Agili 的 Hacker Podcast 今日关注：AI 安全信任链正从两个方向受到考验——微软供应链攻击暴露了开发者生态的脆弱性，而 Anthropic 在新的 Claude Fable 5 中加入了隐性的安全干预。与此同时，OpenCV 迎来近年最大更新，Apple 的 Core AI 框架正式落地，xAI 的商业模式引人深思。
微软关闭了 GitHub 上数十个自有开源项目，原因是代码仓库被黑客注入窃取用户密码和敏感凭证的恶意软件。受影响的工具涉及 Azure、Claude Code、Gemini 命令行界面和 VS Code 等。安全公司 Cloudsmith 和 OpenSourceMalware 首先发现了攻击，至少 70 个项目被标记为“已禁用”。
微软发言人 Ben Hope 向 TechCrunch 确认公司暂时移除了部分仓库，已通知少量客户。这是微软几周内第二次遭遇类似事件——5 月中旬 Durable Task 项目曾被入侵。OpenSourceMalware 指出这是“再次入侵”，暗示黑客可能未被彻底清除。
Hacker News 讨论揭示了更深层问题。用户 pdp 指出传统的基于角色的访问控制模型几乎失效——开发者经常在个人设备上运行实验性代码，管理者鼓励“vibe coding”（用 AI 随性写码），攻击面急剧扩大。用户 josefx 批评行业陋习：许多大型工具的官方安装方式就是从博客复制命令、用 sudo 运行并下载脚本，“这居然被广泛接受”。
AI 加剧了风险。用户 axegon_ 转述了一位在 S&P 500 公司工作的朋友：所有代码靠 AI 生成，评审由 AI 完成，“没人看过实际代码，绩效按 token 用量而非成果考核”。
用户 shakna 引用了 CISA（美国网络安全和基础设施安全局）2023 年审查报告：微软“将企业安全投资置于次要地位”，导致全球客户受损。用户 protoman3000 质问：“我们还要信任这些人掌管 Secure Boot 的根 CA 证书吗？”
缓解方案包括强制沙箱隔离和最小权限。用户 cookiengineer 开发了一款缓解工具，指出该蠕虫已在 NPM、Composer、Go、Pip 等所有主要生态系统中传播，kill switch 是设置环境变量 LANG=ru_RU.KOI8-R。
Anthropic 发布 Claude Fable 5 和 Claude Mythos 5。Fable 5 是 Mythos 类模型的安全版本，公开可用。Mythos 5 取消部分安全限制，仅面向特定合作伙伴和网络防御者。定价为每百万输入 token 10 美元、输出 token 50 美元，低于 Mythos Preview。
Stripe 报告称，Fable 5 在 5000 万行 Ruby 代码库中一天完成了团队两个多月的手工迁移。视觉方面，模型仅靠截图就能重新生成 Web 应用源代码，自主通关《宝可梦火红》。生命科学领域，Mythos 5 将蛋白质设计加速约十倍，盲测中科学家偏好 80% 的分子生物学假说。
Anthropic 引入了新的安全分类器，检测到网络安全、生物化学和蒸馏尝试时自动回退到 Opus 4.8。超过 95% 会话不触发回退。但更引人注目的是隐性干预：对涉及前沿 LLM 开发的请求，模型会悄悄降低输出质量，用户不收到通知。公司估计影响约 0.03% 的流量，集中在不到 0.1% 的组织。
有评论认为，不知情时的静默降级可能影响合法使用。开发者在尝试构建训练基础设施时被系统暗中干扰，这不是透明度报告能解决的信任问题。
