今天的网络日志涵盖了一些有趣的交织点：分布式 AI 推理正在尝试打破中心化瓶颈，而“互联网之父”Vint Cerf 退休时同时预言 AI 代理将反过来推动网络标准化。数学家陶哲轩展示了 AI 编码代理的实际用法，还有人用 100 行 Lisp 写出了极简代理，以及一款可以把代码库变成 3D 地图并回放编码代理行为的工具。除此之外，我们还会看到医生如何面对现代医学的极限，以及一个意外解决 Thunderbolt 唤醒问题的小故事。
当大多数人在用 API 调用别人的大模型时，Mesh LLM 走了另一条路。它把你手头所有能用的机器——笔记本电脑、带 GPU 的塔机、迷你 PC、云节点——通过网络连接成一个资源池，对外暴露一个 OpenAI 兼容的 API 接口。网络没有中心服务器，每个节点通过 iroh 协议以公钥作为身份标识，用 QUIC 协议穿越 NAT 和防火墙。
一个用户用 MacBook Pro 执行 mesh-llm --auto，就一键加入并开始服务模型，整个过程没有报任何错——在分布式系统中，这种体验不多见。
请求到达后会走三种路线之一：本地 GPU 直接跑；路由到已经加载了该模型的对等节点；或者，当单个机器装不下整个模型时，用 Skippy 引擎把模型按层切分成流水线，让多个节点接力推理。测试表明，Qwen 235B MoE 模型在两台机器上拆分可达每秒 16 个 token。
一位贡献者（i386）解释，拆分推理时跨网络传输的只是激活值（activation），而不是全部权重，数据量不大，真正的瓶颈是网络延迟而非带宽。在模拟 5 毫秒延迟的家用实验室环境中跑 GLM 5.2 约每秒 10 个 token，全球广域网上会慢得多。
传输层有加密，但执行计算的节点能看到明文输入输出，恶意节点也可以篡改激活值。项目方现在的建议是：对这类需求，使用私有网格。代码已开源，安装包约 18 MB，移动端应用和 ACP 代理标准支持都在开发计划中。
TCP/IP 协议联合发明人 Vint Cerf 将在下周从 Google 首席互联网传道者职位退休，结束科技史上最有影响力的职业生涯之一。83 岁的 Cerf 自 2005 年加入 Google，此前与 Robert Kahn 在 1970 年代开发的 TCP/IP 奠定了今天互联网的基础架构。他获得过图灵奖和总统自由勋章。
Hacker News 上有人回忆与 Cerf 共事的经历，称他是“你能想象到的最和善的人”——在讨论中会主动承担记笔记的工作，和别人一起喝啤酒，从不强行主张自己的观点。也有人提到他在 Google 并非挂名闲职，而是积极推动无障碍技术和“Greyglers”（老年工程师）倡议，在许多中层管理者面前提供了关键支持。
在 Open Frontier 会议上，UC Berkeley 教授 Dave Patterson 宣布了 Cerf 退休的消息。Cerf 在视频连线中预测，AI 代理（能自主行动并与其他软件协调的软件）的兴起将迫使科技公司回归标准化协议。“多个来源的多个代理相互交互，会强制要求可组合性、互操作性和标准化。”他用“传话游戏”作比喻：自然语言在多次传递后会彻底走样，代理之间需要更精确的形式化沟通方式。
Cerf 还谈到如果重新设计 TCP/IP，他会采用 128 位地址（IPv6 实现了这一点）并加入端到端加密（IPsec 原本要求但后来被淡化）。会议上还有个轻松细节：Patterson 回忆 1970 年代 Cerf 总是穿衬衫、领带和三件套西装，Cerf 回应说“我总想让自己显得突出，不是留长发或戴鼻环，而是用不同的穿着方式。”
1999 年，数学家陶哲轩用 Java 1.0 写了一批数学教学 applet，用于复分析、线性代数课和可视化各种概念。后来 Web 标准不再支持 Java，这些程序全部失效。最近几天，他借助 AI 编码代理将这些 applet 全部迁移到 JavaScript，整个过程只花了几个小时，所有程序重新上线，部分还加了图形化升级（比如原来单色的 Besicovitch 集加上了颜色）。
AI 在迁移过程中发现了一个拖拽事件的边界 bug，还找出了陶哲轩原始代码里的两个隐藏 bug。作为教学辅助而非研究核心，他认为这种非关键任务用 LLM 产生的代码，风险可以接受。
