存候选中找出能用的 DEX。
本文用一个 Android 14 样本走完这条路线。静态反编译只剩壳，直接从 VDEX 抽出的 15 MB DEX 仍然只有 4 个类。切换到 x86_64 userdebug 环境并读取运行进程后，共找到 11 份 DEX 候选。去掉重复壳和极小文件，再按包名识别业务与依赖，JADX 最终生成约 18,027 个 Java 文件，目标应用目录下有 613 个。
这套方法适用于业务代码会以标准 DEX 形态进入 ART 的样本。方法级解密、DEX 虚拟化和大规模 native 化可能不会留下可直接切出的完整文件，文末会单独说明边界。
这篇文章试图回答一个更具体的问题：当 AI 从工具演示走向工作流基础设施，普通白领、中产家庭、大学教育和个人资产配置会被怎样重估？
它不是投资建议，也不是基于单一叙事得出的结论。它把“AI 导致白领失业、中产危机、一人公司、资产重配”等问题放进更大的证据框架里，区分确定性、分歧点和可观察信号。
你大概见过这个场景：agent 修一个 bug，前两轮还像在接近答案，后面越改越偏；你忍不住开一个新对话，把问题重新说一遍，它反而一次改对。
很多人把这类现象叫 context rot，上下文腐烂。这个词很好记，但它把两种机制很不一样的问题塞进了一个桶里：一种是上下文太长，模型开始走神；另一种是上下文不一定长，但里面已经混进了错误前提。
Codex 的 Goal 从实验功能转成稳定功能后，我的第一反应卡在一个问题上：这玩意儿到底该怎么用？
如果只是把一个大 prompt 存起来，那我直接写在 AGENTS.md 或 docs/plan.md 里不就完了。它和 Claude Code 的 /loop、Ralph Loop 到底有什么区别？什么任务配得上开 Goal，什么任务只是我懒得拆？
最近我把 晨笙阅读 的界面又迭代了一轮，自己还挺满意。满意的点不只是“AI 帮我把页面写出来了”。更准确地说，旧版虽然能用，但视觉上还像半成品：颜色、图标和组件各说各话，阅读产品的气质没有立住。新版出来之后，它终于从“功能可用的页面”变成了“可以拿出去给人用的产品”：有统一的方向，有阅读场景的温度，也有一点精致感。
这次最大的体感是：让 AI 写出好看的网页，关键不在 prompt 里塞多少个 premium、modern、sleek。那些词当然有用，但它们太软了。真正有用的是把“好看”拆成一组 AI 能讨论、能执行、能反复检查的约束。
TL;DR：这是一份 Codex CLI 的实用命令速查手册，与博客里已有的 Claude Code 速查手册 对应。如果你已经在用 Claude Code，这篇读起来会很熟悉——两个工具解决同一类问题，但设计哲学有几处明显不同。
上周在 QCon 2026 北京 AI Coding 专场，9 场演讲，来自淘宝、蚂蚁、百度、PayPal、网易、京东。表面上讲的是各自的工具和方案，但底下在卷的是同一件事：如何让 AI 在整个研发流程里越来越自主，同时越来越可控。
这两个词放在一起是有张力的。”自主”意味着 AI 自己决策，”可控”意味着结果符合预期。各家踩的坑、交的学费，大部分都在这个张力里。
这篇文章想梳理一下：大家在做什么，做到了什么程度，以及我们自己的工作方式可能会往哪个方向变。
8 分钟，一篇会议笔记从逐字稿变成可读文章。
这不是 AI 一开始就能做到的。这是把流程跑通、把坑踩完之后才有的结果。这篇文章想说的，就是这个流程怎么建起来的——以及为什么流程建立之前和之后，效率完全不在一个量级。
2026-04-18，QCon 北京，首府分会场，AI Coding 专场。9 场演讲，录音转写 + 现场照片，整理成了 9 篇笔记。
这篇是导读，帮你决定看哪几篇。
主讲：李卓豪（网易智企，数帆 EasyData 技术负责人）
时长：约 47 分钟
数据开发治理平台的 AI 演进四阶段：从单点操作到 DataAgent，以及为什么选择 CLI 而非 MCP（Token 效率差 35 倍）。重点分享了 SQL 生成的三阶段流程（问题改写→表识别→生成校验）和优先做智能运维而非数据开发的决策逻辑。
主讲：郁丁鑫（PayPal，Senior Manager - Software Engineering）
主讲：耿树朋（PayPal，Staff Machine Learning Engineer）
时长：约 54 分钟
把 1-1.5 个月的支付迁移工作缩短到 10 分钟——PayPal MAIA 项目的完整实践。核心是 EERO 循环（执行→评估→反思→优化），以及通过 Noise Injection 构建 150+ 种噪声类型的测试数据工厂，让 Agent 在对抗性测试中持续进化。
主讲：牛万鹏（百度文心快码 Comate，研发经理）
主持：臧志（百度，Coding Agent 驱动的研发新范式专场出品人）
时长：约 53 分钟
Agent 框架的”感冒”，就是没跟上模型变化。百度 Comate 分享了如何通过 Feedback Loop（MCP 渐进式加载、智能上下文压缩、Tool 执行网络）、场景化 Benchmark（四象限异常值分析）和全员 Agent Engineers 转型，构建一个能持续适配模型演进的飞轮。
