Hacker News 每日播报，今天我们聊聊 AI 代理的现实与未来、LLM 架构的最新进展、古老图书馆与远古法律中的智慧，以及当蘑菇拥有身体后的奇妙世界。

今天，我们关注一个深刻触及数据保存、完整性以及与熵斗争的话题——这与我们软件工程师日常处理遗留系统和数据丢失的挑战有着异曲同工之妙。匈牙利最古老的图书馆，布达佩斯罗兰大学图书馆与档案馆，正面临一场与书虫的艰苦斗争，以挽救其无价的藏书。

这并非小麻烦，而是一场大规模的虫害，威胁着数千本珍贵藏书，其中不乏可追溯至几个世纪前的孤本手稿。想象一下，你最关键的数据库正被一股看不见的力量，一点点地腐蚀破坏——这就是图书馆员们所面临问题的规模。这些微小的甲虫，通常是家具窃蠹（Anobium punctatum），在书页中钻孔，将历史知识一点点地化为尘埃。

图书馆的努力体现了其对文化遗产的奉献。他们正在采用多管齐下的方法：通过冷冻受感染的书籍来杀死幼虫，使用缺氧室在不使用化学品的情况下窒息害虫，并细致地修复受损的书卷。这是一个艰苦、耗时的工作，凸显了保存实体文物的巨大挑战，与数字备份的便捷形成鲜明对比。

这场与书虫的战斗也引发了关于保存方法的广泛讨论。许多人分享了不同技术的经验：一些人支持冷冻的有效性，认为这是图书馆常用且相对安全的方法。另一些人则推崇缺氧处理，即通过去除氧气来杀死害虫，这被认为比化学熏蒸对脆弱材料更温和。

这场危机也再次点燃了实体保存与数字化之间的永恒辩论。一种普遍的观点是，这种情况凸显了将所有内容数字化的必要性。“直接全部扫描！”的呼声强调了数字副本在可访问性、备份和防止物理衰变方面的优势。然而，强烈的反驳意见认为，无论数字副本多么优秀，都无法完全取代原始的实体文物。实体书卷的触感、嵌入其中的历史背景以及它提供的独特研究机会，都是实体保存仍然至关重要的原因。这就像一幅画的高分辨率照片与画作本身的区别——两者都有价值，但服务于不同的目的。

最终，此类保存工作的成本和资金是一个绕不开的现实问题。这些项目成本高昂且往往资金不足，迫使人们在哪些可以被挽救的问题上做出艰难的选择。这提醒我们，即使在数字时代，物理世界仍然为知识的保存带来了独特且昂贵的挑战。

来自 Sebastian Raschka 博士的一篇精彩文章，对当前主流的大型语言模型（LLM）架构进行了全面比较。文章的核心观点是，尽管 LLM 的基本结构看似变化不大，但其内部的精妙改进和多样化设计，正推动着模型性能和效率的持续突破。

从早期的 GPT-2 到最新的 DeepSeek-V3 和 Llama 4，LLM 的核心——基于 Transformer 的堆叠层——依然稳固。然而，在此之上，我们看到了许多关键演进，例如位置编码从绝对式发展到旋转式（RoPE），多头注意力（MHA）被更高效的分组查询注意力（GQA）取代，激活函数也从 GELU 演变为 SwiGLU。

文章详细剖析了几款代表性模型的独特设计：

一个普遍的共识是，LLM 领域远未达到架构上的“瓶颈”。正如一位观察者所说：“所有这些实验室还没有收敛到相同的架构，这证明了我们还没有在 LLM 上遇到瓶颈。” 这种从 MoE 到滑动窗口注意力，再到各种归一化和位置编码策略的多样化设计，都表明创新仍在蓬勃发展，LLM 的设计空间依然广阔，未来无疑将继续充满惊喜。

一篇来自 Jeremy Tregunna 的文章深入探讨了如何利用 io_uring 这一强大的 Linux 内核接口，来构建一个高性能且具备强持久性保证的数据库。

文章作者在构建一个简单的键值数据库时，最初采用传统的 fsync() 方式确保数据落盘，但性能不佳。他意识到，现代 NVMe SSD 能够并行处理数千个操作，而传统的同步 I/O 接口却隐藏了这种并行性，使软件成为瓶颈。

为了突破瓶颈，作者转向了 io_uring。这是一种新型异步 I/O 接口，通过共享队列让应用程序一次性提交大量 I/O 操作，大大减少了系统调用开销。初步实验显示，吞吐量立即提升了一个数量级。

然而，性能的提升带来了新的挑战：如何保证数据持久性？如果异步写入后立即向客户端返回成功，一旦系统崩溃，仍在内核缓冲区中的数据就会丢失。为了解决这一核心矛盾，作者受 TigerBeetle 数据库启发，提出了一种“双 WAL”方案：