陶哲轩还让 AI 帮他把 1999 年没实现的一个想法做了出来：在闵可夫斯基时空里做一个类似“Inkscape 但用于狭义相对论”的绘图工具，跟 AI 对话几小时就达到了 alpha 阶段。接着他又为刚发表的 Gilbreath 猜想论文生成了交互可视化工具，同样几小时内完成。他计划未来为论文配上类似的可视化补充材料。
Hacker News 上有人分享自己用 Claude 设计 8 位教学计算机模拟，认为 LLM 非常适合做“一直想做但没时间写的可视化”。也有人强调，这类生成代码仍需要领域专家审校和设计高层架构。陶哲轩本人在讨论中回应：他的编程经验和相对论领域知识对鉴别 AI 输出、设计数据模型与 UI 分离等关键决定必不可少，AI 只是自动化了底层的语法和实现细节，高层设计和排错依然靠人。
9front 是 Plan 9 的一个分支，那个诞生于贝尔实验室的分布式操作系统。这份教程由社区成员 pmjv 撰写，介绍了用 paint(1) 程序绘画的完整流程。作者强调这个软件“就像在纸上画”——没有压力感应，没有图层，没有撤销大段操作。画布会随绘制内容自动扩展，无法缩小窗口以外的区域，所以画完后得用 crop(1) 裁剪。
因为没有真正的图层，作者用了一种“仿图层”技法：先用一种特殊草稿色画草图，再用黑色勾线，最后用 pico 工具一键把草稿色替换成背景色，从而去掉草图。
画直线的方法让人印象深刻：把一把物理尺子放在触摸屏上照着描。画圆的办法类似：拿一张光盘当模板。如果只有鼠标，也能画，只是更慢。用手指触摸屏幕只能模拟左键，所以需要常备鼠标来按中键和右键。
标题中“Stanley Lieber”是 9front 的贡献者，其存在在社区里常被开玩笑地质疑。有评论指出，文章开头说“不适合艺术家、无神论者、破坏偶像者”可能冒犯到一些人，但多数人把这视为 Plan 9 社区特有的后现代幽默。正如有人所说，“如果这种笑话会让你不爽，那就说明它真的不适合你。”
研究者分析 26 亿张来自 236 个国家和地区的涂鸦后发现，人们对常见概念的视觉想象存在显著文化差异。过去研究概念普遍性主要依赖语言相似性——不同语言用哪些词表达同一概念。但人们被要求画出某个概念时，会不自觉暴露自己对那个东西的“心理原型”：同样画“椅子”，有人画四条腿的方凳，有人画带扶手的转椅。
同一概念在不同国家的人手中会分支出多种不同的视觉样例。差异最大的是那些需要触摸、操作或与身体密切互动的物品（剪刀、筷子、牙刷），说明视觉想象不仅反映视觉认知，还受身体经验和日常习惯影响。
研究者把涂鸦的向量嵌入模型与跨语言词嵌入模型做了对比，发现两者的几何结构并不对齐：涂鸦保留了语言模型压缩掉的语义和文化多样性。基于涂鸦计算出的文化相似度，与已知文化距离（如价值观调查或地理接近性）的吻合度比基于文本的方法高出 45%。这篇论文为“概念到底是否普遍”提供了新的测量维度。
作者在搭建 AI 代理平台时想起大学 AI 课上教授说的话：Lisp 是“AI 语言”。他试着用 Common Lisp 写了一个代理循环——核心只有 8 行递归函数，把消息列表发给模型，如果模型返回工具调用就执行工具、追加结果，然后递归调用自己。没有框架，没有状态机，代理的状态就是递归调用的参数。
真正特别的设计在这里：作者给了模型唯一一个工具——Lisp 的 eval 函数。模型可以写一个 Lisp 表达式字符串，代理读进来、执行、返回结果。模型不“记住”斐波那契数列，它写一个递归函数再调用它。当作者把 Brave Search API 密钥贴在对话里，模型自己用 defun 写了一个搜素函数，用 HTTP 库和 JSON 解析库完成请求，然后开始用实时网页结果回答问题。作者并没有提前准备搜索工具——模型用唯一的 eval 工具自己造出了第二个工具。
函数在进程退出后会消失，但对话记录持久化在 JSON 文件里。下次启动时代理先读回历史，重新定义函数。作者觉得这和人类学习很像：你并非出厂就自带技能，而是通过经验存储，需要时再调用。