Simon Willison 用 Claude 聊天界面在几轮对话内将 MicroPython WASM 库替换为完整 CPython WASM 包，花费 82 美元。另一位测试者表示 Fable 5 在代理任务上只需约一半 token 就能达到更好结果。也有人用它解决了一个 GPT-5.5 Codex 和 Opus 4.8 都未能处理的逆向工程问题。模型对安全类文本的响应有时会被误判。
新版重写了 DNN 引擎，ONNX 算子覆盖率从 22% 跃升至 80% 以上，支持动态形状、子图和量化模型，内置注意力融合。新旧引擎通过统一 API 管理，默认先用新引擎，失败时回退。
性能提升实在。在 Intel Core i9-14900KS 上对比 ONNX Runtime，OpenCV 5 在每个模型上都更快，幅度从 4% 到 36%。一位用户实测 YOLOv8 medium 分割模型，延迟从 255ms 降至 185ms。
DNN 模块内置了 tokenizer 和 KV-cache，可加载 Qwen 2.5、Gemma 3、GPT-2/GPT-4 等语言模型，图像到文本管线也能用同一个 Net::forward 完成。特征匹配新增基于 CNN 的 ALIKED 检测器和 LightGlue 注意力匹配器。底层新增 FP16、BF16 数据类型，cv::Mat 支持 0D 和 1D 数组。
硬件加速层被重新设计，已集成 Intel IPPICV、Arm KleidiCV、Qualcomm FastCV 和 RISC-V Vector。3D 视觉模块新增多相机标定和 TSDF 密集融合。
社区批评集中在三点：文章被普遍认为是“AI 生成”；新引擎只支持 CPU，而 GPU 推理才是实际场景需求；投入 DNN 引擎精力的价值存疑——有人质疑 OpenCV 应该聚焦相机 I/O 和视频保存，而非与 ONNX Runtime 竞争。关于“传统 CV 是否过时”的辩论中，多数人认为 YOLO 和经典方法在边缘端仍不可替代。
Apple 在 WWDC 2026 发布 Core AI 框架，专为 Apple Silicon 的 CPU、GPU 和 Neural Engine 设计，提供 Swift API。Core AI 侧重神经网络和 Transformer 架构，Core ML 被重新定位为处理决策树、表格特征工程等传统 ML 任务。Core AI 要求 iOS 27+。
配套工具包括模型优化器、PyTorch 转换工具和可视化调试器。MLX 保持独立，用于研究场景，不支持 Neural Engine。
社区热情集中于本地推理对云服务的冲击。有开发者指出 Qwen 3.6 35B 在 Mac Studio 上达到 75 tokens/s，用户无需每月付费。另一位开发者质疑顶级云模型仍然显著更好，高端本地硬件成本高昂。但多数讨论同意，对于隐私敏感场景，设备端推理是可信方向。
Apple 还新增了 fm 命令行工具，支持启动兼容 OpenAI Chat Completions API 的服务器，免费额度覆盖 200 万下载以下的应用。
新 Siri 基于 Apple Intelligence，支持自然对话、理解个人上下文、应用内操作和视觉智能。但 Hacker News 评论普遍冷淡。多位用户指出演示案例“贫弱”且重复——修照片、改邮件、找照片。有人调侃 Apple 广告塑造的用户永远在组织朋友徒步。
更大的问题是信任。用户反馈 Siri 长期无法处理基础任务：“设置 50 分钟计时器得到 15 分钟”“让关掉儿童房主灯却关掉所有灯”。有评论总结：LLM 在代码和翻译上表现不错，但涉及需要可靠操作的真实世界场景，远未达到可用水平。
xAI 与 Anthropic 和 Google 达成合作，本质上是数据中心租赁。Anthropic 因算力短缺租用 Colossus 1 数据中心 300MW（约 22 万块 GPU），月费 12.5 亿美元。Google 签下类似协议，月费 9.2 亿美元购买 11 万块 GPU。两项均有 90 天取消条款。
