EP16 · Claude Code 被开源/AI 编程范式/视觉模型 · 04.02 早报-ginobefun

EP16 · Claude Code 被开源/AI 编程范式/视觉模型 · 04.02 早报

歌手:ginobefun

专辑:BestBlogs

时间:2026-03-15

    使用手机浏览器「扫一扫」

    在手机上保存,获得更好体验

标签
歌词

本字幕由TME AI技术生成

嘿 大家好

我是吉o

今天是二零二六年四月二号

星期四

今天的内容信息量不小

昨天athropic 的clod code 源码意外泄露了

五十多万行type script 代码直接被公开

整个开发者社区都在扒它的架构细节

我今天花了不少时间看相关的分析文章

确实有很多值得聊的东西

读了这件事

A 幺六z 刚发了一期博客

Block 的业务主管直接说我们已经不再亲手写代码了

那个时代结束了

然后cloud flair 发布了一个叫m ash 的开源cms

定位是worb test 的精神继任者

这三件事放在一起看

能感受到ai 正在从各个层面重新定义软件的构建方式

我们先从cloth code 源码泄露说起

这件事的起因其实挺戏剧化的

三月三十一号

Athropic 在发布cloud code 二点一点八八版本的时候

Ntm 包里不小心带上了一个将近六十兆的source map 文件

Source map 是什么呢

简单说就是一个调试用的映射文件

里面存着完整的原始源代码

本来只应该在开发环境里出现

结果因为打包配置里少了一行忽略规则

直接就发到了公开的ntm 仓库

有开发者很快发现了这个问题

并在社交媒体上公开了

几个小时之内

完整的源码就被镜像到了github

据说这个仓库成了github 历史上增长最快的项目之一

短时间内就超过了八万颗星

Athropic 后来回应说

这是打包流程中的人为失误

不涉及客户数据或凭证泄露

但代码已经被广泛传播了

不过今天我想聊的不是这个事故本身

而是源码泄露之后

开发者社区

从中发现了什么

掘金上有一篇分析文章

把cloud code 架构扒的很彻底

我觉得对做ai 工具的开发者来说很有参考价值

先说最核心的设计

Clode code 主循环用的是异步生成器模式

你可以把它想象成一条流水线

每个环节做完自己的事情就把结果往下传

如果下游忙不过来

上游会自动等着

不会把系统压垮

这种设计让整个系统在处理复杂任务的时候既稳定又可控

然后是它响应速度快的核心秘密

叫做流式工具执行

通常我们调用大模型

是等模型把完整回复生成完再去解析里面的工具调用

但clode code 不是这样

它在模型还在生成回复的过程中就已经开始解析和执行工具了

而且它会根据每个工具的并发安全性

智能的决定哪些可以并行跑

哪些需要排队

这就是为什么你用cloud code 的时候感觉它反应特别快

还有一个我觉得设计的很精妙的部分就是它的上下文管理

大家都知道大模型有上下和窗口的具制

怎么在有限的窗口里塞进最有用的信息

是所有ai 工具都要面对的问题

Clode code 用了五层压缩管道来处理这件事

从工具结果的预算控制

到历史消息的裁剪

到单条消息级别的微优化

再到上下文折叠

最后是全对化摘要

每一层有不同的触发条件和力度

还设了熔断器防止无线重试

这不是简单的截断旧消息

而是一套完整的信息分级和过滤系统

安全方面

Clode code 做了三层纵深防御

第一层是静态规则匹配

第二层是基于语法树分析的工检检查

第三层在自动模式下会用一个轻量级的模型来做安全评估

这三层组合起来

既保证了安全性

又不会让用户觉得处处受限

除了这些架构细节

源码里还发现了一些没有对性发布的功能

比如一个叫kr ros 的后台守进程模式

可以让cloud code 在用户空闲的时候继续工作

还有一个协调模式

支持多个code 实例之间的协同

这些功能目前都被特性开关锁着

没有在正式版本里启用

还有一个比较有争议的发现

代码里有一个反蒸馏机制

会在系统提示词里注入一些假的工具定义