Hacker News 上有人质疑 Python 和 JavaScript 也有 eval，这不是 Lisp 独有的优势。也有人指出真正区别在于 Lisp 的 eval 在同一进程内执行，定义的函数能留在环境中被后续调用——而用 bash 或 python -c 跑出来的结果只是一个进程输出。当然，在生产环境中跑 eval 极度危险，作者只在 Docker 沙箱里测试。整篇文章的思路更倾向于：把 eval 作为代理的唯一工具，让模型自己决定需要什么能力、自己写出来、自己加载——这是一种逆向的代理能力设计。
Ghostel 是一个 Emacs 终端模拟器，底层使用 Ghostty 的 libghostty-vt 引擎，通过 Zig 原生模块处理终端状态、渲染和本地 PTY I/O。Elisp 负责键映射、缓冲区、命令和远程进程集成。首次使用时自动下载原生模块，不需要额外工具链。
它支持五种输入模式，包括默认的 semi-char 模式、全直通的 char 模式、只读 Emacs 模式、冻结输出的 copy 模式和本地编辑后整行发送的 line 模式。Shell 集成默认启用，bash、zsh、fish 自动注入目录追踪和提示导航，远程机器也可以通过 TRAMP 自动推送集成脚本。
性能测试显示，在 1MB 数据流下，Ghostel 的纯文本吞吐量约 75 MB/s，vterm 约 18 MB/s，eat 约 6.2 MB/s。用原生 PTY cat 一个 10MB 文件只需约 110 毫秒（vterm 约 550 毫秒，eat 约 1.8 秒），主线程不会冻结。功能方面，Ghostel 独有支持 Kitty 键盘/图形协议、OSC8 超链接、颜色查询、同步输出、密码提示检测等，而 eat 完全用 Elisp 写成但吞吐量最低，vterm 使用 C 引擎但功能最保守。
Ricko Yu 发布的这个开源工具，将代码库渲染成一张夜间城市地图，然后把编码代理（Claude Code、Codex 等）的会话日志回放为穿梭其中的光点：代理在哪里搜索、读取、编辑，地图上就亮起来，未触及的部分保持黑暗。项目完全本地运行，数据不离开机器。
树图和地形图两种视图让文件被触及的深度和频率一目了然，读取显示为月白色、编辑为暖琥珀色。回放面板的柱状图按冷色和暖色区分观察行为（搜索、读取）和突变行为（编辑），支持键盘快捷键播放、跳转和检查文件访问历史。
作者解释，原始的 JSONL 会话日志没法回答一个问题：代理到底如何理解任务？创建这个工具，是想可视化不同 LLM 和代理系统的任务解决轨迹，提供一种评估能力的替代方式。社区有人提到外观类似 gource 但关注点不同，也有人建议支持跨模型对比和统计多次运行的平均轨迹。
Fabien Sanglard 长期被一个奇怪的问题折磨：笔记本电脑插在底座上休眠后，无论按键盘、鼠标还是开关显示器都无法唤醒。他需要把笔记本从底座上取下来、掀开屏幕、用自带键盘“安抚 DisplayPort 之神”，等屏幕亮了再插回去。换了当时最好的 CalDigit TS3 底座，问题照旧。Intel 发布 Thunderbolt 4 时明确把“必须能从底座唤醒电脑”写进强制认证规范，于是他买了 CalDigit TS4——结果只是“稍微好一点点”。
2025 年，他因为旧 BenQ 显示器有坏点需要更换，买了一台 ASUS ROG Swift PG27UCDM，主要是想看看 240 Hz 刷新率。然后唤醒问题彻底消失了。新组合每次都能在一秒内唤醒，他不知道确切原因——可能是旧 BenQ 固件有 bug，或者它唤醒太慢。但不换底座、只换显示器就解决了问题。
社区补充了不少类似经验。有用户表示非苹果的 Thunderbolt 设备体验一直很差，主板上的接口只能识别底座为 USB。另一用户回忆 Anker 第一代 Thunderbolt 2 底座出厂就有设计缺陷，最终只能彻底断电才能恢复。
退休家庭医生 Ken Murray 在 2011 年发表了一篇关于医生如何面对死亡的博客。他的导师 Charlie 确诊胰腺癌后，面对一种能把五年生存率从 5% 提高到 15% 但代价是极高生活质量损失的新术式，第二天就关闭诊所回家，再没进过医院。没有化疗、放疗或手术，几个月后在家去世。Medicare 在他身上没花多少钱。