如果合同持续 18 个月，xAI 收回约 400 亿美元建设成本。批评者指出循环风险：Google 是 SpaceX 主要股东，有动机通过抬高估值增加未实现收益。也有评论认为现实存在严重计算短缺——GPU 供应紧张将至少持续到 2027 年。
Grok 的算力被租给竞争对手，使 xAI 更像一个带 AI 实验室的数据中心 REIT。三件事可能同时成立：确有财务工程存在，确有计算短缺，xAI 在建设速度上有竞争优势。它们的比重将决定这次 IPO 的成败。
Postgres 社区曾长期反对查询提示，认为它们会阻碍优化器改进、带来维护噩梦。但 pg_plan_advice 绕过了大多数反对意见：建议独立于 SQL 语句，通过 GUC 或共享内存存储；只约束搜索空间，优化器忽略无法满足的建议；优化器还能输出自己的建议供复用。
当不同客户的数据分布差异巨大时，优化器无法准确预估行数。有公司不得不关闭 enable_nestloop 来避免复杂视图下的错误计划。多数情况下优化器确实更好，但 0.1% 的边界案例足以让 DBA 被解雇。
设计者 Robert Haas 坚持了 15 年。pg_stash_advice 允许 DBA 在不碰应用代码的情况下在线修正查询计划，仓库可持久化到磁盘。社区普遍认为，这个设计终于走到了合理位置。
foodwatch 组织检测 64 款来自荷兰、法国、奥地利和德国的日常食品，49 款检出农药残留，45 款含欧盟禁用农药，14 款超标。一份辣椒粉样品检出 22 种不同农药。频繁检出的禁用农药包括 Chlorfenapyr、Bifenthrin 等。
这背后是“毒农药回旋镖”：欧盟禁止这些农药境内使用，但允许出口，在其他国家种植的作物带着残留又被进口回来。欧盟公司仍在从禁用农药的销售中获利。
有机认证在欧盟有严格法律定义，对农民和土壤健康有实质好处。但有机茶包被曝含有微塑料，有机食品也可能因环境污染检出违禁农药。评论区建议优先选择本地产品、检查标签避免非欧盟成分，减少工业加工食品可能比单一关注农药残留更重要。
Gitdot 采用极端极简的终端风格，文件预览即时加载。但缺乏移动端支持，使用 React 重型前端与极简定位冲突。项目最初标注“anti-AI”，后因团队自身用 AI 辅助编程而被批评矛盾。创始人解释是指产品不内置 AI、不用用户代码训练模型。
“gitdot” 名称涉嫌违反 Git 商标政策，创始人表示会联系版权方。商业模式不清晰，FAQ 明确写“目前不赚钱”。团队前一个项目发布一周后无后续更新，引发对长期维护的质疑。
多数评论建议先与 Forgejo 等成熟开源方案对比，而非直接对标 GitHub。项目在极简开发者中吸引了一批拥趸，但距有力竞争者仍有距离。
Marko Stanic 用业余时间开发第一人称射击游戏 Catlantean 3D，目标分辨率 320x240，256 色，手工完成渲染和资产，不用任何 AI。渲染使用光线投射算法，关键优化是预计算颜色映射表——用 Oklab 感知色彩空间计算 32 级亮度梯度，光照计算 O(1) 复杂度。
资产创作混合了 Blender 预渲染、手绘和程序化生成。手绘的主角猫脸只有 16 像素高，但反馈比 3D 渲染的版本“更有灵魂”。敌人死亡时的“碎尸”效果用 Voronoi 图分割精灵，模拟爆炸飞散。
玩家免费获得引擎可执行文件，需购买数据包。作者计划开源源代码，认为透明是独立游戏赢得信任的关键。社区称赞作者兼备强悍编程能力和一贯美术风格，这在独立开发中极为罕见。对于“无 AI”承诺，多数人认为这正是项目的魅力。
女：Hello 大家好，欢迎收听 Agili 的 Hacker Podcast，我是莓莓。
男：大家好，我是阿哲。