核心协议是：首先异步写入意图记录，然后在内存中执行操作，接着异步写入完成记录，最后，必须等待完成记录被持久化后，才能向客户端返回成功。

这种方法在恢复时也更健壮，系统只会重放那些同时拥有意图和成功完成记录的操作。虽然单个操作的延迟可能略有增加，但真正的性能突破在于批处理。当有大量并发写入时，数据库可以将 N 个操作所需的 2N 次同步写入，转化为仅两次 io_uring 批处理提交，从而在负载下显著提升吞吐量，基准测试显示事务吞吐量提升了 10 倍。

这次实践彻底改变了作者对数据库架构的看法，并引发了对几个核心问题的进一步思考：

这提醒我们，硬件一直都是并行的，我们只是需要能够利用它的软件架构。有时最好的优化来自于质疑过去的假设，比如 I/O 必须同步才能保证持久性。

植物肉巨头 Beyond Meat 正面临一场严峻的生存之战。这家曾经的明星公司，如今的财务状况堪忧。

其营收增长乏力，盈利能力更是令人担忧，2024年运营亏损达到每美元销售额亏损45美分。公司面临的最大挑战是 2027 年 3 月到期的 10 亿美元可转换债券，而目前公司没有任何偿还这笔巨额债务的能力，导致其股价自高点暴跌了 98%。从纯粹的金融模型来看，其股权价值几乎为零。

在运营层面，管理层仍在寻求扭转局面。CEO Ethan Brown 认为，改善消费者对植物肉健康属性的认知至关重要，他指责存在大量关于植物肉“过度加工”的“错误信息”，公司正积极反驳这些说法，希望通过改善产品形象来提升销量。

从更广阔的行业视角来看，植物肉市场整体也面临挑战。尽管仍有一定市场需求，但目前仍处于小众阶段。对于 Beyond Meat 而言，时间是最大的敌人。随着债务到期日的临近，公司很可能无法避免被债券持有人接管的命运。Beyond Meat 的业务本身可能在重组后继续存在，但其最初“改变世界”的宏伟目标，如今却面临着连债务都无法偿还的残酷现实。

一个听起来像是科幻小说，但实际上是 2024 年最新研究的突破性进展：“蘑菇被赋予机器人身体后学会了爬行”。

这项研究的核心是将活体蘑菇的菌丝体网络与一个简单的机器人底盘结合，创造出一种全新的“生物混合机器人”。突破点在于，研究人员观察到蘑菇的生物活动，特别是其电信号，能够与机器人系统进行交互，并最终影响甚至“驱动”机器人的移动。

这并非指蘑菇拥有意识，而是其对环境刺激的生物响应，被机器人放大并转化为物理移动。这种生物混合机器人可能为未来的可持续机器人、自修复系统以及新型传感器提供灵感。例如，蘑菇的菌丝体具有自我修复和适应环境的能力，这可能赋予机器人更强的韧性。

这项研究引发了热烈的讨论，从技术细节的探究到对生命定义的哲学思考：

总的来说，这项“蘑菇机器人”的研究不仅展示了生物与机械融合的巨大潜力，也提醒我们，自然界中蕴藏着无数的奥秘，而人类的创造力正在不断地将这些奥秘转化为现实。

一位拥有超过 30 年经验的软件专业人士 Paul Lefebvre，进行了一项有趣的实验：尝试用当下流行的“氛围编程”（Vibe Coding），即几乎完全依赖 LLM 编写代码，来为古老的 Atari BASIC 语言编程。结果不尽如人意。

Paul 认为，LLM 在处理像 BASIC 这样的老式语言时面临巨大挑战：可供学习的代码量少，许多文档是难以消化的扫描件，且 BASIC 版本繁多，差异巨大。

实验从简单的“Hello World”开始，ChatGPT 轻松通过。但在任务升级到“创建一个绘图程序”和“创建一个游戏”时，问题开始浮现。ChatGPT 生成的代码充满了语法错误、逻辑缺陷和对平台特性的误解。尽管 Paul 不断提示纠正，但整个过程繁琐低效，最终生成的代码仍然无法正常工作。他总结道，对于像 Atari BASIC 这样的老式语言，Vibe Coding 是一场失败。

然而，有观点指出，这种实验方式可能并未完全展现 AI 编程的潜力。这种观点认为，Paul 的实验只是“原型氛围编程”。要真正体验 AI 编程的进步，需要使用某种“代理系统”（agentic system），例如 Cursor 或 Claude Code。

这些更先进的系统拥有一个反馈循环，它们可以：

这种观点认为，虽然这些系统并非完美，但它们比仅仅使用聊天界面要先进得多。这为我们提供了一个重要的视角：AI 辅助编程不仅仅是简单的聊天问答，更先进的工具正在集成更复杂的自动化和反馈机制。我们可能需要从与 AI 的“对话”转向与 AI 的“协作”，让 AI 承担更多自我纠错和学习的任务。

幽默大师戴夫·巴里（Dave Barry）以他一贯的诙谐笔触，讲述了他与谷歌 AI 概览（Google AI Overview）之间一场令人啼笑皆非的“生死”较量，深刻揭示了当前人工智能在事实准确性方面的局限性。