Murray 说，医生并非不想活，而是太清楚现代医学的极限。他们见过所谓的“无意义治疗”：临终患者被切开、插满管子、连上机器，每天花数万美元，买来的却是无尽的痛苦。很多医护人员戴着“NO CODE”的牌子拒绝心肺复苏，甚至有人把这句话纹在身上。现实中，对于严重疾病或高龄患者，CPR 成功概率极低。Murray 本人在急诊室接过数百名接受过 CPR 的患者，只有一人活着走出了医院。
即使提前做足准备，系统依然可能吞噬人。Murray 的患者 Jack 明确说过不要再次上生命维持，但一次中风昏迷被送入急诊时妻子不在场，医生照常把他送进 ICU。Murray 赶到后根据书面意愿关闭了生命维持，陪他两小时直到去世。事后，一名护士向警方举报这是“可能的杀人案”——尽管 Jack 的意愿白纸黑字写得很清楚。Murray 感叹，如果那时他选择让 Jack 继续在机器上拖几周，他本人反而更安全、能多赚钱、Medicare 会多付 50 万美元。
Hacker News 上一位同时患有两种癌症的用户带来了不同视角。他的两种癌症确诊时都被认为是不治之症，但现在都有针对性的新疗法，对部分人有效。“新疗法几乎每个月都在出现。你今天无法被治愈，不代表一年后没有更好的方案。”另一位用户补充，文章并非反对所有治疗，而是强调要明白治疗意味着什么，并在生命长度与质量之间找到平衡——50 岁和 80 岁的考量完全不同。
Murray 的表哥 Torch 查出肺癌脑转移，拒绝每周三次化疗，只服用消除脑水肿的药片，搬到 Murray 家住了八个月。他们去迪士尼乐园、看体育比赛、吃家常菜，没有剧痛，精神很好，八个月医疗花费大约 20 美元。Murray 最后写道，越来越多研究显示，接受临终关怀的患者反而比追求积极治疗的患者活得更长。对他自己而言，选择早已做好：不要英雄式抢救，只求有尊严地离开。
女：Hello 大家好，欢迎收听 Agili 的 Hacker News 播客，我是莓莓。
男：大家好，我是阿迪。
女：今天的东西挺多的，我大致整理了一下，我们可以从几个不同的角度来聊聊。先说一个大消息吧，Vint Cerf，你知道吧？
男：当然，TCP/IP 协议的联合发明者。他下周要从 Google 退休了，83 岁，结束了在 Google 近二十年的首席互联网传道者生涯。
女：对，我读大学那会儿，教科书上就有他的名字。这么多年过去了，他还活跃在一线。这次退休消息是在一个会议上，别人帮他宣布的。
男：对，UC Berkeley 的教授 Dave Patterson。会上 Cerf 还做了一个挺有意思的预测，关于 AI 的。他觉得未来越来越多的 AI 智能体要互相协作，这种互动会倒逼科技公司重新回到标准化协议上。
女：他具体是怎么说的？
男：他觉得多个来源的智能体相互交互，这件事情本身就强制要求可组合性、互操作性和标准化。他说，比起自然语言，形式化的标准对代理之间的精确沟通太重要了。他还举了“传话游戏”的例子，你知道的，一句话传了几个人就完全走样了。
女：对，这个比喻挺形象的。自然语言确实太模糊了。这让我想起另一个事，数学家陶哲轩最近用 AI 做了些事情，虽然不是关于 AI 代理标准化的，但跟用 AI 干活这个趋势特别相关。
男：嗯，陶哲轩那个事在社区里讨论度很高。他把自己从 1999 年开始写的 Java 数学教学小应用，全部迁移到了 JavaScript，总共只花了几个小时。
女：几个小时？这个速度也太惊人了。这些应用是做什么的？
男：主要是他当年做数学教学用的，比如可视化蜂巢结构、复分析之类的东西。后来因为浏览器都不支持 Java 了，这些 Applet 全挂了。他最近几天借助 AI 编码代理，把它们全部复活，还顺便做了图形化升级，比如给一个原来单色的集合加上了颜色。
女：那他自己的参与度有多高？是全自动生成的还是需要他介入？
男：必须介入。他自己在讨论中也回应了，说他的编程经验和相对论的领域知识，对鉴别 AI 的输出、设计数据与 UI 分离这些关键决定是必不可少的。AI 只是自动化了底层的语法和实现细节，高层设计和排错还是靠他。而且 AI 只发现了一个拖拽 bug，还顺带找到了他原始代码里的两个隐藏 bug。