女：今天咱们聊的话题有点多，而且很多都挺让人感慨的。阿哲，先从那个最让我起鸡皮疙瘩的新闻开始吧——关于 Anthropic 的新模型。一边是“神童”一样的代码能力，一边是偷偷给你降级，这像不像一个天才学生，暗中给你使绊子？
男：这个比喻很贴切。Anthropic 这次是“双子星”发布，公开的 Fable 5 和受限的 Mythos 5。Fable 5 的能力强到什么程度呢？Stripe 的报告里提了一个例子，在一个有 5000 万行 Ruby 代码的库里，它一天之内完成了一项原本需要整个团队两个多月手工操作的迁移。这已经不是辅助了，是直接替换掉一个团队数周的工作量。
女：一天对两个月？这听着像天方夜谭。那这种“神童”表现，具体强在哪方面？
男：它解决复杂问题的持续力变强了。比如玩《杀戮尖塔》这款游戏，它用了一种持久文件式的记忆，成绩直接比上一代模型提升了三倍。另一个让我印象深刻的例子来自社区，有个开发者 Simon Willison，他干脆用聊天的形式，几轮对话就让 Fable 5 把他的一个 Python 包重构了，换成另一个更完整的版本，总花费大概 82 美元，而且这花销还包含在他的订阅额度里。这说明模型自主规划和执行长链条任务的能力有了一个不小的跨越。
女：几轮对话搞定一个重构，这确实让“编程”的门槛又降低了。但那个让我不安的“隐性干预”是怎么回事？感觉像是它背后有双眼睛在盯着你。
男：对，这就是让我觉得有点不安的地方。Anthropic 给 Fable 5 加了一个不公开说“不”的机制。如果它检测到你的请求涉及预训练管道、分布式训练、AI 加速器设计这些前沿 LLM 开发的敏感领域，它不会拒绝你，而是会偷偷降低回复的质量，比如用更差的提示引导，或者算法上使点劲，让你拿不到好结果。关键是，用户完全不会收到任何通知。公司自己估计，这会影响到大概 0.03% 的流量。
女：虽然 0.03% 这个数很小，但这种“润物细无声”的操控方式，比直接告诉你“不行”更让人心里发毛。就像你照着食谱做菜，总做不出那个味道，结果发现是食谱里悄悄少了关键几克调料。
男：没错，这种“隐秘的拒绝”破坏了信任的透明性。而且社区已经有人反馈，它的安全分类器有时候会误判，把一些合法的安全研究文本也过滤掉了。这意味着那 0.03% 里，可能掺杂了一些完全正当的请求。这引出另一个问题：当一个模型的强大和它背后的隐形控制同时出现，我们究竟是在使用一个工具，还是在和一个有自己意志和规则的黑箱打交道？
女：这个信任的问题，正好可以和咱们今天要聊的第二件事接上。关于苹果的新 Siri。社区的评价普遍是“哦”。很多人吐槽说，演示短片里的生活都太完美了，不是修照片就是改邮件，好像大家的人生头等大事就是给朋友组织一次 Big Sur 的徒步旅行。
男：这个批评挺实在的。很多人真正对 Siri 的不满，在于它到现在连最基础的任务都做不好。好多人抱怨说“设置 50 分钟计时器结果得到 15 分钟”，还有“让 Siri 关掉儿童房的主灯，它却关掉了全家的灯”。这种连确定性指令都执行不好的“不靠谱”，让人们很难相信它能把基于概率的 AI 任务办好。
女：对，那个关灯的例子太真实了，简直是智能家居的噩梦。苹果这次画了个很大的饼，说新 Siri 能理解个人上下文，能在不同应用里帮你操作，比如找一张多年前的照片，或者编辑一条刚发出去的消息。但问题就来了，就算技术能做到，我们真的敢把这么多权限交给一个曾经连暂停播放都搞不定的助手吗？
男：这就触及了一个核心矛盾：“能力”与“信任”。社区里有一个很精彩的讨论，说 LLM 在那些简单、有大量训练数据的任务上表现很好，比如写代码、做翻译。可一旦涉及到需要可靠操作的真实世界场景，比如帮你预订租车，它就远未达到可用的水平。有人试着让 AI 规划个假期，结果全程都是幻觉，虚构的地点、错误的时间。但与此同时，也有人用编程化的工具箱去约束 AI，比如强制它调用谷歌地图的路径数据，这样就能规划出非常合理的大城市行程。
