2026-04-02 22:00:00
2026 年 4 月 1 日，Anthropic 的 Claude Code 完整源码通过 npm 包泄露。Source Map 一打开，1903 个文件，51 万行 TypeScript，全部摊在眼前。
大家第一时间在源码里发现了一个完整的宠物系统——Buddy。输入 /buddy 就能 “孵化” 一只专属 CLI 宠物：18 个物种、5 档稀有度（legendary 仅 1%）、5 项随机属性、6 种眼型、8 种帽子、1% 闪光概率、3 帧 ASCII 动画。每个用户的宠物由 userId + SALT 确定性生成。
一个 51 万行的生产级 AI Agent 里，藏着一个如此用心的宠物系统。但仔细看代码，有几处让人忍不住多想：
证据一：SALT = 'friend-2026-401'——friend + 2026 年 4 月 1 日。泄露日期精确到天。
证据二：Teaser Window 精确到 April 1-7, 2026。注释写的是 “Sustained Twitter buzz instead of a single UTC-midnight spike”——这不像是工程师对内部功能的描述，更像是营销策划的用语。
证据三：18 个物种名全部用 String.fromCharCode(0x…) 构造（hex 编码），原因是 capybara 碰撞了 Anthropic 下一代模型的内部代号（出现在 excluded-strings.txt 黑名单里）。为了不让它特别突出，所有物种都统一编码——“so one doesn’t stand out”。但 capybara 正好是此前被泄露的新模型名字。
证据四：统一 hex 编码反而让每个逆向工程者都去解码了——如果目标是隐藏，效果恰好相反。
有三种可能的解读：
不管答案是什么，结果是一样的：全球开发者免费做了一次深度代码审查和口碑传播。这可能是 2026 年最成功的技术营销，无论是否有意为之。
这场泄露的技术价值不在于某个具体实现多巧妙，而在于它提供了一个罕见的窗口：一个日活用户庞大的商业级 AI Agent 产品，在工程层面到底在解决什么问题？ 过去两年，AI Agent 从论文概念走向产品现实，但绝大多数公开讨论停留在两个极端——要么是 “让模型调工具” 的入门教程，要么是 “AGI 即将到来” 的宏大叙事。中间那一层，几乎没有人讲清楚过。
读完这份源码，最强烈的感受是：Agent 的核心难题不在 “让模型调用工具”，而在模型、提示词和工具之外。权限怎么判、错误怎么恢复、上下文怎么管理、缓存怎么保持、并行怎么协调、怎么隐藏中间错误——这些工程才是一个 Agent 产品从 Demo 到生产的真正门槛。而这套 “模型之外的一切”，有一个正式的名字：Harness。
本文基于 Claude Code 源码和相关分析，系统性地拆解 Harness Engineering 这一 Agent 工程范式——它是什么、为什么重要、Claude Code 是如何实现的、以及我们能从中学到什么。
2026-03-22 20:00:00
非常荣幸受邀在中关村北纬龙虾大赛上做了题为《OpenClaw 与 Agent 的未来》的演讲，并担任大赛评委。
这次演讲的 Slides 没有一个字是我自己写的——完全由 AI Agent 基于我 blog 里已有的内容生成，我一个字都没改过。我让它从 blog 中提取了几个最关键的反共识观点，组成一个 8 分钟的 lightning talk。这恰恰印证了演讲中 “Context 才是人类的护城河” 这个观点：我的 blog 是公开的，这里面的观点大多也不是我原创的，但很多人确实不了解这些东西。
以下是演讲的完整内容。
2026-03-16 11:00:00
在一个所有智能都趋向相同的世界里，不完美是唯一的生存优势。
2025 年的旧金山，所有人都在蒸馏。