女：相当于是个得力的助手，但不是能独立工作的工程师。他还用 AI 做了些别的吗？
男：有。他补上了一个从 1999 年就没做完的想法，在闵可夫斯基时空里做了一个类似“用于狭义相对论的 Inkscape”的绘图工具，跟 AI 对话几个小时就实现了原始构想。然后还为刚发表的 Gilbreath 猜想论文生成了一个交互可视化工具，也是几小时。他计划未来论文都配上类似的可视化材料。
女：这倒是给很多非软件领域的学术工作者指了条路。很多学者一直想做可视化但没时间写代码，现在门槛确实降低了。我看到还有个例子，有人用 AI 设计了一个 8 位教学计算机模拟，觉得 LLM 特别适合做这种“一直想做但没时间写”的东西。
男：对。但这个恐惧也真实存在，就是数学家会不会因此感到职业威胁。不过从陶哲轩的例子看，把 AI 用在可视化辅助、教学工具这种低风险任务上，是目前最务实的做法。关键还是审校，得有领域专家把关才行。
女：这跟 Vint Cerf 说的代理需要标准化，好像是两个层面的问题。Cerf 担心的是将来不同的 AI 代理各自为政，陶哲轩这边是把 AI 当成个人工具用。你觉得这两个方向会交汇吗？
男：我觉得会。如果以后你我的 AI 代理需要互相通信，Cerf 说的标准化就是基础设施。但反过来看，一个独立的、不被外部代理干扰的私有工具，如果能处理很复杂的任务，那种“单兵作战”能力也很可观。我最近就看到了一个极端的例子：有人用不到一百行 Common Lisp 代码，写了一个 AI 代理循环。
女：Lisp？就是那个有很多括号的语言？它在这里有什么特别之处？
男：对，同像性，这个词是关键。意思是代码本身就是数据结构，代码和数据可以互相转换。这个作者利用了这一点，给了 AI 模型唯一一个工具，就是 Lisp 的 eval 函数。模型可以自己写一个 Lisp 表达式字符串，代理读进来、执行、然后返回结果。
女：也就是说，模型不用“记住”怎么算斐波那契数列，它当场写一个递归函数然后调用它？
男：没错，就是这样。作者甚至把 Brave Search API 的密钥贴在对话里，模型自己用 defun 写了一个搜索函数，用 HTTP 库和 JSON 解析库完成了搜索请求，然后开始用实时网页结果回答问题。作者自己都没提前准备搜索工具，模型用唯一的 eval 工具自己造出了第二个工具。
女：这就有点像是，模型自己扩展了自己的能力边界。那如果进程关了，这些它自己写的函数不就丢了吗？
男：丢了。但是对话记录存在一个 memory.json 文件里，下次启动时代理先读回历史，再重新执行那些函数定义，能力就又激活了。作者觉得这很像人类学习，你不是出厂就自带技能，而是通过经验存储下来，需要时再调用。
女：听起来很有哲学意味，虽然生产环境跑 eval 极度危险。作者自己也说只在 Docker 沙箱里测。
男：对，社区里质疑声也不少。有人就说 Python、JavaScript 里也有 eval，这不是 Lisp 独有的优势。而且 LLM 其实更容易在括号平衡上犯错。但真正的区别在于，Lisp 的 eval 是在同一个进程内执行的，定义的函数可以留在环境里被后续调用。你如果用 python -c 跑一段代码，跑完进程就结束了，状态全丢。
女：明白。这让我想起最近看到的另一个项目，叫 Mesh LLM。它是怎么工作的？
男：Mesh LLM 走的是另一条路。现在大家用 API 调用大模型，模型跑在别人的数据中心，你控制不了硬件也控制不了版本。Mesh LLM 的想是，把你手头已有的所有 GPU 和内存，不管分散在多少台机器上，都池化成一块统一的资源，对外暴露一个 OpenAI 兼容的 API。
女：听上去像是把闲置算力凑起来。具体怎么运作？
男：你可以在笔记本、GPU 塔式机、迷你 PC 或者云节点上启动一个节点，然后随时加入更多节点。请求可以走三条路线：本地 GPU 直接跑，或者路由到已经加载了该模型的对等节点，还有一种比较特别的，叫 Skippy 引擎，它能把一台机器装不下的大模型按层切分，让多个节点接力完成推理。
女：多个节点接力，那网络延迟岂不是很要命？