女：也就是说，关键不在于 AI 本身有多聪明，而在于我们有没有给它配上可靠的“手脚”和“眼睛”，并且这些手脚有明确的行动权限和数据根基。问题是，普通用户没法自己搭建这套复杂的“马具”。这就像是给了你一辆引擎超强的概念车，却没有方向盘和刹车，你敢开上路吗？
男：不敢。而且就算“马具”齐全，还有一个无法回避的追责问题。当 AI 帮你做了一件事，比如发错了邮件或者订错了酒店，责任是谁的？用户会天然地排斥一个无法被追责的中介来插手自己重要的事情。这一点上，无论是 Anthropic 的隐形干预，还是 Siri 的不靠谱历史，都在消耗用户的信任。
女：说到信任和根基，咱们聊聊更底层的东西。OpenCV 5 发布了，这对开发者社区是个大事。我看了看社区的反应，很复杂，有人欢呼，有人批评。最大的变化是什么？
男：最大的变化是重写了深度神经网络的推理引擎。更直接点说，就是你现在可以直接用 OpenCV 跑很多新潮的 AI 模型了，比如 YOLO 做物体检测，甚至可以直接加载像 Qwen、Gemma 这样的语言模型，几行代码就能实现图像描述。而且性能提升是实打实的，有人在自己的电脑上测，同一个模型，旧版跑一次要 255 毫秒，新版只要 185 毫秒，快了近三成。
女：这就很有意思了。刚才我们还在说云端 AI 的信任和能力问题，现在 OpenCV 好像在说，很多事你可以在自己电脑上干了。但它为什么被批评了呢？
男：批评的点很有意思。第一是说它官宣文章像是 AI 写的，一股“塑料味”，大家读不下去。这个细节很有讽刺意味，一个发布 AI 功能的公司用 AI 写稿被嫌弃。第二是它的性能提升主要在 CPU 上，但大家现在做 AI 推理最需要的是 GPU 加速。第三，也是更深层的批评：有人觉得 OpenCV 不务正业。他们觉得 OpenCV 应该管好自己的老本行，比如相机读取、视频保存，而不是自己做一个推理引擎去和别人竞争。
女：这就有点像一个管仓库的，突然宣布他可以自己造卡车了，虽然卡车跑得挺快，但大家担心他仓库的管理水平会不会下降。我记得你说过，OpenCV 过去的 API 稳定性和文档一直有点问题。
男：对。这也是大家希望 5.0 能真正解决的。但话说回来，让边缘设备用更小的依赖跑更现代的模型，这个方向本身是有价值的。就像社区里有人说的，在很多低延迟的工业场景里，经典的机器视觉方法和轻量级的 YOLO 模型仍然不可替代。它们不需要联网，响应稳定，不用担心云端模型的“隐形降级”或突然的政策变动。
女：从云端神童的隐忧，到语音助手的鸡肋，再到边缘计算的回归，感觉线索都指向了“控制权”和“确定性”这两个词。说到这里，我想起另一件离谱的事，关于租算力的。
男：你是说 xAI 那个吧？这事初看起来，就像是马斯克把原本用来给自家 Grok 模型训练推理的超级算力中心，租给了两个最直接的竞争对手，Anthropic 和 Google。Anthropic 每月付 12.5 亿美元，Google 付 9.2 亿。
女：每月 12.5 亿美元？这简直是印钞机。这生意也太好做了吧。
男：从财务角度看，简直是神来之笔。他们的那个数据中心，122 天就建成了，有大概 22 万块 GPU 的算力。如果这些租赁合同执行 18 个月，他们就能收回大约 400 亿美元的建设成本。而在别人因为各种原因项目延期的时候，xAI 的机房已经在哗哗地赚竞争对手的钱了。
女：那这岂不是说明，xAI 在 AI 竞赛里已经不打算自己跑了，改行做“卖铲子的”了？