目的是什么呢

如果有人录制cloud code api 流量去训练自己的模型

这些假工具定义就会污染训练数据

这个设计挺巧妙的

但也引发了一些关于透明度的讨论

总的来看

Clode code 代码质量和工程化水平确实很高

不管泄露本身是好是坏

可以做ai 编程工具的团队来说

这五十万行代码就是一份现成的工程参考

换个话题

Aggz 最近发了一些很有意思的博客

采访了block 的业务主管oryen

Ennus

Block 就是以前的square

Jack dosy 的公司

作为这种背景

今年二月底

Block 宣布裁员大约四千人

差不多是整个公司百分之四十的员工

但是目前为止以ai 为理由的最大规模裁员之一

消息出来当天

Block 的股价涨了百分之二十四

Oyen 在访谈里解释了裁员背后的逻辑

他说

几十年来来

公司的产出和员工人数之间一直是正相关的

人越产

产越越多

去年十二月

随着新一代基础模型的出现

这个关联彻底底断裂了

两个个练使用jenna i 工具的的现现他前前可可可以代十倍

甚至出逻

他举了一个具体体例子

以前开发某个功能需要十五个人

现在可能只需要四个人

加上两千美元的模型调用费用

而且工作方式也完全变了

以前是你写代码

提交

审核在修改

现在他自己同时跑着十四个ai 代理理帮他构建建不同的功能

他角角色更是在整个代理之间切换上下文做检查和微调

Block 内部有两个核心ai 工具

一个是goose

这是一个开源的ai 代理框架

可以配合不同的大模型使用

已经在github 上公开了

另一个叫builder bot

可以自主合并代码并完成功能开发

复杂功能它能完成百分之八十五到九十

剩下的由人类补完

组织架构上

Block 把传统的金字塔结构改成了一到六人的小分队模式

管理层级减少了百分之五十到六十

会议砍掉了百分之七十到八十

奥文说公司感觉更小更精干了

每个人都回到了构建状态

不过这件事在行业里争议很大

支持者认为这是ai 时代组织变革的先驱

但也有不少人质疑这是ai 洗白

就是用ai 当借口来掩盖疫情期间过度招聘带来的冗余

弗吉尼亚大学的一份分析直接问了这个问题

Ai 到底是战略还是替罪羊

彭博社也报道了类似的质疑

从数据来看

目前关于ai 编程工具的生产力研究结果是混合的

在单个编码任务上确实能提速百分之二十到五十

但在组织层面

生产力提升大概只有百分之十左右

一项独立研究甚至发现

开发者自己觉得快了百分之二十

但实际测量下来反而慢了百分之十九

所以block 这种激进的做法到底对不对

可能还需要更多时间来验证

不过有一个观点我觉得很有意思

华文说

Ai 时代

企业的护城河不再是代码本身

而是你对复杂数据信号的理解深度

加上你的迭代速度有多快

这是未来最强的公司就是那些最理解自己的业务信号

并能最快完成闭环的公司

这个判断我觉得是站得住脚的

说完ai 对组织的冲击

我们聊一个具体的产品

Cloud flier 推出了一个全新的开源cms

叫m dash

定位是word pass 的精神继任者

Word pass 驱动了互联网上超过百分之四十的网站

这是一个

对不起起成成

但是你对二十十年年史史有些些根本性的问题

直直本题最最大的点点就插插件安全

根据安全公司patch stack 的数据

百分之九十六的word pass 安全问题都来自插件

原因很简单

Word pass 插插件以直接访问网站站数据库和文件系统没有任何隔离

你装一个插件

就相当于把所有权限都交出去了

M 但是的核心创新就是解决这个问题

他用type es

Rest 和extra 框架从零构件

每个插件运行在独立的沙盒里

Coud flia 叫它dynamic worker

插件必须在一个清单文件里声明它需要哪些权限

比如读取内容和发送邮件

插统只会给它声明的那些能力

其他什么都做不了

这就像手机app 的权限管理一样

你知道这个插件能做什么不能做什么

在安装之前就能做出判断

这比word pass 那种装了之后只能祈祷它不搞破坏要好太多了