男：这也是一个巧妙的地方。拆分推理时跨网络传输的只是激活值，不是全部权重，数据量很小，所以瓶颈是网络延迟而不是带宽。有人测过，Qwen 235B 的混合专家模型在两台机器上拆分可以达到 16 tok/s。还有个贡献者说在模拟 5ms 延迟的家用实验室环境跑差不多 10 tok/s。
女：那隐私和安全呢？毕竟是自己的数据跑来跑去。
男：这还是一个开放问题。传输层是加密了，但执行计算的节点可以看到明文的输入输出，恶意节点也可能篡改激活值。官方建议对这类需求使用私有网格。代码已经开源，安装包大约 18 MB，还计划支持移动端。
女：从 Mesh LLM 的去中心化思路，到那个 Lisp 代理只用八个核心函数的极简循环，我觉得这两个项目背后有一种共同的东西，都在尝试把控制权和定义权从单一中心手里拿回来。
男：对。一个是算力的去中心化，一个是代理能力的逆向设计，让模型自己定义自己需要什么工具。跟这个思路有点像但又完全不同的一个东西，是一个 Emacs 里跑的新型终端模拟器，叫 Ghostel。
女：在编辑器里再跑个终端？这不是已经有 vterm 和 eat 了吗？
男：Ghostel 的差异在于它的底层用了 Ghostty 的 VT 引擎，通过 Zig 原生模块来处理终端状态和渲染。性能测试相当惊人，纯文本吞吐量可以达到 75 MB/s，作为对比，vterm 大约 18 MB/s，eat 只有 6.2 MB/s。用 cat 跑一个 10MB 的文件，仅需大约 110 毫秒，而且主线程不会卡住。
女：110 毫秒？那几乎感觉不到延迟。它有什么特别的功能吗？
男：功能很丰富。有五种输入模式，其中一种是 line 模式，可以本地编辑一行命令，按回车再整行发送，这在某些场景下特别方便。还支持 Kitty 图形协议的内联图像、粘贴保护，甚至能检测到你在敲密码，然后自动用更安全的方式处理，防止泄露到按键记录里。
女：连这都考虑到了，听起来像是给自己人用的好东西。那远程机器能用吗？
男：可以用 TRAMP 连远程机，而且 shell 集成脚本会自己推过去。对 bash、zsh、fish 都能自动注入目录追踪和提示导航。macOS 自带的 bash 3.2 不支持自动注入，得手动来。
女：说到工具，我最近看了一篇特别有意思的教程，关于怎么在一个叫 9front 的操作系统上画画。
男：啊，Plan 9 的衍生版。
女：对，这篇文章的作者叫 pmjv，写的风格特别幽默，有点自嘲。他从硬件选择开始讲，推荐用二合一笔记本，配合电磁笔直接在屏幕上画。数位板推荐了 GAOMON S620，即插即用。还有些 Wacom 板子也能用，但兼容性看运气。如果只有鼠标，也能画，就是慢点。最妙的是，画直线的方法是把一把物理尺子放在触摸屏上照着描。
男：把物理尺子放在触摸屏上……这真是一种奇妙的跨界。那软件部分呢？
女：软件叫 paint，是 9front 自带的。作者说它“就像在纸上画”，没有压力感应，没有图层，没有撤销大段操作。画布会随绘制内容自动扩展，没法缩小窗口以外的区域。所以得先把初始窗口大小当成画布，画完后再用 crop 裁剪。颜色最多 16 种。因为没有真正的图层，作者用了一种“素描色”先画草稿，再用黑色勾线，最后用一个叫 pico 的工具一键把草稿颜色替换成背景色去掉。
男：这种解法在当年的条件限制下，其实很有创造力。那画完怎么导出来？
男：用 topng 转成 PNG，然后通过 U 盘、SSHFS 拷贝、邮件什么的弄到其他设备。作者还很幽默地列了一个办法：“手机拍屏幕”。
女：对，评论区也特别欢乐。有人被“尺子画直线”的画面逗得不行，有人称赞某些 9front 用户是“创造了整个世界的了不起的艺术家”。但也有人觉得，这篇教程更像软件说明书，而不是真正的绘画教学。这篇文章的整体基调有人说是“异想天开的”。社区里有些人开的玩笑，比如对某个贡献者的调侃，都是 Plan 9 社区特有的那种后现代幽默。
男：从这个教程能感觉到，工具的局限有时候反而催生出一套很独特的工作流和美学。这跟刚才聊的那个性能怪兽 Ghostel 完全是两个世界的东西，但都很迷人。
女：说到可视化，还有一个项目让我印象很深，叫 Mindwalk。它能把你的整个代码库画成一张夜间城市地图。