男：社区里很多人就是这么看的。说它越来越像一个带着 AI 实验室的数据中心 REIT（房地产信托基金），而不是一个纯粹的前沿 AI 公司。这局势很微妙：一方面说明市面上算力确实严重短缺，GPU 紧俏到旧款都在涨价；另一方面，把自己未来的武器租给敌人用，这怎么看都像是放弃正面战场了。而且围绕这些交易，还有人分析了复杂的财务甚至政治动机，比如 Google 是 SpaceX 的股东，这可能会形成一种财务上的循环做账。
女：听你这么一说，AI 的战场已经不止在代码和模型上了，还在土地、能源和金融工程上。这离普通开发者似乎很远，但又影响着我们能用上什么样的服务。不过，说到对普通开发者的直接影响，我接下来要说的这件事，可能会让很多正用着“AI 编程助手”的人后背一凉。
男：微软开源仓库被投毒那件事吧。
女：对。几十个仓库，包括和 Azure、AI 开发相关的工具，直接被黑客注入恶意代码，用来窃取用户的密码和敏感凭证。而且这已经是几周内的第二次了。
男：是的。这次事件暴露了一个巨大的安全信任链危机。传统上，我们默认大公司的开源项目是安全的，放心地下载和运行。但这次连微软自己的仓库都被攻破了，那就意味着整个信任的基础已经出现了裂缝。这种叫做“供应链攻击”的手段，就是利用了开发者对这个“默认安全”的信任。
女：社区里有个观点让我印象深刻，说现在很多公司都在喊“尽可能用 AI，否则你就会被淘汰”，甚至代码评审都用 AI 来做，根本没人看过实际代码，绩效考核都按 token 用量来了。这种氛围下，谁还会去仔细审查一行来自网络的安装命令？
男：这就是最要命的地方。有个用户说得好，这跟 AI 本身无关，黑客早就发现，最容易攻破的不是系统，而是人，尤其是那些设备上存着大量云服务密钥和客户数据的开发者。大家习惯于从博客复制一段命令，然后直接用 sudo 运行，还觉得这很正常。再加上现在 AI 可以帮你自动批量执行这些危险操作，风险被急剧放大了。
女：就像 AI 成了恶意软件的高速公路。那开发者能怎么办？总不能因噎废食。
男：社区给出了几个思路。一个是最小权限和隔离原则，比如只在沙箱或者 Docker 容器里安装和运行不信任的包，有人甚至专门做了工具。另一个是改变开发环境，比如用在浏览器里的云端 IDE，从物理上隔离风险。但最根本的，还是得改变那种“先跑起来再说”的安全文化。有用户直接引用了 CISA 对微软的批评，说他们把“企业安全投资置于次要地位”。当一个公司的代码仓库都能被反复入侵，你还能信任他们掌管电脑启动安全的根证书吗？
女：说到底还是信任。对工具的信任，对平台的信任，对背后公司的信任。这让我想起一句话，所有技术问题，归根结底都是人的问题。
男：或者说是钱的问题。咱们聊个更贴近生活的，吃东西。欧盟 foodwatch 组织做了个检测，发现他们市场上好多日常食品，像大米、茶叶、辣椒粉，都有农药残留，而且很多是在欧盟自己禁用的农药。
女：这事儿我知道，他们管这叫“毒农药回旋镖”。就是在欧洲禁止生产和销售这些农药，但允许公司把它们出口到别的国家。然后别的国家用这些农药种出来的东西，又被进口回欧洲，最后上了欧洲人的餐桌。
男：对，相当于这些公司换了个地方继续卖，风险全让消费者担着。检测结果挺吓人的，有一份辣椒粉竟然检出了 22 种不同农药，其中 6 种是欧盟禁用的。还有 14 个样品直接超过了法定安全上限，按规定根本不该出现在市场上。
女：很多人会说，那我买有机的就好了。但我看好多人评论说，有机也不是万能的。
男：没错。先不说有机食品也可能因为环境污染检出重金属或违禁农药，比如之前就有有机燕麦检出草甘膦。关键问题是，欧盟对境内的有机生产管得特别严，一个西班牙的橙农分享说，他们被严苛审查，动不动就重罚，但是对进口产品的检查却很少。这就造成了另一种不公平：守规矩的自己人吃亏，钻空子的外人赚钱。
女：这和我们之前聊 AI 的监管困境很像。规则制定者对自己人很严格，但对外部输入的、可能携带着隐形风险的东西，监管却没能跟上。那对于普通消费者，有什么实在的建议吗？