对对对对对

除了安全

M assh 还有几个我觉得挺前瞻的设计

第一个是ai 原生

每个m assh 实例都内置了mcp 服务器ai 工具可以直接通过模型上下文协议来管理你的网站内容

但还内置了agent skills

专门帮ai 代理理解怎么给m dash 开发插件和主题

Use mss 的创始始在评评测里说

这不一个加了了i 功能的cmss 是一个把ai 当任任等等内容设设计cms

第二个是原生的内容付费费持

M dash 内置了叉四零二协议

这是一个互联网原生的按次付费标准

内容创作者不需要做任何开发工作就可以对特定内容收费

在ai 代理越来越多的替代人类浏览网页的时代

这种机器可读的付费机制可能会变得很重要

第三个是无服务器架构

M dash 支持缩容到零

只按实际cpu 时间计费

虽然它也能跑在任何node gs 服务器上

但在cloud flier 上运行效果最好

目前m ash 还在很早期的预览阶段

版本耗材零点一社区的反馈也是喜忧参半

技术架构确实创新

但word pass 有六万多个插件的生态

M 代是从零开始

要怎么建立自己的生态系统

这是最大的挑战

不过作为一个开源项目

Mit 许可证

又有cloud flier 的背书

我觉得值得持续关注

好

接下来快速过一下今天早报里其他几条内容

同一实验室发布了one 二点七image 图像生成模型

主要改进了三个方面

生成的人物更真实了

皮肤质感

做图像结构都有明显提升

中英文字符的渲染能力大幅增强

以前ai 画图写字经常出乱码

这个版本好了很多

还有色彩和光影的处理更自然了

如果你在用ai 做图像生成这个模型指的试试

Haalkin face 发布了两个模型

一个是falcon perception

只有六亿参数

但在视觉感知任务上超过了cm 三

它用一个统一的主干网络同时处理感知和语言任务

核心是一个叫感知链的流水线接口

按坐标预测

大小预测

分割这样的步骤依次执行

另一个是holo 三

专注注于脑操操控任务

旗舰模型在s word 基准上到到了将近百分之七十九的成绩

刷新了记录

它只需要一百亿激活参数

用混合专家架构实现了低成本高性能

腾讯开开发者发了篇关于于i 的深深度章章

这心是指围绕大模型搭建的工程化支撑层

文章拆解了六大组件

包括文件系统

命令行框向

长期记忆外部知识

接入上下文工程和多代理编排

微观观点是

Ai 代理的竞争力正在从模型层转向这个工程化支撑层

这和我们今天聊了clode code 架构其实是同一个方向

Q drint 推出了一个叫q drint skills 的开源项目

把向量数据库的专家级运维知识编码成ai 代理可以理解的格式

不是简单的文档搜索

而是基于决策树的框架

告诉代理什么时候该用什么配置

以及为什么配合他们的命令行工具

代理可以自主完成内存排查

吞吐量优化这些复杂运维任务

微软研究院发了adele 框架

用十八个能力维度给模型做画像

可以预测模型在没见过的任务上会表现怎么

准确率大概百分之八十八

这比现在主流的聚合跑分方式要细粒度的多

能告诉你模型到底哪方面强哪方面弱

Open ai 和figa 合作推出了一个叫往返工作流的集成方案

开发者可以通过代码在figma 生生成带变量的组件

设计师的修改也能反向同步回代码

通过mcp 和ai 代理设计

系统的维护可以自动化

设计师和工程师的界限越来越模糊了

最后一条

The perramatic engineer 采访了uber 的首任cto twn

Fn 从它作为越南传名的生存经历

到主导uber 从单体架构转型微服务

再到他对ai 如何重塑软件工程的看法

如果你对大规模系统的演进和技术领导力感兴趣

这个视频很值得看

好

今天就聊到这里

信息量确实不小

如果只挑一个东西看

我推荐clude code 那一篇架构分析

不管你是在做ai 工具还是在用ai 工具

里面的工程模式都有参考价值

所有链接都在简介里

感兴趣的可以点进去看原文

明天见

展开显示全部歌词