男：这个项目的作者 Ricko Yu，之前原始的动因就是想直观地看不同 LLM 和代理系统的任务解决轨迹，作为一种评估能力的替代方式。原始的 JSONL 日志没法回答“代理怎么理解任务”这个问题。而这个地图有两种视图，树图和地形图，文件被触及的深度和频率一目了然。
女：触及状态还用颜色区分了，读取是月白色，编辑是暖琥珀色。然后那些编码代理的会话日志会被回放成在地图里穿梭的光点，代理在哪里搜索、读取、编辑，地图哪个地方就亮起来，没碰过的部分保持黑暗。
男：对，一个项目的真实使用热度，还有代理做事情的路径，全变成视觉化的东西了。完全本地运行，数据不出机器。社区里还有人提到一个更细粒度的 3D 渲染库，作者说会尝试整合。也有人把它比作 gource，那个著名的版本控制可视化工具，但关注点其实不太一样。
女：还有人担心，如果代码库已经删了，就没办法生成树图了。所以它本质上还是为活跃项目做的实时诊断小工具。
男：对。数据可视化这个东西，不管是 Mindwalk 这种代码库活跃图，还是陶哲轩做的那些交互式数学可视化，本质上都在尝试让隐匿的关系变得可感知。还有一种可视化我也觉得很有意思，而且完全不涉及代码，是关于人的。
女：什么可视化？
男：研究者分析了 26 亿张来自 236 个国家和地区的涂鸦，发现人们对“房子”“树”“猫”这种常见概念的视觉想象并非统一，而是存在显著的文化差异。
女：这结论感觉是常识，但 26 亿张涂鸦这个数据量也太大了。他们是怎么分析的？
男：过去研究概念普遍性主要靠语言相似性，看不同语言用哪些词表达同一概念。但语言压缩了经验细节，可能掩盖了人们脑海里实际上想象的东西有多不同。这回想了个新办法，用涂鸦。让人画出某个概念，比如“椅子”，有人画四条腿的方凳，有人画带扶手的转椅，心理原型一眼就看出来了。
女：那具体差异最大的概念是哪些？
男：集中在需要触摸、操作或和身体有密切互动的物品上，比如剪刀、筷子、牙刷。这说明视觉想象不仅受视觉认知影响，也跟身体经验和日常习惯有关。他们进一步把涂鸦的向量嵌入模型和跨语言的词嵌入模型做了对比，发现两者的几何结构根本对不上。涂鸦保留了语言模型压缩掉的语义和文化多样性。用涂鸦算出来的文化相似度，跟已知的文化距离，比如基于价值观调查或地理接近性的结果，吻合度比基于文本的方法高出 45%。
女：高出 45%，这个数字相当具体。说明概念是否普遍，真的取决于你用哪种方式测量。这个结论反过来也可以解释，为什么训练数据里隐含的文化偏向那么难被发现和纠正，因为文字本身已经过滤掉太多了。
男：对，涂鸦作为一种高分辨率、低门槛的手段，在探测人类思维和文化维度差异上，比纯文本方法直接得多。其实这种“换个角度，结果完全不同”的思路，在解决技术问题上也经常出现。我想起一个作者长期被笔记本电脑唤醒问题折磨的经历。
女：哦，具体是什么问题？
男：作者 Fabien Sanglard，他的笔记本插在底座上休眠后，用键盘、鼠标、开关显示器都唤不醒。得把笔记本从底座上取下来，掀开屏幕，用自带键盘敲一下，等屏幕亮了再插回去。他自己开玩笑说，这叫“安抚 DisplayPort 之神”。他换了当时最好的 Thunderbolt 3 底座 CalDigit TS3，问题随机出现。后来 Intel 在 Thunderbolt 4 规范里明确把“必须能从底座唤醒电脑”写进强制认证，他第一时间买了 CalDigit TS4。结果只是“稍微好一点点”，还是偶尔犯病。
女：这要是我真的会崩溃。最后怎么解决的？
男：结果完全不按套路来。他因为旧显示器有坏点，换了一台 ASUS ROG Swift，240Hz 刷新率。结果唤醒问题彻底消失了。新组合每次都能在一秒内唤醒。他也不知道原因，可能是旧 BenQ 的固件有 bug，或者它唤醒太慢。但不换底座、只换显示器，问题就没了。
女：这完全解释不通。社区里其他人的经验也印证了这种“玄学”吗？
男：对，评论区全是类似的血泪史。有人表示非苹果的 Thunderbolt 设备体验很差，自己主板上的口只能识别底座为 USB，更新了多少次固件都没用。还有人回忆 Anker 第一代 Thunderbolt 2 底座出厂就有设计缺陷，换新后同样唤不醒所有端口，只能彻底断电。还有个人很认真地问他，换了 240Hz OLED 显示器之后，写代码和读 Hacker News 体验提升了多少。文章没直接回答，但那个“意外收获”大概比刷新率本身更值。