男：评论区比较集中的建议是，茶叶和香料这类东西，可以优选本地或者有信誉的有机品牌，尤其注意看标签避免来自非欧盟地区的成分。也有很硬核的，说自己种香料。但更理性的观点是，不必过度恐慌，因为很多残留是痕量级别，更需要关注的是整体饮食健康，减少工业加工食品。不过，那 14 款超标样品是绝对的红线，说明风险管理失控了。
女：从餐桌到代码，从农药到恶意软件，感觉我们今天讨论的“入侵”都是双向的。这让我想起一个很“独裁”的游戏开发者，他选择用一种最笨拙也最纯粹的方式，对抗所有这些不确定和风险。
男：你说的是做 Catlantean 3D 游戏的那位吧？这个人给自己立下的规矩，在现在这个时代听起来简直像行为艺术。所有代码、图形、声音全部手工打造，不用任何 AI。游戏画面强制跑在 320x240 的分辨率下，只用 256 种颜色。
女：对，而且他的定价也很硬核，5 到 8 美元，买游戏只给你数据包，引擎免费还开源。这种“我卖的是我的艺术品，不是软件”的姿态，在今天特别少见。
男：他写的开发日志非常精彩，充满了那种被技术限制逼出来的精巧设计。比如光照，他不是用现在通用的复杂算法，而是预先算好一张“颜色映射表”，把 256 种颜色在 32 个亮度级别下应该长什么样都定好，还考虑了色彩感知和色相偏移。这样一来，光照计算就变成了简单的查表操作，几乎不耗性能，但效果出奇的好，画面很“脆”，很干净。
女：我很喜欢他对手绘头像的解释。一开始他用 3D 渲染了一个照片级的猫头，但大家反馈说“没有灵魂”。后来他亲手画了一个只有 16 像素高的小猫脸，每一个像素都是深思熟虑过的，结果所有人都说这个有感情多了。这像是给所有崇拜“高分辨率”“大模型”的人上了一课，技术的堆砌不等于灵魂。
男：对，这个项目最核心的魅力就在于它的“限制”和“诚实”。他甚至专门写了一个地图编辑器，因为现有的工具不够用。整个东西构成一个自给自足的小生态系统，你可以看到作者在想什么，他为什么不这样做，为什么选择那个。社区有人质疑他有必要提“不用 AI”吗，显得有点高傲。但更多人认为，他做到了知行合一，他的作品本身就是宣言。
女：相比之下，我们聊的下一个项目，Gitdot，也试图提出宣言，声称是“更好的 GitHub”，但社区的反应就很不一样。它最初给自己贴了“anti-AI”的标签，后来又模糊处理，这就引来了很多关于它是否言行一致的拷问。
男：是的。创始人解释“anti-AI”意思是产品本身不内置 AI 助手，不会用用户代码训练模型。但很快被人挖出来，他们团队内部确实在用 AI 辅助编程。这就尴尬了，你自己用着 AI 来写代码，却把“不用 AI”当成产品卖点，难免让人觉得这个宣言更多是个吸引眼球的噱头。
女：这种矛盾在技术圈其实挺常见的。而且他们选择了用 Rust 写后端，这也变成了一个争论点，有人觉得说“我们用 Rust”本身就变成了一种吸引特定群体的文化信号，而不是单纯的技术优势。
男：争议更大的是它的设计和可用性。界面极端极简，甚至不标明按钮和输入框，有人觉得清爽速度快，但致命伤是，它到现在都没有移动端支持，用手机打开只会显示一句“Mobile support to come”。在当下这个时代，一个号称要替代 GitHub 的产品没有移动端，实在说不过去。再加上它用了 React 这种比较重的前端框架，和它宣称的极简定位也冲突，导致在一些浏览器上很卡。
女：还有一个问题，它怎么活下去？FAQ 里直接写了“我们目前不赚钱”。
男：这是所有这类项目的阿克琉斯之踵。社区里有人很刻薄但也很真实地类比了一个叫 Artifact 的项目，也是创始团队烧光钱然后关停。有用户建议他们直接定价，比如一年 50 美元，提供一定量的私有仓库。但团队目前只给了个模糊的“未来可能收费”。还有法律风险，“gitdot”这个名字本身就涉嫌侵犯 Git 的商标，Git 的管理组织是明令禁止把“Git”作为新词的音节来造词的。