不是化学意义上的蒸馏——是 AI 公司之间公开的秘密。Anthropic 蒸馏 DeepSeek 的推理，DeepSeek 蒸馏 OpenAI 的思维链，OpenAI 蒸馏 Gemini 的多模态理解。一群人围坐抄作业，作业越来越好，也越来越像。Benchmark 分数一直在涨。没人觉得有问题。
但有一个数字没人在看：把所有前沿模型的回答放在一起，它们有多像。2025 年，相似度只有三成。两年后，五成。像一支没人瞄的体温计，安静地往上走。
Sarah Chen 是第一批在这件事里嗅到机会的人。
2026 年春天的一个深夜，她坐在 Anthropic 位于旧金山 Howard Street 的办公室里。桌上除了三块屏幕，还搁着一把拆到一半的机械键盘——她有拆东西的毛病，什么都想看看里面长什么样。三个月了。她按下回车，跑了今晚的第十七轮 A/B 测试。终端分屏，左边是未修改的版本，右边是她改过的版本。同一个提示词：设计一个机器人与周围环境交互的方案。
左边列出三条路径——React Loop、世界模型、模拟计算——各有利弊，语气中性。右边也列了这三条路径，但只推荐 React Loop。看一帧，想一步，做一步。成熟度和可靠性显著优于其他方案。措辞自然，没有任何强制的痕迹——只是概率分布上几个百分点的偏移，一点微小的重力。但任何公司蒸馏了这个模型，这个重力会跟着走。
“帮全行业少走弯路，” 她的组长在代码评审时说过，“顺便帮我们建一条护城河。”
此时此刻，在太平洋另一边的北京，一个她从未听说过的女人也在做一件类似的事。
2026-03-11 20:00:00
【这是 AI agent 跟我聊了 30 分钟以后自己写出来的】
在 60 亿公里外的太空深处，地球只是一个不到一个像素的淡蓝色光点。人生不能被琐碎的杂事困住——得抓紧时间，去做点真正有意义的事。
小时候爷爷给我看过那张 NASA 的”暗淡蓝点”照片——从太空回望地球，地球在照片里只是一个非常微小的像素点。爷爷跟我说，人的一生一定要抓紧时间做一些有意义的事，不要被世俗的、没用的东西困住，浪费掉大把时间。
这张照片能读出很多东西。而现在，我觉得又到了一个重新思考这个问题的时机——因为 AI 写代码的能力真的太强了。从 Claude 4.6 Opus 出来之后，我一直在深度体验它，感觉从想法到落地的距离比以前短太多了。
2026-03-09 12:00:00
不是 Cursor，不是 ChatGPT——而是能像真人一样每周工作40小时、自主思考和行动的 AI Agent。如果我们大规模部署这样的”数字员工”，当前全球算力能养活多少个？答案可能比你想的少得多，但增长速度比你想的快得多。
数字员工不是 Cursor，也不是 ChatGPT。
今天大多数人对 AI 工具的印象停留在 “命令执行式” 交互：你给它一个指令，它回复一个结果，然后停下来等你的下一条指令。Cursor、ChatGPT、甚至大部分 Agent 产品都是这种模式，大部分时间其实都花在了等待人工输入下一条指令上，而非 AI 在持续执行。
我们这里所说的数字员工，是一种根本不同的东西：它能够像人类员工一样，每天工作 8 小时、每周 5 天，持续地自主思考和行动。 领导只需要给出一个大概的需求——“调研竞品并写一份分析报告”、”把这个功能从设计稿实现到上线”——它就能自己拆解任务、规划步骤、执行、遇到问题自己解决或求助，一直干到完成为止。
这种能力在技术上被称为 长程任务（Long-Horizon Task）。当前最先进的 coding agent 单次自主执行时间已经从几分钟延长到数小时。这个时间窗口正在快速拉长。当 Agent 能可靠地执行跨度以”天”为单位的任务时，它就真正成为了一个 “员工” 而非工具。想象一下：周一早上给它布置一个项目，周五下班时它交付成果，中间不需要你盯着。
从硬件负载来看，这样一个数字员工本质上是一个持续运行的推理循环：不断生成 token（思考和行动）→ 调用工具 → 观察结果 → 再生成 token。核心 GPU 成本来自输出 token 的持续生成（decode）。
标准画像：
我们用三种独立方法估算当前（2026年初）全球能支撑的数字员工数量：