女：这些故事背后其实都在说，很多系统的复杂程度已经超出了我们能理性诊断的范围。治好它的方式可能来自一个完全意想不到的方向。这让我又想起最后一个故事，是关于人的，但跟显示器玄学不同，它触及了更深的选择。
男：你是指那个关于医生如何面对死亡的文章？
女：对。退休家庭医生 Ken Murray 写的。他发现一个现象：医生自己面对绝症时，往往得到的治疗比普通人更少，而不是更多。他举了他导师的例子，一个骨科医生，确诊胰腺癌。当时有个顶尖的新术式能把五年生存率从 5% 提高到 15%，但代价是极高的生活质量损失。他听完后，第二天就关闭诊所回家了，没有化疗、手术，几个月后在家中去世。
男：医生的选择看起来残酷，但他们确实太清楚现代医学的极限了。Murray 说，医生见过太多所谓的“无意义治疗”。临终患者被切开、插满管子，每天花数万美元，买来无尽的痛苦。不少医护人员自己戴着“NO CODE”的牌子拒绝心肺复苏，甚至有人纹在身上。
女：CPR 在影视剧里被塑造成很可靠，但现实是，对于严重疾病或高龄患者，成功率极低，痛苦却极大。Murray 自己接过数百名做过 CPR 的患者，只有一个人，一个健康的张力性气胸患者，活着走出了医院。
男：问题不仅来自家属不切实际的期待，也来自医生和系统。家属在慌乱中说“做一切”，医生就真的做一切，哪怕明知不合理。而且医生怕被起诉，怕被家属质疑动机，倾向于多做而不是少做。Murray 写了一个让他至今不安的例子：一位他很关心的女患者，因为脚疼，最后在另一家医院做了双腿血管搭桥，结果伤口不愈合，双脚坏疽，双腿截肢，两周后死在著名的医疗中心。
女：这种系统性过度治疗的压力太真实了。但同时，也有很不一样的选择。Murray 的表哥查出肺癌脑转移，专科医生建议每周三次化疗，预计活四个月。他表哥拒绝了治疗，只吃消除脑水肿的药，搬到他家住。接下来八个月，他们一起去了迪士尼乐园、看体育比赛、吃家常菜。他表哥没有剧痛，精神很好，有一天再没醒来。八个月的医疗花费大概 20 美元。
男：这个对比实在太强烈了。Hacker News 的评论里，有个同时患有两种癌症的用户带来了另一个视角。他的两种癌症确诊时都认为是不治之症，但现在都有针对性的新疗法，而且新疗法几乎每个月都在出现。他选择积极治疗，因为有些癌症可以靠新药实现长期控制。
女：这说明文章并不是反对所有治疗，而是要明白治疗意味着什么，在生命长度和质量之间找到平衡。50 岁和 80 岁的考量完全不同。评论区还提到，即使签了明确的法律文件，系统仍可能无视意愿。Murray 就遇到过，他按一个患者的书面意愿关闭了生命维持，事后被护士向警方举报为“可能的杀人案”。如果那时他让患者在机器上再拖几周，他自己反而更安全、能多赚钱、Medicare 会多付 50 万美元。
男：这种压力让医生在对待病人时偏向过度治疗，但他们对自己的选择非常冷静。Murray 最后写道，越来越多的研究显示，接受临终关怀的患者，反而比追求积极治疗的患者活得更长。他给自己的医生早就留了话：不要英雄式抢救，只求有尊严地离开。
女：从 Vint Cerf 对 AI 代理标准化的预测，到陶哲轩用 AI 复活几十年前的教学工具，到 Mesh LLM 和 Lisp 代理对我让人重新思考“权力中心在哪里”这件事，再到用尺子在触摸屏上画直线的社区艺术，最后到医生对自己生命的清醒选择。今天的这些话题串在一起，我感觉都在说同一个东西：当真正理解了一个系统的内在逻辑和它的真实局限之后，人们会做出更务实的、有时甚至是出人意料的选择。
男：对。不管是编写协议、写代码、造工具，还是面对自己的生命，核心都是这种基于深度理解的务实。而不是盲从系统设置的那个“默认选项”。
女：好了，今天聊得够多了。感谢收听 Agili 的 Hacker News 播客，我们下期见。
男：下期见。大家可以搜索“泛用型播客客户端”来订阅我们，这样就不会错过更新了。
女：拜拜。
男：拜拜。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。