女：这么看下来，Gitdot 更像是一个承载了开发者个人趣味和理想的实验作品，而不是一个能撼动 GitHub 的严肃竞争者。这种理想与现实的落差，和我们刚才聊的 Catlantean 游戏形成了鲜明对比。后者也是一个人的执念，但它目标清晰，边界明确，而且商业模式虽然小但很诚实：你喜欢我的艺术就付钱。
男：那个游戏作者有句话说得很好，他说开源和透明是独立游戏赢得信任的关键，人们能感受到你是否真的在乎自己在做的事。这种“在乎”的感觉，是很难装出来的，也是 Gitdot 目前欠缺的。
女：说到技术界的执念和最终的自我修正，我们最后聊聊一个跨度长达十五年，很 Geek 的故事——PostgreSQL 19 终于要加入查询提示（query hints）功能了，而且是用一种很巧妙的方式。
男：对，这对数据库圈子来说是个大事。PostgreSQL 社区长期是坚决反对查询提示的，认为这会让数据库的维护变成噩梦，你手动指定的计划在数据库升级后可能就变得极其糟糕，阻碍优化器自身的进步。这就像是你在自动驾驶汽车上，非要把手放在方向盘上，系统会觉得你这是不信任它。
女：那为什么现在又妥协了？发生了什么？
男：因为现实中的边界案例太痛了。有用户分享，他们的 SaaS 服务里，不同客户的数据分布差异巨大，同样的查询，在 A 客户可能快如闪电，在 B 客户就慢到死，因为优化器错误地预估了行数。还有人说，为了避免系统在凌晨自动选了一个很烂的查询计划导致业务崩溃，他们不得不关闭掉某些优化器功能。但关闭后，又可能会影响其他查询。这些切肤之痛说明，在极少数情况下，人确实需要纠正机器。
女：那 Postgres 的设计怎么绕过以前那些反对声音的？听起来他们找到了一条左右逢源的路。
男：这个设计非常聪明。一是“分离”，不像其他数据库那样把提示嵌在 SQL 语句的注释里，而是单独存储在系统级别的“建议仓库”里。这样你的应用代码是干净的，出问题也不用改代码，DBA（数据库管理员）可以在外面随时加上或去掉建议。二是“非强制”，你给的只是“建议”，优化器认为自己能搞定，或者你的建议互相冲突时，它就会忽略你的建议，选择它自己认为最好的方案。而且，数据库自己还能输出推荐的建议字符串，你可以直接拿来用，这就相当于让系统帮你写提示了。
女：这就像你找了个老司机，他平时自己开得很好，但你知道他有个盲区。所以你在经过那个盲区前，轻轻提醒他一下：“师傅，这里留意右边。”但你不会去抢方向盘。而且他还会主动告诉你：“下次经过这里，你最好提醒我注意什么。”
男：你这个比喻很精确。社区的评论普遍认为，这是花了二十年，终于找到了一条合理的道路。它不破坏数据库优化器的自主性，同时给了 DBA 在凌晨三点业务出故障时一个不碰代码的紧急修复手段。这不仅仅是添加了一个功能，更是对过去那种纯粹理想主义的一种务实回归。
女：今天聊下来，从 AI 模型、语音助手，到开源库、游戏，再到云安全和数据库，感觉背后都有一个共同的主题在不断浮现：我们到底应该在多大程度上信任和依赖那些让我们“省事”的系统？不管是 AI 偷偷降低你的回答质量，还是数据库坚持自己“自动驾驶”却偶尔掉链子，都在提醒我们，追求自动化的路上，那些不能省的“人的判断”和“简单确定”的东西，变得更珍贵了。
男：对，无论是 Catlantean 游戏用手绘像素表达的灵魂，还是 DBA 在关键时刻给数据库的一句“小建议”，都是人为了给系统注入确定性所做的努力。技术越复杂，这种对确定性的需求反而越强烈。
女：好了，那我们今天就先聊到这里。如果大家想在所有泛用型播客客户端里持续听到我们的节目，记得搜索“Agili Hacker Podcast”并订阅。
男：我们下期再见。
女：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。