故事的开篇就充满了戏剧性：戴夫·巴里在谷歌上搜索自己的名字，结果却被 AI 概览告知，他已于去年去世。作为一名活生生的人，他自然感到震惊。他尝试通过谷歌的反馈机制来纠正这个“死讯”，然而，他的反馈非但没有解决问题，反而让 AI 移除了关于他获奖的准确信息，却保留了他“已故”的状态。

他与谷歌 AI 的在线聊天更是灾难性的。无论他如何反复强调“我没有死”，AI 都只会机械地回复“抱歉，我没听懂你的问题”。更令人啼笑皆非的是，这种“生死”状态并非一劳永逸，在接下来的几天里，AI 反复横跳，一会宣布他去世，一会又将他“复活”。

戴夫·巴里从自己的亲身经历中得出结论：尽管人工智能是一个强大的工具，但它“并不怎么聪明”。他建议，目前我们应该将 AI 用于那些对事实准确性要求不高的任务。

这个故事引发了广泛的共鸣。一个广为流传的观点是，我们应该把 AI 看作是**“人工实习生”（Artificial Intern）**，并且必须仔细核查它所说的每一句话。这个比喻恰如其分地指出了 AI 目前的“幻觉”（hallucination）问题——它会像一个经验不足的实习生一样，在不确定时“编造”信息。这提醒我们，在享受 AI 带来便利的同时，也必须对其输出保持批判性思维，并认识到其在理解复杂语境和处理矛盾信息方面的不足。

一篇来自 Utkarsh Kanwat 的文章，为当前围绕 AI 代理（Agent）的炒作泼了一盆冷水，并揭示了在生产环境中真正有效的方法。作者本人构建了十多个生产级 AI 代理系统，他的观点极具实践性。

文章的核心观点是，完全自主的多步骤 AI 代理在现实中是不可行的，原因有三：

作者总结道，成功的 AI 代理系统遵循一个模式：AI 负责处理复杂性，人类保持控制，而传统的软件工程则负责确保可靠性。

例如，UI 生成代理需要人工审查最终界面，数据库代理在执行破坏性操作前需要人工确认。这些系统都将 AI 的能力限制在明确的边界内，并结合了人类的监督和传统软件工程的安全机制。

这篇文章引发了热议，观点呈现出多样性。

总的来说，业界普遍认为，AI 代理的未来在于找到 AI 能力与传统工程实践、人类监督之间的最佳平衡点，而非盲目追求完全的自主化。

Redis 的创建者 antirez 最近更新了一篇关于“2025 年夏天使用 LLM 编程”的文章。他的核心观点是，前沿的 LLM 已经彻底改变了编程方式，但它们目前最强大的作用是作为程序员的**“放大器”**，而不是独立的“代理”。

antirez 强调，如果你能清晰地描述问题，并接受与 LLM 之间必要的反复沟通，就能取得惊人的成果。他列举了几个关键优势：

要充分利用这些能力，人类程序员必须遵循一些关键实践：

对此，开发者们反响热烈。许多人认同 LLM 作为“放大器”的角色，它极大地降低了尝试新语言或框架的门槛。但也有人持谨慎态度，指出 LLM 仍然会“幻觉”，人类的批判性思维和验证能力比以往任何时候都重要。大家普遍认为，在当前阶段，保持人类的控制和参与，是发挥 LLM 最大价值的关键。

我们大多数人可能都认为汉谟拉比法典是人类最早的法律，并以其“以眼还眼”的复仇式正义而闻名。然而，一篇引人入胜的文章告诉我们，这远非事实的全部。

文章指出，早在汉谟拉比法典问世近 400 年前，乌尔纳姆法典就已经存在。这部法典的惩罚方式与汉谟拉比截然不同，它更倾向于通过罚款而非肉体伤害来解决争端，比如“以半米纳白银代替一只眼睛”——这听起来更像现代的民事赔偿。

然而，真正的亮点在于比乌尔纳姆法典还要早 300 年的一位苏美尔国王——**乌鲁卡基那（Urukagina）**的改革。这位生活在 4300 多年前的统治者，其理念与后来的汉谟拉比形成了鲜明对比。从他留下的宣传文本中，我们看到了一个截然不同的领导者形象：

乌鲁卡基那的故事提醒我们，人类政府起源之初就存在两种截然不同的领导模式：一种是为了荣耀自身，另一种则是为了服务公民。有观点感慨道，那些被冠以“大帝”之名的历史人物，在现实中可能并非真正伟大，他们往往属于前者。这揭示了以服务人民为核心的领导理念，也同样源远流长，与人类文明的起源同步。

相关链接：

• Hungary's oldest library is fighting to save books from a beetle infestation
• LLM architecture comparison
• Async I/O on Linux in databases
• Beyond Meat fights for survival
• Mushroom learns to crawl after being given robot body (2024)
• I tried vibe coding in BASIC and it didn't go well
• Death by AI
• The current hype around autonomous agents, and what actually works in production
• Coding with LLMs in the summer of 2025 – an update
• What were the earliest laws like?